JP2019191799A - 故障予兆診断システム及び故障予兆診断方法 - Google Patents

Abstract

【課題】より正確に機械の故障予兆を診断することが可能な故障予兆診断システム及び故障予兆診断方法を提供することを目的とする。【解決手段】センサデータと当該センサデータ取得時刻の対応を示す稼働センサデータテーブルと、稼働モードと当該稼働モードでの稼働時刻の対応を示す稼働モードデータテーブルと、前記稼働センサデータテーブル及び前記稼働モードデータテーブルをマージ処理して作成され同じ時刻の稼働モードに対するセンサデータを有する稼働データテーブルとを備え、正常なセンサデータから学習し作成された診断モデルに基づき決定された閾値と、診断対象となるセンサデータから診断モデルに基づき算出された値とを、同じ稼働モードで比較して異常か否かを判定する。【選択図】 図１

Description

本発明は、故障予兆診断システム及び故障予兆診断方法に関し、特に、稼働モードに応じて機械の故障予兆を診断することが可能な故障予兆診断システム及び故障予兆診断方法に関する。なお、本発明における故障予兆診断は、故障予兆検知、あるいは、故障予知と言い換えることもできる。

産業機械などにおいて、故障は稼働効率が下がる原因になるとともに、深刻な故障が生じると、重大な事故の発生の原因ともなる。このため、故障をより正確に予兆することは、重要であり、このための技術は従来から存在する。

例えば、特許文献１には、機械学習装置を備えた故障予知システムについて、状況に応じて正確な故障予知を可能にすることが記載されている。また、特許文献２には、異常予兆診断装置について、機械設備の異常予兆の有無を高精度で診断することが記載されている。

特開２０１７−３３５２６号公報 特開２０１６−３３７７８号公報

しかし、従来では、稼働モードに応じて産業機械などの故障予兆を診断することは行っていないため、稼働モードが異なると正確に故障予兆を診断することができない場合が存在する。例えば、センサの閾値を高くすると、実際は異常な値なのに「異常」と診断できない稼働モードが存在することになる。また、センサの閾値を低くすると、実際は正常な値なのに、「異常」と診断してしまう稼働モードが存在することになる。

特許文献１では、センサデータと制御ソフトウェアに基づいて故障予兆を行うシステムについての記載はあるが、稼働モードごとに明示的に複数モデルを区別しておらず、どのようなモデルで診断を実施したのかが不明確である。また、特許文献２は、所定の運転スケジュールが繰り返される機械設備に関して故障予兆を行うシステムについての記載があるが、運転スケジュールが不規則の場合には適用できない。

本発明は、上記課題に鑑みて、より正確に機械の故障予兆を診断することが可能な故障予兆診断システム及び故障予兆診断方法を提供することを目的とする。

上記目的を達成するため、代表的な本発明の故障予兆診断システムの一つは、センサデータと当該センサデータ取得時刻の対応を示す稼働センサデータテーブルと、稼働モードと当該稼働モードでの稼働時刻の対応を示す稼働モードデータテーブルと、前記稼働センサデータテーブル及び前記稼働モードデータテーブルをマージ処理して作成され同じ時刻の稼働モードに対するセンサデータを有する稼働データテーブルとを備え、正常なセンサデータから学習し作成された診断モデルに基づき決定された閾値と、診断対象となるセンサデータから診断モデルに基づき算出された値とを、同じ稼働モードで比較して異常か否かを判定することを特徴とする。

本発明によれば、故障予兆診断システム及び故障予兆診断方法において、より正確に機械の故障予兆を診断することができる。
上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。

本発明の故障予兆診断システムの一実施形態を示すブロック図である。 本発明の故障予兆診断システムにおける学習・診断システムの処理の例を示す図である。 本発明の故障予兆診断システムにおける稼働モードデータ出力処理フローの例を示す図である。 本発明の故障予兆診断システムにおける稼働センサデータ出力処理フローの例を示す図である。 本発明の故障予兆診断システムにおけるデータマージ処理フローの例を示す図である。 本発明の故障予兆診断システムにおける稼働モード判別処理フローの例を示す図である。 本発明の故障予兆診断システムにおける学習処理フローの例を示す図である。 本発明の故障予兆診断システムにおける診断処理フローの例を示す図である。 本発明の故障予兆診断システムにおける異常通知処理フローの例を示す図である。 本発明の故障予兆診断システムにおける稼働モードデータテーブルの例を示す図である。 本発明の故障予兆診断システムにおける稼働センサデータテーブルの例を示す図である。 本発明の故障予兆診断システムにおける稼働データテーブルの例を示す図である。 本発明の故障予兆診断システムにおける診断モデルテーブルの例を示す図である。 本発明の故障予兆診断システムにおける診断結果格納テーブルの例を示す図である。 本発明の故障予兆診断システムにおける異常データテーブルの例を示す図である。

本発明を実施するための形態を説明する。

図１は、本発明の故障予兆診断システムの一実施形態を示すブロック図である。この故障予兆診断システムは、産業機械１の故障予兆を診断するシステムであり、稼働モードデータ取得部４、稼働センサデータ取得部７、データ結合システム１０、学習・診断システム１３を有している。これらは、それぞれ独立して構成してもよいし、一体として、例えば一つの装置とするなどして、構成してもよい。

産業機械１は、工作機械、ロボット、溶接のための機械等、様々な機械が含まれる。産業機械１は、複数であってもよく、この場合、産業機械ごとに故障予兆を診断することができる。産業機械１は、制御部２の制御により駆動部３を駆動させる構成であり、駆動部３は、例えば、モータ、電磁ソレノイド、（油圧や空気圧等の）シリンダ、エンジン等を適用することができる。また、産業機械１は、駆動部３の駆動に関わる情報を取得するセンサを備えている。センサは、様々なセンサが適用でき、一例を示せば、電流センサ、電圧センサ、振動センサ、温度センサ、圧力センサ、トルクセンサ等である。また、産業機械１には、稼働モードの情報を出力するための装置を備えている。これは、制御部２に備えていてもよい。

稼働モードデータ取得部４は、制御部５と記憶部６を備えている。稼働モードデータ取得部４の制御部５は、産業機械１（制御部２等）から稼働モードに関するデータ（稼働モードデータ）を取得して、稼働モードデータテーブルを作成して記憶部６に記録させるとともに、データ結合システム１０へその情報を出力する。

ここで、稼働モードについて説明する。稼働モードは、現在どのような種類の動作状態で産業機械１の駆動部３が駆動しているかを示すものである。例えば、工作機械であれば、実際に切削等の工作を行っている状態と、工作を行っていない加工動作準備の状態、もしくは、刃物が移動中の状態等に分けることができる。また、切削に対しても、材料ごと、工作対象の形状（例えば、直線と曲線）ごと、削り方ごと等で稼働モードを分けることも可能である。また、ロボットであれば、稼働中であっても、アームが物を運搬している状態、アームが物を運搬していない、アームのみで移動中の状態、待機中の状態等に分けることができる。このように稼働モードは様々な状態に分けることができる。特に、駆動部３に対する負荷が異なるモード（動作状態）ごとで分けると有効であり、例えば、稼働中に、対象物に対して接して作業をしている状態と、対象物に対して接しないでいる状態に分ける等も可能である。稼働モードは、これらを数字や文字、記号などにより区別して種類分けする情報である。

稼働センサデータ取得部７は、制御部８と記憶部９を備えている。制御部８は、産業機械１の上述したセンサからのデータ（稼働センサデータ）を取得して、稼働センサデータテーブルを作成して記憶部９に記録させるとともに、データ結合システム１０へその情報を出力する。センサからのデータ（センサ値）としては、複数のセンサからのデータを取得することも可能である。

データ結合システム１０は、制御部１１と記憶部１２を備えている。制御部１１は、稼働モードデータ取得部４からの稼働モードデータテーブル及び稼働センサデータ取得部７からの稼働センサデータテーブルを結合して、データマージ処理を行い、稼働データテーブルを作成する。稼働データテーブルは記憶部１２に記録させるとともに、学習・診断システム１３へその情報を出力する。

学習・診断システム１３は、制御部１４と記憶部１５を備えている。制御部１４は、データ結合システム１０から稼働データテーブルを取得し、稼働モード判別処理、学習処理、診断処理、異常通知処理を行う。そして、記憶部１５に、稼働データテーブル、診断結果格納テーブル、診断モデルテーブル、異常データテーブル、診断時間データ（ファイル）を記録させる。

図２は、本発明の故障予兆診断システムにおける学習・診断システム１３の処理の例を示す図である。図２に示すように、稼働モード判別処理は、稼働データテーブルに基づき行われる。そして、稼働モードごとに、学習処理、診断処理を行っていく。このようにすることで、稼働モードごとに、故障予兆の診断が可能となる。

図３は、本発明の故障予兆診断システムにおける稼働モードデータ出力処理フローの例を示す図である。ここでの処理は、稼働モードデータ取得部４の制御部５（図１参照）による処理が示されている。まず、各産業機械１から稼働モードデータを取得する（Ｓ１０１）。そして、各産業機械１の稼働モードデータテーブルに取得したデータを格納する（Ｓ１０２）。稼働モードデータテーブルは、時刻（タイムスタンプ）ごとに稼働モードが格納される。ここでの時刻は、一定間隔、例えば１秒毎等で取得することができる。このようにして、稼働モードデータテーブルが産業機械１ごとに作成される。

図４は、本発明の故障予兆診断システムにおける稼働センサデータ出力処理フローの例を示す図である。ここでの処理は、稼働センサデータ取得部７の制御部８（図１参照）による処理が示されている。まず、各産業機械１から稼働センサデータを取得する（Ｓ２０１）。そして、稼働センサデータテーブルに取得したデータを格納する（Ｓ２０２）。稼働センサデータテーブルでは、時刻（タイムスタンプ）ごとにセンサの値が格納される。ここでの時刻は、図３と同じ一定間隔、例えば１秒毎等に取得することができる。このようにして、稼働センサデータテーブルが産業機械１ごとに作成される。

図５は、本発明の故障予兆診断システムにおけるデータマージ処理フローの例を示す図である。ここでの処理は、データ結合システム１０の制御部１１（図１参照）による処理が示されている。

まず、稼働センサデータが出力したレコード分繰り返す処理を行う（Ｓ３０１）。稼働センサデータは、稼働センサデータ取得部７が出力した稼働センサデータテーブルに含まれるものであり時刻（タイムスタンプ）ごとに格納されている。次に、稼働センサデータと稼働モードデータのタイムスタンプが同じかどうかを判定する（Ｓ３０２）。Ｓ３０２でタイムスタンプが同じと判定した場合は、稼働センサデータと稼働モードデータをそのタイムスタンプでマージして稼働データテーブルに格納する処理を行う（Ｓ３０３）。これにより、稼働データテーブルは、タイムスタンプごとに、センサの値、稼働モード、産業機械１の号機番号等が格納される。このことで、センサの値と稼働モードが対応づけられる。一方、Ｓ３０２で同じタイムスタンプがないと判定した場合は、Ｓ３０１に行き、Ｓ３０２からの上記処理をレコード数分まで繰り返す。なお、タイムスタンプ（ＴｉｍｅＳｔａｍｐ）は、そのときの時刻を示すものであり、具体例として、年・月・日・時・分・秒を含むことができる。

図６は、本発明の故障予兆診断システムにおける稼働モード判別処理フローの例を示す図である。ここでの処理は、学習・診断システム１３の制御部１４（図１参照）による処理が示されている。まず、稼働モード判別対象の号機、期間を選択する（Ｓ４０１）。ここで、号機は、産業機械１ごとの号機である。期間は、自動で全ての期間を選択してもよいし、手動で特定の期間を指定してもよい。次に、稼働データテーブルの値から稼働モードを判別する（Ｓ４０２）。稼働データテーブルには、稼働モードの情報が含まれているため、選択された期間についての稼働モードを判別することができる。

図７は、本発明の故障予兆診断システムにおける学習処理フローの例を示す図である。ここでの処理は、学習・診断システム１３の制御部１４（図１参照）による処理が示されている。

まず、学習対象の産業機器号機の選択を行う（Ｓ５０１）。ここでの選択は自動ですべての号機を選択してもよいし、ユーザにより任意の号機の選択を行ってもよい。産業機器としては、図１の産業機械１が該当する。

次に、学習対象の期間を選択する（Ｓ５０２）。ここでの選択は、ユーザによりＳ５０１で選択された号機が、正常に稼働している期間を選択する。

次に、学習対象の稼働モードを選択する（Ｓ５０３）。ここでの選択は、Ｓ５０１で選択された号機に対して自動で稼働データテーブルに記録された全ての稼働モードを選択してもよい。また、ユーザによりＳ５０１で選択された号機に対して、特定の稼働モードを手動で選択してもよい。

次に、稼働データテーブルから学習対象の号機・期間・稼働モードをキーにセンサ値を取得する（Ｓ５０４）。学習対象の号機はＳ５０１で選択され、学習対象の期間はＳ５０２で選択され、学習対象の稼働モードはＳ５０３で選択された内容である。センサ値は、稼働データテーブルに含まれているセンサのデータである。

次に、取得したセンサ値で学習し、診断モデルを作成する（Ｓ５０５）。上記のように、選択されたセンサ値は、正常に稼働している号機・期間・稼働モードによるセンサ値である。このため、診断モデルは、対象の号機が選択された各稼働モードに対して正常に稼働しているセンサ値の範囲を示すモデルとして作成される。

次に、学習結果をもとに閾値を決定する（Ｓ５０６）。ここでは、診断モデルに対して、後述する処理の異常を判別するための閾値を決定する。ここで、閾値は、診断モデルによって決定することができる。即ち、閾値は、診断モデルで特定される正常値の範囲をもとに、正常と異常の境界を適した方法で特定することができる。また、診断モデルは、稼働モードごとに作成されているため、稼働モードに応じた適切な閾値を決定することができる。

次に、学習した稼働モードと号機番号をキーに診断モデルテーブルに閾値と診断モデル格納先（学習により作成した診断モデル格納先）を追加する（Ｓ５０７）。診断モデルをファイルデータとして保存しておく場合に、診断モデル格納先を診断モデルテーブルに追加しておくことができる。このとき、稼働モード、号機番号、閾値等と合わせて診断モデルテーブルに記録される。

図８は、本発明の故障予兆診断システムにおける診断処理フローの例を示す図である。ここでの処理は、学習・診断システム１３の制御部１４（図１参照）による処理が示されている。

まず、診断対象の産業機器号機を選択する（Ｓ６０１）。産業機器号機は、自動で選択する。産業機器としては、図１の産業機械１が該当する。

次に、前回診断時間ファイルから前回診断時間を取得する（Ｓ６０２）。診断時間ファイルは、対象号機の前回の最後の診断時間（日時）のデータが入ったファイルである。ここで取得する前回診断時間は、対象号機の前回の最後の診断時間である。なお、診断時間ファイルは、ファイルでなくても単にデータとして扱ってもよい。

次に、稼働データテーブルから前回診断時間以降のタイムスタンプのレコードを取得する（Ｓ６０３）。Ｓ６０２で取得したデータにより前回の最後の診断時間が分かるので、それ以降のタイムスタンプごとに記録されたデータ（レコード）を取得する。

次に、取得したレコード数分だけ、Ｓ６０５〜Ｓ６１１を繰り返す処理を行う（Ｓ６０４）。レコード数は、記録されたタイムスタンプの数と同等である。

次に、レコード内の稼働モードデータの値を取得する（Ｓ６０５）。ここでのレコードは、稼働データテーブルのレコードである。

次に、診断モデルテーブルにＳ６０３で取得した稼働モードデータ値があるか否かを判定する（Ｓ６０６）。ここで、診断モデルテーブルは、図７の処理で作成されているもので、稼働モードごとに作成される。このため、診断モデルテーブルの中に、Ｓ６０３で取得したレコードの稼働モードと同じ稼働モードのデータが含まれるかを判定する。

Ｓ６０６で、診断モデルテーブルにＳ６０３で取得した稼働モードデータ値があると判定した場合は、診断モデルテーブルから稼働モードデータ値をキーに診断モデルを取得する（Ｓ６０７）。すなわち、Ｓ６０３で取得したレコードの中の稼働モードと、同じ稼働モードの診断モデルがある場合は、その診断モデルを取得する。

次に、診断モデルテーブルの異常度閾値をもとに診断する（Ｓ６０８）。ここでの異常度閾値は、図７のＳ５０６で決定した閾値である。この閾値と対象のセンサデータを比較して、対象のセンサデータが正常の範囲か異常の範囲かで診断する。ここでの比較は、上記閾値と、診断対象となるセンサデータから診断モデルに基づき算出された値とを同じ稼働モードで比較することで行うことができる。

次に、診断結果を診断結果テーブルに格納（正常：０、異常：１）する（Ｓ６０９）。ここでは、例えば、正常な場合は「０」、異常の場合は「１」として、診断結果テーブルに格納する。診断結果テーブルでは、診断結果と共に時刻（タイムスタンプ）、センサの値、稼働モード、号機番号等の情報が格納される。

次に、診断結果の値が異常（「1」）か否かを判定する（Ｓ６１０）。異常の場合は異常通知処理を行う（Ｓ６１１）。

なお、Ｓ６０６で、診断モデルテーブルにＳ６０３で取得した稼働モードデータ値がないと判定した場合、及び、Ｓ６１０で異常でないと判定した場合は、次のレコードに対してＳ６０５からの処理を行う（Ｓ６０４）。

そして、すべてのレコードの繰り返し処理が終了したら、最後に診断したレコードのタイムスタンプを前回診断時間ファイルに上書きする（Ｓ６１２）。これが最新の診断時間ファイルとなる。

図９は、本発明の故障予兆診断システムにおける異常通知処理フローの例を示す図である。ここでは、図８のＳ６１１における異常通知処理の詳細を説明する。異常通知処理は、現場担当者へメール通知を行い（Ｓ７０１）、異常データテーブルにデータを格納するものである（Ｓ７０２）。担当者へのメール通知は、予め登録してあるメールアドレスに自動で通知を行えばよい。また、異常データテーブルは、異常と判定されたデータのみを追加するテーブルであり、時刻、稼働モード、号機番号等を記録する。また、必要に応じて異常度を記録してもよい。

図１０は、本発明の故障予兆診断システムにおける稼働モードデータテーブルの例を示す図である。稼働モードデータテーブルは、稼働モードデータ取得部４（図１参照）で作成されるテーブルである。処理の例は図３に示してある。

図１０で示す稼働モードデータテーブルは、ナンバー（＃）、時刻（タイムスタンプ）、稼働モードが記録されている。ここで、稼働モードは数字で示されており、図の例では「３０」と「４５」である。これは、稼働モードの種類の情報を、数字で表している例を示す。数字が同じなら同じ稼働モードということになる。なお、数字以外の記号や文字で稼働モードを表すことも可能である。図１０では稼働モードデータテーブルは産業機械ごとにそれぞれのテーブルが作成されている。

図１１は、本発明の故障予兆診断システムにおける稼働センサデータテーブルの例を示す図である。稼働センサデータテーブルは、稼働センサデータ取得部７（図１参照）で作成されるテーブルである。処理の例は図４に示してある。

図１１で示す稼働センサデータテーブルは、ナンバー（＃）、時刻（タイムスタンプ）、センサＡの値、センサＢの値、センサＣの値が記録されている。ここでのセンサは３つのセンサによる例を示しており、これらの数値は、電流や電圧等の値を想定した例を示している。例えば、駆動部のモータ等の電流や電圧を測定することで、これらの値から故障予兆を診断することが可能となる。図１１では稼働センサデータテーブルは、産業機械ごとにそれぞれのテーブルが作成されている。

図１２は、本発明の故障予兆診断システムにおける稼働データテーブルの例を示す図である。稼働データテーブルは、データ結合システム１０（図１参照）で作成されるテーブルである。処理の例は図５に示してある。

図１２に示す稼働データテーブルは、ナンバー（＃）、時刻（タイムスタンプ）、センサＡの値、センサＢの値、センサＣの値、稼働モード、号機番号が記録されている。これらは、図１０の稼働モードデータテーブルと図１１の稼働センサデータテーブルを、同じ号機番号の同じ時刻（タイムスタンプ）において、結合した例を示している。これにより、稼働モードと各センサの値を対応づけすることが可能となる。なお、号機番号は産業機械を特定する番号である。

図１３は、本発明の故障予兆診断システムにおける診断モデルテーブルの例を示す図である。診断モデルテーブルは、学習・診断システム１３（図１参照）で作成されるテーブルである。処理の例は図７に示してある。

図１３の診断モデルテーブルは、ナンバー（＃）、稼働モード、異常度閾値、診断モデル格納先、号機番号が記録されている。診断モデルは図７ではＳ５０５で作成される診断モデルである。図１３のテーブルではそのファイルの格納先が示されている。異常度閾値は図７ではＳ５０６で決定される閾値である。なお、診断モデルテーブルは、稼働モードに対応して記録される。例えば、稼働モード「３０」は加工動作準備、稼働モード「３１」は加工中など、稼働モードは産業機械１の動作の状態を区別している。

図１４は、本発明の故障予兆診断システムにおける診断結果格納テーブルの例を示す図である。診断結果格納テーブルは、学習・診断システム１３（図１参照）で作成されるテーブルである。処理の例は図８に示してある。

図１４に示す診断結果格納テーブルは、ナンバー（＃）、時刻（タイムスタンプ）、センサＡの値、センサＢの値、センサＣの値、稼働モード、診断結果、号機番号が記録されている。すなわち、図１４の診断結果格納テーブルは、図１２の稼働モードデータテーブルに診断結果を追加した構成となっている。ここで、診断結果は、「０」が正常で、「１」が異常を示す例を示しており、図８ではＳ６０９でこの情報が格納される。稼働モード、号機番号に対応して診断結果が記録されることで、稼働モードに対する診断結果をユーザが分かり易く把握することが可能となる。

図１５は、本発明の故障予兆診断システムにおける異常データテーブルの例を示す図である。異常データテーブルは、学習・診断システム１３（図１参照）で作成されるテーブルである。処理の例は図９に示してある。

図１５の異常データテーブルは、ナンバー（＃）、稼働モード、異常度、号機番号が記録されている。ここで、図１５の異常データテーブルは、図１４の診断結果格納テーブルのうち、診断結果が「１」（異常）のみの値を抽出してテーブルにしている。ここで、異常度は、図１４の診断結果格納テーブルのセンサ値に対して、図１３の診断モデルテーブルの異常度閾値に対する度合いを示すものであり、値が高いほど異常の度合いが高い（センサ値が閾値よりも異常側にある）ことを示す。このように異常データテーブルを作成することで、稼働モードに対する異常の状態をまとめて把握することができる。

以上のように、本実施形態では産業機械の稼働モードを判別し、稼働モードごと学習処理を行うことで、稼働モードに合った故障予兆診断を行うことが可能となる。そして、稼働モードごとにセンサの値が異常と判定されることで、より正確に産業機械の故障を予兆する診断が可能となる。また、稼働モード別に正常状態を学習し、それに基づき診断を行うため、より高精度な故障予兆診断が可能となる。また、稼働モードごとにどのような診断モデルを用いているのかが明確になるため、同様の産業機械で同様の使用方法をしているものに対して適用することができ、横展開がしやすいものとなる。

なお、本発明は上記した実施形態に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、また、ある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について、他の構成の追加・削除・置換をすることが可能である。

例えば、本発明は、産業機械だけでなく、故障予兆診断が必要な機械全般に適用することができる。

１…産業機械、２…制御部、３…駆動部、４…稼働モードデータ取得部、５…制御部、６…記憶部、７…稼働センサデータ取得部、８…制御部、９…記憶部、１０…データ結合システム、１１…制御部、１２…記憶部、１３…学習・診断システム、１４…制御部、１５…記憶部

Claims (7)

1. センサデータと当該センサデータ取得時刻の対応を示す稼働センサデータテーブルと、
   稼働モードと当該稼働モードでの稼働時刻の対応を示す稼働モードデータテーブルと、
   前記稼働センサデータテーブル及び前記稼働モードデータテーブルをマージ処理して作成され同じ時刻の稼働モードに対するセンサデータを有する稼働データテーブルとを備え、
   正常なセンサデータから学習し作成された診断モデルに基づき決定された閾値と、診断対象となるセンサデータから診断モデルに基づき算出された値とを、同じ稼働モードで比較して異常か否かを判定することを特徴とする故障予兆診断システム。
2. 前記センサデータは、診断対象の機械の駆動に関わる情報を取得するセンサのデータであることを特徴とする請求項１に記載の故障予兆診断システム。
3. 前記稼働モードは、診断対象の機械の動作状態の種類を区別する情報であることを特徴とする請求項１又は請求項２に記載の故障予兆診断システム。
4. 前記診断モデルは、正常に稼働した期間のセンサデータを前記稼働データテーブルから取得して稼働モードごとに作成されることを特徴とする請求項１から請求項３のいずれか一項に記載の故障予兆診断システム。
5. 前記異常か否かの判定結果を稼働モードに対応して示す診断結果格納テーブルが作成されることを特徴とする請求項１から請求項４のいずれか一項に記載の故障予兆診断システム。
6. 前記異常と判定された場合に、異常と判定されたデータのみで形成される異常データテーブルに少なくとも稼働モードと時刻の情報が追加されることを特徴とする請求項１から請求項５のいずれか一項に記載の故障予兆診断システム。
7. センサデータと当該センサデータ取得時刻の対応を示す稼働センサデータテーブルを作成するステップと、
   稼働モードと当該稼働モードでの稼働時刻の対応を示す稼働モードデータテーブルを作成するステップと、
   前記稼働センサデータテーブル及び前記稼働モードデータテーブルをマージ処理して、同じ時刻の稼働モードに対するセンサデータを有する稼働データテーブルと作成するステップと、
   正常なセンサデータから学習し作成された診断モデルに基づき決定された閾値と、診断対象となるセンサデータから診断モデルに基づき算出された値とを、同じ稼働モードで比較して異常か否かを判定するステップとを有することを特徴とする故障予兆診断方法。

Images