JP2020064515A - 機器故障診断支援システムおよび機器故障診断支援方法 - Google Patents

機器故障診断支援システムおよび機器故障診断支援方法 Download PDF

Info

Publication number
JP2020064515A
JP2020064515A JP2018196911A JP2018196911A JP2020064515A JP 2020064515 A JP2020064515 A JP 2020064515A JP 2018196911 A JP2018196911 A JP 2018196911A JP 2018196911 A JP2018196911 A JP 2018196911A JP 2020064515 A JP2020064515 A JP 2020064515A
Authority
JP
Japan
Prior art keywords
failure
diagnosis
learning
model
diagnostic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
JP2018196911A
Other languages
English (en)
Other versions
JP7221644B2 (ja
JP2020064515A5 (ja
Inventor
慶子 工藤
Keiko Kudo
慶子 工藤
野口 純司
Junji Noguchi
純司 野口
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP2018196911A priority Critical patent/JP7221644B2/ja
Priority to PCT/JP2018/047455 priority patent/WO2020079860A1/ja
Priority to CN201880098506.7A priority patent/CN112805728A/zh
Priority to US17/276,207 priority patent/US20220035356A1/en
Priority to EP18937354.1A priority patent/EP3869424A4/en
Publication of JP2020064515A publication Critical patent/JP2020064515A/ja
Publication of JP2020064515A5 publication Critical patent/JP2020064515A5/ja
Application granted granted Critical
Publication of JP7221644B2 publication Critical patent/JP7221644B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0262Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267Fault communication, e.g. human machine interface [HMI]
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0281Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Probability & Statistics with Applications (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Human Computer Interaction (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

【課題】センサデータに基づいて、設備・機器の故障箇所調査をおこなう際に、故障箇所の究明に要する時間を短縮して、効率的に故障箇所の究明をおこなう。【解決手段】学習診断装置は、故障データから学習して診断モデルを作成し、その機器の故障原因部位として、一定の件数に満たない場合に、レアケースデータテーブルに、その機器の機種と故障原因部位とセンサデータを格納する。次に、学習部により作成された診断モデルに基づいて、故障の発生した機器の部位毎に、故障原因となる推定確率を算出し、レアケースデータテーブルに基づいて、故障の発生した機器のセンサデータと、その機器の機種の過去のセンサデータのセンサデータ一致率を算出する。そして、診断された故障の発生した機器の故障原因部位と、その推定確率を表示し、算出された故障の発生した機器の部位毎のセンサデータ一致率を表示する。【選択図】 図1

Description

本発明は、機器故障診断支援システムおよび機器故障診断支援方法に係り、特に、センサデータに基づいて、設備・機器の故障箇所調査をおこなう際に、故障箇所の究明に要する時間を短縮して、効率的に故障箇所の究明をおこなうのに好適な機器故障診断支援システムおよび機器故障診断支援方法に関する。
近年、情報処理装置により、工場の生産設備などの機器を計測するセンサデータに基づき、機器の保守をおこなうシステムが広く活用されるようなってきている。
故障履歴情報や保守履歴情報を利用する機器の保守においては、故障が発生したときに、機器から計測されたセンサデータと、それらの故障履歴情報や保守履歴情報に基づいて、いかに短時間で故障の箇所の究明を効率的におこなう事が重要な課題となる。
例えば、特許文献1には、故障状態をカテゴリ分けして、故障状態の件数に基づいて、上位カテゴリの故障部位の故障状態を表示するか、下位カテゴリの故障部位の故障状態を表示するかを判定する故障診断装置が開示されている。
特開2018−25928号公報
特許文献1に記載された故障診断装置は、故障状態をカテゴリ分けして、故障診断に利用できると判断した場合には、下位カテゴリの故障部位の故障状態を表示し、故障診断に利用しないと判断した場合には、上位カテゴリの故障部位の故障状態を表示している。
上記特許文献1記載の故障診断装置においては、保守履歴が十分にある場合には、下位カテゴリの故障部位の故障状態を表示し、具体的な対策をとることができるが、保守履歴が十分にはない場合に、上位カテゴリの故障部位の故障状態しか表示できず、保守員は、故障診断のための十分な情報を得ることができない。
そのため、人の経験則や勘に基づき故障箇所を調査・特定する属人的な作業となり、その際に、設計書や過去の故障実績を調査するために多大な時間を要する。
また、機械学習に基づいて、故障箇所を推定確率とともに表示する技術が知られている。しかしながら、過去の故障実績が少ないレアケースにおいては、精度の高い診断結果が得ることができず、どのような優先順位で故障箇所を調査すればよいかの具体的な指標が示すことができず、故障箇所の調査とその対策のために、多大な時間を要する結果になる。
本発明の目的は、センサデータに基づいて、設備・機器の故障箇所調査をおこなう際に、故障箇所の究明に要する時間を短縮して、効率的に故障箇所の究明をおこなうことにある。
また、その目的は、レアケースであっても、故障箇所の調査に関するプライオリティを示して、故障箇所の究明に要する時間を短縮して、効率的に故障箇所の究明をおこなうことにある。
本発明の機器故障診断支援システムの構成は、好ましくは、機器を計測したセンサの出力するセンサデータに基づいて、故障診断をおこなう機器故障診断支援システムであって、学習診断装置を備え、学習診断装置は、故障の発生した機器とセンサデータとその機器の故障原因部位を格納した故障履歴テーブルと、レアケースの場合に、機種毎、部位毎にセンサデータを格納したレアケースデータテーブルとを保持し、学習診断装置は、過去データから学習して診断モデルを作成する学習部と、学習部により作成された診断モデルに基づいて、故障診断をおこなう診断部と、診断部の診断結果を表示する表示部とを有し、学習部は、故障履歴テーブルに格納されたデータから学習して診断モデルを作成し、故障履歴テーブルから、その機器の故障原因部位として、一定の件数に満たない場合に、レアケースデータテーブルに、その機器の機種と故障原因部位とセンサデータを格納し、診断部は、学習部により作成された診断モデルに基づいて、故障の発生した機器の部位毎に、故障原因となる推定確率を算出し、レアケースデータテーブルに基づいて、故障の発生した機器のセンサデータと、その機器の機種の過去のセンサデータのセンサデータ一致率を算出し、表示部は、診断部により診断された故障の発生した機器の故障原因部位と、その推定確率を表示し、算出された故障の発生した機器の部位毎のセンサデータ一致率を表示するようにしたものである。
本発明によれば、センサデータに基づいて、設備・機器の故障箇所調査をおこなう際に、故障箇所の究明に要する時間を短縮して、効率的に故障箇所の究明をおこなうことができる。また、本発明によれば、レアケースであっても、故障箇所の調査に関するプライオリティを示して、故障箇所の究明に要する時間を短縮して、効率的に故障箇所の究明をおこなうことができる。
機器故障診断支援システムの構成図である。 機器情報管理装置のハードウェア・ソフトウェア構成図である。 学習診断装置のハードウェア・ソフトウェア構成図である。 故障時センサデータテーブルの一例を示す図である。 保守履歴データテーブルの一例を示す図である。 故障履歴データテーブルの一例を示す図である。 診断モデルテーブルの一例を示す図である。 レアケースデータテーブルの一例を示す図である。 モデル精度データテーブルの一例を示す図である。 機器番号学習診断結果テーブルの一例を示す図である。 レアケース診断結果テーブルの一例を示す図である。 対象機毎発生頻度テーブルの一例を示す図である。 学習診断の診断精度を説明する図である。 学習部がおこなう学習処理を示すフローチャートである。 診断部がおこなう診断処理を示すフローチャートである。 表示部がおこなう表示処理を示すフローチャートである。 機械学習に基づく推定結果表示画面の一例を示す図である。 レアケースセンサ状態情報表示画面の一例を示す図である。 過去実績表示画面の一例を示す図である。 過去実績グラフ表示画面の一例を示す図である。
以下、図1ないし図20を用いて本発明の一実施形態について説明する。
先ず、図1ないし図3を用いて機器故障診断支援システムの構成について説明する。
機器故障診断支援システムは、図1に示されるように、センサ5、設備・機器10、センサデータ管理装置400、機器情報管理装置100、学習診断装置200からなり、センサデータ管理装置400と機器情報管理装置100は、ネットワーク6により、学習診断装置200は、ネットワーク7によりそれぞれ接続されている。
設備・機器10は、工場、オフィス、病院、商業施設などに設置される故障診断対象となる機器である。センサ5は、設備・機器10の状態に関する情報を検知する機器であり、例えば、温度センサ、速度センサ、位置センサなどである。センサデータ管理装置400は、センサ5のデータを管理する装置である。機器情報管理装置100は、設備・機器10に関するセンサデータや保守履歴などの情報を管理する装置である。学習診断装置200は、センサデータや保守履歴などの情報を学習して、故障に関する診断情報を表示する装置である。
センサデータ管理装置400は、センサデータ取得部410、故障データ出力部420からなる。
センサデータ取得部410は、センサデータ管理装置400とセンサ5が有線で接続されている場合には、その有線のインタフェースにより、あるいは、センサデータを、別の記憶装置(図示せず)から取り込む機能部である。センサデータ出力部420は、機器情報管理装置100にセンサデータを出力する機能部である。
機器情報管理装置100は、センサデータ入出力部110、保守履歴管理部120、保守履歴入出力部130、センサデータ・保守履歴マージ部140、故障履歴データ出力部150、記憶部160からなる。
センサデータ入出力部110は、センサデータ管理装置400からネットワーク6を介して、センサデータを取り込み、また、表示装置にセンサデータの内容を表示する。
保守履歴管理部120は、入力された保守履歴をデータベースとして管理する機能部である。保守履歴入出力部130は、保守履歴の入力と出力をおこなう機能部である。保守履歴入出力部130は、入力装置によりセンサデータを取り込むか、別の記憶装置(図示せず)から取り込み、表示装置に保守履歴を出力する。
センサデータ・保守履歴マージ部140は、機器の故障時のセンサデータと入力された保守履歴をマージして、故障履歴データテーブル(後述)を作成する機能部である。故障履歴データ出力部150は、故障履歴データテーブルのデータを、ネットワーク7を介して、学習診断装置200に出力する機能部である。記憶部160は、機器情報管理装置100で利用するデータを記憶する機能部である。
記憶部160には、故障時センサデータテーブル300、保守履歴データテーブル310、故障履歴データテーブル320が保持される。なお、各々のデータテーブルの詳細は、後に説明する。
学習診断装置200は、学習部210、診断部220、表示部230、故障履歴データ入力部240からなる。
学習部210は、設備・機器に関するセンサデータや保守履歴を学習して、故障診断の学習モデルを作成する機能部である。ここで、学習モデルとは、学習するデータセットから規則や関連性を導出して、適切な解を導くための基準とするデータモデルである。診断部220は、学習部210により作成された学習モデルと、設備・機器に関するセンサデータや保守履歴に基づいて、機器の故障診断をおこなう機能部である。表示部230は、診断部220の故障診断の結果を表示する機能部である。故障履歴データ入力部240は、ネットワーク7を介して、故障履歴データテーブル320を取り込む機能部である。記憶部250は、学習診断装置200で利用するデータを記憶する機能部である。
記憶部250には、診断モデルテーブル330、レアケースデータテーブル340、モデル精度データテーブル350、機械学習診断結果テーブル360、レアケース診断結果テーブル370、対象機毎発生頻度テーブル380を保持する。なお、各々のデータテーブルの詳細は、後に説明する。
次に、図2を用いて機器故障情報管理装置のハードウェア・ソフトウェア構成について説明する。
機器情報管理装置100のハードウェア構成としては、例えば、図2に示されるパーソナルコンピュータのような一般的な情報処理装置で実現される。
機器情報管理装置100は、CPU(Central Processing Unit)502、主記憶装置504、ネットワークI/F506、表示I/F508、入出力I/F510、補助記憶I/F512が、バスにより結合された形態になっている。
CPU202は、機器情報管理装置100の各部を制御し、主記憶装置504に必要なプログラムをロードして実行する。
主記憶装置504は、通常、RAMなどの揮発メモリで構成され、CPU502が実行するプログラム、参照するデータが記憶される。
ネットワークI/F506は、ネットワーク6、ネットワーク7と接続するためのインタフェースである。
表示I/F508は、LCD(Liquid Crystal Display)などの表示装置520を接続するためのインタフェースである。
入出力I/F510は、入出力装置を接続するためのインタフェースである。図2の例では、キーボード530とポインティングデバイスのマウス532が接続されている。
補助記憶I/F512は、HDD(Hard Disk Drive)550やSSD(Solid State Drive)などの補助記憶装置を接続するためのインタフェースである。
HDD550は、大容量の記憶容量を有しており、本実施形態を実行するためのプログラムが格納されている。機器情報管理装置100のHDD550には、センサデータ入出力プログラム551、保守履歴管理プログラム552、保守履歴入出力プログラム553、センサデータ・保守履歴マージプログラム554、故障履歴データテーブル出力プログラム555がインストールされている。
センサデータ入出力プログラム551、保守履歴管理プログラム552、保守履歴入出力プログラム553、センサデータ・保守履歴マージプログラム554、故障履歴データテーブル出力プログラム555は、それぞれ、センサデータ入出力部110、保守履歴管理部120、保守履歴入出力部130、センサデータ・保守履歴マージ部140、故障履歴データ出力部150の機能を実行するプログラムである。
また、HDD550は、故障時センサデータテーブル300、保守履歴データテーブル310、故障履歴データテーブル320を格納している。
次に、図3を用いて学習診断装置のハードウェア・ソフトウェア構成図について説明する。
学習診断装置200も、図2に示した機器情報管理装置100と同様に、ハードウェア構成としては、例えば、図3に示されるパーソナルコンピュータのような一般的な情報処理装置で実現される。
個々のハードウェアの構成要素は、図2に示した機器情報管理装置100と同様である。
学習診断装置200の場合、HDD650には、学習プログラム651、診断プログラム652、表示プログラム653、故障履歴データテーブル入力プログラム654がインストールされている。
学習プログラム651、診断プログラム652、表示プログラム653、故障履歴データテーブル入力プログラム654は、それぞれ、学習部210、診断部220、表示部230、故障履歴データ入力部240の機能を実行するプログラムである。
また、HDD650は、診断モデルテーブル330、レアケースデータテーブル340、モデル精度データテーブル350、機械学習診断結果テーブル360、レアケース診断結果テーブル370、対象機毎発生頻度テーブル380を格納している。
次に、図4ないし図13を用いて本実施形態の機器故障診断支援システムで用いられるデータ構造について説明する。
図4の故障時センサデータテーブル300、図5の保守履歴データテーブル310、図6の故障履歴データテーブル320は、設備・機器10の故障の学習診断の元となるデータに関するテーブルである。図7の診断モデルテーブル330、図8のレアケースデータテーブル340、図9のモデル精度データテーブル350は、学習診断装置200の学習の結果として出力されるデータに関するテーブルである。図10の機械学習診断結果テーブル360、図11のレアケース診断結果テーブル370、図12の対象機毎発生頻度テーブル380は、学習診断装置200の診断の結果として出力されるデータに関するテーブルである。
故障時センサデータテーブル300は、設備・機器10の故障時のセンサデータを格納するテーブルであり、図4に示されるように、発報日時、機種、機器番号、センサA、…、センサXの各フィールドから構成される。
発報日時は、故障発生が報告された日時を格納するフィールドである。機種は、故障した機器の種類を表す識別子を格納するフィールドである。機器番号は、故障した機器の番号を格納するフィールドである。センサA、…、センサXは、それぞれのセンサデータ値を格納するフィールドである。
保守履歴データテーブル310は、設備・機器10に関する保守情報を格納するテーブルであり、図5に示されるように、発報日時、機種、機器番号、故障原因部位から構成される。
発報日時は、故障発生が報告された日時を格納するフィールドである。機種は、故障した機器の種類を表す識別子を格納するフィールドである。機器番号は、故障した機器の番号を格納するフィールドである。故障原因部位は、保守時に、機器の故障の原因であると認定された部位を格納するフィールドである。
故障履歴データテーブル320は、故障時センサデータテーブル300の情報と保守履歴データテーブル310の情報をマージしたテーブルであり、図6に示されるように、発報日時、機種、機器番号、センサA、…、センサX、故障原因部位の各フィールドから構成される。
発報日時、機種、機器番号、センサA、…、センサXは、故障時センサデータテーブル300の発報日時、機種、機器番号、センサA、…、センサXに対応するフィールドである。故障原因部位は、保守履歴データテーブル310の故障原因部位に対応するフィールドである。
診断モデルテーブル330は、故障診断の学習モデルに関する情報を格納するテーブルであり、図7に示されるように、機種、診断モデル格納先の各フィールドから構成される。
機種は、故障診断の対象となる機種を格納するフィールドである。診断モデル格納先は、その機種に対応した学習モデルの記憶先を格納フィールドである。
レアケースデータテーブル340は、レアケース(まれにしかおこらないと認定される故障のケース、したがって、その故障に関するデータの蓄積は少ない)に関する情報を格納するテーブルであり、図8に示されるように、機種、故障原因部位、センサA、…、センサXの各フィールドから構成される。
機種は、レアケースの故障時の対象とされた機種を格納するフィールドである。故障原因部位は、レアケースの故障時にその機種に関する故障の原因であるとされた故障原因部位を格納するフィールドである。センサA、…、センサXは、レアケース時のそれぞれのセンサデータ値を格納するフィールドである。
モデル精度データテーブル350は、故障診断の診断精度に関する情報を格納するテーブルであり、図9に示されるように、機種、件数、発生頻度、適合率、再現率の各フィールドから構成される。件数、発生頻度、適合率、再現率は、その機種の部位ごとに繰り返し、記載される。
本実施形態の学習の診断精度としては、適合率と再現率を採用する。
適合率(precision)とは、システムの診断結果において、本当に正しかったものの割合であり、故障診断の正確性を示す指標となる。図13の表の記号を使うと、適合率は、tp/(tp+fp)で表される。再現率(recall)とは、診断結果として出てくるべきもののうち、実際に出てきたものの割合であり、故障診断の網羅性に関する指標となる。図13の表の記号を使うと、再現率は、tp/(tp+fn)で表される。
件数は、学習期間内、その機種に故障が発生した件数を格納するフィールドである。発生頻度(故障原因部位)は、一定期間内に、その機種のその故障原因部位(アーム、冷却部、プリント板など)に関して、故障が発生した頻度を格納するフィールドである。適合率(故障原因部位)は、その機種のその故障原因部位に関する適合率を格納するフィールドである。再現率(故障原因部位)は、その機種のその故障原因部位に関する再現率を格納するフィールドである。
機械学習診断結果テーブル360は、機械学習による故障診断の結果を格納するテーブルであり、図10に示されるように、発報日時、機器番号、センサA、…、センサX、推定部位i(i=1,…)、推定確率i(i=1,…)の各フィールドからなる。
発報日時は、故障発生が報告された日時を格納するフィールドである。機器番号は、故障した機器の番号を格納するフィールドである。センサA、…、センサXは、故障時のそれぞれのセンサデータ値を格納するフィールドである。推定部位iは、機械学習による故障診断の機器の部位を示す文字列を格納するフィールドである。推定確率iは、推定部位iの格納された部位に対する故障診断による推定確率を格納するフィールドである。
レアケース診断結果テーブル370は、レアケースに関する情報を格納するテーブルであり、図11に示されるように、発報日時、機器番号、センサA、…、センサX、一致率(部位)の一例を示す図である。発報日時は、レアケースでの故障発生が報告された日時を格納するフィールドである。機器番号は、レアケースでの故障した機器の番号を格納するフィールドである。センサA、…、センサXは、レアケースでの故障時のそれぞれのセンサデータ値を格納するフィールドである。一致率(部位)は、機器の部位(プリント板、床設置部、…、コネクタなど)のセンサデータ一致率を格納するフィールドである。センサデータ一致率とは、故障時のセンサデータが、過去に蓄積されているレアケースの故障原因部位のときのセンサデータとどの程度一致するかを示す指標(0〜1)であり、例えば、ある測定期間中にある範囲をとる時間がどの程度一致するか、異常値の出現回数が一致するなどを計算することにより、求めることができる。一致率(部位)が、1に近いほど、過去のレアケースの故障原因部位のセンサデータと一致して、その部位が故障原因に近いことを示している。
対象機毎発生頻度テーブル380は、一定期間(例えば、一年間)内に、部位ごとに故障がおこった頻度を格納するテーブルであり、図12に示されるように、機種、機器番号、部位(アーム、冷却部、…、プリント板など)の各フィールドからなる。ここで、例えば、年ごとの頻度は、過去の故障発生件数/統計年数で表される。
機種は、故障した機器の種類を表す識別子を格納するフィールドである。機器番号は、故障した機器の番号を格納するフィールドである。部位は、その部位が故障原因となった期間中における頻度を格納するフィールドである。
次に、図14ないし図16を用いて学習診断装置が実施する処理について説明する。
先ず、図14を用いて学習診断装置200の学習部210がおこなう学習処理について説明する。
先ず、学習部210は、学習のための診断期間を設定する(S100)。
次に、N(整数)を初期化するために、0を代入する(S101)。Nは、故障実績がレアケースであるか否かの判定のために使われるカウンタである。
次に、TOP5の正答率が、80%未満なら、S103〜S109の処理を繰り返す(S102〜S110)。TOP5というのは、例であり、TOP3、TOP10などと学習の目的に沿って、適当な正答率を見出すために変更してもよい。また、80%という基準も学習の目的に沿って、別の基準としてもよい。
先ず、Nを1インクリメントする(S103)。
次に、故障原因部位分、S105〜S107の処理を繰り返す(S104〜S108)。
その故障原因部位の故障実績が、N件以上か否かを判定し(S105)、故障原因部位の故障実績が、N件以上であるときには(S105:YES)、S106に進み、故障原因部位の故障実績が、N件以上でないときには(S105:NO)、S107に進む。
故障原因部位の故障実績が、N件以上であるときには、故障履歴データテーブル320から、学習対象の機種、発報日時、故障原因部位をキーに、故障データを表すレコードを取得する(S106)。
故障原因部位の故障実績が、N件以上でないときには、故障履歴データテーブル320から、学習対象の機種、発報日時、故障原因部位をキーに、故障データを表すレコードを取得し、内部データとして保持する(S107)。
次に、取得した故障原因部位で、学習/診断し、その推定確率のTOP5の正答率を評価する(S109)。
TOP5の正答率が、80%以上の正答率が得られたときには、学習した機種をキーに、診断モデルテーブル330に診断モデル格納先を追加し、その診断モデル格納先に、学習により作成した診断モデルを格納する(S111)。
S107で保持した内部データを、レアケースデータテーブル340に記録する(S112)。
機種毎に、故障原因部位毎の実績件数と診断モデルの診断精度(適合率、再現率)、機種毎の発生頻度をモデル精度データテーブル350に追加する(S113)。
次に、図15を用いて学習診断装置200の診断部220がおこなう診断処理について説明する。
先ず、故障履歴データテーブル320から、診断対象のレコードを選択する(S200)。
次に、診断モデルテーブル330の診断モデル格納先を参照し、機種をキーに診断モデルを取得する(S201)。
次に、診断モデルにより故障原因部位を推定し、推定確率と共に、機械学習診断結果テーブル360に格納する(S202)。
次に、機種をキーにレアケースデータテーブル340から、レアケースデータのレコードを取得する(S203)。
次に、各レコードのセンサデータ一致率を算出する(S204)。
次に、機種毎、故障原因部位毎に、センサデータ一致率の平均値を求め、その機種に属する機器番号のレアケース診断結果テーブル370のレコードの一致率(部位)のフィールドに格納する(S205)。
次に、機器番号をキーに、故障履歴テーブルから学習期間のレコードを取得し、各故障原因部位毎に、発生頻度(回/機・年)を算出し、対象機毎発生頻度テーブル380に格納する(S206)。
次に、図16を用いて学習診断装置200の表示部230がおこなう表示処理について説明する。
保守員から表示の要求された画面が、機械学習に基づく推定結果表示画面のときには(S300:機械学習に基づく推定結果表示画面)、機器番号と故障の発報日時をキーに、機械学習診断結果テーブル360からレコードを取得し、故障の推定部位と推定確率を表示する(S301)。
保守員から表示の要求された画面が、レアケースセンサ状態表示画面のときには(S302:レアケースセンサ状態表示画面)、機器番号と故障の発報日時をキーに、レアケース診断結果テーブル370からレコードを取得し、TOP5とWORST5の故障原因部位とその部位のセンサデータ一致率を表示する(S302)。
保守員から表示の要求された画面が、過去実績表示画面のときには(S303:過去実績表示画面)、機種をキーに、モデル精度データテーブル350からレコードを取得し、部位毎の実績件数と、診断精度(適合率、再現率)を表示する(S303)。
次に、機器番号をキーに、対象機毎発生頻度テーブル380のレコードを取得し、機器番号毎の発生頻度(回/機・年)を表示し、同じ機種の機械番号の発生頻度の和を取り、機種毎の発生頻度を求めて、発生頻度(回/機種・年)を表示する(S304)。
保守員から表示の要求された画面が、過去実績グラフ表示画面のときには(S303:過去実績グラフ表示画面)、機種をキーに、モデル精度データテーブル350からレコードを取得し、部位別の実績件数と、診断精度(適合率、再現率)をグラフ表示する(S305)。
なお、各表示のユーザインタフェースの具体例については、後に詳説する。
次に、図17ないし図20を用いて学習診断装置のユーザインタフェースについて説明する。
機械学習に基づく推定結果表示画面700は、学習診断の結果として、故障のおこった機器の各部位が故障とされる推定確率を表示する画面であり、図17に示されるように、故障情報表示欄701、推定確率表示欄702からなる。
故障情報表示欄701は、故障診断の対象とする故障情報を表示する欄である。推定確率表示欄702は、故障の発生した機器の各部位の故障の推定確率がグラフで表示する欄である。
保守員は、このグラフの表示に基づき、上位から故障の調査を実施することにより、調査時間を短縮することができる。
レアケースセンサ状態表示画面800は、今回の故障のセンサデータと、レアケースの場合のセンサデータの一致率を表示する画面であり、図18に示されるように、故障情報表示欄801、レアケースセンサ状態一致率TOP5表示欄802、レアケースセンサデータ一致率WORST5表示欄803からなる。
故障情報表示欄801は、故障診断の対象とする故障情報を表示する欄である。
レアケースセンサ状態一致率TOP5表示欄802は、今回の故障のセンサデータと、レアケースの場合の蓄積されたセンサデータ一致率が、TOP5にあたる故障原因部位に関して、そのセンサデータ一致率をグラフとして表示する欄である。
レアケースセンサ状態一致率WORST5表示欄803は、今回の故障のセンサデータと、レアケースの場合の蓄積されたセンサデータ一致率が、WORST5にあたる故障原因部位に関して、そのセンサデータ一致率をグラフとして表示する欄である。
レアケースとは、学習のために用いる過去実績が少なく、有意な診断のための学習モデルが得られないか、学習モデルを作成できない場合である。そのようなレアケースの場合においても、センサデータ一致率から見て、TOP5にあたる故障原因部位を調査することにより、比較的可能性の高い故障原因部位から調査することができるので、保守員は、故障箇所の調査の能率を向上させることができる。一方、センサデータ一致率から見て、WORST5にあたる故障原因部位は、レアケースの場合であり、かつ、センサデータ一致率が低い場合であるので、調査を要しないか、調査を一番後回しにすればよいことが分かる。したがって、不要な機器の部位を調査しなくてよくなるので、保守員は、故障箇所の調査の能率を向上させることができる。
過去実績表示画面900は、過去の故障診断の実績と診断精度に関する情報を表示する画面であり、図19に示されるように、故障情報表示欄901、過去実績表示欄902からなる。故障情報表示欄901は、故障診断の対象とする故障情報を表示する欄である。なお、ここでは、故障を発生した機器番号とその機種に関する情報が表示されている。過去実績表示欄902は、過去の学習した故障データに基づいた情報を表示する欄であり、機器の部位毎に、サンプル数、診断精度(適合率、再現率)、一定期間における機種毎の故障の発生頻度、一定期間における対象機毎の故障の発生頻度が表示される。
この過去実績表示画面900により、保守員は、機器の部位毎のサンプル数、診断精度(適合率、再現率)と、機種毎、対象機毎の故障の発生頻度を確認することができる。
過去実績グラフ表示画面1000は、図20に示されるように、過去の故障診断の実績と診断精度に関する情報をグラフ形式で表示する画面であり、図20に示されるように、故障情報表示欄1001、過去実績グラフ表示欄1002からなる。故障情報表示欄1001は、故障診断の対象とする故障情報を表示する欄である。過去実績グラフ表示欄1002は、過去の学習した故障データに基づいた情報をグラフ表示する欄であり、機器の部位毎に、サンプル数が棒グラフで、診断精度(適合率、再現率)が折れ線グラフで表示される。
この過去実績グラフ表示画面1000により、保守員は、機器の部位毎サンプル数と診断精度(適合率、再現率)をグラフ形式で確認することができる。
なお、本実施形態では、学習診断装置200の故障診断の画面を、図17の機械学習に基づく推定結果表示画面、図18に示すレアケースセンサ状態情報表示画面、図19に示す過去実績表示画面、図20に示す過去実績グラフ表示画面のように、四画面で表示したが、保守員に見やすくするため、一つの故障診断画面として、表示される情報をまとめた画面で表示してもよい。
以上、本実施形態によれば、保守員は、機械学習に基づく推定結果表示画面600に表示された情報に基づいて、調査することにより、過去の蓄積されたデータに基づいた学習によって推定された確率の高い機器から順に調査できるため調査時間を短縮することができる。
また、保守員は、レアケースセンサ状態表示画面700に表示された情報に基づいて、調査することにより、機械学習の結果で調査原因がわからない、あるいは、機械学習の診断精度が悪い場合に、故障頻度の低い機器の中で調査する必要性の低い機器と高い機器に切り分けることができ、調査時間を短縮することができる。
また、保守員は、過去実績表示画面800と過去実績グラフ表示画面900に表示される情報により、現状のデータレベルと診断精度が俯瞰できるため、作業員が診断精度を考慮した上で調査優先度を決定できる。例えば、機械学習に基づく推定結果表示画面600の推定確率が高いものであっても、診断精度が悪いときには、レアケースの故障原因部位の調査を優先するなどの対応をとることができる。
さらに、学習数と診断精度が比例していることが俯瞰できるため、より学習データを追加することで作業員の調査負荷が軽減できることが予想でき、作業員が故障調査実績の入力に積極的になるような意識を醸成することができる。
5…センサ、10…設備・機器、100…機器情報管理装置、200…学習診断装置、400…センサデータ管理装置、
110…センサデータ入出力部、120…保守履歴管理部、130…保守履歴入出力部、140…センサデータ・保守履歴マージ部、150…故障履歴データ出力部、160…記憶部、
210…学習部、220…診断部、230…表示部、240…故障履歴データ入力部、250…記憶部、
300…故障時センサデータテーブル、310…保守履歴データテーブル、320…故障履歴データテーブル、330…診断モデルテーブル、340…レアケースデータテーブル、350…モデル精度データテーブル、360…機械学習診断結果テーブル、370…レアケース診断結果テーブル、380…対象機毎発生頻度テーブル

Claims (8)

  1. 機器を計測したセンサの出力するセンサデータに基づいて、故障診断をおこなう機器故障診断支援システムであって、
    学習診断装置を備え、
    前記学習診断装置は、故障の発生した機器とセンサデータとその機器の故障原因部位を格納した故障履歴テーブルと、
    レアケースの場合に、機種毎、部位毎にセンサデータを格納したレアケースデータテーブルと、を保持し、
    前記学習診断装置は、
    過去データから学習して診断モデルを作成する学習部と、
    前記学習部により作成された診断モデルに基づいて、故障診断をおこなう診断部と、
    前記診断部の診断結果を表示する表示部と、を有し、
    前記学習部は、
    前記故障履歴テーブルに格納されたデータから学習して診断モデルを作成し、
    前記故障履歴テーブルから、その機器の故障原因部位として、一定の件数に満たない場合に、前記レアケースデータテーブルに、その機器の機種と故障原因部位とセンサデータを格納し、
    前記診断部は、
    前記学習部により作成された診断モデルに基づいて、故障の発生した機器の部位毎に、故障原因となる推定確率を算出し、
    前記レアケースデータテーブルに基づいて、故障の発生した機器のセンサデータと、その機器の機種の過去のセンサデータのセンサデータ一致率を算出し、
    前記表示部は、
    前記診断部により診断された故障の発生した機器の故障原因部位と、その推定確率を表示し、
    算出された故障の発生した機器の部位毎のセンサデータ一致率を表示することを特徴とする機器故障診断支援システム。
  2. 前記センサデータ一致率の表示は、上位n(nは整数)位、下位m(mは整数)位を表示することを特徴とする請求項1記載の機器故障診断支援システム。
  3. 機器を計測したセンサの出力するセンサデータに基づいて、故障診断をおこなう機器故障診断支援システムであって、
    学習診断装置を備え、
    前記学習診断装置は、故障の発生した機器とセンサデータとその機器の故障原因部位を格納した故障履歴テーブルと、
    機種毎、部位毎に、故障発生件数と、診断精度を格納したモデル精度データテーブルとを保持し、
    前記学習診断装置は、
    過去データから学習して診断モデルを作成する学習部と、
    前記学習部により作成された診断モデルに基づいて、故障診断をおこなう診断部と、
    前記診断部の診断結果を表示する表示部とを有し、
    前記学習部は、
    前記故障履歴テーブルに格納されたデータから学習して診断モデルを作成し、
    前記故障の発生した機器の部位毎に、故障発生件数と故障原因となる場合の診断精度を算出し、前記モデル精度データテーブルに格納し、
    前記診断部は、
    前記学習部により作成された診断モデルに基づいて、故障の発生した機器の部位毎に、故障原因となる推定確率を算出し、
    前記表示部は、
    前記診断部により診断された故障の発生した機器の故障原因部位と、その推定確率を表示し、
    前記モデル精度データテーブルを参照し、故障の発生した機器の機種の部位毎に、故障発生件数と故障原因となる場合の診断精度を表示することを特徴とする機器故障診断支援システム。
  4. 前記診断精度は、適合率と再現率であることを特徴とする請求項3記載の機器故障診断支援システム。
  5. 前記故障発生件数と故障原因となる場合の診断精度は、数値表示されることを特徴とする請求項3記載の機器故障診断支援システム。
  6. 前記故障発生件数と故障原因となる場合の診断精度は、グラフ表示されることを特徴とする請求項3記載の機器故障診断支援システム。
  7. 前記故障の発生した機器の部位毎に、一定期間における機種毎の故障の発生頻度と、前記故障の発生した機器毎の故障の発生頻度を表示することを特徴とする請求項3記載の機器故障診断支援システム。
  8. 機器を計測したセンサの出力するセンサデータに基づいて、故障診断をおこなう機器故障診断支援方法であって、
    学習診断装置は、故障の発生した機器とセンサデータとその機器の故障原因部位を格納した故障履歴テーブルと、
    レアケースの場合に、機種毎、部位毎にセンサデータを格納したレアケースデータテーブルと、
    機種毎、部位毎に、故障発生件数と、診断精度を格納したモデル精度データテーブルとを保持し、
    学習診断装置が、前記故障履歴テーブルに格納されたデータから学習して診断モデルを作成するステップと、
    学習診断装置が、前記故障の発生した機器の部位毎に、故障発生件数と故障原因となる場合の診断精度を算出し、前記モデル精度データテーブルに格納するステップと、
    学習診断装置が、作成された診断モデルに基づいて、故障の発生した機器の部位毎に、故障原因となる推定確率を算出するステップと、
    学習診断装置が、前記故障履歴テーブルから、その機器の故障原因部位として、一定の件数に満たない場合に、前記レアケースデータテーブルに、その機器の機種と故障原因部位とセンサデータを格納するステップと、
    学習診断装置が、前記レアケースデータテーブルに基づいて、故障の発生した機器のセンサデータと、その機器の機種の過去のセンサデータのセンサデータ一致率を算出するステップと、
    学習診断装置が、診断された故障の発生した機器の故障原因部位と、その推定確率を表示するステップと、
    学習診断装置が、算出された故障の発生した機器の部位毎のセンサデータ一致率を表示するステップと、
    学習診断装置が、前記モデル精度データテーブルを参照し、故障の発生した機器の機種の部位毎に、故障発生件数と故障原因となる場合の診断精度を表示するステップとを有することを特徴とする機器故障診断支援方法。
JP2018196911A 2018-10-18 2018-10-18 機器故障診断支援システムおよび機器故障診断支援方法 Active JP7221644B2 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2018196911A JP7221644B2 (ja) 2018-10-18 2018-10-18 機器故障診断支援システムおよび機器故障診断支援方法
PCT/JP2018/047455 WO2020079860A1 (ja) 2018-10-18 2018-12-25 機器故障診断支援システムおよび機器故障診断支援方法
CN201880098506.7A CN112805728A (zh) 2018-10-18 2018-12-25 机器故障诊断辅助系统以及机器故障诊断辅助方法
US17/276,207 US20220035356A1 (en) 2018-10-18 2018-12-25 Equipment failure diagnosis support system and equipment failure diagnosis support method
EP18937354.1A EP3869424A4 (en) 2018-10-18 2018-12-25 EQUIPMENT FAULT DIAGNOSTIC ASSISTANCE SYSTEM AND EQUIPMENT FAULT DIAGNOSTIC ASSISTANCE PROCEDURE

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018196911A JP7221644B2 (ja) 2018-10-18 2018-10-18 機器故障診断支援システムおよび機器故障診断支援方法

Publications (3)

Publication Number Publication Date
JP2020064515A true JP2020064515A (ja) 2020-04-23
JP2020064515A5 JP2020064515A5 (ja) 2021-04-22
JP7221644B2 JP7221644B2 (ja) 2023-02-14

Family

ID=70282967

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018196911A Active JP7221644B2 (ja) 2018-10-18 2018-10-18 機器故障診断支援システムおよび機器故障診断支援方法

Country Status (5)

Country Link
US (1) US20220035356A1 (ja)
EP (1) EP3869424A4 (ja)
JP (1) JP7221644B2 (ja)
CN (1) CN112805728A (ja)
WO (1) WO2020079860A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111597634A (zh) * 2020-05-12 2020-08-28 中车青岛四方机车车辆股份有限公司 一种确定动车组性能参数的方法及装置
KR102595075B1 (ko) * 2023-04-25 2023-10-27 주식회사 인벤션랩 설비에 대한 진단정보를 관리하는 방법 및 시스템

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220058497A1 (en) * 2020-08-21 2022-02-24 Siemens Industry, Inc. Systems and methods for fault diagnostics in building automation systems
CN113705096A (zh) * 2021-08-27 2021-11-26 北京博华信智科技股份有限公司 基于小样本深度学习的一类冲击故障诊断
CN116434685B (zh) * 2023-04-27 2023-12-08 江苏锦花电子股份有限公司 一种基于大数据的液晶屏异常显示监管系统及方法
CN116739355B (zh) * 2023-08-15 2023-11-14 义乌新型智慧城市运营有限公司 城市运行风险预警的分析方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009193486A (ja) * 2008-02-18 2009-08-27 Fuji Xerox Co Ltd 故障診断装置およびプログラム
JP2009206850A (ja) * 2008-02-28 2009-09-10 Fuji Xerox Co Ltd 故障診断装置およびプログラム
US20160378584A1 (en) * 2015-06-29 2016-12-29 Ricoh Company, Ltd. Information processing system and failure diagnosis method
JP2017017611A (ja) * 2015-07-03 2017-01-19 株式会社リコー 情報処理システム、故障原因診断方法及びプログラム
JP2018074757A (ja) * 2016-10-28 2018-05-10 株式会社東芝 巡視点検システム、情報処理装置、巡視点検制御プログラム

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9565275B2 (en) * 2012-02-09 2017-02-07 Rockwell Automation Technologies, Inc. Transformation of industrial data into useful cloud information
JP4710720B2 (ja) * 2006-06-02 2011-06-29 富士ゼロックス株式会社 故障予防診断支援システム及び故障予防診断支援方法
US8200600B2 (en) * 2007-03-20 2012-06-12 Irobot Corporation Electronic system condition monitoring and prognostics
JP2008256981A (ja) * 2007-04-05 2008-10-23 Fuji Xerox Co Ltd 故障診断システム
JP5301310B2 (ja) * 2009-02-17 2013-09-25 株式会社日立製作所 異常検知方法及び異常検知システム
JP5439265B2 (ja) * 2010-04-20 2014-03-12 株式会社日立製作所 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
US9143563B2 (en) * 2011-11-11 2015-09-22 Rockwell Automation Technologies, Inc. Integrated and scalable architecture for accessing and delivering data
CN103135518B (zh) * 2011-12-02 2019-11-12 费希尔控制国际公司 程序流控制监控例程、与之相关的方法以及系统
JP2014133378A (ja) * 2013-01-11 2014-07-24 Nissei Plastics Ind Co 射出成形機のトラブルシューティング方法
US9558220B2 (en) * 2013-03-04 2017-01-31 Fisher-Rosemount Systems, Inc. Big data in process control systems
US10671028B2 (en) * 2013-03-15 2020-06-02 Fisher-Rosemount Systems, Inc. Method and apparatus for managing a work flow in a process plant
US20150378805A1 (en) * 2013-11-29 2015-12-31 Hitachi, Ltd. Management system and method for supporting analysis of event root cause
CN104008183A (zh) * 2014-06-10 2014-08-27 徐州重型机械有限公司 一种车辆故障代码显示方法及装置
US9465387B2 (en) * 2015-01-09 2016-10-11 Hitachi Power Solutions Co., Ltd. Anomaly diagnosis system and anomaly diagnosis method
US10021064B2 (en) * 2015-05-14 2018-07-10 Honeywell International Inc. Apparatus and method for translating industrial process control and automation system events into mobile notifications
US11347191B2 (en) * 2015-07-29 2022-05-31 Illinois Tool Works Inc. System and method to facilitate welding software as a service
US20170284896A1 (en) * 2016-03-31 2017-10-05 General Electric Company System and method for unsupervised anomaly detection on industrial time-series data
JP2018025928A (ja) 2016-08-09 2018-02-15 日立建機株式会社 作業機械の故障診断装置
SG10201610116PA (en) * 2016-11-03 2018-06-28 Avanseus Holdings Pte Ltd Method and system for machine failure prediction
US10402688B2 (en) * 2016-12-07 2019-09-03 Kla-Tencor Corporation Data augmentation for convolutional neural network-based defect inspection
JP2019016209A (ja) * 2017-07-07 2019-01-31 株式会社東芝 診断装置、診断方法およびコンピュータプログラム
US10604814B2 (en) * 2017-09-27 2020-03-31 International Business Machines Coporation Manufacturing process control with deep learning-based predictive model for hot metal temperature of blast furnace

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009193486A (ja) * 2008-02-18 2009-08-27 Fuji Xerox Co Ltd 故障診断装置およびプログラム
JP2009206850A (ja) * 2008-02-28 2009-09-10 Fuji Xerox Co Ltd 故障診断装置およびプログラム
US20160378584A1 (en) * 2015-06-29 2016-12-29 Ricoh Company, Ltd. Information processing system and failure diagnosis method
JP2017017611A (ja) * 2015-07-03 2017-01-19 株式会社リコー 情報処理システム、故障原因診断方法及びプログラム
JP2018074757A (ja) * 2016-10-28 2018-05-10 株式会社東芝 巡視点検システム、情報処理装置、巡視点検制御プログラム

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111597634A (zh) * 2020-05-12 2020-08-28 中车青岛四方机车车辆股份有限公司 一种确定动车组性能参数的方法及装置
CN111597634B (zh) * 2020-05-12 2023-10-10 中车青岛四方机车车辆股份有限公司 一种确定动车组性能参数的方法及装置
KR102595075B1 (ko) * 2023-04-25 2023-10-27 주식회사 인벤션랩 설비에 대한 진단정보를 관리하는 방법 및 시스템

Also Published As

Publication number Publication date
JP7221644B2 (ja) 2023-02-14
US20220035356A1 (en) 2022-02-03
CN112805728A (zh) 2021-05-14
EP3869424A4 (en) 2022-07-13
WO2020079860A1 (ja) 2020-04-23
EP3869424A1 (en) 2021-08-25

Similar Documents

Publication Publication Date Title
WO2020079860A1 (ja) 機器故障診断支援システムおよび機器故障診断支援方法
US9697722B2 (en) Methods, systems, and devices for managing a plurality of alarms
CN110825578A (zh) 用以自动管理发生于数据中心系统的硬件错误事件的方法
JP4541364B2 (ja) 意味のある変動を明らかにする自動監視及び動的プロセスメトリクスの統計分析
TW201823896A (zh) 診斷裝置、診斷方法及程式
JP6781594B2 (ja) プラント監視装置及びプラント監視方法
CN107302469B (zh) 分布式服务集群系统数据更新的监控装置及方法
KR20070064259A (ko) 프로세스 이상 분석 장치 및 프로그램
JP5621967B2 (ja) 異常データ分析システム
JP6767203B2 (ja) 保守支援装置、保守支援方法およびコンピュータプログラム
JP6880560B2 (ja) 故障予測装置、故障予測方法及び故障予測プログラム
CN115409283A (zh) 设备故障预测方法、设备故障预测装置、设备及存储介质
JP2009020717A (ja) 状態監視方法及び状態監視装置並びにプログラム
JP2010015246A (ja) 故障情報分析管理システム
JP7026012B2 (ja) 機器状態監視システム及び機器状態監視方法
WO2016163008A1 (ja) 異常診断装置および異常診断方法
CN112416896A (zh) 数据异常的报警方法和装置、存储介质、电子装置
JP2005071200A (ja) 製造情報管理プログラム
JP7333281B2 (ja) 設計支援システム
JP6177022B2 (ja) 情報処理装置及び情報処理方法及びプログラム
CN110399412B (zh) 测量数据系统及其监控方法
JP2017076165A (ja) 機器監視装置およびアラート情報管理方法
JPH0972596A (ja) 空調システム診断方法
JP2017076164A (ja) 機器監視装置およびアラート情報管理方法
JP6388487B2 (ja) 保全評価システム

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210308

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210930

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20221108

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20221212

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230124

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230202

R150 Certificate of patent or registration of utility model

Ref document number: 7221644

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150