JP2020170357A - Predictive maintenance facility, predictive maintenance method and predictive maintenance program - Google Patents
Predictive maintenance facility, predictive maintenance method and predictive maintenance program Download PDFInfo
- Publication number
- JP2020170357A JP2020170357A JP2019071550A JP2019071550A JP2020170357A JP 2020170357 A JP2020170357 A JP 2020170357A JP 2019071550 A JP2019071550 A JP 2019071550A JP 2019071550 A JP2019071550 A JP 2019071550A JP 2020170357 A JP2020170357 A JP 2020170357A
- Authority
- JP
- Japan
- Prior art keywords
- machine tool
- equipment
- tool equipment
- state
- parameter
- 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
Links
Images
Landscapes
- Machine Tool Sensing Apparatuses (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
本発明は、予兆保全設備、予兆保全方法及び予兆保全プログラムに関し、例えば、工作機械設備が工作する工作物の不良の予兆を診断し、工作機械設備を正常な状態に保持する管理装置に使用される。 The present invention relates to a predictive maintenance facility, a predictive maintenance method, and a predictive maintenance program, and is used, for example, as a management device for diagnosing a sign of a defect in a workpiece machined by a machine tool and maintaining the machine tool in a normal state. To.
ネットワークを介してユーザ製造ラインのメンテナンスを行うメンテナンス装置を有する製造装置オンラインメンテナンスシステムが知られている。例えば、特許文献1では、緊急情報メールを受信すると製造装置から緊急情報メールに関連する稼働データを取得し、診断して異常を確認すると異常の修復が可能かどうかを判断し、自動修復が可能である場合、修復のための情報を製造装置に送信する診断装置の技術が開示されている。
A manufacturing device online maintenance system having a maintenance device for performing maintenance of a user manufacturing line via a network is known. For example, in
特許文献1の製造装置オンラインメンテナンスシステムは、製造装置の異常を確認してから異常の修復が可能か否か判断するので、全ての異常に対して修復することができない。また、特許文献1の技術では、製造設備の全体を対象に異常を確認するので、工作物を作製する部分的な設備異常に対応していない。
Since the manufacturing equipment online maintenance system of
本発明は、前記の課題を解決するための発明であって、工作物の異常を発生することなく機械設備の状態を正常な状態に保持させることができる管理装置、管理方法及び管理プログラムを提供することを目的とする。 The present invention is an invention for solving the above-mentioned problems, and provides a management device, a management method, and a management program capable of maintaining a state of machinery and equipment in a normal state without causing an abnormality in a workpiece. The purpose is to do.
前記課題を解決するために、本発明は、第1機械設備(200)の状態を診断し、該第1機械設備の出力状態(工作物)を正常に保持する管理装置(100)であって、前記第1機械設備に配設した複数のセンサ(110,115)の情報をセンサ時系列情報として取得すると共に、前記第1機械設備を運転するための各種のパラメータ設定値を出力する接続部(40)と、前記センサ時系列情報を学習情報とした統計的手法により、前記第1機械設備の正常状態からの乖離度(d)を算出すると共に、該乖離度が第1閾値を超えたときに異常予兆有と診断する状態測度算出部(2)と、前記状態測度算出部が異常予兆有と診断したときに、前記第1機械設備のどの部位(特定部位)に異常予兆が発生しているのかを特定すると共に、特定された部位に関係するパラメータを特定する要因特定部(3)と、前記要因特定部により特定された部位に関係するパラメータの設定値(パラメータ設定値24)を算出する設定値算出部(4)とを備え、前記状態測度算出部は、前記第1機械設備が1工程を開始してから該1工程が終了する期間において、前記1工程を開始してから所定の時間経過後、又は前記1工程での所定段階が終了したときに、前記乖離度を算出し、前記設定値算出部は、前記特定された部位に関係するパラメータ設定値を算出し、前記1工程が開始してから所定の時間経過後、又は次工程の所定段階前に前記接続部を介して、前記第1機械設備に前記パラメータ設定値を出力することを特徴とする。なお、括弧内の符号や文字は、実施形態において付した符号等であって、本発明を限定するものではない。 In order to solve the above problems, the present invention is a management device (100) that diagnoses the state of the first machine / equipment (200) and normally maintains the output state (workpiece) of the first machine / equipment. , A connection unit that acquires information of a plurality of sensors (110, 115) arranged in the first machine / equipment as sensor time-series information and outputs various parameter setting values for operating the first machine / equipment. (40) and the statistical method using the sensor time-series information as learning information, the degree of deviation (d) from the normal state of the first machine and equipment was calculated, and the degree of deviation exceeded the first threshold. When the state measurement calculation unit (2) that sometimes diagnoses as having an abnormality sign and the state measurement calculation unit diagnoses that there is an abnormality sign, an abnormality sign occurs in any part (specific part) of the first mechanical equipment. The factor specifying part (3) that specifies the parameter related to the specified part and the setting value (parameter setting value 24) of the parameter related to the part specified by the factor specifying part are specified. A set value calculation unit (4) for calculating is provided, and the state measurement calculation unit starts the first process in a period after the first machine equipment starts the first process and then ends the first process. After a predetermined time has elapsed, or when the predetermined step in the one step is completed, the degree of deviation is calculated, and the set value calculation unit calculates the parameter set value related to the specified portion, and the above. It is characterized in that the parameter set value is output to the first machine / equipment via the connection portion after a predetermined time has elapsed from the start of one step or before a predetermined step of the next step. The symbols and characters in parentheses are the symbols and the like attached in the embodiments, and do not limit the present invention.
本発明によれば、工作物の異常を発生することなく機械設備の状態を正常な状態に保持させることができる。 According to the present invention, the state of the mechanical equipment can be maintained in a normal state without causing an abnormality in the workpiece.
以下、図面を参照して、本発明の実施の形態(以下、「本実施形態」と称する)につき詳細に説明する。なお、各図は、本発明を十分に理解できる程度に、概略的に示してあるに過ぎない。また、各図において、共通する構成要素や同様な構成要素については、同一の符号を付し、それらの重複する説明を省略する。 Hereinafter, embodiments of the present invention (hereinafter referred to as “the present embodiment”) will be described in detail with reference to the drawings. In addition, each figure is only shown schematicly to the extent that the present invention can be fully understood. Further, in each figure, common components and similar components are designated by the same reference numerals, and duplicate description thereof will be omitted.
(第1実施形態)
図1は、本発明の第1実施形態である機械設備管理システムの全体構成図である。
機械設備管理システム1000は、予兆保全設備としての管理装置100と、第1機械設備としての工作機械設備200とが通信可能に接続されている。
工作機械設備200は、1ワークで1つの工作物の作製(工作)を、複数回繰り返し実行する機械設備である。工作機械設備200は、複数のセンサやアクチュエータ等(図3参照)と、制御装置150とを備える。工作機械設備200は、複数のセンサの時系列情報を管理装置100に送信し、管理装置100から受信するパラメータ設定値に従って、アクチュエータを駆動する。
(First Embodiment)
FIG. 1 is an overall configuration diagram of a mechanical equipment management system according to a first embodiment of the present invention.
In the machine
The
図2は、工作機械設備の乖離度の変化を示す図である。横軸は、I工作工程での時間である。なお、1つの工作物を作製する1工程は、複数段階の作業工程から成り立っている。また、次工程以降については、第2実施形態として説明する。 FIG. 2 is a diagram showing changes in the degree of dissociation of machine tool equipment. The horizontal axis is the time in the I work process. One step of producing one workpiece consists of a plurality of steps of work steps. Further, the following steps will be described as the second embodiment.
工作機械設備200(図1)は、複数段階の実行に伴い、乖離度が時間的に変動する。そして、乖離度が第1閾値を超えた場合に、管理装置100は、異常予兆有りと判定したときに、工作機械200が工作に使用するパラメータを1工程内(例えば、I工程の最終段階終了後)で修正する。
In the machine tool equipment 200 (FIG. 1), the degree of dissociation fluctuates with time as a plurality of stages are executed. Then, when the degree of deviation exceeds the first threshold value, when the
図3は、工作工程の一例を示す図である。
具体的に、工作機械設備200の工作工程として、固定された被部材160の表面に対して、移動可能なカッター140で切込みを入れる工程について説明する。
Zステージ120は、カッター140を上下に移動させるアクチュエータである。XYステージ125は、カッター140及びZステージ120をX−Y方向に移動させるアクチュエータであるが、ここでは、X方向に移動させるものとする。測長センサ110は、カッター140のZ方向の変位を測定するレーザ測長センサである。温度センサ115は、カッター140の近傍に設置されており、カッター140の温度を計測する。なお、測長センサ110以外に、カッター140のXY方向の位置を計測する他のレーザ測長センサ(図示せず)も設けられている。ファン130は、カッター140等に冷却風を吹き付けるものであり、風量に応じて、カッター140の温度を低下させる。なお、切削であれば、ファン130の流量を変えることなく、切削油の流量を変えても構わない。
FIG. 3 is a diagram showing an example of a work process.
Specifically, as a machining process of the
The
工作機械設備200は、カッター140で被部材160の表面に切込みを入れるために、Zステージ120がカッター140を切込位置161まで下方に下げ、XYステージ125がカッター140及びZステージ120をX方向に移動させる。ここで、Zステージ120の目標位置Zや、XYステージ125の目標位置X,Y等を制御装置150が制御するための「パラメータ」と称する。なお、カッター140の切込みを多数回繰り返すと、切込み位置が切込位置161から切込位置162(A位置)までズレるものとする。また、切込位置161と切込位置162との距離をΔLとする。
In the
管理装置100は、例えば、特許第5827426号等に記載の予兆診断方法を使用して、所属クラスタの異常測度(乖離度)を演算し、設備の異常予兆診断を行う。具体的には、管理装置100は、測長センサ110の時系列情報(正規化値)と正常状態の値との差(異常測度特徴成分91(図4))と、温度センサ115の時系列情報(正規化値)と正常状態の値との差(異常測度特徴成分92(図4))とのベクトル和の大きさ(距離d(図4))である乖離度(異常測度)が第1閾値(図2)を超えたとき、工作機械設備200の異常予兆有りと判定する。なお、正規化は、距離dを、所属クラスタの広がりを示す半径で除して行われる。また、センサの検出値及び経過時間を代表値(平均値、標準偏差等)で除算するなどして無次元量化しても構わない。
The
管理装置100は、異常予兆有りと判定したとき、測長センサ110による異常測度特徴成分91と温度センサ115による異常測度特徴成分92との何れか大きい方を特定する。管理装置100は、特定した異常測度特徴成分に関係する パラメータを特定し、特定したパラメータの設定値を出力する。
When the
管理装置100は、異常予兆有りと判定した場合、例えば、測長センサ110による異常測度の方が温度センサ115による異常測度よりも大きいとき、パラメータとしてZステージ120の位置を特定し、パラメータ設定値をΔLだけ戻した値に設定する。これにより、カッター140の位置は、A位置の高さからB位置の高さまで戻る。
When the
一方、管理装置100は、温度センサ115による異常測度の方が測長センサ110による異常測度よりも大きいとき、パラメータとしてファン130の風量を特定し、風量を増加したパラメータ設定値を出力する。つまり、カッター140のZ方向の位置ズレの原因が、カッター140の加熱等だとしたとき、ファン130の風量を増加し、カッター140を冷却する。
On the other hand, when the abnormality measure by the
図1の説明に戻り、管理装置100は、制御部10と記憶部20と接続部40とを備え、工作物を作成する工作機械設備200に発生する異常予兆を捉え、パラメータ設定値を修正する機能を有する。接続部40は、複数のセンサ(測長センサ110、温度センサ115等)の情報を各工程中に複数回取得すると共に、工作機械設備200を運転するための各種のパラメータ設定値を出力するものである。制御部10は、CPU(Central Processing Unit)であり、プログラムを実行することにより、状態測度算出部1と、要因特定部3と、設定値算出部4としての機能を実現する。
Returning to the description of FIG. 1, the
状態測度算出部1は、乖離度算出部2を備える。乖離度算出部2は、工作機械設備200の正常状態からの乖離度(距離d(図4))を算出し、算出された乖離度が第1閾値(図2)を超えたときに異常予兆有と判定する。
The state
図4は、乖離度を演算するためのクラスタを説明する説明図である。横軸は、特徴αであり、本実施形態では、カッター140の位置を示す測長センサ110の値を正規化したものである。縦軸は、特徴βであり、本実施形態では、温度センサ115の値を正規化したものである。ここで、なお、他のセンサ、例えば、XYステージ125の位置を示す測長センサ等の軸があれば、多次元で表現される。また、本実施形態では、診断対象である機械設備が正常に稼働している間にセンサで測定することで得られた時系列データ(以下、「正常データ」という)を用いる。
FIG. 4 is an explanatory diagram illustrating a cluster for calculating the degree of dissociation. The horizontal axis is the feature α, and in the present embodiment, the value of the
工作機械設備200は、所定の運転プロセスを繰り返すため、各工程において、センサの時系列データが略同一になる。したがって、工作機械設備200が正常であれば、特徴ベクトルが密集することが多い。
Since the
ベクトル量子化法においては、正常データを学習データとして予めクラスタリングをしておき、診断対象となる現在の時系列データ(以下、「診断データ」ともいう)と、当該診断データが所属するクラスタの代表値(例えば、重心)との距離に基づいて乖離度を算出するものである。ベクトル量子化法によれば、予め生成したクラスタを用いることで、高速に、また安定した精度で乖離度を算出することができる。 In the vector quantization method, normal data is used as training data for clustering in advance, and the current time-series data to be diagnosed (hereinafter, also referred to as “diagnosis data”) and the representative of the cluster to which the diagnosis data belongs. The degree of deviation is calculated based on the distance from the value (for example, the center of gravity). According to the vector quantization method, the degree of dissociation can be calculated at high speed and with stable accuracy by using a cluster generated in advance.
クラスタリングの方法としては、例えば、k平均法を用いることができる。また、診断データ(測長センサ110の値、温度センサ115の値)が所属するクラスタの判定には、例えば、k−NN法を用いることができる。
図4に示すように、学習データが、クラスタA(黒丸「●」で示した学習データをメンバXAとするクラスタ)とクラスタB(黒四角「■」で示した学習データをメンバXBとするクラスタ)とにクラスタリングされているとする。k−NN法によれば、破線の円で示したように、まず、診断データqの最近傍のk個(この例では5個)のメンバXA,XBを抽出する。そして、各クラスタについて抽出されたメンバ数を計数して、抽出されたメンバ数の最も多いクラスタが、診断データqの所属クラスタであると判定する。この例では、クラスタBの所属するメンバXBが3個と最も多く抽出されたため、診断データqの所属クラスタはクラスタBと判定される。
As a clustering method, for example, the k-means method can be used. Further, for example, the k-NN method can be used to determine the cluster to which the diagnostic data (value of the
As shown in FIG. 4, the training data are cluster A (cluster in which the training data indicated by black circles “●” is member X A ) and cluster B (training data indicated by black square “■” is member X B ). It is assumed that it is clustered with the cluster). According to the k-NN method, as shown by the broken line circle, first, k (5 in this example) members X A and X B closest to the diagnostic data q are extracted. Then, the number of extracted members is counted for each cluster, and it is determined that the cluster with the largest number of extracted members belongs to the diagnostic data q. In this example, since the member X B to which the cluster B belongs is extracted as many as three, the cluster to which the diagnostic data q belongs is determined to be the cluster B.
次に、乖離度算出部2は、所属クラスタであるクラスタBの代表値c(例えば、所属メンバの重心を用いることができる)から診断データqまでのベクトルの大きさ(距離d)を時系列情報毎に演算し、演算結果を工作機械設備200の正常状態からの乖離の大きさを示す乖離度とする。
なお、乖離度は、診断データqと所属クラスタの代表値cとの距離dをそのまま用いてもよいが、正規化することが好ましい。ここで正規化は、距離dを、所属クラスタの広がりを示す半径で除することで行うことができる。クラスタの半径は、特に限定されるものではないが、例えば、代表値cから各メンバまでの距離の平均値、代表値cから最遠に位置するメンバまでの距離、メンバの標準偏差又は標準偏差を定数倍したもの、などを用いることができる。
Next, the divergence
As for the degree of dissociation, the distance d between the diagnostic data q and the representative value c of the cluster to which it belongs may be used as it is, but it is preferable to normalize it. Here, normalization can be performed by dividing the distance d by a radius indicating the extent of the cluster to which it belongs. The radius of the cluster is not particularly limited, but is, for example, the average value of the distances from the representative value c to each member, the distance from the representative value c to the farthest member, and the standard deviation or standard deviation of the members. Can be used, such as a constant multiple of.
ところで、クラスタBの代表値cから診断データqまで進むベクトル(特徴ベクトル)は、特徴α(位置)の成分と、特徴β(温度)との成分に分解することができる。以下、特徴α(位置)の成分や特徴β(温度)等の成分を異常測度特徴成分と称する。また、図4においては、特徴α(位置)の成分の方が特徴β(温度)との成分よりも大きい。このことを利用して作成された要因特定テーブル30(図5)を用いて、管理装置100は、パラメータとしてZステージ120の位置を特定する。逆に、特徴β(温度)の成分の方が特徴α(位置)の成分よりも大きいとき、管理装置100は、パラメータとしてファン130の風量を特定する。
By the way, the vector (feature vector) that advances from the representative value c of the cluster B to the diagnostic data q can be decomposed into a component of the feature α (position) and a component of the feature β (temperature). Hereinafter, components such as feature α (position) and feature β (temperature) will be referred to as anomalous measure feature components. Further, in FIG. 4, the component of the feature α (position) is larger than the component of the feature β (temperature). Using the factor identification table 30 (FIG. 5) created by utilizing this, the
なお、診断データqの所属クラスタの判定は、k−NN法に限定されるものではない。
例えば、診断データqと各クラスタの代表値cとの距離が最も近いクラスタを所属クラスタであると判定することもできる。クラスタは、正常データの数が増加するにつれて、半径が大きくなるものであるが、所定の大きさまで大きくなったクラスタを分割して、小さくすることもできる。
The determination of the cluster to which the diagnostic data q belongs is not limited to the k-NN method.
For example, the cluster in which the distance between the diagnostic data q and the representative value c of each cluster is the shortest can be determined as the belonging cluster. The radius of a cluster increases as the number of normal data increases, but a cluster that has grown to a predetermined size can be divided into smaller clusters.
図5は、クラスタの分割を説明する説明図である。
例えば、図5(a)に示すように、クラスタ中心がCAであり、クラスタ半径がrAであったとする。その後、図5(b)に示す学習対象データqAの追加により、クラスタの更新が行われ、クラスタ中心がCAaに移動すると共に、クラスタ半径がrAa(≧rA)に変化したとする。
FIG. 5 is an explanatory diagram illustrating the division of the cluster.
For example, as shown in FIG. 5 (a), the cluster center is C A, cluster radius assumed to be r A. After that, it is assumed that the cluster is updated by adding the learning target data q A shown in FIG. 5 (b), the cluster center moves to CA a, and the cluster radius changes to r Aa (≧ r A ). ..
このように、クラスタのメンバ数が増大すると、それに伴ってクラスタ半径も徐々に大きくなる。なお、クラスタ半径が大きくなり過ぎると、異常予兆を診断する際の感度が低下する可能性がある。クラスタ半径が非常に大きい場合には、異常予兆の発生初期の特徴ベクトルがクラスタに含まれてしまい、「異常予兆なし」と診断されてしまうからである。 In this way, as the number of cluster members increases, so does the cluster radius. If the cluster radius becomes too large, the sensitivity at the time of diagnosing an abnormality sign may decrease. This is because if the cluster radius is very large, the feature vector at the initial stage of the occurrence of the abnormality sign is included in the cluster, and it is diagnosed as "no abnormality sign".
したがって、本実施形態では、クラスタを更新した後のクラスタ半径rAaが所定閾値rth以上である場合、図5(c)に示すようにクラスタに二つに分割するようにした。なお、クラスタの分割は、クラスタに属する全メンバに対してランダムに二つのクラスタを割り振った後、クラスタ中心等を再計算して行う。 Thus, in this embodiment, if the cluster radius r Aa after updating the cluster is equal to or larger than the predetermined threshold rth, it was to divide into two in a cluster as shown in FIG. 5 (c). The cluster is divided by randomly allocating two clusters to all the members belonging to the cluster and then recalculating the cluster center and the like.
これによって、図5(c)に示すように、■印のメンバを有するクラスタ(クラスタ中心C1A,クラスタ半径r1A)と、△印のメンバを有するクラスタ(クラスタ中心C2A,クラスタ半径r2A)と、が生成される。 As a result, as shown in FIG. 5 (c), the cluster having the members marked with ■ (cluster center C1 A , cluster radius r1 A ) and the cluster having members marked with Δ (cluster center C2 A , cluster radius r2 A). ) And are generated.
乖離度算出部2は、センサの時系列情報の正常状態の値により構成されるクラスタの所定の位置(例えば、重心)cからの距離dに基づいて異常予兆の有無を診断し、異常予兆無と診断したときにその時系列情報を前記クラスタの構成メンバとして組み入れ、学習する。
The dissociation
図6は、センサ時系列情報を用いて、部位を特定する方法を説明する説明図である。
ここでは、工作機械設備200は、測長センサ110や温度センサ115だけでなく、より多くのセンサA,B,C,D,・・・,X,Y,Zを有するものとして説明する。横軸は、各センサA,B,C,D,・・・,X,Y,Zの時系列情報であり、縦軸は、所属クラスタの代表値cから診断データqまで進むベクトル(特徴ベクトル)の成分(異常測度特徴成分)である。要因特定部3は、例えば、特徴ベクトルの成分(異常測度特徴成分)の最も大きな値のセンサCの部位を特定する。
FIG. 6 is an explanatory diagram illustrating a method of identifying a portion using sensor time series information.
Here, the
表1は、特定された部位(特定部位)とパラメータ時系列情報との関係を説明する表である。
例えば、特定部位が「Zステージ」であれば、パラメータとして、例えば、「Zステージ位置」だけでなく、「XYステージの移動速度」も考えられる。例えば、移動速度を遅くすれば、カッター140が冷却される。また、異常発生がZステージ120の傾斜に起因していれば、「XYステージの位置」も考えられる。このときには、パラメータを直接検出するセンサとして、Z軸用の測長センサ110(図1)だけでなく、例えば、XYステージの位置を測定するXY軸用の測長センサ(レーザ測長器)が追加される。
Table 1 is a table explaining the relationship between the specified part (specific part) and the parameter time series information.
For example, if the specific part is the "Z stage", not only the "Z stage position" but also the "XY stage moving speed" can be considered as a parameter. For example, if the moving speed is reduced, the
つまり、パラメータを直接するセンサの時系列情報であるパラメータ時系列情報は、特定部位が「Zステージ」であれば、例えば、z,dx/dt,dy/dt,x,yの時系列情報である。 That is, the parameter time-series information, which is the time-series information of the sensor that directly inputs the parameters, is, for example, the time-series information of z, dx / dt, dy / dt, x, y if the specific part is the "Z stage". is there.
図7は、特定された部位に関係するパラメータを特定する方法を説明する説明図である。
そこで、要因特定部3(図1)は、これらのパラメータP1,P2,P3,P4,P5を直接検出するセンサの時系列情報(パラメータ時系列情報)及びその演算値(例えば、位置を微分した速度)を用いて、それぞれの異常測度特徴成分を求め、最も大きな値を示すパラメータP5を、関係パラメータとして特定する。また、要因特定部3は、要因特定テーブル30(図5)のパラメータ欄34を用いて、パラメータを特定することもできる。
FIG. 7 is an explanatory diagram illustrating a method of specifying a parameter related to the specified site.
Therefore, the factor identification unit 3 (FIG. 1) differentiates the time series information (parameter time series information) of the sensor that directly detects these parameters P1, P2, P3, P4, and P5 and the calculated value (for example, the position). (Velocity) is used to obtain each anomalous measurement characteristic component, and the parameter P5 showing the largest value is specified as a relational parameter. In addition, the
図8は、要因特定テーブルの一例を示す図である。
要因特定テーブル30は、例えば、異常予兆を示す部位が新たに見つかったときに、図示しない管理画面を用いて、修正・更新されるものである。要因特定テーブル30は、測長センサ110による異常測度特徴成分31と温度センサ115による異常測度特徴成分32とに応じて、異常兆候を示す部位を特定している部位欄33と、その部位に関係するパラメータを列挙しているパラメータ欄34と、そのパラメータの設定値(パラメータ設定値24(図1))を格納するパラメータ設定値欄35とからなるデータベースである。
FIG. 8 is a diagram showing an example of a factor identification table.
The factor identification table 30 is, for example, modified / updated by using a management screen (not shown) when a new portion showing an abnormality sign is found. The factor identification table 30 is related to the
例えば、測長センサ110(図3)による異常測度特徴成分が温度センサ115(図3)による異常測度特徴成分よりも大きいときには(測長センサによる異常測度特徴成分:大、温度センサによる異常測度特徴成分:小)、部位欄33の「Zステージ」が特定され、さらに、パラメータ欄34の「Zステージ位置」と、パラメータ設定値欄35の「切り込み位置を浅くする」とが特定される。なお、「切り込み位置を浅くする」量は、一段階又は複数段階で特定されれば構わない。
For example, when the abnormal measure characteristic component by the length measuring sensor 110 (FIG. 3) is larger than the abnormal measure characteristic component by the temperature sensor 115 (FIG. 3) (abnormal measure characteristic component by the length measuring sensor: large, the abnormal measure characteristic by the temperature sensor). (Component: small), the "Z stage" in the
逆に、温度センサ115による異常測度特徴成分が測長センサ110による異常測度特徴成分よりも大きいときには(測長センサによる異常測度特徴成分:小、温度センサによる異常測度特徴成分:大)、部位欄33の「ファン」が特定され、さらに、パラメータ欄34の「風量」と、パラメータ設定値欄35の「風量増加」とが特定される。
On the contrary, when the abnormal measure characteristic component by the
さらに、温度センサ115による異常測度特徴成分と測長センサ110による異常測度特徴成分とが同程度であって、その値が大きいときには(測長センサによる異常測度特徴成分:大、温度センサによる異常測度特徴成分:大)、部位欄33の「Zステージ」及び「ファン」が特定され、パラメータ欄34の「Zステージ位置」及び「風量」と、パラメータ設定値欄35の「切り込み位置を浅くする」及び「風量増加」とが特定される。
Further, when the anomalous measure characteristic component by the
また、温度センサ115による異常測度特徴成分と測長センサ110による異常測度特徴成分とが同程度であって、その値が小さいときには(測長センサによる異常測度特徴成分:小、温度センサによる異常測度特徴成分:小)、部位欄33の「Zステージ」及び「ファン」が特定され、パラメータ欄34の「Zステージ位置」及び「風量」と、パラメータ設定値欄35の「位置不変」及び「停止」とが特定される。
Further, when the anomalous measure characteristic component by the
図1の説明に戻り、要因特定部3は、所属クラスタの代表値c(例えば、重心)から測長センサ110及び温度センサ115の特徴点の診断データqに進むベクトル(特徴ベクトル)の大きさ(距離d=乖離度))が第1閾値(図2)よりも大きくなったとき、異常兆候の要因となる部位を特定する。また、要因特定部3は、要因特定テーブル30を用いて、状態測度算出部1により異常予兆有と診断された時系列情報と関係する工作機械設備200の部位とパラメータとを特定する。つまり、要因特定部3は、要因特定テーブル30(図8)の部位欄33を用いて、部位を特定する。
Returning to the explanation of FIG. 1, the
設定値算出部4は、前記した図7の方法によって、異常予兆有りと診断されたときに、工程内で乖離度の値が所定範囲内に納まる時系列を求め、その時系列での関係パラメータの値をパラメータ設定値24(図1)に設定する。
The set
また、設定値算出部4は、接続部40を介して、特定されたパラメータ設定値24を工作機械設備200に出力する。なお、設定値算出部4は、工作機械設備200の運転開始時に設定されているパラメータ設定値24を、接続部40を介して工作機械設備200に出力しても構わない。
Further, the set
また、設定値算出部4は、接続部40を介して工作機械設備200に出力するときに、所定の変化率で、パラメータ設定値24を出力しても構わない。パラメータ設定値24を目標値まで徐々に変化させることにより、工作機械設備200の突然の動作変動を防止することができる。
Further, the set
図9は、予兆保全システムの動作を説明するためのフローチャートである。
工作機械設備200は、制御装置150(図1)に設定されたパラメータ設定値を適用したシーケンスに基づいて、稼働するものとする。
管理装置100は、工作機械設備200に対して、初期状態(運転開始時)のパラメータ設定値24を送信する(SP1)。
FIG. 9 is a flowchart for explaining the operation of the predictive maintenance system.
The
The
工作機械設備200は、受信したパラメータ設定値24を用いて、初期設定を行い(SP3)、複数段階からなる一工程の機械工作を開始する(SP5)。工作機械設備200は、工作開始情報を管理装置100に送信し、センサの時系列情報を管理装置100に逐次送信する(SP7)。なお、工作機械設備200は、センサの時系列情報を管理装置100に逐次送信することなく、破線で示すように、1工程の最終段階終了(SP9)の後に、管理装置100に、センサの時系列情報を一括送信しても構わない。
The
管理装置100は、工作機械設備200から、センサの時系列情報を受信し(SP11)、各工程で蓄積された時系列情報を用いて、受信時の乖離度を演算する(SP13)。SP13の後、管理装置100は、工程内の各々の乖離度が所定値(第1閾値(図2))を超えているか否か判定する(SP15)。乖離度が所定値以下であれば(SP15で所定値以下)、管理装置100は、異常予兆無しと判断し、時系列情報の受信(SP11)及び乖離度の演算(SP13)を継続する。
The
一方、何れかの時系列での乖離度が所定値を超えたとき(SP15で所定値超)、管理装置100は、異常予兆有りと判断し、異常予兆部位の特定を行う(SP17)。具体的には、管理装置100は、センサ毎に、異常測度(乖離度)を演算し、異常測度特徴成分が最大のセンサの部位を特定したり、要因特定テーブル30を参照し、異常測度特徴成分の大小に基づいて、センサの部位を特定したりする。SP17の後、管理装置100は、特定した部位に関係する関係パラメータを特定する(SP19)。具体的には、管理装置100は、特定された部位に関係する複数種類のパラメータを直接検出するセンサの時系列情報(パラメータ時系列情報)及びその演算値を用いて、それぞれの異常測度特徴成分を求め、最も大きな異常測度特徴成分を示す関係パラメータを特定する。なお、要因特定部3は、要因特定テーブル30(図8)のパラメータ欄34を用いて、関係パラメータを特定することもできる。
On the other hand, when the degree of dissociation in any of the time series exceeds a predetermined value (exceeding a predetermined value in SP15), the
SP19の後、管理装置100は、パラメータ設定値24(図1)の算出を行う(SP20)。まず、パラメータ設定値の時系列情報から工作機械設備200の運転開始時のパラメータ設定値(パラメータ初期設定値)と一致するパラメータ設定値を選び出す方法について説明する。次に、要因特定テーブル30を用いてパラメータ設定値を決定する方法について説明する。
After SP19, the
図10は、特定されたパラメータを用いて、パラメータ設定値を算出するためのフローチャートである。このルーチン(SP20a)は、図9のSP20で起動する。つまり、SP15で異常予兆有りと診断された後に起動する。なお、SP1(図9)において、初期状態(運転開始時)のパラメータ設定値24が特定されている。なお、工作機械設備200は、工作等の各処理を所定の周期(ベースタイム)内で実行するように構成されている。
FIG. 10 is a flowchart for calculating a parameter setting value using the specified parameter. This routine (SP20a) is started at SP20 in FIG. That is, it starts after it is diagnosed that there is an abnormality sign by SP15. In SP1 (FIG. 9), the
管理装置100は、SP19で特定された関係パラメータの「単位時間あたりの変動量」をテーブルから取得する(SP50)。この「単位時間あたりの変動量」は、パラメータを変動させて、乖離度やセンサ実測値等の修正に用いるためのものであり、修正可能な量に、適宜設定されている。また、管理装置100は、「単位時間あたりの変動量」に、例えば、ベースタイムの周期(例えば、20mSec)を乗算し、変動量Δを演算する。なお、管理装置100は、予め演算した変動量Δをテーブルから取得しても構わない。
The
SP50の後、管理装置100は、SP11(図9)で受信した時系列情報(センサ実測値)が所定範囲に納まっているか否か判定する(SP54)。このセンサ実測値が所定範囲未満のとき(SP54で「所定範囲未満」)、管理装置100は、現在のパラメータ設定値24に対して、変動量Δを加算した値を、新たなパラメータ設定値24にする(SP56)。
After SP50, the
一方、センサ実測値が所定範囲を超えたとき(SP54で「所定範囲超」)、管理装置100は、現在のパラメータ設定値24に対して、変動量Δを減算した値を、新たなパラメータ設定値24にする(SP58)。管理装置100は、センサ実測値が所定範囲内であったり(SP54で「所定範囲内」)、パラメータ設定値24の加減算を行ったりしたとき(SP56,58)、管理装置100は、処理を元のルーチン(図9)に戻す(RETURN)。
On the other hand, when the measured sensor value exceeds a predetermined range (“exceeding the predetermined range” in SP54), the
図9のフローチャートの説明に戻り、管理装置100は、記憶部20(図1)に格納されているパラメータ設定値24を工作機械設備200に送信し(SP22)、処理をSP11に戻し、工作機械設備200が送信する時系列情報の受信を繰り返す。なお、適宜、割込処理等によって、管理装置100の繰り返し処理が中断される。
Returning to the explanation of the flowchart of FIG. 9, the
工作機械設備200は、時系列情報受信後、パラメータ設定値を更新する(SP23)。これにより、工作機械設備200は、一工程が終了し(SP24)、次段工作指示を行い(SP25)、次段の工作工程を開始する(SP5)。
The
次に、図11のフローチャートを参照して、要因特定テーブルを用いたパラメータ設定値を算出するルーチン(SP20b)について説明する。
管理装置100は、異常予兆部位の特定(SP17)で演算した異常測度特徴成分を取得する(SP70)。SP70の後、管理装置100は、要因特定テーブル30(図5)を用いて、異常予兆部位とパラメータとを特定し(SP72)、パラメータ設定値を特定し(SP74)、元のルーチン(図8)に戻る。
Next, a routine (SP20b) for calculating the parameter setting value using the factor identification table will be described with reference to the flowchart of FIG.
The
(第2実施形態)
前記第1実施形態では、1工作工程での処理を説明したが、複数工程でも継続して同一処理が行われる。以下、1工作工程が複数あるときについて説明する。なお、本第2実施形態の機械設備管理システムの構成は、前記第1実施形態の機械設備管理システム1000の構成と同一である。
(Second Embodiment)
In the first embodiment, the processing in one working process has been described, but the same processing is continuously performed in a plurality of processes. Hereinafter, a case where there are a plurality of one work processes will be described. The configuration of the mechanical equipment management system of the second embodiment is the same as the configuration of the mechanical
図12は、1工作工程が複数あるときの異常測度(乖離度)の変化を示す図である。上図は、工作機械設備200の全体の乖離度の変化を示し、下図は、図2と同一図であり、工作機械設備200の1工作工程における乖離度の変化を示す。下図の横軸は1工程の時間であり、上図の横軸は、時間軸を100工程まで延ばしたものである。なお、本実施形態においても、1つの工作物を作製する1工程は、複数段階の作業工程から成り立っている。
FIG. 12 is a diagram showing changes in the anomalous measure (dissociation degree) when there are a plurality of one machining processes. The upper figure shows the change in the degree of deviation of the entire
そして、前記第1実施形態と同様に、工作機械設備200の各工程内(例えば、工程1)において、乖離度が第1閾値(下図)を超えたときに、管理装置100は、異常予兆有りと判定する。つまり、管理装置100は、工作機械設備200が工作物を製作する工程内において、乖離度が第1閾値を超えたときに、工作物に問題が生じる異常予兆を検出する。そして、管理装置100は、乖離度が第1閾値を超えたときに、工作機械200が工作に使用するパラメータを1工程内で修正する。この修正により、工作機械設備200(図1)は、1工作工程を多数回実行するにつれて、乖離度の増加を回避させようとする。
Then, as in the first embodiment, when the degree of deviation exceeds the first threshold value (shown below) in each process of the machine tool equipment 200 (for example, process 1), the
しかしながら、工作機械設備200(図1)は、上図に示すように、1工作工程のパラメータ修正を多数回実行するにつれて、乖離度が徐々に大きくなってしまうことがある。この場合、一旦、乖離度が第1閾値を超えれば、以後、ほぼ全ての工程で、パラメータの修正が行われる。そして、管理装置100は、乖離度が第2閾値(>第1閾値)を超えたときに、工作機械設備200が異常予兆発生したと判断し、その旨を音や画面で外部に報知する。なお、管理装置100は、乖離度が第1閾値を超えただけでは、外部への報知を行わない。乖離度が「異常閾値」(>第2閾値)を超えたときには、工作物が作れなくなる可能性が生じるので、管理者は、工作機械設備200の保守を行う必要がある。
However, in the machine tool equipment 200 (FIG. 1), as shown in the above figure, the degree of deviation may gradually increase as the parameter correction of one machining process is performed many times. In this case, once the degree of deviation exceeds the first threshold value, the parameters are corrected in almost all steps thereafter. Then, when the degree of deviation exceeds the second threshold value (> first threshold value), the
また、管理装置100は、乖離度が第2閾値(>第1閾値)に到達する前に、異常予兆の発生を検出することができる。この異常予兆の発生段階では、工作機械設備200は、工作物を作製することができ、適宜、設備保全が行われる。
In addition, the
(第3実施形態)
前記第1,2実施形態の工作機械設備200は、図2に記載の測長センサ110、温度センサ115、Zステージ120、XYステージ125やファン130等を設け、カッター140による切込み加工を行っていたが、他のセンサやアクチュエータを有する工作機械設備を設け、他の工作を行っても構わない。
(Third Embodiment)
The
図12、本発明の第2実施形態である機械設備管理システムの全体構成図である。
機械設備管理システム1001は、管理装置100と、第1機械設備としての工作機械設備200と、複数の第2機械設備としての工作機械設備210,・・・とが通信可能に接続されている。
工作機械設備200は、1ワークで1つの工作物の作製(工作)を、複数回繰り返し実行する機械設備である。工作機械設備200は、複数のセンサの時系列情報を管理装置100に送信し、管理装置100から受信するパラメータ設定値に従って、複数のアクチュエータやファン130等を駆動する。工作機械設備210,・・・は、工作機械設備200と同一であってもよく、異なった構成であってもよい。例えば、工作機械設備210,・・・は、複数のセンサ及び複数のアクチュエータを有していれば、制御装置150を有していなくても構わない。このときには、工作機械設備210,・・・の複数のセンサ及び複数のアクチュエータは、破線で示すように、工作機械設備200の制御装置150によって制御される。
FIG. 12 is an overall configuration diagram of a mechanical equipment management system according to a second embodiment of the present invention.
In the machine
The
管理装置101は、前記第1実施形態の管理装置100と同様に、工作物を作成する工作機械設備200,210,・・・に発生する異常予兆を捉え、パラメータ設定値を修正する機能を有する。管理装置101は、制御部11の内部に状態測度算出部1と要因特定部3と設定値算出部4を備え、状態測度算出部1が状態測度算出部5に変わり、乖離度算出部2が乖離度算出部6に変わっている点で相違する。
Similar to the
乖離度算出部6は、前記第1実施形態の管理装置100と同様に、工作機械設備200の正常状態からの乖離度(距離d(図4))を算出し、算出された乖離度が第1閾値(図12)を超えたときに異常予兆有と判定する。しかしながら、乖離度算出部2は、工作機械設備200と工作機械設備210,210,・・・との組合せ設備の乖離度を算出し、算出された乖離度が第2閾値(図12)を超えたときに異常予兆有と判定する機能を有する点で相違する。
The deviation
1工作工程が複数あるときの異常測度(乖離度)の変化を示す図は、図12と同様であり、下図は、工作機械設備200の1工作工程における乖離度の変化を示す。しかしながら、上図は、複数の工作機械設備200,210,・・・の全体の乖離度の変化を示す点で前記第2実施形態と相違する。
The figure showing the change in the abnormality measure (dissociation degree) when there are a plurality of one machining processes is the same as in FIG. 12, and the figure below shows the change in the degree of dissociation in one machining process of the
そして、前記第1,2実施形態と同様に、工作機械設備200の各工程内(例えば、工程1)において、乖離度が第1閾値(図12の下図)を超えたときに、管理装置100は、異常予兆有りと判定する。つまり、管理装置100は、複数の工作機械設備200,210,・・・の全体での異常予兆を検出すると共に、工作機械設備200が工作物を製作する工程内において、乖離度が第1閾値を超えたときに、工作物に問題が生じる異常予兆を検出する。そして、管理装置101は、乖離度が第1閾値を超えたときに、工作機械200が工作に使用するパラメータを1工程内で修正する。
Then, as in the first and second embodiments, when the degree of deviation exceeds the first threshold value (lower figure of FIG. 12) in each process of the machine tool equipment 200 (for example, process 1), the
また、図12の上図において、複数の工作機械設備200,210,・・・(図13)は、工作工程を多数回実行するにつれて、全体の乖離度が徐々に大きくなる。そして、管理装置101は、全体の乖離度が第2閾値(>第1閾値)を超えたときに、工作機械設備200,210,・・・が異常予兆発生したと判断し、その旨を音や画面で外部に報知する。なお、管理装置101は、全体の乖離度が第1閾値を超えただけでは、外部への報知を行わない。なお、複数の工作機械設備200,210,・・・は、全体の乖離度が「異常閾値」を超えたときに、工作物が作れなくなる可能性が生じ、設備の保守を行う必要がある。
Further, in the upper figure of FIG. 12, the degree of deviation of the plurality of
また、管理装置100は、全体の乖離度が第2閾値(≠第1閾値)に到達する前に、異常予兆の発生を検出することができる。この異常予兆の発生段階では、複数の工作機械設備200,210.・・・は、それぞれの工作物を作製することができ、適宜、設備保全が行われる。
In addition, the
(変形例)
本発明は前記した実施形態に限定されるものではなく、例えば、以下のような種々の変形が可能である。
(1)前記実施形態の状態測度算出部1は、工作機械設備200の工作中に時系列情報を逐次受信し、又は1工程が終了してから(SP11)、乖離度及び異常測度を演算した。つまり、状態測度算出部1は、1工程を開始してから所定の時間経過後に、乖離度及び異常測度を演算していた。これに限らず、状態測度算出部1は、1工程内における所定段階が終了したときに乖離度及び異常測度を演算しても構わない。また、設定値算出部4は、次段の工作開始前にパラメータ設定値24を工作機械設備200に送信した(SP22)。言い換えれば、設定値算出部4は、1工程が開始してから所定の時間経過後に、工作機械設備200に対して、接続部40を介して、パラメータ設定値24を送信していたということができる。設定値算出部4は、1工程が開始してから所定の時間経過後でなく、次工程の所定段階前に送信しても構わない。
(Modification example)
The present invention is not limited to the above-described embodiment, and various modifications such as the following are possible.
(1) The state
(2)前記実施形態の工作機械設備200は、工作物(出力物)を作製するものとしていたが、風力発電設備、タービン、エンジン等の機械設備でも構わない。これらであれば、管理装置100は、機械設備が出力する出力状態を正常に保持することを目的に、乖離度や異常測度を演算する。
(2) The
1 状態測度算出部
2 乖離度算出部
3 要因特定部
4 設定値算出部
10 制御部
21 センサ時系列情報
22 乖離度
23 パラメータ時系列情報(関連パラメータ)
24 パラメータ設定値
30 要因特定テーブル
31,32 異常測度特徴成分
40 接続部
91,92 異常測度特徴成分
100 管理装置(予兆保全設備)
110 測長センサ
115 温度センサ
150 制御装置
200 工作機械設備(第1機械設備)
210 工作機械設備(第2機械設備)
1000 機械設備管理システム
1 State
24
110
210 Machine tool equipment (second machine equipment)
1000 Machinery equipment management system
前記課題を解決するために、本発明は、第1機械設備(200)の状態を診断し、該第1機械設備の出力状態(工作物)を正常に保持する管理装置(100)であって、前記第1機械設備に配設した複数のセンサ(110,115)の情報をセンサ時系列情報として取得すると共に、前記第1機械設備を運転するための各種のパラメータの設定値を出力する接続部(40)と、前記センサ時系列情報を学習情報とした統計的手法により、前記第1機械設備の正常状態からの乖離度(d)を算出すると共に、該乖離度が第1閾値を超えたときに異常予兆有と診断する状態測度算出部(2)と、前記状態測度算出部が異常予兆有と診断したときに、前記第1機械設備のどの部位(特定部位)に異常予兆が発生しているのかを特定すると共に、関係するパラメータを特定する要因特定部(3)と、前記関係するパラメータの設定値(パラメータ設定値24)を算出する設定値算出部(4)とを備え、前記状態測度算出部は、前記第1機械設備が1工程を開始してから該1工程が終了する期間において、前記1工程を開始してから所定の時間経過後、又は前記1工程での所定段階が終了したときに、前記乖離度を算出し、前記設定値算出部は、前記特定された部位に関係するパラメータ設定値を算出し、前記1工作工程内において、前記1工程が開始してから所定の時間経過後、又は次工程の所定段階前に前記接続部を介して、前記第1機械設備に前記パラメータ設定値を出力することを特徴とする。なお、括弧内の符号や文字は、実施形態において付した符号等であって、本発明を限定するものではない。 In order to solve the above problems, the present invention is a management device (100) that diagnoses the state of the first machine / equipment (200) and normally holds the output state (workpiece) of the first machine / equipment. obtains the information of a plurality of sensors disposed in the first mechanical equipment (110, 115) as the sensor time-series information, and outputs the setting values of various parameters for operating said first mechanical equipment connection The degree of deviation (d) from the normal state of the first mechanical equipment is calculated by the part (40) and a statistical method using the sensor time-series information as learning information, and the degree of deviation exceeds the first threshold value. When the state measurement calculation unit (2) diagnoses that there is an abnormality sign and the state measurement calculation unit diagnoses that there is an abnormality sign, an abnormality sign occurs in any part (specific part) of the first mechanical equipment. with either specifying that the is a factor specifying unit for specifying a parameter of interest (3), the set value calculation unit that calculates a set value before Symbol related engagement parameters (parameter setting 24) and (4) The state measurement calculation unit is provided in the period after the first machine equipment starts one step and ends the one step, after a predetermined time has elapsed from the start of the first step, or in the one step. When the predetermined step of the above is completed, the degree of deviation is calculated, the setting value calculation unit calculates the parameter setting value related to the specified part , and the one step is started in the one working process. Then, after a lapse of a predetermined time or before a predetermined step of the next step, the parameter set value is output to the first machine / equipment via the connecting portion. The symbols and characters in parentheses are the symbols and the like attached in the embodiments, and do not limit the present invention.
前記課題を解決するために、本発明は、第1機械設備(200)の状態を診断し、該第1機械設備の出力状態(工作物)を正常に保持する管理装置(100)であって、前記第1機械設備に配設した複数のセンサ(110,115)の情報をセンサ時系列情報として取得すると共に、前記第1機械設備を運転するための各種のパラメータの設定値を出力する接続部(40)と、前記センサ時系列情報を学習情報とした統計的手法により、前記第1機械設備の正常状態からの乖離度(d)を算出すると共に、該乖離度が第1閾値を超えたときに異常予兆有と診断する状態測度算出部(2)と、前記状態測度算出部が前記異常測度が最大で異常予兆有と診断したときに、前記第1機械設備のどの部位(特定部位)に異常予兆が発生しているのかを特定すると共に、関係するパラメータを特定する要因特定部(3)と、前記関係するパラメータの設定値(パラメータ設定値24)を算出する設定値算出部(4)とを備え、前記状態測度算出部は、前記第1機械設備が1工程を開始してから該1工程が終了する期間において、前記1工程を開始してから所定の時間経過後、又は前記1工程での所定段階が終了したときに、前記乖離度を算出し、前記設定値算出部は、前記特定された部位に関係するパラメータ設定値を算出し、前記1工作工程内において、前記1工程が開始してから所定の時間経過後、又は次工程の所定段階前に前記接続部を介して、前記第1機械設備に前記パラメータ設定値を出力することを特徴とする。なお、括弧内の符号や文字は、実施形態において付した符号等であって、本発明を限定するものではない。 In order to solve the above problems, the present invention is a management device (100) that diagnoses the state of the first machine / equipment (200) and normally maintains the output state (workpiece) of the first machine / equipment. , A connection that acquires information of a plurality of sensors (110, 115) arranged in the first machine / equipment as sensor time-series information and outputs set values of various parameters for operating the first machine / equipment. The degree of deviation (d) from the normal state of the first mechanical equipment is calculated by the part (40) and a statistical method using the sensor time-series information as learning information, and the degree of deviation exceeds the first threshold value. When the state measurement calculation unit (2) diagnoses that there is an abnormality sign and the state measurement calculation unit diagnoses that there is an abnormality sign at the maximum, which part (specific part) of the first mechanical equipment ) Is a factor identification unit (3) that identifies whether an abnormality sign has occurred and a related parameter, and a setting value calculation unit (3) that calculates a setting value (parameter setting value 24) of the related parameter. 4), the state measurement calculation unit is in a period from the start of the first machine to the end of the first step, after a predetermined time has elapsed from the start of the first step, or When the predetermined step in the one step is completed, the degree of deviation is calculated, and the set value calculation unit calculates the parameter set value related to the specified part, and in the one working process, the said It is characterized in that the parameter set value is output to the first machine / equipment via the connection portion after a predetermined time has elapsed from the start of one step or before a predetermined step of the next step. The symbols and characters in parentheses are the symbols and the like attached in the embodiments, and do not limit the present invention.
Claims (7)
前記工作機械設備に配設した複数のセンサからのセンサ情報を時系列情報として取得するとともに、前記工作機械設備を運転するための各種設定パラメータの設定値を出力する接続部と、
前記時系列情報を学習情報とした統計的手法により、前記工作機械設備の状態を示す指標である状態測度として、前記工作機械設備の正常状態からの乖離度合いを示す指標である異常測度を算出するとともに前記乖離度合いが所定の値を超えたときに異常予兆有と診断する状態測度算出部と、
前記工作機械設備のどの部位に異常予兆が発生しているのかを特定するとともに関係するパラメータを特定する要因特定部と、
前記要因特定部により特定された部位に関係するパラメータに対して、前記状態測度算出部により算出された前記乖離度合いに基づいてパラメータ設定値を算出する設定値算出部と、
を備え、
前記工作機械設備が1ワークの工作を開始してから該工作が終了する期間である1工作工程において、前記1工作工程を開始してから所定の時間経過後又は所定の工作の段階が終了したときに前記接続部を介して前記センサから取得した時系列情報に対して、前記状態測度算出部により異常予兆有と診断したときに、前記要因特定部により異常予兆発生部位を特定し、
前記設定値算出部により関係するパラメータ設定値を算出し、前記1工作工程が開始してから所定の時間経過後に、または、前記1工作工程の所定の工作の段階前に前記接続部を介して、前記工作機械設備に前記パラメータ設定値を出力すること、
を特徴とする予兆保全設備。 It is a predictive maintenance equipment that diagnoses the state of machine tool equipment and keeps the machine tool equipment in a normal state.
A connection unit that acquires sensor information from a plurality of sensors arranged in the machine tool equipment as time-series information and outputs setting values of various setting parameters for operating the machine tool equipment.
An abnormality measure, which is an index indicating the degree of deviation from the normal state of the machine tool equipment, is calculated as a state measure, which is an index indicating the state of the machine tool equipment, by a statistical method using the time series information as learning information. In addition, the state measure calculation unit that diagnoses the presence of an abnormality when the degree of deviation exceeds a predetermined value,
A factor identification unit that identifies which part of the machine tool equipment the abnormality sign is occurring and the related parameters,
A setting value calculation unit that calculates a parameter setting value based on the degree of dissociation calculated by the state measure calculation unit for a parameter related to a part specified by the factor identification unit.
With
In one work process, which is the period from when the machine tool equipment starts the work of one work to the end of the work, a predetermined time has elapsed from the start of the one work process or the predetermined work stage is completed. Occasionally, when the state measurement calculation unit diagnoses that there is an abnormality sign with respect to the time series information acquired from the sensor via the connection unit, the factor identification unit identifies the abnormality sign occurrence site.
The parameter set value to be related is calculated by the set value calculation unit, and after a predetermined time has elapsed from the start of the one machine tool process, or before the predetermined machine tool stage of the one machine tool process, the connection unit is used. , Output the parameter set value to the machine tool equipment,
Predictive maintenance equipment featuring.
前記状態測度算出部は、
前記時系列情報の正常な値により構成されるクラスタの所定の位置からの距離に基づいて異常予兆の有無を診断し、異常予兆無と診断したときにその時系列情報を前記クラスタの構成メンバとして組み入れ、前記クラスタの半径が所定の大きさを超えたときに所定の方法に基づき、前記クラスタを分割すること、
を特徴とする予兆保全設備。 The predictive maintenance equipment according to claim 1.
The state measure calculation unit
The presence or absence of an abnormality sign is diagnosed based on the distance from a predetermined position of the cluster composed of normal values of the time series information, and when it is diagnosed that there is no abnormality sign, the time series information is incorporated as a member of the cluster. When the radius of the cluster exceeds a predetermined size, the cluster is divided according to a predetermined method.
Predictive maintenance equipment featuring.
前記要因特定部は、
予め記憶部に記憶した前記センサの種類と関係する前記工作機械設備の部位と前記パラメータとを対応させた要因特定テーブルを用いて、前記状態測度算出部により異常予兆有と診断された前記時系列情報と関係する前記工作機械設備の部位とパラメータとを特定すること、
を特徴とする予兆保全設備。 The predictive maintenance equipment according to claim 2.
The factor identification part
The time series diagnosed as having an abnormality sign by the state measurement calculation unit using a factor identification table corresponding to the parts of the machine tool equipment related to the type of the sensor stored in the storage unit in advance and the parameters. Identifying the parts and parameters of the machine tool equipment related to the information,
Predictive maintenance equipment featuring.
前記設定値算出部は、前記状態測度算出部により異常予兆有と診断されたときに、そのときの関係するパラメータの時系列情報と、前記工作機械設備を運転開始したときの前記関係するパラメータの設定値とを照合し、その差分をゼロとするように、現在設定しているパラメータ設定値に対して前記差分を加減算して前記関係するパラメータの設定値を算出すること、
を特徴とする予兆保全設備。 The predictive maintenance equipment according to claim 2.
When the state measure calculation unit diagnoses that there is an abnormality sign, the set value calculation unit has time-series information of the parameters related at that time and the related parameters when the machine tool equipment is started to operate. To calculate the set value of the related parameter by adding or subtracting the difference to the currently set parameter set value so as to collate with the set value and set the difference to zero.
Predictive maintenance equipment featuring.
前記設定値算出部は、
算出した前記パラメータ設定値を前記接続部を介して前記工作機械設備に出力するときに、所定の変化率に基づき出力すること
を特徴とする管理装置。 The predictive maintenance equipment according to claim 1.
The set value calculation unit
A management device characterized in that when the calculated parameter set value is output to the machine tool equipment via the connection portion, it is output based on a predetermined rate of change.
前記工作機械設備に配設した複数のセンサからのセンサ情報を時系列情報として取得する時系列情報取得ステップと、
前記時系列情報を学習情報とした統計的手法により、前記工作機械設備の状態を示す指標である状態測度として、前記工作機械設備の正常状態からの乖離度合いを示す指標である異常測度を算出するとともに前記乖離度合いが所定の値を超えたときに異常予兆有と診断する状態測度算出ステップと、
前記工作機械設備のどの部位に異常予兆が発生しているのかを特定するとともに関係するパラメータを特定する要因特定ステップと、
前記要因特定ステップにより特定された部位に関係するパラメータに対して、前記状態測度算出ステップにより算出された前記乖離度合いに基づいてパラメータ設定値を算出する設定値算出ステップと、
を含み、
前記状態測度算出ステップにおいて、前記工作機械設備が1ワークの工作を開始してから該工作が終了する期間である1工作工程内で、前記1工作工程を開始してから所定の時間経過後又は所定の工作の段階が終了したときに前記センサから取得した時系列情報に対して、異常測度を算出して異常予兆の有無を診断し、前記状態測度算出ステップにおいて異常予兆有と診断したときに、前記要因特定ステップにおいて、異常予兆発生部位を特定し、前記設定値算出ステップにより関係するパラメータ設定値を算出し、前記1工作工程が開始してから所定の時間経過後に、または、前記1工作工程の所定の工作の段階前に前記工作機械設備に前記パラメータ設定値を設定すること、
を特徴とする予兆保全方法。 It is a predictive maintenance method that diagnoses the condition of machine tool equipment and keeps the machine tool equipment in a normal state.
A time-series information acquisition step for acquiring sensor information from a plurality of sensors arranged in the machine tool equipment as time-series information, and
An abnormality measure, which is an index indicating the degree of deviation from the normal state of the machine tool equipment, is calculated as a state measure, which is an index indicating the state of the machine tool equipment, by a statistical method using the time series information as learning information. In addition, a state measure calculation step for diagnosing an abnormality sign when the degree of deviation exceeds a predetermined value, and
Factor identification step to identify which part of the machine tool equipment the abnormality sign is occurring and to identify the related parameters,
A setting value calculation step for calculating a parameter setting value based on the dissociation degree calculated by the state measure calculation step for a parameter related to a part specified by the factor identification step.
Including
In the state measurement calculation step, within one machining process, which is the period from the start of machining of one work by the machine tool equipment to the end of the machining, after a predetermined time has elapsed from the start of the one machining process, or When an abnormality measure is calculated for the time-series information acquired from the sensor when a predetermined work step is completed to diagnose the presence or absence of an abnormality sign, and when it is diagnosed that there is an abnormality sign in the state measure calculation step. , In the factor identification step, the abnormal sign occurrence site is specified, the parameter set value related to the set value calculation step is calculated, and after a predetermined time has elapsed from the start of the one work process, or the one work. To set the parameter setting value in the machine tool equipment before a predetermined work stage of the process.
A predictive maintenance method characterized by.
前記時系列情報を学習情報とした統計的手法により、前記工作機械設備の状態を示す指標である状態測度として、前記工作機械設備の正常状態からの乖離度合いを示す指標である異常測度を算出するとともに前記乖離度合いが所定の値を超えたときに異常予兆有と診断する状態測度算出ステップと、
前記工作機械設備のどの部位に異常予兆が発生しているのかを特定するとともに関係するパラメータを特定する要因特定ステップと、
前記要因特定ステップにより特定された部位に関係するパラメータに対して、前記状態測度算出ステップにより算出された前記乖離度合いに基づいてパラメータ設定値を算出する設定値算出ステップと、を備え、
前記工作機械設備が1ワークの工作を開始してから該工作が終了する期間である1工作工程において、前記1工作工程を開始してから所定の時間経過後又は所定の工作の段階が終了したときに前記接続部を介して前記センサから取得した時系列情報に対して、前記状態測度算出ステップにより異常予兆有と診断したときに、前記要因特定ステップにより異常予兆発生部位を特定し、
前記設定値算出ステップにより関係するパラメータ設定値を算出し、前記1工作工程が開始してから所定の時間経過後に、または、前記1工作工程の所定の工作の段階前に前記接続部を介して、前記工作機械設備に前記パラメータ設定値を出力すること、
を実行させる予兆保全プログラム。 The machine tool equipment is provided with a connection unit that acquires sensor information from a plurality of sensors arranged in the machine tool equipment as time-series information and outputs set values of various setting parameters for operating the machine tool equipment. This is a predictive maintenance program that diagnoses the condition of the machine tool and causes the control unit of the predictive maintenance equipment to keep the machine tool equipment in a normal state.
An abnormality measure, which is an index indicating the degree of deviation from the normal state of the machine tool equipment, is calculated as a state measure, which is an index indicating the state of the machine tool equipment, by a statistical method using the time series information as learning information. In addition, a state measure calculation step for diagnosing an abnormality sign when the degree of deviation exceeds a predetermined value, and
Factor identification step to identify which part of the machine tool equipment the abnormality sign is occurring and to identify the related parameters,
A setting value calculation step for calculating a parameter setting value based on the dissociation degree calculated by the state measure calculation step is provided for a parameter related to a part specified by the factor identification step.
In one work process, which is the period from when the machine tool equipment starts the work of one work to the end of the work, a predetermined time has elapsed from the start of the one work process or the predetermined work stage is completed. Occasionally, when it is diagnosed that there is an abnormality sign by the state measurement calculation step with respect to the time series information acquired from the sensor via the connection portion, the abnormality sign occurrence site is specified by the factor identification step.
The parameter set value to be related is calculated by the set value calculation step, and after a predetermined time has elapsed from the start of the one machine tool process, or before the predetermined machine tool stage of the one machine tool process, the connection portion is used. , Output the parameter set value to the machine tool equipment,
Premonition maintenance program to execute.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019071550A JP6684038B1 (en) | 2019-04-03 | 2019-04-03 | Predictive maintenance equipment, predictive maintenance method and predictive maintenance program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019071550A JP6684038B1 (en) | 2019-04-03 | 2019-04-03 | Predictive maintenance equipment, predictive maintenance method and predictive maintenance program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6684038B1 JP6684038B1 (en) | 2020-04-22 |
JP2020170357A true JP2020170357A (en) | 2020-10-15 |
Family
ID=70286885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019071550A Active JP6684038B1 (en) | 2019-04-03 | 2019-04-03 | Predictive maintenance equipment, predictive maintenance method and predictive maintenance program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6684038B1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7284441B1 (en) | 2022-09-12 | 2023-05-31 | ダイキン工業株式会社 | Abnormality diagnosis device, method and program |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116805065B (en) * | 2023-08-25 | 2023-11-14 | 山东荣信集团有限公司 | Intelligent management method for monitoring data of coal powder heating furnace burner |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011104760A1 (en) * | 2010-02-26 | 2011-09-01 | 株式会社 日立製作所 | Failure source diagnosis system and method |
JP2016033778A (en) * | 2014-07-31 | 2016-03-10 | 株式会社日立パワーソリューションズ | Abnormality sign diagnosis device and method |
JP2017215863A (en) * | 2016-06-01 | 2017-12-07 | 三菱日立パワーシステムズ株式会社 | Monitoring device, monitoring method of object unit, and program |
JP2018133033A (en) * | 2017-02-17 | 2018-08-23 | 三菱日立パワーシステムズ株式会社 | Diagnostic device and diagnostic method for plant |
-
2019
- 2019-04-03 JP JP2019071550A patent/JP6684038B1/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011104760A1 (en) * | 2010-02-26 | 2011-09-01 | 株式会社 日立製作所 | Failure source diagnosis system and method |
JP2016033778A (en) * | 2014-07-31 | 2016-03-10 | 株式会社日立パワーソリューションズ | Abnormality sign diagnosis device and method |
JP2017215863A (en) * | 2016-06-01 | 2017-12-07 | 三菱日立パワーシステムズ株式会社 | Monitoring device, monitoring method of object unit, and program |
JP2018133033A (en) * | 2017-02-17 | 2018-08-23 | 三菱日立パワーシステムズ株式会社 | Diagnostic device and diagnostic method for plant |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7284441B1 (en) | 2022-09-12 | 2023-05-31 | ダイキン工業株式会社 | Abnormality diagnosis device, method and program |
JP2024039953A (en) * | 2022-09-12 | 2024-03-25 | ダイキン工業株式会社 | Abnormality diagnostic device, method, and program |
Also Published As
Publication number | Publication date |
---|---|
JP6684038B1 (en) | 2020-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9378183B2 (en) | Monitoring diagnostic device and monitoring diagnostic method | |
US10739230B2 (en) | System and method for detecting anomaly of a machine tool | |
US11614728B2 (en) | Machine tool management system that obtains a next maintenance period from a maintenance period model and a refinement algorithm | |
JP5539382B2 (en) | Identify faults in aero engines | |
US20200293021A1 (en) | Method of optimizing machining simulation condition, machining simulation device, machining simulation system and program | |
JP6880843B2 (en) | Management equipment and management program | |
US20150026107A1 (en) | System and apparatus that identifies, captures, classifies and deploys tribal knowledge unique to each operator in a semi-automated manufacturing set-up to execute automatic technical superintending operations to improve manufacturing system performance and the methods therefor | |
JP2006318263A (en) | Information analysis system, information analysis method and program | |
US11531327B2 (en) | Abnormality determination device and abnormality determination system | |
JP2020170357A (en) | Predictive maintenance facility, predictive maintenance method and predictive maintenance program | |
US7957821B2 (en) | Systems and methods for statistical process control | |
CN116757648B (en) | Production and manufacturing management system and method based on artificial intelligence | |
JP2017010232A (en) | Plant diagnostic device and plant diagnostic method | |
EP3936957B1 (en) | Error-based method for calculating a remaining useful life of an apparatus | |
CN112650080A (en) | Control system for a technical installation with trend profile | |
JP2002236511A (en) | System and method for production control | |
KR102168737B1 (en) | Quality analysis device and quality analysis method | |
CN117196417A (en) | Intelligent analysis management system for machining data of vertical machining tool | |
JP7151312B2 (en) | control system | |
CN115795389A (en) | Method and system for monitoring operation condition of transformer cooling device | |
JP2019070993A (en) | Sign diagnostic device | |
CN117707050B (en) | Cloud computing-based numerical control machine tool real-time monitoring and data analysis system and method | |
CN117171922B (en) | Method and system for parallel correction in steel structure manufacturing | |
WO2023047545A1 (en) | Additional learning data selection device and computer-readable recording medium | |
US20240019848A1 (en) | System and method for developing a numerical control manufacturing program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190403 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20190403 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20190516 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190819 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190827 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191024 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20191126 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200127 |
|
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: 20200317 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200326 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6684038 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |