JP2020170357A - Predictive maintenance facility, predictive maintenance method and predictive maintenance program - Google Patents

Predictive maintenance facility, predictive maintenance method and predictive maintenance program Download PDF

Info

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
Application number
JP2019071550A
Other languages
Japanese (ja)
Other versions
JP6684038B1 (en
Inventor
樋山　雅樹
Masaki Hiyama
雅樹 樋山
統治郎 野田
Tojiro Noda
統治郎 野田
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 Power Solutions Co Ltd
Original Assignee
Hitachi Power Solutions Co 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 Power Solutions Co Ltd filed Critical Hitachi Power Solutions Co Ltd
Priority to JP2019071550A priority Critical patent/JP6684038B1/en
Application granted granted Critical
Publication of JP6684038B1 publication Critical patent/JP6684038B1/en
Publication of JP2020170357A publication Critical patent/JP2020170357A/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Machine Tool Sensing Apparatuses (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

To provide a management device capable of maintaining a state of a machine facility normally without causing abnormality in a work-piece.SOLUTION: A management device 100 normally maintaining an output state (work-piece) of a machine tool facility 200 comprises: a connection unit 40 acquiring information from a plurality of sensors arranged in the machine tool facility 200 as sensor time series information; a state measure calculation unit 1 calculating abnormality measure by statistical method using the sensor time series information as learning information, after a predetermined time has elapsed from start of one process or when a predetermined process in the one process is completed, during a period from start of the one process by the machine tool facility 200 to end of the one process; a factor specification unit 3 specifying a part of the machine tool facility 200 in which abnormality predictive is occurring and specifying a parameter related to a specified part; and a setting value calculation unit 4 calculating a parameter setting value related to the specified part.SELECTED DRAWING: Figure 1

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 Patent Document 1, when an emergency information mail is received, operation data related to the emergency information mail is acquired from the manufacturing apparatus, and when an abnormality is confirmed by diagnosis, it is determined whether or not the abnormality can be repaired, and automatic repair is possible. If so, the technology of the diagnostic device that transmits information for repair to the manufacturing device is disclosed.

特許第６１５２４９９号公報Japanese Patent No. 6152499

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 Patent Document 1 determines whether or not the abnormality can be repaired after confirming the abnormality of the manufacturing equipment, it cannot repair all the abnormalities. Further, in the technique of Patent Document 1, since the abnormality is confirmed for the entire manufacturing equipment, it does not correspond to the partial equipment abnormality for manufacturing the workpiece.

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.

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。It is an overall block diagram of the machine equipment management system which is 1st Embodiment of this invention. 工作機械設備の乖離度の変化を示す図である。It is a figure which shows the change of the degree of dissociation of a machine tool equipment. 工作工程の一例を示す図である。It is a figure which shows an example of a work process. クラスタを説明する説明図である。It is explanatory drawing explaining the cluster. クラスタの分割を説明する説明図である。It is explanatory drawing explaining the division of a cluster. 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。It is explanatory drawing explaining the method of specifying a part using the sensor time series information. 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。It is explanatory drawing explaining the method of specifying the parameter related to the specified part. 要因特定テーブルの一例を示す図である。It is a figure which shows an example of the factor identification table. 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。It is a flowchart for demonstrating operation of a sign maintenance system. 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。It is a flowchart for calculating a parameter setting value using the specified parameter. 要因特定テーブルを用いて、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。It is a flowchart for calculating a parameter setting value using a factor identification table. 本発明の第２実施形態である機械設備管理システムが複数工程で示す乖離度の変化を示す図である。It is a figure which shows the change of the degree of dissociation which the machine equipment management system which is 2nd Embodiment of this invention shows in a plurality of steps. 本発明の第３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。It is an overall block diagram of the machine equipment management system which is 3rd Embodiment of this invention.

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 equipment management system 1000, the management device 100 as the predictive maintenance equipment and the machine tool equipment 200 as the first machine equipment are communicably connected.
The machine tool equipment 200 is a machine tool that repeatedly creates (machines) one workpiece with one work a plurality of times. The machine tool equipment 200 includes a plurality of sensors, actuators, and the like (see FIG. 3), and a control device 150. The machine tool equipment 200 transmits time series information of a plurality of sensors to the management device 100, and drives the actuator according to the parameter set value received from the management device 100.

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 management device 100 determines that there is an abnormality sign, the parameter used by the machine tool 200 for machining is set within one process (for example, the final stage of step I is completed). I will fix it later).

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 machine tool equipment 200, a step of making a cut in the surface of the fixed member 160 with a movable cutter 140 will be described.
The Z stage 120 is an actuator that moves the cutter 140 up and down. The XY stage 125 is an actuator that moves the cutter 140 and the Z stage 120 in the XY directions, but here, it is assumed that the cutter 140 and the Z stage 120 are moved in the X direction. The length measuring sensor 110 is a laser length measuring sensor that measures the displacement of the cutter 140 in the Z direction. The temperature sensor 115 is installed in the vicinity of the cutter 140 and measures the temperature of the cutter 140. In addition to the length measuring sensor 110, another laser length measuring sensor (not shown) that measures the position of the cutter 140 in the XY direction is also provided. The fan 130 blows cooling air onto the cutter 140 and the like, and lowers the temperature of the cutter 140 according to the air volume. In the case of cutting, the flow rate of the cutting oil may be changed without changing the flow rate of the fan 130.

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 machine tool equipment 200, the Z stage 120 lowers the cutter 140 downward to the cutting position 161 and the XY stage 125 lowers the cutter 140 and the Z stage 120 in the X direction in order to make a cut in the surface of the member 160 by the cutter 140. Move to. Here, the target position Z of the Z stage 120, the target positions X and Y of the XY stage 125, and the like are referred to as "parameters" for the control device 150 to control. When the cutting of the cutter 140 is repeated many times, the cutting position is displaced from the cutting position 161 to the cutting position 162 (A position). Further, the distance between the cut position 161 and the cut position 162 is set to ΔL.

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 management device 100 calculates the abnormality measure (dissociation degree) of the cluster to which it belongs by using the predictive diagnosis method described in, for example, Japanese Patent No. 5827426, and performs the abnormality predictive diagnosis of the equipment. Specifically, the management device 100 has the difference between the time series information (normalized value) of the length measuring sensor 110 and the value in the normal state (abnormal measure characteristic component 91 (FIG. 4)) and the time series of the temperature sensor 115. The degree of divergence (abnormal measure), which is the magnitude of the vector sum (distance d (Fig. 4)) of the difference between the information (normalized value) and the value in the normal state (abnormal measure characteristic component 92 (Fig. 4)), is the first. When one threshold (FIG. 2) is exceeded, it is determined that there is a sign of abnormality in the machine tool equipment 200. The normalization is performed by dividing the distance d by the radius indicating the spread of the cluster to which the cluster belongs. Further, the dimensionless quantity may be obtained by dividing the detection value and the elapsed time of the sensor by a representative value (mean value, standard deviation, etc.).

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 management device 100 determines that there is an abnormality sign, it identifies whichever is larger, the anomaly measure characteristic component 91 by the length measuring sensor 110 or the anomaly measure feature component 92 by the temperature sensor 115. The management device 100 specifies a parameter related to the specified anomaly measure characteristic component, and outputs a set value of the specified parameter.

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 management device 100 determines that there is an abnormality sign, for example, when the abnormality measure by the length measuring sensor 110 is larger than the abnormality measure by the temperature sensor 115, the management device 100 specifies the position of the Z stage 120 as a parameter and sets the parameter. Is set to a value returned by ΔL. As a result, the position of the cutter 140 returns from the height of the A position to the height of the B position.

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 temperature sensor 115 is larger than the abnormality measure by the length measurement sensor 110, the management device 100 specifies the air volume of the fan 130 as a parameter and outputs a parameter set value in which the air volume is increased. That is, when the cause of the displacement of the cutter 140 in the Z direction is the heating of the cutter 140 or the like, the air volume of the fan 130 is increased to cool the cutter 140.

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 management device 100 includes a control unit 10, a storage unit 20, and a connection unit 40, catches an abnormality sign that occurs in the machine tool equipment 200 that creates the workpiece, and corrects the parameter set value. Has a function. The connection unit 40 acquires information of a plurality of sensors (length measuring sensor 110, temperature sensor 115, etc.) a plurality of times during each process, and outputs various parameter setting values for operating the machine tool equipment 200. Is. The control unit 10 is a CPU (Central Processing Unit), and by executing a program, functions as a state measure calculation unit 1, a factor identification unit 3, and a set value calculation unit 4 are realized.

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 measure calculation unit 1 includes a dissociation degree calculation unit 2. The deviation degree calculation unit 2 calculates the deviation degree (distance d (FIG. 4)) from the normal state of the machine tool equipment 200, and when the calculated deviation degree exceeds the first threshold value (FIG. 2), an abnormality sign Judged as yes.

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 length measuring sensor 110 indicating the position of the cutter 140 is normalized. The vertical axis is the feature β, and in the present embodiment, the value of the temperature sensor 115 is normalized. Here, if there is an axis of another sensor, for example, a length measuring sensor indicating the position of the XY stage 125, it is represented in multiple dimensions. Further, in the present embodiment, time-series data (hereinafter referred to as "normal data") obtained by measuring with a sensor while the machine / equipment to be diagnosed is operating normally is used.

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 machine tool equipment 200 repeats a predetermined operation process, the time series data of the sensor becomes substantially the same in each process. Therefore, if the machine tool equipment 200 is normal, the feature vectors are often densely packed.

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 length measuring sensor 110, value of the temperature sensor 115) belongs.
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 degree calculation unit 2 calculates the magnitude (distance d) of the vector from the representative value c of the cluster B to which the affiliation cluster belongs (for example, the center of gravity of the affiliation member can be used) to the diagnostic data q in a time series. The calculation is performed for each information, and the calculation result is defined as the degree of deviation indicating the magnitude of the deviation from the normal state of the machine tool equipment 200.
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 management device 100 specifies the position of the Z stage 120 as a parameter. On the contrary, when the component of the feature β (temperature) is larger than the component of the feature α (position), the management device 100 specifies the air volume of the fan 130 as a parameter.

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 degree calculation unit 2 diagnoses the presence or absence of an abnormality sign based on the distance d from a predetermined position (for example, the center of gravity) c of the cluster composed of the values of the normal state of the time series information of the sensor, and there is no abnormality sign. When it is diagnosed, the time series information is incorporated as a member of the cluster and learned.

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 machine tool equipment 200 will be described as having more sensors A, B, C, D, ..., X, Y, Z in addition to the length measuring sensor 110 and the temperature sensor 115. The horizontal axis is the time series information of each sensor A, B, C, D, ..., X, Y, Z, and the vertical axis is the vector (feature vector) that advances from the representative value c of the cluster to which it belongs to the diagnostic data q. ) (Abnormal measure characteristic component). The factor identification unit 3 identifies, for example, the portion of the sensor C having the largest value of the component of the feature vector (abnormal measure feature component).

Figure 2020170357

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。
Figure 2020170357
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 cutter 140 is cooled. Further, if the abnormality is caused by the inclination of the Z stage 120, the "position of the XY stage" is also conceivable. At this time, not only the Z-axis length measuring sensor 110 (FIG. 1) but also the XY-axis length measuring sensor (laser length measuring device) for measuring the position of the XY stage is used as a sensor for directly detecting the parameter. Will be added.

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 factor identification unit 3 can also specify the parameters by using the parameter column 34 of the factor identification table 30 (FIG. 5).

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 part column 33 that specifies the part showing the abnormality sign according to the abnormality measurement feature component 31 by the length measuring sensor 110 and the abnormality measurement feature component 32 by the temperature sensor 115, and the part. It is a database including a parameter column 34 that lists the parameters to be used and a parameter setting value column 35 that stores the setting value of the parameter (parameter setting value 24 (FIG. 1)).

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 part column 33 is specified, and further, the "Z stage position" in the parameter column 34 and the "shallow cut position" in the parameter setting value column 35 are specified. The amount of "shallowing the cut position" may be specified in one step or a plurality of steps.

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 temperature sensor 115 is larger than the abnormal measure characteristic component by the length measurement sensor 110 (abnormal measure characteristic component by the length measurement sensor: small, abnormal measure characteristic component by the temperature sensor: large), the part column 33 "fans" are specified, and further, "air volume" in the parameter column 34 and "air volume increase" in the parameter setting value column 35 are specified.

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 temperature sensor 115 and the anomaly measure characteristic component by the length measurement sensor 110 are about the same and the value is large (abnormal measure characteristic component by the length measurement sensor: large, anomaly measure by the temperature sensor). Characteristic component: large), "Z stage" and "fan" in the part column 33 are specified, "Z stage position" and "air volume" in the parameter column 34, and "shallow the cut position" in the parameter setting value column 35. And "increased air volume" are identified.

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 temperature sensor 115 and the anomaly measure characteristic component by the length measurement sensor 110 are about the same and the value is small (abnormal measure characteristic component by the length measurement sensor: small, anomaly measure by the temperature sensor). Characteristic component: small), "Z stage" and "fan" in the part column 33 are specified, "Z stage position" and "air volume" in the parameter column 34, and "position invariant" and "stop" in the parameter setting value column 35. Is specified.

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 factor identification unit 3 has the magnitude of a vector (feature vector) that advances from the representative value c (for example, the center of gravity) of the cluster to which it belongs to the diagnostic data q of the feature points of the length measurement sensor 110 and the temperature sensor 115. When (distance d = degree of deviation)) becomes larger than the first threshold value (FIG. 2), the site that causes the abnormal sign is specified. In addition, the factor identification unit 3 uses the factor identification table 30 to identify the parts and parameters of the machine tool equipment 200 related to the time-series information diagnosed by the state measure calculation unit 1 as having an abnormality sign. That is, the factor identification unit 3 identifies the portion by using the portion column 33 of the factor identification table 30 (FIG. 8).

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 value calculation unit 4 obtains a time series in which the value of the degree of dissociation falls within a predetermined range in the process when it is diagnosed that there is an abnormality sign by the method of FIG. 7, and the relational parameters in the time series. The value is set to the parameter setting value 24 (FIG. 1).

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 value calculation unit 4 outputs the specified parameter set value 24 to the machine tool equipment 200 via the connection unit 40. The set value calculation unit 4 may output the parameter set value 24 set at the start of operation of the machine tool equipment 200 to the machine tool equipment 200 via the connection unit 40.

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 value calculation unit 4 may output the parameter set value 24 at a predetermined rate of change when outputting to the machine tool equipment 200 via the connection unit 40. By gradually changing the parameter set value 24 to the target value, it is possible to prevent sudden operation fluctuations of the machine tool equipment 200.

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 machine tool equipment 200 shall operate based on a sequence to which the parameter set values set in the control device 150 (FIG. 1) are applied.
The management device 100 transmits the parameter set value 24 in the initial state (at the start of operation) to the machine tool equipment 200 (SP1).

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 machine tool equipment 200 makes initial settings using the received parameter setting value 24 (SP3), and starts machine tooling in one process including a plurality of steps (SP5). The machine tool equipment 200 transmits the work start information to the management device 100, and sequentially transmits the time series information of the sensor to the management device 100 (SP7). The machine tool equipment 200 does not sequentially transmit the time series information of the sensor to the management device 100, but as shown by the broken line, the machine tool equipment 200 sends the sensor to the management device 100 after the final stage completion (SP9) of one process. The series information may be transmitted all at once.

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 management device 100 receives the time-series information of the sensor from the machine tool equipment 200 (SP11), and calculates the degree of deviation at the time of reception using the time-series information accumulated in each process (SP13). After SP13, the management device 100 determines whether or not each degree of deviation in the process exceeds a predetermined value (first threshold value (FIG. 2)) (SP15). If the degree of dissociation is equal to or less than the predetermined value (less than or equal to the predetermined value in SP15), the management device 100 determines that there is no sign of abnormality, and continues receiving the time series information (SP11) and calculating the degree of dissociation (SP13).

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 management device 100 determines that there is an abnormality sign and identifies the abnormality sign site (SP17). Specifically, the management device 100 calculates the anomaly measure (deviation degree) for each sensor, identifies the part of the sensor having the largest anomaly measure feature component, or refers to the factor identification table 30 to refer to the anomaly measure feature. The part of the sensor is specified based on the size of the component. After SP17, the management device 100 identifies the relevant parameters related to the identified site (SP19). Specifically, the management device 100 uses the time series information (parameter time series information) of the sensor that directly detects a plurality of types of parameters related to the specified part and the calculated value thereof, and each abnormality measure characteristic component. To identify the relational parameters that indicate the largest anomalous measure characteristic component. The factor identification unit 3 can also specify the relational parameters by using the parameter column 34 of the factor identification table 30 (FIG. 8).

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 management device 100 calculates the parameter set value 24 (FIG. 1) (SP20). First, a method of selecting a parameter setting value that matches the parameter setting value (parameter initial setting value) at the start of operation of the machine tool equipment 200 from the time series information of the parameter setting value will be described. Next, a method of determining the parameter setting value using the factor identification table 30 will be described.

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 parameter setting value 24 in the initial state (at the start of operation) is specified. The machine tool equipment 200 is configured to execute each process such as work within a predetermined cycle (base time).

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 management device 100 acquires the "variation amount per unit time" of the relational parameter specified by SP19 from the table (SP50). This "variation amount per unit time" is for changing the parameter and using it for correcting the degree of deviation, the sensor actual measurement value, etc., and is appropriately set to a correctable amount. Further, the management device 100 calculates the fluctuation amount Δ by multiplying the “variation amount per unit time” by, for example, the period of the base time (for example, 20 mSec). The management device 100 may acquire the fluctuation amount Δ calculated in advance from the table.

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 management device 100 determines whether or not the time series information (sensor actual measurement value) received in SP11 (FIG. 9) is within a predetermined range (SP54). When the measured value of the sensor is less than the predetermined range (“less than the predetermined range” in SP54), the management device 100 adds the fluctuation amount Δ to the current parameter set value 24 to obtain a new parameter set value 24. (SP56).

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 management device 100 sets a new parameter by subtracting the fluctuation amount Δ from the current parameter setting value 24. The value is set to 24 (SP58). When the sensor actual measurement value is within a predetermined range (“within a predetermined range” in SP54) or the parameter set value 24 is added or subtracted (SP56, 58), the management device 100 is based on the processing. Return to the routine of (RETURN).

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 management device 100 transmits the parameter set value 24 stored in the storage unit 20 (FIG. 1) to the machine tool equipment 200 (SP22), returns the processing to SP11, and returns the processing to the machine tool. The reception of the time series information transmitted by the equipment 200 is repeated. The iterative process of the management device 100 is interrupted by an interrupt process or the like as appropriate.

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 machine tool equipment 200 updates the parameter set value after receiving the time series information (SP23). As a result, the machine tool equipment 200 completes one process (SP24), gives an instruction for the next stage work (SP25), and starts the next stage work process (SP5).

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 management device 100 acquires the anomaly measure characteristic component calculated in the identification of the abnormality sign site (SP17) (SP70). After SP70, the management device 100 uses the factor identification table 30 (FIG. 5) to identify the abnormality sign site and the parameter (SP72), identify the parameter set value (SP74), and perform the original routine (FIG. 8). ) Return.

（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 equipment management system 1000 of the first embodiment.

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 machine tool equipment 200, and the lower figure is the same as FIG. 2, showing the change in the degree of deviation in one machining process of the machine tool equipment 200. The horizontal axis in the lower figure is the time of one step, and the horizontal axis in the upper figure is the time axis extended to 100 steps. In this embodiment as well, one step of manufacturing one workpiece consists of a plurality of steps of work steps.

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 management device 100 has a sign of abnormality. Is determined. That is, the management device 100 detects an abnormality sign that a problem occurs in the work piece when the degree of deviation exceeds the first threshold value in the process in which the machine tool equipment 200 manufactures the work piece. Then, when the degree of deviation exceeds the first threshold value, the management device 100 corrects the parameters used by the machine tool 200 for machining within one process. With this modification, the machine tool equipment 200 (FIG. 1) tries to avoid an increase in the degree of dissociation as one machine tool process is executed many times.

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 management device 100 determines that the machine tool equipment 200 has generated an abnormality sign, and notifies the outside by sound or screen to that effect. The management device 100 does not notify the outside only when the degree of deviation exceeds the first threshold value. When the degree of deviation exceeds the "abnormal threshold value" (> second threshold value), there is a possibility that the workpiece cannot be made, so the manager needs to maintain the machine tool equipment 200.

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 management device 100 can detect the occurrence of an abnormality sign before the degree of deviation reaches the second threshold value (> first threshold value). At the stage of occurrence of this abnormality sign, the machine tool equipment 200 can produce a workpiece, and equipment maintenance is appropriately performed.

（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 machine tool equipment 200 of the first and second embodiments is provided with a length measuring sensor 110, a temperature sensor 115, a Z stage 120, an XY stage 125, a fan 130, and the like shown in FIG. 2, and is cut by a cutter 140. However, machine tool equipment having other sensors and actuators may be provided to perform other work.

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 equipment management system 1001, the management device 100, the machine tool equipment 200 as the first machine equipment, the machine tool equipment 210 as a plurality of second machine equipment, ... Are connected so as to be communicable.
The machine tool equipment 200 is a machine tool that repeatedly creates (machines) one workpiece with one work a plurality of times. The machine tool equipment 200 transmits time-series information of a plurality of sensors to the management device 100, and drives a plurality of actuators, fans 130, and the like according to parameter setting values received from the management device 100. The machine tool equipment 210, ... May have the same structure as the machine tool equipment 200, or may have a different configuration. For example, the machine tool equipment 210, ... Does not have to have the control device 150 as long as it has a plurality of sensors and a plurality of actuators. At this time, the plurality of sensors and the plurality of actuators of the machine tool equipment 210, ... Are controlled by the control device 150 of the machine tool equipment 200, as shown by the broken line.

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 management device 100 of the first embodiment, the management device 101 has a function of catching an abnormality sign that occurs in machine tool equipment 200, 210, ... That creates a workpiece, and correcting a parameter set value. .. The management device 101 includes a state measure calculation unit 1, a factor identification unit 3, and a set value calculation unit 4 inside the control unit 11, the state measure calculation unit 1 is changed to the state measure calculation unit 5, and the dissociation degree calculation unit 2 is It differs in that it is changed to the dissociation degree calculation unit 6.

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 degree calculation unit 6 calculates the deviation degree (distance d (FIG. 4)) of the machine tool equipment 200 from the normal state, and the calculated deviation degree is the first, as in the management device 100 of the first embodiment. When one threshold value (FIG. 12) is exceeded, it is determined that there is a sign of abnormality. However, the dissociation degree calculation unit 2 calculates the dissociation degree of the combination equipment of the machine tool equipment 200 and the machine tool equipment 210, 210, ..., And the calculated dissociation degree exceeds the second threshold value (FIG. 12). The difference is that it has a function to determine that there is an abnormality sign at the time.

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 machine tool equipment 200. However, the above figure is different from the second embodiment in that it shows a change in the overall degree of deviation of the plurality of machine tool equipments 200, 210, ....

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 management device 100 Determines that there is a sign of abnormality. That is, the management device 100 detects an abnormality sign in the entire plurality of machine tool equipment 200, 210, ..., And the degree of deviation is the first threshold value in the process in which the machine tool equipment 200 manufactures the workpiece. Detects anomalous signs that cause problems with the workpiece when the value is exceeded. Then, when the degree of deviation exceeds the first threshold value, the management device 101 corrects the parameters used by the machine tool 200 for machining within one process.

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 machine tool equipment 200, 210, ... (FIG. 13) gradually increases as the machining process is executed many times. Then, the management device 101 determines that the machine tool equipment 200, 210, ... Has generated an abnormality sign when the overall degree of deviation exceeds the second threshold value (> first threshold value), and makes a sound to that effect. Or on the screen to notify the outside. The management device 101 does not notify the outside only when the overall degree of deviation exceeds the first threshold value. It should be noted that, when the total degree of deviation of the plurality of machine tool equipments 200, 210, ... Exceeds the "abnormal threshold value", there is a possibility that the workpiece cannot be made, and it is necessary to maintain the equipment.

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 management device 100 can detect the occurrence of an abnormality sign before the overall degree of dissociation reaches the second threshold value (≠ first threshold value). At the stage of occurrence of this abnormality sign, a plurality of machine tool equipment 200, 210. ... Can produce each piece of work, and equipment maintenance is performed as appropriate.

（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 measure calculation unit 1 of the embodiment sequentially receives time-series information during the work of the machine tool equipment 200, or calculates the dissociation degree and the abnormality measure after one step is completed (SP11). .. That is, the state measure calculation unit 1 calculates the degree of deviation and the abnormality measure after a predetermined time has elapsed from the start of one step. Not limited to this, the state measure calculation unit 1 may calculate the dissociation degree and the abnormality measure when a predetermined step in one process is completed. Further, the set value calculation unit 4 transmits the parameter set value 24 to the machine tool equipment 200 before the start of the next stage work (SP22). In other words, the set value calculation unit 4 transmits the parameter set value 24 to the machine tool equipment 200 via the connection unit 40 after a predetermined time has elapsed from the start of one process. it can. The set value calculation unit 4 may transmit the set value calculation unit 4 before a predetermined step of the next step, not after a predetermined time has elapsed since the start of one step.

（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 machine tool equipment 200 of the above-described embodiment is intended to produce a workpiece (output product), but mechanical equipment such as a wind power generation equipment, a turbine, and an engine may be used. In these cases, the management device 100 calculates the degree of deviation and the abnormality measure for the purpose of normally maintaining the output state output by the mechanical equipment.

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 measure calculation unit 2 Dissociation degree calculation unit 3 Factor identification unit 4 Set value calculation unit 10 Control unit 21 Sensor time series information 22 Dissociation degree 23 Parameter time series information (related parameters)
24 Parameter setting value 30 Factor identification table 31, 32 Abnormal measure characteristic component 40 Connection part 91, 92 Abnormal measure characteristic component 100 Management device (predictive maintenance equipment)
110 Length measurement sensor 115 Temperature sensor 150 Control device 200 Machine tool equipment (1st machine equipment)
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)

工作機械設備の状態を診断し、該工作機械設備を正常な状態に保持する予兆保全設備であって、
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. 請求項１に記載の予兆保全設備であって、
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. 請求項２に記載の予兆保全設備であって、
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. 請求項２に記載の予兆保全設備であって、
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. 請求項１に記載の予兆保全設備であって、
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. 工作機械設備の状態を診断し、該工作機械設備を正常な状態に保持する予兆保全方法であって、
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. 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を備え、前記工作機械設備の状態を診断し、該工作機械設備を正常な状態に保持する予兆保全設備の制御部に実行させる予兆保全プログラムであって、
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.
JP2019071550A 2019-04-03 2019-04-03 Predictive maintenance equipment, predictive maintenance method and predictive maintenance program Active JP6684038B1 (en)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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