JP2022507110A - 非定常性機械性能の自動分析 - Google Patents
非定常性機械性能の自動分析 Download PDFInfo
- Publication number
- JP2022507110A JP2022507110A JP2021525314A JP2021525314A JP2022507110A JP 2022507110 A JP2022507110 A JP 2022507110A JP 2021525314 A JP2021525314 A JP 2021525314A JP 2021525314 A JP2021525314 A JP 2021525314A JP 2022507110 A JP2022507110 A JP 2022507110A
- Authority
- JP
- Japan
- Prior art keywords
- machine
- stationary
- output
- monitoring
- sensor
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 73
- 238000012544 monitoring process Methods 0.000 claims abstract description 58
- 238000012423 maintenance Methods 0.000 claims abstract description 18
- 230000008439 repair process Effects 0.000 claims abstract description 17
- 238000012986 modification Methods 0.000 claims abstract description 11
- 230000004048 modification Effects 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 25
- 238000013135 deep learning Methods 0.000 claims description 23
- 238000012937 correction Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 abstract description 7
- 230000001568 sexual effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 39
- 238000005070 sampling Methods 0.000 description 23
- 230000000875 corresponding effect Effects 0.000 description 12
- 238000010801 machine learning Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 230000007547 defect Effects 0.000 description 10
- 230000001360 synchronised effect Effects 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 5
- 230000004907 flux Effects 0.000 description 5
- 230000004043 responsiveness Effects 0.000 description 4
- 238000010183 spectrum analysis Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 239000012530 fluid Substances 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 230000005389 magnetism Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012631 diagnostic technique Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Optimization (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Analysis (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
少なくとも１つの機械をモニタリングする方法であって、当該方法は、少なくとも第１センサーが、少なくとも１つの動作時間フレームの最中に非定常性の様式で動作する少なくとも１つの機械から少なくとも第１非定常性信号を獲得すること引き起こすことを含み（少なくとも第１センサーは、少なくとも第１非定常性出力を提供する）、少なくとも第２センサーが、動作時間フレームの最中に少なくとも１つの機械から少なくとも第２非定常性信号を獲得することを引き起こすことを含み（少なくとも第２センサーは、少なくとも第２非定常性出力を提供する）、融合された出力を生成するために、少なくとも第１非定常性出力を少なくとも第２非定常性出力と融合させることを含み、融合された出力に基づいて、第１および第２非定常性信号のうちの少なくとも１つの少なくとも１つの特徴を抽出することを含み、少なくとも１つの機械の調子を確認するために、少なくとも１つの特徴を分析することを含み、かつ、分析することによって見出された調子に基づいて、少なくとも１つの機械の修理動作、保守動作および動作パラメーターの修正のうちの少なくとも１つを実行することを含む、前記方法。【選択図】図１
Description
関連出願への参照
ここで、２０１８年１１月９日付けで出願され、かつ、「ＳＹＳＴＥＭＳ ＡＮＤ ＭＥＴＨＯＤＳ ＦＯＲ ＡＵＴＯＭＡＴＥＤ ＤＩＡＧＮＯＳＴＩＣＳ ＯＦ ＮＯＮ－ＳＴＡＴＩＯＮＡＲＹ ＭＡＣＨＩＮＥＳ（非定常性機械の自動診断のためのシステムおよび方法）」と題する、米国仮特許出願シリアル番号第６２／７５８，０５４号を参照し、その開示は参照によってここで組み込まれ、かつ、その優先権がここで主張される。
ここで、２０１８年１１月９日付けで出願され、かつ、「ＳＹＳＴＥＭＳ ＡＮＤ ＭＥＴＨＯＤＳ ＦＯＲ ＡＵＴＯＭＡＴＥＤ ＤＩＡＧＮＯＳＴＩＣＳ ＯＦ ＮＯＮ－ＳＴＡＴＩＯＮＡＲＹ ＭＡＣＨＩＮＥＳ（非定常性機械の自動診断のためのシステムおよび方法）」と題する、米国仮特許出願シリアル番号第６２／７５８，０５４号を参照し、その開示は参照によってここで組み込まれ、かつ、その優先権がここで主張される。
発明の分野
本発明は、概して機械性能の分析に関し、かつ、いっそう具体的には非定常性機械の性能の自動分析に関する。
本発明は、概して機械性能の分析に関し、かつ、いっそう具体的には非定常性機械の性能の自動分析に関する。
発明の背景
本技術分野では、種々のタイプの自動機械分析のためのシステムが知られている。
本技術分野では、種々のタイプの自動機械分析のためのシステムが知られている。
本発明は、非定常性の特質（ｃｈａｒａｃｔｅｒｉｓｔｉｃ；特徴）を有する機械の性能の高度に正確な自動分析のための新規なシステムおよび方法を提供し、そのことによって、かかる機械の予防保守および動作パラメーターの最適化を可能にすることを求める。
したがって、本発明の好ましい実施形態によれば、少なくとも１つの機械をモニタリングするための方法が提供され、当該方法は、少なくとも第１センサーが、少なくとも１つの動作時間フレームの最中に非定常性の様式で動作する少なくとも１つの機械から少なくとも第１非定常性信号を獲得することを引き起こすことを含み（該少なくとも第１センサーは、少なくとも第１非定常性出力を提供する）、少なくとも第２センサーが、動作時間フレームの最中に少なくとも１つの機械から少なくとも第２非定常性信号を獲得することを引き起こすことを含み（該少なくとも第２センサーは、少なくとも第２非定常性出力を提供する）、融合された出力を生成するために、少なくとも第１非定常性出力を少なくとも第２非定常性出力と融合させることを含み、融合された出力に基づいて第１および第２非定常性信号のうちの少なくとも１つの少なくとも１つの特徴（ｆｅａｔｕｒｅ；特色）を抽出することを含み、少なくとも１つの機械の調子を確認するために少なくとも１つの特徴を分析することを含み、かつ、分析することによって見出された調子に基づいて少なくとも１つの機械の修理動作、保守動作および動作パラメーターの修正のうちの少なくとも１つを実行することを含む。
本発明の好ましい実施形態によれば、少なくとも１つの特徴は、機械の非定常性動作の定常性のレベルに対して無反応である。
好ましくは、融合させることは、少なくとも第２非定常性出力に基づいて少なくとも第１非定常性出力を修正することを含む。
好ましくは、少なくとも第１非定常性信号は機械の機械的状態を表し、かつ、少なくとも第２非定常性信号は機械の動作的状態を表す。
本発明の１つの好ましい実施形態によれば、融合させることは、第１および第２非定常性出力にウェーブレット変換を適用することを含み、かつ、修正することは、第１および第２非定常性出力のうちの一方のウェーブレット変換を、第１および第２非定常性出力のうちの他方のウェーブレット変換のバイナリーマスクと掛け合わせることを含む。
追加的または代替的には、融合させることは深層学習を採用する。
好ましくは、深層学習は、少なくとも第１および第２非定常性出力を、１つ以上の次元を有する１つのベクトルへと結合させることと、ベクトルを自動的に分類するようにニューラルネットワークをトレーニングすることを含む。
好ましくは、ニューラルネットワークのトレーニングは、非定常性出力を、モニタリングされている少なくとも１つの機械と少なくとも１つの共通する特質を共有する少なくとも１つの機械からの対応する定常性出力に基づいて分類するようにニューラルネットワークをトレーニングすることを含む。
代替的には、融合させることは、少なくとも第１および第２非定常性出力を、第１および第２非定常性出力の交互に繰り返すものを含む織り合わされた配置構成（ｉｎｔｅｒｗоｖｅｎ ａｒｒａｎｇｅｍｅｎｔ）にて結合させることを含み、かつ、深層学習は、時系列予測のためにＲＮＮネットワークを採用することを含む。
好ましくは、抽出することは、融合された出力から直接少なくとも１つの特徴を抽出することを含む。
好ましくは、少なくとも１つの機械は、共同プロセスを実行する一群の機械を含む。
本発明の別の好ましい実施形態によれば、少なくとも１つの機械をモニタリングするための方法がさらに、提供され、当該方法は、少なくとも第１センサーが、少なくとも１つの動作時間フレームの最中に非定常性の様式で動作する少なくとも１つの機械から少なくとも第１非定常性信号を獲得することを引き起こすことを含み（該少なくとも第１センサーは、少なくとも第１非定常性出力を提供する）、少なくとも第２センサーが、時間フレームの最中に機械から少なくとも第２非定常性信号を獲得することを引き起こすことを含み（該少なくとも第２センサーは、少なくとも第２非定常性出力を提供する）、第１非定常性信号の少なくとも１つの特徴を抽出するために、少なくとも第２非定常性出力に基づいて少なくとも第１非定常性出力を修正することを含み、機械の調子を確認するために少なくとも１つの特徴を分析することを含み、かつ、分析することによって見出された調子に基づいて機械の修理動作、保守動作および動作パラメーターの修正のうちの少なくとも１つを実行することを含む。
本発明の好ましい実施形態によれば、少なくとも１つの特徴は、機械の非定常性動作の定常性のレベルに対して無反応である。
好ましくは、少なくとも第１の非定常性信号は機械の機械的状態を表し、かつ、少なくとも第２の非定常性信号は機械の動作的状態を表す。
好ましくは、修正することは、第１および第２非定常性出力のうちの一方のウェーブレット変換を、第１および第２非定常性出力のうちの他方のウェーブレット変換のバイナリーマスクと掛け合わせることを含む。
追加的または代替的には、修正すること、および、分析することは深層学習を採用する。
好ましくは、深層学習は、少なくとも第１および第２非定常性出力を、１つ以上の次元を有する１つのベクトルへと結合させることと、ベクトルを自動的に分類するようにニューラルネットワークをトレーニングすることを含む。
好ましくは、ニューラルネットワークのトレーニングは、非定常性出力を、モニタリングされている少なくとも１つの機械と少なくとも１つの共通する特質を共有する少なくとも１つの機械からの対応する定常性出力に基づいて分類ようにニューラルネットワークをトレーニングすることを含む。
代替的には、修正すること、および、分析することは、少なくとも第１および第２非定常性出力を、第１および第２非定常性出力の交互に繰り返すものを含む織り合わされた配置構成にて結合させることと、時系列予測のためにＲＮＮネットワークを採用することを含む。
好ましくは、少なくとも１つの機械は、共同プロセスを実行する一群の機械を含む。
本発明のさらに好ましい実施形態によれば、少なくとも１つの機械をモニタリングするためのシステムがさらに提供され、当該システムは、少なくとも１つの動作時間フレームの最中に非定常性の様式で動作する少なくとも１つの機械から少なくとも第１非定常性信号を獲得するように動作する第１センサーを含んでおり（該少なくとも第１センサーは、少なくとも第１非定常性出力を提供する）、動作時間フレームの最中に少なくとも１つの機械から少なくとも第２非定常性信号を獲得するように動作する少なくとも第２センサーを含み（該少なくとも第２センサーは、少なくとも第２非定常性出力を提供する）、融合された出力を生成するために、少なくとも第１非定常性出力を少なくとも第２非定常性出力と融合させるように動作する信号プロセッサーを含み、融合された出力に基づいて第１および第２非定常性信号のうちの少なくとも１つの少なくとも１つの特徴を抽出するように動作し、かつ、少なくとも１つの機械の調子を確認するために少なくとも１つの特徴を分析するように動作する特徴抽出器を含み、かつ、調子に基づいて少なくとも１つの機械の修理動作、保守動作および動作パラメーターの修正のうちの少なくとも１つの実行を制御するように動作する機械制御モジュールを含む。
本発明の好ましい実施形態によれば、少なくとも１つの特徴は、機械の非定常性動作の定常性のレベルに対して無反応である。
好ましくは、信号プロセッサーは、少なくとも第２非定常性出力に基づいて少なくとも第１非定常性出力を修正するように動作する。
好ましくは、少なくとも第１の非定常性信号は機械の機械的状態を表し、かつ、少なくとも第２の非定常性信号は機械の動作的状態を表す。
好ましくは、信号プロセッサーは、第１および第２非定常性出力にウェーブレット変換を適用し、かつ、第１および第２非定常性出力のうちの一方のウェーブレット変換を、第１および第２非定常性出力のうちの他方のウェーブレット変換のバイナリーマスクと掛け合わせるように動作する。
追加的または代替的には、信号プロセッサーは深層学習を採用するように動作する。
好ましくは、深層学習は、少なくとも第１および第２非定常性出力を、１つ以上の次元を有する１つのベクトルへと結合させることと、ベクトルを自動的に分類するようにニューラルネットワークをトレーニングすることを含む。
好ましくは、ニューラルネットワークのトレーニングは、非定常性出力を、モニタリングされている少なくとも１つの機械と少なくとも１つの共通する特質を共有する少なくとも１つの機械からの対応する定常性出力に基づいて分類するようにニューラルネットワークをトレーニングすることを含む。
代替的には、信号プロセッサーは、少なくとも第１および第２非定常性出力を、第１および第２の非定常性出力の交互に繰り返すものを含む織り合わされた配置構成にて結合させるように動作し、かつ、深層学習は、織り合わされた配置構成に基づく時系列予測のためにＲＮＮネットワークを採用することを含む。
好ましくは、少なくとも１つの特徴は、融合された出力から直接抽出される。
好ましくは、少なくとも１つの機械は、共同プロセスを実行するように動作する一群の機械を含む。
本発明のまださらに好ましい実施形態によれば、少なくとも１つの機械をモニタリングするためのシステムもまた提供され、当該システムは、少なくとも１つの動作時間フレームの最中に非定常性の様式で動作する少なくとも１つの機械から少なくとも第１非定常性信号を獲得するように動作する第１センサーを含み（該少なくとも第１センサーは、少なくとも第１非定常性出力を提供する）、時間フレームの最中に機械から少なくとも第２非定常性信号を獲得するように動作する第２センサーを含み（該少なくとも第２センサーは、少なくとも第２非定常性出力を提供する）、少なくとも第２非定常性出力に基づいて少なくとも第１非定常性出力を修正し、修正された第１の非定常性出力の少なくとも１つの特徴を抽出し、かつ、機械の調子を確認するために少なくとも１つの特徴を分析するように動作する信号プロセッサーを含み、かつ、調子に基づいて機械の修理動作、保守動作および動作パラメーターの修正のうちの少なくとも１つの実行を制御するように動作する制御モジュールを含む。
本発明の好ましい実施形態によれば、少なくとも１つの特徴は、機械の非定常性動作の定常性のレベルに対して無反応である。
好ましくは、少なくとも第１非定常性信号は機械の機械的状態を表し、かつ、少なくとも第２非定常性信号は機械の動作的状態を表す。
好ましくは、信号プロセッサーは、第１および第２非定常性出力のうちの一方のウェーブレット変換を、第１および第２非定常性出力のうちの他方のウェーブレット変換のバイナリーマスクと掛け合わせるように動作する。
追加的または代替的には、信号プロセッサーは深層学習を採用する。
好ましくは、深層学習は、少なくとも第１および第２の非定常性出力を、１つ以上の次元を有する１つのベクトルへと結合させることと、ベクトルを自動的に分類するようにニューラルネットワークをトレーニングすることを含む。
好ましくは、ニューラルネットワークのトレーニングは、非定常性出力を、モニタリングされている少なくとも１つの機械と少なくとも１つの共通する特質を共有する少なくとも１つの機械からの対応する定常性出力に基づいて分類するようにニューラルネットワークをトレーニングすることを含む。
代替的には、信号プロセッサーは、少なくとも第１および第２非定常性出力を、第１および第２の非定常性出力の交互に繰り返すものを含む織り合わされた配置構成にて結合させ、かつ、織り合わされた配置構成に基づく時系列予測のためにＲＮＮネットワークを採用するように動作する。
好ましくは、少なくとも１つの機械は、共同プロセスを実行する一群の機械を含む。
本発明は、図面とともに考慮される以下の詳細な説明からいっそう完全に理解および把握されるであろう。
好ましい実施形態の詳細な説明
ここで図１を参照すると、該図は、本発明の好ましい実施形態にしたがって構築され、かつ、動作する非定常性機械性能の自動分析のためのシステムの、簡略化された一部が絵であり一部がブロックダイアグラムである図である。
ここで図１を参照すると、該図は、本発明の好ましい実施形態にしたがって構築され、かつ、動作する非定常性機械性能の自動分析のためのシステムの、簡略化された一部が絵であり一部がブロックダイアグラムである図である。
図１に見られるように、非定常性機械（本明細書では、例としてのみ、非定常性の様式で動作するモーター１０２として具現化される）の性能のモニタリングおよび自動分析のためのシステム１００が提供される。モーター１０２は好ましくは、その動作の最中に非定常性信号を生成する非定常性機械である。本明細書で用いられるとき、用語「非定常性機械」とは、経時的に変化する少なくとも１つの特質を有するプロセスを実行し、したがって、その動作中に非定常性信号を生じさせる機械のことをいう。かかる非定常性機械としては、例として、経時的に入力パワーの周波数および大きさを修正するドライバーによって制御されるサーボモーターのような時間変動入力によって駆動される機械；経時的に変化する駆動パワーを提供するエレベーターおよびクレーンのような移動設備を駆動させるモーター；その動作の最中に負荷変動および摩擦変化に曝されるＣＮＣプロセス機械のような、その出力において時間変動負荷を経験する機械、ならびに、例として、製造ロボットに設置されたモーターのような移動ベース上に搭載された機械が挙げられてもよい。
従来の機械モニタリングおよび診断技術は、かかる非定常性機械のモニタリングおよび分析への適合が不十分であり、そのことはそれによって表される非定常性信号特質に起因することが把握される。例として、機械動作の最中に生成される振動信号のスペクトル分析に基づく従来の機械診断は、速度および負荷のような動作パラメーターの変動から生じる非定常性信号のスペクトル成分の時間変動に起因して非定常性信号の分析に適していない。例として、モーター１０２の場合、モーター１０２は、非定常性時間変動ＲＰＭ速度、および、その調波を表すであろう。ＲＰＭ周波数、および、その調波の振動振幅（該パラメーターは、典型的には機械のコンディションおよび機械の欠陥と相関する）はしたがって、時間変動を表すであろうし、したがって、サンプリングされた信号の従来のスペクトル分析に基づいて正確に抽出され得ない。さらに例として、モーター１０２は、非定常性時間変動軸受周波数または線周波数を表すであろう。これらの周波数の振動振幅（典型的には機械のコンディションおよび機械の欠陥と相関する）はしたがって、時間変動を表すであろうし、したがって、サンプリングされた信号の従来のスペクトル分析に基づいて正確に抽出され得ない。
本発明の好ましい実施形態によれば、複数のセンサーによる少なくとも１つの動作時間フレームの最中の非定常性機械のモニタリングと、複数のセンサーの各々の非定常性出力を、融合または結合された出力へと融合させることに基づく、非定常性機械のモニタリングならびに自動コンディション分析のための新規なシステムならびに方法が提供される。とりわけ好ましくは、融合させることは、センサーのうちの少なくとも１つによって測定および出力された非定常性信号を、センサーのうちの少なくとも別の１つによって測定および出力された非定常性信号によって修正することを含む。そのように修正することは、正確性の喪失を伴わず、定常性信号の分析に適した従来の信号分析アプローチによって正確に分析されるであろう信号特徴を抽出するために用いられてもよい。信号特徴の分析は、機械の現在の調子をもたらしてもよく、該調子は、機械性能、機械効率、発生中の欠陥および機械の将来の性能の予測に関する情報を含んでもよい。追加的または代替的には、かかる方法は、その他のタイプの分析に適用されてもよい。
図１に見られるように、非定常性機械１０２は好ましくは、複数のセンサー（本明細書では、例として、機械１０２から生じる振動を測定する第１振動センサー１１０、および、機械１０２から生じる磁束を測定する第２磁気センサー１１２として具現化される）によってモニタリングされる。機械１０２から生じ、かつ、第１センサー１１０および第２センサー１１２によって測定可能な振動ならびに磁束信号は好ましくは、機械１０２の調子とは無関係に、機械１０２の動作の本来の非定常性の様式に起因して非定常性信号であることが把握される。
振動センサー１１０および磁気センサー１１２は例としてのみ示されていること、ならびに、機械１０２から出る信号をモニタリングするために、追加的または代替的なセンサータイプ（電流センサー、電磁気センサー、音響センサー、温度センサー、圧力センサーおよび流体流量センサーを含むが、それらに限定されない）が用いられてもよいことが把握される。機械１０２をモニタリングする複数のセンサーは、複数の振動センサーまたは複数の磁気センサーのような同じタイプの信号を測定する複数のセンサーを含んでいてもよく、センサーは互いに異なり、かつ／または、機械１０２に対して異なる位置に搭載され、機械１０２から出る同一のタイプの信号を測定するにも関わらず、わずかに異なる出力を生じさせることが、さらに把握される。
複数のセンサー（それらによって機械１０２がモニタリングされる）は接触センサーでも非接触センサーであってもよいことが、追加的に把握される。本発明の特定の実施形態では、移動している非定常性設備にセンサーをしっかりと取り付けることの困難性に起因して、非接触センサーの使用が好ましいであろう。
センサー１１０および１１２のような複数のセンサーは好ましくは、機械１０２の同一の少なくとも１つの動作時間フレームの最中に機械１０２をモニタリングし、センサーの各々の非定常性出力が機械動作の同一の期間（単数）または期間（複数）を表すようになっている。本発明の１つの好ましい実施形態では、機械１０２をモニタリングするセンサー１１０および１１２のような複数のセンサーは、相互に同期してサンプリングされる。サンプリングは、ｄｔ≒０．０１／ｆのオーダーの時間ウィンドウｄｔ内で同期してもよく、ｆはＲＰＭ周波数のような関心のある周波数である。本発明の別の好ましい実施形態では、機械１０２をモニタリングするセンサー１１０および１１２のような複数のセンサーは、ｄｔ≒０．０１／ｆのオーダーの時間ウィンドウｄｔ内で相互に同期してサンプリングされ、ｆはセンサーサンプリング周波数である。例として、センサー１１０および１１２は、２０ｋＨｚのサンプリング周波数で動作してもよく、したがって、時間フレームｄｔ（その範囲内で、センサーが同期してサンプリングされる）は、０．５μｓによって与えられる。本明細書では、同期したサンプリングにおける誤差を１％に制限するために、０．０１の値が選択されることが把握される。しかしながら、必要とされる誤差制限に依拠して、その他の値が選択されてもよい。
好ましくは、振動センサー１１０によって提供される第１非定常性出力および磁気センサー１１２によって提供される第２非定常性出力は、各々のゲインフィルター（ＧＦ）１１４および１１６へと提供され、該ゲインフィルターは次に、各々の信号をアナログ・デジタル変換器（ＡＤＣ）１１８および１２０へと提供する。ＡＤＣ１１８および１２０によって出力されるデジタル化された信号は好ましくは、ＣＰＵのようなメモリーコンポーネント１２２へと提供され、かつ、任意選択的には、クラウドデータベース１２４へと提供される。センサー１１０および１１２によって獲得された、同期してサンプリングされたデータは、システム１００の動作仕様に依拠して、クラウド系システム全体、ローカルハードウェアシステム、または、ローカルな要素およびクラウド系の要素の両方を有するシステムへと移されてもよいことが理解される。ＧＦ１１４および１１６、ＡＤＣ１１８および１２０ならびにＣＰＵ１２２を含む、本明細書に示されている特定の処理コンポーネントは、例としてのみ詳述されること、ならびに、任意の適切な信号処理コンポーネントが本発明のシステムにおいて採用されてもよいことが、さらに理解される。
振動センサー１１０および磁気センサー１１２によって各々出力された、好適に同期してサンプリングされた第１および第２非定常性出力は好ましくは、クロスセンサー信号プロセッサー１３０へと提供され、該信号プロセッサー１３０は、クラウドデータベース１２４に含まれていてもよく、ローカル処理要素を有していてもよい。
好ましくは、信号プロセッサー１３０は、少なくとも第１および第２センサー（本明細書では、振動センサー１１０および振動センサー１１２として具現化される）によって提供される第１および第２非定常性出力を受け取り、かつ、第２非定常性出力（例えば、磁気センサー１１２からの出力）に少なくとも基づいて第１非定常性出力（例えば、振動センサー１１０からの出力）を修正することによって出力を結合させて、第１非定常性出力（この場合、振動出力）の少なくとも１つの特徴を抽出するように動作する。
信号プロセッサー１３０は好ましくは、自動化された様式で動作する。図１に示されている本発明の１つの好ましい実施形態では、信号プロセッサー１３０は、非定常性磁気および振動データについてのウェーブレット分析を自動的に実行して、その特徴を抽出してもよい。図４および５に示され、かつ、以下に記載される本発明の別の好ましい実施形態では、信号プロセッサーは、それに入力される非定常性信号の特徴を抽出するために深層学習を採用してもよい。
信号プロセッサー１３０は、磁気ウェーブレット計算機１３２および振動ウェーブレット計算機１３４を含んでいてもよい。磁気ウェーブレット計算機１３２は好ましくは、磁気センサー１１２からの非定常性磁気データにウェーブレット変換を適用して、磁気データの特徴を抽出する。振動ウェーブレット計算機１３４は好ましくは、振動センサー１１０からの非定常性振動データにウェーブレット変換を適用して、振動データの特徴を抽出する。磁気および振動データのウェーブレット変換は、各々の磁気および振動スペクトル成分の時間依存性をもたらし、そのことによって、機械１０２によって生成される信号の非定常性の性質の結果としてスペクトル分析に伴う制限を回避する。磁気ウェーブレット計算機１３２および振動ウェーブレット計算機１３４によって実行される磁気および振動ウェーブレット計算は、センサー１１０および１１２によって獲得される非定常性データからの特徴の抽出のための演算のとりわけ好ましい例であることが把握される。しかしながら、センサー１１０および１１２によって獲得される非定常性データの特徴を抽出するための代替的なデータ演算が実装されてもよいことが理解される。
図２Ａには、例えば磁気ウェーブレット計算機１３２によって出力されるような、ノイズがフィルタリングされた磁気ウェーブレット画像の簡略化された例が示されている。図２Ａでは、磁気ウェーブレットスケールが較正され、かつ、疑似周波数に関してプロットされることが把握される。図２Ａにおける信号の大きさは、表示の明確性のために標準化された任意の単位スケールに関して示されている。
磁気ウェーブレット計算機１３２によって出力される磁気ウェーブレットは好ましくは、マスク抽出器１３８へと提供される。マスク抽出器１３８は好ましくは、画像処理アルゴリズムを採用して、磁気ウェーブレットマスクを抽出し、該磁気ウェーブレットマスクは、磁気ウェーブレット画像全体に基づいているが、特定の周波数の時間依存性のみを有し、その他の周波数はすべてフィルタリングで除去されている。例として、マスク抽出器１３８によって抽出される磁気ウェーブレットマスクは、ＲＰＭ周波数の時間依存性のみを含有し、その他の周波数はすべてフィルタリングで除去されていてもよい。マスク抽出器１３８によって抽出される磁気ウェーブレットマスクは好ましくは、バイナリーウェーブレットマトリックスであり、そこではＲＰＭスケールが疑似周波数へと変換されてもよい。国際公開第２０１８／１９８１１１号公報（本発明と同一の譲受人に譲渡され、かつ、参照によって本明細書に組み込まれる）には、かかるウェーブレットマスクを作成するために用いられてもよい例示的な好ましいアルゴリズムが記載されている。図２Ｂには、例えばマスク抽出器１３８によって出力されるような、図２Ａの磁気ウェーブレット全体から抽出されるＲＰＭ周波数のみを含有するバイナリーウェーブレットマスクの簡略化された例が示されている。
さらに例として、磁気抽出器１３８によって抽出される磁気ウェーブレットマスクは、ＲＰＭ周波数および線周波数の時間依存性、ならびに、それらの調波のみを含有していてもよい。これらの周波数は、ＲＰＭ周波数、および、その調波の場合には機械的ガタおよび不均衡のような種々の機械の欠陥に対応していてもよく、線周波数、および、その調波の場合には電気的な欠陥異常のような種々の機械の欠陥に対応していてもよい。
マスク抽出器１３８によって提供されるバイナリー磁気ウェーブレットマスクおよび振動ウェーブレット計算機１３４によって提供される振動ウェーブレット全体は好ましくは、ウェーブレット乗算器１５０へと提供される。ウェーブレット乗算器１５０は好ましくは、バイナリー磁気ウェーブレットマスクを、すべての周波数および振幅を含有する振動ウェーブレット画像全体と掛け合わせるように動作する。磁気ウェーブレットマスクと振動ウェーブレット全体の掛け合わせは、マスクの周波数とは関連しないそれらの周波数を振動ウェーブレット全体からフィルタリングで除去するように作用する。例えば、磁気ウェーブレットマスクがＲＰＭ周波数のみを含有する場合、バイナリー磁気ウェーブレットマスクと振動ウェーブレット全体の掛け合わせが、ＲＰＭ周波数のみを含有する振動ウェーブレット画像をもたらす。図３には、例えばウェーブレット乗算器１５０によって生成されるような、ＲＰＭ周波数のみを含有する振動ウェーブレット画像の簡略化された例が示されている。
さらに例として、磁気ウェーブレットマスクがＲＰＭおよび線周波数、ならびに、それらの調波に基づいて生成される場合、マスクは振動ウェーブレット全体と掛け合わされてもよい。この場合、マスクは、逆マスクとして振動ウェーブレット全体に適用されてもよく、ＲＰＭ周波数および線周波数、ならびに、それらの調波を振動ウェーブレット全体と掛け合わせることによって取得されるもの以外の周波数のみが保持されるようになっている。これらの周波数は、非同期周波数と名付けられてもよく、かつ、軸受周波数、または、その他の機械コンポーネントと関連付けられた周波数と密接に相関する。
その後、
（式中、Ｍは、マスク抽出器１３８によって出力される、ＲＰＭ周波数が１に設定され、その他の周波数はすべてゼロに設定されたバイナリー磁気ウェーブレットマトリックスであり、かつ、Ｖは、振動ウェーブレット計算機１３４によって出力される、振動信号の総ウェーブレット変換である）にしたがって、ＲＰＭ周波数のみを含有する振動ウェーブレット画像について数値的合計が実行されて、振動信号のＲＰＭの大きさが抽出されてもよい。式（１）に表された合計は、特徴抽出器１５２によって実行されてもよい。式（１）の積Ａは、ＲＰＭ周波数の振動振幅を表す。このパラメーターは、上記で説明されたように、機械のコンディションおよび欠陥と高度に相関する。特徴抽出器１５２は、線周波数、または、その調波の振動振幅を含む、フィルタリングされた振動ウェーブレット画像から任意の関連する特徴を抽出するように動作してもよいことが把握される。特徴抽出器１５２によって出力されるＲＰＭ周波数の振動振幅は、機械１０２の調子を確認するために分析されてもよい。かかる分析の結果は、コントローラー１５４へと提供されてもよく、該分析の結果に基づいて、コントローラー１５４は自動的に、機械１０２の動作パラメーターを修正し、機械１０２について修理動作を開始もしくはスケジューリングし、または、機械１０２について保守動作を開始もしくはスケジューリングしてもよい。追加的または代替的には、かかる分析の結果は、人間が感知可能な形態で少なくとも１人の人間の専門家へと提示されてもよく、該分析の結果に基づいて、人間の専門家は、機械の状態を評価し、保守、修理または動作パラメーター変更を適宜開始してもよい。追加的または代替的には、抽出された特徴は、例えば特徴追跡アルゴリズムによって経時的に追跡されてもよい。
本明細書に記載の信号プロセッサー１３０の種々の演算は、コンピューター演算であって、それにより第１非定常性信号が第２非定常性信号に基づいて修正されて、第１の非定常性出力の少なくとも１つの特徴が抽出される前記コンピューター演算であることが把握される。本明細書では、例として、第１非定常性振動信号由来の振動ウェーブレット全体が、第２非定常性磁気信号由来のＲＰＭバイナリーマスクによって修正されて、第１振動信号のＲＰＭの大きさが抽出され、該ＲＰＭの大きさは、機械の状態を見出すために分析されてもよい。
振動信号の特徴を導くための非定常性磁気信号から抽出される特徴による非定常性振動信号の修正は、振動センサー１１０および磁気センサー１１２から獲得されるデータの単純な対比分析とは根本的に異なることが、さらに把握される。本発明の好ましい実施形態によれば、磁気センサー１１２のような１つのタイプのセンサーからのデータの特徴が、振動センサー１１０のような別のタイプのセンサーからのデータについての較正入力として用いられる。このクロスセンサー較正は、振動および磁気のような種々のタイプの信号はそれ自体定常性ではないが、信号間の関係は、１つのタイプの信号からの特徴が別のタイプの信号を較正するために用いられてもよいようになっているという理解に基づく。
本発明は、ＲＰＭ周波数のような特定の周波数に関するウェーブレット変換の使用への適用に限定されず、むしろ、非定常性信号スペクトル成分の任意の関連部分に関するその他の演算に適用されてもよいことが理解される。さらに、図１に関して記載された例では、第１信号（例として、振動信号）は第２信号（例として、磁気信号）から抽出される特徴に基づいて修正されるが、逆もまた可能であり、それによって、第２信号（例として、磁気信号）が、第１信号（例として、振動信号）から抽出される特徴に基づいて修正されてもよいことが理解される。
磁気ウェーブレット計算機１３２、振動ウェーブレット計算機１３４、マスク抽出器１３８、ウェーブレット乗算器１５０および特徴抽出器１５２を含む信号プロセッサー１３０の種々の自動化された信号処理コンポーネントは、それらの各々の機能の説明の簡易性の目的のために本明細書では個別のコンポーネントとして表されていることが、追加的に理解される。しかしながら、信号プロセッサー１３０のコンポーネントによって実行される種々の機能は、必ずしも本明細書に記載の順番で実行されず、また、必ずしも本明細書に示されているように個別の分離したモジュールへと細かく分けられない。
図４には、信号プロセッサー１３０の代替的な実施形態が示されている。図４に見られるように、信号プロセッサー１３０は、機械学習に基づいて動作する振動－磁気信号フューザー（ｆｕｓｅｒ）４５０を含む信号プロセッサー４３０によって置換されてもよい。振動－磁気信号フューザー４５０は好ましくは、機械学習を採用して、例えば磁気センサー１１２によって出力される非定常性磁気信号のような少なくとも第２非定常性出力に基づいて、振動センサー１１０によって出力される非定常性振動信号のような少なくとも第１非定常性出力に基づいて修正することによって、振動センサー１１０および磁気センサー１１２の非定常性出力を自動的に融合させて、機械１０２の非定常性動作の定常性のレベルに対して無反応である第１非定常性出力の少なくとも１つの特徴を抽出するように動作する。振動－磁気信号フューザー４５０によって抽出される少なくとも１つの特徴はその後、機械１０２のコンディションをもたらし、かつ、その動作の異常を検出するために、従来の信号分析技術（該従来の信号分析技術は、定常性信号の特徴の分析に適する）によって分析されてもよい。機械１０２から出る非定常性信号はしたがって、機械１０２の動作の非定常性の様式にもかかわらず、機械１０２の動作の定常性のレベルに対して無反応である非定常性出力の少なくとも１つの特徴の抽出に起因して、標準的な信号分析技術に基づいて有利に分析され、かつ、機械１０２のコンディションは、正確に見出されるであろうことが把握される。
図５Ａ～５Ｃには、振動－磁気信号フューザー４５０において採用される機械学習技術のとりわけ好ましい実施形態が示されている。しかしながら、振動－磁気信号フューザー４５０において採用される機械学習技術は、図５Ａ～Ｃに示されているものに限定されず、かつ、機械１０２から出る種々の非定常性信号を自動的に融合させて、そこから非定常性機械１０２の動作の定常性のレベルに対して無反応である信号特徴を抽出するために実装されてもよい任意の適切な機械学習技術を含んでもよいことが把握される。抽出された信号特徴はその後、従来の信号分析技術を用いて自動的に分析されてもよく、該従来の技術は、定常性信号特徴を分類するように設計されているが、機械１０２から出る非定常性信号に正確に適用されてもよい。
ここで図５Ａを参照すると、振動－磁気信号フューザー４５０の動作における初期トレーニングステップ５００が示されている。初期トレーニングステップ５００のための入力として、好ましくは定常性データセット５０２が提供される。データセット５０２は好ましくは、複数のセンサーＳ１～Ｓｎからのデータを含み、該複数のセンサーは、本明細書では例として、振動センサー１１０および磁気センサー１１２として具現化される。しかしながら、データセット５０２は、電流センサー、電磁気センサー、音響センサー、圧力センサー、流体流量センサーおよび温度センサーのような追加的または代替的なタイプのセンサーからのデータを含んでもよいことが把握される。データセット５０２は、定常性の様式で動作し、かつ、定常性信号を生成するときに機械１０２から出るデータを含んでもよい。追加的または代替的には、データセット５０２は、必ずしも機械１０２と同一ではないが、それと共通する特質を共有し、かつ、定常性の様式で動作して定常性信号を生成する一群の機械からのデータを含んでもよい。共通する特質を共有する一群の機械（そこからデータセット５０２が獲得されてもよい）は、機械１０２を含んでも含まなくてもよい。
センサー１１０および１１２のような複数のセンサーは好ましくは、機械１０２の同一の少なくとも１つの動作時間フレームの最中に機械１０２をモニタリングし、センサーの各々の非定常性出力が機械動作の同一の期間（単数）または期間（複数）を表すようになっている。本発明の１つの好ましい実施形態では、機械１０２をモニタリングするセンサー１１０および１１２のような複数のセンサーは、相互に同期してサンプリングされる。サンプリングは、ｄｔ≒０．０１／ｆのオーダーの時間ウィンドウｄｔ内で同期してもよく、式中、ｆはＲＰＭ周波数のような関心のある周波数である。本発明の別の好ましい実施形態では、機械１０２をモニタリングするセンサー１１０および１１２のような複数のセンサーは、ｄｔ≒０．０１／ｆのオーダーの時間ウィンドウｄｔ内で相互に同期してサンプリングされ、式中、ｆはセンサーサンプリング周波数である。例として、センサー１１０および１１２は、２０ｋＨｚのサンプリング周波数で動作してもよく、したがって、時間フレームｄｔ（その範囲内で、センサーが同期してサンプリングされる）は０．５μｓによって与えられる。本明細書では、同期したサンプリングにおける誤差を１％に制限するために、０．０１の値が選択されることが把握される。しかしながら、必要とされる誤差制限に依拠して、その他の値が選択されてもよい。
データセット５０２は好ましくは、第１センサー融合オペレーター５１０へと提供される。第１センサー融合オペレーター５１０は好ましくは、本明細書では振動センサー１１０および磁気センサー１１２として具現化されたセンサー１～ｎからのデータを、結合された単一のデータセットへと結合させる。本発明の１つの実施形態によれば、第１センサー融合オペレーター５１０は、振動および磁気信号を１次元のベクトルへと結合させてもよく、該ベクトルはまた、データの対数関数を含み、第１センサー融合オペレーター５１０によって出力される結合された信号データセットが、元々のセンサーデータと、その対数関数の両方を含むようになっている。しかしながら、第１センサー融合オペレーター５１０は、入力センサーデータの対数関数を含むことに限定されず、追加的または代替的には、例えばデータの逆数を見出すこと、またはデータの２乗を見出すことを含む、データについてのその他の数学的演算を実行してもよいことが把握される。さらに、第１センサー融合オペレーター５１０は、振動および磁気データ、ならびに、それらの対数を合計し、かつ、２次元のベクトル（第２の次元は、センサーの数を表す）を作成すること、または、振動および磁気データについてウェーブレット変換を実行することのような本技術分野で知られたその他の方法にしたがって、複数のセンサーからのデータを融合させるように動作してもよい。
センサー融合オペレーター５１０によって出力される結合された単一のデータセットは好ましくは、第１ニューラルネットワークＮＮ１（本明細書では、参照数字５１２によって示される）へと入力される。ＮＮ１ ５１２は好ましくは、多層認識（ＭＬＰ）ネットワークとして具現化される。ＮＮ１は好ましくは、本明細書ではＸｓとして示される、それに入力された定常性データの特徴を自動的に抽出するように動作する。ＮＮ１によって抽出される特徴は、本明細書では振動センサー１１０および磁気センサー１１２として具現化されるセンサー１～ｎからのデータの融合に基づくことが把握される。とりわけ好ましくは、ＮＮ１は、１つの信号のセットから１つ以上の特徴を抽出し、抽出された特徴に基づいて第２の信号のセットを修正し、かつ、その後で、第２の修正された信号のセットから１つ以上の特徴を抽出するように動作してもよい。ＮＮ１への対数データの入力は、互いに関してＮＮ１による種々のセンサータイプからのデータの乗除の演算の学習を容易にし、したがって、１つの信号の別の信号による修正を可能にすることが理解される。
ＮＮ１によって抽出された特徴は好ましくは、参照数字５１４によって示されている第１分類器である分類器１へと提供される。分類器１は好ましくは、ＮＮ１によって出力された情報を分類して、機械（それによって分析された信号が生成された）のコンディションを見出すように動作する。分類器１によって出力された機械のコンディションは好ましくは、損失計算機５１６へと提供され、該損失計算機５１６においては損失関数が見出される。損失関数は、任意の適切な損失関数であってよい。損失関数は、例として、交差エントロピー損失関数のような分類器１によって提供される信号特徴の分類と人間の分析者によって提供される信号特徴の分類との間の差を表してもよい。
損失関数はその後、逆行性伝播および勾配降下アルゴリズムを用いてＮＮ１内の重み付けを反復的にさらに更新して、いっそう正確に関連する特徴を抽出し、かつ、それらの特徴を分類するようにＮＮ１および分析器１をトレーニングするために、好ましくはＮＮ１および分類器１へとフィードバックされる。この反復プロセスは、損失計算機５１６によって見出される損失関数が許容可能に低くなる（ＮＮ１および分析器１が、人間の専門家のものと対比して、許容可能な正確性のレベルで定常性信号の信号特徴を抽出および分類するようにトレーニングされたと考えられることを意味する）まで継続されてもよい。
例として、第１センサー融合オペレーター５１０によって出力される結合された単一のデータが、長さがＬである信号、および、その対数を有する１次元のベクトルである場合、ＮＮ１は、いくつかの隠れ層（その正確な数は、信号長さＬおよび抽出されるべき特徴の所望の数に依拠する）を含む十分に接続されたネットワークを有してもよい。入力層中のニューロンの数は、Ｌが４０よりはるかに大きいと仮定すると、Ｌの値に対応し、第２層ではＬ／４に対応し、第３層ではＬ／１０に対応し、かつ、最終層ではＬ／４０に相当する。ネットワークがセンサーデータ点間の非線形の関係の学習することを可能にするために、層の間にはレルーまたはシグモイド関数のような非線形活性化関数が含まれてもよい。
さらに例として、第１センサー融合オペレーター５１０によって出力される結合された単一のデータセットが、全長Ｌ＞４０である振動および磁気データ、ならびに、それらの対数の２次元のベクターを有する場合、ＮＮ１は、例えば５つのカーネルフィルターを有し、最初の２つのカーネルが長さＬ／２０という幅の広い寸法を有して低周波数センサー融合コンテンツを捕捉し、かつ、最後の３つのカーネルが各々のサイズがＬ／８０、Ｌ／２００およびＬ／４００といういっそう幅の狭い寸法を有して高周波数センサー融合コンテンツを捕捉する、畳み込み（ｃоｎｖоｌｕｔｉоｎ）ニューラルネットワークＣＮＮによって置換されてもよい。データセットの寸法を減らすために、ＣＮＮ中の畳み込み層の間に４および２の最大プール化を有するプール化層が含まれてもよい。活性化関数は好ましくは、レルー、シグモイドまたはタンエイチ関数であり、ＣＮＮがセンサーデータ間の非線形の関係を学習することを可能にする。畳み込み層に続いて、分類器１は、特徴を分類するために、好ましくはＣＮＮの出力層のサイズに等しいサイズを有する十分に接続されたネットワークを有して提供されてもよい。かかる分類は、機械の動作における特定の欠陥の深刻さを表してもよく、機械の全般的な調子の深刻さを表してもよい。例えば、多クラス分類の場合、最終層にソフトマックス活性化関数が含まれてもよく、二項分類の場合には、シグモイド関数が用いられてもよい。ＣＮＮの層の間にバッチ正常化が含まれて、CNNのトレーニングの実行が改善されてもよい。
ここで図５Ｂを参照すると、好ましくは図５Ａのトレーニングステップ５００の後に続く、振動－磁気信号フューザー４５０の動作における追加のトレーニングステップ５２０が示されている。
図５Ｂに見られるように、好ましくは、機械１０２のような所定の機械から出る定常性および非定常性データのペアが提供される。データペアは好ましくは、ランダムにペアリングされた、機械１０２についての定常性データ（複数のセンサー１～ｎからの定常性データを含む）、および、機械１０２からの非定常性データ（複数のセンサー１～ｎからの非定常性データを含む）を含む。データペアはランダムにペアリングされているが、定常性および非定常性のペアリングされたデータは両方とも、機械の同一の調子（該調子はよくても悪くてもよい）に対応することが必要とされることが把握される。ペアは好ましくは、各ペアの要素が同一の機械の調子に対応するという要件を満たしながら、混合されるようにシャッフルされる。
定常性データについて第１トレーニングステップ５００を実行するために、かつ、定常性および非定常性データについて第２トレーニングステップ５２０を実行するために、定常性および非定常性データを区別することが必要であることが把握される。本発明の好ましい実施形態によれば、定常性および非定常性データは、定常性試験に基づいて区別されてもよい。かかる試験は、データラベリングに基づいてデータを定常性または非定常性に分類するようにトレーニングされた機械学習分類器によって実行されてもよい。代替的には、かかる試験は、機械（そこからデータが出た）の動作的状態を分析するように動作する信号処理ベースの分類器によって実行されてもよい。例として、かかる分類器は、磁気信号についてウェーブレット変換を実行して、主周波数ピークが一定であるか一定でないか（したがって、機械的動作の定常性または非定常性の特質を各々示す）を確認するように作動してもよい。さらに例として、かかる分類器は、ゼロ交差アルゴリズムを用いて磁気信号の時間波形を分析して、主周波数ピークが一定であるか一定でないか（したがって、機械的動作の定常性または非定常性の特質を各々示す）を確認するように動作してもよい。
定常性データとして分類されたデータは好ましくは、第１センサー融合オペレーター５１０へと提供され、かつ、非定常性データとして分類されたデータは好ましくは、第２センサー融合オペレーター５２４へと提供される。第１センサー融合オペレーター５１０および第２センサー融合オペレーター５２４は好ましくは、各々、本明細書では振動センサー１１０および磁気センサー１１２として具現化されるセンサー１～ｎからそれに入力されるデータを、結合された単一のデータセットへと結合させる。さらに、センサー融合オペレーター５１０および５２４は好ましくは、各々、センサー１～ｎからのデータの対数関数を計算し、センサー融合オペレーター５１０および５２４によって出力される結合された単一のデータセットが、元々のセンサーデータ、および、それらの対数関数の両方を含むようになっている。センサー融合オペレーター５１０および５２４は、入力センサーデータの対数関数を計算することに限定されず、追加的または代替的には、例えばデータの逆数を見出すこと、またはデータの２乗を見出すことを含む、データについてのその他の数学的演算を実行してもよいことが把握される。さらに、第１センサー融合オペレーター５１０および第２センサー融合オペレーター５２４は、振動および磁気データ、ならびに、それらの対数を合計し、かつ、２次元のベクトル（第２の次元は、センサーの数を表す）を作成すること、または、振動および磁気データについてウェーブレット変換を実行することのような本技術分野で知られたその他の方法にしたがって、複数のセンサーからのデータを融合させるように動作してもよい。
好ましくは定常性データに基づいて第１センサー融合オペレーター５１０によって出力される対数関数を含む結合された単一のデータセットは好ましくは、ＮＮ１ ５１２へと提供される。ＮＮ１ ５１２は既に、図５Ａに示されている第１トレーニングステップ５００におけるそのトレーニングの結果として、第１センサー融合オペレーター５１０によって出力される定常性データセットから関連する特徴を抽出するようにトレーニングされていることが理解される。NN1によって抽出される定常性データの特徴は、本明細書ではＸｓとして示されている。
好ましくは非定常性データに基づいて第２センサー融合オペレーター５２４によって出力される対数関数を含む結合された単一のデータセットは好ましくは、本明細書ではＮＮ２ ５３０として示されている第２ＮＮへと提供される。ＮＮ２ ５３０は好ましくは、ＮＮ１と概して同一の構成を有するが、ＮＮの層内の重み付けは異なる。ＮＮ２は好ましくは、第２センサー融合オペレーター５２４によって出力される非定常性データセットから関連する特徴を抽出するように動作する。ＮＮ２によって抽出される特徴は好ましくは、本明細書では振動センサー１１０および磁気センサー１１２として具現化されるセンサー１～ｎからの非定常性データの融合に基づくことが把握される。ＮＮ２への対数データの入力は、互いに関してＮＮ２による種々のセンサータイプからのデータの乗除の演算の学習を容易にすることが理解される。ＮＮ２によって抽出される非定常性データセットの特徴は、本明細書ではＸｎｓとして示されている。
ＮＮ１に関してＮＮ２をトレーニングするために、ＮＮ１によって見出される定常性の特徴ＸｓおよびＮＮ２によって見出される非定常性の特徴Ｘｎｓは好ましくは、損失計算機５３２へと提供され、該損失計算機５３２において定常性および非定常性の特徴の間の差を表す損失関数が見出される。任意の適切な損失関数が、損失計算機５３２によって計算されてもよい。好ましくは、計算される損失は、（Ｘｓ－Ｘｎｓ）２にしたがって計算されるＭＳＥ損失である。
損失関数はその後、ＮＮ２内の重み付けをさらに更新して、自動的に正確に非定常性データセットから特徴（定常性データセットから抽出されるそれらの特徴とは最小限に異なる）を抽出するようにＮＮ２をトレーニングするために、好ましくはＮＮ２へとフィードバックされる。この反復プロセスは、損失計算機５３２によって見出される損失関数が許容可能に低くなる（ＮＮ２が、同一の機械または類似する一群の機械から獲得される定常性信号の信号特徴と対比して、許容可能な正確性のレベルで非定常性信号の信号特徴を抽出するようにトレーニングされたと考えられることを意味する）まで継続されてもよい。
ここで図５Ｃを参照すると、好ましくは図５Ａおよび５Ｂに示されているトレーニングステップ５００および５２０に続く、振動－磁気信号フューザー４５０の動作における動作ステップ５４０が示されている。
図５Ｃに見られるように、非定常性の様式での機械１０２の動作の最中、機械１０２から出る非定常性信号５４２は、本明細書では例として振動センサー１１０および磁気センサー１１２として具現化される複数のセンサーＳ１～Ｓｎによって測定される。非定常性信号５４２は好ましくは、第２センサー融合オペレーター５２４へと提供され、第２センサー融合オペレーター５２４は、ＮＮ２ ５３０へと結合されたセンサーデータセットを提供する。ＮＮ２ ５３０は既に、第２トレーニングステップ５２０にしたがって非定常性データから特徴を抽出するようにトレーニングされており、該特徴は、同一または類似の機械からの定常性データの特徴と最小限の損失関数だけ異なることが理解される。結果として、融合された非定常性センサー信号からＮＮ２によって抽出される特徴は、これらの非定常性の信号特徴および定常性の信号特徴（それらに基づいて分類器１が第１トレーニングステップ５００でトレーニングされた）の共通性に起因して、それらに基づいて機械１０２のコンディションを分類するために分類器１ ５１４に提供されてもよい。ＮＮ２はしたがって、好ましくは、機械１０２の非定常性動作の定常性のレベルに対して無反応であり、したがって、分類器１が定常性信号の特徴を分類するようにトレーニングされているにも関わらず分類器１によって正確に分類されるであろう最初の非定常性出力の少なくとも１つの特徴を抽出するように動作することが把握される。
ステップ５４０内で分類器１によって実行される分類の結果は、コントローラー１５４へと提供されてもよく、それらに基づいてコントローラー１５４は自動的に、機械１０２の動作パラメーターを修正し、機械１０２について修理動作を開始もしくはスケジューリングし、または、機械１０２について保全動作を開始もしくはスケジューリングしてもよい。追加的または代替的には、かかる分類の結果は、人間が感知可能な形態にて少なくとも１人の人間の専門家へと提示されてもよく、それに基づいて、人間の専門家が機械の状態を評価し、かつ、保守、修理または動作パラメーター変更を適宜開始してもよい。分類器１は、例えば軸受摩耗のような機械１０２における特定の欠陥の分類を可能にするように、第１トレーニングステップ５００においてトレーニングされてもよいことが把握される。追加的または代替的には、分類器１は、調子がよいか悪いか、機械１０２の状態の分類を可能にするように非欠陥特異的な様式でトレーニングされてもよく、機械１０２の異常動作の性質は、分類器１によって特定されない。
図５Ａ～５Ｃでは、複数のセンサーＳ１～Ｓｎからの初期入力信号は、複数のセンサーによって獲得される生データを有してもよく、生データに基づいて処理されたデータを有してもよく、該生データは、ネットワークによるさらなる処理の前に変形することが把握される。
ここで図６を参照すると、該図は、図１または図４に示されているタイプのシステム内で動作する非定常性機械から生じる信号の特徴の抽出に伴うステップを示す簡略化されたフローチャートである。
図６に見られるように、非定常性機械から生じる信号の特徴の抽出のための方法６００は第１ステップ６０２において始まってもよく、そこでは、非定常性機械からその動作の最中に少なくとも第１および第２の信号のセットが獲得される。
第１および第２の信号のセットは好ましくは、機械１０２の同一の動作の少なくとも１つの時間フレームの最中に獲得され、センサーの各々の非定常性出力が、機械動作の同一の期間（単数）または期間（複数）を表すようになっている。本発明の１つの好ましい実施形態では、複数のセンサーは相互に同期してサンプリングされる。 サンプリングは、ｄｔ≒０．０１／ｆのオーダーの時間ウィンドウｄｔ内で同期してもよく、ｆはＲＰＭ周波数のような関心のある周波数である。本発明の別の好ましい実施形態では、複数のセンサーは、ｄｔ≒０．０１／ｆのオーダーの時間ウィンドウｄｔ内で相互に同期してサンプリングされ、ｆはセンサーサンプリング周波数である。本明細書では、同期したサンプリングにおける誤差を１％に制限するために、０．０１の値が選択されることが把握される。しかしながら、必要とされる誤差制限に依拠して、その他の値が選択されてもよい。
第１および第２の信号のセットは好ましくは、それらによってモニタリングされる機械の非定常性動作に起因して、非定常性の特質を有する。
第１および第２の信号のセットは各々、振動および磁気信号のような異なるタイプの信号であってもよいことが把握される。代替的には、第１および第２の信号のセットは、両方とも磁気信号または両方とも振動信号のように同じタイプの信号であってもよいが、異なるタイプのセンサーから獲得され、したがって、それらの特定の面において異なる。
第２ステップ６０４においてみられるように、好ましくは、１つ以上の特徴が第１の信号のセットから抽出される。例として、１つ以上の特徴が、磁気センサーによって出力される非定常性磁気信号または振動センサーによって出力される非定常性振動信号から抽出されてもよい。例として、図１を参照して上記されたように、磁気ウェーブレット変換が非定常性磁気信号に適用されて、非定常性機械のＲＰＭに関する周波数のみを含有するバイナリー磁気ウェーブレットマスクを引き出してもよい。さらに例として、図４～５Ｃを参照して上記されたように、ＮＮが、磁気センサーによって出力される非定常性磁気信号または振動センサーによって出力される非定常性振動信号から１つ以上の特徴を自動的に抽出してもよい。
第３ステップ６０６において見られるように、第２の信号のセットは好ましくは、第２ステップ６０４において第１の信号のセットから抽出された特徴を用いて修正される。第１の信号のセットはしたがって、第２の信号のセットからの特徴のさらなる抽出の前に、第２の信号のセットを変換または較正する。例として、第２ステップ６０４において引き出されたバイナリー磁気ウェーブレットマスクは、バイナリー磁気ウェーブレットマスクを振動信号に基づく振動ウェーブレットと掛け合わせることによって振動信号を較正して、非定常性機械のＲＰＭ周波数に関するもの以外のすべての周波数を振動ウェーブレットからフィルタリングで取り除くために用いられてもよい。さらに例として、ＮＮが、１つのタイプの非定常性信号を、別のタイプの非定常性信号から抽出された特徴に基づいて自動的に修正してもよい。
第４ステップ６０８において見られるように、１つ以上の特徴がその後、好ましくは第３ステップにおいて修正された第２の信号のセットから抽出される。例として、第３ステップ６０６において引き出された修正済みの振動ウェーブレットにわたって合計が実行されて、ＲＰＭ周波数の振動振幅が抽出されてもよい。さらに例として、ＮＮは、それによって修正された非定常性信号の特徴を自動的に抽出してもよい。第５ステップ６１０において見られるように、抽出された１つ以上の特徴は、モニタリングされている非定常性機械の健康状態を見出すために分析されてもよい。方法６００によって抽出される１つ以上の特徴は好ましくは、機械の調子を表し、かつ、機械の動作の定常性のレベルに対して無反応であることが把握される。例として、信号特徴がＮＮによって抽出される場合、抽出された特徴は分類され、機械のコンディションは、非定常性ではなくむしろ定常性の様式で動作する同一または類似の機械から獲得されるデータでトレーニングされた分類器を用いることに基づいて引き出されてもよい。
第６ステップ６１２において見られるように、第５ステップ６１０において確認された機械の調子に基づいて、機械について修理または保守動作が実行されてもよく、実行されるようにスケジューリングされてもよく、機械の動作パラメーターが変更されてもよい。第６ステップ６１２は、モニタリングされている機械に連結されたコントローラーによって、自動化された様式で実行されてもよいことが把握される。追加的または代替的には、モニタリングされている機械の調子は、人間が感知可能な形態で人間の専門家へと通信されてもよく、かつ、人間の専門家は、モニタリングされている機械に対する修理、保守または動作変更の指揮に関わってもよい。
ここで図７を参照すると、該図は、本発明の別の好ましい実施形態にしたがって構築され、かつ、動作する非定常性機械性能の自動分析のためのシステムの、簡略化された一部が絵であり一部がブロックダイアグラムである図である。
図７に見られるように、本明細書では例として、機械コントローラー７０４に埋め込まれたプログラミング可能な動作レジームまたはレシピにしたがって動作するロボット機械７０２またはサーボモーターとして具現化される、非定常性機械の性能のモニタリングおよび自動分析のためのシステム７００が提供される。機械７０２は、入ってくるパワーおよび回転速度のような機械パラメーターのコントローラー７０４による時間変化修正に起因して非定常性の様式で動作する。
従来の機械モニタリングおよび診断システムは、かかる非定常性機械のモニタリングおよび分析には、それによって示される非定常性の信号特質に起因して、十分に適していないことが把握される。本発明の好ましい実施形態によれば、時間変化レシピにしたがって動作する非定常性加工機械のモニタリングおよび自動化されたコンディション分析のために、新規なシステムおよび方法が提供される。かかるコンディション分析は好ましくは、複数のセンサーによる非定常性機械のモニタリングに基いており、レシピ間隔にわたってセンサーの非定常性出力を融合させて、融合された出力を生成し、かつ、融合された出力に基づいて、レシピにしたがって動作する機械のコンディションを反映した信号特徴を抽出する。
本発明の特定の実施形態では、レシピ間隔を見出すことに続いて、見出されたレシピ間隔にしたがって複数のセンサーのサンプリング特質を調整することが有利である。信号特徴はその後で抽出されてもよく、レシピ間隔の最中に機械と関連付けられた信号特質が自動的に学習されてもよい。かかる学習は、レシピ間隔の最中に機械性能の基準線モデルを構築するために用いられてもよい。機械によって生成される信号から抽出される後続の信号特徴はその後、機械性能の基準線モデルと対比されて、機械の調子の変化を示す異常および逸脱が検出される。機械の修理、保守または動作パラメーター変更のような適切な訂正手段が、見出された異常に基づいてとられてもよい。
図７に見られるように、ロボット７０２は好ましくは、本明細書では例として第１振動センサー７１０（例えば、ロボット７０２のアームを駆動させるモーター７１１から出る振動を測定する）および第２磁気センサー７１２（モーター７１１から出る磁束を測定する）として具現化される複数のセンサーによってモニタリングされる。ロボット７０２のモーター７１１から出て、かつ、第１および第２センサー７１０および７１２によって測定可能な振動ならびに磁束信号は好ましくは、ロボット７０２の調子に関わらず、ロボット７０２の動作の非定常性の様式に起因して非定常性信号であることが把握される。
図８および９には、センサー７１０および７１２によって測定される、ロボット７０２のような処理機械によって生成された振動および磁気信号を表す例示的なデータが示されている。図８は、２つの異なる期間の最中に動作するロボット７０２のモーター７１１の４秒の記録の最中の２つの振動波形についてのデータを表している。図９は、図８に示されている２つの振動波形と同期して獲得された２つの磁気波形についてのデータを表している。図８および９の考慮から把握されるように、ロボット７０２は、図８および９においてＡ、ＢおよびＣとして各々示されている３つの動作領域によって特徴付けられたレシピにしたがって動作し、該動作領域はそれぞれ、それらと関連付けられた、増大した振動および磁気信号を有する。レシピ内のこれらの３つの動作領域Ａ、ＢおよびＣは、機械７０２のコントローラー７０４によって修正された異なる入力パラメーターに起因して異なる信号を生じさせる。
振動および磁気センサー７１０および７１２は例としてのみ示されていること、ならびに、機械７０２の性能をモニタリングするために、電流センサー、電磁気センサー、音響センサーおよび温度センサーを含むがそれらに限定されない追加的または代替的なセンサータイプが用いられてもよいことが把握される。機械７０２をモニタリングする複数のセンサーは、複数の振動センサーまたは複数の磁気センサーのような同一のタイプの信号を測定する複数のセンサーを含み、センサーは互いに異なり、したがって、機械７０２の同一のパラメーターを測定するにも関わらず、わずかに異なる出力を生じさせてもよいことがさらに把握される。
複数のセンサー（それらによって機械７０２がモニタリングされる）は、接触センサーであっても非接触センサーであってもよいことが追加的に把握される。本発明の特定の実施形態では、動いている非定常性設備にセンサーをしっかりと取り付けることの困難性に起因して、非接触センサーの使用が好ましいであろう。
センサー７１０および７１２のような複数のセンサーは好ましくは、機械７０２の同一の少なくとも１つの動作時間フレームの最中に機械７０２をモニタリングし、センサーの各々の非定常性出力が、機械動作の同一の期間（単数）または期間（複数）を表すようになっている。本発明の１つの好ましい実施形態では、機械７０２をモニタリングするセンサー７１０および７１２のような複数のセンサーは、相互に同期してサンプリングされる。サンプリングは、ｄｔ≒０．０１／ｆのオーダーの時間ウィンドウｄｔ内で同期してもよく、ｆはＲＰＭ周波数のような関心のある周波数である。本発明の別の好ましい実施形態では、機械７０２をモニタリングするセンサー７１０および７１２のような複数のセンサーは、ｄｔ≒０．０１／ｆのオーダーの時間ウィンドウｄｔ内で相互に同期してサンプリングされ、ｆはセンサーサンプリング周波数である。例として、センサー７１０および７１２は２０ｋＨｚのサンプリング周波数で動作してもよく、したがって、時間フレームｄｔ（その範囲内で、センサーが同期してサンプリングされる）は０．５μｓによって与えられる。本明細書では、同期的なサンプリングにおける誤差を１％に制限するために、０．０１の値が選択されることが把握される。しかしながら、必要とされる誤差制限に基づいて、その他の値が選択されてもよい。以下で詳述されるように、センサーサンプリング周波数は、レシピ間隔を見出した後でレシピ間隔にしたがって調整されてもよい。
好ましくは、振動センサー７１０によって提供される第１非定常性出力および磁気センサー７１２によって提供される第２非定常性出力は、各々ＧＦ７１４および７１６へと提供され、ＧＦ７１４および７１６は次に、各々の信号をアナログ・デジタル変換器（ＡＤＣ）７１８および７２０へと提供する。ＡＤＣ７１８および７２０によって出力されるデジタル化された信号は好ましくは、ＣＰＵのようなメモリーコンポーネント７２２へと提供され、かつ、任意選択的にはクラウドデータベース７２４へと提供される。センサー７１０および７１２によって獲得された、同期してサンプリングされたデータは、システム７００の動作仕様に依拠して、全体がクラウド系のシステム、ローカルハードウェアシステムまたはローカルおよびクラウド系の要素の両方を有するシステムへと移されてもよいことが理解される。ＧＦ７１４および７１６、ＡＤＣ７１８および７２０ならびにＣＰＵを含む、本明細書に示されている特定の処理コンポーネントは、例としてのみ詳述されること、ならびに、ならびに、任意の適切な信号処理コンポーネントが本発明のシステムにおいて採用されてもよいことが、さらに理解される。
各々振動センサー７１０および磁気センサー７１２によって出力された、同期してサンプリングされた第１および第２非定常性出力は好ましくは、機械レシピ分析器７３０へと提供され、該機械レシピ分析器７３０は、クラウドデータベース７２４に含まれていてもよく、ローカル処理要素を有していてもよい。
好ましくは、機械レシピ分析器７３０はレシピ間隔ファインダー（ｆｉｎｄｅｒ）７６０を含み、該レシピ間隔ファインダー７６０は、ロボット機械７０２の動作を統括するレシピの間隔を見出すように動作する。レシピ間隔ファインダー７６０は、センサー７１０および７１２の出力における繰り返しの間隔を検出することに基づいてレシピ間隔を見出してもよい。好ましくは、必ずしも必要ではないが、レシピ間隔ファインダー７６０は、図１～６を参照して上記されたようにクロスセンサー融合を採用して、機械７０２によって生成された、融合された磁気および振動信号における繰り返しの信号特徴を見出してもよい。
図１０には、レシピ間隔を示す図８の２つの振動データのセットの間のクロス相関レベルが示されている。クロス相関アルゴリズムがいくつかの時間間隔において適用されてもよく、かつ、
にしたがって回転速度によって重み付けされた相関の大きさに基づいて等級が与えられてもよく、式中、Ｓｉは振動または磁気のような任意のタイプのセンサーからのセンサーデータを表し、Ｓｔｏｔは２つのセンサーのエネルギーの大きさの積和であり、かつ、ＷはＲＰＭ重み関数である。
レシピ間隔ファインダー７６０は任意選択的には、センサー７１０および７１２にフィードバック制御を動作的に提供してもよく、レシピ間隔の確認に続いて、レシピ間隔ファインダー７６０が、それによって見出されたレシピ間隔にしたがってセンサー７１０および７１２のサンプリングパラメーターを再構成するように自動的に動作してもよいようになっている。例として、レシピ間隔の確認に続いて、センサー７１０および７１２の一方もしくは両方のサンプリング期間ならびに／または周波数は、全レシピ間隔の最中、レシピ間隔内の定められた期間の最中またはレシピ間隔の多数のサイクルにわたってセンサー７１０および７１２がロボット７０２をモニタリングすることを可能にするように調整されてもよい。
レシピ間隔ファインダー７６０がレシピ間隔を見出すこと、ならびに、センサー７１０および７１２のサンプリングパラメーターの任意選択的である適切な対応する調整に続いて、レシピ間隔にわたってセンサー７１０および７１２によって獲得されたデータは、レシピ間隔ファインダー７６０によって見出されたレシピ間隔にわたって獲得された信号内の関心のあるゾーンまたは領域を検出するために処理されてもよい。かかるゾーンは、機械性能をとりわけ表すことに基づいて選択されてもよく、かつ、例として、増大した振動または増大した磁束信号を含むゾーンに対応してもよい。
ゾーン検出は、レシピ間隔内のデータにヒルベルト変換を適用すること、および、その包絡関数を分析することに基づいて実行されてもよい。ヒルベルト変換は、個別のセンサーからのデータに適用されてもよく、個別のセンサーからのデータのクロスセンサー処理から抽出されるデータに適用されてもよい。代替的には、ゾーン検出は、ガウス関数を用いた畳み込みマスキングに基づいて実行されて、振動ゾーンと関連付けられた急激な信号の上昇および減衰を捉えてもよい。図１１には、ゾーンに分割された振動信号の例が示されている。図１１に見られるように、破線７８０は、ゾーン検出のために適用された適合アルゴリズムを表し、かつ、個別のゾーンは縦線７８２によって描かれている。
レシピ間隔にわたってセンサー７１０および７１２によって獲得されたデータは好ましくは、その特質ある特徴を抽出し、したがってレシピ間隔にわたってレシピを実行する機械の特質を学習するために分析される。ゾーン検出が実行される場合、信号特徴は、全レシピ間隔にわたってではなく、むしろ特定のゾーンそれぞれについてゾーン毎に計算されてもよい。ゾーンは、例としてゾーンエネルギー、ゾーン期間およびゾーン内のモーメント変動を含むその特質ある特徴に基づいて分類されてもよい。全レシピ間隔にわたる特徴抽出は典型的には、レシピ間隔内動作レジームにおける高変動に起因して特徴を不十分に表す低解像をもたらすので、レシピ間隔の代表的なゾーンへの分割および全レシピ間隔にわたってではなくゾーン毎に信号特徴を見出すことが非常に有利であることが把握される。しかしながら、レシピ間隔のゾーンへの分割は、レシピ間隔内の変動がかかるゾーン分割を不要にする程十分小さなスケールのものであれば、本発明の特定の実施形態では必要とされないであろうことが理解される。
追加的または代替的には、レシピ間隔内にセンサー７１０および７１２によって獲得されたデータの分析は、その他の機械学習アルゴリズムに基づいてもよい。データから抽出される特徴は、データの確率密度関数モーメント、累積率またはエントロピーのような統計学的特徴；速度および入ってくるパワーのような動作的特徴；主たる波形コンポーネント、波形パワースペクトル、信号エネルギーおよび信号整合特徴のような記号特徴；例えば国際公開第２０１８／１９８１１１号公報に記載されたタイプの信号分析アルゴリズムに基づく機械効率のような機械性能特徴；ならびに、機械温度と対比されてもよい外部温度センサーから獲得された環境温度および流体流動を伴う機械の場合には機械圧力のような外部センサーから獲得されるであろう環境的特徴と関連付けられた特徴を含んでもよい。
好ましくはゾーン特徴を含むレシピを実行する機械７０２と関連付けられた信号特徴は、レシピ学習アルゴリズム７９０によって学習されてもよい。レシピと関連付けられた信号特徴の自動学習は、例としてコントローラー７０４からのデータのような外部データの入力によって増強されてもよい。コントローラーデータは、センサー７１０および７１２からのデータと相関して、レシピ（それにしたがって機械７０２が動作する）に関する追加の情報を提供し、かつ、レシピ間隔の検出の精度を改善してもよい。
レシピ学習アルゴリズム７９０がレシピ特質および特徴を見出すことに続いて、機械７０２によるレシピの遂行の最中のその性能のモデルが構築されてもよい。かかるモデルは、レシピモデル構築部７９２によって構築されてもよく、かつ、所定のレシピレジーム内の機械性能を表す基準線モデルを構築してもよい。モデルは、クラウドデータベース７２４のようなデータベースに格納されてもよい。モデルは、異常および逸脱を検出するために、基準（それに対してレシピの遂行の最中に機械７０２によって生成される後続の信号の特徴が対比されてもよい）として用いられてもよい。例として、機械性能における異常は、異常検出器７９４によって検出されてもよい。レシピ特質における異常は、例えば機械の劣化に起因するであろう。代替的には、異常は、機械動作への悪意の介入に起因するであろう（例えば、機械レシピを修正するためにコントローラー７０４に搭載された悪意のセキュリティー違反の場合）。異常検出器７９４によって検出された異常は出力されてもよく、かつ、これらの異常に基づいて、機械７０２の調子、または、それへの悪意の介入が見出されてもよい。機械動作パラメーターの変更、機械動作の中断または機械の修理のような適切な訂正手段が、例えば機械制御モジュール７９６によって自動的に、または、人間の介入に基づいて、その後で実行されてもよい。
レシピモデル構築部７９２によって構築されたモデルは、機械７０２に連結され、センサー７１０および７１２より低いパワーで動作するが、それらと相関する低パワーセンサーからのデータを含んでもよい。かかる低パワー感知は、特定のレシピ間隔内ではなく、むしろ機械７０２に関して継続的に実行されてもよく、かつ、レシピの遂行の最中の機械性能のモデルからのセンサー読み取りにおけるリアルタイムの異常を検出するために用いられてもよい。かかる異常が見出される場合には、低パワーセンサーは、センサー７１０および７１２のような高パワーセンサーを駆動させて、追加のデータ（該追加のデータに基づいて、いっそう進化した異常検出アルゴリズムが異常検出器７９４によって適用されてもよい）を収集してもよい。
レシピ学習アルゴリズム７９０、レシピモデル構築部７９２および異常検出器７９４は、自動的に所定のレシピを遂行する機械７０２の動作のモデルを構築し、かつ、機械７０２から出る信号をかかるモデルを対比して、機械７０２の動作における異常を評価するために用いられる機械学習アルゴリズムの１つの好ましい実施形態に対応する。
本発明のとりわけ好ましい実施形態によれば、レシピ学習アルゴリズム７９０、レシピモデル構築部７９２および異常検出器７９４は、深層学習を採用してもよく、かつ、とりわけ好ましくは、長・短期記憶（ＬＳＴＭ）ネットワークのような回帰型ＮＮ（ＲＮＮ）を採用して、機械７０２によるレシピの遂行の最中にそれから出る非定常性信号における異常を見出してもよい。
図１２Ａ、１２Ｂおよび１２Ｃには、機械レシピ分析器７３０内に採用可能なＬＳＴＭネットワークの考え得る実装のとりわけ好ましい実施形態が示されている。ここで図１２Ａを参照すると、機械７０２によって生成されたもののような非定常性レシピデータセット８１００が、本明細書では経時的に振動信号を有する第１信号セットＳ１および経時的に磁気信号を有する第２信号セットＳ２として具現化される複数の信号を有することが見られる。振動および磁気信号の時系列は好ましくは、全レシピ間隔をまたぎ、かつ、好ましくはレシピ間隔ファインダー７６０によって見出された多数のレシピ間隔をまたいでもよいことが把握される。第１および第２信号セットＳ１およびＳ２は、生センサーデータを有してもよいが、いっそう好ましくは線周波数またはＲＰＭまたはゾーン特徴のような生データから抽出された特徴を有してもよいことがさらに把握される。例えば、第１の信号のセットＳ１はモーター７１１の振動レベルを有してもよく、かつ、第２の信号のセットＳ２はモーターの現在の線周波数を有してもよい（必ずしも必要ではないが、好ましくはゾーンにわたって）。モーター７１１の振動レベルはモーター７１１の機械的状態を表す一方で、磁気信号に基づくモーター７１１の線周波数は、モーター速度（したがって、モーターの動作的状態）と直接相関することが把握される。
信号セットＳ１およびＳ２は好ましくは、センサー融合時系列オペレーター８１０２へと提供される。センサー融合時系列オペレーター８１０２は好ましくは、異なるタイプの信号を、時間にしたがって配置された信号タイプの交互に繰り返すものを有する単一の結合された信号へと融合させる。したがって、磁気信号Ｍｉ－１が対応する同期した振動信号Ｖｉ－１と織り合わされ、それに続いて、磁気信号Ｍｉが対応する同期した振動信号Ｖｉと織り合わされ、以下同様に続く。信号Ｓ１およびＳ２が各々機械の機械的および動作的状態を表す信号に対応する場合、センサー融合時系列オペレーター８１０２は、これらの信号を融合させるように動作する。
センサー融合時系列オペレーター８１０２によって出力された、織り合わされたデータセット（機械の機械的状態および機械の動作的状態を表す織り合わされたデータを有してもよい）は好ましくは、ＬＳＴＭネットワーク８１０４へと提供される。ＬＳＴＭネットワーク８１０４の動作の１つの考え得るモードは、ＬＳＴＭネットワーク８１０４の概略図を示す図１２Ｂを参照して、最も良好に理解されるであろう。図１２Ｂに見られるように、ＬＳＴＭネットワーク８１０４は、織り合わされた磁気および振動信号を受け取る。各ニューロン８１０５において、ＬＳＴＭネットワークは、対応するシフトされた信号を予測し、各ＬＳＴＭニューロンが、融合された時系列における隣接する次のデータ点を予測するように動作するようになっている。
予測された信号値はその後、損失関数モジュール８１０６において、かかる信号の実際の測定値と対比される。損失関数モジュール８１０６は好ましくは、予測された信号値を実際の対応する測定信号値と対比し、かつ、ＬＳＴＭネットワーク８１０４の重みを反復的に更新して、予測された値と実際の値との間の差を最小化するように動作する。ＬＳＴＭネットワーク８１０４は、損失関数（該損失関数は、ＬＳＴＭネットワーク８０４によって予測された時系列と真実の時系列との間の差を表す）について逆行性伝播および勾配降下アルゴリズムを用いて反復的にトレーニングされる。損失関数モジュール８１０６は、例としてＭＳＥ損失を見出してもよい。
本発明の別の好ましい実施形態によれば、ＬＳＴＭネットワーク８１０４は、ＬＳＴＭ自己符号化器であってもよく、該ＬＳＴＭ自己符号化器は、織り合わされたデータセットを符号化し、かつ、信号特徴を損失関数モジュール８１０６へと出力するように動作する。ＬＳＴＭネットワーク８１０４によって出力される信号特徴は好ましくは、この場合、磁気および振動信号として具現化される入力信号の融合、および、それに基づく特徴の抽出に基づく。損失関数モジュール８１０６は好ましくは、ＬＳＴＭネットワーク８１０４によって出力された復号済みの信号特徴を、入力される織り合わされたデータセットと対比するように動作する。復号された信号特徴と織り合わされた入力データセットとの間の差はその後、損失関数が許容可能に小さく、かつ、ＬＳＴＭネットワーク８１０４が織り合わされたデータセットを許容可能な精度のレベルで符号化するようにトレーニングされたと考慮されるまで、ＬＳＴＭネットワーク８１０４へとフィードバックされ、かつ、符号化器の重みは、逆行性伝播および勾配降下アルゴリズムを用いて反復的に調整される。
ここで図１２Ｃを参照すると、図１２ＡおよびＢに示されているＬＳＴＭネットワーク８１０４のトレーニングに続いて、レシピ間隔内に機械７０２によってその動作中に生成された磁気信号Ｍｉが、トレーニングされたＬＳＴＭネットワーク８１０４へと提供されてもよい。ＬＳＴＭネットワーク８１０４は好ましくは、図１２Ａおよび１２Ｂに示されているプロセスにしたがう振動および磁気信号の間の関連付けの学習に基づいて、磁気信号入力に対応する対応振動信号
を予測するように動作する。
予測された振動信号
は、磁気信号Ｍｉと同期して測定される実際の測定された振動信号Ｖｉと対比されてもよい。例として、実際の振動信号および予測された振動信号は、異常検出器８１０８によって対比されてもよく、該異常検出器８１０８は、異常検出器７９４のとりわけ好ましい実施形態であってもよい。予測された信号が所定の閾値差より実際の測定された信号と異なる場合、測定された信号は異常であり、かつ、機械７０２の動作の芳しくない状態を示していると考えられる。
所定のレシピにしたがって動作する加工機械の条件付きモニタリングのための本明細書に記載のシステムおよび方法は、単一の機械の場合に限定されないことが把握される。むしろ、本発明は、共通するプロセスに貢献する複数の機械に関して実装されてもよい。かかるプロセスは、平行レシピプロセス（多数の機械が、同一の時点において同一の動作モードを共有する）であってもよく、直列レシピプロセス（機械が直列的に動作し、かつ、１つの機械の出力が、連続的な様式で別のものの入力を形成する）であってもよい。
共通するプロセスに貢献する多数の機械の場合、信号は好ましくは、多数の機械それぞれに連結された複数のセンサーによって同期して獲得される。好ましくは、レシピ間隔、レシピゾーンおよびレシピゾーン特質ならびにレシピ基準線モデル（個別の機械についてではなくむしろ、プロセスを実行する機械のすべて、または、いくつかにわたって構築された）を含むレシピ特徴が、単一の機械７０２の場合において上記されたように抽出される。
多数の機械の場合、レシピ間隔を確立するためのクロス相関は概して、単一の機械の場合について上記されたように実行されるが、多数の機械にわたる複数のセンサーについてのものであり、かつ、いっそう具体的には、
にしたがって、多数の機械に対応して連結された所定のタイプのセンサーについてのものであり、式中、ｎは振動または磁気のような任意のタイプのセンサーについてのセンサータイプを表し、ｉは機械インデックスを表し、かつ、ｊはｉ＋１からｉｎまでの値をとる。その他のパラメーターは、式（２）を参照して上記された通りである。
多数の機械についてのかかるプロセスモデルが、プロセス内でロボット７０２のような各機械について構築された単一の基準線モデルに加えられてもよいことが把握される。このことは、機械性能における異常が識別されるであろう精度を向上させる。なぜなら、個別機械異常検出を増強させるために、多数の機械のプロセス異常検出が用いられてもよいからである。
各々が多数の機械のうちの異なる機械に連結された同一のタイプまたは異なるタイプのセンサーは、相関してもよい。かかる相関は、上記されたように、機械によって実行されているプロセスのタイプ、および、そのレシピ間隔を見出して、センサーサンプリングパラメーターを適切に設定するために用いられてもよい。
共同してプロセスを実行する多数の機械の動作の分析のためにＬＳＴＭネットワークが機械レシピ分析器７３０内で採用される場合、機械から出る信号は、例として、多数の機械すべてからの磁気信号を有する合計磁気ベクトルおよび多数の機械すべてからの振動信号を有する合計振動ベクトル（該振動信号は、磁気信号に関して同期して獲得される）へと結合されてもよい。振動ベクトルはその後、上記されたように、ＬＳＴＭネットワーク８１０４が所定のレシピを実行する一群の機械の信号の特徴を学習し、したがって、そこからの逸脱を検出することを可能にするように、センサー融合時系列オペレーター８１０２によって磁気ベクトルと織り合わされる。追加的または代替的には、共同してプロセスを実行する多数の機械からの信号は、平均化されてもよく、そうでなければ結合されてもよく、かつ、その後でセンサー融合時系列オペレーター８１０２によって融合され、かつ、ＬＳＴＭネットワーク８１０４へと提供されてもよいことが把握される。
ここで図１３を参照すると、該図は、図７に示されているタイプのシステムにおいて動作する非定常性機械から生じる信号の特徴の抽出に伴うステップを示す簡略化されたフローチャートである。
図１３に見られるように、レシピにしたがってプロセスを実行する非定常性機械から生じる信号の特徴の抽出は、第１ステップ１３０２において始まってもよく、該第１ステップでは、信号が、レシピにしたがって動作する少なくとも１つの非定常性機械に連結された複数のセンサーから同期して獲得される。本発明の１つの好ましい実施形態によれば、複数のセンサーは、単一の非定常性機械（そのコントローラーに埋め込まれたレシピを遂行する）に連結されてもよい。本発明の別の実施形態によれば、少なくとも１つの非定常性機械は、連続する、または、平行する様式のいずれかで共通するプロセスに貢献する一群の非定常性機械を有してもよく、かつ、複数のセンサーは、一群の非定常性機械の各機械に連結された複数のセンサーを有してもよい。
第２ステップ１３０４において見られるように、機械または一群の機械によって遂行されているレシピのレシピ間隔が好ましくは見出される。第３ステップ１３０６において見られるように、複数のセンサーのパラメーターは、第２ステップ１３０４において見出されたレシピ間隔に基づいて調整されてもよい。例として、センサーサンプリング周波数またはサンプリング期間は、レシピ全体を通して、その範囲内の所定の時点において、または、レシピの多数のサイクルにわたって、センサーが機械または一群の機械をサンプリングすることを可能にするように調整されてもよい。
第４ステップ１３１０において見られるように、見出されたレシピ特質に基づいて、レシピの遂行の最中の機械性能の基準線モデルが構築されてもよい。かかる基準線モデルは、レシピにしたがってプロセスを実行する個別の機械について構築されてもよく、レシピにしたがって共通するプロセスに貢献する一群の機械について構築されてもよく、両方のために構築されてもよいことが把握される。
本発明の１つの好ましい実施形態によれば、機械性能のモデルの構築は、異なるセンサーについてのデータ時点の織り合わされた配置構成にて多数のセンサーからのデータを融合させること、および、織り合わされたデータセットをＬＳＴＭネットワークへと提供することを含んでもよい（データ点間の関係を学習するために）。
第５ステップ１３１４において見られるように、レシピの遂行の最中の機械性能のモデルの作成に続いて、機械または一群の機械によるレシピの実行の最中に測定される後続の機械信号特質が、それらに関する異常を検出するために基準線モデルと対比されてもよい。かかる異常は、機械の調子または機械のセキュリティーステータスを示してもよい。
レシピ特質を学習するために第４ステップ１３１０においてＬＳＴＭネットワークが採用される場合、第５ステップ１３１４は、１つの時点における１つのタイプのセンサーからの信号（実質的に同一の時点における異なるセンサーから獲得される測定された信号に対応することが期待される）のＬＳＴＭネットワークによる予測を伴なってもよい。予測された信号はその後、実際の測定された信号と対比され、かつ、信号間に逸脱がある場合、異常が識別される。
第６ステップ１３１６において見られるように、機械性能における異常が検出された場合、機械または一群の機械に関して、修理または保守活動および機械動作パラメーターの変更（機械の動作の中断を含む）を含むアクションが実行されてもよい。
方法１３００は、好ましくは自動化され、モニタリングされている機械または一群の機械の動作の非定常性の性質に関わらず、機械性能のモデルが自動的に作成されてもよく、かつ、それに関する機械特質における異常が自動的に検出されてもよいようになっていることが把握される。
本発明は、上記で具体的に示され、かつ、記載されたものに限定されないことが当業者によって把握されるであろう。本発明の範囲は、上記された種々の特徴の組み合わせ、および、部分的組み合わせの両方、ならびに、それらの修正（すべて、先行技術にはない）を含む。
Claims (40)
- 少なくとも１つの機械をモニタリングするための方法であって、当該方法は：
少なくとも第１センサーが、少なくとも１つの動作時間フレームの最中に非定常性の様式で動作する少なくとも１つの機械から少なくとも第１非定常性信号を獲得することを引き起こすことを有し、前記の少なくとも第１センサーは、少なくとも第１非定常性出力を提供し；
少なくとも第２センサーが、前記動作時間フレームの最中に前記の少なくとも１つの機械から少なくとも第２非定常性信号を獲得することを引き起こすことを有し、前記の少なくとも第２センサーは、少なくとも第２非定常性出力を提供し；
融合された出力を生成するために、前記の少なくとも第１非定常性出力を前記の少なくとも第２非定常性出力と融合させることを有し；
前記の融合された出力に基づいて、前記第１および第２非定常性信号のうちの少なくとも１つの少なくとも１つの特徴を抽出することを有し；
前記の少なくとも１つの機械の調子を確認するために、前記の少なくとも１つの特徴を分析することを有し；かつ、
前記の分析することによって見出された前記調子に基づいて、前記の少なくとも１つの機械の修理動作、保守動作および動作パラメーターの修正のうちの少なくとも１つを実行することを有する、
前記方法。 - 前記の少なくとも１つの特徴が、前記機械の前記非定常性動作の定常性のレベルに対して無反応である、請求項１に記載の少なくとも１つの機械をモニタリングするための方法。
- 前記の融合させることが、前記の少なくとも第２非定常性出力に基づいて前記の少なくとも第１非定常性出力を修正することを有する、請求項１または請求項２に記載の少なくとも１つの機械をモニタリングするための方法。
- 前記の少なくとも第１非定常性信号が前記機械の機械的状態を表し、かつ、前記の少なくとも第２非定常性信号が前記機械の動作的状態を表す、先行する請求項のいずれかに記載の少なくとも１つの機械をモニタリングするための方法。
- 前記の融合させることが前記第１および第２非定常性出力にウェーブレット変換を適用することを有し、かつ、前記の修正することが、前記第１および第２非定常性出力のうちの一方の前記ウェーブレット変換を、前記第１および第２非定常性出力のうちの他方の前記ウェーブレット変換のバイナリーマスクと掛け合わせることを有する、請求項３または請求項４に記載の少なくとも１つの機械をモニタリングするための方法。
- 前記の融合させることが深層学習を採用する、請求項２に記載の少なくとも１つの機械をモニタリングするための方法。
- 前記深層学習が、前記の少なくとも第１および第２非定常性出力を１つ以上の次元を有する１つのベクトルへと結合させることと、前記ベクトルを自動的に分類するようにニューラルネットワークをトレーニングすることを有する、請求項６に記載の少なくとも１つの機械をモニタリングするための方法。
- 前記の前記ニューラルネットワークをトレーニングすることが、前記非定常性出力を、モニタリングされている前記の少なくとも１つの機械と少なくとも１つの共通する特質を共有する少なくとも１つの機械からの対応する定常性出力に基づいて分類するように前記ニューラルネットワークをトレーニングすることを有する、請求項７に記載の少なくとも１つの機械をモニタリングするための方法。
- 前記の融合させることが、前記の少なくとも第１および第２非定常性出力を、前記第１および第２非定常性出力の交互に繰り返すものを有する織り合わされた配置構成にて結合させることを有し、かつ、前記深層学習が時系列予測のためにＲＮＮネットワークを採用することを有する、請求項６に記載の少なくとも１つの機械をモニタリングするための方法。
- 前記の抽出することが、前記の融合された出力から直接前記の少なくとも１つの特徴を抽出することを有する、先行する請求項のいずれかに記載の方法。
- 前記の少なくとも１つの機械が、共同プロセスを実行する一群の機械を有する、先行する請求項のいずれかに記載の方法。
- 少なくとも１つの機械をモニタリングするための方法であって、当該方法は：
少なくとも第１センサーが、少なくとも１つの動作時間フレームの最中に非定常性の様式で動作する少なくとも１つの機械から少なくとも第１非定常性信号を獲得することを引き起こすことを有し、前記の少なくとも第１センサーは、少なくとも第１非定常性出力を提供し；
少なくとも第２センサーが、前記時間フレームの最中に前記機械から少なくとも第２非定常性信号を獲得することを引き起こすことを有し、前記の少なくとも第２センサーは、少なくとも第２非定常性出力を提供し；
前記第１非定常性出力の少なくとも１つの特徴を抽出するために、前記の少なくとも第２非定常性出力に基づいて前記の少なくとも第１非定常性出力を修正することを有し；
前記機械の調子を確認するために、前記の少なくとも１つの特徴を分析することを有し；かつ、
前記の分析することによって見出された前記調子に基づいて、前記機械の修理動作、保守動作および動作パラメーターの修正のうちの少なくとも１つを実行することを有する、
前記方法。 - 前記の少なくとも１つの特徴が、前記機械の前記非定常性動作の定常性のレベルに対して無反応である、請求項１２に記載の少なくとも１つの機械をモニタリングするための方法。
- 前記の少なくとも第１非定常性信号が前記機械の機械的状態を表し、かつ、前記の少なくとも第２非定常性信号が前記機械の動作的状態を表す、請求項１２または請求項１３に記載の少なくとも１つの機械をモニタリングするための方法。
- 前記の修正することが、前記第１および第２非定常性出力のうちの一方のウェーブレット変換を、前記第１および第２非定常性出力のうちの他方のウェーブレット変換のバイナリーマスクと掛け合わせることを有する、請求項１２に記載の少なくとも１つの機械をモニタリングするための方法。
- 前記の修正すること、および、前記の分析することが深層学習を採用する、請求項１２に記載の少なくとも１つの機械をモニタリングするための方法。
- 前記深層学習が、前記の少なくとも第１および第２非定常性出力を１つ以上の次元を有する１つのベクトルへと結合させることと、前記ベクトルを自動的に分類するようにニューラルネットワークをトレーニングすることを有する、請求項１６に記載の少なくとも１つの機械をモニタリングするための方法。
- 前記の前記ニューラルネットワークをトレーニングすることが、前記非定常性出力を、モニタリングされている前記の少なくとも１つの機械と少なくとも１つの共通する特質を共有する少なくとも１つの機械からの対応する定常性出力に基づいて分類するように前記ニューラルネットワークをトレーニングすることを有する、請求項１７に記載の少なくとも１つの機械をモニタリングするための方法。
- 前記の修正すること、および前記の分析することが、前記の少なくとも第１および第２非定常性出力を、前記第１および第２非定常性出力の交互に繰り返すものを有する織り合わされた配置構成にて結合させることと、時系列予測のためにＲＮＮネットワークを採用することを有する、請求項１６に記載の少なくとも１つの機械をモニタリングするための方法。
- 前記の少なくとも１つの機械が、共同プロセスを実行する一群の機械を有する、請求項１２～１９のいずれかに記載の少なくとも１つの機械をモニタリングするための方法。
- 少なくとも１つの機械をモニタリングするためのシステムであって、当該システムは：
第１センサーを有し、該第１センサーは、少なくとも１つの動作時間フレームの最中に非定常性の様式で動作する少なくとも１つの機械から少なくとも第１非定常性信号を獲得するように動作し、前記の少なくとも第１センサーは、少なくとも第１非定常性出力を提供し；
第２センサーを有し、該第２センサーは、前記動作時間フレームの最中に前記の少なくとも１つの機械から少なくとも第２非定常性信号を獲得するように動作し、前記の少なくとも第２センサーは、少なくとも第２非定常性出力を提供し；
信号プロセッサーを有し、該信号プロセッサーは、融合された出力を生成するために、前記の少なくとも第１非定常性出力を前記の少なくとも第２非定常性出力と融合させるように動作し；
特徴抽出器を有し、該特徴抽出器は、前記第１および第２非定常性信号のうちの少なくとも１つの少なくとも１つの特徴を抽出するように動作し、かつ、前記の少なくとも１つの機械の調子を確認するために、前記の少なくとも１つの特徴を分析するように動作し；かつ、
機械制御モジュールを有し、該機械制御モジュールは、前記調子に基づいて、前記の少なくとも１つの機械の修理動作、保守動作および動作パラメーターの修正のうちの少なくとも１つの実行を制御するように動作する、
前記システム。 - 前記の少なくとも１つの特徴が、前記機械の前記非定常性動作の定常性のレベルに対して無反応である、請求項２１に記載の少なくとも１つの機械をモニタリングするためのシステム。
- 前記信号プロセッサーが、前記の少なくとも第２非定常性出力に基づいて前記の少なくとも第１非定常性出力を修正するように動作する、請求項２１または請求項２２に記載の少なくとも１つの機械をモニタリングするためのシステム。
- 前記の少なくとも第１非定常性信号が前記機械の機械的状態を表し、かつ、前記の少なくとも第２非定常性信号が前記機械の動作的状態を表す、請求項２１～２３のいずれかに記載の少なくとも１つの機械をモニタリングするためのシステム。
- 前記信号プロセッサーが、前記第１および第２非定常性出力にウェーブレット変換を適用し、かつ、前記第１および第２非定常性出力のうちの一方の前記ウェーブレット変換を、前記第１および第２非定常性出力のうちの他方の前記ウェーブレット変換のバイナリーマスクと掛け合わせるように動作する、請求項２３または請求項２４に記載の少なくとも１つの機械をモニタリングするためのシステム。
- 前記信号プロセッサーが深層学習を採用するように動作する、請求項２２に記載の少なくとも１つの機械をモニタリングするためのシステム。
- 前記深層学習が、前記の少なくとも第１および第２非定常性出力を１つ以上の次元を有する１つのベクトルへと結合させることと、前記ベクトルを自動的に分類するようにニューラルネットワークをトレーニングすることを有する、請求項２６に記載の少なくとも１つの機械をモニタリングするためのシステム。
- 前記の前記ニューラルネットワークをトレーニングすることが、前記非定常性出力を、モニタリングされている前記の少なくとも１つの機械と少なくとも１つの共通する特質を共有する少なくとも１つの機械からの対応する定常性出力に基づいて分類するように前記ニューラルネットワークをトレーニングすることを有する、請求項２７に記載の少なくとも１つの機械をモニタリングするためのシステム。
- 前記信号プロセッサーが、前記の少なくとも第１および第２非定常性出力を、前記第１および第２非定常性出力の交互に繰り返すものを有する織り合わされた配置構成にて結合させるように動作し、かつ、前記深層学習が、前記の織り合わされた配置構成に基づく時系列予測のためにＲＮＮネットワークを採用することを有する、請求項２６に記載の少なくとも１つの機械をモニタリングするためのシステム。
- 前記の少なくとも１つの特徴が前記の融合された出力から直接抽出される、請求項２１～２９のいずれかに記載のシステム。
- 前記の少なくとも１つの機械が、共同プロセスを実行するように動作する一群の機械を有する、請求項２１～３０のいずれかに記載のシステム。
- 少なくとも１つの機械をモニタリングするためのシステムであって、当該システムは：
第１センサーを有し、該第１センサーは、少なくとも１つの動作時間フレームの最中に非定常性の様式で動作する少なくとも１つの機械から少なくとも第１非定常性信号を獲得するように動作し、前記の少なくとも第１センサーは、少なくとも第１非定常性出力を提供し；
第２センサーを有し、該第２センサーは、前記時間フレームの最中に前記機械から少なくとも第２非定常性信号を獲得するように動作し、前記の少なくとも第２センサーは、少なくとも第２非定常性出力を提供し；
信号プロセッサーを有し、該信号プロセッサーは、前記の少なくとも第２非定常性出力に基づいて前記の少なくとも第１非定常性出力を修正するように動作し、前記の修正された第１非定常性出力の少なくとも１つの特徴を抽出するように動作し、かつ、前記機械の調子を確認するために前記の少なくとも１つの特徴を分析するように動作し；かつ、
制御モジュールを有し、該制御モジュールは、前記調子に基づいて、前記機械の修理動作、保守動作および動作パラメーターの修正のうちの少なくとも１つの実行を制御するように動作する、
前記システム。 - 前記の少なくとも１つの特徴が、前記機械の前記非定常性動作の定常性のレベルに対して無反応である、請求項３２に記載の少なくとも１つの機械をモニタリングするためのシステム。
- 前記の少なくとも第１非定常性信号が前記機械の機械的状態を表し、かつ、前記の少なくとも第２非定常性信号が前記機械の動作的状態を表す、請求項３２または請求項３３に記載の少なくとも１つの機械をモニタリングするためのシステム。
- 前記信号プロセッサーが、前記第１および第２非定常性出力のうちの一方のウェーブレット変換を、前記第１および第２非定常性出力のうちの他方のウェーブレット変換のバイナリーマスクと掛け合わせるように動作する、請求項３２に記載の少なくとも１つの機械をモニタリングするためのシステム。
- 前記信号プロセッサーが深層学習を採用する、請求項３２に記載の少なくとも１つの機械をモニタリングするためのシステム。
- 前記深層学習が、前記の少なくとも第１および第２非定常性出力を１つ以上の次元を有する１つのベクトルへと結合させることと、前記ベクトルを自動的に分類するようにニューラルネットワークをトレーニングすることを有する、請求項３６に記載の少なくとも１つの機械をモニタリングするためのシステム。
- 前記の前記ニューラルネットワークをトレーニングすることが、前記非定常性出力を、モニタリングされている前記の少なくとも１つの機械と少なくとも１つの共通する特質を共有する少なくとも１つの機械からの対応する定常性出力に基づいて分類するように前記ニューラルネットワークをトレーニングすることを有する、請求項３７に記載の少なくとも１つの機械をモニタリングするためのシステム。
- 前記信号プロセッサーが、前記の少なくとも第１および第２非定常性出力を、前記第１および第２非定常性出力の交互に繰り返すものを有する織り合わされた配置構成にて結合させるように動作し、かつ、前記深層学習が、前記の織り合わされた配置構成に基づく時系列予測のためにＲＮＮネットワークを採用することを有する、請求項３６に記載の少なくとも１つの機械をモニタリングするためのシステム。
- 前記の少なくとも１つの機械が、共同プロセスを実行する一群の機械を有する、請求項３２～３９のいずれかに記載の少なくとも１つの機械をモニタリングするためのシステム。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US201862758054P | 2018-11-09 | 2018-11-09 | |
| US62/758,054 | 2018-11-09 | ||
| PCT/IL2019/051217 WO2020095303A1 (en) | 2018-11-09 | 2019-11-07 | Automated analysis of non-stationary machine performance |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JP2022507110A true JP2022507110A (ja) | 2022-01-18 |
| JPWO2020095303A5 JPWO2020095303A5 (ja) | 2022-08-29 |
| JP7408653B2 JP7408653B2 (ja) | 2024-01-05 |
Family
ID=70610693
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021525314A Active JP7408653B2 (ja) | 2018-11-09 | 2019-11-07 | 非定常性機械性能の自動分析 |
Country Status (7)
| Country | Link |
|---|---|
| US (2) | US11556121B2 (ja) |
| EP (1) | EP3877819A4 (ja) |
| JP (1) | JP7408653B2 (ja) |
| KR (1) | KR20210091737A (ja) |
| CN (1) | CN113287072A (ja) |
| AU (1) | AU2019375200A1 (ja) |
| WO (1) | WO2020095303A1 (ja) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113287072A (zh) | 2018-11-09 | 2021-08-20 | 奥格瑞系统有限公司 | 非平稳机器性能的自动分析 |
| US11544557B2 (en) * | 2019-11-04 | 2023-01-03 | Cisco Technology, Inc. | IoT-based network architecture for detecting faults using vibration measurement data |
| AU2020395182B9 (en) | 2019-12-03 | 2023-04-27 | Fluid Handling Llc | Operational condition monitoring system |
| JP7442390B2 (ja) * | 2020-06-01 | 2024-03-04 | 株式会社日立ビルシステム | 軸受検査装置及び軸受検査方法 |
| CN111678699B (zh) * | 2020-06-18 | 2021-06-04 | 山东大学 | 一种面向滚动轴承早期故障监测与诊断方法及系统 |
| CN112284735B (zh) * | 2020-10-21 | 2022-07-15 | 兰州理工大学 | 基于一维卷积与动态路由的多传感器滚动轴承故障诊断 |
| CN112488238B (zh) * | 2020-12-14 | 2022-11-15 | 桂林电子科技大学 | 一种基于对抗自编码器的混合异常检测方法 |
| JP7446249B2 (ja) | 2021-02-01 | 2024-03-08 | 株式会社日立製作所 | 電磁機器の監視診断装置 |
| EP4277116A1 (en) * | 2022-05-13 | 2023-11-15 | Siemens Aktiengesellschaft | Methods and systems for monitoring of an electrical machine |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000241306A (ja) * | 1999-02-24 | 2000-09-08 | Shin Caterpillar Mitsubishi Ltd | ポンプ故障診断装置 |
| US6199018B1 (en) * | 1998-03-04 | 2001-03-06 | Emerson Electric Co. | Distributed diagnostic system |
| US20020046006A1 (en) * | 2000-04-19 | 2002-04-18 | National Instruments Corporation | Analyzing signals generated by rotating machines using an order mask to select desired order components of the signals |
| JP2012009064A (ja) * | 2011-09-05 | 2012-01-12 | Toshiba Corp | 学習型プロセス異常診断装置、およびオペレータ判断推測結果収集装置 |
| US20170206464A1 (en) * | 2016-01-14 | 2017-07-20 | Preferred Networks, Inc. | Time series data adaptation and sensor fusion systems, methods, and apparatus |
| US20180005107A1 (en) * | 2016-06-30 | 2018-01-04 | Samsung Electronics Co., Ltd. | Hybrid memory cell unit and recurrent neural network including hybrid memory cell units |
| JP2018156151A (ja) * | 2017-03-15 | 2018-10-04 | ファナック株式会社 | 異常検知装置及び機械学習装置 |
| JP2018533096A (ja) * | 2015-07-16 | 2018-11-08 | ファルコンリー インコーポレイテッドＦａｌｋｏｎｒｙ Ｉｎｃ． | 抽象的な関係及びスパースラベルに基づく物理的状況の機械学習 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7308322B1 (en) | 1998-09-29 | 2007-12-11 | Rockwell Automation Technologies, Inc. | Motorized system integrated control and diagnostics using vibration, pressure, temperature, speed, and/or current analysis |
| US6539343B2 (en) * | 2000-02-03 | 2003-03-25 | Xerox Corporation | Methods for condition monitoring and system-level diagnosis of electro-mechanical systems with multiple actuating components operating in multiple regimes |
| US7027953B2 (en) * | 2002-12-30 | 2006-04-11 | Rsl Electronics Ltd. | Method and system for diagnostics and prognostics of a mechanical system |
| US9518839B2 (en) | 2013-11-26 | 2016-12-13 | Northrop Grumman Systems Corporation | Wavelet based monitoring of system parameters |
| CN105426822B (zh) * | 2015-11-05 | 2018-09-04 | 郑州轻工业学院 | 基于双树复小波变换的非平稳信号多重分形特征提取方法 |
| EP3615899A4 (en) | 2017-04-26 | 2021-01-13 | Augury Systems Ltd. | SYSTEMS AND METHODS FOR MONITORING MECHANICAL AND ELECTRICAL MACHINERY |
| CN113287072A (zh) | 2018-11-09 | 2021-08-20 | 奥格瑞系统有限公司 | 非平稳机器性能的自动分析 |
-
2019
- 2019-11-07 CN CN201980088345.8A patent/CN113287072A/zh active Pending
- 2019-11-07 EP EP19881982.3A patent/EP3877819A4/en active Pending
- 2019-11-07 JP JP2021525314A patent/JP7408653B2/ja active Active
- 2019-11-07 KR KR1020217017165A patent/KR20210091737A/ko active Search and Examination
- 2019-11-07 US US17/291,849 patent/US11556121B2/en active Active
- 2019-11-07 WO PCT/IL2019/051217 patent/WO2020095303A1/en unknown
- 2019-11-07 AU AU2019375200A patent/AU2019375200A1/en active Pending
-
2022
- 2022-12-09 US US18/078,320 patent/US11934184B2/en active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6199018B1 (en) * | 1998-03-04 | 2001-03-06 | Emerson Electric Co. | Distributed diagnostic system |
| JP2000241306A (ja) * | 1999-02-24 | 2000-09-08 | Shin Caterpillar Mitsubishi Ltd | ポンプ故障診断装置 |
| US20020046006A1 (en) * | 2000-04-19 | 2002-04-18 | National Instruments Corporation | Analyzing signals generated by rotating machines using an order mask to select desired order components of the signals |
| JP2012009064A (ja) * | 2011-09-05 | 2012-01-12 | Toshiba Corp | 学習型プロセス異常診断装置、およびオペレータ判断推測結果収集装置 |
| JP2018533096A (ja) * | 2015-07-16 | 2018-11-08 | ファルコンリー インコーポレイテッドＦａｌｋｏｎｒｙ Ｉｎｃ． | 抽象的な関係及びスパースラベルに基づく物理的状況の機械学習 |
| US20170206464A1 (en) * | 2016-01-14 | 2017-07-20 | Preferred Networks, Inc. | Time series data adaptation and sensor fusion systems, methods, and apparatus |
| US20180005107A1 (en) * | 2016-06-30 | 2018-01-04 | Samsung Electronics Co., Ltd. | Hybrid memory cell unit and recurrent neural network including hybrid memory cell units |
| JP2018156151A (ja) * | 2017-03-15 | 2018-10-04 | ファナック株式会社 | 異常検知装置及び機械学習装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113287072A (zh) | 2021-08-20 |
| US20220011763A1 (en) | 2022-01-13 |
| EP3877819A1 (en) | 2021-09-15 |
| US11556121B2 (en) | 2023-01-17 |
| AU2019375200A1 (en) | 2021-06-17 |
| EP3877819A4 (en) | 2022-08-10 |
| KR20210091737A (ko) | 2021-07-22 |
| US11934184B2 (en) | 2024-03-19 |
| US20230114296A1 (en) | 2023-04-13 |
| WO2020095303A1 (en) | 2020-05-14 |
| JP7408653B2 (ja) | 2024-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2022507110A (ja) | 非定常性機械性能の自動分析 | |
| US10739752B2 (en) | Computer system and method for causality analysis using hybrid first-principles and inferential model | |
| Helbing et al. | Deep Learning for fault detection in wind turbines | |
| JP6740247B2 (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
| EP3454289B1 (en) | Plant abnormality detection method and system | |
| Vachtsevanos et al. | Fault prognosis using dynamic wavelet neural networks | |
| JP7282184B2 (ja) | 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法 | |
| JP4601492B2 (ja) | 生産工程の品質予測システムおよびその方法 | |
| Liu et al. | Similarity based method for manufacturing process performance prediction and diagnosis | |
| JP7042315B2 (ja) | 可動装置を予測保全する方法 | |
| EP2327019B1 (en) | Systems and methods for real time classification and performance monitoring of batch processes | |
| US20100106458A1 (en) | Computer program and method for detecting and predicting valve failure in a reciprocating compressor | |
| JP6641372B2 (ja) | 高次元変数選択モデルを使用した重要なパラメータの決定 | |
| Qin et al. | Remaining useful life prediction for rotating machinery based on optimal degradation indicator | |
| KR101040883B1 (ko) | 전산지능을 이용한 플라즈마 장비의 감시 및 제어 방법 | |
| CN117435908A (zh) | 一种用于旋转机械的多种故障特征提取方法 | |
| Geramifard et al. | Continuous health assessment using a single hidden Markov model | |
| US20220413480A1 (en) | Time series data processing method | |
| JP7127477B2 (ja) | 学習方法、装置及びプログラム、並びに設備の異常診断方法 | |
| KR20110091111A (ko) | 반도체 장치의 고장 진단시스템 및 방법 | |
| Nie et al. | Remaining useful life prediction approach for rolling element bearings based on optimized SVR model with reliable time intervals | |
| Haris et al. | Bearing degradation process prediction based on feedforward neural network | |
| CN117254593B (zh) | 基于云边协同的电网巡视作业智慧管控平台及其方法 | |
| HINES et al. | A Novel Method for Monitoring Single Variable Systems for Fault Detection, Diagnostics and Prognostics | |
| Kumar et al. | Entropy-based domain adaption strategy for predicting remaining useful life of rolling element bearing |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20210709 |
|
| RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7426 Effective date: 20210709 |
|
| RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20210709 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220819 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220819 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230630 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230704 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231003 |
|
| 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: 20231024 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20231124 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231220 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7408653 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |