JP5858839B2 - 作業機械の異常診断装置 - Google Patents

Description

本発明は、作業機械の異常診断装置に関する。

各種センサで取得された信号に基づいて、どのような故障が発生しているかを推測する故障診断装置が公知である。例えば、油圧ショベルに設けられたセンサからの信号により、油圧ショベルの異常状態が検出される。異常状態を示す情報とデータベースに蓄積された情報とに基づいて故障箇所が特定される。故障箇所が表示装置に表示され、オペレータが故障箇所を認識することができる。

監視対象データのマハラノビス距離を算出することにより、監視対象の異常を検知することができる。異常の予兆が現れている監視対象データ（異常信号）及び異常信号に関連する監視対象データ（関連信号）に基づいて、監視対象の故障診断が行われる。

特開２００２−３３２６６４号公報 特開２０１１−９０３８２号公報

従来の故障診断方法では、現在の異常状態が、過去に起こった既知の故障に当てはまるか否か判定される。今まで発生していない未知の故障が発生している場合には、故障箇所を推定するための有益な情報がオペレータに提供されない。
本発明の目的は、未知の故障が発生している場合であっても、オペレータに故障箇所を特定するための有益な情報を提供する異常診断装置を提供することである。

本発明の一観点によると、
予測される複数の故障種別、及び作業機械の動作状態に関わり、前記作業機械に搭載された複数のセンサでそれぞれ検出される複数の特徴量の単位空間が記憶された記憶装置と、
制御装置と
を有し、
前記制御装置は、
作業機械に搭載されたセンサで検出された前記複数の特徴量の検証データに基づいて、前記記憶装置に記憶されている故障種別を特定する処理を行い、
故障種別を特定できなかった場合に、前記検証データと前記単位空間とに基づいて要因分析を行うことにより、前記特徴量毎に貢献度を算出し、
算出された貢献度に基づいて、前記複数のセンサでそれぞれ検出される前記複数の特徴量から一部の特徴量を抽出する作業機械の異常診断装置が提供される。

予測される故障種別の中から、現在生じている故障種別を特定できない場合でも、検証データに基づいて要因分析を行うことにより、故障個所の特定のために有益な情報を提供することができる。

図１Ａ及び図１Ｂは、それぞれ実施例による異常診断装置を搭載した作業機械の側面図及び平面図である。 図２は、実施例による異常診断装置のブロック図である。 図３は、実施例による異常診断装置で実行される異常診断方法のフローチャートである。 図４は、センサから取得された特徴量の検出データを示す図表である。 図５は、実施例による異常診断装置で実行される異常診断方法の異常時処理（ステップＳＡ９）のフローチャートである。 図６は、異常診断方法で用いられる因果関係情報を準備する手順を示すフローチャートである。 図７は、特徴量の検出データ及び故障種別の一例を示す図表である。 図８は、検出データの離散化処理の方法を説明するための特徴量Ａのヒストグラムである。 図９は、離散化処理後の特徴量及び故障種別の一覧を示す図表である。 図１０は、実施例で採用する故障推定モデルの事前確率及び条件付き確率の一例を示す図表である。 図１１は、統計的手法を用いて故障種別の事後確率を算出する方法を示すフローチャートである。 図１２Ａ及び図１２Ｂは、特徴量の検証データ及び故障種別の事後確率の一例を示す図表である。 図１３は、要因分析（ステップＳＢ４）の方法を説明するフローチャートである。 図１４は、２水準系直交表の一例を示す図表である。 図１５は、ある故障事例の検証データに基づいて要因分析を行って得られた貢献度の算出結果を示すグラフである。 図１６は、実施例の変形例による異常診断装置のブロック図である。

図１Ａ及び図１Ｂに、それぞれ実施例による作業機械の側面図及び平面図を示す。実施例では、作業機械の例として、油圧ショベルが示されているが、実施例は、その他の作業機械、例えばホイルローダ、ブルドーザ等にも適用することが可能である。

下部走行体１０に、旋回軸受け１１を介して上部旋回体１２が搭載されている。上部旋回体１２は、下部走行体１０に対して、時計回り、または反時計周りに旋回する。上部旋回体１２に、ブーム１３が取り付けられ、その先端にアーム１５が連結され、その先端にバケット１７が取り付けられている。ブーム１３は、油圧シリンダ１４により駆動され、アームは、油圧シリンダ１６により駆動され、バケット１７は、油圧シリンダ１８により駆動される。

図２に、建設機械の異常判定機能のブロック図を示す。作業機械に、複数のセンサ３４が搭載されている。センサ３４は、作業機械の動作状態に関わる特徴量を検出する。動作状態に関わる特徴量として、例えば、エンジン回転数、ラジエター冷却水温度、燃料温度、大気圧力、エンジンオイル圧力、ブースト温度、吸気温度、作動油温度、ブースト圧力、バッテリ電圧、各部位の油圧、機械操作時間、走行操作時間、旋回操作時間、アイドル時間等が挙げられる。

制御装置３０が、出力装置３１、記憶装置３２、入力装置３３を制御する。入力装置３３を介して、オペレータの指示が制御装置３０に入力される。センサ３４で検出された検出データが制御装置３０に入力される。

図３に、制御装置３０（図２）が実行する異常診断手順のフローチャートを示す。実施例による作業機械の制御装置３０には、単位空間定義済みフラグ、及び相関行列の逆行列記憶領域が準備されている。

ステップＳＡ１において、センサ３４（図２）から検出データを取得する。ステップＳＡ２において、単位空間が定義済みか否かを判定する。具体的には、単位空間定義済みフラグに、「定義済み」が設定されているか、「未定義」が設定されているかを判定する。単位空間は、後のステップで、マハラノビスタグチ法を用いた異常判定を行う際に、判定の基準として用いられる。単位空間が未定義である場合には、ステップＳＡ３において、センサ３４の検出データをサンプルとして蓄積する。ステップＳＡ４において、蓄積されているサンプル数が十分か否かを判定する。サンプル数が十分である場合には、ステップＳＡ５において、単位空間を定義する。具体的には、単位空間を構成するサンプルの特徴量の相関行列及びその逆行列を求める。定義された単位空間は、記憶装置３２に記憶する。

以下、単位空間を定義する方法について説明する。
図４に、センサ３４で検出された検出データの一例を示す。検出対象の特徴量Ａ、特徴量Ｂ、特徴量Ｃ、・・・について、Ｎ個のサンプルが蓄積されている。Ｎ個のサンプルの検出データによって単位空間が構成される。サンプル番号ｎのサンプルにおける特徴量ｋの検出データをｘ（ｎ，ｋ）と表す。ここで、ｋ＝Ａ、Ｂ、Ｃ、・・・である。各特徴量の検出データの平均値及び標準偏差を求める。特徴量ｋの平均値をｍ（ｋ）、標準偏差をσ（ｋ）と表す。

各サンプルの検出データを基準化し、基準化検出データを求める。サンプル番号ｎのサンプルにおける物理量ｋの検出データｘ（ｎ，ｋ）の基準化検出データＸ（ｎ，ｋ）は、以下の式で表される。

基準化検出データＸ（ｎ，ｋ）に基づいて、特徴量の間の相関係数を求める。特徴量ｉと特徴量ｊとの相関係数ｒ（ｉ，ｊ）は、以下の式で求められる。

特徴量Ａ、特徴量Ｂ、特徴量Ｃ、・・・の相関行列Ｒは、以下の式で表される。

相関行列Ｒの逆行列Ｒ^−１を求める。逆行列Ｒ^−１は、後のステップで利用できるように、記憶装置３２に記憶しておく。

図３に示したステップＳＡ６において、単位空間定義済みフラグに、「定義済み」を設定する。ステップＳＡ４で、サンプル数が十分ではないと判定された場合、及びステップＳＡ６で、単位空間定義済みフラグに「定義済み」を設定した後、ステップＳＡ１１において、所定時間待機する。待機時間は、例えば、数百ｍｓ〜１ｓ程度とする。待機後、ステップＳＡ１に戻る。

なお、単位空間定義済みフラグは、オペレータの操作によってリセットすることができる。すなわち、単位空間定義済みフラグに、「未定義」を設定することができる。

ステップＳＡ２で、単位空間定義済みと判定された場合には、ステップＳＡ７において、各センサ３４で検出された検出データのマハラノビス距離（ＭＤ）を計算する。この検出データに基づいて、作業機械の動作状態が正常か異常か判定される。正常か異常かを判定する元となる検出データを「検証データ」という。単位空間を定義するまでに検出データを収集する期間は、作業機械の動作状態が正常であると仮定する。単位空間を定義するために用いられた検出データは、「正常データ」という。以下、マハラノビス距離の計算方法について説明する。

センサ３４で検出された複数の特徴量の検証データのうち特徴量ｋの検出値をｙ（ｋ）とする。検出値ｙ（ｋ）を基準化して、基準化検出値Ｙ（ｋ）を求める。基準化検出値Ｙ（ｋ）は、以下の式で算出することができる。

検証データのマハラノビス距離の２乗（Ｄ^２）は、相関行列Ｒの逆行列Ｒ^−１を用いて、以下の式で算出することができる。なお、特徴量の数をＭで表す。

マハラノビス距離ＭＤ（またはマハラノビス距離の２乗Ｄ^２）が求められたら、ステップＳＡ８において、動作異常判定を行う。具体的には、マハラノビス距離ＭＤと、閾値とを比較する。閾値は、予め設定されている。例えば、閾値として２が採用される。上述の式で定義されたマハラノビス距離の２乗Ｄ^２を閾値と比較する場合には、閾値として２^２＝４が採用される。マハラノビス距離ＭＤが閾値より大きい場合、ステップＳＡ９の異常時処理を行う。ステップＳＡ９の異常時処理については、後に説明する。

ステップＳＡ９の処理が終了した場合、及びステップＳＡ８でマハラノビス距離ＭＤが閾値以下であると判定された場合には、ステップＳＡ１０において、作業機械が停止状態か否かを判定する。停止状態である場合には、処理を終了する。停止状態でない場合には、ステップＳＡ１１において、所定時間待機した後、ステップＳＡ１に戻る。

図５に、ステップＳＡ９の異常時処理のフローチャートを示す。ステップＳＢ１において、統計的手法を用いて、検証データに基づき、故障種別の各々の事後確率を算出する。「故障種別」は、予め登録されている種々の故障のいずれかを特定するための識別子である。故障種別として、例えば過去に発生した種々の故障が登録されている。ステップＳＢ１の詳細な手順については、図６〜図１２Ａ、図１２Ｂを参照して後に説明する。

ステップＳＢ２において、検証データに基づいて故障種別が特定されたか否かを判定する。故障種別が特定されたと判定された場合には、ステップＳＢ３において、特定された故障種別を出力装置３１に表示する。その後、図３に示したフローチャートのステップＳＡ１０を実行する。

ステップＳＢ２で、故障種別が特定されていないと判定された場合には、ステップＳＢ４において要因分析を実行する。ステップＳＢ４の詳細については、図１３及び図１４を参照して後に説明する。要因分析が完了すると、ステップＳＢ５において、要因分析の結果を出力装置３１に表示する。

次に、図６〜図１２Ａ、図１２Ｂを参照して、ステップＳＢ１の詳細な処理について説明する。
図６に、故障種別を特定するための因果関係情報を作成して記憶する処理のフローチャートを示す。図６に示した処理は、検証データを取得する前に、予め実行されている。ステップＳＣ１において、制御装置３０（図２）が、評価対象の作業機械からセンサ３４による特徴量の検出データ、及びその検出データが収集された期間に発生した故障の故障種別を取得する。評価対象の作業機械は１台であるとは限らない。同一機種の複数の作業機械から、検出データが収集される。

図７に、ステップＳＣ１で取得された特徴量の検出データ、及び故障種別の一例を示す
。特徴量の測定データ及び故障種別の取得は、作業機械の機番ごとに、かつ一定の収集期間ごとに行われる。収集期間は、例えば１日に設定される。１つの機番の作業機械から、１つの収集期間内に収集された情報群が、１つの評価対象を構成する。

図７では、一例として、評価対象Ｎｏ．１の情報は、２０１１年７月１日の機番ａの作業機械から取得されたものであり、特徴量Ａが２４、特徴量Ｂが１９、特徴量Ｃが１５、特徴量Ｄが１１、特徴量Ｅが１４である。このデータの収集期間内に、故障種別Ｘ１の故障が発生している。

次に、ステップＳＣ２（図６）において、特徴量の離散化処理を行い、各特徴量を有限離散型事象に置き換える。

図８を参照して、特徴量Ａを、有限離散型事象に置き換える方法について説明する。なお、他の特徴量についても、同様に有限離散型事象に置き換えることができる。

図８は、特徴量Ａのヒストグラムの一例を示す。図８の横軸は、特徴量Ａの大きさを表し、縦軸は、評価対象の数（頻度）を表す。特徴量Ａの平均をμ、標準偏差をσとする。μ−３σからμ＋３σまでの範囲を３等分する。すなわち、横軸が、μ−３σ〜μ−σ、μ−σ〜μ＋σ、μ＋σ〜μ＋３σの３つの領域に区分される。特徴量Ａがμ−σ以下の区画をＡ１、μ−σ〜μ＋σの区画をＡ２、μ＋σ以上の区画をＡ３とする。

特徴量Ａについて、測定データが区画Ａ１内の値を取る事象、区画Ａ２内の値を取る事象、及び区画Ａ３内の値を取る事象のうち、いずれかの事象が生じる。

図９に、離散化処理後の特徴量及び故障種別の一覧を示す。特徴量Ａの検出結果を、その測定データが属する区画Ａ１、Ａ２、Ａ３のいずれかで表している。同様に、他の特徴量も、有限離散型事象に置き換えられている。

次に、ステップＳＣ３（図６）において、因果関係情報を作成し、記憶装置３２（図２）に格納する。図９に示した有限離散型事象の特徴量Ａ、特徴量Ｂ、特徴量Ｃ・・・と、故障種別Ｘとを関連付けた一覧表は、故障種別Ｘを原因事象とし、特徴量を結果事象とする因果関係情報といえる。

図１０に、実施例で採用する故障推定モデルの事前確率及び条件付き確率の一例を示す。故障種別Ｘを原因事象とし、各特徴量を、原因によって生じたと想定される結果事象として、図９に示した因果関係情報から、事前確率Ｐ（Ｘ）を算出することができる。さらに、特徴量Ａ、特徴量Ｂ、特徴量Ｃ・・・の各々について、故障種別Ｘの各々が起こるという事象を前提条件とした条件付き確率Ｐ（Ａ｜Ｘ）、Ｐ（Ｂ｜Ｘ）、Ｐ（Ｃ｜Ｘ）、・・・を算出することができる。図１０に、算出された事前確率Ｐ（Ｘ）、及び条件付き確率Ｐ（Ａ｜Ｘ）、Ｐ（Ｂ｜Ｘ）の一例を示す。

図１１に、図５のステップＳＢ１において故障種別の事後確率を算出する方法のフローチャートを示す。故障原因を推定する元となる検証データは、ステップＳＡ１（図３）で取得されている。ステップＳＤ１において、取得されている検証データの離散化処理を行う。この離散化処理は、図６のステップＳＣ２で行った離散化処理と同一の基準に基づいて行う。図１２Ａ及び図１２Ｂに、離散化処理後の検証データの２つの例を示す。図１２Ａに示した例では、特徴量Ａの離散化値がＡ２、特徴量Ｂの離散化値がＢ３、特徴量Ｃの離散化値がＣ１、特徴量Ｄの離散化値がＤ２、特徴量エの離散化値がＥ２である。図１２Ｂに示した例では、特徴量Ａの離散化値がＡ１、特徴量Ｂの離散化値がＢ１、特徴量Ｃの離散化値がＣ３、特徴量Ｄの離散化値がＤ１、特徴量Ｅの離散化値がＥ２である。

ステップＳＤ２において、図９に示した因果関係情報から得られた事前確率Ｐ（Ｘ）、条件付き確率Ｐ（Ａ｜Ｘ）等を用いて、故障種別ごとの事後確率を求める（ベイズ推定を行う）。以下、ベイズ推定の具体例について説明する。

一例として、特徴量ＡがＡ２であるという事象が発生したという条件で、故障種別Ｘ１の故障が発生している事後確率Ｐ（Ｘ＝Ｘ１｜Ａ＝Ａ２）（以下、Ｐ（Ｘ１｜Ａ２）と表記する。）は、以下の式で算出することができる。

同様に、故障種別Ｘ２、Ｘ３等の故障が発生している事後確率Ｐ（Ｘ２｜Ａ２）、Ｐ（Ｘ３｜Ａ２）、・・・を算出することができる。

さらに、算出された事後確率Ｐ（Ｘ１｜Ａ２）、Ｐ（Ｘ２｜Ａ２）、Ｐ（Ｘ３｜Ａ２）・・・を新たに事前確率として扱い、特徴量Ｂの離散化値がＢ３であるという事象が発生したという条件で、故障種別Ｘ１の故障が発生している事後確率Ｐ（Ｘ１｜Ａ２，Ｂ３）は、以下の式で算出することができる。なお、特徴量Ａと特徴量Ｂとは独立であると仮定している。

右辺のＰ（Ｂ３｜Ｘ１，Ａ２）は、図９に示した因果関係情報から求めることができる。同様に、故障種別Ｘ２、Ｘ３等の故障が発生している事後確率Ｐ（Ｘ２｜Ａ２，Ｂ３）、Ｐ（Ｘ３｜Ａ２，Ｂ３）、・・・を算出することができる。

さらに、特徴量Ｃ、特徴量Ｄ、特徴量Ｅ等の他の特徴量を、新たな結果として加えて、事後確率を算出することにより、算出された事後確率の客観性をより高めることができる。

図１２Ａに、算出された事後確率の一例を示す。この例では、診断対象となる作業機械において、故障種別Ｘ２、Ｘ４、Ｘ５、Ｘ６の故障が発生している確率が、それぞれ８０％、５％、１０％、３％であると推定される。すなわち、下記の通りとなる。

図１２Ａに示した例では、事後確率が最も高い故障種別Ｘ２の故障が発生しているであろうと推定できる。

図１２Ｂに、算出された事後確率の他の一例を示す。この例では、診断対象となる作業機械において、故障種別Ｘ０、Ｘ３、Ｘ５の故障が発生している確率が、それぞれ３％、２％、２％であると推定される。該当する故障種別が無い確率が９３％である。すなわち、下記の通りとなる。

図１２Ｂに示した例では、どの故障種別の故障が発生しているか特定することができない。過去に発生したことがない新たな故障が発生していると推定できる。

なお、上記実施例では、結果となる事象を順次追加して、新たに事後確率を段階的に算出したが、必ずしも、段階的に事後確率を算出する必要はない。図９に示した因果関係情報を用いて、故障種別の事後確率を算出してもよい。また、図１０に示した事前確率Ｐ（Ｘ）、及び各特徴量の条件付き確率Ｐ（Ａ｜Ｘ）、Ｐ（Ｂ｜Ｘ）等を用い、すべての特徴量を結果事象として考慮して、故障種別の事後確率を算出してもよい。

図１２Ａに示した事後確率が算出された場合は、図５のステップＳＢ２において、故障種別を特定できたと判定される。図１２Ｂに示した事後確率が算出された場合は、図５のステップＳＢ２において、故障種別を特定できなかったと判定される。例えば、最大の事後確率が５０％未満である場合に、故障種別を特定できなかったと判定される。

次に、図１３及び図１４を参照して、図５に示したステップＳＢ４の要因分析の方法について説明する。

図１３に、ステップＳＢ４の要因分析のフローチャートを示す。ステップＳＥ１において、複数の特徴量を２水準系直交表に割り当てて、特徴量を第１水準と第２水準とに分類し、特徴量の分類の仕方が異なる複数のグループ（実験）を作成する。

図１４に、２水準系直交表の一例を示す。特徴量Ａ〜特徴量Ｇの７つの特徴量が、第１
水準と第２水準とに分類される。特徴量の組み合わせが異なる実験Ｎｏ．１から実験Ｎｏ．８までの８種類の実験が作成される。例えば実験Ｎｏ．１では、すべての特徴量が第１水準に分類される。実験Ｎｏ．２では、特徴量Ａ〜特徴量Ｃが第１水準に分類され、特徴量Ｄ〜特徴量Ｇが第２水準に分類される。

図１３のステップＳＥ２において、特徴量の各々について、当該特徴量を第１水準として含む実験の望大特性のＳＮ比η_１、及び当該特徴量を第２水準として含む実験の望大特性のＳＮ比η_２を算出する。ＳＮ比の算出は、離散化処理を行う前の実際に取得された検証データを用いて行う。次に、ＳＮ比の算出方法について説明する。

まず、図１４に示した実験Ｎｏ．１〜Ｎｏ．８の各々について、第１水準に分類されている特徴量の検証データのマハラノビス距離ＭＤを求める。マハラノビス距離ＭＤを算出するときに基準となる単位空間は、図４に示した検出データのうち第１水準に分類されている特徴量の検出データを用いて求める。実験Ｎｏ．１〜Ｎｏ．８のマハラノビス距離を、それぞれＭＤ_１〜ＭＤ_８とする。

ある特徴量ｋを第１水準として含む実験の望大特性のＳＮ比η_ｋ１は、以下の式で定義される。

ここで、Σ記号中のｉ（Ｌ１）は、特徴量ｋを第１水準として含む実験について合計することを意味する。ｍ_１は、特徴量ｋを第１水準として含む実験の数を表す。

ある特徴量ｋを第２水準として含む実験の望大特性のＳＮ比η_ｋ２は、以下の式で定義される。

ここで、Σ記号中のｉ（Ｌ２）は、特徴量ｋを第２水準として含む実験について合計することを意味する。ｍ_２は、特徴量ｋを第２水準として含む実験の数を表す。

図１３のステップＳＥ３において、特徴量の各々の貢献度ｃを算出する。特徴量ｋの貢献度ｃ_ｋは、以下の式で定義される。

貢献度ｃが正の方向に大きな特徴量ほど、ステップＳＡ８（図３）で異常と判定された要因となっている可能性が高いと考えられる。

図５のステップＳＢ５では、例えば、貢献度ｃの大きな特徴量を抽出し、出力装置３１
に表示する。例えば、貢献度の大きなものから順番に５個の特徴量を抽出する。ステップＳＢ２において故障種別を特定できなかった場合でも、オペレータは、貢献度の大きな特徴量に基づいて、異常の原因を絞り込むことができる。このため、異常原因の探索時にオペレータの負担が軽減される。

次に、１つの故障事例を、上記実施例による方法に当てはめて分析した結果について説明する。この故障事例では、図３のステップＳＡ７で算出されたマハラノビス距離ＭＤが約１３０であった。この値は、閾値２よりも大きいため、何らかの異常が発生していると推測される。ところが、図５のステップＳＢ１で種々の故障種別の事後確率を求めたところ、最も大きな事後確率が約８％であり、該当なしの事後確率が約９０％であった。従って、事後確率からは、故障種別を特定することができない。

図１５に、ステップＳＥ３（図１３）で算出された貢献度のグラフを示す。特徴量Ｇ、Ｈ、Ｏ、Ｑ、Ｘの貢献度が高いことがわかる。貢献度が大きかった特徴量のうち、異常判定には直接結びつかないものを、考慮対象から除く。例えば、作業機械が置かれていた場所の高度、累積機械操作時間、吸気温度等は、作業環境や作業時期に大きく依存する特徴量であり、異常判定とは直接結びつかない。この故障事例では、貢献度の大きな特徴量に、「作業油温度」が含まれていた。その結果、油圧系統に何らかの異常が発生していると推測される。実際に、油圧系統の探索を行ったところ、油圧ホースの破損が発見された。このように、ステップＳＢ２（図５）で故障種別を特定できなかった場合でも、ステップＳＢ４で要因分析を行うことにより、異常箇所を絞り込むことができる。

図１６に、実施例の変形例による作業機械の異常診断装置のブロック図を示す。上記実施例では、図２に示したように、制御装置３０等が作業機械に搭載されていた。本変形例では、制御装置３０、出力装置３１、記憶装置３２、及び入力装置３３を含む管理装置４０が、管理センタに設置される。管理装置４０は、通信装置３５を含んでおり、通信装置３５を介して作業機械２０から種々の情報を取得する。例えば、作業機械２０に搭載されたセンサ３４（図２）から、特徴量の検出データが、管理装置４０の通信装置３５を介して制御装置３０に入力される。

管理装置４０が行う異常診断手順は、上記実施例で説明した異常診断手順と同一である。管理装置４０で行われた診断の結果は、通信装置３５を介して作業機械２０に送られる。

以上実施例に沿って本発明を説明したが、本発明はこれらに制限されるものではない。例えば、種々の変更、改良、組み合わせ等が可能なことは当業者に自明であろう。

１０ 下部走行体
１１ 旋回軸受け
１２ 上部旋回体
１３ ブーム
１４ 油圧シリンダ
１５ アーム
１６ 油圧シリンダ
１７ バケット
１８ 油圧シリンダ
２０ 作業機械
３０ 制御装置
３１ 出力装置
３２ 記憶装置
３３ 入力装置
３４ センサ
３５ 通信装置
４０ 管理装置

Claims (6)

1. 予測される複数の故障種別、及び作業機械の動作状態に関わり、前記作業機械に搭載された複数のセンサでそれぞれ検出される複数の特徴量の単位空間が記憶された記憶装置と、
   制御装置と
   を有し、
   前記制御装置は、
   作業機械に搭載されたセンサで検出された前記複数の特徴量の検証データに基づいて、前記記憶装置に記憶されている故障種別を特定する処理を行い、
   故障種別を特定できなかった場合に、前記検証データと前記単位空間とに基づいて要因分析を行うことにより、前記特徴量毎に貢献度を算出し、
   算出された貢献度に基づいて、前記複数のセンサでそれぞれ検出される前記複数の特徴量から一部の特徴量を抽出する作業機械の異常診断装置。
2. さらに、出力装置を有し、
   前記制御装置は、前記貢献度に基づいて抽出された前記特徴量を前記出力装置に出力する請求項１に記載の作業機械の異常診断装置。
3. 予測される複数の故障種別、及び作業機械の動作状態に関わる複数の特徴量の単位空間が記憶された記憶装置と、
   制御装置と
   を有し、
   前記制御装置は、
   作業機械に搭載されたセンサで検出された前記複数の特徴量の検証データに基づいて、前記記憶装置に記憶されている故障種別を特定する処理を行い、
   故障種別を特定できなかった場合に、前記検証データと前記単位空間とに基づいて要因分析を行うことにより、前記特徴量毎に貢献度を算出し、
   算出された貢献度に基づいて前記複数の特徴量から一部の特徴量を抽出し、
   前記記憶装置に、さらに、前記特徴量と前記故障種別との因果関係情報が記憶されており、
   前記制御装置は、
   前記検証データと前記因果関係情報とに基づいて、前記故障種別の各々の故障が発生している事後確率を求め、
   求められた前記事後確率の最大値と、閾値とを比較し、前記事後確率の最大値が前記閾値以下であるとき、前記故障種別を特定できないと判断する作業機械の異常診断装置。
4. 前記制御装置は、
   作業機械から、評価すべき単位となる評価対象ごとに、前記特徴量の測定データ、及び当該評価対象において発生した故障を特定する前記故障種別を取得し、
   取得された複数の評価対象について、前記複数の特徴量と、前記複数の故障種別とを関連付けて、前記因果関係情報として記憶し、
   診断対象の作業機械から取得された前記検証データを結果事象とし、前記因果関係情報を用いて、前記故障種別の各々の事後確率を算出する請求項３に記載の作業機械の異常診断装置。
5. 前記制御装置は、前記特徴量の各々について、前記故障種別の各々が起こるという事象を前提条件とした条件付き確率を算出し、算出された条件付き確率に基づいて、前記事後確率を求める請求項４に記載の作業機械の異常診断装置。
6. 前記制御装置は、
   前記作業機械の正常動作時に、前記センサで検出された複数の正常データに基づいて前記単位空間を決定し、
   決定された前記単位空間を前記記憶装置に記憶させ、
   前記単位空間の中心から前記検証データまでのマハラノビス距離を算出し、
   算出されたマハラノビス距離に基づいて動作の異常判定を行い、
   異常と判定された場合に、前記検証データに基づいて前記故障種別を特定する処理を行う請求項１乃至５のいずれか１項に記載の作業機械の異常診断装置。
   

Images