JP6569927B1 - 異常判定システム、モータ制御装置、及び異常判定装置 - Google Patents
異常判定システム、モータ制御装置、及び異常判定装置 Download PDFInfo
- Publication number
- JP6569927B1 JP6569927B1 JP2018554787A JP2018554787A JP6569927B1 JP 6569927 B1 JP6569927 B1 JP 6569927B1 JP 2018554787 A JP2018554787 A JP 2018554787A JP 2018554787 A JP2018554787 A JP 2018554787A JP 6569927 B1 JP6569927 B1 JP 6569927B1
- Authority
- JP
- Japan
- Prior art keywords
- abnormality
- abnormality determination
- data
- motor
- time
- 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.)
- Active
Links
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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
- G01R31/343—Testing dynamo-electric machines in operation
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P23/00—Arrangements or methods for the control of AC motors characterised by a control method other than vector control
- H02P23/0004—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control
- H02P23/0018—Control strategies in general, e.g. linear type, e.g. P, PI, PID, using robust control using neural networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P29/00—Arrangements for regulating or controlling electric motors, appropriate for both AC and DC motors
- H02P29/02—Providing protection against overload without automatic interruption of supply
- H02P29/024—Detecting a fault condition, e.g. short circuit, locked rotor, open circuit or loss of load
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02P—CONTROL OR REGULATION OF ELECTRIC MOTORS, ELECTRIC GENERATORS OR DYNAMO-ELECTRIC CONVERTERS; CONTROLLING TRANSFORMERS, REACTORS OR CHOKE COILS
- H02P6/00—Arrangements for controlling synchronous motors or other dynamo-electric motors using electronic commutation dependent on the rotor position; Electronic commutators therefor
- H02P6/12—Monitoring commutation; Providing indication of commutation failure
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Control Of Electric Motors In General (AREA)
- Algebra (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
Abstract
Description
図1を参照しつつ、本実施形態に係る異常判定システムの全体構成の一例について説明する。
図2は、本実施形態におけるサーボアンプ2の制御ブロックを伝達関数形式で表している。なお本実施形態の例では、この図2に示す制御ブロックは、サーボアンプ2が備えるCPU(特に図示せず)により実行されるソフトウェアで実現される。
(k:ばね係数、μ:摩擦係数、m:可動部分の慣性モーメント)
の運動方程式に基づくフィードバック制御が行われているとみなせる。
<3−1:本実施形態の判定内容>
近年では、機械システムに対する付加価値向上の一環として予防保全がキーワードになりつつある。これまでにも寿命モニタや設置環境モニタ等により予防保全の一助となる情報を上位制御装置3に提示する構成が取られていたが、これらとは別にモータ駆動機構1の機器異常とその内容を判定することが要望されている。本実施形態の異常判定システム100は、この要望を受けてモータ駆動機構1の機器異常の内容を判定するためのものである。
ここで本実施形態におけるデータ異常、動作異常、及び機器異常の用語について説明する。本実施形態の例では、上述したように、モータ駆動機械1としてタイミングベルトを回転させるタイミングベルト機構(特に図示せず)を適用する場合を説明する。このタイミングベルト機構の駆動制御時に発生する異常として、
・1:機構全体での経年劣化による異常
・2:タイミングベルト機構における異常
・2a:ベルトのゆるみ(発振)
・2b:ベルトの劣化(摩擦の増加)
・2c:ベアリングのグリス不足(摩擦の増加)
・2d:異物の挟み込み(瞬間的な摩擦の増加)
・2e:歯飛び(瞬間的な摩擦の増加)
等がある。
<4−1:機械学習によるデータ異常判定>
一般に人間が波形を観測して正常/異常の判断を行うのは、主として経験によるところが大きい。この経験を数式として表現し、計算機上で行う手法が機械学習である。機械学習による変化検出手法の基本的な考え方は、基準とするデータ群(以下、基準データという)の正規分布を作成し、運用段階で取得したデータ(以下、観測データという)が正規分布から外れているか否かを確認するというものである。
本実施形態では、基準データや観測データを複数種類で取得する場合は、以下のように配列で定義した時系列検出データDとして取得する。
例えば、同一の駆動機械13を2つのモータ12で駆動するモータ駆動機構1(タイミングベルト機構を想定、特に図示せず)で、各モータ12それぞれのトルク指令と出力速度を時系列検出データとして取得した場合(つまり自由度M=変数の種類数=2)には、時系列検出データDは以下のようになる。ただし、Dの添え字は時刻を示す。
本実施形態では、機械学習による変化検出手法としてホテリングのT2法を適用する。ホテリングのT2法は、複数種類のデータの変化波形を並列に観測する多変数解析の一手法であり、その処理は以下の(工程1)〜(工程6)で行う。
データには正常データと異常データが存在するが、正規分布からどれくらい大きく外れた場合を異常データとするかの指標が誤報率αとなる。例えば、誤報率1%と考えるならα=0.01となる。なお、確率統計論の考え型では、誤報率を0とした場合には全てのデータが正常となってしまうため、原理的に誤報率αを0にはしない。
自由度M、スケール因子s=1として、カイ2乗分布を次式から計算する。なお、自由度Mは、独立した基準データの種類の数(上述した多変数解析における変数の種類の数)を指定するパラメータである。
ただし、Γはガンマ関数を表し、次式で定義される。
正常データである基準データから標本平均μ(文中の表記ではハットを省略、以下同様)と標本共分散行列Σ(文中の表記ではハットを省略、以下同様)を次式から算出する。
ただし、はn番目の種類の基準データである。
上記(工程3)で算出したデータ異常判定しきい値athと、上記(工程5)で算出したマハラノビス距離a(x’)とを比較する。マハラノビス距離a(x’)がデータ異常判定しきい値athを越えている場合(a(x’)>ath)には、上記(工程5)で用いた観測データがデータ異常の状態にあると判定する。
まず比較例として、機械学習を利用せずにデータ異常を判定する方法について説明する。
(事前準備)
1:基準データとして正常なデータを複数取得する。
2:基準データ群から各時刻における正規分布を作成する。
3:各時刻における正規分布に対してデータ異常判定しきい値を設定する。
(データ異常判定)
1:観測データを取得する。
2:取得時刻に対応する正規分布に加える。
3:観測データが正規分布に設定したデータ異常判定しきい値を超えていたら異常と判定する。
(事前準備)
1:基準データとして正常なデータを複数取得する。
2:基準データ群から標本平均μと標本共分散行列Σを計算する。
3:誤報率αとカイ2乗分布からデータ異常判定しきい値athを計算する。
(データ異常判定)
1:観測データを取得する。
2:観測データに対してマハラノビス距離a(x’)を計算する。
3:マハラノビス距離a(x’)がデータ異常判定しきい値athを超えていたらデータ異常と判定する。
上記のデータ異常判定によれば、時系列検出データを取得した時点におけるデータ上で見た異常状態の有/無(つまり異常/正常)を2値的に判定することができる。しかし、後述する実験結果に示すように1度でもデータ異常が判定されたからといって機械システム全体に動作異常や機器異常が発生したと判定すべきではない。また、データ異常が複数回発生した際にその発生態様に基づいて動作異常の内容を一次的に推定することが可能である。本実施形態では、図4に示すように、経年劣化が進行するに従ってデータ異常の発生頻度が徐々に増加するとの考察に基づき、データ異常の発生頻度が所定値を越えた場合には、モータ駆動機構1及びモータ制御機器に経年劣化の種類の機器異常とそれによるモータ12の動作異常が発生していると判定する。
上述した経年劣化の機器異常による動作異常の発生を判定するための具体的な制御フローの一例を、以下に詳細に説明する。まず図5は、データ異常判定に機械学習を利用する場合の上記事前準備に相当する準備処理の制御手順を示すフローチャートである。このフローチャートは、データ異常がほぼ生じないと確信できるモータ駆動機構1の正常駆動の駆動状態中に、図1中に示すエッジサーバ4のCPUが実行する。なお正常駆動としては、例えばモータ駆動機構1が組立製造後に十分な調整が行われた状態でほぼ設計通りに動作すると確信できる状態(初期運用又は試験運用)での駆動が考えられる。
上述したように、エッジサーバ4は観測駆動時の間もサーボアンプ2から時系列検出データを逐次受信して記録しており、動作異常が発生した際にはその判定結果をサーボアンプ2から受信する。またデータ異常判定に必要な基準データについても、エッジサーバ4自体がすでに正常駆動時の準備処理で作成している。これにより、エッジサーバ4は、サーボアンプ2から動作異常発生判定を受信した際に、当該エッジサーバ4自体で基準データと時系列検出データからマハラノビス距離の算出も含めたデータ異常の判定が行える。しかし上記の動作異常発生判定処理では、モータ12において動作異常が発生したか否かの判定までしか行えない。
上述したように、例えば摩擦の増加といった種類のモータ12の動作異常が発生した場合には、タイミングベルト機構のモータ駆動機構1においてベルトの劣化やベアリングのグリス不足などのような特定の機器異常が発生したと想定できる。このようにモータ12の動作異常種類と、モータ駆動機構1及びモータ制御機器において発生する機器異常の原因とは特定の因果関係を有する場合が多く、その因果関係は当該モータ駆動機構1及びモータ制御機器の機械的、回路的な構成及び仕様に依存するものである。そこで本実施形態では、そのようなモータ駆動機構1の機械的、回路的な構成及び仕様に由来するモータ12の動作異常種類とモータ駆動機構1及びモータ制御機器の機器異常の原因との因果関係を所定の関係ルールで関連付け、エッジサーバ4においてデータベース化する(特に図示せず)。これによりエッジサーバ4は、先に判定されたモータ12の動作異常種類から、そのルールベースに基づいてモータ駆動機構1及びモータ制御機器に発生している機器異常の原因を推定できる。なお、このようにエッジサーバ4で実行する機器異常の原因の推定処理が、各請求項記載の機器異常判定部及び機器異常原因推定部に相当する。そして、以上説明した本実施形態の異常判定システム100の観測駆動時における各種情報の流れと各種処理等の関係をまとめると、図8に示すようになる。なお、図中における各種処理は全てエッジサーバ4で実行可能であるが、そのうちのマハラノビス距離演算、データ異常判定、及び動作異常発生判定について本実施形態の場合にはサーボアンプ2で実行するものとしている。
以上説明したように、本実施形態の異常判定システム100によれば、データ異常と判定された時系列検出データの取得態様に基づいて、モータ12の動作異常を判定する動作異常発生判定処理及び動作異常種類判定部31と、動作異常種類判定部31の判定内容に基づいて、モータ駆動機構1及びモータ制御機器の機器異常を判定する機器異常判定部と、を有している。これにより、データ異常の判定内容又はモータ12の動作異常の判定内容に基づいて、これらと特性の相関関係にあるモータ駆動機構1及びモータ制御機器の機器異常の内容を判定することができる。この結果、機械システムの具体的な機器異常の内容を判定できる。
<10−1:パターンマッチングによる機器異常の原因推定>
なお、開示の実施形態は、上記に限られるものではなく、その趣旨及び技術的思想を逸脱しない範囲内で種々の変形が可能である。例えば、上記実施形態ではエッジサーバ4における機器異常原因推定はルールベースで行っていたが、これに限られない。例えば、マハラノビス距離の時系列分布パターンにおいて、当該モータ駆動機構1及びモータ制御機器における機器異常の程度や特徴まで強調して示している場合がある。このため、図9に示すように、ニューラルネットワークで実装した機器異常原因推定部32で、各時系列検出データのマハラノビス距離時系列分布パターンからのパターンマッチングにより直接的に機器異常の原因(図中ではタイミングベルト機構の例の機器異常だけを図示)を推定してもよい。これにより、モータ12における動作異常の種類の判定を省略して、より簡易にモータ駆動機構1及びモータ制御機器の機器異常の原因を推定できる。
また、マハラノビス距離の時系列分布パターンにおいて、当該モータ駆動機構1及びモータ制御機器における機器異常の発生箇所に関する特徴まで強調して示している場合がある。このため、図10に示すように、ニューラルネットワークで実装した機器異常箇所推定部33で、各時系列検出データのマハラノビス距離時系列分布パターンからのパターンマッチングにより直接的に機器異常の発生箇所(図中ではタイミングベルト機構の例の機器異常だけを図示)を推定してもよい。これにより、簡易にモータ駆動機構1及びモータ制御機器の機器異常の発生箇所を推定できる。
上記実施形態及び変形例で示した機器異常の原因推定及び箇所推定では、動作異常種類判定の内容からのルールベースで推定したり、各時系列検出データのマハラノビス距離時系列分布パターンからのパターンマッチングにより推定するなどの手法を説明した。しかしこれらの手法以外にも、状態量である各時系列検出データから推定した当該モータ駆動機構1の機械的な特性値に基づいてその機器異常の原因推定及び箇所推定を行うことも可能である。
2 サーボアンプ
3 上位制御装置
4 エッジサーバ
11 エンコーダ
12 モータ
13 駆動機械
21 減算器
22 位置制御部
23 減算器
24 速度制御部
25 電流制御部
26 速度変換部
27 外乱オブザーバ
31 動作異常種類判定部
32 機器異常原因推定部
33 機器異常箇所推定部
34 機器特性推定部
100 異常判定システム
Claims (11)
- 機械システムに関する状態量を取得する状態量取得部と、
機械学習プロセスでの学習内容を利用して、前記状態量についてのマハラノビス距離の時系列分布パターンに対するパターン解析により前記機械システムにおける異常の発生箇所及び発生原因の少なくとも1つを判定する異常判定部と、
を有することを特徴とする異常判定システム。 - 前記異常判定部は、
機械学習プロセスでの学習内容に基づいて、前記マハラノビス距離の時系列分布パターンに対するパターン解析により機器異常の発生原因をクラスタリング出力で推定する第1の機器異常原因推定部を有することを特徴とする請求項1記載の異常判定システム。 - 前記異常判定部は、
機械学習プロセスでの学習内容に基づいて、前記マハラノビス距離の時系列分布パターンに対するパターン解析により動作異常の種類を判定する動作異常種類判定部を有することを特徴とする請求項1又は2記載の異常判定システム。 - 前記異常判定部は、
前記動作異常種類判定部の判定内容に基づいて機器異常の発生原因を推定する第2の機器異常原因推定部を有することを特徴とする請求項3記載の異常判定システム。 - 前記異常判定部は、
機械学習プロセスでの学習内容に基づいて、前記マハラノビス距離の時系列分布パターンに対するパターン解析により機器異常の発生箇所を推定する第1の機器異常箇所推定部を有することを特徴とする請求項1乃至4のいずれか1項に記載の異常判定システム。 - 前記機械システムは、
モータ及び当該モータを駆動制御するモータ制御機器及び当該モータで駆動されるモータ駆動機構を有しており、
前記状態量取得部は、
駆動中の前記モータの入出力に関する時系列検出データを前記状態量として取得する時系列検出データ取得部を有していることを特徴とする請求項1記載の異常判定システム。 - 前記異常判定部は、
前記時系列検出データに基づいて標本平均を算出する標本平均算出部と、
前記時系列検出データに基づいて標本共分散行列を算出する標本共分散行列算出部と、
前記標本平均と前記標本共分散行列と前記時系列検出データに基づいてマハラノビス距離を算出するマハラノビス距離算出部と、
を有し、
前記標本平均算出部と前記標本共分散行列算出部は、前記モータ駆動機構の正常駆動中に取得した時系列基準データを適用し、
前記マハラノビス距離算出部は、前記モータ駆動機構の観測駆動中に取得した時系列観測データを適用する
ことを特徴とする請求項6記載の異常判定システム。 - 前記異常判定部は、
前記時系列検出データに基づいて前記機械システムの機器特性推定値を推定する機器特性推定部を有していることを特徴とする請求項6又は7記載の異常判定システム。 - 前記異常判定部は、
機械学習プロセスでの学習内容に基づいて、前記マハラノビス距離の時系列分布パターンに対するパターン解析、及び前記機器特性推定値の両方により機器異常の発生原因を推定する第3の機器異常原因推定部を有することを特徴とする請求項8記載の異常判定システム。 - 前記異常判定部は、
機械学習プロセスでの学習内容に基づいて、前記マハラノビス距離の時系列分布パターンに対するパターン解析、及び前記機器特性推定値の両方により機器異常の発生箇所を推定する第2の機器異常箇所推定部を有することを特徴とする請求項8又は9記載の異常判定システム。 - 機械システムに関する状態量を取得する状態量取得部と、
機械学習プロセスでの学習内容を利用して、前記状態量についてのマハラノビス距離の時系列分布パターンに対するパターン解析により前記機械システムにおける異常の発生箇所及び発生原因の少なくとも1つを判定する異常判定部と、
を有することを特徴とする異常判定装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017228046 | 2017-11-28 | ||
JP2017228046 | 2017-11-28 | ||
PCT/JP2018/026097 WO2019106875A1 (ja) | 2017-11-28 | 2018-07-10 | 異常判定システム、モータ制御装置、及び異常判定装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6569927B1 true JP6569927B1 (ja) | 2019-09-04 |
JPWO2019106875A1 JPWO2019106875A1 (ja) | 2019-12-12 |
Family
ID=66664768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018554787A Active JP6569927B1 (ja) | 2017-11-28 | 2018-07-10 | 異常判定システム、モータ制御装置、及び異常判定装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11527984B2 (ja) |
EP (1) | EP3719601A4 (ja) |
JP (1) | JP6569927B1 (ja) |
CN (1) | CN111164526B (ja) |
WO (1) | WO2019106875A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210070671A (ko) * | 2019-12-05 | 2021-06-15 | (주)심플랫폼 | IoT 데이터 분석을 통한 모니터링 시스템 및 방법 |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020148838A1 (ja) * | 2019-01-16 | 2020-07-23 | 日本電気株式会社 | 推定装置、推定方法、及びコンピュータ読み取り可能な記録媒体 |
JP7101131B2 (ja) * | 2019-01-31 | 2022-07-14 | ファナック株式会社 | 数値制御システム |
JP7314664B2 (ja) * | 2019-07-05 | 2023-07-26 | オムロン株式会社 | 異常検知装置、異常検知方法、異常検知装置の制御方法、及び制御プログラム |
JP6932160B2 (ja) * | 2019-07-22 | 2021-09-08 | 株式会社安川電機 | 機械学習方法及び産業用機器のパラメータ又は産業用機器により制御される機器の内部状態の推定方法 |
JP7489899B2 (ja) * | 2019-10-18 | 2024-05-24 | 株式会社安川電機 | 事象推定システム及び事象推定方法 |
JP6792043B1 (ja) * | 2019-10-18 | 2020-11-25 | 株式会社安川電機 | 事象推定システム及び事象推定方法 |
JP6850458B1 (ja) | 2019-11-22 | 2021-03-31 | ディエスピーテクノロジ株式会社 | Ai搭載型モータ状態量推定システムおよびモータモデル用機械学習方法 |
JP2021149727A (ja) * | 2020-03-23 | 2021-09-27 | 本田技研工業株式会社 | 要因分析装置および要因分析方法 |
JP7226411B2 (ja) * | 2020-08-07 | 2023-02-21 | 株式会社安川電機 | 拡張モジュール、産業用機器、及び産業用機器のパラメータ又は前記産業用機器により制御される機器の内部状態の推定方法 |
US11835568B2 (en) | 2020-11-18 | 2023-12-05 | General Electric Company | Systems and methods for monitoring and diagnosing power system assets |
JPWO2022190331A1 (ja) * | 2021-03-11 | 2022-09-15 | ||
TWI769762B (zh) * | 2021-03-26 | 2022-07-01 | 東元電機股份有限公司 | 應用於伺服馬達驅動系統的波形分析系統及其方法 |
CN113515671A (zh) * | 2021-07-01 | 2021-10-19 | 河北工业大学 | 继电器时间参数异常值识别方法、服务端及存储介质 |
JP7401499B2 (ja) | 2021-10-01 | 2023-12-19 | 株式会社安川電機 | 異常判定システム、異常判定装置、異常判定方法 |
CN114279555A (zh) * | 2021-12-27 | 2022-04-05 | 深圳市双合电气股份有限公司 | 一种电机异常振动监测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003316422A (ja) * | 2002-04-25 | 2003-11-07 | Mitsubishi Electric Corp | 制御パラメータ自動調整装置 |
JP2006309570A (ja) * | 2005-04-28 | 2006-11-09 | Petroleum Energy Center | 製油所監視システム |
WO2014112178A1 (ja) * | 2013-01-16 | 2014-07-24 | 三菱電機株式会社 | モータ制御装置 |
JP2017151598A (ja) * | 2016-02-23 | 2017-08-31 | 株式会社安川電機 | 異常判定装置、異常判定プログラム、異常判定システム、及びモータ制御装置 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5827425B2 (ja) | 1976-11-27 | 1983-06-09 | 株式会社神戸製鋼所 | バルブシ−ト |
JPS5827426B2 (ja) | 1979-07-18 | 1983-06-09 | 松下電器産業株式会社 | 密封装置 |
JP4265982B2 (ja) * | 2004-02-25 | 2009-05-20 | 三菱電機株式会社 | 機器診断装置、冷凍サイクル装置、冷凍サイクル監視システム |
JP4997394B2 (ja) * | 2005-03-31 | 2012-08-08 | 地方独立行政法人山口県産業技術センター | 火災予防監視支援システム |
JP5591400B2 (ja) * | 2011-05-31 | 2014-09-17 | 三菱電機株式会社 | 駆動機械の負荷特性推定装置 |
CN102798529B (zh) * | 2012-08-30 | 2015-03-25 | 桂林电子科技大学 | 大型风力机组轴承故障诊断方法及系统 |
CN102944435B (zh) * | 2012-10-25 | 2015-02-11 | 北京航空航天大学 | 一种基于费希尔判别分析与马氏距离的旋转机械健康评估与故障诊断方法 |
JP6312517B2 (ja) * | 2014-05-07 | 2018-04-18 | 山洋電気株式会社 | モータ制御装置 |
CN103995229B (zh) * | 2014-05-21 | 2016-06-22 | 浙江工业大学 | 一种基于特征选取和马氏距离的电机健康监测和异常诊断方法 |
JP5827426B1 (ja) | 2015-01-09 | 2015-12-02 | 株式会社日立パワーソリューションズ | 予兆診断システム及び予兆診断方法 |
JP5827425B1 (ja) | 2015-01-09 | 2015-12-02 | 株式会社日立パワーソリューションズ | 予兆診断システム及び予兆診断方法 |
JP6272548B2 (ja) * | 2015-02-27 | 2018-01-31 | 三菱電機株式会社 | 電動機制御装置 |
JP6501673B2 (ja) * | 2015-08-20 | 2019-04-17 | 株式会社熊谷組 | 構造物の劣化判定方法 |
JP6527968B2 (ja) * | 2016-02-19 | 2019-06-12 | 株式会社日立製作所 | モータ制御システム |
JP6593715B2 (ja) * | 2017-10-27 | 2019-10-23 | 株式会社安川電機 | 異常判定システム、モータ制御装置 |
-
2018
- 2018-07-10 EP EP18884019.3A patent/EP3719601A4/en active Pending
- 2018-07-10 JP JP2018554787A patent/JP6569927B1/ja active Active
- 2018-07-10 CN CN201880063974.0A patent/CN111164526B/zh active Active
- 2018-07-10 WO PCT/JP2018/026097 patent/WO2019106875A1/ja unknown
-
2020
- 2020-05-21 US US16/879,760 patent/US11527984B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003316422A (ja) * | 2002-04-25 | 2003-11-07 | Mitsubishi Electric Corp | 制御パラメータ自動調整装置 |
JP2006309570A (ja) * | 2005-04-28 | 2006-11-09 | Petroleum Energy Center | 製油所監視システム |
WO2014112178A1 (ja) * | 2013-01-16 | 2014-07-24 | 三菱電機株式会社 | モータ制御装置 |
JP2017151598A (ja) * | 2016-02-23 | 2017-08-31 | 株式会社安川電機 | 異常判定装置、異常判定プログラム、異常判定システム、及びモータ制御装置 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210070671A (ko) * | 2019-12-05 | 2021-06-15 | (주)심플랫폼 | IoT 데이터 분석을 통한 모니터링 시스템 및 방법 |
KR102300835B1 (ko) * | 2019-12-05 | 2021-09-10 | (주)심플랫폼 | IoT 데이터 분석을 통한 모니터링 시스템 및 방법 |
Also Published As
Publication number | Publication date |
---|---|
CN111164526B (zh) | 2023-10-13 |
CN111164526A (zh) | 2020-05-15 |
US20200287497A1 (en) | 2020-09-10 |
EP3719601A1 (en) | 2020-10-07 |
US11527984B2 (en) | 2022-12-13 |
WO2019106875A1 (ja) | 2019-06-06 |
JPWO2019106875A1 (ja) | 2019-12-12 |
EP3719601A4 (en) | 2021-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6569927B1 (ja) | 異常判定システム、モータ制御装置、及び異常判定装置 | |
JP7104121B2 (ja) | 故障予知装置、故障予知システム及び故障予知方法 | |
US11275345B2 (en) | Machine learning Method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device | |
JP6451662B2 (ja) | 異常判定装置、異常判定プログラム、異常判定システム、及びモータ制御装置 | |
CN107272586B (zh) | 机械学习装置、机械学习方法、故障预知装置及系统 | |
JP6593715B2 (ja) | 異常判定システム、モータ制御装置 | |
US11494252B2 (en) | System and method for detecting anomalies in cyber-physical system with determined characteristics | |
US10571890B2 (en) | Diagnostic data acquisition system, diagnostic system, and computer readable medium | |
JP2018186610A (ja) | システムおよび評価装置ならびに評価方法 | |
US11436693B2 (en) | Machine learning device and machine learning method for learning correlation between shipment inspection information and operation alarm information for object | |
CN114175044A (zh) | 通过数字孪生对食品工业中的装置进行预测性维护以及优化的生产规划 | |
JPWO2019107360A1 (ja) | 制御システム、工場システム、学習システム、推定用モデルの生成方法及びアクチュエータの状態推定方法 | |
WO2021041609A1 (en) | Adaptive probabilistic health management for rig equipment | |
EP3674946B1 (en) | System and method for detecting anomalies in cyber-physical system with determined characteristics | |
CN115329796A (zh) | 异常检测装置、计算机可读存储介质以及异常检测方法 | |
EP3832413A1 (en) | System, device and method for model based analytics | |
JP6856591B2 (ja) | 制御装置、cnc装置及び制御装置の制御方法 | |
WO2020071066A1 (ja) | 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル | |
CN115238769B (zh) | 一种基于人工智能的异常数据监测方法及装置 | |
JP6721012B2 (ja) | モータ制御システム | |
JP6792131B2 (ja) | モータ制御システム | |
JP6796287B2 (ja) | モータ制御システム | |
WO2023026433A1 (ja) | 診断装置、及びプログラムを記録した記録媒体 | |
JP2020038594A (ja) | 異常検知装置、異常検知方法およびプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181018 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20181105 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20181212 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20181218 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190201 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190409 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190423 |
|
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: 20190711 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190724 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6569927 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |