JP6676210B2 - Data processing device, data processing system, data processing method, data processing program, and storage medium - Google Patents
Data processing device, data processing system, data processing method, data processing program, and storage medium Download PDFInfo
- Publication number
- JP6676210B2 JP6676210B2 JP2019502021A JP2019502021A JP6676210B2 JP 6676210 B2 JP6676210 B2 JP 6676210B2 JP 2019502021 A JP2019502021 A JP 2019502021A JP 2019502021 A JP2019502021 A JP 2019502021A JP 6676210 B2 JP6676210 B2 JP 6676210B2
- Authority
- JP
- Japan
- Prior art keywords
- life
- curve
- algorithm
- component
- unit
- 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
- 238000012545 processing Methods 0.000 title claims description 121
- 238000003860 storage Methods 0.000 title claims description 47
- 238000003672 processing method Methods 0.000 title claims description 4
- 238000000034 method Methods 0.000 claims description 43
- 238000005259 measurement Methods 0.000 claims description 35
- 238000004364 calculation method Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 19
- 229960001716 benzalkonium Drugs 0.000 claims 1
- CYDRXTMLKJDRQH-UHFFFAOYSA-N benzododecinium Chemical compound CCCCCCCCCCCC[N+](C)(C)CC1=CC=CC=C1 CYDRXTMLKJDRQH-UHFFFAOYSA-N 0.000 claims 1
- 238000012423 maintenance Methods 0.000 description 120
- 230000003449 preventive effect Effects 0.000 description 120
- 238000010586 diagram Methods 0.000 description 20
- 238000004519 manufacturing process Methods 0.000 description 19
- 238000013500 data storage Methods 0.000 description 18
- 230000006870 function Effects 0.000 description 17
- 238000007726 management method Methods 0.000 description 12
- 238000005096 rolling process Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 9
- 230000001133 acceleration Effects 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 5
- 238000009825 accumulation Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000032798 delamination Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
Description
本発明は、装置の予防保全のためのデータ処理を行うデータ処理装置、データ処理システム、データ処理方法、データ処理プログラムおよび記憶媒体に関する。 The present invention relates to a data processing device, a data processing system, a data processing method, a data processing program, and a storage medium for performing data processing for preventive maintenance of a device.
装置の状態を実測して得られたデータを基に故障の兆候を監視して、かかる兆候のレベルがある基準レベルを超えるまでの残り寿命を予測することで、装置に発生する故障を未然に防ぐ予防保全の方法が知られている。 By monitoring signs of failure based on data obtained by actually measuring the state of the equipment, and predicting the remaining life until the level of such signs exceeds a certain reference level, failures occurring in the equipment can be anticipated. Preventive preventive maintenance methods are known.
特許文献１には、エンジンを構成する複数の部品に設けられたセンサからの情報に基づいて部品ごとの寿命を予測して、部品ごとの寿命からエンジン全体の寿命を予測する制御システムが開示されている。特許文献１の制御システムは、破砕あるいはコーティングの減損といった故障の要因となる現象の動向を予測して、かかる現象の発生による故障の発生率の予測結果から部品の残り寿命を判定する。特許文献１の制御システムは、エンジンの運転状態についてのデータを用いて、寿命予測アルゴリズムにしたがって部品の残り寿命を計算するようにプログラムされる。 Patent Literature 1 discloses a control system that predicts the life of each component based on information from sensors provided on a plurality of components constituting an engine, and predicts the life of the entire engine from the life of each component. ing. The control system of Patent Literature 1 predicts a trend of a phenomenon that causes a failure such as crushing or loss of a coating, and determines a remaining life of a component from a prediction result of a failure occurrence rate due to the occurrence of the phenomenon. The control system of Patent Literature 1 is programmed to calculate the remaining life of a component according to a life prediction algorithm using data on the operating state of the engine.
製品の生産現場では、計画的かつ安定した生産を可能とするために、生産現場にて稼動させる生産装置の予防保全が求められている。生産装置の状態を実測して得られたデータに基づいて寿命予測を行うアルゴリズムを用いて、生産装置を構成する部品ごとの寿命を計算することで、生産装置のユーザへメンテナンスあるいは部品の交換を行うべき時期を知らせることができる。 In a product production site, preventive maintenance of a production device operated in the production site is required in order to enable planned and stable production. Using an algorithm to predict the life based on the data obtained by actually measuring the state of the production equipment, calculate the life of each component constituting the production equipment, and perform maintenance or replacement of parts for the user of the production equipment. You can let them know when to do it.
一般に、生産装置を構成する部品は、生産装置の製造者によって任意に選択される。特許文献１の技術を生産装置に適用した場合、生産装置に組み込まれる予防保全のためのアプリケーションの提供者は、生産装置の製造者ごとに対して、生産装置の構成に特化したアルゴリズムを構築することになる。また、生産装置における部品の追加あるいは部品の入れ換えがあったときにも、アルゴリズムは再度構築し直されることになる。そのため、特許文献１の技術によると、装置の予防保全のためのデータ処理に利用されるアプリケーションの構築に要する負担が増大することがあるという問題があった。 In general, the components making up the production device are arbitrarily selected by the manufacturer of the production device. When the technique of Patent Document 1 is applied to a production device, a provider of an application for preventive maintenance incorporated in the production device constructs an algorithm specialized for the configuration of the production device for each manufacturer of the production device. Will do. Also, when a part is added or a part is replaced in the production apparatus, the algorithm is reconstructed. Therefore, according to the technique of Patent Document 1, there is a problem that the load required for building an application used for data processing for preventive maintenance of the apparatus may increase.
本発明は、上記に鑑みてなされたものであって、装置の予防保全のためのデータ処理に利用されるアプリケーションの構築に要する負担を軽減可能とするデータ処理装置を得ることを目的とする。 The present invention has been made in view of the above, and an object of the present invention is to provide a data processing device capable of reducing a load required for constructing an application used for data processing for preventive maintenance of the device.
上述した課題を解決し、目的を達成するために、本発明にかかるデータ処理装置は、装置を構成する部品の寿命予測を行うためのアルゴリズムが格納されたアルゴリズム記憶部より、装置を構成する部品のうち寿命予測の対象とされる対象部品に対応するアルゴリズムを選択するアルゴリズム選択部と、アルゴリズム選択部で選択されたアルゴリズムを基に、対象部品の寿命予測の処理を実行する寿命予測処理部と、部品の寿命を検証する試験にて得られた実測値と時間との関係を表す第１のカーブと、試験にて部品が故障に至ったときの実測値である故障閾値とを記憶する記憶部と、を備える。寿命予測処理部は、部品の故障原因を示す故障モードの特定に使用される数値である故障モード値を算出する故障モード算出部と、故障モード値を基に、対象部品の故障モードを特定する故障モード特定部と、対象部品についての第１のカーブと故障閾値を記憶部から読み出して、第１のカーブを故障閾値と対象部品の定格寿命とに基づいて変形させることにより第２のカーブを生成し、第２のカーブに基づいて、対象部品の予測寿命の算出に使用される寿命予測カーブを生成する寿命予測カーブ生成部と、を備える。 To solve the above problems and achieve the object, a data processing apparatus according to the present invention, from the algorithm storage unit algorithm is stored for performing life prediction of parts constituting the apparatus, constitute the apparatus based the algorithm selection unit for selecting an algorithm corresponding to the target component to be targeted for life prediction of components, the algorithm selected by the algorithm selection unit, lifetime prediction process for performing processing for life prediction target component Part, a first curve representing a relationship between an actual measurement value obtained in a test for verifying the life of the component and a time, and a failure threshold value which is an actual measurement value when the component fails in the test. a storage unit which, Ru comprising a. The life prediction processing unit specifies a failure mode value, which is a numerical value used to specify a failure mode indicating a failure cause of a component, and a failure mode of the target component based on the failure mode value. The failure mode identification unit, the first curve and the failure threshold for the target component are read from the storage unit, and the second curve is transformed by deforming the first curve based on the failure threshold and the rated life of the target component. A life prediction curve generation unit that generates the life prediction curve used for calculating the predicted life of the target component based on the second curve.
本発明にかかるデータ処理装置は、装置の予防保全のためのデータ処理に利用されるアプリケーションの構築に要する負担を軽減できるという効果を奏する。 ADVANTAGE OF THE INVENTION The data processing apparatus concerning this invention has the effect that the load required for building the application used for the data processing for the preventive maintenance of an apparatus can be reduced.
以下に、本発明の実施の形態にかかるデータ処理装置、データ処理システム、データ処理方法、データ処理プログラムおよび記憶媒体を図面に基づいて詳細に説明する。なお、この実施の形態によりこの発明が限定されるものではない。 Hereinafter, a data processing device, a data processing system, a data processing method, a data processing program, and a storage medium according to an embodiment of the present invention will be described in detail with reference to the drawings. The present invention is not limited by the embodiment.
実施の形態１．
図１は、本発明の実施の形態１にかかるデータ処理システムのブロック図である。図１に示すデータ処理システム１は、データ処理装置２と、データ処理装置２に接続されたデバイス４Ａと、デバイス４Ａに接続されたデバイス４Ｂ，４Ｃとを有する。デバイス４Ａ，４Ｂ，４Ｃは、産業データを取得する装置である。産業データは、温度、電圧、電流、距離、速度、あるいは位置情報などのデータであって、生産装置あるいは生産現場の状態についてのあらゆるデータである。Embodiment 1 FIG.
FIG. 1 is a block diagram of the data processing system according to the first embodiment of the present invention. The data processing system 1 shown in FIG. 1 includes a
デバイス４Ｂは、生産装置であって、数値制御（Numerical Control，ＮＣ）装置、サーボモータ、インバータなどの駆動機器である。デバイス４Ａは、デバイス４Ｂを制御するコントローラであって、プログラマブルロジックコントローラ（Programmable Logic Controller，ＰＬＣ）である。デバイス４Ｃは、生産装置であるデバイス４Ｂに取り付けられたセンサであって、振動センサ、集音マイク、電流クランプメータ、温度センサなどである。データ処理システム１に備えられるデバイス４Ａ，４Ｂ，４Ｃの数は任意であるものとする。図１に示すデータ処理システム１は、１つのデバイス４Ａと、２つのデバイス４Ｂと、１つのデバイス４Ｃとを備える。デバイス４Ａ，４Ｂ，４Ｃは上記の具体例に限定されず、産業データを取得する装置であれば良い。
The
データ処理装置２は、データ処理プログラムである予防保全アプリケーション１０がインストールされたコンピュータである。データ処理装置２は、デバイス４Ａ，４Ｂ，４Ｃから送信された産業データを収集して、産業データについての一連の機能処理を行う。データ処理装置２にて行われる機能処理には、デバイス４Ｂを構成する部品の寿命を予測する処理が含まれる。データ処理装置２は、外部サーバであるクラウドサーバ３に接続されている。表示装置５は、データ処理装置２に接続されている。表示装置５は、データ処理装置２で求められた寿命予測の結果を表示する。
The
デバイス４Ｂには、モータの駆動力を伝達する機構が設けられている。デバイス４Ｂの故障の主な要因の１つは、モータの駆動力を受けて回転する回転機構の異常である。実施の形態１では、データ処理装置２は、回転機構を構成する主な部品であるベアリング、ボールネジ、ギアおよびベルトの少なくともいずれかについての寿命予測を行うことで、デバイス４Ｂの予防保全を実施する。なお、図１では、モータ、動作機構、回転機構および部品の図示を省略している。
The
図２は、図１に示すデータ処理装置２にインストールされる予防保全アプリケーション１０の構成図である。データ処理プログラムである予防保全アプリケーション１０は、タスクハンドラ１１と予防保全アルゴリズム１２とを含む。予防保全アルゴリズム１２は、予防保全のためのアルゴリズムが実装され、実装されているアルゴリズムを実現するプログラムである。また、予防保全アルゴリズム１２は、プログラムに代えて、予防保全のための計算手順が記述された情報であっても良い。計算手順が記述された情報には、計算式を示す情報が含まれても良い。この場合、予防保全のためのアルゴリズムは、記憶されている予防保全アルゴリズム１２を予防保全アプリケーション１０が参照することによって実現される。以下の説明では、予防保全アルゴリズム１２は、プログラムであるものとする。
FIG. 2 is a configuration diagram of the
予防保全アルゴリズム１２は、部品の種類ごとに準備される。本実施の形態１では、ベアリング用、ボールネジ用、ギア用、およびベルト用の少なくとも４つの予防保全アルゴリズム１２が用いられる。大型ベアリング用、中型ベアリング用、小型ベアリング用といった、より細分化された部品種類ごとの予防保全アルゴリズム１２が用いられてもよい。データ処理装置２は、後述する諸元パラメータ１５を参照することで、部品ごとの寸法の違いなどの製品仕様の影響が折り込まれた寿命を予測することができる。 例えば、寸法の異なるベアリング同士について寿命予測を行う際は、双方のベアリングに対応する共通のアルゴリズムを用いることとし、諸元パラメータ１５を異ならせればよい。
The
デバイス４Ｂのユーザは、予防保全アルゴリズム１２が組み込まれた予防保全アプリケーション１０を、ウェブサイト上にてアプリケーションを販売するストア等からダウンロードし、データ処理装置２にインストールする。デバイス４Ｂのユーザは、予防保全アプリケーション１０に組み込まれている予防保全アルゴリズム１２を変更することができる。デバイス４Ｂのユーザは、ウェブサイト上にてアプリケーションを販売するストア等からのダウンロードにより予防保全アルゴリズム１２を追加取得する。デバイス４Ｂのユーザは、予防保全アルゴリズム１２が記憶されている記憶媒体から予防保全アルゴリズム１２を読み出すことにより、予防保全アルゴリズム１２を取得しても良い。デバイス４Ｂのユーザは、予防保全アプリケーション１０が記憶されている記憶媒体から予防保全アプリケーション１０を読み出すことにより、予防保全アプリケーション１０を取得しても良い。デバイス４Ｂのユーザは、予防保全アルゴリズム１２を任意に組み合わせて、予防保全アプリケーション１０を構成することができる。
The user of the
予防保全アプリケーション１０の提供者は、予防保全アルゴリズム１２を追加および入れ換え可能な予防保全アプリケーション１０をデバイス４Ｂのユーザに提供する。タスクハンドラ１１は、予防保全アプリケーション１０の提供者により提供される予防保全アプリケーション１０に標準装備されている。予防保全アルゴリズム１２の提供者は、部品の製造者、デバイス４Ｂの製造者または予防保全アプリケーション１０の提供者が想定されるが、その他の者であっても良い。
The provider of the
タスクハンドラ１１は、設定情報１４と諸元パラメータ１５とを読み込む。設定情報１４は、部品ごとの予防保全アルゴリズム１２の識別のための識別情報と、部品ごとの諸元パラメータ１５の識別のための識別情報と、寿命予測を実行する部品を特定する情報と、寿命予測を実行する部品ごとの寿命予測の実行周期の情報とを含むファイルである。対応する予防保全アルゴリズム１２が予防保全アプリケーション１０に含まれている部品のうち、どの部品について寿命予測を実行するかについては、デバイス４Ｂのユーザが設定することができる。予防保全アプリケーション１０に含まれる複数の予防保全アルゴリズム１２のうち、使用する予防保全アルゴリズム１２は、ユーザが任意に選択することができる。
The
諸元パラメータ１５は、部品固有の情報を定義したファイルである。諸元パラメータ１５は、部品固有の故障モードの特定の際に参照される。諸元パラメータ１５には、部品の寸法などの情報が含まれる。具体例を挙げると、ベアリングについての諸元パラメータ１５には、転動体の直径、転動体のピッチサークル径、転動体の数、接触角の各数値が含まれる。デバイス４Ｂのユーザは、部品の製造者別、かつ部品の型ごとに作成された諸元パラメータ１５を、ウェブあるいは記憶媒体を介して取得可能であるものとする。諸元パラメータ１５は、部品の製造者により作成されるが、その他の者により作成されても良い。
The
予防保全アルゴリズム１２の識別情報は、予防保全アルゴリズム１２のファイルに付与されたファイル名である。諸元パラメータ１５の識別情報は、諸元パラメータ１５のファイルに付与されたファイル名である。予防保全アルゴリズム１２の識別情報は、部品ごとの予防保全アルゴリズム１２を識別可能な情報であれば良く、ファイル名以外の情報であっても良い。諸元パラメータ１５の識別情報は、部品ごとの諸元パラメータ１５を識別可能な情報であれば良く、ファイル名以外の情報であっても良い。
The identification information of the
タスクハンドラ１１は、予防保全アプリケーション１０における予防保全の処理を管理する。タスクハンドラ１１による予防保全の処理の管理には、部品ごとの寿命予測の実行周期の管理が含まれる。タスクハンドラ１１は、設定情報１４に含まれる実行周期の情報を基に、各部品の実行周期を認識する。データ処理装置２は、タスクハンドラ１１での実行周期の管理により、デバイス４Ｂを構成する部品ごとに独立したタイミングにて寿命予測を実行することができる。
The
タスクハンドラ１１は、実行周期が到来した部品があったとき、当該部品を対象とする寿命予測を実行する。なお、実行周期の情報には、寿命予測を行わないことを示す情報が設定可能であっても良い。寿命予測を行わないことを示す情報が設定された場合、タスクハンドラ１１は、当該設定に該当する部品についての寿命予測を行わないことも可能である。データ処理装置２は、対応する予防保全アルゴリズム１２が予防保全アプリケーション１０に含まれている部品のうち、一部の部品に対応する予防保全アルゴリズム１２を実行し、その他の部品に対応する予防保全アルゴリズム１２を実行しないこととしても良い。タスクハンドラ１１は、寿命予測の対象である対象部品についての処理を実行するためのスレッド１３を起動する。スレッド１３は、対象部品についての設定情報１４に含まれる識別情報を基に、当該対象部品に対応する予防保全アルゴリズム１２を選択する。
When there is a component whose execution cycle has arrived, the
スレッド１３は、当該対象部品の諸元パラメータ１５を用いて、選択された予防保全アルゴリズム１２にしたがった処理を実行する。タスクハンドラ１１は、実行周期が到来した部品が複数存在している場合、複数のスレッド１３による並行処理を行う。スレッド１３は、諸元パラメータ１５を用いて予防保全アルゴリズム１２にしたがった処理を実行することで、寿命予測の処理を実行する。予防保全アルゴリズム１２の機能には、故障周波数の算出、実測値の算出、故障モードの特定、代表寿命カーブの選択、寿命予測カーブの選択、および予測寿命の算出の各機能が含まれる。予防保全アルゴリズム１２の各機能と、故障周波数と、故障モードについては後述する。
The
図３は、図１に示すデータ処理装置２の機能構成を示すブロック図である。図３に示す各機能部は、ハードウェアであるコンピュータでの予防保全アプリケーション１０の実行により実現される。
FIG. 3 is a block diagram showing a functional configuration of the
データ処理装置２は、データ処理装置２を制御する機能部である制御部２０と、情報を記憶する記憶部２１と、情報の通信を行う機能部である通信部２２と、情報を入力する機能部である入力部２３とを備える。
The
制御部２０は、予防保全の処理を管理する機能部である予防保全管理部２４を備える。実行周期管理部である予防保全管理部２４は、寿命予測の実行周期を管理する。また、制御部２０は、寿命予測の処理を実行する機能部である予防保全処理部２５と、部品ごとの予防保全アルゴリズム１２から、装置を構成する部品のうち寿命予測の対象とされる対象部品に対応する予防保全アルゴリズム１２を選択する機能部であるアルゴリズム選択部２６とを備える。予防保全処理部２５は、アルゴリズム選択部２６で選択されたアルゴリズムを基に、対象部品の寿命予測の処理を実行する寿命予測処理部である。予防保全管理部２４の機能とアルゴリズム選択部２６との機能は、タスクハンドラ１１の処理により実現される。予防保全処理部２５の機能は、対象部品の諸元パラメータ１５が用いられて実行される予防保全アルゴリズム１２の処理により実現される。
The
記憶部２１は、予防保全アルゴリズム１２を記憶するアルゴリズム記憶部３０と、デバイス４Ａ，４Ｂ，４Ｃから取得された全部品についての産業データを記憶する産業データ記憶部３１と、部品の諸元パラメータ１５を記憶する諸元パラメータ記憶部３２とを備える。
The
予防保全アプリケーション１０に組み込まれている予防保全アルゴリズム１２は、アルゴリズム記憶部３０に記憶される。産業データ記憶部３１は、１秒おきに取得された産業データを時刻情報とともに記憶する。産業データ記憶部３１は、ミリ秒オーダーあるいはマイクロ秒オーダーの間隔で取得された産業データを記憶しても良く、その他の間隔で取得された産業データを記憶しても良い。具体例を挙げると、ベアリングについてデバイス４Ｂにて取得される産業データには、モータ電流、エンコーダ位置、モータ速度、温度の各値が含まれる。予防保全処理部２５は、ベアリングについての産業データを基に、ベアリングの振動周波数を算出する。振動周波数の算出については後述する。ベアリングに設けられたセンサであるデバイス４Ｃにて取得される産業データには、振動加速度、音圧レベルの各値が含まれる。諸元パラメータ記憶部３２は、デバイス４Ｂの各部品についての諸元パラメータ１５を記憶する。
The
また、記憶部２１は、予防保全処理部２５による寿命予測の結果を記憶する寿命データ記憶部３３と、代表寿命カーブと故障閾値を記憶する代表寿命カーブ記憶部３４と、設定情報１４を記憶する設定情報記憶部３５とを備える。寿命データ記憶部３３は、具体的には、部品ごとの故障モードと、部品の残り寿命と、同定スコアとを記憶する。設定情報１４は、デバイス４Ｂの製造者によってデータ処理装置２へ入力される。代表寿命カーブ、故障閾値、故障モードおよび同定スコアについては後述する。
Further, the
通信部２２は、データ処理装置２と、データ処理装置２外の装置であるデバイス４Ａ，４Ｂ，４Ｃ、表示装置５およびクラウドサーバ３との間の通信を行う。入力部２３は、データ処理装置２へ設定情報１４を入力する。
The
図４は、図１に示すデータ処理装置２のハードウェア構成を示すブロック図である。データ処理装置２は、各種処理を実行する中央処理装置（Central Processing Unit，ＣＰＵ）４０と、プログラム格納領域およびデータ格納領域を含むランダムアクセスメモリ（Random Access Memory，ＲＡＭ）４１と、外部記憶装置であるハードディスクドライブ（Hard Disk Drive，ＨＤＤ）４２とを備える。また、データ処理装置２は、データ処理装置２の外部の装置との接続インタフェースである通信回路４３と、データ処理装置２への入力操作を受け付ける入力デバイス４４とを備える。図４に示すデータ処理装置２の各部は、バス４５を介して相互に接続されている。なお、外部記憶装置は、半導体メモリであっても良い。
FIG. 4 is a block diagram showing a hardware configuration of the
ＨＤＤ４２は、予防保全アプリケーション１０と、産業データと、部品の諸元パラメータ１５と、寿命予測の結果である寿命データと、代表寿命カーブと、設定情報１４とを記憶している。図３に示す記憶部２１の機能は、ＨＤＤ４２を使用して実現される。
The
予防保全アプリケーション１０は、ＲＡＭ４１にロードされる。ＣＰＵ４０は、ＲＡＭ４１内のプログラム格納領域にて予防保全アプリケーション１０を展開して各種処理を実行する。ＲＡＭ４１内のデータ格納領域は、各種処理の実行における作業領域とされる。図３に示す制御部２０の機能は、ＣＰＵ４０を使用して実現される。通信部２２の機能は、通信回路４３を使用して実現される。入力デバイス４４は、キーボードあるいはポインティングデバイスを含む。図３に示す入力部２３の機能は、入力デバイス４４を使用して実現される。
The
なお、予防保全アプリケーション１０は、コンピュータによる読み取りが可能とされた記憶媒体に記憶されたものであっても良い。データ処理装置２は、記憶媒体に記憶された予防保全アプリケーション１０をＨＤＤ４２へ格納しても良い。記憶媒体は、フレキシブルディスクである可搬型記憶媒体、あるいは半導体メモリであるフラッシュメモリであっても良い。予防保全アプリケーション１０は、他のコンピュータあるいはサーバ装置から通信ネットワークを介してデータ処理装置２へインストールされても良い。
The
図５は、図２に示すタスクハンドラ１１による処理の手順を示すフローチャートである。タスクハンドラ１１は、データ処理装置２であるコンピュータの起動に合わせて起動し、コンピュータのシャットダウンまで起動状態を維持する。
FIG. 5 is a flowchart showing a procedure of processing by the
ステップＳ１にて、タスクハンドラ１１は、設定情報記憶部３５から読み出された設定情報１４に含まれる実行周期の情報を基に、寿命予測の実行周期が到来した部品があるか否かを判断する。実行周期が到来した部品がない場合（ステップＳ１，Ｎｏ）、ステップＳ２において、タスクハンドラ１１は、実行周期が到来した部品の有無の判断が次に行われるまで待機する。タスクハンドラ１１は、ステップＳ２における待機の後、処理をステップＳ１に戻す。
In step S <b> 1, the
実行周期が到来した部品がある場合（ステップＳ１，Ｙｅｓ）、タスクハンドラ１１は、ステップＳ３において、実行周期が到来した部品である対象部品についてのスレッド１３を起動する。スレッド１３は、ステップＳ４において、対象部品についての設定情報１４に含まれる識別情報を基に、対象部品の予防保全アルゴリズム１２を選択する。これにより、タスクハンドラ１１は、アルゴリズム記憶部３０に記憶されている予防保全アルゴリズム１２の中から、対象部品の予防保全アルゴリズム１２を選択する。なお、タスクハンドラ１１は、ステップＳ１において寿命予測の実行周期が到来した部品がある場合にステップＳ３の処理を実行するものに限られない。タスクハンドラ１１は、予防保全処理の実行指示がユーザによって入力部２３から入力された場合に、ステップＳ３の処理を実行しても良い。
If there is a component whose execution cycle has arrived (Step S1, Yes), the
スレッド１３は、諸元パラメータ１５の識別情報を基に、諸元パラメータ記憶部３２から読み出される諸元パラメータ１５の中から寿命予測の対象とされる部品についての諸元パラメータ１５を選択する。ステップＳ５において、スレッド１３は、当該部品の諸元パラメータ１５を予防保全アルゴリズム１２に入力する。ステップＳ６では、スレッド１３において、予防保全アルゴリズム１２は、予防保全処理である寿命予測処理を実行する。ステップＳ６における処理の終了により、タスクハンドラ１１は、図５に示す処理を終了する。
The
図６は、図３に示す予防保全処理部２５の機能構成を示すブロック図である。予防保全処理部２５は、実測値を算出する機能部である実測値算出部５１と、故障モードごとの故障モード値を算出する機能部である故障モード算出部５２と、代表寿命カーブを選択する機能部である代表寿命カーブ選択部５３と、故障モードを特定する機能部である故障モード特定部５４と、寿命予測カーブを生成する機能部である寿命予測カーブ生成部５５と、を備える。また、予防保全処理部２５は、アルゴリズム選択部２６で選択された予防保全アルゴリズム１２を基に、対象部品の予測寿命を算出する機能部である寿命予測部５６を備える。
FIG. 6 is a block diagram showing a functional configuration of the preventive
故障モードは、部品の故障原因を示す。故障モード値は、故障モードの特定に使用される数値とする。アルゴリズム記憶部３０に記憶されている予防保全アルゴリズム１２は、部品の各故障モードについての故障モード値の算出式である故障モデルを含む。実施の形態１では、故障モードは、部品にて発生する振動の周波数を観測することによって故障の兆候を監視し得る故障原因とする。故障モード算出部５２は、故障モード値である故障周波数を算出する。故障周波数は、故障の兆候とされる振動の周波数であって、故障モードごとに固有の周波数とする。故障モード算出部５２は、故障モードごとの故障周波数を算出する。
The failure mode indicates the cause of the component failure. The failure mode value is a numerical value used for specifying the failure mode. The
ここで、部品の１つであるベアリングを例として、故障モード算出部５２による故障周波数の算出について説明する。ベアリングの故障は、内輪、外輪、保持器および転動体における異常が原因となって発生し得る。ベアリングの故障モードには、以下に述べる第１から第５の故障モードがある。
Here, the calculation of the failure frequency by the failure
なお、以下に示す式（１）〜式（５）において、「ｄ」は転動体の直径、「Ｄ」は転動体のピッチサークルの径、「Ｚ」は転動体の数、「α」は接触角とする。「ｄ」および「Ｄ」の単位はミリメートル、「α」の単位はラジアンとする。故障モード算出部５２は、諸元パラメータ記憶部３２から読み出された諸元パラメータ１５から「ｄ」、「Ｄ」、「Ｚ」および「α」の各値を取得する。「ｆ０」は、内輪の回転周波数とする。「ｆ０」の単位はヘルツとする。故障モード算出部５２は、産業データ記憶部３１から読み出された産業データ１６を基に「ｆ０」の値を算出する。In the following equations (1) to (5), “d” is the diameter of the rolling element, “D” is the diameter of the pitch circle of the rolling element, “Z” is the number of the rolling elements, and “α” is The contact angle. The unit of “d” and “D” is millimeter, and the unit of “α” is radian. The failure
第１の故障モードは、保持器の欠陥であって、保持器の回転周波数ｆｍを観測することにより故障の兆候を監視し得る。故障モード算出部５２は、次の式（１）により、第１の故障モードの故障周波数である回転周波数ｆｍを算出する。The first failure mode is a defect of the cage may monitor for signs of failure by observing the rotational frequency f m of the cage.
第２の故障モードは、保持器の欠陥であって、内輪に対する保持器の相対回転周波数ｆｍ−ｉを観測することにより故障の兆候を監視し得る。故障モード算出部５２は、次の式（２）により、第２の故障モードの故障周波数である相対回転周波数ｆｍ−ｉを算出する。The second failure mode is a defect of the cage may monitor for signs of failure by observing the relative rotational frequency f m-i of the cage relative to the inner ring.
第３の故障モードは、内輪のレース面の傷あるいは剥離であって、内輪に対する転動体の通過周波数ｆｉを観測することにより故障の兆候を監視し得る。故障モード算出部５２は、次の式（３）により、第３の故障モードの故障周波数である通過周波数ｆｉを算出する。The third failure mode is a flaw or peeling of the inner ring race surface may monitor for signs of failure by observing the passing frequency f i of the rolling elements against the inner ring.
第４の故障モードは、外輪のレース面の傷あるいは剥離であって、外輪に対する転動体の通過周波数ｆＯを観測することにより故障の兆候を監視し得る。故障モード算出部５２は、次の式（４）により、第４の故障モードの故障周波数である通過周波数ｆＯを算出する。A fourth failure mode is a scratch or delamination of the race surface of the outer race, which can be monitored for signs of failure by observing the pass frequency f O of the rolling element relative to the outer race. The failure
第５の故障モードは、転動体の傷あるいは剥離であって、転動体の自転周波数ｆｂを観測することにより故障の兆候を監視し得る。故障モード算出部５２は、次の式（５）により、第５の故障モードの故障周波数である自転周波数ｆｂを算出する。Fifth failure mode is a flaw or peeling of the rolling elements, it may monitor for signs of failure by observing the rotation frequency f b of the rolling elements.
対象部品がサーボモータのベアリングである場合において、故障モード算出部５２は、サーボモータから取得された産業データである速度モニタ値を基に、内輪の回転周波数ｆ０を算出しても良い。または、故障モード算出部５２は、外部パルスエンコーダに設けられたセンサであるデバイス４Ｃから取得された産業データであるパルス数を基に、内輪の回転周波数ｆ０を算出しても良い。かかる回転周波数ｆ０は特定の周期において変動する値である。故障モード算出部５２は、周期における一定のタイミングにて回転周波数ｆ０を取得する。When the target component is a bearing of the servo motor, failure
一定のタイミングにて回転周波数ｆ０が取得されることで、各タイミングにて故障モード算出部５２で得られる回転周波数ｆ０の値は、一定となる。このため、回転周波数ｆ０の値は、産業データに基づいて算出される値に代えて、諸元パラメータ１５にあらかじめ設定された値としても良い。なお、一定のタイミングにて回転周波数ｆ０が取得される場合であっても、デバイス４Ｂの状況によって回転周波数ｆ０が僅かに変動することはあるため、産業データに基づいて回転周波数ｆ０を算出することで、あらかじめ設定された値よりもデバイス４Ｂの状況の変化がより反映された値を得ることが可能となる。このため、産業データに基づく算出により回転周波数ｆ０を取得することで、故障モード算出部５２は、精度良く故障周波数を算出することができる。By acquiring the rotation frequency f 0 at a constant timing, the value of the rotation frequency f 0 obtained by the failure
なお、故障モードは、振動以外の現象を観測することによって故障の兆候を監視し得る故障原因であっても良い。故障モード算出部５２は、故障周波数以外の故障モード値を算出しても良い。故障モードが、ギアボックスの温度を観測することによって故障の兆候を監視し得る故障原因である場合、故障モード値は、ギアボックスの温度である故障温度とする。故障モード算出部５２は、故障温度を取得する。
It should be noted that the failure mode may be a failure cause that can be monitored for signs of failure by observing a phenomenon other than vibration. The failure
実測値算出部５１は、産業データ記憶部３１に記憶されている産業データ１６を読み出して、読み出された産業データ１６を基に、故障モード値に対応する実測値を算出する。故障モード値が故障周波数である場合、実測値算出部５１は、実測値である実測周波数を算出する。実測周波数は、部品に生じる振動の周波数であって、デバイス４Ｂ，４Ｃにて取得される産業データ１６を基に算出される。対象部品がベアリングである場合において、実測値算出部５１は、デバイス４Ｂにて取得されたモータ電流値を基に実測周波数を算出する。実測値算出部５１は、モータ電流値の高速フーリエ変換（Fast Fourier Transform，ＦＦＴ）による周波数成分の抽出によって実測周波数を算出する。なお、産業データ記憶部３１は、ＦＦＴにより得られたデータを産業データ１６として記憶する。
The actual measurement
デバイス４Ｂにおいて振動現象が観測されない場合には、実測値算出部５１は、デバイス４Ｃにて取得された産業データ１６を基に実測周波数を算出しても良い。実測周波数の算出には、ベアリングに取り付けられたデバイス４Ｃである振動センサにより取得された振動加速度が使用されても良い。実測周波数の算出には、ベアリングに取り付けられたデバイス４Ｃである音圧センサにより取得された音圧レベルが使用されても良い。実測値算出部５１は、振動加速度あるいは音圧レベルのＦＦＴによる周波数成分の抽出によって実測周波数を算出しても良い。
When the vibration phenomenon is not observed in the
故障モード特定部５４は、故障モード算出部５２で算出された故障モード値と実測値算出部５１で算出された実測値とを比較して、対象部品の故障モードを特定する。対象部品がベアリングである場合、故障モード特定部５４は、第１から第５の故障モードの故障周波数のうち、実測周波数に一致する故障周波数を判定する。実測周波数が上記の回転周波数ｆｍに一致する場合、故障モード特定部５４は、対象部品であるベアリングの故障モードを第１の故障モードと特定する。The failure
故障モード特定部５４は、故障モード値と実測値との一致あるいは不一致を判定する手法には、さまざまな手法を適用することができる。故障モード特定部５４は、故障モード値と実測値とが一致するか否かを、あらかじめ決められた誤差範囲を基に判定しても良い。故障モード特定部５４は、故障モード値と実測値との差が誤差範囲内である場合、故障モード値と実測値とが一致すると判定する。故障モード特定部５４は、特定された故障モードを示す情報を代表寿命カーブ選択部５３と寿命予測カーブ生成部５５とへ送る。
The failure
故障モード特定部５４は、故障モード値に対応する実測値として観測された現象が、特定された故障モードの故障による現象であることの確度を表す同定スコアを算出しても良い。故障モード特定部５４は、故障モード値と実測値との差を基に、同定スコアを算出する。同定スコアは、寿命予測カーブ生成部５５を通って寿命予測部５６へ送られる。デバイス４Ｂの使用者は、同定スコアを参照することにより、対象部品の故障判定の信頼性を判断することができる。
The failure
代表寿命カーブ選択部５３は、故障モード特定部５４により特定された故障モードを基に、代表寿命カーブと故障閾値とを選択する。第１のカーブである代表寿命カーブは、部品の寿命加速試験により得られたデータを近似させた曲線であって、試験にて生じた現象についての故障モード値に対応する実測値と時間との関係を表す。寿命加速試験は、試験対象である部品の劣化を意図的に進めて、部品の寿命を検証する試験である。故障閾値は、試験にて部品が故障に至ったときの実測値とする。
The representative life
図７は、図６に示す代表寿命カーブ選択部５３により選択される代表寿命カーブＣ１と故障閾値Ｔとを示す図である。故障モード値が故障周波数である場合、代表寿命カーブＣ１は、試験にて生じた振動の振幅と時間との関係を表す。故障閾値Ｔは、試験にて部品が故障に至ったときの振動振幅である。すなわち、故障モード値が故障周波数である場合、故障周波数に対応する振動振幅が時系列でプロットされている。図７において、縦軸は振動振幅を表し、横軸は時間を表す。以下の説明にて、振動振幅を表す縦軸をＹ軸、時間を表す横軸をＸ軸と称することがある。なお、同じ製造元にて製造され、かつ同じ型の部品であっても、寿命加速試験により得られるデータにはばらつきが生じることがある。代表寿命カーブＣ１は、同じ製造元にて製造され、かつ同じ型の部品により得られる寿命カーブを代表する寿命カーブとする。
FIG. 7 is a diagram showing the representative life curve C1 and the failure threshold T selected by the representative life
カーブ記憶部である代表寿命カーブ記憶部３４は、デバイス４Ｂの各部品について、故障モードごとの代表寿命カーブと故障閾値とを記憶する。代表寿命カーブ選択部５３は、対象部品と特定された故障モードとに対応する代表寿命カーブＣ１と故障閾値Ｔとを、代表寿命カーブ記憶部３４に記憶されている代表寿命カーブと故障閾値とから選択する。時間Ｌ１は、代表寿命カーブＣ１において振動振幅が故障閾値Ｔに到達するときの時間とする。
The representative life
代表寿命カーブ選択部５３は、代表寿命カーブＣ１と故障閾値Ｔとの選択結果を、寿命予測カーブ生成部５５へ送る。なお、代表寿命カーブＣ１が表される際の縦軸は、振動振幅以外に、故障モード値に応じたパラメータである温度あるいは摩擦力などを表しても良い。また、横軸は、時間以外に、部品の劣化の進行を表すパラメータである積算温度などを表しても良い。
The representative life
寿命予測カーブ生成部５５は、代表寿命カーブ選択部５３にて選択された代表寿命カーブＣ１に基づいて、寿命予測カーブを生成する。寿命予測カーブは、寿命予測の実行時より後における実測値の時系列変化の予測を表す。故障モード値が故障周波数である場合、寿命予測カーブは、寿命予測の実行時より後における振動振幅と時間との関係を表す。
The life prediction
図８は、図６に示す寿命予測カーブ生成部５５による寿命予測カーブの生成について説明する第１の図である。図９は、図６に示す寿命予測カーブ生成部５５による寿命予測カーブの生成について説明する第２の図である。寿命予測カーブ生成部５５は、代表寿命カーブ選択部５３による選択結果にしたがい、代表寿命カーブ記憶部３４から代表寿命カーブＣ１と故障閾値Ｔとを読み出す。
FIG. 8 is a first diagram illustrating generation of a life prediction curve by the life prediction
寿命加速試験により得られる代表寿命カーブＣ１と実測値のプロットとでは、時間軸の長さが異なる。寿命予測カーブ生成部５５は、代表寿命カーブＣ１の時間Ｌ１までの時間軸を、対象部品の実際の使用状況に合わせた定格寿命である時間Ｌ２までの時間軸に合わせて、横軸方向へ代表寿命カーブＣ１を伸長させる。定格寿命は、標準的な製品の利用における寿命である。
The length of the time axis differs between the representative life curve C1 obtained by the life acceleration test and the plot of the actually measured values. The life prediction
具体例を述べると、対象部品であるボールベアリングが玉軸受である場合の定格寿命は、（Ｃ／Ｐ）３×１６６６７／ｎと表される。対象部品であるボールベアリングがころ軸受である場合の定格寿命は、（Ｃ／Ｐ）１０／３×１６６６７／ｎと表される。ここで、「Ｃ」は基本動定格荷重、「Ｐ」は動等価荷重、「ｎ」は回転速度とする。「Ｃ」および「Ｐ」の単位はニュートン、「ｎ」の単位は回毎分（revolution per minute，ｒｐｍ）とする。定格寿命の単位は時間（hour）である。Specifically, the rated life when the ball bearing as the target component is a ball bearing is expressed as (C / P) 3 × 16667 / n. The rated life when the ball bearing as the target component is a roller bearing is expressed as (C / P) 10/3 × 16667 / n. Here, “C” is a basic dynamic load rating, “P” is a dynamic equivalent load, and “n” is a rotation speed. The unit of “C” and “P” is Newton, and the unit of “n” is revolution per minute (rpm). The unit of the rated life is hours.
動等価荷重である「Ｐ」については、Ｐ＝Ｘｒ×Ｆｒ＋Ｙａ×Ｆａが成り立つ。ここで、「Ｘｒ」はラジアル係数、「Ｆｒ」はラジアル荷重、「Ｙａ」はアキシャル係数、「Ｆａ」はアキシャル荷重とする。「Ｆｒ」および「Ｆａ」の単位はニュートンとする。寿命予測カーブ生成部５５は、諸元パラメータ記憶部３２から読み出された諸元パラメータ１５から「Ｃ」、「ｎ」、「Ｘｒ」および「Ｙａ」の各値を取得する。寿命予測カーブ生成部５５は、設定プロファイルから「Ｆｒ」および「Ｆａ」の各値を取得する。設定プロファイルは、デバイス４Ｂに固有の情報とデバイス４Ｂの使用環境とを定義したファイルである。また、寿命予測カーブ生成部５５は、ボールベアリングが玉軸受ところ軸受のいずれであるかを、設定プロファイルを基に判断する。寿命予測カーブ生成部５５は、諸元パラメータ１５と設定プロファイルとを基に、定格寿命である時間Ｌ２を算出しても良い。A dynamic equivalent load on "P", P = X r × Fr + Y a × Fa is established. Here, “X r ” is a radial coefficient, “Fr” is a radial load, “Y a ” is an axial coefficient, and “Fa” is an axial load. The unit of “Fr” and “Fa” is Newton. The life prediction
寿命予測カーブ生成部５５は、故障閾値Ｔと定格寿命である時間Ｌ２とに基づいて、代表寿命カーブＣ１を変形させることにより、第２のカーブである定格カーブＣ２を生成する。定格カーブＣ２により表される指数関数Ｙ＝ａ×ｂｘ＋ｃの定数「ａ」、「ｂ」、「ｃ」は、時間Ｌ２における振動振幅が故障閾値Ｔに一致するまでＸ軸方向へ代表寿命カーブＣ１を引き伸ばすことにより求められる。寿命予測カーブ生成部５５は、Ｘ軸とＹ軸とのうちＸ軸についてのスケーリングにより、代表寿命カーブＣ１を引き伸ばす。The life prediction
図１０は、図６に示す寿命予測カーブ生成部５５による寿命予測カーブの生成について説明する第３の図である。寿命予測カーブ生成部５５は、産業データ１６のうち、現在までの振動振幅の実測値を産業データ記憶部３１から読み出し、読み出された実測値を現在までの時間軸においてプロットする。対象部品がベアリングである場合において、振動振幅は、デバイス４Ｂにて取得されたモータ電流値を実測値算出部５１にてＦＦＴして得られたデータから抽出できる。寿命予測カーブ生成部５５は、実測値の近似により、指数関数Ｙ＝ａ’×ｂｘ＋ｃ’を表す実測カーブＣ３を生成する。寿命予測カーブ生成部５５は、故障モード値に対応する実測値である振動振幅の実測値と時間との関係を表す第３のカーブである実測カーブＣ３を生成する。実測カーブＣ３の定数「ｂ」は、定格カーブＣ２の定数「ｂ」と一致させる。時間Ｌ３は、実測カーブＣ３において振動振幅が故障閾値Ｔに到達するときの時間とする。FIG. 10 is a third diagram illustrating generation of a life prediction curve by the life prediction
現在から直近における実測値が直近以前の実測値よりも小さい場合に、定数「ａ’」がマイナスの値となることがある。この場合、寿命予測カーブ生成部５５は、前回の寿命予測において算出された定数「ａ’」を実測カーブＣ３の生成に使用しても良い。または、前回の定数「ａ’」が存在しない場合は、寿命予測カーブ生成部５５は、代表寿命カーブＣ１の定数「ａ」を実測カーブＣ３の生成に使用しても良い。
When the actual measurement value from the present to the latest is smaller than the actual measurement value before the latest, the constant “a ′” may be a negative value. In this case, the life prediction
図１１は、図６に示す寿命予測カーブ生成部５５による寿命予測カーブＣ４の生成について説明する第４の図である。寿命予測カーブ生成部５５は、定格カーブＣ２と実測カーブＣ３との混合により、寿命予測カーブＣ４を生成する。これにより、予防保全処理部２５は、定格カーブＣ２と実測カーブＣ３とを基に生成された寿命予測カーブＣ４を得る。寿命予測カーブ生成部５５は、寿命予測カーブＣ４における実測カーブＣ３の支配度合いを表す重み付けを実測カーブＣ３に施すことにより寿命予測カーブＣ４を生成する。これにより、寿命予測カーブ生成部５５は、寿命予測カーブＣ４に含まれる実測カーブＣ３の割合を変化させる。
FIG. 11 is a fourth diagram illustrating the generation of the life prediction curve C4 by the life prediction
寿命予測カーブ生成部５５は、寿命予測カーブＣ４の生成に使用される重み付け比率ｐを、０％を下限、かつ１００％を上限として変化させる。重み付け比率ｐが０％であるとき、寿命予測カーブＣ４は定格カーブＣ２に一致する。重み付け比率ｐが１００％であるとき、寿命予測カーブＣ４は実測カーブＣ３に一致する。時間Ｌ４は、寿命予測カーブＣ４において振動振幅が故障閾値Ｔに到達するときの時間とする。
The life prediction
ここで、重み付け比率ｐの設定例について説明する。重み付け比率ｐは、図１１に示す縦軸である振動振幅の条件と、横軸である時間の条件とに基づいて決定される。振動振幅の条件をＹ軸条件、時間の条件をＸ軸条件とする。 Here, a setting example of the weighting ratio p will be described. The weighting ratio p is determined based on the vibration amplitude condition on the vertical axis and the time condition on the horizontal axis shown in FIG. The condition of the vibration amplitude is a Y-axis condition, and the condition of the time is an X-axis condition.
デバイス４Ｂの稼動を開始させてから初回の寿命予測では、初回であるというＸ軸条件に基づいて、重み付け比率ｐは０％とする。また、デバイス４Ｂの稼動を開始してから現在までの時間が対象部品の定格寿命である時間Ｌ２を超えている場合、時間Ｌ２を超えたというＸ軸条件に基づいて、重み付け比率ｐは１００％とする。
In the first life prediction after the operation of the
現在における振動振幅の実測値が前回の寿命予測のときにおける実測値と一定である場合、振動振幅が一定であるというＹ軸条件に基づいて、重み付け比率ｐは、前回の寿命予測にて決定された重み付け比率ｐと同じとする。なお、２つの実測値が一定であるとは、２つの実測値の差があらかじめ設定されたパーセント範囲内であることを指すものとする。 When the actual measurement value of the current vibration amplitude is constant from the actual measurement value at the time of the previous life prediction, the weighting ratio p is determined by the previous life prediction based on the Y-axis condition that the vibration amplitude is constant. And the same weighting ratio p. It should be noted that the fact that the two measured values are constant indicates that the difference between the two measured values is within a preset percentage range.
現在における振動振幅の実測値が前回の寿命予測のときにおける実測値と一定ではなく、かつ現在の実測値が前回の実測値から増加している場合、振動振幅が増加したというＹ軸条件に基づいて、重み付け比率ｐは、前回より増加させる。かかる条件に加えて、デバイス４Ｂの稼動を開始してから現在までの時間が時間Ｌ２の７０％未満であるというＸ軸条件が成り立つ場合、重み付け比率ｐは、前回より１０％増加させる。また、デバイス４Ｂの稼動を開始してから現在までの時間が時間Ｌ２の７０％以上かつ８０％未満であるというＸ軸条件が成り立つ場合、重み付け比率ｐは、前回より２０％増加させる。また、デバイス４Ｂの稼動を開始してから現在までの時間が時間Ｌ２の８０％以上かつ９０％未満であるというＸ軸条件が成り立つ場合、重み付け比率ｐは、前回より３０％増加させる。また、デバイス４Ｂの稼動を開始してから現在までの時間が時間Ｌ２の９０％以上かつ１００％未満であるというＸ軸条件が成り立つ場合、重み付け比率ｐは、前回より４０％増加させる。
If the actual measured value of the vibration amplitude at the present time is not the same as the actual measured value at the time of the previous life prediction, and the current measured value has increased from the previous measured value, based on the Y-axis condition that the vibration amplitude has increased. Thus, the weighting ratio p is increased from the previous time. In addition to the above conditions, when the X-axis condition that the time from the start of the operation of the
現在における振動振幅の実測値が前回の寿命予測のときにおける実測値と一定ではなく、かつ現在の実測値が前回の実測値から減少している場合、振動振幅が減少したというＹ軸条件に基づいて、重み付け比率ｐは、前回より減少させるか、前回と同じとする。かかる条件に加えて、デバイス４Ｂの稼動を開始してから現在までの時間が時間Ｌ２の７０％未満であるというＸ軸条件が成り立つ場合、重み付け比率ｐは、前回より１０％減少させる。また、デバイス４Ｂの稼動を開始してから現在までの時間が時間Ｌ２の７０％以上かつ１００％未満であるというＸ軸条件が成り立つ場合、重み付け比率ｐは、前回と同じとする。
If the current measured value of the vibration amplitude is not the same as the measured value at the time of the previous life prediction and the current measured value is smaller than the previous measured value, the Y-axis condition that the vibration amplitude is reduced is used. Thus, the weighting ratio p is set to be smaller than the previous time or the same as the previous time. In addition to the above conditions, when the X-axis condition that the time from the start of the operation of the
このように、Ｘ軸条件に基づいて重み付け比率ｐが設定されることで、寿命予測カーブ生成部５５は、デバイス４Ｂの稼動を開始してから初期の段階であって実測値の蓄積が少ない時期では、実測カーブＣ３に比べて定格カーブＣ２が支配的となるように重み付けられた寿命予測カーブＣ４を生成する。これにより、予防保全処理部２５は、実測値の蓄積が少ない時期において、定格寿命に重みを置いた寿命予測を行うことができる。また、寿命予測カーブ生成部５５は、時間が経過するにしたがい、実測カーブＣ３の支配度合いが高くなる重み付けを施す。寿命予測カーブ生成部５５は、時間の経過により実測値の蓄積が多くなるにしたがい、実測カーブＣ３へ近づけるように寿命予測カーブＣ４を変化させる。これにより、予防保全処理部２５は、実測値の蓄積が多くなるにしたがい、蓄積された実測値に重みを置いた寿命予測を行うことができる。また、Ｙ軸条件に基づいて重み付け比率ｐが設定されることで、寿命予測カーブ生成部５５は、振動振幅の実測値が増加するにしたがい、実測カーブＣ３の支配度合いが高くなる重み付けを施す。寿命予測カーブ生成部５５は、振動振幅が増加するにしたがい実測カーブＣ３へ近づけるように寿命予測カーブＣ４を変化させる。これにより、予防保全処理部２５は、実測値が増加している状況に即した寿命予測を行うことができる。
As described above, by setting the weighting ratio p based on the X-axis condition, the life expectancy
寿命予測部５６は、寿命予測カーブ生成部５５で生成された寿命予測カーブＣ４により表される指数関数に故障閾値Ｔを代入することにより、時間Ｌ４を求める。寿命予測部５６は、現在から時間Ｌ４までの時間である残り寿命を算出する。寿命予測部５６は、故障モード特定部５４により特定された故障モードと、寿命予測部５６により算出された寿命予測の結果１７である残り寿命と、故障モード特定部５４により算出された同定スコアとを、寿命データ記憶部３３へ送る。寿命データ記憶部３３は、故障モードと、残り寿命と、同定スコアとを記憶する。表示装置５は、寿命データ記憶部３３から読み出された故障モードと、残り寿命と、同定スコアとを表示する。
The
図１２は、図２に示す予防保全アルゴリズム１２が選択された以降におけるデータ処理装置２による処理の手順を示すフローチャートである。ステップＳ１１にて、故障モード算出部５２は、対象部品の各故障モードの故障周波数を算出する。ステップＳ１２にて、実測値算出部５１は、部品に生じる振動の周波数の実測値を算出する。
FIG. 12 is a flowchart showing a procedure of processing by the
ステップＳ１３にて、故障モード特定部５４は、実測値である実測周波数と故障周波数とを比較して、対象部品の故障モードを特定する。ステップＳ１４にて、故障モード特定部５４は、特定された故障モードの同定スコアを算出する。代表寿命カーブ選択部５３は、特定された故障モードを基に、代表寿命カーブと故障閾値とを選択する。
In step S13, the failure
ステップＳ１５にて、寿命予測カーブ生成部５５は、代表寿命カーブ選択部５３により選択された代表寿命カーブＣ１と故障閾値Ｔとを代表寿命カーブ記憶部３４から読み出す。ステップＳ１６にて、寿命予測カーブ生成部５５は、読み出された代表寿命カーブＣ１に基づいて、寿命予測カーブＣ４を生成する。
In step S15, the life prediction
図１３は、図６に示す寿命予測カーブ生成部５５により寿命予測カーブＣ４を生成する処理の手順を示すフローチャートである。ステップＳ２１にて、寿命予測カーブ生成部５５は、定格寿命と故障閾値Ｔとに基づいて代表寿命カーブＣ１の時間軸を伸長させることにより、定格カーブＣ２を求める。
FIG. 13 is a flowchart illustrating a procedure of a process of generating the life prediction curve C4 by the life prediction
ステップＳ２２にて、寿命予測カーブ生成部５５は、現在までの振動振幅の実測値を基に、実測カーブＣ３を求める。ステップＳ２３にて、寿命予測カーブ生成部５５は、実測カーブＣ３へ近づける重み付けを定格カーブＣ２に施すことにより、重み付けに応じた寿命予測カーブＣ４を求める。これにより、寿命予測カーブ生成部５５により寿命予測カーブＣ４を生成する処理を終了する。
In step S22, the life prediction
図１２に示すステップＳ１７にて、寿命予測部５６は、寿命予測カーブ生成部５５で生成された寿命予測カーブＣ４を基に、対象部品の残り寿命を算出する。ステップＳ１８にて、寿命データ記憶部３３は、ステップＳ１３にて特定された故障モードと、ステップＳ１７にて算出された残り寿命と、ステップＳ１４にて算出された同定スコアとを記憶する。ステップＳ１９にて、表示装置５は、寿命データ記憶部３３から読み出された故障モードと、残り寿命と、同定スコアとを表示する。これにより、データ処理装置２は、図１２に示す処理を終了する。
In step S17 shown in FIG. 12, the
実施の形態１のデータ処理装置２の機能による処理の一部あるいは全体は、クラウドサーバ３において行われても良い。クラウドサーバ３は、故障モード値の算出式である故障モデルを保持して、故障モード値の算出と故障モードの特定とを行っても良い。
Part or all of the processing by the function of the
実施の形態１によると、データ処理装置２は、対象部品に対応する予防保全アルゴリズム１２を選択するアルゴリズム選択部２６を備える。生産装置の構成に特化して構築されたアルゴリズムが予防保全アプリケーション１０に搭載される場合と比較して、予防保全アプリケーション１０の構築に要する負担を軽減することができる。これにより、装置の予防保全のためのデータ処理に利用されるアプリケーションの構築に要する負担を軽減することができるという効果を奏する。
According to the first embodiment, the
実施の形態２．
本発明の実施の形態２にかかるデータ処理装置２は、デバイス４Ｂを構成する各部品について、部品の使用が開始されてからの経過時間に応じて、部品ごとの寿命予測の実行周期を変更する。実施の形態２にかかるデータ処理装置２は、実施の形態１にかかるデータ処理装置２と同様の構成を備える。実行周期管理部である予防保全管理部２４は、部品の使用が開始されてからの経過時間に応じて実行周期を変更する。
The
振動振幅の実測値の上昇は、部品の寿命に近い時期ほど早くなる。実施の形態２では、予防保全管理部２４は、部品の使用が開始されてからの経過時間が長くなるにしたがい、寿命予測の実行周期を短くして、寿命予測処理の実行頻度を高くする。予防保全管理部２４は、実施の形態１における重み付け比率ｐを基に、寿命予測の実行周期を変更しても良い。これにより、予防保全管理部２４は、振動振幅の実測値が高くなるほど、また時間が経過するほど、寿命予測処理の実行頻度を高くする。
The increase in the measured value of the vibration amplitude is earlier as the time is closer to the life of the component. In the second embodiment, the preventive
実施の形態２によると、データ処理装置２は、部品の使用が開始されてからの経過時間に応じて、部品ごとの寿命予測の実行周期を変更することで、実測値の上昇度合いに応じて寿命予測処理の実行頻度を変更できる。これにより、データ処理装置２は、残り寿命の予測精度を高くすることができる。
According to the second embodiment, the
以上の実施の形態に示した構成は、本発明の内容の一例を示すものであり、別の公知の技術と組み合わせることも可能であるし、本発明の要旨を逸脱しない範囲で、構成の一部を省略、変更することも可能である。 The configurations described in the above embodiments are merely examples of the contents of the present invention, and can be combined with other known technologies, and can be combined with other known technologies without departing from the gist of the present invention. Parts can be omitted or changed.
１ データ処理システム、２ データ処理装置、３ クラウドサーバ、４Ａ，４Ｂ，４Ｃ デバイス、５ 表示装置、１０ 予防保全アプリケーション、１１ タスクハンドラ、１２ 予防保全アルゴリズム、１３ スレッド、１４ 設定情報、１５ 諸元パラメータ、１６ 産業データ、２０ 制御部、２１ 記憶部、２２ 通信部、２３ 入力部、２４ 予防保全管理部、２５ 予防保全処理部、２６ アルゴリズム選択部、３０ アルゴリズム記憶部、３１ 産業データ記憶部、３２ 諸元パラメータ記憶部、３３ 寿命データ記憶部、３４ 代表寿命カーブ記憶部、３５ 設定情報記憶部、４０ ＣＰＵ、４１ ＲＡＭ、４２ ＨＤＤ、４３ 通信回路、４４ 入力デバイス、４５ バス、５１ 実測値算出部、５２ 故障モード算出部、５３ 代表寿命カーブ選択部、５４ 故障モード特定部、５５ 寿命予測カーブ生成部、５６ 寿命予測部。
1 data processing system, 2 data processing device, 3 cloud server, 4A, 4B, 4C device, 5 display device, 10 preventive maintenance application, 11 task handler, 12 preventive maintenance algorithm, 13 thread, 14 setting information, 15 parameter , 16 industrial data, 20 control unit, 21 storage unit, 22 communication unit, 23 input unit, 24 preventive maintenance management unit, 25 preventive maintenance processing unit, 26 algorithm selection unit, 30 algorithm storage unit, 31 industrial data storage unit, 32 Specification parameter storage unit, 33 life data storage unit, 34 representative life curve storage unit, 35 setting information storage unit, 40 CPU, 41 RAM, 42 HDD, 43 communication circuit, 44 input device, 45 bus, 51 actual measurement value calculation unit , 52 Failure mode calculation unit, 53 Bed selecting unit, 54 failure
Claims (16)
前記アルゴリズム選択部で選択されたアルゴリズムを基に、前記対象部品の寿命予測の処理を実行する寿命予測処理部と、 Based on the algorithm selected by the algorithm selection unit, a life prediction processing unit that executes a life prediction process of the target component,
前記部品の寿命を検証する試験にて得られた実測値と時間との関係を表す第１のカーブと、前記試験にて前記部品が故障に至ったときの前記実測値である故障閾値とを記憶する記憶部と、 A first curve representing a relationship between an actual measurement value and a time obtained in a test for verifying the life of the component, and a failure threshold that is the actual measurement value when the component has failed in the test. A storage unit for storing,
を備え、 With
前記寿命予測処理部は、 The life expectancy processing unit,
前記部品の故障原因を示す故障モードの特定に使用される数値である故障モード値を算出する故障モード算出部と、 A failure mode calculation unit that calculates a failure mode value that is a numerical value used to specify a failure mode indicating a failure cause of the component,
前記故障モード値を基に、前記対象部品の故障モードを特定する故障モード特定部と、 A failure mode identification unit that identifies a failure mode of the target component based on the failure mode value;
前記対象部品についての前記第１のカーブと前記故障閾値を前記記憶部から読み出して、前記第１のカーブを前記故障閾値と前記対象部品の定格寿命とに基づいて変形させることにより第２のカーブを生成し、前記第２のカーブに基づいて、前記対象部品の予測寿命の算出に使用される寿命予測カーブを生成する寿命予測カーブ生成部と、 The second curve is obtained by reading the first curve and the failure threshold for the target component from the storage unit and deforming the first curve based on the failure threshold and the rated life of the target component. A life prediction curve generation unit that generates a life prediction curve used for calculating a predicted life of the target component based on the second curve;
を備えることを特徴とするデータ処理装置。 A data processing device comprising:
前記実行周期管理部は、前記部品の使用が開始されてからの経過時間に応じて前記実行周期を変更することを特徴とする請求項４に記載のデータ処理装置。 An execution cycle management unit that manages the execution cycle for each component,
The data processing apparatus according to claim 4 , wherein the execution cycle management unit changes the execution cycle according to an elapsed time from when the use of the component is started.
前記寿命予測処理部は、前記アルゴリズム選択部で選択されたアルゴリズムと入力された前記諸元パラメータとを基に、前記寿命予測の処理を実行することを特徴とする請求項１から６のいずれか１つに記載のデータ処理装置。 The algorithm selecting unit inputs a specification parameter that corresponds to the target component a specific information for each of the component on the lifetime prediction unit,
The lifetime prediction unit, based on said specification parameters input with the selected algorithm the algorithm selecting unit, any one of claims 1 to 6, characterized in that executing the processing of said lifetime prediction The data processing device according to one of the above.
前記アルゴリズム選択部で選択されたアルゴリズムと、前記部品ごとに固有な情報である諸元パラメータとを基に、前記対象部品の寿命予測の処理を実行する寿命予測処理部と、
を備え、
前記寿命予測処理部は、
前記部品の故障原因を示す故障モードの特定に使用される数値である故障モード値を算出する故障モード算出部と、
前記故障モード値を基に、前記対象部品の故障モードを特定する故障モード特定部と、
前記対象部品について、前記部品の寿命を検証する試験にて得られた実測値と時間との関係を表す第１のカーブと、前記試験にて前記部品が故障に至ったときの前記実測値である故障閾値とを取得し、前記第１のカーブを前記故障閾値と前記対象部品の定格寿命とに基づいて変形させることにより第２のカーブを生成し、前記第２のカーブに基づいて、前記対象部品の予測寿命の算出に使用される寿命予測カーブを生成する寿命予測カーブ生成部と、
を備えることを特徴とするデータ処理システム。 An algorithm for predicting the life of the components constituting the device, which is stored in an algorithm storage unit in which an algorithm that can be selected for each type of the component is stored. An algorithm selector for selecting an algorithm corresponding to a target part to be
An algorithm selected by the algorithm selecting unit, and a life prediction processing unit that executes a life prediction process of the target component based on specification parameters that are information unique to each component;
Equipped with a,
The life expectancy processing unit,
A failure mode calculation unit that calculates a failure mode value that is a numerical value used to specify a failure mode indicating a failure cause of the component,
A failure mode identification unit that identifies a failure mode of the target component based on the failure mode value;
For the target component, a first curve representing a relationship between an actual measurement value obtained in a test for verifying the life of the component and time, and the actual measurement value when the component failed in the test. Acquiring a certain failure threshold value, and generating a second curve by deforming the first curve based on the failure threshold value and the rated life of the target component, based on the second curve, A life prediction curve generation unit that generates a life prediction curve used for calculating the predicted life of the target component;
Data processing system according to claim Rukoto equipped with.
装置を構成する部品の寿命予測を行うためのアルゴリズムであって前記部品の種類ごとに選択可能なアルゴリズムから、前記装置を構成する前記部品のうち寿命予測の対象とされる対象部品に対応するアルゴリズムを選択するステップと、
選択された前記アルゴリズムと、前記部品ごとに固有な情報である諸元パラメータとを基に、前記対象部品の寿命予測の処理を実行するステップと、
を含み、
前記寿命予測の処理を実行するステップは、
前記部品の故障原因を示す故障モードの特定に使用される数値である故障モード値を算出するステップと、
前記故障モード値を基に、前記対象部品の故障モードを特定するステップと、
前記対象部品について、前記部品の寿命を検証する試験にて得られた実測値と時間との関係を表す第１のカーブと、前記試験にて前記部品が故障に至ったときの前記実測値である故障閾値とを取得し、前記第１のカーブを前記故障閾値と前記対象部品の定格寿命とに基づいて変形させることにより第２のカーブを生成し、前記第２のカーブに基づいて、前記対象部品の予測寿命の算出に使用される寿命予測カーブを生成するステップと、
を含むことを特徴とするデータ処理方法。 The data processing device
An algorithm for estimating the life of the components constituting the device, the algorithm corresponding to the target component for which the life is to be predicted among the components constituting the device, from an algorithm which can be selected for each type of the component. Selecting
Executing a process of predicting the life of the target component based on the selected algorithm and specification parameters that are information unique to each component;
Only including,
The step of performing the life prediction process includes:
Calculating a failure mode value that is a numerical value used to specify a failure mode indicating a failure cause of the component;
Identifying a failure mode of the target component based on the failure mode value;
For the target component, a first curve representing a relationship between an actual measurement value obtained in a test for verifying the life of the component and time, and the actual measurement value when the component failed in the test. Acquiring a certain failure threshold value, and generating a second curve by deforming the first curve based on the failure threshold value and the rated life of the target component, based on the second curve, Generating a life expectancy curve used to calculate the life expectancy of the target part;
Data processing method comprising including Mukoto a.
前記部品の寿命予測を行うためのアルゴリズムであって前記部品の種類ごとに選択可能なアルゴリズムから、前記装置を構成する前記部品のうち寿命予測の対象とされる対象部品に対応するアルゴリズムを選択するステップと、
選択された前記アルゴリズムと、前記部品ごとに固有な情報である諸元パラメータとを基に、前記対象部品の寿命予測の処理を実行するステップと、
を前記コンピュータに実行させ、
前記寿命予測の処理を実行するステップは、
前記部品の故障原因を示す故障モードの特定に使用される数値である故障モード値を算出するステップと、
前記故障モード値を基に、前記対象部品の故障モードを特定するステップと、
前記対象部品について、前記部品の寿命を検証する試験にて得られた実測値と時間との関係を表す第１のカーブと、前記試験にて前記部品が故障に至ったときの前記実測値である故障閾値とを取得し、前記第１のカーブを前記故障閾値と前記対象部品の定格寿命とに基づいて変形させることにより第２のカーブを生成し、前記第２のカーブに基づいて、前記対象部品の予測寿命の算出に使用される寿命予測カーブを生成するステップと、
を含むことを特徴とするデータ処理プログラム。 A data processing program that causes a computer to function as a data processing device that performs a process of estimating the life of components constituting the device,
An algorithm for predicting the life of the component is selected from algorithms that can be selected for each type of the component, the algorithm corresponding to the target component whose life is to be predicted among the components constituting the device. Steps and
Executing a process of predicting the life of the target component based on the selected algorithm and specification parameters that are information unique to each component;
It was performed on the computer,
The step of performing the life prediction process includes:
Calculating a failure mode value that is a numerical value used to specify a failure mode indicating a failure cause of the component;
Identifying a failure mode of the target component based on the failure mode value;
For the target component, a first curve representing a relationship between an actual measurement value obtained in a test for verifying the life of the component and time, and the actual measurement value when the component failed in the test. Acquiring a certain failure threshold value, and generating a second curve by deforming the first curve based on the failure threshold value and the rated life of the target component, based on the second curve, Generating a life expectancy curve used to calculate the life expectancy of the target part;
A data processing program characterized by including:
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2017/037555 WO2019077679A1 (en) | 2017-10-17 | 2017-10-17 | Data processing device, data processing system, data processing method, data processing program, and storage medium |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPWO2019077679A1 JPWO2019077679A1 (en) | 2019-11-14 |
| JP6676210B2 true JP6676210B2 (en) | 2020-04-08 |
Family
ID=66173585
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019502021A Active JP6676210B2 (en) | 2017-10-17 | 2017-10-17 | Data processing device, data processing system, data processing method, data processing program, and storage medium |
Country Status (4)
| Country | Link |
|---|---|
| JP (1) | JP6676210B2 (en) |
| KR (1) | KR102343793B1 (en) |
| CN (1) | CN111213162B (en) |
| WO (1) | WO2019077679A1 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7426586B2 (en) | 2019-10-29 | 2024-02-02 | パナソニックＩｐマネジメント株式会社 | Maintenance systems, processing methods, and programs |
Family Cites Families (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0450731A (en) * | 1990-06-19 | 1992-02-19 | Toshiba Corp | Rotary machine fault diagnostic system |
| JP2002092137A (en) * | 2000-09-14 | 2002-03-29 | Nippon Mitsubishi Oil Corp | Life time prediction system and life time predicting method |
| JP2002189512A (en) * | 2000-12-21 | 2002-07-05 | Mitsubishi Heavy Ind Ltd | Support system and support method and server |
| JP3754927B2 (en) * | 2002-03-12 | 2006-03-15 | キヤノン株式会社 | Sheet conveying apparatus, image forming apparatus, and rotating body life prediction method |
| JP2006016165A (en) * | 2004-07-02 | 2006-01-19 | Mitsubishi Electric Building Techno Service Co Ltd | Parts replacement management system |
| JP2006031231A (en) * | 2004-07-14 | 2006-02-02 | Toshiba Corp | Plant controller preventive security system and plant controller preventive security method |
| US7328128B2 (en) * | 2006-02-22 | 2008-02-05 | General Electric Company | Method, system, and computer program product for performing prognosis and asset management services |
| US7558771B2 (en) * | 2006-06-07 | 2009-07-07 | Gm Global Technology Operations, Inc. | System and method for selection of prediction tools |
| JP2009193486A (en) * | 2008-02-18 | 2009-08-27 | Fuji Xerox Co Ltd | Failure diagnostic device and program |
| JP5764928B2 (en) * | 2011-01-05 | 2015-08-19 | 富士ゼロックス株式会社 | Component deterioration degree calculating device, image forming device, and program |
| US20120283963A1 (en) | 2011-05-05 | 2012-11-08 | Mitchell David J | Method for predicting a remaining useful life of an engine and components thereof |
| JP5076031B2 (en) * | 2012-01-23 | 2012-11-21 | 株式会社東芝 | Product life analysis apparatus and product life analysis method |
| KR101288005B1 (en) * | 2012-08-21 | 2013-07-23 | 매크로이에스아이 주식회사 | Part life analysis system using n-dimensional matrix |
| US20140095133A1 (en) * | 2012-09-28 | 2014-04-03 | General Electric Company | Systems and methods for managing mechanical systems and components |
| JP6308777B2 (en) * | 2013-12-25 | 2018-04-11 | Eizo株式会社 | Life prediction method, life prediction program, and life prediction device |
| KR101567980B1 (en) * | 2014-04-21 | 2015-11-20 | (주)에너토크 | Apparatus for predicting lifetime |
| JP2016056997A (en) * | 2014-09-09 | 2016-04-21 | 大和ハウス工業株式会社 | Energy utilization system |
| KR101677358B1 (en) * | 2015-01-28 | 2016-11-18 | 주식회사 엑센솔루션 | System and method of failure prognostic as to die casting facilities using neural network algorithm |
| JP6536295B2 (en) * | 2015-08-31 | 2019-07-03 | 富士通株式会社 | Prediction performance curve estimation program, prediction performance curve estimation device and prediction performance curve estimation method |
| CN105225010A (en) * | 2015-10-12 | 2016-01-06 | 国网山东省电力公司电力科学研究院 | A kind of transformer equipment lifetime estimation method based on reliability |
| JP6301902B2 (en) * | 2015-12-21 | 2018-03-28 | ファナック株式会社 | Maintenance time prediction system and maintenance time prediction device |
| CN105740625B (en) * | 2016-01-31 | 2018-02-23 | 太原科技大学 | A kind of real-time method for predicting residual useful life of gear |
-
2017
- 2017-10-17 CN CN201780095784.2A patent/CN111213162B/en active Active
- 2017-10-17 WO PCT/JP2017/037555 patent/WO2019077679A1/en active Application Filing
- 2017-10-17 KR KR1020207010219A patent/KR102343793B1/en active IP Right Grant
- 2017-10-17 JP JP2019502021A patent/JP6676210B2/en active Active
Also Published As
| Publication number | Publication date |
|---|---|
| KR20200051758A (en) | 2020-05-13 |
| CN111213162A (en) | 2020-05-29 |
| CN111213162B (en) | 2023-08-25 |
| KR102343793B1 (en) | 2021-12-27 |
| WO2019077679A1 (en) | 2019-04-25 |
| JPWO2019077679A1 (en) | 2019-11-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107272586B (en) | Machine learning device, machine learning method, failure prediction device, and failure prediction system | |
| US9476803B2 (en) | Method and an apparatus for predicting the condition of a machine or a component of the machine | |
| US10466138B2 (en) | Determining remaining useful life of rotating machinery including drive trains, gearboxes, and generators | |
| EP3723011A1 (en) | Failure prediction device, failure prediction method, computer program, calculation model learning method, and calculation model generation method | |
| US9913006B1 (en) | Power-efficient data-load-efficient method of wirelessly monitoring rotating machines | |
| You et al. | A generalized similarity measure for similarity-based residual life prediction | |
| JP2010181188A (en) | Plant operation condition monitoring method | |
| EP2880578A2 (en) | Estimating remaining useful life from prognostic features discovered using genetic programming | |
| US11933838B2 (en) | Managing health condition of a rotating system | |
| CN112005181A (en) | Anomaly detection | |
| US20140081583A1 (en) | Method for deterministic stress based risk reduction | |
| JP5490277B2 (en) | Plant operating condition monitoring method | |
| JP6676210B2 (en) | Data processing device, data processing system, data processing method, data processing program, and storage medium | |
| US11921005B2 (en) | System, apparatus and method for estimating remaining useful life of a bearing | |
| EP4174601A1 (en) | System, apparatus and method for monitoring condition of an asset in technical installation | |
| JP6702297B2 (en) | Abnormal state diagnosis method and abnormal state diagnosis device | |
| Dang et al. | Fault prediction of rolling bearing based on ARMA model | |
| US11747191B2 (en) | Automated health state classifier for rotating machines based on expert knowledge | |
| WO2020054725A1 (en) | Diagnostic apparatus and diagnostic method | |
| JP5490278B2 (en) | Plant operating condition monitoring method | |
| EP4253934A1 (en) | System, apparatus and method for misalignment-based remaining useful life estimation of a bearing | |
| JP7280703B2 (en) | diagnostic system | |
| Bejaoui et al. | Remaining Useful Life Prediction based on Degradation Model: Application to a Scale Replica Assembly Plant | |
| WO2022128769A1 (en) | System, apparatus and method for estimating remaining useful life of at least one bearing | |
| JP2023021514A (en) | Device diagnostic system and device diagnostic method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190115 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190115 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20190115 |
|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20190221 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190423 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190621 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20191001 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191127 |
|
| 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: 20200212 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200311 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6676210 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |