JP6837612B1 - 機器状態監視装置および機器状態監視方法 - Google Patents

機器状態監視装置および機器状態監視方法 Download PDF

Info

Publication number
JP6837612B1
JP6837612B1 JP2020549833A JP2020549833A JP6837612B1 JP 6837612 B1 JP6837612 B1 JP 6837612B1 JP 2020549833 A JP2020549833 A JP 2020549833A JP 2020549833 A JP2020549833 A JP 2020549833A JP 6837612 B1 JP6837612 B1 JP 6837612B1
Authority
JP
Japan
Prior art keywords
feature amount
pattern
operation data
state
learned
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
Application number
JP2020549833A
Other languages
English (en)
Other versions
JPWO2021240750A1 (ja
Inventor
俊通 栗山
俊通 栗山
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Application granted granted Critical
Publication of JP6837612B1 publication Critical patent/JP6837612B1/ja
Publication of JPWO2021240750A1 publication Critical patent/JPWO2021240750A1/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • 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
    • G05B2223/00—Indexing scheme associated with group G05B23/00
    • G05B2223/02—Indirect monitoring, e.g. monitoring production to detect faults of a system

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Indicating And Signalling Devices For Elevators (AREA)

Abstract

機器状態監視装置（１）は、機器の状態が計測された運転データの特徴量を抽出する特徴量抽出部（１１）と、機器の運転データが計測されたときの機器の運転パターンが、機器の状態の判定範囲が学習された学習済みパターンであるか、学習されていない未学習パターンであるかを判定する運転パターン判定部（１２）と、機器の運転パターンと運転データの特徴量との関係に基づいて、未学習パターンと判定された運転パターンに対応する運転データの特徴量を、学習済みパターンに対応するように補正する特徴量補正部（１３）と、機器の運転データの特徴量および機器の状態の判定範囲に基づいて、機器の状態を判定する機器状態判定部（１４）を備える。

Description

本開示は、機器状態監視装置および機器状態監視方法に関する。
機器の状態を監視する従来の技術として、正常な機器の状態が計測された運転データに基づいて機器の状態の正常範囲を算出し、機器の状態の正常範囲からの外れ度合いに基づいて機器の状態を監視するものがある。例えば、特許文献１には、プラントの状態量を計測した計測信号が正常モデルに分類される場合は、プラントが正常状態であると診断し、計測信号が正常モデルに分類されない場合は、プラントが過去に経験したことのない未知状態であると診断するプラントの診断装置が記載されている。
国際公開第２０１２／０７３２８９号
特許文献１に記載されたプラントの診断装置は、プラントの状態の正常範囲に計測信号が分類されない場合、この計測信号が計測されたプラントが未知状態であると診断する。このため、例えば、機器の運転データが事前に学習された状態に分類されない場合、未知状態と判定されてしまい、機器が正常な状態であるか、異常な状態であるか、異常の予兆状態であるかといった機器の状態を判定できないという課題があった。
本開示は、上記課題を解決するものであり、機器の状態の判定範囲が未学習である運転パターンに対応する運転データを用いても、機器の状態を判定することができる機器状態監視装置および機器状態監視方法を得ることを目的とする。
本開示に係る機器状態監視装置は、機器の状態が計測された運転データの特徴量を抽出する特徴量抽出部と、機器の運転データが計測されたときの機器の運転パターンが、機器の状態の判定範囲が学習された学習済みパターンであるか、学習されていない未学習パターンであるかを判定する運転パターン判定部と、機器の運転パターンと運転データの特徴量との関係に基づいて、未学習パターンと判定された運転パターンに対応する運転データの特徴量の分布を、学習済みパターンに対応する運転データの特徴量の分布に重なるまで近づける補正を行う特徴量補正部と、補正後の運転データの特徴量および機器の状態の判定範囲に基づいて、機器の状態を判定する機器状態判定部を備える。
本開示によれば、機器の運転パターンと運転データの特徴量との関係に基づいて、未学習パターンに対応する機器の運転データの特徴量を、学習済みパターンに対応するように補正し、補正後の運転データの特徴量および機器の状態の判定範囲に基づいて機器の状態が判定される。これにより、本開示に係る機器状態監視装置は、機器の状態の判定範囲が未学習である運転パターンに対応する運転データを用いても、機器の状態を判定することができる。
実施の形態１に係る機器状態監視装置の構成を示すブロック図である。 実施の形態１に係る機器状態監視方法を示すフローチャートである。 機器の運転データの特徴量分布および機器の状態の判定範囲を示す概要図である。 未学習パターンに対応する運転データの特徴量を補正する処理の例（１）を示すフローチャートである。 機器の運転パターン指令値と運転データの特徴量との関係を示すグラフである。 機器の運転パターン指令値と運転データの特徴量との関係におけるテストデータの補正処理の概要を示したグラフである。 未学習パターンに対応する運転データの特徴量分布における、学習済みパターンに対応する運転データの特徴量分布との差分を補正する処理を示す概要図である。 未学習パターンに対応する運転データの特徴量を補正する処理の例（２）を示すフローチャートである。 図９Ａは、物理モデルを用いた補正処理の過程（１）で算出される運転データの分布を示すグラフであり、図９Ｂは、物理モデルを用いた補正処理の過程（２）で算出される運転データの分布を示すグラフであり、図９Ｃは、物理モデルを用いた補正処理の過程（３）で算出される運転データの分布を示すグラフであり、図９Ｄは、物理モデルを用いた補正処理の過程（４）で算出される運転データの分布を示すグラフである。 図１０Ａは、実施の形態１に係る機器状態監視装置の機能を実現するハードウェア構成を示すブロック図であり、図１０Ｂは、実施の形態１に係る機器状態監視装置の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。 実施の形態１に係る機器状態監視装置の変形例の構成を示すブロック図である。
実施の形態１．
図１は、実施の形態１に係る機器状態監視装置の構成を示すブロック図である。図１において、機器状態監視装置１は、機器に設置されたセンサによって計測された当該機器の状態を計測した運転データを用いて機器の状態を監視する。監視対象の機器は、指令された運転パターンが示す一連の動作を繰り返す機器であり、例えば産業用ロボットである。運転パターンは、事前に決定された一連の動作であり、個々の動作（例えば、加速、減速または一定速）を示す指令値が機器に設定されることにより実行される。また、運転パターンの指令値には、例えば、指令速度、指令位置または指令荷重がある。
ある運転パターンで動作している機器から計測された運転データは、機器の状態の計測値の時系列データであり、運転パターンの指令値との間に物理的な関係が成り立つ。例えば、監視対象の機器が回転機構を有する産業用ロボットであり、産業用ロボットが、回転機構を一定の速度で回転させる運転パターンで動作する場合、回転機構を回転させる一定の速度を示す指令速度値とこの指令速度値で回転した回転機構のトルクの平均値との関係は、単調増加関数で表すことができる。運転データの特徴量には、例えば、運転データが示す計測値の平均値、最小値、最大値、分散または標準偏差といった一般的な統計量、あるいは高速フーリエ変換（ＦＦＴ）を施して得られるパワースペクトルがある。
機器状態監視装置１は、前述したように、運転パターンと運転データの特徴量との間に物理的な関係が現れる機器の状態の監視に有効である。機器の状態を監視する従来の方法は、一般に、機器の状態を計測した運転データを学習データとして用いて、機器の状態の正常範囲、異常範囲および異常の予兆範囲を学習し、運転データの特徴量（例えば、平均値）がいずれの範囲に属するかによって機器の状態を判定するものである。
産業用ロボットなどの制御機器においては、当該機器が製造する製品が変更されるか、その仕様が変更されることによって、運転パターンが変更される場合がある。この場合、変更後の運転パターンで動作する機器の状態を監視するために計測された運転データが、事前に学習した、いずれの範囲にも含まれない可能性がある。従来の方法では、このように運転データが学習済みの範囲に分類されない場合、機器が未知状態であると判定されるか、機器が正常であっても異常状態と誤判定される可能性がある。
そこで、機器状態監視装置１は、機器の運転パターンの指令値と運転データの特徴量との間に物理的な関係が成り立つことに着目することにより、学習済みパターンとは異なる運転パターン、例えば、機器の状態の判定範囲が未学習である運転パターン（以下、未学習パターンと記載する）であっても、これに対応する運転データの特徴量を、機器の状態の判定範囲が学習済みである運転パターン（以下、学習済みパターンと記載する）に対応するように補正することができる。これにより、機器状態監視装置１は、未学習パターンに対応する運転データの特徴量および機器の状態の判定範囲に基づいて機器の状態を判定することが可能である。
機器状態監視装置１は、学習データに含まれる運転パターン情報およびこれに対応する運転データを用いて機器の状態の判定範囲を学習した学習モデルを、運転パターン情報が示す運転パターンごとに生成する。判定範囲の算出には、例えば、Ｏｎｅ−Ｃｌａｓｓ ＳＶＭが用いられる。機器状態監視装置１は、生成した学習モデルのうち、テストデータに含まれる運転パターンに対応する学習モデルを選択し、選択した学習モデルに運転データの特徴量を入力することで、当該運転データが示す機器の状態を判定する。テストデータは、センサによって監視対象の機器から計測された運転データとこれに対応する運転パターン情報である。
また、機器状態監視装置１は、テストデータに含まれる運転パターンが未学習パターンであると判定した場合、機器の運転パターンと運転データの特徴量との関係に基づいて、この未学習パターンに対応する運転データの特徴量を、学習済みパターンに対応するように補正する。そして、機器状態監視装置１は、補正後の運転データの特徴量および機器の状態の判定範囲に基づいて、機器の状態を判定する。
機器状態監視装置１は、図１に示すように、特徴量抽出部１１、運転パターン判定部１２、特徴量補正部１３および機器状態判定部１４を備える。特徴量抽出部１１は、機器の状態が計測された運転データの特徴量を抽出する。例えば、特徴量抽出部１１は、センサによって機器から一定の計測周期ごとに計測された運転データを入力して、入力した運転データの特徴量を計測周期ごとに算出する。運転データの特徴量は、例えば、計測周期の時間内に計測された運転データの平均値、最小値、最大値または分散といった統計量、あるいはＦＦＴを施して得られるパワースペクトルである。
運転パターン判定部１２は、機器の運転データが計測されたときの機器の運転パターンが、機器の状態の判定範囲が学習された学習済みパターンであるか、学習されていない未学習パターンであるかを判定する。例えば、運転パターン判定部１２は、テストデータに含まれる運転パターン情報と学習データに含まれる運転パターン情報とを照合することにより、テストデータに含まれる運転パターン情報のうち、学習データに含まれる運転パターン情報と合致しない運転パターン情報を、未学習パターンであると判定する。
特徴量補正部１３は、機器の運転パターンと運転データの特徴量との関係に基づいて、未学習パターンと判定された運転パターンに対応する運転データの特徴量を、学習済みパターンに対応するように補正する。例えば、特徴量補正部１３は、テストデータと、学習データとを用いて、機器の運転パターンと運転データの特徴量との関係を学習する。特徴量補正部１３は、学習した関係に基づいて、未学習パターンと判定された運転パターンに対応する運転データの特徴量を、学習済みパターンに対応するように補正する。また、特徴量補正部１３は、機器の物理モデルを用いて未学習パターンの機器の運転データを推定し、推定した運転データの特徴量を、学習済みパターンと運転データの特徴量との関係に基づいて、学習済みパターンに対応するように補正してもよい。
機器状態判定部１４は、機器の運転データの特徴量および機器の状態の判定範囲に基づいて、機器の状態を判定する。例えば、機器状態判定部１４は、機器の状態の判定範囲が事前に学習された学習モデルを取得し、取得した学習モデルに、テストデータに含まれる機器の運転データを入力する。学習モデルは、入力した運転データが示す機器の状態が、正常範囲、異常範囲または異常の予兆範囲のいずれに属するかを判定する。機器状態判定部１４は、学習モデルによる機器の状態の判定結果を出力する。
実施の形態１に係る機器状態監視方法は、以下の通りである。
図２は、実施の形態１に係る機器状態監視方法を示すフローチャートであり、機器状態監視装置１が実行する一連の処理を示している。まず、特徴量抽出部１１が、機器の状態が計測された運転データの特徴量を抽出する（ステップＳＴ１）。例えば、特徴量抽出部１１は、テストデータに含まれる機器の運転データを入力し、入力した運転データの特徴量を計測周期ごとに算出する。
運転パターン判定部１２は、テストデータに含まれる運転パターンが未学習パターンであるか否かを判定する（ステップＳＴ２）。テストデータに含まれる運転パターンが学習済みパターンであると判定された場合（ステップＳＴ２；ＮＯ）、機器状態監視装置１はステップＳＴ４の処理に移行する。また、テストデータに含まれる運転パターンが未学習パターンであると判定された場合（ステップＳＴ２；ＹＥＳ）、特徴量補正部１３は、機器の運転パターンと運転データの特徴量との関係に基づいて、未学習パターンと判定された運転パターンに対応する運転データの特徴量を、学習済みパターンに対応するように補正する（ステップＳＴ３）。
機器状態判定部１４は、機器の運転データの特徴量および機器の状態の判定範囲に基づいて、機器の状態を判定する（ステップＳＴ４）。例えば、テストデータに含まれる運転パターンが学習済みパターンであると判定された場合、機器状態判定部１４は、この運転パターンに対応する運転データの特徴量を、学習モデルに入力する。学習モデルは、入力した運転データが示す機器の状態が、正常範囲、異常範囲または異常の予兆範囲のいずれに属するかを判定する。また、テストデータに含まれる運転パターンが未学習パターンであると判定された場合は、補正後の運転データの特徴量が学習モデルに入力され、機器の状態が判定される。
図３は、機器の運転データの特徴量分布および機器の状態の判定範囲を示す概要図である。図３において、特徴量（１）および特徴量（２）は、共通の運転パターンで動作する機器から計測された運転データの特徴量であり、例えば、運転データが回転機構のトルクであれば、特徴量（１）がトルクの平均値であってもよいし、特徴量（２）がトルクの標準偏差であってもよい。範囲Ａ、ＢおよびＣは機器の状態の判定範囲であり、範囲Ａは、機器の正常範囲を示しており、範囲Ｂは、機器が異常になる予兆範囲を示しており、範囲Ｃは、機器の異常範囲を示している。
範囲Ａ、ＢおよびＣは、学習データを用いて事前に学習されている。例えば、正常状態の機器から計測された運転データの特徴量ｄａは、範囲Ａに属する。異常状態になる予兆を示す機器から計測された運転データの特徴量ｄｂは、範囲Ｂに属する。異常状態の機器から計測された運転データの特徴量ｄｃは、範囲Ｃに属する。
テストデータとして範囲Ａ、ＢおよびＣのいずれにも属さない運転データの特徴量ｄ１が得られると、運転パターン判定部１２は、運転データの特徴量ｄ１に対応する運転パターンが未学習パターンであると判定する。この場合、特徴量補正部１３は、運転データの特徴量ｄ１を、学習済みパターンに対応する範囲Ａ、ＢおよびＣのいずれかに属するように補正する。例えば、特徴量補正部１３は、機器の運転パターンと運転データの特徴量との関係に基づいて、運転データの特徴量ｄ１と範囲Ｂとの距離が最も近いと判断し、運転データの特徴量ｄ１を、範囲Ｂ内の運転データの特徴量ｄ２に補正する。これにより、運転データの特徴量ｄ１が得られた機器は、異常状態になる予兆状態であると判定される。
機器の運転データの特徴量を補正する処理の詳細は、以下の通りである。
図４は、未学習パターンに対応する運転データの特徴量を補正する処理の例（１）を示すフローチャートであり、特徴量補正部１３による一連の処理を示している。特徴量補正部１３は、学習データに含まれる機器の運転パターンと運転データの特徴量との関係を学習する（ステップＳＴ１ａ）。機器状態監視装置１における監視対象の機器は、運転パターンの指令値と運転データの特徴量との間に物理的な関係が成り立つ。図５は、機器の運転パターン指令値と運転データの特徴量との関係を示すグラフである。例えば、産業用ロボットが備える回転機構が一定の速度で回転する運転パターンにおいては、各回転速度を示す指令速度値に対して回転機構のトルクの平均値は、単調増加する関係にある。
図５において、機器の運転データｄは、学習済みパターンの運転パターン指令値に対応する機器の状態の計測値の時系列データであり、運転パターン指令値ごとに分布ｅを形成する。例えば、運転パターン指令値が５００（ｒｐｍ）である場合に、運転データｄは、５００（ｒｐｍ）で回転している回転機構から計測されたトルクの時系列データである。回帰曲線Ｄは、運転データｄの分布ｅから算出された、運転パターン指令値ごとの運転データｄの平均値に対して、最小二乗法を施して推定される。図５に示すように、回帰曲線Ｄは、運転パターン指令値に対して運転データの特徴量が単調増加する関数である。特徴量補正部１３は、学習データを用いて、前述のような回帰曲線Ｄを学習する。
次に、特徴量補正部１３は、学習済みパターンに対応する運転データの特徴量と未学習パターンに対応する運転データの特徴量との差分を算出する（ステップＳＴ２ａ）。図６は、機器の運転パターン指令値と運転データｄの特徴量との関係における、テストデータの補正処理の概要を示したグラフである。例えば、図６において、テストデータに含まれる運転パターン指令値Ｐ１は、学習済みパターンを示すいずれの運転パターン指令値にも含まれないので、未学習パターンを示す指令値である。
特徴量補正部１３は、未学習パターンである運転パターン指令値Ｐ１に対応する回帰曲線Ｄ上の点を、運転パターン指令値Ｐ１に対応する運転データの特徴量ｄ１であると判定する。続いて、特徴量補正部１３は、学習済みパターンのうち、運転パターン指令値Ｐ２を特定し、運転パターン指令値Ｐ２に対応する回帰曲線Ｄ上の点である運転データの特徴量ｄ２を決定する。運転パターン指令値Ｐ１とこれに対応する運転データの特徴量ｄ１との間には、回帰曲線Ｄが示す関係が成り立ち、運転パターン指令値Ｐ２とこれに対応する運転データの特徴量ｄ２との間には、回帰曲線Ｄが示す関係が成り立つ。これにより、特徴量補正部１３は、運転データの特徴量ｄ１と運転データの特徴量ｄ２との差分Ｅを算出する。
続いて、特徴量補正部１３は、未学習パターンに対応する運転データの特徴量分布を、算出した差分Ｅを用いて補正する（ステップＳＴ３ａ）。図７は、未学習パターンに対応する運転データの特徴量分布における、学習済みパターンに対応する運転データの特徴量分布との差分を補正する処理を示す概要図である。図７に示すように、未学習パターンである運転パターン指令値Ｐ１に対応する運転データの特徴量ｄ１の分布Ｇ１と、学習済みパターンである運転パターン指令値Ｐ２に対応する運転データの特徴量ｄ２の分布Ｆとがあるものとする。
特徴量補正部１３は、運転データの特徴量ｄ１の分布Ｇ１と運転データの特徴量ｄ２の分布Ｆとの差分Ｅだけ、運転データの特徴量ｄ１の分布Ｇ１を、運転データの特徴量ｄ２の分布Ｆに近づけることにより分布Ｇ１を分布Ｇ２に補正する。機器状態判定部１４は、分布Ｇ２と分布Ｆとを比較し、比較結果に基づいて機器の状態を判定する。
図８は、未学習パターンに対応する運転データの特徴量を補正する処理の例（２）を示すフローチャートであり、特徴量補正部１３による一連の処理を示している。
特徴量補正部１３は、機器の物理モデルを用いて、学習データに含まれる運転データを推定する（ステップＳＴ１ｂ）。物理モデルは、運転パターン指令値を入力し、入力した運転パターン指令値に対応する運転データを推定する。特徴量補正部１３が、学習済みパターンを示す運転パターン指令値を物理モデルに入力して、入力した学習済みパターンに対応する運転データが物理モデルから出力される。
さらに、特徴量補正部１３は、推定した運転データの分布の特徴量を算出する。図９Ａは、物理モデルを用いた補正処理の過程（１）で算出される運転データの分布を示すグラフであり、物理モデルを用いて推定された学習済みパターンに対応する運転データの分布Ｈ１を示している。例えば、特徴量補正部１３は、推定した学習済みパターンに対応する運転データの分布Ｈ１における平均値μｔｒａｉｎと標準偏差σｔｒａｉｎを算出する。続いて、特徴量補正部１３は、推定した学習済みパターンに対応する運転データと共通の学習済みパターンで動作する機器から実測された運転データとの差分Δｄを算出する（ステップＳＴ２ｂ）。
次に、特徴量補正部１３は、機器の物理モデルを用いて未学習パターンに対応する運転データを推定する（ステップＳＴ３ｂ）。例えば、特徴量補正部１３は、未学習パターンを示す運転パラメータ指令値を物理モデルに入力し、入力した未学習パターンに対応する運転データが物理モデルから出力される。図９Ｂは、物理モデルを用いた補正処理の過程（２）で算出される運転データの分布を示すグラフである。特徴量補正部１３は、推定した未学習パターンに対応する運転データの平均値μｔｅｓｔを算出する。そして、特徴量補正部１３は、図９Ｂに示すように、学習済みパターンに対応する運転データの分布Ｈ１における平均値μｔｒａｉｎを平均値μｔｅｓｔで置き換えた分布Ｈ２を生成する。分布Ｉ１は、未学習パターンで動作する機器から実測された運転データの分布である。
続いて、特徴量補正部１３は、推定した学習済みパターンに対応する運転データの分布Ｈ１の特徴量、推定した学習済みパターンに対応する運転データと実測された運転データとの差分Δｄ、および、推定した未学習パターンに対応する運転データを用いて、未学習パターンに対応する運転データの分布Ｉ２を推定する（ステップＳＴ４ｂ）。図９Ｃは、物理モデルを用いた補正処理の過程（３）で算出される運転データの分布を示すグラフである。特徴量補正部１３は、未学習パターンに対応する運転データの実測値から構成される分布Ｉ１を、物理モデルを用いて推定された学習済みパターンに対応する運転データの分布の特徴量と、物理モデルを用いて推定された運転データとその実測データとの差分Δｄとを用いて、分布Ｉ１のデータ間を補間することにより、分布Ｉ２を算出する。
特徴量補正部１３は、未学習パターンに対応する運転データの分布Ｉ２を、学習済みパターンに対応するように補正する（ステップＳＴ５ｂ）。図９Ｄは、物理モデルを用いた補正処理の過程（４）で算出される運転データの分布を示すグラフである。図９Ｄに示すように、特徴量補正部１３は、推定した未学習パターンに対応する運転データの分布Ｉ２における平均値μｔｅｓｔを平均値μｔｒａｉｎで置き換えた分布Ｉ３を生成する。機器状態判定部１４は、分布Ｈ１と分布Ｉ３とを比較し、比較結果に基づいて機器の状態を判定する。物理モデルを用いて機器の運転データを推定することにより、実測すべき運転データ数を低減することができる。
機器状態監視装置１の機能を実現するハードウェア構成は、以下の通りである。
図１０Ａは、機器状態監視装置１の機能を実現するハードウェア構成を示すブロック図である。図１０Ｂは、機器状態監視装置１の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。図１０Ａおよび図１０Ｂにおいて、入力インタフェース１００は、機器のテストデータおよび学習データの入力を中継するインタフェースである。出力インタフェース１０１は、機器状態判定部１４から外部に出力される判定結果を中継するインタフェースである。
機器状態監視装置１が備える特徴量抽出部１１、運転パターン判定部１２、特徴量補正部１３および機器状態判定部１４の機能は、処理回路により実現される。すなわち、機器状態監視装置１は、図２に示したステップＳＴ１からステップＳＴ４までの各処理を実行する処理回路を備える。処理回路は、専用のハードウェアであってもよいが、メモリに記憶されたプログラムを実行するＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）であってもよい。
処理回路が図１０Ａに示す専用のハードウェアの処理回路１０２である場合、処理回路１０２は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ−Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、または、これらを組み合わせたものが該当する。機器状態監視装置１が備える特徴量抽出部１１、運転パターン判定部１２、特徴量補正部１３および機器状態判定部１４の機能は、別々の処理回路で実現されてもよく、これらの機能がまとめて１つの処理回路で実現されてもよい。
処理回路が図１０Ｂに示すプロセッサ１０３である場合、機器状態監視装置１が備える特徴量抽出部１１、運転パターン判定部１２、特徴量補正部１３および機器状態判定部１４の機能は、ソフトウェア、ファームウェアまたはソフトウェアとファームウェアとの組み合わせにより実現される。なお、ソフトウェアまたはファームウェアは、プログラムとして記述されてメモリ１０４に記憶される。
プロセッサ１０３は、メモリ１０４に記憶されたプログラムを読み出して実行することにより、機器状態監視装置１が備える特徴量抽出部１１、運転パターン判定部１２、特徴量補正部１３および機器状態判定部１４の機能を実現する。例えば、機器状態監視装置１は、プロセッサ１０３によって実行されるときに、図２に示したステップＳＴ１からステップＳＴ４までの各処理が結果的に実行されるプログラムを記憶するメモリ１０４を備える。これらのプログラムは、特徴量抽出部１１、運転パターン判定部１２、特徴量補正部１３および機器状態判定部１４の手順または方法をコンピュータに実行させる。メモリ１０４は、コンピュータを、特徴量抽出部１１、運転パターン判定部１２、特徴量補正部１３および機器状態判定部１４として機能させるためのプログラムが記憶されたコンピュータ可読記憶媒体であってもよい。
メモリ１０４は、例えば、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ−ＥＰＲＯＭ）などの不揮発性または揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤなどが該当する。
機器状態監視装置１が備える特徴量抽出部１１、運転パターン判定部１２、特徴量補正部１３および機器状態判定部１４の機能の一部が専用のハードウェアで実現され、残りの一部がソフトウェアまたはファームウェアで実現されてもよい。例えば、特徴量抽出部１１は、専用のハードウェアである処理回路１０２によって機能が実現され、運転パターン判定部１２、特徴量補正部１３および機器状態判定部１４は、プロセッサ１０３がメモリ１０４に記憶されたプログラムを読み出して実行することによって各機能が実現される。このように、処理回路は、ハードウェア、ソフトウェア、ファームウェアまたはこれらの組み合わせによって、上記機能を実現することができる。
これまでの説明では、機器状態監視装置１が、事前に生成された学習モデルを取得して機器の状態を判定する場合を示したが、学習モデルを生成する構成要素を備えてもよい。図１１は、機器状態監視装置１の変形例である機器状態監視装置１Ａの構成を示すブロック図である。図１１において、図１と同一の構成要素には同一の符号が付されて重複した説明が省略される。機器状態監視装置１Ａは、図１１に示すように、特徴量抽出部１１、運転パターン判定部１２、特徴量補正部１３、機器状態判定部１４、分類部１５およびモデル生成部１６を備える。
分類部１５は、監視対象の機器の運転データを運転パターンごとに分類する。例えば、分類部１５は、学習データに含まれる運転データが機器から計測されたときに当該機器に設定されていた指令値に基づいて運転データを運転パターンごとに分類する。モデル生成部１６は、運転パターンごとに分類された運転データを用いて、機器の状態の判定範囲を学習した学習モデルを、運転パターンごとに生成する。機器状態判定部１４は、補正後の運転データの特徴量および学習モデルを用いて、機器の状態を判定する。
なお、機器状態監視装置１Ａが備える、特徴量抽出部１１、運転パターン判定部１２、特徴量補正部１３、機器状態判定部１４、分類部１５およびモデル生成部１６の機能は、処理回路により実現される。すなわち、機器状態監視装置１Ａは、運転データの分類と学習モデルの生成を含む各処理を実行するための処理回路を備えている。処理回路は、図１０Ａに示した専用のハードウェアの処理回路１０２であってもよいし、図１０Ｂに示したメモリ１０４に記憶されたプログラムを実行するプロセッサ１０３であってもよい。
以上のように、実施の形態１に係る機器状態監視装置１において、機器の運転パターンと運転データの特徴量との関係に基づいて、未学習パターンに対応する機器の運転データの特徴量を、学習済みパターンに対応するように補正し、補正後の運転データの特徴量および機器の状態の判定範囲に基づいて機器の状態が判定される。これにより、機器状態監視装置１は、未学習パターンに対応する運転データを用いても機器の状態を判定することができる。
なお、実施の形態の任意の構成要素の変形もしくは実施の形態の任意の構成要素の省略が可能である。
本開示に係る機器状態監視装置は、例えば、産業用ロボットの状態の監視に利用可能である。
１，１Ａ 機器状態監視装置、１１ 特徴量抽出部、１２ 運転パターン判定部、１３ 特徴量補正部、１４ 機器状態判定部、１５ 分類部、１６ モデル生成部、１００ 入力インタフェース、１０１ 出力インタフェース、１０２ 処理回路、１０３ プロセッサ、１０４ メモリ。

Claims (5)

  1. 機器の状態が計測された運転データの特徴量を抽出する特徴量抽出部と、
    前記機器の運転データが計測されたときの前記機器の運転パターンが、前記機器の状態の判定範囲が学習された学習済みパターンであるか、学習されていない未学習パターンであるかを判定する運転パターン判定部と、
    前記機器の運転パターンと運転データの特徴量との関係に基づいて、前記未学習パターンと判定された運転パターンに対応する運転データの特徴量の分布を、前記学習済みパターンに対応する運転データの特徴量の分布に重なるまで近づける補正を行う特徴量補正部と、
    前記機器の運転データの特徴量および前記機器の状態の判定範囲に基づいて、前記機器の状態を判定する機器状態判定部と、
    を備えたことを特徴とする機器状態監視装置。
  2. 前記機器の運転データを運転パターンごとに分類する分類部と、
    運転パターンごとに分類された運転データを用いて、前記機器の状態の判定範囲を学習した学習モデルを、運転パターンごとに生成するモデル生成部と、
    を備え、
    前記機器状態判定部は、運転データの特徴量および前記学習モデルを用いて、前記機器の状態を判定すること
    を特徴とする請求項１記載の機器状態監視装置。
  3. 前記特徴量補正部は、運転パターンと運転データの特徴量との関係を学習し、学習した関係に基づいて、前記未学習パターンと判定された運転パターンに対応する運転データの特徴量の分布を、前記学習済みパターンに対応する運転データの特徴量の分布に重なるまで近づける補正を行うこと
    を特徴とする請求項１または請求項２記載の機器状態監視装置。
  4. 前記特徴量補正部は、前記機器の物理モデルを用いて前記未学習パターンの前記機器の運転データを推定し、推定した運転データの特徴量の分布を、前記学習済みパターンと運転データの特徴量との関係に基づいて、前記学習済みパターンに対応する運転データの特徴量の分布に重なるまで近づける補正を行うこと
    を特徴とする請求項１または請求項２記載の機器状態監視装置。
  5. 特徴量抽出部が、機器の状態が計測された運転データの特徴量を抽出するステップと、
    運転パターン判定部が、前記機器の運転データが計測されたときの前記機器の運転パターンが、前記機器の状態の判定範囲が学習された学習済みパターンであるか、学習されていない未学習パターンであるかを判定するステップと、
    特徴量補正部が、前記機器の運転パターンと運転データの特徴量との関係に基づいて、前記未学習パターンと判定された運転パターンに対応する運転データの特徴量の分布を、前記学習済みパターンに対応する運転データの特徴量の分布に重なるまで近づける補正を行うステップと、
    機器状態判定部が、前記機器の運転データの特徴量および前記機器の状態の判定範囲に基づいて、前記機器の状態を判定するステップと、
    を備えたことを特徴とする機器状態監視方法。
JP2020549833A 2020-05-28 2020-05-28 機器状態監視装置および機器状態監視方法 Active JP6837612B1 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/021206 WO2021240750A1 (ja) 2020-05-28 2020-05-28 機器状態監視装置および機器状態監視方法

Publications (2)

Publication Number Publication Date
JP6837612B1 true JP6837612B1 (ja) 2021-03-03
JPWO2021240750A1 JPWO2021240750A1 (ja) 2021-12-02

Family

ID=74673594

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020549833A Active JP6837612B1 (ja) 2020-05-28 2020-05-28 機器状態監視装置および機器状態監視方法

Country Status (7)

Country Link
US (1) US20230023878A1 (ja)
JP (1) JP6837612B1 (ja)
KR (1) KR102579619B1 (ja)
CN (1) CN115552345A (ja)
DE (1) DE112020006948B4 (ja)
TW (1) TWI813921B (ja)
WO (1) WO2021240750A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7392895B1 (ja) 2023-06-28 2023-12-06 富士電機株式会社 運転支援装置、運転支援方法及びプログラム
JP7422962B2 (ja) 2022-02-02 2024-01-26 三菱電機株式会社 機器状態監視装置および機器状態監視方法
EP4322396A4 (en) * 2021-04-08 2024-05-08 Mitsubishi Electric Corporation ANOMALY DIAGNOSIS DEVICE AND ANOMALY DIAGNOSIS METHOD

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5776419A (en) * 1980-10-31 1982-05-13 Hitachi Ltd Oscillation monitoring device
JPH09256338A (ja) * 1996-03-22 1997-09-30 Mitsubishi Heavy Ind Ltd 河川水位予測装置
JPH09282466A (ja) * 1996-04-18 1997-10-31 Atr Ningen Joho Tsushin Kenkyusho:Kk パターン認識方法
WO2012073289A1 (ja) * 2010-12-02 2012-06-07 株式会社日立製作所 プラントの診断装置及びプラントの診断方法
JP2013218725A (ja) * 2013-06-19 2013-10-24 Hitachi Ltd 異常検知方法及び異常検知システム
JP2019128623A (ja) * 2018-01-22 2019-08-01 Ｎｅｃプラットフォームズ株式会社 パターン認識装置、方法及びプログラム

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5566092A (en) * 1993-12-30 1996-10-15 Caterpillar Inc. Machine fault diagnostics system and method
US6556950B1 (en) * 1999-09-30 2003-04-29 Rockwell Automation Technologies, Inc. Diagnostic method and apparatus for use with enterprise control
DE102004063388A1 (de) 2004-12-23 2006-07-13 Medav Gmbh Verfahren zur adaptiven Klassifizierung von Werkstücken
WO2014177755A1 (en) * 2013-04-30 2014-11-06 Tana Oy Work machine control
KR101823746B1 (ko) * 2016-02-05 2018-01-30 울산대학교 산학협력단 베어링 고장 진단 방법
KR101827108B1 (ko) 2016-05-04 2018-02-07 두산중공업 주식회사 플랜트 이상 감지 학습 시스템 및 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5776419A (en) * 1980-10-31 1982-05-13 Hitachi Ltd Oscillation monitoring device
JPH09256338A (ja) * 1996-03-22 1997-09-30 Mitsubishi Heavy Ind Ltd 河川水位予測装置
JPH09282466A (ja) * 1996-04-18 1997-10-31 Atr Ningen Joho Tsushin Kenkyusho:Kk パターン認識方法
WO2012073289A1 (ja) * 2010-12-02 2012-06-07 株式会社日立製作所 プラントの診断装置及びプラントの診断方法
JP2013218725A (ja) * 2013-06-19 2013-10-24 Hitachi Ltd 異常検知方法及び異常検知システム
JP2019128623A (ja) * 2018-01-22 2019-08-01 Ｎｅｃプラットフォームズ株式会社 パターン認識装置、方法及びプログラム

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4322396A4 (en) * 2021-04-08 2024-05-08 Mitsubishi Electric Corporation ANOMALY DIAGNOSIS DEVICE AND ANOMALY DIAGNOSIS METHOD
JP7422962B2 (ja) 2022-02-02 2024-01-26 三菱電機株式会社 機器状態監視装置および機器状態監視方法
JP7392895B1 (ja) 2023-06-28 2023-12-06 富士電機株式会社 運転支援装置、運転支援方法及びプログラム

Also Published As

Publication number Publication date
KR102579619B1 (ko) 2023-09-15
CN115552345A (zh) 2022-12-30
TWI813921B (zh) 2023-09-01
DE112020006948T5 (de) 2023-02-23
TW202144941A (zh) 2021-12-01
US20230023878A1 (en) 2023-01-26
JPWO2021240750A1 (ja) 2021-12-02
WO2021240750A1 (ja) 2021-12-02
KR20220159485A (ko) 2022-12-02
DE112020006948B4 (de) 2024-06-20

Similar Documents

Publication Publication Date Title
JP6837612B1 (ja) 機器状態監視装置および機器状態監視方法
EP3809580B1 (en) Electric vehicle, method and device for diagnosing rotary transformer initial position, and computer readable medium
RU2682195C1 (ru) Устройство диагностики неисправностей и способ диагностики неисправностей
US11880750B2 (en) Anomaly detection based on device vibration
US11526783B2 (en) Abnormality determination device, learning device, and abnormality determination method
KR102501883B1 (ko) 기계 학습 기반의 설비 이상 분류 시스템 및 방법
CN107729985B (zh) 识别技术设施的过程异常的方法和相应的诊断系统
US9396061B1 (en) Automated repair of storage system components via data analytics
WO2020242553A1 (en) Failure prediction using gradient-based sensor identification
US11487640B2 (en) Replacing stair-stepped values in time-series sensor signals with inferential values to facilitate prognostic-surveillance operations
WO2020152741A1 (ja) 異常要因推定装置、異常要因推定方法、及びプログラム
KR102501884B1 (ko) 기계 학습 기반의 설비 이상 진단 시스템 및 방법
CN115867873A (zh) 提供与分配给输入数据方法和系统的异常分数相关的警报
US20210080924A1 (en) Diagnosis Method and Diagnosis System for a Processing Engineering Plant and Training Method
US7855086B2 (en) Method for monitoring fabrication parameter
WO2019207767A1 (ja) 制御装置および制御方法
CN113591984A (zh) 设备运行事件的检测方法、装置、电子设备和存储介质
WO2023148834A1 (ja) 機器状態監視装置および機器状態監視方法
US20090018788A1 (en) Normalization of process variables in a manufacturing process
TWI795048B (zh) 元器件的異常監測方法、電子設備及儲存介質
CN111579222A (zh) 自动最佳化故障特征产生方法
US11782429B2 (en) Automatically adapting a prognostic-surveillance system to account for age-related changes in monitored assets
CN117010463A (zh) 包括改进的rbf神经网络的处理器及提供该神经网络的方法
TW202311836A (zh) 異常檢測設備、異常檢測方法、儲存媒體、快門設備、曝光設備及物品的製造方法

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200916

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20200916

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20201102

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20201110

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20201224

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: 20210112

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210209

R150 Certificate of patent or registration of utility model

Ref document number: 6837612

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250