JP6869755B2 - 状態診断装置 - Google Patents
状態診断装置 Download PDFInfo
- Publication number
- JP6869755B2 JP6869755B2 JP2017043108A JP2017043108A JP6869755B2 JP 6869755 B2 JP6869755 B2 JP 6869755B2 JP 2017043108 A JP2017043108 A JP 2017043108A JP 2017043108 A JP2017043108 A JP 2017043108A JP 6869755 B2 JP6869755 B2 JP 6869755B2
- Authority
- JP
- Japan
- Prior art keywords
- diagnostic
- data
- diagnostic model
- model
- state
- 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
- 238000003745 diagnosis Methods 0.000 claims description 27
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 230000001186 cumulative effect Effects 0.000 claims description 17
- 230000005856 abnormality Effects 0.000 claims description 16
- 238000013480 data collection Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 description 12
- 238000010801 machine learning Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000000034 method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M13/00—Testing of machine parts
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0297—Reconfiguration of monitoring system, e.g. use of virtual sensors; change monitoring method as a response to monitoring results
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Description
本発明は、たとえば工作機械等の産業機械を診断し、当該産業機械における異常の進行度合いを監視したり、異常の原因を判定したりする状態診断装置に関するものである。
製造業において生産効率の向上は最も重要な課題である。そして、産業機械の故障による生産ラインの停止は、生産効率の著しい低下の原因となることから、日常的な産業機械の予防保全、特に状態基準保全が最も重要となり、その実現のために産業機械の状態を診断する状態診断装置が考案されている。たとえば特許文献１に記載の状態診断装置では、回帰分析を用いた状態基準保全を行うとしており、診断対象である装置において正常時に取得した複数の状態データから回帰分析を用いてデータの分類及び診断モデルの作成を行い、作成した診断モデルを用いて装置の状態を乖離度で算出し、閾値と比較して異常の検知等の診断を行うようになっている。また、特許文献２に記載の状態診断装置では、ニューラルネットワークを用いた状態基準保全を行うとしており、多数の正常データとごく少数の異常データとから異常種ごとにニューラルネットモデル（診断モデル）を作成し、診断対象となる装置から得られる時系列データについて、異常種ごとに設定されている前処理を行い、そのデータを各診断モデルで個別に判定することで、異常の検知等の診断を行うようになっている。
たとえば機械学習を産業機械の状態に応用しようとすると、診断精度の向上や診断可能となる異常種の拡張、診断の不具合修正等のために診断モデルを更新する必要がある。しかしながら、従来の状態診断装置では、診断モデルの更新を想定しておらず、機械学習を応用した診断精度の向上等を実現できないという問題がある。また、診断モデルの更新にあたっては、更新前後で診断結果の整合性がとれないといった問題が起こり得る。すなわち、更新前は正常と診断されていた診断用データが更新後は異常と診断されるようなことが起きかねない。
そこで、本発明は、上記問題に鑑みなされたものであって、更新前後で不具合の生じない診断モデルの更新を容易且つ正確に行うことができ、機械学習を応用した診断精度の向上等を実現することができる状態診断装置を提供しようとするものである。
上記目的を達成するために、本発明のうち請求項１に記載の発明は、産業機械において着目する構成要素から取得される診断用データを所定の診断モデルで診断することにより、前記産業機械の状態を診断する状態診断装置であって、前記構成要素の使用開始から交換若しくは修理までの累計動作量と前記診断用データとを収集するデータ収集部と、前記構成要素の累計動作量が使用開始から所定の規定量を超えた直後に得られた前記診断用データを真に正常なデータとし、前記構成要素の累計動作量が交換若しくは修理となる直前に得られた前記診断用データを真に異常なデータとして、前記真に正常なデータ及び／又は前記真に異常なデータを対象としてマスターデータを選択するマスター選択部と、選択された前記マスターデータを保存する保存部と、前記マスターデータを現行の診断モデルで診断した診断結果と、前記マスターデータを新しい診断モデルで診断した診断結果とを比較して、前記現行の診断モデルと前記新しい診断モデルとで整合性がとれているか否かを判定する整合性判定部とを備えており、整合性がとれていると、前記診断モデルを前記現行の診断モデルから前記新しい診断モデルへと更新することを特徴とする。
請求項２に記載の発明は、請求項１に記載の発明において、前記診断モデルでの診断の結果、前記構成要素の正常・異常が判定される状態診断装置であって、前記整合性判定部は、前記整合性がとれているか否かを判定するにあたり、前記現行の診断モデルと前記新しい診断モデルとで全ての前記構成要素における正常・異常が一致し、且つ、前記新しい診断モデルにおける正常・異常の判定に係る確信度が、前記現行の診断モデルにおける正常・異常の判定に係る確信度よりも低下していないことを特徴とする。
請求項２に記載の発明は、請求項１に記載の発明において、前記診断モデルでの診断の結果、前記構成要素の正常・異常が判定される状態診断装置であって、前記整合性判定部は、前記整合性がとれているか否かを判定するにあたり、前記現行の診断モデルと前記新しい診断モデルとで全ての前記構成要素における正常・異常が一致し、且つ、前記新しい診断モデルにおける正常・異常の判定に係る確信度が、前記現行の診断モデルにおける正常・異常の判定に係る確信度よりも低下していないことを特徴とする。
本発明によれば、構成要素の使用開始から交換若しくは修理までの累計動作量と診断用データとを収集し、構成要素の累計動作量が使用開始から所定の規定量を超えた直後に得られた診断用データを真に正常なデータとし、構成要素の累計動作量が交換若しくは修理となる直前に得られた診断用データを真に異常なデータとして、真に正常なデータ及び／又は真に異常なデータを対象としてマスターデータを選択するとともに、当該マスターデータを現行の診断モデルで診断した診断結果と、マスターデータを新しい診断モデルで診断した診断結果とを比較して、現行の診断モデルと新しい診断モデルとで整合性がとれているか否かを判定した上で、整合性がとれていると、診断モデルを現行の診断モデルから新しい診断モデルへと更新するため、マスターデータを効率良く取得することができ、ひいては更新前後で不具合の生じない診断モデルの更新を容易且つ正確に行うことができる。したがって、機械学習の応用等により、より高精度で多様な異常及びその原因を検知可能な状態診断装置とすることができる。
以下、本発明の一実施形態となる状態診断装置について、図面にもとづき詳細に説明する。
図１は、状態診断装置１０のブロック構成図である。
状態診断装置１０は、たとえば工作機械等の産業機械の状態を診断するためのものであって、現行の診断モデルと新しい診断モデルとが整合しているか否かを検証するためのモデル検証部１、産業機械から取得される診断用データ（たとえば加速度センサや温度センサ等の各種センサから取得される検出値）等を使って産業機械の状態を診断したり、後述の如くマスターデータを使って新旧の診断モデルでの診断を行う診断部６、診断用データや実験で得られた実験データ等から診断モデルを作成するモデル作成部（図示せず）を備えてなる。なお、診断モデルは、たとえばニューラルネットワーク等の機械学習で、産業機械から取得されるデータを用いて作成する。
状態診断装置１０は、たとえば工作機械等の産業機械の状態を診断するためのものであって、現行の診断モデルと新しい診断モデルとが整合しているか否かを検証するためのモデル検証部１、産業機械から取得される診断用データ（たとえば加速度センサや温度センサ等の各種センサから取得される検出値）等を使って産業機械の状態を診断したり、後述の如くマスターデータを使って新旧の診断モデルでの診断を行う診断部６、診断用データや実験で得られた実験データ等から診断モデルを作成するモデル作成部（図示せず）を備えてなる。なお、診断モデルは、たとえばニューラルネットワーク等の機械学習で、産業機械から取得されるデータを用いて作成する。
モデル検証部１は、産業機械の運転データ（使用状態）や診断用データを常時収集するデータ収集部２、データ収集部２で収集された診断用データの中からマスターデータを選択するマスター選択部３、及び選択したマスターデータを保存する保存部４、診断モデルの更新に際して新旧の診断モデルに係る検証を指令するモデル検証指令部５、及び新旧の診断モデルを検証して整合性がとれているか否かを判定し、その判定結果を出力する整合性判定部７を備えている。
ここで、まずマスターデータの選択について説明する。本実施形態では、運転データを累計動作量で定義し、データ収集部２は、産業機械の軸受やモータ等といった着目する構成要素の累計動作量を構成要素毎に収集する。また、個々の構成要素毎に、その構成要素が慣らし運転後に使用され始める状態、つまり累計動作量が所定の規定量Ａを超えた直後の状態を真に正常な状態とする一方、構成要素が故障等して交換されたり修理されたりする直前の状態、つまり累計動作量が０にリセットされる直前の極大値となる状態を真に異常な状態とする。そして、マスター選択部３は、それら両状態で得られた診断用データに絞った上で、さらに当該診断用データでの現行の診断モデルでの診断結果において、構成要素の正常・異常の判定が、実際の正常・異常に一致する診断用データをマスターデータとする。また、マスター選択部３は、そのようなマスターデータの選択を、着目する全ての構成要素について個々行い、保存部４に保存する。
なお、累計動作量は、回転数や移動距離、動作時間等といった構成要素の消耗を表す量であればよい。また、真に異常な状態に対応するマスターデータは、構成要素を交換したり修理したりする直前に診断動作を実行することにより取得すればよい。さらに、機械衝突など不意に深刻な異常が発生したことで、診断動作を行えないような場合には、異常な状態に対応するマスターデータの取得は行わないとしてもよい。加えて、累計動作量が０の状態ではなく規定量Ａを超えたときに得られた診断用データをマスターデータの対象とする理由は、構成要素の初期摩耗を考慮した方が良いからである。また、この規定量Ａに関しては、［菊池賢晴(1998)「繰り返し摩耗におけるなじみ機構について」，『素材物性学雑誌』，11(2)，pp12〜20］に記載されているように、予め実験によって摩耗粉の量が安定する移動距離や回転数等を調べて決定すればよい。そして、所定の構成要素の累計動作量を総移動距離とした際には、図２に示すようなタイミングで取得される診断用データがマスターデータの対象となる。
次に、診断モデルの更新に際しての新旧の診断モデルの整合性の検証について、図３に沿って説明すると、新しい診断モデルが作成され、その診断モデルの検証を開始する（Ｓ１）に際しては、産業機械において診断対象となっているＮ個の構成要素の中から着目する１つの構成要素ｋ（１≦ｋ≦Ｎ）が選択され、モデル検証指令部５から診断部６及び整合性判定部７へと指令が伝達される。そこで、診断部６は、保存部４から構成要素ｋについてのマスターデータを読み出し、そのマスターデータを使って新旧両診断モデルでの診断を行う（Ｓ２）。各診断モデルでの診断結果は整合性判定部７へ送られ、整合性判定部７では、構成要素ｋについての診断結果（正常・異常の判定結果等）が新旧の診断モデルで整合しているか否かを判定し（Ｓ３）、その整合性判定結果を一時的に保存する（Ｓ４）。そして、この整合性の判定をＮ個の構成要素全てについて行い、整合性に係る検証が完了したことを確認する（Ｓ５でＹＥＳ）と、全ての構成要素についての整合性判定結果を外部に出力する（Ｓ６）。
ここで、整合性の判定方法について説明すると、当該判定には、構成要素ｋについての正常・異常のラベルＬｋと、正常・異常を判定する際に算出される確信度Ｘｋという値とを用いる。確信度とは、正常・異常の判定精度に係る値、すなわち高ければ高いほど正常・異常の判別が正しい可能性が高いことを示す値であり、相関係数やニューラルネットワークのユニット出力値等を任意に採用すればよい。そして、マスターデータの現行の診断モデル（旧診断モデル）での診断によるラベルをＬｋ１、確信度をＸｋ１とするとともに、マスターデータの新しい診断モデル（新診断モデル）での診断によるラベルをＬｋ２、確信度をＸｋ２としたとき、構成要素のｋについての正常・異常の判定が一致しており（すなわちＬｋ１＝Ｌｋ２）、且つ、確信度が低下していない（すなわちＸｋ２−Ｘｋ１≧０）と、構成要素ｋについて新旧の診断モデルで整合性がとれていると判定する。なお、最終的に外部に出力される整合性判定結果の一例としては、図４に示すようなものがある。また、整合性の判定に利用したラベル（Ｌｋ１、Ｌｋ２）や確信度（Ｘｋ１、Ｘｋ２）についても出力するようにしてもよい。
そして、上記検証の結果、全ての構成要素で整合性がとれていると、現行の診断モデルを新しい診断モデルへと更新する。一方、一部の構成要素で整合性がとれていないと、モデルの更新を行わない、若しくは、整合性がとれている構成要素についてのみ新しい診断モデルを適用する等することになる。
以上のような構成を有する状態診断装置１０によれば、構成要素の使用状態と診断用データとを収集し、その診断用データのうち、構成要素の使用状態が真に正常な状態である状況で得られた診断用データ、及び真に異常な状態である状況で得られた診断用データを対象としてマスターデータを選択するとともに、当該マスターデータを現行の診断モデルで診断した診断結果と、マスターデータを新しい診断モデルで診断した診断結果とを比較して、現行の診断モデルと新しい診断モデルとで整合性がとれているか否かを判定した上で、整合性がとれていると、診断モデルを現行の診断モデルから新しい診断モデルへと更新する。したがって、マスターデータを効率良く取得することができるとともに、更新前後で不具合の生じない診断モデルの更新を容易且つ正確に行うことができ、ひいては機械学習の応用等により、より高精度で多様な異常及びその原因を検知可能な状態診断装置１０とすることができる。
なお、本発明の状態診断装置に係る構成は、上記実施形態に何ら限定されるものではなく、装置全体の構成は勿論、診断モデルの検証や更新等に係る構成についても、本発明の趣旨を逸脱しない範囲で必要に応じて適宜変更可能である。
たとえば、上記実施形態では、使用状態を回転数や移動距離、動作時間等といった運転データとしているが、そのようなデータ以外の使用状態を採用することも可能であって、たとえば運転期間以外の時間をも考慮に入れたい場合には、設置からの時間等を使用状態として採用することも可能である。
また、使用状態は個々の産業機械毎に異なると考えられるため、たとえ同種の産業機械であっても、各機台毎にマスターデータを個々に保有させるように構成してもよい。
さらに、修理としては、たとえば緩んだ部品の締め直し等が考えられる。さらにまた、モデル作成部は状態診断装置の外部にあってもよい。
また、使用状態は個々の産業機械毎に異なると考えられるため、たとえ同種の産業機械であっても、各機台毎にマスターデータを個々に保有させるように構成してもよい。
さらに、修理としては、たとえば緩んだ部品の締め直し等が考えられる。さらにまた、モデル作成部は状態診断装置の外部にあってもよい。
１・・モデル検証部、２・・データ収集部、３・・マスター選択部、４・・保存部、６・・診断部、７・・整合性判定部、１０・・状態診断装置。
Claims (2)
- 産業機械において着目する構成要素から取得される診断用データを所定の診断モデルで診断することにより、前記産業機械の状態を診断する状態診断装置であって、
前記構成要素の使用開始から交換若しくは修理までの累計動作量と前記診断用データとを収集するデータ収集部と、
前記構成要素の累計動作量が使用開始から所定の規定量を超えた直後に得られた前記診断用データを真に正常なデータとし、前記構成要素の累計動作量が交換若しくは修理となる直前に得られた前記診断用データを真に異常なデータとして、前記真に正常なデータ及び／又は前記真に異常なデータを対象としてマスターデータを選択するマスター選択部と、
選択された前記マスターデータを保存する保存部と、
前記マスターデータを現行の診断モデルで診断した診断結果と、前記マスターデータを新しい診断モデルで診断した診断結果とを比較して、前記現行の診断モデルと前記新しい診断モデルとで整合性がとれているか否かを判定する整合性判定部とを備えており、
整合性がとれていると、前記診断モデルを前記現行の診断モデルから前記新しい診断モデルへと更新することを特徴とする状態診断装置。 - 前記診断モデルでの診断の結果、前記構成要素の正常・異常が判定される状態診断装置であって、
前記整合性判定部は、前記整合性がとれているか否かを判定するにあたり、前記現行の診断モデルと前記新しい診断モデルとで全ての前記構成要素における正常・異常が一致し、且つ、前記新しい診断モデルにおける正常・異常の判定に係る確信度が、前記現行の診断モデルにおける正常・異常の判定に係る確信度よりも低下していないことを特徴とする請求項１に記載の状態診断装置。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017043108A JP6869755B2 (ja) | 2017-03-07 | 2017-03-07 | 状態診断装置 |
| US15/900,965 US10725465B2 (en) | 2017-03-07 | 2018-02-21 | State diagnostic device |
| CN201810182482.5A CN108572006B (zh) | 2017-03-07 | 2018-03-06 | 状态诊断装置 |
| DE102018203280.7A DE102018203280A1 (de) | 2017-03-07 | 2018-03-06 | Zustandsdiagnosevorrichtung |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017043108A JP6869755B2 (ja) | 2017-03-07 | 2017-03-07 | 状態診断装置 |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JP2018146448A JP2018146448A (ja) | 2018-09-20 |
| JP2018146448A5 JP2018146448A5 (ja) | 2020-04-02 |
| JP6869755B2 true JP6869755B2 (ja) | 2021-05-12 |
Family
ID=63259226
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017043108A Active JP6869755B2 (ja) | 2017-03-07 | 2017-03-07 | 状態診断装置 |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US10725465B2 (ja) |
| JP (1) | JP6869755B2 (ja) |
| CN (1) | CN108572006B (ja) |
| DE (1) | DE102018203280A1 (ja) |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11126465B2 (en) * | 2017-03-23 | 2021-09-21 | Microsoft Technology Licensing, Llc | Anticipatory collection of metrics and logs |
| DE112019007232B4 (de) * | 2019-05-20 | 2023-05-25 | Mitsubishi Electric Corporation | Zustandsschätzvorrichtung und zustandsschätzverfahren |
| JP7187397B2 (ja) * | 2019-07-18 | 2022-12-12 | オークマ株式会社 | 工作機械における診断モデルの再学習要否判定方法及び再学習要否判定装置、再学習要否判定プログラム |
| DE102020205895A1 (de) | 2020-05-11 | 2021-11-11 | Iba Ag | Verfahren sowie Vorrichtung zur automatischen Überwachung eines zyklischen Prozesses |
| DE102020112848A1 (de) | 2020-05-12 | 2021-11-18 | fos4X GmbH | Verfahren zur Erfassung von Daten |
| DE102020208642A1 (de) | 2020-07-09 | 2022-01-13 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zur Anomaliedetektion in technischen Systemen |
| JP7498613B2 (ja) | 2020-07-17 | 2024-06-12 | ミネベアミツミ株式会社 | モータ駆動制御装置、モータ駆動制御システム、ファンシステム、及びモータ駆動制御方法 |
| DE102020210530A1 (de) | 2020-08-19 | 2022-02-24 | Kuka Deutschland Gmbh | Überwachung bei einem robotergestützten Prozess |
| JP7093031B2 (ja) | 2020-09-23 | 2022-06-29 | ダイキン工業株式会社 | 情報処理装置、情報処理方法、及びプログラム |
| JP2022188345A (ja) * | 2021-06-09 | 2022-12-21 | 富士電機株式会社 | 診断装置、診断方法、診断プログラム |
| DE102022210710A1 (de) | 2022-10-11 | 2024-04-11 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zum Ausgeben einer Zustandsinformation bezüglich eines Arbeitsbereitschaftszustands von Subsystemen einer landwirtschaftlichen Arbeitsmaschine |
| CN117707050B (zh) * | 2023-12-25 | 2024-05-07 | 上海滨捷机电有限公司 | 基于云计算的数控机床实时监控与数据分析系统及方法 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS518116B1 (ja) | 1969-04-01 | 1976-03-13 | ||
| JPH07124889A (ja) * | 1993-10-29 | 1995-05-16 | Yaskawa Electric Corp | 産業用ロボットの制御装置 |
| JP2002090267A (ja) | 2000-09-21 | 2002-03-27 | Mitsui Eng & Shipbuild Co Ltd | 異常診断方法 |
| GB0127552D0 (en) * | 2001-11-16 | 2002-01-09 | Abb Ab | Analysing events |
| JP2003271233A (ja) * | 2002-03-19 | 2003-09-26 | Hitachi Ltd | 電源設備及びその管理方法 |
| CN101048714B (zh) * | 2004-08-27 | 2010-05-12 | 西门子共同研究公司 | 用于更新系统监控模型的系统、设备以及方法 |
| US8762106B2 (en) * | 2006-09-28 | 2014-06-24 | Fisher-Rosemount Systems, Inc. | Abnormal situation prevention in a heat exchanger |
| JP2008102005A (ja) * | 2006-10-18 | 2008-05-01 | Nsk Ltd | 異常診断装置 |
| JP5072373B2 (ja) * | 2007-01-16 | 2012-11-14 | 株式会社東芝 | 遠隔監視・診断システム |
| JP5155740B2 (ja) * | 2008-05-30 | 2013-03-06 | 株式会社東芝 | モニタリング条件決定装置、モニタリング条件の決定方法および監視診断装置 |
| US8515719B2 (en) | 2009-01-14 | 2013-08-20 | Hitachi, Ltd. | Apparatus anomaly monitoring method and system |
| US10534361B2 (en) * | 2013-06-10 | 2020-01-14 | Abb Schweiz Ag | Industrial asset health model update |
| JP6411769B2 (ja) * | 2014-04-14 | 2018-10-24 | 株式会社日立製作所 | 状態監視装置 |
| WO2016157278A1 (ja) * | 2015-03-27 | 2016-10-06 | 株式会社日立製作所 | 故障予兆診断システム、及びその方法 |
| US10866584B2 (en) * | 2016-05-09 | 2020-12-15 | Strong Force Iot Portfolio 2016, Llc | Methods and systems for data processing in an industrial internet of things data collection environment with large data sets |
-
2017
- 2017-03-07 JP JP2017043108A patent/JP6869755B2/ja active Active
-
2018
- 2018-02-21 US US15/900,965 patent/US10725465B2/en active Active
- 2018-03-06 DE DE102018203280.7A patent/DE102018203280A1/de active Pending
- 2018-03-06 CN CN201810182482.5A patent/CN108572006B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| DE102018203280A1 (de) | 2018-09-13 |
| CN108572006B (zh) | 2021-08-06 |
| US20180259951A1 (en) | 2018-09-13 |
| JP2018146448A (ja) | 2018-09-20 |
| CN108572006A (zh) | 2018-09-25 |
| US10725465B2 (en) | 2020-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6869755B2 (ja) | 状態診断装置 | |
| JP7003159B2 (ja) | 障害予測システムおよび障害予測方法 | |
| JP6616375B2 (ja) | 状態判定装置 | |
| CN102200487B (zh) | 用于机动车系统的事件驱动故障诊断架构 | |
| US10466138B2 (en) | Determining remaining useful life of rotating machinery including drive trains, gearboxes, and generators | |
| JP2008097363A (ja) | 異常診断方法及びその装置 | |
| CN111352388A (zh) | 学习用数据确认辅助装置、机器学习装置、故障预测装置 | |
| CN108027611B (zh) | 利用受专家意见监督的决策模式学习的用于机器维护的决策辅助系统和方法 | |
| CN108268689B (zh) | 加热元件的状态诊断与评估方法及其应用 | |
| JP2004211587A (ja) | 発電プラントの運用支援システム | |
| JP6568167B2 (ja) | 異常検知装置及び機械学習装置 | |
| KR102505722B1 (ko) | 제품 검증 및 제조 공정에서의 센서 데이터로부터 결함 패턴을 결정하기 위한 시스템 및 방법 | |
| JP7010861B2 (ja) | 状態判定装置及び状態判定方法 | |
| JP6975188B2 (ja) | 状態判定装置及び状態判定方法 | |
| RU2018116275A (ru) | Способ и система для диагностирования промышленного объекта | |
| JP6702297B2 (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
| CN114323671A (zh) | 借助人工智能方法基于对电驱动系统的组件的预测诊断来确定剩余使用寿命的方法和设备 | |
| DE102019104244A1 (de) | Abnormalitätsfaktoridentifizierungsgerät | |
| JP7361573B2 (ja) | 送り軸装置の異常診断方法及び異常診断装置 | |
| CN112599234A (zh) | 诊断装置 | |
| CN112926756A (zh) | 一种中央空调设备ai维修知识库应用方法 | |
| CN109643113A (zh) | 故障诊断装置及故障诊断方法 | |
| CN112526962A (zh) | 用于工艺技术设施的诊断方法和诊断系统以及训练方法 | |
| WO2020204043A1 (ja) | 高炉の異常判定装置、高炉の異常判定方法、及び高炉の操業方法 | |
| JP6291279B2 (ja) | プラント機器診断装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200219 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200219 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210105 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210113 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210218 |
|
| 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: 20210316 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210414 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6869755 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |