JP6915763B1 - 異常診断システム及び異常診断方法 - Google Patents

Abstract

実際に設備異常が発生していないときに設備異常が発生しているという誤診断を抑制できる異常診断システム及び異常診断方法を提供する。異常診断システム２０は、一定のパターンに対応するパターンを繰り返す、設備の状態を示す時系列データをサンプリングするサンプリング部２１と、サンプリングした時系列データに基づいて主成分分析を行って設備の異常を診断する演算部２４とを有する。演算部２４は、状態を示す時系列データの中の一つのパターンについて第１の主成分分析を行って、その結果に基づいて第１の異常有無判定を行い、第１の異常有無判定が異常ありの場合に、状態を示す時系列データの中の第１の主成分分析を行ったパターンを含む時間的に連続する複数のパターンについて一括して第２の主成分分析を行って、その結果に基づいて第２の異常有無判定を行い、第２の異常有無判定が異常ありの場合に設備異常と診断する。

Description

本発明は、設備駆動部を有する設備の異常を診断する異常診断システム及び異常診断方法に関する。

従来から、油圧機器及び電動機などの設備駆動部を有する設備では、設備駆動部から得られる電流及び荷重等の信号に基づいて設備の異常診断が行われている。設備駆動部の動作が、予め定められた一定パターンの繰り返し動作である場合、異常診断に主成分分析（以下、ＰＣＡとも記す）を用いることが提案されている（例えば、特許文献１、２）。

例えば、サイジングプレス設備においては、搬送されるスラブの両側に幅プレス用の金型を配置し、モータからクランクを介して金型に動力を伝達して一定の周期でスラブを幅プレスするが、このとき繰り返し現れる電流波形又は荷重波形を各材料について収集し、各材料についてクランク１サイクル分の電流波形又は荷重波形をＰＣＡにより分析して異常波形を抽出している。ＰＣＡを適用することにより、単純な上下限チェックよりも精度の高い設備異常診断が可能となる。

特許第５９９１０４２号公報 特開２０１７−３２５６７号公報

しかしながら、設備駆動部では、実際に設備が破損していなくても、何等かの原因で電流及び荷重等の波形が極めて小さいものとなる現象がランダムに生じる場合がある。例えば、サイジングプレスの操業では、ピンチロールスリップによる材料の搬送不足等により、荷重がほとんどたたない波形が散発することがある。このような現象が発生した場合、実際に設備が破損していなくても異常判定を行ってしまう。

したがって、本発明の課題は、実際に設備異常が発生していないときに設備異常が発生しているという誤診断を抑制できる異常診断システム及び異常診断方法を提供することにある。

上記課題を解決するため、本発明は以下の（１）〜（１０）を提供する。

（１）一定のパターンを繰り返す動作を行う設備の異常診断を行う異常診断システムであって、
前記一定のパターンに対応するパターンを繰り返す、前記設備の状態を示す時系列データをサンプリングするサンプリング部と、
前記サンプリング部でサンプリングした前記時系列データに基づいて主成分分析を行って前記設備の異常を診断する演算部と、
を有し、
前記演算部は、
前記状態を示す時系列データの中の一つのパターンについて第１の主成分分析を行って、その結果に基づいて第１の異常有無判定を行い、
前記第１の異常有無判定が異常ありの場合に、前記状態を示す時系列データの中の前記第１の主成分分析を行ったパターンを含む時間的に連続する複数のパターンについて一括して第２の主成分分析を行って、その結果に基づいて第２の異常有無判定を行い、
前記第２の異常有無判定が異常ありの場合に設備異常と診断することを特徴とする異常診断システム。

（２）前記第１の異常有無判定及び前記第２の異常有無判定は、前記第１の主成分分析及び前記第２の主成分分析の結果から求められたＱ統計量に基づくことを特徴とする上記（１）に記載の異常診断システム。

（３）前記演算部における前記第１の主成分分析に使用する時系列データのサンプリング点数をＮ１点、前記第１の主成分分析による次元圧縮をｋ１次元、とし、前記第２の主成分分析に使用する時系列データのサンプリング点数をＮ２点、前記第２の主成分分析による次元圧縮をｋ２次元、前記複数のパターンの数をＭ個（Ｍ≧２）とするとき、Ｎ２＜Ｎ１×Ｍ又はｋ２＜ｋ１×Ｍが成立することを特徴とする上記（１）又は（２）に記載の異常診断システム。

（４）前記設備は駆動モータにより金型を駆動してスラブを幅圧下するサイジングプレス設備であり、前記設備の状態を示す時系列データは、駆動モータの電流波形又は前記金型の荷重波形であることを特徴とする上記（１）から（３）のいずれか一項に記載の異常診断システム。

（５）前記サンプリング部でサンプリングした前記時系列データについて、波形の高さを正規化する処理、及び、幅圧下量により分類する処理を含む前処理を行うデータ前処理部をさらに有することを特徴とする上記（４）に記載の異常診断システム。

（６）一定のパターンを繰り返す動作を行う設備の異常診断を行う異常診断方法であって、
前記一定のパターンに対応するパターンを繰り返す、前記設備の状態を示す時系列データをサンプリングするステップと、
前記状態を示す時系列データの中の一つのパターンについて第１の主成分分析を行うステップと、
前記第１の主成分分析の結果から第１の異常有無判定を行うステップと、
前記第１の異常有無判定が異常ありの場合に、前記状態を示す時系列データの中の前記第１の主成分分析を行ったパターンを含む時間的に連続する複数のパターンについて一括して第２の主成分分析を行うステップと、
前記第２の主成分分析の結果から第２の異常有無判定を行うステップと、
を有し、
前記第２の異常有無判定が異常ありの場合に設備異常であると診断することを特徴とする異常診断方法。

（７）前記第１の異常有無判定及び前記第２の異常有無判定は、前記第１の主成分分析及び前記第２の主成分分析の結果から求められたＱ統計量に基づくことを特徴とする上記（６）に記載の異常診断方法。

（８）前記第１の主成分分析に使用する時系列データのサンプリング点数をＮ１点、前記第１の主成分分析による次元圧縮をｋ１次元、とし、前記第２の主成分分析に使用する時系列データのサンプリング点数をＮ２点、前記第２の主成分分析による次元圧縮をｋ２次元、前記複数のパターンの数をＭ個（Ｍ≧２）とするとき、Ｎ２＜Ｎ１×Ｍ又はｋ２＜ｋ１×Ｍが成立することを特徴とする上記（６）又は（７）に記載の異常診断方法。

（９）前記設備は駆動モータにより金型を駆動してスラブを幅圧下するサイジングプレス設備であり、前記設備の状態を示す時系列データは、駆動モータの電流波形又は前記金型の荷重波形であることを特徴とする上記（６）から（８）のいずれか一項に記載の異常診断方法。

（１０）前記でサンプリングした前記時系列データについて、波形の高さを正規化する処理、及び、幅圧下量により分類する処理を含む前処理を行うステップをさらに有することを特徴とする上記（９）に記載の異常診断方法。

本発明によれば、実際に設備異常が発生していないときに設備異常が発生しているという誤診断を抑制することができる異常診断システム及び異常診断方法が提供される。

図１は、サイジングプレス設備に一実施形態に係る異常診断システムを用いた例を示す模式図及びブロック図である。 図２は、異常波形を抽出する際のサンプル波形の例を示す図である。 図３は、図２のサンプル波形を用いて行われるＰＣＡを説明するための図である。 図４は、一実施形態に係る異常診断システムにおいて実行される異常診断方法を示すフローチャートである。 図５は、負荷を示す時系列データである荷重波形が正常波形の場合と設備異常波形である場合を比較して示す図である。 図６は、負荷を示す時系列データである荷重波形が全て正常波形の場合とスリップ発生波形が存在する場合を比較して示す図である。 図７は、スリップ発生波形が１サイクル分（１波形）含まれている場合における、サイクル数とＱ統計量（平均二乗誤差）との関係を示す図である。

以下、添付図面を参照して、本発明の実施形態について説明する。
本実施形態では、本発明をサイジングプレス設備の異常診断に適用した場合について説明する。
図１は、サイジングプレス設備に一実施形態に係る異常診断システムを用いた例を示す模式図及びブロック図である。

サイジングプレス設備１０は、連続鋳造後の熱間圧延ラインにおいてスラブ１１に対して幅圧下を行うものである。

サイジングプレス設備１０は、一対の金型２と、入側ピンチロール３及び出側ピンチロール４と、一対の金型２のそれぞれに対応して設けられ、金型２を駆動する一対の駆動モータ５と、金型２と駆動モータ５をそれぞれ繋ぐ一対のクランク６とを有している。

サイジングプレス設備１０においては、スラブ１１は、入側ピンチロール３によって対向する一対の金型２の間に搬入され、駆動モータ５からクランク６を介して伝達される動力で揺動される一対の金型２により幅圧下され、出側ピンチロール４により搬出される。スラブ１１は、間欠的に搬送されている間に、金型２により一定の周期で繰り返し幅圧下され、所定の幅のスラブとなる。

異常診断システム２０は、サイジングプレス設備１０の設備異常を診断するものであり、サンプリング部２１と、データ前処理部２２と、記憶部２３と、演算部２４と、出力部２５とを有する。

サンプリング部２１は、設備の状態を示す時系列データをサンプリングするものである。本実施形態において、時系列データは、金型２によりスラブ１１を幅圧下する際の駆動モータ５の電流値及び金型２の荷重等の負荷を示す。時系列データを得るための時間情報としては、クランク角度情報を用いることができる。このとき電流値及び荷重等の負荷を示す時系列データは、クランク６の１サイクル分がピークを有する一つの波形（パターン）となり、このような波形が繰り返し現れるものとなる。具体的には電流波形及び荷重波形である。

データ前処理部２２は、サンプリング部２１でサンプリングされたデータを前処理するものである。前処理としては、クランク６の１サイクルに対応する波形の高さを正規化する処理、データを幅圧下の際の幅殺し量（幅圧下量）により分類する処理がなされる。

記憶部２３は、前処理後のデータを記憶する。記憶部２３には、基準波形となる、予め求められた正常時の負荷を示す時系列データ（正常波形）が記憶されている。

演算部２４は、記憶部２３に記憶された前処理後の負荷の時系列データ（電流値及び荷重）の波形について主成分分析（ＰＣＡ）を用いて異常診断を行う。診断結果は出力部２５に出力される。

ＰＣＡを用いた解析手法は、多数のチャート波形の中から、正常時のチャート波形と形状が異なるもの（異常）を抽出する手法であり、異常波形抽出において、ＰＣＡと多変量統計的プロセス管理手法を利用する。

図２は、ＰＣＡを用いて異常波形を抽出する際のサンプル波形の例を示す図である。図２は、横軸が時間であり、縦軸が電力値及び荷重等の負荷である。図２において、サンプル波形は、正常状態の基準波形である波形Ｐ［１］と、異常状態の波形である波形Ｐ［２］の２つである（波形数：Ｐ＝２）。これらの波形Ｐ［１］、Ｐ［２］について、波形採取時間帯において所定間隔でＮ個のサンプルが採取される（サンプル数：Ｎ）。例えば、５秒間の採取時間で１００ｍｓ周期採取ならばサンプル数Ｎは５０である。

これをＰＣＡで解析する場合のイメージ図を、図３に示す、簡単のため、データの点数が２点の２次元空間場合の図を示している、データの第１要素軸（Ｘ軸）と第２要素軸（Ｙ軸）で表される空間上の点に対して、分散が最大の軸を第１主成分とする。また、第１主成分と直交する軸が第２主成分として図のように示される。データが３つ以上の要素を持つ多次元の場合は分散が最大となる第２主成分軸を定めることになる。データの要素がＮ点ある場合には最大Ｎ個までの主成分が計算可能であるが、第ｋ主成分（ｋ＜Ｎ）は、第１〜（ｋ−１）主成分との直交軸のうち、分散が最大となるものを第ｋ主成分とする。

多変量統計的プロセス管理では、Ｑ統計量を評価する。Ｑ統計量は、各サンプルと主成分軸との距離の二乗和（二乗誤差の和）であるが、本実施形態では、この値をサンプル数で割って規格化した平均二乗誤差をＱ統計量として用いることが好ましい。このとき、主成分数Ｒが１であれば、第１主成分からの距離のみでＱ統計量を評価する。異常なサンプルは主成分軸との距離が大きいため異常なサンプルがあるとＱ統計量が増加し、Ｑ統計量が異常であると判定することができ、設備異常の可能性を把握することができる。例えば、Ｑ統計量の閾値を設定し、Ｑ統計量がその閾値以上の場合に、設備異常の可能性ありと判定することができる。図２の例では、波形Ｐ［２］は異常サンプルを含む異常状態であるため、Ｑ統計量が大きくなり、Ｑ統計量に異常ありと判定される。

演算部２４では、最初に、記憶部２３に記憶されている前処理後の負荷の時系列データからクランク１サイクル分の一つの波形を抽出し、その波形について、ＰＣＡを行ってＱ統計量を求める。そして、Ｑ統計値の異常の有無が判定される。例えば、Ｑ統計量が閾値よりも大きい場合にＱ統計量が異常であると判定する。Ｑ統計量に異常がなければ、出力部２５に異常なしの信号を送る。一方、Ｑ統計量に異常がある場合には、設備異常の可能性があるが、後述する荷重ぬけの場合もあり得る。このため、Ｑ統計量に異常がある場合には、いずれであるか確認するため、記憶部２３から上記一つの波形を含む、複数サイクル分の連続した複数の波形を抽出し、これら複数の波形について一括してＰＣＡを行い、Ｑ統計量を求める。Ｑ統計量に異常がなければ出力部２５に異常なしの信号を送り、Ｑ統計量に異常があれば出力部２５に異常ありの信号を送る。

次に、異常診断システム２０における異常診断方法について説明する。
図４は、異常診断システム２０において実行される異常診断方法を示すフローチャートである。

サイジングプレス設備１０においては、スラブ１１を間欠的に搬送しながら、駆動モータ５からクランク６を介して金型２に動力を伝達し、金型２によりスラブ１１を一定の周期で幅圧下し、サイジングプレスが行われる。このようなサイジングプレスは、複数のスラブ１１について連続して行われる。

異常診断システム２０では、サイジングプレスを行っている際の駆動モータ５の電流値及び金型２の荷重等の負荷を示す時系列データから、サイジングプレス設備１０の異常を以下のような方法により診断する。

最初に、異常診断システム２０は、所定材料のスラブ１１のサイジングプレスにおける負荷の時系列データをサンプリング部２１でサンプリングする（ステップ１）。

上述したように、負荷を示す時系列データは、クランク６の１サイクル分がピークを有する一つの波形となり、このような波形が繰り返し現れるものとなる。このような時系列データは、具体的には、駆動モータ５の電流波形及び金型２の荷重波形である。

次に、異常診断システム２０は、サンプリング部２１でサンプリングされたデータをデータ前処理部２２で前処理する（ステップ２）。

データの前処理としては、上述したような、クランク６の１サイクルに対応する波形の高さを正規化する処理、データを幅圧下の際の幅殺し量（幅圧下量）により分類する処理が行われる。データを幅圧下の際の幅殺し量（幅圧下量）により分類する処理を行うのは、幅殺し量により、荷重が発生するクランク角度が異なり、波形のばらつきが生じるからである。具体的には、幅殺し量が小さいほど、荷重発生のタイミングは遅くなる。

このような前処理後のデータは、記憶部２３に記憶される。

次に、異常診断システム２０は、記憶部２３に記憶されている当該材料のスラブの前処理後の時系列データから、クランク６の１サイクルに対応する一つの波形を抽出し、その一つの波形についてＰＣＡを行う（ステップ３）。

ステップ３では、正常時の時系列データの波形（正常波形）を基準波形として用いてＰＣＡを行い、その結果から上述のような多変量統計的プロセス管理手法によりＱ統計量を求める。

次に、Ｑ統計量が異常か否かを判定する（ステップ４）。例えば、Ｑ統計量が閾値以上の場合にＱ統計量が異常であると判定する。

設備異常が発生した場合、不可逆的な現象であるため、図５に示すように、負荷を示す時系列データである荷重波形は、全てのサイクルにおいて正常波形とは相違する設備異常波形となる。このため、１サイクルに相当する一つの波形に異常がなければ設備異常なしとすることができる。ここで、図５において、横軸は時間に相当するクランク角度である。また、縦軸は金型の荷重である。以下に説明する図６も同様である。

一方、一つの波形でＰＣＡ処理を行ってＱ統計量が異常となった場合、その異常が設備異常によるものと断定することはできない。すなわち、実際のサイジングプレスの操業では、ピンチロールスリップによる材料（スラブ）の搬送不足等により荷重（負荷）がほとんど立たない現象（荷重ぬけ）が散発的に発生する。スリップが発生したサイクルの波形は、図６に示すように、設備異常波形と類似のスリップ発生波形となる。負荷を示す時系列データである荷重波形は、正常波形の中に散発的にスリップ発生波形が挿入される状態となる。このため、スリップ発生波形を偶発的に抽出してＰＣＡを行った場合には、設備異常の際と同様にＱ統計量が大きくなる。このような荷重が立たない現象は約１０サイクルのうち１〜２サイクル程度発生するが、予測することができない。

そこで、ステップ４において一つの波形によるＰＣＡでＱ統計量が異常と判定された場合、記憶部２３に記憶された当該材料のスラブの前処理後の時系列データから、ステップ３の一つの波形を含む、複数サイクル分の連続した複数波形を抽出し、複数波形についてＰＣＡを行う（ステップ５）。

ステップ５では、正常時の時系列データの波形（正常波形）を基準波形として用い、複数サイクル分の複数波形（時間的に連続する複数のパターン）について一括して（同時に）ＰＣＡを行い、その結果から上述のような多変量統計的プロセス管理手法によりＱ統計量を求める。

ステップ４でＱ統計量に異常がなければ、設備異常なしの信号を出力部２５に送る。

次いで、ステップ５で求めたＱ統計量が異常か否かを判定する（ステップ６）。

ステップ４で判定された異常が設備異常である場合、図５に示すように、全てのサイクルにおいて荷重波形が正常波形と相違するため、ステップ５で複数波形のＰＣＡを実行した際にも、Ｑ統計量（平均二乗誤差）は一つの波形についてＰＣＡを実行した際と同様な値となる。

一方、ステップ４で判定された一波形のＰＣＡによる異常が、１０サイクルのうち１〜２サイクル程度と散発的に発生するピンチロールスリップによる荷重ぬけであった場合、複数サイクル分の複数の波形のうちスリップ発生波形以外の他の波形は、図６に示すようにほぼ正常波形であるから、設備異常がある場合よりもＱ統計量が小さくなる。

すなわち、複数サイクル分の複数波形について一括してＰＣＡを実行してＱ統計量を求めることにより、ステップ４における一つの波形のＰＣＡを実行した際のＱ統計量の異常が、設備異常によるものか、散発的な荷重ぬけによるものかを区別することができる。

したがって、ステップ６において、Ｑ統計量により、設備異常であるか、設備異常でないかを判定することができる。Ｑ統計量が異常である場合、例えば、Ｑ統計量が閾値以上の場合に設備異常ありと診断する。Ｑ統計量が異常でない場合、例えば、Ｑ統計量が閾値未満の場合は設備異常なしと診断する。

ここで、第１の主成分分析で使用する１つのパターンの時系列データのサンプリング点数をＮ１点、第１の主成分分析による次元圧縮後の次元をｋ１次元とする。また、第２の主成分分析で使用する複数パターンの時系列データのサンプリング点数をＮ２点、第２の主成分分析による次元圧縮後の次元をｋ２次元、複数パターンのパターン数をＭ（Ｍ≧２）、すなわち第１の主成分分析で使用する１サイクルに相当する波形をＭ波形とする。このとき、第２の主成分分析では、１サイクルの波形の乱れよりも、Ｍ波形分の時系列信号の特徴が重要となることから、Ｎ２＜Ｎ１×Ｍ、又は、ｋ２＜ｋ１×Ｍの関係が成立するようにデータを取得してよい。

このようなデータの取得により、１つのパターンの異常診断では、１つのパターンの詳細データを利用した異常診断を行い、複数パターンを利用して異常診断する場合は１つの波形の特徴をある程度保存しながらＭ波形としてのデータの形状を保存することができる。これにより、計算負荷を抑えながら、１つのパターンの評価とＭパターンの波形の評価の両立が可能となる。また、第１の異常有無判定では１つのパターンの波形の微小乱れを検知できるのに対して、第２の異常有無判定では、波形の乱れの繰り返し性及び波形出現のずれ（時間遅れ）などに焦点をあてた検知ができるようになり、高精度かつ高信頼性の異常検知が可能となる

図７は、スリップ発生波形が１サイクル分（１波形）含まれている場合における、サイクル数とＱ統計量（平均二乗誤差）との関係を示す図であるが、この図に示すように、ＰＣＡの計算に用いるサイクル数（すなわち波形の数）が増加するほどＱ統計量（平均二乗誤差）の値が小さくなり、設備異常と荷重ぬけとを区別しやすくなることがわかる。例えば、Ｑ統計量（平均二乗誤差）が１００００以上で設備異常、１００００未満ではスリップによる荷重ぬけという判断が可能である。また、図７から、３サイクル以上（波形の数が３以上）であれば、設備異常とスリップによる荷重ぬけとの区別がより容易となることがわかる。

以上のように、本実施形態によれば、サイジングプレス設備１０の異常を診断する異常診断システム２０において、実際に設備異常が発生していないときに設備異常が発生しているという誤診断を抑制することができる。このため、誤診断にともなう設備の停止等を低減することができ、生産効率の低下を抑制することができる。

また、前処理部２２により、前処理として、クランク６の１サイクルに対応する波形の高さを正規化する処理の他、データを幅圧下の際の幅殺し量（幅圧下量）により分類する処理を行うので、幅殺し量（幅圧下量）による波形のばらつきを抑制することができる。

以上、本発明の一実施形態について説明したが、本発明は、上記実施形態に限定されることなく、本発明の思想の範囲内で種々変形することが可能である。例えば、上記実施形態では、本発明をサイジングプレス設備の異常検出に適用したが、設備駆動部の動作が一定パターンを繰り返すものであれば適用可能である。また、負荷を示す時系列データの繰り返しパターンとして波形の例を示したが、これに限定されない。また、負荷を示す時系列データとしては、電流又は荷重を例示したが、これに限定されない。

２ 金型
３ 入側ピンチロール
４ 出側ピンチロール
５ 駆動モータ
６ クランク
１０ サイジングプレス設備
１１ スラブ
２０ 異常診断システム
２１ サンプリング部
２２ データ前処理部
２３ 記憶部
２４ 演算部
２５ 出力部

Claims (10)

1. 一定のパターンを繰り返す動作を行う設備の異常診断を行う異常診断システムであって、
   前記一定のパターンに対応するパターンを繰り返す、前記設備の状態を示す時系列データをサンプリングするサンプリング部と、
   前記サンプリング部でサンプリングした前記時系列データに基づいて主成分分析を行って前記設備の異常を診断する演算部と、
   を有し、
   前記演算部は、
   前記状態を示す時系列データの中の一つのパターンについて第１の主成分分析を行って、その結果に基づいて第１の異常有無判定を行い、
   前記第１の異常有無判定が異常ありの場合に、前記状態を示す時系列データの中の前記第１の主成分分析を行ったパターンを含む時間的に連続する複数のパターンについて一括して第２の主成分分析を行って、その結果に基づいて第２の異常有無判定を行い、
   前記第２の異常有無判定が異常ありの場合に設備異常と診断することを特徴とする異常診断システム。
2. 前記第１の異常有無判定及び前記第２の異常有無判定は、前記第１の主成分分析及び前記第２の主成分分析の結果から求められたＱ統計量に基づくことを特徴とする請求項１に記載の異常診断システム。
3. 前記演算部における前記第１の主成分分析に使用する時系列データのサンプリング点数をＮ１点、前記第１の主成分分析による次元圧縮をｋ１次元、とし、前記第２の主成分分析に使用する時系列データのサンプリング点数をＮ２点、前記第２の主成分分析による次元圧縮をｋ２次元、前記複数のパターンの数をＭ個（Ｍ≧２）とするとき、Ｎ２＜Ｎ１×Ｍ又はｋ２＜ｋ１×Ｍが成立することを特徴とする請求項１又は請求項２に記載の異常診断システム。
4. 前記設備は駆動モータにより金型を駆動してスラブを幅圧下するサイジングプレス設備であり、前記設備の状態を示す時系列データは、駆動モータの電流波形又は前記金型の荷重波形であることを特徴とする請求項１から請求項３のいずれか一項に記載の異常診断システム。
5. 前記サンプリング部でサンプリングした前記時系列データについて、波形の高さを正規化する処理、及び、幅圧下量により分類する処理を含む前処理を行うデータ前処理部をさらに有することを特徴とする請求項４に記載の異常診断システム。
6. 一定のパターンを繰り返す動作を行う設備の異常診断を行う異常診断方法であって、
   前記一定のパターンに対応するパターンを繰り返す、前記設備の状態を示す時系列データをサンプリングするステップと、
   前記状態を示す時系列データの中の一つのパターンについて第１の主成分分析を行うステップと、
   前記第１の主成分分析の結果から第１の異常有無判定を行うステップと、
   前記第１の異常有無判定が異常ありの場合に、前記状態を示す時系列データの中の前記第１の主成分分析を行ったパターンを含む時間的に連続する複数のパターンについて一括して第２の主成分分析を行うステップと、
   前記第２の主成分分析の結果から第２の異常有無判定を行うステップと、
   を有し、
   前記第２の異常有無判定が異常ありの場合に設備異常であると診断することを特徴とする異常診断方法。
7. 前記第１の異常有無判定及び前記第２の異常有無判定は、前記第１の主成分分析及び前記第２の主成分分析の結果から求められたＱ統計量に基づくことを特徴とする請求項６に記載の異常診断方法。
8. 前記第１の主成分分析に使用する時系列データのサンプリング点数をＮ１点、前記第１の主成分分析による次元圧縮をｋ１次元、とし、前記第２の主成分分析に使用する時系列データのサンプリング点数をＮ２点、前記第２の主成分分析による次元圧縮をｋ２次元、前記複数のパターンの数をＭ個（Ｍ≧２）とするとき、Ｎ２＜Ｎ１×Ｍ又はｋ２＜ｋ１×Ｍが成立することを特徴とする請求項６又は請求項７に記載の異常診断方法。
9. 前記設備は駆動モータにより金型を駆動してスラブを幅圧下するサイジングプレス設備であり、前記設備の状態を示す時系列データは、駆動モータの電流波形又は前記金型の荷重波形であることを特徴とする請求項６から請求項８のいずれか一項に記載の異常診断方法。
10. 前記でサンプリングした前記時系列データについて、波形の高さを正規化する処理、及び、幅圧下量により分類する処理を含む前処理を行うステップをさらに有することを特徴とする請求項９に記載の異常診断方法。

Images