JP7133315B2 - 故障予知システム - Google Patents

Description

開示の実施形態は、故障予知方法、故障予知システムおよび故障予知プログラムに関する。

従来、機械設備につき、機械設備に設けられたセンサのセンサ値を監視することで故障予兆を検出することにより、故障の発生を予知する技術が知られている（たとえば、特許文献１参照）。

特許文献１に開示の技術は、車両に搭載されたセンサのセンサ値と正常閾値とを比較し、この比較結果に基づいて、センサに異常が発生しているか否かを判断する。そして、センサに異常が発生していると判断された場合に、センサ値および正常閾値間の差の積算値や、異常発生継続時間などを用いて、センサの故障予兆を評価するための評価指標を算出し、かかる評価指標を用いてセンサの故障予兆を検出する。

特開２０１１－２３０６３４号公報

しかしながら、上述した従来技術には、駆動部を有する機械設備の故障予兆を精度よく捉えるうえで、さらなる改善の余地がある。

具体的には、上述した従来技術は、閾値を超える明確な異常状態を検出することには向いているものの、たとえば駆動部の各構成部品の経年変化などによりシステム全体の挙動に現れはするが閾値を超えるまでのセンサ値は示さない不明確な異常状態を検出することには不向きである。したがって、故障予兆を精度よく捉え、たとえば駆動部の突発的な故障や異常停止を防止するうえでは不十分である。

実施形態の一態様は、上記に鑑みてなされたものであって、駆動部を有する機械設備の故障予兆を精度よく捉えることができる故障予知方法、故障予知システムおよび故障予知プログラムを提供することを目的とする。

実施形態の一態様に係る故障予知システムは、エッジデバイスと、故障予知装置を備える。前記エッジデバイスは、駆動部を有する機械設備と通信可能に設けられる。前記故障予知装置は、前記エッジデバイスと通信可能に設けられる。また、前記エッジデバイスは、抽出部を備える。前記抽出部は、前記機械設備に設けられた複数のセンサのセンサデータのうち、前記機械設備の正常稼働時における正常状態分、異常発生時における異常状態分、および、任意の評価時における評価分を抽出する。また、前記故障予知装置は、第１生成部と、第２生成部と、評価部と、判定部とを備える。前記第１生成部は、前記正常状態分に基づき、前記駆動部の駆動電流の時間変動が特徴ベクトルに含まれるように機械学習を実行することによって、前記正常稼働時における前記センサ間の相関性をモデル化した正常モデルを生成する。前記第２生成部は、前記異常状態分に基づき、前記異常発生時における前記駆動電流の時間変動が特徴ベクトルに含まれるように機械学習を実行することによって、前記異常発生時における異常パターンをモデル化した異常分類モデルを生成する。前記評価部は、前記評価分を前記正常モデルへ入力することによって得られる該正常モデルの出力値に基づいて前記機械設備の正常状態からの乖離度を評価する。前記判定部は、前記乖離度に基づいて前記機械設備の故障予兆を判定し、該故障予兆ありと判定される場合に、前記評価分を前記異常分類モデルへ入力することによって得られる該異常分類モデルの出力値に基づいて前記機械設備の異常発生箇所を判定する。また、前記抽出部は、少なくとも前記駆動電流についてはマイクロ秒単位のサンプリング周期で前記センサデータを収集し、当該センサデータに対し、フィルタ処理することによって動作周波数を取り除き、かつ、リップル成分の大きさを示すものとなるように二乗平均平方根値へ変換する前処理を施す。また、前記第１生成部は、前記前処理が施された前記センサデータに基づいて前記機械学習を実行する。

実施形態の一態様によれば、駆動部を有する機械設備の故障予兆を精度よく捉えることができる。

図１Ａは、実施形態に係る故障予知方法の概要説明図（その１）である。 図１Ｂは、実施形態に係る故障予知方法の概要説明図（その２）である。 図１Ｃは、実施形態に係る故障予知方法の概要説明図（その３）である。 図２は、実施形態に係る故障予知システムの構成図である。 図３は、実施形態に係る故障予知システムのブロック図である。 図４Ａは、モータがサーボモータである場合のデータ収集方法の説明図（その１）である。 図４Ｂは、モータがサーボモータである場合のデータ収集方法の説明図（その２）である。 図５Ａは、モータがインダクションモータである場合のデータ収集方法の説明図（その１）である。 図５Ｂは、モータがインダクションモータである場合のデータ収集方法の説明図（その２）である。 図５Ｃは、モータがインダクションモータである場合のデータ収集方法の説明図（その３）である。 図６Ａは、前処理部のブロック図（その１）である。 図６Ｂは、前処理部のブロック図（その２）である。 図７Ａは、第１の検証例の検証結果を示す図である。 図７Ｂは、第２の検証例の検証結果を示す図である。 図７Ｃは、第３の検証例の検証結果を示す図である。 図８は、故障予知システムが実行する処理手順を示すフローチャートである。 図９は、故障予知装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下、添付図面を参照して、本願の開示する故障予知方法、故障予知システムおよび故障予知プログラムの実施形態を詳細に説明する。なお、以下に示す実施形態によりこの発明が限定されるものではない。

また、以下では、故障予兆判定の対象となる機械設備を「対象装置１００」と記載する。対象装置１００は、モータＭを含む駆動部１０１によって駆動する装置であるものとする。

まず、本実施形態に係る故障予知方法の概要について、図１Ａ～図１Ｃを参照して説明する。図１Ａ～図１Ｃは、実施形態に係る故障予知方法の概要説明図（その１）～（その３）である。

図１Ａに示すように、対象装置１００は、駆動部１０１を有する。駆動部１０１は少なくともモータＭを含む。なお、モータＭは複数であってもよい。また、対象装置１００は、センサＳ－１～Ｓ－ｎのセンサ群を有する。センサ群は、対象装置１００の挙動を示す種々の稼働データを検知し、センサデータとして出力する。

なお、センサ群の各センサＳ－１～Ｓ－ｎは、駆動部１０１に搭載されるか、駆動部１０１以外に搭載されるかを問わない。また、本実施形態では、物理的な各センサＳ－１～Ｓ－ｎが検知するものだけでなく、駆動部１０１がたとえば稼働データをアナログ出力する場合も広くセンシングとして捉えることとし、かかるアナログ出力された稼働データを、センサ群からのセンサデータとして説明する場合がある。

本実施形態に係る故障予知方法は、このようなセンサ群からのセンサデータに基づき、センサＳ－１～Ｓ－ｎ間の相関性を把握し、かかる相関性の変化に基づいて対象装置１００全体の挙動の変化を把握するものである。

具体的には、図１Ｂに示すように、本実施形態に係る故障予知方法では、「正常状態分」の相関性を示す各センサＳ－１～Ｓ－ｎのセンサデータを用いて機械学習を実行し（ステップＳ１）、正常モデル１２ａを生成する。なお、本実施形態では、機械学習のアルゴリズムとしてディープラーニングを用いる。ディープラーニングについては公知のため、詳細な説明は省略する。

ここで、「正常状態分」とは、対象装置１００の運用初期段階などでの正常稼働時における各センサデータに基づく分を指す。かかる正常状態分のセンサデータ間の相関性に基づいて生成される正常モデル１２ａにより、言わば対象装置１００の正常状態をモデル化することができる。

そして、本実施形態に係る故障予知方法では、図１Ｂに示すように、かかる正常モデル１２ａに対し、「評価分」の相関性を示す各センサＳ－１～Ｓ－ｎのセンサデータを入力し、その結果得られる正常モデル１２ａの出力値（回帰値）から相関のズレ量を算出する。そして、かかる相関のズレ量に基づき、正常状態からの乖離度を評価する（ステップＳ２）。

かかる正常状態からの乖離度が大きければ、故障予兆を示すとして、対象装置１００の故障を予知することができる。なお、ここで「評価分」とは、たとえば対象装置１００から現在進行形で出力されるリアルタイムデータに基づく分を指す。

このように、本実施形態に係る故障予知方法では、対象装置１００全体の挙動をセンサＳ－１～Ｓ－ｎ間の相関性によって把握し、その挙動の変化は、正常状態の相関性をモデル化した正常モデル１２ａの出力値により得ることができる。そして、かかる出力値に基づく正常状態からの乖離度の大きさにより、対象装置１００の故障を予知する。

したがって、本実施形態に係る故障予知方法によれば、たとえば故障発生時のセンサデータに基づく機械学習により生成される予測モデルを用いた故障予知方法であれば必要となってくる、すべての故障現象のモデル化の実施などといった煩雑な工程は不要となる。すなわち、本実施形態に係る故障予知方法によれば、対象装置１００の故障予兆を簡便に捉えることが可能となる。

なお、本実施形態に係る故障予知方法では、図１Ａに示すように、各センサデータの時間変動、すなわち時系列の相関性を特徴ベクトル（以下、単に「ベクトル」と言う）に含めた機械学習を行い、センサデータの時間変動に現れる故障の予兆を把握可能にしている。これにより、対象装置１００の故障予兆を精度よく捉えることができる。

そしてさらに、本実施形態では、これまで説明した故障予知方法に基づいて特に、対象装置１００が有する駆動部１０１についての故障予兆を精度よく捉えることとした。具体的には、本実施形態に係る故障予知方法では、センサ群からのセンサデータは、駆動部１０１が有するモータＭの「モータ電流」、「モータトルク」および「モータ速度」についてのものを含む。「モータ電流」については、たとえば１００マイクロ秒程度で高速サンプリングされる。

そして、本実施形態に係る故障予知方法では、ステップＳ１（図１Ｂ参照）の機械学習に関し、主にモータＭの「モータ電流」をベクトルに含めた機械学習を行う。モータＭの「モータ電流」が収集できない場合には、「モータトルク」および「モータ速度」をベクトルに含めた機械学習を行う。

なお、かかる機械学習に際しては、各センサデータについて、データの特徴を残しつつもデータ量が膨大なものとならないように、必要となる所定の前処理を行う。かかる前処理の内容については、図６Ａ等を用いた説明で後述する。また、「モータ電流」、「モータトルク」および「モータ速度」の各センサデータの収集方法については、図４Ａ～図５Ｃを用いた説明で後述する。

そして、本実施形態に係る故障予知方法では、前処理されたモータ電流データ、モータトルクデータあるいはモータ速度データを学習用データセットとしたディープラーニングにより、正常モデル１２ａを生成する。

図１Ｂのニューラルネットワークに図示するように、正常モデル１２ａでは、正常のみを学習する分析アルゴリズムとして、たとえば「オートエンコーダ」を用いることができる。

正常モデル１２ａの生成後、モータ電流データのリアルタイムデータ、あるいは、モータトルクデータおよびモータ速度データのリアルタイムデータを正常モデル１２ａへ入力し、入力値と出力値との誤差（再構成誤差）を演算することで、正常状態からの乖離度を示すパラメータを得ることができる。そして、かかる乖離度を所定の判定閾値により判定することで、駆動部１０１の故障予兆を判定することができる。

そしてさらに、本実施形態に係る故障予知方法では、正常状態の相関性をモデル化した正常モデル１２ａだけでなく、過去の異常発生時のセンサデータに基づいて異常パターンをモデル化した異常分類モデル１２ｂをあわせて用いることによって、異常発生箇所の推定まで行うこととした。

具体的には、図１Ｃに示すように、本実施形態に係る故障予知方法では、「異常状態分」の相関性を示す各センサＳ－１～Ｓ－ｎのセンサデータを用いて機械学習を実行し（ステップＳ３）、異常分類モデル１２ｂを生成する。

ここで、「異常状態分」とは、過去の各種の異常発生時における各センサデータに基づく分を指し、図中に示すように、たとえば「ベルト異常」や「軸受異常」といった異常パターンごとでクラスタリングされている。かかる異常状態分のセンサデータに基づいて生成される異常分類モデル１２ｂにより、言わば対象装置１００の異常発生時における異常パターンをモデル化することができる。

そして、本実施形態に係る故障予知方法では、図１Ｃに示すように、かかる異常分類モデル１２ｂに対し、たとえば正常モデル１２ａに基づいて故障予兆を示すとして判定された「評価分」のセンサデータを入力する。そして、その結果得られる異常分類モデル１２ｂの出力値（たとえば図中の「カテゴリＩＤ」）から異常発生箇所を推定する（ステップＳ４）。

これにより、本実施形態に係る故障予知方法によれば、単に正常か異常かだけでなく、異常、すなわち故障予兆を示すとして判定される場合に、何が要因かまでを推定することができる。したがって、駆動部１０１の故障予兆を事前に把握できるにとどまらず、必要となる部品の手配や修理、交換などのメンテナンスを迅速に施すことが可能となり、駆動部１０１が突発的に故障したり、異常停止したりするのを防止することができる。

以下、上述した故障予知方法を適用した故障予知システム１の構成について、さらに具体的に説明する。

図２は、本実施形態に係る故障予知システム１の構成図である。図２に示すように、故障予知システム１は、故障予知装置１０と、エッジデバイス３０と、ゲートウェイ装置５０と、対象装置１００とを含む。

対象装置１００が稼働する「現場」側から説明する。「現場」には、対象装置１００と、エッジデバイス３０と、ゲートウェイ装置５０とが設けられる。対象装置１００は、既に述べたように駆動部１０１を有する。駆動部１０１は、１以上のモータＭを含む。

エッジデバイス３０は、いわゆるモノのインターネット（ＩｏＴ：Internet of Things）において「モノ」に該当する装置であって、対象装置１００と通信可能に接続され、各モータＭの稼働データをたとえば「高速サンプリング」で収集して上述した必要な所定の「前処理」を施す。

また、エッジデバイス３０は、「前処理」後の各データをゲートウェイ装置５０を介してネットワークＮへ送信する。ゲートウェイ装置５０は、「現場」からネットワークＮへの中継装置であって、たとえばフィールドバスネットワークでエッジデバイス３０と接続され、エッジデバイス３０から受信した各データをネットワークＮへ送信する。

このように「現場」側のエッジデバイス３０で予め各センサデータを「前処理」し、データの特徴を残しつつもデータ量が膨大なものとならないようにすることで、「高速サンプリング」されたデータに基づきつつも通信負荷を抑えた故障予知を実現することが可能となる。

故障予知装置１０はたとえば、いわゆるクラウドコンピューティングにおけるクラウドサーバとして提供され、「現場」側からネットワークＮを介して取得した各データを蓄積する。

また、故障予知装置１０は、取得した各データに基づき、「機械学習による正常モデル１２ａの生成」、「機械学習による異常分類モデル１２ｂの生成」を行う。また、故障予知装置１０は、生成した「正常モデル１２ａにより正常状態からの乖離度を評価」する。また、故障予知装置１０は、生成した「異常分類モデル１２ｂにより異常発生箇所を推定」する。

より具体的に、故障予知システム１の構成について説明する。図３は、本実施形態に係る故障予知システム１のブロック図である。なお、図３では、本実施形態の特徴を説明するために必要な構成要素を機能ブロックで表しており、一般的な構成要素についての記載を省略している。

換言すれば、図３に図示される各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。たとえば、各機能ブロックの分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況等に応じて、任意の単位で機能的または物理的に分散・統合して構成することが可能である。

なお、図３を用いた説明では、これまでに既に述べた構成要素については、説明を簡略化するか、省略する場合がある。また、図３を用いた説明では主に、エッジデバイス３０と故障予知装置１０の構成について説明する。

図２と同様に、「現場」側のエッジデバイス３０から説明する。図３に示すように、エッジデバイス３０は、制御部３１と、記憶部３２とを備える。制御部３１は、収集部３１ａと、抽出部３１ｂと、通信部３１ｃとを備える。抽出部３１ｂは、前処理部３１ｂａを備える。

記憶部３２は、ハードディスクドライブや不揮発性メモリ、レジスタといった記憶デバイスであって、収集データ３２ａと、正常学習用データセット３２ｂと、異常学習用データセット３２ｃと、評価用データセット３２ｄとを記憶する。

制御部３１は、エッジデバイス３０の全体制御を行う。収集部３１ａは、対象装置１００の駆動部１０１に関するセンサデータを所定のサンプリング周期で収集して、収集データ３２ａへ格納する。所定のサンプリング周期は、たとえばモータ電流の場合、１００マイクロ秒程度である。また、たとえばモータトルクやモータ速度の場合、１～２０ミリ秒程度である。

なお、モータ電流については、高速サンプリングすることで分解能を上げ、信号の高精度なピーク抽出を可能とすることによって、モータＭが高速回転する場合であっても、モータ電流の時間変動に現れる特徴を可能な限り抽出可能にしている。

ここで、駆動部１０１の構成の違いによるデータ収集方法について、図４Ａ～図５Ｃを用いて説明する。図４Ａおよび図４Ｂは、モータＭがサーボモータ１１１である場合のデータ収集方法の説明図（その１）および（その２）である。また、図５Ａ～図５Ｃは、モータＭがインダクションモータ１１４である場合のデータ収集方法の説明図（その１）～（その３）である。

まず、図４Ａに示すように、駆動部１０１が、三相交流駆動されるサーボモータ１１１と、これを制御するサーボアンプ１１２とで構成されているものとする。かかる場合、サーボモータ１１１およびサーボアンプ１１２間のケーブル（「系統ライン」の一例に相当）に、計器用変流器（以下、「ＣＴ（Current Transformer）センサ１１３」と記載する）を配設することによって、収集部３１ａは、かかるＣＴセンサ１１３を介し、駆動部１０１のモータ電流に関するセンサデータを収集することができる。

なお、同図に示すように、ＣＴセンサ１１３は、サーボモータ１１１およびサーボアンプ１１２間のケーブルのうちの二相分に配設されていればよい。たとえば、同図に示す例では、ＣＴセンサ１１３は、Ｕ，Ｖ，Ｗの各相のうちのＵ，Ｖ相の各ケーブルに配設されており、収集部３１ａは、Ｕ相のモータ電流ＩＵと、Ｖ相のモータ電流ＩＶとを収集する。

また、同じく駆動部１０１がサーボモータ１１１とサーボアンプ１１２とで構成されている場合で、たとえばＣＴセンサ１１３を配設できない場合などは、図４Ｂに示すように、収集部３１ａは、サーボアンプ１１２からアナログ出力されるモータトルクＴｒｑおよびモータ速度Ｓｐを収集する。

また、図５Ａに示すように、駆動部１０１が、三相交流駆動されるインダクションモータ１１４と、これに直結される三相交流電源１１５とで構成されているものとする。かかる場合、図４Ａに示したのと同様に、インダクションモータ１１４および三相交流電源１１５間のケーブルのうちの二相分、たとえばＵ，Ｖ相の各ケーブルに、ＣＴセンサ１１３を配設することによって、収集部３１ａは、かかるＣＴセンサ１１３を介し、駆動部１０１のモータ電流ＩＵ，ＩＶを収集する。

また、図５Ｂに示すように、駆動部１０１が、インダクションモータ１１４と、これを制御するインバータ１１６とで構成されている場合も図５Ａに示したのと同様である。すなわち、インダクションモータ１１４およびインバータ１１６間のケーブルのうちの二相分、たとえばＵ，Ｖ相の各ケーブルに、ＣＴセンサ１１３を配設することによって、収集部３１ａは、かかるＣＴセンサ１１３を介し、駆動部１０１のモータ電流ＩＵ，ＩＶを収集する。

また、図５Ｃに示すように、同じく駆動部１０１がインダクションモータ１１４とインバータ１１６とで構成されている場合で、たとえばＣＴセンサ１１３を配設できない場合などは、図４Ｂに示したのと同様である。すなわち、図５Ｃに示すように、収集部３１ａは、インバータ１１６からアナログ出力されるモータトルクＴｒｑおよびモータ速度Ｓｐを収集する。

図３の説明に戻り、つづいてエッジデバイス３０の抽出部３１ｂについて説明する。抽出部３１ｂは、収集データ３２ａから各センサデータを抽出して必要な前処理を施し、前処理後の正常状態分に対応するデータを正常学習用データセット３２ｂへ格納する。また、前処理後の異常状態分に対応するデータを異常学習用データセット３２ｃへ格納する。

また、抽出部３１ｂは、前処理後の評価分に対応するリアルタイムデータを評価用データセット３２ｄへ格納する。なお、ここでは説明の便宜上、抽出部３１ｂが正常状態分、異常状態分および評価分を仕分けることとしているが、抽出部３１ｂは前処理後のデータを仕分けることなく通信部３１ｃを介して故障予知装置１０へ送信し、故障予知装置１０側で正常状態分、異常状態分および評価分を仕分けさせてもよい。かかる場合、正常学習用データセット３２ｂ、異常学習用データセット３２ｃおよび評価用データセット３２ｄは、故障予知装置１０側で記憶されることとなる。

前処理部３１ｂａは、収集データ３２ａから抽出された各センサデータに対し、データの特徴を残しつつもデータ量が膨大なものとならないように、必要となる所定の前処理を行う。

ここで、前処理部３１ｂａのより具体的な構成について、図６Ａおよび図６Ｂを用いて説明する。図６Ａおよび図６Ｂは、前処理部３１ｂａのブロック図（その１）および（その２）である。なお、図６Ａには、前処理部３１ｂａへモータ電流ＩＵ，ＩＶが入力される場合の処理の流れを、図６Ｂには、前処理部３１ｂａへモータ速度ＳｐおよびモータトルクＴｒｑが入力される場合の処理の流れを、それぞれ機能ブロックを用いて表わしている。

図６Ａに示すように、前処理部３１ｂａは、ＬＰＦ（Low-pass filter）３０１，３０２と、三相変換部３０３と、電流値算出部３０４と、ＲＭＳ（Root Mean Square：二乗平均平方根）算出部３０５，３０７と、ＨＰＦ（High-pass filter）３０６と、フーリエ変換部３０８と、速度算出部３０９とを有する。

ＬＰＦ３０１，３０２は、入力されたモータ電流ＩＵ，ＩＶをそれぞれ、いわゆるローパスフィルタ処理する。遮断周波数はたとえば１ｋＨｚである。三相変換部３０３は、ＬＰＦ３０１，３０２によってフィルタ処理されたモータ電流ＩＵ，ＩＶからモータ電流ＩＷを推定する、すなわち二相分のモータ電流ＩＵ，ＩＶを三相分のモータ電流ＩＵ，ＩＶ，ＩＷへ変換する。

電流値算出部３０４は、モータ電流ＩＵ，ＩＶ，ＩＷから、

上記式（１）によってモータ電流値Ｉを算出する。

ＲＭＳ算出部３０５は、電流値算出部３０４によって算出されたモータ電流値Ｉを、モータ電流の大きさを示すものとなるように、

上記式（２）によってＲＭＳ値へ変換する。

ＨＰＦ３０６は、電流値算出部３０４によって算出されたモータ電流値Ｉを、たとえば遮断周波数１Ｈｚでいわゆるハイパスフィルタ処理する。ＲＭＳ算出部３０７は、ＨＰＦ３０６によってフィルタ処理されたモータ電流値Ｉを、モータ電流のリップル成分の大きさを示すものとなるように、上記式（２）によってＲＭＳ値へ変換する。

そして、ＲＭＳ算出部３０５，３０７によってそれぞれ算出されたＲＭＳ値は、正常学習用データセット３２ｂまたは評価用データセット３２ｄに対応するデータとして前処理部３１ｂａから出力される。

フーリエ変換部３０８は、ＬＰＦ３０１，３０２によってフィルタ処理されたモータ電流ＩＶをフーリエ変換する。なお、図示されていないが、モータ電流ＩＵをフーリエ変換してもよい。また、ここでは、前処理部３１ｂａにモータ電流ＩＵ，ＩＶが入力される場合の例を示しているが、モータ電流ＩＵ，ＩＷの組み合わせや、モータ電流ＩＶ，ＩＷの組み合わせであってもよい。

速度算出部３０９は、フーリエ変換部３０８によるフーリエ変換後のピークに基づいてモータ速度を算出する。そして、速度算出部３０９によって算出されたモータ速度は、正常学習用データセット３２ｂまたは評価用データセット３２ｄに対応するリファレンスデータとして前処理部３１ｂａから出力される。

また、ＬＰＦ３０１，３０２によってフィルタ処理されたモータ電流ＩＶ（あるいはＩＵ，ＩＷ）のうちの異常状態分に対応するものについては、異常学習用データセット３２ｃに対応するデータとして前処理部３１ｂａから出力される。

また、図６Ｂに示すように、前処理部３１ｂａへモータ速度ＳｐおよびモータトルクＴｒｑが入力される場合、モータ速度Ｓｐは、正常学習用データセット３２ｂまたは評価用データセット３２ｄに対応するリファレンスデータとして前処理部３１ｂａから出力される。

また、モータトルクＴｒｑは、モータトルクＴｒｑの大きさを示すものとなるように、ＲＭＳ算出部３０５によって、上記式（２）によりＲＭＳ値へ変換される。また、モータトルクＴｒｑは、ＨＰＦ３０６によって、たとえば遮断周波数１Ｈｚでハイパスフィルタ処理された後、モータトルクＴｒｑのリップル成分の大きさを示すものとなるように、ＲＭＳ算出部３０７によって、上記式（２）によりＲＭＳ値へ変換される。

そして、ＲＭＳ算出部３０５，３０７によってそれぞれ算出されたＲＭＳ値は、正常学習用データセット３２ｂまたは評価用データセット３２ｄに対応するデータとして前処理部３１ｂａから出力される。

また、前処理部３１ｂａへ入力されたモータトルクＴｒｑのうちの異常状態分に対応するものについては、異常学習用データセット３２ｃに対応するデータとして前処理部３１ｂａから出力される。

図３の説明に戻り、つづいて通信部３１ｃについて説明する。通信部３１ｃは、抽出部３１ｂによって抽出された正常学習用データセット３２ｂ、異常学習用データセット３２ｃおよび評価用データセット３２ｄの各データをゲートウェイ装置５０を介してネットワークＮへ送信する。

故障予知装置１０は、制御部１１と、記憶部１２とを備える。制御部１１は、第１生成部１１ａと、第２生成部１１ｂと、評価部１１ｃと、判定部１１ｄとを備える。

記憶部１２は、ハードディスクドライブや不揮発性メモリ、レジスタといった記憶デバイスであって、正常モデル１２ａと、異常分類モデル１２ｂと、評価情報１２ｃとを記憶する。

制御部１１は、故障予知装置１０の全体制御を行う。第１生成部１１ａは、正常学習用データセット３２ｂを取得し、これを用いたディープラーニングによる機械学習を実行して、正常モデル１２ａを生成する。第２生成部１１ｂは、異常学習用データセット３２ｃを取得し、これを用いたディープラーニングによる機械学習を実行して、異常分類モデル１２ｂを生成する。

評価部１１ｃは、評価用データセット３２ｄを取得し、これを正常モデル１２ａへ入力して、正常モデル１２ａによる出力結果を受け取る。そして、評価部１１ｃは、受け取った出力結果に基づいて故障予兆を判定するための各種評価値を算出し、評価情報１２ｃへ格納する。評価値は、たとえば正常状態からの乖離度を含む。

判定部１１ｄは、評価情報１２ｃを参照して、正常状態からの乖離度が所定の判定閾値以上である場合に、故障予兆ありと判定し、かかる判定結果を評価部１１ｃへ通知する。評価部１１ｃは、判定部１１ｄから故障予兆ありとの判定結果を受け取った場合に、該当するデータを異常分類モデル１２ｂへ入力して、異常分類モデル１２ｂによる出力結果を受け取り、判定部１１ｄへ通知する。

そして、判定部１１ｄは、受け取った出力結果から異常発生箇所を推定し、故障予兆があること、および、推定される異常発生箇所を、故障予知装置１０に接続された表示部２０等を介して報知する。このとき、判定部１１ｄは、正常状態からの乖離度をあわせて報知してもよい。

ユーザは、たとえば「正常状態からの乖離度」を確認することで、駆動部１０１の異常度合いを知ることができる。また、たとえば「異常発生箇所」を確認することで、異常の原因を推定し、必要となる部品の手配や作業計画の立案、実行などを迅速に進めることができる。

次に、本実施形態の第１～第３の検証例を示す。図７Ａは、第１の検証例の検証結果を示す図である。また、図７Ｂは、第２の検証例の検証結果を示す図である。また、図７Ｃは、第３の検証例の検証結果を示す図である。

なお、図７Ａ～図７Ｃに示す各検証例は、三相交流駆動されるインダクションモータ１１４につき、Ｕ，Ｖ各相のモータ電流ＩＵ，ＩＶをＣＴセンサ１１３によって計測した場合のものである。サンプリング周期は、１００マイクロ秒とした。なお、図７Ａおよび図７Ｂの上段には、代表的にＵ相のモータ電流ＩＵの波形を示している。

第１の検証例は、「モータ速度一定時」のものである。図７Ａに示すように、モータ速度を一定とし、同図中の「正常期間」分を正常状態分として正常モデル１２ａを生成し、かかる正常モデル１２ａに対して「正常期間」分を含む時系列データを入力した。なお、かかる時系列データ中には意図的に故障を発生させた場合のデータが含まれている。

同図の下段に示すのは、その結果、正常モデル１２ａの出力値に基づいて得られた正常状態からの乖離度の推移である。かかる結果によれば、「モータ速度一定時」の「正常期間」では、正常状態からの乖離度は間違いなく判定閾値Ｔｈを超えておらず、故障予兆があるとして判定されることはないという検証結果が得られた。

一方で、正常状態からの乖離度は、閉曲線Ｏ１に囲まれた部分に示すタイミングで初めて判定閾値Ｔｈを超えている。したがって、第１の検証例で意図的に発生させた故障は、「モータ速度一定時」にＣＴセンサ１１３によって計測されたモータ電流ＩＵ，ＩＶに基づいて、かかるタイミングで予知可能であるという検証結果が得られた。

すなわち、本実施形態によれば、駆動部１０１を有する対象装置１００の故障予兆を、ＣＴセンサ１１３によって計測されたモータ電流ＩＵ，ＩＶに基づき、「モータ速度一定時」であっても精度よく捉えることができる。

つづいて、第２の検証例は、「モータ速度可変時」のものである。図７Ｂに示すように、モータ速度を可変とし、同図中の「正常期間」分を正常状態分として正常モデル１２ａを生成し、かかる正常モデル１２ａに対して「正常期間」分を含む時系列データを入力した。なお、かかる時系列データ中にも意図的に故障を発生させた場合のデータが含まれている。

同図の下段に示すのは、その結果、正常モデル１２ａの出力値に基づいて得られた正常状態からの乖離度の推移である。かかる結果によれば、「モータ速度可変時」の「正常期間」でも、正常状態からの乖離度は、両端のノイズ部分を除き、間違いなく判定閾値Ｔｈを超えておらず、故障予兆があるとして判定されることはないという検証結果が得られた。

一方で、正常期間外での正常状態からの乖離度は、両端のノイズ部分を除き、閉曲線Ｏ２に囲まれた部分に示すタイミングで初めて判定閾値Ｔｈを超えている。したがって、第２の検証例で意図的に発生させた故障は、「モータ速度可変時」にＣＴセンサ１１３によって計測されたモータ電流ＩＵ，ＩＶに基づいて、かかるタイミングで予知可能であるという検証結果が得られた。

すなわち、本実施形態によれば、駆動部１０１を有する対象装置１００の故障予兆を、ＣＴセンサ１１３によって計測されたモータ電流ＩＵ，ＩＶに基づき、「モータ速度可変時」であっても精度よく捉えることができる。

つづいて、第３の検証例は、異常発生箇所の推定について検証したものである。図７Ｃに示すように、異常パターン「ベルト異常」および異常パターン「軸受異常」を含む異常学習用のデータセットを用いて機械学習を実行し、異常分類モデル１２ｂを生成した。そのうえで、評価用のデータセットとして、「ベルト異常」時データおよび「軸受異常」時データをそれぞれ異常分類モデル１２ｂへ入力した。なお、異常パターン「ベルト異常」はカテゴリＩＤ「００１」に、異常パターン「軸受異常」は同「００２」に、それぞれクラスタリングされていたものとする（図１Ｃ参照）。

その結果、図７Ｃの閉曲線Ｏ３に囲まれた部分に示すように、異常分類モデル１２ｂは、「ベルト異常」時データに対しては、「００１」との出力値を返した。すなわち、「ベルト異常」時データに対しては、異常分類モデル１２ｂに基づいて正確に「ベルト異常」と分類されたとの検証結果が得られた。

また、同図の閉曲線Ｏ４に囲まれた部分に示すように、異常分類モデル１２ｂは、「軸受異常」時データに対しては、「００２」との出力値を返した。すなわち、「軸受異常」時データに対しては、異常分類モデル１２ｂに基づいて正確に「軸受異常」と分類されたとの検証結果が得られた。

すなわち、本実施形態によれば、駆動部１０１を有する対象装置１００の異常発生箇所を、ＣＴセンサ１１３によって計測されたモータ電流ＩＵ，ＩＶに基づき、精度よく推定することができる。

次に、故障予知システム１が実行する処理手順について、図８を用いて説明する。図８は、故障予知システム１が実行する処理手順を示すフローチャートである。

図８に示すように、まず学習対象期間であるか否かが判定される（ステップＳ１０１）。学習対象期間は、対象装置１００の運用初期段階などでの正常稼働中の期間（前述の「正常期間」に相当）である。

ここで、学習対象期間である場合（ステップＳ１０１，Ｙｅｓ）、エッジデバイス３０の抽出部３１ｂが、モータ電流を含む、モータ駆動に関する時系列データを前処理しつつ抽出する（ステップＳ１０２）。

そして、故障予知装置１０の第１生成部１１ａが、抽出された各データの正常状態分に基づく機械学習により、正常モデル１２ａを生成する（ステップＳ１０３）。また、第２生成部１１ｂが、抽出された各データの異常状態分に基づく機械学習により、異常分類モデル１２ｂを生成する（ステップＳ１０４）。なお、学習対象期間でない場合（ステップＳ１０１，Ｎｏ）、ステップＳ１０５が実行される。

ステップＳ１０５では、エッジデバイス３０の抽出部３１ｂが、モータ電流を含む、モータ駆動に関するリアルタイムデータを前処理しつつ抽出する。そして、故障予知装置１０の評価部１１ｃが、抽出されたデータを入力とした正常モデル１２ａの出力値から、正常状態からの乖離度を算出する（ステップＳ１０６）。

そして、故障予知装置１０の判定部１１ｄが、評価部１１ｃにより算出された乖離度が所定の判定閾値Ｔｈ以上であるか否かを判定する（ステップＳ１０７）。ここで、乖離度が判定閾値Ｔｈ以上である場合（ステップＳ１０７，Ｙｅｓ）、判定部１１ｄは、該当のデータを入力とした異常分類モデル１２ｂの出力値から、異常発生箇所を推定する（ステップＳ１０８）。

そして、判定部１１ｄは、故障予兆ありおよび異常発生箇所を報知し（ステップＳ１０９）、処理を終了する。また、ステップＳ１０７の判定条件を満たさない場合も（ステップＳ１０７，Ｎｏ）、処理を終了する。なお、この場合において、故障予兆なしを意味する旨を判定部１１ｄが報知してもよい。

ところで、上述してきた実施形態に係る故障予知装置１０やエッジデバイス３０は、たとえば図９に示すような構成のコンピュータ６０によって実現される。以下、故障予知装置１０を例に挙げて説明する。図９は、故障予知装置１０の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ６０は、ＣＰＵ（Central Processing Unit）６１、ＲＡＭ（Random Access Memory）６２、ＲＯＭ（Read Only Memory）６３、ＨＤＤ（Hard Disk Drive）６４、通信インタフェース（Ｉ／Ｆ）６５、入出力インタフェース（Ｉ／Ｆ）６６、およびメディアインタフェース（Ｉ／Ｆ）６７を備える。

ＣＰＵ６１は、ＲＯＭ６３またはＨＤＤ６４に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ６３は、コンピュータ６０の起動時にＣＰＵ６１によって実行されるブートプログラムや、コンピュータ６０のハードウェアに依存するプログラム等を格納する。

ＨＤＤ６４は、ＣＰＵ６１によって実行されるプログラムおよび当該プログラムによって使用されるデータ等を格納する。通信インタフェース６５は、通信ネットワーク（図２および図３に示したネットワークＮに対応）を介して他の機器からデータを受信してＣＰＵ６１へ送り、ＣＰＵ６１が生成したデータを、通信ネットワークを介して他の機器へ送信する。

ＣＰＵ６１は、入出力インタフェース６６を介して、ディスプレイやプリンタ等の出力装置、および、キーボードやマウス等の入力装置を制御する。ＣＰＵ６１は、入出力インタフェース６６を介して、入力装置からデータを取得する。また、ＣＰＵ６１は、生成したデータを、入出力インタフェース６６を介して出力装置へ出力する。

メディアインタフェース６７は、記録媒体６８に格納されたプログラムまたはデータを読み取り、ＲＡＭ６２を介してＣＰＵ６１に提供する。ＣＰＵ６１は、当該プログラムを、メディアインタフェース６７を介して記録媒体６８からＲＡＭ６２上にロードし、ロードしたプログラムを実行する。記録媒体６８は、たとえばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

たとえば、コンピュータ６０が実施形態に係る故障予知装置１０として機能する場合、コンピュータ６０のＣＰＵ６１は、ＲＡＭ６２上にロードされたプログラムを実行することにより、制御部１１の各機能を実現する。また、ＨＤＤ６４には、記憶部１２内のデータが記憶される。コンピュータ６０のＣＰＵ６１は、これらのプログラムを、記録媒体６８から読み取って実行するが、他の例として、他の装置から、通信ネットワークを介してこれらのプログラムを取得してもよい。

上述してきたように、実施形態に係る故障予知システム１は、エッジデバイス３０と、故障予知装置１０とを備える。エッジデバイス３０は、駆動部１０１を有する対象装置１００（「機械設備」の一例に相当）と通信可能に設けられる。故障予知装置１０は、エッジデバイス３０と通信可能に設けられる。

エッジデバイス３０は、抽出部３１ｂを備える。抽出部３１ｂは、対象装置１００に設けられた複数のセンサＳ－１～Ｓ－ｎのセンサデータのうち、対象装置１００の正常稼働時における正常状態分、異常発生時における異常状態分、および、任意の評価時における評価分を抽出する。

故障予知装置１０は、第１生成部１１ａと、第２生成部１１ｂと、評価部１１ｃと、判定部１１ｄとを備える。第１生成部１１ａは、正常状態分に基づき、駆動部１０１のモータ電流（「駆動電流」の一例に相当）の時間変動が特徴ベクトルに含まれるように機械学習を実行することによって、正常稼働時におけるセンサ間の相関性をモデル化した正常モデル１２ａを生成する。

第２生成部１１ｂは、異常状態分に基づき、異常発生時におけるモータ電流の時間変動が特徴ベクトルに含まれるように機械学習を実行することによって、異常発生時における異常パターンをモデル化した異常分類モデル１２ｂを生成する。

評価部１１ｃは、評価分を正常モデル１２ａへ入力することによって得られる正常モデル１２ａの出力値に基づいて対象装置１００の正常状態からの乖離度を評価する。判定部１１ｄは、上記乖離度に基づいて対象装置１００の故障予兆を判定し、故障予兆ありと判定される場合に、上記評価分を異常分類モデル１２ｂへ入力することによって得られる異常分類モデル１２ｂの出力値に基づいて対象装置１００の異常発生箇所を判定する。

したがって、本実施形態に係る故障予知システム１によれば、駆動部１０１を有する対象装置１００の故障予兆を精度よく捉えることができる。

（その他の実施形態）
ところで、上述した実施形態では、モータ電流、モータトルクおよびモータ速度をベクトルに含めた機械学習を実行し、その結果生成された正常モデル１２ａにより、駆動部１０１の挙動の正常状態からの乖離度を評価する例を挙げたが、さらに振動をベクトルに含めてもよい。

また、上述した実施形態の場合に加えて、さらに温度や対象装置１００の位置など、正常状態からの乖離度を評価するのに資すると考えられる他パラメータを機械学習のベクトルに含むこととしてもよい。これにより、駆動部１０１を有する対象装置１００の故障予兆を精度よく捉えるのに、より資することができる。

また、上述した実施形態では、機械学習のアルゴリズムとしてディープラーニングを用いるものとしたが、用いるアルゴリズムを限定するものではない。したがって、ＳＶＭ（Support Vector Machine）のようなパターン識別器を用いたサポートベクタ回帰等の回帰分析手法により機械学習を実行し、正常モデル１２ａを生成してもよい。また、ここで、パターン識別器はＳＶＭに限らず、たとえばアダブースト（AdaBoost）などであってもよい。また、ランダムフォレストなどを用いてもよい。

また、上述した実施形態では、駆動部１０１の駆動源が基本的に回転モータであるものとしたが、リニアモータであってもよい。かかる場合、駆動部１０１の駆動力は、トルクでなく推力に対応することとなる。

さらなる効果や変形例は、当業者によって容易に導き出すことができる。このため、本発明のより広範な態様は、以上のように表しかつ記述した特定の詳細および代表的な実施形態に限定されるものではない。したがって、添付の特許請求の範囲およびその均等物によって定義される総括的な発明の概念の精神または範囲から逸脱することなく、様々な変更が可能である。

１ 故障予知システム
１０ 故障予知装置
１１ａ 第１生成部
１１ｂ 第２生成部
１１ｃ 評価部
１１ｄ 判定部
１２ａ 正常モデル
１２ｂ 異常分類モデル
３０ エッジデバイス
３１ｂ 抽出部
３１ｂａ 前処理部
３２ｂ 正常学習用データセット
３２ｃ 異常学習用データセット
３２ｄ 評価用データセット
１００ 対象装置
１０１ 駆動部
１１１ サーボモータ
１１２ サーボアンプ
１１３ ＣＴセンサ
１１４ インダクションモータ
１１５ 三相交流電源
１１６ インバータ
Ｍ モータ

Claims (5)

1. 駆動部を有する機械設備と通信可能に設けられたエッジデバイスと、
   前記エッジデバイスと通信可能に設けられた故障予知装置と
   を備え、
   前記エッジデバイスは、
   前記機械設備に設けられた複数のセンサのセンサデータのうち、前記機械設備の正常稼働時における正常状態分、異常発生時における異常状態分、および、任意の評価時における評価分を抽出する抽出部
   を備え、
   前記故障予知装置は、
   前記正常状態分に基づき、前記駆動部の駆動電流の時間変動が特徴ベクトルに含まれるように機械学習を実行することによって、前記正常稼働時における前記センサ間の相関性をモデル化した正常モデルを生成する第１生成部と、
   前記異常状態分に基づき、前記異常発生時における前記駆動電流の時間変動が特徴ベクトルに含まれるように機械学習を実行することによって、前記異常発生時における異常パターンをモデル化した異常分類モデルを生成する第２生成部と、
   前記評価分を前記正常モデルへ入力することによって得られる該正常モデルの出力値に基づいて前記機械設備の正常状態からの乖離度を評価する評価部と、
   前記乖離度に基づいて前記機械設備の故障予兆を判定し、該故障予兆ありと判定される場合に、前記評価分を前記異常分類モデルへ入力することによって得られる該異常分類モデルの出力値に基づいて前記機械設備の異常発生箇所を判定する判定部と
   を備え、
   前記抽出部は、
   少なくとも前記駆動電流についてはマイクロ秒単位のサンプリング周期で前記センサデータを収集し、当該センサデータに対し、フィルタ処理することによって動作周波数を取り除き、かつ、リップル成分の大きさを示すものとなるように二乗平均平方根値へ変換する前処理を施し、
   前記第１生成部は、
   前記前処理が施された前記センサデータに基づいて前記機械学習を実行する
   ことを特徴とする故障予知システム。
2. 前記第１生成部および前記第２生成部は、
   前記センサデータに基づき、前記駆動部の駆動速度の時間変動および該駆動速度に対応する前記駆動部の駆動力の時間変動が特徴ベクトルに含まれるように機械学習を実行する
   ことを特徴とする請求項１に記載の故障予知システム。
3. 前記第１生成部は、オートエンコーダを用いて前記正常モデルを生成し、
   前記評価部は、
   前記正常モデルの入力値と出力値との誤差を前記機械設備の正常状態からの前記乖離度として算出し、
   前記判定部は、
   前記乖離度が所定の判定閾値以上である場合に、前記故障予兆ありと判定する
   ことを特徴とする請求項１または２に記載の故障予知システム。
4. 前記駆動電流は、
   前記駆動部が有する系統ラインの途中に配設される変流器によって計測される
   ことを特徴とする請求項１、２または３に記載の故障予知システム。
5. 前記系統ラインは、三相交流方式における三相の各系統ラインであって、
   前記変流器は、
   前記三相のうちの二相分の前記系統ラインに配設され、
   前記抽出部は、
   前記変流器によって計測される前記二相分の前記駆動電流から残り一相分の前記駆動電流を推定する
   ことを特徴とする請求項４に記載の故障予知システム。

Images