JP7477365B2 - 監視システム - Google Patents
監視システム Download PDFInfo
- Publication number
- JP7477365B2 JP7477365B2 JP2020089378A JP2020089378A JP7477365B2 JP 7477365 B2 JP7477365 B2 JP 7477365B2 JP 2020089378 A JP2020089378 A JP 2020089378A JP 2020089378 A JP2020089378 A JP 2020089378A JP 7477365 B2 JP7477365 B2 JP 7477365B2
- Authority
- JP
- Japan
- Prior art keywords
- replacement
- unit
- time
- data
- physical quantity
- 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
- 238000012544 monitoring process Methods 0.000 title claims description 49
- 238000001514 detection method Methods 0.000 claims description 31
- 230000001133 acceleration Effects 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000000034 method Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
- Crushing And Grinding (AREA)
- Disintegrating Or Milling (AREA)
Description
本発明は、可動部を有する監視対象機械の監視システムに関する。
粉砕機等の監視対象機械の故障や部品交換を予測する種々の監視システムが知られている。例えば、下記特許文献１には、ローラが許容限界を超えて摩耗する前に、ローラ部の交換時期を判断可能な粉砕機が開示されている。この粉砕機では、毎時電力量を計測し、その計測値と予め設定されたしきい値とを比較して、ローラ部の交換時期を判断している。
本発明は、より正確に部品の交換時期を提示することができる監視システムを提供することを目的とする。
本発明の一実施形態に係る監視システムは、可動部を有する監視対象機械の監視部位に取り付けられて前記監視部位の所定の物理量を検出し、得られた物理量検出結果を出力する物理量検出手段と、前記物理量検出手段から出力された物理量検出結果を時系列データとして受信する受信部と、前記受信部で受信された前記時系列データから前記可動部に関連する部品の交換時期を判断し、前記交換時期に関する情報を出力する監視部とを備える。前記監視部は、前記部品を交換する直前の期間に前記受信部で受信された前記時系列データからなる交換前データと、前記部品を交換した直後の期間に前記受信部で受信された前記時系列データからなる交換後データとにより部品交換前後の前記時系列データに基づく学習モデルを生成する学習部と、前記監視対象機械の実稼動期間に前記受信部で受信された前記時系列データからなる実稼動データを、前記学習部で学習された前記学習モデルによって評価し、この評価結果に基づいて前記部品の交換時期に関する情報を出力する判定部とを備える。
本発明の一実施形態において、前記学習部は、前記交換前データと前記交換後データとを入力し、これらのデータから交換前と交換後とを分類する学習モデルを生成し、前記判定部は、前記学習モデルに基づいて前記実稼動データを前記交換前と交換後とに分類し、この分類結果の所定期間の傾向に基づいて前記部品の交換時期を判断するようにしても良い。
本発明の他の実施形態において、前記学習部は、前記交換前データを学習して交換前データ学習モデルを生成すると共に、前記交換後データを学習して交換後データ学習モデルを生成し、前記判定部は、前記交換前データ学習モデルに基づいて前記実稼動データの第１の誤差量を算出すると共に、前記交換後データ学習モデルに基づいて前記実稼動データの第２の誤差量を算出し、これら第１の誤差量及び第２の誤差量の所定期間の傾向に基づいて前記部品の交換時期を判断するようにしても良い。
本発明の他の実施形態において、前記学習部は、前記交換前データから第１の偏相関行列を生成すると共に、前記交換後データから第２の偏相関行列を生成し、前記判定部は、前記実稼動データを第３の偏相関行列に変換し、前記第１の偏相関行列と前記第３の偏相関行列から第１の異常値スコアを算出すると共に、前記第２の偏相関行列と前記第３の偏相関行列から第２の異常値スコアを算出し、これら第１の異常値スコア及び第２の異常値スコアの所定期間の傾向に基づいて前記部品の交換時期を判断するようにしても良い。
本発明によれば、より正確に部品の交換時期を提示することができる。
以下、添付の図面を参照して、本発明の実施形態に係る監視システムを詳細に説明する。ただし、以下の実施形態は、各請求項に係る発明を限定するものではなく、また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。
［第１実施形態］
［構成］
図１は、第１実施形態に係る監視システムを説明するための模式図である。この実施形態では、監視対象機械として飼料等の製造プラントで使用される粉砕機１０を例とする。
図１に示すように、本実施形態の監視システムは、粉砕機１０に装着された後述する加速度センサ２１、温度センサ２２，２３及び電力計測部２４と、これらのセンサ等から装置の監視に必要なデータを受信する受信部としてのＩｏＴゲートウェイ３１と、このＩｏＴゲートウェイ３１を介して提供された各種データに基づいて粉砕機１０の稼動状況を監視するクラウドサーバ等の監視部４０とを備える。
［構成］
図１は、第１実施形態に係る監視システムを説明するための模式図である。この実施形態では、監視対象機械として飼料等の製造プラントで使用される粉砕機１０を例とする。
図１に示すように、本実施形態の監視システムは、粉砕機１０に装着された後述する加速度センサ２１、温度センサ２２，２３及び電力計測部２４と、これらのセンサ等から装置の監視に必要なデータを受信する受信部としてのＩｏＴゲートウェイ３１と、このＩｏＴゲートウェイ３１を介して提供された各種データに基づいて粉砕機１０の稼動状況を監視するクラウドサーバ等の監視部４０とを備える。
監視対象機械としての粉砕機１０は、図１に示すように、例えば、平行に配列された２本のメインローラ１１，１２と、これらメインローラ１１，１２に対して平行に配列された２本のフィードローラ１３，１４とを有する。メインローラ１１，１２は、それぞれベアリング１５ａ，１５ｂ及びベアリング１６ａ，１６ｂによって回転可能に支持されている。メインローラ１１は、メインモータ１７によって駆動される。フィードローラ１３，１４は、フィードモータ１８によって駆動される。
本実施形態では、メインローラ１１，１２を支持するベアリング１５ａ，１５ｂ，１６ａ，１６ｂ及びメインモータ１７をそれぞれ監視部位に設定している。これらの監視部位には、それぞれ加速度センサ２１と温度センサ２２が装着されている。また、粉砕機１０の周辺には、環境温度を測定するための温度センサ２３が設けられている。また、粉砕機１０の電力系統には、粉砕機１０での消費電力を計測する電力計測部２４が設けられている。
加速度センサ２１は、例えば、互いに直交するＸ，Ｙ，Ｚ軸方向のそれぞれの加速度を検出するＩｏＴ（Internet of Things）デバイスで、所定の無線又は有線での通信方式により、加速度検出結果を出力する。温度センサ２２，２３もＩｏＴデバイスで、所定の無線又は有線での通信方式により、温度検出結果を送信出力する。
一方、粉砕機１０の近傍に配置された配電盤３０には、受信部及び中継器としてＩｏＴゲートウェイ３１が配置されている。ＩｏＴゲートウェイ３１は、加速度センサ２１、温度センサ２２，２３及び電力計測部２４からの加速度検出結果、温度検出結果及び電力計測値を、それぞれ時系列データとして受信し、必要なプロトコル変換をした上で、それら時系列データを外部の監視部４０に送信出力する。
監視部４０は、収集された時系列データを記憶する記憶部４１と、記憶された時系列データに基づいて、各種の学習モデルを生成する学習部４３と、学習部４３で生成された学習モデルに基づいて、実稼動データを評価し、必要な監視項目についての判定を行う判定部４４と、判定結果等の監視情報を表示する表示部４２とを有する。
次に、このように構成された監視システムの動作について説明する。
［時系列データ］
本実施形態では、ＩｏＴゲートウェイ３１又は監視部４０において、データ分析に必要な時系列データを生成する。例えば、振動パターンの特徴をより抽出し易くするため、加速度検出結果の時系列データとして、次のようなデータを使用することも可能である。図２は、この時系列データの生成過程を示す図である。加速度センサ２１からの出力を、例えば50Hz等の所定の周波数でサンプリングし、例えば324サンプルを１つのデータ周期として、各軸の加速度データを生成する。この各軸の加速度データは、フーリエ変換（FFT）によりパワースペクトルからなるFFTデータに変換され、更に対数化、正規化処理をして各軸について324サンプルの加速度検出結果の時系列データとなる。温度センサ２２，２３からの温度検出結果及び電力計測部２４の計測結果については、加速度センサ２１よりは長い周期でサンプリングを行い、時系列データを作成する。
［時系列データ］
本実施形態では、ＩｏＴゲートウェイ３１又は監視部４０において、データ分析に必要な時系列データを生成する。例えば、振動パターンの特徴をより抽出し易くするため、加速度検出結果の時系列データとして、次のようなデータを使用することも可能である。図２は、この時系列データの生成過程を示す図である。加速度センサ２１からの出力を、例えば50Hz等の所定の周波数でサンプリングし、例えば324サンプルを１つのデータ周期として、各軸の加速度データを生成する。この各軸の加速度データは、フーリエ変換（FFT）によりパワースペクトルからなるFFTデータに変換され、更に対数化、正規化処理をして各軸について324サンプルの加速度検出結果の時系列データとなる。温度センサ２２，２３からの温度検出結果及び電力計測部２４の計測結果については、加速度センサ２１よりは長い周期でサンプリングを行い、時系列データを作成する。
［状態監視］
粉砕機１０の運転状態は、原材料の種類、混合条件、投入速度によって様々に変化する。現在の状態がどのような状態であるかは、加速度センサ２１からの加速度検出結果、温度センサ２２からの温度検出結果及び電力計測部２４からの電力計測結果の少なくとも１つから分類することができる。具体的には、ＣＮＮ（畳み込みニューラルネットワーク）等を用いたクラスタリングの手法を利用して、例えば正常時の振動パターンを学習し、アイドル状態（カテゴリ０）、2.5～8 kWhの稼動状態（カテゴリ１）、8～12 kWhの稼動状態（カテゴリ２）、12 kWh以上の稼動状態（カテゴリ３）等のカテゴリに分類することができる。
そして、実際の稼動状態では、実稼動データを学習データに基づいて分類し、現在の状態を監視部４０の表示部４２に表示する。
粉砕機１０の運転状態は、原材料の種類、混合条件、投入速度によって様々に変化する。現在の状態がどのような状態であるかは、加速度センサ２１からの加速度検出結果、温度センサ２２からの温度検出結果及び電力計測部２４からの電力計測結果の少なくとも１つから分類することができる。具体的には、ＣＮＮ（畳み込みニューラルネットワーク）等を用いたクラスタリングの手法を利用して、例えば正常時の振動パターンを学習し、アイドル状態（カテゴリ０）、2.5～8 kWhの稼動状態（カテゴリ１）、8～12 kWhの稼動状態（カテゴリ２）、12 kWh以上の稼動状態（カテゴリ３）等のカテゴリに分類することができる。
そして、実際の稼動状態では、実稼動データを学習データに基づいて分類し、現在の状態を監視部４０の表示部４２に表示する。
［部品交換時期の表示］
原料を粉砕するメインローラ１１，１２は、消耗部品として定期的に交換される。交換の最適なタイミングを決定することで、プラントの運用コストを削減することができる。本実施形態では、次のように、部品交換の最適時期を決定する。この処理は、例えば監視部４０によって実行される。
原料を粉砕するメインローラ１１，１２は、消耗部品として定期的に交換される。交換の最適なタイミングを決定することで、プラントの運用コストを削減することができる。本実施形態では、次のように、部品交換の最適時期を決定する。この処理は、例えば監視部４０によって実行される。
監視部４０は、図３に示すように、実稼動によって消耗部品の交換が必要になった直前の期間に得られた、例えば加速度検出結果の時系列データを交換前データとし、部品交換の直後に得られた時系列データを交換後データとして記憶部４１に記憶する。
次に、監視部４０は、学習部４３によって、交換前データと交換後データとにより部品交換前後の時系列データに基づく学習モデルを生成する。
そして、監視部４０は、判定部４４によって、粉砕機１０の実稼動期間にＩｏＴゲートウェイ３１で受信された加速度センサ２１からの時系列データ（実稼動データ）を、上述した学習モデルによって評価し、この評価結果に基づいて部品の交換時期に関する情報を出力する。
なお、学習モデルを作成するための交換前データ及び交換後データは、上述した監視対象機械である粉砕機１０の状態（アイドル状態、所定電力での稼働状態等）の情報を含むように調整しても良い。
次に、監視部４０は、学習部４３によって、交換前データと交換後データとにより部品交換前後の時系列データに基づく学習モデルを生成する。
そして、監視部４０は、判定部４４によって、粉砕機１０の実稼動期間にＩｏＴゲートウェイ３１で受信された加速度センサ２１からの時系列データ（実稼動データ）を、上述した学習モデルによって評価し、この評価結果に基づいて部品の交換時期に関する情報を出力する。
なお、学習モデルを作成するための交換前データ及び交換後データは、上述した監視対象機械である粉砕機１０の状態（アイドル状態、所定電力での稼働状態等）の情報を含むように調整しても良い。
以下、学習方法として、ＣＮＮ（畳み込みニューラルネットワーク）を使用した方法について説明する。
図４（ａ）に示すように、部品交換前後の所定期間に収集された交換前データと交換後データとを「交換前」、「交換後」のラベルを付けて教師付データとして学習部であるＣＮＮ４３ａに入力する。ＣＮＮ４３ａは、入力層として例えば3（軸）×18×18（324）次元の入力層を有し、時系列データと「交換前」、「交換後」の分類との関係性を学習する。
図４（ａ）に示すように、部品交換前後の所定期間に収集された交換前データと交換後データとを「交換前」、「交換後」のラベルを付けて教師付データとして学習部であるＣＮＮ４３ａに入力する。ＣＮＮ４３ａは、入力層として例えば3（軸）×18×18（324）次元の入力層を有し、時系列データと「交換前」、「交換後」の分類との関係性を学習する。
ＣＮＮ４３ａの学習が終了したら、図４（ｂ）に示すように、実稼働時に実稼動データを判定部であるＣＮＮ（学習モデル）４４ａに入力し、実稼動データが交換前、交換後のいずれに分類されたことを示す分類結果を出力する。そして、判定部４４ｂは、所定期間における分類結果の傾向に基づいて、部品の交換時期を判断し、その判断結果を報知する。例えば、分類結果が交換前である出現割合が所定期間中に80％等の一定のしきい値を超えたとき、又は、所定期間を１週間とし、判定部４４の出力結果が一定のしきい値をＮ週間連続して超えたとき等のタイミングを、部品交換タイミングであるとして、交換時期到来を、表示部４２を介して報知する。
このように、本実施形態によれば、実際に部品の交換が必要になった状況を学習し、その学習結果に基づいて部品交換時期の到来を報知するようにしているので、正確に部品の交換時期を提示することができる。
［第２実施形態］
図５は、学習方法として、オートエンコーダ（ＡＥ）を使用した第２実施形態を示す模式図である。
第２実施形態では、学習時に、図５（ａ）に示すように、交換前データを学習部としての第１のオートエンコーダ４３ｂに入力し、交換後データを学習部としての第２のオートエンコーダ４３ｃに入力する。オートエンコーダは、入出力のデータが同じになるように圧縮及び復元を行うニューラルネットワークであり、例えば、入出力データ用に972（18×18×3）次元、中間層用に500次元のニューラルネットワークを使用することができる。
図５は、学習方法として、オートエンコーダ（ＡＥ）を使用した第２実施形態を示す模式図である。
第２実施形態では、学習時に、図５（ａ）に示すように、交換前データを学習部としての第１のオートエンコーダ４３ｂに入力し、交換後データを学習部としての第２のオートエンコーダ４３ｃに入力する。オートエンコーダは、入出力のデータが同じになるように圧縮及び復元を行うニューラルネットワークであり、例えば、入出力データ用に972（18×18×3）次元、中間層用に500次元のニューラルネットワークを使用することができる。
学習が終了した第１のオートエンコーダ４３ｂと第２のオートエンコーダ４３ｃは、図５（ｂ）に示すように、それぞれ交換前データ学習モデル及び交換後データ学習モデルとなる。
実稼働時には、実稼動データを判定部である第１のオートエンコーダ４４ｃと第２のオートエンコーダ４４ｄに入力し、各オートエンコーダ４４ｃ，４４ｄから出力される第１の誤差量及び第２の誤差量を求める。
そして、判定部４４ｅは、所定期間における第１の誤差量及び第２の誤差量の傾向に基づいて、部品の交換時期を判断し、その判断結果を報知する。例えば、第１の誤差量と第２の誤差量のうち、第１の誤差量の出現割合が所定期間中に80％等の一定のしきい値を超えたとき 、又は、所定期間を１週間とし、判定部４４の出力結果が一定のしきい値をＮ週間連続して超えたとき等のタイミングを、部品交換タイミングであるとして、交換時期到来を、表示部４２を介して報知する。
そして、判定部４４ｅは、所定期間における第１の誤差量及び第２の誤差量の傾向に基づいて、部品の交換時期を判断し、その判断結果を報知する。例えば、第１の誤差量と第２の誤差量のうち、第１の誤差量の出現割合が所定期間中に80％等の一定のしきい値を超えたとき 、又は、所定期間を１週間とし、判定部４４の出力結果が一定のしきい値をＮ週間連続して超えたとき等のタイミングを、部品交換タイミングであるとして、交換時期到来を、表示部４２を介して報知する。
［第３実施形態］
図６は、学習方法として、スパース構造学習４３ｄ，４３ｅを使用した第３の実施形態を示す模式図である。
第３実施形態では、学習時に、図６（ａ）に示すように、交換前データから偏相関行列１を生成し、交換後データから偏相関行列２を算出する。
図６は、学習方法として、スパース構造学習４３ｄ，４３ｅを使用した第３の実施形態を示す模式図である。
第３実施形態では、学習時に、図６（ａ）に示すように、交換前データから偏相関行列１を生成し、交換後データから偏相関行列２を算出する。
実稼働時には、実稼動データから偏相関行列変換部４４ｆにより偏相関行列３を算出し、偏相関行列１と偏相関行列３、偏相関行列２と偏相関行列３とで、それぞれ第１の異常度スコア及び第２の異常値スコアを算出する。
そして、判定部４４ｉは、所定期間における第１の異常度スコア及び第２の異常スコアの傾向に基づいて、部品の交換時期を判断し、その判断結果を報知する。例えば、第１の異常度スコアと第２の異常度スコアのうち、第１の異常度スコアが小さい割合が所定期間中に80％等の一定のしきい値を超えたとき 、又は、所定期間を１週間とし、判定部４４の出力結果が一定のしきい値をＮ週間連続して超えたとき等のタイミングを、部品交換タイミングであるとして、交換時期到来を、表示部４２を介して報知する。
以上の実施形態においても、部品の正確な交換時期の到来を報知することができる。
なお、上記実施形態では、時系列データとして、主として加速度検出結果の時系列データを利用した例を示した。しかし、例えば、温度検出結果の時系列データ、電力計測結果の時系列データ、その他の物理量の時系列データで、消耗部品の交換前後で異なる挙動の傾向を示す物理量の時系列データを利用して、上記と同様の部品の交換時期判断を行うようにしても良い。
また、上記実施形態では、監視部４０としてクラウドサーバを利用する例について説明したが、例えば、配電盤３０に接続された他のコンピュータによって、学習部４３と判定部４４を有する監視部４０を構成することもできる。
また、上記実施形態では、管理対象機械として粉砕機１０を例に挙げたが、例えばローラ、スライダ、回転軸等の可動部を有する他の機械の消耗部品の監視についても、同様に本発明を適用可能であることは言うまでも無い。
以上、本発明の実施形態を説明したが、この実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。この新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると共に、特許請求の範囲に記載された発明とその均等の範囲に含まれる。
１０…粉砕機、１１，１２…メインローラ、１３，１４…フィードローラ、１５ａ，１５ｂ，１６ａ，１６ｂ…ベアリング、１７…メインモータ、１８…フィードモータ、２１…加速度センサ、２２，２３…温度センサ、２４…電力計測部、３０…配電盤、３１…ＩｏＴゲートウェイ、４０…監視部、４１…記憶部、４２…表示部，４３…学習部、４４…判定部。
Claims (5)
- 可動部を有する監視対象機械の監視部位に取り付けられて前記監視部位の所定の物理量を検出し、得られた物理量検出結果を出力する物理量検出手段と、
前記物理量検出手段から出力された物理量検出結果を時系列データとして受信する受信部と、
前記受信部で受信された前記時系列データから前記可動部に関連する部品の交換時期を判断し、前記交換時期に関する情報を出力する監視部と、
を備え、
前記監視部は、前記部品を交換する直前の期間に前記受信部で受信された前記時系列データからなる交換前データと、前記部品を交換した直後の期間に前記受信部で受信された前記時系列データからなる交換後データとにより部品交換前後の前記時系列データに基づく学習モデルを生成する学習部と、
前記監視対象機械の実稼動期間に前記受信部で受信された前記時系列データからなる実稼動データを、前記学習部で学習された前記学習モデルによって評価し、この評価結果に基づいて前記部品の交換時期に関する情報を出力する判定部と
を備え、
前記学習部は、前記交換前データと前記交換後データとを入力し、これらのデータから交換前と交換後とを分類する学習モデルを生成し、
前記判定部は、前記学習モデルに基づいて前記実稼動データを前記交換前と交換後とに分類し、交換前であることを示す分類結果の出現割合に基づいて前記部品の交換時期の到来を判断する
ことを特徴とする監視システム。 - 前記判定部は、前記交換前であることを示す分類結果の出現割合が所定期間中に所定のしきい値を超えたとき、又は交換前であることを示す前記分類結果が所定期間中に所定のしきい値を所定回数連続して超えたときに、前記部品の交換時期であると判断する
ことを特徴とする請求項１記載の監視システム。 - 可動部を有する監視対象機械の監視部位に取り付けられて前記監視部位の所定の物理量を検出し、得られた物理量検出結果を出力する物理量検出手段と、
前記物理量検出手段から出力された物理量検出結果を時系列データとして受信する受信部と、
前記受信部で受信された前記時系列データから前記可動部に関連する部品の交換時期を判断し、前記交換時期に関する情報を出力する監視部と、
を備え、
前記監視部は、前記部品を交換する直前の期間に前記受信部で受信された前記時系列データからなる交換前データと、前記部品を交換した直後の期間に前記受信部で受信された前記時系列データからなる交換後データとにより部品交換前後の前記時系列データに基づく学習モデルを生成する学習部と、
前記監視対象機械の実稼動期間に前記受信部で受信された前記時系列データからなる実稼動データを、前記学習部で学習された前記学習モデルによって評価し、この評価結果に基づいて前記部品の交換時期に関する情報を出力する判定部と
を備え、
前記学習部は、前記交換前データを学習して交換前データ学習モデルを生成すると共に、前記交換後データを学習して交換後データ学習モデルを生成し、
前記判定部は、前記交換前データ学習モデルに基づいて前記実稼動データの第１の誤差量を算出すると共に、前記交換後データ学習モデルに基づいて前記実稼動データの第２の誤差量を算出し、これら第１の誤差量及び第２の誤差量の所定期間の傾向に基づいて前記部品の交換時期の到来を判断する
ことを特徴とする監視システム。 - 可動部を有する監視対象機械の監視部位に取り付けられて前記監視部位の所定の物理量を検出し、得られた物理量検出結果を出力する物理量検出手段と、
前記物理量検出手段から出力された物理量検出結果を時系列データとして受信する受信部と、
前記受信部で受信された前記時系列データから前記可動部に関連する部品の交換時期を判断し、前記交換時期に関する情報を出力する監視部と、
を備え、
前記監視部は、前記部品を交換する直前の期間に前記受信部で受信された前記時系列データからなる交換前データと、前記部品を交換した直後の期間に前記受信部で受信された前記時系列データからなる交換後データとにより部品交換前後の前記時系列データに基づく学習モデルを生成する学習部と、
前記監視対象機械の実稼動期間に前記受信部で受信された前記時系列データからなる実稼動データを、前記学習部で学習された前記学習モデルによって評価し、この評価結果に基づいて前記部品の交換時期に関する情報を出力する判定部と
を備え、
前記学習部は、前記交換前データから第１の偏相関行列を生成すると共に、前記交換後データから第２の偏相関行列を生成し、
前記判定部は、前記実稼動データを第３の偏相関行列に変換し、前記第１の偏相関行列と前記第３の偏相関行列から第１の異常値スコアを算出すると共に、前記第２の偏相関行列と前記第３の偏相関行列から第２の異常値スコアを算出し、これら第１の異常値スコア及び第２の異常値スコアの所定期間の傾向に基づいて前記部品の交換時期の到来を判断する
ことを特徴とする監視システム。 - 前記物理量は加速度であり、
前記物理量検出手段は、前記監視部位に装着された加速度センサであり、
前記物理量検出結果は、加速度検出結果である
請求項１～４のいずれか１項記載の監視システム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020089378A JP7477365B2 (ja) | 2020-05-22 | 2020-05-22 | 監視システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020089378A JP7477365B2 (ja) | 2020-05-22 | 2020-05-22 | 監視システム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021183931A JP2021183931A (ja) | 2021-12-02 |
| JP7477365B2 true JP7477365B2 (ja) | 2024-05-01 |
Family
ID=78767285
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020089378A Active JP7477365B2 (ja) | 2020-05-22 | 2020-05-22 | 監視システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7477365B2 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102458080B1 (ko) * | 2022-03-11 | 2022-10-25 | (주)플루토솔루션 | 딥러닝 기반의 모터 이상감지 시스템 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005248817A (ja) | 2004-03-04 | 2005-09-15 | Hitachi Ltd | 状態監視システムおよび該システムを備えた車両 |
| JP2018120407A (ja) | 2017-01-25 | 2018-08-02 | Ntn株式会社 | 状態監視方法および状態監視装置 |
| JP2019096014A (ja) | 2017-11-22 | 2019-06-20 | 富士通株式会社 | 判定装置，判定プログラム，判定方法 |
| JP2019144174A (ja) | 2018-02-22 | 2019-08-29 | ファナック株式会社 | 故障診断装置及び機械学習装置 |
| JP2020042708A (ja) | 2018-09-13 | 2020-03-19 | いすゞ自動車株式会社 | モデル作成装置、モデル作成方法及びプログラム |
-
2020
- 2020-05-22 JP JP2020089378A patent/JP7477365B2/ja active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005248817A (ja) | 2004-03-04 | 2005-09-15 | Hitachi Ltd | 状態監視システムおよび該システムを備えた車両 |
| JP2018120407A (ja) | 2017-01-25 | 2018-08-02 | Ntn株式会社 | 状態監視方法および状態監視装置 |
| JP2019096014A (ja) | 2017-11-22 | 2019-06-20 | 富士通株式会社 | 判定装置，判定プログラム，判定方法 |
| JP2019144174A (ja) | 2018-02-22 | 2019-08-29 | ファナック株式会社 | 故障診断装置及び機械学習装置 |
| JP2020042708A (ja) | 2018-09-13 | 2020-03-19 | いすゞ自動車株式会社 | モデル作成装置、モデル作成方法及びプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021183931A (ja) | 2021-12-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107272586B (zh) | 机械学习装置、机械学习方法、故障预知装置及系统 | |
| CN107247230B (zh) | 一种基于支持向量机和数据驱动的旋转电机状态监测方法 | |
| CN107003663B (zh) | 具有活动部分的装置的监视 | |
| CN102156043B (zh) | 风力发电机组在线状态监测与故障诊断系统 | |
| CN108921303A (zh) | 工业电动机的故障诊断及预测性维护方法 | |
| CN105241680A (zh) | 一种基于概率密度函数的旋转机械健康状态评估方法 | |
| CN101241359A (zh) | 用来监视工业机器人的状况的方法和控制系统 | |
| CN108126987A (zh) | 一种高速线材轧机远程在线监测和智能诊断系统及方法 | |
| JP2004523735A (ja) | 器械を取り付けられた機器およびプロセスのための推論信号生成装置 | |
| EP2801880A2 (en) | Equipment monitoring system | |
| CN111922095A (zh) | 一种冷轧机轧辊扭振故障异常的振动诊断方法 | |
| JP7477365B2 (ja) | 監視システム | |
| CN105209995A (zh) | 监视系统及其诊断装置和监视终端 | |
| CN104808648A (zh) | 一种基于k近邻的批次过程在线实时监测方法 | |
| Ooi et al. | A parameter-free vibration analysis solution for legacy manufacturing machines’ operation tracking | |
| CN106406231A (zh) | 一种基于互联网的机床主轴智能在线监测及综合诊断系统 | |
| Daniyan et al. | Development of a diagnostic and prognostic tool for predictive maintenance in the railcar industry | |
| KR20210006832A (ko) | 기계고장 진단 방법 및 장치 | |
| CN111158992A (zh) | 一种基于互联网的计算机故障报警系统 | |
| Nguyen et al. | Ensemble based real-time adaptive classification system for intelligent sensing machine diagnostics | |
| KR102433483B1 (ko) | 진동 센서를 통한 설비 예지 보전 시스템 | |
| Bach-Andersen et al. | Scalable systems for early fault detection in wind turbines: a data driven approach | |
| Chen et al. | Energy consumption data based machine anomaly detection | |
| JP2012078142A (ja) | 動作異常検出装置、動作異常検出方法 | |
| CN105083301B (zh) | 一种轨道车辆风路工况监控系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200603 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200612 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200804 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230313 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231225 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240109 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240216 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240312 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240325 |
|
| 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: 20240402 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240418 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7477365 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |