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
[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。
[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。
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。
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。
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。
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。
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。
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。
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 |