JPH0793018A - 動作状態の診断方法及びシステム - Google Patents
動作状態の診断方法及びシステムInfo
- Publication number
- JPH0793018A JPH0793018A JP6143600A JP14360094A JPH0793018A JP H0793018 A JPH0793018 A JP H0793018A JP 6143600 A JP6143600 A JP 6143600A JP 14360094 A JP14360094 A JP 14360094A JP H0793018 A JPH0793018 A JP H0793018A
- Authority
- JP
- Japan
- Prior art keywords
- diagnostic
- vector
- neural network
- operating state
- physical
- 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.)
- Pending
Links
Classifications
-
- 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
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- 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
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24019—Computer assisted maintenance
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24075—Predict control element state changes, event changes
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
(57)【要約】
【目的】 機械の予知保全のための診断方法及びシステ
ムを提供する。 【構成】 システムは機械の動作状態を示す値を持つ物
理パラメータを持ち、一連のパラメータを監視し、パラ
メータに基づき一連のアナログあるいはデジタル原始デ
ータを取得するセンサ手段と、数学的関数により原始デ
ータからベクトルを生成する計算手段と、神経ネットワ
ークにおいてベクトルから機械の動作状態を診断する診
断手段と、を備える。
ムを提供する。 【構成】 システムは機械の動作状態を示す値を持つ物
理パラメータを持ち、一連のパラメータを監視し、パラ
メータに基づき一連のアナログあるいはデジタル原始デ
ータを取得するセンサ手段と、数学的関数により原始デ
ータからベクトルを生成する計算手段と、神経ネットワ
ークにおいてベクトルから機械の動作状態を診断する診
断手段と、を備える。
Description
【０００１】
【産業上の利用分野】本発明は、一般に機械の診断およ
び保全、特に機械の予知保全のための診断システムおよ
び方法に関する。
び保全、特に機械の予知保全のための診断システムおよ
び方法に関する。
【０００２】
【従来の技術】現在、どんなに完全に機械を設計あるい
は構築しても、動作中にある日突然故障することは避け
られないとされている。
は構築しても、動作中にある日突然故障することは避け
られないとされている。
【０００３】また、今日の経済的環境ではどんなビジネ
スも機械が使用不可能になっても良い程の余裕はなく、
このような突然の故障をなくすことが望ましい。特に製
造ラインでの設備ツールの場合、この必要性が大いにあ
る。
スも機械が使用不可能になっても良い程の余裕はなく、
このような突然の故障をなくすことが望ましい。特に製
造ラインでの設備ツールの場合、この必要性が大いにあ
る。
【０００４】機械自身の品質を向上させることに加え
て、機械の可用性を改良しようとするいくつかの方法が
今まで試みられた。
て、機械の可用性を改良しようとするいくつかの方法が
今まで試みられた。
【０００５】このような方法のうち最も古いものは、機
械や設備が故障すると不良部分を識別し取り換えるもの
であった。この方法では故障は予知できず、故障の際の
経済的負担が最少であるか、あるいは不良備品を非常に
速く取り換えることができる時のみ有用であるが、この
ような状況はいつも望めるものではない。
械や設備が故障すると不良部分を識別し取り換えるもの
であった。この方法では故障は予知できず、故障の際の
経済的負担が最少であるか、あるいは不良備品を非常に
速く取り換えることができる時のみ有用であるが、この
ような状況はいつも望めるものではない。
【０００６】他には、近い将来における故障の見込みを
評価して、機械または大型のアセンブリの一定の部品を
故障する前に取り換えるという方法がある。このような
評価を正確にくだすのは難しいので、保守要員は必要以
上に早く部品を取り換える傾向がある。したがってこの
方法によると、機械のダウン時間が長くなり、修繕費が
かかることになる。この方法は、潜在的な機械の故障の
損害が付加的ダウン時間あるいは部品の費用より大きい
場合のみ適用するべきである。
評価して、機械または大型のアセンブリの一定の部品を
故障する前に取り換えるという方法がある。このような
評価を正確にくだすのは難しいので、保守要員は必要以
上に早く部品を取り換える傾向がある。したがってこの
方法によると、機械のダウン時間が長くなり、修繕費が
かかることになる。この方法は、潜在的な機械の故障の
損害が付加的ダウン時間あるいは部品の費用より大きい
場合のみ適用するべきである。
【０００７】予知保全と呼ばれる第３の既知の方法によ
ると、システムのパラメータを専門家が分析し、近い将
来におけるシステムの部品の故障を予知する。しかし、
監視されたパタメータを表すデータを得るのに必要な時
間や、さらに、専門家の能力の限界のために、予知は遅
れたり外れたりすることがある。
ると、システムのパラメータを専門家が分析し、近い将
来におけるシステムの部品の故障を予知する。しかし、
監視されたパタメータを表すデータを得るのに必要な時
間や、さらに、専門家の能力の限界のために、予知は遅
れたり外れたりすることがある。
【０００８】したがって、既知の型の予知保全は、時間
がたつにつれすぐ変化し、監視し翻訳する必要がある多
数のパラメータを持つシステムには適していない。
がたつにつれすぐ変化し、監視し翻訳する必要がある多
数のパラメータを持つシステムには適していない。
【０００９】人間の専門家の代わりに使用される「エキ
スパート・システム」が、上述の欠点を解決しようとし
たが、これらは線形アルゴリズムに基づいていて、誤動
作のために突然動かなくなる機械の問題の安全な解決策
を常に提供することはできなかった。
スパート・システム」が、上述の欠点を解決しようとし
たが、これらは線形アルゴリズムに基づいていて、誤動
作のために突然動かなくなる機械の問題の安全な解決策
を常に提供することはできなかった。
【００１０】
【発明が解決しようとする課題】本発明の目的は、機械
の突然の故障を防ぐための、機械の診断および予知保全
方法を提供することである。
の突然の故障を防ぐための、機械の診断および予知保全
方法を提供することである。
【００１１】本発明の他の目的は、上述の方法を実行す
るためのシステム、特に、機械の動作性能を常に監視
し、その動作性能に基づいて熟練技術者あるいは専門家
と等しいかあるいはそれを上回る正確さで素早く決定を
下すことができるシステムを提供することである。
るためのシステム、特に、機械の動作性能を常に監視
し、その動作性能に基づいて熟練技術者あるいは専門家
と等しいかあるいはそれを上回る正確さで素早く決定を
下すことができるシステムを提供することである。
【００１２】本発明の更なる目的は、監視されている機
械からの慎重に選択された信号をオンラインで非線形的
に処理し、機械の動作性能を分析し、分析の結果を非線
形的に組み合わせて機械の動作状態を大域的に診断し、
機械の的確な保守停止およびタイミングを決めるシステ
ムを提供することである。
械からの慎重に選択された信号をオンラインで非線形的
に処理し、機械の動作性能を分析し、分析の結果を非線
形的に組み合わせて機械の動作状態を大域的に診断し、
機械の的確な保守停止およびタイミングを決めるシステ
ムを提供することである。
【００１３】本発明のなお一層の目的は、これまでの動
作の間には起こらなかった新しい事象を常に学習するこ
とができるシステムを提供することである。
作の間には起こらなかった新しい事象を常に学習するこ
とができるシステムを提供することである。
【００１４】
【課題を解決するための手段】上述の目的は、以下の方
法およびシステムによって達成することができる。
法およびシステムによって達成することができる。
【００１５】本発明の方法は、システムの動作状態につ
いての情報を含む値を持つ少なくとも１つの物理パラメ
ータを持つ物理システムの動作状態を診断するための方
法であって、以下のステップを含む。 ａ）上記物理パラメータの各々に、上記物理システムの
動作状態を表す１組の数学的関数を適用する。 ｂ）上記数学的関数の値の１組のクラスを決定する。各
クラスは、上記物理システムのあらかじめ決められた動
作状態（例えば、良、不良、未定義）に対応する。 ｃ）学習モードにおいて、上記値の１組のクラスを診断
システムのメモリに記憶し、診断システムは上記値のク
ラスと動作状態の対応を学習する。 ｄ）監視モードにおいて、周期的に物理パラメータの１
組の原始データを得、該原始データに基づき上記数学的
関数のベクトル値を計算し、該ベクトル値を予知保全シ
ステムに入力する。予知保全システムは上記クラスに従
ってベクトル値を分類して物理システムの現在の動作状
態の診断を生成し、出力メッセージとして出力する。
いての情報を含む値を持つ少なくとも１つの物理パラメ
ータを持つ物理システムの動作状態を診断するための方
法であって、以下のステップを含む。 ａ）上記物理パラメータの各々に、上記物理システムの
動作状態を表す１組の数学的関数を適用する。 ｂ）上記数学的関数の値の１組のクラスを決定する。各
クラスは、上記物理システムのあらかじめ決められた動
作状態（例えば、良、不良、未定義）に対応する。 ｃ）学習モードにおいて、上記値の１組のクラスを診断
システムのメモリに記憶し、診断システムは上記値のク
ラスと動作状態の対応を学習する。 ｄ）監視モードにおいて、周期的に物理パラメータの１
組の原始データを得、該原始データに基づき上記数学的
関数のベクトル値を計算し、該ベクトル値を予知保全シ
ステムに入力する。予知保全システムは上記クラスに従
ってベクトル値を分類して物理システムの現在の動作状
態の診断を生成し、出力メッセージとして出力する。
【００１６】本発明による方法の付加的特徴は以下のよ
うなものである。 ○上記診断に基づく警告メッセージを表示するステップ
を含む。このメッセージは、物理システムの保全動作を
予定するために使用される。 ○上記１組の数学的関数が、上記１組の原始データの最
大および最少値を計算する関数を含み、該最大および最
少値は診断システムが使用するベクトル値を計算するた
めに使用される。 ○上記１組の数学的関数が、原始データを表すアナログ
信号を標本化する関数を含み、標本は診断システムが使
用するベクトル値を計算するために使用される。 ○上記１組の数学的関数が、原始データの高速フーリエ
変換（FFT）を計算する関数を含み、FFTの係数は診断シ
ステムが使用するベクトル値を計算するために使用され
る。 ○各上記ベクトルが、それぞれ１６、７２および７２個
の値を含む。 ○上記診断システムが、出力メッセージ・クラスと入力
ベクトル値の対応を学習した神経ネットワークを含む。
上記ベクトル値は上記神経ネットワークの使用可能な入
力範囲に従って計算され入力され、上記神経ネットワー
クは、ベクトル値から物理システムの動作状態（良、不
良、未定義）を表す出力メッセージを生成する。 ○監視モードにおいて、上記診断システムはベクトルを
分類することができない場合警告メッセージを生成し、
物理システムの動作状態の分類を手動で入力できるよう
にユーザにプロンプトを出す。上記診断システムは手動
による分類を知識ベースに記憶する。
うなものである。 ○上記診断に基づく警告メッセージを表示するステップ
を含む。このメッセージは、物理システムの保全動作を
予定するために使用される。 ○上記１組の数学的関数が、上記１組の原始データの最
大および最少値を計算する関数を含み、該最大および最
少値は診断システムが使用するベクトル値を計算するた
めに使用される。 ○上記１組の数学的関数が、原始データを表すアナログ
信号を標本化する関数を含み、標本は診断システムが使
用するベクトル値を計算するために使用される。 ○上記１組の数学的関数が、原始データの高速フーリエ
変換（FFT）を計算する関数を含み、FFTの係数は診断シ
ステムが使用するベクトル値を計算するために使用され
る。 ○各上記ベクトルが、それぞれ１６、７２および７２個
の値を含む。 ○上記診断システムが、出力メッセージ・クラスと入力
ベクトル値の対応を学習した神経ネットワークを含む。
上記ベクトル値は上記神経ネットワークの使用可能な入
力範囲に従って計算され入力され、上記神経ネットワー
クは、ベクトル値から物理システムの動作状態（良、不
良、未定義）を表す出力メッセージを生成する。 ○監視モードにおいて、上記診断システムはベクトルを
分類することができない場合警告メッセージを生成し、
物理システムの動作状態の分類を手動で入力できるよう
にユーザにプロンプトを出す。上記診断システムは手動
による分類を知識ベースに記憶する。
【００１７】本発明による、システムの動作状態につい
ての情報を含む値を持つ少なくとも１つの物理的パラメ
ータを持つ物理システムの動作状態を診断するための診
断システムは、以下の手段を含むことを特徴とする。 ａ）上記物理システムの動作を表す１組のパラメータを
監視するためのセンサ手段。該手段は、上記物理パラメ
ータに基づき１組のアナログあるいはデジタル原始デー
タを得るための取得手段と結合している。 ｂ）上記アナログあるいはデジタル値が供給され、少な
くとも１つの数学的関数が実行される、計算手段。この
手段により処理された原始データを表す少なくとも１つ
のベクトル値が生成される。 ｃ）上記ベクトル値を使用して機械の動作状態を診断す
る、診断手段。
ての情報を含む値を持つ少なくとも１つの物理的パラメ
ータを持つ物理システムの動作状態を診断するための診
断システムは、以下の手段を含むことを特徴とする。 ａ）上記物理システムの動作を表す１組のパラメータを
監視するためのセンサ手段。該手段は、上記物理パラメ
ータに基づき１組のアナログあるいはデジタル原始デー
タを得るための取得手段と結合している。 ｂ）上記アナログあるいはデジタル値が供給され、少な
くとも１つの数学的関数が実行される、計算手段。この
手段により処理された原始データを表す少なくとも１つ
のベクトル値が生成される。 ｃ）上記ベクトル値を使用して機械の動作状態を診断す
る、診断手段。
【００１８】本発明によるシステムの付加的特徴には以
下のものがある。 ○上記診断手段が、少なくとも１つの神経ネットワーク
・ソフトウェアを含む。該神経ネットワークは入力され
た上記ベクトルを処理し、監視されている物理システム
の動作状態の診断を示す出力メッセージを分類し生成す
る。 ○上記神経ネットワークが、限定クーロン・エネルギー
型である。 ○上記計算手段が、データバスに接続する取得カード、
中央処理装置、および神経ネットワーク・ソフトウェア
が動くメモリを備えるパーソナル・コンピュータ・シス
テムを含む。 ○システムはさらに、上記中央処理装置に接続し、ユー
ザとシステムとの対話を提供し、神経ネットワーク・ソ
フトウェアが出力する診断を表示する表示手段を含む。
下のものがある。 ○上記診断手段が、少なくとも１つの神経ネットワーク
・ソフトウェアを含む。該神経ネットワークは入力され
た上記ベクトルを処理し、監視されている物理システム
の動作状態の診断を示す出力メッセージを分類し生成す
る。 ○上記神経ネットワークが、限定クーロン・エネルギー
型である。 ○上記計算手段が、データバスに接続する取得カード、
中央処理装置、および神経ネットワーク・ソフトウェア
が動くメモリを備えるパーソナル・コンピュータ・シス
テムを含む。 ○システムはさらに、上記中央処理装置に接続し、ユー
ザとシステムとの対話を提供し、神経ネットワーク・ソ
フトウェアが出力する診断を表示する表示手段を含む。
【００１９】
【実施例】図１は、本発明による診断および予知保全方
法の主な段階を図示している。
法の主な段階を図示している。
【００２０】まず最初に、この方法を実行するためのシ
ステムを、診断する機械および処理の特性に従って初期
化し構成する必要がある。システムの初期化は、機械部
品と診断システムを接続するセンサの数の入力と保存、
および、診断する機械または処理の多様な部品への多数
のセンサの割り付け（図２）を意味する。
ステムを、診断する機械および処理の特性に従って初期
化し構成する必要がある。システムの初期化は、機械部
品と診断システムを接続するセンサの数の入力と保存、
および、診断する機械または処理の多様な部品への多数
のセンサの割り付け（図２）を意味する。
【００２１】さらに、専用のユーザ・アプリケーション
・プログラムが各センサから得る値の数および、デジタ
ル／アナログ信号の形式を指定しなければならない。こ
のような取得プログラムは既知のものである。また、各
ベクトル値を分類しなければならないので、診断クラス
を定義する必要があり、これらのクラスに対するラベル
を診断システム・メモリ、つまり神経ネットワーク・メ
モリに記憶する必要がある。このラベルは、物理システ
ムの複雑さや神経ネットワークの解像度つまり入力ベク
トルに基づく異なる出力を識別する能力によって、
「良」、「不良」、「未定義」、「要素Xがまもなく故
障する」、などのラベルを含む。
・プログラムが各センサから得る値の数および、デジタ
ル／アナログ信号の形式を指定しなければならない。こ
のような取得プログラムは既知のものである。また、各
ベクトル値を分類しなければならないので、診断クラス
を定義する必要があり、これらのクラスに対するラベル
を診断システム・メモリ、つまり神経ネットワーク・メ
モリに記憶する必要がある。このラベルは、物理システ
ムの複雑さや神経ネットワークの解像度つまり入力ベク
トルに基づく異なる出力を識別する能力によって、
「良」、「不良」、「未定義」、「要素Xがまもなく故
障する」、などのラベルを含む。
【００２２】もちろん、クラスは使用毎にカスタマイズ
することができ、特定の物理システムあるいは特定の型
の機械を診断するために保存することができる。
することができ、特定の物理システムあるいは特定の型
の機械を診断するために保存することができる。
【００２３】以降の段階つまり訓練段階において、神経
ネットワークは、専門家が例えば「良」あるいは「故
障」のような複数の機械状態にわたって分類したベクト
ルを与えられる。神経ネットワークは、図６の流れ図に
示されるように、提供された少数あるいは多数の例で知
識を構築する。
ネットワークは、専門家が例えば「良」あるいは「故
障」のような複数の機械状態にわたって分類したベクト
ルを与えられる。神経ネットワークは、図６の流れ図に
示されるように、提供された少数あるいは多数の例で知
識を構築する。
【００２４】図６は訓練データ・ファイル２０から始ま
り、２１に示されるように、このデータに対応する曲線
がコンピュータ・システム上に表示される。専門家は曲
線に基づき、専門的知識によりデータを「良」または
「不良」カテゴリに分類する（２２）。カスタム・クラ
スが「良」「不良」とラベル付けされていない場合、カ
スタム・ラベルと異なる分類を行うための手段が提供さ
れる（２３）。ループ２４、２５の各々において、診断
される機械に関連するすべてのセンサが同様に分類され
る。続いて２６で、高レベルの特徴が、各処理あるいは
機械の部品のすべてのセンサ、およびすべての処理のた
めに、分類されたデータから抽出される。２７で、神経
ネットワークが訓練される神経ネットワーク・メモリ
に、高レベルの特徴に対応するベクトル値が保存され
る。
り、２１に示されるように、このデータに対応する曲線
がコンピュータ・システム上に表示される。専門家は曲
線に基づき、専門的知識によりデータを「良」または
「不良」カテゴリに分類する（２２）。カスタム・クラ
スが「良」「不良」とラベル付けされていない場合、カ
スタム・ラベルと異なる分類を行うための手段が提供さ
れる（２３）。ループ２４、２５の各々において、診断
される機械に関連するすべてのセンサが同様に分類され
る。続いて２６で、高レベルの特徴が、各処理あるいは
機械の部品のすべてのセンサ、およびすべての処理のた
めに、分類されたデータから抽出される。２７で、神経
ネットワークが訓練される神経ネットワーク・メモリ
に、高レベルの特徴に対応するベクトル値が保存され
る。
【００２５】未知の型のベクトルが入力された場合、RC
E（Restricted Coulomb Energy 限定クーロン・エネル
ギー）神経ネットワークは、未定義であるという出力を
生成し、警告信号を発生することもある。これにより、
専門家はこの時点で機械の状態を診断する機会を与えら
れる。この事象に対応する分類が神経ネットワーク・メ
モリに保存され、知識ベースを増やす。その後同様のベ
クトルが入力された場合、専門家が行ったのと同じ様に
診断システムによって分類することができる。
E（Restricted Coulomb Energy 限定クーロン・エネル
ギー）神経ネットワークは、未定義であるという出力を
生成し、警告信号を発生することもある。これにより、
専門家はこの時点で機械の状態を診断する機会を与えら
れる。この事象に対応する分類が神経ネットワーク・メ
モリに保存され、知識ベースを増やす。その後同様のベ
クトルが入力された場合、専門家が行ったのと同じ様に
診断システムによって分類することができる。
【００２６】１度訓練されると、（いくつかの神経ネッ
トワークを含むこともある）システムは、診断または監
視モードに入り、必要ならば何百もの取得した信号の特
性に基づく非線形分類を実行することができる。
トワークを含むこともある）システムは、診断または監
視モードに入り、必要ならば何百もの取得した信号の特
性に基づく非線形分類を実行することができる。
【００２７】監視段階（図１の第１段階）の最初のステ
ップにおいて、診断システムは「聴診器」のように作用
する。つまりシステムは、予知保全方法が適用される機
械あるいは機械上で使用可能な適切なデータの取得を開
始する。適切なデータとは、物理パラメータにより監視
することができ、それにより専門家が機械の将来の状態
（つまり故障が起こり得ること、あるいは反対に、満足
な動作が継続すること）を予知することができるデータ
である。得られたデータは、以降のコンピュータ処理で
使用することができるデータ・ファイルを作るために使
用される。
ップにおいて、診断システムは「聴診器」のように作用
する。つまりシステムは、予知保全方法が適用される機
械あるいは機械上で使用可能な適切なデータの取得を開
始する。適切なデータとは、物理パラメータにより監視
することができ、それにより専門家が機械の将来の状態
（つまり故障が起こり得ること、あるいは反対に、満足
な動作が継続すること）を予知することができるデータ
である。得られたデータは、以降のコンピュータ処理で
使用することができるデータ・ファイルを作るために使
用される。
【００２８】本発明による方法は、機械または処理の特
定の型のパラメータに制限されず、機械の状態と関係が
ある限りどんなパラメータを使用しても実行することが
できることに注意されたい。
定の型のパラメータに制限されず、機械の状態と関係が
ある限りどんなパラメータを使用しても実行することが
できることに注意されたい。
【００２９】したがって、この方法は機械および物理的
反復処理のどんな型にでも適用でき、使用するパラメー
タは、その機械または処理に関する技術に熟練した技術
者が容易に決定することができる。
反復処理のどんな型にでも適用でき、使用するパラメー
タは、その機械または処理に関する技術に熟練した技術
者が容易に決定することができる。
【００３０】したがって、本方法のステップ１で得られ
るデータのための物理パラメータは、温度、圧力、振動
レベル、加速度、放射量、及び予知保全方法が適用され
る機械やシステムの部品に存在する他のパラメータを含
み、これらに制限されない。
るデータのための物理パラメータは、温度、圧力、振動
レベル、加速度、放射量、及び予知保全方法が適用され
る機械やシステムの部品に存在する他のパラメータを含
み、これらに制限されない。
【００３１】監視モードにおける予知保全方法の第２の
ステップ（図１の第２段階）により、ステップ１で抽出
された原始データは、監視されている機械の動作状態に
さらに関係する特性または高レベルの特徴、あるいは動
作状態を予知することができる特徴の相関関係を抽出す
るために分析される。
ステップ（図１の第２段階）により、ステップ１で抽出
された原始データは、監視されている機械の動作状態に
さらに関係する特性または高レベルの特徴、あるいは動
作状態を予知することができる特徴の相関関係を抽出す
るために分析される。
【００３２】これらの特徴は、後に詳述するが、原始デ
ータを１つまたは複数の数学的関数で処理することによ
って得られる。特定の物理システムに使用するのに最も
適した関数の組合せは、この物理システムがどのように
動くかを熟知した専門家によって選択される。
ータを１つまたは複数の数学的関数で処理することによ
って得られる。特定の物理システムに使用するのに最も
適した関数の組合せは、この物理システムがどのように
動くかを熟知した専門家によって選択される。
【００３３】特徴抽出段階において、何百もの数学的関
数が論理的には使用可能であるが、本発明の実施例にお
いて使用される３つの関数についてここで述べる。ただ
し、本発明で使用される関数はこれらに限定されるもの
ではない。これらの関数は、最大値／最少値、曲線の標
本化、高速フーリエ変換（FFT）、である。
数が論理的には使用可能であるが、本発明の実施例にお
いて使用される３つの関数についてここで述べる。ただ
し、本発明で使用される関数はこれらに限定されるもの
ではない。これらの関数は、最大値／最少値、曲線の標
本化、高速フーリエ変換（FFT）、である。
【００３４】ここに、取得ステップの間に得られたデー
タ・ファイルから高レベルの特徴を抽出するための関数
の使用例を示す。
タ・ファイルから高レベルの特徴を抽出するための関数
の使用例を示す。
【００３５】例えば、ロボット・アームの動作状態を監
視する場合、専門家は、診断および予知保全のために重
要なパラメータの１つはアームにかかる瞬間の加速度で
あると決定する。
視する場合、専門家は、診断および予知保全のために重
要なパラメータの１つはアームにかかる瞬間の加速度で
あると決定する。
【００３６】図３で、取得された加速信号が時間関数と
して示される。
して示される。
【００３７】図３において、３つの異なる数学的関数を
使用して、時間関数としての加速信号の３つの異なる特
徴の合計が抽出される。これにより、初期の原始データ
の抽出された特徴に対応する値の３つ異なるベクトル
６、７、８が生成される。
使用して、時間関数としての加速信号の３つの異なる特
徴の合計が抽出される。これにより、初期の原始データ
の抽出された特徴に対応する値の３つ異なるベクトル
６、７、８が生成される。
【００３８】第１のベクトル６は、連続する一定の時間
間隔における加速度の最少および最大値を含む。
間隔における加速度の最少および最大値を含む。
【００３９】本発明の１つの実施例において、ベクトル
６は、神経ネットワークがバイトを使用する場合、各々
が例えば８ビットのワードにコード化されている１６個
の値を含む。１６個の値は、神経ネットワーク４に入力
される。同様に、１つの実施例において、第２のベクト
ル７は加速パラメータに対する無作為の標本７２個を含
む。第３のベクトル８は、コンピュータ３によって加速
度に対する時間曲線上の１０００個のデータ・ポイント
に適用されたFFTの７２個の最初の係数の値を含む。
６は、神経ネットワークがバイトを使用する場合、各々
が例えば８ビットのワードにコード化されている１６個
の値を含む。１６個の値は、神経ネットワーク４に入力
される。同様に、１つの実施例において、第２のベクト
ル７は加速パラメータに対する無作為の標本７２個を含
む。第３のベクトル８は、コンピュータ３によって加速
度に対する時間曲線上の１０００個のデータ・ポイント
に適用されたFFTの７２個の最初の係数の値を含む。
【００４０】上述の例は、決して本発明に使用される関
数を制限するものではなく、この分野の技術者は、シス
テムおよびそれに付随する処理を監視するためのパラメ
ータに基づき、何百もの数学的関数を決定することがで
きる。
数を制限するものではなく、この分野の技術者は、シス
テムおよびそれに付随する処理を監視するためのパラメ
ータに基づき、何百もの数学的関数を決定することがで
きる。
【００４１】予知保全の分野における有用な関数の他の
例として、検知パラメータから得られたデータの標本抽
出またはフィルタリング、あるいはこのデータに基づく
計算統計がある。
例として、検知パラメータから得られたデータの標本抽
出またはフィルタリング、あるいはこのデータに基づく
計算統計がある。
【００４２】抽出関数は、診断システムのユーザに関連
するインタフェース・プログラムを使用して選択され
る。このようなプログラムは、ユーザに連続して画面を
表示し、特定の関数を選択するよう（例えば画面メニュ
ーを通して）ユーザにプロンプトを出すように容易に構
成することができる。
するインタフェース・プログラムを使用して選択され
る。このようなプログラムは、ユーザに連続して画面を
表示し、特定の関数を選択するよう（例えば画面メニュ
ーを通して）ユーザにプロンプトを出すように容易に構
成することができる。
【００４３】図５は、複数の数学的関数の選択がどのよ
うに行われるかを示している。１０において、システム
は取得ステップ（図１）の後、使用可能なデータ・ファ
イルを検索する。１１において、データは神経ネットワ
ークの入力範囲に合うように拡大されるかあるいは大き
さを整えられる。ベクトル値が大きすぎたり小さすぎた
りすると、神経ネットワークによるベクトルの非線形組
合せによる正しい相対的重みが得られないからである。
１２において、ユーザが選択を要請される。１３におい
てユーザは、取得データ・ファイルに適用するために４
個の異なる標本関数から１個を選択をするよう要求され
る。同様に１４において、ユーザは２個の異なるFFT関
数の間での選択を要求される。
うに行われるかを示している。１０において、システム
は取得ステップ（図１）の後、使用可能なデータ・ファ
イルを検索する。１１において、データは神経ネットワ
ークの入力範囲に合うように拡大されるかあるいは大き
さを整えられる。ベクトル値が大きすぎたり小さすぎた
りすると、神経ネットワークによるベクトルの非線形組
合せによる正しい相対的重みが得られないからである。
１２において、ユーザが選択を要請される。１３におい
てユーザは、取得データ・ファイルに適用するために４
個の異なる標本関数から１個を選択をするよう要求され
る。同様に１４において、ユーザは２個の異なるFFT関
数の間での選択を要求される。
【００４４】これらの選択に基づき、選ばれた関数が取
得データ・ファイルを処理するのに使用され、それによ
り、センサによって検知された信号を表す一連のベクト
ル値を含む特徴ファイルが生成される。
得データ・ファイルを処理するのに使用され、それによ
り、センサによって検知された信号を表す一連のベクト
ル値を含む特徴ファイルが生成される。
【００４５】この処理の結果、与えられた時間あるいは
一定の時間単位における機械の状態を表す値の（図３に
示されるような）少なくとも１つのベクトルが得られ
る。
一定の時間単位における機械の状態を表す値の（図３に
示されるような）少なくとも１つのベクトルが得られ
る。
【００４６】もちろん、上記特徴を表すベクトルは、機
械状態を連続して監視できるようにより頻繁に生成する
ことができ、この分野の技術者はこの頻度を容易に決定
することができる。
械状態を連続して監視できるようにより頻繁に生成する
ことができ、この分野の技術者はこの頻度を容易に決定
することができる。
【００４７】本発明の方法の第３のステップ（図１の第
３段階）において、特徴ファイルのベクトルは、好まし
くは神経ネットワーク４の形をとる診断システムの入力
層に入力される。
３段階）において、特徴ファイルのベクトルは、好まし
くは神経ネットワーク４の形をとる診断システムの入力
層に入力される。
【００４８】神経ネットワークは、特徴ファイルのベク
トルに基づいて機械状態を診断する。
トルに基づいて機械状態を診断する。
【００４９】神経ネットワークは、人間の脳細胞（神経
単位）の機能および生理学にならって作られた情報処理
構造である。
単位）の機能および生理学にならって作られた情報処理
構造である。
【００５０】診断は、専門家が理解することができる形
で、例えばコンピュータ・ディスプレイ上に表示される
メッセージの形で、出力される。典型的出力メッセージ
は、使用されている神経ネットワークの型および、保存
された出力あるいはメッセージのクラスに依存する。
で、例えばコンピュータ・ディスプレイ上に表示される
メッセージの形で、出力される。典型的出力メッセージ
は、使用されている神経ネットワークの型および、保存
された出力あるいはメッセージのクラスに依存する。
【００５１】「分類子」またはRCE型の神経ネットワー
クが使用される場合、出力は「良」、「不良」あるいは
これに類似した形のメッセージである。これは、入力さ
れたベクトルが監視されている機械またはツールの通常
（良）または異常（不良）な動作状態に対応するベクト
ルに似ていると、分類子が翻訳することを意味する。
クが使用される場合、出力は「良」、「不良」あるいは
これに類似した形のメッセージである。これは、入力さ
れたベクトルが監視されている機械またはツールの通常
（良）または異常（不良）な動作状態に対応するベクト
ルに似ていると、分類子が翻訳することを意味する。
【００５２】もちろん、神経ネットワーク理論に従っ
て、これらの種類の出力は監視モードにおいてのみ生成
することができ、神経ネットワークが入力ベクトルに関
して「良」および「不良」が何を意味するかを既に学習
していることを前提とする。図１および図６に関して説
明されるように、このような学習は、システムの使用に
先立つ監督モードにおける訓練段階において実行され
る。
て、これらの種類の出力は監視モードにおいてのみ生成
することができ、神経ネットワークが入力ベクトルに関
して「良」および「不良」が何を意味するかを既に学習
していることを前提とする。図１および図６に関して説
明されるように、このような学習は、システムの使用に
先立つ監督モードにおける訓練段階において実行され
る。
【００５３】本発明による診断方法およびシステムの１
つの実施例において、ネストール学習システム（NESTOR
LEARNING SYSTEMS NLSはネストール社の登録商標であ
る）による神経ネットワーク・ソフトウェアが使用され
る。しかし、他の同様の神経ネットワークを使用するこ
ともできる。
つの実施例において、ネストール学習システム（NESTOR
LEARNING SYSTEMS NLSはネストール社の登録商標であ
る）による神経ネットワーク・ソフトウェアが使用され
る。しかし、他の同様の神経ネットワークを使用するこ
ともできる。
【００５４】NLSによる神経ネットワークは、分類子型
の汎用神経ネットワークである。この神経ネットワーク
は、パターン認識問題を解決するために脳の生物学的処
理を模倣している。脳の生物学的処理は、非常に複雑な
パターン分類問題を容易に解決し、これらの解決を独立
して展開し、いくつかの処理要素が壊れても耐えられる
という機能を持つ。
の汎用神経ネットワークである。この神経ネットワーク
は、パターン認識問題を解決するために脳の生物学的処
理を模倣している。脳の生物学的処理は、非常に複雑な
パターン分類問題を容易に解決し、これらの解決を独立
して展開し、いくつかの処理要素が壊れても耐えられる
という機能を持つ。
【００５５】したがってこの機能は、ユーザ固有のアプ
リケーション・ソフトウェアが利用できるように、NLS
によってコンピュータ上のパターン認識解決に転換され
る。
リケーション・ソフトウェアが利用できるように、NLS
によってコンピュータ上のパターン認識解決に転換され
る。
【００５６】ネストール社のNLSは主に、パターンを認
識し分類するために使用される。NLSは、経験から解決
策を組織することを学び、雑音およびランダム・データ
に耐えられるように一般化することによって、この機能
を達成する。簡単に述べると、このような神経ネットワ
ークは、ネットワークの機械構成にそってパターン・ク
ラスを学びメモリにこの知識を保存する多数の相互に接
続した処理要素からなる、情報処理システムである。シ
ステムは、訓練に使用されたパターンの特徴と新しいパ
ターンの特徴を比較することによって、認識できるカテ
ゴリに入力パターンを分類する認識装置を持つ。訓練と
は、分類されたパターンをネットワークに提示すること
である。
識し分類するために使用される。NLSは、経験から解決
策を組織することを学び、雑音およびランダム・データ
に耐えられるように一般化することによって、この機能
を達成する。簡単に述べると、このような神経ネットワ
ークは、ネットワークの機械構成にそってパターン・ク
ラスを学びメモリにこの知識を保存する多数の相互に接
続した処理要素からなる、情報処理システムである。シ
ステムは、訓練に使用されたパターンの特徴と新しいパ
ターンの特徴を比較することによって、認識できるカテ
ゴリに入力パターンを分類する認識装置を持つ。訓練と
は、分類されたパターンをネットワークに提示すること
である。
【００５７】本発明の仕様のために、「パターン」は、
センサ２からの入力や、上述のようにコンピュータ３を
使用して入力の収集を数学的に処理して得られたベクト
ルのような、測定可能な入力の収集として理解された
い。
センサ２からの入力や、上述のようにコンピュータ３を
使用して入力の収集を数学的に処理して得られたベクト
ルのような、測定可能な入力の収集として理解された
い。
【００５８】したがって「パターン認識」は、測定可能
な入力の特定のセットとクラス・ラベル、例えば本発明
による「良」、「不良」、あるいは「機械yの要素xを置
き換える必要あり」、を関連付ける処理として理解され
る。
な入力の特定のセットとクラス・ラベル、例えば本発明
による「良」、「不良」、あるいは「機械yの要素xを置
き換える必要あり」、を関連付ける処理として理解され
る。
【００５９】入力のセットは個々に測定される必要はな
いが、一時的なパターン、すなわち、図３の加速度パラ
メータのように特定の時間間隔において同じ入力源をく
り返し測定したものであることもある。
いが、一時的なパターン、すなわち、図３の加速度パラ
メータのように特定の時間間隔において同じ入力源をく
り返し測定したものであることもある。
【００６０】「特徴」は、パターンの計算された最大／
最少値、その標本化あるいは高速フーリエ変換のよう
な、パターンの測定可能なあるいは計算可能な特性を表
わす。「特徴ベクトル」は、パターンを完全に記述する
特徴の収集である。したがって、測定可能であり数値の
セットとして表すことができる特性や性質を持つどんな
パターンも、NLSにより分類することができる。しか
し、システムの認識機能は、選択された特徴セットの品
質に直接関係する。選択された特徴セットは、NLSが、
似ているが違うクラスを見分け、入力パターンが同じク
ラスに属する範囲にあると識別することができるよう
に、入力パターンについての重大な情報を十分に含んで
いなければならない。
最少値、その標本化あるいは高速フーリエ変換のよう
な、パターンの測定可能なあるいは計算可能な特性を表
わす。「特徴ベクトル」は、パターンを完全に記述する
特徴の収集である。したがって、測定可能であり数値の
セットとして表すことができる特性や性質を持つどんな
パターンも、NLSにより分類することができる。しか
し、システムの認識機能は、選択された特徴セットの品
質に直接関係する。選択された特徴セットは、NLSが、
似ているが違うクラスを見分け、入力パターンが同じク
ラスに属する範囲にあると識別することができるよう
に、入力パターンについての重大な情報を十分に含んで
いなければならない。
【００６１】「特徴抽出」は、パターンを完全に記述す
る特徴値の応用である。というのは、原始パターン自身
が原則として直接NLSに提示される可能性があるとして
も、本発明の１つの特徴である、監視されている機械の
動作状態のクラスを真に識別する特徴を抽出することに
より、非常に有効なシステムを得ることができるからで
ある。
る特徴値の応用である。というのは、原始パターン自身
が原則として直接NLSに提示される可能性があるとして
も、本発明の１つの特徴である、監視されている機械の
動作状態のクラスを真に識別する特徴を抽出することに
より、非常に有効なシステムを得ることができるからで
ある。
【００６２】神経ネットワークに関する情報は、以下の
文献に参照することができる。
文献に参照することができる。
【００６３】ネストール社のアール・リメイその他によ
る「学習システムを使用するリアルタイム３次元目的物
分類」、SPIE第７２６巻、知能ロボットおよび計算機視
覚、１９８６年。ネストール社のディー・エル・レイリ
ーその他による「複数の学習モジュールからなる学習シ
ステム構造」。
る「学習システムを使用するリアルタイム３次元目的物
分類」、SPIE第７２６巻、知能ロボットおよび計算機視
覚、１９８６年。ネストール社のディー・エル・レイリ
ーその他による「複数の学習モジュールからなる学習シ
ステム構造」。
【００６４】NLSの全機能は、上述のユーザ・アプリケ
ーションに組み込まれている、Ｃ言語で呼び出し可能な
NLS関数を使用して、アプリケーションに組み込まれ
る。このNLS関数は、NLS神経ネットワーク・ソフトウェ
アとのインタフェースを可能にする。
ーションに組み込まれている、Ｃ言語で呼び出し可能な
NLS関数を使用して、アプリケーションに組み込まれ
る。このNLS関数は、NLS神経ネットワーク・ソフトウェ
アとのインタフェースを可能にする。
【００６５】本発明による予知保全システムの全体的構
造を、図２および図３に関して記述する。
造を、図２および図３に関して記述する。
【００６６】図２において、監視１下の機械は、一定の
部品をセンサ２によって検知され、センサはIBM社製作
のPC/ATのような（図４に示される）従来のコンピュー
タ３に信号を送る。データ取得および特徴抽出入出力カ
ードは、コンピュータ・バス（示されない）に接続して
いる。
部品をセンサ２によって検知され、センサはIBM社製作
のPC/ATのような（図４に示される）従来のコンピュー
タ３に信号を送る。データ取得および特徴抽出入出力カ
ードは、コンピュータ・バス（示されない）に接続して
いる。
【００６７】本発明の好ましい実施例において、入出力
カードは、メトラバイト社のDASD16およびPI012型であ
る。これらのカードはそれぞれアナログおよびディジタ
ル信号を取得してコンピュータ演算処理装置に転送し、
信号はそこに保存される。
カードは、メトラバイト社のDASD16およびPI012型であ
る。これらのカードはそれぞれアナログおよびディジタ
ル信号を取得してコンピュータ演算処理装置に転送し、
信号はそこに保存される。
【００６８】コンピュータ３では、DOS5.0（マイクロソ
フト社の登録商標）およびネストール学習システム神経
ネットワーク・ソフトウェア（図では４で示される）が
走ることが好ましい。NLSは神経ネットワーク理論に基
づく適応パターン認識ソフトウェアである。コンピュー
タ３はまた、NLS神経ネットワークとシステムの他の部
分とのインタフェースを提供するために、アプリケーシ
ョン・ソフトウェアを実行する。
フト社の登録商標）およびネストール学習システム神経
ネットワーク・ソフトウェア（図では４で示される）が
走ることが好ましい。NLSは神経ネットワーク理論に基
づく適応パターン認識ソフトウェアである。コンピュー
タ３はまた、NLS神経ネットワークとシステムの他の部
分とのインタフェースを提供するために、アプリケーシ
ョン・ソフトウェアを実行する。
【００６９】このようなインタフェースによって提供さ
れる主な機能は、NLS神経ネットワークのためのシステ
ム環境の定義、すなわち、分類されるパターンおよびク
ラスの定義および、神経ネットワークが入力ベクトルの
分類に従って出力するメッセージの定義、を含む。これ
らの機能それ自体は従来の技術であるので、ここでは詳
しく記述しない。
れる主な機能は、NLS神経ネットワークのためのシステ
ム環境の定義、すなわち、分類されるパターンおよびク
ラスの定義および、神経ネットワークが入力ベクトルの
分類に従って出力するメッセージの定義、を含む。これ
らの機能それ自体は従来の技術であるので、ここでは詳
しく記述しない。
【００７０】部品の選択および、取得を開始させる特定
の事象の選択は、実行している機械の現時点の「健康」
を評価する能力を持つ専門家により定義される。得られ
た信号のアナログまたはデジタル値は、既知のアルゴリ
ズム（微分、積分、高速フーリエ変換、その他）によっ
て処理され、同様に特徴と呼ばれる信号特性の１つまた
はいくつかのベクトルに生成される。これらのベクトル
は、RCE型の神経ネットワーク４の入力層に提供され
る。
の事象の選択は、実行している機械の現時点の「健康」
を評価する能力を持つ専門家により定義される。得られ
た信号のアナログまたはデジタル値は、既知のアルゴリ
ズム（微分、積分、高速フーリエ変換、その他）によっ
て処理され、同様に特徴と呼ばれる信号特性の１つまた
はいくつかのベクトルに生成される。これらのベクトル
は、RCE型の神経ネットワーク４の入力層に提供され
る。
【００７１】したがって、システムは動作可能な機械１
に設置され、動作パラメータのあらかじめ決められたセ
ットに対応する信号を標本化し続け、機械の大域的な状
態を連続してあるいはユーザの要求にしたがって決定
し、機械の動作の初期の偏向を発見して必要に応じて予
知保全動作を計画することを可能にする。
に設置され、動作パラメータのあらかじめ決められたセ
ットに対応する信号を標本化し続け、機械の大域的な状
態を連続してあるいはユーザの要求にしたがって決定
し、機械の動作の初期の偏向を発見して必要に応じて予
知保全動作を計画することを可能にする。
【００７２】本発明の１つの実施例においては、システ
ムはまた、監視モードの間は学習し続けることができ
る。したがって、一組の入力ベクトルの分類が未定義で
ある時、診断システムは、コンピュータ画面上に警告メ
ッセージを表示し、ユーザが手動で物理システムの動作
状態の分類を入力するようプロンプトを出し、この手動
分類を記憶して診断システムの知識ベースを増やす。
ムはまた、監視モードの間は学習し続けることができ
る。したがって、一組の入力ベクトルの分類が未定義で
ある時、診断システムは、コンピュータ画面上に警告メ
ッセージを表示し、ユーザが手動で物理システムの動作
状態の分類を入力するようプロンプトを出し、この手動
分類を記憶して診断システムの知識ベースを増やす。
【００７３】図７は、監視モードにおける診断方法の主
なステップを示す。監視モードは、３０で表わされるデ
ータ取得サイクルおよび、３１で表わされる診断サイク
ルの２つのサイクルに分けられる。データ取得サイクル
は、（１つの機械あるいは処理につき１つのセンサがあ
る場合）処理あるいはセンサの数に各センサから得られ
るデータ・ポイントの数を掛けた回数分実行される。デ
ータ取得サイクル３０の最後３２で、データを数学的に
処理して得られたベクトル値の形で、データから特徴が
抽出される。
なステップを示す。監視モードは、３０で表わされるデ
ータ取得サイクルおよび、３１で表わされる診断サイク
ルの２つのサイクルに分けられる。データ取得サイクル
は、（１つの機械あるいは処理につき１つのセンサがあ
る場合）処理あるいはセンサの数に各センサから得られ
るデータ・ポイントの数を掛けた回数分実行される。デ
ータ取得サイクル３０の最後３２で、データを数学的に
処理して得られたベクトル値の形で、データから特徴が
抽出される。
【００７４】３３で処理または機械が次々に診断され大
域的な結果３４が出され、神経ネットワーク・ソフトウ
ェアによって３５においてログ・ファイルが出力され
る。二次的ループ３６は同様に、１つの機械あるいは処
理につき１つ以上のセンサがある場合に備えて、付加的
センサによって提供されたデータを分析する。
域的な結果３４が出され、神経ネットワーク・ソフトウ
ェアによって３５においてログ・ファイルが出力され
る。二次的ループ３６は同様に、１つの機械あるいは処
理につき１つ以上のセンサがある場合に備えて、付加的
センサによって提供されたデータを分析する。
【００７５】本発明によるシステムおよび方法は、予知
保全のために異なる分野について訓練された複数の神経
ネットワークを使用することにより、異なる技術分野に
おける複数の専門家の知識を組合わせることができるこ
とに注意されたい。例えば、電気工学的な機械または処
理の診断のためには、１つの神経ネットワークは電気に
ついて訓練され他の１つは機械について訓練される。最
終的な診断出力は、機械あるいは処理の状態の大域的で
非線形な評価である。
保全のために異なる分野について訓練された複数の神経
ネットワークを使用することにより、異なる技術分野に
おける複数の専門家の知識を組合わせることができるこ
とに注意されたい。例えば、電気工学的な機械または処
理の診断のためには、１つの神経ネットワークは電気に
ついて訓練され他の１つは機械について訓練される。最
終的な診断出力は、機械あるいは処理の状態の大域的で
非線形な評価である。
【００７６】上述の理由により、本発明による方法およ
びシステムは予知保全の分野における重要な進歩を提供
する。
びシステムは予知保全の分野における重要な進歩を提供
する。
【００７７】
【発明の効果】本発明は以上説明したように構成されて
いるので、機械の突然の故障を防ぐための、機械の診断
および予知保全方法を提供することができる。
いるので、機械の突然の故障を防ぐための、機械の診断
および予知保全方法を提供することができる。
【図１】本発明による診断方法のステップのブロック図
である。
である。
【図２】図１の方法を実行するための機械予知保全シス
テムの主な要素のブロック図である。
テムの主な要素のブロック図である。
【図３】監視されている機械から得られる信号から機械
の動作についての重要な情報を含むベクトルを得るため
の処理を表わす図である。
の動作についての重要な情報を含むベクトルを得るため
の処理を表わす図である。
【図４】本発明による診断方法を実行することができる
パーソナル・コンピュータ・システムの一般的な図であ
る。
パーソナル・コンピュータ・システムの一般的な図であ
る。
【図５】本発明による診断方法の特徴抽出ステップを表
す図である。
す図である。
【図６】通常訓練モードにおける、本発明による方法の
より詳細なステップを表わす図である。
より詳細なステップを表わす図である。
【図７】監視モードにおける、図１の診断方法のより詳
細なステップを表す図である。
細なステップを表す図である。
１ 監視 ２ センサ ３ コンピュータ ４ 神経ネットワーク ６、７、８ ベクトル
Claims (13)
- 【請求項１】 システムの動作状態についての情報を表
す値を含む少なくとも１つの物理パラメータを持つ物理
システムにおける、システムの動作状態を診断する方法
であって、 上記パラメータに、上記システムの動作状態を表す少な
くとも１つの数学的関数を適用するステップと、 上記物理システムの予め決定された動作状態に対応す
る、上記数学的関数の値のクラスを決定するステップ
と、 学習モードにおいて上記クラスを診断システムのメモリ
に記憶し、該診断メモリに上記動作状態と上記クラスの
対応を学習させるステップと、 監視モードにおいて、一定の時間単位における上記物理
パラメータの原始データを取得し、該原始データに基づ
き上記数学的関数のベクトル値を計算するステップと、 上記ベクトル値を上記診断システムに入力し、上記診断
システムが上記クラスに従って上記ベクトル値を分類し
て上記物理システムの現在の動作状態を診断するステッ
プと、 を含む診断方法。 - 【請求項２】 上記現在の動作状態の診断に基づき警告
メッセージを表示し、該メッセージを上記物理システム
の動作保全を予定するために使用するステップを含む、
請求項１に記載の診断方法。 - 【請求項３】 上記数学的関数が、上記パラメータの上
記原始データの最大値及び最少値を計算する関数を含
み、該最大値及び最少値が上記診断システムが使用する
ベクトル値を計算するために使用される、請求項１に記
載の診断方法。 - 【請求項４】 上記数学的関数が、上記パラメータを表
すアナログ信号を標本化する関数を含み、該標本が上記
診断システムが使用するベクトル値を計算するために使
用される、請求項１に記載の診断方法。 - 【請求項５】 上記数学的関数が、上記パラメータの上
記原始データの高速フーリエ変換を計算する関数を含
み、該高速フーリエ変換の係数が上記診断システムが使
用するベクトル値を計算するために使用される、請求項
１に記載の診断方法。 - 【請求項６】 上記ベクトルが各々１６、７２、７２個
の値を含む、請求項３に記載の診断方法。 - 【請求項７】 上記診断システムが神経ネットワークを
含み、 上記神経ネットワークが、上記神経ネットワークで使用
可能な入力範囲に対応して計算され入力された上記ベク
トル値と出力するメッサージ・クラスとの対応を学習
し、上記物理システムの動作状態を表す出力メッセージ
を生成する、 請求項１に記載の診断方法。 - 【請求項８】 上記監視モードにおいて上記診断システ
ムが、ベクトルが分類できない場合特定の警告メッセー
ジを生成し、ユーザが上記物理システムの動作状態の分
類を手動で入力できるようプロンプトを出し、知識ベー
スに該手動による分類を記憶する、請求項１に記載の診
断方法。 - 【請求項９】 システムの動作状態についての情報を表
す値を含む少なくとも１つの物理パラメータを持つ、物
理システムの動作状態を診断するシステムであって、 上記パラメータに基づきアナログあるいはデジタル原始
データを取得するためのアナログ／デジタル・データ取
得手段と結合した、上記物理パラメータを監視するセン
サ手段と、 上記アナログ／デジタル値を受け取り、少なくとも１つ
の数学的関数により上記原始データを処理してベクトル
値を生成する、計算手段と、 上記ベクトル値を使用して上記物理システムの動作状態
を表す診断を生成する診断手段と、 を含むシステム。 - 【請求項１０】 上記診断手段が少なくとも１つの神経
ネットワーク・ソフトウェアを含み、該神経ネットワー
クが入力された上記ベクトル値を処理し、上記物理シス
テムの動作状態の診断を示す出力メッセージを分類し生
成する、請求項９に記載のシステム。 - 【請求項１１】 上記神経ネットワークが限定クーロン
・エネルギー型である、請求項１０に記載のシステム。 - 【請求項１２】 上記計算手段が、データ・バスに接続
するデータ取得カード、中央処理装置、及び上記神経ネ
ットワーク・ソフトウェアが動くメモリを備えたパーソ
ナル・コンピュータ・システムを含む、請求項１１に記
載のシステム。 - 【請求項１３】 上記中央処理装置に接続し、システム
とユーザとの対話を提供し、上記神経ネットワークの診
断出力を表示する表示手段を含む、請求項１２に記載の
システム。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR93480095.4 | 1993-07-09 | ||
| EP93480095A EP0633536A1 (en) | 1993-07-09 | 1993-07-09 | Diagnosis method and system for predictive machine maintenance |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0793018A true JPH0793018A (ja) | 1995-04-07 |
Family
ID=8214839
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP6143600A Pending JPH0793018A (ja) | 1993-07-09 | 1994-06-24 | 動作状態の診断方法及びシステム |
Country Status (2)
| Country | Link |
|---|---|
| EP (1) | EP0633536A1 (ja) |
| JP (1) | JPH0793018A (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004206583A (ja) * | 2002-12-26 | 2004-07-22 | Nisshin Flour Milling Inc | 学習型異常通知装置及びその方法 |
| JP2007249997A (ja) * | 2000-07-15 | 2007-09-27 | Intevep Sa | 工業プロセスの監視方法及び監視システム |
| US8626610B2 (en) | 2009-07-23 | 2014-01-07 | Nippon Steel & Sumitomo Metal Corporation | Equipment management system, equipment management method and program |
| US10627307B2 (en) | 2016-04-14 | 2020-04-21 | Konica Minolta, Inc. | Gas monitoring program, system, recording medium, and method |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ATE200161T1 (de) * | 1996-01-04 | 2001-04-15 | Infineon Technologies Ag | Vorrichtung und verfahren zur erfassung und bewertung eines räumlich diskreten punktmusters |
| US6221009B1 (en) * | 1996-07-16 | 2001-04-24 | Kyoto Daiichi Kagaku Co., Ltd. | Dispersed-type testing measuring system and dispersed-type care system |
| DE102004028565A1 (de) * | 2004-06-15 | 2006-01-05 | Abb Patent Gmbh | Verfahren und System zur Ermittlung eines Wartungsbedarfs |
| US8255182B2 (en) | 2007-10-19 | 2012-08-28 | Oracle International Corporation | Diagnosability system: flood control |
| US8171343B2 (en) | 2009-06-16 | 2012-05-01 | Oracle International Corporation | Techniques for determining models for performing diagnostics |
| FR2970796B1 (fr) * | 2011-01-20 | 2016-11-11 | European Aeronautic Defence & Space Co Eads France | Procede de traitement de messages de pannes generes dans un appareil a systemes complexes |
| JP5969676B1 (ja) * | 2015-09-30 | 2016-08-17 | ファナック株式会社 | 工作機械の工具補正の頻度を最適化する機械学習装置及び機械学習方法、並びに該機械学習装置を備えた工作機械 |
| DE102018201838A1 (de) * | 2018-02-06 | 2019-08-08 | Robert Bosch Gmbh | Verfahren zum Einrichten und Überwachen einer Anlage |
| EP3620983B1 (en) | 2018-09-05 | 2023-10-25 | Sartorius Stedim Data Analytics AB | Computer-implemented method, computer program product and system for data analysis |
| US11599103B2 (en) * | 2019-02-21 | 2023-03-07 | Dodge Industrial, Inc. | Method and system for data driven machine diagnostics |
| CN118299019A (zh) * | 2019-03-27 | 2024-07-05 | 爱尔康公司 | 利用医疗系统的数据的系统和方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS61267103A (ja) * | 1985-05-22 | 1986-11-26 | Toshiba Corp | プラント・モデリング装置 |
| JPS63300306A (ja) * | 1987-05-30 | 1988-12-07 | Toshiba Corp | 対話型診断装置 |
| JPH0392795A (ja) * | 1989-09-05 | 1991-04-17 | Toshiba Corp | 原子力発電プラントの診断方法 |
| JPH04178841A (ja) * | 1990-11-14 | 1992-06-25 | Toshiba Corp | 異常機器診断システム |
| JPH0552605A (ja) * | 1991-08-23 | 1993-03-02 | Hitachi Ltd | プロセス運用支援システム |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0398481B1 (en) * | 1989-05-18 | 1996-10-16 | Ford Motor Company Limited | Method and apparatus for diagnosing an electronic automotive control system by means of pattern recognition |
-
1993
- 1993-07-09 EP EP93480095A patent/EP0633536A1/en not_active Withdrawn
-
1994
- 1994-06-24 JP JP6143600A patent/JPH0793018A/ja active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS61267103A (ja) * | 1985-05-22 | 1986-11-26 | Toshiba Corp | プラント・モデリング装置 |
| JPS63300306A (ja) * | 1987-05-30 | 1988-12-07 | Toshiba Corp | 対話型診断装置 |
| JPH0392795A (ja) * | 1989-09-05 | 1991-04-17 | Toshiba Corp | 原子力発電プラントの診断方法 |
| JPH04178841A (ja) * | 1990-11-14 | 1992-06-25 | Toshiba Corp | 異常機器診断システム |
| JPH0552605A (ja) * | 1991-08-23 | 1993-03-02 | Hitachi Ltd | プロセス運用支援システム |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007249997A (ja) * | 2000-07-15 | 2007-09-27 | Intevep Sa | 工業プロセスの監視方法及び監視システム |
| JP2004206583A (ja) * | 2002-12-26 | 2004-07-22 | Nisshin Flour Milling Inc | 学習型異常通知装置及びその方法 |
| US8626610B2 (en) | 2009-07-23 | 2014-01-07 | Nippon Steel & Sumitomo Metal Corporation | Equipment management system, equipment management method and program |
| US10627307B2 (en) | 2016-04-14 | 2020-04-21 | Konica Minolta, Inc. | Gas monitoring program, system, recording medium, and method |
Also Published As
| Publication number | Publication date |
|---|---|
| EP0633536A1 (en) | 1995-01-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3776113B1 (en) | Apparatus and method for controlling system | |
| JP5284503B2 (ja) | 予測的状態監視のための診断システムおよび方法 | |
| US7539597B2 (en) | Diagnostic systems and methods for predictive condition monitoring | |
| EP1360557B1 (en) | Adaptive modelling of changed states in predictive condition monitoring | |
| JP3927400B2 (ja) | 動作しているシステムの正常性を監視する方法およびシステムの正常性をシステム間で比較する方法 | |
| JPH0793018A (ja) | 動作状態の診断方法及びシステム | |
| WO2004040465A1 (en) | System and method for remote diagnosis of distributed objects | |
| AU2002246994A1 (en) | Diagnostic systems and methods for predictive condition monitoring | |
| JP2000259223A (ja) | プラント監視装置 | |
| JP2007249997A (ja) | 工業プロセスの監視方法及び監視システム | |
| US12007745B2 (en) | Apparatus for predicting equipment damage | |
| WO2020230422A1 (ja) | 異常診断装置及び方法 | |
| US6138109A (en) | Neural network diagnostic classification of complex binary systems | |
| JP3745783B2 (ja) | パターン分類装置及びこの装置を利用する状態監視システム | |
| JP6641056B1 (ja) | 機器の異常診断方法および機器の異常診断システム | |
| RU2134897C1 (ru) | Способ оперативного динамического анализа состояний многопараметрического объекта | |
| RU2156496C1 (ru) | Способ оперативного динамического анализа нечеткого состояния многопараметрического объекта или процесса | |
| CN117132266B (zh) | 一种基于区块链的汽车服务安全保障方法及系统 | |
| CN114997220A (zh) | 一种基于cps架构的设备phm系统 | |
| KR20230075826A (ko) | 딥러닝 기반의 모터 고장 감지 장치 및 방법 | |
| JPH07261826A (ja) | プロセスユニットの状態検知装置 | |
| JPH02102453A (ja) | プラント水質監視診断システム | |
| JPH0134330B2 (ja) | ||
| CA2328762A1 (en) | Machine status autoanalysis |