JPWO2020183539A1 - 故障診断システム、故障予測方法、および故障予測プログラム - Google Patents

Abstract

故障診断システム（１００）は、産業機械（２１，２２，・・・，２ｎ）の故障を予測する予測ルールに基づいて、産業機械（２１，２２，・・・，２ｎ）の故障を予測する故障診断システムであって、予測ルール生成部１５を備える。予測ルール生成部（１５）は、予測ルールによる予測が未対応の故障である突発性故障が産業機械（２１，２２，・・・，２ｎ）に発生した場合、予測ルールにおける分析モデルのパラメータと学習データのパラメータとの調整に基づいて、突発性故障を予測する新たな予測ルールを生成する。

Description

本発明は、産業機械の故障を予測する故障診断システム、予測ルール生成方法、および予測ルール生成プログラムに関する。

従来、産業機械の状態を診断する装置が知られている。例えば、特許文献１には、産業機械の正常状態の特徴を示すニューロンセットと異常状態の特徴を示すニューロンセットとを用意し、産業機械の実稼働時に得られる実データセットがいずれのニューロンセットに近似しているかを判定することによって、産業機械の状態を診断する診断装置が開示されている。

かかる診断装置では、実データセットに対応する産業機械の状態が未知の異常状態にある場合、未知の異常状態に対応する実データセットをニューラルネットワークの教師なし学習により圧縮した未知異常ニューロンセットをかかる未知の異常状態の種類とともに新たに記憶することができる。

特開２００７−２５７３６６号公報

しかしながら、上記特許文献１に記載の技術では、未知の異常状態に対応する実データセットをそのまま学習データとしてニューラルネットワークの教師なし学習を行うことから、学習に用いる学習データの量に診断精度が依存し、多くの学習データを必要とする。

本発明は、上記に鑑みてなされたものであって、学習データが少ない場合であっても突発性故障を精度よく予測することが可能な故障診断システムを提供することを目的とする。

上述した課題を解決し、目的を達成するために、本発明の故障診断システムは、産業機械の故障を予測する予測ルールに基づいて、産業機械の故障を予測する故障診断システムであって、予測ルール生成部を備える。予測ルール生成部は、予測ルールによる予測が未対応の故障である突発性故障が産業機械に発生した場合、予測ルールにおける分析モデルのパラメータと学習データのパラメータとの調整に基づいて、突発性故障を予測する新たな予測ルールを生成する。

本発明によれば、学習データが少ない場合であっても突発性故障を精度よく予測することが可能になる、という効果を奏する。

本発明の実施の形態１にかかる故障診断システムの構成例を示す図 実施の形態１にかかる産業機械の構成例を示す図 実施の形態１にかかるエッジ装置を含む故障診断システムの構成例を示す図 実施の形態１にかかる実測データテーブルの一例を示す図 実施の形態１にかかるイベントデータテーブルの一例を示す図 実施の形態１にかかる動作環境データテーブルの一例を示す図 実施の形態１にかかる分析モデルの近似式の選定を説明するための図 実施の形態１にかかる故障予測部による残寿命時間の算出方法を説明するための図 実施の形態１にかかる予測ルール生成部の一例を示すフローチャート 実施の形態１にかかる故障予測装置のハードウェア構成の一例を示す図

以下に、本発明の実施の形態にかかる故障診断システム、予測ルール生成方法、および予測ルール生成プログラムを図面に基づいて詳細に説明する。なお、この実施の形態によりこの発明が限定されるものではない。

実施の形態１．
図１は、本発明の実施の形態１にかかる故障診断システムの構成例を示す図である。図１に示すように、実施の形態１にかかる故障診断システム１００は、故障予測装置１と、複数の産業機械２_１，２_２，・・・，２_ｎとを備える。ｎは例えば３以上の整数である。産業機械２_１，２_２，・・・，２_ｎは、例えば、製品を生産するために工場に配置される機械である。これらの産業機械２_１，２_２，・・・，２_ｎは、例えば、互いに異なる工場に配置されるが、同一工場に配置されてもよい。以下、産業機械２_１，２_２，・・・，２_ｎの各々を区別せずに示す場合、産業機械２と記載する場合がある。

故障予測装置１は、複数の産業機械２と不図示の通信ネットワークを介して双方向の通信が可能に接続されている。通信ネットワークは、例えば、インターネットなどのＷＡＮ（Wide Area Network）またはＬＡＮ（Local Area Network）である。故障予測装置１は、産業機械２から送信されるデータに基づいて、産業機械２の故障を予測する。産業機械２の故障には、産業機械２を構成する部品または機器の故障が含まれる。

図２は、実施の形態１にかかる産業機械の構成例を示す図である。図２に示すように、産業機械２は、産業機械２を制御する制御部６０と、故障予測装置１との間でデータを送受信する通信部６１と、データを表示する表示部６２とを備える。産業機械２の制御部６０は、通信部６１から実測データ、イベントデータ、および動作環境データを故障予測装置１に送信することができる。また、産業機械２の制御部６０は、故障予測装置１から送信され通信部６１で受信されるデータを表示部６２に表示することができる。

実測データは、産業機械２に取り付けられた計測器から取得されるデータである。かかる計測器は、産業機械２を構成する機器または部品などの状態を計測する。イベントデータは、産業機械２の運転状態または異常状態などを示すイベントのデータである。動作環境データは、産業機械２の運転環境または運転条件などを示すデータである。

また、産業機械２の制御部６０は、異常状態が発生した場合、故障予測リクエストを通信部６１から故障予測装置１に送信することができる。産業機械２の制御部６０は、故障予測リクエストに応じて故障予測装置１から送信される予測残寿命情報などの情報を産業機械２の表示部６２に表示することができる。故障予測リクエストには、例えば、故障予測の対象である予測対象部位を示す情報を含ませることができる。予測対象部位は、産業機械２全体であってもよく、産業機械２を構成する機器または部品であってもよい。

産業機械２の制御部６０は、故障予測装置１から通信部６１を介して取得した予測ルールに基づいて産業機械２の故障を診断する不図示の診断部を備える構成であってもよい。制御部６０の診断部は、故障予測リクエストに応じて故障予測装置１から送信される後述の予測ルールを取得し、かかる予測ルールを、上述した異常状態に対応する故障モードに紐付けて記憶することができる。制御部６０の診断部は、故障予測装置１から取得した予測ルールに基づいて、産業機械２の故障を診断することができる。

なお、産業機械２における制御部６０の診断部は、異常状態が発生した場合、発生した異常状態に紐付けられた予測ルールがない場合に、故障予測リクエストを通信部６１から故障予測装置１に送信することもできる。また、産業機械２における制御部６０の診断部は、産業機械２の状態とは無関係に、定期的に故障予測リクエストを通信部６１から故障予測装置１に送信することもできる。

また、故障診断システム１００は、産業機械２および故障予測装置１の双方とデータの送受信が可能なコンピュータであるエッジ装置を含むこともできる。図３は、実施の形態１にかかるエッジ装置を含む故障診断システムの構成例を示す図である。図３に示すように、エッジ装置３は、複数の産業機械２とネットワーク４を介して通信可能に接続され、故障予測装置１とネットワーク５を介して通信可能に接続される。エッジ装置３は、産業機械２からネットワーク４を介して取得した実測データ、イベントデータ、および動作環境データを故障予測装置１にネットワーク５を介して送信することができる。

図３に示すように、エッジ装置３は、ネットワーク４を介して複数の産業機械２との間でデータを送受信する通信部７０と、ネットワーク５を介して故障予測装置１の間でデータを送受信する通信部７１と、データを処理する処理部７２とを備える。処理部７２は、複数の産業機械２から通信部７０によって受信された実測データ、イベントデータ、および動作環境データを予め設定されたデータ形式で通信部７１から故障予測装置１へ送信することができる。これにより、複数の産業機械２から出力されるデータ形式が互いに異なる場合であっても、統一的な形式のデータを故障予測装置１へ送信することができ、産業機械２の機種種別またはメーカなどの相違を吸収することができる。

また、エッジ装置は上述した制御部６０の診断部および表示部６２を有する構成であってもよい。例えば、エッジ装置は、故障予測リクエストに応じて故障予測装置１から送信される予測残寿命情報などの情報を表示することができる。また、エッジ装置は、故障予測装置１から取得した予測ルールに基づいて、産業機械２の故障を診断することができる。以下においては、産業機械２から故障予測リクエストが送信されるものとして説明するが、エッジ装置から故障予測リクエストが送信されてもよい。

故障予測装置１は、マスタ情報記憶部１０と、マスタ情報登録部１１と、データ受信部１２と、学習データ記憶部１３と、データ検出部１４と、予測ルール生成部１５と、予測ルール記憶部１６と、突発性故障検出部１７と、故障予測部１８と、データ送信部１９とを備える。

マスタ情報記憶部１０は、産業機械２の情報である産業機械情報と、産業機械２を構成する機器または部品の情報である構成部品情報とを記憶する。マスタ情報記憶部１０には、産業機械２毎に産業機械情報が記憶され、産業機械２を構成する機器または部品毎に構成部品情報が記憶される。

産業機械情報には、例えば、産業機械２の固有情報であるマシンＩＤ、産業機械２の種別を示す情報、産業機械２を構成する機器または部品の識別情報であるパーツＩＤ、および認証情報などが含まれる。構成部品情報には、機器または部品のパーツＩＤ、機器または部品の種別を示す情報、および機器または部品の種別を示す情報などが含まれる。

マスタ情報登録部１１は、産業機械情報および構成部品情報をマスタ情報記憶部１０に追加したり、マスタ情報記憶部１０に記憶される産業機械情報を更新したりすることができる。例えば、マスタ情報登録部１１は、新たな産業機械２が通信可能に故障予測装置１に接続される度に、新たに接続された産業機械２の産業機械情報および構成部品情報をマスタ情報記憶部１０に記憶することができる。なお、マスタ情報登録部１１は、新たに接続された産業機械２がある場合、かかる産業機械２に新たなマシンＩＤを割り当てたり、産業機械２を構成する機器または部品にパーツＩＤを割り当てたりすることができる。

データ受信部１２は、複数の産業機械２からのデータを受信し、受信したデータをマシンＩＤ毎およびデータ種別毎に整理して学習データ記憶部１３に記憶する。産業機械２から送信されるデータは、例えば、実測データ、イベントデータ、および動作環境データなどである。

データ受信部１２は、産業機械２側に公開されたＡＰＩ（Application Programming Interface）を有しており、ＡＰＩを介して産業機械２から送信されるデータを受信することができる。また、データ受信部１２は、産業機械２へデータの送信を要求し、かかる要求に基づいて産業機械２から送信されるデータを受信することもできる。

また、データ受信部１２は、産業機械２からのデータの受信に際し、マスタ情報記憶部１０に記憶された認証情報に基づいて、産業機械２の認証を行うことができる。データ受信部１２は、産業機械２の認証が成功すると、産業機械２からのデータを受信し、受信したデータをマシンＩＤまたはパーツＩＤなどと関連付けて学習データ記憶部１３に記憶する。これにより、不正なデータが混入することを防止することができる。なお、マシンＩＤまたはパーツＩＤは、産業機械２からのデータに含まれていてもよい。

学習データ記憶部１３は、実測データテーブル２０、イベントデータテーブル２１、および動作環境データテーブル２２を記憶する。データ受信部１２は、実測データを受信した場合、受信した実測データを学習データ記憶部１３に記憶されている実測データテーブル２０に追加する。かかる実測データテーブル２０には、各産業機械２から送信される実測データの履歴が含まれる。

図４は、実施の形態１にかかる実測データテーブルの一例を示す図である。図４に示すように、実測データテーブル２０は、「時刻」、「パーツＩＤ」、「種類」、および「計測値」を含む複数のデータが含まれる。「時刻」は、データ受信部１２によって実測データが受信された時刻を示す情報であり、図４に示す例では、年月日時分秒の情報である。「パーツＩＤ」は、産業機械２を構成する機器または部品の識別情報である。

「種類」は、計測器で計測される計測値を含む実測データの種類を示す情報である。例えば、産業機械２を構成する部品がギアである場合、「種類」は、計測器で計測される計測値の種類を示し、例えば、振動、温度、加速度、回転数、稼動時間などである。振動は、例えば、ギアの周辺に設置された振動センサによって検出される。温度は、ギアの周辺に設置された温度センサによって検出される。加速度および回転数は、ギアの回転を検出するセンサによって検出される。「計測値」は、産業機械２を構成する機器または部品などに対して設置されたセンサの測定値である。なお、以下においては、測定値を実測値と記載する場合がある。

図４に示す例では、例えば、時刻「２０１８／０１／０１ １０：００：００」を含むデータには、パーツＩＤ「１０００」、種類「加速度」、および計測値「１６５」が含まれる。また、時刻「２０１８／０１／０１ １０：００：０１」を含むデータには、パーツＩＤ「１０００」、種類「加速度」、および計測値「１７２」が含まれる。

図１に示すデータ受信部１２は、イベントデータを受信した場合、受信したイベントデータを学習データ記憶部１３に記憶されているイベントデータテーブル２１に追加する。かかるイベントデータテーブル２１には、各産業機械２から送信されるイベントデータの履歴が含まれる。図５は、実施の形態１にかかるイベントデータテーブルの一例を示す図である。

図５に示すように、イベントデータテーブル２１は、「時刻」、「マシンＩＤ」、「ステータス」、および「コード」を含む複数のデータが含まれる。「時刻」は、図４に示す「時刻」と同様に、データ受信部１２によって実測データが受信された時刻を示す情報である。「マシンＩＤ」は、産業機械２の識別情報である。

「ステータス」は、産業機械２のステータスを示す情報である。図５に示す例では、「ステータス」は、「稼動」、「停止」、または「エラー」である。「稼動」は、産業機械２が稼動している状態である。「停止」は、産業機械２が停止している状態である。「エラー」は、産業機械２にエラーが生じている状態である。

「コード」は、イベントのコードであるイベントコードを示す情報である。図５に示す例では、「ステータス」が「稼動」である場合、イベントコード「１」であり、「ステータス」が「停止」である場合、イベントコード「０」であり、「ステータス」が「エラー」である場合、イベントコード「１１８８」である。なお、イベントコードは、「エラー」の種類毎に異なるコードが割り当てられる。以下、「ステータス」が「エラー」であるイベントを故障イベントと記載する。

図５に示す例では、例えば、時刻「２０１８／０１／０１ ９：３０：００」を含むデータには、マシンＩＤ「０００５」、ステータス「稼動」、およびコード「１」が含まれる。また、時刻「２０１８／０１／０１ １０：００：０４」を含むデータには、マシンＩＤ「０００５」、ステータス「エラー」、およびコード「１１８８」が含まれる。

図１に示すデータ受信部１２は、動作環境データを受信した場合、受信した動作環境データを学習データ記憶部１３に記憶されている動作環境データテーブル２２に追加する。かかる動作環境データテーブル２２には、各産業機械２から送信される動作環境データの履歴が含まれる。図６は、実施の形態１にかかる動作環境データテーブルの一例を示す図である。

図６に示すように、動作環境データテーブル２２は、「時刻」、「マシンＩＤ」、「運転条件」、および「運転環境」を含む複数のデータが含まれる。「時刻」は、図４に示す「時刻」と同様に、データ受信部１２によって実測データが受信された時刻を示す情報である。「マシンＩＤ」は、産業機械２の識別情報である。

「運転条件」は、産業機械２の運転時の条件を示す情報である。図６に示す例では、「運転条件」は、産業機械２で生産する製品の材料の識別情報であり、例えば、「Ａ０５−１００−Ｙ」または「Ａ０５−１００−Ｂ」である。産業機械２の運転時の条件は、産業機械２で生産する製品の材料の種別に限定されず、産業機械２で生産する製品の種別、または産業機械２の動作パターンなどであってもよい。

「運転環境」は、産業機械２の運転時の環境を示す情報であり、例えば、産業機械２の周囲の温度または湿度、産業機械２の内部の温度または湿度である。図６に示す例では、「運転環境」は、産業機械２の周囲の温度である。

図６に示す例では、例えば、時刻「２０１８／０１／０１ ８：００：００」を含むデータには、マシンＩＤ「０００５」、運転条件「Ａ０５−１００−Ｙ」、および運転環境「５５度」が含まれる。また、時刻「２０１８／０１／０１ ９：００：００」を含むデータには、マシンＩＤ「０００５」、運転条件「Ａ０５−１００−Ｙ」、および運転環境「５７度」が含まれる。

なお、上述した「時刻」は、実測データテーブル２０、イベントデータテーブル２１、および動作環境データテーブル２２におけるデータ間の同期基準として使用されるキー情報である。

図１に示すデータ受信部１２は、上述した実測データ、イベントデータ、および動作環境データに加え、産業機械２からの故障予測リクエストを受信することができる。データ検出部１４は、データ受信部１２によって故障予測リクエストが受信された場合などにおいて、予測ルール生成部１５、突発性故障検出部１７、および故障予測部１８に分析リクエストなどを送信することができる。

データ検出部１４は、例えば、産業機械２からデータ受信部１２で受信される故障予測リクエストまたはイベントデータなどに基づいて、産業機械２のうち分析の対象となる部位である分析対象部位を分析リクエストに含めることができる。

故障予測リクエストは、データ受信部１２によって産業機械２から受信したデータから解釈される故障予測をただちに実行するための要求を示す。産業機械２から送信されるデータに明示的に故障予測の要求を示す情報が故障予測リクエストとして記載されていてもよい。また、データ受信部１２に故障予測の要求用のＡＰＩを備え、かかる故障予測の要求用のＡＰＩを産業機械２から呼び出すことで故障予測リクエストを生じさせることもできる。以下、故障予測リクエストを送信した産業機械２を予測対象物と記載する場合がある。

データ検出部１４は、データ受信部１２によって産業機械２から故障予測リクエストが受信されたか否かを判定する。データ検出部１４は、データ受信部１２で故障予測リクエストが受信されたと判定すると、突発性故障検出部１７および故障予測部１８に分析リクエストを送信する。また、データ検出部１４は、データ受信部１２で故障予測リクエストが受信されたと判定した場合、故障予測リクエストを送信した予測対象物である産業機械２からのイベントデータに故障イベントが含まれるか否かを判定する。データ検出部１４は、予測対象物からのイベントデータに故障イベントがあると判定した場合、予測ルール生成部１５に対して予測ルールの生成または更新を要求することができる。

例えば、データ検出部１４は、データ受信部１２によって故障予測リクエストが受信された場合、産業機械２のイベントデータをイベントデータテーブル２１から取得する。そして、データ検出部１４は、取得したイベントデータに、対象故障イベントが含まれているか否かを判定する。対象故障イベントは、例えば、故障予測リクエストが受信された時刻から所定時間前までの時刻の故障イベントである。データ検出部１４は、対象故障イベントが含まれていると判定した場合、予測ルール生成部１５に対して予測ルールの生成または更新を要求する。

また、データ検出部１４は、学習データ記憶部１３に記憶されるデータを監視することで得られる突発性故障リスクを検出することができる。突発性故障リスクとは、予測ルールによる予測が未対応の故障である突発性故障の高まりを示しており、かかる突発性故障には、全くのランダムに起こる故障は含まれない。

ここで、予測ルールは、産業機械２の故障を予測するアルゴリズムを含む。具体的には、予測ルールは、上述した実測データおよび動作環境データなどに基づいて産業機械２の故障を予測する分析モデルなどを含む。かかる予測ルールは、学習データ記憶部１３に記憶されたデータを学習データとして予測ルール生成部１５によって生成される。

データ検出部１４は、学習データ記憶部１３に記憶された実測データテーブル２０に含まれる複数の実測データを学習データとする機械学習によって、未来の実測データである計測値を予測する分析モデルである計測値予測モデルを生成することができる。例えば、データ検出部１４は、実測データテーブル２０に含まれる複数の実測データを学習データとしてディープラーニングを行って計測値予測モデルを生成することができる。かかる計測値予測モデルは、例えば、時系列の過去の実測データを学習データとし、未来の実測データを予測するリカレントニューラルネットワークなどである。

データ検出部１４は、データ受信部１２で受信される実測データに含まれる計測値を計測値予測モデルに入力することで、計測値予測モデルから実測データの予測値を得ることができる。データ検出部１４は、データ受信部１２で新たに受信された実測データと計測値予測モデルによる予測値との差の大きさから突発性故障リスクを判定することができる。例えば、データ検出部１４は、データ受信部１２で新たに受信された実測データと計測値予測モデルによる予測値との差が予め設定された値以上である場合、突発性故障リスクがあると判定することができる。突発性故障リスクがあるとは、例えば、実測データが学習データによって関連付けられていない新規の故障モードのデータであると判断される場合である。

データ検出部１４は、突発性故障リスクがあると判定した場合、予測ルール生成部１５に対して予測ルールの生成または更新を要求することができる。また、データ検出部１４は、突発性故障リスクがあると判定した場合、突発性故障検出部１７および故障予測部１８に分析リクエストを送信することができる。

予測ルール生成部１５は、突発性故障が予測対象物である産業機械２に発生した場合、予測ルールにおける分析モデルのパラメータと学習データのパラメータとの調整に基づいて、突発性故障を予測する新たな予測ルールを生成する。

予測ルール生成部１５は、生成部３０と、反映部３１とを備える。生成部３０は、データ検出部１４から予測ルールの生成または更新を要求された場合、データ検出部１４で検出された故障イベントを再現できる予測ルールを生成または更新する。

生成部３０は、対象故障モードに紐付けられた予測ルールが予測ルール記憶部１６に記憶されていない場合、突発性故障が予測対象物である産業機械２に発生したと判定する。対象故障モードは、故障予測リクエストがデータ受信部１２で受信された場合に、データ検出部１４で検出される対象故障イベントで特定される故障モードである。例えば、対象故障イベントが図５に示すコード「１１８８」のイベントである場合、コード「１１８８」で特定される故障モードである。

生成部３０は、突発性故障が予測対象物である産業機械２に発生したと判定した場合、データ検出部１４で検出された故障イベントを再現できる予測ルールを探索する。

ここで、予測ルールの探索とは、分析モデルのパラメータの調整と学習データのパラメータの調整とを試行することを指す。学習データのパラメータは、例えば、学習データの補正値である。分析モデルのパラメータは、例えば、学習データから産業機械２の故障を予測するための特徴量を算出する近似式の種類、またはかかる近似式の係数などである。学習データの補正値は、例えば、実測データの単位系、予測対象物の稼動環境による実測データの誤差、または学習データの重み付けなどを補正するための値である。

生成部３０は、学習データ記憶部１３に記憶された実測データを学習データとし、かかる学習データを調整する処理と、分析モデルを調整する処理を繰り返し試行する。調整処理に用いられる学習データは、突発性故障が発生に至るまでの実測データを含む。例えば、調整処理に用いられる学習データは、産業機械２に突発性故障が発生した際の実測データ、および産業機械２に突発性故障が発生する前における時系列の実測データを含む。

生成部３０は、複数回の試行によって、分析モデルのパラメータの調整内容と学習データのパラメータの調整内容との組み合わせのうち、最も有効な組み合わせを故障の原因パラメータとして特定する。学習データの調整内容は、例えば、上述した学習データの補正値および故障の予測に用いる実測データの種別などである。

また、最も有効な組み合わせとは、調整後の学習データから分析モデルの近似式が故障の予測に適した時系列推移を再現することになる組み合わせである。故障予測に適した時系列推移の再現をする近似式とは、図７に示すように故障に至るまでの時間との相関関係が強い近似式のことを指す。図７は、実施の形態１にかかる分析モデルの近似式の選定を説明するための図である。

近似式の選定においては、特徴量が単純な上昇傾向を示す近似式ではなく、正常時は低い値を示し、故障イベントに近づくにつれて、徐々に上昇傾向を示す近似式を選定することが望ましい。なお、特徴量とは、近似式で導かれる値であり、例えば、近似式が「ｙ＝Ｇｔ^２＋２Ａｔ＋１」である場合、「ｙ」の値である。なお、近似式「ｙ＝Ｇｔ^２＋２Ａｔ＋１」のうち「Ｇ」および「Ａ」は、各々異なる測定器における実測データの実測値である。なお、近似式の演算に用いられる実測値は、測定器から得られる実測データの実測値そのもの、または測定器から得られる実測データの実測値に一定の値を加算したり、特定の係数を掛けたりして調整した値である。

また、生成部３０は、分析モデルの近似式において、正常と判断できる範囲の特徴量と、故障時の特徴量との関係から、故障予測を算出可能な故障予測閾値を決定することができる。

なお、生成部３０は、まず分析モデルの近似式を選定した後に、学習データを調整する処理を繰り返し試行することもできる。この場合も、生成部３０は、最も有効な組み合わせを原因パラメータとして特定することができる。

このように、生成部３０は、分析モデルのパラメータに加え、学習データのパラメータを調整することで、新たな予測ルールを生成することから、学習データが少ない場合であっても突発性故障を精度よく予測することができる予測ルールを生成することができる。

また、生成部３０は、学習データとして、予測対象物から得られる学習データに加えて予測対象物以外の１以上の産業機械２から得られる学習データを用いて、原因パラメータを特定することができる。生成部３０は、特定した原因パラメータに基づいて、新たな予測ルールを生成する。これにより、例えば、予測ルールによる予測精度を高めることができ、また、突発性故障を予測するための予測ルールを複数の産業機械２で共通に使用することができる。

このように、生成部３０は、予測ルールにおける分析モデルのパラメータと学習データのパラメータとの調整に基づいて、突発性故障を予測する新たな予測ルールを生成することができる。反映部３１は、新たな予測ルールを故障モードに紐づけて予測ルール記憶部１６に記憶する。生成部３０によって生成される予測ルールには、分析モデルの情報と、実測データの補正値の情報と、分析モデルの入力データの種別の情報と、クラスタリング情報と、動作環境データと、故障予測閾値とが含まれる。実測データの補正値は、原因パラメータに含まれる学習モデルの補正値に基づく値であり、例えば、学習モデルの補正値と同じ値である。

予測ルールに含まれるクラスタリング情報は、対象故障モードの境界値を示す。予測ルール生成部１５は、対象故障モードがある予測対象物の産業機械２から得られる各実測データの特徴量の分布に基づいて、対象故障モードのクラスタリング情報を決定することができる。特徴量は、例えば、複数の実測データと学習データとに基づく予測値との差異を統合して算出した値である。なお、予測ルール生成部１５は、後述する突発性故障検出部１７と同様の算出方法によって実測データの特徴量を得ることができるが、突発性故障検出部１７とは異なる算出方法によって得ることもできる。

また、予測ルールに含まれる動作環境データは、対象故障イベントが発生したときの予測対象物の運転環境または運転条件などのデータである。例えば、イベントデータテーブル２１が図５に示す状態であり、かつ動作環境データテーブル２２が図６に示す状態であり、対象故障イベントが図５に示すコード「１１８８」のイベントであるとする。コード「１１８８」のイベントに関連付けられた時刻は、「２０１８／０１／０１ １０：００：０４」である。この場合、生成部３０は、時刻「２０１８／０１／０１ １０：００：００」に関連付けられた運転条件「Ａ０５−１００−Ｂ」と運転環境「４９度」を示す動作環境データを予測データに含める動作環境データとして決定する。

このように、予測ルールには、故障イベントが発生した場合の動作環境データが含まれている。そのため、生成部３０は、動作環境データ毎の分析モデル、すなわち、動作環境データに応じた分析モデルを含む予測ルールを生成することができる。なお、動作環境データは、産業機械２の動作状態および動作環境の少なくとも一つを含むデータであればよい。

予測ルール記憶部１６は、予測ルール生成部１５によって生成または更新された予測ルールの情報を故障モードに紐付けて記憶する。

突発性故障検出部１７は、予測ルールが定義されていない突発性故障を検出することができる。突発性故障検出部１７は、実測データの異常度を算出する異常度算出部４０と、異常度算出部４０によって算出された異常度に基づいて、産業機械２の突発性故障を判定する故障判定部４１とを備える。

異常度算出部４０は、データ検出部１４からの分析リクエストに基づいて、予測ルール生成対象の故障イベントである対象故障イベントをイベントデータテーブル２１から取得し、取得した対象故障イベントの発生に至る原因と推定される全ての計測対象の実測データを実測データテーブル２０から抽出する。すなわち、異常度算出部４０は、予測対象の故障との因果関係のあるデータを実測データテーブル２０から抽出する。予測対象の故障との因果関係のあるデータとは、産業機械２が故障した時刻に向かうにつれて、特徴的な推移を示した実測データである。なお、予測対象の故障との因果関係のあるデータは、データ検出部１４によって抽出されてもよい。この場合、予測対象の故障との因果関係のあるデータは、データ検出部１４から異常度算出部４０へ通知される。

異常度算出部４０は、抽出した実測データのうち正常と判断されている期間の各実測データを学習データとする機械学習によって、各計測対象の未来の計測値を予測する分析モデルである計測値予測モデルを生成することができる。例えば、異常度算出部４０は、正常と判断されている期間の各計測対象の実測データを学習データとしてディープラーニングを行って各計測対象の計測値予測モデルを生成することができる。かかる計測値予測モデルは、例えば、時系列の過去の実測データを学習データとし、計測対象の未来の計測値を予測するリカレントニューラルネットワークなどである。異常度算出部４０は、各計測対象の計測値予測モデルを用いて、データ受信部１２で受信される計測対象の実測データから、計測対象の予測値を求めることができる。なお、異常度算出部４０は、計測対象の実測値の標準偏差を用いて、計測対象の予測値を求める構成であってもよい。

異常度算出部４０は、複数の実測データと、学習データに基づく予測値との差異を統合して異常度を算出する。故障判定部４１は、異常度が予め設定された閾値を超えた場合に、突発性故障が発生していると判定する。故障判定部４１は、異常度算出部４０によって異常度が計測対象毎に算出される場合、各計測対象について算出された異常度をＭＴ法（Maharanobis-Taguchi system）により統合した値を統合異常度とし、かかる統合異常度が予め設定された閾値を超えた場合に、突発性故障が発生していると判定することもできる。

故障判定部４１は、突発性故障が発生していると判定した場合、突発性故障の発生を示す突発性故障情報を、故障予測リクエストを送信した産業機械２へデータ送信部１９を介して送信することができる。産業機械２は、故障予測装置１から送信される突発性故障情報を、通信ネットワークを介して受信し、受信した突発性故障情報を表示部に表示することができる。これにより、産業機械２において突発性故障が検出されていない場合であっても、産業機械２の管理者等は、突発性故障が発生していることを把握することができる。

また、故障判定部４１は、突発性故障が発生していると判定した場合、予測ルール生成部１５にデータ検出部１４を介して突発性故障情報を送信することができる。この場合、予測ルール生成部１５は、突発性故障情報に基づいて、突発性故障が予測対象物である産業機械２に発生したと判定することができる。なお、故障予測装置１は、故障判定部４１から直接予測ルール生成部１５に突発性故障情報を送信する構成であってもよい。

突発性故障検出部１７は、少ないデータでも精度よく故障予測を行うために、予測対象の実測データが、動作環境データテーブル２２に存在しない動作環境から得られたデータであっても、学習済みの他の動作環境の学習データから予測値を算出することができる。そして、突発性故障検出部１７は、算出した予測値の差異から異常度を算出することで、例えば各産業機械２について各動作環境における十分な学習データが揃っていない段階においても突発性故障を検出することができる。

故障予測部１８は、データ検出部１４から分析リクエストを受けた場合、分析対象部位の故障を予測し、予測した結果に基づく情報を、故障予測リクエストを送信した産業機械２へデータ送信部１９を介して送信することができる。故障予測部１８は、予測ルールを選択する選択部５０と、予測対象物の実測データのフィルタリングを行うフィルタ部５１と、分析対象部位の予測残寿命を演算する予測部５２とを備える。

選択部５０は、データ検出部１４からの分析リクエストに基づいて、対象故障モードに紐付けられた予測ルールを予測ルール記憶部１６から選択する。また、選択部５０は、対象故障モードに紐付けられた予測ルールが予測ルール記憶部１６に記憶されていない場合、類似の予測ルールを予測ルール記憶部１６から選択する。これにより、学習データが少ない段階であっても故障を予測することができる。

例えば、選択部５０は、対象故障モードに紐付けられた予測ルールが予測ルール記憶部１６に記憶されていない場合、データ検出部１４からの分析リクエストがどの故障モードにクラスタリングされるかを探索し、分析リクエストがクラスタリングされる故障モードに紐付けられた予測ルールを予測ルール記憶部１６から選択する。この場合、選択部５０は、例えば、予測ルール生成部１５と同様に、予測対象物の各実測データの特徴量の分布に基づいて、対象故障モードのクラスタリング情報を決定する。そして、選択部５０は、決定したクラスタリング情報を有する予測ルールを選択する。これにより、故障モードを分類するための学習データが少ない段階であっても、特徴量の推移が近いクラスタリングに該当する予測ルールで補完することで、予測対象物の故障を予測することができる。

フィルタ部５１は、選択部５０によって選択された予測ルールに基づき、予測対象物である産業機械２から得られる実測データのフィルタリングを行う。例えば、フィルタ部５１は、選択部５０によって選択された予測ルールに含まれる入力データの種別の情報に基づいて、予測対象物である産業機械２から得られる実測データのうち入力データの種別の情報で規定される実測データを予測部５２に出力する。

予測部５２は、フィルタ部５１から出力される実測データを分析モデルに入力することで、今回の実測データの現時点Ｐでの特徴量の推移を求める。図８は、実施の形態１にかかる故障予測部による残寿命時間の算出方法を説明するための図である。予測部５２は、図８に示すように、現時点Ｐの特徴量と故障予測閾値を用いて、故障予測閾値を上回る時間帯における、故障判定までの残時間差分を算出し、分析対象部位の予測残寿命を決定する。図８に示す例では、予測残寿命は、時刻ｔ１１から時刻ｔ１２までの長さである。

予測部５２は、決定した予測残寿命を示す予測残寿命情報を、データ送信部１９を介して産業機械２に送信する。産業機械２は、故障予測装置１から予測残寿命情報を受信すると、予測残寿命情報を例えば操作画面への警告表示またはオペレータへの通知などに用いる。なお、データ送信部１９は、産業機械２に対して能動的にデータを送信するが、保持している分析結果を産業機械２からの要求で送信することもできる。

つづいて、故障予測装置１における予測ルール生成部１５の動作を、フローチャートを用いて説明する。図９は、実施の形態１にかかる予測ルール生成部の処理の一例を示すフローチャートである。

図９に示すように、予測ルール生成部１５は、突発性故障が発生した場合、学習データのパラメータを調整する（ステップＳ１）。その後、予測ルール生成部１５は、分析モデルのパラメータを調整する（ステップＳ２）。そして、予測ルール生成部１５は、調整終了条件を満たすか否かを判定する（ステップＳ３）。調整終了条件は、例えば、ステップＳ１，Ｓ２の繰り返し回数が予め設定された数に達するという条件、または、故障予測に適した時系列推移の再現をする近似式が得られたという条件である。

予測ルール生成部１５は、調整終了条件を満たさないと判定した場合（ステップＳ３：Ｎｏ）、処理をステップＳ１に戻す。また、予測ルール生成部１５は、調整終了条件を満たすと判定した場合（ステップＳ３：Ｙｅｓ）、ステップＳ１〜Ｓ３の処理に基づいて、突発性故障を予測するための新たな予測ルールを予測ルール記憶部１６に記憶し（ステップＳ４）、図９に示す処理を終了する。新たな予測ルールには、例えば、突発性故障を予測する分析モデル、分析モデルに入力される実測データの補正値、および分析モデルに入力される実測データの種類を示す情報などを含む。

なお、上述した故障診断システム１００は、故障予測装置１および複数の産業機械２を備える構成であるが、故障予測装置１のみで構成されていてもよい。また、故障予測装置１は、１つのサーバ装置または複数のサーバ装置によって構成されてもよい。

また、上述した例では、予測ルールの学習データと分析モデルへの入力データとが、センサなどの計測器で得られる実測データであるものとして説明したが、学習データおよび入力データは、実測データと共に実測データ以外のデータを含んでもよく、また、実測データ以外のデータのみであってもよい。実測データ以外のデータは、例えば、イベントデータ、動作環境データ、または保守管理データなどである。

図１０は、実施の形態１にかかる故障予測装置１のハードウェア構成の一例を示す図である。図１０に示すように、故障予測装置１は、プロセッサ１０１と、メモリ１０２と、インタフェース回路１０３とを備えるコンピュータを含む。

プロセッサ１０１、メモリ１０２、およびインタフェース回路１０３は、バス１０４によって互いにデータの送受信が可能である。マスタ情報記憶部１０、学習データ記憶部１３、予測ルール記憶部１６は、メモリ２０２によって実現される。データ受信部１２およびデータ送信部１９は、インタフェース回路１０３によって実現される。プロセッサ１０１は、メモリ１０２に記憶されたプログラムを読み出して実行することによって、データ検出部１４、予測ルール生成部１５、突発性故障検出部１７、および故障予測部１８の機能を実行する。プロセッサ１０１は、処理回路の一例であり、ＣＰＵ（Central Processing Unit）、ＤＳＰ（Digital Signal Processer）、およびシステムＬＳＩ（Large Scale Integration）のうち一つ以上を含む。

メモリ１０２は、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ、ＥＰＲＯＭ（Erasable Programmable Read Only Memory）、およびＥＥＰＲＯＭ（登録商標）（Electrically Erasable Programmable Read Only Memory）のうち一つ以上を含む。また、メモリ１０２は、コンピュータが読み取り可能なプログラムが記録された記録媒体を含む。かかる記録媒体は、不揮発性または揮発性の半導体メモリ、磁気ディスク、フレキシブルメモリ、光ディスク、コンパクトディスク、およびＤＶＤ（Digital Versatile Disc）のうち一つ以上を含む。なお、故障予測装置１は、ＡＳＩＣ（Application Specific Integrated Circuit）およびＦＰＧＡ（Field Programmable Gate Array）などの集積回路を含んでいてもよい。

以上のように、実施の形態１にかかる故障診断システム１００は、産業機械２の故障を予測する予測ルールに基づいて、産業機械２の故障を予測する故障診断システムであって、予測ルール生成部１５を備える。予測ルール生成部１５は、予測ルールによる予測が未対応の故障である突発性故障が産業機械２に発生した場合、予測ルールにおける分析モデルのパラメータと学習データのパラメータとの調整に基づいて、突発性故障を予測する新たな予測ルールを生成する。このように、予測ルールのパラメータに加え、学習データのパラメータを調整することで、新たな予測ルールを生成することから、学習データが少ない場合であっても突発性故障を精度よく予測することができる。

また、予測ルール生成部１５は、学習データのパラメータを調整した後、予測ルールのパラメータを調整する。これにより、例えば、学習データが少なく、かつ学習データに異常があった場合でも、突発性故障を精度よく予測することができる。

また、予測ルール生成部１５は、互いに異なる位置にある複数の産業機械２から得られる学習データに基づいて、新たな予測ルールを生成する。これにより、例えば、予測ルールによる予測精度を高めることができ、また、突発性故障を予測するための予測ルールを複数の産業機械２で共通に使用することができる。

また、学習データには、産業機械２に取り付けられた計測器によって計測された計測値を含む実測データが含まれる。学習データのパラメータは、実測データの補正値である。予測ルール生成部１５は、産業機械２に突発性故障が発生した場合、実測データの補正値を調整する。これにより、例えば、実測データに異常があった場合であっても、突発性故障を精度よく予測することができる予測ルールを生成することができる。

また、予測ルール生成部１５は、産業機械２に突発性故障が発生する前から突発性故障が発生するまでの時系列の実測データに基づいて、新たな予測ルールを生成することができる。これにより、故障の予測に適した時系列推移を再現する近似式を有する予測ルールを精度よく生成することができる。

また、予測ルール生成部１５は、実測データに基づいて産業機械２の故障を予測する分析モデルの情報と、産業機械２の動作状態および動作環境の少なくとも一つを含む動作環境データとを含む予測ルールを動作環境データ毎に生成する。れにより、動作環境データに応じた分析モデルを含む予測ルールを生成することができる。

また、故障予測部１８は、予測ルール生成部１５によって新たな予測ルールが生成されていない場合、類似の予測ルールを用いて、突発性故障を予測する。これにより、学習データが少ない場合であっても突発性故障を精度よく予測することができる。

また、産業機械２は、故障予測装置１との間でデータを送受信する通信部６１と、産業機械２に異常状態が発生した場合、通信部６１を介して故障予測装置１へ故障予測リクエストを送信する制御部６０とを備える。予測ルール生成部１５は、産業機械２から故障予測リクエストが送信された場合に、新たな予測ルールを生成する。これにより、産業機械２は、予測ルールによる予測が未対応の故障である突発性故障が産業機械２に発生した場合に、故障予測リクエストを故障予測装置１に送信することで、突発性故障に対する予測ルールを故障予測装置１に生成させることができる。

また、故障診断システム１００は、複数の産業機械２からデータを収集し、収集したデータのデータ形式を予め設定された形式で、故障予測装置１へ送信するエッジ装置３を備える。これにより、複数の産業機械２から出力されるデータ形式が互いに異なる場合であっても、統一的な形式のデータを故障予測装置１へ送信することができ、産業機械２の機種種別またはメーカなどの相違を吸収することができる。

以上の実施の形態に示した構成は、本発明の内容の一例を示すものであり、別の公知の技術と組み合わせることも可能であるし、本発明の要旨を逸脱しない範囲で、構成の一部を省略、変更することも可能である。

１ 故障予測装置、２，２_１，２_２，・・・，２_ｎ 産業機械、１０ マスタ情報記憶部、１１ マスタ情報登録部、１２ データ受信部、１３ 学習データ記憶部、１４ データ検出部、１５ 予測ルール生成部、１６ 予測ルール記憶部、１７ 突発性故障検出部、１８ 故障予測部、１９ データ送信部、２０ 実測データテーブル、２１ イベントデータテーブル、２２ 動作環境データテーブル、３０ 生成部、３１ 反映部、４０ 異常度算出部、４１ 故障判定部、５０ 選択部、５１ フィルタ部、５２ 予測部、１００ 故障診断システム。

本発明は、産業機械の故障を予測する故障診断システム、故障予測方法、および故障予測プログラムに関する。

上述した課題を解決し、目的を達成するために、本発明の故障診断システムは、産業機械の故障を予測ルールに基づいて予測する故障予測部と、予測ルールを生成する予測ルール生成部を具備する。故障予測部は、予測ルールに含まれる分析モデルに、産業機械の実測データを入力して得た特徴量の時系列推移に基づいて故障の予測を行う。予測ルール生成部は、予測ルールによる予測が未対応の故障である突発性故障が産業機械に発生すると、突発性故障が発生に至るまでの実測データを含む学習データを分析モデルに入力して得た特徴量が突発性故障の予測に適した時系列推移を示すように、分析モデルのパラメータと学習データの補正値との調整を行って、突発性故障を予測する新たな予測ルールを生成する。

以下に、本発明の実施の形態にかかる故障診断システム、故障予測方法、および故障予測プログラムを図面に基づいて詳細に説明する。なお、この実施の形態によりこの発明が限定されるものではない。

Claims (11)

1. 産業機械の故障を予測する予測ルールに基づいて、前記産業機械の故障を予測する故障診断システムであって、
   前記予測ルールによる予測が未対応の故障である突発性故障が前記産業機械に発生した場合、前記予測ルールにおける分析モデルのパラメータと学習データのパラメータとの調整に基づいて、前記突発性故障を予測する新たな予測ルールを生成する予測ルール生成部を備える
   ことを特徴とする故障診断システム。
2. 前記予測ルール生成部は、
   前記学習データのパラメータを調整した後、前記分析モデルのパラメータを調整する
   ことを特徴とする請求項１に記載の故障診断システム。
3. 前記予測ルール生成部は、
   複数の前記産業機械から得られる学習データに基づいて、前記新たな予測ルールを生成する
   ことを特徴とする請求項１または２に記載の故障診断システム。
4. 前記学習データには、
   前記産業機械に取り付けられた計測器によって計測された計測値を含む実測データが含まれ、
   前記学習データのパラメータは、
   前記実測データの補正値であり、
   前記予測ルール生成部は、
   前記産業機械に前記突発性故障が発生した場合、前記補正値を調整する
   ことを特徴とする請求項１から３のいずれか一つに記載の故障診断システム。
5. 前記予測ルール生成部は、
   前記産業機械に前記突発性故障が発生する前から前記突発性故障が発生するまでの時系列の実測データに基づいて、前記新たな予測ルールを生成する
   ことを特徴とする請求項４に記載の故障診断システム。
6. 前記予測ルール生成部は、
   前記実測データに基づいて前記産業機械の故障を予測する分析モデルの情報と、前記産業機械の動作状態および動作環境の少なくとも一つを含む動作環境データとを含む予測ルールを動作環境データ毎に生成する
   ことを特徴とする請求項４または５に記載の故障診断システム。
7. 前記予測ルール生成部によって前記新たな予測ルールが生成されていない場合、類似の予測ルールを用いて、前記突発性故障を予測する故障予測部を備える
   ことを特徴とする請求項１から６のいずれか一つに記載の故障診断システム。
8. 前記産業機械は、
   前記予測ルール生成部を含む故障予測装置との間でデータを送受信する通信部と、
   前記産業機械に異常状態が発生した場合、前記通信部を介して前記故障予測装置へ故障予測リクエストを送信する制御部と、を備え、
   前記予測ルール生成部は、
   前記産業機械から前記故障予測リクエストが送信された場合に、前記新たな予測ルールを生成する
   ことを特徴とする請求項１から７のいずれか一つに記載の故障診断システム。
9. 複数の前記産業機械からデータを収集し、収集したデータのデータ形式を予め設定された形式で、前記予測ルール生成部を含む故障予測装置へ送信するエッジ装置を備える
   ことを特徴とする請求項１から８のいずれか一つに記載の故障診断システム。
10. コンピュータが実行する予測ルール生成方法であって、
    産業機械の故障を予測する予測ルールが未対応の故障である突発性故障が前記産業機械に発生した場合、前記予測ルールにおける分析モデルのパラメータと学習データのパラメータとを調整する第１ステップと、
    前記第１ステップで調整された前記分析モデルのパラメータと前記学習データのパラメータとに基づいて、前記突発性故障を予測する新たな予測ルールを生成する第２ステップと、を含む
    ことを特徴とする予測ルール生成方法。
11. 産業機械の故障を予測する予測ルールが未対応の故障である突発性故障が前記産業機械に発生した場合、前記予測ルールにおける分析モデルのパラメータと学習データのパラメータとを調整する第１ステップと、
    前記第１ステップで調整された前記分析モデルのパラメータと前記学習データのパラメータとに基づいて、前記突発性故障を予測する新たな予測ルールを生成する第２ステップと、をコンピュータに実行させる
    ことを特徴とする予測ルール生成プログラム。

Images