KR20130065621A - 주기적 구동계의 이상 검지 장치, 주기적 구동계를 갖는 처리 장치, 주기적 구동계의 이상 검지 방법 및 컴퓨터 프로그램 - Google Patents

Abstract

주기적 구동계의 이상 검지 장치로서, 처리 장치에 있어서의 처리에 이용하는 주기적 구동계로부터의 소리를 검출하는 검출 수단과, 검출된 소리로부터 시간과 함께 변동하는 시계열 데이터를 취득하는 데이터 취득 수단과, 상기 데이터 취득 수단에서 취득한 시계열 데이터로부터 그 시계열 데이터가 결정론적인지 확률론적인지의 지표로 되는 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량을 소정 시간마다 복수 산출하는 결정론성값 산출 수단과, 상기 복수 산출한 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량의 확률 분포를 산출하는 확률 분포 산출 수단과, 상기 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량의 확률 분포에 근거하여 상기 주기적 구동계의 이상 여부를 판정하는 판정 수단을 포함하는 것을 특징으로 하는 주기적 구동계의 이상 검지 장치가 제공된다.

Description

주기적 구동계의 이상 검지 장치, 주기적 구동계를 갖는 처리 장치, 주기적 구동계의 이상 검지 방법 및 컴퓨터 프로그램{ABNORMALITY DETECTION APPARATUS FOR PERIODIC DRIVING SYSTEM, PROCESSING APPARATUS INCLUDING PERIODIC DRIVING SYSTEM, ABNORMALITY DETECTION METHOD FOR PERIODIC DRIVING SYSTEM, AND COMPUTER PROGRAM}

본 발명은 반도체 제조 장치 등의 처리 장치에 이용하는 주기적 구동계의 이상 검지 장치, 주기적 구동계를 갖는 처리 장치, 주기적 구동계의 이상 검지 방법 및 컴퓨터 프로그램에 관한 것이다.

반도체 제조 장치 등의 처리 장치에는, 여러 가지의 주기적 구동을 이행하는 주기적 구동계가 이용되고 있다. 대표적으로는 회전 구동계, 예컨대, 반도체 웨이퍼에 대하여 에칭 처리를 실행하는 마그네트론 에칭 장치에 있어서의 다이폴 링 마그네트(DRM: Dipole Ring Magnet)나, 반도체 웨이퍼에 레지스트를 도포하기 위한 스피너(Spinner)의 회전 구동계나, 일괄식 종형 노(爐)에서 복수의 반도체 웨이퍼를 탑재하는 웨이퍼 보트를 회전시키는 회전 구동계 등을 들 수 있다.

이러한 회전 구동계로 대표되는 주기적 구동계는 그리스 업이 필수이고, 그리스가 부족하면 토크 부하 증대에 의해 에러가 발생하여 즉석에서 장치가 가동 불가로 되어 버린다.

그 때문에, 이러한 사태를 초래하기 전에 이상을 검지하기 위해, 회전 구동계에 있어서, 종래에는, 정기적으로 회전 구동계의 회전 시의 소리를 사람의 귀로 이상 유무를 판단하거나 혹은 주기적 구동계 아래에 존재하는 철가루에 의해, 이상을 검지하고 있었다. 사람의 귀로 듣고 판단하는 것에 대해서는, 구체적으로는, 1분 정도 개략적으로 듣고 판정을 실시하고, 의심스러운 장치에 대해서는, 5분 정도 더 듣고 나서 판정을 실시하고 있었다.

그러나 사람의 귀로 듣고 판정할 수법에 있어서, 이상 시의 소리를 알아들을 수 있는 사람은 특정의 숙련된 작업자뿐이며, 또한, 반도체 제조 공장에는 수십 개 내지 수백 개의 처리 장치가 존재하고, 이들 모든 처리 장치에 대해서 정기적으로 그러한 소리를 듣고 판단하는 처리를 행할 필요가 있으므로, 작업자의 부담이 매우 가중되게 된다. 또한, 철가루를 통한 판정으로는 정밀도의 높은 판정이 곤란하다.

이에 대하여, 예컨대, 공조용 팬이나 펌프 등의 회전 구동계를 포함하는 설비의 이상을 정확하게 검지해 고장에 의한 정지를 미연에 방지하는 방법으로서 음향법에 의한 비접촉의 설비 진단법이 제안되어 있다(특허 문헌 1). 이 기술은 미리 측정해 둔 정상 시의 음압 신호와 측정 시의 음압 신호를 비교하여 이상 신호를 검출하는데 있어서, 신호를 회전 주파수에 대응한 저주파수 영역과 부재의 고유 진동수에 대응한 고주파수 영역으로 분리한 후, 선형 예측법을 적용한 자기 회귀 모델에 의한 필터를 이용하여, 측정 시의 음압 신호로부터 정상 시의 음압 신호의 특성을 제거한 값에 의해 팬 및 펌프의 이상을 검지하는 것이다.

또한, 회전 구동계로부터의 음향 신호를 시계열 데이터로서 취득하고, 이 시계열 데이터로부터 시계열 데이터가 결정론적인지 확률론적인지의 지표로 되는 결정론성을 나타내는 값, 예컨대, 병진 오차를 산출하고, 산출된 결정론성을 나타내는 값이 소정의 임계값을 초과하여 변화되었을 경우에, 구동계의 이상을 검지하는 기술이 제안되어 있다(특허 문헌 2).

일본 공개 특허 공보 제 평성 10-133740호 일본 공개 특허 공보 제 2008-14679호

R. Wayland, D. Bromley, D. Pickett and A. Passamante, Physical Review Letters, Vol. 70, pp.580-582 (1993) C. Bandt and B. Pompe, Physical Review Letters, Vol. 88, pp. 174102-1-174102-4, 2002

그러나 특허 문헌 1의 기술에서는, 설비마다의 특성 차이에 따라 이상음의 주파수와 검출 레벨을 조정해야 한다. 또한, 정상 시 소리와 이상 시 소리의 스펙트럼 분포에 특징적인 차이가 발견되지 않는 경우에는, 이상음을 검출하는 것이 곤란하다.

또한, 특허 문헌 2의 기술에서는, 설비가 정상인 상태에서의 시계열 데이터가 결정론적일 경우에는, 결정론성을 나타내는 값이 소정의 임계값을 초과하여 작은 값이 되었을 때에 이상 있음이라고 판단하고, 반대로 설비가 정상인 상태에서의 시계열 데이터가 확률론적일 경우에는, 결정론성을 나타내는 값이 소정의 임계값을 초과하여 큰 값이 되었을 때에 이상 있음이라고 판단하지만, 시계열 데이터가 정상 시 및 이상 시의 양쪽 모두에서 확률론적 또는 결정론적일 경우에는, 정상 시와 이상 시의 구별이 곤란해져 버린다.

본 발명은 이러한 사정을 감안하여 이루어진 것이며, 회전 구동계 등의 주기적 구동계의 이상을 고정밀도로 검지할 수 있는 주기적 구동계의 이상 검지 장치, 주기적 구동계를 갖는 처리 장치, 주기적 구동계의 이상 검지 방법 및 컴퓨터 프로그램을 제공하는 것을 과제로 한다.

본 발명의 제 1 태양에 있어서, 처리 장치에 있어서의 처리에 이용하는 주기적 구동계로부터의 소리를 검출하는 검출 수단과, 검출된 소리로부터 시간과 함께 변동하는 시계열 데이터를 취득하는 데이터 취득 수단과, 상기 데이터 취득 수단에서 취득한 시계열 데이터로부터, 그 시계열 데이터가 결정론적인지 확률론적인지의 지표로 되는 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량을 소정 시간마다 복수 산출하는 결정론성값 산출 수단과, 상기 복수의 산출된 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량의 확률 분포를 산출하는 확률 분포 산출 수단과, 상기 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량의 확률 분포에 근거하여 상기 주기적 구동계의 이상 여부를 판정하는 판정 수단을 구비하는 것을 특징으로 하는 주기적 구동계의 이상 검지 장치를 제공한다.

이러한 경우에, 상기 확률 분포 산출 수단에서 산출된 확률 분포로부터 도형 정보를 작성하는 도형 정보 작성 수단을 더 구비하되, 상기 판정 수단은 상기 확률 분포로부터 작성된 상기 도형 정보를, 미리 구한 정상음 모델의 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량의 확률 분포로부터 작성한 정상음 도형 정보 및/또는 1 또는 2 이상의 이상음 모델의 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량의 확률 분포로부터 작성된 1 또는 2 이상의 이상음 도형 정보와 비교하고, 상기 도형 정보의, 정상음 도형 정보로부터의 괴리율 및/또는 이상음 도형 정보와의 유사율을 구하고, 그들에 근거하여 상기 주기적 구동계의 이상 여부를 판정하도록 구성할 수 있다.

상기 도형 정보, 상기 정상음 도형 정보, 상기 이상음 도형 정보로서, 결정론성을 나타내는 값의 확률 분포로부터 구한 히스토그램을 적절히 이용할 수 있다. 그리고 상기 판정 수단은 상기 도형 정보로서의 히스토그램과, 상기 정상음 도형 정보로서의 히스토그램 및/또는 상기 이상음 도형 정보로서의 히스토그램을 평균, 분산, 첨도(尖度), 왜도(歪度)의 4개의 특징 벡터로 비교하여, 상기 정상음 도형 정보로부터의 괴리율 및/또는 상기 이상음 도형 정보의 유사율을 구할 수 있다. 또한, 상기 판정 수단은 상기 도형 정보로서의 히스토그램과, 상기 정상음 도형 정보로서의 히스토그램 및/또는 상기 이상음 도형 정보로서의 히스토그램을 비교하기 위한 특징 벡터로서, 소리의 시간적 연속성, 소리의 주기 의존성을 또한 이용할 수 있다.

상기 정상음 도형 정보로부터의 괴리율 및/또는 상기 이상음 도형 정보의 유사율은 상기 특징 벡터를 교사(敎師) 데이터의 초기값으로 채용하고, 서포트 벡터 머신을 이용하여 2 클래스로 분리하고, 그것에 의해 얻어진 값에 의해 파악하고, 그 값이 소정의 임계값을 초과하는지 여부에 따라 이상 여부를 판정할 수 있다.

상기 결정론성을 나타내는 값으로서 상기 시계열 데이터로부터 산출되는 병진 오차를 이용하고, 상기 결정론성값 산출 수단은 상기 시계열 데이터를 소정 시간마다 복수로 분할하고, 각각으로부터 어느 차원의 매립 벡터를 산출하는 매립 수단과, 소정 시간마다 분할된 시계열 데이터의 각각에 대해, 상기 매립 수단에서 산출된 매립 벡터 중 임의의 매립 벡터에 대해서 소정수의 가장 근접하는 벡터를 추출하는 최근접 벡터 추출 수단과, 소정 시간마다 분할된 시계열 데이터의 각각에 대해서, 상기 최근접 벡터 추출 수단에서 추출된 소정수의 가장 근접하는 벡터의 분산인 병진 오차를 산출하는 병진 오차 산출 수단을 갖는 것으로 할 수 있다.

또는 상기 결정론성을 나타내는 값으로서, 상기 시계열 데이터로부터 산출되는 순열 엔트로피를 이용하고, 상기 결정론성값 산출 수단은 상기 시계열 데이터를 시간적으로 소정 시간마다 복수로 분할하고, 각각으로부터 어느 차원의 매립 벡터를 산출하는 매립 수단과, 소정 시간마다 분할된 시계열 데이터의 각각에 대해, 상기 매립 수단에서 산출되는 상기 소정 시간에서의 상기 시계열 데이터로부터 산출되는 모든 상기 매립 벡터에 대해서, 상기 매립 벡터 요소의 대소 관계에서 상기 요소에 순서를 부여하여, 같은 순서를 갖는 매립 벡터의 개수를 순열 실현 회수로서 누계하고, 상기 순열 실현 회수로부터 상기 순열 엔트로피 산출 과정에서의 중간 변화량인, 상기 소정 시간에서의 상기 시계열 데이터로부터 산출되는 모든 상기 매립 벡터의 수에 대한 상대 실현 회수를 산출하는 상대 실현 회수 산출 수단을 갖고, 상기 확률 분포 산출 수단은 상기 상대 실현 회수의 확률 분포를 산출하는 것으로 할 수 있다.

또한, 상기 이상 판정 수단에 의해 이상이라고 판정되었을 때에, 그 취지를 표시하는 표시 수단을 더 구비해도 좋다.

본 발명의 제 2 태양에 있어서, 소정 처리를 실행하는 처리 장치 본체와, 상기 처리 장치 본체에서의 처리에 이용하는 주기적 구동계와, 상기 주기적 구동계의 이상을 검지하는 이상 검지 장치를 구비하는 주기적 구동계를 갖는 처리 장치로서, 상기 이상 검지 장치는 상기 주기적 구동계로부터의 소리를 검출하는 검출 수단과, 검출된 소리로부터 시간과 함께 변동하는 시계열 데이터를 취득하는 데이터 취득 수단과, 상기 데이터 취득 수단에서 취득한 시계열 데이터로부터, 그 시계열 데이터가 결정론적인지 확률론적인지의 지표로 되는 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량을 소정 시간마다 복수 산출하는 결정론성값 산출 수단과, 상기 복수의 산출된 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량의 확률 분포를 산출하는 확률 분포 산출 수단과, 상기 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량의 확률 분포에 근거하여 상기 주기적 구동계의 이상 여부를 판정하는 판정 수단을 구비하는 것을 특징으로 하는 주기적 구동계를 갖는 처리 장치를 제공한다.

상기 이상 검지 장치는, 상기 판정 수단에서 상기 주기적 구동계가 이상하다고 판정되었을 경우에, 상기 장치 본체에 장치 이벤트를 발행하여 경보를 발생시키는 장치 이벤트 발행 수단을 더 갖는 것이 바람직하다.

본 발명의 제 3 태양에 있어서, 처리 장치에서의 처리에 이용하는 주기적 구동계로부터 검출된 소리로부터 시간과 함께 변동하는 시계열 데이터를 취득하는 데이터 취득 단계와, 상기 데이터 취득 단계에서 취득한 시계열 데이터로부터, 그 시계열 데이터가 결정론적인지 확률론적인지의 지표로 되는 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량을 소정 시간마다 복수 산출하는 결정론성값 산출 단계와, 상기 복수 산출된 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량의 확률 분포를 산출하는 확률 분포 산출 단계와, 상기 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량의 확률 분포에 근거하여 상기 주기적 구동계의 이상 여부를 판정하는 판정 단계를 구비하는 것을 특징으로 하는 주기적 구동계의 이상 검지 방법을 제공한다.

이런 경우에, 상기 확률 분포 산출 단계에서 산출된 확률 분포로부터 도형 정보를 작성하는 도형 정보 작성 단계를 더 구비하고, 상기 판정 단계는 상기 확률 분포로부터 작성된 상기 도형 정보를, 미리 구한 정상음 모델의 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량의 확률 분포로부터 작성된 정상음 도형 정보 및/또는 1 또는 2 이상의 이상음 모델의 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량의 확률 분포로부터 작성된 1 또는 2 이상의 이상음 도형 정보와 비교하여, 상기 도형 정보의, 정상음 도형 정보로부터의 괴리율 및/또는 이상음 도형 정보와의 유사율을 구하고, 그들에 근거하여 상기 주기적 구동계의 이상 여부를 판정하도록 할 수 있다.

상기 도형 정보, 상기 정상음 도형 정보, 상기 이상음 도형 정보로서, 결정론성을 나타내는 값의 확률 분포로부터 구한 히스토그램을 적절히 이용할 수 있다. 그리고 상기 판정 단계는 상기 도형 정보로서의 히스토그램과, 상기 정상음 도형 정보로서의 히스토그램 및/또는 상기 이상음 도형 정보로서의 히스토그램을, 평균, 분산, 첨도, 왜도의 4개의 특징 벡터로 비교하고, 상기 정상음 도형 정보로부터의 괴리율 및/또는 상기 이상음 도형 정보와의 유사율을 구할 수 있다. 또한, 상기 판정 단계는 상기 도형 정보로서의 히스토그램과, 상기 정상음 도형 정보로서의 히스토그램 및/또는 상기 이상음 도형 정보로서의 히스토그램을 비교하기 위한 특징 벡터로서, 소리의 시간적 연속성, 소리의 주기 의존성을 또한 이용할 수 있다.

상기 정상음 도형 정보로부터의 괴리율 및/또는 상기 이상음 도형 정보의 유사율은 상기 특징 벡터를 교사 데이터의 초기값으로 채용하고, 서포트 벡터 머신을 이용하여 2 클래스로 분리하여, 그것에 의해 얻어진 값에 의해 파악하고, 그 값이 소정의 임계값을 초과하는지 여부에 따라 이상 여부를 판정할 수 있다.

상기 결정론성을 나타내는 값으로서, 상기 시계열 데이터로부터 산출되는 병진 오차를 이용하고, 상기 결정론성값 산출 단계는 상기 시계열 데이터를 소정 시간마다 복수로 분할하고, 각각으로부터 어느 차원의 매립 벡터를 산출하고, 소정 시간마다 분할된 시계열 데이터의 각각에 대해서, 상기 산출된 매립 벡터 중, 어떤 매립 벡터에 대해 소정수의 가장 근접하는 벡터를 추출하고, 소정 시간마다 분할된 시계열 데이터의 각각에 대해서, 상기 추출된 소정수의 가장 근접하는 벡터의 분산인 병진 오차를 산출하는 것으로 할 수 있다.

또는 상기 결정론성을 나타내는 값으로서 상기 시계열 데이터로부터 산출되는 순열 엔트로피를 이용하고, 상기 결정론성값 산출 단계는 상기 시계열 데이터를 시간적으로 소정 시간마다 복수로 분할하고, 각각으로부터 어느 차원의 매립 벡터를 산출하고, 소정 시간마다 분할된 시계열 데이터의 각각에 대해서, 산출된 상기 소정 시간에서의 상기 시계열 데이터로부터 산출되는 모든 상기 매립 벡터에 대해서, 상기 매립 벡터 요소의 대소 관계에서 상기 요소에 순서를 부여하고, 같은 순서를 갖는 매립 벡터의 개수를 실현 회수로서 누계하고, 이 실현 회수로부터, 상기 순열 엔트로피 산출 과정에서의 중간 변화량인, 상기 소정 시간에서의 상기 시계열 데이터로부터 산출되는 모든 상기 매립 벡터의 수에 대한 상대 실현 회수를 산출하고, 상기 확률 분포 산출 단계는 상기 상대 실현 회수의 확률 분포를 산출하는 것으로 할 수 있다. 상기 이상 판정 단계에서 이상이라고 판정되었을 때, 그 취지를 표시하는 표시 단계를 더 구비해도 좋다.

본 발명의 제 4 태양에 있어서, 처리 장치에서의 처리에 이용하는 주기적 구동계의 이상을 검지하기 위해, 컴퓨터에, 처리 장치에서의 처리에 이용하는 주기적 구동계로부터 검출된 소리로부터 시간과 함께 변동하는 시계열 데이터를 취득하는 데이터 취득 단계와, 상기 데이터 취득 단계에서 취득한 시계열 데이터로부터, 그 시계열 데이터가 결정론적인지 확률론적인지의 지표로 되는 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량을 소정 시간마다 복수 산출하는 결정론성값 산출 단계와, 상기 복수 산출한 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량의 확률 분포를 산출하는 확률 분포 산출 단계와, 상기 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량의 확률 분포에 근거하여 상기 주기적 구동계의 이상 여부를 판정하는 판정 단계를 행하는 것을 특징으로 하는 컴퓨터 프로그램을 제공한다.

본 발명에 있어서, 전기 주기적 구동계로서, 회전 구동, 직선 구동, 진동, 및 팽창·수축 구동을 행하는 것을 들 수 있다.

본 발명에 따르면, 회전 구동계 등의 주기적 구동계로부터의 소리를 검출해서 시계열 데이터를 취득하고, 시계열 데이터로부터, 그 시계열 데이터가 결정론적인지 확률론적인지의 지표로 되는 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량을 소정 시간마다 복수 산출하고, 이들 복수의 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량으로부터 확률 분포를 산출하고, 이 확률 분포에 근거하여 주기적 구동계의 이상 여부를 판정하므로, 이상 시와 정상 시의 결정론성을 나타내는 값의 차이가 얼마 안 되어도, 큰 차이로서 파악할 수 있다. 이 때문에, 결정론성을 나타내는 값이 결정론적인가 확률론적인가에 관계없이, 이상 시와 정상 시의 차이를 충분히 파악할 수 있어, 매우 정확하게 주기적 구동계의 이상을 검지할 수 있다.

도 1은 본 발명의 제 1 실시예와 관련된 주기적 구동계로서의 회전 구동계의 이상 검지 장치의 개략 구성을 나타내는 모식도이다.
도 2는 본 발명의 제 1 실시예와 관련된 주기적 구동계로서의 회전 구동계의 이상 검지 장치를 나타내는 블럭도이다.
도 3은 본 발명의 제 1 실시예에 있어서의 주기적 구동계로서의 회전 구동계의 이상 검지 동작의 일례를 나타내는 흐름도이다.
도 4는 정상음의 시계열 데이터의 예와 이상음의 시계열 데이터의 예를 나타내는 도면이다.
도 5는 횡축에 매립 차원을 취하고, 종축에 병진 오차의 값을 취하여, 정상 시와 이상 시에 있어서의 이들의 관계를 나타내는 그래프이다.
도 6은 병진 오차의 확률 분포를 나타내는 도면이다.
도 7은 정상 시(정상음)의 병진 오차의 확률 분포 p1(x1(t))로부터 작성된 히스토그램의 예를 나타내는 도면이다.
도 8은 이상 시(이상음)의 병진 오차의 확률 분포 p2(x2(t))로부터 작성된 히스토그램의 예를 나타내는 도면이다.
도 9는 도 7의 정상음의 히스토그램과 도 8의 이상음의 히스토그램에 관한 4개의 특징 벡터(평균(average), 분산(variance), 첨도(kurtosis), 왜도(skewness ))를 나타내는 도면이다.
도 10은 병진 오차의 산출 단위인 150㎳의 회전 각도를 나타내는 도면이다.
도 11a 및 11는 도 7의 정상음의 히스토그램과 도 8의 이상음의 히스토그램에 대하여, 병진 오차의 계산 결과를 3sec(1 주기)마다 분할해서 회전 주기 의존 판정을 가시화한 도면이며, 도 11a가 정상음에 대응하는 것, 도 11b가 이상음에 대응하는 것이다.
도 12는 180∼216°의 위치에 이상음의 문제가 있는 상태를 나타내는 도면이다.
도 13은 도 12의 시의 회전 주기 의존 판정을 가시화한 도면이다.
도 14는 WE룰(Western·Electric·Rule)을 적용했을 때의 이상 판정의 예를 나타내는 도면이다.
도 15는 제 1 실시예와 관련된 이상 검지 장치를 내장한 처리 장치의 예를 나타내는 도면이다.
도 16은 본 발명의 제 2 실시예와 관련된 주기적 구동계로서의 회전 구동계의 이상 검지 장치를 나타내는 블럭도이다.
도 17은 본 발명의 제 2 실시예에서의 주기적 구동계로서의 회전 구동계의 이상 검지 동작의 일례를 나타내는 흐름도이다.

이하, 첨부 도면을 참조하여 본 발명의 실시예에 대해 설명한다. 본 실시형태에서는 주기적 구동계의 예로서 회전 구동계에 대해 설명한다.

<제 1 실시예>

도 1은 본 발명의 제 1 실시예와 관련된 주기적 구동계로서의 회전 구동계의 이상 검지 장치의 개략 구성을 나타내는 모식도이고, 도 2는 그 블럭도이다.

회전 구동계의 이상 검지 장치(100)는 처리 장치(200)에서의 처리에 이용하는 회전 구동계(300)의 이상을 회전 구동계(300)의 소리에 의해 검지하는 것이고, 회전 구동계(300)의 소리를 음압 신호로서 검출하는 비접촉형 마이크로폰 센서(1)(검출 수단)와, 검출된 음압 신호를 증폭하는 프리앰프(2)와, 프리앰프(2)에서 증폭된 음압 신호에 근거하여 회전 구동계의 이상을 검지하고, 그 결과를 출력하는 검지부(10)를 갖고 있다. 검지부(10)에는, 조작부(21)(키보드, 마우스 등), 표시부(22)(디스플레이), 인자부(23)(프린터)가 접속되어 있다. 처리 장치(200)로는, 마그네트론 에칭 장치가 예시되고, 회전 구동계(300)로는 다이폴 링 마그네트(DRM)가 예시된다.

검지부(10)는, 예컨대, 퍼스널 컴퓨터(PC)로 구성되고, 데이터 로거(11)와 제어부(12)와 주기억부(13)와 외부 기억부(14)를 갖고 있다.

데이터 로거(11)는 프리앰프(2)에서 증폭된 음압 신호를 디지털 변환하여 시계열 데이터로 하는 것이다.

제어부(12)는 CPU(Central Processing Unit)를 갖고, 데이터 로거(11)로부터의 시계열 데이터를 시계열 신호 처리하여, 회전 구동계(300)의 이상 유무를 판정하고, 그 판정 결과를 출력하기 위한 것이다.

주기억부(13)는, 예컨대, RAM으로 구성되어, 제어부(12)의 작업 영역으로서 이용되고, 데이터 로거(11)로부터 수집한 수집 시계열 데이터(41) 및 시계열 신호 처리의 연산의 과정에서 얻을 수 있는 데이터, 구체적으로는, 매립 벡터 데이터(42), 최근접 벡터 데이터(43), 1차 병진 오차 데이터(44), 2차 병진 오차 데이터(45), 병진 오차의 확률 분포 데이터(46), 히스토그램 데이터(47) 등이 기억된다.

외부 기억부(14)는 하드 디스크, 플래시 메모리, CD-ROM 등의 비휘발성 메모리로 구성되고, 그 중에는 제어부(12)에서 소정의 신호 처리를 행하게 하는 프로그램군(51)이 미리 기억된다. 또한, 이 외부 기억부(14)에는, 정상음 모델 데이터(52), 1 또는 2 이상의 이상음 모델 데이터(53), 1 또는 2 이상의 외란 노이즈 모델 데이터(54), 제어부(12)로부터 공급된 이상음 판정 데이터(55), 검지 조건 데이터(56) 등이 기억된다.

상술한 조작부(21: 키보드, 마우스 등), 표시부(22: 디스플레이), 인자부(23: 프린터)는 검지부(10)의 제어부(12)에 접속되어 있다. 조작부(21)에 의해 오퍼레이터가 제어부에 지령을 부여하고, 표시부(22)에 제어부(12)로부터 출력되는 판정 결과나 제어부(12)에 의한 처리 과정에서 필요한 데이터가 표시되고, 인자부(23)에 의해 제어부(12)로부터 출력되는 판정 결과나 제어부(12)에 의한 처리 과정에서 필요한 데이터가 인자된다. 또한, 제어부(12)에는 정상 노이즈의 스크리닝을 실행하는 정상 노이즈 스크리닝부(24)가 접속되어 있다.

다음에, 제어부(12)에 의한 신호 처리에 대해 설명한다.

제어부(12)에서는, 데이터 로거(11)로부터 디지털 데이터로 된 시계열 데이터를 시계열 신호 처리하여 주기성 신호로 변환한다. 그리고 이 주기성 신호로 변환된 시계열 데이터로부터, 이 시계열 데이터가 결정론적인지 확률론적인지의 지표로 되는 결정론성을 나타내는 값으로서 소정 시간마다의 병진 오차를 산출하여, 병진 오차의 확률 분포를 도형화한 히스토그램을 작성하고, 이 히스토그램을 정상음 모델(히스토그램) 및 1 또는 2 이상의 이상음 모델(히스토그램)과 비교함으로써, 회전 구동계의 이상 유무를 판정한다.

시계열 데이터의 병진 오차는 Wayland들의 시계열 해석 알고리즘(R. Wayland, D. Pickett and A. Passamante, Physical Review Letters, Vol. 70 pp.580-582, 1993)에 설명되어 있다. Wayland들의 시계열 해석 알고리즘을 이용하면, 복잡한 변동에서 어느 정도의 결정론적 측면이 인정받을지를 정량적으로 평가할 수 있다.

즉, 시계열 데이터 {r(ti)}(i=0, :, N-1)이 인가되었을 때, 어떤 시간 ti에서의 매립 벡터 r(ti)={r(ti), r(ti-Δt), :, r(ti- (n-1)Δt}^T를 생성한다. 우상단의 첨자 T는 전치 행렬을 나타낸다. n은 적당한 매립 차원이며, Δt는, 예컨대, 상호 정보량으로부터 선택된 적당한 시차이다.

매립 벡터의 집합으로부터, 어떤 매립 벡터 r(t0)의 Ｋ개의 최근접 벡터를 추출한다. 벡터간 거리는 유클리드 거리로 잰다. K개의 최근접 벡터를 r(tj) (j=0, :, K)로 나타내면, r(tj)의 각각에 대해서, TΔt만큼 시간이 경과한 후의 벡터는 r(tj+TΔt)이다. 이 때, 시간의 경과에 동반하는 매립 벡터의 궤도 변화는 이하의 수학식 1에 의해 근사적으로 인가된다.

시간 발전의 모양이 결정론적으로 보이면, 근접 벡터의 각 궤도군의 근접한 부분은, TΔｔ후에는 근접한 부분에 옮겨질 것이다. 따라서 v(tj)의 방향의 분산은 관측된 시간 발전이 어느 정도로 결정론적으로 보일지를 정량적으로 평가하는 지표가 된다. 이 ｖ(tj)의 방향 분산은 병진 오차(Etrans)라 불리고, 다음 식으로 부여된다.

r(t0)의 선택으로부터 발생하는 Ｅtrans의 오차를 억제하기 위해서, 무작위로 선택한 M개의 r(t0)에 관한 Ｅtrans의 중앙값을 구하는 조작을 Q회 반복, Q개의 중앙값의 평균값으로 Etrans를 평가한다. 시계열 데이터의 결정론성이 증가함에 따라 Etrans→0이 된다. 시계열 데이터가 백색 노이즈라면, 차분 벡터 v(tj)는 한결같이 등방(等方)으로 분포하기 때문에, 중앙값으로서의 Ｅtrans는 1에 가까운 값이 된다. 시계열 데이터가 강한 선형 상관을 갖는 확률 과정이라면, 자기 상관 때문에 근접 궤도군의 방향이 어느 정도 정렬되므로, Etrans는 1보다 작은 값을 취한다. 이 경우, 수치 실험에 의하면, Etrans>0.5이다. 0.1<Etrans<0.5의 범위에서는, 확률 과정일 경우도 있고, 또한 관측 노이즈에 오염된 결정론적 시계열인 경우도 있을 수 있다. Etrans<0.1이면, 확률 과정에서는 설명할 수 없고, 결정론적 측면이 충분히 인정을 받는다. 따라서 병진 오차는 결정론성을 나타내는 값으로서 이용할 수 있다.

본 실시예에서는, 상기 기능을 행하기 위해, 제어부(12)는 데이터 로거(11)로부터의 시계열 데이터를 취득하는 데이터 취득부(31), 이상 검지를 위한 조건 설정을 실행하는 조건 설정부(32), 데이터 취득부(31)에서 취득한 시계열 데이터로부터 병진 오차 Etrans를 산출하는 병진 오차 연산부(33), 병진 오차의 확률 분포를 계산하는 확률 분포 산출부(34), 확률 분포의 히스토그램을 작성하는 히스토그램 작성부(35) 및 작성한 히스토그램과 정상음 모델의 히스토그램 및 이상음 모델의 히스토그램을 비교하여 회전 구동계의 이상 유무를 판정하는 이상 판정부(36)를 갖고 있다. 또한, 기타, 회전 구동계의 회전 유무를 판정하는 회전 판정부(37), 외란 노이즈의 유무를 판정하는 외란 노이즈 판정부(38) 및 표시 처리부(39)를 갖고 있다.

데이터 취득부(31)는 데이터 로거(11)로부터 시계열 데이터를 수집하여 주기억부(13)에 수집 시계열 데이터(41)로서 기억한다. 시계열 데이터는 소정 주파수의 소리를 소정 샘플링 주기로 소정 시간 샘플링시킨다.

조건 설정부(32)는 시계열 데이터의 샘플링 주기나 샘플링 시간 등의 이상 검지를 위한 조건을 설정한다. 조건 설정부(32)에서는, 외부 기억부(14)에 기억된 검지 조건 데이터(56)로부터 적당한 조건을 호출해서 조건 설정을 실행한다.

병진 오차 연산부(33)는 매립 벡터의 생성과 최근접 벡터의 추출과 병진 오차의 연산과 병진 오차의 중앙값 연산 및 평균 처리를 행한다.

매립 벡터는, 상술한 바와 같이, 수집 시계열 데이터(41)로부터 생성된다. 매립 차원 n과 시차 Δt는 시계열 데이터의 특성에 맞춰 미리 설정해 둔다. 그리고 생성한 매립 벡터의 집합을 주기억부(13)에 매립 벡터 데이터(42)로서 기억한다.

이 매립 벡터 데이터(42)로부터 임의의 매립 벡터 r(t0)을 선택하고, 매립 벡터의 집합으로부터 선택된 매립 벡터 r(t0)에 가장 근접하는 Ｋ개의 매립 벡터, 즉 최근접 벡터(r(tj)(j=0, 1, :, K))를 추출한다. 무작위로 선택한 M개의 매립 벡터에 대해, 최근접 벡터를 추출하여, 주기억부(13)에 최근접 벡터 데이터(43)로서 기억한다. 근접 벡터의 수 K와 선택수 M은 병진 오차 연산의 통계 오차를 억제하기 위해 시계열 데이터의 성질에 따라 미리 설정한다. 또한, M개의 매립 벡터의 무작위 선택과, 그들의 최근접 벡터 추출을 Q회 반복한다.

상기 최근접 벡터의 그룹(組)으로부터 그들 방향의 분산인 병진 오차 Etrans를 계산한다. 이 때, 무작위로 선택된 M개의 매립 벡터의 최근접 벡터에 대해 병진 오차 Etrans를 계산한다. 또한 Q회의 M개의 매립 벡터의 최근접 벡터의 그룹에 대해, 병진 오차 Etrans를 계산하고, 그들의 값을 주기억부(13)에 1차 병진 오차 데이터(44)로서 기억한다. 그리고 1차 병진 오차 데이터(44)로부터 1회마다 M개의 병진 오차의 중앙값을 구하고, Q회의 반복해 각각의 중앙값의 평균을 산출하고, 그들의 값을 주기억부(13)에 2차 병진 오차 데이터(45)로서 기억하고, 확률 분포를 산출하기 위해, 이 2차 병진 오차 데이터(45)를 병진 오차로서 사용한다. 이 평균값으로서의 병진 오차를 소정 시간마다, 예컨대, 150㎳ 단위마다 구한다.

확률 분포 산출부(34)는, 예컨대, 150㎳마다 구한 상기 2차 병진 오차 데이터로부터, 병진 오차의 확률 분포를 산출한다. 병진 오차의 확률 분포는 시간 t에서의 병진 오차의 확률 과정 x(t)를 이용하여 p(x(t))로 나타낸다. 산출된 병진 오차의 확률 분포는 주기억부(13)에 병진 오차의 확률 분포 데이터(46)로서 기억된다. 확률 분포 산출에 있어서는, 측정 시간을 소정 시간마다 분할하고, 그 시간 내의 병진 오차에 대해서 계산을 실행한다. 예컨대, 5min의 시계열 데이터를 1min마다 분할하고, 그 분할한 1min을 확률 분포 계산의 규정 시간으로 정의하고, 그 1min 사이에 150㎳마다 산출된 병진 오차에 대해 확률 분포를 구한다.

히스토그램 작성부(35)는 확률 분포 데이터에 근거하여, 도형 정보로서 병진 오차의 값마다의 빈도를 나타내는 히스토그램을 작성한다. 작성된 히스토그램은 주기억부(13)에 히스토그램 데이터(47)로서 기억된다.

이상 판정부(36)는 이와 같이 하여 작성된 히스토그램 데이터와, 미리 외부 기억부(14)에 기억되어 있는 정상음 모델 데이터(52) 및 1 또는 2 이상의 이상음 모델 데이터(53)를 비교하여, 회전 구동계의 이상 유무를 판정한다.

구체적으로는, 외부 기억부(14)의 정상음 모델 데이터(52)는 정상음 모델의 시계열 데이터에 대해 상기 신호 처리와 마찬가지로 병진 오차의 확률 분포로부터 작성된 히스토그램 데이터이며, 이상음 모델 데이터(53)는 1 또는 2 이상의 이상음 모델의 시계열 데이터에 대해 상기 신호 처리와 마찬가지로 병진 오차의 확률 분포로부터 작성된 히스토그램 데이터이며, 검지 대상 데이터의 히스토그램과 정상음 모델의 히스토그램를 비교하여 정상음 모델로부터의 괴리율을 구하고, 또한 검지 대상 데이터의 히스토그램과 1 또는 2 이상의 이상음 모델의 히스토그램을 비교하여 이상음 모델과의 유사율을 구하며, 이들로부터 이상 유무를 판정한다.

회전 판정부(37)는 시계열 신호가 소정의 음압 레벨 이상인지 여부를 판정하고, 소정의 음압 레벨 이상인 경우에 회전 구동계가 회전하고 있다고 하여 이상 검지 시퀀스를 실행하도록 한다.

외란 노이즈 판정부(38)는 상술한 바와 같이 하여 시계열 데이터의 병진 오차로부터 구한 확률 분포의 히스토그램과, 외부 기억부(14)에 기억되어 있는 1 또는 2 이상의 외란 노이즈 모델 데이터(54)를 비교하여 외란 노이즈의 유무를 판정한다.

외부 기억부(14)의 외란 노이즈 모델 데이터(54)는 외란 노이즈의 시계열 데이터에 대해 상기 신호 처리와 마찬가지로 병진 오차의 확률 분포로부터 작성된 히스토그램 데이터이며, 검지 대상 데이터의 히스토그램과 외란 노이즈 모델을 비교하여 외란 노이즈 모델과의 유사성을 파악하고, 일정한 유사성이 있다고 판단했을 때에 외란 노이즈 있음이라고 판정하여, 이상 판정부(36)에 의한 판정을 실행하지 않도록 한다.

표시 처리부(39)는 병진 오차의 평균값의 추이, 병진 오차의 확률 분포, 히스토그램, 이상 검지 결과를 표시부(22)에 표시시킴과 아울러, 인자부(23)에 인자 출력시킨다. 이상을 검지했을 때에, 라이트를 점멸시키는 등의 경보 표시를 실행해도 좋다. 또한, 이러한 경보 표시와 함께 부저 등의 경보음을 울리도록 해도 좋다.

다음에, 이와 같이 구성되는 제 1 실시예와 관련된 회전 구동계의 이상 검지 장치에 있어서의 이상 검지 동작에 대해서 설명한다. 또, 이하의 동작은 제어부(12)의 지령에 근거하여 실행된다.

도 3은 제 1 실시예에서의 회전 구동계의 이상 검지 동작의 일례를 나타내는 흐름도이다. 우선, 검지 대상인 회전 구동계, 예컨대, 다이폴 링 마그네트(DRM)의 회전 구동계(300)의 소리를 비접촉형 마이크로폰 센서(1)에서 음압 신호로서 검출하고, 프리앰프(2)에서 증폭하여, 검지부(10)의 데이터 로거(11)를 통해 시계열 데이터로서 입력한다(단계 S1). 구체적으로는, 프리앰프(2)에서 증폭된 음압 신호를 데이터 로거(11)로 디지털 변환해서 시계열 데이터로 하고, 데이터 취득부(31)를 통해 수집된 후, 수집 시계열 데이터(41)로서 주기억부(13)에 기억된다. 시계열 데이터는 소정 주파수의 소리를 소정의 샘플링 주기로 소정 시간 샘플링시킨다. 측정 조건의 구체예 로는 이하의 것을 들 수 있다.

· 센서 주파수 대역: 20㎐∼10㎑

· 샘플링 주파수: 100㎲(10㎑)

· 이상 판정의 규정 시간: 5min

· 가속도 분해능：±1.00㎨ 이상

정상음의 시계열 데이터의 예와 이상음의 시계열 데이터의 예를 도 4에 나타내지만, 연속적인 생(生) 파형에서 명확한 차이를 파악하는 것은 매우 곤란하다.

다음에, 회전 판정부(37)에서 회전 구동계(300)가 회전 중인지 여부를 판정한다(단계 S2). 구체적으로는, 시계열 신호가 소정의 음압 레벨 이상인지 여부를 판정하고, 소정의 음압 레벨 이상인 경우에 회전 구동계가 회전하고 있다고 판정하여, 이후의 이상 검지 시퀀스를 속행하고, 회전하지 않는다고 판정했을 경우에는 시퀀스를 종료한다. 여기에서는, 검출 오류를 막는 관점에서, 가능한 한 간단한 신호 처리가 바람직하고, 예컨대, 규정 시간의 시계열 데이터에 대하여 인벨로프 필터 등을 건 후, 평균, 분산이 규정 범위 내에 있으면 회전 구동계가 회전하고 있는 것으로 한다.

회전 구동계의 회전이 확인된 후, 정상 노이즈 스크리닝부(24)에서, 환경에 기인한 강(强) 정상 파형인 정상 노이즈의 스크리닝을 실행한다(단계 S3). 이것은 정상 노이즈가 존재하는 주파수 대역에서의 S/N비의 현저한 저하를 해소하기 위함이며, 밴드패스 필터를 이용하여 정상 노이즈를 스크리닝 한다. 스크리닝 시에는, 외란 노이즈가 없게 회전 구동계가 정지한 상태에서 소리의 측정을 실행하고, 얻어진 시계열 데이터의 주파수 성분을 분석한 후, 그것에 근거하여 정상 노이즈 스크리닝부(24)에서 스크리닝을 실행한다.

다음에, 시계열 데이터로부터 병진 오차의 연산을 실행한다(단계 S4). 여기에서는, 병진 오차 연산부(33)에서, 매립 벡터의 생성과 최근접 벡터의 추출과 병진 오차의 연산과 병진 오차의 중앙값 연산 및 평균 처리를 한다.

구체적으로는, 최초에, 수집 시계열 데이터(41)로부터, 그 특성에 맞춰 미리 설정되어 있는 매립 차원 n과 시차 Δt에서 매립 벡터 r(ti)을 생성한다. 그리고 매립 벡터의 집합으로부터 무작위로 M개의 매립 벡터를 선택하고, 이들 M개의 매립 벡터에 대해, 최근접 벡터를 추출하며, 이러한 M개의 매립 벡터의 무작위 선택과, 그들의 최근접 벡터 추출을 Q회 반복하여, 이들 최근접 벡터의 그룹로부터 그들 방향의 분산인 병진 오차 Etrans를 계산하고, 1차 병진 오차 데이터(44)라 한다. 그리고 1차 병진 오차 데이터(44)로부터 1회마다 M개의 병진 오차의 중앙값을 구하고, Q회 반복해 각각의 중앙값의 평균을 산출하며, 그들 값을 2차 병진 오차 데이터(45)라고 하고, 이 2차 병진 오차 데이터(45)를 확률 분포를 산출하기 위한 병진 오차로서 사용한다.

시차 Δt가 6㎳일 때의 정상 시와 이상 시의 병진 오차의 예를 도 5에 나타낸다. 도 5는 가로축에 매립 차원을 취하고, 세로축에 병진 오차의 값을 취하여, 정상 시와 이상 시에서의 이들의 관계를 나타내는 그래프다. 도면에서, x1이 정상 시의 것이고, x2가 이상 시의 것이다. 매립 차원이 3 이상에서는 양자의 병진 오차에 큰 차이는 볼 수 없다.

다음으로, 확률 분포 산출부(34)에 의해 소정 시간 실행한 병진 오차의 연산에 의해 얻어진 복수의 2차 병진 오차 데이터를 이용하여 병진 오차의 확률 분포를 산출한다(단계 S5). 이 확률 분포 산출은, 예컨대, 5min의 시계열 데이터를 1min 마다 분할하고, 그 분할한 1min 사이의 병진 오차를 이용하여 실행된다.

x(t)에 관한 확률 분포p(x(t))를 구하면 도 6에 나타낸 바와 같이 된다. 또, 도 6은 정상 시의 예를 나타낸 것이다. 또한, 확률 분포의 산출에 사용하는 샘플 수는 정상성(定常性)이나 에르고딕성(ergodic property)의 평가를 근거로 해서 결정하는 것이 바람직하다.

다음으로, 히스토그램 작성부(35)에 의해, 확률 분포 데이터에 근거하여, 병진 오차의 값마다의 빈도를 나타내는 히스토그램을 작성한다(단계 S6). 도 7은 정상 시(정상음)의 병진 오차의 확률 분포 p1(x1(t))로부터 작성된 히스토그램의 예이며, 도 8은 이상 시(이상음)의 병진 오차의 확률 분포 p2(x2(t))로부터 작성된 히스토그램의 예이다. 도 7 및 도 8에 나타내는 바와 같이, 양자에는 명확한 차이가 인정된다.

다음으로, 외란 노이즈 판정부(38)에 의해 이상과 같이 작성한 히스토그램과, 외란 노이즈 모델의 히스토그램과 1 또는 2 이상의 외란 노이즈 모델 데이터(54)와 비교하여, 외란 노이즈의 유무를 판정한다(단계 S7).

반도체 제조 장치 등의 처리 장치가 마련되는 현장에서는, 여러 가지 장치의 작동음 발생이 상정되고, 이들 외란 요소가 오검지의 원인이 될 수 있기 때문에, 이와 같이 오검지될 수 있는 소정 시간(예컨대, 1min) 이상 연속하는 작동음의 존재가 명확할 경우에, 미리 외란 노이즈 모델을 작성해 두고, 이 외란 노이즈 모델과 비교하여 외란 노이즈의 유무를 판정하는 것이다.

외란 노이즈의 모델링은 이하의 순서로 실행된다.

(a) 모델링 대상이 되는 외란 노이즈를 이상 판정의 규정 시간만큼 측정한다. 연속 1min 이상의 측정이 불가능할 경우에는, 분할 측정 후에 시계열 데이터를 결합하여도 상관없다.

(b) 측정된 노이즈의 특징적 주파수를 추출한다.

(c) 노이즈의 우수리 수가 해석 조건과 겹치지 않을 경우에는, 정상 노이즈의 취급과 같은 것으로 한다.

(d) 노이즈의 주파수가 해석 조건과 겹칠 경우는, 외란 노이즈의 해석 조건으로서 등록하고, 위에서 설명한 검지 대상의 시계열 데이터의 신호 처리와 마찬가지로 처리해서 병진 오차의 확률 분포로부터 히스토그램을 작성하고, 외란 노이즈 모델(54)로서 외부 기억부(14)에 기억시킨다. 상정되는 외란 노이즈가 2 이상 있을 경우에는 마찬가지의 외란 노이즈 모델을 그 수만큼 작성한다.

외란 노이즈의 유무의 판정에 있어서는, 작성된 1 또는 2 이상의 외란 노이즈 모델 데이터(54)의 히스토그램에 관한 검지 대상 데이터의 히스토그램의 유사성을 파악하고, 일정한 유사성이 있다고 판단했을 때에 외란 노이즈 있음이라고 판정하여, 시퀀스를 종료하고, 유사성을 인정받을 수 없는 경우에만 시퀀스를 속행한다.

외란 노이즈가 발생하지 않는다고 판단되었을 경우에는, 다음에, 이상 판정부(36)에 의해 검지 대상의 이상 판정을 실행한다(단계 S8).

이상 판정은 검지 대상의 시계열 데이터의 병진 오차로부터 작성된 히스토그램 데이터와, 미리 외부 기억부(14)에 기억되어 있는 정상음 모델 데이터(52) 및 1 또는 2 이상의 이상음 모델 데이터(53)를 비교함으로써 실행한다.

정상음 모델 데이터(52)는 정상음 모델의 시계열 데이터에 대해 상기 신호 처리와 마찬가지로 병진 오차의 확률 분포로부터 작성한 히스토그램 데이터이며, 이상음 모델 데이터(53)는 1 또는 2 이상의 이상음 모델의 시계열 데이터에 대해 상기 신호 처리와 마찬가지로 병진 오차의 확률 분포로부터 작성한 히스토그램 데이터이다. 그리고 검지 대상 데이터의 히스토그램과 정상음 모델의 히스토그램을 비교하여 정상음 모델로부터의 괴리율을 구하고, 또한 검지 대상 데이터의 히스토그램과 1 또는 2 이상의 이상음 모델의 히스토그램을 비교하여 이상음 모델과의 유사율을 구하며, 이들로부터 이상 유무를 판정한다.

이상음 모델은 하나라도 좋지만, 구동 부분의 스침 방법에 의해 이상음이 나는 방법에도 차이가 발견되기 때문에 복수의 이상음 샘플로부터 복수의 이상음 모델을 이용하는 것이 바람직하다.

이상음의 모델링은 이하의 순서로 실행된다.

(a) 모델링 대상으로 되는 이상음을 이상 판정의 규정 시간만큼 측정한다.

(b) 정상 노이즈의 스크리닝을 실시한다.

(c) 측정된 이상음으로부터 특징적 주파수를 추출한다. 복수의 이상음 샘플이 있을 경우에는, 이들의 공통 주파수를 추출한다.

(d) (c)에서 얻어진 주파수로부터 웨이랜드 테스트(Wayland Test)의 샘플링 주기를 구하여 이상음의 해석 조건으로 하고, 위에서 설명한 검지 대상의 시계열 데이터의 신호 처리와 마찬가지로 처리하여 병진 오차의 확률 분포로부터 히스토그램을 작성하고, 이상음 모델 데이터(53)로서 외부 기억부(14)에 기억시킨다. 상정되는 이상음이 2 이상인 경우에는 마찬가지의 이상음 모델을 그 수만큼 작성한다.

정상음의 시계열 데이터로부터 구한 병진 오차로부터의 괴리율을 이상 판정에 이용하지만, 이상 판정 조건의 하나는 회전 구동부의 회전 공진 주파수로 할 수 있다.

정상음의 모델링은 이하의 순서로 실행된다.

(a) 정상음을 이상 판정의 규정 시간만큼 측정하고, 정상음 샘플로 한다.

(b) 정상 노이즈의 스크리닝을 실시한다.

(c) 정상음 샘플의 특징적 주파수를 추출한다.

(d) (c)에서 얻어진 주파수로부터 웨이랜드 테스트(Wayland Test)의 샘플링 주기를 구하여 정상음의 해석 조건으로 하고, 위에서 설명한 검지 대상의 시계열 데이터의 신호 처리와 마찬가지로 처리하여 병진 오차의 확률 분포로부터 히스토그램을 작성하며, 정상음 모델 데이터(52)로서 외부 기억부(14)에 기억시킨다.

정상음으로부터의 괴리율 및 이상음과의 유사율을 파악하기 위해서는, 예컨대, 단계 S6에서 작성한 히스토그램 및 정상음 모델(히스토그램) 및 이상음 모델(히스토그램)에 대해, 이들의 히스토그램의 경향을 4개의 특징 벡터(평균(average), 분산(variance), 첨도(kurtosis), 왜도(skewness))로 집약하여, 이들의 특징 벡터를 비교하는 것을 들 수 있다.

도 9는 도 7의 정상음의 히스토그램과 도 8의 이상음의 히스토그램에 관한 상기 4개의 특징 벡터를 나타내는 것이며, 정상음과 이상음의 이들 4개의 특징 벡터에 큰 차이가 있는 것을 알 수 있다.

또한, 베어링의 편마모나 구동 기어에 이물질이 들어가는 등, 베어링의 특정 부분에 문제가 있었을 경우, 회전 구동계의 회전 주기에 의존한 일정 간격의 이음(異音)이 발생할 가능성이 있지만, 이것에 대해서는 병진 오차의 히스토그램 데이터로부터 특징 벡터로서 음의 시간적 연속성(continuity)과 회전 주기 의존성(angle)을 구하는 것에 의해 파악할 수 있다. 따라서 특징 벡터로서 시간적 연속성(continuity)과 회전 주기 의존성(angle)을 추가해도 좋다.

회전 구동계, 예컨대, DRM 마그네틱 회전 속도를 20rpm이라 하면 회전 주기가 3sec이며, 병진 오차의 산출 단위인 150㎳는, 도 10에 나타내는 바와 같이, 회전 각도로 하면 18°에 상당한다. 도 11은 도 7의 정상음의 히스토그램과 도 8의 이상음의 히스토그램에 대하여, 병진 오차의 계산 결과를 3sec(1주기)마다 분할해서 회전 주기 의존 판정을 가시화한 것이며, (a)가 정상음에 대응하는 것, (b)가 이상음에 대응하는 것이다. 이들은 가로축이 각도, 세로축이 측정 시간을 나타내고, 병진 오차의 차이를 밝기의 차로 나타낸 것이며, 가로 방향의 밝기의 관계는 음의 시간적 연속성을 의미하고, 세로 방향의 밝기의 관계는 음의 특정 각도에서의 재현성을 의미한다. 도 11에 나타내는 바와 같이, 정상음 ｐ1에서는 분산이 작고 밝기가 근접한 모자이크로 표시되어 있지만, 이상음 p2에서는 병진 오차의 기복이 심한 시간대를 확인할 수 있다.

또한, 예컨대, 도 12에 나타내는 바와 같이, 180∼216°의 위치에 이음(異音)의 문제가 있었을 경우, 도 13에 나타내는 바와 같이, 세로 방향의 선이 확인될 것이다. 이들의 특징은 열(列)의 평균을 구하고, 그들의 분산을 구함으로써 얻을 수 있는 병진 오차의 기울기로부터 파악할 수 있다.

특징 벡터에서는, 도 11의 가로 방향의 시간적 연속성을 Continuity, 세로 방향의 각도 의존 재현성을 Angle로서 평가한다. Continuity는 3sec간 20샘플의 병진 오차의 평균값을 각각 계산하여 그 분산을 관찰한 것이고, Angle은 3sec 간격으로 1min간 20샘플의 병진 오차의 평균값을 각각 계산하여, 그 분산을 관찰한 것이다.

히스토그램에 의해 얻을 수 있은 정상 시(정상음)의 특징 벡터 군과, 이상 시(이상음)의 특징 벡터 군은 이하와 같이 표시된다.

f(p1)=[average(p1), variance(p1), Kurtosis(p1), skewness(p1), continuity(p1), angle(p1)]

f(p2)=[average(p2), variance(p2), Kurtosis(p2), skewness(p2), continuity(p2), angle(p2)]

검지 대상 데이터의 히스토그램과 정상음 모델 및 이상음 모델의 비교는 이들 특징 벡터를 비교함으로써 실행할 수 있다. 이런 경우에, 이상 판정의 규정 시간을 확률 분포 계산의 규정 시간으로 나눈 수만큼의 특징 벡터군이 존재할 것이다. 예컨대, 이상 판정의 측정 시간이 5min, 확률 분포 계산의 규정 시간이 1min인 경우, 하나의 모델(히스토그램)에 대해, 아래와 같이 5개의 특징 벡터 군이 생성된다.

Model1=[f1(p), f2(p), f3(p), f4(p), f5(p)]

정상음으로부터의 괴리율 및 이상음의 유사율은 이들 특징 벡터 군을 교사 데이터의 초기값으로 채용하고, 서포트 벡터 머신(SVM)을 이용하여 2 클래스로 분류함으로써 구할 수 있다. 교사 데이터의 정의는 다음과 같이 행한다.

· 이상음 유사율 판정: 이상 모델=1, 정상 모델=-1

· 정상음 괴리율 판정: 정상 모델=1, 이상 모델=-1

괴리율, 유사율은 선형적으로 변화한다고 할 수는 없기 때문에, 서포트 벡터 회귀(SＶR)의 회귀 계수를 이용한 추정값을 출력시켜서 변동의 추이를 추적해야 한다. 이상 패턴의 추가, 임계값의 최적화 등, 복수 회의 운용 경험을 거쳐, 이상 판정의 조건을 결정할 때는, WE 룰(Western Electric Rule)을 적용하는 것이 바람직하다. 예컨대, 3회 연속 임계값을 상회했을 때에 이상 있음이라고 판정하는 룰의 경우, 도 14에 나타내는 바와 같이, 임계값인 0.6을 2회 연속하여 초과한 영역 a에서는 이상이라고 판정하지 않고, 영역 b와 같이 3개 연속하여 임계값을 초과한 경우에 이상이라고 판정한다. 또한, 동일 판정에서, 연속적으로 높은 수치를 기록했을 경우에는, 장치의 상태가 변화되었다고 판단하여 장치 경고(warning)를 행할 수 있다.

또, 외란 노이즈 판정에 있어서도 마찬가지로, 외란 모델=1, 정상 모델=-1로서 서포트 벡터 머신(SVM)에 의해 판정을 행할 수 있다.

이상 판정의 결과, 이상이라고 판정된 경우에는(단계 S9; 예), 회전 구동계가 이상한 것을 표시부(22)에 표시한다(단계 S10). 또한, 동시에 인자부(23)로 인자 출력하여도 좋다. 한편, 이상이라고 판정되지 않았을 경우는(단계 S9; 아니오), 이상 표시를 하지 않는다. 이런 경우에, 「이상 없음」이라고 표시해도 좋다. 또, 이상 표시를 했을 때에, 라이트를 점멸시키는 등의 경보 표시를 실행해도 좋다. 또한, 이러한 경보 표시와 함께 부저 등의 경보음을 울리도록 해도 좋다.

이와 같이, 본 실시예의 회전 구동계의 이상 검지 장치(100)에 의해 회전 구동계의 이상 유무를 검지할 수 있다. 이 이상 검지 장치(100)는 운반 가능하여 복수의 회전 구동계를 진단하는 것이 가능하다.

DRM 등의 회전 구동계는 처리의 유무에 관계없이 장시간 회전하고 있기 때문에, 어느 정도의 시간 폭을 갖고 소리를 샘플링할 수 있다. 이 때문에, 본 실시예에서는, 소정 시간의 시계열 데이터로부터 결정론성을 나타내는 값인 병진 오차의 확률 분포를 구하고, 이에 따라 이상 판정을 행하므로, 이상 시와 정상 시의 병진 오차의 차이가 얼마 나지 않아도, 큰 차이로서 파악할 수 있고, 병진 오차가 결정론적인지 확률론적인지에 관계없이, 이상 시와 정상 시의 차이를 충분히 파악할 수 있어, 고정밀도로 회전 구동계의 이상을 검지할 수 있다. 또한, 이와 같이 순간적이 아니라 어느 정도의 긴 시간의 확률 분포에서 이상 판정을 실행하므로, 단기적인 외란 노이즈 등에 의한 오판정을 피할 수 있다. 또한, 확률 분포를 도형화(히스토그램화)하고, 정상음 모델 및 이상음 모델과 비교하므로, 특징 벡터 등을 이용함으로써 정상음과 이상음의 차이를 더욱 고정밀도로 파악할 수 있어, 더욱 더 고정밀도로 회전 구동계의 이상을 검지할 수 있다.

시계열 데이터 자체에서는, 도 4에 나타내는 바와 같이, 정상음과 이상음을 구별하는 것은 매우 곤란하다. 고속 푸리에 변환(FFT)에 의한 주파수 분석에 의해 피크를 검출하는 것은 가능하지만, 시간 경과에 따른 피크의 절대값 변동이나 피크 주파수의 분산을 정량적으로 취급하기 위해서는 과제가 많다. 본 실시예에서는, 절대값의 변동이나 주파수의 분산에 의한 병진 오차를 확률로 치환하여 논의할 수 있기 때문에, 대규모의 튜닝을 필요로 하지 않아 고효율이다.

또한, 회전 구동계의 회전 주기의 정보를 이용하여, 발생한 소리의 특징을 시간적 연속성, 회전 주기의 의존성의 관점으로 평가하는 것에 의해, 회전 구동계의 회전음이 불균일한 상태에 있는 것을 검지하기 쉬워진다고 하는 이점을 얻을 수 있다.

이상의 예는, 이상 검지 장치(100)를 운반 가능하게 구성한 예를 나타냈지만, 도 15에 나타내는 바와 같이, 조립형인 것이라도 좋다. 도 15의 예에서는, 처리 장치(200')에 이상 검지 장치(100')가 내장되어 있다. 즉, 처리 장치(200')는 장치 본체(201)와 회전 구동계(300)와 이상 검지 장치(100')를 갖고 있다.

이상 검지 장치(100')는 이상 검지 장치(100)와 거의 동일한 구성이지만, 제어부(12)에 장치 이벤트 발행부(61)를 갖고 있는 점만이 이상 검지 장치(100)와 다르다. 또한, 장치 본체(201)에는, 경보 발생부(202)가 마련되어 있다.

장치 이벤트 발행부(61)는 이상 판정부(36)에 의해 회전 구동계가 이상이라고 판정되었을 때에, 장치 이벤트를 발행하고, 장치 본체(201)의 경보 발생부(202)에 경보 발생 신호를 출력하는 기능을 갖고 있다. 경보 발생부(202)는 장치 이벤트 발행부(61)로부터의 신호에 의해, 경보로서 장치 보수를 재촉하는 통지를 실행하는 기능을 갖고 있다.

이러한 조립식의 경우에는, 회전 구동계를 실시간으로 감시할 수 있고, 이상을 검지했을 때에 장치 이벤트를 발행하여 경보를 발생시키므로, 토크 변동이 일어나는 것과 같은 치명적인 에러가 되기 전에, 그 징후를 사전에 검출 하는 것이 가능해지고, 그 결과, 그리스 업을 계획적으로 실시할 수 있다.

또한, 상술한 바와 같은 이상 검지 시퀀스를 실행하는 간격을 적절히 설정하여 정기적으로 실행하는 기능, 전회의 그리스 업으로부터의 경과 시간과 이상 판정 결과의 이력을 기억시키는 기능을 갖게 함으로써, 유지 보수성을 보다 향상시킬 수 있다.

<제 2 실시예>

다음에, 제 2 실시예에 대해서 설명한다.

도 16은 본 발명의 제 2 실시예에 관련되는 회전 구동계의 이상 검지 장치를 나타내는 블럭도이다.

상술한 제 1 실시예에서는, 결정론성을 나타내는 값으로서 시계열 데이터의 병진 오차를 이용했지만, 본 실시예에서는, 결정론성을 나타내는 값으로서 순열 엔트로피를 이용하고, 그 이외의 부분은 제 1 실시예와 마찬가지이다. 따라서 도 16에 있어서 도 2와 마찬가지의 구성에는 동일한 부호를 부여해서 설명을 생략한다.

본 실시예의 이상 검지 장치(100")에서는, 제어부(12)에서, 데이터 로거(11)로부터 디지털 데이터와 같은 시계열 데이터를 시계열 신호 처리하여 주기성 신호로 변환한다. 그리고 이 주기성 신호로 변환된 시계열 데이터로부터, 이 시계열 데이터가 결정론적인지 확률론적인지의 지표로 되는 결정론성을 나타내는 값인 순열 엔트로피 산출 과정에서의 중간 변화량에 상당하는 상대 실현 회수 m(π)의 확률 분포를 산출하고, 이 확률 분포를 도형화한 히스토그램을 작성하여, 이 히스토그램을 정상음 모델(히스토그램) 및 1 또는 2 이상의 이상음 모델(히스토그램)과 비교함으로써, 회전 구동계의 이상 유무를 판정한다.

Bandt와 Pompe에 의해 도입된 순열 엔트로피(C. Bandt and B. Pompe, Physical Review Letters, Vol. 88, pp. 174102-1-174102-4, 2002.)는 무한 길이의 시계열에서의 Kolmogorov-Sinai 엔트로피와 점근적으로 등가한 양이지만, 순열 엔트로피는 다음과 같이 정의된다.

소정 시간에서의 시계열 데이터로부터, 임의 차원 n의 매립 벡터 r(ti)를 모두 생성한다. 각 매립 벡터에 대해, 매립 벡터 요소의 대소 관계로 오름차순 또는 내림차순으로 요소에 번호를 부여한다. 요소의 오름차순 또는 내림차순의 번호 배열은 요소 개수의 번호의 순열이다. 소정 시간의 모든 매립 벡터에 대해, 동일 오름차순 또는 내림차순의 순열을 갖는 매립 벡터의 개수를 집계한다. 집계된 개수는 그 순서를 갖는 순열의 실현 회수이다. 모든 매립 벡터의 수에 대한 실현 회수를 상대 실현 회수라고 한다. 상대 실현 회수의 합은 1이다. 또, 매립 벡터의 시차 Δt는 1이라도 좋다. Δt=1인 경우는 매립 벡터 r(ti)은 시계열 데이터의 연속하는 N개의 요소로 구성되다.

매립 벡터 요소의 대소 관계의 순서는 매립 벡터의 차원의 수의 순서로 이루어지는 순열이다. 매립 벡터의 차원의 수 n에 대해, 1부터 n까지의 n개의 순열의 집합을 Π, 순열 집합의 요소(임의 순열)를 π라고 한다. 소정 시간의 시계열 데이터의 개수를 N, 매립 차원을 n, 시차를 Δt라고 하면, 소정 시간의 시계열 데이터로부터 생성되는 매립 벡터의 수는 N-(n-1)Δt이다. 임의 순열의 실현 회수를 m(π)라고 하면, 임의 순열 π의 상대 실현 회수 p(π)는 다음 (4)식으로 표시된다.

상대 실현 회수 p(π)는 시간 변동의 복잡도를 거시화해서 패턴으로 분류하고 있는 것과 다름없다. 상대 실현 회수 p(π)를 순열 π의 실현 확률로 간주하고, 정보 엔트로피를 계산하면, 본래의 시계열의 복잡도(결정론성)를 정량적으로 평가할 수 있다. 매립 벡터의 차원의 수의 순열 π를 확률 변수라고 하여 상대 실현 회수 p(π)를 확률 분포로 하는 엔트로피를 순열 엔트로피라고 한다. 순열 엔트로피는 다음의 (5)식으로 정의된다.

단, p(π)=0의 항은 산입하지 않는다.

순열 엔트로피에 의해 본래의 시계열 데이터의 복잡도(결정론성)를 정량적으로 평가할 수 있다. 가장 단순한 거동은 단조(單調) 과정이다. 단조 증가 과정 또는 단조 감소 과정에서는 순열 엔트로피는 최소로 된다. 한편, 가장 복잡한 거동은 완전 랜덤 과정이다. 이런 경우, 가능한 모든 패턴이 실현되기 때문에, 순열 엔트로피는 최대로 된다.

π는 매립 차원 n의 순열이며, 순열의 집합 Π는 n!개의 요소(순열)를 포함하기 때문에, (5)식의 정의에 의해, 0≤H(n)≤log2n!이다. 하한은 단조 증가 과정 혹은 단조 감소 과정에 대응한다. 상한은 완전 랜덤 과정을 나타낸다.

Bandt와 Pompe는 H(n)이 n에 대하여 선형으로 증가하는 것에 착안하여, 다음의 (6)식으로 정의되는 양을 도입했다.

h(n)을 log2n!로 정규화하고, 다음의 (7)식으로 정의되는 엔트로피를 이용할 수도 있다.

0≤h*(n)≤1이 성립한다. 시계열 데이터의 결정론적 측면이 증가함에 따라 h*(n)→0으로 된다. 시계열 데이터가 백색 노이즈이면, h*(n)은 1에 가까운 값으로 된다. 따라서 순열 엔트로피 H(n) 또는 H(n)을 정규화한 ｈ*(n)은 결정론성을 나타내는 값으로서 이용할 수 있다. 이 때문에, 본 실시예에서는, 순열 엔트로피 H(n) 또는 H(n)을 정규화한 ｈ*(n)이 진단 대상인 설비의 상태를 나타내는 시계열 데이터의 결정론성을 나타내는 지표로 되는 것에 착안하여, 순열 엔트로피 산출 과정에서의 중간 변화량인 상대 실현 회수를 이용하여 회전 구동계의 이상을 검지한다.

본 실시예에서는, 상기 기능을 달성하기 위해, 제어부(12)에서, 제 1 실시예에 있어서의 병진 오차 연산부(33) 대신, 상대 실현 회수 m(π)를 산출하는 상대 실현 회수 연산부(71)를 갖고 있다. 또한, 확률 분포 산출부(34)에서는 상대 실현 회수 m(π)의 확률 분포를 구한다. 또한, 히스토그램 작성부(35)에서는, 상대 실현 회수 m(π)의 확률 분포 데이터에 근거하여, 도형 정보로서 실현 회수 m(π)의 값마다의 빈도를 나타내는 히스토그램을 작성한다.

주기억부(13)는 최근접 벡터 데이터(43) 대신에 순열 실현 회수 데이터(81)가 기억되고, 1차 병진 오차 데이터(44) 및 2차 병진 오차 데이터(45) 대신 상대 실현 회수 데이터(82)가 기억된다.

상대 실현 회수 연산부(71)는 매립 벡터의 생성과, 순열 실현 회수의 집계와 상대 실현 회수 m(π)의 산출을 행한다.

매립 벡터는 시계열 데이터로부터 전술한 매립 벡터 r(ti)을 생성한다. 매립 벡터의 차원 n과 시차 Δt는 시계열 데이터의 특성에 맞춰 미리 설정해 둔다. 그리고 생성한 매립 벡터의 집합을 주기억부(13)에 매립 벡터 데이터(42)로서 기억한다.

실현 회수의 연산은 매립 벡터 요소의 대소 관계에서 요소에 순서를 붙이고, 소정 시간의 모든 매립 벡터에 대해, 같은 순서를 갖는 매립 벡터의 개수를 순열 실현 회수로서 집계한다. 집계된 순열 실현 회수를 주기억부에 순열 실현 회수 데이터(81)로서 기억한다.

그리고 순열 실현 회수 데이터(81)로부터, 소정 시간에 있어서의 시계열 데이터로부터 산출되는 모든 매립 벡터의 개수에 대한 상대 실현 회수 m(π)을 산출하고, 주기억부(13)에 상대 실현 회수 데이터(82)로서 기억한다.

다음에, 이와 같이 구성되는 제 2 실시예에 관련되는 회전 구동계의 이상 검지 장치에 있어서의 이상 검지 동작에 대해서 설명한다. 또, 이하의 동작은 제어부(12)의 지령에 근거하여 실행된다.

도 17은 제 2 실시예에 있어서의 회전 구동계의 이상 검지 동작의 일례를 나타내는 흐름도이다. 제 2 실시예에 있어서, 단계 S11의 시계열 데이터의 입력으로부터 단계 S13의 정상 노이즈의 스크리닝은 제 1 실시예의 단계 S1∼S3과 모두 동일하게 실행된다.

단계 S13의 정상 노이즈의 스크리닝 후, 시계열 데이터로부터 상대 실현 회수의 연산을 실행한다(단계 S14). 여기에서는, 상대 실현 회수 연산부에서, 매립 벡터의 생성과 순열 실현 회수의 집계와 상대 실현 회수 m(π)의 연산을 행한다.

구체적으로는, 수집된 시계열 데이터(41)로부터, 설정되어 있는 매립 차원 n과 시차 Δt로 매립 벡터 r(ti)를 생성한다. 그리고 소정 시간에 시계열 데이터(41)로부터 산출되는 모든 매립 벡터에 대하여, 매립 벡터 요소의 대소 관계로 요소에 순서를 붙이고, 같은 순서를 갖는 매립 벡터의 개수를 순열 실현 회수로서 집계한다. 이어서, 순열 실현 회수로부터, 순열 엔트로피 산출 과정에서의 중간 변화량인, 소정 시간에서의 시계열 데이터로부터 산출되는 모든 매립 벡터의 개수에 대한 상대 실현 회수 m(π)를 산출한다.

다음에, 확률 분포 산출부(34)에 의해 상대 실현 회수 m(π)의 확률 분포를 산출한다(단계 S15). 이 확률 분포 산출은, 예컨대, 5min의 시계열 데이터를 1min마다 분할하고, 그 분할한 1min 사이의 상대 실현 회수 m(π)을 이용하여 실행된다. 이 단계 S15는 제 1 실시예의 단계 S5의 병진 오차가 순열 엔트로피 산출 과정에서의 중간 변화량인 상대 실현 회수를 대신한 것뿐이며, 기본적으로는 단계 S5와 마찬가지로 실행된다.

다음에, 히스토그램 작성부(35)에 의해, 확률 분포 데이터에 근거하여, 상대 실현 회수 m(π)의 값마다의 빈도를 나타내는 히스토그램을 작성한다(단계 S16).

다음에, 외란 노이즈 판정부(38)에 의해 이상과 같이 작성한 히스토그램과, 외란 노이즈 모델의 히스토그램과 1 또는 2 이상의 외란 노이즈 모델 데이터(54)를 비교하여, 외란 노이즈의 유무를 판정한다(단계 S17). 이 공정은 제 1 실시예의 단계 S7과 마찬가지로 실행된다.

외란 노이즈가 발생하지 않는다고 판단되었을 경우에는, 다음에, 이상 판정부(36)에 의해 검지 대상의 이상 판정을 실행한다(단계 S18).

이상 판정은 검지 대상의 시계열 데이터에 대해 상대 실현 회수 m(π)의 확률 분포로부터 작성된 히스토그램 데이터와, 미리 외부 기억부(14)에 기억되어 있는 정상음 모델 데이터(52) 및 1 또는 2 이상의 이상음 모델 데이터(53)를 비교함으로써 실행한다. 본 실시예에서는, 정상음 모델의 시계열 데이터에 대해 상대 실현 회수 m(π)의 확률 분포로부터 작성한 히스토그램 데이터이며, 이상음 모델 데이터(53)는 1 또는 2 이상의 이상음 모델의 시계열 데이터에 대해 상대 실현 회수 m(π)의 확률 분포로부터 작성한 히스토그램 데이터이다. 그리고 검지 대상 데이터의 히스토그램과 정상음 모델의 히스토그램을 비교하여 정상음 모델로부터의 괴리율을 구하고, 또 검지 대상 데이터의 히스토그램과 1 또는 2 이상의 이상음 모델의 히스토그램을 비교하여 이상음 모델과의 유사율을 구하고, 이들로부터 이상 유무를 판정한다. 이들의 처리는 제 1 실시예와 마찬가지로 실행된다.

이상 판정의 결과, 이상이라고 판정되었을 경우(단계 S19; 예)는, 회전 구동계가 이상한 것을 표시부(22)에 표시한다(단계 S20). 또한, 동시에 인자부(23)로 인자 출력해도 좋다. 한편, 이상이라고 판정되지 않았을 경우(단계 S19;아니오)는, 이상 표시를 하지 않는다. 이런 경우에, 「이상 없음」이라고 표시해도 좋다. 또, 이상 표시를 했을 때에, 라이트를 점멸시키는 등의 경보 표시를 실행해도 좋다. 또한, 이러한 경보 표시와 함께 부저 등의 경보음을 울리도록 해도 좋다.

본 실시예에 있어서도, 소정 시간의 시계열 데이터로부터 결정론성을 나타내는 값인 순열 엔트로피 산출 과정에서의 중간 변화량에 상당하는 상대 실현 회수의 확률 분포를 구하고, 그에 따라 이상 판정을 실행하므로, 이상 시와 정상 시의 상대 실현 회수의 차이가 얼마 되지 않아도, 충분히 차이를 파악할 수 있고, 매우 고정밀도로 회전 구동계의 이상을 검지할 수 있다.

또한, 이와 같이 순간적이 아니라 어느 정도의 긴 시간의 확률 분포로 이상 판정을 실행하므로, 단기적인 외란 노이즈 등에 의한 오판정을 피할 수 있다. 또한, 확률 분포를 도형화(히스토그램화)하고, 정상음 모델 및 이상음 모델과 비교하므로, 특징 벡터 등을 이용하는 것에 의해 정상음과 이상음의 차이를 더욱 고정밀도로 파악할 수 있어, 더 한층 고정밀도로 회전 구동계의 이상을 검지할 수 있다.

<이외의 적용>

또한, 본 발명은 상기 실시예에 한정되지 않고 여러 변형이 가능하다.

상기 실시 형태에서는 주기적 구동계의 예로서 회전 구동계를 이용했을 경우에 대해 기재하였지만, 본 발명의 원리상, 회전 구동계로 한정되지 않는 것은 자명하며, 주기적 구동계로서, 회전 구동계에 한정하지 않고, 직선 구동, 진동, 및 팽창·수축을 실행하는 것 등이 적용 가능하다. 이러한 주기적 구동계로서는, 구체적으로는, 반도체 웨이퍼 등의 기판을 반송하기 위한 반송 암, 기판을 마운트에 마운트 할 경우에 이용되는 승강 핀, 및 기판의 스테이지를 승강시키는 승강 기구 등을 들 수 있다. 이러한 주기적 구동계로서, 엔진의 피스톤, 재봉틀, 및 직소(jigsaw)와 같은 공작기계 등을 들 수 있다.

또한, 상기 실시예에서는, 결정론성을 나타내는 값으로서 병진 오차, 순열 엔트로피를 예시했지만, 이것에 한정되는 것은 아니다. 또한, 결정론성을 나타내는 값의 확률 분포를 히스토그램화(도형화)했지만, 히스토그램에 따르지 않는 도형이라도 좋고, 또한 반드시 도형화하지 않아도 좋다. 또한, 정상음 모델로부터의 괴리율과 이상음 모델과의 유사율의 양쪽을 이용하여 주기적 구동계의 이상을 판정하는 예를 나타냈지만, 어느 한쪽만으로 판정해도 좋다.

또한, 본 발명의 주기적 구동계의 이상 검지 장치는 전용 시스템에 상관없이, 통상의 컴퓨터 시스템을 이용하여 실현 가능하다. 예를 들면, 상기 동작을 실행하기 위한 컴퓨터 프로그램을, 컴퓨터가 판독 가능한 기억 매체(가요성 디스크, CD-ROM, DＶD-ROM 등)에 저장해 두고, 해당 기억 매체의 컴퓨터 프로그램을 컴퓨터에 인스톨함으로써, 본 발명의 주기적 구동계의 이상 검지 장치를 구성해도 좋다. 또한, 인터넷 등의 통신 네트워크상의 서버 장치가 갖는 기억 장치에 해당 컴퓨터 프로그램을 저장해 두고, 예컨대, 통상의 컴퓨터 시스템이 다운로드 되는 것에 의해 본 발명의 회전 구동계의 이상 검지 장치를 구성해도 좋다.

또한, 이상 검지 장치의 기능을, OS(오퍼레이팅 시스템)와 애플리케이션 프로그램의 분담, 또는 OS와 애플리케이션 프로그램의 협동에 의해 실현할 경우 등에는, 애플리케이션 프로그램 부분만을 기억 매체나 기억 장치에 저장해도 좋다.

또한, 반송파에 컴퓨터 프로그램을 중첩하고, 통신 네트워크를 거쳐 상기 컴퓨터 프로그램을 배분하는 것도 가능하다. 그리고 배분된 컴퓨터 프로그램을 기동하고, 상기한 처리를 실행할 수 있도록 구성할 수도 있다.

1 : 비접촉형 마이크로폰 센서 2 : 프리 앰프
10 : 검지부 11 : 데이터 로거
12 : 제어부 13 : 주기억부
14 : 외부 기억부 21 : 조작부
22 : 표시부 23 : 인자부
24 : 정상 노이즈 스크리닝부 31 : 데이터 취득부
33 : 병진 오차 연산부 34 : 확률 분포 산출부
35 : 히스토그램 작성부 36 : 이상 판정부
38 : 외란 노이즈 판정부 41 : 수집 시계열 데이터
42 : 매립 벡터 데이터 43 : 최근접 벡터 데이터
44 : 1차 병진 오차 데이터 45 : 2차 병진 오차 데이터
46 : 확률 분포 데이터 47 : 히스토그램 데이터
52 : 정상음 모델 데이터 53 : 이상음 모델 데이터
54 : 외란 노이즈 모델 데이터
100, 100' : 회전 구동계의 이상 검지 장치
200, 200' : 처리 장치 201 : 장치 본체
202 : 경보 발생부 300 : 회전 구동계

Claims (31)

1. 처리 장치에 있어서의 처리에 이용하는 주기적 구동계로부터의 소리를 검출하는 검출 수단과,
   검출된 소리로부터 시간과 함께 변동하는 시계열 데이터를 취득하는 데이터 취득 수단과,
   상기 데이터 취득 수단에서 취득한 시계열 데이터로부터 그 시계열 데이터가 결정론적인지 확률론적인지의 지표로 되는 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량을 소정 시간마다 복수 산출하는 결정론성값 산출 수단과,
   상기 복수 산출한 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량의 확률 분포를 산출하는 확률 분포 산출 수단과,
   상기 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량의 확률 분포에 근거하여 상기 주기적 구동계의 이상 여부를 판정하는 판정 수단
   을 포함하는 것을 특징으로 하는 주기적 구동계의 이상 검지 장치.
   
2. 제 1 항에 있어서,
   상기 확률 분포 산출 수단에서 산출한 확률 분포로부터 도형 정보를 작성하는 도형 정보 작성 수단을 더 구비하되,
   상기 판정 수단은, 상기 확률 분포로부터 작성된 상기 도형 정보를, 미리 구한 정상음 모델의 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량의 확률 분포로부터 작성한 정상음 도형 정보 및/또는 1 또는 2 이상의 이상음 모델의 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량의 확률 분포로부터 작성한 1 또는 2 이상의 이상음 도형 정보와 비교하고, 상기 도형 정보의 정상음 도형 정보로부터의 괴리율 및/또는 이상음 도형 정보와의 유사율을 구하고, 이들에 근거하여 상기 주기적 구동계의 이상 여부를 판정하는
   것을 특징으로 하는 주기적 구동계의 이상 검지 장치.
   
3. 제 2 항에 있어서,
   상기 도형 정보, 상기 정상음 도형 정보, 상기 이상음 도형 정보는 모두 결정론성을 나타내는 값의 확률 분포로부터 구한 히스토그램인 것을 특징으로 하는 주기적 구동계의 이상 검지 장치.
   
4. 제 3 항에 있어서,
   상기 판정 수단은 상기 도형 정보로서의 히스토그램과 상기 정상음 도형 정보로서의 히스토그램 및/또는 상기 이상음 도형 정보로서의 히스토그램을, 평균, 분산, 첨도, 왜도의 4개의 특징 벡터에 의해 비교하고, 상기 정상음 도형 정보로부터의 괴리율 및/또는 상기 이상음 도형 정보와의 유사율을 구하는 것을 특징으로 하는 주기적 구동계의 이상 검지 장치.
   
5. 제 4 항에 있어서,
   상기 판정 수단은, 상기 도형 정보로서의 히스토그램과 상기 정상음 도형 정보로서의 히스토그램 및/또는 상기 이상음 도형 정보로서의 히스토그램을 비교하기 위한 특징 벡터로서, 음의 시간적 연속성, 음의 회전 주기 의존성을 더 이용하는 것을 특징으로 하는 주기적 구동계의 이상 검지 장치.
   
6. 제 4 항 또는 제 5 항에 있어서,
   상기 정상음 도형 정보로부터의 괴리율 및/또는 상기 이상음 도형 정보와의 유사율은 상기 특징 벡터를 교사 데이터의 초기값으로 채용하고, 서포트 벡터 머신을 이용하여 2 클래스로 분리하고, 그것에 의해 얻어지는 값에 의해 파악하고, 그 값이 소정의 임계값을 초과하는지 여부에 의해 이상 여부를 판정하는 것을 특징으로 하는 주기적 구동계의 이상 검지 장치.
   
7. 제 1 항 내지 제 5 항 중 어느 한 항에 있어서,
   상기 결정론성을 나타내는 값은 상기 시계열 데이터로부터 산출되는 병진 오차이며,
   상기 결정론성값 산출 수단은
   상기 시계열 데이터를 소정 시간마다 복수로 분할하고, 각각으로부터 임의 차원의 매립 벡터를 산출하는 매립 수단과,
   소정 시간마다 분할된 시계열 데이터의 각각에 대해, 상기 매립 수단에서 산출된 매립 벡터 중, 어떤 매립 벡터에 대해 소정수의 가장 근접하는 벡터를 추출하는 최근접 벡터 추출 수단과,
   소정 시간마다 분할된 시계열 데이터의 각각에 대해, 상기 최근접 벡터 추출 수단에서 추출한 소정수의 가장 근접하는 벡터의 분산인 병진 오차를 산출하는 병진 오차 산출 수단
   을 갖는 것을 특징으로 하는 주기적 구동계의 이상 검지 장치.
   
8. 제 1 항 내지 제 5 항 중 어느 한 항에 있어서,
   상기 결정론성을 나타내는 값은 상기 시계열 데이터로부터 산출되는 순열 엔트로피이며,
   상기 결정론성값 산출 수단은
   상기 시계열 데이터를 시간적으로 소정 시간마다 복수로 분할하고, 각각으로부터 임의 차원의 매립 벡터를 산출하는 매립 수단과,
   소정 시간마다 분할된 시계열 데이터의 각각에 대해, 상기 매립 수단에서 산출되는 상기 소정 시간에서의 상기 시계열 데이터로부터 산출되는 모든 상기 매립 벡터에 대해, 상기 매립 벡터 요소의 대소 관계에서 상기 요소에 순서를 부여하여, 같은 순서를 갖는 매립 벡터의 개수를 순열 실현 회수로서 누계하고, 상기 순열 실현 회수로부터, 상기 순열 엔트로피 산출 과정에서의 중간 변화량인, 상기 소정 시간에 있어서의 상기 시계열 데이터로부터 산출되는 모든 상기 매립 벡터의 수에 관한 상대 실현 회수를 산출하는 상대 실현 회수 산출 수단을 갖되,
   상기 확률 분포 산출 수단은 상기 상대 실현 회수의 확률 분포를 산출 하는
   것을 특징으로 하는 주기적 구동계의 이상 검지 장치.
   
9. 제 1 항 내지 제 5 항 중 어느 한 항에 있어서,
   상기 이상 판정 수단에 의해 이상이라고 판정되었을 때에, 그 취지를 표시하는 표시 수단을 더 구비하는 것을 특징으로 하는 주기적 구동계의 이상 검지 장치.
   
10. 제 1 항 내지 제 5 항 중 어느 한 항에 있어서,
    상기 주기적 구동계는 회전 구동, 직선 구동, 진동, 및 팽창·수축을 실행하는 것을 특징으로 하는 주기적 구동계의 이상 검지 장치.
    
11. 소정 처리를 실행하는 처리 장치 본체와, 상기 처리 장치 본체에서의 처리에 이용하는 주기적 구동계와, 상기 주기적 구동계의 이상을 검지하는 이상 검지 장치를 구비하는 주기적 구동계를 갖는 처리 장치로서,
    상기 이상 검지 장치는
    상기 주기적 구동계로부터의 소리를 검출하는 검출 수단과,
    검출된 소리로부터 시간과 함께 변동하는 시계열 데이터를 취득하는 데이터 취득 수단과,
    상기 데이터 취득 수단에서 취득한 시계열 데이터로부터, 그 시계열 데이터가 결정론적인지 확률론적인지의 지표로 되는 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량을 소정 시간마다 복수 산출하는 결정론성값 산출 수단과,
    상기 복수 산출한 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량의 확률 분포를 산출하는 확률 분포 산출 수단과,
    상기 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량의 확률 분포에 근거하여 상기 주기적 구동계의 이상 여부를 판정하는 판정 수단
    을 구비하는 것을 특징으로 하는 주기적 구동계를 갖는 처리 장치.
    
12. 제 11 항에 있어서,
    상기 확률 분포 산출 수단에서 산출한 확률 분포로부터 도형 정보를 작성하는 도형 정보 작성 수단을 더 포함하되,
    상기 판정 수단은, 상기 확률 분포로부터 작성된 상기 도형 정보를, 미리 구한 정상음 모델의 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량의 확률 분포로부터 작성한 정상음 도형 정보 및/또는 1 또는 2 이상의 이상음 모델의 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량의 확률 분포로부터 작성한 1 또는 2 이상의 이상음 도형 정보와 비교하고, 상기 도형 정보의, 정상음 도형 정보로부터의 괴리율 및/또는 이상음 도형 정보와의 유사율을 구하고, 이들에 근거하여 상기 주기적 구동계의 이상 여부를 판정하는
    것을 특징으로 하는 주기적 구동계를 갖는 처리 장치.
    
13. 제 12 항에 있어서,
    상기 도형 정보, 상기 정상음 도형 정보, 상기 이상음 도형 정보는 모두 결정론성을 나타내는 값의 확률 분포로부터 구한 히스토그램인 것을 특징으로 하는 주기적 구동계를 갖는 처리 장치.
    
14. 제 13 항에 있어서,
    상기 판정 수단은 상기 도형 정보로서의 히스토그램과 상기 정상음 도형 정보로서의 히스토그램 및/또는 상기 이상음 도형 정보로서의 히스토그램을, 평균, 분산, 첨도, 왜도의 4개의 특징 벡터에 의해 비교하고, 상기 정상음 도형 정보로부터의 괴리율 및/또는 상기 이상음 도형 정보와의 유사율을 구하는 것을 특징으로 하는 주기적 구동계를 갖는 처리 장치.
    
15. 제 14 항에 있어서,
    상기 판정 수단은 상기 도형 정보로서의 히스토그램과 상기 정상음 도형 정보로서의 히스토그램 및/또는 상기 이상음 도형 정보로서의 히스토그램을 비교하기 위한 특징 벡터로서, 음의 시간적 연속성, 음의 회전 주기 의존성을 더욱 이용하는 것을 특징으로 하는 주기적 구동계를 갖는 처리 장치.
    
16. 제 14 항 또는 제 15 항에 있어서,
    상기 정상음 도형 정보로부터의 괴리율 및/또는 상기 이상음 도형 정보와의 유사율은 상기 특징 벡터를 교사 데이터의 초기값으로 채용하고, 서포트 벡터 머신을 이용하여 2 클래스로 분리하고, 그것에 의해 얻어지는 값에 의해 파악하고, 그 값이 소정의 임계값을 초과하는지 여부에 의해 이상 여부를 판정하는 것을 특징으로 하는 주기적 구동계를 갖는 처리 장치.
    
17. 제 11 항 내지 제 15 항 중 어느 한 항에 있어서,
    상기 결정론성을 나타내는 값은 상기 시계열 데이터로부터 산출되는 병진 오차이며,
    상기 결정론성값 산출 수단은
    상기 시계열 데이터를 소정 시간마다 복수로 분할하고, 각각으로부터 어느 차원의 매립 벡터를 산출하는 매립 수단과,
    소정 시간마다 분할된 시계열 데이터의 각각에 대해, 상기 매립 수단에서 산출된 매립 벡터 중, 어떤 매립 벡터에 대해 소정수의 가장 근접하는 벡터를 추출하는 최근접 벡터 추출 수단과,
    소정 시간마다 분할된 시계열 데이터의 각각에 대해, 상기 최근접 벡터 추출 수단에서 추출한 소정수의 가장 근접하는 벡터의 분산인 병진 오차를 산출하는 병진 오차 산출 수단
    을 갖는 것을 특징으로 하는 주기적 구동계를 갖는 처리 장치.
    
18. 제 11 항 내지 제 15 항 중 어느 한 항에 있어서,
    상기 결정론성을 나타내는 값은 상기 시계열 데이터로부터 산출되는 순열 엔트로피이며,
    상기 결정론성값 산출 수단은
    상기 시계열 데이터를 시간적으로 소정 시간마다 복수로 분할하고, 각각으로부터 임의 차원의 매립 벡터를 산출하는 매립 수단과,
    소정 시간마다 분할된 시계열 데이터의 각각에 대해, 상기 매립 수단에서 산출되는 상기 소정 시간에 있어서의 상기 시계열 데이터로부터 산출되는 모든 상기 매립 벡터에 대해, 상기 매립 벡터 요소의 대소 관계에서 상기 요소에 순서를 부여하여, 같은 순서를 갖는 매립 벡터의 개수를 순열 실현 회수로서 누계하고, 상기 순열 실현 회수로부터, 상기 순열 엔트로피 산출 과정에서의 중간 변화량인, 상기 소정 시간에 있어서의 상기 시계열 데이터로부터 산출되는 모든 상기 매립 벡터의 수에 관한 상대 실현 회수를 산출하는 상대 실현 회수 산출 수단을 갖되,
    상기 확률 분포 산출 수단은, 상기 상대 실현 회수의 확률 분포를 산출 하는
    것을 특징으로 하는 주기적 구동계를 갖는 처리 장치.
    
19. 제 11 항 내지 제 15 항 중 어느 한 항에 있어서,
    상기 이상 검지 장치는, 상기 판정 수단에서 상기 주기적 구동계가 이상하다고 판정되었을 경우에, 상기 장치 본체에 장치 이벤트를 발행해서 경보를 발생시키는 장치 이벤트 발행 수단을 더 갖는 것을 특징으로 하는 주기적 구동계를 갖는 처리 장치.
    
    
20. 제 11 항 내지 제 15 항 중 어느 한 항에 있어서,
    상기 주기적 구동계는 회전 구동, 직선 구동, 진동, 및 팽창·수축을 실행하는 것을 특징으로 하는 주기적 구동계를 갖는 처리 장치.
    
21. 처리 장치에 있어서의 처리에 이용하는 주기적 구동계로부터 검출된 소리로부터 시간과 함께 변동하는 시계열 데이터를 취득하는 데이터 취득 단계와,
    상기 데이터 취득 단계에서 취득한 시계열 데이터로부터 그 시계열 데이터가 결정론적인지 확률론적인지의 지표로 되는 결정론성을 나타내는 값 또는 그 값의 산출 과정에 있어서의 중간 변화량을 소정 시간마다 복수 산출하는 결정론성값 산출 단계와,
    상기 복수 산출한 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량의 확률 분포를 산출하는 확률 분포 산출 단계와,
    상기 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량의 확률 분포에 근거하여 상기 주기적 구동계의 이상 여부를 판정하는 판정 단계
    를 포함하는 것을 특징으로 하는 주기적 구동계의 이상 검지 방법.
    
22. 제 21 항에 있어서,
    상기 확률 분포 산출 단계에서 산출한 확률 분포로부터 도형 정보를 작성하는 도형 정보 작성 단계를 더 구비하되,
    상기 판정 단계는, 상기 확률 분포로부터 작성된 상기 도형 정보를, 미리 구한 정상음 모델의 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량의 확률 분포로부터 작성한 정상음 도형 정보 및/또는 1 또는 2 이상의 이상음 모델의 결정론성을 나타내는 값 또는 그 값의 산출 과정에서의 중간 변화량의 확률 분포로부터 작성한 1 또는 2 이상의 이상음 도형 정보와 비교하고, 상기 도형 정보의, 정상음 도형 정보로부터의 괴리율 및/또는 이상음 도형 정보와의 유사율을 구하고, 이들에 근거하여 상기 주기적 구동계의 이상 여부를 판정하는
    것을 특징으로 하는 주기적 구동계의 이상 검지 방법.
    
23. 제 22 항에 있어서,
    상기 도형 정보, 상기 정상음 도형 정보, 상기 이상음 도형 정보는 모두 결정론성을 나타내는 값의 확률 분포로부터 구한 히스토그램인 것을 특징으로 하는 주기적 구동계의 이상 검지 방법.
    
24. 제 23 항에 있어서,
    상기 판정 단계는 상기 도형 정보로서의 히스토그램과 상기 정상음 도형 정보로서의 히스토그램 및/또는 상기 이상음 도형 정보로서의 히스토그램을 평균, 분산, 첨도, 왜도의 4개의 특징 벡터에 의해 비교하고, 상기 정상음 도형 정보로부터의 괴리율 및/또는 상기 이상음 도형 정보와의 유사율을 구하는 것을 특징으로 하는 주기적 구동계의 이상 검지 방법.
    
25. 제 24 항에 있어서,
    상기 판정 단계는 상기 도형 정보로서의 히스토그램과 상기 정상음 도형 정보로서의 히스토그램 및/또는 상기 이상음 도형 정보로서의 히스토그램을 비교하기 위한 특징 벡터로서, 음의 시간적 연속성, 음의 회전 주기 의존성을 더욱 이용하는 것을 특징으로 하는 주기적 구동계의 이상 검지 방법.
    
26. 제 22 항 또는 제 23 항에 있어서,
    상기 정상음 도형 정보로부터의 괴리율 및/또는 상기 이상음 도형 정보와의 유사율은 상기 특징 벡터를 교사 데이터의 초기값으로 채용하고, 서포트 벡터 머신을 이용하여 2 클래스로 분리하고, 그것에 의해 얻어지는 값에 의해 파악하고, 그 값이 소정의 임계값을 초과하는지 여부에 의해 이상 여부를 판정하는 것을 특징으로 하는 주기적 구동계의 이상 검지 방법.
    
27. 제 21 항 내지 제 25 항 중 어느 한 항에 있어서,
    상기 결정론성을 나타내는 값은 상기 시계열 데이터로부터 산출되는 병진 오차이며,
    상기 결정론성값 산출 단계는
    상기 시계열 데이터를 소정 시간마다 복수로 분할하고, 각각으로부터 임의 차원의 매립 벡터를 산출하고,
    소정 시간마다 분할된 시계열 데이터의 각각에 대해, 상기 산출된 매립 벡터 중, 어떤 매립 벡터에 대해 소정수의 가장 근접하는 벡터를 추출하고,
    소정 시간마다 분할된 시계열 데이터의 각각에 대해, 상기 추출된 소정수의 가장 근접하는 벡터의 분산인 병진 오차를 산출하는
    것을 특징으로 하는 주기적 구동계의 이상 검지 방법.
    
28. 제 21 항 내지 제 25 항 중 어느 한 항에 있어서,
    상기 결정론성을 나타내는 값은 상기 시계열 데이터로부터 산출되는 순열 엔트로피이며,
    상기 결정론성값 산출 단계는
    상기 시계열 데이터를 시간적으로 소정 시간마다 복수로 분할하고, 각각으로부터 어느 차원의 매립 벡터를 산출하고,
    소정 시간마다 분할된 시계열 데이터의 각각에 대해, 산출된 상기 소정 시간에 있어서의 상기 시계열 데이터로부터 산출되는 모든 상기 매립 벡터에 대해, 상기 매립 벡터 요소의 대소 관계에서 상기 요소에 순서를 부여하여, 같은 순서를 갖는 매립 벡터의 개수를 실현 회수로서 누계하고, 이 실현 회수로부터, 상기 순열 엔트로피 산출 과정에서의 중간 변화량인, 상기 소정 시간에 있어서의 상기 시계열 데이터로부터 산출되는 모든 상기 매립 벡터의 수에 관한 상대 실현 회수를 산출하고,
    상기 확률 분포 산출 단계는 상기 상대 실현 회수의 확률 분포를 산출 하는
    것을 특징으로 하는 주기적 구동계의 이상 검지 방법.
    
29. 제 21 항 내지 제 25 항 중 어느 한 항에 있어서,
    상기 이상 판정 단계에 의해 이상이라고 판정되었을 때에, 그 취지를 표시하는 표시 단계를 더 구비하는 것을 특징으로 하는 주기적 구동계의 이상 검지 방법.
    
30. 제 21 항 내지 제 25 항 중 어느 한 항에 있어서,
    상기 주기적 구동계는 회전 구동, 직선 구동, 진동, 및 팽창·수축을 실행하는 것을 특징으로 하는 주기적 구동계의 이상 검지 방법.
    
31. 처리 장치에 있어서의 처리에 이용하는 주기적 구동계의 이상을 검지하기 위해, 청구항 21에 기재된 방법을 컴퓨터가 실행하게 하는 것을 특징으로 하는 컴퓨터 프로그램.

Images