KR20220028065A - Machine learning devices, data processing systems, inference devices, and machine learning methods - Google Patents
Machine learning devices, data processing systems, inference devices, and machine learning methods Download PDFInfo
- Publication number
- KR20220028065A KR20220028065A KR1020227003343A KR20227003343A KR20220028065A KR 20220028065 A KR20220028065 A KR 20220028065A KR 1020227003343 A KR1020227003343 A KR 1020227003343A KR 20227003343 A KR20227003343 A KR 20227003343A KR 20220028065 A KR20220028065 A KR 20220028065A
- Authority
- KR
- South Korea
- Prior art keywords
- valve
- data
- learning
- fluid pressure
- machine learning
- Prior art date
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 75
- 238000012545 processing Methods 0.000 title claims description 41
- 239000012530 fluid Substances 0.000 claims abstract description 120
- 238000000034 method Methods 0.000 claims description 36
- 238000012360 testing method Methods 0.000 claims description 34
- 230000002159 abnormal effect Effects 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 11
- 230000005856 abnormality Effects 0.000 abstract description 53
- 239000000758 substrate Substances 0.000 description 23
- 210000002569 neuron Anatomy 0.000 description 21
- 238000003062 neural network model Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 15
- 238000004891 communication Methods 0.000 description 12
- 230000000875 corresponding effect Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000007246 mechanism Effects 0.000 description 8
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 7
- 230000001276 controlling effect Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000003745 diagnosis Methods 0.000 description 6
- 238000003780 insertion Methods 0.000 description 5
- 230000037431 insertion Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000012805 post-processing Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000007599 discharging Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 239000002243 precursor Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000005389 magnetism Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005755 formation reaction Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000009428 plumbing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Images
Classifications
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16K—VALVES; TAPS; COCKS; ACTUATING-FLOATS; DEVICES FOR VENTING OR AERATING
- F16K37/00—Special means in or on valves or other cut-off apparatus for indicating or recording operation thereof, or for enabling an alarm to be given
- F16K37/0025—Electrical or magnetic means
- F16K37/0041—Electrical or magnetic means for measuring valve parameters
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16K—VALVES; TAPS; COCKS; ACTUATING-FLOATS; DEVICES FOR VENTING OR AERATING
- F16K31/00—Actuating devices; Operating means; Releasing devices
- F16K31/12—Actuating devices; Operating means; Releasing devices actuated by fluid
- F16K31/16—Actuating devices; Operating means; Releasing devices actuated by fluid with a mechanism, other than pulling-or pushing-rod, between fluid motor and closure member
- F16K31/163—Actuating devices; Operating means; Releasing devices actuated by fluid with a mechanism, other than pulling-or pushing-rod, between fluid motor and closure member the fluid acting on a piston
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16K—VALVES; TAPS; COCKS; ACTUATING-FLOATS; DEVICES FOR VENTING OR AERATING
- F16K37/00—Special means in or on valves or other cut-off apparatus for indicating or recording operation thereof, or for enabling an alarm to be given
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
- F16K—VALVES; TAPS; COCKS; ACTUATING-FLOATS; DEVICES FOR VENTING OR AERATING
- F16K37/00—Special means in or on valves or other cut-off apparatus for indicating or recording operation thereof, or for enabling an alarm to be given
- F16K37/0025—Electrical or magnetic means
- F16K37/0033—Electrical or magnetic means using a permanent magnet, e.g. in combination with a reed relays
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/25—Manufacturing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
Landscapes
- Engineering & Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mechanical Engineering (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Manufacturing & Machinery (AREA)
- Fluid-Driven Valves (AREA)
- Indication Of The Valve Opening Or Closing Status (AREA)
- Magnetically Actuated Valves (AREA)
Abstract
본 발명은 유체압 구동 밸브에 있어서의 이상 및 이상 징조를 작업자의 경험 등에 의존하지 않고 양호한 정밀도로 파악하는 것을 가능하게 하는 기계 학습 장치 등을 제공한다. The present invention provides a machine learning device or the like that enables to accurately grasp abnormalities and abnormalities in a fluid pressure actuated valve without depending on the operator's experience or the like.
Description
본 발명은 밸브 시스템의 이상 진단을 실시하기 위한 기계 학습 장치, 데이터 처리 시스템, 추론 장치 및 기계 학습 방법에 관한 것이다. The present invention relates to a machine learning apparatus, a data processing system, an inference apparatus, and a machine learning method for performing abnormal diagnosis of a valve system.
종래, 전자 밸브에 의해 구동 유체를 제어하여 메인 밸브를 개폐하는 유체압 구동 밸브가 알려져 있다. 예를 들어, 특허문헌 1에는, 플랜트 설비의 배관에 사용되는 유체압 구동 밸브로서, 설비에 이상이 발생한 것과 같은 긴급시에, 전자 밸브에 의해 구동 유체를 제어하여 볼 밸브(메인 밸브)를 닫음으로써, 배관을 흐르는 유체를 차단하는 긴급 차단 밸브 장치가 개시되어 있다.
BACKGROUND ART Conventionally, a fluid pressure actuating valve that opens and closes a main valve by controlling a driving fluid by an electromagnetic valve is known. For example, in
특허문헌 1에 나타나는 바와 같은, 플랜트 설비에 사용되는 긴급 차단 밸브 등의 유체압 구동 밸브에 있어서는, 플랜트 설비 전체의 가동률·신뢰성을 향상시키기 위해서는, 예기치 않은 이상이 발생하지 않는 것이 바람직하다. 이 때문에, 유체압 구동 밸브에서는, 긴급시에 확실하게 동작하도록, 예를 들어, 정기적인 보수 점검으로서, 플랜트 설비에 대한 영향을 최대한 억제하면서도 소정 기간에 있어서 유체압 구동 밸브의 개폐 조작을 실시함으로써 유체압 구동 밸브가 정상적으로 동작하는 것을 확인하고 있다. 따라서, 이와 같은 유체압 구동 밸브에 있어서는, 유체압 구동 밸브에 발생한 이상을 사후적으로 파악하는 사후 보전뿐만 아니라, 이상 징조를 파악하는 전조 보전을 실현하는 것이 요망되고 있다.
In fluid pressure drive valves, such as an emergency shut-off valve used for plant equipment as shown in
여기서, 유체압 구동 밸브의 이상 징조는 예를 들어, 소정 기간에 있어서 유체압 구동 밸브의 개폐 조작이 실시됨으로써 여러 가지 사상(事象)으로서 표출될 수 있지만, 유체압 구동 밸브에 생길 수 있는 사상과 이상 징조의 인과 관계는 명확하게 특정되어 있지 않았다. 그 결과, 유체압 구동 밸브에 있어서의 전조 보전은, 작업자의 경험(암묵지를 포함한다)에 의존한 판단에 기초하여 실시되게 되어, 담당하는 작업자에 따라 그 정밀도에 차이가 생긴다는 과제가 있다. Here, the abnormal signs of the hydraulically driven valve may be expressed as various events by, for example, opening and closing of the hydraulically driven valve in a predetermined period, but events that may occur in the hydraulically driven valve and The causal relationship of anomalies has not been clearly specified. As a result, rolling maintenance in a fluid pressure drive valve is performed based on judgment dependent on the operator's experience (including tacit knowledge), and there is a problem that the accuracy varies depending on the operator in charge.
본 발명은 상기 서술한 과제를 감안하여, 유체압 구동 밸브에 있어서의 이상(異常) 및 이상 징조(이하, 본 발명에 있어서는, 이것들을 총칭하여 「이상」이라고 한다)를 양호한 정밀도로 파악하기 위한 기계 학습 장치, 데이터 처리 시스템, 추론 장치 및 기계 학습 방법을 제공하는 것을 목적으로 한다. In view of the above-mentioned problems, the present invention is for accurately grasping abnormalities and abnormal signs (hereinafter, in the present invention, these are collectively referred to as "abnormalities") in a fluid pressure actuated valve. An object of the present invention is to provide a machine learning apparatus, a data processing system, an inference apparatus, and a machine learning method.
상기 목적을 달성하기 위해서, 본 발명의 제1 양태에 관련된 기계 학습 장치는 예를 들어 도 1-4에 나타내는 바와 같이, 메인 밸브(11)와, 상기 메인 밸브(11)를 구동하는 구동 장치(12)와, 상기 구동 장치(12)에 대해 구동 유체(A)의 급배기를 제어하는 전자 밸브(1)를 적어도 포함하는 유체압 구동 밸브(10)에 적용되는 것으로서, 소정 기간에 있어서의 메인 밸브(11)의 밸브 개도의 시계열 데이터, 및, 소정 기간 중에 구동 장치(12)에 대해 급배기되는 구동 유체(A)의 전자 밸브 출력측 압력의 시계열 데이터를 포함하는 입력 데이터와, 입력 데이터에 대응 지어진 유체압 구동 밸브(10)의 진단 정보로 이루어지는 출력 데이터로 구성되는 학습용 데이터 세트를 복수 세트 기억하는 학습용 데이터 세트 기억 유닛(202)과, 상기 학습용 데이터 세트를 복수 세트 입력함으로써, 상기 입력 데이터와 상기 출력 데이터의 상관 관계를 추론하는 학습 모델을 학습하는 학습 유닛(203)과, 상기 학습 유닛(203)에 의해 학습된 상기 학습 모델을 기억하는 학습 완료 모델 기억 유닛(204)을 포함하는 것이다.
In order to achieve the above object, the machine learning apparatus according to the first aspect of the present invention provides a
본 발명의 기계 학습 장치에 의하면, 소정 기간에 있어서 유체압 구동 밸브에 의해 취득 가능한 각종 정보 등에 기초하여, 유체압 구동 밸브의 이상의 발생 유무를 추정 가능한 학습 완료 모델을 제공할 수 있게 된다. 따라서, 이 학습 완료 모델을 이용함으로써, 유체압 구동 밸브에 있어서 발생하는 이상을, 작업자의 경험에 의존하지 않고 고정밀도로 추정하는 것을 실현할 수 있게 된다. ADVANTAGE OF THE INVENTION According to the machine learning apparatus of this invention, based on the various information etc. which can be acquired by the fluid pressure drive valve in a predetermined period, it becomes possible to provide the learning completion model which can estimate the presence or absence of occurrence of abnormality of a fluid pressure drive valve. Therefore, by using this learned model, it becomes possible to implement|achieve to estimate the abnormality which generate|occur|produces in a fluid pressure drive valve with high precision, without relying on an operator's experience.
도 1은 본 발명의 일 실시형태에 관련된 기계 학습 장치 등이 적용되는 유체압 구동 밸브의 일례를 나타내는 개략도이다.
도 2는 본 발명의 일 실시형태에 관련된 기계 학습 장치 등이 적용되는 전자 밸브의 일례를 나타내는 개략도이다.
도 3은 본 발명의 일 실시형태에 관련된 기계 학습 장치 등이 적용되는 전자 밸브의 일례를 나타내는 블록도이다.
도 4는 본 발명의 일 실시형태에 관련된 기계 학습 장치의 개략 블록도이다.
도 5는 본 발명의 일 실시형태에 관련된 기계 학습 장치 등에서 사용되는 데이터의 구성예(교사가 있는 학습)를 나타내는 도면이다.
도 6은 본 발명의 일 실시형태에 관련된 기계 학습 장치 등에서 사용되는 데이터의 구성예(교사가 없는 학습)를 나타내는 도면이다.
도 7은 본 발명의 일 실시형태에 관련된 기계 학습 장치에 있어서 실시되는 교사가 있는 학습을 위한 뉴럴 네트워크 모델의 예를 나타내는 도면이다.
도 8은 본 발명의 일 실시형태에 관련된 기계 학습 방법의 예를 나타내는 플로 차트이다.
도 9는 본 발명의 일 실시형태에 관련된 데이터 처리 시스템을 나타내는 개략 블록도이다.
도 10은 본 발명의 일 실시형태에 관련된 데이터 처리 시스템에 의한 데이터 처리 공정의 예를 나타내는 플로 차트이다.BRIEF DESCRIPTION OF THE DRAWINGS It is a schematic diagram which shows an example of the fluid pressure drive valve to which the machine learning apparatus etc. which concern on one Embodiment of this invention are applied.
It is a schematic diagram which shows an example of the solenoid valve to which the machine learning apparatus etc. which concern on one Embodiment of this invention are applied.
3 is a block diagram showing an example of a solenoid valve to which a machine learning apparatus or the like according to an embodiment of the present invention is applied.
4 is a schematic block diagram of a machine learning apparatus according to an embodiment of the present invention.
5 is a diagram showing a configuration example (learning with a teacher) data used in a machine learning apparatus or the like according to an embodiment of the present invention.
6 is a diagram showing a configuration example (learning without a teacher) used in a machine learning apparatus or the like according to an embodiment of the present invention.
Fig. 7 is a diagram showing an example of a neural network model for learning with a teacher implemented in the machine learning apparatus according to an embodiment of the present invention.
8 is a flowchart showing an example of a machine learning method according to an embodiment of the present invention.
9 is a schematic block diagram showing a data processing system according to an embodiment of the present invention.
It is a flowchart which shows the example of the data processing process by the data processing system which concerns on one Embodiment of this invention.
이하, 도면을 참조하여 본 발명을 실시하기 위한 각 실시형태에 대해 설명한다. 또한, 이하에서는 본 발명의 목적을 달성하기 위한 설명에 필요한 범위를 모식적으로 나타내고, 본 발명의 해당 부분의 설명에 필요한 범위를 주로 설명하는 것으로 하며, 설명을 생략하는 지점에 대해서는 공지 기술에 의한 것으로 한다. EMBODIMENT OF THE INVENTION Hereinafter, each embodiment for implementing this invention with reference to drawings is demonstrated. In addition, in the following, the range necessary for the description for achieving the object of the present invention is schematically shown, and the range necessary for the description of the corresponding part of the present invention will be mainly described, and the point where the description is omitted is based on the known technology. make it as
본 발명의 일 실시형태에 관련된 기계 학습 장치, 데이터 처리 시스템, 추론 장치 및 기계 학습 방법을 설명하기 전에, 이하에는 먼저 기계 학습 장치 등이 적용되는 유체압 구동 밸브에 대해 설명을 실시한다. Before describing the machine learning apparatus, the data processing system, the reasoning apparatus, and the machine learning method related to the embodiment of the present invention, first, a fluid pressure actuation valve to which the machine learning apparatus or the like is applied will be described.
(유체압 구동 밸브) (Hydraulic actuated valve)
도 1은 본 발명의 일 실시형태에 관련된 유체압 구동 밸브(10)의 일례를 나타내는 개략도이다. 본 실시형태에 있어서의 유체압 구동 밸브(10)로는, 예를 들어, 플랜트 설비에 있어서 각종 가스나 석유 등이 흐르는 배관(100)에 설치되어, 플랜트 설비에 이상 등이 발생한 긴급 정지시에, 배관(100)의 흐름을 차단하기 위한 긴급 차단 밸브로서 사용할 수 있다. 또한, 유체압 구동 밸브(10)의 설치 장소나 용도는 상기의 예에 한정되지 않는다.
1 is a schematic diagram showing an example of a fluid
도 1에 나타내는 유체압 구동 밸브(10)는 배관(100)의 도중에 배치되는 메인 밸브(11)와, 메인 밸브(11)에 연결된 밸브 축(13)을 구동 유체의 유체압에 따라 구동시킴으로써 메인 밸브(11)의 개폐 조작을 실시하는 유체압식의 구동 장치(12)와, 구동 장치(12)에 대해 구동 유체의 급배기를 제어하는 기능을 갖는 전자 밸브(1)를 구비하고 있다.
The fluid
이 유체압 구동 밸브(10)에 사용되는 구동 유체에는, 계장(計裝) 공기(이하, 간단히 「공기」라고 한다)(A)가 채용되어 있다. 이 공기(A)는 공기 공급원(14)으로부터 제1 공기 배관(140)을 통하여 전자 밸브(1)에 공급되고, 또한, 제2 공기 배관(141)을 통하여 구동 장치(12)에 공급된다. 또, 유체압 구동 밸브(10)에는, 외부 장치(15) 및 전자 밸브(1)의 사이에서 각종 데이터를 송수신하기 위한 통신 케이블(150)과, 외부 전원(16)으로부터 전자 밸브(1)에 전력을 공급하기 위한 전력 케이블(160)이 접속되어 있다. 또한, 구동 유체로는, 상기의 공기(A)에 한정되지 않으며, 다른 기체여도 되고 액체(예를 들어, 기름)여도 된다.
Instrumentation air (hereinafter, simply referred to as “air”) A is employed as the driving fluid used for the fluid
외부 장치(15)는 유체압 구동 밸브(10)와의 사이에서 각종 정보를 송수신하기 위한 장치로서, 예를 들어, 플랜트 관리용의 컴퓨터(로컬 서버 및 클라우드 서버를 포함한다), 작업자(보수 점검자)가 사용하는 진단용 컴퓨터, 또는, USB 메모리나 외부 부착 HDD 등의 외부 기억 유닛으로 구성되어 있다. 이 외부 장치(15)는 후술하는 기계 학습 장치(200)에 접속되어 학습용 데이터 세트를 구성하는 각종 데이터를 송신하는 것도 가능하다. 또, 이 외부 장치(15)는 유체압 구동 밸브(10)에 이상이 발생했을 경우에 작업자 등에 대해 이상이 발생한 것이나 그 내용을 알리기 위한, GUI(Graphical User Interface) 등으로 이루어지는 알림 수단을 구비하고 있다. 또한, 외부 장치(15) 및 전자 밸브(1) 사이의 통신에는 무선 통신을 이용해도 된다.
The
본 실시형태의 유체압 구동 밸브(10)의 구동 방식은 에어리스 클로즈 방식이 채용되어 있다. 따라서, 정상 운전시에는 공기 공급원(14)으로부터 전자 밸브(1)를 통하여 구동 장치(12)에 공기(A)를 공급(급기)함으로써, 메인 밸브(11)가 열림 조작되고, 긴급 정지시나 시험 운전시에는, 구동 장치(12)로부터 전자 밸브(1)를 통하여 공기(A)를 배출(배기)함으로써, 메인 밸브(11)가 닫힘 조작된다. 또한, 유체압 구동 밸브(10)는 에어리스 오픈 방식을 채용해도 되고, 그 경우에는, 구동 장치(12)에 공기(A)를 공급함으로써 닫힘 조작되고, 구동 장치(12)로부터 공기(A)를 배출함으로써 메인 밸브(11)가 닫힘 조작된다.
As the drive method of the fluid
메인 밸브(11)에는, 볼 밸브가 채용되어 있다. 이 메인 밸브(11)의 구체적인 구성으로는, 배관(100)의 도중에 배치되는 밸브 상자(110)와, 밸브 상자(110) 내에 회전 가능하게 형성된 볼상의 밸브체(111)를 구비하고 있다. 또, 밸브체(111)의 상부에는, 밸브 축(13)의 제1 단부(130A)가 연결되어 있다. 밸브 축(13)이 0도~90도로 회전 구동됨에 따라 밸브 상자(110) 내에서 밸브체(111)가 회전하고, 메인 밸브(11)의 전체 열림 상태(도 1에 나타내는 상태)와 전체 닫힘 상태가 전환된다. 또한, 메인 밸브(11)로서 사용되는 밸브는 볼 밸브에 한정되지 않으며, 예를 들어, 버터플라이 밸브나 그 밖의 온 오프 밸브여도 된다.
A ball valve is employed as the
구동 장치(12)에는, 메인 밸브(11)와 전자 밸브(1) 사이에 배치된 단일 작동식의 에어 실린더 기구가 채용되어 있다. 이 구동 장치(12)의 구체적인 구성으로는, 원통상의 실린더(120)와, 이 실린더(120) 내에 왕복 직선 이동 가능하게 형성되고 피스톤 로드(121)를 통하여 연결된 1 쌍의 피스톤(122A, 122B)과, 제1 피스톤(122A) 측에 형성된 코일 스프링(123)과, 제2 피스톤(122B)측에 형성된 공기 급배기구(124)와, 실린더(120)를 직경 방향을 따라 관통하도록 배치된 밸브 축(13)과 피스톤 로드(121)가 직교하는 부분에 형성된 전달 기구(125)를 구비하고 있다. 또한, 구동 장치(12)는 단일 작동식에 한정되지 않으며, 예를 들어, 이중 작동식 등의 다른 형식으로 구성되어 있어도 된다.
The
제1 피스톤(122A)은 코일 스프링(123)에 의해 메인 밸브(11)를 닫힘 방향으로 동작하도록 탄성 지지되어 있다. 또, 제2 피스톤(122B)은 공기 급배기구(124)로부터 공급된 공기(A)(급기)에 의해 메인 밸브(11)를 열림 방향으로 동작하도록(코일 스프링(123)의 탄성력에 저항하여) 가압하는 것이다. 또한, 전달 기구(125)는 랙 앤드 피니언 기구, 링크 기구, 캠 기구 등으로 구성되어 있고, 피스톤 로드(121)의 왕복 직선 운동을 회전 운동으로 변환하여 밸브 축(13)에 전달하는 것이다.
The
밸브 축(13)은 샤프트상으로 형성되어 있고, 회동 가능한 상태로 구동 장치(12)를 관통하도록 하여 배치된다. 밸브 축(13)의 제1 단부(130A)는 메인 밸브(11)에 연결되고, 밸브 축(13)의 제2 단부(130B)는 전자 밸브(1)에 의해 축 지지된다. 또한, 밸브 축(13)은 복수개의 샤프트가 커플링 등을 통하여 연결된 것이어도 된다.
The
전자 밸브(1)는 구동 장치(12)에 대해 공기(A)의 급배기를 제어하는 기능을 갖고, 예를 들어, 2포지션으로 노멀 클로즈 타입(통전시 「열림」, 비통전시 「닫힘」)의 3방 전자 밸브로서 구성되어 있다. 이 전자 밸브(1)는 옥내형 또는 방폭형의 전자 밸브(1)의 하우징으로서 기능하는 수용부(6)의 내부에, 공기(A)가 흐르는 유로를 전환하는 스풀부(2)와, 통전 상태(통전시 또는 비통전시)에 따라 스풀부(2)를 변위시키는 솔레노이드부(3)를 구비하고 있다. 또한, 이 전자 밸브(1)에는, 상기 서술한 타입의 3방 전자 밸브에 한정되지 않으며, 3포지션이어도 되고, 노멀 오픈 타입이어도 되고, 4방 전자 밸브 등이어도 되고, 이것들의 임의의 조합에 기초하는 각종 형성으로 구성할 수 있다. 또, 본 실시형태에서는, 전자 밸브(1)는 유체압 구동 밸브(10)에 있어서의 파일럿 밸브로서 사용되는 것이지만, 전자 밸브(1)의 용도는 이에 한정되지 않는다.
The
스풀부(2)는 공기 공급원(14)에 제1 공기 배관(140)을 통하여 접속되는 입력 포트(20)와, 구동 장치(12)에 제2 공기 배관(141)을 통하여 접속되는 출력 포트(21)와, 구동 장치(12)로부터의 배기를 배출하는 배기 포트(22)를 구비한다.
The spool part 2 has an
솔레노이드부(3)는 통전시에, 입력 포트(20)와 출력 포트(21) 사이를 연통하도록 스풀부(2)를 변위시키고, 비통전시에, 출력 포트(21)와 배기 포트(22) 사이를 연통하도록 스풀부(2)를 변위시킨다.
The
상기 서술한 일련의 구성에 의해, 전자 밸브(1)가 통전 상태인 경우에는, 공기 공급원(14)으로부터의 공기(A)(급기)가 제1 공기 배관(140), 입력 포트(20), 출력 포트(21) 및 제2 공기 배관(141)의 순서로 흘러, 공기 급배기구(124)에 공급됨으로써, 제2 피스톤(122B)이 가압되어 코일 스프링(123)이 압축한다. 그리고, 코일 스프링(123)의 압축에 따라 피스톤 로드(121)가 이동한만큼 피스톤 로드(121) 및 전달 기구(125)를 통하여 밸브 축(13)이 회전 구동되면, 밸브 상자(110) 내에서 밸브체(111)가 회전하고, 메인 밸브(11)가 전체 열림 상태로 조작된다.
With the above-described series of configurations, when the
한편, 전자 밸브(1)가 비통전 상태인 경우에는, 실린더(120) 내의 공기(A)(배기)가, 공기 급배기구(124)로부터 제2 공기 배관(141), 출력 포트(21) 및 배기 포트(22)의 순서로 흘러, 외기로 배출됨으로써, 제2 피스톤(122B)의 가압력이 저하하고, 코일 스프링(123)이 압축 상태로부터 복원한다. 그리고, 코일 스프링(123)의 복원에 따라 피스톤 로드(121)가 이동한만큼 전달 기구(125)를 통하여 밸브 축(13)이 회전 구동되면, 밸브 상자(110) 내에서 밸브체(111)가 회전하여, 메인 밸브(11)가 전체 닫힘 상태로 조작된다.
On the other hand, when the
도 2는 본 발명의 일 실시형태에 관련된 전자 밸브(1)의 일례를 나타내는 단면도이다. 본 실시형태에 관련된 전자 밸브(1)는 도 2에 나타내는 바와 같이, 상기의 스풀부(2) 및 솔레노이드부(3)에 더하여, 전자 밸브(1)의 각 부의 상태를 취득하는 복수의 센서(4)와, 복수의 센서(4) 중 적어도 1개가 재치된 기판(5)과, 스풀부(2), 솔레노이드부(3), 복수의 센서(4) 및 기판(5)을 수용하는 수용부(6)를 구비한다.
2 : is sectional drawing which shows an example of the
수용부(6)는 스풀부(2)를 수용하는 제1 수용부(60)와, 제1 수용부(60)에 인접됨과 함께, 솔레노이드부(3), 복수의 센서(4) 및 기판(5)을 수용하는 제2 수용부(61)와, 통신 케이블(150) 및 전력 케이블(160)이 접속되는 터미널 박스(62)를 구비한다. 제1 수용부(60) 및 제2 수용부(61)는 예를 들어, 알루미늄 등의 금속 재료로 제작되어 있다.
The
제1 수용부(60)는 입력 포트(20), 출력 포트(21) 및 배기 포트(22)로서, 각각 기능하는 개구부(도시 생략)를 갖는다.
The first
제2 수용부(61)는 양단(제1 하우징 단부 (610a) 및 제2 하우징 단부(610b))이 개방된 원통상의 하우징(610)과, 하우징(610)의 내부에 배치되는 바디(611)와, 제1 하우징 단부 (610a)에 고정된 솔레노이드부(3)를 외기로부터 덮는 솔레노이드 커버(612)와, 제2 하우징 단부(610b)에 고정된 터미널 박스(62)를 외기로부터 덮는 터미널 박스 커버(613)를 구비한다.
The second
하우징(610)은 그 하부에 형성되어 밸브 축(13)의 제2 단부(130B)가 삽입되는 축 삽입구(610c)와, 그 상부에 형성되어 바디(611)가 삽입되는 바디 삽입구(610d)와, 제2 하우징 단부(610b)측에 형성되어 통신 케이블(150) 및 전력 케이블(160)이 삽입되는 케이블 삽입구(610e)를 갖는다.
The
제1 수용부(60) 및 제2 수용부(61)에는, 바디(611)를 관통하도록 하여, 입력측 유로(26)로부터 분기하여 입력측 유로(26)와 제1 압력 센서(40) 사이를 연통하는 제1 유로(63)와, 출력측 유로(27)로부터 분기하여 출력측 유로(27)와 제2 압력 센서(41) 사이를 연통하는 제2 유로(64)와, 스풀부(2)와 솔레노이드부(3)를 연동시키기 위한 공기(A)가 흐르는 스풀 유로(65)가 형성되어 있다.
In the first
스풀부(2)는 스풀 케이스로서 기능하는 제2 수용부(61) 내에 형성된 스풀 홀(23)과, 스풀 홀(23) 내에 이동 가능하게 배치된 스풀 밸브(24)와, 스풀 밸브(24)를 탄성 지지하는 스풀 스프링(25)과, 입력 포트(20)와 스풀 홀(23) 사이를 연통하는 입력측 유로(26)와, 출력 포트(21)와 스풀 홀(23) 사이를 연통하는 출력측 유로(27)와, 배기 포트(22)와 스풀 홀(23) 사이를 연통하는 배기 유로(28)를 구비한다.
The spool part 2 includes a
솔레노이드부(3)는 솔레노이드 케이스(30)와, 솔레노이드 케이스(30) 내에 수용된 솔레노이드 코일(31)과, 솔레노이드 코일(31) 내에 이동 가능하게 배치된 가동 철심(32)과, 솔레노이드 코일(31) 내에 고정 상태로 배치된 고정 철심(33)과, 가동 철심(32)을 탄성 지지하는 솔레노이드 스프링(34)을 구비한다.
The
전자 밸브(1)가 비통전 상태로부터 통전 상태로 전환된 경우에는, 솔레노이드부(3)에 있어서, 코일 전류가 솔레노이드 코일(31)에 흐름으로써 솔레노이드 코일(31)이 전자력을 발생하고, 당해 전자력에 의해 가동 철심(32)이 솔레노이드 스프링(34)의 탄성력에 저항하여 고정 철심(33)에 흡인됨으로써, 스풀 유로(65)를 흐르는 공기(A)의 유통 상태가 전환된다. 그리고, 스풀부(2)에 있어서, 스풀 유로(65)를 흐르는 공기(A)의 유통 상태가 전환된 것에 의해, 스풀 밸브(24)가 스풀 스프링(25)의 탄성력에 저항하여 이동됨으로써, 입력 포트(20)와 배기 포트(22) 사이를 연통하는 상태로부터, 입력 포트(20)와 출력 포트(21) 사이를 연통하는 상태로 전환된다.
When the
기판(5)은 기판면(500A, 500B)이 축 삽입구(610c)로부터 삽입된 밸브 축(13)을 따르도록 배치된 제1 기판(50)과, 터미널 박스(62)에 근접하여 배치된 제2 기판(51)과, 솔레노이드부(3)에 근접하여 배치된 제3 기판(52)을 구비한다.
The
제1 기판(50)의 기판면(500A, 500B) 중, 제1 기판면(500A)측에는 바디(611), 솔레노이드부(3) 및 제3 기판(52)이 배치된다. 제1 기판면(500A)측과 반대측의 제2 기판면(500B)측에는 제2 기판(51) 및 터미널 박스(62)가 배치된다.
Among the substrate surfaces 500A and 500B of the
제1 기판(50), 제2 기판(51) 및 제3 기판(52)의 적소에는, 센서(4)가 배치되어 있다. 이 센서(4)로는, 예를 들어, 입력측 유로(26) 및 제1 유로(63)를 흐르는 공기(A)의 유체압을 계측하는 제1 압력 센서(40)와, 출력측 유로(27) 및 제2 유로(64)를 흐르는 공기(A)의 유체압을 계측하는 제2 압력 센서(41)와, 밸브 축(13)이 회전 구동할 때의 회전 각도를 계측하고, 당해 회전 각도에 따라 메인 밸브(11)의 밸브 개도 정보를 취득하는 메인 밸브 개도 센서(42)를 포함한다.
A
메인 밸브 개도 센서(42)는 예를 들어, 자기 센서에 의해 구성되어 있고, 밸브 축(13)의 제2 단부(130B)에 장착된 영구 자석(131)이 발생하는 자기의 세기를 계측하고, 당해 자기의 세기에 따라 메인 밸브(11)의 밸브 개도 정보를 취득한다. 이 메인 밸브 개도 센서(42)는 축 삽입구(610c)로부터 삽입된 밸브 축(13)을 따르도록 배치된 제1 기판(5)의 제1 기판면(500A) 중 밸브 축(13)의 축 주위의 외주에 대향하는 위치에 재치되는 것이 바람직하다. 이로써, 수용부(6) 내에 있어서, 배치 공간을 낭비하지 않고, 제1 기판(50)에 재치된 메인 밸브 개도 센서(42)와, 밸브 축(13)의 제2 단부(130B)를 근접하여 배치하는 것이 가능해지며, 밸브 개도 정보를 정확하게 취득할 수 있다.
The main valve
도 3은 본 발명의 일 실시형태에 관련된 전자 밸브(1)의 일례를 나타내는 블록도이다. 전자 밸브(1)는 도 3에 나타내는 바와 같이, 전기적인 구성예로서, 상기의 기판(3) 및 센서(4) 외에, 전자 밸브(1)를 제어하는 제어부(7)와, 외부 장치(15)와 통신하기 위한 통신부(8)와, 외부 전원(16)에 접속되는 전원 회로부(9)를 구비한다.
3 : is a block diagram which shows an example of the
복수의 센서(4)는 각 부의 물리량을 계측하는 센서군으로서, 상기의 제1 압력 센서(40), 제2 압력 센서(41) 및 메인 밸브 개도 센서(42) 외에, 솔레노이드부(3)에 대한 공급 전압을 계측하는 전압 센서(43)와, 솔레노이드부(3)에 있어서의 통전시의 전류치 및 비통전시의 저항치를 계측하는 전류·저항 센서(44)와, 수용부(6)의 내부 온도를 계측하는 온도 센서(45)와, 솔레노이드부(3)가 발생하는 자기의 세기를 계측하는 자기 센서(46)를 구비한다.
The plurality of
또, 복수의 센서(4)는 각 부의 동작 이력에 관한 정보를 취득하는 센서군으로서, 솔레노이드부(3)의 가동 시간으로서 솔레노이드부에 대한 통전 시간의 합계 및 현재의 통전 연동 시간의 적어도 일방을 계측하는 가동 시간계(타이머)(47)와, 전자 밸브(1), 구동 장치(12) 및 메인 밸브(11) 각각의 작동 횟수를 계수하는 작동 카운터(카운터)(48)를 구비한다.
In addition, the plurality of
또, 이들 센서(40~48)는 상기 서술한 바와 같이 각각의 센서가 개별적으로 형성된 것에 한정되지 않으며, 특정한 센서가 다른 센서의 기능을 겸하는 것에 의해, 당해 다른 센서가 개별적으로 형성되어 있지 않아도 된다. 예를 들어, 자기 센서(46)가, 솔레노이드부(3)가 발생하는 자기의 세기를 계측함과 함께, 당해 자기의 세기에 기초하여 솔레노이드부(3)에 있어서의 통전시의 전류치를 구함으로써, 전류·저항 센서(44)가 개별적으로 형성되어 있지 않아도 된다. 또, 마이크로 컨트롤러(70)가, 센서의 기능을 내장하거나, 센서의 기능의 일부를 실현해도 되고, 예를 들어, 마이크로 컨트롤러(70)가, 가동 시간계(47) 및 작동 카운터(48)를 내장함으로써, 가동 시간계(47) 및 작동 카운터(48)가 개별적으로 형성되어 있지 않아도 된다.
In addition, these
제어부(7)는 복수의 센서(4)에 의해 취득된 전자 밸브(1)의 각 부의 상태를 나타내는 정보를 처리함과 함께, 전자 밸브(1)의 각 부를 제어하는 마이크로 컨트롤러(70)와, 솔레노이드부(3)의 통전 상태를 제어하고, 시험 운전시에 있어서의 메인 밸브(11)의 개폐 조작을 실시하는 밸브 테스트 스위치(71)를 구비한다.
The control unit 7 processes information indicating the state of each part of the
마이크로 컨트롤러(70)는 CPU(Central Processing Unit) 등의 프로세서(도시 생략)와, ROM(Read Only Memory), RAM(Random Access Memory) 등에 의해 구성되는 메모리를 구비한다. 이 마이크로 컨트롤러(70)는 본 실시형태에 있어서 후술하는 데이터 처리 시스템(300)을 실현하는 기능을 포함할 수 있다.
The
밸브 테스트 스위치(71)는 소정 시험 운전 조건이 만족되었을 경우에 마이크로 컨트롤러(70)로부터의 지령을 받아, 시험 운전으로서, 유체압 구동 밸브(10)의 스트로크 테스트를 실행하기 위한 것이다.
The
스트로크 테스트는 예를 들어, 풀 스트로크 테스트 및 파셜 스트로크 테스트 중 어느 것에 의해 실행된다. 풀 스트로크 테스트는 메인 밸브(11)를 전체 열림 상태에 있어서 통전 상태로부터 비통전 상태로 전환함으로써 전체 닫힘 상태로 조작하고, 전체 닫힘 상태에 있어서 비통전 상태로부터 통전 상태로 전환함으로써 전체 열림 상태로 되돌림으로써 실행된다. 파셜 스트로크 테스트는 메인 밸브(11)를 전체 닫힘 상태로 조작하지 않고(즉, 플랜트 설비를 정지하지 않고), 메인 밸브(11)를 전체 열림 상태에 있어서 통전 상태로부터 비통전 상태로 전환함으로써 소정 개도까지 부분적으로 닫고, 부분적인 닫힘 상태에 있어서 비통전 상태로부터 통전 상태로 전환함으로써 전체 열림 상태로 되돌림으로써 실행된다.
The stroke test is executed, for example, by any of a full stroke test and a partial stroke test. In the full stroke test, the
또한, 시험 운전 조건으로는, 예를 들어, 관리자에 의해 설정치로서 지정된 실행 빈도(예를 들어, 1년에 1회)에 의한 실행 시기나 특정한 지정 일시가 도래하거나, 외부 장치(15)로부터의 실행 명령을 접수하거나, 전자 밸브(1)에 형성된 시험 실행 버튼(도시 생략)이 관리자에 의해 조작되었을 경우에, 시험 운전 조건을 만족하는 것으로 하여, 시험 운전(스트로크 테스트)이 실행되도록 하면 된다.
In addition, as the test driving condition, for example, an execution time according to an execution frequency (eg, once a year) specified as a set value by an administrator or a specific specified date and time arrives, or When an execution command is received or a test execution button (not shown) provided on the
(기계 학습 장치) (machine learning device)
상기 서술한 일련의 구성을 구비하는 유체압 구동 밸브(10)에 있어서는, 상기 서술한 복수의 센서(4)를 구비함으로써, 예를 들어 정상 운전시 및 비정상 운전시(예를 들어, 개폐 조작이 실시되는 시험 운전시나 긴급 정지시를 포함한다)에 있어서 유체압 구동 밸브(10)의 각종 정보를 취득할 수 있다. 그래서, 이하에는, 유체압 구동 밸브(10)로부터 취득 가능한 정보(상태 변수)에 기초하여 유체압 구동 밸브(10)의 진단 정보를 추정하는 것이 가능한 추론 모델(학습 완료 모델)을 학습하는 기계 학습 장치(200)에 대해, 설명을 실시한다. 또한, 여기서 말하는 기계 학습 장치(200)는 그것 단독으로 동작하는 장치로서 제공되는 것뿐만 아니라, 임의의 프로세서에 이하에 설명하는 동작을 실행시키기 위한 프로그램, 혹은 당해 동작을 실행시키기 위한 1 내지 복수의 명령을 격납한 비일시적인 컴퓨터 독해 가능 매체의 형식으로 제공되는 것을 포함한다.
In the fluid
도 4는 본 발명의 일 실시형태에 관련된 기계 학습 장치(200)의 개략 블록도이다. 본 실시형태에 관련된 기계 학습 장치(200)는 도 4에 나타내는 바와 같이, 학습용 데이터 세트 취득 유닛(201)과, 학습용 데이터 세트 기억 유닛(202)과, 학습 유닛(203)과, 학습 완료 모델 기억 유닛(204)을 구비하고 있다.
4 is a schematic block diagram of a machine learning apparatus 200 according to an embodiment of the present invention. The machine learning apparatus 200 which concerns on this embodiment, as shown in FIG. 4, the data set
학습용 데이터 세트 취득 유닛(201)은, 예를 들어 유선 또는 무선의 통신 회선을 통하여 접속된 각종 기기로부터 학습(트레이닝)용 데이터 세트를 구성하는 복수의 데이터를 취득하기 위한 인터페이스 유닛이다. 여기서, 학습용 데이터 세트 취득 유닛(201)에 접속되는 각종 기기로는, 예를 들어 외부 장치(15)나 유체압 구동 밸브(10)의 작업자가 사용하는 작업자용 컴퓨터(PC1) 등을 들 수 있다. 또한, 도 4에 있어서는 외부 장치(15)와 컴퓨터(PC1)는 따로 따로 접속된 예를 나타내고 있지만, 외부 장치(15)와 작업자용 컴퓨터(PC1)는 동일한 컴퓨터에 의해 구성되어 있어도 된다. 이 학습용 데이터 세트 취득 유닛(201)에서는, 유체압 구동 밸브(10)의 복수의 센서(4)의 검출 데이터를 입력 데이터로서 예를 들어 외부 장치(15)로부터 취득함과 함께, 이 입력 데이터에 관련 지어지는 유체압 구동 밸브(10)의 진단 정보를 출력 데이터로서, 예를 들어 작업자용 컴퓨터(PC1)로부터 취득할 수 있다. 그리고, 이들 서로 관련 지어지는 입력 데이터와 출력 데이터가 후술하는 1 의 학습용 데이터 세트를 구성한다.
The learning data
도 5는 본 발명의 일 실시형태에 관련된 기계 학습 장치(200)에서 사용되는 데이터의 구성예(교사가 있는 학습)를 나타내는 도면이다. 도 6은 본 발명의 일 실시형태에 관련된 기계 학습 장치(200)에서 사용되는 데이터의 구성예(교사가 없는 학습)를 나타내는 도면이다. 또한, 도 5, 도 6은, 데이터 처리 시스템 및 추론 장치의 설명에서도 적절히 참조한다. 5 is a diagram showing a configuration example (learning with a teacher) data used in the machine learning apparatus 200 according to an embodiment of the present invention. 6 is a diagram showing a configuration example (learning without a teacher) of data used in the machine learning apparatus 200 according to an embodiment of the present invention. 5 and 6 are also appropriately referred to in the description of the data processing system and the reasoning apparatus.
학습용 데이터 세트는 도 5, 도 6에 나타내는 바와 같이, 입력 데이터로서, 적어도, 소정 기간에 있어서의, 메인 밸브(11)의 밸브 개도의 시계열 데이터, 및, 공기(A)의 전자 밸브 출력측 압력의 시계열 데이터를, 출력 데이터로서, 유체압 구동 밸브(10)의 진단 정보를 포함하고 있고, 후술하는 기계 학습에 있어서 사용하기 위한 데이터 세트를 가리키는 것이다. 이들 각종 데이터의 상세한 것에 대하여 이하에 일례를 설명하여 나타내지만, 본 발명은 이들로 한정되지 않는다.
As shown in Figs. 5 and 6, the training data set is, as input data, at least time series data of the valve opening degree of the
메인 밸브(11)의 밸브 개도는 메인 밸브(11)의 개폐 상태의 값을 가리키는 것으로서, 상기 서술한 메인 밸브 개도 센서(42)로부터 취득할 수 있다.
The valve opening degree of the
공기(A)의 전자 밸브 출력측 압력은 소정 기간 중에 전자 밸브(1)로부터 구동 장치(12)에 급배기되는 공기(A)의 압력으로서, 전자 밸브(1)로부터 구동 장치(12)에 공기(A)가 공급될 때의 공기(A)(급기)의 압력과, 구동 장치(12)로부터 전자 밸브(1)를 통하여 외기로 공기(A)가 배출될 때의 공기(A)(배기)의 압력을 포함한다. 공기(A)의 전자 밸브 출력측 압력은 상기 서술한 제2 압력 센서(41)에 의해 취득할 수 있다.
The pressure on the solenoid valve output side of the air A is the pressure of the air A supplied and exhausted from the
시계열 데이터는 소정 기간 내의 상이한 복수의 시점에서 각각 취득된 복수의 데이터로 구성된 것으로서, 예를 들어, 소정 샘플링 주기로 취득된다. 본 실시형태에 있어서는, 메인 밸브(11)의 밸브 개도의 시계열 데이터와, 공기(A)의 전자 밸브 출력측 압력의 시계열 데이터는 동일한 샘플링 주기 및 동일한 위상(위상차가 없는 상태)에서 복수의 시점에서 취득된 것으로 하지만, 샘플링 주기 및 위상의 적어도 일방이 상이한 것이어도 된다.
The time series data is constituted by a plurality of data each acquired at a plurality of different time points within a predetermined period, and is acquired, for example, at a predetermined sampling period. In this embodiment, the time series data of the valve opening degree of the
소정 기간은 비정상 운전시(시험 운전시나 긴급 정지시를 포함한다)에 메인 밸브(11)의 개폐 조작이 실시되는 기간이며, 예를 들어, 유체압 구동 밸브(10)에 있어서의 스트로크 테스트를 실행했을 때의 실행 기간으로 이루어진다. 소정 기간은 스트로크 테스트의 실행 기간 중 테스트 개시부터 테스트 종료까지의 전체 기간이어도 되고, 그 중 일부의 기간이어도 된다. 따라서, 소정 기간은 예를 들어, 풀 스트로크 테스트의 전체 기간(전체 열림 상태→전체 닫힘 상태→전체 열림 상태)이나 파셜 스트로크 테스트의 전체 기간(전체 열림 상태→부분적인 닫힘 상태)이어도 되고, 풀 스트로크 테스트의 일부의 기간(전체 열림 상태→전체 닫힘 상태, 또는, 전체 닫힘 상→전체 열림 상태 등)이나 파셜 스트로크 테스트의 일부의 기간(전체 열림 상태→부분적인 닫힘 상태, 부분적인 닫힘 상태→전체 열림 상태 등 )이어도 되고, 이것들에 한정되지 않는다.
The predetermined period is a period during which the opening/closing operation of the
유체압 구동 밸브(10)의 진단 정보는 유체압 구동 밸브(10)에 대한 이상 진단이 실시되었을 때의, 유체압 구동 밸브(10)에 모종의 이상이 발생했는지 여부를 나타내는 정보로서, 그 데이터 형식으로는 여러 가지 것을 채용할 수 있다. 이상은 이상 진단이 실시된 시점에 있어서 이상의 발생이 판명된 사후적인 이상뿐만 아니라, 이상 진단이 실시된 시점에서는 정상이라고 판단되는 허용 범위이기는 하지만, 장래적인 이상의 발생이 예견된 이상 징조도 포함한다.
The diagnostic information of the fluid
예를 들어, 일 양태로서의 진단 정보는 도 5에 나타내는 바와 같이, 유체압 구동 밸브(10)가 정상인 것(이상 없음) 및 이상인 것(이상 있음) 중 어느 것을 나타내는 정보로 구성할 수 있다. 이 경우, 진단 정보는 이가(binary)로 분류되며, 예를 들어 유체압 구동 밸브(10)가 정상적인 상태인 것을 나타내는 값을 「0」으로 하고, 유체압 구동 밸브(10)가 이상의 상태인 것을 나타내는 값을 「1」로 하여, 작업용 컴퓨터(PC1)를 사용하여 작업자에 의해 입력 데이터에 관련 지은 형태로 해당하는 값이 입력되면 된다. 또한, 이 경우에는 구체적인 이상의 내용에 관한 정보는 반드시 필요한 것은 아니다.
For example, as shown in FIG. 5, the diagnostic information as an aspect can be comprised with the information which shows either that the fluid
더하여, 상기 진단 정보 중, 이상인 것을 나타내는 정보는 도 5의 파선으로 나타내는 바와 같이, 이상의 구체적인 내용도 포함하고 있어도 된다. 이상의 구체적인 내용으로는, 예를 들어, 메인 밸브(11)의 동작 불량, 공기(A) 회로의 불량, 공기 공급원(14)으로부터의 공기(A)의 공급 압력의 이상, 솔레노이드부(3)에 있어서의 공급 전압 이상, 솔레노이드 코일(31)의 열화·파손, 전기 회로의 단락, 솔레노이드부(3)의 수명, 유체압 구동 밸브(10)의 이상 발열, 철심의 동작 불량 등이 포함된다. 이 경우, 진단 정보는 다가(Multi Valued)(3 이상)로 분류되고, 예를 들어 유체압 구동 밸브(10)가 정상적인 상태인 것을 나타내는 값을 「0」이라고 하고, 유체압 구동 밸브(10)가 메인 밸브(11)의 동작 불량에 해당하는 이상인 것을 나타내는 값을 「1」, 유체압 구동 밸브(10)가 공기(A) 회로의 불량에 해당하는 이상인 것을 나타내는 값을 「2」, 이하 동일하게 각 이상의 내용에 맞추어 값을 일의적으로 사전에 정한 후에, 작업용 컴퓨터(PC1)를 사용하여 작업자에 의해 입력 데이터에 관련 지은 형태로 해당하는 값이 입력되면 된다. 이와 같은 진단 정보의 설정을 실시함으로써, 이상의 발생의 유무뿐만 아니라, 이상이 발생했을 때의 이상의 구체적인 내용의 정보(도 6에 나타내는 이상 1/이상 2/이상 n에 대응한다)도 포함한 학습용 데이터 세트를 준비할 수 있다. 상기 서술한 일 양태로서의 진단 정보는 이하에 서술하는 기계 학습에 있어서는, 교사가 있는 학습(도 5 참조)을 실시하는 경우에 이용되는 것이다.
In addition, as shown by the broken line in FIG. 5, the information indicating abnormality among the said diagnostic information may also contain the specific content of the above. As for the above specific content, for example, operation failure of the
또, 유체압 구동 밸브(10)의 진단 정보로는, 상기 서술한 것 이외에도 채용할 수 있다. 예를 들어, 다른 양태로서의 진단 정보는 도 6에 나타내는 바와 같이, 유체압 구동 밸브(10)가 이상이 아니라 정상인 것만을 나타내는 정보로 할 수 있다. 이 경우, 진단 정보에는 유체압 구동 밸브(10)가 정상인 것을 나타내는 정보 밖에 포함되지 않기 때문에, 필연적으로 이 진단 정보를 출력 데이터로서 포함하는 학습용 데이터 세트는 유체압 구동 밸브(10)가 정상인 경우의 입력 데이터와 출력 데이터로 구성된 데이터 세트만이 된다. 따라서, 이 경우에 있어서의 학습용 데이터 세트의 출력 데이터는 항상 동일하기 때문에, 학습용 데이터 세트는 출력 데이터를 데이터로서 가지고 있을 필요가 반드시는 없다는 것은 당업자이면 당연하게 이해할 수 있을 것이다. 당해 다른 양태로서의 진단 정보는 이하에 서술하는 기계 학습에 있어서는, 교사가 없는 학습(도 6 참조)을 실시하는 경우에 이용되는 것이다.
In addition, as diagnostic information of the fluid
옵션으로서, 학습용 데이터 세트 내의 입력 데이터에는, 추가로, 공기(A)의 압력(공기(A)의 전자 밸브 출력측 압력을 제외한다)의 시계열 데이터, 솔레노이드부(3)의 제어 파라미터의 시계열 데이터, 유체압 구동 밸브(10)의 온도의 시계열 데이터, 유체압 구동 밸브(10)의 총가동 시간, 유체압 구동 밸브(10)에 대해 마지막으로 전원이 투입되고 나서의 가동 시간, 메인 밸브(11)의 작동 횟수, 구동 장치(12)의 작동 횟수, 솔레노이드부(3)의 작동 횟수, 및, 메인 밸브(11)의 개폐 시간을 선택적으로 포함할 수 있다.
Optionally, the input data in the training data set includes time series data of the air A pressure (excluding the solenoid valve output side pressure of the air A) time series data, time series data of the control parameters of the
공기(A)의 압력(공기(A)의 전자 밸브 출력측 압력을 제외한다)은 유체압 구동 밸브(10)의 내부의 각 부를 흐르는 공기(A)의 압력인 것이 바람직하고, 구체적으로는, 공기 공급원(14)으로부터 전자 밸브(1)에 공급되는 공기(A)의 전자 밸브 입력측 압력, 및, 공기(A)의 전자 밸브 입력측 압력과 공기(A)의 전자 밸브 출력측 압력의 차압 중 적어도 1개를 포함하는 것이 바람직하다.
The pressure of the air A (except the pressure on the solenoid valve output side of the air A) is preferably the pressure of the air A flowing through each part of the fluid
솔레노이드부(3)의 제어 파라미터는 솔레노이드부(3)를 제어하기 위한 각종 파라미터 정보로서, 구체적으로는 솔레노이드 코일(31)에 공급되는 공급 전압, 솔레노이드 코일(31)에 대한 통전시의 전류치, 솔레노이드 코일(31)의 비통전시에 있어서의 저항치, 솔레노이드부(3)의 가동 시간, 및, 솔레노이드부(3)에 생기는 자기의 강도 중 적어도 1개를 포함하는 것이 바람직하다. 이 중, 솔레노이드 코일(31)에 공급되는 공급 전압은 상기 서술한 전압 센서(43)에 의해 취득할 수 있고, 솔레노이드 코일(31)에 대한 통전시의 전류치, 및, 비통전시에 있어서의 저항치는 상기 서술한 전류·저항 센서(44)에 의해 취득할 수 있고, 솔레노이드부(3)의 가동 시간은 상기 서술한 가동 시간계(47)에 의해 취득할 수 있고, 솔레노이드부(3)에 생기는 자기의 강도는 상기 서술한 자기 센서(46)에 의해 취득할 수 있다.
The control parameters of the
유체압 구동 밸브(10)의 온도는 유체압 구동 밸브(10)의 특히 내부 온도의 값을 가리키는 것으로서, 상기 서술한 온도 센서(45)에 의해 취득할 수 있다.
The temperature of the fluid
유체압 구동 밸브(10)의 총가동 시간과 유체압 구동 밸브(10)에 대해 마지막으로 전원이 투입되고 나서의 가동 시간은 상기 서술한 가동 시간계(47)에 의해 취득할 수 있고, 메인 밸브(11)의 작동 횟수와 구동 장치(12)의 작동 횟수와 솔레노이드부(3)의 작동 횟수는 상기 서술한 작동 카운터(48)에 의해 취득할 수 있고, 메인 밸브(11)의 개폐 시간은 도시되지 않은 타이머 등을 사용하여 취득할 수 있다.
The total operating time of the fluid
상기 서술한 바와 같이 입력 데이터의 종류를 늘리는 것은 기계 학습 후에 얻어지는 학습 완료 모델의 추정 정밀도를 향상시키는 데에 대체로 기여하는 것이지만, 진단 정보와의 상관 정도가 낮은 입력 데이터를 채용하는 것은 오히려 학습 완료 모델의 추정 정밀도의 향상을 저해할 가능성이 있다. 따라서, 입력 데이터로서 채용하는 데이터의 수 및 종류에 대해서는, 학습 완료 모델이 적용되는 유체압 구동 밸브(10)의 상태 등을 고려하여 적절히 선택되어야 한다.
As described above, increasing the type of input data generally contributes to improving the estimation precision of the learned model obtained after machine learning, but adopting input data with a low degree of correlation with diagnostic information is rather a learned model. may impede the improvement of the estimation precision of Accordingly, the number and type of data employed as input data should be appropriately selected in consideration of the state of the fluid
학습용 데이터 세트 기억 유닛(202)은 학습용 데이터 세트 취득 유닛(201)에서 취득한 학습용 데이터 세트를 구성하기 위한 복수의 데이터를, 관련되는 입력 데이터와 출력 데이터를 관련 지어 1개의 학습용 데이터 세트로 하여, 격납하기 위한 데이터베이스이다. 이 학습용 데이터 세트 기억 유닛을 구성하는 데이터베이스의 구체적인 구성에 대해서는 적절히 조정할 수 있다. 예를 들어, 도 4에 있어서는, 설명의 형편상, 이 학습용 데이터 세트 기억 유닛(202)과 후술하는 학습 완료 모델 기억 유닛(204)을 별도의 기억 수단으로서 나타내고 있지만, 이것들은 단일의 기억 매체(데이터베이스)에 의해 구성할 수도 있다.
The training data
학습 유닛(203)은 학습용 데이터 세트 기억 유닛(202)에 기억된 복수의 학습용 데이터 세트를 사용하여 기계 학습을 실행함으로써, 복수의 학습용 데이터 세트에 포함되는 입력 데이터와 출력 데이터의 상관 관계를 학습한 학습 완료 모델을 생성하는 것이다. 본 실시형태에 있어서는, 후에 상세하게 설명하여 나타내는 바와 같이, 기계 학습의 구체적인 수법으로서 뉴럴 네트워크를 사용한 교사가 있는 학습을 채용하고 있다. 단, 기계 학습의 구체적인 수법에 대해서는 이것으로 한정되지 않으며, 입출력의 상관 관계를 학습용 데이터 세트로부터 학습할 수 있는 것이면 다른 학습 수법을 채용하는 것도 가능하다. 예를 들어, 앙상블 학습(랜덤 포레스트, 부스팅 등)을 사용할 수도 있다.
The
학습 완료 모델 기억 유닛(204)은 학습 유닛(203)에서 생성된 학습 완료 모델을 기억하기 위한 데이터베이스이다. 이 학습 완료 모델 기억 유닛(24)에 기억된 학습 완료 모델은 요구에 따라, 인터넷을 포함하는 통신 회선이나 기억 매체를 통하여 실시스템에 적용된다. 실시스템(데이터 처리 시스템(300))에 대한 학습 완료 모델의 구체적인 적용 양태에 대해서는, 후에 상세히 서술한다.
The learned
다음으로, 상기 서술한 바와 같이 하여 얻어진 복수의 학습용 데이터 세트를 사용한, 학습 유닛(203)에 있어서의 학습 수법에 대해, 교사가 있는 학습을 중심으로 설명한다. 도 7은 본 발명의 일 실시형태에 관련된 기계 학습 장치에 있어서 실시되는 교사가 있는 학습을 위한 뉴럴 네트워크 모델의 예를 나타내는 도면이다. 도 7에 나타내는 뉴럴 네트워크 모델에 있어서의 뉴럴 네트워크는 입력층에 있는 l개의 뉴런(x1~xl), 제1 중간층에 있는 m개의 뉴런(y11~y1m), 제2 중간층에 있는 n개의 뉴런(y21~y2n), 및, 출력층에 있는 o개의 뉴런(z1~zo)으로 구성되어 있다. 제1 중간층 및 제2 중간층은 숨은 층이라고도 불리고 있고, 뉴럴 네트워크로는, 제1 중간층 및 제2 중간층 외에, 추가로 복수의 숨은 층을 갖는 것이어도 되고, 혹은 제1 중간층만을 숨은 층으로 하는 것이어도 된다. 또한, 도 7에 있어서는, 출력층이 복수개(o개) 설정된 뉴럴 네트워크 모델을 예시하고 있지만, 예를 들어 상기 서술한 진단 정보가 1의 값으로부터 특정되는 것인 경우, 즉, 후술하는 교사 데이터의 수가 1개(t1만) 인 경우에는, 출력층의 뉴런의 수도 1개(z1만)로 할 수 있다.
Next, the learning method in the
또, 입력층과 제1 중간층 사이, 제1 중간층과 제2 중간층 사이, 제2 중간층과 출력층 사이에는, 층간의 뉴런을 접속하는 노드가 깔려 있고, 각각의 노드에는, 가중치wi(i는 자연수)가 대응 지어져 있다. Also, between the input layer and the first intermediate layer, between the first intermediate layer and the second intermediate layer, and between the second intermediate layer and the output layer, there are nodes connecting the neurons between the layers, and each node has a weight wi (i is a natural number) is correspondingly built.
본 실시형태에 관련된 뉴럴 네트워크 모델에 있어서의 뉴럴 네트워크는 학습용 데이터 세트를 사용하여, 메인 밸브(11)의 밸브 개도의 시계열 데이터, 및, 공기(A)의 전자 밸브 출력측 압력의 시계열 데이터와, 유체압 구동 밸브(10)의 진단 정보의 상관 관계를 학습한다. 구체적으로는, 상태 변수로서의 메인 밸브(11)의 밸브 개도의 시계열 데이터, 및, 공기(A)의 전자 밸브 출력측 압력의 시계열 데이터의 각각을 입력층의 뉴런에 대응 지어, 출력층에 있는 뉴런의 값을, 일반적인 뉴럴 네트워크의 출력값의 산출 방법으로, 요컨대, 출력측의 뉴런의 값을, 당해 뉴런에 접속되는 입력측의 뉴런의 값과, 출력측의 뉴런과 입력측의 뉴런을 접속하는 노드에 대응 지어진 가중치wi의 곱셈치의 수열의 합으로서 산출하는 것을, 입력층에 있는 뉴런 이외의 모든 뉴런에 대해 실시하는 방법을 사용함으로써, 산출한다. 또한, 상기 상태 변수를 입력층의 뉴런에 입력하는 데에 있어서, 상태 변수로서 취득한 정보를 어떠한 형식으로서 입력할지는, 생성되는 학습 완료 모델의 정밀도 등을 고려하여 적절히 설정할 수 있다. 구체적으로는, 입력 데이터 각각에 대응시키는 뉴런의 수를 조정하기 위해서, 혹은 뉴런에 대응 가능한 값으로 조정하기 위해서, 특정한 입력 데이터에 대해 전처리를 실행할 수 있다.
The neural network in the neural network model according to the present embodiment uses the training data set, the time series data of the valve opening degree of the
그리고, 산출된 출력층에 있는 o개의 뉴런 z1~zo의 값, 즉 본 실시형태에 있어서는 1 이상의 진단 정보와, 학습용 데이터 세트의 일부를 구성하는, 동일하게 1 이상의 진단 정보로 이루어지는 교사 데이터 t1~to를, 각각 비교하여 오차를 구하고, 구해진 오차가 작아지도록, 각 노드에 대응 지어진 가중치wi를 조정하는(백프로파게이션) 것을 반복한다. Then, the calculated values of the o neurons z1 to zo in the output layer, that is, in the present embodiment, one or more diagnostic information and teacher data t1 to t1 to one or more diagnostic information constituting a part of the learning data set. , respectively, to obtain an error, and to adjust the weight wi corresponding to each node (backpropagation) so that the obtained error is small.
그리고, 상기 서술한 일련의 공정을 소정 횟수 반복 실시하는 것, 혹은 상기 오차가 허용치보다 작아지는 것 등의 소정 조건이 만족된 경우에는, 학습을 종료하여, 그 뉴럴 네트워크 모델(의 노드의 각각에 대응 지어진 모든 가중치wi)을 학습 완료 모델로서 학습 완료 모델 기억 유닛(204)에 기억한다.
Then, when a predetermined condition such as repeating the above-described series of steps a predetermined number of times or that the error becomes smaller than an allowable value is satisfied, learning is finished and the neural network model ( All corresponding weights wi) are stored in the learned
(기계 학습 방법) (machine learning method)
상기에 관련하여, 본 발명은 기계 학습 방법을 제공한다. 이하에 본 발명에 관련된 기계 학습 방법에 대해, 도 5(학습 페이즈), 도 6(학습 페이즈), 도 7, 도 8을 참조하여 설명을 실시한다. 도 8은 본 발명의 일 실시형태에 관련된 기계 학습 방법의 예를 나타내는 플로 차트이다. 이하에 나타내는 기계 학습 방법에 있어서는, 상기 서술한 기계 학습 장치(200)에 기초하여 설명을 실시하지만, 전제가 되는 구성에 대해서는, 상기 기계 학습 장치(200)에 한정되지 않는다. 또, 이 기계 학습 방법은 컴퓨터를 사용함으로써 실현되는 것인데, 컴퓨터로는 여러 가지 것이 적용 가능하고, 예를 들어 외부 장치(15), 작업용 컴퓨터(PC1) 혹은 마이크로 컨트롤러(70)를 구성하는 컴퓨터 장치나, 네트워크 상에 배치된 서버 장치 등을 들 수 있다. 또, 이 컴퓨터의 구체적 구성에 대해서는, 예를 들어, 적어도 CPU나 GPU 등으로 이루어지는 연산 장치와, 휘발성 또는 불휘발성 메모리 등으로 구성되는 기억 장치와, 네트워크나 다른 기기에 통신하기 위한 통신 장치와, 이들 각 장치를 접속하는 버스를 포함하는 것을 채용할 수 있다.
In connection with the above, the present invention provides a machine learning method. The machine learning method which concerns on this invention is demonstrated below with reference to FIG.5 (learning phase), FIG.6 (learning phase), and FIG.7, FIG.8. 8 is a flowchart showing an example of a machine learning method according to an embodiment of the present invention. In the machine learning method shown below, although description is performed based on the machine learning apparatus 200 mentioned above, about the structure used as a premise, it is not limited to the said machine learning apparatus 200. In addition, this machine learning method is realized by using a computer, and various things are applicable as a computer, for example, the computer device which comprises the
본 실시형태에 관련된 기계 학습 방법으로서의 교사가 있는 학습은, 기계 학습을 개시하기 위한 사전 준비로서, 먼저, 원하는 수의 학습용 데이터 세트(도 5 참조)를 준비하고, 준비한 복수개의 학습용 데이터 세트를 학습용 데이터 세트 기억 유닛(202)에 기억한다(스텝 S11). 여기서 준비하는 학습용 데이터 세트의 수에 대해서는, 최종적으로 얻어지는 학습 완료 모델에 요구되는 추론 정밀도를 고려하여 설정하면 된다. Teacher learning as a machine learning method according to the present embodiment is a preliminary preparation for starting machine learning, first, a desired number of learning data sets (refer to FIG. 5 ) are prepared, and the prepared plurality of learning data sets are used for learning. It stores in the data set storage unit 202 (step S11). The number of training data sets prepared here may be set in consideration of the inference precision required for the finally obtained learning completed model.
이 교사가 있는 학습에 사용되는 학습용 데이터 세트를 준비하는 방법에는 몇 가지 방법을 채용할 수 있다. 예를 들어, 스트로크 테스트 등에 의해 메인 밸브(11)의 개폐 조작을 소정 기간에 걸쳐 실행했을 때, 특정한 유체압 구동 밸브(10)에 있어서 이상이 발생했을 경우, 혹은 작업자가 이상 징조를 인식했을 경우에 있어서, 그 때의 소정 기간에 있어서의 유체압 구동 밸브(10)의 각종 정보를 복수의 센서(4) 등을 사용하여 취득하고, 이들 정보에 관련 짓는 형태로 작업자가 진단 정보를, 작업용 컴퓨터(PC1) 등을 사용하여 특정·입력함으로써, 학습 데이터 세트를 구성하는 입력 데이터와 출력 데이터(예를 들어, 이 경우의 출력 데이터의 값은 「1」)를 준비한다. 그리고 이와 같은 작업을 반복함으로써 원하는 수의 학습용 데이터 세트를 준비하는 방법을 채용할 수 있다. 또한, 학습용 데이터 세트를 준비하는 방법으로는 이와 같은 방법 이외에도, 예를 들어 적극적으로 유체압 구동 밸브(10)에 이상 상태를 만드는 것에 의해 학습용 데이터 세트를 취득하는 등, 여러 가지 방법을 채용할 수 있다. 단, 유체압 구동 밸브(10)의 각종 정보는 유체압 구동 밸브(10) 각각에 특유의 경향이 존재하는 경우가 많기 때문에, 학습용 데이터 세트를 구성하는 데이터를 취득하는 대상으로는, 후술하는 기계 학습을 거쳐 얻어지는 학습 완료 모델을 적용할 예정인 1의 유체압 구동 밸브(10)로부터만 수집하는 것이 바람직하다. 또, 학습용 데이터 세트로는, 이상이 발생했을 경우의 입출력 데이터로 구성된 것뿐만 아니라, 이상이 발생해 있지 않을 때, 즉 유체압 구동 밸브(10)의 정상 상태에 있어서의 입력 데이터 및 출력 데이터(예를 들어, 이 경우의 출력 데이터의 값은 「0」)로 구성된 학습용 데이터 세트가 소정수 포함된다.
Several methods can be employed to prepare the training dataset used for this teacher-education training. For example, when the opening/closing operation of the
스텝 S11이 완료되면, 이어서 학습 유닛(203)에 있어서의 학습을 개시하기 위하여, 학습 전의 뉴럴 네트워크 모델을 준비한다(S12). 여기서 준비되는 학습 전의 뉴럴 네트워크 모델은 그 구조로는, 예를 들어 도 7에서 나타낸 구조를 갖고, 또한 각 노드의 가중치가 초기치로 설정되어 있다. 그리고, 학습용 데이터 세트 기억 유닛(202)에 기억된 복수개의 학습용 데이터 세트로부터, 예를 들어 랜덤으로 1의 학습용 데이터 세트를 선택하고(스텝 S13), 당해 1의 학습용 데이터 세트 중의 입력 데이터를, 준비된 학습 전의 뉴럴 네트워크 모델의 입력층(도 7 참조)에 입력한다(스텝 S14).
When step S11 is completed, in order to start learning in the
여기서, 상기 스텝 S14의 결과로서 생성된 출력층(도 7 참조)의 값은, 학습 전의 뉴럴 네트워크 모델에 의해 생성된 것이기 때문에, 대부분의 경우 바람직한 결과와는 상이한 값, 즉, 올바른 진단 정보와는 상이한 정보를 나타내는 값이다. 그래서, 다음으로, 스텝 S13에 있어서 취득된 1의 학습용 데이터 세트 중의 교사 데이터로서의 진단 정보와 스텝 S13에 있어서 생성된 출력층의 값을 사용하여, 기계 학습을 실시한다(스텝 S15). 여기서 실시하는 기계 학습이란, 예를 들어, 교사 데이터를 구성하는 진단 정보와 출력층의 값을 비교하고, 바람직한 출력층이 얻어지도록, 학습 전의 뉴럴 네트워크 모델 내의 각 노드에 대응 지어진 가중치를 조정하는 처리(백프로파게이션)여도 된다. 또한, 학습 전의 뉴럴 네트워크 모델의 출력층에 출력되는 값의 수 및 형식은 학습 대상으로서의 학습용 데이터 세트 중의 교사 데이터와 동일한 수 및 형식이다. Here, since the value of the output layer (refer to Fig. 7) generated as a result of the step S14 is generated by the neural network model before learning, in most cases, a value different from the desired result, that is, a value different from the correct diagnosis information. A value representing information. Then, next, machine learning is implemented using the diagnostic information as teacher data in the learning data set of 1 acquired in step S13, and the value of the output layer generated in step S13 (step S15). The machine learning performed here is, for example, a process of comparing the values of the output layer with the diagnostic information constituting the teacher data, and adjusting the weights associated with each node in the neural network model prior to learning so that a desirable output layer is obtained (back program). pargation) may be used. In addition, the number and format of the values output to the output layer of the neural network model before learning are the same number and format as the teacher data in the learning data set as the learning object.
여기서 말하는 기계 학습에 대해 구체적으로 예시하면, 만일, 교사 데이터를 구성하는 진단 정보가 정상인 경우를 「0」이라고 하고, 이상인 경우를 「1」이라고 한 어느 값(2치 분류)으로 구성되고, 또한 스텝 S13에서 선택된 1의 학습용 데이터 세트 내의 출력 데이터의 값이 「1」인 경우, 출력층의 값은, 0~1의 소정 값, 구체적으로 말하면, 예를 들어 「0.63」이라는 값이 출력된다. 그래서, 스텝 S15에서는, 만일 동일한 입력 데이터가 입력층에 입력되었을 경우에 학습 중인 뉴럴 네트워크 모델에 의해 얻어지는 값이 「1」에 가까워지도록, 당해 학습 중인 뉴럴 네트워크 모델의 각 노드에 대응 지어진 가중치를 조정한다. If the machine learning mentioned here is specifically exemplified, if the diagnostic information constituting the teacher data is normal, it is defined as “0”, and when it is abnormal, it is composed of a certain value (binary classification), and When the value of the output data in the learning data set of 1 selected in step S13 is "1", the value of the output layer is a predetermined value of 0 to 1, specifically, for example, a value of "0.63" is output. Therefore, in step S15, if the same input data is input to the input layer, the weight associated with each node of the neural network model being trained is adjusted so that the value obtained by the neural network model being trained is close to "1". do.
스텝 S15에 있어서 기계 학습이 실시되면, 추가로 기계 학습을 계속할 필요가 있는지 여부를, 예를 들어 학습용 데이터 세트 기억 유닛(202) 내에 기억된 미학습의 학습용 데이터 세트의 잔수에 기초하여 특정한다(스텝 S16). 그리고, 기계 학습을 계속하는 경우(스텝 S16에서 No)에는 스텝 S13으로 돌아가고, 기계 학습을 종료하는 경우(스텝 S16에서 Yes)에는, 스텝 S17로 이동한다. 상기 기계 학습을 계속하는 경우에는, 학습 중인 뉴럴 네트워크 모델에 대해 스텝 S13~S15의 공정을 미학습의 학습용 데이터 세트를 사용하여 복수 회 실시한다. 최종적으로 생성되는 학습 완료 모델의 정밀도는 일반적으로 이 횟수에 비례하여 높아진다. When machine learning is performed in step S15, whether or not it is necessary to further machine learning is specified based on, for example, the remaining number of unlearned learning data sets stored in the learning data set storage unit 202 ( step S16). And when machine learning is continued (No in step S16), it returns to step S13, and when terminating machine learning (Yes in step S16), it moves to step S17. In the case of continuing the machine learning, the steps S13 to S15 are performed a plurality of times with respect to the neural network model being trained using the unlearned learning data set. The precision of the finally generated trained model is generally increased in proportion to this number of times.
기계 학습을 종료하는 경우(스텝 S16에서 Yes)에는, 각 노드에 대응 지어진 가중치가 일련의 공정에 의해 조정되어 생성된 뉴럴 네트워크를 학습 완료 모델로서, 학습 완료 모델 기억 유닛(204)에 기억하고(스텝 S17), 일련의 학습 프로세스를 종료한다. 여기서 기억된 학습 완료 모델은 후술하는 데이터 처리 시스템(300)에 적용되어 사용될 수 있는 것이다.
When machine learning is finished (Yes in step S16), the neural network generated by adjusting the weights associated with each node by a series of processes is stored as a learned model in the learned model storage unit 204 ( Step S17), a series of learning processes are ended. The learning completion model memorized here can be applied to and used in the
상기 서술한 기계 학습 장치의 학습 프로세스 및 기계 학습 방법에 있어서는, 1개의 학습 완료 모델을 생성하기 위해서, 1개의(학습 전의) 뉴럴 네트워크 모델에 대해 복수 회의 기계 학습 처리를 반복하여 실행함으로써 그 정밀도를 향상시키고, 데이터 처리 시스템(300)에 적용하는 데에 충분한 학습 완료 모델을 얻는 것을 설명하여 나타내고 있다. 그러나, 본 발명은 이 취득 방법으로 한정되지 않는다. 예를 들어, 소정 횟수의 기계 학습을 실시한 학습 완료 모델을 일 후보로서 복수 개 학습 완료 모델 기억 유닛(204)에 격납해 두고, 이 복수개의 학습 완료 모델군에 타당성 판단용의 데이터 세트를 입력하여 출력층(의 뉴런의 값)을 생성하고, 출력층에서 특정된 값의 정밀도를 비교 검토하여, 데이터 처리 시스템(300)에 적용하는 최선의 학습 완료 모델을 1개 선정하도록 해도 된다. 또한, 타당성 판단용 데이터 세트는 학습에 사용한 학습용 데이터 세트와 동일한 데이터 세트로 구성되고, 또한 학습에 이용되고 있지 않은 것이면 된다.
In the learning process and machine learning method of the machine learning device described above, in order to generate one learned model, the precision is obtained by repeatedly executing the machine learning process a plurality of times for one (before learning) neural network model. It has been described and shown to obtain a fully trained model that is improved and applied to the
이상 설명한 바와 같이, 본 실시형태에 관련된 기계 학습 장치 및 기계 학습 방법을 적용함으로써, 유체압 구동 밸브(10)의 적소에 형성된 복수의 센서(4)에 의해 취득되는 각종 데이터로부터, 이상(사후적인 이상 및 이상의 전조를 포함한다)이 발생하는지 여부를 나타내는 진단 정보를 적확하게 도출하는 것이 가능한 학습 완료 모델을 얻을 수 있다.
As described above, by applying the machine learning apparatus and machine learning method according to the present embodiment, from various data acquired by the plurality of
상기 기계 학습 장치(200)의 학습 방법 및 기계 학습 방법에서는, 「교사가 있는 학습」에 대해 설명하였으나, 학습 완료 모델을 생성하는 방법으로는, 합성곱 뉴럴 네트워크(CNN) 등의 그 밖의 공지된 「교사가 있는 학습」의 수법을 사용하는 것이어도 되고, 또, 출력 데이터를 구성하는 진단 정보로서, 상기 서술한 다른 양태에 관련된 진단 정보, 즉 유체압 구동 밸브(10)가 이상이 아니라 정상인 것만을 나타내는 정보를 포함하는 학습용 데이터 세트(도 6 참조)를 사용한 「교사가 없는 학습」을 사용해도 된다. 「교사가 없는 학습」을 사용함으로써, 입력 데이터에 대응 지어진 출력 데이터에 있어서의 진단 정보를, 유체압 구동 밸브(10)의 정상 상태의 정보 밖에 입수할 수 없는 경우에도, 도 6의 「학습 페이즈」로 나타내는 바와 같이, 입력 데이터와 출력 데이터의 정상 상태의 특징을 나타내는 상관 관계를 학습함으로써, 학습 완료 모델을 얻을 수 있다. 이 경우, 후술하는 데이터 처리 시스템(300)에 있어서의 추론시에는, 정상 상태의 특징에 소정량 합치하지 않는다고 판단한 입력 데이터를 정상 상태가 아닌, 요컨대, 이상 상태라고 간주함으로써, 진단 정보의 추론을 실현할 수 있다. 이 「교사가 없는 학습」의 구체적인 수법으로는, 예를 들어, 도 6에 간략적으로 나타내는 오토 인코더 등을 사용한 공지된 수법을 사용할 수 있고, 상세한 설명은 여기서는 생략한다.
In the learning method and machine learning method of the machine learning apparatus 200, "learning with a teacher" has been described, but as a method of generating a completed learning model, other known methods such as a convolutional neural network (CNN) The method of "learning with a teacher" may be used, and as the diagnostic information constituting the output data, only the diagnostic information related to the other aspects described above, that is, the fluid
(데이터 처리 시스템) (data processing system)
다음으로, 도 9를 참조하여, 상기 서술한 기계 학습 장치(200) 및 기계 학습 방법에 의해 생성된 학습 완료 모델의 적용 예를 설명하여 나타낸다. 도 9는 본 발명의 일 실시형태에 관련된 데이터 처리 시스템을 나타내는 개략 블록도이다. Next, with reference to FIG. 9 , an example of application of the completed learning model generated by the machine learning apparatus 200 and the machine learning method described above will be described and shown. 9 is a schematic block diagram showing a data processing system according to an embodiment of the present invention.
본 실시형태에 관련된 데이터 처리 시스템(300)으로는, 상기 서술한 유체압 구동 밸브(10)의 마이크로 컨트롤러(70) 내에 탑재된 양태를 예시한다. 또한, 이 데이터 처리 시스템(300)에 대해서는, 그 적어도 일부를 다른 기기, 예를 들어 외부 장치(15)나 유체압 구동 밸브(10)에 접속된 다른 장치에 적용하는 것도 가능하다.
As the
이 데이터 처리 시스템(300)은 입력 데이터 취득 유닛(301)과, 추론 유닛(302)과, 학습 완료 모델 기억 유닛(303)과, 알림 유닛(304)을 적어도 포함하는 것이다.
The
입력 데이터 취득 유닛(301)은 유체압 구동 밸브(10)가 갖는 복수의 센서(4)에 접속되어 각 센서(4)가 출력하는 각종 데이터를 취득하기 위한 인터페이스 유닛이다. 이 입력 데이터 취득 유닛(301)은 적어도, 메인 밸브(11)의 밸브 개도의 시계열 데이터, 및, 공기(A)의 전자 밸브 출력측 압력의 시계열 데이터를 포함하는 입력 데이터를 취득한다. 또한, 도 9에 나타내는 예에 있어서는, 추론에 이용 가능한 입력 데이터를 취득할 수 있도록, 메인 밸브 개도 센서(42) 및 제2 압력 센서(41)를 포함하는 모든 센서(4)에 접속되어 있지만, 입력 데이터 취득 유닛(301)에 어느 센서(4)를 접속할지에 대해서는, 후술하는 추론 유닛(302)에 있어서 사용되는 학습 완료 모델 등에 맞추어 적절히 선택할 수 있다. 또, 추론 유닛(302)의 추론 결과는 도시되지 않은 기억 수단에 기억하는 것이 바람직하고, 기억된 과거의 추론 결과는 예를 들어 학습 완료 모델 기억 유닛(303) 내의 학습 완료 모델의 추론 정밀도의 추가적인 향상을 위한, 온라인 학습에 사용되는 학습용 데이터 세트로서 이용할 수 있다.
The input
추론 유닛(302)은 입력 데이터 취득 유닛(301)에 의해 취득된 유체압 구동 밸브(10)의 각종 데이터로부터, 유체압 구동 밸브(10)에 이상이 발생해 있는지 여부를 추론하기 위한 것이다. 이 추론에는, 예를 들어 상기 서술한 기계 학습 장치(200) 및 기계 학습 방법을 사용하여 학습이 실시된 학습 완료 모델이 이용되고, 이 학습 완료 모델은 임의의 기억 매체로 구성된 학습 완료 모델 기억 유닛(303) 내에 격납되어 있다. 또한, 이 추론 유닛(302)은 학습 완료 모델을 사용한 추론 처리를 실시하는 기능뿐만 아니라, 추론 처리의 전처리로서, 입력 데이터 취득 유닛(301)에 의해 취득된 입력 데이터를 원하는 형식 등으로 조정하여 학습 완료 모델에 입력하는 전처리 기능이나, 추론 처리의 후처리로서, 학습 완료 모델이 출력한 출력값에, 예를 들어 소정 임계값을 적용함으로써 이상(사후적인 이상 및 이상의 전조를 포함한다)의 발생 유무(이상 없음(정상) 또는 이상 있음(이상))를 최종적으로 판단하는 후처리 기능도 포함하고 있다.
The
학습 완료 모델 기억 유닛(303)은 상기 서술한 바와 같이, 추론 유닛(302)에 있어서 사용되는 학습 완료 모델을 격납하기 위한 기억 매체이다. 이 학습 완료 모델 기억 유닛(303) 내에 격납되는 학습 완료 모델의 수는 1개로 한정되지 않는다. 예를 들어 입력되는 데이터의 수가 상이하거나, 혹은 그 학습 수법이 상이한(예를 들어, 상기 서술한 기계 학습 장치(200) 등에서 실시되는 교사가 있는 학습과 교사가 없는 학습) 복수개의 학습 완료 모델이 격납되어, 선택적으로 이용 가능하게 할 수 있다.
The learned
알림 유닛(304)은 추론 유닛(302)의 추론 결과를 작업자 등에 알리기 위한 것이다. 구체적인 알림의 수단은 여러 가지 채용할 수 있고, 예를 들어 추론 결과를 통신부(8)를 통하여 외부 장치(15)에 송신하고, 외부 장치(15)의 GUI에 표시 등을 실시하거나, 유체압 구동 밸브(10)에 미리 발광 부재나 스피커 등을 설치하고, 그것들을 동작시킴으로써, 작업자 등에게 이상 발생의 유무를 알릴 수 있다.
The informing
이상의 구성을 구비한 데이터 처리 시스템에 의한 데이터 처리 프로세스에 대해, 도 5(추론 페이즈), 도 6(추론 페이즈), 도 10을 참조하여 이하에 설명을 실시한다. 도 10은 본 발명의 일 실시형태에 관련된 데이터 처리 시스템(300)에 의한 데이터 처리 공정의 예를 나타내는 플로 차트이다.
The data processing process by the data processing system provided with the above structure is demonstrated below with reference to FIG. 5 (inference phase), FIG. 6 (inference phase), and FIG. 10 is a flowchart showing an example of a data processing process by the
유체압 구동 밸브(10)에 있어서, 예를 들어, 스트로크 테스트 등에 의해 메인 밸브(11)의 개폐 조작이 소정 기간에 걸쳐 실행되고, 거기에 수반하여 유체압 구동 밸브(10)의 진단이 개시되면, 입력 데이터 취득 유닛(301)이 복수의 센서(4)에 의해 취득된 유체압 구동 밸브(10)의 각 부의 상태를 나타내는 각종 데이터를 취득한다(스텝 S21). 입력 데이터 취득 유닛(301)이 원하는 입력 데이터(소정 기간에 있어서의 메인 밸브(11)의 밸브 개도의 시계열 데이터, 및, 공기(A)의 전자 밸브 출력측 압력의 시계열 데이터(도 5, 도 6 참조)) 를 취득할 수 있었던 시점에서, 당해 입력 데이터에 기초하는 추론 유닛(302)에 의한 추론이 실시된다(스텝 S22).
In the fluid
구체적으로는, 추론 유닛(302)은 입력 데이터에 전처리를 실시하여 학습 모델 완료 모델에 입력함과 함께, 그 학습 모델 완료 모델로부터의 출력값에 대해 후처리를 실시함으로써, 추론 결과인 이상(사후적인 이상 및 이상의 전조를 포함한다)의 발생 유무를 판단한다. 교사가 있는 학습(도 5의 「추론 페이즈」참조)에 있어서의 후처리에서는, 추론 유닛(302)은 학습 모델 완료 모델의 출력값(2치 분류이면, 0~1 사이의 수)과 소정 임계값을 비교하고, 예를 들어, 학습 모델 완료 모델의 출력값이, 소정 임계값 이상이면 「이상 있음(이상)」, 소정 임계값 미만이면 「이상 없음(정상)」이라고 판단함으로써, 그 판단 결과를 추론 결과로서 출력한다. 또, 교사가 없는 학습(도 6의 「추론 페이즈」참조)에 있어서의 후처리에서는, 추론 유닛(302)은 학습 모델 완료 모델의 출력값(특징량)과, 입력 데이터에 기초하는 특징량의 차(거리)를 구하고, 그 차(거리)가 소정 임계값 이상이면 「이상 있음(이상)」, 소정 임계값 미만이면 「이상 없음(정상)」이라고 판단함으로써, 그 판단 결과를 추론 결과적으로 출력한다.
Specifically, the
그리고, 스텝 S22에 있어서, 추론 유닛(302)에 의한 추론이 실시된 결과, 그 추론 결과가 「이상 없음 (정상)」을 나타내는 경우(스텝 S23에서 No)에는, 계속해서 일련의 추론을 계속하도록 스텝 S21로 돌아간다. 한편, 그 추론 결과가, 도 5, 도 6에 나타내는 바와 같이, 「이상 있음(이상)」을 나타내는 경우(스텝 S23에서 Yes)에는, 알림 유닛(304)에 의해 추론 결과가 「이상 있음(이상)」인 것, 즉, 유체압 구동 밸브(10)에 이상(사후적인 이상 및 이상의 전조를 포함한다)이 발생한 것을 작업자 등에게 알린다(스텝 S24). 그리고, 스텝 S24에 있어서 이상의 발생을 알린 후에는, 계속해서 일련의 추론을 계속하도록 스텝 S21로 돌아간다. 또한, 유체압 구동 밸브(10)의 사용 용도나 검출된 이상의 내용에 따라서는, 이상이 검출된 단계에서 유체압 구동 밸브(10)를 정지하는 등의 대응을 실행하도록 해도 된다.
Then, in step S22, when inference by the
(추론 장치) (inference device)
본 발명은 상기 서술한 데이터 처리 시스템(300)의 양태에 의한 것뿐만 아니라, 추론을 실시하기 위한 추론 장치의 양태로 제공할 수도 있다. 그 경우, 추론 장치로는, 메모리와, 적어도 1개의 프로세서를 포함하고, 이 중 프로세서가 일련의 처리를 실행하는 것으로 할 수 있다. 당해 일련의 처리란, 유체압 구동 밸브(10)에 있어서, 예를 들어, 스트로크 테스트 등에 의해 메인 밸브(11)의 개폐 조작이 소정 기간에 걸쳐 실행되었을 때의, 메인 밸브(11)의 밸브 개도의 시계열 데이터, 및, 공기(A)의 전자 밸브 출력측 압력의 시계열 데이터를 포함하는 입력 데이터를 취득하는 처리와, 당해 입력 데이터가 입력되었을 때에 유체압 구동 밸브(10)에 있어서의 진단 정보를 추론하는 처리를 포함한다. 본 발명을 상기 서술한 추론 장치의 양태로 제공함으로써, 데이터 처리 시스템(300)을 실장하는 경우에 비하여 간단하게 여러 가지 유체압 구동 밸브(10)에 대한 적용이 가능해진다. 이 때, 추론 장치가 진단 정보를 추론하는 처리를 실시하는 데에 있어서는, 지금까지 본서에 있어서 설명한, 본 발명에 있어서의 기계 학습 장치 및 기계 학습 방법에 의해 학습된 학습 완료 모델을 이용하여, 데이터 처리 시스템의 추론 유닛(302)이 실시하는 추론 수법을 적용해도 되는 것은 당업자에게 있어서 당연하게 이해될 수 있는 것이다.
The present invention may provide not only with the aspect of the
본 발명은 상기 서술한 실시형태에 한정되지 않으며, 본 발명의 주지를 일탈하지 않는 범위 내에서 여러 가지 변경하여 실시하는 것이 가능하다. 그리고, 그것들은 모두, 본 발명의 기술 사상에 포함되는 것이다. This invention is not limited to embodiment mentioned above, It is possible to carry out various changes within the range which does not deviate from the main point of this invention. And all of them are included in the technical idea of this invention.
1…전자 밸브, 3…솔레노이드부, 4…센서, 10…유체압 구동 밸브, 11…메인 밸브, 12…(유체압식) 구동 장치, 14…공기 공급원, 15…외부 장치, 26…입력측 유로, 27…출력측 유로, 28…배기 유로, 30…솔레노이드 케이스, 31…솔레노이드 코일, 32…가동 철심, 40…제1 압력 센서, 41…제2 압력 센서, 42…메인 밸브 개도 센서, 43…전압 센서, 44…전류·저항 센서, 45…온도 센서, 46…자기 센서, 47…가동 시간계(타이머), 48…작동 카운터(카운터), 70…마이크로 컨트롤러, 100…배관, 200…기계 학습 장치, 201…학습용 데이터 세트 취득 유닛, 202…학습용 데이터 세트 기억 유닛, 203…학습 유닛, 204…학습 완료 모델 기억 유닛, 300…데이터 처리 시스템, 301…입력 데이터 취득 유닛, 302…추론 유닛, 303…학습 완료 모델 기억 유닛, 304…알림 유닛, A…공기(구동 유체), PC1…작업용 컴퓨터One… Solenoid valve, 3... Solenoid part, 4... sensor, 10… hydraulically actuated valves, 11 . . . main valve, 12… (hydraulic) drive device, 14... air supply, 15... external device, 26… input side flow path, 27... output side flow path, 28... exhaust flow path, 30… Solenoid case, 31… Solenoid coil, 32… Moving iron core, 40... A first pressure sensor, 41... a second pressure sensor, 42... Main valve opening sensor, 43… voltage sensor, 44… Current/resistance sensor, 45… temperature sensor, 46… magnetic sensor, 47... Uptime meter (timer), 48... Operation counter (counter), 70… microcontroller, 100… Plumbing, 200… Machine Learning Apparatus, 201… A training data set acquisition unit, 202 . A data set storage unit for training, 203 ... learning unit, 204... Learning completed model memory unit, 300... data processing system, 301... input data acquisition unit, 302 . Inference unit, 303... Learning completed model memory unit, 304 . . . Notification unit, A… Air (drive fluid), PC1… work computer
Claims (8)
소정 기간에 있어서의 상기 메인 밸브의 밸브 개도의 시계열 데이터, 및 상기 소정 기간 중에 상기 전자 밸브로부터 상기 구동 장치에 급배기되는 상기 구동 유체의 전자 밸브 출력측 압력의 시계열 데이터를 포함하는 입력 데이터와, 상기 입력 데이터에 대응 지어진 상기 유체압 구동 밸브의 진단 정보로 이루어지는 출력 데이터로 구성되는 학습용 데이터 세트를 복수 세트 기억하는 학습용 데이터 세트 기억 유닛과,
상기 학습용 데이터 세트를 복수 세트 입력함으로써, 상기 입력 데이터와 상기 출력 데이터의 상관 관계를 추론하는 학습 모델을 학습하는 학습 유닛과,
상기 학습 유닛에 의해 학습된 상기 학습 모델을 기억하는 학습 완료 모델 기억 유닛을 구비하는 기계 학습 장치.
A machine learning apparatus applied to a fluid pressure actuation valve having at least a main valve, a drive device for driving the main valve, and an electromagnetic valve for controlling supply and exhaustion of a driving fluid with respect to the drive device,
input data including time series data of the valve opening degree of the main valve in a predetermined period and time series data of the pressure on the output side of the solenoid valve of the driving fluid supplied and discharged from the solenoid valve to the drive device during the predetermined period; a learning data set storage unit for storing a plurality of sets of learning data sets composed of output data comprising diagnostic information of the fluid pressure actuation valve corresponding to input data;
a learning unit for learning a learning model for inferring a correlation between the input data and the output data by inputting a plurality of sets of the training data sets;
and a learned model storage unit for storing the learning model learned by the learning unit.
상기 진단 정보는 상기 유체압 구동 밸브가 정상인 것 및 이상인 것 중 어느 것을 나타내는 정보인 기계 학습 장치.
The method of claim 1,
The diagnostic information is information indicating which of the fluid pressure actuated valve is normal or abnormal.
상기 진단 정보는 상기 유체압 구동 밸브가 이상이 아니라 정상인 것만을 나타내는 정보인 기계 학습 장치.
The method of claim 1,
The diagnostic information is information indicating that the fluid pressure actuating valve is not abnormal but is normal.
상기 소정 기간은 상기 유체압 구동 밸브에 있어서의 스트로크 테스트의 실행 기간으로 이루어지는 기계 학습 장치.
4. The method according to any one of claims 1 to 3,
The said predetermined period is a machine learning apparatus which consists of the execution period of the stroke test in the said fluid pressure actuation valve.
상기 스트로크 테스트는 파셜 스트로크 테스트 및 풀 스트로크 테스트 중 어느 1개인 기계 학습 장치.
5. The method of claim 4,
The stroke test is any one of a partial stroke test and a full stroke test.
소정 기간에 있어서의 상기 메인 밸브의 밸브 개도의 시계열 데이터, 및, 상기 소정 기간 중에 상기 전자 밸브로부터 상기 구동 장치에 급배기되는 상기 구동 유체의 전자 밸브 출력측 압력의 시계열 데이터를 포함하는 입력 데이터를 취득하는 입력 데이터 취득 유닛과,
상기 입력 데이터 취득 유닛에 의해 취득된 상기 입력 데이터를, 제1항 내지 제5 항 중 어느 한 항에 기재된 기계 학습 장치에 의해 생성된 학습 완료 모델에 입력하고, 상기 유체압 구동 밸브의 진단 정보를 추론하는 추론 유닛을 구비하는 데이터 처리 시스템.
A data processing system used for a fluid pressure actuation valve comprising at least a main valve, a drive device for driving the main valve, and an electromagnetic valve for controlling supply and exhaustion of a drive fluid with respect to the drive device, the data processing system comprising:
Acquire input data including time series data of the valve opening degree of the main valve in a predetermined period and time series data of the pressure on the output side of the solenoid valve of the driving fluid supplied and exhausted from the solenoid valve to the drive device during the predetermined period an input data acquisition unit to
The input data acquired by the input data acquisition unit is input into the learned model generated by the machine learning apparatus according to any one of claims 1 to 5, and diagnostic information of the fluid pressure actuation valve is inputted. A data processing system comprising an inference unit for inference.
상기 추론 장치는 메모리와, 적어도 1개의 프로세서를 구비하고,
상기 적어도 1개의 프로세서는
소정 기간에 있어서의 상기 메인 밸브의 밸브 개도의 시계열 데이터, 및, 상기 소정 기간 중에 상기 전자 밸브로부터 상기 구동 장치에 급배기되는 상기 구동 유체의 전자 밸브 출력측 압력의 시계열 데이터를 포함하는 입력 데이터를 취득하는 처리와,
상기 입력 데이터가 입력되면, 상기 유체압 구동 밸브의 진단 정보를 추론하는 처리를 실행하도록 구성되는 추론 장치.
An inference device used in a fluid pressure actuation valve comprising at least a main valve, a drive device for driving the main valve, and an electromagnetic valve for controlling supply and exhaustion of a drive fluid with respect to the drive device,
The reasoning device comprises a memory and at least one processor;
the at least one processor
Acquire input data including time series data of the valve opening degree of the main valve in a predetermined period and time series data of the pressure on the output side of the solenoid valve of the driving fluid supplied and exhausted from the solenoid valve to the drive device during the predetermined period processing and
an inference device, configured to execute a process of inferring diagnostic information of the fluid pressure actuation valve when the input data is input.
소정 기간에 있어서의 상기 메인 밸브의 밸브 개도의 시계열 데이터, 및, 상기 소정 기간 중에 상기 전자 밸브로부터 상기 구동 장치에 급배기되는 상기 구동 유체의 전자 밸브 출력측 압력의 시계열 데이터를 포함하는 입력 데이터와, 상기 입력 데이터에 대응 지어진 상기 유체압 구동 밸브의 진단 정보로 이루어지는 출력 데이터로 구성되는 학습용 데이터 세트를 복수 세트 기억하는 스텝과,
상기 학습용 데이터 세트를 복수 세트 입력함으로써, 상기 입력 데이터와 상기 출력 데이터의 상관 관계를 추론하는 학습 모델을 학습하는 스텝과,
상기 학습 모델을 기억하는 스텝을 구비하는 기계 학습 방법.
A machine learning method using a computer, which is applied to a fluid pressure actuation valve having at least a main valve, a drive device for driving the main valve, and an electromagnetic valve for controlling supply and exhaustion of a drive fluid to the drive device, comprising:
input data including time series data of the valve opening degree of the main valve in a predetermined period and time series data of the pressure on the output side of the solenoid valve of the driving fluid supplied and discharged from the solenoid valve to the drive device during the predetermined period; a step of storing a plurality of sets of learning data sets composed of output data comprising diagnostic information of the fluid pressure actuation valve corresponding to the input data;
learning a learning model for inferring a correlation between the input data and the output data by inputting a plurality of sets of the training data sets;
and storing the learning model.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020046884A JP6783486B1 (en) | 2020-03-17 | 2020-03-17 | Machine learning equipment, data processing systems, inference equipment and machine learning methods |
JPJP-P-2020-046884 | 2020-03-17 | ||
PCT/JP2021/009117 WO2021187213A1 (en) | 2020-03-17 | 2021-03-09 | Machine learning device, data processing system, inference device, and machine learning method |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220028065A true KR20220028065A (en) | 2022-03-08 |
KR102629090B1 KR102629090B1 (en) | 2024-01-24 |
Family
ID=73043579
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020227003343A KR102629090B1 (en) | 2020-03-17 | 2021-03-09 | Machine learning devices, data processing systems, inference devices, and machine learning methods |
Country Status (4)
Country | Link |
---|---|
JP (1) | JP6783486B1 (en) |
KR (1) | KR102629090B1 (en) |
CN (1) | CN114746683B (en) |
WO (1) | WO2021187213A1 (en) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7058447B1 (en) | 2020-11-30 | 2022-04-22 | 金子産業株式会社 | Machine learning equipment, data processing systems, inference equipment and machine learning methods |
JP2023104150A (en) * | 2022-01-17 | 2023-07-28 | 金子産業株式会社 | data processing system, data processing method |
FR3138179A1 (en) * | 2022-07-21 | 2024-01-26 | L'air Liquide, Societe Anonyme Pour L'etude Et L'exploitation Des Procedes Georges Claude | Device for detecting a valve anomaly |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0413935A (en) * | 1990-05-08 | 1992-01-17 | Mitsubishi Kasei Corp | Diagnosis of valve operation state |
JPH0861551A (en) * | 1994-08-17 | 1996-03-08 | Osaka Gas Co Ltd | Actuator for emergency shut-off valve |
JP2009097539A (en) | 2007-10-12 | 2009-05-07 | Tyco Flow Control Japan Kk | Emergency shut-down valve device |
JP2015219078A (en) * | 2014-05-16 | 2015-12-07 | 株式会社日立ハイテクノロジーズ | Valve state diagnosis system and valve state diagnosis method |
KR101902472B1 (en) * | 2018-02-08 | 2018-11-13 | 주식회사 프라임제이이앤씨 | Big data-based artificial intelligent valve automatic control method and program stored in a recording medium for executing it |
WO2019235599A1 (en) * | 2018-06-06 | 2019-12-12 | 株式会社キッツ | Valve state monitoring system |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FI104129B1 (en) * | 1996-06-11 | 1999-11-15 | Neles Jamesbury Oy | Procedure for monitoring the condition of control valve |
JP4396286B2 (en) * | 2004-01-21 | 2010-01-13 | 三菱電機株式会社 | Device diagnostic device and device monitoring system |
JP4423617B2 (en) * | 2007-01-10 | 2010-03-03 | 株式会社日立製作所 | Plant control device |
GB0701352D0 (en) * | 2007-01-24 | 2007-03-07 | Hydrodigital Ltd | Liquid pressure control |
US20090222179A1 (en) * | 2008-03-03 | 2009-09-03 | Quan Zheng | Dynamic learning of solenoid p-i curves for closed loop pressure controls |
CN101718368B (en) * | 2009-12-01 | 2011-12-21 | 三一重工股份有限公司 | Control method and device of proportional solenoid and engineering machinery using device |
JP5081999B1 (en) * | 2011-06-22 | 2012-11-28 | 株式会社日立エンジニアリング・アンド・サービス | How to display abnormal sign diagnosis results |
JP6328201B2 (en) * | 2016-10-05 | 2018-05-23 | 三菱電機株式会社 | Control device for internal combustion engine |
-
2020
- 2020-03-17 JP JP2020046884A patent/JP6783486B1/en active Active
-
2021
- 2021-03-09 KR KR1020227003343A patent/KR102629090B1/en active IP Right Grant
- 2021-03-09 CN CN202180006784.7A patent/CN114746683B/en active Active
- 2021-03-09 WO PCT/JP2021/009117 patent/WO2021187213A1/en active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0413935A (en) * | 1990-05-08 | 1992-01-17 | Mitsubishi Kasei Corp | Diagnosis of valve operation state |
JPH0861551A (en) * | 1994-08-17 | 1996-03-08 | Osaka Gas Co Ltd | Actuator for emergency shut-off valve |
JP2009097539A (en) | 2007-10-12 | 2009-05-07 | Tyco Flow Control Japan Kk | Emergency shut-down valve device |
JP2015219078A (en) * | 2014-05-16 | 2015-12-07 | 株式会社日立ハイテクノロジーズ | Valve state diagnosis system and valve state diagnosis method |
KR101902472B1 (en) * | 2018-02-08 | 2018-11-13 | 주식회사 프라임제이이앤씨 | Big data-based artificial intelligent valve automatic control method and program stored in a recording medium for executing it |
WO2019235599A1 (en) * | 2018-06-06 | 2019-12-12 | 株式会社キッツ | Valve state monitoring system |
Also Published As
Publication number | Publication date |
---|---|
JP6783486B1 (en) | 2020-11-11 |
JP2021149330A (en) | 2021-09-27 |
CN114746683B (en) | 2023-12-29 |
CN114746683A (en) | 2022-07-12 |
KR102629090B1 (en) | 2024-01-24 |
WO2021187213A1 (en) | 2021-09-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20220028065A (en) | Machine learning devices, data processing systems, inference devices, and machine learning methods | |
WO2021192983A1 (en) | Machine learning device, data processing system, inference device, and machine learning method | |
WO2021192984A1 (en) | Machine learning device, data processing system, inference device, and machine learning method | |
WO2021220766A1 (en) | Machine learning device, data processing system, inference device, and machine learning method | |
JP2005317002A (en) | Method and system for monitoring machinery | |
KR20220028064A (en) | Machine learning devices, data processing systems, inference devices, and machine learning methods | |
WO2021192982A1 (en) | Machine learning device, data processing system, inference device, and machine learning method | |
JP6779457B1 (en) | Machine learning equipment, data processing systems, inference equipment and machine learning methods | |
WO2023135892A1 (en) | Data processing system and data processing method | |
JP6779459B1 (en) | Machine learning equipment, data processing systems, inference equipment and machine learning methods | |
JP7058447B1 (en) | Machine learning equipment, data processing systems, inference equipment and machine learning methods | |
KR102629088B1 (en) | electronic valve | |
WO2023053608A1 (en) | Database generation device, state assessment device, database generation method, and state assessment method | |
JP7440006B2 (en) | solenoid valve | |
JP2022092743A (en) | Property determination device, database generation device, property determination method, and database generation method | |
Yoo et al. | A Fault-Diagnosis Algorithm-Embedded Controller Design for Hydraulic Solenoid Valves in Industrial Applications | |
JP2022092744A (en) | Assembly condition presenting device, and assembly condition presenting method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |