TW202138076A - 異常診斷系統及異常診斷方法 - Google Patents

異常診斷系統及異常診斷方法 Download PDF

Info

Publication number
TW202138076A
TW202138076A TW110100529A TW110100529A TW202138076A TW 202138076 A TW202138076 A TW 202138076A TW 110100529 A TW110100529 A TW 110100529A TW 110100529 A TW110100529 A TW 110100529A TW 202138076 A TW202138076 A TW 202138076A
Authority
TW
Taiwan
Prior art keywords
abnormality
principal component
mentioned
component analysis
equipment
Prior art date
Application number
TW110100529A
Other languages
English (en)
Other versions
TWI760050B (zh
Inventor
長野哲志
平田丈英
Original Assignee
日商杰富意鋼鐵股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日商杰富意鋼鐵股份有限公司 filed Critical 日商杰富意鋼鐵股份有限公司
Publication of TW202138076A publication Critical patent/TW202138076A/zh
Application granted granted Critical
Publication of TWI760050B publication Critical patent/TWI760050B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • 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
    • G05B2223/00—Indexing scheme associated with group G05B23/00
    • G05B2223/02—Indirect monitoring, e.g. monitoring production to detect faults of a system

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本發明提供一種可抑制在實際未產生設備異常時作出已產生設備異常之誤診斷的異常診斷系統及異常診斷方法。異常診斷系統20具有：取樣部21，其對表示設備之狀態之時間序列資料進行取樣，該設備係重複進行與固定模式對應之模式；及運算部24，其基於所取樣之時間序列資料進行主成分分析而診斷設備之異常。運算部24對表示狀態之時間序列資料中之一個模式進行第1主成分分析，根據其結果進行第1異常有無判定，於第1異常有無判定存在異常之情形時，對表示狀態之時間序列資料中之包含已進行第1主成分分析之模式的在時間上連續之複數個模式一起進行第2主成分分析，基於其結果進行第2異常有無判定，於第2異常有無判定存在異常之情形時診斷為設備異常。

Description

異常診斷系統及異常診斷方法
本發明係關於一種診斷具有設備驅動部之設備異常之異常診斷系統及異常診斷方法。
習知以來，於具有油壓機器及電動機等設備驅動部之設備中，基於自設備驅動部獲得之電流及負重等之信號而實施設備的異常診斷。已提出一種方案，其於設備驅動部之動作為預先規定之固定模式之重複動作的情形時，於異常診斷中使用主成分分析(以下，亦記作PCA)(例如，專利文獻1、2)。
例如，於定寬擠壓設備中，於搬送之板坯之兩側配置側壓用模具，自馬達經由曲軸對模具傳遞動力而以固定週期對板坯進行側壓，此時，針對各材料收集重複出現之電流波形或負重波形，針對各材料藉由PCA對曲軸1個循環之電流波形或負重波形進行分析並抽取異常波形。藉由應用PCA，可進行精度較單純之上下限檢查更高之設備異常診斷。 [先前技術文獻] [專利文獻]
專利文獻1：日本專利第5991042號公報 專利文獻2：日本專利特開2017-32567號公報
(發明所欲解決之問題)
然而，於設備驅動部中有如下情形，即，即便實際設備未產生破損，亦會因一些原因而隨機產生電流及負重等之波形變得極小之現象。例如，於定寬擠壓之操作中，有時會因夾送輥滑移所引起之材料之搬送不足等而導致散發有負重幾乎未起作用之波形。於產生此種現象之情形時，即便實際設備未產生破損，亦進行異常判定。
因此，本發明之課題在於提供一種可抑制在實際未產生設備異常時作出已產生設備異常之誤診斷的異常診斷系統及異常診斷方法。 (解決問題之技術手段)
為了解決上述課題，本發明提供以下之(1)～(10)。
(1)一種異常診斷系統，其係實施對固定模式重複動作之設備的異常診斷者；其特徵在於，其具有：取樣部，其對表示上述設備之狀態之時間序列資料進行取樣，上述設備係重複進行與上述固定模式對應之模式；及運算部，其基於上述取樣部所取樣之上述時間序列資料進行主成分分析而診斷上述設備之異常；上述運算部係，對表示上述狀態之時間序列資料中之一個模式進行第1主成分分析，基於其結果進行第1異常有無判定，於上述第1異常有無判定存在異常之情形時，對表示上述狀態之時間序列資料中之包含已進行上述第1主成分分析之模式的在時間上連續之複數個模式一起進行第2主成分分析，基於其結果進行第2異常有無判定，於上述第2異常有無判定存在異常之情形時，診斷為設備異常。
(2)如上述(1)之異常診斷系統，其中，上述第1異常有無判定及上述第2異常有無判定係基於Q統計量而進行，該Q統計量係根據上述第1主成分分析及上述第2主成分分析之結果求出。
(3)如上述(1)或(2)之異常診斷系統，其中，將上述運算部中之上述第1主成分分析所使用之時間序列資料之取樣點數設為N1點，將由上述第1主成分分析進行之維度壓縮設為k1維，將上述第2主成分分析所使用之時間序列資料之取樣點數設為N2點，將由上述第2主成分分析進行之維度壓縮設為k2維，將上述複數個模式之數量設為M個(M≧2)時，N2＜N1×M或k2＜k1×M成立。
(4)如上述(1)至(3)中任一項之異常診斷系統，其中，上述設備係藉由驅動馬達來驅動模具而對板坯進行減寬之定寬擠壓設備，表示上述設備之狀態之時間序列資料係驅動馬達之電流波形或上述模具之負重波形。
(5)如上述(4)之異常診斷系統，其中，進而具有資料前處理部，該資料前處理部對上述取樣部所取樣之上述時間序列資料進行包含使波形之高度正規化之處理、及根據減寬量而分類之處理的前處理。
(6)一種異常診斷方法，其係實施對固定模式重複動作之設備的異常診斷者；其特徵在於，其具有如下步驟：對表示上述設備之狀態之時間序列資料進行取樣的步驟，上述設備係重複進行與上述固定模式對應之模式；對表示上述狀態之時間序列資料中之一個模式進行第1主成分分析的步驟；根據上述第1主成分分析之結果進行第1異常有無判定的步驟；於上述第1異常有無判定存在異常之情形時，對表示上述狀態之時間序列資料中之包含已進行上述第1主成分分析之模式的在時間上連續之複數個模式一起進行第2主成分分析的步驟；及根據上述第2主成分分析之結果進行第2異常有無判定；於上述第2異常有無判定存在異常之情形時，診斷為設備異常。
(7)如上述(6)之異常診斷方法，其中，上述第1異常有無判定及上述第2異常有無判定係基於Q統計量而進行，該Q統計量係根據上述第1主成分分析及上述第2主成分分析之結果求出。
(8)如上述(6)或(7)之異常診斷方法，其中，將上述第1主成分分析所使用之時間序列資料之取樣點數設為N1點，將由上述第1主成分分析進行之維度壓縮設為k1維，將上述第2主成分分析所使用之時間序列資料之取樣點數設為N2點，將由上述第2主成分分析進行之維度壓縮設為k2維，將上述複數個模式之數量設為M個(M≧2)時，N2＜N1×M或k2＜k1×M成立。
(9)如上述(6)至(8)中任一項之異常診斷方法，其中，上述設備係藉由驅動馬達來驅動模具而對板坯進行減寬之定寬擠壓設備，表示上述設備之狀態之時間序列資料係驅動馬達之電流波形或上述模具之負重波形。
(10)如上述(9)之異常診斷方法，其中，進而具有如下步驟，即，對上述中取樣之上述時間序列資料進行包含使波形之高度正規化之處理、及根據減寬量而分類之處理的前處理的步驟。 (對照先前技術之功效)
根據本發明，能夠提供一種可抑制在實際未產生設備異常時作出已產生設備異常之誤診斷的異常診斷系統及異常診斷方法。
以下，參照隨附圖式，對本發明之實施形態進行說明。於本實施形態中，對將本發明應用於定寬擠壓設備的異常診斷之情形進行說明。圖1係表示對定寬擠壓設備使用一實施形態之異常診斷系統之例之示意圖及方塊圖。
定寬擠壓設備10係於連續鑄造後之熱軋線上對板坯11進行減寬者。
定寬擠壓設備10具有：一對模具2；入口側夾送輥3及出口側夾送輥4；一對驅動馬達5，其等與一對模具2之各者對應地設置，並驅動模具2；及一對曲軸6，其等將模具2與驅動馬達5分別連接。
於定寬擠壓設備10中，板坯11係由入口側夾送輥3搬入至對向之一對模具2之間，由以自驅動馬達5經由曲軸6傳遞之動力擺動之一對模具2減寬，並由出口側夾送輥4搬出。板坯11於間歇地搬送之期間，由模具2以固定週期重複減寬，從而成為既定寬度之板坯。
異常診斷系統20係診斷定寬擠壓設備10之設備異常者，其具有取樣部21、資料前處理部22、記憶部23、運算部24及輸出部25。
取樣部21係對表示設備之狀態之時間序列資料進行取樣者。於本實施形態中，時間序列資料表示利用模具2對板坯11進行減寬時之驅動馬達5之電流值及模具2之負重等負荷。作為用以獲得時間序列資料之時間資訊，可使用曲軸角度資訊。此時，表示電流值及負重等負荷之時間序列資料係，曲軸6之1個循環成為具有波峰之一個波形(模式)，且此種波形重複出現者。具體而言，係電流波形及負重波形。
資料前處理部22係對取樣部21所取樣之資料進行前處理者。作為前處理，進行使與曲軸6之1個循環對應之波形之高度正規化之處理、根據減寬時之寬度縮小量(減寬量)而將資料分類之處理。
記憶部23記憶前處理後之資料。於記憶部23記憶有成為基準波形之表示預先求出之正常時之負荷之時間序列資料(正常波形)。
運算部24對記憶部23中記憶之前處理後之負荷之時間序列資料(電流值及負重)之波形使用主成分分析(PCA)而進行異常診斷。診斷結果輸出至輸出部25。
使用PCA之解析方法係自多個圖形波形中抽取形狀與正常時之圖形波形不同者(異常)之方法，於異常波形抽取時，利用PCA與多變量統計製程管理方法。
圖2係表示使用PCA抽取異常波形時之樣本波形之例之圖。圖2中，橫軸為時間，縱軸為電力值及負重等負荷。於圖2中，樣本波形係，為正常狀態之基準波形之波形P[1]、與為異常狀態之波形之波形P[2]等2者(波形數：P＝2)。對該等波形P[1]、P[2]，於波形採取時段，以既定間隔採取N個樣本(樣本數：N)。例如，若於5秒鐘之採取時間內以100 ms為週期進行採取，則樣本數N為50。
將對其利用PCA進行解析之情形時之概念圖示於圖3，為了簡單，表示資料之點數為2點之二維空間情形之圖，針對由資料之第1要素軸(X軸)與第2要素軸(Y軸)表示之空間上之點，將分散最大之軸作為第1主成分。又，將與第1主成分正交之軸作為第2主成分而如圖所示。於資料具有3個以上之要素之多維之情形時，規定分散成為最大之第2主成分軸。於資料之要素有N點之情形時，能夠計算最多達N個之主成分，關於第k主成分(k＜N)，將與第1～(k－1)主成分之正交軸中分散成為最大者作為第k主成分。
於多變量統計製程管理中，對Q統計量進行評價。Q統計量係各樣本與主成分軸之距離之平方和(平方誤差之和)，於本實施形態中，較佳為將該值除以樣本數而標準化所得之均方誤差用作Q統計量。此時，若主成分數R為1，則僅以與第1主成分相距之距離對Q統計量進行評價。由於異常樣本與主成分軸之距離較大，故若存在異常樣本，則Q統計量增加，可判定為Q統計量異常，從而可掌握設備異常之可能性。例如，設定Q統計量之臨限值，於Q統計量為其臨限值以上之情形時，可判定為存在設備異常之可能性。於圖2之例中，波形P[2]為包含異常樣本之異常狀態，因此，Q統計量變大，判定為Q統計量存在異常。
運算部24首先自記憶部23中記憶之前處理後之負荷之時間序列資料中抽取曲軸1個循環之一個波形，對該波形進行PCA而求出Q統計量。並且，判定Q統計值有無異常。例如，於Q統計量大於臨限值之情形時，判定為Q統計量異常。若Q統計量無異常，則對輸出部25發送無異常之信號。另一方面，於Q統計量存在異常之情形時，存在設備異常之可能性，但亦可能有下述之負重消失之情形。因此，於Q統計量存在異常之情形時，為了確認為哪一種情況，而自記憶部23抽取包含上述一個波形之複數個循環之連續之複數個波形，對該等複數個波形一起進行PCA，求出Q統計量。若Q統計量無異常，則對輸出部25發送無異常之信號，若Q統計量存在異常，則對輸出部25發送有異常之信號。
接下來，對異常診斷系統20中之異常診斷方法進行說明。圖4係表示異常診斷系統20中執行之異常診斷方法之流程圖。
於定寬擠壓設備10中，一面間歇地搬送板坯11，一面自驅動馬達5經由曲軸6對模具2傳遞動力，利用模具2對板坯11以固定週期減寬，進行定寬擠壓。此種定寬擠壓係對複數個板坯11連續地進行。
在異常診斷系統20中，根據表示進行定寬擠壓時之驅動馬達5之電流值及模具2之負重等負荷之時間序列資料，按照如下方法診斷定寬擠壓設備10之異常。
首先，異常診斷系統20利用取樣部21對既定材料之板坯11之定寬擠壓時之負荷之時間序列資料進行取樣(步驟1)。
如上所述，表示負荷之時間序列資料係曲軸6之1個循環成為具有波峰之一個波形，且此種波形重複出現者。具體而言，此種時間序列資料係驅動馬達5之電流波形及模具2之負重波形。
繼而，異常診斷系統20利用資料前處理部22對取樣部21所取樣之資料進行前處理(步驟2)。
作為資料之前處理，進行如上所述的使與曲軸6之1個循環對應之波形之高度正規化之處理、及根據減寬時之寬度縮小量(減寬量)而將資料分類之處理。進行根據減寬時之寬度縮小量(減寬量)而將資料分類之處理之原因在於，根據寬度縮小量，產生負重之曲軸角度不同，從而產生波形之變動。具體而言，寬度縮小量越小，產生負重之時間點越遲。
此種前處理後之資料係記憶於記憶部23。
繼而，異常診斷系統20自記憶部23中記憶之該材料之板坯之前處理後之時間序列資料中抽取與曲軸6之1個循環對應之一個波形，對上述一個波形進行PCA(步驟3)。
於步驟3中，將正常時之時間序列資料之波形(正常波形)用作基準波形而進行PCA，根據其結果，利用如上所述之多變量統計製程管理方法求出Q統計量。
繼而，判定Q統計量是否異常(步驟4)。例如，於Q統計量為臨限值以上之情形時，判定為Q統計量異常。
於產生設備異常之情形時，由於為不可逆現象，故如圖5所示，作為表示負荷之時間序列資料之負重波形成為於所有循環中與正常波形不同之設備異常波形。因此，若相當於1個循環之一個波形無異常，則可視為無設備異常。此處，於圖5中，橫軸係相當於時間之曲軸角度。又，縱軸係模具之負重。以下說明之圖6亦同樣。
另一方面，以一個波形進行PCA處理而Q統計量存在異常之情形時，無法斷定其異常係由設備異常所致。即，於實際之定寬擠壓之操作中，因夾送輥滑移所引起之材料(板坯)之搬送不足等而導致負重(負荷)幾乎未起作用之現象(負重消失)係散發性地產生。產生滑移之循環之波形如圖6所示，成為與設備異常波形類似之滑移產生波形。表示負荷之時間序列資料即負重波形係成為，滑移產生波形散發地插入正常波形中之狀態。因此，於偶發性地抽取滑移產生波形而進行PCA之情形時，與設備異常時同樣地，Q統計量變大。於約10個循環中1～2個循環左右會產生此種負重未起作用之現象，但無法預測。
因此，於步驟4中利用基於一個波形之PCA而判定為Q統計量異常之情形時，自記憶部23中記憶之該材料之板坯之前處理後之時間序列資料中抽取包含步驟3之一個波形之複數個循環之連續之複數個波形，對複數個波形進行PCA(步驟5)。
於步驟5中，將正常時之時間序列資料之波形(正常波形)用作基準波形，對複數個循環之複數個波形(在時間上連續之複數個模式)一起(同時)進行PCA，根據其結果，利用如上所述之多變量統計製程管理方法求出Q統計量。
若於步驟4中Q統計量無異常，則將無設備異常之信號發送至輸出部25。
繼而，判定步驟5中求出之Q統計量是否異常(步驟6)。
於步驟4中判定出之異常為設備異常之情形時，如圖5所示，於所有循環中負重波形與正常波形不同，因此，於步驟5中執行複數個波形之PCA時，Q統計量(均方誤差)亦成為與對一個波形執行PCA時相同之值。
另一方面，步驟4中判定出之一波形之PCA之異常為於10個循環中1～2個循環左右散發性地產生之由夾送輥滑移所引起之負重消失的情形時，複數個循環之複數個波形中滑移產生波形以外之其他波形為圖6所示之大致正常之波形，因此，與存在設備異常之情形相比，Q統計量變小。
即，藉由對複數個循環之複數個波形一起執行PCA而求出Q統計量，可區分步驟4中之執行一個波形之PCA時之Q統計量之異常是由設備異常引起還是由散發性之負重消失引起。
因此，於步驟6中，根據Q統計量，可判定是設備異常還是無設備異常。於Q統計量為異常之情形時，例如，於Q統計量為臨限值以上之情形時診斷為存在設備異常。於Q統計量不存在異常之情形時，例如，於Q統計量未滿臨限值之情形時診斷為無設備異常。
此處，將第1主成分分析中使用之1個模式之時間序列資料之取樣點數設為N1點，將由第1主成分分析進行之維度壓縮後之維度設為k1維。又，將第2主成分分析中使用之複數個模式之時間序列資料之取樣點數設為N2點，將由第2主成分分析進行之維度壓縮後之維度設為k2維，將複數個模式之模式數設為M(M≧2)，即，將第1主成分分析中使用之相當於1個循環之波形設為M波形。此時，於第2主成分分析中，相較於1個循環之波形之紊亂，M波形部分之時間序列信號之特徵變得更重要，因此，宜以N2＜N1×M或k2＜k1×M之關係成立之方式獲取資料。
藉由此種資料之獲取，於1個模式之異常診斷中，進行利用1個模式之詳細資料之異常診斷，並利用複數個模式進行異常診斷之情形時，可某種程度地保存1個波形之特徵，同時保存作為M波形之資料之形狀。藉此，可抑制計算負荷，並且可同時實現1個模式之評價與M模式之波形之評價。又，於第1異常有無判定中，可偵測1個模式之波形之微小紊亂，與此相對，於第2異常有無判定中，可進行焦點放在波形紊亂之重複性及波形出現之偏差(時間延遲)等之偵測，而可進行高精度且高可靠性之異常偵測。
圖7係表示包含1個循環(1波形)之滑移產生波形之情形時之循環數與Q統計量(均方誤差)之關係的圖，如該圖所示，可知PCA之計算所使用之循環數(即波形數)越是增加，則Q統計量(均方誤差)之值越小，從而容易區分設備異常與負重消失。例如，於Q統計量(均方誤差)為10000以上時可判斷為設備異常，若未滿10000則可判斷為由滑移引起之負重消失。又，根據圖7可知，若為3個循環以上(波形數為3以上)，則更容易區分設備異常與由滑移引起之負重消失。
如上所述，根據本實施形態，於診斷定寬擠壓設備10之異常之異常診斷系統20中，可抑制在實際未產生設備異常時作出已產生設備異常之誤診斷。因此，可減少伴隨誤診斷之設備之停止等，從而可抑制生產效率降低。
又，藉由前處理部22，作為前處理，除了使與曲軸6之1個循環對應之波形之高度正規化之處理以外，還進行根據減寬時之寬度縮小量(減寬量)而將資料分類之處理，因此，可抑制由寬度縮小量(減寬量)引起之波形之變動。
以上，對本發明之一實施形態進行了說明，但本發明並不限定於上述實施形態，可於本發明之思想範圍內進行各種變形。例如，於上述實施形態中，將本發明應用於定寬擠壓設備之異常檢測，但只要為設備驅動部之動作重複固定模式者，便可應用。又，作為表示負荷之時間序列資料之重複模式，示出波形之例，但並不限定於此。又，作為表示負荷之時間序列資料，例示出電流或負重，但並不限定於此。
2:模具 3:入口側夾送輥 4:出口側夾送輥 5:驅動馬達 6:曲軸 10:定寬擠壓設備 11:板坯 20:異常診斷系統 21:取樣部 22:資料前處理部 23:記憶部 24:運算部 25:輸出部
圖1係表示對定寬擠壓設備使用一實施形態之異常診斷系統之例之示意圖及方塊圖。 圖2係表示抽取異常波形時之樣本波形之例之圖。 圖3係用以說明使用圖2之樣本波形進行之PCA之圖。 圖4係表示一實施形態之異常診斷系統中執行之異常診斷方法之流程圖。 圖5係將表示負荷之時間序列資料即負重波形為正常波形之情形與為設備異常波形之情形進行比較而表示的圖。 圖6係將表示負荷之時間序列資料即負重波形全部為正常波形之情形與存在滑移產生波形之情形進行比較而表示的圖。 圖7係表示包含1個循環(1波形)之滑移產生波形之情形時之循環數與Q統計量(均方誤差)之關係的圖。
2:模具
3:入口側夾送輥
4:出口側夾送輥
5:驅動馬達
6:曲軸
10:定寬擠壓設備
11:板坯
20:異常診斷系統
21:取樣部
22:資料前處理部
23:記憶部
24:運算部
25:輸出部

Claims (10)

  1. 一種異常診斷系統，其係實施對固定模式重複動作之設備的異常診斷者；其特徵在於，其具有： 取樣部，其對表示上述設備之狀態之時間序列資料進行取樣，上述設備係重複進行與上述固定模式對應之模式；及 運算部，其基於上述取樣部所取樣之上述時間序列資料進行主成分分析而診斷上述設備之異常； 上述運算部係， 對表示上述狀態之時間序列資料中之一個模式進行第1主成分分析，基於其結果進行第1異常有無判定， 於上述第1異常有無判定存在異常之情形時，對表示上述狀態之時間序列資料中之包含已進行上述第1主成分分析之模式的在時間上連續之複數個模式一起進行第2主成分分析，基於其結果進行第2異常有無判定， 於上述第2異常有無判定存在異常之情形時，診斷為設備異常。
  2. 如請求項1之異常診斷系統，其中，上述第1異常有無判定及上述第2異常有無判定係基於Q統計量而進行，該Q統計量係根據上述第1主成分分析及上述第2主成分分析之結果求出。
  3. 如請求項1或2之異常診斷系統，其中，將上述運算部中之上述第1主成分分析所使用之時間序列資料之取樣點數設為N1點，將由上述第1主成分分析進行之維度壓縮設為k1維，將上述第2主成分分析所使用之時間序列資料之取樣點數設為N2點，將由上述第2主成分分析進行之維度壓縮設為k2維，將上述複數個模式之數量設為M個(M≧2)時，N2＜N1×M或k2＜k1×M成立。
  4. 如請求項1至3中任一項之異常診斷系統，其中，上述設備係藉由驅動馬達來驅動模具而對板坯進行減寬之定寬擠壓設備，表示上述設備之狀態之時間序列資料係驅動馬達之電流波形或上述模具之負重波形。
  5. 如請求項4之異常診斷系統，其中，進而具有資料前處理部，該資料前處理部對上述取樣部所取樣之上述時間序列資料進行包含使波形之高度正規化之處理、及根據減寬量而分類之處理的前處理。
  6. 一種異常診斷方法，其係實施對固定模式重複動作之設備的異常診斷者；其特徵在於，其具有如下步驟： 對表示上述設備之狀態之時間序列資料進行取樣的步驟，上述設備係重複進行與上述固定模式對應之模式； 對表示上述狀態之時間序列資料中之一個模式進行第1主成分分析的步驟； 根據上述第1主成分分析之結果進行第1異常有無判定的步驟； 於上述第1異常有無判定存在異常之情形時，對表示上述狀態之時間序列資料中之包含已進行上述第1主成分分析之模式的在時間上連續之複數個模式一起進行第2主成分分析的步驟；及 根據上述第2主成分分析之結果進行第2異常有無判定； 於上述第2異常有無判定存在異常之情形時，診斷為設備異常。
  7. 如請求項6之異常診斷方法，其中，上述第1異常有無判定及上述第2異常有無判定係基於Q統計量而進行，該Q統計量係根據上述第1主成分分析及上述第2主成分分析之結果求出。
  8. 如請求項6或7之異常診斷方法，其中，將上述第1主成分分析所使用之時間序列資料之取樣點數設為N1點，將由上述第1主成分分析進行之維度壓縮設為k1維，將上述第2主成分分析所使用之時間序列資料之取樣點數設為N2點，將由上述第2主成分分析進行之維度壓縮設為k2維，將上述複數個模式之數量設為M個(M≧2)時，N2＜N1×M或k2＜k1×M成立。
  9. 如請求項6至8中任一項之異常診斷方法，其中，上述設備係藉由驅動馬達來驅動模具而對板坯進行減寬之定寬擠壓設備，表示上述設備之狀態之時間序列資料係驅動馬達之電流波形或上述模具之負重波形。
  10. 如請求項9之異常診斷方法，其中，進而具有如下步驟，即，對上述中取樣之上述時間序列資料進行包含使波形之高度正規化之處理、及根據減寬量而分類之處理的前處理的步驟。
TW110100529A 2020-01-14 2021-01-07 異常診斷系統及異常診斷方法 TWI760050B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020003769 2020-01-14
JP2020-003769 2020-01-14

Publications (2)

Publication Number Publication Date
TW202138076A true TW202138076A (zh) 2021-10-16
TWI760050B TWI760050B (zh) 2022-04-01

Family

ID=76863703

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110100529A TWI760050B (zh) 2020-01-14 2021-01-07 異常診斷系統及異常診斷方法

Country Status (8)

Country Link
US (1) US20230024947A1 (zh)
EP (1) EP4092501A4 (zh)
JP (1) JP6915763B1 (zh)
KR (1) KR20220104042A (zh)
CN (1) CN114846315A (zh)
BR (1) BR112022013365A2 (zh)
TW (1) TWI760050B (zh)
WO (1) WO2021145156A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023113056A (ja) * 2022-02-02 2023-08-15 株式会社日立製作所 タクト分割データ収集システム、及び、異常検知システム

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002181038A (ja) * 2000-12-18 2002-06-26 Mitsubishi Heavy Ind Ltd 異常診断装置
JP4762088B2 (ja) * 2006-08-31 2011-08-31 株式会社東芝 プロセス異常診断装置
JP2008224519A (ja) * 2007-03-14 2008-09-25 Omron Corp 検査装置及びその検査装置における見直し時期の判定方法
JP5991042B2 (ja) 2011-06-29 2016-09-14 Ｊｆｅスチール株式会社 異常監視システムおよび異常監視方法
CN103191931B (zh) * 2012-01-10 2015-03-04 宝山钢铁股份有限公司 热连轧机零调后二侧偏差控制方法
JP6223935B2 (ja) * 2014-09-12 2017-11-01 株式会社神戸製鋼所 回転機械異常検出装置および該方法ならびに回転機
JP6330864B2 (ja) 2015-08-05 2018-05-30 Ｊｆｅスチール株式会社 モータの監視装置および方法
TWI571329B (zh) * 2016-03-02 2017-02-21 中國鋼鐵股份有限公司 軋延追蹤方法
WO2017176401A1 (en) * 2016-04-05 2017-10-12 Siemens Energy, Inc. Shaft ground monitoring with diagnostic waveform analysis
JP6791261B2 (ja) * 2016-11-28 2020-11-25 東芝三菱電機産業システム株式会社 圧延設備の異常診断の方法及び装置

Also Published As

Publication number Publication date
EP4092501A4 (en) 2023-07-19
BR112022013365A2 (pt) 2022-09-13
KR20220104042A (ko) 2022-07-25
JPWO2021145156A1 (zh) 2021-07-22
US20230024947A1 (en) 2023-01-26
WO2021145156A1 (ja) 2021-07-22
JP6915763B1 (ja) 2021-08-04
CN114846315A (zh) 2022-08-02
EP4092501A1 (en) 2022-11-23
TWI760050B (zh) 2022-04-01

Similar Documents

Publication Publication Date Title
EP3454289B1 (en) Plant abnormality detection method and system
Madhusudana et al. Condition monitoring of face milling tool using K-star algorithm and histogram features of vibration signal
TW202138076A (zh) 異常診斷系統及異常診斷方法
WO2021014670A1 (ja) 異常検知装置、異常検知方法、および異常検知プログラム
CN111678699B (zh) 一种面向滚动轴承早期故障监测与诊断方法及系统
KR102356222B1 (ko) 압력변화를 이용한 금형의 지능형 모니터링 시스템
CN117314890B (zh) 打扣加工的安全控制方法、装置、设备及存储介质
CN110108474A (zh) 一种旋转机械运行稳定性在线监测与评估方法及系统
CN117258932A (zh) 智能砂磨机的温度监测系统及方法
CN113515554A (zh) 用于不规则采样的时间序列的异常检测方法和系统
Papacharalampopoulos et al. Experimental Investigation of rubber extrusion process through vibrational testing
RU2809934C1 (ru) Система диагностики аномалий и способ диагностики аномалий
US8576278B2 (en) System for monitoring dynamic stability of micro machine process and method thereof
JP5151669B2 (ja) カムシャフト検査装置及びカムシャフト検査方法
CN116958124B (zh) 一种自动包装机异常监测系统
CN117232811A (zh) 一种汽车摆臂疲劳耐久试验的监测方法及电子设备
Demetgul et al. Sensorless Misalignment Detection on Linear Feed Axis with Revised ResNet and Transfer Learning Using Motor Current
Chumley et al. Pattern characterization using topological data analysis: Application to piezo vibration striking treatment
Alonso Toral Predictive maintenance of a hot forging process through vibration monitoring
Matos et al. Evaluating Conveyor Belt Health With Signal Processing Applied to Inertial Sensing
Benkedjouh et al. Bearings Prognostics based on Blind Sources Separation and Robust Correlation Analysis.
Barron Data Analysis for Predictive Maintenance of a Straightening Machine in the Steel Industry
Kim et al. Online multi-channel forging tonnage monitoring and fault pattern discrimination using principal curve
Zhou On-line Piercing Process Monitoring Based on Vibration Signals
TW202011130A (zh) 製造程序監視裝置