TWI813921B - 機器狀態監視裝置以及機器狀態監視方法 - Google Patents
機器狀態監視裝置以及機器狀態監視方法 Download PDFInfo
- Publication number
- TWI813921B TWI813921B TW109141323A TW109141323A TWI813921B TW I813921 B TWI813921 B TW I813921B TW 109141323 A TW109141323 A TW 109141323A TW 109141323 A TW109141323 A TW 109141323A TW I813921 B TWI813921 B TW I813921B
- Authority
- TW
- Taiwan
- Prior art keywords
- machine
- mode
- data
- aforementioned
- learned
- Prior art date
Links
- 238000012806 monitoring device Methods 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims description 27
- 238000012544 monitoring process Methods 0.000 title claims description 11
- 238000012937 correction Methods 0.000 claims abstract description 68
- 238000000605 extraction Methods 0.000 claims abstract description 22
- 239000000284 extract Substances 0.000 claims abstract description 6
- 238000010586 diagram Methods 0.000 description 24
- 238000012545 processing Methods 0.000 description 22
- 238000012360 testing method Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 17
- 230000015654 memory Effects 0.000 description 16
- 238000004590 computer program Methods 0.000 description 8
- 238000005259 measurement Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
機器狀態監視裝置(1)包括:特徵量抽出部(11),抽出機器狀態被測量之運轉資料之特徵量;運轉模式判定部(12),在測量前述機器之運轉資料時,判定前述機器之運轉模式,為已學習機器狀態之判定範圍之已學習模式,或者,尚未學習之未學習模式;特徵量補正部(13),依據前述機器之運轉模式與運轉資料之特徵量之間之關係,將判定為前述未學習模式之運轉模式對應之運轉資料之特徵量,對應前述已學習模式進行補正 ;機器狀態判定部(14),依據前述機器之運轉資料之特徵量以及前述機器狀態之判定範圍,判定前述機器狀態。
Description
本揭露係有關於機器狀態監視裝置以及機器狀態監視方法。
作為監視機器狀態之習知技術,存在依據所測量之正常的機器狀態,推算機器狀態的正常範圍,依據從機器狀態的正常範圍的脫離程度來監視機器狀態的技術。舉例而言,在專利文獻1中,記載一種工廠的診斷裝置,測量工廠之狀態量的計測訊號被分類為正常模型的情況下,診斷工廠為正常狀態,計測訊號不被分類為正常模型的情況下,診斷工廠為過去未經驗過的未知狀態。
先前技術文獻
專利文獻
專利文獻1:WO 2012/073289 A1
記載於專利文獻1之工廠的診斷裝置,計測訊號沒有被分類到工廠之狀態的正常範圍的情況下,該計測訊號診斷被計測的工廠為未知狀態。因此,舉例而言,機器之運轉資料沒有在事前被分類到已學習狀態的情況下,被判定為未知狀態或無法判定機器為正常狀態,或異常狀態,或異常預兆狀態之課題。
本揭露之目的為獲得機器狀態監視裝置以及機器狀態監視方法,以解決上述課題,該機器狀態監視裝置以及機器狀態監視方法利用對應運轉模式之運轉資料,即使該運轉模式之機器狀態的判定範圍為未學習,也可以判定機器狀態。
關於本揭露之機器狀態監視裝置,包括:特徵量抽出部,抽出機器狀態被測量之運轉資料之特徵量;運轉模式判定部,在測量前述機器之運轉資料時,判定前述機器之運轉模式,前述機器狀態之判定範圍為:已學習之已學習模式,或者,尚未學習之未學習模式;特徵量補正部,依據前述機器之運轉模式與運轉資料之特徵量之間之關係,將判定為前述未學習模式之運轉模式對應之運轉資料之特徵量之分佈,對應前述已學習模式進行貼近到與運轉資料之特徵量之分佈重疊的補正;機器狀態判定部,依據補正後之運轉資料之特徵量以及前述機器狀態之判定範圍,判定前述機器狀態。
根據本揭露,依據機器之運轉模式以及運轉資料的特徵量之間的關係,將對應未學習模式之機器之運轉資料的特徵量,對應已學習模式進行補正,依據補正後的運轉資料之特徵量以及機器狀態的判定範圍,判定機器狀態。藉由如此,關於本揭露之機器狀態監視裝置,即使利用對應於機器狀態的判定範圍為未學習之運轉模式的運轉資料,也可以判定機器狀態。
實施型態1.
第1圖為顯示關於實施型態1之機器狀態監視裝置之構成方塊圖。在第1圖中,機器狀態監視裝置1利用運轉資料監視機器狀態,該運轉資料測量經由設置於機器之感應器測量該機器狀態。監視對象之機器為,反覆執行被下達指令的運轉模式所示的一連串動作之機器,例如產業用機器人。運轉模式為事前被決定之一連串動作,指示每個動作(舉例而言:加速、減速、或定速)之指令值經由機器被設定以執行。另外,運轉模式之指令值,舉例而言,可以是指令速度、指令位置、或指令負載
一種測量以運轉模式動作之機器之運轉資料,係機器狀態之測量值之一連串時間資料,與運轉模式之指令值之間保持物理的關係。舉例而言,監視對象之機器為具有旋轉機構之產業用機器人,產業用機器人在將旋轉機構以一定之速度旋轉之旋轉模式進行動作的情況下,指示將旋轉機構以一定之速度旋轉之指令速度值,以及以該指令速度值旋轉之旋轉機構之扭力之平均值之間的關係,可以藉由單調遞增函數表示。旋轉資料之特徵量,舉例而言,可以是顯示運轉資料之測量值之平均值、最小值、最大值、變異數、或標準差等一般的統計值,或者執行快速傅立葉變換(FFT)得到的功率頻譜。
如前所述,機器狀態監視裝置1對於顯示運轉模式以及運轉資料之特徵量之間的物理關係之機器狀態之監視有效。一般而言,習知的監視機器狀態之方法, 利用測量機器狀態之運轉資料作為學習資料,學習機器狀態的正常範圍、異常範圍以及異常預兆範圍,根據運轉資料之特徵量(例如平均值)屬於哪個範圍判定機器狀態。
在產業用機器人等之控制機器中,會有由於該機器製造的製品被變更,或該規格被變更,使運轉模式被變更的情況。在這種情況下,為了監視已變更後的運轉模式動作之機器狀態所測量的運轉資料,可能不包含於事前學習的任何範圍之中。習知的方法中,像這樣運轉資料無法分類到已學習之範圍的情況,機器可能會被判定為未知狀態,或可能即使機器正常也被誤判為異常狀態。
因此,機器狀態監視裝置1藉由著眼於保持機器的運轉模式之指令值以及運轉資料之特徵量之間的物理關係,即使有與已學習模式相異的運轉模式,舉例而言,機器狀態的判定範圍為未學習之運轉模式(以下稱為未學習模式),也可以對應機器狀態之判定範圍為已學習之運轉模式(以下稱為已學習模式),將與此對應之運轉資料之特徵量進行補正。藉由如此,機器狀態監視裝置1便可能根據對應未學習模式之運轉資料之特徵量,以及機器狀態之判定範圍判定機器狀態。
機器狀態監視裝置1,利用包含學習資料之運轉模式資訊以及與此對應之運轉資料,將已學習機器狀態的判定範圍之學習模型,生成顯示運轉模式資訊的每種運轉模式。判定範圍之計算,舉例而言,可以利用單一分類支持向量機(One-Class SVM)。機器狀態監視裝置1在生成之學習模型中,選擇對應包含測試資料之運轉模式的學習模型,藉由將運轉資料之特徵量輸入選擇的學習模型,判定該運轉資料顯示的機器狀態。測試資料為經由感應器計算從監視對象之機器所測量之運轉資料以及與此對應之運轉模式資訊。
另外,機器狀態監視裝置1判定包含測試資料之運轉模式為未學習模式的情況下,根據機器的運轉模式以及運轉資料之特徵量之間的關係,將該未學習模式對應之運轉資料之特徵量,對應已學習模式進行補正。接著,機器狀態監視裝置1根據補正後的運轉資料之特徵量,以及機器狀態的判定範圍,判定機器狀態。
機器狀態監視裝置1如第1圖所示,包括特徵量抽出部11、運轉模式判定部12、特徵量補正部13以及機器狀態判定部14。特徵量抽出部11抽出機器狀態被測量之運轉資料之特徵量。舉例而言,特徵量抽出部11每隔一定之測量週期,輸入經由感應器從機器測量之運轉資料,計算每個週期之輸入運轉資料之特徵量。運轉資料之特徵量,舉例而言,測量周期的時間內測量之運轉資料的平均值、最小值、最大值、或變異數等統計值,或者執行快速傅立葉變換(FFT)得到的功率頻譜。
運轉模式判定部12,在測量前述機器之運轉資料時,判定前述機器之運轉模式,前述機器狀態 之判定範圍為:已學習之已學習模式,或者,尚未學習之未學習模式。舉例而言,運轉模式判定部12藉由比對包含測試資料之運轉模式資訊,以及包含學習資料之運轉模式資訊,在包含測試資料之運轉模式資訊之中,將與包含學習資料之運轉模式資訊不一致的運轉模式資訊,判定為未學習模式。
特徵量補正部13,依據前述機器之運轉模式與運轉資料之特徵量之間之關係,將判定為前述未學習模式之運轉模式對應之運轉資料之特徵量,對應前述已學習模式進行補正。舉例而言,特徵量補正部13利用測試資料以及學習資料,學習機器之運轉模式以及運轉資料之特徵量之間的關係。特徵量補正部13,根據學習之關係,將對應於判定為未學習模式之運轉模式之運轉資料之特徵量,對應已學習模式進行補正。另外,特徵量補正部13,亦可利用機器之物理模型推定為未學習模式之機器之運轉資料,根據已學習模式以及運轉資料之特徵量之間的關係,將推定之運轉資料之特徵量對應已學習模式進行補正。
機器狀態判定部14,依據前述機器之運轉資料之特徵量以及前述機器狀態之判定範圍,判定前述機器狀態。舉例而言,機器狀態判定部14取得已事前學習機器狀態的判定範圍之學習模型,於取得之學習模型輸入包含測試資料之機器之運轉資料。學習模型判定輸入之運轉資料顯示機器狀態屬於正常範圍、異常範圍、或異常預兆範圍之任何一者。機器狀態判定部14,藉由學習模型輸出機器狀態之判定結果。
關於實施型態1之機器狀態監視方法,如以下所示。
第2圖為顯示關於實施型態1之機器狀態監視方法之流程圖,顯示執行機器狀態監視裝置1之一連串處理。首先,特徵量抽出部11,抽出機器狀態被測量之運轉資料之特徵量(步驟ST1)。舉例而言,特徵量抽出部11輸入包含測試資料之機器之運轉資料,計算每個測量週期之輸入之運轉資料之特徵量。
運轉模式判定部12判定包含測試資料之運轉模式是否為未學習模式(步驟ST2)。判定包含測試資料之運轉模式為已學習模式的情況下(ST2:否),機器狀態監視裝置1往步驟ST4之處理移動。另外,判定包含測試資料之運轉模式為未學習模式的情況下(ST2:是),特徵量補正部13根據機器的運轉模式以及運轉資料之特徵量之間的關係,將對應判定為未學習模式之運轉模式之運轉資料特徵量,對應已學習模式進行補正(步驟ST3)。
機器狀態判定部14,根據機器之運轉資料之特徵量以及機器狀態之判定範圍,判定機器狀態(步驟ST4)。舉例而言,判定包含測試資料之運轉模式為已學習模式的情況下,機器狀態判定部14會將對應該運轉模式之運轉資料之特徵量輸入學習模型。學習模型會判定顯示輸入之運轉資料之機器狀態屬於正常範圍、異常範圍、或異常預兆範圍之任何一者。另外,判定包含測試資料之運轉模式為未學習模式的情況下,補正後的運轉資料之特徵量會被輸入學習模型,判定機器狀態。
第3圖為顯示機器之運轉資料之特徵量分佈以及機器狀態之判定範圍之示意圖。在第3圖中,特徵量(1)以及特徵量(2)為從以共通之運轉模式動作之機器測量的運轉資料之特徵量。舉例而言,運轉資料若為旋轉機構之扭力,特徵量(1)可以是扭力之平均值,特徵量(2)可以是扭力之標準差。範圍A、B、以及C為機器狀態之判定範圍。範圍A顯示機器之正常範圍,範圍B顯示機器要變得異常之預兆範圍,範圍C顯示機器之異常範圍。
範圍A、B、以及C會在事前利用學習資料學習。舉例而言,從正常狀態的機器測量之運轉資料之特徵量da,屬於範圍A。從顯示要變得異常之預兆的機器測量之運轉資料之特徵量db,屬於範圍B。從異常狀態的機器測量之運轉資料之特徵量dc,屬於範圍C。
若取得不屬於範圍A、B、以及C中任一者之運轉資料之特徵量d1作為測試資料,運轉模式判定部12判定對應運轉資料之特徵量d1之運轉模式為未學習模式。這種情況下,特徵量補正部13將運轉資料之特徵量d1歸屬到對應已學習模式之範圍A、B、以及C中之任一者進行補正。舉例而言,特徵量補正部13根據機器之運轉模式以及運轉資料之特徵量之間的關係,判斷運轉資料之特徵量d1與範圍B之間的距離最近,將運轉資料之特徵量d1,補正為範圍B內之運轉資料之特徵量d2。藉由如此,取得運轉資料之特徵量d1之機器被判定為變得異常之預兆狀態。
將機器之運轉資料之特徵量進行補正處理的詳情,如以下所述。
第4圖為顯示將對應未學習模式之運轉資料之特徵量進行補正之處理之範例(1)之流程圖,顯示經由特徵量補正部13之一連串處理。特徵量補正部13,學習包含學習資料之機器之運轉模式,以及運轉資料之特徵量之間的關係(步驟ST1a)。於機器狀態監視裝置1中監視對象之機器,保持運轉模式之指令值以及運轉資料之特徵量之間之物理的關係。第5圖為顯示機器之運轉模式指令值以及運轉資料之特徵量之間的關係之圖示。舉例而言,在產業用機器人具有之旋轉機構以一定之速度旋轉之運轉模式中,對於指示各旋轉速度之指令速度值,旋轉機構之扭力值之平均值呈現單調遞增之關係。
在第5圖中,機器之運轉資料d為對應已學習模式之運轉模式指令值之機器狀態之測量值的一連串時間資料,每個運轉模式指令值形成分佈e。舉例而言,運轉模式指令值為500(rpm)的情況下,運轉資料d為從以500(rpm)旋轉之旋轉機構測量之扭力之一連串時間資料。回歸曲線D為,由運轉資料d之分佈e計算,針對每個運轉模式指令值之運轉資料d之平均值,執行最小平方法所估計。如第5圖所示,回歸曲線D針對運轉模式指令值,運轉資料之特徵量呈現單調遞增之函數。特徵量補正部13利用學習資料,如前所述地學習回歸曲線D。
接下來,特徵量補正部13,計算對應已學習模式之運轉資料之特徵量以及對應未學習模式之運轉資料之特徵量之差(步驟ST2a)。第6圖為顯示在機器之運轉模式指令值以及運轉資料d之特徵量之間的關係中,測試資料的補正處理之概要之示意圖。舉例而言,在第6圖中,包含測試資料之運轉模式指令值P1,不包含於已學習模式顯示之任何一種運轉模式之指令值,因此顯示為未學習模式之指令值。
特徵量補正部13,將對應未學習模式之運轉模式指令值P1之回歸曲線D上之點,判定為對應運轉模式指令值P1之運轉資料之特徵量d1。接著,特徵量補正部13,從已學習模式中指定運轉模式指令值P2,對應運轉模式指令值P2,決定回歸曲線D上之點的運轉資料之特徵量d2。運轉模式指令值P1與此對應之運轉資料之特徵量d1之間,保持回歸曲線D顯示之關係,運轉模式指令值P2與此對應之運轉資料之特徵量d2之間,保持回歸曲線D顯示之關係。藉由如此,特徵量補正部13計算運轉資料之特徵量d1以及運轉資料之特徵量d2之差值E。
接著,特徵量補正部13將對應未學習模式之運轉資料之特徵量分佈,利用計算之差值E進行補正(步驟ST3a)。第7圖為顯示在對應未學習模式之運轉資料之特徵量分佈中,將對應已學習模式之運轉資料之特徵量分佈之差值進行補正處理之示意圖。如第7圖所示,假設有對應未學習模式之運轉模式指令值P1之運轉資料之特徵量d1之分佈G1,以及對應已學習模式之運轉模式指令值P2之運轉資料之特徵量d2之分佈F。
特徵量補正部13,藉由將運轉資料之特徵量d1之分佈G1往運轉資料之特徵量d2之分佈F靠近,將分佈G1補正為分佈G2,僅補正運轉資料之特徵量d1之分佈G1與運轉資料之特徵量d2之分佈F之間的差值E。機器狀態判定部14比較分佈G2與分佈F,根據比較結果判定機器狀態。
第8圖為顯示將對應未學習模式之運轉資料之特徵量進行補正處理之例示(2)之流程圖,顯示經由特徵量補正部13之一連串處理流程。
特徵量補正部13利用機器的物理模型,推定包含於學習資料之運轉資料(步驟ST1b)。物理模型輸入運轉模式指令值,推定對應輸入之運轉模式指令值之運轉資料。特徵量補正部13將顯示已學習模式之運轉模式指令值輸入物理模型,對應輸入之已學習模式之運轉資料從物理模型輸出。
更進一步地,特徵量補正部13計算推定之運轉資料之分佈之特徵量。第9A圖為藉由利用物理模型進行補正處理的過程(1)計算出來的運轉資料之分佈之示意圖,顯示利用物理模型推定之對應已學習模式之運轉資料之分佈H1。舉例而言,特徵量補正部13計算在對應推定之已學習模式之運轉資料之分佈H1中的平均值μtrain
與標準差σtrain
。接著,特徵量補正部13,推算對應推定之已學習模式之運轉資料,以及從以共通之已學習模式動作之機器實測之運轉資料之間的差值Δd (步驟ST2b)。
接著,特徵量補正部13,利用機器之物理模型,推定對應未學習模式之運轉資料(步驟ST3b)。舉例而言,特徵量補正部13將顯示未學習模式之運轉參數指令值輸入物理模型,對應輸入之未學習模式之運轉資料從物理模型輸出。第9B圖為藉由利用物理模型進行補正處理的過程(2)計算出來的運轉資料之分佈之示意圖。特徵量補正部13計算對應推定之未學習模式之運轉資料的平均值μtest
。接著,特徵量補正部13如第9B圖所示,藉由在對應已學習模式之運轉資料之分佈H1中之平均值μtrain
與標準差σtrain
,生成已置換之分佈H2。分佈I1為從以未學習模式動作之機器實測之運轉資料之分佈。
接著,特徵量補正部13,利用對應推定之已學習模式之運轉資料之分佈H1之特徵量、對應推定之已學習模式之運轉資料與實測之運轉資料之間的差值Δd、以及對應推定之未學習模式之運轉資料,推定對應未學習模式之運轉資料之分佈I2(步驟ST4b)。第9C圖為藉由利用物理模型進行補正處理的過程(3)計算出來的運轉資料之分佈之示意圖。特徵量補正部13,對應利用物理模型推定之已學習模式之運轉資料之分佈之特徵量,以及利用物理模型推定之運轉資料以及該實測資料之間的差值Δd,經由分佈I1之資料間插值,將由對應未學習模式之運轉資料之實測值構成之分佈I1,計算出分佈I2。
特徵量補正部13,將對應未學習模式之運轉資料之分佈I2,對應已學習模式進行補正(步驟ST5b)。第9D圖為藉由利用物理模型進行補正處理的過程(4)計算出來的運轉資料之分佈之示意圖。如第9D圖所示,特徵量補正部13,將在對應推定之未學習模式之運轉資料之分佈I2中之平均值μtest
置換為μtrain
,生成分佈I3。機器狀態判定部14比較分佈H1與分佈I3,根據比較結果判定機器狀態。
經由利用物理模型推定機器之運轉資料,可以減低應實測運轉資料之數量。
實現機器狀態監視裝置1之機能之硬體構成,如以下所述。
第10A圖為顯示實現機器狀態監視裝置1之機能之硬體構成之方塊圖。第10B圖為顯示實現機器狀態監視裝置1之機能之軟體之執行之硬體構成之方塊圖。在第10A圖以及第10B圖中,輸入介面100為中繼機器之測試資料以及學習資料之輸入之介面。輸出介面101為中繼從機器狀態判定部14輸出至外部之判定結果之介面。
機器狀態監視裝置1所包含之特徵量抽出部11、運轉模式判定部12、特徵量補正部13以及機器狀態判定部14之機能,經由處理電路實現。也就是說,機器狀態監視裝置1,包含執行第2圖所示之步驟ST1到步驟ST4之各處理之處理電路。處理電路可以是專用之硬體,也可以是執行儲存於記憶體之電腦程式之中央處理器(Central Processing Unit,CPU)。
處理電路為第10A圖所示之專用硬體之處理電路102的情況下,處理電路102,舉例而言,可以為單一電路、複合電路、可程式化處理器、平行可程式化處理器,特殊應用積體電路(Application Specific Integrated Circuit,ASIC)、現場可程式化邏輯閘陣列(Field Programmable Gate Array,FPGA)、或者以上之組合物。機器狀態監視裝置1包含之特徵量抽出部11、運轉模式判定部12、特徵量補正部13以及機器狀態判定部14之機能,可以由分別之處理電路實現,也可以由將機能集結為一之處理電路實現。
處理電路為第10B圖所示之處理器103的情況下,機器狀態監視裝置1所包含之特徵量抽出部11、運轉模式判定部12、特徵量補正部13以及機器狀態判定部14之機能,可以經由軟體、韌體或者軟體與韌體之組合實現。而且,軟體或韌體,被寫為電腦程式儲存於記憶體104中。
處理器103經由讀取並執行儲存於記憶體104之電腦程式,實現機器狀態監視裝置1所包含之特徵量抽出部11、運轉模式判定部12、特徵量補正部13以及機器狀態判定部14之機能。舉例而言,機器狀態監視裝置1包含記憶體104,該記憶體104儲存經由處理器13執行時,第2圖所示之步驟ST1到步驟ST4之各處理所執行之結果之電腦程式。這些電腦程式,以特徵量抽出部11、運轉模式判定部12、特徵量補正部13以及機器狀態判定部14之順序或者方法被電腦執行。記憶體104,可以是儲存賦予電腦作為特徵量抽出部11、運轉模式判定部12、特徵量補正部13以及機器狀態判定部14之機能之電腦程式的電腦可讀取媒體。
舉例而言,記憶體104可以為隨機存取記憶體(Random Access Memory,RAM),唯讀記憶體(Read-Only Memory,ROM)、快閃記憶體、可擦除可規劃式唯讀記憶體(Erasable Programmable Read Only Memory,EPROM)、電子抹除式可複寫唯讀記憶體(Electrically-EPROM,EEPROM)等之非揮發性或者揮發性之半導體記憶體,磁碟、軟性磁碟、光碟、雷射光碟、迷你光碟、數位多功能影音光碟(DVD)等。
機器狀態監視裝置1所包含之特徵量抽出部11、運轉模式判定部12、特徵量補正部13以及機器狀態判定部14之機能之一部分由專用之硬體實現,剩下之部分由軟體或者韌體實現也可以。舉例而言,特徵量抽出部11,由專用之硬體經由某處理電路102實現機能,運轉模式判定部12、特徵量補正部13以及機器狀態判定部14,經由處理器103讀取並執行儲存於記憶體104之電腦程式實現各機能。藉由如此,處理電路可以經由硬體、軟體、韌體或上述之組合實現上述機能。
此處為止之說明中,雖然顯示機器狀態監視裝置1取得事前生成之學習模型判定機器狀態的情況,也可以包含生成學習模型之構成要素。第11圖為顯示機器狀態監視裝置1之變形例之機器狀態監視裝置1A之構成之方塊圖。在第11圖中,與第1圖同樣的構成要素標示為同樣的符號,並省略重複之說明。機器狀態監視裝置1A,如第11圖所示,包含特徵量抽出部11、運轉模式判定部12、特徵量補正部13、機器狀態判定部14、分類部15以及模型生成部16。
分類部15將監視對象之機器之運轉資料依照每種運轉模式分類。舉例而言,分類部15從機器測量包含學習模型之運轉資料時,根據設定於該機器之指令值將運轉資料依照每種運轉模式分類。模型生成部16,利用依照每種運轉模式分類之運轉資料,將學習了機器狀態的判定範圍之學習模型,生成每一種運轉模式。機器狀態判定部14,利用補正後之運轉資料之特徵量以及學習模型判定機器狀態。
另外,機器狀態監視裝置1A所包含之特徵量抽出部11、運轉模式判定部12、特徵量補正部13、機器狀態判定部14、分類部15以及模型生成部16之機能可以經由處理電路實現。也就是說,機器狀態監視裝置1A,包括為了執行包含運轉資料之分類與學習模型之生成之各處理的處理電路。處理電路可以是第10A圖所示之專用硬體之處理電路102,也可以是第10B圖所示之執行儲存於記憶體104之電腦程式之處理器103。
如上所述,在關於實施型態1之機器狀態監視裝置1中,根據機器之運轉模式與運轉資料之特徵量之間的關係,將對應未學習模式之機器之運轉資料之特徵量,對應已學習模式進行補正,根據補正後之運轉資料的特徵量以及機器狀態的判定範圍判定機器狀態。藉由如此,機器狀態監視裝置1也可以利用對應未學習模式之運轉資料判定機器狀態。
另外,可能會有實施型態之任意之構成要素之變形,或者實施型態之任意之構成要素之省略。
產業利用之可能性
關於本揭露之機器狀態監視裝置,舉例而言,可以利用於產業用機器人之狀態之監視。
1:機器狀態監視裝置
1A:機器狀態監視裝置
11:特徵量抽出部
12:運轉模式判定部
13:特徵量補正部
14:機器狀態判定部
15:分類部
16:模型生成部
100:輸入介面
101:輸出介面
102:處理電路
103:處理器
104:記憶體
ST1~ST4:流程圖步驟
ST1a~ST3a:流程圖步驟
A~C:範圍
D:回歸曲線
E:差值
F,G1,G2,H1,H2,I1,I2,I3:分佈
d1~d2,da~dc:特徵量
d:運轉資料
e:分佈
P1:運轉模式指令值
第1圖為顯示關於實施型態1之機器狀態監視裝置之構成方塊圖。
第2圖為顯示關於實施型態1之機器狀態監視方法之流程圖。
第3圖為顯示機器之運轉資料之特徵量分佈以及機器狀態之判定範圍之示意圖。
第4圖為顯示將對應未學習模式之運轉資料之特徵量進行補正之處理範例(1)之流程圖。
第5圖為顯示機器之運轉模式指令值以及運轉資料之特徵量之間的關係之圖示。
第6圖為顯示在機器之運轉模式指令值以及運轉資料之特徵量之間的關係中,測試資料的補正處理之概要之示意圖。
第7圖為顯示在對應未學習模式之運轉資料之特徵量分佈中,將對應已學習模式之運轉資料之特徵量分佈之差異進行補正處理之示意圖。
第8圖為顯示將對應未學習模式之運轉資料之特徵量進行補正處理之範例(2)之流程圖。
第9A圖為藉由利用物理模型進行補正處理的過程(1)計算出來的運轉資料之分佈之示意圖。
第9B圖為藉由利用物理模型進行補正處理的過程(2)計算出來的運轉資料之分佈之示意圖。
第9C圖為藉由利用物理模型進行補正處理的過程(3)計算出來的運轉資料之分佈之示意圖。
第9D圖為藉由利用物理模型進行補正處理的過程(4)計算出來的運轉資料之分佈之示意圖。
第10A圖為顯示實現關於實施型態1之機器狀態監視裝置之機能之硬體構成之方塊圖。
第10B圖為顯示實行關於實施型態1之機器狀態監視裝置之機能之軟體之執行之硬體構成之方塊圖。
第11圖為顯示關於實施型態1之機器狀態監視裝置之變形例之構成之方塊圖。
1:機器狀態監視裝置
11:特徵量抽出部
12:運轉模式判定部
13:特徵量補正部
14:機器狀態判定部
Claims (5)
- 一種機器狀態監視裝置,包括:特徵量抽出部,抽出機器狀態被測量之運轉資料之特徵量;運轉模式判定部,在測量前述機器之運轉資料時,判定前述機器之運轉模式是:已學習前述機器狀態之判定範圍之已學習模式,或者,尚未學習前述機器狀態之判定範圍之未學習模式;特徵量補正部,依據前述機器之運轉模式與運轉資料之特徵量之間之關係,將判定為前述未學習模式之運轉模式對應之運轉資料之特徵量之分佈,對應前述已學習模式進行貼近到與運轉資料之特徵量之分佈重疊的補正;機器狀態判定部,依據前述機器之運轉資料之特徵量以及前述機器狀態之判定範圍,判定前述機器狀態。
- 如請求項1之機器狀態監視裝置,更包括:分類部,將前述機器之運轉資料依照每種運轉模式分類;模型生成部,利用依照每種運轉模式分類之運轉資料,生成每種運轉模式之學習模型,該學習模型學習了前述機器狀態之判定範圍;其中,前述機器狀態判定部,利用運轉資料之特徵量以及前述學習模型,判定前述機器狀態。
- 如請求項1或2之機器狀態監視裝置,其中前述特徵量補正部,學習運轉模式以及運轉資料之特徵量之間之關係,將前述判定為未學習模式之運轉模式對應之運轉資料之特徵量之分佈,依據所學習之關係對應前述已學習模式進行貼近到與運轉資料之特徵量之分佈重疊的補正。
- 如請求項1或2之機器狀態監視裝置,其中前述特徵量補正部,利用前述機器之物理模型,推定前述未學習模式之前述機器之運轉資料,被推定之運轉資料之特徵量之分佈,依據前述已學習模式以及運轉資料之特徵量之 間之關係,對應前述已學習模式進行貼近到與運轉資料之特徵量之分佈重疊的補正。
- 一種機器狀態監視方法,包括:抽出步驟,由特徵量抽出部抽出機器狀態被測量之運轉資料之特徵量;第一判定步驟,由運轉模式判定部,在測量前述機器之運轉資料時,判定前述機器之運轉模式,為已學習前述機器狀態之判定範圍之已學習模式,或者,尚未學習之未學習模式;補正步驟,由特徵量補正部依據前述機器之運轉模式與運轉資料之特徵量之間之關係,將判定為前述未學習模式之運轉模式對應之運轉資料之特徵量之分佈,對應前述已學習模式進行貼近到與運轉資料之特徵量之分佈重疊的補正;第二判定步驟,由機器狀態判定部,依據前述機器之運轉資料之特徵量以及前述機器狀態之判定範圍,判定前述機器狀態。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
WOPCT/JP2020/021206 | 2020-05-28 | ||
PCT/JP2020/021206 WO2021240750A1 (ja) | 2020-05-28 | 2020-05-28 | 機器状態監視装置および機器状態監視方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202144941A TW202144941A (zh) | 2021-12-01 |
TWI813921B true TWI813921B (zh) | 2023-09-01 |
Family
ID=74673594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW109141323A TWI813921B (zh) | 2020-05-28 | 2020-11-25 | 機器狀態監視裝置以及機器狀態監視方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20230023878A1 (zh) |
JP (1) | JP6837612B1 (zh) |
KR (1) | KR102579619B1 (zh) |
CN (1) | CN115552345A (zh) |
DE (1) | DE112020006948B4 (zh) |
TW (1) | TWI813921B (zh) |
WO (1) | WO2021240750A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117136494A (zh) * | 2021-04-08 | 2023-11-28 | 三菱电机株式会社 | 异常诊断装置以及异常诊断方法 |
JP7422962B2 (ja) | 2022-02-02 | 2024-01-26 | 三菱電機株式会社 | 機器状態監視装置および機器状態監視方法 |
JP7392895B1 (ja) | 2023-06-28 | 2023-12-06 | 富士電機株式会社 | 運転支援装置、運転支援方法及びプログラム |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5776419A (en) * | 1980-10-31 | 1982-05-13 | Hitachi Ltd | Oscillation monitoring device |
US5566092A (en) * | 1993-12-30 | 1996-10-15 | Caterpillar Inc. | Machine fault diagnostics system and method |
JPH09256338A (ja) * | 1996-03-22 | 1997-09-30 | Mitsubishi Heavy Ind Ltd | 河川水位予測装置 |
JPH09282466A (ja) * | 1996-04-18 | 1997-10-31 | Atr Ningen Joho Tsushin Kenkyusho:Kk | パターン認識方法 |
US6556950B1 (en) * | 1999-09-30 | 2003-04-29 | Rockwell Automation Technologies, Inc. | Diagnostic method and apparatus for use with enterprise control |
WO2012073289A1 (ja) * | 2010-12-02 | 2012-06-07 | 株式会社日立製作所 | プラントの診断装置及びプラントの診断方法 |
JP2013218725A (ja) * | 2013-06-19 | 2013-10-24 | Hitachi Ltd | 異常検知方法及び異常検知システム |
US20160224021A1 (en) * | 2013-04-30 | 2016-08-04 | Tana Oy | Work machine control |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102004063388A1 (de) | 2004-12-23 | 2006-07-13 | Medav Gmbh | Verfahren zur adaptiven Klassifizierung von Werkstücken |
KR101823746B1 (ko) * | 2016-02-05 | 2018-01-30 | 울산대학교 산학협력단 | 베어링 고장 진단 방법 |
KR101827108B1 (ko) | 2016-05-04 | 2018-02-07 | 두산중공업 주식회사 | 플랜트 이상 감지 학습 시스템 및 방법 |
JP2019128623A (ja) | 2018-01-22 | 2019-08-01 | Necプラットフォームズ株式会社 | パターン認識装置、方法及びプログラム |
-
2020
- 2020-05-28 DE DE112020006948.6T patent/DE112020006948B4/de active Active
- 2020-05-28 CN CN202080100591.3A patent/CN115552345A/zh active Pending
- 2020-05-28 KR KR1020227040380A patent/KR102579619B1/ko active IP Right Grant
- 2020-05-28 WO PCT/JP2020/021206 patent/WO2021240750A1/ja active Application Filing
- 2020-05-28 JP JP2020549833A patent/JP6837612B1/ja active Active
- 2020-11-25 TW TW109141323A patent/TWI813921B/zh active
-
2022
- 2022-10-07 US US17/961,903 patent/US20230023878A1/en active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5776419A (en) * | 1980-10-31 | 1982-05-13 | Hitachi Ltd | Oscillation monitoring device |
US5566092A (en) * | 1993-12-30 | 1996-10-15 | Caterpillar Inc. | Machine fault diagnostics system and method |
JPH09256338A (ja) * | 1996-03-22 | 1997-09-30 | Mitsubishi Heavy Ind Ltd | 河川水位予測装置 |
JPH09282466A (ja) * | 1996-04-18 | 1997-10-31 | Atr Ningen Joho Tsushin Kenkyusho:Kk | パターン認識方法 |
US6556950B1 (en) * | 1999-09-30 | 2003-04-29 | Rockwell Automation Technologies, Inc. | Diagnostic method and apparatus for use with enterprise control |
WO2012073289A1 (ja) * | 2010-12-02 | 2012-06-07 | 株式会社日立製作所 | プラントの診断装置及びプラントの診断方法 |
US20160224021A1 (en) * | 2013-04-30 | 2016-08-04 | Tana Oy | Work machine control |
JP2013218725A (ja) * | 2013-06-19 | 2013-10-24 | Hitachi Ltd | 異常検知方法及び異常検知システム |
Also Published As
Publication number | Publication date |
---|---|
US20230023878A1 (en) | 2023-01-26 |
KR102579619B1 (ko) | 2023-09-15 |
JPWO2021240750A1 (zh) | 2021-12-02 |
DE112020006948T5 (de) | 2023-02-23 |
CN115552345A (zh) | 2022-12-30 |
KR20220159485A (ko) | 2022-12-02 |
WO2021240750A1 (ja) | 2021-12-02 |
JP6837612B1 (ja) | 2021-03-03 |
TW202144941A (zh) | 2021-12-01 |
DE112020006948B4 (de) | 2024-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI813921B (zh) | 機器狀態監視裝置以及機器狀態監視方法 | |
De Ketelaere et al. | Overview of PCA-based statistical process-monitoring methods for time-dependent, high-dimensional data | |
JP6810097B2 (ja) | 異常検出器 | |
JP5539382B2 (ja) | 航空エンジン内の故障の識別 | |
D’Angelo et al. | A new fault classification approach applied to Tennessee Eastman benchmark process | |
US11880750B2 (en) | Anomaly detection based on device vibration | |
CN107111312B (zh) | 监视在工业现场运行的过程的至少一个步骤的监视装置和监视方法 | |
CN107729985B (zh) | 识别技术设施的过程异常的方法和相应的诊断系统 | |
WO2020242553A1 (en) | Failure prediction using gradient-based sensor identification | |
WO2019162648A1 (en) | Control system diagnostics | |
JP7425094B2 (ja) | 診断装置 | |
JP7283485B2 (ja) | 推定装置、推定方法、及びプログラム | |
CN111104736A (zh) | 基于时间序列的异常数据检测方法、装置、介质和设备 | |
WO2020152741A1 (ja) | 異常要因推定装置、異常要因推定方法、及びプログラム | |
WO2020040764A1 (en) | System and method for validation and correction of real-time sensor data for a plant using existing data-based models of the same plant | |
WO2016185589A1 (ja) | 故障診断装置及び故障診断方法 | |
JP7180692B2 (ja) | 推定装置、推定方法、及びプログラム | |
CN109990803B (zh) | 检测系统异常的方法、装置及传感器处理的方法、装置 | |
WO2020183539A1 (ja) | 故障診断システム、予測ルール生成方法、および予測ルール生成プログラム | |
US20210080924A1 (en) | Diagnosis Method and Diagnosis System for a Processing Engineering Plant and Training Method | |
US20210157285A1 (en) | Additional learning device, additional learning method, and storage medium | |
JPH10281860A (ja) | 機械診断システム | |
EP3835750B1 (en) | Abnormality diagnosis device and abnormality diagnosis method | |
CN114391093B (zh) | 异常判定装置以及异常判定方法 | |
JP7475553B2 (ja) | 健全度診断装置および健全度診断方法 |