WO2017138239A1 - 監視装置及び監視装置の制御方法 - Google Patents
監視装置及び監視装置の制御方法 Download PDFInfo
- Publication number
- WO2017138239A1 WO2017138239A1 PCT/JP2016/086208 JP2016086208W WO2017138239A1 WO 2017138239 A1 WO2017138239 A1 WO 2017138239A1 JP 2016086208 W JP2016086208 W JP 2016086208W WO 2017138239 A1 WO2017138239 A1 WO 2017138239A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- value
- run length
- distribution
- observation data
- state
- Prior art date
Links
- 238000012806 monitoring device Methods 0.000 title claims description 28
- 238000000034 method Methods 0.000 title claims description 10
- 238000009826 distribution Methods 0.000 claims abstract description 176
- 238000001514 detection method Methods 0.000 claims abstract description 39
- 238000012544 monitoring process Methods 0.000 claims description 36
- 230000006870 function Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 5
- 230000003449 preventive effect Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000010207 Bayesian analysis Methods 0.000 description 1
- 238000012952 Resampling Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 238000012795 verification 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
- G05B23/0245—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 model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32191—Real time statistical process monitoring
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
Definitions
- the present invention relates to a technique for monitoring the state of equipment and detecting an abnormality or a sign thereof.
- preventive maintenance As a system that realizes preventive maintenance, a system that monitors data obtained from a sensor and detects a change in the state of equipment or a sign of abnormality has been proposed (see Patent Documents 1 and 2). However, these conventional systems have the following problems.
- the present invention has been made in view of the above circumstances, and an object of the present invention is to provide a technique that can be easily introduced and operated and that can accurately detect a change in the state of equipment.
- the present invention is a monitoring device that monitors the state of a target facility, a data acquisition unit that acquires observation data based on an output of a sensor provided in the target facility, Under the assumption that a prior distribution corresponding to a probability distribution followed by a value is set in advance, and the run length, which is the length that the same state continues in the target equipment, follows a predetermined probability distribution, the data acquisition unit When the current observation data is acquired, based on the current observation data value and the prior distribution parameter value, the current observation data value is acquired when the parameter value is a condition.
- Is determined as a conditional probability, and based on the data occurrence probability, the length of the run length when the time series observation data acquired up to the present time is used as a condition Obtaining a run length probability distribution which is a distribution of probability with a condition, detecting a change in the state of the target facility based on the run length probability distribution, and using the value of the current observation data, the parameter By updating the value, an update unit that generates a prior distribution used for calculating the data occurrence probability at the next time point, and information indicating the state change of the target equipment based on the result of the state change detection unit And a monitoring device characterized by having an information presentation unit.
- the data occurrence probability of the observation data is obtained based on the preset prior distribution, and the state change of the target facility is detected based on the run length probability distribution obtained from the data occurrence probability. Therefore, operation (state change detection) can be started immediately by giving an appropriate prior distribution, and learning and parameter adjustment work as in the conventional system is not required.
- the parameters of the prior distribution are sequentially updated each time observation data is acquired, a certain degree of accuracy can be ensured even in the initial stage where the amount of data is small. Furthermore, even when the trend of the observation data changes due to usage conditions, aging deterioration, environmental changes, and the like, the prior distribution is corrected (revised) following the change, so that high detection accuracy can be maintained.
- the change in the state of the target equipment is detected by evaluating the change in the occurrence probability of the observation data and the change in the run length probability of the state of the target equipment, not the change in the value of the observation data itself. Therefore, even when no significant change appears in the value of the observation data, it is possible to detect the state change of the target facility based on the change in the run length probability. Therefore, it is possible to detect a state change that could not be detected by the conventional system, and to detect a state change at an earlier stage than before the conventional system (before a significant change appears in the observation data value).
- a prior distribution database that stores definition information of a plurality of types of prior distributions, a prior distribution setting unit that selects a prior distribution to be used in the calculation of the state change detection unit from the plurality of types of prior distributions; It is good to have further. According to this configuration, it is possible to select and set a suitable prior distribution according to the probability distribution according to the value of the observation data, so that the detection accuracy can be improved.
- the definition information may include information defining a parameter of a prior distribution and an update formula of the parameter value.
- the prior distribution database stores definition information of the corresponding prior distribution for each type of target facility and / or failure mode
- the prior distribution setting unit includes the target facility to be monitored and / or
- the type of failure mode may be specified by the user, and the prior distribution corresponding to the target equipment and / or failure mode specified by the user may be selected.
- the physical quantity observed by the sensor and its behavior are different, so the probability distribution of the observation data value and the preferred prior distribution are also different.
- it is difficult for the user to select a suitable prior distribution and not only an understanding of the characteristics of the target equipment and sensors, but also specialized knowledge regarding statistics is required. Therefore, by providing an interface that can set the appropriate prior distribution just by specifying the type of target equipment and the type of failure mode as in the present invention, the convenience of the user is improved, and advanced expertise is provided. Even those who do not have it can easily set an appropriate prior distribution.
- the state change detection unit determines the current time when the run length value of the maximum peak of the run length probability distribution at the current time becomes discontinuous with respect to the run length value of the maximum peak of the run length probability distribution at the previous time. It may be determined as a change point of the state of the target equipment. The fact that the run length value of the maximum peak (that is, the highest probability) of the run length probability distribution becomes discontinuous is because there is a high probability that the state of the target facility has changed.
- the information presentation unit may present change point information representing the change point detected by the state change detection unit. By presenting a change point or a change sign point, it is possible to prompt the user to inspect the target facility before an abnormality actually occurs, and to realize appropriate preventive maintenance activities.
- the information presenting unit may present run length probability distribution information representing a time series change of the run length probability distribution calculated by the state change detecting unit. Further, the information presentation unit presents run length probability distribution information representing a time series change of the run length probability distribution calculated by the state change detection unit, and the change on the time axis of the run length probability distribution information. Point information should be presented. From the time series change of the presented run length probability distribution, it is possible to grasp the state of the target equipment state change, the grounds of the change point and the sign of change, and the high possibility (probability). Convincing can be improved.
- the information presenting unit includes observation value information representing a time series change in the output value of the sensor or the observation data value and / or a continuous time series representing a time series change in the run length value of the maximum peak of the run length probability distribution.
- the long value information may be presented with the run length probability distribution information and the time axis matched. By presenting these pieces of information, the satisfaction of the detection result can be further enhanced.
- the present invention can be understood as a monitoring device having at least a part of the above configuration or function. Further, the present invention can also be understood as a monitoring system having a sensor and a monitoring device. The present invention also provides a method for controlling a monitoring apparatus including at least a part of the above processing, a program for causing a computer to execute such a method, or a computer-readable recording such a program non-temporarily. It can also be regarded as a recording medium.
- a monitoring apparatus including at least a part of the above processing, a program for causing a computer to execute such a method, or a computer-readable recording such a program non-temporarily. It can also be regarded as a recording medium.
- the present invention it is possible to provide a monitoring device that can be easily introduced and operated and can accurately detect a change in the state of equipment.
- FIG. 1 is a diagram showing a configuration of a monitoring system.
- FIG. 2 is a diagram illustrating the relationship between the state estimation model and the variables.
- FIG. 3 is a diagram illustrating an example of prior distribution definition information.
- FIG. 4 is a diagram illustrating an example of a user interface for setting prior distribution.
- FIG. 5 is a flowchart of the state monitoring process.
- FIG. 6 is a diagram illustrating an example of a state monitoring screen.
- the monitoring system which concerns on embodiment of this invention is a system which always monitors the state of object equipment based on the signal obtained from the sensor installed in object equipment, and detects the state change. This monitoring system is used to support state monitoring and preventive maintenance of various facilities in factories and plants.
- FIG. 1 is a diagram schematically showing a configuration of a monitoring system according to an embodiment of the present invention.
- the monitoring system 1 includes a sensor 10 provided in a facility 2 to be monitored (referred to as a target facility 2) and a monitoring device 11 that monitors the state of the target facility 2.
- the sensor 10 and the monitoring device 11 are connected by wired or wireless communication.
- FIG. 1 shows an example in which data exchange using 920 MHz band communication is performed between a wireless module included in the sensor 10 and a wireless module included in the monitoring device 11.
- the sensor 10 is a measuring means for measuring the physical quantity of the target facility 2.
- the sensor 10 may be a sensor originally provided in the target facility 2 or a sensor retrofitted to the target facility 2.
- the type of sensor 10 and the physical quantity measured by sensor 10 may be anything, and may be appropriately designed according to the type of target equipment 2, the failure mode, and the like.
- a vibration sensor that measures vibration
- a temperature sensor that measures temperature
- a current sensor that measures current
- a voltage sensor that measures voltage
- a sound sensor that measures sound
- an image sensor that measures color and brightness
- a speed sensor Examples thereof include a speed sensor and an acceleration sensor that measures acceleration.
- the number of sensors 10 may be one or plural. A plurality of types of sensors 10 may be used.
- the sensor 10 performs measurement at a predetermined cycle and outputs sensing data. Sensing data output from the sensor 10 is taken into the monitoring device 11.
- the monitoring device 11 is a device that monitors the state of the target facility 2 based on the sensing data sequentially taken from the sensor 10.
- the monitoring device 11 includes, for example, a CPU (central processing unit) that is a hardware processor, a memory, an auxiliary storage device (hard disk, semiconductor disk, etc.), an input device (keyboard, pointing device, touch panel, etc.), a display device, and a communication I. It can be constituted by a general-purpose computer having / F or the like. However, the configuration of the monitoring device 11 is not limited to this.
- the monitoring device 11 may be configured by a plurality of computers, or the monitoring device 11 may be configured by a dedicated device such as an embedded computer, or a circuit such as an ASIC (application-specific integrated circuit) or FPGA (A field-programmable gate array). It may be configured.
- a dedicated device such as an embedded computer
- a circuit such as an ASIC (application-specific integrated circuit) or FPGA (A field-programmable gate array). It may be configured.
- ASIC application-specific integrated circuit
- FPGA field-programmable gate array
- the monitoring device 11 includes a data acquisition unit 110, a state change detection unit 111, an update unit 112, an information presentation unit 113, a prior distribution database 114, and a prior distribution setting unit 115 as functions thereof. These functions are realized by the CPU reading and executing a program stored in the memory or the auxiliary storage device. Note that some of these functions (for example, the functions of the state change detection unit 111 and the update unit 112) may be executed on another server on the network by using a client server or cloud computing technology. Absent.
- the data acquisition unit 110 has a function of acquiring observation data based on the output of the sensor 10.
- the state change detection unit 111 has a function of detecting a change in the state of the target facility 2 based on time-series observation data.
- the update unit 112 is a function that updates the parameters of the state estimation model used by the state change detection unit 111 using the acquired observation data values.
- the information presenting unit 113 is a function for presenting information representing a change in the state of the target facility 2 to the display device based on the result of the state change detecting unit 111.
- the prior distribution database 114 is a database that stores definition information of a plurality of types of prior distributions.
- the prior distribution setting unit 115 is a function for selecting a prior distribution to be used in the calculation of the state change detection unit 111 from a plurality of types of prior distributions registered in the prior distribution database 114. Details of these functions will be described below.
- the state estimation algorithm of this embodiment is based on a change point detection algorithm based on Bayesian estimation proposed by Adams et al. (See Non-Patent Document 1), and is improved for application to equipment state monitoring.
- the advantage of using Bayesian estimation is that a certain degree of estimation accuracy can be secured even in the early stage of observation with a small amount of data, and the obtained data, the state of the device, change points, etc. are handled with probability, and are not easily affected by noise.
- it can be easily extended to distributed processing, it can be easily applied to large-scale systems and large-scale data processing can be realized. For example, it is easy to redo the evaluation / judgment.
- the purpose of the state estimation algorithm of the monitoring device 11 is to capture changes in the internal state of the target facility 2. Therefore, as a hypothesis, the change in the value of the observation data obtained from the target facility 2 has two factors: the variation due to the parameters of the probability distribution and the change caused by the change in the internal state of the target facility 2 Introducing assumptions. Further, in order to model the continuity of the internal state of the target facility 2, the length of the same state in the target facility 2 is regarded as a random variable, and this is referred to as a run length. FIG. 2 illustrates this hypothesis. When a change (H) occurs in the internal state of the target equipment 2, the run length probability (pr) changes and affects the run length (r) of the target equipment 2.
- the occurrence probability (px) of the observation data changes. It is expressed as a change in the value of the observation data (x).
- the occurrence probability (px) is estimated from the obtained observation data (x)
- the run length probability (pr) of the internal state is estimated from the occurrence probability (px) of the observation data.
- variable A at time t is denoted by A t
- time time-series data A 1 of the variable A in the period 1 ⁇ t denoted as t
- variable A corresponding to run-length value r A (r) the variable A at time t.
- the probability (continuation probability) that the state of the target facility 2 is continued is expressed as follows using the conditional probability for the run length r t-1 at the previous time point (t ⁇ 1). Define.
- H ( ⁇ ) is a hazard function, which represents the probability that the internal state of the target facility 2 will change, and corresponds to the hypothesis that how many times the same state continues on average will cause a change point.
- the problem setting is to determine whether or not the observation data xt at the current time t is a change point in a situation where time-series observation data x1 : t is obtained in the period from time 1 to t. Therefore, based on the Bayes formula, the conditional probability of the run length r t when the time series observation data x 1: t acquired up to the present time t is used as a condition is formulated as the following equation.
- r t ⁇ 1 , x t (r) ) on the right side of Equation (3) is the occurrence probability of the observation data x t (corresponding to px in FIG. 2), and is also called likelihood .
- r t ⁇ 1 , right side of Equation (3) is set by setting the conjugate distribution of the normal distribution to a prior distribution.
- x t (r) ) can be rewritten as the following equation using parameters of the prior distribution.
- ⁇ and ⁇ are parameters estimated from the observation data x, and ⁇ is a parameter indicating the degree of freedom of the run length (maximum run length value).
- the run length r t at time t can take a value from 0 to t
- the length of the run length at time t can be estimated from the maximum peak of the run length probability distribution P (r t
- the above is the state estimation algorithm of this embodiment.
- the continuation probability (formula (1)), the hazard function H ( ⁇ ), the probability distribution followed by the observation data, the prior distribution and its parameters, the parameter update formula, etc. are examples. What is necessary is just to select a suitable thing according to the kind, failure mode, etc. of the object installation 2.
- the beta distribution that is the conjugate distribution may be set as a prior distribution
- the gamma distribution that is the conjugate distribution may be set as the prior distribution. Since the parameters disclosed in Non-Patent Document 2 and Non-Patent Document 3 can be used for the parameters of the prior distribution and the update formula thereof, detailed description thereof is omitted.
- the user selects an appropriate sensor 10 in accordance with the type and failure mode of the target facility 2. For example, when a “main motor of a machine tool” is a monitoring target, “bearing wear” is a main failure mode. When vibration occurs due to wear of the bearing, the load on the motor increases and the current increases. Therefore, by installing the sensor 10 for measuring the motor current, it is possible to detect an abnormality of the main motor due to bearing wear. Further, when “a pump such as a press device” is a monitoring target, “meshing failure” is a main failure mode. When a misalignment due to foreign matter or the like occurs, the load on the pump rises and the current increases.
- the sensor 10 is preferably retrofitted to the target facility 2. This is because it becomes easy to introduce the monitoring system 1 to the existing target equipment 2. Of course, when there is an existing sensor in the target facility 2, the sensor may be used.
- the user sets the prior distribution and parameter update formula used in the state estimation in accordance with the type of target equipment 2 and the failure mode.
- the user can set arbitrary prior distributions and update formulas for the monitoring device 11, but a plurality of types registered in the prior distribution database 114 in advance using the user interface provided by the prior distribution setting unit 115.
- the prior distribution to be used can be selected from the prior distributions.
- FIG. 3 schematically illustrates an example of prior distribution definition information registered in the prior distribution database 114.
- corresponding prior distribution definition information is registered for each type of target facility and failure mode.
- the definition information of the prior distribution includes information that defines the type of the prior distribution, the parameters of the prior distribution, the parameter value update expression (for example, Expression (6)), and the like.
- the structure of the definition information is not limited to this.
- corresponding prior distribution definition information may be registered for each type of target facility, each type of failure mode, or each type of sensor or physical quantity to be measured.
- the definition information includes the type of probability distribution of the observation data, prediction logic (for example, equation (5)) for obtaining the data occurrence probability from the parameter value and the observation data value, the initial value of the parameter, the hazard function, etc. It may be.
- the user interface shown in FIG. 4 is displayed.
- the prior distribution setting unit 115 pre-corresponds to the designated target equipment or failure mode.
- Distribution definition information is read from the prior distribution database 114, parameters of the prior distribution are set in the state change detection unit 111, and parameter update formulas are set in the update unit 112.
- the prior distribution setting part 115 sets the prediction logic corresponding to the selected prior distribution to the state change detection part 111 as needed.
- the data acquisition unit 110 performs pre-processing required to sensing data captured from the sensor 10, acquires observation data x t representing the state of the relevant equipment 2.
- Preprocessing includes, for example, extraction (trimming) of data in a necessary range, resampling, filter processing, averaging, frequency conversion, and the like.
- the data acquisition unit 110 may acquire one observation data for each tact time of the target facility 2.
- step S51 the state change detection unit 111 reads the prior distribution parameters ⁇ t , ⁇ t , a t , and b t stored in the memory, and the data based on these parameters and the observation data x t according to the equation (5).
- ⁇ t , ⁇ t , a t , b t ) is calculated.
- step S52 the state change detection unit 111 reads the calculation result of the expression (3) at the time t ⁇ 1 held in the memory, and the data generation probability P (x t
- step S53 the state change detection unit 111 determines whether or not the current time t is a changing point based on the run length probability distribution P (r t
- the state change detecting section 111 the present time run-length probability in t distribution P (r t
- the current time t is determined as the changing point.
- the state change detection unit 111 searches for a point in time when a sign of a state change begins to appear (referred to as a sign of change sign) based on the run length probability distribution (step S54).
- a point in time (t ⁇ rmax t ) that is simply traced back from the current point t by the run length value rmax t is determined as a sign of change.
- step S56 the information presenting unit 113 displays the observation data x t obtained in step S50, the run length probability distribution P (r t
- Information such as the change point and change sign point detected in step 1 is presented on the state monitoring screen.
- FIG. 6 is an example of a state monitoring screen displayed on the display device.
- An observation value information 60 indicating a time-series change of the observed data x t
- a run-length value information 61 indicating a time-series change in the run-length value rmax t of the maximum peak of the run-length probability distribution
- run length probability distribution information 62 representing a time-series change is presented with their time axes coincident with each other.
- the horizontal axis is the time axis (tact number)
- the vertical axis of the observation value information 60 is the value of the observation data
- the vertical axes of the run length value information 61 and the run length probability distribution information 62 are run length values.
- the magnitude of the probability is represented by a line density
- the darkest portion represents the maximum peak of the run length probability distribution.
- the updating unit 112 by using the parameters of the prior distribution of the values and the current t observation data x t, and updates the respective parameters by the equation (6).
- the updated prior distribution parameters are stored in memory for use in the calculation of the next time point t + 1.
- the state of the target facility 2 can be monitored in real time, and the state change can be detected immediately.
- the data occurrence probability of the observation data is obtained based on a preset prior distribution, and the state change of the target facility is detected based on the run length probability distribution obtained from the data occurrence probability. . Therefore, operation (state change detection) can be started immediately by giving an appropriate prior distribution, and learning and parameter adjustment work as in the conventional system are not required.
- operation state change detection
- the parameters of the prior distribution are sequentially updated each time observation data is acquired, a certain degree of accuracy can be ensured even in the initial stage where the amount of data is small.
- the prior distribution is corrected (revised) following the change, so that high detection accuracy can be maintained.
- the state change of the target equipment is not evaluated by evaluating the change of the occurrence probability of the observation data and the change of the run length probability of the state of the target equipment instead of the change of the observation data value itself. Is detected. Therefore, even when no significant change appears in the value of the observation data, it is possible to detect the state change of the target facility based on the change in the run length probability. Therefore, it is possible to detect a state change that could not be detected by the conventional system, and to detect a state change at an earlier stage than before the conventional system (before a significant change appears in the observation data value).
- the prior distribution setting unit can select and set a suitable prior distribution according to the probability distribution that the observation data values follow, the detection accuracy can be improved.
- an interface that allows the appropriate prior distribution to be set simply by specifying the type of target equipment or failure mode is provided, improving the convenience for the user and even those without advanced expertise. It is possible to easily set an appropriate prior distribution.
- the configuration of the above-described embodiment is merely a specific example of the present invention, and is not intended to limit the scope of the present invention.
- the present invention can take various specific configurations without departing from the technical idea thereof.
- the system configuration, the data structure, the user interface, the mathematical formula, the parameters, and the like described in the above embodiment are examples, and can be appropriately changed according to the configuration of the target equipment and the monitoring device.
- monitoring system 2 target equipment 10: sensor, 11: monitoring device 60: observation value information, 61: run length value information, 62: run length probability distribution information 110: data acquisition unit, 111: state change detection unit, 112 : Update unit, 113: Information presentation unit, 114: Prior distribution database, 115: Prior distribution setting unit
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
状態変化検出部が、観測データの値と事前分布のパラメタの値とに基づいてデータ発生確率を求めると共に、データ発生確率に基づいて、現時点までに取得された時系列の観測データを条件としたときの連長確率分布を求め、連長確率分布に基づいて対象設備の状態の変化を検出する。そして、更新部が、観測データの値を用いて事前分布のパラメタの値を更新することにより、次の時点におけるデータ発生確率の計算に用いる事前分布を生成する。
Description
本発明は、設備の状態を監視し異常又はその予兆を検出するための技術に関する。
工場やプラント等の現場では生産設備等を安全かつ正常に稼働させるため、設備の状態を常に監視し必要に応じて適切な対処をとることで、故障、事故、その他の不具合の発生を未然に防ぐ活動が不可欠である。このような活動は一般に予防保全と呼ばれる。予防保全を実現するシステムとして、従来、センサから得られるデータをモニタし、設備の状態変化や異常の予兆を検知するシステムが提案されている(特許文献1、2参照)。しかしながら、これらの従来システムには、以下のような問題点がある。
従来システムの手法では、センシングデータから状態変化や異常の予兆を正確に捉えるために、多量のデータを用いた学習とパラメタの調整により高精度のモデルを構築する必要がある。そのため、システムの導入から運用開始まで数カ月レベルの期間を要してしまう。
また、設備の状態に何らかの変化が発生してから、センサで監視している物理量に有意な変化が現れるまで、タイムラグが存在する場合がある。そのような場合、システムで異常を検出した時点で既に不具合発生からある程度の時間が経過してしまっている可能性がある。そうすると、例えば生産設備の場合、異常を検知した時点でただちに設備を停止したとしても、不具合を含む製品を既に生産していた可能性があり、遡って検品を行う必要が生じる。
さらに従来システムでは、センシングデータとして多種の設備に関する物理量を取得する必要があり、これらのセンシングを適切に実現するためには、高度な専門的知識が必要とされる。
"Bayesian online changepoint detection", Adams, Ryan Prescott & MacKay, David JC arXiv preprint arXiv:0710.3742, 2007
"Conjugate Bayesian analysis of the Gaussian distribution", Murphy, Kevin P def, 2007, Vol.1(2 σ 2), 16
"Pattern Recognition And Machine Learning (Information Science and Statistics)", Bishop, M, Christopher springer (ed.) Springer-Verlag, 2006:8
本発明は上記実情に鑑みてなされたものであって、導入及び運用が容易であり、かつ、設備の状態変化を精度よく検出することのできる技術を提供することを目的とする。
上記目的を達成するため、本発明は、対象設備の状態を監視する監視装置であって、前記対象設備に設けられるセンサの出力に基づいて観測データを取得するデータ取得部と、前記観測データの値が従う確率分布に対応する事前分布が予め設定されており、且つ、前記対象設備において同じ状態が継続する長さである連長が所定の確率分布に従うという仮定の下、前記データ取得部により現時点の観測データが取得されると、前記現時点の観測データの値と前記事前分布のパラメタの値とに基づいて、前記パラメタの値を条件としたときに前記現時点の観測データの値が取得される条件付き確率であるデータ発生確率を求めると共に、前記データ発生確率に基づいて、現時点までに取得された時系列の観測データを条件としたときの連長の条件付き確率の分布である連長確率分布を求め、前記連長確率分布に基づいて前記対象設備の状態の変化を検出する状態変化検出部と、前記現時点の観測データの値を用いて前記パラメタの値を更新することにより、次の時点におけるデータ発生確率の計算に用いる事前分布を生成する更新部と、前記状態変化検出部の結果に基づいて前記対象設備の状態の変化を表す情報を提示する情報提示部と、を有することを特徴とする監視装置を提供する。
この構成によれば、予め設定した事前分布に基づき観測データのデータ発生確率が求められ、データ発生確率から求めた連長確率分布に基づき対象設備の状態変化の検出が行われる。したがって、適当な事前分布を与えるだけで直ぐに運用(状態変化の検出)を開始することができ、従来システムのような学習やパラメタ調整の作業が必要ない。また、観測データが取得されるたびに事前分布のパラメタが逐次更新されるので、データ量が少ない初期段階でもある程度の精度を確保できる。さらに、使用状況や経年劣化や環境変化等により観測データの傾向に変化が生じた場合でも、それに追従して事前分布が修正(改訂)されるため、高い検出精度を維持することができる。
また、本発明では、観測データの値そのものの変化ではなく、観測データの発生確率の変化と対象設備の状態の連長確率の変化を評価することで、対象設備の状態変化を検出する。そのため、観測データの値に有意な変化が現れていない場合でも、連長確率の変化に基づき対象設備の状態変化を検出可能である。したがって、従来システムでは検出できなかった状態変化の検出や、従来システムよりも早い段階での(観測データの値に有意な変化が現れる前の)状態変化の検出が可能になる。
監視装置が、複数種類の事前分布の定義情報を記憶する事前分布データベースと、前記複数種類の事前分布のうちから前記状態変化検出部の計算において使用する事前分布を選択する事前分布設定部と、をさらに有するとよい。この構成によれば、観測データの値が従う確率分布に合わせて好適な事前分布を選択し設定することができるので、検出精度の向上を図ることができる。ここで、前記定義情報は、事前分布のパラメタと、前記パラメタの値の更新式と、を定義する情報を含むとよい。
前記事前分布データベースは、対象設備及び/又は故障モードの種類ごとに、対応する事前分布の定義情報を記憶しており、前記事前分布設定部は、監視の対象となる対象設備及び/又は故障モードの種類をユーザに指定させ、ユーザにより指定された対象設備及び/又は故障モードに対応する事前分布を選択するとよい。対象設備の種類や故障モードの種類に依存して、センサで観測する物理量やその挙動が異なるため、観測データの値の確率分布及び好適な事前分布も異なる。しかしながら、好適な事前分布をユーザが自ら選択することは難しく、対象設備やセンサの特性についての理解のみならず、統計学に関する専門的な知識が必要とされる。そこで本発明のように対象設備の種類や故障モードの種類を指定するだけで適切な事前分布が設定されるようなインタフェースを用意することで、ユーザの利便性を向上し、高度な専門知識をもたない者でも容易に適切な事前分布を設定することが可能となる。
前記状態変化検出部は、現時点における連長確率分布の最大ピークの連長値が一つ前の時点における連長確率分布の最大ピークの連長値に対し不連続となった場合に、現時点を前記対象設備の状態の変化点と判定するとよい。連長確率分布の最大ピークの(つまり最も確率の大きい)連長値が不連続になるということは、対象設備の状態に変化が発生した蓋然性が高いからである。
前記情報提示部は、前記状態変化検出部により検出された前記変化点を表す変化点情報を提示するとよい。変化点や変化予兆点を提示することにより、実際に異常が発生する前にユーザに対象設備の点検等を促すことができ、適切な予防保全活動を実現できる。
前記情報提示部は、前記状態変化検出部によって計算した前記連長確率分布の時系列変化を表す連長確率分布情報を提示するとよい。さらに、前記情報提示部は、前記状態変化検出部によって計算した前記連長確率分布の時系列変化を表す連長確率分布情報を提示すると共に、前記連長確率分布情報の時間軸上に前記変化点情報を提示するとよい。提示された連長確率分布の時系列変化から、対象設備の状態変化の様子、変化点や変化予兆点の根拠や可能性(確率)の高さなどを把握することができるので、検出結果の納得性を高めることができる。
前記情報提示部は、前記センサの出力値又は前記観測データの値の時系列変化を表す観測値情報、及び/又は、前記連長確率分布の最大ピークの連長値の時系列変化を表す連長値情報を、前記連長確率分布情報と時間軸を一致させて提示するとよい。これらの情報を提示することにより、検出結果の納得性をさらに高めることができる。
なお、本発明は、上記構成ないし機能の少なくとも一部を有する監視装置として捉えることができる。また、本発明は、センサと監視装置とを有する監視システムとして捉えることもできる。また、本発明は、上記処理の少なくとも一部を含む監視装置の制御方法、又は、かかる方法をコンピュータに実行させるためのプログラム、又は、そのようなプログラムを非一時的に記録したコンピュータ読取可能な記録媒体として捉えることもできる。上記構成及び処理の各々は技術的な矛盾が生じない限り互いに組み合わせて本発明を構成することができる。
本発明によれば、導入及び運用が容易であり、かつ、設備の状態変化を精度よく検出することができる監視装置を提供することができる。
以下に図面を参照しつつ、本発明の好適な実施の形態を説明する。ただし、以下に記載されている各構成の説明は、発明が適用されるシステムの構成や各種条件により適宜変更されるべきものであり、この発明の範囲を以下の記載に限定する趣旨のものではない。
<監視システムの構成>
本発明の実施形態に係る監視システムは、対象設備に設置されたセンサから得られる信号に基づき対象設備の状態を常時監視して、その状態変化を検出するシステムである。この監視システムは、工場やプラント等における各種設備の状態監視及び予防保全を支援するために利用される。
本発明の実施形態に係る監視システムは、対象設備に設置されたセンサから得られる信号に基づき対象設備の状態を常時監視して、その状態変化を検出するシステムである。この監視システムは、工場やプラント等における各種設備の状態監視及び予防保全を支援するために利用される。
図1は、本発明の実施形態に係る監視システムの構成を模式的に示す図である。監視システム1は、監視対象となる設備2(対象設備2と呼ぶ)に設けられるセンサ10と、対象設備2の状態監視を行う監視装置11とを有する。センサ10と監視装置11の間は有線又は無線通信により接続されている。図1は、センサ10が有する無線モジュールと監視装置11が有する無線モジュールの間で920MHz帯通信を用いたデータ交換を行う例を示している。
センサ10は、対象設備2の物理量を測定する測定手段である。センサ10は、対象設備2に元々備わっているセンサでもよいし、対象設備2に対し後付けしたセンサでもよい。センサ10の種類やセンサ10により測定する物理量は何でもよく、対象設備2の種類、故障モード等に応じて適宜設計すればよい。例えば、振動を測定する振動センサ、温度を測定する温度センサ、電流を測定する電流センサ、電圧を測定する電圧センサ、音を測定する音センサ、色や輝度を測定する画像センサ、速度を測定する速度センサ、加速度を測定する加速度センサなどを例示することができる。センサ10の数は1つでもよいし複数でもよい。また複数種類のセンサ10を用いてもよい。センサ10は所定の周期で測定を行いセンシングデータを出力する。センサ10から出力されるセンシングデータは監視装置11に取り込まれる。
監視装置11は、センサ10から逐次取り込まれるセンシングデータに基づき対象設備2の状態監視を行う装置である。監視装置11は、例えば、ハードウェアプロセッサであるCPU(中央演算処理装置)、メモリ、補助記憶装置(ハードディスク、半導体ディスクなど)、入力装置(キーボード、ポインティングデバイス、タッチパネルなど)、表示装置、通信I/Fなどを有する汎用のコンピュータにより構成可能である。但し、監視装置11の構成はこれに限られない。例えば、複数のコンピュータにより監視装置11を構成してもよいし、組み込みコンピュータなどの専用装置、あるいは、ASIC(application specific integrated circuit)やFPGA( field-programmable gate array)などの回路により監視装置11を構成してもよい。
図1に示すように、監視装置11は、その機能として、データ取得部110、状態変化検出部111、更新部112、情報提示部113、事前分布データベース114、事前分布設定部115を有する。これらの機能は、メモリ又は補助記憶装置に格納されたプログラムをCPUが読み込み実行することにより、実現されるものである。なお、クライアントサーバ又はクラウドコンピューティングの技術を利用して、これらの機能のうちの一部(例えば状態変化検出部111や更新部112の機能)をネットワーク上の他のサーバにおいて実行しても構わない。
データ取得部110は、センサ10の出力に基づいて観測データを取得する機能である。状態変化検出部111は、時系列の観測データに基づき対象設備2の状態の変化を検出する機能である。更新部112は、取得された観測データの値を用いて、状態変化検出部111で用いられる状態推定モデルのパラメタを更新する機能である。情報提示部113は、状態変化検出部111の結果に基づいて対象設備2の状態の変化を表す情報を表示装置に提示する機能である。事前分布データベース114は、複数種類の事前分布の定義情報を記憶するデータベースである。事前分布設定部115は、事前分布データベース114に登録された複数種類の事前分布のうちから状態変化検出部111の計算において使用する事前分布を選択する機能である。以下、これらの機能の詳細について説明する。
<状態推定アルゴリズム>
まず、監視装置11の状態変化検出部111が用いる状態推定アルゴリズムについて説明する。本実施形態の状態推定アルゴリズムは、アダムスらによって提案されたベイズ推定による変化点検出アルゴリズム(非特許文献1参照)をベースとし、設備の状態監視に適用するための改良を加えたものである。ベイズ推定を用いることの利点としては、データ量の少ない観測初期の段階でもある程度の推定精度を確保できること、得られたデータ、装置の状態、変化点等を確率で取り扱うためノイズの影響を受けにくいこと、分散処理への拡張が容易なため大規模システムへの適用や膨大なデータ処理が実現しやすいこと、確率分布の時系列変化を保持しておくことで遡って状態推定や変化点検出の評価・判定をやり直すことが容易であることなどが挙げられる。
まず、監視装置11の状態変化検出部111が用いる状態推定アルゴリズムについて説明する。本実施形態の状態推定アルゴリズムは、アダムスらによって提案されたベイズ推定による変化点検出アルゴリズム(非特許文献1参照)をベースとし、設備の状態監視に適用するための改良を加えたものである。ベイズ推定を用いることの利点としては、データ量の少ない観測初期の段階でもある程度の推定精度を確保できること、得られたデータ、装置の状態、変化点等を確率で取り扱うためノイズの影響を受けにくいこと、分散処理への拡張が容易なため大規模システムへの適用や膨大なデータ処理が実現しやすいこと、確率分布の時系列変化を保持しておくことで遡って状態推定や変化点検出の評価・判定をやり直すことが容易であることなどが挙げられる。
監視装置11の状態推定アルゴリズムの目的は、対象設備2の内部状態の変化を捉えることである。そこで仮説として、対象設備2から得られる観測データの値の変化には、その確率分布が持つパラメタによる変動と、対象設備2の内部状態の変化に起因する変化、の2つの要因があるとの仮定を導入する。また、対象設備2の内部状態の連続性をモデル化するために、対象設備2において同じ状態が継続する長さを確率変数として捉え、これを連長(ランレングス)と呼ぶ。この仮説を図示したものが図2である。対象設備2の内部状態に変化(H)が生じると、連長の確率(pr)が変化し、対象設備2の連長(r)に影響を与える。そして、連長(r)及び観測データの確率分布(px)が持つパラメタ(a、b、μ、ν)に変化が生じると、観測データの発生確率(px)が変化するため、結果として、観測データ(x)の値の変化となって表出する。このようなモデルに基づき、得られた観測データ(x)からその発生確率(px)を推定し、さらに観測データの発生確率(px)から内部状態の連長確率(pr)を推定するのが、本実施形態の状態推定アルゴリズムの基本的な考え方である。
次に、状態推定アルゴリズムの具体例を詳しく説明する。以下の説明において、時刻tにおける変数AをAtと表記し、時刻1~tの期間における変数Aの時系列データをA1:tと表記し、連長の値rに対応する変数AをA(r)と表記する。
連長rtは、状態の継続とともに1ずつ増加する変数である。例えば、時刻1からtまでに状態変化が起きていなければrt=tとなる。一方、時刻t+1に状態の変化が起きるとrt+1=0とリセットされ、その後状態が継続すれば、rt+2=1、rt+3=2、・・・のように再び1ずつ増加していく。
ここで、対象設備2の状態が継続するか変化するか、つまり、連長rtが増加するか0となるかは、所定の確率分布に従うという仮定を導入する。本実施形態では、対象設備2の状態が継続する確率(継続確率)を、1つ前の時点(t-1)における連長rt-1に対する条件付き確率を用いて、下記式のように定義する。
H(τ)はハザード関数であり、対象設備2の内部状態の変化が発生する確率を表し、平均的に同じ状態が何回続くと変化点が発生するかという仮説に相当するものである。本実施形態では、簡単のため、ハザード関数をH(τ)=1/nと置く(nは定数であり、同じ状態が継続する平均的な回数を意味する)。
問題設定は、時刻1からtまでの期間に時系列の観測データx1:tが得られた状況下で、現時点tの観測データxtが変化点か否かを判定することである。そこで、ベイズの公式に基づき、現時点tまでに取得された時系列の観測データx1:tを条件としたときの連長rtの条件付き確率を下記式のように定式化する。
式(3)の右辺第2項P(xt|rt-1,xt
(r))は、観測データxtの発生確率(図2のpxに対応する)であり、尤度とも呼ばれる。ここで、観測データxの値が正規分布に従うと仮定した場合、正規分布の共役分布を事前分布に設定することで、式(3)の右辺第2項P(xt|rt-1,xt
(r))は事前分布のパラメタを用いて下記式のように書き換えることができる。
時刻tにおける連長rtは0からtの値をとり得るため、式(5)の観測データxtの発生確率は、r=0,1,…,tのぞれぞれのケースについて計算できる。r=0,1,…,tのぞれぞれについて、式(5)から求まるデータ発生確率と、式(1)から求まる継続確率と、時刻t-1における式(3)の計算結果とを式(3)に代入することにより、連長の長さごとの確率P(rt=0,x1:t),P(rt=1,x1:t),…,P(rt=t,x1:t)が求まり、これらの値を式(2)に代入することにより、時系列の観測データx1:tに対する連長確率分布P(rt|x1:t)が求まる。この連長確率分布P(rt|x1:t)の最大ピークから時刻tにおける連長の長さを推定することができる。また、時刻t-1と時刻tの間で連長確率分布の最大ピークが連続しているか不連続となっているかで、状態が継続しているか変化しているかを判定することができる。
さらに、ベイズ更新に従い、今回得られた観測データxtの値を用いて事前分布を更新する。上述した事前分布P(μ,ν,a,b)の場合、下記式により各パラメタを更新すればよい。なお、r=0のパラメタμ(0),ν(0),a(0),b(0)については、初期値を用いる。
次回(t+1)の観測データxt+1が得られたときの発生確率の計算において、更新後のパラメタμt+1、νt+1、at+1、bt+1を用いることにより、それまでに観測されたデータx1:tの傾向を反映した妥当な発生確率を求めることができるため、状態推定の精度を向上することができる。
以上が本実施形態の状態推定アルゴリズムである。なお、上述した継続確率(式(1))、ハザード関数H(τ)、観測データが従う確率分布、事前分布とそのパラメタ、パラメタの更新式などは一例である。対象設備2の種類や故障モード等に合わせて適切なものを選択すればよい。例えば、観測データが二項分布に従う場合はその共役分布であるベータ分布を事前分布に設定するとよく、観測データがポアソン分布に従う場合はその共役分布であるガンマ分布を事前分布に設定するとよい。事前分布のパラメタ及びその更新式については、非特許文献2及び非特許文献3に開示されたものを用いることができるため、詳しい説明を割愛する。
<監視システムの設置>
監視システム1を対象設備2に設置する際の手順及び作業について説明する。
監視システム1を対象設備2に設置する際の手順及び作業について説明する。
(1)センサ10の設置
まず、ユーザは、対象設備2の種類や故障モードに合わせて、適切なセンサ10を選択する。例えば「工作機械のメインモータ」が監視対象である場合、その主要な故障モードとして「ベアリング摩耗」がある。ベアリングの摩耗によって振動が発生するとモータの負荷が上昇し電流が増加する。したがって、モータの電流を測定するセンサ10を設置することで、ベアリング摩耗に起因するメインモータの異常を検知することができる。また、「プレス装置等のポンプ」が監視対象である場合、その主要な故障モードとして「かみ合わせ不良」がある。異物等によるかみ合わせ不良が発生するとポンプの負荷が上昇し電流が増加する。したがって、ポンプの電流を測定するセンサ10を設置することで、かみ合わせ不良に起因するポンプの異常を検知することができる。また、「ロボット等のサーボモータ」が監視対象である場合、その主要な故障モードとして「芯ずれ」がある。芯ずれによりモータの負荷状況が変化すると力率が変化する。したがって、サーボモータの力率を測定するセンサ10を設置することで、芯ずれに起因するサーボモータの異常を検知することができる。
まず、ユーザは、対象設備2の種類や故障モードに合わせて、適切なセンサ10を選択する。例えば「工作機械のメインモータ」が監視対象である場合、その主要な故障モードとして「ベアリング摩耗」がある。ベアリングの摩耗によって振動が発生するとモータの負荷が上昇し電流が増加する。したがって、モータの電流を測定するセンサ10を設置することで、ベアリング摩耗に起因するメインモータの異常を検知することができる。また、「プレス装置等のポンプ」が監視対象である場合、その主要な故障モードとして「かみ合わせ不良」がある。異物等によるかみ合わせ不良が発生するとポンプの負荷が上昇し電流が増加する。したがって、ポンプの電流を測定するセンサ10を設置することで、かみ合わせ不良に起因するポンプの異常を検知することができる。また、「ロボット等のサーボモータ」が監視対象である場合、その主要な故障モードとして「芯ずれ」がある。芯ずれによりモータの負荷状況が変化すると力率が変化する。したがって、サーボモータの力率を測定するセンサ10を設置することで、芯ずれに起因するサーボモータの異常を検知することができる。
センサ10は、対象設備2に対し後付けするものが好ましい。既存の対象設備2に対して監視システム1を導入することが容易になるからである。もちろん対象設備2に既設されているセンサが存在する場合には、そのセンサを利用してもよい。
(2)事前分布の設定
次に、ユーザは、対象設備2の種類や故障モードに合わせて、状態推定で用いる事前分布及びパラメタの更新式を設定する。ユーザは任意の事前分布及び更新式を監視装置11に対し設定することも可能であるが、事前分布設定部115が提供するユーザインタフェースを利用し、事前分布データベース114に予め登録されている複数種類の事前分布のうちから使用する事前分布を選択することもできる。
次に、ユーザは、対象設備2の種類や故障モードに合わせて、状態推定で用いる事前分布及びパラメタの更新式を設定する。ユーザは任意の事前分布及び更新式を監視装置11に対し設定することも可能であるが、事前分布設定部115が提供するユーザインタフェースを利用し、事前分布データベース114に予め登録されている複数種類の事前分布のうちから使用する事前分布を選択することもできる。
図3は、事前分布データベース114に登録されている事前分布の定義情報の例を模式的に示している。この例では、対象設備及び故障モードの種類ごとに、対応する事前分布の定義情報が登録されている。事前分布の定義情報は、事前分布の種類、事前分布のパラメタ、パラメタの値の更新式(例えば式(6))等を定義する情報を含んでいる。なお、定義情報の構造はこれに限られない。例えば、対象設備の種類ごと、又は、故障モードの種類ごと、又は、センサの種類もしくは測定する物理量ごとに、対応する事前分布の定義情報が登録されていてもよい。また、定義情報には、観測データの確率分布の種類、パラメタの値と観測データの値とからデータ発生確率を求める予測ロジック(例えば式(5))、パラメタの初期値、ハザード関数等が含まれていてもよい。
ユーザが監視装置11を操作し、事前分布設定部115の機能を呼び出すと、図4に示すユーザインタフェースが表示される。ユーザが監視対象リスト40のなかから監視対象となる対象設備や故障モードの種類を指定し、設定ボタン41を押下すると、事前分布設定部115は、指定された対象設備や故障モードに対応する事前分布の定義情報を事前分布データベース114から読み込み、事前分布のパラメタを状態変化検出部111に設定し、パラメタの更新式を更新部112に設定する。また必要に応じて、事前分布設定部115は、選択された事前分布に対応する予測ロジックを状態変化検出部111に設定する。
<監視システムの動作>
図5のフローチャートに沿って、監視システム1の状態監視処理について説明する。
図5のフローチャートに沿って、監視システム1の状態監視処理について説明する。
ステップS50では、データ取得部110が、センサ10から取り込まれたセンシングデータに対し必要な前処理を施し、対象設備2の状態を表現する観測データxtを取得する。前処理は、例えば、必要な範囲のデータの切り出し(トリミング)、再サンプリング、フィルタ処理、平均化、周波数変換などである。データ取得部110は、例えば、対象設備2のタクトタイム毎に1つの観測データを取得するとよい。
ステップS51では、状態変化検出部111が、メモリに保持された事前分布のパラメタμt、νt、at、btを読み込み、これらのパラメタと観測データxtに基づき式(5)によりデータ発生確率P(xt|μt、νt、at、bt)を計算する。
ステップS52では、状態変化検出部111が、メモリに保持された時刻t-1における式(3)の計算結果を読み込み、データ発生確率P(xt|μt、νt、at、bt)に基づき式(1)~式(3)により連長確率分布P(rt|x1:t)を計算する。
ステップS53では、状態変化検出部111が、連長確率分布P(rt|x1:t)に基づいて現時点tが変化点であるか否かを判定する。対象設備2の状態に変化が無い場合は、連長rtは一つ前の時点t-1の連長rt-1に比べて値が1増加するはずである。したがって、状態変化検出部111は、現時点tにおける連長確率分布P(rt|x1:t)の最大ピークの連長値rmaxtと、時点t-1における連長確率分布P(rt-1|x1:t-1)の最大ピークの連長値rmaxt-1とを比べ、rmaxtがrmaxt-1に対し不連続(rmaxt≠rmaxt-1+1)である場合に、現時点tを変化点と判定する。一方、rmaxtがrmaxt-1に対し連続(rmaxt=rmaxt-1+1)である場合は、現時点tは変化点でないと判定する。
ところで、現時点tが変化点であると判定された場合(ステップS53のYES)において、最大ピークの連長値rmaxtがゼロであれば、現時点tが変化点である蓋然性が高いといえる。しかしながら、連長値rmaxtがゼロでない場合は、過去のある時点から状態が継続している可能性があるということなので、現時点tよりも前に対象設備2の状態の変化の予兆が現れている可能性がある。そこで、状態変化検出部111は、連長確率分布に基づいて、状態変化の予兆が現れ始めた時点(変化予兆点と呼ぶ)の探索を行う(ステップS54)。変化予兆点が分かれば、対象設備2の動作の点検や検品等をどの時点まで遡って行えばよいかの目安となり、対象設備2の状態変化が検出された場合や実際に異常が発生した場合の対処を効率化することができるからである。本実施形態では、単純に、現時点tから連長値rmaxtの分だけ遡った時点(t-rmaxt)を変化予兆点と判定する。この方法により、妥当性の高い変化予兆点を簡単に検出することができる。その後、状態変化検出部111は、状態に変化があったことをアラート通知する(ステップS55)。
ステップS56では、情報提示部113が、ステップS50で求めた観測データxt、ステップS52で求めた連長確率分布P(rt|x1:t)、ステップS53の判定結果、ステップS53とS54で検出した変化点及び変化予兆点等の情報を、状態監視画面上に提示する。
図6は、表示装置に表示される状態監視画面の一例である。観測データxtの時系列変化を表す観測値情報60と、連長確率分布の最大ピークの連長値rmaxtの時系列変化を表す連長値情報61と、連長確率分布P(rt|x1:t)の時系列変化を表す連長確率分布情報62が、互いに時間軸を一致させて提示されている。横軸が時間軸(タクト番号)であり、観測値情報60の縦軸は観測データの値、連長値情報61と連長確率分布情報62の縦軸はともに連長値である。連長確率分布情報62では、確率の大きさをラインの濃度で表しており、最も濃い部分が連長確率分布の最大ピークを表している。さらに状態監視画面では、連長確率分布情報の時間軸上に変化点情報(変化点と変化予兆点の位置)が示される。この例では、t=272、460、635、758の4つの時点において変化点(白矢印)が検出されたことが示されている。また、t=758の変化点では、連長値rmaxtがゼロでないため、t-rmaxt=758-46=712の時点を変化予兆点とみなし、黒矢印で変化予兆点を示している。このような表示により、対象設備2の動作の検証や検品を行う場合は、タクト番号t=712のあたりまで遡って確認すればよいことがわかる。
ステップS57では、更新部112が、観測データxtの値と現時点tの事前分布のパラメタとを用いて、式(6)により各パラメタの更新を行う。更新された事前分布のパラメタは、次の時点t+1の計算に用いるため、メモリに保持される。
以上のステップS50~S57の処理をタクト毎に実行することで、対象設備2の状態をリアルタイムに監視し、状態変化を直ちに検出することができる。
<監視システムの利点>
本実施形態の監視システム1によれば、予め設定した事前分布に基づき観測データのデータ発生確率が求められ、データ発生確率から求めた連長確率分布に基づき対象設備の状態変化の検出が行われる。したがって、適当な事前分布を与えるだけで直ぐに運用(状態変化の検出)を開始することができ、従来システムのような学習やパラメタ調整作業が必要ない。また、観測データが取得されるたびに事前分布のパラメタが逐次更新されるので、データ量が少ない初期段階でもある程度の精度を確保できる。さらに、使用状況や経年劣化や環境変化等により観測データの傾向に変化が生じた場合でも、それに追従して事前分布が修正(改訂)されるため、高い検出精度を維持することができる。
本実施形態の監視システム1によれば、予め設定した事前分布に基づき観測データのデータ発生確率が求められ、データ発生確率から求めた連長確率分布に基づき対象設備の状態変化の検出が行われる。したがって、適当な事前分布を与えるだけで直ぐに運用(状態変化の検出)を開始することができ、従来システムのような学習やパラメタ調整作業が必要ない。また、観測データが取得されるたびに事前分布のパラメタが逐次更新されるので、データ量が少ない初期段階でもある程度の精度を確保できる。さらに、使用状況や経年劣化や環境変化等により観測データの傾向に変化が生じた場合でも、それに追従して事前分布が修正(改訂)されるため、高い検出精度を維持することができる。
また、本実施形態の状態推定アルゴリズムでは、観測データの値そのものの変化ではなく、観測データの発生確率の変化と対象設備の状態の連長確率の変化を評価することで、対象設備の状態変化を検出する。そのため、観測データの値に有意な変化が現れていない場合でも、連長確率の変化に基づき対象設備の状態変化を検出可能である。したがって、従来システムでは検出できなかった状態変化の検出や、従来システムよりも早い段階での(観測データの値に有意な変化が現れる前の)状態変化の検出が可能になる。
また、状態監視画面に提示された連長確率分布の時系列変化をみることで、対象設備の状態変化の様子、変化点や変化予兆点の根拠や可能性(確率)の高さなどを把握することができるので、検出結果の納得性を高めることができる。また、変化点や変化予兆点を提示することにより、実際に異常が発生する前にユーザに対象設備の点検等を促すことができ、適切な予防保全活動を実現できる。
また、事前分布設定部により、観測データの値が従う確率分布に合わせて好適な事前分布を選択し設定することができるので、検出精度の向上を図ることができる。しかも、対象設備の種類や故障モードの種類を指定するだけで適切な事前分布が設定されるようなインタフェースを用意したので、ユーザの利便性を向上し、高度な専門知識をもたない者でも容易に適切な事前分布を設定することが可能となる。
なお、上述した実施形態の構成は本発明の一具体例を示したものにすぎず、本発明の範囲を限定する趣旨のものではない。本発明はその技術思想を逸脱しない範囲において、種々の具体的構成を採り得るものである。例えば上記実施形態で示したシステム構成、データ構造、ユーザインタフェース、数式、パラメタ等は一例であり、対象設備や監視装置の構成等に応じて適宜変更することができる。
1:監視システム
2:対象設備
10:センサ、11:監視装置
60:観測値情報、61:連長値情報、62:連長確率分布情報
110:データ取得部、111:状態変化検出部、112:更新部、113:情報提示部、114:事前分布データベース、115:事前分布設定部
2:対象設備
10:センサ、11:監視装置
60:観測値情報、61:連長値情報、62:連長確率分布情報
110:データ取得部、111:状態変化検出部、112:更新部、113:情報提示部、114:事前分布データベース、115:事前分布設定部
Claims (11)
- 対象設備の状態を監視する監視装置であって、
前記対象設備に設けられるセンサの出力に基づいて観測データを取得するデータ取得部と、
前記観測データの値が従う確率分布に対応する事前分布が予め設定されており、且つ、前記対象設備において同じ状態が継続する長さである連長が所定の確率分布に従うという仮定の下、前記データ取得部により現時点の観測データが取得されると、前記現時点の観測データの値と前記事前分布のパラメタの値とに基づいて、前記パラメタの値を条件としたときに前記現時点の観測データの値が取得される条件付き確率であるデータ発生確率を求めると共に、前記データ発生確率に基づいて、現時点までに取得された時系列の観測データを条件としたときの連長の条件付き確率の分布である連長確率分布を求め、前記連長確率分布に基づいて前記対象設備の状態の変化を検出する状態変化検出部と、
前記現時点の観測データの値を用いて前記パラメタの値を更新することにより、次の時点におけるデータ発生確率の計算に用いる事前分布を生成する更新部と、
前記状態変化検出部の結果に基づいて前記対象設備の状態の変化を表す情報を提示する情報提示部と、を有する
ことを特徴とする監視装置。 - 複数種類の事前分布の定義情報を記憶する事前分布データベースと、
前記複数種類の事前分布のうちから前記状態変化検出部の計算において使用する事前分布を選択する事前分布設定部と、をさらに有する
ことを特徴とする請求項1に記載の監視装置。 - 前記定義情報は、事前分布のパラメタと、前記パラメタの値の更新式と、を定義する情報を含む
ことを特徴とする請求項2に記載の監視装置。 - 前記事前分布データベースは、対象設備及び/又は故障モードの種類ごとに、対応する事前分布の定義情報を記憶しており、
前記事前分布設定部は、監視の対象となる対象設備及び/又は故障モードの種類をユーザに指定させ、ユーザにより指定された対象設備及び/又は故障モードに対応する事前分布を選択する
ことを特徴とする請求項2又は3に記載の監視装置。 - 前記状態変化検出部は、現時点における連長確率分布の最大ピークの連長値が一つ前の時点における連長確率分布の最大ピークの連長値に対し不連続となった場合に、現時点を前記対象設備の状態の変化点と判定する
ことを特徴とする請求項1~4のうちいずれか1項に記載の監視装置。 - 前記情報提示部は、前記状態変化検出部により検出された前記変化点を表す変化点情報を提示する
ことを特徴とする請求項5に記載の監視装置。 - 前記情報提示部は、前記状態変化検出部によって計算した前記連長確率分布の時系列変化を表す連長確率分布情報を提示する
ことを特徴とする請求項1~6のうちいずれか1項に記載の監視装置。 - 前記情報提示部は、前記状態変化検出部によって計算した前記連長確率分布の時系列変化を表す連長確率分布情報を提示すると共に、前記連長確率分布情報の時間軸上に前記変化点情報を提示する
ことを特徴とする請求項6に記載の監視装置。 - 前記情報提示部は、前記センサの出力値又は前記観測データの値の時系列変化を表す観測値情報、及び/又は、前記連長確率分布の最大ピークの連長値の時系列変化を表す連長値情報を、前記連長確率分布情報と時間軸を一致させて提示する
ことを特徴とする請求項7又は8に記載の監視装置。 - 対象設備の状態を監視する監視装置の制御方法であって、
前記対象設備に設けられるセンサの出力に基づいて観測データを取得する取得ステップと、
前記観測データの値が従う確率分布に対応する事前分布が予め設定されており、且つ、前記対象設備において同じ状態が継続する長さである連長が所定の確率分布に従うという仮定の下、前記取得ステップにより現時点の観測データが取得されると、前記現時点の観測データの値と前記事前分布のパラメタの値とに基づいて、前記パラメタの値を条件としたときに前記現時点の観測データの値が取得される条件付き確率であるデータ発生確率を求めると共に、前記データ発生確率に基づいて、現時点までに取得された時系列の観測データを条件としたときの連長の条件付き確率の分布である連長確率分布を求め、前記連長確率分布に基づいて前記対象設備の状態の変化を検出する状態変化検出ステップと、
前記現時点の観測データの値を用いて前記パラメタの値を更新することにより、次の時点におけるデータ発生確率の計算に用いる事前分布を生成する更新ステップと、
前記状態変化検出ステップの結果に基づいて前記対象設備の状態の変化を表す情報を提示する情報提示ステップと、を有する
ことを特徴とする監視装置の制御方法。 - コンピュータを、
対象設備に設けられるセンサの出力に基づいて観測データを取得するデータ取得部と、
前記観測データの値が従う確率分布に対応する事前分布が予め設定されており、且つ、前記対象設備において同じ状態が継続する長さである連長が所定の確率分布に従うという仮定の下、前記データ取得部により現時点の観測データが取得されると、前記現時点の観測データの値と前記事前分布のパラメタの値とに基づいて、前記パラメタの値を条件としたときに前記現時点の観測データの値が取得される条件付き確率であるデータ発生確率を求めると共に、前記データ発生確率に基づいて、現時点までに取得された時系列の観測データを条件としたときの連長の条件付き確率の分布である連長確率分布を求め、前記連長確率分布に基づいて前記対象設備の状態の変化を検出する状態変化検出部と、
前記現時点の観測データの値を用いて前記パラメタの値を更新することにより、次の時点におけるデータ発生確率の計算に用いる事前分布を生成する更新部と、
前記状態変化検出部の結果に基づいて前記対象設備の状態の変化を表す情報を提示する情報提示部と、して機能させる
ことを特徴とするプログラム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201680047423.6A CN107924182B (zh) | 2016-02-09 | 2016-12-06 | 监视装置、监视装置的控制方法以及记录媒体 |
US15/751,453 US10839043B2 (en) | 2016-02-09 | 2016-12-06 | Monitoring device, method and computer-readable recording medium for controlling monitoring device |
EP16889940.9A EP3416012B1 (en) | 2016-02-09 | 2016-12-06 | Monitoring device, and method for controlling monitoring device |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016023085A JP6540532B2 (ja) | 2016-02-09 | 2016-02-09 | 監視装置及び監視装置の制御方法 |
JP2016-023085 | 2016-02-09 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2017138239A1 true WO2017138239A1 (ja) | 2017-08-17 |
Family
ID=59562995
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/JP2016/086208 WO2017138239A1 (ja) | 2016-02-09 | 2016-12-06 | 監視装置及び監視装置の制御方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10839043B2 (ja) |
EP (1) | EP3416012B1 (ja) |
JP (1) | JP6540532B2 (ja) |
CN (1) | CN107924182B (ja) |
WO (1) | WO2017138239A1 (ja) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102019213019B4 (de) * | 2019-08-29 | 2024-08-14 | Wago Verwaltungsgesellschaft Mbh | Verfahren und vorrichtung zum analysieren eines ablaufprozesses |
US11687504B2 (en) * | 2021-01-25 | 2023-06-27 | Rockwell Automation Technologies, Inc. | Multimodal data reduction agent for high density data in IIoT applications |
US11586176B2 (en) | 2021-04-19 | 2023-02-21 | Rockwell Automation Technologies, Inc. | High performance UI for customer edge IIoT applications |
CN116499529B (zh) * | 2023-06-25 | 2023-09-22 | 北京电科智芯科技有限公司 | 设备运行状态监测方法、装置、管理终端和存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006011897A (ja) * | 2004-06-28 | 2006-01-12 | Matsushita Electric Ind Co Ltd | 機械加工機電力監視装置 |
JP2010164780A (ja) * | 2009-01-15 | 2010-07-29 | Nippon Telegr & Teleph Corp <Ntt> | 音響モデル作成装置、音響モデル作成方法、音響モデル作成プログラム |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5530019B2 (ja) | 1972-02-07 | 1980-08-07 | ||
JPS5120707A (en) | 1974-08-14 | 1976-02-19 | Nippon Steel Corp | Tetsukozaino kanetsushorihoho |
US6415276B1 (en) * | 1998-08-14 | 2002-07-02 | University Of New Mexico | Bayesian belief networks for industrial processes |
GB2491564A (en) | 2011-05-24 | 2012-12-12 | Isis Innovation | Method of system monitoring |
US8880962B2 (en) * | 2012-04-24 | 2014-11-04 | International Business Machines Corporation | Maintenance planning and failure prediction from data observed within a time window |
CN102707806B (zh) * | 2012-05-18 | 2015-01-14 | 北京航空航天大学 | 一种基于加速度传感器的运动识别方法 |
JP5530019B1 (ja) | 2013-11-01 | 2014-06-25 | 株式会社日立パワーソリューションズ | 異常予兆検知システム及び異常予兆検知方法 |
CN103577710B (zh) | 2013-11-14 | 2016-09-14 | 南京航空航天大学 | 基于分数阶upf的航空功率变换器故障预测方法 |
JP5530045B1 (ja) | 2014-02-10 | 2014-06-25 | 株式会社日立パワーソリューションズ | ヘルスマネージメントシステム及びヘルスマネージメント方法 |
CN105117772B (zh) | 2015-09-02 | 2017-10-27 | 电子科技大学 | 一种多状态系统可靠性模型的参数估计方法 |
-
2016
- 2016-02-09 JP JP2016023085A patent/JP6540532B2/ja active Active
- 2016-12-06 US US15/751,453 patent/US10839043B2/en active Active
- 2016-12-06 CN CN201680047423.6A patent/CN107924182B/zh active Active
- 2016-12-06 EP EP16889940.9A patent/EP3416012B1/en active Active
- 2016-12-06 WO PCT/JP2016/086208 patent/WO2017138239A1/ja active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006011897A (ja) * | 2004-06-28 | 2006-01-12 | Matsushita Electric Ind Co Ltd | 機械加工機電力監視装置 |
JP2010164780A (ja) * | 2009-01-15 | 2010-07-29 | Nippon Telegr & Teleph Corp <Ntt> | 音響モデル作成装置、音響モデル作成方法、音響モデル作成プログラム |
Non-Patent Citations (1)
Title |
---|
ADAMS ET AL.: "Bayesian Online Changepoint Detection", ARXIV.ORG, 19 October 2007 (2007-10-19), pages 1 - 4, XP080307392, Retrieved from the Internet <URL:https://arxiv.org/pdf/0710.3742v1.pdf> [retrieved on 20170127] * |
Also Published As
Publication number | Publication date |
---|---|
CN107924182A (zh) | 2018-04-17 |
JP6540532B2 (ja) | 2019-07-10 |
EP3416012A1 (en) | 2018-12-19 |
JP2017142624A (ja) | 2017-08-17 |
EP3416012B1 (en) | 2020-09-23 |
US10839043B2 (en) | 2020-11-17 |
EP3416012A4 (en) | 2019-10-09 |
US20180232338A1 (en) | 2018-08-16 |
CN107924182B (zh) | 2020-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2017138238A1 (ja) | 監視装置及び監視装置の制御方法 | |
EP2905665B1 (en) | Information processing apparatus, diagnosis method, and program | |
CN108628281B (zh) | 异常检测系统及异常检测方法 | |
JP7282184B2 (ja) | 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法 | |
EP3106949B1 (en) | Monitoring system and monitoring method | |
US20170284896A1 (en) | System and method for unsupervised anomaly detection on industrial time-series data | |
WO2017138239A1 (ja) | 監視装置及び監視装置の制御方法 | |
JP2015114967A (ja) | 異常検知方法およびその装置 | |
CN107710089B (zh) | 工厂设备诊断装置以及工厂设备诊断方法 | |
CN113574358B (zh) | 异常检测装置及异常检测方法 | |
JP2000259223A (ja) | プラント監視装置 | |
JP2004240642A (ja) | プラント機器の保守支援装置 | |
JP4922265B2 (ja) | プラント監視装置およびプラント監視方法 | |
US11900223B2 (en) | Device and method for monitoring a system | |
CN113391613A (zh) | 信息处理装置、信息处理方法以及程序 | |
US11339763B2 (en) | Method for windmill farm monitoring | |
JP2020038594A (ja) | 異常検知装置、異常検知方法およびプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 16889940 Country of ref document: EP Kind code of ref document: A1 |
|
WWE | Wipo information: entry into national phase |
Ref document number: 15751453 Country of ref document: US |
|
NENP | Non-entry into the national phase |
Ref country code: DE |