WO2018159169A1 - 劣化診断システム追加学習方法 - Google Patents

劣化診断システム追加学習方法 Download PDF

Info

Publication number
WO2018159169A1
WO2018159169A1 PCT/JP2018/002390 JP2018002390W WO2018159169A1 WO 2018159169 A1 WO2018159169 A1 WO 2018159169A1 JP 2018002390 W JP2018002390 W JP 2018002390W WO 2018159169 A1 WO2018159169 A1 WO 2018159169A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
learning
deterioration
additional
determiner
Prior art date
Application number
PCT/JP2018/002390
Other languages
English (en)
French (fr)
Inventor
尚史 島崎
池田 和隆
Original Assignee
パナソニックIpマネジメント株式会社
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 パナソニックIpマネジメント株式会社 filed Critical パナソニックIpマネジメント株式会社
Priority to EP18761745.1A priority Critical patent/EP3591484A4/en
Priority to CN201880011261.XA priority patent/CN110268350B/zh
Priority to JP2019502509A priority patent/JP7142257B2/ja
Priority to US16/468,830 priority patent/US11544554B2/en
Publication of WO2018159169A1 publication Critical patent/WO2018159169A1/ja

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric 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
    • G05B23/0221Preprocessing 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
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218Electric 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
    • G05B23/0243Electric 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
    • G05B23/0254Electric 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 quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/06Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means

Definitions

  • the present invention relates to a deterioration diagnosis system additional learning method in electrical equipment.
  • a signal extraction means for detecting a specific harmonic component contained in an input current of an electric motor in operation and a signal processing means for converting an output signal from the signal extraction means are provided, and obtained by the signal processing means.
  • An abnormality diagnosis method for equipment that can identify the cause and location of an abnormality by comparing a characteristic value composed of a high-frequency component with a predetermined criterion is disclosed (for example, see Patent Document 1). .
  • the temperature, sound, vibration, and the like used in the conventional abnormality diagnosis method are extremely environment dependent. Therefore, in order to weaken this environmental dependency, it is necessary to set a complicated and enormous amount of initial values of threshold parameters for each facility to be diagnosed. At the same time, continuous fine tuning of the parameters is necessary. For this reason, periodic maintenance by specialists is required, and there is a problem that a great number of man-hours are required for equipment deterioration diagnosis.
  • the present invention solves the conventional problems, and when performing additional learning on a determiner created by a deterioration acceleration experiment, while appropriately selecting the amount of learning data necessary for periodic additional learning,
  • the purpose is to be able to increase.
  • the present invention updates the determination device created using the initial learning data by the deterioration acceleration experiment from the measurement data during operation of the equipment and the teacher deterioration degree label data of the equipment.
  • the deterioration diagnosis system additional learning method shows continuous acceleration measurement data obtained from a deterioration acceleration experiment, and the characteristics of deterioration in the acceleration measurement data.
  • An initial learning step for creating a discriminator that learns pre-label data with a label attached to the data a step for obtaining measurement data for deterioration diagnosis from the equipment in operation, and a teacher deterioration degree label from maintenance records in the equipment
  • a step of obtaining data a step of acquiring additional data from the measurement data and the teacher deterioration level label data, a predicted deterioration level label data obtained by determining all learning data including the additional data with a determiner, and all learning data
  • the difference from the included teacher deterioration level label data is larger than a predetermined value, the learning data is selected as additional learning data. And-up, and a step of updating the determiner to learn additional training data.
  • the acceleration measurement data acquired by the deterioration acceleration experiment and the prior label data for the acceleration measurement data are learned to create a judgment device, and the deterioration diagnosis measurement data and maintenance records are recorded from the equipment in operation.
  • the discriminator is updated using the additional learning data acquired from the teacher deterioration degree label data obtained from the above.
  • the additional data which is non-continuous learning data acquired in the field can be adapted to the initial learning data which is continuous reference data.
  • the step of acquiring additional data, the step of selecting learning data as additional learning data, and the step of updating the determiner may be repeated every time maintenance is performed.
  • the learning level of the determiner can be updated.
  • the step of selecting the learning data as additional learning data is data having a degree that the determined data is unknown to the learning data is higher than a predetermined threshold when all the learning data including the additional data is determined by the determiner.
  • the method may include a step of determining the determined data as unknown data and a step of selecting the unknown data as additional learning data of learning data.
  • the equipment that is subject to deterioration diagnosis may be equipped with an electric motor having a rotating body.
  • the deterioration of the equipment can be detected by acquiring the current fluctuation component of the electric motor with the harmonic sensor.
  • the learning effect is increased by on-site labeling while appropriately selecting the amount of learning data necessary for periodic additional learning. Can be planned.
  • FIG. 1 is a configuration diagram showing a deterioration diagnosis system that realizes a deterioration diagnosis system additional learning method according to an embodiment of the present invention.
  • FIG. 2 is a flowchart showing a selection process in the deterioration diagnosis system of FIG.
  • FIG. 3 is a schematic flowchart showing learning timing of the determiner in the deterioration diagnosis system according to the embodiment of the present invention.
  • FIG. 4 is a configuration diagram illustrating a determiner configuring the deterioration diagnosis system according to the embodiment of the present invention.
  • FIG. 5 is a flowchart showing the deterioration diagnosis system additional learning method according to the embodiment of the present invention.
  • FIG. 1 is a configuration diagram showing a deterioration diagnosis system that realizes a deterioration diagnosis system additional learning method according to an embodiment of the present invention.
  • FIG. 2 is a flowchart showing a selection process in the deterioration diagnosis system of FIG.
  • FIG. 3 is a schematic flowchart showing learning timing of the
  • FIG. 6 is a schematic diagram showing a usage pattern of a customer who uses the deterioration diagnosis system according to the embodiment of the present invention.
  • FIG. 7 is a schematic diagram showing an outline of a waveform extraction process and a labeling process from measurement data during maintenance when the deterioration diagnosis system according to the embodiment of the present invention is used.
  • the measurement data continuously obtained by the accelerated deterioration experiment of the facility is used as initial learning data as an initial reference, and the facility is subjected to discontinuity diagnosis.
  • the facility is subjected to discontinuity diagnosis.
  • STEP 1 is an acceleration experiment step using a simulated experimental apparatus for equipment having a rotating body driven by an electric motor.
  • STEP2 is a determinator serving as an initial reference by learning by adding a label to continuous acceleration measurement data obtained from the acceleration experiment and data having characteristics of equipment deterioration obtained by analyzing the acceleration measurement data. It is a step to create.
  • STEP 3 always determines the degree of equipment deterioration using a determinator for the equipment to be subjected to deterioration diagnosis, and assigns a label to the measurement data using discontinuous data such as maintenance records in the equipment. In this step, additional learning data selected from all learning data including the past is additionally learned in the determiner.
  • FIG. 1 is a configuration diagram illustrating a deterioration diagnosis system that realizes a deterioration diagnosis system additional learning method according to an embodiment of the present invention.
  • the accelerated deterioration experimental equipment (accelerated experimental apparatus) HW1 has, for example, a bearing (bearing) coupled to the other end of the rotating shaft of the electric motor.
  • the accelerated degradation experimental equipment HW1 applies a load of, for example, 1.8 t by a load generator in the vicinity of the bearing.
  • a generator is coupled to the opposite side of the motor to the load application portion on the rotating shaft.
  • a harmonic sensor for determining deterioration is provided at a connection portion between the generator and the load of the generator.
  • the accelerated deterioration test apparatus loaded in this manner is operated for one week, and continuous acceleration measurement data DT1 from the normal state to the wear state and further to the failure state is acquired (AM0).
  • the acceleration measurement data DT1 is harmonic raw data measured at intervals of about 20 seconds.
  • the parts of the equipment to be subjected to deterioration diagnosis are not limited to bearings, but can also be gears, ball screws, belts, and the like.
  • Step2 For each acquired acceleration measurement data DT1, a graph connecting, for example, a maximum value, a minimum value, a variance value, or an average value of harmonics is created, and a characteristic point of change, that is, a characteristic point of deterioration is confirmed (MN1). .
  • MN1 characteristic point of change
  • a label according to the degree of deterioration is given by the confirmation MN1 of the characteristic portion by this manual work, and label data DT2 is created.
  • the acceleration measurement data DT1 and the pre-label data DT2 equivalent to the deterioration characteristics of the acceleration measurement data DT1 are associated with each other manually or automatically. This is called labeling.
  • labeling it is referred to as prior labeling MN2 in distinction from the labeling during operation of the monitoring target equipment.
  • Initial learning data DT3 is created by pre-labeling MN2.
  • the determination device DE1 is caused to learn the created initial learning data DT3 (initial learning MN3). As described above, the initial reference learning is executed, and the determiner DE1 is created.
  • a harmonic sensor is attached to the monitoring target equipment HW2 that is the target of deterioration diagnosis, and harmonic data is measured periodically or when any event occurs (AM1).
  • the measured measurement data DT4 is multiplied by the determiner DE1 to obtain predicted deterioration level label data and unknown degree data DT5. Thereafter, the predicted deterioration degree label data and the unknown degree data DT5 are output to a display or a printer and visualized (AM3).
  • the teacher deterioration level label data DT6 obtained by the regular or irregular maintenance work MN4 performed by manual work is acquired.
  • Teacher degradation level label data refers to data to which information necessary for determination or evaluation is given a label for distinguishing it from other information.
  • on-site labeling MN5 is performed in which the data necessary for determining the deterioration of the monitoring target equipment HW2 is manually discriminated from the acquired teacher deterioration level label data DT6 and the measurement data DT4.
  • the acquired teacher deterioration level label data DT6 and the measurement data DT4 can be collated by mutual time stamps.
  • the additional data DT7 is created by the on-site labeling MN5 and temporarily stored in the data warehouse DT8.
  • the data warehouse DT8 includes all past data such as the initial learning data DT3.
  • selection process AM4 The details of the sorting process AM4 will be described later with reference to FIG.
  • the selected additional learning data DT10 is used for the relearning AM5 of the determiner DE1 to grow the determiner DE1.
  • the re-learning AM5 is performed after completing the data selection process AM4 of all the learning data DT9. By doing so, it is possible to prevent an increase in the erroneous determination rate in the past data due to the update of the determination unit DE1 in the middle.
  • FIG. 2 is a flowchart showing a selection process in the deterioration diagnosis system of FIG.
  • FIG. 2 and subsequent drawings the same components as those shown in FIG.
  • step ST01 the following processing is performed on all learning data DT9 including the past.
  • the determination unit DE1 determines the deterioration degree of the monitoring target equipment HW2 for each data.
  • data including an unknown pattern in its waveform compared to existing learning data herein referred to as “data including unknown”
  • the predicted deterioration level label data DT14 is stored as intermediate data.
  • next step ST03 when the data DT13 including the unknown degree of the intermediate data is higher than a predetermined threshold value, it is selected as unknown data as additional learning data in the next step ST05. .
  • the process proceeds to the next step ST04.
  • step ST04 if the expected output value cannot be obtained as a result of the deterioration determination, it is selected as additional learning data in the next step ST05. Specifically, step ST04 is performed when the difference between the predicted deterioration level label data DT14 of the intermediate data and the teacher deterioration level label data DT6 included in the learning data is higher than a predetermined threshold value. The data being determined is selected as additional learning data DT10 in the next step ST05.
  • the teacher deterioration level label data DT6 that is discontinuous deterioration data acquired in the field can be adapted to the predicted deterioration level label data DT14 that is continuous reference data. .
  • FIG. 3 is a schematic process flow diagram showing the learning timing of the determiner in the deterioration diagnosis system according to the embodiment of the present invention.
  • case A [when learning is not performed], for example, measurement data obtained by continuous monitoring using a harmonic sensor is determined AM2 by the determiner DE1, and only the visualization AM3 of the data is displayed. Done. For this reason, learning of the determination device DE1 is not performed.
  • the measurement data in this case is accumulated in DT4 and further stored in the data warehouse DT8.
  • a case B [in case of learning], when learning is performed in the determiner DE1, maintenance work by human power is performed.
  • the teacher deterioration level label data DT6 is acquired from the maintenance data.
  • on-site labeling MN5 is performed by matching the acquired teacher deterioration level label data DT6 with the measurement data, and additional data DT7 is created.
  • the additional learning data DT10 that needs additional learning is selected by the selection process AM4, and the determination unit DE1 is re-learned.
  • the first condition for performing re-learning on the determiner DE1 is that maintenance is performed.
  • the learning of the determination device DE1 is not performed. That is, as can be seen from the flowchart of FIG. 2, when the unknown degree of the determination target data is low and when there is no significant difference between the determination result and the expected output value, specifically, the predicted deterioration level label data When the difference between DT14 and teacher deterioration level label data DT6 is small, the re-learning of the determiner DE1 is not performed.
  • re-learning is not performed if the teacher deterioration level label data DT6 cannot be acquired even if the maintenance is performed and if the period between the current maintenance and the previous maintenance is not sufficient.
  • a sufficient period between the current maintenance and the previous maintenance can be arbitrarily determined depending on the equipment of the monitoring target equipment HW2 or the operation rate thereof.
  • the neural network used in this embodiment is a feedforward neural network in which data sequentially propagates from an input layer to an intermediate layer and an output layer.
  • neural network learning is an error back-propagation method based on a numerical computation model that combines a product-sum operation and a nonlinear function (activity function) in multiple stages. It is used to learn a parameter (coupling weight) that minimizes an error between the input layer and the output layer, and to construct a system that can estimate an appropriate output for an arbitrary input.
  • FIG. 4 is a block diagram showing the determinator DE1 constituting the deterioration diagnosis system according to the embodiment of the present invention.
  • the determiner DE ⁇ b> 1 includes a feature filter 100, a normal / deterioration degree determiner 110, and an unknown degree determiner 120.
  • the feature filter 100 includes a waveform cutout unit 101 to which measurement data is input, and a frequency analysis unit 102 that performs frequency analysis of the cut out measurement data.
  • the normal / deterioration degree determination unit 110 receives the output from the feature filter 100, and the first integration receives the outputs from the all-coupled four-layer neural network 111 that outputs two-dimensional data and the all-coupled four-layer neural network 111, respectively.
  • a processing unit 112 and a second integration processing unit 113 receives the normality to the outside.
  • the second integration processing unit 113 outputs the deterioration degree to the outside.
  • the unknown degree determination unit 120 includes a fully coupled three-layer auto encoder 121, a comparison processing unit 122, and an integration processing unit 123.
  • the fully coupled three-layer auto encoder 121 receives the output from the feature filter 100 and encodes it.
  • the comparison processing unit 122 compares the output from the fully coupled three-layer auto encoder 121 with the output from the feature filter 100.
  • the integration processing unit 123 receives the output from the comparison processing unit 122 and outputs the unknown degree to the outside.
  • the waveform cutout unit 101 and the frequency analysis unit 102 specify, for example, 336 dimensions as the feature amount, and cut out a predetermined number of frames.
  • the fully connected four-layer neural network 111 converts the 336-dimensional input data from the feature filter 100 into two dimensions, and outputs a first output and a second output.
  • the first integration processing unit 112 that receives the first output integrates the data corresponding to the extracted number of frames, and outputs, for example, normality.
  • the second integration processing unit 113 that receives the second output integrates the data corresponding to the extracted number of frames, and outputs, for example, the degree of deterioration.
  • the fully coupled three-layer auto encoder 121 performs predetermined encoding on the 336-dimensional input data from the feature filter 100 and outputs 336-dimensional output data.
  • the comparison processing unit 122 compares the data encoded by the fully coupled three-layer auto encoder 121 with the data subjected to frequency analysis or the like by the feature filter 100. That is, the comparison processing unit 122 performs the comparison process by performing normalization and norm calculation between the input data and the output data in the fully coupled three-layer auto encoder 121.
  • the integration processing unit 123 integrates the data corresponding to the extracted number of frames and outputs the unknown degree.
  • step ST03 when the unknown degree of the output data of the unknown degree determiner 120 of FIG. 4 is high in step ST03, the output data is added to the additional learning data. Can be sorted as
  • step ST04 in FIG. 2 even when the normality and the deterioration degree in the output data of the normality / deterioration degree determiner 110 in FIG. 4 are different from the expected output values, the output data can be selected as additional learning data. .
  • the degree of learning in the deterioration diagnosis system according to the present embodiment that is, the determination unit DE1, can be increased.
  • the deterioration diagnosis system additional learning method of the present embodiment shows the continuous acceleration measurement data DT1 obtained from the deterioration acceleration experiment and the characteristics of the deterioration in the acceleration measurement data DT1.
  • An initial learning step for creating a determinator DE1 in which pre-label data DT2 in which data is labeled is learned, a step for obtaining measurement data DT4 for deterioration diagnosis from an operating facility, and a teacher from a maintenance record in the facility A step of obtaining the deterioration level label data DT6, a step of acquiring additional data DT7 from the measurement data DT4 and the teacher deterioration level label data DT6, and a prediction obtained by determining all the learning data DT9 including the additional data DT7 by the determiner DE1 Deterioration level label data DT14 and teacher deterioration level label data included in all learning data DT9 If the difference between the data DT6 is larger than the predetermined value includes a step of selecting training data as the additional learning data DT10, and
  • the determination device DE1 is updated using the measurement data DT4 for deterioration diagnosis and the additional learning data DT10 obtained from the teacher deterioration level label data DT6 obtained from the maintenance record from the equipment in operation.
  • the additional data DT7 which is discontinuous learning data acquired in the field, can be adapted to the initial learning data, which is continuous reference data.
  • the step of acquiring the additional data DT7, the step of selecting the learning data as the additional learning data DT10, and the step of updating the determination device DE1 may be repeated every time maintenance is performed.
  • the learning level of the determiner can be updated.
  • the step of selecting the learning data as the additional learning data DT10 is performed when the determination device DE1 determines all the learning data DT9 including the additional data DT7. In the case of higher data, a step of determining the determined data as unknown data and a step of selecting the unknown data as additional learning data DT10 of learning data may be included.
  • the equipment that is subject to deterioration diagnosis may be equipped with an electric motor having a rotating body.
  • the deterioration of the equipment can be detected by acquiring the current fluctuation component of the electric motor with the harmonic sensor.
  • FIG. 5 is a flowchart showing a method of using the deterioration diagnosis system according to the embodiment of the present invention.
  • step ST10 initial reference data is collected by an accelerated deterioration test.
  • step ST11 initial learning is performed on the determiner DE1. The steps so far correspond to STEP1 and STEP2 described above.
  • step ST12 the deterioration diagnosis system is arranged on the customer's monitoring target equipment HW2.
  • step ST13 the deterioration diagnosis system is operated. That is, with respect to the monitoring target equipment HW2 in operation, the harmonics generated by the monitoring target equipment HW2 are continuously measured by the harmonic sensor, and the measured data is determined by the determiner DE1. The waveform data and the determination result continuously measured at this time are stored in the waveform and determination result data DT11.
  • step ST14 If it is determined in step ST14 that there is no abnormality in the monitoring target equipment HW2, the process returns to step ST13. On the other hand, if it is determined in step ST14 that the monitored equipment HW2 is abnormal, temporary maintenance is performed on the monitored equipment HW2 in step ST15. Thereafter, in step ST17, the result of maintenance of the monitoring target equipment HW2 is stored in the maintenance result data DT12 using the Internet (WEB or cloud computing).
  • WEB Internet
  • step ST16 parallel to step ST14, the customer performs regular maintenance on the monitoring target equipment HW2.
  • step ST17 the maintenance result of the monitoring target equipment HW2 in step ST16 is input to maintenance result data DT12 on the Internet using WEB or the like.
  • step ST18 the waveform data is labeled (on-site labeling) from the continuously measured waveform and the determination result data DT11 and the input maintenance result data DT12, and stored in all learning data DT9 including the past. .
  • step ST19 using the determiner DE1, the learning data is extracted from all the learning data DT9 including the past labeled data, and stored in the DT 10 as the extracted additional learning data.
  • This step corresponds to the sorting process AM4 shown in FIGS.
  • step ST20 using the extracted additional learning data DT10, the determiner DE1 is relearned to grow the determiner DE1.
  • FIG. 6 is a schematic diagram showing a usage pattern of a customer who uses the deterioration diagnosis system according to the embodiment of the present invention.
  • a harmonic sensor is arranged at a predetermined part of the monitoring target equipment HW2.
  • the harmonic sensor is connected to an edge device ED that is a terminal connectable to the Internet, and the edge device ED is connected to the Internet.
  • monitoring target equipment HW2 If the monitoring target equipment HW2 is in operation, it is registered as measurement data DT4, for example, on the WEB through the harmonic sensor and the edge device ED, and the analysis and determination described above are performed by the determination device DE1.
  • This determination result can be viewed from a smartphone and a personal computer at any time by a WEB browser or the like.
  • Re-learning data is selected from all learning data DT9 including past data including additional data by field labeling, and the determiner DE1 is re-learned with the selected data.
  • FIG. 7 is a schematic diagram showing an outline of a waveform extraction process and a labeling process from measurement data during maintenance when the deterioration diagnosis system according to the embodiment of the present invention is used.
  • the determiner DE1 when the determiner DE1 outputs an abnormality continuously several times (in FIG. 7, twice) with respect to the measurement waveform by the harmonic sensor and the edge device ED, Perform maintenance.
  • the measurement waveform of the edge device is shown in the upper row. Below the measurement waveform of the edge device, the output of the determiner DE1 corresponding to each measurement waveform is shown. If the waveform B data shown in FIG. 7 is observed at the time of maintenance, the data before and after the waveform B data acquired at the time of maintenance are also included if at least one of the following five conditions is satisfied. Collectively, change the label of the measurement result from “abnormal” to “normal”. At the same time, the entire learning data DT9 including the past labeled data is updated.
  • the five conditions for collectively changing the labels of a plurality of measurement results are as follows.
  • the Euclidean distance between the waveforms is smaller than a predetermined threshold.
  • the additional learning method in the deterioration diagnosis system continuously detects abnormality indicating that the degree of deterioration is high in the measurement data for online constant monitoring or the measurement data at the time of regular maintenance. Even so, these abnormalities can be restored to normal by emergency maintenance. And it is possible to monitor constantly again online.
  • the deterioration diagnosis system additional learning method according to the present invention is useful for a deterioration diagnosis system in electrical equipment.
  • DE1 judgment device ED edge device HW1 acceleration degradation experimental equipment HW2 monitoring target equipment 100 feature filter 101 waveform extraction section 102 frequency analysis section 110 normality / degradation degree judgment equipment 111 fully coupled four-layer neural network 112 first integration processing section 113 second integration Processing unit 120 Unknown degree determination unit 121 Fully coupled three-layer auto encoder 122 Comparison processing unit 123 Integrated processing unit

Abstract

劣化加速実験により取得した、設備が正常から劣化に至る加速測定データと、加速測定データ中の劣化の特徴を示すデータにラベルを付与した事前ラベルデータとを学習させた判定器DE1を作成する。稼動中の設備から劣化診断の測定データを取得し、設備における保守の記録から教師劣化度ラベルデータを求め、測定データ及び教師劣化度ラベルデータから追加データを取得する。追加データを含む全学習データを判定器で判定して得られる予測劣化度ラベルデータと、全学習データに含まれる教師劣化度ラベルデータとの差異が所定値より大きい場合は、学習データを追加学習データとして選別する。追加学習データを学習して判定器を更新する。

Description

劣化診断システム追加学習方法
 本発明は、電気機器設備における劣化診断システム追加学習方法に関する。
 従来、運転中の電動機の入力電流に含まれる特定の高調波成分を検出する信号抽出手段と、該信号抽出手段からの出力信号を変換処理する信号処理手段とを備え、該信号処理手段により得られた高周波成分からなる特性値と予め定めた判定基準との比較により、異常原因及び場所を特定することが可能な機器設備の異常診断方法が開示されている(例えば、特許文献1を参照)。
 回転体を有するモータ及び発電機等を備えた設備の劣化状態を常時監視する従来の異常診断方法においては、設備の状態を表す物理量を、主として温度、音及び振動に関して測定しており、この際の正常又は異常の診断を所定の閾値によって診断している。
特開2002-189064号公報 特開2003-156547号公報
 しかしながら、従来の異常診断方法において用いられる温度、音及び振動等は、環境依存性が極めて高い。従って、この環境依存性を弱めるために、診断の対象である設備ごとに、複雑且つ膨大な量の閾値パラメータの初期値の設定が必要となる。同時に、当該パラメータの継続的な微調整が必要となる。このため、専門家による定期的なメンテナンスが必要とされ、設備の劣化診断には多大な工数を要するという問題がある。
 本発明は、従来の問題を解決し、劣化加速実験により作成した判定器に対して追加学習を行う際に、定期的な追加学習に必要な学習データ量を適正に選択しながら、学習効果の増大を図れるようにすることを目的とする。
 目的を達成するため、本発明は、劣化加速実験による初期学習データを用いて作成した判定器を、設備の稼動中の測定データと該設備の教師劣化度ラベルデータとから更新する。
 具体的に、本発明に係る一態様の劣化診断システム追加学習方法は、劣化加速実験により取得した、設備が正常から劣化に至る連続する加速測定データと、加速測定データ中の劣化の特徴を示すデータにラベルを付与した事前ラベルデータとを学習させた判定器を作成する初期学習ステップと、稼動中の設備から劣化診断の測定データを取得するステップと、設備における保守の記録から教師劣化度ラベルデータを求めるステップと、測定データ及び教師劣化度ラベルデータから追加データを取得するステップと、追加データを含む全学習データを判定器で判定して得られる予測劣化度ラベルデータと、全学習データに含まれる教師劣化度ラベルデータとの差異が所定値より大きい場合には、学習データを追加学習データとして選別するステップと、追加学習データを学習して判定器を更新するステップとを備えている。
 これによれば、劣化加速実験により取得された加速測定データ、及び加速測定データに対する事前ラベルデータを学習させて判定器を作成し、稼動中の設備から、劣化診断の測定データと、保守の記録から求める教師劣化度ラベルデータから取得した追加学習データを用いて、判定器を更新する。これにより、現場で取得される非連続の学習データである追加データを、連続基準データである初期学習データに適合することができる。その結果、監視対象の設備における劣化の判定基準の確度を高めることができる。したがって、追加学習に必要な学習データ量を適正に選択しながら、学習効果の増大を図ることができる。
 また、追加データを取得するステップと、学習データを追加学習データとして選別するステップと、判定器を更新するステップとを、保守を実施するごとに繰り返して行ってもよい。
 これによれば、保守を実施するごとに、判定器の学習度を更新することができる。
 また、学習データを追加学習データとして選別するステップは、追加データを含む全学習データを判定器で判定する際に、判定したデータが学習データに対して未知なる度合いが所定の閾値より高いデータである場合に、判定したデータを未知データとして判定するステップと、未知データを学習データの追加学習データとして選別するステップとを含んでいてもよい。
 これによれば、未知度が所定の閾値よりも高いデータであっても、判定器に対して学習データとして追加できるので、現場ごとに異なる可能性がある未知のデータに対しても対応することができるようになる。
 また、劣化診断の対象である設備は、回転体を有する電動機を備えていてもよい。
 これによれば、電動機の電流変動成分を高調波センサで取得することにより、設備の劣化を検出することができる。
 本発明によれば、劣化加速実験により作成した判定器に対して追加学習を行う際に、定期的な追加学習に必要な学習データ量を適正に選択しながら、現場ラベリングにより学習効果の増大を図ることができる。
図1は、本発明の実施形態に係る劣化診断システム追加学習方法を実現する劣化診断システムを示す構成図である。 図2は、図1の劣化診断システムにおける選別工程を示すフロー図である。 図3は、本発明の実施形態に係る劣化診断システムにおける判定器の学習タイミングを表す概略フロー図である。 図4は、本発明の実施形態に係る劣化診断システムを構成する判定器を表す構成図である。 図5は、本発明の実施例に係る劣化診断システム追加学習方法を示すフロー図である。 図6は、本発明の実施例に係る劣化診断システムを利用する顧客の利用形態を示す模式図である。 図7は、本発明の実施例に係る劣化診断システムを利用する場合の、保守時の測定データからの波形の抽出処理及びラベリング処理の概略を示す模式図である。
 (実施形態)
 本発明の実施形態について説明する。
 本発明の実施形態に係る劣化診断システム追加学習方法は、設備の加速劣化実験により連続して取得された測定データを初期基準となる初期学習データとし、劣化診断の対象である設備から非連続に取得された特徴的な現場データを初期学習データにより作成された判定器に追加学習させることにより、現場設備からの非連続のデータを用いながらも、連続した判定基準を得ることができる。
 以下、具体例として、STEP1、STEP2、及びSTEP3を、図1を参照しながら順次説明する。STEP1は、電動機により駆動される回転体を有する設備の模擬的な実験装置を用いた加速実験ステップである。STEP2は、該加速実験から得られた連続する加速測定データと、該加速測定データを分析して得られる設備の劣化の特徴を有するデータにラベルを付与して学習し、初期基準となる判定器を作成するステップである。STEP3は、劣化診断対象である設備に対して、判定器を用いて設備劣化度を常時判定すると共に、当該設備における保守記録等の非連続のデータを用いて測定データにラベルを付与し、さらに過去を含む全学習データから選別した追加学習データを、判定器に追加学習するステップである。
 図1は、本発明の実施形態に係る劣化診断システム追加学習方法を実現する劣化診断システムを示す構成図である。
 (STEP1)
 加速劣化実験機材(加速実験装置)HW1は、例えば、電動機の回転軸の他端に結合されたベアリング(軸受)を有する。加速劣化実験機材HW1は、該ベアリングの近傍に荷重発生機により、例えば1.8tの荷重を掛ける。回転軸における荷重印加部分に対して電動機と反対側には、発電機がカップリングされる。該発電機と該発電機の負荷との接続部には、劣化判定用の高調波センサが設けられる。
 このように負荷が掛けられた加速劣化実験装置を、例えば1週間運転して、正常状態から、摩耗状態、さらには故障状態に至る連続した加速測定データDT1を取得する(AM0)。具体的には、加速測定データDT1は、約20秒間隔で測定された高調波の生データである。なお、劣化診断の対象となる設備の部品は、ベアリングに限られず、ギア、ボールねじ及びベルト等をも対象とすることができる。
 また、公知のように、上記の負荷により、ベアリングが劣化すると、該ベアリングには固有振動が生じる。生じた固有振動は、電動機のロータに伝播して、その角速度が変化する。この角速度の変化に応じて電流高調波が発生するため、発生した電流高調波を高調波センサによって計測することにより、機械の劣化の状態を診断することができる。
 (STEP2)
 取得した各加速測定データDT1に対して、高調波の例えば極大値、極小値、分散値又は平均値を結ぶグラフを作成して、変化の特徴箇所、すなわち劣化の特徴箇所を確認する(MN1)。この人力作業による特徴箇所の確認MN1によって、劣化の程度に応じたラベルを付与して、ラベルデータDT2を作成する。
 次に、加速測定データDT1と、加速測定データDT1の劣化特徴と等価な事前ラベルデータDT2とを人力作業又は自動作業により対応付ける。これをラベリングと呼ぶ。ここでは、監視対象機材の稼動中のラベリングと区別して事前ラベリングMN2と呼ぶ。事前ラベリングMN2によって、初期学習データDT3を作成する。
 次に、作成された初期学習データDT3を判定器DE1に学習させる(初期学習MN3)。以上により、初期基準学習が実行されて、判定器DE1が作成される。
 (STEP3)
 次に、劣化診断の対象である監視対象機材HW2に高調波センサを取り付けて、高調波データを定期的又は任意のイベント発生時に測定する(AM1)。測定した測定データDT4を判定器DE1に掛けて、予測劣化度ラベルデータ及び未知度データDT5を得る。その後、この予測劣化度ラベルデータ及び未知度データDT5は、ディスプレイ又はプリンタ等に出力されて可視化される(AM3)。
 本実施形態においては、高調波センサによる常時監視に加えて、人力作業により行われる、定期又は不定期の保守作業MN4により得られた教師劣化度ラベルデータDT6を取得する。教師劣化度ラベルデータとは、判定又は評価に必要な情報を、他の情報と区別するためのラベルを付与されたデータをいう。
 次に、取得した教師劣化度ラベルデータDT6と、上記の測定データDT4とから、人力作業により、監視対象機材HW2の劣化の判定に必要なデータを区別する、現場ラベリングMN5を行う。このとき、取得した教師劣化度ラベルデータDT6と、測定データDT4とは、互いのタイムスタンプによって照合が可能となる。現場ラベリングMN5によって、追加データDT7を作成し、一旦、データ倉庫DT8に格納する。なお、データ倉庫DT8には、初期学習データDT3等の過去のデータをも全て含んでいる。
 次に、データ倉庫DT8から取り出した、過去分を含む全学習データDT9に対し、判定器DE1を用いて判定して、新たな追加学習データDT10を選別する(選別処理AM4)。なお、選別処理AM4は、図2を用いてその詳細を後述する。
 次に、選別された追加学習データDT10は、判定器DE1の再学習AM5に使用されて、判定器DE1を成長させる。但し、再学習AM5は、全学習データDT9のデータの選別処理AM4を一通り完了させた後で行う。このようにすることにより、判定器DE1が途中で更新されたことによる、過去のデータにおける誤判定率の上昇を防ぐことができる。
 次に、図2を参照しながら、選別処理AM4を説明する。図2は、図1の劣化診断システムにおける選別工程を示すフロー図である。なお、図2及びそれ以降の図面においては、図1に示した構成要素と同一の構成要素に同一の符号を付すことにより、その説明を省略する。
 図2に示すように、ステップST01において、過去分を含む全学習データDT9に対し、以下の処理を行う。
 すなわち、次のステップST02において、判定器DE1により、監視対象機材HW2の劣化度を1データずつ判定する。この判定処理によって、既存の学習データと比べてその波形に未知なるパターンを含むデータ(ここでは「未知度を含むデータ」と呼ぶ)DT13を中間データとして保存する。同時に、予測劣化度ラベルデータDT14を中間データとして保存する。
 次のステップST03において、中間データの未知度を含むデータDT13が、未知度が予め設けられた閾値よりも高値である場合には、未知データとして、次のステップST05において、追加学習データとして選別する。一方、ステップST03において、未知データに該当しない、すなわち既知のデータである可能性が高い場合には、次のステップST04に進む。
 次のステップST04では、劣化判定の結果として、期待する出力値を得られない場合は、次のステップST05において、追加学習データとして選別する。具体的には、ステップST04は、中間データの予測劣化度ラベルデータDT14と、学習データに含まれる教師劣化度ラベルデータDT6との間の差異が予め設けられた閾値よりも高値である場合には、判定中のデータを次のステップST05において、追加学習データDT10として選別する。
 以上の選別処理を、過去を含む全学習データに対して、繰り返し行う。
 このように、本実施形態においては、STEP3において、現場で取得される非連続の劣化データである教師劣化度ラベルデータDT6を、連続基準データである予測劣化度ラベルデータDT14に適合することができる。これにより、監視対象機材HW2における劣化の判定基準の確度を上げることが可能となる。
 図3は、本発明の実施形態に係る劣化診断システムにおける判定器の学習タイミングを表す概略処理フロー図である。図3に示すように、まず、ケースA:[学習しない場合]として、例えば、高調波センサを用いた常時監視による測定データを、判定器DE1で判定AM2して、当該データの可視化AM3のみが行われる。このため、判定器DE1の学習は行われない。図1に示すように、この場合の測定データはDT4に蓄積され、さらには、データ倉庫DT8に格納される。
 これに対し、ケースB:[学習する場合]として、判定器DE1に学習が行われる場合は、人力による保守作業が実施される。この場合は、上述したように、保守データから教師劣化度ラベルデータDT6を取得する。続いて、取得した教師劣化度ラベルデータDT6と測定データと突き合わせて、現場ラベリングMN5を行って、追加データDT7を作成する。選別処理AM4により、追加学習が必要な追加学習データDT10を選別して、判定器DE1の再学習を実施する。
 このように、判定器DE1に対して再学習が実施される第1の条件は、保守が実施されることである。
 なお、以下の場合には、たとえ保守が実施されたとしても、判定器DE1の学習は行われない。すなわち、図2のフロー図から分かるように、判定対象のデータの未知度が低い場合と、判定結果と期待する出力値とに有意な差がない場合、具体的には、予測劣化度ラベルデータDT14と教師劣化度ラベルデータDT6との間の差異が小さい場合、判定器DE1の再学習は実施されない。
 さらに、保守を行っても、教師劣化度ラベルデータDT6を取得できない場合と、今回の保守と前回の保守との期間が十分に空いていない場合には、再学習は実施されない。ここで、今回の保守と前回の保守との十分な期間は、監視対象機材HW2が持つ設備、またはその稼働率等によって、任意に決めることができる。
 ここで、本実施形態における機械学習の概要を説明する。本実施形態で用いるニューラルネットワークは、データが入力層から中間層及び出力層に順次伝播するフィードフォワードニューラルネットワークである。公知のように、ニューラルネットワークの学習とは、該ニューラルネットワークに対して、積和演算と非線形関数(活性関数)とを多段で組み合わせた数値演算モデルに、誤差逆伝播(バックプロパゲーション)法を用いて入力層と出力層との間の誤差が最小となるパラメータ(結合荷重)を学習させ、任意の入力に対して適切な出力を推定できるシステムを構築することをいう。
 図4は、本発明の実施形態に係る劣化診断システムを構成する判定器DE1を表す構成図である。図4に示すように、判定器DE1は、特徴フィルタ100と、正常/劣化度判定器110と、未知度判定器120とを有している。
 特徴フィルタ100は、測定データが入力される波形切出し部101と、切り出された測定データの周波数解析等を行う周波数解析部102とを含む。
 正常/劣化度判定器110は、特徴フィルタ100からの出力を受け、2次元のデータを出力する全結合4層ニューラルネットワーク111と、全結合4層ニューラルネットワーク111からの出力をそれぞれ受ける第1統合処理部112及び第2統合処理部113とを含む。第1統合処理部112は正常度を外部に出力する。第2統合処理部113は劣化度を外部に出力する。
 未知度判定器120は、全結合3層オートエンコーダ121と、比較処理部122と、統合処理部123とを含む。全結合3層オートエンコーダ121は、特徴フィルタ100からの出力を受けてエンコードする。比較処理部122は、全結合3層オートエンコーダ121からの出力と特徴フィルタ100からの出力とを比較する。統合処理部123は、比較処理部122からの出力を受け、未知度を外部に出力する。
 波形切出し部101及び周波数解析部102は、特徴量として、例えば336次元を指定し、フレーム数は所定の数を切り出す。
 全結合4層ニューラルネットワーク111は、特徴フィルタ100からの336次元の入力データを2次元にして、第1の出力と第2の出力を出力する。第1の出力を受ける第1統合処理部112は、切り出されたフレーム数分のデータを統合して、例えば正常度を出力する。第2の出力を受ける第2統合処理部113は、切り出されたフレーム数分のデータを統合して、例えば劣化度を出力する。
 全結合3層オートエンコーダ121は、特徴フィルタ100からの336次元の入力データに対して、所定のエンコードを行って、336次元の出力データを出力する。比較処理部122は、全結合3層オートエンコーダ121でエンコードされたデータと、特徴フィルタ100で周波数解析等がなされたデータとを比較する。すなわち、比較処理部122は、全結合3層オートエンコーダ121における入力データと出力データとの間の正規化とノルム計算とを行って比較処理を行う。統合処理部123は、切り出されたフレーム数分のデータを統合して未知度を出力する。
 なお、本実施形態においては、図2のフロー図で説明したように、ステップST03において、図4の未知度判定器120の出力データの未知度が高い場合には、当該出力データを追加学習データとして選別することができる。
 図2のステップST04において、図4の正常/劣化度判定器110の出力データにおける正常度及び劣化度が期待する出力値と異なる場合にも、当該出力データを追加学習データとして選別することができる。
 このように、監視対象機材HW2を常時監視している際に、期待する正常度又は期待する劣化度の推定が困難な測定データであっても、又は、未知度が高い測定データであっても、本実施形態に係る劣化診断システム、すなわち判定器DE1における学習度合いを成長させることができる。
 以上のように、本実施形態の劣化診断システム追加学習方法は、劣化加速実験により取得した、設備が正常から劣化に至る連続する加速測定データDT1と、加速測定データDT1中の劣化の特徴を示すデータにラベルを付与した事前ラベルデータDT2とを学習させた判定器DE1を作成する初期学習ステップと、稼動中の設備から劣化診断の測定データDT4を取得するステップと、設備における保守の記録から教師劣化度ラベルデータDT6を求めるステップと、測定データDT4及び教師劣化度ラベルデータDT6から追加データDT7を取得するステップと、追加データDT7を含む全学習データDT9を判定器DE1で判定して得られる予測劣化度ラベルデータDT14と、全学習データDT9に含まれる教師劣化度ラベルデータDT6との差異が所定値より大きい場合には、学習データを追加学習データDT10として選別するステップと、追加学習データDT10を学習して判定器DE1を更新するステップとを備えている。
 これによれば、稼動中の設備から、劣化診断の測定データDT4と、保守の記録から求める教師劣化度ラベルデータDT6から取得した追加学習データDT10を用いて、判定器DE1を更新する。これにより、現場で取得される非連続の学習データである追加データDT7を、連続基準データである初期学習データに適合することができる。その結果、監視対象の設備における劣化の判定基準の確度を高めることができる。したがって、追加学習に必要な学習データ量を適正に選択しながら、学習効果の増大を図ることができる。
 また、追加データDT7を取得するステップと、学習データを追加学習データDT10として選別するステップと、判定器DE1を更新するステップとを、保守を実施するごとに繰り返して行ってもよい。
 これによれば、保守を実施するごとに、判定器の学習度を更新することができる。
 また、学習データを追加学習データDT10として選別するステップは、追加データDT7を含む全学習データDT9を判定器DE1で判定する際に、判定したデータが学習データに対して未知なる度合いが所定の閾値より高いデータである場合に、判定したデータを未知データとして判定するステップと、未知データを学習データの追加学習データDT10として選別するステップとを含んでいてもよい。
 これによれば、未知度が所定の閾値よりも高いデータであっても、判定器に対して学習データとして追加できるので、現場ごとに異なる可能性がある未知のデータに対しても対応することができるようになる。
 また、劣化診断の対象である設備は、回転体を有する電動機を備えていてもよい。
 これによれば、電動機の電流変動成分を高調波センサで取得することにより、設備の劣化を検出することができる。
 図5は、本発明の実施例に係る劣化診断システムの利用方法を示すフロー図である。まず、ステップST10において、加速劣化試験により、初期基準データを収集する。次に、ステップST11において、判定器DE1に対して初期学習を行う。ここまでが、上述したSTEP1及びSTEP2に対応する。
 次に、ステップST12において、本劣化診断システムを顧客の監視対象機材HW2に配置する。
 次に、ステップST13において、本劣化診断システムを稼動する。すなわち、稼動中の監視対象機材HW2に対して、監視対象機材HW2が発する高調波を高調波センサにより連続測定し、測定したデータを判定器DE1によって判定する。このときの連続して測定された波形データ及び判定結果を波形及び判定結果データDT11に格納する。
 ステップST14において、監視対象機材HW2に異常がないと判定された場合には、ステップST13に戻る。一方、ステップST14において、監視対象機材HW2に異常があると判定された場合には、ステップST15において、監視対象機材HW2に対して臨時の保守を実施する。その後、ステップST17において、インターネット(WEB又はクラウドコンピューティング等)を用いて、監視対象機材HW2の保守の結果を保守結果データDT12に格納する。
 ステップST14と並行するステップST16において、顧客は監視対象機材HW2に対して定期的な保守を実施する。ステップST17において、ステップST16における監視対象機材HW2の保守結果をWEBなどを用い、インターネット上の保守結果データDT12に入力する。
 次に、ステップST18において、連続測定された波形及び判定結果データDT11及び入力された保守結果データDT12から、波形データにラベリング(現場ラベリング)を施して、過去分を含む全学習データDT9に格納する。
 次に、ステップST19において、判定器DE1を用いて、ラベリングされた過去分を含む全学習データDT9から学習データを抽出し、抽出された追加学習データとしてDT10に格納する。この工程は、図1及び図2に示した選別処理AM4に対応する。
 次に、ステップST20において、抽出された追加学習データDT10を用いて、判定器DE1を再学習して、判定器DE1を成長させる。
 ここで、本実施例に係る劣化診断システムにおける顧客の利用形態について図6を参照しながら説明する。図6は、本発明の実施例に係る劣化診断システムを利用する顧客の利用形態を示す模式図である。
 (1)監視対象機材HW2の所定の部位に高調波センサを配置する。高調波センサは、インターネットと接続可能な端末であるエッジデバイスEDと接続され、さらにエッジデバイスEDはインターネットと接続される。
 (2)監視対象機材HW2が稼動中であれば、高調波センサ及びエッジデバイスEDを通して、例えばWEB上に測定データDT4として登録し、判定器DE1により、上述した解析及び判定を行う。
 (3)この判定結果は、WEBブラウザ等によって、スマートフォン及びパソコンから随時閲覧することができる。
 (4)上記の(2)と並行して、定期保守の期間又は判定器DE1による判定結果が不良の際には、人力作業により保守点検を行う。
 (5)保守点検時に得られた測定データを、上述した教師劣化度ラベルデータDT6としてWEB上に登録する。
 (6)現場ラベリングによる追加データを含め、過去分を含む全学習データDT9から、再学習用のデータを選別して、選別したデータで判定器DE1を再学習する。
 以下に、オンラインによる常時監視の測定データ又は定期保守時の測定データに、異常と判定されたデータが連続して出力された場合でも、人力作業による保守により、監視対象機材HW2は正常に稼動していたという場合を説明する。この場合の保守データからの波形抽出処理及びラベリング処理について、図7を参照しながら説明する。図7は、本発明の実施例に係る劣化診断システムを利用する場合の、保守時の測定データからの波形の抽出処理及びラベリング処理の概略を示す模式図である。
 図7に示すように、例えば、高調波センサ及びエッジデバイスEDによる測定波形に対して、判定器DE1が複数回(図7では、2回)連続して異常を出力した場合に、人力作業による保守を行う。図7において、上の行に、エッジデバイスの測定波形を示す。エッジデバイスの測定波形の下に、それぞれの測定波形に対応する、判定器DE1の出力を示す。保守時に、図7に示す波形Bのデータが観察されたとすると、以下の5つの条件のうち少なくとも1つの条件を満たせば、保守時に取得された波形Bのデータを含め、その前後のデータをもまとめて、測定結果のラベルを「異常」から「正常」に付け替える。同時に、ラベリングされた過去分を含む全学習データDT9を更新する。
 ここで、複数の測定結果のラベルをまとめて付け替える5つの条件とは、以下の通りである。
 i)タイムスタンプが近い。
 ii)波形の形状が似ている。
 iii)波形同士のユークリッド距離が予め設けられた閾値よりも小さい。
 iv)ある特徴を抽出した後の特徴パラメータ同士のユークリッド距離が予め設けられた閾値よりも小さい。
 v)判定器DE1からの出力値(劣化度又は未知度)同士のユークリッド距離が予め設けられた閾値よりも小さい。
 このように、実施形態及び実施例に係る劣化診断システムにおける追加学習方法は、オンラインによる常時監視の測定データ又は定期保守時の測定データに、劣化度が高いことを示す異常が連続的に検出されたとしても、緊急の保守によって、これらの異常を正常に戻すことができる。そして、再度、オンラインで常時監視を行うことができる。
 本発明に係る劣化診断システム追加学習方法は、電気機器設備における劣化診断システム等に有用である。
DE1 判定器
ED エッジデバイス
HW1 加速劣化実験機材
HW2 監視対象機材
100 特徴フィルタ
101 波形切出し部
102 周波数解析部
110 正常/劣化度判定器
111 全結合4層ニューラルネットワーク
112 第1統合処理部
113 第2統合処理部
120 未知度判定器
121 全結合3層オートエンコーダ
122 比較処理部
123 統合処理部

Claims (4)

  1. 劣化加速実験により取得した、設備が正常から劣化に至る連続する加速測定データと、前記加速測定データ中の劣化の特徴を示すデータにラベルを付与した事前ラベルデータとを学習させた判定器を作成する初期学習ステップと、
    稼動中の前記設備から劣化診断の測定データを取得するステップと、
    前記設備における保守の記録から教師劣化度ラベルデータを求めるステップと、
    前記測定データ及び前記教師劣化度ラベルデータから追加データを取得するステップと、
    前記追加データを含む全学習データを前記判定器で判定して得られる予測劣化度ラベルデータと、前記全学習データに含まれる前記教師劣化度ラベルデータとの差異が所定値より大きい場合には、前記学習データを追加学習データとして選別するステップと、
    前記追加学習データを学習して前記判定器を更新するステップと
    を備えている劣化診断システム追加学習方法。
  2. 前記追加データを取得するステップと、
    前記学習データを前記追加学習データとして選別するステップと、
    前記判定器を更新するステップとを、
    前記保守を実施するごとに繰り返して行う請求項1に記載の劣化診断システム追加学習方法。
  3. 前記学習データを前記追加学習データとして選別するステップは、
    前記追加データを含む前記全学習データを前記判定器で判定する際に、判定したデータが前記学習データに対して未知なる度合いが所定の閾値より高いデータである場合に、前記判定したデータを未知データとして判定するステップと、
    前記未知データを前記学習データの前記追加学習データとして選別するステップと
    を含む請求項1に記載の劣化診断システム追加学習方法。
  4. 前記設備は、回転体を有する電動機を備えている請求項1に記載の劣化診断システム追加学習方法。
PCT/JP2018/002390 2017-03-03 2018-01-26 劣化診断システム追加学習方法 WO2018159169A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
EP18761745.1A EP3591484A4 (en) 2017-03-03 2018-01-26 ADDITIONAL LEARNING PROCEDURE FOR A DEGRADATION DIAGNOSTIC SYSTEM
CN201880011261.XA CN110268350B (zh) 2017-03-03 2018-01-26 劣化诊断系统追加学习方法
JP2019502509A JP7142257B2 (ja) 2017-03-03 2018-01-26 劣化診断システム追加学習方法
US16/468,830 US11544554B2 (en) 2017-03-03 2018-01-26 Additional learning method for deterioration diagnosis system

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017-040434 2017-03-03
JP2017040434 2017-03-03

Publications (1)

Publication Number Publication Date
WO2018159169A1 true WO2018159169A1 (ja) 2018-09-07

Family

ID=63371146

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/002390 WO2018159169A1 (ja) 2017-03-03 2018-01-26 劣化診断システム追加学習方法

Country Status (5)

Country Link
US (1) US11544554B2 (ja)
EP (1) EP3591484A4 (ja)
JP (1) JP7142257B2 (ja)
CN (1) CN110268350B (ja)
WO (1) WO2018159169A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020160528A (ja) * 2019-03-25 2020-10-01 三菱電機株式会社 劣化推定装置、学習装置、劣化推定方法、学習方法、劣化推定プログラム、および、学習プログラム
JP2022070744A (ja) * 2020-10-27 2022-05-13 Housei株式会社 学習処理装置、方法及びプログラム
JP7428288B1 (ja) 2023-04-25 2024-02-06 富士電機株式会社 プラント応答推定装置、プラント応答推定方法、及びプログラム

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3764179A1 (en) * 2019-07-08 2021-01-13 ABB Schweiz AG Assessing conditions of instustrial equipment and processes
JP2021189964A (ja) * 2020-06-03 2021-12-13 日立グローバルライフソリューションズ株式会社 異常診断装置及び異常診断方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0269619A (ja) * 1988-09-05 1990-03-08 Nippon Atom Ind Group Co Ltd プラント機器保守管理支援装置
JPH06331507A (ja) * 1993-05-21 1994-12-02 Hitachi Ltd プラントの監視診断方法及び監視診断システム並びにこれを備えたプラント
JPH1049509A (ja) * 1996-08-07 1998-02-20 Kokusai Denshin Denwa Co Ltd <Kdd> ニューラルネットワーク学習方式
JP2002189064A (ja) 2000-12-20 2002-07-05 Ko Gijutsu Kenkyusho:Kk 電気機器設備の異常診断方法
JP2003156547A (ja) 2001-11-26 2003-05-30 Ko Gijutsu Kenkyusho:Kk 電気機器の異常及び劣化診断装置
JP2006163517A (ja) * 2004-12-02 2006-06-22 Petroleum Energy Center 異常検知装置

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5817958A (en) 1994-05-20 1998-10-06 Hitachi, Ltd. Plant monitoring and diagnosing method and system, as well as plant equipped with the system
JP2907142B2 (ja) * 1995-08-15 1999-06-21 オムロン株式会社 振動監視装置及び振動監視条件決定装置
US5870728A (en) 1996-08-07 1999-02-09 Kokusai Denshin Denwa Co., Ltd Learning procedure for multi-level neural network
JP2006148442A (ja) * 2004-11-18 2006-06-08 Toshiba Corp 移動監視装置
US7218974B2 (en) * 2005-03-29 2007-05-15 Zarpac, Inc. Industrial process data acquisition and analysis
JP5104496B2 (ja) * 2008-03-07 2012-12-19 日本電気株式会社 普及予測システム、方法およびプログラム、並びに影響度推定システム、方法およびプログラム
WO2010011918A2 (en) * 2008-07-24 2010-01-28 University Of Cincinnati Methods for prognosing mechanical systems
EP2752722B1 (en) * 2011-08-31 2019-11-06 Hitachi Power Solutions Co., Ltd. Facility state monitoring method and device for same
JP6216242B2 (ja) * 2013-12-13 2017-10-18 株式会社日立ハイテクノロジーズ 異常検知方法およびその装置
JP6331507B2 (ja) 2014-03-12 2018-05-30 日本ゼオン株式会社 消臭システム、消臭剤及び消臭性繊維製品
JP6362893B2 (ja) * 2014-03-20 2018-07-25 株式会社東芝 モデル更新装置及びモデル更新方法
US20150279177A1 (en) * 2014-03-31 2015-10-01 Elwha LLC, a limited liability company of the State of Delaware Quantified-self machines and circuits reflexively related to fabricator, big-data analytics and user interfaces, and supply machines and circuits
CN104616033A (zh) * 2015-02-13 2015-05-13 重庆大学 基于深度学习和支持向量机的滚动轴承故障诊断方法
WO2016157278A1 (ja) * 2015-03-27 2016-10-06 株式会社日立製作所 故障予兆診断システム、及びその方法
JP6148316B2 (ja) * 2015-07-31 2017-06-14 ファナック株式会社 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
JP6572062B2 (ja) * 2015-08-26 2019-09-04 日立建機株式会社 診断装置
CN106408088B (zh) * 2016-11-22 2019-05-24 周孝忠 一种基于深度学习理论的旋转机械设备故障诊断方法
US10685159B2 (en) * 2018-06-27 2020-06-16 Intel Corporation Analog functional safety with anomaly detection
US20200387818A1 (en) * 2019-06-07 2020-12-10 Aspen Technology, Inc. Asset Optimization Using Integrated Modeling, Optimization, and Artificial Intelligence

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0269619A (ja) * 1988-09-05 1990-03-08 Nippon Atom Ind Group Co Ltd プラント機器保守管理支援装置
JPH06331507A (ja) * 1993-05-21 1994-12-02 Hitachi Ltd プラントの監視診断方法及び監視診断システム並びにこれを備えたプラント
JPH1049509A (ja) * 1996-08-07 1998-02-20 Kokusai Denshin Denwa Co Ltd <Kdd> ニューラルネットワーク学習方式
JP2002189064A (ja) 2000-12-20 2002-07-05 Ko Gijutsu Kenkyusho:Kk 電気機器設備の異常診断方法
JP2003156547A (ja) 2001-11-26 2003-05-30 Ko Gijutsu Kenkyusho:Kk 電気機器の異常及び劣化診断装置
JP2006163517A (ja) * 2004-12-02 2006-06-22 Petroleum Energy Center 異常検知装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3591484A4

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020160528A (ja) * 2019-03-25 2020-10-01 三菱電機株式会社 劣化推定装置、学習装置、劣化推定方法、学習方法、劣化推定プログラム、および、学習プログラム
JP7292076B2 (ja) 2019-03-25 2023-06-16 三菱電機株式会社 劣化推定装置、学習装置、劣化推定方法、学習方法、劣化推定プログラム、および、学習プログラム
JP2022070744A (ja) * 2020-10-27 2022-05-13 Housei株式会社 学習処理装置、方法及びプログラム
JP7219430B2 (ja) 2020-10-27 2023-02-08 Housei株式会社 学習処理装置、方法及びプログラム
JP7428288B1 (ja) 2023-04-25 2024-02-06 富士電機株式会社 プラント応答推定装置、プラント応答推定方法、及びプログラム

Also Published As

Publication number Publication date
JP7142257B2 (ja) 2022-09-27
EP3591484A1 (en) 2020-01-08
CN110268350B (zh) 2022-12-20
CN110268350A (zh) 2019-09-20
EP3591484A4 (en) 2020-03-18
US11544554B2 (en) 2023-01-03
US20190332936A1 (en) 2019-10-31
JPWO2018159169A1 (ja) 2019-12-26

Similar Documents

Publication Publication Date Title
WO2018159169A1 (ja) 劣化診断システム追加学習方法
CN111356910B (zh) 一种实现旋转设备自动故障诊断及寿命预测的系统和方法
Medjaher et al. Data-driven prognostics based on health indicator construction: Application to PRONOSTIA's data
CN108984893B (zh) 一种基于梯度提升方法的趋势预测方法
Bafroui et al. Application of wavelet energy and Shannon entropy for feature extraction in gearbox fault detection under varying speed conditions
JP6810097B2 (ja) 異常検出器
Camci et al. Feature evaluation for effective bearing prognostics
Singleton et al. Extended Kalman filtering for remaining-useful-life estimation of bearings
Shi et al. Rolling bearing initial fault detection using long short-term memory recurrent network
Smarsly et al. Machine learning techniques for structural health monitoring
Kwan et al. A novel approach to fault diagnostics and prognostics
CN108572006B (zh) 状态诊断装置
US7873581B2 (en) Method and system for determining the reliability of a DC motor system
US20170331844A1 (en) Systems and methods for assessing airframe health
Olsson et al. Fault diagnosis in industry using sensor readings and case-based reasoning
PECHT Modeling approaches for prognostics and health management of electronics
WO2020039565A1 (ja) 回転機械に用いられる軸受の異常診断方法
US20240069539A1 (en) Sensor-agnostic mechanical machine fault identification
Qin et al. Remaining useful life prediction for rotating machinery based on optimal degradation indicator
WO2022207223A1 (en) Method and system for optimizing a digital twin simulation model using machine learning
KR100758152B1 (ko) 진동신호 양자화에 의한 거동반응을 이용한 고장진단방법
Lee et al. Infotronics technologies and predictive tools for next-generation maintenance systems
Abid et al. Adaptive data-driven approach for fault prognostics based on normal conditions—application to shaft bearings of wind Turbine
CN105910806A (zh) 加注泵早期健康状态监测方法
Aremu et al. Kullback-leibler divergence constructed health indicator for data-driven predictive maintenance of multi-sensor systems

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: 18761745

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2019502509

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 2018761745

Country of ref document: EP