WO2019207855A1 - 故障予兆診断システム及び故障予兆診断方法 - Google Patents

故障予兆診断システム及び故障予兆診断方法 Download PDF

Info

Publication number
WO2019207855A1
WO2019207855A1 PCT/JP2019/001441 JP2019001441W WO2019207855A1 WO 2019207855 A1 WO2019207855 A1 WO 2019207855A1 JP 2019001441 W JP2019001441 W JP 2019001441W WO 2019207855 A1 WO2019207855 A1 WO 2019207855A1
Authority
WO
WIPO (PCT)
Prior art keywords
operation mode
sensor data
data table
sensor
diagnosis
Prior art date
Application number
PCT/JP2019/001441
Other languages
English (en)
French (fr)
Inventor
祥平 藤本
俊之 小高
野口　純司
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Priority to US17/046,317 priority Critical patent/US20210149875A1/en
Priority to CN201980022894.5A priority patent/CN111989629A/zh
Priority to EP19791478.1A priority patent/EP3786748A4/en
Publication of WO2019207855A1 publication Critical patent/WO2019207855A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G06F16/2365—Ensuring data consistency and integrity
    • 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
    • G05B23/0254—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 quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0297—Reconfiguration of monitoring system, e.g. use of virtual sensors; change monitoring method as a response to monitoring results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2252—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using fault dictionaries
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2257—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2268—Logging of test results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/22—Indexing; Data structures therefor; Storage structures
    • G06F16/2282—Tablespace storage structures; Management thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/242—Query formulation
    • G06F16/2433—Query languages
    • G06F16/244—Grouping and aggregation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the present invention relates to a failure sign diagnosis system and a failure sign diagnosis method, and more particularly, to a failure sign diagnosis system and a failure sign diagnosis method capable of diagnosing a machine failure sign in accordance with an operation mode.
  • the failure sign diagnosis in the present invention can also be referred to as failure sign detection or failure prediction.
  • Patent Document 1 describes that a failure prediction system including a machine learning device enables accurate failure prediction according to the situation.
  • Japanese Patent Application Laid-Open No. H10-260260 describes that an abnormality sign diagnosis apparatus diagnoses the presence or absence of an abnormality sign of a mechanical facility with high accuracy.
  • JP 2017-33526 A Japanese Unexamined Patent Publication No. 2016-33778
  • Patent Document 1 there is a description of a system that predicts failure based on sensor data and control software, but multiple models are not explicitly distinguished for each operation mode, and what model was used for diagnosis? Is unclear.
  • patent document 2 has the description about the system which performs a failure sign regarding the mechanical installation in which a predetermined
  • an object of the present invention is to provide a failure sign diagnosis system and a failure sign diagnosis method capable of more accurately diagnosing a machine failure sign.
  • one of the typical failure sign diagnosis systems of the present invention includes an operation sensor data table indicating correspondence between sensor data and the sensor data acquisition time, an operation mode, and an operation time in the operation mode.
  • An operation mode data table indicating the correspondence between the operation sensor data table and the operation data table created by merging the operation mode data table and having sensor data for the operation mode at the same time.
  • the threshold value determined based on the learned and created diagnostic model and the value calculated based on the diagnostic model from the sensor data to be diagnosed are compared in the same operation mode to determine whether or not there is an abnormality.
  • a failure sign of a machine can be diagnosed more accurately in a failure sign diagnosis system and a failure sign diagnosis method. Problems, configurations, and effects other than those described above will be clarified by the following description of embodiments.
  • FIG. 1 is a block diagram showing an embodiment of the failure sign diagnosis system of the present invention.
  • FIG. 2 is a diagram showing an example of processing of the learning / diagnosis system in the failure sign diagnosis system of the present invention.
  • FIG. 3 is a diagram showing an example of an operation mode data output processing flow in the failure sign diagnosis system of the present invention.
  • FIG. 4 is a diagram showing an example of operation sensor data output processing flow in the failure sign diagnosis system of the present invention.
  • FIG. 5 is a diagram showing an example of a data merge processing flow in the failure sign diagnosis system of the present invention.
  • FIG. 6 is a diagram showing an example of an operation mode determination processing flow in the failure sign diagnosis system of the present invention.
  • FIG. 7 is a diagram showing an example of a learning process flow in the failure sign diagnosis system of the present invention.
  • FIG. 8 is a diagram showing an example of a diagnosis process flow in the failure sign diagnosis system of the present invention.
  • FIG. 9 is a diagram showing an example of an abnormality notification processing flow in the failure sign diagnosis system of the present invention.
  • FIG. 10 is a diagram showing an example of an operation mode data table in the failure sign diagnosis system of the present invention.
  • FIG. 11 is a diagram showing an example of an operation sensor data table in the failure sign diagnosis system of the present invention.
  • FIG. 12 is a diagram showing an example of an operation data table in the failure sign diagnosis system of the present invention.
  • FIG. 13 is a diagram showing an example of a diagnosis model table in the failure sign diagnosis system of the present invention.
  • FIG. 14 is a diagram showing an example of a diagnosis result storage table in the failure sign diagnosis system of the present invention.
  • FIG. 15 is a diagram showing an example of an abnormal data table in the failure sign diagnosis system of the present invention.
  • FIG. 1 is a block diagram showing an embodiment of the failure sign diagnosis system of the present invention.
  • the failure sign diagnosis system is a system for diagnosing a failure sign of the industrial machine 1 and includes an operation mode data acquisition unit 4, an operation sensor data acquisition unit 7, a data combination system 10, and a learning / diagnosis system 13. These may be configured independently of each other, or may be configured as a single unit, for example.
  • the industrial machine 1 includes various machines such as a machine tool, a robot, and a machine for welding. There may be a plurality of industrial machines 1. In this case, a failure sign can be diagnosed for each industrial machine.
  • the industrial machine 1 is configured to drive the drive unit 3 under the control of the control unit 2, and for example, a motor, an electromagnetic solenoid, a cylinder (such as hydraulic or pneumatic pressure), an engine, or the like can be applied to the drive unit 3. .
  • the industrial machine 1 includes a sensor that acquires information related to driving of the driving unit 3.
  • Various sensors can be used as the sensor, and examples thereof include a current sensor, a voltage sensor, a vibration sensor, a temperature sensor, a pressure sensor, and a torque sensor.
  • the industrial machine 1 is provided with a device for outputting operation mode information. This may be provided in the control unit 2.
  • the operation mode data acquisition unit 4 includes a control unit 5 and a storage unit 6.
  • the control unit 5 of the operation mode data acquisition unit 4 acquires data (operation mode data) related to the operation mode from the industrial machine 1 (control unit 2 or the like), creates an operation mode data table, and records it in the storage unit 6. At the same time, the information is output to the data combination system 10.
  • the operation mode indicates what kind of operation state the drive unit 3 of the industrial machine 1 is currently driving. For example, in the case of a machine tool, it can be divided into a state in which a work such as cutting is actually performed, a state in which a machining operation is not performed, or a state in which a blade is moving. In addition, for cutting, it is also possible to divide the operation mode for each material, for each shape of a workpiece (for example, a straight line and a curve), for each cutting method, and the like.
  • the operation mode can be divided into various states.
  • it is effective to divide the driving unit 3 according to different modes (operation states). For example, during operation, the state in which the load is applied to the object and the object is not in contact with the object. It is also possible to divide the state into The operation mode is information for distinguishing these types by numbers, letters, symbols, and the like.
  • the operation sensor data acquisition unit 7 includes a control unit 8 and a storage unit 9.
  • the control unit 8 acquires data (operation sensor data) from the above-described sensor of the industrial machine 1, creates an operation sensor data table and records it in the storage unit 9, and outputs the information to the data combination system 10. To do.
  • data from the sensor sensor value
  • the data combination system 10 includes a control unit 11 and a storage unit 12.
  • the control unit 11 combines the operation mode data table from the operation mode data acquisition unit 4 and the operation sensor data table from the operation sensor data acquisition unit 7, performs data merge processing, and creates an operation data table.
  • the operation data table is recorded in the storage unit 12 and the information is output to the learning / diagnosis system 13.
  • the learning / diagnosis system 13 includes a control unit 14 and a storage unit 15.
  • the control unit 14 acquires an operation data table from the data combination system 10 and performs an operation mode determination process, a learning process, a diagnosis process, and an abnormality notification process. Then, the storage unit 15 is recorded with an operation data table, a diagnosis result storage table, a diagnosis model table, an abnormality data table, and diagnosis time data (file).
  • FIG. 2 is a diagram showing an example of processing of the learning / diagnosis system 13 in the failure sign diagnosis system of the present invention. As shown in FIG. 2, the operation mode determination process is performed based on an operation data table. Then, learning processing and diagnosis processing are performed for each operation mode. In this way, it is possible to diagnose a failure sign for each operation mode.
  • FIG. 3 is a diagram showing an example of an operation mode data output processing flow in the failure sign diagnosis system of the present invention.
  • the processing by the control unit 5 (see FIG. 1) of the operation mode data acquisition unit 4 is shown.
  • operation mode data is acquired from each industrial machine 1 (S101).
  • the acquired data is stored in the operation mode data table of each industrial machine 1 (S102).
  • the operation mode data table stores an operation mode for each time (time stamp).
  • the time can be acquired at regular intervals, for example, every second. In this way, an operation mode data table is created for each industrial machine 1.
  • FIG. 4 is a diagram showing an example of an operation sensor data output processing flow in the failure sign diagnosis system of the present invention.
  • the processing here is the processing by the control unit 8 (see FIG. 1) of the operation sensor data acquisition unit 7.
  • operation sensor data is acquired from each industrial machine 1 (S201).
  • the acquired data is stored in the operation sensor data table (S202).
  • sensor values are stored for each time (time stamp).
  • the time can be acquired at the same fixed interval as in FIG. 3, for example, every second. In this way, an operation sensor data table is created for each industrial machine 1.
  • FIG. 5 is a diagram showing an example of a data merge processing flow in the failure sign diagnosis system of the present invention. Here, the processing by the control unit 11 (see FIG. 1) of the data combination system 10 is shown.
  • a process is repeated for the records output by the operation sensor data (S301).
  • the operation sensor data is included in the operation sensor data table output by the operation sensor data acquisition unit 7 and is stored for each time (time stamp).
  • time stamp it is determined whether the time stamps of the operation sensor data and the operation mode data are the same (S302). If it is determined in S302 that the time stamp is the same, the operation sensor data and the operation mode data are merged with the time stamp and stored in the operation data table (S303).
  • the operation data table stores the sensor value, the operation mode, the machine number of the industrial machine 1 and the like for each time stamp. This associates the sensor value with the operation mode.
  • time stamp indicates the time at that time, and can include year, month, date, hour, minute, and second as a specific example.
  • FIG. 6 is a diagram showing an example of an operation mode determination processing flow in the failure sign diagnosis system of the present invention.
  • the processing here is the processing by the control unit 14 (see FIG. 1) of the learning / diagnosis system 13.
  • the machine and period for which the operation mode is to be determined are selected (S401).
  • the number machine is a number machine for each industrial machine 1.
  • As the period all periods may be automatically selected, or a specific period may be manually designated.
  • the operation mode is determined from the value of the operation data table (S402). Since the operation data table includes information on the operation mode, the operation mode for the selected period can be determined.
  • FIG. 7 is a diagram showing an example of a learning process flow in the failure sign diagnosis system of the present invention.
  • the processing here is the processing by the control unit 14 (see FIG. 1) of the learning / diagnosis system 13.
  • an industrial machine number to be learned is selected (S501).
  • all the units may be automatically selected, or any number of units may be selected by the user.
  • the industrial machine 1 in FIG. 1 corresponds to the industrial equipment.
  • a learning target period is selected (S502).
  • the selection here selects a period in which the machine selected in S501 by the user is operating normally.
  • the operation mode to be learned is selected (S503).
  • all the operation modes recorded in the operation data table may be automatically selected for the machine selected in S501.
  • a specific operation mode may be manually selected for the machine selected in S501 by the user.
  • the sensor value is acquired from the operation data table using the machine / period / operation mode to be learned as a key (S504).
  • the learning target machine is selected in S501
  • the learning target period is selected in S502
  • the learning target operation mode is the content selected in S503.
  • the sensor value is sensor data included in the operation data table.
  • the selected sensor value is a sensor value based on the machine, the period, and the operation mode that are operating normally.
  • the diagnosis model is created as a model indicating the range of sensor values that are operating normally for each operation mode in which the target machine is selected.
  • a threshold value is determined based on the learning result (S506).
  • a threshold value for determining an abnormality of processing to be described later is determined for the diagnostic model.
  • the threshold value can be determined by a diagnostic model. That is, the threshold value can specify the boundary between normal and abnormal based on the normal value range specified in the diagnostic model by a suitable method. Moreover, since the diagnostic model is created for each operation mode, an appropriate threshold value corresponding to the operation mode can be determined.
  • a threshold and a diagnostic model storage destination are added to the diagnostic model table using the learned operation mode and machine number as keys (S507).
  • the diagnostic model storage destination can be added to the diagnostic model table. At this time, it is recorded in the diagnostic model table together with the operation mode, machine number, threshold value and the like.
  • FIG. 8 is a diagram showing an example of a diagnosis processing flow in the failure sign diagnosis system of the present invention.
  • the processing here is the processing by the control unit 14 (see FIG. 1) of the learning / diagnosis system 13.
  • an industrial machine number to be diagnosed is selected (S601).
  • the industrial equipment number is selected automatically.
  • the industrial machine 1 in FIG. 1 corresponds to the industrial equipment.
  • the diagnosis time file is a file containing data of the last diagnosis time (date and time) of the target unit.
  • the last diagnosis time acquired here is the last diagnosis time of the target vehicle.
  • the diagnosis time file may not be a file but may be handled as data.
  • the time stamp record after the previous diagnosis time is acquired from the operation data table (S603). Since the last diagnosis time of the previous time is known from the data acquired in S602, data (record) recorded for each subsequent time stamp is acquired.
  • the process of repeating S605 to S611 is performed for the number of acquired records (S604).
  • the number of records is equal to the number of time stamps recorded.
  • the record here is a record of the operation data table.
  • the diagnostic model table is created by the processing of FIG. 7, and is created for each operation mode. Therefore, it is determined whether or not the diagnosis model table includes data in the same operation mode as the operation mode of the record acquired in S603.
  • diagnosis model table has the operation mode data value acquired in S603
  • diagnosis model is acquired from the diagnosis model table using the operation mode data value as a key (S607). That is, if there is a diagnosis model having the same operation mode as the operation mode in the record acquired in S603, the diagnosis model is acquired.
  • the abnormality level threshold here is the threshold determined in S506 of FIG. This threshold is compared with the target sensor data, and diagnosis is performed based on whether the target sensor data is in a normal range or an abnormal range.
  • the comparison here can be performed by comparing the threshold value and a value calculated based on a diagnosis model from sensor data to be diagnosed in the same operation mode.
  • diagnosis result is stored in the diagnosis result table (normal: 0, abnormal: 1) (S609).
  • diagnosis result table information such as time (time stamp), sensor value, operation mode, and machine number is stored together with the diagnosis result.
  • FIG. 9 is a diagram showing an example of an abnormality notification processing flow in the failure sign diagnosis system of the present invention.
  • an email notification is sent to the person in charge at the site (S701), and the data is stored in the abnormality data table (S702).
  • the mail notification to the person in charge may be automatically performed to a mail address registered in advance.
  • the abnormal data table is a table to which only data determined to be abnormal is added, and records the time, operation mode, machine number, and the like. Further, the degree of abnormality may be recorded as necessary.
  • FIG. 10 is a diagram showing an example of an operation mode data table in the failure sign diagnosis system of the present invention.
  • the operation mode data table is a table created by the operation mode data acquisition unit 4 (see FIG. 1). An example of the processing is shown in FIG.
  • the operation mode data table shown in FIG. 10 the number (#), time (time stamp), and operation mode are recorded.
  • the operation modes are indicated by numerals, and are “30” and “45” in the example of the figure. This shows an example in which information on the type of operation mode is represented by numbers. If the numbers are the same, it means the same operation mode. In addition, it is also possible to represent an operation mode with symbols and characters other than numbers.
  • the operation mode data table is created for each industrial machine.
  • FIG. 11 is a diagram showing an example of an operation sensor data table in the failure sign diagnosis system of the present invention.
  • the operation sensor data table is a table created by the operation sensor data acquisition unit 7 (see FIG. 1). An example of the processing is shown in FIG.
  • the operation sensor data table shown in FIG. 11 records the number (#), time (time stamp), sensor A value, sensor B value, and sensor C value.
  • the sensor here shows an example using three sensors, and these numerical values show examples assuming values such as current and voltage. For example, it is possible to diagnose a failure sign from these values by measuring the current and voltage of the motor of the drive unit.
  • the operation sensor data table is created for each industrial machine.
  • FIG. 12 is a diagram showing an example of an operation data table in the failure sign diagnosis system of the present invention.
  • the operation data table is a table created by the data combination system 10 (see FIG. 1). An example of the process is shown in FIG.
  • the operation data table shown in FIG. 12 records number (#), time (time stamp), sensor A value, sensor B value, sensor C value, operation mode, and machine number. These show an example in which the operation mode data table of FIG. 10 and the operation sensor data table of FIG. 11 are combined at the same time (time stamp) of the same machine number. This makes it possible to associate the operation mode with the value of each sensor.
  • the machine number is a number that identifies the industrial machine.
  • FIG. 13 is a diagram showing an example of a diagnosis model table in the failure sign diagnosis system of the present invention.
  • the diagnosis model table is a table created by the learning / diagnosis system 13 (see FIG. 1). An example of the process is shown in FIG.
  • the diagnostic model table of FIG. 13 a number (#), an operation mode, an abnormality threshold, a diagnostic model storage destination, and a machine number are recorded.
  • the diagnostic model is the diagnostic model created in S505.
  • the table of FIG. 13 shows the storage location of the file.
  • the abnormality degree threshold is a threshold determined in S506 in FIG.
  • the diagnostic model table is recorded corresponding to the operation mode.
  • the operation mode distinguishes the state of operation of the industrial machine 1 such that the operation mode “30” is preparation for machining operation and the operation mode “31” is during machining.
  • FIG. 14 is a diagram showing an example of a diagnosis result storage table in the failure sign diagnosis system of the present invention.
  • the diagnosis result storage table is a table created by the learning / diagnosis system 13 (see FIG. 1). An example of the process is shown in FIG.
  • diagnosis result storage table shown in FIG. 14 the number (#), time (time stamp), sensor A value, sensor B value, sensor C value, operation mode, diagnosis result, and unit number are recorded. That is, the diagnosis result storage table of FIG. 14 has a configuration in which diagnosis results are added to the operation mode data table of FIG.
  • the diagnosis result shows an example in which “0” is normal and “1” indicates abnormality.
  • this information is stored in S609.
  • FIG. 15 is a diagram showing an example of an abnormal data table in the failure sign diagnosis system of the present invention.
  • the abnormal data table is a table created by the learning / diagnosis system 13 (see FIG. 1). An example of the processing is shown in FIG.
  • the abnormal data table in FIG. 15 is a table obtained by extracting only values of the diagnostic result “1” (abnormal) from the diagnostic result storage table in FIG.
  • the degree of abnormality indicates the degree of the abnormality value threshold of the diagnostic model table of FIG. 13 with respect to the sensor value of the diagnostic result storage table of FIG. 14, and the degree of abnormality is higher as the value is higher (sensor The value is on the abnormal side of the threshold).
  • the present embodiment it is possible to perform a failure sign diagnosis that matches the operation mode by determining the operation mode of the industrial machine and performing learning processing for each operation mode. Then, by determining that the value of the sensor is abnormal for each operation mode, it is possible to make a diagnosis that predicts a failure of the industrial machine more accurately. Moreover, since a normal state is learned for each operation mode and a diagnosis is performed based on the learned normal state, a more accurate failure sign diagnosis can be performed. In addition, since it becomes clear what diagnostic model is used for each operation mode, it can be applied to the same industrial machine using the same usage method, and it is easy to deploy horizontally. It will be a thing.
  • the present invention is not limited to the above-described embodiment, and includes various modifications.
  • the above-described embodiment has been described in detail for easy understanding of the present invention, and is not necessarily limited to one having all the configurations described.
  • a part of the configuration of an embodiment can be replaced with the configuration of another embodiment, and the configuration of another embodiment can be added to the configuration of an embodiment.
  • the present invention can be applied not only to industrial machines but also to machines that require failure sign diagnosis.
  • SYMBOLS 1 ... Industrial machine, 2 ... Control part, 3 ... Drive part, 4 ... Operation mode data acquisition part, 5 ... Control part, 6 ... Storage part, 7 ... Operation sensor data acquisition part, 8 ... Control part, 9 ... Storage part DESCRIPTION OF SYMBOLS 10 ... Data connection system, 11 ... Control part, 12 ... Memory

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Computational Linguistics (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

より正確に機械の故障予兆を診断することが可能な故障予兆診断システム及び故障予兆診断方法を提供することを目的とする。センサデータと当該センサデータ取得時刻の対応を示す稼働センサデータテーブルと、稼働モードと当該稼働モードでの稼働時刻の対応を示す稼働モードデータテーブルと、前記稼働センサデータテーブル及び前記稼働モードデータテーブルをマージ処理して作成され同じ時刻の稼働モードに対するセンサデータを有する稼働データテーブルとを備え、正常なセンサデータから学習し作成された診断モデルに基づき決定された閾値と、診断対象となるセンサデータから診断モデルに基づき算出された値とを、同じ稼働モードで比較して異常か否かを判定する。

Description

故障予兆診断システム及び故障予兆診断方法
　本発明は、故障予兆診断システム及び故障予兆診断方法に関し、特に、稼働モードに応じて機械の故障予兆を診断することが可能な故障予兆診断システム及び故障予兆診断方法に関する。なお、本発明における故障予兆診断は、故障予兆検知、あるいは、故障予知と言い換えることもできる。
　産業機械などにおいて、故障は稼働効率が下がる原因になるとともに、深刻な故障が生じると、重大な事故の発生の原因ともなる。このため、故障をより正確に予兆することは、重要であり、このための技術は従来から存在する。
　例えば、特許文献１には、機械学習装置を備えた故障予知システムについて、状況に応じて正確な故障予知を可能にすることが記載されている。また、特許文献２には、異常予兆診断装置について、機械設備の異常予兆の有無を高精度で診断することが記載されている。
特開２０１７－３３５２６号公報 特開２０１６－３３７７８号公報
　しかし、従来では、稼働モードに応じて産業機械などの故障予兆を診断することは行っていないため、稼働モードが異なると正確に故障予兆を診断することができない場合が存在する。例えば、センサの閾値を高くすると、実際は異常な値なのに「異常」と診断できない稼働モードが存在することになる。また、センサの閾値を低くすると、実際は正常な値なのに、「異常」と診断してしまう稼働モードが存在することになる。
　特許文献１では、センサデータと制御ソフトウェアに基づいて故障予兆を行うシステムについての記載はあるが、稼働モードごとに明示的に複数モデルを区別しておらず、どのようなモデルで診断を実施したのかが不明確である。また、特許文献２は、所定の運転スケジュールが繰り返される機械設備に関して故障予兆を行うシステムについての記載があるが、運転スケジュールが不規則の場合には適用できない。
　本発明は、上記課題に鑑みて、より正確に機械の故障予兆を診断することが可能な故障予兆診断システム及び故障予兆診断方法を提供することを目的とする。
　上記目的を達成するため、代表的な本発明の故障予兆診断システムの一つは、センサデータと当該センサデータ取得時刻の対応を示す稼働センサデータテーブルと、稼働モードと当該稼働モードでの稼働時刻の対応を示す稼働モードデータテーブルと、前記稼働センサデータテーブル及び前記稼働モードデータテーブルをマージ処理して作成され同じ時刻の稼働モードに対するセンサデータを有する稼働データテーブルとを備え、正常なセンサデータから学習し作成された診断モデルに基づき決定された閾値と、診断対象となるセンサデータから診断モデルに基づき算出された値とを、同じ稼働モードで比較して異常か否かを判定することを特徴とする。
　本発明によれば、故障予兆診断システム及び故障予兆診断方法において、より正確に機械の故障予兆を診断することができる。
　上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。
図１は、本発明の故障予兆診断システムの一実施形態を示すブロック図である。 図２は、本発明の故障予兆診断システムにおける学習・診断システムの処理の例を示す図である。 図３は、本発明の故障予兆診断システムにおける稼働モードデータ出力処理フローの例を示す図である。 図４は、本発明の故障予兆診断システムにおける稼働センサデータ出力処理フローの例を示す図である。 図５は、本発明の故障予兆診断システムにおけるデータマージ処理フローの例を示す図である。 図６は、本発明の故障予兆診断システムにおける稼働モード判別処理フローの例を示す図である。 図７は、本発明の故障予兆診断システムにおける学習処理フローの例を示す図である。 図８は、本発明の故障予兆診断システムにおける診断処理フローの例を示す図である。 図９は、本発明の故障予兆診断システムにおける異常通知処理フローの例を示す図である。 図１０は、本発明の故障予兆診断システムにおける稼働モードデータテーブルの例を示す図である。 図１１は、本発明の故障予兆診断システムにおける稼働センサデータテーブルの例を示す図である。 図１２は、本発明の故障予兆診断システムにおける稼働データテーブルの例を示す図である。 図１３は、本発明の故障予兆診断システムにおける診断モデルテーブルの例を示す図である。 図１４は、本発明の故障予兆診断システムにおける診断結果格納テーブルの例を示す図である。 図１５は、本発明の故障予兆診断システムにおける異常データテーブルの例を示す図である。
　本発明を実施するための形態を説明する。
　図１は、本発明の故障予兆診断システムの一実施形態を示すブロック図である。この故障予兆診断システムは、産業機械１の故障予兆を診断するシステムであり、稼働モードデータ取得部４、稼働センサデータ取得部７、データ結合システム１０、学習・診断システム１３を有している。これらは、それぞれ独立して構成してもよいし、一体として、例えば一つの装置とするなどして、構成してもよい。
　産業機械１は、工作機械、ロボット、溶接のための機械等、様々な機械が含まれる。産業機械１は、複数であってもよく、この場合、産業機械ごとに故障予兆を診断することができる。産業機械１は、制御部２の制御により駆動部３を駆動させる構成であり、駆動部３は、例えば、モータ、電磁ソレノイド、（油圧や空気圧等の）シリンダ、エンジン等を適用することができる。また、産業機械１は、駆動部３の駆動に関わる情報を取得するセンサを備えている。センサは、様々なセンサが適用でき、一例を示せば、電流センサ、電圧センサ、振動センサ、温度センサ、圧力センサ、トルクセンサ等である。また、産業機械１には、稼働モードの情報を出力するための装置を備えている。これは、制御部２に備えていてもよい。
　稼働モードデータ取得部４は、制御部５と記憶部６を備えている。稼働モードデータ取得部４の制御部５は、産業機械１（制御部２等）から稼働モードに関するデータ（稼働モードデータ）を取得して、稼働モードデータテーブルを作成して記憶部６に記録させるとともに、データ結合システム１０へその情報を出力する。
　ここで、稼働モードについて説明する。稼働モードは、現在どのような種類の動作状態で産業機械１の駆動部３が駆動しているかを示すものである。例えば、工作機械であれば、実際に切削等の工作を行っている状態と、工作を行っていない加工動作準備の状態、もしくは、刃物が移動中の状態等に分けることができる。また、切削に対しても、材料ごと、工作対象の形状（例えば、直線と曲線）ごと、削り方ごと等で稼働モードを分けることも可能である。また、ロボットであれば、稼働中であっても、アームが物を運搬している状態、アームが物を運搬していない、アームのみで移動中の状態、待機中の状態等に分けることができる。このように稼働モードは様々な状態に分けることができる。特に、駆動部３に対する負荷が異なるモード（動作状態）ごとで分けると有効であり、例えば、稼働中に、対象物に対して接して作業をしている状態と、対象物に対して接しないでいる状態に分ける等も可能である。稼働モードは、これらを数字や文字、記号などにより区別して種類分けする情報である。
　稼働センサデータ取得部７は、制御部８と記憶部９を備えている。制御部８は、産業機械１の上述したセンサからのデータ（稼働センサデータ）を取得して、稼働センサデータテーブルを作成して記憶部９に記録させるとともに、データ結合システム１０へその情報を出力する。センサからのデータ（センサ値）としては、複数のセンサからのデータを取得することも可能である。
　データ結合システム１０は、制御部１１と記憶部１２を備えている。制御部１１は、稼働モードデータ取得部４からの稼働モードデータテーブル及び稼働センサデータ取得部７からの稼働センサデータテーブルを結合して、データマージ処理を行い、稼働データテーブルを作成する。稼働データテーブルは記憶部１２に記録させるとともに、学習・診断システム１３へその情報を出力する。
　学習・診断システム１３は、制御部１４と記憶部１５を備えている。制御部１４は、データ結合システム１０から稼働データテーブルを取得し、稼働モード判別処理、学習処理、診断処理、異常通知処理を行う。そして、記憶部１５に、稼働データテーブル、診断結果格納テーブル、診断モデルテーブル、異常データテーブル、診断時間データ（ファイル）を記録させる。
　図２は、本発明の故障予兆診断システムにおける学習・診断システム１３の処理の例を示す図である。図２に示すように、稼働モード判別処理は、稼働データテーブルに基づき行われる。そして、稼働モードごとに、学習処理、診断処理を行っていく。このようにすることで、稼働モードごとに、故障予兆の診断が可能となる。
　図３は、本発明の故障予兆診断システムにおける稼働モードデータ出力処理フローの例を示す図である。ここでの処理は、稼働モードデータ取得部４の制御部５（図１参照）による処理が示されている。まず、各産業機械１から稼働モードデータを取得する（Ｓ１０１）。そして、各産業機械１の稼働モードデータテーブルに取得したデータを格納する（Ｓ１０２）。稼働モードデータテーブルは、時刻（タイムスタンプ）ごとに稼働モードが格納される。ここでの時刻は、一定間隔、例えば１秒毎等で取得することができる。このようにして、稼働モードデータテーブルが産業機械１ごとに作成される。
　図４は、本発明の故障予兆診断システムにおける稼働センサデータ出力処理フローの例を示す図である。ここでの処理は、稼働センサデータ取得部７の制御部８（図１参照）による処理が示されている。まず、各産業機械１から稼働センサデータを取得する（Ｓ２０１）。そして、稼働センサデータテーブルに取得したデータを格納する（Ｓ２０２）。稼働センサデータテーブルでは、時刻（タイムスタンプ）ごとにセンサの値が格納される。ここでの時刻は、図３と同じ一定間隔、例えば１秒毎等に取得することができる。このようにして、稼働センサデータテーブルが産業機械１ごとに作成される。
　図５は、本発明の故障予兆診断システムにおけるデータマージ処理フローの例を示す図である。ここでの処理は、データ結合システム１０の制御部１１（図１参照）による処理が示されている。
　まず、稼働センサデータが出力したレコード分繰り返す処理を行う（Ｓ３０１）。稼働センサデータは、稼働センサデータ取得部７が出力した稼働センサデータテーブルに含まれるものであり時刻（タイムスタンプ）ごとに格納されている。次に、稼働センサデータと稼働モードデータのタイムスタンプが同じかどうかを判定する（Ｓ３０２）。Ｓ３０２でタイムスタンプが同じと判定した場合は、稼働センサデータと稼働モードデータをそのタイムスタンプでマージして稼働データテーブルに格納する処理を行う（Ｓ３０３）。これにより、稼働データテーブルは、タイムスタンプごとに、センサの値、稼働モード、産業機械１の号機番号等が格納される。このことで、センサの値と稼働モードが対応づけられる。一方、Ｓ３０２で同じタイムスタンプがないと判定した場合は、Ｓ３０１に行き、Ｓ３０２からの上記処理をレコード数分まで繰り返す。なお、タイムスタンプ（ＴｉｍｅＳｔａｍｐ）は、そのときの時刻を示すものであり、具体例として、年・月・日・時・分・秒を含むことができる。
　図６は、本発明の故障予兆診断システムにおける稼働モード判別処理フローの例を示す図である。ここでの処理は、学習・診断システム１３の制御部１４（図１参照）による処理が示されている。まず、稼働モード判別対象の号機、期間を選択する（Ｓ４０１）。ここで、号機は、産業機械１ごとの号機である。期間は、自動で全ての期間を選択してもよいし、手動で特定の期間を指定してもよい。次に、稼働データテーブルの値から稼働モードを判別する（Ｓ４０２）。稼働データテーブルには、稼働モードの情報が含まれているため、選択された期間についての稼働モードを判別することができる。
　図７は、本発明の故障予兆診断システムにおける学習処理フローの例を示す図である。ここでの処理は、学習・診断システム１３の制御部１４（図１参照）による処理が示されている。
　まず、学習対象の産業機器号機の選択を行う（Ｓ５０１）。ここでの選択は自動ですべての号機を選択してもよいし、ユーザにより任意の号機の選択を行ってもよい。産業機器としては、図１の産業機械１が該当する。
　次に、学習対象の期間を選択する（Ｓ５０２）。ここでの選択は、ユーザによりＳ５０１で選択された号機が、正常に稼働している期間を選択する。
　次に、学習対象の稼働モードを選択する（Ｓ５０３）。ここでの選択は、Ｓ５０１で選択された号機に対して自動で稼働データテーブルに記録された全ての稼働モードを選択してもよい。また、ユーザによりＳ５０１で選択された号機に対して、特定の稼働モードを手動で選択してもよい。
　次に、稼働データテーブルから学習対象の号機・期間・稼働モードをキーにセンサ値を取得する（Ｓ５０４）。学習対象の号機はＳ５０１で選択され、学習対象の期間はＳ５０２で選択され、学習対象の稼働モードはＳ５０３で選択された内容である。センサ値は、稼働データテーブルに含まれているセンサのデータである。
　次に、取得したセンサ値で学習し、診断モデルを作成する（Ｓ５０５）。上記のように、選択されたセンサ値は、正常に稼働している号機・期間・稼働モードによるセンサ値である。このため、診断モデルは、対象の号機が選択された各稼働モードに対して正常に稼働しているセンサ値の範囲を示すモデルとして作成される。
　次に、学習結果をもとに閾値を決定する（Ｓ５０６）。ここでは、診断モデルに対して、後述する処理の異常を判別するための閾値を決定する。ここで、閾値は、診断モデルによって決定することができる。即ち、閾値は、診断モデルで特定される正常値の範囲をもとに、正常と異常の境界を適した方法で特定することができる。また、診断モデルは、稼働モードごとに作成されているため、稼働モードに応じた適切な閾値を決定することができる。
　次に、学習した稼働モードと号機番号をキーに診断モデルテーブルに閾値と診断モデル格納先（学習により作成した診断モデル格納先）を追加する（Ｓ５０７）。診断モデルをファイルデータとして保存しておく場合に、診断モデル格納先を診断モデルテーブルに追加しておくことができる。このとき、稼働モード、号機番号、閾値等と合わせて診断モデルテーブルに記録される。
　図８は、本発明の故障予兆診断システムにおける診断処理フローの例を示す図である。ここでの処理は、学習・診断システム１３の制御部１４（図１参照）による処理が示されている。
　まず、診断対象の産業機器号機を選択する（Ｓ６０１）。産業機器号機は、自動で選択する。産業機器としては、図１の産業機械１が該当する。
　次に、前回診断時間ファイルから前回診断時間を取得する（Ｓ６０２）。診断時間ファイルは、対象号機の前回の最後の診断時間（日時）のデータが入ったファイルである。ここで取得する前回診断時間は、対象号機の前回の最後の診断時間である。なお、診断時間ファイルは、ファイルでなくても単にデータとして扱ってもよい。
　次に、稼働データテーブルから前回診断時間以降のタイムスタンプのレコードを取得する（Ｓ６０３）。Ｓ６０２で取得したデータにより前回の最後の診断時間が分かるので、それ以降のタイムスタンプごとに記録されたデータ（レコード）を取得する。
　次に、取得したレコード数分だけ、Ｓ６０５～Ｓ６１１を繰り返す処理を行う（Ｓ６０４）。レコード数は、記録されたタイムスタンプの数と同等である。
　次に、レコード内の稼働モードデータの値を取得する（Ｓ６０５）。ここでのレコードは、稼働データテーブルのレコードである。
　次に、診断モデルテーブルにＳ６０３で取得した稼働モードデータ値があるか否かを判定する（Ｓ６０６）。ここで、診断モデルテーブルは、図７の処理で作成されているもので、稼働モードごとに作成される。このため、診断モデルテーブルの中に、Ｓ６０３で取得したレコードの稼働モードと同じ稼働モードのデータが含まれるかを判定する。
　Ｓ６０６で、診断モデルテーブルにＳ６０３で取得した稼働モードデータ値があると判定した場合は、診断モデルテーブルから稼働モードデータ値をキーに診断モデルを取得する（Ｓ６０７）。すなわち、Ｓ６０３で取得したレコードの中の稼働モードと、同じ稼働モードの診断モデルがある場合は、その診断モデルを取得する。
　次に、診断モデルテーブルの異常度閾値をもとに診断する（Ｓ６０８）。ここでの異常度閾値は、図７のＳ５０６で決定した閾値である。この閾値と対象のセンサデータを比較して、対象のセンサデータが正常の範囲か異常の範囲かで診断する。ここでの比較は、上記閾値と、診断対象となるセンサデータから診断モデルに基づき算出された値とを同じ稼働モードで比較することで行うことができる。
　次に、診断結果を診断結果テーブルに格納（正常：０、異常：１）する（Ｓ６０９）。ここでは、例えば、正常な場合は「０」、異常の場合は「１」として、診断結果テーブルに格納する。診断結果テーブルでは、診断結果と共に時刻（タイムスタンプ）、センサの値、稼働モード、号機番号等の情報が格納される。
　次に、診断結果の値が異常（「1」）か否かを判定する（Ｓ６１０）。異常の場合は異常通知処理を行う（Ｓ６１１）。
　なお、Ｓ６０６で、診断モデルテーブルにＳ６０３で取得した稼働モードデータ値がないと判定した場合、及び、Ｓ６１０で異常でないと判定した場合は、次のレコードに対してＳ６０５からの処理を行う（Ｓ６０４）。
　そして、すべてのレコードの繰り返し処理が終了したら、最後に診断したレコードのタイムスタンプを前回診断時間ファイルに上書きする（Ｓ６１２）。これが最新の診断時間ファイルとなる。
　図９は、本発明の故障予兆診断システムにおける異常通知処理フローの例を示す図である。ここでは、図８のＳ６１１における異常通知処理の詳細を説明する。異常通知処理は、現場担当者へメール通知を行い（Ｓ７０１）、異常データテーブルにデータを格納するものである（Ｓ７０２）。担当者へのメール通知は、予め登録してあるメールアドレスに自動で通知を行えばよい。また、異常データテーブルは、異常と判定されたデータのみを追加するテーブルであり、時刻、稼働モード、号機番号等を記録する。また、必要に応じて異常度を記録してもよい。
　図１０は、本発明の故障予兆診断システムにおける稼働モードデータテーブルの例を示す図である。稼働モードデータテーブルは、稼働モードデータ取得部４（図１参照）で作成されるテーブルである。処理の例は図３に示してある。
　図１０で示す稼働モードデータテーブルは、ナンバー（＃）、時刻（タイムスタンプ）、稼働モードが記録されている。ここで、稼働モードは数字で示されており、図の例では「３０」と「４５」である。これは、稼働モードの種類の情報を、数字で表している例を示す。数字が同じなら同じ稼働モードということになる。なお、数字以外の記号や文字で稼働モードを表すことも可能である。図１０では稼働モードデータテーブルは産業機械ごとにそれぞれのテーブルが作成されている。
　図１１は、本発明の故障予兆診断システムにおける稼働センサデータテーブルの例を示す図である。稼働センサデータテーブルは、稼働センサデータ取得部７（図１参照）で作成されるテーブルである。処理の例は図４に示してある。
　図１１で示す稼働センサデータテーブルは、ナンバー（＃）、時刻（タイムスタンプ）、センサＡの値、センサＢの値、センサＣの値が記録されている。ここでのセンサは３つのセンサによる例を示しており、これらの数値は、電流や電圧等の値を想定した例を示している。例えば、駆動部のモータ等の電流や電圧を測定することで、これらの値から故障予兆を診断することが可能となる。図１１では稼働センサデータテーブルは、産業機械ごとにそれぞれのテーブルが作成されている。
　図１２は、本発明の故障予兆診断システムにおける稼働データテーブルの例を示す図である。稼働データテーブルは、データ結合システム１０（図１参照）で作成されるテーブルである。処理の例は図５に示してある。
　図１２に示す稼働データテーブルは、ナンバー（＃）、時刻（タイムスタンプ）、センサＡの値、センサＢの値、センサＣの値、稼働モード、号機番号が記録されている。これらは、図１０の稼働モードデータテーブルと図１１の稼働センサデータテーブルを、同じ号機番号の同じ時刻（タイムスタンプ）において、結合した例を示している。これにより、稼働モードと各センサの値を対応づけすることが可能となる。なお、号機番号は産業機械を特定する番号である。
　図１３は、本発明の故障予兆診断システムにおける診断モデルテーブルの例を示す図である。診断モデルテーブルは、学習・診断システム１３（図１参照）で作成されるテーブルである。処理の例は図７に示してある。
　図１３の診断モデルテーブルは、ナンバー（＃）、稼働モード、異常度閾値、診断モデル格納先、号機番号が記録されている。診断モデルは図７ではＳ５０５で作成される診断モデルである。図１３のテーブルではそのファイルの格納先が示されている。異常度閾値は図７ではＳ５０６で決定される閾値である。なお、診断モデルテーブルは、稼働モードに対応して記録される。例えば、稼働モード「３０」は加工動作準備、稼働モード「３１」は加工中など、稼働モードは産業機械１の動作の状態を区別している。
　図１４は、本発明の故障予兆診断システムにおける診断結果格納テーブルの例を示す図である。診断結果格納テーブルは、学習・診断システム１３（図１参照）で作成されるテーブルである。処理の例は図８に示してある。
　図１４に示す診断結果格納テーブルは、ナンバー（＃）、時刻（タイムスタンプ）、センサＡの値、センサＢの値、センサＣの値、稼働モード、診断結果、号機番号が記録されている。すなわち、図１４の診断結果格納テーブルは、図１２の稼働モードデータテーブルに診断結果を追加した構成となっている。ここで、診断結果は、「０」が正常で、「１」が異常を示す例を示しており、図８ではＳ６０９でこの情報が格納される。稼働モード、号機番号に対応して診断結果が記録されることで、稼働モードに対する診断結果をユーザが分かり易く把握することが可能となる。
　図１５は、本発明の故障予兆診断システムにおける異常データテーブルの例を示す図である。異常データテーブルは、学習・診断システム１３（図１参照）で作成されるテーブルである。処理の例は図９に示してある。
　図１５の異常データテーブルは、ナンバー（＃）、稼働モード、異常度、号機番号が記録されている。ここで、図１５の異常データテーブルは、図１４の診断結果格納テーブルのうち、診断結果が「１」（異常）のみの値を抽出してテーブルにしている。ここで、異常度は、図１４の診断結果格納テーブルのセンサ値に対して、図１３の診断モデルテーブルの異常度閾値に対する度合いを示すものであり、値が高いほど異常の度合いが高い（センサ値が閾値よりも異常側にある）ことを示す。このように異常データテーブルを作成することで、稼働モードに対する異常の状態をまとめて把握することができる。
　以上のように、本実施形態では産業機械の稼働モードを判別し、稼働モードごと学習処理を行うことで、稼働モードに合った故障予兆診断を行うことが可能となる。そして、稼働モードごとにセンサの値が異常と判定されることで、より正確に産業機械の故障を予兆する診断が可能となる。また、稼働モード別に正常状態を学習し、それに基づき診断を行うため、より高精度な故障予兆診断が可能となる。また、稼働モードごとにどのような診断モデルを用いているのかが明確になるため、同様の産業機械で同様の使用方法をしているものに対して適用することができ、横展開がしやすいものとなる。
　なお、本発明は上記した実施形態に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施形態の構成の一部を他の実施形態の構成に置き換えることが可能であり、また、ある実施形態の構成に他の実施形態の構成を加えることも可能である。また、各実施形態の構成の一部について、他の構成の追加・削除・置換をすることが可能である。 
　例えば、本発明は、産業機械だけでなく、故障予兆診断が必要な機械全般に適用することができる。
１…産業機械、２…制御部、３…駆動部、４…稼働モードデータ取得部、５…制御部、６…記憶部、７…稼働センサデータ取得部、８…制御部、９…記憶部、１０…データ結合システム、１１…制御部、１２…記憶部、１３…学習・診断システム、１４…制御部、１５…記憶部

Claims (7)

  1. 　センサデータと当該センサデータ取得時刻の対応を示す稼働センサデータテーブルと、
    　稼働モードと当該稼働モードでの稼働時刻の対応を示す稼働モードデータテーブルと、
    　前記稼働センサデータテーブル及び前記稼働モードデータテーブルをマージ処理して作成され同じ時刻の稼働モードに対するセンサデータを有する稼働データテーブルとを備え、
    　正常なセンサデータから学習し作成された診断モデルに基づき決定された閾値と、診断対象となるセンサデータから診断モデルに基づき算出された値とを、同じ稼働モードで比較して異常か否かを判定することを特徴とする故障予兆診断システム。
  2. 　前記センサデータは、診断対象の機械の駆動に関わる情報を取得するセンサのデータであることを特徴とする請求項１に記載の故障予兆診断システム。
  3. 　前記稼働モードは、診断対象の機械の動作状態の種類を区別する情報であることを特徴とする請求項１又は請求項２に記載の故障予兆診断システム。
  4. 　前記診断モデルは、正常に稼働した期間のセンサデータを前記稼働データテーブルから取得して稼働モードごとに作成されることを特徴とする請求項１から請求項３のいずれか一項に記載の故障予兆診断システム。
  5. 　前記異常か否かの判定結果を稼働モードに対応して示す診断結果格納テーブルが作成されることを特徴とする請求項１から請求項４のいずれか一項に記載の故障予兆診断システム。
  6. 　前記異常と判定された場合に、異常と判定されたデータのみで形成される異常データテーブルに少なくとも稼働モードと時刻の情報が追加されることを特徴とする請求項１から請求項５のいずれか一項に記載の故障予兆診断システム。
  7. 　センサデータと当該センサデータ取得時刻の対応を示す稼働センサデータテーブルを作成するステップと、
    　稼働モードと当該稼働モードでの稼働時刻の対応を示す稼働モードデータテーブルを作成するステップと、
    　前記稼働センサデータテーブル及び前記稼働モードデータテーブルをマージ処理して、同じ時刻の稼働モードに対するセンサデータを有する稼働データテーブルと作成するステップと、
    　正常なセンサデータから学習し作成された診断モデルに基づき決定された閾値と、診断対象となるセンサデータから診断モデルに基づき算出された値とを、同じ稼働モードで比較して異常か否かを判定するステップとを有することを特徴とする故障予兆診断方法。
PCT/JP2019/001441 2018-04-23 2019-01-18 故障予兆診断システム及び故障予兆診断方法 WO2019207855A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US17/046,317 US20210149875A1 (en) 2018-04-23 2019-01-18 Fault indicator diagnostic system and fault indicator diagnostic method
CN201980022894.5A CN111989629A (zh) 2018-04-23 2019-01-18 故障预兆诊断系统以及故障预兆诊断方法
EP19791478.1A EP3786748A4 (en) 2019-01-18 Fault indicator diagnostic system and fault indicator diagnostic method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018082178A JP2019191799A (ja) 2018-04-23 2018-04-23 故障予兆診断システム及び故障予兆診断方法
JP2018-082178 2018-04-23

Publications (1)

Publication Number Publication Date
WO2019207855A1 true WO2019207855A1 (ja) 2019-10-31

Family

ID=68294461

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/001441 WO2019207855A1 (ja) 2018-04-23 2019-01-18 故障予兆診断システム及び故障予兆診断方法

Country Status (4)

Country Link
US (1) US20210149875A1 (ja)
JP (1) JP2019191799A (ja)
CN (1) CN111989629A (ja)
WO (1) WO2019207855A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2024034459A (ja) * 2022-08-31 2024-03-13 株式会社日立産機システム 予兆検知システム及び予兆検知方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001217169A (ja) * 1999-11-26 2001-08-10 Matsushita Electric Ind Co Ltd データ変動監視方法と監視装置
JP2001306140A (ja) * 2000-04-26 2001-11-02 Howa Mach Ltd 異常検出システム
JP2007165721A (ja) * 2005-12-15 2007-06-28 Omron Corp プロセス異常分析装置及びプログラム
JP2016033778A (ja) 2014-07-31 2016-03-10 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
JP2017033526A (ja) 2015-07-31 2017-02-09 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
JP2017120622A (ja) * 2015-12-25 2017-07-06 株式会社リコー 診断装置、診断方法、プログラムおよび診断システム
JP2018018507A (ja) * 2016-07-15 2018-02-01 株式会社リコー 診断装置、プログラムおよび診断システム

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6917839B2 (en) * 2000-06-09 2005-07-12 Intellectual Assets Llc Surveillance system and method having an operating mode partitioned fault classification model
US7233886B2 (en) * 2001-01-19 2007-06-19 Smartsignal Corporation Adaptive modeling of changed states in predictive condition monitoring
IN2013DE02965A (ja) * 2013-10-04 2015-04-10 Samsung India Electronics Pvt Ltd
JP6234359B2 (ja) * 2014-12-15 2017-11-22 日立建機株式会社 作業機械のオイル性状の診断システム
JP6154523B1 (ja) * 2016-07-05 2017-06-28 山本　隆義 対象物の状態変化の原因探索方法
US10739764B2 (en) * 2016-07-15 2020-08-11 Ricoh Company, Ltd. Diagnostic apparatus, diagnostic system, diagnostic method, and recording medium
JP6862130B2 (ja) * 2016-09-08 2021-04-21 株式会社東芝 異常検知装置、異常検知方法、およびプログラム

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001217169A (ja) * 1999-11-26 2001-08-10 Matsushita Electric Ind Co Ltd データ変動監視方法と監視装置
JP2001306140A (ja) * 2000-04-26 2001-11-02 Howa Mach Ltd 異常検出システム
JP2007165721A (ja) * 2005-12-15 2007-06-28 Omron Corp プロセス異常分析装置及びプログラム
JP2016033778A (ja) 2014-07-31 2016-03-10 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
JP2017033526A (ja) 2015-07-31 2017-02-09 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
JP2017120622A (ja) * 2015-12-25 2017-07-06 株式会社リコー 診断装置、診断方法、プログラムおよび診断システム
JP2018018507A (ja) * 2016-07-15 2018-02-01 株式会社リコー 診断装置、プログラムおよび診断システム

Also Published As

Publication number Publication date
US20210149875A1 (en) 2021-05-20
JP2019191799A (ja) 2019-10-31
EP3786748A1 (en) 2021-03-03
CN111989629A (zh) 2020-11-24

Similar Documents

Publication Publication Date Title
CN107272586B (zh) 机械学习装置、机械学习方法、故障预知装置及系统
CN105171525B (zh) 机床的诊断方法及系统
KR102407484B1 (ko) 정보 처리 방법, 정보 처리 시스템, 및 정보 처리 장치
US10907722B2 (en) Actuator diagnostics and prognostics
US20200198128A1 (en) Learning data confirmation support device, machine learning device, and failure predicting device
JP5268637B2 (ja) 生産機械のための評価装置の動作方法
JP5243695B2 (ja) 加工器具用の装置の検査方法
CN111796953A (zh) 故障预测装置及方法、存储介质、模型的学习及生成方法
CN109562500A (zh) 机床的工具的异常检测装置及方法
CN102441817A (zh) 工作历史管理方法以及工作历史管理装置
CN1651869A (zh) 编码器自诊断系统
US10286507B2 (en) Machine tool having function of diagnosing abnormality of speed reducer of tool changer
CN105320064A (zh) 具有设备异常履历的解析支援功能的数值控制装置
JP2018073327A (ja) 機械の診断システム及び診断プログラム
CN209297151U (zh) 异常因素确定装置
WO2019207855A1 (ja) 故障予兆診断システム及び故障予兆診断方法
US11619922B2 (en) Numerical control system of machine tool
CN104111626B (zh) 用于监控至少一个机床的方法
JP7079420B2 (ja) 異常診断装置及び異常診断方法
JP7154100B2 (ja) 工作機械の加工異常検出装置
CN110165969B (zh) 机床的控制装置
JP2009210511A (ja) 自動帳票作成プログラムと自動帳票作成システム
JP2001033355A (ja) 設備異常要因特定支援装置
KR20220028523A (ko) 선박 내 회전체 장비의 고장 예측 장치 및 방법
JPH058678U (ja) 産業用ロボツトの故障診断装置

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: 19791478

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2019791478

Country of ref document: EP

Effective date: 20201123