WO2019207881A1 - 故障診断装置、故障診断方法並びに故障診断装置が適用された機械 - Google Patents

故障診断装置、故障診断方法並びに故障診断装置が適用された機械 Download PDF

Info

Publication number
WO2019207881A1
WO2019207881A1 PCT/JP2019/003132 JP2019003132W WO2019207881A1 WO 2019207881 A1 WO2019207881 A1 WO 2019207881A1 JP 2019003132 W JP2019003132 W JP 2019003132W WO 2019207881 A1 WO2019207881 A1 WO 2019207881A1
Authority
WO
WIPO (PCT)
Prior art keywords
failure
tree
machine
fault
component
Prior art date
Application number
PCT/JP2019/003132
Other languages
English (en)
French (fr)
Inventor
洋平 丹野
清水　勇喜
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 US17/041,358 priority Critical patent/US11892828B2/en
Publication of WO2019207881A1 publication Critical patent/WO2019207881A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G05B23/0278—Qualitative, e.g. if-then rules; Fuzzy logic; Lookup tables; Symptomatic search; FMEA
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
    • G05B23/0248—Causal models, e.g. fault tree; digraphs; qualitative physics
    • 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
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/027—Alarm generation, e.g. communication protocol; Forms of alarm
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
    • G05B23/0251—Abstraction hierarchy, e.g. "complex systems", i.e. system is divided in subsystems, subsystems are monitored and results are combined to decide on status of whole system

Definitions

  • the present invention relates to a failure diagnosis apparatus for diagnosing a failure mode and a cause of failure in real time based on operation data and a machine to which the failure diagnosis apparatus is applied.
  • FTA fault Tree Analysis
  • the cause of a failure and a failure mode that can occur in the future are analyzed using a failure tree in which a causal relationship between a failure mode to be evaluated and a cause of failure is developed on a tree.
  • the FTA at the design stage can lead to the prevention of an accident from the awareness of a potential failure mode, and the FTA at the time of the accident can contribute to the investigation of the cause of the accident and the prevention of recurrence.
  • the quality of the failure tree may depend on the skill and experience of the creator. For example, when an inexperienced young person creates a fault tree, he / she does not notice an unknown failure mode or cause, or when an experienced veteran creates a fault tree, a natural phenomenon is skipped by a jump in thinking Events that should be defined in the tree may fall out.
  • Patent Document 1 states that “each failure mode is set with a weight in advance and another failure mode is analyzed before or during the execution of one failure mode analysis procedure. When the mode is detected, the process is executed in accordance with the set weighting order. "
  • the fault tree is used to estimate and process the failure mode and the failure cause to be evaluated.
  • the quality of the fault tree depends on the skill and experience of the creator, and there are omissions in each event, and it is difficult to accurately define the probability of each event. There are challenges.
  • the above-mentioned patent document 1 is a publicly known example of a failure diagnosis device utilizing FTA, but the failure tree, failure mode, and weighting used for failure diagnosis are defined in advance in a database in the device. Information is used.
  • the accuracy of failure diagnosis depends on the accuracy of the failure tree and failure mode defined in advance. In these preparation processes, there is a possibility that variations in failure diagnosis accuracy may occur due to omission of each event or inaccuracy of occurrence probability due to personality.
  • An object of the present invention is to provide a failure diagnosis apparatus, a failure diagnosis method, and a machine to which the failure diagnosis apparatus is applied that diagnoses a failure mode and a failure cause that are appropriate.
  • the "failure degree analysis unit for calculating the degree of abnormality of each component constituting the machine from the machine input / output data and the threshold value is a fault diagnosis apparatus for the machine in operation.
  • a component failure tree that correlates the component failure and the sensor failure in the component is held, and the component failure tree is linked based on the correlation between the input and output data of each component.
  • a fault tree automatic generator that generates the entire fault tree, a fault analyzer that analyzes machine faults from information on the degree of abnormality and the fault tree of the entire machine, and a display that displays and alerts the information analyzed by the fault analyzer
  • the fault diagnosis device is characterized by having a section.
  • a method for diagnosing an operating machine composed of a plurality of parts including a sensor for detecting input / output data, wherein for each part, the part failure is associated with the sensor in the part.
  • a fault tree of parts is stored, and according to the correlation between input and output data of a plurality of parts, the fault trees of the parts are concatenated to generate a fault tree of the entire machine, and the fault tree of the entire machine.
  • the failure diagnosis method is characterized by analyzing the failure of the machine from the information of ".”
  • the fault diagnosis apparatus since a fault tree of the entire machine is automatically generated based on various data of the machine in operation, the personality related to tree construction is reduced.
  • the degree of abnormality of each part and the degree of failure of the entire machine are calculated in real time based on various data during operation and the automatically generated failure tree. This makes it possible to make a reasonable diagnosis regarding a failure mode that is being performed or a failure mode that may occur in the future. In addition, displaying the diagnostic information and alarming it, and feeding it back to the machine in operation leads to improved machine operation reliability.
  • FIG. 1 shows a configuration example diagram of a failure diagnosis apparatus according to Embodiment 1 of the present invention.
  • the failure diagnosis apparatus 100 of the present invention is applied to the machine 110 in operation, and includes an abnormality analysis unit 120, a failure tree automatic generation unit 130, a failure analysis unit 140, and a display unit 150.
  • the operating machine 110 that is a diagnosis target in the present invention will be described.
  • the machine is configured in such a manner that each part such as an electrical part or a machine element is connected, and the operating machine 110 in FIG. 1 is composed of part A, part B, part C, and part D.
  • An example is shown.
  • component B is connected to component B and component C
  • component D is connected to component D.
  • various sensors S that measure displacement, temperature, and the like are attached to the operating machine 110 in order to monitor and control the state of the machine.
  • the sensor Sa such as Sa1, Sa2, and Sa3 is attached to the part A
  • the sensor Sb such as Sb1 and Sb2 is attached to the part B
  • the sensors Sc and Sd are also attached to the parts C and D. It is attached.
  • the operating machine 110 is composed of a plurality of parts, which are connected to each other, and each of the plurality of parts includes one or more sensors.
  • the present invention grasps the range including the sensor as a part.
  • the failure tree automatic generation unit 130 includes a tree database DB, in which a component tree 132 in which the causal relationship between failure modes and failure causes of various components such as electrical components and machine elements is stored. Has been. Further, the fault tree automatic generation unit 130 inputs sensor data from the operating machine 110 to be diagnosed or control data for the operating machine 110 and uses it for creating a fault tree in the tree database DB. Details of the fault tree automatic generation unit 130 will be described later with reference to FIG.
  • the control data and sensor data of the operating machine 110 are also input to the abnormality degree analysis unit 120.
  • the degree of abnormality analysis unit 120 compares the threshold value (allowable value) set for each sensor of each component with the output data of each sensor, and calculates the degree of abnormality.
  • the threshold value and the sensor data are compared in real time in time series, and the degree of abnormality is determined to be higher as the sensor data becomes closer to the threshold value.
  • the degree of abnormality is calculated for each sensor of each component.
  • the abnormality level of each part and each sensor output by the abnormality level analysis unit 120 of FIG. 1 and the failure tree of the entire machine output by the failure tree automatic generation unit 130 are input to the failure analysis unit 140 and analyzed by the analysis here.
  • the failure part, the failure mode, the failure degree, and the like are obtained and displayed on the display unit 150. Details of the failure analysis unit 140 and the display unit 150 will be described later with reference to FIG.
  • the control data and sensor data of the operating machine 110 are input to the fault tree automatic generation unit 130 in FIG.
  • the failure tree automatic generation unit 130 includes a tree database DB and a failure tree generation unit 132.
  • the tree database DB is composed of a component tree storage unit DB1 and a failure tree storage unit DB2.
  • the component tree storage unit DB1 stores a component tree (221, 222, 223, 224, etc.) in which the causal relationship between failure modes and causes of various components such as electrical components and machine elements is defined.
  • the failure tree storage unit DB2 stores the failure tree generated by the failure tree generation unit 132 and provides the failure tree to the failure analysis unit 140 of FIG.
  • the failure tree generation unit 132 connects the component trees (221, 222, 223, 224, etc.) of various components stored in the component tree storage unit DB1, and automatically generates a failure tree for the entire operating machine.
  • the component tree 2 exemplifies 221, 222, 223, and 224 as the component trees stored in the component tree storage unit DB 1.
  • These parts trees are defined in the causal relationship between failure modes and causes of various parts.
  • the failure of the part A is the failure of the sensor Sa1, the failure of the sensor Sa2, and the failure of the sensor Sa3.
  • the failure of the component B is defined as a sensor Sb1 failure, a sensor Sb2 failure, and a sensor Sb3 failure.
  • the other component trees 223 and 224 have the same configuration.
  • the cause-and-effect relationship between the failure mode of the component and the failure cause is, for example, that the failure mode of the component (component A failure) is burned in, and the cause of failure is excessive temperature (temperature sensor Sa1), excessive rotational speed (rotational speed sensor Sa2), lubrication. Oil shortage (flow rate sensor Sa3).
  • the plurality of component trees 221, 222, 223, and 224 are formed independently of each other, and the component trees are not connected to each other.
  • the component trees are connected using control data and sensor data obtained through operation of the operating machine 110.
  • the tree of various parts is connected so as to simulate the entire machine based on the correlation between the data input from the operating machine 110 to the fault tree automatic generation unit 130.
  • FIG. 3 is an example showing a time change of data input to the failure tree automatic generation unit 130. From the top, the control data for the component A, the detection values by the sensors Sa1, Sa2, and Sa3, and the control for the component B are shown. The time change of the detected value by data and sensor Sb1, Sb2, Sb3 is illustrated.
  • the failure tree automatic unit 132 For each data input to the failure tree automatic generation unit 130, when the correlation coefficient between the data is calculated, the correlation between the control data for controlling the part B and the sensor Sa1 of the part A in the example of FIG. The number is the highest. In this case, it can be said that there is a high possibility that the failure of the component B leads to the failure of the sensor Sa1 part because the component B and the sensor Sa1 are linked.
  • the failure tree automatic unit 132 performs “Sa1 failure” of an event constituting the component A tree 221 and “component B failure” of an event constituting the component B tree 222. Connect.
  • These correlations are similarly obtained between control data and sensor data, and a tree is constructed by connecting highly correlated data sequences. At this time, a tree is formed between the two highly correlated data, including the causal relationship that indicates which is on the causal side, which is on the result side, or the relationship that affects each other. It is better.
  • the part C tree 223 and the part D tree 224 are also connected based on the correlation between the data, and a fault tree of the entire machine to which the parts are connected is automatically constructed.
  • the constructed failure tree of the entire machine is stored in the failure tree storage unit DB2 of the tree database DB, and can be reused when making a failure diagnosis of a machine having a similar component configuration.
  • FIG. 4 is a diagram showing a detailed configuration of the failure analysis unit 140 and the display unit 150. According to FIG. 4, the abnormality level of each component and each sensor output by the abnormality level analysis unit 120 of FIG. 1 and the failure tree of the entire machine output by the failure tree automatic generation unit 130 are input to the failure analysis unit 140.
  • the abnormality level of each component and each sensor output by the abnormality level analysis unit 120 of FIG. 1 and the failure tree of the entire machine output by the failure tree automatic generation unit 130 are input to the failure analysis unit 140.
  • a failure tree of the entire machine configured by a component A tree 221, a component B tree 222, a component C tree 223, and a component D tree 224, and abnormalities in each component and each sensor Based on the degree, the failure site, failure mode, and failure degree are analyzed.
  • the abnormality level of each component and each sensor is normalized from the output data and the threshold value in the abnormality level analysis unit 120.
  • the level of each abnormality level in the entire machine It is possible to estimate a site where there is a high possibility of a failure.
  • the failure degree of a single component can be estimated by integrating the degree of abnormality of each sensor in the component, and the failure degree of the entire machine can be estimated by integrating the failure degree of each component. Furthermore, by combining the failure part and the failure tree, it is possible to estimate a failure mode that occurs at that time and a failure mode that can occur in conjunction with the failure mode.
  • the failure part, failure mode, and failure level output by the failure analysis unit 140 are input to the display unit 150.
  • the display unit 150 outputs and clearly indicates the failure site, failure mode, and failure level in a simple format, and has a function of warning an alarm when the failure level exceeds a threshold. Support your work.
  • the information displayed on the display unit 150 is not limited to the example illustrated in FIG. 4.
  • the failure tree of the entire machine used in the failure analysis unit 140, the failure mode and the cause of failure are displayed in FMEA (Failure Mode and Effects Analysis).
  • FMEA Feilure Mode and Effects Analysis
  • the result output as a tabular form may be displayed.
  • various types of information output by the failure analysis unit 140 are fed back to the machine in operation, and are also used to control the operation of the machine according to the degree of failure.
  • FIG. 5 shows an explanatory diagram of failure degree calculation according to Embodiment 2 of the present invention.
  • Example 1 the degree of failure of each part or the entire machine was calculated based on the degree of abnormality output from the degree of abnormality analysis unit 120.
  • the failure degree is calculated from the content of the failure tree output from the failure tree automatic generation unit 130.
  • FIG. 5 shows an example in which a part 410 tree 410 is extracted from the failure tree of the entire machine, and a specific failure mode is described in each event constituting the part A tree 410.
  • “failure” is described in the first event (top event) of the part A tree 410
  • “break”, “overheating”, “deformation”, etc. are described as the cause in the second event below the first event.
  • the third event under “rupture” is expanded as “overload” and “corrosion”
  • the fourth event under “overload” is expanded as “abnormal vibration” and “bad lubrication”.
  • breakage”, “overheating”, “deformation”, “overload”, “corrosion”, “abnormal vibration”, “poor lubrication”, etc. are described as the cause. It can be determined in association with each other. For example, a temperature sensor and “overheat”, a load sensor and “overload”, a rotation speed sensor and “abnormal vibration”, and a flow rate sensor and “lubrication failure” are associated with each other.
  • the part A tree 410 may include a plurality of events having the same notation. For example, as shown by the bold line portion in FIG. 5, a plurality of “Lubrication Failures” are included in the part A tree 410, “Lubrication Failure” 411 leading to “Overload”, and “Lubrication Failure” 412 leading to “Foreign Object Contamination” , “Lubrication failure” 413 leading to “large friction”.
  • Example 2 when calculating the failure degree, the number of events with the same notation is counted, and the failure degree is set higher as the number increases. For example, when an abnormality is detected by a temperature sensor at a contact portion of a certain part, as shown in FIG. 5, one “temperature abnormality” 414 in the tree is counted, and a lubricating oil sensor (oil amount, viscosity, etc.) of the lubricating portion is counted. ), Three “bad lubrication” 411, 412, and 413 in the part A tree 410 are counted. In this case, since the count number of “Lubrication failure” is larger than the count number of “Temperature abnormality”, the failure degree of the lubrication part is set high.
  • the degree of failure may be calculated by combining the degree of abnormality output from the degree of abnormality analysis unit 120 and the above method.
  • the hierarchy position of the target event is calculated, and the failure degree is calculated by combining the position and the above method. Good.
  • the failure tree of the entire machine is automatically generated based on various data of the machine in operation, so that the personality related to tree construction is reduced.
  • the degree of abnormality of each part and the degree of failure of the entire machine are calculated in real time based on various data during operation and automatically generated failure trees, so the failure mode occurring at that time and the future A reasonable diagnosis of possible failure modes is possible.
  • displaying the diagnostic information and alarming it, and feeding it back to the machine in operation leads to improved machine operation reliability.
  • the present invention can be applied universally to various machines.
  • Failure diagnosis device 110 Operating machine Sa: Component A sensor group Sb: Component B sensor group Sc: Component C sensor group Sd: Component D sensor group 120: Abnormality analysis unit 130: Failure Automatic tree generation unit, DB: tree database, 132: failure tree generation unit, 140: failure analysis unit, 150: display unit, DB1: part tree storage unit, DB2: failure tree storage unit, 221 and 410: component A tree, 222: Component B tree, 223: Component C tree, 224: Component D tree, 411, 412, 413, 414: Event in tree

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Human Computer Interaction (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • General Factory Administration (AREA)

Abstract

故障ツリー構築に関する属人性を軽減するとともに、故障診断精度を向上させ、稼働中機械の信頼性を向上させる。稼働中の機械の故障診断装置であって、機械の入出力データと閾値の比較から機械を構成している各部品の異常度を算出する異常度分析部と、各部品について、部品の故障と部品内のセンサの故障とを関連付けた部品の故障ツリーを保有し、各部品の入出力データ間の相関関係から、部品の故障ツリーを連結して、機械全体の故障ツリーを生成する故障ツリー自動生成部と、異常度と機械全体の故障ツリーの情報から、機械の故障を分析する故障分析部と、故障分析部で分析した情報を表示、警報する表示部を備えていることを特徴とする故障診断装置。

Description

故障診断装置、故障診断方法並びに故障診断装置が適用された機械
　本発明は、稼働中の機械に関して、稼動データに基づいてリアルタイムで故障モードや故障原因を診断する故障診断装置故障診断方法並びに故障診断装置が適用された機械に関するものである。
　機械やシステムの故障モードや故障原因を網羅的に分析する手法として、ＦＴＡ（Ｆａｕｌｔ　Ｔｒｅｅ　Ａｎａｌｙｓｉｓ）がある。ＦＴＡでは、評価対象の故障モードと故障原因との因果関係をツリー上に展開した故障ツリーを用いて、故障の原因や、将来的に起こり得る故障モードを分析する。設計段階でのＦＴＡにより、潜在する故障モードの気付きから、事故の未然防止に繋げることができ、また事故発生時のＦＴＡにより、事故の原因究明や再発防止に寄与することができる。
　しかしながら、ＦＴＡで使用する故障ツリーの課題として、故障ツリーの品質が作成者のスキル、経験に依存することがある。例えば、経験の浅い若手が故障ツリーを作成する場合、未知の故障モードや原因に気付かなかったり、経験豊富なベテランが作成する場合、思考のジャンプにより当然の事象を飛ばしてしまったりして、故障ツリー内に定義すべき事象が抜け落ちる可能性がある。
　また、ツリー内の各事象に発生確率を定義することで、故障ツリーの頂上事象に至る確率を推定することも可能であるが、膨大な使用条件や環境条件が考えられる各事象において、発生確率を精度良く定義するのは困難である。
　ＦＴＡを活用した故障診断装置に関する公知例として、特許文献１には、「それぞれの故障モードにあらかじめ重み付けを設定しておき、一つの故障モードの解析手順の実行前、または実行中に他の故障モードが検出されるときには、その設定された重み付けの順にしたがって、その処理を実行する」と記載されている。
特開２００７－２６８０１８号公報
　ＦＴＡを活用した故障診断装置では、評価対象の故障モードと故障原因を推定、処理するために、故障ツリーを使用する。
　しかしながら、前述の通り、故障ツリーの品質が作成者のスキル、経験に依存し、各事象に抜け漏れが発生することや、各事象の発生確率を精度良く定義するのが困難であることなどの課題がある。
　上記の特許文献１は、ＦＴＡを活用した故障診断装置に関する公知例であるが、故障診断に使用している故障ツリーや、故障モード、およびそれらの重み付けは、装置内のデータベースにあらかじめ定義された情報を使用している。
　すなわち、故障診断の精度は、あらかじめ定義されている故障ツリーや故障モードの精度に左右される。それらの作成過程では、属人性により、各事象の抜け漏れや発生確率の精度不良などで、故障診断精度にばらつきが発生する可能性がある。
　以上のことから本発明においては、ＦＴＡを活用した故障診断装置に関して、上記のような課題を解決するためになされたものであり、稼働中の機械の各種データに基づいて、属人性を軽減した上で妥当な故障モードや故障原因を診断する故障診断装置、故障診断方法並びに故障診断装置が適用された機械を提供することを目的とする。
　以上のことから本発明においては、「稼働中の機械の故障診断装置であって、機械の入出力データと閾値の比較から機械を構成している各部品の異常度を算出する異常度分析部と、各部品について、部品の故障と部品内のセンサの故障とを関連付けた部品の故障ツリーを保有し、各部品の入出力データ間の相関関係から、部品の故障ツリーを連結して、機械全体の故障ツリーを生成する故障ツリー自動生成部と、異常度と機械全体の故障ツリーの情報から、機械の故障を分析する故障分析部と、故障分析部で分析した情報を表示、警報する表示部を備えていることを特徴とする故障診断装置」としたものである。
　また本発明においては、「入出力データを検知するセンサを含む複数の部品により構成された稼働中の機械の故障診断方法であって、各部品について、部品の故障と部品内のセンサとを関連付けた部品の故障ツリーを保有し、複数の部品の入出力データ間の相関関係に応じて、部品の故障ツリーを連結して、機械の全体の故障ツリーを生成するとともに、機械の全体の故障ツリーの情報から機械の故障を分析することを特徴とする故障診断方法」としたものである。
　また本発明においては、「上記の故障診断装置が適用された機械」としたものである。
　本発明に係る故障診断装置では、稼働中の機械の各種データに基づいて、機械全体の故障ツリーが自動で生成されるため、ツリー構築に関する属人性が軽減される。
　また本発明の実施例によれば、各部品の異常度や機械全体の故障度は、稼働中の各種データや、自動生成された故障ツリーに基づいてリアルタイムで算出されるため、その時点で発生している故障モードや、将来起こり得る故障モードに関して、妥当な診断が可能となる。また、それらの診断情報を表示・警報したり、稼働中の機械にフィードバックしたりすることにより、機械運転の信頼性向上につながる。
本発明の実施例１に係る故障診断装置の構成例を示す図。 故障ツリー自動生成部の構成例を示す図。 故障ツリー自動生成部１３０に入力されるデータの時間変化事例を示す図。 故障分析部１４０と表示部１５０の詳細構成を示す図。 本発明の実施例２に係る故障度算出手法を示す図。
　以下、本発明の実施例について図面を用いて説明する。
　図１は、本発明の実施例１に係る故障診断装置の構成例図を示している。
　本発明の故障診断装置１００は、稼働中機械１１０に適用されるものであり、異常度分析部１２０、故障ツリー自動生成部１３０、故障分析部１４０、表示部１５０により構成されている。
　まず本発明における診断対象である稼働中機械１１０について説明する。一般的に、機械は電気部品や機械要素などの各部品が連結された形で構成されており、図１の稼働中機械１１０は、部品Ａ、部品Ｂ、部品Ｃ、部品Ｄで構成された例を示している。また部品Ａには、部品Ｂ、部品Ｃが連結され、部品Ｃには部品Ｄが連結されているものとする。
　また、稼働中機械１１０には、機械の状態をモニタリング、制御するために、変位や温度などを計測する各種センサＳが取り付けられている。図１の例では、部品ＡにＳａ１、Ｓａ２、Ｓａ３などのセンサＳａ、部品ＢにＳｂ１、Ｓｂ２などのセンサＳｂが取り付けられており、同様に、部品Ｃ、部品ＤにもセンサＳｃ、Ｓｄが取り付けられている。
　このように本発明における稼働中機械１１０は複数の部品で構成され、これら部品が連結されており、かつ複数の部品は夫々１つ以上のセンサを備えるものとされている。別の言い方をすると、本発明ではセンサを含む範囲を部品として把握したものである。
　次に故障診断装置１００に備えるべき機能について説明する。まず故障ツリー自動生成部１３０は、ツリーデータベースＤＢを備えており、その中には、電気部品や機械要素などの各種部品の故障モードと故障原因の因果関係が定義された部品ツリー１３２などが格納されている。また故障ツリー自動生成部１３０は、診断対象である稼働中機械１１０からのセンサデータ、あるいは稼働中機械１１０に対する制御データなどを入力しており、ツリーデータベースＤＢにおける故障ツリー作成に利用している。故障ツリー自動生成部１３０の詳細について図２を用いて後述する。
　稼働中機械１１０の制御データやセンサデータは、異常度分析部１２０にも入力されている。異常度分析部１２０では、各部品の各センサに設定している閾値（許容値）と、各センサの出力データを比較し、異常度を算出する。閾値とセンサデータは時系列にリアルタイムで比較され、センサデータが閾値に近い値になるほど、異常度を高く判定する。異常度は、各部品の各センサそれぞれで算出される。
　図１の異常度分析部１２０で出力した各部品、各センサの異常度と、故障ツリー自動生成部１３０で出力した機械全体の故障ツリーは、故障分析部１４０に入力され、ここでの分析により、故障部位、故障モード、故障度などが得られ、表示部１５０により表示される。故障分析部１４０と表示部１５０の詳細について図４を用いて後述する。
　以下、故障診断装置１００を構成する各機能について詳細に説明する。まず、図２において故障ツリー自動生成部１３０の具体的な構成と機能を説明する。
　図２の故障ツリー自動生成部１３０には、稼働中機械１１０の制御データやセンサデータが入力されている。また故障ツリー自動生成部１３０は、ツリーデータベースＤＢと、故障ツリー生成部１３２により構成されている。
　このうちツリーデータベースＤＢは、部品ツリー格納部ＤＢ１と、故障ツリー格納部ＤＢ２により構成されている。部品ツリー格納部ＤＢ１には、電気部品や機械要素などの各種部品の故障モードと故障原因の因果関係が定義された部品ツリー（２２１、２２２、２２３、２２４など）が格納されている。これに対し、故障ツリー格納部ＤＢ２には、故障ツリー生成部１３２により生成された故障ツリーが格納され、図１の故障分析部１４０に提供される。
　故障ツリー生成部１３２では、部品ツリー格納部ＤＢ１に格納された各種部品の部品ツリー（２２１、２２２、２２３、２２４など）を連結して、稼働中機械全体の故障ツリーを自動で生成する。
　図２の故障ツリー生成部１３２には、部品ツリー格納部ＤＢ１に格納された部品ツリーとして、２２１、２２２、２２３、２２４を例示している。これらの部品ツリーは各種部品の故障モードと故障原因の因果関係が定義されたものであり、例えば部品Ａツリー２２１についてみると、部品Ａの故障は、センサＳａ１故障、センサＳａ２故障、センサＳａ３故障として定義されている。同様に部品Ｂツリー２２２についてみると、部品Ｂの故障は、センサＳｂ１故障、センサＳｂ２故障、センサＳｂ３故障として定義されている。他の部品ツリー２２３、２２４も同じ構成とされている。なお部品の故障モードと故障原因の因果関係は、例えば部品の故障モード（部品Ａ故障）が焼き付きであり、故障原因は温度過大（温度センサＳａ１）、回転速度過大（回転速度センサＳａ２）、潤滑油不足（流量センサSａ3）などである。
　故障診断装置１００を、稼働中機械１１０に適用した当初の状態において、上記複数の部品ツリー２２１、２２２、２２３、２２４は互いに独立に形成されており、部品ツリーの間は、互いに連結されていない。本発明では、稼働中機械１１０の運転を通じて入手される制御データや、センサデータを用いて、部品ツリー間を連結していく。各種部品のツリーは、稼働中機械１１０から故障ツリー自動生成部１３０に入力される各データ間の相関関係に基づいて、機械全体を模擬するように連結される。
　図３は、故障ツリー自動生成部１３０に入力されるデータの時間変化を示す事例であり、上から部品Ａについて、その制御データ、センサＳａ１、Ｓａ２、Ｓａ３による検出値、部品Ｂについて、その制御データ、センサＳｂ１、Ｓｂ２、Ｓｂ３による検出値の時間変化を例示している。
　故障ツリー自動生成部１３０に入力される各データについて、データ間の相関係数を算出したときに、図３の例では部品Ｂを制御している制御データと、部品ＡのセンサＳａ１の相関係数が最も高かったものとする。この場合、部品ＢとセンサＳａ１が連動しており、部品Ｂの故障がセンサＳａ１部の故障につながる可能性が高いということができる。故障ツリー自動部１３２は、この場合、図２のように、部品Ａツリー２２１を構成している事象の「Ｓａ１故障」と、部品Ｂツリー２２２を構成している事象の「部品Ｂ故障」を連結させる。これらの相関は、制御データ間や、センサデータ間でも同様に求められ、相関の高いデータ通しを結び付けてツリーを構築していく。またこのときに、相関の高い２つのデータ間で、いずれが原因側にあり、いずれが結果側にあるのか、或は相互に影響しあう関係にあるのかの因果関係も含めてツリーが形成されるのがよい。
　同様にして、部品Ｃツリー２２３や部品Ｄツリー２２４に関しても、各データ間の相関関係に基づいて連結させ、各部品が連結した機械全体の故障ツリーを自動的に構築する。構築された機械全体の故障ツリーは、ツリーデータベースＤＢの故障ツリー格納部ＤＢ２に保存され、同様の部品構成を有する機械の故障診断をする際に、再利用することができる。
　図４は、故障分析部１４０と表示部１５０の詳細構成を示す図である。図４によれば、図１の異常度分析部１２０で出力した各部品、各センサの異常度と、故障ツリー自動生成部１３０で出力した機械全体の故障ツリーは、故障分析部１４０に入力される。
　図４に示すように、故障分析部１４０では、部品Ａツリー２２１、部品Ｂツリー２２２、部品Ｃツリー２２３、部品Ｄツリー２２４で構成される機械全体の故障ツリーと、各部品、各センサの異常度に基づいて、故障部位、故障モード、故障度を分析する。
　例えば、各部品、各センサの異常度は、異常度分析部１２０において、出力データと閾値から正規化されているため、それぞれの異常度をリスト化、昇順化することで、機械全体の中で故障が発生している可能性が高い部位が推定できる。
　また、例えば部品内の各センサの異常度を積算することで部品単体の故障度を推定でき、各部品の故障度を積算することで機械全体の故障度を推定できる。さらに、故障部位と故障ツリーを組み合わせることで、その時点で生じている故障モードと、連動して起こり得る故障モードを推定できる。
　例えば、図４の太線部に示すように、部品ＢのセンサＳｂ２部に故障（異常振動など）が発生した場合、それが部品Ｂの故障につながり、それに連結しているセンサ部Ｓａ１、部品Ａの故障につながる可能性を示すことができる。
　故障分析部１４０で出力した故障部位、故障モード、故障度は、表示部１５０に入力される。表示部１５０は、故障部位、故障モード、故障度を簡便な形式で出力、明示するとともに、故障度が閾値を超えた場合に、アラームを警報する機能などを有し、機械の運転保守員の作業をサポートする。
　なお、表示部１５０で表示する情報は、図４で示した例に限らず、例えば、故障分析部１４０で使用した機械全体の故障ツリーや、故障モードと故障原因をＦＭＥＡ（Ｆａｉｌｕｒｅ　Ｍｏｄｅ　ａｎｄ　Ｅｆｆｅｃｔｓ　Ａｎａｌｙｓｉｓ）の表形式として出力した結果などを表示してもよい。また、故障分析部１４０で出力した各種の情報は、稼働中の機械にフィードバックされ、故障度に応じて機械の運転を制御することにも活用される。
　図５は、本発明の実施例２に係る故障度算出の説明図を示している。
　実施例１では、各部品や機械全体の故障度は、異常度分析部１２０から出力される異常度に基づいて算出していた。これに対し、実施例２では、故障ツリー自動生成部１３０から出力される故障ツリーの内容から故障度を算出する。
　図５は、機械全体の故障ツリーから、部品Ａのツリー４１０を抜粋し、部品Ａツリー４１０を構成している各事象に具体的な故障モードが記載された例を示している。例えば、部品Ａツリー４１０の第一事象（頂上事象）には、「故障」が記載され、その下の第二事象には、その原因として「破断」「過熱」「変形」などが記載される。また、「破断」の下の第三事象には「過負荷」「腐食」と展開され、さらに、「過負荷」の下の第四事象には「異常振動」「潤滑不良」などと展開される。
　なお第二事象以下には、その原因としての「破断」「過熱」「変形」「過負荷」「腐食」「異常振動」「潤滑不良」などが記載されているが、これらはセンサ種別により予め対応付けて定めておくことができる。例えば温度センサと「過熱」、負荷センサと「過負荷」、回転数センサと「異常振動」、流量センサと「潤滑不良」が、対応付けられる。
　ここで、部品Ａツリー４１０内には、同一の表記の事象が複数含まれる場合がある。例えば、図５の太線部に示すように、「潤滑不良」は部品Ａツリー４１０内に複数含まれ、「過負荷」につながる「潤滑不良」４１１、「異物混入」につながる「潤滑不良」４１２、「摩擦大」につながる「潤滑不良」４１３などがある。
　これは、同一の事象が複数の故障モードに影響することを示唆しており、同一表記の事象数が多ければ多いほど、故障につながる可能性が高いと考えられる。すなわち、実施例２では、故障度を算出する際に、同一表記の事象数をカウントし、その数が多いほど故障度を高く設定する。例えば、ある部位の接触部の温度センサで異常を感知した場合、図５に示すように、ツリー内の「温度異常」４１４が１つカウントされ、潤滑部の潤滑油センサ（油量、粘度など）で異常を感知した場合、部品Ａツリー４１０内の「潤滑不良」４１１、４１２、４１３が３つカウントされる。このケースでは、「潤滑不良」のカウント数が「温度異常」のカウント数よりも多いため、潤滑部の故障度を高く設定する。
　なお、故障度を算出する際は、同一表記の事象数のみカウントしてもよいし、その事象に付属している下位のツリーの事象数も含めてカウントしてもよい。また、異常度分析部１２０で出力される異常度と上記方法を組み合わせて、故障度を算出してもよい。さらに、故障ツリーの特性として、階層が上位になるほど、重大な故障モードになる傾向があるため、対象事象の階層位置を算出し、その位置と上記方法を組み合わせて、故障度を算出してもよい。
　上記で示した各実施例とすることにより、稼働中の機械の各種データに基づいて、機械全体の故障ツリーが自動で生成されるため、ツリー構築に関する属人性が軽減される。また、各部品の異常度や機械全体の故障度は、稼働中の各種データや、自動生成された故障ツリーに基づいてリアルタイムで算出されるため、その時点で発生している故障モードや、将来起こり得る故障モードに関して、妥当な診断が可能となる。また、それらの診断情報を表示・警報したり、稼働中の機械にフィードバックしたりすることにより、機械運転の信頼性向上につながる。本発明は、各種の機械に汎用的に適用することができる。
１００：故障診断装置、１１０：稼働中機械、Ｓａ：部品Ａセンサ群、Ｓｂ：部品Ｂセンサ群、Ｓｃ：部品Ｃセンサ群、Ｓｄ：部品Ｄセンサ群、１２０：異常度分析部、１３０：故障ツリー自動生成部、ＤＢ：ツリーデータベース、１３２：故障ツリー生成部、１４０：故障分析部、１５０：表示部、ＤＢ１：部品ツリー格納部、ＤＢ２：故障ツリー格納部、２２１、４１０：部品Ａツリー、２２２：部品Ｂツリー、２２３：部品Ｃツリー、２２４：部品Ｄツリー、４１１、４１２、４１３、４１４：ツリー内事象

Claims (7)

  1. 　稼働中の機械の故障診断装置であって、
    　前記機械の入出力データと閾値の比較から前記機械を構成している各部品の異常度を算出する異常度分析部と、前記各部品について、部品の故障と部品内のセンサの故障とを関連付けた部品の故障ツリーを保有し、前記各部品の入出力データ間の相関関係から、前記部品の故障ツリーを連結して、機械全体の故障ツリーを生成する故障ツリー自動生成部と、前記異常度と前記機械全体の故障ツリーの情報から、前記機械の故障を分析する故障分析部と、該故障分析部で分析した情報を表示、警報する表示部を備えていることを特徴とする故障診断装置。
  2. 　請求項１に記載の故障診断装置であって、
    　前記部品の故障ツリーについて、前記センサの故障は、当該故障により引き起こされる事象により表記されており、前記異常度分析部で分析した異常度が高い故障モードに関して、前記故障分析部は、前記機械全体の故障ツリー内で、同一の表記の事象数を計数し、その数に基づいて故障度を算出することを特徴とする故障診断装置。
  3. 　請求項１または請求項２に記載の故障診断装置であって、
    　前記故障分析部で分析した情報を前記機械に入力して、前記機械の運転を制御することを特徴とする故障診断装置。
  4. 　請求項１から請求項３のいずれか1項に記載の故障診断装置であって、
    　前記異常度分析部で分析した異常度が高い故障モードに関して、前記故障分析部は、前記機械全体の故障ツリー内で、前記故障モードが記述されている階層位置を算出し、その位置に基づいて故障度を算出することを特徴とする故障診断装置。
  5. 　請求項１から請求項４のいずれか1項に記載の故障診断装置であって、
    　前記故障分析部において分析される機械の故障とは、故障部位、故障モード、故障度のいずれかを含むことを特徴とする故障診断装置。
  6. 　入出力データを検知するセンサを含む複数の部品により構成された稼働中の機械の故障診断方法であって、
    　前記各部品について、部品の故障と部品内のセンサとを関連付けた部品の故障ツリーを保有し、複数の前記部品の入出力データ間の相関関係に応じて、前記部品の故障ツリーを連結して、前記機械の全体の故障ツリーを生成するとともに、前記機械の全体の故障ツリーの情報から前記機械の故障を分析することを特徴とする故障診断方法。
  7. 　請求項１から請求項５のいずれか1項に記載の故障診断装置が適用された機械。
PCT/JP2019/003132 2018-04-24 2019-01-30 故障診断装置、故障診断方法並びに故障診断装置が適用された機械 WO2019207881A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US17/041,358 US11892828B2 (en) 2018-04-24 2019-01-30 Fault diagnosis device, fault diagnosis method and machine to which fault diagnosis device is applied

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018-082847 2018-04-24
JP2018082847A JP7251924B2 (ja) 2018-04-24 2018-04-24 故障診断装置、故障診断方法並びに故障診断装置が適用された機械

Publications (1)

Publication Number Publication Date
WO2019207881A1 true WO2019207881A1 (ja) 2019-10-31

Family

ID=68293946

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/003132 WO2019207881A1 (ja) 2018-04-24 2019-01-30 故障診断装置、故障診断方法並びに故障診断装置が適用された機械

Country Status (3)

Country Link
US (1) US11892828B2 (ja)
JP (1) JP7251924B2 (ja)
WO (1) WO2019207881A1 (ja)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210247753A1 (en) * 2020-02-07 2021-08-12 Kabushiki Kaisha Yaskawa Denki State estimation device, system, and manufacturing method
CN111639621B (zh) * 2020-06-08 2023-11-17 深圳时珍智能物联技术有限公司 一种传感器信号诊断故障的方法
CN112233420B (zh) * 2020-10-14 2023-12-15 腾讯科技（深圳）有限公司 一种智能交通控制系统的故障诊断的方法及装置
CN112422336A (zh) * 2020-11-10 2021-02-26 深圳市康必达控制技术有限公司 一种故障的智能诊断方法
US20230116034A1 (en) * 2021-09-27 2023-04-13 Jin Ming Wen Data driven reliability development for computing system
CN114386451B (zh) * 2021-12-03 2024-05-03 中铁第一勘察设计院集团有限公司 基于传感器信息感知的接触网吊弦故障诊断报警方法
WO2023238366A1 (ja) * 2022-06-10 2023-12-14 三菱電機株式会社 故障診断装置、故障診断方法および故障診断プログラム

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH01274209A (ja) * 1988-04-26 1989-11-02 Mitsubishi Heavy Ind Ltd プラント故障診断装置
JP2000194561A (ja) * 1998-12-25 2000-07-14 Toshiba Corp 故障木作成装置及び方法並びに故障木作成用ソフトウェアを記録した記録媒体
JP2017111657A (ja) * 2015-12-17 2017-06-22 株式会社日立製作所 設計支援装置及び設計支援方法及び設計支援プログラム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007268018A (ja) 2006-03-31 2007-10-18 Miura Co Ltd 蒸気加熱装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH01274209A (ja) * 1988-04-26 1989-11-02 Mitsubishi Heavy Ind Ltd プラント故障診断装置
JP2000194561A (ja) * 1998-12-25 2000-07-14 Toshiba Corp 故障木作成装置及び方法並びに故障木作成用ソフトウェアを記録した記録媒体
JP2017111657A (ja) * 2015-12-17 2017-06-22 株式会社日立製作所 設計支援装置及び設計支援方法及び設計支援プログラム

Also Published As

Publication number Publication date
JP2019191852A (ja) 2019-10-31
US20210041863A1 (en) 2021-02-11
US11892828B2 (en) 2024-02-06
JP7251924B2 (ja) 2023-04-04

Similar Documents

Publication Publication Date Title
WO2019207881A1 (ja) 故障診断装置、故障診断方法並びに故障診断装置が適用された機械
TWI659283B (zh) 診斷裝置、診斷方法及程式
JP2018500709A5 (ja) コンピューティングシステム、プログラムおよび方法
JP5944241B2 (ja) 連想記憶方式を用いて監視対象システムの健全性を監視するための方法、監視システム、及びコンピュータプログラム製品
JP2013061945A (ja) 状態監視システムおよびその方法
JP6088131B2 (ja) タービン性能診断システム及び方法
US20080167842A1 (en) Method and system for detecting, analyzing and subsequently recognizing abnormal events
JP2004150440A (ja) システム上で診断を行うための方法
JP6998781B2 (ja) 故障診断システム
KR102040179B1 (ko) 제조 설비의 이상 감지 및 진단 방법
US20050203696A1 (en) System and method for diagnosing abnormalities in plant control system
JP2018173948A (ja) 故障診断装置、故障診断方法、及びコンピュータプログラム
JP2010276339A (ja) センサ診断方法およびセンサ診断装置
JP2020027563A (ja) ヘルスモニタリングシステム
JP6375200B2 (ja) 計算機システムの異常予兆検出装置および方法
CN109643113A (zh) 故障诊断装置及故障诊断方法
JP5138396B2 (ja) 生産プロセス異常検知方法および生産プロセス異常検知システム、上記生産プロセス異常検知方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体
JP6881673B2 (ja) 異常検出装置及び異常検出方法
WO2020031225A1 (ja) 異常診断装置及び異常診断方法
JP7453049B2 (ja) 異常予兆監視システム、異常予兆監視方法、及びプログラム
JP7378367B2 (ja) 故障診断装置および故障診断方法
JP7026012B2 (ja) 機器状態監視システム及び機器状態監視方法
WO2015040683A1 (ja) センサ健全性判定方法およびセンサ健全性判定装置
KR101067440B1 (ko) 발전설비 성능이상 원인분석방법
JPH07181292A (ja) プラント運転支援装置

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: 19792445

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19792445

Country of ref document: EP

Kind code of ref document: A1