WO2020174828A1 - 産業機械の予知保全装置、方法、及びシステム - Google Patents

産業機械の予知保全装置、方法、及びシステム Download PDF

Info

Publication number
WO2020174828A1
WO2020174828A1 PCT/JP2019/049433 JP2019049433W WO2020174828A1 WO 2020174828 A1 WO2020174828 A1 WO 2020174828A1 JP 2019049433 W JP2019049433 W JP 2019049433W WO 2020174828 A1 WO2020174828 A1 WO 2020174828A1
Authority
WO
WIPO (PCT)
Prior art keywords
abnormality
parts
possibility
state data
drive system
Prior art date
Application number
PCT/JP2019/049433
Other languages
English (en)
French (fr)
Inventor
浩二 舟橋
勇介 正藤
孟宗 福村
栄自 道場
Original Assignee
コマツ産機株式会社
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 コマツ産機株式会社 filed Critical コマツ産機株式会社
Priority to CN201980075538.XA priority Critical patent/CN113039500A/zh
Priority to US17/293,352 priority patent/US20220011764A1/en
Priority to DE112019005909.2T priority patent/DE112019005909T5/de
Publication of WO2020174828A1 publication Critical patent/WO2020174828A1/ja

Links

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
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • 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
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the present disclosure relates to a predictive maintenance device, a method, and a system for an industrial machine.
  • Industrial machines may be required to detect the occurrence of abnormalities. Therefore, in the conventional technology, an abnormality is determined by detecting a predetermined output value of an industrial machine with a sensor and comparing the detected output value with a threshold value (for example, see Patent Document 1).
  • Patent Document 1 Japanese Patent Application Laid-Open No. 0 2-1959 498
  • An object of the present disclosure is to accurately specify a maintenance target part before a failure occurs in an industrial machine.
  • the predictive maintenance device for an industrial machine includes a determination model and a processor.
  • the decision model has already been learned by machine learning so that the state data is input and the possibility of anomalies for each of multiple parts is output. ⁇ 02020/174828 2 ( ⁇ 171?2019/049433
  • the state data indicates the state of the drive system of the industrial machine. Multiple parts are included in the drive system. The plurality of parts are connected to each other so as to operate in conjunction with each other.
  • the processor gets the status data.
  • the processor acquires the possibility of abnormality in each of the multiple parts from the state data using the judgment model.
  • the processor determines a part to be protected from the plurality of parts based on the possibility of abnormality in the plurality of parts.
  • the method according to the second aspect is a method executed by a processor for predictive maintenance of an industrial machine.
  • the method includes the following processes.
  • the first process is to acquire the state data indicating the state of the drive system of the industrial machine.
  • the second process is to input the state data into the decision model.
  • the decision model has been learned by machine learning so as to output the possibility of abnormality for each of multiple parts.
  • a plurality of parts are included in the drive system.
  • the plurality of parts are connected to each other so as to operate in a linked manner.
  • the third process is to acquire the possibility of abnormality for each of the multiple parts of the industrial machine output from the judgment model.
  • the fourth process is to judge the part to be protected from the plurality of parts based on the possibility of abnormality in the plurality of parts.
  • a predictive maintenance system includes an industrial machine, a storage device, a determination model, and a processor.
  • the storage device stores the status data indicating the status of the industrial machine.
  • the judgment model has been learned by machine learning so that the state data is input and the possibility of anomalies for each of multiple parts is output.
  • a plurality of parts are included in the drive system. The plurality of parts are connected to each other so as to work together.
  • the computer acquires the possibility of abnormality in each of the multiple parts from the state data by using the judgment model.
  • the computer determines the part to be protected from the multiple parts based on the possibility of abnormality in the multiple parts.
  • FIG. 1 A schematic diagram showing a predictive maintenance system according to an embodiment.
  • FIG. 1 A front view of an industrial machine.
  • FIG. 3 A diagram showing a slide drive system.
  • FIG. 4 is a diagram showing a diction drive system.
  • FIG. 5 A flow chart showing the processing executed by the oral-computer.
  • FIG. 6 is a diagram showing an example of analysis data.
  • FIG. 7 is a flow chart showing the processing executed by the server.
  • FIG. 8 This is a flow chart showing the processing executed by the oral-computer.
  • FIG. 9 is a flow chart showing the processing executed by the server.
  • FIG. 10 A diagram showing a determination model.
  • FIG. 11 A diagram showing an example of learning data.
  • FIG. 12 is a diagram showing an example of a maintenance management screen.
  • FIG. 13 is a diagram showing an example of a maintenance management screen.
  • FIG. 1 is a schematic diagram showing a predictive maintenance system 1 according to the embodiment.
  • Predictive maintenance system 1 is a system for determining the parts to be protected before a failure occurs in an industrial machine.
  • the predictive maintenance system 1 includes an industrial machine 281 20, an oral computer 380, and a server 4.
  • the industrial machines 2818 may be located in different areas.
  • the industrial machines 2 81 2 ⁇ may be located in the same area.
  • industrial machinery 2 2 ( 3 may be located in different factories.
  • industrial machinery 2 2 ( 3 may be located in the same factory.
  • the industrial machine 2 818 is a press machine.
  • three industrial machines are shown in FIG. However, if the number of industrial machines is less than three, ⁇ 02020/174828 4 ⁇ (: 171?2019/049433
  • FIG. 2 is a front view of the industrial machine 28.
  • the industrial machine 28 includes a slider 11, a plurality of slide drive systems 1 2 3-1 2, a bolster 16, a bed 17, a die cushion device 18 and a controller 58 (see Fig. 1). ) And.
  • the slider 1 1 is provided so as to be movable up and down.
  • the upper mold 2 1 is attached to the slider 1 1.
  • a plurality of slide drive systems 1 2 3 — 1 2 actuate slider 1 1.
  • the industrial machine 28 includes, for example, four slide drive systems 1 2 3-1 2. In Figure 2, two slide drive systems 1 2 3 and 1 2 are shown.
  • Other slide drive system 1 2 is a slide drive system 1 2 Located behind the swamp. However, the number of slide drive systems is not limited to four,
  • the bolster 16 is arranged below the slider 11.
  • the lower mold 22 is attached to the bolster 16.
  • the bed 17 is located below the bolster 16.
  • the die cushion device 18 applies an upward load to the lower mold 22 during pressing. Specifically, the die cushion device 18 applies an upward load to the blank holder part of the lower mold 2 2 during pressing.
  • the controller 58 controls the operations of the slider 11 and the die cushion device 18.
  • FIG. 3 is a diagram showing the slide drive system 1 28. As shown in FIG. 3, it slides Lee de drive system 1 2 3, the servomotor 2 3 Reducer 2 4 Includes multiple parts such as timing bells 2 5 3 and conrods 2 6 3. The servo motor 2 3 3, the speed reducer 2 4 3, the timing belt 2 5 3 and the compressor 2 6 3 are connected to each other so as to operate in conjunction with each other.
  • the servo motor 238 is controlled by the controller 58.
  • Servo motor 2 3 3 includes output shaft 2 7 3 and motor bearing 2 8 3.
  • the motor bearing ring 2 8 3 supports the output shaft 2 7 3 .
  • the reducer 2 4 3 includes a plurality of gears.
  • the reducer 2 4 3 is connected to the output shaft 2 7 3 of the servo motor 2 3 3 via the timing belt 2 5 3.
  • the speed reducer 2 4 3 is connected to the control rod 2 6 3.
  • the slider 2 6 3 is attached to the support shaft 2 9 of the slider 1 1. ⁇ 02020/174828 5 ((171?2019/049433
  • the support shaft 29 is vertically slidable with respect to a support shaft holder (not shown).
  • the driving force of the servo motor 2 3 3 is the timing belt 2 5 3 and the speed reducer. Also, it is transmitted to the slider 1 1 via the conrod 2 6 3. As a result, the slider 11 moves up and down.
  • the other slide drive system 1 2 _ 1 2 also has the same configuration as the slide drive system 1 2 3 described above.
  • the sliding drive system 12 includes the servo motor 23.
  • Slide drive system Includes servo motor 230.
  • the die cushion device 18 includes a cushion pad 31 and a plurality of die cushion drive systems 3 2 3 — 3 2.
  • the cushion pad 31 is located below the bolster 16.
  • the cushion pad 31 is provided so as to be movable up and down.
  • Multiple die cushion drive systems 3 2 3-3 2 move the cushion pad 3 1 up and down.
  • the industrial machine 28 includes, for example, four die cushion drive systems 3 2 3 _ 3 2.
  • the number of diction drive systems is not limited to four, and may be less than four or more than four.
  • 3 2 swamps are shown.
  • Other die cushion drive system 3 2 3 2 is arranged behind the diction drive system 3 2 3 and 3 2 13.
  • FIG. 4 is a diagram showing the die cushion drive system 328. As shown in Fig. 4, the die cushion drive system 3 2 3 is the servo motor 3 6 3 and the timing belt.
  • the servo motor 3 63, the timing belt 3 73, and the ball screw 3 8 3 are connected to each other so as to operate in conjunction with each other.
  • Servo mode 368 is controlled by controller 58.
  • the servo motor 36 includes an output shaft 4 13 and a motor bearing 4 23. Motor bearing 4 ⁇ 02020/174828 6 ⁇ (: 171?2019/049433
  • the output shaft 41a of the servomotor 36a is connected to the ball screw _38a via a timing belt 37a.
  • the ball screw _ 38 a moves up and down by rotating.
  • the drive member 39a includes a nut portion that is screwed with the ball screw 38a.
  • the drive member 39a moves upward by being pressed by the ball screw _38a.
  • the drive member 39a includes a piston arranged in the oil chamber 40a.
  • the drive member 39a supports the cushion pad 31 via the oil chamber 40a.
  • the other die cushion drive systems 32b_32d also have the same configuration as the die cushion drive system 32a described above.
  • those corresponding to the die cushion drive system 32a configuration are the same numbers and die cushions as the die cushion drive system 32a configuration.
  • Drive system 32 b A reference number consisting of 32 d alphabet.
  • Die cushion drive system 32c includes servo motor 36c
  • the configurations of the other industrial machines 2B and 2C are similar to those of the industrial machine 2A described above.
  • industrial machines 2B and 2C are controlled by controllers 5B and 5C, respectively. It should be noted that the industrial machines 2A-2C may not be provided with the die cushion device. For example, the industrial machine 2C is a press machine without a die cushion device.
  • the oral computer 3A-3C communicates with the controllers 5A-5C of the industrial machine 2A-2C, respectively.
  • the oral computer 3 A includes a processor 51, a storage device 52, and a communication device 53.
  • the processor 51 is, for example, a CPU (central processing unit). Alternatively, the processor 51 may be a processor different from the CPU.
  • the processor 5 1 executes the process for predictive maintenance of the industrial machine 2 A according to the program.
  • the storage device 52 includes a nonvolatile memory such as a ROM and a volatile memory such as a RAM. ⁇ 02020/174828 7 ⁇ (: 171?2019/049433
  • the storage device 52 may include a hard disk or an auxiliary storage device such as an SSD (Solid State Drive).
  • the storage device 52 is an example of a non-transitory computer-readable recording medium.
  • the memory device 52 stores a computer command and data for controlling the oral computer 3 A.
  • the communication device 53 communicates with the server 4.
  • the composition of the other orbital compu- ters 3B and 3C is the same as that of the oral-computation computer 3A.
  • the server 4 is an example of a predictive maintenance device for the industrial machines 2A-2C.
  • the server 4 collects the data for predictive maintenance from the industrial machines 2A-2C via the oral computer 3A-3C.
  • the server 4 executes the predictive maintenance service based on the collected data. In the predictive maintenance service, the part to be protected is specified.
  • Server 4 communicates with client computer 6.
  • the server 4 provides the client computer 6 with predictive maintenance service.
  • the server 4 includes a first communication device 55, a second communication device 56, a processor 57, and a storage device 58.
  • the first communication device 55 communicates with the oral computers 3A-3C.
  • the second communication device 56 communicates with the client computer 6.
  • the processor 57 is, for example, a CPU (central processing unit). Alternatively, the processor 57 may be a different processor than the CPU.
  • the processor 57 executes processing for predictive maintenance service according to the program.
  • the storage device 58 includes a non-volatile memory such as ROM and a volatile memory such as RAM.
  • the storage device 58 may include an auxiliary storage device such as a hard disk or an SSD (Solid State Drive).
  • the storage device 58 is an example of a non-transitory computer-readable recording medium.
  • the storage device 58 stores a computer command and data for controlling the server 4.
  • the communication described above is performed via a mobile communication network such as 3G, 4G, or 5G. ⁇ 02020/174828 8 ⁇ (:171?2019/049433
  • the communication may be performed via another wireless communication network such as satellite communication.
  • the communication is 1_8 1 ⁇ 1, It may be performed via a computer communication network such as the Internet.
  • communication may occur via a combination of these communication networks.
  • FIG. 5 is a flow chart showing the processing executed by the councilor power converter 3181-30.
  • the oral-computer 38 performs the processing shown in FIG. 5 will be described, but the other oral computers 3 and 30 also perform the same processing as the oral-computer 3.
  • the oral computer 38 obtains drive system data from the controller 5 of the industrial machine 2.
  • the drive system data includes the accelerations of the parts included in the drive systems 1 23 — 1 2 and 323 — 32.
  • the drive system data includes the angular acceleration of the servo motors 233-23, 363-360.
  • the angular acceleration may be calculated from the rotation speed of the servo motors 233-1230-1, 363-36.
  • the angular acceleration may be detected by a sensor such as a vibration sensor.
  • a sensor such as a vibration sensor.
  • the oral computer 38 acquires drive system data of the drive system 1 2 3 when a predetermined start condition is satisfied.
  • the predetermined start condition includes that a predetermined time has elapsed since the previous acquisition.
  • the predetermined time is, for example, several hours, but is not limited to this.
  • Predetermined start condition is that the rotational speed of the servo motor 23 3 exceeds the predetermined threshold. It is preferable that the predetermined threshold value is, for example, a value indicating that the industrial machine 28 is in operation and not in press working.
  • the oral computer 38 has a servo motor 2 at a predetermined sampling cycle.
  • the predetermined time may be, for example, a time corresponding to several revolutions of the servo mode 2 3 3.
  • the oral-calculator 38 generates analysis data.
  • the oral-computer converter 38 generates analysis data from drive system data by, for example, fast Fourier transform. However, the oral-computer converter 38 may use a frequency analysis algorithm different from the fast Fourier transform.
  • the drive system data and the analysis data are examples of state data indicating the state of the drive system of the industrial machine 2.
  • step 3103 the oral-calculator 38 extracts a characteristic amount from the analysis data.
  • FIG. 6 is a diagram showing an example of analysis data.
  • the horizontal axis is frequency and the vertical axis is amplitude.
  • the feature amount is, for example, the value of the peak of the amplitude equal to or greater than the threshold, and the frequency thereof.
  • step 3104 the oral-computer converter 38 stores the analysis data and the feature amount in the storage device 52.
  • the oral computer 3 saves the analysis data and the feature quantity together with the data indicating the acquisition time of the drive system data corresponding to them.
  • step 3105 the oral computer 380 sends the feature quantity to the server 4.
  • the oral computer 38 sends the feature amount to the server 4 instead of the analysis data.
  • the one-unit state data file includes one unit of drive system data, analysis data converted from the drive system data, and feature quantities.
  • the state data file includes data indicating the time when the state data was acquired.
  • the status data file includes data indicating the identifier of the status data file.
  • the status data file contains data indicating the identifier of the corresponding drive system.
  • the identifier may be a name or a code.
  • the personal computer 3 sends the feature amount and the identifier of the state data file corresponding to the feature amount together to the server 4. ⁇ 02020/174828 10 10 (:171?2019/049433
  • the oral computer 3 performs the same processing as the above processing on the other drive system 1
  • Mouth_Calcompu_Eu 38 generates a state data file for each of the other drive systems 1 213-132 and 323-32.
  • the oral computer 38 sends to the server 4 together with the feature quantity and the identifier of the state data file corresponding to the feature quantity for each of the other drive systems 1 213 -1 2 and 323 -32.
  • the oral-computer 32 repeats the above-mentioned processing at predetermined time intervals. As a result, a plurality of status data files for each predetermined time are saved and accumulated in the storage device 52.
  • Oral-computer converter 3M performs the same processing as that of oral-computer 38 on industrial machine 2M.
  • the oral-computer 30 executes the same processing as the oral-computer 3 on the industrial machine 20.
  • FIG. 7 is a flow chart showing the processing executed by the server 4.
  • step 3201 the server 4 receives the characteristic child.
  • the server 4 receives the characteristic amount from the oral computer 38.
  • step 3202 the server 4 is 323-3
  • the server 4 determines whether or not each of the drive systems 1 23-12 and 323-32 is normal from the feature values corresponding to the drive systems 1 23-12 and 32 3 -32. Judgment as to whether or not the drive system 1 23 — 1 2, 323- 32 ⁇ 1 is normal may be made by a known judgment method in quality engineering. For example, the server 4 uses the 1//1 method (Mahalanobis-Taguchi method) to determine whether the drive systems 1 23 — 1 2 and 323 — 32 are normal. However, the server 4 may use another method to determine whether the drive trains 123-132 and 323-32 are normal.
  • step 3202 when the server 4 determines that at least one of the drive systems 1232-132 and 323-32 is not normal, the process proceeds to step S3. ⁇ 02020/174828 11 11 (:171?2019/049433
  • step 3203 the server 4 requests the oral computer 38 to analyze data.
  • the server 4 sends a request signal for sending analysis data to the oral computer 38.
  • the request signal contains the identifier of the status data file corresponding to the drive system determined to be abnormal.
  • the server 4 sends a request signal to the oral computer 38 to request the analysis data of the state data file.
  • FIG. 8 is a flow chart showing the processing executed by the oral-calculator 38.
  • the oral computer 38 determines whether there is a request for analysis data from the server 4.
  • the oral computer 38 receives the above-mentioned request signal from the server 4, it determines that there is a request for analysis data.
  • step 3302 the oral computer 38 retrieves analysis data.
  • the oral computer 38 retrieves the analysis data in the requested state data file from the plurality of state data files stored in the storage device 52.
  • step 3303 the oral computer 38 sends the requested analysis data to the server 4.
  • FIG. 9 is a flow chart showing the processing executed by the server 4.
  • the server 4 receives the analysis data from the oral-computer 3.
  • the server 4 stores the analysis data in the storage device 58.
  • the server 4 inputs the analysis data into the judgment models 60 and 70.
  • the server 4 has determination models 60 and 70.
  • Judgment models 60 and 70 are models that have already been learned by machine learning so that the analysis data are input and the possibility of abnormality of the part included in the drive system is output.
  • Judgment models 60 and 70 are used for learning artificial intelligence algorithms and learning. ⁇ 02020/174828 12 12 (:171?2019/049433
  • the judgment models 60 and 70 are stored in the storage device 58 as data.
  • the decision models 60 and 70 include, for example, a neural network.
  • the decision models 60 and 70 include deep neural networks such as convolutional neural networks ( ⁇ ).
  • the server 4 has a determination model 60 for the slide drive system 1 2 3 -1 2 and a determination model 70 for the die cushion drive system 3 2 3 -3 2.
  • Decision model 60 includes multiple decision models 6 1-6 4. Each of the judgment models 6 1 _ 6 4 corresponds to a plurality of parts included in the slide drive system 1 2 3-1 2.
  • the judgment model 60 outputs a value indicating the possibility of abnormality of the corresponding part from the waveform of the input analysis data.
  • the decision models 6 1-6 4 have already been trained by the training data.
  • the learning data includes abnormal analysis data and normal analysis data.
  • Figure 1
  • Figure 11 1 is an example of analysis data under normal conditions.
  • the analysis data at the time of abnormality is the analysis data from immediately before the occurrence of the abnormality in the corresponding part to before the predetermined period when the abnormality occurred.
  • multiple peaks of the waveform exceed the specified threshold value 1.
  • the normal analysis data is the analysis data when the usage time of the site is short and no abnormality has occurred. In the normal analysis data, all peaks in the waveform are lower than the specified threshold.
  • the server 4 includes the slide drive system 1
  • Judgment model 61 for motor bearing outputs a value indicating the possibility of abnormality in motor bearing 2 8 3 — 28 from the analysis data.
  • the judgment model 62 for the timing belt outputs a value indicating the possibility of abnormality of the evening belt 2 5 3-25 from the analysis data.
  • the decision model 6 3 for the controller can be calculated based on the analysis 2 6 3 — 2 6 ⁇ 1. ⁇ 02020/174828 13 ⁇ (: 171?2019/049433
  • Judgment model 64 for the reducer outputs the value indicating the possibility of bearing abnormality of reducer 2 4 3 _ 2 4 from the analysis data.
  • the server 4 includes a judgment model 7 1 for the motor bearing, a judgment model 7 2 for the timing belt, and a die cushion drive system 3 2 3 — 3 2.
  • Judgment model 7 3 for ball screw The judgment model 71 for motor bearings outputs a value indicating the possibility of abnormality of the motor bearings 4 2 3-4 2 from the analysis data.
  • the judgment model 72 for the timing belt outputs a value indicating the possibility of abnormality of the timing belt 3 7 3 — 3 7 from the analysis data.
  • the judgment model 73 for the ball screw outputs a value indicating the possibility of abnormality of the ball screw 3 8 3 — 38 from the analysis data.
  • the server 4 inputs the analysis data acquired in step 3401 to each of the above determination models 6 1 to 6 4 or each of the determination models 7 1 to 7 3. For example, when it is determined that the sliding drive system 1 2 3 is not normal, the server 4 inputs the analysis data of the sliding drive system 1 2 3 into the determination model 6 1 _ 6 4. As a result, the server 4 acquires, as an output value, a value indicating the possibility of abnormality in each part of the slide drive system 1 2 3.
  • the server 4 inputs the analysis data of the die cushion drive system 3 2 3 to the determination model 7 1 — 7 3. Thereby, the server 4 acquires, as an output value, a value indicating the possibility of abnormality in each part of the die cushion drive system 3 23.
  • the server 4 determines that the part having the largest output value is the abnormal position.
  • the server 4 uses the sliding drive system 1 2 3 for the motor bearing judgment model 61, the timing belt judgment model 6 2 and the judgment model 6 3 for the speed reducer.
  • the part corresponding to the largest value is judged as the abnormal part.
  • the server 4 may have a motor bearing for the die cushion drive system 323. ⁇ 02020/174828 14 ((171?2019/049433
  • the part corresponding to the largest value is judged as an abnormal part.
  • the server 4 calculates the remaining life of the abnormal part.
  • the server 4 may calculate the remaining life of the abnormal part by using a publicly known method of quality engineering such as the 1 ⁇ /1 method (Mahalanobis-Taguchi method).
  • the server 4 may calculate the remaining life by using another method.
  • step 3405 the server 4 updates the predictive maintenance data.
  • Predictive insurance All data is stored in storage device 58.
  • the predictive maintenance data includes data indicating the remaining life of the drive system of the industrial machine 2_20 registered in the server 4.
  • the predictive maintenance data includes data indicating the remaining life of a part determined to be an abnormal part among a plurality of parts of the drive system.
  • the server 4 determines whether or not there is a maintenance management screen display request.
  • the server 4 receives the maintenance management screen request signal from the client computer 6, it determines that there is a maintenance management screen display request.
  • the server 4 sends the management screen data.
  • the management screen data is data for displaying the maintenance management screen on the display 7 of the client computer 6.
  • FIG. 12 and FIG. 13 are diagrams showing an example of the maintenance management screen.
  • the maintenance management screen includes a machine list screen 81 shown in Fig. 12 and a machine individual screen 82 shown in Fig. 13.
  • the user of the client computer 6 can selectively display the machine list screen 8 1 and the machine individual screen 8 2 on the display 7.
  • the server 4 When the machine list screen 8 1 is selected, the server 4 generates data indicating the machine list screen 8 1 based on the predictive maintenance data and sends the data indicating the machine list screen 8 1 to the client computer 6. ..
  • the server 4 When the machine individual screen 82 is selected, the server 4 generates data indicating the machine screen based on the predictive maintenance data and transmits the data indicating the machine individual screen 82 to the client computer 6. ⁇ 02020/174828 15 15 (: 171?2019/049433
  • FIG. 12 is a diagram showing an example of the machine list screen 81.
  • the machine list screen 81 displays the predictive maintenance data for a plurality of industrial machines 2 _ 2 (3 registered in the server 4. As shown in Fig. 12, the machine list screen 81 shows the area identifier 8 3 , Machine identifier 8 4, drive system identifier 8 5 and life indicator 8 6.
  • Machine list screen 8 1 has area identifier 8 3, machine identifier 8 4, drive system identifier 8 5 and life indicator.
  • Indicators 8 6 and 8 are displayed in a list.
  • the area identifier 83 is an identifier of the area in which the industrial machines 218-20 are located.
  • the machine identifier 84 is the identifier of each of the industrial machines 281 20.
  • the drive system identifier 85 is an identifier of the slide drive system 1 2 3-1 2 or the diction drive system 3 2 3-3 201. These identifiers may be names or they may be codes.
  • the life indicator 86 shows the remaining life of the slide drive system 1 2 3-1 2 or the diction drive system 3 2 3-3 2 for each of the industrial machines 2 81 20.
  • Life indicator 86 includes a number that indicates the remaining life. The remaining life is indicated, for example, in days. However, the remaining life may be indicated in other units such as hours (1 ⁇ ).
  • the life indicator 86 also includes a graphical display showing the remaining life.
  • the graphic display is a par display.
  • Server 4 changes the bar length of life indicator 86 depending on the remaining life. However, the remaining life may be displayed in other display modes.
  • the server 4 determines the remaining life of the drive system that is determined to be normal from the feature amount and displays the remaining life with the life indicator 86. Good.
  • the server 4 may display the remaining life of the abnormal part determined in step 340 4 described above by the life indicator 86.
  • the server 4 displays the life indicators 86 of the plurality of drive systems in different colors according to the remaining life. For example, if the remaining life is greater than or equal to the first threshold, server 4 displays life indicator 86 in normal color. ⁇ 02020/174828 16 16 (:171?2019/049433
  • the server 4 displays the life indicator 86 in the first warning color.
  • the server 4 displays the life indicator 86 in the second warning color.
  • the second threshold is smaller than the first threshold.
  • the normal color, the first warning color, and the second warning color are different colors. Therefore, the life indicator 86 of the part with a short remaining life is displayed in a different color from the life indicator 86 of the normal part.
  • FIG. 13 is a diagram showing an example of the machine individual screen 82.
  • the server 4 receives the request signal for the machine individual screen 82 from the client computer 6, the server 4 transmits the data for displaying the machine individual screen 82 to the display 7 to the client computer 6.
  • Machine individual screen 8 2 displays multiple industrial machines registered in server 4.
  • the individual machine screen 82 may display predictive maintenance data for a plurality of selected industrial machines.
  • the machine individual screen 82 when the industrial machine 2 is selected will be described.
  • the machine individual screen 82 includes an area identifier 91, an industrial machine identifier 92, a replacement plan list 93, and a remaining life graph 94.
  • the area identifier 91 is the identifier of the area where the industrial machine 2 is located.
  • the machine identifier 92 is the identifier of the industrial machine 28.
  • the replacement plan list 93 displays the predictive maintenance data regarding the maintenance target portion of the plurality of portions.
  • the parts determined to be abnormal parts by the judgment models 60 and 70 described above are displayed in the replacement plan list 93. Therefore, when it is determined that there is an abnormality in at least one of the plurality of parts, the server 4 can notify the user of the abnormality by displaying the part in the replacement plan list 93.
  • the replacement plan list 93 at least a part of the plurality of parts included in each drive system of the industrial machine 28 is displayed in order from the one having the shortest remaining life.
  • the replacement plan list 93 has priority 95, update date 96, drive system identifier 97, and part ⁇ 02020/174828 17 ⁇ (: 171?2019/049433
  • the priority level 95 indicates the priority level for exchanging parts of the drive system. The shorter the remaining life, the higher the priority 95. Therefore, in the replacement plan list 93, the identifier 98 of the part having the shortest remaining life and the life indicator 99 are displayed at the highest level.
  • Update date 96 shows the previous replacement date of the drive train parts.
  • the drive system identifier 97 is an identifier of the slide drive system 1 2 3 — 1 2 or the die cushion drive system 3 2 3 — 3 2.
  • the site identifier 98 is a site identifier included in the drive system.
  • the position identifier 98 is the identifier of the servo motor, speed reducer, timing belt, or lock of the sliding drive system 1 2 3 — 1 2.
  • it is the identifier of the servo motor, timing belt, or ball screw of the diction drive system 3 2 3 — 3 2.
  • the server 4 displays the identifier 98 of the part determined to be the abnormal part using the above-described judgment models 60 and 70 in the replacement plan list 93.
  • These identifiers may be names or codes.
  • the life indicator 99 indicates the remaining life of each part of the slide drive system 1 2 3 -1 2 or the diction drive system 3 2 3 _ 3 2.
  • the life indicator 99 includes a numerical value and a graphic display showing the remaining life of each part.
  • the service life indicator 99 is the same as the service life indicator 86 on the machine list screen 81 described above, so description thereof will be omitted.
  • remaining lifetime graph 9 4 the drive system 1 2 3 - 1 2, 3 2 3 - 3 2 of their respective life remaining is graphed.
  • the horizontal axis is the time when the status data was acquired.
  • the vertical axis is the remaining life calculated from the feature amount.
  • the server 4 uses the judgment models 60 and 70 from the analysis data to calculate the prediction models 60 and 70 from the analysis data to calculate the prediction models 60 and 70 from the analysis data to calculate the prediction models 60 and 70 from the analysis data.
  • the server 4 is based on the possibility of abnormality in multiple parts. ⁇ 02020/174828 18 ⁇ (: 171?2019/049433
  • the part to be protected is determined from the multiple parts.
  • the industrial machinery 2A-2C it is possible to accurately identify the part to be maintained before the failure occurs.
  • the present invention is not limited to the above embodiment, and various modifications can be made without departing from the gist of the invention.
  • the industrial machine is not limited to the press machine, but may be another machine such as a welding machine or a cutting machine. Part of the processing described above may be omitted or changed. The order of the processes described above may be changed.
  • the configuration of the oral-chamber computer 3A-3C may be changed.
  • Mouth-Chalkonebutor 3 A may include multiple computers.
  • the above-described processing by the oral computer 3 A may be distributed to and executed by a plurality of computers.
  • the oral computer 3 A may include multiple processors.
  • the other oral computers 3 B and 3 C may be changed in the same manner as the oral computer 3 A.
  • the configuration of the server 4 may be changed.
  • the server 4 may include multiple computers.
  • the above-described processing by the server 4 may be distributed to and executed by a plurality of computers.
  • the server 4 may include multiple processors. At least part of the above-described processing is not limited to C PU, but may be executed by another processor such as G PU (Graphic cs Process i ng Unit).
  • G PU Graphic cs Process i ng Unit
  • the above-described processing may be distributed to and executed by a plurality of processors.
  • the determination model is not limited to the neural network, but may be another machine learning model such as support_vector_machine.
  • the judgment model 6 1-6 4 may be one body. Judgment models 71-73 may be integrated.
  • the determination model is not limited to the model learned by machine learning using learning data, and may be a model generated using the learned model.
  • the decision model may be another trained model (derivative model) in which the trained model is further trained using new data to change the parameters and further improve the accuracy.
  • the decision model is transformed into a trained model. ⁇ 02020/174828 19 19 (:171?2019/049433
  • It may be another trained model (distillation model) trained based on the results obtained by repeating input and output in the evening.
  • the part to be judged by the judgment model is not limited to that in the above embodiment, and may be changed.
  • the state data is not limited to the angular acceleration of the motor and may be changed.
  • the state data may be acceleration or velocity of a portion other than the motor such as a timing belt or a road.
  • the maintenance management screen is not limited to the one in the above embodiment, and may be changed.
  • the items included in the machine list screen 81 and/or the machine individual screen 82 may be changed.
  • the display mode of the machine list screen 81 and/or the machine individual screen 82 may be changed.
  • the machine list screen 8 1 and the machine individual screen 8 2 may be omitted.
  • the display mode of the life indicator 86 is not limited to that of the above-described embodiment, and may be changed.
  • the life indicator 86 may be color coded in two colors, a normal color and a first warning color.
  • the life indicator 86 may have more than three colors.
  • the determination result of the part to be maintained by the determination model is not limited to the above-described maintenance management screen, and may be notified to the user by another method.
  • the determination result may be notified to the user by a notification means such as electronic mail.
  • step 310 the oral computer 38 may transmit the feature amount and the analysis data to the server 4. In that case, step 3203 may be omitted.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

判定モデルは、状態データを入力として、複数の部位のそれぞれに対する異常の可能性を出力するように、機械学習により学習済みである。状態データは、産業機械の駆動系の状態を示す。複数の部位は、駆動系に含まれる。複数の部位は、連動して動作するように互いに連結されている。プロセッサは、状態データを取得する。プロセッサは、状態データから、判定モデルを用いて、複数の部位のそれぞれにおける異常の可能性を取得する。プロセッサは、複数の部位における異常の可能性に基づいて、複数の部位から、保全対称とする部位を判定する。

Description

\¥02020/174828 1 卩（：17 2019/049433
明 細 書
発明の名称 ： 産業機械の予知保全装置、 方法、 及びシステム 技術分野
[0001 ] 本開示は、 産業機械の予知保全装置、 方法、 及びシステムに関する。
背景技術
[0002] 産業機械では、 異常の発生を検知することが求められる場合がある。 その ため、 従来の技術では、 産業機械の所定の出力値をセンサによって検出し、 検出された出力値を閾値と比較することで、 異常が判断されている （例えば 特許文献 1参照）
先行技術文献
特許文献
[0003] 特許文献 1 :特開平 0 2 - 1 9 5 4 9 8号公報
発明の概要
発明が解決しようとする課題
[0004] 産業機械において、 故障による停止の防止、 或いは保全費用の低減のため には、 機械が故障する前に、 異常状態に近づいている部位を特定して保全す ることが重要である。 しかし、 上述した従来の技術では、 異常状態に近づい ている部位を精度良く特定することは容易ではない。 特に、 産業機械の駆動 系では、 複数の部位が連動して動作するように互いに連結されている。 それ らの部位のうち、 どの部位が異常状態に近づいているを精度良く特定するこ とは困難である。
[0005] 本開示の目的は、 産業機械において故障の発生前に、 保全対象とする部位 を精度良く特定することにある。
課題を解決するための手段
[0006] 第 1の態様に係る産業機械の予知保全装置は、 判定モデルとプロセッサと を備える。 判定モデルは、 状態データを入力として、 複数の部位のそれぞれ に対する異常の可能性を出力するように、 機械学習により学習済みである。 \¥02020/174828 2 卩（：171?2019/049433
状態データは、 産業機械の駆動系の状態を示す。 複数の部位は、 駆動系に含 まれる。 複数の部位は、 連動して動作するように互いに連結されている。 プ ロセッサは、 状態データを取得する。 プロセッサは、 状態データから、 判定 モデルを用いて、 複数の部位のそれぞれにおける異常の可能性を取得する。 プロセッサは、 複数の部位における異常の可能性に基づいて、 複数の部位か ら、 保全対象とする部位を判定する。
[0007] 第 2の態様に係る方法は、 産業機械の予知保全のためにプロセッサによつ て実行される方法である。 当該方法は、 以下の処理を備える。 第 1の処理は 、 産業機械の駆動系の状態を示す状態データを取得することである。 第 2の 処理は、 判定モデルに、 状態データを入力することである。 判定モデルは、 複数の部位のそれぞれに対する異常の可能性を出力するように、 機械学習に より学習済みである。 複数の部位は、 駆動系に含まれる。 複数の部位は、 連 動して動作するように互いに連結されている。 第 3の処理は、 判定モデルか ら出力される産業機械の複数の部位のそれぞれに対する異常の可能性を取得 することである。 第 4の処理は、 複数の部位における異常の可能性に基づい て、 複数の部位から、 保全対象とする部位を判定することである。
[0008] 第 3の態様に係る予知保全システムは、 産業機械と、 記憶装置と、 判定モ デルと、 プロセッサとを備える。 記憶装置は、 産業機械の状態を示す状態デ —夕を保存する。 判定モデルは、 状態データを入力として、 複数の部位のそ れぞれに対する異常の可能性を出力するように、 機械学習により学習済みで ある。 複数の部位は、 駆動系に含まれる。 複数の部位は、 連動して動作する ように互いに連結されている。 コンピュータは、 状態データから、 判定モデ ルを用いて、 複数の部位のそれぞれにおける異常の可能性を取得する。 コン ピュータは、 複数の部位における異常の可能性に基づいて、 複数の部位から 、 保全対象とする部位を判定する。
発明の効果
[0009] 本開示によれば、 産業機械において故障の発生前に、 保全対象とする部位 を精度良く特定することができる。 \¥02020/174828 3 卩（：171?2019/049433
図面の簡単な説明
［0010］ ［図 1］実施形態に係る予知保全システムを示す模式図である。
［図 2］産業機械の正面図である。
［図 3］スライ ド駆動系を示す図である。
［図 4］ダイクッシヨン駆動系を示す図である。
［図 5］口ーカルコンピユータによって実行される処理を示すフローチヤートで ある。
［図 6］解析データの一例を示す図である。
［図 7］サーバによって実行される処理を示すフローチヤートである。
［図 8］口ーカルコンピユータによって実行される処理を示すフローチヤートで ある。
［図 9］サーバによって実行される処理を示すフローチヤートである。
［図 10］判定モデルを示す図である。
［図 1 1］学習データの一例を示す図である。
［図 12］保全管理画面の一例を示す図である。
［図 13］保全管理画面の一例を示す図である。
発明を実施するための形態
［001 1］ 以下、 図面を参照して実施形態について説明する。 図 1は、 実施形態に係 る予知保全システム 1 を示す模式図である。 予知保全システム 1は、 産業機 械において故障の発生前に、 保全対象とする部位を判定するためのシステム である。 予知保全システム 1は、 産業機械 2八一 2〇と、 口ーカルコンピユ —夕 3八一 3〇と、 サーバ 4とを含む。
［0012］ 図 1 に示すように、 産業機械 2八一 2〇は、 異なるエリア内に配置されて もよい。 或いは、 産業機械 2八一 2◦は、 同じエリア内に配置されてもよい 。 例えば、 産業機械 2
Figure imgf000005_0001
2 (3は、 異なる工場内に配置されてもよい。 或い は、 産業機械 2
Figure imgf000005_0002
2 (3は、 同じ工場内に配置されてもよい。 本実施形態に おいて、 産業機械 2八一2〇は、 プレス機械である。 なお、 図 1では 3つの 産業機械が図示されている。 しかし、 産業機械の数は、 3つより少なくても \¥02020/174828 4 卩（：171?2019/049433
よく、 或いは 3つより多くてもよい。
[0013] 図 2は、 産業機械 2八の正面図である。 産業機械 2八は、 スライダ 1 1 と 、 複数のスライ ド駆動系 1 2 3 - 1 2 と、 ボルスタ 1 6と、 ベッ ド 1 7と 、 ダイクッション装置 1 8と、 コントローラ 5八 （図 1参照） とを含む。 ス ライダ 1 1は、 上下に移動可能に設けられている。 スライダ 1 1 には、 上型 2 1が取り付けられる。 複数のスライ ド駆動系 1 2 3— 1 2 は、 スライダ 1 1 を動作させる。 産業機械 2八は、 例えば 4つのスライ ド駆動系 1 2 3 - 1 2 を含む。 図 2では、 2つのスライ ド駆動系 1 2 3 , 1 2匕が示されて いる。 他のスライ ド駆動系
Figure imgf000006_0001
1 2 は、 スライ ド駆動系
Figure imgf000006_0002
1 2 匕の後方に配置されている。 ただし、 スライ ド駆動系の数は 4つに限らず、
4つより少なくてもよく、 或いは 4つより多くてもよい。
[0014] ボルスタ 1 6は、 スライダ 1 1の下方に配置されている。 ボルスタ 1 6に は、 下型 2 2が取り付けられる。 ベッ ド 1 7は、 ボルスタ 1 6の下方に配置 されている。 ダイクッション装置 1 8は、 プレス時に下型 2 2に上向きの荷 重を付加する。 詳細には、 ダイクッション装置 1 8は、 プレス時に下型 2 2 のブランクホルダ部に上向きの荷重を負荷する。 コントローラ 5八は、 スラ イダ 1 1 とダイクッション装置 1 8との動作を制御する。
[0015] 図 3は、 スライ ド駆動系 1 2 8を示す図である。 図 3に示すように、 スラ イ ド駆動系 1 2 3は、 サーボモータ 2 3
Figure imgf000006_0003
減速機 2 4
Figure imgf000006_0004
タイミングベル 卜 2 5 3、 及びコンロッ ド 2 6 3などの複数の部位を含む。 サーボモータ 2 3 3と、 減速機 2 4 3と、 タイミングベルト 2 5 3と、 コンロッ ド 2 6 3と は、 連動して動作するように、 互いに連結されている。
[0016] サーボモータ 2 3 8は、 コントローラ 5八によって制御される。 サーボモ —夕 2 3 3は、 出力軸 2 7 3とモータベアリング 2 8 3を含む。 モータベア リング 2 8 3は、 出力軸 2 7 3を支持している。 減速機 2 4 3は、 複数のギ アを含む。 減速機 2 4 3は、 タイミングベルト 2 5 3を介して、 サーボモー 夕 2 3 3の出力軸 2 7 3に連結されている。 減速機 2 4 3は、 コンロッ ド 2 6 3に連結されている。 コンロッ ド 2 6 3は、 スライダ 1 1の支持軸 2 9に \¥02020/174828 5 卩（：171?2019/049433
接続されている。 支持軸 2 9は、 支持軸ホルダ （図示せず） に対して、 上下 方向に摺動可能である。 サーボモータ 2 3 3の駆動力は、 タイミングベルト 2 5 3、 減速機
Figure imgf000007_0001
及びコンロッ ド 2 6 3を介して、 スライダ 1 1 に伝 達される。 それにより、 スライダ 1 1が上下に移動する。
[0017] 他のスライ ド駆動系 1 2匕 _ 1 2 も、 上述したスライ ド駆動系 1 2 3と 同様の構成を有している。 以下の説明では、 他のスライ ド駆動系 1 2 b
Figure imgf000007_0002
2 ¢1の構成のうち、 スライ ド駆動系 1 2 3の構成に対応するものについては 、 スライ ド駆動系 1 2 3の構成と同じ数字とスライ ド駆動系 1 2匕一 1 2 のアルフアベッ トとからなる符合を付するものとする。 例えば、 スライ ド駆 動系 1 2匕は、 サーボモータ 2 3匕を含む。 スライ ド駆動系
Figure imgf000007_0003
サー ボモータ 2 3〇を含む。
[0018] 図 2に示すように、 ダイクッション装置 1 8は、 クッションパッ ド 3 1 と 、 複数のダイクッション駆動系 3 2 3— 3 2 とを含む。 クッションパッ ド 3 1は、 ボルスタ 1 6の下方に配置されている。 クッションパッ ド 3 1は、 上下に移動可能に設けられている。 複数のダイクッション駆動系 3 2 3 - 3 2 は、 クッションパッ ド 3 1 を上下に動作させる。 産業機械 2八は、 例え ば 4つのダイクッション駆動系 3 2 3 _ 3 2 を含む。 ただし、 ダイクッシ ョン駆動系の数は 4つに限らず、 4つより少なくてもよく、 或いは 4つより 多くてもよい。 なお、 図 2では、
Figure imgf000007_0004
3 2 匕が示されている。 他のダイクッション駆動系 3 2
Figure imgf000007_0005
3 2 は、 ダイクッ ション駆動系 3 2 3 , 3 2 13の後方に配置されている。
[0019] 図 4は、 ダイクッション駆動系 3 2 8を示す図である。 図 4に示すように 、 ダイクッション駆動系 3 2 3は、 サーボモータ 3 6 3、 タイミングベルト
3 7 3 , ボールスクリュー 3 8 3、 及び駆動部材 3 9 3などの複数の部位を 含む。 サーボモータ 3 6 3と、 タイミングベルト 3 7 3と、 ボールスクリュ — 3 8 3とは、 連動して動作するように、 互いに連結されている。 サーボモ —夕 3 6 8は、 コントローラ 5八によって制御される。 サーボモータ 3 6 は、 出力軸 4 1 3とモータベアリング 4 2 3とを含む。 モータベアリング 4 \¥02020/174828 6 卩（：171?2019/049433
2 aは、 出力軸 4 1 aを支持している。
[0020] サーボモータ 36 aの出力軸 4 1 aは、 タイミングベルト 37 aを介して 、 ボールスクリュ _ 38 aに連結されている。 ボールスクリュ _ 38 aは、 回転することで、 上下に移動する。 駆動部材 39 aは、 ボールスクリュー 3 8 aと螺合するナッ ト部を含む。 駆動部材 39 aは、 ボールスクリュ _38 aに押圧されることで、 上方に移動する。 駆動部材 39 aは、 オイル室 40 aに配置されたピストンを含む。 駆動部材 39 aは、 オイル室 40 aを介し て、 クッションパッ ド 3 1 を支持している。
[0021 ] 他のダイクッション駆動系 32 b _ 32 dも、 上述したダイクッション駆 動系 32 aと同様の構成を有している。 以下の説明では、 他のダイクッショ ン駆動系 32 b-32 dの構成のうち、 ダイクッション駆動系 32 aの構成 に対応するものについては、 ダイクッション駆動系 32 aの構成と同じ数字 とダイクッション駆動系 32 b— 32 dのアルファベッ トとからなる符合を 付するものとする。 例えば、 ダイクッション駆動系 32匕は、 サーボモータ
36 bを含む。 ダイクッション駆動系 32 cは、 サーボモータ 36 cを含む
[0022] 他の産業機械 2B, 2Cの構成も、 上述した産業機械 2 Aと同様である。
図 1 に示すように、 産業機械 2 B, 2Cは、 それぞれコントローラ 5 B, 5 Cによって制御される。 なお、 産業機械 2 A— 2 Cは、 ダイクッション装置 を備えないものであってもよい。 例えば、 産業機械 2Cは、 ダイクッション 装置を備えないプレス機械である。
[0023] 口ーカルコンビュータ 3 A- 3 Cは、 それぞれ産業機械 2 A- 2 Cのコン トローラ 5 A— 5 Cと通信する。 図 1 に示すように、 口ーカルコンビュータ 3 Aは、 プロセッサ 5 1 と記憶装置 52と通信装置 53とを含む。 プロセッ サ 5 1は、 例えば CPU (central processing unit) である。 或いは、 プロセ ッサ 5 1は、 CPUと異なるプロセッサであってもよい。 プロセッサ 5 1は、 プ ログラムに従って、 産業機械 2 Aの予知保全のための処理を実行する。
[0024] 記憶装置 52は、 ROMなどの不揮発性メモリと、 RAMなどの揮発性メモリと \¥02020/174828 7 卩（：171?2019/049433
を含む。 記憶装置 52は、 ハードディスク、 或いは SSD (Solid State Drive ) などの補助記憶装置を含んでもよい。 記憶装置 52は、 非一時的な (non-t ransi tory) コンピュータで読み取り可能な記録媒体の一例である。 記憶装置 52は、 口ーカルコンビュータ 3 Aを制御するためのコンビュータ指令及び データを記憶している。 通信装置 53は、 サーバ 4と通信する。 他の口一力 ルコンビュータ 3 B, 3 Cの構成は、 口ーカルコンビュータ 3 Aと同様であ る。
[0025] サーバ 4は、 産業機械 2 A- 2 Cの予知保全装置の一例である。 サーバ 4 は、 口ーカルコンビュータ 3 A-3Cを介して、 産業機械 2A-2Cから、 予知保全のためのデータを収集する。 サーバ 4は、 収集したデータに基づい て、 予知保全サービスを実行する。 予知保全サービスでは、 保全対象とする 部位が特定される。 サーバ 4は、 クライアントコンピュータ 6と通信する。 サーバ 4は、 クライアントコンビュータ 6に、 予知保全サービスを提供する
[0026] サーバ 4は、 第 1通信装置 55と、 第 2通信装置 56と、 プロセッサ 57 と、 記憶装置 58とを含む。 第 1通信装置 55は、 口ーカルコンピュータ 3 A— 3Cと通信を行う。 第 2通信装置 56は、 クライアントコンピュータ 6 と通信を行う。 プロセッサ 57は、 例えば CPU (central processing unit) である。 或いは、 プロセッサ 57は、 CPUと異なるプロセッサであってもよい 。 プロセッサ 57は、 プログラムに従って、 予知保全サービスのための処理 を実行する。
[0027] 記憶装置 58は、 ROMなどの不揮発性メモリと、 RAMなどの揮発性メモリと を含む。 記憶装置 58は、 ハードディスク、 或いは SSD (Solid State Drive ) などの補助記憶装置を含んでもよい。 記憶装置 58は、 非一時的な (non-t ransi tory) コンピュータで読み取り可能な記録媒体の一例である。 記憶装置 58は、 サーバ 4を制御するためのコンビュータ指令及びデータを記憶して いる。
[0028] 上述した通信は、 3G、 4G、 或いは 5Gなどの移動体通信ネッ トワークを介し \¥02020/174828 8 卩（：171?2019/049433
て行われてもよい。 或いは、 通信は、 衛星通信などの他の無線通信ネッ トワ —クを介して行われてもよい。 或いは、 通信は、 1_八1\1,
Figure imgf000010_0001
インター ネッ トなどのコンビュータ通信ネッ トワークを介して行われてもよい。 或い は、 通信は、 これらの通信ネッ トワークの組み合わせを介して行われてもよ い。
[0029] 次に、 予知保全サービスのための処理について説明する。 図 5は、 口一力 ルコンビュータ 3八一 3〇によって実行される処理を示すフローチヤートで ある。 以下、 口ーカルコンピュータ 3八が図 5に示す処理を実行する場合に ついて説明するが、 他の口ーカルコンビュータ 3巳， 3〇も、 口ーカルコン ピュータ 3 と同様の処理を実行する。
[0030] 図 5に示すように、 ステップ 31 01では、 口ーカルコンビュータ 3八は 、 産業機械 2 のコントローラ 5 から、 駆動系データを取得する。 駆動系 データは、 駆動系 1 23— 1 2 ， 323— 32 に含まれる部位の加速度 を含む。 例えば、 駆動系データは、 サーボモータ 233— 23 ， 363- 36〇1の角加速度を含む。 角加速度は、 サーボモータ 233— 23〇1, 36 3— 36 の回転速度から算出されてもよい。 或いは、 角加速度は、 振動セ ンサなどのセンサによって検出されてもよい。 以下、 口ーカルコンビュータ 3八が、 駆動系 1 23の駆動系データを取得する場合について説明する。
[0031] 口ーカルコンピュータ 3八は、 所定の開始条件が満たされたときに、 駆動 系 1 23の駆動系データを取得する。 所定の開始条件は、 前回の取得から所 定時間が経過していることを含む。 所定時間は、 例えば数時間であるが、 こ れに限らない。 所定の開始条件は、 サーボモータ 233の回転速度が、 所定 の閾値を超えていることである。 所定の閾値は、 例えば産業機械 2八が、 動 作中であって、 且つ、 プレス加工中ではない状態であることを示す値である ことが好ましい。
[0032] 口ーカルコンピュータ 3八は、 所定のサンプリング周期でサーボモータ 2
33の角加速度の複数の値を取得する。 サンプル数は、 例えば数百〜数千で あるが、 これに限られない。 1単位の駆動系データは、 所定時間内にサンプ \¥02020/174828 9 卩（：171?2019/049433
リングされた複数の角加速度の値を含む。 所定時間は、 例えば、 サーボモー 夕 2 3 3の数回転分に相当する時間であってもよい。
[0033] ステップ 3 1 0 2では、 口ーカルコンビュータ 3八は、 解析データを生成 する。 口ーカルコンビュータ 3八は、 例えば、 高速フーリエ変換によって、 駆動系データから解析データを生成する。 ただし、 口ーカルコンビュータ 3 八は、 高速フーリエ変換と異なる周波数解析のアルゴリズムを用いてもよい 。 駆動系データ及び解析データは、 産業機械 2 の駆動系の状態を示す状態 データの一例である。
[0034] ステップ 3 1 0 3では、 口ーカルコンビュータ 3八は、 解析データから特 徴量を抽出する。 図 6は、 解析データの一例を示す図である。 図 6において 、 横軸は周波数であり、 縦軸は振幅である。 特徴量は、 例えば、 閾値以上の 振幅のピークの値、 及び、 その周波数である。
[0035] ステップ 3 1 0 4では、 口ーカルコンビュータ 3八は、 解析データと特徴 量とを記憶装置 5 2に保存する。 口ーカルコンピュータ 3 は、 解析データ と特徴量とを、 それらに対応する駆動系データの取得時間を示すデータと共 に保存する。 ステップ 3 1 0 5では、 口ーカルコンビュータ 3八は、 特徴量 をサーバ 4に送信する。 ここでは、 口ーカルコンピュータ 3八は、 解析デー 夕ではなく特徴量をサーバ 4に送信する。
[0036] 口ーカルコンピュータ 3八は、 駆動系 1 2 3について、 1単位の状態デー タファイルを生成し、 記憶装置 5 2に状態データファイルを保存する。 1単 位の状態データファイルは、 1単位の駆動系データと、 当該駆動系データか ら変換された解析データと、 特徴量とを含む。
[0037] また、 状態データファイルは、 状態データが取得された時間を示すデータ を含む。 状態データファイルは、 状態データファイルの識別子を示すデータ を含む。 状態データファイルは、 対応する駆動系の識別子を示すデータを含 む。 識別子は、 名称であってもよく、 或いはコードであってもよい。 口一力 ルコンピュータ 3 は、 特徴量と、 当該特徴量に対応する状態データファイ ルの識別子とを共に、 サーバ 4に送信する。 \¥02020/174828 10 卩（：171?2019/049433
[0038] 口ーカルコンピュータ 3 は、 以上の処理と同様の処理を、 他の駆動系 1
21〇_ 1 2〇1, 328_32〇1に対して実行する。 口 _カルコンピュ _夕 3 八は、 他の駆動系 1 213- 1 2 ， 323-32 のそれぞれについて、 状 態データフアイルを生成する。 口ーカルコンビュータ 3八は、 他の駆動系 1 213- 1 2 ， 323-32 のそれぞれについて、 特徴量と、 当該特徴量 に対応する状態データフアイルの識別子とを共に、 サーバ 4に送信する。 ま た、 口ーカルコンビュータ 3八は、 上述した処理を所定時間ごとに繰り返す 。 それにより、 所定時間ごとの複数の状態データフアイルが記憶装置 52に 保存され、 蓄積される。
[0039] 口ーカルコンビュータ 3巳は、 産業機械 2巳に対して、 口ーカルコンピュ —夕 3八と同様の処理を実行する。 また、 口ーカルコンビュータ 3〇は、 産 業機械 2〇に対して、 口ーカルコンピュータ 3 と同様の処理を実行する。
[0040] 図 7は、 サーバ 4によって実行される処理を示すフローチヤートである。
以下の説明では、 サーバ 4が口ーカルコンビュータ 3八から特徴量を受信し たときの処理について説明する。 図 7に示すように、 ステップ 3201では 、 サーバ 4は、 特徴童を受信する。 サーバ 4は、 口ーカルコンピュータ3八 から、 特徴量を受信する。
[0041] ステップ 3202では、 サーバ 4は、 駆動系
Figure imgf000012_0001
323-3
2 が正常であるかを判定する。 サーバ 4は、 駆動系 1 23— 1 2 ， 32 3 - 32 に対応する特徴量から、 駆動系 1 23- 1 2 ， 323-32 のそれぞれが、 正常であるかを判定する。 駆動系 1 23— 1 2 ， 323- 32 ¢1が正常であるかの判定は、 品質工学における公知の判定手法によって 行われてもよい。 例えば、 サーバ 4は、 1\/1丁法 （マハラノビス ·タグチ法） を用いて、 駆動系 1 23— 1 2 ， 323— 32 が正常であるかを判定す る。 ただし、 サーバ 4は、 他の手法を用いて、 駆動系 1 23— 1 2 ， 32 3-32 が正常であるかを判定してもよい。
[0042] ステップ3202において、 駆動系 1 23- 1 2 ， 323 - 32 の少 なくとも 1つが正常ではないと、 サーバ 4が判定したときには、 処理はステ \¥02020/174828 11 卩（：171?2019/049433
ップ3203に進む。 なお、 駆動系 1 23— 1 2 ， 323— 32 が正常 ではないことは、 駆動系 1 23- 1 2 ， 323-32 がまだ故障してい ないが、 劣化がある程度まで進んだ状態を意味する。
[0043] ステップ 3203では、 サーバ 4は、 口ーカルコンビュータ 3八に解析デ —夕を要求する。 サーバ 4は、 解析データの送信の要求信号を、 口ーカルコ ンピュータ 3八に送信する。 要求信号は、 正常では無いと判定された駆動系 に対応する状態データファイルの識別子を含む。 サーバ 4は、 要求信号を口 —カルコンピュータ 3八に送信して、 当該状態データファイルの解析データ を要求する。
[0044] 図 8は、 口ーカルコンビュータ 3八によって実行される処理を示すフロー チヤートである。 図 8に示すように、 ステップ 3301では、 口ーカルコン ピュータ 3八は、 サーバ 4からの解析データの要求があるかを判定する。 口 —カルコンピュータ 3八は、 上述した要求信号をサーバ 4から受信すると、 解析データの要求があると判定する。
[0045] ステップ 3302では、 口ーカルコンビュータ 3八は、 解析データを検索 する。 口ーカルコンピュータ 3八は、 記憶装置 52に保存された複数の状態 データファイルから、 要求された状態データファイル内の解析データを検索 する。 ステップ 3303では、 口ーカルコンビュータ 3八は、 要求された解 析データをサーバ 4に送信する。
[0046] 図 9は、 サーバ 4によって実行される処理を示すフローチヤートである。
図 9に示すように、 ステップ 3401では、 サーバ 4は、 口ーカルコンピュ —夕 3 から解析データを受信する。 サーバ 4は、 記憶装置 58に解析デー 夕を保存する。 ステップ 3402では、 サーバ 4は、 判定モデル 60, 70 に解析データを入力する。
[0047] 図 1 〇八及び図 1 0巳に示すように、 サーバ 4は、 判定モデル 60, 70 を有する。 判定モデル 60, 70は、 解析データを入力として、 駆動系に含 まれる部位の異常の可能性を出力するように、 機械学習により学習済みのモ デルである。 判定モデル 60, 70は、 人工知能のアルゴリズムと、 学習に \¥02020/174828 12 卩（：171?2019/049433
よってチューニングされたパラメータとを含む。 判定モデル 6 0 , 7 0は、 データとして記憶装置 5 8に保存されている。 判定モデル 6 0 , 7 0は、 例 えば、 ニューラルネッ トワークを含む。 判定モデル 6 0 , 7 0は、 畳み込み ニューラルネッ トワーク （〇 ） などのディープニューラルネッ トワークを含 む。
[0048] サーバ 4は、 スライ ド駆動系 1 2 3 - 1 2 用の判定モデル 6 0と、 ダイ クッション駆動系 3 2 3 - 3 2 用の判定モデル 7 0とを有する。 判定モデ ル 6 0は、 複数の判定モデル 6 1 —6 4を含む。 複数の判定モデル 6 1 _ 6 4のそれぞれは、 スライ ド駆動系 1 2 3 - 1 2 に含まれる複数の部位に対 応している。 判定モデル 6 0は、 入力された解析データの波形から、 対応す る部位の異常の可能性を示す値を出力する。 判定モデル 6 1 - 6 4は、 学習 データによって、 学習済みである。
[0049] 学習データは、 異常時の解析データと正常時の解析データとを含む。 図 1
1 八は、 異常時の解析データの一例である。 図 1 1 巳は、 正常時の解析デー 夕の一例である。 異常時の解析データは、 対応する部位における異常発生直 前から、 異常発生時の所定期間前までの解析データである。 図 1 1 に示す ように、 異常時の解析データでは、 波形の複数のピークが所定の閾値丁 1 を超えている。 正常時の解析データは、 部位の使用時間が短く、 且つ、 異常 が発生していないときの解析データである。 正常時の解析データでは、 波形 の全てのピークは所定の閾値丁 1 よりも低い。
[0050] 図 1 0八に示すように、 本実施形態では、 サーバ 4は、 スライ ド駆動系 1
2 3— 1 2 ¢1に対して、 モータベアリング用の判定モデル 6 1 と、 タイミン グベルト用の判定モデル 6 2と、 コンロッ ド用の判定モデル 6 3と、 減速機 用の判定モデル 6 4とを有する。 モータべアリング用の判定モデル 6 1は、 解析データから、 モータべアリング 2 8 3— 2 8 の異常の可能性を示す値 を出力する。 タイミングベルト用の判定モデル 6 2は、 解析データから、 夕 イミングベルト 2 5 3 - 2 5 の異常の可能性を示す値を出力する。 コンロ ッ ド用の判定モデル 6 3は、 解析データから、 コンロッ ド 2 6 3— 2 6 ¢1の \¥02020/174828 13 卩（：171?2019/049433
異常の可能性を示す値を出力する。 減速機用の判定モデル 6 4は、 解析デー 夕から、 減速機 2 4 3 _ 2 4 のべアリングの異常の可能性を示す値を出力 する。
[0051 ] 図 1 0巳に示すように、 サーバ 4は、 ダイクッション駆動系 3 2 3— 3 2 に対して、 モータベアリング用の判定モデル 7 1 と、 タイミングベルト用 の判定モデル 7 2と、 ボールスクリュー用の判定モデル 7 3とを有する。 モ —タベアリング用の判定モデル 7 1は、 解析データから、 モータベアリング 4 2 3 - 4 2 の異常の可能性を示す値を出力する。 タイミングベルト用の 判定モデル 7 2は、 解析データから、 タイミングベルト 3 7 3— 3 7 の異 常の可能性を示す値を出力する。 ボールスクリュー用の判定モデル 7 3は、 解析データから、 ボールスクリュー 3 8 3— 3 8 の異常の可能性を示す値 を出力する。
[0052] サーバ 4は、 ステップ 3 4 0 1で取得した解析データを、 上記の判定モデ ル 6 1 —6 4のそれぞれ、 或いは、 判定モデル 7 1 —7 3のそれぞれに入力 する。 例えば、 スライ ド駆動系 1 2 3が正常ではないと判定されたときには 、 サーバ 4は、 スライ ド駆動系 1 2 3の解析データを、 判定モデル 6 1 _ 6 4に入力する。 それにより、 サーバ 4は、 スライ ド駆動系 1 2 3の各部位の 異常の可能性を示す値を出力値として取得する。
[0053] 或いは、 ダイクッション駆動系 3 2 3が正常ではないと判定されたときに は、 サーバ 4は、 ダイクッション駆動系 3 2 3の解析データを判定モデル 7 1 —7 3に入力する。 それにより、 サーバ 4は、 ダイクッション駆動系 3 2 3の各部位の異常の可能性を示す値を出力値として取得する。
[0054] ステップ 3 4 0 3では、 サーバ 4は、 出力値の最も大きい部位を、 異常部 位と判定する。 例えば、 サーバ 4は、 スライ ド駆動系 1 2 3に対して、 モー タベアリング用の判定モデル 6 1 と、 タイミングベルト用の判定モデル 6 2 と、 コンロッ ド用の判定モデル 6 3と、 減速機用の判定モデル 6 4とからの 出力値のうち、 最も大きい値に対応する部位を、 異常部位と判定する。 或い は、 サーバ 4は、 ダイクッション駆動系 3 2 3に対して、 モータベアリング \¥02020/174828 14 卩（：171?2019/049433
用の判定モデル 7 1 と、 タイミングベルト用の判定モデル 7 2と、 ボールス クリュー用の判定モデル 7 3とからの出力値のうち、 最も大きい値に対応す る部位を、 異常部位と判定する。
[0055] ステップ 3 4 0 4では、 サーバ 4は、 異常部位の残存寿命を算出する。 例 えば、 サーバ 4は、 1\/1丁法 （マハラノビス ·タグチ法） などの品質工学の公 知の手法を用いて、 異常部位の残存寿命を算出してもよい。 ただし、 サーバ 4は、 他の手法を用いて、 残存寿命を算出してもよい。
[0056] ステップ 3 4 0 5では、 サーバ 4は、 予知保全データを更新する。 予知保 全データは、 記憶装置 5 8に保存されている。 予知保全データは、 サーバ 4 に登録されている産業機械 2 _ 2 0の駆動系の残存寿命を示すデータを含 む。 予知保全データは、 駆動系の複数の部位のうち、 異常部位と判定された 部位の残存寿命を示すデータを含む。
[0057] ステップ 3 4 0 6では、 サーバ 4は、 保全管理画面の表示要求があるかを 判定する。 サーバ 4は、 クライアントコンビュータ 6から、 保全管理画面の 要求信号を受信したときに、 保全管理画面の表示要求があると判定する。 保 全管理画面の表示要求があるときには、 サーバ 4は、 管理画面データを送信 する。 管理画面データは、 クライアントコンビュータ 6のディスプレイ 7に 、 保全管理画面を表示するためのデータである。
[0058] 図 1 2及び図 1 3は、 保全管理画面の一例を示す図である。 保全管理画面 は、 図 1 2に示す機械一覧画面 8 1 と、 図 1 3に示す機械個別画面 8 2とを 含む。 クライアントコンピュータ 6のユーザは、 機械一覧画面 8 1 と機械個 別画面 8 2とを選択的にディスプレイ 7に表示させることができる。 機械一 覧画面 8 1が選択されたときには、 サーバ 4は、 予知保全データに基づいて 機械一覧画面 8 1 を示すデータを生成して、 クライアントコンピュータ 6に 機械一覧画面 8 1 を示すデータを送信する。 機械個別画面 8 2が選択された ときには、 サーバ 4は、 予知保全データに基づいて機械画面を示すデータを 生成して、 クライアントコンピュータ 6に機械個別画面 8 2を示すデータを 送信する。 \¥02020/174828 15 卩（：171?2019/049433
[0059] 図 1 2は、 機械一覧画面 8 1の一例を示す図である。 機械一覧画面 8 1は 、 サーバ 4に登録された複数の産業機械 2 _ 2（3に関する予知保全データ を表示する。 図 1 2に示すように、 機械一覧画面 8 1は、 エリア識別子 8 3 と、 機械識別子 8 4と、 駆動系識別子 8 5と、 寿命インジケータ 8 6とを含 む。 機械一覧画面 8 1では、 エリア識別子 8 3と、 機械識別子 8 4と、 駆動 系識別子 8 5と、 寿命インジケータ 8 6とが一覧で表示される。
[0060] エリア識別子 8 3は、 産業機械 2八一 2〇が配置されたエリアの識別子で ある。 機械識別子 8 4は、 産業機械 2八一 2〇のそれぞれの識別子である。 駆動系識別子 8 5は、 スライ ド駆動系 1 2 3 - 1 2 、 或いはダイクッショ ン駆動系 3 2 3— 3 2〇1の識別子である。 これらの識別子は、 名称であって もよく、 或いはコードであってもよい。
[0061 ] 寿命インジケータ 8 6は、 産業機械 2八一 2〇のそれぞれに対して、 スラ イ ド駆動系 1 2 3 - 1 2 、 或いはダイクッシヨン駆動系 3 2 3 - 3 2 の 残存寿命を示す。 寿命インジケータ 8 6は、 残存寿命を示す数値を含む。 残 存寿命は、 例えば日数で示される。 ただし、 残存寿命は、 時間 （ 1^） など の他の単位で示されてもよい。
[0062] また、 寿命インジケータ 8 6は、 残存寿命を示すグラフィック表示を含む 。 本実施形態において、 グラフィック表示は、 パー表示である。 サーバ 4は 、 残存寿命に応じて寿命インジケータ 8 6のバーの長さを変更する。 ただし 、 残存寿命は、 他の表示態様によって表示されてもよい。
[0063] サーバ 4は、 ステップ 3 4 0 4と同様に、 正常と判断された駆動系に対し て、 その特徴量から残存寿命を判定し、 当該残存寿命を寿命インジケータ 8 6で表示してもよい。 サーバ 4は、 異常部位を含む駆動系に対しては、 上述 したステップ3 4 0 4で判定された異常部位の残存寿命を寿命インジケータ 8 6で表示してもよい。
[0064] サーバ 4は、 機械一覧画面 8 1 において、 残存寿命に応じて複数の駆動系 の寿命インジケータ 8 6を色分けして表示する。 例えば、 残存寿命が第 1閾 値以上であるときには、 サーバ 4は、 寿命インジケータ 8 6を正常色で表示 \¥02020/174828 16 卩（：171?2019/049433
する。 残存寿命が第 1閾値より小さく、 第 2閾値以上であるときには、 サー バ 4は、 寿命インジケータ 8 6を第 1警告色で表示する。 残存寿命が第 2閾 値より小さいときには、 サーバ 4は、 寿命インジケータ 8 6を第 2警告色で 表示する。 なお、 第 2閾値は、 第 1閾値より小さい。 正常色と第 1警告色と 第 2警告色とは、 互いに異なる色である。 従って、 残存寿命が短い部位の寿 命インジケータ 8 6は、 正常な部位の寿命インジケータ 8 6と異なる色で表 される。
[0065] 図 1 3は、 機械個別画面 8 2の一例を示す図である。 サーバ 4は、 クライ アントコンピュータ 6から、 機械個別画面 8 2の要求信号を受信したときに 、 機械個別画面 8 2をディスプレイ 7に表示するためのデータをクライアン トコンピュータ 6に送信する。 機械個別画面 8 2は、 サーバ 4に登録された 複数の産業機械
Figure imgf000018_0001
データを表示する。 ただし、 機械個別画面 8 2は、 選択された複数の産業機 械に関する予知保全データを表示してもよい。
[0066] 以下、 産業機械 2 が選択された場合の機械個別画面 8 2について説明す る。 機械個別画面 8 2は、 エリア識別子 9 1 と、 産業機械の識別子 9 2と、 交換計画リスト 9 3と、 残存寿命グラフ 9 4とを含む。 エリア識別子 9 1は 、 産業機械 2 が配置されたエリアの識別子である。 機械識別子 9 2は、 産 業機械 2八の識別子である。
[0067] 交換計画リスト 9 3は、 複数の部位のうち保全対象とする部位に関する予 知保全データを表示する。 上述した判定モデル 6 0 , 7 0によって異常部位 と判定された部位が、 交換計画リスト 9 3に表示される。 従って、 サーバ 4 は、 複数の部位の少なくとも 1つにおいて異常があると判定したときには、 交換計画リスト 9 3に当該部位を表示することで、 ユーザに異常を知らせる ことができる。
[0068] 交換計画リスト 9 3では、 残存寿命の短いものから順に、 産業機械 2八の 各駆動系に含まれる複数の部位の少なくとも一部が表示される。 交換計画リ スト 9 3は、 優先度 9 5と、 更新日 9 6と、 駆動系の識別子 9 7と、 部位の \¥02020/174828 17 卩（：171?2019/049433
識別子 9 8と、 寿命インジケータ 9 9とを含む。
[0069] 優先度 9 5は、 駆動系の部位の交換の優先度を示す。 残存寿命が短いほど 、 優先度 9 5が高い。 従って、 交換計画リスト 9 3では、 残存寿命が最も短 い部位の識別子 9 8と寿命インジケータ 9 9とが、 最も上位に表示される。 更新日 9 6は、 駆動系の部位の前回の交換日を示す。 駆動系の識別子 9 7は 、 スライ ド駆動系 1 2 3— 1 2 、 或いはダイクッション駆動系 3 2 3— 3 2 の識別子である。
[0070] 部位の識別子 9 8は、 駆動系に含まれる部位の識別子である。 例えば、 部 位の識別子 9 8は、 スライ ド駆動系 1 2 3— 1 2 のサーボモータ、 減速機 、 タイミングベルト、 或いはコンロッ ドの識別子である。 或いは、 ダイクッ ション駆動系 3 2 3— 3 2 のサーボモータ、 タイミングベルト、 或いはボ —ルスクリユーの識別子である。 サーバ 4は、 上述した判定モデル 6 0 , 7 0を用いて異常部位と判定した部位の識別子 9 8を、 交換計画リスト 9 3に 表示する。 これらの識別子は、 名称であってもよく、 或いはコードであって もよい。
[0071 ] 寿命インジケータ 9 9は、 スライ ド駆動系 1 2 3 - 1 2 、 或いはダイク ッション駆動系 3 2 3 _ 3 2 の各部位の残存寿命を示す。 寿命インジケー 夕 9 9は、 各部位の残存寿命を示す数値とグラフィック表示とを含む。 寿命 インジケータ 9 9については、 上述した機械一覧画面 8 1の寿命インジケー 夕 8 6と同様であるため、 説明を省略する。
[0072] 残存寿命グラフ 9 4は、 駆動系 1 2 3 - 1 2 ， 3 2 3 - 3 2 のそれぞ れの残存寿命がグラフ化されている。 残存寿命グラフ 9 4において、 横軸は 、 状態データが取得された時間
Figure imgf000019_0001
であり、 縦軸は、 特徴量から算出さ れた残存寿命である。
[0073] 以上説明した本実施形態に係る産業機械 2 _ 2 (3の予知保全システム 1 では、 サーバ 4は、 解析データから、 判定モデル 6 0 , 7 0を用いて、 産業
Figure imgf000019_0002
取得する。 そして、 サーバ 4は、 複数の部位における異常の可能性に基づい \¥02020/174828 18 卩（：171?2019/049433
て、 複数の部位から、 保全対象とする部位を判定する。 それにより、 産業機 械 2 A— 2 Cにおいて、 故障の発生前に保全対象とする部位を精度良く特定 することができる。
[0074] 以上、 本発明の一実施形態について説明したが、 本発明は上記実施形態に 限定されるものではなく、 発明の要旨を逸脱しない範囲で種々の変更が可能 である。 例えば、 産業機械は、 プレス機械に限らず、 溶接機械、 或いは切断 機などの他の機械であってもよい。 上述した処理の一部が省略、 或いは変更 されてもよい。 上述した処理の順番が変更されてもよい。
[0075] 口ーカルコンビュータ 3 A— 3 Cの構成が変更されてもよい。 例えば、 口 —カルコンビュータ 3 Aは、 複数のコンビュータを含んでもよい。 上述した 口ーカルコンピュータ 3 Aによる処理は、 複数のコンピュータに分散して実 行されてもよい。 口ーカルコンビュータ 3 Aは、 複数のプロセッサを含んで もよい。 他の口ーカルコンピュータ 3 B , 3 Cについても、 口ーカルコンビ ュータ 3 Aと同様に変更されてもよい。
[0076] サーバ 4の構成が変更されてもよい。 例えば、 サーバ 4は、 複数のコンビ ュータを含んでもよい。 上述したサーバ 4による処理は、 複数のコンピュー 夕に分散して実行されてもよい。 サーバ 4は、 複数のプロセッサを含んでも よい。 上述した処理の少なくとも一部は、 C P Uに限らず、 G P U (Graph i c s Process i ng Un i t) などの他のプロセッサによって実行されてもよい。 上述 した処理は、 複数のプロセッサに分散して実行されてもよい。
[0077] 判定モデルは、 ニューラルネッ トワークに限らず、 サポ _卜べクタ _マシ ンなどの他の機械学習のモデルであってもよい。 判定モデル 6 1 - 6 4は一 体であってもよい。 判定モデル 7 1 — 7 3は一体であってもよい。
[0078] 判定モデルは、 学習データを用いて機械学習により学習したモデルに限ら ず、 当該学習したモデルを利用して生成されたモデルであってもよい。 例え ば、 判定モデルは、 学習済みモデルに新たなデータを用いて更に学習させる ことで、 パラメータを変化させ、 精度をさらに高めた別の学習済みモデル ( 派生モデル) であってもよい。 或いは、 判定モデルは、 学習済みモデルにデ \¥02020/174828 19 卩（：171?2019/049433
—夕の入出力を繰り返すことで得られる結果を基に学習させた別の学習済み モデル （蒸留モデル） であってもよい。
[0079] 判定モデルによる判定の対象となる部位は、 上記の実施形態のものに限ら ず、 変更されてもよい。 状態データは、 モータの角加速度に限らず、 変更さ れてもよい。 例えば、 状態データは、 タイミングベルト、 或いはコンロッ ド などのモータ以外の部位の加速度、 或いは速度であってもよい。
[0080] 保全管理画面は、 上記の実施形態のものに限らず、 変更されてもよい。 例 えば、 機械一覧画面 8 1、 及び/又は、 機械個別画面 8 2に含まれる項目が 、 変更されてもよい。 機械一覧画面 8 1、 及び/又は、 機械個別画面 8 2の 表示態様が、 変更されてもよい。 機械一覧画面 8 1 と機械個別画面 8 2との —方が省略されてもよい。
[0081 ] 寿命インジケータ 8 6の表示態様は、 上記の実施形態のものに限らず、 変 更されてもよい。 例えば、 寿命インジケータ 8 6の色分けの数は、 正常色と 第 1警告色との 2色であってもよい。 或いは、 寿命インジケータ 8 6の色分 けの数は、 3色より多くてもよい。
[0082] 判定モデルによる保全対象とする部位の判定結果は、 上述した保全管理画 面に限らず、 他の方法によってユーザに報知されてもよい。 例えば、 判定結 果が、 電子メールなどの通知手段によってユーザに報知されてもよい。
[0083] ステップ 3 1 0 5において、 口ーカルコンビュータ 3八は、 特徴量と解析 データとをサーバ 4に送信してもよい。 その場合、 ステップ 3 2 0 3は省略 されてもよい。
産業上の利用可能性
[0084] 本開示によれば、 産業機械において故障の発生前に保全対象とする部位を 精度良く特定することができる。
符号の説明
[0085] 2 _ 2〇 産業機械
4 サーバ （予知保全装置）
5 7 プロセッサ \¥02020/174828 20 卩（：17 2019/049433
60， 70 判定モデル

Claims

\¥02020/174828 21 卩（：171?2019/049433 請求の範囲
[請求項 1 ] 産業機械の予知保全装置であって、
前記産業機械の駆動系の状態を示す状態データを入力として、 前記 駆動系に含まれ連動して動作するように互いに連結された複数の部品 のそれぞれに対する異常の可能性を出力するように、 機械学習により 学習済みの判定モデルと、
プロセッサと、
を備え、
前記プロセッサは、
前記状態データを取得し、
前記状態データから、 前記判定モデルを用いて、 前記複数の部品 のそれぞれにおける異常の可能性を取得し、
前記複数の部品における異常の可能性に基づいて、 前記複数の部 品から、 保全対象とする部品を判定する、
予知保全装置。
[請求項 2] 前記複数の部品は、
第 1の部品と、
前記第 1の部品の動作に応じて動作する第 2の部品と、 を含み、
前記プロセッサは、 共通の前記状態データから、 前記判定モデルを 用いて、 前記第 1の部品における異常の可能性と、 前記第 2の部品に おける異常の可能性とを取得する、
請求項 1 に記載の予知保全装置。
[請求項 3] 前記判定モデルは、
前記状態データを入力として、 前記第 1の部品に対する異常の可 能性を出力するように、 機械学習により学習済みの第 1判定モデルと 前記状態データを入力として、 前記第 2の部品に対する異常の可 \¥02020/174828 22 卩（：171?2019/049433
能性を出力するように、 機械学習により学習済みの第 2判定モデルと を含む、
請求項 2に記載の予知保全装置。
[請求項 4] 前記状態データは、 前記複数の部品のうちの一部における加速度に 関するデータである、
請求項 1から 3のいずれかに記載の予知保全装置。
[請求項 5] 前記プロセッサは、
前記状態データから抽出された特徴量を取得し、
前記特徴量に基づいて、 前記駆動系における異常を判定し、 前記駆動系において異常があると判定したときに、 前記状態デー 夕を取得する、
請求項 1から 4のいずれかに記載の予知保全装置。
[請求項 6] 前記プロセッサは、 前記複数の部品の少なくとも 1つにおいて異常 があると判定したときには、 前記異常を知らせるための画面をディス プレイに表示させる信号を出力する、
請求項 1から 5のいずれかに記載の予知保全装置。
[請求項 7] 産業機械の予知保全のためにプロセッサによって実行される方法で あって、
前記産業機械の駆動系の状態を示す状態データを取得することと、 前記駆動系に含まれ連動して動作するように互いに連結された複数 の部品のそれぞれに対する異常の可能性を出力するように、 機械学習 により学習済みの判定モデルに、 前記状態データを入力することと、 前記判定モデルから出力される前記産業機械の前記複数の部品のそ れぞれに対する異常の可能性を取得することと、
前記複数の部品における異常の可能性に基づいて、 前記複数の部品 から、 保全対象とする部品を判定すること、
を備える方法。 \¥02020/174828 23 卩（：171?2019/049433
[請求項 8] 前記複数の部品は、
第 1の部品と、
前記第 1の部品の動作に応じて動作する第 2の部品と、 を含み、
前記異常の可能性を取得することは、 共通の前記状態データから、 前記判定モデルを用いて、 前記第 1の部品における異常の可能性と、 前記第 2の部品における異常の可能性とを取得することを含む、 請求項 7に記載の方法。
[請求項 9] 前記判定モデルは、
前記状態データを入力として、 前記第 1の部品に対する異常の可 能性を出力するように、 機械学習により学習済みの第 1判定モデルと 前記状態データを入力として、 前記第 2の部品に対する異常の可 能性を出力するように、 機械学習により学習済みの第 2判定モデルと を含む、
請求項 8に記載の方法。
[請求項 10] 前記状態データは、 前記複数の部品のうちの一部における加速度に 関するデータである、
請求項 7から 9のいずれかに記載の方法。
[請求項 1 1 ] 前記状態データから抽出された特徴量を取得することと、
前記特徴量に基づいて、 前記駆動系における異常を判定すること、 をさらに備え、
前記駆動系において異常があると判定したときに、 前記状態データ が取得される、
請求項 7から 1 0のいずれかに記載の方法。
[請求項 12] 前記複数の部品の少なくとも 1つにおいて異常があると判定したと きには、 前記異常を知らせるための画面をディスプレイに表示させる \¥02020/174828 24 卩（：171?2019/049433
信号を出力することをさらに備える。
請求項 7から 1 1のいずれかに記載の方法。
[請求項 13] 産業機械と、
前記産業機械の状態を示す状態データを保存する記憶装置と、 前記状態データを入力として、 前記駆動系に含まれ連動して動作す るように互いに連結された複数の部品のそれぞれに対する異常の可能 性を出力するように、 機械学習により学習済みの判定モデルと、 プロセッサと、
を備え、
前記プロセッサは、
前記状態データから、 前記判定モデルを用いて、 前記複数の部品 のそれぞれにおける異常の可能性を取得し、
前記複数の部品における異常の可能性に基づいて、 前記複数の部 品から、 保全対象とする部品を判定する、
予知保全システム。
[請求項 14] 前記複数の部品は、
第 1の部品と、
前記第 1の部品の動作に応じて動作する第 2の部品と、 を含み、
前記プロセッサは、 共通の前記状態データから、 前記判定モデルを 用いて、 前記第 1の部品における異常の可能性と、 前記第 2の部品に おける異常の可能性とを取得する、
請求項 1 3に記載の予知保全システム。
[請求項 15] 前記判定モデルは、
前記状態データを入力として、 前記第 1の部品に対する異常の可 能性を出力するように、 機械学習により学習済みの第 1判定モデルと 前記状態データを入力として、 前記第 2の部品に対する異常の可 \¥02020/174828 25 卩（：17 2019/049433
能性を出力するように、 機械学習により学習済みの第 2判定モデルと を含む、
請求項 1 4に記載の予知保全システム。
PCT/JP2019/049433 2019-02-28 2019-12-17 産業機械の予知保全装置、方法、及びシステム WO2020174828A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201980075538.XA CN113039500A (zh) 2019-02-28 2019-12-17 工业机械的预测保全装置、方法及系统
US17/293,352 US20220011764A1 (en) 2019-02-28 2019-12-17 Predictive maintenance device, method, and system for industrial machine
DE112019005909.2T DE112019005909T5 (de) 2019-02-28 2019-12-17 Vorrichtung, verfahren und system zur vorausschauenden wartung einer industriemaschine

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-035972 2019-02-28
JP2019035972A JP7219117B2 (ja) 2019-02-28 2019-02-28 産業機械の予知保全装置、方法、及びシステム

Publications (1)

Publication Number Publication Date
WO2020174828A1 true WO2020174828A1 (ja) 2020-09-03

Family

ID=72239202

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/049433 WO2020174828A1 (ja) 2019-02-28 2019-12-17 産業機械の予知保全装置、方法、及びシステム

Country Status (5)

Country Link
US (1) US20220011764A1 (ja)
JP (1) JP7219117B2 (ja)
CN (1) CN113039500A (ja)
DE (1) DE112019005909T5 (ja)
WO (1) WO2020174828A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023248373A1 (ja) * 2022-06-22 2023-12-28 三菱電機株式会社 異常予測装置、異常予測システム、異常予測方法、及び異常予測プログラム

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230325292A1 (en) * 2022-04-06 2023-10-12 SparkCognition, Inc. Anomaly detection using multiple detection models

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017162417A (ja) * 2016-03-11 2017-09-14 株式会社日立ハイテクノロジーズ 異常診断装置および方法、並びに、異常診断システム
JP2018081588A (ja) * 2016-11-17 2018-05-24 株式会社富士通エフサス 特定装置および特定方法
JP2018147443A (ja) * 2017-03-09 2018-09-20 安川情報システム株式会社 故障予知方法、故障予知装置および故障予知プログラム

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2598693B2 (ja) 1989-01-25 1997-04-09 株式会社小松製作所 故障監視装置
JP4739556B2 (ja) * 2001-03-27 2011-08-03 株式会社安川電機 制御対象の遠隔調整及び異常判断装置
CN101167026B (zh) * 2005-04-20 2011-03-02 三菱电机株式会社 数据收集装置及网关装置
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
CN105511450A (zh) * 2015-12-30 2016-04-20 福建工程学院 叉装车远程故障监控及预测的方法
KR20170128785A (ko) * 2016-05-13 2017-11-24 현대자동차주식회사 차량의 egr밸브 제어방법 및 그 제어시스템
CN106354123A (zh) * 2016-11-01 2017-01-25 武汉理工大学 基于物联网的大型机械设备故障自动检测系统
JP6906993B2 (ja) * 2017-03-24 2021-07-21 三菱重工業株式会社 監視システム、処理装置、監視装置、監視方法およびプログラム
JP6711854B2 (ja) * 2018-02-22 2020-06-17 ファナック株式会社 故障予測装置及び機械学習装置
JP7074542B2 (ja) * 2018-04-06 2022-05-24 ファナック株式会社 ネットワークを利用した診断サービスシステム及び診断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017162417A (ja) * 2016-03-11 2017-09-14 株式会社日立ハイテクノロジーズ 異常診断装置および方法、並びに、異常診断システム
JP2018081588A (ja) * 2016-11-17 2018-05-24 株式会社富士通エフサス 特定装置および特定方法
JP2018147443A (ja) * 2017-03-09 2018-09-20 安川情報システム株式会社 故障予知方法、故障予知装置および故障予知プログラム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023248373A1 (ja) * 2022-06-22 2023-12-28 三菱電機株式会社 異常予測装置、異常予測システム、異常予測方法、及び異常予測プログラム

Also Published As

Publication number Publication date
CN113039500A (zh) 2021-06-25
DE112019005909T5 (de) 2021-08-19
JP7219117B2 (ja) 2023-02-07
JP2020140483A (ja) 2020-09-03
US20220011764A1 (en) 2022-01-13

Similar Documents

Publication Publication Date Title
WO2020174827A1 (ja) 学習データを収集するためのシステム、及び方法
JP6404893B2 (ja) 工具寿命推定装置
JP7107830B2 (ja) 学習用データ確認支援装置、機械学習装置、故障予知装置
JP7104121B2 (ja) 故障予知装置、故障予知システム及び故障予知方法
JP6885911B2 (ja) プレス機械及びプレス機械の異常監視方法
WO2020174828A1 (ja) 産業機械の予知保全装置、方法、及びシステム
CN109581962B (zh) 数值控制系统
JP6603272B2 (ja) 情報収集装置及び情報収集方法
DE102019103824A1 (de) Fehlervorhersagevorrichtung und maschinelle lernvorrichtung
CN110196573B (zh) 异常因素确定装置
KR102024454B1 (ko) 고장 진단 장치 및 고장 진단 방법
JP2018062028A (ja) モジュールの情報を追跡するロボットシステム及び保守方法
JP2020093506A (ja) 射出成形機の情報提示装置及び射出成形機の情報提示方法
WO2020174829A1 (ja) 産業機械の保全管理サービスをクライアントコンピュータに提供するためのサーバ、方法、及びシステム
JP2019091299A (ja) 工作機械の送り軸の稼働状態表示装置及び稼働状態表示方法
WO2022091575A1 (ja) 産業機械の異常を判定するための方法及びシステム
JP7496223B2 (ja) 学習データを収集するための方法、及びシステム
CN113366172B (zh) 用于呈现描述拆除机器人的运行操作状况的信息的方法、设备和用户界面
JP2020004098A (ja) 生産管理方法、及び生産管理システム
JP2021149397A (ja) 学習データを収集するための方法、及びシステム
JP2022052351A (ja) 情報処理方法、情報処理装置、制御プログラム、記録媒体、物品の製造方法、学習用データの取得方法
WO2024085080A1 (ja) 工作機械の作業者支援装置及び作業者支援方法
JP5297308B2 (ja) 数値制御装置
CN116529679A (zh) 数据收集计划生成装置以及数据收集计划生成方法
JP2023072473A (ja) 監視システム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19916981

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 19916981

Country of ref document: EP

Kind code of ref document: A1