WO2021145156A1 - 異常診断システム及び異常診断方法 - Google Patents

異常診断システム及び異常診断方法 Download PDF

Info

Publication number
WO2021145156A1
WO2021145156A1 PCT/JP2020/047726 JP2020047726W WO2021145156A1 WO 2021145156 A1 WO2021145156 A1 WO 2021145156A1 JP 2020047726 W JP2020047726 W JP 2020047726W WO 2021145156 A1 WO2021145156 A1 WO 2021145156A1
Authority
WO
WIPO (PCT)
Prior art keywords
abnormality
principal component
component analysis
series data
equipment
Prior art date
Application number
PCT/JP2020/047726
Other languages
English (en)
French (fr)
Inventor
哲志 長野
丈英 平田
Original Assignee
Ｊｆｅスチール株式会社
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 Ｊｆｅスチール株式会社 filed Critical Ｊｆｅスチール株式会社
Priority to CN202080089721.8A priority Critical patent/CN114846315A/zh
Priority to KR1020227021529A priority patent/KR20220104042A/ko
Priority to US17/758,358 priority patent/US20230024947A1/en
Priority to BR112022013365A priority patent/BR112022013365A2/pt
Priority to EP20913851.0A priority patent/EP4092501A4/en
Priority to JP2021514439A priority patent/JP6915763B1/ja
Publication of WO2021145156A1 publication Critical patent/WO2021145156A1/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
    • G05B23/0218—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
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • 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
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • 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
    • G05B2223/00—Indexing scheme associated with group G05B23/00
    • G05B2223/02—Indirect monitoring, e.g. monitoring production to detect faults of a system

Definitions

  • the present invention relates to an abnormality diagnosis system and an abnormality diagnosis method for diagnosing an abnormality in equipment having an equipment drive unit.
  • dies for width pressing are arranged on both sides of the slab to be conveyed, and power is transmitted from the motor to the dies via a crank to press the slab in a fixed cycle.
  • the current waveform or load waveform that repeatedly appears at this time is collected for each material, and the current waveform or load waveform for one crank cycle is analyzed by PCA for each material to extract an abnormal waveform.
  • an object of the present invention is to provide an abnormality diagnosis system and an abnormality diagnosis method capable of suppressing a misdiagnosis that an equipment abnormality has occurred when an equipment abnormality has not actually occurred.
  • the present invention provides the following (1) to (10).
  • An abnormality diagnosis system that diagnoses abnormalities in equipment that repeats a certain pattern.
  • a sampling unit that repeats a pattern corresponding to the fixed pattern and samples time-series data indicating the state of the equipment.
  • a calculation unit that diagnoses an abnormality in the equipment by performing principal component analysis based on the time-series data sampled by the sampling unit. Have, The calculation unit The first principal component analysis is performed on one pattern in the time series data indicating the state, and the first abnormality presence / absence judgment is performed based on the result.
  • a plurality of temporally continuous patterns including the pattern obtained by performing the first principal component analysis in the time series data indicating the state are collectively the first.
  • the principal component analysis of 2 is performed, and the presence or absence of the second abnormality is determined based on the result.
  • An abnormality diagnosis system characterized in that an equipment abnormality is diagnosed when the second abnormality determination is abnormal.
  • the first abnormality presence / absence determination and the second abnormality presence / absence determination are characterized in that they are based on the Q statistic obtained from the results of the first principal component analysis and the second principal component analysis.
  • the number of sampling points of the time series data used for the first principal component analysis in the calculation unit is N1
  • the dimension compression by the first principal component analysis is k1 dimension
  • the second principal component analysis is performed.
  • the number of sampling points of the time series data used for is N2 points
  • the dimension compression by the second principal component analysis is k2 dimensions
  • the number of the plurality of patterns is M (M ⁇ 2), N2 ⁇ N1 ⁇ M
  • the abnormality diagnosis system according to (1) or (2) above, wherein k2 ⁇ k1 ⁇ M is established.
  • the equipment is a sizing press equipment in which a mold is driven by a drive motor to reduce the width of the slab, and the time-series data indicating the state of the equipment is the current waveform of the drive motor or the load waveform of the mold.
  • the abnormality diagnosis system according to any one of (1) to (3) above, wherein the abnormality diagnosis system is provided.
  • the data pre-processing unit further includes a data pre-processing unit that performs pre-processing including a process of normalizing the height of the waveform and a process of classifying the time-series data sampled by the sampling unit according to the width reduction amount.
  • the abnormality diagnosis system according to (4) above.
  • An abnormality diagnosis method for diagnosing an abnormality in equipment that repeats a certain pattern A step of sampling time-series data indicating the state of the equipment, which repeats a pattern corresponding to the fixed pattern, and The step of performing the first principal component analysis on one pattern in the time series data showing the above state, The step of determining the presence or absence of the first abnormality from the result of the first principal component analysis, When the first abnormality presence / absence determination is abnormal, a plurality of temporally continuous patterns including the pattern obtained by performing the first principal component analysis in the time series data indicating the state are collectively the first.
  • the first abnormality presence / absence determination and the second abnormality presence / absence determination are characterized in that they are based on the Q statistic obtained from the results of the first principal component analysis and the second principal component analysis.
  • the dimension compression by the first principal component analysis is k1 dimension
  • the time series data is used for the second principal component analysis.
  • the dimension compression by the second principal component analysis is k2 dimensions
  • the number of the plurality of patterns is M (M ⁇ 2), N2 ⁇ N1 ⁇ M or k2 ⁇ k1
  • the equipment is a sizing press equipment in which a mold is driven by a drive motor to reduce the width of the slab, and the time-series data indicating the state of the equipment is the current waveform of the drive motor or the load waveform of the mold.
  • the abnormality diagnosis method according to any one of (6) to (8) above, wherein the abnormality is present.
  • the time-series data sampled above is further provided with a step of performing preprocessing including a process of normalizing the height of the waveform and a process of classifying by the amount of width reduction (9). ) Described in the abnormality diagnosis method.
  • an abnormality diagnosis system and an abnormality diagnosis method capable of suppressing a misdiagnosis that an equipment abnormality has occurred when an equipment abnormality has not actually occurred.
  • FIG. 1 is a schematic diagram and a block diagram showing an example in which an abnormality diagnosis system according to an embodiment is used in a sizing press facility.
  • FIG. 2 is a diagram showing an example of a sample waveform when extracting an abnormal waveform.
  • FIG. 3 is a diagram for explaining a PCA performed using the sample waveform of FIG.
  • FIG. 4 is a flowchart showing an abnormality diagnosis method executed in the abnormality diagnosis system according to the embodiment.
  • FIG. 5 is a diagram showing a comparison between the case where the load waveform, which is time-series data indicating the load, is a normal waveform and the case where the load waveform is an equipment abnormality waveform.
  • FIG. 1 is a schematic diagram and a block diagram showing an example in which an abnormality diagnosis system according to an embodiment is used in a sizing press facility.
  • FIG. 2 is a diagram showing an example of a sample waveform when extracting an abnormal waveform.
  • FIG. 3 is a diagram for explaining a PCA
  • FIG. 6 is a diagram showing a comparison between the case where all the load waveforms, which are time-series data indicating the load, are normal waveforms and the case where the slip generation waveform exists.
  • FIG. 7 is a diagram showing the relationship between the number of cycles and the Q statistic (mean square error) when the slip generation waveform is included for one cycle (one waveform).
  • FIG. 1 is a schematic diagram and a block diagram showing an example in which an abnormality diagnosis system according to an embodiment is used in a sizing press facility.
  • the sizing press facility 10 performs width reduction on the slab 11 in the hot rolling line after continuous casting.
  • the sizing press facility 10 is provided corresponding to a pair of dies 2, an inlet side pinch roll 3 and an outlet side pinch roll 4, and a pair of dies 2, and a pair of drive motors for driving the dies 2. It has 5 and a pair of cranks 6 that connect the mold 2 and the drive motor 5, respectively.
  • the slab 11 is carried between the pair of dies 2 facing each other by the entry side pinch roll 3, and is swung by the power transmitted from the drive motor 5 via the crank 6.
  • the width is reduced by the mold 2 and carried out by the exit side pinch roll 4. While the slab 11 is being conveyed intermittently, the slab 11 is repeatedly reduced in width by the mold 2 at regular intervals to become a slab having a predetermined width.
  • the abnormality diagnosis system 20 diagnoses an equipment abnormality of the sizing press equipment 10, and has a sampling unit 21, a data preprocessing unit 22, a storage unit 23, a calculation unit 24, and an output unit 25.
  • the sampling unit 21 samples time-series data indicating the state of the equipment.
  • the time-series data shows the load such as the current value of the drive motor 5 and the load of the mold 2 when the slab 11 is reduced in width by the mold 2.
  • Crank angle information can be used as the time information for obtaining time series data.
  • the time-series data indicating the load such as the current value and the load becomes one waveform (pattern) in which one cycle of the crank 6 has a peak, and such a waveform appears repeatedly. Specifically, it is a current waveform and a load waveform.
  • the data preprocessing unit 22 preprocesses the data sampled by the sampling unit 21. As the preprocessing, a process of normalizing the height of the waveform corresponding to one cycle of the crank 6 and a process of classifying the data according to the width killing amount (width reduction amount) at the time of width reduction are performed.
  • the storage unit 23 stores the preprocessed data.
  • the storage unit 23 stores time-series data (normal waveform), which is a reference waveform and indicates a load in a normal state, which is obtained in advance.
  • the calculation unit 24 performs an abnormality diagnosis using principal component analysis (PCA) on the waveform of the time-series data (current value and load) of the load after preprocessing stored in the storage unit 23.
  • PCA principal component analysis
  • the analysis method using PCA is a method of extracting a waveform having a shape different from that of a normal chart waveform (abnormality) from a large number of chart waveforms.
  • a multivariate statistical process management method is used with PCA. To use.
  • FIG. 2 is a diagram showing an example of a sample waveform when an abnormal waveform is extracted using PCA.
  • the horizontal axis is time
  • the vertical axis is a load such as a power value and a load.
  • N samples are collected at predetermined intervals in the waveform collection time zone (number of samples: N). For example, the number of samples N is 50 if the sampling time is 5 seconds and the sampling time is 100 ms.
  • the image diagram when this is analyzed by PCA is shown in FIG. 3, and for the sake of simplicity, the diagram in the case of a two-dimensional space where the number of data points is two points is shown, and the first element axis (X axis) and the first element axis (X axis) of the data.
  • the axis with the largest dispersion is the first principal component with respect to the points in space represented by the two-element axis (Y axis).
  • the axis orthogonal to the first principal component is shown as the second principal component as shown in the figure.
  • the second principal component axis that maximizes the variance is determined.
  • the kth principal component (k ⁇ N) is the axis orthogonal to the first to (k-1) principal components.
  • the one with the maximum dispersion is the k-th principal component.
  • the Q statistic is evaluated.
  • the Q statistic is the sum of squares (sum of squared errors) of the distance between each sample and the principal component axis.
  • the mean square error obtained by dividing this value by the number of samples is the Q statistic. It is preferable to use as.
  • the Q statistic is evaluated only by the distance from the first principal component. Since the abnormal sample has a large distance from the principal component axis, the Q statistic increases when there is an abnormal sample, and it can be determined that the Q statistic is abnormal, and the possibility of equipment abnormality can be grasped. can.
  • a threshold value for the Q statistic can be set, and if the Q statistic is equal to or greater than the threshold value, it can be determined that there is a possibility of equipment abnormality.
  • the Q statistic becomes large, and it is determined that the Q statistic has an abnormality.
  • the calculation unit 24 extracts one waveform for one crank cycle from the time-series data of the load after preprocessing stored in the storage unit 23, and performs PCA on the waveform to obtain a Q statistic. Ask. Then, the presence or absence of abnormality in the Q statistical value is determined. For example, when the Q statistic is larger than the threshold value, it is determined that the Q statistic is abnormal. If there is no abnormality in the Q statistic, a signal without abnormality is sent to the output unit 25. On the other hand, if there is an abnormality in the Q statistic, there is a possibility of equipment abnormality, but there may be a case where the load is removed, which will be described later.
  • FIG. 4 is a flowchart showing an abnormality diagnosis method executed in the abnormality diagnosis system 20.
  • sizing press facility 10 power is transmitted from the drive motor 5 to the die 2 via the crank 6 while intermittently conveying the slab 11, and the die 2 reduces the width of the slab 11 at regular intervals.
  • a sizing press is performed. Such a sizing press is continuously performed on a plurality of slabs 11.
  • the abnormality of the sizing press equipment 10 is diagnosed by the following method from the time series data showing the load such as the current value of the drive motor 5 and the load of the die 2 during the sizing press. do.
  • the abnormality diagnosis system 20 samples the time-series data of the load in the sizing press of the slab 11 of the predetermined material by the sampling unit 21 (step 1).
  • time-series data indicating the load becomes one waveform having a peak for one cycle of the crank 6, and such a waveform appears repeatedly.
  • time-series data is a current waveform of the drive motor 5 and a load waveform of the mold 2.
  • the abnormality diagnosis system 20 preprocesses the data sampled by the sampling unit 21 by the data preprocessing unit 22 (step 2).
  • the process of normalizing the height of the waveform corresponding to one cycle of the crank 6 and the process of classifying the data according to the width killing amount (width reduction amount) at the time of width reduction are performed. Will be done.
  • the reason why the data is classified according to the width reduction amount (width reduction amount) when the width reduction is applied is that the crank angle at which the load is generated differs depending on the width reduction amount, and the waveform varies. Specifically, the smaller the width killing amount, the later the load generation timing.
  • the data after such preprocessing is stored in the storage unit 23.
  • the abnormality diagnosis system 20 extracts one waveform corresponding to one cycle of the crank 6 from the time-series data after the pretreatment of the slab of the material stored in the storage unit 23, and the one waveform.
  • PCA is performed for (step 3).
  • step 3 PCA is performed using the waveform of the time series data at the normal time (normal waveform) as the reference waveform, and the Q statistic is obtained from the result by the multivariate statistical process management method as described above.
  • step 4 determine whether the Q statistic is abnormal. For example, when the Q statistic is equal to or greater than the threshold value, it is determined that the Q statistic is abnormal.
  • the load waveform which is time-series data indicating the load, becomes an equipment abnormality waveform different from the normal waveform in all cycles. Therefore, if there is no abnormality in one waveform corresponding to one cycle, it can be assumed that there is no equipment abnormality.
  • the horizontal axis is the crank angle corresponding to time.
  • the vertical axis is the load of the mold. The same applies to FIG. 6 described below.
  • the waveform of the cycle in which the slip occurs is a slip generation waveform similar to the equipment abnormality waveform.
  • the load waveform which is time-series data indicating the load, is in a state where slip generation waveforms are sporadically inserted into the normal waveform. Therefore, when the slip generation waveform is accidentally extracted and PCA is performed, the Q statistic becomes large as in the case of equipment abnormality.
  • Such a phenomenon in which no load is applied occurs in about 1 to 2 cycles out of about 10 cycles, but cannot be predicted.
  • one waveform in step 3 is obtained from the time-series data after the pretreatment of the slab of the material stored in the storage unit 23.
  • a plurality of continuous waveforms for a plurality of cycles including the waveforms are extracted, and PCA is performed on the plurality of waveforms (step 5).
  • step 5 the waveform of the time-series data at the normal time (normal waveform) is used as the reference waveform, and PCA is collectively (simultaneously) performed on a plurality of waveforms (multiple patterns that are continuous in time) for a plurality of cycles. From the result, the Q statistic is obtained by the multivariate statistical process management method as described above.
  • step 6 it is determined whether or not the Q statistic obtained in step 5 is abnormal (step 6).
  • the load waveform is different from the normal waveform in all cycles. Therefore, even when the PCA having a plurality of waveforms is executed in step 5, Q The statistic (mean squared error) is the same value as when PCA is executed for one waveform.
  • the abnormality due to the PCA of one waveform determined in step 4 is a load relief due to pinch roll slip that occurs sporadically in about 1 to 2 cycles out of 10 cycles, a plurality of waveforms for a plurality of cycles Of these, the waveforms other than the slip occurrence waveform are almost normal waveforms as shown in FIG. 6, so the Q statistic is smaller than that in the case of equipment abnormality.
  • step 6 it is possible to determine whether the equipment is abnormal or not based on the Q statistic. If the Q statistic is abnormal, for example, if the Q statistic is equal to or greater than the threshold value, it is diagnosed that there is an equipment abnormality. If the Q statistic is not abnormal, for example, if the Q statistic is less than the threshold value, it is diagnosed that there is no equipment abnormality.
  • the number of sampling points of the time series data of one pattern used in the first principal component analysis is N1
  • the dimension after dimension compression by the first principal component analysis is k1 dimension
  • the number of sampling points of the time series data of the plurality of patterns used in the second principal component analysis is N2 points
  • the dimension after dimension compression by the second principal component analysis is k2 dimension
  • the number of patterns of the plurality of patterns is M (M ⁇ ). 2), that is, the waveform corresponding to one cycle used in the first principal component analysis is defined as the M waveform.
  • N2 ⁇ N1 ⁇ M or k2 ⁇ k1 ⁇ M since the characteristics of the time-series signals for the M waveform are more important than the disturbance of the waveform in one cycle, N2 ⁇ N1 ⁇ M or k2 ⁇ k1 ⁇ M. Data may be acquired so that the relationship is established.
  • the abnormality diagnosis using the detailed data of one pattern is performed, and in the case of the abnormality diagnosis using a plurality of patterns, the characteristics of one waveform are saved to some extent.
  • the shape of the data as an M waveform can be saved.
  • the first abnormality determination can detect minute disturbance of the waveform of one pattern
  • the second abnormality determination determines the repeatability of the waveform disturbance and the deviation of the appearance of the waveform (time delay). Focused detection will be possible, and highly accurate and highly reliable abnormality detection will be possible.
  • FIG. 7 is a diagram showing the relationship between the number of cycles and the Q statistic (mean squared error) when the slip generation waveform is included for one cycle (one waveform).
  • the Q statistic mean squared error
  • FIG. 7 it can be seen that as the number of cycles (that is, the number of waveforms) used in the calculation of PCA increases, the value of the Q statistic (mean squared error) becomes smaller, making it easier to distinguish between equipment abnormality and load relief. For example, if the Q statistic (mean square error) is 10,000 or more, it is possible to determine that the equipment is abnormal and if it is less than 10,000, the load is released due to slipping. Further, from FIG. 7, it can be seen that when the number of cycles is 3 or more (the number of waveforms is 3 or more), it becomes easier to distinguish between equipment abnormality and load release due to slip.
  • the abnormality diagnosis system 20 for diagnosing the abnormality of the sizing press equipment 10 it is possible to suppress the misdiagnosis that the equipment abnormality has occurred when the equipment abnormality has not actually occurred. can do. Therefore, it is possible to reduce equipment stoppages and the like due to misdiagnosis, and it is possible to suppress a decrease in production efficiency.
  • the preprocessing unit 22 normalizes the height of the waveform corresponding to one cycle of the crank 6, and classifies the data according to the width killing amount (width reduction amount) at the time of width reduction. Since the processing is performed, it is possible to suppress the variation of the waveform due to the width killing amount (width reduction amount).
  • the present invention is not limited to the above embodiment and can be variously modified within the scope of the idea of the present invention.
  • the present invention is applied to the abnormality detection of the sizing press equipment, but it can be applied as long as the operation of the equipment drive unit repeats a certain pattern.
  • an example of a waveform is shown as a repeating pattern of time-series data indicating a load, but the present invention is not limited to this.
  • the time series data indicating the load current or load is exemplified, but the present invention is not limited to this.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

実際に設備異常が発生していないときに設備異常が発生しているという誤診断を抑制できる異常診断システム及び異常診断方法を提供する。異常診断システム２０は、一定のパターンに対応するパターンを繰り返す、設備の状態を示す時系列データをサンプリングするサンプリング部２１と、サンプリングした時系列データに基づいて主成分分析を行って設備の異常を診断する演算部２４とを有する。演算部２４は、状態を示す時系列データの中の一つのパターンについて第１の主成分分析を行って、その結果に基づいて第１の異常有無判定を行い、第１の異常有無判定が異常ありの場合に、状態を示す時系列データの中の第１の主成分分析を行ったパターンを含む時間的に連続する複数のパターンについて一括して第２の主成分分析を行って、その結果に基づいて第２の異常有無判定を行い、第２の異常有無判定が異常ありの場合に設備異常と診断する。

Description

異常診断システム及び異常診断方法
　本発明は、設備駆動部を有する設備の異常を診断する異常診断システム及び異常診断方法に関する。
　従来から、油圧機器及び電動機などの設備駆動部を有する設備では、設備駆動部から得られる電流及び荷重等の信号に基づいて設備の異常診断が行われている。設備駆動部の動作が、予め定められた一定パターンの繰り返し動作である場合、異常診断に主成分分析（以下、ＰＣＡとも記す）を用いることが提案されている（例えば、特許文献１、２）。
　例えば、サイジングプレス設備においては、搬送されるスラブの両側に幅プレス用の金型を配置し、モータからクランクを介して金型に動力を伝達して一定の周期でスラブを幅プレスするが、このとき繰り返し現れる電流波形又は荷重波形を各材料について収集し、各材料についてクランク１サイクル分の電流波形又は荷重波形をＰＣＡにより分析して異常波形を抽出している。ＰＣＡを適用することにより、単純な上下限チェックよりも精度の高い設備異常診断が可能となる。
特許第５９９１０４２号公報 特開２０１７－３２５６７号公報
　しかしながら、設備駆動部では、実際に設備が破損していなくても、何等かの原因で電流及び荷重等の波形が極めて小さいものとなる現象がランダムに生じる場合がある。例えば、サイジングプレスの操業では、ピンチロールスリップによる材料の搬送不足等により、荷重がほとんどたたない波形が散発することがある。このような現象が発生した場合、実際に設備が破損していなくても異常判定を行ってしまう。
　したがって、本発明の課題は、実際に設備異常が発生していないときに設備異常が発生しているという誤診断を抑制できる異常診断システム及び異常診断方法を提供することにある。
　上記課題を解決するため、本発明は以下の（１）～（１０）を提供する。
　（１）一定のパターンを繰り返す動作を行う設備の異常診断を行う異常診断システムであって、
　前記一定のパターンに対応するパターンを繰り返す、前記設備の状態を示す時系列データをサンプリングするサンプリング部と、
　前記サンプリング部でサンプリングした前記時系列データに基づいて主成分分析を行って前記設備の異常を診断する演算部と、
を有し、
　前記演算部は、
　前記状態を示す時系列データの中の一つのパターンについて第１の主成分分析を行って、その結果に基づいて第１の異常有無判定を行い、
　前記第１の異常有無判定が異常ありの場合に、前記状態を示す時系列データの中の前記第１の主成分分析を行ったパターンを含む時間的に連続する複数のパターンについて一括して第２の主成分分析を行って、その結果に基づいて第２の異常有無判定を行い、
　前記第２の異常有無判定が異常ありの場合に設備異常と診断することを特徴とする異常診断システム。
　（２）前記第１の異常有無判定及び前記第２の異常有無判定は、前記第１の主成分分析及び前記第２の主成分分析の結果から求められたＱ統計量に基づくことを特徴とする上記（１）に記載の異常診断システム。
　（３）前記演算部における前記第１の主成分分析に使用する時系列データのサンプリング点数をＮ１点、前記第１の主成分分析による次元圧縮をｋ１次元、とし、前記第２の主成分分析に使用する時系列データのサンプリング点数をＮ２点、前記第２の主成分分析による次元圧縮をｋ２次元、前記複数のパターンの数をＭ個（Ｍ≧２）とするとき、Ｎ２＜Ｎ１×Ｍ又はｋ２＜ｋ１×Ｍが成立することを特徴とする上記（１）又は（２）に記載の異常診断システム。
　（４）前記設備は駆動モータにより金型を駆動してスラブを幅圧下するサイジングプレス設備であり、前記設備の状態を示す時系列データは、駆動モータの電流波形又は前記金型の荷重波形であることを特徴とする上記（１）から（３）のいずれか一項に記載の異常診断システム。
　（５）前記サンプリング部でサンプリングした前記時系列データについて、波形の高さを正規化する処理、及び、幅圧下量により分類する処理を含む前処理を行うデータ前処理部をさらに有することを特徴とする上記（４）に記載の異常診断システム。
　（６）一定のパターンを繰り返す動作を行う設備の異常診断を行う異常診断方法であって、
　前記一定のパターンに対応するパターンを繰り返す、前記設備の状態を示す時系列データをサンプリングするステップと、
　前記状態を示す時系列データの中の一つのパターンについて第１の主成分分析を行うステップと、
　前記第１の主成分分析の結果から第１の異常有無判定を行うステップと、
　前記第１の異常有無判定が異常ありの場合に、前記状態を示す時系列データの中の前記第１の主成分分析を行ったパターンを含む時間的に連続する複数のパターンについて一括して第２の主成分分析を行うステップと、
　前記第２の主成分分析の結果から第２の異常有無判定を行うステップと、
を有し、
　前記第２の異常有無判定が異常ありの場合に設備異常であると診断することを特徴とする異常診断方法。
　（７）前記第１の異常有無判定及び前記第２の異常有無判定は、前記第１の主成分分析及び前記第２の主成分分析の結果から求められたＱ統計量に基づくことを特徴とする上記（６）に記載の異常診断方法。
　（８）前記第１の主成分分析に使用する時系列データのサンプリング点数をＮ１点、前記第１の主成分分析による次元圧縮をｋ１次元、とし、前記第２の主成分分析に使用する時系列データのサンプリング点数をＮ２点、前記第２の主成分分析による次元圧縮をｋ２次元、前記複数のパターンの数をＭ個（Ｍ≧２）とするとき、Ｎ２＜Ｎ１×Ｍ又はｋ２＜ｋ１×Ｍが成立することを特徴とする上記（６）又は（７）に記載の異常診断方法。
　（９）前記設備は駆動モータにより金型を駆動してスラブを幅圧下するサイジングプレス設備であり、前記設備の状態を示す時系列データは、駆動モータの電流波形又は前記金型の荷重波形であることを特徴とする上記（６）から（８）のいずれか一項に記載の異常診断方法。
　（１０）前記でサンプリングした前記時系列データについて、波形の高さを正規化する処理、及び、幅圧下量により分類する処理を含む前処理を行うステップをさらに有することを特徴とする上記（９）に記載の異常診断方法。
　本発明によれば、実際に設備異常が発生していないときに設備異常が発生しているという誤診断を抑制することができる異常診断システム及び異常診断方法が提供される。
図１は、サイジングプレス設備に一実施形態に係る異常診断システムを用いた例を示す模式図及びブロック図である。 図２は、異常波形を抽出する際のサンプル波形の例を示す図である。 図３は、図２のサンプル波形を用いて行われるＰＣＡを説明するための図である。 図４は、一実施形態に係る異常診断システムにおいて実行される異常診断方法を示すフローチャートである。 図５は、負荷を示す時系列データである荷重波形が正常波形の場合と設備異常波形である場合を比較して示す図である。 図６は、負荷を示す時系列データである荷重波形が全て正常波形の場合とスリップ発生波形が存在する場合を比較して示す図である。 図７は、スリップ発生波形が１サイクル分（１波形）含まれている場合における、サイクル数とＱ統計量（平均二乗誤差）との関係を示す図である。
　以下、添付図面を参照して、本発明の実施形態について説明する。
　本実施形態では、本発明をサイジングプレス設備の異常診断に適用した場合について説明する。
　図１は、サイジングプレス設備に一実施形態に係る異常診断システムを用いた例を示す模式図及びブロック図である。
　サイジングプレス設備１０は、連続鋳造後の熱間圧延ラインにおいてスラブ１１に対して幅圧下を行うものである。
　サイジングプレス設備１０は、一対の金型２と、入側ピンチロール３及び出側ピンチロール４と、一対の金型２のそれぞれに対応して設けられ、金型２を駆動する一対の駆動モータ５と、金型２と駆動モータ５をそれぞれ繋ぐ一対のクランク６とを有している。
　サイジングプレス設備１０においては、スラブ１１は、入側ピンチロール３によって対向する一対の金型２の間に搬入され、駆動モータ５からクランク６を介して伝達される動力で揺動される一対の金型２により幅圧下され、出側ピンチロール４により搬出される。スラブ１１は、間欠的に搬送されている間に、金型２により一定の周期で繰り返し幅圧下され、所定の幅のスラブとなる。
　異常診断システム２０は、サイジングプレス設備１０の設備異常を診断するものであり、サンプリング部２１と、データ前処理部２２と、記憶部２３と、演算部２４と、出力部２５とを有する。
　サンプリング部２１は、設備の状態を示す時系列データをサンプリングするものである。本実施形態において、時系列データは、金型２によりスラブ１１を幅圧下する際の駆動モータ５の電流値及び金型２の荷重等の負荷を示す。時系列データを得るための時間情報としては、クランク角度情報を用いることができる。このとき電流値及び荷重等の負荷を示す時系列データは、クランク６の１サイクル分がピークを有する一つの波形（パターン）となり、このような波形が繰り返し現れるものとなる。具体的には電流波形及び荷重波形である。
　データ前処理部２２は、サンプリング部２１でサンプリングされたデータを前処理するものである。前処理としては、クランク６の１サイクルに対応する波形の高さを正規化する処理、データを幅圧下の際の幅殺し量（幅圧下量）により分類する処理がなされる。
　記憶部２３は、前処理後のデータを記憶する。記憶部２３には、基準波形となる、予め求められた正常時の負荷を示す時系列データ（正常波形）が記憶されている。
　演算部２４は、記憶部２３に記憶された前処理後の負荷の時系列データ（電流値及び荷重）の波形について主成分分析（ＰＣＡ）を用いて異常診断を行う。診断結果は出力部２５に出力される。
　ＰＣＡを用いた解析手法は、多数のチャート波形の中から、正常時のチャート波形と形状が異なるもの（異常）を抽出する手法であり、異常波形抽出において、ＰＣＡと多変量統計的プロセス管理手法を利用する。
　図２は、ＰＣＡを用いて異常波形を抽出する際のサンプル波形の例を示す図である。図２は、横軸が時間であり、縦軸が電力値及び荷重等の負荷である。図２において、サンプル波形は、正常状態の基準波形である波形Ｐ［１］と、異常状態の波形である波形Ｐ［２］の２つである（波形数：Ｐ＝２）。これらの波形Ｐ［１］、Ｐ［２］について、波形採取時間帯において所定間隔でＮ個のサンプルが採取される（サンプル数：Ｎ）。例えば、５秒間の採取時間で１００ｍｓ周期採取ならばサンプル数Ｎは５０である。
　これをＰＣＡで解析する場合のイメージ図を、図３に示す、簡単のため、データの点数が２点の２次元空間場合の図を示している、データの第１要素軸（Ｘ軸）と第２要素軸（Ｙ軸）で表される空間上の点に対して、分散が最大の軸を第１主成分とする。また、第１主成分と直交する軸が第２主成分として図のように示される。データが３つ以上の要素を持つ多次元の場合は分散が最大となる第２主成分軸を定めることになる。データの要素がＮ点ある場合には最大Ｎ個までの主成分が計算可能であるが、第ｋ主成分（ｋ＜Ｎ）は、第１～（ｋ－１）主成分との直交軸のうち、分散が最大となるものを第ｋ主成分とする。
　多変量統計的プロセス管理では、Ｑ統計量を評価する。Ｑ統計量は、各サンプルと主成分軸との距離の二乗和（二乗誤差の和）であるが、本実施形態では、この値をサンプル数で割って規格化した平均二乗誤差をＱ統計量として用いることが好ましい。このとき、主成分数Ｒが１であれば、第１主成分からの距離のみでＱ統計量を評価する。異常なサンプルは主成分軸との距離が大きいため異常なサンプルがあるとＱ統計量が増加し、Ｑ統計量が異常であると判定することができ、設備異常の可能性を把握することができる。例えば、Ｑ統計量の閾値を設定し、Ｑ統計量がその閾値以上の場合に、設備異常の可能性ありと判定することができる。図２の例では、波形Ｐ［２］は異常サンプルを含む異常状態であるため、Ｑ統計量が大きくなり、Ｑ統計量に異常ありと判定される。
　演算部２４では、最初に、記憶部２３に記憶されている前処理後の負荷の時系列データからクランク１サイクル分の一つの波形を抽出し、その波形について、ＰＣＡを行ってＱ統計量を求める。そして、Ｑ統計値の異常の有無が判定される。例えば、Ｑ統計量が閾値よりも大きい場合にＱ統計量が異常であると判定する。Ｑ統計量に異常がなければ、出力部２５に異常なしの信号を送る。一方、Ｑ統計量に異常がある場合には、設備異常の可能性があるが、後述する荷重ぬけの場合もあり得る。このため、Ｑ統計量に異常がある場合には、いずれであるか確認するため、記憶部２３から上記一つの波形を含む、複数サイクル分の連続した複数の波形を抽出し、これら複数の波形について一括してＰＣＡを行い、Ｑ統計量を求める。Ｑ統計量に異常がなければ出力部２５に異常なしの信号を送り、Ｑ統計量に異常があれば出力部２５に異常ありの信号を送る。
　次に、異常診断システム２０における異常診断方法について説明する。
　図４は、異常診断システム２０において実行される異常診断方法を示すフローチャートである。
　サイジングプレス設備１０においては、スラブ１１を間欠的に搬送しながら、駆動モータ５からクランク６を介して金型２に動力を伝達し、金型２によりスラブ１１を一定の周期で幅圧下し、サイジングプレスが行われる。このようなサイジングプレスは、複数のスラブ１１について連続して行われる。
　異常診断システム２０では、サイジングプレスを行っている際の駆動モータ５の電流値及び金型２の荷重等の負荷を示す時系列データから、サイジングプレス設備１０の異常を以下のような方法により診断する。
　最初に、異常診断システム２０は、所定材料のスラブ１１のサイジングプレスにおける負荷の時系列データをサンプリング部２１でサンプリングする（ステップ１）。
　上述したように、負荷を示す時系列データは、クランク６の１サイクル分がピークを有する一つの波形となり、このような波形が繰り返し現れるものとなる。このような時系列データは、具体的には、駆動モータ５の電流波形及び金型２の荷重波形である。
　次に、異常診断システム２０は、サンプリング部２１でサンプリングされたデータをデータ前処理部２２で前処理する（ステップ２）。
　データの前処理としては、上述したような、クランク６の１サイクルに対応する波形の高さを正規化する処理、データを幅圧下の際の幅殺し量（幅圧下量）により分類する処理が行われる。データを幅圧下の際の幅殺し量（幅圧下量）により分類する処理を行うのは、幅殺し量により、荷重が発生するクランク角度が異なり、波形のばらつきが生じるからである。具体的には、幅殺し量が小さいほど、荷重発生のタイミングは遅くなる。
　このような前処理後のデータは、記憶部２３に記憶される。
　次に、異常診断システム２０は、記憶部２３に記憶されている当該材料のスラブの前処理後の時系列データから、クランク６の１サイクルに対応する一つの波形を抽出し、その一つの波形についてＰＣＡを行う（ステップ３）。
　ステップ３では、正常時の時系列データの波形（正常波形）を基準波形として用いてＰＣＡを行い、その結果から上述のような多変量統計的プロセス管理手法によりＱ統計量を求める。
　次に、Ｑ統計量が異常か否かを判定する（ステップ４）。例えば、Ｑ統計量が閾値以上の場合にＱ統計量が異常であると判定する。
　設備異常が発生した場合、不可逆的な現象であるため、図５に示すように、負荷を示す時系列データである荷重波形は、全てのサイクルにおいて正常波形とは相違する設備異常波形となる。このため、１サイクルに相当する一つの波形に異常がなければ設備異常なしとすることができる。ここで、図５において、横軸は時間に相当するクランク角度である。また、縦軸は金型の荷重である。以下に説明する図６も同様である。
　一方、一つの波形でＰＣＡ処理を行ってＱ統計量が異常となった場合、その異常が設備異常によるものと断定することはできない。すなわち、実際のサイジングプレスの操業では、ピンチロールスリップによる材料（スラブ）の搬送不足等により荷重（負荷）がほとんど立たない現象（荷重ぬけ）が散発的に発生する。スリップが発生したサイクルの波形は、図６に示すように、設備異常波形と類似のスリップ発生波形となる。負荷を示す時系列データである荷重波形は、正常波形の中に散発的にスリップ発生波形が挿入される状態となる。このため、スリップ発生波形を偶発的に抽出してＰＣＡを行った場合には、設備異常の際と同様にＱ統計量が大きくなる。このような荷重が立たない現象は約１０サイクルのうち１～２サイクル程度発生するが、予測することができない。
　そこで、ステップ４において一つの波形によるＰＣＡでＱ統計量が異常と判定された場合、記憶部２３に記憶された当該材料のスラブの前処理後の時系列データから、ステップ３の一つの波形を含む、複数サイクル分の連続した複数波形を抽出し、複数波形についてＰＣＡを行う（ステップ５）。
　ステップ５では、正常時の時系列データの波形（正常波形）を基準波形として用い、複数サイクル分の複数波形（時間的に連続する複数のパターン）について一括して（同時に）ＰＣＡを行い、その結果から上述のような多変量統計的プロセス管理手法によりＱ統計量を求める。
　ステップ４でＱ統計量に異常がなければ、設備異常なしの信号を出力部２５に送る。
　次いで、ステップ５で求めたＱ統計量が異常か否かを判定する（ステップ６）。
　ステップ４で判定された異常が設備異常である場合、図５に示すように、全てのサイクルにおいて荷重波形が正常波形と相違するため、ステップ５で複数波形のＰＣＡを実行した際にも、Ｑ統計量（平均二乗誤差）は一つの波形についてＰＣＡを実行した際と同様な値となる。
　一方、ステップ４で判定された一波形のＰＣＡによる異常が、１０サイクルのうち１～２サイクル程度と散発的に発生するピンチロールスリップによる荷重ぬけであった場合、複数サイクル分の複数の波形のうちスリップ発生波形以外の他の波形は、図６に示すようにほぼ正常波形であるから、設備異常がある場合よりもＱ統計量が小さくなる。
　すなわち、複数サイクル分の複数波形について一括してＰＣＡを実行してＱ統計量を求めることにより、ステップ４における一つの波形のＰＣＡを実行した際のＱ統計量の異常が、設備異常によるものか、散発的な荷重ぬけによるものかを区別することができる。
　したがって、ステップ６において、Ｑ統計量により、設備異常であるか、設備異常でないかを判定することができる。Ｑ統計量が異常である場合、例えば、Ｑ統計量が閾値以上の場合に設備異常ありと診断する。Ｑ統計量が異常でない場合、例えば、Ｑ統計量が閾値未満の場合は設備異常なしと診断する。
　ここで、第１の主成分分析で使用する１つのパターンの時系列データのサンプリング点数をＮ１点、第１の主成分分析による次元圧縮後の次元をｋ１次元とする。また、第２の主成分分析で使用する複数パターンの時系列データのサンプリング点数をＮ２点、第２の主成分分析による次元圧縮後の次元をｋ２次元、複数パターンのパターン数をＭ（Ｍ≧２）、すなわち第１の主成分分析で使用する１サイクルに相当する波形をＭ波形とする。このとき、第２の主成分分析では、１サイクルの波形の乱れよりも、Ｍ波形分の時系列信号の特徴が重要となることから、Ｎ２＜Ｎ１×Ｍ、又は、ｋ２＜ｋ１×Ｍの関係が成立するようにデータを取得してよい。
　このようなデータの取得により、１つのパターンの異常診断では、１つのパターンの詳細データを利用した異常診断を行い、複数パターンを利用して異常診断する場合は１つの波形の特徴をある程度保存しながらＭ波形としてのデータの形状を保存することができる。これにより、計算負荷を抑えながら、１つのパターンの評価とＭパターンの波形の評価の両立が可能となる。また、第１の異常有無判定では１つのパターンの波形の微小乱れを検知できるのに対して、第２の異常有無判定では、波形の乱れの繰り返し性及び波形出現のずれ（時間遅れ）などに焦点をあてた検知ができるようになり、高精度かつ高信頼性の異常検知が可能となる
　図７は、スリップ発生波形が１サイクル分（１波形）含まれている場合における、サイクル数とＱ統計量（平均二乗誤差）との関係を示す図であるが、この図に示すように、ＰＣＡの計算に用いるサイクル数（すなわち波形の数）が増加するほどＱ統計量（平均二乗誤差）の値が小さくなり、設備異常と荷重ぬけとを区別しやすくなることがわかる。例えば、Ｑ統計量（平均二乗誤差）が１００００以上で設備異常、１００００未満ではスリップによる荷重ぬけという判断が可能である。また、図７から、３サイクル以上（波形の数が３以上）であれば、設備異常とスリップによる荷重ぬけとの区別がより容易となることがわかる。
　以上のように、本実施形態によれば、サイジングプレス設備１０の異常を診断する異常診断システム２０において、実際に設備異常が発生していないときに設備異常が発生しているという誤診断を抑制することができる。このため、誤診断にともなう設備の停止等を低減することができ、生産効率の低下を抑制することができる。
　また、前処理部２２により、前処理として、クランク６の１サイクルに対応する波形の高さを正規化する処理の他、データを幅圧下の際の幅殺し量（幅圧下量）により分類する処理を行うので、幅殺し量（幅圧下量）による波形のばらつきを抑制することができる。
　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ことなく、本発明の思想の範囲内で種々変形することが可能である。例えば、上記実施形態では、本発明をサイジングプレス設備の異常検出に適用したが、設備駆動部の動作が一定パターンを繰り返すものであれば適用可能である。また、負荷を示す時系列データの繰り返しパターンとして波形の例を示したが、これに限定されない。また、負荷を示す時系列データとしては、電流又は荷重を例示したが、これに限定されない。
　２　金型
　３　入側ピンチロール
　４　出側ピンチロール
　５　駆動モータ
　６　クランク
　１０　サイジングプレス設備
　１１　スラブ
　２０　異常診断システム
　２１　サンプリング部
　２２　データ前処理部
　２３　記憶部
　２４　演算部
　２５　出力部

Claims (10)

  1. 　一定のパターンを繰り返す動作を行う設備の異常診断を行う異常診断システムであって、
    　前記一定のパターンに対応するパターンを繰り返す、前記設備の状態を示す時系列データをサンプリングするサンプリング部と、
    　前記サンプリング部でサンプリングした前記時系列データに基づいて主成分分析を行って前記設備の異常を診断する演算部と、
    を有し、
    　前記演算部は、
    　前記状態を示す時系列データの中の一つのパターンについて第１の主成分分析を行って、その結果に基づいて第１の異常有無判定を行い、
    　前記第１の異常有無判定が異常ありの場合に、前記状態を示す時系列データの中の前記第１の主成分分析を行ったパターンを含む時間的に連続する複数のパターンについて一括して第２の主成分分析を行って、その結果に基づいて第２の異常有無判定を行い、
    　前記第２の異常有無判定が異常ありの場合に設備異常と診断することを特徴とする異常診断システム。
  2. 　前記第１の異常有無判定及び前記第２の異常有無判定は、前記第１の主成分分析及び前記第２の主成分分析の結果から求められたＱ統計量に基づくことを特徴とする請求項１に記載の異常診断システム。
  3. 　前記演算部における前記第１の主成分分析に使用する時系列データのサンプリング点数をＮ１点、前記第１の主成分分析による次元圧縮をｋ１次元、とし、前記第２の主成分分析に使用する時系列データのサンプリング点数をＮ２点、前記第２の主成分分析による次元圧縮をｋ２次元、前記複数のパターンの数をＭ個（Ｍ≧２）とするとき、Ｎ２＜Ｎ１×Ｍ又はｋ２＜ｋ１×Ｍが成立することを特徴とする請求項１又は請求項２に記載の異常診断システム。
  4. 　前記設備は駆動モータにより金型を駆動してスラブを幅圧下するサイジングプレス設備であり、前記設備の状態を示す時系列データは、駆動モータの電流波形又は前記金型の荷重波形であることを特徴とする請求項１から請求項３のいずれか一項に記載の異常診断システム。
  5. 　前記サンプリング部でサンプリングした前記時系列データについて、波形の高さを正規化する処理、及び、幅圧下量により分類する処理を含む前処理を行うデータ前処理部をさらに有することを特徴とする請求項４に記載の異常診断システム。
  6. 　一定のパターンを繰り返す動作を行う設備の異常診断を行う異常診断方法であって、
    　前記一定のパターンに対応するパターンを繰り返す、前記設備の状態を示す時系列データをサンプリングするステップと、
    　前記状態を示す時系列データの中の一つのパターンについて第１の主成分分析を行うステップと、
    　前記第１の主成分分析の結果から第１の異常有無判定を行うステップと、
    　前記第１の異常有無判定が異常ありの場合に、前記状態を示す時系列データの中の前記第１の主成分分析を行ったパターンを含む時間的に連続する複数のパターンについて一括して第２の主成分分析を行うステップと、
    　前記第２の主成分分析の結果から第２の異常有無判定を行うステップと、
    を有し、
    　前記第２の異常有無判定が異常ありの場合に設備異常であると診断することを特徴とする異常診断方法。
  7. 　前記第１の異常有無判定及び前記第２の異常有無判定は、前記第１の主成分分析及び前記第２の主成分分析の結果から求められたＱ統計量に基づくことを特徴とする請求項６に記載の異常診断方法。
  8. 　前記第１の主成分分析に使用する時系列データのサンプリング点数をＮ１点、前記第１の主成分分析による次元圧縮をｋ１次元、とし、前記第２の主成分分析に使用する時系列データのサンプリング点数をＮ２点、前記第２の主成分分析による次元圧縮をｋ２次元、前記複数のパターンの数をＭ個（Ｍ≧２）とするとき、Ｎ２＜Ｎ１×Ｍ又はｋ２＜ｋ１×Ｍが成立することを特徴とする請求項６又は請求項７に記載の異常診断方法。
  9. 　前記設備は駆動モータにより金型を駆動してスラブを幅圧下するサイジングプレス設備であり、前記設備の状態を示す時系列データは、駆動モータの電流波形又は前記金型の荷重波形であることを特徴とする請求項６から請求項８のいずれか一項に記載の異常診断方法。
  10. 　前記でサンプリングした前記時系列データについて、波形の高さを正規化する処理、及び、幅圧下量により分類する処理を含む前処理を行うステップをさらに有することを特徴とする請求項９に記載の異常診断方法。
PCT/JP2020/047726 2020-01-14 2020-12-21 異常診断システム及び異常診断方法 WO2021145156A1 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN202080089721.8A CN114846315A (zh) 2020-01-14 2020-12-21 异常诊断系统以及异常诊断方法
KR1020227021529A KR20220104042A (ko) 2020-01-14 2020-12-21 이상 진단 시스템 및 이상 진단 방법
US17/758,358 US20230024947A1 (en) 2020-01-14 2020-12-21 Abnormality diagnosis system and abnormality diagnosis method
BR112022013365A BR112022013365A2 (pt) 2020-01-14 2020-12-21 Sistema para diagnóstico de anormalidade e método para diagnóstico de anormalidade
EP20913851.0A EP4092501A4 (en) 2020-01-14 2020-12-21 FAULT DIAGNOSTIC SYSTEM AND FAULT DIAGNOSTIC METHOD
JP2021514439A JP6915763B1 (ja) 2020-01-14 2020-12-21 異常診断システム及び異常診断方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-003769 2020-01-14
JP2020003769 2020-01-14

Publications (1)

Publication Number Publication Date
WO2021145156A1 true WO2021145156A1 (ja) 2021-07-22

Family

ID=76863703

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/047726 WO2021145156A1 (ja) 2020-01-14 2020-12-21 異常診断システム及び異常診断方法

Country Status (8)

Country Link
US (1) US20230024947A1 (ja)
EP (1) EP4092501A4 (ja)
JP (1) JP6915763B1 (ja)
KR (1) KR20220104042A (ja)
CN (1) CN114846315A (ja)
BR (1) BR112022013365A2 (ja)
TW (1) TWI760050B (ja)
WO (1) WO2021145156A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2023113056A (ja) * 2022-02-02 2023-08-15 株式会社日立製作所 タクト分割データ収集システム、及び、異常検知システム

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002181038A (ja) * 2000-12-18 2002-06-26 Mitsubishi Heavy Ind Ltd 異常診断装置
JP2008224519A (ja) * 2007-03-14 2008-09-25 Omron Corp 検査装置及びその検査装置における見直し時期の判定方法
WO2016039088A1 (ja) * 2014-09-12 2016-03-17 株式会社神戸製鋼所 回転機械異常検出装置および該方法ならびに回転機
JP5991042B2 (ja) 2011-06-29 2016-09-14 Ｊｆｅスチール株式会社 異常監視システムおよび異常監視方法
JP2017032567A (ja) 2015-08-05 2017-02-09 Ｊｆｅスチール株式会社 モータの監視装置および方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4762088B2 (ja) * 2006-08-31 2011-08-31 株式会社東芝 プロセス異常診断装置
CN103191931B (zh) * 2012-01-10 2015-03-04 宝山钢铁股份有限公司 热连轧机零调后二侧偏差控制方法
TWI571329B (zh) * 2016-03-02 2017-02-21 中國鋼鐵股份有限公司 軋延追蹤方法
WO2017176401A1 (en) * 2016-04-05 2017-10-12 Siemens Energy, Inc. Shaft ground monitoring with diagnostic waveform analysis
CN109996615B (zh) * 2016-11-28 2020-07-07 东芝三菱电机产业系统株式会社 轧制设备的异常诊断方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002181038A (ja) * 2000-12-18 2002-06-26 Mitsubishi Heavy Ind Ltd 異常診断装置
JP2008224519A (ja) * 2007-03-14 2008-09-25 Omron Corp 検査装置及びその検査装置における見直し時期の判定方法
JP5991042B2 (ja) 2011-06-29 2016-09-14 Ｊｆｅスチール株式会社 異常監視システムおよび異常監視方法
WO2016039088A1 (ja) * 2014-09-12 2016-03-17 株式会社神戸製鋼所 回転機械異常検出装置および該方法ならびに回転機
JP2017032567A (ja) 2015-08-05 2017-02-09 Ｊｆｅスチール株式会社 モータの監視装置および方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4092501A4

Also Published As

Publication number Publication date
EP4092501A1 (en) 2022-11-23
JPWO2021145156A1 (ja) 2021-07-22
JP6915763B1 (ja) 2021-08-04
TWI760050B (zh) 2022-04-01
BR112022013365A2 (pt) 2022-09-13
US20230024947A1 (en) 2023-01-26
TW202138076A (zh) 2021-10-16
KR20220104042A (ko) 2022-07-25
CN114846315A (zh) 2022-08-02
EP4092501A4 (en) 2023-07-19

Similar Documents

Publication Publication Date Title
EP3454289B1 (en) Plant abnormality detection method and system
US11392114B2 (en) Abnormality determination support apparatus
CN108620950B (zh) 一种车削刀具加工状态监测方法及系统
KR102417415B1 (ko) 딥러닝 이상 감지 기반 생산 제품 불량 검출 방법 및 시스템
CN115239711B (zh) 一种缝制设备的在线运行异常识别系统
WO2021145156A1 (ja) 異常診断システム及び異常診断方法
CN109141625B (zh) 一种滚珠丝杠副的在线状态监测方法
CN113924207B (zh) 异常探测装置、异常探测方法以及存储介质
KR102026069B1 (ko) 반도체 설비의 센서 데이터 분할 시스템 및 그 방법
KR102356222B1 (ko) 압력변화를 이용한 금형의 지능형 모니터링 시스템
CN110108474A (zh) 一种旋转机械运行稳定性在线监测与评估方法及系统
CN111678699A (zh) 一种面向滚动轴承早期故障监测与诊断方法及系统
CN117314890B (zh) 打扣加工的安全控制方法、装置、设备及存储介质
Brophy et al. AI-based condition monitoring of the drilling process
CN111538755A (zh) 一种基于归一化互相关与单位根检验的设备运行状态异常检测方法
CN117258932A (zh) 智能砂磨机的温度监测系统及方法
CN115034094B (zh) 一种金属加工机床运行状态预测方法及系统
KR102356220B1 (ko) 음파변화를 이용한 금형의 지능형 모니터링 시스템
CN115329942A (zh) 一种基于人工智能的螺栓紧固装置及其方法
RU2809934C1 (ru) Система диагностики аномалий и способ диагностики аномалий
CN115655764B (zh) 振动趋势分析方法、装置、电子设备及存储介质
EP3951530B1 (en) Process state monitoring device and process state monitoring method
CN110929425B (zh) 一种基于Lasso算法的纸张纵向伸长率的软测量方法
CN112567306A (zh) 制造过程监视装置
CN115112853A (zh) 螺栓红冲加工过程在线质量检测方法

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2021514439

Country of ref document: JP

Kind code of ref document: A

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

Ref document number: 20913851

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 20227021529

Country of ref document: KR

Kind code of ref document: A

REG Reference to national code

Ref country code: BR

Ref legal event code: B01A

Ref document number: 112022013365

Country of ref document: BR

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020913851

Country of ref document: EP

Effective date: 20220816

ENP Entry into the national phase

Ref document number: 112022013365

Country of ref document: BR

Kind code of ref document: A2

Effective date: 20220704