WO2021240750A1 - 機器状態監視装置および機器状態監視方法 - Google Patents

機器状態監視装置および機器状態監視方法 Download PDF

Info

Publication number
WO2021240750A1
WO2021240750A1 PCT/JP2020/021206 JP2020021206W WO2021240750A1 WO 2021240750 A1 WO2021240750 A1 WO 2021240750A1 JP 2020021206 W JP2020021206 W JP 2020021206W WO 2021240750 A1 WO2021240750 A1 WO 2021240750A1
Authority
WO
WIPO (PCT)
Prior art keywords
pattern
feature amount
operation data
state
learned
Prior art date
Application number
PCT/JP2020/021206
Other languages
English (en)
French (fr)
Inventor
俊通 栗山
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to JP2020549833A priority Critical patent/JP6837612B1/ja
Priority to CN202080100591.3A priority patent/CN115552345A/zh
Priority to KR1020227040380A priority patent/KR102579619B1/ko
Priority to PCT/JP2020/021206 priority patent/WO2021240750A1/ja
Priority to DE112020006948.6T priority patent/DE112020006948B4/de
Priority to TW109141323A priority patent/TWI813921B/zh
Publication of WO2021240750A1 publication Critical patent/WO2021240750A1/ja
Priority to US17/961,903 priority patent/US20230023878A1/en

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
    • G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • 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

  • This disclosure relates to a device status monitoring device and a device status monitoring method.
  • the normal range of the state of the device is calculated based on the operation data measured by the state of the normal device, and the degree of deviation of the state of the device from the normal range of the device is used.
  • There is something to monitor the status For example, in Patent Document 1, if the measurement signal that measures the state quantity of the plant is classified as a normal model, it is diagnosed that the plant is in a normal state, and if the measurement signal is not classified as a normal model, the plant is classified.
  • a diagnostic device for a plant that diagnoses an unknown state that has never been experienced in the past is described.
  • the plant diagnostic device described in Patent Document 1 diagnoses that the plant in which the measurement signal is measured is in an unknown state when the measurement signal is not classified in the normal range of the state of the plant. Therefore, for example, if the operation data of the device is not classified into the state learned in advance, it is determined as an unknown state, and the device is in a normal state, an abnormal state, or a sign state of abnormality. There was a problem that it was not possible to determine the state of the device, such as whether it was there.
  • the present disclosure solves the above-mentioned problems, and is a device condition monitoring device capable of determining the state of a device even by using operation data corresponding to an operation pattern in which the determination range of the state of the device is unlearned.
  • the purpose is to obtain a device status monitoring method.
  • the feature amount extraction unit that extracts the feature amount of the operation data in which the state of the device is measured and the operation pattern of the device when the operation data of the device is measured are the state of the device. Based on the relationship between the operation pattern determination unit that determines whether the determination range of is a learned pattern or an unlearned pattern, and the operation pattern of the device and the feature amount of the operation data.
  • a feature amount correction unit that corrects the feature amount of the operation data corresponding to the operation pattern determined to be an unlearned pattern so as to correspond to the learned pattern, and a determination range of the feature amount of the corrected operation data and the state of the device.
  • a device status determination unit for determining the status of the device is provided based on the above.
  • the device condition monitoring device can determine the state of the device even by using the operation data corresponding to the operation pattern in which the determination range of the state of the device is unlearned.
  • FIG. It is a block diagram which shows the structure of the equipment condition monitoring apparatus which concerns on Embodiment 1.
  • FIG. It is a flowchart which shows the device state monitoring method which concerns on Embodiment 1.
  • It is a schematic diagram which shows the feature amount distribution of the operation data of a device, and the determination range of the state of a device.
  • It is a flowchart which shows the example (1) of the process which corrects the feature amount of the operation data corresponding to an unlearned pattern.
  • FIG. 9A is a graph showing the distribution of operation data calculated in the process of correction processing using the physical model (1)
  • FIG. 9B is calculated in the process of correction processing using the physical model (2)
  • 9C is a graph showing the distribution of operation data
  • FIG. 9C is a graph showing the distribution of operation data calculated in the process (3) of correction processing using a physical model
  • FIG. 9D is a graph showing correction using a physical model.
  • FIG. 10A is a block diagram showing a hardware configuration that realizes the function of the device condition monitoring device according to the first embodiment
  • FIG. 10B is a software that realizes the function of the device state monitoring device according to the first embodiment.
  • It is a block diagram which shows the hardware configuration to execute.
  • It is a block diagram which shows the structure of the modification of the equipment state monitoring apparatus which concerns on Embodiment 1.
  • FIG. 10A is a block diagram showing a hardware configuration that realizes the function of the device condition monitoring device according to the first embodiment
  • FIG. 10B is a software that realizes the function of the device state monitoring device according to the first embodiment.
  • It is a block diagram which shows the hardware configuration to execute.
  • It is a block diagram which shows the structure of the modification of the equipment state monitoring apparatus which concerns on Embodiment 1.
  • FIG. 10A is a block diagram showing a hardware configuration that realizes the function of the device condition monitoring device according to the first embodiment
  • FIG. 10B is a software that realizes the function of
  • FIG. 1 is a block diagram showing a configuration of an equipment condition monitoring device according to the first embodiment.
  • the device condition monitoring device 1 monitors the state of the device using the operation data measured by the sensor installed in the device.
  • the device to be monitored is a device that repeats a series of operations indicated by a commanded operation pattern, and is, for example, an industrial robot.
  • the operation pattern is a series of predetermined operations, which are executed by setting a command value indicating an individual operation (for example, acceleration, deceleration or constant speed) in the device.
  • the command value of the operation pattern includes, for example, a command speed, a command position, or a command load.
  • the operation data measured from the device operating in a certain operation pattern is the time series data of the measured value of the state of the device, and a physical relationship is established with the command value of the operation pattern.
  • the device to be monitored is an industrial robot having a rotation mechanism and the industrial robot operates in an operation pattern in which the rotation mechanism is rotated at a constant speed
  • a command speed indicating a constant speed at which the rotation mechanism is rotated is indicated.
  • the relationship between the value and the average value of the torque of the rotating mechanism rotated at this command speed value can be expressed by a monotonic increase function.
  • the characteristic amount of the operation data is, for example, a general statistic such as an average value, a minimum value, a maximum value, a variance or a standard deviation of the measured values indicated by the operation data, or a power obtained by applying a fast Fourier transform (FFT). There is a spectrum.
  • FFT fast Fourier transform
  • the device condition monitoring device 1 is effective for monitoring the state of the device in which a physical relationship appears between the operation pattern and the feature amount of the operation data.
  • the conventional method of monitoring the state of the device generally uses the operation data obtained by measuring the state of the device as learning data to learn the normal range, the abnormal range, and the predictive range of the state of the device, and the characteristics of the operation data.
  • the state of the device is determined according to which range the quantity (for example, the average value) belongs to.
  • the operation pattern may change due to changes in the products manufactured by the equipment or changes in the specifications.
  • the operation data measured for monitoring the state of the device operating in the changed operation pattern may not be included in any of the ranges learned in advance.
  • the operation data if the operation data is not classified into the learned range in this way, it may be determined that the device is in an unknown state, or even if the device is normal, it may be erroneously determined as an abnormal state. ..
  • the device state monitoring device 1 pays attention to the fact that a physical relationship is established between the command value of the operation pattern of the device and the feature amount of the operation data, so that the operation pattern different from the learned pattern, for example, Even if the operation pattern in which the determination range of the device state is unlearned (hereinafter, referred to as an unlearned pattern), the feature amount of the operation data corresponding to this has been learned in the device state determination range. It can be corrected so as to correspond to an operation pattern (hereinafter referred to as a learned pattern). Thereby, the device condition monitoring device 1 can determine the state of the device based on the feature amount of the operation data corresponding to the unlearned pattern and the determination range of the state of the device.
  • an unlearned pattern the operation pattern in which the determination range of the device state is unlearned
  • a learned pattern an operation pattern
  • the device condition monitoring device 1 generates a learning model for learning the determination range of the device state using the operation pattern information included in the learning data and the corresponding operation data for each operation pattern indicated by the operation pattern information. For example, One-Class SVM is used to calculate the determination range.
  • the device state monitoring device 1 selects a learning model corresponding to the operation pattern included in the test data from the generated learning models, and inputs the feature amount of the operation data into the selected learning model, so that the operation data can be obtained. Determine the status of the indicated equipment.
  • the test data is the operation data measured from the device to be monitored by the sensor and the corresponding operation pattern information.
  • the device condition monitoring device 1 determines that the operation pattern included in the test data is an unlearned pattern, it corresponds to this unlearned pattern based on the relationship between the operation pattern of the device and the feature amount of the operation data.
  • the feature amount of the operation data to be performed is corrected so as to correspond to the learned pattern.
  • the device condition monitoring device 1 determines the state of the device based on the feature amount of the corrected operation data and the determination range of the state of the device.
  • the equipment condition monitoring device 1 includes a feature amount extraction unit 11, an operation pattern determination unit 12, a feature amount correction unit 13, and an equipment state determination unit 14.
  • the feature amount extraction unit 11 extracts the feature amount of the operation data in which the state of the device is measured. For example, the feature amount extraction unit 11 inputs the operation data measured from the device by the sensor at each fixed measurement cycle, and calculates the feature amount of the input operation data for each measurement cycle.
  • the feature amount of the operation data is, for example, a statistic such as an average value, a minimum value, a maximum value or a variance of the operation data measured within the time of the measurement cycle, or a power spectrum obtained by applying an FFT.
  • the operation pattern determination unit 12 determines whether the operation pattern of the device when the operation data of the device is measured is a learned pattern in which the determination range of the state of the device is learned or an unlearned pattern that has not been learned. To judge. For example, the operation pattern determination unit 12 collates the operation pattern information included in the test data with the operation pattern information included in the training data, so that the operation included in the training data among the operation pattern information included in the test data is included. The operation pattern information that does not match the pattern information is determined to be an unlearned pattern.
  • the feature amount correction unit 13 makes the feature amount of the operation data corresponding to the operation pattern determined as the unlearned pattern correspond to the learned pattern based on the relationship between the operation pattern of the device and the feature amount of the operation data. Correct to. For example, the feature amount correction unit 13 learns the relationship between the operation pattern of the device and the feature amount of the operation data by using the test data and the learning data. Based on the learned relationship, the feature amount correction unit 13 corrects the feature amount of the driving data corresponding to the driving pattern determined to be the unlearned pattern so as to correspond to the learned pattern.
  • the feature amount correction unit 13 estimates the operation data of the device having an unlearned pattern using the physical model of the device, and determines the feature amount of the estimated operation data as the relationship between the learned pattern and the feature amount of the operation data. Based on this, it may be corrected to correspond to the learned pattern.
  • the device state determination unit 14 determines the state of the device based on the feature amount of the operation data of the device and the determination range of the state of the device. For example, the device state determination unit 14 acquires a learning model in which the determination range of the device state is learned in advance, and inputs the operation data of the device included in the test data into the acquired learning model. The learning model determines whether the state of the device indicated by the input operation data belongs to the normal range, the abnormal range, or the predictive range of the abnormality. The device state determination unit 14 outputs the determination result of the device state by the learning model.
  • FIG. 2 is a flowchart showing the device status monitoring method according to the first embodiment, and shows a series of processes executed by the device status monitoring device 1.
  • the feature amount extraction unit 11 extracts the feature amount of the operation data in which the state of the device is measured (step ST1). For example, the feature amount extraction unit 11 inputs the operation data of the device included in the test data, and calculates the feature amount of the input operation data for each measurement cycle.
  • the operation pattern determination unit 12 determines whether or not the operation pattern included in the test data is an unlearned pattern (step ST2). When it is determined that the operation pattern included in the test data is a learned pattern (step ST2; NO), the device condition monitoring device 1 shifts to the process of step ST4. When it is determined that the operation pattern included in the test data is an unlearned pattern (step ST2; YES), the feature amount correction unit 13 is based on the relationship between the operation pattern of the device and the feature amount of the operation data. , The feature amount of the operation data corresponding to the operation pattern determined to be the unlearned pattern is corrected so as to correspond to the learned pattern (step ST3).
  • the device status determination unit 14 determines the device status based on the feature amount of the device operation data and the device status determination range (step ST4). For example, when it is determined that the operation pattern included in the test data is a learned pattern, the device state determination unit 14 inputs the feature amount of the operation data corresponding to this operation pattern into the learning model. The learning model determines whether the state of the device indicated by the input operation data belongs to the normal range, the abnormal range, or the predictive range of the abnormality. When it is determined that the operation pattern included in the test data is an unlearned pattern, the feature amount of the corrected operation data is input to the learning model, and the state of the device is determined.
  • FIG. 3 is a schematic diagram showing the feature amount distribution of the operation data of the device and the determination range of the state of the device.
  • the feature amount (1) and the feature amount (2) are the feature amounts of the operation data measured from the devices operating in the common operation pattern, and for example, if the operation data is the torque of the rotation mechanism.
  • the feature amount (1) may be an average value of torque, or the feature amount (2) may be a standard deviation of torque.
  • the ranges A, B, and C are the determination ranges of the state of the device, the range A indicates the normal range of the device, the range B indicates the sign range in which the device becomes abnormal, and the range C is the device. Shows the abnormal range of.
  • the ranges A, B and C are learned in advance using the learning data.
  • the feature amount da of the operation data measured from the device in the normal state belongs to the range A.
  • the feature amount db of the operation data measured from the device showing a sign of an abnormal state belongs to the range B.
  • the feature amount dc of the operation data measured from the device in the abnormal state belongs to the range C.
  • the operation pattern determination unit 12 has an unlearned operation pattern corresponding to the feature amount d1 of the operation data. Is determined.
  • the feature amount correction unit 13 corrects the feature amount d1 of the operation data so that it belongs to any of the ranges A, B, and C corresponding to the learned pattern. For example, the feature amount correction unit 13 determines that the distance between the feature amount d1 of the operation data and the range B is the shortest based on the relationship between the operation pattern of the device and the feature amount of the operation data, and determines that the feature amount of the operation data is the shortest.
  • d1 is corrected to the feature amount d2 of the operation data in the range B.
  • the device for which the feature amount d1 of the operation data is obtained is determined to be in a precursory state of becoming an abnormal state.
  • FIG. 4 is a flowchart showing an example (1) of a process of correcting a feature amount of operation data corresponding to an unlearned pattern, and shows a series of processes by the feature amount correction unit 13.
  • the feature amount correction unit 13 learns the relationship between the operation pattern of the device included in the learning data and the feature amount of the operation data (step ST1a).
  • a physical relationship is established between the command value of the operation pattern and the feature amount of the operation data.
  • FIG. 5 is a graph showing the relationship between the operation pattern command value of the device and the feature amount of the operation data. For example, in an operation pattern in which the rotation mechanism of an industrial robot rotates at a constant speed, the average value of the torque of the rotation mechanism increases monotonically with respect to the command speed value indicating each rotation speed.
  • the device operation data d is time-series data of measured values of the device states corresponding to the learned pattern operation pattern command values, and forms a distribution e for each operation pattern command value.
  • the operation pattern command value is 500 (rpm)
  • the operation data d is time series data of torque measured from a rotation mechanism rotating at 500 (rpm).
  • the regression curve D is estimated by applying the least squares method to the average value of the operation data d for each operation pattern command value calculated from the distribution e of the operation data d.
  • the regression curve D is a function in which the feature amount of the operation data monotonically increases with respect to the operation pattern command value.
  • the feature amount correction unit 13 learns the regression curve D as described above using the learning data.
  • the feature amount correction unit 13 calculates the difference between the feature amount of the operation data corresponding to the learned pattern and the feature amount of the operation data corresponding to the unlearned pattern (step ST2a).
  • FIG. 6 is a graph showing an outline of the test data correction process in the relationship between the operation pattern command value of the device and the feature amount of the operation data d.
  • the operation pattern command value P1 included in the test data is not included in any operation pattern command value indicating the learned pattern, and is therefore a command value indicating an unlearned pattern.
  • the feature amount correction unit 13 determines that the point on the regression curve D corresponding to the operation pattern command value P1 which is an unlearned pattern is the feature amount d1 of the operation data corresponding to the operation pattern command value P1. Subsequently, the feature amount correction unit 13 identifies the operation pattern command value P2 among the learned patterns, and determines the feature amount d2 of the operation data which is a point on the regression curve D corresponding to the operation pattern command value P2. .. The relationship shown by the regression curve D is established between the operation pattern command value P1 and the corresponding operation data feature amount d1, and between the operation pattern command value P2 and the corresponding operation data feature amount d2. The relationship shown by the regression curve D holds. As a result, the feature amount correction unit 13 calculates the difference E between the feature amount d1 of the operation data and the feature amount d2 of the operation data.
  • FIG. 7 is a schematic diagram showing a process of correcting the difference between the feature amount distribution of the operation data corresponding to the unlearned pattern and the feature amount distribution of the operation data corresponding to the learned pattern.
  • the distribution G1 of the characteristic amount d1 of the operation data corresponding to the operation pattern command value P1 which is an unlearned pattern and the feature amount d2 of the operation data corresponding to the operation pattern command value P2 which is a learned pattern It is assumed that there is a distribution F of.
  • the feature amount correction unit 13 sets the distribution G1 of the feature amount d1 of the operation data by the difference E between the distribution G1 of the feature amount d1 of the operation data and the distribution F of the feature amount d2 of the operation data, and the feature amount d2 of the operation data.
  • the distribution G1 is corrected to the distribution G2 by approaching the distribution F.
  • the device state determination unit 14 compares the distribution G2 and the distribution F, and determines the state of the device based on the comparison result.
  • FIG. 8 is a flowchart showing an example (2) of a process of correcting a feature amount of operation data corresponding to an unlearned pattern, and shows a series of processes by the feature amount correction unit 13.
  • the feature amount correction unit 13 estimates the operation data included in the learning data by using the physical model of the device (step ST1b).
  • the physical model inputs an operation pattern command value and estimates the operation data corresponding to the input operation pattern command value.
  • the feature amount correction unit 13 inputs an operation pattern command value indicating a learned pattern into the physical model, and the operation data corresponding to the input learned pattern is output from the physical model.
  • FIG. 9A is a graph showing the distribution of the operation data calculated in the process (1) of the correction process using the physical model, and shows the distribution H1 of the operation data corresponding to the learned pattern estimated using the physical model. Shows.
  • the feature amount correction unit 13 calculates the average value ⁇ train and the standard deviation ⁇ train in the distribution H1 of the operation data corresponding to the estimated learned pattern.
  • the feature amount correction unit 13 calculates the difference ⁇ d between the operation data corresponding to the estimated learned pattern and the operation data actually measured from the device operating with the common learned pattern (step ST2b).
  • the feature amount correction unit 13 estimates the operation data corresponding to the unlearned pattern using the physical model of the device (step ST3b). For example, the feature amount correction unit 13 inputs an operation parameter command value indicating an unlearned pattern to the physical model, and outputs operation data corresponding to the input unlearned pattern from the physical model.
  • FIG. 9B is a graph showing the distribution of operation data calculated in the process (2) of the correction process using the physical model. The feature amount correction unit 13 calculates the average value ⁇ test of the operation data corresponding to the estimated unlearned pattern. Then, as shown in FIG.
  • the feature amount correction unit 13 generates a distribution H2 in which the average value ⁇ train in the distribution H1 of the operation data corresponding to the learned pattern is replaced with the average value ⁇ test.
  • the distribution I1 is a distribution of operation data actually measured from a device operating in an unlearned pattern.
  • the feature amount correction unit 13 has a feature amount of the operation data distribution H1 corresponding to the estimated learned pattern, a difference ⁇ d between the operation data corresponding to the estimated learned pattern and the actually measured operation data, and Using the operation data corresponding to the estimated unlearned pattern, the distribution I2 of the operation data corresponding to the unlearned pattern is estimated (step ST4).
  • FIG. 9C is a graph showing the distribution of operation data calculated in the process (3) of the correction process using the physical model.
  • the feature amount correction unit 13 uses the distribution I1 composed of the measured values of the operation data corresponding to the unlearned pattern as the feature amount of the distribution of the operation data corresponding to the learned pattern estimated by using the physical model, and the physics.
  • the distribution I2 is calculated by interpolating between the data of the distribution I1 using the difference ⁇ d between the operation data estimated using the model and the actually measured data.
  • the feature amount correction unit 13 corrects the distribution I2 of the operation data corresponding to the unlearned pattern so as to correspond to the learned pattern (step ST5).
  • FIG. 9D is a graph showing the distribution of operation data calculated in the process (4) of the correction process using the physical model. As shown in FIG. 9D, the feature amount correction unit 13 generates a distribution I3 in which the average value ⁇ test in the distribution I2 of the operation data corresponding to the estimated unlearned pattern is replaced with the average value ⁇ train.
  • the device state determination unit 14 compares the distribution H1 and the distribution I3, and determines the state of the device based on the comparison result. By estimating the operation data of the device using the physical model, the number of operation data to be actually measured can be reduced.
  • FIG. 10A is a block diagram showing a hardware configuration that realizes the functions of the device condition monitoring device 1.
  • FIG. 10B is a block diagram showing a hardware configuration for executing software that realizes the functions of the device condition monitoring device 1.
  • the input interface 100 is an interface that relays the input of test data and learning data of the device.
  • the output interface 101 is an interface that relays the determination result output from the device status determination unit 14 to the outside.
  • the device condition monitoring device 1 includes a processing circuit that executes each process from step ST1 to step ST4 shown in FIG.
  • the processing circuit may be dedicated hardware, or may be a CPU (Central Processing Unit) that executes a program stored in the memory.
  • CPU Central Processing Unit
  • the processing circuit 102 may be, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, or an ASIC (Application Specific Integrated Circuit). ), FPGA (Field-Programmable Gate Array), or a combination of these.
  • the functions of the feature amount extraction unit 11, the operation pattern determination unit 12, the feature amount correction unit 13, and the equipment state determination unit 14 included in the device condition monitoring device 1 may be realized by separate processing circuits, and these functions are summarized. It may be realized by one processing circuit.
  • the processing circuit is the processor 103 shown in FIG. 10B
  • the functions of the feature amount extraction unit 11, the operation pattern determination unit 12, the feature amount correction unit 13, and the equipment state determination unit 14 included in the device condition monitoring device 1 are software and firmware. Or it is realized by a combination of software and firmware.
  • the software or firmware is described as a program and stored in the memory 104.
  • the processor 103 of the feature amount extraction unit 11, the operation pattern determination unit 12, the feature amount correction unit 13, and the equipment state determination unit 14 included in the device condition monitoring device 1. Realize the function.
  • the device condition monitoring device 1 includes a memory 104 that stores a program in which each process from step ST1 to step ST4 shown in FIG. 2 is executed as a result when executed by the processor 103.
  • These programs cause a computer to execute the procedure or method of the feature amount extraction unit 11, the operation pattern determination unit 12, the feature amount correction unit 13, and the device state determination unit 14.
  • the memory 104 may be a computer-readable storage medium in which a program for making the computer function as the feature amount extraction unit 11, the operation pattern determination unit 12, the feature amount correction unit 13, and the device state determination unit 14 is stored.
  • the memory 104 may be, for example, a RAM (Random Access Memory), a ROM (Read Only Memory), a flash memory, an EPROM (Erasable Programmable Read Only Memory), an EEPROM (Electrically-volatile) or an EEPROM (Electrically-EPROM).
  • a RAM Random Access Memory
  • ROM Read Only Memory
  • flash memory an EPROM (Erasable Programmable Read Only Memory)
  • EEPROM Electrically-volatile
  • EEPROM Electrically-EPROM
  • the functions of the feature amount extraction unit 11, the operation pattern determination unit 12, the feature amount correction unit 13, and the equipment state determination unit 14 included in the device condition monitoring device 1 are realized by dedicated hardware, and the rest are software. Alternatively, it may be realized by firmware.
  • the function of the feature amount extraction unit 11 is realized by the processing circuit 102, which is dedicated hardware, and the operation pattern determination unit 12, the feature amount correction unit 13, and the device state determination unit 14 are stored in the memory 104 by the processor 103. Each function is realized by reading and executing the executed program.
  • the processing circuit can realize the above-mentioned functions by hardware, software, firmware or a combination thereof.
  • FIG. 11 is a block diagram showing a configuration of the device condition monitoring device 1A, which is a modification of the device state monitoring device 1.
  • the same components as those in FIG. 1 are designated by the same reference numerals, and duplicate description is omitted.
  • the equipment condition monitoring device 1A includes a feature amount extraction unit 11, an operation pattern determination unit 12, a feature amount correction unit 13, an equipment condition determination unit 14, a classification unit 15, and a model generation unit 16.
  • the classification unit 15 classifies the operation data of the device to be monitored for each operation pattern. For example, the classification unit 15 classifies the operation data for each operation pattern based on the command value set in the device when the operation data included in the learning data is measured from the device.
  • the model generation unit 16 generates a learning model for each operation pattern by learning the determination range of the state of the device by using the operation data classified for each operation pattern.
  • the device state determination unit 14 determines the state of the device by using the feature amount of the corrected operation data and the learning model.
  • the device condition monitoring device 1A includes a processing circuit for executing each process including classification of operation data and generation of a learning model.
  • the processing circuit may be the processing circuit 102 of the dedicated hardware shown in FIG. 10A, or may be the processor 103 that executes the program stored in the memory 104 shown in FIG. 10B.
  • the feature amount of the operation data of the device corresponding to the unlearned pattern is determined based on the relationship between the operation pattern of the device and the feature amount of the operation data. It is corrected so as to correspond to the learned pattern, and the state of the device is determined based on the feature amount of the corrected operation data and the determination range of the state of the device. As a result, the device condition monitoring device 1 can determine the state of the device even by using the operation data corresponding to the unlearned pattern.
  • the device condition monitoring device can be used, for example, for monitoring the condition of an industrial robot.
  • 1,1A Equipment status monitoring device 11 Feature quantity extraction unit, 12 Operation pattern determination unit, 13 Feature quantity correction unit, 14 Equipment status determination unit, 15 Classification unit, 16 Model generation unit, 100 Input interface, 101 Output interface, 102 Processing circuit, 103 processor, 104 memory.

Landscapes

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

Abstract

機器状態監視装置（１）は、機器の状態が計測された運転データの特徴量を抽出する特徴量抽出部（１１）と、機器の運転データが計測されたときの機器の運転パターンが、機器の状態の判定範囲が学習された学習済みパターンであるか、学習されていない未学習パターンであるかを判定する運転パターン判定部（１２）と、機器の運転パターンと運転データの特徴量との関係に基づいて、未学習パターンと判定された運転パターンに対応する運転データの特徴量を、学習済みパターンに対応するように補正する特徴量補正部（１３）と、機器の運転データの特徴量および機器の状態の判定範囲に基づいて、機器の状態を判定する機器状態判定部（１４）を備える。

Description

機器状態監視装置および機器状態監視方法
　本開示は、機器状態監視装置および機器状態監視方法に関する。
　機器の状態を監視する従来の技術として、正常な機器の状態が計測された運転データに基づいて機器の状態の正常範囲を算出し、機器の状態の正常範囲からの外れ度合いに基づいて機器の状態を監視するものがある。例えば、特許文献１には、プラントの状態量を計測した計測信号が正常モデルに分類される場合は、プラントが正常状態であると診断し、計測信号が正常モデルに分類されない場合は、プラントが過去に経験したことのない未知状態であると診断するプラントの診断装置が記載されている。
国際公開第２０１２／０７３２８９号
　特許文献１に記載されたプラントの診断装置は、プラントの状態の正常範囲に計測信号が分類されない場合、この計測信号が計測されたプラントが未知状態であると診断する。このため、例えば、機器の運転データが事前に学習された状態に分類されない場合、未知状態と判定されてしまい、機器が正常な状態であるか、異常な状態であるか、異常の予兆状態であるかといった機器の状態を判定できないという課題があった。
　本開示は、上記課題を解決するものであり、機器の状態の判定範囲が未学習である運転パターンに対応する運転データを用いても、機器の状態を判定することができる機器状態監視装置および機器状態監視方法を得ることを目的とする。
　本開示に係る機器状態監視装置は、機器の状態が計測された運転データの特徴量を抽出する特徴量抽出部と、機器の運転データが計測されたときの機器の運転パターンが、機器の状態の判定範囲が学習された学習済みパターンであるか、学習されていない未学習パターンであるかを判定する運転パターン判定部と、機器の運転パターンと運転データの特徴量との関係に基づいて、未学習パターンと判定された運転パターンに対応する運転データの特徴量を、学習済みパターンに対応するように補正する特徴量補正部と、補正後の運転データの特徴量および機器の状態の判定範囲に基づいて、機器の状態を判定する機器状態判定部を備える。
　本開示によれば、機器の運転パターンと運転データの特徴量との関係に基づいて、未学習パターンに対応する機器の運転データの特徴量を、学習済みパターンに対応するように補正し、補正後の運転データの特徴量および機器の状態の判定範囲に基づいて機器の状態が判定される。これにより、本開示に係る機器状態監視装置は、機器の状態の判定範囲が未学習である運転パターンに対応する運転データを用いても、機器の状態を判定することができる。
実施の形態１に係る機器状態監視装置の構成を示すブロック図である。 実施の形態１に係る機器状態監視方法を示すフローチャートである。 機器の運転データの特徴量分布および機器の状態の判定範囲を示す概要図である。 未学習パターンに対応する運転データの特徴量を補正する処理の例（１）を示すフローチャートである。 機器の運転パターン指令値と運転データの特徴量との関係を示すグラフである。 機器の運転パターン指令値と運転データの特徴量との関係におけるテストデータの補正処理の概要を示したグラフである。 未学習パターンに対応する運転データの特徴量分布における、学習済みパターンに対応する運転データの特徴量分布との差分を補正する処理を示す概要図である。 未学習パターンに対応する運転データの特徴量を補正する処理の例（２）を示すフローチャートである。 図９Ａは、物理モデルを用いた補正処理の過程（１）で算出される運転データの分布を示すグラフであり、図９Ｂは、物理モデルを用いた補正処理の過程（２）で算出される運転データの分布を示すグラフであり、図９Ｃは、物理モデルを用いた補正処理の過程（３）で算出される運転データの分布を示すグラフであり、図９Ｄは、物理モデルを用いた補正処理の過程（４）で算出される運転データの分布を示すグラフである。 図１０Ａは、実施の形態１に係る機器状態監視装置の機能を実現するハードウェア構成を示すブロック図であり、図１０Ｂは、実施の形態１に係る機器状態監視装置の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。 実施の形態１に係る機器状態監視装置の変形例の構成を示すブロック図である。
実施の形態１．
　図１は、実施の形態１に係る機器状態監視装置の構成を示すブロック図である。図１において、機器状態監視装置１は、機器に設置されたセンサによって計測された当該機器の状態を計測した運転データを用いて機器の状態を監視する。監視対象の機器は、指令された運転パターンが示す一連の動作を繰り返す機器であり、例えば産業用ロボットである。運転パターンは、事前に決定された一連の動作であり、個々の動作（例えば、加速、減速または一定速）を示す指令値が機器に設定されることにより実行される。また、運転パターンの指令値には、例えば、指令速度、指令位置または指令荷重がある。
　ある運転パターンで動作している機器から計測された運転データは、機器の状態の計測値の時系列データであり、運転パターンの指令値との間に物理的な関係が成り立つ。例えば、監視対象の機器が回転機構を有する産業用ロボットであり、産業用ロボットが、回転機構を一定の速度で回転させる運転パターンで動作する場合、回転機構を回転させる一定の速度を示す指令速度値とこの指令速度値で回転した回転機構のトルクの平均値との関係は、単調増加関数で表すことができる。運転データの特徴量には、例えば、運転データが示す計測値の平均値、最小値、最大値、分散または標準偏差といった一般的な統計量、あるいは高速フーリエ変換（ＦＦＴ）を施して得られるパワースペクトルがある。
　機器状態監視装置１は、前述したように、運転パターンと運転データの特徴量との間に物理的な関係が現れる機器の状態の監視に有効である。機器の状態を監視する従来の方法は、一般に、機器の状態を計測した運転データを学習データとして用いて、機器の状態の正常範囲、異常範囲および異常の予兆範囲を学習し、運転データの特徴量（例えば、平均値）がいずれの範囲に属するかによって機器の状態を判定するものである。
　産業用ロボットなどの制御機器においては、当該機器が製造する製品が変更されるか、その仕様が変更されることによって、運転パターンが変更される場合がある。この場合、変更後の運転パターンで動作する機器の状態を監視するために計測された運転データが、事前に学習した、いずれの範囲にも含まれない可能性がある。従来の方法では、このように運転データが学習済みの範囲に分類されない場合、機器が未知状態であると判定されるか、機器が正常であっても異常状態と誤判定される可能性がある。
　そこで、機器状態監視装置１は、機器の運転パターンの指令値と運転データの特徴量との間に物理的な関係が成り立つことに着目することにより、学習済みパターンとは異なる運転パターン、例えば、機器の状態の判定範囲が未学習である運転パターン（以下、未学習パターンと記載する）であっても、これに対応する運転データの特徴量を、機器の状態の判定範囲が学習済みである運転パターン（以下、学習済みパターンと記載する）に対応するように補正することができる。これにより、機器状態監視装置１は、未学習パターンに対応する運転データの特徴量および機器の状態の判定範囲に基づいて機器の状態を判定することが可能である。
　機器状態監視装置１は、学習データに含まれる運転パターン情報およびこれに対応する運転データを用いて機器の状態の判定範囲を学習した学習モデルを、運転パターン情報が示す運転パターンごとに生成する。判定範囲の算出には、例えば、Ｏｎｅ－Ｃｌａｓｓ　ＳＶＭが用いられる。機器状態監視装置１は、生成した学習モデルのうち、テストデータに含まれる運転パターンに対応する学習モデルを選択し、選択した学習モデルに運転データの特徴量を入力することで、当該運転データが示す機器の状態を判定する。テストデータは、センサによって監視対象の機器から計測された運転データとこれに対応する運転パターン情報である。
　また、機器状態監視装置１は、テストデータに含まれる運転パターンが未学習パターンであると判定した場合、機器の運転パターンと運転データの特徴量との関係に基づいて、この未学習パターンに対応する運転データの特徴量を、学習済みパターンに対応するように補正する。そして、機器状態監視装置１は、補正後の運転データの特徴量および機器の状態の判定範囲に基づいて、機器の状態を判定する。
　機器状態監視装置１は、図１に示すように、特徴量抽出部１１、運転パターン判定部１２、特徴量補正部１３および機器状態判定部１４を備える。特徴量抽出部１１は、機器の状態が計測された運転データの特徴量を抽出する。例えば、特徴量抽出部１１は、センサによって機器から一定の計測周期ごとに計測された運転データを入力して、入力した運転データの特徴量を計測周期ごとに算出する。運転データの特徴量は、例えば、計測周期の時間内に計測された運転データの平均値、最小値、最大値または分散といった統計量、あるいはＦＦＴを施して得られるパワースペクトルである。
　運転パターン判定部１２は、機器の運転データが計測されたときの機器の運転パターンが、機器の状態の判定範囲が学習された学習済みパターンであるか、学習されていない未学習パターンであるかを判定する。例えば、運転パターン判定部１２は、テストデータに含まれる運転パターン情報と学習データに含まれる運転パターン情報とを照合することにより、テストデータに含まれる運転パターン情報のうち、学習データに含まれる運転パターン情報と合致しない運転パターン情報を、未学習パターンであると判定する。
　特徴量補正部１３は、機器の運転パターンと運転データの特徴量との関係に基づいて、未学習パターンと判定された運転パターンに対応する運転データの特徴量を、学習済みパターンに対応するように補正する。例えば、特徴量補正部１３は、テストデータと、学習データとを用いて、機器の運転パターンと運転データの特徴量との関係を学習する。特徴量補正部１３は、学習した関係に基づいて、未学習パターンと判定された運転パターンに対応する運転データの特徴量を、学習済みパターンに対応するように補正する。また、特徴量補正部１３は、機器の物理モデルを用いて未学習パターンの機器の運転データを推定し、推定した運転データの特徴量を、学習済みパターンと運転データの特徴量との関係に基づいて、学習済みパターンに対応するように補正してもよい。
　機器状態判定部１４は、機器の運転データの特徴量および機器の状態の判定範囲に基づいて、機器の状態を判定する。例えば、機器状態判定部１４は、機器の状態の判定範囲が事前に学習された学習モデルを取得し、取得した学習モデルに、テストデータに含まれる機器の運転データを入力する。学習モデルは、入力した運転データが示す機器の状態が、正常範囲、異常範囲または異常の予兆範囲のいずれに属するかを判定する。機器状態判定部１４は、学習モデルによる機器の状態の判定結果を出力する。
　実施の形態１に係る機器状態監視方法は、以下の通りである。
　図２は、実施の形態１に係る機器状態監視方法を示すフローチャートであり、機器状態監視装置１が実行する一連の処理を示している。まず、特徴量抽出部１１が、機器の状態が計測された運転データの特徴量を抽出する（ステップＳＴ１）。例えば、特徴量抽出部１１は、テストデータに含まれる機器の運転データを入力し、入力した運転データの特徴量を計測周期ごとに算出する。
　運転パターン判定部１２は、テストデータに含まれる運転パターンが未学習パターンであるか否かを判定する（ステップＳＴ２）。テストデータに含まれる運転パターンが学習済みパターンであると判定された場合（ステップＳＴ２；ＮＯ）、機器状態監視装置１はステップＳＴ４の処理に移行する。また、テストデータに含まれる運転パターンが未学習パターンであると判定された場合（ステップＳＴ２；ＹＥＳ）、特徴量補正部１３は、機器の運転パターンと運転データの特徴量との関係に基づいて、未学習パターンと判定された運転パターンに対応する運転データの特徴量を、学習済みパターンに対応するように補正する（ステップＳＴ３）。
　機器状態判定部１４は、機器の運転データの特徴量および機器の状態の判定範囲に基づいて、機器の状態を判定する（ステップＳＴ４）。例えば、テストデータに含まれる運転パターンが学習済みパターンであると判定された場合、機器状態判定部１４は、この運転パターンに対応する運転データの特徴量を、学習モデルに入力する。学習モデルは、入力した運転データが示す機器の状態が、正常範囲、異常範囲または異常の予兆範囲のいずれに属するかを判定する。また、テストデータに含まれる運転パターンが未学習パターンであると判定された場合は、補正後の運転データの特徴量が学習モデルに入力され、機器の状態が判定される。
　図３は、機器の運転データの特徴量分布および機器の状態の判定範囲を示す概要図である。図３において、特徴量（１）および特徴量（２）は、共通の運転パターンで動作する機器から計測された運転データの特徴量であり、例えば、運転データが回転機構のトルクであれば、特徴量（１）がトルクの平均値であってもよいし、特徴量（２）がトルクの標準偏差であってもよい。範囲Ａ、ＢおよびＣは機器の状態の判定範囲であり、範囲Ａは、機器の正常範囲を示しており、範囲Ｂは、機器が異常になる予兆範囲を示しており、範囲Ｃは、機器の異常範囲を示している。
　範囲Ａ、ＢおよびＣは、学習データを用いて事前に学習されている。例えば、正常状態の機器から計測された運転データの特徴量ｄａは、範囲Ａに属する。異常状態になる予兆を示す機器から計測された運転データの特徴量ｄｂは、範囲Ｂに属する。異常状態の機器から計測された運転データの特徴量ｄｃは、範囲Ｃに属する。
　テストデータとして範囲Ａ、ＢおよびＣのいずれにも属さない運転データの特徴量ｄ１が得られると、運転パターン判定部１２は、運転データの特徴量ｄ１に対応する運転パターンが未学習パターンであると判定する。この場合、特徴量補正部１３は、運転データの特徴量ｄ１を、学習済みパターンに対応する範囲Ａ、ＢおよびＣのいずれかに属するように補正する。例えば、特徴量補正部１３は、機器の運転パターンと運転データの特徴量との関係に基づいて、運転データの特徴量ｄ１と範囲Ｂとの距離が最も近いと判断し、運転データの特徴量ｄ１を、範囲Ｂ内の運転データの特徴量ｄ２に補正する。これにより、運転データの特徴量ｄ１が得られた機器は、異常状態になる予兆状態であると判定される。
　機器の運転データの特徴量を補正する処理の詳細は、以下の通りである。
　図４は、未学習パターンに対応する運転データの特徴量を補正する処理の例（１）を示すフローチャートであり、特徴量補正部１３による一連の処理を示している。特徴量補正部１３は、学習データに含まれる機器の運転パターンと運転データの特徴量との関係を学習する（ステップＳＴ１ａ）。機器状態監視装置１における監視対象の機器は、運転パターンの指令値と運転データの特徴量との間に物理的な関係が成り立つ。図５は、機器の運転パターン指令値と運転データの特徴量との関係を示すグラフである。例えば、産業用ロボットが備える回転機構が一定の速度で回転する運転パターンにおいては、各回転速度を示す指令速度値に対して回転機構のトルクの平均値は、単調増加する関係にある。
　図５において、機器の運転データｄは、学習済みパターンの運転パターン指令値に対応する機器の状態の計測値の時系列データであり、運転パターン指令値ごとに分布ｅを形成する。例えば、運転パターン指令値が５００（ｒｐｍ）である場合に、運転データｄは、５００（ｒｐｍ）で回転している回転機構から計測されたトルクの時系列データである。回帰曲線Ｄは、運転データｄの分布ｅから算出された、運転パターン指令値ごとの運転データｄの平均値に対して、最小二乗法を施して推定される。図５に示すように、回帰曲線Ｄは、運転パターン指令値に対して運転データの特徴量が単調増加する関数である。特徴量補正部１３は、学習データを用いて、前述のような回帰曲線Ｄを学習する。
　次に、特徴量補正部１３は、学習済みパターンに対応する運転データの特徴量と未学習パターンに対応する運転データの特徴量との差分を算出する（ステップＳＴ２ａ）。図６は、機器の運転パターン指令値と運転データｄの特徴量との関係における、テストデータの補正処理の概要を示したグラフである。例えば、図６において、テストデータに含まれる運転パターン指令値Ｐ１は、学習済みパターンを示すいずれの運転パターン指令値にも含まれないので、未学習パターンを示す指令値である。
　特徴量補正部１３は、未学習パターンである運転パターン指令値Ｐ１に対応する回帰曲線Ｄ上の点を、運転パターン指令値Ｐ１に対応する運転データの特徴量ｄ１であると判定する。続いて、特徴量補正部１３は、学習済みパターンのうち、運転パターン指令値Ｐ２を特定し、運転パターン指令値Ｐ２に対応する回帰曲線Ｄ上の点である運転データの特徴量ｄ２を決定する。運転パターン指令値Ｐ１とこれに対応する運転データの特徴量ｄ１との間には、回帰曲線Ｄが示す関係が成り立ち、運転パターン指令値Ｐ２とこれに対応する運転データの特徴量ｄ２との間には、回帰曲線Ｄが示す関係が成り立つ。これにより、特徴量補正部１３は、運転データの特徴量ｄ１と運転データの特徴量ｄ２との差分Ｅを算出する。
　続いて、特徴量補正部１３は、未学習パターンに対応する運転データの特徴量分布を、算出した差分Ｅを用いて補正する（ステップＳＴ３ａ）。図７は、未学習パターンに対応する運転データの特徴量分布における、学習済みパターンに対応する運転データの特徴量分布との差分を補正する処理を示す概要図である。図７に示すように、未学習パターンである運転パターン指令値Ｐ１に対応する運転データの特徴量ｄ１の分布Ｇ１と、学習済みパターンである運転パターン指令値Ｐ２に対応する運転データの特徴量ｄ２の分布Ｆとがあるものとする。
　特徴量補正部１３は、運転データの特徴量ｄ１の分布Ｇ１と運転データの特徴量ｄ２の分布Ｆとの差分Ｅだけ、運転データの特徴量ｄ１の分布Ｇ１を、運転データの特徴量ｄ２の分布Ｆに近づけることにより分布Ｇ１を分布Ｇ２に補正する。機器状態判定部１４は、分布Ｇ２と分布Ｆとを比較し、比較結果に基づいて機器の状態を判定する。
　図８は、未学習パターンに対応する運転データの特徴量を補正する処理の例（２）を示すフローチャートであり、特徴量補正部１３による一連の処理を示している。
　特徴量補正部１３は、機器の物理モデルを用いて、学習データに含まれる運転データを推定する（ステップＳＴ１ｂ）。物理モデルは、運転パターン指令値を入力し、入力した運転パターン指令値に対応する運転データを推定する。特徴量補正部１３が、学習済みパターンを示す運転パターン指令値を物理モデルに入力して、入力した学習済みパターンに対応する運転データが物理モデルから出力される。
　さらに、特徴量補正部１３は、推定した運転データの分布の特徴量を算出する。図９Ａは、物理モデルを用いた補正処理の過程（１）で算出される運転データの分布を示すグラフであり、物理モデルを用いて推定された学習済みパターンに対応する運転データの分布Ｈ１を示している。例えば、特徴量補正部１３は、推定した学習済みパターンに対応する運転データの分布Ｈ１における平均値μｔｒａｉｎと標準偏差σｔｒａｉｎを算出する。続いて、特徴量補正部１３は、推定した学習済みパターンに対応する運転データと共通の学習済みパターンで動作する機器から実測された運転データとの差分Δｄを算出する（ステップＳＴ２ｂ）。
　次に、特徴量補正部１３は、機器の物理モデルを用いて未学習パターンに対応する運転データを推定する（ステップＳＴ３ｂ）。例えば、特徴量補正部１３は、未学習パターンを示す運転パラメータ指令値を物理モデルに入力し、入力した未学習パターンに対応する運転データが物理モデルから出力される。図９Ｂは、物理モデルを用いた補正処理の過程（２）で算出される運転データの分布を示すグラフである。特徴量補正部１３は、推定した未学習パターンに対応する運転データの平均値μｔｅｓｔを算出する。そして、特徴量補正部１３は、図９Ｂに示すように、学習済みパターンに対応する運転データの分布Ｈ１における平均値μｔｒａｉｎを平均値μｔｅｓｔで置き換えた分布Ｈ２を生成する。分布Ｉ１は、未学習パターンで動作する機器から実測された運転データの分布である。
　続いて、特徴量補正部１３は、推定した学習済みパターンに対応する運転データの分布Ｈ１の特徴量、推定した学習済みパターンに対応する運転データと実測された運転データとの差分Δｄ、および、推定した未学習パターンに対応する運転データを用いて、未学習パターンに対応する運転データの分布Ｉ２を推定する（ステップＳＴ４）。図９Ｃは、物理モデルを用いた補正処理の過程（３）で算出される運転データの分布を示すグラフである。特徴量補正部１３は、未学習パターンに対応する運転データの実測値から構成される分布Ｉ１を、物理モデルを用いて推定された学習済みパターンに対応する運転データの分布の特徴量と、物理モデルを用いて推定された運転データとその実測データとの差分Δｄとを用いて、分布Ｉ１のデータ間を補間することにより、分布Ｉ２を算出する。
　特徴量補正部１３は、未学習パターンに対応する運転データの分布Ｉ２を、学習済みパターンに対応するように補正する（ステップＳＴ５）。図９Ｄは、物理モデルを用いた補正処理の過程（４）で算出される運転データの分布を示すグラフである。図９Ｄに示すように、特徴量補正部１３は、推定した未学習パターンに対応する運転データの分布Ｉ２における平均値μｔｅｓｔを平均値μｔｒａｉｎで置き換えた分布Ｉ３を生成する。機器状態判定部１４は、分布Ｈ１と分布Ｉ３とを比較し、比較結果に基づいて機器の状態を判定する。
　物理モデルを用いて機器の運転データを推定することにより、実測すべき運転データ数を低減することができる。
　機器状態監視装置１の機能を実現するハードウェア構成は、以下の通りである。
　図１０Ａは、機器状態監視装置１の機能を実現するハードウェア構成を示すブロック図である。図１０Ｂは、機器状態監視装置１の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。図１０Ａおよび図１０Ｂにおいて、入力インタフェース１００は、機器のテストデータおよび学習データの入力を中継するインタフェースである。出力インタフェース１０１は、機器状態判定部１４から外部に出力される判定結果を中継するインタフェースである。
　機器状態監視装置１が備える特徴量抽出部１１、運転パターン判定部１２、特徴量補正部１３および機器状態判定部１４の機能は、処理回路により実現される。すなわち、機器状態監視装置１は、図２に示したステップＳＴ１からステップＳＴ４までの各処理を実行する処理回路を備える。処理回路は、専用のハードウェアであってもよいが、メモリに記憶されたプログラムを実行するＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）であってもよい。
　処理回路が図１０Ａに示す専用のハードウェアの処理回路１０２である場合、処理回路１０２は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）、または、これらを組み合わせたものが該当する。機器状態監視装置１が備える特徴量抽出部１１、運転パターン判定部１２、特徴量補正部１３および機器状態判定部１４の機能は、別々の処理回路で実現されてもよく、これらの機能がまとめて１つの処理回路で実現されてもよい。
　処理回路が図１０Ｂに示すプロセッサ１０３である場合、機器状態監視装置１が備える特徴量抽出部１１、運転パターン判定部１２、特徴量補正部１３および機器状態判定部１４の機能は、ソフトウェア、ファームウェアまたはソフトウェアとファームウェアとの組み合わせにより実現される。なお、ソフトウェアまたはファームウェアは、プログラムとして記述されてメモリ１０４に記憶される。
　プロセッサ１０３は、メモリ１０４に記憶されたプログラムを読み出して実行することにより、機器状態監視装置１が備える特徴量抽出部１１、運転パターン判定部１２、特徴量補正部１３および機器状態判定部１４の機能を実現する。例えば、機器状態監視装置１は、プロセッサ１０３によって実行されるときに、図２に示したステップＳＴ１からステップＳＴ４までの各処理が結果的に実行されるプログラムを記憶するメモリ１０４を備える。これらのプログラムは、特徴量抽出部１１、運転パターン判定部１２、特徴量補正部１３および機器状態判定部１４の手順または方法をコンピュータに実行させる。メモリ１０４は、コンピュータを、特徴量抽出部１１、運転パターン判定部１２、特徴量補正部１３および機器状態判定部１４として機能させるためのプログラムが記憶されたコンピュータ可読記憶媒体であってもよい。
　メモリ１０４は、例えば、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ－ＥＰＲＯＭ）などの不揮発性または揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤなどが該当する。
　機器状態監視装置１が備える特徴量抽出部１１、運転パターン判定部１２、特徴量補正部１３および機器状態判定部１４の機能の一部が専用のハードウェアで実現され、残りの一部がソフトウェアまたはファームウェアで実現されてもよい。例えば、特徴量抽出部１１は、専用のハードウェアである処理回路１０２によって機能が実現され、運転パターン判定部１２、特徴量補正部１３および機器状態判定部１４は、プロセッサ１０３がメモリ１０４に記憶されたプログラムを読み出して実行することによって各機能が実現される。このように、処理回路は、ハードウェア、ソフトウェア、ファームウェアまたはこれらの組み合わせによって、上記機能を実現することができる。
　これまでの説明では、機器状態監視装置１が、事前に生成された学習モデルを取得して機器の状態を判定する場合を示したが、学習モデルを生成する構成要素を備えてもよい。図１１は、機器状態監視装置１の変形例である機器状態監視装置１Ａの構成を示すブロック図である。図１１において、図１と同一の構成要素には同一の符号が付されて重複した説明が省略される。機器状態監視装置１Ａは、図１１に示すように、特徴量抽出部１１、運転パターン判定部１２、特徴量補正部１３、機器状態判定部１４、分類部１５およびモデル生成部１６を備える。
　分類部１５は、監視対象の機器の運転データを運転パターンごとに分類する。例えば、分類部１５は、学習データに含まれる運転データが機器から計測されたときに当該機器に設定されていた指令値に基づいて運転データを運転パターンごとに分類する。モデル生成部１６は、運転パターンごとに分類された運転データを用いて、機器の状態の判定範囲を学習した学習モデルを、運転パターンごとに生成する。機器状態判定部１４は、補正後の運転データの特徴量および学習モデルを用いて、機器の状態を判定する。
　なお、機器状態監視装置１Ａが備える、特徴量抽出部１１、運転パターン判定部１２、特徴量補正部１３、機器状態判定部１４、分類部１５およびモデル生成部１６の機能は、処理回路により実現される。すなわち、機器状態監視装置１Ａは、運転データの分類と学習モデルの生成を含む各処理を実行するための処理回路を備えている。処理回路は、図１０Ａに示した専用のハードウェアの処理回路１０２であってもよいし、図１０Ｂに示したメモリ１０４に記憶されたプログラムを実行するプロセッサ１０３であってもよい。
　以上のように、実施の形態１に係る機器状態監視装置１において、機器の運転パターンと運転データの特徴量との関係に基づいて、未学習パターンに対応する機器の運転データの特徴量を、学習済みパターンに対応するように補正し、補正後の運転データの特徴量および機器の状態の判定範囲に基づいて機器の状態が判定される。これにより、機器状態監視装置１は、未学習パターンに対応する運転データを用いても機器の状態を判定することができる。
　なお、実施の形態の任意の構成要素の変形もしくは実施の形態の任意の構成要素の省略が可能である。
　本開示に係る機器状態監視装置は、例えば、産業用ロボットの状態の監視に利用可能である。
　１，１Ａ　機器状態監視装置、１１　特徴量抽出部、１２　運転パターン判定部、１３　特徴量補正部、１４　機器状態判定部、１５　分類部、１６　モデル生成部、１００　入力インタフェース、１０１　出力インタフェース、１０２　処理回路、１０３　プロセッサ、１０４　メモリ。

Claims (5)

  1. 　機器の状態が計測された運転データの特徴量を抽出する特徴量抽出部と、
    　前記機器の運転データが計測されたときの前記機器の運転パターンが、前記機器の状態の判定範囲が学習された学習済みパターンであるか、学習されていない未学習パターンであるかを判定する運転パターン判定部と、
    　前記機器の運転パターンと運転データの特徴量との関係に基づいて、前記未学習パターンと判定された運転パターンに対応する運転データの特徴量を、前記学習済みパターンに対応するように補正する特徴量補正部と、
    　前記機器の運転データの特徴量および前記機器の状態の判定範囲に基づいて、前記機器の状態を判定する機器状態判定部と、
    　を備えたことを特徴とする機器状態監視装置。
  2. 　前記機器の運転データを運転パターンごとに分類する分類部と、
    　運転パターンごとに分類された運転データを用いて、前記機器の状態の判定範囲を学習した学習モデルを、運転パターンごとに生成するモデル生成部と、
    　を備え、
    　前記機器状態判定部は、運転データの特徴量および前記学習モデルを用いて、前記機器の状態を判定すること
    　を特徴とする請求項１記載の機器状態監視装置。
  3. 　前記特徴量補正部は、運転パターンと運転データの特徴量との関係を学習し、学習した関係に基づいて、前記未学習パターンと判定された運転パターンに対応する運転データの特徴量を、前記学習済みパターンに対応するように補正すること
    　を特徴とする請求項１または請求項２記載の機器状態監視装置。
  4. 　前記特徴量補正部は、前記機器の物理モデルを用いて前記未学習パターンの前記機器の運転データを推定し、推定した運転データの特徴量を、前記学習済みパターンと運転データの特徴量との関係に基づいて、前記学習済みパターンに対応するように補正すること
    　を特徴とする請求項１または請求項２記載の機器状態監視装置。
  5. 　特徴量抽出部が、機器の状態が計測された運転データの特徴量を抽出するステップと、
    　運転パターン判定部が、前記機器の運転データが計測されたときの前記機器の運転パターンが、前記機器の状態の判定範囲が学習された学習済みパターンであるか、学習されていない未学習パターンであるかを判定するステップと、
    　特徴量補正部が、前記機器の運転パターンと運転データの特徴量との関係に基づいて、前記未学習パターンと判定された運転パターンに対応する運転データの特徴量を、前記学習済みパターンに対応するように補正するステップと、
    　機器状態判定部が、前記機器の運転データの特徴量および前記機器の状態の判定範囲に基づいて、前記機器の状態を判定するステップと、
    　を備えたことを特徴とする機器状態監視方法。
PCT/JP2020/021206 2020-05-28 2020-05-28 機器状態監視装置および機器状態監視方法 WO2021240750A1 (ja)

Priority Applications (7)

Application Number Priority Date Filing Date Title
JP2020549833A JP6837612B1 (ja) 2020-05-28 2020-05-28 機器状態監視装置および機器状態監視方法
CN202080100591.3A CN115552345A (zh) 2020-05-28 2020-05-28 设备状态监视装置及设备状态监视方法
KR1020227040380A KR102579619B1 (ko) 2020-05-28 2020-05-28 기기 상태 감시 장치 및 기기 상태 감시 방법
PCT/JP2020/021206 WO2021240750A1 (ja) 2020-05-28 2020-05-28 機器状態監視装置および機器状態監視方法
DE112020006948.6T DE112020006948B4 (de) 2020-05-28 2020-05-28 Überwachungsvorrichtung eines anlagenzustands und verfahren zur überwachung eines anlagenzustands
TW109141323A TWI813921B (zh) 2020-05-28 2020-11-25 機器狀態監視裝置以及機器狀態監視方法
US17/961,903 US20230023878A1 (en) 2020-05-28 2022-10-07 Equipment state monitoring device and equipment state monitoring method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/021206 WO2021240750A1 (ja) 2020-05-28 2020-05-28 機器状態監視装置および機器状態監視方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/961,903 Continuation US20230023878A1 (en) 2020-05-28 2022-10-07 Equipment state monitoring device and equipment state monitoring method

Publications (1)

Publication Number Publication Date
WO2021240750A1 true WO2021240750A1 (ja) 2021-12-02

Family

ID=74673594

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/021206 WO2021240750A1 (ja) 2020-05-28 2020-05-28 機器状態監視装置および機器状態監視方法

Country Status (7)

Country Link
US (1) US20230023878A1 (ja)
JP (1) JP6837612B1 (ja)
KR (1) KR102579619B1 (ja)
CN (1) CN115552345A (ja)
DE (1) DE112020006948B4 (ja)
TW (1) TWI813921B (ja)
WO (1) WO2021240750A1 (ja)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117136494A (zh) * 2021-04-08 2023-11-28 三菱电机株式会社 异常诊断装置以及异常诊断方法
JP7422962B2 (ja) * 2022-02-02 2024-01-26 三菱電機株式会社 機器状態監視装置および機器状態監視方法
JP7392895B1 (ja) * 2023-06-28 2023-12-06 富士電機株式会社 運転支援装置、運転支援方法及びプログラム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09256338A (ja) * 1996-03-22 1997-09-30 Mitsubishi Heavy Ind Ltd 河川水位予測装置
JPH09282466A (ja) * 1996-04-18 1997-10-31 Atr Ningen Joho Tsushin Kenkyusho:Kk パターン認識方法
WO2012073289A1 (ja) * 2010-12-02 2012-06-07 株式会社日立製作所 プラントの診断装置及びプラントの診断方法
JP2013218725A (ja) * 2013-06-19 2013-10-24 Hitachi Ltd 異常検知方法及び異常検知システム

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5776419A (en) * 1980-10-31 1982-05-13 Hitachi Ltd Oscillation monitoring device
US5566092A (en) * 1993-12-30 1996-10-15 Caterpillar Inc. Machine fault diagnostics system and method
US6556950B1 (en) * 1999-09-30 2003-04-29 Rockwell Automation Technologies, Inc. Diagnostic method and apparatus for use with enterprise control
DE102004063388A1 (de) 2004-12-23 2006-07-13 Medav Gmbh Verfahren zur adaptiven Klassifizierung von Werkstücken
WO2014177755A1 (en) * 2013-04-30 2014-11-06 Tana Oy Work machine control
KR101823746B1 (ko) * 2016-02-05 2018-01-30 울산대학교 산학협력단 베어링 고장 진단 방법
KR101827108B1 (ko) 2016-05-04 2018-02-07 두산중공업 주식회사 플랜트 이상 감지 학습 시스템 및 방법
JP2019128623A (ja) * 2018-01-22 2019-08-01 Ｎｅｃプラットフォームズ株式会社 パターン認識装置、方法及びプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH09256338A (ja) * 1996-03-22 1997-09-30 Mitsubishi Heavy Ind Ltd 河川水位予測装置
JPH09282466A (ja) * 1996-04-18 1997-10-31 Atr Ningen Joho Tsushin Kenkyusho:Kk パターン認識方法
WO2012073289A1 (ja) * 2010-12-02 2012-06-07 株式会社日立製作所 プラントの診断装置及びプラントの診断方法
JP2013218725A (ja) * 2013-06-19 2013-10-24 Hitachi Ltd 異常検知方法及び異常検知システム

Also Published As

Publication number Publication date
JPWO2021240750A1 (ja) 2021-12-02
US20230023878A1 (en) 2023-01-26
DE112020006948B4 (de) 2024-06-20
TW202144941A (zh) 2021-12-01
JP6837612B1 (ja) 2021-03-03
KR20220159485A (ko) 2022-12-02
KR102579619B1 (ko) 2023-09-15
TWI813921B (zh) 2023-09-01
DE112020006948T5 (de) 2023-02-23
CN115552345A (zh) 2022-12-30

Similar Documents

Publication Publication Date Title
WO2021240750A1 (ja) 機器状態監視装置および機器状態監視方法
RU2682195C1 (ru) Устройство диагностики неисправностей и способ диагностики неисправностей
EP3809580B1 (en) Electric vehicle, method and device for diagnosing rotary transformer initial position, and computer readable medium
D’Angelo et al. A new fault classification approach applied to Tennessee Eastman benchmark process
US11227236B2 (en) Detection of deviation from an operating state of a device
WO2020242553A1 (en) Failure prediction using gradient-based sensor identification
WO2020213062A1 (ja) モータ制御装置
KR20200005206A (ko) 기계 학습 기반의 설비 이상 분류 시스템 및 방법
CN113219934A (zh) 自动化系统中的部件的参数设定
WO2020152741A1 (ja) 異常要因推定装置、異常要因推定方法、及びプログラム
KR20180008576A (ko) 고장 진단 장치 및 고장 진단 방법
WO2020040764A1 (en) System and method for validation and correction of real-time sensor data for a plant using existing data-based models of the same plant
WO2020183539A1 (ja) 故障診断システム、予測ルール生成方法、および予測ルール生成プログラム
US20210080924A1 (en) Diagnosis Method and Diagnosis System for a Processing Engineering Plant and Training Method
US11782429B2 (en) Automatically adapting a prognostic-surveillance system to account for age-related changes in monitored assets
JP7526591B2 (ja) 音響認識システム、音響認識方法
WO2023148834A1 (ja) 機器状態監視装置および機器状態監視方法
US20220403690A1 (en) Method for determining and/or verifying a status of a door system, status determination device, system, computer program product
SE1051247A1 (sv) Fjärrdiagnostisering av fordon
CN118466438A (zh) 自动驾驶车辆的故障检测方法、装置、设备及存储介质
CN117320852A (zh) 用于运行机器的方法和系统
JP2022034349A (ja) 学習装置、推論装置、学習方法、および推論方法
CN117010463A (zh) 包括改进的rbf神经网络的处理器及提供该神经网络的方法

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2020549833

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: 20937979

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 20227040380

Country of ref document: KR

Kind code of ref document: A

122 Ep: pct application non-entry in european phase

Ref document number: 20937979

Country of ref document: EP

Kind code of ref document: A1