WO2021246053A1 - 学習装置、予測モデルの生成方法、記録媒体、状態予測装置、状態予測方法および空気圧縮機 - Google Patents

学習装置、予測モデルの生成方法、記録媒体、状態予測装置、状態予測方法および空気圧縮機 Download PDF

Info

Publication number
WO2021246053A1
WO2021246053A1 PCT/JP2021/014945 JP2021014945W WO2021246053A1 WO 2021246053 A1 WO2021246053 A1 WO 2021246053A1 JP 2021014945 W JP2021014945 W JP 2021014945W WO 2021246053 A1 WO2021246053 A1 WO 2021246053A1
Authority
WO
WIPO (PCT)
Prior art keywords
state data
state
normal
air compressor
air
Prior art date
Application number
PCT/JP2021/014945
Other languages
English (en)
French (fr)
Inventor
浩介 梅谷
Original Assignee
株式会社神戸製鋼所
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 株式会社神戸製鋼所 filed Critical 株式会社神戸製鋼所
Publication of WO2021246053A1 publication Critical patent/WO2021246053A1/ja

Links

Images

Classifications

    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B49/00—Control, e.g. of pump delivery, or pump pressure of, or safety measures for, machines, pumps, or pumping installations, not otherwise provided for, or of interest apart from, groups F04B1/00 - F04B47/00
    • F04B49/10—Other safety measures
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F04—POSITIVE - DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS FOR LIQUIDS OR ELASTIC FLUIDS
    • F04B—POSITIVE-DISPLACEMENT MACHINES FOR LIQUIDS; PUMPS
    • F04B51/00—Testing machines, pumps, or pumping installations

Definitions

  • the present invention relates to a learning device, a prediction model generation method, a recording medium, a state prediction device, a state prediction method, and an air compressor.
  • Patent Document 1 for an air compressor, actual measurement data representing the operating time from the first reference pressure to the second reference pressure for the pressure in the tank to rise from the first reference pressure is detected by a pressure sensor, and the actual measurement data and the reference are obtained. By comparing with the data, it is described that when the operating time of the measured data reaches the operating time of the reference data, it is visually or audibly notified that it is time to replace the piston ring.
  • the filter installed in the air compressor needs to be replaced in a timely manner due to deterioration over time and clogging. Therefore, it is important to properly grasp the condition of the air compressor.
  • the present invention has been made in view of the above circumstances, and an object thereof is a learning device for easily grasping the state of an air compressor, a method for generating a prediction model, a recording medium, a state prediction device, and a state. It is to provide a prediction method and an air compressor.
  • the learning device and the method for generating a prediction model according to the present invention acquire first state data and second state data representing normal states of an air compressor that sucks and compresses air, and describes the first state data. Using the variable and the second state data as the objective variable, a prediction model for predicting the second state data at the normal time is generated based on the first state data.
  • the state prediction device, the state prediction method, and the air compressor according to the present invention acquire first state data and second state data representing the states of the air compressor that sucks and compresses air, and the air compressor is in a normal state.
  • the second state data of the normal time is predicted based on the acquired first state data.
  • a value representing the difference between the acquired second state data and the predicted normal second state data is calculated.
  • the recording medium according to the present invention records the program of the method for generating the prediction model or the program of the method for predicting the state.
  • FIG. 1 is a block diagram showing a configuration example of a system 100 including a state prediction device 1, a learning device 2, and an air compressor 3 according to an embodiment.
  • the state prediction device 1, the learning device 2, and the air compressor 3 can communicate with each other via a communication network such as a LAN (Local Area Network).
  • a communication network such as a LAN (Local Area Network).
  • the state prediction device 1 includes a control unit 10.
  • the control unit 10 is a computer including a CPU (Central Processing Unit), a RAM (Random Access Memory), a ROM (Read Only Memory), a non-volatile memory, an input / output interface, and the like.
  • the CPU of the control unit 10 executes information processing according to a program loaded into the RAM from the ROM or the non-volatile memory.
  • the program may be supplied via an information recording medium (information storage medium) such as an optical disk or a memory card, or may be supplied via a communication network such as the Internet or a LAN.
  • an information recording medium information storage medium
  • a communication network such as the Internet or a LAN.
  • the learning device 2 includes a control unit 20, and the air compressor 3 includes a control unit 30.
  • the two or three selected from the state prediction device 1, the learning device 2, and the air compressor 3 may be configured as an integrated device.
  • the state prediction device 1 and the learning device 2 may be integrated, or the state prediction device 1 and the air compressor 3 may be integrated.
  • the control unit 10 of the state prediction device 1 includes a state acquisition unit 11, a normality determination unit 12, a normal prediction unit 13, a difference calculation unit 14, and a notification unit 15. These functional units are realized by the CPU of the control unit 10 executing information processing according to a program loaded from the ROM or the non-volatile memory into the RAM.
  • the control unit 20 of the learning device 2 includes a state acquisition unit 21, a normal acquisition unit 22, a normal / abnormal learning unit 23, and a normal learning unit 24. These functional units are realized by the CPU of the control unit 20 executing information processing according to a program loaded from the ROM or the non-volatile memory into the RAM.
  • FIG. 2 is a schematic diagram showing a configuration example of the air compressor 3.
  • the air compressor 3 includes a screw 42 that compresses the air sucked from the intake port 41, a main motor 43 that drives the screw 42, and an oil tank 44 that stores oil used for cooling the heat generated in the air compression process. And.
  • the air compressor 3 includes an oil cooler 45 provided in the middle of the oil passage from the oil tank 44 to the screw 42, a cooling fan 46 for cooling the oil in the oil cooler 45, and a fan for driving the cooling fan 46.
  • a motor 47 is provided.
  • the air compressor 3 has a temperature sensor 48 for detecting the temperature of the oil in the oil tank 44 and a temperature sensor for detecting the ambient temperature of the air compressor 3, that is, the temperature of the air sucked from the intake port 41. It is equipped with 49.
  • the intake port 41 is provided with a suction filter 51 and a dust filter 52 for removing foreign substances such as dust and dirt contained in the sucked air.
  • the oil tank 44 is provided with an oil separator element 53 for separating the oil sent out from the screw 42 and the compressed air.
  • Filters such as the suction filter 51, the dust filter 52, and the oil separator element 53 may cause deterioration in energy efficiency and cooling performance due to deterioration over time and clogging.
  • the control unit 30 of the air compressor 3 includes temperature detection units 31, 32, load detection units 33, 34, and a motor control unit 35. These functional units are realized by the CPU of the control unit 30 executing information processing according to a program loaded from the ROM or the non-volatile memory into the RAM.
  • the temperature detection unit 31 detects the temperature of the oil in the oil tank 44 in response to the detection signal from the temperature sensor 48 (see FIG. 2).
  • the temperature of the oil in the oil tank 44 is also the temperature of the compressed air separated from the oil in the oil tank 44 and discharged to the outside.
  • the temperature of the oil in the oil tank 44 is also referred to as “discharge temperature”.
  • the temperature detection unit 32 detects the ambient temperature of the air compressor 3 in response to the detection signal from the temperature sensor 49 (see FIG. 2).
  • the load detection unit 33 detects the load of the main motor 43 based on the current value supplied to the main motor 43 (see FIG. 2) that drives the screw 42.
  • the load detection unit 34 detects the load of the fan motor 47 based on the current value supplied to the fan motor 47 (see FIG. 2) that drives the cooling fan 46.
  • the cooling fan 46 and the fan motor 47 that drives the cooling fan 46 are also called auxiliary machines.
  • the load of the fan motor 47 is also referred to as an “auxiliary load”.
  • the motor control unit 35 controls the fan motor 47 according to the discharge temperature. More specifically, the motor control unit 35 feedback-controls the fan motor 47 so as to suppress the excess of the discharge temperature exceeding the reference temperature.
  • the discharge temperature and auxiliary load increase above normal values when the filter deteriorates over time or becomes clogged, so they are important variables in determining abnormalities.
  • the abnormality of the air compressor 3 due to the aged deterioration or clogging of the filter is determined based on the variables such as the discharge temperature and the auxiliary load, so that the air compressor 3 does not fail.
  • the purpose is to properly carry out maintenance such as filter replacement.
  • failure refers to a state in which continuous operation is not possible even though the specified usage conditions are met.
  • FIG. 3 is a diagram for explaining the learning process. In particular, it is a figure explaining data cleansing for obtaining the state data used in a learning process.
  • FIG. 4 is a diagram showing an example of a database that manages a data set used in a learning process.
  • the state data is data representing the state of the air compressor 3, and includes data such as discharge temperature, ambient temperature, main motor load, and auxiliary machine load.
  • the data set includes, in addition to the state data, a label indicating whether the state of the air compressor 3 is normal or abnormal.
  • the operating state data is extracted from the state data detected by the air compressor 3, and the stopped state data is excluded.
  • the auxiliary machine load is equal to or more than a threshold value (during operation determination threshold value)
  • the operating state data is used, and when the auxiliary machine load is less than the threshold value, the stopped state data is used.
  • the state data during normal operation is extracted, and the state data during ultra-low load is excluded.
  • a threshold value normally operation determination threshold value
  • the extracted state data during normal operation is averaged, for example, every hour.
  • the averaged state data is labeled as normal or abnormal. Labels are determined by a person, for example, based on state data.
  • the data set including the state data and the label thus obtained is used in the learning process.
  • FIG. 5 is a diagram showing an example of the procedure of the learning process.
  • the control unit 20 of the learning device 2 functions as a state acquisition unit 21, a normal acquisition unit 22, a normal / abnormal learning unit 23, and a normal learning unit 24 by executing the processes shown in the figure according to the program.
  • control unit 20 acquires the state data labeled as normal or abnormal from the database (see FIG. 4) (S11: processing as the state acquisition unit 21).
  • the state acquisition unit 21 is an example of the second acquisition unit.
  • the control unit 20 uses the state data as an explanatory variable and a label indicating a normal time or an abnormal time as an objective variable, and the prediction model 1 for predicting the normal time or the abnormal time of the air compressor 3 based on the state data.
  • S12 Processing as the normal / different learning unit 23.
  • the positive / negative learning unit 23 is an example of the second learning unit.
  • the prediction model 1 is generated so as to output a numerical value of 0 to 1, for example, the closer it is to 0, the more normal it is, and the closer it is to 1, the more abnormal it is. In this case, the output numerical value can be treated as normal or abnormal accuracy.
  • control unit 20 acquires the state data labeled as normal from the database (see FIG. 4) (S13: processing as the normal acquisition unit 22).
  • the control unit 20 uses the state data (ambient temperature, main motor load, auxiliary machine load, etc.) excluding the discharge temperature among the state data labeled as normal, as an explanatory variable, for the purpose of the discharge temperature.
  • a prediction model 2 for predicting the discharge temperature at the normal time is generated (S14: processing as the normal learning unit 24).
  • the state data (ambient temperature, main motor load, auxiliary machine load, etc.) excluding the discharge temperature is an example of the first state data
  • the discharge temperature is an example of the second state data.
  • the control unit 20 sets the state data (discharge temperature, ambient temperature, main motor load, etc.) excluding the auxiliary load among the state data labeled with the normal state as explanatory variables and the auxiliary load.
  • a prediction model 3 for predicting the auxiliary load at the normal time is generated (S15: processing as the normal learning unit 24).
  • the state data (discharge temperature, ambient temperature, main motor load, etc.) excluding the auxiliary machine load is an example of the first state data
  • the auxiliary machine load is an example of the second state data.
  • a method such as a gradient boosting tree is used to generate the prediction models 1 to 3.
  • Gradient boosting tree is a kind of ensemble learning that combines multiple decision trees (weak learners), and is a method to generate the latter decision tree so that it fits the error between the prediction result and the answer of the first decision tree.
  • machine learning such as a support vector machine, a Gaussian process, or a neural network may be used to generate the prediction models 1 to 3.
  • the lower part of FIG. 3 is a diagram for explaining the abnormality determination.
  • the same data cleansing as in the learning process is performed, and averaged state data is obtained.
  • the state data thus obtained is input to the prediction models 1 to 3.
  • FIG. 6 is a diagram showing an example of an abnormality determination procedure.
  • the control unit 10 of the state prediction device 1 functions as a state acquisition unit 11, a normality determination unit 12, a normal prediction unit 13, a difference calculation unit 14, and a notification unit 15 by executing the processes shown in the figure according to a program. ..
  • control unit 10 acquires data cleansed state data detected by the air compressor 3 (S21: processing as the state acquisition unit 11).
  • control unit 10 predicts whether the air compressor 3 is normal or abnormal based on the acquired state data by using the prediction model 1 generated in the learning process (S22: positive and negative). Processing as the determination unit 12).
  • the normality determination unit 12 is an example of the second prediction unit.
  • the prediction model 1 outputs a numerical value of 0 to 1 indicating a normal time or an abnormal time.
  • the control unit 10 uses the prediction model 2 generated in the learning process, and is based on the state data (ambient temperature, main motor load, auxiliary machine load, etc.) excluding the discharge temperature from the acquired state data.
  • the normal discharge temperature is predicted (S23: processing as the normal prediction unit 13), and the difference obtained by subtracting the predicted normal discharge temperature from the acquired discharge temperature is calculated (S24: difference calculation unit 14). Processing as).
  • the state data (ambient temperature, main motor load, auxiliary machine load, etc.) excluding the discharge temperature is an example of the first state data
  • the discharge temperature is an example of the second state data.
  • the control unit 10 uses the prediction model 3 generated in the learning process, and is based on the state data (discharge temperature, ambient temperature, main motor load, etc.) excluding the auxiliary load from the acquired state data.
  • the normal auxiliary load is predicted (S25: processing as the normal prediction unit 13), and the difference obtained by subtracting the predicted normal auxiliary load from the acquired auxiliary load is calculated (S26: difference). Processing as the calculation unit 14).
  • the state data (discharge temperature, ambient temperature, main motor load, etc.) excluding the auxiliary machine load is an example of the first state data
  • the auxiliary machine load is an example of the second state data.
  • the value calculated in S24 or S26 may be a value representing a difference, and is not limited to the difference between the acquired state data and the predicted normal state data, but is predicted to be the acquired state data. It may be a ratio with the normal state data.
  • control unit 10 performs notification processing (S27: processing as notification unit 15).
  • notification processing one or more selected from the value representing the normal or abnormal time predicted in S22, the difference in discharge temperature calculated in S24, and the difference in auxiliary load calculated in S26, are used. It is determined whether or not to notify the user.
  • FIG. 7 is a diagram schematically showing a typical example of each time change in a value representing a normal time or an abnormal time, a difference in discharge temperature, and a difference in auxiliary load.
  • the difference in the auxiliary load shows a peak before it is determined to be an abnormal time, that is, the detection sensitivity is high.
  • the difference in discharge temperature is likely to show the severity of the abnormality, although the detection sensitivity is low. Therefore, it is possible to grasp the state of the air compressor 3 from multiple aspects by appropriately combining two or three of the values representing normal or abnormal times, the difference in discharge temperature, and the difference in auxiliary load. It becomes.
  • FIG. 8 is a diagram showing a procedure example of the notification process S27.
  • the control unit 10 is in the case where the value indicating the normal state or the abnormal time is equal to or more than the threshold value (first abnormality determination threshold value) (S31: YES) and the difference in discharge temperature is also equal to or more than the threshold value (second abnormality determination threshold value). (S32: YES) to notify the user (S33).
  • the notification may be performed, for example, by display or by voice, and is not particularly limited. According to this, it is possible to quantitatively evaluate the severity of the abnormality not only from the abnormality determination but also from the difference in the discharge temperature. This example is merely an example, and the notification process S27 is not limited to this.
  • the embodiment described above it becomes easy to grasp the state of the air compressor. According to the embodiment, it is possible to efficiently predict an abnormality of the air compressor 3 due to aged deterioration or clogging of the filter, and to appropriately perform maintenance such as filter replacement.
  • the air compressor 3A may also serve as the state prediction device 1. That is, in the control unit 30 of the air compressor 3A, the state acquisition unit 11, the normality determination unit 12, the normal prediction unit 13, the difference calculation unit 14, and the notification unit 15 of the state prediction device 1 may be realized.
  • an acquisition unit for acquiring first state data and second state data representing the normal state of an air compressor that sucks and compresses air, the first state data as an explanatory variable, and the first state are described. It includes a learning unit that generates a prediction model for predicting the second state data at the normal time based on the first state data with the two state data as an objective variable.
  • the first state data and the second state data representing the normal state of the air compressor that sucks and compresses air are acquired, and the first state data is used as an explanatory variable.
  • a prediction model for predicting the second state data at the normal time is generated based on the first state data.
  • Another aspect of the recording medium is a computer-readable recording medium, which is an acquisition step of acquiring first state data and second state data representing the normal state of an air compressor that sucks and compresses air. And a computer that uses the first state data as an explanatory variable and the second state data as an objective variable to generate a prediction model for predicting the second state data in a normal state based on the first state data. It is a record of the program to be executed by the computer.
  • the state prediction device of the other aspect includes an acquisition unit that acquires first state data and second state data representing the state of the air compressor that sucks and compresses air, and the first state of the air compressor in a normal state. Using a prediction model generated in advance with the data as the explanatory variable and the second state data in the normal state as the objective variable, the prediction unit that predicts the second state data in the normal state based on the acquired first state data, and the above. It is provided with a calculation unit for calculating a value representing the difference between the acquired second state data and the predicted normal second state data.
  • the first state data and the second state data representing the states of the air compressor that sucks and compresses air are acquired, and the first state data at the normal time of the air compressor is described.
  • the second state data at the normal time is predicted based on the acquired first state data, and the acquired second state is predicted.
  • a value representing the difference between the data and the predicted normal second state data is calculated.
  • Another aspect of the recording medium is a computer-readable recording medium, the acquisition step of acquiring first state data and second state data representing the state of an air compressor that sucks and compresses air, and the above-mentioned.
  • the second state data of the normal time is used based on the acquired first state data.
  • the temperature of the screw that compresses the air sucked from the intake port, the main motor that drives the screw, and the oil used to cool the heat generated in the air compression process is detected.
  • the oil temperature detection unit, the cooling fan for cooling the oil, the fan motor that drives the cooling fan, the control unit that controls the fan motor according to the temperature of the oil, and the load of the fan motor are detected.
  • the prediction unit that predicts the second state data in the normal time based on the acquired first state data, and the acquired second state data.
  • a calculation unit for calculating a value representing the difference between the state data and the predicted normal second state data is provided.
  • a learning device a method for generating a prediction model, a recording medium, a state prediction device, a state prediction method, and an air compressor can be provided.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Control Of Positive-Displacement Pumps (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本発明の学習装置および予測モデルの生成方法は、空気を吸込み、圧縮する空気圧縮機の正常時の状態を表す第１状態データおよび第２状態データを取得し、前記第１状態データを説明変数、前記第２状態データを目的変数として、第１状態データに基づき正常時の第２状態データを予測するための予測モデルを生成する。

Description

学習装置、予測モデルの生成方法、記録媒体、状態予測装置、状態予測方法および空気圧縮機
　本発明は、学習装置、予測モデルの生成方法、記録媒体、状態予測装置、状態予測方法および空気圧縮機に関する。
　特許文献１には、空気圧縮機について、圧力センサによりタンク内の圧力が第１の基準圧力から第２の基準圧力に上昇するまでの運転時間を表す実測データを検出し、この実測データと基準データとを比較することによって、実測データの運転時間が基準データの運転時間に達した場合に、ピストンリング交換時期であることを視覚的あるいは聴覚的に報知することが記載されている。
　ところで、空気圧縮機に設けられたフィルタは、経年的な劣化や目詰まり等のため、適時に交換する必要がある。そのため、空気圧縮機の状態を適切に把握することが重要である。
特開２００８－２８０８５３号公報
　本発明は、上述の事情に鑑みて為された発明であり、その目的は、空気圧縮機の状態を把握することが容易な学習装置、予測モデルの生成方法、記録媒体、状態予測装置、状態予測方法および空気圧縮機を提供することである。
　本発明にかかる学習装置および予測モデルの生成方法は、空気を吸込み、圧縮する空気圧縮機の正常時の状態を表す第１状態データおよび第２状態データを取得し、前記第１状態データを説明変数、前記第２状態データを目的変数として、第１状態データに基づき正常時の第２状態データを予測するための予測モデルを生成する。本発明にかかる状態予測装置、状態予測方法および空気圧縮機は、空気を吸込み、圧縮する空気圧縮機の状態を表す第１状態データおよび第２状態データを取得し、前記空気圧縮機の正常時の第１状態データを説明変数、正常時の第２状態データを目的変数として予め生成された予測モデルを用い、前記取得された第１状態データに基づき正常時の第２状態データを予測し、前記取得された第２状態データと前記予測された正常時の第２状態データとの差を表す値を算出する。本発明にかかる記録媒体は、前記予測モデルの生成方法のプログラムまたは前記状態予測方法のプログラムを記録する。
　上記並びにその他の本発明の目的、特徴および利点は、以下の詳細な記載と添付図面から明らかになるであろう。
システムの構成例を示す図である。 空気圧縮機の構成例を示す図である。 学習工程および異常判定を説明するための図である。 データセットの例を示す図である。 学習工程の手順例を示す図である。 異常判定の手順例を示す図である。 予測結果の時間変化例を示す図である。 報知処理の手順例を示す図である。 空気圧縮機の変形例を示す図である。
　以下、図面を参照して、本発明の１または複数の実施形態が説明される。しかしながら、発明の範囲は、開示された実施形態に限定されない。なお、各図において同一の符号を付した構成は、同一の構成であることを示し、適宜、その説明を省略する。本明細書において、総称する場合には添え字を省略した参照符号で示し、個別の構成を指す場合には添え字を付した参照符号で示す。
［システム概要］
　図１は、実施形態における状態予測装置１、学習装置２および空気圧縮機３を含むシステム１００の構成例を示すブロック図である。状態予測装置１、学習装置２および空気圧縮機３は、例えばＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）等の通信ネットワークを介して相互にネットワーク通信が可能である。
　状態予測装置１は、制御部１０を備える。制御部１０は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、不揮発性メモリおよび入出力インターフェース等を含むコンピュータである。制御部１０のＣＰＵは、ＲＯＭまたは不揮発性メモリからＲＡＭにロードされたプログラムに従って情報処理を実行する。
　プログラムは、例えば光ディスクまたはメモリカード等の情報記録媒体（情報記憶媒体）を介して供給されてもよいし、例えばインターネットまたはＬＡＮ等の通信ネットワークを介して供給されてもよい。
　状態予測装置１と同様に、学習装置２は、制御部２０を備えており、空気圧縮機３は、制御部３０を備える。
　なお、状態予測装置１、学習装置２および空気圧縮機３から選択される２または３つは、一体の装置として構成されてもよい。例えば、状態予測装置１と学習装置２が一体の装置とされてもよいし、状態予測装置１と空気圧縮機３が一体の装置とされてもよい。
　状態予測装置１の制御部１０は、状態取得部１１、正異判定部１２、正常予測部１３、差分算出部１４および報知部１５を備えている。これらの機能部は、制御部１０のＣＰＵがＲＯＭまたは不揮発性メモリからＲＡＭにロードされたプログラムに従って情報処理を実行することによって実現される。
　学習装置２の制御部２０は、状態取得部２１、正常取得部２２、正異学習部２３および正常学習部２４を備えている。これらの機能部は、制御部２０のＣＰＵがＲＯＭまたは不揮発性メモリからＲＡＭにロードされたプログラムに従って情報処理を実行することによって実現される。
　図２は、空気圧縮機３の構成例を示す模式図である。空気圧縮機３は、吸気口４１から吸込んだ空気を圧縮するスクリュー４２と、スクリュー４２を駆動するメインモータ４３と、空気の圧縮過程で生じた熱の冷却に利用されたオイルを溜めるオイルタンク４４とを備える。
　空気圧縮機３は、オイルタンク４４からスクリュー４２への油路の途中に設けられたオイルクーラ４５と、オイルクーラ４５内のオイルを冷却するための冷却ファン４６と、冷却ファン４６を駆動するファンモータ４７とを備える。
　空気圧縮機３は、オイルタンク４４内のオイルの温度を検出するための温度センサ４８と、空気圧縮機３の周囲温度、すなわち吸気口４１から吸込まれる空気の温度を検出するための温度センサ４９とを備える。
　吸気口４１には、吸込む空気に含まれる塵や埃などの異物を取り除くための吸込フィルタ５１およびダストフィルタ５２が設けられる。
　オイルタンク４４には、スクリュー４２から送り出されたオイルと圧縮空気とを分離するためのオイルセパレータエレメント５３が設けられる。
　吸込フィルタ５１、ダストフィルタ５２およびオイルセパレータエレメント５３等のフィルタは、経年的な劣化や目詰まりによって、エネルギー効率や冷却性能の低下を引き起こす可能性がある。
　図１の説明に戻る。空気圧縮機３の制御部３０は、温度検出部３１、３２、負荷検出部３３、３４およびモータ制御部３５を備えている。これらの機能部は、制御部３０のＣＰＵがＲＯＭまたは不揮発性メモリからＲＡＭにロードされたプログラムに従って情報処理を実行することによって実現される。
　温度検出部３１は、温度センサ４８（図２参照）からの検出信号に応じて、オイルタンク４４内のオイルの温度を検出する。オイルタンク４４内のオイルの温度は、オイルタンク４４内でオイルと分離されて外部に吐出される圧縮空気の温度でもある。以下、オイルタンク４４内のオイルの温度を「吐出温度」ともいう。
　温度検出部３２は、温度センサ４９（図２参照）からの検出信号に応じて、空気圧縮機３の周囲温度を検出する。
　負荷検出部３３は、スクリュー４２を駆動するメインモータ４３（図２参照）に供給される電流値に基づいて、メインモータ４３の負荷を検出する。
　負荷検出部３４は、冷却ファン４６を駆動するファンモータ４７（図２参照）に供給される電流値に基づいて、ファンモータ４７の負荷を検出する。冷却ファン４６およびそれを駆動するファンモータ４７は、補機とも呼ばれる。以下、ファンモータ４７の負荷を「補機負荷」ともいう。
　モータ制御部３５は、吐出温度に応じてファンモータ４７を制御する。より具体的には、モータ制御部３５は、吐出温度が基準温度を超過した超過分を抑制するように、ファンモータ４７をフィードバック制御する。
　吐出温度および補機負荷は、フィルタの経年的な劣化や目詰まりが生じると、通常の値よりも上昇するため、異常を判定する上で重要な変数となる。
　本実施形態では、フィルタの経年的な劣化や目詰まりに起因する空気圧縮機３の異常を吐出温度および補機負荷等の変数に基づいて判定することで、空気圧縮機３が故障に至る前にフィルタ交換などのメンテナンスを適切に実施することを目的としている。
　ここで、故障とは、定められた使用条件を満たすにも関わらず継続的な稼働ができなくなる状態を指す。
［学習工程］
　以下、学習装置２において実現される、実施形態にかかる予測モデルの生成方法としての学習工程について説明する。
　図３の上段は、学習工程を説明するための図である。特には、学習工程に用いられる状態データを得るためのデータクレンジングを説明する図である。図４は、学習工程に用いられるデータセットを管理するデータベースの例を示す図である。
　状態データは、空気圧縮機３の状態を表すデータであり、吐出温度、周囲温度、メインモータ負荷および補機負荷等のデータを含んでいる。データセットは、状態データに加えて、空気圧縮機３の状態が正常時であるかまたは異常時であるかを表すラベルを含む。
　まず、空気圧縮機３において検出される状態データから、運転中の状態データが抽出され、停止中の状態データが除外される。ここでは、例えば補機負荷が閾値（運転中判定閾値）以上である場合に運転中の状態データとされ、補機負荷が前記閾値未満である場合に停止中の状態データとされる。
　次に、抽出された運転中の状態データから、通常運転時の状態データが抽出され、超低負荷時の状態データが除外される。ここでは、例えば吐出温度が閾値（通常運転判定閾値）以上である場合に通常運転時の状態データとされ、吐出温度が前記閾値未満である場合に超低負荷時の状態データとされる。
　次に、抽出された通常運転時の状態データが例えば１時間毎に平均される。平均された状態データには、正常時または異常時を表すラベルが付される。ラベルは、例えば状態データに基づいて人によって判断される。このように得られた状態データおよびラベルを含むデータセットが、学習工程に用いられる。
　図５は、学習工程の手順例を示す図である。学習装置２の制御部２０は、プログラムに従って同図に示す処理を実行することにより、状態取得部２１、正常取得部２２、正異学習部２３および正常学習部２４として機能する。
　まず、制御部２０は、正常時または異常時を表すラベルが付された状態データを、データベース（図４参照）から取得する（Ｓ１１：状態取得部２１としての処理）。状態取得部２１は、第２取得部の例である。
　次に、制御部２０は、状態データを説明変数、正常時または異常時を表すラベルを目的変数として、状態データに基づいて空気圧縮機３の正常時または異常時を予測するための予測モデル１を生成する（Ｓ１２：正異学習部２３としての処理）。正異学習部２３は、第２学習部の例である。予測モデル１は、例えば０に近いほど正常を表し、１に近いほど異常を表す０～１の数値を出力するように生成される。この場合、出力される数値を、正常または異常の確度として扱うことができる。
　次に、制御部２０は、正常時を表すラベルが付された状態データを、データベース（図４参照）から取得する（Ｓ１３：正常取得部２２としての処理）。
　次に、制御部２０は、正常時を表すラベルが付された状態データのうち、吐出温度を除く状態データ（周囲温度、メインモータ負荷、および補機負荷等）を説明変数、吐出温度を目的変数として、正常時の吐出温度を予測するための予測モデル２を生成する（Ｓ１４：正常学習部２４としての処理）。ここでは、吐出温度を除く状態データ（周囲温度、メインモータ負荷、および補機負荷等）が第１状態データの例であり、吐出温度が第２状態データの例である。
　次に、制御部２０は、正常時を表すラベルが付された状態データのうち、補機負荷を除く状態データ（吐出温度、周囲温度、およびメインモータ負荷等）を説明変数、補機負荷を目的変数として、正常時の補機負荷を予測するための予測モデル３を生成する（Ｓ１５：正常学習部２４としての処理）。ここでは、補機負荷を除く状態データ（吐出温度、周囲温度、およびメインモータ負荷等）が第１状態データの例であり、補機負荷が第２状態データの例である。
　予測モデル１～３の生成には、例えば勾配ブースティング木等の手法が用いられる。勾配ブースティング木は、複数の決定木（弱学習器）を組み合わせるアンサンブル学習の一種であり、前段の決定木の予測結果と答えとの誤差に当てはまるように後段の決定木を生成する手法である。これに限らず、予測モデル１～３の生成には、サポートベクタマシン、ガウス過程またはニューラルネットワーク等の機械学習が用いられてもよい。
［異常判定］
　以下、状態予測装置１において実現される、実施形態にかかる状態予測方法としての異常判定について説明する。
　図３の下段は、異常判定を説明するための図である。異常判定においても、学習工程と同様のデータクレンジングが実施され、平均された状態データが得られる。このように得られた状態データが、予測モデル１～３に入力される。
　図６は、異常判定の手順例を示す図である。状態予測装置１の制御部１０は、プログラムに従って同図に示す処理を実行することで、状態取得部１１、正異判定部１２、正常予測部１３、差分算出部１４および報知部１５として機能する。
　まず、制御部１０は、空気圧縮機３において検出され、データクレンジングされた状態データを取得する（Ｓ２１：状態取得部１１としての処理）。
　次に、制御部１０は、学習工程で生成された予測モデル１を用い、取得された状態データに基づいて空気圧縮機３が正常時であるか異常時であるか予測する（Ｓ２２：正異判定部１２としての処理）。正異判定部１２は、第２予測部の例である。予測モデル１は、正常時または異常時を表す０～１の数値を出力する。
　次に、制御部１０は、学習工程で生成された予測モデル２を用い、取得された状態データのうちの吐出温度を除く状態データ（周囲温度、メインモータ負荷、および補機負荷等）に基づいて正常時の吐出温度を予測するとともに（Ｓ２３：正常予測部１３としての処理）、取得された吐出温度から予測された正常時の吐出温度を引いた差分を算出する（Ｓ２４：差分算出部１４としての処理）。ここでは、吐出温度を除く状態データ（周囲温度、メインモータ負荷、および補機負荷等）が第１状態データの例であり、吐出温度が第２状態データの例である。
　次に、制御部１０は、学習工程で生成された予測モデル３を用い、取得された状態データのうちの補機負荷を除く状態データ（吐出温度、周囲温度、およびメインモータ負荷等）に基づいて正常時の補機負荷を予測するとともに（Ｓ２５：正常予測部１３としての処理）、取得された補機負荷から予測された正常時の補機負荷を引いた差分を算出する（Ｓ２６：差分算出部１４としての処理）。ここでは、補機負荷を除く状態データ（吐出温度、周囲温度、およびメインモータ負荷等）が第１状態データの例であり、補機負荷が第２状態データの例である。
　なお、Ｓ２４またはＳ２６で算出される値は、差を表す値であればよく、取得された状態データと予測された正常時の状態データとの差分に限らず、取得された状態データと予測された正常時の状態データとの比率であってもよい。
　次に、制御部１０は、報知処理を行う（Ｓ２７：報知部１５としての処理）。報知処理では、Ｓ２２で予測された正常時または異常時を表す値、Ｓ２４で算出された吐出温度の差分、およびＳ２６で算出された補機負荷の差分から選択される１または複数に基づいて、ユーザに報知すべきか否かが判定される。
　図７は、正常時または異常時を表す値、吐出温度の差分および補機負荷の差分における各時間変化の典型的な例を模式的に示す図である。同図に示すように、補機負荷の差分は、異常時と判定される前にピークが現れる、すなわち、検知感度が高いことが分かった。一方、吐出温度の差分は、検知感度は、低いものの、異常の深刻度が現れやすいことが分かった。そこで、正常時または異常時を表す値、吐出温度の差分および補機負荷の差分のうちの２つまたは３つを適宜組み合わせることによって、空気圧縮機３の状態を多面的に把握することが可能となる。
　図８は、報知処理Ｓ２７の手順例を示す図である。制御部１０は、正常時または異常時を表す値が閾値（第１異常判定閾値）以上であり（Ｓ３１：ＹＥＳ）、かつ吐出温度の差分も閾値（第２異常判定閾値）以上である場合に（Ｓ３２：ＹＥＳ）、ユーザへ報知する（Ｓ３３）。前記報知は、例えば表示によって実施されてもよいし、音声によって実施されてもよく、特に限定されない。これによれば、異常判定だけでなく、吐出温度の差分から異常の深刻度を定量的に評価することが可能となる。本例は、あくまでも一例であり、報知処理Ｓ２７は、これに限られない。
　以上に説明した実施形態によれば、空気圧縮機の状態を把握することが容易となる。実施形態によれば、フィルタの経年的な劣化や目詰まりに起因する空気圧縮機３の異常を効率的に予測し、フィルタ交換などのメンテナンスを適切に実施することが可能となる。
　以上、本発明の実施形態について説明したが、本発明は以上に説明した実施形態に限定されるものではなく、種々の変更が当業者にとって可能であることはもちろんである。
　例えば図９に示すように、空気圧縮機３Ａが状態予測装置１を兼ねてもよい。すなわち、空気圧縮機３Ａの制御部３０において、状態予測装置１の状態取得部１１、正異判定部１２、正常予測部１３、差分算出部１４、および報知部１５が実現されてもよい。
　本明細書は、上記のように様々な態様の技術を開示しているが、そのうち主な技術を以下に纏める。
　一態様の学習装置は、空気を吸込み、圧縮する空気圧縮機の正常時の状態を表す第１状態データおよび第２状態データを取得する取得部と、前記第１状態データを説明変数、前記第２状態データを目的変数として、第１状態データに基づき正常時の第２状態データを予測するための予測モデルを生成する学習部と、を備える。
　他の一態様の予測モデルの生成方法は、空気を吸込み、圧縮する空気圧縮機の正常時の状態を表す第１状態データおよび第２状態データを取得し、前記第１状態データを説明変数、前記第２状態データを目的変数として、第１状態データに基づき正常時の第２状態データを予測するための予測モデルを生成する。
　他の一態様の記録媒体は、コンピュータに読み取り可能な記録媒体であって、空気を吸込み、圧縮する空気圧縮機の正常時の状態を表す第１状態データおよび第２状態データを取得する取得工程と、前記第１状態データを説明変数、前記第２状態データを目的変数として、第１状態データに基づき正常時の第２状態データを予測するための予測モデルを生成する生成工程と、をコンピュータに実行させるプログラムを記録したものである。
　他の一態様の状態予測装置は、空気を吸込み、圧縮する空気圧縮機の状態を表す第１状態データおよび第２状態データを取得する取得部と、前記空気圧縮機の正常時の第１状態データを説明変数、正常時の第２状態データを目的変数として予め生成された予測モデルを用い、前記取得された第１状態データに基づき正常時の第２状態データを予測する予測部と、前記取得された第２状態データと前記予測された正常時の第２状態データとの差を表す値を算出する算出部と、を備える。
　他の一態様の状態予測方法は、空気を吸込み、圧縮する空気圧縮機の状態を表す第１状態データおよび第２状態データを取得し、前記空気圧縮機の正常時の第１状態データを説明変数、正常時の第２状態データを目的変数として予め生成された予測モデルを用い、前記取得された第１状態データに基づき正常時の第２状態データを予測し、前記取得された第２状態データと前記予測された正常時の第２状態データとの差を表す値を算出する。
　他の一態様の記録媒体は、コンピュータに読み取り可能な記録媒体であって、空気を吸込み、圧縮する空気圧縮機の状態を表す第１状態データおよび第２状態データを取得する取得工程と、前記空気圧縮機の正常時の第１状態データを説明変数、正常時の第２状態データを目的変数として予め生成された予測モデルを用い、前記取得された第１状態データに基づき正常時の第２状態データを予測する予測工程と、前記取得された第２状態データと前記予測された正常時の第２状態データとの差を表す値を算出する算出工程と、をコンピュータに実行させるためのプログラムを記録したものである。
　他の一態様の空気圧縮機は、吸気口から吸込んだ空気を圧縮するスクリューと、前記スクリューを駆動するメインモータと、空気の圧縮過程で生じた熱の冷却に利用されたオイルの温度を検出するオイル温度検出部と、オイルを冷却するための冷却ファンと、前記冷却ファンを駆動するファンモータと、オイルの温度に応じて前記ファンモータを制御する制御部と、前記ファンモータの負荷を検出するファンモータ負荷検出部と、前記オイルの温度および前記ファンモータの負荷の一方を第１状態データ、他方を第２状態データとして取得する取得部と、正常時の第１状態データを説明変数、正常時の第２状態データを目的変数として予め生成された予測モデルを用い、前記取得された第１状態データに基づき正常時の第２状態データを予測する予測部と、前記取得された第２状態データと前記予測された正常時の第２状態データとの差を表す値を算出する算出部と、を備える。
　この出願は、２０２０年６月４日に出願された日本国特許出願特願２０２０－９７３５５を基礎とするものであり、その内容は、本願に含まれるものである。
　本発明を表現するために、上述において図面を参照しながら実施形態を通して本発明を適切且つ十分に説明したが、当業者であれば上述の実施形態を変更および／または改良することは容易に為し得ることであると認識すべきである。したがって、当業者が実施する変更形態または改良形態が、請求の範囲に記載された請求項の権利範囲を離脱するレベルのものでない限り、当該変更形態または当該改良形態は、当該請求項の権利範囲に包括されると解釈される。
　本発明によれば、学習装置、予測モデルの生成方法、記録媒体、状態予測装置、状態予測方法および空気圧縮機が提供できる。

Claims (15)

  1. 　空気を吸込み、圧縮する空気圧縮機の正常時の状態を表す第１状態データおよび第２状態データを取得する取得部と、
    　前記第１状態データを説明変数、前記第２状態データを目的変数として、第１状態データに基づき正常時の第２状態データを予測するための予測モデルを生成する学習部と、を備える、
    　学習装置。
  2. 　前記第１状態データは、空気の圧縮過程で生じた熱の冷却に利用されたオイルの温度、および、オイルの温度に応じて制御される、オイルを冷却するための冷却ファンを駆動するファンモータの負荷、のうちの一方を少なくとも含み、
    　前記第２状態データは、前記オイルの温度および前記ファンモータの負荷のうちの他方を含む、
    　請求項１に記載の学習装置。
  3. 　前記第１状態データは、前記空気圧縮機に吸い込まれる空気の温度、および、空気を圧縮するスクリューを駆動するメインモータの負荷をさらに含む、
    　請求項２に記載の学習装置。
  4. 　前記空気圧縮機の正常時または異常時の状態を表す前記第１状態データおよび前記第２状態データを取得する第２取得部と、
    　前記第１状態データおよび前記第２状態データを説明変数、正常時または異常時を表すラベルを目的変数として、第１状態データおよび第２状態データに基づいて前記空気圧縮機の正常時または異常時を予測するための予測モデルを生成する第２学習部と、をさらに備える、
    　請求項１に記載の学習装置。
  5. 　空気を吸込み、圧縮する空気圧縮機の正常時の状態を表す第１状態データおよび第２状態データを取得する取得工程と、
    　前記第１状態データを説明変数、前記第２状態データを目的変数として、第１状態データに基づき正常時の第２状態データを予測するための予測モデルを生成する生成工程と、を備える、
    　予測モデルの生成方法。
  6. 　コンピュータに読み取り可能な記録媒体であって、
    　空気を吸込み、圧縮する空気圧縮機の正常時の状態を表す第１状態データおよび第２状態データを取得する取得工程と、
    　前記第１状態データを説明変数、前記第２状態データを目的変数として、第１状態データに基づき正常時の第２状態データを予測するための予測モデルを生成する生成工程と、をコンピュータに実行させるプログラムを記録した記録媒体。
  7. 　空気を吸込み、圧縮する空気圧縮機の状態を表す第１状態データおよび第２状態データを取得する取得部と、
    　前記空気圧縮機の正常時の第１状態データを説明変数、正常時の第２状態データを目的変数として予め生成された予測モデルを用い、前記取得された第１状態データに基づき正常時の第２状態データを予測する予測部と、
    　前記取得された第２状態データと前記予測された正常時の第２状態データとの差を表す値を算出する算出部と、を備える、
    　状態予測装置。
  8. 　前記第１状態データは、空気の圧縮過程で生じた熱の冷却に利用されたオイルの温度、および、オイルの温度に応じて制御される、オイルを冷却するための冷却ファンを駆動するファンモータの負荷、のうちの一方を少なくとも含み、
    　前記第２状態データは、前記オイルの温度および前記ファンモータの負荷のうちの他方を含む、
    　請求項７に記載の状態予測装置。
  9. 　前記第１状態データは、前記空気圧縮機に吸い込まれる空気の温度、および、空気を圧縮するスクリューを駆動するメインモータの負荷をさらに含む、
    　請求項８に記載の状態予測装置。
  10. 　前記空気圧縮機の正常時または異常時の第１状態データおよび第２状態データを説明変数、正常時または異常時を表すラベルを目的変数として予め生成された予測モデルを用い、前記取得された第１状態データおよび第２状態データに基づいて前記空気圧縮機の正常時または異常時を予測する第２予測部をさらに備える、
    　請求項７に記載の状態予測装置。
  11. 　前記算出部により算出された値が所定値以上であり、かつ、前記第２予測部により異常時が予測された場合に、ユーザに報知する報知部をさらに備える、
    　請求項１０に記載の状態予測装置。
  12. 　空気を吸込み、圧縮する空気圧縮機の状態を表す第１状態データおよび第２状態データを取得する取得工程と、
    　前記空気圧縮機の正常時の第１状態データを説明変数、正常時の第２状態データを目的変数として予め生成された予測モデルを用い、前記取得された第１状態データに基づき正常時の第２状態データを予測する予測工程と、
    　前記取得された第２状態データと前記予測された正常時の第２状態データとの差を表す値を算出する算出工程とを備える、
    　状態予測方法。
  13. 　コンピュータに読み取り可能な記録媒体であって、
    　空気を吸込み、圧縮する空気圧縮機の状態を表す第１状態データおよび第２状態データを取得する取得工程と、
    　前記空気圧縮機の正常時の第１状態データを説明変数、正常時の第２状態データを目的変数として予め生成された予測モデルを用い、前記取得された第１状態データに基づき正常時の第２状態データを予測する予測工程と、
    　前記取得された第２状態データと前記予測された正常時の第２状態データとの差を表す値を算出する算出工程と、をコンピュータに実行させるためのプログラムを記録した記録媒体。
  14. 　吸気口から吸込んだ空気を圧縮するスクリューと、
    　前記スクリューを駆動するメインモータと、
    　空気の圧縮過程で生じた熱の冷却に利用されたオイルの温度を検出するオイル温度検出部と、
    　オイルを冷却するための冷却ファンと、
    　前記冷却ファンを駆動するファンモータと、
    　オイルの温度に応じて前記ファンモータを制御するモータ制御部と、
    　前記ファンモータの負荷を検出するファンモータ負荷検出部と、
    　前記オイルの温度および前記ファンモータの負荷の一方を第１状態データ、他方を第２状態データとして取得する取得部と、
    　正常時の第１状態データを説明変数、正常時の第２状態データを目的変数として予め生成された予測モデルを用い、前記取得された第１状態データに基づき正常時の第２状態データを予測する予測部と、
    　前記取得された第２状態データと前記予測された正常時の第２状態データとの差を表す値を算出する算出部と、を備える、
    　空気圧縮機。
  15. 　外部の空気の温度を検出する外部空気温度検出部と、
    　前記メインモータの負荷を検出するメインモータ負荷検出部と、をさらに備え、
    　前記第１状態データは、前記外部の空気の温度および前記メインモータの負荷をさらに含む、
    　請求項１４に記載の空気圧縮機。
PCT/JP2021/014945 2020-06-04 2021-04-08 学習装置、予測モデルの生成方法、記録媒体、状態予測装置、状態予測方法および空気圧縮機 WO2021246053A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-097355 2020-06-04
JP2020097355A JP7420651B2 (ja) 2020-06-04 2020-06-04 学習装置、予測モデルの生成方法、プログラム、状態予測装置、状態予測方法、及び空気圧縮機

Publications (1)

Publication Number Publication Date
WO2021246053A1 true WO2021246053A1 (ja) 2021-12-09

Family

ID=78830373

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/014945 WO2021246053A1 (ja) 2020-06-04 2021-04-08 学習装置、予測モデルの生成方法、記録媒体、状態予測装置、状態予測方法および空気圧縮機

Country Status (2)

Country Link
JP (1) JP7420651B2 (ja)
WO (1) WO2021246053A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114442583A (zh) * 2022-04-11 2022-05-06 蘑菇物联技术（深圳）有限公司 用于对多个被控设备进行控制方法、设备和介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011220295A (ja) * 2010-04-14 2011-11-04 Kobe Steel Ltd 圧縮機
JP2018088179A (ja) * 2016-11-29 2018-06-07 ファナック株式会社 ファンの故障予測を学習する機械学習器、機械学習器を含む装置および機械学習方法
JP2020062650A (ja) * 2018-10-16 2020-04-23 アイダエンジニアリング株式会社 プレス機械及びプレス機械の異常監視方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4973857B2 (ja) * 2007-05-08 2012-07-11 日立工機株式会社 空気圧縮機

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011220295A (ja) * 2010-04-14 2011-11-04 Kobe Steel Ltd 圧縮機
JP2018088179A (ja) * 2016-11-29 2018-06-07 ファナック株式会社 ファンの故障予測を学習する機械学習器、機械学習器を含む装置および機械学習方法
JP2020062650A (ja) * 2018-10-16 2020-04-23 アイダエンジニアリング株式会社 プレス機械及びプレス機械の異常監視方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114442583A (zh) * 2022-04-11 2022-05-06 蘑菇物联技术（深圳）有限公司 用于对多个被控设备进行控制方法、设备和介质
CN114442583B (zh) * 2022-04-11 2022-06-03 蘑菇物联技术（深圳）有限公司 用于对多个被控设备进行控制方法、设备和介质

Also Published As

Publication number Publication date
JP7420651B2 (ja) 2024-01-23
JP2021188596A (ja) 2021-12-13

Similar Documents

Publication Publication Date Title
KR102373787B1 (ko) 고장 예측 시스템의 고장 유형 빅데이터를 이용한 기계설비의 잠재적 고장 예측 방법
US7536371B2 (en) Apparatus and method for the analysis of a process having parameter-based faults
KR101948604B1 (ko) 센서 군집화 기반의 설비 건강 모니터링 방법 및 장치
WO2021246053A1 (ja) 学習装置、予測モデルの生成方法、記録媒体、状態予測装置、状態予測方法および空気圧縮機
CN111879534B (zh) 一种城轨车辆制动系统的性能检测方法、系统以及设备
CN116596322A (zh) 一种基于大数据可视化的物业设备管理方法及系统
ITCO20090068A1 (it) Metodo e sistema per diagnosticare compressori
JP4056032B2 (ja) プラント機器管理装置
CN115795922A (zh) 一种基于设备健康度的设备运行管理方法、系统及介质
JP2010243092A (ja) 冷凍機の劣化検出方法およびシステム
CN117331790A (zh) 一种用于数据中心的机房故障检测方法及装置
CN111652393A (zh) 基于大数据技术的电力设备异常预警方法
KR20230116884A (ko) 기술 시스템의 잔여 서비스 수명을 결정하는 방법 및장치
CN117010601B (zh) 数据处理方法、装置、计算机设备及计算机可读存储介质
CN117879168A (zh) 一种基于多模态融合的火电站实时预警系统
CN117435883A (zh) 一种基于数字孪生的设备故障预测的方法和系统
CN116702920A (zh) 提供电力转换器状况监测的机器学习模型的方法
KR102470804B1 (ko) 회전기계의 결함을 종합적으로 진단하는 방법 및 시스템
KR102649453B1 (ko) 회전기계의 결함을 진단하는 방법 및 시스템
CN114548236A (zh) 一种生产条件监控方法与系统
JP2014235603A (ja) プラント監視装置、プラント監視方法及びプラント監視プログラム
Chen et al. Autoclave Molding Artificial Intelligence (AI) Method and Apparatus System of Composite Materials for Aerospace Applications
CN118224156B (zh) 液压系统异常监测方法及系统
WO2024212410A1 (zh) 一种电池电芯异常判定方法、系统、处理设备及存储介质
WO2024048428A1 (ja) 予兆検知システム及び予兆検知方法

Legal Events

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

Ref document number: 21818302

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21818302

Country of ref document: EP

Kind code of ref document: A1