WO2022219820A1 - エレベーターのモータの異常検出システム - Google Patents

エレベーターのモータの異常検出システム Download PDF

Info

Publication number
WO2022219820A1
WO2022219820A1 PCT/JP2021/015764 JP2021015764W WO2022219820A1 WO 2022219820 A1 WO2022219820 A1 WO 2022219820A1 JP 2021015764 W JP2021015764 W JP 2021015764W WO 2022219820 A1 WO2022219820 A1 WO 2022219820A1
Authority
WO
WIPO (PCT)
Prior art keywords
premise
data
measurement data
detection system
group
Prior art date
Application number
PCT/JP2021/015764
Other languages
English (en)
French (fr)
Inventor
典宏 長徳
武 藤田
圭 後藤
恒次 阪田
秀昇 子安
諭 志賀
史郎 古谷
Original Assignee
三菱電機ビルソリューションズ株式会社
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 三菱電機ビルソリューションズ株式会社, 三菱電機株式会社 filed Critical 三菱電機ビルソリューションズ株式会社
Priority to JP2023514313A priority Critical patent/JPWO2022219820A1/ja
Priority to PCT/JP2021/015764 priority patent/WO2022219820A1/ja
Publication of WO2022219820A1 publication Critical patent/WO2022219820A1/ja

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B11/00—Main component parts of lifts in, or associated with, buildings or other structures
    • B66B11/04—Driving gear ; Details thereof, e.g. seals
    • B66B11/08—Driving gear ; Details thereof, e.g. seals with hoisting rope or cable operated by frictional engagement with a winding drum or sheave
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B13/00—Doors, gates, or other apparatus controlling access to, or exit from, cages or lift well landings
    • B66B13/02—Door or gate operation
    • B66B13/14—Control systems or devices
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B66—HOISTING; LIFTING; HAULING
    • B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
    • B66B3/00—Applications of devices for indicating or signalling operating conditions of elevators

Definitions

  • the present disclosure relates to an abnormality detection system for elevator motors.
  • Patent Document 1 discloses an example of an elevator abnormality detection system.
  • grouping is done based on type, such as elevator doors.
  • the anomaly detection system detects an anomaly such as a door based on the degree of deviation from the group's standard state values.
  • the present disclosure relates to solving such problems.
  • the present disclosure provides an anomaly detection system capable of constructing a learning model for determining an anomaly of an elevator motor with higher accuracy even for operations with less data measured on the same premise.
  • An elevator motor abnormality detection system obtains a plurality of measurement data for each operation acquired when an elevator motor operates, with known information before each of the plurality of measurement data is acquired.
  • a classifying unit that classifies certain premise data into a plurality of premise groups; and for each of the plurality of premise groups, a feature amount of the premise group based on measurement data classified into the premise group among the plurality of measurement data.
  • an integrating unit that integrates at least one of the plurality of premise groups into an integrated group based on the feature amount computed by the computing unit; and classifies the plurality of measurement data into the integrated group.
  • a learning unit that constructs a learning model for determining an abnormality of the motor of the elevator based on the obtained measurement data.
  • the anomaly detection system it is possible to build a learning model for determining an elevator motor anomaly with higher accuracy, even for operations with less data measured under the same premise.
  • FIG. 1 is a configuration diagram of an elevator according to Embodiment 1;
  • FIG. 1 is a block diagram showing the configuration of an anomaly detection system according to Embodiment 1;
  • FIG. 4 is a diagram showing an example of building a learning model in the anomaly detection system according to Embodiment 1;
  • FIG. 4 is a diagram showing an example of building a learning model in the anomaly detection system according to Embodiment 1;
  • FIG. 4 is a diagram showing an example of building a learning model in the anomaly detection system according to Embodiment 1;
  • FIG. 4 is a diagram showing an example of building a learning model in the anomaly detection system according to Embodiment 1;
  • 2 is a hardware configuration diagram of main parts of the anomaly detection system according to Embodiment 1;
  • FIG. 1 is a block diagram showing the configuration of an anomaly detection system according to Embodiment 1;
  • FIG. 4 is a diagram showing an example of building a learning model in the anomaly detection system according to Em
  • FIG. 1 is a configuration diagram of an elevator 1 according to Embodiment 1. As shown in FIG. 1
  • the elevator 1 is applied, for example, to a building with multiple floors.
  • a hoistway 2 for an elevator 1 is provided in a building.
  • the hoistway 2 is a vertically elongated space that spans a plurality of floors.
  • a landing 3 is provided on each floor.
  • a landing 3 is a location adjacent to the hoistway 2 .
  • a landing door 4 is provided at the landing 3 of each floor.
  • the landing door 4 is a door that partitions the landing 3 and the hoistway 2 .
  • the elevator 1 includes a hoisting machine 5 , a main rope 6 , a car 7 , a counterweight 8 and a control panel 9 .
  • the hoist 5 is arranged, for example, above or below the hoistway 2 .
  • the hoist 5 may be arranged in the machine room.
  • the hoist 5 includes a drive motor 10 and a drive sheave 11 .
  • the drive motor 10 is a device that generates drive force.
  • Drive motor 10 is an example of a motor for elevator 1 .
  • the drive sheave 11 is a device that is rotated by the driving force generated by the drive motor 10 .
  • the main rope 6 is wound around the drive sheave 11.
  • Main rope 6 supports the load of car 7 on one side of drive sheave 11 .
  • Main rope 6 supports the load of counterweight 8 on the other side of drive sheave 11 .
  • the main rope 6 moves so that either the car 7 side or the counterweight 8 side is hoisted onto the drive sheave 11 by the rotation of the drive sheave 11 .
  • the car 7 is a device that transports users of the elevator 1 between a plurality of floors by running vertically on the hoistway 2 .
  • the car 7 travels vertically in the hoistway 2 in conjunction with the movement of the main rope 6 caused by the rotation of the drive sheave 11 .
  • the car 7 has a car door 12 .
  • the car door 12 is a door that partitions the inside and outside of the car 7 .
  • the car door 12 is a device that, when the car 7 stops on any floor, opens and closes the landing door 4 of that floor in conjunction so that the user can get on and off.
  • the car door 12 has a door motor 13 .
  • the door motor 13 is a device that generates driving force for opening and closing the car door 12 .
  • Door motor 13 is an example of a motor for elevator 1 .
  • the counterweight 8 is a device that balances the load applied to both sides of the drive sheave 11 with the car 7 .
  • the counterweight 8 travels vertically in the hoistway 2 in the opposite direction to the car 7 in conjunction with the movement of the main rope 6 caused by the rotation of the drive sheave 11 .
  • the control panel 9 is a device that controls the operation of the elevator 1.
  • the control panel 9 is arranged, for example, above or below the hoistway 2 .
  • the control panel 9 may be arranged in the machine room.
  • the operation of the elevator 1 controlled by the control panel 9 includes running of the car 7, opening and closing of the car door 12, and the like.
  • one operation of the drive motor 10 corresponds to the operation from when the car 7 starts from one of the floors to when it stops at another floor.
  • each of the opening operation from the fully closed state to the fully open state and the closing operation from the fully open state to the fully closed state of the car door 12 corresponds to one operation of the door motor 13 .
  • the control panel 9 may perform control by switching between a plurality of operation modes in traveling of the car 7, opening and closing of the door, and the like.
  • the plurality of operation modes include a normal opening/closing mode, a low speed mode in which the door is opened and closed at a lower speed than usual, and a high torque mode in which the door motor 13 opens and closes with a torque higher than usual.
  • the measuring device 14 is applied.
  • the measuring device 14 is a device that measures the state of the elevator 1 .
  • the measuring device 14 is provided in the motor of the elevator 1, for example.
  • the measuring device 14 is, for example, an encoder that measures the rotation angle of the motor.
  • the measurement device 14 is, for example, a sensor that measures the input or output current or voltage of the motor.
  • the measurement results obtained by the measuring device 14 are used, for example, in the control panel 9 to control the operation of the elevator 1 .
  • a remote monitoring device 15 is applied.
  • the remote monitoring device 15 is a device used for remote monitoring of the state of the elevator 1 .
  • the state of the elevator 1 includes, for example, the result of measurement by the measuring device 14 and the like.
  • the status of the elevator 1 may include information based on, for example, control signals for the elevator 1 .
  • the control signal for the elevator 1 is, for example, a signal representing an operation mode of the elevator 1 or a command value such as motor torque, speed, current or voltage.
  • the remote monitoring device 15 is connected to the control panel 9 or the measuring device 14 or the like so as to collect information on the state of the elevator 1 .
  • the information collected by the remote monitoring device 15 is sent to the central management device 17 through a communication network 16 such as the Internet or a telephone line.
  • the central management device 17 is a device that collects and manages information on the state of the elevator 1 .
  • the central management device 17 is provided at a base such as an information center, for example.
  • the anomaly detection system 18 is applied.
  • the abnormality detection system 18 is a system that determines whether or not there is an abnormality in the motor of the elevator 1 .
  • the anomaly detection system 18 is composed of, for example, one or more server devices.
  • a part or all of the information processing functions of the anomaly detection system 18 may be installed in one or a plurality of devices arranged in the building to which the elevator 1 is applied.
  • part or all of the information processing functions of the anomaly detection system 18 are implemented by storage or processing resources on one or more devices located outside the building, or on a cloud service.
  • Some or all of the functions related to information processing in the anomaly detection system 18 may be installed in the central management device 17 or the like. In this example, functions related to information processing in the anomaly detection system 18 are installed in the central management device 17 .
  • FIG. 2 is a block diagram showing the configuration of the anomaly detection system 18 according to the first embodiment.
  • the anomaly detection system 18 is operated through the terminal device 19 by, for example, an information center operator.
  • the terminal device 19 is, for example, an information terminal such as a general-purpose computer.
  • the terminal device 19 is connected to the abnormality detection system 18 through a communication network 16 such as the Internet or a telephone line, or a local network such as wired or wireless communication.
  • the terminal device 19 includes an input section 20 and a display section 21 .
  • the input unit 20 is a part that receives input of information to the abnormality detection system 18 by an operator or the like.
  • the input unit 20 is, for example, a keyboard and a mouse.
  • the display unit 21 is a part that displays information from the abnormality detection system 18 to an operator or the like.
  • the display unit 21 is, for example, a liquid crystal display.
  • the abnormality detection system 18 includes a measurement storage unit 22, a classification unit 23, a calculation unit 24, an integration unit 25, an integrated storage unit 26, an adjustment unit 27, a learning unit 28, a model storage unit 29, a determination a portion 30; In this example, the abnormality detection system 18 determines whether the motors of the elevator 1, such as the door motor 13, are abnormal.
  • the measurement storage unit 22 is a part that stores information.
  • a measurement DB (DB: DataBase) is stored in the measurement storage unit 22 .
  • a measurement DB is a DB that stores a plurality of measurement data.
  • Each measurement data is obtained when the motor of elevator 1 operates.
  • Each measurement data is acquired by, for example, the measurement device 14 or the like.
  • one measurement data corresponds to one operation of the elevator 1 motor.
  • Each measurement data is, for example, data of other components including a plurality of components.
  • Each piece of measurement data may be time-series data, which is a series of data points corresponding to multiple points in time. At this time, the data points corresponding to each time point of the time-series data may be data of other components including a plurality of components.
  • each piece of measurement data may be obtained by extracting a representative data point from a data structure including a plurality of data points such as time-series data.
  • each measurement data may be calculated by statistical processing such as averaging from a data structure including a plurality of data points such as time-series data.
  • the premise data is data representing information that is known before the measurement data is acquired and is a premise of measurement.
  • the prerequisite data includes, for example, motor attribute data, operating mode data, and operating environment data.
  • the motor attribute data includes information unique to the motor, such as the model of the motor, or the model of the car door 12 when the motor is the door motor 13, for example.
  • the attribute data of the motor may include information on the installation environment in which the elevator 1 having the motor is installed, such as whether the motor is installed in an observation elevator or whether the hall 3 faces the outdoors. .
  • the data on the operation mode of the motor is, for example, data indicating in which operation mode the operation was performed when the measurement data was acquired.
  • the data of the operating environment of the motor is, for example, data representing the environment when the measurement data is acquired, such as the weather in the area where the elevator 1 having the motor is installed.
  • Meteorological data includes information such as temperature, humidity, or weather.
  • Weather information includes, for example, the presence or absence of rain or snow.
  • the anomaly detection system 18 acquires operating environment data from an organization that provides weather information, such as the Japan Meteorological Agency.
  • the operating environment data may be obtained by a thermometer or hygrometer (not shown) provided in the hoistway 2 or the landing 3, for example.
  • the prerequisite data may include operation history information such as the number of times the motor has been operated. The number of times of operation is, for example, the cumulative number of times starting from the time when maintenance work such as part replacement or maintenance is performed.
  • the classification unit 23 is a part that classifies measurement data into one of a plurality of premise groups based on premise data.
  • a premise group is a group labeled with premise data.
  • the calculation unit 24 is a part that calculates the feature amount for each premise group.
  • the feature amount of each premise group is calculated based on the measurement data classified into the premise group.
  • the integration unit 25 is a part that integrates at least one of the premise groups into an integration group based on the feature amount calculated by the calculation unit 24 .
  • An integrated group is a group that combines one or more premise groups.
  • the integrating unit 25 integrates multiple premise groups into one or more integrated groups.
  • the integrated storage unit 26 is a part that stores information.
  • the integrated DB is stored in the integrated storage unit 26 .
  • An integrated DB is a DB that stores integrated data.
  • Integrated data is data that indicates which integrated group each premise group is integrated into.
  • Integrated data is, for example, data representing a direct correspondence between a premise group and an integrated group.
  • the integrated data may be data representing conditions for matching the prerequisite group to the integrated group.
  • the adjustment unit 27 is a part that performs adjustment such as preprocessing for building a learning model for each premise group for each measurement data.
  • the adjustment by the adjustment unit 27 includes, for example, bias adjustment such that the average for each premise group is zero.
  • the learning unit 28 is a part that builds a learning model for judging abnormalities based on the measurement data classified into integrated groups through the premise groups.
  • the learning section 28 constructs a learning model using the measurement data after adjustment by the adjustment section 27 .
  • the model storage unit 29 is a part that stores information.
  • a model DB is stored in the model storage unit 29 .
  • the model DB is a DB that stores learning models constructed by the learning unit 28 .
  • a learning model includes, for example, a set of parameters used to determine anomalies.
  • the set of parameters is, for example, a statistic representing the distribution of data that is not determined to be abnormal.
  • learning models are stored, for example, for each integrated group.
  • the determination unit 30 is a part that determines an abnormality from the measurement data based on the learning model constructed by the learning unit 28.
  • the determination unit 30 reads a learning model stored in advance in the model storage unit 29 and then determines whether there is an abnormality.
  • the determination unit 30 extracts measurement data to be determined to be abnormal based on, for example, a learning model.
  • the determination unit 30 presents the extracted measurement data to the operator through the display unit 21 of the terminal device 19, for example.
  • FIG. 3 to 6 are diagrams showing an example of building a learning model in the anomaly detection system 18 according to Embodiment 1.
  • FIG. 3 to 6 are diagrams showing an example of building a learning model in the anomaly detection system 18 according to Embodiment 1.
  • the abnormality detection system 18 determines whether or not the door motor 13 is abnormal.
  • Each measurement data is, for example, multi-component data having two components of torque and speed.
  • the torque component is data representing torque generated by the door motor 13 .
  • the speed component is data representing the opening/closing speed of the car door 12 that is opened/closed by the torque generated by the door motor 13 .
  • the door motor 13 torque and car door 12 open/close speed are obtained for each of a plurality of open/close positions of the car door 12 when the door motor 13 operates to open and close the car door 12 .
  • the measurement storage unit 22 stores a combination of torque and opening/closing speed at an opening/closing position that well reflects the input/output characteristics of the door motor 13, such as the relationship between the opening/closing speed and torque, as the torque component and speed component of the measurement data.
  • the measurement storage unit 22 stores, for example, the combination of the torque and the opening/closing speed at the opening/closing position where the torque is maximized as the torque component and the speed component of the measurement data.
  • the measurement storage unit 22 may store, as the torque component and the speed component of the measurement data, a combination of the average value of the torque and the average value of the opening/closing speed at a plurality of opening/closing positions that well reflect the input/output characteristics of the door motor 13. good.
  • Each measurement data is accumulated in the measurement storage unit 22 each time the car door 12 is opened and closed.
  • the process of extracting two-component measurement data from the measurement results of the measurement device 14 or the like may be performed in the abnormality detection system 18, or may be performed by the control panel 9, the remote monitoring device 15, or the like.
  • the anomaly detection system 18 starts building a learning model, for example, when an operation to start learning is performed on the input unit 20 .
  • the anomaly detection system 18 may build a learning model at preset timings.
  • the preset timing is, for example, regular timing.
  • the anomaly detection system 18 builds a learning model, for example, as follows.
  • the classification unit 23 reads learning data from among the plurality of measurement data stored in the measurement storage unit 22.
  • Learning data is a plurality of measurement data used to build a learning model.
  • the learning data is, for example, part or all of the plurality of measurement data stored in the measurement storage unit 22 .
  • the classification unit 23 extracts the measurement data acquired for the door motor 13 whose number of times of operation is less than the preset upper limit number of times as the learning data.
  • the classification unit 23 classifies the measurement data read as learning data into one of a plurality of premise groups based on the premise data.
  • FIG. 3 shows an example of the distribution of measurement data for each premise group.
  • the horizontal axis in FIG. 3 represents the magnitude of the torque component.
  • the vertical axis in FIG. 3 represents the magnitude of the velocity component.
  • four premise groups from premise group A to premise group D are shown.
  • the premise group A corresponds to the premise data of the door type T1 in the operation mode M1.
  • the premise group B corresponds to the premise data of the door type T1 in the operation mode M2.
  • the calculation unit 24 calculates the feature amount for each premise group.
  • the calculation unit 24 calculates the feature amount of each premise group by performing principal component analysis on the distribution of the measurement data classified into each premise group.
  • the calculation unit 24 calculates, for example, the direction of the first principal component, the variance of the first principal component, and the variance of the second principal component as feature quantities. Note that when each piece of measurement data includes three or more components, the calculation unit 24 may include the direction of the second principal component and the like in the calculation.
  • the integration unit 25 extracts premise groups whose first principal component directions are close to each other.
  • the direction of the first principal component corresponds to the correlation of the torque and velocity components. Therefore, premise groups in which the directions of the first principal components are close to each other are groups in which the input/output relationship of the torque component and the speed component is close.
  • the integration unit 25 extracts a premise group whose inner product of unit vectors pointing in the direction of the first principal component is close to 1 within a preset range as a premise group in which the direction of the first principal component is close.
  • the integration unit 25 may further extract a premise group based on, for example, the proximity of the direction of the second principal component.
  • the integration unit 25 extracts the premise group A, the premise group B, and the premise group C as premise groups having similar first principal component directions.
  • the integrating unit 25 integrates the premise groups with similar distributions of the principal components into the integrated group among the premise groups extracted based on the direction of the principal components. For example, under a preset significance level, the integration unit 25 selects premise groups from which it can be determined that there is no significant difference in the variance of any of the principal components by a hypothetical test such as the F test. Assume that they are close premise groups. In this example, the integration unit 25 extracts premise groups in which both the variance of the first principal component and the variance of the second principal component are close to each other. Note that when each piece of measurement data includes three or more components, the integration unit 25 may further extract a premise group based on the closeness of the variance of the third principal component.
  • the integration unit 25 may determine the closeness of the variances without relying on the hypothetical test.
  • the integration unit 25 may regard premise groups in which the difference between the variance values of any of the principal components is smaller than a preset value as premise groups with similar variances of the principal components.
  • the integrating unit 25 integrates the premise group A and the premise group B into the integrated group ⁇ .
  • the integrating unit 25 writes integrated data representing the correspondence between the premise group A and the premise group B and the integrated group ⁇ into the integrated storage unit 26 .
  • the adjustment unit 27 adjusts the measurement data for each premise group.
  • the adjustment unit 27 adjusts the bias of the measurement data for each premise group so that the average value of the torque component and the average value of the speed component are both 0 for each premise group.
  • the bias information used for the adjustment at this time is written in the integrated storage unit 26 together with the integrated data, for example.
  • the horizontal axis of FIG. 6 represents the magnitude of the torque component after the bias is adjusted.
  • the vertical axis in FIG. 6 represents the magnitude of the velocity component after the bias is adjusted.
  • the learning unit 28 constructs a learning model based on the adjusted measurement data classified into the integrated group ⁇ .
  • the learning unit 28 calculates a covariance matrix for each component of measurement data classified into an integrated group ⁇ obtained by integrating the premise group A and the premise group B, for example.
  • the learning unit 28 constructs a learning model based on the Mahalanobis-Taguchi method in which the normal range is a range in which the Mahalanobis distance from the origin using the calculated covariance matrix is smaller than a preset value. Note that the learning unit 28 may construct a learning model that does not rely on the Mahalanobis-Taguchi method.
  • the learning unit 28 may construct a learning model using an outlier detection method, such as One Class SVM (SVM: Support Vector Machine), which uses adjusted measurement data classified into the integrated group ⁇ , for example.
  • SVM Support Vector Machine
  • the learning unit 28 writes the constructed learning model to the model storage unit 29 .
  • the abnormality detection system 18 uses the learning model constructed in this way to determine whether there is an abnormality in the door motor 13 .
  • the abnormality detection system 18 starts determining whether there is an abnormality in the measurement data stored in the measurement storage unit 22, for example, when the input unit 20 is operated to start determination.
  • the abnormality detection system 18 may determine the presence or absence of an abnormality at preset timings.
  • the preset timing is, for example, regular timing.
  • the measurement data for which the presence or absence of abnormality is determined is, for example, part or all of the plurality of measurement data stored in the measurement storage unit 22 .
  • the measurement data to be used for determining whether or not there is an abnormality may be, for example, measurement data designated by an operator from among a plurality of measurement data stored in the measurement storage unit 22 .
  • the measurement data for which the presence or absence of abnormality is determined may be, for example, measurement data including learning data among the plurality of measurement data stored in the measurement storage unit 22 .
  • the measurement data for which the presence or absence of an abnormality is determined may be, for example, measurement data other than learning data among the plurality of measurement data stored in the measurement storage unit 22 .
  • the abnormality detection system 18 may determine whether there is an abnormality in the measurement data each time the measurement data is acquired. The abnormality detection system 18 determines whether there is an abnormality, for example, as follows.
  • the classification unit 23 reads from the measurement storage unit 22 the measurement data to be used for determining the presence or absence of an abnormality.
  • the classification unit 23 classifies the read measurement data into one of a plurality of premise groups based on the premise data. In this example, the classification unit 23 classifies the read measurement data into the premise group B.
  • the adjustment unit 27 adjusts the measurement data classified into the premise groups in the same manner as the learning data. Based on the integrated data read from the integrated storage unit 26, the adjustment unit 27 determines an integrated group into which the premise groups into which the measurement data are classified are integrated. The adjusting unit 27 adjusts the measurement data based on the bias information written in the integrated storage unit 26 together with the integrated data of the integrated group. In this example, the adjusting unit 27 adjusts the measurement data based on the bias of the premise group B written in the integrated storage unit 26 together with the integrated data of the integrated group ⁇ .
  • the determination unit 30 reads the learning model for the integrated group determined by the adjustment unit 27 from the model storage unit 29 .
  • the determination unit 30 determines whether or not there is an abnormality in the measurement data based on the read learning model.
  • the determination unit 30 reads from the model storage unit 29 the learning model for the integrated group ⁇ that integrates the premise group B.
  • FIG. For example, when the Mahalanobis distance from the origin of the measurement data is greater than a preset value, the determination unit 30 detects the measurement data as data representing an abnormality.
  • the anomaly detection system 18 includes the classification unit 23, the calculation unit 24, the integration unit 25, and the learning unit 28.
  • the classification unit 23 classifies a plurality of measurement data for each operation acquired when the door motor 13 operates into a plurality of premise groups for each premise data. Prerequisite data is data representing known information before each measurement data is acquired.
  • the calculation unit 24 calculates the feature amount of the premise group based on the measurement data classified into the premise group among the plurality of measurement data.
  • the integration unit 25 integrates at least one of the plurality of premise groups into an integration group based on the feature amount calculated by the calculation unit 24 .
  • the learning unit 28 constructs a learning model for determining abnormality of the door motor 13 of the elevator 1 based on the measurement data classified into the integrated group among the plurality of measurement data.
  • a learning model is constructed by an integrated group that integrates premise groups based on their feature values. learning model will be constructed. Therefore, the accuracy of the learning model can be further improved. Also, the integration into the integrated group is mechanically performed based on the feature amount. Therefore, even when a new model or the like is introduced, an integrated group for constructing a learning model used for determining anomalies in measurement data acquired for the model is mechanically selected. As a result, a learning model is constructed to determine abnormality with higher accuracy even for such measurement data.
  • the premise data includes attribute data of the door motor 13 of the elevator 1 . Further, the premise data includes data on the operation mode of the door motor 13 of the elevator 1 . Further, the premise data includes data on the operating environment of the door motor 13 of the elevator 1 . Further, the operating environment data includes weather data of the area where the elevator 1 is installed.
  • the distribution of the measurement data in the premise group becomes closer to an easy-to-handle distribution such as a multivariate normal distribution.
  • the relationship between the torque of the door motor 13 and the opening/closing speed of the car door 12 or the landing door 4 differs from that when the threshold is dry. can be Such a difference in weather makes it difficult for measurement data with different characteristics to coexist in the same premise group, so the distribution of the measurement data in the premise group becomes closer to an easy-to-handle distribution such as a multivariate normal distribution.
  • the anomaly detection system 18 can build a learning model with higher accuracy.
  • each measurement data is multi-component data including the torque and speed of the door motor 13 of the elevator 1.
  • the feature amount calculated by the calculator 24 is calculated based on the relationship between the torque and speed of the door motor 13 of the elevator 1 .
  • each measurement data is multi-component data.
  • the calculation unit 24 calculates the feature amount of the premise group by principal component analysis of the measurement data classified into the premise group among the plurality of measurement data.
  • the premise groups are integrated based on the feature values calculated by the principal component analysis, so there is no decrease in the accuracy of the learning model due to the integration of the premise groups with different characteristics such as the distribution of the measurement data. suppressed.
  • premise group C and premise group D in FIG. 3 are not integrated into the same integration group from the direction of the first principal component. Therefore, it is possible to suppress the deterioration of the accuracy of the learning model due to grouping such premise groups based only on the central distance between distributions.
  • each component of the measurement data is not limited to a specific physical quantity, as long as it reflects characteristics of the operation of the door motor 13, such as torque, speed, input or output current or voltage.
  • each of the measurement data used for construction of the learning model by the learning unit 28 is measurement data acquired for the door motor 13 of the elevator 1 whose number of operations is less than the preset upper limit number of times.
  • the measurement data of the door motor 13 whose number of operations exceeds the upper limit number of times and is likely to deteriorate is not used for constructing the learning model. For this reason, it becomes difficult to use data whose range has shifted from the normal range to the abnormal range due to deterioration or the like in constructing the learning model, thereby suppressing a decrease in accuracy of the learning model.
  • FIG. 7 is a hardware configuration diagram of main parts of the abnormality detection system 18 according to the first embodiment.
  • the processing circuitry comprises at least one processor 100a and at least one memory 100b.
  • the processing circuitry may include at least one piece of dedicated hardware 200 in conjunction with, or as an alternative to, processor 100a and memory 100b.
  • each function of the anomaly detection system 18 is realized by software, firmware, or a combination of software and firmware. At least one of software and firmware is written as a program. The program is stored in memory 100b. The processor 100a realizes each function of the abnormality detection system 18 by reading and executing the programs stored in the memory 100b.
  • the processor 100a is also called a CPU (Central Processing Unit), a processing device, an arithmetic device, a microprocessor, a microcomputer, or a DSP.
  • the memory 100b is composed of, for example, nonvolatile or volatile semiconductor memory such as RAM, ROM, flash memory, EPROM, and EEPROM.
  • the processing circuit may be implemented, for example, as a single circuit, multiple circuits, a programmed processor, a parallel programmed processor, an ASIC, an FPGA, or a combination thereof.
  • Each function of processing in the anomaly detection system 18 can be implemented by a processing circuit. Alternatively, each function of the anomaly detection system 18 can be collectively realized by a processing circuit. A part of each function of the anomaly detection system 18 may be realized by dedicated hardware 200 and the other part may be realized by software or firmware. Thus, the processing circuitry implements each function of the anomaly detection system 18 in dedicated hardware 200, software, firmware, or a combination thereof.
  • the anomaly detection system according to the present disclosure can be applied to elevators.

Landscapes

  • Engineering & Computer Science (AREA)
  • Civil Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Structural Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Indicating And Signalling Devices For Elevators (AREA)

Abstract

同じ前提で計測されたデータが少ない動作に対しても、より高い精度でエレベーターのモータの異常を判定する学習モデルを構築できる異常検出システムを提供する。異常検出システム（１８）は、分類部（２３）と、算出部（２４）と、統合部（２５）と、学習部（２８）と、を備える。分類部（２３）は、モータが動作するときに取得される動作ごとの複数の計測データを、前提データごとの複数の前提グループに分類する。算出部（２４）は、各々の前提グループについて、当該前提グループに分類された計測データに基づいて当該前提グループの特徴量を算出する。統合部（２５）は、算出部（２４）が算出する特徴量に基づいて、複数の前提グループの少なくともいずれかを統合グループに統合する。学習部（２８）は、統合グループに分類された計測データに基づいて、モータの異常を判定する学習モデルを構築する。

Description

エレベーターのモータの異常検出システム
　本開示は、エレベーターのモータの異常検出システムに関する。
　特許文献１は、エレベーターの異常検出システムの例を開示する。異常検出システムにおいて、エレベーターのドアなどの型式に基づいてグループ化が行われる。異常検出システムは、グループの標準的な状態値からの逸脱度に基づいてドアなどの異常の検出を行う。
日本特開２０１９－００８３５４号公報
　しかしながら、特許文献１の異常検出システムにおいて、例えば新しい型式のドアの動作などの同じ前提で計測されたデータが少ない動作について、標準的な状態値などの算出に十分な数の計測データが得られない場合がある。このような同じ前提で計測されたデータが少ない動作に対して、構築された学習モデルによる異常の判定の精度が低くなる可能性がある。
　本開示は、このような課題の解決に係るものである。本開示は、同じ前提で計測されたデータが少ない動作に対しても、より高い精度でエレベーターのモータの異常を判定する学習モデルを構築できる異常検出システムを提供する。
　本開示に係るエレベーターのモータの異常検出システムは、エレベーターのモータが動作するときに取得される動作ごとの複数の計測データを、前記複数の計測データの各々が取得される前に既知の情報である前提データごとの複数の前提グループに分類する分類部と、前記複数の前提グループの各々について、前記複数の計測データのうち当該前提グループに分類された計測データに基づいて当該前提グループの特徴量を算出する算出部と、前記算出部が算出する特徴量に基づいて、前記複数の前提グループの少なくともいずれかを統合グループに統合する統合部と、前記複数の計測データのうち前記統合グループに分類された計測データに基づいて、エレベーターのモータの異常を判定する学習モデルを構築する学習部と、を備える。
　本開示に係る異常検出システムであれば、同じ前提で計測されたデータが少ない動作に対しても、より高い精度でエレベーターのモータの異常を判定する学習モデルを構築できる。
実施の形態１に係るエレベーターの構成図である。 実施の形態１に係る異常検出システムの構成を示すブロック図である。 実施の形態１に係る異常検出システムにおける学習モデルの構築の例を示す図である。 実施の形態１に係る異常検出システムにおける学習モデルの構築の例を示す図である。 実施の形態１に係る異常検出システムにおける学習モデルの構築の例を示す図である。 実施の形態１に係る異常検出システムにおける学習モデルの構築の例を示す図である。 実施の形態１に係る異常検出システムの主要部のハードウェア構成図である。
　本開示の対象を実施するための形態について添付の図面を参照しながら説明する。各図において、同一または相当する部分には同一の符号を付して、重複する説明は適宜に簡略化または省略する。なお、本開示の対象は以下の実施の形態に限定されることなく、本開示の趣旨を逸脱しない範囲において、実施の形態の任意の構成要素の変形、または実施の形態の任意の構成要素の省略が可能である。
　実施の形態１．
　図１は、実施の形態１に係るエレベーター１の構成図である。
　エレベーター１は、例えば複数の階床を有する建物に適用される。建物において、エレベーター１の昇降路２が設けられる。昇降路２は、複数の階床にわたる上下方向に長い空間である。各々の階床において、乗場３が設けられる。乗場３は、昇降路２に隣接する場所である。各々の階床の乗場３において、乗場ドア４が設けられる。乗場ドア４は、乗場３および昇降路２を区画するドアである。エレベーター１は、巻上機５と、主ロープ６と、かご７と、釣合い錘８と、制御盤９と、を備える。
　巻上機５は、例えば昇降路２の上部または下部などに配置される。例えば昇降路２の上方などにエレベーター１の機械室が設けられる場合に、巻上機５は、機械室に配置されてもよい。巻上機５は、駆動モータ１０と、駆動シーブ１１と、を備える。駆動モータ１０は、駆動力を発生させる装置である。駆動モータ１０は、エレベーター１のモータの例である。駆動シーブ１１は、駆動モータ１０が発生させる駆動力によって回転する機器である。
　主ロープ６は、駆動シーブ１１に巻き掛けられる。主ロープ６は、駆動シーブ１１の一方側においてかご７の荷重を支持する。主ロープ６は、駆動シーブ１１の他方側において釣合い錘８の荷重を支持する。主ロープ６は、駆動シーブ１１の回転によって、かご７側または釣合い錘８側のいずれか一方が駆動シーブ１１に巻き上げられるように移動する。
　かご７は、昇降路２を上下方向に走行することでエレベーター１の利用者などを複数の階床の間で輸送する装置である。かご７は、駆動シーブ１１の回転による主ロープ６の移動に連動して昇降路２を上下方向に走行する。かご７は、かごドア１２を備える。かごドア１２は、かご７の内部および外部を区画するドアである。かごドア１２は、かご７がいずれかの階床に停止するときに、利用者が乗降しうるように当該階床の乗場ドア４を連動させて開閉する機器である。かごドア１２は、ドアモータ１３を備える。ドアモータ１３は、かごドア１２を開閉させる駆動力を発生させる機器である。ドアモータ１３は、エレベーター１のモータの例である。
　釣合い錘８は、駆動シーブ１１の両側にかかる荷重の釣合いをかご７との間でとる装置である。釣合い錘８は、駆動シーブ１１の回転による主ロープ６の移動に連動して昇降路２を上下方向においてかご７の反対方向に走行する。
　制御盤９は、エレベーター１の動作を制御する装置である。制御盤９は、例えば昇降路２の上部または下部などに配置される。例えば昇降路２の上方などにエレベーター１の機械室が設けられる場合に、制御盤９は、機械室に配置されてもよい。制御盤９が制御するエレベーター１の動作は、かご７の走行およびかごドア１２の開閉などを含む。かご７の走行において、例えばかご７がいずれかの階床を出発してから他の階床に停止するまでの動作が、駆動モータ１０の一回の動作に対応する。かごドア１２の開閉において、例えばかごドア１２の全閉状態から全開状態までの開動作および全開状態から全閉状態までの閉動作の各々が、ドアモータ１３の一回の動作に対応する。制御盤９は、かご７の走行およびドアの開閉などにおいて、複数の動作モードを切り替えて制御を行ってもよい。例えばドアの開閉において、複数の動作モードは、通常開閉モード、通常より低速で開閉させる低速モード、または通常より大きなドアモータ１３のトルクで開閉させる大トルクモードなどを含む。
　エレベーター１において、計測装置１４が適用される。計測装置１４は、エレベーター１の状態を計測する装置である。計測装置１４は、例えばエレベーター１のモータに設けられる。計測装置１４は、例えばモータの回転角を計測するエンコーダなどである。あるいは、計測装置１４は、例えばモータについての入力または出力の電流または電圧を計測するセンサなどである。計測装置１４による計測結果は、例えば制御盤９においてエレベーター１の動作の制御などに利用される。
　エレベーター１において、遠隔監視装置１５が適用される。遠隔監視装置１５は、エレベーター１の状態の遠隔監視に用いられる装置である。エレベーター１の状態は、例えば計測装置１４による計測結果などを含む。エレベーター１の状態は、例えばエレベーター１の制御信号などに基づく情報を含んでもよい。エレベーター１の制御信号は、例えばエレベーター１の動作モードまたはモータのトルク、速度、もしくは電流もしくは電圧などの指令値を表す信号などである。遠隔監視装置１５は、エレベーター１の状態の情報を収集しうるように、制御盤９または計測装置１４などに接続される。
　遠隔監視装置１５が収集した情報は、例えばインターネットまたは電話回線などの通信網１６を通じて、中央管理装置１７に送信される。中央管理装置１７は、エレベーター１の状態の情報を収集して管理する装置である。中央管理装置１７は、例えば情報センターなどの拠点に設けられる。
　エレベーター１において、異常検出システム１８が適用される。異常検出システム１８は、エレベーター１のモータの異常の有無を判定するシステムである。異常検出システム１８は、例えば１つまたは複数のサーバ装置などからなる。異常検出システム１８の情報処理に関する機能の一部または全部は、エレベーター１が適用される建物に配置された１つまたは複数の装置に搭載されるものであってもよい。あるいは、異常検出システム１８の情報処理に関する機能の一部または全部は、当該建物の外部に配置された１つもしくは複数の装置上、またはクラウドサービス上の記憶もしくは処理のリソースなどによって実装されるものであってもよい。異常検出システム１８における情報処理に関する機能の一部または全部は、中央管理装置１７などに搭載されていてもよい。この例において、異常検出システム１８における情報処理に関する機能は、中央管理装置１７に搭載される。
　図２は、実施の形態１に係る異常検出システム１８の構成を示すブロック図である。
　異常検出システム１８は、例えば情報センターのオペレーターなどによって端末装置１９を通じて操作される。端末装置１９は、例えば汎用のコンピュータなどの情報端末である。端末装置１９は、例えばインターネットもしくは電話回線などの通信網１６または有線通信もしくは無線通信によるローカルネットワークなどを通じて異常検出システム１８に接続される。端末装置１９は、入力部２０と、表示部２１と、を備える。入力部２０は、オペレーターなどによる異常検出システム１８への情報の入力を受け付ける部分である。入力部２０は、例えばキーボードおよびマウスなどである。表示部２１は、異常検出システム１８からの情報をオペレーターなどに表示する部分である。表示部２１は、例えば液晶ディスプレイなどである。
　異常検出システム１８は、計測記憶部２２と、分類部２３と、算出部２４と、統合部２５と、統合記憶部２６と、調整部２７と、学習部２８と、モデル記憶部２９と、判定部３０と、を備える。この例において、異常検出システム１８は、ドアモータ１３などのエレベーター１のモータの異常の有無を判定する。
　計測記憶部２２は、情報を記憶する部分である。計測記憶部２２において、計測ＤＢ（ＤＢ：ＤａｔａＢａｓｅ）が記憶される。計測ＤＢは、複数の計測データを格納するＤＢである。
　各々の計測データは、エレベーター１のモータが動作するときに取得される。各々の計測データは、例えば計測装置１４などによって取得される。この例において、１つの計測データは、エレベーター１のモータの１回の動作に対応する。各々の計測データは、例えば複数の成分を含む他成分のデータなどである。各々の計測データは、複数の時点に対応するデータ点の系列である時系列データであってもよい。このとき、時系列データの各時点に対応するデータ点は、複数の成分を含む他成分のデータであってもよい。あるいは、各々の計測データは、時系列データなどの複数のデータ点を含むデータ構造から、代表的なデータ点を抽出したものであってもよい。また、各々の計測データは、時系列データなどの複数のデータ点を含むデータ構造から、平均などの統計的な処理によって算出されるものであってもよい。
　各々の計測データは、前提データと関連付けて記憶される。前提データは、計測データが取得される前に既知である、計測の前提となる情報を表すデータである。前提データは、例えばモータの属性のデータ、動作モードのデータ、および動作環境のデータを含む。モータの属性のデータは、例えばモータの機種、またはモータがドアモータ１３である場合におけるかごドア１２の型式などのモータの固有の情報などを含む。モータの属性のデータは、例えば当該モータが展望エレベーターに設けられているか、または乗場３が屋外に面しているか、などの当該モータを有するエレベーター１が設けられた設置環境の情報を含んでもよい。モータの動作モードのデータは、計測データが取得されるときの動作がいずれの動作モードにおける動作であったかを表すデータなどである。モータの動作環境のデータは、当該モータを有するエレベーター１が設けられた地域の気象などの、計測データが取得されるときの環境を表すデータなどである。気象のデータは、例えば気温、湿度、または天候などの情報を含む。天候の情報は、例えば降雨または降雪の有無などの情報を含む。異常検出システム１８は、動作環境のデータを、例えば気象庁などの気象情報を提供する機関から取得する。あるいは、動作環境のデータは、例えば昇降路２または乗場３に設けられた図示されない温度計または湿度計などによって取得されてもよい。前提データは、モータの動作回数などの動作履歴の情報を含んでもよい。動作回数は、例えば部品交換または手入れなどの保守作業が行われた時点を起算点とする累積回数などである。
　分類部２３は、計測データを前提データに基づいて複数の前提グループのいずれかに分類する部分である。前提グループは、前提データをラベルとするグループである。
　算出部２４は、各々の前提グループについてその特徴量を算出する部分である。各々の前提グループの特徴量は、当該前提グループに分類された計測データに基づいて算出される。
　統合部２５は、算出部２４が算出する特徴量に基づいて、少なくともいずれかの前提グループを統合グループに統合する部分である。統合グループは、１つまたは複数の前提グループを合わせたグループである。統合部２５は、複数の前提グループを、１つまたは複数の統合グループに統合する。
　統合記憶部２６は、情報を記憶する部分である。統合記憶部２６において、統合ＤＢが記憶される。統合ＤＢは、統合データを格納するＤＢである。
　統合データは、各々の前提グループがいずれの統合グループに統合されるかを表すデータである。統合データは、例えば前提グループおよび統合グループの直接的な対応を表すデータである。あるいは、統合データは、前提グループを統合グループに対応させる条件を表すデータであってもよい。
　調整部２７は、各々の計測データについて、前提グループごとに学習モデルの構築の前処理などの調整を行う部分である。調整部２７による調整は、例えば前提グループごとの平均が０になるようなバイアスの調整などを含む。
　学習部２８は、前提グループを通じて統合グループに分類された計測データに基づいて、異常を判定する学習モデルを構築する部分である。この例において、学習部２８は、調整部２７による調整後の計測データを用いて学習モデルを構築する。
　モデル記憶部２９は、情報を記憶する部分である。モデル記憶部２９において、モデルＤＢが記憶される。モデルＤＢは、学習部２８が構築した学習モデルを格納するＤＢである。
　学習モデルは、例えば異常の判定に用いられるパラメータのセットなどを含む。当該パラメータのセットは、例えば異常と判定されないデータの分布を表す統計量などである。モデルＤＢにおいて、例えば統合グループごとに学習モデルが格納される。
　判定部３０は、学習部２８によって構築された学習モデルに基づいて、計測データから異常を判定する部分である。判定部３０は、モデル記憶部２９に予め記憶されている学習モデルを読み出したうえで、異常の判定を行う。判定部３０は、例えば学習モデルに基づいて異常と判定する計測データを抽出する。判定部３０は、抽出した計測データを例えば端末装置１９の表示部２１を通じてオペレーターに提示する。
　図２において、学習モデルの構築における主要な情報の流れが破線によって示される。図２において、異常の判定における主要な情報の流れが実線によって示される。
　続いて、図３から図６を用いて、異常検出システム１８の動作の例を説明する。
　図３から図６は、実施の形態１に係る異常検出システム１８における学習モデルの構築の例を示す図である。
　この例において、異常検出システム１８は、ドアモータ１３についての異常の有無を判定する。各々の計測データは、例えばトルクおよび速度の２つの成分を有する多成分のデータである。トルク成分は、ドアモータ１３が発生させるトルクを表すデータである。速度成分は、ドアモータ１３が発生させるトルクによって開閉するかごドア１２の開閉速度を表すデータである。ドアモータ１３のトルクおよびかごドア１２の開閉速度は、かごドア１２を開閉させるようにドアモータ１３が動作するときに、かごドア１２の複数の開閉位置ごとに取得される。計測記憶部２２は、開閉速度およびトルクの関係などのドアモータ１３の入出力特性をよく反映する開閉位置におけるトルクおよび開閉速度の組み合わせを、計測データのトルク成分および速度成分として記憶する。計測記憶部２２は、例えばトルクが最大となる開閉位置におけるトルクおよび開閉速度の組み合わせを、計測データのトルク成分および速度成分として記憶する。あるいは、計測記憶部２２は、ドアモータ１３の入出力特性をよく反映する複数の開閉位置におけるトルクの平均値および開閉速度の平均値の組み合わせを、計測データのトルク成分および速度成分として記憶してもよい。各々の計測データは、かごドア１２の開閉のたびに計測記憶部２２に蓄積される。ここで、計測装置１４などによる計測結果から２成分の計測データを抽出する処理は、異常検出システム１８において行われてもよいし、制御盤９または遠隔監視装置１５などによって行われてもよい。
　異常検出システム１８は、例えば入力部２０において学習開始の操作が行われたときに、学習モデルの構築を開始する。あるいは、異常検出システム１８は、予め設定されたタイミングで学習モデルの構築を行ってもよい。予め設定されたタイミングは、例えば定期的なタイミングなどである。異常検出システム１８は、例えば次のように学習モデルの構築を行う。
　分類部２３は、計測記憶部２２が記憶している複数の計測データのうちから、学習データを読み出す。学習データは、学習モデルの構築に用いられる複数の計測データである。学習データは、例えば計測記憶部２２が記憶している複数の計測データの一部または全部である。この例において、分類部２３は、動作回数が予め設定された上限回数より少ないドアモータ１３について取得された計測データを学習データとして抽出する。分類部２３は、学習データとして読み出した計測データを、前提データに基づいて複数の前提グループのいずれかに分類する。
　図３において、前提グループごとの計測データの分布の例が示される。図３の横軸は、トルク成分の大きさを表す。図３の縦軸は、速度成分の大きさを表す。図３において、前提グループＡから前提グループＤまでの４つの前提グループが示される。前提グループＡは、運転モードＭ１でドアタイプＴ１の前提データに対応する。前提グループＢは、運転モードＭ２でドアタイプＴ１の前提データに対応する。
　算出部２４は、各々の前提グループについての特徴量を算出する。算出部２４は、各々の前提グループに分類された計測データの分布について主成分分析を行うことで、当該前提グループの特徴量を算出する。算出部２４は、例えば第１主成分の方向、ならびに第１主成分の分散および第２主成分の分散を特徴量として算出する。なお、各々の計測データが３以上の成分を含む場合に、算出部２４は、第２主成分の方向などを特徴量に含めて算出してもよい。
　続いて、図４に示されるように、統合部２５は、第１主成分の方向が近い前提グループを抽出する。第１主成分の方向は、トルク成分および速度成分の相関関係に対応する。このため、第１主成分の方向が近い前提グループ同士は、トルク成分および速度成分の入出力の関係が近いグループとなる。統合部２５は、例えば第１主成分の方向を向く単位ベクトルの内積が予め設定された範囲で１に近い前提グループを、第１主成分の方向が近い前提グループとして抽出する。なお、各々の計測データが３以上の成分を含む場合に、統合部２５は、第２主成分の方向の近さなどに基づいて前提グループをさらに抽出してもよい。この例において、統合部２５は、前提グループＡ、前提グループＢ、および前提グループＣを、第１主成分の方向が近い前提グループとして抽出する。
　続いて、図５に示されるように、統合部２５は、主成分の方向に基づいて抽出した前提グループについて、各々の主成分の分散が近い前提グループを統合グループに統合する。統合部２５は、例えば予め設定された有意水準のもとで、Ｆ検定などの仮設検定によっていずれかの主成分の分散に有意差がないと判定できる前提グループ同士を、当該主成分の分散が近い前提グループであるとする。この例において、統合部２５は、第１主成分の分散および第２主成分の分散がいずれも近い前提グループを抽出する。なお、各々の計測データが３以上の成分を含む場合に、統合部２５は、第３主成分の分散の近さなどに基づいて前提グループをさらに抽出してもよい。また、統合部２５は、仮設検定によらずに分散の近さを判定してもよい。例えば、統合部２５は、いずれかの主成分の分散の値の差が予め設定された値より小さい前提グループ同士を、当該主成分の分散が近い前提グループであるとしてもよい。この例において、統合部２５は、前提グループＡおよび前提グループＢを、統合グループαに統合する。統合部２５は、前提グループＡおよび前提グループＢと、統合グループαとの対応を表す統合データを、統合記憶部２６に書き込む。
　続いて、図６に示されるように、調整部２７は、前提グループごとに計測データの調整を行う。この例において、調整部２７は、前提グループごとにトルク成分の平均値および速度成分の平均値がいずれも０になるように、計測データのバイアスを前提グループごとに調整する。なお、このときの調整に用いられるバイアスの情報は、例えば統合データとともに統合記憶部２６に書き込まれる。図６の横軸は、バイアスが調整された後のトルク成分の大きさを表す。図６の縦軸は、バイアスが調整された後の速度成分の大きさを表す。このように調整が行われることで、統合グループαに統合された前提グループＡおよび前提グループＢの各々の計測データの分布は、互いに類似した重なり合う分布となる。
　学習部２８は、統合グループαに分類された調整後の計測データに基づいて、学習モデルを構築する。学習部２８は、例えば前提グループＡおよび前提グループＢを統合した統合グループαに分類される計測データの各成分について、共分散行列を算出する。このとき、学習部２８は、算出した共分散行列を用いた原点からのマハラノビス距離が予め設定された値より小さくなる範囲を正常範囲とする、マハラノビス－タグチ法による学習モデルを構築する。なお、学習部２８は、マハラノビス－タグチ法によらない学習モデルを構築してもよい。学習部２８は、例えば統合グループαに分類された調整後の計測データを用いた外れ値検出手法、例えばＯｎｅ　Ｃｌａｓｓ　ＳＶＭ（ＳＶＭ：Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅ）などによる学習モデルを構築してもよい。学習部２８は、構築した学習モデルをモデル記憶部２９に書き込む。
　異常検出システム１８は、このように構築した学習モデルを用いて、ドアモータ１３についての異常の有無を判定する。異常検出システム１８は、例えば入力部２０において判定開始の操作が行われたときに、計測記憶部２２に記憶されている計測データについて異常の有無の判定を開始する。あるいは、異常検出システム１８は、予め設定されたタイミングで異常の有無を判定してもよい。予め設定されたタイミングは、例えば定期的なタイミングなどである。ここで、異常の有無の判定の対象となる計測データは、例えば計測記憶部２２が記憶している複数の計測データの一部または全部である。異常の有無の判定の対象となる計測データは、例えば計測記憶部２２が記憶している複数の計測データのうちからオペレーターによって指定された計測データなどであってもよい。異常の有無の判定の対象となる計測データは、例えば計測記憶部２２が記憶している複数の計測データのうち学習データを含む計測データなどであってもよい。異常の有無の判定の対象となる計測データは、例えば計測記憶部２２が記憶している複数の計測データのうち学習データを除く計測データなどであってもよい。また、異常検出システム１８は、計測データが取得されるたびに、当該計測データについての異常の有無を判定してもよい。異常検出システム１８は、例えば次のように異常の有無を判定する。
　分類部２３は、異常の有無の判定の対象となる計測データを、計測記憶部２２から読み出す。分類部２３は、読み出した計測データを、前提データに基づいて複数の前提グループのいずれかに分類する。この例において、分類部２３は、読み出した計測データを前提グループＢに分類する。
　調整部２７は、前提グループに分類された計測データに対して、学習データと同様の調整を行う。調整部２７は、統合記憶部２６から読み出した統合データなどに基づいて、当該計測データの分類される前提グループが統合される統合グループを判定する。調整部２７は、当該統合グループの統合データとともに統合記憶部２６に書き込まれたバイアスの情報に基づいて、当該計測データを調整する。この例において、調整部２７は、統合グループαの統合データとともに統合記憶部２６に書き込まれた前提グループＢのバイアスに基づいて計測データを調整する。
　判定部３０は、調整部２７が判定した統合グループについての学習モデルを、モデル記憶部２９から読み出す。判定部３０は、読み出した学習モデルに基づいて、計測データについて異常の有無を判定する。この例において、判定部３０は、前提グループＢを統合する統合グループαについての学習モデルをモデル記憶部２９から読み出す。判定部３０は、例えば計測データの原点からのマハラノビス距離が予め設定された値より大きくなるときに、異常を表すデータとして当該計測データを検出する。
　以上に説明したように、実施の形態１に係る異常検出システム１８は、分類部２３と、算出部２４と、統合部２５と、学習部２８と、を備える。分類部２３は、ドアモータ１３が動作するときに取得される動作ごとの複数の計測データを、前提データごとの複数の前提グループに分類する。前提データは、各々の計測データが取得される前に既知の情報を表すデータである。算出部２４は、各々の前提グループについて、複数の計測データのうち当該前提グループに分類された計測データに基づいて当該前提グループの特徴量を算出する。統合部２５は、算出部２４が算出する特徴量に基づいて、複数の前提グループの少なくともいずれかを統合グループに統合する。学習部２８は、複数の計測データのうち統合グループに分類された計測データに基づいて、エレベーター１のドアモータ１３の異常を判定する学習モデルを構築する。
　このような構成により、前提グループをその特徴量に基づいて統合する統合グループによって学習モデルが構築されるので、同じ前提で計測されたデータが少ない動作に対しても、より多くの計測データに基づいて学習モデルが構築されるようになる。このため、学習モデルの精度がより高められるようになる。また、統合グループへの統合は、特徴量に基づいて機械的に行われる。このため、新しい機種などが導入される場合においても、当該機種について取得される計測データの異常の判定に用いられる学習モデルを構築する統合グループが機械的に選択される。これにより、このような計測データに対しても、より高い精度で異常を判定する学習モデルが構築される。
　また、前提データは、エレベーター１のドアモータ１３の属性のデータを含む。
　また、前提データは、エレベーター１のドアモータ１３の動作モードのデータを含む。
　また、前提データは、エレベーター１のドアモータ１３の動作環境のデータを含む。
　また、動作環境のデータは、エレベーター１が設けられる地域の気象のデータを含む。
　このような構成により、より同質性の高い計測データを前提グループとして分類できるようになる。例えば、型式または設置環境などの違いによって特性の異なる計測データが同じ前提グループに混在しにくくなる。また、動作モードなどの違いによって特性の異なる計測データが同じ前提グループに混在しにくくなる。また、温度などにより巻線抵抗などのドアモータ１３の電気的な特性が変化しうる。あるいは、湿度などによりかごドア１２または乗場ドア４の敷居における機械的な抵抗などの特定が変化しうる。このように温度または湿度などの動作環境の違いによって特性の異なる計測データが同じ前提グループに混在しにくくなる。これにより、前提グループにおける計測データの分布が多変量正規分布などの扱いやすい分布に近くなる。また、例えばかごドア１２または乗場ドア４の敷居が雨などによって濡れている場合に、ドアモータ１３のトルクおよびかごドア１２または乗場ドア４の開閉速度の関係は、敷居が乾いている場合と異なる関係になることがある。このような天候の違いによって特性の異なる計測データが同じ前提グループに混在しにくくなるので、前提グループにおける計測データの分布が多変量正規分布などの扱いやすい分布に近くなる。これにより、異常検出システム１８において、より精度の高い学習モデルが構築されるようになる。
　また、各々の計測データは、エレベーター１のドアモータ１３のトルクおよび速度を含む多成分のデータである。算出部２４が算出する特徴量は、エレベーター１のドアモータ１３のトルクおよび速度の関係に基づいて算出される。
　このような構成により、トルクおよび速度の関係性の近い前提グループ同士が統合グループとして統合されるようになる。このため、特性の異なる前提グループが統合されることによる学習モデルの精度の低下が抑えられる。
　また、各々の計測データは、多成分のデータである。算出部２４は、各々前提グループについて、複数の計測データのうち当該前提グループに分類された計測データについての主成分分析によって当該前提グループの特徴量を算出する。
　このような構成により、主成分分析によって算出される特徴量に基づいて前提グループが統合されるので、計測データの分布などの特性の異なる前提グループが統合されることによる学習モデルの精度の低下が抑えられる。例えば、図３における前提グループＣおよび前提グループＤは、第１主成分の方向から同じ統合グループに統合されない。このため、これらのような前提グループを分布間の中心距離のみに基づいてまとめてしまうことによる学習モデルの精度の低下が抑えられる。なお、計測データの各成分は、トルク、速度、または入力もしくは出力の電流もしくは電圧などのドアモータ１３の動作の特性を反映する情報であればよく、特定の物理量などに限定されない。
　また、学習部２８による学習モデルの構築に用いられる計測データの各々は、動作回数が予め設定された上限回数より少ないエレベーター１のドアモータ１３について取得された計測データである。
　このような構成により、動作回数が上限回数を超えており劣化などの可能性のあるドアモータ１３についての計測データは、学習モデルの構築に用いられないようになる。このため、劣化などによって正常の範囲から異常の範囲に近づいたデータが学習モデルの構築に用いられにくくなるので、学習モデルの精度の低下が抑えられる。
　続いて、図７を用いて、異常検出システム１８のハードウェア構成の例について説明する。
　図７は、実施の形態１に係る異常検出システム１８の主要部のハードウェア構成図である。
　異常検出システム１８における処理の各機能は、処理回路により実現し得る。処理回路は、少なくとも１つのプロセッサ１００ａと少なくとも１つのメモリ１００ｂとを備える。処理回路は、プロセッサ１００ａおよびメモリ１００ｂと共に、あるいはそれらの代用として、少なくとも１つの専用ハードウェア２００を備えてもよい。
　処理回路がプロセッサ１００ａとメモリ１００ｂとを備える場合、異常検出システム１８の各機能は、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で実現される。ソフトウェアおよびファームウェアの少なくとも一方は、プログラムとして記述される。そのプログラムはメモリ１００ｂに格納される。プロセッサ１００ａは、メモリ１００ｂ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、異常検出システム１８の各機能を実現する。
　プロセッサ１００ａは、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、ＤＳＰともいう。メモリ１００ｂは、例えば、ＲＡＭ、ＲＯＭ、フラッシュメモリ、ＥＰＲＯＭ、ＥＥＰＲＯＭなどの、不揮発性または揮発性の半導体メモリなどにより構成される。
　処理回路が専用ハードウェア２００を備える場合、処理回路は、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、ＦＰＧＡ、またはこれらの組み合わせで実現される。
　異常検出システム１８における処理の各機能は、それぞれ処理回路で実現することができる。あるいは、異常検出システム１８の各機能は、まとめて処理回路で実現することもできる。異常検出システム１８の各機能について、一部を専用ハードウェア２００で実現し、他部をソフトウェアまたはファームウェアで実現してもよい。このように、処理回路は、専用ハードウェア２００、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で異常検出システム１８の各機能を実現する。
　本開示に係る異常検出システムは、エレベーターに適用できる。
　１　エレベーター、　２　昇降路、　３　乗場、　４　乗場ドア、　５　巻上機、　６　主ロープ、　７　かご、　８　釣合い錘、　９　制御盤、　１０　駆動モータ、　１１　駆動シーブ、　１２　かごドア、　１３　ドアモータ、　１４　計測装置、　１５　遠隔監視装置、　１６　通信網、　１７　中央管理装置、　１８　異常検出システム、　１９　端末装置、　２０　入力部、　２１　表示部、　２２　計測記憶部、　２３　分類部、　２４　算出部、　２５　統合部、　２６　統合記憶部、　２７　調整部、　２８　学習部、　２９　モデル記憶部、　３０　判定部、　１００ａ　プロセッサ、　１００ｂ　メモリ、　２００　専用ハードウェア

Claims (8)

  1. 　エレベーターのモータが動作するときに取得される動作ごとの複数の計測データを、前記複数の計測データの各々が取得される前に既知の情報である前提データごとの複数の前提グループに分類する分類部と、
    　前記複数の前提グループの各々について、前記複数の計測データのうち当該前提グループに分類された計測データに基づいて当該前提グループの特徴量を算出する算出部と、
    　前記算出部が算出する特徴量に基づいて、前記複数の前提グループの少なくともいずれかを統合グループに統合する統合部と、
    　前記複数の計測データのうち前記統合グループに分類された計測データに基づいて、エレベーターのモータの異常を判定する学習モデルを構築する学習部と、
    　を備えるエレベーターのモータの異常検出システム。
  2. 　前記前提データは、エレベーターのモータの属性のデータを含む
    　請求項１に記載のエレベーターのモータの異常検出システム。
  3. 　前記前提データは、エレベーターのモータの動作モードのデータを含む
    　請求項１または請求項２に記載のエレベーターのモータの異常検出システム。
  4. 　前記前提データは、エレベーターのモータの動作環境のデータを含む
    　請求項１から請求項３のいずれか一項に記載のエレベーターのモータの異常検出システム。
  5. 　前記動作環境のデータは、エレベーターが設けられる地域の気象のデータを含む
    　請求項４に記載のエレベーターのモータの異常検出システム。
  6. 　前記複数の計測データの各々は、エレベーターのモータのトルクおよび速度を含む多成分のデータであり、
    　前記算出部が算出する特徴量は、エレベーターのモータのトルクおよび速度の関係に基づいて算出される
    　請求項１から請求項５のいずれか一項に記載のエレベーターのモータの異常検出システム。
  7. 　前記複数の計測データの各々は、多成分のデータであり、
    　前記算出部は、前記複数の前提グループの各々について、前記複数の計測データのうち当該前提グループに分類された計測データについての主成分分析によって当該前提グループの特徴量を算出する
    　請求項１から請求項６のいずれか一項に記載のエレベーターのモータの異常検出システム。
  8. 　前記学習部による学習モデルの構築に用いられる前記複数の計測データの各々は、動作回数が予め設定された上限回数より少ないエレベーターのモータについて取得された計測データである
    　請求項１から請求項７のいずれか一項に記載のエレベーターのモータの異常検出システム。
PCT/JP2021/015764 2021-04-16 2021-04-16 エレベーターのモータの異常検出システム WO2022219820A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2023514313A JPWO2022219820A1 (ja) 2021-04-16 2021-04-16
PCT/JP2021/015764 WO2022219820A1 (ja) 2021-04-16 2021-04-16 エレベーターのモータの異常検出システム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/015764 WO2022219820A1 (ja) 2021-04-16 2021-04-16 エレベーターのモータの異常検出システム

Publications (1)

Publication Number Publication Date
WO2022219820A1 true WO2022219820A1 (ja) 2022-10-20

Family

ID=83640323

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/015764 WO2022219820A1 (ja) 2021-04-16 2021-04-16 エレベーターのモータの異常検出システム

Country Status (2)

Country Link
JP (1) JPWO2022219820A1 (ja)
WO (1) WO2022219820A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024084684A1 (ja) * 2022-10-21 2024-04-25 三菱電機ビルソリューションズ株式会社 エレベーターの診断システムおよび診断方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11203415A (ja) * 1998-01-16 1999-07-30 Fuji Xerox Co Ltd 類似パターンカテゴリ識別辞書作成装置および方法
JPH11219410A (ja) * 1998-02-04 1999-08-10 Fujitsu Ltd 文字認識用マルチテンプレート辞書作成方法
JP2018045302A (ja) * 2016-09-12 2018-03-22 キヤノン株式会社 情報処理装置、情報処理方法及びプログラム
JP2019008354A (ja) * 2017-06-20 2019-01-17 株式会社日立ビルシステム 監視装置、監視システム、異常検知方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH11203415A (ja) * 1998-01-16 1999-07-30 Fuji Xerox Co Ltd 類似パターンカテゴリ識別辞書作成装置および方法
JPH11219410A (ja) * 1998-02-04 1999-08-10 Fujitsu Ltd 文字認識用マルチテンプレート辞書作成方法
JP2018045302A (ja) * 2016-09-12 2018-03-22 キヤノン株式会社 情報処理装置、情報処理方法及びプログラム
JP2019008354A (ja) * 2017-06-20 2019-01-17 株式会社日立ビルシステム 監視装置、監視システム、異常検知方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024084684A1 (ja) * 2022-10-21 2024-04-25 三菱電機ビルソリューションズ株式会社 エレベーターの診断システムおよび診断方法

Also Published As

Publication number Publication date
JPWO2022219820A1 (ja) 2022-10-20

Similar Documents

Publication Publication Date Title
US11584614B2 (en) Elevator sensor system floor mapping
US11591183B2 (en) Enhancing elevator sensor operation for improved maintenance
CN101269767B (zh) 电梯的维护管理系统
US11535486B2 (en) Determining elevator car location using vibrations
JP6525118B2 (ja) 警報システム
WO2022219820A1 (ja) エレベーターのモータの異常検出システム
CN110872039B (zh) 使用射频标识来确定电梯轿厢定位
US10941018B2 (en) Elevator auto-positioning for validating maintenance
CN107555271A (zh) 电梯装置和程序
CN110498310A (zh) 轿厢位置确定装置以及轿厢位置确定方法
US11518650B2 (en) Variable thresholds for an elevator system
JP7308717B2 (ja) ホームドア診断装置、ホームドアシステム、及びホームドア診断プログラム
EP3617117B1 (en) Model development framework for remote monitoring condition-based maintenance
EP3363758A1 (en) Mechanism for monitoring operation of passenger transport device
CN112390105B (zh) 电梯运行检测方法、装置、计算机设备和存储介质
CN116348406B (zh) 电梯的故障诊断装置
CN111071878B (zh) 电梯轿厢调平传感器
JP2021091516A (ja) 昇降機の群管理制御装置
WO2019244245A1 (ja) 温度推移特定装置、保守計画システム及びエレベーターシステム
KR20010036423A (ko) 일반 회귀 신경망을 이용한 고장 검출 방법 및 장치
WO2024084684A1 (ja) エレベーターの診断システムおよび診断方法
JP2021109730A (ja) エレベーター制御システム及びエレベーター制御装置
JPH08192965A (ja) エレベータの異常判定装置

Legal Events

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

Ref document number: 21937014

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2023514313

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21937014

Country of ref document: EP

Kind code of ref document: A1