WO2023047903A1 - 機器診断システム - Google Patents

機器診断システム Download PDF

Info

Publication number
WO2023047903A1
WO2023047903A1 PCT/JP2022/032724 JP2022032724W WO2023047903A1 WO 2023047903 A1 WO2023047903 A1 WO 2023047903A1 JP 2022032724 W JP2022032724 W JP 2022032724W WO 2023047903 A1 WO2023047903 A1 WO 2023047903A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
time
series data
abnormality
degree
Prior art date
Application number
PCT/JP2022/032724
Other languages
English (en)
French (fr)
Inventor
浩一郎 永田
重幸 阿部
達哉 前川
Original Assignee
株式会社日立インダストリアルプロダクツ
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 株式会社日立インダストリアルプロダクツ filed Critical 株式会社日立インダストリアルプロダクツ
Publication of WO2023047903A1 publication Critical patent/WO2023047903A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring

Definitions

  • the present invention relates to a device diagnosis system that collects and analyzes data from devices using sensors to diagnose the state of a machine, and more particularly to a device diagnosis system that divides processes to be analyzed during analysis. .
  • An industrial equipment system consists of several machines through which products are manufactured. At that time, if any machine breaks down, the unplanned stoppage may have a large impact on the operation, resulting in a large amount of loss.
  • each machine may be equipped with mechanical sensors and temperature sensors that measure mechanical physical quantities such as machine vibration and pressure, collect machine data, and monitor numerical values related to the state of the machine through analysis.
  • mechanical sensors and temperature sensors that measure mechanical physical quantities such as machine vibration and pressure
  • the state of the machine can also be detected by collecting and analyzing electrical data such as motor current using an electrical sensor that measures electrical physical quantities such as current and voltage. can be done.
  • electrical data such as motor current using an electrical sensor that measures electrical physical quantities such as current and voltage. can be done.
  • moving bodies such as automobiles, railways, and elevators, electrical physical quantities, mechanical physical quantities, temperatures, and positions of moving bodies are measured.
  • time-series data is grasped as feature amount data, a threshold value is determined for the feature amount data, raw data is divided starting from the peak exceeding the threshold value, and a process is performed for each of a plurality of peaks. proposes to split the
  • the operating patterns of the machine's torque consumption, power, speed, etc. may change over time.
  • analyzing the data obtained for such machine condition monitoring by dividing the process into processes in which the operation patterns are as uniform as possible, it becomes easier to see the parameters to be examined by analysis.
  • these divisions are performed manually, there is a problem that it takes time and labor for the operator.
  • Patent Document 1 it is possible to divide the periodic operation pattern, but it does not correspond to the case where the torque, speed, etc. change depending on the operation pattern. Therefore, when a change in torque, speed, or the like occurs, it takes time and effort to divide the process separately.
  • a part of the time-series data measured during the operation of the equipment is used as reference data, and a threshold calculation unit that sets a plurality of thresholds for the reference data;
  • a data division unit that divides the matched time-series data into statuses for each range, a feature amount calculation unit that calculates the feature amount (basic statistic amount) from the time-series data for each status, and a measurement during operation of the device.
  • the other part of the obtained time-series data is treated as inspection data, and an abnormality degree calculation unit analyzes and calculates an abnormality degree, which is the degree of abnormality of the inspection data, for each status using the feature amount for the inspection data.
  • a device diagnostic system characterized by:
  • the present invention when analyzing time-series data in a device diagnostic system, it is possible to reduce the time and effort required to divide the data into processes according to changes in torque, power, speed, and the like. This has the effect of reducing working hours and personnel costs.
  • FIG. 1 is a configuration diagram of a device diagnosis system of Example 1.
  • FIG. 1 is a conceptual diagram of Example 1.
  • FIG. FIG. 11 is a configuration diagram related to data division and sorting in Example 2;
  • FIG. 11 is a diagram related to data selection in the second embodiment; This is related to the time-series data and its division in the third embodiment.
  • FIG. 11 is a configuration diagram of a device diagnosis system of Example 4;
  • FIG. 1 shows a configuration example of a device diagnosis system according to Embodiment 1 of the present invention.
  • FIG. 2 shows a conceptual diagram of the concept of the present invention.
  • the data selection unit 1 of the device diagnostic system 10 in FIG. 1 receives input of the time-series data D measured by the device to be diagnosed.
  • part of the input time-series data D is used as reference data, and the other part is used as inspection data.
  • the horizontal axis is time and the vertical axis is the magnitude of the physical quantity to be measured, and shows an example where the time-series data D of the physical quantity to be measured repeatedly changes in the order of high value, low value, and intermediate value.
  • the threshold value calculator 2 in FIG. The value of the physical quantity inside is extracted as the reference data D1 in the data dividing unit 3 .
  • FIG. 2 shows an example where the time-series data D of the physical quantity to be measured repeatedly changes in the order of high value, low value, and intermediate value.
  • the time-series data having the size between them is divided by the thresholds L1 and L2 as the first reference data D1A (divided data of the status StA), and the threshold L3 , and L4, the time-series data having a size between them is divided as second reference data D2A (divided data of status StB).
  • the divided data of the status StA is obtained by extracting the high value of the time-series data D as reference data
  • the divided data of the status StB is obtained by extracting the intermediate value of the time-series data D as reference data.
  • the time-series data D is used as the reference data D1, and the threshold is determined by the threshold calculator 2.
  • the time-series data D is set to fall between two thresholds (for example, L1 and L2).
  • the time-series data D is divided so as to match within a certain range.
  • the data dividing unit 3 divides the data using the intersection of the threshold value (for example, L1 and L2) and the time-series data D.
  • the data division unit 3 selects data to be analyzed and sends the data to the feature amount calculation unit 4 .
  • the threshold calculation unit 2 calculates a threshold value L parallel to the time axis as indicated by a broken line so as to determine a range sandwiching certain time-series data.
  • Set L1, L2, L3, L4. Then, the time series data is divided by vertically drawing the intersection of the threshold value and the time series data as indicated by the dashed line.
  • the reference data D1 divided for each status is determined by the feature amount calculation unit 4 for each status (in the example of FIG. 2, for example, statuses for high and intermediate values). be done.
  • the feature amounts calculated by the feature amount calculation unit 4 are basic statistics such as the average value, maximum value, minimum value, variance, and standard deviation.
  • the abnormality degree calculation unit 5 calculates the abnormality degree of the inspection data D2 using this inspection data D2 and the above feature amount.
  • the inspection data D2 may be obtained at any point in the time-series change in FIG.
  • the degree of abnormality is calculated based on the statistical distance (general Mahalanobis distance) between the reference data D1 and the inspection data D2.
  • the feature quantity calculation unit 4 calculates a feature quantity from the reference data D1, and the difference (statistical distance) between the feature quantity and the inspection data D2 is taken as the degree of abnormality.
  • time-series data of the machine during the work is stored in a similar state ( process) can be easily divided. By analyzing the time-series data of the same degree divided further, it is possible to see the state transition of the machine.
  • the reference data and the inspection data are different physical quantities, and the feature quantity is detected from the time-series data when the first physical quantity is divided by status, and the period of the same status for the second physical quantity is detected.
  • This time-series data is compared as inspection data in the degree-of-abnormality calculator, and cross-correlated diagnosis is performed.
  • FIG. 3 shows sorting of analysis data in the data division unit 3 .
  • the time data division unit 11 divides the data from the intersection of the threshold value and the reference data.
  • the data D11, D12, D13, and D14 divided by the time data division unit 11 shown in FIG. Data division by the time data division unit 11, predetermined conditions obtained by the predetermined condition calculation unit 12, and specific techniques for selecting data to be analyzed by the use data selection unit 13 will be described with reference to FIG.
  • the used data selection unit 13 adopts D12 and D13 as used data and determines D11 and D14 as unused data.
  • the condition from the predetermined condition calculation unit 12 is, for example, that the time length of the sampled data is longer than a certain period of time, and data with a short sampling time is data in a transient state. is considered inappropriate.
  • FIG. 4 shows the division and selection method for time-series data in this embodiment.
  • three thresholds L L1, L2, L3 (L1>L2>L3)) indicated by bold dotted lines are set for time-series data D indicated by bold lines in the time data division unit 11 of FIG.
  • the time series data D is divided into processes for each of the four statuses St (St1, St2, St3, St4).
  • St statuses St
  • the status is divided into the status St1 for the threshold L1 or less, the status St2 for the interval between the thresholds L1 and L2, the status St3 for the interval between the thresholds L2 and L3, and the status St4 for the threshold L1 or below.
  • the data obtained in each status St are D11, D12, D13, and D14, respectively, and the period during which these data are collected is described at the bottom of FIG.
  • the predetermined condition calculation unit 12 in FIG. The data shall be excluded from analytical calculations.
  • the feature amount has a value corresponding to the frequency, and the frequency resolution when identifying the frequency is ⁇ f.
  • ⁇ f is, for example, the frequency or less to 1/10 or less.
  • the frequency resolution is 1/ ⁇ t. Therefore, by setting the required frequency resolution ⁇ f ⁇ 1/ ⁇ t, only data with large ⁇ t are analyzed and calculated.
  • the average change rate of the divided process data is less than or equal to the speed or torque change rate of the equipment during operation, transient phenomena due to machine acceleration can be removed and excluded from analysis.
  • FIG. 5 shows the simplest form of changes in time-series data, in which the data consists of only one high portion and one low portion.
  • two thresholds L1 and L2 are set so that the areas close to the high and low parts are regarded as statuses, as shown in FIG.
  • statuses St1, St2, and St3 analyze data in St1 and St3, and not analyze data in status St2.
  • at least two thresholds are set, and the status is divided into three statuses.
  • the time-series data fluctuates, only each status data can be analyzed except for the transient state.
  • FIG. 6 is a diagram specifically showing means for outputting analysis results in the device diagnostic system including the present embodiment.
  • FIG. 6 includes a device diagnosis unit 20 that diagnoses the state of the device as shown in the first embodiment and calculates the degree of abnormality.
  • the device diagnosis unit 20 includes an anomaly degree calculation unit 21 that divides the time-series data D and calculates an anomaly degree for each status St, as in the first embodiment.
  • the display unit 22 displays the degree of abnormality calculated for each status. In this embodiment, the operator can grasp the state of the equipment by displaying the calculated state (abnormality degree) of the equipment.
  • a display provided near the device diagnostic unit 20 may be used as the display unit 22, or the result of the degree of abnormality calculation may be sent to a remote location using a wired or wireless connection.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

トルクや速度変化などに応じて、簡易に分析プロセスを分割する事ができない。機器の運転時に計測した時系列データの一部を基準データとし、基準データに対して複数の閾値を設定する閾値演算部と、複数の閾値で定まる条件に合致する前記時系列データを各範囲のステータスとして分割するデータ分割部と、各ステータスでの前記時系列データからその特徴量（基本統計量）を演算する特徴量演算部と、機器の運転時に計測した時系列データの他部を検査データとし、前記検査データについて前記特徴量を用いて、各々のステータスに対し、前記検査データの異常の度合いである異常度を分析演算する異常度演算部を備えることを特徴とする機器診断システム。

Description

機器診断システム
　本発明は、センサを用いて機器からデータを収集し分析して、機械の状態を診断する機器診断システムに係り、特に分析する際に、分析対象のプロセスを分割する機器診断システムに関するものである。
　産業機器システムは、いくつかの機械から構成され、それらを介して製品が製造される。その際、どこかの機械が故障を起こすと、計画外停止により操業に大きな影響を起こし、多額の損失が生じることがある。
　そのため、各機械には、機械の振動、圧力等、機械的物理量を測定する機械センサや温度センサを設置して機械データを収集し、分析により機械の状態に係る数値をモニタする事がある。また、機械がモータで駆動されている場合、電流や電圧などの電気的物理量を測定する電気センサを用いてモータ電流などの電気データを収集し、分析する事でも、機械の状態を検知することができる。また、自動車、鉄道、エレベータなどの移動体でも、電気的物理量や機械的物理量、温度、更に移動体の位置などを測定している。
　このように従来では、センサを用いた機械の診断を行う事で、機械システムの状態をモニタし、機械が故障しそうな場合は、事前に修理をする事で計画外停止を未然に防ぐことが行われている。
　例えば特許文献１では、時系列データを特徴量データとして把握し、その特徴量データに対し閾値を決め、それを超えたピークを起点に、生データを分割し、これにより複数のピーク毎にプロセスを分割することを提案している。
特開２０２０－１３５８０８号公報
　例えば、製品を作成、取り出し、取入れなどの作業をする機械においては、機械の消費トルク、電力、速度などの運転パターンが時系列に変化する場合がある。このような機械の状態監視のため、得られたデータを分析する際、上記運転パターンがなるべく均等であるようなプロセスに分割する事で、分析により調べたいパラメータが見えやすくなる。しかし、これらの分割を手動で行う場合、作業者の時間や労力がかかることが問題であった。
　また特許文献１の場合、周期的な運転パターンを分割する事はできるが、運転パターンによりトルクや速度などが変化する場合に対応していない。そのため、トルクや速度などの変化が生じた場合、別途そのプロセスを分割する手間がかかる。
　このように従来技術では、トルクや速度変化などに応じて、簡易に分析プロセスを分割する事ができないという課題があった。
　以上のことから本発明においては、「機器の運転時に計測した時系列データの一部を基準データとし、基準データに対して複数の閾値を設定する閾値演算部と、複数の閾値で定まる条件に合致する前記時系列データを各範囲のステータスとして分割するデータ分割部と、各ステータスでの前記時系列データからその特徴量（基本統計量）を演算する特徴量演算部と、機器の運転時に計測した時系列データの他部を検査データとし、前記検査データについて前記特徴量を用いて、各々のステータスに対し、前記検査データの異常の度合いである異常度を分析演算する異常度演算部を備えることを特徴とする機器診断システム。」としたものである。
　本発明によれば、機器診断システムにおいて、時系列データを分析する際に、トルク、電力、速度などの変化に応じて、そのプロセス毎に分割する際の時間や労力を軽減する事ができる。これにより、作業時間や人員コストを削減することができる効果がある。
実施例１の機器診断システムの構成図である。 実施例１の概念図である。 実施例２のデータ分割及び選別に係わる構成図である。 実施例２のデータ選別に係わる図である。 実施例３の時系列データとその分割に係わるである。 実施例４の機器診断システムの構成図である。
　以下本発明の実施例について図面を用いて説明する。
　実施例１として、産業機器を対象にした機器診断システムについて、図１と図２を用いて説明する。図１は本発明の実施例１に係る機器診断システムの構成例を示す。図２は本発明の考え方の概念図を示す。
　図１の機器診断システム１０のデータ選別部１には、診断対象機器で計測された時系列データＤが入力される。データ選別部１において、入力された時系列データＤの一部は基準データとされ、他の一部は検査データとされる。
　図２は、横軸に時間、縦軸に計測対象物理量の大きさをとり、計測対象物理量の時系列データＤが高値、低値、中間値の順に繰り返し変化する事例を示している。時系列データＤに対して、図１の閾値演算部２では閾値ＬとしてＬ１、Ｌ２、Ｌ３、Ｌ４（Ｌ１＞Ｌ２＞Ｌ３＞Ｌ４）を設定しており、これらで定まる２組の閾値の範囲内の物理量の値をデータ分割部３において基準データＤ１として抽出する。図２の例では、４組の閾値が設定されており、閾値Ｌ１とＬ２により、この間の大きさの時系列データが第１の基準データＤ１Ａ（ステータスＳｔＡの分割データ）として分割され、閾値Ｌ３とＬ４により、この間の大きさの時系列データが第２の基準データＤ２Ａ（ステータスＳｔＢの分割データ）として分割されている。なお、ステータスＳｔＡの分割データは、基準データとして時系列データＤの高値を抽出したものであり、ステータスＳｔＢの分割データは、基準データとして時系列データＤの中間値を抽出したものということができる。
　このように、時系列データＤのうちの一部は基準データＤ１として、閾値演算部２で閾値を決定する。この際、二つの閾値（例えばＬ１とＬ２）の間に、時系列データＤが入るように設定する。これにより時系列データＤが、ある範囲内で一致するように分割する。
またデータ分割部３では、その閾値（例えばＬ１とＬ２）と時系列データＤの交点を用い、データを分割する。また、データ分割部３では、分析するデータを選別し、特徴量演算部４にデータを送る。
　図２に示すように、ある物理量が時間遷移する時系列データＤに対し、閾値演算部２では、ある時系列データを挟む範囲を決めるように破線で示したような時間軸と平行な閾値Ｌ（Ｌ１、Ｌ２、Ｌ３、Ｌ４）を設定する。そしてその閾値と時系列データの交点を一点破線で示したように垂直に引くことにより、時系列データを分割する。
　続いて図１では、分割され、ステータス毎に分けられた基準データＤ１は、特徴量演算部４で、ステータス毎（図２の例では、例えば高値と中間値についてのステータス）に特徴量が決定される。なお、特徴量演算部４で演算する特徴量は、平均値、最大値、最小値、分散、標準偏差などの基本統計量とする。
　一方、時系列データＤの一部を検査データＤ２とし、この検査データＤ２と、上記の特徴量を用いて、異常度演算部５で、検査データＤ２の異常度を演算する。なお検査データＤ２は、図２の時系列変化のいずれの時点のものであってもよい。異常度を演算する際、上記基準データＤ１と上記検査データＤ２との間の統計的な距離の隔たり（一般的なマハラノビス距離）を基に異常度を演算する。具体的には、特徴量演算部４で、基準データＤ１から特徴量を演算し、その特徴量に対する、検査データＤ２の差（統計的な距離の隔たり）を異常度とする。
　本実施例では、運転中に負荷が変動する地面の掘削作業、ポンプによる排水、非周期的な負荷変動作業をする機械などに対し、その作業時における機械の時系列データを同じような状態（プロセス）毎に、容易に分割する事ができる。さらに分割された同程度の時系列データを分析する事で、その機械の状態遷移を見ることができる。
　なお図１の構成において、基準データと検査データは異なる物理量であり、第１の物理量についてステータスごとに分けたときの時系列データから特徴量を検知し、他方第２の物理量について同じステータスの期間の時系列データを検査データとして異常度演算部で比較する、相互相関的な診断を行うことになる。
　実施例２として、産業機器を対象にした機器診断システムについて、図３を用い、実施例１と異なる点について説明する。図３では、データ分割部３における分析データの選別について示す。データ分割部３では、時間データ分割部１１により、閾値と基準データの交点からデータを分割する。
　図３の例は、３つの閾値Ｌ１、Ｌ２、Ｌ３（Ｌ１＞Ｌ２＞Ｌ３）を用いて、Ｌ１以下かつＬ２以上の条件で分割した時刻ｔ１とｔ２間のデータＤ１１と時刻ｔ４とｔ５間のデータＤ１３、Ｌ１以上の条件で分割した時刻ｔ２とｔ３間のデータＤ１２、Ｌ２以下かつＬ３以上の条件で分割した時刻ｔ３とｔ４間のデータＤ１４を基準データとして抽出することを表している。
　図３の時間データ分割部１１により分割されたデータＤ１１、Ｄ１２、Ｄ１３、Ｄ１４は、使用データ選別部１３に入り、所定条件演算部１２からの条件に従い、使用データ、不使用データに選別される。時間データ分割部１１でのデータ分割、所定条件演算部１２で得られる所定条件と、使用データ選別部１３での分析するデータの選別の具体的な手法については、図４を用いて説明する。
　図３の例は、分割されたデータＤ１１、Ｄ１２、Ｄ１３、Ｄ１４について使用データ選別部１３はＤ１２、Ｄ１３を使用データとして採用し、Ｄ１１、Ｄ１４を不使用データと決定したものである。この場合に、所定条件演算部１２からの条件は、例えば採取したデータの時間長が一定時間以上あることであり、採取時間が短いデータは、過渡状態のデータであることから特徴量を求めるには不適当であることを考慮したものである。
　図４は、本実施例における時系列データに対する分割及び選別手法を示す。図４では、図３の時間データ分割部１１において、太線の時系列データＤに対し、３本の太字点線の閾値Ｌ（Ｌ１、Ｌ２、Ｌ３（Ｌ１＞Ｌ２＞Ｌ３））を設定し、時系列データＤと閾値Ｌ（Ｌ１、Ｌ２、Ｌ３）の交点から垂直に線（一点破線）を引くことで、時系列データＤを４つのステータスＳｔ（Ｓｔ１、Ｓｔ２、Ｓｔ３、Ｓｔ４）毎のプロセスに分割する。この時、基準データＤが脈動する場合、移動平均やフィルタにより、脈動成分を低減しておくのがよい。
　この例では、閾値Ｌ１以下をステータスＳｔ１、閾値Ｌ１とＬ２の間をステータスＳｔ２、閾値Ｌ２とＬ３の間をステータスＳｔ３、閾値Ｌ１以下をステータスＳｔ４として分割している。また各ステータスＳｔで得られるデータを夫々Ｄ１１、Ｄ１２、Ｄ１３、Ｄ１４として、図４の下部にはこれらのデータが採取される期間を記述している。
　次に、ステータスＳｔ１、Ｓｔ３、Ｓｔ４の異常度を演算したいと考えた場合、図３の所定条件演算部１２では以下のような所定条件を設け、使用データ選別部１３において、その条件に従わないデータは分析演算から除くこととする。
　例えば、上記特徴量は周波数に応じた値を持ち、その周波数を識別する際の周波数分解能をΔｆとする。Δｆは例えば、その周波数以下～１／１０以下とする。一方、分割されたプロセスデータの時間幅をΔｔとすると、周波数分解能は１／Δｔとなる。そこで、必要な周波数分解能Δｆ≦１／Δｔとすることで、Δｔが大きなデータのみを分析演算する。
　また、分割されたプロセスデータの平均変化レートが、運転における機器の速度もしくはトルクの変化レート以下であれば、機械の加速による過渡的な現象を取り除き、分析対象から除く事ができる。
　これにより、図４で示したような。時系列データが素早く立ち上がったり、立ち下がったり、右端のピークのような過渡的な現象は、分析対象から除く事ができる。
　実施例３として、産業機器を対象にした機器診断システムについて、図５を用い、実施例１、実施例２と異なる点について説明する。図５は時系列データの変化が最も単純な形として、データがある一つの高い部分と一つの低い部分のみで構成されている図である。
　このようなデータを分析する際、図５のように、高い部分と低い部分に近い領域をステータスとするように、２本の閾値Ｌ１、Ｌ２を設定する。これにより、ステータスＳｔ１、Ｓｔ２、Ｓｔ３を定義し、Ｓｔ１とＳｔ３で分析を行い、ステータスＳｔ２のデータは分析しないものとすることができる。このため、閾値は少なくとも２本以上設定し、３つのステータスに分けることになる。本実施例では、時系列データが変動する場合、過渡状態を除き、各々のステータスデータのみを分析する事ができる。
　実施例４として、産業機器を対象にした機器診断システムについて、図６を用い、実施例１～実施例３と異なる点について説明する。図６は本実施例を含む、機器診断システムにおいて、特に分析結果を出力する手段について示した図である。
　図６では、実施例１で示したような機器の状態を診断し、異常度を算出する機器診断部２０を備える。機器診断部２０には、実施例１と同様に時系列データＤを分割し、ステータスＳｔ毎に異常度を算出する異常度演算部２１を備える。表示部２２により、ステータス毎に演算された異常度が表示される。本実施例では、演算された機器の状態（異常度）が表示される事で、作業者が機器の状態を把握する事ができる。なお、異常度を表示する際、機器診断部２０の近くに備えたディスプレイを表示部２２としても良いし、異常度演算の結果を、有線や無線を用いて離れた場所に送る事でも良い。
１…データ選別部、２…閾値演算部、３…データ分割部、４…特徴量演算部、５…異常度演算部、１１…時間データ演算部、１２…所定条件演算部、１３…使用データ演算部、２０…機器診断部、２１…異常度演算部、２２…表示部。

Claims (9)

  1. 　機器の運転時に計測した時系列データの一部を基準データとし、基準データに対して複数の閾値を設定する閾値演算部と、複数の閾値で定まる条件に合致する前記時系列データを各範囲のステータスとして分割するデータ分割部と、各ステータスでの前記時系列データからその特徴量（基本統計量）を演算する特徴量演算部と、機器の運転時に計測した時系列データの他部を検査データとし、前記検査データについて前記特徴量を用いて、各々のステータスに対し、前記検査データの異常の度合いである異常度を分析演算する異常度演算部を備えることを特徴とする機器診断システム。
  2. 　請求項１に記載の機器診断システムであって、
    　前記基準データと前記検査データは、機器の運転時に計測した同じ物理量についての時系列データであって、異なる時刻のものとされていることを特徴とする機器診断システム。
  3. 　請求項１に記載の機器診断システムであって、
    　前記データ分割部は、前記特徴量の算出に使用するための所定条件を設定する所定条件演算部と、分割した複数のステータスの中から所定条件を満足しないステータスを除外する使用データ選定部を備えることを特徴とする機器診断システム。
  4. 　請求項３に記載の機器診断システムであって、
    　前記特徴量は周波数に応じた値を持ち、前記所定条件とは、時系列データをプロセスに分割した際、その分割されたデータの時間幅Δｔに対し、１／Δｔが、上記特徴量において検出したい周波数の大きさより小さい値（時間幅Δｔが大きい値）を持つことを特徴とする機器診断システム。
  5. 　請求項３に記載の機器診断システムであって、
    　前記所定条件とは、上記分割された時系列データが、その分割された時間幅での平均変化レートが、所定値以下であることを特徴とする機器診断システム。
  6. 　請求項５に記載の機器診断システムであって、
    　前記平均変化レートの前記所定値とは、運転における機器の速度もしくはトルクの変化レートに応じた値であることを特徴とする機器診断システム。
  7. 　請求項１から請求項６のいずれか１項に記載の機器診断システムであって、
    　前記異常度演算部において異常度を演算する際、前記基準データと前記検査データとの間の統計的な距離の隔たりを基に異常度を演算することを特徴とする機器診断システム。
  8. 　請求項１に記載の機器診断システムであって、
    　前記データ分割部において前記閾値と前記時系列データの交点から前記時系列データをプロセスに分割する際、前記時系列データが脈動する場合、移動平均やフィルタにより脈動成分を低減する事を特徴とする機器診断システム。
  9. 　請求項１に記載の機器診断システムであって、
    　前記ステータス毎に異常度を演算し、それらを出力することを特徴とする機器診断システム。
PCT/JP2022/032724 2021-09-21 2022-08-31 機器診断システム WO2023047903A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021153105A JP2023044960A (ja) 2021-09-21 2021-09-21 機器診断システム
JP2021-153105 2021-09-21

Publications (1)

Publication Number Publication Date
WO2023047903A1 true WO2023047903A1 (ja) 2023-03-30

Family

ID=85720497

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/032724 WO2023047903A1 (ja) 2021-09-21 2022-08-31 機器診断システム

Country Status (2)

Country Link
JP (1) JP2023044960A (ja)
WO (1) WO2023047903A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010137644A (ja) * 2008-12-10 2010-06-24 Honda Motor Co Ltd 車両の故障診断装置
JP2020135808A (ja) * 2019-02-26 2020-08-31 東京エレクトロンデバイス株式会社 時系列データの分割方法及び分割装置、並びにプログラム
WO2020188696A1 (ja) * 2019-03-18 2020-09-24 三菱電機株式会社 異常検知装置および異常検知方法
JP2020170327A (ja) * 2019-04-03 2020-10-15 株式会社豊田中央研究所 異常検知装置、異常検知方法、および、コンピュータプログラム
CN112445842A (zh) * 2020-11-20 2021-03-05 北京思特奇信息技术股份有限公司 一种基于时间序列数据的异常值检测方法和系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010137644A (ja) * 2008-12-10 2010-06-24 Honda Motor Co Ltd 車両の故障診断装置
JP2020135808A (ja) * 2019-02-26 2020-08-31 東京エレクトロンデバイス株式会社 時系列データの分割方法及び分割装置、並びにプログラム
WO2020188696A1 (ja) * 2019-03-18 2020-09-24 三菱電機株式会社 異常検知装置および異常検知方法
JP2020170327A (ja) * 2019-04-03 2020-10-15 株式会社豊田中央研究所 異常検知装置、異常検知方法、および、コンピュータプログラム
CN112445842A (zh) * 2020-11-20 2021-03-05 北京思特奇信息技术股份有限公司 一种基于时间序列数据的异常值检测方法和系统

Also Published As

Publication number Publication date
JP2023044960A (ja) 2023-04-03

Similar Documents

Publication Publication Date Title
JP5460160B2 (ja) 設備機器の診断装置
US20180364132A1 (en) Method For Conducting A Vibration-Diagnostic Monitoring Of A Machine
JP6474532B2 (ja) 車体組立ラインの駆動部モニタリング方法及びその装置
KR101906029B1 (ko) 제조 설비 진단 지원 장치
JP5985099B1 (ja) 回転機械系の異常検知方法、その異常検知方法を用いた回転機械系の異常監視方法、及びその異常監視方法を用いた回転機械系の異常監視装置
JP4874406B2 (ja) 軸受の診断システム
US7571022B2 (en) System and method for monitoring machine health
EP2182327A1 (en) Inferential signal generator for instrumented equipment and processes
JP2001304954A (ja) 故障診断方法及びその装置
EP2291617B1 (de) Überwachungssystem für ein schwingungen unterworfenes aggregat
CN110543147B (zh) 分析装置、分析方法及记录了分析程序的计算机可读介质
JP7185247B2 (ja) 機械の診断システム及び診断プログラム
US10311703B1 (en) Detection of spikes and faults in vibration trend data
KR20060100248A (ko) 검사 장치, 검사 장치용 판정 모델 생성 지원 장치, 내구성테스트 장치용 이상 검출 장치 및 내구성 테스트 방법
CN111160652B (zh) 一种基于知识感知的设备异常状态综合判断及运维方法
US20180024544A1 (en) Damage Estimation Device
EP1348296B1 (en) Control embedded machine condition monitor
WO2023047903A1 (ja) 機器診断システム
US11762360B2 (en) Sensor device, data acquisition method, and current monitoring system
JP2020027563A (ja) ヘルスモニタリングシステム
JP2002090266A (ja) 余寿命予測装置
US10656637B2 (en) Monitoring system and monitoring method
DE10138013B4 (de) Einrichtung zur Überwachung eines Verdichterrades
CN110562296A (zh) 一种基于lkj列控运行文件数据连续波动异常识别方法
KR20070105593A (ko) 음향신호처리에 의한 천공금형의 마모 상태 감시 방법

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: 22872659

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE