CN111055532B - 压力机及压力机的异常监视方法 - Google Patents
压力机及压力机的异常监视方法 Download PDFInfo
- Publication number
- CN111055532B CN111055532B CN201910978500.5A CN201910978500A CN111055532B CN 111055532 B CN111055532 B CN 111055532B CN 201910978500 A CN201910978500 A CN 201910978500A CN 111055532 B CN111055532 B CN 111055532B
- Authority
- CN
- China
- Prior art keywords
- data
- press
- learning model
- abnormality degree
- abnormality
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B30—PRESSES
- B30B—PRESSES IN GENERAL
- B30B15/00—Details of, or accessories for, presses; Auxiliary measures in connection with pressing
- B30B15/0094—Press load monitoring means
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B30—PRESSES
- B30B—PRESSES IN GENERAL
- B30B15/00—Details of, or accessories for, presses; Auxiliary measures in connection with pressing
- B30B15/26—Programme control arrangements
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B30—PRESSES
- B30B—PRESSES IN GENERAL
- B30B15/00—Details of, or accessories for, presses; Auxiliary measures in connection with pressing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B30—PRESSES
- B30B—PRESSES IN GENERAL
- B30B15/00—Details of, or accessories for, presses; Auxiliary measures in connection with pressing
- B30B15/14—Control arrangements for mechanically-driven presses
- B30B15/148—Electrical control arrangements
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
- G07C3/14—Quality control systems
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/26—Pc applications
- G05B2219/2622—Press
Landscapes
- Engineering & Computer Science (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Control Of Presses (AREA)
- Presses And Accessory Devices Thereof (AREA)
Abstract
本发明提供一种能容易地捕捉故障预兆的压力机等。压力机包括:学习模型生成部,其进行以下生成处理,即以多个传感器收集到的多个数据中的一个数据作为目标变量、以该一个数据以外的数据作为说明变量进行机器学习来生成该一个数据用的学习模型,并对多个数据全部进行所述生成处理;预测值计算部,其进行以下计算处理,即将从多个传感器收集到的多个数据中的一个数据以外的数据的实测值输入给该一个数据用的学习模型来计算该一个数据的预测值,并对多个数据全部进行所述计算处理;异常度计算部,其基于多个数据的实测值和预测值的差计算异常度;以及异常度输出部,其输出计算出的异常度。
Description
技术领域
本发明涉及一种压力机及压力机的异常监视方法。
背景技术
专利文献1中公开了一种使用AE传感器和压力机负荷传感器预测模具的异常发生的模具异常预测***,其中用AE传感器检测在模具加工部分产生的弹性波、用压力机负荷传感器检测压力机负荷。
现有技术文献
专利文献
【专利文献1】日本专利公开2017-19016号公报
发明内容
本发明要解决的技术问题
在上述模具异常预测***中,只会预测压力机上可能发生的各种异常中的特定异常(模具异常)的发生,难以全面地预测异常发生。
本发明是鉴于上述技术问题而完成的发明,其目的在于提供一种能容易地捕捉故障预兆的压力机及压力机的异常监视方法。
解决技术问题的手段
(1)本发明涉及的压力机,其特征在于,包括:学习模型生成部,其进行以下生成处理,即以从压力机所具有的多个传感器收集到的多个数据中的一个数据作为目标变量,以该一个数据以外的数据作为说明变量进行机器学习来生成该一个数据用的学习模型,并对所述多个数据全部进行所述生成处理;预测值计算部,其进行以下计算处理,即将从所述多个传感器收集到的多个数据中的一个数据以外的数据的实测值输入给该一个数据用的学习模型来计算该一个数据的预测值,并对所述多个数据全部进行所述计算处理;异常度计算部,其基于所述多个数据的实测值和预测值的差来计算异常度;以及异常度输出部,其输出计算出的异常度。
再有,本发明涉及的压力机的异常监视方法,其特征在于:进行以下生成处理,即以从压力机所具有的多个传感器收集到的多个数据中的一个数据作为目标变量、以该一个数据以外的数据作为说明变量进行机器学习来生成该一个数据用的学习模型,并对所述多个数据全部进行所述生成处理;进行以下计算处理,即将从所述多个传感器收集到的多个数据中的一个数据以外的数据的实测值输入给该一个数据用的学习模型来计算该一个数据的预测值,并对所述多个数据全部进行所述计算处理;基于所述多个数据的实测值和预测值的差计算异常度;以及输出计算出的异常度。
采用本发明,通过使用从多个传感器收集到的多个数据进行机器学习来生成每个数据的学习模型、使用从多个传感器收集到的多个数据和各数据的学习模型计算各数据的预测值、基于多个数据的实测值和预测值的差分计算异常度,从而能容易地捕捉压力机的故障预兆。
(2)在本发明涉及的压力机中,也可以是所述压力机是伺服压力机,所述多个数据包括压力机负荷数据和伺服放大器的输出电流数据。
(3)在本发明涉及的压力机中,也可以是所述学习模型生成部进行下述生成处理,即以从所述多个传感器收集到的多个数据、位置偏差数据和速度偏差数据中的一个数据作为目标变量,以该一个数据以外的数据作为说明变量进行机器学习来生成该一个数据用的学习模型,并对所述多个数据、所述位置偏差数据和所述速度偏差数据全部进行所述生成处理;所述预测值计算部进行以下计算处理,即将从所述多个传感器收集到的多个数据、所述位置偏差数据和所述速度偏差数据中的一个数据以外的数据的实测值输入给该一个数据用的学习模型来计算该一个数据的预测值,并对所述多个数据、所述位置偏差数据和所述速度偏差数据全部进行所述计算处理;所述异常度计算部基于所述多个数据、所述位置偏差数据和所述速度偏差数据的实测值和预测值的差计算异常度。
在本发明涉及的压力机中,所述多个数据也可包括伺服电源的输入电流数据、PN间电压数据、伺服电源的温度数据、伺服放大器的温度数据以及电容器的温度数据中的至少一个。
附图说明
图1是第一实施方式涉及的压力机的结构的一个例子的示意图。
图2是显示信息处理装置的结构的功能块图。
图3是用于说明收集数据间的相关关系的图。
图4是显示压力机负荷数据和其他的收集数据之间的相关系数的图。
图5是显示学习模型的生成处理的流程的流程图。
图6是显示各数据的实测值的例子和预测值的计算例的图。
图7是显示异常度的显示例的图。
图8是显示异常度的计算处理的流程的流程图。
图9是第二实施方式涉及的压力机的结构的一个例子的示意图。
具体实施方式
以下参照附图详细说明本发明的实施方式。
(第一实施方式)
图1是显示第一实施方式涉及的压力机的结构的一个例子的示意图。第一实施方式涉及的压力机是伺服压力机。
压力机1包括:可升降的滑块10、驱动滑块10的驱动机构11(例如曲轴、连杆)、对驱动机构11进行驱动的伺服电动机12、检测伺服电动机12的旋转位置的电动机编码器13、给伺服电动机12提供电流的伺服放大器14、电容器15(能量积蓄装置)、给伺服放大器14和电容器15提供电流的伺服电源16、给伺服电源16提供交流电力的交流电源17、控制伺服放大器14的伺服控制器18以及信息处理装置19。
伺服控制器18根据旋转位置指令和电动机编码器13发出的位置信号的偏差(位置偏差)生成伺服电动机12的旋转速度指令,根据生成的旋转速度指令和速度信号(根据位置信号计算出的速度信号)的偏差(速度偏差)向伺服放大器14输出电流指令。
再有,压力机1具有多个传感器。在图1所示的例子中,压力机1具有:检测压力机负荷的传感器20、检测伺服放大器14的输出电流(二次电流)的传感器21、检测伺服放大器14的温度(IGBT温度)的传感器22、检测电容器15的温度的传感器23、检测PN间电压(电容器15的两端电压)的传感器24、检测伺服电源16的温度(IGBT温度)的传感器25、检测伺服电源16的输入电流(一次电流)的传感器26以及检测周围温度的传感器27。此处,可使用安装在压力机的立柱(侧架)上的应变仪或设置在滑块10内的油压室中的负载仪作为传感器20。当使用应变仪作为传感器20时,也可在右立柱和左立柱上分别安装应变仪。再有,也可使用检测与电容器15连接的平衡电阻的温度的传感器作为传感器23。各控制设备(伺服控制器18、伺服放大器14、伺服电源16)每隔规定时间间隔收集传感器20~27送出的数据,各控制设备每隔规定时间间隔将收集到的数据通过LAN等网络28发送给信息处理装置19。再有,伺服控制器18每隔规定时间间隔将位置偏差数据和速度偏差数据发送给信息处理装置19。此外,对于伺服放大器14的温度数据,也可使用传感器22检测到的温度和周围温度(传感器27检测到的温度)的差作为伺服放大器14的温度。同样地,对于电容器15的温度,也可以使用传感器23检测到的温度和周围温度的差作为电容器15的温度、对于伺服电源16的温度,也可以使用传感器25检测到的温度和周围温度的差作为伺服电源16的温度。
图2是显示信息处理装置19的结构的功能块图。信息处理装置19包括:处理部100、操作部110、显示部120、通信部130、以及存储部140。
操作部110是用于使用者输入操作信息的部件,将输入的操作信息输出给处理部100。操作部110的功能可通过键盘、鼠标、按键、触摸屏以及触控面板等硬件来实现。
显示部120显示处理部100所生成的图像,其功能可通过LCD、CRT以及作为操作部110发挥作用的触摸屏等来实现。
通信部130是进行用于在各控制设备(伺服控制器18、伺服放大器14、伺服电源16)间进行通信的各种控制的部件,其功能可通过各种处理器或通信用ASIC等硬件或程序等来实现。
存储部140不但存储了使计算机作为处理部100的各部发挥作用的程序和各种数据,并且作为处理部100的工作区发挥作用,其功能可通过硬盘、RAM等实现。在存储部140中,在正常运转的固定期间(学习期间)内,从传感器20~27和伺服控制器18收集到数据(来自传感器20~27的数据、位置偏差数据、速度偏差数据)与时间信息相关联地存储。
处理部100(计算机)的功能可通过各种处理器(CPU、DSP等)等硬件和程序来实现。处理部100包括学习模型生成部101、预测值计算部102、异常度计算部103以及异常度输出部104。
学习模型生成部101进行下述生成处理,即以存储部140中存储的数据(从传感器20~27收集到的多个数据、位置偏差数据以及速度偏差数据)中的一个数据作为目标变量、以该一个数据以外的数据作为说明变量进行机器学习来生成该一个数据用的学习模型,并对所述多个数据、所述位置偏差数据、所述速度偏差数据全部进行上述生成处理。可使用神经网络作为机器学习的算法,或者只要是适用有相关关系的数据的解析技术均可作为机器学习的算法。
预测值计算部102进行下述计算处理,即在学习期间之外的运转期间(自我诊断期间)内,将从传感器20~27收集到的多个数据、以及从伺服控制器18收集到的位置偏差数据和速度偏差数据中的一个数据以外的数据的实测值输出给该一个数据用的学习模型来计算该一个数据的预测值,并对所述多个数据、所述位置偏差数据和所述速度偏差数据全部进行上述计算处理。
异常度计算部103基于所述多个数据、所述位置偏差数据和所述速度偏差数据的实测值与各自的预测值的差计算异常度。
异常度输出部104输出由异常度计算部103计算出的异常度。例如,异常度输出部104既可以使计算出的异常度在显示部120上显示,也可以将计算出的异常度的信息发送给其他的信息处理装置或服务器。再有,异常度输出部104在计算出的异常度超过规定阈值时,既可以使警告信息(警报)在显示部120上显示,也可以将警告信息发送给其他信息处理装置或服务器。
图3是用于说明收集数据间的相关关系的图。图3中显示了历经数月传感器21检测出的伺服放大器14的输出电流、传感器20检测出的压力机负荷、传感器24检测出的PN间电压、以及伺服控制器18计算出的位置偏差的1次拍摄的最大值的绘制图表。根据图3得知伺服放大器14的输出电流、压力机负荷、PN间电压、以及位置偏差之间存在相关关系。
图4是显示传感器20检测出的压力机负荷(最大负荷)数据、其他收集数据(位置偏差、伺服电源16的输入电流、伺服放大器14的输出电流、速度偏差、伺服电源16的温度(与周围温度的差)、PN间电压)之间的相关系数(皮尔逊积矩相关系数)的图。由图4看出,压力机负荷和位置偏差之间、压力机负荷和伺服放大器14的输出电流之间、压力机负荷和速度偏差之间、以及压力机负荷和PN间电压之间强相关。
在本实施方式中,着眼于包括从压力机具有的多个传感器收集到的多个数据和位置偏差数据、速度偏差数据的收集数据间存在的相关关系,对全部收集数据进行机器学习来生成各数据用的学习模型。例如,在生成压力机负荷数据用的学习模型时,生成以压力机负荷数据为目标变量、以压力机负荷以外的全部收集数据作为说明变量的学习模型,在生成位置偏差数据用的学习模型时,生成以位置偏差数据作为目标变量、以位置偏差以外的全部收集数据作为说明变量的学习模型,之后,也对其他数据同样地生成学习模型。在压力机中,由于连续生产同样的产品,因此,易于积累同样的条件数据,可容易地生成精度高的学习模型。
图5是显示学习模型的生成处理流程的流程图。首先,学习模型生成部101从学习期间内收集的在存储部140中存储的数据取得在同一时刻收集到的n个数据(来自传感器20~27的数据、位置偏差数据、速度偏差数据)(步骤S10),将变量m设置为1(步骤S11)。接着,学习模型生成部101以取得的n个数据中的第m数据作为目标变量、以第m数据以外的n-1个数据作为说明变量进行机器学习来生成(更新)第m数据用的学习模型(步骤S12)。接着,学习模型生成部101判断变量m是否达到n(对全部n个数据生成、更新了学习模型)(步骤S13),当变量m未达到n时(步骤S13的N),在变量m上加1(步骤S14),移动到步骤S12,重复步骤S12~S14的处理直到变量m达到n。当变量m达到n时(步骤S13的Y),学习模型生成部101判断是否处理了学习期间内收集的全部数据(步骤S15),当未处理全部数据时(步骤S15的Y),移动到步骤S10,取得在接下来的时刻收集到的n个数据,之后,重复步骤S10~S15的处理直到对学习期间内收集到的全部数据进行处理。
并且,在本实施方式中,使用各数据用的学习模型根据其他全部数据的实测值计算一个数据的预测值。例如在计算压力机负荷数据的预测值时,将压力机负荷以外的全部数据的实测值输出给压力机负荷用的学习模型,以得到的值作为压力机负荷数据的预测值,在计算位置偏差数据的预测值时,将位置偏差以外的全部数据的实测值输出给位置偏差用的学习模型,以得到的值作为位置偏差数据的预测,之后,也对其他数据同样地计算预测值。
图6中显示了各数据的实测值的例子和预测值的计算例。在该例子中,显示了时间“00:00:00”~“00:00:05”内的PN间电压、伺服放大器14的输出电流、压力机负荷、伺服电源16的温度等各数据的实测值、以及根据时间“00:00:05”的各数据的实测值计算出的各数据的预测值。例如,PN间电压的预测值“122”是根据输出电流的实测值“213”、压力机负荷的实测值“1530”和温度的实测值“41”等计算出的值,输出电流的预测值“199”是根据PN间电压的实测值“118”、压力机负荷的实测值“1530”和温度的实测值“41”等计算出的值。
接下来,在本实施方式中,计算各数据的实测值和预测值的差,用计算出的差乘以权重求和计算出异常度。例如,异常度Da可通过下述公式计算。
【公式1】
此处,Actm是收集到的n个数据中的第m数据的实测值、Prdm是第m数据的预测值、Km是乘以第m数据的实测值和预测值的差的权重(异常度系数)。异常度系数Km的值既可以是常量,也可以是变量(例如是实测值Actm的倒数)。
例如,在图6所示的例子中,设置为只收集PN间电压、输出电流、压力机负荷、以及伺服电源的温度这四种数据,如果异常度系数Km的值是1,则时间“00:00:05”上的PN间电压的实测值和预测值的差是“4”、输出电流的实测值和预测值的差是“14”、压力机负荷的实测值和预测值的差是“62”、伺服电源温度的实测值和预测值的差是“2”,从而,时间“00:00:05”上的异常度Da是将它们求和得到的值“82”。
由于异常度Da的值越低(即实测值和预测值的差小),条件与学习期间相比没有变化,学习模型的相关关系得到维持,因此可知正常运转的可能性就越高。另一方面,当异常度Da的值升高(即实测值和预测值的差变大)时,条件变得与学习期间不同,学习模型的相关关系被破坏,因此可知有故障预兆或存在实际发生了故障的可能性。
像这样采用本实施方式,使用学习期间内收集到的从多个传感器收集到的多个数据和位置偏差、速度偏差数据进行机器学习来生成每个数据的学习模型,在自我诊断期间使用收集数据和各数据的学习模型计算各数据的预测值,并根据收集数据的实测值和预测值的差分计算异常度,从而容易捕捉到压力机的故障预兆。
图7显示异常度的显示例。在该例子中,使用横轴为时刻、纵轴为异常度的图表显示异常度。使用者无需从全部收集数据中提取出监视对象,只要监视异常度即可。再有,即便实测值和预测值的差很微小,但由于对多个数据累积计算实测值和预测值的差而显示为异常度,因此可以说是适于捕捉故障预兆的显示方法。此外,除了异常度以外,还可以输出(显示)收集数据中实测值和预测值的差大的前几个数据。由此,容易推测(或确定)故障原因。
图8是显示异常度的计算处理流程的流程图。首先,预测值计算部102取得所收集到的n个数据(来自传感器20~27的数据、位置偏差数据、速度偏差数据)的实测值(步骤S20),将变量m设置为1(步骤S21)。接下来,预测值计算部102将所取得的n个数据中的除了第m数据以外的数据的实测值输出给第m数据用的学习模型来计算第m数据的预测值(步骤S22)。接下来,异常度计算部103计算第m数据的实测值和第m数据的预测值的差(步骤S23)。接下来,异常度计算部103判断变量m是否达到n(对全部n个数据计算了预测值)(步骤S24),当变量m未达到n时(步骤S24的N),在变量m上加1(步骤S25),移动到步骤S22,重复步骤S22~S25的处理直到变量m达到n。当变量m达到n时(步骤S24的Y),异常度计算部103用步骤S23计算出的n个差乘以权重进行累积计算,计算出异常度(步骤S26)。接下来,异常度输出部104将计算出的异常度输出给显示部120(步骤S27)。接下来,处理部100判断是否继续监视(是否是自我诊断期间)(步骤S28),当继续监视时(步骤S28的Y),移动到步骤S20,取得接下来收集到的n个数据,之后,重复步骤S20~S28的处理直到自我诊断期间结束。
接下来,以压力机的机架上产生裂缝、破碎的情况为例对根据异常度预测异常发生的实施例进行说明。此处,取得传感器20(应变仪)检测出的压力机负荷、从伺服控制器18发送的位置偏差、以及传感器21检测出的输出电流作为收集数据。
在正常运转时,在连续生产同一产品的情况下,则需要同样的加压能力、扭矩能力及工作能力,因此,压力机负荷、位置偏差、输出电流持续保持固定的值,它们三者的相关关系固定。从而,其间计算出的异常度显示低的值。
此处,在处于机架上产生裂缝、破碎的预兆阶段的情况下,例如当左立柱上产生小裂缝时,其就导致右立柱和左立柱上各自安装的应变仪的值的平衡被打破,检测到与正常运转时不同的值。进而,加压力变得不稳定,从而成型所需的扭矩变化,最终对输出电流造成影响。如此,由于加压力、输出电流变得不稳定,也影响到伺服控制,保持指令位置的位置偏差发生变动。
像这样,在正常运转时维持收集数据间的相关关系,因此各数据的实测值和预测值成为接近的值,异常度保持低的状态,但在故障的预兆阶段,由于该相关关系被破坏,实测值和预测值发生背离,异常度升高。通过监视像这样的异常度的变化可尽早捕捉到故障预兆。
(第二实施方式)
图9是显示第二实施方式涉及的压力机的结构的一个例子的示意图。第二实施方式涉及的压力机是机械压力机(机械式压力机)。在图9中,对与图1结构相同的结构标记相同的附图标记适当省略其说明。
压力机2包括:可升降的滑块10、驱动滑块10的驱动机构11、对驱动机构11进行驱动的飞轮29、离合器&制动器30、使飞轮29旋转的感应电动机31、给感应电动机31提供电流的变频器32、给变频器32提供交流电力的交流电源17、进行离合器&制动器30的控制等的冲压控制器33以及信息处理装置19,其中,离合器&制动器30包括连结/断开飞轮29和驱动机构11的离合器以及对驱动机构11的旋转体的旋转进行制动的制动器。
再有,压力机2具有多个传感器。在图9所示的例子中,压力机2具有:检测压力机负荷的传感器20、检测润滑油的温度的传感器34、检测离合器&制动器30的温度的传感器35、检测变频器32的输出电流(二次电流)的传感器36、检测变频器32的输入电流(一次电流)的传感器37、以及检测周围温度的传感器27。由各控制设备(变频器32、冲压控制器33)每隔规定时间间隔收集来自传感器20,27,34~37的数据,各控制设备每隔规定时间间隔经网络28将收集到的数据发送给信息处理装置19。
信息处理装置19的学习模型生成部101进行下述生成处理,即以在学习期间从传感器20,27,34~37收集到的多个数据中的一个数据作为目标变量、以该一个数据以外的数据作为说明变量进行机器学习来生成该一个数据用的学习模型,并对所述多个数据全部进行上述生成处理。预测值计算部102进行下述计算处理,即在自我诊断期间将从传感器20,27,34~37收集到的多个数据中的一个数据以外的数据的实测值输出给该一个数据用的学习模型,计算该一个数据的预测值,并对所述多个数据全部进行上述计算处理。异常度计算部103基于所述多个数据的实测值与各自的预测值的差,计算异常度。
采用第二实施方式也能起到与第一实施方式相同的效果,可容易地捕捉压力机的故障预兆。
此外,像上述这样对本发明的实施方式进行了详细说明,但本领域技术人员可容易地理解能进行实质不脱离本发明的新内容和效果的多种变形。
附图标记说明
1,2…压力机、10…滑块、11…驱动机构、12…伺服电动机、13…电动机编码器、14…伺服放大器、15…电容器、16…伺服电源、17…交流电源、18…伺服控制器、19…信息处理装置、20,21,22,23,24,25,26,27…传感器、28…网络、29…飞轮、30…离合器&制动器、31…感应电动机、32…变频器、33…冲压控制器、34,35,36,37…传感器、100…处理部、101…学习模型生成部、102…预测值计算部、103…异常度计算部、104…异常度输出部、110…操作部、120…显示部、130…通信部、140…存储部。
Claims (7)
1.一种压力机,其特征在于,包括:
学习模型生成部,其进行以下生成处理,即以从压力机所具有的多个传感器收集到的n个数据中的1个数据作为目标变量,以该1个数据以外的n-1个数据作为说明变量进行机器学习来生成该1个数据用的学习模型,并对所述n个数据全部进行所述生成处理;
预测值计算部,其进行以下计算处理,即将从所述多个传感器收集到的n个数据中的1个数据以外的n-1个数据的实测值输入给该1个数据用的学习模型来计算该1个数据的预测值,并对所述n个数据全部进行所述计算处理;
异常度计算部,其基于所述n个数据的实测值和预测值的差来计算异常度;以及
异常度输出部,其输出计算出的异常度。
2.根据权利要求1所述的压力机,其特征在于:
所述压力机是伺服压力机;
所述n个数据包括压力机负荷数据和伺服放大器的输出电流数据。
3.根据权利要求2所述的压力机,其特征在于:
所述学习模型生成部进行以下生成处理,即以从所述多个传感器收集到的n个数据、位置偏差数据和速度偏差数据中的1个数据作为目标变量,以该1个数据以外的数据作为说明变量进行机器学习来生成该1个数据用的学习模型,并对所述n个数据、所述位置偏差数据和所述速度偏差数据全部进行所述生成处理;
所述预测值计算部进行以下计算处理,即将从所述多个传感器收集到的n个数据、所述位置偏差数据和所述速度偏差数据中的1个数据以外的数据的实测值输入给该1个数据用的学习模型来计算该1个数据的预测值,并对所述n个数据、所述位置偏差数据和所述速度偏差数据全部进行所述计算处理;
所述异常度计算部基于所述n个数据、所述位置偏差数据和所述速度偏差数据的实测值和预测值的差来计算异常度。
4.根据权利要求2或3所述的压力机,其特征在于:
所述n个数据包括伺服电源的输入电流数据、PN间电压数据、伺服电源的温度数据、伺服放大器的温度数据、电容器的温度数据、周围温度数据以及润滑油的温度数据中的至少一个。
5.根据权利要求1所述的压力机,其特征在于:
所述压力机是机械压力机,
所述n个数据包括压力机负荷数据和变频器的输出电流数据。
6.根据权利要求5所述的压力机,其特征在于:
所述n个数据包括周围温度数据、润滑油的温度数据以及离合器&制动器的温度数据中的至少一个。
7.一种压力机的异常监视方法,其特征在于:
进行以下生成处理,即以从压力机所具有的多个传感器收集到的n个数据中的1个数据作为目标变量,以该1个数据以外的n-1个数据作为说明变量进行机器学习来生成该1个数据用的学习模型,并对所述n个数据全部进行所述生成处理;
进行以下计算处理,即将从所述多个传感器收集到的n个数据中的1个数据以外的n-1个数据的实测值输入给该1个数据用的学习模型来计算该1个数据的预测值,并对所述n个数据全部进行所述计算处理;
基于所述n个数据的实测值和预测值的差来计算异常度;以及
输出计算出的异常度。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018194837A JP6885911B2 (ja) | 2018-10-16 | 2018-10-16 | プレス機械及びプレス機械の異常監視方法 |
JP2018-194837 | 2018-10-16 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111055532A CN111055532A (zh) | 2020-04-24 |
CN111055532B true CN111055532B (zh) | 2023-03-14 |
Family
ID=68281074
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910978500.5A Active CN111055532B (zh) | 2018-10-16 | 2019-10-15 | 压力机及压力机的异常监视方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11571870B2 (zh) |
EP (1) | EP3640759B1 (zh) |
JP (1) | JP6885911B2 (zh) |
CN (1) | CN111055532B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6932467B2 (ja) * | 2019-03-22 | 2021-09-08 | 東芝情報システム株式会社 | 状態変動検出装置、状態変動検出システム及び状態変動検出用プログラム |
EP3725502B1 (en) * | 2019-04-18 | 2023-03-01 | Lapmaster Wolters GmbH | Method for operating a fine blanking system |
JP7347969B2 (ja) * | 2019-06-18 | 2023-09-20 | ファナック株式会社 | 診断装置及び診断方法 |
CN111421880A (zh) * | 2020-04-10 | 2020-07-17 | 苏州灵猴机器人有限公司 | 一种伺服压机的压力传感器回路异常检测方法 |
JP7391765B2 (ja) | 2020-05-29 | 2023-12-05 | 株式会社東芝 | プラント監視支援装置、方法及びプログラム |
JP7420651B2 (ja) * | 2020-06-04 | 2024-01-23 | 株式会社神戸製鋼所 | 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 |
KR102570535B1 (ko) * | 2021-06-09 | 2023-08-28 | 주식회사 풍강 | 지능형 단조 시스템 및 그 진단 방법 |
CN114558972A (zh) * | 2020-11-27 | 2022-05-31 | 株式会社豊钢 | 智能型锻造***及其诊断方法 |
US20220342391A1 (en) | 2021-04-27 | 2022-10-27 | Aida Engineering, Ltd. | Press machine and method of displaying operating state of press machine |
CN113608118A (zh) * | 2021-07-06 | 2021-11-05 | 深圳市研控自动化科技有限公司 | 伺服端子机的异常检测方法、设备及计算机可读存储介质 |
EP4119338A1 (en) * | 2021-07-14 | 2023-01-18 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Method of operating a press apparatus and forming process |
DE102021128383A1 (de) * | 2021-10-29 | 2023-05-04 | Dieffenbacher GmbH Maschinen- und Anlagenbau | Verfahren und Vorrichtung zur Zustandsüberwachung eines Bandes, kontinuierliche Presse zur Herstellung von Werkstoffplatten und Computerprogrammprodukt |
CN114011903A (zh) * | 2021-11-01 | 2022-02-08 | 深圳市信润富联数字科技有限公司 | 冲压生产异常监测方法、装置、***与可读存储介质 |
WO2023162305A1 (ja) * | 2022-02-28 | 2023-08-31 | パナソニックIpマネジメント株式会社 | 加工状態推定装置及び加工状態推定方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103171108A (zh) * | 2011-12-20 | 2013-06-26 | 发那科株式会社 | 注塑成型机的异常检测装置 |
DE102016008987A1 (de) * | 2015-07-31 | 2017-02-02 | Fanuc Corporation | Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt |
CN106409120A (zh) * | 2015-07-31 | 2017-02-15 | 发那科株式会社 | 机械学习方法及机械学习装置、以及故障预知装置及*** |
CN107024917A (zh) * | 2016-01-29 | 2017-08-08 | 发那科株式会社 | 发现制造机械的异常的原因的单元控制装置 |
CN107491038A (zh) * | 2016-06-09 | 2017-12-19 | 发那科株式会社 | 学习异常负载检测的阈值的机械学习机、数控装置以及机械学习方法 |
CN108227603A (zh) * | 2016-12-14 | 2018-06-29 | 欧姆龙株式会社 | 控制***、控制方法及计算机可读存储介质 |
CN108227633A (zh) * | 2016-12-13 | 2018-06-29 | 发那科株式会社 | 数值控制装置以及机器学习装置 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000210800A (ja) * | 1999-01-27 | 2000-08-02 | Komatsu Ltd | 産業機械のモニタ方法およびその装置 |
US20020156542A1 (en) * | 2001-02-23 | 2002-10-24 | Nandi Hill K. | Methods, devices and systems for monitoring, controlling and optimizing processes |
JP6803161B2 (ja) | 2015-07-07 | 2020-12-23 | 日本電産シンポ株式会社 | 金型の異常予測システム、それを備えたプレス機及び金型の異常予測方法 |
US11511156B2 (en) * | 2016-03-12 | 2022-11-29 | Arie Shavit | Training system and methods for designing, monitoring and providing feedback of training |
KR101827108B1 (ko) * | 2016-05-04 | 2018-02-07 | 두산중공업 주식회사 | 플랜트 이상 감지 학습 시스템 및 방법 |
WO2018075400A1 (en) * | 2016-10-19 | 2018-04-26 | Sas Institute Inc. | Advanced control systems for machines |
JP2018156151A (ja) * | 2017-03-15 | 2018-10-04 | ファナック株式会社 | 異常検知装置及び機械学習装置 |
JP7017861B2 (ja) * | 2017-03-23 | 2022-02-09 | 株式会社日立製作所 | 異常検知システムおよび異常検知方法 |
US11307117B2 (en) * | 2017-09-04 | 2022-04-19 | Amper Technologies, Inc. | System and method for interpretation and analysis of manufacturing activity |
DE102018000579A1 (de) | 2018-01-24 | 2018-07-12 | Daimler Ag | Überwachen einer Funktionsbereitschaft eines elektrischen Gerätes |
-
2018
- 2018-10-16 JP JP2018194837A patent/JP6885911B2/ja active Active
-
2019
- 2019-10-10 US US16/598,549 patent/US11571870B2/en active Active
- 2019-10-15 CN CN201910978500.5A patent/CN111055532B/zh active Active
- 2019-10-15 EP EP19203356.1A patent/EP3640759B1/en active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103171108A (zh) * | 2011-12-20 | 2013-06-26 | 发那科株式会社 | 注塑成型机的异常检测装置 |
DE102016008987A1 (de) * | 2015-07-31 | 2017-02-02 | Fanuc Corporation | Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt |
CN106409120A (zh) * | 2015-07-31 | 2017-02-15 | 发那科株式会社 | 机械学习方法及机械学习装置、以及故障预知装置及*** |
CN107024917A (zh) * | 2016-01-29 | 2017-08-08 | 发那科株式会社 | 发现制造机械的异常的原因的单元控制装置 |
CN107491038A (zh) * | 2016-06-09 | 2017-12-19 | 发那科株式会社 | 学习异常负载检测的阈值的机械学习机、数控装置以及机械学习方法 |
CN108227633A (zh) * | 2016-12-13 | 2018-06-29 | 发那科株式会社 | 数值控制装置以及机器学习装置 |
CN108227603A (zh) * | 2016-12-14 | 2018-06-29 | 欧姆龙株式会社 | 控制***、控制方法及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US11571870B2 (en) | 2023-02-07 |
CN111055532A (zh) | 2020-04-24 |
JP6885911B2 (ja) | 2021-06-16 |
EP3640759A1 (en) | 2020-04-22 |
JP2020062650A (ja) | 2020-04-23 |
EP3640759B1 (en) | 2021-12-29 |
US20200114608A1 (en) | 2020-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111055532B (zh) | 压力机及压力机的异常监视方法 | |
US10663518B2 (en) | Abnormality determining apparatus, abnormality determining method, and abnormality determining system | |
JP7104121B2 (ja) | 故障予知装置、故障予知システム及び故障予知方法 | |
JP6584662B2 (ja) | 異常診断装置及び異常診断方法 | |
CN106334726B (zh) | 模具的异常预测***、压力机以及模具的异常预测方法 | |
CN108108516B (zh) | 伸缩罩的异常发生推定装置以及异常发生推定方法 | |
CN1072066C (zh) | 运行结晶器的方法和连铸设备 | |
US20210406705A1 (en) | System and method for collecting training data | |
Groche et al. | Blanking-bending process chain with disturbance feed-forward and closed-loop control | |
CN115329796A (zh) | 异常检测装置、计算机可读存储介质以及异常检测方法 | |
JP2024002993A (ja) | ロボット保守支援装置、ロボット保守支援方法、及びロボット保守支援プログラム | |
CN112276937A (zh) | 故障预测*** | |
JP6764516B1 (ja) | 工作機械および表示装置 | |
JP5561459B2 (ja) | プレス機械装置およびそのモータ制御装置 | |
US20220011764A1 (en) | Predictive maintenance device, method, and system for industrial machine | |
Kucukyildiz et al. | A multistage cutting tool fault diagnosis algorithm for the involute form cutter using cutting force and vibration signals spectrum imaging and convolutional neural networks | |
JP2020040137A (ja) | 異常判定装置及び異常判定方法 | |
KR20220166179A (ko) | 진단 장치, 진단 방법 및 진단 프로그램 | |
JP7257870B2 (ja) | 衝突発生時の最大荷重推定装置および機械ダメージ診断装置 | |
JP6785614B2 (ja) | 演算処理方法及び金型プレス装置 | |
JP7170956B1 (ja) | 異常診断装置および異常診断方法 | |
WO2022181059A1 (ja) | 推定モデル生成装置および工具寿命推定装置 | |
Kozhevnikova et al. | Cold rolling with vibration of the working rollers | |
WO2022180984A1 (ja) | 推定モデル生成装置および工具寿命推定装置 | |
US11269309B2 (en) | Analysis unit and method for determining at least one forming process characteristic of a servo press |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |