CN111796953A - 故障预测装置及方法、存储介质、模型的学习及生成方法 - Google Patents

故障预测装置及方法、存储介质、模型的学习及生成方法 Download PDF

Info

Publication number
CN111796953A
CN111796953A CN202010275591.9A CN202010275591A CN111796953A CN 111796953 A CN111796953 A CN 111796953A CN 202010275591 A CN202010275591 A CN 202010275591A CN 111796953 A CN111796953 A CN 111796953A
Authority
CN
China
Prior art keywords
failure
prediction
operation information
failure prediction
fault
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.)
Withdrawn
Application number
CN202010275591.9A
Other languages
English (en)
Inventor
菊地修
井上博之
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nabtesco Corp
Original Assignee
Nabtesco Corp
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 Nabtesco Corp filed Critical Nabtesco Corp
Publication of CN111796953A publication Critical patent/CN111796953A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/008—Reliability or availability analysis
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Quality & Reliability (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Debugging And Monitoring (AREA)

Abstract

本发明提供一种故障预测装置及方法、存储介质、模型的学习及生成方法。在多个种类的故障预测中确定各故障的预测根据，从而提高各故障的预测精度。故障预测装置(1)具备：多个故障预测模型部(10)，所述多个故障预测模型部输出与输入到计算模型的值相应的故障预测结果，该计算模型是根据规定装置的运转历史记录，针对不同的故障内容分别基于直至该故障为止的运转信息而生成的；以及运转信息输入部(20)，其将从成为故障预测的对象的装置获取到的运转信息输入到多个故障预测模型部。

Description

故障预测装置及方法、存储介质、模型的学习及生成方法
技术领域
本发明涉及一种故障预测装置、故障预测方法、计算机程序、计算模型的学习方法以及计算模型的生成方法。
背景技术
存在如下一种技术(例如专利文献1)：生成故障预测模型，对装置的故障发生进行预测。
现有技术文献
专利文献
专利文献1：日本特开2018-72029号公报
发明内容
发明要解决的问题
专利文献1中记载的技术为，将振动信息与如下的标签的组作为教师数据来进行机器学习，由此预测部件从开始被使用起直至发生故障为止的时间，该标签表示该部件从开始被使用起直至发生故障为止的时间。该技术能够进行使用BGA封装的CPU等独立部件的故障预测，但是无法准确地预测多个独立部件的故障。另外，无法确定故障预测的根据，因此无法确认预测的妥当性。
本发明是鉴于这样的问题而完成的，其目的在于，在多个种类的故障预测中，确定各故障的预测根据，从而提高各故障的预测精度。
用于解决问题的方案
为了解决上述问题，本发明的某个方式的故障预测装置具备：故障预测模型部，其利用计算模型，针对各故障内容输出故障预测结果，所述计算模型是针对规定装置的各故障内容基于直至该故障为止的运转信息的历史记录而生成的；以及运转信息输入部，其将成为故障预测的对象的装置的运转信息的至少一部分输入到多个故障预测模型部。
本发明的其它方式为故障预测方法。该方法包含以下步骤：从成为故障预测的对象的装置获取该装置的运转信息的至少一部分；以及使用所获取到的运转信息，并利用计算模型来针对各故障内容输出故障预测结果，所述计算模型是针对规定装置的各故障内容基于直至该故障为止的运转信息的历史记录而生成的。
本发明的其它方式为计算机程序。该程序使计算机执行以下步骤：从成为故障预测的对象的装置获取该装置的运转信息的至少一部分；以及使用所获取到的运转信息，并利用计算模型来针对各故障内容输出故障预测结果，所述计算模型是针对规定装置的各故障内容基于直至该故障为止的运转信息的历史记录而生成的。
本发明的其它方式为计算模型的学习方法。该方法包含以下步骤：仅根据装置的特定故障所关联的运转信息，来制作用于机器学习的数据集；基于该数据集，来对用于故障预测的计算模型的参数进行机器学习；仅根据装置的与特定故障不同的故障所关联的运转信息，来制作用于机器学习的其它数据集；以及基于该其它数据集，来对用于故障预测的其它计算模型的参数进行机器学习。
本发明的其它方式为计算模型的生成方法。该方法包含以下步骤：仅根据装置的特定故障所关联的运转信息，来制作用于机器学习的数据集；基于该数据集，来对用于故障预测的计算模型的参数进行机器学习；仅根据装置的与特定故障不同的故障所关联的运转信息，来制作用于机器学习的其它数据集；以及基于该其它数据集，来对用于故障预测的其它计算模型的参数进行机器学习。
本发明的其它方式为故障预测方法。该方法包含以下步骤：从成为故障预测的对象的装置获取运转信息的至少一部分；以及对于针对规定装置的两种以上的故障内容中的各故障内容基于直至该故障为止的运转信息的历史记录而生成的计算模型，将成为故障预测的对象的装置的运转信息的至少一部分并行地输入到所述计算模型中的两个以上的计算模型，并使各计算模型中的两个以上的计算模型同时进行动作。
本发明的其它方式也为故障预测方法。该方法包含以下步骤：将成为故障预测的对象的装置的运转信息的至少一部分输入到多个计算模型，所述多个计算模型是针对规定装置的各故障内容基于直至该故障为止的运转信息的历史记录而生成的；以及根据多个计算模型中的表示发生故障的可能性最高的计算模型，来估计可能成为故障发生的因素的运转状况。
此外，将以上的结构要素的任意组合、本发明的结构要素或表达在方法、装置、程序、记录有程序的暂态或非暂态的存储介质、***等之间相互置换而得到的方式作为本发明的方式也是有效的。
发明的效果
根据本发明，能够在多个种类的故障预测中提高各故障的预测精度。
附图说明
图1是示出第一实施方式所涉及的故障预测装置的结构的功能框图。
图2是示出第二实施方式所涉及的故障预测装置的结构的功能框图。
图3是第三实施方式所涉及的故障预测方法的流程图。
图4是第五实施方式所涉及的学习方法的流程图。
图5是第七实施方式所涉及的故障预测方法的流程图。
附图标记说明
1：故障预测装置；2：故障预测装置；10：故障预测模型部；20：运转信息输入部；30：故障预测对象装置；40：提示部；S1：获取步骤；S2：预测步骤；S3：第一数据集制作步骤；S4：第一参数制作步骤；S5：第二数据集制作步骤；S6：第二参数制作步骤；S7：输入步骤；S8：估计步骤。
具体实施方式
下面，基于优选的实施方式，并参照附图来对本发明进行说明。对各附图中示出的相同或同等的结构要素、构件、处理标注相同的标记，并适当省略重复的说明。
[第一实施方式]
图1是示出本发明的第一实施方式所涉及的故障预测装置1的结构的功能框图。故障预测装置1具备故障预测模型部10和运转信息输入部20。故障预测模型部10具有多个故障预测模型部、即第一故障预测模型部11、第二故障预测模型部12、···、第n故障预测模型部1n。在此，n为2以上的整数。第一故障预测模型部11对第一故障内容进行预测，第二故障预测模型部12对第二故障内容进行预测，···，第n故障预测模型部1n对第n故障内容进行预测。运转信息输入部20与成为故障预测的对象的故障预测对象装置30连接。
在此，第一故障内容、第二故障内容、···、第n故障内容分别为不同的故障内容。另外，故障包含故障预测对象装置30无法再发挥应该发挥的功能的状态，除此以外还包含从冗余化的状态变为没有冗余化的状态等虽然没有达到发生故障的程度但发生了异常的状态。
运转信息输入部20从故障预测对象装置30获取该故障预测对象装置30的运转信息。运转信息输入部20将所获取到的运转信息输入到故障预测模型部10。该运转信息被分别输入到第一故障预测模型部11、第二故障预测模型部12、···、第n故障预测模型部1n。在此，“运转信息”为与该装置的结构、使用状况等、它们的历史记录(时间序列的信息)有关的信息，例如为该装置所具有的部件的结构、该装置所属的***的结构、该装置的使用期间、使用频度、使用环境、保管环境、维护状况、修理状况或者控制状况等信息。
故障预测模型部10输出与分别输入到各故障预测模型部的各计算模型的值相应的故障预测结果。即，是如下的情形：故障预测模型部10输出第一故障预测模型部11的计算模型(未图示)所预测出的关于第一故障内容的预测结果，输出第二故障预测模型部12的计算模型(未图示)所预测出的关于第二故障内容的预测结果，···，输出第n故障预测模型部1n的计算模型(未图示)所预测出的关于第n故障内容的预测结果。在此，上述的各计算模型是基于后述的计算模型生成用装置的运转信息中的直至各个故障为止的运转信息而生成的。此外，直至故障为止的运转信息是指从计算模型生成用装置刚开始运转后起直至故障为止的运转信息，但不限于此，也可以是从刚对计算模型生成用装置进行维护、修理等后起直至故障为止的运转信息、从特定的时刻或发生特定的状况起直至故障为止的运转信息、从计算模型生成用装置刚制造完成后或刚在销售公司等开始保管后起直至故障为止的运转信息。并且，在直至故障为止的运转信息的概念中还可以包含发生了故障后的规定期间内的运转信息。在此，规定期间例如可以为发生故障起的10分钟等规定期间，还可以为直至产生修理等特定状况为止的期间。通过包含发生了故障后的规定期间内的运转信息，信息量增加，因此能够进行更高精度的预测。
在此，“装置所具有的部件的结构”是表示该装置具备什么样的部件且这些部件被如何构成的信息。该信息在计算模型中反映出与该装置所具有的部件件数、部件之间的组合方式相关联的故障因素。“装置所属的***的结构”是指在该装置作为一个要素被嵌入于上位***时与该上位***的结构有关的信息。该信息例如为该装置位于上位***的哪个位置、除了该装置之外还存在什么样的装置、该装置与其它装置在结构或功能上具有什么样的关系这样的信息。该信息在计算模型中反映出与该装置在上位***内的定位、同其它装置的关系相伴的故障因素。“使用期间”是指从制造时、使用开始时及其它起点算起直至当前为止该装置被使用的期间(小时、年数)。使用期间可以为与有无实际使用无关地经过的期间，也可以仅为实际使用的期间。前者在计算模型中主要反映出与经年劣化相伴的故障因素，后者在计算模型中主要反映出与实际使用相伴的故障因素。“使用频度”是指与该装置被重复使用的程度有关的信息。使用频度可以为1周、1个月这种固定期间内的使用次数的简单的时间平均，也可以为包含使用频度高的期间和使用频度低的期间的分布的信息。该信息在计算模型中反映出与该装置被重复使用的程度相伴的故障因素。“使用环境”是指与该装置被使用的场所的外部环境有关的信息。该信息例如为温度、湿度、气候分区、粉尘、腐蚀环境、电磁波/放射线/化学物质的暴露状况、电力供给状况等。该信息在计算模型中反映出与该装置被使用的场所的外部环境相伴的故障因素。“保管环境”是指与保管该装置的场所的外部环境有关的信息。该信息例如为温度、湿度、气候分区、粉尘、腐蚀环境、电磁波/放射线/化学物质的暴露状况等。该信息在计算模型中反映出与保管该装置的场所的外部环境相伴的故障因素。“维护状况”是指与该装置所接受的维护的状况有关的信息。该信息例如为该装置的检查的次数、频度、内容、有无注油或部件更换、有无拆卸、是定期检查还是基于问题的检查等。该信息在计算模型中反映出装置的维护对故障的影响。“修理状况”是指与该装置所接受的修理的状况有关的信息。该信息例如为该装置的修理的次数、频度、内容、更换部件的种类、件数、修理者的熟练度等。该信息在计算模型中反映出装置的修理对故障的影响。“控制状况”是指在该装置中设定的控制参数的内容、输入到该装置的信号、信息的内容、该装置输出的信号、信息等。该信息在计算模型中反映出装置的控制对故障的影响。
在此，对故障预测模型部10的各个故障预测模型部的计算模型的生成进行说明。这些计算模型是使用一个以上的计算模型生成用装置并利用机器学习等公知的方法而生成的。在此，计算模型生成用装置是指如下的装置：包括故障预测对象装置30所包括的相同类型的部件、或者与故障预测对象装置30相同类型的装置。例如，计算模型生成用装置是包括故障预测对象装置30本身、故障预测对象装置30所包括的相同类型的部件、或者与故障预测对象装置30相同类型的装置来作为结构要素的***等。此外，在利用机器学习的情况下，使用大量的计算模型生成用装置会更加提高预测精度。并且，可以包括故障预测对象装置30本身来作为计算模型生成用装置之一。
下面，对生成三个计算模型、即预测第一故障的第一计算模型、预测第二故障的第二计算模型以及预测第三故障的第三计算模型的例子进行说明。例如，在装置为机器人的情况下，是第一故障为机器人的减速机的故障、第二故障为机器人的传感器的故障、第三故障为机器人的控制装置的故障这样的情形。第一计算模型是将计算模型生成用装置的运转信息中的直至第一故障为止的运转信息作为教师数据并通过机器学习而生成的。同样地，第二计算模型是将计算模型生成用装置的运转信息中的直至第二故障为止的运转信息作为教师数据而生成的，第三计算模型是将计算模型生成用装置的运转信息中的直至第三故障为止的运转信息作为教师数据而生成的。在此，机器学习可以为公知的监督学习中的任意一种。在机器学习中可以使用卷积神经网络(Convolutional Neural Network：CNN)、递归神经网络(Recurrent Neural Network：RNN)、LSTM(Long Short Term Memory(长短期记忆)：LSTM)网络等神经网络，在该情况下，可以使输入层共通而且针对各计算模型混合存在不同的神经网络。或者，如果能够针对各故障内容决定说明变量，则可以使用决策树。
像这样生成的各计算模型当被输入运转信息时，基于各个计算模型来预测故障的发生。是如下的情形：第一计算模型预测例如在1个月以内发生第一故障的概率，第二计算模型预测例如在1个月以内发生第二故障的概率，第三计算模型预测例如在1个月以内发生第三故障的概率。这些各计算模型是针对故障的各类型基于专用的教师数据而生成的，因此易于确定故障预测的根据、即包含多个信息(种类、时期)的运转信息中的哪个种类、哪个时期的信息对该故障产生何种程度的影响。因而，关于该故障，能够避开由关联性低的其它信息产生的影响(例如过度学习)，从而能够高精度地预测各个故障。
以上说明的故障预测装置1的从用户观察到的动作例如下。用户对故障预测装置1输入具备多个部件的故障预测对象装置30的运转信息。该运转信息可以为故障预测对象装置30的实际的运转历史记录的一部分或全部，也可以为设想的运转信息。故障预测装置1输出第一部件例如在1个月以内发生故障的概率、第二部件例如在1个月以内发生故障的概率、···、第n部件例如在1个月以内发生故障的概率。由此，用户例如能够获知，在故障预测对象装置30在某运转状况下被使用时(或者假设被使用时)，哪个部件将在何时以何种概率发生故障。在此，“运转状况”是指该装置被使用时的状况，例如为该装置所具有的部件的结构、该装置所属的***的结构、该装置的使用期间、使用频度、使用环境、保管环境、维护状况、修理状况或者控制状况等。
根据本实施方式，由于在多个种类的故障预测中使用如下的计算模型，因此能够提高各故障的预测精度，该计算模型是针对故障的各种类基于专用的教师数据而生成的。
[第二实施方式]
图2是示出本发明的第二实施方式所涉及的故障预测装置2的结构的功能框图。故障预测装置2除了具备图1的故障预测装置1的结构以外还具备提示部40。
提示部40提示来自多个故障预测模型部的故障预测结果、即第一故障预测结果、第二故障预测结果、···、第n故障预测结果之中可能性最高的故障内容所对应的计算模型与该故障内容以外的故障内容所对应的计算模型之差。
下面，以故障预测模型部10具有第一故障预测模型部11、第二故障预测模型部12以及第三故障预测模型部13这三个故障预测模型部的情况为例进行说明。在此，设为第一故障预测模型部11、第二故障预测模型部12以及第三故障预测模型部13分别利用第一计算模型、第二计算模型以及第三计算模型来进行故障预测。假设故障预测的结果为预测出在1个月以内分别以30％的概率发生第一故障、以10％的概率发生第二故障、以5％的概率发生第三故障。此时，第一故障发生的概率最高。因而，提示部40提示第一计算模型与第二计算模型之差以及第一计算模型与第三计算模型之差。用户通过观察该差，能够获知发生的可能性最高的故障与该故障以外的故障的预测内容之差。由此，能够确认预测的妥当性。
根据本实施方式，由于提示发生的可能性最高的故障与该故障以外的故障的预测内容之差，因此能够客观地确认预测内容的妥当性。
在第二实施方式的某个实施例中，各计算模型是基于与故障预测对象装置30相同类型的装置所具有的部件的结构、与故障预测对象装置30相同类型的装置所属的***的结构、与故障预测对象装置30相同类型的装置的运转信息而生成的。
在第二实施方式的其它实施例中，提示部40提示的计算模型之差作为故障预测对象装置30的运转信息与上述的计算模型生成用装置的运转信息的相似度来进行输出。在此，“相似度”是指表示两个装置的运转状况的各要素彼此在何种程度上共通的数值或评价信息。
如上所述，计算模型生成用装置为包括故障预测对象装置30(或者被包含于故障预测对象装置30中)的装置，基于在各种各样的环境或结构下使用该计算模型生成用装置时的运转信息来生成计算模型。在此，例如设为输入了故障预测对象装置30的运转信息的结果为针对故障预测对象装置30预测出第一故障发生的概率最高。此时，通过计算用于预测第一故障的第一计算模型的教师数据中包含的计算模型生成用装置的运转信息与故障预测对象装置30的运转信息的相似度，能够明确地示出第一故障发生的概率高时的故障原因(各种环境、结构)。相似度能够通过由很多种类的信息构成的运转信息中的处于规定范围内的信息有多少来进行评价。另外，不限定于此，还能够基于预先决定的特定种类的信息在何种程度上近似来进行评价。
根据该实施例，用户能够将作为可能性高的故障内容来提示的原因明确地理解为与计算模型的教师数据之间的关系。
[第三实施方式]
图3是本发明的第三实施方式所涉及的故障预测方法的流程图。本方法包含获取步骤S1和预测步骤S2。
在获取步骤S1中，本方法从成为故障预测的对象的装置获取该装置的运转信息。
在预测步骤S2中，本方法将从成为故障预测的对象的装置获取到的运转信息输入到各个不同的计算模型，来进行故障预测，该各个不同的计算模型是基于规定装置(计算模型生成用装置)的运转信息中的直至内容各不相同的故障为止的运转信息而生成的。此处使用的计算模型的生成方法与第一实施方式中记述的方法相同，因而省略详细的说明。
根据本实施方式，由于在多个种类的故障预测中使用如下的计算模型，因此能够提高各故障的预测精度，该计算模型是针对故障的各种类基于专用的教师数据而生成的。
[第四实施方式]
本发明的第四实施方式所涉及的计算机程序使计算机执行图3所示的流程。即，本程序使计算机执行以下步骤：获取步骤S1，从成为故障预测的对象的装置获取该装置的运转信息；以及预测步骤S2，将从成为故障预测的对象的装置获取到的运转信息输入到各个不同的计算模型，来进行故障预测，该各个不同的计算模型是基于规定装置(计算模型生成用装置)的运转信息中的直至内容各不相同的故障为止的运转信息而生成的。
根据本实施方式，能够将在多个种类的故障预测中使用了如下的计算模型的程序实现为软件，因此能够使用计算机来实现高精度的故障预测，该计算模型是针对故障的各种类基于专用的教师数据而生成的。
[第五实施方式和第六实施方式]
图4是本发明的第五实施方式所涉及的计算模型的学习方法(进行学习的方法的发明)以及第六实施方式所涉及的计算模型的生成方法(计算模型的制造方法的发明)的流程图。本方法包含第一数据集制作步骤S3、第一参数制作步骤S4、第二数据集制作步骤S5以及第二参数制作步骤S6。
在第一数据集制作步骤S3中，本方法仅根据装置的特定故障所关联的运转信息来制作第一学习集。例如，在装置为机器人的情况下，特定故障为机器人的减速机的故障。第一学习集例如为仅包含该机器人的直至减速机发生故障的运转信息的数据集。
在第一参数制作步骤S4中，本方法基于所述第一学习集，来对用于故障预测的第一计算模型的第一参数进行机器学习。机器学习例如为将第一学习集作为教师数据的监督学习，为卷积神经网络、递归神经网络、LSTM网络等。通过该机器学习来进行第一计算模型的第一参数、即用于预测机器人的减速机的故障的计算模型的参数的学习。
在第二数据集制作步骤S5中，本方法仅根据与前述特定故障不同的故障所关联的运转信息来制作与第一学习集不同的第二学习集。不同的故障例如为机器人的传感器的故障。第二学习集例如为仅包含该机器人的直至传感器发生故障的运转信息的数据集。
在第二参数制作步骤S6中，本方法基于所述第二学习集，来对用于故障预测的第二计算模型的第二参数进行机器学习，该第二参数与所述第一参数不同，该第二计算模型与所述第一计算模型不同。与第一计算模型的第一参数同样地进行第二计算模型的第二参数、即用于预测机器人的传感器的故障的计算模型的参数的学习。
根据本实施方式，使用专用于特定的故障内容的教师数据，因此能够在对用于故障预测的计算模型进行学习时极力抑制因过度学习等所致的不良影响。另外，由于使用专用于特定的故障内容的教师数据，因此能够生成极力抑制了因过度学习等所致的不良影响的用于故障预测的计算模型。
[第七实施方式]
本发明的第七实施方式所涉及的方法包含以下的步骤：将从成为故障预测的对象的装置获取到的运转信息并行地输入到多个计算模型(大致同时地输入或以使得运算大致同时结束的方式输入)，并使各计算模型同时进行动作。
计算模型例如是利用第五实施方式中所说明的方法来针对各故障内容专门制作的。
根据本实施方式，由于将成为故障预测的对象的装置的运转信息并行地输入到各故障专用的各计算模型，因此与对各计算模型按顺序输入该运转信息的情况相比，能够高速地执行故障预测。此外，也能够不需要使所有的计算模型同时进行动作，而仅使一部分计算模型同时执行动作。
[第八实施方式]
图5是本发明的第八实施方式所涉及的故障预测方法的流程图。本方法包含输入步骤S7和估计步骤S8。
在输入步骤S7中，本方法将从成为故障预测的对象的装置获取到的运转信息输入到多个计算模型中的各个计算模型。
在估计步骤S8中，本方法根据多个计算模型中的表示发生故障的可能性最高的计算模型，来估计可能成为故障发生的因素的运转状况。该估计能够根据各计算模型的教师数据的不同(由于运转信息中包含的信息中的与各个故障具有深的因果关系的信息集中于某个范围内，因此以什么样的信息集中、什么样的信息不集中为基准来辨别不同。此外，关于是否集中，可以基于预先设定的基准进行判断，也可以根据各信息的偏差来相对地进行判断。)来进行。例如，在装置为机器人的情况下，设为预测出机器人的减速机的故障为可能性最高的故障。此时，在估计步骤S8中，对可能成为该机器人的减速机发生故障的因素的运转状况、例如在减速机发生故障时该机器人的使用期间、使用频度、使用环境、保管环境、维护状况、修理状况以及控制状况等中的任意一个以上的因素进行估计。此外，如上所述，在减速机发生故障时该机器人的使用期间等为具有范围的信息。
根据本实施方式，能够估计在装置发生特定故障时该装置的运转状况。
以上基于几个实施方式对本发明进行了说明。本领域技术人员应当能够理解，这些实施方式为例示，能够在本发明的权利要求的范围内进行各种各样的变形及变更，并且这样的变形例及变更也包含在本发明的权利要求的范围内。因而，本说明书中的记述及附图应被视为示例而非限定。
并且，除了应用于机器人以外，还能够应用于机床、建筑机械、工作机、飞机、铁路车辆、船舶、汽车、自动门、包装机、假肢、轮椅、三维造型装置、成型机等。
下面对变形例进行说明。在变形例的说明中，对与实施方式相同或同等的结构要素、构件标注相同的标记。适当省略与实施方式重复的说明，重点说明与实施方式不同的结构。
在第八实施方式中，对以下方式进行了说明：根据多个计算模型中的表示发生故障的可能性最高的计算模型，来估计可能成为故障发生的因素的运转状况。但是，不限定于此，也可以根据表示发生故障的可能性最低的计算模型来估计不易发生故障的运转状况。根据本变形例，能够估计在装置中未发生特定故障时该装置的运转状况。
上述的各实施方式与变形例的任意组合作为本发明的实施方式也是有用的。通过组合而产生的新的实施方式兼具被组合的各实施方式及变形例各自的效果。

Claims (10)

1.一种故障预测装置，具备：
故障预测模型部，其利用计算模型，针对各故障内容输出故障预测结果，所述计算模型是针对规定装置的各故障内容基于直至该故障为止的运转信息的历史记录而生成的；以及
运转信息输入部，其将成为故障预测的对象的装置的运转信息的至少一部分输入到所述故障预测模型部。
2.根据权利要求1所述的故障预测装置，其中，
所述故障预测装置具备提示部，所述提示部提示从所述故障预测模型部输出的故障预测结果之中可能性最高的故障内容所对应的计算模型与该故障内容以外的故障内容所对应的计算模型之差。
3.根据权利要求2所述的故障预测装置，其中，
所述规定装置为与作为故障预测的对象的所述装置相同的装置，或者为与作为故障预测的对象的所述装置相同类型的装置，
所述运转信息为由如下的组合构成的时间序列的信息，该组合包含所述规定装置所具有的部件的结构、该装置所属的***的结构、该装置的使用期间、使用频度、保管环境、使用环境、维护状况、修理状况以及控制状况中的至少一个。
4.根据权利要求2或3所述的故障预测装置，其中，
所述计算模型之差作为相似度来进行输出，所述相似度为被获取所输入的运转信息的装置所具有的部件的结构、该装置所属的***的结构、该装置的使用期间、使用频度、使用环境、保管环境、维护状况、修理状况及控制状况中的至少一个与为了生成各计算模型而使用的所述规定装置所具有的部件的结构、该装置所属的***的结构、使用期间、使用频度、使用环境、保管环境、维护状况、修理状况及控制状况中的至少一个的相似度。
5.一种故障预测方法，包含以下步骤：
从成为故障预测的对象的装置获取该装置的运转信息的至少一部分；以及
使用获取到的所述运转信息，并利用计算模型来针对各故障内容输出故障预测结果，所述计算模型是针对规定装置的各故障内容基于直至该故障为止的运转信息的历史记录而生成的。
6.一种存储介质，存储有计算机程序，所述计算机程序使计算机执行以下步骤：
从成为故障预测的对象的装置获取该装置的运转信息的至少一部分；以及
使用获取到的所述运转信息，并利用计算模型来针对各故障内容输出故障预测结果，所述计算模型是针对规定装置的各故障内容基于直至该故障为止的运转信息的历史记录而生成的。
7.一种用于故障预测的计算模型的学习方法，包含以下步骤：
仅根据装置的特定故障所关联的运转信息，来制作用于机器学习的数据集；
基于该数据集，来对用于故障预测的计算模型的参数进行机器学习；
仅根据所述装置的与所述特定故障不同的故障所关联的运转信息，来制作用于机器学习的其它数据集；以及
基于该其它数据集，来对用于故障预测的其它计算模型的参数进行机器学习。
8.一种用于故障预测的计算模型的生成方法，包含以下步骤：
仅根据装置的特定故障所关联的运转信息，来制作用于机器学习的数据集；
基于该数据集，来对用于故障预测的计算模型的参数进行机器学习；
仅根据所述装置的与所述特定故障不同的故障所关联的运转信息，来制作用于机器学习的其它数据集；以及
基于该其它数据集，来对用于故障预测的其它计算模型的参数进行机器学习。
9.一种故障预测方法，包含以下步骤：
从成为故障预测的对象的装置获取运转信息的至少一部分；以及
对于针对规定装置的两种以上的故障内容中的各故障内容基于直至该故障为止的运转信息的历史记录而生成的计算模型，将成为故障预测的对象的所述装置的运转信息的至少一部分并行地输入到所述计算模型中的两个以上的计算模型，并使各计算模型中的两个以上的计算模型同时进行动作。
10.一种故障预测方法，包含以下步骤：
将成为故障预测的对象的装置的运转信息的至少一部分输入到多个计算模型，所述多个计算模型是针对规定装置的各故障内容基于直至该故障为止的运转信息的历史记录而生成的；以及
根据所述多个计算模型中的表示发生故障的可能性最高的计算模型，来估计可能成为故障发生的因素的运转状况。
CN202010275591.9A 2019-04-09 2020-04-09 故障预测装置及方法、存储介质、模型的学习及生成方法 Withdrawn CN111796953A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-074252 2019-04-09
JP2019074252A JP7320368B2 (ja) 2019-04-09 2019-04-09 故障予測装置、故障予測方法およびコンピュータプログラム

Publications (1)

Publication Number Publication Date
CN111796953A true CN111796953A (zh) 2020-10-20

Family

ID=70285481

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010275591.9A Withdrawn CN111796953A (zh) 2019-04-09 2020-04-09 故障预测装置及方法、存储介质、模型的学习及生成方法

Country Status (4)

Country Link
US (1) US20200326698A1 (zh)
EP (1) EP3723011A1 (zh)
JP (1) JP7320368B2 (zh)
CN (1) CN111796953A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112198857A (zh) * 2020-12-08 2021-01-08 浙江中自庆安新能源技术有限公司 一种基于监测数据的工业设备控制优化方法及***
CN114504157A (zh) * 2022-01-21 2022-05-17 国网山东省电力公司寿光市供电公司 多功能安全帽及其工作方法

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11242051B1 (en) 2016-01-22 2022-02-08 State Farm Mutual Automobile Insurance Company Autonomous vehicle action communications
US11719545B2 (en) 2016-01-22 2023-08-08 Hyundai Motor Company Autonomous vehicle component damage and salvage assessment
US20210295439A1 (en) 2016-01-22 2021-09-23 State Farm Mutual Automobile Insurance Company Component malfunction impact assessment
US11441916B1 (en) 2016-01-22 2022-09-13 State Farm Mutual Automobile Insurance Company Autonomous vehicle trip routing
JP7281394B2 (ja) * 2019-12-23 2023-05-25 株式会社日立製作所 異常診断装置およびプログラム
CN112598248B (zh) * 2020-12-16 2023-03-28 广东电网有限责任公司广州供电局 负荷预测方法、装置、计算机设备和存储介质
CN114495468A (zh) * 2022-01-10 2022-05-13 广州高新兴机器人有限公司 机器人故障状态监测预警方法、电子设备、存储介质
CN114675597B (zh) * 2022-05-30 2022-08-26 中科航迈数控软件(深圳)有限公司 一种数控机床故障预测可视化方法
US20240036999A1 (en) * 2022-07-29 2024-02-01 Dell Products, Lp System and method for predicting and avoiding hardware failures using classification supervised machine learning
CN117370848B (zh) * 2023-12-08 2024-04-02 深圳市明心数智科技有限公司 设备故障预测方法、装置、计算机设备及存储介质

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4369825B2 (ja) 2004-08-11 2009-11-25 株式会社日立製作所 車両故障診断装置および車載端末
JP2006135412A (ja) 2004-11-02 2006-05-25 Tokyo Gas Co Ltd 遠隔監視システム
JP5431235B2 (ja) 2009-08-28 2014-03-05 株式会社日立製作所 設備状態監視方法およびその装置
JP6459180B2 (ja) 2014-02-10 2019-01-30 富士ゼロックス株式会社 障害予測システム、障害予測装置、ジョブ実行装置およびプログラム
US10176032B2 (en) 2014-12-01 2019-01-08 Uptake Technologies, Inc. Subsystem health score
JP6603192B2 (ja) 2016-10-25 2019-11-06 ファナック株式会社 学習モデル構築装置、故障予測システム、学習モデル構築方法及び学習モデル構築プログラム
US10782680B2 (en) * 2017-07-20 2020-09-22 Genral Electric Company Cumulative cost model for predicting asset maintenance cost from distress models

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112198857A (zh) * 2020-12-08 2021-01-08 浙江中自庆安新能源技术有限公司 一种基于监测数据的工业设备控制优化方法及***
CN112198857B (zh) * 2020-12-08 2021-03-02 浙江中自庆安新能源技术有限公司 一种基于监测数据的工业设备控制优化方法及***
CN114504157A (zh) * 2022-01-21 2022-05-17 国网山东省电力公司寿光市供电公司 多功能安全帽及其工作方法

Also Published As

Publication number Publication date
US20200326698A1 (en) 2020-10-15
EP3723011A1 (en) 2020-10-14
JP2020173551A (ja) 2020-10-22
JP7320368B2 (ja) 2023-08-03

Similar Documents

Publication Publication Date Title
CN111796953A (zh) 故障预测装置及方法、存储介质、模型的学习及生成方法
Vogl et al. A review of diagnostic and prognostic capabilities and best practices for manufacturing
JP6956028B2 (ja) 故障診断装置及び機械学習装置
CN106409120B (zh) 机械学习方法及机械学习装置、以及故障预知装置及***
Moradi et al. Modernizing risk assessment: A systematic integration of PRA and PHM techniques
Tiddens et al. Exploring predictive maintenance applications in industry
Lechevalier et al. Towards a domain-specific framework for predictive analytics in manufacturing
Pillai et al. A hybrid approach for fusing physics and data for failure prediction
Aizpurua et al. Towards a methodology for design of prognostic systems
Tiddens et al. The adoption of prognostic technologies in maintenance decision making: a multiple case study
CN112727965B (zh) 采煤机制动器的故障监测方法及装置
CN109791401A (zh) 生成用于嵌入式分析和诊断/预测推理的故障模型
KR102480354B1 (ko) 기계의 잔여 사용 수명을 예측하기 위한 어셈블리 및 방법
CN107944563B (zh) 机械学习装置以及机械学习方法
JP6711323B2 (ja) プロセスの異常状態診断方法および異常状態診断装置
Blancke et al. A holistic multi-failure mode prognosis approach for complex equipment
Jin et al. A comprehensive framework of factory-to-factory dynamic fleet-level prognostics and operation management for geographically distributed assets
Gopalakrishnan et al. IIoT Framework Based ML Model to Improve Automobile Industry Product.
Saranya et al. Data-driven prognostics for run-to-failure data employing machine learning models
Lee et al. Intelligent factory agents with predictive analytics for asset management
Simeu-Abazi et al. Monitoring and predictive maintenance: Modeling and analyse of fault latency
US20220308569A1 (en) Alarm management apparatus, alarm management method, and computer-readable recording medium
Walker et al. Integrated Design of On-line Health and Prognostics Management
US11237550B2 (en) Ultrasonic flow meter prognostics with near real-time condition based uncertainty analysis
Blancke et al. A hydrogenerator model-based failure detection framework to support asset management

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20201020

WW01 Invention patent application withdrawn after publication