CN112805728A - 机器故障诊断辅助***以及机器故障诊断辅助方法 - Google Patents
机器故障诊断辅助***以及机器故障诊断辅助方法 Download PDFInfo
- Publication number
- CN112805728A CN112805728A CN201880098506.7A CN201880098506A CN112805728A CN 112805728 A CN112805728 A CN 112805728A CN 201880098506 A CN201880098506 A CN 201880098506A CN 112805728 A CN112805728 A CN 112805728A
- Authority
- CN
- China
- Prior art keywords
- failure
- diagnosis
- learning
- model
- machine
- 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.)
- Pending
Links
- 238000003745 diagnosis Methods 0.000 title claims abstract description 175
- 238000000034 method Methods 0.000 title claims description 15
- 238000012423 maintenance Methods 0.000 description 56
- 238000003860 storage Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 19
- 238000011835 investigation Methods 0.000 description 19
- 238000010801 machine learning Methods 0.000 description 19
- 238000007726 management method Methods 0.000 description 19
- 238000013523 data management Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 208000037408 Device failure Diseases 0.000 description 3
- 238000001816 cooling Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 102100040401 DNA topoisomerase 3-alpha Human genes 0.000 description 1
- 101000611068 Homo sapiens DNA topoisomerase 3-alpha Proteins 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- 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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- 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
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- 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
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
-
- 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
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
-
- 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
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
- G05B23/0281—Quantitative, e.g. mathematical distance; Clustering; Neural networks; Statistical analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Probability & Statistics with Applications (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Human Computer Interaction (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
学习诊断装置根据故障数据进行学习并制作诊断模型,在作为该机器的故障原因部位不满足固定的件数的情况下,将该机器的机型、故障原因部位、传感器数据储存在稀有案例数据表中。接着,根据由学习部制作出的诊断模型,针对产生了故障的机器的每个部位,计算成为故障原因的推定概率,根据稀有案例数据表,计算产生了故障的机器的传感器数据与该机器的机型过去的传感器数据的传感器数据一致率。并且,显示诊断出的产生了故障的机器的故障原因部位和该故障原因部位的推定概率,显示计算出的产生了故障的机器的每个部位的传感器数据一致率。
Description
技术领域
本发明涉及机器故障诊断辅助***以及机器故障诊断辅助方法,特别是涉及适合于根据传感器数据来进行设备和机器的故障部位调查时,缩短故障部位的查明所需要的时间,从而高效地进行故障部位的查明的适当的机器故障诊断辅助***以及机器故障诊断辅助方法。
背景技术
近年来,通过信息处理装置,根据对工厂的生产设备等机器进行测量的传感器数据,来进行机器的维护的***得到广泛利用。
在利用故障履历信息、维护履历信息的机器的维护中,在产生了故障时,如何根据从机器测量到的传感器数据以及它们的故障履历信息、维护履历信息,在短时间内高效地进行故障部位的查明成为重要的课题。
例如,在专利文献1中公开了如下故障诊断装置:对故障状态进行分类,根据故障状态的件数,来判定显示上位类别的故障部位的故障状态还是显示下位类别的故障部位的故障状态。
现有技术文献
专利文献
专利文献1:日本特开2018-25928号公报
发明内容
发明要解决的课题
专利文献1所记载的故障诊断装置对故障状态进行分类,在判断为能够用于故障诊断的情况下,显示下位类别的故障部位的故障状态,在判断为没有用于故障诊断的情况下,显示上位类别的故障部位的故障状态。
在上述专利文献1记载的故障诊断装置中,在维护履历充分的情况下,能够显示下位类别的故障部位的故障状态,采取具体的对策,但在维护履历不充分的情况下,只能显示上位类别的故障部位的故障状态,维护人员无法获得故障诊断用的充分的信息。
因此,成为根据人的经验法则或直觉对故障部位进行调查和确定的属人的作业,此时,为了调查设计书、过去的故障实绩而需要很多的时间。
此外,已知有根据机器学习,将故障部位与推定概率一起显示的技术。但是,在过去的故障实绩少的稀有案例中,无法获得精度高的诊断结果,无法示出以怎样的优先顺序调查故障部位即可的具体的指标,结果,为了调查故障部位及其对策需要很多时间。
本发明的目的在于,在根据传感器数据来进行设备和机器的故障部位调查时,缩短故障部位的查明所需要的时间,高效地进行故障部位的查明。
此外,本发明的目的在于,即使是稀有案例,也表示与故障部位的调查相关的优先级,缩短故障部位的查明所需要的时间,高效地进行故障部位的查明。
用于解决课题的手段
本发明的机器故障诊断辅助***的结构优选的是,根据测量了机器的传感器所输出的传感器数据来进行故障诊断的机器故障诊断辅助***,该机器故障诊断辅助***具有学习诊断装置,学习诊断装置保持:故障履历表,其储存产生了故障的机器、传感器数据、该机器的故障原因部位;以及稀有案例数据表,其针对稀有案例的情况,按机型、按部位储存传感器数据,学习诊断装置具有:学习部,其根据过去数据进行学习并制作诊断模型;诊断部,其根据由学习部制作出的诊断模型来进行故障诊断;以及显示部,其显示诊断部的诊断结果,学习部根据储存在故障履历表中的数据进行学习并制作诊断模型,学习部根据故障履历表,在作为该机器的故障原因部位不满足固定的件数的情况下,将该机器的机型、故障原因部位、传感器数据储存在稀有案例数据表中,诊断部根据由学习部制作出的诊断模型,针对产生了故障的机器的每个部位,计算成为故障原因的推定概率,诊断部根据稀有案例数据表,计算产生了故障的机器的传感器数据与该机器的机型过去的传感器数据的传感器数据一致率,显示部显示由诊断部诊断出的产生了故障的机器的故障原因部位和该故障原因部位的推定概率,显示部显示计算出的产生了故障的机器的每个部位的传感器数据一致率。
发明效果
根据本发明,在根据传感器数据进行设备和机器的故障部位调查时,能够缩短故障部位的查明所需要的时间,从而高效地进行故障部位的查明。此外,根据本发明,即使是稀有案例,也能够表示与故障部位的调查相关的优先级,缩短故障部位的查明所需的时间,从而高效地进行故障部位的查明。
附图说明
图1是机器故障诊断辅助***的结构图。
图2是机器信息管理装置的硬件和软件结构图。
图3是学习诊断装置的硬件和软件结构图。
图4是表示故障时传感器数据表的一例的图。
图5是表示维护履历数据表的一例的图。
图6是表示故障履历数据表的一例的图。
图7是表示诊断模型表的一例的图。
图8是表示稀有案例数据表的一例的图。
图9是表示模型精度数据表的一例的图。
图10是表示机器编号学习诊断结果表的一例的图。
图11是表示稀有案例诊断结果表的一例的图。
图12是表示每个对象机产生频率表的一例的图。
图13是说明学习诊断的诊断精度的图。
图14是表示学习部进行的学习处理的流程图。
图15是表示诊断部进行的诊断处理的流程图。
图16是表示显示部进行的显示处理的流程图。
图17是表示基于机器学习的推定结果显示画面的一例的图。
图18是表示稀有案例传感器状态信息显示画面的一例的图。
图19是表示过去实绩显示画面的一例的图。
图20是表示过去实绩图表显示画面的一例的图。
具体实施方式
以下,使用图1至图20对本发明的一个实施方式进行说明。
首先,使用图1至图3对机器故障诊断辅助***的结构进行说明。
如图1所示,机器故障诊断辅助***由传感器5、设备和机器10、传感器数据管理装置400、机器信息管理装置100、学习诊断装置200构成,传感器数据管理装置400和机器信息管理装置100通过网络6连接,学习诊断装置200通过网络7连接。
设备和机器10是设置于工厂、办公室、医院、商业设施等的成为故障诊断对象的机器。传感器5是检测与设备和机器10的状态相关的信息的机器,例如是温度传感器、速度传感器、位置传感器等。传感器数据管理装置400是管理传感器5的数据的装置。机器信息管理装置100是对与设备和机器10相关的传感器数据、维护履历等信息进行管理的装置。学习诊断装置200是对传感器数据、维护履历等信息进行学习,并显示与故障相关的诊断信息的装置。
传感器数据管理装置400由传感器数据取得部410和故障数据输出部420构成。
传感器数据取得部410是在传感器数据管理装置400与传感器5以有线方式连接的情况下,通过该有线的接口或者从其他存储装置(未图示)取入传感器数据的功能部。传感器数据输出部420是将传感器数据输出给机器信息管理装置100的功能部。
机器信息管理装置100由传感器数据输入输出部110、维护履历管理部120、维护履历输入输出部130、传感器数据和维护履历合并部140、故障履历数据输出部150、以及存储部160构成。
传感器数据输入输出部110经由网络6从传感器数据管理装置400取入传感器数据,此外,将传感器数据的内容显示在显示装置上。
维护履历管理部120是将输入的维护履历作为数据库进行管理的功能部。维护履历输入输出部130是进行维护履历的输入和输出的功能部。维护履历输入输出部130通过输入装置取入传感器数据,或从其他存储装置(未图示)取入传感器数据,将维护履历输出给显示装置。
传感器数据和维护履历合并部140是将机器故障时的传感器数据和输入的维护履历合并,并制作故障履历数据表(后述)的功能部。故障履历数据输出部150是经由网络7将故障履历数据表的数据输出给学习诊断装置200的功能部。存储部160是存储机器信息管理装置100所利用的数据的功能部。
在存储部160中保持有故障时传感器数据表300、维护履历数据表310、以及故障履历数据表320。另外,各个数据表的详细情况在后面进行说明。
学习诊断装置200由学习部210、诊断部220、显示部230、故障履历数据输入部240构成。
学习部210是对与设备和机器相关的传感器数据、维护履历进行学习,并制作故障诊断的学习模型的功能部。这里,所谓学习模型是指用于从要学习的数据集导出规则、关联性来导出适当的解的作为基准的数据模型。诊断部220是根据由学习部210制作出的学习模型以及与设备和机器相关的传感器数据、维护履历来进行机器的故障诊断的功能部。显示部230是显示诊断部220的故障诊断的结果的功能部。故障履历数据输入部240是经由网络7取入故障履历数据表320的功能部。存储部250是存储学习诊断装置200所利用的数据的功能部。
在存储部250中保持诊断模型表330、稀有案例数据表340、模型精度数据表350、机器学习诊断结果表360、稀有案例诊断结果表370、每个对象机产生频率表380。另外,各个数据表的详细情况在后面进行说明。
接着,使用图2对机器故障信息管理装置的硬件和软件结构进行说明。
作为机器信息管理装置100的硬件结构,例如通过图2所示的个人计算机那样的一般的信息处理装置来实现。
机器信息管理装置100成为CPU(Central Processing Unit)502、主存储装置504、网络I/F506、显示I/F508、输入输出I/F510、辅助存储I/F512通过总线来耦合的方式。
CPU202控制机器信息管理装置100的各部,加载并执行主存储装置504所需的程序。
主存储装置504通常由RAM等易失性存储器构成,存储CPU502执行的程序、参照的数据。
网络I/F506是用于与网络6、网络7连接的接口。
显示I/F508是用于连接LCD(Liquid Crystal Display)等显示装置520的接口。
输入输出I/F510是用于连接输入输出装置的接口。在图2的例子中,键盘530和指示装置的鼠标532连接。
辅助存储I/F512是用于连接HDD(Hard Disk Drive)550、SSD(Solid StateDrive)等辅助存储装置的接口。
HDD550具有大容量的存储容量,储存有用于执行本实施方式的程序。在机器信息管理装置100的HDD550中,安装有传感器数据输入输出程序551、维护履历管理程序552、维护履历输入输出程序553、传感器数据和维护履历合并程序554、以及故障履历数据表输出程序555。
传感器数据输入输出程序551、维护履历管理程序552、维护履历输入输出程序553、传感器数据和维护履历合并程序554、以及故障履历数据表输出程序555分别是执行传感器数据输入输出部110、维护履历管理部120、维护履历输入输出部130、传感器数据和维护履历合并部140、以及故障履历数据输出部150的功能的程序。
此外,HDD550储存故障时传感器数据表300、维护履历数据表310、以及故障履历数据表320。
接着,使用图3对学习诊断装置的硬件和软件结构图进行说明。
学习诊断装置200也与图2所示的机器信息管理装置100一样,作为硬件结构,例如通过图3所示的个人计算机那样的一般的信息处理装置来实现。
各个硬件的结构要素与图2所示的机器信息管理装置100相同。
在学习诊断装置200的情况下,在HDD650中安装有学习程序651、诊断程序652、显示程序653、以及故障履历数据表输入程序654。
学习程序651、诊断程序652、显示程序653、故障履历数据表输入程序654分别是执行学习部210、诊断部220、显示部230、以及故障履历数据输入部240的功能的程序。
此外,HDD650储存诊断模型表330、稀有案例数据表340、模型精度数据表350、机器学习诊断结果表360、稀有案例诊断结果表370、每个对象机产生频率表380。
接着,使用图4至图13对本实施方式的机器故障诊断辅助***所使用的数据结构进行说明。
图4的故障时传感器数据表300、图5的维护履历数据表310、图6的故障履历数据表320是与成为设备和机器10的故障的学习诊断的基础的数据相关的表。图7的诊断模型表330、图8的稀有案例数据表340、图9的模型精度数据表350是与作为学习诊断装置200的学习的结果而输出的数据相关的表。图10的机器学习诊断结果表360、图11的稀有案例诊断结果表370、图12的每个对象机产生频率表380是与作为学习诊断装置200的诊断的结果而输出的数据相关的表。
故障时传感器数据表300是储存设备和机器10故障时的传感器数据的表,如图4所示,由报告日期时间、机型、机器编号、传感器A、…、传感器X的各字段构成。
报告日期时间是储存报告了故障产生的日期时间的字段。机型是储存表示产生了故障的机器的种类的标识符的字段。机器编号是储存产生了故障的机器的编号的字段。传感器A、…、传感器X是储存各个传感器数据值的字段。
维护履历数据表310是储存与设备和机器10相关的维护信息的表,如图5所示,由报告日期时间、机型、机器编号、故障原因部位构成。
报告日期时间是储存报告了故障产生的日期时间的字段。机型是储存表示产生了故障的机器的种类的标识符的字段。机器编号是储存产生了故障的机器的编号的字段。故障原因部位是储存在维护时认定为是机器故障的原因的部位的字段。
故障履历数据表320是将故障时传感器数据表300的信息和维护履历数据表310的信息合并所得的表,如图6所示,由报告日期时间、机型、机器编号、传感器A、…、传感器X、故障原因部位的各字段构成。
报告日期时间、机型、机器编号、传感器A、…、传感器X是与故障时传感器数据表300的报告日期时间、机型、机器编号、传感器A、…、传感器X对应的字段。故障原因部位是与维护履历数据表310的故障原因部位对应的字段。
诊断模型表330是储存与故障诊断的学习模型有关的信息的表,如图7所示,由机型、诊断模型储存目的地的各字段构成。
机型是储存成为故障诊断的对象的机型的字段。诊断模型储存目的地是储存与该机型对应的学习模型的存储目的地的字段。
稀有案例数据表340是储存与稀有案例(被认定为罕见的故障的案例,因此,与该故障相关的数据的蓄积少)相关的信息的表,如图8所示,由机型、故障原因部位、传感器A、…、传感器X的各字段构成。
机型是储存设为稀有案例的故障时的对象的机型的字段。故障原因部位是储存稀有案例的故障时设为与该机型相关的故障的原因的故障原因部位的字段。传感器A、…、传感器X是储存稀有案例时的各个传感器数据值的字段。
模型精度数据表350是储存与故障诊断的诊断精度相关的信息的表,如图9所示,由机型、件数、产生频率、适合率、再现率的各字段构成。件数、产生频率、适合率、再现率按该机型的部位反复进行记载。
作为本实施方式的学习的诊断精度,采用适合率和再现率。
所谓适合率(precision)是在***的诊断结果中真正正确的比例,是表示故障诊断的准确性的指标。在使用图13的表的记号时,通过tp/(tp+fp)来表示适合率。所谓再现率(recall)是应作为诊断结果而出现的数据中的、实际出现的比例,是与故障诊断的网罗性相关的指标。使用图13的表的记号时,通过tp/(tp+fn)来表示再现率。
件数是储存在学习期间内在该机型中产生了故障的件数的字段。产生频率(故障原因部位)是在固定期间内储存该机型的其故障原因部位(臂部、冷却部、印刷板等)产生了故障的频率的字段。适合率(故障原因部位)是储存与该机型的其故障原因部位相关的适合率的字段。再现率(故障原因部位)是储存与该机型的其故障原因部位相关的再现率的字段。
机器学习诊断结果表360是储存机器学习的故障诊断的结果的表,如图10所示,由报告日期时间、机器编号、传感器A、…、传感器X、推定部位i(i=1、…)、推定概率i(i=1、…)的各字段构成。
报告日期时间是储存报告了故障产生的日期时间的字段。机器编号是储存产生了故障的机器的编号的字段。传感器A、…、传感器X是储存故障时的各个传感器数据值的字段。推定部位i是储存表示机器学习的故障诊断的机器的部位的字符串的字段。推定概率i是储存针对储存有推定部位i的部位的故障诊断所产生的推定概率的字段。
稀有案例诊断结果表370是储存与稀有案例相关的信息的表,如图11所示,是表示报告日期时间、机器编号、传感器A、…、传感器X、一致率(部位)的一例的图。报告日期时间是储存报告了稀有案例中的故障产生的日期时间的字段。机器编号是储存稀有案例中的产生了故障的机器的编号的字段。传感器A、…、传感器X是储存稀有案例中的故障时的各个传感器数据值的字段。一致率(部位)是储存机器的部位(印刷板、地板设置部、…、连接器等)的传感器数据一致率的字段。所谓传感器数据一致率是表示故障时的传感器数据与过去蓄积的稀有案例的故障原因部位时的传感器数据以何种程度一致的指标(0~1),例如,通过计算在某个测定期间中取得某个范围的时间以何种程度一致,或异常值的出现次数一致等,能够求出传感器数据一致率。一致率(部位)越接近1,越是与过去的稀有案例的故障原因部位的传感器数据一致,表示该部位接近故障原因。
每个对象机产生频率表380是储存在固定期间(例如一年)内在每个部位产生了故障的频率的表,如图12所示,由机型、机器编号、部位(臂部、冷却部、…、印刷板等)的各字段构成。这里,例如通过过去的故障产生件数/统计年数来表示每年的频率。
机型是储存表示产生了故障的机器的种类的标识符的字段。机器编号是储存产生了故障的机器的编号的字段。部位是储存该部位成为故障原因的期间中的频率的字段。
接着,使用图14至图16对学习诊断装置实施的处理进行说明。
首先,使用图14对学习诊断装置200的学习部210进行的学习处理进行说明。
首先,学习部210设定学习用的诊断期间(S100)。
接着,为了使N(整数)初始化,代入0(S101)。N是用于判定故障实绩是否是稀有案例的计数器。
接着,若TOP5的正确回答率小于80%,则反复进行S103~S109的处理(S102~S110)。所谓TOP5是个例子,也可以沿着TOP3、TOP10等与学习的目的,为了找出适当的正确回答率而进行变更。此外,80%这样的基准也可以沿着学习的目的设为其他的基准。
首先,使N增加1(S103)。
接着,针对故障原因部位,反复进行S105~S107的处理(S104~S108)。
判定该故障原因部位的故障实绩是否为N件以上(S105),在故障原因部位的故障实绩为N件以上时(S105:是),前进到S106,在故障原因部位的故障实绩不是N件以上时(S105:否),前进到S107。
在故障原因部位的故障实绩为N件以上时,从故障履历数据表320中以学习对象的机型、报告日期时间、故障原因部位为关键字,取得表示故障数据的记录(S106)。
在故障原因部位的故障实绩不是N件以上时,从故障履历数据表320中以学习对象的机型、报告日期时间、故障原因部位为关键字,取得表示故障数据的记录,作为内部数据进行保持(S107)。
接着,在所取得的故障原因部位进行学习/诊断,评价其推定概率的TOP5的正确回答率(S109)。
在得到TOP5的正确回答率为80%以上的正确回答率时,以学习到的机型为关键字,将诊断模型储存目的地追加到诊断模型表330中,在该诊断模型储存目的地中储存通过学习制作出的诊断模型(S111)。
将在S107中保持的内部数据保存到稀有案例数据表340中(S112)。
按机型,将每个故障原因部位的实绩件数与诊断模型的诊断精度(适合率、再现率)、每个机型的产生频率追加到模型精度数据表350中(S113)。
接着,使用图15说明学习诊断装置200的诊断部220进行的诊断处理。
首先,从故障履历数据表320中选择诊断对象的记录(S200)。
接着,参照诊断模型表330的诊断模型储存目的地,以机型为关键字取得诊断模型(S201)。
接着,通过诊断模型来推定故障原因部位,与推定概率一起储存在机器学习诊断结果表360中(S202)。
接着,以机型为关键字,从稀有案例数据表340中取得稀有案例数据的记录(S203)。
接着,计算各记录的传感器数据一致率(S204)。
接着,按机型,按故障原因部位求出传感器数据一致率的平均值,储存到属于该机型的机器编号的稀有案例诊断结果表370的记录的一致率(部位)的字段中(S205)。
接着,以机器编号为关键字,从故障履历表中取得学习期间的记录,按各故障原因部位,计算产生频率(次/机/年),储存到每个对象机产生频率表380中(S206)。
接着,使用图16说明学习诊断装置200的显示部230进行的显示处理。
在由维护人员请求显示的画面是基于机器学习的推定结果显示画面时(S300:基于机器学习的推定结果显示画面),以机器编号和故障的报告日期时间为关键字,从机器学习诊断结果表360中取得记录,显示故障的推定部位和推定概率(S301)。
在由维护人员请求显示的画面是稀有案例传感器状态显示画面时(S302:稀有案例传感器状态显示画面),以机器编号和故障的报告日期时间为关键字,从稀有案例诊断结果表370中取得记录,显示TOP5和WORST5的故障原因部位及该部位的传感器数据一致率(S302)。
在由维护人员请求显示的画面是过去实绩显示画面时(S303:过去实绩显示画面),以机型为关键字,从模型精度数据表350中取得记录,显示每个部位的实绩件数和诊断精度(适合率、再现率)(S303)。
接着,以机器编号为关键字,取得每个对象机产生频率表380的记录,显示每个机器编号的产生频率(次/机/年),取得相同机型的机械编号的产生频率之和,求出每个机型的产生频率,显示产生频率(次/机型/年)(S304)。
在由维护人员请求显示的画面是过去实绩图表显示画面时(S303:过去实绩图表显示画面),以机型为关键字,从模型精度数据表350中取得记录,将按部位区分的实绩件数和诊断精度(适合率、再现率)进行图表显示(S305)。
另外,关于各显示的用户界面的具体例,在后面进行详细说明。
接着,使用图17至图20对学习诊断装置的用户界面进行说明。
基于机器学习的推定结果显示画面700是作为学习诊断的结果而显示产生了故障的机器的各部位成为故障的推定概率的画面,如图17所示,由故障信息显示栏701、推定概率显示栏702构成。
故障信息显示栏701是显示设为故障诊断的对象的故障信息的栏。推定概率显示栏702是以图表的方式显示产生了故障的机器的各部位的故障的推定概率的栏。
维护人员根据该图表的显示,从上位开始实施故障的调查,从而能够缩短调查时间。
稀有案例传感器状态显示画面800是显示本次故障的传感器数据与稀有案例的情况下的传感器数据的一致率的画面,如图18所示,由故障信息显示栏801、稀有案例传感器状态一致率TOP5显示栏802、以及稀有案例传感器数据一致率WORST5显示栏803构成。
故障信息显示栏801是显示设为故障诊断的对象的故障信息的栏。
稀有案例传感器状态一致率TOP5显示栏802是关于本次故障的传感器数据与稀有案例的情况下的蓄积的传感器数据一致率相当于TOP5的故障原因部位,将其传感器数据一致率显示为图表的栏。
稀有案例传感器状态一致率WORST5显示栏803是关于本次故障的传感器数据与稀有案例的情况下的蓄积的传感器数据一致率相当于WORST5的故障原因部位,将其传感器数据一致率显示为图表的栏。
所谓稀有案例是指用于学习的过去实绩少,没有获得有意义的诊断用的学习模型,或者无法制作学习模型的情况。即使在这样的稀有案例的情况下,从传感器数据一致率观察,通过调查相当于TOP5的故障原因部位,也能够从可能性比较高的故障原因部位进行调查,因此,维护人员能够提高故障部位的调查的效率。另一方面,从传感器数据一致率观察,相当于WORST5的故障原因部位是稀有案例的情况,且是传感器数据一致率低的情况,因此,可知不需要调查,或将调查设为最后一次即可。因此,可以不调查不需要的机器的部位,因此,维护人员能够提高故障部位的调查的效率。
过去实绩显示画面900是显示与过去的故障诊断的实绩和诊断精度相关的信息的画面,如图19所示,由故障信息显示栏901、过去实绩显示栏902构成。故障信息显示栏901是显示设为故障诊断的对象的故障信息的栏。另外,这里,显示有与产生了故障的机器编号和其机型相关的信息。过去实绩显示栏902是显示基于过去学习到的故障数据的信息的栏,按机器的部位,显示样本数、诊断精度(适合率、再现率)、固定期间内的每个机型的故障的产生频率、固定期间内的每个对象机的故障的产生频率。
通过该过去实绩显示画面900,维护人员能够确认机器的每个部位的样本数、诊断精度(适合率、再现率)、每个机型、每个对象机的故障的产生频率。
如图20所示,过去实绩图表显示画面1000是以图表形式显示与过去的故障诊断的实绩和诊断精度相关的信息的画面,如图20所示,由故障信息显示栏1001、过去实绩图表显示栏1002构成。故障信息显示栏1001是显示设为故障诊断的对象的故障信息的栏。过去实绩图表显示栏1002是对基于过去学习到的故障数据的信息进行图表显示的栏,针对机器的每个部位,用柱状图显示样本数量,用折线图显示诊断精度(适合率、再现率)。
通过该过去实绩图表显示画面1000,维护人员能够以图表形式确认机器的每个部位的样本数和诊断精度(适合率、再现率)。
另外,在本实施方式中,如图17的基于机器学习的推定结果显示画面、图18所示的稀有案例传感器状态信息显示画面、图19所示的过去实绩显示画面、图20所示的过去实绩图表显示画面所示,用四个画面显示了学习诊断装置200的故障诊断的画面,但为了使维护人员容易观察,也可以作为一个故障诊断画面,用将显示的信息汇总而得的画面进行显示。
以上,根据本实施方式,维护人员根据基于机器学习的推定结果显示画面600所显示的信息进行调查,由此,能够从利用基于过去蓄积的数据的学习而推定出的概率高的机器开始依次进行调查,因此,能够缩短调查时间。
此外,维护人员根据稀有案例传感器状态显示画面700所显示的信息来进行调查,由此,在机器学习的结果中调查原因未知,或者机器学习的诊断精度差的情况下,能够在故障频率低的机器中区分出调查的必要性低的机器和高的机器,能够缩短调查时间。
此外,维护人员根据过去实绩显示画面800和过去实绩图表显示画面900所显示的信息,能够俯瞰现状的数据等级和诊断精度,因此,作业员能够在考虑了诊断精度的基础上决定调查优先级。例如,即使基于机器学习的推定结果显示画面600的推定概率高,在诊断精度差时,也能够采取优先调查稀有案例的故障原因部位等的应对。
并且,由于能够俯瞰学习数与诊断精度成比例的情况,因此能够预想到通过进一步追加学习数据能够减轻作业员的调查负载,作业员能够营造积极地输入故障调查实绩的意识。
附图标记说明
5…传感器
10…设备和机器
100…机器信息管理装置
200…学习诊断装置
400…传感器数据管理装置
110…传感器数据输入输出部
120…维护履历管理部
130…维护履历输入输出部
140…传感器数据和维护履历合并部
150…故障履历数据输出部
160…存储部
210…学习部
220…诊断部
230…显示部
240…故障履历数据输入部
250…存储部
300…故障时传感器数据表
310…维护履历数据表
320…故障履历数据表
330…诊断模型表
340…稀有案例数据表
350…模型精度数据表
360…机器学习诊断结果表
370…稀有案例诊断结果表
380…每个对象机产生频率表。
Claims (8)
1.一种机器故障诊断辅助***,根据测量了机器的传感器所输出的传感器数据来进行故障诊断,其特征在于,
所述机器故障诊断辅助***具有学习诊断装置,
所述学习诊断装置保持:
故障履历表,其储存产生了故障的机器、传感器数据、该机器的故障原因部位;以及
稀有案例数据表,其针对稀有案例的情况,按机型、按部位储存传感器数据,
所述学习诊断装置具有:
学习部,其根据过去数据进行学习并制作诊断模型;
诊断部,其根据由所述学习部制作出的诊断模型来进行故障诊断;以及
显示部,其显示所述诊断部的诊断结果,
所述学习部根据储存在所述故障履历表中的数据进行学习并制作诊断模型,
所述学习部根据所述故障履历表,在作为该机器的故障原因部位不满足固定的件数的情况下,将该机器的机型、故障原因部位、传感器数据储存在所述稀有案例数据表中,
所述诊断部根据由所述学习部制作出的诊断模型,针对产生了故障的机器的每个部位,计算成为故障原因的推定概率,
所述诊断部根据所述稀有案例数据表,计算产生了故障的机器的传感器数据与该机器的机型过去的传感器数据的传感器数据一致率,
所述显示部显示由所述诊断部诊断出的产生了故障的机器的故障原因部位和该故障原因部位的推定概率,
所述显示部显示计算出的产生了故障的机器的每个部位的传感器数据一致率。
2.根据权利要求1所述的机器故障诊断辅助***,其特征在于,
所述传感器数据一致率的显示中,显示上位n位、下位m位,其中,n为整数,m为整数。
3.一种机器故障诊断辅助***,根据测量了机器的传感器所输出的传感器数据来进行故障诊断,其特征在于,
所述机器故障诊断辅助***具有学习诊断装置,
所述学习诊断装置保持:
故障履历表,其储存产生了故障的机器、传感器数据、该机器的故障原因部位;以及
模型精度数据表,其按机型、按部位储存故障产生件数和诊断精度,
所述学习诊断装置具有:
学习部,其根据过去数据进行学习并制作诊断模型;
诊断部,其根据由所述学习部制作出的诊断模型来进行故障诊断;以及
显示部,其显示所述诊断部的诊断结果,
所述学习部根据储存在所述故障履历表中的数据进行学习并制作诊断模型,
所述学习部针对所述产生了故障的机器的每个部位,计算故障产生件数和成为故障原因的情况下的诊断精度,储存在所述模型精度数据表中,
所述诊断部根据由所述学习部制作出的诊断模型,针对产生了故障的机器的每个部位,计算成为故障原因的推定概率,
所述显示部显示由所述诊断部诊断出的产生了故障的机器的故障原因部位和该故障原因部位的推定概率,
所述显示部参照所述模型精度数据表,针对产生了故障的机器的机型的每个部位,显示故障产生件数和成为故障原因的情况下的诊断精度。
4.根据权利要求3所述的机器故障诊断辅助***,其特征在于,
所述诊断精度是适合率和再现率。
5.根据权利要求3所述的机器故障诊断辅助***,其特征在于,
所述故障产生件数和成为故障原因的情况下的诊断精度被数值显示。
6.根据权利要求3所述的机器故障诊断辅助***,其特征在于,
所述故障产生件数和成为故障原因的情况下的诊断精度被图表显示。
7.根据权利要求3所述的机器故障诊断辅助***,其特征在于,
针对所述产生了故障的机器的每个部位,显示固定期间中的每个机型的故障的产生频率以及每个所述产生了故障的机器的故障的产生频率。
8.一种机器故障诊断辅助方法,根据测量了机器的传感器所输出的传感器数据来进行故障诊断,其特征在于,
学习诊断装置保持:
故障履历表,其储存产生了故障的机器、传感器数据、该机器的故障原因部位;
稀有案例数据表,其针对稀有案例的情况,按机型、按部位储存传感器数据;以及
模型精度数据表,其按机型、按部位储存故障产生件数和诊断精度,
所述机器故障诊断辅助方法具有以下步骤:
学习诊断装置根据储存在所述故障履历表中的数据进行学习并制作诊断模型的步骤;
学习诊断装置针对所述产生了故障的机器的每个部位,计算故障产生件数和成为故障原因的情况下的诊断精度,储存在所述模型精度数据表中的步骤;
学习诊断装置根据制作出的诊断模型,针对产生了故障的机器的每个部位,计算成为故障原因的推定概率的步骤;
学习诊断装置根据所述故障履历表,在作为该机器的故障原因部位不满足固定的件数的情况下,将该机器的机型、故障原因部位、传感器数据储存在所述稀有案例数据表中的步骤;
学习诊断装置根据所述稀有案例数据表,计算产生了故障的机器的传感器数据与该机器的机型过去的传感器数据的传感器数据一致率的步骤;
学习诊断装置显示诊断出的产生了故障的机器的故障原因部位和该故障原因部位的推定概率的步骤;
学习诊断装置显示计算出的产生了故障的机器的每个部位的传感器数据一致率的步骤;以及
学习诊断装置参照所述模型精度数据表,针对产生了故障的机器的机型的每个部位,显示故障产生件数和成为故障原因的情况下的诊断精度的步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018196911A JP7221644B2 (ja) | 2018-10-18 | 2018-10-18 | 機器故障診断支援システムおよび機器故障診断支援方法 |
JP2018-196911 | 2018-10-18 | ||
PCT/JP2018/047455 WO2020079860A1 (ja) | 2018-10-18 | 2018-12-25 | 機器故障診断支援システムおよび機器故障診断支援方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112805728A true CN112805728A (zh) | 2021-05-14 |
Family
ID=70282967
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880098506.7A Pending CN112805728A (zh) | 2018-10-18 | 2018-12-25 | 机器故障诊断辅助***以及机器故障诊断辅助方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220035356A1 (zh) |
EP (1) | EP3869424A4 (zh) |
JP (1) | JP7221644B2 (zh) |
CN (1) | CN112805728A (zh) |
WO (1) | WO2020079860A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111597634B (zh) * | 2020-05-12 | 2023-10-10 | 中车青岛四方机车车辆股份有限公司 | 一种确定动车组性能参数的方法及装置 |
US20220058497A1 (en) * | 2020-08-21 | 2022-02-24 | Siemens Industry, Inc. | Systems and methods for fault diagnostics in building automation systems |
CN113705096A (zh) * | 2021-08-27 | 2021-11-26 | 北京博华信智科技股份有限公司 | 基于小样本深度学习的一类冲击故障诊断 |
KR102595075B1 (ko) * | 2023-04-25 | 2023-10-27 | 주식회사 인벤션랩 | 설비에 대한 진단정보를 관리하는 방법 및 시스템 |
CN116434685B (zh) * | 2023-04-27 | 2023-12-08 | 江苏锦花电子股份有限公司 | 一种基于大数据的液晶屏异常显示监管***及方法 |
CN116739355B (zh) * | 2023-08-15 | 2023-11-14 | 义乌新型智慧城市运营有限公司 | 城市运行风险预警的分析方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080235172A1 (en) * | 2007-03-20 | 2008-09-25 | Michael Todd Rosenstein | Electronic System Condition Monitoring and Prognostics |
JP2008256981A (ja) * | 2007-04-05 | 2008-10-23 | Fuji Xerox Co Ltd | 故障診断システム |
US20130073260A1 (en) * | 2010-04-20 | 2013-03-21 | Shunji Maeda | Method for anomaly detection/diagnosis, system for anomaly detection/diagnosis, and program for anomaly detection/diagnosis |
JP2014133378A (ja) * | 2013-01-11 | 2014-07-24 | Nissei Plastics Ind Co | 射出成形機のトラブルシューティング方法 |
CN104008183A (zh) * | 2014-06-10 | 2014-08-27 | 徐州重型机械有限公司 | 一种车辆故障代码显示方法及装置 |
JP2018074757A (ja) * | 2016-10-28 | 2018-05-10 | 株式会社東芝 | 巡視点検システム、情報処理装置、巡視点検制御プログラム |
Family Cites Families (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9565275B2 (en) * | 2012-02-09 | 2017-02-07 | Rockwell Automation Technologies, Inc. | Transformation of industrial data into useful cloud information |
JP4710720B2 (ja) * | 2006-06-02 | 2011-06-29 | 富士ゼロックス株式会社 | 故障予防診断支援システム及び故障予防診断支援方法 |
JP2009193486A (ja) * | 2008-02-18 | 2009-08-27 | Fuji Xerox Co Ltd | 故障診断装置およびプログラム |
JP2009206850A (ja) * | 2008-02-28 | 2009-09-10 | Fuji Xerox Co Ltd | 故障診断装置およびプログラム |
JP5301310B2 (ja) * | 2009-02-17 | 2013-09-25 | 株式会社日立製作所 | 異常検知方法及び異常検知システム |
US9143563B2 (en) * | 2011-11-11 | 2015-09-22 | Rockwell Automation Technologies, Inc. | Integrated and scalable architecture for accessing and delivering data |
CN103135518B (zh) * | 2011-12-02 | 2019-11-12 | 费希尔控制国际公司 | 程序流控制监控例程、与之相关的方法以及*** |
US9558220B2 (en) * | 2013-03-04 | 2017-01-31 | Fisher-Rosemount Systems, Inc. | Big data in process control systems |
US10671028B2 (en) * | 2013-03-15 | 2020-06-02 | Fisher-Rosemount Systems, Inc. | Method and apparatus for managing a work flow in a process plant |
JP6208770B2 (ja) * | 2013-11-29 | 2017-10-04 | 株式会社日立製作所 | イベントの根本原因の解析を支援する管理システム及び方法 |
US9465387B2 (en) * | 2015-01-09 | 2016-10-11 | Hitachi Power Solutions Co., Ltd. | Anomaly diagnosis system and anomaly diagnosis method |
US10021064B2 (en) * | 2015-05-14 | 2018-07-10 | Honeywell International Inc. | Apparatus and method for translating industrial process control and automation system events into mobile notifications |
US10025657B2 (en) * | 2015-06-29 | 2018-07-17 | Ricoh Company, Ltd. | Information processing system and failure diagnosis method |
JP6468099B2 (ja) * | 2015-07-03 | 2019-02-13 | 株式会社リコー | 情報処理システム、故障原因診断方法及びプログラム |
WO2017019860A1 (en) * | 2015-07-29 | 2017-02-02 | Illinois Tool Works Inc. | System and method to facilitate welding software as a service |
US20170284896A1 (en) * | 2016-03-31 | 2017-10-05 | General Electric Company | System and method for unsupervised anomaly detection on industrial time-series data |
JP2018025928A (ja) | 2016-08-09 | 2018-02-15 | 日立建機株式会社 | 作業機械の故障診断装置 |
SG10201610116PA (en) * | 2016-11-03 | 2018-06-28 | Avanseus Holdings Pte Ltd | Method and system for machine failure prediction |
US10402688B2 (en) * | 2016-12-07 | 2019-09-03 | Kla-Tencor Corporation | Data augmentation for convolutional neural network-based defect inspection |
JP2019016209A (ja) * | 2017-07-07 | 2019-01-31 | 株式会社東芝 | 診断装置、診断方法およびコンピュータプログラム |
US10604814B2 (en) * | 2017-09-27 | 2020-03-31 | International Business Machines Coporation | Manufacturing process control with deep learning-based predictive model for hot metal temperature of blast furnace |
-
2018
- 2018-10-18 JP JP2018196911A patent/JP7221644B2/ja active Active
- 2018-12-25 US US17/276,207 patent/US20220035356A1/en active Pending
- 2018-12-25 WO PCT/JP2018/047455 patent/WO2020079860A1/ja unknown
- 2018-12-25 CN CN201880098506.7A patent/CN112805728A/zh active Pending
- 2018-12-25 EP EP18937354.1A patent/EP3869424A4/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080235172A1 (en) * | 2007-03-20 | 2008-09-25 | Michael Todd Rosenstein | Electronic System Condition Monitoring and Prognostics |
JP2008256981A (ja) * | 2007-04-05 | 2008-10-23 | Fuji Xerox Co Ltd | 故障診断システム |
US20130073260A1 (en) * | 2010-04-20 | 2013-03-21 | Shunji Maeda | Method for anomaly detection/diagnosis, system for anomaly detection/diagnosis, and program for anomaly detection/diagnosis |
JP2014133378A (ja) * | 2013-01-11 | 2014-07-24 | Nissei Plastics Ind Co | 射出成形機のトラブルシューティング方法 |
CN104008183A (zh) * | 2014-06-10 | 2014-08-27 | 徐州重型机械有限公司 | 一种车辆故障代码显示方法及装置 |
JP2018074757A (ja) * | 2016-10-28 | 2018-05-10 | 株式会社東芝 | 巡視点検システム、情報処理装置、巡視点検制御プログラム |
Non-Patent Citations (1)
Title |
---|
王侃夫;刘溪涓;于忠海;倪炎榕;: "基于实例推理的数控机床故障诊断***研究", 机械设计与制造, no. 10, 8 October 2008 (2008-10-08), pages 174 - 176 * |
Also Published As
Publication number | Publication date |
---|---|
EP3869424A4 (en) | 2022-07-13 |
WO2020079860A1 (ja) | 2020-04-23 |
US20220035356A1 (en) | 2022-02-03 |
EP3869424A1 (en) | 2021-08-25 |
JP7221644B2 (ja) | 2023-02-14 |
JP2020064515A (ja) | 2020-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112805728A (zh) | 机器故障诊断辅助***以及机器故障诊断辅助方法 | |
JP5129725B2 (ja) | 装置異常診断方法及びシステム | |
US6834256B2 (en) | Method and system for determining motor reliability | |
EP3413154B1 (en) | Equipment diagnostic device, equipment diagnostic method, and equipment diagnostic program | |
WO2007013467A1 (ja) | 機器管理方法、その機器管理方法に用いる分析システム、及び、分析用データ構造、その機器管理方法に用いる保守点検支援装置 | |
KR20130103567A (ko) | 플랜트 안전 설계 지원 장치 및 플랜트 감시 보수 지원 장치 | |
JP5487060B2 (ja) | 故障原因診断方法及び故障原因診断装置 | |
JP2007102388A (ja) | 保守支援装置,保守支援方法,保守支援システム,制御装置および制御方法 | |
US20090089112A1 (en) | Service Resource Evaluation Method and System | |
CN115188688A (zh) | 异常检测方法及装置、电子设备和存储介质 | |
US20220163246A1 (en) | Maintenance recommendation system | |
KR20080026471A (ko) | 산업 프로세스 평가 장치, 산업 프로세스 평가 방법 및산업 프로세스 평가 프로그램을 기록한 기록 매체 | |
JP2019175273A (ja) | 品質評価方法および品質評価装置 | |
JPWO2019016892A1 (ja) | 品質分析装置及び品質分析方法 | |
WO2021140942A1 (ja) | 診断装置、診断方法およびプログラム | |
JP6247777B2 (ja) | 異常診断装置および異常診断方法 | |
Doganaksoy et al. | Getting the right data up front: A key challenge | |
CN116235254A (zh) | 用于优化和个性化维修清单的***和方法 | |
JP2020009080A (ja) | 機器状態監視システム及び機器状態監視方法 | |
JP2005071200A (ja) | 製造情報管理プログラム | |
JP3053902B2 (ja) | 異常原因診断方法 | |
CN114868364A (zh) | 数据收集分析***、数据收集分析装置、机器学习装置及数据收集分析方法 | |
CN117707050B (zh) | 基于云计算的数控机床实时监控与数据分析***及方法 | |
EP3862834B1 (en) | Design support system | |
CN115185974A (zh) | 酒店机器人故障诊断方法、装置、介质和电子设备 |
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 |