JP2018147443A - 故障予知方法、故障予知装置および故障予知プログラム - Google Patents

Abstract

【課題】駆動部を有する機械設備の故障予兆を精度よく捉えること。【解決手段】実施形態に係る故障予知方法は、収集工程と、生成工程と、評価工程と、判定工程とを含む。収集工程は、駆動部を有する機械設備に設けられた複数のセンサのセンサデータを収集する。生成工程は、センサデータに基づき、機械設備の正常稼働時における駆動部の駆動速度の時間変動およびかかる駆動速度に対応する駆動部の駆動力の時間変動が特徴ベクトルに含まれるように機械学習を実行することで、センサ間の相関モデルを生成する。評価工程は、正常稼働時よりも後の任意の評価時における評価分の駆動速度および駆動力に対応するセンサデータを相関モデルへ入力することによって得られる相関モデルの出力値に基づいて機械設備の正常状態からの乖離度を評価する。判定工程は、乖離度に基づいて機械設備の故障予兆を判定する。【選択図】図２

Description

開示の実施形態は、故障予知方法、故障予知装置および故障予知プログラムに関する。

従来、機械設備につき、機械設備に設けられたセンサのセンサ値を監視することで故障予兆を検出することにより、故障の発生を予知する技術が知られている（たとえば、特許文献１参照）。

特許文献１に開示の技術は、車両に搭載されたセンサのセンサ値と正常閾値とを比較し、この比較結果に基づいて、センサに異常が発生しているか否かを判断する。そして、センサに異常が発生していると判断された場合に、センサ値および正常閾値間の差の積算値や、異常発生継続時間などを用いて、センサの故障予兆を評価するための評価指標を算出し、かかる評価指標を用いてセンサの故障予兆を検出する。

特開２０１１−２３０６３４号公報

しかしながら、上述した従来技術には、駆動部を有する機械設備の故障予兆を精度よく捉えるうえで、さらなる改善の余地がある。

具体的には、上述した従来技術は、閾値を超える明確な異常状態を検出することには向いているものの、たとえば駆動部の各構成部品の経年変化などによりシステム全体の挙動に現れはするが閾値を超えるまでのセンサ値は示さない不明確な異常状態を検出することには不向きである。したがって、故障予兆を精度よく捉え、たとえば駆動部の突発的な故障や異常停止を防止するうえでは不十分である。

実施形態の一態様は、上記に鑑みてなされたものであって、駆動部を有する機械設備の故障予兆を精度よく捉えることができる故障予知方法、故障予知装置および故障予知プログラムを提供することを目的とする。

実施形態の一態様に係る故障予知方法は、収集工程と、生成工程と、評価工程と、判定工程とを含む。前記収集工程は、駆動部を有する機械設備に設けられた複数のセンサのセンサデータを収集する。前記生成工程は、前記センサデータに基づき、前記機械設備の正常稼働時における前記駆動部の駆動速度の時間変動および該駆動速度に対応する前記駆動部の駆動力の時間変動が特徴ベクトルに含まれるように機械学習を実行することで、前記センサ間の相関モデルを生成する。前記評価工程は、前記正常稼働時よりも後の任意の評価時における評価分の前記駆動速度および前記駆動力に対応する前記センサデータを前記相関モデルへ入力することによって得られる該相関モデルの出力値に基づいて前記機械設備の正常状態からの乖離度を評価する。前記判定工程は、前記乖離度に基づいて前記機械設備の故障予兆を判定する。

実施形態の一態様によれば、駆動部を有する機械設備の故障予兆を精度よく捉えることができる。

図１Ａは、実施形態に係る故障予知方法の概要説明図（その１）である。 図１Ｂは、実施形態に係る故障予知方法の概要説明図（その２）である。 図１Ｃは、実施形態に係る故障予知方法の概要説明図（その３）である。 図２は、実施形態に係る故障予知システムのブロック図である。 図３Ａは、検証例１の前提条件を示す図である。 図３Ｂは、検証例１の検証結果を示す図（その１）である。 図３Ｃは、検証例１の検証結果を示す図（その２）である。 図３Ｄは、検証例１の検証結果を示す図（その３）である。 図４Ａは、検証例２の前提条件を示す図である。 図４Ｂは、検証例２の検証結果を示す図（その１）である。 図４Ｃは、検証例２の検証結果を示す図（その２）である。 図４Ｄは、検証例２の検証結果を示す図（その３）である。 図４Ｅは、検証例２の検証結果を示す図（その４）である。 図４Ｆは、検証例２の検証結果を示す図（その５）である。 図５は、故障予知装置が実行する処理手順を示すフローチャートである。 図６は、故障予知装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。

以下、添付図面を参照して、本願の開示する故障予知方法、故障予知装置および故障予知プログラムの実施形態を詳細に説明する。なお、以下に示す実施形態によりこの発明が限定されるものではない。

また、以下では、故障予兆判定の対象となる機械設備を「対象機械１００」と記載する。対象機械１００は、モータによって駆動する駆動部を有する機械であるものとする。

まず、本実施形態に係る故障予知方法の概要について、図１Ａ〜図１Ｃを参照して説明する。図１Ａ〜図１Ｃは、実施形態に係る故障予知方法の概要説明図（その１）〜（その３）である。

図１Ａに示すように、対象機械１００は、センサＳ−１〜Ｓ−ｎのセンサ群を備える。そして、本実施形態に係る故障予知方法は、かかるセンサ群からのセンサデータに基づき、センサＳ−１〜Ｓ−ｎ間の相関性（以下、「センサ相関性」と言う場合がある）を把握し、かかるセンサ相関性の変化に基づいて対象機械１００全体の挙動の変化を把握するものである。

具体的には、図１Ｂに示すように、本実施形態に係る故障予知方法では、「正常状態分」のセンサ相関性を示す各センサＳ−１〜Ｓ−ｎのセンサデータを用いて機械学習を実行し（ステップＳ１）、センサ相関モデル１２ｃを生成する。なお、本実施形態では、機械学習のアルゴリズムとしてディープラーニングを用いる。ディープラーニングについては公知のため、詳細な説明は省略する。

ここで、「正常状態分」とは、対象機械１００の運用初期段階などでの正常稼働時における各センサデータに基づく分を指す。かかる正常状態分のセンサ相関性に基づいて生成されるセンサ相関モデル１２ｃにより、言わば対象機械１００の正常状態をモデル化することができる。

そして、本実施形態に係る故障予知方法では、図１Ｂに示すように、かかるセンサ相関モデル１２ｃに対し、「評価分」のセンサ相関性を示す各センサＳ−１〜Ｓ−ｎのセンサデータを入力し、その結果得られるセンサ相関モデル１２ｃの出力値（回帰値）から相関のズレ量を算出する。そして、かかる相関のズレ量に基づき、正常状態からの乖離度を評価する（ステップＳ２）。

かかる乖離度が大きければ、故障予兆を示すとして、対象機械１００の故障を予知することができる。なお、ここで「評価分」とは、たとえば対象機械１００から現在進行形で出力されるリアルタイムデータに基づく分を指す。

このように、本実施形態に係る故障予知方法では、対象機械１００全体の挙動をセンサ相関性によって把握し、その挙動の変化は、正常状態のセンサ相関性をモデル化したセンサ相関モデル１２ｃの出力値により得ることができる。そして、かかる出力値に基づく正常状態からの乖離度の大きさにより、対象機械１００の故障を予知する。

したがって、本実施形態に係る故障予知方法によれば、たとえば故障発生時のセンサデータに基づく機械学習により生成される故障モデルを用いた故障予知方法であれば必要となってくる、すべての故障現象のモデル化の実施などといった煩雑な工程は不要である。したがって、対象機械１００の故障予兆を簡便に且つ精度よく捉えることが可能となる。

なお、本実施形態に係る故障予知方法では、図１Ａに示すように、各センサＳ−１〜Ｓ−ｎのセンサデータの時間変動、すなわち時系列の相関性を特徴ベクトル（以下、単に「ベクトル」と言う）に含めた機械学習を行い、センサデータの時間変動に現れる故障の予兆を把握可能にしている。これにより、対象機械１００の故障予兆を精度よく捉えることできる。

そしてさらに、本実施形態では、上述してきた故障予知方法に基づいて特に、対象機械１００が有する駆動部についての故障予兆を精度よく捉えることとした。具体的には、図１Ｃに示すように、本実施形態に係る故障予知方法では、対象機械１００が有する駆動部１０１の挙動を示すセンサＳ−１〜Ｓ−ｎからのセンサデータに基づいてセンサ相関モデル１２ｃを生成する。

駆動部１０１は少なくともモータＭを含む。また、センサＳ−１〜Ｓ−ｎは、ここでは少なくともモータ速度センサと、モータトルクセンサと、振動センサとを含むものとする。また、センサＳ−１〜Ｓ−ｎは、駆動部１０１に搭載されるか、駆動部１０１以外に搭載されるかを問わない。

より具体的には、図１Ｃに示すように、本実施形態に係る故障予知方法では、ステップＳ１（図１Ｂ参照）の機械学習に関し、モータＭの「モータ速度」、「モータトルク」および対象機械１００の「振動」をベクトルに含めた機械学習を行う。

まず、本実施形態に係る故障予知方法では、モータＭのモータ速度についての最大加減速時の時系列データをリファレンスデータとし、かかるリファレンスデータに対応するモータトルクデータおよび振動データを抽出する。モータトルクデータおよび振動データに対しては所定の前処理が施される。

モータトルクデータに関する前処理（ステップＳ１１）では、たとえば２次ハイパスフィルタなどを用いたフィルタ処理によってノイズ成分を含む動作周波数をカットしたうえで、リップル成分の大きさを示すものとなるように二乗平均平方根（ＲＭＳ：Root Mean Square）値へ変換する。

振動データに関する前処理（ステップＳ１２）では、振動成分の大きさを示すものとなるようにＲＭＳ値へ変換する。なお、振動センサは、対象機械１００の各所に配置されるように複数設けられていてもよい。

そして、本実施形態に係る故障予知方法では、これらモータ速度データ、モータトルクデータおよび振動データを学習データセットとしたディープラーニングにより（ステップＳ１３）、センサ相関モデル１２ｃを生成する。

図１Ｃのニューラルネットワークに図示するように、センサ相関モデル１２ｃでは、正常のみを学習する分析アルゴリズムとして、たとえば「オートエンコーダ」を用いることができる。

センサ相関モデル１２ｃの生成後、モータ速度データ、モータトルクデータおよび振動データのリアルタイムデータをセンサ相関モデル１２ｃへ入力し、入力値と出力値との誤差（再構成誤差）を演算することで、正常状態からの乖離度を示すパラメータを得ることができる。そして、かかる乖離度を所定の判定閾値により判定することで、駆動部１０１の故障予兆を判定することができる。

また、振動センサが複数設けられている場合、たとえば振動センサそれぞれのセンサデータに基づき、各振動センサの寄与順位を算出する。かかる寄与順位は、振動センサそれぞれの配置箇所に対応し、これにより故障箇所の特定に資することができる。

このように、駆動部１０１に係る各センサデータに基づき、センサ相関モデル１２ｃを生成し、かかるセンサ相関モデル１２ｃにより駆動部１０１のリアルタイムデータを評価することによって、駆動部１０１を有する対象機械１００の故障予兆を精度よく捉えることができる。

そして、それにより、駆動部１０１の故障予兆を事前に把握し、部品の修理や交換などのメンテナンスを施すことが可能となり、駆動部１０１が突発的に故障したり、異常停止したりするのを防止することができる。

以下、上述した故障予知方法を適用した故障予知システム１の構成について、さらに具体的に説明する。

図２は、本実施形態に係る故障予知システム１のブロック図である。なお、図２では、本実施形態の特徴を説明するために必要な構成要素を機能ブロックで表しており、一般的な構成要素についての記載を省略している。

換言すれば、図２に図示される各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。たとえば、各機能ブロックの分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況等に応じて、任意の単位で機能的または物理的に分散・統合して構成することが可能である。

なお、図２を用いた説明では、これまでに既に述べた構成要素については、説明を簡略化するか、省略する場合がある。

図２に示すように、故障予知システム１は、故障予知装置１０と、対象機械１００とを備える。故障予知装置１０と対象機械１００とは、ネットワーク接続されて通信可能に設けられ、故障予知装置１０は、対象機械１００からのセンサデータを適宜収集可能に設けられている。センサデータは、駆動部１０１に係るモータ速度データ、モータトルクデータおよび振動データを含む。

故障予知装置１０は、制御部１１と、記憶部１２とを備える。制御部１１は、収集部１１ａと、抽出部１１ｂと、生成部１１ｃと、評価部１１ｄと、判定部１１ｅと、報知部１１ｆとを備える。

記憶部１２は、ハードディスクドライブや不揮発性メモリ、レジスタといった記憶デバイスであって、収集データ１２ａと、学習データセット１２ｂと、センサ相関モデル１２ｃと、評価データセット１２ｄと、評価情報１２ｅとを記憶する。評価情報１２ｅは、乖離度１２ｅａと、寄与順位１２ｅｂとを含む。

制御部１１は、故障予知装置１０の全体制御を行う。収集部１１ａは、対象機械１００のセンサ群からのセンサデータを所定の周期で収集して、収集データ１２ａへ格納する。所定の周期は、たとえば１〜２０ミリ秒である。

抽出部１１ｂは、収集データ１２ａから、対象機械１００の正常稼働時におけるモータ速度データ、モータトルクデータおよび振動データをベクトルとした正常状態分のデータセットを抽出し、学習データセット１２ｂへ格納する。

また、抽出部１１ｂは、収集データ１２ａから評価時のモータ速度データ、モータトルクデータおよび振動データをベクトルとしたデータセットを抽出し、評価データセット１２ｄへ格納する。

なお、抽出部１１ｂは、モータトルクデータに対しては、上述したステップＳ１１（図１Ｃ参照）の前処理を施す。また、抽出部１１ｂは、振動データに対しては、上述したステップＳ１２（図１Ｃ参照）の前処理を施す。

生成部１１ｃは、学習データセット１２ｂを入力としたディープラーニングによる機械学習を実行し、センサ相関モデル１２ｃを生成する。

評価部１１ｄは、各センサＳ−１〜Ｓ−ｎにつき、抽出部１１ｂによって抽出された評価データセット１２ｄをセンサ相関モデル１２ｃへ入力し、センサ相関モデル１２ｃによる出力結果を受け取る。

そして、評価部１１ｄは、受け取った出力結果に基づいて故障予兆を判定するための各種評価値を算出し、評価情報１２ｅへ格納する。評価値は、乖離度１２ｅａ、寄与順位１２ｅｂに対応する。

具体的には、評価部１１ｄは、評価データセット１２ｄをセンサ相関モデル１２ｃへ入力し、センサ相関モデル１２ｃの出力値から、正常状態からの乖離度を算出する。また、評価部１１ｄは、算出した乖離度を評価情報１２ｅの乖離度１２ｅａへ格納する。

また、評価部１１ｄは、振動センサそれぞれのセンサデータに基づき、各振動センサの寄与順位を算出し、評価情報１２ｅの寄与順位１２ｅｂへ格納する。

判定部１１ｅは、乖離度１２ｅａを参照して、正常状態からの乖離度が所定の判定閾値以上である場合に、故障予兆ありと判定し、報知部１１ｆに対し、報知要求指示を行う。

報知部１１ｆは、判定部１１ｅから故障予兆ありの報知要求指示を受け付けた場合に、外部装置へアラート通知を報知する。また、このとき報知部１１ｆは、乖離度１２ｅａおよび寄与順位１２ｅｂを参照して、正常状態からの乖離度と、たとえば寄与順位上位の各センサＳ−１〜Ｓ−ｎの名称や配置箇所などをあわせて報知することができる。

ユーザは、たとえば「正常状態からの乖離度」を確認することで、駆動部１０１の異常度合いを知ることができる。また、たとえば「寄与順位上位のセンサ」を確認することで、異常の発生箇所や原因を推定することができる。

次に、本実施形態の検証例１を示す。図３Ａは、検証例１の前提条件を示す図である。また、図３Ｂ〜図３Ｄは、検証例１の検証結果を示す図（その１）〜（その３）である。

図３Ａに示すように、検証例１では、モータＭとしてサーボモータ１０１ａを用いた駆動部１０１を構成し、かかる駆動部１０１によって従動機構１０２を従動させることによって検証結果を得た。

図３Ａに示すように、サーボモータ１０１ａは、出力軸１０１ｂを備え、出力軸１０１ｂの先端側は、軸受１０１ｃによって回転可能に支持されている。また、出力軸１０１ｂは、駆動ギヤ１０１ｄを有し、かかる駆動ギヤ１０１ｄは、従動機構１０２の従動ギヤ１０２ａに噛み合っている。

また、従動機構１０２は、従動軸１０２ｂを備え、かかる従動軸１０２ｂは、軸受１０２ｃ，１０２ｄによって両端側を回転可能に支持されている。なお、異常時を再現するため、従動軸１０２ｂに対しては、機械的に振動を発生させる振動付与機構１５０により、振動の付与を可能とした。そして、振動センサＳを、軸受１０１ｃの振動を計測可能となるように配置した。

このような構成例において検証した検証結果（その１）〜（その３）を、図３Ｂ〜図３Ｄに示す。なお、図３Ｂ〜図３Ｄでは、振動付与機構１５０により振動を付与せずにサーボモータ１０１ａを回転させた場合を「正常時」としている。

これに対し、振動付与機構１５０により振動を付与しつつサーボモータ１０１ａを回転させた場合を「異常時」としている。なお、予め、正常稼働時におけるサーボモータ１０１ａの最大加減速時のモータ速度の時系列データおよびこれに対応するモータトルクデータ、振動データに基づき、センサ相関モデル１２ｃは生成済みであるものとする。

まず、検証例１の（その１）として、図３Ｂに示すように、モータ速度が最大加減速時（−３０００ｒｐｍ〜３０００ｒｐｍ）から振幅が段階的に小さくなるようにサーボモータ１０１ａを回転させた場合を検証した。

かかる場合、「正常時」の評価結果では、正常状態からの乖離度は、常に判定閾値Ｔｈを超えておらず、故障予兆があるとして判定されることはないという検証結果が得られた。

一方で、「異常時」の評価結果では、正常状態からの乖離度が適宜判定閾値Ｔｈを超えており、モータ速度の振幅を段階的に変化させた場合であっても、モータ速度データ、モータトルクデータおよび振動データに基づき、故障予知が可能であるという検証結果が得られた。すなわち、本実施形態によれば、駆動部１０１を有する対象機械１００の故障予兆を精度よく捉えることができる。

また、検証例１の（その２）として、図３Ｃに示すように、モータ速度が最大加減速時（−３０００ｒｐｍ〜３０００ｒｐｍ）の振幅を周期的に繰り返すようにサーボモータ１０１ａを回転させた場合を検証した。

かかる場合でも、「正常時」の評価結果では、正常状態からの乖離度は、常に判定閾値Ｔｈを超えておらず、故障予兆があるとして判定されることはないという検証結果が得られた。

一方で、「異常時」の評価結果では、正常状態からの乖離度が繰り返し判定閾値Ｔｈを超えており、モータ速度を最大加減速で周期的に変化させた場合であっても、モータ速度データ、モータトルクデータおよび振動データに基づき、故障予知が可能であるという検証結果が得られた。すなわち、本実施形態によれば、駆動部１０１を有する対象機械１００の故障予兆を精度よく捉えることができる。

また、検証例１の（その３）として、図３Ｄに示すように、モータ速度が比較的低速の−５００ｒｐｍ〜５００ｒｐｍの振幅を周期的に繰り返すようにサーボモータ１０１ａを回転させた場合を検証した。

かかる場合でも、「正常時」の評価結果では、正常状態からの乖離度は、常に判定閾値Ｔｈを超えておらず、故障予兆があるとして判定されることはないという検証結果が得られた。

一方で、「異常時」の評価結果では、正常状態からの乖離度が繰り返し判定閾値Ｔｈを超えており、モータ速度を比較的低速な振幅で周期的に変化させた場合であっても、モータ速度データ、モータトルクデータおよび振動データに基づき、故障予知が可能であるという検証結果が得られた。すなわち、本実施形態によれば、駆動部１０１を有する対象機械１００の故障予兆を精度よく捉えることができる。

次に、本実施形態の検証例２を示す。図４Ａは、検証例２の前提条件を示す図である。また、図４Ｂ〜図４Ｆは、検証例２の検証結果を示す図（その１）〜（その５）である。

図４Ａに示すように、検証例２では、モータＭがインバータ１０１ｅによって駆動制御される駆動部１０１を構成し、駆動部１０１の他の構成部品の条件を機械的に変えつつ駆動部１０１を駆動させることによって検証結果を得た。

図４Ａに示すように、モータＭは、出力軸１０１ｆを備え、出力軸１０１ｆの基端側および先端側はそれぞれ、軸受１０１ｇ，１０１ｈによって回転可能に支持されている。また、出力軸１０１ｆは、「偏心なし」または「偏心あり」の状態が機械的に変更可能であることとした。また、軸受１０１ｈは、ベアリングの「正常」または「異常」が機械的に変更可能であることとした。そして、振動センサＳを、軸受１０１ｈの振動を計測可能となるように配置した。

このような構成例において検証した検証結果（その１）〜（その５）を、図４Ｂ〜図４Ｆに示す。なお、図４Ｂ〜図４Ｆでは、上述のベアリングおよび偏心のいずれにも異常がない場合を条件（１）とした。また、ベアリングおよび偏心の少なくともいずれかに異常がある場合を条件（２）〜（４）とした。なお、検証例１と同様に、予め、正常稼働時におけるモータＭの最大加減速時のモータ速度の時系列データおよびこれに対応するモータトルクデータ、振動データに基づき、センサ相関モデル１２ｃは生成済みであるものとする。

まず、検証例２の（その１）として、図４Ｂに示すように、インバータ１０１ｅからの「速度０→１００％」のモータ速度指令によりモータＭが駆動制御された場合を検証した。

かかる場合、条件（１）の評価結果では、正常状態からの乖離度は、常に判定閾値Ｔｈを超えておらず、故障予兆があるとして判定されることはないという検証結果が得られた。

一方で、条件（２）〜（４）の評価結果では、モータＭが高速回転となるに連れて正常状態からの乖離度が判定閾値Ｔｈを超えるように変化しており、少なくともモータＭが高速回転へと推移すればモータ速度データ、モータトルクデータおよび振動データに基づき、故障予知が可能であるという検証結果が得られた。すなわち、本実施形態によれば、駆動部１０１を有する対象機械１００の故障予兆を精度よく捉えることができる。

また、検証例２の（その２）として、図４Ｃに示すように、インバータ１０１ｅからの「速度１００→０％」のモータ速度指令によりモータＭが駆動制御された場合を検証した。

かかる場合でも、条件（１）の評価結果では、正常状態からの乖離度は、常に判定閾値Ｔｈを超えておらず、故障予兆があるとして判定されることはないという検証結果が得られた。

一方で、条件（２）〜（４）の評価結果では、モータＭが低速回転となるに連れて正常状態からの乖離度は下がるものの、少なくともモータＭが比較的高速回転していれば、モータ速度データ、モータトルクデータおよび振動データに基づき、故障予知が可能であるという検証結果が得られた。すなわち、本実施形態によれば、駆動部１０１を有する対象機械１００の故障予兆を精度よく捉えることができる。

また、検証例２の（その３）として、図４Ｄに示すように、インバータ１０１ｅからの「速度０→８０％」のモータ速度指令によりモータＭが駆動制御された場合を検証した。

かかる場合でも、条件（１）の評価結果では、正常状態からの乖離度は、常に判定閾値Ｔｈを超えておらず、故障予兆があるとして判定されることはないという検証結果が得られた。

一方で、条件（２）または（４）の評価結果では、モータＭが高速回転となるに連れて正常状態からの乖離度が判定閾値Ｔｈを超えるように変化しており、少なくともモータＭが高速回転へと推移すればモータ速度データ、モータトルクデータおよび振動データに基づき、故障予知が可能であるという検証結果が得られた。すなわち、本実施形態によれば、駆動部１０１を有する対象機械１００の故障予兆を精度よく捉えることができる。

なお、条件（３）の評価結果では、正常状態からの乖離度が判定閾値Ｔｈを超えていないが、少なくとも本検証例２の駆動部１０１の構成例で軸受１０１ｈのベアリングのみが異常である場合には、モータＭが８０％を超えて高速回転しない限りは故障予知が難しい場合があることが分かる。

また、検証例２の（その４）として、図４Ｅに示すように、インバータ１０１ｅからの「速度８０％→３０％」のモータ速度指令によりモータＭが駆動制御された場合を検証した。

かかる場合でも、条件（１）の評価結果では、正常状態からの乖離度は、常に判定閾値Ｔｈを超えておらず、故障予兆があるとして判定されることはないという検証結果が得られた。

一方で、条件（２）または（４）の評価結果では、モータＭが低速回転となるに連れて正常状態からの乖離度は下がるものの、少なくともモータＭが比較的高速回転していれば、モータ速度データ、モータトルクデータおよび振動データに基づき、故障予知が可能であるという検証結果が得られた。すなわち、本実施形態によれば、駆動部１０１を有する対象機械１００の故障予兆を精度よく捉えることができる。

なお、条件（３）の評価結果では、検証例２の（その３）の場合と同様に、モータＭが８０％を超えて高速回転しない限りは故障予知が難しい場合があることが分かる。

また、検証例２の（その５）として、図４Ｆに示すように、インバータ１０１ｅからの「速度１００％」のモータ速度指令によりモータＭが駆動制御された場合を検証した。

かかる場合でも、条件（１）の評価結果では、正常状態からの乖離度は、常に判定閾値Ｔｈを超えておらず、故障予兆があるとして判定されることはないという検証結果が得られた。

一方で、条件（２）〜（４）の評価結果では、条件（３）の場合に相対的に下がるものの、正常状態の乖離度は概ね判定閾値Ｔｈを超えており、モータ速度データ、モータトルクデータおよび振動データに基づき、故障予知が可能であるという検証結果が得られた。すなわち、本実施形態によれば、駆動部１０１を有する対象機械１００の故障予兆を精度よく捉えることができる。

次に、故障予知装置１０が実行する処理手順について、図５を用いて説明する。図５は、故障予知装置１０が実行する処理手順を示すフローチャートである。

図５に示すように、まず制御部１１が、学習対象期間であるか否かを判定する（ステップＳ１０１）。学習対象期間は、対象機械１００の運用初期段階などでの正常稼働中の期間である。

ここで、学習対象期間である場合（ステップＳ１０１，Ｙｅｓ）、抽出部１１ｂが、モータ速度につき、最大加減速時の時系列データを抽出する（ステップＳ１０２）。また、抽出部１１ｂは、かかるモータ速度データに対応するモータトルクデータを前処理しつつ抽出する（ステップＳ１０３）。

また、抽出部１１ｂは、同じくモータ速度データに対応する振動データを前処理しつつ抽出する（ステップＳ１０４）。

そして、生成部１１ｃが、抽出部１１ｂの抽出した各データを学習データセットとしたディープラーニングによりセンサ相関モデル１２ｃを生成する（ステップＳ１０５）。なお、学習対象期間でない場合（ステップＳ１０１，Ｎｏ）、ステップＳ１０６へ制御を移す。

つづいて、抽出部１１ｂは、モータ速度、モータトルクおよび振動の評価時におけるデータ、すなわちリアルタイムデータを抽出する（ステップＳ１０６）。

そして、評価部１１ｄが、抽出部１１ｂの抽出した各データを入力としたセンサ相関モデル１２ｃの出力値から正常状態からの乖離度を導出する（ステップＳ１０７）。また、評価部１１ｄは、振動センサＳの箇所に基づき、寄与順位を導出する（ステップＳ１０８）。

つづいて、判定部１１ｅが、評価部１１ｄにより導出された乖離度が所定の判定閾値Ｔｈ以上であるか否かを判定する（ステップＳ１０９）。ここで、乖離度が判定閾値Ｔｈ以上である場合（ステップＳ１０９，Ｙｅｓ）、報知部１１ｆが、正常状態からの乖離度と寄与順位を報知し（ステップＳ１１０）、処理を終了する。

また、ステップＳ１０９の判定条件を満たさない場合（ステップＳ１０９，Ｎｏ）、処理を終了する。なお、この場合において、故障予兆なしを意味する旨を報知部１１ｆにより報知させてもよい。

なお、実施形態に係る故障予知装置１０は、たとえば図６に示すような構成のコンピュータ６０によって実現される。図６は、故障予知装置１０の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ６０は、ＣＰＵ（Central Processing Unit）６１、ＲＡＭ（Random Access Memory）６２、ＲＯＭ（Read Only Memory）６３、ＨＤＤ（Hard Disk Drive）６４、通信インタフェース（Ｉ／Ｆ）６５、入出力インタフェース（Ｉ／Ｆ）６６、およびメディアインタフェース（Ｉ／Ｆ）６７を備える。

ＣＰＵ６１は、ＲＯＭ６３またはＨＤＤ６４に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ６３は、コンピュータ６０の起動時にＣＰＵ６１によって実行されるブートプログラムや、コンピュータ６０のハードウェアに依存するプログラム等を格納する。

ＨＤＤ６４は、ＣＰＵ６１によって実行されるプログラムおよび当該プログラムによって使用されるデータ等を格納する。通信インタフェース６５は、対象機械１００との通信部（図示略）に対応し、通信ネットワークを介して他の機器からデータを受信してＣＰＵ６１へ送り、ＣＰＵ６１が生成したデータを、通信ネットワークを介して他の機器へ送信する。

ＣＰＵ６１は、入出力インタフェース６６を介して、ディスプレイやプリンタ等の出力装置、および、キーボードやマウス等の入力装置を制御する。ＣＰＵ６１は、入出力インタフェース６６を介して、入力装置からデータを取得する。また、ＣＰＵ６１は、生成したデータを、入出力インタフェース６６を介して出力装置へ出力する。

メディアインタフェース６７は、記録媒体６８に格納されたプログラムまたはデータを読み取り、ＲＡＭ６２を介してＣＰＵ６１に提供する。ＣＰＵ６１は、当該プログラムを、メディアインタフェース６７を介して記録媒体６８からＲＡＭ６２上にロードし、ロードしたプログラムを実行する。記録媒体６８は、たとえばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。

コンピュータ６０が故障予知装置１０として機能する場合、コンピュータ６０のＣＰＵ６１は、ＲＡＭ６２上にロードされたプログラムを実行することにより、収集部１１ａ、抽出部１１ｂ、生成部１１ｃ、評価部１１ｄ、判定部１１ｅおよび報知部１１ｆの各機能を実現する。また、ＨＤＤ６４は、記憶部１２の機能を実現し、収集データ１２ａ等が格納される。

コンピュータ６０のＣＰＵ６１は、これらのプログラムを、記録媒体６８から読み取って実行するが、他の例として、他の装置から、通信ネットワークを介してこれらのプログラムを取得してもよい。

上述してきたように、実施形態に係る故障予知装置１０は、収集部１１ａと、生成部１１ｃと、評価部１１ｄと、判定部１１ｅとを備える。

収集部１１ａは、駆動部１０１を有する対象機械１００（「機械設備」の一例に相当）に設けられた複数のセンサＳ−１〜Ｓ−ｎのセンサデータを収集する。

生成部１１ｃは、センサデータに基づき、対象機械１００の正常稼働時における駆動部１０１のモータ速度（「駆動速度」の一例に相当）の時間変動およびかかるモータ速度に対応する駆動部１０１のモータトルク（「駆動力」の一例に相当）の時間変動が特徴ベクトルに含まれるように機械学習を実行することで、センサ相関モデル１２ｃ（「センサ間の相関モデル」の一例に相当）を生成する。

評価部１１ｄは、正常稼働時よりも後の任意の評価時における評価分のモータ速度およびモータトルクに対応するセンサデータをセンサ相関モデル１２ｃへ入力することによって得られるセンサ相関モデル１２ｃの出力値に基づいて対象機械１００の正常状態からの乖離度を評価する。判定部１１ｅは、乖離度に基づいて対象機械１００の故障予兆を判定する。

したがって、本実施形態に係る故障予知装置１０によれば、対象機械１００の故障予兆を精度よく捉えることができる。

（その他の実施形態）
ところで、上述した実施形態では、モータ速度、モータトルクおよび振動をベクトルに含めた機械学習を実行し、その結果生成されたセンサ相関モデル１２ｃにより、駆動部１０１の挙動の正常状態からの乖離度を評価する例を挙げたが、振動については２次的な取り扱いでもよい。すなわち、少なくともモータ速度およびモータトルクをベクトルとする機械学習を行うことによっても、駆動部１０１の故障予兆を精度よく捉えるのに資することができる。

また、上述した実施形態の場合に加えて、さらに温度や対象機械１００の位置など、正常状態からの乖離度を評価するのに資すると考えられる他パラメータを機械学習のベクトルに含むこととしてもよい。これにより、駆動部１０１を有する対象機械１００の故障予兆を精度よく捉えるのに、より資することができる。

また、上述した実施形態では、機械学習のアルゴリズムとしてディープラーニングを用いるものとしたが、用いるアルゴリズムを限定するものではない。したがって、ＳＶＭ（Support Vector Machine）のようなパターン識別器を用いたサポートベクタ回帰等の回帰分析手法により機械学習を実行し、センサ相関モデル１２ｃを生成してもよい。また、ここで、パターン識別器はＳＶＭに限らず、たとえばアダブースト（AdaBoost）などであってもよい。また、ランダムフォレストなどを用いてもよい。

また、上述した実施形態では、駆動部１０１の駆動源が基本的に回転モータであるものとしたが、リニアモータであってもよい。かかる場合、駆動部１０１の駆動力は、トルクでなく推力に対応することとなる。

さらなる効果や変形例は、当業者によって容易に導き出すことができる。このため、本発明のより広範な態様は、以上のように表しかつ記述した特定の詳細および代表的な実施形態に限定されるものではない。したがって、添付の特許請求の範囲およびその均等物によって定義される総括的な発明の概念の精神または範囲から逸脱することなく、様々な変更が可能である。

１ 故障予知システム
１０ 故障予知装置
１１ａ 収集部
１１ｂ 抽出部
１１ｃ 生成部
１１ｄ 評価部
１１ｅ 判定部
１１ｆ 報知部
１２ａ 収集データ
１２ｂ 学習データセット
１２ｃ センサ相関モデル
１２ｄ 評価データセット
１２ｅ 評価情報
１２ｅａ 乖離度
１２ｅｂ 寄与順位
１００ 対象機械
１０１ 駆動部
１０１ａ サーボモータ
１０１ｅ インバータ
Ｍ モータ
Ｓ−１〜Ｓ−ｎ センサ

Claims (9)

1. 駆動部を有する機械設備に設けられた複数のセンサのセンサデータを収集する収集工程と、
   前記センサデータに基づき、前記機械設備の正常稼働時における前記駆動部の駆動速度の時間変動および該駆動速度に対応する前記駆動部の駆動力の時間変動が特徴ベクトルに含まれるように機械学習を実行することで、前記センサ間の相関モデルを生成する生成工程と、
   前記正常稼働時よりも後の任意の評価時における評価分の前記駆動速度および前記駆動力に対応する前記センサデータを前記相関モデルへ入力することによって得られる該相関モデルの出力値に基づいて前記機械設備の正常状態からの乖離度を評価する評価工程と、
   前記乖離度に基づいて前記機械設備の故障予兆を判定する判定工程と
   を含むことを特徴とする故障予知方法。
2. 前記生成工程は、
   前記センサデータに基づき、前記機械設備の振動の時間変動が特徴ベクトルに含まれるように前記機械学習を実行すること
   を特徴とする請求項１に記載の故障予知方法。
3. 前記生成工程は、
   フィルタ処理されることによって動作周波数が取り除かれ、かつ、リップル成分の大きさを示すものとなるように二乗平均平方根値へ変換された、前記駆動力に対応する前記センサデータに基づいて前記機械学習を実行すること
   を特徴とする請求項２に記載の故障予知方法。
4. 前記生成工程は、
   リップル成分の大きさを示すものとなるように二乗平均平方根値へ変換された前記振動に対応する前記センサデータに基づいて前記機械学習を実行すること
   を特徴とする請求項２または３に記載の故障予知方法。
5. 前記生成工程は、オートエンコーダを用いて前記相関モデルを生成し、
   前記評価工程は、
   前記相関モデルの入力値と出力値との誤差を前記機械設備の正常状態からの前記乖離度として算出し、
   前記判定工程は、
   前記乖離度が所定の判定閾値以上である場合に、前記機械設備に故障予兆ありと判定すること
   を特徴とする請求項２、３または４に記載の故障予知方法。
6. 前記評価工程は、
   前記振動を計測する前記センサが複数設けられている場合に、該センサそれぞれの前記センサデータに基づき、該センサそれぞれの寄与順位を算出すること
   を特徴とする請求項２〜５のいずれか一つに記載の故障予知方法。
7. 前記判定工程によって前記故障予兆ありと判定された場合に、外部装置へのアラート通知を行う報知工程
   をさらに含み、
   前記判定工程は、
   前記故障予兆ありと判定した場合に、前記評価工程により算出された前記寄与順位に対応する前記センサに関しての情報を前記報知工程の前記アラート通知へ含ませること
   を特徴とする請求項６に記載の故障予知方法。
8. 駆動部を有する機械設備に設けられた複数のセンサのセンサデータを収集する収集部と、
   前記センサデータに基づき、前記機械設備の正常稼働時における前記駆動部の駆動速度の時間変動および該駆動速度に対応する前記駆動部の駆動力の時間変動が特徴ベクトルに含まれるように機械学習を実行することで、前記センサ間の相関モデルを生成する生成部と、
   前記正常稼働時よりも後の任意の評価時における評価分の前記駆動速度および前記駆動力に対応する前記センサデータを前記相関モデルへ入力することによって得られる該相関モデルの出力値に基づいて前記機械設備の正常状態からの乖離度を評価する評価部と、
   前記乖離度に基づいて前記機械設備の故障予兆を判定する判定部と
   を備えることを特徴とする故障予知装置。
9. 駆動部を有する機械設備に設けられた複数のセンサのセンサデータを収集する収集手順と、
   前記センサデータに基づき、前記機械設備の正常稼働時における前記駆動部の駆動速度の時間変動および該駆動速度に対応する前記駆動部の駆動力の時間変動が特徴ベクトルに含まれるように機械学習を実行することで、前記センサ間の相関モデルを生成する生成手順と、
   前記正常稼働時よりも後の任意の評価時における評価分の前記駆動速度および前記駆動力に対応する前記センサデータを前記相関モデルへ入力することによって得られる該相関モデルの出力値に基づいて前記機械設備の正常状態からの乖離度を評価する評価手順と、
   前記乖離度に基づいて前記機械設備の故障予兆を判定する判定手順と
   をコンピュータに実行させることを特徴とする故障予知プログラム。