JP2021161933A - Computer program, blower state monitoring method and blower state monitoring device - Google Patents
Computer program, blower state monitoring method and blower state monitoring device Download PDFInfo
- Publication number
- JP2021161933A JP2021161933A JP2020063659A JP2020063659A JP2021161933A JP 2021161933 A JP2021161933 A JP 2021161933A JP 2020063659 A JP2020063659 A JP 2020063659A JP 2020063659 A JP2020063659 A JP 2020063659A JP 2021161933 A JP2021161933 A JP 2021161933A
- Authority
- JP
- Japan
- Prior art keywords
- blower
- measurement data
- temperature
- drive device
- motor
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000004590 computer program Methods 0.000 title claims abstract description 23
- 238000012544 monitoring process Methods 0.000 title claims abstract description 19
- 238000012806 monitoring device Methods 0.000 title claims abstract description 7
- 238000005259 measurement Methods 0.000 claims abstract description 125
- 230000006866 deterioration Effects 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000001816 cooling Methods 0.000 claims description 62
- 230000008569 process Effects 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 19
- 230000001186 cumulative effect Effects 0.000 claims description 18
- 230000004913 activation Effects 0.000 claims description 17
- 238000001994 activation Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 6
- 238000007599 discharging Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 description 49
- 239000007789 gas Substances 0.000 description 34
- 238000004891 communication Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 22
- 230000006870 function Effects 0.000 description 22
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000010801 machine learning Methods 0.000 description 11
- 238000013135 deep learning Methods 0.000 description 10
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000009434 installation Methods 0.000 description 9
- 230000004044 response Effects 0.000 description 6
- 230000015654 memory Effects 0.000 description 5
- 230000007704 transition Effects 0.000 description 5
- 238000004065 wastewater treatment Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000005273 aeration Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 239000000843 powder Substances 0.000 description 4
- 239000000112 cooling gas Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005401 electroluminescence Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000001373 regressive effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 239000004745 nonwoven fabric Substances 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Control Of Positive-Displacement Air Blowers (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
- Control Of Positive-Displacement Pumps (AREA)
Abstract
Description
本発明は、コンピュータプログラム、ブロワの状態監視方法、及びブロワの状態監視装置に関する。 The present invention relates to a computer program, a blower condition monitoring method, and a blower condition monitoring device.
近年、粉体処理装置における粉体の移送用や排水処理施設などにおける曝気用にブロワが使用されている。ブロワの一種であるターボブロワは、インペラと、インペラを回転駆動するモータとを備え、モータの駆動によりインペラを回転させることにより、空気を所定の供給先へ供給するように構成されている(例えば、特許文献1〜3を参照)。
In recent years, blowers have been used for powder transfer in powder treatment equipment and for aeration in wastewater treatment facilities. A turbo blower, which is a type of blower, includes an impeller and a motor that rotationally drives the impeller, and is configured to supply air to a predetermined supply destination by rotating the impeller by driving the motor (for example,). See
例えば、ターボブロワは、インペラを回転させるモータ、モータを駆動するための駆動電力を供給するインバータ、インバータを冷却する冷却ファンなどのコンポーネントを備えており、コンポーネントの故障に伴う異常が検知された場合、ターボブロワの動作を自動的に停止させる仕組みを有する。例えば、インバータを冷却する冷却ファンが故障した場合、インバータを冷却することができず、インバータに温度異常が発生する。ターボブロワは、インバータの温度異常を検知した場合、自装置の動作を停止させる。 For example, a turbo blower is equipped with components such as a motor that rotates an impeller, an inverter that supplies driving power to drive the motor, and a cooling fan that cools the inverter. It has a mechanism to automatically stop the operation of the turbo blower. For example, if the cooling fan that cools the inverter fails, the inverter cannot be cooled and a temperature abnormality occurs in the inverter. When the turbo blower detects an abnormal temperature of the inverter, the turbo blower stops the operation of its own device.
このように、従来では、コンポーネントに故障が発生したことに伴う異常を検知した場合、ブロワの動作を停止させることが可能であるが、コンポーネントの故障や劣化を推定することは行っておらず、ブロワが意図しないタイミングで停止しないように、未然に対策を施すことはできない。 As described above, conventionally, when an abnormality caused by a component failure is detected, the blower operation can be stopped, but the component failure or deterioration is not estimated. It is not possible to take measures to prevent the blower from stopping at an unintended timing.
本発明は、ブロワを構成するコンポーネントの故障又は劣化を推定できるコンピュータプログラム、状態監視方法、及び状態監視装置を提供することを目的とする。 An object of the present invention is to provide a computer program, a condition monitoring method, and a condition monitoring device capable of estimating a failure or deterioration of a component constituting a blower.
本発明の一態様に係るコンピュータプログラムは、コンピュータに、インペラと、該インペラを回転駆動するモータとを備えるブロワ本体、制御装置、及び前記モータの駆動電力を供給する駆動装置、を含むブロワから、該ブロワに関して計測される少なくとも2種類の計測データを取得し、取得した計測データに基づき、前記ブロワを構成するコンポーネントの故障又は劣化を推定する処理を実行させるためのコンピュータプログラムである。 A computer program according to an aspect of the present invention comprises a blower including an impeller, a blower main body including a motor for rotationally driving the impeller, a control device, and a drive device for supplying driving power for the motor. This is a computer program for acquiring at least two types of measurement data measured with respect to the blower and executing a process of estimating failure or deterioration of components constituting the blower based on the acquired measurement data.
本発明の一態様に係るブロワの状態監視方法は、コンピュータを用いて、インペラと、該インペラを回転駆動するモータとを備えるブロワ本体、制御装置、及び前記モータの駆動電力を供給する駆動装置、を含むブロワから、該ブロワに関して計測される少なくとも2種類の計測データを取得し、取得した計測データに基づき、前記ブロワを構成するコンポーネントの故障又は劣化を推定し、推定結果に基づく情報を出力する処理を実行する。 The blower condition monitoring method according to one aspect of the present invention is a blower main body including an impeller and a motor for rotationally driving the impeller, a control device, and a drive device for supplying driving power for the motor, using a computer. At least two types of measurement data measured with respect to the blower are acquired from the blower including the above, the failure or deterioration of the components constituting the blower is estimated based on the acquired measurement data, and the information based on the estimation result is output. Execute the process.
本発明の一態様に係るブロワの状態監視装置は、インペラと、該インペラを回転駆動するモータとを備えるブロワ本体、制御装置、及び前記モータの駆動電力を供給する駆動装置、を含むブロワから、該ブロワに関して計測される少なくとも2種類の計測データを取得する取得部と、取得した計測データに基づき、前記ブロワを構成するコンポーネントの故障又は劣化を推定する推定部と、該推定部による推定結果に基づく情報を出力する出力部とを備える。 The blower condition monitoring device according to one aspect of the present invention is derived from a blower including an impeller, a blower main body including a motor for rotationally driving the impeller, a control device, and a drive device for supplying driving power for the motor. An acquisition unit that acquires at least two types of measurement data measured for the blower, an estimation unit that estimates the failure or deterioration of the components constituting the blower based on the acquired measurement data, and an estimation result by the estimation unit. It is provided with an output unit that outputs based information.
本願によれば、ブロワを構成するコンポーネントの故障又は劣化を推定できる。 According to the present application, it is possible to estimate the failure or deterioration of the components constituting the blower.
以下、本発明をその実施の形態を示す図面に基づいて具体的に説明する。
(実施の形態1)
図1は実施の形態1に係る状態監視システムの全体構成を示す模式図である。実施の形態1に係る状態監視システムは、例えば排水処理施設等で用いられる曝気用のブロワ1と、ブロワ1の使用者等が用いる端末装置2とを備える。ブロワ1及び端末装置2は、インターネット網などの通信ネットワークNに接続されており、互いに情報を送受信できるように構成されている。
Hereinafter, the present invention will be specifically described with reference to the drawings showing the embodiments thereof.
(Embodiment 1)
FIG. 1 is a schematic diagram showing the overall configuration of the condition monitoring system according to the first embodiment. The condition monitoring system according to the first embodiment includes, for example, an
ブロワ1は、制御装置100(図4を参照)を備える。制御装置100は、ブロワ1の動作を制御すると共に、ブロワ1に関して計測される少なくとも2種類の計測データに基づき、ブロワ1を構成するコンポーネントの故障又は劣化を推定し、推定結果として得られる情報を通信ネットワークNを介して端末装置2へ送信する。制御装置100が実行する具体的な処理内容については後に詳述することとする。なお、本実施の形態では、故障の推定により、故障している状態と故障していない状態とを判別してもよく、故障の予兆を検知してもよい。同様に、劣化の推定により、劣化している状態と劣化していない状態とを判別してもよく、劣化の予兆を検知してもよい。
The
なお、本実施の形態では、ブロワ1が制御装置100、駆動装置110や各種センサを備えた形態(筐体1aの内部に設けられた形態)について説明するが、制御装置100、駆動装置110はブロワ1と別体であってもよいし、各種センサも計測対象に応じて筐体1aの外に設けられていてもよい。また、排水処理施設などに複数のブロワ1が設けられている場合、1台の制御装置100によって複数のブロワ1の状態を監視してもよい。
In the present embodiment, a form in which the
また、ブロワ1は、排水処理施設等で用いられる曝気用の送風機に限らず、粉体処理装置における粉体の移送用など各種の用途に用いられてもよい。
Further, the
図2はブロワ1の概略構成を説明する模式図である。本実施の形態において、ブロワ本体10はターボ型のブロワ(ターボブロワ)であって、ターボブロワは、インペラ11(羽根)の回転運動により空気などのガスを送るための送風機である。このような送風機はターボ型と容積型とに大別され、ターボ型には軸流型と遠心型が含まれ、容積型にはルーツ型が含まれる。軸流型の送風機は、吸込方向と吐出方向とが一直線状に並んでおり、低圧大風量に適している。軸流型の送風機は、トンネル送風機等に利用されている。一方、遠心型の送風機は、吸込方向と吐出方向とが略直角に交わっており、遠心力を利用して空気などのガスを送っている。ルーツ型の送風機は、ハウジング内で2つのロータを同期させて逆方向に回転させ、ハウジングとロータとで囲まれた空間の容積が増減することを利用してガスを送るもので、容積型故に回転数に対する送風量が安定しているという特徴がある。遠心型やルーツ型の送風機は、排水処理施設等の曝気用に利用されている。図2に一例として示すブロワ1はターボブロワの中でも遠心型送風機であり、吸込方向と吐出方向とが略直角に交わる。なお、ブロワ1は、遠心型送風機に限らず、軸流型送風機やルーツ型送風機であってもよい。
FIG. 2 is a schematic diagram illustrating a schematic configuration of the
本実施の形態に係るブロワ1は、直方体状の筐体1aに収容されたブロワ本体10と、ブロワ1の動作を制御する制御装置100(図3、4を参照)と、制御装置100からの制御によりモータ12を駆動する駆動装置110(図3を参照)を備える。
The
ブロワ本体10は、インペラ11が収容されるインペラハウジング11a、インペラ11を回転させるモータ12、インペラ11の回転によってガスが導入される吸込口13、吐出すべきガスが流れる吐出路14、ブロワ本体10が吐出するガスの一部をバイパスさせるバイパス路15等を備える。このバイパス路15には、ブローオフバルブ16を介して、放風ラインL2、冷却ガス排出ラインL3が接続される。また、ブロワ本体10の吸込口13に対向する筐体1aの側面部には、吸い込むべきガスに含まれている塵や埃などの異物を除去するためのフィルタ17が設けられている。フィルタ17には例えば不織布が用いられる。
The blower
駆動装置110は、制御装置100からの制御によりモータ12を駆動する。モータ12がインペラハウジング11a内のインペラ11を回転させた場合、筐体1aの内部には、フィルタ17を通じて筐体外部のガス(例えば空気)が取り込まれる。筐体1aの内部に取り込まれたガスは、吸込口13を通じてインペラハウジング11aに導入され、インペラ11の回転による遠心力によって、吸込方向と略直交する方向(図2の例では上方)に送り出される。インペラハウジング11aから送り出されたガスは、吐出路14を通じて筐体1aの外部へ送り出される。ブロワ1から送り出されるガスは、図2に部分的に示すガス供給ラインL1を通じて、貯水槽などの所定の供給先へ送られる。
The
図3はブロワ1における計測系の構成を説明する模式図である。駆動装置110は、商用電源から供給される三相交流電圧などを直流電圧に変換して出力するコンバータ111と、制御装置100からの制御に基づき、コンバータ111から入力される直流電圧をPWM(Pulse Width Modulation)波形の電圧に変換し、モータ12へ出力するインバータ112と、図に示していない駆動手段(例えばモータ)により駆動され、駆動装置110を冷却する冷却ファン113とを備える。制御装置100は、要求されるモータ12の回転数に応じて駆動装置110を制御することにより、インバータ112から出力されるPWM波形の電圧パターンを変化させる。ブロワ1は、駆動装置110に関して、駆動装置110の温度(例えば、内部のインバータ温度や図示しない冷却用ヒートシンクの温度)を計測する温度センサS1、インバータ112の出力電流を計測する電流センサS4などを備える。
FIG. 3 is a schematic diagram illustrating the configuration of the measurement system in the
ブロワ本体10が備えるモータ12は、駆動装置110から駆動電力が供給されて駆動するように構成される。ブロワ1は、モータ12に関して、モータ12の温度を計測する温度センサS3などを備える。
The
ブロワ本体10は、回転するインペラ11の作用により、吸込口13からガスを吸い込み、吸い込んだガスを吐出路14へ圧送する。ブロワ1は、ブロワ本体10に関して、吸込口13から吸い込むガスの温度(吸込温度)を計測する温度センサS2、吸い込むガスの流量(吸込ガス量)を計測する流量センサS5、吐出路14へ圧送するガスの圧力(吐出圧力)を計測する圧力センサS6などを備える。なお、温度センサS2は筐体1aの外部にあって、筐体1aの雰囲気温度を計測する物であってもよい。
The blower
これらのセンサS1〜S6は、それぞれ上述した物理量を随時計測し、計測結果を示す計測データを制御装置100へ出力する。
Each of these sensors S1 to S6 measures the above-mentioned physical quantity at any time, and outputs measurement data indicating the measurement result to the
なお、ブロワ1に搭載されるセンサは上述のものに限定されない。例えば、インバータ112への入力電流を計測する電流センサ、フィルタ17における圧力損失を計測する差圧計、ブロワ1の消費電力を計測する電力計などを備えてもよい。
The sensor mounted on the
図4は制御装置100の構成を説明するブロック図である。制御装置100は、専用又は汎用のコンピュータであり、ブロワ1の動作の制御、及びブロワ1の状態の監視等を行う。制御装置100は、制御部101、記憶部102、入力部103、出力部104、通信部105、操作部106、及び表示部107を備える。
FIG. 4 is a block diagram illustrating the configuration of the
制御部101は、例えば、CPU(Central Processing Unit)、ROM(Read Only Memory)、RAM(Random Access Memory)などを備える。制御部101が備えるROMには、上述したハードウェア各部の動作を制御する制御プログラム等が記憶される。制御部101内のCPUは、ROMに記憶された制御プログラムや後述する記憶部102に記憶された各種コンピュータプログラムを実行し、ハードウェア各部の動作を制御することにより、制御装置100を状態監視装置として機能させる。制御部101が備えるRAMには、演算の実行中に利用されるデータ等が一時的に記憶される。
The
制御部101は、上記の構成に限らず、GPU(Graphics Processing Unit)、FPGA(Field Programmable Gate Array)、DSP(Digital Signal Processor)、量子プロセッサ、揮発性又は不揮発性のメモリ等を備える1又は複数の演算回路又は制御回路により構成されてもよい。また、制御部101は、日時情報を出力するクロック、計測開始指示を与えてから計測終了指示を与えるまでの経過時間を計測するタイマ、数をカウントするカウンタ等の機能を備えてもよい。
The
記憶部102は、ハードディスク、フラッシュメモリなどを用いた記憶装置を備える。記憶部102には、制御部101によって実行されるコンピュータプログラム、外部から取得した各種データ、装置内部で生成した各種データ等が記憶される。
The
記憶部102に記憶されるコンピュータプログラムは、ブロワ1に関して計測される計測データを取得し、取得した計測データに基づき、ブロワ1を構成するコンポーネントの故障又は劣化を推定する処理を制御部101に実行させるための状態監視プログラムPG1を含む。制御部101は、状態監視プログラムPG1を実行することにより、ブロワ1に関して計測される計測データに基づき、ブロワ1を構成するコンポーネントの故障又は劣化を推定し、推定結果に基づく情報を出力する処理を実行する。
The computer program stored in the
状態監視プログラムPG1を含むコンピュータプログラムは、コンピュータプログラムを読み取り可能に記録した非一時的な記録媒体M1により提供されてもよい。記録媒体M1は、例えば、CD−ROM、USBメモリ、コンパクトフラッシュ(登録商標)、SD(Secure Digital)カード、マイクロSDカード、などの可搬型メモリである。制御部101は、図に示していない読取装置を用いて、記録媒体M1から各種プログラムを読み取り、読み取った各種プログラムを記憶部102に記憶させる。
The computer program including the condition monitoring program PG1 may be provided by a non-temporary recording medium M1 in which the computer program is readablely recorded. The recording medium M1 is, for example, a portable memory such as a CD-ROM, a USB memory, a compact flash (registered trademark), an SD (Secure Digital) card, or a micro SD card. The
入力部103は、各種センサを接続するための接続インタフェースを備える。入力部103が備える接続インタフェースは、有線のインタフェースであってもよく、無線のインタフェースであってもよい。入力部103に接続されるセンサは、例えば、駆動装置110の温度を計測する温度センサS1、ブロワ本体10における吸込温度を計測する温度センサS2、モータ12の温度を計測する温度センサS3、インバータ112の出力電流を計測する電流センサS4、ブロワ本体10における吸込ガス量を計測する流量センサS5、ブロワ本体10の吐出圧力を計測する圧力センサS6などを含む。ここで、吸込ガス量は、吸込口13が吸い込む単位時間あたりのガスの量として流量センサS5により計測される値である。ガス量は、温度を20℃、湿度を65%、圧力を大気圧とした状態(工業的な標準状態)での換算値を用いてもよく、温度を0℃、湿度を0%、圧力を大気圧とした状態(学術的な基準状態)での換算値を用いてもよい。
The
出力部104は、制御対象の機器を接続するための接続インタフェースを備える。出力部104が備える接続インタフェースは、有線のインタフェースであってもよく、無線のインタフェースであってもよい。出力部104に接続される機器は、上述した駆動装置110、ブローオフバルブ16を制御するための電磁弁などを含む。
The
通信部105は、各種の通信データを送受信する通信インタフェースを備える。通信部105が備える通信インタフェースは、例えば、WiFi(登録商標)やイーサネット(登録商標)で用いられるLAN(Local Area Network)の通信規格に準じた通信インタフェースである。代替的に、Bluetooth(登録商標) 、ZigBee(登録商標)、3G、4G、5G、LTE(Long Term Evolution)等の通信規格に準じた通信インタフェースであってもよい。
The
通信部105は、例えば、ブロワ1のユーザが使用する端末装置2と通信を行う。ブロワ1の制御部101は、コンポーネントの故障又は劣化の推定結果が得られた場合、得られた推定結果に基づく情報を通信部105より端末装置2へ送信する。このとき、制御部101は、端末装置2に表示させる画面の画面データを生成し、生成した画面データを通信部105を通じて端末装置2へ送信してもよい。
The
操作部106は、キーボードやマウスなどの入力インタフェースを備えており、各種操作及び各種設定を受付ける。制御部101は、操作部106を通じて受付けた各種操作及び各種設定に基づき、適宜の処理を行い、必要に応じて設定情報を記憶部102に記憶させる。なお、本実施の形態では、ブロワ1が操作部106を備える構成としたが、操作部106は必須ではなく、外部に接続されたコンピュータ(例えば、端末装置2)を通じて操作を受付ける構成であってもよい。
The
表示部107は、液晶パネル又は有機EL(Electro-Luminescence)パネル等の表示パネルを備えており、ユーザに対して報知すべき情報を表示する。表示部107は、例えば、状態監視プログラムPG1による推定結果を表示してもよく、操作部106を通じて受付けた各種操作及び各種設定に基づく情報を表示してもよい。なお、本実施の形態では、制御装置100が表示部107を備える構成としたが、制御装置100の外部に表示装置を備え、この表示装置に表示させるべき表示データを出力する構成であってもよい。
The
以下、実施の形態1では、温度センサS1により計測される駆動装置110の温度、温度センサS2により計測されるブロワ本体10の吸込温度、電流センサS4により計測されるインバータ112の出力電流に基づき、冷却ファン113の故障を推定する構成について説明する。
Hereinafter, in the first embodiment, based on the temperature of the
図5は駆動装置110の温度上昇度及び出力電流の時系列変化を示すグラフである。グラフの横軸は日時、左側の縦軸は駆動装置110の温度上昇度(度)、右側の縦軸はインバータ112の出力電流(任意目盛り)を表している。ここで、駆動装置110の温度上昇度は、駆動装置110の温度から吸込温度を減算した値である。
FIG. 5 is a graph showing the time-series changes in the temperature rise of the
図5のグラフに示す期間内において、2018年7月2日に冷却ファン113の故障に伴うインバータ異常が発生し、同年7月10日に現地調査が行われ、同年7月23日に冷却ファン113の交換作業が行われた。本願発明者らは、冷却ファン113が正常に動作している期間(図5の例では、インバータ異常が発生するよりも前の期間(期間A)及び冷却ファン113が交換された後の期間(期間C))において、駆動装置110の温度上昇度と、インバータ112の出力電流との間には相関(比例関係)があることを確認した。また、図5のグラフにおいて、駆動装置110の温度上昇度と、インバータ112の出力電流との間に相関(比例関係)がない期間を期間Bとして示しているが、発明者らは、インバータ異常が発生するよりも前の段階から、相関が崩れ始める現象が見られることを確認した。
Within the period shown in the graph of FIG. 5, an inverter abnormality occurred due to a failure of the cooling
実施の形態1では、これらの知見に基づき、ブロワ1のコンポーネントの1つである冷却ファン113の故障を推定する。具体的には、制御装置100の制御部101は、温度センサS1により計測される駆動装置110の温度、温度センサS2により計測される吸込温度、電流センサS4により計測されるインバータ112の出力電流に関して計測データを取得し、駆動装置110の温度から吸込温度を減算することにより得られる駆動装置110の温度上昇度と、インバータ112の出力電流との相関を調べることにより、駆動装置110を冷却する冷却ファン113の故障を推定する処理を実行する。
In the first embodiment, the failure of the cooling
図6は駆動装置110の温度上昇度と出力電流との相関を説明する概念図である。制御部101は、ブロワ1の設置から例えば720時間分の計測データを取得し、駆動装置110の温度上昇度と出力電流との相関を学習する。上述したように、正常時における駆動装置110の温度上昇度と出力電流との間には相関(比例関係)があるので、制御部101は、駆動装置110の温度、ブロワ本体10における吸込温度、インバータ112の出力電流に関する計測データを取得し、取得した計測データを用いて、駆動装置110の温度上昇度と出力電流との間の相関を学習すればよい。
なお、ブロワ1の起動から30分程度は温度が安定していない(上昇する)ので、制御部101は、起動から所定時間(例えば30分)が経過した後の計測データを用いて相関を学習すればよい。
FIG. 6 is a conceptual diagram illustrating the correlation between the degree of temperature rise of the
Since the temperature is not stable (rises) for about 30 minutes after the
制御部101は、駆動装置110の温度上昇度と出力電流との相関として、線形近似式と偏差とを導出する。図6に示すグラフの横軸はインバータ112の出力電流、縦軸は駆動装置110の温度上昇度であり、実線により線形近似式を示し、破線により信頼区間を示している。信頼区間は、相関のバラツキを示す偏差に基づき設定すればよい。
The
駆動装置110の温度上昇度と出力電流との相関を求めた後、制御部101は、新たに取得した計測データに基づき、冷却ファン113が故障したか否かを推定する。新たに取得した計測データが信頼区間内にあれば、制御部101は、冷却ファン113が故障していないと推定することができる。新たに取得した計測データが連続して信頼区間外にあるとき、制御部101は、冷却ファン113が故障している可能性があると推定することができる。なお、単発で信頼区間から外れる場合があるので、この場合、制御部101は、推定結果の出力を保留すればよい。
After obtaining the correlation between the degree of temperature rise of the
以下、制御装置100が実行する処理について説明する。
図7は実施の形態1に係る制御装置100が学習期間において実行する処理の手順を説明するフローチャートである。制御部101は、学習期間において、温度センサS1により計測される駆動装置110の温度、温度センサS2により計測されるブロワ本体10の吸込温度、電流センサS4により計測されるインバータ112の出力電流に関する計測データを取得する(ステップS101)。制御部101は、ブロワ1の設置から例えば720時間を学習期間とし、各センサS1,S2,S4から随時出力される計測データを入力部103より取得し、取得した計測データを日時に関連付けて記憶部102に記憶させる。なお、起動から所定時間(例えば30分)内の計測データは除外してもよい。
Hereinafter, the processing executed by the
FIG. 7 is a flowchart illustrating a procedure of processing executed by the
制御部101は、学習期間において取得した計測データに基づき、駆動装置110の温度上昇度と出力電流との相関を学習する(ステップS102)。制御部101は、記憶部102に記憶させた計測データを読み出し、駆動装置110の温度から吸込温度を減算することにより得られる駆動装置110の温度上昇度と、インバータ112の出力電流との相関(線形近似式及び偏差)を導出する。
The
制御部101は、導出した線形近似式及び偏差を記憶部102に記憶させ(ステップS103)、本フローチャートによる処理を終了する。
The
図8は実施の形態1に係る制御装置100が運用期間において実行する処理の手順を説明するフローチャートである。制御部101は、記憶部102に記憶された状態監視プログラムPG1を読み出して実行することにより、以下の処理を行う。制御部101は、駆動装置110の温度上昇度と出力電流との相関を求めた後に開始される運用期間において、駆動装置110の温度、吸込温度、インバータ112の出力電流を含む一組の計測データを取得した場合(ステップS121)、その計測データが線形近似式と偏差とにより定められる信頼区間内にあるか否かを判断する(ステップS122)。
FIG. 8 is a flowchart illustrating a procedure of processing executed by the
制御部101は、計測データが信頼区間内にあると判断した場合(S122:YES)、判定カウンタを0にセットし(ステップS123)、計測データが信頼区間外にあると判断した場合(S122:NO)、判定カウンタを1だけ増加させる(ステップS124)。なお、判定カウンタの初期値は0に設定されているものとする。
When the
制御部101は、判定カウンタが閾値(例えば10)以上であるか否かを判断し(ステップS125)、閾値未満であると判断した場合(S125:NO)、処理をステップS121へ戻す。
The
判定カウンタが閾値以上であると判断した場合(S125:YES)、制御部101は、冷却ファン113が現時点で故障している、若しくは将来的に故障すると推定し(ステップS126)、推定結果に基づく情報を出力する(ステップS127)。例えば、制御部101は、冷却ファン113が故障している可能性がある旨の情報、若しくは、故障の予兆を検知した旨の情報を通信部105より端末装置2に通知する。また、制御部101は、冷却ファン113が故障している可能性がある旨の情報、若しくは、故障の予兆を検知した旨の情報を表示部107に表示させてもよい。このとき、制御部101は、駆動装置110の温度上昇度及び出力電流の時間推移を示すグラフ、若しくは、駆動装置110の温度上昇度と出力電流との相関の時間推移を示すグラフを生成し、生成したグラフを併せて通知又は表示させてもよい。
また、本実施の形態では、冷却ファン113が故障している旨の情報若しくは故障の予兆を検知した旨の情報を出力する構成としたが、冷却ファン113が故障していないと推定される場合についても、その旨の情報を出力してよい。
When the determination counter determines that the threshold value is equal to or higher than the threshold value (S125: YES), the
Further, in the present embodiment, the configuration is such that information indicating that the cooling
以上のように、実施の形態1では、駆動装置110の温度上昇度と出力電流との相関から、駆動装置110を冷却する冷却ファン113の故障を推定し、推定結果に基づく情報を出力することができるので、冷却ファン113の交換作業をユーザに促すことができる。
As described above, in the first embodiment, the failure of the cooling
本実施の形態では、学習期間において駆動装置110の温度上昇度と出力電流との相関を導出し、運用期間において駆動装置110の温度上昇度と出力電流との相関に基づき冷却ファン113の故障を推定する構成としたが、運用期間において設定された期間(例えば1ヶ月)内に冷却ファン113の故障が検出されなければ、その期間内のデータを含む計測データに基づき相関の再学習を行ってもよい。なお、再学習の手順は、図7のフローチャートに示す手順と同様である。
In the present embodiment, the correlation between the temperature rise of the
また、駆動装置110の温度上昇度と出力電流との相関はブロワ1の種類や設置環境などに応じて異なることが想定されるので、個々のブロワ1に応じて、個別に駆動装置110の温度上昇度と出力電流との相関を導出してもよい。
Further, since it is assumed that the correlation between the degree of temperature rise of the
本実施の形態では、駆動装置110の温度上昇度と出力電流との相関に基づき、冷却ファン113の故障を推定する構成としたが、ブロワ1の累積起動回数及び累積運転時間の少なくとも一方を更に含むパラメータ間の相関を導出し、導出した相関に基づき冷却ファン113の故障を推定してもよい。また、出力電流の変化量及びブロワ本体10の吐出圧力の少なくとも一方を更に含むパラメータ間の相関を導出し、導出した相関に基づき冷却ファン113の故障を推定してもよい。
In the present embodiment, the failure of the cooling
本実施の形態では、ブロワ1が備える制御装置100において冷却ファン113の故障を推定する構成としたが、ブロワ1からアクセス可能な外部サーバにて冷却ファン113の故障を推定してもよい。この場合、上述の状態監視プログラムPG1は外部サーバにインストールされる。ブロワ1は、駆動装置110の温度、吸込温度、及び出力電流を含む計測データを外部サーバへ送信し、外部サーバに推定処理を実行させ、推定処理の結果を外部サーバから取得すればよい。
In the present embodiment, the
(実施の形態2)
実施の形態2では、機械学習の学習モデルを用いて冷却ファン113の故障を推定する構成について説明する。
(Embodiment 2)
In the second embodiment, a configuration for estimating the failure of the cooling
実施の形態2では、温度センサS1により計測される駆動装置110の温度、温度センサS2により計測されるブロワ本体10の吸込温度、及び電流センサS4により計測されるインバータ112の出力電流に関する計測データと、冷却ファン113の故障可能性との関係を学習してある学習モデル150(図9を参照)を用いて、冷却ファン113の故障を推定する。学習モデル150は、例えば制御装置100の記憶部102に記憶される。
In the second embodiment, the temperature of the
図9は学習モデル150の構成例を説明する模式図である。学習モデル150は、例えば、深層学習を含む機械学習の学習モデルであり、ニューラルネットワークによって構成される。学習モデル150は、入力層151、中間層152A,152B、及び出力層153を備える。図9の例では、2つの中間層152A,152Bを記載しているが、中間層の数は2つに限定されず、3つ以上であってもよい。
FIG. 9 is a schematic diagram illustrating a configuration example of the
入力層151、中間層152A,152B、及び出力層153には、1つまたは複数のノードが存在し、各層のノードは、前後の層に存在するノードと一方向に所望の重みおよびバイアスで結合されている。学習モデル150の入力層151には、入力層151が備えるノードの数と同数のデータが入力される。本実施の形態において、入力層151のノードに入力されるデータは、例えば、駆動装置110の温度、吸込温度、出力電流の計測データである。
The
入力された計測データは、入力層151を構成するノードを通じて、最初の中間層152Aが備えるノードへ出力される。最初の中間層152Aに入力されたデータは、中間層152Aを構成するノードを通じて、次の中間層152Bが備えるノードへ出力される。このとき、ノード間において設定されている重み及びバイアスを含む活性化関数を用いて出力が算出される。以下同様にして、ノード間において設定されている重み及びバイアスを含む活性化関数を用いた演算を実行し、出力層153による演算結果が得られるまで次々と後の層に伝達される。
The input measurement data is output to the node included in the first
ここで、ノード間を結合する重み、バイアス等のパラメータは、所定の学習アルゴリズムによって学習される。各種パラメータを学習する学習アルゴリズムには、例えば誤差逆伝搬法を含む深層学習の学習アルゴリズムが用いられる。本実施の形態では、前述の計測データと、冷却ファン113の状態を示すラベルデータとを訓練データとして収集し、収集した訓練データを用いて、計測データが入力された場合、冷却ファン113の故障可能性に関する演算結果を出力するように、所定の学習アルゴリズムによってノード間の重み及びバイアスを含む各種パラメータを学習する。なお、学習モデル150の生成は、制御装置100の内部で行ってもよく、外部サーバで行ってもよい。
Here, parameters such as weights and biases that connect the nodes are learned by a predetermined learning algorithm. As a learning algorithm for learning various parameters, for example, a deep learning learning algorithm including an error back propagation method is used. In the present embodiment, the above-mentioned measurement data and label data indicating the state of the cooling
出力層153は、冷却ファン113の故障可能性に関する演算結果を出力する。例えば、出力層153を第1ノードから第3ノードまでの3個のノードにより構成し、第1ノードから冷却ファン113が故障している可能性(確率P1)を出力し、第2ノードから故障の予兆がある可能性(確率P2)、第3ノードから故障していない可能性(確率P3)を出力する。出力層153を構成するノードの数や各ノードに割り当てる演算結果は、上述の例に限定されるものではなく、適宜設計することが可能である。
The
図9に示す学習モデル150は、駆動装置110の温度、吸込温度、出力電流を含む計測データの入力に応じて、冷却ファン113の故障可能性に関する演算結果を出力する構成としたが、学習モデル150における入出力の関係は上記に限定されるものではなく、適宜設定することが可能である。例えば、学習モデル150は、駆動装置110の温度から吸込温度を減算することにより得られる駆動装置110の温度上昇度のデータと、出力電流のデータとの入力に応じて、冷却ファン113の故障可能性に関する演算結果を出力する構成としてもよい。また、学習モデル150は、例えば、学習モデル150は、ブロワ1の累積起動回数、累積運転時間、インバータ112の出力電流の変化量、ブロワ本体10の吐出圧力の少なくとも1つを更に含む計測データの入力に応じて、冷却ファン113の故障可能性に関する演算結果を出力する構成としてもよい。
The
図10は学習モデル150の生成手順を説明するフローチャートである。制御装置100の制御部101は、学習モデル150の生成に先立ち、訓練データを収集する(ステップS201)。このとき、制御部101は、駆動装置110の温度、吸込温度、及び出力電流の計測データを時系列的に取得し、日時情報と共に記憶部102に記憶させる。また、各日時の計測データには、冷却ファン113が故障していたか否か、及び故障の予兆をしていたか否かを示すラベルを付与する。なお、これらのラベルは、図5に示すようなグラフに基づき、故障していない期間、故障の予兆を示していた期間、故障していた期間を判別し、管理者等が付与すればよい。図11は訓練データの一例を示す概念図である。
FIG. 10 is a flowchart illustrating a procedure for generating the
訓練データの収集後、制御部101は、記憶部102に記憶されているデータから、学習モデル150へ入力する一組の訓練データを選択する(ステップS202)。すなわち、制御部101は、同一日時の駆動装置110の温度、吸込温度、及び出力電流を含む計測データ、並びに冷却ファン113の故障状態を示すラベルデータを選択すればよい。
After collecting the training data, the
次いで、制御部101は、選択した訓練データに含まれる計測データを学習モデル150へ入力し(ステップS203)、学習モデル150による演算を実行する(ステップS204)。なお、学習が開始される前の初期段階では、学習モデル150を記述する定義情報には初期値が与えられているものとする。
Next, the
次いで、制御部101は、ステップS204で得られた演算結果を評価し(ステップS205)、学習が完了したか否かを判断する(ステップS206)。具体的には、制御部101は、ステップS204で得られた演算結果と訓練データに含まれるラベルデータとに基づく誤差関数(目的関数、損失関数、コスト関数ともいう)を用いて、演算結果を評価することができる。制御部101は、最急降下法などの勾配降下法により誤差関数を最適化(最小化又は最大化)する過程で、誤差関数が閾値以下(又は閾値以上)となった場合、学習が完了したと判断する。なお、過学習の問題を避けるために、交差検定、早期打ち切りなどの手法を取り入れ、適切なタイミングにて学習を終了させてもよい。
Next, the
学習が完了してないと判断した場合(S206:NO)、制御部101は、学習モデル150を構成するノード間の重み及びバイアスを更新して(ステップS207)、処理をステップS202へ戻し、別の訓練データを用いた学習を継続する。制御部101は、ノード間の重み及びバイアスを順次更新する誤差逆伝搬法を用いて、各ノード間の重み及びバイアスを更新することができる。
When it is determined that the learning is not completed (S206: NO), the
学習が完了したと判断した場合(S206:YES)、制御部101は、学習済みの学習モデル150として記憶部102に記憶させ(ステップS208)、本フローチャートによる処理を終了する。
When it is determined that the learning is completed (S206: YES), the
図12は学習モデル150を用いた推定手順を説明するフローチャートである。制御装置100の制御部101は、記憶部102に記憶された状態監視プログラムPG1を実行することにより、以下の処理を行う。
FIG. 12 is a flowchart illustrating an estimation procedure using the
制御部101は、入力部103を通じて、温度センサS1により計測される駆動装置110の温度、温度センサS2により計測されるブロワ本体10の吸込温度、及び電流センサS4により計測されるインバータ112の出力電流に関する計測データを取得した場合、取得した計測データを学習モデル150へ入力し(ステップS221)、学習モデル150による演算を実行する(ステップS222)。入力層151のノードに与えられたデータは、隣接する中間層152Aのノードへ出力される。中間層152Aではノード間の重み及びバイアスを含む活性化関数を用いた演算が行われ、演算結果は後段の中間層152Bへ出力される。中間層152Bにおいて、更に、ノード間の重み及びバイアスを含む活性化関数を用いた演算が行われ、演算結果は出力層153の各ノードへ出力される。出力層153の各ノードは、冷却ファン113の故障可能性に関する演算結果を出力する。
The
制御部101は、学習モデル150の演算結果に基づき冷却ファン113の故障を推定する(ステップS223)。学習モデル150の出力層153は各ノードから、冷却ファン113が故障している可能性、故障の予兆がある可能性、故障していない可能性を確率P1〜P3として出力するので、制御部101は、これらの確率P1〜P3のうち、最も高い確率を出力するノードを特定することにより、冷却ファン113の故障を推定することができる。
The
制御部101は、推定結果に基づく情報を出力する(ステップS224)。例えば、制御部101は、冷却ファン113が故障している可能性がある旨の情報、若しくは、故障の予兆を検知した旨の情報を通信部105より端末装置2に通知する。また、制御部101は、冷却ファン113が故障している可能性がある旨の情報、若しくは、故障の予兆を検知した旨の情報を表示部107に表示させてもよい。なお、制御部101は、単発の計測データによる誤判定を避けるために、故障ありと推定した回数が所定回数(例えば10回)以上連続した場合にのみ、冷却ファン113が故障している旨の情報を出力してもよく、故障の予兆ありと推定した回数が所定回数(例えば10回)以上連続した場合にのみ、冷却ファン113の故障の予兆を検知した旨の情報を出力してもよい。
The
以上のように、実施の形態2では、深層学習を含む機械学習の学習モデル150を用いて、駆動装置110を冷却する冷却ファン113の故障を推定し、推定結果に基づく情報を出力することができるので、必要に応じて冷却ファン113の交換作業をユーザに促すことができる。
As described above, in the second embodiment, the failure of the cooling
実施の形態2では、学習モデル150を用いて冷却ファン113の故障を推定する構成としたが、この学習モデル150により冷却ファン113の故障が検出されなければ、駆動装置110の温度、吸込温度、及び出力電流を含む計測データと、計測時の冷却ファン113の状態を表すラベルデータとを訓練データとして再取得し、再取得した訓練データに基づき、学習モデル150を再学習してもよい。
In the second embodiment, the
また、駆動装置110の温度上昇度と出力電流との相関はブロワ1の種類や設置環境などに応じて異なることが想定されるので、個々のブロワ1に応じて、個別に学習モデル150を設定してもよい。
Further, since it is assumed that the correlation between the degree of temperature rise of the
また、実施の形態2では、制御装置100が学習モデル150を備える構成について説明したが、学習モデル150は、制御装置100からアクセス可能な外部サーバに搭載されてもよい。この場合、制御装置100は、駆動装置110の温度、吸込温度、及び出力電流を含む計測データを外部サーバへ送信し、学習モデル150を用いた演算を外部サーバに実行させ、学習モデル150による演算結果を外部サーバから取得してもよい。制御装置100は、外部サーバから学習モデル150による演算結果を取得することにより、冷却ファン113の故障を推定し、推定結果に基づく情報を出力することができる。
Further, in the second embodiment, the configuration in which the
本実施の形態2では、ニューラルネットワークによって構成される機械学習の学習モデル150を用いて冷却ファン113の故障可能性に関する演算結果を取得する構成について説明したが、学習モデル150は特定の手法を用いて得られるモデルに限定されない。
例えば、深層学習によるニューラルネットワークに代えて、パーセプトロン、畳み込みニューラルネットワーク、再帰型ニューラルネットワーク、残差ネットワーク、自己組織化マップ等による学習モデルであってもよい。
また、上記のニューラルネットワークによる学習モデルに代えて、線形回帰、ロジスティック回帰、サポートベクターマシン等を含む回帰分析手法、決定木、回帰木、ランダムフォレスト、勾配ブースティング木等の探索木を用いた手法、単純ベイズ等を含むベイズ推定法、AR(Auto Regressive)、MA(Moving Average)、ARIMA(Auto Regressive Integrated Moving Average)、状態空間モデル等を含む時系列予測手法、K近傍法等を含むクラスタリング手法、ブースティング、バギング等を含むアンサンブル学習を用いた手法、階層型クラスタリング、非階層型クラスタリング、トピックモデル等を含むクラスタリング手法、アソシエーション分析、強調フィルタリング等を含むその他の手法により学習された学習モデルであってもよい。
更に、PLS(Partial Least Squares)回帰、重回帰分析、主成分分析、因子分析、クラスター分析等を含む多変量分析を用いて学習モデルを構築してもよい。
In the second embodiment, the configuration for acquiring the calculation result regarding the possibility of failure of the cooling
For example, instead of the neural network by deep learning, a learning model by a perceptron, a convolutional neural network, a recurrent neural network, a residual network, a self-organizing map, or the like may be used.
In addition, instead of the above neural network learning model, a regression analysis method including linear regression, logistic regression, support vector machine, etc., and a method using search trees such as decision tree, regression tree, random forest, and gradient boosting tree. , Bayesian estimation method including simple bays, AR (Auto Regressive), MA (Moving Average), ARIMA (Auto Regressive Integrated Moving Average), time series prediction method including state space model, clustering method including K neighborhood method, etc. , Boosting, methods using ensemble learning including bagging, hierarchical clustering, non-hierarchical clustering, clustering methods including topic models, association analysis, emphasis filtering, etc. There may be.
Furthermore, a learning model may be constructed using multivariate analysis including PLS (Partial Least Squares) regression, multiple regression analysis, principal component analysis, factor analysis, cluster analysis and the like.
(実施の形態3)
実施の形態3では、温度センサS3により計測されるモータ12の温度、温度センサS2により計測されるブロワ本体10の吸込温度、電流センサS4により計測されるインバータ112の出力電流に基づき、ブローオフバルブ16の故障を推定する構成について説明する。
(Embodiment 3)
In the third embodiment, the blow-off
ブロワ1において、ブローオフバルブ16を構成する電磁弁が故障したり、ダイアフラムゴムが劣化したりすると、放風ラインL2へ吐出ガスが流れてしまい、ブロワ1が吐出すべきガスの量が減少する。また、高圧の吐出ガスが、冷却ガス排出ラインL3を通ってモータ冷却ガスが排出されるのを妨げるため、モータ12の温度が上昇する。本願発明者らは、ブローオフバルブ16が正常に動作している期間において、モータ12の温度上昇度と、インバータ112の出力電流との間には相関があることを確認した。また、発明者らは、ブローオフバルブ16が発生するよりも前の段階から、相関が崩れ始める現象が見られることを確認した。
In the
実施の形態3では、これらの知見に基づき、ブロワ1のコンポーネントの1つであるブローオフバルブ16の故障を推定する。具体的には、制御装置100の制御部101は、温度センサS3により計測されるモータ温度、温度センサS2により計測される吸込温度、電流センサS4により計測されるインバータ112の出力電流に関して計測データを取得し、モータ温度から吸込温度を減算することにより得られるモータ温度上昇度と、インバータ112の出力電流との相関を調べることにより、ブローオフバルブ16の故障を推定する処理を実行する。
In the third embodiment, the failure of the blow-off
図13はモータ12の温度上昇度と出力電流との相関を説明する概念図である。制御部101は、ブロワ1の設置から例えば720時間分の計測データを取得し、モータ12の温度上昇度とインバータ112の出力電流との相関を学習する。上述したように、正常時におけるモータ12の温度上昇度とインバータ112の出力電流との間には相関があるので、制御部101は、モータ12の温度、ブロワ本体10における吸込温度、インバータ112の出力電流に関する計測データを各センサS3,S2,S4より取得し、取得した計測データを用いて、モータ温度上昇度と出力電流との間の相関を学習すればよい。
なお、ブロワ1の起動から30分程度は温度が安定していない(上昇する)ので、制御部101は、起動から所定時間(例えば30分)が経過した後の計測データを用いて相関を学習すればよい。
FIG. 13 is a conceptual diagram illustrating the correlation between the degree of temperature rise of the
Since the temperature is not stable (rises) for about 30 minutes after the
制御部101は、モータ12の温度上昇度と出力電流との相関を示す近似式と偏差とを導出する。なお、図13の例では線形近似式を示しているが、近似式は一次関数に限らず、適宜の多項式関数などの適宜の関数を用いればよい。図13に示すグラフの横軸はインバータ112の出力電流、縦軸は駆動装置110の温度上昇度であり、実線により近似式を示し、破線により信頼区間を示している。信頼区間は、相関のバラツキを示す偏差に基づき設定すればよい。
The
モータ12の温度上昇度とインバータ112の出力電流との相関を求めた後、制御部101は、新たに取得した計測データに基づき、ブローオフバルブ16が故障したか否かを推定する。新たに取得した計測データが信頼区間内にあれば、制御部101は、ブローオフバルブ16が故障していないと推定することができる。新たに取得した計測データが連続して信頼区間外にあるとき、制御部101は、ブローオフバルブ16が故障している可能性があると推定することができる。なお、単発で信頼区間から外れる場合があるので、この場合、制御部101は、推定結果の出力を保留すればよい。
After obtaining the correlation between the degree of temperature rise of the
以下、制御装置100が実行する処理について説明する。
図14は実施の形態3に係る制御装置100が学習期間において実行する処理の手順を説明するフローチャートである。制御部101は、学習期間において、温度センサS3により計測されるモータ温度、温度センサS2により計測されるブロワ本体10の吸込温度、電流センサS4により計測されるインバータ112の出力電流に関する計測データを取得する(ステップS301)。制御部101は、ブロワ1の設置から例えば720時間を学習期間とし、各センサS3,S2,S4から随時出力される計測データを入力部103より取得し、取得した計測データを日時に関連付けて記憶部102に記憶させる。なお、起動から所定時間(例えば30分)内の計測データは除外してもよい。
Hereinafter, the processing executed by the
FIG. 14 is a flowchart illustrating a procedure of processing executed by the
制御部101は、学習期間において取得した計測データに基づき、モータ温度上昇度と出力電流との相関を学習する(ステップS302)。制御部101は、記憶部102に記憶させた計測データを読み出し、モータ温度から吸込温度を減算することにより得られるモータ温度上昇度と、インバータ112の出力電流との相関(近似式及び偏差)を導出する。
The
制御部101は、導出した近似式及び偏差を記憶部102に記憶させ(ステップS303)、本フローチャートによる処理を終了する。
The
図15は実施の形態3に係る制御装置100が運用期間において実行する処理の手順を説明するフローチャートである。制御部101は、記憶部102に記憶された状態監視プログラムPG1を読み出して実行することにより、以下の処理を行う。制御部101は、モータ温度上昇度と出力電流との相関を求めた後に開始される運用期間において、モータ温度、吸込温度、インバータ112の出力電流を含む一組の計測データを取得した場合(ステップS321)、その計測データが近似式と偏差とにより定められる信頼区間内にあるか否かを判断する(ステップS322)。
FIG. 15 is a flowchart illustrating a procedure of processing executed by the
制御部101は、計測データが信頼区間内にあると判断した場合(S322:YES)、判定カウンタを0にセットし(ステップS323)、計測データが信頼区間外にあると判断した場合(S322:NO)、判定カウンタを1だけ増加させる(ステップS324)。なお、判定カウンタの初期値は0に設定されているものとする。
When the
制御部101は、判定カウンタが閾値(例えば10)以上であるか否かを判断し(ステップS325)、閾値未満であると判断した場合(S325:NO)、処理をステップS321へ戻す。
The
判定カウンタが閾値以上であると判断した場合(S325:YES)、制御部101は、ブローオフバルブ16が現時点で故障している、若しくは将来的に故障すると推定し(ステップS326)、推定結果に基づく情報を出力する(ステップS327)。例えば、制御部101は、ブローオフバルブ16が故障している可能性がある旨の情報、若しくは、故障の予兆を検知した旨の情報を通信部105より端末装置2に通知する。また、制御部101は、ブローオフバルブ16が故障している可能性がある旨の情報、若しくは、故障の予兆を検知した旨の情報を表示部107に表示させてもよい。このとき、制御部101は、モータ温度上昇度及び出力電流の時間推移を示すグラフ、若しくは、モータ温度上昇度と出力電流との相関の時間推移を示すグラフを生成し、生成したグラフを併せて通知又は表示させてもよい。
また、本実施の形態では、ブローオフバルブ16が故障している旨の情報若しくは故障の予兆を検知した旨の情報を出力する構成としたが、冷却ファン113が故障していないと推定される場合についても、その旨の情報を出力してよい。
When the determination counter determines that the threshold value is equal to or higher than the threshold value (S325: YES), the
Further, in the present embodiment, the information indicating that the blow-off
以上のように、実施の形態3では、モータ温度上昇度と出力電流との相関から、ブローオフバルブ16の故障を推定し、推定結果に基づく情報を出力することができるので、電磁弁やダイアフラムゴムの交換作業が必要であるか否かをユーザに知らせることができる。
As described above, in the third embodiment, the failure of the blow-off
本実施の形態では、学習期間においてモータ温度上昇度と出力電流との相関を導出し、運用期間においてモータ温度上昇度と出力電流との相関に基づきブローオフバルブ16の故障を推定する構成としたが、運用期間において設定された期間(例えば1ヶ月)内にブローオフバルブ16の故障が検出されなければ、その期間内のデータを含む計測データに基づき相関の再学習を行ってもよい。なお、再学習の手順は、図14のフローチャートに示す手順と同様である。
In the present embodiment, the correlation between the motor temperature rise and the output current is derived during the learning period, and the failure of the blow-off
また、モータ温度上昇度と出力電流との相関はブロワ1の種類や設置環境などに応じて異なることが想定されるので、個々のブロワ1に応じて、個別にモータ温度上昇度と出力電流との相関を導出してもよい。
Further, since it is assumed that the correlation between the motor temperature rise and the output current differs depending on the type of the
本実施の形態では、モータ温度上昇度と出力電流との相関に基づき、ブローオフバルブ16の故障を推定する構成としたが、ブロワ1の累積起動回数及び累積運転時間の少なくとも一方を更に含むパラメータ間の相関を導出し、導出した相関に基づきブローオフバルブ16の故障を推定してもよい。また、出力電流の変化量及びブロワ本体10の吐出圧力の少なくとも一方を更に含むパラメータ間の相関を導出し、導出した相関に基づきブローオフバルブ16の故障を推定してもよい。
In the present embodiment, the failure of the blow-off
本実施の形態では、ブロワ1が備える制御装置100においてブローオフバルブ16の故障を推定する構成としたが、ブロワ1からアクセス可能な外部サーバにてブローオフバルブ16の故障を推定してもよい。この場合、上述の状態監視プログラムPG1は外部サーバにインストールされる。ブロワ1は、モータ温度、吸込温度、及び出力電流を含む計測データを外部サーバへ送信し、外部サーバに推定処理を実行させ、推定処理の結果を外部サーバから取得すればよい。
In the present embodiment, the
(実施の形態4)
実施の形態4では、機械学習の学習モデルを用いてブローオフバルブ16の故障を推定する構成について説明する。
(Embodiment 4)
In the fourth embodiment, a configuration for estimating the failure of the blow-off
実施の形態4では、温度センサS3により計測されるモータ温度、温度センサS2により計測されるブロワ本体10の吸込温度、及び電流センサS4により計測されるインバータ112の出力電流に関する計測データと、ブローオフバルブ16の故障可能性との関係を学習してある学習モデル160(図16を参照)を用いて、ブローオフバルブ16の故障を推定する。学習モデル160は、例えば制御装置100の記憶部102に記憶される。
In the fourth embodiment, measurement data regarding the motor temperature measured by the temperature sensor S3, the suction temperature of the blower
図16は学習モデル160の構成例を説明する模式図である。学習モデル160は、例えば、深層学習を含む機械学習の学習モデルであり、ニューラルネットワークによって構成される。学習モデル160は、入力層161、中間層162A,162B、及び出力層163を備える。図16の例では、2つの中間層162A,162Bを記載しているが、中間層の数は2つに限定されず、3つ以上であってもよい。
FIG. 16 is a schematic diagram illustrating a configuration example of the
入力層161、中間層162A,162B、及び出力層163には、1つまたは複数のノードが存在し、各層のノードは、前後の層に存在するノードと一方向に所望の重みおよびバイアスで結合されている。学習モデル160の入力層161には、入力層161が備えるノードの数と同数のデータが入力される。本実施の形態において、入力層161のノードに入力されるデータは、例えば、モータ温度、吸込温度、出力電流の計測データである。
The
入力された計測データは、入力層161を構成するノードを通じて、最初の中間層162Aが備えるノードへ出力される。最初の中間層162Aに入力されたデータは、中間層162Aを構成するノードを通じて、次の中間層162Bが備えるノードへ出力される。このとき、ノード間において設定されている重み及びバイアスを含む活性化関数を用いて出力が算出される。以下同様にして、ノード間において設定されている重み及びバイアスを含む活性化関数を用いた演算を実行し、出力層163による演算結果が得られるまで次々と後の層に伝達される。
The input measurement data is output to the node included in the first
ここで、ノード間を結合する重み、バイアス等のパラメータは、所定の学習アルゴリズムによって学習される。各種パラメータを学習する学習アルゴリズムには、例えば誤差逆伝搬法を含む深層学習の学習アルゴリズムが用いられる。本実施の形態では、前述の計測データと、計測時にブローオフバルブ16が故障していたか否かを示すラベルデータとを訓練データとして収集し、収集した訓練データを用いて、計測データが入力された場合、ブローオフバルブ16の故障可能性に関する演算結果を出力するように、所定の学習アルゴリズムによってノード間の重み及びバイアスを含む各種パラメータを学習する。学習モデル160の生成は、制御装置100の内部で行ってもよく、外部サーバで行ってもよい。なお、学習モデル160の生成手順は実施の形態1と同様であるため、その説明を省略することとする。
Here, parameters such as weights and biases that connect the nodes are learned by a predetermined learning algorithm. As a learning algorithm for learning various parameters, for example, a deep learning learning algorithm including an error back propagation method is used. In the present embodiment, the above-mentioned measurement data and label data indicating whether or not the blow-off
出力層163は、ブローオフバルブ16の故障可能性に関する演算結果を出力する。例えば、出力層163を第1ノードから第3ノードまでの3個のノードにより構成し、第1ノードからブローオフバルブ16が故障している可能性(確率P1)を出力し、第2ノードから故障の予兆がある可能性(確率P2)、第3ノードから故障していない可能性(確率P3)を出力する。出力層163を構成するノードの数や各ノードに割り当てる演算結果は、上述の例に限定されるものではなく、適宜設計することが可能である。
The
図16に示す学習モデル160は、モータ温度、吸込温度、出力電流を含む計測データの入力に応じて、ブローオフバルブ16の故障可能性に関する演算結果を出力する構成としたが、学習モデル160における入出力の関係は上記に限定されるものではなく、適宜設定することが可能である。例えば、学習モデル160は、モータ温度から吸込温度を減算することにより得られるモータ温度上昇度のデータと、出力電流のデータとの入力に応じて、ブローオフバルブ16の故障可能性に関する演算結果を出力する構成としてもよい。また、学習モデル160は、ブロワ1の累積起動回数、累積運転時間、インバータ112の出力電流の変化量、ブロワ本体10の吐出圧力の少なくとも1つを更に含む計測データの入力に応じて、ブローオフバルブ16の故障可能性に関する演算結果を出力する構成としてもよい。
The
図17は学習モデル160を用いた推定手順を説明するフローチャートである。制御装置100の制御部101は、記憶部102に記憶された状態監視プログラムPG1を実行することにより、以下の処理を行う。
FIG. 17 is a flowchart illustrating an estimation procedure using the
制御部101は、入力部103を通じて、温度センサS3により計測されるモータ温度、温度センサS2により計測されるブロワ本体10の吸込温度、及び電流センサS4により計測されるインバータ112の出力電流に関する計測データを取得した場合、取得した計測データを学習モデル160へ入力し(ステップS401)、学習モデル160による演算を実行する(ステップS402)。入力層161のノードに与えられたデータは、隣接する中間層162Aのノードへ出力される。中間層162Aではノード間の重み及びバイアスを含む活性化関数を用いた演算が行われ、演算結果は後段の中間層162Bへ出力される。中間層162Bにおいて、更に、ノード間の重み及びバイアスを含む活性化関数を用いた演算が行われ、演算結果は出力層163の各ノードへ出力される。出力層163の各ノードは、ブローオフバルブ16の故障可能性に関する演算結果を出力する。
The
制御部101は、学習モデル160の演算結果に基づきブローオフバルブ16の故障を推定する(ステップS403)。学習モデル160の出力層163は各ノードから、ブローオフバルブが故障している可能性、故障の予兆がある可能性、故障していない可能性を確率P1〜P3として出力するので、制御部101は、これらの確率P1〜P3のうち、最も高い確率を出力するノードを特定することにより、ブローオフバルブ16の故障を推定することができる。
The
制御部101は、推定結果に基づく情報を出力する(ステップS404)。例えば、制御部101は、ブローオフバルブ16が故障している可能性がある旨の情報、若しくは、ブローオフバルブ16が近々故障する可能性がある旨の情報を通信部105より端末装置2に通知する。また、制御部101は、ブローオフバルブ16が故障している可能性がある旨の情報、若しくは、ブローオフバルブ16が近々故障する可能性がある旨の情報を表示部107に表示させてもよい。なお、制御部101は、単発の計測データによる誤判定を避けるために、故障ありと推定した回数が所定回数(例えば10回)以上連続した場合にのみ、ブローオフバルブ16が故障している旨の情報を出力してもよく、故障の予兆ありと推定した回数が所定回数(例えば10回)以上連続した場合にのみ、ブローオフバルブ16の故障の予兆を検知した旨の情報を出力してもよい。
The
以上のように、実施の形態4では、深層学習を含む機械学習の学習モデル160を用いて、ブローオフバルブ16の故障を推定し、推定結果に基づく情報を出力することができるので、電磁弁やダイアフラムゴムの交換作業をユーザに促すことができる。
As described above, in the fourth embodiment, the failure of the blow-off
実施の形態4では、学習モデル160を用いてブローオフバルブ16の故障を推定する構成としたが、この学習モデル160によりブローオフバルブ16の故障が検出されなければ、モータ温度、吸込温度、及び出力電流を含む計測データと、計測時にブローオフバルブ16が故障していたか否か、故障の予兆を示していたか否かを表すラベルデータとを訓練データとして再取得し、再取得した訓練データに基づき、学習モデル160を再学習してもよい。
In the fourth embodiment, the failure of the blow-off
また、モータ温度上昇度と出力電流との相関はブロワ1の種類や設置環境などに応じて異なることが想定されるので、個々のブロワ1に応じて、個別に学習モデル160を設定してもよい。
Further, since it is assumed that the correlation between the degree of motor temperature rise and the output current differs depending on the type of
また、実施の形態4では、制御装置100が学習モデル160を備える構成について説明したが、学習モデル160は、制御装置100からアクセス可能な外部サーバに搭載されてもよい。この場合、制御装置100は、モータ温度、吸込温度、及び出力電流を含む計測データを外部サーバへ送信し、学習モデル160を用いた演算を外部サーバに実行させ、学習モデル160による演算結果を外部サーバから取得してもよい。制御装置100は、外部サーバから学習モデル160による演算結果を取得することにより、ブローオフバルブ16の故障を推定し、推定結果に基づく情報を出力することができる。
Further, in the fourth embodiment, the configuration in which the
本実施の形態4では、ニューラルネットワークによって構成される機械学習の学習モデル160を用いてブローオフバルブ16の故障可能性に関する演算結果を取得する構成について説明したが、学習モデル160は特定の手法を用いて得られるモデルに限定されるものではなく、上述したような各種学習モデルであってもよい。
In the fourth embodiment, the configuration for acquiring the calculation result regarding the failure possibility of the blow-off
(実施の形態5)
実施の形態5では、流量センサS5により計測される吸込ガス量、温度センサS2により計測される吸込温度、圧力センサS6により計測される吐出圧力、並びにブロワ1の消費電力に基づき、ブロワ効率の低下(ブロワ本体10の劣化)を推定する構成について説明する。
(Embodiment 5)
In the fifth embodiment, the blower efficiency is lowered based on the suction gas amount measured by the flow rate sensor S5, the suction temperature measured by the temperature sensor S2, the discharge pressure measured by the pressure sensor S6, and the power consumption of the
実施の形態5では、流量センサS5により計測される吸込ガス量、温度センサS2により計測される吸込温度、圧力センサS6により計測される吐出圧力、並びにブロワ1の消費電力に関する計測データと、ブロワ効率の低下(ブロワ本体10の劣化)との関係を学習してある学習モデル170(図18を参照)を用いて、ブロワ本体10の劣化を推定する。学習モデル170は、例えば制御装置100の記憶部102に記憶される。
In the fifth embodiment, the amount of suction gas measured by the flow rate sensor S5, the suction temperature measured by the temperature sensor S2, the discharge pressure measured by the pressure sensor S6, the measurement data regarding the power consumption of the
図18は学習モデル170の構成例を説明する模式図である。学習モデル170は、例えば、深層学習を含む機械学習の学習モデルであり、ニューラルネットワークによって構成される。学習モデル170は、入力層171、中間層172A,172B、及び出力層173を備える。図18の例では、2つの中間層172A,172Bを記載しているが、中間層の数は2つに限定されず、3つ以上であってもよい。
FIG. 18 is a schematic diagram illustrating a configuration example of the
入力層171、中間層172A,172B、及び出力層173には、1つまたは複数のノードが存在し、各層のノードは、前後の層に存在するノードと一方向に所望の重みおよびバイアスで結合されている。学習モデル170の入力層171には、入力層171が備えるノードの数と同数のデータが入力される。本実施の形態において、入力層171のノードに入力されるデータは、吸込ガス量、吸込温度、吐出圧力、消費電力の計測データである。
The
入力された計測データは、入力層171を構成するノードを通じて、最初の中間層172Aが備えるノードへ出力される。最初の中間層172Aに入力されたデータは、中間層172Aを構成するノードを通じて、次の中間層172Bが備えるノードへ出力される。このとき、ノード間において設定されている重み及びバイアスを含む活性化関数を用いて出力が算出される。以下同様にして、ノード間において設定されている重み及びバイアスを含む活性化関数を用いた演算を実行し、出力層173による演算結果が得られるまで次々と後の層に伝達される。
The input measurement data is output to the node included in the first
ここで、ノード間を結合する重み、バイアス等のパラメータは、所定の学習アルゴリズムによって学習される。各種パラメータを学習する学習アルゴリズムには、例えば誤差逆伝搬法を含む深層学習の学習アルゴリズムが用いられる。本実施の形態では、前述の計測データと、計測時にブロワ効率が低下していたか否かを示すラベルデータとを訓練データとして収集し、収集した訓練データを用いて、計測データが入力された場合、ブロワ本体10の劣化可能性に関する演算結果を出力するように、所定の学習アルゴリズムによってノード間の重み及びバイアスを含む各種パラメータを学習する。学習モデル170の生成は、制御装置100の内部で行ってもよく、外部サーバで行ってもよい。なお、学習モデル170の生成手順は実施の形態1と同様であるため、その説明を省略することとする。
Here, parameters such as weights and biases that connect the nodes are learned by a predetermined learning algorithm. As a learning algorithm for learning various parameters, for example, a deep learning learning algorithm including an error back propagation method is used. In the present embodiment, when the above-mentioned measurement data and label data indicating whether or not the blower efficiency has decreased at the time of measurement are collected as training data and the measurement data is input using the collected training data. , Various parameters including weights and biases between nodes are learned by a predetermined learning algorithm so as to output the calculation result regarding the deterioration possibility of the blower
出力層173は、ブロワ本体10の劣化可能性に関する演算結果を出力する。例えば、出力層173を第1ノードから第3ノードまでの3個のノードにより構成し、第1ノードからブロワ本体10が劣化している可能性(確率P1)を出力し、第2ノードから劣化の予兆がある可能性(確率P2)、第3ノードから劣化していない可能性(確率P3)を出力する。出力層173を構成するノードの数や各ノードに割り当てる演算結果は、上述の例に限定されるものではなく、適宜設計することが可能である。
The
図18に示す学習モデル170は、吸込ガス量、吸込温度、吐出圧力、消費電力を含む計測データの入力に応じて、ブロワ本体10の劣化可能性に関する演算結果を出力する構成としたが、学習モデル170における入出力の関係は上記に限定されるものではなく、適宜設定することが可能である。例えば、学習モデル170は、吸込ガス量、吸込温度、吐出圧力、及び消費電力と、モータ12の回転数、フィルタ17における圧力損失、ブロワ1の累積起動回数、累積運転時間の少なくとも1つとを含む計測データの入力に応じて、ブロワ本体10の劣化可能性に関する演算結果を出力する構成としてもよい。
The
図19は学習モデル170を用いた推定手順を説明するフローチャートである。制御装置100の制御部101は、記憶部102に記憶された状態監視プログラムPG1を実行することにより、以下の処理を行う。
FIG. 19 is a flowchart illustrating an estimation procedure using the
制御部101は、入力部103を通じて、流量センサS5により計測される吸込ガス量、温度センサS2により計測される吸込温度、圧力センサS6により計測される吐出圧力、並びにブロワ1の消費電力に関する計測データを取得した場合、取得した計測データを学習モデル170へ入力し(ステップS501)、学習モデル170による演算を実行する(ステップS502)。入力層171のノードに与えられたデータは、隣接する中間層172Aのノードへ出力される。中間層172Aではノード間の重み及びバイアスを含む活性化関数を用いた演算が行われ、演算結果は後段の中間層172Bへ出力される。中間層172Bにおいて、更に、ノード間の重み及びバイアスを含む活性化関数を用いた演算が行われ、演算結果は出力層173の各ノードへ出力される。出力層173の各ノードは、ブロワ本体10の劣化可能性に関する演算結果を出力する。
The
制御部101は、学習モデル170の演算結果に基づきブロワ本体10の劣化を推定する(ステップS503)。学習モデル170の出力層173は各ノードから、ブロワ本体10が劣化している可能性、劣化の予兆がある可能性、劣化していない可能性を確率P1〜P3として出力するので、制御部101は、これらの確率P1〜P3のうち、最も高い確率を出力するノードを特定することにより、ブロワ本体10の劣化を推定することができる。
The
制御部101は、推定結果に基づく情報を出力する(ステップS504)。例えば、制御部101は、ブロワ本体10が劣化している可能性がある旨の情報を通信部105より端末装置2に通知する。また、制御部101は、ブロワ本体10が劣化している可能性がある旨の情報を表示部107に表示させてもよい。なお、制御部101は、単発の計測データによる誤判定を避けるために、劣化ありと推定した回数が所定回数(例えば10回)以上連続した場合にのみ、ブロワ本体10が劣化している旨の情報を出力してもよく、劣化の予兆ありと推定した回数が所定回数(例えば10回)以上連続した場合にのみ、ブロワ本体10の劣化の予兆を検知した旨の情報を出力してもよい。
The
図20は推定結果の出力例を示す模式図である。図20は制御装置100においてブロワ本体10の劣化を推定した場合に、端末装置2に表示される画面の例を示している。制御装置100は、ブロワ本体10の劣化を推定した場合、端末装置2に表示させる画面の画面データを生成し、生成した画面データを通信部105より端末装置2へ送信することにより、図20に示すようなモニタリング画面200を表示させればよい。モニタリング画面200は、例えば、ブロワ1の全体図を模式的に表示する表示欄201、推定結果を表示する表示欄202、各種メニューを表示させるためのメニューボタン203A、計測値を表示させるための計測値ボタン203B、計測値の時間推移を示すグラフを表示させるためのグラフ表示ボタン203C、過去のアラート履歴を表示させるためのアラートボタン203Dなどを備える。
FIG. 20 is a schematic diagram showing an output example of the estimation result. FIG. 20 shows an example of a screen displayed on the
端末装置2は、制御装置100から受信する画面データに基づき、例えば、故障又は劣化が生じたと推定するコンポーネントの場所をモニタリング画面200の表示欄201に表示し、故障又は劣化が生じている旨の文字情報やその対処方法などを表示欄202に表示すればよい。また、端末装置2は、計測値ボタン203Bの操作を受付けた場合、表示させるべき計測値(吸込ガス量、吸込温度、吐出圧力、消費電力など)の送信を制御装置100に要求し、要求に応じて制御装置100から送信されてくる計測値を受信して表示してもよい。なお、表示させる計測値は、最新の値であってもよく、過去の一定期間の計測値(履歴)であってもよい。また、端末装置2は、グラフ表示ボタン203Cの操作を受付けた場合、表示させるべきグラフの画面データを制御装置100に要求し、要求に応じて制御装置100から送信されてくる画面データを受信してグラフを表示してもよい。
Based on the screen data received from the
本実施の形態では、ブロワ本体10の状態をモニタリング画面200に表示する例を示したが、モニタリング画面200に表示する情報は、ブロワ本体10の状態に限定されるものではない。例えば、実施の形態1で説明した手順により推定される冷却ファン113の状態をモニタリング画面200に表示してもよく、実施の形態3で説明した手順により推定されるブローオフバルブ16の状態をモニタリング画面200に表示してもよい。
In the present embodiment, an example of displaying the state of the blower
また、本実施の形態では、制御装置100において画面データを生成し、生成した画面データを端末装置2へ送信することによって、モニタリング画面200等を端末装置2に表示させる構成としたが、モニタリング画面200等の表示に必要なデータを制御装置100から端末装置2へ送信し、端末装置2にて受信したデータに基づき画面データを生成し、モニタリング画面200等を表示してもよい。
Further, in the present embodiment, the
また、本実施の形態では、端末装置2にモニタリング画面200等を表示させる構成としたが、制御装置100の表示部107に表示させてもよい。
Further, in the present embodiment, the
以上のように、実施の形態5では、深層学習を含む機械学習の学習モデル170を用いて、ブロワ本体10の劣化を推定し、推定結果に基づく情報を出力することができるので、例えばインペラ11の清掃作業をユーザに促し、ブロワ効率の低下を抑えることができる。
As described above, in the fifth embodiment, the deterioration of the blower
実施の形態5では、学習モデル170を用いてブロワ本体10の劣化を推定する構成としたが、この学習モデル170によりブロワ本体10の劣化が検出されなければ、吸込ガス量、吸込温度、吐出圧力、及び消費電力を含む計測データと、計測時にブロワ効率が低下していたか否かを示すラベルデータとを訓練データとして再取得し、再取得した訓練データに基づき、学習モデル170を再学習してもよい。
In the fifth embodiment, the
また、ブロワ効率はブロワ1の種類や設置環境などに応じて異なることが想定されるので、個々のブロワ1に応じて、個別に学習モデル170を設定してもよい。
Further, since the blower efficiency is expected to differ depending on the type of the
また、実施の形態5では、制御装置100が学習モデル170を備える構成について説明したが、学習モデル170は、制御装置100からアクセス可能な外部サーバに搭載されてもよい。この場合、制御装置100は、吸込ガス量、吸込温度、吐出圧力、及び消費電力を含む計測データを外部サーバへ送信し、学習モデル170を用いた演算を外部サーバに実行させ、学習モデル170による演算結果を外部サーバから取得してもよい。制御装置100は、外部サーバから学習モデル170による演算結果を取得することにより、ブロワ本体10の劣化を推定し、推定結果に基づく情報を出力することができる。
Further, in the fifth embodiment, the configuration in which the
本実施の形態4では、ニューラルネットワークによって構成される機械学習の学習モデル170を用いてブロワ本体10の劣化可能性に関する演算結果を取得する構成について説明したが、学習モデル170は特定の手法を用いて得られるモデルに限定されるものではなく、上述したような各種学習モデルであってもよい。
In the fourth embodiment, the configuration for acquiring the calculation result regarding the deterioration possibility of the blower
1 ブロワ
2 端末装置
10 ブロワ本体
11 インペラ
12 モータ
13 吸込口
14 吐出路
15 バイパス路
16 ブローオフバルブ
17 フィルタ
100 制御装置
101 制御部
102 記憶部
103 入力部
104 出力部
105 通信部
106 操作部
107 表示部
150,160,170 学習モデル
PG1 状態監視プログラム
S1,S2,S3 温度センサ
S4 電流センサ
S5 流量センサ
S6 圧力センサ
1
Claims (13)
インペラと、該インペラを回転駆動するモータとを備えるブロワ本体、及び前記モータの駆動電力を供給する駆動装置を含むブロワから、該ブロワに関して計測される少なくとも2種類の計測データを取得し、
取得した計測データに基づき、前記ブロワを構成するコンポーネントの故障又は劣化を推定する
処理を実行させるためのコンピュータプログラム。 On the computer
At least two types of measurement data measured with respect to the blower are acquired from a blower body including an impeller, a blower body including a motor for rotationally driving the impeller, and a blower including a drive device for supplying driving power for the motor.
A computer program for executing a process of estimating a failure or deterioration of a component constituting the blower based on the acquired measurement data.
前記コンピュータに、
前記駆動装置の温度から前記吸込温度を減算することにより得られる前記駆動装置の温度上昇度と、前記出力電流との相関に基づき、前記駆動装置を冷却する冷却ファンの故障を推定する
処理を実行させるための請求項1に記載のコンピュータプログラム。 The measurement data includes the temperature of the drive device, the suction temperature of the blower body, and the output current of the inverter included in the drive device.
On the computer
Based on the correlation between the temperature rise of the drive device obtained by subtracting the suction temperature from the temperature of the drive device and the output current, a process of estimating the failure of the cooling fan that cools the drive device is executed. The computer program according to claim 1.
前記コンピュータに、
前記駆動装置の温度上昇度に関するデータと、前記出力電流のデータとが入力された場合、前記駆動装置を冷却する冷却ファンが故障する可能性に係るデータを出力するよう構成された学習モデルを用いて、前記冷却ファンの故障を推定する
処理を実行させるための請求項1に記載のコンピュータプログラム。 The measurement data includes the temperature of the drive device, the suction temperature of the blower body, and the output current of the inverter included in the drive device.
On the computer
When data on the degree of temperature rise of the drive device and data on the output current are input, a learning model configured to output data on the possibility that the cooling fan that cools the drive device will fail is used. The computer program according to claim 1, wherein the process of estimating the failure of the cooling fan is executed.
前記コンピュータに、
前記モータの温度から前記吸込温度を減算することにより得られる前記モータの温度上昇度と、前記出力電流との相関に基づき、前記ブロワ本体が圧送するガスの一部を外部へ放出するためのブローオフバルブの故障を推定する
処理を実行させるための請求項1に記載のコンピュータプログラム。 The measurement data includes the temperature of the motor, the suction temperature of the blower body, and the output current of the inverter included in the drive device.
On the computer
Blow-off for releasing a part of the gas pumped by the blower body to the outside based on the correlation between the temperature rise of the motor obtained by subtracting the suction temperature from the temperature of the motor and the output current. The computer program according to claim 1, wherein a process for estimating a valve failure is executed.
前記コンピュータに、
前記モータの温度上昇度に関するデータと、前記出力電流のデータとが入力された場合、記ブロワ本体が圧送するガスの一部を外部へ放出するためのブローオフバルブが故障する可能性に係るデータを出力するよう構成された学習モデルを用いて、前記ブローオフバルブの故障を推定する
処理を実行させるための請求項1に記載のコンピュータプログラム。 The measurement data includes the temperature of the motor, the suction temperature of the blower body, and the output current of the inverter included in the drive device.
On the computer
When the data on the temperature rise of the motor and the data on the output current are input, the data on the possibility that the blow-off valve for discharging a part of the gas pumped by the blower body to the outside may break down. The computer program according to claim 1, wherein a process of estimating a failure of the blow-off valve is executed by using a learning model configured to output.
累積起動回数及び累積運転時間の少なくとも1つを更に含むデータを用いて、前記計測データの相関を示す関係式又は前記計測データに対する学習モデルを学習してある
請求項2から請求項5の何れか1つに記載のコンピュータプログラム。 The measurement data further includes at least one of the cumulative number of activations and the cumulative operating time of the blower.
Any of claims 2 to 5 in which a relational expression showing a correlation of the measurement data or a learning model for the measurement data is trained using data further including at least one of the cumulative number of activations and the cumulative operation time. The computer program described in one.
請求項2から請求項6の何れか1つに記載のコンピュータプログラム。 From claim 2, the relational expression showing the correlation of the measurement data or the learning model for the measurement data is learned by further using the data indicating at least one of the change amount of the output current and the discharge pressure of the blower main body. The computer program according to any one of claims 6.
前記コンピュータに、
前記計測データが入力された場合、ブロワ効率に係るデータを出力するよう構成された学習モデルを用いて、前記ブロワ本体の劣化を推定する
処理を実行させるための請求項1に記載のコンピュータプログラム。 The measurement data includes the suction gas amount, the suction temperature, and the discharge pressure of the blower body, and the power consumption of the blower.
On the computer
The computer program according to claim 1, wherein when the measurement data is input, a process of estimating deterioration of the blower main body is executed by using a learning model configured to output data related to the blower efficiency.
前記コンピュータに、
前記モータの回転速度、前記フィルタにおける圧力損失、前記ブロワの累積起動回数及び累積運転時間の少なくとも1つを更に含むデータが入力された場合、ブロワ効率に係るデータを出力するよう構成された学習モデルを用いて、前記ブロワ本体の劣化を推定する
処理を実行させるための請求項8に記載のコンピュータプログラム。 The measurement data further includes at least one of the rotation speed of the motor, the pressure loss in the filter included in the blower, and the cumulative number of times the blower is started and the cumulative operating time.
On the computer
A learning model configured to output data related to blower efficiency when data further including at least one of the rotation speed of the motor, the pressure loss in the filter, the cumulative number of activations of the blower, and the cumulative operating time is input. The computer program according to claim 8, wherein the process of estimating the deterioration of the blower main body is executed by using the above.
請求項1から請求項9の何れか1つに記載のコンピュータプログラム。 The computer program according to any one of claims 1 to 9, wherein an estimation criterion for whether or not the component has failed or deteriorated is individually set for each blower.
再取得した計測データと、前記コンポーネントが故障又は劣化したか否かを示すラベルデータとを用いて、前記計測データの相関を示す関係式又は前記計測データに対する学習モデルを再学習する
処理を実行させるための請求項1から請求項10の何れか1つに記載のコンピュータプログラム。 On the computer
Using the reacquired measurement data and label data indicating whether or not the component has failed or deteriorated, a process of relearning a relational expression showing the correlation of the measurement data or a training model for the measurement data is executed. The computer program according to any one of claims 1 to 10.
インペラと、該インペラを回転駆動するモータとを備えるブロワ本体、及び前記モータの駆動電力を供給する駆動装置を含むブロワから、該ブロワに関して計測される少なくとも2種類の計測データを取得し、
取得した計測データに基づき、前記ブロワを構成するコンポーネントの故障又は劣化を推定し、
推定結果に基づく情報を出力する
処理を実行するブロワの状態監視方法。 Using a computer
At least two types of measurement data measured with respect to the blower are acquired from a blower body including an impeller, a blower body including a motor for rotationally driving the impeller, and a blower including a drive device for supplying driving power for the motor.
Based on the acquired measurement data, the failure or deterioration of the components that make up the blower is estimated, and
A blower status monitoring method that executes processing that outputs information based on the estimation results.
取得した計測データに基づき、前記ブロワを構成するコンポーネントの故障又は劣化を推定する推定部と、
該推定部による推定結果に基づく情報を出力する出力部と
を備えるブロワの状態監視装置。 An acquisition unit that acquires at least two types of measurement data measured with respect to the blower from a blower main body including an impeller, a motor for rotationally driving the impeller, and a blower including a drive device for supplying driving power for the motor. ,
Based on the acquired measurement data, an estimation unit that estimates the failure or deterioration of the components that make up the blower, and an estimation unit.
A blower condition monitoring device including an output unit that outputs information based on the estimation result by the estimation unit.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020063659A JP7349400B2 (en) | 2020-03-31 | 2020-03-31 | Computer program, blower condition monitoring method, and blower condition monitoring device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020063659A JP7349400B2 (en) | 2020-03-31 | 2020-03-31 | Computer program, blower condition monitoring method, and blower condition monitoring device |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021161933A true JP2021161933A (en) | 2021-10-11 |
JP7349400B2 JP7349400B2 (en) | 2023-09-22 |
Family
ID=78002925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020063659A Active JP7349400B2 (en) | 2020-03-31 | 2020-03-31 | Computer program, blower condition monitoring method, and blower condition monitoring device |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7349400B2 (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022091888A1 (en) * | 2020-10-27 | 2022-05-05 | 新明和工業株式会社 | State-monitoring system, state-monitoring device, state-monitoring method, and computer program |
CN116335977A (en) * | 2023-03-31 | 2023-06-27 | 苏州瑞波机械有限公司 | Axial flow fan, control method and storage medium |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005009337A (en) * | 2003-06-17 | 2005-01-13 | Ebara Corp | Diagnostic system for vacuum pump |
US20070153443A1 (en) * | 2005-12-31 | 2007-07-05 | Lucent Technologies, Inc. | Method and apparatus for preemptively detecting fan failure in an electronic system |
JP2012067611A (en) * | 2010-09-21 | 2012-04-05 | Nec Computertechno Ltd | Fan inspection device, blower, device with fan, and fan failure predicting method |
CN103195727A (en) * | 2013-03-05 | 2013-07-10 | 天津理工大学 | Device for on-line monitoring and evaluating state of air blower |
JP2018107934A (en) * | 2016-12-27 | 2018-07-05 | 日本電産株式会社 | Motor life estimation method, motor control system, blower system, and multicopter system |
-
2020
- 2020-03-31 JP JP2020063659A patent/JP7349400B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005009337A (en) * | 2003-06-17 | 2005-01-13 | Ebara Corp | Diagnostic system for vacuum pump |
US20070153443A1 (en) * | 2005-12-31 | 2007-07-05 | Lucent Technologies, Inc. | Method and apparatus for preemptively detecting fan failure in an electronic system |
JP2012067611A (en) * | 2010-09-21 | 2012-04-05 | Nec Computertechno Ltd | Fan inspection device, blower, device with fan, and fan failure predicting method |
CN103195727A (en) * | 2013-03-05 | 2013-07-10 | 天津理工大学 | Device for on-line monitoring and evaluating state of air blower |
JP2018107934A (en) * | 2016-12-27 | 2018-07-05 | 日本電産株式会社 | Motor life estimation method, motor control system, blower system, and multicopter system |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022091888A1 (en) * | 2020-10-27 | 2022-05-05 | 新明和工業株式会社 | State-monitoring system, state-monitoring device, state-monitoring method, and computer program |
CN116335977A (en) * | 2023-03-31 | 2023-06-27 | 苏州瑞波机械有限公司 | Axial flow fan, control method and storage medium |
CN116335977B (en) * | 2023-03-31 | 2023-12-29 | 苏州瑞波机械有限公司 | Axial flow fan, control method and storage medium |
Also Published As
Publication number | Publication date |
---|---|
JP7349400B2 (en) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7349400B2 (en) | Computer program, blower condition monitoring method, and blower condition monitoring device | |
EP2681496B1 (en) | Spm fault detection and diagnostics algorithm | |
JP4832609B1 (en) | Abnormal sign diagnosis device and abnormality sign diagnosis method | |
JP5820375B2 (en) | Method and apparatus for efficiently adjusting a data center cooling unit | |
US20180247256A1 (en) | Inventory management system having functions of performing inventory management and preventive maintenance | |
US10519960B2 (en) | Fan failure detection and reporting | |
US10691528B1 (en) | Automatic repair of computing devices in a data center | |
CN114109832B (en) | Information processing apparatus | |
JP7036697B2 (en) | Monitoring system and monitoring method | |
JP5480440B1 (en) | Abnormal sign diagnostic apparatus and abnormal sign diagnostic method | |
JP5722720B2 (en) | Sensor node, device monitoring system, and low battery level notification method | |
CN105466707B (en) | Method, system and computer program for fault detection in a machine | |
CN111287951B (en) | Detection device, detection method, and computer-readable non-transitory storage medium | |
JP5287841B2 (en) | Fan control device, fan control method, and fan control program | |
CN106574614A (en) | Compressor | |
JP2021189796A (en) | Information processor, information processing method, and computer program | |
WO2019124367A1 (en) | Unit space generating device, plant diagnosing system, unit space generating method, plant diagnosing method, and program | |
JP2020051718A (en) | Humidifying device | |
JP2021163158A (en) | Computer program, method of generating learning model, state monitoring method for gas filter, and state monitoring device for gas filter | |
JP7499347B2 (en) | Condition monitoring system, condition monitoring device, condition monitoring method, and computer program | |
JPWO2019043861A1 (en) | Monitoring device, monitoring method, program | |
TW202212703A (en) | Pump monitoring apparatus, vacuum pump, pump monitoring method, and storage medium storing pump monitoring program | |
JP7229018B2 (en) | Unsoundness prediction device, unsoundness prediction method, program, and computer-readable recording medium | |
JP7137592B2 (en) | Deterioration diagnosis system, deterioration diagnosis device and deterioration diagnosis program | |
WO2024047996A1 (en) | Prediction system, prediction method, and program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221013 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230530 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230613 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230808 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230905 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230911 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7349400 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |