JP2023116377A - Failure predication device and failure predication method - Google Patents
Failure predication device and failure predication method Download PDFInfo
- Publication number
- JP2023116377A JP2023116377A JP2022141772A JP2022141772A JP2023116377A JP 2023116377 A JP2023116377 A JP 2023116377A JP 2022141772 A JP2022141772 A JP 2022141772A JP 2022141772 A JP2022141772 A JP 2022141772A JP 2023116377 A JP2023116377 A JP 2023116377A
- Authority
- JP
- Japan
- Prior art keywords
- vacuum pump
- abnormality
- failure
- occurrence
- occurrences
- 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
- 238000000034 method Methods 0.000 title claims description 15
- 230000005856 abnormality Effects 0.000 claims abstract description 164
- 230000004931 aggregating effect Effects 0.000 claims abstract description 5
- 238000012545 processing Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 13
- 239000007789 gas Substances 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000000498 cooling water Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 208000002693 Multiple Abnormalities Diseases 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
Images
Landscapes
- Non-Positive Displacement Air Blowers (AREA)
Abstract
Description
本発明は、真空ポンプの故障の発生を予測する異常予測装置、及び、故障の発生を予測する故障予測方法に関する。 The present invention relates to an abnormality prediction device for predicting the occurrence of failure in a vacuum pump and a failure prediction method for predicting the occurrence of failure.
真空ポンプには、ロータをモータにより回転駆動してガスを排気するものがある。この真空ポンプでは、例えば、ロータシャフトの振動、ロータの回転数、モータ電流値、ポンプ温度などを稼働データとしてロギングし、稼働データに異常が見られればウォーニングやアラームを発報している（例えば、特許文献１を参照）。これにより、真空ポンプにおいて発生している異常を早急に認識することができる。 Some vacuum pumps exhaust gas by driving a rotor to rotate by a motor. In this vacuum pump, for example, the vibration of the rotor shaft, the number of rotations of the rotor, the motor current value, the pump temperature, etc. are logged as operating data, and if an abnormality is found in the operating data, a warning or alarm is issued (for example, , see Patent Document 1). As a result, it is possible to quickly recognize an abnormality occurring in the vacuum pump.
また、真空ポンプでは、例えば、ロータに備わるロータ翼が破損する、真空ポンプが起動できないなどの故障が発生することがある。従来、これらの故障の多くは、上記の稼働データからは発生の予測が難しいと考えられていた。なぜなら、稼働データは、センサ等の測定結果に過ぎず、故障の発生を把握可能な状態で出力されていないからである。このように、従来、故障の多くは予兆なく発生し、故障の予兆を事前に把握することができないと考えられていた。この結果、故障に対して事前に対応することが難しかった。 Further, in the vacuum pump, failures such as breakage of rotor blades provided in the rotor and inability to start the vacuum pump may occur. Conventionally, many of these failures were thought to be difficult to predict based on the above operating data. This is because the operating data is merely the result of measurement by a sensor or the like, and is not output in a state in which the occurrence of a failure can be grasped. As described above, it was conventionally believed that many failures occurred without warning signs, and that signs of failure could not be grasped in advance. As a result, it has been difficult to deal with failures in advance.
本発明の一態様に係る故障予測装置は、ロータをモータにより回転駆動してガスを排気する真空ポンプの故障を予測する装置である。故障予測装置は、記憶部と、制御部と、を備える。制御部は、真空ポンプで発生した異常の履歴を表す異常発生履歴を、複数の真空ポンプから取得し、異常発生履歴を集計することで、真空ポンプで発生した異常の種類毎の発生回数を表す発生回数情報を生成し、発生回数情報に基づいて、複数の真空ポンプについて異常の発生状態を相対比較可能な分類データを生成して記憶部に記憶する。 A failure prediction device according to one aspect of the present invention is a device that predicts failure of a vacuum pump that rotates a rotor by a motor and exhausts gas. A failure prediction device includes a storage unit and a control unit. The control unit acquires anomaly occurrence histories representing a history of anomalies that have occurred in the vacuum pumps from a plurality of vacuum pumps, and aggregates the anomaly occurrence histories to indicate the number of occurrences of each type of anomalies that have occurred in the vacuum pumps. Occurrence frequency information is generated, and based on the occurrence frequency information, classification data that enables relative comparison of abnormality occurrence states for a plurality of vacuum pumps is generated and stored in a storage unit.
上記の故障予測装置では、複数の真空ポンプについて異常の発生状態を相対比較可能な分類データを生成している。これにより、異常の発生状態を複数の真空ポンプについて相対比較して、いずれの真空ポンプにおいて故障する予兆が見られるかを、異常が発生しているが故障には至っていない段階で把握することができる。その結果、例えば、故障の予兆が見られる真空ポンプに対して、真空ポンプの修理等の対応を事前にとることができる。また、上記の分類データから、真空ポンプが適切に使用されているか否かを判定できる。 The above-described failure prediction apparatus generates classification data that enables relative comparison of failure occurrence states for a plurality of vacuum pumps. As a result, it is possible to relatively compare the states of occurrence of abnormalities for a plurality of vacuum pumps, and to grasp which vacuum pumps have signs of failure at a stage where an abnormality has occurred but has not yet resulted in failure. can. As a result, for example, for a vacuum pump showing a sign of failure, countermeasures such as repair of the vacuum pump can be taken in advance. Also, from the above classification data, it can be determined whether the vacuum pump is being used appropriately.
＜真空ポンプシステム＞
以下、真空ポンプ１が故障する可能性を予測する故障予測装置１０を説明する。まず、図１を用いて、故障予測装置１０を備える真空ポンプシステム１００を説明する。図１は、真空ポンプシステム１００の構成を示す図である。真空ポンプシステム１００は、例えば、プロセスチャンバー（図示せず）内で各種プロセスを実行することで、半導体素子等を製造する半導体工場に設けられる。真空ポンプシステム１００は、複数の真空ポンプ１と、故障予測装置１０と、を備える。
<Vacuum pump system>
A
複数の真空ポンプ１は、プロセスチャンバーなどの排気対象の真空排気を行う。なお、真空ポンプシステム１００において、１つの排気対象が１台の真空ポンプ１で真空排気されてもよいし、１つの排気対象が複数の真空ポンプ１のうちのいくつかの真空ポンプ１で真空排気されてもよい。
A plurality of
故障予測装置１０は、ネットワークＮを介して、複数の真空ポンプ１に接続され、複数の真空ポンプ１のいずれかが故障する可能性を予測する。故障予測装置１０は、複数の真空ポンプ１のそれぞれから、各真空ポンプ１で発生した異常の発生履歴（以下、異常発生履歴ＨＩＳと呼ぶ）を取得し、取得した異常発生履歴ＨＩＳに基づいて、複数の真空ポンプ１を、異常の発生状態が類似しているグループ毎に分類する。故障予測装置１０は、この分類結果に基づいて、複数の真空ポンプ１のいずれかが故障する可能性を予測する。
A
故障予測装置１０は、ＣＰＵ、記憶装置（ＲＡＭ、ＲＯＭ、ＨＤＤ、ＳＳＤなど）、通信インタフェースなどの各種インタフェースにて構成されたコンピュータシステムである。故障予測装置１０は、例えば、パーソナルコンピュータ、タブレット端末、携帯端末である。その他、故障予測装置１０は、例えば、クラウドサーバなどのサーバであってもよい。ネットワークＮは、例えば、無線ＬＡＮ、有線ＬＡＮ、ＷＡＮなどのネットワーク回線、真空ポンプ１に備わる独自の通信線などである。
The
ここで、真空ポンプ１で発生する「異常」とは、真空ポンプ１に設けられたセンサの測定値が、通常の値からはずれていることを意味する。一方、真空ポンプ１の「故障」とは、真空ポンプ１の部品（の一部）が破損等することで真空ポンプ１が動作しない状態となることを意味する。
Here, "abnormality" occurring in the
＜真空ポンプ＞
図２を用いて、真空ポンプシステム１００に備わる真空ポンプ１を説明する。図２は、真空ポンプ１の構成を示す図である。真空ポンプ１は、ハウジング２と、ベース３と、ロータ４と、ステータ５と、ポンプ制御装置６と、を含む。
<Vacuum pump>
The
ハウジング２は、第１端部１１と、第２端部１２と、第１内部空間ＳＰ１とを含む。第１端部１１には吸気口１３が設けられている。第１端部１１は、排気対象（図示せず）に取り付けられる。第１内部空間ＳＰ１は、吸気口１３に連通している。第２端部１２は、ロータ４の軸線Ａ１の延長方向において、第１端部１１の反対に位置している。第２端部１２は、ベース３に接続される。ベース３は、ベース端部１４を含む。ベース端部１４は、ハウジング２の第２端部１２に接続される。
The
ロータ４は、シャフト２１に接続されている。シャフト２１は、軸線Ａ１の延長方向に延びている。シャフト２１は、ベース３に回転可能に収納されている。ロータ４は、複数段のロータ翼２２と、ロータ円筒部２３と、を含む。複数段のロータ翼２２は、それぞれシャフト２１に接続されている。複数のロータ翼２２は、軸線Ａ１の延長方向に互いに間隔をおいて配置されている。図示を省略するが、複数段のロータ翼２２は、それぞれシャフト２１を中心として放射状に延びている。なお、図面においては、複数段のロータ翼２２の１つのみに符号が付されており、他のロータ翼２２の符号は省略されている。ロータ円筒部２３は、複数段のロータ翼２２の下方に配置されている。ロータ円筒部２３は、軸線Ａ１の延長方向に延びている。
ステータ５は、複数段のステータ翼３１と、ステータ円筒部３２と、を含む。複数段のステータ翼３１は、ハウジング２の内面に接続されている。複数段のステータ翼３１は、軸線Ａ１の延長方向において、互いに間隔をおいて配置されている。複数段のステータ翼３１は、それぞれ複数段のロータ翼２２の間に配置されている。図示を省略するが、複数段のステータ翼３１は、それぞれシャフト２１を中心として放射状に延びている。なお、図面においては、複数段のステータ翼３１の２つのみに符号が付されており、他のステータ翼３１の符号は省略されている。ステータ円筒部３２は、ベース３に熱的に接触した状態で固定されている。ステータ円筒部３２は、ロータ円筒部２３の径方向において、わずかな隙間を空けてロータ円筒部２３と向かい合って配置されている。ステータ円筒部３２の内周面には、らせん状溝が設けられている。
The
図２に示すように、ロータ円筒部２３とステータ円筒部３２の排気下流側の端部のさらに下流側には、第２内部空間ＳＰ２が形成されている。第２内部空間ＳＰ２には、取付対象から排気されたガスが排気される。第２内部空間ＳＰ２は、排気口１６に連通している。排気口１６は、ベース３に設けられる。排気口１６には、他の真空ポンプ（図示せず）が接続される。
As shown in FIG. 2, a second internal space SP2 is formed further downstream of the ends of the rotor
ポンプ制御装置６は、ベース３の下部に設けられた筐体３３の内部に収納され、真空ポンプ１を制御する。また、ポンプ制御装置６は、後述する変位センサ４４Ａ～４４Ｃにて測定されたシャフト２１の浮上位置、電流値測定装置にて測定されたモータ４２に供給される電流値、回転数センサ４３にて測定されたロータ４の回転数が正常値の範囲にない場合に、真空ポンプ１にて異常が発生したことを通知するアラーム又はウォーニングを発報する。ポンプ制御装置６は、ＣＰＵ、ＲＯＭなどの記憶装置、各種インタフェース等を備えるコンピュータシステムである。
The
真空ポンプ１は、複数の軸受４１Ａ～４１Ｅと、モータ４２と、回転数センサ４３を含む。複数の軸受４１Ａ～４１Ｅは、ベース３のシャフト２１を収納した位置に取り付けられている。複数の軸受４１Ａ～４１Ｅは、ロータ４を回転可能に支持する。軸受４１Ａ、４１Ｅは、例えば、ボールベアリングである。一方、他の軸受４１Ｂ～４１Ｄは、磁気軸受である。磁気軸受である軸受４１Ｂ～４１Ｄは、それぞれ、軸受電磁石と変位センサ４４Ａ～４４Ｃ（図３）とを備えおり、変位センサ４４Ａ～４４Ｃによりシャフト２１の浮上位置等が検出される。
The
モータ４２は、ロータ４を回転駆動する。モータ４２は、モータロータ４２Ａとモータステータ４２Ｂとを含む。モータロータ４２Ａは、シャフト２１に取り付けられている。モータステータ４２Ｂは、ベース３に取り付けられている。モータステータ４２Ｂは、モータロータ４２Ａと向かい合って配置されている。モータ４２には、モータ４２に供給される電流値を測定するモータ電流測定装置４５（図３）が接続されている。回転数センサ４３は、シャフト２１（すなわち、ロータ４）の回転数を測定する。
The
ベース３の外壁には、ベース３の温度を制御するためのヒータ５１および不図示の冷却水配管が設けられている。ベース３の温度は温度センサ５２によって検出される。温度センサ５２によって検出された温度に基づいて、ヒータ５１によるベース３の加熱と冷却水配管を流れる冷却水による冷却とのバランスにより、ベース３の温度が制御される。また、ヒータ５１には、ヒータ５１に供給される電流を測定するヒータ電流測定装置５３（図３）が接続されている。
A
真空ポンプ１では、複数段のロータ翼２２と複数段のステータ翼３１とは、ターボ分子ポンプ部を構成する。また、ロータ円筒部２３とステータ円筒部３２とは、ネジ溝ポンプ部を構成する。真空ポンプ１では、モータ４２によってロータ４が回転することで、吸気口１３から第１内部空間ＳＰ１へガスが流入する。第１内部空間ＳＰ１のガスは、ターボ分子ポンプ部とネジ溝ポンプ部を通過して、第２内部空間ＳＰ２に排気される。第２内部空間ＳＰ２のガスは、排気口１６から排気される。この結果、吸気口１３に取り付けられた取付対象の内部が、高真空状態となる。
In the
＜ポンプ制御装置の構成＞
図３を用いて、ポンプ制御装置６の構成を説明する。図３は、ポンプ制御装置６の構成を示す図である。ポンプ制御装置６は、記憶部６１と、ポンプ制御部６２と、を有する。記憶部６１は、ポンプ制御装置６を構成する記憶装置に設けられた記憶領域の一部又は全部である。記憶部６１は、真空ポンプ１に関する各種パラメータ、真空ポンプ１を制御するためのプログラム等を記憶する。具体的には、記憶部６１は、異常発報条件ＣＯＮを記憶している。異常発報条件ＣＯＮは、真空ポンプ１にて発生した異常を発報する条件を定める。具体的には、異常発報条件ＣＯＮは、以下の異常を発報することを定める。
<Configuration of pump controller>
The configuration of the
異常発報条件ＣＯＮは、回転数センサ４３にて測定されたロータ４の回転数が所定の回転数以下となったときに、ロータ４の回転数の異常を発報することを定める。この回転数の異常は、真空ポンプ１の負荷に関する異常であり、真空ポンプ１が過負荷状態であることを示している。「過負荷状態」とは、ロータ４を決められた回転数まで回転するために必要なモータ４２のトルクが通常よりも過大となっている状態を意味する。真空ポンプ１が過負荷状態であることは、例えば、真空ポンプ１の内部に生成物が多く堆積している状態であることを示している。この状態が長期間継続すると、堆積した生成物が真空ポンプ１のロータ翼２２に接触してロータ翼２２を破損する故障が発生する可能性がある。
The abnormality notification condition CON defines that an abnormality in the rotation speed of the
異常発報条件ＣＯＮは、変位センサ４４Ａ～４４Ｃにて測定されたシャフト２１の位置が所定の変動幅以上で変動しているとき、又は、シャフト２１の位置が軸線Ａ１から所定の範囲でずれているときに、シャフト２１（ロータ４）の位置の異常を発報することを定める。シャフト２１の位置の異常は、真空ポンプ１の振動に関する異常であり、真空ポンプ１が振動している状態であることを意味する。真空ポンプ１に振動が生じている場合、例えば、真空ポンプ１のロータ翼２２が他の部品（例えば、ステータ翼３１）などに接触する可能性がある。この結果、真空ポンプ１に振動が生じていると、ロータ翼２２（及びステータ翼３１）が破損する可能性がある。
The abnormality notification condition CON is when the position of the
異常発報条件ＣＯＮは、モータ電流測定装置４５にて測定されたモータ４２の電流値が所定の値以上となったときに、モータ４２の電流の異常を発報することを定める。このモータ４２の電流の異常は、モータ４２が過大なトルクを発生した状態で動作していることを示している。すなわち、モータ４２の電流の異常は、真空ポンプ１の負荷に関する異常であり、真空ポンプ１が過負荷状態であることを示している。
The abnormality notification condition CON defines that an abnormality in the current of the
異常発報条件ＣＯＮは、温度センサ５２にて測定されたベース３の温度が所定の温度以下であり、及び／又は、ヒータ電流測定装置５３にて測定されたヒータ５１の電流値が所定の値以下であるときに、真空ポンプ１の温度に関する異常を発報する。真空ポンプ１の温度に関する異常は、真空ポンプ１の温度調節が適切にできていない状態を示している。真空ポンプ１の温度調節が適切にできていないと、真空ポンプ１の内部に生成物が堆積し、この生成物がロータ翼２２に接触してロータ翼２２が破損する可能性がある。温度に関する異常は、例えば、ヒータ５１の断線、ヒータ５１の接続忘れ、温度センサ５２の故障などに起因することが多い。
The abnormality notification condition CON is that the temperature of the
ポンプ制御部６２は、ポンプ制御装置６を構成するＣＰＵと各種インタフェースにより構成されるハードウェア部分であり、真空ポンプ１の制御を実行する。ポンプ制御部６２は、真空ポンプ１の制御に関する機能を、記憶部６１に記憶されたプログラムを実行することにより実現する。また、一部の機能は、ポンプ制御部６２に含まれるハードウェアにより実現されてもよい。
＜故障予測装置＞
以下、図４を用いて、故障予測装置１０の構成を説明する。図４は故障予測装置１０の構成を示す図である。故障予測装置１０は、記憶部１０１と、制御部１０２と、を有する。記憶部１０１は、故障予測装置１０を構成する記憶装置に設けられた記憶領域の一部又は全部である。記憶部１０１は、故障予測のための情報及びデータ、制御部１０２を動作させるためのプログラム等を記憶する。
The pump control unit 62 is a hardware part configured by a CPU and various interfaces that constitute the
<Failure prediction device>
The configuration of the
制御部１０２は、故障予測装置１０を構成するＣＰＵと各種インタフェースにより構成されるハードウェア部分であり、真空ポンプ１の故障予測に関する機能を実現する。制御部１０２は、真空ポンプ１の故障予測に関する機能を、記憶部１０１に記憶されたプログラムを実行することにより実現する。また、一部の機能は、制御部１０２に含まれるハードウェアにより実現されてもよい。
The control unit 102 is a hardware part configured by a CPU and various interfaces that constitute the
＜異常発報動作＞
以下、図５を用いて、真空ポンプ１の異常の発報動作を説明する。図５は、異常発報動作を示すフローチャートである。この異常発報動作は、真空ポンプシステム１００に含まれる各真空ポンプ１のポンプ制御装置６で実行される。
<Error alarm operation>
Hereinafter, the operation of notifying the abnormality of the
真空ポンプ１が起動されると、ポンプ制御部６２が、回転数センサ４３にて測定されたロータ４の回転数、変位センサ４４Ａ～４４Ｃにて測定されたシャフト２１の位置、モータ電流測定装置４５にて測定されたモータ４２の電流値、温度センサ５２にて測定されたベース３の温度、及び、ヒータ電流測定装置５３にて測定されたヒータ５１の電流値、を取得する（ステップＳ１）。
When the
次に、ポンプ制御部６２が、ステップＳ１で取得したロータ４の回転数、シャフト２１の位置、モータ４２の電流値、ベース３の温度、及びヒータ５１の電流値と、異常発報条件ＣＯＮに示された異常発報の条件となる各測定値と、を比較する（ステップＳ２）。この比較の結果、上記のいずれかのセンサの測定値が、異常発報条件ＣＯＮに示された異常発報の条件となる測定値と一致するか、又は、異常発報の条件となる測定値の範囲内に含まれている場合（ステップＳ２で「Ｙｅｓ」）、ポンプ制御部６２は、異常発報の条件と合致する測定値を示している項目（ロータ４の回転数、シャフト２１の振動、モータ４２の電流値、ベース３の温度、ヒータ５１の電流値）に関する異常を発報する（ステップＳ３）。その後、ポンプ制御部６２は、発報した異常を、異常発生履歴ＨＩＳに記憶する（ステップＳ４）。異常の発報と異常発生履歴ＨＩＳの記録を行った後、ポンプ制御部６２は、真空ポンプ１の動作中に、上記のステップＳ１～Ｓ４を所定の周期で繰り返し実行する。
Next, the pump control unit 62 sets the rotational speed of the
上記のステップＳ１～Ｓ４を実行することにより、ポンプ制御部６２は、例えば、図６に示すような異常発生履歴ＨＩＳを生成できる。異常発生履歴ＨＩＳは、真空ポンプ１でいつどのような異常が発報されたかを表すデータである。異常発生履歴ＨＩＳは、例えば、異常の発報日時を表す時刻情報ＴＩと、時刻情報ＴＩの各時刻に発報した異常の種類を表す種類情報ＫＩと、が互いに関連付けられたデータである。種類情報ＫＩに含まれる「ＶＩＢＲ．ＷＡＲＮ」は、真空ポンプ１に小さな振動が見られていることを示すウォーニングである。「ＶＩＢＲＡＴＩＯＮ」は、真空ポンプ１に比較的大きな振動が見られていることを示すアラームである。「ＳＥＮＳＯＲ ＥＲＲＯＲ」は、温度センサ５２の測定値が異常であることを示すアラームである。「Ｒ．ＳＰＥＥＤ ＥＲＲＯＲ」は、ロータ４の回転数が異常であることを示すアラームである。「ＯＶＥＲＣＵＲＲＥＮＴ」は、モータ４２の電流が過大であることを示すアラームである。図６は、異常発生履歴ＨＩＳの一例を示す図である。
By executing the above steps S1 to S4, the pump control unit 62 can generate an abnormality occurrence history HIS as shown in FIG. 6, for example. The abnormality occurrence history HIS is data representing when and what kind of abnormality was reported in the
一方、ステップＳ２の比較の結果、上記のセンサの測定値のいずれもが、異常発報の条件となる測定値と一致しないか又は測定値の範囲内に含まれない場合（ステップＳ２で「Ｎｏ」）、異常発報動作はステップＳ１に戻る。 On the other hand, as a result of the comparison in step S2, if none of the measured values of the above sensors match the measured value that is the condition for issuing an anomaly or is not within the range of measured values ("No" in step S2). ”), and the abnormality reporting operation returns to step S1.
＜真空ポンプの故障予測動作＞
次に、図７を用いて、故障予測装置１０において実行される真空ポンプ１の故障予測動作を説明する。図７は、真空ポンプ１の故障予測動作を示すフローチャートである。
<Failure prediction operation of the vacuum pump>
Next, the failure prediction operation of the
まず、故障予測装置１０の制御部１０２が、各真空ポンプ１のポンプ制御装置６で生成された異常発生履歴ＨＩＳを取得し、記憶部１０１に記憶する（ステップＳ１１）。制御部１０２は、取得した異常発生履歴ＨＩＳに、当該異常発生履歴ＨＩＳを生成した真空ポンプ１の識別子（例えば、真空ポンプ１の識別番号）を関連付ける。これにより、記憶部１０１に記憶された異常発生履歴ＨＩＳが、いずれの真空ポンプ１から出力されたものであるかを認識できる。
First, the control unit 102 of the
以下の説明では、ステップＳ１１を実行することで、例えば、各真空ポンプ１から、図８Ａ～図８Ｅに示すような異常発生履歴ＨＩＳが取得されたと仮定する。図８Ａの異常発生履歴ＨＩＳは、「真空ポンプ＃１」との識別子を有する真空ポンプ１から取得されたと仮定する。図８Ｂの異常発生履歴ＨＩＳは、「真空ポンプ＃２」との識別子を有する真空ポンプ１から取得されたと仮定する。図８Ｃの異常発生履歴ＨＩＳは、「真空ポンプ＃３」との識別子を有する真空ポンプ１から取得されたと仮定する。図８Ｄの異常発生履歴ＨＩＳは、「真空ポンプ＃４」との識別子を有する真空ポンプ１から取得されたと仮定する。図８Ｅの異常発生履歴ＨＩＳは、「真空ポンプ＃５」との識別子を有する真空ポンプ１から取得されたと仮定する。図８Ａ～図８Ｅは、各真空ポンプ１から取得された異常発生履歴ＨＩＳの一例を示す図である。
In the following description, it is assumed that, for example, the abnormality occurrence history HIS as shown in FIGS. 8A to 8E is obtained from each
次に、制御部１０２が、記憶部１０１に記憶された異常発生履歴ＨＩＳを集計して、真空ポンプ１で発生した異常の種類毎の発生回数を表す発生回数情報ＣＩを生成し、記憶部１０１に記憶する（ステップＳ１２）。具体的には、制御部１０２は、例えば、真空ポンプ１の異常発生履歴ＨＩＳに含まれる異常の種類毎の発生回数を計数し、各異常の発生回数と真空ポンプ１の識別子とを関連付けて、図９に示すような発生回数情報ＣＩを生成する。図９は、発生回数情報ＣＩの一例を示す図である。図９に示す発生回数情報ＣＩは、図８Ａ～図８Ｅに示す５つの異常発生履歴ＨＩＳを集計して生成された発生回数情報ＣＩである。
Next, the control unit 102 aggregates the abnormality occurrence history HIS stored in the storage unit 101, generates occurrence number information CI representing the number of occurrences of each type of abnormality that has occurred in the
発生回数情報ＣＩを生成後、制御部１０２が、ステップＳ１２で生成した発生回数情報ＣＩに基づいて、分類データＣＤを生成して、記憶部１０１に記憶する（ステップＳ１３）。分類データＣＤは、複数の真空ポンプ１について異常の発生状態を相対比較可能なデータである。本実施形態では、制御部１０２は、複数の真空ポンプ１を、異常の発生状態が類似しているグループ毎にグループ分けしたデータを分類データＣＤとして生成し、記憶部１０１に記憶する。制御部１０２は、発生回数情報ＣＩに含まれる異常の種類毎の発生回数を説明変数として、教師なし学習によるクラスタリング処理を実行することで、複数の真空ポンプ１をグループ分けして分類データＣＤを生成する。
After generating the occurrence frequency information CI, the control unit 102 generates classification data CD based on the occurrence frequency information CI generated in step S12, and stores it in the storage unit 101 (step S13). The classification data CD is data that allows relative comparison of the occurrence states of abnormalities of the plurality of
クラスタリングにより、複数の真空ポンプ１を異常の発生状態が類似しているグループ毎に適切にグループ分けするために、制御部１０２は、クラスタリングを実行する前に、発生回数情報ＣＩに含まれる発生回数に対して標準化処理を実行する。具体的には、例えば、同一種類の異常の発生回数を、実際の発生回数と発生回数の平均値の差を発生回数の標準偏差で割った値に変換することで、標準化を行う。この標準化により、異常の発生回数の平均値と標準偏差を異常の種類によらず同じ値とできるので、複数の真空ポンプ１を、「異常の発生回数が多い／少ない」ではなく、「異常が発生しているか否か」を基準としてグループ分けできる。この結果、複数の真空ポンプ１を、異常の発生状態が類似しているか否かにより正確にグループ分けできる。
In order to appropriately group the plurality of
上記のステップＳ１３を実行することで、制御部１０２は、例えば、図１０に示すような分類データＣＤを生成できる。図１０は、分類データＣＤの一例を示す図である。図１０に示す分類データＣＤは、図９に示す発生回数情報ＣＩに基づいて生成されたものである。図１０に示す分類データＣＤにおいて、「グループ１」は、「ＶＩＢＲ．ＷＡＲＮ」とのウォーニングの発生が顕著である真空ポンプ１が属するグループである。「グループ２」は、「ＶＩＢＲＡＴＩＯＮ」とのアラームの発生が顕著である真空ポンプ１が属するグループである。「グループ３」は、「ＯＶＥＲＣＵＲＲＥＮＴ」とのアラームの発生が顕著である真空ポンプ１が属するグループである。「グループ４」は、「ＳＥＮＳＯＲ ＥＲＲＯＲ」とのアラームの発生が顕著である真空ポンプ１が属するグループである。
By executing step S13 above, the control unit 102 can generate, for example, the classification data CD as shown in FIG. FIG. 10 is a diagram showing an example of classification data CD. The classification data CD shown in FIG. 10 is generated based on the occurrence frequency information CI shown in FIG. In the classification data CD shown in FIG. 10, "
なお、分類データＣＤにおいては、複数の異なる種類の異常の発生傾向が類似しているグループが生成されることがある。このグループに属する真空ポンプ１は、例えば、複数の異常が発生しており、複数の要因で故障する可能性があると判断できる。このように、上記のクラスタリングでは、複数の異常が同時に発生している真空ポンプ１をグループ分けすることができ、複数の要因で故障する可能性があることを予測できる。
Note that in the classification data CD, groups having similar occurrence tendencies of a plurality of different types of abnormalities may be generated.
分類データＣＤを生成後、制御部１０２は、記憶部１０１に記憶された分類データＣＤに基づいて、複数の真空ポンプ１のいずれかが故障する可能性を予測する。分類データＣＤを用いた故障の可能性の予測は、例えば、「異常の発生状態がどのような状態のときに故障が発生する可能性が高いか」との知見に基づいて、行うことができる。具体的には、制御部１０２は、故障予測の対象である真空ポンプ１が分類データＣＤのいずれのグループに属するかにより、当該真空ポンプ１が故障する可能性を予測できる。
After generating the classification data CD, the control unit 102 predicts the possibility of failure of any of the plurality of
例えば、制御部１０２は、図１０に示す分類データＣＤのグループ２（「ＶＩＢＲＡＴＩＯＮ」の発生が顕著であるグループ）に属する真空ポンプ１は、振動が大きく、故障が発生する可能性があると予測できる。グループ３（「ＯＶＥＲＣＵＲＲＥＮＴ」の発生が顕著であるグループ）に属する真空ポンプ１は、過負荷状態で動作しており、故障が発生する可能性があると予測できる。グループ４（「ＳＥＮＳＯＲ ＥＲＲＯＲ」の発生が顕著であるグループ）に属する真空ポンプ１は、真空ポンプ１の温度に関する異常があり生成物が堆積しやすい状態となっているため、故障が発生する可能性があると予測できる。また、制御部１０２は、グループ１（「ＶＩＢＲ． ＷＡＲＮ」の発生が顕著であるグループ）に属する真空ポンプ１は、振動が見られるもののその大きさは小さく、故障が発生する可能性はまだ低いと予測できる。
For example, the control unit 102 predicts that the
さらに、制御部１０２は、分類データＣＤに基づいて、使用状態が適切でない真空ポンプ１を特定できる。例えば、分類データＣＤ中の特定のグループに属する真空ポンプ１において、ヒータ５１などの温調装置が適切に接続されていないとの異常の発生が顕著である場合、当該特定のグループに属する真空ポンプ１は、ヒータ５１により温度が調整されていない状態で使用されており、故障する可能性があると予測できる。
Furthermore, the control unit 102 can identify the
上記のように真空ポンプ１が故障する可能性を予測した後、制御部１０２は、上記の予測結果を通知する。例えば、特定の真空ポンプ１が故障する可能性があると判断した場合、制御部１０２は、例えば、その真空ポンプ１で故障が発生する可能性がある旨の警報を出力できる。例えば、故障予測装置１０から音を発する、故障予測装置１０に備わる表示装置（図示せず）に、真空ポンプ１で故障が発生する旨を表示するなどして警報を出力できる。このように、故障の可能性がある真空ポンプ１を故障の発生前に事前に予測できることにより、その故障に対して修理等の対応をとることをユーザに促すことができる。
After estimating the possibility of failure of the
＜真空ポンプの他の故障予測方法１＞
上記では、分類データＣＤを用いて真空ポンプ１の故障の可能性を予測していたが、これに限られず、他の方法によっても故障の可能性を予測できる。制御部１０２は、特定の真空ポンプ１の異常発生履歴ＨＩＳを入力したときに、当該真空ポンプ１が故障する可能性についての判定結果を出力する学習モデルを用いて、当該真空ポンプ１が故障する可能性があるか否かを予測できる。学習モデルは、例えば、真空ポンプ１の異常発生履歴ＨＩＳが入力される入力層と、この真空ポンプ１が故障する可能性についての判定結果を出力する出力層と、を有するニューラルネットワークである。このニューラルネットワークは、入力層と出力層との間に中間層を有してもよい。また、ニューラルネットワークは、記憶部１０１に記憶され制御部１０２にて実行可能なプログラムにより実現されてもよいし、制御部１０２の一部であるハードウェアにより実現されてもよい。
<Other
In the above description, the classification data CD is used to predict the possibility of failure of the
なお、出力層は、故障が発生する確率を判定結果として出力してもよい。これにより、学習モデルは、故障が発生する可能性があるか否かだけでなく、故障の発生確率を表す判定結果も出力できる。また、出力層は、故障の種類に応じて複数の出力を有してもよい。この場合、学習モデルは、真空ポンプ１で発生する可能性がある故障の種類を特定でき、また、どの故障がどの程度の確率で発生しうるかを判定結果として出力できる。
Note that the output layer may output the probability of occurrence of failure as the determination result. As a result, the learning model can output not only whether or not there is a possibility that a failure will occur, but also the determination result that indicates the probability of failure occurrence. Also, the output layer may have multiple outputs depending on the type of fault. In this case, the learning model can identify the types of failures that may occur in the
学習モデルを用いて真空ポンプ１の故障の可能性を予測する場合、学習モデルは、分類データＣＤ中の特定のグループに含まれる真空ポンプ１の過去の異常発生履歴ＨＩＳと、当該真空ポンプ１が故障する可能性についての判定結果と、を教師データとして用いて学習される。
When predicting the possibility of failure of the
具体的には、例えば、図１０に示す分類データＣＤの「グループ２」に属する真空ポンプ１の過去の異常発生履歴ＨＩＳと、真空ポンプ１の振動が大きく故障が発生する可能性が高いとの判定結果と、を教師データとして学習モデルを学習する。このようにして学習された学習モデルは、例えば、「ＶＩＢＲＡＴＩＯＮ」とのアラームの発生が顕著な異常発生履歴ＨＩＳを入力すると、当該異常発生履歴ＨＩＳを出力した真空ポンプ１は振動により故障する可能性が高いとの判定結果を出力できる。
Specifically, for example, the past abnormality occurrence history HIS of the
また、上記の教師データに加えて、例えば、図１０に示す分類データＣＤの「グループ１」に属する真空ポンプ１の過去の異常発生履歴ＨＩＳと、真空ポンプ１の振動が小さく故障が発生する可能性が低いとの判定結果と、を教師データとして用いてさらに学習させることにより、学習モデルは、例えば、「ＶＩＢＲ．ＷＡＲＮ．」とのウォーニングの発生が顕著な異常発生履歴ＨＩＳを入力すると、当該異常発生履歴ＨＩＳを出力した真空ポンプ１は振動が小さく故障する可能性が低いとの判定結果も出力できる。
In addition to the above teaching data, for example, the past abnormality occurrence history HIS of the
同様に、他のグループに属する真空ポンプ１の過去の異常発生履歴ＨＩＳと、当該真空ポンプ１が故障する可能性についての情報と、を教師データとしてさらに学習させることにより、学習モデルは、他の異常（ウォーニング、アラーム）の発生が顕著である異常発生履歴ＨＩＳを入力したときに、当該異常発生履歴ＨＩＳを出力した真空ポンプ１が故障する可能性が高いか否かの判定結果も出力できる。
Similarly, by further learning the past abnormality occurrence history HIS of the
さらに、真空ポンプ１の故障予測を行う上記の学習モデルは、その学習が進むと、異常発生履歴ＨＩＳに内在する未知の特徴的な異常の発生傾向から、真空ポンプ１が故障する可能性が高いか否かの判定結果も出力できる。
Furthermore, as the learning model for predicting the failure of the
＜真空ポンプの他の故障予測方法２＞
その他、制御部１０２は、真空ポンプ１の稼働時間が所定の時間以上であるか否か、及び、当該真空ポンプ１における特定の異常の発生回数が所定の回数以上であるか否かに基づいて、当該真空ポンプ１が故障する可能性を判定することもできる。真空ポンプ１においてどの異常が何回以上発生したら故障する可能性があるかは、上記の分類データＣＤを参照し、どのグループに属する真空ポンプ１で故障が発生し、そのグループに属する真空ポンプ１において特定の異常が何回発生しているかを特定することで決定できる。
<Other
In addition, based on whether the operation time of the
＜分類データの他の実施形態＞
上記実施形態では、制御部１０２は、真空ポンプ１の故障の可能性や使用状態の予測に用いる分類データとして、複数の真空ポンプ１を、異常の発生状態が類似しているグループ毎にグループ分けしたデータを生成していた。分類データは、複数の真空ポンプ１について異常の発生状態を相対比較できるデータであれば、他の形態のデータであってもよい。
<Another Embodiment of Classified Data>
In the above-described embodiment, the control unit 102 classifies the plurality of
例えば、制御部１０２は、図１１に示すように、発生回数情報ＣＩに含まれるデータを、異常の種類毎に発生回数の多い順に並べかえたデータを分類データＣＤ’として生成してもよい。図１１は、分類データＣＤ’の他の例を示す図である。なお、図１１に示す分類データＣＤ’は、図９に示す発生回数情報ＣＩに含まれるデータのうち、「ＶＩＢＲ．ＷＡＲＮ」との異常（真空ポンプ１に小さな振動が見られていることを示すウォーニング）について、この異常の発生回数の多い順に並べたデータである。分類データＣＤ’では、各異常の発生回数と真空ポンプ１の識別情報とが関連付けられている。
For example, as shown in FIG. 11, the control unit 102 may generate classification data CD' by rearranging the data included in the number of occurrences information CI for each type of abnormality in descending order of the number of occurrences. FIG. 11 is a diagram showing another example of classification data CD'. Note that the classification data CD′ shown in FIG. 11 is an abnormality with “VIBR. warning) is arranged in descending order of the number of occurrences of this abnormality. In the classification data CD', the number of occurrences of each abnormality and the identification information of the
「ＶＩＢＲ．ＷＡＲＮ」に関する分類データＣＤ’に限られず、例えば、「ＳＥＮＳＯＲ ＥＲＲＯＲ」（温度センサ５２の測定値が異常であることを示すアラーム）に関する分類データＣＤ’、 モータ４２が過負荷状態であることを示すアラーム（例えば、「ＯＶＥＲＬＯＡＤ」）に関する分類データＣＤ’も、上記と同様に、各異常（ウォーニング、アラーム）の発生回数が多い順にデータを並びかえることで生成できる。
Not limited to classification data CD' related to "VIBR.WARN", for example, classification data CD' related to "SENSOR ERROR" (an alarm indicating that the measured value of the
このような分類データＣＤ’を、例えば、故障予測装置１０に備わる表示装置、故障予測装置１０に接続された携帯端末、パーソナルコンピュータなどに表示させることで、ユーザは、各異常について、複数の真空ポンプ１のうち、いずれの真空ポンプ１の発生回数が他の真空ポンプ１と比較して大きいかを視覚的に認識できる。分類データＣＤ’を確認したユーザは、例えば、他の真空ポンプ１と比較して異常の発生回数が多い真空ポンプ１、つまり、分類データＣＤ’において上位に配置された真空ポンプ１については、当該異常に関連する故障発生の可能性が高いと予測できる。このように、複数の真空ポンプ１の異常の発生状態（発生回数）を相対比較することで、いずれの真空ポンプ１において故障が発生する可能性が高いかを予測できる。
By displaying such classification data CD' on, for example, a display device provided in the
また、制御部１０２は、図１１に示すように、分類データＣＤ’の各データについて異常の発生回数により表示色を異ならせて表示できるよう、分類データＣＤ’を生成する。例えば、分類データＣＤ’の各データを、発生回数が大きいほど濃い色で表示できる。これにより、どの真空ポンプ１において発生回数が多いかを視覚的により認識しやすくなる。例えば、濃い色で表示されている真空ポンプ１については、異常の発生回数が多く、故障の可能性が高いと予測できる。
Further, as shown in FIG. 11, the control unit 102 generates the classification data CD' so that each data of the classification data CD' can be displayed in different display colors depending on the number of occurrences of abnormality. For example, each data of the classification data CD' can be displayed in a darker color as the number of occurrences increases. This makes it easier to visually recognize in which
なお、複数の真空ポンプ１における異常の発生回数を相対比較して故障の可能性を予測する際に、他の真空ポンプ１における異常の発生回数と比較してどの程度発生回数が突出していれば、故障の可能性が高いとするかは、相対比較する異常の種類、真空ポンプシステム１００における真空ポンプ１の使用環境等に応じて、適宜設定できる。例えば、複数の真空ポンプ１における異常の発生回数の平均値よりも所定の値だけ大きい発生回数以上、所定の閾値以上の発生回数を、他の真空ポンプ１と比較して突出した発生回数と判断し、当該発生回数の真空ポンプ１において故障の可能性が高いと判断できる。
When predicting the possibility of failure by relatively comparing the number of occurrences of anomalies in a plurality of
いずれの真空ポンプ１において故障の可能性が高いかを、制御部１０２が自動的に予測することもできる。例えば、故障の可能性が高いと判断する発生回数の基準値（例えば、発生回数の平均値よりも所定の値だけ大きい値、所定の閾値）を異常の種類毎に記憶部１０１に記憶しておき、制御部１０２が、いずれかの異常について上記基準値以上の発生回数を有する真空ポンプ１が存在しているか否かを判断し、存在している場合には、当該真空ポンプ１において故障の可能性が高いと予測できる。
The control unit 102 can also automatically predict which
複数の真空ポンプ１における異常の発生回数を相対比較する分類データとして、制御部１０２は、例えば、図１２に示すような、特定の種類の異常について、各真空ポンプ１の発生回数を棒グラフで表示する分類データＣＤ’’を生成することもできる。図１２は、分類データＣＤ’’のさらに他の例を示す図である。なお、図１２に示す分類データＣＤ’’は、図９に示す発生回数情報ＣＩに含まれるデータのうち「ＶＩＢＲ．ＷＡＲＮ」との異常についての発生回数を、真空ポンプ１毎に棒グラフとして表したデータである。
As classification data for relatively comparing the number of occurrences of anomalies in a plurality of
このような分類データＣＤ’’においては、棒グラフの高さを比較することで、複数の真空ポンプ１における異常の発生回数を相対比較できる。例えば、棒グラフの高さが他の棒グラフよりも高い場合には、当該棒グラフで表されている発生回数が他の発生回数よりも突出しており、当該棒グラフを有する真空ポンプ１において故障の可能性が高いと予測できる。
In such classification data CD″, by comparing the heights of the bar graphs, it is possible to make a relative comparison of the number of occurrences of abnormalities in the plurality of
図１２に示すような分類データＣＤ’’においては、発生回数の最小値（Ｍｉｎ）と、最大値（Ｍａｘ）と、平均値（Ａｖｇ）と、が表示されている。これにより、発生回数の相対比較をしやすくなる。例えば、ある真空ポンプ１における異常の発生回数が、発生回数の平均値と比較してどの程度大きいか（すなわち、平均値からどの程度突出しているか）又はどの程度小さいかを判断しやすくなる。
In the classification data CD'' as shown in FIG. 12, the minimum value (Min), maximum value (Max), and average value (Avg) of the number of occurrences are displayed. This facilitates relative comparison of the number of occurrences. For example, it becomes easier to determine how much the number of occurrences of abnormality in a
以上、本発明の一実施形態について説明したが、本発明は上記実施形態に限定されるものではなく、発明の要旨を逸脱しない範囲で種々の変更が可能である。 Although one embodiment of the present invention has been described above, the present invention is not limited to the above-described embodiment, and various modifications are possible without departing from the gist of the invention.
例えば、発生回数情報ＣＩにおいて、発生回数の数値及び分布が、異常の種類によらず大きく異ならない場合は、クラスタリング前の標準化処理は特に必要でない。 For example, in the occurrence count information CI, if the numerical value and distribution of the occurrence count do not differ significantly regardless of the type of abnormality, the standardization processing before clustering is not particularly necessary.
真空ポンプ１から発生する異常の種類、及び／又は、真空ポンプ１が故障する可能性を予測するために用いる異常の種類は、真空ポンプ１の使用状況等に応じて適宜変更できる。
The type of abnormality generated by the
同一種類の異常について、センサの取り付け位置等に応じて複数の異常（ウォーニング、アラーム）を発報してもよい。 For the same type of abnormality, a plurality of abnormalities (warnings, alarms) may be issued according to the mounting position of the sensor or the like.
上記の実施形態に係る真空ポンプ１において、ターボ分子ポンプ部は省略されてもよい。すなわち、真空ポンプ１は、ネジ溝ポンプであってもよい。
In the
上述した複数の例示的な実施形態は、以下の態様の具体例であることが当業者により理解される。 It will be appreciated by those skilled in the art that the multiple exemplary embodiments described above are specific examples of the following aspects.
（第１態様）故障予測装置は、ロータをモータにより回転駆動してガスを排気する複数の真空ポンプの故障を予測する装置である。故障予測装置は、記憶部と、制御部と、を備える。制御部は、真空ポンプで発生した異常の履歴を表す異常発生履歴を、複数の真空ポンプから取得し、異常発生履歴を集計することで、真空ポンプで発生した異常の種類毎の発生回数を表す発生回数情報を生成し、発生回数情報に基づいて、複数の真空ポンプについて異常の発生状態を相対比較可能な分類データを生成して記憶部に記憶する。 (First Aspect) A failure prediction device is a device that predicts failures of a plurality of vacuum pumps that exhaust gas by rotating a rotor with a motor. A failure prediction device includes a storage unit and a control unit. The control unit acquires anomaly occurrence histories representing a history of anomalies that have occurred in the vacuum pumps from a plurality of vacuum pumps, and aggregates the anomaly occurrence histories to indicate the number of occurrences of each type of anomalies that have occurred in the vacuum pumps. Occurrence frequency information is generated, and based on the occurrence frequency information, classification data that enables relative comparison of abnormality occurrence states for a plurality of vacuum pumps is generated and stored in a storage unit.
第１態様に係る故障予測装置では、複数の真空ポンプについて異常の発生状態を相対比較可能な分類データを生成している。これにより、異常の発生状態を複数の真空ポンプについて相対比較して、いずれの真空ポンプにおいて故障する予兆が見られるかを、異常が発生しているが故障には至っていない段階で把握することができる。その結果、例えば、故障の予兆が見られる真空ポンプに対して、真空ポンプの修理等の対応を事前にとることができる。また、上記の分類データから、真空ポンプが適切に使用されているか否かを判定できる。 The failure prediction device according to the first aspect generates classification data that enables relative comparison of failure occurrence states for a plurality of vacuum pumps. As a result, it is possible to relatively compare the states of occurrence of abnormalities for a plurality of vacuum pumps, and to grasp which vacuum pumps have signs of failure at a stage where an abnormality has occurred but has not yet resulted in failure. can. As a result, for example, for a vacuum pump showing a sign of failure, countermeasures such as repair of the vacuum pump can be taken in advance. Also, from the above classification data, it can be determined whether the vacuum pump is being used appropriately.
（第２態様）第１態様に係る故障予測装置において、制御部は、複数の真空ポンプを異常の発生状態が類似しているグループ毎にグループ分けしたデータを分類データとして生成してもよい。第２態様に係る故障予測装置では、異常の発生状態が類似しており故障する予兆がある真空ポンプを特定することができる。 (Second Aspect) In the failure prediction device according to the first aspect, the control unit may generate, as classification data, data obtained by grouping a plurality of vacuum pumps into groups having similar failure occurrence states. The failure prediction device according to the second aspect can specify vacuum pumps having similar failure occurrence states and signs of failure.
（第３態様）第２態様に係る故障予測装置において、制御部は、発生回数情報に含まれる異常の種類毎の発生回数を説明変数として教師なし学習によるクラスタリングを実行することで、グループ分けを実行してもよい。第３態様に係る故障予測装置では、複数の真空ポンプを、異常の発生状態に応じて適切にグループ分けできる。 (Third Aspect) In the failure prediction device according to the second aspect, the control unit performs clustering by unsupervised learning using the number of occurrences of each type of abnormality included in the information on the number of occurrences as an explanatory variable, thereby performing grouping. may be executed. In the failure prediction device according to the third aspect, the plurality of vacuum pumps can be appropriately grouped according to the state of occurrence of abnormality.
（第４態様）第３態様に係る故障予測装置において、制御部は、クラスタリングを実行する前に、発生回数に対して標準化処理を実行してもよい。第３態様に係る故障予測装置では、異常の発生状態が類似しているか否かによる真空ポンプのグループ分けをより正確に行うことができる。その結果、分類データを用いた真空ポンプ１の故障の予測を適切に行うことができる。
(Fourth Aspect) In the failure prediction apparatus according to the third aspect, the control unit may perform standardization processing on the number of occurrences before performing clustering. In the failure prediction device according to the third aspect, the vacuum pumps can be grouped more accurately based on whether or not the failure occurrence states are similar. As a result, it is possible to appropriately predict failure of the
（第５態様）第２態様～第４態様のいずれかに係る故障予測装置において、制御部は、真空ポンプの異常発生履歴を入力したときに、当該真空ポンプが故障する可能性についての判定結果を出力する学習モデルを用いて、真空ポンプが故障する可能性を予測してもよい。この場合、学習モデルは、分類データの特定のグループに含まれる真空ポンプの過去の異常発生履歴と、当該真空ポンプが故障する可能性についての判定結果と、を教師データとして用いて学習されてもよい。第７態様に係る故障予測装置では、真空ポンプの異常発生履歴に基づいて、当該真空ポンプが故障する可能性を予測できる。 (Fifth Aspect) In the failure prediction device according to any one of the second to fourth aspects, the control unit determines the possibility of failure of the vacuum pump when inputting an abnormality occurrence history of the vacuum pump. may be used to predict the likelihood of failure of the vacuum pump. In this case, the learning model may be learned using, as teacher data, the past abnormality occurrence history of the vacuum pumps included in the specific group of the classified data and the determination result regarding the possibility of failure of the vacuum pump. good. In the failure prediction device according to the seventh aspect, the possibility of failure of the vacuum pump can be predicted based on the failure history of the vacuum pump.
（第６態様）第１態様に係る故障予測装置において、制御部は、発生回数情報に含まれる異常の種類毎の発生回数を多い順に並べたデータを分類データとして生成してもよい。第６態様に係る故障予測装置では、各異常について、複数の真空ポンプのうち、いずれの真空ポンプの発生回数が他の真空ポンプと比較して大きいかを視覚的に認識できる。 (Sixth Aspect) In the failure prediction apparatus according to the first aspect, the control unit may generate, as classification data, data in which the number of occurrences of each type of abnormality included in the information on the number of occurrences is arranged in descending order. With the failure prediction device according to the sixth aspect, it is possible to visually recognize which of the plurality of vacuum pumps has a larger number of occurrences of each abnormality than the other vacuum pumps.
（第７態様）第６態様に係る故障予測装置において、制御部は、発生回数により表示色を異ならせた分類データを生成してもよい。第７態様に係る真空ポンプでは、どの真空ポンプにおいて発生回数が多いかを視覚的により認識しやすくなる。 (Seventh Aspect) In the failure prediction device according to the sixth aspect, the control unit may generate classification data in which display colors are changed according to the number of occurrences. With the vacuum pump according to the seventh aspect, it becomes easier to visually recognize which vacuum pump has the higher number of occurrences.
（第８態様）第１態様～第７態様のいずれかに係る故障予測装置において、制御部は、記憶部に記憶された分類データに基づいて、真空ポンプが故障する可能性を予測してもよい。第８態様に係る真空ポンプでは、分類データに基づいた故障の可能性の予測を自動的に実行できる。 (Eighth Aspect) In the failure prediction device according to any one of the first to seventh aspects, the control unit predicts the possibility of failure of the vacuum pump based on the classification data stored in the storage unit. good. The vacuum pump according to the eighth aspect can automatically predict the possibility of failure based on the classification data.
（第９態様）第１態様～第８態様のいずれかに係る故障予測装置において、異常には、真空ポンプの振動に関する異常が含まれていてもよい。第９態様に係る故障予測装置では、真空ポンプの振動に起因した故障の発生を事前に予測できる。 (Ninth Aspect) In the failure prediction device according to any one of the first to eighth aspects, the abnormality may include an abnormality related to vibration of the vacuum pump. In the failure prediction device according to the ninth aspect, occurrence of failure due to vibration of the vacuum pump can be predicted in advance.
（第１０態様）第１態様～第９態様のいずれかに係る故障予測装置において、異常には、真空ポンプの温度に関する異常が含まれていてもよい。第１０態様に係る故障予測装置では、真空ポンプの温度に起因した故障の発生を事前に予測できる。 (Tenth Aspect) In the failure prediction device according to any one of the first to ninth aspects, the abnormality may include an abnormality related to the temperature of the vacuum pump. The failure prediction device according to the tenth aspect can predict in advance the occurrence of failure due to the temperature of the vacuum pump.
（第１１態様）第１態様～第１０態様のいずれかに係る故障予測装置において、異常には、真空ポンプの負荷に関する異常が含まれていてもよい。第６態様に係る故障予測装置では、真空ポンプにかかる負荷に起因した故障の発生を事前に予測できる。 (Eleventh Aspect) In the failure prediction device according to any one of the first to tenth aspects, the abnormality may include an abnormality related to the load of the vacuum pump. The failure prediction device according to the sixth aspect can predict in advance the occurrence of failure due to the load applied to the vacuum pump.
（第１２態様）第１２態様に係る故障予測方法は、ロータをモータにより回転駆動してガスを排気する複数の真空ポンプで発生する故障を予測する方法である。故障予測方法は、真空ポンプで発生した異常の履歴を表す異常発生履歴を、複数の真空ポンプから取得するステップと、異常発生履歴を集計することで、真空ポンプで発生した異常の種類毎の発生回数を表す発生回数情報を生成するステップと、発生回数情報に基づいて、複数の真空ポンプについて異常の発生状態を相対比較可能な分類データを生成するステップと、を備える。 (Twelfth Aspect) A failure prediction method according to a twelfth aspect is a method of predicting failures that will occur in a plurality of vacuum pumps that exhaust gases by driving rotors to rotate by motors. The failure prediction method consists of the steps of acquiring anomaly occurrence histories representing the history of anomalies that have occurred in vacuum pumps from a plurality of vacuum pumps, and aggregating the anomaly occurrence histories to determine the occurrence of each type of anomaly that has occurred in the vacuum pumps. The steps of generating occurrence frequency information representing the number of occurrences, and generating classification data capable of relative comparison of abnormality occurrence states for a plurality of vacuum pumps based on the occurrence frequency information.
第１２態様に係る故障予測方法では、複数の真空ポンプについて異常の発生状態を相対比較可能な分類データを生成している。これにより、異常の発生状態を複数の真空ポンプについて相対比較して、いずれの真空ポンプにおいて故障する予兆が見られるかを、異常が発生しているが故障には至っていない段階で把握することができる。その結果、例えば、故障の予兆が見られる真空ポンプに対して、真空ポンプの修理等の対応を事前にとることができる。また、上記の分類データから、真空ポンプが適切に使用されているか否かを判定できる。 In the failure prediction method according to the twelfth aspect, classification data is generated that enables relative comparison of failure occurrence states for a plurality of vacuum pumps. As a result, it is possible to relatively compare the states of occurrence of abnormalities for a plurality of vacuum pumps, and to grasp which vacuum pumps have signs of failure at a stage where an abnormality has occurred but has not yet resulted in failure. can. As a result, for example, for a vacuum pump showing a sign of failure, countermeasures such as repair of the vacuum pump can be taken in advance. Also, from the above classification data, it can be determined whether the vacuum pump is being used appropriately.
上記では、種々の実施形態および変形例を説明したが、本発明はこれらの内容に限定されるものではない。また、各実施形態および変形例は、それぞれ単独で適用しても良いし、組み合わせて用いても良い。本発明の技術的思想の範囲内で考えられるその他の態様も本発明の範囲内に含まれる。 Although various embodiments and modifications have been described above, the present invention is not limited to these contents. Moreover, each embodiment and modification may be applied independently, respectively, and may be used in combination. Other aspects conceivable within the scope of the technical idea of the present invention are also included in the scope of the present invention.
１００ ：真空ポンプシステム
１ ：真空ポンプ
２ ：ハウジング
３ ：ベース
４ ：ロータ
５ ：ステータ
６ ：ポンプ制御装置
１１ ：第１端部
１２ ：第２端部
１３ ：吸気口
１４ ：ベース端部
１６ ：排気口
２１ ：シャフト
２２ ：ロータ翼
２３ ：ロータ円筒部
３１ ：ステータ翼
３２ ：ステータ円筒部
３３ ：筐体
４１Ａ～４１Ｅ ：軸受
４２ ：モータ
４２Ａ ：モータロータ
４２Ｂ ：モータステータ
４３ ：回転数センサ
４４Ａ～４４Ｃ ：変位センサ
４５ ：モータ電流測定装置
５１ ：ヒータ
５２ ：温度センサ
５３ ：ヒータ電流測定装置
ＳＰ１ ：第１内部空間
ＳＰ２ ：第２内部空間
１０ ：故障予測装置
１０１ ：記憶部
１０２ ：制御部
ＣＤ、ＣＤ’、ＣＤ’’ ：分類データ
ＣＩ ：発生回数情報
ＣＯＮ ：異常発報条件
ＨＩＳ ：異常発生履歴
100: Vacuum pump system 1: Vacuum pump 2: Housing 3: Base 4: Rotor 5: Stator 6: Pump controller 11: First end 12: Second end 13: Air inlet 14: Base end 16: Exhaust Mouth 21: Shaft 22: Rotor Blades 23: Rotor Cylindrical Portion 31: Stator Blades 32: Stator Cylindrical Portion 33:
Claims (12)
記憶部と、制御部と、を備え、
前記制御部は、
真空ポンプで発生した異常の発生履歴を表す異常発生履歴を、複数の真空ポンプから取得し、
前記異常発生履歴を集計することで、真空ポンプで発生した前記異常の種類毎の発生回数を表す発生回数情報を生成し、
前記発生回数情報に基づいて、複数の真空ポンプについて前記異常の発生状態を相対比較可能な分類データを生成して記憶部に記憶する、
故障予測装置。 A failure prediction device that predicts failure of a vacuum pump that exhausts gas by driving a rotor to rotate by a motor,
comprising a storage unit and a control unit,
The control unit
Abnormality occurrence history representing the history of abnormalities that occurred in vacuum pumps is acquired from multiple vacuum pumps,
generating occurrence number information representing the number of occurrences of each type of abnormality that occurred in the vacuum pump by aggregating the abnormality occurrence history;
Based on the information on the number of occurrences, generating classification data that enables relative comparison of the occurrence state of the abnormality for a plurality of vacuum pumps, and storing the classification data in a storage unit.
Failure prediction device.
前記学習モデルは、分類データの特定のグループに含まれる真空ポンプの過去の異常発生履歴と、当該真空ポンプが故障する可能性についての判定結果と、を教師データとして用いて学習される、
請求項２に記載の故障予測装置。 The control unit predicts the possibility of failure of the vacuum pump using a learning model that outputs a determination result regarding the possibility of failure of the vacuum pump when the history of failure occurrence of the vacuum pump is input,
The learning model is learned using, as teacher data, a past abnormality occurrence history of a vacuum pump included in a specific group of classified data and a determination result regarding the possibility of failure of the vacuum pump.
The failure prediction device according to claim 2.
真空ポンプで発生した異常の履歴を表す異常発生履歴を、複数の真空ポンプから取得するステップと、
前記異常発生履歴を集計することで、真空ポンプで発生した前記異常の種類毎の発生回数を表す発生回数情報を生成するステップと、
前記発生回数情報に基づいて、複数の真空ポンプについて前記異常の発生状態を相対比較可能な分類データを生成するステップと、
を備える、故障予測方法。 A failure prediction method for predicting failure of a vacuum pump that exhausts gas by driving a rotor to rotate by a motor, comprising:
a step of acquiring, from a plurality of vacuum pumps, an abnormality occurrence history representing a history of anomalies that have occurred in the vacuum pumps;
a step of generating occurrence number information representing the number of occurrences of each type of the abnormality that occurred in the vacuum pump by aggregating the abnormality occurrence history;
a step of generating classification data that enables relative comparison of the occurrence states of the abnormality for a plurality of vacuum pumps based on the information on the number of times of occurrence;
A failure prediction method.
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022018629 | 2022-02-09 | ||
| JP2022018629 | 2022-02-09 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2023116377A true JP2023116377A (en) | 2023-08-22 |
Family
ID=87579381
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022141772A Pending JP2023116377A (en) | 2022-02-09 | 2022-09-06 | Failure predication device and failure predication method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2023116377A (en) |
-
2022
- 2022-09-06 JP JP2022141772A patent/JP2023116377A/en active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114109832B (en) | Information processing apparatus | |
| JP6809882B2 (en) | Machine learning devices for learning fan failure prediction, devices including machine learning devices, and machine learning methods | |
| JP6514239B2 (en) | Machine diagnostic device and machine diagnostic method | |
| WO2008116966A2 (en) | Method and apparatus for monitoring condition of electric machines | |
| CN113631817B (en) | Pump monitoring device, vacuum pump, and recording medium | |
| WO2018147362A1 (en) | Industrial machinery monitoring device and industrial machinery monitoring method | |
| KR101858121B1 (en) | Apparatus and method for determining state of power plant | |
| JP2023116377A (en) | Failure predication device and failure predication method | |
| US20230152179A1 (en) | Fault detection system for vacuum pump | |
| TWI826803B (en) | Pump monitoring device, vacuum pump, pump monitoring method and pump monitoring program | |
| EP4012523A1 (en) | Monitoring industrial equipment with at least one rotating member | |
| JP2024002792A (en) | Vacuum pump system and control method | |
| JPWO2018198288A1 (en) | Pump monitoring device, vacuum processing device, and vacuum pump | |
| CN117178122A (en) | Method and device for monitoring operation of fan and fan | |
| KR102199104B1 (en) | Apparatus and method for detecting defects in rotating machines | |
| JP6835757B2 (en) | Information processing equipment, information processing system, information processing method, program and board processing equipment | |
| JP2020176525A (en) | Pump monitoring device and vacuum pump | |
| TWI838108B (en) | Control device and control method for vacuum pump | |
| JP7499347B2 (en) | Condition monitoring system, condition monitoring device, condition monitoring method, and computer program | |
| JP2018193933A (en) | Information processor, reference data determination device, information processing method, reference data determination method and program | |
| Bishnu et al. | Detection of induction motor faults: Through fuzzy logic and frequency analysis | |
| KR20210021645A (en) | Equipment abnormality prediction system and method thereof for vacuum pump | |
| CN117150938A (en) | Residual life prediction method of induced draft fan based on digital twin | |
| JP2023115998A (en) | Monitoring diagnostic device of apparatus, monitoring diagnostic method of the same, and monitoring diagnostic system of apparatus | |
| JP2018193932A (en) | Information processor, reference data determination device, information processing method, reference data determination method and program |