JP2023530858A - 消費者向け製品を製造又は包装するための自動機械の予測保守のための方法 - Google Patents
消費者向け製品を製造又は包装するための自動機械の予測保守のための方法 Download PDFInfo
- Publication number
- JP2023530858A JP2023530858A JP2022573554A JP2022573554A JP2023530858A JP 2023530858 A JP2023530858 A JP 2023530858A JP 2022573554 A JP2022573554 A JP 2022573554A JP 2022573554 A JP2022573554 A JP 2022573554A JP 2023530858 A JP2023530858 A JP 2023530858A
- Authority
- JP
- Japan
- Prior art keywords
- samples
- local
- detected
- automatic machine
- outliers
- 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
- 238000012423 maintenance Methods 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 17
- 238000004806 packaging method and process Methods 0.000 title claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 33
- 239000011159 matrix material Substances 0.000 claims abstract description 27
- 238000005070 sampling Methods 0.000 claims description 22
- 230000005540 biological transmission Effects 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 2
- 230000001133 acceleration Effects 0.000 claims description 2
- 230000006870 function Effects 0.000 description 11
- 239000000047 product Substances 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 241000208125 Nicotiana Species 0.000 description 5
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 5
- 235000019504 cigarettes Nutrition 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000003745 diagnosis Methods 0.000 description 4
- 230000010355 oscillation Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000003449 preventive effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 229920000298 Cellophane Polymers 0.000 description 1
- 206010029216 Nervousness Diseases 0.000 description 1
- 244000299461 Theobroma cacao Species 0.000 description 1
- 230000002745 absorbent Effects 0.000 description 1
- 239000002250 absorbent Substances 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000019219 chocolate Nutrition 0.000 description 1
- 235000019506 cigar Nutrition 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/25—Manufacturing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/10—Detection; Monitoring
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Computing Systems (AREA)
- Business, Economics & Management (AREA)
- Manufacturing & Machinery (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Testing And Monitoring For Control Systems (AREA)
- General Factory Administration (AREA)
Abstract
消費者向け製品を製造又は包装するための自動機械(1)の予測保守のための方法であって、この方法は、少なくとも1つのそれぞれのローカル制御ユニット(11)によって、少なくとも1つの電気アクチュエータ(4)の少なくとも1つのモータリゼーション指標(MM)に関する少なくとも一組の複数のサンプル(SS)を検出し、かつ記録するステップと、記録された複数のサンプル(SS)をデータ処理ユニット(5)に送信するステップと、検出された少なくとも一組の複数のサンプル(SS)に基づき、少なくとも検出されたモータリゼーション指標(MM)に対して、少なくとも2つの統計的特徴(STF)を次元として有する異常値のマトリックス(AM)内で少なくとも1つの多次元公差範囲(TH)を規定するステップと、異常値のマトリックス(AM)内の実際の状態(AC)の位置を規定するために、2つの統計的特徴(STF)を計算するステップと、異常値のマトリックス(AM)内で実際の状態(AC)の位置と多次元公差範囲(TH)とに基づいて、必要な保守の差し迫った時期を決定するステップと、を有する。
Description
本発明は、消費者向け製品を製造又は包装するための自動機械の予測保守のための方法に関する。
本発明は紙巻きタバコのパケットを製造する自動包装機の予測保守における有利であるが、限定的ではない用途を見出し、以下の開示は一般性を失うことなく明示的に言及する。
(関連出願の相互参照)
本特許出願は、2020年6月23日に出願されたイタリア特許出願第102020000014944号明細書の優先権を主張し、その開示全体が参照により本明細書に組み込まれる。
本発明は紙巻きタバコのパケットを製造する自動包装機の予測保守における有利であるが、限定的ではない用途を見出し、以下の開示は一般性を失うことなく明示的に言及する。
(関連出願の相互参照)
本特許出願は、2020年6月23日に出願されたイタリア特許出願第102020000014944号明細書の優先権を主張し、その開示全体が参照により本明細書に組み込まれる。
消費者向け製品を製造するための製造工場において、予測保守のための様々なシステム、すなわち、自動機械において保守介入(例えば、構成要素の調整、洗浄、又は交換)を実施する必要があるときに、事前に所定の時間を決定することができるシステムの導入が近年提案されている。
保守介入を実施する必要があるときに、事前に所定の時間を予測することによって、調整され合理的な方法で保守介入をプログラムすることが可能であり、このようにして、保守介入、機械非稼動時間、及び廃棄される製品の数が最適化される、すなわち、最小限に低減される。
一般に、これらの予測は、時間及び設計の点で特に高価なシステムを用いて行われる。特に、自動機械の構築中に、経験的に、又は高度なシミュレーションに従い、最も危険な機械部品上に、特殊なセンサが一般に設置される。
場合によっては、特に部品の摩耗を検出するために、これらのセンサは部品の内部に埋め込まれ、摩耗が見えるようになるとすぐに警告又は警報を生成する。他の場合には、加速度計、ビデオカメラ、及び/又は温度計は単一の分析された特徴における任意の過剰な変動を検出するように、監視されるべき構成要素の近くに設置される。
しかしながら、ローカル変数の変動は、適切なセンサによって必ずしも検出可能ではない多数の因子に依存し得る。例えば、ブレードのより速い消耗は切削領域内の汚れの存在、スクリューの緩み、振動、近くの領域の過熱、材料の切り口は入口の傾斜の変化など、又はこれらの特徴のいくつかの組み合わせによるものであり得る。
従来のシステムでは、ローカルな1次元の特徴を検出することだけに集中し、基準値(一般にスカラー)に対する構成要素の現在の状態を後者に基づいて定義する際に、構成要素の異常の危険性の増加が2つ以上の因子の組み合わせによって見落とされる可能性がある。これらのシステムのいくつかによれば、所定の信号の振動は適切なセンサによって検出されるものと比較され、1次元閾値(片側又は両側)を確立し、それを超えて、必要な保守の警告が生成される。
いくつかの既知のシステムは管理され、リアルタイムで送信される膨大な量のデータのために、通常、高周波数サンプリングを実行することができない。他の既知のシステムでは高周波数で検出された値を局所的に平均化し、その平均のみを中央データ処理装置に送信し、管理されるデータの量を大幅に低減するが、単一の値が中央処理装置によって考慮されず、したがって、異常のアプローチを示唆し得る値のピークが考慮され得ないため、データの精度も大幅に低減することによって、この課題を解決する試みがなされている。
更に、所定の基準信号の振動を、それぞれのセンサによって検出された電流信号の振動と比較することによって、電流信号が基準信号から始まって設定された上限又は下側の閾値を超えずに、異常を示す振動を有する可能性があるので、保守予測を効率的に実行することができないことがしばしば起こる。
効果的かつ効率的な予測保守を実行するために必要な全てのセンサの存在は自動機械の製造費用の膨大な増加を決定し、更に、一般に、前記センサの使用は、いくつかの要因によって相乗的に引き起こされる異常のいくつかを予測することを可能にしない。
特許文献1は、機械自体の予測保守を実行するための機械のセンサからデータを取得するためのローカルユニットを記載している。ローカル取得ユニットはセンサから来る信号を検出し、前記信号の値を記憶装置に定期的に記憶するために装置に搭載される。所定の時間に、可搬型電子機器(例えば、携帯型コンピュータ)を備えた操作者は、ローカル取得ユニットのメモリの内容を可搬型電子機器のメモリに(好ましくは赤外線伝送の手段によって)転送するために、機械に接近する。特許文献1に記載された取得方法は実行するのが簡単で安価であるが、一方で、ローカル取得ユニットのメモリに記憶されたデータを読み取る操作者の介入を常に必要とするので、高い管理コストを有し、更に、ローカル取得ユニットのメモリに記憶されたデータの読み出しが高い時間的周波数で実行されない場合には、予測保守システムは保守介入を実行する必要があるときに、事前に十分な余裕をもって予測することができない。
特許文献2には、自動機械の遠隔診断のための方法が記載されており、この方法によれば、ローカル取得ユニット及び制御ユニットが自動機械に搭載された一連のセンサに接続された自動機械に結合される。定期的に、ローカル取得ユニット及び制御ユニットはセンサによって供給された信号を読み取り、これらの信号をローカル取得ユニット及び制御ユニットに記憶された自動機械のモデルと比較し、ローカル取得ユニット及び制御ユニットが、センサによって供給された信号と自動機械のモデルとの間の有意な異常を検出した場合、ローカル取得ユニット及び制御ユニットは異常に関する情報を、異常の診断を定式化する遠隔診断システムに送信し、次いで、自動機械上で保守作業を実行することができるサービスセンターに技術的介入の要求を送信する。特許文献2に記載された好ましい実施形態によれば、遠隔診断システムは、第1の診断を策定するための第1の遠隔診断ステーション(コンピュータ又はコンピュータネットワーク)と、第1の遠隔診断ステーションが診断を策定することができなかった場合に第2の診断を策定するためのさらなる第2の遠隔診断ステーション(コンピュータ又はコンピュータネットワーク)と、第2の遠隔診断ステーションであっても診断を策定することができなかった場合に第3の診断を策定するための技術者のチームとを備える。
本発明の目的は上述の欠点を少なくとも部分的に含まず、同時に、実施するのが簡単かつ安価で消費者向け製品を製造又は包装するための自動機械の予測保守のための方法を提供することである。
本発明によれば、添付の特許請求の範囲に記載されているように、消費者向け製品を製造又は包装するための自動機械の予測保守のための方法が提供される。前述の方法を実行するように構成された消費者向け製品を製造又は包装するための自動機械も提供される。
特許請求の範囲は本明細書の不可欠な部分を形成する本発明の好ましい実施形態を記載する。
図1はタバコ産業の商品を製造するための自動機械1、特に、紙巻きタバコのパケットに透明なオーバーラップを適用するための自動包装機械1を示す。
自動機械1は、商品(図1に示す実施形態では紙巻きタバコのパケット2)の処理を実行するように設計された様々な要素を備える。特に、自動機械1は、少なくとも1つの電気アクチュエータ4を制御するように構成された1つ以上の電気駆動装置3を備える。
いくつかの好ましいが非限定的な実施形態によれば、電気アクチュエータ4は、(特にブラシレスタイプの)電気モータを備える。図示されていない他の実施形態によれば、アクチュエータ4は電気モータ以外のタイプの駆動装置(例えば、電気的に作動されるシリンダなど)も備える。
いくつかの非限定的な場合において、電気駆動装置3は自動機械1の専用領域(例えば、一般的な又は専用の電気パネル)にグループ化される。代替的に、又は追加的に、いくつかの電気駆動装置3が、それぞれの電気アクチュエータ4に配置される。例えば、電気モータの場合、それぞれの駆動装置は、モータ自体のステータに搭載されて配置されてもよい。言い換えれば、いくつかの非限定的な場合では、電気駆動装置3が機械制御キャビネット(データ処理ユニット5が配置されているのと同じであってもよいし、同じでなくてもよい)に搭載されて配置される。代替的に、又は追加的に、いくつかの電気駆動装置3は、それらが接続されるそれぞれの電気アクチュエータ4に搭載されて配置され得る。
特に、電気駆動装置3はまた、少なくとも1つの電気アクチュエータ4の少なくとも1つのモータリゼーション指標MMに関する複数のサンプルSS(例えば、図4に示されるグラフの各点)を、サンプリング周波数SFで周期的に(例えば、各電気駆動装置3内のローカルメモリユニットにおいて)検出し、記録するように構成される。いくつかの非限定的な場合では、モータリゼーション指標MMが電気アクチュエータ4の速度誤差を含む(である)。図4に示すような他の非限定的な場合では、モータリゼーション指標MMが電気アクチュエータのトルク(又は必要とされる電流)誤差を含む。図示されていないさらなる非限定的な場合では、モータリゼーション指標MMは、基準値と、電気アクチュエータ4に関連し、それぞれの電気駆動装置3によって検出される実際の値との間の任意の差を含む(である)。明らかに、同じ電気駆動装置3は同じ電気アクチュエータ4に関する異なる指標を検出し、記録することができ、及び/又は異なる電気駆動装置3は、異なる電気アクチュエータ4に関する相互に異なる指標を記録することができる。
自動機械1は、更に、サンプリング周波数SF以下の送信周波数TFにおいて、サンプリング周波数SFで前に検出された複数のサンプルSSを周期的に受信するように構成されたデータ処理ユニット5(特に、プロセッサ又は専用産業用PC)を備える。
更に、図1の非限定的な実施形態に示されるように、自動機械1は、異常値のマトリックスAM(例えば、図2に示されるものなど)を含む(すなわち、読み取り及び/又は書き込みのために、それを内部に格納する)ように構成される、ローカル記憶ユニット6を備える。特に、異常値のマトリックスAMは、次元として、検出されたモータリゼーション指標MMに基づく少なくとも2つの統計的特徴STFを有する。より正確には、記憶ユニット6が自動機械1のモデルを処理及び更新するためにデータ処理ユニット5によって使用されるデータベースDB専用の領域を備える。
「統計的特徴STF」という用語は、統計分析を介して定義及び計算することができる、一組のデータに適用可能な全ての関数(機能)、特に、(少なくとも)モータリゼーション指標MMに関連する複数のサンプルSSに対して統計演算を実行することによって定義することができる任意のスカラー値を意味する。統計的特徴の例は、メジアン、中央値、モード、形状因子、及び形状指数(尖度及び歪度)であり得る。信号指標の例は、クリアランス(又はクリアリング)因子、クレスト因子、インパルス因子、ピーク値、二乗平均平方根又はRMS値、信号対雑音及び歪み比SINAD、信号対雑音比SNR、標準偏差STD、全高調波歪みTHDであり得る。
有利にはしかし必ずしもそうではないが、自動機械1は(例えば、IO-Link(登録商標)タイプの)双方向、デジタル、及びローカル産業ネットワークの節点に接続される(又は決定する)少なくとも1つのローカル取得ユニット7を備える。図1の非限定的な実施形態では、高速かつ高品質のデータ伝送を可能にするために、産業用ネットワークは自動機械1に搭載されたローカル有線ネットワーク(すなわち、ケーブル接続を有する)である。
図1の非限定的な実施形態では、異なる特徴を有する複数のローカル取得ユニット7が設けられている。特に、ローカル取得ユニット7は、温度、振動等のようなローカル状態指標LSMの値、好ましくはアナログ値を検出するように構成された任意のタイプのセンサとすることができる。ローカル取得ユニット7は、また、検出されたローカル状態指標LSMをデータ処理ユニット5に送信するように構成される。
必ずしもそう必要はないが、有利にはローカル取得ユニット7はそれぞれ、自動機械1に搭載された異なる機械グループ10に搭載されて配置される。このようにして、各装置グループの状態を監視することができ、場合によっては、維持されるべきグループ10に関連する装置の1つの部分のみの製造を停止することができる。
詳細には、少なくとも1つのローカル取得ユニット7がスマートタグ及び/又はIoT(internet of things)センサを備える。このようにして、データ処理ユニット5に、それぞれのスマートタグによって、又はグループ10に搭載されたIoTセンサによって、又は自動機械1の単一の構成要素によって送信された情報を介して識別された単一の機械グループ10(移動式のもの、例えば、直接駆動システム上を移動するユニットのセットを含む)の状態を知らせることが可能である。
必須ではないが有利には、自動機械1が、更に、データ処理ユニット5に接続され、保守プログラム9を保守リソース、例えば、図1に示されるような操作者O(又は保守ロボット)に送信することを可能にするように構成された通信インターフェース8(図1)を備える。図1の非限定的な実施形態では、通信インターフェース8が対処すべき次の保守作業に関して操作者Oに警告するように構成された(触覚)スクリーンである。保守プログラム9の各保守リソースへの伝達に続いて、リソース(又は図1の場合は操作者O)は、保守プログラム9に示される順序及び時間フェーズで保守作業を実行する。
本発明のさらなる態様によれば、消費者向け製品を製造又は包装するための自動機械1の予測保守のための方法が提供される。
この方法は、それぞれのローカル制御ユニット11によって、少なくとも1つの電気アクチュエータ4のモータリゼーション指標MMに関する複数のサンプルSSを、周期的に、かつサンプリング周波数SFで、(少なくとも)検出し、記録するステップを含む。特に、ローカル制御ユニット11は自動機械1の少なくとも1つの電気モータを駆動するように構成された少なくとも1つの電気駆動装置3、又はローカル状態指標LSMの複数のサンプルSS(すなわち、値)を周期的に取得し、それらをデータ処理ユニット5に周期的に転送するように構成されたローカル取得ユニット7を備える。
有利には、本方法はまた、データ処理ユニット5において記録された複数のサンプルSSを、サンプリング周波数SF以下(好ましくは下側)の送信周波数TFで周期的に送信するステップを含む。詳細には検出の精度がサンプリング周波数SFによって正確に定義されるサンプリング速度にも依存するので、サンプリング周波数SFは送信周波数TSと比較して特に高い周波数である。一方、送信周波数TFは、データ処理ユニット5がデータベースDBを更新できる速度、ひいては自動機械1の機種を決定する。
必須ではないが有利には、サンプリング周波数SFが2kHz以上(すなわち、対応するサンプリング時間が500マイクロ秒以下)、4kHz以上(すなわち、250マイクロ秒以下のサンプリング時間)である。このようにして、集中的なサンプリングを実行することが可能であり、将来の異常を示し得るいくつかの情報を失うリスク、したがって保守の必要性を大幅に低減する。
特に、サンプリング周波数SFは制御ユニット11のいわゆるサイクル時間、すなわち、ローカル取得ユニットのケースにおけるセンサのリフレッシュ時間、又は電気駆動装置3の手段による速度ループの閉時間に対応する。
必須ではないが有利には、送信周波数TFが0.2Hz以下(すなわち、複数のサンプルSSの1つの送信と次の送信との間の時間が5秒以上)、特に0.1Hz以下(すなわち、複数のサンプルSSの1つの送信と次の送信との間の時間が10秒以上)、更に特に0.067Hz以下(すなわち、送信時間が15秒以上)である。このようにして、検出された全てのデータをリアルタイムで制御ユニット5に連続的に送信することを回避することができ、したがって、同じデータ(複数のサンプルSS)がグループで送信されるので、情報の連続的な混雑を低減することができる。
必須ではないが、有利にはモータリゼーション指標MM及び/又はローカル状態指標LSMの記録中に、複数の制御ユニット11(すなわち、電気駆動装置3及びローカル取得ユニット)は、同期周波数SCFで、データ処理ユニット5から、複数のサンプルSSの記録に含まれるべき同期信号MSを受信する。特に、同期信号MSは、「n」個の記録された複数のサンプルSSごとに含まれる。より正確には同期周波数SCFがサンプリング周波数SFよりも低いが、送信周波数TFよりも高い。
特に、同期周波数SCFは、データ処理ユニット5のいわゆるサイクルタイムに対応する。詳細にはデータ処理ユニット5がPLC又は産業用PCであり、同期周波数SCFは200Hz以上、特に500Hz以上、より特には1kHz(キロヘルツ)以上である。
必須ではないが有利には、同期信号MSがアナログ信号(すなわち、デジタルではなく、複数の異なる値を仮定する可能性を有する)である。このようにして、送信後(サンプリング周波数SFよりもかなり低い送信周波数TFが与えられた、データグループにおいて)であっても、各々の複数のサンプルSSを同期させることが可能である。言い換えれば、同期信号MSの数値(アナログ)値及び送信が生じる瞬間を知ることにより、それらがブロック(グループ)で送信されるにもかかわらず、複数のサンプルSSを経時的に再位相化させることが可能である。
いくつかの非限定的な実施形態によれば、同期信号MS(例えば、PLC-データ処理ユニット5-から電気駆動装置3への)は、自動機械1の物理的又は仮想の主軸の位置である。特に、自動機械1(仮想)主軸のいわゆる鋸歯状の瞬時値を同期信号MSとすると、主軸の位置が、制御ユニット11からデータ処理ユニット5に送信される複数のサンプルSSの経時的な再位相化の基準となる。同期信号MSの手段による再位相化のおかげで、送信されるデータの量は大幅に低減され、一方で、(既知の技術のシステムで生じるように)データ及びそれぞれの記録瞬間を送信する代わりに、複数のサンプルSSの値のみ、及び全ての「n」個のサンプル、送信された複数のサンプルSSの次回の同期のための主軸位置の値のみが送信される。
他の非限定的な場合では、同期信号MSが先に説明したものに従ってマスタ基準として使用される適切なカウンタ(増加又は減少)である。
必須ではないが有利には、本方法が、どのサンプルSSが自動機械1の所与の瞬間又は所与の位相に対応するかを理解するために、基準として同期信号MSを使用して、データ処理ユニット5に送信されたサンプルSSを同期させるさらなるステップを含む。特に、データ処理ユニット5は、送信された複数のサンプルSSの一組を経時的に同期させることによって前処理する。
特に、この方法はまた、検出された少なくとも一組の複数のサンプルSSに基づき、検出されたモータリゼーション指標MM(及び/又はローカル状態指標LSM)に少なくとも関連付けて、少なくとも2つの統計的特徴STF(例えば、先に説明されたものによって形成されたグループから選択された)を次元として有する異常値のマトリックスAM(図2)内で、(特に、以下に説明されるように、教師なしグループ化手段(unsupervised classifier)によってモデルをトレーニングすることによって)多次元公差範囲TH(multidimensional tolerance horizon TH)を(少なくとも)規定する、さらなるステップを含む。言い換えれば、異常値のマトリックスAMの次元を定義する統計的特徴STFは、検出されたモータリゼーション指標MMの関数として計算される。
有利にはしかし必ずしもそうではないが、特に、モータリゼーション指標MMに加えて、一組の記録されたサンプルSSはまた、自動機械に搭載された1つ以上の機械グループ10(少なくとも1つの要素を含む)の状態に関するローカル状態指標LSMに関し、特に、ローカル状態指標の値は双方向、デジタル及びローカル、ポイントツーポイント、及び有線(又は無線)産業用ネットワークのノードに接続された少なくとも1つのローカル取得ユニット7の手段によって検出される。
特に、ローカル状態指標LSMは、より正確には多数の次元で検出された振動、及び/又は温度及び/又は加速度を含む。
図2の非限定的な実施形態では、異常値のマトリックスAMは、モータリゼーション指標MMに対して計算された2つのそれぞれの統計的特徴STF及びSTF'によって定義される2つの次元を備え(同じことはローカル状態指標LSMを用いて行うことができる)、特に、横座標は尖度として知られる統計的特徴STF(モータリゼーション指標MMの機能)を示し、縦座標は統計的特徴STF'(同じモータリゼーション指標MMの機能)を示す。この非限定的なケースでは、モータリゼーション指標MMはトルク誤差である。
いくつかの好ましいが非限定的な実施形態によれば、モータリゼーション指標MMは電気モータ(例えば、ブラシレス)の速度誤差であり、特に、それぞれの駆動装置によって検出される。詳細には、驚くべきことに、このモータリゼーション指標MMを使用することによって、電気モータの挙動の異常をより容易に検出することが可能である。特に、モータリゼーション指標MMとして速度誤差を使用することにより、摩擦によって生じる挙動を強調することができることが分かった。特定の場合には、運動学的運動における摩擦変化が自動機械1の構成要素の摩耗の改善された評価を可能にし、予測保守のための推定値を改善する。
有利には、本方法が検出された各々の複数のサンプルSSについて、異常値のマトリックスAM内の実際の状態ACの位置を定義するために、(少なくとも1つの多次元マトリックスを定義するために)少なくとも2つの統計的特徴STFを計算するさらなるステップを含む。
いくつかの非限定的な場合において、状態ACは単一のサンプルSSに対応する。具体的には、連続する実際の状態ACのクラウドは複数のサンプルSSに対して定義される。
他の非限定的な場合では、実際の状態ACの位置が複数のサンプルSSの関数として計算される。さらなる非限定的な場合において、異常値のマトリックスAM内の実際の状態ACの位置は、ローカル制御ユニット11とデータ処理ユニット5との間の一方の送信と他方の送信との間で検出された複数のサンプルSS全体の関数として決定される。
必ずしも必要ではないが、有利には図2の非限定的な実施形態に示されるように、多次元公差範囲TH、TH’、TH”は、教師なしグループ化手段(unsupervised classifier)、特にK平均アルゴリズムを介して定義される。
図2の非限定的な実施形態では、公差範囲TH、TH’、TH”を計算(定義)するために使用される教師なしグループ化手段は、グループの分割解析のためのいわゆるK平均アルゴリズムである。特に、このアルゴリズムを使用して、グループの中心C、C’、C”(すなわち、データ処理ユニットによって受信された複数のサンプルSSの中心C、C’、C)が最初に計算され、その後、実際の状態AC(すなわち、サンプルSSの分布)に基づいて、公差範囲TH、TH’、TH”が決定される。詳細には、図2の中央部分では3つの異なる(連続する)複数のサンプルSSの関数として決定される正しい動作状態に関して、上述の方法の3回の繰り返しが示されている。
更に、この方法は、異常値のマトリックスAMにおける実際の状態AC(図2)の位置と多次元公差範囲THとの関数として、必要な保守の切迫を、特に公差範囲THの近く又はそれを超える危険な状態DCの存在を検証することによって決定するステップを含む。
図2の非限定的な実施形態によれば、公差範囲TH、TH’、TH”は、非線形形状、特に楕円形又は円形を有するように構成される。
図示されていないいくつかの非限定的な場合では、公差範囲THが検出されるべき異常のタイプに基づいて異なる(複雑な)形状を有する。
図示されていないいくつかの非限定的な実施形態によれば、統計的特徴STF、STF’の計算に使用される指標MM、LSMは、検出されるべき異常に応じて変化する。
必須ではないが有利には、公差範囲Hは、検出された最新の複数のサンプルSSの値を含めて、周期的に更新される(図2の公差範囲TH’及びTHの存在を参照されたい)。
いくつかの非限定的な場合では、公差範囲THは検出された最新の複数のサンプルSSの値のみに基づいて更新される。
他の非限定的な場合では、公差範囲THは、検出された最新の複数のサンプルSSの値と、検出された以前の複数のサンプルSSの一部(又は全部)の値との両方に基づいて更新される。
いくつかの好ましい非限定的な実施形態によれば、本方法は既知の異常に起因する複数の統計的特徴STF、STF'(例えば、上に列挙された統計的特徴のいくつか)をインプットとして使用して、教師なしグループ化手段、特にK平均アルゴリズムによって、自動機械のモデルをトレーニングするさらなるステップを含む。
いくつかの非限定的な場合によれば、異常値のマトリックスMAは複数のグループGRを備え、その各々は自動機械1の異なる機械的構成要素、又は同様の構造的特徴を有する機械的構成要素(又はグループ10)の状態に対応する。
図2の非限定的な実施形態では、グループGRが可能な既知の異常状態の間に処理され、シミュレートされ、又は経験的に試験されて、統計的特徴STF、STF'(又は先に列挙された統計的特徴のいくつか)が実際の状態ACの異常値のマトリックスAM上の偏差をどのように決定するかを理解するために示される。特に、異常F1、F2、及びF3は、特定の機械グループ10における遊びの摩擦を変化させる(増加/減少させる)ことによって、及びそれぞれの駆動装置によって検出されたトルク誤差(指標MM)に基づいて統計的特徴STF、STF’を計算することによって決定された。一方、異常F4は、同じ機械グループ10におけるクリアランスの増加をシミュレートすることによって生成された。これらの最初の4つの異常では、特徴STF(この場合、尖度)に関する変動が明らかである。更に、異常F5及びF6は、前述の機械グループ10上の外部からの既知のトルク外乱をシミュレートすることによって生成された。更に、異常F7及びF8は、異なる質量を有するグループ10の重み付けを示す。最後に、実際の状態ACのクラウドHSは、湿度、温度、いくらかの摩擦などの周囲の状態を無視する(仮想研究室からの)正しい動作のシミュレーションを示す。これらの状態及び他の全ての既知の潜在的異常は自動機械1のモデルを精緻化し、異なるタイプの可能な異常を効率的に検出するように定義された異なる統計的特徴STF(例えば、前に列挙された統計的特徴のいくつか)の関数として複数の異常値のマトリックスAMを定義するために使用され得る。
他の非限定的な場合によれば、又はそれに加えて、各機械的構成要素について、又は各グループについて、統計的特徴STFを有する特定の異常値のマトリックスAMは、特定の構成要素又はグループ10についての所望の値からの偏差を最良に検出する次元として定義される。
自動機械1のモデルは検出された最新の複数のサンプルSSを含むように周期的に更新されることが有利であるが、必ずしもそう必要はない。特に、モデルは、異常値のマトリックスAM上の異常領域DAを定義する予期しない異常(又は予期しない異常)の場合にも更新される(図2)。
有利にはしかし必ずしもそうではないが、本方法は異常値のマトリックスAM内で連続する実際の状態ACが移動する速度、特に、最新の実際の状態が公差範囲THに向かって移動する速度を計算するさらなるステップを含む。前記速度が高いほど、より迅速な予防保守を行う必要がある。
必須ではないが有利には、本方法が異常値のマップAM内の最新の実際の状態ACの位置又は速度に基づいて、保守プログラム9を定期的にスケジューリングするさらなるステップを含む。特に、保守プログラム9は、通信インターフェース8(HMIに加えて、PC、タブレット、又はスマートフォンなどのモバイルデバイスとすることができる)を介して保守リソース(操作者O)に送信される。
いくつかの好ましい非限定的な実施形態によれば、本方法は保守プログラム9に更新された保守リソースを、例えば、図1に示されている操作者Oに周期に送信(及び送信周波数以下の周波数で更新)するステップを更に含み、この操作者は、保守プログラム9に詳述されている(周期である)スケジュールで確立された順序で予防保守操作を実行する。
必ずしも必要ではないが、有利にはモータリゼーション指標MMは、モータによって供給されるトルク/電流、及び/又はモータ追従誤差、及び/又は負荷割合、及び/又はRMS、及び/又はトルク誤差を有する。これら全てのモータリゼーション指標MMは、特に電気駆動装置3内のオシロスコープによって検出される。
必ずしも必要ではないが有利には、これまで説明した方法が自動機械1に局所的に、すなわち、分散データ共有システム(クラウド)を使用する必要なしに、及び/又は必要なインターネット接続なしに、適用することができる。
図3の非限定的な実施形態では、方法のいくつかの一般的なステップ間の可能な接続が示されている。特に、この非限定的な実施形態では、1つ以上の電気駆動装置3及び/又は1つ以上のローカル取得ユニットが、一連の記録及び検出された複数のサンプルSSを送信し、同期信号MSを周期的に(同期周波数で)受信するとき、データ処理ユニット5と双方向に通信する。データ処理ユニット5内に、2つの別個のサブステップ20及び30が設けられる。ステップ20において、データ処理ユニット5は、データベースDBへのデータの搬送を処理する。特に、ブロック21において、受信したサンプルSSが収集され、ブロック22において、受信したサンプルSSは、同期信号MSを使用してそれらを同期させるように前処理される。続いて、ブロック23において、任意の異常の存在を評価するために必要な統計的特徴STFが抽出(処理/計算)される。抽出された統計的特徴STF(すなわち、異常値のマトリックスAM内の実際の状態AC)は、その後、データベースDBに(特に、矢印19によって示されるように、一方向に)記憶される。しかし、ステップ30において、データ処理ユニット5は、異常の検出を処理する。ブロック31において、実際の状態AC(例えば、図2に示されるもの)のクラウドは(中心Cに続く)公差範囲THを決定し、危険な状態DCのあり得る存在を検証することによって、(特に、K平均アルゴリズム又は任意の種類の教師なしグループ化手段によって)グループ化される。何れの場合も、受信された情報のクループ分けに続いて、ブロック32において、自動機械1のモデルにおいてちょうど分類された情報を含むデータベースのトレーニングが実行される。この場合、通信18は、分類データがデータベースDBから受信され、トレーニング中に前記データが同じものに送信されるので、双方向である。データベースDBと通信インターフェース8との間の通信17も双方向であり、保守リソースは保守プログラム9を受信することに加えて、実行される任意の保守を通信することができ、データ処理ユニット5が前記プログラム9を更新することを可能にする。
図4及び図5の非限定的な実施形態では、正しい動作状態と異常な動作状態(したがって、保守予測を決定する)との比較が示されている。特に、図4は正しい動作状態のトルク誤差(eNm)の経時的な値S1を示し、一方、値S2は、異常な動作状態のトルク誤差(eNm)の経時的な値を示す。上述の方法を使用して、異常値のマトリックスAM内で状態ACの偏差(すなわち、サンプルSSの関数として計算された特徴STF、STF’)を決定するとき、異常を検出することが可能である。既知の技術の解決策では、このタイプの異常(信号の若干の不正確さ及び神経質さを伴う、本質的に正しい状態の傾向に従う)を検出することは困難であった。特に、図5はモータリゼーション指標MMに関する複数の統計的特徴STF(例えば、上に列挙されたタイプの)の傾向を示し、グラフの左部分(すなわち、40~51の特徴)は正しい動作状態を示し、一方、グラフの右部分(すなわち、40’~51’の特徴)は、異常動作状態を示す。これまでに述べた手法を用いると、実際の状態ACが、異常値のマトリックスAMの正しいゾーンにある場合や、異常ゾーンにある場合に、データ処理ユニット5は、多次元的な評価(単一の値の偏りが必ずしも異常を引き起こさない)によって決定できるように、自動機械1のモデルをトレーニングすることができる。
自動機械1は上述の方法を実行するように構成されることが有利であるが、必ずしもそうである必要はない。
図1に示される好ましい非限定的な実施形態では、自動機械1によって処理されるタバコ産業の商品が紙巻きタバコのパケット2である。図示されていない異なる実施形態によれば、自動機械1は異なるタイプのもの(例えば、包装機械、セロハン包装機械、又は包装機械、食品機械、衛生吸収性商品用の機械など)であり、したがって、商品は、シガレット、フィルタピース、タバコパケット、葉巻、おむつ、チョコレートなどである。
上記の本発明は非常に正確な実施形態に特に言及しているが、当業者に明白である全ての変形、修正、又は単純化は例えば、さらなるアクチュエータの追加、包装機械以外のタバコ産業の別のタイプの機械での使用、記載されたもの以外の異常(しかし、何れの場合も、製造に影響を及ぼし、いわゆる「警告」を引き起こす可能性がある)、記載されたもの以外の異なるデータ伝送システム又は装置、アルゴリズム、記載されたもの以外の統計的特徴などの、その範囲内に入るので、本実施形態に限定されると見なされるべきではない。
本発明は複数の利点を有する。
第1に、それはそれが適用される自動機械の効率を増加させることを可能にし、それはそれが決定する異常の予測性が時間に関して予期せぬ、かつ最適化されていない中断の数を劇的に減少させることを可能にする(例えば、相対的な予備部品を既に利用可能にすることなく、構成要素の破損など)。これは全て、生産再開時間の著しい減少を伴い、その結果、自動機械の製造性を増加する。
更に、これらの時間の短縮は明らかに、予定された保守に起因するコストの比例的縮小を可能にし、これは、(構成要素の平均摩耗を推定し、明らかな異常の兆候がなくてもそれを交換することによって)あるタイプの予測保守が実行される場合とは異なり、実際の必要性の場合にのみ構成要素を交換することを可能にし、その結果、必ずしも必要でない予備部品を在庫する必要がないか、又は、実際の必要性を如何なる場合にも判断することができ、コストを節約する。
また、本発明は同期信号と、サンプリング周波数と送信周波数との差分とにより、非常に高い周波数のサンプリングを行うことができ、必ずしもリアルタイムでデータ処理部に送信する必要のないデータ量を効果的に管理することができる。更に、本発明は、装置のモデルを更新することによって、新しい公差を周期的に再計算する自動装置の知識及び適応性を連続的に改善することを可能にする。
本発明のさらなる利点は、単一の値を個別に監視することによって検出することができないであろう異常も考慮することを可能にする多次元制御を規定するという事実にある。更に、本発明は、更に、本発明は、機械に搭載された部品(例えば駆動装置など)により既に検出された内容を利用することができるため、少なくとも部分的には、予測保守を行うために必要な適切なセンサを追加する必要がないことも、コストの削減を決定付けている。
最後に、上述の方法を連続的に実施することによって、通常は突然の故障による未完成の処理サイクルに起因する廃棄される半製品の数を減らす(又は取り消す)ために、自動機の予測保守を実行することが可能である。その結果、経済的、環境的観点から、生産性が更に向上し、廃棄物が大幅に削減される。
Claims (17)
- 消費者向け製品を製造又は包装するための自動機械(1)の予測保守のための方法であって、
少なくとも1つのローカル制御ユニット(3、11)によって、少なくとも1つの電気アクチュエータ(4)の少なくとも1つのモータリゼーション指標(MM)に関する少なくとも複数のサンプル(SS)を、周期的に、かつサンプリング周波数(SF)で検出し、かつ記録するステップと、
周期的に、かつ前記サンプリング周波数(SF)に等しいか、又はそれより低い送信周波数(TF)で、記録された前記複数のサンプル(SS)をデータ処理ユニット(5)に送信するステップと、
検出された少なくとも一組の複数のサンプル(SS)に基づき、かつ検出された少なくともモータリゼーション指標(MM)に対して、少なくとも2つの統計的特徴(STF)を次元として有する異常値のマトリックス(AM)内で、少なくとも1つの多次元公差範囲(TH)を規定するステップと、
検出された各組の複数のサンプル(SS)について、前記異常値のマトリックス(AM)内で実際の状態(AC)の位置を規定するための少なくとも2つの統計的特徴(STF)を計算するステップと、
前記異常値のマトリックス(AM)及び前記多次元公差範囲(TH)における前記実際の状態(AC)の位置に基づいて、必要な保守の切迫性を決定するステップと、を有し、
前記モータリゼーション指標(MM)は、特に、各々の駆動装置によって検出された、電気モータの速度誤差である、方法。 - 記録中に、各々の制御ユニット(3、11)は、同期周波数(SFC)において、前記複数のサンプル(SS)の記録に含まれるべき同期信号を受信し、特に、前記同期信号は全ての「n」個のサンプル(SS)に含まれ、特に、前記同期周波数(SFC)は前記サンプリング周波数(SF)よりも低いが、前記送信周波数(TF)よりも高い、請求項1に記載の方法。
- 前記同期信号は前記自動機械(1)の物理的又は仮想的な主軸の位置である、請求項2に記載の方法。
- 前記同期信号を基準として使用して、前記データ処理ユニット(5)に送信された前記複数のサンプル(SS)を同期させるステップを更に有し、どのサンプルが前記自動機械(1)の所与の時刻又は所与の時間位相に対応するかを理解する、請求項2又は3に記載の方法。
- また、一組の記録された複数のサンプル(SS)は、前記自動機械(1)に搭載された1つ以上の装置の状態に関するローカル状態指標(LSM)に関し、特に、前記ローカル状態指標(LSM)は、双方向、デジタル、及びローカル産業ネットワークのノードに接続された少なくとも1つのローカル取得ユニット(7)によって検出される、請求項1~4の何れか一項に記載の方法。
- 前記ローカル状態指標(LSM)は、特に、いくつかの次元で検出される振動、及び/又は温度及び/又は加速度を含む、請求項5に記載の方法。
- 前記サンプリング周波数(SF)は、2kHz以上、特に4kHz以上である、請求項1~6の何れか一項に記載の方法。
- 前記送信周波数(TF)は、0.2Hz以下、特に0.1Hz以下である、請求項1~7の何れか一項に記載の方法。
- 前記多次元公差範囲(TH)は、教師なしグループ化手段、特にK平均アルゴリズムを介して規定され、前記多次元公差範囲(TH)は、非線形形状、特に楕円形又は円形を有するように構成され、特に、前記多次元公差範囲(TH)は、検出された最新の複数のサンプル(SS)の値を含めて周期的に更新される、請求項1~8の何れか一項に記載の方法。
- 既知の異常に起因する複数の統計的特徴(STF)を入力として使用する、教師なしグループ化手段、特にK平均アルゴリズムによって、前記自動機械(1)のモデルをトレーニングするステップを更に含み、特に、前記モデルは、検出された最新の複数のサンプル(SS)の値を含めて周期的に更新され、特に、前記モデルは、予期しない故障の場合に更新される、前記異常値のマトリックス(AM)における異常の領域を規定する、請求項1~9の何れか一項に記載の方法。
- 連続する実際の状態(AC)が、前記異常値のマトリックス(AM)内で移動する速度、特に最新の実際の状態(AC)が前記多次元公差範囲(TH)に向かって移動する速度を計算するステップを更に含む、請求項1~10の何れか一項に記載の方法。
- 前記異常値のマトリックス(AM)内で最新の実際の状態(AC)の位置又は速度に基づいて、保守プログラム(9)を定期的にスケジューリングするステップを更に含む、請求項1~11の何れか一項に記載の方法。
- 更新された前記保守プログラム(9)を保守リソースに定期的に送信するステップを更に含む、請求項12に記載の方法。
- 前記異常値のマトリックス(AM)は複数のグループを含み、前記グループの各々は前記自動機械(1)の異なる機械的要素又は同様の構造的特徴を有する機械的要素の状態に対応し、特に、多次元公差範囲(TH)は各グループに対して定義される、請求項1~13の何れか一項に記載の方法。
- 前記モータリゼーション指標(MM)は、モータによって供給されるトルク/電流及び/又はモータ追従誤差及び/又は負荷率及び/又はRMS値を有する、請求項1~14の何れか一項に記載の方法。
- 消費者向け製品の製造用又は包装用の自動機械(1)であって、
少なくとも1つの電気アクチュエータ(4)を制御し、少なくとも1つの電気アクチュエータ(4)の少なくとも1つのモータリゼーション指標(MM)に関する複数のサンプル(SS)をサンプリング周波数(SF)で周期的に検出し、かつ記録するように構成された1つ以上の電気駆動装置(3)と、
前記サンプリング周波数(SF)に等しいか、又はそれより低い送信周波数(TF)で、前記サンプリング周波数(SF)で記録された複数のサンプル(SS)を周期的に受信するように構成されたデータ処理ユニット(5)と、
少なくとも1つの検出されたモータリゼーション指標(MM)に基づく少なくとも2つの統計的特徴(STF)を有する異常値のマトリックス(AM)を含むように構成されたローカル記憶ユニット(6)と、を備え、
前記自動機械(1)は、請求項1~15の何れか一項に記載の方法を実行するように構成されている、自動機械(1)。 - 双方向、デジタル、及びローカル産業ネットワークのノードに接続された少なくとも1つのローカル取得ユニット(7)を備え、特に、前記自動機械(1)は前記データ処理ユニット(5)に接続され、保守プログラム(9)を保守リソースに送信するように構成された通信インターフェース(8)も備え、特に、前記少なくとも1つのローカル取得ユニット(7)はスマートタグ及び/又はIoTセンサを備え、特に、前記電気駆動装置(3)はそれらが接続された機械制御キャビネット又はそれぞれの電気アクチュエータ(4)に搭載され、特に、前記自動機械(1)は、各々が前記自動機械(1)に搭載された異なる機械グループに搭載された複数のローカル取得ユニット(7)を備える、請求項16に記載の自動機械(1)。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IT102020000014944A IT202000014944A1 (it) | 2020-06-23 | 2020-06-23 | Procedimento per la manutenzione predittiva di una macchina automatica per la produzione o l’impacchettamento di articoli di consumo |
IT102020000014944 | 2020-06-23 | ||
PCT/IB2021/055567 WO2021260595A1 (en) | 2020-06-23 | 2021-06-23 | Method for the predictive maintenance of an automatic machine for manufacturing or packing consumer articles |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023530858A true JP2023530858A (ja) | 2023-07-20 |
Family
ID=72644580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022573554A Pending JP2023530858A (ja) | 2020-06-23 | 2021-06-23 | 消費者向け製品を製造又は包装するための自動機械の予測保守のための方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20230221715A1 (ja) |
EP (1) | EP4168870A1 (ja) |
JP (1) | JP2023530858A (ja) |
KR (1) | KR20230027007A (ja) |
CN (1) | CN115698886A (ja) |
IT (1) | IT202000014944A1 (ja) |
WO (1) | WO2021260595A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IT202000014944A1 (it) | 2020-06-23 | 2021-12-23 | Gd Spa | Procedimento per la manutenzione predittiva di una macchina automatica per la produzione o l’impacchettamento di articoli di consumo |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5852351A (en) | 1996-08-22 | 1998-12-22 | Csi Technology | Machine monitor |
US20030046382A1 (en) | 2001-08-21 | 2003-03-06 | Sascha Nick | System and method for scalable multi-level remote diagnosis and predictive maintenance |
US7552005B2 (en) | 2004-03-16 | 2009-06-23 | Honeywell International Inc. | Method for fault diagnosis of a turbine engine |
CN100555238C (zh) | 2004-12-17 | 2009-10-28 | 韩国标准科学研究院 | 用于真空泵的故障保护和预知维护的精确诊断方法及精确诊断*** |
US20070088550A1 (en) * | 2005-10-13 | 2007-04-19 | Dimitar Filev | Method for predictive maintenance of a machine |
US10558929B2 (en) | 2016-05-31 | 2020-02-11 | The Boeing Company | Monitored machine performance as a maintenance predictor |
WO2018110259A1 (ja) * | 2016-12-14 | 2018-06-21 | オムロン株式会社 | 制御装置、制御プログラムおよび制御方法 |
AU2019244842B2 (en) * | 2018-03-28 | 2024-03-07 | L&T Technology Services Limited | System and method for monitoring health and predicting failure of an electro-mechanical machine |
DE102018126501B3 (de) | 2018-10-24 | 2019-12-19 | Iav Gmbh Ingenieurgesellschaft Auto Und Verkehr | Verfahren zur Wartungsvorhersage von Komponenten einer Brennkraftmaschine mittels Körperschallsensor |
CN110696049B (zh) | 2019-11-04 | 2023-03-24 | 常州机电职业技术学院 | 一种码垛机器人预测性维护方法 |
IT202000014944A1 (it) | 2020-06-23 | 2021-12-23 | Gd Spa | Procedimento per la manutenzione predittiva di una macchina automatica per la produzione o l’impacchettamento di articoli di consumo |
-
2020
- 2020-06-23 IT IT102020000014944A patent/IT202000014944A1/it unknown
-
2021
- 2021-06-23 KR KR1020227042109A patent/KR20230027007A/ko unknown
- 2021-06-23 WO PCT/IB2021/055567 patent/WO2021260595A1/en unknown
- 2021-06-23 US US17/925,301 patent/US20230221715A1/en active Pending
- 2021-06-23 JP JP2022573554A patent/JP2023530858A/ja active Pending
- 2021-06-23 CN CN202180039333.3A patent/CN115698886A/zh active Pending
- 2021-06-23 EP EP21745414.9A patent/EP4168870A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
KR20230027007A (ko) | 2023-02-27 |
EP4168870A1 (en) | 2023-04-26 |
US20230221715A1 (en) | 2023-07-13 |
CN115698886A (zh) | 2023-02-03 |
IT202000014944A1 (it) | 2021-12-23 |
WO2021260595A1 (en) | 2021-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11675344B2 (en) | Systems and methods for maintaining equipment in an industrial automation environment | |
Kiangala et al. | Initiating predictive maintenance for a conveyor motor in a bottling plant using industry 4.0 concepts | |
US10809703B2 (en) | Management system and management method | |
CN107272586B (zh) | 机械学习装置、机械学习方法、故障预知装置及*** | |
US9869993B2 (en) | System and method for monitoring and/or diagnosing operation of a production line of an industrial plant | |
EP3037901B1 (en) | Cloud-based emulation and modeling for automation systems | |
US11147200B2 (en) | Nozzle performance analytics | |
US9413852B2 (en) | Time-stamping of industrial cloud data for synchronization | |
US20150106912A1 (en) | Remote machine monitoring systems and services | |
CN112673327B (zh) | 控制装置及计算机可读取的存储介质 | |
US20180259947A1 (en) | Management device and non-transitory computer-readable medium | |
US20140379626A1 (en) | Information platform for industrial automation stream-based data processing | |
JP2023530858A (ja) | 消費者向け製品を製造又は包装するための自動機械の予測保守のための方法 | |
US20220050448A1 (en) | Control apparatus and non-transitory computer readable medium | |
WO2022190560A1 (ja) | 制御装置、制御システム、方法およびプログラム | |
KR102416656B1 (ko) | 스마트한 제조 어셈블리 라인 성능을 위한 시각적 진단/분석 시스템 및 방법 | |
TWI830193B (zh) | 預測系統、資訊處理裝置以及資訊處理程式 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20231221 |