JP6672132B2 - Lift diagnostic system, lift diagnostic device, and lift diagnostic method - Google Patents
Lift diagnostic system, lift diagnostic device, and lift diagnostic method Download PDFInfo
- Publication number
- JP6672132B2 JP6672132B2 JP2016242501A JP2016242501A JP6672132B2 JP 6672132 B2 JP6672132 B2 JP 6672132B2 JP 2016242501 A JP2016242501 A JP 2016242501A JP 2016242501 A JP2016242501 A JP 2016242501A JP 6672132 B2 JP6672132 B2 JP 6672132B2
- Authority
- JP
- Japan
- Prior art keywords
- elevator
- combination
- normal model
- normal
- operating state
- 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.)
- Active
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
- Maintenance And Inspection Apparatuses For Elevators (AREA)
Description
本発明は、昇降機診断システム、昇降機診断装置、及び昇降機診断方法に関する。 The present invention relates to an elevator diagnosis system, an elevator diagnosis device, and an elevator diagnosis method.
特許文献1には「熟練した技術者でなくとも、エレベータの異常状態を的確かつ容易に診断する。」、「振動加速度センサにより振動の振幅値を測定し、この振幅値のデータに対するウェーブレット変換の演算をウェーブレット変換演算部により行なって、時間座標と周波数座標を有するウェーブレットスペクトラムデータを生成する。そして、ウェーブレットスペクトラムデータ中の許容基準値を超える振動の振幅値を抽出し、この振幅値と関わる時間及び周波数の値を、診断データベース部中の、振動の振幅値の許容基準値が存在する時刻および周波数の組合せの情報、および、該当する時刻および周波数において許容基準値以上の振幅値がみられる場合の異常発生部位と推測される部位とが対応付けられる異常部位データベースと照合して、異常な振動の原因となる部位を判定する。」と記載されている。
特許文献2には「エレベータのかごで検出された音と振動の波形データを分析した分析データを生成する波形分析部と、診断対象のエレベータに関する仕様データに対して、当該エレベータについて波形分析部により生成された分析データを対応付けた多次元データを生成する多次元データ生成部と、異常がないエレベータの多次元データから構成される基準空間と多次元データ生成部によって生成された多次元データとのマハラノビス距離を算出するマハラノビス距離算出部と、マハラノビス距離算出部により算出されたマハラノビス距離と所定の閾値とを比較して、マハラノビス距離が閾値より大きい場合に当該エレベータが異常であると判定し、マハラノビス距離が閾値以下であれば正常であると判定する異常判定部とを備える。」と記載されている。
昨今、昇降機の保守点検を行うために必要な専門技術者の確保が困難になってきており、とくに官能評価を行う熟練者の技術継承が難しくなっている。一方で、昇降機の設置台数は年々増加しており、保守点検のニーズは増え続けている。こうした状況のなか、限られた人数の専門技術者で昇降機の保守点検を効率よく行うには、保守点検作業を自動化することが不可欠である。また昇降機の状態を経年変化を含めて把握することや、保守点検の対象となる多数の昇降機の情報を共有することも診断精度を向上する上で有効である。 In recent years, it has become difficult to secure the required specialized technicians to perform maintenance and inspection of elevators, and it is particularly difficult for a skilled person who performs sensory evaluation to pass on the skills. On the other hand, the number of elevators installed is increasing year by year, and the need for maintenance and inspection is increasing. Under these circumstances, it is essential to automate the maintenance and inspection work in order for a limited number of specialist technicians to perform maintenance and inspection of the elevator efficiently. It is also effective to grasp the state of the elevator including aging and to share information of a large number of elevators to be subjected to maintenance and inspection in order to improve diagnostic accuracy.
ここで昇降機の正常状態におけるセンサの計測値の分布は昇降機の機種(種別)ごとに異なり、昇降機の状態診断に際しては昇降機の機種ごとの違いを考慮する必要がある。しかし機種が同じでも昇降機の正常状態は運転状態によって異なり、昇降機の状態診断に際しては昇降機の運転状態の違いについても考慮する必要がある。 Here, the distribution of measured values of the sensor in the normal state of the elevator differs for each model (type) of the elevator, and it is necessary to consider the difference for each model of the elevator when diagnosing the state of the elevator. However, even if the models are the same, the normal state of the elevator differs depending on the operating state, and it is necessary to consider the difference in the operating state of the elevator when diagnosing the state of the elevator.
本発明は、効率よく高い精度で昇降機の診断を行うことが可能な、昇降機診断システム、昇降機診断装置、及び昇降機診断方法を提供することを目的としている。 An object of the present invention is to provide an elevator diagnosis system, an elevator diagnosis device, and an elevator diagnosis method that can efficiently perform an elevator diagnosis with high accuracy.
本発明のうちの一つは、昇降機診断システムであって、昇降機の状態を示す計測データを記憶する計測データ記憶部、前記計測データに基づき昇降機の運転状態を特定する運転状態特定部、前記計測データに基づき、昇降機の種別と昇降機の運転状態との組み合わせごとに、昇降機の運転状態に関する特徴量が正常状態で観測される確率を求める正常モデルを学習する正常モデル学習部、前記計測データに基づき、前記正常モデルを用いて昇降機の状態が正常か非正常かを診断するために前記確率と比較する閾値を設定する閾値設定部、昇降機の種別と昇降機の運転状態との組み合わせと、前記正常モデルと前記閾値との組み合わせとを対応づけた情報を記憶する正常モデルデータ記憶部、前記計測データから前記特徴量を求める特徴量算出部、診断対象の昇降機の種別と前記計測データに基づき特定した当該診断対象の昇降機の運転状態との組み合わせに対応する、前記正常モデルと前記閾値との組み合わせを前記正常モデルデータ記憶部から選択する正常モデル選択部、前記診断対象の昇降機の前記計測データから求めた特徴量と選択した前記正常モデルとに基づき前記確率を求め、求めた前記確率を前記選択した閾値と比較することにより前記診断対象の昇降機の状態を診断する状態診断部、を備える。 One of the present invention is an elevator diagnostic system, which includes a measurement data storage unit that stores measurement data indicating a status of the elevator, an operation state identification unit that identifies an operation state of the elevator based on the measurement data, Based on the data, for each combination of the type of elevator and the operating state of the elevator, a normal model learning unit that learns a normal model that obtains a probability that the characteristic amount related to the operating state of the elevator is observed in the normal state, based on the measurement data A threshold setting unit that sets a threshold to be compared with the probability to diagnose whether the state of the elevator is normal or abnormal using the normal model, a combination of the type of the elevator and the operating state of the elevator, and the normal model A normal model data storage unit for storing information in which a combination of a threshold value and a combination of the threshold value is calculated, and a feature amount calculation for obtaining the feature amount from the measurement data , Successfully selected based on the measurement data and the type of diagnostic object of the elevator corresponding to the combination of the operating state of the specified the diagnosis object of the elevator, the combination of the normal model and the threshold value from the normal model data storage unit model selection unit, the determined the based-out the probability to said normal model and the selected feature quantity calculated from the measurement data of the elevator of the diagnostic object, said by the probability determined is compared with the selected threshold value A state diagnosis unit that diagnoses the state of the elevator to be diagnosed.
その他、本願が開示する課題、及びその解決方法は、発明を実施するための形態の欄、及び図面により明らかにされる。 In addition, problems to be disclosed by the present application and methods for solving the problems will be clarified by the description of embodiments for carrying out the invention and the drawings.
本発明によれば、効率よく高い精度で昇降機の診断を行うことができる。 ADVANTAGE OF THE INVENTION According to this invention, a diagnosis of an elevator can be performed efficiently and with high precision.
以下、実施形態について図面を参照しつつ説明する。尚、以下の説明において、同一の又は類似する構成について同一の符号を付して重複した説明を省略することがある。 Hereinafter, embodiments will be described with reference to the drawings. In the following description, the same or similar components may be denoted by the same reference numerals and redundant description may be omitted.
[第1実施形態]
図1に、第1実施形態として示す昇降機7の状態を診断するシステム(以下、診断システム1と称する。)の概略的な構成を示している。同図に示すように、診断システム1は
、診断対象の昇降機7が存在する現場2に設けられた診断装置20と、現場2から遠隔した場所に存在する保守センタ3に設けられたサーバ装置30とを含む。診断装置20とサーバ装置30とは、通信手段5(インターネット、専用線、電話網等)を介して通信可能に接続している。
[First Embodiment]
FIG. 1 shows a schematic configuration of a system (hereinafter, referred to as a diagnostic system 1) for diagnosing a state of the
診断装置20は、例えば、昇降機7の保守点検等に際し作業員等によって現場2に持ち込まれる。診断装置20には、各種センサ6からの計測データ(例えば、センサから出力される信号や計測値。以下、センサデータと称する。)が入力される。各種センサ6は、昇降機7の状態を示す情報を取得する素子又は装置であり、例えば、昇降機7や昇降路(シャフト)、もしくはこれらに付帯する装置や設備に設けられる。各種センサ6は、例えば、加速度センサ(3軸加速度センサ等)、速度センサ、昇降機7を駆動する電動機の電流を計測するセンサ、音響センサ(例えば、昇降機7の走行音を収集するマイクロフォン)、振動センサ)等である。
The
診断装置20は入力インタフェースを備え、作業員等が入力した、昇降機7の型番(以下、昇降機型番と称する。)、官能評価の結果(以下、官能評価結果と称する。)等の情報を受け付ける。また診断装置20は通信インタフェースを備え、昇降機7と通信して昇降機7の制御情報(昇降機7の制御信号、昇降機7が備える電動機等の構成要素の制御履歴、昇降機7のユーザが昇降機7の操作ボタン(階数指定ボタン、ドア開閉ボタン等)に対して行った操作に関する情報等)を取得する。診断装置20は、このようにして入力インタフェースや通信インタフェースを介して取得した、昇降機型番、センサデータ、官能評価結果、制御情報、サーバ装置30から提供される情報(後述する、正常モデル、診断用閾値)に基づき、昇降機7の診断(正常か否か、故障の予兆検知等)を行う。
The
保守センタ3は、昇降機7の保守サービス業者等によって運用される拠点である。サーバ装置30は、通信手段5を介して診断装置20から昇降機7に関する情報(昇降機型番、官能評価結果、センサデータ、制御情報)を随時取得する。またサーバ装置30は、昇降機7の診断に用いる情報の診断装置20への提供を行う。
The maintenance center 3 is a base operated by a maintenance service company of the
サーバ装置30は、昇降機型番と昇降機7の運転状態を特定する情報(以下、昇降機運転状態と称する。)との組み合わせごとに、正常状態にあるときの昇降機7のセンサデータに基づき求めた特徴量の確率分布に基づく正常モデルと当該正常モデルを用いて昇降機7の状態を診断する際に用いる閾値(以下、診断用閾値と称する。)との組み合わせを学習(生成)して記憶する。より具体的には、サーバ装置30は、一台以上の診断装置20から取得した情報(昇降機型番、官能評価結果、センサデータ、制御情報)に基づき機械学習(学習(トレーニング)と評価(テスト))を行い、正常モデル及び診断用閾値を生成する。サーバ装置30は、診断装置20から受信する情報(昇降機型番、官能評価結果、センサデータ、制御情報)に基づき正常モデル及び診断用閾値を学習(生成もしくは更新)する。尚、サーバ装置30が診断装置20から取得する情報(昇降機型番、官能評価結果、センサデータ、制御情報)が増えていくことにより正常モデル及び診断用閾値の精度が向上し、昇降機7の状態診断の精度の向上が図られる。
The
サーバ装置30は、上記の機械学習に用いる情報(後述する、学習用データや評価用データ)の選択に際して官能評価結果を適宜参照する。これにより、例えば、診断装置20による昇降機7の状態診断に際して本来正常と判断されるべき昇降機7の状態が非正常と判断されてしまう可能性を低下させることができる。
The
診断装置20は、正常モデルと診断用閾値との上記組み合わせをサーバ装置30から取得する。診断装置20は、センサデータ及び制御情報を用いて昇降機運転状態を特定し、サーバ装置30から取得した正常モデルと診断用閾値との組み合わせのうち、昇降機型番
と識別した上記昇降機運転状態との組み合わせに対応するものを選択する。
The
診断装置20は、センサデータに基づき特徴量を求め、求めた特徴量と選択した上記正常モデルとに基づき、上記特徴量が昇降機7が正常状態にあるときに観測される確率(尤度)を求める。そして診断装置20は、求めた上記確率を、取得した上記診断用閾値と比較し、上記確率が上記診断用閾値以上であれば昇降機7の状態は正常であると判定し、上記確率が上記診断用閾値未満であれば昇降機7の状態は非正常であると判定する。
The
このように、診断装置20は、昇降機型番と昇降機運転状態との組み合わせに対応する正常モデルと診断用閾値との組み合わせを選択するので、昇降機型番とともに昇降機運転状態も考慮して精度よく昇降機7の状態診断を行うことができる。
As described above, since the
図2は、診断システム1の診断装置20やサーバ装置30の構成に用いられるハードウェア構成の一例(情報処理装置50)である。同図に示すように、情報処理装置50は、プロセッサ51、主記憶装置52、補助記憶装置53、入力装置54、出力装置55、及び通信装置56を備える。これらは図示しないバス等の通信手段を介して互いに通信可能に接続されている。尚、情報処理装置50の全部又は一部は、例えば、クラウドシステムにおけるクラウドサーバのように仮想的に実現される構成であってもよい。診断装置20を構成する情報処理装置50として、例えば、ノートブック型のパーソナルコンピュータ、タブレット、スマートフォン等がある。またサーバ装置30を構成する情報処理装置50として、例えば、パーソナルコンピュータ、オフィスコンピュータ等がある。
FIG. 2 is an example of a hardware configuration (information processing device 50) used for the configuration of the
プロセッサ51は、例えば、CPU(Central Processing Unit)やMPU(Micro Processing Unit)を用いて構成されている。プロセッサ51が、主記憶装置52に格納されているプログラムを読み出して実行することにより、診断装置20やサーバ装置30の機能が実現される。主記憶装置52は、プログラムやデータを記憶する装置であり、例えば、ROM(Read Only Memory)、RAM(Random Access Memory)、不揮発性半導体メモリ(NVRAM(Non Volatile RAM))等である。
The
補助記憶装置53は、例えば、ハードディスクドライブ、SSD(Solid State Drive
)、光学式記憶装置(CD(Compact Disc)、DVD(Digital Versatile Disc)等)、ストレージシステム、ICカード、SDメモリカードや光学式記録媒体等の記録媒体の読取/書込装置、クラウドサーバの記憶領域等である。補助記憶装置53に格納されているプログラムやデータは主記憶装置52に随時ロードされる。補助記憶装置53は、例えば、ネットワークストレージのように情報処理装置50から独立した構成としてもよい。
The
), Optical storage devices (CD (Compact Disc), DVD (Digital Versatile Disc), etc.), storage systems, IC cards, read / write devices for recording media such as SD memory cards and optical recording media, and cloud servers A storage area. The programs and data stored in the
入力装置54は、外部入力を受け付けるユーザインタフェースであり、例えば、キーボード、マウス、タッチパネル等である。出力装置55は、処理経過や処理結果等の各種情報を提供するユーザインタフェースであり、例えば、画面表示装置(液晶モニタ、LCD(Liquid Crystal Display)、グラフィックカード等)、印字装置等である。尚、例えば、通信装置56が入力装置54や出力装置15として機能してもよい。
The
通信装置56は、他の装置や素子との間の通信を実現する有線方式又は無線方式の通信インタフェースであり、例えば、NIC(Network Interface Card)、無線通信モジュール、USB(Universal Serial Bus)やRS−232C等の規格に準拠した通信アダプタ等である。通信装置56は、通信手段5を介して他の装置と通信する。また情報処理装置50を用いて診断装置20を構成した場合、通信装置56は、診断装置20が各種センサ6や昇降機7の制御装置と通信する。
The
図3にサーバ装置30が備える機能、及びサーバ装置30が記憶する情報(以下、デー
タとも称する。)を示している。同図に示すように、サーバ装置30は、運転状態特定部311、特徴量算出部312、学習用データ選択部313、評価用データ選択部314、正常モデル学習部315、モデル選択/閾値設定部316、通信部317、及び情報記憶部350(計測データ記憶部、正常モデルデータ記憶部、制御情報記憶部、官能評価結果記憶部)の各機能を備える。これらの機能は、例えば、サーバ装置30のプロセッサ51が、主記憶装置52や補助記憶装置53に格納されているプログラムを読み出して実行することにより実現される。またこれらの機能は、例えば、サーバ装置30が備えるハードウェア(ASIC(Application Specific Integrated Circuit)等)によって実現され
る。尚、サーバ装置30は、これらの機能以外に、例えば、オペレーティングシステム、デバイスドライバ、DBMS(DataBase Management System)等を備えていてもよい。
FIG. 3 shows functions of the
同図に示すように、情報記憶部350は、昇降機型番351、制御情報352、センサデータ353、官能評価結果354、混合数別正常モデル361、及び正常モデルデータ362の各データを記憶する。情報記憶部350は、これらのデータを、例えば、DBMSによって管理する。
As shown in the figure, the
運転状態特定部311は、センサデータ353及び制御情報352のうちの少なくともいずれかに基づき昇降機7の運転状態(昇降機運転状態)を特定する。尚、制御情報352が利用できない場合、運転状態特定部311は、センサデータ353に基づき昇降機運転状態を特定する。サーバ装置30は、昇降機型番と、特定した上記昇降機運転状態との組み合わせごとに正常モデルを学習(生成又は更新)する。
The operating
図4に、サーバ装置30の運転状態特定部311が、センサデータ353として与えられた昇降機7の「かご」の垂直方向加速度の時間変化に基づき昇降機運転状態を特定した例を示す。本例では、運転状態特定部311は、昇降機運転状態として7つの「運転状態(0)〜(6)」を特定している。運転状態(0)は、昇降機7が階に停止している状態、運転状態(1)は、昇降機7が加速しながら上昇している状態、運転状態(2)は、昇降機7が等速で上昇している状態、運転状態(3)は、昇降機7が減速しながら上昇している状態、運転状態(4)は、加速しながら下降している状態、運転状態(5)は、昇降機7が等速で下降している状態、運転状態(6)は、昇降機7が減速しながら下降している状態である。尚、本例では昇降機運転状態を7つに分類しているが、分類数は必ずしも限定されない。また分類数を増やすことで運転状態の診断性能の向上を期待できるが、その分、学習する正常モデルの数も増えるので、分類数は、処理負荷や必要な記憶容量等を考慮して適切な値に設定することが好ましい。尚、診断装置20の運転状態特定部213も、例えば、以上と同様の方法で昇降機運転状態を特定する。
FIG. 4 illustrates an example in which the operating
特徴量算出部312は、センサデータ353に基づき特徴量を求める。尚、特徴量は、例えば、多次元の特徴量ベクトルで表される。
The feature
学習用データ選択部313は、正常モデル学習部315が正常モデルを学習する際に利用するセンサデータ(以下、学習用データと称する。)をセンサデータ353から選択する。
The learning
評価用データ選択部314は、モデル選択/閾値設定部316が正常モデルの評価に際して利用するセンサデータ(以下、評価用データと称する。)をセンサデータ353から選択する。
The evaluation data selection unit 314 selects sensor data (hereinafter, referred to as evaluation data) used by the model selection /
正常モデル学習部315は、情報記憶部350が記憶しているセンサデータ353のうち官能評価結果が正常と評価されているセンサデータを用いて正常モデルの学習を行う。正常モデル学習部315は、昇降機型番と昇降機運転状態との組み合わせごとに混合数の
異なる複数の正常モデルを学習し、学習した正常モデルを混合数別正常モデル361として記憶する。
The normal
モデル選択/閾値設定部316は、評価用データ選択部314が選択した評価用データを用いて、混合数別正常モデル361からの診断に際して用いる正常モデルの選択、並びにその正常モデルを用いて昇降機7の状態を診断する際に用いる診断用閾値の設定を行う。より具体的には、モデル選択/閾値設定部316は、混合数の異なる複数の正常モデルの夫々について診断と評価を行うことにより複数の正常モデルの夫々について識別率を求め、求めた識別率が予め定めた許容誤差の条件を満たす正常モデルのうち混合数が最小のものを診断に際して用いる正常モデルとして選択する。またモデル選択/閾値設定部316は、診断評価における診断誤りが最小になる値を、選択した上記正常モデルの診断用閾値として設定する。
The model selection /
尚、正常状態の分布として精密に表現可能なモデルを用いることで精度の向上が期待できるが、その場合はオーバーフィッティングが問題となる。例えば、図5に示すように、学習データの数に比べて過度に複雑なモデルを用いて機械学習を行うことにより学習データに過度に適応してしまい、実際の(真の)正常状態の分布511よりも狭い範囲が正常な分布512として学習されてしまう。そのため、例えば、符号513で示すような正常な計測値が非正常と誤判定されてしまう。しかし前述したようにモデル選択/閾値設定部316は、混合数の異なる複数の正常モデルの夫々について診断と評価を行うことにより複数の正常モデルの夫々について識別率を求め、求めた識別率が予め定めた許容誤差の条件を満たす正常モデルのうち混合数が最小のものを選択するので、こうした誤判定を低減することができる。
It should be noted that the accuracy can be improved by using a model that can be precisely expressed as the distribution of the normal state, but in that case, overfitting becomes a problem. For example, as shown in FIG. 5, machine learning using a model that is excessively complex compared to the number of learning data results in excessive adaptation to the learning data, and the distribution of the actual (true) normal state. A range narrower than 511 is learned as a
図3に戻り、モデル選択/閾値設定部316は、選択した正常モデルと診断用閾値との組み合わせを昇降機型番と昇降機運転状態との組み合わせに対応づけて正常モデルデータ362として記憶する。
Returning to FIG. 3, the model selection /
図6に正常モデルデータ362の例を示す。正常モデルデータ362は、昇降機型番と昇降機運転状態との組み合わせと、正常モデルと診断用閾値との組み合わせとの対応を示す情報を含む。本例では、正常モデルデータ362は、昇降機型番611、昇降機運転状態612、正常モデル613、及び診断用閾値614の各項目からなる一つ以上のレコードで構成されている。昇降機型番611には、昇降機7の型番が設定される。昇降機運転状態612には、昇降機7の運転状態を特定する情報が設定される。正常モデル613には、正常モデルの具体的な内容が設定される。診断用閾値614には、診断用閾値が設定される。
FIG. 6 shows an example of the
図3に戻り、通信部317は、診断装置20からの要求に応じて、診断装置20から指定された昇降機型番の正常モデルと当該正常モデルの診断用閾値との組み合わせを診断装置20に送信する。尚、通信部317が、対応する昇降機型番と昇降機運転状態との組み合わせが異なる複数の正常モデルの診断用閾値との組み合わせを一括して診断装置20に送信(提供)するようにしてもよい。
Returning to FIG. 3, the
通信部317は、通信手段5を介して一つ以上の診断装置20から送られてくる情報(昇降機型番、制御情報、センサデータ、官能評価結果)を受信する。通信部317が受信した上記情報は、情報記憶部350が、昇降機型番351、制御情報352、センサデータ353、及び官能評価結果354として記憶する。通信部317は、上記情報を随時取得し、情報記憶部350は、取得した上記情報に基づき、昇降機型番351、制御情報352、センサデータ353、及び官能評価結果354を更新する。
The
図7に診断装置20が備える機能、及び診断装置20が記憶する情報(データ)を示している。同図に示すように、診断装置20は、入力部211、通信部212、運転状態特定部213、特徴量算出部214、正常モデル選択部215、状態診断部216、及び情報記憶部250の各機能を備える。これらの機能は、例えば、診断装置20のプロセッサ51が、主記憶装置52や補助記憶装置53に格納されているプログラムを読み出して実行することにより実現される。またこれらの機能は、例えば、診断装置20が備えるハードウェア(ASIC等)によって実現される。尚、診断装置20は、これらの機能以外に、例えば、オペレーティングシステム、デバイスドライバ、DBMS等を備えていてもよい。
FIG. 7 shows functions of the
同図に示すように、情報記憶部250は、昇降機型番251、官能評価結果254、制御情報252、センサデータ253、及び正常モデルデータ261の各データを記憶する。情報記憶部250は、これらのデータを、例えば、DBMSによって管理する。
As shown in the figure, the
入力部211は、入力装置54を介して作業員等から情報(昇降機型番、官能評価結果)を受け付ける。入力部211は、例えば、GUI(Graphical User Interface)等を介して上記情報を受け付ける。
The
通信部212は、通信装置56を介して各種センサ6からセンサデータを受信し、受信したセンサデータをセンサデータ253として記憶する。また通信部212は、通信装置56を介して昇降機7から制御情報を受信し、受信した制御情報を制御情報252として記憶する。また通信部212は、通信手段5を介してサーバ装置30と通信し、サーバ装置30への情報(昇降機型番、制御情報、センサデータ、官能評価結果)の送信やサーバ装置30からの情報(正常モデル、診断用閾値)の受信を行う。
The
運転状態特定部213は、センサデータ253及び制御情報252のうちの少なくともいずれかに基づき昇降機7の昇降機運転状態を特定する。尚、制御情報252が利用できない場合、運転状態特定部213は、センサデータ253に基づき昇降機運転状態を特定する。
The operating
特徴量算出部214は、センサデータ253に基づき特徴量を求める。
The feature
正常モデル選択部215は、昇降機型番と運転状態特定部213が特定した昇降機運転状態との組み合わせに対応する正常モデルと診断用閾値との組み合わせを正常モデルデータ261から選択する。
The normal
状態診断部216は、特徴量算出部214が求めた特徴量と、正常モデル選択部215が選択した正常モデルと診断用閾値との組み合わせに基づき、上記特徴量が正常状態で観測される確率を求める。状態診断部216は、求めた上記確率を、正常モデル選択部215が選択した上記診断用閾値と比較し、上記確率が上記診断用閾値以上であれば昇降機7の状態は正常である判定し、上記確率が取得した上記診断用閾値未満であれば昇降機7の状態は非正常と判定する。状態診断部216は、上記判定の結果を診断結果として出力装置55から出力する。
The state diagnosis unit 216 determines a probability that the feature amount is observed in a normal state based on a combination of the feature amount obtained by the feature
続いて、正常モデル学習部315による正常モデルの学習について説明する。正常モデル学習部315は、正常モデルとして式1に示す混合ガウス分布モデル(GMM: Gaussian Mixture Model)を用いる。
Next, learning of a normal model by the normal
混合ガウス分布モデルでは、データの存在確率の分布を複数の正規分布の重み付け和として表現する。表現に用いる正規分布の数のことを混合数という。混合数が大きい程、より複雑な分布を表現することができる。 In the Gaussian mixture model, the distribution of the data existence probabilities is expressed as a weighted sum of a plurality of normal distributions. The number of normal distributions used in the expression is called the number of mixtures. As the number of mixtures increases, a more complicated distribution can be expressed.
式1において、Kは混合数、μkはk番目のガウス分布の平均ベクトル、Σkは共分散行
列である。またπkは混合係数であり、0≦πi≦1かつ次の式2を満たす。
In
また式1において、xnはn番目の特徴量ベクトルを、N(x|μ,Σ)は正規分布を
表す。θは、πk、μk、Σkをまとめたパラメータを意味する。特徴量xnがm次元のベクトルであった場合、μkはm次元ベクトル、Σkはm×mの行列、πiはスカラ値となる。
In
正常モデルの診断用閾値は、例えば、正常か非正常かを2段階に識別する。尚、非正常の状態をさらに複数のレベルに分ける場合は各レベルを識別する閾値が必要(L段階の状態に識別する場合にはL−1の閾値が必要)となる。 The diagnostic threshold of the normal model identifies, for example, normal or abnormal in two stages. When the abnormal state is further divided into a plurality of levels, a threshold value for identifying each level is required (a threshold value of L-1 is necessary for identifying an L-level state).
正常モデルの学習は、昇降機7が正常状態にあるときの特徴量ベクトルについて、例え
ば、以下に示すEMアルゴリズム(Expactation-Maximization algorithm)を実行することにより行う。
The learning of the normal model is performed by executing, for example, the following EM algorithm (Expactation-Maximization algorithm) on the feature amount vector when the
EMアルゴリズムでは、まずπk、μk、Σkを既知として、昇降機7が正常状態のときの特徴量ベクトルxnが与えられた時の、正規分布kへの帰属度γn,kを次の式3から求める
(Eステップ)。
In the EM algorithm, first, assuming that π k , μ k , and Σ k are known, the degree of belonging γ n, k to the normal distribution k when the feature amount vector x n when the
続いて、帰属度を既知として、データの尤度が最大になるようにπk、μk、Σkを更新
する(Mステップ)。
Next, the membership is known, and π k , μ k , and Σ k are updated so that the likelihood of the data is maximized (M step).
まず各正規分布に帰属するデータの個数Nkを次の式4から求める。
First, the number N k of data belonging to each normal distribution is obtained from the following Expression 4.
続いて、データの重み付き平均よりμkの値を次の式5によって更新する。
Subsequently, the value of μ k is updated from the weighted average of the data by the
続いて、各ガウス分布の共分散行列Σkを次の式6によって更新する。
Subsequently, the covariance matrix Σ k of each Gaussian distribution is updated by the following
混合係数πkは、次の式7によって更新する。
The mixing coefficient π k is updated by the following equation (7).
そして式1から式7までの処理をパラメータが収束するまで繰り返し行う。
Then, the processing of
尚、正常モデルのパラメータは、K個のπk、μk、Σkと、診断用閾値とから構成され
ている。前掲した式1の処理をより具体的な表現にすれば式8となる。
The parameters of the normal model are composed of K pieces of π k , μ k , Σ k and a diagnostic threshold. Expression 8 can be expressed as a more specific expression of the processing of
ここで式8には、逆行列や行列式の計算が含まれているが、式9で示されるパラメータを予め求めておくことで計算量を減らすことができる。
Here, Equation 8 includes calculation of an inverse matrix or determinant, but the amount of calculation can be reduced by obtaining the parameters shown in Equation 9 in advance.
式8を式9を用いて書き換えると式10が得られる。
Equation 10 is obtained by rewriting equation 8 using equation 9.
式11のように、対数をとって対数尤度としてもよい。
As in Expression 11, the logarithm may be taken as the log likelihood.
以上により学習された正常モデルは混合数Kと、K組のak、μk、Σ-1 kとで表される。 The normal model learned as described above is represented by the number of mixtures K and K sets of a k , μ k , and Σ -1 k .
ところで、複雑な正常状態の分布を正規分布を仮定して表現した場合、非正常な計測値が正常と誤判定されてしまうことがある。例えば、図8に示すように、正常状態の範囲を正規分布で示すと楕円もしくは楕円体の分布811として表現されるが、この分布811は実際の(真の)正常状態の分布812よりも広がっており、例えば、符号813で示すような非正常である計測値が正常と誤判定されてしまう。しかし上記のように正常モデル学習部315が正常モデルとして混合ガウス分布モデル(式1)を用いることでこうした誤判定を低減することができる。
By the way, when a complex normal distribution is expressed assuming a normal distribution, an abnormal measurement value may be erroneously determined to be normal. For example, as shown in FIG. 8, when the range of the normal state is represented by a normal distribution, it is expressed as an ellipse or
以上に説明したように、第1実施形態の診断システム1によれば、サーバ装置30が、昇降機型番と昇降機運転状態との組み合わせごとに、正常モデルと診断用閾値との組み合わせを診断装置20に提供し、診断装置20は、昇降機型番と昇降機運転状態との組み合わせごとに用意された正常モデルと診断用閾値との組み合わせに基づき、つまり昇降機運転状態の違いを考慮して昇降機7の状態を自動的に診断するので、昇降機7の状態を効率よく高い精度で診断することができる。またサーバ装置30の正常モデル学習部315は、情報記憶部350が記憶しているセンサデータ353のうち官能評価結果が正常と評価されているセンサデータを用いて正常モデルの学習を行うので、熟練者等の専門技術者の評価も考慮して精度よく診断を行うことができる。またサーバ装置30に診断装置20から送られてくる情報(昇降機型番、官能評価結果、センサデータ、制御情報)が蓄積されていくことにより正常モデル及び診断用閾値の精度が高まり診断精度の向上が図られる。
As described above, according to the
[第2実施形態]
第1実施形態では、サーバ装置30が、昇降機型番ごとに正常モデルと診断用閾値の組み合わせを生成し、診断装置20が「昇降機型番」と昇降機運転状態との組み合わせから特定される正常モデルと診断用閾値の組み合わせを用いて昇降機7の状態を診断する構成であった。第2実施形態では、昇降機7ごとに付与される「識別子」(昇降機7のシリアル番号等の昇降機7ごとに固有の情報。以下、昇降機識別子と称する。)ごとに正常モデルと診断用閾値との組み合わせを生成し、診断装置20は、昇降機識別子と昇降機運転状態との組み合わせから特定される正常モデルと診断用閾値との組み合わせを用いて昇降機7の状態を診断する。これにより、例えば、昇降機7の設置状況や設置後の運転状況の違い等に応じた昇降機7ごとの状態の差を考慮して昇降機7の状態を診断することができ、例えば、昇降機型番が共通していても同型機と同じ取り扱いができないような昇降機7であっても精度よく診断を行うことができる。
[Second embodiment]
In the first embodiment, the
図9に第2実施形態の診断装置20が備える機能、及び第2実施形態の診断装置20が記憶する情報(データ)を示す。
FIG. 9 shows functions of the
第2実施形態の診断装置20の入力部211は、入力装置54を介して作業員等から昇降機型番及び官能評価結果に加えて昇降機識別子を受け付ける。通信部212は、通信手段5を介してサーバ装置30と通信し、昇降機型番、制御情報、センサデータ、官能評価結果に加えて、昇降機識別子をサーバ装置30に送信する。
The
正常モデル選択部215は、昇降機識別子又は昇降機型番と昇降機運転状態との組み合わせに対応する正常モデルと診断用閾値との組み合わせを正常モデルデータ261から選択する。
The normal
第2実施形態の診断装置20のその他の構成については第1実施形態の診断装置20と基本的に同様である。
Other configurations of the
図10に第2実施形態のサーバ装置30が備える機能、及び第2実施形態のサーバ装置30が記憶する情報(データ)を示している。第2実施形態のサーバ装置30の通信部317は、昇降機型番、制御情報、センサデータ、及び官能評価結果に加えて、昇降機識別子を診断装置20から受信し、受信した昇降機識別子を昇降機識別子355として記憶する。
FIG. 10 shows functions provided in the
第2実施形態のサーバ装置30の正常モデル学習部315は、情報記憶部350が記憶するセンサデータ353のうち官能評価結果が正常と評価されているセンサデータを用いて、昇降機型番及び昇降機識別子のうちの少なくともいずれかと運転状態特定部311が識別した昇降機運転状態との組み合わせごとに正常モデルの学習を行う。
The normal
モデル選択/閾値設定部316は、評価用データを用いて、昇降機型番及び昇降機識別子のうちの少なくともいずれかと上記昇降機運転状態との組み合わせごとに、混合数別正常モデル361から実際の診断に用いる正常モデルの選択、並びにその正常モデルを用いる際に使用する診断用閾値の設定を行う。
The model selection /
通信部317は、診断装置20からの要求に応じて、診断装置20から指定された昇降機型番及び昇降機識別子のうちの少なくともいずれかにより特定される正常モデルと当該正常モデルの診断用閾値との組み合わせを診断装置20に送信する。
The
尚、診断装置20から指定された昇降機識別子の正常モデルが正常モデルデータ362
として存在しない場合、サーバ装置30が当該昇降機識別子の昇降機7の昇降機型番に対応する正常モデルと診断用閾値との組み合わせを診断装置20に送信し、診断装置20が上記正常モデルと上記診断用閾値とを用いて昇降機7の状態を診断するようにしてもよい。これにより診断装置20から指定された昇降機識別子の正常モデルが存在しない場合でも、診断装置20が昇降機7の状態を診断することができ、診断結果を出力することができる。
The normal model of the elevator identifier specified by the
Does not exist, the
サーバ装置30のその他の構成については第1実施形態のサーバ装置30と基本的に同様である。
Other configurations of the
図11に第2実施形態の情報記憶部350が記憶する正常モデルデータ362の例を示す。同図に示すように、正常モデルデータ362には、昇降機型番と昇降機識別子と昇降機運転状態との組み合わせと、正常モデルと診断用閾値との組み合わせとの対応を示す情報が含まれている。同図に示すように、正常モデルデータ362は、昇降機型番1111、昇降機識別子1112、昇降機運転状態1113、正常モデル1114、及び診断用閾値1115の各項目からなる一つ以上のレコードで構成されている。昇降機型番1111には昇降機7の型番が設定される。昇降機識別子1112には昇降機識別子が設定される。昇降機運転状態1113には昇降機7の運転状態を示す情報が設定される。正常モデル1114には正常モデルの具体的な内容が設定される。診断用閾値1115には診断用閾値が設定される。
FIG. 11 shows an example of
同図の例では、昇降機識別子1112に「0」が設定されている場合、正常モデル学習部315は、昇降機型番1111が同一の昇降機7のセンサデータ353に基づき正常モデルを学習する。また昇降機識別子1112に「0」以外が設定されている場合、正常モデル学習部315は、昇降機識別子1112で特定されるセンサデータ353に基づき正常モデルを学習する。
In the example of FIG. 11, when “0” is set to the
ここで昇降機型番1111が同一の昇降機7のセンサデータ353に基づく正常モデルが複数学習される状況において、昇降機型番1111が同一のある昇降機7の一つについての官能評価結果と、モデル選択/閾値設定部316による上記正常モデルとその診断閾値とによる正常か非正常かの判定結果との差が大きい(例えば、評価指標の差が予め定めた所定の閾値よりも大きい)場合、サーバ装置30が、上記ある昇降機7の昇降機識別子と昇降機運転状態との組み合わせに対応する正常モデルデータ362を自動的に生成するようにしてもよい。これによりある昇降機7の状態が、昇降機型番1111が同一の他の昇降機7の状態から乖離している場合でも、上記ある昇降機7の状態を精度よく診断することができる。
Here, in a situation where a plurality of normal models based on the
以上、本発明について実施の形態に基づき具体的に説明したが、本発明は上記の実施の形態に限定されるものではなく、その要旨を逸脱しない範囲で種々変更可能であることはいうまでもない。例えば、上記の実施の形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また上記実施形態の構成の一部について、他の構成の追加・削除・置換をすることが可能である。 As described above, the present invention has been specifically described based on the embodiments. However, it is needless to say that the present invention is not limited to the above embodiments and can be variously modified without departing from the gist thereof. Absent. For example, the above-described embodiment has been described in detail in order to explain the present invention in an easy-to-understand manner, and is not necessarily limited to one having all the described configurations. Further, for a part of the configuration of the above-described embodiment, it is possible to add, delete, or replace another configuration.
また上記の各構成、機能部、処理部、処理手段等は、それらの一部又は全部を、例えば、集積回路で設計する等によりハードウェアで実現してもよい。また上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリやハードディスク、SSD(Solid State Drive)等の記録装置、又はI
Cカード、SDカード、DVD等の記録媒体に置くことができる。
Further, a part or all of the above-described respective configurations, functional units, processing units, processing means, and the like may be realized by hardware, for example, by designing an integrated circuit. Each of the above configurations, functions, and the like may be implemented by software by a processor interpreting and executing a program that implements each function. Information such as programs, tables, and files for realizing each function is stored in a recording device such as a memory, a hard disk, an SSD (Solid State Drive), or an I / O device.
It can be placed on a recording medium such as a C card, an SD card, or a DVD.
また上記の各図において、制御線や情報線は説明上必要と考えられるものを示しており、必ずしも実装上の全ての制御線や情報線を示しているとは限らない。例えば、実際にはほとんど全ての構成が相互に接続されていると考えてもよい。 Further, in each of the above-described drawings, control lines and information lines are considered to be necessary for explanation, and do not necessarily indicate all control lines and information lines on mounting. For example, it may be considered that almost all components are actually connected to each other.
また以上に説明した診断システム1の各種機能部、各種処理部、各種データベースの配置形態は一例に過ぎない。各種機能部、各種処理部、各種データベースの配置形態は、診断システム1が備えるハードウェアやソフトウェアの性能、処理効率、通信効率等の観点から最適な配置形態に変更し得る。
The arrangement of the various functional units, the various processing units, and the various databases of the
また前述したデータベースの構成(スキーマ(Schema)等)は、リソースの効率的な利用、処理効率向上、アクセス効率向上、検索効率向上等の観点から柔軟に変更し得る。 Further, the configuration of the above-described database (such as a schema) can be flexibly changed from the viewpoint of efficient use of resources, improvement of processing efficiency, improvement of access efficiency, improvement of search efficiency, and the like.
以上の実施形態では、診断装置20及びサーバ装置30は独立した構成としたが、例えば、診断装置20がサーバ装置30の全部又は一部を備えるとしてもよい。また逆にサーバ装置30が診断装置20の全部又は一部を備えるとしてもよい。また例えば、サーバ装置30や診断装置20の全部又は一部がクラウドシステムにおけるクラウドサーバのように仮想的なプラットフォームによって実現されるとしてもよい。
In the above embodiment, the
また本実施形態では、昇降機7の種別(機種)を示す情報として昇降機型番を用いたが、他の情報を用いてもよい。また本実施形態では、個々の昇降機7を特定する情報としてシリアル番号を用いたが、他の情報を用いてもよい。
Further, in this embodiment, the elevator model number is used as the information indicating the type (model) of the
1 診断システム、2 現場、3 保守センタ、5 通信手段、6 各種センサ、7 昇降機、20 診断装置、211 入力部、212 通信部、213 運転状態特定部、214 特徴量算出部、215 正常モデル選択部、216 状態診断部、250 情報記憶部、251 昇降機型番、252 制御情報、253 センサデータ、254 官能評価結果、255 昇降機識別子、261 正常モデルデータ、30 サーバ装置、311
運転状態特定部、312 特徴量算出部、313 学習用データ選択部、314 評価用データ選択部、315 正常モデル学習部、316 モデル選択/閾値設定部、317
通信部、350 情報記憶部、351 昇降機型番、352 制御情報、353 センサデータ、354 官能評価結果、361 混合数別正常モデル、362 正常モデルデータ、50 情報処理装置
Operating state specifying unit, 312 feature amount calculating unit, 313 learning data selecting unit, 314 evaluation data selecting unit, 315 normal model learning unit, 316 model selection / threshold setting unit, 317
Communication unit, 350 information storage unit, 351 elevator model number, 352 control information, 353 sensor data, 354 sensory evaluation result, 361 normal model by mixing number, 362 normal model data, 50 information processing device
Claims (14)
前記計測データに基づき昇降機の運転状態を特定する運転状態特定部、
前記計測データに基づき、昇降機の種別と昇降機の運転状態との組み合わせごとに、昇降機の運転状態に関する特徴量が正常状態で観測される確率を求める正常モデルを学習する正常モデル学習部、
前記計測データに基づき、前記正常モデルを用いて昇降機の状態が正常か非正常かを診断するために前記確率と比較する閾値を設定する閾値設定部、
昇降機の種別と昇降機の運転状態との組み合わせと、前記正常モデルと前記閾値との組み合わせとを対応づけた情報を記憶する正常モデルデータ記憶部、
前記計測データから前記特徴量を求める特徴量算出部、
診断対象の昇降機の種別と前記計測データに基づき特定した当該診断対象の昇降機の運転状態との組み合わせに対応する、前記正常モデルと前記閾値との組み合わせを前記正常モデルデータ記憶部から選択する正常モデル選択部、
前記診断対象の昇降機の前記計測データから求めた特徴量と選択した前記正常モデルとに基づき前記確率を求め、求めた前記確率を前記選択した閾値と比較することにより前記診断対象の昇降機の状態を診断する状態診断部、
を備える、昇降機診断システム。 A measurement data storage unit that stores measurement data indicating a state of the elevator;
An operation state identification unit that identifies the operation state of the elevator based on the measurement data,
Based on the measurement data, for each combination of the type of elevator and the operating state of the elevator, a normal model learning unit that learns a normal model that determines the probability that the characteristic amount related to the operating state of the elevator is observed in the normal state ,
Based on the measurement data, a threshold setting unit that sets a threshold to be compared with the probability to diagnose whether the state of the elevator is normal or abnormal using the normal model,
A normal model data storage unit that stores information in which a combination of the type of the elevator and the operating state of the elevator and the combination of the normal model and the threshold are associated with each other.
A feature amount calculation unit that obtains the feature amount from the measurement data ,
Successfully diagnosis based on the measurement data and the type of elevator sectional object corresponding to the combination of the operating state of the specified the diagnosis object elevator, selects a combination of the normal model and the threshold value from the normal model data storage unit Model selection section,
The diagnosis and target the normal model and the selected feature amount the calculated from the measurement data of the elevator of seeking the probability-out based, obtained the diagnosis target of the elevator by comparing the said probability the selected threshold A condition diagnostic unit for diagnosing the condition of
An elevator diagnostic system comprising:
前記正常モデル学習部は、前記計測データに基づき、昇降機の識別子と昇降機の運転状態との組み合わせごとに前記正常モデルを学習し、
前記正常モデルデータ記憶部は、昇降機の識別子と昇降機の運転状態との組み合わせと、前記正常モデルと前記閾値との組み合わせとを対応づけて記憶し、
前記正常モデル選択部は、診断対象の昇降機の前記識別子と前記昇降機について特定した前記運転状態との組み合わせに対応する、前記正常モデルと前記閾値との組み合わせを選択する、
昇降機診断システム。 The elevator diagnostic system according to claim 1,
The normal model learning unit learns the normal model for each combination of the identifier of the elevator and the operating state of the elevator based on the measurement data,
The normal model data storage unit stores the combination of the identifier of the elevator and the operating state of the elevator, and the combination of the normal model and the threshold value,
The normal model selecting unit corresponds to a combination of the identifier of the elevator to be diagnosed and the operating state specified for the elevator, and selects a combination of the normal model and the threshold.
Elevator diagnostic system.
前記正常モデル選択部は、前記正常モデルデータ記憶部が、前記診断対象の昇降機の識別子と前記昇降機について特定した前記運転状態との組み合わせに対応する、前記正常モデルと前記閾値との組み合わせを記憶していない場合、前記診断対象の昇降機の種別と前記昇降機について特定した前記運転状態との組み合わせに対応する、前記正常モデルと前記閾値との組み合わせを選択する、
昇降機診断システム。 The elevator diagnostic system according to claim 2,
The normal model selection unit, the normal model data storage unit, corresponding to a combination of the identifier of the elevator of the diagnosis target and the operating state specified for the elevator, stores a combination of the normal model and the threshold value If not, a combination of the normal model and the threshold value corresponding to a combination of the type of the elevator to be diagnosed and the operating state specified for the elevator,
Elevator diagnostic system.
前記正常モデルは混合ガウス分布モデルであり、
前記正常モデル学習部は、混合数の異なる複数の前記正常モデルを学習し、
前記正常モデル選択部は、学習した前記複数の正常モデルのうち混合数が最小のものを選択し、選択した前記正常モデルと前記閾値との組み合わせを選択する、
昇降機診断システム。 The elevator diagnostic system according to any one of claims 1 to 3,
The normal model is a Gaussian mixture model,
The health model learning unit learns the number of mixtures of different of the normal model,
The normal model selecting unit selects the smallest number of mixtures among the plurality of learned normal models, and selects a combination of the selected normal model and the threshold.
Elevator diagnostic system.
前記昇降機の制御情報を記憶する制御情報記憶部を備え、
前記運転状態特定部は、前記計測データ及び前記制御情報のうちの少なくともいずれかに基づき前記昇降機の運転状態を特定する、
昇降機診断システム。 The elevator diagnostic system according to any one of claims 1 to 3,
A control information storage unit that stores control information of the elevator,
The operating state specifying unit specifies an operating state of the elevator based on at least one of the measurement data and the control information,
Elevator diagnostic system.
前記状態診断部は、前記診断対象の昇降機の前記計測データから求めた特徴量と前記正常モデル選択部が選択した前記正常モデルとに基づき前記特徴量が正常状態で観測される確率を求め、求めた前記確率を前記正常モデル選択部が選択した前記閾値と比較し、前記確率が前記閾値以上である場合に当該昇降機の状態を正常と診断する、
昇降機診断システム。 The elevator diagnostic system according to any one of claims 1 to 3,
The condition diagnosis unit obtains a probability that the feature amount on the basis of said normal model the normal model selection unit, wherein the amount of said determined from the measurement data of the elevator of the diagnosis target is selected is observed in the normal state, determined The probability is compared with the threshold selected by the normal model selection unit, and when the probability is equal to or greater than the threshold, the state of the elevator is diagnosed as normal,
Elevator diagnostic system.
昇降機の官能評価結果を記憶する官能評価結果記憶部を備え、
前記正常モデル学習部は、前記官能評価結果が正常である昇降機の前記計測データに基づき前記正常モデルを学習する、
昇降機診断システム。 The elevator diagnostic system according to any one of claims 1 to 3,
A sensory evaluation result storage unit for storing sensory evaluation results of the elevator;
The normal model learning unit learns the normal model based on the measurement data of the elevator whose sensory evaluation result is normal,
Elevator diagnostic system.
前記種別は前記昇降機の型番であり、前記識別子は前記昇降機のシリアル番号である、
昇降機診断システム。 The elevator diagnostic system according to claim 2 or 3,
The type is a model number of the elevator, and the identifier is a serial number of the elevator.
Elevator diagnostic system.
前記計測データに基づき昇降機の運転状態を特定する運転状態特定部、
昇降機の種別と昇降機の運転状態との組み合わせと、前記計測データに基づき、昇降機の種別と昇降機の運転状態との組み合わせごとに学習した、昇降機の運転状態に関する特徴量が正常状態で観測される確率を求める正常モデルと前記正常モデルを用いて昇降機の状態が正常か非正常かを診断するために前記確率と比較する閾値との組み合わせと、を対応づけた情報を記憶する正常モデルデータ記憶部、
前記計測データから特徴量を求める特徴量算出部、
診断対象の昇降機の種別と前記計測データに基づき特定した当該診断対象の昇降機の運転状態との組み合わせに対応する、前記正常モデルと前記閾値との組み合わせを前記正常モデルデータ記憶部から選択する正常モデル選択部、
前記診断対象の昇降機の前記計測データから求めた特徴量と選択した前記正常モデルとに基づき前記確率を求め、求めた前記確率を前記選択した閾値と比較することにより前記診断対象の昇降機の状態を診断する状態診断部、
を備える、昇降機診断装置。 A measurement data storage unit that stores measurement data indicating a state of the elevator;
An operation state identification unit that identifies the operation state of the elevator based on the measurement data,
The probability that the feature quantity relating to the operating state of the elevator is observed in the normal state, based on the combination of the type of the elevator and the operating state of the elevator and the combination of the type of the elevator and the operating state of the elevator based on the measurement data. normal model data storage unit for storing information that associates a combination of a threshold condition of the elevator is to be compared with the probability to diagnose normal or abnormal by using the normal model and normal model seeking,
A feature amount calculation unit that obtains a feature amount from the measurement data ,
Successfully diagnosis based on the measurement data and the type of elevator sectional object corresponding to the combination of the operating state of the specified the diagnosis object elevator, selects a combination of the normal model and the threshold value from the normal model data storage unit Model selection section,
The diagnosis and target the normal model and the selected feature amount the calculated from the measurement data of the elevator of seeking the probability-out based, obtained the diagnosis target of the elevator by comparing the said probability the selected threshold A condition diagnostic unit for diagnosing the condition of
An elevator diagnostic device comprising:
前記正常モデルデータ記憶部は、昇降機の識別子と昇降機の運転状態との組み合わせと、前記正常モデルと前記閾値との組み合わせとを対応づけた情報を記憶し、
前記正常モデル選択部は、診断対象の昇降機の識別子と前記昇降機について特定した前記運転状態との組み合わせに対応する、前記正常モデルと前記閾値との組み合わせを選択する、
昇降機診断装置。 The elevator diagnostic device according to claim 9,
The normal model data storage unit stores information that associates a combination of the identifier of the elevator and the operating state of the elevator, and the combination of the normal model and the threshold.
The normal model selecting unit corresponds to a combination of the identifier of the elevator to be diagnosed and the operating state specified for the elevator, and selects a combination of the normal model and the threshold.
Elevator diagnostic device.
前記正常モデル選択部は、前記正常モデルデータ記憶部が、前記診断対象の昇降機の識別子と前記昇降機について特定した前記運転状態との組み合わせに対応する前記正常モデルと前記閾値との組み合わせを記憶していない場合、前記診断対象の昇降機の種別と当該昇降機について特定した前記運転状態との組み合わせに対応する、前記正常モデルと前記閾値との組み合わせを選択する、
昇降機診断装置。 The elevator diagnostic device according to claim 10,
The normal model selection unit, the normal model data storage unit stores a combination of the normal model and the threshold value corresponding to a combination of the identifier of the elevator of the diagnosis target and the operating state specified for the elevator. If there is no, corresponding to the combination of the type of elevator of the diagnosis target and the operating state identified for the elevator, select a combination of the normal model and the threshold,
Elevator diagnostic device.
昇降機の状態を示す計測データを記憶するステップ、
前記計測データに基づき昇降機の運転状態を特定するステップ、
前記計測データに基づき、昇降機の種別と昇降機の運転状態との組み合わせごとに、昇降機の運転状態に関する特徴量が正常状態で観測される確率を求める正常モデルを学習するステップ、
前記計測データに基づき、前記正常モデルを用いて昇降機の状態が正常か非正常かを診断するために前記確率と比較する閾値を設定するステップ、
昇降機の種別と昇降機の運転状態との組み合わせと、前記正常モデルと前記閾値との組み合わせとを対応づけた情報を記憶するステップ、
前記計測データから前記特徴量を求めるステップ、
診断対象となる昇降機の前記計測データに基づき前記昇降機の運転状態を特定するステップ、
記診断対象の昇降機の種別と前記計測データに基づき特定した当該診断対象の昇降機の運転状態との組み合わせに対応する、前記正常モデルと前記閾値との組み合わせを、記憶している前記情報から選択するステップ、
前記診断対象の昇降機の前記計測データから求めた特徴量と選択した前記正常モデルとに基づき前記確率を求め、求めた前記確率を前記選択した閾値と比較することにより前記診断対象の昇降機の状態を診断するステップ、
を実行する、昇降機診断方法。 The information processing device is
Storing measurement data indicating the state of the elevator;
Identifying the operating state of the elevator based on the measurement data,
Based on the measurement data, for each combination of the type of elevator and the operating state of the elevator , learning a normal model to determine the probability that the characteristic amount related to the operating state of the elevator is observed in the normal state ,
Based on the measurement data, setting a threshold to compare with the probability to diagnose whether the state of the elevator using the normal model is normal or abnormal ,
A step of storing information in which a combination of the type of the elevator and the operation state of the elevator and the combination of the normal model and the threshold are associated with each other;
Determining the characteristic quantity from the measured data,
Identifying an operating state of the elevator based on the measurement data of the elevator to be diagnosed;
The combination of the normal model and the threshold value corresponding to the combination of the type of the elevator to be diagnosed and the operating state of the elevator to be diagnosed specified based on the measurement data is selected from the stored information . Steps,
The diagnosis and target the normal model and the selected feature amount the calculated from the measurement data of the elevator of seeking the probability-out based, obtained the diagnosis target of the elevator by comparing the said probability the selected threshold Diagnosing the condition of
Perform the elevator diagnostic method.
前記情報処理装置が、
前記計測データに基づき、昇降機の識別子と昇降機の運転状態との組み合わせごとに前記正常モデルを学習するステップ、
昇降機の識別子と昇降機の運転状態との組み合わせと、前記正常モデルと前記閾値との組み合わせとを対応づけて記憶するステップ、
診断対象の昇降機の前記識別子と前記昇降機について特定した前記運転状態との組み合わせに対応する、前記正常モデルと前記閾値との組み合わせを選択するステップ、
をさらに実行する、昇降機診断方法。 An elevator diagnosis method according to claim 12, wherein
The information processing device,
Based on the measurement data, learning the normal model for each combination of the elevator identifier and the operating state of the elevator,
A step of storing the combination of the identifier of the elevator and the operating state of the elevator, and the combination of the normal model and the threshold,
A step of selecting a combination of the normal model and the threshold corresponding to a combination of the identifier of the elevator to be diagnosed and the operating state specified for the elevator,
Further performing the elevator diagnostic method.
前記情報処理装置が、
前記診断対象の昇降機の識別子と前記昇降機について特定した前記運転状態との組み合わせに対応する前記正常モデルと前記閾値との組み合わせを記憶していない場合、前記診断対象の昇降機の種別と当該昇降機について特定した前記運転状態との組み合わせに対応する、前記正常モデルと前記閾値との組み合わせを選択するステップ、
をさらに実行する、昇降機診断方法。 An elevator diagnosis method according to claim 13, wherein
The information processing device,
When the combination of the normal model and the threshold value corresponding to the combination of the identifier of the elevator to be diagnosed and the operating state specified for the elevator is not stored, the type of the elevator to be diagnosed and the elevator are specified. Selecting a combination of the normal model and the threshold corresponding to the combination with the operating state,
Further performing the elevator diagnostic method.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016242501A JP6672132B2 (en) | 2016-12-14 | 2016-12-14 | Lift diagnostic system, lift diagnostic device, and lift diagnostic method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016242501A JP6672132B2 (en) | 2016-12-14 | 2016-12-14 | Lift diagnostic system, lift diagnostic device, and lift diagnostic method |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2018095429A JP2018095429A (en) | 2018-06-21 |
JP2018095429A5 JP2018095429A5 (en) | 2019-04-04 |
JP6672132B2 true JP6672132B2 (en) | 2020-03-25 |
Family
ID=62634332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016242501A Active JP6672132B2 (en) | 2016-12-14 | 2016-12-14 | Lift diagnostic system, lift diagnostic device, and lift diagnostic method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6672132B2 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113651202A (en) * | 2021-08-19 | 2021-11-16 | 广州广日电梯工业有限公司 | Intelligent identification method and intelligent identification device for elevator abnormity |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6822245B2 (en) * | 2017-03-17 | 2021-01-27 | 株式会社リコー | Diagnostic equipment, diagnostic systems, diagnostic methods and programs |
JP6517991B1 (en) * | 2018-08-31 | 2019-05-22 | 株式会社日立パワーソリューションズ | Abnormality sign diagnosis system, management device, and abnormality sign diagnosis method |
JP7103092B2 (en) * | 2018-09-07 | 2022-07-20 | オムロン株式会社 | Information processing equipment and information processing method |
JP2020046873A (en) | 2018-09-18 | 2020-03-26 | 横河電機株式会社 | Information processing system, information processing method and information processing apparatus |
JP2020057165A (en) * | 2018-10-01 | 2020-04-09 | 株式会社椿本チエイン | Abnormality determination device, signal feature amount predictor, abnormality determination method, learning model generation method, and learning model |
JP7056753B6 (en) * | 2018-10-19 | 2022-06-10 | 三菱電機株式会社 | Elevator brake device abnormality diagnosis system |
JP7101265B2 (en) | 2019-01-15 | 2022-07-14 | 株式会社東芝 | Abnormal factor diagnosis device and its method, and abnormal factor diagnosis system |
US11993480B2 (en) | 2019-04-30 | 2024-05-28 | Otis Elevator Company | Elevator shaft distributed health level with mechanic feed back condition based monitoring |
KR102230118B1 (en) * | 2019-05-27 | 2021-03-19 | 투비씨앤씨 주식회사 | Elevator monitoring system for customer safety based on Internet of Things, and monitoring method thereof |
JP2021015445A (en) * | 2019-07-11 | 2021-02-12 | 株式会社リコー | Abnormality detector and information processing method and program |
JP2021015464A (en) * | 2019-07-12 | 2021-02-12 | 株式会社日立製作所 | Apparatus diagnosis device, apparatus diagnosis system and apparatus diagnosis method |
JP7193491B2 (en) * | 2020-02-25 | 2022-12-20 | 株式会社日立製作所 | Sound inspection system |
KR102145144B1 (en) * | 2020-02-27 | 2020-08-18 | 주식회사 에이아이넷 | Intelligent prevention system for prevention of elevator accident based on abnormality detection using ai machine learning |
JP7399797B2 (en) | 2020-06-15 | 2023-12-18 | 株式会社日立製作所 | Abnormality calculation system and method |
CN111931128B (en) * | 2020-07-15 | 2023-07-25 | 重庆锐云科技有限公司 | Bernoulli model-based elevator configuration method, system, equipment and storage medium |
CN113264429A (en) * | 2021-03-15 | 2021-08-17 | 上海电气集团股份有限公司 | Vibration data processing, model training and detecting method and system for lifting equipment |
CN113156919B (en) * | 2021-04-29 | 2023-09-08 | 日立楼宇技术(广州)有限公司 | Method, device, system, equipment and storage medium for detecting elevator control box |
WO2023042374A1 (en) * | 2021-09-17 | 2023-03-23 | ファナック株式会社 | Threshold value calculation device and storage medium |
KR102622569B1 (en) | 2022-12-20 | 2024-01-09 | (주)위세아이텍 | Intelligent apparatus for controlling manufacturing facility and method for controlling the same |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2771454B2 (en) * | 1994-06-01 | 1998-07-02 | 株式会社日立ビルシステム | Elevator running performance diagnostic device |
JPH08225266A (en) * | 1995-02-20 | 1996-09-03 | Hitachi Building Syst Eng & Service Co Ltd | Diagnostic device for elevator |
US7004289B2 (en) * | 2003-09-30 | 2006-02-28 | Shrum Iii William M | Elevator performance measuring device and method |
JP2006143359A (en) * | 2004-11-17 | 2006-06-08 | Mitsubishi Electric Corp | Building facility diagnosing device |
JP5740459B2 (en) * | 2009-08-28 | 2015-06-24 | 株式会社日立製作所 | Equipment status monitoring method |
JP5832258B2 (en) * | 2011-11-30 | 2015-12-16 | 三菱電機株式会社 | Elevator abnormality diagnosis device |
JP5833477B2 (en) * | 2012-03-15 | 2015-12-16 | 株式会社日立製作所 | Elevator abnormal sound diagnosis method, apparatus used therefor, and elevator equipped with the apparatus |
JP2013210945A (en) * | 2012-03-30 | 2013-10-10 | Toshiba Corp | Waveform analyzing device and waveform analyzing method |
JP6525542B2 (en) * | 2014-10-17 | 2019-06-05 | キヤノン株式会社 | Abnormality detection method, abnormality detection device, and program |
-
2016
- 2016-12-14 JP JP2016242501A patent/JP6672132B2/en active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113651202A (en) * | 2021-08-19 | 2021-11-16 | 广州广日电梯工业有限公司 | Intelligent identification method and intelligent identification device for elevator abnormity |
CN113651202B (en) * | 2021-08-19 | 2023-02-17 | 广州广日电梯工业有限公司 | Intelligent identification method and intelligent identification device for elevator abnormity |
Also Published As
Publication number | Publication date |
---|---|
JP2018095429A (en) | 2018-06-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6672132B2 (en) | Lift diagnostic system, lift diagnostic device, and lift diagnostic method | |
US11756349B2 (en) | Electronic control unit testing optimization | |
CN112449696B (en) | Time series data diagnosis device, additional learning method, and program | |
US11531901B2 (en) | Imaging modality smart find maintenance systems and methods | |
JP6200833B2 (en) | Diagnostic equipment for plant and control equipment | |
US20190377625A1 (en) | Computing node failure and health prediction for cloud-based data center | |
US11120904B2 (en) | Imaging modality maintenance smart dispatch systems and methods | |
JP4876136B2 (en) | Abnormality diagnosis apparatus and abnormality diagnosis method | |
US10838797B2 (en) | Imaging modality smart symptom maintenance systems and methods | |
WO2021220358A1 (en) | Abnormality diagnostic method, abnormality diagnostic device, and abnormality diagnostic program | |
WO2017175378A1 (en) | Information processing device, information processing method, and information processing program | |
JP2015170121A (en) | Abnormality diagnosis device and program | |
JP6828807B2 (en) | Data analysis device, data analysis method and data analysis program | |
US11531970B2 (en) | Imaging modality maintenance care package systems and methods | |
CN108267983A (en) | Come from the impairment indicating fault of the vehicles using the model based on physics and the reduction of the model of data-driven | |
US20230205663A1 (en) | System to track and measure machine learning model efficacy | |
US20210056778A1 (en) | Techniques to detect vehicle anomalies based on real-time vehicle data collection and processing | |
US20210247753A1 (en) | State estimation device, system, and manufacturing method | |
JPWO2014013686A1 (en) | Verification device, verification device control method, and computer program | |
SE542335C2 (en) | Method and system for vehicle analysis | |
CN111474475A (en) | Motor fault diagnosis system and method | |
WO2020162425A1 (en) | Analysis device, analysis method, and program | |
JP2010122133A (en) | Lambda FAILURE SPOT DETERMINATION SYSTEM AND METHOD FOR DETERMINING FAILURE SPOT | |
JP7204012B2 (en) | machine learning device, design review verification device, machine learning method | |
US20230315559A1 (en) | Fault diagnosis apparatus, non-transitory computer-readable recording medium, and fault diagnosis method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190225 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190225 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20191211 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20191217 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200204 |
|
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: 20200225 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200304 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6672132 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |