JP7012086B2 - Artificial intelligence algorithm - Google Patents
Artificial intelligence algorithm Download PDFInfo
- Publication number
- JP7012086B2 JP7012086B2 JP2019536436A JP2019536436A JP7012086B2 JP 7012086 B2 JP7012086 B2 JP 7012086B2 JP 2019536436 A JP2019536436 A JP 2019536436A JP 2019536436 A JP2019536436 A JP 2019536436A JP 7012086 B2 JP7012086 B2 JP 7012086B2
- Authority
- JP
- Japan
- Prior art keywords
- sensor node
- kernel
- unit
- sensor
- function
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N99/00—Subject matter not provided for in other groups of this subclass
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
本明細書中に開示されている発明は、人工知能アルゴリズムに関する。 The invention disclosed herein relates to an artificial intelligence algorithm.
近年、センサノードを用いて監視対象装置の異常検出を行うマシンヘルスモニタリングシステムが提案されている。 In recent years, a machine health monitoring system has been proposed that detects an abnormality in a monitored device using a sensor node.
なお、人工知能アルゴリズムに関連する従来技術の一例としては、例えば、非特許文献1や非特許文献2を挙げることができる。
As an example of the prior art related to the artificial intelligence algorithm, for example, Non-Patent
しかしながら、従来のマシンヘルスモニタリングシステムでは、センサノードの測定データをサーバで収集分析することにより、監視対象装置の異常検出が行われていた。そのため、センサノードとサーバとの間でやり取りされる通信量が非常に大きく、システムの導入を阻害する要因となっていた。 However, in the conventional machine health monitoring system, abnormality detection of the monitored device is performed by collecting and analyzing the measurement data of the sensor node on the server. Therefore, the amount of communication between the sensor node and the server is very large, which is a factor that hinders the introduction of the system.
本明細書中に開示されている発明は、本願の発明者らにより見出された上記の課題に鑑み、導入の容易なマシンヘルスモニタリングシステム、並びに、これに用いられるセンサノード、人工知能チップ、及び、人工知能アルゴリズムを提供することを目的とする。 In view of the above-mentioned problems found by the inventors of the present application, the invention disclosed in the present specification includes an easy-to-introduce machine health monitoring system, and a sensor node and an artificial intelligence chip used therein. And, an object of the present invention is to provide an artificial intelligence algorithm.
本明細書中に開示されている人工知能アルゴリズムは、並列に接続された複数のバンドパスフィルタを用いて入力データから周波数帯域毎の特徴量をそれぞれ抽出することにより特徴ベクトルを生成するステップと、前記特徴ベクトルとサポートベクトルを用いてカーネル関数の値を求めるステップと、を有する構成(第1の構成)とされている。 The artificial intelligence algorithm disclosed in the present specification includes a step of generating a feature vector by extracting a feature amount for each frequency band from input data using a plurality of bandpass filters connected in parallel. The configuration (first configuration) includes a step of obtaining the value of the kernel function using the feature vector and the support vector.
なお、上記第1の構成から成る人工知能アルゴリズムは、前記カーネル関数の値から前記入力データの異常検出を行うステップを更に有する構成(第2の構成)にするとよい。 The artificial intelligence algorithm having the first configuration may be configured to further include a step of detecting an abnormality in the input data from the value of the kernel function (second configuration).
また、上記第1または第2の構成から成る人工知能アルゴリズムにおいて、前記入力データは、振動データである構成(第3の構成)にするとよい。 Further, in the artificial intelligence algorithm having the first or second configuration, the input data may be configured to be vibration data (third configuration).
また、上記第1~第3いずれかの構成から成る人工知能アルゴリズムにおいて、前記カーネル関数は、線形カーネル、ガウスカーネル、又は、RBF[radial base function]カーネルである構成(第4の構成)にするとよい。 Further, in the artificial intelligence algorithm having any of the first to third configurations, if the kernel function is a linear kernel, a Gaussian kernel, or an RBF [radial base function] kernel (fourth configuration). good.
また、本明細書中に開示されている人工知能チップは、並列に接続された複数のバンドパスフィルタを用いて入力データから周波数帯域毎の特徴量をそれぞれ抽出することにより特徴ベクトルを生成する前処理部と、前記特徴ベクトルとサポートベクトルを用いてカーネル関数の値を求める分類器と、を有する構成(第5の構成)とされている。 Further, in the artificial intelligence chip disclosed in the present specification, before generating a feature vector by extracting feature quantities for each frequency band from input data using a plurality of bandpass filters connected in parallel. It has a configuration (fifth configuration) including a processing unit and a classifier for obtaining the value of the kernel function using the feature vector and the support vector.
なお、上記第5の構成から成る人工知能チップは、前記カーネル関数の値から前記入力データの異常検出を行う後処理部をさらに有する構成(第6の構成)にするとよい。 The artificial intelligence chip having the fifth configuration may be configured to further have a post-processing unit (sixth configuration) for detecting an abnormality in the input data from the value of the kernel function.
また、上記第5または第6の構成から成る人工知能チップにおいて、前記分類器は、ハードウェアにより構成されたOCSVM[one class support vector machine]である構成(第7の構成)にするとよい。 Further, in the artificial intelligence chip having the fifth or sixth configuration, the classifier may have an OCSVM [one class support vector machine] configured by hardware (seventh configuration).
また、本明細書中に開示されているセンサノードは、センサと、前記センサから前記入力データを受け付ける上記第5~第7いずれかの構成から成る人工知能チップと、前記人工知能チップとサーバとの間で無線通信を行う通信部と、を有する構成(第8の構成)とされている。 Further, the sensor nodes disclosed in the present specification include a sensor, an artificial intelligence chip having the fifth to seventh configurations for receiving the input data from the sensor, and the artificial intelligence chip and the server. It is configured to have a communication unit for wireless communication between the two (eighth configuration).
なお、上記第8の構成から成るセンサノードにおいて、前記センサは、振動センサである構成(第9の構成)にするとよい。 In the sensor node having the eighth configuration, the sensor may be a vibration sensor (nineth configuration).
また、上記第8または第9の構成から成るセンサノードは、環境発電部と、前記環境発電部の発電電力を蓄える蓄電部と、前記発電電力または前記蓄電部の蓄電電力を用いてセンサノード各部への電力供給を行うパワーマネジメント部と、をさらに有する構成(第10の構成)にするとよい。 Further, the sensor node having the eighth or ninth configuration includes an environmental power generation unit, a power storage unit that stores the generated power of the environmental power generation unit, and each sensor node unit using the generated power or the stored power of the power storage unit. It is preferable to have a configuration (tenth configuration) further including a power management unit that supplies electric power to the power supply.
また、本明細書中に開示されているマシンヘルスモニタリングシステムは、監視対象装置に取り付けられる上記第10の構成から成るセンサノードと、前記センサノードから異常フラグを受け付けるサーバと、を有する構成(第11の構成)とされている。 Further, the machine health monitoring system disclosed in the present specification has a configuration (No. 1) including a sensor node having the tenth configuration attached to the monitored device and a server that receives an abnormality flag from the sensor node. 11 configurations).
なお、上記第11の構成から成るマシンヘルスモニタリングシステムにおいて、前記サーバは、前記センサノードから前記異常フラグを受け付けて異常状態報知を行う構成(第12の構成)にするとよい。 In the machine health monitoring system having the eleventh configuration, the server may be configured to receive the abnormality flag from the sensor node and notify the abnormality state (the twelfth configuration).
本明細書中に開示されている発明によれば、導入の容易なマシンヘルスモニタリングシステム、並びに、これに用いられるセンサノード、人工知能チップ、及び、人工知能アルゴリズムを提供することが可能となる。 According to the invention disclosed in the present specification, it is possible to provide an easy-to-introduce machine health monitoring system, and a sensor node, an artificial intelligence chip, and an artificial intelligence algorithm used for the machine health monitoring system.
<適用対象とシステム仕様>
初めに、本明細書中に開示されている人工知能チップ(以下では、適宜、AI-SNP[artificial intelligence - sensor node processor]と呼ぶ)の背景について説明する。AI-SNPの開発動機は、インダストリー4.0で提唱されているようなスマートファクトリー戦略に由来する。このような次世代の工場では、一日中、その稼働を止めることなくリアルタイムで装置や設備をチェックし続けなければならない。しかしながら、その一方で、工場の高利益を維持するためには、コストの削減も検討する必要がある。<Applicable target and system specifications>
First, the background of the artificial intelligence chip disclosed in the present specification (hereinafter, appropriately referred to as AI-SNP [artificial intelligence --sensor node processor]) will be described. The motivation for developing AI-SNP comes from the smart factory strategy as advocated in Industry 4.0. In these next-generation factories, equipment and facilities must be checked in real time all day long without stopping their operation. However, on the other hand, in order to maintain the high profit of the factory, it is necessary to consider cost reduction.
図1及び図2は、それぞれ、工場における設備保全手法の一例を示す図である。なお、図1では、TBM[time-based-maintenance]手法の採用例(=旧工場に相当)が示されている。TBM手法では、装置の稼働時間が所定の基準を満たしたときにその修理または交換が行われる。一方、図2では、CBM[condition-based-maintenance]手法の採用例(=スマートファクトリーに相当)が示されている。CBM手法では、装置の状態が所定の基準を満たしたときにその修理または交換が行われる。 1 and 2 are diagrams showing an example of equipment maintenance method in a factory, respectively. Note that FIG. 1 shows an example of adoption of the TBM [time-based-maintenance] method (= corresponding to the old factory). In the TBM method, the repair or replacement of the device is performed when the operating time of the device meets a predetermined standard. On the other hand, FIG. 2 shows an example of adoption of the CBM [condition-based-maintenance] method (= corresponding to a smart factory). In the CBM method, the repair or replacement of the device is performed when the condition of the device meets a predetermined standard.
図1のTBM手法では、工場200の装置を定期的にメンテナンスする必要がある上、それでも装置が故障してしまったときには、事後的に本部100から工場200にスタッフが派遣される。従って、装置の修理や交換が完了するまで稼働を停止することになる。一方、図2のCBM手法であれば、工場200の装置に故障の予兆が現れた段階で、工場200から本部100への異常状態通報が行われる。従って、スタッフは、装置が停止してしまう前に、その修理を行うことができる。
In the TBM method of FIG. 1, it is necessary to maintain the equipment of the
このように、CBM手法(図2)は、TBM手法(図1)と比べて、上記のスマートファクトリー戦略に合致する最良の解決法の一つである。CBM手法を採用すれば、装置の定期的なメンテナンスが不要となり、装置の異常状態(=故障の予兆)が検出されたときにだけ、装置の状態をチェックすれば足りる。 As described above, the CBM method (FIG. 2) is one of the best solutions that are in line with the above smart factory strategy as compared with the TBM method (FIG. 1). If the CBM method is adopted, regular maintenance of the device becomes unnecessary, and it is sufficient to check the state of the device only when an abnormal state (= sign of failure) of the device is detected.
なお、CBM手法を採用したマシンヘルスモニタリングシステムを既存の工場に導入するためには、装置毎にセンサノードを追加したり、高額な出費を伴って旧型の装置を新型の装置に置き換えたりしなければならない。今、世界中には稼働中の装置が多数存在している。従って、追加の配線や電源を要することなく、稼働中の装置にセンサノードを追加することができるのであれば、それが最善である。しかしながら、現存する無線モジュールは、センサノードで得られる測定データ(生データ)のサイズと比べて、必ずしも十分な通信帯域幅を持っていない。 In order to introduce a machine health monitoring system that uses the CBM method to an existing factory, it is necessary to add a sensor node for each device or replace the old device with a new device at a high cost. Must be. Nowadays, there are many devices in operation all over the world. Therefore, it is best if sensor nodes can be added to a running device without the need for additional wiring or power. However, the existing wireless module does not necessarily have a sufficient communication bandwidth as compared with the size of the measurement data (raw data) obtained by the sensor node.
図3はセンサノードの無線モジュールとして、Wi-SUN[wireless smart utility network]を採用する場合の問題点を示した図である。なお、Wi-SUNは、IIoT[industorial internet of things]を実現するための最良の解決法の一つであり、良好な省電力化と長距離通信を行うことが可能である。 FIG. 3 is a diagram showing problems when a Wi-SUN [wireless smart utility network] is adopted as a wireless module of a sensor node. Wi-SUN is one of the best solutions for realizing IIoT [industorial internet of things], and it is possible to perform good power saving and long-distance communication.
しかしながら、例えば、監視対象装置の振動をセンサノードで検出し、その振動データ(~10kHz,16bit)を生データのまま、工場200から本部100へ送信する場合、その送信データ量は、3軸(X軸、Y軸、Z軸)で60kB/sとなる。これは、Wi-SUNの通信帯域幅(100kbps→12.5kB/s)と比べてかなり大きい値である。このように、振動データを生データのまま送信しようとすると、送信データ量に対して通信速度が遅過ぎる結果となり、Wi-SUNの消費電力も大きくなる(180mW程度)。従って、データ圧縮(=送信データ量の削減)が必要となる。
However, for example, when the vibration of the monitored device is detected by the sensor node and the vibration data (up to 10 kHz, 16 bits) is transmitted as raw data from the
また、例えば、EN-OCEANのように、バッテリを用いずにセンサノードによるリアルタイムセンシングを行うためには、無線モジュールの消費電力を劇的に低減しなければならない。本明細書中に開示されているAI-SNPを用いれば、追加の配線やバッテリを要することのない、非常に有用なマシンヘルスモニタリングシステムの導入手法を提供することが可能となり、延いては、世界中で新旧装置のIIoTを劇的に加速することが可能となる。 Further, for example, in order to perform real-time sensing by a sensor node without using a battery as in EN-OCEAN, the power consumption of the wireless module must be dramatically reduced. The AI-SNP disclosed herein can be used to provide a very useful method of deploying a machine health monitoring system that does not require additional wiring or batteries, and thus can be used. It will be possible to dramatically accelerate the IIoT of old and new devices all over the world.
<AI-SNP>
以下では、マシンヘルスモニタリングシステム向けのAI-SNP、並びに、これに実装される人工知能アルゴリズム(以下ではAIアルゴリズムと呼ぶ)について説明する。本願出願人は、オープンデータや自社工場のリアルデータを用いてマシンヘルスモニタリングシステム向けのAIアルゴリズムについて研究を続けている。また、この研究を通して、本願出願人は、今や、AIアルゴリズムについての知見だけでなく、データ収集のノウハウについても数多くの知見を得ている。<AI-SNP>
In the following, the AI-SNP for the machine health monitoring system and the artificial intelligence algorithm implemented in the AI-SNP (hereinafter referred to as the AI algorithm) will be described. The applicant of the present application is continuing research on AI algorithms for machine health monitoring systems using open data and real data of his own factory. In addition, through this research, the applicant of the present application has now gained a great deal of knowledge not only about the AI algorithm but also about the know-how of data collection.
なお、AIアルゴリズムについては、1クラスサポートベクトルマシン(以下ではOCSVM[one class support vector machine]と呼ぶ)、スパイキングニューラルネットワーク、または、畳み込みニューラルネットワークなどが知られており、その選択肢は何ら限定されるものではない。以下では、本願出願人の長期に亘る研究の結果に基づき、AI-SNPへの実装に好適なAIアルゴリズムの一候補として、OCSVMを採用した例を挙げて説明する。なお、その詳細については後述することとし、ここではその概要だけを述べる。 As for the AI algorithm, a one-class support vector machine (hereinafter referred to as OCSVM [one class support vector machine]), a spiking neural network, a convolutional neural network, etc. are known, and the options thereof are limited. It's not something. In the following, based on the results of long-term research by the applicant of the present application, an example in which OCSVM is adopted as a candidate for an AI algorithm suitable for implementation in AI-SNP will be described. The details will be described later, and only the outline will be described here.
図4は、マシンヘルスモニタリングシステム向けのセンサノードに搭載される人工知能チップ(=先述のAI-SNPに相当)の概要を示す図である。本構成例の人工知能チップ10(以下では、AIチップ10と呼ぶ)は、センサからの入力データ(振動データや温度データなど)に基づいて、AIアルゴリズムを実行することが可能な半導体チップであって、前処理部11と、分類器12と、後処理部13と、を有する。なお、AIチップ10には、センサノードに搭載することが可能な程度に、低消費電力かつ省面積であることが求められる。また、上記のAIアルゴリズムは、監視対象装置の異常診断、ツールウェア評価、若しくは、寿命予想などの機能を実現するために設計されている。
FIG. 4 is a diagram showing an outline of an artificial intelligence chip (= corresponding to the AI-SNP described above) mounted on a sensor node for a machine health monitoring system. The artificial intelligence chip 10 (hereinafter referred to as AI chip 10) of this configuration example is a semiconductor chip capable of executing an AI algorithm based on input data (vibration data, temperature data, etc.) from a sensor. It also has a
前処理部(pre-processor)11は、並列に接続された複数のバンドパスフィルタを用いて、入力データ(例えば振動センサで得られた生の振動データ)から周波数帯域毎の特徴量をそれぞれ抽出することにより、特徴ベクトルを生成する。なお、上記の特徴量としては、例えば、1Hzから20kHz(200dim)まで、50Hz毎に周波数スペクトラムのFFT[fast Fourier transform]振幅を取得した上で、それぞれの二乗平均平方根(RMS[root mean square])を算出すればよい。 The pre-processor 11 extracts features for each frequency band from input data (for example, raw vibration data obtained by a vibration sensor) using a plurality of bandpass filters connected in parallel. By doing so, a feature vector is generated. As the above-mentioned feature quantity, for example, from 1 Hz to 20 kHz (200 dim), after acquiring the FFT [fast Fourier transform] amplitude of the frequency spectrum every 50 Hz, the root mean square of each is obtained. ) Can be calculated.
分類器(classifier)12は、前処理部11から入力される特徴ベクトルと、予め格納されたサポートベクトルとを用いて、カーネル関数(例えば、線形カーネル、ガウスカーネル、または、RBF[radial base function]カーネル)の値を求める。分類器12としては、例えば、ハードウェアにより構成されたOCSVMを好適に用いることが望ましい。また、サポートベクトルとしては、例えば、監視対象装置が稼働を開始してから33時間未満の入力データを学習用に使用し、OK/NG判別用の超平面を作成すればよい。
The
後処理部(post-processor)13は、分類器12で求められたカーネル関数の値から、入力データの異常検出処理(=監視対象装置が正常であるか異常であるかを示す異常フラグの演算処理)を行う。
The post-processor 13 calculates an abnormality detection process of input data (= an abnormality flag indicating whether the monitored device is normal or abnormal) from the value of the kernel function obtained by the
このように、本構成例のAIチップ10では、前処理部11、分類器12、及び、後処理部13を用いて、先に説明したAIアルゴリズムが実装されている。
As described above, in the
分類器12として用いられるOCSVMは、サポートベクトルマシンの一種であり、教師なし学習による、軽量かつ実践的なAIアルゴリズムである。OCSVMは、一つのソフトウェア上で1クラス問題を検出するものであり、マシンヘルスモニタリングシステムとは、似て非なるものである。なぜなら、OCSVMそのものは、複雑で高速な時系列データとの親和性に乏しいからである。
The OCSVM used as the
なお、近年では、時系列データに適切な前処理を施すことにより、OCSVMの適用を可能とする研究(例えば、非特許文献1及び2を参照)もなされている。しかしながら、いずれの研究でも時系列データから特徴量を抽出するために複雑な前処理を必要としており、低消費電力かつ省面積が求められるセンサノードへの実装には、さらなる改善の余地があった。
In recent years, studies have been conducted that enable the application of OCSVM by applying appropriate preprocessing to time-series data (see, for example,
そこで、本明細書中では、従来と比べて単純な前処理を施すことにより、OCSVMの適用を可能としたAIチップ10について提案する。前処理部11では、入力データの周波数に関する特徴量(=1Hzから20kHzまで50Hz毎に得られた周波数スペクトラムのRMS)を得るためにFFT演算のみを用いて生の入力データを単純に加工する。もちろん、AIチップ10にとって妥当な電力及びチップサイズでFFT演算を行うことは困難である。そこで、前処理部11では、単純なアナログバンドパスフィルタが使用されている(詳細は後述)。
Therefore, in the present specification, we propose an
また、分類器12に注目すると、それはカーネル法を用いた単純なOCSVMである。カーネル関数としては、先にも述べたように、線形カーネル、ガウスカーネル、或いは、RBFカーネルなどを選択することが可能である。例えば、RBFカーネルを選択することができれば、OCSVMによるAIアルゴリズムが強力なものとなる。ただし、そのためには、追加の関数回路(対数演算回路)を要するので、その点には留意が必要である。
Also, paying attention to the
なお、異常状態の分析、無視、及び、学習だけに注目すれば、加算器、乗算器、及び、次の(1)式で示す単純なカーネル関数f(X)の実装のみに注目しさえすればよい。 If we focus only on the analysis, neglect, and learning of abnormal conditions, we should pay attention only to the adder, the multiplier, and the implementation of the simple kernel function f (X) shown in the following equation (1). Just do it.
そこで、本明細書中では、加算器と乗算器を用いて分類器12(特にそのカーネル演算処理部)を構成する例を挙げて説明を行う。また、先のAIアルゴリズムをAIチップ10に実装する工夫としては、AD/DA[analog-to-digital/digital-to-analog]を減らして高速クロックを排除すべく、多数の小規模なアナログPE[processing engine]を配置して演算器やメモリをアナログ構造とすることが望ましい。
Therefore, in the present specification, an example of configuring a classifier 12 (particularly its kernel arithmetic processing unit) by using an adder and a multiplier will be described. In addition, as a device to implement the above AI algorithm on the
次に、本願出願人が提案するAIアルゴリズムによってミリングマシンのベアリングに生じる異常を検出するためにオープンデータを用いた例を挙げて説明する。 Next, an example using open data to detect an abnormality occurring in a bearing of a milling machine by the AI algorithm proposed by the applicant of the present application will be described.
図5は、監視対象装置の一例(ここではミリングマシン)を示す図である。本図のミリングマシン210は、モータ211と、ベアリング212~215と、を有する。なお、ベアリング212~215には、それぞれ、加速度計216と熱電対217が取り付けられている。また、先述のAIチップ10を搭載したセンサノード(不図示)は、ミリングマシン210の稼働中に生じる振動を常時測定することにより、ベアリングに異常が生じているか否かを判定する。
FIG. 5 is a diagram showing an example of a monitored device (here, a milling machine). The
図6は、新旧のAIアルゴリズム(図中ではそれぞれを「軽」アルゴリズム及び「重」アルゴリズムと表記)による異常検出動作の対比例を示す図である。本図の左側には、センサノードで得られる振動データの波形(1時間後及び88時間後)が描写されている。一方、本図の右側上段には、新AIアルゴリズムによる異常検出動作を示すタイムチャートが描写されている。その縦軸は超平面との距離を示しており、その横軸は稼働時間を示している。また、本図の右側下段には、旧AIアルゴリズムによる異常検出動作を示すタイムチャートが描写されている。その縦軸はクラス出力(0=正常、1=異常)を示しており、その横軸は稼働時間を示している。 FIG. 6 is a diagram showing the inverse proportion of the abnormality detection operation by the old and new AI algorithms (indicated as “light” algorithm and “heavy” algorithm, respectively in the figure). On the left side of this figure, the waveforms of the vibration data obtained by the sensor node (after 1 hour and after 88 hours) are depicted. On the other hand, in the upper right part of this figure, a time chart showing the abnormality detection operation by the new AI algorithm is drawn. The vertical axis shows the distance from the hyperplane, and the horizontal axis shows the operating time. Further, in the lower right part of this figure, a time chart showing an abnormality detection operation by the old AI algorithm is drawn. The vertical axis shows the class output (0 = normal, 1 = abnormal), and the horizontal axis shows the operating time.
なお、新AIアルゴリズムの各種パラメータは、次の通りである。
・NASA IMSデータ ch1(test2)
・OCSVM使用
・カーネル:ガウス
・ガンマ=0.1
・学習用データ:最初の200データ(33h分の良品データを学習に使用)
・サポートベクトル数:52
・ベクトル次元:99次元
・特徴量:0-10kHzまで50Hz毎に得られるFFT振幅のRMSThe various parameters of the new AI algorithm are as follows.
・ NASA IMS data ch1 (test2)
・ Using OCSVM ・ Kernel: Gauss ・ Gamma = 0.1
-Learning data: The first 200 data (33 hours of non-defective data is used for learning)
-Number of support vectors: 52
-Vector dimension: 99 dimensions-Feature quantity: RMS of FFT amplitude obtained every 50 Hz from 0 to 10 kHz
また、旧AIアルゴリズムの各種パラメータは、次の通りである。
・NASA IMSデータ
・AlexNet使用(11層CNN)
・学習データ
正常=80データ(88hまでランダム選択)
異常=80データ(88h以降ランダム選択)
・ミニバッチサイズ:50
・学習回数:1500The various parameters of the old AI algorithm are as follows.
-NASA IMS data-AlexNet used (11-layer CNN)
・ Learning data Normal = 80 data (random selection up to 88h)
Abnormality = 80 data (random selection after 88h)
・ Mini batch size: 50
・ Number of learning: 1500
本図で示したように、センサノードで得られる振動データの波形は、1時間後でも88時間後でも、見た目はほぼ同一である。しかしながら、このような振動データについて、新AIアルゴリズムによる異常判定動作を行うと、ミリングマシン210の稼働時間が88時間に達した時点で異常を検出することができる。なお、ミリングマシン210の稼働時間が162時間に達した時点で実際に故障が生じたことを鑑みると、上記の異常判定動作は、故障の予兆を知る上で極めて有用であると言える。
As shown in this figure, the waveforms of the vibration data obtained by the sensor node are almost the same in appearance after 1 hour and 88 hours. However, if the abnormality determination operation is performed by the new AI algorithm for such vibration data, the abnormality can be detected when the operating time of the
一方、旧AIアルゴリズムによる異常判定動作によっても、稼働開始から88時間経過後に初めて異常が検出されており、91時間経過後には完全に異常が検出されている。 On the other hand, even in the abnormality determination operation by the old AI algorithm, the abnormality is detected for the first time 88 hours after the start of operation, and the abnormality is completely detected after 91 hours have passed.
このように、両者を対比すれば明らかなように、新AIアルゴリズムを採用することにより、旧AIアルゴリズムよりも演算の負荷を減らしつつ、これと同様かそれ以上の精度で、監視対象装置の異常を検出することが可能である。従って、新AIアルゴリズムは、低消費電力かつ省面積が求められるセンサノードへの実装に好適であると言える。 In this way, as is clear from a comparison of the two, by adopting the new AI algorithm, the operational load is reduced compared to the old AI algorithm, and the abnormality of the monitored device is similar to or higher than this. Can be detected. Therefore, it can be said that the new AI algorithm is suitable for mounting on a sensor node that requires low power consumption and area saving.
<バンドパスフィルタアルゴリズムを用いた1クラス(u)-SVM>
マシンヘルスモニタリングシステム向けの異常検出動作を行う場合には、(a)ほぼ全てがOKデータであってNGデータは非常に稀であり、(b)振動データは監視対象装置の異常検出にとって有用な情報を示すという特徴について十分留意すべきである。以下では、上記の特徴に鑑み、教師なしの機械学習手法と単純な前処理手法について提案する。<1 class (u) -SVM using bandpass filter algorithm>
When performing anomaly detection operations for machine health monitoring systems, (a) almost all are OK data and NG data is extremely rare, and (b) vibration data is useful for anomaly detection of monitored devices. Careful attention should be paid to the characteristic of presenting information. In view of the above features, we propose an unsupervised machine learning method and a simple preprocessing method.
バンドパスフィルタ(BPF)を用いた1クラス(u)-SVM(OCSVM)は、上記の特徴を鑑み、異常検出動作を行うためのAIアルゴリズムとして採用し得るものである。OCSVMは、教師なしの異常検出手法として知られている。なお、(u)は、マージンエラーの上限値と、全ベクトルに占めるサポートベクトルの比率の下限値をそれぞれ明確化するために導入されている。また、BPFは、AIチップ10にとって負荷の高いFFT演算を行うことなく、単純に周波数情報を得るための手段である。
One class (u) -SVM (OCSVM) using a bandpass filter (BPF) can be adopted as an AI algorithm for performing an abnormality detection operation in view of the above characteristics. OCSVM is known as an unsupervised anomaly detection technique. Note that (u) is introduced to clarify the upper limit of the margin error and the lower limit of the ratio of the support vector to all the vectors. Further, the BPF is a means for simply obtaining frequency information without performing an FFT calculation, which is a heavy load for the
図7は、AIチップ10の一構成例(後処理部13を有しない構成)を示す図である。本図で示したように、本構成例のAIチップ10において、前処理部11は、並列に接続された複数のバンドパスフィルタ11aを含む。また、分類器12は、サポートベクトル格納部12aと、カーネル演算処理部12bを含む。
FIG. 7 is a diagram showing an example of the configuration of the AI chip 10 (configuration without the post-processing unit 13). As shown in this figure, in the
前処理部11は、入力データ(=生データ)の最低周波数fmin(=DC)から最高周波数fmax(=1kHz)まで、所定のバンド幅Δf(本図ではΔf=50Hz)毎に設けられた複数のバンドパスフィルタ11aを動作させる。これらのバンドパスフィルタ11aは、それぞれ、特徴値x0~xkを出力する。前処理部11は、特徴値x0~xkを要素とする特徴ベクトルX(x0,x1,…,xk)を生成して分類器12に出力する。A plurality of preprocessing
分類器12(OCSVM)において、サポートベクトル格納部12aは、特徴ベクトルXを評価するための超平面(=OK/NG判定境界)を構成するために、次の(2)式で表されるサポートベクトルXnを格納している。In the classifier 12 (OCSVM), the support
なお、上記のサポートベクトルXnは、監視対象装置が初めて起動されてから所定の期間内に得られる入力データ(=良品の生データ)に基づいて、AIチップ10よりも演算処理能力の高いサーバで算出することが望ましい。
The above support vector Xn is a server having a higher arithmetic processing capacity than the
その場合、AIチップ10は、その通常動作(=入力データの異常判定動作)を開始する前に、サポートベクトル算出処理に必要な入力データ(=良品の生データ)をサーバに送り、サーバからサポートベクトルXnを受け取らなければならない。In that case, the
また、カーネル演算処理部12bは、特徴ベクトルXとサポートベクトルXnの入力を受け付けており、所定のカーネル関数Kを用いて関数値f(X)を求める(先出の(1)式を参照)。そして、当該演算後、AIチップ10は、入力データの評価結果として、上記の関数値f(X)(=0~1)を出力する。Further, the kernel
なお、本図には示されていない後処理部13を有する場合には、上記の関数値f(X)がチェックされ、異常状態をサーバに伝えるべきか否かが判定される。 When the post-processing unit 13 (not shown in this figure) is provided, the above-mentioned function value f (X) is checked, and it is determined whether or not the abnormal state should be notified to the server.
図8は、カーネル演算処理部12bの一構成例を示す図である。本構成例のカーネル演算処理部12bは、複数のベクトル演算器b10と、加算器b20と、を含む。
FIG. 8 is a diagram showing a configuration example of the kernel
ベクトル演算器b10は、それぞれ、特徴ベクトルX、サポートベクトルXi、及び、係数αiを用いて、関数値αiK(X,Xi)を生成する(ただしi=0,1,…,k)。The vector arithmetic unit b10 generates a function value α i K (X, X i ) using the feature vector X, the support vector X i , and the coefficient α i , respectively (where i = 0, 1, ..., k).
加算器b20は、複数の関数値αiK(X,Xi)を足し合わせることにより、関数値f(X)を生成する。The adder b20 generates a function value f (X) by adding a plurality of function values α i K (X, X i ).
図9は、ベクトル演算器b10の一構成例を示す図である。本構成例のベクトル演算器b10は、カーネル演算器b11と乗算器b12を含む。 FIG. 9 is a diagram showing a configuration example of the vector arithmetic unit b10. The vector arithmetic unit b10 of this configuration example includes a kernel arithmetic unit b11 and a multiplier b12.
カーネル演算器b11は、特徴ベクトルXとサポートベクトルXiの入力を受け付けており、所定のカーネル関数Kを用いて関数値K(X,Xi)を生成する。The kernel arithmetic unit b11 accepts inputs of the feature vector X and the support vector X i , and generates a function value K (X, X i ) using a predetermined kernel function K.
なお、カーネル関数Kについては、リニアカーネル、ガウスカーネル、または、RBFカーネルなど、いくつかの選択肢がある。例えば、リニアカーネルは、特徴ベクトルXとサポートベクトルXiを単純に掛け合わせるものであり、極めて単純なハードウェア構成でAIチップ10に実装することができる。一方、RBFカーネルは、OK/NG判定の境界を自由に定めることができる。次の(3a)式~(3c)式は、それぞれ、リニアカーネル、ガウスカーネル、及び、RBFカーネルの演算式である。
For the kernel function K, there are several options such as a linear kernel, a Gaussian kernel, or an RBF kernel. For example, the linear kernel simply multiplies the feature vector X and the support vector Xi, and can be mounted on the
乗算器b12は、関数値K(X,Xi)と係数αiを掛け合わせることにより、関数値αiK(X,Xi)を生成する。The multiplier b12 generates the function value α i K (X, X i ) by multiplying the function value K (X, X i ) by the coefficient α i .
<センサノード>
図10は、AIチップ10が搭載されるセンサノードの一構成例を示す図である。本構成例のセンサノード1は、サーバ2と共にマシンヘルスモニタリングシステム300の一構成要素として機能するものであり、これまでに説明してきたAIチップ10のほかに、センサ20と、通信部30と、環境発電部40と、蓄電部50と、パワーマネジメント部60と、を有する。<Sensor node>
FIG. 10 is a diagram showing a configuration example of a sensor node on which the
なお、センサノード1については、監視対象装置(不図示)に取り付けられるセンサそのものと理解してもよいし、同センサに接続されたゲートウェイと理解してもよい。すなわち、センサ20は、センサノード1に対して外付けされるものであっても構わない。
The
AIチップ10は、パワーマネジメント部60から電力供給を受けて、センサ20のエッジで動作する半導体装置であり、センサ20から入力データを受け付けて異常検出処理を行い、その検出結果を通信部30経由でサーバ2に通報する。なお、AIチップ10と通信部30との通信については、例えば、UART[universal asynchronous receiver/transmitter]インタフェイスを介して行えばよい。AIチップ10の構成や動作については、既に述べた通りであるので、ここでの重複した説明は割愛する。
The
センサ20は、パワーマネジメント部60から電力供給を受けて、所定の計測対象(振動や電流等)を計測する手段であり、例えば、振動センサを好適に用いることができる。なお、AIチップ10の高速クロックを排除するためには、センサ20をアナログ出力型とすることが望ましい。最先端の振動センサは、ロジックインタフェイスを備えたロジック出力型のものが主流である。なぜなら、アナログ出力型では、ノイズの影響を受けやすく、高精度センサにとって致命的となるからである。従って、アナログ出力型のセンサ20を用いる場合には、ノイズの影響を受けにくいように、AIチップ10をセンサ20の近傍に配置することが重要となる。
The
通信部30は、パワーマネジメント部60から電力供給を受けて、サーバ2との間で無線通信を行うためのモジュールである。AIチップ10は、通常、エラーデータの検出時にだけサーバ2と通信を行うが、サーバ2に学習用データを送るときには、通常よりも大容量の通信を行う必要がある。これを鑑みると、通信部30としては、例えば、高速無線通信が可能なWi-SUNモジュールを採用することが望ましいと言える。
The
環境発電部40は、センサノード1の置かれた環境下に存在するエネルギー(=振動、光、熱など)を受けて発電する手段(いわゆるエナジーハーベスタ)である。なお、振動をエネルギー源とする場合には、発電素子として、ピエゾ素子などの圧電素子を用いるとよい。また、太陽光や照明光をエネルギー源とする場合には、発電素子として、シリコン系、化合物系、または、有機系などの光電素子を用いるとよい。また、熱をエネルギー源とする場合には、発電素子として、ペルチェ素子などの熱電素子を用いるとよい。
The
なお、センサノード1では、センサ20の計測対象と環境発電部40のエネルギー源が共通であるとよい。一つの例として、センサ20で振動を計測対象とし、環境発電部40で上記の振動をエネルギー源としている場合が挙げられる。この場合、センサ20が振動を計測しようとするときには、その振動を受けて環境発電部40で発電が行われるので、振動以外をエネルギー源とする場合と比べて、より確実にセンサ20への電力供給を行うことが可能となる。
In the
蓄電部50は、環境発電部40の発電電力(100μW程度)を蓄える手段であり、例えば、スーパーキャパシタ(=電気二重層キャパシタの総称)を好適に用いることができる。特に、大電力を消費してサーバ2に多くのデータを送るためには、蓄電部50として大容量(1F程度)のスーパーキャパシタが必要となる。
The
パワーマネジメント部60は、環境発電部40の発電電力、または、蓄電部50の蓄電電力を用いて、センサノード1各部(AIチップ10、センサ20、及び、通信部30)への電力供給を行う内部電源回路(例えばDC3.3V出力のDC/DCコンバータ)である。環境発電部40では、発電電力を安定に供給することができない。そのため、センサノード1の安定動作を実現するためには、パワーマネジメント部60の働きが非常に重要となる。すなわち、パワーマネジメント部60では、蓄電部50への蓄電制御だけでなく、環境発電部40から最大電力が得られるように適切なインピーダンスマッチング制御を行う必要がある。
The
本構成例のセンサノード1であれば、その消費電力が環境発電によって賄われているので、電源配線の敷設や電池の交換が不要となる。また、センサノード1とサーバ2との間では、無線による通信が行われるので、相互間を結ぶ信号配線も不要となる。従って、センサノード1を任意の箇所に配置することが可能となる。
In the case of the
サーバ2は、センサノード1から異常フラグを受け付けたときに、本部のスタッフに異常状態報知を行う。このようなマシンヘルスモニタリングシステム300を構築することにより、CBM手法(図2)による設備保全が可能となる。
When the server 2 receives the abnormality flag from the
<その他の変形例>
なお、上記の実施形態では、マシンヘルスモニタリングシステムを例に挙げたが、人工知能アルゴリズム(ないしこれを実装した人工知能チップ)の適用対象は、何らこれに限定されるものではなく、例えば、患者の体調管理を行うための生体ヘルスモニタリングシステムにも応用することが可能である。<Other variants>
In the above embodiment, the machine health monitoring system is taken as an example, but the application target of the artificial intelligence algorithm (or the artificial intelligence chip on which the artificial intelligence algorithm is implemented) is not limited to this, and for example, the patient. It can also be applied to a biological health monitoring system for managing physical condition.
このように、本明細書中に開示されている種々の技術的特徴は、上記実施形態のほか、その技術的創作の主旨を逸脱しない範囲で種々の変更を加えることが可能である。すなわち、上記実施形態は、全ての点で例示であって、制限的なものではないと考えられるべきであり、本発明の技術的範囲は、上記実施形態に限定されるものではなく、特許請求の範囲と均等の意味及び範囲内に属する全ての変更が含まれると理解されるべきである。 As described above, various technical features disclosed in the present specification can be modified in addition to the above-described embodiment without departing from the spirit of the technical creation thereof. That is, it should be considered that the above-described embodiment is exemplary in all respects and is not restrictive, and the technical scope of the present invention is not limited to the above-described embodiment and claims for a patent. It should be understood that the meaning of the scope and equality and all changes belonging to the scope are included.
本明細書中に開示されている発明は、例えば、スマートファクトリー向けのマシンヘルスモニタリングシステムに利用することが可能である。 The invention disclosed herein can be used, for example, in a machine health monitoring system for smart factories.
1 センサノード
10 人工知能チップ(AIチップ)
11 前処理部
11a バンドパスフィルタ
12 分類器(OCSVM)
12a サポートベクトル格納部
12b カーネル演算処理部
b10 ベクトル演算器
b11 カーネル演算器
b12 乗算器
b20 加算器
13 後処理部
20 センサ
30 通信部(Wi-SUN)
40 環境発電部
50 蓄電部(スーパーキャパシタ)
60 パワーマネジメント部
100 本部
200 工場
210 ミリングマシン
211 モータ
212~215 ベアリング
216 加速度計
217 熱電対
300 マシンヘルスモニタリングシステム1
11
12a Support
40
60
Claims (7)
前記振動センサで得られた生の振動データを受け付ける人工知能チップと、
前記人工知能チップとサーバとの間で無線通信を行う通信部と、
を有する、センサノードであって、
前記人工知能チップは、
並列に接続されたk個のバンドパスフィルタを用いて、前記振動データの最低周波数から最高周波数まで一定の周波数帯毎に周波数スペクトラムのFFT振幅を取得した上で、それぞれの二乗平均平方根を算出し、前記振動データから前記周波数帯域毎の特徴量をそれぞれ抽出することにより特徴ベクトルX(x0,x1,…,xk)を生成する前処理部と、
前記特徴ベクトルX(x0,x1,…,xk)と、前記センサノードが取り付けられる監視対象装置が稼働を開始してから所定時間内の前記振動データを学習用に使用して作成されたOK/NG判別用の超平面に相当するサポートベクトルXi(ただし、i=0,1,…,k)の入力を受け付けており、所定のカーネル関数Kを用いて関数値f(X)を求める分類器と、
を有し、
前記分類器は、
前記特徴ベクトルXと前記サポートベクトルXiの入力を受け付けており、前記カーネル関数Kを用いてk個の関数値K(X,Xi)を生成するカーネル演算器と、
k個の前記関数値K(X,Xi)とk個の係数αiを掛け合わせることによりk個の関数値αiK(X,Xi)を生成する乗算器と、
k個の前記関数値αiK(X,Xi)を足し合わせることにより前記関数値f(X)を生成する加算器と、
を含む、センサノード。 Vibration sensor and
An artificial intelligence chip that accepts raw vibration data obtained by the vibration sensor,
A communication unit that performs wireless communication between the artificial intelligence chip and the server,
Is a sensor node with
The artificial intelligence chip is
Using k bandpass filters connected in parallel, the FFT amplitude of the frequency spectrum is acquired for each fixed frequency band from the lowest frequency to the highest frequency of the vibration data, and then the root mean square of each is calculated. , A preprocessing unit that generates a feature vector X (x 0 , x 1 , ..., X k ) by extracting feature quantities for each frequency band from the vibration data .
The feature vector X (x 0 , x 1 , ..., X k ) and the vibration data within a predetermined time from the start of operation of the monitored device to which the sensor node is attached are used for learning. The input of the support vector Xi (however, i = 0,1, ..., K) corresponding to the hyperplane for OK / NG discrimination is accepted, and the function value f (X) is used by using the predetermined kernel function K. With a classifier that finds
Have,
The classifier is
A kernel arithmetic unit that accepts inputs of the feature vector X and the support vector Xi and generates k function values K (X, X i ) using the kernel function K.
A multiplier that generates k function values αiK (X, Xi) by multiplying k function values K (X, Xi) by k coefficients αi.
An adder that generates the function value f (X) by adding k of the function values αiK (X, Xi), and
Including sensor nodes .
前記環境発電部の発電電力を蓄える蓄電部と、
前記発電電力または前記蓄電部の蓄電電力を用いてセンサノード各部への電力供給を行うパワーマネジメント部と、
をさらに有する、請求項1~請求項4のいずれか一項に記載のセンサノード。 Energy harvesting department and
The power storage unit that stores the generated power of the energy harvesting unit and
A power management unit that supplies power to each sensor node using the generated power or the stored power of the power storage unit.
The sensor node according to any one of claims 1 to 4 , further comprising.
前記センサノードから異常フラグを受け付けるサーバと、
を有する、マシンヘルスモニタリングシステム。 The sensor node according to any one of claims 1 to 5, which is attached to the monitored device.
A server that accepts an error flag from the sensor node and
Has a machine health monitoring system.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017157852 | 2017-08-18 | ||
JP2017157852 | 2017-08-18 | ||
PCT/JP2018/023934 WO2019035279A1 (en) | 2017-08-18 | 2018-06-25 | Artificial intelligence algorithm |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2019035279A1 JPWO2019035279A1 (en) | 2020-07-27 |
JP7012086B2 true JP7012086B2 (en) | 2022-01-27 |
Family
ID=65362832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019536436A Active JP7012086B2 (en) | 2017-08-18 | 2018-06-25 | Artificial intelligence algorithm |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7012086B2 (en) |
WO (1) | WO2019035279A1 (en) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7275324B2 (en) * | 2020-01-24 | 2023-05-17 | 三菱電機株式会社 | Wire rope flaw detector |
JP2022168313A (en) * | 2021-04-25 | 2022-11-07 | 広海 大谷 | Sql database-graph hamilton cycle junction model ai chip, automated accuracy compensation mechanism applied gyroscope, etc., ai chip, ram access restriction flag lock chip, serial registration ram access restriction flag lock chip, ai execution result analysis and storage custom chip, auto-analysis data alignment and arrangement chip, game engine chip, 4d engine chip, physical simulator chip, ai chip board, 4d engine chip board, physical simulator chip board, chained feedback point system chip and roll forward system chip, rollback system chip, and emergency control apparatus direct circuit and chip |
WO2024141490A1 (en) * | 2022-12-30 | 2024-07-04 | Revibe Energy Ab | A monitoring system comprising a self-powered sensor |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006105943A (en) | 2004-10-08 | 2006-04-20 | Omron Corp | Device for creating knowledge, parameter retrieving method, and program product |
JP2014035279A (en) | 2012-08-09 | 2014-02-24 | Bridgestone Corp | Road surface state determination method and device |
WO2015072023A1 (en) | 2013-11-15 | 2015-05-21 | 富士通株式会社 | System, communication node, and switching method |
JP2015170317A (en) | 2014-03-10 | 2015-09-28 | 富士通株式会社 | Discriminant function specification device, discriminant function specification program, discriminant function specification method, and biometric authentication device |
US20160098037A1 (en) | 2014-10-06 | 2016-04-07 | Fisher-Rosemount Systems, Inc. | Data pipeline for process control system anaytics |
WO2017126236A1 (en) | 2016-01-20 | 2017-07-27 | 三菱電機株式会社 | Abnormality detection device and abnormality detection system |
-
2018
- 2018-06-25 WO PCT/JP2018/023934 patent/WO2019035279A1/en active Application Filing
- 2018-06-25 JP JP2019536436A patent/JP7012086B2/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006105943A (en) | 2004-10-08 | 2006-04-20 | Omron Corp | Device for creating knowledge, parameter retrieving method, and program product |
JP2014035279A (en) | 2012-08-09 | 2014-02-24 | Bridgestone Corp | Road surface state determination method and device |
WO2015072023A1 (en) | 2013-11-15 | 2015-05-21 | 富士通株式会社 | System, communication node, and switching method |
JP2015170317A (en) | 2014-03-10 | 2015-09-28 | 富士通株式会社 | Discriminant function specification device, discriminant function specification program, discriminant function specification method, and biometric authentication device |
US20160098037A1 (en) | 2014-10-06 | 2016-04-07 | Fisher-Rosemount Systems, Inc. | Data pipeline for process control system anaytics |
WO2017126236A1 (en) | 2016-01-20 | 2017-07-27 | 三菱電機株式会社 | Abnormality detection device and abnormality detection system |
Also Published As
Publication number | Publication date |
---|---|
JPWO2019035279A1 (en) | 2020-07-27 |
WO2019035279A1 (en) | 2019-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ran et al. | A survey of predictive maintenance: Systems, purposes and approaches | |
Mosallam et al. | Data-driven prognostic method based on Bayesian approaches for direct remaining useful life prediction | |
US10481195B2 (en) | Distributed IoT based sensor analytics for power line diagnosis | |
Lee et al. | Prognostics and health management design for rotary machinery systems—Reviews, methodology and applications | |
Zhao et al. | Enabling data-driven condition monitoring of power electronic systems with artificial intelligence: Concepts, tools, and developments | |
JP7012086B2 (en) | Artificial intelligence algorithm | |
US10539932B2 (en) | Machine diagnostics based on overall system energy state | |
Sanz et al. | Gear dynamics monitoring using discrete wavelet transformation and multi-layer perceptron neural networks | |
Prieto et al. | Self-powered wireless sensor applied to gear diagnosis based on acoustic emission | |
CN113227926A (en) | Condition monitoring device and method for monitoring an electric machine | |
WO2011073613A1 (en) | A method, apparatus and computer program for diagnosing a mode of operation of a machine | |
US20190178852A1 (en) | Structural health monitoring of cyclically loaded structures | |
Gopal et al. | Digital twin and IOT technology for secure manufacturing systems | |
Kannan et al. | Nominal features-based class specific learning model for fault diagnosis in industrial applications | |
Jaber et al. | The state of the art in research into the condition monitoring of industrial machinery | |
Peco Chacón et al. | State of the art of artificial intelligence applied for false alarms in wind turbines | |
Chen et al. | An integrated framework for statistical change detection in running status of industrial machinery under transient conditions | |
Maurya et al. | Intelligent fault diagnostic system for rotating machinery based on IoT with cloud computing and artificial intelligence techniques: a review | |
Pagano | A predictive maintenance model using long short-term memory neural networks and Bayesian inference | |
Albano et al. | Advanced sensor-based maintenance in real-world exemplary cases | |
Kramti et al. | A neural network approach for improved bearing prognostics of wind turbine generators | |
WO2023201430A1 (en) | Methods and systems for monitoring, diagnosis and prediction of health of an industrial machine having a rotating component | |
Wang et al. | Wavelet Packet Transform‐Assisted Least Squares Support Vector Machine for Gear Wear Degree Diagnosis | |
Yi et al. | On a prediction method for remaining useful life of rolling Bearings via VMD-based dispersion entropy and GAN | |
Pandiyan et al. | Systematic Review on Fault Diagnosis on Rolling-Element Bearing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200131 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210323 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210513 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210914 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211025 |
|
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: 20220104 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220117 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7012086 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |