JP7056753B6 - Elevator brake device abnormality diagnosis system - Google Patents
Elevator brake device abnormality diagnosis system Download PDFInfo
- Publication number
- JP7056753B6 JP7056753B6 JP2020551703A JP2020551703A JP7056753B6 JP 7056753 B6 JP7056753 B6 JP 7056753B6 JP 2020551703 A JP2020551703 A JP 2020551703A JP 2020551703 A JP2020551703 A JP 2020551703A JP 7056753 B6 JP7056753 B6 JP 7056753B6
- Authority
- JP
- Japan
- Prior art keywords
- data
- brake device
- unit
- abnormality
- determination
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
- B66B5/0006—Monitoring devices or performance analysers
- B66B5/0018—Devices monitoring the operating condition of the elevator system
- B66B5/0025—Devices monitoring the operating condition of the elevator system for maintenance or repair
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B3/00—Applications of devices for indicating or signalling operating conditions of elevators
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
- B66B5/0006—Monitoring devices or performance analysers
- B66B5/0018—Devices monitoring the operating condition of the elevator system
- B66B5/0031—Devices monitoring the operating condition of the elevator system for safety reasons
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B66—HOISTING; LIFTING; HAULING
- B66B—ELEVATORS; ESCALATORS OR MOVING WALKWAYS
- B66B5/00—Applications of checking, fault-correcting, or safety devices in elevators
- B66B5/02—Applications of checking, fault-correcting, or safety devices in elevators responsive to abnormal operating conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Maintenance And Inspection Apparatuses For Elevators (AREA)
- Braking Arrangements (AREA)
Description
本発明は、エレベーターのブレーキ装置異常診断システムに関する。 The present invention relates to an elevator brake device abnormality diagnosis system.
特許文献1にエレベーターのブレーキ装置異常診断システムの例が記載されている。ブレーキ装置異常診断システムは、ブレーキ装置のプランジャーのストロークをレーザー変位計で測定する。ブレーキ装置異常診断システムは、測定したストロークが閾値に達する場合にブレーキ装置を異常と診断する。 Patent Document 1 describes an example of an elevator brake device abnormality diagnosis system. The brake device abnormality diagnosis system measures the stroke of the plunger of the brake device with a laser displacement meter. The brake device abnormality diagnosis system diagnoses the brake device as an abnormality when the measured stroke reaches a threshold value.
しかしながら、特許文献1のブレーキ装置異常診断システムは、プランジャーのストロークに対して予め定められた一定の閾値に基づいてブレーキ装置の異常を判定する。このため、ブレーキ装置異常診断システムは、異常と判定する閾値が未知の場合にブレーキ装置の異常を診断できない。 However, the brake device abnormality diagnosis system of Patent Document 1 determines the abnormality of the brake device based on a predetermined constant threshold value with respect to the stroke of the plunger. Therefore, the brake device abnormality diagnosis system cannot diagnose the abnormality of the brake device when the threshold value for determining the abnormality is unknown.
本発明は、このような課題を解決するためになされた。本発明の目的は、異常と診断する閾値が未知のデータに基づいてブレーキ装置の異常を診断できる異常診断システムを提供することである。 The present invention has been made to solve such a problem. An object of the present invention is to provide an abnormality diagnosis system capable of diagnosing an abnormality of a braking device based on data in which a threshold for diagnosing an abnormality is unknown.
本発明に係るエレベーターのブレーキ装置異常診断システムは、エレベーターのかごを制動するブレーキ装置が動作するときに、ブレーキ装置の動作についての動作データを取得する観測部と、観測部が取得した動作データをブレーキ装置の故障現象に対応する状態データに変換する変換部と、状態データを用いた教師なし学習の手法、または、ブレーキ装置について異常を判定した判定データおよび状態データを用いた教師あり学習の手法、によってブレーキ装置の異常の診断モデルを学習する学習部と、学習部による学習の後に観測部が取得した動作データを変換部が変換して得られる状態データから診断モデルに基づいてブレーキ装置の異常を判定する判定部と、を備え、判定部は、ブレーキ装置の異常の判定の結果が正常ではない状態を表すときに、当該判定が行われたときのエレベーターのかごの位置と同じ位置でブレーキ装置にかごを制動させる信号を出力し、ブレーキ装置が当該位置でかごを制動するときに観測部が取得する動作データを変換部が変換して得られる状態データから、診断モデルに基づいてブレーキ装置の異常を判定する。
本発明に係るエレベーターのブレーキ装置異常診断システムは、エレベーターのかごを制動するブレーキ装置が動作するときに、ブレーキ装置の動作についての動作データを取得する観測部と、観測部が取得した動作データをブレーキ装置の故障現象に対応する状態データに変換する変換部と、状態データを用いた教師なし学習の手法、または、ブレーキ装置について異常を判定した判定データおよび状態データを用いた教師あり学習の手法、によってブレーキ装置の異常の診断モデルを学習する学習部と、学習部による学習の後に観測部が取得した動作データを変換部が変換して得られる状態データから診断モデルに基づいてブレーキ装置の異常を判定する判定部と、を備え、判定部は、ブレーキ装置の異常の判定の結果が正常ではない状態を表すときに、当該判定が行われたときのエレベーターのかごの位置と異なる位置でブレーキ装置にかごを制動させる信号を出力し、ブレーキ装置が当該位置でかごを制動するときに観測部が取得する動作データを変換部が変換して得られる状態データから、診断モデルに基づいてブレーキ装置の異常を判定する。
本発明に係るエレベーターのブレーキ装置異常診断システムは、エレベーターのかごを制動するブレーキ装置が動作するときに、ブレーキ装置の動作についての動作データを取得する観測部と、観測部が取得した動作データをブレーキ装置の故障現象に対応する状態データに変換する変換部と、状態データを用いた教師なし学習の手法、または、ブレーキ装置について異常を判定した判定データおよび状態データを用いた教師あり学習の手法、によってブレーキ装置の異常の診断モデルを学習する学習部と、学習部による学習の後に観測部が取得した動作データを変換部が変換して得られる状態データから診断モデルに基づいてブレーキ装置の異常を判定する判定部と、ブレーキ装置の動作環境についての環境データに基づいて、動作データを分類する分類部と、動作データに基づいてブレーキ装置の劣化時期を予測する予測部と、を備え、分類部は、環境データと予測部が予測する劣化時期とに基づいて動作データを分類し、学習部は、分類部による分類ごとに診断モデルを学習し、判定部は、分類部による分類ごとに学習された診断モデルに基づいてブレーキ装置の異常を判定する。
The brake device abnormality diagnosis system for an elevator according to the present invention has an observation unit that acquires operation data about the operation of the brake device when the brake device that brakes the car of the elevator operates, and an operation data acquired by the observation unit. A conversion unit that converts to state data corresponding to the failure phenomenon of the brake device, and a method of unsupervised learning using state data, or a method of supervised learning using judgment data and state data that determine abnormalities in the brake device. Based on the diagnostic model, the learning unit that learns the diagnostic model of the abnormality of the brake device and the state data obtained by converting the operation data acquired by the observation unit after the learning by the learning unit to the conversion unit. A determination unit for determining an abnormality is provided , and the determination unit is at the same position as the position of the elevator car when the determination is made when the result of the abnormality determination of the brake device represents an abnormal state. A signal for braking the car is output to the braking device, and the state data obtained by converting the operation data acquired by the observation unit when the braking device brakes the car at the position is converted by the conversion unit to brake based on the diagnostic model. Judge an abnormality in the device .
The brake device abnormality diagnosis system for an elevator according to the present invention has an observation unit that acquires operation data about the operation of the brake device when the brake device that brakes the car of the elevator operates, and an operation data acquired by the observation unit. A conversion unit that converts to state data corresponding to the failure phenomenon of the brake device, and a method of unsupervised learning using state data, or a method of supervised learning using judgment data and state data that determine abnormalities in the brake device. Brake device abnormality based on the diagnostic model from the learning unit that learns the diagnostic model of the brake device abnormality by The determination unit is provided with a determination unit for determining an abnormality, and the determination unit brakes at a position different from the position of the elevator car when the determination is made when the result of the abnormality determination of the braking device indicates an abnormal state. A braking device is output based on a diagnostic model from the state data obtained by outputting a signal to brake the car to the device and converting the operation data acquired by the observation unit when the braking device brakes the car at the position. Judge the abnormality of.
The elevator brake device abnormality diagnosis system according to the present invention has an observation unit that acquires operation data about the operation of the brake device when the brake device that brakes the elevator car operates, and an operation data acquired by the observation unit. A conversion unit that converts to state data corresponding to the failure phenomenon of the brake device, a method of unsupervised learning using state data, or a method of supervised learning using judgment data and state data that determine abnormalities in the brake device. Based on the diagnostic model, the learning unit learns the diagnostic model of the abnormality of the brake device by, and the conversion unit converts the operation data acquired by the observation unit after the learning by the learning unit. A determination unit that determines The unit classifies the operation data based on the environmental data and the deterioration time predicted by the prediction unit, the learning unit learns the diagnostic model for each classification by the classification unit, and the judgment unit learns for each classification by the classification unit. The abnormality of the braking device is judged based on the diagnostic model made.
これらの発明によれば、ブレーキ装置異常診断システムは、観測部と、変換部と、学習部と、判定部と、を備える。観測部は、エレベーターのかごを制動するブレーキ装置が動作するときに、ブレーキ装置の動作についての動作データを取得する。変換部は、観測部が取得した動作データをブレーキ装置の故障現象に対応する状態データに変換する。学習部は、状態データを用いてブレーキ装置の異常の診断モデルを教師あり学習または教師なし学習の手法によって学習する。判定部は、学習部による学習の後に観測部が取得した動作データを変換部が変換して得られる状態データから診断モデルに基づいてブレーキ装置の異常を判定する。これにより、異常と診断する閾値が未知のデータに基づいてブレーキ装置の異常を診断できる。 According to these inventions, the brake device abnormality diagnosis system includes an observation unit, a conversion unit, a learning unit, and a determination unit. When the brake device that brakes the car of the elevator operates, the observation unit acquires operation data about the operation of the brake device. The conversion unit converts the operation data acquired by the observation unit into state data corresponding to the failure phenomenon of the brake device. The learning unit learns a diagnostic model of the abnormality of the brake device by the method of supervised learning or unsupervised learning using the state data. The determination unit determines the abnormality of the brake device based on the diagnostic model from the state data obtained by converting the operation data acquired by the observation unit after the learning by the learning unit by the conversion unit. As a result, it is possible to diagnose the abnormality of the brake device based on the data whose threshold value for diagnosing the abnormality is unknown.
本発明を実施するための形態について添付の図面を参照しながら説明する。各図において、同一または相当する部分には同一の符号を付して、重複する説明は適宜に簡略化または省略する。 The embodiment for carrying out the present invention will be described with reference to the accompanying drawings. In each figure, the same or corresponding parts are designated by the same reference numerals, and duplicate description will be appropriately simplified or omitted.
実施の形態1.
図1は、実施の形態1に係るブレーキ装置異常診断システム1の構成図である。Embodiment 1.
FIG. 1 is a configuration diagram of a brake device abnormality diagnosis system 1 according to the first embodiment.
ブレーキ装置異常診断システム1は、エレベーター2に適用される。
The brake device abnormality diagnosis system 1 is applied to the
エレベーター2は、建築物3に設けられる。建築物3は、複数の階を有する。エレベーター2において、昇降路4は、建築物3の各階を貫く。エレベーター2において、乗場5は、建築物3の各階に設けられる。各階の乗場5は、昇降路4に対向する。エレベーター2において、複数の乗場扉6の各々は、各階の乗場5に設けられる。エレベーター2は、巻上機7と、主ロープ8と、釣合オモリ9と、かご10と、ブレーキ装置11と、制御盤12と、監視装置13と、を備える。
The
巻上機7は、例えば昇降路4の上部に設けられる。巻上機7は、モーターと、シーブと、を備える。巻上機7のモーターは、シーブを回転させる装置である。 The hoisting machine 7 is provided, for example, on the upper part of the hoistway 4. The hoist 7 includes a motor and a sheave. The motor of the hoist 7 is a device for rotating the sheave.
主ロープ8は、巻上機7のシーブの回転に追従して移動しうるように、巻上機7のシーブに巻きかけられる。主ロープ8の一端は、かご10に設けられる。主ロープ8の他端は、釣合オモリ9に設けられる。
The
釣合オモリ9は、主ロープ8の移動に追従して昇降路4の内部を鉛直方向に走行しうるように設けられる。
The
かご10は、主ロープ8の移動に追従して昇降路4の内部を鉛直方向に走行しうるように設けられる。かご10は、かご扉14を備える。かご扉14は、かご10が建築物3の各階のいずれかに停止しているときに開閉する装置である。かご扉14は、乗場扉6を連動して開閉させる装置である。
The
ブレーキ装置11は、かご10が停止しているときにかご10を制動する装置である。ブレーキ装置11は、ブレーキドラム15と、ブレーキシュー16と、コイル17と、プランジャー18と、バネ19と、ブレーキ制御装置20と、を備える。ブレーキドラム15は、巻上機7のモーターと同期して回転しうるように、巻上機7のモーターの出力軸に設けられる。ブレーキシュー16は、ブレーキドラム15の外面に対向する。ブレーキシュー16は、摩擦力によりブレーキドラム15の回転を制動することによって、かご10を制動する機器である。バネ19は、弾性力によりブレーキシュー16をブレーキドラム15に押し付ける機器である。コイル17は、通電によって磁界を発生させる機器である。プランジャー18は、コイル17が発生させる磁界によってバネ19の弾性力に抗しながらブレーキシュー16をブレーキドラム15から離れるように変位させる機器である。ブレーキ制御装置20は、ブレーキ装置11の動作を制御する装置である。ブレーキ装置11の動作は、吸引および釈放を含む。ブレーキ制御装置20は、吸引指令および釈放指令を出力する素子を搭載する。吸引指令は、ブレーキ装置11がかご10を制動するときに出力される。釈放指令は、ブレーキ装置11がかご10を制動するときに出力される。ブレーキ装置11は、バネ19の弾性力をブレーキシュー16に伝達するブレーキアームを備えてもよい。
The
制御盤12は、例えば昇降路4の上部に設けられる。制御盤12は、エレベーター2の動作を制御する装置である。エレベーター2の動作は、例えばかご10の走行を含む。制御盤12は、エレベーター2の動作を制御しうるように、巻上機7およびブレーキ装置11に接続される。
The
監視装置13は、例えば建築物3に設けられる。監視装置13は、エレベーター2の動作を監視する装置である。監視装置13は、エレベーター2の動作についてのデータを通信しうるように、制御盤12に接続される。
The
エレベーター2において、図示されない動作計測装置と、環境計測装置と、が設けられる。
The
動作計測装置は、ブレーキ装置11が動作するときに動作計測データを取得する装置である。動作計測データは、ブレーキ装置11の動作についての情報を表す多成分のデータである。動作計測装置の一部または全部は、例えばブレーキ装置11、巻上機7またはかご10に設けられる。動作計測装置は、例えば、センサー、スイッチなどを含む。動作計測装置は、例えば、電流計と、ブレーキスイッチと、エンコーダーと、を含む。
The motion measuring device is a device that acquires motion measurement data when the
電流計は、例えばコイル17に電力を供給する配線に設けられる。電流計は、コイル17に通電される電流を測定するセンサーである。ブレーキスイッチは、ブレーキ装置11に設けられる。ブレーキスイッチは、ブレーキ装置11の作動状態を検出するスイッチである。ブレーキ装置11の作動状態は、制動状態および解放状態を含む。ブレーキスイッチは、例えばブレーキ装置11の一部の機械的な変位を検出することによってブレーキ装置11の作動状態を検出する機構を備える。エンコーダーは、巻上機7のモーターに設けられる。エンコーダーは、巻上機7のモーターの回転角をパルス信号によって出力するセンサーである。
The ammeter is provided, for example, in the wiring that supplies electric power to the
動作計測データの各成分の情報は、制御盤12に出力される。あるいは、動作計測データの各成分の情報は、ブレーキ制御装置20を通じて制御盤12に出力される。制御盤12は、動作計測データを、信号データおよび算出データとともに動作データとして出力可能に記憶する。信号データは、制御信号の入力または出力の有無の情報を表す多成分のデータである。制御信号は、例えばブレーキ電圧指令、吸引指令、釈放指令、ブレーキ電圧指令およびブレーキ接点信号である。制御ソフトウェアの変数は、算出データの情報を含んでもよい。算出データは、動作計測データおよび信号データなどに基づいて算出される多成分のデータである。
Information on each component of the motion measurement data is output to the
環境計測装置は、環境計測データを取得する装置である。環境計測データは、ブレーキ装置11の動作環境についての情報を表す多成分のデータである。環境計測装置の一部または全部は、例えばブレーキ装置11、巻上機7またはかご10に設けられる。環境計測装置は、例えば昇降路4に設けられる。複数の環境計測装置は、例えばはかりと、温度計と、を含む。
The environmental measurement device is a device that acquires environmental measurement data. The environment measurement data is multi-component data representing information about the operating environment of the
はかりは、かご10に設けられる。はかりは、かご10に乗車している利用者などの重量を測定するセンサーである。温度計は、昇降路4に設けられる。温度計は、例えば気温を測定するセンサーである。温度計は、ブレーキ装置11に設けられてもよい。このとき、温度計は、例えばブレーキ装置11の温度を測定するセンサーである。
The scale is provided in the
環境計測データの各成分の情報は、制御盤12に出力される。あるいは、環境計測データの各成分の情報は、ブレーキ制御装置20を通じて制御盤12に出力される。制御盤12は、環境計測データを出力可能に記憶する。
Information on each component of the environmental measurement data is output to the
ブレーキ装置異常診断システム1において、情報センター21は、例えば建築物3の外部に設けられる。情報センター21は、エレベーター2および他のエレベーターの情報を収集する拠点である。
In the brake device abnormality diagnosis system 1, the
ブレーキ装置異常診断システム1は、ブレーキ装置11の異常を診断するシステムである。なお、ブレーキ装置異常診断システム1は、ブレーキ装置11の劣化時期を予測する機能を備えてもよい。
The brake device abnormality diagnosis system 1 is a system for diagnosing an abnormality of the
ブレーキ装置異常診断システム1は、データサーバー22と、保守支援装置23と、表示装置24と、を備える。
The brake device abnormality diagnosis system 1 includes a
データサーバー22は、例えば情報センター21に設けられる。データサーバー22は、エレベーター2の動作などの情報を通信しうるように、監視装置13に接続される。データサーバー22は、観測データ記憶部25と、属性データ記憶部26と、異常データ記憶部27と、を備える。
The
観測データ記憶部25は、観測データベースを記憶する部分である。観測データベースは、複数の観測データを含む。観測データは、動作データおよび環境計測データを含む。
The observation
属性データ記憶部26は、属性データベースを記憶する部分である。属性データベースは、複数の属性データを含む。属性データは、エレベーターの属性に基づくデータを含む。また、属性データは、ブレーキ装置の属性に基づくデータを含む。属性データは、例えばブレーキ装置の機種、かごの装置重量、エレベーターの種類およびエレベーターの設置地域などの情報を含む。エレベーターの種類は、例えば展望用エレベーターであるか否かなどの情報を含む。エレベーターの種類は、例えば昇降路の環境に関連する。エレベーターの種類は、例えばエレベーターの機種に関連する。エレベーターの設置地域は、例えば気候などを通じて昇降路の環境に関連する。エレベーターの設置地域は、例えば空気中の塩または硫黄などの濃度を通じて昇降路の環境に関連する。
The attribute
異常データ記憶部27は、異常履歴データベースを記憶する部分である。異常履歴データベースは、エレベーター2および他のエレベーターについての複数の判定データを含む。判定データは、ブレーキ装置11の異常を判定したデータである。判定データは、例えば異常の有無、異常の種類および異常の度合の情報を含む。判定データは、例えば1つの動作データに対応付けられるデータである。
The abnormality
保守支援装置23は、例えば情報センター21に設けられる。保守支援装置23は、観測部28と、データ取得部29と、分類部30と、変換部31と、学習部32と、判定部33と、生成部34と、予測部35と、記憶部36と、報知部37と、を備える。
The
観測部28は、ブレーキ装置11が動作するときに動作データを取得する部分である。観測部28は、動作データを含む観測データを取得しうるように監視装置13に接続される。
The
データ取得部29は、訓練データセットを生成する部分である。訓練データセットは、環境データ、動作データおよび判定データの複数の組を含む。環境データは、環境計測データおよび属性データを含む。データ取得部29は、観測データを取得しうるように、観測データ記憶部25に接続される。データ取得部29は、属性データを取得しうるように、属性データ記憶部26に接続される。データ取得部29は、判定データを取得しうるように、異常データ記憶部27に接続される。
The
分類部30は、環境データに基づいて動作データを分類する部分である。分類部30は、動作データを取得しうるように、観測部28に接続される。分類部30は、環境計測データおよび属性データを環境データとして取得しうるように、観測部28および属性データ記憶部26に接続される。分類部30は、訓練データセットを取得しうるように、データ取得部29に接続される。
The classification unit 30 is a part that classifies operation data based on environmental data. The classification unit 30 is connected to the
変換部31は、動作データを状態データおよび指標データに変換する部分である。 The conversion unit 31 is a part that converts operation data into state data and index data.
状態データは、多成分のデータである。状態データの各成分は、ブレーキ装置11の各故障現象に対応する。ブレーキ装置11の各故障現象は、例えば、リレースイッチの接点の固着、バネ19の劣化、ブレーキシュー16の位置のずれ、ブレーキ装置11の制動能力の低下、およびブレーキ制御装置20の電子回路の異常を含む。
The state data is multi-component data. Each component of the state data corresponds to each failure phenomenon of the
指標データは、ブレーキ装置11の劣化を表すデータである。指標データは、例えば予め設定される時間単位ごとの劣化指標値を表す時系列データである。劣化指標値は、ブレーキ装置11の劣化を表す指標となる値である。劣化指標値は、多成分の値であってもよい。ブレーキ装置11の劣化は、例えばブレーキシュー16の磨耗である。ブレーキ装置11の劣化は、例えばブレーキ装置11の制動能力を低下させる。ブレーキ装置11の制動能力の低下は、例えばブレーキ装置11におけるスリップの発生の要因となる。時系列データの時間単位は、例えば1日である。変換部31は、環境データに基づいて分類された動作データを取得しうるように、分類部30に接続される。
The index data is data representing deterioration of the
学習部32は、状態データを用いてブレーキ装置11の異常の診断モデルを学習する部分である。学習部32による学習の手法は、機械学習の手法である。学習部32は、状態データを取得しうるように、変換部31に接続される。学習部32による学習は、例えば情報センター21のオペレーターによる学習を開始する操作によって行われる。
The
判定部33は、学習部32による学習の後に観測部28が取得した動作データを変換部31が変換して得られる状態データから、学習部32が学習した診断モデルに基づいてブレーキ装置11の異常を判定する部分である。判定部33は、状態データを取得しうるように、変換部31に接続される。判定部33は、診断モデルを取得しうるように、学習部32に接続される。判定部33による判定は、例えば判定部33が起動しているときに状態データを取得する都度行われる。判定部33の起動は、例えば情報センター21のオペレーターによる起動の操作によって行われる。判定部33は、判定結果を出力しうるように、監視装置13に接続される。
The
生成部34は、指標データが表す劣化の時間に対する変化を表す劣化モデルを生成する部分である。劣化モデルは、劣化指標値の将来にわたる変化を予測するモデルである。劣化モデルは、トレンド成分、周期的成分および短期変動成分を含む。トレンド成分は、増加または減少の単調な変化の長期的な傾向を表す成分である。周期的成分は、周期的な変化の傾向を表す成分である。短期変動成分は、短期的な変動を表す成分である。生成部34は、指標データを取得しうるように、変換部31に接続される。
The
予測部35は、生成部34が生成した劣化モデルに基づいて、ブレーキ装置11の劣化時期を予測する部分である。ブレーキ装置11の劣化時期は、劣化指標値が予め設定された閾値に達する時期である。予測部35は、劣化モデルを読み込みうるように、生成部34に接続される。
The
記憶部36は、判定結果データを記憶する部分である。判定結果データは、判定部33による判定の結果を表すデータである。記憶部36は、判定結果データを取得しうるように、判定部33に接続される。記憶部36は、予測結果データを記憶する部分である。予測結果データは、予測部35による予測の結果を表すデータである。記憶部36は、予測結果データを取得しうるように、予測部35に接続される。
The
報知部37は、判定部33によるブレーキ装置11の異常の判定の結果を報知する部分である。報知部37は、判定結果データを取得しうるように、判定部33に接続される。報知部37は、予測部35によるブレーキ装置11の劣化時期の予測の結果を報知する部分である。報知部37は、予測結果データを取得しうるように、予測部35に接続される。報知部37は、判定結果データまたは予測結果データから報知データを生成する。報知データは、報知する内容を表すデータである。
The
表示装置24は、取得したデータが表す内容を表示する装置である。表示装置24は、例えばディスプレイである。表示装置24は、例えば情報センター21に設けられる。表示装置24は、報知データを取得しうるように、報知部37に接続される。
The
続いて、図2を用いて、ブレーキ装置異常診断システム1の機能を説明する。
図2は、実施の形態1に係るブレーキ装置異常診断システムによる異常診断の例を示す図である。Subsequently, the function of the brake device abnormality diagnosis system 1 will be described with reference to FIG.
FIG. 2 is a diagram showing an example of abnormality diagnosis by the brake device abnormality diagnosis system according to the first embodiment.
グラフAにおいて、動作データに含まれるデータの例が示される。グラフAの横軸は、時間を表す。グラフAの縦軸は、動作計測装置によって計測される信号値を表す。グラフAにおいて、各々の曲線は、ブレーキ装置11の一回の動作によって取得されるデータを表す。
In the graph A, an example of the data included in the operation data is shown. The horizontal axis of graph A represents time. The vertical axis of the graph A represents the signal value measured by the motion measuring device. In Graph A, each curve represents data acquired by a single operation of the
動作データは、例えば次のように取得される。 The operation data is acquired as follows, for example.
制御盤12は、かご10が停止しているときに、ブレーキ装置11を動作させる信号をブレーキ制御装置20に出力する。
The
ブレーキ制御装置20は、制御盤12から入力された制御信号にしたがって、ブレーキ装置11を動作させる。ブレーキ装置11が動作するときに、動作計測装置は、動作計測データを取得する。動作計測装置は、動作計測データをブレーキ制御装置20または制御盤12に出力する。ブレーキ装置11が動作するときに、環境計測装置は、環境計測データを取得する。環境計測装置は、環境計測データをブレーキ制御装置20または制御盤12に出力する。ブレーキ制御装置20は、入力された動作計測データおよび環境計測データを制御盤12に出力する。
The
制御盤12は、動作計測データおよび信号データなどに基づいて、算出データを算出する。算出データは、例えばエンコーダーのパルス信号のカウントから算出されるかご10の位置のデータを含む。算出データは、例えばブレーキ吸引指令信号を出力してからブレーキスイッチがブレーキ装置11の実際の動作を検出するまでの時間差のデータを含む。算出データは、例えばブレーキ装置11が制動の動作を継続している時間のデータを含む。算出データは、例えばブレーキ装置11の動作の頻度のデータを含む。制御盤12は、動作計測データ、信号データおよび算出データを動作データとして観測部28に監視装置13を通じて出力する。制御盤12は、環境計測データを観測部28に監視装置13を通じて出力する。
The
観測部28は、制御盤12から監視装置13を通じて動作データおよび環境計測データを取得する。観測部28は、動作データおよび環境計測データを観測データとして観測データ記憶部25に出力する。観測部28は、動作データおよび環境計測データを分類部30に出力する。
The
観測データ記憶部25は、取得した観測データを観測データベースに格納する。観測データは、例えばフラグデータと、数値データと、波形データと、を含む。動作データの成分は、例えばフラグデータ、数値データまたは波形データである。
The observation
フラグデータは、例えば、スイッチが動作したか否か、センサーが動作したか否か、および制御信号の有無などの情報を含む。フラグデータは、真偽値、整数値または文字列などにより表現される。 The flag data includes information such as whether or not the switch has been operated, whether or not the sensor has been operated, and whether or not there is a control signal. Flag data is represented by a boolean value, an integer value, a character string, or the like.
数値データは、例えば、センサーが計測した物理量の値などの情報を含む。数値データは、例えばコイル17に通電される電流、ブレーキ装置11が制動している継続時間、かご10の位置、気温、ブレーキ装置11の温度、ブレーキ装置11の動作の頻度、気温、およびかご10に乗車している利用者の重量を含む。数値データは、整数値または実数値などにより表現される。
Numerical data includes information such as, for example, the value of a physical quantity measured by a sensor. Numerical data includes, for example, the current applied to the
波形データは、例えば、センサーが計測した物理量の時間変化などの情報を含む。波形データは、例えば、コイル17に通電される電流のパターン変化、かご10の位置の時間変化、およびブレーキ温度の時間変化を含む。波形データは、予め定められた時間間隔毎の複数の数値を含むリストなどにより表現される。
The waveform data includes information such as a time change of a physical quantity measured by a sensor. The waveform data includes, for example, a pattern change of the current applied to the
グラフAにおいて、波形データの例が示される。グラフAに示される複数の曲線は、ブレーキ装置11の1回の動作によって取得される動作データの成分としての波形データにそれぞれ対応する。
In Graph A, an example of waveform data is shown. The plurality of curves shown in the graph A correspond to the waveform data as a component of the operation data acquired by one operation of the
ブレーキ装置異常診断システム1は、例えば情報センター21のオペレーターによる操作によって学習を開始する。
The brake device abnormality diagnosis system 1 starts learning by, for example, an operation by an operator of the
ブレーキ装置異常診断システム1が学習を開始するときに、データ取得部29は、訓練データセットを生成する。データ取得部29は、観測データ記憶部25から複数の観測データを取得する。データ取得部29は、属性データ記憶部26から複数の属性データを取得する。データ取得部29は、異常データ記憶部27から複数の判定データを取得する。データ取得部29は、複数の観測データおよび複数の属性データから、複数の動作データおよび複数の環境データを生成する。データ取得部29は、複数の判定データを複数の動作データおよび複数の環境データに対応付ける。このとき、データ取得部29は、例えばブレーキ装置11の動作時刻などを用いて対応付けをしてもよい。あるいは、ブレーキ装置11の一回の動作に識別情報が付される場合に、データ取得部29は、当該識別情報を用いて対応付けをしてもよい。データ取得部29は、対応付けに基づいて訓練データセットを生成する。データ取得部29は、分類部30に訓練データセットを出力する。
When the brake device abnormality diagnosis system 1 starts learning, the
分類部30は、訓練データセットに含まれる環境データに基づいて、当該環境データに対応する動作データを分類する。例えば環境データが分類用のラベリングデータを含む場合に、分類部30は、ラベリングデータの値が互いに等しい環境データに対応する動作データを同一のクラスターに分類する。あるいは、分類部30は、例えば教師なし学習の手法によって同一のクラスターに分類された環境データに対応する動作データを同一のクラスターに分類する。このとき、分類部30は、教師なし学習の手法として例えば非階層的な分類手法であるk平均法を用いる。あるいは、分類部30は、階層的な分類手法を用いてもよい。分類部30は、分類された動作データを変換部31に出力する。 The classification unit 30 classifies the operation data corresponding to the environmental data based on the environmental data included in the training data set. For example, when the environmental data includes the labeling data for classification, the classification unit 30 classifies the operation data corresponding to the environmental data having the same value of the labeling data into the same cluster. Alternatively, the classification unit 30 classifies the operation data corresponding to the environmental data classified into the same cluster by, for example, the method of unsupervised learning into the same cluster. At this time, the classification unit 30 uses, for example, the k-means method, which is a non-hierarchical classification method, as a method of unsupervised learning. Alternatively, the classification unit 30 may use a hierarchical classification method. The classification unit 30 outputs the classified operation data to the conversion unit 31.
変換部31は、分類部30による分類ごとに、特徴量抽出工程と、標準化工程と、異常度算出工程と、予備工程と、の各工程を経て動作データを状態データに変換する。 The conversion unit 31 converts the operation data into state data through each of the feature amount extraction step, the standardization step, the abnormality degree calculation step, and the preliminary step for each classification by the classification unit 30.
特徴量抽出工程において、変換部31は、分類された複数の動作データを複数の特徴データに変換する。変換部31は、動作データの成分ごとに1つ以上の特徴量を抽出する。動作データの成分が真偽値で表されるとき、変換部31は、真値または偽値から例えば+1または-1の数値を特徴量として抽出する。動作データの成分が数値で表されるとき、変換部31は、例えばその数値をそのまま特徴量として抽出する。例えば波形データなどにおいて動作データの成分が数値のリストで表されるとき、変換部31は、例えばリストに含まれる数値の平均値および標準偏差などを1つ以上の特徴量として抽出する。あるいは、動作データの成分が数値のリストで表されるとき、変換部31は、例えばリストに含まれる複数の数値をそのまま複数の特徴量として抽出する。変換部31は、ここに例示していない方法によって動作データの成分から特徴量を抽出してもよい。変換部31は、動作データの成分ごとに抽出された1つ以上の特徴量を成分として含む多成分の特徴データを生成する。 In the feature amount extraction step, the conversion unit 31 converts a plurality of classified operation data into a plurality of feature data. The conversion unit 31 extracts one or more feature quantities for each component of the operation data. When the component of the operation data is represented by a truth value, the conversion unit 31 extracts, for example, a numerical value of +1 or -1 from the true value or the false value as a feature amount. When the component of the operation data is represented by a numerical value, the conversion unit 31 extracts, for example, the numerical value as it is as a feature amount. For example, when the components of the operation data are represented by a list of numerical values in waveform data or the like, the conversion unit 31 extracts, for example, the mean value and standard deviation of the numerical values included in the list as one or more feature quantities. Alternatively, when the components of the operation data are represented by a list of numerical values, the conversion unit 31 extracts, for example, a plurality of numerical values included in the list as they are as a plurality of feature quantities. The conversion unit 31 may extract a feature amount from the components of the operation data by a method not exemplified here. The conversion unit 31 generates multi-component feature data including one or more feature quantities extracted for each component of the operation data as a component.
標準化工程において、変換部31は、複数の特徴データを複数の標準化データに変換する。標準化データは、多成分のデータである。変換部31は、特徴データの各成分を標準化データの各成分に変換する。標準化データの成分は、例えばもとの動作データが含まれる分類についての平均が0になるようにそれぞれ標準化される。標準化データの成分は、例えばもとの動作データが含まれる分類についての標準偏差が1になるようにそれぞれ標準化される。 In the standardization step, the conversion unit 31 converts a plurality of feature data into a plurality of standardized data. Standardized data is multi-component data. The conversion unit 31 converts each component of the feature data into each component of the standardized data. The components of the standardized data are standardized, for example, so that the average for the classification including the original operation data is 0. The components of the standardized data are standardized, for example, so that the standard deviation for the classification containing the original operation data is 1.
異常度算出工程において、変換部31は、複数の標準化データを複数の異常度データに変換する。異常度データは、多成分のデータである。異常度データの各成分は、通常の状態からの違いを表す指標である。異常度データの各成分は、例えば、特徴データの各成分から算出される。変換部31は、例えば、特徴データの各成分について、平均値からの二乗偏差を分散で割ることによって異常度データの各成分を算出する。変換部31は、他の機械学習などの手法によって標準化データを異常度データに変換してもよい。 In the abnormality degree calculation step, the conversion unit 31 converts a plurality of standardized data into a plurality of abnormality degree data. The anomaly degree data is multi-component data. Each component of the anomaly degree data is an index showing the difference from the normal state. Each component of the anomaly degree data is calculated from, for example, each component of the feature data. For example, the conversion unit 31 calculates each component of the anomaly degree data by dividing the squared deviation from the mean value by the variance for each component of the feature data. The conversion unit 31 may convert the standardized data into abnormality degree data by another method such as machine learning.
予備工程において、変換部31は、複数の異常度データを複数の状態データに変換する。変換部31は、予備的な処理として教師なし学習の手法を異常度データに適用する。教師なし学習の手法は、例えばPCA(Principal Component Analysis)による次元削減の手法である。あるいは、教師なし学習の手法は、例えばk平均法によるクラスタリングの手法である。変換部31は、訓練データセットに含まれていた複数の判定データと、当該複数の判定データに対応する複数の動作データから変換された複数の状態データとを、学習部32に出力する。
In the preliminary step, the conversion unit 31 converts a plurality of abnormality degree data into a plurality of state data. The conversion unit 31 applies the unsupervised learning method to the abnormality degree data as a preliminary process. The method of unsupervised learning is, for example, a method of dimension reduction by PCA (Principal Component Analysis). Alternatively, the method of unsupervised learning is, for example, a clustering method by the k-means method. The conversion unit 31 outputs the plurality of determination data included in the training data set and the plurality of state data converted from the plurality of operation data corresponding to the plurality of determination data to the
グラフBにおいて、2成分の状態データの例が示される。グラフBの横軸は、状態データの第1成分を表す。グラフBの縦軸は、状態データの第2成分を表す。グラフBにおいて、各々の点は、ブレーキ装置11の一回の動作によって取得される動作データから変換された状態データを表す。なお、状態データは、1成分または3成分以上のデータであってもよい。
In Graph B, an example of two-component state data is shown. The horizontal axis of the graph B represents the first component of the state data. The vertical axis of the graph B represents the second component of the state data. In the graph B, each point represents state data converted from the operation data acquired by one operation of the
学習部32は、複数の状態データに基づいて、例えば複数の判定データを教師データとした教師あり学習の手法によって分類部30による分類ごとに診断モデルを学習する。ここで、教師あり学習の手法は、例えば線形または非線形の分類手法である。教師あり学習の手法は、例えばk近傍法、判別分析またはSVM(Support Vector Machine)である。このとき、判定データに含まれる異常の有無、異常の種類および異常の度合は、例えば線形または非線形の分類手法によって分類されるクラスターにラベルとして付される。診断モデルを学習したあとに、学習部32は、内蔵する記憶領域に当該診断モデルを保存する。
The
グラフBにおいて、正常な状態を表す状態データは、白丸で表される。学習部32が学習する診断モデルによって、正常な状態を表す状態データは、正常な状態を表す2つのクラスターのいずれかに分類される。
In the graph B, the state data representing the normal state is represented by a white circle. According to the diagnostic model learned by the
判定部33は、例えば情報センター21のオペレーターの操作によって起動する。判定部33は、起動するときに、学習部32が保存している診断モデルを読み込む。
The
判定部33が起動している場合に、分類部30は、観測部28から観測データを取得するときに、属性データ記憶部26から当該観測データに対応するエレベーター2についての属性データを取得する。分類部30は、観測データおよび属性データから動作データおよび環境データを取得する。分類部30は、環境データに基づいて動作データを分類する。分類部30は、分類された動作データを変換部31に出力する。変換部31は、分類部30による分類に応じて、動作データを状態データに変換する。このとき、変換部31は、訓練データセットに含まれる動作データと同様の方法によって状態データへの変換を行う。すなわち、変換部31は、同一の動作データから同一の状態データが得られるように変換を行う。変換部31は、変換された状態データを判定部33に出力する。
When the
判定部33は、学習部32から読み込んだ診断モデルに基づいて、状態データを用いてブレーキ装置11の異常を判定する。判定部33は、ブレーキ装置11の異常の判定の結果として、例えば異常の有無、異常の種類および異常の度合を取得する。例えば学習部32においてk近傍法などの分類手法によって学習が行われた場合に、判定部33は、前処理済みデータが分類されるクラスターのラベルに基づいてブレーキ装置11の異常の有無、異常の種類および異常の度合を取得する。
The
グラフBにおいて、異常な状態を表す状態データは、黒丸で表される。判定部33は、例えば、状態データが正常な状態を表す2つのクラスターのいずれかにも分類されないときに、当該状態データが異常な状態を表すものと判定する。正常な状態を表すクラスターは、1つまたは3つ以上であってもよい。あるいは、判定部33は、状態データが異常な状態を表す1つ以上のクラスターのいずれかに分類されるときに、当該状態データが異常な状態を表すものと判定してもよい。
In the graph B, the state data representing the abnormal state is represented by a black circle. The
判定部33は、判定結果データを記憶部36に出力する。判定結果データは、判定部33が判定の結果として取得したブレーキ装置11の異常の有無、異常の種類および異常の度合を含む。判定結果データは、異常度データを含む。判定結果データは、異常と判定されるまでの裕度のデータを含む。異常と判定されるまでの裕度は、例えば次元削減の後の空間における状態データに対応する点と異常を表すクラスターの重心との距離の最小値である。
The
記憶部36は、判定結果を記憶する。
The
判定部33は、判定の結果に基づいて制御盤12に対する要求信号を出力する。判定部33は、例えば次のように要求信号を出力する。
The
判定部33は、例えば異常の有無、異常の種類または異常の度合に基づいて、予め設定された基準によって判定の結果が運転不可状態を表すかを判定する。運転不可状態は、エレベーター2の運転ができない状態である。あるいは、出力部は、例えば運転不可状態に対応する異常として予め設定された異常を表すクラスターに状態データが分類されるときに、判定の結果が運転不可状態を表すと判定する。運転不可状態は、例えばブレーキ装置11が動作しない状態、またはブレーキ装置11を動作させると異常の度合が著しく悪化する状態を含む。判定部33は、判定の結果が運転不可状態を表すときに、エレベーター2の運転を停止させる要求信号を制御盤12に出力する。制御盤12は、要求信号に従って、エレベーター2の運転を停止させる。
The
判定部33は、例えば異常の有無、異常の種類または異常の度合に基づいて、予め設定された基準によって判定の結果が非正常状態を表すかを判定する。非正常状態は、正常ではない状態である。あるいは、判定部33は、例えば正常を表すクラスターに状態データが分類されないときに、判定の結果が非正常状態を表すと判定する。あるいは、判定部33は、例えばいずれかの異常を表すクラスターに状態データが分類されるときに、判定の結果が非正常状態を表すと判定する。
The
判定部33は、判定の結果が非正常状態を表すときに、当該判定が行われたときにかご10が停止していた位置と同じ位置にかご10が停止している状態で動作試験としてブレーキ装置11の動作をさせる要求信号を制御盤12に出力する。制御盤12は、要求信号にしたがって、かご10を走行させずに動作試験としてブレーキ装置11に動作をさせる。ブレーキ装置11が動作をするときに、観測部28は、動作データを取得する。分類部30は、観測部28が取得した動作データを分類する。変換部31は、分類部30が分類した動作データを状態データに変換する。判定部33は、変換部31が変換した状態データから、診断モデルに基づいてブレーキ装置11の異常を再び判定する。なお、最初の判定の結果が非正常状態を表すときに、当該非正常状態が例えば異常履歴データベースを参照することによって動作試験の後に運転不可状態に移行した状態に類似すると判定される場合に、判定部33は、動作試験を行わなくてもよい。
When the result of the determination indicates an abnormal state, the
判定部33は、再びした判定の結果が非正常状態を表すときに、当該判定が行われたときにかご10が停止していた位置と異なる位置にかご10が停止している状態で動作試験としてブレーキ装置11の動作をさせる要求信号を制御盤12に出力する。制御盤12は、要求信号に従って、かご10を走行させる。制御盤12は、要求信号に従って、かご10が停止した後に動作試験としてブレーキ装置11に動作をさせる。ブレーキ装置11が動作をするときに、観測部28は、動作データを取得する。分類部30は、観測部28が取得した動作データを分類する。変換部31は、分類部30が分類した動作データを状態データに変換する。判定部33は、変換部31が変換した状態データから、診断モデルに基づいてブレーキ装置11の異常を判定する。
When the result of the re-determination represents an abnormal state, the
判定部33は、最初の判定の結果が非正常状態を表すときに、当該判定が行われたときにかご10が停止していた階と異なる階にかご10が停止している状態でブレーキ装置11の動作をさせる要求信号を制御盤12に出力してもよい。
When the result of the first determination represents an abnormal state, the
ブレーキ装置11の異常を判定するときに、判定部33は、判定結果データを報知部37に出力する。
When determining the abnormality of the
判定部33によるブレーキ装置11の異常の判定の結果が運転可能状態を表すときに、報知部37は、判定結果データを報知しない。運転可能状態は、例えば、エレベーター2の運転ができる状態である。運転可能状態は、例えば正常な状態または運転に支障がない程度の軽微な異常の状態を含む。
When the result of the abnormality determination of the
判定部33によるブレーキ装置11の異常の判定の結果が運転可能状態ではない状態を表すときに、報知部37は、判定結果データから報知データを生成する。報知データの内容は、例えば異常の種類、異常の度合、判定を行った状態データに類似する状態データの数および当該類似する状態データが取得されたエレベーター2において当該類似する状態データの取得の後に保守点検が実施された時期を含む。報知部37は、報知データを表示装置24に出力することによって、表示装置24を通じて報知データの内容を報知する。
When the result of the abnormality determination of the
表示装置24は、報知データの内容を表示する。表示部は、例えば「種類Xの異常が発生しました。異常度合は50%です。過去の類似する100ケースのうち、50ケースについて1ヶ月以内に、70ケースについて2ヶ月以内に、保守点検がされています。」などと表示する。
The
続いて、図3および図4を用いて、ブレーキ装置異常診断システム1の動作の例を説明する。
図3および図4は、実施の形態1に係るブレーキ装置異常診断システムの動作の例を示すフローチャートである。Subsequently, an example of the operation of the brake device abnormality diagnosis system 1 will be described with reference to FIGS. 3 and 4.
3 and 4 are flowcharts showing an example of the operation of the brake device abnormality diagnosis system according to the first embodiment.
図3において、ブレーキ装置異常診断システム1の診断モデルの学習についての動作が示される。 FIG. 3 shows the operation of learning the diagnostic model of the brake device abnormality diagnosis system 1.
ステップS11において、分類部30は、データ取得部29から訓練データセットを取得する。分類部30は、訓練データセットに含まれる環境データに基づいて、当該環境データに対応する動作データを分類する。その後、ブレーキ装置異常診断システム1の動作は、ステップS12に進む。
In step S11, the classification unit 30 acquires the training data set from the
ステップS12において、変換部31は、分類部30による分類ごとに動作データを状態データに変換する。その後、ブレーキ装置異常診断システム1の動作は、ステップS13に進む。 In step S12, the conversion unit 31 converts the operation data into state data for each classification by the classification unit 30. After that, the operation of the brake device abnormality diagnosis system 1 proceeds to step S13.
ステップS13において、学習部32は、状態データに基づいてブレーキ装置11の異常の診断モデルを学習する。その後、ブレーキ装置異常診断システム1の動作は、ステップS14に進む。
In step S13, the
ステップS14において、学習部32は、学習した診断モデルを内蔵する記憶領域に保存する。その後、ブレーキ装置異常診断システム1の動作は、終了する。
In step S14, the
図4において、ブレーキ装置異常診断システム1の異常診断についての動作が示される。 FIG. 4 shows the operation of the brake device abnormality diagnosis system 1 for abnormality diagnosis.
ステップS21において、判定部33は、学習部32から診断モデルを読み込む。その後、ブレーキ装置異常診断システム1の動作は、ステップS22に進む。
In step S21, the
ステップS22において、分類部30は、観測部28から観測データを取得する。分類部30は、属性データ記憶部26から属性データを取得する。分類部30は、観測データおよび属性データから動作データおよび環境データを取得する。分類部30は、環境データに基づいて動作データを分類する。その後、ブレーキ装置異常診断システム1の動作は、ステップS23に進む。
In step S22, the classification unit 30 acquires observation data from the
ステップS23において、変換部31は、分類部30による分類ごとに動作データを状態データに変換する。その後、ブレーキ装置異常診断システム1の動作は、ステップS24に進む。 In step S23, the conversion unit 31 converts the operation data into state data for each classification by the classification unit 30. After that, the operation of the brake device abnormality diagnosis system 1 proceeds to step S24.
ステップS24において、判定部33は、読み込んだ診断モデルに基づいて、状態データからブレーキ装置11の異常を判定する。その後、ブレーキ装置異常診断システム1の動作は、ステップS25に進む。
In step S24, the
ステップS25において、判定部33は、判定の結果を報知部37および記憶部36に出力する。その後、ブレーキ装置異常診断システム1の動作は、ステップS22に進む。
In step S25, the
以上に説明したように、実施の形態1に係るブレーキ装置異常診断システム1は、観測部28と、変換部31と、データ取得部29と、学習部32と、判定部33と、を備える。観測部28は、ブレーキ装置11が動作するときにブレーキ装置11の動作についての動作データを取得する。ブレーキ装置11は、エレベーター2のかご10を制動する。変換部31は、観測部28が取得した動作データをブレーキ装置11の故障現象に対応する状態データに変換する。データ取得部29は、ブレーキ装置11について異常を判定した判定データを取得する。学習部32は、状態データおよび判定データを用いてブレーキ装置11の異常の診断モデルを教師あり学習の手法によって学習する。判定部33は、学習部32による学習の後に観測部28が取得した動作データを変換部31が変換して得られる状態データから診断モデルに基づいてブレーキ装置11の異常を判定する。
As described above, the brake device abnormality diagnosis system 1 according to the first embodiment includes an
判定部33は、教師あり学習の手法によって学習された診断モデルに基づいてブレーキ装置11の異常を判定する。教師あり学習の手法において、異常と診断する閾値は、事前に必要とされない。このため、異常と診断する閾値が未知のデータに基づいてブレーキ装置11の異常を診断できる。
The
観測部28は、多様なデータを動作データとして取得できる。学習部32は、教師あり学習の手法によって学習する。このため、学習部32は、複雑な判定条件による診断モデルを学習できる。これにより、判定部33は、多数の種類の異常に対応する状態と正常な状態とが識別できる。また、判定部33は、異常が発生するまでの時間を単一の一次式で予測できないような突発的な異常を精度よく検出できる。
The
また、ブレーキ装置異常診断システム1は、分類部30を備える。分類部30は、ブレーキ装置11の動作環境についての環境データに基づいて、動作データを分類する。学習部32は、分類部30による分類ごとに診断モデルを学習する。判定部33は、分類部30による分類ごとに学習された診断モデルに基づいてブレーキ装置11の異常を判定する。
Further, the brake device abnormality diagnosis system 1 includes a classification unit 30. The classification unit 30 classifies the operation data based on the environmental data about the operating environment of the
学習部32は、意味のある分類に仕分けされたデータを用いて学習処理を行うことができる。このため、環境要因によって動作データの正常域が複数存在する場合においても、学習部32は、精度の高い診断モデルを学習することができる。また、学習部32の学習における計算量が低減される。
The
また、ブレーキ装置異常診断システム1は、報知部37を備える。報知部37は、判定部33によるブレーキ装置11の異常の判定の結果を報知する。
Further, the brake device abnormality diagnosis system 1 includes a
表示装置24は、報知部37から報知データを取得する。表示装置24は、報知データの内容を表示する。これにより、例えば情報センター21のオペレーターは、異常の判定の結果を速やかに知ることができる。
The
また、ブレーキ装置異常診断システム1は、記憶部36を備える。記憶部36は、判定部33によるブレーキ装置11の異常の判定の結果を記憶する。報知部37は、エレベーター2の運転ができる状態を当該判定の結果が表すときに、当該判定の結果を報知しない。
Further, the brake device abnormality diagnosis system 1 includes a
報知部37は、緊急性の低い状態を表す判定の結果を報知しない。これにより、緊急性の高い情報が見過ごされにくくなる。
The
また、判定部33は、ブレーキ装置11の異常の判定の結果が正常ではない状態を表すときに、当該判定が行われたときのエレベーター2のかご10の位置と同じ位置でブレーキ装置11にかご10を制動させる信号を出力する。判定部33は、ブレーキ装置11が当該位置でかご10を制動するときに観測部28が取得する動作データを変換部31が変換して得られる状態データから、診断モデルに基づいてブレーキ装置11の異常を判定する。
Further, when the determination result of the abnormality of the
判定部33は、正常ではない状態を表す結果が、同じ位置において再現するかを判定する。これにより、判定部33は、先の判定の結果が偶発的な要因によるものであるかを判定できる。例えば、正常ではない状態を表す結果が再現しない場合に、判定部33は、先の判定の結果が偶発的な要因によるものであると判定してもよい。偶発的な要因は、例えば電気的なノイズなどを含む。
The
また、判定部33は、ブレーキ装置11の異常の判定の結果が正常ではない状態を表すときに、当該判定が行われたときのエレベーター2のかご10の位置と異なる位置でブレーキ装置11にかご10を制動させる信号を出力する。判定部33は、ブレーキ装置11が当該位置でかご10を制動するときに観測部28が取得する動作データを変換部31が変換して得られる状態データから、診断モデルに基づいてブレーキ装置11の異常を判定する。
Further, when the determination result of the abnormality of the
判定部33は、正常ではない状態を表す結果が、異なる位置において再現するかを判定する。これにより、判定部33は、先の判定の結果が例えばブレーキドラム15またはブレーキシュー16の局所的な異常によるものか否かを判定できる。例えば、正常ではない状態を表す結果が再現しない場合に、判定部33は、先の判定の結果がブレーキドラム15またはブレーキシュー16の局所的な異常によるものであると判定してもよい。例えば、正常ではない状態を表す結果が再現する場合に、判定部33は、先の判定の結果がブレーキドラム15またはブレーキシュー16の局所的な異常によるものではないと判定してもよい。
The
また、判定部33は、エレベーター2の運転ができない状態をブレーキ装置11の異常の判定の結果が表すときに、エレベーター2の運転を停止させる信号を出力する。
Further, the
エレベーター2の運転ができない異常が発生したときに、エレベーター2が速やかに停止する。これにより、利用者の安全が確保される。また、ブレーキ装置11の異常の悪化が抑制される。
When an abnormality occurs in which the
また、学習部32は、状態データおよび判定データを用いてブレーキ装置11の異常の診断モデルを教師なし学習の手法によって学習してもよい。
Further, the
ここで、図5を用いて、教師なし学習によって学習された診断モデルによる、ブレーキ装置異常診断システム1の異常診断の例を説明する。ここでは、教師あり学習によって診断モデルが学習された場合と相違する点について詳しく説明する。
図5は、実施の形態1に係るブレーキ装置異常診断システムによる異常診断の例を示す図である。Here, an example of abnormality diagnosis of the brake device abnormality diagnosis system 1 by a diagnostic model learned by unsupervised learning will be described with reference to FIG. Here, we will explain in detail the differences from the case where the diagnostic model is learned by supervised learning.
FIG. 5 is a diagram showing an example of abnormality diagnosis by the brake device abnormality diagnosis system according to the first embodiment.
グラフAにおいて、動作データに含まれるデータの例が図2と同様に示される。 In the graph A, an example of the data included in the operation data is shown in the same manner as in FIG.
ブレーキ装置異常診断システム1が学習を開始するときに、データ取得部29は、訓練データセットを生成する。このとき、データ取得部29が生成する訓練データセットは、判定データを含まなくてもよい。
When the brake device abnormality diagnosis system 1 starts learning, the
変換部31は、分類部30によって分類された複数の動作データを、複数の状態データに変換する。 The conversion unit 31 converts a plurality of operation data classified by the classification unit 30 into a plurality of state data.
グラフCにおいて、変換された複数の状態データの例が示される。グラフCの横軸は、ブレーキ装置11の動作回数を表す。グラフCにおいて、各々の点は、ブレーキ装置11の1回の動作によって取得される動作データから変換された状態データを表す。グラフCの縦軸は、状態データの値を表す。状態データは、2成分以上のデータであってもよい。グラフCにおいて、正常な状態を表す状態データは、白丸で表される。グラフCにおいて、異常な状態を表す状態データは、黒丸で表される。
In Graph C, an example of a plurality of converted state data is shown. The horizontal axis of the graph C represents the number of operations of the
学習部32は、複数の状態データに基づいて、教師なし学習の手法によって診断モデルを分類部30による分類ごとに学習する。ここで、教師なし学習の手法は、例えば線形または非線形の分類手法である。教師なし学習の手法は、例えば外れ値検出の手法である。教師なし学習の手法は、例えばone-class SVMである。あるいは、教師なし学習の手法は、例えばLOF(Local Outlier Factor)法である。あるいは、教師なし学習の手法は、例えばk平均法などの分類手法である。このとき、学習部32は、例えば状態データがいずれのクラスターにも分類されなければ、当該クラスターを外れ値と判定するものとして診断モデルを学習してもよい。学習部32は、例えば新たに取得される動作データから変換された状態データが外れ値と判定される場合に当該状態データが異常な状態を表すように診断モデルを学習する。学習部32は、状態データから変換されるデータを用いて外れ値を検出してもよい。
The
診断モデルを学習したあとに、学習部32は、内蔵する記憶領域に当該診断モデルを保存する。なお、例えば異常の有無、異常の種類または異常の度合を表すラベルを、診断モデルによって分類されるクラスターに保守員が事後的に付してもよい。
After learning the diagnostic model, the
判定部33は、教師なし学習の手法によって学習された診断モデルに基づいてブレーキ装置11の異常を判定する。教師なし学習の手法において、異常と診断する閾値は、事前に必要とされない。このため、異常と診断する閾値が未知のデータに基づいてブレーキ装置11の異常を診断できる。また、学習部32は、判定データを必要としない。
The
観測部28は、多様なデータを動作データとして取得できる。学習部32は、教師あり学習の手法によって学習する。このため、学習部32は、複雑な判定条件による診断モデルを学習できる。これにより、判定部33は、多数の種類の異常に対応する状態と正常な状態とが識別できる。また、判定部33は、異常が発生するまでの時間を単一の一次式で予測できないような突発的な異常を精度よく検出できる。
The
また、ブレーキ装置異常診断システム1は、動作データに基づいてブレーキ装置11の劣化時期を予測する予測部35を備える。ブレーキ装置11の異常診断において、分類部30は、環境データと予測部35が予測する劣化時期とに基づいて動作データを分類してもよい。
Further, the brake device abnormality diagnosis system 1 includes a
ブレーキ装置11において、例えば交換される部品などの使用期間によって異なる種類の異常が発生しうる。例えば使用期間の初期において、製造上の欠陥などに起因する異常が生じうる。例えば使用期間の中期において、偶発的な原因などによる異常が生じうる。例えば使用期間の終期において、部品の消耗などに起因する異常が生じうる。ここで、予測部35による劣化時期の予測は、部品の使用期間を反映する。分類部30は、予測部35による劣化時期の予測に基づいて動作データを分類する。このため、学習部32は、部品の使用期間などに応じた異常を判定する診断モデルを学習できる。これにより、判定部33による異常の判定の精度が高められる。
In the
変換部31は、動作データから状態データへの変換において、各工程の順序を入れ替えてもよい。変換部31は、動作データから状態データへの変換において、1つ以上の工程を省いてもよい。 The conversion unit 31 may change the order of each step in the conversion from the operation data to the state data. The conversion unit 31 may omit one or more steps in the conversion from the operation data to the state data.
変換部31は、異常度算出工程において、標準化データの複数の成分から1つの異常度成分を算出してもよい。これにより、ブレーキ装置異常診断システム1は、標準化データの複数の成分の間の関係に生じた異常を検出できる。 The conversion unit 31 may calculate one abnormality degree component from a plurality of components of the standardized data in the abnormality degree calculation step. Thereby, the brake device abnormality diagnosis system 1 can detect the abnormality generated in the relationship between the plurality of components of the standardized data.
また、ブレーキ装置11の異常診断において、判定部33は、異常が発生したと判定する閾値をROC(Receiver Operating Characteristic)曲線を利用して定めてもよい。例えば状態データが多次元のデータである場合に、判定部33は、ROC曲線のAUC(Area Under Curve)が最大になる状態データの成分を用いて異常を判定する。このとき、異常が発生したと判定する閾値は、例えばYouden Indexが最大となる値である。
Further, in the abnormality diagnosis of the
利用者がかご10に乗車しているときに、制御盤12は、動作試験を利用者が降車するまで保留してもよい。動作試験を保留している間にブレーキ装置11が動作をするときに、観測部28が取得する動作データを変換部31が変換して得られた状態データから判定部33が行った判定の結果が非正常状態を表さない場合に、制御盤12は動作試験をキャンセルしてもよい。このとき、判定部33は、動作試験をキャンセルしたことを表すデータを判定結果データに加えてもよい。
When the user is in the
判定の結果が偶発的な要因によるものと判定するときに、判定部33は、当該判定についての判定結果データに偶発的要因によるものである可能性を表すデータを追加してもよい。あるいは、判定の結果が偶発的な要因によるものと判定するときに、判定部33は、当該判定の結果を取り消してもよい。このとき、判定部33は、当該判定の結果を正常な状態を表す結果として修正してもよい。
When it is determined that the result of the determination is due to an accidental factor, the
判定の結果が例えばブレーキドラム15またはブレーキシュー16の局所的な異常によるものと判定するときに、判定部33は、当該判定についての判定結果データに局所的な異常によるものである可能性を表すデータを追加してもよい。
When the determination result is determined to be due to, for example, a local abnormality in the
報知部37は、保守員が所持する保守端末に報知データを出力することで、報知データの内容を保守員に報知してもよい。報知部37は、複数の出力先に同時に報知データを出力することによって報知してもよい。
The
エレベーター2において例えば利用者に対する表示装置24が設けられる場合に、報知部37は、監視装置13などを通じて表示装置24に報知データを出力することで報知データの内容を利用者に報知してもよい。例えば報知データの内容が利用不可状態を表す場合に、表示装置24は「このエレベーターは利用できません」などと表示する。これにより、利用者は、エレベーター2の利用の可否などについての判定の結果の報知を受けることができる。
When the
データサーバー22が情報センター21に設けられることにより、ブレーキ装置異常診断システム1は、エレベーター2および他のエレベーターの情報を利用できる。これにより、ブレーキ装置異常診断システム1の異常診断の精度が高められる。
By providing the
分類部30が情報センター21に設けられることにより、動作データの分類のアルゴリズムの更新などの保守が容易になる。変換部31が情報センター21に設けられることにより、動作データの変換のアルゴリズムの更新などの保守が容易になる。学習部32が情報センター21に設けられることにより、診断モデルの学習のアルゴリズムの更新などの保守が容易になる。判定部33が情報センター21に設けられることにより、異常の判定のアルゴリズムの更新などの保守が容易になる。
By providing the classification unit 30 in the
保守支援装置23は、建築物3に設けられてもよい。このとき、保守支援装置23は、例えば制御盤12と直接通信する。保守支援装置23は、例えば監視装置13を通じてデータサーバー22と通信する。データサーバー22は、建築物3に設けられてもよい。
The
ブレーキ装置異常診断システム1の一部または全部の機能は、建築物3に設けられる装置において実現されてもよい。例えば判定部33は、建築物3に設けられる装置において実現されてもよい。このとき、判定部33は、建築物3と情報センター21との間に生じうる通信障害の影響を受けずに、ブレーキ装置11の異常の判定を速やかに行うことができる。
A part or all of the functions of the brake device abnormality diagnosis system 1 may be realized in the device provided in the building 3. For example, the
実施の形態1におけるシステム、装置、機器、部分などの間の電気的な接続は、直接的または間接的な接続のいずれであってもよい。実施の形態1におけるシステム、装置、機器、部分などの間のデータなどの通信は、直接的または間接的な通信のいずれであってもよい。 The electrical connection between the systems, devices, devices, parts, etc. in Embodiment 1 may be either a direct or indirect connection. Communication of data, etc. between systems, devices, devices, parts, etc. in Embodiment 1 may be either direct or indirect communication.
続いて、図6を用いてブレーキ装置異常診断システム1のハードウェア構成の例について説明する。
図6は、実施の形態1に係るブレーキ装置異常診断システムの主要部のハードウェア構成を示す図である。Subsequently, an example of the hardware configuration of the brake device abnormality diagnosis system 1 will be described with reference to FIG.
FIG. 6 is a diagram showing a hardware configuration of a main part of the brake device abnormality diagnosis system according to the first embodiment.
ブレーキ装置異常診断システム1の各機能は、処理回路により実現し得る。処理回路は、少なくとも1つのプロセッサ1bと少なくとも1つのメモリ1cとを備える。処理回路は、プロセッサ1bおよびメモリ1cと共に、あるいはそれらの代用として、少なくとも1つの専用のハードウェア1aを備えてもよい。
Each function of the brake device abnormality diagnosis system 1 can be realized by a processing circuit. The processing circuit includes at least one
処理回路がプロセッサ1bとメモリ1cとを備える場合、ブレーキ装置異常診断システム1の各機能は、ソフトウェア、ファームウェア、またはソフトウェアとファームウェアとの組み合わせで実現される。ソフトウェアおよびファームウェアの少なくとも一方は、プログラムとして記述される。そのプログラムはメモリ1cに格納される。プロセッサ1bは、メモリ1cに記憶されたプログラムを読み出して実行することにより、ブレーキ装置異常診断システム1の各機能を実現する。
When the processing circuit includes the
プロセッサ1bは、CPU(Central Processing Unit)、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、DSPともいう。メモリ1cは、例えば、RAM、ROM、フラッシュメモリ、EPROM、EEPROM等の、不揮発性または揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、DVD等により構成される。
The
処理回路が専用のハードウェア1aを備える場合、処理回路は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ASIC、FPGA、またはこれらの組み合わせで実現される。
When the processing circuit includes
ブレーキ装置異常診断システム1の各機能は、それぞれ処理回路で実現することができる。あるいは、ブレーキ装置異常診断システム1の各機能は、まとめて処理回路で実現することもできる。ブレーキ装置異常診断システム1の各機能について、一部を専用のハードウェア1aで実現し、他部をソフトウェアまたはファームウェアで実現してもよい。このように、処理回路は、ハードウェア1a、ソフトウェア、ファームウェア、またはこれらの組み合わせでブレーキ装置異常診断システム1の各機能を実現する。
Each function of the brake device abnormality diagnosis system 1 can be realized by a processing circuit. Alternatively, each function of the brake device abnormality diagnosis system 1 can be collectively realized by a processing circuit. For each function of the brake device abnormality diagnosis system 1, a part may be realized by the
本発明に係るブレーキ装置異常診断システムは、エレベーターに適用できる。 The brake device abnormality diagnosis system according to the present invention can be applied to an elevator.
1 ブレーキ装置異常診断システム、 2 エレベーター、 3 建築物、 4 昇降路、 5 乗場、 6 乗場扉、 7 巻上機、 8 主ロープ、 9 釣合オモリ、 10 かご、 11 ブレーキ装置、 12 制御盤、 13 監視装置、 14 かご扉、 15 ブレーキドラム、 16 ブレーキシュー、 17 コイル、 18 プランジャー、 19 バネ、 20 ブレーキ制御装置、 21 情報センター、 22 データサーバー、 23 保守支援装置、 24 表示装置、 25 観測データ記憶部、 26 属性データ記憶部、 27 異常データ記憶部、 28 観測部、 29 データ取得部、 30 分類部、 31 変換部、 32 学習部、 33 判定部、 34 生成部、 35 予測部、 36 記憶部、 37 報知部、 1a ハードウェア、 1b プロセッサ、 1c メモリ 1 Brake device abnormality diagnosis system, 2 Elevator, 3 Building, 4 Hoistway, 5 Landing, 6 Landing door, 7 Hoisting machine, 8 Main rope, 9 Balanced weight, 10 Basket, 11 Brake device, 12 Control panel, 13 Monitoring device, 14 Car door, 15 Brake drum, 16 Brake shoe, 17 Coil, 18 Plunger, 19 Spring, 20 Brake control device, 21 Information center, 22 Data server, 23 Maintenance support device, 24 Display device, 25 Observation Data storage unit, 26 attribute data storage unit, 27 abnormal data storage unit, 28 observation unit, 29 data acquisition unit, 30 classification unit, 31 conversion unit, 32 learning unit, 33 judgment unit, 34 generation unit, 35 prediction unit, 36 Storage unit, 37 notification unit, 1a hardware, 1b processor, 1c memory
Claims (4)
前記観測部が取得した前記動作データを前記ブレーキ装置の故障現象に対応する状態データに変換する変換部と、
前記状態データを用いた教師なし学習の手法、または、前記ブレーキ装置について異常を判定した判定データおよび前記状態データを用いた教師あり学習の手法、によって前記ブレーキ装置の異常の診断モデルを学習する学習部と、
前記学習部による学習の後に前記観測部が取得した動作データを前記変換部が変換して得られる状態データから前記診断モデルに基づいて前記ブレーキ装置の異常を判定する判定部と、
を備え、
前記判定部は、前記ブレーキ装置の異常の判定の結果が正常ではない状態を表すときに、当該判定が行われたときのエレベーターのかごの位置と同じ位置で前記ブレーキ装置に前記かごを制動させる信号を出力し、前記ブレーキ装置が当該位置で前記かごを制動するときに前記観測部が取得する動作データを前記変換部が変換して得られる状態データから、前記診断モデルに基づいて前記ブレーキ装置の異常を判定する
エレベーターのブレーキ装置異常診断システム。 When the brake device that brakes the car of the elevator operates, the observation unit that acquires the operation data about the operation of the brake device, and
A conversion unit that converts the operation data acquired by the observation unit into state data corresponding to the failure phenomenon of the brake device, and a conversion unit.
Learning to learn a diagnostic model of an abnormality in the brake device by an unsupervised learning method using the state data, or a judgment data for determining an abnormality in the brake device and a supervised learning method using the state data. Department and
A determination unit that determines an abnormality of the brake device based on the diagnostic model from the state data obtained by converting the operation data acquired by the observation unit after learning by the learning unit by the conversion unit.
Equipped with
When the determination result of the abnormality determination of the brake device represents an abnormal state, the determination unit causes the brake device to brake the car at the same position as the position of the elevator car when the determination is made. The brake device is based on the diagnostic model from the state data obtained by converting the operation data acquired by the observation unit when the brake device brakes the car at the position by outputting a signal. Judging the abnormality of
Elevator brake device abnormality diagnosis system.
前記観測部が取得した前記動作データを前記ブレーキ装置の故障現象に対応する状態データに変換する変換部と、
前記状態データを用いた教師なし学習の手法、または、前記ブレーキ装置について異常を判定した判定データおよび前記状態データを用いた教師あり学習の手法、によって前記ブレーキ装置の異常の診断モデルを学習する学習部と、
前記学習部による学習の後に前記観測部が取得した動作データを前記変換部が変換して得られる状態データから前記診断モデルに基づいて前記ブレーキ装置の異常を判定する判定部と、
を備え、
前記判定部は、前記ブレーキ装置の異常の判定の結果が正常ではない状態を表すときに、当該判定が行われたときのエレベーターのかごの位置と異なる位置で前記ブレーキ装置に前記かごを制動させる信号を出力し、前記ブレーキ装置が当該位置で前記かごを制動するときに前記観測部が取得する動作データを前記変換部が変換して得られる状態データから、前記診断モデルに基づいて前記ブレーキ装置の異常を判定する
エレベーターのブレーキ装置異常診断システム。 When the brake device that brakes the car of the elevator operates, the observation unit that acquires the operation data about the operation of the brake device, and
A conversion unit that converts the operation data acquired by the observation unit into state data corresponding to the failure phenomenon of the brake device, and a conversion unit.
Learning to learn a diagnostic model of an abnormality in the brake device by an unsupervised learning method using the state data, or a judgment data for determining an abnormality in the brake device and a supervised learning method using the state data. Department and
A determination unit that determines an abnormality of the brake device based on the diagnostic model from the state data obtained by converting the operation data acquired by the observation unit after learning by the learning unit by the conversion unit.
Equipped with
When the result of the abnormality determination of the brake device represents an abnormal state, the determination unit causes the brake device to brake the car at a position different from the position of the elevator car when the determination is made. The brake device is based on the diagnostic model from the state data obtained by converting the operation data acquired by the observation unit when the brake device brakes the car at the position by outputting a signal. Judging the abnormality of
Elevator brake device abnormality diagnosis system.
請求項1または請求項2に記載のエレベーターのブレーキ装置異常診断システム。 The determination unit outputs a signal for stopping the operation of the elevator when the result of the determination of the abnormality of the brake device indicates that the elevator cannot be operated.Ru
Claim 1orClaim2Elevator brake device abnormality diagnosis system described in.
前記観測部が取得した前記動作データを前記ブレーキ装置の故障現象に対応する状態データに変換する変換部と、
前記状態データを用いた教師なし学習の手法、または、前記ブレーキ装置について異常を判定した判定データおよび前記状態データを用いた教師あり学習の手法、によって前記ブレーキ装置の異常の診断モデルを学習する学習部と、
前記学習部による学習の後に前記観測部が取得した動作データを前記変換部が変換して得られる状態データから前記診断モデルに基づいて前記ブレーキ装置の異常を判定する判定部と、
前記ブレーキ装置の動作環境についての環境データに基づいて、前記動作データを分類する分類部と、
前記動作データに基づいて前記ブレーキ装置の劣化時期を予測する予測部と、
を備え、
前記分類部は、前記環境データと前記予測部が予測する前記劣化時期とに基づいて前記動作データを分類し、
前記学習部は、前記分類部による分類ごとに前記診断モデルを学習し、
前記判定部は、前記分類部による分類ごとに学習された前記診断モデルに基づいて前記ブレーキ装置の異常を判定する
エレベーターのブレーキ装置異常診断システム。 When the brake device that brakes the car of the elevator operates, the observation unit that acquires the operation data about the operation of the brake device, and
A conversion unit that converts the operation data acquired by the observation unit into state data corresponding to the failure phenomenon of the brake device, and a conversion unit.
Learning to learn a diagnostic model of an abnormality in the brake device by an unsupervised learning method using the state data, or a judgment data for determining an abnormality in the brake device and a supervised learning method using the state data. Department and
A determination unit that determines an abnormality of the brake device based on the diagnostic model from the state data obtained by converting the operation data acquired by the observation unit after learning by the learning unit by the conversion unit.
A classification unit that classifies the operation data based on the environmental data about the operating environment of the brake device.
Predictor unit that predicts the deterioration time of the brake device based on the operation data.When,
Equipped with
The classification unit classifies the operation data based on the environmental data and the deterioration time predicted by the prediction unit.death,
The learning unit learns the diagnostic model for each classification by the classification unit.
The determination unit determines an abnormality in the brake device based on the diagnostic model learned for each classification by the classification unit.
Elevator brake device abnormality diagnosis system.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2018/039069 WO2020079842A1 (en) | 2018-10-19 | 2018-10-19 | Elevator brake device abnormality diagnostic system |
Publications (3)
Publication Number | Publication Date |
---|---|
JPWO2020079842A1 JPWO2020079842A1 (en) | 2021-09-16 |
JP7056753B2 JP7056753B2 (en) | 2022-04-19 |
JP7056753B6 true JP7056753B6 (en) | 2022-06-10 |
Family
ID=70283776
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020551703A Active JP7056753B6 (en) | 2018-10-19 | 2018-10-19 | Elevator brake device abnormality diagnosis system |
Country Status (4)
Country | Link |
---|---|
JP (1) | JP7056753B6 (en) |
KR (1) | KR102509840B1 (en) |
CN (1) | CN112805233B (en) |
WO (1) | WO2020079842A1 (en) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021186761A (en) * | 2020-06-01 | 2021-12-13 | 株式会社クボタ | Learning model generator, estimator, and air diffusion controller |
JP2022188857A (en) * | 2021-06-10 | 2022-12-22 | 国立大学法人 東京大学 | Satellite monitoring device, satellite monitoring method, and program |
WO2023058190A1 (en) * | 2021-10-07 | 2023-04-13 | 三菱電機株式会社 | Elevator control inspection system and elevator control inspection method |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013210945A (en) | 2012-03-30 | 2013-10-10 | Toshiba Corp | Waveform analyzing device and waveform analyzing method |
JP5369246B1 (en) | 2013-07-10 | 2013-12-18 | 株式会社日立パワーソリューションズ | Abnormal sign diagnostic apparatus and abnormal sign diagnostic method |
WO2015118746A1 (en) | 2014-02-06 | 2015-08-13 | 三菱電機株式会社 | Elevator control device and elevator control method |
WO2018122928A1 (en) | 2016-12-26 | 2018-07-05 | 三菱電機株式会社 | Recovery support system |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS57328Y2 (en) * | 1976-11-13 | 1982-01-06 | ||
JP5035012B2 (en) * | 2008-02-22 | 2012-09-26 | 三菱電機ビルテクノサービス株式会社 | Elevator control device and control method |
CN101683945B (en) * | 2008-09-27 | 2014-03-12 | 三菱电机大楼技术服务株式会社 | Diagnosis operation device and method of elevator |
DE112010002756B4 (en) * | 2009-06-29 | 2019-02-07 | Mitsubishi Electric Corporation | winder |
JP2011042480A (en) * | 2009-08-24 | 2011-03-03 | Mitsubishi Electric Corp | Elevator device |
JP6029549B2 (en) * | 2013-07-19 | 2016-11-24 | 三菱電機株式会社 | Elevator door diagnostic device and elevator door diagnostic method |
JP6186203B2 (en) * | 2013-08-09 | 2017-08-23 | 株式会社日立製作所 | Diagnostic system and elevator |
KR20150042892A (en) | 2013-10-11 | 2015-04-22 | (주)리테일테크 | Method and apparatus for managing content |
JP6202050B2 (en) * | 2015-06-25 | 2017-09-27 | 三菱電機ビルテクノサービス株式会社 | Elevator system |
JP6672132B2 (en) * | 2016-12-14 | 2020-03-25 | 株式会社日立ビルシステム | Lift diagnostic system, lift diagnostic device, and lift diagnostic method |
-
2018
- 2018-10-19 JP JP2020551703A patent/JP7056753B6/en active Active
- 2018-10-19 KR KR1020217010536A patent/KR102509840B1/en active IP Right Grant
- 2018-10-19 CN CN201880098453.9A patent/CN112805233B/en active Active
- 2018-10-19 WO PCT/JP2018/039069 patent/WO2020079842A1/en active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013210945A (en) | 2012-03-30 | 2013-10-10 | Toshiba Corp | Waveform analyzing device and waveform analyzing method |
JP5369246B1 (en) | 2013-07-10 | 2013-12-18 | 株式会社日立パワーソリューションズ | Abnormal sign diagnostic apparatus and abnormal sign diagnostic method |
WO2015118746A1 (en) | 2014-02-06 | 2015-08-13 | 三菱電機株式会社 | Elevator control device and elevator control method |
WO2018122928A1 (en) | 2016-12-26 | 2018-07-05 | 三菱電機株式会社 | Recovery support system |
Also Published As
Publication number | Publication date |
---|---|
CN112805233A (en) | 2021-05-14 |
WO2020079842A1 (en) | 2020-04-23 |
KR20210055762A (en) | 2021-05-17 |
KR102509840B1 (en) | 2023-03-14 |
JPWO2020079842A1 (en) | 2021-09-16 |
CN112805233B (en) | 2023-01-31 |
JP7056753B2 (en) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7056753B6 (en) | Elevator brake device abnormality diagnosis system | |
CN114787061A (en) | Non-invasive data analysis system for elevator adaptive intelligent state monitoring | |
KR101880353B1 (en) | System for prognosticating failure of elevator | |
CN109689470A (en) | Apparatus for diagnosis of abnormality, abnormality diagnostic method and computer program | |
US20110315490A1 (en) | Intelligent elevator safety monitor | |
US20140190773A1 (en) | Test method for an elevator system and a monitoring device for carrying out the test method | |
US11591183B2 (en) | Enhancing elevator sensor operation for improved maintenance | |
CN105502122A (en) | Elevator inspecting device | |
CN106414296B (en) | Method for operating an elevator installation and elevator control operating according to said method | |
US20220388810A1 (en) | Method, device, and early warning system for monitoring elevator health state | |
US20200087111A1 (en) | Sensor-based shutdown detection of elevator system | |
JP2020104611A (en) | Platform door state diagnosis system, platform door and platform door state diagnosis method | |
WO2020079843A1 (en) | Elevator door device abnormality diagnostic system | |
JP7308717B2 (en) | Platform door diagnostic device, platform door system, and platform door diagnostic program | |
JP7147861B2 (en) | Elevator brake device deterioration prediction system | |
US20220281717A1 (en) | Elevator brake wear detection method, detection device and elevator brake | |
CN116348406B (en) | Fault diagnosis device for elevator | |
JP2020104610A (en) | Platform door state diagnosis system, platform door state monitoring device, platform door state diagnosis method and movable device state diagnosis method | |
EP3808693A1 (en) | Elevator condition based maintenance using an in-car camera | |
KR20220149862A (en) | System for predictive diagnostics integrated maintenance a railroad car | |
CN111824884A (en) | Brake lining monitoring system | |
JP2021100870A (en) | Rope inspection method, rope inspection system, and program | |
BR112019000440B1 (en) | METHOD FOR DETERMINING A STATE OF A SYSTEM FOR TRANSPORTING PASSENGERS, COMPUTER READABLE MEDIUM, STATUS DETERMINING DEVICE FOR A SYSTEM FOR TRANSPORTING PASSENGERS AND SYSTEM FOR TRANSPORTING PASSENGERS | |
CN107918034A (en) | Apparatus and method for providing from error signal to control unit |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210412 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210412 |
|
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: 20220308 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220321 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7056753 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |