JP7170564B2 - モータ劣化傾向監視システム - Google Patents

Description

本願は、モータの故障原因の推定を行うモータ劣化傾向監視システムに関するものである。

モータを有する電気機器の故障及び劣化の診断には、電気機器に流れる機器電流を測定する電流検出部及び機器電流によって発生する磁束を検出する磁界検出部の少なくとも一つ検出部を備え、検出部からの出力の信号処理、得られた信号の演算処理により得られる機器電流に含まれる高周波含有率及び不平衡率に基づき、電気機器の故障及び劣化診断を可能とする方法が開示されている（特許文献１）。

また、モータの動作データに基づいて、モータシステムの絶縁破壊予測を行い、予測結果を遠隔監視診断システムに送信して、モータシステムの信頼性、故障までの残存時間を予測する遠隔予測システムも開示されている（特許文献２）。

特開２００３－１５６５４７号公報 特開２００９－９９１４４号公報

特許文献１に記載のモータ劣化診断方法では、個々のモータの電流検出、磁界検出により異常、劣化診断を行うことは可能であるが、劣化に至るまでのモータの劣化診断及び分析結果を用いた故障時期の予測を行うことはできないという問題があった。
また、特許文献２に記載のモータ劣化の遠隔予測システムは、遠隔にてモータの信頼性及び故障までの残存時間予想は可能であるが、評価項目は、絶縁破壊に限られており、複数の原因による故障予測を行うことができないという問題があった。

本願は、上記のような課題を解決するためになされたものであって、モータの周囲環境及び運転状況等のデータに基づき劣化傾向の分析を行い、故障原因の推定を可能とすることを目的とする。

本願のモータ劣化傾向監視システムは、電気機器を駆動するモータと、モータに設置されたセンサにより、モータの駆動に関する複数の測定項目のデータを、時間経過に追随して測定し収集するコントロールセンタと、コントロールセンタから送られるデータにより各測定項目の蓄積データを更新するデータ管理部と、各測定項目のデータに基づき各々の予測データを算出する機械学習モデルを求める演算部と、を備え、更新する蓄積データが異常であると判断された場合、モータの各測定項目の正常時のデータから、機械学習モデルに正常時のデータを入力して算出した各測定項目の予測データを減じ、得られた差異の分布にフィッティングさせ求めた各測定項目の正常時の正規分布と、モータの各測定項目の異常が生じた時点から一定期間遡った過去のデータから、機械学習モデルに、異常が生じた時点から一定期間遡った過去のデータを入力して算出した各測定項目の予測データを減じ、得られた差異の分布にフィッティングさせ求めた各測定項目の異常時の正規分布と、を比較し、各測定項目の両者の正規分布の変化量が所定の値を超えたもののうち、変化量が大きい順にモータの故障が原因であると推定した測定項目として監視端末に表示することを特徴とするものである。

本願のモータ劣化傾向監視システムは、モータの駆動に関係するデータに基づき、故障原因の推定を行うことができる。

実施の形態１に係るモータ劣化傾向監視システムの構成図である。 実施の形態１に係るモータ劣化傾向監視システムのデータの流れを示す図である。 実施の形態１に係るセンサデータの一例を示す図である。 実施の形態１に係る信号種別の一例を示す図である。 実施の形態１に係るモータデータの一例を示す図である。 実施の形態１に係るメーカデータの一例を示す図である。 実施の形態１に係るセンサデータ収集フローを示す図である。 実施の形態１に係る機械学習フローを示す図である。 実施の形態１に係るＬＳＴＭモデルによる機械学習を説明する図である。 実施の形態１に係るＬＳＴＭモデルによる機械学習を説明する図である。 実施の形態１に係るＬＳＴＭモデルによる機械学習を説明する図である。 実施の形態１に係る故障原因の推定を説明する図である。 実施の形態１に係る故障原因の推定を説明する図である。 実施の形態１に係る故障時期予測フローを示す図である。 実施の形態１に係る表示用データ作成フローを示す図である。 実施の形態１に係る演算部等のハードウェア図である。

実施の形態の説明及び各図において、同一の符号を付した部分は、同一又は相当する部分を示すものである。

実施の形態１．
本実施の形態について、図１～図１６を用いて説明する。
図１は、モータ劣化傾向監視システムの構成図であり、図２はこのシステムのデータの流れを示す図である。図３～図６は、各々センサデータ、信号種別、モータデータ及びメーカデータのデータ管理形式の一例を示す図である。図７～図１４は、データの処理フローと機械学習等を具体的に示している。図１５は、監視端末で表示するための表示用データの作成フローを示している。また、図１６は、演算部等のハードウェア図を示している。

＜モータ劣化傾向監視システムの構成＞
図１はモータ劣化傾向監視システムの構成図を示している。モータ劣化傾向監視システムは、大きく分けて、モータ及びセンサが接続され、主にモータ制御とセンサからのデータ収集とを行うコントロールセンタ５、１５、データの蓄積及び演算等を行うクラウド３１、このシステムのユーザが処理の進行等を監視するための監視端末２３とこれらの間でデータのやり取りを行うためのインターネット２４で構成されている。なお、ここでクラウド３１は、データ収集部分から遠隔に配置され、大量のデータ蓄積、高速演算処理を行うサーバ又はサーバ群を呼ぶ。

コントロールセンタ５、１５は、インターネット２４とデータのやり取りをする下位通信処理部８、１８、モータコントローラ６、７、１６、１７を備え、モータコントローラ６、７、１６、１７に接続されたモータとセンサからの情報を入手し、上記の下位通信処理部８、１８からインターネット２４を介して送り出されている。

クラウド３１上には、インターネット２４を介してデータを入手する上位通信処理部２５、入手したデータを処理目的に応じて振り分けるデータ管理インタフェース２６、データを蓄積、保管する上位データ管理部２７、必要な演算処理を行う演算部２８、演算した結果を保存する演算結果管理部２９、及び監視端末２３に表示するための演算結果を送信するデータ表示インタフェース３０で構成されている。

図１において、インターネット２４にコントロールセンタ５、１５は２つ、さらに各コントロールセンタ５、１５にモータコントローラ６、７、１６、１７は２つずつ配置されているが、この構成は一例である。モータ１、３、１１、１３、センサ２、４、１２、１４、モータコントローラ６、７、１６、１７、コントロールセンタ５、１５は、それぞれ１つ以上を備えることが必要である。

＜データフローの概要＞
図２を用いてモータ劣化傾向監視システムのデータフローの概略を説明する。
センサ２、４、１２、１４から取得したセンサデータ３５、３７は、各コントロールセンタ５、１５内に保管され、図１に示した下位通信処理部８、１８の指示により、インターネット２４を介してクラウド３１に送信される。

インターネット２４から送信されたデータは、上位通信処理部２５に受信され、直近データに更新されて、蓄積データ３８として保存される。演算部２８で演算を行うため、信号種別３９、モータデータ４０、メーカデータ４１はクラウド３１に保存されており、演算により得られた結果は演算結果４２として保存される。信号種別３９、モータデータ４０、メーカデータ４１については、後に詳述するが、信号種別３９はモータを評価する項目、モータデータ４０は動作条件等、メーカデータ４１はモータの機種、メーカ等のデータを意味している。

演算結果４２は、監視端末２３に表示するための表示用データ４３に加工される。さらに表示用データ４３は、インターネット２４を介して監視端末２３に送信され、監視端末２３上に表示用データ４４として保存され、監視端末２３の表示に用いられる。

＜モータ劣化傾向監視システムのデータ＞
図３にセンサデータ、図４に信号種別、図５にモータデータ、図６にメーカデータのデータ管理のための表を示している。これらはデータ管理の一例であり、モータ劣化傾向監視システムの運用条件、管理基準等に従って、管理項目の変更、増減等が可能である。

図３はセンサデータを示しており、センサ２、４、１２、１４により収集したモータの計測データを示している。図３のセンサデータでは、評価対象とするモータを表すモータＩＤ５１、評価項目を他と区別するための名称である信号種別ＩＤ５２、データを取得した時刻を示す取得時刻５３、及びセンサデータの値であるセンサ値５４を管理する。

図４は信号種別を示しており、評価を行う項目である信号種別５５と、それを表す信号種別ＩＤ５２を管理する。
信号種別は、いずれもモータの駆動に関する評価項目であり、本実施の形態においては、モータの異常を感知したときに出力する「異常」、モータを駆動するための入力情報である「電流」「電圧」「電力」、モータの動作環境条件である「温度」「湿度」「塵埃多寡」、モータの動作結果生じる駆動状況である「振動」「トルク」及びモータの「ＯＮ／ＯＦＦ回数」等が記録される。

図５はモータデータで、評価対象のモータを識別するためのモータＩＤ５１、モータの機種を区別するためのモータ機種ＩＤ５６、動作管理に関する設置日時５７を記録し、故障が発生した場合、その故障日時５８も記録する。
図６はメーカデータであり、モータの機種を区別するモータ機種ＩＤ５６、機種名５９に加え、モータのメーカ名６０も記録して管理する。

＜データ処理フロー＞
図７～図１４を用いてモータ劣化傾向監視システムのデータ処理フローと具体的なデータ処理方法を説明する。図７はセンサデータの収集フローを、図８は、モータの故障原因推定のフローを示している。図９～図１３はモータの故障原因の推定を説明する図である。図１４は、故障時期予測による傾向監視フローを示し、図１５は監視端末への表示用データ作成フローを示している。

本実施の形態においては、データ処理はクラウド上で行われ、インターネット２４を介して監視端末２３に表示されるが、これに限定されるものではなく、データの管理能力、演算処理能力を有するコンピュータ等の演算装置を用いても同様の効果を得ることができる。

故障原因の推定等の判断に用いる機械学習は、本実施の形態においては、時系列データに基づく機械学習方法であるＬＳＴＭモデルを用いたが、これに限定するものではなく、センサによりモータの特性を長時間にわたって測定し、それに基づいて次のステップでのモータ特性を予測する手法をはじめ、種々の予測手段及びモデルを用いることができる。

（１）センサデータの取得
図７は、モータ１、３、１１、１３に取付けられたセンサ２、４、１２、１４により、センサデータを収集するフローを示している。センサデータは、図４の信号種別５５に示された項目の中から、必要に応じて、複数の項目が選択される。
センサデータの収集は定期的に行われ、ステップＳ００１において、センサデータの収集のタイミングか否かが判断される。

タイミングが不適当な場合は、元に戻り、再度、タイミングの適否を判断する。
センサデータの収集のタイミングであった場合、ステップＳ００２においてセンサデータを収集し、コントロールセンタ５、１５内に保存される。ステップＳ００３において、コントロールセンタ５、１５の下位通信処理部８、１８により、インターネット２４を介してクラウド３１に送信され、ステップＳ００４において、上位データ管理部２７に保存された蓄積データ３８に統合され、直近のセンサデータが更新される。

ステップＳ００２でのセンサデータの収集、ステップＳ００３でのクラウド３１への送信は、それぞれ一定の周期毎に行う。例えば、本実施の形態においては、センサデータの収集は、４時間ごとに行い、クラウド３１への送信は２４時間ごとに行った場合を例として用いており、２４時間分の７つのセンサデータを一組としてクラウド３１に送信し、蓄積データ３８に統合され、更新される。
センサデータの収集は、この間隔、データ数に限定されるものではない。本実施の形態においては、モータ劣化診断等の判断のための機械学習として時系列データに基づくＬＳＴＭモデルを用いている。そのため、収集時間が連続する複数のセンサデータを一組の時系列データとして取り扱うものであればよい。

（２）追加の機械学習及び故障原因の推定
図８に示したフローでは、更新したセンサデータが正常な場合には、それまでに取得したセンサデータと今回更新したセンサデータを用いて追加の機械学習を実施する。更新したセンサデータが正常でない場合には、故障原因の推定を行う。また、図９～図１３は、追加の機械学習及び故障原因の推定を行うための具体的なデータの取り扱いの例を示している。これらのフロー及びデータの取り扱いにおいては、図４の信号種別５５に示すように、多くの測定項目について同様の処理を実施することが必要であるが、説明の簡略化のため、ここでは、信号種別５５の中から、電流値について取り扱った例のみを示している。

図８のフローでは、まずステップＳ０１１において、新しく収集され、蓄積データを更新する更新データが正常か、異常かを判断する。この判断においては、図４の信号種別ＩＤ５２が「１」に示した、モータ情報の異常の有無のデータを用いて、正常か異常かを判断している。
モータ情報として異常が確認されなかった場合、更新データは正常であると判断され、このセンサデータを用いて、ステップＳ０１２及びＳ０１３に示す追加の機械学習を実施する。モータ情報が異常の場合、ステップＳ０１４からＳ０１６において故障原因推定のフローを実施する。

まず、更新データが正常と判断され、追加の機械学習を行う場合について述べる。
ステップＳ０１２において、追加の機械学習を実施する。すでに述べたように、本実施の形態においては、機械学習として、時系列データに基づくＬＳＴＭモデルを用いた。
ステップＳ０１２においては、図９に示すように、前回更新までのＬＳＴＭモデルに今回の更新データを入力したときの出力データであるＬＳＴＭモデルの予測データ（●）７１と、今回の更新データ（×）７２の各々の時系列データとから、各経過時間での差異ｄＡ７３の二乗和を最小とするＬＳＴＭモデルを求め、これを今回の更新データを用いた追加の機械学習によるＬＳＴＭモデルとする。なお、前述したように、この操作は図４の信号種別５５に記載した複数の測定項目について行う必要があるが、ここでは信号種別５５のうち、電流値を例として説明に用いた。

次に、ステップＳ０１３においては、図１０に示すように、ステップＳ０１２で求めた追加の機械学習によるＬＳＴＭモデルに今回の更新データを入力したときのＬＳＴＭモデルの予測データ（●）７４と、今回の更新データ（×）７２とについて、各時間での差異ｄＢ７５を求める。さらに、図１１に示すように、この差異ｄＢ７５の差異分布（●）７６を求め、正規分布にフィッティングして正規分布７７を得た。
この更新データ７２と正規分布７７との対を、後に故障原因推定等に用いるための演算結果４２としてステップＳ０１７において保存する。

ステップＳ０１１において、更新データが異常と判断された場合、ステップＳ０１４に移り、故障原因を推定するためのフローを実施する。
図１２に示すように、前回更新までのＬＳＴＭモデルに、今回の更新データを入力したときのＬＳＴＭモデルの予測データ（●）７８を求める。なお、異常なデータが生じた後には、モータの駆動は、その時点で停止する場合もあり、目的とするデータ収集及び送信周期でデータ測定を行うことができないことが考えられる。そのため、今回の更新データである異常時のデータは、通常の周期で収集したデータではなく、異常が生じた時点から、データの送信周期分だけ遡った期間のデータを更新データ７９として用いた。

図１２には、上述のＬＳＴＭモデルの予測データ（●）７８に、今回の更新データ（△）７９を合わせて記載し、ステップＳ０１３と同様に、各時間での差異ｄＣ８０を求め、その差異分布（●）８１を図１３に示した。さらに、分布（●）８１を正規分布にフィッティングすることで、破線の曲線で示した正規分布８２を得た。
同じ図１３に示した正規分布８４は、更新データが異常を示す前までに得られたＬＳＴＭモデルの予測データと、その更新データとの差異の分布をフィッティングした正規分布、つまり正常時の正規分布８４を示している。

ステップＳ０１５においては、この故障時の正規分布８２と正常時の正規分布８４との極大部分のシフト量８３を測定する。この極大部分のシフト量８３が、事前に定めたしきい値を上回っている場合、この信号種別５５、つまりここでの説明の場合、電流値の変化がモータの故障原因であると推定される。
本実施の形態においては、信号種別５５として電流を例に用いて説明を行ってきたが、実際には、図４に記載した複数の信号種別５５について同様の検討を行っており、それぞれについて上記と同様に、正規分布の極大部分のシフト量８３を求め、シフト量が大きい順に、更新データの異常、つまりモータ故障の原因であると推定する。

ステップＳ０１６において、故障日時、故障までのセンサデータ、正規分布からのシフト量、シフト量の順序等を相互に関係づけ、ステップＳ０１７において、演算結果４２に記録する。
ここまでの検討において、各信号種別５５について、モデルによる予測データと実際の更新データの差異の分布状態を、モータの正常時と異常時とで比較し、シフト量を求めることで、複数の信号種別５５のうち、モータの故障原因と推定することができる測定項目を抽出することができた。

（３）故障時期予測
図１４は、モータの故障までの時間である故障時期の予測フローを示している。なお、各モータについて、複数の信号種別５５についてセンサデータを収集し、時系列データに基づく機械学習方法であるＬＳＴＭモデルを用いて故障原因の推定を行う基本部分はここまでの説明と共通している。

まず、ステップＳ０２１において評価対象モータＩＤを入手し、同機種のモータのデータを抽出するために、モータ機種ＩＤをクラウド３１内で検索する。
過去に評価した同機種のモータは、基本的には、図８のフロー図等で説明したように、更新データに異常が生じ、故障したと判断されるまでデータ測定を行っているので、モータ機種ＩＤに該当して抽出された、過去に評価した複数の同機種のモータは、すべて故障が生じるまでのデータを有していることになる。

ステップＳ０２２で評価対象モータについてのデータ処理、ステップＳ０２３で同機種の複数の故障モータについてのデータ処理を実施する。
まず、ステップＳ０２２においては、評価対象モータについて、ＬＳＴＭモデルに更新データを入力した時のＬＳＴＭモデルの予測データから更新データを減じ、得られた差異の分布を求め、さらにフィッティングを行い、正規分布を得る。

次に、ステップＳ０２１で抽出した同機種の複数の故障モータについて、ステップＳ０２３では、故障前の全データに基づき得たＬＳＴＭモデルに、全データを入力したＬＳＴＭモデルの予測データから全データを減じ、得られた差分の分布を求め、上記と同様にフィッティングにより正規分布を得る。
なお、ここで説明する故障時期予測では、すべての信号種別５５について、データ処理を行うのではなく、図８等に示した故障原因の推定においてモータ故障の原因と推定された信号種別５５について、測定及び評価を行うことで十分であると考えられる。

ステップＳ０２４では、ステップＳ０２２で求めた評価対象モータの差分の正規分布と、ステップＳ０２３で求めた同機種の複数の故障モータの差分の正規分布とを比較し、複数の故障モータのうち、最も分布の形状が、評価対象モータに近い故障モータを抽出する。

本実施の形態においては、評価対象モータの差分の正規分布と、故障モータの差分の正規分布について、両者の差分の二乗和を最小とする故障モータを最も分布形状が近い故障モータと判断した。この判断の基準は一例であり、分布の類比を判断する他の方法であっても用いることができる。

ステップＳ０２４により抽出した故障モータは、故障原因と推定される評価項目の動作時間に伴う変化が評価対象モータのそれと類似しており、今後についても評価対象モータと抽出した故障モータでは、類似した傾向を示すと仮定している。
そこで、ステップＳ０２５では、故障モータの故障時期と同じ時期に評価対象モータも故障すると仮定し、故障モータの故障までの駆動時間から、評価対象モータの現在までの駆動時間を減算して、評価対象モータの故障までの時間を予測した。

（４）表示用データの作成
本実施の形態に記載したモータ劣化傾向監視システムは、図１等に示すように、インターネット２４を介して監視端末２３を備え、モータの劣化状況等を遠隔地より監視することができる。
図１５等に沿って、本実施の形態での監視端末２３に表示する表示用データ４４の作成フローについて説明する。

なお、表示用データ４４とは、監視端末２３においてモータの状況等を表示するためのデータで、推定される故障原因を含み、さらに故障原因が複数存在する場合には、それらの原因としての可能性の高い順に表示することができる。
また、表示用データ４４には、予測される故障時期も表示され、必要に応じて、評価対象モータと類似した劣化の進み方を示した故障モータのセンサデータも表示する場合もある。

モータのセンサデータは、クラウド３１へ送信され、モータの劣化診断及び傾向監視に用いるために演算に使用された後、演算結果４２に保存される。
監視端末２３はクラウド３１に対してステップＳ０３１において演算結果監視要求を送信する。これを受けクラウド３１内では、ステップＳ０３２において演算結果４２を用いて表示用データ４３を作成し、ステップＳ０３３においてインターネット２４を介して監視端末２３へ表示用データ４４を送信する。最後に、ステップＳ０３４において監視端末２３に表示する。

以上より、本実施の形態に示したモータ劣化傾向監視システムにおいては、モータの駆動に関係するデータにも続き、故障原因の推定を行うことができ、さらに、故障モータのデータとの対比を行うことで、故障時期の予測も行うことができる。

本願の実施の形態において、データ収集及び送信タイミングの判断、各種データ処理等の演算を行う下位通信処理部８、１８、上位通信処理部２５、演算部２８等のハードウェア９０の一例を図１６に示す。
図に示すように、ハードウェア９０は、プロセッサ９１と記憶装置９２から構成される。記憶装置は図示していないが、ランダムアクセスメモリ等の揮発性記憶装置と、フラッシュメモリ等の不揮発性の補助記憶装置とを具備する。また、フラッシュメモリの代わりにハードディスクの補助記憶装置を具備してもよい。プロセッサ９１は、記憶装置９２から入力されたプログラムを実行する。この場合、補助記憶装置から揮発性記憶装置を介してプロセッサ９１にプログラムが入力される。また、プロセッサ９１は、演算結果等のデータを記憶装置９２の揮発性記憶装置に出力してもよいし、揮発性記憶装置を介して補助記憶装置にデータを保存してもよい。

本願は、様々な例示的な実施の形態及び実施例が記載されているが、実施の形態に記載された様々な特徴、態様、及び機能は特定の実施の形態の適用に限られるのではなく、単独で、または様々な組み合わせで実施の形態に適用可能である。
従って、例示されていない無数の変形例が、本願明細書に開示される技術の範囲内において想定される。例えば、少なくとも１つの構成要素を変形する場合、追加する場合または省略する場合、さらには、少なくとも１つの構成要素を抽出し、他の実施の形態の構成要素と組み合わせる場合が含まれるものとする。

１，３，１１，１３ モータ、２，４，１２，１４ センサ、５，１５ コントロールセンタ、６，７，１６，１７ モータコントローラ、８，１８ 下位通信処理部、２３ 監視端末、２４ インターネット、２５ 上位通信処理部、２６ データ管理インタフェース、２７ 上位データ管理部、２８ 演算部、２９ 演算結果管理部、３０ データ表示インタフェース、３１ クラウド、３５，３７ センサデータ、３８ 蓄積データ、３９ 信号種別、４０ モータデータ、４１ メーカデータ、４２ 演算結果、４３，４４ 表示用データ、５１ モータＩＤ、５２ 信号種別ＩＤ、５３ 取得時刻、５４ センサ値、５５ 信号種別、５６ モータ機種ＩＤ、５７ 設置日時、５８ 故障日時、５９ 機種名、６０ メーカ名、７１ 予測データ、７２ 更新データ、７３ 差異ｄＡ、７４ 予測データ、７５ 差異ｄＢ、７６ 差異分布、７７ 正規分布、７８ 予測データ、７９ 更新データ、８０ 差異ｄＣ、８１ 差異分布、８２ 正規分布、８３ シフト量、８４ 正規分布、９０ ハードウェア、９１ プロセッサ、９２ 記憶装置。

Claims (5)

1. 電気機器を駆動するモータと、
   前記モータに設置されたセンサにより、前記モータの駆動に関する複数の測定項目のデータを、時間経過に追随して測定し収集するコントロールセンタと、
   前記コントロールセンタから送られる前記データにより各測定項目の蓄積データを更新するデータ管理部と、
   各測定項目の前記データに基づき各々の予測データを算出する機械学習モデルを求める演算部と、を備え、
   更新する蓄積データが異常であると判断された場合、
   前記モータの各測定項目の正常時のデータから、前記機械学習モデルに正常時の前記データを入力して算出した各測定項目の予測データを減じ、得られた差異の分布にフィッティングさせ求めた各測定項目の正常時の正規分布と、
   前記モータの各測定項目に異常が生じた時点から一定期間遡った過去のデータから、前記機械学習モデルに、前記異常が生じた時点から一定期間遡った過去のデータを入力して算出した各測定項目の予測データを減じ、得られた差異の分布にフィッティングさせ求めた各測定項目の異常時の正規分布と、を比較し、
   各測定項目の両者の正規分布の変化量が所定の値を超えたもののうち、前記変化量が大きい順に前記モータの故障が原因であると推定した測定項目として監視端末に表示することを特徴とするモータ劣化傾向監視システム。
2. 電気機器を駆動するモータと、
   前記モータに設置されたセンサにより、前記モータの駆動に関する複数の測定項目のデータを、時間経過に追随して測定し収集するコントロールセンタと、
   前記コントロールセンタから送られる前記データにより各測定項目の蓄積データを更新するデータ管理部と、
   各測定項目の前記データに基づき各々の予測データを算出する機械学習モデルを求める演算部と、を備え、
   すでに異常を生じた複数の故障モータについて、異常発生までに収集した前記故障モータの各測定項目のデータから、前記故障モータの機械学習モデルにより算出した予測データを減じ、得られた差異の分布にフィッティングさせ求めた各測定項目についての故障モータの正規分布と、
   異常が未だ発生しない同機種の評価対象モータについて収集した各測定項目のデータから、前記評価対象モータの機械学習モデルにより算出した予測データを減じ、得られた差異の分布にフィッティングさせ求めた各測定項目についての評価対象モータの正規分布と、を比較し、
   複数の前記故障モータについての正規分布のうち、前記評価対象モータについて得られた正規分布からの変化量が最小となる故障モータを抽出し、
   当該故障モータの故障時期に基づき、前記評価対象モータの故障時期を予測することを特徴とするモータ劣化傾向監視システム。
3. 前記変化量は、二つの正規分布を示す曲線の極大部分のシフト量であることを特徴とする請求項１または２に記載のモータ劣化傾向監視システム。
4. 収集した前記データに基づき各測定項目の予測データを算出する前記機械学習モデルが、一定時間に収集した複数の時系列データを一組とし管理するＬＳＴＭモデルであることを特徴とする請求項１から３のいずれか１項に記載のモータ劣化傾向監視システム。
5. 前記ＬＳＴＭモデルは、前回の更新までの蓄積データを用いて算出した一組の時系列の予測データと、新たに測定された一組の時系列のデータとの、各経過時間での差異の二乗和を最小とする学習を行うことを特徴とする請求項４に記載のモータ劣化傾向監視システム。

Images