JPH09292918A - Abnormality diagnosis device in construction machine - Google Patents

Abstract

PROBLEM TO BE SOLVED: To easily and precisely estimate whether it is an abnormality or not, by identifying an inclusive function for including the change of the state amounts of a unit and an actuator an normal time and considering it to be abnormal when the state amount at rear operation time is deviated from the output waveform of the inclusion function. SOLUTION: A static characteristic function deriving unit 101 derives the proximity function of characteristics on the command signal of a controller and detection data on a sensor detecting a state to be controlled as a static characteristic function. An inclusion function identification processing part 102 executes an identification processing so that the function inputting the operation signal of an operation lever becomes the inclusion function for including the normal time erroneous waveform of output data on the static characteristic function and sensor detection data in a normal state. An abnormality judgement part 109 judges whether a real operation time erroneous waveform is deviated from the output waveform of the inclusive function inputting the operation signal in a real operation and diagnoses the abnormality of the system by the judgement of deviation.

Description

【発明の詳細な説明】Detailed Description of the Invention

【０００１】[0001]

【発明の属する技術分野】本発明は、油圧ショベル等の
建設機械に設けられる機器、アクチュエータ等の異常を
診断するための異常診断装置の技術分野に属するもので
ある。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a technical field of an abnormality diagnosing device for diagnosing an abnormality of a device such as a hydraulic excavator or the like provided in a construction machine, an actuator, or the like.

【０００２】[0002]

【従来の技術】図９は、従来技術に係わる異常診断方式
の説明図である。同図に示すように、建設機械は機器
２、３、アクチュエータ４及びセンサ５、６、７、８、
９を有する。これらのうち機器２、３は、制御装置１０
から出力される指令信号ａ、ｂに基づいて動作し、圧油
等の作動媒体をアクチュエータ４に送る。アクチュエー
タ４は、該送られてきた作動媒体によって動作する。セ
ンサ５、７、９は、機器２、３及びアクチュエータ４の
動作状態を検出し、検出データを出力する。なお、セン
サ９の検出データは、制御装置１０にフィードバックさ
れる。また、センサ６、８は、機器２と機器３との間及
び機器３とアクチュエータ４との間の配管における液圧
等、前記作動媒体の状態をそれぞれ検出し、検出データ
を出力する。すなわち、建設機械では、アクチュエータ
４が所定の動作をするように制御装置１０によってフィ
ードバック制御が行われている。2. Description of the Related Art FIG. 9 is an explanatory diagram of an abnormality diagnosing method according to the prior art. As shown in the figure, the construction machine includes equipments 2, 3, an actuator 4, and sensors 5, 6, 7, 8,
9 The devices 2 and 3 among these are the control device 10
It operates based on the command signals a and b output from the actuator, and sends a working medium such as pressure oil to the actuator 4. The actuator 4 operates by the working medium thus sent. The sensors 5, 7, 9 detect the operating states of the devices 2, 3 and the actuator 4 and output detection data. The detection data of the sensor 9 is fed back to the control device 10. The sensors 6 and 8 respectively detect the state of the working medium, such as the hydraulic pressure in the pipes between the device 2 and the device 3 and between the device 3 and the actuator 4, and output detection data. That is, in the construction machine, feedback control is performed by the control device 10 so that the actuator 4 performs a predetermined operation.

【０００３】次に、異常診断装置１１は、従来技術に係
わる異常診断方式を実現するための装置であって、機器
モデル１２、１３、アクチュエータモデル１４、比較器
１５、１６、１７、１８、１９及び診断部２０を有す
る。これらのうち、機器モデル１２、１３は、各々制御
装置１０からの指令信号ａ、ｂを入力し、この指令信号
ａ、ｂに基づき機器２、３の動作状態量等を数式によっ
て算出する数式モデルであって、センサ５〜８の検出デ
ータと同種の動作状態量等を表す算出データ１２ａ、１
２ｂ、１３ａ、１３ｂを出力する。アクチュエータモデ
ル１４は、前記算出データ１３ｂを入力し、この算出デ
ータ１３ｂに基づきアクチュエータ４の動作状態量を数
式によって算出する数式モデルであって、センサ９の検
出データを同種の動作状態量を表す算出データ１４ａを
出力する。比較器１５〜１９は、センサ５〜９の検出デ
ータと、算出データ１２ａ、１２ｂ、１３ａ、１３ｂ、
１４ａとを各々比較し、この比較結果を出力する。診断
部２０は、前記比較結果を入力し、この比較結果が大き
くずれているかどうかを判断し、これにより機器２、３
及びセンサ５〜９に異常があるかどうかを判断する。Next, the abnormality diagnosing device 11 is a device for realizing the abnormality diagnosing method according to the prior art, and is a device model 12, 13, an actuator model 14, a comparator 15, 16, 17, 18, 19. And a diagnostic unit 20. Of these, the equipment models 12 and 13 are input with command signals a and b from the control device 10, respectively, and a mathematical expression model for calculating the operating state quantities of the equipments 2 and 3 by mathematical expressions based on the command signals a and b. In addition, the calculation data 12a and 1 representing the same kind of operation state amount as the detection data of the sensors 5 to 8
2b, 13a and 13b are output. The actuator model 14 is a mathematical model that inputs the calculation data 13b and calculates the operating state quantity of the actuator 4 by a mathematical formula based on the calculated data 13b. The detection data of the sensor 9 is calculated to represent the same operating state quantity. The data 14a is output. The comparators 15 to 19 detect the data detected by the sensors 5 to 9 and the calculated data 12a, 12b, 13a, 13b, and
14a, respectively, and the result of this comparison is output. The diagnosis unit 20 inputs the comparison result and determines whether or not the comparison result is significantly deviated, and accordingly, the devices 2, 3
Also, it is determined whether or not the sensors 5 to 9 are abnormal.

【０００４】上述の如き異常診断装置１１によって実現
する異常診断方式は、まず機器モデル１２、１３におい
て、機器２、３と同様に、制御装置１０から出力された
指令信号ａ、ｂを各々入力し、これと同一の指令信号
ａ、ｂに基づく機器２、３の動作状態量及び前記配管部
における媒体の状態量を算出し、算出した前記動作状態
量の値を算出データ１２ａ、１３ａとし、算出した前記
状態量の値を算出データ１２ｂ、３ｂとして出力する。
またアクチュエータモデル１４において、算出データ１
３ｂを入力し、機器３から送られてくる作動媒体に基づ
くアクチュエータ４の動作状態量を算出し、この算出し
た前記動作状態量の値を算出データ１４ａとして出力す
る。次に比較器１５〜１９において、センサ５〜９の検
出データと、算出データ１２ａ、１２ｂ、１３ａ、１３
ｂ、１４ａとを各々比較し、これらの比較結果を出力す
る。例えば比較器１５では、センサ５の検出データと、
該検出データと同種の算出データ１２ａとを比較し、こ
の比較結果を出力する。最後に診断部２０において、比
較器１５〜１９の比較結果を入力し、これらの比較結果
が何れもほぼ等しいと判断できる場合には、機器２、
３、アクチュエータ４及びセンサ５〜９が何れも正常で
あると診断し、一方、前記比較結果の何れかが大きくず
れていると判断できる場合には、その大きくずれている
比較結果に対応する機器２、３、アクチュエータ４また
はセンサ５〜９が異常であると診断する。例えば比較器
１５の比較結果が大きくずれていると判断できる場合に
は、機器２またはセンサ５が異常であると診断する。In the abnormality diagnosing method realized by the abnormality diagnosing device 11 as described above, first, in the device models 12 and 13, similarly to the devices 2 and 3, the command signals a and b output from the control device 10 are input respectively. , The operation state quantities of the devices 2 and 3 and the state quantity of the medium in the pipe section based on the same command signals a and b are calculated, and the calculated value of the operation state quantity is used as calculation data 12a and 13a. The value of the state quantity is output as calculation data 12b and 3b.
In the actuator model 14, the calculated data 1
3b is input, the operating state quantity of the actuator 4 based on the working medium sent from the device 3 is calculated, and the calculated value of the operating state quantity is output as calculation data 14a. Next, in the comparators 15 to 19, the detection data of the sensors 5 to 9 and the calculation data 12a, 12b, 13a, 13 are obtained.
b and 14a are compared with each other, and the comparison results are output. For example, in the comparator 15, the detection data of the sensor 5 and
The detection data is compared with the same type of calculation data 12a, and the comparison result is output. Finally, in the diagnosis unit 20, when the comparison results of the comparators 15 to 19 are input and it can be determined that the comparison results are substantially equal to each other, the device 2,
3, it is diagnosed that all of the actuator 4 and the sensors 5 to 9 are normal, and on the other hand, when it is possible to judge that any of the comparison results is largely deviated, a device corresponding to the greatly deviated comparison result. It is diagnosed that 2, 3, the actuator 4, or the sensors 5-9 are abnormal. For example, when it can be determined that the comparison result of the comparator 15 is largely shifted, it is diagnosed that the device 2 or the sensor 5 is abnormal.

【０００５】[0005]

【発明が解決しようとする課題】前述の如き従来技術に
係わる異常診断方式では、例えば機器２のみが異常であ
った場合、比較器１５の比較結果が大きくずれることに
なり、その結果、機器２またはセンサ５が異常であると
診断する。ここで、機器２が異常である場合には、機器
２から出カされる媒体の状態量が変化するため、これに
伴って前記媒体の状態量を検出するセンサ６、８の検出
データも変化する。このため比較器１６、１８の比較結
果も大きくずれることになって、実際には正常であるに
も係わらずセンサ６、８も異常であると診断してしまう
ことになる。この様な結果から、異常診断が成された場
合に、アクチュエータ、機器、センサの何れで異常が発
生しているかを正確に診断することができない場合があ
るという問題点があった。In the abnormality diagnosing method according to the prior art as described above, for example, when only the device 2 is abnormal, the comparison result of the comparator 15 is largely deviated, and as a result, the device 2 is detected. Alternatively, it is diagnosed that the sensor 5 is abnormal. Here, when the device 2 is abnormal, the state quantity of the medium output from the device 2 changes, and accordingly, the detection data of the sensors 6 and 8 for detecting the state quantity of the medium also change. To do. For this reason, the comparison results of the comparators 16 and 18 are also greatly deviated, and the sensors 6 and 8 are diagnosed as abnormal even though they are actually normal. From such a result, there is a problem that when the abnormality is diagnosed, it may not be possible to accurately diagnose which of the actuator, the device, and the sensor has the abnormality.

【０００６】さらには、従来技術では、機器モデル１
２、１３、アクチュエータモデル１４という数式モデル
を基に異常診断を行っているため、その数式モデルの精
度が問題になってくる。通常機器類は、作業環境の条件
により特性が変化し、また機器の個体差があり、さらに
は経年変化も生じる。このような機器の特性変化を数式
モデルで表現することは困難であり、数式モデルの不正
確さにより、正常にも係わらず異常と判定することがあ
るという問題もあった。Further, in the prior art, the device model 1
Since the abnormality diagnosis is performed based on the mathematical models 2, 3, and the actuator model 14, the accuracy of the mathematical model becomes a problem. Normally, the characteristics of the equipments change depending on the working environment conditions, and there are individual differences among the equipments, and further, secular changes occur. It is difficult to represent such a characteristic change of the device by a mathematical model, and there is also a problem that due to the inaccuracy of the mathematical model, it may be determined to be abnormal despite being normal.

【０００７】[0007]

【課題を解決するための手段】本発明は、上記の如き実
情に鑑み、これらの課題を解決することを目的として創
作されたものであって、制御装置によって制御される複
数の機器やアクチュエータ等の被制御部材と、これら被
制御部材の被制御状態を検出する各種のセンサとを有す
る建設機械において、前記一つまたは複数の被制御部材
で構成される系の異常を診断する異常診断装置であっ
て、該異常診断装置は、正常状態において、制御装置の
指令信号と、正常状態における前記センサの単一の検出
データあるいは複数個の検出データ比較結果との、定常
時における特性の近似関数を静特性関数として導出する
静特性関数導出器と、正常状態において、操作レバー等
の操作信号を入力とする関数が、制御装置からの指令信
号を入力とする前記静特性関数の出力データと、前記セ
ンサの単一検出データあるいは複数個の検出データ比較
結果との正常時誤差波形を包含する包含関数となるよう
に同定処理する包含関数同定処理部と、実操作におい
て、操作レバー等の操作信号を入力とする上記包含関数
の出力波形に対し、制御装置からの指令信号を入力とす
る前記静特性関数の出力データと、前記センサの単一検
出データあるいは複数個の検出データ比較結果との実操
作時誤差波形が逸脱したか否かを判定する異常判定部と
を備え、該実操作時誤差波形が逸脱しているとの判定に
より前記系の異常診断をするように構成したものであ
る。また、このものにおいて、さらに実操作時誤差波形
の逸脱の状態により異常の状態を推定する異常状態推定
部を備えているものである。さらに、前記包含関数同定
処理部において、包含関数を、分子に微分要素と定数項
を有する一次遅れ関数としたものである。さらにまた、
前記包含関数同定処理部において、制御装置からの指令
信号を入力とする前記静特性関数の出力データと、前記
センサの単一検出データあるいは複数個の検出データ比
較結果との誤差を教示データとし、操作レバー等の操作
信号を入力とする前記包含関数の出力データが、精度良
く前記教示データを同定するように、上記包含関数に含
まれる複数個の係数を学習するために、ニューラルネッ
トワークを適用したものである。また、前記異常状態推
定部において、前記包含関数の出力波形と実操作時誤差
波形との交差回数と、上記包含関数の出力波形と実操作
時誤差波形とで囲まれる面積で、異常の種類及び度合い
を推定するようにしたものである。The present invention has been made in view of the above circumstances in order to solve these problems, and includes a plurality of devices and actuators controlled by a control device. In the construction machine having the controlled members and various sensors for detecting the controlled states of these controlled members, an abnormality diagnosis device for diagnosing an abnormality of a system composed of the one or more controlled members. Therefore, the abnormality diagnosis device, in a normal state, an approximate function of the characteristics in a steady state between the command signal of the control device and a single detection data or a plurality of detection data comparison results of the sensor in the normal state. A static characteristic function deriving device for deriving as a static characteristic function, and a function for receiving an operation signal of an operating lever or the like in a normal state, for receiving a command signal from a control device. An inclusion function identification processing unit that performs identification processing to obtain an inclusion function that includes an error waveform in a normal state between the output data of the characteristic function and the single detection data of the sensor or the comparison result of a plurality of detection data, and in an actual operation. , Output data of the static characteristic function that receives a command signal from the control device and output data of the static characteristic function that receives an operation signal of an operation lever or the like, and single detection data or a plurality of data of the sensor. An abnormality determination unit that determines whether or not the actual operation error waveform deviates from the detection data comparison result, and performs abnormality diagnosis of the system by determining that the actual operation error waveform deviates. It is configured in. In addition, in this configuration, an abnormal state estimation unit that estimates an abnormal state based on the state of deviation of the error waveform during actual operation is further provided. Further, in the inclusion function identification processing section, the inclusion function is a first-order lag function having a differential element and a constant term in the numerator. Furthermore,
In the inclusion function identification processing unit, the output data of the static characteristic function that receives the command signal from the control device, and the error between the single detection data of the sensor or the comparison result of the plurality of detection data is the teaching data, A neural network was applied to learn a plurality of coefficients included in the inclusion function so that the output data of the inclusion function, which receives an operation signal of an operation lever or the like, accurately identifies the teaching data. It is a thing. Further, in the abnormal state estimation unit, the number of intersections of the output waveform of the inclusion function and the error waveform during actual operation, and the area surrounded by the output waveform of the inclusion function and the error waveform during actual operation, the type of abnormality and The degree is estimated.

【０００８】そして本発明は、この構成によって、機器
及びアクチュエータの数式モデルを適用せず、何れの一
つまたは複数の被制御部材で構成される系で異常が発生
しているかを的確に診断できるものであり、制御装置に
よって制御される被制御部材の状態量が上記制御装置に
入力される操作レバーの信号に応じて変化することに着
目したものである。例えば、操作レバーを急操作すると
機器及びアクチュエータの状態量も急激に変化し、ゆっ
くり操作するとそれに応じて上記状態量も緩やかに変化
することに着目した診断装置である。本発明の異常診断
装置では、まず正常時における機器及びアクチュエータ
の状態量の変化を包含する包含関数を同定する。そし
て、上記包含関数を実運転時の異常診断に適用し、実運
転時における前記状態量が前記包含関数の出力波形を逸
脱した場合、異常とみなすものである。従って、正常状
態での前記包含関数を同定しておれば、容易且つ的確に
異常か否かを推定することができる。また、機器、アク
チュエータに経年変化が生じた場合も同様に前記状態量
が前記包含関数出力波形を逸脱することになるため、異
常として判定することができる。According to the present invention, it is possible to accurately diagnose whether an abnormality has occurred in a system including any one or a plurality of controlled members without applying a mathematical model of the device and the actuator. The present invention focuses on that the state quantity of the controlled member controlled by the control device changes according to the signal of the operation lever input to the control device. For example, the diagnostic device focuses on the fact that when the operating lever is suddenly operated, the state quantities of the device and the actuator are rapidly changed, and when the operating lever is operated slowly, the state quantity is gently changed accordingly. In the abnormality diagnosing device of the present invention, first, an inclusive function including changes in the state quantities of the device and the actuator during normal operation is identified. Then, the inclusion function is applied to the abnormality diagnosis during the actual operation, and when the state quantity during the actual operation deviates from the output waveform of the inclusion function, it is regarded as an abnormality. Therefore, if the inclusion function in the normal state is identified, it is possible to easily and accurately estimate whether or not there is an abnormality. Also, when the devices and actuators change over time, the state quantity will deviate from the inclusion function output waveform in the same manner, so it can be determined as abnormal.

【０００９】[0009]

【発明の実施の形態】以下に本発明の実施の形態を具体
的に説明する。まず、図１〜８を用いて建設機械の一つ
である油圧ショべル５０と本発明の異常診断装置１００
との全体構成を説明する。図１において、５０は油圧シ
ョべル本体である。該油圧ショべル５０のフロント部は
ブーム５１、スティック５２、バケット５３が回動自在
に連結されており、それぞれ、アクチュエータであるブ
ームシリンダ５４、スティックシリンダ５５、バケット
シリンダ５６で駆動される。尚、油圧ショベル５０に
は、他に旋回用アクチュエータ、走行用アクチュエータ
等の各種アクチュエータが設けられるが、以下は、代表
として後述する油圧ポンプ５７からブームシリンダ５４
への系について述べることとし、スティックシリンダ５
５を始めとする各種アクチュエータについての系につい
ては同様にしてできるのでここでは省略する。BEST MODE FOR CARRYING OUT THE INVENTION Embodiments of the present invention will be specifically described below. First, referring to FIGS. 1 to 8, a hydraulic shovel 50 which is one of construction machines and an abnormality diagnosis device 100 of the present invention.
The overall configuration of and will be described. In FIG. 1, 50 is a hydraulic shovel body. A boom 51, a stick 52, and a bucket 53 are rotatably connected to the front portion of the hydraulic shovel 50, and are driven by a boom cylinder 54, a stick cylinder 55, and a bucket cylinder 56, which are actuators, respectively. Incidentally, the hydraulic excavator 50 is provided with various actuators such as a turning actuator and a traveling actuator in addition to the above.
The system for stick cylinder 5
Since the system for various actuators such as No. 5 can be made in the same manner, it is omitted here.

【００１０】前記ブームシリンダ５４の作動媒体である
圧油は油圧ポンプ５７で供給される。該油圧ポンプ５７
は吐出流量を変化させるためにポンプ斜板５８が設けて
ある。油圧ポンプ５７はエンジン５９で駆動されてい
る。また、圧油の方向切換え、すなわち操作に応じてブ
ームシリンダ５４に圧油を供給するために、コン卜ロー
ルバルブ６０が設けてある。Pressure oil, which is the working medium of the boom cylinder 54, is supplied by a hydraulic pump 57. The hydraulic pump 57
Is provided with a pump swash plate 58 for changing the discharge flow rate. The hydraulic pump 57 is driven by the engine 59. Further, a control roll valve 60 is provided for switching the direction of the pressure oil, that is, for supplying the pressure oil to the boom cylinder 54 in response to an operation.

【００１１】ブームシリンダ５４の操作は操作レバー６
１で行われる。また、駆動系には、油圧ポンプ５７の吐
出圧力を検出する圧カセンサ６２、エンジン５９の回転
数を検出する回転数センサ６３が装着されている。ブー
ムシリンダ５４に関しては、該ブームシリンダ５４のヘ
ッド圧力、ロッド圧力を検出する圧力センサ６４、６５
が装着されている。Boom cylinder 54 is operated by operating lever 6
Done in 1. Further, a pressure sensor 62 for detecting the discharge pressure of the hydraulic pump 57 and a rotation speed sensor 63 for detecting the rotation speed of the engine 59 are attached to the drive system. Regarding the boom cylinder 54, pressure sensors 64 and 65 for detecting the head pressure and rod pressure of the boom cylinder 54.
Is installed.

【００１２】制御装置１０は、前記操作レバー６１のレ
バー信号と各種センサの信号が入カされ、これら入力信
号に対応するポンプ斜板指令６８、バルブ指令６９を出
力する。The control device 10 receives the lever signal of the operating lever 61 and the signals of various sensors, and outputs a pump swash plate command 68 and a valve command 69 corresponding to these input signals.

【００１３】本発明の異常診断装置１００には、上述の
操作レバー６１のレバー信号、制御装置１０からの指令
値であるポンプ斜板指令６８、コントロールバルブ６０
へのバルブ指令６９、各圧力センサ６２、６４、６５、
エンジン回転数センサ６３が入力される。なお、圧力セ
ンサ、シリンダのストロークセンサ等を追加し、本発明
の異常診断装置に適用することは容易に考えられること
である。The abnormality diagnosing device 100 of the present invention includes a lever signal of the operating lever 61, a pump swash plate command 68 which is a command value from the control device 10, and a control valve 60.
Valve command 69 to each pressure sensor 62, 64, 65,
The engine speed sensor 63 is input. It is easily conceivable to add a pressure sensor, a cylinder stroke sensor, etc. to the abnormality diagnosis device of the present invention.

【００１４】図２は、本発明の異常診断装置１００の全
体構成を示している。なお、ここでは、油圧ポンプ５７
の異常診断を例にして説明するが、他のアクチュエータ
の異常診断も同様な考え方で行うことができる。図２に
おいて、１０１は正常時の状態における操作レバー６１
のレバー信号と圧力センサ６２からのポンプ圧力Ｐｐ、
圧力センサ６４からのブーム５１のシリンダヘッド圧Ｐ
ｂｈを用いて、定常状態すなわち静特性を導出するため
の静特性関数導出器である。FIG. 2 shows the overall configuration of the abnormality diagnosis device 100 of the present invention. In addition, here, the hydraulic pump 57
The abnormality diagnosis will be described as an example, but abnormality diagnosis of other actuators can be performed in the same way. In FIG. 2, 101 is the operation lever 61 in a normal state.
Lever signal and pump pressure Pp from the pressure sensor 62,
Cylinder head pressure P of the boom 51 from the pressure sensor 64
It is a static characteristic function derivation device for deriving a steady state, that is, a static characteristic using bh.

【００１５】１０２は本発明の異常診断を実施するに必
要な包含関数を同定する包含関数同定処理部であり、前
記と同様レバー信号とポンプ圧力Ｐｐ、ブーム５１のシ
リンダヘッド圧Ｐｂｈが入力される。該処理部１０２
は、前処理器１０４、包含関数同定部１０５、判定器１
０６、補正処理器１０７で構成されている。この包含関
数同定処理部１０２は、正常時の状態を学習するための
処理部である。正常時の学習が終了されると、次の異常
状態判定処理部１０３に移行することになる。Reference numeral 102 denotes an inclusive function identification processing section for identifying an inclusive function necessary for carrying out the abnormality diagnosis of the present invention, and the lever signal, the pump pressure Pp, and the cylinder head pressure Pbh of the boom 51 are inputted as in the above. . The processing unit 102
Is a preprocessor 104, an inclusive function identification unit 105, a determiner 1
06, and the correction processor 107. The inclusion function identification processing unit 102 is a processing unit for learning a normal state. When the learning in the normal state is completed, the process proceeds to the next abnormal state determination processing unit 103.

【００１６】この異常状態判定処理部１０３は、前記と
同様レバー信号とポンプ圧力Ｐｐ、ブーム５１のシリン
ダヘッド圧Ｐｂｈが入力される。該処理部１０３は、前
処理器１０８と異常判定部１０９と異常状態推定部１１
０で構成されている。The lever signal, the pump pressure Pp, and the cylinder head pressure Pbh of the boom 51 are input to the abnormal state determination processing unit 103 as described above. The processing unit 103 includes a preprocessor 108, an abnormality determination unit 109, and an abnormal state estimation unit 11
It consists of zero.

【００１７】図３は図２における包含関数同定部１０５
の構成を示している。図３において、絶対誤差｜ｅｒｒ
ΔＰ｜の算出器２００は第一差圧算出器２０１と第二差
圧算出器２０２とで構成されており、ここで算出された
絶対誤差｜ｅｒｒΔＰ｜は代表点算出器２０３に入力さ
れる。該代表点算出器２０３で得られた代表点Ｒ１、Ｒ
２、Ｒ３はニューラルネットワーク２０５に適用され
る。一方、包含関数Ｇにはレバー信号が入力される。該
包含関数Ｇには係数Ｋ１、Ｋ２、τが含まれており、包
含関数Ｇの出力が前記代表点Ｒ１、Ｒ２、Ｒ３を包含す
るようにニューラルネットワーク２０５の学習機能で係
数Ｋ１、Ｋ２、τを同定する。FIG. 3 shows the inclusion function identification unit 105 in FIG.
Is shown. In FIG. 3, absolute error | err
The ΔP | calculator 200 includes a first differential pressure calculator 201 and a second differential pressure calculator 202, and the absolute error | errΔP | calculated here is input to the representative point calculator 203. The representative points R1 and R obtained by the representative point calculator 203
2 and R3 are applied to the neural network 205. On the other hand, the lever signal is input to the inclusion function G. The inclusive function G includes coefficients K1, K2, and τ, and the learning function of the neural network 205 uses the coefficients K1, K2, and τ so that the output of the inclusive function G includes the representative points R1, R2, and R3. Identify.

【００１８】次に、本発明の実施の形態についてさらに
詳しく説明する。なお、ここでは、前記油圧ポンプ５７
からブームシリンダ５４への系において、油圧ポンプ５
７の異常診断を例にして説明するが、他のアクチュエー
タの異常診断も同様な考え方で行うことができる。Next, the embodiment of the present invention will be described in more detail. Incidentally, here, the hydraulic pump 57
From the hydraulic system to the boom cylinder 54, the hydraulic pump 5
The abnormality diagnosis of No. 7 will be described as an example, but abnormality diagnosis of other actuators can be performed in the same way.

【００１９】図２における静特性関数導出器１０１は、
油圧ショべル５０のアクチュエータ間の定常的な特性を
関係付けるものであり、異常診断を行う前に予め、正常
状態での特性を把握する部分である。ここで油圧ポンプ
５０の異常診断のためには、制御装置１０からのポンプ
斜板指令φｄと、ポンプ圧力Ｐｐおよびブームシリンダ
ヘッド圧力Ｐｂｈのあいだの差圧ΔＰ（＝Ｐｐ−Ｐｂ
ｈ）との定常特性を求める。The static characteristic function deriving device 101 in FIG.
This is to relate the steady characteristics between the actuators of the hydraulic shovel 50, and is a part for grasping the characteristics in a normal state in advance before performing the abnormality diagnosis. Here, in order to diagnose the abnormality of the hydraulic pump 50, the differential pressure ΔP (= Pp−Pb) between the pump swash plate command φd from the control device 10 and the pump pressure Pp and the boom cylinder head pressure Pbh.
Find the steady-state characteristics with h).

【００２０】図４は、ポンプ斜板指令φｄの二乗値と上
記差圧ΔＰの定常値との関係を“●”印で示したもので
ある。上記定常値は、例えばバケット５３に種々の重り
を取り付け、ブーム操作したときのポンプ斜板指令φ
ｄ、ポンプ圧力Ｐｐ及びブームシリンダヘッド圧力Ｐｂ
ｈを計測し、計測信号が安定に成った状態での値を読み
とることで得られる。このとき、上記定常値の分布は、
静特性関数として近似的に直線（Ｙ＝１６．２Ｘ＋０．
６）で表される。静特性関数導出器１０１は上記近似直
線を導出する作用を持っている。FIG. 4 shows the relationship between the squared value of the pump swash plate command φd and the steady value of the differential pressure ΔP by the mark "●". The steady value is, for example, a pump swash plate command φ when various weights are attached to the bucket 53 and the boom is operated.
d, pump pressure Pp and boom cylinder head pressure Pb
It can be obtained by measuring h and reading the value when the measurement signal is stable. At this time, the distribution of the steady value is
A straight line (Y = 16.2X + 0.
6). The static characteristic function deriving unit 101 has a function of deriving the above approximate straight line.

【００２１】次に、包含関数同定処理部１０２について
説明する。包含関数同定処理部１０２は、静特性関数導
出器１０１での近似直線導出の後に行うもので、正常状
態での絶対差圧誤差｜ｅｒｒΔＰ｜を包含する包含関数
Ｇを導出するものである。また、種々のレバー操作に適
応するため、数種類のレバー操作速度に対する処理を行
う。例えば、レバー速度１．０秒／フル操作、０．５秒
／フル操作、０．１秒／フル操作の３ケースの操作での
データ（レバー信号、ポンプ斜板指令φｄ、ポンプ圧力
Ｐｐ、ブームシリンダヘッド圧Ｐｂｈ）を用いる。Next, the inclusion function identification processing unit 102 will be described. The inclusive function identification processing unit 102 is performed after deriving an approximate straight line by the static characteristic function deriving unit 101, and is for deriving an inclusive function G including the absolute differential pressure error | errΔP | in a normal state. Further, in order to adapt to various lever operations, processing for several types of lever operation speeds is performed. For example, the data (lever signal, pump swash plate command φd, pump pressure Pp, boom) for three cases of operation: lever speed 1.0 second / full operation, 0.5 second / full operation, 0.1 second / full operation. The cylinder head pressure Pbh) is used.

【００２２】まず、包含関数同定処理部１０２中の前処
理器１０４の作用について説明する。前処理器１０４
は、レバー信号が充分大きい状態での圧力データ（Ｐ
ｐ、Ｐｂｈ）を抽出する処理を行う。例えば、ランプ状
にレバー操作した場合、上記操作量が６５％以上での圧
力データＰｐ、Ｐｂｈを抽出する。レバー操作が小さい
状態は、アクチュエータが充分動作していない状態であ
り、このときポンプ圧力Ｐｐの方がアクチュエータ圧力
（ここではブームシリンダヘッド圧Ｐｂｈ）より小さか
ったり、コントロールバルブ６０の絞りにより、ポンプ
圧力Ｐｐが極端に大きくなったりする。このような状態
では、異常状態を正しく推定することができないため、
前処理器１０４で予め不要デー夕を削除しておく。First, the operation of the preprocessor 104 in the inclusion function identification processing section 102 will be described. Preprocessor 104
Is the pressure data (P
p, Pbh) is extracted. For example, when the lever is operated in a lamp shape, the pressure data Pp and Pbh when the operation amount is 65% or more are extracted. When the lever operation is small, the actuator is not operating sufficiently. At this time, the pump pressure Pp is smaller than the actuator pressure (here, the boom cylinder head pressure Pbh), or the pump pressure is reduced due to the restriction of the control valve 60. Pp may become extremely large. In such a state, the abnormal state cannot be estimated correctly, so
The preprocessor 104 deletes unnecessary data in advance.

【００２３】次に包含関数同定部１０５の作用について
説明する。該包含関数同定部１０５では、まず正常状態
での差圧誤差ｅｒｒΔＰの絶対値｜ｅｒｒΔＰ｜を算出
するのであるが、これはレバー操作によって変化する連
続的なポンプ圧Ｐｐと連続的なシリンダ圧（ここではブ
ームシリンダヘッド圧Ｐｂｈ）との差圧ΔＰａと、前記
静特性関数導出器１０１で求めた静特性関数（前記の場
合、Ｙ＝１６．２Ｘ＋０．６）に制御装置１０からのポ
ンプ斜板指令φｄの二乗値を入力した値、すなわち予測
差圧ΔＰｓとを求め、上記差圧ΔＰａに対する予測差圧
ΔＰｓの差、すなわち正常時誤差ｅｒｒΔＰ（＝ΔＰａ
−ΔＰｓ）を算出する。また、上記正常時誤差ｅｒｒΔ
Ｐは正負に変化するがここで求める包含関数は、ｅｒｒ
ΔＰの変化の全てを包含するものであるため、算出器２
００の出力は正常時誤差ｅｒｒΔＰの絶対値｜ｅｒｒΔ
Ｐ｜としている。Next, the operation of the inclusion function identification unit 105 will be described. The inclusive function identification unit 105 first calculates the absolute value | errΔP | of the differential pressure error errΔP in the normal state, which is calculated by the continuous pump pressure Pp and the continuous cylinder pressure (p Here, the differential pressure ΔPa from the boom cylinder head pressure Pbh) and the static characteristic function (Y = 16.2X + 0.6 in the above case) obtained by the static characteristic function deriving device 101 are added to the pump swash plate from the controller 10. A value obtained by inputting the squared value of the command φd, that is, the predicted differential pressure ΔPs is obtained, and the difference between the predicted differential pressure ΔPs and the differential pressure ΔPa, that is, the error at normal time errΔP (= ΔPa
-ΔPs) is calculated. In addition, the above-mentioned error at normal time errΔ
P changes to positive or negative, but the inclusion function found here is err
Since it includes all the changes in ΔP, the calculator 2
The output of 00 is the absolute value of the error errΔP under normal condition | errΔ
P |

【００２４】代表点算出器２０３は、レバー信号に対す
る正常時絶対誤差｜ｅｒｒΔＰ｜の代表的なポイントを
設定するものである。例えば、次の３つの時間領域に分
けて、各領域での正常時絶対誤差｜ｅｒｒΔＰ｜の最大
値を代表点Ｒ１、Ｒ２、Ｒ３とする。上記代表点Ｒ１、
Ｒ２、Ｒ３が後述するニューラルネットワークの教示デ
ータになり、これに基づいて全ての代表点を包含する包
含関数Ｇを求めることになる。 領域１：レバー操作開始からフル操作までの時間（秒）
＋０．１秒 領域２：領域１より０．５秒の間 領域３：領域２より０．５秒の間 図５に、レバー速度＝０．１秒／フル操作、１．０秒／
フル操作での正常時絶対誤差｜ｅｒｒΔＰ｜の波形例と
上述の領域１〜３の定義で得られる代表点を、“×”、
“○”印で示す。なお説明上、各代表点でのサンプル時
間をそれぞれｔ１、ｔ２、ｔ３としておく。The representative point calculator 203 sets a representative point of the normal absolute error | errΔP | with respect to the lever signal. For example, the maximum value of the normal absolute error | errΔP | in each area is divided into the following three time areas and the representative points R1, R2, and R3 are set. The above representative point R1,
R2 and R3 become the teaching data of the neural network described later, and based on this, the inclusion function G including all the representative points will be obtained. Area 1: Time from start of lever operation to full operation (seconds)
+0.1 seconds Area 2: between 0.5 seconds from area 1 Area 3: between 0.5 seconds from area 2 In FIG. 5, lever speed = 0.1 seconds / full operation, 1.0 seconds /
A typical point obtained by the waveform example of the absolute error under normal operation | errΔP |
It is indicated by a "○" mark. For the sake of explanation, the sampling times at the respective representative points are set to t1, t2, and t3, respectively.

【００２５】包含関数Ｇは、例えば次の伝達関数で表さ
れ、レバー信号Ｌが入力される。 Ｇ（Ｓ）・Ｌ（Ｓ）＝Ｌ（Ｓ）・（Ｋ１・Ｓ＋Ｋ２）／
（τ・Ｓ＋１） ここに、Ｓはラプラス変数、Ｋ１、Ｋ２、τは係数であ
る。The inclusive function G is represented by, for example, the following transfer function, and the lever signal L is input. G (S) ・ L (S) = L (S) ・ (K1 ・ S + K2) /
(Τ · S + 1) Here, S is a Laplace variable, K1, K2, and τ are coefficients.

【００２６】上記式の関数Ｇ（Ｓ）において、Ｋ２＝０
にすると分子は微分項を持っているため、入力（レバー
信号）が変化する状態に反応し、レバー信号が一定にな
れば分子＝０になる。係数Ｋ１はその反応の度合い（ゲ
イン）を表す。１／（τ・Ｓ＋１）は一次遅れ系を表し
ており、レバー信号Ｌが一定になった後のＧ（Ｓ）→０
になるスピードを支配し、係数τはその勾配のパラメー
タになる。また、Ｋ２は定常時（Ｓ→０）における定常
偏差を決定する。In the function G (S) of the above equation, K2 = 0
When set to, the numerator has a differential term, so it reacts to the state where the input (lever signal) changes, and when the lever signal becomes constant, numerator = 0. The coefficient K1 represents the degree (gain) of the reaction. 1 / (τ · S + 1) represents a first-order lag system, G (S) → 0 after the lever signal L becomes constant.
The coefficient τ becomes a parameter of the gradient. K2 determines the steady-state deviation in the steady state (S → 0).

【００２７】包含関数同定部１０５での、代表点Ｒ１、
Ｒ２、Ｒ３を精度良く包含する包含関数Ｇを同定するた
めに適用したニューラルネットワーク２０５による学習
方法を示したものが図６である。なお、上記学習処理
は、各レバー操作によるデータ毎に行う。例えば、レバ
ー速度＝０．１秒／フル操作のデータ、次に０．５秒／
フル操作のデータ、最後に１．０秒／フル操作のデータ
という順に学習を行う。In the inclusion function identification unit 105, the representative point R1,
FIG. 6 shows a learning method by the neural network 205 applied to identify the inclusive function G that includes R2 and R3 with high accuracy. The learning process is performed for each data by operating each lever. For example, lever speed = 0.1 second / full operation data, then 0.5 second /
Learning is performed in the order of full operation data and finally 1.0 second / full operation data.

【００２８】ニューラルネットワーク２０５による学習
方法は一般的なバックプロパゲーション（ＢＰ）法であ
るため、その詳しい処理内容に関しては割愛する。ニュ
ーラルネットワーク２０５は、図６に示すように第１ニ
ューロン層と第２ニューロン層からなり、第２ニューロ
ン層の出力が前記包含関数Ｇの係数Ｋ１、Ｋ２、τに対
応している。以降次の手順で処理される。 上記係数Ｋ１、Ｋ２、τが包含関数Ｇに適用され
る。 得られた包含関数Ｇに対し、レバー信号を入力し、
連続した出力値を演算する。 の連続した出力に対し、各代表点Ｒ１、Ｒ２、Ｒ
３でのサンプル時間ｔ１、ｔ２、ｔ３での値Ｑ（ｔ
１）、Ｑ（ｔ２）、Ｑ（ｔ３）を求める。 代表点Ｒ１（ｔ１）、Ｒ２（ｔ２）、Ｒ３（ｔ３）
を教示データとするため、上記代表点とで求めた値Ｑ
（ｔ１）、Ｑ（ｔ２）、Ｑ（ｔ３）との誤差を求める。 で得られた誤差の二乗誤差の和が小さくなるよう
に、第１ニューロン層の重み行列Ｗ１、バイアス行列Ｂ
１、第２ニューロン層の重み行列Ｗ２、バイアス行列Ｂ
２をバックプロパゲーション法の演算に基づき修正す
る。Since the learning method by the neural network 205 is a general back propagation (BP) method, its detailed processing contents will be omitted. The neural network 205 includes a first neuron layer and a second neuron layer as shown in FIG. 6, and the output of the second neuron layer corresponds to the coefficients K1, K2, and τ of the inclusion function G. After that, it is processed in the following procedure. The coefficients K1, K2, τ are applied to the inclusion function G. Input the lever signal to the obtained inclusion function G,
Calculate continuous output values. Representative points R1, R2, R for continuous output of
Value Q (t at sample times t1, t2, t3
1), Q (t2), Q (t3) are obtained. Representative points R1 (t1), R2 (t2), R3 (t3)
To the teaching data, the value Q
The error between (t1), Q (t2), and Q (t3) is calculated. The weighting matrix W1 and bias matrix B of the first neuron layer are set so that the sum of squared errors of
1, weight matrix W2 of second neuron layer, bias matrix B
2 is modified based on the calculation of the back propagation method.

【００２９】このように、ＢＰ法による学習を行うこと
により、レバー信号に対する包含関数Ｇの出力波形が各
領域で教示データ（ここでは、代表点Ｒ１、Ｒ２、Ｒ
３）に精度良く一致するようになる。As described above, by performing learning by the BP method, the output waveform of the inclusive function G for the lever signal is teaching data (here, the representative points R1, R2, R) in each region.
3) can be accurately matched.

【００３０】図７は、レバー速度＝０．１秒／フル操作
のデータで上述の同定（学習）処理し、ここで得られた
各ニューロン層の重み行列Ｗ１、Ｗ２、バイアス行列Ｂ
１、Ｂ２を初期値として、次に１．０秒／フル操作のデ
ータを同定（学習）処理した結果の例である。図７にお
いて、実線がレバー速度＝０．ｌ秒／フル操作での包含
関数出力結果（Ｇ（ｔ）・Ｌ（ｔ）、Ｌ（ｔ）はレバー
信号）と差圧絶対誤差｜ｅｒｒΔＰ（ｔ）｜であり、破
線がレバー速度＝１．０秒／フル操作での包含関数出力
結果（Ｇ（ｔ）・Ｌ（ｔ））と差圧絶対誤差｜ｅｒｒΔ
Ｐ（ｔ）｜である。In FIG. 7, the above-described identification (learning) processing is performed with the data of lever speed = 0.1 sec / full operation, and the weighting matrices W1 and W2 and bias matrix B of each neuron layer obtained here are obtained.
This is an example of the result of the identification (learning) process of 1.0 second / full operation data with 1 and B2 as initial values. In FIG. 7, the solid line indicates the lever speed = 0. Inclusive function output result (G (t) .L (t), L (t) is a lever signal) and absolute pressure difference error | errΔP (t) | 0.0 sec / full operation output result (G (t) · L (t)) and absolute pressure difference error | errΔ
P (t) |.

【００３１】図２中の判定器１０６は、各操作レバーの
データを順次同定処理し、レバー信号に対する包含関数
の出力波形が全ての代表点データを精度良く同定できた
かどうかを判定する部分である。The decision unit 106 in FIG. 2 is a section for sequentially identifying the data of each operation lever and determining whether or not the output waveform of the inclusion function for the lever signal can identify all the representative point data with high accuracy. .

【００３２】補正処理器１０７は、異常診断に適切な包
含関数を用いるために、前記関数全体を増加方向にシフ
トする処理を行うものである。ニューラルネットワーク
２０５の学習は教示データに対する二乗誤差を最小にす
るため、教示データに最も近い関数は得られるが、厳密
な包含関数、すなわち関数値の大きさが教示データ以上
になる関数が得られるとは限らない。また、教示データ
は各領域の時間幅の設定に左右され、理想的な最大値を
抽出できるとは限らない。このような理由で修正処理は
必要になってくる。The correction processor 107 performs a process of shifting the whole function in the increasing direction in order to use an inclusion function suitable for abnormality diagnosis. Since the learning of the neural network 205 minimizes the squared error with respect to the teaching data, a function closest to the teaching data can be obtained, but a strict inclusion function, that is, a function whose magnitude is equal to or larger than the teaching data is obtained. Not necessarily. Further, the teaching data depends on the setting of the time width of each area, and it is not always possible to extract the ideal maximum value. For this reason, the correction process becomes necessary.

【００３３】包含関数同定処理部１０２で正常時の各レ
バー速度に対する差圧の誤差｜ｅｒｒΔＰ｜を包含する
包含関数Ｇが同定できたら、上記包含関数を用いて異常
状態判定処理部１０３を起動させ、通常運転、つまり実
際の作業運転時での信号を入力し異常判定を行う。When the inclusive function identification processing unit 102 can identify the inclusive function G including the error | errΔP | of the differential pressure with respect to each lever speed at the normal time, the abnormal state determination processing unit 103 is activated using the above inclusive function. , The normal operation, that is, the signal during the actual work operation is input to determine the abnormality.

【００３４】図２中の異常状態判定処理部１０３におけ
る前処理器１０８は、前記判定器２００と同様な処理を
行うが、ここでは絶対値としない実操作時差圧誤差ｅｒ
ｒΔＰ（＝ΔＰａ−ΔＰｓ）を前処理器１０８より出力
する。The preprocessor 108 in the abnormal state judgment processing unit 103 in FIG. 2 performs the same processing as that of the judgment unit 200, but here the actual operation differential pressure error er is not an absolute value.
The preprocessor 108 outputs rΔP (= ΔPa−ΔPs).

【００３５】異常判定部１０９は、前記実操作時差圧誤
差ｅｒｒΔＰとレバー信号Ｌに対する前記包含関数Ｇの
出力結果とを比較し、実操作時差圧誤差ｅｒｒΔＰの波
形が包含関数Ｇの出力波形を逸脱したか否かを評価す
る。そして、逸脱した場合、異常がある（ここでは、ポ
ンプ系に異常がある）と判定する。The abnormality determining unit 109 compares the actual operation differential pressure error errΔP with the output result of the inclusion function G for the lever signal L, and the waveform of the actual operation differential pressure error errΔP deviates from the output waveform of the inclusion function G. Evaluate whether or not. If it deviates, it is determined that there is an abnormality (here, the pump system has an abnormality).

【００３６】図８は正常時、異常時における差圧の誤差
ｅｒｒΔＰを破線でレバー信号に対する包含関数Ｇの出
力結果（Ｇ（ｔ）・Ｌ（ｔ））を実線で示している。な
お、上図の場合包含関数Ｇの出力結果は上下対象な波形
として表現している。また、異常時とは、ポンプ斜板５
８の応答性が１Ｈｚに低下した（正常時は３Ｈｚ）場合
と、油圧ポンプ５７の性能が劣化し、その吐出流量が８
０％に低下した（正常時は１００％）場合の例を上げて
いる。図８に示すように、異常が発生すると、包含関数
出力波形（Ｇ（ｔ）・Ｌ（ｔ））を逸脱することが判
り、この時を異常と判定するのである。FIG. 8 shows the error errΔP of the differential pressure at the normal and abnormal times by a broken line and the output result (G (t) · L (t)) of the inclusion function G with respect to the lever signal by a solid line. In the case of the above figure, the output result of the inclusion function G is expressed as a waveform that is vertically symmetrical. In addition, when the abnormality occurs, the pump swash plate 5
When the response of No. 8 is lowered to 1 Hz (3 Hz in the normal state), the performance of the hydraulic pump 57 is deteriorated, and the discharge flow rate is 8
The example of the case where it is reduced to 0% (100% in the normal state) is given. As shown in FIG. 8, when an abnormality occurs, it is known that the output waveform of the inclusion function (G (t) · L (t)) is deviated, and this time is determined to be abnormal.

【００３７】次に、異常状態推定部１１０では、異常の
種類を実操作時差圧誤差ｅｒｒΔＰと包含関数出力波形
Ｇ（ｔ）・Ｌ（ｔ）との関係から判別する。図８より、
油圧ポンプ５７の性能が劣化した場合、その差圧誤差ｅ
ｒｒΔＰは、−Ｇ（ｔ）・Ｌ（ｔ）と一回交差した後
は、ほぼ水平を保っている。ポンプ斜板の応答性が低下
すると、その差圧誤差ｅｒｒΔＰは±Ｇ（ｔ）・Ｌ
（ｔ）と何回か交差していることが判る。そこで、異常
の種類を次の特徴量で判定することが可能になる。 ・包含関数出力波形±Ｇ（ｔ）・Ｌ（ｔ）と実操作時差
圧誤差ｅｒｒΔＰとの交差の回数（Ｎ） ・＋Ｇ（ｔ）・Ｌ（ｔ）＜ｅｒｒΔＰ、−Ｇ（ｔ）・Ｌ
（ｔ）＞ｅｒｒΔＰで囲まれる面積（Ａｐ、Ａｎ）Next, the abnormal state estimation unit 110 determines the type of abnormality from the relationship between the actual operation differential pressure error errΔP and the inclusion function output waveform G (t) · L (t). From FIG.
When the performance of the hydraulic pump 57 deteriorates, the differential pressure error e
rrΔP remains substantially horizontal after it has crossed once with −G (t) · L (t). If the response of the pump swash plate deteriorates, the differential pressure error errΔP becomes ± G (t) · L.
It can be seen that it intersects with (t) several times. Therefore, it becomes possible to determine the type of abnormality with the following feature amount. -Number of crossings of the inclusion function output waveform ± G (t) -L (t) and the actual operation differential pressure error errΔP (N)-+ G (t) -L (t) <errΔP, -G (t) -L
Area (Ap, An) surrounded by (t)> errΔP

【００３８】また、異常の度合いには、上記面積の大き
さ、最初に交差する時間が考えられる。包含関数出力波
形Ｇ（ｔ）・Ｌ（ｔ）から逸脱する部分の面積が大きい
ほど異常の度合いが高く、また包含関数出力波形Ｇ
（ｔ）・Ｌ（ｔ）に早く交差するあるいは交差回数が多
いほど異常の度合いが高いと判断するものである。As the degree of abnormality, the size of the area and the time of the first crossing can be considered. The larger the area of the portion deviating from the inclusion function output waveform G (t) · L (t), the higher the degree of abnormality, and the inclusion function output waveform G
It is determined that the earlier the vehicle crosses (t) · L (t) or the more the number of times it crosses, the higher the degree of abnormality.

【００３９】前述したように、本発明の異常診断装置
は、まず正常時における機器及びアクチュエータの状態
量の変化を包含する包含関数を同定する。そして、上記
包含関数を実運転時の異常診断に適用し、該実運転時に
おける状態量が前記包含関数の出力波形を逸脱した場
合、異常とみなすものである。従って、正常状態での前
記包含関数を同定しておれば、容易且つ的確に異常か否
かを推定することができる。As described above, the abnormality diagnosing apparatus of the present invention first identifies an inclusive function including changes in the state quantities of the device and the actuator under normal conditions. Then, the inclusion function is applied to abnormality diagnosis during actual operation, and when the state quantity during the actual operation deviates from the output waveform of the inclusion function, it is regarded as an abnormality. Therefore, if the inclusion function in the normal state is identified, it is possible to easily and accurately estimate whether or not there is an abnormality.

【図面の簡単な説明】[Brief description of drawings]

【図１】油圧ショべルと異常診断装置との全体構成を示
す説明図である。FIG. 1 is an explanatory diagram showing an overall configuration of a hydraulic shovel and an abnormality diagnosis device.

【図２】異常診断装置の全体構成を示す説明図である。FIG. 2 is an explanatory diagram showing an overall configuration of an abnormality diagnosis device.

【図３】図２中の包含関数同定部の構成を示す説明図で
ある。FIG. 3 is an explanatory diagram showing a configuration of an inclusion function identification unit in FIG.

【図４】静特性関数例を示した説明図である。FIG. 4 is an explanatory diagram showing an example of a static characteristic function.

【図５】正常時差圧絶対誤差｜ｅｒｒΔＰ｜の波形例と
各領域での代表点を示した説明図である。FIG. 5 is an explanatory diagram showing an example of a waveform of a differential pressure absolute error under normal condition | errΔP | and representative points in each region.

【図６】ニューラルネットワークによる学習法を示した
説明図である。FIG. 6 is an explanatory diagram showing a learning method using a neural network.

【図７】正常時差圧絶対誤差｜ｅｒｒΔＰ｜と同定後の
［包含関数×レバー信号］の出力波形例を示した説明図
である。FIG. 7 is an explanatory diagram showing an output waveform example of [inclusion function × lever signal] after identification with a normal differential pressure absolute error | errΔP |.

【図８】正常時、異常時の実操作時差圧誤差ｅｒｒΔＰ
とレバー信号に対する包含関数Ｇの出力波形を示した説
明図である。FIG. 8 shows a differential pressure error errΔP during actual operation in normal and abnormal states.
It is an explanatory view showing an output waveform of inclusive function G to a lever signal.

【図９】従来技術による異常診断装置を示した説明図で
ある。FIG. 9 is an explanatory diagram showing a conventional abnormality diagnosis device.

【符号の説明】[Explanation of symbols]

１０ 制御装置 ５０ 油圧ショべル本体 ５１ ブーム ５４ ブームシリンダ ５７ 油圧ポンプ ５８ ポンプ斜板 ６１ 操作レバー ６２ 圧力センサ ６４ 圧力センサ １００ 異常診断装置 １０１ 静特性関数導出器 １０２ 包含関数同定処理部 １０３ 異常状態判定処理部 １０５ 包含関数同定部 １０９ 異常判定部 １１０ 異常状態推定部 ２０５ ニューラルネットワーク Ｇ 包含関数 10 Control Device 50 Hydraulic Shovel Body 51 Boom 54 Boom Cylinder 57 Hydraulic Pump 58 Pump Swash Plate 61 Operating Lever 62 Pressure Sensor 64 Pressure Sensor 100 Abnormality Diagnostic Device 101 Static Characteristic Function Derivative 102 Inclusive Function Identification Processing Unit 103 Abnormal State Judgment Processing unit 105 Inclusive function identification unit 109 Abnormality determination unit 110 Abnormal state estimation unit 205 Neural network G Inclusive function

フロントページの続き (51)Int.Cl.⁶ 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｆ１５Ｂ 20/00 Ｆ１５Ｂ 20/00 Ｄ Continuation of the front page (51) Int.Cl. ⁶ Identification code Office reference number FI Technical display area F15B 20/00 F15B 20/00 D

Claims (5)

【特許請求の範囲】[Claims] 【請求項１】 制御装置によって制御される複数の機器
やアクチュエータ等の被制御部材と、これら被制御部材
の被制御状態を検出する各種のセンサとを有する建設機
械において、前記一つまたは複数の被制御部材で構成さ
れる系の異常を診断する異常診断装置であって、該異常
診断装置は、 正常状態において、制御装置の指令信号と、正常状態に
おける前記センサの単一の検出データあるいは複数個の
検出データ比較結果との、定常時における特性の近似関
数を静特性関数として導出する静特性関数導出器と、 正常状態において、操作レバー等の操作信号を入力とす
る関数が、制御装置からの指令信号を入力とする前記静
特性関数の出力データと、前記センサの単一検出データ
あるいは複数個の検出データ比較結果との正常時誤差波
形を包含する包含関数となるように同定処理する包含関
数同定処理部と、 実操作において、操作レバー等の操作信号を入力とする
上記包含関数の出力波形に対し、制御装置からの指令信
号を入力とする前記静特性関数の出力データと、前記セ
ンサの単一検出データあるいは複数個の検出データ比較
結果との実操作時誤差波形が逸脱したか否かを判定する
異常判定部とを備え、 該実操作時誤差波形が逸脱しているとの判定により前記
系の異常診断をするように構成した建築機械における異
常診断装置。1. A construction machine comprising a controlled member such as a plurality of devices and actuators controlled by a control device, and various sensors for detecting a controlled state of the controlled member. An abnormality diagnosing device for diagnosing an abnormality of a system including controlled members, wherein the abnormality diagnosing device includes a command signal of a control device in a normal state and a single detection data or a plurality of detection data of the sensor in a normal state. From the control device, the static characteristic function derivator that derives the approximation function of the characteristics in the steady state as the static characteristic function from the comparison result of the individual detection data and the function that receives the operation signal of the operation lever etc. in the normal state are input from the control device. The error waveform at the normal time between the output data of the static characteristic function that receives the command signal of 1 An inclusive function identification processing unit that performs identification processing so as to obtain an inclusive function and an output signal of the above inclusive function that receives an operation signal of an operation lever or the like in an actual operation, and a command signal from a control device is input. The actual operation includes an abnormality determination unit that determines whether or not an actual operation error waveform of the output data of the static characteristic function and the single detection data of the sensor or a comparison result of a plurality of detection data deviates. An abnormality diagnosing device for a construction machine configured to make an abnormality diagnosis of the system by determining that the time error waveform deviates. 【請求項２】 請求項１において、さらに実操作時誤差
波形の逸脱の状態により異常の状態を推定する異常状態
推定部を備えている建設機械における異常診断装置。2. The abnormality diagnosis device for a construction machine according to claim 1, further comprising an abnormal state estimation unit that estimates an abnormal state based on a state of deviation of an error waveform during actual operation. 【請求項３】 請求項１または２の包含関数同定処理部
において、包含関数を、分子に微分要素と定数項を有す
る一次遅れ関数とした建設機械における異常診断装置。3. An abnormality diagnostic device for a construction machine according to claim 1 or 2, wherein the inclusion function is a first-order lag function having a differential element and a constant term in the numerator. 【請求項４】 請求項１、２または３の包含関数同定処
理部において、制御装置からの指令信号を入力とする前
記静特性関数の出力データと、前記センサの単一検出デ
ータあるいは複数個の検出データ比較結果との誤差を教
示データとし、 操作レバー等の操作信号を入力とする前記包含関数の出
力データが、精度良く前記教示データを同定するよう
に、上記包含関数に含まれる複数個の係数を学習するた
めに、ニューラルネットワークを適用した建設機械にお
ける異常診断装置。4. The inclusion function identification processing unit according to claim 1, 2 or 3, wherein output data of the static characteristic function, which receives a command signal from a control device, and single detection data or a plurality of data of the sensor. In order to identify the teaching data with high accuracy, the output data of the inclusion function that receives the operation data of the operation lever or the like as the teaching data is the error from the comparison result of the detection data. An abnormality diagnosis device for construction machinery that applies a neural network to learn coefficients. 【請求項５】 請求項２、３または４の異常状態推定部
において、前記包含関数の出力波形と実操作時誤差波形
との交差回数と、上記包含関数の出力波形と実操作時誤
差波形とで囲まれる面積で、異常の種類及び度合いを推
定するようにした建設機械における異常診断装置。5. The abnormal state estimation unit according to claim 2, 3 or 4, wherein the output waveform of the inclusion function and the error waveform during actual operation intersect, the output waveform of the inclusion function and the error waveform during actual operation. An abnormality diagnosis device for construction machinery that estimates the type and degree of abnormality in the area surrounded by.