JPWO2021245898A5 - - Google Patents

Description

本発明に係る故障予兆検知装置は、故障予兆検知対象の機器の故障予兆検知対象時における推定用データ及び比較用データを取得する取得部と、学習モデルを用いて推定用データから、比較用データの正常運転時における推定値を算出する推定部と、推定値と比較用データが示す実測値との複数時刻における比較結果に基づいて、機器の故障予兆を検知する検知部と、取得部が取得した推定用データ及び比較用データのうち、分散値が所定の選定閾値未満の時間帯の推定用データ及び比較用データを選定し、推定部及び検知部に出力する前処理部と、を備え、推定部は、前処理部が選定した推定用データを用いて推定値を算出し、検知部は、推定値と前処理部が選定した比較用データが示す実測値との複数時刻における比較結果に基づいて、機器の故障予兆を検知することを特徴とする。

Claims (14)

1. 故障予兆検知対象の機器の故障予兆検知対象時における推定用データ及び比較用データを取得する取得部と、
   学習モデルを用いて前記推定用データから、前記比較用データの正常運転時における推定値を算出する推定部と、
   前記推定値と前記比較用データが示す実測値との複数時刻における比較結果に基づいて、前記機器の故障予兆を検知する検知部と、
   前記取得部が取得した推定用データ及び比較用データのうち、分散値が所定の選定閾値未満の時間帯の前記推定用データ及び前記比較用データを選定し、前記推定部及び前記検知部に出力する前処理部と、を備え、
   前記推定部は、前記前処理部が選定した前記推定用データを用いて前記推定値を算出し、
   前記検知部は、前記推定値と前記前処理部が選定した前記比較用データが示す実測値との複数時刻における比較結果に基づいて、前記機器の故障予兆を検知する
   ことを特徴とする故障予兆検知装置。
2. 前記検知部は、前記推定値と前記実測値との乖離度を算出し、前記乖離度が時間の経過に伴い増加する場合に、前記機器の故障予兆を検知する
   ことを特徴とする請求項１に記載の故障予兆検知装置。
3. 前記検知部は、前記乖離度が前記複数時刻において所定の閾値を超えた場合に、前記機器の故障予兆又は前記機器周囲の環境変化を検知する
   ことを特徴とする請求項２に記載の故障予兆検知装置。
4. 前記検知部は、
   前記乖離度が前記閾値を超えた時間が所定の時間未満である場合に、前記機器周囲の短期的環境変化を検知する短期的乖離検知部と、
   前記乖離度が前記閾値を超えた時間が所定の時間以上である場合に、前記機器の故障予兆又は前記機器周囲の長期的環境変化を検知する長期的乖離検知部と、
   を備えることを特徴とする請求項３に記載の故障予兆検知装置。
5. 前記故障予兆検知装置は、前記故障予兆検知装置のユーザーへ故障予兆の報知を行う報知装置に接続され、
   前記故障予兆検知装置は、さらに、
   前記長期的乖離検知部が故障予兆を検知した場合に、前記故障予兆の報知をさせる制御信号を前記報知装置に送信する制御部を備える
   ことを特徴とする請求項４に記載の故障予兆検知装置。
6. 前記故障予兆検知装置は、さらに、
   前記長期的乖離検知部が前記長期的環境変化を検知した場合に、前記長期的乖離検知部が前記長期的環境変化を検知した時刻より後の時間帯の前記推定用データ及び前記比較用データを学習用データとして用いて、前記学習モデルの再学習を行う再学習部を備える
   ことを特徴とする請求項４に記載の故障予兆検知装置。
7. 前記機器は空調機であり、
   前記検知部は、前記空調機に備えられたセンサーが取得した前記推定用データと前記比較用データとに基づき、前記空調機の故障予兆を検知する
   ことを特徴とする請求項１から６のいずれか一項に記載の故障予兆検知装置。
8. 前記推定部は、前記学習モデルを用いて前記推定用データから前記空調機の圧縮機周波数の推定値を算出し、
   前記検知部は、前記推定部が算出した圧縮機周波数の推定値と、前記比較用データが示す圧縮機周波数の実測値とに基づき、前記空調機の故障予兆を検知する
   ことを特徴とする請求項７に記載の故障予兆検知装置。
9. 前記機器はＦＡ機器であり、
   前記検知部は、前記ＦＡ機器に備えられたセンサーが取得した前記推定用データと前記比較用データとに基づき、前記ＦＡ機器の故障予兆を検知する
   ことを特徴とする請求項１から６のいずれか一項に記載の故障予兆検知装置。
10. 機器の正常運転時における学習用データを取得する学習用取得部と、
    前記学習用データのうち、分散値が所定の選定閾値未満の時間帯のデータを学習モデルの学習に用いるデータとして選定する学習用前処理部と、
    前記学習用前処理部により選定された前記学習用データを用いて前記学習モデルの学習を行う学習部と、
    前記学習モデルの評価値を算出する評価部と、
    複数の前記選定閾値を取得し、前記学習用前処理部の選定、前記学習部の学習、及び前記評価部の評価からなる一連の処理である探索処理を前記選定閾値毎に繰り返し行う反復処理を実行させる学習制御部と、を備え、
    前記学習制御部は、所定の終了条件に基づき、前記反復処理を終了し、前記反復処理を終了した時点で、前記評価値が最も高かった前記探索処理における前記選定閾値を最終的な前記選定閾値として特定する
    ことを特徴とする学習装置。
11. 故障予兆検知対象の機器の故障予兆検知対象時における推定用データ及び比較用データを取得する取得工程と、
    学習済みの学習モデルを用いて前記推定用データから、前記比較用データの正常運転時における推定値を推定する推定工程と、
    前記推定値と前記比較用データが示す実測値との複数時刻における比較結果に基づいて、前記機器の故障予兆を検知する検知工程と、
    前記取得工程で取得した推定用データ及び比較用データのうち、分散値が所定の選定閾値未満の時間帯の前記推定用データ及び前記比較用データを選定する前処理工程と、を含み、
    前記推定工程では、前記前処理工程で選定した前記推定用データを用いて前記推定値を算出し、
    前記検知工程では、前記推定値と前記前処理工程で選定した前記比較用データが示す実測値との複数時刻における比較結果に基づいて、前記機器の故障予兆を検知する
    ことを特徴とする故障予兆検知方法。
12. 請求項１１に記載の全工程をコンピュータに実行させる故障予兆検知プログラム。
13. 機器の正常運転時における学習用データを取得する学習用取得工程と、
    前記学習用データのうち、分散値が所定の選定閾値未満の時間帯のデータを学習モデルの学習に用いるデータとして選定する学習用前処理工程と、
    前記学習用前処理工程で選定された前記学習用データを用いて前記学習モデルの学習を行う学習工程と、
    前記学習モデルの評価値を算出する評価工程と、
    複数の前記選定閾値を取得し、前記学習用前処理工程の選定、前記学習工程の学習、及び前記評価工程の評価からなる一連の処理である探索処理を前記選定閾値毎に繰り返し行う反復処理を実行させる学習制御工程と、を含み、
    前記学習制御工程では、所定の終了条件に基づき、前記反復処理を終了し、前記反復処理を終了した時点で、前記評価値が最も高かった前記探索処理における前記選定閾値を最終的な前記選定閾値として特定する
    ことを特徴とする学習済みの学習モデルの生成方法。
14. 請求項１３に記載の全工程をコンピュータに実行させる学習済みの学習モデル生成プログラム。