KR102579619B1 - 기기 상태 감시 장치 및 기기 상태 감시 방법 - Google Patents
기기 상태 감시 장치 및 기기 상태 감시 방법 Download PDFInfo
- Publication number
- KR102579619B1 KR102579619B1 KR1020227040380A KR20227040380A KR102579619B1 KR 102579619 B1 KR102579619 B1 KR 102579619B1 KR 1020227040380 A KR1020227040380 A KR 1020227040380A KR 20227040380 A KR20227040380 A KR 20227040380A KR 102579619 B1 KR102579619 B1 KR 102579619B1
- Authority
- KR
- South Korea
- Prior art keywords
- pattern
- driving
- state
- characteristic quantity
- driving data
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2223/00—Indexing scheme associated with group G05B23/00
- G05B2223/02—Indirect monitoring, e.g. monitoring production to detect faults of a system
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Indicating And Signalling Devices For Elevators (AREA)
Abstract
기기 상태 감시 장치(1)는, 기기의 상태가 계측된 운전 데이터의 특징량을 추출하는 특징량 추출부(11)와, 기기의 운전 데이터가 계측되었을 때의 기기의 운전 패턴이, 기기의 상태의 판정 범위가 학습된 학습 완료 패턴인지, 학습되어 있지 않은 미학습 패턴인지를 판정하는 운전 패턴 판정부(12)와, 기기의 운전 패턴과 운전 데이터의 특징량의 관계에 근거하여, 미학습 패턴으로 판정된 운전 패턴에 대응하는 운전 데이터의 특징량을, 학습 완료 패턴에 대응하도록 보정하는 특징량 보정부(13)와, 기기의 운전 데이터의 특징량 및 기기의 상태의 판정 범위에 근거하여, 기기의 상태를 판정하는 기기 상태 판정부(14)를 구비한다.
Description
본 개시는, 기기 상태 감시 장치 및 기기 상태 감시 방법에 관한 것이다.
기기의 상태를 감시하는 종래의 기술로서, 정상인 기기의 상태가 계측된 운전 데이터에 근거하여 기기의 상태의 정상 범위를 산출하고, 기기의 상태의 정상 범위로부터벗어난 정도에 근거하여 기기의 상태를 감시하는 경우가 있다. 예를 들면, 특허문헌 1에는, 플랜트의 상태량을 계측한 계측 신호가 정상 모델로 분류되는 경우는, 플랜트가 정상 상태라고 진단하고, 계측 신호가 정상 모델로 분류되지 않는 경우는, 플랜트가 과거에 경험한 적이 없는 미지 상태라고 진단하는 플랜트의 진단 장치가 기재되어 있다.
특허문헌 1에 기재된 플랜트의 진단 장치는, 플랜트 상태의 정상 범위에 계측 신호가 분류되지 않는 경우, 이 계측 신호가 계측된 플랜트가 미지 상태라고 진단한다. 이 때문에, 예를 들면, 기기의 운전 데이터가 사전에 학습된 상태로 분류되지 않는 경우, 미지 상태로 판정되어, 기기가 정상인 상태인지, 이상 상태인지, 이상의 전조 상태인지와 같은 기기의 상태를 판정할 수 없다고 하는 과제가 있었다.
본 개시는, 상기 과제를 해결하는 것이며, 기기의 상태의 판정 범위가 미학습인 운전 패턴에 대응하는 운전 데이터를 이용해도, 기기의 상태를 판정할 수 있는 기기 상태 감시 장치 및 기기 상태 감시 방법을 얻는 것을 목적으로 한다.
본 개시에 따른 기기 상태 감시 장치는, 기기의 상태가 계측된 운전 데이터의 특징량을 추출하는 특징량 추출부와, 기기의 운전 데이터가 계측되었을 때의 기기의 운전 패턴이, 기기의 상태의 판정 범위가 학습된 학습 완료 패턴인지, 학습되어 있지 않은 미학습 패턴인지를 판정하는 운전 패턴 판정부와, 기기의 운전 패턴과 운전 데이터의 특징량의 관계에 근거하여, 미학습 패턴으로 판정된 운전 패턴에 대응하는 운전 데이터의 특징량의 분포를, 학습 완료 패턴에 대응하는 운전 데이터의 특징량의 분포에 겹칠 때까지 접근하는 보정을 행하는 특징량 보정부와, 보정 후의 운전 데이터의 특징량 및 기기의 상태의 판정 범위에 근거하여, 기기의 상태를 판정하는 기기 상태 판정부를 구비한다.
본 개시에 의하면, 기기의 운전 패턴과 운전 데이터의 특징량의 관계에 근거하여, 미학습 패턴에 대응하는 기기의 운전 데이터의 특징량을, 학습 완료 패턴에 대응하도록 보정하고, 보정 후의 운전 데이터의 특징량 및 기기의 상태의 판정 범위에 근거하여 기기의 상태가 판정된다. 이것에 의해, 본 개시에 따른 기기 상태 감시 장치는, 기기의 상태의 판정 범위가 미학습인 운전 패턴에 대응하는 운전 데이터를 이용해도, 기기의 상태를 판정할 수 있다.
도 1은 실시의 형태 1에 따른 기기 상태 감시 장치의 구성을 나타내는 블럭도이다.
도 2는 실시의 형태 1에 따른 기기 상태 감시 방법을 나타내는 흐름도이다.
도 3은 기기의 운전 데이터의 특징량 분포 및 기기의 상태의 판정 범위를 나타내는 개요도이다.
도 4는 미학습 패턴에 대응하는 운전 데이터의 특징량을 보정하는 처리의 예(1)을 나타내는 흐름도이다.
도 5는 기기의 운전 패턴 지령값과 운전 데이터의 특징량의 관계를 나타내는 그래프이다.
도 6은 기기의 운전 패턴 지령값과 운전 데이터의 특징량의 관계에 있어서의 테스트 데이터의 보정 처리의 개요를 나타낸 그래프이다.
도 7은 미학습 패턴에 대응하는 운전 데이터의 특징량 분포에 있어서의, 학습 완료 패턴에 대응하는 운전 데이터의 특징량 분포와의 차분을 보정하는 처리를 나타내는 개요도이다.
도 8은 미학습 패턴에 대응하는 운전 데이터의 특징량을 보정하는 처리의 예(2)를 나타내는 흐름도이다.
도 9(a)는, 물리 모델을 이용한 보정 처리의 과정(1)에서 산출되는 운전 데이터의 분포를 나타내는 그래프이며, 도 9(b)는, 물리 모델을 이용한 보정 처리의 과정(2)에서 산출되는 운전 데이터의 분포를 나타내는 그래프이며, 도 9(c)는, 물리 모델을 이용한 보정 처리의 과정(3)에서 산출되는 운전 데이터의 분포를 나타내는 그래프이며, 도 9(d)는, 물리 모델을 이용한 보정 처리의 과정(4)에서 산출되는 운전 데이터의 분포를 나타내는 그래프이다.
도 10(a)는, 실시의 형태 1에 따른 기기 상태 감시 장치의 기능을 실현하는 하드웨어 구성을 나타내는 블럭도이며, 도 10(b)는, 실시의 형태 1에 따른 기기 상태 감시 장치의 기능을 실현하는 소프트웨어를 실행하는 하드웨어 구성을 나타내는 블럭도이다.
도 11은 실시의 형태 1에 따른 기기 상태 감시 장치의 변형예의 구성을 나타내는 블럭도이다.
도 2는 실시의 형태 1에 따른 기기 상태 감시 방법을 나타내는 흐름도이다.
도 3은 기기의 운전 데이터의 특징량 분포 및 기기의 상태의 판정 범위를 나타내는 개요도이다.
도 4는 미학습 패턴에 대응하는 운전 데이터의 특징량을 보정하는 처리의 예(1)을 나타내는 흐름도이다.
도 5는 기기의 운전 패턴 지령값과 운전 데이터의 특징량의 관계를 나타내는 그래프이다.
도 6은 기기의 운전 패턴 지령값과 운전 데이터의 특징량의 관계에 있어서의 테스트 데이터의 보정 처리의 개요를 나타낸 그래프이다.
도 7은 미학습 패턴에 대응하는 운전 데이터의 특징량 분포에 있어서의, 학습 완료 패턴에 대응하는 운전 데이터의 특징량 분포와의 차분을 보정하는 처리를 나타내는 개요도이다.
도 8은 미학습 패턴에 대응하는 운전 데이터의 특징량을 보정하는 처리의 예(2)를 나타내는 흐름도이다.
도 9(a)는, 물리 모델을 이용한 보정 처리의 과정(1)에서 산출되는 운전 데이터의 분포를 나타내는 그래프이며, 도 9(b)는, 물리 모델을 이용한 보정 처리의 과정(2)에서 산출되는 운전 데이터의 분포를 나타내는 그래프이며, 도 9(c)는, 물리 모델을 이용한 보정 처리의 과정(3)에서 산출되는 운전 데이터의 분포를 나타내는 그래프이며, 도 9(d)는, 물리 모델을 이용한 보정 처리의 과정(4)에서 산출되는 운전 데이터의 분포를 나타내는 그래프이다.
도 10(a)는, 실시의 형태 1에 따른 기기 상태 감시 장치의 기능을 실현하는 하드웨어 구성을 나타내는 블럭도이며, 도 10(b)는, 실시의 형태 1에 따른 기기 상태 감시 장치의 기능을 실현하는 소프트웨어를 실행하는 하드웨어 구성을 나타내는 블럭도이다.
도 11은 실시의 형태 1에 따른 기기 상태 감시 장치의 변형예의 구성을 나타내는 블럭도이다.
(실시의 형태 1)
도 1은, 실시의 형태 1에 따른 기기 상태 감시 장치의 구성을 나타내는 블럭도이다. 도 1에 있어서, 기기 상태 감시 장치(1)는, 기기에 설치된 센서에 의해 계측된 당해 기기의 상태를 계측한 운전 데이터를 이용하여 기기의 상태를 감시한다. 감시 대상의 기기는, 지령된 운전 패턴이 가리키는 일련의 동작을 반복하는 기기이며, 예를 들면 산업용 로봇이다. 운전 패턴은, 사전에 결정된 일련의 동작이며, 개개의 동작(예를 들면, 가속, 감속 또는 일정속도)을 나타내는 지령값이 기기에 설정되는 것에 의해 실행된다. 또, 운전 패턴의 지령값에는, 예를 들면, 지령 속도, 지령 위치 또는 지령 하중이 있다.
임의의 운전 패턴으로 동작하고 있는 기기로부터 계측된 운전 데이터는, 기기의 상태의 계측값의 시계열 데이터이며, 운전 패턴의 지령값과의 사이에 물리적인 관계가 성립된다. 예를 들면, 감시 대상의 기기가 회전 기구를 갖는 산업용 로봇이며, 산업용 로봇이, 회전 기구를 일정한 속도로 회전시키는 운전 패턴으로 동작하는 경우, 회전 기구를 회전시키는 일정한 속도를 나타내는 지령 속도값과 이 지령 속도값으로 회전한 회전 기구의 토크의 평균값의 관계는, 단조 증가 함수로 나타낼 수 있다. 운전 데이터의 특징량에는, 예를 들면, 운전 데이터가 나타내는 계측값의 평균값, 최소값, 최대값, 분산 또는 표준 편차와 같은 일반적인 통계량, 혹은 고속 푸리에 변환(FFT)을 실시하여 얻어지는 파워 스펙트럼이 있다.
기기 상태 감시 장치(1)는, 상술한 바와 같이, 운전 패턴과 운전 데이터의 특징량의 사이에 물리적인 관계가 나타나는 기기의 상태의 감시에 유효하다. 기기의 상태를 감시하는 종래의 방법은, 일반적으로, 기기의 상태를 계측한 운전 데이터를 학습 데이터로서 이용하여, 기기의 상태의 정상 범위, 이상 범위 및 이상의 전조 범위를 학습하고, 운전 데이터의 특징량(예를 들면, 평균값)이 어느 범위에 속하는지에 의해 기기의 상태를 판정하는 것이다.
산업용 로봇 등의 제어 기기에 있어서는, 당해 기기가 제조하는 제품이 변경되거나, 그 사양이 변경되는 것에 의해, 운전 패턴이 변경되는 경우가 있다. 이 경우, 변경 후의 운전 패턴으로 동작하는 기기의 상태를 감시하기 위해서 계측된 운전 데이터가, 사전에 학습한, 어느 범위에도 포함되지 않을 가능성이 있다. 종래의 방법에서는, 이와 같이 운전 데이터가 학습 완료 범위로 분류되지 않는 경우, 기기가 미지 상태라고 판정되거나, 기기가 정상적이어도 이상 상태라고 오판정될 가능성이 있다.
그래서, 기기 상태 감시 장치(1)는, 기기의 운전 패턴의 지령값과 운전 데이터의 특징량 사이에 물리적인 관계가 성립되는 것에 주목하는 것에 의해, 학습 완료 패턴과는 다른 운전 패턴, 예를 들면, 기기의 상태의 판정 범위가 미학습인 운전 패턴(이하, 미학습 패턴이라고 기재한다)이어도, 이것에 대응하는 운전 데이터의 특징량을, 기기의 상태의 판정 범위가 학습 완료인 운전 패턴(이하, 학습 완료 패턴이라고 기재한다)에 대응하도록 보정할 수 있다. 이것에 의해, 기기 상태 감시 장치(1)는, 미학습 패턴에 대응하는 운전 데이터의 특징량 및 기기의 상태의 판정 범위에 근거하여 기기의 상태를 판정하는 것이 가능하다.
기기 상태 감시 장치(1)는, 학습 데이터에 포함되는 운전 패턴 정보 및 이것에 대응하는 운전 데이터를 이용하여 기기의 상태의 판정 범위를 학습한 학습 모델을, 운전 패턴 정보가 가리키는 운전 패턴마다 생성한다. 판정 범위의 산출에는, 예를 들면, One-Class SVM이 이용된다. 기기 상태 감시 장치(1)는, 생성한 학습 모델 중, 테스트 데이터에 포함되는 운전 패턴에 대응하는 학습 모델을 선택하고, 선택한 학습 모델에 운전 데이터의 특징량을 입력하는 것으로, 당해 운전 데이터가 나타내는 기기의 상태를 판정한다. 테스트 데이터는, 센서에 의해 감시 대상의 기기로부터 계측된 운전 데이터와 이것에 대응하는 운전 패턴 정보이다.
또, 기기 상태 감시 장치(1)는, 테스트 데이터에 포함되는 운전 패턴이 미학습 패턴이라고 판정한 경우, 기기의 운전 패턴과 운전 데이터의 특징량의 관계에 근거하여, 이 미학습 패턴에 대응하는 운전 데이터의 특징량을, 학습 완료 패턴에 대응하도록 보정한다. 그리고, 기기 상태 감시 장치(1)는, 보정 후의 운전 데이터의 특징량 및 기기의 상태의 판정 범위에 근거하여, 기기의 상태를 판정한다.
기기 상태 감시 장치(1)는, 도 1에 나타내는 바와 같이, 특징량 추출부(11), 운전 패턴 판정부(12), 특징량 보정부(13) 및 기기 상태 판정부(14)를 구비한다. 특징량 추출부(11)는, 기기의 상태가 계측된 운전 데이터의 특징량을 추출한다. 예를 들면, 특징량 추출부(11)는, 센서에 의해 기기로부터 일정한 계측 주기마다 계측된 운전 데이터를 입력하고, 입력한 운전 데이터의 특징량을 계측 주기마다 산출한다. 운전 데이터의 특징량은, 예를 들면, 계측 주기의 시간 내에 계측된 운전 데이터의 평균값, 최소값, 최대값 또는 분산과 같은 통계량, 또는 FFT를 실시하여 얻어지는 파워 스펙트럼이다.
운전 패턴 판정부(12)는, 기기의 운전 데이터가 계측되었을 때의 기기의 운전 패턴이, 기기의 상태의 판정 범위가 학습된 학습 완료 패턴인지, 학습되어 있지 않은 미학습 패턴인지를 판정한다. 예를 들면, 운전 패턴 판정부(12)는, 테스트 데이터에 포함되는 운전 패턴 정보와 학습 데이터에 포함되는 운전 패턴 정보를 조합하는 것으로써, 테스트 데이터에 포함되는 운전 패턴 정보 중, 학습 데이터에 포함되는 운전 패턴 정보와 합치하지 않는 운전 패턴 정보를, 미학습 패턴이라고 판정한다.
특징량 보정부(13)는, 기기의 운전 패턴과 운전 데이터의 특징량의 관계에 근거하여, 미학습 패턴으로 판정된 운전 패턴에 대응하는 운전 데이터의 특징량을, 학습 완료 패턴에 대응하도록 보정한다. 예를 들면, 특징량 보정부(13)는, 테스트 데이터와, 학습 데이터를 이용하여, 기기의 운전 패턴과 운전 데이터의 특징량의 관계를 학습한다. 특징량 보정부(13)는, 학습한 관계에 근거하여, 미학습 패턴으로 판정된 운전 패턴에 대응하는 운전 데이터의 특징량을, 학습 완료 패턴에 대응하도록 보정한다. 또, 특징량 보정부(13)는, 기기의 물리 모델을 이용하여 미학습 패턴의 기기의 운전 데이터를 추정하고, 추정한 운전 데이터의 특징량을, 학습 완료 패턴과 운전 데이터의 특징량의 관계에 근거하여, 학습 완료 패턴에 대응하도록 보정해도 좋다.
기기 상태 판정부(14)는, 기기의 운전 데이터의 특징량 및 기기의 상태의 판정 범위에 근거하여, 기기의 상태를 판정한다. 예를 들면, 기기 상태 판정부(14)는, 기기의 상태의 판정 범위가 사전에 학습된 학습 모델을 취득하고, 취득한 학습 모델에, 테스트 데이터에 포함되는 기기의 운전 데이터를 입력한다. 학습 모델은, 입력한 운전 데이터가 나타내는 기기의 상태가, 정상 범위, 이상 범위 또는 이상의 전조 범위의 어느 하나에 속하는지를 판정한다. 기기 상태 판정부(14)는, 학습 모델에 의한 기기의 상태의 판정 결과를 출력한다.
실시의 형태 1에 따른 기기 상태 감시 방법은, 이하와 같다.
도 2는, 실시의 형태 1에 따른 기기 상태 감시 방법을 나타내는 흐름도이며, 기기 상태 감시 장치(1)가 실행하는 일련의 처리를 나타내고 있다. 우선, 특징량 추출부(11)가, 기기의 상태가 계측된 운전 데이터의 특징량을 추출한다(스텝 ST1). 예를 들면, 특징량 추출부(11)는, 테스트 데이터에 포함되는 기기의 운전 데이터를 입력하고, 입력한 운전 데이터의 특징량을 계측 주기마다 산출한다.
운전 패턴 판정부(12)는, 테스트 데이터에 포함되는 운전 패턴이 미학습 패턴인지 여부를 판정한다(스텝 ST2). 테스트 데이터에 포함되는 운전 패턴이 학습 완료 패턴이라고 판정된 경우(스텝 ST2;NO), 기기 상태 감시 장치(1)는 스텝 ST4의 처리로 이행한다. 또, 테스트 데이터에 포함되는 운전 패턴이 미학습 패턴이라고 판정된 경우(스텝 ST2;YES), 특징량 보정부(13)는, 기기의 운전 패턴과 운전 데이터의 특징량의 관계에 근거하여, 미학습 패턴으로 판정된 운전 패턴에 대응하는 운전 데이터의 특징량을, 학습 완료 패턴에 대응하도록 보정한다(스텝 ST3).
기기 상태 판정부(14)는, 기기의 운전 데이터의 특징량 및 기기의 상태의 판정 범위에 근거하여, 기기의 상태를 판정한다(스텝 ST4). 예를 들면, 테스트 데이터에 포함되는 운전 패턴이 학습 완료 패턴이라고 판정된 경우, 기기 상태 판정부(14)는, 이 운전 패턴에 대응하는 운전 데이터의 특징량을, 학습 모델에 입력한다. 학습 모델은, 입력한 운전 데이터가 나타내는 기기의 상태가, 정상 범위, 이상 범위 또는 이상의 전조 범위 중 어느 하나에 속하는지를 판정한다. 또, 테스트 데이터에 포함되는 운전 패턴이 미학습 패턴이라고 판정된 경우는, 보정 후의 운전 데이터의 특징량이 학습 모델에 입력되고, 기기의 상태가 판정된다.
도 3은, 기기의 운전 데이터의 특징량 분포 및 기기의 상태의 판정 범위를 나타내는 개요도이다. 도 3에 있어서, 특징량(1) 및 특징량(2)는, 공통의 운전 패턴으로 동작하는 기기로부터 계측된 운전 데이터의 특징량이며, 예를 들면, 운전 데이터가 회전 기구의 토크이면, 특징량(1)이 토크의 평균값이어도 좋고, 특징량(2)가 토크의 표준 편차여도 좋다. 범위 A, B 및 C는 기기의 상태의 판정 범위이며, 범위 A는, 기기의 정상 범위를 나타내고 있고, 범위 B는, 기기가 이상하게 되는 전조 범위를 나타내고 있고, 범위 C는, 기기의 이상 범위를 나타내고 있다.
범위 A, B 및 C는, 학습 데이터를 이용하여 사전에 학습되고 있다. 예를 들면, 정상 상태의 기기로부터 계측된 운전 데이터의 특징량 da는, 범위 A에 속한다. 이상 상태로 되는 전조를 나타내는 기기로부터 계측된 운전 데이터의 특징량 db는, 범위 B에 속한다. 이상 상태의 기기로부터 계측된 운전 데이터의 특징량 dc는, 범위 C에 속한다.
테스트 데이터로서 범위 A, B 및 C 중 어느 것에도 속하지 않는 운전 데이터의 특징량 d1이 얻어지면, 운전 패턴 판정부(12)는, 운전 데이터의 특징량 d1에 대응하는 운전 패턴이 미학습 패턴이라고 판정한다. 이 경우, 특징량 보정부(13)는, 운전 데이터의 특징량 d1을, 학습 완료 패턴에 대응하는 범위 A, B 및 C 중 어느 하나에 속하도록 보정한다. 예를 들면, 특징량 보정부(13)는, 기기의 운전 패턴과 운전 데이터의 특징량의 관계에 근거하여, 운전 데이터의 특징량 d1과 범위 B의 거리가 가장 가깝다고 판단하고, 운전 데이터의 특징량 d1을, 범위 B 내의 운전 데이터의 특징량 d2로 보정한다. 이것에 의해, 운전 데이터의 특징량 d1이 얻어진 기기는, 이상 상태로 되는 전조 상태라고 판정된다.
기기의 운전 데이터의 특징량을 보정하는 처리의 자세한 것은, 이하와 같다.
도 4는, 미학습 패턴에 대응하는 운전 데이터의 특징량을 보정하는 처리의 예(1)를 나타내는 흐름도이며, 특징량 보정부(13)에 의한 일련의 처리를 나타내고 있다. 특징량 보정부(13)는, 학습 데이터에 포함되는 기기의 운전 패턴과 운전 데이터의 특징량의 관계를 학습한다(스텝 ST1a). 기기 상태 감시 장치(1)에 있어서의 감시 대상의 기기는, 운전 패턴의 지령값과 운전 데이터의 특징량 사이에 물리적인 관계가 성립된다. 도 5는, 기기의 운전 패턴 지령값과 운전 데이터의 특징량의 관계를 나타내는 그래프이다. 예를 들면, 산업용 로봇이 구비하는 회전 기구가 일정한 속도로 회전하는 운전 패턴에 있어서는, 각 회전 속도를 나타내는 지령 속도값에 대해서 회전 기구의 토크의 평균값은, 단조 증가하는 관계에 있다.
도 5에 있어서, 기기의 운전 데이터 d는, 학습 완료 패턴의 운전 패턴 지령값에 대응하는 기기의 상태의 계측값의 시계열 데이터이며, 운전 패턴 지령값마다 분포 e를 형성한다. 예를 들면, 운전 패턴 지령값이 500(rpm)인 경우에, 운전 데이터 d는, 500(rpm)으로 회전하고 있는 회전 기구로부터 계측된 토크의 시계열 데이터이다. 회귀 곡선 D는, 운전 데이터 d의 분포 e로부터 산출된, 운전 패턴 지령값마다의 운전 데이터 d의 평균값에 대해서, 최소 이승법을 실시하여 추정된다. 도 5에 나타내는 바와 같이, 회귀 곡선 D는, 운전 패턴 지령값에 대해서 운전 데이터의 특징량이 단조 증가하는 함수이다. 특징량 보정부(13)는, 학습 데이터를 이용하여, 상술한 바와 같은 회귀 곡선 D를 학습한다.
다음에, 특징량 보정부(13)는, 학습 완료 패턴에 대응하는 운전 데이터의 특징량과 미학습 패턴에 대응하는 운전 데이터의 특징량의 차분을 산출한다(스텝 ST2a). 도 6은, 기기의 운전 패턴 지령값과 운전 데이터 d의 특징량의 관계에 있어서의, 테스트 데이터의 보정 처리의 개요를 나타낸 그래프이다. 예를 들면, 도 6에 있어서, 테스트 데이터에 포함되는 운전 패턴 지령값 P1은, 학습 완료 패턴을 나타내는 어느 운전 패턴 지령값에도 포함되지 않기 때문에, 미학습 패턴을 나타내는 지령값이다.
특징량 보정부(13)는, 미학습 패턴인 운전 패턴 지령값 P1에 대응하는 회귀 곡선 D 상의 점을, 운전 패턴 지령값 P1에 대응하는 운전 데이터의 특징량 d1이라고 판정한다. 계속해서, 특징량 보정부(13)는, 학습 완료 패턴 중, 운전 패턴 지령값 P2를 특정하고, 운전 패턴 지령값 P2에 대응하는 회귀 곡선 D 상의 점인 운전 데이터의 특징량 d2를 결정한다. 운전 패턴 지령값 P1과 이것에 대응하는 운전 데이터의 특징량 d1 사이에는, 회귀 곡선 D가 나타내는 관계가 성립되고, 운전 패턴 지령값 P2와 이것에 대응하는 운전 데이터의 특징량 d2 사이에는, 회귀 곡선 D가 나타내는 관계가 성립된다. 이것에 의해, 특징량 보정부(13)는, 운전 데이터의 특징량 d1과 운전 데이터의 특징량 d2의 차분 E를 산출한다.
계속해서, 특징량 보정부(13)는, 미학습 패턴에 대응하는 운전 데이터의 특징량 분포를, 산출한 차분 E를 이용하여 보정한다(스텝 ST3a). 도 7은, 미학습 패턴에 대응하는 운전 데이터의 특징량 분포에 있어서의, 학습 완료 패턴에 대응하는 운전 데이터의 특징량 분포와의 차분을 보정하는 처리를 나타내는 개요도이다. 도 7에 나타내는 바와 같이, 미학습 패턴인 운전 패턴 지령값 P1에 대응하는 운전 데이터의 특징량 d1의 분포 G1과, 학습 완료 패턴인 운전 패턴 지령값 P2에 대응하는 운전 데이터의 특징량 d2의 분포 F가 있는 것으로 한다.
특징량 보정부(13)는, 운전 데이터의 특징량 d1의 분포 G1과 운전 데이터의 특징량 d2의 분포 F의 차분 E만큼, 운전 데이터의 특징량 d1의 분포 G1을, 운전 데이터의 특징량 d2의 분포 F에 접근하는 것에 의해 분포 G1을 분포 G2로 보정한다. 기기 상태 판정부(14)는, 분포 G2와 분포 F를 비교하고, 비교 결과에 근거하여 기기의 상태를 판정한다.
도 8은, 미학습 패턴에 대응하는 운전 데이터의 특징량을 보정하는 처리의 예(2)를 나타내는 흐름도이며, 특징량 보정부(13)에 의한 일련의 처리를 나타내고 있다.
특징량 보정부(13)는, 기기의 물리 모델을 이용하여, 학습 데이터에 포함되는 운전 데이터를 추정한다(스텝 ST1b). 물리 모델은, 운전 패턴 지령값을 입력하고, 입력한 운전 패턴 지령값에 대응하는 운전 데이터를 추정한다. 특징량 보정부(13)가, 학습 완료 패턴을 나타내는 운전 패턴 지령값을 물리 모델에 입력하고, 입력한 학습 완료 패턴에 대응하는 운전 데이터가 물리 모델로부터 출력된다.
또한, 특징량 보정부(13)는, 추정한 운전 데이터의 분포의 특징량을 산출한다. 도 9(a)는, 물리 모델을 이용한 보정 처리의 과정(1)에서 산출되는 운전 데이터의 분포를 나타내는 그래프이며, 물리 모델을 이용하여 추정된 학습 완료 패턴에 대응하는 운전 데이터의 분포 H1을 나타내고 있다. 예를 들면, 특징량 보정부(13)는, 추정한 학습 완료 패턴에 대응하는 운전 데이터의 분포 H1에 있어서의 평균값 μtrain와 표준 편차 σtrain를 산출한다. 계속해서, 특징량 보정부(13)는, 추정한 학습 완료 패턴에 대응하는 운전 데이터와 공통의 학습 완료 패턴으로 동작하는 기기로부터 실측된 운전 데이터의 차분 Δd를 산출한다(스텝 ST2b).
다음에, 특징량 보정부(13)는, 기기의 물리 모델을 이용하여 미학습 패턴에 대응하는 운전 데이터를 추정한다(스텝 ST3b). 예를 들면, 특징량 보정부(13)는, 미학습 패턴을 나타내는 운전 파라미터 지령값을 물리 모델에 입력하고, 입력한 미학습 패턴에 대응하는 운전 데이터가 물리 모델로부터 출력된다. 도 9(b)는, 물리 모델을 이용한 보정 처리의 과정(2)에서 산출되는 운전 데이터의 분포를 나타내는 그래프이다. 특징량 보정부(13)는, 추정한 미학습 패턴에 대응하는 운전 데이터의 평균값 μtest를 산출한다. 그리고, 특징량 보정부(13)는, 도 9(b)에 나타내는 바와 같이, 학습 완료 패턴에 대응하는 운전 데이터의 분포 H1에 있어서의 평균값 μtrain를 평균값 μtest로 치환한 분포 H2를 생성한다. 분포 I1은, 미학습 패턴으로 동작하는 기기로부터 실측된 운전 데이터의 분포이다.
계속해서, 특징량 보정부(13)는, 추정한 학습 완료 패턴에 대응하는 운전 데이터의 분포 H1의 특징량, 추정한 학습 완료 패턴에 대응하는 운전 데이터와 실측된 운전 데이터의 차분 Δd, 및, 추정한 미학습 패턴에 대응하는 운전 데이터를 이용하여, 미학습 패턴에 대응하는 운전 데이터의 분포 I2를 추정한다(스텝 ST4b). 도 9(c)는, 물리 모델을 이용한 보정 처리의 과정(3)에서 산출되는 운전 데이터의 분포를 나타내는 그래프이다. 특징량 보정부(13)는, 미학습 패턴에 대응하는 운전 데이터의 실측값으로 구성되는 분포 I1을, 물리 모델을 이용하여 추정된 학습 완료 패턴에 대응하는 운전 데이터의 분포의 특징량과, 물리 모델을 이용하여 추정된 운전 데이터와 그 실측 데이터의 차분 Δd를 이용하여, 분포 I1의 데이터 사이를 보간하는 것에 의해, 분포 I2를 산출한다.
특징량 보정부(13)는, 미학습 패턴에 대응하는 운전 데이터의 분포 I2를, 학습 완료 패턴에 대응하도록 보정한다(스텝 ST5b). 도 9(d)는, 물리 모델을 이용한 보정 처리의 과정(4)에서 산출되는 운전 데이터의 분포를 나타내는 그래프이다. 도 9(d)에 나타내는 바와 같이, 특징량 보정부(13)는, 추정한 미학습 패턴에 대응하는 운전 데이터의 분포 I2에 있어서의 평균값 μtest를 평균값 μtrain로 치환한 분포 I3을 생성한다. 기기 상태 판정부(14)는, 분포 H1과 분포 I3을 비교하고, 비교 결과에 근거하여 기기의 상태를 판정한다.
물리 모델을 이용하여 기기의 운전 데이터를 추정하는 것에 의해, 실측해야 할 운전 데이터수를 저감할 수 있다.
기기 상태 감시 장치(1)의 기능을 실현하는 하드웨어 구성은, 이하와 같다.
도 10(a)는, 기기 상태 감시 장치(1)의 기능을 실현하는 하드웨어 구성을 나타내는 블럭도이다. 도 10(b)는, 기기 상태 감시 장치(1)의 기능을 실현하는 소프트웨어를 실행하는 하드웨어 구성을 나타내는 블럭도이다. 도 10(a) 및 도 10(b)에 있어서, 입력 인터페이스(100)는, 기기의 테스트 데이터 및 학습 데이터의 입력을 중계하는 인터페이스이다. 출력 인터페이스(101)는, 기기 상태 판정부(14)로부터 외부로 출력되는 판정 결과를 중계하는 인터페이스이다.
기기 상태 감시 장치(1)가 구비하는 특징량 추출부(11), 운전 패턴 판정부(12), 특징량 보정부(13) 및 기기 상태 판정부(14)의 기능은, 처리 회로에 의해 실현된다. 즉, 기기 상태 감시 장치(1)는, 도 2에 나타낸 스텝 ST1로부터 스텝 ST4까지의 각 처리를 실행하는 처리 회로를 구비한다. 처리 회로는, 전용의 하드웨어여도 좋지만, 메모리에 기억된 프로그램을 실행하는 CPU(Central Processing Unit)여도 좋다.
처리 회로가 도 10(a)에 나타내는 전용의 하드웨어의 처리 회로(102)인 경우, 처리 회로(102)는, 예를 들면, 단일 회로, 복합 회로, 프로그램화한 프로세서, 병렬 프로그램화한 프로세서, ASIC(Application Specific Integrated Circuit), FPGA(Field-Programmable Gate Array), 또는, 이것들을 조합시킨 것이 해당한다. 기기 상태 감시 장치(1)가 구비하는 특징량 추출부(11), 운전 패턴 판정부(12), 특징량 보정부(13) 및 기기 상태 판정부(14)의 기능은, 별개의 처리 회로로 실현되어도 좋고, 이러한 기능이 합쳐져 1개의 처리 회로로 실현되어도 좋다.
처리 회로가 도 10(b)에 나타내는 프로세서(103)인 경우, 기기 상태 감시 장치(1)가 구비하는 특징량 추출부(11), 운전 패턴 판정부(12), 특징량 보정부(13) 및 기기 상태 판정부(14)의 기능은, 소프트웨어, 펌웨어 또는 소프트웨어와 펌웨어의 조합에 의해 실현된다. 또, 소프트웨어 또는 펌웨어는, 프로그램으로서 기술되어 메모리(104)에 기억된다.
프로세서(103)는, 메모리(104)에 기억된 프로그램을 판독하여 실행하는 것에 의해, 기기 상태 감시 장치(1)가 구비하는 특징량 추출부(11), 운전 패턴 판정부(12), 특징량 보정부(13) 및 기기 상태 판정부(14)의 기능을 실현한다. 예를 들면, 기기 상태 감시 장치(1)는, 프로세서(103)에 의해 실행될 때, 도 2에 나타낸 스텝 ST1로부터 스텝 ST4까지의 각 처리가 결과적으로 실행되는 프로그램을 기억하는 메모리(104)를 구비한다. 이러한 프로그램은, 특징량 추출부(11), 운전 패턴 판정부(12), 특징량 보정부(13) 및 기기 상태 판정부(14)의 순서 또는 방법을 컴퓨터에 실행시킨다. 메모리(104)는, 컴퓨터를, 특징량 추출부(11), 운전 패턴 판정부(12), 특징량 보정부(13) 및 기기 상태 판정부(14)로서 기능시키기 위한 프로그램이 기억된 컴퓨터 판독 가능 기억 매체여도 좋다.
메모리(104)는, 예를 들면, RAM(Random Access Memory), ROM(Read Only Memory), 플래쉬 메모리, EPROM(Erasable Programmable Read Only Memory), EEPROM(Electrically-EPROM) 등의 불휘발성 또는 휘발성의 반도체 메모리, 자기 디스크, 플렉서블 디스크, 광 디스크, 콤팩트 디스크, 미니 디스크, DVD 등이 해당한다.
기기 상태 감시 장치(1)가 구비하는 특징량 추출부(11), 운전 패턴 판정부(12), 특징량 보정부(13) 및 기기 상태 판정부(14)의 기능의 일부가 전용의 하드웨어로 실현되고, 나머지의 일부가 소프트웨어 또는 펌웨어로 실현되어도 좋다. 예를 들면, 특징량 추출부(11)는, 전용의 하드웨어인 처리 회로(102)에 의해 기능이 실현되고, 운전 패턴 판정부(12), 특징량 보정부(13) 및 기기 상태 판정부(14)는, 프로세서(103)가 메모리(104)에 기억된 프로그램을 판독하여 실행하는 것에 의해 각 기능이 실현된다. 이와 같이, 처리 회로는, 하드웨어, 소프트웨어, 펌웨어 또는 이러한 조합에 의해, 상기 기능을 실현할 수 있다.
지금까지의 설명에서는, 기기 상태 감시 장치(1)가, 사전에 생성된 학습 모델을 취득하여 기기의 상태를 판정하는 경우를 나타냈지만, 학습 모델을 생성하는 구성 요소를 구비해도 좋다. 도 11은, 기기 상태 감시 장치(1)의 변형예인 기기 상태 감시 장치(1A)의 구성을 나타내는 블럭도이다. 도 11에 있어서, 도 1과 동일한 구성 요소에는 동일한 부호가 붙여져 중복한 설명이 생략된다. 기기 상태 감시 장치(1A)는, 도 11에 나타내는 바와 같이, 특징량 추출부(11), 운전 패턴 판정부(12), 특징량 보정부(13), 기기 상태 판정부(14), 분류부(15) 및 모델 생성부(16)를 구비한다.
분류부(15)는, 감시 대상의 기기의 운전 데이터를 운전 패턴마다 분류한다. 예를 들면, 분류부(15)는, 학습 데이터에 포함되는 운전 데이터가 기기로부터 계측되었을 때에 당해 기기에 설정되어 있던 지령값에 근거하여 운전 데이터를 운전 패턴마다 분류한다. 모델 생성부(16)는, 운전 패턴마다 분류된 운전 데이터를 이용하여, 기기의 상태의 판정 범위를 학습한 학습 모델을, 운전 패턴마다 생성한다. 기기 상태 판정부(14)는, 보정 후의 운전 데이터의 특징량 및 학습 모델을 이용하여, 기기의 상태를 판정한다.
또, 기기 상태 감시 장치(1A)가 구비하는, 특징량 추출부(11), 운전 패턴 판정부(12), 특징량 보정부(13), 기기 상태 판정부(14), 분류부(15) 및 모델 생성부(16)의 기능은, 처리 회로에 의해 실현된다. 즉, 기기 상태 감시 장치(1A)는, 운전 데이터의 분류와 학습 모델의 생성을 포함하는 각 처리를 실행하기 위한 처리 회로를 구비하고 있다. 처리 회로는, 도 10(a)에 나타낸 전용의 하드웨어의 처리 회로(102)여도 좋고, 도 10(b)에 나타낸 메모리(104)에 기억된 프로그램을 실행하는 프로세서(103)여도 좋다.
이상과 같이, 실시의 형태 1에 따른 기기 상태 감시 장치(1)에 있어서, 기기의 운전 패턴과 운전 데이터의 특징량의 관계에 근거하여, 미학습 패턴에 대응하는 기기의 운전 데이터의 특징량을, 학습 완료 패턴에 대응하도록 보정하고, 보정 후의 운전 데이터의 특징량 및 기기의 상태의 판정 범위에 근거하여 기기의 상태가 판정된다. 이것에 의해, 기기 상태 감시 장치(1)는, 미학습 패턴에 대응하는 운전 데이터를 이용해도 기기의 상태를 판정할 수 있다.
또, 실시의 형태의 임의의 구성 요소의 변형 또는 실시의 형태의 임의의 구성 요소의 생략이 가능하다.
본 개시에 따른 기기 상태 감시 장치는, 예를 들면, 산업용 로봇의 상태의 감시에 이용 가능하다.
1, 1A : 기기 상태 감시 장치 11 : 특징량 추출부
12 : 운전 패턴 판정부 13 : 특징량 보정부
14 : 기기 상태 판정부 15 : 분류부
16 : 모델 생성부 100 : 입력 인터페이스
101 : 출력 인터페이스 102 : 처리 회로
103 : 프로세서 104 : 메모리
12 : 운전 패턴 판정부 13 : 특징량 보정부
14 : 기기 상태 판정부 15 : 분류부
16 : 모델 생성부 100 : 입력 인터페이스
101 : 출력 인터페이스 102 : 처리 회로
103 : 프로세서 104 : 메모리
Claims (5)
- 기기의 상태가 계측된 운전 데이터의 특징량을 추출하는 특징량 추출부와,
상기 기기의 운전 패턴과 운전 데이터를 이용하여 상기 기기의 상태의 판정 범위를 학습한 학습 모델에 근거하여, 상기 기기의 운전 데이터가 계측되었을 때의 상기 기기의 운전 패턴이, 상기 기기의 상태의 판정 범위가 학습된 학습 완료 패턴인지, 학습되어 있지 않은 미학습 패턴인지를 판정하는 운전 패턴 판정부와,
상기 기기의 운전 패턴과 운전 데이터의 특징량의 관계에 근거하여, 상기 미학습 패턴으로 판정된 운전 패턴에 대응하는 운전 데이터의 특징량과 상기 학습 완료 패턴에 대응하는 운전 데이터의 특징량의 차분을 이용하여, 상기 미학습 패턴으로 판정된 운전 패턴에 대응하는 운전 데이터의 특징량의 분포를, 상기 학습 완료 패턴에 대응하는 운전 데이터의 특징량의 분포에 겹칠 때까지 접근하는 보정을 행하는 특징량 보정부와,
상기 기기의 보정 후의 운전 데이터의 특징량 및 상기 기기의 상태의 판정 범위에 근거하여, 상기 기기의 상태를 판정하는 기기 상태 판정부
를 구비한 것을 특징으로 하는 기기 상태 감시 장치. - 제 1 항에 있어서,
상기 기기의 운전 데이터를 운전 패턴마다 분류하는 분류부와,
운전 패턴마다 분류된 운전 데이터를 이용하여, 상기 기기의 상태의 판정 범위를 학습한 상기 학습 모델을, 운전 패턴마다 생성하는 모델 생성부
를 구비하고,
상기 기기 상태 판정부는, 운전 데이터의 특징량 및 상기 학습 모델을 이용하여, 상기 기기의 상태를 판정하는 것
을 특징으로 하는 기기 상태 감시 장치. - 제 1 항 또는 제 2 항에 있어서,
상기 특징량 보정부는, 운전 패턴과 운전 데이터의 특징량의 상기 관계를 학습하고, 학습한 관계에 근거하여, 상기 미학습 패턴으로 판정된 운전 패턴에 대응하는 운전 데이터의 특징량의 분포를, 상기 학습 완료 패턴에 대응하는 운전 데이터의 특징량의 분포에 겹칠 때까지 접근하는 보정을 행하는 것
을 특징으로 하는 기기 상태 감시 장치. - 제 1 항 또는 제 2 항에 있어서,
상기 특징량 보정부는, 상기 기기의 물리 모델을 이용하여 상기 미학습 패턴의 상기 기기의 운전 데이터를 추정하고, 추정한 운전 데이터의 특징량의 분포를, 상기 학습 완료 패턴과 운전 데이터의 특징량의 관계에 근거하여, 상기 학습 완료 패턴에 대응하는 운전 데이터의 특징량의 분포에 겹칠 때까지 접근하는 보정을 행하는 것
을 특징으로 하는 기기 상태 감시 장치. - 특징량 추출부가, 기기의 상태가 계측된 운전 데이터의 특징량을 추출하는 스텝과,
운전 패턴 판정부가, 상기 기기의 운전 패턴과 운전 데이터를 이용하여 상기 기기의 상태의 판정 범위를 학습한 학습 모델에 근거하여, 상기 기기의 운전 데이터가 계측되었을 때의 상기 기기의 운전 패턴이, 상기 기기의 상태의 판정 범위가 학습된 학습 완료 패턴인지, 학습되어 있지 않은 미학습 패턴인지를 판정하는 스텝과,
특징량 보정부가, 상기 기기의 운전 패턴과 운전 데이터의 특징량의 관계에 근거하여, 상기 미학습 패턴으로 판정된 운전 패턴에 대응하는 운전 데이터의 특징량과 상기 학습 완료 패턴에 대응하는 운전 데이터의 특징량의 차분을 이용하여, 상기 미학습 패턴으로 판정된 운전 패턴에 대응하는 운전 데이터의 특징량의 분포를, 상기 학습 완료 패턴에 대응하는 운전 데이터의 특징량의 분포에 겹칠 때까지 접근하는 보정을 행하는 스텝과,
기기 상태 판정부가, 상기 기기의 보정 후의 운전 데이터의 특징량 및 상기 기기의 상태의 판정 범위에 근거하여, 상기 기기의 상태를 판정하는 스텝
을 구비한 것을 특징으로 하는 기기 상태 감시 방법.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/021206 WO2021240750A1 (ja) | 2020-05-28 | 2020-05-28 | 機器状態監視装置および機器状態監視方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20220159485A KR20220159485A (ko) | 2022-12-02 |
KR102579619B1 true KR102579619B1 (ko) | 2023-09-15 |
Family
ID=74673594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020227040380A KR102579619B1 (ko) | 2020-05-28 | 2020-05-28 | 기기 상태 감시 장치 및 기기 상태 감시 방법 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20230023878A1 (ko) |
JP (1) | JP6837612B1 (ko) |
KR (1) | KR102579619B1 (ko) |
CN (1) | CN115552345A (ko) |
DE (1) | DE112020006948B4 (ko) |
TW (1) | TWI813921B (ko) |
WO (1) | WO2021240750A1 (ko) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117136494A (zh) * | 2021-04-08 | 2023-11-28 | 三菱电机株式会社 | 异常诊断装置以及异常诊断方法 |
JP7422962B2 (ja) | 2022-02-02 | 2024-01-26 | 三菱電機株式会社 | 機器状態監視装置および機器状態監視方法 |
JP7392895B1 (ja) | 2023-06-28 | 2023-12-06 | 富士電機株式会社 | 運転支援装置、運転支援方法及びプログラム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012073289A1 (ja) | 2010-12-02 | 2012-06-07 | 株式会社日立製作所 | プラントの診断装置及びプラントの診断方法 |
JP2013218725A (ja) | 2013-06-19 | 2013-10-24 | Hitachi Ltd | 異常検知方法及び異常検知システム |
JP2019128623A (ja) | 2018-01-22 | 2019-08-01 | Necプラットフォームズ株式会社 | パターン認識装置、方法及びプログラム |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5776419A (en) * | 1980-10-31 | 1982-05-13 | Hitachi Ltd | Oscillation monitoring device |
US5566092A (en) * | 1993-12-30 | 1996-10-15 | Caterpillar Inc. | Machine fault diagnostics system and method |
JPH09256338A (ja) * | 1996-03-22 | 1997-09-30 | Mitsubishi Heavy Ind Ltd | 河川水位予測装置 |
JP2967047B2 (ja) * | 1996-04-18 | 1999-10-25 | 株式会社エイ・ティ・アール人間情報通信研究所 | パターン認識方法 |
US6556950B1 (en) * | 1999-09-30 | 2003-04-29 | Rockwell Automation Technologies, Inc. | Diagnostic method and apparatus for use with enterprise control |
DE102004063388A1 (de) | 2004-12-23 | 2006-07-13 | Medav Gmbh | Verfahren zur adaptiven Klassifizierung von Werkstücken |
WO2014177755A1 (en) * | 2013-04-30 | 2014-11-06 | Tana Oy | Work machine control |
KR101823746B1 (ko) * | 2016-02-05 | 2018-01-30 | 울산대학교 산학협력단 | 베어링 고장 진단 방법 |
KR101827108B1 (ko) | 2016-05-04 | 2018-02-07 | 두산중공업 주식회사 | 플랜트 이상 감지 학습 시스템 및 방법 |
-
2020
- 2020-05-28 DE DE112020006948.6T patent/DE112020006948B4/de active Active
- 2020-05-28 CN CN202080100591.3A patent/CN115552345A/zh active Pending
- 2020-05-28 KR KR1020227040380A patent/KR102579619B1/ko active IP Right Grant
- 2020-05-28 WO PCT/JP2020/021206 patent/WO2021240750A1/ja active Application Filing
- 2020-05-28 JP JP2020549833A patent/JP6837612B1/ja active Active
- 2020-11-25 TW TW109141323A patent/TWI813921B/zh active
-
2022
- 2022-10-07 US US17/961,903 patent/US20230023878A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012073289A1 (ja) | 2010-12-02 | 2012-06-07 | 株式会社日立製作所 | プラントの診断装置及びプラントの診断方法 |
JP2013218725A (ja) | 2013-06-19 | 2013-10-24 | Hitachi Ltd | 異常検知方法及び異常検知システム |
JP2019128623A (ja) | 2018-01-22 | 2019-08-01 | Necプラットフォームズ株式会社 | パターン認識装置、方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
US20230023878A1 (en) | 2023-01-26 |
JPWO2021240750A1 (ko) | 2021-12-02 |
DE112020006948T5 (de) | 2023-02-23 |
CN115552345A (zh) | 2022-12-30 |
KR20220159485A (ko) | 2022-12-02 |
TWI813921B (zh) | 2023-09-01 |
WO2021240750A1 (ja) | 2021-12-02 |
JP6837612B1 (ja) | 2021-03-03 |
TW202144941A (zh) | 2021-12-01 |
DE112020006948B4 (de) | 2024-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102579619B1 (ko) | 기기 상태 감시 장치 및 기기 상태 감시 방법 | |
JP6810097B2 (ja) | 異常検出器 | |
JP5539382B2 (ja) | 航空エンジン内の故障の識別 | |
EP3809580B1 (en) | Electric vehicle, method and device for diagnosing rotary transformer initial position, and computer readable medium | |
US10503146B2 (en) | Control system, control device, and control method | |
D’Angelo et al. | A new fault classification approach applied to Tennessee Eastman benchmark process | |
CN107729985B (zh) | 识别技术设施的过程异常的方法和相应的诊断*** | |
WO2020152741A1 (ja) | 異常要因推定装置、異常要因推定方法、及びプログラム | |
US11992953B2 (en) | Abnormality determination device and abnormality determination method | |
US20210080924A1 (en) | Diagnosis Method and Diagnosis System for a Processing Engineering Plant and Training Method | |
US20210157285A1 (en) | Additional learning device, additional learning method, and storage medium | |
CN112599234A (zh) | 诊断装置 | |
EP3835750B1 (en) | Abnormality diagnosis device and abnormality diagnosis method | |
JP2018028845A (ja) | 異常予兆検出システムおよび異常予兆検出方法 | |
CN115270902A (zh) | 用于测试产品的方法 | |
US20200082281A1 (en) | Verification device | |
JP7199609B1 (ja) | 異常診断方法、異常診断装置、異常診断プログラム、および、異常診断システム | |
US20240001939A1 (en) | Method for monitoring failure of motor in a car based on scaling algorithm and system using the same | |
JP7526591B2 (ja) | 音響認識システム、音響認識方法 | |
WO2023148834A1 (ja) | 機器状態監視装置および機器状態監視方法 | |
EP4361742A1 (en) | Prediction system, information processing device, and information processing program | |
US20240192673A1 (en) | Data processing system and data processing method | |
US20240210937A1 (en) | Data processing system and data processing method | |
US20240201681A1 (en) | Data processing system, data processing method, and program | |
WO2023062829A1 (ja) | 状態検知システム、状態検知方法および状態検知プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A302 | Request for accelerated examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |