KR20170007408A - 제조 설비 진단 지원 장치 - Google Patents
제조 설비 진단 지원 장치 Download PDFInfo
- Publication number
- KR20170007408A KR20170007408A KR1020167034856A KR20167034856A KR20170007408A KR 20170007408 A KR20170007408 A KR 20170007408A KR 1020167034856 A KR1020167034856 A KR 1020167034856A KR 20167034856 A KR20167034856 A KR 20167034856A KR 20170007408 A KR20170007408 A KR 20170007408A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- item
- moving image
- group
- items
- 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
- G05B23/0218—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
-
- 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
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- 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
-
- 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
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24053—Diagnostic of controlled machine
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- General Factory Administration (AREA)
Abstract
본 발명에 관한 제조 설비 진단 지원 장치는, 제조 설비가 구비하는 복수의 감시 대상 장치의 각각의 데이터를 채취하고 기록하는 데이터 채취 장치, 기록된 데이터를 해석하는 데이터 해석 장치, 해석 과정 및 해석 결과를 표시하는 표시 장치를 구비한다. 데이터 해석 장치는, 데이터의 해석의 범위를 데이터 항목과 시간으로 설정하는 데이터 해석 범위 설정 유닛, 감시 대상 장치의 사양 및 사용 조건에 의거한 분류와 데이터가 나타내는 물리량에 의거한 분류를 행함에 의해 데이터를 그룹으로 나누는 데이터 그룹화 유닛, 데이터의 각 항목에서의 특징량을 추출하는 특징량 추출 유닛, 타(他)와는 다른(異なる) 사상을 나타내는 이사상(異事象) 후보 항목을 특정하는 이사상 특정 유닛, 및, 이사상 후보 항목과 타 데이터 항목과의 사이에 유의한 차가 있는지의 여부를 검정하는 검정 유닛을 구비한다.
Description
본 발명은, 금속재료를 압연 롤로 압연하는 압연기나 기계 가공을 행하는 머시닝 센터 등의 제조 설비에서, 제조 설비 내의 장치의 이상(異常)이나 부적합함(不具合)을 사전에 예지(豫知)하기 위한 제조 설비 진단 지원 장치에 관한 것이다.
사회 인프라로서 많은 제조 설비가 존재한다. 압연기나 머시닝 센터는 그 예이다. 압연기는, 철강 재료나 알루미늄·구리 등의 비철 재료의 괴(塊)를 압연하여 얇게 함으로써, 자동차나 전기 기계 제품에의 가공을 용이하게 하는 설비이다. 머시닝 센터는, 예를 들면 강판을 가공하여, 항공기, 자동차, 각종 금형 등을 제조하는 설비이다.
이들의 제조 설비에 대해서는, 안정하면서 고속으로 제품을 제조할 것이 강하게 요구되고 있다. 이 때문에, 제조 설비의 고장에 의한 생산 저해를 피하기 위해, 제조 설비의 이상이나 부적합함을 사전에 예지하는 기술의 개발이 진행되고 있다. 최근, 데이터 마이닝, 빅데이터 해석 등, 대량의 데이터 중에서 유의한 정보를 주워내는(拾い出す) 기술이 진화하고 있다. 이들의 기술에서는, 고속 대용량의 계산기를 이용하여 힘들여(力技で) 데이터 처리를 행하고, 데이터의 특징을 계산하고 데이터 사이의 관련성을 추출하는 것도 행하여지고 있다. 그 구체적 내용을 기재한 선행 기술 문헌으로서는, 예를 들면 이하를 들 수 있다.
특허 문헌 1에는, 복수의 데이터가 있을 때에 그 데이터 사이의 규칙성을 찾아내는 것을 목적으로 한 기술이 개시되어 있다. 이 기술은, 데이터를 어느 구간으로 분할하여 그 구간 중에서의 특징량을 계산하고, 분류하고, 라벨값을 붙임으로써, 규칙성을 찾아내는 것이다. 단, 이것은 특히 제조 설비를 대상으로 한 것이 아니고, 일반적인 수법의 제안이다.
특허 문헌 2에 개시된 기술은, 웨이블렛 변환, 주성분 분석 등의 통계적인 수법을 이용하여 데이터의 특징을 추출하고, 과거에 축적한 고장 데이터와의 유사성을 찾아내어, 이상(異常)을 판정하는 것이다. 이것도 특히 제조 설비를 대상으로 하지는 않고, 일반적인 수법의 제안이다.
특허 문헌 3에 개시된 기술은, 특허 문헌 2에 개시된 기술과 마찬가지로, 과거의 정상 사례와 이상 사례를 참조하여 유사성을 판단하고, 플랜트 또는 설비의 이상이 있는지의 여부를 판정하는 것이다.
특허 문헌 1에 개시된 기술은, 대상 데이터에 존재하는 사전의 지식(예를 들면 데이터 사이의 상호 관계 등)을 사용하지 않고서, 데이터만을 대상으로 하여 규칙성을 찾아내려고 하고 있다. 이 때문에, 계산 처리에 많은 시간이 걸릴 것이 예상된다. 또한, 데이터에 노이즈나 미지의 외란이 포함되어 있는 경우, 규칙성의 취출이 불안정하게 될 것이 우려된다.
특허 문헌 2나 특허 문헌 3에 개시된 기술은, 이상이나 부적합함에 관한 과거의 지견을 이용하는 것에 특징이 있다. 그러나, 물론 과거의 지견은 유용한 것이지만, 과거에 이상이나 부적합함이 일어났던 것이 기지(旣知)가 아니면 적용할 수 없고, 완전히 새로운 이상이 일어난 때에는 대처할 수가 없다.
이들의 종래 기술에 대해, 본 발명이 제공하는 제조 설비 진단 지원 장치는, 하나의 제조 설비 내에 배치되는 복수의 유사 장치, 또는 복수의 제조 설비에 분산하여 배치되는 복수의 유사 장치의 데이터를 비교함으로써, 규칙성을 찾아내기 위한 방대한 계산 처리를 필요로 하는 일 없이, 또한, 과거의 지견도 필요로 하는 일 없이, 장치의 이상이나 부적합함을 용이하게 검지하는 것을 가능하게 하는 것이다.
본 발명에 관한 제조 설비 진단 지원 장치는, 하나의 제조 설비 내에 배치되는 복수의 감시 대상 장치, 또는 복수의 제조 설비에 분산하여 배치되는 복수의 감시 대상 장치의 각각의 데이터를 항상 또는 간헐적으로 채취하고 기록하는 데이터 채취 장치를 구비한다. 또한, 본 발명에 관한 제조 설비 진단 지원 장치는, 데이터 채취 장치에 기록된 데이터를 해석하는 데이터 해석 장치와, 데이터 해석 장치의 해석 과정 및 해석 결과를 표시하는 표시 장치를 구비한다. 데이터 해석 장치는, 데이터 해석 범위 설정 수단, 데이터 그룹화 수단, 특징량 추출 수단, 이사상 특정 수단, 및, 검정(檢定) 수단을 포함한다.
데이터 해석 범위 설정 수단은, 데이터 채취 장치에 기록된 데이터의 해석의 범위를 데이터 항목과 시간으로 설정하도록 구성된다.
데이터 그룹화 수단은, 데이터 해석 범위 설정 수단에 의해 설정된 범위의 데이터를 데이터 채취 장치로부터 입력하고, 각 데이터에 대해, 당해 데이터가 채취된 감시 대상 장치의 사양 및 사용 조건에 의거한 분류와, 당해 데이터가 나타내는 물리량에 의거한 분류를 행함에 의해, 데이터 채취 장치로부터 입력한 데이터를 그룹으로 나누도록 구성된다. 바람직하게는, 데이터 그룹화 수단은, 각 그룹 내의 데이터 항목수를 그룹 사이에서 동일하게 하고, 각 데이터 항목에 대해, 그룹 내의 식별용으로 그룹 내 데이터 번호를 붙이고, 그룹 사이의 식별용으로 그룹 번호를 붙이도록 구성된다.
특징량 추출 수단은, 데이터 그룹화 수단에 의해 그룹으로 나눠진 데이터의 각 항목에서의 특징량을 추출하도록 구성된다. 바람직하게는, 특징량 추출 수단은, 원(原)데이터, 및, 원데이터를 필터링하여 얻은 신호와 원데이터와의 편차의 2개에 대해, 동일 종류의 특징량을 계산하도록 구성된다.
이사상(異事象) 특정 수단은, 특징량 추출 수단에 의해 추출된 각 데이터 항목의 특징량을 그룹 내와 그룹 사이의 각각에서 비교하고, 타(他)와는 다른(異なる) 사상을 나타내는 데이터 항목이 있는 경우, 당해 데이터 항목을 이사상 후보 항목으로서 특정하도록 구성된다. 바람직하게는, 이사상 특정 수단은, 동일 그룹 내의 데이터 항목 사이에서 특징량을 비교하고, 특징량의 크기에 관해 타(他) 데이터 항목과는 소정 비율 이상의 차가 있는 데이터 항목이 있는 경우, 당해 데이터 항목을 제1 레벨의 이사상 후보 항목으로서 특정하고, 감시 대상 장치에서 공통되는 데이터 항목이 복수의 그룹에 걸쳐서 제1 레벨의 이사상 후보 항목으로서 특정된 경우, 당해 데이터 항목을 제2 레벨의 이사상 후보 항목으로서 특정하도록 구성된다.
검정 수단은, 이사상 특정 수단에서 특정된 이사상 후보 항목과 타 데이터 항목과의 사이에 유의한 차가 있는지의 여부를 검정하고, 유의한 차가 있는 경우에는, 이사상 후보 항목으로 된 데이터 항목을 이사상 항목이라고 판정하도록 구성된다. 바람직하게는, 검정 수단은, 이사상 특정 수단에서 제1 레벨의 이사상 후보 항목으로서 특정된 데이터 항목에 관해, 당해 데이터 항목의 특징량과, 동일 그룹 내의 타 데이터 항목의 특징량과의 사이에서 통계적인 검정을 행하고, 양자의 사이에 소정의 유의 수준으로 유의한 차가 없다는 귀무가설(歸無假說)이 기각(棄却)된 경우, 당해 데이터 항목을 제1 레벨의 이사상 항목으로서 특정하고, 당해 데이터 항목이 제2 레벨의 이사상 후보 항목이기도 하는 경우에 있어서, 감시 대상 장치에서 공통되는 타 그룹의 데이터 항목도 제1 레벨의 이사상 항목에 해당하는 경우, 당해 데이터 항목을 제2 레벨의 이사상 항목으로서 특정하도록 구성된다.
데이터 해석 장치는, 일련의 데이터 해석의 완료 후에 데이터 해석 범위 설정 수단에 의해 데이터의 해석의 범위의 시간을 변경하고, 변경된 범위의 데이터에 의거하여 일련의 데이터 해석을 재차 실행하도록 구성되는 것이 바람직하다.
본 발명에 관한 제조 설비 진단 지원 장치에 의하면, 하나의 제조 설비 내에 배치되는 복수의 감시 대상 장치, 또는 복수의 제조 설비에 분산하여 배치되는 복수의 감시 대상 장치의 각각의 데이터가 자동으로 채취되어 기록된다. 그리고, 데이터 항목과 시간으로 설정된 해석 범위의 데이터에 대해, 당해 데이터가 채취된 감시 대상 장치의 사양 및 사용 조건에 의거한 분류와, 당해 데이터가 나타내는 물리량에 의거한 분류에 따른 그룹 나눔이 행하여지고, 그룹이 나뉘어진 데이터의 각 항목에서의 특징량이 계산된다. 그리고, 각 데이터 항목의 특징량이 그룹 내와 그룹 사이의 각각에서 비교되고, 타와는 다른 사상을 나타내는 데이터 항목이 있는 경우에는, 당해 데이터 항목은 이사상 후보 항목으로서 특정된다. 그리고, 특정된 이사상 후보 항목과 타 데이터 항목과의 사이에 유의한 차가 있는지의 여부가 검정되고, 유의한 차가 있는 경우에는, 이사상 후보 항목으로 된 데이터 항목은 이사상 항목이라고 판정된다. 이와 같이 하여 행하여지는 데이터 해석의 과정과 결과가 표시 장치에 표시됨에 의해, 관리자 또는 이용자는, 표시 장치에 표시된 내용으로부터 제조 설비에 이상이나 부적합함이 일어나고 있지 않는지의 여부를 판단할 수 있다.
도 1은 본 발명의 실시의 형태 1의 시스템의 구성을 도시하는 도면.
도 2는 본 발명의 실시의 형태 1에서의 데이터의 그룹화의 예를 설명하는 도면.
도 3은 본 발명의 실시의 형태 1에서의 특징량의 추출의 한 예를 설명하는 도면.
도 4는 본 발명의 실시의 형태 1에서의해석 범위를 변경하는 의의를 설명하는 도면.
도 5는 본 발명의 실시의 형태 1에서의 이사상 후보 항목의 판별의 한 예를 도시하는 도면.
도 6은 본 발명의 실시의 형태 1에서의 이사상 후보 항목의 판별의 한 예를 도시하는 도면.
도 7은 본 발명의 실시의 형태 1의 데이터 해석의 흐름을 도시하는 플로 차트.
도 8은 본 발명의 실시의 형태 1에서의 표시례를 도시하는 도면.
도 9는 본 발명의 실시의 형태 2의 시스템의 구성을 도시하는 도면.
도 2는 본 발명의 실시의 형태 1에서의 데이터의 그룹화의 예를 설명하는 도면.
도 3은 본 발명의 실시의 형태 1에서의 특징량의 추출의 한 예를 설명하는 도면.
도 4는 본 발명의 실시의 형태 1에서의해석 범위를 변경하는 의의를 설명하는 도면.
도 5는 본 발명의 실시의 형태 1에서의 이사상 후보 항목의 판별의 한 예를 도시하는 도면.
도 6은 본 발명의 실시의 형태 1에서의 이사상 후보 항목의 판별의 한 예를 도시하는 도면.
도 7은 본 발명의 실시의 형태 1의 데이터 해석의 흐름을 도시하는 플로 차트.
도 8은 본 발명의 실시의 형태 1에서의 표시례를 도시하는 도면.
도 9는 본 발명의 실시의 형태 2의 시스템의 구성을 도시하는 도면.
도면을 참조하여, 본 발명의 실시의 형태를 설명한다. 단, 이하에 나타내는 실시의 형태는, 본 발명의 기술적 사상을 구체화하기 위한 장치나 방법을 예시하는 것이고, 특히 명시한 경우를 제외하고, 구성 부품의 구조나 배치, 처리의 순서 등을 하기한 것으로 한정하는 의도는 없다. 본 발명은 이하에 나타내는 실시의 형태로 한정되는 것이 아니고, 본 발명의 취지를 일탈하지 않는 범위에서 여러가지로 변형하여 실시할 수 있다.
실시의 형태 1.
도 1은, 본 발명의 실시의 형태 1의 시스템의 구성을 도시하는 도면이다. 실시의 형태 1의 진단 지원 장치(1)는, 열간 박판 압연 프로세스에서의 압연기(10)를 진단 지원의 대상으로 한다. 도 1에 도시하는 압연기(10)는, 가열로(21), 조압연기(23), 사상압연기(26), 권취기(28), 반송 테이블(29)을 구비한다. 가열로(21)로부터 반출된 피압연재(100)는, 조압연기(23)에 의해 압연된다. 조압연기(23)는 1 또는 수대(도 1에서는 2대)의 압연 스탠드(230)를 갖는다. 각 압연 스탠드(230)의 롤러는, 전동기(231)에 의해 구동된다. 조압연기(23)에서 압연된 후, 피압연재(100)는 반송 테이블(29)에 의해 사상압연기(26)에 반송된다. 반송 테이블(29)의 롤러는, 복수의 전동기(291)에 의해 구동된다. 사상압연기(26)는 5∼7대(도 1에서는 7대)의 압연 스탠드(260)를 가지며, 피압연재(100)를 소망하는 제품 판두께까지 압연한다. 각 압연 스탠드(260)의 롤러는, 전동기(261)에 의해 구동된다. 사상압연기(26)로부터 반출된 피압연재(100)는, 냉각 장치(27)에서 냉각된 후, 권취기(28)에 의해 코일형상으로 권취된다. 권취기(28)는, 전동기(281)에 의해 구동된다.
진단 지원 장치(1)는, 압연기(10)의 정상 또는 이상을 진단하는 장치가 아니라, 관리자 또는 이용자에 의한 압연기(10)의 진단을 지원(支援)하는 장치이다. 보다 상세하게는, 진단 지원 장치(1)는, 관리자 또는 이용자가 압연기(10)의 진단에 이용하는 데이터를 채취하고, 해석하고, 그 해석 결과 및 해석 과정을 관리자 또는 이용자에 대해 제시함에 의해, 관리자 또는 이용자 자신이 행하는 진단을 지원하는 장치이다. 이 때문에, 진단 지원 장치(1)는, 데이터 채취 장치(2), 데이터 해석 장치(3), 및 표시 장치(9)에 의해 구성된다.
데이터 채취 장치(2)는, 압연기(10)를 구성하는 가열로(21), 조압연기(23), 사상압연기(26), 권취기(28), 반송 테이블(29)의 각각으로부터 데이터를 항상(또는 소정의 시간 간격으로 간헐적으로) 채취하고, 채취한 데이터를 기록 장치(2a)에 기록하는 장치이다. 기록 장치(2a)는, 예를 들면 대용량의 하드 디스크이고, 데이터 채취 장치(2)에 내장되어 있어도 좋고, 데이터 채취 장치(2)의 외부에 배치되어 있어도 좋다. 데이터 채취 장치(2)와 압연기(10)는 도시하지 않는 I/O 장치를 통하여 LAN에 의해 접속되어 있다. 사상압연기(26)는 7대의 압연 스탠드(260)를 갖는데, 압연 스탠드(260)의 각각 또는 전동기(261)의 각각이 진단 지원 장치(1)에 의해 감시되는 대상이 되는 감시 대상 장치이다. 따라서, 데이터 채취 장치(2)는, 압연 스탠드(260)마다 또는 전동기(261)마다 데이터를 채취한다. 조압연기(23)에 대해서도 마찬가지로서, 데이터 채취 장치(2)는, 감시 대상 장치인 압연 스탠드(230)마다 또는 전동기(231)마다 데이터를 채취한다. 반송 테이블(29)에 대해서도, 데이터 채취 장치(2)는, 감시 대상 장치인 전동기(291)마다 데이터를 채취한다. 채취되는 데이터에는, 예를 들면 압연 스탠드의 경우라면, 전동기 전류, 속도, 압연 하중, 롤 갭 등이 포함된다(도 2에서는 채취된 데이터의 일부밖에 그려져 있지 않다). 기록 장치(2a)에는, 채취된 데이터가 항목마다 시계열로 기록되어 간다.
데이터 해석 장치(3)는, 데이터 채취 장치(2)가 기록 장치(2a)에 기록한 데이터를 해석하는 장치이다. 데이터 해석 장치(3)는, 전용의 장치라도 좋고, 범용의 컴퓨터라도 좋다. 또한, 데이터 채취 장치(2)와 일체화되어 있어도 좋다. 데이터 해석 장치(3)는, 데이터 해석 범위 설정 유닛(4), 데이터 그룹화 유닛(5), 특징량 추출 유닛(6), 이사상 특정 유닛(7), 및 검정 유닛(8)을 구비하고 있다. 데이터 해석 장치(3)가 구비하는 이들 유닛(4-8)은, 데이터 해석 장치(3)의 메모리에 기억된 제어 프로그램 또는 그 일부에 대응하고 있다. 제어 프로그램이 메모리로부터 판독되어 프로세서에서 실행됨에 의해, 이들 유닛(4-8)의 기능이 데이터 해석 장치(3)에 실현된다. 이하, 데이터 해석 장치(3)를 구성하는 유닛(4-8)의 기능에 관해 설명한다.
우선, 데이터 해석 범위 설정 유닛(4)에 관해 설명한다. 데이터 해석 범위 설정 유닛(4)은, 데이터 채취 장치(2)로부터 입력하는 데이터의 범위를 설정한다. 데이터 채취 장치(2)의 기록 장치(2a)에는, 방대한 데이터가 축적되어 있다. 이 때문에, 입력하는 데이터량을 적게 하는 것이 계산 시간의 단축이나 계산기 부하의 저감에 있어서 이점이 있다. 데이터 해석 범위 설정 유닛(4)은, 입력하는 데이터의 범위를 데이터 항목과 시간으로 설정한다. 예를 들면, 압연기(10)에서 사상압연기(26)의 해석을 하기 위해서는, 일반적으로는 가열로(21)나 권취기(28)의 데이터는 불필요함으로, 필요한 데이터 항목만을 선택한다. 또한, 축적된 데이터 중에서 먼 과거의 데이터는 불필요한 경우도 있기 때문에, 일정한 시각부터의 데이터로 한정한다. 단, 해석 대상의 데이터의 시간적인 길이에 의해서는, 감시 대상 장치의 상태의 변화가 파악되지 않는 경우도 있다. 이 때문에, 데이터 해석 범위 설정 유닛(4)에는, 데이터를 해석하는 대상의 시간을 변경하고, 이후에 기재하는 일련의 해석을 반복 실시시키는 기능이 주어져 있다.
다음에, 데이터 그룹화 유닛(5)에 관해 설명한다. 데이터 그룹화 유닛(5)은, 데이터 해석 범위 설정 유닛(4)에 의해 설정된 범위의 데이터를 데이터 채취 장치(2)로부터 입력하고, 입력한 데이터를 그룹으로 나눈다. 데이터의 그룹 나눔은, 감시 대상 장치 사이의 유사성을 규정하는 제1의 분류와, 데이터의 내용의 유사성을 규정하는 제2의 분류에 의해 행하여진다.
그룹 나눔의 제1의 분류는, 감시 대상 장치의 사양 및 사용 조건에 의거한 분류이다. 사양이 유사하고, 또한, 사용 조건이 유사한 감시 대상 장치로부터 채취된 데이터가 모아져서 하나의 모집단을 형성한다. 여기서 말하는 사양이란, 예를 들면 감시 대상 장치가 전동기인 경우, 전동기의 방식이나 용량 등이 그것에 해당한다. 또한, 여기서 말하는 사용 조건이란, 예를 들면 감시 대상 장치가 전동기인 경우, 전동기에 걸리는 부하나 운전 스케줄 등이 그것에 해당한다. 압연기(10)에서는, 사상압연기(26)의 7대의 압연 스탠드(260)가 사양 및 사용 조건이 유사한 장치에 해당한다. 조압연기(23)의 2대의 압연 스탠드(230)도 유사 장치에 해당하고, 반송 테이블(29)을 구성하는 복수의 전동기(291)도 유사 장치에 해당한다. 또한, 사상압연기(26)의 7대의 압연 스탠드(260)와 조압연기(23)의 2대의 압연 스탠드(230)를 유사 장치로서 일괄할 수도 있다.
그룹 나눔의 제2의 분류는, 데이터가 나타내는 물리량에 의거한 분류이다. 데이터가 나타내는 물리량이란, 예를 들면 압연 스탠드(260)로부터 채취된 데이터인 경우, 전동기 전류, 속도, 압연 하중, 롤 갭 등이다. 이들은 서로 독립한 물리량으로서, 타(他) 물리량과 상관성을 갖는 물리량은 분류 항목에는 포함되지 않는다. 구체적으로는, 압연 스탠드(260)에 관한 물리량에는 전동기 토오크도 포함되지만, 전동기 토오크는 전동기 전류와 1대1의 상관이 있기 때문에 분류 항목에는 포함되지 않는다. 제1의 분류에 의해 형성된 모집단에 대해 물리량에 의한 분류가 행하여지고, 동일한 물리량을 나타내는 데이터의 그룹이 만들어진다. 그룹 내의 데이터 항목수는 그룹 사이에서 동일하게 된다. 또한, 그룹 내의 데이터 항목의 식별용으로 그룹 내 데이터 번호가 붙여지고, 그룹의 식별용으로 그룹 번호가 붙여진다.
여기서, 도 2를 참조하여 데이터의 그룹화의 구체례를 설명한다. 사상압연기(26)의 7대의 압연 스탠드(260)로부터 채취된 전동기 전류, 속도, 압연 하중, 롤 갭 등의 원(原)데이터는, 각각 데이터 항목마다 7개씩 통합되어 기록 장치(2a)의 기억 영역에 배치되어 있다. 원데이터가 기록 장치(2a) 내에 분산하여 배치되어 있어도, 데이터 그룹화 유닛(5)은 그들을 통합하도록 편집할 수 있다. 도 2에 도시하는 예에서는, 사상압연기 주기(主機) 전류[%], 사상압연기 주기 속도[m/s], 사상압연기 압연 하중[kN]의 3개의 데이터 항목을 각각 하나의 그룹으로서, 각각 식별할 수 있는 그룹 번호를 붙이고 있다. 그 각 그룹 내에 7개의 데이터 항목이 있고, 이들은 사상압연기(26)의 압연 스탠드(260)의 대수에 대응하고 있다. 이 경우의 그룹 내 데이터 번호는 No.1부터 No.7까지의 번호가 취하여진다. 사상압연기 주기 전류 그룹의 No.4란, 사상압연기 제4 스탠드의 주기 전류를 의미한다. 이 정의에서는, 그룹 내의 데이터 항목수는 그룹 사이에서 동일하게 된다.
다음에, 특징량 추출 유닛(6)에 관해 설명한다. 특징량 추출 유닛(6)은, 데이터 그룹화 유닛(5)에 의해 그룹으로 나눠진 데이터의 각 항목에서의 특징량을 추출한다. 특징량이란, 데이터가 갖는 특징을 용이하게 현재화(顯在化)시키는 양이라고 정의할 수 있다. 특징량의 추출 방법의 한 예로서는, 대상 데이터에 통계적인 처리를 시행하는 것을 들 수 있다. 기본 통계량인 평균치, 중앙치(메디안), 최대치, 최소치, 표준편차 또는 분산(분산의 제곱근이 표준편차)은 모두 특징량으로 할 수 있다. 데이터가 진동적인 경우는, 주파수 및 진폭도 특징량이다. 또한, 회귀분석에 의해 데이터를 "y=a*x+b" 등의 함수로 나타냄에 의해, 함수의 계수(회귀 계수) a, b를 데이터의 특징량으로 할 수 있다. 또한, 푸리에 변환에 의해 얻어지는 주파수대역의 진폭의 분포, 웨이블렛 변환에 의해 얻어지는 시계열의 주파수 분포 등, 기타의 통계 해석에 의해 특징량을 계산할 수도 있다.
단, 원데이터에 대해 그대로 통계 해석을 적용하면, 데이터가 갖는 특징을 정확하게 파악될 수 없는 경우가 있다. 예를 들면, 도 3의 상단의 차트에는 시계열로 원데이터(A)(실선으로 도시한다)가 나열되어 있는데, 이것에는 압연시와 비압연시에서는 크게 레벨이 변하는 신호가 포함되어 있다. 주기(主機) 전동기의 전류나 압연 하중 등이 이것에 해당하고, 이들은 압연중에는 매우 큰 값이 되지만, 압연하지 않는 때는 0 부근의 값이다. 원데이터(A)의 통계량을 구하면, 최대치는 압연하고 있을 때의 값이고, 최소치는 압연하지 않는 때의 값이고, 표준편차는 도시한 최대치와 최소치와의 차를 평가하여 계산된다. 이들의 통계량을 특징량으로 하는 경우, 예를 들면, 전동기의 전류에 큰 진동 현상이 나타나고 있다고 하여도, 압연시의 전류의 레벨과 비교하면 작기 때문에, 진동을 못볼 우려가 있다.
그래서, 도 3의 상단의 차트에 도시하는 바와 같이, 원데이터(A)에 필터(예를 들면 Low pass filter)를 걸어서 파선의 신호(B)를 얻는다. 그리고, 도 3의 하단의 차트에 도시하는 바와 같이, 원데이터(A)를 필터링하여 얻은 신호(B)와 원데이터(A)와의 편차((A)-(B))를 계산한다. 이 표준편차((A)-(B))에 통계 처리를 시행하면, 전동기 전류에 실려있는 진동을 현재화시킬 수 있다. 그래서, 특징량 추출 유닛(6)은, 원데이터에 대해 특징량을 계산함과 함께, 원데이터를 필터링하여 얻은 신호와 원데이터와의 편차에 대해서도 같은 특징량을 계산한다.
또한, 특징량 추출 유닛(6)에는, 해석을 행하는 대상의 기간을 변경하는 기능이 구비된다. 이와 같은 기능을 구비하는 것의 의의에 관해 도 4를 이용하여 설명한다. 도 4의 각 차트에 도시하는 바와 같이, 특징량 추출 유닛(6)은, 해석을 행하는 대상으로 하는 원데이터의 범위에 시간 Window를 설정한다. 그리고, 시간 Window 중의 원데이터를 회귀분석(回歸分析)에 의해 선형(線形) 근사(近似)한다. 선형 근사에 의해 얻어진 직선에서 원데이터의 변화의 경향을 알 수 있고, 또한, 직선과 원데이터와의 거리로부터 원데이터의 편차를 알 수 있다.
도 4의 차트(1)에는, 단기적인 해석 대상으로서 시간 Window-S1, S2, S3이 설정되어 있다. 시간 Window-S1, S2, S3은 시간 방향으로 비켜서 설정되고, 인접하는 시간 Window-S1, S2 및 Window-S2, S3의 각간에는 겹침이 마련되어 있다. 차트(2)에는, 차트(1)와 같은 원데이터에 대해, 장기적인 해석 대상으로서 시간 Window-L1이 설정되어 있다. 차트(2)에 도시하는 시간 Window-L1의 중의 원데이터를 회귀분석함에 의해, 원데이터는 장기적으로는 증가 경향을 나타내고 있음을 알 수 있다. 그런데, 차트(1)에 도시하는 단기적인 시간 Window의 중의 원데이터에 대해 회귀분석을 행한 경우에는, Window-S1에서는 원데이터의 증가 경향을 검지할 수 있었지만, Window-S2에서는 원데이터의 증가 경향은 검지되지 않는다. 한편, 도 4의 차트(3)에는, 차트(1) 및 (2)와 다른 원데이터에 대해, 장기적인 해석 대상으로서 시간 Window-L1이 설정되어 있다. 이 시간 Window-L1 중의 원데이터에 대해 회귀분석을 행함으로써, 원데이터의 증가 경향을 검지할 수 있다. 그러나, 시간 Window를 단기간으로 한 경우에는, 증가 경향을 못볼 우려도 있다.
이와 같이, 해석을 행하는 대상의 기간을 장기간 또는 단기간으로 한정하는 경우에는, 원데이터의 단기적 또는 장기적인 변화의 경향을 못볼 우려가 있다. 특징량 추출 유닛(6)은, 해석을 행하는 대상의 기간을 변경하는 기능을 구비함에 의해, 원데이터의 단기적 및 장기적인 변화의 경향을 못보는 일이 없다.
다음에, 이사상(異事象) 특정 유닛(7)에 관해 설명한다. 이사상 특정 유닛(7)은, 특징량 추출 유닛(6)에 의해 추출된 각 데이터 항목의 특징량을 그룹 내와 그룹 사이의 각각에서 비교하고, 타(他)와는 다른 사상을 나타내는 데이터 항목이 있는 경우, 당해 데이터 항목을 이사상 후보 항목으로서 특정한다. 이하, 이에 관해 도 5 및 도 6을 이용하여 설명한다. 여기서는, 원데이터는 A, B, C, D, …의 그룹 번호가 붙여진 복수의 그룹으로 나눠지고, 각 그룹 내에는 (1), (2), (3), …, (7)의 그룹 내 데이터 번호가 붙여진 7개의 데이터 항목이 있는 것으로 한다. 또한, 구체례로서, 데이터는 사상압연기(26)로부터 채취된 것으로서, 그룹(A)는 사상압연기 주기 전류, 그룹(B)은 사상압연기 압연 하중이고, 7개의 데이터 항목에 7대의 압연 스탠드(260)가 대응하고 있는 것으로 한다. 도 5 및 도 6에서는, 3차원 그래프상에서 해석 대상 범위 내의 원데이터를 X축방향으로 시계열로 나열하고, 그들을 Y축방향으로 그룹마다 겹치고, 같은 그룹 내 데이터 번호의 데이터가 Z축방향으로 일렬로 나열하도록 표시하고 있다. 또한, 이 표시는 원데이터의 그룹마다 데이터 항목마다의 시간 변화를 시각적으로 알기 쉽게 하는 것으로, 반드시 이 표시를 행할 필요는 없다.
도 5 및 도 6의 각 우하(右下)에는, 해석 대상 시간의 범위 내에서 원데이터를 해석하여 얻어진 특징량을 투영한 평면(YZ 평면)이 그려져 있다. 이 평면에는, 그룹 번호 A, B, C에서의 그룹 내 데이터 번호(1), (2), (3), …, (7)의 각 데이터의 특징량이, 양화살표(兩矢印)의 길이에 의해 도시되어 있다. 여기서는, 특징량은 표준편차의 크기라고 한다. 도 5에 도시하는 예에서는, 그룹(A)의 데이터 번호(2)의 데이터의 표준편차가 가장 크다.
이사상 특정 유닛(7)은, 우선, 동일 그룹 내의 데이터 항목 사이에서 특징량을 비교한다. 그리고, 특징량의 크기에 관해 타 데이터 항목과는 소정 비율 이상의 차(예를 들면 30% 이상)가 있는 데이터 항목이 있는 경우, 그 데이터 항목을 제1 레벨의 이사상 후보 항목으로서 특정한다. 도 5에 도시하는 예에서는, 그룹(A)에서의 데이터 번호(2)의 데이터 항목이 제1 레벨의 이사상 후보 항목에 해당한다. 그러나, 그룹(B, C)에서는 특징량의 크기에 타와 큰 차가 있는 데이터 항목은 포함되어 있지 않고, 제1 레벨의 이사상 후보 항목은 존재하지 않는다.
이와 같이, 어느 데이터 항목이 하나의 그룹에서만 제1 레벨의 이사상 후보 항목으로서 특정된 경우, 그 데이터 항목에 해당하는 장치에 있어서, 그 그룹이 나타내는 물리량에 관한 어떠한 이상이 일어나고 있을 가능성이 있다. 도 5에 도시하는 예에서는, 데이터 번호(2)의 사상압연기 제2 스탠드에서, 그룹(A)의 사상압연기 주기 전류의 표준편차가 타(他)보다도 크다하는 것이기 때문에, 사상압연기 제2 스탠드의 전동기의 주변에 무엇인지가 일어나고 있을 가능성이 있다고 판단할 수 있다.
한편, 도 6에 도시하는 예에서는, 데이터 번호(2)의 데이터의 표준편차가 그룹(A, B, C)에서 타 데이터 번호의 것보다도 커지고 있다. 즉, 도 6은, 그룹(A)의 사상압연기 주기 전류도 진동적이고, 그룹(B)의 사상압연기 압연 하중도 진동 적, 등이라는 상황을 나타내고 있다. 이 경우, 그룹(A, B, C)에서의 데이터 번호(2)의 데이터 항목이 각각 제1 레벨의 이사상 후보 항목에 해당한다.
이와 같이, 어느 데이터 항목이 복수의 그룹에 걸쳐서 제1 레벨의 이사상 후보 항목으로서 특정된 경우, 그 데이터 항목에 해당하는 장치에서, 어떠한 현상, 예를 들면 진동적인 것이 일어난 가능성이 있다. 그러나, 그것이 장치의 이상에 의하는 것인지, 피가공물의 특성에 의한 것인지, 제어계의 조작에 의한 것인지, 또는, 우연히 일어났던 현상인 것인지는 특정할 수 없다. 그래서, 이사상 특정 유닛(7)은, 그와 같은 데이터 항목, 도 6에 도시하는 예에서는, 데이터 번호(2)의 데이터 항목을 제2 레벨의 이사상 후보 항목으로서 특정한다.
이상 진술한 바와 같이, 이사상 특정 유닛(7)은, 우선, 동일 그룹 내의 데이터 항목 사이에서 특징량을 비교한다. 그리고, 특징량의 크기에 관해 타 데이터 항목과 큰 차가 있는 데이터 항목이 있는 경우, 당해 데이터 항목을 제1 레벨의 이사상 후보 항목으로서 특정한다. 또한, 당해 데이터 항목이 복수의 그룹에 걸쳐서 제1 레벨의 이사상 후보 항목으로서 특정된 것이라면, 당해 데이터 항목을 제2 레벨의 이사상 후보 항목으로서도 특정한다.
다음에, 검정(檢定) 유닛(8)에 관해 설명한다. 검정 유닛(8)은, 이사상 특정 유닛(7)에서 특정된 이사상 후보 항목, 즉, 이상의 가능성이 있는 데이터 항목에 대해, 이상(異常)인지의 여부의 검정을 통계적으로 행한다. 검정은, 이사상 후보 항목과 타 데이터 항목과의 사이에 유의한 차가 있는지의 여부에 관해 행하여지고, 양자의 사이에 유의한 차가 있는 경우에는, 이사상 후보 항목으로 된 데이터 항목은 이사상 항목으로서 판정된다.
상세하게는, 검정 유닛(8)은, 제1 레벨의 이사상 후보 항목이라고 판단된 데이터 항목의 특징량과, 동일 그룹 내의 타 데이터 항목의 특징량과의 사이에서, 통계적인 검정을 행한다. 구체적인 검정 방법으로서는, 예를 들면 t검정의 적용이 가능하다. t검정에서는, 「제1 레벨의 이사상 후보 항목이라고 판단된 데이터 항목과 동일 그룹 내의 타 데이터 항목과의 사이에는 유의한 차가 없다」라는 귀무가설(歸無假說)을 세우고, 소정의 유의(有意) 수준(일반적으로 5%)으로 귀무가설을 기각할 수 있는지의 여부를 검정한다. 검정 유닛(8)은, 귀무가설이 기각될 수 있었던 경우에는, 제1 레벨의 이사상 후보 항목만을 포함한 데이터 항목에 관계되는 장치에 이상이 있을 가능성이 높은 것이라고 판단하고, 당해 데이터 항목을 제1 레벨의 이사상 항목으로서 특정한다. 검정 유닛(8)은, 이 검정을 제1 레벨의 이사상 후보 항목 전부에 적용한다. 그리고, 제1 레벨의 이사상 항목으로서 특정된 데이터 항목이 제2 레벨의 이사상 후보 항목이기도 하는 경우는, 상기 검정을 복수의 그룹에 대해 행한다. 그리고, 당해 데이터 항목이 복수의 그룹에 걸쳐서 제1 레벨의 이사상 항목에 해당하는 경우에는, 당해 데이터 항목을 제2 레벨의 이사상 항목으로서 확정한다.
이와 같이, 검정 유닛(8)은, 이사상 항목을 레벨을 나누어 특정한다. 어느 데이터 항목이 제1 레벨의 이사상 항목인 경우, 그 데이터 항목에 해당하는 장치에 관해서는 상세한 조사가 필요하다고 말할 수 있다. 한편, 어느 데이터 항목이 제2 레벨의 이사상 항목인 경우, 그 데이터 항목에 해당한 장치에 관해서는 상세한 조사는 필요로 하지 않을지라도 주위를 기울일 필요가 있다고 말할 수 있다. 단, 어느 데이터 항목이 계속해서 제2 레벨의 이사상 항목으로 되어 있는 것이라면, 그 데이터 항목에 해당하는 장치에 대해서도 상세한 조사가 필요하다고 말할 수 있다.
이상 설명한 기능을 유닛(4-8)이 구비함에 의해, 데이터 해석 장치(3)에 의한 데이터 해석의 흐름은 도 7과 같이 된다. 도 7의 플로 차트에 도시하는 바와 같이, 데이터 해석 장치(3)는, 우선, 스텝 S101에서, 데이터 해석 범위 설정 유닛(4)의 기능에 의해 데이터 해석 대상의 범위를 설정한다.
다음에, 데이터 해석 장치(3)는, 스텝 S102에서, 데이터 그룹화 유닛(5)의 기능에 의해 데이터 채취 장치(2)로부터 필요한 데이터를 입력하고, 스텝 S103에서, 입력한 데이터 항목을 그룹화한다.
다음에, 데이터 해석 장치(3)는, 스텝 S104에서, 특징량 추출 유닛(6)의 기능에 의해 동일 그룹 내 데이터의 특징량을 추출하고, 또한, 스텝 S105에서, 그룹 사이의 동일 데이터 번호의 특징량을 추출한다.
다음에, 데이터 해석 장치(3)는, 스텝 S106에서, 이사상 특정 유닛(7)의 기능에 의해 특징량 중에서 타와는 다른 특징량을 갖는 데이터 항목을 특정한다. 그리고, 스텝 S107에서, 특정한 데이터 항목이 타와의 사이에 유의한 차가 있는지의 여부를 검정 유닛(8)의 기능에 의해 검정한다.
스텝 S101에서 설정한 데이터 해석 대상 시간에 관해 해석이 완료되면, 데이터 해석 장치(3)는, 스텝 S108에서, 데이터 해석 대상의 시간을 단기간으로부터 장기간으로, 또는 장기간으로부터 단기간으로 변경하였는지의 여부를 확인한다. 변경이 종료되지 않은 경우, 데이터 해석 장치(3)는, 스텝 S109에 있어서, 데이터 해석 범위 설정 유닛(4)의 기능에 의해 데이터 해석 대상 시간을 단기간에서 장기간으로, 또는 장기간에서 단기간으로 변경한다. 데이터 해석 장치(3)는, 변경한 데이터 해석 대상 시간에 관해 스텝 S102부터 스텝 S107까지의 해석 처리를 행하고, 그리고, 일련의 처리를 종료한다.
데이터 해석 장치(3)의 해석 과정 및 해석 결과는, 표시 장치(9)에 표시된다. 표시 장치(9)는, 데이터 해석 장치(3)와 일체화된 또는 데이터 해석 장치(3)에 접속된 디스플레이이다. 표시 장치(9)의 표시 화면은 하나라도 좋고 복수라도 좋다. 도 2, 도 3, 도 4, 도 5 및 도 6은, 어느 것이나 표시 장치(9)에 표시되는 내용의 구체례이다. 표시 장치(9)가 표시 화면을 복수 구비하는 경우에는, 이들의 도면에 나타내는 내용을 동시에 표시시킬 수 있다. 표시 장치(9)의 표시 화면이 하나 또는 소수(少數)인 경우는, 화면의 내용을 전환함에 의해 이들의 도면에 도시하는 내용을 선택적으로 표시시킬 수 있다. 진단 지원 장치(1)의 관리자 또는 이용자는, 표시 장치(9)로부터 표시 화면을 통하여 공급되는 정보에 의거하여, 압연기(10)에 이상이나 부적합함이 일어나고 있지 않는지의 여부를 자신의 지식이나 경험을 기초로 판단할 수 있다.
또한, 도 8은, 사상압연기에 실제로 일어난 사례(事例)를 표시한 것이다. 도 8의 그래프에서는, 상단이 압연 스탠드마다의 주기 전류의 변화를 나타내고, 하단이 압연 스탠드마다의 압연 하중의 변화를 나타내고 있다. 이 사례에서는, 주기 전류 중 제4 스탠드(F4)의 주기 전류가 다른 스탠드의 주기 전류에 비하여 진동적으로 되어 있다. 한편, 제4 스탠드(F4)의 압연 하중은 다른 스탠드의 압연 하중에 비하여 진동적이 아니다. 이와 같은 내용의 표시 화면을 본 관리자는, 제4 스탠드의 전동기 주위에 어떠한 이상이 있다고 판단하였다.
실시의 형태 2.
도 9는, 본 발명의 실시의 형태 2의 시스템의 구성을 도시하는 도면이다. 실시의 형태 2에서는, 진단 지원 장치(1)는 떨어진 장소에 놓여진 복수의 압연기(10A, 10B, 10C, 10D)와 인터넷(300)을 통하여 접속되어 있다. 진단 지원 장치(1)는 이들의 압연기(10A, 10B, 10C, 10D)를 진단 지원의 대상으로 한다.
실시의 형태 2에서는, 진단 지원 장치(1)는, 각 압연기(10A, 10B, 10C, 10D)의 감시 대상 장치로부터 데이터를 채취하고, 그들을 해석하여 해석 과정 및 해석 결과를 표시 장치에 표시한다. 데이터의 해석에서, 진단 지원 장치(1)는, 압연기(10A, 10B, 10C, 10D) 사이에서 유사한 감시 대상 장치로부터 얻어진 데이터는 하나의 그룹으로 분류한다. 예를 들면, 압연기(10A, 10B, 10C, 10D)의 각각이 7대의 압연 스탠드로 이루어지는 사상압연기를 구비하고 있는 경우, 진단 지원 장치(1)는, 사상압연기 주기 전류나 사상압연기 압연 하중 등의 물리량마다, 압연 스탠드의 총수에 대응하는 28의 데이터 항목을 갖는 그룹을 작성한다. 그리고, 실시의 형태 1과 마찬가지로, 각 데이터 항목의 특징량을 그룹 내와 그룹 사이의 각각에서 비교하고, 타와는 다른 사상을 나타내는 데이터 항목을 이사상 후보 항목을 특정한다.
실시의 형태 2에 의하면, 비교의 대상이 되는 데이터 항목의 수를 늘릴 수 있기 때문에, 이사상 후보 항목의 특정 정밀도를 높일 수 있고, 나아가서는, 보다 유용한 진단 재료를 관리자 또는 이용자에게 제공하는 것이 가능해진다.
기타의 실시의 형태.
본 발명을 적용 가능한 제조 설비는 압연기만이 아니다. 예를 들면, 본 발명은 같은 사양의 머시닝 센터가 복수 설치되어 있는 공작 기계에도 적용할 수 있다. 그 경우, 그들 머시닝 센터로부터 얻어진 데이터를 하나의 그룹에 통합하면 좋다.
1 : 진단 지원 장치
2 : 데이터 채취 장치
2a : 기록 장치
3 : 데이터 해석 장치
4 : 데이터 해석 범위 설정 유닛
5 : 데이터 그룹화 유닛
6 : 특징량 추출 유닛
7 : 이사상 특정 유닛
8 : 검정 유닛
9 : 표시 장치
10, 10A, 10B, 10C, 10D : 압연기
26 : 사상압연기
260 : 압연 스탠드
2 : 데이터 채취 장치
2a : 기록 장치
3 : 데이터 해석 장치
4 : 데이터 해석 범위 설정 유닛
5 : 데이터 그룹화 유닛
6 : 특징량 추출 유닛
7 : 이사상 특정 유닛
8 : 검정 유닛
9 : 표시 장치
10, 10A, 10B, 10C, 10D : 압연기
26 : 사상압연기
260 : 압연 스탠드
Claims (6)
- 하나의 제조 설비 내에 배치되는 복수의 감시 대상 장치, 또는 복수의 제조 설비에 분산하여 배치되는 복수의 감시 대상 장치의 각각의 데이터를 항상 또는 간헐적으로 채취하고 기록하는 데이터 채취 장치와,
상기 데이터 채취 장치에 기록된 데이터를 해석하는 데이터 해석 장치와,
상기 데이터 해석 장치의 해석 과정 및 해석 결과를 표시하는 표시 장치를
구비하는 제조 설비 진단 지원 장치로서,
상기 데이터 해석 장치는,
상기 데이터 채취 장치에 기록된 데이터의 해석의 범위를 데이터 항목과 시간으로 설정하는 데이터 해석 범위 설정 수단과,
상기 데이터 해석 범위 설정 수단에 의해 설정된 범위의 데이터를 상기 데이터 채취 장치로부터 입력하고, 각 데이터에 대해, 당해 데이터가 채취된 감시 대상 장치의 사양 및 사용 조건에 의거한 분류와, 당해 데이터가 나타내는 물리량에 의거한 분류를 행함에 의해, 상기 데이터 채취 장치로부터 입력한 데이터를 그룹으로 나누는 데이터 그룹화 수단과,
상기 데이터 그룹화 수단에 의해 그룹으로 나눠진 데이터의 각 항목에서의 특징량을 추출하는 특징량 추출 수단과,
상기 특징량 추출 수단에 의해 추출된 각 데이터 항목의 특징량을 그룹 내와 그룹 사이의 각각에서 비교하고, 타와는 다른 사상을 나타내는 데이터 항목이 있는 경우, 당해 데이터 항목을 이사상 후보 항목으로서 특정하는 이사상 특정 수단과,
상기 이사상 특정 수단에서 특정된 이사상 후보 항목과 타 데이터 항목과의 사이에 유의한 차가 있는지의 여부를 검정하고, 유의한 차가 있는 경우에는, 이사상 후보 항목으로 된 데이터 항목을 이사상 항목이라고 판정하는 검정 수단을 구비하는 것을 특징으로 하는 제조 설비 진단 지원 장치. - 제1항에 있어서,
상기 데이터 그룹화 수단은, 각 그룹 내의 데이터 항목수를 그룹 사이에서 동일하게 하고, 각 데이터 항목에 대해, 그룹 내의 식별용으로 그룹 내 데이터 번호를 붙이고, 그룹 사이의 식별용으로 그룹 번호를 붙이는 것을 특징으로 하는 제조 설비 진단 지원 장치. - 제1항 또는 제2항에 있어서,
상기 특징량 추출 수단은, 원데이터, 및, 원데이터를 필터링하여 얻은 신호와 원데이터와의 편차의 2개에 대해, 동일 종류의 특징량을 계산하는 것을 특징으로 하는 제조 설비 진단 지원 장치. - 제1항 내지 제3항 중 어느 한 항에 있어서,
상기 이사상 특정 수단은,
동일 그룹 내의 데이터 항목 사이에서 특징량을 비교하고, 특징량의 크기에 관해 타 데이터 항목과는 소정 비율 이상의 차가 있는 데이터 항목이 있는 경우, 당해 데이터 항목을 제1 레벨의 이사상 후보 항목으로서 특정하고,
감시 대상 장치에서 공통되는 데이터 항목이 복수의 그룹에 걸쳐서 제1 레벨의 이사상 후보 항목으로서 특정된 경우, 당해 데이터 항목을 제2 레벨의 이사상 후보 항목으로서 특정하는 것을 특징으로 하는 제조 설비 진단 지원 장치. - 제4항에 있어서,
상기 검정 수단은,
상기 이사상 특정 수단에서 제1 레벨의 이사상 후보 항목으로서 특정된 데이터 항목에 관해, 당해 데이터 항목의 특징량과, 동일 그룹 내의 타 데이터 항목의 특징량과의 사이에서 통계적인 검정을 행하고, 양자의 사이에 소정의 유의 수준으로 유의한 차가 없다는 귀무가설이 기각된 경우, 당해 데이터 항목을 제1 레벨의 이사상 항목으로서 특정하고,
당해 데이터 항목이 제2 레벨의 이사상 후보 항목이기도 하는 경우에 있어서, 감시 대상 장치에서 공통되는 타 그룹의 데이터 항목도 제1 레벨의 이사상 항목에 해당하는 경우, 당해 데이터 항목을 제2 레벨의 이사상 항목으로서 특정하는 것을 특징으로 하는 제조 설비 진단 지원 장치. - 제1항 내지 제5항 중 어느 한 항에 있어서,
상기 데이터 해석 장치는, 일련의 데이터 해석의 완료 후에 상기 데이터 해석 범위 설정 수단에 의해 데이터의 해석의 범위의 시간을 변경하고, 변경된 범위의 데이터에 의거하여 일련의 데이터 해석을 재차 실행하는 것을 특징으로 하는 제조 설비 진단 지원 장치.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2014/063359 WO2015177870A1 (ja) | 2014-05-20 | 2014-05-20 | 製造設備診断支援装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20170007408A true KR20170007408A (ko) | 2017-01-18 |
KR101906029B1 KR101906029B1 (ko) | 2018-10-08 |
Family
ID=54553567
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020167034856A KR101906029B1 (ko) | 2014-05-20 | 2014-05-20 | 제조 설비 진단 지원 장치 |
Country Status (5)
Country | Link |
---|---|
US (1) | US10996662B2 (ko) |
JP (1) | JP6252675B2 (ko) |
KR (1) | KR101906029B1 (ko) |
CN (1) | CN106462150B (ko) |
WO (1) | WO2015177870A1 (ko) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6572979B2 (ja) * | 2016-02-03 | 2019-09-11 | 東芝三菱電機産業システム株式会社 | 製造設備診断支援装置及び製造設備診断支援方法 |
JP6416823B2 (ja) * | 2016-05-16 | 2018-10-31 | ファナック株式会社 | 加工セル及び加工セル管理システム |
WO2018096682A1 (ja) * | 2016-11-28 | 2018-05-31 | 東芝三菱電機産業システム株式会社 | 圧延設備の異常診断の方法及び装置 |
WO2018123049A1 (ja) * | 2016-12-28 | 2018-07-05 | 東芝三菱電機産業システム株式会社 | 誘導加熱装置の診断装置 |
JP6845703B2 (ja) * | 2017-02-13 | 2021-03-24 | 株式会社神戸製鋼所 | プラント状況情報提示システム及びプラント状況情報提示方法 |
JP6903976B2 (ja) * | 2017-03-22 | 2021-07-14 | オムロン株式会社 | 制御システム |
JP7127304B2 (ja) * | 2018-03-12 | 2022-08-30 | 株式会社リコー | 診断装置、診断方法およびプログラム |
JP6936178B2 (ja) * | 2018-03-23 | 2021-09-15 | ファナック株式会社 | 異常検知装置 |
CN112074789B (zh) * | 2018-05-15 | 2024-02-13 | 住友电气工业株式会社 | 管理装置、管理方法以及记录介质 |
JP6777686B2 (ja) * | 2018-05-29 | 2020-10-28 | ファナック株式会社 | 診断装置、診断方法及び診断プログラム |
JP7031512B2 (ja) | 2018-06-25 | 2022-03-08 | 東芝三菱電機産業システム株式会社 | 鉄鋼プラント用監視作業支援システム |
JP7039737B2 (ja) * | 2018-07-05 | 2022-03-22 | 株式会社日立製作所 | 冷凍機性能異常診断のための方法およびシステム |
US11567482B2 (en) * | 2018-08-31 | 2023-01-31 | Toshiba Mitsubishi-Electric Industrial Systems Corporation | Manufacturing process monitoring apparatus |
DE112019006255B4 (de) | 2019-01-21 | 2024-07-04 | Mitsubishi Electric Corporation | Anomalieursache-schätzeinrichtung, anomalieursache- schätzverfahren und medium |
EP3764184A4 (en) * | 2019-03-26 | 2021-04-21 | Toshiba Mitsubishi-Electric Industrial Systems Corporation | ANOMALIES DETERMINATION ASSISTANCE DEVICE |
EP3796117B1 (de) * | 2019-09-18 | 2021-10-27 | Siemens Aktiengesellschaft | Diagnoseverfahren und diagnosesystem für eine verfahrenstechnische anlage |
US20210370960A1 (en) * | 2020-01-22 | 2021-12-02 | Clearpath Robotics Inc. | Systems and methods for monitoring an operation of one or more self-driving vehicles |
BR112022000009A2 (pt) * | 2020-07-01 | 2023-01-17 | Toshiba Mitsubishi Electric Industrial Systems Corp | Aparelho de suporte de diagnóstico de instalação de produção |
US11586675B1 (en) * | 2021-08-03 | 2023-02-21 | Jmp Statistical Discovery Llc | Interactive graphical user interface for specification rate settings and predictions |
KR20240067923A (ko) * | 2022-10-05 | 2024-05-17 | 가부시키가이샤 티마이크 | 압연 리스크 제시 장치 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11338535A (ja) * | 1998-05-22 | 1999-12-10 | Mitsubishi Electric Corp | 生産設備保全データ監視システム |
JP2006106870A (ja) | 2004-09-30 | 2006-04-20 | Toshiba Corp | プロセス管理装置 |
JP2006338373A (ja) | 2005-06-02 | 2006-12-14 | Toshiba Corp | 多変数時系列データ分析装置、方法およびプログラム |
JP2010191556A (ja) | 2009-02-17 | 2010-09-02 | Hitachi Ltd | 異常検知方法及び異常検知システム |
JP2011243118A (ja) * | 2010-05-20 | 2011-12-01 | Hitachi Ltd | 監視診断装置および監視診断方法 |
JP2013137797A (ja) * | 2013-03-05 | 2013-07-11 | Mitsubishi Heavy Ind Ltd | プラント運転状態監視方法 |
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 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11344589A (ja) | 1998-06-02 | 1999-12-14 | Hitachi Ltd | プラント診断システム |
GB0307406D0 (en) * | 2003-03-31 | 2003-05-07 | British Telecomm | Data analysis system and method |
JP2007148890A (ja) * | 2005-11-29 | 2007-06-14 | Hitachi Ltd | 機器診断装置 |
CN101937207B (zh) * | 2010-08-27 | 2012-09-05 | 上海交通大学 | 机械设备状态的智能可视化监测与诊断方法 |
JP2012137934A (ja) * | 2010-12-27 | 2012-07-19 | Hitachi Ltd | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム並びに企業資産管理・設備資産管理システム |
DK2712391T3 (en) * | 2011-08-19 | 2016-11-21 | Siemens Ag | Automated nuclear cause analysis |
US8786425B1 (en) * | 2011-09-09 | 2014-07-22 | Alarm.Com Incorporated | Aberration engine |
US9075713B2 (en) * | 2012-05-24 | 2015-07-07 | Mitsubishi Electric Research Laboratories, Inc. | Method for detecting anomalies in multivariate time series data |
JP5963579B2 (ja) * | 2012-06-13 | 2016-08-03 | 住友重機械工業株式会社 | ショベルの管理装置及びショベルの異常検出方法 |
EP2708963A1 (en) * | 2012-09-12 | 2014-03-19 | Alstom Technology Ltd. | Devices and methods for diagnosis of industrial electronic based products |
-
2014
- 2014-05-20 CN CN201480079083.6A patent/CN106462150B/zh active Active
- 2014-05-20 WO PCT/JP2014/063359 patent/WO2015177870A1/ja active Application Filing
- 2014-05-20 JP JP2016520848A patent/JP6252675B2/ja active Active
- 2014-05-20 US US15/308,011 patent/US10996662B2/en active Active
- 2014-05-20 KR KR1020167034856A patent/KR101906029B1/ko active IP Right Grant
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11338535A (ja) * | 1998-05-22 | 1999-12-10 | Mitsubishi Electric Corp | 生産設備保全データ監視システム |
JP2006106870A (ja) | 2004-09-30 | 2006-04-20 | Toshiba Corp | プロセス管理装置 |
JP2006338373A (ja) | 2005-06-02 | 2006-12-14 | Toshiba Corp | 多変数時系列データ分析装置、方法およびプログラム |
JP2010191556A (ja) | 2009-02-17 | 2010-09-02 | Hitachi Ltd | 異常検知方法及び異常検知システム |
JP2011243118A (ja) * | 2010-05-20 | 2011-12-01 | Hitachi Ltd | 監視診断装置および監視診断方法 |
JP2013137797A (ja) * | 2013-03-05 | 2013-07-11 | Mitsubishi Heavy Ind Ltd | プラント運転状態監視方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
KR101906029B1 (ko) | 2018-10-08 |
WO2015177870A1 (ja) | 2015-11-26 |
US20170083016A1 (en) | 2017-03-23 |
US10996662B2 (en) | 2021-05-04 |
JP6252675B2 (ja) | 2017-12-27 |
JPWO2015177870A1 (ja) | 2017-04-20 |
CN106462150A (zh) | 2017-02-22 |
CN106462150B (zh) | 2018-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101906029B1 (ko) | 제조 설비 진단 지원 장치 | |
US11392114B2 (en) | Abnormality determination support apparatus | |
Lieber et al. | Quality prediction in interlinked manufacturing processes based on supervised & unsupervised machine learning | |
CN107949813B (zh) | 制造设备诊断辅助装置及制造设备诊断辅助方法 | |
JP5301717B1 (ja) | 設備状態監視方法およびその装置 | |
CN109996615B (zh) | 轧制设备的异常诊断方法及装置 | |
JP6076751B2 (ja) | 異常診断方法およびその装置 | |
JP5342708B1 (ja) | 異常検知方法及びその装置 | |
CN107924183A (zh) | 控制装置、监视***、控制程序及记录媒体 | |
JP6961424B2 (ja) | 故障診断システム | |
JP6714498B2 (ja) | 設備診断装置及び設備診断方法 | |
US20110106289A1 (en) | Method for monitoring an industrial plant | |
JP5821363B2 (ja) | 製品欠陥要因分析装置 | |
CN110914771B (zh) | 品质分析装置及品质分析方法 | |
TW202223767A (zh) | 學習裝置、不良檢測裝置以及不良檢測方法 | |
Chu et al. | An effective method for monitoring the vibration data of bearings to diagnose and minimize defects | |
JP7461798B2 (ja) | 設備監視支援装置、方法及びプログラム | |
WO2020196441A1 (ja) | プロセス状態監視装置及びプロセス状態監視方法 | |
KR20230085924A (ko) | 이상 진단 모델의 구축 방법, 이상 진단 방법, 이상 진단 모델의 구축 장치 및 이상 진단 장치 | |
CN116097289A (zh) | 作业内容分析装置、作业内容分析方法以及程序 | |
CN114871278A (zh) | 辊管理装置 | |
JP2021033729A (ja) | 情報処理装置、情報処理方法、および情報処理プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |