TWI645275B - 製造設備之異常診斷裝置 - Google Patents

製造設備之異常診斷裝置 Download PDF

Info

Publication number
TWI645275B
TWI645275B TW105117947A TW105117947A TWI645275B TW I645275 B TWI645275 B TW I645275B TW 105117947 A TW105117947 A TW 105117947A TW 105117947 A TW105117947 A TW 105117947A TW I645275 B TWI645275 B TW I645275B
Authority
TW
Taiwan
Prior art keywords
data
unit
abnormality
feature amount
manufacturing
Prior art date
Application number
TW105117947A
Other languages
English (en)
Other versions
TW201732476A (zh
Inventor
手知幸
篠永裕之
亀山渉
菅沼睦
永島元貴
Original Assignee
日商東芝三菱電機產業系統股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日商東芝三菱電機產業系統股份有限公司 filed Critical 日商東芝三菱電機產業系統股份有限公司
Publication of TW201732476A publication Critical patent/TW201732476A/zh
Application granted granted Critical
Publication of TWI645275B publication Critical patent/TWI645275B/zh

Links

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
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
    • 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
    • G05B23/0218—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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/50—Machine tool, machine tool null till machine tool work handling
    • G05B2219/50154—Milling center
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • General Factory Administration (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本發明提供可進行製造設備異常的診斷而無關於製造設備之狀態的一種製造設備之異常診斷裝置。製造設備之異常診斷裝置具備：特徵量記憶部，記憶有掌握了製造設備的運作狀態的特徵量資訊；數據變換部，將至少包含前述製造設備的運轉數據或設於前述製造設備的測定裝置的測定數據等資料加以變換；特徵量分析部，根據記憶於前述特徵量記憶部的特徵量資訊將前述數據變換部所變換的數據進行分析；數據復原部，根據記憶於前述特徵量記憶部的特徵量資訊及藉前述特徵量分析部所分析的結果資訊將數據復原；異常度計算部，根據藉前述特徵量分析部分析時所使用的數據及藉前述數據復原部所復原的數據來計算異常度；及異常診斷部，根據藉前述異常度計算部所計算的異常度來進行異常診斷。

Description

製造設備之異常診斷裝置
本發明係關於一種製造設備之異常診斷裝置。
專利文獻1揭示了一種製造設備之異常診斷裝置。該異常診斷裝置係透過將製造設備的監視數據與正常數據加以比較來進行異常診斷。
先行技術文獻 專利文獻
[專利文獻1]日本特開2013-214292號公報
製造設備中混合存在有各種控制時，製造設備的動作會變得複雜。因此，專利文獻1所記載的異常診斷裝置就使用製造設備在受限狀態下的數據來進行異常診斷。
本發明係為了解決上述課題而研創的發明。本發明之目的在於提供可進行製造設備的異常診斷而無關 於製造設備之狀態的製造設備之異常診斷裝置。
本發明的製造設備之異常診斷裝置具備：特徵量記憶部，記憶有掌握了製造設備之運作狀態的特徵量資訊；數據變換部，將包含前述製造設備的運轉數據或設於前述製造設備的測定裝置的測定數據等之資料加以變換；特徵量分析部，根據記憶於前述特徵量記憶部的特徵量資訊將前述數據變換部所變換的數據進行分析；數據復原部，根據前述特徵量記憶部所記憶的特徵量資訊及藉前述特徵量分析部所分析的結果資訊將數據復原；異常度計算部，根據藉前述特徵量分析部分析時使用的數據及藉由前述數據復原部所復原的數據來計算異常度；及異常診斷部，根據藉前述異常度計算部所計算的異常度來進行異常診斷。
若依本發明，異常診斷係根據依照特徵量分析部分析時所使用的數據及藉數據復原部所復原的數據進行計算所得的異常度來進行。因此，可進行製造設備之異常診斷，而無關於製造設備的狀態。
1‧‧‧薄板熱軋作業線
1a‧‧‧輥軋機
2‧‧‧數據收集裝置
3‧‧‧異常診斷裝置
4‧‧‧特徵量記憶部
5‧‧‧數據變換部
6‧‧‧特徵量分析部
7‧‧‧數據復原部
8‧‧‧異常度計算部
9‧‧‧異常診斷部
10a‧‧‧處理器
10b‧‧‧記憶體
11‧‧‧硬體
12‧‧‧特徵量擷取部
13‧‧‧異常診斷參數決定部
第1圖為應用本發明實施形態1的製造設備異常診斷裝置的薄板熱軋作業線構成圖。
第2圖為藉本發明實施形態1的製造設備異常診斷裝 置執行的異常診斷方法的說明圖。
第3圖為本發明實施形態1的製造設備異常診斷裝置的動作說明用流程圖。
第4圖為本發明實施形態1的製造設備異常診斷裝置的硬體構成圖。
第5圖為應用本發明實施形態2的製造設備異常診斷裝置的薄板熱軋作業線構成圖。
第6圖為藉本發明實施形態2的製造設備異常診斷裝置執行的特徵量擷取例的說明圖。
[發明的實施形態]
茲依據圖式說明本發明的實施形態。此外，各圖中，相同或相當的部分均標註相同符號。有關該部分的重複說明則予適當簡化或省略。
實施形態1
第1圖為應用本發明實施形態1的製造設備異常診斷裝置的薄板熱軋作業線的構成圖。
第1圖中，薄板熱軋作業線1係以示意方式顯示。例如，薄板熱軋作業線1具備7台輥軋機1a。包含板厚測量儀、形狀測定器等感測器的測定裝置則未圖示。材料係往圖示的輥軋方向移動。結果，材料得以藉7台輥軋機1a輥軋成所期望的厚度。
數據收集裝置2係定期地或間歇地收集包含 薄板熱軋作業線1的運轉數據或測定裝置的測定數據等資料。例如，數據收集裝置2會收集有關薄板熱軋作業線1的各裝置的設定值數據。例如，數據收集裝置2會收集關於薄板熱軋作業線1的各裝置的實際值數據。例如，數據收集裝置2會收集藉感測器所取得的測定值數據。例如，數據收集裝置2會收集用以製得所期望之製品的控制系統所執行的操作量數據。
異常診斷裝置3具備：特徵量記憶部4、數據變換部5、特徵量分析部6、數據復原部7、異常度計算部8、及異常診斷部9。
特徵量記憶部4係記憶根據藉數據收集裝置2收集的數據所掌握的製造設備正常運作狀態的特徵量資訊。特徵量係為事先擷取。例如，特徵量係利用以主成分分析進行的方法來擷取。若依據運用主成分分析的方法，主成分即作為特徵量而加以擷取。例如，特徵量係藉利用稀疏編碼(sparse coding)的方法來擷取。若依據利用稀疏編碼的方法，則基底集合會被擷取作為特徵量。
在使用於特徵量擷取的數據間，值的大小會不一致。若參差度較大，則特徵量的擷取會發生偏倚。因此，在擷取特徵量前，要對所收集的數據實施正規化處理。例如，正規化處理係根據使用於特徵量擷取的數據的平均值與標準偏差，以下式(1)來表示。
【式1】
但，x′ik為第i個數據的第k個正規化後的值。xik為第i個數據的第k個正規化前的值。xavei為第i個數據的平均值。σi為第i個數據的標準偏差。
另外，正規化處理係在每個數據值有大幅差異的情況下才有效。例如，相對於第1個數據為2.0、3.0的等級，第2個數據為數千等級的情況，實施正規化處理才有效。再者，正規化處理也可以使用(1)式方法之外的方法實施。此外，即使不正規化也不會有問題時，也可不實施正規化處理。
再者，在實行正規化前，也有使用低通濾波器等施以過濾處理的情形。在該情況中，可除去雜訊。
例如，特徵量係根據薄板熱軋作業線1的運轉狀態施以層別化。例如，使特徵量層別化為輥軋中與非輥軋中。特徵量資訊係和薄板熱軋作業線1的運轉狀態資訊構成對應關係而加以記憶。
例如，特徵量係根據所製造的製品而施以層別化。例如，特徵量係根據要輥軋的材料種類、尺寸等而層別化。特徵量資訊係和所製造的製品的相關資訊構成對應關係而加以記憶。
數據變換部5係將自數據收集裝置2傳來的數據施行變換。例如，數據變換部5會根據特徵量記憶部4所記憶的特徵量資訊擷取時所用的平均值及標準偏差而 對從數據收集裝置2傳來的數據施以正規化處理。特徵量記憶部4中，特徵量已施以層別化時，數據變換部5係使用特徵量記憶部4中和層別化對應的層別所得到的平均值與標準偏差。數據變換部5中，在實行正規化前，也有使用低通濾波器等施以過濾處理的情形。在該情況中，雜訊會被除去。另外，在不進行數據變換也不會有問題時，則不作數據變換。
特徵量分析部6係接收藉數據變換部5施以數據變換所得的數據。特徵量分析部6係根據記憶在特徵量記憶部4的特徵量資訊將藉數據變換部5施以數據變換所得的數據進行分析。該分析係以和擷取特徵量時的相同方法進行。利用主成分分析擷取特徵量的情況中，分析結果係藉主成分作文字表達時的係數。藉稀疏編碼擷取特徵量的情況中，分析結果係和稀疏係數對應。特徵量記憶部4中特徵量資訊已施以層別化的情況下，係在和層別對應的特徵量中進行分析。
數據復原部7係根據特徵量記憶部4所記憶的特徵量資訊及藉特徵量分析部6所分析的結果資訊使數據復原。特徵量記憶部4中特徵量資訊已施以層別化的情況中，係使用和層別對應的特徵量。
異常度計算部8係根據藉特徵量分析部6分析時所使用的數據及藉數據復原部7所復原的數據來計算異常度。例如，各數據差的絶對值係分別計算作為異常度。例如，將各數據差的平方加以計算作為異常度。
異常診斷部9係根據藉異常度計算部8所計算的異常度進行異常診斷。例如，異常診斷部9在藉異常度計算部8所計算的異常度超過預先設定的閾值時即診斷為發生異常。例如，該閾值係使用事前擷取特徵量時的數據根據同樣以上述方法求得的復原數據加以設定。例如，該閾值係設定為原數據和復原數據之差的最大值。例如，該閾值係設定為原數據和復原數據之差的95%範圍內的值。在這些情況中，異常度若在該閾值以內，就視為正常。
接著，使用第2圖說明異常診斷的方法。
第2圖係為以本發明實施形態1的製造設備異常診斷裝置進行異常診斷的方法說明圖。
第2圖的左側係顯示只有正常數據的情況。如第2圖的左側所示，數據為正常時，原數據和復原數據幾乎一致。在該情況中，異常診斷裝置3即診斷為正常。
第2圖的右側則顯示加入了異常時的數據的情況。如第2圖的右側所示，異常部分A中，數據未經復原。因此，在原數據和復原數據之間產生了差異。在該情況中，異常診斷裝置3就會診斷為異常。
接著，使用第3圖說明異常診斷裝置的動作。
第3圖為用以說明本發明實施形態1的製造設備異常診斷裝置的動作流程圖。
在步驟S1中，數據變換部5會將來自數據收集裝置2的數據正規化。然後，進入步驟S2。在步驟S2中，特徵量分析部6會根據記憶於特徵量記憶部4的特徵 量資訊將藉數據變換部5施以正規化的數據加以分析。之後，進入步驟S3。在步驟S3中，數據復原部7會根據記憶在特徵量記憶部4的特徵量資訊及藉特徵量分析部6所分析的結果資訊將數據復原。
然後，進入步驟S4。在步驟S4中，異常度計算部8係根據藉特徵量分析部6分析時所使用的數據及藉數據復原部7所復原的數據來計算異常度。之後，進入步驟S5。在步驟S5中，異常診斷部9會根據藉異常度計算部8所計算的異常度進行異常診斷。例如，異常診斷部9會判定藉異常度計算部8所計算的異常度是否超過預先設定的閾值。
在步驟S5藉異常度計算部8所計算的異常度未超過預先設定的閾值時，進入步驟S6。在步驟6中，異常診斷部9診斷為正常。然後，動作就結束。
步驟S5中藉異常度計算部8所計算的異常度超過預先設定的閾值時，進入步驟S7。在步驟S7中，異常診斷部9診斷為異常。之後，動作即結束。
若依以上說明的實施形態1，異常診斷係根據依照藉特徵量分析部6分析時所使用的數據及藉數據復原部7所復原的數據計算所得的異常度來進行。因此，可以進行薄板熱軋作業線1的異常診斷，而無關於薄板熱軋作業線1的狀態。
再者，特徵量分析部6係根據藉數據變換部5正規化的數據進行分析。因此，即使數據間的參差度較 大，也可適當的進行薄板熱軋作業線1的異常診斷。
再者，異常診斷部9係依據藉異常度計算部8所計算的異常度和預先設定的閾值作比較來進行異常診斷。此時，考量到數據的變動，也可在預先設定的期間內超過預先設定的閾值達預定的次數時即診斷為異常。在此情況中，可以避免因突然發生的數據而造成錯誤的診斷。
再者，也有特徵量的資訊和薄板熱軋作業線1的運轉狀態資訊構成對應關係而加以記憶的情形。在此情況中，可以提高薄板熱軋作業線1的異常診斷精確度。
而且，也有特徵量資訊和製造的製品相關的資訊構成對應關係而加以記憶的情形。在該情況中，可以提高薄板熱軋作業線1的異常診斷精確度。
另外，也可使薄板熱軋作業線1的運轉狀態資訊和要製造的製品的相關資訊構成對應關係來記憶特徵量資訊。在此情況中，可以提高薄板熱軋作業線1的異常診斷精確度。
另外，薄板熱軋作業線1被診斷為異常時，也可用警報來告知維修人員。在該情況下，維修人員即不須經常監視。結果，可以減輕維修人員的負擔。而且，可以在故障發生前進行維修作業。因此，事先就可防止薄板熱軋作業線1的停止及重大故障。結果，得以確保穩定的品質。
接著，使用第4圖說明異常診斷裝置3的例子。
第4圖為本發明實施形態1的製造設備之異常診斷裝置的硬體構成圖。
異常診斷裝置3的各功能得以藉由處理電路而獲得實現。例如，處理電路具備至少1個處理器10a和至少1個記憶體10b。例如，處理電路具備至少1個專用的硬體11。
處理電路具備至少1個處理器10a及至少1個記憶體10b時，異常診斷裝置3的各功能可藉軟體、韌體、或軟體與韌體的組合來實現。軟體和韌體的至少一方係記述為程式(program)。軟體和韌體的至少一方係存納於至少1個記憶體10b。至少1個處理器10a係藉由讀出至少1個記憶體10b所記憶的程式並加以執行，而實現異常診斷裝置3的各功能。至少1個處理器10a也稱為CPU(中央處理單元，Central Processing Unit)、中央處理裝置、處理裝置、計算裝置、微處理器、微電腦、DSP。例如，至少1個記憶體10b係為RAM、ROM、快閃記憶體、EPROM、EEPROM等不揮發性或揮發性半導體記憶體、磁碟、軟碟、光碟、CD、小型碟、DVD等。
處理電路具備至少1個專用硬體11的情況中，處理電路係為例如單一電路、複合電路、程式化的處理器、並列程式化的處理器、ASIC、FPGA、或以上各種的組合。例如，異常診斷裝置3的各功能係分別以處理電路來實現。例如，異常診斷裝置3的各功能統一以處理電路來實現。
有關異常診斷裝置3的各功能，也可將一部分以專用的硬體11來實現，其他部分以軟體或韌體實現。例如，有關特徵量記憶部4的功能，也可用作為專用硬體11的處理電路來實現，而特徵量記憶部4以外的功能則藉由至少1個處理器10a將存納於至少1個記憶體10b的程式讀出並加以執行而獲得實現。
依此方式，處理電路就可藉硬體11、軟體、韌體、或以上各種的組合來實現異常診斷裝置3的各功能。
實施形態2
第5圖為應用本發明實施形態2的製造設備之異常診斷裝置的薄板熱軋作業線的構成圖。另外，和實施形態1相同或相當的部分係賦予相同符號，且該部分的說明容予省略。
實施形態2的異常診斷裝置3係為在實施形態1的異常診斷裝置3附加了特徵量擷取部12及異常診斷參數決定部13的異常診斷裝置。
例如，特徵量擷取部12會將特徵量記憶部4所記憶的特徵量資訊作定期更新。例如，特徵量擷取部12會將特徵量記憶部4所記憶的特徵量資訊按薄板熱軋作業線1的定期修理等每個活動(event)加以更新。
特徵量擷取部12係以和特徵量記憶部4所採行的的特徵量擷取方法相同的方法來更新特徵量資訊。數據收集裝置2具有積存數據的功能時，特徵量擷取部12 係使用數據收集裝置2的數據來更新特徵量資訊。數據收集裝置2沒有積存數據的功能時，特徵量擷取部12則將來自數據收集裝置2的數據加以記憶並將特徵量資訊更新。
特徵量擷取部12係從異常診斷部9接收異常診斷結果的通知。特徵量擷取部12不會使用被異常診斷部9診斷為異常的數據，而是使用經診斷為正常的數據來更新特徵量記憶部4所記憶的特徵量資訊。
在特徵量記憶部4中，特徵量資訊施以層別化時，係進行和層別相對應的特徵量的更新。
異常診斷參數決定部13係接收特徵量更新所用的數據及經更新的特徵量資訊。異常診斷參數決定部13會根據特徵量更新所用的數據及經更新的特徵量資訊來決定異常診斷所使用的閾值。異常診斷參數決定部13係將和設定在異常診斷部9的閾值決定方法相同的方法加以自動化所得的方法來決定閾值。異常診斷參數決定部13會將該閾值資訊通知異常診斷部9。
特徵量記憶部4中，特徵量資訊施以層別化時，可設定和層別對應的閾值。
接著，使用第6圖說明藉異常診斷裝置執行的特徵量擷取例。
第6圖為藉本發明實施形態2的製造設備異常診斷裝置擷取特徵量之例的說明圖。
第6圖中，運轉狀態係分類為「輥軋中」和「非輥軋中」。在材料B的輥軋中，存在有經診斷為異常 的數據。在此情況中，材料B輥軋中期間的數據全不使用於特徵量的更新。
若依以上所說明的實施形態2，特徵量記憶部4所記憶的特徵量資訊會被更新。再者，數據變換部5使用於數據變換的參數也會更新。因此，和薄板熱軋作業線1的經時變化對應的異常診斷得以進行。
再者，特徵量資訊不會使用經診斷為異常的數據，而是使用經診斷為正常的數據來更新。因此，可設定更適當的特徵量。
另外，也有實際異常在診斷為異常之前就開始發生的情形。因此，也可採行包含該異常數據的前後一定期間的數據不使用於特徵量資訊的更新的作法。而且，如第6圖所示，也可根據運轉狀態的資訊或要製造的製品的相關資訊，而不將包含該數據期間的全部數據使用於特徵量資訊的更新。
再者，在異常診斷部9使用的閾值係根據經更新的特徵量資訊來決定。因此，和薄板熱軋作業線1的經時變化對應的閾值可加以設定。
另外，也可將實施形態1或實施形態2的異常診斷裝置3應用於和薄板熱軋作業線1不同的製造設備。例如，也可將實施形態1或實施形態2的異常診斷裝置3應用於連續冷軋機。例如，也可將實施形態1或實施形態2的異常診斷裝置3應用於退火處理作業線。例如，也可將實施形態1或實施形態2的異常診斷裝置3應用於 電鍍處理作業線。
[產業上的可利用性]
如上所述，本發明製造設備之異常診斷裝置，可利用於進行製造設備異常診斷的系統，而無關於製造設備之狀態。

Claims (7)

  1. 一種製造設備的異常診斷裝置，具備：特徵量記憶部，係記憶有與製造設備的運轉狀態的資訊構成對應關係且掌握了前述製造設備的運作狀態的特徵量資訊；數據變換部，係將包含前述製造設備的運轉數據或設於前述製造設備的測定裝置的測定數據等之資料進行正規化；特徵量分析部，係根據記憶於前述特徵量記憶部的特徵量資訊，將前述數據變換部進行正規化後的數據進行分析；數據復原部，係根據前述特徵量記憶部所記憶的特徵量資訊及藉前述特徵量分析部所分析的結果資訊將數據復原；異常度計算部，係根據藉前述特徵量分析部分析時所使用的數據及藉前述數據復原部所復原的數據來計算異常度；及異常診斷部，係根據藉前述異常度計算部所計算的異常度進行異常診斷。
  2. 如申請專利範圍第1項所述之製造設備之異常診斷裝置，其中，前述異常診斷部係在藉前述異常度計算部所計算的異常度在預先設定的期間內超過預先設定的閾值達預定次數時才診斷為異常。
  3. 如申請專利範圍第1或2項所述之製造設備之異常診斷 裝置，其中，前述特徵量記憶部係將特徵量資訊和要製造的製品的相關資訊構成對應關係而加以記憶。
  4. 如申請專利範圍第1或2項所述之製造設備之異常診斷裝置，其中，具備特徵量擷取部，係根據包含前述製造設備的運轉數據或設於前述製造設備的測定裝置的測定數據等之資料來更新前述特徵量記憶部所記憶的特徵量資訊。
  5. 如申請專利範圍第4項所述之製造設備之異常診斷裝置，其中，前述特徵量擷取部不使用經前述異常診斷部診斷為異常的數據，而是使用經診斷為正常的數據來更新前述特徵量記憶部所記憶的特徵量資訊。
  6. 如申請專利範圍第4項所述之製造設備之異常診斷裝置，其中，前述特徵量擷取部係根據包含前述製造設備的運轉數據或前述製造設備所設置的測定裝置的測定數據等之資料來更新前述數據變換部使用於數據變換的參數。
  7. 如申請專利範圍第4項所述之製造設備之異常診斷裝置，其中，具備異常診斷參數決定部，其係根據藉前述特徵量擷取部所更新的特徵量資訊來決定前述異常診斷部所用的閾值。
TW105117947A 2016-02-25 2016-06-07 製造設備之異常診斷裝置 TWI645275B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
PCT/JP2016/055589 WO2017145318A1 (ja) 2016-02-25 2016-02-25 製造設備の異常診断装置
??PCT/JP2016/055589 2016-02-25

Publications (2)

Publication Number Publication Date
TW201732476A TW201732476A (zh) 2017-09-16
TWI645275B true TWI645275B (zh) 2018-12-21

Family

ID=59685961

Family Applications (1)

Application Number Title Priority Date Filing Date
TW105117947A TWI645275B (zh) 2016-02-25 2016-06-07 製造設備之異常診斷裝置

Country Status (6)

Country Link
US (1) US20180372583A1 (zh)
JP (1) JPWO2017145318A1 (zh)
KR (1) KR20180116322A (zh)
CN (1) CN108885443A (zh)
TW (1) TWI645275B (zh)
WO (1) WO2017145318A1 (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11567482B2 (en) 2018-08-31 2023-01-31 Toshiba Mitsubishi-Electric Industrial Systems Corporation Manufacturing process monitoring apparatus
DE112018008225T5 (de) * 2018-12-27 2021-09-16 Mitsubishi Electric Corporation Anomalie-diagnosevorrichtung und anomalie-diagnoseverfahren
CN109885951A (zh) * 2019-02-28 2019-06-14 中科云创(厦门)科技有限公司 设备故障诊断方法及装置
WO2021095595A1 (ja) * 2019-11-13 2021-05-20 Ｊｆｅスチール株式会社 生産設備の操業方法及び操業システム
BR112022000009A2 (pt) * 2020-07-01 2023-01-17 Toshiba Mitsubishi Electric Industrial Systems Corp Aparelho de suporte de diagnóstico de instalação de produção
CN113094557B (zh) * 2021-04-02 2023-04-21 中冶赛迪信息技术(重庆)有限公司 一种轧机数据关联方法及***
JP2022162903A (ja) * 2021-04-13 2022-10-25 パナソニックＩｐマネジメント株式会社 生産設備監視システムおよび生産設備監視方法
JP2022170446A (ja) * 2021-04-28 2022-11-10 株式会社日立製作所 生産管理システムおよび生産管理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1601250A (zh) * 2003-09-22 2005-03-30 欧姆龙株式会社 检查方法、检查装置及设备诊断装置
CN1263090C (zh) * 2003-04-29 2006-07-05 台湾积体电路制造股份有限公司 判断造成半导体机台异常原因的***与方法
TW200819723A (en) * 2006-07-03 2008-05-01 Ritsumeikan University Method and system for diagnosing equipment, and recording medium thereof
CN101208589A (zh) * 2005-06-21 2008-06-25 Abb研究有限公司 用于过程控制***的诊断设备
TW200938976A (en) * 2008-03-06 2009-09-16 Applied Materials Inc Yield prediction feedback for controlling an equipment engineering system

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0654447B2 (ja) * 1986-01-29 1994-07-20 株式会社日立製作所 故障予知装置
JP5431235B2 (ja) * 2009-08-28 2014-03-05 株式会社日立製作所 設備状態監視方法およびその装置
JP5369246B1 (ja) * 2013-07-10 2013-12-18 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
JP5875726B1 (ja) * 2015-06-22 2016-03-02 株式会社日立パワーソリューションズ 異常予兆診断装置のプリプロセッサ及びその処理方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1263090C (zh) * 2003-04-29 2006-07-05 台湾积体电路制造股份有限公司 判断造成半导体机台异常原因的***与方法
CN1601250A (zh) * 2003-09-22 2005-03-30 欧姆龙株式会社 检查方法、检查装置及设备诊断装置
CN101208589A (zh) * 2005-06-21 2008-06-25 Abb研究有限公司 用于过程控制***的诊断设备
TW200819723A (en) * 2006-07-03 2008-05-01 Ritsumeikan University Method and system for diagnosing equipment, and recording medium thereof
TW200938976A (en) * 2008-03-06 2009-09-16 Applied Materials Inc Yield prediction feedback for controlling an equipment engineering system

Also Published As

Publication number Publication date
US20180372583A1 (en) 2018-12-27
JPWO2017145318A1 (ja) 2018-09-27
CN108885443A (zh) 2018-11-23
TW201732476A (zh) 2017-09-16
KR20180116322A (ko) 2018-10-24
WO2017145318A1 (ja) 2017-08-31

Similar Documents

Publication Publication Date Title
TWI645275B (zh) 製造設備之異常診斷裝置
CN107949813B (zh) 制造设备诊断辅助装置及制造设备诊断辅助方法
CN105259895B (zh) 一种工业过程微小故障的检测和分离方法及其监测***
US10725465B2 (en) State diagnostic device
WO2020194534A1 (ja) 異常判定支援装置
CN109086876B (zh) 设备的运行状态检测方法、装置、计算机设备和存储介质
CN109960232B (zh) 领先辅助参数的选择方法和设备维护预诊断的方法
WO2014033433A1 (en) System monitoring
CN107851294B (zh) 大型运行***的基于状态的预防维护装置及方法
CN115829422A (zh) 基于大数据的工业设备运行异常状态识别方法
CN110715678B (zh) 一种传感器异常检测方法及装置
CN117148784A (zh) 一种多轴多通道数控***运行故障分析方法
JP7481976B2 (ja) 異常スコア算出装置、異常スコア算出方法およびプログラム
JP6885321B2 (ja) プロセスの状態診断方法及び状態診断装置
US11567482B2 (en) Manufacturing process monitoring apparatus
TWI745912B (zh) 高爐之異常判定裝置、高爐之異常判定方法及高爐之操作方法
JP5569324B2 (ja) 操業条件管理装置
TWI808407B (zh) 輥管理裝置
EP1776616B1 (de) Verfahren zur detektion von störquellen oder von fehlerhaften messsensoren durch gutfall-modellierung und teilweises ausblenden von gleichungen
CN117708540A (zh) 银行仓库内二氧化碳浓度智能管理方法、装置及存储介质
ITUB20155473A1 (it) Metodo di analisi delle sequenze temporali di misure di due segnali caratteristici di un sistema per determinare una eventuale correlazione di causa-effetto con stesso ritardo di tempo
ITUB20155448A1 (it) Metodo di analisi con suddivisione in finestre di una sequenza temporale di misure di un segnale caratteristico di un sistema per la diagnosi preventiva del sistema stesso
ITUB20155443A1 (it) Metodo di analisi delle sequenze temporali di misure di due segnali caratteristici di un sistema per determinare una eventuale correlazione di causa-effetto entro uno stesso ritardo di tempo
ITUB20155455A1 (it) Metodo di analisi con matrice di transizione di una sequenza temporale di misure di un segnale caratteristico di un sistema per la diagnosi preventiva del sistema stesso

Legal Events

Date Code Title Description
MM4A Annulment or lapse of patent due to non-payment of fees