TWI833249B - 機器狀態監視裝置及機器狀態監視方法 - Google Patents
機器狀態監視裝置及機器狀態監視方法 Download PDFInfo
- Publication number
- TWI833249B TWI833249B TW111122833A TW111122833A TWI833249B TW I833249 B TWI833249 B TW I833249B TW 111122833 A TW111122833 A TW 111122833A TW 111122833 A TW111122833 A TW 111122833A TW I833249 B TWI833249 B TW I833249B
- Authority
- TW
- Taiwan
- Prior art keywords
- machine
- data
- feature quantity
- state
- aforementioned
- Prior art date
Links
- 238000012806 monitoring device Methods 0.000 title claims abstract description 46
- 238000012544 monitoring process Methods 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 title claims description 16
- 238000009826 distribution Methods 0.000 claims abstract description 91
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 238000006243 chemical reaction Methods 0.000 claims abstract description 30
- 239000000284 extract Substances 0.000 claims abstract description 14
- 230000002159 abnormal effect Effects 0.000 claims description 37
- 230000006870 function Effects 0.000 description 19
- 238000012545 processing Methods 0.000 description 19
- 230000015654 memory Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 14
- 238000012360 testing method Methods 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 101100421916 Arabidopsis thaliana SOT5 gene Proteins 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Computer Hardware Design (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
機器狀態監視裝置(1)係具備:特徵量抽出部(11),係從顯示監視對象之機器之狀態的運轉資料,抽出關於機器之狀態的特徵量資料;資料轉換部(12),係將從運轉資料抽出的特徵量資料轉換為進行機器之狀態監視之運轉環境下獨立於機器之運轉模式之特徵量空間內的判定用資料;判定部(13),係根據比較特徵量空間中表示判定範圍的特徵量分布與判定用資料所得出的結果,判定機器的狀態;及輸出部(14),係輸出機器之狀態的判定結果。
Description
本揭示係關於一種機器狀態監視裝置及機器狀態監視方法。
工作機械等機器的狀態,一般而言會隨著該機器的運轉環境及運轉條件而變化。因此,乃提出了一種使用特別針對機器之運轉環境及運轉條件的學習模型,而推論機器之狀態的技術。例如,專利文獻1所記載的伺服器裝置係從已進行配合各種裝置的運轉環境及運轉條件之預先學習後的複數個共有模型,選擇符合目的之裝置之運轉環境或運轉條件的共有模型,且使用從目的的裝置所取得的裝置資料作為未學習資料,而進行所選擇之共有模型的追加學習。共有模型雖為通用的學習模型,但藉由以特別針對目的之裝置之運轉環境及運轉條件來進行追加的學習,而微調整作為對應於目的之裝置之條運轉環境或運轉條件的學習模型。
[先前技術文獻]
[專利文獻]
專利文獻1:日本專利特開2020-161167號公報
[發明所欲解決的問題]
當以由運轉條件所規定之運轉模式運轉之機器的狀態產生了參差不齊時,顯示機器之狀態之運轉資料的特徵量分布變大,而機器之狀態的判定精確度降低。在專利文獻1所記載之習知的技術中,係使用了符合各種運轉模式的複數個共有模型,以使以各個運轉模式(運轉條件)運轉之機器之狀態的判定精確度不會降低。惟,共有模型並未以特別針對目的之機器的運轉環境及運轉條件進行學習,而無法高精確度地判定機器的狀態。因此,專利文獻1所記載之習知的技術,係使用從目的的機器所獲得的資料而進行了共有模型的追加學習。
然而,使用在共有模型之追加學習上的學習資料,即使是從目的的機器所獲得的資料,亦為在不同於用在共有模型之產生之學習資料之運轉環境下的資料。因此,由於進行追加學習後之共有模型的推論結果不可避免地包含有因為運轉環境的差異所導致的誤差要因,故無法精確度良好地判定機器的狀態。亦即,在從預先準備之通用的複數個共有模型選擇用於機器之狀態之判定上之模型的方法中,係具有無法精確度良好地判定機器之狀態的問題。
本揭示係用以解決上述問題者,其目的為獲得一種不進行通用之學習模型的選擇及追加學習即可判定機器之狀態的機器狀態監視裝置及機器狀態監視方法。
[用以解決問題的手段]
本揭示的機器狀態監視裝置係具備:特徵量抽出部,係從顯示監視對象之機器之狀態的運轉資料,抽出關於機器之狀態的特徵量資料;資料轉換部,係將從運轉資料抽出的特徵量資料轉換為規定有特徵量分布之特徵量空間內的判定用資料,該特徵量分布係顯示進行機器之狀態監視之運轉環境下獨立於機器之運轉模式之機器之狀態的判定範圍;判定部,係根據比較特徵量空間中之表示判定範圍的特徵量分布與判定用資料所得出的結果,判定機器的狀態;及輸出部,係輸出機器之狀態的判定結果。
[發明功效]
依據本揭示,係將從顯示監視對象之機器之狀態的運轉資料抽出的特徵量資料轉換為規定有顯示進行機器之狀態監視之運轉環境下獨立於機器之運轉模式之機器之狀態的判定範圍之特徵量分布之特徵量空間內的判定用資料,且根據比較特徵量空間中之表示判定範圍的特徵量分布與判定用資料所得出的結果,判定機器的狀態。由於以進行機器之狀態監視之運轉環境下獨立於運轉模式之判定範圍為基準而判定機器的狀態,故本揭示的機器狀態監視裝置係可在不進行通用之學習模型的選擇及追加學習下判定機器的狀態。
<實施形態1>
圖1係顯示實施形態1之機器狀態監視裝置1之構成的方塊圖。在圖1中,機器狀態監視裝置1係使用從監視對象之機器取得的運轉資料而監視該機器之狀態的裝置。作為監視對象的機器來說,係可列舉例如旋轉機械等工作機械。運轉資料係顯示機器之狀態的資料,例如為顯示從以某運轉模式運轉的機器所測量之該機器之狀態之測量值的時間序列資料。運轉模式係機器所進行之一連串的運轉動作,其藉由設定有指示各運轉動作之運轉模式指令值的機器來執行。運轉模式指令值例如有指令速度、指令位置或指令負荷。
如圖1所示,機器狀態監視裝置1係與記憶測試資料(test data)的記憶裝置2連接著。測試資料係監視對象之機器的運轉資料、與顯示取得運轉資料時之機器之運轉模式的運轉模式資訊建立連結後的資料。例如,藉由安裝於監視對象之機器的感測器或控制監視對象之機器之動作的控制裝置所測量的運轉資料及運轉模式資訊,係作為測試資料而被記憶於記憶裝置2中。機器狀態監視裝置1係使用從記憶裝置2所讀取的測試資料而判定監視對象之機器的狀態。
機器狀態監視裝置1係具備特徵量抽出部11、資料轉換部12、判定部13、及輸出部14。特徵量抽出部11係從顯示監視對象之機器之狀態的運轉資料,抽出關於機器之狀態的特徵量資料。例如,特徵量抽出部11係輸入從感測器或控制裝置依一定的測量周期所測量之機器的運轉資料,且將所輸入之運轉資料的特徵量依每一測量周期算出。運轉資料特徵量係例如在測量周期的時間內所測量之運轉資料的平均值、最小值、最大值或分散的統計量,或者施以高速傅利葉(Fourier) 轉換(FFT)所獲得的能譜(power spectrum)。
資料轉換部12係將經由特徵量抽出部11從運轉資料抽出的特徵量資料,轉換為獨立於某運轉環境下之機器之運轉模式之特徵量空間內的判定用資料。特徵量空間中規定有顯示獨立於機器之運轉模式之機器之狀態之判定範圍的特徵量分布。此外,顯示機器之狀態之判定範圍的特徵量分布,係如後使用圖3所述,根據關於在某運轉環境下以複數個運轉模式運轉之機器之狀態之複數個特徵量分布的傾向而算出。
例如,求出關於在某運轉環境下以複數個運轉模式之各者運轉之機器之異常狀態的複數個特徵量分布,且以將此等特徵量分布的位置關係轉換(使其接近)成為使分布之中心間的距離變為最小之方式所產生的一個分布,即為顯示獨立於運轉模式之機器之異常範圍的特徵量分布。至於機器的正常範圍,亦同樣地求出關於以複數個運轉模式之各者運轉之機器之正常狀態的複數個特徵量分布,且以將此等特徵量分布的位置關係轉換成為使分布之中心間的距離變為最小之方式所產生的一個分布,即為顯示獨立於運轉模式之機器之正常範圍的特徵量分布。
分別對應於機器之複數個運轉模式的複數個特徵量分布,係藉由將被分類為機器之相同狀態之特徵量之分布彼此接近的轉換應用於各特徵量,而產生獨立於運轉模式之特徵量空間中之顯示機器之狀態之判定範圍的特徵量分布。資料轉換部12係例如進行使用表示特徵量之轉換的轉換式而將從運轉資料抽出的特徵量資料轉換為特徵量空間內之資料,即所謂對於特徵量空間內投影資料。投影於特徵量空間內的資料,即為使用於機器之狀態之判定上的判定用資料。
獨立於運轉資料之特徵量空間中之顯示機器之狀態之判定範圍的特徵量分布,係可為在分別對應於機器的複數個運轉模式的複數個特徵量分布中,將被分類為某狀態之特徵量的分布、與被分類為與其不同之狀態之特徵量的分布間距離會變遠之類的轉換應用於特徵量所得出者。此時,資料轉換部12亦可使用特徵量的轉換式而將從運轉資料抽出的特徵量資料轉換為特徵量空間內的資料。
判定部13係根據比較特徵量空間中表示判定範圍的特徵量分布與判定用資料所得出的結果,判定機器的狀態。例如,判定部13係當特徵量空間內之顯示機器之判定範圍的特徵量分布中包含有判定用資料時,判定機器的狀態為該判定範圍所示之機器的狀態。另一方面,判定部13係當顯示機器之狀態之判定範圍的特徵量分布中不包含判定用資料時,判定機器的狀態非為該判定範圍所示之機器的狀態。
此外,獨立於運轉模式之特徵量空間中之機器之狀態的判定範圍係可為以機械學習模型來實現者。該機械學習模型係例如將藉由特徵量抽出部11從機器的運轉資料抽出的特徵量資料作為輸入,且根據上述判定範圍而推論機器之狀態的學習模型。判定部13係將藉由資料轉換部12所轉換的判定用資料輸入於學習模型,且將由學習模型所作之機器之狀態的推論結果予以輸出以作為機器之狀態的判定結果。
輸出部14係輸出機器之狀態的判定結果。輸出部14所輸出的判定結果係使用在機器之狀態的監視上。例如,輸出部14係將使之顯示特徵量空間、判定範圍及判定結果的顯示控制資訊,輸出至與機器狀態監視裝置1另個別地設置的顯示裝置。顯示裝置係根據顯示控制資訊而顯示特徵量空間、判定範圍及判定結果。另外,輸出部14亦可具備有與機器狀態監視裝置1另個別地設置的外部裝置。
圖2為顯示實施形態1之機器狀態監視方法的流程圖,顯示了機器狀態監視裝置1的動作。特徵量抽出部11係從記憶裝置2取得顯示監視對象之機器之狀態的運轉資料,且從所取得的運轉資料抽出關於機器之狀態的特徵量資料(步驟ST1)。例如,特徵量抽出部11係從自記憶裝置2讀取的運轉資料,抽出關於每一測量周期之機器之狀態之特徵量的時間序列資料。所抽出之特徵量的時間序列資料係作為上述特徵量資料被輸出至資料轉換部12。
接著,資料轉換部12係將從機器的運轉資料抽出的特徵量資料,轉換為獨立於機器之運轉模式之特徵量空間內的判定用資料(步驟ST2)。圖3A係顯示以運轉模式P1、P2及P3動作之機器之狀態之特徵量分布的說明圖。在圖3A中,特徵量(1)及特徵量(2)係關於以運轉模式P1、P2及P3動作之機器之狀態的特徵量資料。例如,當機器為旋轉機械,且機器的狀態為旋轉機械的旋轉狀態時,設定轉矩平均值作為關於旋轉狀態的特徵量(1),且設定轉矩的標準偏差作為關於旋轉狀態的特徵量(2)。
在關於以運轉模式P1動作之機器之狀態的特徵量分布中,黑色三角形的圖標,係顯示了關於機器之狀態之特徵量中被分類為異常範圍的特徵量,而白色三角形的圖標,係顯示了被分類為正常範圍的特徵量。在關於以運轉模式P2動作之機器之狀態的特徵量分布中,黑色菱形的圖標,係顯示了關於機器之狀態之特徵量中被分類為異常範圍的特徵量,而白色菱形的圖標,係顯示了被分類為正常範圍的特徵量。在關於以運轉模式P3動作之機器之狀態的特徵量分布中,黑色圓形的圖標,係顯示了關於機器之狀態之特徵量中被分類為異常範圍的特徵量,而白色圓形的圖標,係顯示了被分類為正常範圍的特徵量。
如圖3A所示,在對應於運轉模式P1至P3之各特徵量分布之正常範圍與異常範圍的交界部分中,有顯示被分類為正常範圍之特徵量的圖標、與被分類為異常範圍之特徵量的圖標重疊者。此外,例如,會有被分類為一方之判定範圍的圖標,存在於存在有許多被分類為另一方之判定範圍之圖標之區域的情形。此等圖標係顯示機器之狀態從正常範圍轉變為異常範圍之際之特徵量的圖標,或顯示了包含每一運轉模式之機器之狀態之參差不齊的特徵量。如此,在每一運轉模式的特徵量分布中,當將特徵量分類為正常範圍與異常範圍時,會在正常範圍與異常範圍的交界部分產生分類的不明確性。此不明確性係例如亦在依每一運轉模式學習機器之狀態之判定範圍的學習模型產生,成為學習模型所進行之機器之狀態之判定精確度降低的要因。
圖3B係顯示獨立於運轉模式之特徵量空間中之機器之狀態之異常範圍的特徵量分布A1及正常範圍之特徵量分布A2的說明圖。在圖3B中,異常範圍的特徵量分布A1及正常範圍的特徵量分布A2,係藉由將對應於運轉模式P1、P2及P3之特徵量分布中被分類為異常範圍的特徵量彼此、被分類為正常範圍的特徵量彼此會接近之類的轉換應用於各特徵量而算出。
例如,將對應於運轉模式P1之黑色三角形之特徵量之分布的中心設為C1、對應於運轉模式P2之黑色菱形之特徵量之分布的中心設為C2、對應於運轉模式P3之黑色圓形之特徵量之分布的中心設為C3。此時,藉由將C1與C2的距離L1被最小化,C1與C3的距離L2被最小化,C2與C3的距離L3被最小化之類的轉換應用於各特徵量,而算出異常範圍的特徵量分布A1及正常範圍的特徵量分布A2。
如此,異常範圍的特徵量分布A1係反映出對應於運轉模式P1、P2及P3之被分類為異常範圍之特徵量分布之傾向的分布,正常範圍的特徵量分布A2係反映出對應於運轉模式P1、P2及P3之被分類為正常範圍之特徵量分布之傾向的分布,其均為獨立於運轉模式之特徵量空間中的特徵量分布。
此外,異常範圍的特徵量分布A1及正常範圍的特徵量分布A2,亦可藉由將特徵量轉換為使對應於運轉模式P1至P3之特徵量分布中被分類為異常範圍的特徵量與被分類為正常範圍的特徵量會變遠之方式而算出。
圖3B中之特徵量(I)及特徵量(II)係將算出異常範圍之特徵量分布A1及正常範圍之特徵量分布A2之際所進行之特徵量的轉換,反映於特徵量(1)及特徵量(2)而得出的特徵量。
另外,雖顯示了在獨立於運轉模式P1至P3之特徵量空間中算出異常範圍的特徵量分布A1及正常範圍的特徵量分布A2之兩方的情形,但亦可算出異常範圍的特徵量分布A1或正常範圍的特徵量分布A2之任一者。
判定部13係根據比較資料轉換部12所轉換的判定用資料B、及異常範圍之特徵量分布A1或正常範圍的特徵量分布A2所得出的結果來判定監視對象之機器的狀態(步驟ST3)。在此,判定部13係根據判定用資料B、與異常範圍之特徵量分布A1或正常範圍之特徵量分布A2的位置關係,而判定機器的狀態是否接近正常的狀態。例如,若判定用資料B、與異常範圍之特徵量分布A1之分布中心C4之間的距離L4未達臨限值,則判定用資料B所示之機器的狀態為異常範圍,且判定為機器係異常狀態。此外,當判定用資料B、與異常範圍之特徵量分布A1之分布中心C4之間的距離L4為臨限值以上,且判定用資料B與正常範圍之特徵量分布A2之分布中心C5之間的距離L5未達臨限值時,判定為機器係正常狀態。
此外,亦可假定機器的劣化狀態係被分類為正常範圍之機器之狀態與被分類為異常範圍之機器之狀態之間的狀態,判定部13係依據距離L4及L5來判定機器為劣化狀態。
輸出部14係輸出機器之狀態的判定結果(步驟ST4)。例如,輸出部14係例如對於顯示裝置的畫面,顯示特徵量空間、及該特徵量空間中之顯示判定範圍的特徵量分布和判定用資料B。藉此,使用者即可辨認顯示裝置的畫面,藉此掌握機器的狀態。
機器狀態監視裝置1中之特徵量抽出部11、資料轉換部12、判定部13及輸出部14的功能係藉由處理電路來實現。亦即,機器狀態監視裝置1係具備用以執行圖2之步驟ST1至步驟ST4之處理的處理電路。處理電路係可為專用的硬體(hardware),亦可為執行記憶於記憶體中之程式(program)的CPU(Central Processing Unit,中央處理單元)。
圖4A係顯示實現機器狀態監視裝置1之功能之硬體構成的方塊圖。圖4B係顯示實現機器狀態監視裝置1之功能之軟體(software)之硬體構成的方塊圖。在圖4A及圖4B中,輸入介面(intreface)100係將機器狀態監視裝置1從記憶裝置2讀取的運轉資料予以中繼的介面。此外,輸出介面101係將從機器狀態監視裝置1輸出之顯示機器之狀態之判定結果的資訊予以中繼的介面。
當處理電路為圖4A所示之專用之硬體的處理電路102時,處理電路102係例如為單一電路、複合電路、經程式化的處理器(processor)、經並聯程式化的處理器、ASIC(Application Specific Integrated Circuits,特殊應用積體電路)、FPGA(Field-Programmable Gate Array,現場可程式閘陣列)、或該等經組合而成者屬之。
機器狀態監視裝置1中之特徵量抽出部11、資料轉換部12、判定部13、及輸出部14的功能係藉由個別的處理電路來實現,亦可將此等功能予以匯集而以一個處理電路來實現。
此外,當處理電路為圖4B所示的處理器103時,機器狀態監視裝置1中之特徵量抽出部11、資料轉換部12、判定部13、及輸出部14的功能係藉由軟體、韌體(firmware)、或軟體與韌體的組合來實現。另外,軟體或韌體係被記述作為程式而記憶於記憶體104中。
處理器103係藉由讀取記憶於記憶體104中的程式並執行,而實現機器狀態監視裝置1中之特徵量抽出部11、資料轉換部12、判定部13及輸出部14的功能。例如,機器狀態監視裝置1係具備記憶體104,該記憶體104係用以記憶在藉由處理器103執行時結果將會執行圖2所示之流程圖中之步驟ST1至步驟ST4之處理的程式。此等程式係使電腦執行特徵量抽出部11、資料轉換部12、判定部13及輸出部14的程序或方法。
記憶體104亦可為記憶有程式之可由電腦讀取的記憶媒體,該程式係使電腦作為特徵量抽出部11、資料轉換部12、判定部13及輸出部14產生作用。
記憶體104係例如為RAM(Random Access Memory,隨機存取記憶體)、ROM(Read Only Memory,唯讀記憶體)、快閃記憶體(flash mermoy)、EPROM(Erasable Programmable Read Only Memory,可抹除可程式化唯讀記憶體)、EEPROM(Electrically Erasable Programmable Read Only Memory,電性可抹除可程式化唯讀記憶體)等非揮發性或揮發性的半導體記憶體,磁碟、可撓性記憶體(flexible memory)、光磁碟、CD(Compact Disk,光碟)、迷你碟(minidisk)、DVD(Digital Versatile Disc,數位化多功能光碟)等屬之。
機器狀態監視裝置1中之特徵量抽出部11、資料轉換部12、判定部13及輸出部14之功能的一部分亦可由專用的硬體來實現,其餘的一部分則可由軟體或韌體來實現。
例如,特徵量抽出部11、資料轉換部12及判定部13的功能係藉由屬於專用之硬體的處理電路102來實現,輸出部14的功能藉由由處理器103讀取記憶於記憶體104中的程式並執行來實現。如此,處理電路係藉由硬體、軟體、韌體、或此等的組合而實現上述功能。
實施形態1之機器狀態監視裝置1或機器狀態監視方法,係由特徵量抽出部11從顯示監視對象之機器之狀態的運轉資料抽出關於機器之狀態的特徵量資料,且由資料轉換部12將從運轉資料抽出的特徵量資料,轉換為規定有顯示進行機器之狀態監視之運轉環境下獨立於機器之運轉模式之機器之狀態的判定範圍之特徵量分布之特徵量空間內的資料,且由判定部13根據比較資料轉換部12所轉換之資料與特徵量空間中之表示判定範圍之特徵量分布所得出的結果來判定機器的狀態,且由輸出部14輸出機器之狀態的判定結果。
由於以進行機器之狀態監視之運轉環境下獨立於運轉模式的判定範圍為基準而判定機器的狀態,因此機器狀態監視裝置1係可在不進行通用之學習模型的選擇及追加學習下判定機器的狀態。
實施形態2
圖5係顯示實施形態2之機器狀態監視裝置1A之構成的方塊圖。在圖5中,對於與圖1相同的構成要素係賦予相同的符號且省略詳細的說明。機器狀態監視裝置1A係產生使用記憶於記憶裝置3中的學習資料而用以判定監視對象之機器之狀態的學習模型,且使用學習模型來判定機器的狀態。
記憶於記憶裝置3中的學習資料,係在進行機器之狀態監視的運轉環境中,監視對象之機器的運轉資料、與顯示取得運轉資料時之機器之運轉模式之運轉模式資訊建立連結後的資料。另外,學習資料中包含有顯示以相同運轉模式動作之機器之正常範圍的運轉資料及顯示異常範圍的運轉資料。
機器狀態監視裝置1A係具備有特徵量抽出部11A、資料轉換部12、判定部13、輸出部14、資料取得部15及特徵量空間產生部16。特徵量抽出部11A係與特徵量抽出部11同樣地從作為測試資料記憶於記憶裝置2中之機器的運轉資料,抽出特徵量資料(運轉資料特徵量)。此外,特徵量抽出部11A係依序輸入藉由資料取得部15從記憶裝置3所取得之機器的運轉資料,且從所輸入的運轉資料,抽出機器的運轉資料特徵量。
資料取得部15係不受限於運轉模式而徹底地收集在進行機器之狀態監視之運轉環境下顯示以複數個運轉模式動作之機器之狀態的複數個運轉資料。例如,記憶裝置3中係記憶有在進行機器之狀態監視的運轉環境中,顯示以複數個運轉模式動作之機器的狀態的複數個運轉資料作為使用在用以判定機器之狀態之學習模型之學習上的學習資料。資料取得部15係不受限於運轉模式而徹底地收集記憶於記憶裝置3中之機器的運轉資料。
特徵量空間產生部16係使用從藉由資料取得部15收集之複數個運轉資料所抽出的複數個特徵量資料作為學習資料,而產生用以判定機器之狀態的學習模型。學習模型係將從運轉資料抽出的特徵量資料作為輸入,且根據獨立於機器之運轉模式之特徵量空間中的判定範圍而將機器之狀態的推論結果作為輸出的機械學習模型。
另外,機器狀態監視裝置1A中之特徵量抽出部11A、資料轉換部12、判定部13、輸出部14、資料取得部15及特徵量空間產生部16的功能係藉由圖4A或圖4B所示的處理電路來實現。亦即,機器狀態監視裝置1A係具備用以執行圖6所示之步驟ST1A至步驟ST6A之各處理的處理電路。處理電路係可為專用的硬體,亦可為執行記憶於記憶體中之程式的處理器。
圖6為顯示實施形態2之機器狀態監視方法的流程圖,顯示了機器狀態監視裝置1A進行的動作。另外,在圖6所示之步驟ST3A至步驟ST6A中,係與圖2所示之步驟ST1至步驟ST4的處理相同。資料取得部15係不受限於運轉模式而徹底地收集記憶於記憶裝置3中之機器的運轉資料(步驟ST1A)。藉此,收集以各種的運轉模式動作的運轉資料。
圖7係顯示不同運轉環境下之機器的運轉資料特徵量與運轉模式指令值之關係的圖表。例如,當監視對象的機器為旋轉機械,且旋轉機械以包含使旋轉機構以一定的速度旋轉之動作的運轉模式動作時,使旋轉機構以一定的速度旋轉之指令速度值(運轉模式指令值)、與以該指令速度值旋轉之旋轉機構之轉矩之平均值(運轉資料特徵量)的關係,係以單調增加函數來表示。
在圖7中,從顯示以運轉模式d1、d2及d3分別動作之旋轉機械之狀態的運轉資料所抽出之特徵量分布(運轉資料特徵量)的增減傾向,係以單調增加函數F求近似。收集有此等特徵量資料的運轉環境,例如收集月係設定為12月。此外,不受限於各個運轉模式而以各種的運轉模式徹底地收集之特徵量資料D的收集月係例如設定為3月。
如圖7所示,於在12月收集的特徵量資料與在三月收集的特徵量資料之間,具有△d的差異。亦即,即使相同的機器以相同的運轉模式動作,當運轉環境不同時,即會成為不同的狀態。因此,即使依每一運轉模式產生用以判定機器之狀態之通用的學習模型,當使用運轉環境不同的運轉資料進行學習模型的追加學習時,進行追加學習後之學習模型的判定精確度就會降低。
因此,資料取得部15係不受限於運轉模式而徹底地收集進行機器之狀態監視之運轉環境下機器的運轉資料。特徵量抽出部11A係依序輸入藉由資料取得部15從記憶裝置3取得之機器的運轉資料,且從所輸入的運轉資料抽出關於機器之狀態的特徵量資料。藉此,取得圖7所示之特徵量資料D。特徵量資料D具有對應於相同運轉模式指令值的複數個資料,且包含有關於機器之正常狀態的資料與關於機器之異常狀態的資料。藉由資料取得部15所進行之學習資料的收集,係可依預先規定的次數反復進行,亦可進行一次。
特徵量空間產生部16係使用從藉由資料取得部15收集之複數個運轉資料所抽出的複數個特徵量資料作為學習資料,而產生用以判定機器之狀態的學習模型(步驟ST2A)。圖8係顯示獨立於運轉模式之特徵量空間內之特徵量分布之產生之概要的說明圖。圖8的左圖係顯示了關於以運轉模式P1、P2及P3動作之機器之狀態的特徵量分布。與圖3A同樣地,特徵量(1)及特徵量(2)係關於以運轉模式P1、P2及P3動作之機器之狀態的特徵量資料。
特徵量空間產生部16係藉由進行使用了機器之運轉資料特徵量的學習,而產生對應於運轉模式P1、P2及P3之轉換後之特徵量空間中的各特徵量、及包含正常狀態與異常狀態之分類結果的學習模型。在上述學習中,特徵量空間產生部16係根據上述學習模型,將顯示學習之進行程度的指標作為損失函數予以輸入。在此,以作為損失函數輸入的指標來說,係使用表示各運轉模式之正常資料分布間或異常資料分布間之距離的指標L
D、或表示正確標籤與分類結果之差異的指標L
C。此外,作為表示分布間之距離的指標L
D來說,係例如使用MMD(Maximum Mean Discrepancy,最大平均差異)。此外,作為表示正確標籤與分類結果之差異的指標L
C來說,係例如使用交叉熵損失(Cross Entropy Loss)。
特徵量空間產生部16係例如以將上述的指標L
D最小化,亦即各模式之正常資料分布或異常資料分布接近之方式,反復調整各神經網路(Neural Network)之節點間之結合加權係數等的學習過程。
此外,特徵量空間產生部16亦可設為反復進行以上述的指標L
C被最小化,亦即正確標籤與分類結果接近之方式,調整各神經網路之節點間之結合加權係數等的學習過程。
再者,特徵量空間產生部16亦可設為反復進行以上述的指標L
C與指標L
D的和被最小化之方式,調整各神經網路之節點間之結合加權係數等的學習過程。
藉由此等處理,如圖8的右圖所示,無論何種運轉模式,均產生具有顯示機器之狀態之異常範圍之特徵量分布A1的學習模型、或顯示正常範圍之特徵量分布A2的學習模型。學習模型的產生,係使用例如卷積神經網路(Convolutional Neural Network,CNN)。
特徵量抽出部11A係從被作為測試資料記憶於記憶裝置2中之機器的運轉資料,抽出特徵量資料(運轉資料特徵量)(步驟ST3A)。藉由特徵量抽出部11A從運轉資料抽出之新的特徵量資料係藉由資料轉換部12而輸入於學習模型,且轉換為獨立於運轉模式之特徵量空間內的判定用資料B(步驟ST4A)。判定部13係根據比較資料轉換部12所轉換之判定用資料B、與異常範圍之特徵量分布A1或正常範圍之特徵量分布A2所得出的結果,判定監視對象之機器的狀態(步驟ST5A)。輸出部14係輸出機器之狀態的判定結果(步驟ST6A)。
綜上所述,實施形態2的機器狀態監視裝置1A除特徵量抽出部11A、資料轉換部12、判定部13及輸出部14外,還具備資料取得部15及特徵量空間產生部16。資料取得部15係不受限於運轉模式而徹底地收集顯示機器之狀態的複數個運轉資料。特徵量空間產生部16係使用從所收集之複數個運轉資料抽出的複數個特徵量資料作為學習資料,且將從運轉資料抽出的特徵量資料作為輸入,產生根據判定範圍而推論機器之狀態的學習模型。判定部13係使用學習模型而判定機器的狀態。
由於以進行機器之狀態監視之運轉環境下獨立於運轉模式的判定範圍為基準而判定機器的狀態,故機器狀態監視裝置1A係可在不進行通用之學習資料的選擇及追加學習下判定機器的狀態。
另外,在各實施形態的組合或實施形態之各者之任意之構成要素的變形或實施形態的各者中可省略任意的構成要素。
[產業上的可利用性]
本揭示的機器狀態監視裝置係例如可利用於工作機械之狀態的監視上。
1,1A:機器狀態監視裝置
2,3:記憶裝置
11,11A:特徵量抽出部
12:資料轉換部
13:判定部
14:輸出部
15:資料取得部
16:特徵量空間產生部
100:輸入介面
101:輸出介面
102:處理電路
103:處理器
104:記憶體
A1,A2:特徵量分布
B:判定用資料
D:特徵量資料
C1,C2.C3,C4,C5:分布中心
d1,d2,d3,P1,P2,P3:運轉模式
L1,L2,L3,L4,L5:距離
LC,LD:指標
ST:步驟
圖1係顯示實施形態1之機器狀態監視裝置之構成的方塊圖。
圖2係顯示實施形態1之機器狀態監視方法的流程圖。
圖3A及圖3B係顯示關於每一運轉模式之機器之狀態之特徵量分布、及獨立於運轉模式之特徵量空間中之機器之狀態之正常範圍之特徵量分布和異常範圍之特徵量分布的說明圖。
圖4A及圖4B係顯示實現實施形態1之機器狀態監視裝置之功能之硬體構成的方塊圖。
圖5係顯示實施形態2之機器狀態監視裝置之構成的方塊圖。
圖6係顯示實施形態2之機器狀態監視方法的流程圖。
圖7係顯示不同運轉環境下之機器之運轉資料特徵量與運轉模式指令值之關係的圖表。
圖8係顯示獨立於運轉模式之特徵量空間內之特徵量分布之產生之概要的說明圖。
1:機器狀態監視裝置
2:記憶裝置
11:特徵量抽出部
12:資料轉換部
13:判定部
14:輸出部
Claims (4)
- 一種機器狀態監視裝置,係具備:特徵量抽出部,係從顯示監視對象之機器之狀態的運轉資料,抽出關於前述機器之狀態的特徵量資料;資料轉換部,係將從前述運轉資料抽出的特徵量資料,轉換為在前述機器之運轉環境下獨立於運轉模式的特徵量空間內的判定用資料;判定部,係根據前述特徵量空間中顯示判定範圍的特徵量分布與前述判定用資料之比較,判定前述機器的狀態;及輸出部,係輸出前述機器之狀態的判定結果。
- 如請求項1之機器狀態監視裝置,係具備:資料取得部,係不受限於前述運轉模式而收集在前述機器之運轉環境下顯示以複數個前述運轉模式動作之前述機器之狀態的複數個前述運轉資料;及特徵量空間產生部,係利用從不受限於前述運轉模式地所收集之複數個前述運轉資料抽出的複數個特徵量資料作為學習資料,產生根據前述判定範圍而推論前述機器之狀態的學習模型;前述判定部係根據被產生的前述學習模型而判定前述機器的狀態。
- 如請求項2之機器狀態監視裝置,其中,前述特徵量空間產生部係,根據以使從複數個前述運轉資料抽出的複數個前述特徵量資料中之正常資料彼此接近、使從複數個前述運轉資料抽出的複數個前述特徵量資料中之異常資料彼此接近的方式所轉換的前述特徵量空間,而產生判定前述機器的狀態的前述學習模型。
- 一種機器狀態監視方法,為藉由機器狀態監視裝置的機器狀態監視方法,係具備下列步驟:從顯示監視對象之機器之狀態的運轉資料,由特徵量抽出部抽出關於前述 機器之狀態之特徵量資料的步驟;將從前述運轉資料抽出的特徵量資料,由資料轉換部轉換為在前述機器之運轉環境下獨立於運轉模式之特徵量空間內的判定用資料的步驟;根據前述特徵量空間中顯示判定範圍的特徵量分布與前述判定用資料之比較、由判定部來判定前述機器之狀態的步驟;及將前述機器之狀態之判定結果由輸出部輸出的步驟。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2022/003912 WO2023148834A1 (ja) | 2022-02-02 | 2022-02-02 | 機器状態監視装置および機器状態監視方法 |
WOPCT/JP2022/003912 | 2022-02-02 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202333092A TW202333092A (zh) | 2023-08-16 |
TWI833249B true TWI833249B (zh) | 2024-02-21 |
Family
ID=87553346
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111122833A TWI833249B (zh) | 2022-02-02 | 2022-06-20 | 機器狀態監視裝置及機器狀態監視方法 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP7422962B2 (zh) |
TW (1) | TWI833249B (zh) |
WO (1) | WO2023148834A1 (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000242525A (ja) * | 1999-02-23 | 2000-09-08 | Hitachi Ltd | ネットワークシステムを構成する計算機の監視方法 |
TWI236854B (en) * | 2003-03-27 | 2005-07-21 | Thermo System Co Ltd | Operation monitoring system |
JP2017157196A (ja) * | 2016-02-29 | 2017-09-07 | 株式会社デンソー | 運転者監視システム |
JP2018169827A (ja) * | 2017-03-30 | 2018-11-01 | 株式会社立山システム研究所 | 運転監視システム |
TW202144941A (zh) * | 2020-05-28 | 2021-12-01 | 日商三菱電機股份有限公司 | 機器狀態監視裝置以及機器狀態監視方法 |
TW202202608A (zh) * | 2020-06-05 | 2022-01-16 | 日商千代田化工建設股份有限公司 | 運轉狀態推定系統、學習裝置、推定裝置、狀態推定器的生成方法以及推定方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
JP6116466B2 (ja) * | 2013-11-28 | 2017-04-19 | 株式会社日立製作所 | プラントの診断装置及び診断方法 |
-
2022
- 2022-02-02 JP JP2023562650A patent/JP7422962B2/ja active Active
- 2022-02-02 WO PCT/JP2022/003912 patent/WO2023148834A1/ja active Application Filing
- 2022-06-20 TW TW111122833A patent/TWI833249B/zh active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000242525A (ja) * | 1999-02-23 | 2000-09-08 | Hitachi Ltd | ネットワークシステムを構成する計算機の監視方法 |
TWI236854B (en) * | 2003-03-27 | 2005-07-21 | Thermo System Co Ltd | Operation monitoring system |
JP2017157196A (ja) * | 2016-02-29 | 2017-09-07 | 株式会社デンソー | 運転者監視システム |
JP2018169827A (ja) * | 2017-03-30 | 2018-11-01 | 株式会社立山システム研究所 | 運転監視システム |
TW202144941A (zh) * | 2020-05-28 | 2021-12-01 | 日商三菱電機股份有限公司 | 機器狀態監視裝置以及機器狀態監視方法 |
TW202202608A (zh) * | 2020-06-05 | 2022-01-16 | 日商千代田化工建設股份有限公司 | 運轉狀態推定系統、學習裝置、推定裝置、狀態推定器的生成方法以及推定方法 |
Also Published As
Publication number | Publication date |
---|---|
JP7422962B2 (ja) | 2024-01-26 |
WO2023148834A1 (ja) | 2023-08-10 |
TW202333092A (zh) | 2023-08-16 |
JPWO2023148834A1 (zh) | 2023-08-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110413227B (zh) | 一种硬盘设备的剩余使用寿命在线预测方法和*** | |
JP5005814B2 (ja) | バッテリーの長期特性予測システム及び方法 | |
US20190042344A1 (en) | Preprocessor and abnormality predictor diagnosis system | |
JP5313250B2 (ja) | バッテリーの長期特性予測システム及び方法 | |
KR20190105646A (ko) | 생산 공정을 제어 또는 모니터링하기 위한 예상 데이터 생성 | |
JP2019159902A (ja) | 異常検知システム、サポート装置およびモデル生成方法 | |
JP2019159903A (ja) | 異常検知システム、サポート装置およびモデル生成方法 | |
JP7285187B2 (ja) | 履歴及び時系列の共同分析に基づく異常の特性評価のためのシステム及び方法 | |
JP2015059924A (ja) | 蓄電池性能評価装置およびその方法 | |
JP6636214B1 (ja) | 診断装置、診断方法及びプログラム | |
KR102579619B1 (ko) | 기기 상태 감시 장치 및 기기 상태 감시 방법 | |
US11042134B2 (en) | Power system status estimation device and status estimation method | |
CN114386563A (zh) | 神经过程的贝叶斯上下文聚合 | |
TWI833249B (zh) | 機器狀態監視裝置及機器狀態監視方法 | |
US20160004583A1 (en) | System for project management from non-function evaluation, method for project management from non-function evaluation, and program for project management from non-function evaluation | |
US11585732B2 (en) | Apparatus and method for diagnosing failure of plant | |
CN112560974B (zh) | 一种信息融合、车辆信息获取方法及装置 | |
JP2020047846A (ja) | データ処理方法、データ処理装置、データ処理システム、およびデータ処理プログラム | |
CN117406844A (zh) | 一种基于神经网络的显卡风扇控制方法及相关装置 | |
JP6448745B2 (ja) | バイアス推定装置、その方法およびプログラム | |
EP4012667A2 (en) | Data preparation for artificial intelligence models | |
WO2019092854A1 (ja) | 指標算出装置、指標算出方法、及び、指標算出プログラムが記録された記録媒体 | |
US20210365189A1 (en) | Performance analysis apparatus and performance analysis method | |
Brandt et al. | Using probabilistic characterization to reduce runtime faults in HPC systems | |
JP6567229B1 (ja) | 学習処理装置、データ分析装置、分析手法選択方法、及び分析手法選択プログラム |