WO2016157278A1 - 故障予兆診断システム、及びその方法 - Google Patents

故障予兆診断システム、及びその方法 Download PDF

Info

Publication number
WO2016157278A1
WO2016157278A1 PCT/JP2015/059544 JP2015059544W WO2016157278A1 WO 2016157278 A1 WO2016157278 A1 WO 2016157278A1 JP 2015059544 W JP2015059544 W JP 2015059544W WO 2016157278 A1 WO2016157278 A1 WO 2016157278A1
Authority
WO
WIPO (PCT)
Prior art keywords
normal
normal model
failure sign
model
diagnosis
Prior art date
Application number
PCT/JP2015/059544
Other languages
English (en)
French (fr)
Inventor
藤原　淳輔
鈴木　英明
智昭 蛭田
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Priority to PCT/JP2015/059544 priority Critical patent/WO2016157278A1/ja
Publication of WO2016157278A1 publication Critical patent/WO2016157278A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • 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

Definitions

  • the present invention relates to a preventive maintenance technique for preventing a failure of an industrial machine.
  • Status monitoring and maintenance is the monitoring of the machine's operating status based on measured values such as temperature and pressure (hereinafter referred to as operating data) measured by various sensors attached to the machine, and detecting deviations from the normal status. It is a technology that captures failure signs.
  • the learning process is a process for grasping the normal state of the machine.
  • machines tend to have individual differences in characteristics depending on how they are used, operating areas, years of operation, etc., and normal conditions based on operating data collected for each machine to absorb the individual differences. Generate the normal model shown.
  • diagnosis processing the occurrence of a failure sign is detected by diagnosing deviations from the normal model with respect to the operation data collected from the machine.
  • the mounting location of the diagnosis processing and learning processing described here varies greatly depending on the machine to be diagnosed.
  • a form in which a learning process or a diagnostic process is executed is employed.
  • learning processing and diagnostic processing are performed on the terminal attached to the machine side.
  • the form to execute is taken.
  • a diagnostic terminal has been devised that operates to automatically shift to diagnostic processing after executing a learning process to generate a normal model.
  • the terminal described in [Patent Document 2] verifies the normal model generated by the learning process using the operation data received from the machine.
  • the verification performed here is to verify that the operation data received from the machine (obviously normal data) and the normal model generated by the learning process are used to execute diagnostic processing and that no erroneous diagnosis results are output. . That is, verification from the viewpoint of misinformation.
  • an object of the present invention is to improve the detection performance of failure sign diagnosis and reduce the risk of reporting errors.
  • the present invention learns a normal state based on machine operation data and generates a normal model, and diagnoses deviations of the operation data from the normal state based on the normal model.
  • the failure sign diagnosis system comprising a diagnosis means, a normal model management means for storing a normal model that has become obsolete when the learning means generates a latest normal model as a past normal model, and a latest normal model and a past normal model.
  • a normal model comparison and verification unit that compares the normal range and outputs a comparison result of the normal range is provided.
  • the present invention is characterized in that in the failure sign diagnosis system, the normal model comparison and verification means of the failure sign diagnosis system outputs a ratio of the normal range in the normal model for each diagnosis item or for each operation mode. is there.
  • the present invention is characterized in that in the failure sign diagnosis system, the normal model comparison and verification means of the failure sign diagnosis system uses a standard deviation calculated from normal operation data as a normal range.
  • the present invention relates to a failure sign diagnosis system, wherein the failure sign diagnosis system stores a verification condition for storing a determination criterion for determining that there is no problem in quality when the normal model comparison verification unit verifies a normal model.
  • the normal model comparison / verification unit outputs a verification result by comparing a normal range ratio with the determination criterion.
  • the present invention is characterized in that in the failure sign diagnosis system, there is provided switching means for switching a direction of inputting machine operation data between the learning means and the diagnosis means in accordance with the verification result output from the normal model comparison verification means. Is.
  • the present invention learns a normal state based on machine operation data and generates a normal model, and diagnoses a deviation of the operation data from the normal state based on the normal model.
  • the normal model that has become old when the latest normal model is generated is stored as a past normal model, the normal range of the latest normal model and the past normal model is compared, and the comparison result of the normal range is obtained. It is characterized by outputting.
  • the present invention is characterized in that, in the failure sign diagnosis method, when comparing the normal models, the ratio of the normal range in the normal model for each diagnosis item or for each operation mode is output.
  • the present invention is characterized in that, in the failure sign diagnosis method, the standard deviation calculated from the normal operation data is used as a normal range when comparing the normal models.
  • a criterion for determining that there is no problem in quality when the normal model is verified is stored, and the ratio of the normal range is set when the normal model is compared.
  • a verification result is output by comparing with the determination criterion.
  • the present invention is characterized in that in the failure sign diagnosis method, the direction of inputting machine operation data is switched between a learning method and a diagnosis method in accordance with the verification result.
  • the present invention it is possible to provide a failure sign diagnosis system and a failure sign diagnosis method that improve the detection performance of failure sign diagnosis and reduce the risk of unreporting.
  • FIG. 1 is a configuration example showing the entire failure sign diagnosis system.
  • FIG. 2 is a configuration example of operation data.
  • FIG. 3 is an example illustrating a processing flow performed by the learning processing unit.
  • FIG. 4 is a configuration example of a normal model stored in the normal model storage unit.
  • FIG. 5 is an example showing a processing flow performed by the diagnosis processing unit.
  • FIG. 6 is a configuration example of diagnosis results stored in the diagnosis result storage unit.
  • FIG. 7 is a configuration example of the past normal model stored in the past normal model storage unit.
  • FIG. 8 is an example of a processing flow performed by the verification processing unit.
  • FIG. 9 is a configuration example of verification conditions stored in the verification condition storage unit.
  • FIG. 1 is a diagram showing a configuration of a failure sign diagnosis system 10 according to an embodiment of the present invention.
  • the failure sign diagnosis system 10 includes a failure sign diagnosis apparatus 100 and a verification server 200.
  • the failure sign diagnosis apparatus 100 is mounted on a machine 300 to be diagnosed whose details are not shown, and receives operation data from the machine 300.
  • the failure sign diagnosis apparatus 100 has a diagnosis function and a learning function, generates a normal model by the learning function, and executes diagnosis on the operation data using the normal model.
  • the verification server 200 has a verification function for a normal model generated by a learning function implemented in the failure sign diagnosis apparatus 100.
  • This failure sign diagnosis apparatus 100 and the verification server 200 exchange information via the communication units 114 and 202, thereby ensuring the quality of the normal model.
  • the failure sign diagnosis apparatus 100 includes an operation data receiving unit 102, a diagnosis processing unit 104, a learning processing unit 106, a process switching unit 108, a diagnosis result storage unit 110, a normal model storage unit 112, and a communication unit 114. Consists of.
  • the operation data receiving unit 102 receives operation data sequentially transmitted from the machine 300. Then, the operation data receiving unit 102 transmits the operation data toward either one of the diagnosis processing unit 104 or the learning processing unit 106 in which the connection switch is ON.
  • the learning processing unit 106 receives the operation data from the operation data receiving unit 102 when the connection switch with the operation data receiving unit 102 is ON, generates a normal model based on the operation data, and generates a normal model. Processing to output to the storage unit 112 is performed.
  • the diagnosis processing unit 104 performs normal data stored in the normal model storage unit 112 for the operation data received from the operation data receiving unit 102.
  • the process of diagnosing the abnormality occurrence status is performed based on the above.
  • the process switching unit 108 executes connection switch switching processing based on switching information transmitted from the verification server 200 via the communication unit 114. That is, when the process switching unit 108 turns the connection switch ON to the diagnosis processing unit 104 side, the diagnosis processing is executed, and when the process switching unit 108 turns ON to the learning processing unit 106 side, the learning process is executed.
  • This connection switch switching information is transmitted from a verification server 200 described later, and is generated in two cases: a case generated based on a normal model verification result generated by the learning processing unit 106 and a case generated according to an instruction from the user. Case exists.
  • the diagnosis result storage unit 110 is a storage for recording a result of the diagnosis processing unit 104 performing diagnosis on the operation data.
  • the normal model storage unit 112 is a storage that stores the normal model generated by the learning processing unit 106.
  • the communication unit 114 has a function for realizing wireless communication or wired communication with the verification server 200, and exchanges information with each other.
  • the verification server 200 includes a communication unit 202, a normal model management unit 204, a normal model comparison verification unit 206, a diagnosis result storage unit 208, a past normal model storage unit 210, a verification condition storage unit 212, and a user interface unit. 214.
  • the communication unit 202 exchanges necessary information by performing wireless or wired communication with the communication unit 114 of the failure sign diagnosis apparatus 100.
  • the normal model management unit 204 performs processing of recording in the past normal model storage unit 210 when normal model information is received from the failure sign diagnosis apparatus 100 via the communication unit 202.
  • the normal model comparison / verification unit 206 compares the normal range between the normal model received from the failure sign diagnosis apparatus 100 and the old normal model of the version recorded in the past normal model storage unit 210. Then, the normal model comparison / verification unit 206 performs quality determination based on the verification conditions recorded in the verification condition storage unit 212, and outputs the result to the past normal model storage unit 210 as a verification result of the latest normal model. . Further, the normal model comparison verification unit 206 performs a process of transmitting connection switch switching information for the diagnosis process and the learning process to the failure sign diagnosis apparatus 100 based on the verification result.
  • the user interface unit 214 has a function of reading information stored in the diagnosis result storage unit 208, the past normal model storage unit 210, and the verification condition storage unit 212 and displaying the information on the screen, and in response to an instruction from the outside. Execute information rewrite processing.
  • FIG. 2 shows a configuration example of operation data received from the machine 300 by the failure sign diagnosis apparatus 100.
  • the operation data is composed of a message body that includes a part system ID, a sensor ID, and a sensor value as one unit, and the reception date and time of the message measured by an internal clock of the failure sign diagnosis apparatus 100 (not shown).
  • the part system ID is an ID for identifying the part system to which the target sensor is attached.
  • an ID is set for each main module constituting the machine such as an engine, a motor, and an inverter.
  • the sensor ID is a unique ID for uniquely identifying the target sensor from among the sensors attached to the target part system. For example, taking an engine cooling system as an example, if sensors for measuring the temperature and pressure of cooling water are attached to the inlet and outlet of the radiator, the radiator inlet temperature T1, the radiator inlet pressure P1, the radiator outlet Unique IDs such as temperature T2, radiator outlet pressure P2, and the like are set.
  • the sensor value has shown the measured value by the unique sensor specified from site
  • the processing contents executed by the learning processing unit 106 will be described in order based on FIG.
  • step 2000 the learning processing unit 106 confirms that the connection switch with the operation data receiving unit 102 is turned on. If it is OFF, the determination is NO and the connection status confirmation process is executed repeatedly. If it is ON, the determination is YES and the process proceeds to the next step.
  • the learning processing unit 106 reads normal model information from the normal model storage unit 112 in S2100.
  • FIG. 4 shows a configuration example of a normal model stored in the normal model storage unit 112.
  • the normal model includes a part system ID to be diagnosed for each diagnosis item, a sensor item to be handled, a data amount for each operation mode, an operation mode condition, and a normal average value and normal for each sensor item. Standard deviation is recorded.
  • the part system ID indicates the part system ID to be diagnosed
  • the sensor items handled in the diagnosis are shown in the form of sensor ID.
  • the operation mode is identification information indicating the operation state of the machine. For example, in the case of an engine, the normal data characteristics differ depending on the operating state such as the idling state and the operating state, so that different normal models are configured.
  • the data amount indicates the data amount that is essential for calculating the normal average value and the normal standard deviation of each sensor.
  • the operation mode condition indicates a condition for recognizing the operation mode. For example, when the idling state and the operating state of the engine are separated as different operation modes, a method of classifying based on the engine speed can be considered. Then, the operation data satisfying the operation mode condition is accumulated, and after confirming that the necessary data amount has been reached, the normal average value and the normal standard deviation are calculated to recreate a new normal model.
  • the learning processing unit 106 receives the operation data from the operation data receiving unit 102 in S2200. Then, a process of receiving and accumulating only the sensor data included in the input sensor item of the normal model information from the operation data is performed. Then, the learning processing unit 106 continues receiving and accumulating sensor data until a necessary data amount is reached for each diagnostic item and each operation mode. The learning processing unit 106 determines YES in S2300 at the timing when the necessary data amount is reached in all operation modes of all diagnostic items.
  • the learning processing unit 106 calculates the average value and the standard deviation using the accumulated sensor data for each diagnosis item and each operation mode. The process is completed by updating the average value and the standard deviation value calculated here.
  • the diagnosis processing unit 104 confirms in S1000 that the connection switch with the operation data receiving unit 102 is ON. If it is OFF, the determination is NO and the connection status confirmation process is executed repeatedly. If it is ON, the determination is YES and the process proceeds to the next step.
  • the diagnosis processing unit 104 receives the operation data from the operation data receiving unit 102 in S1100.
  • the operation data received here becomes data to be diagnosed.
  • diagnosis processing unit 104 reads a normal model stored in the normal model storage unit 112 in S1200.
  • the diagnosis processing unit 104 executes the processing of S1300 to S1500 for each diagnosis item included in the normal model.
  • the diagnosis processing unit 104 executes operation mode determination processing in S1300. That is, although there are a plurality of operation modes in the target diagnosis item, which operation mode is applicable is determined based on whether or not the operation mode condition is satisfied. Let the operation mode specified here be m.
  • the diagnosis processing unit 104 executes a divergence degree calculation process.
  • D 1 (t), d 2 (t),..., D N (t) are assigned to N input sensor items of a certain diagnosis item. Further, assuming that the normal average value and normal standard deviation of the sensor i in the operation mode m included in the normal model are ⁇ mi and ⁇ mi , respectively, the divergence degree L (t, m) of the operation mode m is calculated by Equation 1.
  • This degree of divergence is a value calculated from how far the sensor data targeted for diagnosis is from the normal reference value, and is expressed as a ratio to the normal standard deviation. For example, in the case of following a normal distribution, diagnose the abnormality occurrence by determining that the result is abnormal when the degree of deviation is greater than 3 and normal when it is less than 3. Is possible.
  • diagnosis processing unit 104 outputs and records the divergence degree calculated here in S1500 to the diagnosis result storage unit 110.
  • FIG. 6 shows a configuration example of the diagnostic result recorded in the diagnostic result storage unit.
  • the diagnosis result includes a time stamp, an operation mode, a calculated degree of divergence, and a sensor value for each diagnosis item ID.
  • the time stamp records the reception date and time included in the operation data.
  • the operation mode the operation mode m specified in S1300 is recorded.
  • the divergence degree and the sensor value the divergence degree and the sensor value calculated in S1400 are recorded.
  • the failure sign diagnosis apparatus 100 executes the diagnosis process by connecting the changeover switch to the diagnosis processing unit 104 side.
  • the normal range of the normal model stored in the normal model storage unit 112 may change. Therefore, consider switching the changeover switch to the learning processing unit 106 side to recreate and update the normal model.
  • the user interface unit 214 of the verification server receives switching information for obtaining an external instruction and switching to the learning processing unit 106 side. Then, the user interface unit 214 of the verification server 200 transmits the switching information to the process switching unit 108 of the failure sign diagnosis apparatus 100 via the communication unit 202 and the communication unit 114. The process switching unit 108 switches the switch from the diagnosis processing unit 104 side to the learning processing unit 106 side based on the information.
  • the communication unit 114 of the failure sign diagnosis apparatus 100 transmits the information to the verification server 200.
  • the communication unit 202 of the verification server 200 transmits information regarding the normal model to the normal model management unit 204 and also transmits to the normal model comparison verification unit 206.
  • the normal model management unit 204 when the normal model management unit 204 receives a new normal model, it accesses the past normal model storage unit 210 to add the latest normal model.
  • FIG. 7 shows a configuration example of the past normal model stored in the past normal model storage unit 210.
  • the past normal model is managed for each normal model history ID, and version information, normal model information, and verification result information are recorded.
  • the version information is information for managing the update status of the normal model. Newer version information means the latest normal model.
  • the normal model information indicates the normal model itself, and the contents of the normal model storage unit 112 of the failure sign diagnosis apparatus 100 are recorded as they are.
  • the verification result information is a field for recording a normal model verification result described below.
  • the verification result information records the comparison target model ID and the verification result for each diagnostic item and each operation mode.
  • the version information of the normal model that is one version older than the normal model is recorded in the comparison target model ID.
  • the result by the verification process demonstrated below is recorded on a verification result.
  • the normal model comparison verification unit 200 determines whether a normal model is received from the communication unit 202 in S3000. Here, if it has not received, it will become NO determination and the confirmation process of a reception condition will be performed repeatedly. On the other hand, if it is received, the determination is YES, and the process proceeds to S3100.
  • step S3100 the normal model comparison / verification unit 200 reads the previous version normal model information stored in the past normal model recording unit 210.
  • the normal model comparison verification unit 200 accesses the verification condition storage unit 212 and reads the verification conditions.
  • FIG. 9 shows a configuration example of verification conditions stored in the verification condition storage unit 212.
  • the verification conditions record conditions for determining that the verification is OK for each diagnostic part system and each operation mode.
  • ⁇ mi represents the normal standard deviation of the newly generated normal model
  • ⁇ mi ′ represents the normal standard deviation in the previous normal model. That is, this conditional expression is a condition for verifying that the size of the normal range when viewed as the standard deviation is suppressed to 1.1 times or less than 1.2 times compared to the previous time.
  • the verification conditions recorded in the verification condition storage unit 212 can be updated via the user interface unit 214.
  • the normal model comparison / verification unit 200 determines whether the above-described verification conditions are cleared for each diagnosis item and each operation mode. Then, after confirming that all the verification conditions are cleared, the switching information to the diagnosis processing is sent to the failure sign diagnosis apparatus 100.
  • the communication unit 114 of the failure sign diagnostic apparatus 100 receives this and transmits it to the process switching unit 108, and the process switching unit 108 executes a process of switching the connection switch to the diagnosis processing unit 104 based on this information.
  • DESCRIPTION OF SYMBOLS 10 ... Failure sign diagnostic system, 100 ... Failure sign diagnostic apparatus, 102 ... Operation data receiving part, 104 ... Diagnosis processing part, 106 ... Learning processing part, 108 ... Process switching part, 110 ... Diagnosis result memory part, 112 ... Normal model Storage unit 114 ... Communication unit 200 ... Verification server 202 ... Communication unit 204 ... Normal model management unit 206 ... Normal model comparison / verification unit 208 ... Diagnostic result storage unit 210 ... Past normal model storage unit 212 ... Verification condition storage unit, 214 ... user interface unit, 300 ... machine to be diagnosed

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

　本発明は故障予兆診断の検知性能を向上し失報リスクを低減することを課題とする。　本発明では、機械から受信する稼動データをもとに学習処理部が新しく生成した正常状態を示す正常モデルと、過去に生成した正常モデルとの間で正常範囲の大きさを比較する正常モデル比較検証部を備え、正常範囲の大きさが所定値以下のときのみ新しく生成した正常モデルを診断処理に適用するようにすることを特徴とする

Description

故障予兆診断システム、及びその方法
　本発明は、産業機械の故障を未然に防ぐ予防保全の技術に関する。
　製造、発電、物流、資源掘削などの生産にかかわる産業機械は、一般に生産性保持のために計画通りの稼動が求められており、機械に予期せぬ突発故障が発生すると生産効率の低下を招くとともに大きな損失を生むことになる。このような状況を未然に回避するために機械の故障予兆をいち早く検知し、故障に至る前に部品交換やメンテナンスを実施する予防保全の考え方が広く認知されている。
　この予防保全を支える一つの技術として状態監視保守がある。状態監視保守は、機械に取り付けた各種センサで計測した温度や圧力などの計測値(以降、稼動データと呼ぶ)に基づいて機械の稼動状態を監視し、正常状態からの逸脱を検知することで故障予兆を捕らえる技術である。
　この状態監視保守にかかわる処理として大きく学習処理と診断処理がある。学習処理は、機械の正常状態を把握するための処理である。一般に機械はその使われ方や稼動地域、稼動年数などに応じて特性に個体差が生じてくる傾向があり、その個体差を吸収するために機械ごとに収集した稼動データに基づいて正常状態を示す正常モデルを生成する。そして、診断処理では、機械から収集した稼動データに対して正常モデルからの逸脱を診断することで故障予兆の発生を検知する。
　ところで、ここであげた診断処理と学習処理は、診断対象とする機械によって実装箇所が大きく異なってくる。例えば、ネットワーク環境の十分に整備された環境下で動作する機械の場合には、機械が発生する大量の稼動データを容易にサーバ側に転送することが可能であるため、サーバ側に回収した後に学習処理や診断処理を実行する形態がとられる。一方で、鉱山や洋上など、無線通信圏外でネットワーク環境が整備されていない、もしくは回線が細くて大量なデータが送信できないようなケースでは、機械側に取り付けた端末上で学習処理や診断処理を実行する形態が取られる。後者については、学習処理を実行して正常モデルを生成した後に自動的に診断処理に移行するように動作する診断端末が考案されている。(〔特許文献１〕参照)
　この〔特許文献１〕に記載の診断端末を用いることで、メンテナンスや部品交換などによって機械の正常状態が変化した際にも正常モデルを効率よく再生成して更新することが可能となる。しかしながら、この発明の場合、学習処理が正常モデルを生成した後に即座に診断処理に移行するようにしているため、正常モデルの品質に問題があった場合に診断性能の低下を招く恐れがあった。そこで、学習処理にて生成した正常モデルについて機械状態変化後の稼動データを用いて検証を行う処理を備えた端末が考案されている。(〔特許文献２〕参照)
特開平６－１７４５０３号公報 特開２０１３－１８６８９９号公報
　〔特許文献２〕に記載の端末は、学習処理が生成した正常モデルに対して機械から受信した稼動データを用いて検証を行っている。ここで行う検証とは、機械から受信した稼動データ(当然ながら正常データ)と学習処理で生成した正常モデルを用いて診断処理を実行し、誤った診断結果を出力しないことを検証するものである。すなわち、誤報の観点での検証ということになる。
　しかしながら、誤報の観点での検証のみでは、例えば、学習処理が正常モデルを生成する過程において、突発的に発生したノイズが混入し必要以上に正常範囲の広い正常モデルを生成してしまった場合に、ＮＧの判定を下すことができない。すなわち、必要以上に正常範囲の広い正常モデルを採用してしまうと、異常発生時のデータが正常範囲内に含まれてしまう懸念があり、結果として失報に至ってしまう。
　これに対して、本発明は故障予兆診断の検知性能を向上し失報リスクを低減することを課題とするものである。
　上記課題を達成するために、本発明は機械の稼動データをもとに正常状態を学習し正常モデルを生成する学習手段と、前記正常モデルに基づいて稼動データの正常状態からの逸脱を診断する診断手段とを備えた故障予兆診断システムにおいて、前記学習手段が最新正常モデルを生成した際に古くなった正常モデルを過去正常モデルとして記憶する正常モデル管理手段と、最新正常モデルと過去正常モデルの正常範囲を比較し、正常範囲の比較結果を出力する正常モデル比較検証手段とを備えていることを特徴とするものである。
　更に本発明は故障予兆診断システムにおいて、前記故障予兆診断システムの正常モデル比較検証手段は、診断項目毎に、もしくは動作モード毎の正常モデルにおける正常範囲の比を出力することを特徴とするものである。
　更に本発明は故障予兆診断システムにおいて、前記故障予兆診断システムの正常モデル比較検証手段は、正常範囲として正常時の稼動データから計算した標準偏差を用いることを特徴とするものである。
　更に本発明は故障予兆診断システムにおいて、前記故障予兆診断システムは、前記正常モデル比較検証手段が正常モデルの検証を行う際に品質的に問題ないことを判断するための判定基準を記憶した検証条件記憶部を備え、前記正常モデル比較検証手段は正常範囲の比を前記判定基準と比較することにより検証結果を出力することを特徴とするものである。
　更に本発明は故障予兆診断システムにおいて、前記正常モデル比較検証手段が出力した検証結果に応じて機械の稼動データを入力する方向を学習手段と診断手段で切り替える切替手段を備えたことを特徴とするものである。
　また、上記課題を達成するために、本発明は機械の稼動データをもとに正常状態を学習し正常モデルを生成すること、前記正常モデルに基づいて稼動データの正常状態からの逸脱を診断する故障予兆診断方法において、最新の前記正常モデルを生成した際に古くなった正常モデルを過去正常モデルとして記憶すること、最新正常モデルと過去正常モデルの正常範囲を比較し、正常範囲の比較結果を出力することを特徴とするものである。
　更に本発明は故障予兆診断方法において、前記正常モデルの比較する際に、診断項目毎に、もしくは動作モード毎の正常モデルにおける正常範囲の比を出力することを特徴とするものである。
　更に本発明は故障予兆診断方法において、前記正常モデルを比較する際に、正常範囲として正常時の稼動データから計算した標準偏差を用いることを特徴とするものである。
　更に本発明は故障予兆診断方法において、前記正常モデルの検証を行う際に品質的に問題ないことを判断するための判定基準を記憶し、前記正常モデルを比較する際に、正常範囲の比を前記判定基準と比較することにより検証結果を出力することを特徴とするものである。
　更に本発明は故障予兆診断方法において、前記検証結果に応じて機械の稼動データを入力する方向を学習方法と診断方法で切り替えることを特徴とするものである。
　本発明によれば、故障予兆診断の検知性能を向上し失報リスクを低減した故障予兆診断システム、及び故障予兆診断方法を提供することを実現する。
図１は、故障予兆診断システム全体を示す構成例である。 図２は、稼動データの構成例である。 図３は、学習処理部が行う処理フローを示す一例である。 図４は、正常モデル記憶部に記憶する正常モデルの構成例である。 図５は、診断処理部が行う処理フローを示す一例である 図６は、診断結果記憶部に記憶する診断結果の構成例である。 図７は、過去正常モデル記憶部に記憶する過去正常モデルの構成例である。 図８は、検証処理部が行う処理フローを示す一例である。 図９は、検証条件記憶部に記憶する検証条件の構成例である。
　以下、本発明の実施例について、図面を用いて説明する。
　図１は、本発明の実施形態例における故障予兆診断システム１０の構成を示す図である。
　故障予兆診断システム１０は、故障予兆診断装置１００と検証サーバ２００で構成されている。故障予兆診断装置１００は、詳細を図示しない診断対象とする機械３００に搭載され、機械３００から稼動データを受信する。そして、故障予兆診断装置１００は、診断機能と学習機能を有し、学習機能により正常モデルを生成し、その正常モデルを利用して稼動データに対する診断を実行する。一方で、検証サーバ２００は、故障予兆診断装置１００に実装した学習機能によって生成した正常モデルに対する検証機能を有している。この故障予兆診断装置１００と検証サーバ２００が通信部１１４、２０２を介して、情報授受を行うことで正常モデルの品質確保を実現するシステムとなっている。
　故障予兆診断装置１００は、稼動データ受信部１０２と、診断処理部１０４と、学習処理部１０６と、処理切替部１０８と、診断結果記憶部１１０と、正常モデル記憶部１１２と、通信部１１４とで構成される。
　稼動データ受信部１０２は、機械３００から逐次送信される稼動データを受信する。そして、稼動データ受信部１０２は、接続スイッチがＯＮとなっている診断処理部１０４もしくは学習処理部１０６のいずれか一方の処理に向けて稼動データを送信する。
　学習処理部１０６は、稼動データ受信部１０２との接続スイッチがＯＮとなっているケースにおいて、稼動データ受信部１０２から稼動データを受信し、その稼動データに基づいて正常モデルを生成して正常モデル記憶部１１２へ出力する処理を行う。
　診断処理部１０４は、稼動データ受信部１０２との接続スイッチがＯＮとなっているケースにおいて、稼動データ受信部１０２から受信した稼動データに対して、正常モデル記憶部１１２に記憶されている正常モデルに基づいて異常発生状況を診断する処理を行う。
　処理切替部１０８は、通信部１１４を介して検証サーバ２００から送信される切替情報に基づいて接続スイッチの切替処理を実行する。すなわち、処理切替部１０８が、接続スイッチを診断処理部１０４側にＯＮにすると、診断処理が実行され、学習処理部１０６側にＯＮにすると、学習処理が実行されるように構成されている。この接続スイッチの切替情報は後述する検証サーバ２００から送信され、学習処理部１０６が生成した正常モデルの検証結果に基づいて生成されるケースとユーザからの指示に応じて生成されるケースの２つのケースが存在する。
　診断結果記憶部１１０は、診断処理部１０４が稼動データに対して診断実行した結果を記録するストレージである。正常モデル記憶部１１２は、学習処理部１０６が生成した正常モデルを記憶するストレージである。
　通信部１１４は、検証サーバ２００との間で無線通信もしくは有線通信を実現するための機能を有し、双方に情報の授受を行う。
　検証サーバ２００は、通信部２０２と、正常モデル管理部２０４と、正常モデル比較検証部２０６と、診断結果記憶部２０８と、過去正常モデル記憶部２１０と、検証条件記憶部２１２と、ユーザインタフェース部２１４とで構成されている。
　通信部２０２は、故障予兆診断装置１００の通信部１１４と無線もしくは有線にて通信を行うことで必要な情報の受け渡しを実行する。
　正常モデル管理部２０４は、故障予兆診断装置１００から通信部２０２を介して正常モデル情報を受信した際に過去正常モデル記憶部２１０に記録する処理を行う。
　正常モデル比較検証部２０６は、故障予兆診断装置１００から受信した正常モデルと過去正常モデル記憶部２１０に記録されているバージョンのひとつ古い正常モデルとの間で正常範囲を比較する。そして、正常モデル比較検証部２０６は、検証条件記憶部２１２に記録されている検証条件に基づいて品質判定を行い、その結果を最新の正常モデルの検証結果として過去正常モデル記憶部２１０に出力する。また、正常モデル比較検証部２０６は、検証結果に基づいて診断処理と学習処理の接続スイッチの切替情報を故障予兆診断装置１００に対して送信する処理を行う。
　ユーザインタフェース部２１４は、診断結果記憶部２０８と、過去正常モデル記憶部２１０と、検証条件記憶部２１２とに記憶されている情報を読み込み画面表示する機能を有するとともに、外部からの指示に応じて情報の書き換え処理を実行する。
　図２に故障予兆診断装置１００が、機械３００から受信する稼動データの構成例を示している。例えば、稼働データは部位系統ＩＤとセンサＩＤとセンサ値とをひとつのまとまりとして構成するメッセージ本体と、図示しない故障予兆診断装置１００の内部クロックによって計測した当該メッセージの受信日時とで構成する。
　ここで、部位系統ＩＤとは、対象センサの取り付けられている部位系統を特定するためのＩＤである。たとえば、エンジンやモータ、インバータなど機械を構成する主要なモジュールごとにＩＤを設定する。更にセンサＩＤは、対象部位系統に取り付けられているセンサのなかから対象センサを一意に特定するためのユニークなＩＤである。たとえば、エンジンの冷却系統を例にとると、ラジエータの入口、出口に冷却水の温度、圧力を計測するためのセンサが取り付けられているとすると、ラジエータ入口温度Ｔ１、ラジエータ入口圧力Ｐ１、ラジエータ出口温度Ｔ２、ラジエータ出口圧力Ｐ２、などとユニークなＩＤが設定されている。また、センサ値は、部位系統ＩＤとセンサＩＤから特定されるユニークなセンサによる計測値を示している。
　図３に基づいて、学習処理部１０６が実行する処理内容について順に説明していく。
　学習処理部１０６は、ステップ２０００(以下、Ｓ２０００と称す)において、稼動データ受信部１０２との接続スイッチがＯＮになっていることを確認する。ＯＦＦになっている場合には、ＮＯの判定となり繰り返し接続状況の確認処理を実行する。ＯＮになっている場合にはＹＥＳの判定となり、次のステップに進む。
　学習処理部１０６は、Ｓ２１００において、正常モデル記憶部１１２から正常モデル情報を読み込む。
　図４に正常モデル記憶部１１２に記憶されている正常モデルの構成例を示す。図４に示すように正常モデルには診断項目ごとの診断対象とする部位系統ＩＤと、扱うセンサ項目と、動作モードごとのデータ量と、動作モード条件と、各センサ項目における正常平均値と正常標準偏差とが記録されている。ここで、部位系統ＩＤは、診断対象とする部位系統ＩＤを示しており、また、診断で扱うセンサ項目については、センサＩＤの形式で示されている。動作モードとは、機械の動作状態を示す識別情報である。例えば、エンジンの場合、アイドリング状態や稼動状態などの動作状態によって正常時のデータ特性が異なるため、別々の正常モデルを構成している。そして、動作モードごとにデータ量と動作モード条件、各センサの正常平均値と正常標準偏差を記憶している。データ量とは、各センサの正常平均値と正常標準偏差を計算するために必須となるデータ量を示している。また、動作モード条件は、当該動作モードを認識するための条件を示している。例えば、前記のエンジンのアイドリング状態と稼動状態を別の動作モードとして分ける場合、エンジン回転数に基づいて分類する方法が考えられる。そして、当該動作モード条件を満足する稼動データを蓄積し、必要なデータ量に達したことを確認した後に正常平均値と正常標準偏差を計算することで新しい正常モデルを再作成することになる。
　次に、学習処理部１０６は、Ｓ２２００において、稼動データ受信部１０２から稼動データを受信する。そして、稼動データのなかから正常モデル情報の入力センサ項目に含まれるセンサデータのみを受信・蓄積する処理を行う。そして、学習処理部１０６は、診断項目ごと、動作モードごとに必要なデータ量に達するまでセンサデータの受信と蓄積処理を継続する。学習処理部１０６は、すべての診断項目のすべての動作モードにおいて必要データ量に達したタイミングでＳ２３００において、ＹＥＳの判定を行う。
　学習処理部１０６は、Ｓ２４００において、診断項目ごと、動作モードごとに蓄積センサデータを用いて平均値と標準偏差を計算する。ここで計算した平均値と標準偏差の値を更新することで処理を終了する。
　次に図５に基づいて、診断処理部１０４が実行する処理内容について順に説明する。
　診断処理部１０４は、Ｓ１０００において、稼動データ受信部１０２との接続スイッチがＯＮになっていることを確認する。ＯＦＦになっている場合には、ＮＯの判定となり繰り返し接続状況の確認処理を実行する。ＯＮになっている場合にはＹＥＳの判定となり、次のステップに進む。
　診断処理部１０４は、Ｓ１１００において、稼動データ受信部１０２から稼動データを受信する。ここで受信する稼動データが診断対象のデータとなる。
　次に診断処理部１０４は、Ｓ１２００において、正常モデル記憶部１１２に記憶されている正常モデルを読み込む。
　診断処理部１０４は、正常モデルに含まれる診断項目ごとにＳ１３００～Ｓ１５００の処理を実行する。
　まず、診断処理部１０４は、Ｓ１３００において、動作モードの判定処理を実行する。すなわち、対象診断項目において複数の動作モードが存在するが、いずれの動作モードに該当するかについて、動作モード条件を満足するか否かに基づいて判定する。仮にここで特定した動作モードをｍとする。
　次に診断処理部１０４は、Ｓ１４００において、乖離度算出処理を実行する。
　以下乖離度の計算方法について説明する。ある診断項目のＮ個の入力センサ項目をとd1(t),d2(t),…,dN(t)する。また、正常モデルに含まれる動作モードｍにおけるセンサiの正常平均値、正常標準偏差をそれぞれμmi,σmiとすると、動作モードｍの乖離度L(t,m)は数式１で計算する。
Figure JPOXMLDOC01-appb-I000001
　この乖離度は診断対象としたセンサデータが正常基準値からどれだけ離れているかを計算した値であり、正常標準偏差に対する比率で表される。例えば、正規分布に従うとした場合、この結果に対して乖離度が３より大のときは異常と判断し、３未満であるときは正常と判断するようにすることで異常発生状況を診断することが可能である。
　次に診断処理部１０４は、Ｓ１５００においてここで計算した乖離度を診断結果記憶部１１０に出力して記録する。
　図６に診断結果記憶部に記録する診断結果の構成例を示す。例えば、診断結果は診断項目ＩＤごとにタイムスタンプと、動作モードと、計算した乖離度と、センサ値とで構成する。ここで、タイムスタンプは稼動データに含まれる受信日時を記録する。動作モードは、Ｓ１３００において特定した動作モードｍを記録する。そして、乖離度およびセンサ値については、Ｓ１４００で計算した乖離度およびセンサ値を記録するようにする。
　次に故障予兆診断装置１００の接続スイッチを学習処理と診断処理で切り替えを行う手順について説明する。
　通常、故障予兆診断装置１００は、切替スイッチを診断処理部１０４側に接続するかたちで診断処理を実行している。ところが、機械３００に対してメンテナンスや部品交換が行われると正常モデル記憶部１１２に記憶している正常モデルの正常範囲が変化する可能性がある。そこで、切替スイッチを学習処理部１０６側に切り替え、正常モデルを再作成して更新することを考える。
　　その際の一連の処理手順を説明する。まず、検証サーバのユーザインタフェース部２１４が、外部からの指示を得て学習処理部１０６側に切り替えるための切替情報を受け付ける。そして、検証サーバ２００のユーザインタフェース部２１４は、その切替情報を通信部２０２および通信部１１４を介して故障予兆診断装置１００の処理切替部１０８に送信する。処理切替部１０８は、その情報に基づいて切替スイッチを診断処理部１０４側から学習処理部１０６側に切り替えを実行する。
　次に、切替スイッチを学習処理部１０６側から診断処理部１０４側に切り替える際の一連の処理手順について説明する。
　故障予兆診断装置１００の通信部１１４は、学習処理部１０６が新しい正常モデルを生成し正常モデル記憶部１１２の内容を更新すると、その情報を検証サーバ２００に対して送信する。検証サーバ２００の通信部２０２はその正常モデルに関する情報を正常モデル管理部２０４に送信するとともに、同様に正常モデル比較検証部２０６に送信する。
　ここで、正常モデル管理部２０４は、新しい正常モデルを受信すると過去正常モデル記憶部２１０にアクセスして最新の正常モデルを追加する。
　図７に過去正常モデル記憶部２１０に記憶している過去正常モデルの構成例を示している。図７に示すように過去正常モデルは正常モデル履歴ＩＤごとに管理し、バージョン情報と、正常モデル情報と、検証結果情報とを記録している。バージョン情報は、正常モデルの更新状況を管理するための情報である。バージョン情報が新しいものほど最新の正常モデルであることを意味している。正常モデル情報は、正常モデルそのものを示しており、故障予兆診断装置１００の正常モデル記憶部１１２の内容がそのまま記録される。
　そして、検証結果情報は、以降で説明する正常モデルの検証結果を記録するためのフィールドである。検証結果情報は、診断項目ごと、動作モードごとに比較対象モデルＩＤと検証結果を記録する。ここで比較対象モデルＩＤには、当該正常モデルに対してひとつ古いバージョンの正常モデルのバージョン情報を記録する。そして、検証結果には以降で説明する検証処理による結果を記録する。
　図８に基づいて正常モデル比較検証部２０６が行う検証処理について説明する。
　正常モデル比較検証部２００は、Ｓ３０００において、通信部２０２から正常モデルを受信したか否かを判断する。ここで、受信していなければＮＯの判定となり、繰り返し受信状況の確認処理を実行する。一方で、受信した場合にはＹＥＳの判定となり、Ｓ３１００へ進む。
　正常モデル比較検証部２００は、Ｓ３１００において、過去正常モデル記録部２１０に記憶している一つ前のバージョンの正常モデル情報を読み込む。
　正常モデル比較検証部２００は、Ｓ３２００において、検証条件記憶部２１２にアクセスして検証条件を読み込む。
　図９に検証条件記憶部２１２に記憶している検証条件の構成例を示す。図９に示すように検証条件には診断部位系統ごと、動作モードごとに検証ＯＫと判断するための条件が記録されている。ここでσmiは新しく生成した正常モデルの正常標準偏差を示し、σmi′は一つ前のバージョンの正常モデルにおける正常標準偏差を示している。すなわち、この条件式は標準偏差としてみた際の正常範囲の大きさが前回に比べて１．１倍もしくは１．２倍未満に抑えられていることを検証ＯＫとする条件としている。この検証条件記憶部２１２に記録されている検証条件はユーザインタフェース部２１４を介して更新することが可能になっている。
　正常モデル比較検証部２００は、Ｓ３３００において、診断項目ごと、動作モードごとに前記した検証条件をクリアしているか否かを判断する。そしてすべての検証条件をクリアしていることを確認した後に故障予兆診断装置１００に向けて診断処理への切替情報を送付する。
　故障予兆診断装置１００の通信部１１４は、これを受けて処理切替部１０８に送信し、処理切替部１０８は、この情報に基づいて接続スイッチを診断処理部１０４側に切り替える処理を実行する。
　以上のように学習処理が生成した正常モデルに対して以前作成した過去の正常モデルと、正常範囲の大きさを比較する検証処理を有することにより、診断時の失報リスクを低減することが可能となる。
１０…故障予兆診断システム、１００…故障予兆診断装置、１０２…稼動データ受信部、１０４…診断処理部、１０６…学習処理部、１０８…処理切替部、１１０…診断結果記憶部、１１２…正常モデル記憶部、１１４…通信部、２００…検証サーバ、２０２…通信部、２０４…正常モデル管理部、２０６…正常モデル比較検証部、２０８…診断結果記憶部、２１０…過去正常モデル記憶部、２１２…検証条件記憶部、２１４…ユーザインタフェース部、３００…診断対象機械

Claims (10)

  1. 機械の稼動データをもとに正常状態を学習し正常モデルを生成する学習手段と、
    前記正常モデルに基づいて稼動データの正常状態からの逸脱を診断する診断手段とを備えた故障予兆診断システムにおいて、
    前記学習手段が最新正常モデルを生成した際に古くなった正常モデルを過去正常モデルとして記憶する正常モデル管理手段と、
    最新正常モデルと過去正常モデルの正常範囲を比較し、正常範囲の比較結果を出力する正常モデル比較検証手段とを備えていることを特徴とする故障予兆診断システム。
  2. 請求項１の故障予兆診断システムにおいて、
    前記故障予兆診断システムの正常モデル比較検証手段は、診断項目毎に、もしくは動作モード毎の正常モデルにおける正常範囲の比を出力することを特徴とする故障予兆診断システム。
  3. 請求項１もしくは請求項２の故障予兆診断システムにおいて、
    前記故障予兆診断システムの正常モデル比較検証手段は、正常範囲として正常時の稼動データから計算した標準偏差を用いることを特徴とする故障予兆診断システム。
  4. 請求項１から請求項３のいずれかの故障予兆診断システムにおいて、
    前記故障予兆診断システムは、前記正常モデル比較検証手段が正常モデルの検証を行う際に品質的に問題ないことを判断するための判定基準を記憶した検証条件記憶部を備え、
    前記正常モデル比較検証手段は正常範囲の比を前記判定基準と比較することにより検証結果を出力することを特徴とする故障予兆診断システム。
  5. 請求項４の故障予兆診断システムにおいて、
    前記正常モデル比較検証手段が出力した検証結果に応じて機械の稼動データを入力する方向を学習手段と診断手段で切り替える切替手段を備えたことを特徴とする故障予兆診断システム。
  6. 機械の稼動データをもとに正常状態を学習し正常モデルを生成すること、
    前記正常モデルに基づいて稼動データの正常状態からの逸脱を診断する故障予兆診断方法において、
    最新の前記正常モデルを生成した際に古くなった正常モデルを過去正常モデルとして記憶すること、
    最新正常モデルと過去正常モデルの正常範囲を比較し、正常範囲の比較結果を出力することを特徴とする故障予兆診断方法。
  7. 請求項６の故障予兆診断方法において、
    前記正常モデルの比較する際に、診断項目毎に、もしくは動作モード毎の正常モデルにおける正常範囲の比を出力することを特徴とする故障予兆診断方法。
  8. 請求項６もしくは請求項７の故障予兆診断方法において、
    前記正常モデルを比較する際に、正常範囲として正常時の稼動データから計算した標準偏差を用いることを特徴とする故障予兆診断方法。
  9. 請求項６から請求項８のいずれかの故障予兆診断方法において、
    前記正常モデルの検証を行う際に品質的に問題ないことを判断するための判定基準を記憶し、
    前記正常モデルを比較する際に、正常範囲の比を前記判定基準と比較することにより検証結果を出力することを特徴とする故障予兆診断方法。
  10. 請求項９の故障予兆診断方法において、
    前記検証結果に応じて機械の稼動データを入力する方向を学習方法と診断方法で切り替えることを特徴とする故障予兆診断方法。
PCT/JP2015/059544 2015-03-27 2015-03-27 故障予兆診断システム、及びその方法 WO2016157278A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2015/059544 WO2016157278A1 (ja) 2015-03-27 2015-03-27 故障予兆診断システム、及びその方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2015/059544 WO2016157278A1 (ja) 2015-03-27 2015-03-27 故障予兆診断システム、及びその方法

Publications (1)

Publication Number Publication Date
WO2016157278A1 true WO2016157278A1 (ja) 2016-10-06

Family

ID=57005170

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2015/059544 WO2016157278A1 (ja) 2015-03-27 2015-03-27 故障予兆診断システム、及びその方法

Country Status (1)

Country Link
WO (1) WO2016157278A1 (ja)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018146448A (ja) * 2017-03-07 2018-09-20 オークマ株式会社 状態診断装置
EP3591484A4 (en) * 2017-03-03 2020-03-18 Panasonic Intellectual Property Management Co., Ltd. ADDITIONAL LEARNING PROCEDURE FOR A DEGRADATION DIAGNOSTIC SYSTEM
JP2020052821A (ja) * 2018-09-27 2020-04-02 株式会社ジェイテクト 劣化判定装置および劣化判定システム
WO2021171682A1 (ja) * 2020-02-25 2021-09-02 株式会社日立製作所 音点検システムおよび制御方法
WO2022096139A1 (en) * 2020-11-09 2022-05-12 Advantest Corporation A method for determining whether a measurement system is used in a valid state, a method to support a determination whether a measurement system is used in a valid state, a measurement system configured to perform these methods and a computer program for performing these methods
US20230038415A1 (en) * 2020-02-07 2023-02-09 Fanuc Corporation Diagnosis device

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH063483A (ja) * 1992-06-23 1994-01-11 Hitachi Ltd 機器異常監視方法およびその装置
JP2010175446A (ja) * 2009-01-30 2010-08-12 Mitsubishi Heavy Ind Ltd 状態診断装置
JP2012123522A (ja) * 2010-12-07 2012-06-28 Azbil Corp 管理装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH063483A (ja) * 1992-06-23 1994-01-11 Hitachi Ltd 機器異常監視方法およびその装置
JP2010175446A (ja) * 2009-01-30 2010-08-12 Mitsubishi Heavy Ind Ltd 状態診断装置
JP2012123522A (ja) * 2010-12-07 2012-06-28 Azbil Corp 管理装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TOMOAKI HIRUTA ET AL.: "Sensor Data no Kakuritsu Bunpu ni Motozuku Kikai no Jotai Filtering", THE JAPAN SOCIETY OF MECHANICAL ENGINEERS 2013 NENDO NENJI TAIKAI KOEN RONBUNSHU, 7 September 2013 (2013-09-07), pages 171013 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3591484A4 (en) * 2017-03-03 2020-03-18 Panasonic Intellectual Property Management Co., Ltd. ADDITIONAL LEARNING PROCEDURE FOR A DEGRADATION DIAGNOSTIC SYSTEM
US11544554B2 (en) 2017-03-03 2023-01-03 Panasonic Intellectual Property Management Co., Ltd. Additional learning method for deterioration diagnosis system
JP2018146448A (ja) * 2017-03-07 2018-09-20 オークマ株式会社 状態診断装置
CN108572006A (zh) * 2017-03-07 2018-09-25 大隈株式会社 状态诊断装置
CN108572006B (zh) * 2017-03-07 2021-08-06 大隈株式会社 状态诊断装置
JP2020052821A (ja) * 2018-09-27 2020-04-02 株式会社ジェイテクト 劣化判定装置および劣化判定システム
CN110948809A (zh) * 2018-09-27 2020-04-03 株式会社捷太格特 劣化判定装置以及劣化判定***
US20230038415A1 (en) * 2020-02-07 2023-02-09 Fanuc Corporation Diagnosis device
WO2021171682A1 (ja) * 2020-02-25 2021-09-02 株式会社日立製作所 音点検システムおよび制御方法
JP2021135585A (ja) * 2020-02-25 2021-09-13 株式会社日立製作所 音点検システムおよび制御方法
JP7193491B2 (ja) 2020-02-25 2022-12-20 株式会社日立製作所 音点検システム
WO2022096139A1 (en) * 2020-11-09 2022-05-12 Advantest Corporation A method for determining whether a measurement system is used in a valid state, a method to support a determination whether a measurement system is used in a valid state, a measurement system configured to perform these methods and a computer program for performing these methods

Similar Documents

Publication Publication Date Title
WO2016157278A1 (ja) 故障予兆診断システム、及びその方法
KR102407484B1 (ko) 정보 처리 방법, 정보 처리 시스템, 및 정보 처리 장치
JP6821601B2 (ja) 統合資産保全性管理システム
US10235658B2 (en) Maintenance management device for operating machinery
CN110023862B (zh) 诊断装置、诊断方法及计算机可读取的记录介质
US20070078528A1 (en) Predictive fault determination for a non-stationary device
US20200026268A1 (en) Control device and diagnosis system
JP2018524704A (ja) 予測モデルの動的な実行
US10363638B2 (en) Method for controlling a screwing process
KR102196287B1 (ko) 인공지능을 이용한 스마트공장 고장예지진단 장치 및 그것을 이용한 고장예지진단 방법
US20200160227A1 (en) Model update based on change in edge data
JP5277667B2 (ja) 障害分析システム、障害分析方法、障害分析サーバおよび障害分析プログラム
TWI695338B (zh) 收集裝置、收集方法、程式及收集系統
JP6517991B1 (ja) 異常予兆診断システム、管理装置、及び異常予兆診断方法
EP3640872A1 (en) Shipment of field devices
CN108334652B (zh) 机台的预诊断方法及预诊断装置
US20180099413A1 (en) Robot system and maintenance method for tracking information of module
US20190257719A1 (en) Abnormal-state detection system and abnormal-state detection method
WO2018220760A1 (ja) 空気調和機故障診断装置
EP3586233A1 (en) Methods and systems for problem-alert aggregation
US20230408996A1 (en) Monitoring laundry machine operation using machine learning analysis of acoustic transducer signal information
KR102463974B1 (ko) 통지 장치, 통지 방법 및 프로그램을 기록한 컴퓨터로 판독 가능한 기록 매체
JP2012037991A (ja) 予測装置、予測システム及びプログラム
EP3525057B1 (en) Diagnosis of a redundant control system
JP6798461B2 (ja) 通知制御装置、通知制御システム、通知制御方法、及び通知制御プログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 15887434

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 15887434

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP