WO2017145318A1 - 製造設備の異常診断装置 - Google Patents

製造設備の異常診断装置 Download PDF

Info

Publication number
WO2017145318A1
WO2017145318A1 PCT/JP2016/055589 JP2016055589W WO2017145318A1 WO 2017145318 A1 WO2017145318 A1 WO 2017145318A1 JP 2016055589 W JP2016055589 W JP 2016055589W WO 2017145318 A1 WO2017145318 A1 WO 2017145318A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
unit
abnormality diagnosis
feature amount
manufacturing facility
Prior art date
Application number
PCT/JP2016/055589
Other languages
English (en)
French (fr)
Inventor
手塚　知幸
裕之 篠永
亀山　渉
睦 菅沼
元貴 永島
Original Assignee
東芝三菱電機産業システム株式会社
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 東芝三菱電機産業システム株式会社 filed Critical 東芝三菱電機産業システム株式会社
Priority to JP2018501494A priority Critical patent/JPWO2017145318A1/ja
Priority to PCT/JP2016/055589 priority patent/WO2017145318A1/ja
Priority to US15/781,724 priority patent/US20180372583A1/en
Priority to CN201680079567.XA priority patent/CN108885443A/zh
Priority to KR1020187026640A priority patent/KR20180116322A/ko
Priority to TW105117947A priority patent/TWI645275B/zh
Publication of WO2017145318A1 publication Critical patent/WO2017145318A1/ja

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
    • 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]

Definitions

  • This invention relates to an abnormality diagnosis apparatus for manufacturing equipment.
  • Patent Document 1 discloses a manufacturing facility abnormality diagnosis device.
  • the abnormality diagnosis apparatus performs abnormality diagnosis by comparing the monitoring data of the manufacturing facility with normal data.
  • Patent Document 1 When various controls are mixed in the manufacturing facility, the operation of the manufacturing facility becomes complicated. For this reason, the abnormality diagnosis apparatus described in Patent Document 1 performs abnormality diagnosis using data in a state where manufacturing facilities are limited.
  • An object of the present invention is to provide an abnormality diagnosis apparatus for a manufacturing facility that can perform an abnormality diagnosis of the manufacturing facility regardless of the state of the manufacturing facility.
  • An abnormality diagnosis apparatus for a manufacturing facility includes a feature amount storage unit that stores information on a feature amount that captures an operation state of the manufacturing facility, and operation data of the manufacturing facility or a measuring device provided in the manufacturing facility.
  • a data conversion unit that converts data including measurement data
  • a feature amount analysis unit that analyzes data converted by the data conversion unit based on feature amount information stored in the feature amount storage unit
  • the feature amount A data restoration unit that restores data based on feature amount information stored in the storage unit and information obtained as a result of analysis by the feature amount analysis unit, and data used when the feature amount analysis unit analyzes
  • an abnormality degree calculation unit that calculates an abnormality degree based on the data restored by the data restoration unit, and an abnormality diagnosis part that performs abnormality diagnosis based on the abnormality degree calculated by the abnormality degree calculation unit, I was painting.
  • the abnormality diagnosis is performed based on the degree of abnormality calculated based on the data used when analyzed by the feature amount analysis unit and the data restored by the data restoration unit. For this reason, abnormality diagnosis of a manufacturing facility can be performed regardless of the state of the manufacturing facility.
  • FIG. FIG. 1 is a configuration diagram of a hot sheet rolling line to which an abnormality diagnosis apparatus for manufacturing equipment according to Embodiment 1 of the present invention is applied.
  • a hot sheet rolling line 1 is schematically shown.
  • the hot sheet rolling line 1 includes seven rolling mills 1a.
  • a measuring device including sensors such as a thickness gauge and a shape meter is not shown.
  • the material flows in the illustrated rolling direction. As a result, the material is rolled to a desired thickness by seven rolling mills 1a.
  • the data collection device 2 collects data including operation data of the hot sheet rolling line 1 or measurement data of the measurement device periodically or intermittently. For example, the data collection device 2 collects set value data for each device in the hot sheet rolling line 1. For example, the data collection device 2 collects actual value data for each device in the hot sheet rolling line 1. For example, the data collection device 2 collects data of measurement values obtained by sensors. For example, the data collection device 2 collects operation amount data by a control system for obtaining a desired product.
  • the abnormality diagnosis device 3 includes a feature amount storage unit 4, a data conversion unit 5, a feature amount analysis unit 6, a data restoration unit 7, an abnormality degree calculation unit 8, and an abnormality diagnosis unit 9.
  • the feature quantity storage unit 4 stores feature quantity information that captures the normal operating state of the manufacturing facility based on the data collected by the data collection device 2.
  • the feature amount is extracted in advance.
  • the feature amount is extracted by a method using principal component analysis.
  • the principal component is extracted as a feature amount.
  • the feature amount is extracted by a method using sparse coding.
  • a set of bases is extracted as a feature quantity.
  • ⁇ ⁇ ⁇ Values vary between data used for feature extraction. If the variation is large, there is a bias in the extraction of the feature amount. Therefore, normalization processing is performed on the collected data before extracting the feature amount. For example, the normalization process is expressed by the following equation (1) based on the average value and standard deviation of data used for feature quantity extraction.
  • x ′ ik is a value after normalization of the k-th data of the i-th data.
  • x ik is a value before the k-th normalization of the i-th data.
  • x avei is an average value of the i-th data.
  • ⁇ i is the standard deviation of the i-th data.
  • normalization processing is effective when values differ greatly for each data. For example, when the first data is on the order of 2.0, 3.0, etc., but the second data is on the order of several thousand, it is effective to perform the normalization process. Further, the normalization process may be performed by a method other than the method using the equation (1). Further, when there is no problem even if normalization is not necessary, the normalization process may not be performed.
  • filter processing using a low-pass filter or the like may be performed before normalization is performed. In this case, noise is removed.
  • the feature quantities are stratified based on the operating state of the hot sheet rolling line 1.
  • the feature amounts are stratified during rolling and non-rolling.
  • the feature amount information is stored in association with the operation state information of the hot sheet rolling line 1.
  • feature quantities are stratified based on the product to be manufactured.
  • the feature amount is stratified based on the type, size, and the like of the material to be rolled.
  • the feature amount information is stored in association with information related to the product to be manufactured.
  • the data converter 5 converts the data sent from the data collection device 2. For example, the data conversion unit 5 normalizes the data sent from the data collection device 2 based on the average value and the standard deviation used when the feature amount information stored in the feature amount storage unit 4 is extracted. The process is applied. When the feature amounts are stratified in the feature amount storage unit 4, the data conversion unit 5 uses the average value and the standard deviation obtained for each layer corresponding to the stratification in the feature amount storage unit 4. In the data converter 5, before normalization is performed, a filter process using a low-pass filter or the like may be performed. In this case, noise is removed. If there is no problem even if the data is not converted, the data is not converted.
  • the feature amount analysis unit 6 receives the data converted by the data conversion unit 5.
  • the feature amount analysis unit 6 analyzes the data converted by the data conversion unit 5 based on the feature amount information stored in the feature amount storage unit 4.
  • the analysis is performed by the same method as when the feature amount is extracted.
  • the analysis result is a coefficient when written by the principal component.
  • the analysis result corresponds to a sparse coefficient.
  • the feature amount information is stratified in the feature amount storage unit 4, the analysis is performed on the feature amount corresponding to each layer.
  • the data restoration unit 7 restores data based on the feature amount information stored in the feature amount storage unit 4 and the result information analyzed by the feature amount analysis unit 6.
  • the feature amount information is stratified in the feature amount storage unit 4, the feature amount corresponding to each layer is used.
  • the abnormality degree calculation unit 8 calculates the degree of abnormality based on the data used when analyzed by the feature amount analysis unit 6 and the data restored by the data restoration unit 7. For example, the absolute value of the difference between each data is calculated as the degree of abnormality. For example, the square of the difference between each data is calculated as the degree of abnormality.
  • the abnormality diagnosis unit 9 performs abnormality diagnosis based on the abnormality degree calculated by the abnormality degree calculation unit 8. For example, the abnormality diagnosis unit 9 diagnoses that an abnormality has occurred when the abnormality degree calculated by the abnormality degree calculation unit 8 exceeds a preset threshold value.
  • the threshold value is set based on restoration data obtained in the same manner as the above-described method using data obtained when feature amounts are extracted in advance.
  • the threshold value is set to the maximum value of the difference between the original data and the restored data.
  • the threshold value is set to a value in which 95% of the difference between the original data and the restored data falls within the range. In these cases, if the degree of abnormality is within the threshold, it is considered normal.
  • FIG. 2 is a diagram for explaining a method of abnormality diagnosis by the abnormality diagnosis device for manufacturing equipment according to Embodiment 1 of the present invention.
  • the left side of Fig. 2 shows the case of normal data only. As shown on the left side of FIG. 2, when the data is normal, the original data and the restored data almost coincide. In this case, the abnormality diagnosis device 3 diagnoses as normal.
  • the right side of Fig. 2 shows the case of data with an abnormality. As shown on the right side of FIG. 2, data is not restored in the abnormal portion A. For this reason, a difference occurs between the original data and the restored data. In this case, the abnormality diagnosis device 3 diagnoses an abnormality.
  • FIG. 3 is a flowchart for explaining the operation of the abnormality diagnosis device for manufacturing equipment according to Embodiment 1 of the present invention.
  • step S1 the data converter 5 normalizes the data from the data collection device 2. Thereafter, the process proceeds to step S2.
  • the feature amount analysis unit 6 analyzes the data normalized by the data conversion unit 5 based on the feature amount information stored in the feature amount storage unit 4. Thereafter, the process proceeds to step S3.
  • the data restoration unit 7 restores the data based on the feature amount information stored in the feature amount storage unit 4 and the result information analyzed by the feature amount analysis unit 6.
  • step S ⁇ b> 4 the abnormality degree calculation unit 8 calculates the degree of abnormality based on the data used when analyzed by the feature amount analysis unit 6 and the data restored by the data restoration unit 7. Thereafter, the process proceeds to step S5.
  • step S ⁇ b> 5 the abnormality diagnosis unit 9 performs an abnormality diagnosis based on the abnormality degree calculated by the abnormality degree calculation unit 8. For example, the abnormality diagnosis unit 9 determines whether the abnormality degree calculated by the abnormality degree calculation unit 8 exceeds a preset threshold value.
  • step S5 If the abnormality degree calculated by the abnormality degree calculation unit 8 in step S5 does not exceed a preset threshold value, the process proceeds to step S6. In step 6, the abnormality diagnosis unit 9 diagnoses as normal. Thereafter, the operation ends.
  • step S5 If the abnormality degree calculated by the abnormality degree calculation unit 8 in step S5 exceeds a preset threshold value, the process proceeds to step S7.
  • step S7 the abnormality diagnosis unit 9 diagnoses an abnormality. Thereafter, the operation ends.
  • the abnormality diagnosis is performed based on the data used when analyzed by the feature amount analysis unit 6 and the data restored by the data restoration unit 7. Based on. For this reason, abnormality diagnosis of the hot sheet rolling line 1 can be performed regardless of the state of the hot sheet rolling line 1.
  • the feature amount analysis unit 6 analyzes based on the data normalized by the data conversion unit 5. For this reason, even if the dispersion
  • the abnormality diagnosis unit 9 performs abnormality diagnosis by comparing the abnormality degree calculated by the abnormality degree calculation unit 8 with a preset threshold value. At this time, in consideration of data fluctuation, an abnormality may be diagnosed when a preset threshold value is exceeded a predetermined number of times within a preset period. In this case, erroneous diagnosis due to suddenly generated data can be avoided.
  • the feature amount information may be stored in association with the operation state information of the hot sheet rolling line 1. In this case, the accuracy of abnormality diagnosis of the hot sheet rolling line 1 can be increased.
  • the feature amount information may be stored in association with information related to the product to be manufactured. In this case, the accuracy of abnormality diagnosis of the hot sheet rolling line 1 can be increased.
  • the hot sheet rolling line 1 When the hot sheet rolling line 1 is diagnosed as abnormal, an alarm may be notified to maintenance personnel. In this case, constant monitoring by maintenance personnel is unnecessary. As a result, the burden on maintenance personnel can be reduced. In addition, maintenance work can be performed before a failure occurs. For this reason, the stop and serious failure of the hot sheet rolling line 1 can be prevented in advance. As a result, stable quality can be ensured.
  • FIG. 4 is a hardware configuration diagram of the abnormality diagnosis apparatus for manufacturing equipment according to Embodiment 1 of the present invention.
  • Each function of the abnormality diagnosis device 3 can be realized by a processing circuit.
  • the processing circuit includes at least one processor 10a and at least one memory 10b.
  • the processing circuit includes at least one dedicated hardware 11.
  • each function of the abnormality diagnosis device 3 is realized by software, firmware, or a combination of software and firmware. At least one of software and firmware is described as a program. At least one of software and firmware is stored in at least one memory 10b. At least one processor 10a implements each function of the abnormality diagnosis device 3 by reading and executing a program stored in at least one memory 10b.
  • the at least one processor 10a is also referred to as a CPU (Central Processing Unit), a central processing unit, a processing unit, an arithmetic unit, a microprocessor, a microcomputer, and a DSP.
  • the at least one memory 10b is a non-volatile or volatile semiconductor memory such as RAM, ROM, flash memory, EPROM, or EEPROM, a magnetic disk, a flexible disk, an optical disk, a compact disk, a mini disk, a DVD, or the like.
  • the processing circuit includes at least one dedicated hardware 11
  • the processing circuit is, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC, an FPGA, or a combination thereof. is there.
  • each function of the abnormality diagnosis device 3 is realized by a processing circuit.
  • each function of the abnormality diagnosis device 3 is collectively realized by a processing circuit.
  • a part of each function of the abnormality diagnosis device 3 may be realized by the dedicated hardware 11, and the other part may be realized by software or firmware.
  • the function of the feature quantity storage unit 4 is realized by a processing circuit as the dedicated hardware 11, and for functions other than the feature quantity storage unit 4, at least one processor 10a is stored in at least one memory 10b. May be realized by reading out and executing.
  • the processing circuit realizes each function of the abnormality diagnosis device 3 by the hardware 11, software, firmware, or a combination thereof.
  • FIG. FIG. 5 is a configuration diagram of a hot sheet rolling line to which the manufacturing facility abnormality diagnosis apparatus according to Embodiment 2 of the present invention is applied.
  • symbol is attached
  • the abnormality diagnosis device 3 of the second embodiment is an abnormality diagnosis device in which a feature quantity extraction unit 12 and an abnormality diagnosis parameter determination unit 13 are added to the abnormality diagnosis device 3 of the first embodiment.
  • the feature quantity extraction unit 12 periodically updates the feature quantity information stored in the feature quantity storage unit 4.
  • the feature quantity extraction unit 12 updates the feature quantity information stored in the feature quantity storage unit 4 for each event such as periodic repair of the hot sheet rolling line 1.
  • the feature quantity extraction unit 12 updates the feature quantity information in the same manner as the feature quantity extraction method by the feature quantity storage unit 4.
  • the feature amount extraction unit 12 updates the feature amount information using the data of the data collection device 2.
  • the feature amount extraction unit 12 stores the data from the data collection device 2 and updates the feature amount information.
  • the feature amount extraction unit 12 receives a notification of the result of the abnormality diagnosis from the abnormality diagnosis unit 9.
  • the feature quantity extraction unit 12 updates the feature quantity information stored in the feature quantity storage unit 4 using the data diagnosed as normal without using the data diagnosed as abnormal by the abnormality diagnosis unit 9.
  • the feature amount information is stratified in the feature amount storage unit 4, the feature amount corresponding to each layer is updated.
  • the abnormality diagnosis parameter determination unit 13 receives the data used for updating the feature value and the updated feature value information.
  • the abnormality diagnosis parameter determination unit 13 determines a threshold value used for abnormality diagnosis based on the data used for updating the feature quantity and the updated feature quantity information.
  • the abnormality diagnosis parameter determination unit 13 determines the threshold value by an automated method similar to the threshold determination method set in the abnormality diagnosis unit 9.
  • the abnormality diagnosis parameter determination unit 13 notifies the abnormality diagnosis unit 9 of the threshold information.
  • a threshold corresponding to each layer is set.
  • FIG. 6 is a diagram for explaining an example of feature quantity extraction by the abnormality diagnosis device for manufacturing equipment according to Embodiment 2 of the present invention.
  • the operation state is classified into “during rolling” and “during non-rolling”. There is data diagnosed as abnormal during rolling of material B. In this case, not all of the data of the period during rolling of the material B is used for updating the feature amount.
  • the feature quantity information stored in the feature quantity storage unit 4 is updated.
  • parameters used by the data conversion unit 5 for data conversion are also updated. For this reason, the abnormality diagnosis corresponding to the time-dependent change of the hot sheet rolling line 1 can be performed.
  • the feature amount information is updated using data diagnosed as normal without using data diagnosed as abnormal. For this reason, a more appropriate feature amount can be set.
  • the actual abnormality may have started to occur before it was diagnosed as an abnormality.
  • the data of a certain period before and after including the corresponding data may not be used for updating the feature amount information.
  • all of the data in the period including the corresponding data may not be used for updating the feature amount information. .
  • the threshold value used in the abnormality diagnosis unit 9 is determined based on the updated feature amount information. For this reason, the threshold value corresponding to the time-dependent change of the hot sheet rolling line 1 can be set.
  • the abnormality diagnosis apparatus 3 of Embodiment 1 or Embodiment 2 may be applied to the manufacturing facility different from the hot sheet rolling line 1.
  • the abnormality diagnosis device 3 of the first embodiment or the second embodiment may be applied to a continuous cold rolling mill.
  • the abnormality diagnosis device 3 according to the first embodiment or the second embodiment may be applied to the annealing line.
  • the abnormality diagnosis device 3 of the first embodiment or the second embodiment may be applied to a plating process line.
  • the abnormality diagnosis apparatus for manufacturing equipment can be used in a system for diagnosing manufacturing equipment abnormality regardless of the state of the manufacturing equipment.

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

製造設備の状態に関係なく製造設備の異常診断を行うことができる製造設備の異常診断装置を提供する。製造設備の異常診断装置は、製造設備の操業状態を捉えた特徴量の情報を記憶した特徴量記憶部と、前記製造設備の運転データまたは前記製造設備に設けられた測定装置の測定データを少なくとも含むデータを変換するデータ変換部と、前記データ変換部で変換されたデータを前記特徴量記憶部に記憶された特徴量の情報に基づいて分析する特徴量分析部と、前記特徴量記憶部に記憶された特徴量の情報と前記特徴量分析部により分析された結果の情報とに基づいてデータを復元するデータ復元部と、前記特徴量分析部により分析される際に用いたデータと前記データ復元部により復元されたデータとに基づいて異常度を演算する異常度演算部と、前記異常度演算部により演算された異常度に基づいて異常診断を行う異常診断部と、を備えた。

Description

製造設備の異常診断装置
　この発明は、製造設備の異常診断装置に関する。
　特許文献１は、製造設備の異常診断装置を開示する。当該異常診断装置は、製造設備の監視データと正常データとを比較することにより異常診断を行う。
日本特開２０１３－２１４２９２号公報
　製造設備において様々な制御が混在する場合、製造設備の動作は複雑となる。このため、特許文献１に記載の異常診断装置は、製造設備が限られた状態でのデータを用いて異常診断を行う。
　この発明は、上述の課題を解決するためになされた。この発明の目的は、製造設備の状態に関係なく製造設備の異常診断を行うことができる製造設備の異常診断装置を提供することである。
　この発明に係る製造設備の異常診断装置は、製造設備の操業状態を捉えた特徴量の情報を記憶した特徴量記憶部と、前記製造設備の運転データまたは前記製造設備に設けられた測定装置の測定データを含むデータを変換するデータ変換部と、前記データ変換部で変換されたデータを前記特徴量記憶部に記憶された特徴量の情報に基づいて分析する特徴量分析部と、前記特徴量記憶部に記憶された特徴量の情報と前記特徴量分析部により分析された結果の情報とに基づいてデータを復元するデータ復元部と、前記特徴量分析部により分析される際に用いたデータと前記データ復元部により復元されたデータとに基づいて異常度を演算する異常度演算部と、前記異常度演算部により演算された異常度に基づいて異常診断を行う異常診断部と、を備えた。
　この発明によれば、異常診断は、特徴量分析部により分析される際に用いられたデータとデータ復元部により復元されたデータとに基づいて演算された異常度に基づいて行われる。このため、製造設備の状態に関係なく製造設備の異常診断を行うことができる。
この発明の実施の形態１における製造設備の異常診断装置が適用された熱間薄板圧延ラインの構成図である。 この発明の実施の形態１における製造設備の異常診断装置による異常診断の方法を説明するための図である。 この発明の実施の形態１における製造設備の異常診断装置の動作を説明するためのフローチャートである。 この発明の実施の形態１における製造設備の異常診断装置のハードウェア構成図である。 この発明の実施の形態２における製造設備の異常診断装置が適用された熱間薄板圧延ラインの構成図である。 この発明の実施の形態２における製造設備の異常診断装置による特徴量の抽出の一例を説明するための図である。
　この発明を実施するための形態について添付の図面に従って説明する。なお、各図中、同一又は相当する部分には同一の符号が付される。当該部分の重複説明は適宜に簡略化ないし省略する。
実施の形態１．
　図１はこの発明の実施の形態１における製造設備の異常診断装置が適用された熱間薄板圧延ラインの構成図である。
　図１において、熱間薄板圧延ライン１は、模式的に示される。例えば、熱間薄板圧延ライン１は、７台の圧延機１ａを備える。板厚計、形状計等のセンサを含む測定装置は、図示されない。材料は、図示の圧延方向に流れる。その結果、材料は、７台の圧延機１ａにより所望の厚さに圧延される。
　データ収集装置２は、熱間薄板圧延ライン１の運転データまたは測定装置の測定データを含むデータを定期的または間欠的に収集する。例えば、データ収集装置２は、熱間薄板圧延ライン１の各装置に対する設定値のデータを収集する。例えば、データ収集装置２は、熱間薄板圧延ライン１の各装置に対する実績値のデータを収集する。例えば、データ収集装置２は、センサによる測定値のデータを収集する。例えば、データ収集装置２は、所望の製品を得るための制御システムによる操作量のデータを収集する。
　異常診断装置３は、特徴量記憶部４とデータ変換部５と特徴量分析部６とデータ復元部７と異常度演算部８と異常診断部９とを備える。
　特徴量記憶部４は、データ収集装置２により収集されたデータに基づいて製造設備の正常な操業状態を捉えた特徴量の情報を記憶する。特徴量は、事前に抽出される。例えば、特徴量は、主成分分析による方法により抽出される。主成分分析による方法によれば、主成分が特徴量として抽出される。例えば、特徴量は、スパースコーディングを利用した方法により抽出される。スパースコーディングを利用した方法によれば、基底の集合が特徴量として抽出される。
　特徴量の抽出に用いられるデータ間においては、値の大きさがばらつく。ばらつきが大きいと、特徴量の抽出に偏りが発生する。このため、特徴量を抽出する前に、収集されたデータに対し、正規化処理が実施される。例えば、正規化処理は、特徴量の抽出に用いられるデータの平均値と標準偏差とに基づいて次の（１）式で表される。
Figure JPOXMLDOC01-appb-M000001
　ただし、ｘ´ｉｋは、ｉ番目のデータのｋ個目の正規化後の値である。ｘｉｋは、ｉ番目のデータのｋ個目の正規化前の値である。ｘａｖｅｉは、ｉ番目のデータの平均値である。σｉは、ｉ番目のデータの標準偏差である。
　なお、正規化処理は、データごとに値が大きく異なる場合に有効である。例えば、第１のデータが２．０、３．０等のオーダーであるのに対し第２のデータが数千のオーダーの場合、正規化処理を実施することは有効である。また、正規化処理は、（１）式を用いる方法以外の方法で実施されてもよい。さらに、正規化しなくても問題ない場合は、正規化処理を実施しなくてもよい。
　また、正規化が実行される前に、ローパスフィルタ等を用いたフィルタ処理がなされることもある。この場合、ノイズが除去される。
　例えば、特徴量は、熱間薄板圧延ライン１の運転状態に基づいて層別化される。例えば、特徴量は、圧延中と非圧延中とに層別化される。特徴量の情報は、熱間薄板圧延ライン１の運転状態の情報に対応付けて記憶される。
　例えば、特徴量は、製造する製品に基づいて層別化される。例えば、特徴量は、圧延する材料の種類、サイズ等に基づいて層別化される。特徴量の情報は、製造する製品に関連した情報に対応付けて記憶される。
　データ変換部５は、データ収集装置２から送られてくるデータを変換する。例えば、データ変換部５は、特徴量記憶部４に記憶された特徴量の情報を抽出した際に用いられた平均値と標準偏差とに基づいてデータ収集装置２から送られてくるデータに正規化処理を施す。特徴量記憶部４において特徴量が層別化されている場合、データ変換部５は、特徴量記憶部４における層別化に対応した層別に得られた平均値と標準偏差とを用いる。データ変換部５においては、正規化が実行される前に、ローパスフィルタ等を用いたフィルタ処理がなされることもある。この場合、ノイズが除去される。なお、データ変換しなくても問題ない場合は、データは変換されない。
　特徴量分析部６は、データ変換部５によりデータ変換されたデータを受け取る。特徴量分析部６は、データ変換部５によりデータ変換されたデータを特徴量記憶部４に記憶された特徴量の情報に基づいて分析する。当該分析は、特徴量を抽出した際と同様の方法で行われる。主成分分析により特徴量が抽出された場合、分析結果は、主成分により書き表したときの係数である。スパースコーディングにより特徴量が抽出された場合、分析結果は、スパース係数に対応する。特徴量記憶部４において特徴量の情報が層別化されている場合、層別に対応した特徴量において、分析が行われる。
　データ復元部７は、特徴量記憶部４に記憶された特徴量の情報と特徴量分析部６により分析された結果の情報とに基づいてデータを復元する。特徴量記憶部４において特徴量の情報が層別化されている場合、層別に対応した特徴量が用いられる。
　異常度演算部８は、特徴量分析部６により分析される際に用いられたデータとデータ復元部７により復元されたデータとに基づいて異常度を演算する。例えば、各データの差の絶対値がそれぞれ異常度として演算される。例えば、各データの差の２乗が異常度として演算される。
　異常診断部９は、異常度演算部８により演算された異常度に基づいて異常診断を行う。例えば、異常診断部９は、異常度演算部８により演算された異常度が予め設定された閾値を超えた際に異常が発生していると診断する。例えば、当該閾値は、事前に特徴量を抽出した際のデータを用いて上述した方法と同様に求められた復元データに基づいて設定される。例えば、当該閾値は、元データと復元データの差の最大値に設定される。例えば、当該閾値は、元のデータと復元データの差の９５％が範囲内となる値に設定される。これらの場合、異常度が当該閾値以内であれば、正常であるとみされる。
　次に、図２を用いて、異常診断の方法を説明する。
　図２はこの発明の実施の形態１における製造設備の異常診断装置による異常診断の方法を説明するための図である。
　図２の左側は、正常なデータのみの場合を示す。図２の左側に示すように、データが正常な場合，元データと復元データとは、ほぼ一致する。この場合、異常診断装置３は、正常と診断する。
　図２の右側は、異常を加えたデータの場合を示す。図２の右側に示すように、異常な部分Ａにおいては、データが復元されない。このため、元データと復元データとの間には、差が生じる。この場合、異常診断装置３は、異常と診断する。
　次に、図３を用いて、異常診断装置の動作を説明する。
　図３はこの発明の実施の形態１における製造設備の異常診断装置の動作を説明するためのフローチャートである。
　ステップＳ１において、データ変換部５は、データ収集装置２からのデータを正規化する。その後、ステップＳ２に進む。ステップＳ２では、特徴量分析部６は、データ変換部５により正規化されたデータを特徴量記憶部４に記憶された特徴量の情報に基づいて分析する。その後、ステップＳ３に進む。ステップＳ３では、データ復元部７は、特徴量記憶部４に記憶された特徴量の情報と特徴量分析部６により分析された結果の情報とに基づいてデータを復元する。
　その後、ステップＳ４に進む。ステップＳ４では、異常度演算部８は、特徴量分析部６により分析される際に用いられたデータとデータ復元部７により復元されたデータとに基づいて異常度を演算する。その後、ステップＳ５に進む。ステップＳ５では、異常診断部９は、異常度演算部８により演算された異常度に基づいて異常診断を行う。例えば、異常診断部９は、異常度演算部８により演算された異常度が予め設定された閾値を超えたか否かを判定する。
　ステップＳ５で異常度演算部８により演算された異常度が予め設定された閾値を超えていない場合は、ステップＳ６に進む。ステップ６では、異常診断部９は、正常と診断する。その後、動作が終了する。
　ステップＳ５で異常度演算部８により演算された異常度が予め設定された閾値を超えている場合は、ステップＳ７に進む。ステップＳ７では、異常診断部９は、異常と診断する。その後、動作が終了する。
　以上で説明した実施の形態１によれば、異常診断は、特徴量分析部６により分析される際に用いられたデータとデータ復元部７により復元されたデータとに基づいて演算された異常度に基づいて行われる。このため、熱間薄板圧延ライン１の状態に関係なく熱間薄板圧延ライン１の異常診断を行うことができる。
　また、特徴量分析部６は、データ変換部５により正規化されたデータに基づいて分析する。このため、データ間のばらつきが大きくても、熱間薄板圧延ライン１の異常診断を適切に行うことができる。
　また、異常診断部９は、異常度演算部８により演算された異常度と予め設定された閾値との比較により異常診断を行う。この際、データの変動を考慮し、予め設定された期間内に予め設定された回数だけ予め設定された閾値を超えた場合に異常と診断してもよい。この場合、突発的に発生したデータによる誤診断を避けることができる。
　また、特徴量の情報は、熱間薄板圧延ライン１の運転状態の情報に対応付けて記憶されることもある。この場合、熱間薄板圧延ライン１の異常診断の精度を高めることができる。
　また、特徴量の情報は、製造する製品に関連した情報に対応付けて記憶されることもある。この場合、熱間薄板圧延ライン１の異常診断の精度を高めることができる。
　なお、熱間薄板圧延ライン１の運転状態の情報と製造する製品に関連した情報とに対応付けて特徴量の情報を記憶してもよい。この場合、熱間薄板圧延ライン１の異常診断の精度をより高めることができる。
　なお、熱間薄板圧延ライン１が異常と診断された場合、保守員にアラームを通知してもよい。この場合、保守員による常時監視が不要となる。その結果、保守員の負荷を軽減することができる。また、故障が発生する前に保守作業を行うことができる。このため、熱間薄板圧延ライン１の停止および重大故障を事前に防止することができる。その結果、安定した品質を確保することができる。
　次に、図４を用いて、異常診断装置３の例を説明する。
　図４はこの発明の実施の形態１における製造設備の異常診断装置のハードウェア構成図である。
　異常診断装置３の各機能は、処理回路により実現し得る。例えば、処理回路は、少なくとも１つのプロセッサ１０ａと少なくとも１つのメモリ１０ｂとを備える。例えば、処理回路は、少なくとも１つの専用のハードウェア１１を備える。
　処理回路が少なくとも１つのプロセッサ１０ａと少なくとも１つのメモリ１０ｂとを備える場合、異常診断装置３の各機能は、ソフトウェア、ファームウェア、又はソフトウェアとファームウェアとの組み合わせにより実現される。ソフトウェアおよびファームウェアの少なくとも一方は、プログラムとして記述される。ソフトウェアおよびファームウェアの少なくとも一方は、少なくとも１つのメモリ１０ｂに格納される。少なくとも１つのプロセッサ１０ａは、少なくとも１つのメモリ１０ｂに記憶されたプログラムを読み出して実行することにより、異常診断装置３の各機能を実現する。少なくとも１つのプロセッサ１０ａは、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、ＤＳＰともいう。例えば、少なくとも１つのメモリ１０ｂは、ＲＡＭ、ＲＯＭ、フラッシュメモリ、ＥＰＲＯＭ、ＥＥＰＲＯＭ等の、不揮発性又は揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤ等である。
　処理回路が少なくとも１つの専用のハードウェア１１を備える場合、処理回路は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ、ＦＰＧＡ、又はこれらを組み合わせたものである。例えば、異常診断装置３の各機能は、それぞれ処理回路で実現される。例えば、異常診断装置３の各機能は、まとめて処理回路で実現される。
　異常診断装置３の各機能について、一部を専用のハードウェア１１で実現し、他部をソフトウェア又はファームウェアで実現してもよい。例えば、特徴量記憶部４の機能については専用のハードウェア１１としての処理回路で実現し、特徴量記憶部４以外の機能については少なくとも１つのプロセッサ１０ａが少なくとも１つのメモリ１０ｂに格納されたプログラムを読み出して実行することによって実現してもよい。
　このように、処理回路は、ハードウェア１１、ソフトウェア、ファームウェア、又はこれらの組み合わせによって、異常診断装置３の各機能を実現する。
実施の形態２．
　図５はこの発明の実施の形態２における製造設備の異常診断装置が適用された熱間薄板圧延ラインの構成図である。なお、実施の形態１と同一又は相当部分には、同一符号が付される。当該部分の説明は省略される。
　実施の形態２の異常診断装置３は、実施の形態１の異常診断装置３に特徴量抽出部１２と異常診断パラメータ決定部１３とを付加した異常診断装置である。
　例えば、特徴量抽出部１２は、特徴量記憶部４に記憶された特徴量の情報を定期的に更新する。例えば、特徴量抽出部１２は、特徴量記憶部４に記憶された特徴量の情報を熱間薄板圧延ライン１の定期修理等のイベントごとに更新する。
　特徴量抽出部１２は、特徴量記憶部４による特徴量の抽出方法と同様の方法で特徴量の情報を更新する。データ収集装置２にデータを蓄積する機能がある場合、特徴量抽出部１２は、データ収集装置２のデータを用いて特徴量の情報を更新する。データ収集装置２にデータを蓄積する機能がない場合、特徴量抽出部１２は、データ収集装置２からのデータを記憶して特徴量の情報を更新する。
　特徴量抽出部１２は、異常診断部９から異常診断の結果の通知を受ける。特徴量抽出部１２は、異常診断部９により異常と診断されたデータを用いずに正常と診断されたデータを用いて特徴量記憶部４に記憶された特徴量の情報を更新する。
　特徴量記憶部４において特徴量の情報が層別化されている場合、層別に対応した特徴量の更新が行われる。
　異常診断パラメータ決定部１３は、特徴量の更新に用いられたデータと更新された特徴量の情報とを受け取る。異常診断パラメータ決定部１３は、特徴量の更新に用いられたデータと更新された特徴量の情報とに基づいて異常診断に用いられる閾値を決定する。異常診断パラメータ決定部１３は、異常診断部９に設定する閾値の決定方法と同様の方法を自動化した方法で閾値を決定する。異常診断パラメータ決定部１３は、当該閾値の情報を異常診断部９に通知する。
　特徴量記憶部４において特徴量の情報が層別化されている場合、層別に対応した閾値が設定される。
　次に、図６を用いて、異常診断装置による特徴量の抽出の一例を説明する。
　図６はこの発明の実施の形態２における製造設備の異常診断装置による特徴量の抽出の一例を説明するための図である。
　図６においては、運転状態は、「圧延中」と「非圧延中」で分類される。材料Ｂの圧延中において、異常と診断されたデータが存在する。この場合、材料Ｂの圧延中の期間のデータの全てが特徴量の更新に用いられない。
　以上で説明した実施の形態２によれば、特徴量記憶部４に記憶された特徴量の情報が、更新される。また、データ変換部５がデータ変換に用いるパラメータも更新される。このため、熱間薄板圧延ライン１の経時変化に対応した異常診断を行うことができる。
　また、特徴量の情報は、異常と診断されたデータを用いずに正常と診断されたデータを用いて更新される。このため、より適切な特徴量を設定することができる。
　なお、実際の異常は異常と診断された以前から発生し始めていることもある。このため、該当データを含む前後一定期間のデータを特徴量の情報の更新に使用しないようにしてもよい。さらに、図６に示すように、運転状態の情報または製造する製品に関連した情報に基づいて、該当するデータを含む期間のデータの全てを特徴量の情報の更新に使用しないようにしてもよい。
　また、異常診断部９で用いる閾値は、更新された特徴量の情報に基づいて決定される。このため、熱間薄板圧延ライン１の経時変化に対応した閾値を設定することができる。
　なお、実施の形態１または実施の形態２の異常診断装置３を熱間薄板圧延ライン１とは異なる製造設備に適用してもよい。例えば、実施の形態１または実施の形態２の異常診断装置３を連続冷間圧延機に適用してもよい。例えば、実施の形態１または実施の形態２の異常診断装置３を焼鈍ラインに適用してもよい。例えば、実施の形態１または実施の形態２の異常診断装置３をメッキのプロセスラインに適用してもよい。
　以上のように、この発明に係る製造設備の異常診断装置は、製造設備の状態に関係なく製造設備の異常診断を行うシステムに利用できる。
　１　熱間薄板圧延ライン、　１ａ　圧延機、　２　データ収集装置、　３　異常診断装置、　４　特徴量記憶部、　５　データ変換部、　６　特徴量分析部、　７　データ復元部、　８　異常度演算部、　９　異常診断部、　１０ａ　プロセッサ、　１０ｂ　メモリ、　１１　ハードウェア、　１２　特徴量抽出部、　１３　異常診断パラメータ決定部

Claims (9)

  1. 　製造設備の操業状態を捉えた特徴量の情報を記憶した特徴量記憶部と、
    　前記製造設備の運転データまたは前記製造設備に設けられた測定装置の測定データを含むデータを変換するデータ変換部と、
    　前記データ変換部で変換されたデータを前記特徴量記憶部に記憶された特徴量の情報に基づいて分析する特徴量分析部と、
    　前記特徴量記憶部に記憶された特徴量の情報と前記特徴量分析部により分析された結果の情報とに基づいてデータを復元するデータ復元部と、
    　前記特徴量分析部により分析される際に用いられたデータと前記データ復元部により復元されたデータとに基づいて異常度を演算する異常度演算部と、
    　前記異常度演算部により演算された異常度に基づいて異常診断を行う異常診断部と、
    を備えた製造設備の異常診断装置。
  2. 　前記データ変換部は、前記製造設備の運転データまたは前記製造設備に設けられた測定装置の測定データを含むデータを正規化する請求項１に記載の製造設備の異常診断装置。
  3. 　前記異常診断部は、前記異常度演算部により演算された異常度が予め設定された期間内に予め設定された回数だけ予め設定された閾値を超えた場合に異常と診断する請求項１または請求項２に記載の製造設備の異常診断装置。
  4. 　前記特徴量記憶部は、前記製造設備の運転状態の情報に対応付けて特徴量の情報を記憶した請求項１から請求項３のいずれか一項に記載の製造設備の異常診断装置。
  5. 　前記特徴量記憶部は、製造する製品に関連した情報に対応付けて特徴量の情報を記憶した請求項１から請求項３のいずれか一項に記載の製造設備の異常診断装置。
  6. 　前記製造設備の運転データまたは前記製造設備に設けられた測定装置の測定データを含むデータに基づいて前記特徴量記憶部に記憶された特徴量の情報を更新する特徴量抽出部、
    を備えた請求項１から請求項５のいずれか一項に記載の製造設備の異常診断装置。
  7. 　前記特徴量抽出部は、前記異常診断部により異常と診断されたデータを用いずに正常と診断されたデータを用いて前記特徴量記憶部に記憶された特徴量の情報を更新する請求項６に記載の製造設備の異常診断装置。
  8. 　前記特徴量抽出部は、前記製造設備の運転データまたは前記製造設備に設けられた測定装置の測定データを含むデータに基づいて前記データ変換部がデータの変換に用いるパラメータを更新する請求項６または請求項７に記載の製造設備の異常診断装置。
  9. 　前記特徴量抽出部により更新された特徴量の情報に基づいて前記異常診断部で用いる閾値を決定する異常診断パラメータ決定部、
    を備えた請求項６から請求項８のいずれか一項に記載の製造設備の異常診断装置。
PCT/JP2016/055589 2016-02-25 2016-02-25 製造設備の異常診断装置 WO2017145318A1 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
JP2018501494A JPWO2017145318A1 (ja) 2016-02-25 2016-02-25 製造設備の異常診断装置
PCT/JP2016/055589 WO2017145318A1 (ja) 2016-02-25 2016-02-25 製造設備の異常診断装置
US15/781,724 US20180372583A1 (en) 2016-02-25 2016-02-25 Manufacturing facility anomaly diagnostic device
CN201680079567.XA CN108885443A (zh) 2016-02-25 2016-02-25 制造设备的异常诊断装置
KR1020187026640A KR20180116322A (ko) 2016-02-25 2016-02-25 제조 설비의 이상 진단 장치
TW105117947A TWI645275B (zh) 2016-02-25 2016-06-07 製造設備之異常診斷裝置

Applications Claiming Priority (1)

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

Publications (1)

Publication Number Publication Date
WO2017145318A1 true WO2017145318A1 (ja) 2017-08-31

Family

ID=59685961

Family Applications (1)

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

Country Status (6)

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

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020044533A1 (ja) * 2018-08-31 2020-03-05 東芝三菱電機産業システム株式会社 製造プロセス監視装置
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

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62174810A (ja) * 1986-01-29 1987-07-31 Hitachi Ltd 故障予知装置
JP2011070635A (ja) * 2009-08-28 2011-04-07 Hitachi Ltd 設備状態監視方法およびその装置
JP2015018389A (ja) * 2013-07-10 2015-01-29 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

Family Cites Families (6)

* 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
JP2005121639A (ja) * 2003-09-22 2005-05-12 Omron Corp 検査方法および検査装置ならびに設備診断装置
WO2006136036A1 (en) * 2005-06-21 2006-12-28 Abb Research Ltd Diagnostic device for use in process control system
JP2008014679A (ja) * 2006-07-03 2008-01-24 Ritsumeikan 設備診断方法、設備診断システム及びコンピュータプログラム
US7974723B2 (en) * 2008-03-06 2011-07-05 Applied Materials, Inc. Yield prediction feedback for controlling an equipment engineering system
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 (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS62174810A (ja) * 1986-01-29 1987-07-31 Hitachi Ltd 故障予知装置
JP2011070635A (ja) * 2009-08-28 2011-04-07 Hitachi Ltd 設備状態監視方法およびその装置
JP2015018389A (ja) * 2013-07-10 2015-01-29 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

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020044533A1 (ja) * 2018-08-31 2020-03-05 東芝三菱電機産業システム株式会社 製造プロセス監視装置
KR20200026784A (ko) 2018-08-31 2020-03-11 도시바 미쓰비시덴키 산교시스템 가부시키가이샤 제조 프로세스 감시 장치
JPWO2020044533A1 (ja) * 2018-08-31 2020-09-24 東芝三菱電機産業システム株式会社 製造プロセス監視装置
US11567482B2 (en) 2018-08-31 2023-01-31 Toshiba Mitsubishi-Electric Industrial Systems Corporation Manufacturing process monitoring apparatus
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

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
TWI645275B (zh) 2018-12-21
KR20180116322A (ko) 2018-10-24

Similar Documents

Publication Publication Date Title
WO2017145318A1 (ja) 製造設備の異常診断装置
US10725465B2 (en) State diagnostic device
EP2905665B1 (en) Information processing apparatus, diagnosis method, and program
CN107949813B (zh) 制造设备诊断辅助装置及制造设备诊断辅助方法
US20020152056A1 (en) Monitoring and fault detection system and method using improved empirical model for range extrema
WO2020194534A1 (ja) 異常判定支援装置
CN112862127B (zh) 一种传感器数据的异常处理方法、装置、电子设备及介质
CN109960232B (zh) 领先辅助参数的选择方法和设备维护预诊断的方法
WO2017138238A1 (ja) 監視装置及び監視装置の制御方法
WO2020166236A1 (ja) 作業効率評価方法、作業効率評価装置、及びプログラム
US20210302042A1 (en) Pipeline for continuous improvement of an hvac health monitoring system combining rules and anomaly detection
KR101960755B1 (ko) 미취득 전력 데이터 생성 방법 및 장치
DE102022202366A1 (de) Umgebungstemperaturänderungvorhersagevorrichtung und Vorhersageverfahren für eine Werkzeugmaschine
WO2017138239A1 (ja) 監視装置及び監視装置の制御方法
EP2631724B1 (en) Method for measuring health index of plant in which state of lower component is reflected, and computer-readable storage medium in which program for performing the method is stored
KR20200007083A (ko) 품질 분석 장치 및 품질 분석 방법
JP6885321B2 (ja) プロセスの状態診断方法及び状態診断装置
JP5948998B2 (ja) 異常診断装置
JP6760503B2 (ja) 製造プロセス監視装置
WO2020204043A1 (ja) 高炉の異常判定装置、高炉の異常判定方法、及び高炉の操業方法
JP6662222B2 (ja) 製造プロセスの異常状態診断方法及び異常状態診断装置
CN112703515A (zh) 维护管理装置、维护管理方法及程序
JP2008217245A (ja) 周期運動体の状態監視方法、監視システム、コンピュータプログラム及び記録媒体
JP2022034740A (ja) 設備監視支援装置、方法及びプログラム

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2018501494

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 20187026640

Country of ref document: KR

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 1020187026640

Country of ref document: KR

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

Ref document number: 16891475

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 16891475

Country of ref document: EP

Kind code of ref document: A1