WO2023148834A1 - 機器状態監視装置および機器状態監視方法 - Google Patents

機器状態監視装置および機器状態監視方法 Download PDF

Info

Publication number
WO2023148834A1
WO2023148834A1 PCT/JP2022/003912 JP2022003912W WO2023148834A1 WO 2023148834 A1 WO2023148834 A1 WO 2023148834A1 JP 2022003912 W JP2022003912 W JP 2022003912W WO 2023148834 A1 WO2023148834 A1 WO 2023148834A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
state
feature amount
equipment
determination
Prior art date
Application number
PCT/JP2022/003912
Other languages
English (en)
French (fr)
Inventor
俊通 栗山
浩司 脇本
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to JP2023562650A priority Critical patent/JP7422962B2/ja
Priority to PCT/JP2022/003912 priority patent/WO2023148834A1/ja
Priority to TW111122833A priority patent/TWI833249B/zh
Publication of WO2023148834A1 publication Critical patent/WO2023148834A1/ja

Links

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

Definitions

  • the present disclosure relates to a device state monitoring device and a device state monitoring method.
  • the state of equipment such as machine tools generally changes according to the operating environment and operating conditions of the equipment. For this reason, techniques have been proposed for inferring the state of equipment using a learning model specialized for the operating environment and operating conditions of the equipment.
  • the server device described in Patent Document 1 selects a shared model suitable for the operating environment or operating conditions of a target device from a plurality of pre-learned shared models that match the operating environments and operating conditions of various devices. is selected, and device data acquired from the target device is used as unlearned data to perform additional learning of the selected shared model.
  • the shared model is a general-purpose learning model, but by performing additional learning in the driving environment and driving conditions specific to the target device, it can be refined as a learning model corresponding to the driving environment or driving conditions of the target device. adjusted.
  • Patent Document 1 uses a plurality of shared models adapted to various operating patterns so as not to reduce the accuracy of determining the state of equipment operated under individual operating patterns (operating conditions).
  • the shared model does not perform learning in the operating environment and operating conditions specific to the target device, it is not possible to determine the state of the device with high accuracy. For this reason, the conventional technique described in Patent Document 1 performs additional learning of the shared model using data obtained from the target device.
  • the learning data used for additional learning of the shared model is data obtained from the target device, it is data in a driving environment different from the learning data used to generate the shared model. Therefore, the inference result of the shared model that has undergone additional learning inevitably includes error factors due to differences in the operating environment, so the state of the equipment cannot be accurately determined. That is, the method of selecting a model to be used for determining the state of a device from a plurality of general-purpose shared models prepared in advance has a problem that the state of the device cannot be determined with high accuracy.
  • An object of the present disclosure is to provide a device state monitoring device and a device state monitoring method that can determine the state of a device without selecting a general-purpose learning model and performing additional learning.
  • a device state monitoring apparatus includes a feature quantity extraction unit that extracts feature quantity data relating to the state of a device from operating data that indicates the state of a device to be monitored; A data conversion unit that converts into judgment data in a feature space in which a feature quantity distribution that indicates the judgment range of the state of the equipment that does not depend on the operation pattern of the equipment in the operating environment in which the state is monitored is specified; A determination unit that determines the state of the device based on the result of comparing the feature quantity distribution representing the determination range and data for determination, and an output unit that outputs the determination result of the state of the device.
  • the feature value data extracted from the operation data indicating the state of the equipment to be monitored is used as the feature data that indicates the determination range of the equipment status that does not depend on the operation pattern of the equipment in the operating environment in which the equipment status is monitored.
  • the state of the device is determined based on the result of comparing the feature amount distribution representing the determination range in the feature amount space with the determination data, which is converted into determination data in a specified feature amount distribution. Since the device status is determined based on the determination range that does not depend on the operation pattern in the operating environment in which the device status is monitored, the device status monitoring device according to the present disclosure can select a general-purpose learning model and perform additional learning. device status can be determined without
  • FIG. 1 is a block diagram showing the configuration of a device state monitoring device according to Embodiment 1;
  • FIG. 4 is a flowchart showing a device state monitoring method according to Embodiment 1;
  • FIG. 3A and FIG. 3B are explanatory diagrams showing the feature amount distribution regarding the state of the equipment for each operation pattern, and the feature amount distribution of the normal range and the abnormal range of the equipment state in the feature amount space that does not depend on the operation pattern.
  • FIG. 4A and 4B are block diagrams showing a hardware configuration that implements the functions of the equipment status monitoring apparatus according to Embodiment 1.
  • FIG. FIG. 10 is a block diagram showing the configuration of a device state monitoring device according to Embodiment 2;
  • FIG. 9 is a flowchart showing a device state monitoring method according to Embodiment 2; 4 is a graph showing the relationship between the operation data feature amount of equipment and the operation pattern command value in different operating environments.
  • FIG. 4 is an explanatory diagram showing an outline of generating a feature quantity distribution in a feature quantity space that does not depend on driving patterns;
  • FIG. 1 is a block diagram showing the configuration of a device state monitoring device 1 according to Embodiment 1.
  • a device state monitoring device 1 is a device that monitors the state of a device to be monitored using operation data acquired from the device.
  • Equipment to be monitored includes, for example, machine tools such as rotary machines.
  • the operating data is data indicating the state of equipment, and is, for example, time-series data of measured values indicating the state of the equipment measured from the equipment operating in a certain operation pattern.
  • the operation pattern is a series of operation operations performed by the equipment, and is executed by the equipment for which the operation pattern command value for instructing each operation operation is set.
  • the operation pattern command value includes, for example, command speed, command position, or command load.
  • the device status monitoring device 1 is connected to a storage device 2 that stores test data.
  • the test data is data in which the operation data of the equipment to be monitored and the operation pattern information indicating the operation pattern of the equipment when the operation data was acquired are associated with each other. For example, driving data and driving pattern information measured by a sensor attached to the monitored device or by a control device that controls the operation of the monitored device are stored in the storage device 2 as test data.
  • the device state monitoring device 1 uses the test data read from the storage device 2 to determine the state of the monitored device.
  • the device state monitoring device 1 includes a feature extraction unit 11, a data conversion unit 12, a determination unit 13, and an output unit 14.
  • the feature amount extraction unit 11 extracts feature amount data regarding the state of the device from the operating data indicating the state of the device to be monitored. For example, the feature amount extraction unit 11 inputs the operation data of the equipment measured at fixed measurement intervals from a sensor or a control device, and calculates the feature amount of the input operation data at each measurement interval.
  • the driving data feature amount is, for example, a statistic such as the average value, minimum value, maximum value, or variance of the driving data measured within the measurement period, or a power spectrum obtained by performing a fast Fourier transform (FFT). .
  • FFT fast Fourier transform
  • the data conversion unit 12 converts the feature amount data extracted from the operation data by the feature amount extraction unit 11 into determination data in a feature amount space that does not depend on the operation pattern of the equipment in a certain operating environment.
  • a feature amount distribution is defined that indicates a determination range of the state of the equipment that does not depend on the operating pattern of the equipment.
  • the feature quantity distribution indicating the determination range of the state of the equipment is based on the tendency of a plurality of feature quantity distributions regarding the state of the equipment operated in a plurality of operating patterns in a certain operating environment. Calculated.
  • a plurality of feature quantity distributions relating to abnormal states of equipment operated in a certain operating environment in each of a plurality of operating patterns are obtained, and the positional relationship of these feature quantity distributions is adjusted so that the distance between the centers of the distributions is minimized.
  • One distribution generated by converting (approximating) to is the feature distribution that indicates the abnormal range of the equipment that does not depend on the operation pattern.
  • multiple feature value distributions regarding the normal state of the equipment operated in each of the multiple operation patterns are obtained, and the positional relationship of these feature value distributions is determined by the distance between the centers of the distributions.
  • One distribution generated by converting to minimize is the feature quantity distribution that indicates the normal range of the equipment that does not depend on the operation pattern.
  • a plurality of feature quantity distributions corresponding to a plurality of operating patterns of the equipment are not dependent on the operating pattern by applying a conversion to each feature quantity that brings the feature quantity distributions classified into the same state of the equipment closer to each other.
  • a feature quantity distribution is generated that indicates the determination range of the state of the device in the feature quantity space.
  • the data conversion unit 12 converts the feature amount data extracted from the driving data into data in the feature amount space using, for example, a conversion formula representing the conversion of the feature amount. I do.
  • the data projected into the feature amount space is determination data used to determine the state of the device.
  • the feature quantity distribution that indicates the judgment range of the equipment state in the feature quantity space that does not depend on the operation pattern is the distribution of the feature quantities that are classified into a certain state in the plurality of feature quantity distributions that respectively correspond to the plurality of operation patterns of the equipment. , may be obtained by applying a transformation to the feature quantity such that the inter-distribution distance from the feature quantity classified into a state different from this is increased.
  • the data conversion unit 12 can convert the feature amount data extracted from the driving data into data in the feature amount space using the feature amount conversion formula.
  • the determination unit 13 determines the state of the device based on the result of comparing the feature quantity distribution representing the determination range in the feature quantity space and the determination data. For example, when the feature amount distribution indicating the determination range of the state of the device in the feature amount space includes determination data, the determination unit 13 determines that the state of the device is the state of the device indicated by the determination range. . On the other hand, when the determination data is not included in the feature quantity distribution indicating the determination range of the state of the device, the determination unit 13 determines that the state of the device is not the state of the device indicated by the determination range.
  • the range for judging the state of equipment in the feature amount space that does not depend on driving patterns may be realized by a machine learning model.
  • the machine learning model is, for example, a learning model that receives feature amount data extracted from the operation data of the apparatus by the feature amount extraction unit 11 and infers the state of the apparatus based on the determination range.
  • the determination unit 13 inputs the determination data converted by the data conversion unit 12 to the learning model, and outputs the inference result of the state of the device by the learning model as the determination result of the state of the device.
  • the output unit 14 outputs the determination result of the state of the device.
  • the determination result output by the output unit 14 is used for monitoring the state of the device.
  • the output unit 14 outputs display control information for displaying the feature amount space, the determination range, and the determination result on a display device provided separately from the device state monitoring apparatus 1 .
  • the display device displays the feature amount space, the determination range, and the determination result based on the display control information.
  • the output unit 14 may be provided in an external device that is provided separately from the device state monitoring device 1 .
  • FIG. 2 is a flowchart showing the device state monitoring method according to Embodiment 1, and shows the operation of the device state monitoring device 1.
  • the feature quantity extraction unit 11 acquires the operating data indicating the state of the device to be monitored from the storage device 2, and extracts the feature quantity data regarding the state of the device from the acquired operating data (step ST1). For example, the feature amount extraction unit 11 extracts time-series data of feature amounts related to the state of the equipment for each measurement cycle from the operation data read from the storage device 2 . The time-series data of the extracted feature amount is output to the data conversion unit 12 as the feature amount data.
  • FIG. 3A is an explanatory diagram showing a feature quantity distribution regarding the state of equipment operating in operation patterns P1, P2, and P3.
  • feature amount (1) and feature amount (2) are feature amount data relating to the state of equipment operating in operation patterns P1, P2, and P3.
  • the average value of the torque is set as the feature amount (1) related to the rotating state
  • the torque average value is set as the feature amount (2) related to the rotating state.
  • a standard deviation is set.
  • the black triangular plot indicates the feature quantity classified into the abnormal range among the feature quantities regarding the state of the equipment, and the white triangular plot indicates , indicates the feature values classified into the normal range.
  • the black circular plot indicates the feature quantity classified into the abnormal range among the feature quantities regarding the state of the equipment, and the white circular plot indicates , indicates the feature values classified into the normal range.
  • the black diamond-shaped plot indicates the feature amount classified into the abnormal range among the feature amounts regarding the equipment state
  • the white diamond-shaped plot indicates the feature amount classified into the abnormal range. , indicates the feature values classified into the normal range.
  • a plot showing the feature amount classified into the normal range and the feature amount classified into the abnormal range Some plots overlap with the plots showing the feature values. Also, for example, plots classified into one judgment range may exist in an area where many plots classified into the other judgment range exist. These plots are plots showing feature quantities when the state of the equipment transitions from the normal range to the abnormal range, or show feature quantities including variations in the state of the equipment for each operation pattern. In this manner, when classifying the feature quantity into the normal range and the abnormal range in the feature quantity distribution for each driving pattern, ambiguity of the classification occurs at the boundary between the normal range and the abnormal range. This ambiguity also occurs in, for example, a learning model that has learned a device state determination range for each operation pattern, and is a factor in lowering the device state determination accuracy of the learning model.
  • FIG. 3B is an explanatory diagram showing the feature quantity distribution A1 of the abnormal range and the feature quantity distribution A2 of the normal range of the state of the equipment in the feature quantity space that does not depend on the driving pattern.
  • the feature amount distribution A1 in the abnormal range and the feature amount distribution A2 in the normal range are the feature amounts classified into the abnormal range among the feature amount distributions corresponding to the driving patterns P1, P2, and P3. It is calculated by applying a conversion to each feature amount such that the classified feature amounts are brought closer to each other.
  • C1 be the center of the black triangular feature quantity distribution corresponding to the driving pattern P1
  • C2 be the center of the black diamond-shaped feature quantity distribution corresponding to the driving pattern P2, and a black circle corresponding to the driving pattern P3.
  • C3 be the center of the distribution of the feature amount of the shape.
  • the distance L1 between C1 and C2 is minimized
  • the distance L2 between C1 and C3 is minimized
  • the distance L3 between C2 and C3 is minimized.
  • a range feature amount distribution A1 and a normal range feature amount distribution A2 are calculated.
  • the feature quantity distribution A1 in the abnormal range is a distribution reflecting the tendency of the feature quantity distributions classified into the abnormal ranges corresponding to the driving patterns P1, P2 and P3, and the feature quantity distribution A2 in the normal range is , P1, P2, and P3, which reflect the tendency of the feature amount distribution classified into the normal range corresponding to the driving patterns P1, P2, and P3.
  • the feature amount distribution A1 in the abnormal range and the feature amount distribution A2 in the normal range are the feature amounts classified into the abnormal range and the feature amounts classified into the normal range among the feature amount distributions corresponding to the driving patterns P1 to P3. It is also possible to convert and calculate the feature amount so that The feature amount (I) and the feature amount (II) in FIG. 3B are the feature amount conversion performed when calculating the feature amount distribution A1 of the abnormal range and the feature amount distribution A2 of the normal range. This is the feature quantity reflected in the feature quantity (2).
  • the feature amount distribution A1 of the abnormal range and the feature amount distribution A2 of the normal range are calculated in the feature amount space independent of the driving patterns P1 to P3, the feature amount distribution A1 of the abnormal range or the normal range You may calculate either of feature-value distribution A2 of.
  • the determination unit 13 determines the state of the monitoring target device based on the result of comparing the determination data B converted by the data conversion unit 12 with the feature amount distribution A1 in the abnormal range or the feature amount distribution A2 in the normal range. (Step ST3). Here, the determination unit 13 determines whether the state of the device is close to the normal state based on the positional relationship between the determination data B and the feature amount distribution A1 in the abnormal range or the feature amount distribution A2 in the normal range. judge. For example, if the distance L4 between the determination data B and the distribution center C4 of the feature amount distribution A1 of the abnormal range is less than the threshold, the state of the device indicated by the determination data B is in the abnormal range, and the device is abnormal. state.
  • the distance L4 between the determination data B and the distribution center C4 of the feature amount distribution A1 in the abnormal range is equal to or greater than the threshold, and the determination data B and the distribution center C5 of the feature amount distribution A2 in the normal range is less than the threshold, the device is determined to be in a normal state.
  • the determination unit 13 determines the It may be determined that the device is in a degraded state.
  • the output unit 14 outputs the determination result of the state of the device (step ST4). For example, the output unit 14 displays the feature amount space, the feature amount distribution indicating the determination range in the feature amount space, and the determination data B on the screen of the display device. Thereby, the user can grasp the state of the device by visually recognizing the screen of the display device.
  • the functions of the feature amount extraction unit 11, the data conversion unit 12, the determination unit 13, and the output unit 14 in the device state monitoring device 1 are realized by processing circuits. That is, the device state monitoring device 1 has a processing circuit for executing the processing from step ST1 to step ST4 in FIG.
  • the processing circuit may be dedicated hardware, or may be a CPU (Central Processing Unit) that executes a program stored in memory.
  • CPU Central Processing Unit
  • FIG. 4A is a block diagram showing the hardware configuration that implements the functions of the device status monitoring device 1.
  • FIG. 4B is a block diagram showing a hardware configuration for executing software that implements the functions of the device status monitoring device 1.
  • an input interface 100 is an interface that relays operation data read from the storage device 2 by the device status monitoring device 1.
  • the output interface 101 is an interface that relays information indicating the determination result of the state of the device output from the device state monitoring device 1 .
  • the processing circuit 102 may be, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an Application Specific Integrated Integrated Circuit (ASIC), Circuit), FPGA (Field-Programmable Gate Array), or a combination thereof.
  • ASIC Application Specific Integrated Integrated Circuit
  • FPGA Field-Programmable Gate Array
  • the functions of the feature amount extraction unit 11, the data conversion unit 12, the determination unit 13, and the output unit 14 in the device state monitoring apparatus 1 may be realized by separate processing circuits, or these functions may be integrated into one processing circuit. may be implemented.
  • the processing circuit is the processor 103 shown in FIG. 4B
  • the functions of the feature amount extraction unit 11, the data conversion unit 12, the determination unit 13, and the output unit 14 in the device state monitoring device 1 are software, firmware, or It is realized by a combination of software and firmware. Note that software or firmware is written as a program and stored in the memory 104 .
  • the processor 103 reads and executes the programs stored in the memory 104 to realize the functions of the feature amount extraction unit 11, the data conversion unit 12, the determination unit 13, and the output unit 14 in the device state monitoring apparatus 1.
  • FIG. the device status monitoring apparatus 1 includes a memory 104 for storing a program that, when executed by the processor 103, results in the processing of steps ST1 to ST4 in the flowchart shown in FIG. These programs cause the computer to execute the procedures or methods of the feature extraction unit 11 , data conversion unit 12 , determination unit 13 and output unit 14 .
  • the memory 104 may be a computer-readable storage medium storing a program for causing a computer to function as the feature amount extraction unit 11, the data conversion unit 12, the determination unit 13, and the output unit .
  • the memory 104 includes, for example, non-volatile or volatile semiconductor memory such as RAM (Random Access Memory), ROM (Read Only Memory), flash memory, EPROM (Erasable Programmable Read Only Memory), EEPROM (Electrically-EPROM), magnetic Discs, flexible discs, optical discs, compact discs, mini discs, DVDs, and the like are applicable.
  • RAM Random Access Memory
  • ROM Read Only Memory
  • flash memory EPROM (Erasable Programmable Read Only Memory)
  • EEPROM Electrically-EPROM
  • magnetic Discs flexible discs, optical discs, compact discs, mini discs, DVDs, and the like are applicable.
  • Part of the functions of the feature amount extraction unit 11, the data conversion unit 12, the determination unit 13, and the output unit 14 in the device state monitoring device 1 is realized by dedicated hardware, and the remaining part is realized by software or firmware.
  • the functions of the feature amount extraction unit 11, the data conversion unit 12, and the determination unit 13 are realized by the processing circuit 102, which is dedicated hardware, and the functions of the output unit 14 are implemented by the processor 103 using a program stored in the memory 104. is implemented by reading and executing
  • the processing circuitry may implement the above functions in hardware, software, firmware, or a combination thereof.
  • the feature quantity extraction unit 11 extracts feature quantity data regarding the state of the device from operation data indicating the state of the device to be monitored
  • the data conversion unit 12 is a feature amount space defined by a feature amount distribution that indicates a determination range of the state of the equipment that does not depend on the operation pattern of the equipment in the operating environment in which the condition of the equipment is monitored.
  • the determination unit 13 determines the state of the device based on the result of comparing the data converted by the data conversion unit 12 with the feature amount distribution representing the determination range in the feature amount space.
  • the device status monitoring device 1 can determine the device status without selecting a general-purpose learning model and performing additional learning. status can be determined.
  • FIG. 5 is a block diagram showing the configuration of a device state monitoring device 1A according to the second embodiment.
  • the equipment status monitoring apparatus 1A uses the learning data stored in the storage device 3 to generate a learning model for determining the status of the equipment to be monitored, and uses the learning model to determine the status of the equipment.
  • the learning data stored in the storage device 3 is associated with the operation data of the equipment to be monitored and the operation pattern information indicating the operation pattern of the equipment when the operation data was acquired in the operation environment in which the condition of the equipment is monitored. data attached.
  • the learning data includes operation data indicating the normal state and operation data indicating the abnormal state of the equipment operated in the same operation pattern.
  • the device state monitoring device 1A includes a feature quantity extraction unit 11A, a data conversion unit 12, a determination unit 13, an output unit 14, a data acquisition unit 15, and a feature space generation unit 16.
  • the feature quantity extraction unit 11A like the feature quantity extraction unit 11, extracts feature quantity data (operation data feature quantity) from the device operation data stored as test data in the storage device 2.
  • FIG. the feature amount extraction unit 11A sequentially inputs the operation data of the equipment acquired from the storage device 3 by the data acquisition unit 15, and extracts the operation data feature amount of the equipment from the input operation data.
  • the data acquisition unit 15 exhaustively collects a plurality of operational data indicating the states of the equipment operated in a plurality of operational patterns in the operational environment in which the state of the equipment is monitored, regardless of the operational pattern.
  • the storage device 3 stores a plurality of pieces of operation data indicating the state of equipment operated in a plurality of operation patterns in an operating environment in which the state of the equipment is monitored, and is used for learning a learning model for determining the state of the equipment. It is stored as learning data to be used.
  • the data acquisition unit 15 comprehensively collects the operation data of the equipment stored in the storage device 3 regardless of operation patterns.
  • the feature space generation unit 16 uses, as learning data, multiple feature data extracted from multiple driving data collected by the data acquisition unit 15 to generate a learning model for determining the state of the equipment.
  • the learning model is a machine learning model that takes as input feature amount data extracted from operating data and outputs inference results of the state of the equipment based on the determination range in the feature amount space that does not depend on the operating pattern of the equipment.
  • the functions of the feature amount extraction unit 11A, the data conversion unit 12, the determination unit 13, the output unit 14, the data acquisition unit 15, and the feature amount space generation unit 16 in the device state monitoring device 1A are shown in FIG. 4A or FIG. 4B. It is implemented by a processing circuit that That is, the device state monitoring apparatus 1A includes a processing circuit for executing each process from step ST1A to step ST6A shown in FIG.
  • the processing circuitry may be dedicated hardware or a processor executing a program stored in memory.
  • FIG. 6 is a flowchart showing a device state monitoring method according to Embodiment 2, and shows operations by the device state monitoring device 1A. Note that steps ST3A to ST6A shown in FIG. 6 are the same as steps ST1 to ST4 shown in FIG.
  • the data acquisition unit 15 comprehensively collects the operation data of the equipment stored in the storage device 3 regardless of operation patterns (step ST1A). As a result, driving data for various driving patterns is collected.
  • FIG. 7 is a graph showing the relationship between the operation data feature quantity of equipment and the operation pattern command value in different operating environments.
  • the device to be monitored is a rotating machine, and the rotating machine is operating in an operation pattern that includes an operation that rotates the rotating mechanism at a constant speed
  • the command speed value ( The relationship between the operation pattern command value) and the average value of the torque of the rotating mechanism rotated at this command speed value (operation data feature amount) is represented by a monotonically increasing function.
  • the increasing/decreasing tendency of the feature amount distribution (operating data feature amount) extracted from the operation data indicating the state of the rotating machine operated in each of the operation patterns d1, d2, and d3 is approximated by a monotonically increasing function F. It is assumed that the driving environment in which these feature amount data are collected, for example, the collection month is December. In addition, it is assumed that the collection month of the feature amount data D exhaustively collected in various driving patterns regardless of individual driving patterns is, for example, March.
  • the data acquisition unit 15 exhaustively collects the operation data of the equipment in the operating environment in which the condition of the equipment is monitored, regardless of the operation pattern.
  • the feature amount extraction unit 11A sequentially receives the operation data of the equipment acquired from the storage device 3 by the data acquisition unit 15, and extracts feature amount data relating to the state of the equipment from the input operation data. Thereby, the feature amount data D shown in FIG. 7 is acquired.
  • the feature amount data D has a plurality of data corresponding to the same operation pattern command value, and includes data regarding the normal state of the equipment and data regarding the abnormal state of the equipment.
  • the collection of learning data by the data acquisition unit 15 may be repeatedly performed a predetermined number of times, or may be performed once.
  • the feature amount space generation unit 16 uses, as learning data, a plurality of feature amount data extracted from a plurality of driving data collected by the data acquisition unit 15 to generate a learning model for determining the state of the equipment (step ST2A).
  • FIG. 8 is an explanatory diagram showing an outline of generating a feature quantity distribution in a feature quantity space that does not depend on driving patterns.
  • the left diagram of FIG. 8 shows the feature quantity distribution regarding the state of the equipment operating in the operation patterns P1, P2 and P3.
  • feature amount (1) and feature amount (2) are feature amount data relating to the state of equipment operating in operation patterns P1, P2, and P3.
  • the feature amount space generation unit 16 performs learning using the operation data feature amount of the equipment, so that each feature amount in the converted feature amount space corresponding to the operation patterns P1, P2, and P3, and the normal state and abnormal state Generate a learning model containing state classification results.
  • the feature space generation unit 16 inputs an index indicating the progress of learning as a loss function based on the learning model.
  • an index LD representing the distance between normal data distributions or between abnormal data distributions of each driving pattern or an index LC representing the difference between the correct label and the classification result is used.
  • MMD Maximum Mean Discrepancy
  • Cross Entropy Loss is used as the index L C representing the difference between the correct label and the classification result.
  • the feature space generation unit 16 adjusts the weighting coefficients of connections between nodes of each neural network so that the index L D is minimized, that is, the normal data distribution or abnormal data distribution of each pattern approaches. repeat the learning process.
  • the feature amount space generation unit 16 performs a learning process for adjusting the weighting coefficients for coupling between nodes of each neural network so that the above index L C is minimized, that is, the correct label and the classification result are close to each other. It may be repeated.
  • the feature space generation unit 16 may repeat the learning process of adjusting the weighting coefficients for coupling between nodes of each neural network so that the sum of the index L C and the index L D is minimized. good.
  • the learning model having the feature distribution A1 indicating the abnormal range of the state of the equipment or the learning model having the feature distribution A2 indicating the normal range, regardless of the operation pattern. is generated.
  • a convolutional neural network (CNN), for example, is used to generate the learning model.
  • the feature amount extraction unit 11A extracts feature amount data (operation data feature amount) from the operation data of the equipment stored as test data in the storage device 2 (step ST3A).
  • the new feature amount data extracted from the driving data by the feature amount extraction unit 11A is input to the learning model by the data conversion unit 12, and converted into determination data B in the feature amount space that does not depend on the driving pattern (step ST4A).
  • the determination unit 13 determines the state of the monitoring target device based on the result of comparing the determination data B converted by the data conversion unit 12 with the feature amount distribution A1 in the abnormal range or the feature amount distribution A2 in the normal range. (Step ST5A).
  • the output unit 14 outputs the determination result of the state of the device (step ST6A).
  • the device status monitoring apparatus 1A includes the feature quantity extraction unit 11A, the data conversion unit 12, the determination unit 13, and the output unit 14, as well as the data acquisition unit 15 and the feature space generation unit 16.
  • the data acquisition unit 15 comprehensively collects a plurality of operating data indicating the state of the equipment regardless of the operating pattern.
  • the feature amount space generation unit 16 uses a plurality of feature amount data extracted from a plurality of collected operating data as learning data, receives the feature amount data extracted from the operating data as input, and determines the equipment based on the determination range. Generate a learning model that infers the state.
  • the determination unit 13 determines the state of the device using the learning model. Since the device state is determined based on the determination range that does not depend on the operation pattern in the operating environment in which the device state is monitored, the device state monitoring device 1A can determine the device state without selecting a general-purpose learning model and performing additional learning. state can be determined.
  • the equipment state monitoring device can be used, for example, to monitor the state of machine tools.

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

機器状態監視装置（１）は、監視対象の機器の状態を示す運転データから、機器の状態に関する特徴量データを抽出する特徴量抽出部（１１）と、運転データから抽出された特徴量データを、機器の状態監視を行う運転環境における機器の運転パターンに依存しない特徴量空間内の判定用データに変換するデータ変換部（１２）と、特徴量空間における判定範囲を表す特徴量分布と判定用データを比較した結果に基づき、機器の状態を判定する判定部（１３）と、機器の状態の判定結果を出力する出力部（１４）を備える。

Description

機器状態監視装置および機器状態監視方法
　本開示は、機器状態監視装置および機器状態監視方法に関する。
　工作機械等の機器の状態は、一般に、当該機器の運転環境および運転条件に応じて変化する。このため、機器の運転環境および運転条件に特化した学習モデルを用いて、機器の状態を推論する技術が提案されている。例えば、特許文献１に記載されたサーバ装置は、様々なデバイスの運転環境および運転条件に合わせた予め学習を行った複数の共有モデルから、目的のデバイスの運転環境または運転条件に適合した共有モデルを選択し、目的のデバイスから取得したデバイスデータを未学習データとして用いて、選択した共有モデルの追加学習を行う。共有モデルは、汎用的な学習モデルであるが、目的のデバイスに特化した運転環境および運転条件で追加の学習を行うことにより、目的のデバイスの運転環境または運転条件に対応した学習モデルとして微調整される。
特開２０２０－１６１１６７号公報
　運転条件で規定される運転パターンで運転された機器の状態にばらつきが生じた場合、機器の状態を示す運転データの特徴量分布が広がって機器の状態の判定制度が低下する。特許文献１に記載される従来の技術では、個々の運転パターン（運転条件）で運転された機器の状態の判定精度を低下させないように、様々な運転パターンに適合した複数の共有モデルを用いている。ただし、共有モデルは、目的の機器に特化した運転環境および運転条件での学習は行っておらず機器の状態を高精度に判定できない。このため、特許文献１に記載の従来の技術は、目的の機器から得られたデータを用いて、共有モデルの追加学習を行っている。
　しかしながら、共有モデルの追加学習に用いられる学習データは、目的の機器から得られたデータであっても、共有モデルの生成に用いられた学習データとは異なる運転環境におけるデータである。このため、追加学習を行った共有モデルの推論結果には、不可避的に運転環境の違いによる誤差要因が含まれるので、機器の状態を精度よく判定できない。すなわち、予め用意した汎用的な複数の共有モデルから機器の状態の判定に用いるモデルを選択する方法では、機器の状態を精度よく判定できないという課題があった。
　本開示は上記課題を解決するものであり、汎用的な学習モデルの選択および追加学習を行うことなく機器の状態を判定することができる、機器状態監視装置および機器状態監視方法を得ることを目的とする。
　本開示に係る機器状態監視装置は、監視対象の機器の状態を示す運転データから、機器の状態に関する特徴量データを抽出する特徴量抽出部と、運転データから抽出された特徴量データを、機器の状態監視を行う運転環境における機器の運転パターンに依存しない機器の状態の判定範囲を示す特徴量分布が規定された特徴量空間内の判定用データに変換するデータ変換部と、特徴量空間における判定範囲を表す特徴量分布と判定用データを比較した結果に基づき機器の状態を判定する判定部と、機器の状態の判定結果を出力する出力部と、を備える。
　本開示によれば、監視対象の機器の状態を示す運転データから抽出された特徴量データを、機器の状態監視を行う運転環境における機器の運転パターンに依存しない機器の状態の判定範囲を示す特徴量分布が規定された特徴量空間内の判定用データに変換し、特徴量空間における判定範囲を表す特徴量分布と判定用データを比較した結果に基づき、機器の状態を判定する。機器の状態監視を行う運転環境における運転パターンに依存しない判定範囲を基準として機器の状態を判定するので、本開示に係る機器状態監視装置は、汎用的な学習モデルの選択および追加学習を行うことなく機器の状態を判定することができる。
実施の形態１に係る機器状態監視装置の構成を示すブロック図である。 実施の形態１に係る機器状態監視方法を示すフローチャートである。 図３Ａおよび図３Ｂは、運転パターンごとの機器の状態に関する特徴量分布と、運転パターンに依存しない特徴量空間における機器の状態の正常範囲の特徴量分布および異常範囲の特徴量分布を示す説明図である。 図４Ａおよび図４Ｂは、実施の形態１に係る機器状態監視装置の機能を実現するハードウェア構成を示すブロック図である。 実施の形態２に係る機器状態監視装置の構成を示すブロック図である。 実施の形態２に係る機器状態監視方法を示すフローチャートである。 異なる運転環境における機器の運転データ特徴量と運転パターン指令値との関係を示すグラフである。 運転パターンに依存しない特徴量空間内の特徴量分布の生成の概要を示す説明図である。
実施の形態１．
　図１は、実施の形態１に係る機器状態監視装置１の構成を示すブロック図である。図１において、機器状態監視装置１は、監視対象の機器から取得された運転データを用いて、当該機器の状態を監視する装置である。監視対象の機器としては、例えば、回転機械などの工作機械が挙げられる。運転データは、機器の状態を示すデータであり、例えば、ある運転パターンで運転する機器から計測された当該機器の状態を示す計測値の時系列データである。運転パターンは、機器が行う一連の運転動作であり、各運転動作を指示する運転パターン指令値が設定された機器により実行される。運転パターン指令値には、例えば、指令速度、指令位置または指令荷重がある。
　機器状態監視装置１は、図１に示すように、テストデータを記憶する記憶装置２と接続されている。テストデータは、監視対象の機器の運転データと、運転データが取得されたときの機器の運転パターンを示す運転パターン情報とが紐付けられたデータである。例えば、監視対象の機器に取り付けられたセンサまたは監視対象の機器の動作を制御する制御装置によって計測された運転データおよび運転パターン情報は、テストデータとして記憶装置２に記憶される。機器状態監視装置１は、記憶装置２から読み出したテストデータを用いて、監視対象の機器の状態を判定する。
　機器状態監視装置１は、特徴量抽出部１１、データ変換部１２、判定部１３および出力部１４を備える。特徴量抽出部１１は、監視対象の機器の状態を示す運転データから、機器の状態に関する特徴量データを抽出する。例えば、特徴量抽出部１１は、センサまたは制御装置から一定の計測周期ごとに計測された機器の運転データを入力し、入力した運転データの特徴量を計測周期ごとに算出する。運転データ特徴量は、例えば、計測周期の時間内に計測された運転データの平均値、最小値、最大値または分散といった統計量、あるいは高速フーリエ変換（ＦＦＴ）を施して得られるパワースペクトルである。
　データ変換部１２は、特徴量抽出部１１により運転データから抽出された特徴量データを、ある運転環境における機器の運転パターンに依存しない特徴量空間内の判定用データに変換する。特徴量空間には、機器の運転パターンに依存しない機器の状態の判定範囲を示す特徴量分布が規定されている。また、機器の状態の判定範囲を示す特徴量分布は、図３を用いて後述するように、ある運転環境において複数の運転パターンで運転した機器の状態に関する複数の特徴量分布の傾向に基づいて算出される。
　例えば、ある運転環境において複数の運転パターンのそれぞれで運転された機器の異常状態に関する複数の特徴量分布を求め、これらの特徴量分布の位置関係を、分布の中心間の距離が最小になるように変換（近づける）して生成した一つの分布が、運転パターンに依存しない機器の異常範囲を示す特徴量分布である。機器の正常範囲についても同様に、複数の運転パターンのそれぞれで運転された機器の正常状態に関する複数の特徴量分布を求めて、これらの特徴量分布の位置関係を、分布の中心間の距離が最小になるように変換して生成した一つの分布が、運転パターンに依存しない機器の正常範囲を示す特徴量分布である。
　機器の複数の運転パターンにそれぞれ対応する複数の特徴量分布が、機器の同じ状態に分類される特徴量の分布同士が近づくような変換を各特徴量に適用することにより、運転パターンに依存しない特徴量空間における機器の状態の判定範囲を示す特徴量分布が生成される。データ変換部１２は、例えば、特徴量の変換を表す変換式を用いて、運転データから抽出された特徴量データを特徴量空間内のデータに変換する、いわゆる特徴量空間内へのデータの射影を行う。特徴量空間内に射影されたデータが、機器の状態の判定に用いられる判定用データである。
　運転パターンに依存しない特徴量空間における機器の状態の判定範囲を示す特徴量分布は、機器の複数の運転パターンにそれぞれ対応する複数の特徴量分布において、ある状態に分類される特徴量の分布と、これとは異なる状態に分類される特徴量との分布間距離が遠ざかるような変換を特徴量に適用して得たものであってもよい。この場合も、データ変換部１２は、特徴量の変換式を用いて、運転データから抽出された特徴量データを、特徴量空間内のデータに変換することができる。
　判定部１３は、特徴量空間における判定範囲を表す特徴量分布と判定用データを比較した結果に基づき、機器の状態を判定する。例えば、判定部１３は、特徴量空間内の機器の状態の判定範囲を示す特徴量分布に判定用データが含まれる場合、機器の状態が、当該判定範囲が示す機器の状態であると判定する。一方、判定部１３は、機器の状態の判定範囲を示す特徴量分布に判定用データが含まれない場合、機器の状態が、当該判定範囲が示す機器の状態ではないと判定する。
　また、運転パターンに依存しない特徴量空間における機器の状態の判定範囲は、機械学習モデルで実現したものであってもよい。当該機械学習モデルは、例えば、特徴量抽出部１１によって機器の運転データから抽出された特徴量データを入力とし、上記判定範囲に基づき機器の状態を推論する学習モデルである。判定部１３は、データ変換部１２により変換された判定用データを学習モデルに入力し、学習モデルによる機器の状態の推論結果を、機器の状態の判定結果として出力する。
　出力部１４は、機器の状態の判定結果を出力する。出力部１４が出力した判定結果は、機器の状態の監視に用いられる。例えば、出力部１４は、機器状態監視装置１とは別個に設けられた表示装置に、特徴量空間、判定範囲および判定結果を表示させる表示制御情報を出力する。表示装置は、表示制御情報に基づき、特徴量空間、判定範囲および判定結果を表示する。なお、出力部１４は、機器状態監視装置１とは別個に設けられた外部装置が備えてもよい。
　図２は、実施の形態１に係る機器状態監視方法を示すフローチャートであり、機器状態監視装置１の動作を示している。特徴量抽出部１１は、監視対象の機器の状態を示す運転データを記憶装置２から取得し、取得した運転データから、機器の状態に関する特徴量データを抽出する（ステップＳＴ１）。例えば、特徴量抽出部１１は、記憶装置２から読み出した運転データから、計測周期ごとの機器の状態に関する特徴量の時系列データを抽出する。抽出された特徴量の時系列データは、上記特徴量データとしてデータ変換部１２に出力される。
　次に、データ変換部１２は、機器の運転データから抽出された特徴量データを、機器の運転パターンに依存しない特徴量空間内の判定用データに変換する（ステップＳＴ２）。図３Ａは、運転パターンＰ１、Ｐ２およびＰ３で動作する機器の状態に関する特徴量分布を示す説明図である。図３Ａにおいて、特徴量（１）および特徴量（２）は、運転パターンＰ１、Ｐ２およびＰ３で動作する機器の状態に関する特徴量データである。例えば、機器が回転機械であり、機器の状態が回転機械の回転状態である場合、回転状態に関する特徴量（１）としてトルクの平均値が設定され、回転状態に関する特徴量（２）としてトルクの標準偏差が設定される。
　運転パターンＰ１で動作した機器の状態に関する特徴量分布において、黒い三角形状のプロットは、機器の状態に関する特徴量のうち、異常範囲に分類された特徴量を示しており、白い三角形状のプロットは、正常範囲に分類された特徴量を示している。運転パターンＰ２で動作した機器の状態に関する特徴量分布において、黒い円形状のプロットは、機器の状態に関する特徴量のうち、異常範囲に分類された特徴量を示しており、白い円形状のプロットは、正常範囲に分類された特徴量を示している。運転パターンＰ３で動作した機器の状態に関する特徴量分布において、黒い菱形状のプロットは、機器の状態に関する特徴量のうち、異常範囲に分類された特徴量を示しており、白い菱形状のプロットは、正常範囲に分類された特徴量を示している。
　図３Ａに示すように、運転パターンＰ１～Ｐ３に対応する各特徴量分布の正常範囲と異常範囲との境界部分において、正常範囲に分類された特徴量を示すプロットと、異常範囲に分類された特徴量を示すプロットとが重なっているものがある。また、例えば、一方の判定範囲に分類されたプロットが、他方の判定範囲に分類されたプロットが多く存在する領域に存在する場合がある。これらのプロットは、正常範囲から異常範囲へ機器の状態が遷移する際の特徴量を示すプロットであるか、運転パターンごとの機器の状態のばらつきを含む特徴量を示している。このように運転パターンごとの特徴量分布において、特徴量を正常範囲と異常範囲とに分類する場合、正常範囲と異常範囲の境界部分に分類の曖昧さが生じる。この曖昧さは、例えば、運転パターンごとに機器の状態の判定範囲を学習した学習モデルにも生じ、学習モデルによる機器の状態の判定精度が低下する要因となる。
　図３Ｂは、運転パターンに依存しない特徴量空間における機器の状態の異常範囲の特徴量分布Ａ１および正常範囲の特徴量分布Ａ２を示す説明図である。図３Ｂにおいて、異常範囲の特徴量分布Ａ１および正常範囲の特徴量分布Ａ２は、運転パターンＰ１、Ｐ２およびＰ３に対応する特徴量分布のうち、異常範囲に分類された特徴量同士、正常範囲に分類された特徴量同士が近づくような変換を各特徴量に適用することにより算出される。
　例えば、運転パターンＰ１に対応する黒い三角形状の特徴量の分布の中心をＣ１とし、運転パターンＰ２に対応する黒い菱形状の特徴量の分布の中心をＣ２とし、運転パターンＰ３に対応する黒い円形状の特徴量の分布の中心をＣ３とする。この場合、Ｃ１とＣ２の距離Ｌ１が最小化され、Ｃ１とＣ３の距離Ｌ２が最小化され、Ｃ２とＣ３の距離Ｌ３が最小化されるような変換を各特徴量に適用することによって、異常範囲の特徴量分布Ａ１および正常範囲の特徴量分布Ａ２が算出される。
　このように、異常範囲の特徴量分布Ａ１は、運転パターンＰ１、Ｐ２およびＰ３に対応する異常範囲に分類された特徴量分布の傾向が反映された分布であり、正常範囲の特徴量分布Ａ２は、運転パターンＰ１、Ｐ２およびＰ３に対応する正常範囲に分類された特徴量分布の傾向が反映された分布であり、いずれも、運転パターンに依存しない特徴量空間における特徴量分布である。
　また、異常範囲の特徴量分布Ａ１および正常範囲の特徴量分布Ａ２は、運転パターンＰ１～Ｐ３に対応する特徴量分布のうち、異常範囲に分類された特徴量と正常範囲に分類された特徴量とが遠ざかるように特徴量を変換して算出することもできる。
　図３Ｂにおける特徴量（Ｉ）および特徴量（ＩＩ）は、異常範囲の特徴量分布Ａ１および正常範囲の特徴量分布Ａ２を算出する際に行った特徴量の変換を、特徴量（１）および特徴量（２）に反映した特徴量である。
　なお、運転パターンＰ１～Ｐ３に依存しない特徴量空間において異常範囲の特徴量分布Ａ１および正常範囲の特徴量分布Ａ２の両方を算出する場合を示したが、異常範囲の特徴量分布Ａ１または正常範囲の特徴量分布Ａ２のいずれかを算出してもよい。
　判定部１３は、データ変換部１２が変換した判定用データＢと、異常範囲の特徴量分布Ａ１または正常範囲の特徴量分布Ａ２とを比較した結果に基づき、監視対象の機器の状態を判定する（ステップＳＴ３）。ここで、判定部１３は、判定用データＢと、異常範囲の特徴量分布Ａ１または正常範囲の特徴量分布Ａ２との位置関係に基づいて、機器の状態が正常な状態に近いか否かを判定する。例えば、判定用データＢと、異常範囲の特徴量分布Ａ１の分布中心Ｃ４との間の距離Ｌ４が閾値未満であれば、判定用データＢが示す機器の状態は異常範囲であり、機器は異常状態であると判定される。また、判定用データＢと、異常範囲の特徴量分布Ａ１の分布中心Ｃ４との間の距離Ｌ４が閾値以上であり、判定用データＢと正常範囲の特徴量分布Ａ２の分布中心Ｃ５との間の距離Ｌ５が閾値未満である場合、機器は正常状態であると判定される。
　また、機器の劣化状態は、正常範囲に分類される機器の状態と異常範囲に分類される機器の状態との間の状態であると仮定し、判定部１３は、距離Ｌ４およびＬ５に応じて機器が劣化状態であることを判定してもよい。
　出力部１４は、機器の状態の判定結果を出力する（ステップＳＴ４）。例えば、出力部１４は、例えば、表示装置の画面に対して、特徴量空間と、この特徴量空間における判定範囲を示す特徴量分布と判定用データＢとを表示する。これにより、ユーザは、表示装置の画面を視認することにより、機器の状態を把握することが可能である。
　機器状態監視装置１における特徴量抽出部１１、データ変換部１２、判定部１３および出力部１４の機能は、処理回路により実現される。すなわち、機器状態監視装置１は、図２のステップＳＴ１からステップＳＴ４までの処理を実行するための処理回路を備える。処理回路は、専用のハードウェアであってもよいが、メモリに記憶されたプログラムを実行するＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）であってもよい。
　図４Ａは、機器状態監視装置１の機能を実現するハードウェア構成を示すブロック図である。図４Ｂは、機器状態監視装置１の機能を実現するソフトウェアを実行するハードウェア構成を示すブロック図である。図４Ａおよび図４Ｂにおいて、入力インタフェース１００は、機器状態監視装置１が記憶装置２から読み出した運転データを中継するインタフェースである。また、出力インタフェース１０１は、機器状態監視装置１から出力される機器の状態の判定結果を示す情報を中継するインタフェースである。
　処理回路が図４Ａに示す専用のハードウェアの処理回路１０２である場合に、処理回路１０２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（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）またはこれらを組み合わせたものが該当する。
　機器状態監視装置１における特徴量抽出部１１、データ変換部１２、判定部１３および出力部１４の機能は、別々の処理回路で実現されてもよく、これらの機能をまとめて１つの処理回路で実現されてもよい。
　また、処理回路が図４Ｂに示すプロセッサ１０３である場合に、機器状態監視装置１における、特徴量抽出部１１、データ変換部１２、判定部１３および出力部１４の機能は、ソフトウェア、ファームウェア、またはソフトウェアとファームウェアとの組み合わせによって実現される。なお、ソフトウェアまたはファームウェアは、プログラムとして記述されてメモリ１０４に記憶される。
　プロセッサ１０３は、メモリ１０４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、機器状態監視装置１における特徴量抽出部１１、データ変換部１２、判定部１３および出力部１４の機能を実現する。例えば、機器状態監視装置１は、プロセッサ１０３により実行されるときに図２に示すフローチャートにおけるステップＳＴ１からステップＳＴ４の処理が結果的に実行されるプログラムを記憶するためのメモリ１０４を備える。これらのプログラムは、特徴量抽出部１１、データ変換部１２、判定部１３および出力部１４の手順または方法をコンピュータに実行させる。
　メモリ１０４は、コンピュータを、特徴量抽出部１１、データ変換部１２、判定部１３および出力部１４として機能させるためのプログラムが記憶されたコンピュータ可読記憶媒体であってもよい。
　メモリ１０４は、例えば、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ－ＥＰＲＯＭ）などの不揮発性また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などが該当する。
　機器状態監視装置１における特徴量抽出部１１、データ変換部１２、判定部１３および出力部１４の機能の一部が専用のハードウェアで実現され、残りの一部が、ソフトウェアまたはファームウェアで実現されてもよい。
　例えば、特徴量抽出部１１、データ変換部１２および判定部１３の機能は、専用のハードウェアである処理回路１０２によって実現され、出力部１４の機能は、プロセッサ１０３がメモリ１０４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実現される。このように、処理回路はハードウェア、ソフトウェア、ファームウェア、またはこれらの組み合わせにより、上記機能を実現することができる。
　実施の形態１に係る機器状態監視装置１または機器状態監視方法は、特徴量抽出部１１が、監視対象の機器の状態を示す運転データから機器の状態に関する特徴量データを抽出し、データ変換部１２が、運転データから抽出された特徴量データを、機器の状態監視を行う運転環境における機器の運転パターンに依存しない機器の状態の判定範囲を示す特徴量分布が規定された特徴量空間内のデータに変換し、判定部１３が、データ変換部１２が変換したデータと特徴量空間における判定範囲を表す特徴量分布とを比較した結果に基づき、機器の状態を判定し、出力部１４が機器の状態の判定結果を出力する。
　機器の状態監視を行う運転環境における運転パターンに依存しない判定範囲を基準として機器の状態を判定するので、機器状態監視装置１は、汎用的な学習モデルの選択および追加学習を行うことなく機器の状態を判定することができる。
実施の形態２．
　図５は、実施の形態２に係る機器状態監視装置１Ａの構成を示すブロック図である。図５において、図１と同一の構成要素には同一の符号を付して詳細な説明を省略する。機器状態監視装置１Ａは、記憶装置３に記憶された学習データを用いて監視対象の機器の状態を判定するための学習モデルを生成し、学習モデルを用いて、機器の状態を判定する。
　記憶装置３に記憶される学習データは、機器の状態監視を行う運転環境において、監視対象の機器の運転データと、運転データが取得されたときの機器の運転パターンを示す運転パターン情報とが紐付けられたデータである。なお、学習データには、同じ運転パターンで動作した機器の正常状態を示す運転データと異常状態を示す運転データが含まれる。
　機器状態監視装置１Ａは、特徴量抽出部１１Ａ、データ変換部１２、判定部１３、出力部１４、データ取得部１５および特徴量空間生成部１６を備えている。特徴量抽出部１１Ａは、特徴量抽出部１１と同様に、記憶装置２にテストデータとして記憶されている機器の運転データから、特徴量データ（運転データ特徴量）を抽出する。また、特徴量抽出部１１Ａは、データ取得部１５によって記憶装置３から取得された機器の運転データを順次入力し、入力した運転データから、機器の運転データ特徴量を抽出する。
　データ取得部１５は、機器の状態監視を行う運転環境における複数の運転パターンで動作した機器の状態を示す複数の運転データを運転パターンによらずに網羅的に収集する。例えば、記憶装置３には、機器の状態監視を行う運転環境において、複数の運転パターンで動作した機器の状態を示す複数の運転データが、機器の状態を判定するための学習モデルの学習に用いられる学習データとして記憶されている。データ取得部１５は、記憶装置３に記憶されている機器の運転データを、運転パターンによらずに網羅的に収集する。
　特徴量空間生成部１６は、データ取得部１５によって収集された複数の運転データから抽出された複数の特徴量データを学習データとして用いて、機器の状態を判定するための学習モデルを生成する。学習モデルは、運転データから抽出された特徴量データを入力とし、機器の運転パターンに依存しない特徴量空間における判定範囲に基づき機器の状態の推論結果を出力とする機械学習モデルである。
　なお、機器状態監視装置１Ａにおける、特徴量抽出部１１Ａ、データ変換部１２、判定部１３、出力部１４、データ取得部１５および特徴量空間生成部１６の機能は、図４Ａまたは図４Ｂに示した処理回路によって実現される。すなわち、機器状態監視装置１Ａは、図６に示したステップＳＴ１ＡからステップＳＴ６Ａまでの各処理を実行するための処理回路を備える。処理回路は、専用のハードウェアであってもよいし、メモリに記憶されたプログラムを実行するプロセッサであってもよい。
　図６は、実施の形態２に係る機器状態監視方法を示すフローチャートであり、機器状態監視装置１Ａによる動作を示している。なお、図６に示すステップＳＴ３ＡからステップＳＴ６Ａまでは、図２に示したステップＳＴ１からステップＳＴ４までの処理と同様である。データ取得部１５は、記憶装置３に記憶されている機器の運転データを運転パターンによらずに網羅的に収集する（ステップＳＴ１Ａ）。これにより、多様な運転パターンでの運転データが収集される。
　図７は、異なる運転環境における、機器の運転データ特徴量と運転パターン指令値との関係を示すグラフである。例えば、監視対象の機器が回転機械であり、回転機械が、回転機構を一定の速度で回転させる動作を含む運転パターンで動作している場合、回転機構を一定の速度で回転させる指令速度値（運転パターン指令値）とこの指令速度値で回転した回転機構のトルクの平均値（運転データ特徴量）との関係は、単調増加関数で表される。
　図７において、運転パターンｄ１、ｄ２およびｄ３でそれぞれ動作した回転機械の状態を示す運転データから抽出された特徴量分布（運転データ特徴量）の増減傾向は、単調増加関数Ｆで近似される。これらの特徴量データが収集された運転環境、例えば収集月は、１２月であるものとする。また、個々の運転パターンによらずに、多様な運転パターンで網羅的に収集された特徴量データＤの収集月は、例えば３月であるものとする。
　図７に示すように、１２月に収集された特徴量データと３月に収集された特徴量データとの間には、Δｄの違いがある。すなわち、同じ機器が同じ運転パターンで動作しても、運転環境が異なると、異なる状態になる。このため、機器の状態を判定するための汎用的な学習モデルを、運転パターンごとに生成しても、運転環境が異なる運転データを用いて学習モデルの追加学習を行うと、追加学習を行った学習モデルの判定精度は低下する。
　そこで、データ取得部１５は、機器の状態監視を行う運転環境における機器の運転データを、運転パターンによらずに網羅的に収集する。特徴量抽出部１１Ａは、データ取得部１５によって記憶装置３から取得された機器の運転データを順次入力し、入力した運転データから、機器の状態に関する特徴量データを抽出する。これにより、図７に示す特徴量データＤが取得される。特徴量データＤは、同一の運転パターン指令値に対応する複数のデータがあり、機器の正常状態に関するデータと機器の異常状態に関するデータとが含まれる。データ取得部１５による学習データの収集は、予め定めた回数で繰り返し行ってもよいし、１回行うものであってもよい。
　特徴量空間生成部１６は、データ取得部１５によって収集された複数の運転データから抽出された複数の特徴量データを学習データとして用いて、機器の状態を判定するための学習モデルを生成する（ステップＳＴ２Ａ）。図８は、運転パターンに依存しない特徴量空間内の特徴量分布の生成の概要を示す説明図である。図８の左図は、運転パターンＰ１、Ｐ２およびＰ３で動作する機器の状態に関する特徴量分布を示している。図３Ａと同様に、特徴量（１）および特徴量（２）は、運転パターンＰ１、Ｐ２およびＰ３で動作する機器の状態に関する特徴量データである。
　特徴量空間生成部１６は、機器の運転データ特徴量を用いた学習を行うことによって、運転パターンＰ１、Ｐ２およびＰ３に対応する、変換後の特徴量空間における各特徴量、および正常状態と異常状態の分類結果を含む学習モデルを生成する。上記学習において、特徴量空間生成部１６は、上記学習モデルに基づき、学習の進行度合いを示す指標を損失関数として入力する。ここで、損失関数として入力する指標としては、各運転パターンの正常データ分布間または異常データ分布間の距離を表す指標ＬＤまたは正解ラベルと分類結果の差異を表す指標ＬＣが用いられる。また、分布間の距離を表す指標ＬＤとしては、例えば、ＭＭＤ（Ｍａｘｉｍｕｍ　Ｍｅａｎ　Ｄｉｓｃｒｅｐａｎｃｙ）が用いられる。また、正解ラベルと分類結果の差異を表す指標ＬＣとしては、例えば、Ｃｒｏｓｓ　Ｅｎｔｒｏｐｙ　Ｌｏｓｓが用いられる。
　特徴量空間生成部１６は、例えば上記の指標ＬＤが最小化される、すなわち、各パターンの正常データ分布あるいは異常データ分布が近づくように、各ニューラルネットワークのノード間の結合重み付け係数等を調整する学習過程を繰り返す。
　また、特徴量空間生成部１６は、上記の指標ＬＣが最小化される、すなわち、正解ラベルと分類結果が近づくように、各ニューラルネットワークのノード間の結合重み付け係数等を調整する学習過程を繰り返すようにしてもよい。
　さらに、特徴量空間生成部１６は、指標ＬＣと指標ＬＤとの和が最小化されるように、各ニューラルネットワークのノード間の結合重み付け係数等を調整する学習過程を繰り返すようにしてもよい。
　これらの処理により、図８の右図に示すように、運転パターンに関わらず、機器の状態の異常範囲を示す特徴量分布Ａ１を持つ学習モデルまたは正常範囲を示す特徴量分布Ａ２を持つ学習モデルが生成される。学習モデルの生成には、例えば、畳み込みニューラルネットワーク（ＣＮＮ）が用いられる。
　特徴量抽出部１１Ａは、記憶装置２にテストデータとして記憶されている機器の運転データから、特徴量データ（運転データ特徴量）を抽出する（ステップＳＴ３Ａ）。特徴量抽出部１１Ａにより運転データから抽出された新規の特徴量データは、データ変換部１２により学習モデルに入力され、運転パターンに依存しない特徴量空間内の判定用データＢに変換される（ステップＳＴ４Ａ）。判定部１３は、データ変換部１２が変換した判定用データＢと、異常範囲の特徴量分布Ａ１または正常範囲の特徴量分布Ａ２とを比較した結果に基づき、監視対象の機器の状態を判定する（ステップＳＴ５Ａ）。出力部１４は、機器の状態の判定結果を出力する（ステップＳＴ６Ａ）。
　以上のように、実施の形態２に係る機器状態監視装置１Ａは、特徴量抽出部１１Ａ、データ変換部１２、判定部１３および出力部１４に加え、データ取得部１５および特徴量空間生成部１６を備える。データ取得部１５は、機器の状態を示す複数の運転データを、運転パターンによらずに網羅的に収集する。特徴量空間生成部１６は、収集された複数の運転データから抽出された複数の特徴量データを学習データとして用いて、運転データから抽出された特徴量データを入力とし、判定範囲に基づき機器の状態を推論する学習モデルを生成する。判定部１３は、学習モデルを用いて機器の状態を判定する。
　機器の状態監視を行う運転環境における運転パターンに依存しない判定範囲を基準として機器の状態を判定するので、機器状態監視装置１Ａは、汎用的な学習モデルの選択および追加学習を行うことなく、機器の状態を判定することができる。
　なお、各実施の形態の組み合わせまたは実施の形態のそれぞれの任意の構成要素の変形もしくは実施の形態のそれぞれにおいて任意の構成要素の省略が可能である。
　本開示に係る機器状態監視装置は、例えば、工作機械の状態の監視に利用可能である。
　１，１Ａ　機器状態監視装置、２，３　記憶装置、１１，１１Ａ　特徴量抽出部、１２　データ変換部、１３　判定部、１４　出力部、１５　データ取得部、１６　特徴量空間生成部、１００　入力インタフェース、１０１　出力インタフェース、１０２　処理回路、１０３　プロセッサ、１０４　メモリ。

Claims (3)

  1. 　監視対象の機器の状態を示す運転データから、前記機器の状態に関する特徴量データを抽出する特徴量抽出部と、
    　前記運転データから抽出された特徴量データを、前記機器の状態監視を行う運転環境における前記機器の運転パターンに依存しない前記機器の状態の判定範囲を示す特徴量分布が規定された特徴量空間内の判定用データに変換するデータ変換部と、
    　前記特徴量空間における前記判定範囲を表す特徴量分布と前記判定用データを比較した結果に基づき前記機器の状態を判定する判定部と、
    　前記機器の状態の判定結果を出力する出力部と、
    　を備える機器状態監視装置。
  2. 　前記機器の状態監視を行う運転環境における複数の前記運転パターンで動作した前記機器の状態を示す複数の前記運転データを、前記運転パターンによらずに網羅的に収集するデータ取得部と、
    　収集された複数の前記運転データから抽出された複数の特徴量データを学習データとして用いて、前記運転データから抽出された特徴量データを入力とし、前記判定範囲に基づき前記機器の状態を推論する学習モデルを生成する特徴量空間生成部と、を備え、
    　前記判定部は、前記学習モデルを用いて前記機器の状態を判定する
    　ことを特徴とする請求項１に記載の機器状態監視装置。
  3. 　特徴量抽出部が、監視対象の機器の状態を示す運転データから、前記機器の状態に関する特徴量データを抽出するステップと、
    　データ変換部が、前記運転データから抽出された特徴量データを、前記機器の状態監視を行う運転環境における前記機器の運転パターンに依存しない前記機器の状態の判定範囲を示す特徴量分布が規定された特徴量空間内の判定用データに変換するステップと、
    　判定部が、前記特徴量空間における前記判定範囲を表す特徴量分布と前記判定用データを比較した結果に基づき前記機器の状態を判定するステップと、
    　出力部が、前記機器の状態の判定結果を出力するステップと、
    　を備える機器状態監視方法。
PCT/JP2022/003912 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 WO2023148834A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2023562650A JP7422962B2 (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
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
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

Applications Claiming Priority (1)

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

Publications (1)

Publication Number Publication Date
WO2023148834A1 true WO2023148834A1 (ja) 2023-08-10

Family

ID=87553346

Family Applications (1)

Application Number Title Priority Date Filing Date
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

Country Status (3)

Country Link
JP (1) JP7422962B2 (ja)
TW (1) TWI833249B (ja)
WO (1) WO2023148834A1 (ja)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
JP2015103218A (ja) * 2013-11-28 2015-06-04 株式会社日立製作所 プラントの診断装置及び診断方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3757072B2 (ja) * 1999-02-23 2006-03-22 株式会社日立製作所 ネットワークシステムを構成する計算機の監視方法
JP2004297461A (ja) * 2003-03-27 2004-10-21 Thermo System:Kk 運転監視システム
JP6917708B2 (ja) * 2016-02-29 2021-08-11 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
DE112020006948B4 (de) * 2020-05-28 2024-06-20 Mitsubishi Electric Corporation Überwachungsvorrichtung eines anlagenzustands und verfahren zur überwachung eines anlagenzustands
WO2021245910A1 (ja) * 2020-06-05 2021-12-09 千代田化工建設株式会社 運転状態推定システム、学習装置、推定装置、状態推定器の生成方法、及び推定方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
JP2015103218A (ja) * 2013-11-28 2015-06-04 株式会社日立製作所 プラントの診断装置及び診断方法

Also Published As

Publication number Publication date
JP7422962B2 (ja) 2024-01-26
TW202333092A (zh) 2023-08-16
TWI833249B (zh) 2024-02-21
JPWO2023148834A1 (ja) 2023-08-10

Similar Documents

Publication Publication Date Title
US11099486B2 (en) Generating predicted data for control or monitoring of a production process
CN111459700B (zh) 设备故障的诊断方法、诊断装置、诊断设备及存储介质
US10789120B2 (en) Preprocessor and abnormality predictor diagnosis system
US10503146B2 (en) Control system, control device, and control method
JP2011513993A (ja) プロセスデータおよび生産量データを使用するプロセス制御
JP7126256B2 (ja) 異常診断装置、異常診断方法、及びプログラム
CN111579936B (zh) 一种适用于弧光接地故障的定位方法及***
KR102579619B1 (ko) 기기 상태 감시 장치 및 기기 상태 감시 방법
US7787696B2 (en) Systems and methods for adaptive sampling and estimating a systematic relationship between a plurality of points
CN117010867B (zh) 一种基于数据分析的包装设备监测***
WO2023148834A1 (ja) 機器状態監視装置および機器状態監視方法
CN117501288A (zh) 监控工业环境的***和方法
US20210080924A1 (en) Diagnosis Method and Diagnosis System for a Processing Engineering Plant and Training Method
CN117406844A (zh) 一种基于神经网络的显卡风扇控制方法及相关装置
KR101688367B1 (ko) 신용보증 부실과 신용보험 사고를 예측하는 방법
US11416371B2 (en) Method and apparatus for evaluating and selecting signal comparison metrics
US10394255B2 (en) Diagnostic device and method for monitoring frictional behavior in a control loop
CN114202007A (zh) 用于为人工智能模块创建训练、验证和测试数据集的方法、计算机程序、存储介质、设备
JP7476147B2 (ja) 情報処理装置、情報処理方法、プログラムおよび情報処理システム
CN117294824B (zh) 激光投影光机的图像优化方法、装置、设备及存储介质
CN116432021A (zh) 用于提供基于数据的***模型并且用于检查***模型的训练状态的方法和装置
CN118049528A (zh) 阀特性分析方法和装置
Buchner et al. An Artificial-Intelligence-Based Method to Automatically Create Interpretable Models from Data Targeting Embedded Control Applications
CN118049527A (zh) 阀特性分析方法和装置
CN115958586A (zh) 元器件的异常监测方法、电子设备及存储介质

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: 22924747

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023562650

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 202447041175

Country of ref document: IN