DE102018200887A1

DE102018200887A1 - Diagnosevorrichtung

Info

Publication number: DE102018200887A1
Application number: DE102018200887.6A
Authority: DE
Inventors: Hiroshi Ueno; Tomoharu Ando; Takashi NORIHISA; Takumi HONGO
Original assignee: Okuma Corp; Okuma Machinery Works Ltd
Current assignee: Okuma Corp
Priority date: 2017-01-27
Filing date: 2018-01-19
Publication date: 2018-08-02
Also published as: JP2018119924A; US20180218255A1; JP6837848B2; CN108363952A; US11195081B2

Abstract

Eine Diagnosevorrichtung (10) diagnostiziert einen Zustand eines Testobjekts. Die Diagnosevorrichtung (10) enthält eine Physischemodellbasisdiagnoseeinheit (14), eine Mathematischemodellbasisdiagnoseeinheit (15), eine Modellaktualisierungsnotwendigkeitsbestimmungseinheit (17) und eine Aktualisierungsbenachrichtigungseinheit (19). Die Physischemodellbasisdiagnoseeinheit (14) ist konfiguriert, um die Diagnose unter der Verwendung einer Besonderheitenmenge auszuführen. Die Mathematischemodellbasisdiagnoseeinheit (15) ist konfiguriert, um die Diagnose unter der Verwendung eines Maschinenlernmodells auszuführen. Die Modellaktualisierungsnotwendigkeitsbestimmungseinheit (17) ist so konfiguriert, dass, wenn sich Diagnoseresultate durch die Physischemodellbasisdiagnoseeinheit (14) und die Mathematischemodellbasisdiagnoseeinheit (15) unterscheiden, die Modellaktualisierungsnotwendigkeitsbestimmungseinheit (17) bestimmt, dass es notwendig ist mindestens eines von einem physischen Modell oder einem mathematischen Modell zu aktualisieren. Die Aktualisierungsbenachrichtigungseinheit (19) ist so konfiguriert, dass, wenn die Modellaktualisierungsnotwendigkeitsbestimmungseinheit (17) bestimmt, dass die Aktualisierung notwendig ist, die Aktualisierungsbenachrichtigungseinheit (19) dieses benachrichtigt.

Description

Die Offenbarung betrifft eine Diagnosevorrichtung, die diagnostiziert, ob ein Testobjekt, wie beispielsweise ein Maschinenwerkzeug, normal oder abnormal ist, basierend auf vorausgehend aufgenommenen Diagnosemodellen.
Eine Zustandsdiagnose für Anlagen ist in beträchtlichem Ausmaß im Betrieb von verschiedenen Anlagen wichtig. Die kontinuierliche Verwendung der Anlage ohne die Kenntnis von Unregelmäßigkeiten resultiert möglicherweise in einem größeren Schaden der Anlage und einem menschlichen Schaden. Deshalb wird eine frühe Erkennung der Unregelmäßigkeiten benötigt.
Viele Techniken wurden für die Diagnose von Unregelmäßigkeiten von Anlagen vorgeschlagen. Zum Beispiel schlägt das japanische Patent Nr. 3340541 eine Technik vor, die die Fourier-Transformation auf ein Vibrationserkennungssignal eines Testobjektes zum Vergleich mit einem voreingestellten Grenzwert ausführt, einen Sicherheitsfaktor (ein Ausmaß, das als normal oder abnormal angesehen wird) der Unregelmäßigkeit durch die Verwendung eines neuronalen Netzwerks erhält und einen unscharfen Betrieb für die Unregelmäßigkeitserfassung von beidem ausführt.
Wie diese Technik, wurde eine Technik vorgeschlagen, die die Unregelmäßigkeitserfassung durch die Benutzung der voreingestellten Bedingung oder des Modells, das vorausgehend gelernt wurde, ausführt. Allerdings, zum Beispiel mit einem Maschinenwerkzeug, werden Einfluss nehmende Faktoren sowie Spezifikationen, Installationsumfelde, Prozessziele, Schneidewerkzeuge, und Prozessbedingungen für jeden Benutzer in beträchtlichem Ausmaß gewaltig. Dementsprechend ist es realistischerweise unmöglich, einen Grenzwert einzustellen und bewirkt, dass das neuronale Netzwerk lernen muss, jedes mögliche Muster vor der Lieferung zu schätzen, und deshalb ist es notwendig, ein Bestimmungsverfahren in geeigneter Weise zu aktualisieren. In solch einem Fall liegt eine große Wichtigkeit auf in welchem Zeitablauf das Verfahren aktualisiert werden sollte und was gemacht werden sollte, um effizient ein hochakkurates Verfahren einzurichten. Das Aktualisieren des Verfahrens zu einem unnötigen Zeitpunkt resultiert in einer Verschlechterung der Genauigkeit aufgrund eines exzessiven Verbrauchs von Berechnungsressourcen und einer Verschlechterung eines Gleichgewichts von Lerndaten und einer Vernachlässigung der Aktualisierungsfehler, um neue Unregelmäßigkeiten zu bewältigen.
Ferner ist es auch wichtig, wie die notwendigen Daten für die Verfahrensaktualisierung ausgewählt werden und deshalb werden ein effizientes Aussuchen und Bereithalten von benötigten Informationen benötigt, um die Diagnosegenauigkeit unter einem Vorbehalt einer Kapazität einer Speichervorrichtung zu verbessern.
Deshalb ist es eine Aufgabe der Offenbarung, eine Diagnosevorrichtung bereitzustellen, die einen geeigneten Zeitablauf für die Aktualisierung eines Diagnosemodells durch die Vorrichtung selbst bestimmt, um vorzugsweise immer eine Diagnoseleistungsfähigkeit beizubehalten und auf geeignete Weise die benötigten Informationen bereithalten zu können, um eine Leistungsfähigkeit des Modells zu verbessern.
Diese Aufgabe wird mit den Merkmalen der unabhängigen Ansprüche gelöst. Vorteilhafte Weiterbildungen der Erfindung sind Gegenstand der Unteransprüche.
Um das oben beschriebene Ziel zu erreichen, wird eine Diagnosevorrichtung nach einem ersten Aspekt der Veröffentlichung bereitgestellt, die einen Zustand eines Testobjekts diagnostiziert. Die Diagnosevorrichtung enthält eine Physischemodellbasisdiagnoseeinheit, eine Mathematischemodellbasisdiagnoseeinheit, eine Modellaktualisierungsnotwendigkeitsbestimmungseinheit und eine Aktualisierungsbenachrichtigungseinheit. Die Physischemodellbasisdiagnoseeinheit wird konfiguriert, um die Diagnose durch die Benutzung einer Besonderheitenmenge auszuführen. Die Besonderheitenmenge wird vorhergesagt erzeugt zu werden, wenn eine Unregelmäßigkeit in dem Testobjekt, basierend auf einem physischen Merkmal des Testobjektes auftritt. Die Mathematischemodellbasisdiagnoseeinheit ist konfiguriert, um die Diagnose durch die Benutzung eines Maschinenlernmodells auszuführen. Das Maschinenlernmodell hat, basierend auf einem Signal, gelernt, wann das Testobjekt normal und/oder abnormal ist. Die Modellaktualisierungsnotwendigkeitsbestimmungseinheit ist so konfiguriert, dass, wenn Diagnoseresultate durch die Physischemodellbasisdiagnoseeinheit und die Mathematischemodellbasisdiagnoseeinheit sich unterscheiden, die Modellaktualisierungsnotwendigkeitsbestimmungseinheit bestimmt, dass es notwendig ist, dass mindestens eines von einem physischen Modell oder einem mathematischen Modell aktualisiert werden muss. Die Aktualisierungsbenachrichtigungseinheit ist so konfiguriert, dass, wenn die Modellaktualisierungsnotwendigkeitsbestimmungseinheit bestimmt, dass die Aktualisierung notwendig ist, die Aktualisierungsbenachrichtigungseinheit benachrichtigt, dass die Aktualisierung notwendig ist.
In der Diagnosevorrichtung nach einem zweiten Aspekt der Ausführungsform, die in dem ersten Aspekt der Ausführungsform ist, kann die Physischemodellbasisdiagnoseeinheit ein Diagnoseinformationsbeschaffungsmittel enthalten, das konfiguriert ist, um Informationen für die Zustandsdiagnose von dem Testobjekt zu beschaffen, und ein Physischesmodellspeichermittel, das das physische Modell speichert. Das physische Modell kann konfiguriert sein, um die Besonderheitenmenge basierend auf dem physischen Merkmal des Testobjekts zu berechnen. Die Besonderheitenmengediagnoseinformationen, die durch das Diagnoseinformationsbeschaffungsmittel beschafft wurden, werden erzeugt, wenn eine Unregelmäßigkeit auftritt.
In der Diagnosevorrichtung nach einem dritten Aspekt der Ausführungsform, die in dem ersten Aspekt der Ausführungsform ist, kann die Mathematischemodellbasisdiagnoseeinheit Diagnoseinformationsbeschaffungsmittel, konfiguriert zur Beschaffung von Informationen für die Zustandsdiagnose von dem Testobjekt, und Mathematischesmodellspeichermittel, das das mathematische Modell speichert, das durch das Maschinenlernen, basierend auf den Diagnoseinformationen erhalten wurde, enthalten. Die Diagnoseinformationen können durch das Diagnoseinformationsbeschaffungsmittel, während das Testobjekt normal und/oder abnormal ist, beschafft werden.
Die Diagnosevorrichtung nach einem vierten Aspekt der Ausführungsform, die in irgendeinem der Aspekte 1 bis 3 der Ausführungsform ist, kann ferner eine modellaktualisierungsbedingungssetzende Einheit enthalten, die konfiguriert ist, einzustellen, welcher Zustand von normal oder abnormal des Diagnoseresultats des Testobjekts die Aktualisierung des Modells benötigt. Die Modellaktualisierungsnotwendigkeitsbestimmungseinheit kann konfiguriert sein, um zu bestimmen, dass ein Modell, bei dem ein Diagnoseresultat in dem Zustand des Testobjekts einer Bedingung, die durch die Modellaktualisierungszustandseinstelleinheit eingestellt wurde, entspricht, eine Aktualisierung benötigt.
Die Diagnosevorrichtung nach einem fünften Aspekt der Ausführungsform, die in irgendeinem der Aspekte 1 bis 4 der Ausführungsform ist, kann ferner eine Diagnoseinformationsspeichereinheit enthalten, die so konfiguriert ist, dass, wenn die Modellaktualisierungsnotwendigkeitsbestimmungseinheit bestimmt, dass die Aktualisierung notwendig ist, die Diagnoseinformationsspeichereinheit Informationen, die für die Diagnose mit dem physischen Modell und/oder dem mathematischen Modell benötigt werden, speichert.
In der Diagnosevorrichtung nach einem sechsten Aspekt der Ausführungsform, die in dem fünften Aspekt der Ausführungsform ist, kann als Maschinenlernmodell ein neuronales Netzwerk verwendet werden. Die Diagnoseinformationsspeichereinheit kann konfiguriert werden, um die Informationen zu klassifizieren und zu speichern, die für die Diagnose mit dem physischen Modell, basierend auf einer Ausgangsverteilung von jeweiligen Neuronen, die ein neuronales Netzwerk begründen, benötigt werden.
In der Diagnosevorrichtung nach einem siebten Aspekt der Ausführungsform, die in irgendeinem Aspekt 1 bis 6 der Ausführungsform ist, kann die Aktualisierungsbenachrichtigungseinheit konfiguriert sein, um eine Notwendigkeit der Aktualisierung des Modells in einem Bildschirm anzuzeigen. Die Aktualisierungsbenachrichtigungseinheit kann konfiguriert werden, um ein Niveau eines Grades der Notwendigkeit des Updates zusammen anzuzeigen.
Mit der Ausführungsform kann zum Beispiel die Vorrichtung selbst den Aktualisierungszeitablauf, der für das Diagnosemodell geeignet ist, messen, die Diagnosevorrichtung kann intern das Lernen wieder automatisch ausführen und die Notwendigkeit der Aktualisierung des Modells kann an den Hersteller gemeldet werden. Deshalb kann die präferierte Diagnosefähigkeit immer beibehalten werden. Speziell mit den Ausführungsformen, die in dem fünften und dem sechsten Aspekt beschrieben sind, zusätzlich zu den oben beschriebenen Effekten, können die Informationen, die benötigt werden, um das Diagnosemodell zu aktualisieren, effizient gesammelt und gehalten werden und dadurch wird eine Reduzierung der Speichermenge und eines Kommunikationsvolumens und eine Verbesserung in der Diagnosleistungsfähigkeit sichergestellt.
Mit der Ausführungsform, die in dem siebten Aspekt beschrieben wurde, zusätzlich zu den oben beschriebenen Effekten, wird die Größenordnung des Ausmaßes der Notwendigkeit der Modellaktualisierung ebenfalls benachrichtigt, wenn die Empfehlung der Modellaktualisierung angezeigt wird. Deshalb können die Informationen, die für eine Untersuchung, ob die Aktualisierung tatsächlich ausgeführt wird oder nicht, benötigt werden, und die Zeitplananpassung der Aktualisierungsarbeit leicht erhalten werden.
Figurenliste

1 ist ein Blockkonfigurationsdiagramm einer Diagnosevorrichtung.
2A bis 2C sind Kurvenverlaufsdiagramme, die Diagnosebeispiele mit charakteristischen Frequenzen darstellen, 2A stellt ein Signalkurvenverlauf während Normal dar, 2B stellt ein Signalkurvenverlauf, während Abnormal in einem physischen Modell, dar und 2C stellt ein Signalkurvenverlauf während Abnormal in einem mathematischen Modell dar.
3 ist ein Ablaufdiagramm für eine Diagnosemethode.
4 ist eine erklärende Ansicht einer Modellaktualisierungsempfehlungsanzeige.
5 ist eine erklärende Ansicht, die eine neuronale Netzwerkstruktur und Ausgangsverteilungen von entsprechenden Schichteinheitsgruppen darstellt.

Das Folgende beschreibt Ausführungsformen der Offenbarung in Bezug auf Zeichnungen.
1 ist ein Blockkonfigurationsdiagramm, das ein Beispiel einer Diagnosevorrichtung der Ausführungsform darstellt. Hier kann die Diagnosevorrichtung 10 in einer Steuerungsvorrichtung (nicht dargestellt) einer Werkzeugmaschine 1 eingebettet werden, während eine Diagnosevorrichtung 10 an einer Werkzeugmaschine1 als ein Testobjekt angefügt ist.
Die Diagnosevorrichtung 10 enthält ein Diagnoseinformationsbeschaffungsmittel 11, das Steuerungsinformationen der Werkzeugmaschine1 und Messsignale von verschiedenen Sensoren (nicht dargestellt) als Diagnoseinformationen beschafft.
Die Diagnosevorrichtung 10 enthält auch ein Physischesmodellspeichermittel 12 und ein Mathematischesmodellspeichermittel 13. Das Physischesmodellspeichermittel 12 speichert ein physisches Modell, das berechnet, welches Merkmal in den Diagnoseinformationen vorkommt, wenn eine Unregelmäßigkeit auftritt, basierend auf physischen Merkmalen, wie einem Spezifikationswert einer Maschinenkomponente und einer Maschinenstruktur. Das Mathematischesmodellspeichermittel 13 speichert ein mathematisches Modell, das durch Maschinenlernen basierend auf den Diagnoseinformationen, während die Werkzeugmaschine1 normal und/oder abnormal ist, beschafft wurde.
Ferner enthält die Diagnosevorrichtung 10 ein Physischemodellbasisdiagnosemittel 14, ein Mathematischemodellbasisdiagnosemittel 15 und ein Modellaktualisierungsnotwendigkeitsbestimmungsmittel 17. Das Physischemodellbasisdiagnosemittel 14 führt eine Zustandsdiagnose, basierend auf dem physischen Modell, das in dem Physischesmodellspeichermittel 12 gespeichert ist, und den Diagnoseinformationen, die durch das Diagnoseinformationsbeschaffungsmittel 11 beschafft wurden, aus. Das Mathematischemodellbasisdiagnosemittel 15 führt die Zustandsdiagnose basierend auf dem mathematischen Modell, das in dem Mathematischesmodellspeichermittel 13 gespeichert wird, und den Diagnoseinformationen, die durch das Diagnoseinformationsbeschaffungsmittel 11 beschafft wurden, aus. Das Modellaktualiserungsnotwendigkeitsbestimmungsmittel 17 bestimmt die Notwendigkeit der Aktualisierung des physischen Modells und/oder des mathematischen Modells, basierend auf Diagnoseresultaten durch das Physischemodellbasisdiagnosemittel 14 und das Mathematischemodellbasisdiagnosemittel 15 und einer Aktualisierungsbedingung, die durch das Modellaktualisierungsbedingungseinstellungsmittel 16 bereitgestellt wird.
Das Folgende beschreibt eine Bestimmungsmethode durch das Physischemodellbasisdiagnosemittel 14 und das Mathematischemodellbasisdiagnosemittel 15.
Ein Stützlagerschaden einer Kugelrollspindel ist ein Beispiel von einem angenommenen abnormalen Modus in der Unregelmäßigkeitsdiagnose, die auf eine Vorschubachse einer Werkzeugmaschinezielt. Angenommen, es wurde gewusst, dass, wenn die Lagerung einen Fehler hat, eine Vibration bei einer bestimmten Frequenz steigt und diese Frequenz („die Eigenfrequenz“ in FIG. A2C) kann leicht durch eine Lagerungsspezifikation, eine Rotationsgeschwindigkeit der Kugelrollspindel, und einer ähnlichen Spezifikation erhalten werden. Das Physischemodellbasisdiagnosemittel 14 führt die Bestimmung für Unregelmäßigkeiten basierend auf den vorangehenden physischen Merkmalen aus. In diesem Fall, obwohl die Bestimmungslogik klar ist und die Analyse auf die bekannten Besonderheitenmengen gerichtet ausgeführt wird und deshalb die hochpräzise Erfassung möglich ist, kann diese Diagnose nur die abnormalen Modi, die vorangehend von einem Techniker vermutet wurden, erfassen.
Währenddessen errichtet das mathematische Modellbasisdiagnosemittel 15, zum Beispiel, ein Modell durch das Lernen von Daten, durch die Benutzung von einer Maschinenlerntechnik, wie beispielsweise ein neuronales Netzwerk, und führt eine Unregelmäßigkeitendiagnose aus. Mit dieser Methode, da die Maschine selbst die Merkmale basierend auf Fällen während Abnormal extrahiert, ermöglicht die Methode die Erfassung eines abnormalen Modus wie in FIG. 2C, was keine Veränderung in der Eigenfrequenz hat und nicht im Vorhinein angenommen wird.
Die Verwendung der Eigenschaft einer Kombination des physischen Modells, mit dem die bekannten abnormalen Modi hochgenau erfasst werden können, und des mathematischen Modells, mit dem die Unregelmäßigkeit, die nicht durch das physische Modell bearbeitet wird, erfasst werden kann, stellt nicht nur die Abnormal-Erfassung in einem breiteren Bereich sicher, sondern auch einen effizienten Anstieg der Diagnoseleistung durch die Verwendung einer gegenseitig ergänzenden Beziehung. Im Besonderen das Lernen durch das mathematische Modell ist fortgeschritten, so dass das mathematische Modell hochgenau den Fällen, die als „abnormal“ mit dem physischen Modell diagnostiziert werden, folgen kann. Zusätzlich stellt das Sammeln und Anhäufen der Fälle, die als „abnormal“ durch das mathematische Modell diagnostiziert wurden, und die Rückgabe der Fälle an den Techniker, die Bildung des physischen Modells, das eine Vielzahl von Unregelmäßigkeiten weiter erfassen kann, sicher.
Als Mittel, die Technik zu erreichen, beschreibt das Folgende die Ausführung des Modellaktualisierungsnotwendigkeitsbestimmungsmittels 17, des Diagnoseinformationsspeichermittels 18, und des Anzeigemittels 19.
Als erstes speichert das Diagnoseinformationsspeichermittel 18 die Diagnoseinformation zu dem Zeitpunkt, wenn das Modellaktualisierungsnotwendigkeitsbestimmungsmittel 17 bestimmt, dass „Aktualisierung notwendig“. Dann kann das Diagnoseinformationsspeichermittel 18 auch mathematische Modellbetriebsinformationen hinweisend auf einen Betriebsprozess des mathematischen Modells von dem Mathematischemodellbasisdiagnosemittel 15 beschaffen, die Diagnoseinformationen durch die Verwendung dieser Mathematischemodellbetriebsinformationen als ein Schlüssel klassifizieren, und die Diagnoseinformationen speichern.
Das Anzeigemittel 19 zeigt die Diagnoseresultate durch das Physischemodellbasisdiagnosemittel 14 und das Mathematischemodellbasisdiagnosemittel 15 oder das Diagnoseresultat, das beide Diagnoseresultate integriert, an und zeigt ebenfalls ein Aktualisierungsnotwendigkeitsbestimmungsresultat durch das Modellaktualisierungsnotwendigkeitsbestimmungsmittel 17 an.
Das Folgende beschreibt Details der Zustandsdiagnosemethode durch die Diagnosevorrichtung 10 in Bezug auf den Ablauf in 3.
Zunächst, bei S1, beschafft das Diagnoseinformationsbeschaffungsmittel 11 die Informationen für die Zustandsdiagnose (die Diagnoseinformationen) von dem Maschinenwerkzeug 1.
Die Informationen für die Diagnose sind zum Beispiel ein Motordrehmoment des Maschinenwerkzeugs, ein Beschleunigungssignal, das durch einen Vibrationssensor gemessen wird, Spezifikationen der Maschine, und Spezifikationswerte der Komponenten.
Als nächstes, bei S2, werden Modelldaten, die für die Physischemodell- und die Mathematischemodelldiagnose verwendet werden, von dem Physischemodellspeichermittel 12 und dem Mathematischemodellspeichermittel 13 beschafft. Die Modelldaten des physischen Modells enthalten, zum Beispiel, eine Berechnungsformel, um eine Besonderheitenmenge von einem Messsignal zu berechnen. Auf der anderen Seite, enthalten die Modelldaten des mathematischen Modells, zum Beispiel, eine Struktur und eine Gewichtung des neuronalen Netzwerks.
Als nächstes, bei S3, führt das Physischemodellbasisdiagnosemittel 14 die Zustandsdiagnose durch die Verwendung des beschafften physischen Modells und der Diagnoseinformationen aus, und das mathematische Modellbasisdiagnosemittel 15 führt die Zustandsdiagnose durch das beschaffte mathematische Modell und die Diagnoseinformationen aus.
Darauffolgend, bei S4, bestimmt das Modellaktualisierungsnotwendigkeitsbestimmungsmittel 17 die Notwendigkeit einer Aktualisierung des Diagnosemodells, basierend auf den Diagnoseresultaten des physischen Modells und des mathematischen Modells durch beide Diagnosemittel und der Aktualisierungsbedingung, die von dem Modellaktualisierungsbedingungseinstellungsmittel 16 bereitgehalten wird. Details dieser Bestimmungsmethode werden später beschrieben.
Wenn bei S4 bestimmt wird „Modellaktualisierung nicht notwendig“, zeigt das Anzeigemittel 19 das Diagnoseresultat bei S3 an und beendet die Diagnose. Währenddessen werden die Informationen, die für die Modellaktualisierung benötigt werden, klassifiziert und gesammelt (S5, S6), wenn „Modellaktualisierung notwendig“ bestimmt wird.
Im Besonderen, wenn bei S4 bestimmt wird „mathematische Modellaktualisierung notwendig“, werden die Mathematischemodelldiagnoseinformationen, die in das mathematische Modell eingegeben werden, und die Physischemodelldiagnoseinformationen, die in das physische Modell eingegeben werden, in der Diagnose bei S3 kombiniert und das Diagnoseinformationsspeichermittel 18 speichert die kombinierten Informationen (S5).
Währenddessen speichert das Diagnoseinformationsspeichermittel 18 die Mathematischemodelldiagnoseinformationen, die in das mathematische Modell eingegeben werden und die Betriebsinformationen in dem mathematischen Modell entsprechend der Eingabe zusammen, zusätzlich zu den Physischemodelldiagnoseinformationen, die in das physische Modell in der Diagnose bei S3 (S6) eingegeben werden, wenn bei S4 bestimmt wird, dass „Aktualisierung des physischen Modells notwendig“.
Ferner zeigt das Anzeigemittel 19 die Notwendigkeit der Modellaktualisierung (S7) an, wenn bei S4 festgelegt wird „Aktualisierung des physischen Modells notwendig“ oder „Aktualisierung des mathematischen Modells notwendig‟.
Als nächstes beschreibt das Folgende Details der Modellaktualisierungsnotwendigkeitsbestimmung bei S4.
Wie oben beschrieben, zum Beispiel, wenn die rotierende Komponente den Fehler hat, kann die Besonderheitenmenge, die während Abnormal erzeugt wird, durch die Verwendung von Maschinenstrukturinformationen und der Spezifikationen der Komponenten, wie zum Beispiel einem Auftreten einer Spitze bei einer spezifischen Frequenz der Maschinenvibration, vorhergesagt werden. Basierend auf solch einer Art des Denkens, vermutet das physische Modell, zum Beispiel, zunächst die Komponente, bei der die Unregelmäßigkeit und der abnormale Modus wahrscheinlich auftreten, berechnet die entsprechende Besonderheitenmenge, und vergleicht die Besonderheitenmenge mit einem Grenzwert, um die Unregelmäßigkeit zu erfassen. Währenddessen lernt die Maschine selbst das Merkmal, das bei dem Signal auftritt, in der Diagnose durch das Maschinenlernen. Deshalb beseitigt diese Konfiguration die Notwendigkeit eines Menschen, um zunächst die Besonderheitenmenge zu erhalten. Allerdings wird eine große Anzahl an Daten während der Maschinenunregelmäßigkeit (oder während dem die Maschine normal ist) für das Lernen benötigt.
Wegen solch einer Beziehung gibt es eine Wahrscheinlichkeit, dass das Lernen entsprechend dem relevanten abnormalen Modus in dem mathematischen Modell unzureichend ist, wenn nur die Diagnose mit dem physischen Modell den Zustand als „abnormal“ bestimmt. Im Gegenteil, wenn nur die Diagnose mit dem mathematischen Modell den Zustand als „abnormal“ bestimmt, gibt es eine Wahrscheinlichkeit, dass das mathematische Modell eine dem Menschen unbekannte Besonderheitenmenge gelernt hat und die Unregelmäßigkeit in einem Niveau und einem Modus erfasst, der von einem Menschen weniger wahrscheinlich bemerkt wird.
Deshalb wird die Bestimmung der Notwendigkeit der Aktualisierung des mathematischen Modells ausgeführt, wenn die Bestimmung bei S4 mit dem physischen Modell „abnormal“ ist und die Bestimmung mit dem mathematischen Modell „normal“ ist. Im gegensätzlichen Fall wird die Bestimmung der Notwendigkeit der Aktualisierung des physischen Modells ausgeführt. Wenn die Diagnosen von beiden zusammenpassen, ist die Modellaktualisierung nicht notwendig.
Während das oben beschriebene Beispiel das System beschreibt, dass die Merkmale während „abnormal“ in dem Fall, bei dem die Merkmale während „normal“ entnommen und erfasst werden, erfasst, verhält sich das System entgegengesetzt dem oben beschriebenen Beispiel. Ob das Modell entweder „das abnormale Erfassungsmodell“ oder „das normale Erfassungsmodell“ ist, wird von dem Modellaktualisierungsbedingungseinstellmittel 16 eingestellt und die Leistung kann bei S4 getauscht werden.
Als nächstes beschreibt das Folgende Details der Modellaktualisierungsempfehlungsbenachrichtigung bei S7 in Bezug auf 4. Wie oben beschrieben wird die Notwendigkeit der Modellaktualisierung bei S4 angezeigt, wenn die Diagnoseresultate mit dem physischen Modell und dem mathematischen Modell nicht zusammenpassen. Allerdings, abhängig von einer unternommenen Arbeit für die Aktualisierung, einem Zeitplan der Maschine, oder einer ähnlichen Situation, kann die Aktualisierungsarbeit in einigen Fällen nicht direkt ausgeführt werden. In solch einem Fall kann durch das Anzeigen der Größenordnung der Notwendigkeit der Aktualisierung zusammen, die Größenordnung als ein Bezug verwendet werden kann, um ein Arbeitsprojekt zu planen. Zum Beispiel, wie in 4, können Symbole verwendet werden und eine Vorrichtung wie das Verändern ausgefüllter Regionen je nach dem Niveau des Grades der Notwendigkeit kann unternommen werden. Das Verändern der Farben der Symbole, zum Beispiel, blau während Normal, rot während Abnormal und gelb für wenn die Modellaktualisierung notwendig ist, stellt weiter eine klare Benachrichtigung sicher.
Der Grad der Notwendigkeit einer Aktualisierung kann durch, zum Beispiel, die folgende Formel (1), die die Sicherheitsfaktoren des physischen Modells und des mathematischen Modells verwendet, ausgedrückt werden. $\begin{array}{l} Grad der Notwendigkeit der Aktualisierung = min (mathematischer \\ Modellsicherheitsfaktor, physischer Modellsicherheitsfaktor) \dots \end{array}$
Alternativ kann der Sicherheitsfaktor des mathematischen Modells für die „Abnormal“-Bestimmung mit dem physischen Modell verwendet werden und der Sicherheitsfaktor des physischen Modells kann für die „Abnormal“-Bestimmung mit dem mathematischen Modell verwendet werden. Als eine Methode zur Erlangung der Sicherheitsfaktoren kann, zum Beispiel, ein Grad der Abweichung von dem Grenzwert für das physische Modell verwendet werden, und ein Einheitsausgangswert einer neuronalen Netzwerksausgabeschicht kann für das mathematische Modell verwendet werden. Die Absicht dieser Formeln ist, dass „eine Fehldiagnose mit Sicherheit“ die Notwendigkeit einer Modellaktualisierung erhöht. Solange die Intention des Betriebs ähnlich ist, sind die Formeln der Ausführungsform nicht auf die oben beschriebenen Formeln begrenzt.
Als nächstes beschreibt das Folgende die Speicherung der Informationen, die benötigt werden, um das physische Modell zu aktualisieren, bei S6 im Detail.
Wie oben beschrieben, gibt es eine Wahrscheinlichkeit, dass das mathematische Modell das Merkmal der Unregelmäßigkeit, das der Mensch mit geringerer Wahrscheinlichkeit bemerkt, extrahieren kann, wenn nur die Diagnose mit dem mathematischen Modell den Zustand als „abnormal“ bestimmt. Deshalb stellt das Sammeln und Analysieren dieser Fälle die Bildung des physischen Modells, das neue Besonderheitenmengen und abnormale Formen bearbeitet, sicher. Allerdings, wenn eine große Datenmenge wahllos gesammelt wird, kann die Analyse nicht folgen und ferner scheitert möglicherweise die Verwendung der Daten. Deshalb ermöglicht ein Klassifizieren und Sammeln der Daten nach den Mustern eine effizientere Ausbildung des Modells.
Das Folgende beschreibt das Maschinenlernen unter der Verwendung des neuronalen Netzwerks als Beispiel. In einem Prozess, in dem das neuronale Netzwerk den Zustand als „abnormal“ (oder „normal“) bestimmt, verbreitet und erzeugt das Feuern der entsprechenden Neuronen, die das Netzwerk bilden, einen finalen Ausgangswert. Deshalb ermöglicht es die Ansammlung der Diagnoseinformationen vereinigt mit den Feuermustern der entsprechenden Neuronen wie in 5 dargestellt, Datenklassifikationen entsprechend den identischen abnormalen Modi zu beschaffen. Die Analyse der Daten gemäß der Klassifikation ermöglicht die Bildung des neuen physischen Modells effizienter zu verbessern.
Um die oben beschriebene Konfiguration bei S6 zu erreichen, werden die Betriebsinformationen des mathematischen Modells (z.B. die Feuermuster der neuronalen Netzwerke) zusätzlich zu den Diagnoseinformationen zusammen gespeichert. Das stellt einen Beitrag zu der effizienten Entwicklung des physischen Modells sicher. Zum Beispiel Muster, die gegenseitig eine hohe Korrelation aufweisen, werden bestimmt in der identischen Klasse zu sein, wenn die Ausgangsverteilungen der entsprechenden Einheiten in Form von Kurvenverläufen beobachtet werden und somit kann die Klassifikationsmethode durch das Feuermuster angemessen ausgewählt werden.
Somit enthält die Diagnosevorrichtung 10 mit der oben beschriebenen Konfiguration das Physischemodellbasisdiagnosemittel 14, das Mathematischemodellbasisdiagnosemittel 15, das Modellaktualisierungsnotwendigkeitsbestimmungsmittel 17 und das Anzeigemittel 19. Das Physischemodellbasisdiagnosemittel 14 berechnet die Besonderheitenmenge, die vorhergesagt wird erzeugt zu werden, wenn die Unregelmäßigkeit in dem Maschinenwerkzeug 1 auftritt, und benutzt die Diagnoseinformationen, die von dem Diagnoseinformationsbeschaffungsmittel 11 beschafft wurden, und die Physischemodelldaten, die von dem Physischemodellspeichermittel 12 beschafft wurden, und führt die Diagnose aus durch die Verwendung dieser Besonderheitenmenge. Das Mathematischemodellbasisdiagnosemittel 15 führt die Diagnose aus, durch die Verwendung des Maschinenlernmodells, das gelernt hat, basierend auf den mathematischen Modelldaten, die von dem Mathematischemodellspeichermittel 13 beschafft wurden, basierend auf den Signalen während normal und/oder abnormal des Maschinenwerkzeugs 1, die von dem Diagnoseinformationsbeschaffungsmittel 11 beschafft wurden. Das Modellaktualisierungsnotwendigkeitsbestimmungsmittel 17 bestimmt, dass es notwendig ist mindestens eines von dem physischen Modell oder dem mathematischen Modell zu aktualisieren, wenn die Diagnoseresultate durch das Physischemodellbasisdiagnosemittel 14 und das Mathematischemodellbasisdiagnosemittel 15 sich unterscheiden. Das Anzeigemittel 19 benachrichtigt die Notwendigkeit der Aktualisierung, wenn das Modellaktualisierungsnotwendigkeitsbestimmungsmittel 17 bestimmt, dass die Aktualisierung notwendig ist. Demnach kann, zum Beispiel, die Vorrichtung selbst den geeigneten Aktualisierungszeitablauf für das Diagnosemodell messen, die Diagnosevorrichtung 10 kann intern das Lernen wieder automatisch ausführen und die Notwendigkeit der Aktualisierung des Modells kann an den Hersteller benachrichtigt werden. Deshalb kann eine präferierte Diagnosefähigkeit immer beibehalten werden.
Im Besonderen wird das Diagnoseinformationsspeichermittel 18, das die Informationen, die für die Diagnose mit dem physischen Modell und/oder dem mathematischen Modell benötigt werden, speichert, wenn das Modellaktualisierungsnotwendigkeitsbestimmungsmittel 17 bestimmt, dass die Aktualisierung notwendig ist, hiermit bereitgestellt. Deshalb können die Informationen, die benötigt werden, um das Diagnosemodell zu aktualisieren, effizient gesammelt und bereitgehalten werden, und dabei eine Reduzierung der Menge an Speicher und an Kommunikationsvolumen sowie eine Verbesserung in der Diagnoseleistungsfähigkeit sicherstellen.
Zusätzlich, da das Anzeigemittel 19 die Notwendigkeit der Modellaktualisierung in dem Bildschirm anzeigt und ebenso das Niveau des Grades der Notwendigkeit einer Aktualisierung anzeigt. Deshalb können die Informationen, die für eine Untersuchung benötigt werden, ob die Aktualisierung tatsächlich ausgeführt wird oder nicht, und die Zeitplananpassung für die Aktualisierungsarbeit leicht erhalten werden.
Die Konfiguration dieser Diagnosevorrichtung ist nicht auf die oben beschriebene Konfiguration limitiert, zum Beispiel, in dem Fall, bei dem die Datenspeichervorrichtung den ausreichenden Platz für eine Kapazität hat, kann eine Konfiguration verwendet werden, die S5 und S6 standardisiert und alle Informationen speichert, die von dem System gehalten werden.
Das Diagnoseobjekt ist nicht limitiert auf die Maschinenzustandsdiagnose und ist ebenso anwendbar auf eine Diagnose eines Prozesszustands oder einer ähnlichen Diagnose
Ferner, in dem Fall, bei dem ein Endverbraucher unwissend über „Modellaktualisierung“ in dem Betrieb dieser Diagnosevorrichtung gemacht wird, können die Informationen auf ein Fehlen des Modells wie beispielsweise „das Modell ist inkompatibel“ anstelle der Aktualisierungsbenachrichtigung hinweisen.
Während in der Ausführungsform der Techniker untersucht und das physische Modell bildet, kann der ähnliche Effekt durch die Verwendung des Modells, das durch, zum Beispiel, die folgenden Lehren als ein Unterscheider gleichwertig zu dem physischen Modell erhalten wurde, erreicht werden. Mit der Absicht, einer hochgenauen Erfassung des spezifischen abnormalen Modus, wird das mathematische Modell dazu gebracht, durch das Begrenzen des Eingangssignals für jeden abnormalen Modus oder das Zuweisen einer detaillierten Bezeichnung für jeden abnormalen Modus, gerichtet auf die physischen kausalen Beziehungen, zu lernen. Alternativ wird das mathematische Modell dazu gebracht,durch das Benutzen von Lehrerdaten, die ihren Schwerpunkt auf eine Messdatengruppe entsprechend dem Ziel abnormaler Modus legen, zu lernen. In diesem Fall, durch die gegenseitige Ergänzung des mathematischen Modells gleichwertig zu dem physischen Modell, was darauf zielt, hochakkurat den spezifischen abnormalen Modus zu erfassen und das mathematische Modell, was darauf zielt, breit die Unregelmäßigkeiten zu erfassen, kann der durch diese Ausführungsform gewollte Effekt erreicht werden.
Es wird explizit angegeben, dass alle Merkmale, die in der Beschreibung und/oder den Ansprüchen offenbart sind, beabsichtigt sind separat und unabhängig voneinander für den Zweck der Original-Offenbarung sowie für den Zweck der Begrenzung der beanspruchten Erfindung unabhängig von der Zusammensetzung der Merkmale in dieser Ausführungsform und/oder der Ansprüche offenbart werden. Es wird explizit angegeben, dass alle Wertebereiche oder Angaben von Gruppen von Einheiten jeden möglichen Zwischenwert oder Zwischeneinheit für die Verwendung der Original-Offenbarung sowie für den Zweck der Begrenzung der beanspruchten Erfindung offenbart sind, im Besonderen als Begrenzungen der Wertebereiche.
Eine Diagnosevorrichtung 10 diagnostiziert einen Zustand eines Testobjekts. Die Diagnosevorrichtung 10 enthält eine Physischemodellbasisdiagnoseeinheit 14, eine Mathematischemodellbasisdiagnoseeinheit 15, eine Modellaktualisierungsnotwendigkeitsbestimmungseinheit 17 und eine Aktualisierungsbenachrichtigungseinheit 19. Die Physischemodellbasisdiagnoseeinheit 14 ist konfiguriert, um die Diagnose unter der Verwendung einer Besonderheitenmenge auszuführen. Die Mathematischemodellbasisdiagnoseeinheit 15 ist konfiguriert, um die Diagnose unter der Verwendung eines Maschinenlernmodells auszuführen. Die Modellaktualisierungsnotwendigkeitsbestimmungseinheit 17 ist so konfiguriert, dass, wenn sich Diagnoseresultate durch die Physischemodellbasisdiagnoseeinheit 14 und die Mathematischemodellbasisdiagnoseeinheit 15 unterscheiden, die Modellaktualisierungsnotwendigkeitsbestimmungseinheit 17 bestimmt, dass es notwendig ist mindestens eines von einem physischen Modell oder einem mathematischen Modell zu aktualisieren. Die Aktualisierungsbenachrichtigungseinheit 19 ist so konfiguriert, dass, wenn die Modellaktualisierungsnotwendigkeitsbestimmungseinheit 17 bestimmt, dass die Aktualisierung notwendig ist, die Aktualisierungsbenachrichtigungseinheit 19 dieses benachrichtigt.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

JP 3340541 [0003]

Claims

Eine Diagnosevorrichtung (10), die einen Zustand eines Testobjekts diagnostiziert, aufweisend: eine Physischemodellbasisdiagnoseeinheit (14) konfiguriert, um die Diagnose durch die Verwendung einer Besonderheitenmenge auszuführen, wobei die Besonderheitenmenge vorhergesagt wird erzeugt zu werden, wenn eine Unregelmäßigkeit in dem Testobjekt basierend auf einem physischen Merkmal des Testobjekts auftritt; eine Mathematischemodellbasisdiagnoseeinheit (15) konfiguriert, um die Diagnose durch die Verwendung eines Maschinenlernmodells auszuführen, wobei das Maschinenlernmodell basierend auf mindestens einem von einem Signal während das Testobjekt normal ist und einem Signal, während das Testobjekt abnormal ist, gelernt hat; eine Modellaktualisierungsnotwendigkeitsbestimmungseinheit (17) so konfiguriert, dass wenn sich Diagnoseresultate durch die Physischemodellbasisdiagnoseeinheit (14) und die Mathematischemodellbasisdiagnoseeinheit (15) unterscheiden, die Modellaktualisierungsnotwendigkeitsbestimmungseinheit (17) bestimmt, dass es notwendig ist mindestens eines aus einem physischen Modell oder einem mathematischen Modell zu aktualisieren; und eine Aktualisierungsbenachrichtigungseinheit (19), die so konfiguriert ist, dass, wenn die Modellaktualisierungsnotwendigkeitsbestimmungseinheit (17) bestimmt, dass die Aktualisierung notwendig ist, die Aktualisierungsbenachrichtigungseinheit (19) benachrichtigt, dass die Aktualisierung notwendig ist.
Die Diagnosevorrichtung (10) gemäß Anspruch 1, wobei die Physischemodellbasisdiagnoseeinheit (14) enthält: eine Diagnoseinformationsbeschaffungseinheit (11), die konfiguriert ist, um Informationen für die Zustandsdiagnose von dem Testobjekt zu beschaffen; und eine Physischemodellspeichereinheit (12), die das physische Modell speichert, wobei das physische Modell konfiguriert ist, um die Besonderheitenmenge, basierend auf den physischen Merkmalen des Testobjekts, zu berechnen, wobei die Besonderheitenmenge durch Diagnoseinformationen erzeugt wird, die durch die Diagnoseinformationsbeschaffungseinheit (11) beschaffen werden, wenn die Unregelmäßigkeit auftritt.
Die Diagnosevorrichtung (10) gemäß Anspruch 1, wobei die Mathematischemodellbasisdiagnoseeinheit (15) enthält: eine Diagnoseinformationsbeschaffungseinheit (11), die konfiguriert ist, um Informationen für die Zustandsdiagnose des Testobjekts zu beschaffen; und eine Mathematischemodellspeichereinheit (13), die das mathematische Modell speichert, welches durch das Maschinenlernen basierend auf den Diagnoseinformationen erhalten wurde, wobei mindestens eine der Diagnoseinformationen durch die Diagnoseinformationsbeschaffungseinheit (11) erhalten wurde, während das Testobjekt normal ist, und eine Diagnoseinformation durch die Diagnoseinformationsbeschaffungseinheit (11) erhalten wurde, während das Testobjekt abnormal ist.
Die Diagnosevorrichtung (10) nach einem der Ansprüche 1 bis 3, weiterhin aufweisend eine Modellaktualisierungsbedingungseinstellungseinheit (16) konfiguriert, um einzustellen, welcher Zustand von normal oder abnormal des Diagnoseresultates des Testobjekts die Aktualisierung des Modells benötigt, wobei die Modellaktualisierungsnotwendigkeitsbestimmungseinheit (17) konfiguriert ist, um zu bestimmen, dass das Modell, bei dem das Diagnoseresultat des Zustandes des Testobjekts mit einer Bedingung, die von der Modellaktualisierungsbedingungseinstellungseinheit (16) eingestellt ist, zusammenpasst, eine Aktualisierung benötigt.
Die Diagnosevorrichtung (10) nach einem der Ansprüche 1 bis 4, ferner aufweisend eine Diagnoseinformationsspeichereinheit (18), so konfiguriert, dass, wenn die Modellaktualisierungsnotwendigkeitsbestimmungseinheit (17) bestimmt, dass die Aktualisierung notwendig ist, die Diagnoseinformationenspeichereinheit (18) Informationen, die für die Diagnose mit mindestens einem Modell von dem physischen Modell und dem mathematischen Modell benötigt werden, speichert.
Die Diagnosevorrichtung (10) nach Anspruch 5, wobei: ein neuronales Netzwerk als das Maschinenlernmodell angewendet wird, und die Diagnoseinformationsspeichereinheit (18) konfiguriert ist, um die Informationen, die für die Diagnose mit dem physischen Modell basierend auf einer Ausgangsverteilung von entsprechenden Neuronen, die ein neuronales Netzwerk bilden, benötigt werden, zu klassifizieren und zu speichern.
Die Diagnosevorrichtung (10) nach einem der Ansprüche 1 bis 6, wobei die Aktualisierungsbenachrichtigungseinheit (19) konfiguriert ist, um die Notwendigkeit der Aktualisierung des Modells in einem Bildschirm anzuzeigen, wobei die Aktualisierungsbenachrichtigungseinheit (19) konfiguriert ist, um ein Niveau eines Grades der Notwendigkeit der Aktualisierung zusammen anzuzeigen.