特許ウォッチ

公開番号2024072124
公報種別公開特許公報(A)
公開日2024-05-27
出願番号2022182802
出願日2022-11-15
発明の名称機種、部品型番、及び異常を推定するシステム並びに方法
出願人株式会社酉島製作所
代理人個人,個人,個人
主分類G01M 99/00 20110101AFI20240520BHJP(測定;試験)
要約【課題】機種型番推定及び異常推定システムを構築する。
【解決手段】学習済みの機種推定のための機械学習モデルに、或る機種と同機種であるが異常の有無及び程度が未知である回転機械が生じたFFTデータを入力し、当該入力されたFFTデータを生じた回転機械における異常の有無及び程度を推定する推定値を出力し、加えて、学習済みの型番推定のための機械学習モデルに、或る型番と同型番の部品を利用しているが異常の有無及び程度が未知である回転機械が生じたFFTデータを入力し、当該入力されたFFTデータを生じた回転機械に含まれる或る型番の部品における異常の有無及び程度を推定する推定値を出力する。
【選択図】図1
特許請求の範囲【請求項１】
機種型番推定及び異常推定システムであって、
前記機種型番推定及び異常推定システムは、コンピュータ装置を有し、当該コンピュータ装置は、インタフェース装置と、記憶装置と、処理回路とを含み、
前記コンピュータ装置には、
回転機械からのＦＦＴデータを説明変数とし当該回転機械が或る機種であるか否かの分類を目的変数とする機種推定のための機械学習モデルと、
回転機械からのＦＦＴデータを説明変数とし当該回転機械が或る型番の部品を含むか否かの分類を目的変数とする型番推定のための機械学習モデルとが、構築されており、
前記コンピュータ装置は、
前記記憶装置に格納された、前記或る機種の回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る機種の回転機械からのものであることを分類するラベルデータとの組み合わせ、並びに、前記或る機種では無い回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る機種では無い回転機械からのものであることを分類するラベルデータとの組み合わせを教師データとして、前記機種推定のための機械学習モデルを学習し、
加えて、前記記憶装置に格納された、前記或る型番の部品を含む回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る型番の部品を含む回転機械からのものであることを分類するラベルデータとの組み合わせ、並びに、前記或る型番の部品を含まない回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る型番の部品を含まない回転機械からのものであることを分類するラベルデータとの組み合わせを教師データとして、前記型番推定のための機械学習モデルを学習し、
更に、前記コンピュータ装置の前記処理回路は、
学習済みの前記機種推定のための機械学習モデルに、前記或る機種と同機種であるが異常の有無及び程度が未知である回転機械が生じさせる、前記記憶装置に格納されたＦＦＴデータを、前記インタフェース装置を介して入力し、学習済みの前記機種推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械における異常の有無及び程度を推定する推定値を出力し、
更に学習済みの前記型番推定のための機械学習モデルに、前記或る型番と同型番の部品を利用しているが異常の有無及び程度が未知である回転機械が生じさせる、前記記憶装置に格納されたＦＦＴデータを、前記インタフェース装置を介して入力し、学習済みの前記型番推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械に含まれる前記或る型番の部品における異常の有無及び程度を推定する推定値を出力する、
機種型番推定及び異常推定システム。
続きを表示（約 3,700 文字）【請求項２】
前記機種推定のための機械学習モデル及び前記型番推定のための機械学習モデルが、ディープラーニングモデルである、
請求項１に記載の機種型番推定及び異常推定システム。
【請求項３】
前記機種推定のための機械学習モデルであるディープラーニングモデルの出力層手前の３ノードからの出力値により形成される３Ｄプロットグラフでの、個別の出力値の位置により、当該個別の出力値のための入力であるＦＦＴデータを生じた回転機械の、異常の有無及び程度が推定される、
請求項２に記載の機種型番推定及び異常推定システム。
【請求項４】
前記コンピュータ装置には、前記型番推定のための機械学習モデルが、第１の機械学習モデル～第ｎの機械学習モデルとして、複数種類、構築されており、ここで夫々の型番は異なるものであり、当該第１の機械学習モデル～第ｎの機械学習モデルは夫々の型番毎に学習済みとなっており、
前記コンピュータ装置の前記処理回路は、学習済みの第１の機械学習モデル～第ｎの機械学習モデルの夫々に、前記複数種類の型番の夫々と同型番の複数種類の部品を利用しており且つ異常を示す回転機械が生じさせる、前記記憶装置に格納されたＦＦＴデータを、前記インタフェース装置を介して入力し、学習済みの第１の機械学習モデル～第ｎの機械学習モデルの夫々から、当該入力されたＦＦＴデータを生じた回転機械に含まれる前記複数種類の型番の部品の夫々における異常の有無及び程度を推定する第１の推定値～第ｎの推定値を出力する、
請求項１に記載の機種型番推定及び異常推定システム。
【請求項５】
機種型番推定及び異常推定システムであって、
前記機種型番推定及び異常推定システムは、コンピュータ装置を有し、当該コンピュータ装置は、インタフェース装置と、記憶装置と、処理回路とを含み、
前記コンピュータ装置には、
回転機械からのＦＦＴデータを説明変数とし、当該回転機械が複数の特定の機種の内どの機種であり得るか、の分類を目的変数とする、複数種類の機種推定のための機械学習モデルが、構築されており、
前記コンピュータ装置は、
前記記憶装置に格納された、前記複数の特定の機種の内の或る機種の回転機械からのＦＦＴデータと、
そのＦＦＴデータを生じた回転機械の機種に対応する出力を示す変数に付すべき、そのＦＦＴデータが前記或る機種の回転機械からのものであることを分類する、ラベルデータと、
前記複数の特定の機種の内の、そのＦＦＴデータを生じた回転機械の機種以外の機種に、対応する出力を示す変数に付すべき、そのＦＦＴデータが前記或る機種では無い機種の回転機械からのもので無いことを分類する、ラベルデータとの、
組み合わせを、前記複数の特定の機種の全体に関して教師データとして、前記複数種類の機種推定のための機械学習モデルを学習し、
更に、前記コンピュータ装置の前記処理回路は、
学習済みの前記複数種類の機種推定のための機械学習モデルに、当該複数種類の機種の内の或る機種であるが異常の有無及び程度が未知である回転機械が生じさせる、前記記憶装置に格納されたＦＦＴデータを、前記インタフェース装置を介して入力し、学習済みの前記複数種類の機種推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械における異常の有無及び程度を推定する推定値を、多クラスを示す複数ノードにより、出力する、
機種型番推定及び異常推定システム。
【請求項６】
前記複数種類の機種推定のための機械学習モデルが、ディープラーニングモデルである、
請求項５に記載の機種型番推定及び異常推定システム。
【請求項７】
前記ディープラーニングモデルの出力層手前の中間層における、出力層の各クラスに関する個別のノードに接続する３ノードからの、出力値により形成される３次元プロットグラフでの、個別の出力値の位置により、当該個別の出力値のための入力であるＦＦＴデータを生じた回転機械の、異常の有無及び程度が推定される、
請求項６に記載の機種型番推定及び異常推定システム。
【請求項８】
前記３次元プロットグラフが示される３次元空間において機種毎に形成される、クラスタにおける中心点から離隔する距離により、個別の出力値に関して、当該個別の出力値のための入力であるＦＦＴデータを生じた回転機械の、異常の有無及び程度が示される、請求項７に記載の機種型番推定及び異常推定システム。
【請求項９】
コンピュータ装置により、回転機械からのＦＦＴデータを説明変数とし当該回転機械が或る機種であるか否かの分類を目的変数とする機種推定のための機械学習モデルと、
回転機械からのＦＦＴデータを説明変数とし当該回転機械が或る型番の部品を含むか否かの分類を目的変数とする型番推定のための機械学習モデルを、構築するステップと、
前記コンピュータ装置により、記憶装置に格納された、前記或る機種の回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る機種の回転機械からのものであることを分類するラベルデータとの組み合わせ、並びに、前記或る機種では無い回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る機種では無い回転機械からのものであることを分類するラベルデータとの組み合わせを教師データとして、前記機種推定のための機械学習モデルを学習するステップと、
前記コンピュータ装置により、前記記憶装置に格納された、前記或る型番の部品を含む回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る型番の部品を含む回転機械からのものであることを分類するラベルデータとの組み合わせ、並びに、前記或る型番の部品を含まない回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る型番の部品を含まない回転機械からのものであることを分類するラベルデータとの組み合わせを教師データとして、前記型番推定のための機械学習モデルを学習するステップと、
前記コンピュータ装置の処理回路により、学習済みの前記機種推定のための機械学習モデルに、前記或る機種と同機種であるが異常の有無及び程度が未知である回転機械が生じさせる、前記記憶装置に格納されたＦＦＴデータを、インタフェース装置を介して入力して、学習済みの前記機種推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械における異常の有無及び程度を推定する推定値を出力するステップと、
前記コンピュータ装置の処理回路により、学習済みの前記型番推定のための機械学習モデルに、前記或る型番と同型番の部品を利用しているが異常の有無及び程度が未知である回転機械が生じさせる、前記記憶装置に格納されたＦＦＴデータを、前記インタフェース装置を介して入力し、学習済みの前記型番推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械に含まれる前記或る型番の部品における異常の有無及び程度を推定する推定値を出力するステップと
を含む、異常を推定する方法。
【請求項１０】
コンピュータ装置により、
回転機械からのＦＦＴデータを説明変数とし、当該回転機械が複数の特定の機種の内どの機種であり得るか、の分類を目的変数とする、複数種類の機種推定のための機械学習モデルを、構築するステップと、
前記コンピュータ装置により、
記憶装置に格納された、前記複数の特定の機種の内の或る機種の回転機械からのＦＦＴデータと、
そのＦＦＴデータを生じた回転機械の機種に対応する出力を示す変数に付すべき、そのＦＦＴデータが前記或る機種の回転機械からのものであることを分類する、ラベルデータと、
前記複数の特定の機種の内の、そのＦＦＴデータを生じた回転機械の機種以外の機種に、対応する出力を示す変数に付すべき、そのＦＦＴデータが前記或る機種では無い機種の回転機械からのもので無いことを分類する、ラベルデータと
の組み合わせを、前記複数の特定の機種の全体に関して教師データとして、前記複数種類の機種推定のための機械学習モデルを学習するステップと、
前記コンピュータ装置の処理回路により、
学習済みの前記複数種類の機種推定のための機械学習モデルに、当該複数種類の機種の内の或る機種であるが異常の有無及び程度が未知である回転機械が生じさせる、前記記憶装置に格納されたＦＦＴデータを、インタフェース装置を介して入力し、学習済みの前記複数種類の機種推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械における異常の有無及び程度を推定する推定値を、多クラスを示す複数ノードにより、出力するステップと
を含む、異常を推定する方法。

発明の詳細な説明【技術分野】
【０００１】
本開示は、ポンプ等の回転機械における機種や部品型番を機械学習モデルにより推定するシステム及び方法に関する。更に、本開示は、ポンプ等の回転機械において発生し得る異常や故障を同じく機械学習モデルにより推定するシステム及び方法に関する。
続きを表示（約 3,500 文字）【背景技術】
【０００２】
ポンプ等の回転機械は、長期に渡って使用される。これらポンプ等の回転機械は、長期間出来るだけ安定して稼働することが要求されており、そのため、故障の兆候、即ち、異常が生じているような場合には、速やかに操作者により把握されることが求められている。
【０００３】
回転機械の異常を把握する方策として、例えば、回転機械の振動データを採取して解析することが取り挙げられ得る。
【０００４】
従来、回転機械における、ギア異常やアンバランス、ミスアライメントなどについては、振動データの速度域における特徴的な周波数成分を見ることにより推定され得るものとされてきた。しかしながら、例えば、回転機械における初期の軸受故障や潤滑不良等の異常に関しては、振動データの速度域における特徴的な周波数成分が特定されていない。即ち、従来、振動データにより回転機械における異常の一部は把握可能であったが、十全には異常は把握され得なかった。つまり、回転機械の振動データに基づく故障発生や故障個所の推定は必ずしも容易なものではなかった。
【先行技術文献】
【特許文献】
【０００５】
特開２０２１－８９２０２号公報
【発明の概要】
【発明が解決しようとする課題】
【０００６】
本開示は、まず、振動データを入力としてポンプ等の回転機械における機種や部品型番を推定するシステム、及び方法を提供することを目的とする。加えて、本開示は、振動データを入力としてポンプ等の回転機械にて発生している異常及び故障、並びに異常及び故障を発生している部品を推定するシステム、及び方法を提供することを目的とする。
【課題を解決するための手段】
【０００７】
本開示の機種型番推定及び異常推定システムは、コンピュータ装置を有し、当該コンピュータ装置は、インタフェース装置と、記憶装置と、処理回路とを含む。
前記コンピュータ装置には、
回転機械からのＦＦＴデータを説明変数とし当該回転機械が或る機種であるか否かの分類を目的変数とする機種推定のための機械学習モデルと、
回転機械からのＦＦＴデータを説明変数とし当該回転機械が或る型番の部品を含むか否かの分類を目的変数とする型番推定のための機械学習モデルとが、構築されている。
前記コンピュータ装置は、
前記記憶装置に格納された、前記或る機種の回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る機種の回転機械からのものであることを分類するラベルデータとの組み合わせ、並びに、前記或る機種では無い回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る機種では無い回転機械からのものであることを分類するラベルデータとの組み合わせを教師データとして、前記機種推定のための機械学習モデルを学習し、
更に前記記憶装置に格納された、前記或る型番の部品を含む回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る型番の部品を含む回転機械からのものであることを分類するラベルデータとの組み合わせ、並びに、前記或る型番の部品を含まない回転機械からのＦＦＴデータとそのＦＦＴデータが前記或る型番の部品を含まない回転機械からのものであることを分類するラベルデータとの組み合わせを教師データとして、前記型番推定のための機械学習モデルを学習する。
更に、前記コンピュータ装置の前記処理回路は、
学習済みの前記機種推定のための機械学習モデルに、前記或る機種と同機種であるが異常の有無及び程度が未知である回転機械が生じさせる、前記記憶装置に格納されたＦＦＴデータを、前記インタフェース装置を介して入力し、学習済みの前記機種推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械における異常の有無及び程度を推定する推定値を出力し、
加えて、学習済みの前記型番推定のための機械学習モデルに、前記或る型番と同型番の部品を利用しているが異常の有無及び程度が未知である回転機械が生じさせる、前記記憶装置に格納されたＦＦＴデータを、前記インタフェース装置を介して入力し、学習済みの前記型番推定のための機械学習モデルから、当該入力されたＦＦＴデータを生じた回転機械に含まれる前記或る型番の部品における異常の有無及び程度を推定する推定値を出力する。
【発明の効果】
【０００８】
本開示に係るシステム及び方法を利用することにより、振動データに基づいて回転機械の機種や該回転機械で用いられている部品の型番を推定することができる。更に、本開示に係るシステム及び方法を利用することにより、振動データに基づいて回転機械にて発生している異常や故障、更には異常や故障を生じている部品を推定することが実現され得る。
【図面の簡単な説明】
【０００９】
図１は、実施の形態１に係る機種型番推定及び異常推定システムのシステム構成図である。
図２は、ポンプ及びモータへの振動センサの配置例を示す図である。
図３は、振動センサが出力する、回転機械の振動に関する加速度ＦＦＴと速度ＦＦＴの例を示す図である。
図４は、実施の形態１に係る機種型番推定及び異常推定システムにて構築されている、ディープラーニングモデルの概略の構成例を示す図である。
図５は、機種推定のための機械学習モデルにおける、（１）学習フェーズの概略のフローチャートと、（２）異常推定フェーズの概略のフローチャートである。
図６は、型番推定のための機械学習モデルにおける、（１）学習フェーズの概略のフローチャートと、（２）異常推定フェーズの概略のフローチャートである。
図７は、機種推定のための機械学習モデルにおける、入力データであるテストデータの例であって、（１）特定の機種であると推定できた加速度ＦＦＴデータの例と、（２）特定の機種であると推定できない加速度ＦＦＴデータデータの例を、示す図である。
図８Ａは、機種推定のための機械学習モデルに対する、実際の入力側の試験データのトレンドを示す図である。
図８Ｂは、機種推定のための機械学習モデルにおける、実際の出力側の試験データである、異常度の変化を示す図である。
図９は、機種推定のための機械学習モデルの出力に拠る３Ｄプロットグラフを示す図である。
図１０は、実施の形態１に係る機種型番推定及び異常推定システムにて構築されているディープラーニングモデルにおける、３Ｄプロットグラフのための中間層の構成を示す図である。
図１１は、型番推定のための機械学習モデルにおける、入力データの例であって、（１）特定の型番の部品を利用すると推定できた加速度ＦＦＴデータの例と、（２）異常により特定の型番の部品を利用すると推定できない加速度ＦＦＴデータの例を、示す図である。
図１２は、複数種類の型番推定のための機械学習モデルによる、異常部品検出のフローチャートである。
図１３は、実施の形態３に係る機種型番推定及び異常推定システムにて構築されている、ディープラーニングモデルの概略の構成例を示す図である。
図１４は、機種推定のための、多クラス分類モデルである、機械学習モデルにおける、（１）学習フェーズの概略のフローチャートと、（２）異常推定フェーズの概略のフローチャートである。
図１５は、出力層における各ノードの手前の３次元ノードでの出力値のプロットグラフである。
図１６は、実施の形態３に係る機種型番推定及び異常推定システムにて構築されているディープラーニングモデルの出力層における、所定の機種についてのノードの手前の３次元ノードでの出力値のプロットグラフを用いて、当該所定の機種の回転機械における異常検知を行った様子を示す図である。
【発明を実施するための形態】
【００１０】
以下、適宜図面を参照しながら、実施の形態を詳細に説明する。但し、必要以上に詳細な説明は省略する場合がある。例えば、既によく知られた事項の詳細説明や実質的に同一の構成に対する重複説明を省略する場合がある。これは、以下の説明が不必要に冗長になるのを避け、当業者の理解を容易にするためである。
（【００１１】以降は省略されています）

関連特許