异常检测装置、机械系统及异常检测方法与流程

本发明涉及机械装置的异常的检测。

背景技术：

1、在机械装置中设置传感器，对来自所设置的传感器的信号进行解析，对在生产设备中发生的故障、劣化等进行检测的异常检测，在实现机械装置的高效的运转方面是重要的技术。通过进行异常检测，从而在由于机械装置的部件的历时劣化、干扰等而在机械装置发生了异常时，对异常进行检测而能够进行机械装置的运转条件的变更、机械装置的停止、修理等对应。作为机械装置的部件的例子，能够举出滚珠丝杠、减速机、轴承、泵等。另外，作为在机械装置中发生的异常的例子，能够举出摩擦的增加、振动的发生、框体的损坏等。

2、作为对异常进行检测的技术的一个例子，存在被称为异常检测(anomalydetection)、偏离值检测(outlier detection)等的技术。在该异常检测技术中，执行对正常时的传感器信号的特性进行学习的机器学习而生成模型。而且，使用生成的模型，对在成为异常检测的对象的监视对象的时间段得到的传感器信号从正常时的传感器信号起的乖离程度定量地进行评价而对异常进行检测。

3、根据该异常检测技术，存在即使在事先无法取得异常发生时的传感器信号的情况下，也能够对异常的发生进行检测这一优点。另一方面，在取得学习所使用的传感器信号时的机械装置的运转条件和监视对象的时间段的运转条件不同的情况下，在该技术中，存在由于运转条件的差异而发生误检测这一课题。在专利文献1中，公开了下述技术，即，通过机器学习对异常度进行计算，并且使用表示机械装置的负荷条件的负荷数据而调整对正常或异常进行判断的异常度的阈值。在专利文献1中记载的技术的目的在于，提高环境条件、负荷条件等变化的情况下的故障的预测精度。

4、在专利文献1中记载的控制装置，在机械设备正常的状态下取得机械设备的状态所涉及的测量值和机械设备的负荷条件，作为学习数据而使用该测量值，通过机器学习生成训练好的模型。另外，在专利文献1中记载的控制装置，取得从机械设备正常的状态至异常的状态为止的机械设备的状态所涉及的测量值，使用所取得的该测量值和生成的训练好的模型而取得第1阈值。

5、而且，在专利文献1中记载的控制装置，取得评价时的机械设备的状态所涉及的测量值和机械设备的负荷条件。而且，在专利文献1中记载的控制装置，基于所取得的评价时的负荷条件、训练好的模型生成时的负荷条件及第1阈值而取得第2阈值。而且，在专利文献1中记载的控制装置，基于训练好的模型、评价时的机械设备的状态所涉及的测量值和第2阈值，对评价时的机械设备的状态进行判定。

6、而且，专利文献1的控制装置，基于学习模型生成时和评价时的负荷条件的差异将第1阈值向第2阈值进行校正，将学习模型生成时和评价时之间的机械设备的变化反映给第2阈值，由此抑制误检测的发生。

7、在专利文献1所记载的控制装置中，没有准确地计算第2阈值，判定的结果变得不准确。特别地，在学习模型生成时和判定时的状态的变化没有出现于负荷条件的差异等情况下，判定的结果变得不准确。

8、如以上说明所述，在专利文献1的控制装置中，在对运转条件变化的机械装置的状态进行检测的情况下，存在无法进行误检测少的异常检测这一课题。

9、专利文献1：日本特开2021－086220号公报

技术实现思路

1、如以上说明所述，在对运转条件变化的机械装置的状态进行检测的情况下，存在无法执行误检测、遗漏等错误的判定结果的输出少的异常检测这一课题。

2、本发明所涉及的异常检测装置具有：状态信号生成部，其生成按照时间序列对机械装置的状态进行检测而得到的状态信号；条件信号生成部，其生成按照时间序列对表示机械装置的运转状况的运转条件进行检测而得到的条件信号；状态特征量生成部，其基于状态信号而生成状态特征量；条件特征量生成部，其基于条件信号而生成条件特征量；初始状态学习部，其将基于初始状态学习时的状态特征量即初始学习用状态特征量进行学习得到的结果作为初始状态学习结果进行输出；初始条件学习部，其将基于初始条件学习时的条件特征量即初始学习用条件特征量进行学习得到的结果作为初始条件学习结果进行输出；异常度计算部，其取得初始状态学习结果或追加状态学习结果而作为状态学习结果，基于状态学习结果和检测时的状态特征量即检测用状态特征量对异常度进行计算；以及未知度计算部，其取得初始条件学习结果或追加条件学习结果而作为条件学习结果，基于条件学习结果和检测时的条件特征量即检测用条件特征量对未知度进行计算。

3、本发明所涉及的机械系统具有：机械装置；状态信号生成部，其生成按照时间序列对机械装置的状态进行检测而得到的状态信号；条件信号生成部，其生成按照时间序列对表示机械装置的运转状况的运转条件进行检测而得到的条件信号；状态特征量生成部，其基于状态信号而生成状态特征量；条件特征量生成部，其基于条件信号而生成条件特征量；初始状态学习部，其将基于初始状态学习时的状态特征量即初始学习用状态特征量进行学习得到的结果作为初始状态学习结果进行输出；初始条件学习部，其将基于初始条件学习时的条件特征量即初始学习用条件特征量进行学习得到的结果作为初始条件学习结果进行输出；异常度计算部，其取得初始状态学习结果或追加状态学习结果而作为状态学习结果，基于状态学习结果和检测时的状态特征量即检测用状态特征量对异常度进行计算；以及未知度计算部，其取得初始条件学习结果或追加条件学习结果而作为条件学习结果，基于条件学习结果和检测时的条件特征量即检测用条件特征量对未知度进行计算。

4、本发明所涉及的异常检测方法具有：状态信号生成工序，生成按照时间序列对机械装置的状态进行检测而得到的状态信号；条件信号生成工序，生成按照时间序列对表示机械装置的运转状况的运转条件进行检测而得到的条件信号；状态特征量生成工序，基于状态信号而生成状态特征量；条件特征量生成工序，基于条件信号而生成条件特征量；初始状态学习工序，将基于初始状态学习时的状态特征量即初始学习用状态特征量进行学习得到的结果作为初始状态学习结果进行输出；初始条件学习工序，将基于初始条件学习时的条件特征量即初始学习用条件特征量进行学习得到的结果作为初始条件学习结果进行输出；异常度计算工序，取得初始状态学习结果或追加状态学习结果而作为状态学习结果，基于状态学习结果和检测时的状态特征量即检测用状态特征量对异常度进行计算；以及未知度计算工序，取得初始条件学习结果或追加条件学习结果而作为条件学习结果，基于条件学习结果和检测时的条件特征量即检测用条件特征量对未知度进行计算。

5、发明的效果

6、根据本发明，在对运转条件变化的机械装置的状态进行检测的情况下，能够执行误检测、遗漏等错误的判定结果的输出少的异常检测。

技术特征：

1.一种异常检测装置，其具有：

2.根据权利要求1所述的异常检测装置，其中，

3.根据权利要求2所述的异常检测装置，其中，

4.根据权利要求1至3中任一项所述的异常检测装置，其特征在于，

5.根据权利要求1至4中任一项所述的异常检测装置，其特征在于，

6.根据权利要求1至5中任一项所述的异常检测装置，其特征在于，

7.根据权利要求1至6中任一项所述的异常检测装置，其特征在于，

8.根据权利要求7所述的异常检测装置，其特征在于，

9.根据权利要求7所述的异常检测装置，其特征在于，

10.根据权利要求7或8所述的异常检测装置，其特征在于，

11.根据权利要求7所述的异常检测装置，其特征在于，

12.一种机械系统，其具有：

13.一种异常检测方法，其具有：

技术总结
为了在对机械装置的状态进行检测的情况下进行错误少的异常检测，具有：状态信号生成部(11)，其对机械装置(2)的状态进行检测而作为状态信号；条件信号生成部(15)，其生成对机械装置的运转状况进行检测而作为运转条件所得到的条件信号；状态特征量生成部(12)，其根据状态信号而生成状态特征量；条件特征量生成部(16)，其根据条件信号而生成条件特征量；初始状态学习部(13)，其基于初始学习用状态特征量进行学习，作为初始状态学习结果进行输出；初始条件学习部(17)，其基于初始学习用条件特征量进行学习，输出初始条件学习结果；异常度计算部(14)，其基于初始状态学习结果或追加状态学习结果即状态学习结果和检测用状态特征量对异常度进行计算；以及未知度计算部(18)，其基于初始条件学习结果或追加条件学习结果即条件学习结果和检测用条件特征量，对未知度进行计算。

技术研发人员：高野直人,窟泽洋一
受保护的技术使用者：三菱电机株式会社
技术研发日：
技术公布日：2024/12/5