[发明专利]学习装置、学习方法及故障预测系统

说明书

一种学习装置，容易地获得有监督学习的训练数据所使用的、清晰地表示故障状态的数据，且进行用于高精度地判定设备的故障状态的学习。学习装置包括：模式提取部，从表示设备的动作状态的直到第一时间点为止的状态观测信号数据，提取与所述设备的部位关联的特征频率的振幅的时间波动模式；训练数据产生部，基于所述特征频率的振幅的时间波动模式，产生表示所述第一时间点以后的所述特征频率的振幅的时间波动模式的模拟状态观测信号数据，并产生包含所述模拟状态观测信号数据的训练数据；以及学习部，使用所述训练数据，产生用于判定所述设备的部位的故障状态的分类模型。

技术领域

本公开涉及学习装置、学习方法及故障预测系统。

背景技术

在工厂等中用于进行生产的产业设备、产业机械、产业机器人等使用了大量的电机、齿轮等。除了突发性的装置故障之外，由老化、磨损劣化引起的装置的异常也会导致生产线停止，有可能会降低生产性或发生事故。

因此，对于故障预测系统的需求高涨，该故障预测系统监视包含这些装置或机器的设备的状态，并支持与设备的状态对应的有效的定期维护。

与此种故障预测系统关联，在专利文献1中公开了如下技术，即，根据示教数据集，学习与产业机械的故障关联的条件，该示教数据集是基于包含反映了产业机械的状态的传感器数据的状态变量与判定产业机械的故障程度的判定数据之组合而制作的数据集。这样，通过使用了示教数据(训练数据)的有监督学习进行学习，由此，与通过不使用训练数据的无监督学习进行的学习相比，设备的故障预测精度变好。

现有技术文献

专利文献

专利文献1：日本特开2017-033526号公报

发明内容

但是，对于运转条件或结构完全不同的装置内的各个电机、齿轮等，难以从运转中的设备收集由状态变量与多个故障状态之组合构成的训练数据。例如，现实中，难以大量收集表示电机、齿轮等实际处于异常状态或故障状态(以下，统一称为“故障状态”)时的状态的数据。因此，实际上大多使用了如下方法，即，通过无监督学习来学习正常状态，并通过检测与正常状态之间的偏差，预测故障状态。

这样，针对用于通过有监督学习来预测或判定设备的故障状态的学习，在预测或判定的精度方面尚有研究的余地。

本公开的非限定性的实施例有助于提供学习装置、学习方法及故障预测系统，该的学习装置、学习方法及故障预测系统容易地获得有监督学习的训练数据所使用的清晰地表示故障状态的数据，且进行用于高精度地判定设备的故障状态的学习。

本公开的一个实施例的学习装置包括：模式提取部，从表示设备的动作状态的直到第一时间点为止的状态观测信号数据，提取与所述设备的部位关联的特征频率的振幅的时间波动模式；训练数据产生部，基于所述特征频率的振幅的时间波动模式，产生表示所述第一时间点以后的所述特征频率的振幅的时间波动模式的模拟状态观测信号数据，并产生包含所述模拟状态观测信号数据的训练数据；以及学习部，使用所述训练数据，产生用于判定所述设备的部位的故障状态的分类模型。

本公开的一个实施例的学习方法由学习装置执行，且包含由所述学习装置进行的如下步骤：从表示设备的动作状态的直到第一时间点为止的状态观测信号数据，提取与所述设备的部位关联的特征频率的振幅的时间波动模式；基于所述特征频率的振幅的时间波动模式，产生表示所述第一时间点以后的所述特征频率的振幅的时间波动模式的模拟状态观测信号数据；产生包含所述模拟状态观测信号数据的训练数据；以及使用所述训练数据，产生用于判定所述设备的部位的故障状态的分类模型。

本公开的一个实施例的故障预测系统包括：上述学习装置；以及状态判定部，使用表示所述设备的当前的动作状态的当前状态观测信号数据和所述分类模型，判定所述设备的部位的故障状态。