JP2018014092A - 機械部品の期待耐用年数の推定方法 - Google Patents

Abstract

【課題】広い意味での全自動化された予測保守の基礎を提供する。【解決手段】本発明は、機械の部品の期待耐用年数を推定する方法に関し、当該方法によれば、循環的な作業ステップを実行する際に当該機械により検出される当該機械のプロセスデータが記録され、検出されたデータがデータベースへ転送され、当該部品の期待耐用年数を推定するように当該データベースに格納されたデータが故障パターンリストに依拠して故障パターンについて分析され、分析されたデータにおいて認識された故障パターンの記憶場所に関する通信が出力される。【選択図】図１

Description

本発明は、機械部品の期待耐用年数の推定方法に関するものである。

多数の同様の循環的な作業ステップの反復に適した機械が多数存在する。クレーン、掘削機、リーチスタッカー、又はホイールローダーを例として挙げることができる。これらは全て、例えば長期間にわたって循環的な作業ステップを実行するという共通の特徴を有するものである。

より長い期間にわたって当該機械の機能性を保証し得るため、一般には、作業間隔に注意を払わなければならない。さもなければ、当該機械に又は当該機械の部品に故障又は損傷が生じる可能性が大幅に増大する。これは、当該機械が複雑な作業手順中に統合されている場合や、単一の機械の故障が複雑な総作業手順に影響を及ぼす場合に、特に不利である。したがって、当該機械にて適切な時期に部品の保守又は交換を実行できるように、機械部品の期待耐用年数を確実に推定できることは、特に有利である。これにより、特に複雑な作業手順をより速く、かつより高い信頼性を以て完了できるように、予期しないダウンタイムが低減される。

機械部品の期待耐用年数の改良された推定方法が、請求項１に明示されている。当該方法によれば、循環的な作業ステップを実行する際に当該機械により検出される当該機械のプロセスデータが記録され、検出されたデータがデータベースへ転送され、当該部品の期待耐用年数を推定するように当該データベースに格納されたデータが故障パターンリストに依拠して故障パターンについて分析され、分析されたデータにおいて認識された故障パターンの記憶場所に関する通信が出力される。

これにより、機械（例えばクレーン、掘削機、ホイールローダー、又はリーチスタッカー）における部品の期待耐用年数を推定し、広い意味での全自動化された予測保守の基礎を提供することが可能になる。循環的な作業ステップの実行時に獲得された当該機械のプロセスデータは、部品の期待耐用年数を推定するために記録され、かつ分析される。

本発明の選択的な更なる発展によれば、データは、機械の又は部品の合計の耐用年数にわたって継続的にデータベースへ転送され、かつ好ましくは一定の時間間隔で転送される。部品の以前の合計耐用年数にわたるプロセスデータの存在により、部品の期待耐用年数の特に根拠の確かな推定がなされ得る。本発明によれば、時間的側面にて、特に従来技術にて広く行き渡った、故障前の特定の制限された期間の事象の後にのみデータが分析されるブラックボックスシステムに関して、部品の実際の故障よりもかなり前に生じた結果も考慮に入れられ得る。当該機械の部品に関するプロセスデータの継続的な履歴は、当該部品の実状態の正確なマッピングを可能にする。

本発明の他の選択的な変形例によれば、機械のある部品の故障に関するレポートもまた、当該方法におけるデータベースへ転送される。その後、故障パターンについての結論が、データベースへ転送された、部品の故障に関するレポートにより引き出され得る。この故障パターンは、故障パターンリストに追加される。

例えば、故障を確認した後に、故障時点よりもかなり前に生じた、許容値を超える部品動作のような異常もまた、部品故障の原因として考慮され得る。

データベースは、機械から離れた位置に配置され、かつ好ましくは分散型のデータベース、又はクラウドベースのデータベースであり得る。

本発明の更なる発展によれば、プロセスデータは、機械自体により生成された独自のレポートと組み合わされ、当該機械により生成された独自のレポートは、好ましくは当該目的でデータベースへ転送される。

この観点によれば、プロセスデータと、機械自体により生成されたレポートとは、別々に、また互いに組み合わせて検討され得て、かつ好ましくはクラスターアルゴリズム及び機械学習アルゴリズムにより、パターン性、異常性及び不規則性を求めて探索され得る。

好ましくは、当該機械は複数の循環的な作業ステップを実行し、かつプロセスデータは循環的な作業ステップのうちの全てのステップについてのデータレコードを有し、当該データレコードは、好ましくはアルゴリズムの助けを借りて生成される。

本発明によれば、分析されたデータにおける認識された故障パターンの記憶場所に関する通信は、部品の期待耐用年数に関する推定を含み、及び／又は、部品の保守若しくは交換の時期を提案し得る。これにより、差し迫った故障に直面した部品が適切な時期に点検又は交換され得ることが保証され得る。これにより、当該機械を用いた作業手順が予期しない態様で中断することがないように、部品を用いた機械の予期しない動作停止を防止することができる。

加えて、本発明の好ましい実施形態によれば、プロセスデータは、データベースに格納されたデータの分析に際して、期待耐用年数の推定に関する信頼性を増すために、機械自体により生成されたレポートにより重み付けされ得る。

機械自体により生成されたレポートは、例えばクレーンからの過荷重レポート、燃料タンク若しくはエネルギータンクの空状態、センサの解決すべき課題、システムにおける欠陥のレポート、及び／又は、補助システムの状態メッセージである。

本発明の更なる発展によれば、プロセスデータは、ある機械部分の若しくは当該機械の少なくとも空間的二次元における相対的な若しくは絶対的な始点位置及び終点位置、個々の機械部品の速度、荷重、最大及び最小のパワー、燃料消費若しくはエネルギー消費、個々の機械部品の温度、部品の稼働年数又は稼働時間、以前の部品耐用年数、並びに／又は、機械における油圧条件である。

プロセスデータは、機械の又は部品の状態を表す。したがって、当該機械による最初の評価が、機械自体により生成されたレポートをもとに実行される。

好ましくは、データベースに格納されたデータの分析が、当該機械の稼働中に実行される。

本発明の他の選択的な変形例によれば、データベースに格納されたデータの分析、及び／又は、部品の期待耐用年数の推定は、以前の耐用年数に依拠して実行されるが、好ましくは以前の耐用年数の合計が用いられるのではなく、部品が実際に使用された最初の稼働開始時点からの期間のみが用いられる。

本発明の更なる発展によれば、データベースに格納されたデータの分析、及び／又は、部品の期待耐用年数の推定は、プロセスデータに関し及び／又は機械により生成されたレポートに関して異なる重み付けがなされる、以前の部品稼働時間をもとに実行される。これにより、既に経過した稼働時間を用いて部品の期待耐用年数の推定が厳密に行われるのではなく、例えば部品の過荷重レポートが総体的に短い期待耐用年数に帰結し得る。部品が過荷重領域で動作した稼働時間は、期待耐用年数の推定にて特定の係数Ｘにより、大きい重みが与えられ得る。

加えて本発明は、以上の方法において、前記機械は、クレーン、例えば港湾用移動式クレーン、建設機械、例えば掘削機、ドリリング及び基礎工事用のユニット、例えばパイルドライブ機械、又は、床面輸送車両、例えばリーチスタッカーである方法に関する。

本発明の他の特徴、利点及び詳細は、以下の図面を参照して明らかとなるであろう。

本発明に係る方法を説明するための図である。 特定の実例について本発明を説明するための図である。 特定の実例について本発明を説明するための他の図である。 ロープ滑車の例について本発明を視覚化するための図である。

本発明の原理思想は、全自動化された予測保守のための基礎として使用し得る、機械中の部品における耐用年数パラメータの統計的な計算にある。これのベースとなるのは、故障情報と、部品故障の後に当該機械により生成されるメッセージとの組み合わせで、予期される故障の表示に関する結論を可能にするマシンサイクルからのプロセスデータとを提供する、稼働時間や稼働データのような個々のデータ源の組み合わせである。この観点にて、プロセスデータは、機械の単一の作業サイクルのパラメータ、例えば荷重の持ち上げ位置、荷重の重量、荷重移動中の平均油温、サイクルタイム等を記述する。この観点にて、機械により生成されるメッセージは、例えばエレクトロニクスにおける過負荷又は解決すべき課題に関する情報である。プロセスデータと、機械により生成されたメッセージとの組み合わせによって、部品故障の後に故障原因たるパターンが認識され得るように、拡張された詳細を当該機械の個別プロセスに追加することが可能になる。このようにして認識されたパターンは、他のユニットにおける事実上の同様の故障を早期に認識するために、他のプロセスにて利用され得る。

作業が常に繰り返しサイクルにて実行されることは、多数の機械にとって典型的である。要約プロセスデータを検出するため、作業の進行中にアルゴリズムによってマシンサイクルが決定され、かつ収集された全ての関連データが１サイクル毎に計算される。作業サイクルを特徴付けるプロセスデータは、とりわけ全ての次元における絶対的及び／若しくは相対的な始点位置並びに終点位置、個々の機械部品の速度、荷重、最大及び最小のパワー、消費、個々の機械部品の温度、油圧条件、並びに／又は、材料応力サイクルを有し得る。循環的な作業ステップの終了時点で、これらのデータは、データベース又はデータベースサーバのような中心的な位置へ転送される。

港湾用移動式クレーンの例を参照しつつ、前述の手順を説明する。この観点にて、港湾用移動式クレーンによる貨物の陸揚げの際に収集されるデータは、例えば、荷上げ及び荷下ろしの位置、並びに各サイクルにて運搬された荷重を含む。この観点にて、例えばハッチ、ホッパー、又はスタックであり得る、個々の荷上げ対象物及び荷下ろし対象物の座標並びに寸法は、位置データに関するクラスター分析の助けを借りて決定される。この観点にて、個々の荷上げ位置及び荷下ろし位置に関する特有の範囲及び位置は、対応する荷上げ対象物及び荷下ろし対象物（ハッチ、ホッパー又はスタック）との対応する連合を実行するという仮定と比較される。したがって、港湾用移動式クレーンの丸１日の作業は、ごく少数のデータにより再構成され得る。

更に、これらのプロセスデータから独立した機械レポートが記録される。これらのレポートは、同一の中心的な位置（データベース）へ転送され、かつ好ましくはプロセスデータとの同期がとられる。機械により生成されたレポートは、例えば、当該機械の過荷重レポート、エネルギータンク、センサの解決すべき課題、システムにおける欠陥のレポート、及び／又は、補助システムからの状態レポートであり得る。また、追加の結論を可能にするように、経時的パターン又は異常性を求めて更なる情報が探索され得る。加えて、機械により生成されたレポート又は当該情報は、プロセスデータに付加される。

更に、損傷プロファイルが当該機械の個々の部品に存在し、かつ部品故障の後に用意される。マシンサイクルのプロセスデータと、機械レポートとは、別々に、また互いに組み合わせて準備のために検討され、かつパターン性、異常性及び不規則性を求めて探索される。この観点にて、探索は、クラスターアルゴリズム及び機械学習アルゴリズムを介して実行され得る。

これらの計算の結果は、一方で、ある部品タイプの統計的に決定された耐用年数パラメータであり、また部品故障に際して見出されて収集された故障パターン（損傷プロファイル）でもある。これらの故障パターンは、機械レポートの経時的パターンだけでなく、マシンサイクルにおける典型的なプロセスデータの偏差をも表し得る。

ここで、港湾用移動式クレーンの例について、以上の議論を再度説明する。例えば、港湾用移動式クレーンにおけるホイストウインチが稼働時間Ｘの後に故障した場合、データの継続的な記録は、基礎としてクレーンの稼働時間が取り上げられるようにするだけでなく、ホイストウインチの実際の使用時間に係る、当該港湾用移動式クレーンの循環的な作業ステップの収集されたデータにより、当該稼働時間を実際に問題とされる時間まで引き下げる。個々の循環的な作業ステップは、より大きい重み付けがなされ得るし、或いはこれに代えて、拡張されたデータ（プロセスデータ又は当該機械により生成されたレポート）の結果、無負荷作業の場合には、より小さい重み付けがなされ得る。ホイストウインチの問題とされる稼働時間Ｙは、クレーンの稼働時間Ｘから再構成され得る。これにより、差し迫った故障の予測が、ホイストウインチの稼働時間Ｙの継続的な観測の助けを借りて、より正確に決定され得る。

個々の部品タイプに関する十分に大きい統計データをデータベースが有する限り、差し迫った部品故障を適切な時期に認識し、また適切な時期に対応策をとるために、更なる手順にて、進行中の作業における上述の見出された故障パターン及び不規則性を求めて探索がなされ得る。

例えば、港湾用移動式クレーンにて部品故障の後に、特定の長さの稼働時間から、より大きい回転速度における特定の作業サイクル内での機械レポートと、しばしば生じる大きい荷重との組み合わせが、当該部品の早期の故障を招来するということが判明したならば、更なる手順にて、まさにこの故障パターンが、稼働中の全てのクレーンにて継続的に探索される。当該故障パターンの記憶場所に関し、危険な部品の修理又は保守が開始される。作業サイクルのプロセスデータ、同期化された機械レポート、作業サイクルを特定するためのクラスターアルゴリズムシステム、及び、パターン認識又は機械学習アルゴリズムが、通例はそのような方法のために用いられる。

図１は、本発明に係る方法の作業フロー図を示している。ステップＳ１は、機械又は部品を稼働状態に置くことを表している。引き続くステップＳ２にて、プロセスデータ、機械レポート及び部品故障は、当該機械の又は当該部品の合計の耐用年数にわたって継続的にデータベースＳ３へ転送される。作業サイクル分析では、ステップＳ４にてプロセスデータの継続的な分析を実行し、かつそれを機械自体により生成されたレポート及びパターンと同期Ｓ５させる。当該機械により実行された個々の作業サイクルは、ステップＳ６にて分類される。

更に、機械レポートは、継続的な分析Ｓ７にかけられる。その中で発見された、認識されたパターンにマーク付けＳ８がなされる。

加えて、部品の差し迫った故障を可能な限り早期に認識するために、既知のパターン／不規則性を求めて、データベースに格納されたデータについて探索Ｓ９がなされる。

次に示す例は、港湾用移動式クレーンが港湾において船からホッパーへ、またそれに隣接するスタックへ貨物を如何にして陸揚げするか、またプロセスデータと機械データとの組み合わせ情報が如何にして予測保守のために用いられるかを示している。

図２に示すように、港湾用移動式クレーン１は特定の地点に位置している。当該クレーンは、ブーム２と、付属のバケット３とを用いて船から貨物を陸揚げする。特定のデータ、例えばバケットへ貨物を入れる地点（丸印）と、バケットから貨物を降ろす地点（星印）との各々の二次元座標が、サイクル認識により１サイクル毎に収集され得る。図２では、３つの大まかな領域が既に視認され得る。すなわち、領域Ｄでは、主にバケットによる荷上げがなされる。領域Ｅでは、高度に集中された態様でバケットの荷下ろしのみがなされる。そして、領域Ｆでは、より散乱した態様でバケットの荷下ろしのみがなされる。更に、一方でパターンを求めて探索され、かつプロセスデータと同期がとられる機械データが記録される。最後に、機械部品の故障時間、例えば滑車が故障した時間も検出される。

更なる手順にて、現プロセスデータの分析により（例えば、従来のクラスターアルゴリズムに基づく既知の位置のクラスタリングにより）、荷上げ地点及び荷下ろし地点の如何なる集積が、如何なる実対象物に割り当てられ得るかが決定される。図３に示すように、領域Ｅにおける荷下ろし地点の分散の小ささにより、実対象物がホッパー４である可能性が非常に高い一方、領域Ｆにおける大きい分散はスタック５であるとの結論を可能にすると決定され得る。領域Ｄにおける多数の荷上げ地点は、船６の位置であるとの結論を可能にする。

この情報は、多数の港湾用移動式クレーンについて継続的に記録される。これにより、港湾用移動式クレーンが荷重のかかった稼働にて運搬を何回実行したか、また当該稼働中に過荷重レポートが何回記録されたかが判る。この例では、更なる手順にて、経時的パターン認識により、過荷重レポートが頻繁に報告される場合には、港湾用移動式クレーンにてロープ滑車が早期に故障するということが見出される。例えば、データのあてはめにより、過荷重レポートは、ロープ滑車にとっての通常の３０作業サイクル分の荷重にほぼ匹敵するということが確認され得る（図４参照）。この知識は、以前の耐用年数に依拠するだけでなく、補正されかつ重み付けされた作業サイクル数にも依拠するようにロープ滑車の故障確率を計算するため、更に処理される。

一旦十分な数のプロセスデータ、機械データ及び故障データが収集されると、港湾用移動式クレーンにおける現在のロープ滑車の状態が、具体的には既に何サイクルが実行されたか、その確率でロープ滑車が何サイクル稼働し続けるか、また予期される故障が過荷重によりどれほどの影響を受けるかが、更なる手順にて計算され得る。

１ 港湾用移動式クレーン
２ ブーム
３ バケット
４ ホッパー
５ スタック
６ 船

Claims (15)

1. 機械の部品の期待耐用年数を推定する方法であって、
   循環的な作業ステップを実行する際に前記機械により検出される前記機械のプロセスデータを記録し、
   前記検出されたデータをデータベースへ転送し、
   前記部品の期待耐用年数を推定するように、前記データベースに格納されたデータを故障パターンリストに依拠して故障パターンについて分析し、
   前記分析されたデータにおいて認識された故障パターンの記憶場所に関する通信を出力する方法。
2. 請求項１記載の方法において、
   前記データは、前記機械の又は前記部品の合計の耐用年数にわたって継続的に前記データベースへ転送され、かつ好ましくは一定の時間間隔で転送される方法。
3. 請求項１又は２に記載の方法において、
   更に前記機械のある部品の故障に関するレポートもまた前記データベースへ転送され、かつ更に、好ましくは故障パターンについての結論が部品の故障に関する前記レポートにより引き出され、当該故障パターンにより前記故障パターンリストが拡張される方法。
4. 請求項１〜３のいずれか１項に記載の方法において、
   前記データベースは、前記機械から離れた位置に配置され、かつ好ましくは分散型のデータベース、又はクラウドベースのデータベースである方法。
5. 請求項１〜４のいずれか１項に記載の方法において、
   前記プロセスデータは、前記機械自体により生成された独自のレポートと組み合わされ、前記機械により生成された独自のレポートは、好ましくは当該目的で前記データベースへ転送される方法。
6. 請求項５記載の方法において、
   前記プロセスデータと、前記機械自体により生成されたレポートとは、別々に、また互いに組み合わせて検討され得て、かつ好ましくはクラスターアルゴリズム及び機械学習アルゴリズムにより、パターン性、異常性及び不規則性を求めて探索され得る方法。
7. 請求項１〜６のいずれか１項に記載の方法において、
   前記機械は複数の循環的な作業ステップを実行し、かつ前記プロセスデータは前記循環的な作業ステップのうちの全てのステップについてのデータレコードを有し、当該データレコードは、好ましくはアルゴリズムの助けを借りて生成される方法。
8. 請求項１〜７のいずれか１項に記載の方法において、
   前記分析されたデータにおける認識された故障パターンの記憶場所に関する通信は、部品の期待耐用年数に関する推定を含み、及び／又は、前記部品の保守若しくは交換の時期を提案する方法。
9. 請求項１〜８のいずれか１項に記載の方法において、
   前記プロセスデータは、前記データベースに格納されたデータの分析に際して、期待耐用年数の推定に関する信頼性を増すために、前記機械自体により生成されたレポートにより重み付けされる方法。
10. 請求項１〜９のいずれか１項に記載の方法において、
    前記機械自体により生成されたレポートは、例えばクレーンからの過荷重レポート、燃料タンク若しくはエネルギータンクの空状態、センサの解決すべき課題、システムにおける欠陥のレポート、及び／又は、補助システムの状態メッセージである方法。
11. 請求項１〜１０のいずれか１項に記載の方法において、
    前記プロセスデータは、個々の循環的な作業ステップのパラメータ、特にある機械部分の若しくは前記機械の全ての空間的次元における相対的な若しくは絶対的な始点位置及び終点位置、個々の機械部品の速度、荷重、最大及び最小のパワー、燃料消費若しくはエネルギー消費、個々の機械部品の温度、部品の稼働年数又は稼働時間、以前の部品耐用年数、並びに／又は、前記機械における油圧条件である方法。
12. 請求項１〜１１のいずれか１項に記載の方法において、
    前記データベースに格納されたデータの分析を、前記機械の稼働中に実行する方法。
13. 請求項１〜１２のいずれか１項に記載の方法において、
    前記データベースに格納されたデータの分析、及び／又は、前記部品の期待耐用年数の推定を、以前の耐用年数に依拠して実行するが、好ましくは以前の耐用年数の合計を用いるのではなく、前記部品が実際に使用された最初の稼働開始時点からの期間のみを用いる方法。
14. 請求項１〜１３のいずれか１項に記載の方法において、
    前記データベースに格納されたデータの分析、及び／又は、前記部品の期待耐用年数の推定を、前記プロセスデータに関し及び／又は前記機械により生成されたレポートに関して異なる重み付けがなされる、以前の部品稼働時間をもとに実行する方法。
15. 請求項１〜１４のいずれか１項に記載の方法において、
    前記機械は、クレーン、例えば港湾用移動式クレーン、建設機械、例えば掘削機、ドリリング及び基礎工事用のユニット、例えばパイルドライブ機械、又は、床面輸送車両、例えばリーチスタッカーである方法。