制造设备诊断辅助装置及制造设备诊断辅助方法与流程

本发明涉及一种对轧制金属材料的轧制生产线或实施退火的退火生产线等设置至少两个以上的类似装置的制造设备的诊断进行辅助的装置及方法。

背景技术：

轧制生产线和退火生产线等制造设备由多个装置构成。当构成制造设备的装置存在故障时，往往会引发产品质量的下降或生产线停止所导致的生产效率下降。而且，并不是仅停留在一个装置出现故障的范围内，还可能以此为开端引发重大事故，给其他装置也带来损害。因此，要求切实诊断制造设备，以便能够在故障发生之前做出应对。

从这样的背景出发，近年来，提出了各种有关制造设备的诊断辅助的方法。其中有代表性的是掌握构成制造设备的装置的异常，以便能够在故障发生之前做出应对的技术。其中多为预先将过往发生过的异常现象作为已知信息存储起来，利用它来判断当前状态是否异常。然而，过往的认知当然有用，但如果不知道过往发生过异常就不能应用过往的认知，在发生了全新的异常时，不能做出应对。

另一方面，国际公开第2015/177870号公开了一种有关制造设备的诊断辅助的新技术。该公报所公开的技术在构成制造设备的装置包含至少两个以上的类似装置的情况下，基于在对象期间从各类似装置提取的数据计算特征量，基于类似装置间的特征量的对比检测异常。根据该技术，不需要对过往出现过的异常现象有认知。

现有技术文献

专利文献

专利文献1：国际公开第2015/177870号

技术实现要素：

发明所要解决的技术问题

国际公开第2015/177870号中计算的特征量有时依赖于装置状态以外的因素，具体而言是所制造的产品的原材料和制造条件等。如果是基于特征量的对比检测异常，则希望考虑装置状态以外的因素所导致的特征量的不同。然而，在国际公开第2015/177870号所公开的技术中，用于对比的特征量仅限于基于由各类似装置在规定期间提取的数据计算出的特征量。因此，在异常检测的判定过程中，很难考虑到依赖于所制造的产品的原材料和制造条件等装置状态以外的因素的特征量的不同。

本发明是鉴于上述技术问题而做出的，提供一种能够在设有至少两个以上的类似装置的制造设备的诊断过程中抑制装置状态以外的因素对诊断造成的影响的装置及方法。

用于解决技术问题的手段

本发明的制造设备诊断辅助装置与数据收集装置连接，通过解析数据收集装置所记录的数据而对制造设备的诊断进行辅助，数据收集装置始终或间歇收集并记录设有至少两个以上的类似装置的制造设备中的各装置的运转数据，本发明的制造设备诊断辅助装置构成如下。

即，本发明的制造设备诊断辅助装置具有：从数据收集装置所记录的数据中提取用于诊断的数据的机构；将所提取的数据按照类似装置的每个同类数据分组的机构；运算分组的数据的特征量的每个组的机构；存储所运算的特征量的机构；将所运算的特征量和所存储的过往特征量以组为单位进行对比，基于对比结果检测异常的机构。

上述各机构的处理可以由构成制造设备诊断辅助装置的计算机执行。也就是说，可以使制造设备诊断辅助装置由具有至少一个处理器和包含至少一个程序的至少一个存储器的计算机构成，至少一个存储器和至少一个程序与至少一个处理器一起使计算机至少作为上述各机构进行动作。

数据收集装置所记录的数据中可以包含表示制造设备内的各装置处于运转中的运转信号。在该情况下，数据提取机构可以构成为：基于数据收集装置所记录的数据中包含的运转信号，提取在各装置的运转中收集的数据。通过将所提取的数据限定为装置运转中的数据，能够提高用于计算特征量的数据的有效性。

异常检测机构可以构成为：在特征量存储机构所存储的特征量中，使用回溯了预先设定的时间的过往特征量，或者使用回溯了预先设定的产品数的过往特征量来进行异常检测。

数据收集装置所记录的数据中可以包含与制造设备在该数据的收集时所制造的产品的原材料或制造条件关联的产品关联信息，利用数据提取机构所提取的数据中可以包含利用特征量运算机构运算特征量所用的数据和产品关联信息。在该情况下，特征量存储机构可以构成为：将与运算特征量所用的数据关联的产品关联信息和该特征量关联地存储。并且，在该情况下，异常检测机构可以构成为：在特征量存储机构所存储的特征量中，使用关联着与由特征量运算机构运算的特征量相同或部分相同的产品关联信息的过往产品制造时的特征量来进行异常检测。通过将制造同样的产品时的特征量用于对比，能够提高异常检测的精度。

并且，异常检测机构可以构成为：使用由特征量运算机构运算的多个特征量的代表值和特征量存储机构所存储的多个过往特征量的代表值来进行异常检测。通过使用多个特征量的代表值而不是单一的特征量来进行异常检测，能够抑制突发的数据变动等对诊断造成影响。

特征量存储机构可以构成为：在利用异常检测机构检测到异常的情况下，将检测到异常的特征量与检测结果关联地存储。在该情况下，异常检测机构可以构成为：在特征量存储机构所存储的特征量中，使用未检测到异常的过往特征量来进行异常检测。通过从后面的判断中排除检测到异常的特征量，能够提高基于特征量的异常检测的精度。

并且，本发明的制造设备诊断辅助装置可以具有监视数据生成机构，该监视数据生成机构根据经由输入装置指定的条件对特征量存储机构所存储的特征量进行提取或加工，生成应向显示装置输出的监视用数据。通过在显示装置中显示用户所希望的监视用数据，提高了对制造设备诊断的辅助程度。

另外，本发明的制造设备诊断辅助方法利用数据收集装置始终或间歇收集并记录设有至少两个以上的类似装置的制造设备中的各装置的运转数据，通过解析数据收集装置所记录的数据而对制造设备的诊断进行辅助，具有以下步骤。

即，本发明的制造设备诊断辅助方法具有：从数据收集装置所记录的数据中提取用于诊断的数据的步骤；将所提取的数据按照类似装置的每个同类数据分组的步骤；运算分组的数据的特征量的每个组的步骤；将所运算的特征量存储于存储装置的步骤；以及将新运算的特征量和存储装置所存储的过往特征量以组为单位进行对比，基于其对比结果检测异常的步骤。

数据收集装置所记录的数据中可以包含表示制造设备中的各装置处于运转中的运转信号。在该情况下，数据提取步骤可以是如下步骤：基于数据收集装置所记录的数据中包含的运转信号，提取在各装置的运转中收集的数据。

异常检测步骤可以是如下步骤：在存储装置所存储的特征量中，使用回溯了预先设定的时间的过往特征量，或者使用回溯了预先设定的产品数的过往特征量来进行异常检测。

数据收集装置所记录的数据中可以包含与制造设备在该数据的收集时所制造的产品的原材料或制造条件关联的产品关联信息，在数据提取步骤中提取的数据中可以包含在特征量运算步骤中运算特征量所用的数据和产品关联信息。在该情况下，特征量存储步骤可以是如下步骤：将与运算特征量所用的数据关联的产品关联信息和该特征量关联地存储于存储装置。并且，在该情况下，异常检测步骤可以是如下步骤：在存储装置所存储的特征量中，使用关联着与新运算的特征量相同或部分相同的产品关联信息的过往产品制造时的特征量来进行异常检测。

并且，异常检测步骤可以是如下步骤：使用新运算的多个特征量的代表值和存储装置所存储的多个过往特征量的代表值来进行异常检测。

特征量存储步骤可以是如下步骤：在检测到新运算的特征量异常的情况下，将检测到异常的特征量与检测结果关联地存储于存储装置。在该情况下，异常检测步骤可以是如下步骤：在存储装置所存储的特征量中，使用未检测到异常的过往特征量来进行异常检测。

并且，本发明的制造设备诊断辅助方法可以具有监视数据生成步骤，该监视数据生成步骤根据经由输入装置指定的条件对存储装置所存储的特征量进行提取或加工，生成应向显示装置输出的监视用数据。

此外，根据本发明，还提供了用于使计算机执行上述制造设备诊断辅助方法中的各步骤的处理的程序和存储了该程序的存储介质。

发明效果

根据本发明，从数据收集装置所记录的数据、即制造设备中的各装置的运转数据中提取用于诊断的数据。将所提取的数据按照类似装置的同类数据分组，在组内对分组的数据运算用于进行诊断的特征量。运算出的特征量被存储于存储装置。并且，将新运算的特征量和存储装置所存储的过往特征量进行对比，并基于其对比结果进行异常检测。通过向用户提供该异常检测结果，用户能够容易地判断构成制造设备的装置是否产生了异常。

并且，根据本发明的制造设备诊断辅助装置及制造设备诊断辅助方法，将所运算的特征量的对比对象设为存储装置所存储的该装置相关的过往特征量，而不是同期运算的其它装置相关的特征量，因此能够从较宽的范围选择对比对象。因此，即使特征量依赖于正在制造的产品的原材料和制造条件等，也能够通过适当选择设为对比对象的过往特征量，来抑制装置状态以外的因素对诊断造成的影响。

附图说明

图1是表示本发明的实施方式的系统的结构的图。

图2是表示本发明的实施方式的制造设备诊断辅助装置的结构的图。

图3是说明本发明的实施方式中的数据提取的一个例子的图。

图4是说明本发明的实施方式中的异常检测的一个例子的图。

图5是说明本发明的实施方式中的异常检测的一个例子的图。

具体实施方式

参照附图对本发明的实施方式进行说明。不过，以下所示的实施方式用于例示将本发明的技术思想具体化的装置和方法，除了特别明示的情况以外，就没有将结构部件的构造和配置、处理顺序等限定为下述情况的意图。本发明不限于以下所示的实施方式，能够在不脱离本发明主旨的范围内进行各种变形来实施。

图1是表示本发明的实施方式的系统的结构的图。本实施方式的制造设备诊断辅助装置(以下简称为“诊断辅助装置”)10的诊断辅助对象即制造设备是薄板热轧生产线20。图1所示的薄板热轧生产线20具有加热炉21、粗轧机22、23、板带加热器24、精轧机25、输出辊道26、卷取机27等各种装置。在加热炉21中加热过的轧制材料100被两个粗轧机22、23轧制。在粗轧机22、23中轧制过的轧制材料100被经板带加热器24送向精轧机25。精轧机25具有串联排列的七台轧制机架f1～f7，将轧制材料100轧制至所希望的板厚。在精轧机25中轧制过的轧制材料100在输出辊道26中冷却，之后被卷取机27卷取成卷状。将轧制材料100轧薄而成的卷状薄板是最终产品。另外，薄板热轧生产线20中，配置有用于测量精轧机25的输入侧的温度的温度计30、用于测量板厚及板宽的传感器31、用于测量精轧机25的输出侧的温度的温度计32、用于测量卷取机27的输入侧的温度的温度计33等各种传感器类。

薄板热轧生产线20中设有数据收集装置28。为了确保或管理产品质量，数据收集装置28始终或间歇收集对构成薄板热轧生产线20的各装置的设定值和实际值、传感器的测定值、以及用于使装置适当动作的操作量等各种运转数据，并将其记录于硬盘等记录装置。数据收集装置28既可以由单一的计算机构成，也可以由与因特网连接的多个计算机构成。

在利用数据收集装置28收集运转数据的装置中包含精轧机25的轧制机架f1～f7。七台轧制机架f1～f7虽然在用于驱动上下轧辊的大容量电动机、将辊子与电动机连结的轴、使辊子上下动作的下压装置等细微设计方面有所不同，但是其基本结构是相同的。故而，轧制机架f1～f7相当于类似装置，具体而言是具有相同的基本机构，且在设计及使用条件方面相当于类似装置。

诊断辅助装置10通过lan与数据收集装置28连接。诊断辅助装置10不是给出对薄板热轧生产线20的诊断结果的装置，而是对用户所进行的薄板热轧生产线20的诊断进行辅助的装置。更具体而言，诊断辅助装置10是一种从数据收集装置28所记录的数据中提取用于诊断薄板热轧生产线20的数据并对其解析，并通过将其解析结果提供给用户而对辅助用户进行诊断的装置。诊断辅助装置10是具有至少一个存储器和至少一个处理器的计算机。在存储器中，存储用于辅助诊断的各种程序和各种数据。另外，在诊断辅助装置10上，连接有用于显示解析结果的显示装置18和用于输入用户的指令的键盘、鼠标触摸板等输入装置19。

图2是表示诊断辅助装置10的结构的图，用模块表示了诊断辅助装置10所具有的功能。诊断辅助装置10具有数据提取部11、数据分组部12、特征量运算部13、特征量存储部14、异常检测部15及监视数据生成部16。由这些功能部11～16进行的处理与本发明的制造设备诊断辅助方法中的各步骤的处理对应。通过利用处理器执行从诊断辅助装置10的存储器读取的程序，从而利用计算机实现这些功能部11～16的功能、也就是作为诊断辅助装置10的功能。此外，使计算机作为诊断辅助装置10发挥功能的上述程序是经由网络或计算机可读取的存储介质(例如cd-rom、dvd、usb存储器等)提供的。以下、对构成诊断辅助装置10的功能部11～16的功能进行说明。

数据提取部11具有从数据收集装置28提取类似装置的运转数据的功能(作为数据提取机构的功能)。在类似装置的例子即轧制机架f1～f7的情况下，，数据提取部11所提取的运转数据中包含各轧制机架f1～f7的轧制载荷、电动机电流、速度、下压位置等。优选的是，在轧制机架f1～f7的运转数据中，提取在轧制机架f1～f7的运转中收集的数据、即轧制中的数据。是否处于轧制中，能够从数据自身的大小及其变化等作出判断。例如，如果所提取的数据是轧制载荷，则如图3所示，轧制载荷的大小在轧制中和非轧制中改变，因此通过设定某一阈值，就能够从轧制载荷的大小判断出是轧制中和非轧制中的哪一个。表示处于轧制中的运转中信号在控制轧制机架f1～f7的未图示的控制装置中生成，并与轧制载荷数据一起被数据收集装置28收集，且与轧制载荷数据关联地存储起来。或者，数据提取部11也可以在从数据收集装置28提取数据(不限于轧制载荷数据)时，核查数据收集装置28所记录的轧制载荷数据，一旦轧制载荷超过阈值就从数据收集装置28读取该数据。此外，在图3所示的例子中，虽然是基于轧制载荷数据自身的大小生成运转中信号，但是也可以与在轧制中和非轧制中变化的特定现象关联地生成运转中信号。另外，如果作为提取对象的数据不同，则也可以按照各个对象生成运转中信号。

数据分组部12具有将利用数据提取部11提取的数据按照类似装置的同类数据分组的功能(作为数据分组机构的功能)。在轧制机架f1～f7的情况下，轧制载荷、电动机电流、速度、下压位置等可以分别作为同类数据处理。不过，不必局限于轧制机架f1～f7全部具有同类数据。例如，也存在轧制机架f1～f4具有、而轧制机架f5～f7不具有的数据。在该情况下，只要排除轧制机架f5～f7，对轧制机架f1～f4间相同的数据分组即可。

特征量运算部13具有运算由数据分组部12分组的数据的特征量的功能(作为特征量运算机构的功能)。所谓特征量，可以定义成容易显现数据所具有的特征的量。作为特征量的运算方法的一个例子，可以使用平均值、标准偏差、最大值/最小值等统计学处理和主成分分析等。除此以外，也可以通过傅里叶解析和子波变换等方法求出特征量。另外，还可以将组内的数据间的相关系数和分类学距离等距离用作特征量。此外，此处列举的方法只是一个例子，通过此处列举的方法以外的方法求出特征量也没有问题。并且，根据运算特征量的数据内容的不同，在进行特征量运算前对所提取的实施滤波处理或者求出所提取的数据与经滤波处理的数据的差值等也较为有效。

特征量存储部14具有将特征量运算部13运算所得的特征量按组存储于存储装置的功能(作为特征量存储机构的功能)。存储特征量的存储装置只要能够更新数据即可，其种类不限。例如，既可以是半导体存储器，也可以是硬盘，还可以是dvd。优选的是，在将特征量存储于存储装置时，将与特征量有关系的产品关联信息与特征量关联地存储起来。所谓产品关联信息，是指与在数据收集装置28收集成为特征量基础的数据时被轧制的轧制材料100的原材料(例如钢种)和轧制条件(例如坯料厚度、产品厚度、宽度、温度等)有关的信息。产品关联信息包含于利用数据收集装置28收集、记录的数据。由于特征量依赖于轧制材料100的原材料和制造条件，因此通过预先使产品关联信息特征量关联，能够正确地对特征量进行评价。

异常检测部15具有将特征量运算部13新运算的特征量和特征量存储部14所存储的过往特征量以组为单位进行对比，基于其对比结果检测异常的功能(作为异常检测机构的功能)。具体而言，在获知新运算的特征量相对于过往特征量大幅度变化的情况下，异常检测部15将其检测为异常。作为用于对比的过往特征量，可以是在最近的轧制中得到的特征量。所谓最近的轧制，表示上次轧制或者数根前进行的轧制。另一方面，无论是否发生了异常，在其所导致的特征量变化较小的情况下，即使将其与相近的过往特征量对比，也很难从其变化量捕捉到异常。在这样的情况下，通过与更远的过往、例如一个月前的特征量对比，特征量的变化就会变大，从特征量的变化量就能够检测出异常。选定为对比对象的过往特征量可以根据所回溯的时间、或者所回溯的产品数的设定而任意改变。设定的变更可以使用输入装置19进行。异常检测部15具有在检测到异常的情况下将其通知给用户的功能、例如向显示装置18输出警报或者通过邮件联络用户(在此为保养人员)的功能。

如果产品关联信息与特征量关联，就能够利用产品关联信息分选出作为对比对象的过往特征量。优选的是，在特征量存储部14所存储的过往特征量中，将关联着与本次新运算的特征量相同的产品关联信息的过往产品制造时的特征量选作对比对象。这样一来，能够抑制在轧制材料的原材料不同或轧制条件不同这些装置状态以外的因素的影响下导致不能检测或者错误地检测异常。此外，所选择的过往特征量的产品关联信息也可以不全部与本次新运算的特征量相同。例如，在原材料不同相比于轧制条件不同对特征量的影响更大的情况下，也可以选择关联着仅原材料相同的产品关联信息的过往特征量。这样，通过对作为对比对象的过往特征量进行限定，能够提高异常检测的精度。

接着，对具体的异常检测方法进行说明。图4及图5是表示将轧制机架f1～f7的本次特征量与过往特征量分别进行对比的例子的图。特征量在轧制机架f1～f7之间相同，例如是轧制载荷。作为异常检测方法的一个方案，可以认为如果本次特征量在与过往特征量的对比中例如变化30％以上，就将其检测为异常。

在图4所示的例子中，在轧制机架f1～f7的特征量中，仅f5的本次特征量相对于过往特征量大幅度变化。根据上述方案，判断为仅f5有异常，这对于图4所示的例子可以说是妥当的判断。然而，如图5所示的例子那样，还可以认为过往特征量全体相比于本次特征量都大。在该情况下，当按照上述方案进行异常检测时，就会判断为除f5以外全部都有异常。这可以说是明显错误的判断。之所以会作出这种错误判断，是因为上述方案以特征量的大小在全部的产品制造中都为相同程度为前提，而实际上，还要考虑特征量如图5所示全体变大，或者反过来变小。

为了防止这种误判断，异常检测部15对特征量的对比就要将轧制机架f1～f7作为一个组，以组为单位进行，而不是分轧制机架进行。具体而言，对于本次特征量和过往特征量，分别在轧制机架f1～f7间取特征量之比。具体而言，将轧制机架f1～f7的特征量中的最小值或最大值设定为基准值，对于轧制机架f1～f7，分别计算特征量与该基准值之比。并且，对于轧制机架f1～f7，分别计算过往特征量与基准值之比和本次特征量与基准值之比之间的变化率，并在轧制机架f1～f7之间对变化率进行对比。此时，可以在将各变化率进行标准化处理后再对比。异常检测部15检查是否存在变化率与其它大幅度不同的轧制机架，如果存在变化率与其它大幅度不同的轧制机架，则将其检测为异常。在图5所示的例子中，由于仅f5的变化率与其它大幅度不同，因此异常检测部15判断为仅f5有异常。在图4所示的例子中，异常检测部15判断为仅变化率与其它大幅度不同的f5有异常。这样，根据本实施方式所采用的异常检测方法，无论是在轧制机架f1～f7中的哪一个发生了异常的情况下，都能够切实地检测到该异常。不过，由于此处说明的异常检测方法是一个例子，因此采用其它方法当然也是可以的。

此外，在例如轧制材料100的质量较低的情况下，数据收集装置28所收集的数据有时会发生突发变动。如果所收集的数据包含变动，则基于它算出的特征量往往也产生超出预想的变动。为了避免这样的突发变动的影响波及到异常检测精度，可以求出多个(例如轧制材料为三根)特征量的代表值(例如平均值或中央值等)，基于本次特征量的代表值与过往特征量的代表值的对比进行异常检测。这样一来，能够抑制突发的数据变动对诊断造成影响。

另外，优选的是，异常检测部15在检测到异常的情况下将这个意思通知给特征量存储部14，特征量存储部14将检测到异常的特征量与检测结果关联地存储起来。并且，异常检测部15在特征量存储部14所存储的特征量中，将未检测到异常的特征量用作异常检测中的对比对象。也就是说，将检测到异常的特征量从后面的判断中排除。这样一来，能够提高基于特征量的异常检测的精度。

最后，对监视数据生成部16进行说明。监视数据生成部16具有生成用于使用户容易监视特征量的变化趋势等的视用数据的功能(作为监视数据生成机构的功能)。例如，将每一根的特征量的时间序列数据输出到显示装置18，或者运算每一天的特征量的平均值或标准偏差、最大值/最小值等，并将其时间序列数据输出到显示装置18。由此，能够监视特征量的长期变化趋势。另外，还可以在用户经由输入装置19指定的钢种或板厚、板宽等条件下取出特征量，并输出到显示装置18。在此，钢种等的指定能够由用户从显示装置自由地设定。由此，还能够分产品进行监视。

此外，在上述实施方式中，将精轧机25的轧制机架f1～f7举作类似装置的例子、将轧制载荷用为同类数据进行了说明，但本发明不因此受限。本发明也能够应用于实施退火的退火生产线，又还能够应用于连续冷轧机。

附图标记说明

10：诊断辅助装置

11：数据提取部

12：数据分组部

13：特征量运算部

14：特征量存储部

15：异常检测部

16：监视数据生成部

18：显示装置

19：输入装置

20：薄板热轧生产线(制造设备)

25：精轧机

28：数据收集装置

100：轧制材料

f1～f7：轧制机架(类似装置)