[发明专利]故障预测设备和故障预测方法

说明书

本发明提供了一种能够预测准确劣化状态的故障预测设备和故障预测方法。一种故障预测设备，用于预测其劣化状态随时间的经过而转变的目标设备的故障，包括分别与所述目标设备的劣化状态相对应的自动编码器AED1至AED4。与第一劣化状态相对应的自动编码器AED2基于状态信号来确定所述目标设备是否存在于所述第一劣化状态，所述状态信号指示所述目标设备的状态。在确定所述目标设备未存在于所述第一劣化状态的情况下，与第二劣化状态相对应的所述自动编码器AED3基于所述状态信号来确定所述目标设备是否存在于所述第二劣化状态。

相关申请的交叉引用

于2021年6月22日提交的包括说明书、附图和摘要的日本专利申请号2021-103286的公开内容通过引用全部并入本文。

背景技术

本发明涉及一种故障预测设备和故障预测方法，并且例如本发明涉及一种使用人工智能(在下文中称为“AI”)的故障预测设备和故障预测方法。

作为用于确定设备故障的技术，例如专利文献1描述了一种使用机器学习(它是AI的一个示例)的技术。专利文献1描述了一种通过使用检测值和学习模型来确定故障的技术。

下面列举了所公开的技术。

[专利文献1]日本未审查专利申请公开号2020-137327号。

发明内容

可以想象使用AI来确定设备的劣化状态并且预测故障。

在这种情况下，可以想象使用长短期记忆(LSTM)技术作为AI。利用LSTM技术，通过将过去的信息存储在存储器中并且将过去的信息并入到推断计算中，可以组合过去的状态和当前的信息来预测当前状态和未来趋势，并且这使得可以预测目标设备的故障。

在这种情况下，当目标设备的状态转变的时间常数(间隔)短时，可以抑制要被存储的过去信息量的增加。可以使用LSTM技术实现故障预测设备。然而，在目标设备(诸如电动机)的状态转变的时间常数相对较长的情况下，过去的信息量变得非常大。因此，实际上难以通过少数零件，例如一个处理器(半导体器件)来实现故障预测设备。

另一方面，在目标设备的时间常数相对较长的情况下，作为语言估计目标设备的劣化状态的技术，以下技术可以被考虑。即，可以想象通过将目标设备置于某种劣化状态，改变目标设备的实际安装条件下可能出现的环境条件(温度、负载条件等)，获得指示目标设备的状态的状态信号作为一定时间段的时序信息，并且将其用作AI的学习信息来实现故障预测设备。在这种情况下，可以抑制信息量的增加。然而，与LSTM技术不同，由于目标设备的劣化状态仅通过当前时间的信息来估计，因此存在难以估计准确劣化状态的问题。

专利文献1仅描述了作为目标设备的电动机，而没有描述准确的劣化状态被估计以预测目标设备的故障。

将在下面简要解释本申请中公开的实施例中的代表性实施例之一的概要。

一种故障预测设备，用于预测其劣化状态随时间的经过而转变的目标设备的故障，该故障预测设备包括：多个自动编码器，分别与目标设备的劣化状态相对应，该多个自动编码器包括第一自动编码器和第二自动编码器，该第一自动编码器与第一劣化状态相对应的，并且该第二自动编码器与第二劣化状态相对应，该第二劣化状态不同于第一劣化状态。第一自动编码器基于指示目标设备的状态的状态信号来确定目标设备是否存在于第一劣化状态。在第一自动编码器确定目标设备未存在于第一劣化状态的情况下，第二自动编码器基于状态信号来确定目标设备是否存在于第二劣化状态。

其他目的和新特征将通过本说明书和附图的描述变得明显。

根据一个实施例，可以提供一种能够预测准确劣化状态的故障预测设备。

附图说明

图1是用于解释根据实施例的故障预测设备的推断的视图。