CN107122830A - 分析设备和分析系统 - Google Patents

分析设备和分析系统 Download PDF

Info

Publication number
CN107122830A
CN107122830A CN201710099578.0A CN201710099578A CN107122830A CN 107122830 A CN107122830 A CN 107122830A CN 201710099578 A CN201710099578 A CN 201710099578A CN 107122830 A CN107122830 A CN 107122830A
Authority
CN
China
Prior art keywords
fallout predictor
analytical equipment
prediction
fallout
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710099578.0A
Other languages
English (en)
Other versions
CN107122830B (zh
Inventor
小松逸人
加藤公
加藤公一
山本吉二
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
JTEKT Corp
Original Assignee
JTEKT Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Priority claimed from JP2016254446A external-priority patent/JP7147131B2/ja
Application filed by JTEKT Corp filed Critical JTEKT Corp
Publication of CN107122830A publication Critical patent/CN107122830A/zh
Application granted granted Critical
Publication of CN107122830B publication Critical patent/CN107122830B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B19/00—Single-purpose machines or devices for particular grinding operations not covered by any other main group
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/02—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation according to the instantaneous size and required size of the workpiece acted upon, the measuring or gauging being continuous or intermittent
    • B24B49/04—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation according to the instantaneous size and required size of the workpiece acted upon, the measuring or gauging being continuous or intermittent involving measurement of the workpiece at the place of grinding during grinding operation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B24B49/10—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation involving electrical means
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B5/00—Machines or devices designed for grinding surfaces of revolution on work, including those which also grind adjacent plane surfaces; Accessories therefor
    • B24B5/36—Single-purpose machines or devices
    • B24B5/42—Single-purpose machines or devices for grinding crankshafts or crankpins
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F16—ENGINEERING ELEMENTS AND UNITS; GENERAL MEASURES FOR PRODUCING AND MAINTAINING EFFECTIVE FUNCTIONING OF MACHINES OR INSTALLATIONS; THERMAL INSULATION IN GENERAL
    • F16C—SHAFTS; FLEXIBLE SHAFTS; ELEMENTS OR CRANKSHAFT MECHANISMS; ROTARY BODIES OTHER THAN GEARING ELEMENTS; BEARINGS
    • F16C3/00—Shafts; Axles; Cranks; Eccentrics
    • F16C3/04—Crankshafts, eccentric-shafts; Cranks, eccentrics
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32194—Quality prediction
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32205—Use model error adapted to type of workpiece
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34291—Programmable interface, pic, plc
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Mechanical Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Manufacturing & Machinery (AREA)
  • Computational Linguistics (AREA)
  • General Factory Administration (AREA)

Abstract

提供了一种能够提高分析结果的准确度的分析设备以及一种分析系统。分析设备(100)在作为生产设施的磨床(1)生产作为生产对象的曲轴(W)的过程中做出关于生产设施的质量状况或生产对象的质量状况的预测。分析设备(100)包括：多个预测器(A至H)，其基于关于生产设施的数据通过使用不同的分析方法来做出关于质量的预测；选择单元(112)，其从多个预测器(A至H)选择多个使用预测器；以及总体预测器(113)，其基于由选择单元(112)选择的多个使用预测器获得的多个预测结果来计算关于质量的综合预测结果。

Description

分析设备和分析系统
技术领域
本发明涉及分析设备和分析系统。
背景技术
在专利文献1中，公开了一种分析模型确定装置，该分析模型确定装置旨在通过从三个分析模型中确定出最佳分析模型来提高分析的准确度。根据专利文献1的分析模型确定装置包括数据分析单元，该数据分析单元将学习数据应用于要学习的三个分析模型，然后，对每个分析模型采用评估数据来测量缺省概率。之后，数据分析单元对三个分析模型的相应测量结果进行比较，并且将具有最高准确度的分析模型确定为最佳分析模型。
相关技术列表
专利文献
[专利文献1]：JP2002-109208A
发明内容
本发明要解决的问题
这里，已知有一种分析设备，该分析设备在生产设施生产和加工生产对象的过程中在生产期间做出关于生产设施的质量状况或生产对象的质量状况的预测。在这样的分析设备中，预测准确度趋于根据生产设施被布置的环境或生产设施的使用状态而不同。因此，通过基于之前学习的测量结果确定的分析模型的预测准确度可能小于另一分析模型的预测准确度。在该情况下，降低了分析设备的分析结果的准确度。
本发明的目的是提供一种能够提高分析结果的准确度的分析设备和分析系统。
解决问题的手段
公开了一种根据本发明的分析设备，该分析设备在生产设施对生产对象进行生产的过程中做出关于生产设施的质量状况或生产对象的质量状况的预测，该分析设备包括：多个预测器，其基于关于生产设施的数据通过使用不同的分析方法来做出关于质量的预测；选择单元，其从多个预测器中选择多个使用预测器；总体预测器，其基于由多个使用预测器获得的多个预测结果来计算关于质量的综合预测结果；以及预测准确度计算单元，其基于由多个预测器各自做出的预测结果和关于质量的检验结果来计算由多个预测器各自做出的预测的准确度，其中，选择单元基于由预测准确度计算单元计算的预测准确度来从多个预测器中选择多个使用预测器。
在根据本发明的分析设备中，选择单元基于预测准确度来从多个预测器中选择多个使用预测器，并且总体预测器使用所述多个使用预测器，由此可以在生产设施被布置的环境和生产设施的使用状态中获得高预测准确度。总体预测器基于由多个使用预测器获得的多个预测结果来计算关于生产设施的质量状况或生产对象的质量状况的综合预测结果。因此，根据本发明的分析设备可以提高分析结果的准确度。
预测准确度计算单元基于由多个预测器各自做出的预测结果和关于质量的检验结果来计算由多个预测器各自做出的预测的准确度。然后，选择单元基于由预测准确度计算单元计算的预测准确度来选择使用预测器。因此，总体预测器可以基于由具有高预测准确度的多个使用预测器获得的多个预测结果来计算综合预测结果。因此，根据本发明的分析设备可以提高分析结果的准确度。
根据本发明的分析系统包括作为上述分析设备的第一分析设备和第二分析设备，第二分析设备连接至网络以与第一分析设备进行数据通信。第二分析设备被设置成通过使用多个预测器中的与使用预测器不对应的辅助预测器做出关于质量的预测，并且计算由辅助预测器做出的预测的准确度。选择单元基于由预测准确度计算单元计算的使用预测器的预测准确度和在第二分析设备中计算的从辅助预测器获得的预测准确度来使用具有较高预测准确度的辅助预测器替换已经被选择作为使用预测器的预测器中的一部分预测器。
在根据本发明的分析系统中，第二分析设备通过辅助预测器做出关于质量的预测。如果第一分析设备通过所有多个预测器做出关于质量的预测，则需要花费时间计算使用预测器的预测结果并且计算综合预测结果。然而，可以通过由第二分析设备通过辅助预测器做出关于质量的预测来缩短用于计算使用预测器的预测结果和综合预测结果所需的时间。优选的是，第二分析设备通过所有辅助预测器做出关于质量的预测，并且第一分析设备不通过辅助预测器做出关于质量的预测，或者还优选的是第一分析设备和第二分析设备分别通过一部分辅助预测器做出关于质量的预测。
公开了一种根据本发明的分析设备，该分析设备在生产设施对生产对象进行生产的过程中做出关于生产设施的质量状况或生产对象的质量状况的预测，该分析设备包括：多个预测器，其基于关于生产设施的数据通过使用不同的分析方法来做出关于质量的预测；以及总体预测器，其基于由所述多个预测器获得的多个预测结果来计算关于质量的综合预测结果，其中，所述多个预测器包括基于在生产设施的生产加工时获得的同一分析对象数据通过不同的分析方法做出预测的至少两个或更多个预测器。
在根据本发明的分析设备中，总体预测器基于针对关于生产设施的同一分析对象数据通过使用不同的分析方法做出预测的至少两个或更多个预测器的预测结果来计算综合预测结果。也就是说，可以通过利用即使在使用同一分析对象数据的情况下预测结果根据分析方法而不同的事实来做出多维分析。因此，根据本发明的分析设备可以提高分析结果的准确度。
附图说明
图1是示出了使用根据本发明的一种实施方式的分析设备的磨床的结构的视图；
图2是示出了分析设备的配置的框图；
图3是示出了在总体预测器中执行的计算方法的示例的表；
图4是示出了在预测准确度计算单元中执行的计算方法的示例的表；
图5是示出了根据第二实施方式的分析系统的配置的框图；以及
图6是示出了第二分析设备的配置的框图。
具体实施方式
在下文中，将参照附图说明根据本发明的实施方式的分析设备。生产设施是生产给定生产对象的设施。生产设施包括诸如机床、输送装置和工业机器人的各种设施。生产设施例如是在生产线中负责机械加工的机床即用于磨削曲轴的磨床、用于从机床载入和载出的输送机等。在本实施方式中，生产设施例如是磨床。首先，将参照图1说明作为使用根据本发明的一种实施方式的分析设备100的生产设施的示例的磨床1。
<1.第一实施方式>
(1-1.磨床1的结构)
如图1所示，磨床1是砂轮座横放型磨床，其执行对作为生产对象的曲轴W的曲轴颈、曲轴销等的磨削工作。床身2被固定至磨床1的安装表面，并且可旋转地支撑曲轴W的两端的主轴装置3和尾座装置4被附接至床身。曲轴W由主轴装置3和尾座装置4支撑，以围绕曲轴颈旋转。主轴装置3包括马达31，马达31驱动曲轴W旋转。
此外，在床身2上设置有砂轮座5。砂轮座5沿Z轴方向(曲轴W的轴向方向)和X轴方向(与曲轴W的轴线正交的方向)移动。砂轮座5通过马达51沿Z轴方向移动，并且通过马达52沿X轴方向移动。砂轮座5设置有检测器53和检测器54。检测器53检测砂轮座5在Z轴方向上的位置，并且检测器54检测砂轮座5在X轴方向上的位置。在本实施方式中，马达51、52的测量旋转等的旋转编码器被用作检测器53、54，然而，线性位置检测器如线性标尺可以被用作检测器53、54。
砂轮座5设置有砂轮6以便于旋转。砂轮6由马达61驱动以旋转，从而对曲轴销或曲轴颈进行磨削。砂轮座5还设置有检测器62，检测器62对马达61的电流进行检测。虽然电流表被用作检测器62，但是可以将检测马达61的电压和功率的电压表、瓦特计等用作检测器62。此外，在床身2上设置有定型装置7。定型装置7测量作为曲轴W的磨削部的曲轴销或曲轴颈的外径。
此外，在床身2中设置有泵81、阀82和检测器83。泵81给磨削部供给冷却剂。阀82在用于供给冷却剂的ON/OFF之间切换。检测器83检测阀82的状态。虽然在本实施方式中将检测冷却剂流量的流量计用作检测器83，但也可以将检测冷却剂的压力的压力计用作检测器83。在床身2中还设置有检测环境温度(外部空气温度)的检测器84。
磨床1还包括CNC(计算机化数字控制)装置91、PLC(可编程逻辑控制器)92、控制面板93和分析设备100。CNC装置91控制主轴装置3的马达31，砂轮座5的马达51、52，以及砂轮6的马达61。CNC装置91在执行控制时从砂轮座5中的马达51、52的检测器53、54和砂轮6中的马达61的检测器62获取检测信息。PLC 92从定型装置7获取检测信息，以及通过对泵81和阀82的控制来控制冷却剂的供给。PLC 92在对冷却剂的供给进行控制时从阀82的检测器83获取检测信息。PLC 92从检测器84获取关于环境温度的检测信息。
分析设备100做出关于生产设施的质量状况或者由生产设施生产的生产对象的质量状况的预测。例如，由于在生产对象中发生磨削烧伤，分析设备100做出预测：该生产对象是不良品。分析设备100还做出关于形成生产设施的各部件的故障、寿命和维护定时的预测。在本实施方式中，分析设备100在对作为生产对象的曲轴W的曲轴颈、曲轴销等执行磨削工作的过程中做出曲轴W是否是良品的预测。
将分析设备100作为与CNC装置91和PLC 92分立的设备进行说明，但是，分析设备100可以是CNC装置91或PLC 92的嵌入式系统，该嵌入式系统可以为个人计算机或服务器。
此外，在本实施方式中，分析设备100被设置在一个磨床1中。分析设备100还连接至设置在磨床1中的各个检测器53、54、62、83、84、CNC装置91和PLC 92，以与它们进行数据通信。
这里，一个分析设备100可以连接至网络，以与诸如多个磨床1的多个生产设施进行数据通信。在该情况下，包括分析设备100和各个检测器53、54、62、83和84的网络系统(分析系统)可以构建边缘计算。边缘计算是连接至狭窄区域中的网络的系统，该系统是能够在接近数据的生成源的地方进行数据处理的系统。通过边缘计算构建的分析设备100可以使用使多个磨床1合为一体的服务器(被称为边缘服务器等)。
包括分析设备100和各个检测器53、54、62、83和84的网络系统(分析系统)还可以构建雾计算。与边缘计算相比，雾计算是连接至较宽区域中的网络的系统。雾计算例如被安装在同一建筑物中或邻近建筑物内(在预定区域中)。
包括分析设备100和各个检测器53、54、62、83和84的网络系统(分析系统)还可以构建云计算，云计算可以在不考虑地点的情况下安装。与雾计算相比，云计算是连接至较宽区域中的网络的系统。
也就是说，构建雾计算的网络中的数据传输速率比构建云计算的网络中的数据传输速率显著更快。因此，与云计算相比，在构建雾计算的网络中，可以在较短时间中传送大量数据。此外，构建边缘计算的网络中的数据传输速率比构建雾计算的网络中的数据传输速率更快。因此，与雾计算相比，在构建边缘计算的网络中，可以在较短时间中传送大量数据。
顺便提及，边缘计算中所连接的生产设施的数目较小，云计算中所连接的生产设施的数目较大，并且雾计算中所连接的生产设施的数目处于中间。因此，当进行实时处理时，边缘运算是优选的；当处理多种数据时，云计算是优选的；并且当处理多种数据同时确保一定程度的实时性时，雾计算是优选的。
(1-2.分析设备100的配置)
接下来，将参照图2说明分析设备100的配置。分析设备100是在对作为生产对象的曲轴W(参见图1)的曲轴颈、曲轴销等执行磨削工作的处理中分析曲轴W是否是良品的设备。分析设备100包括：预测单元110、计算单元120、数据存储单元130、预测结果存储单元140和检验结果存储单元150。
预测单元110基于在磨削工作时获得的数据和由操作者等预先输入的各种信息等来做出关于被执行磨削工作的曲轴W是否是良品的预测。计算单元120使用关于作为最终产品的曲轴W是否是良品的检验结果对由预测单元110获得的预测结果进行检查。然后，计算单元120将计算的结果馈送回预测单元110。
数据存储单元130存储由操作者等输入的各种信息。作为存储在数据存储单元130中的信息，列出了关于预测单元110的后面描述的预测器A至预测器H的被设置作为分析设备100的条件等的参数，所述参数例如是曲轴W的形状和材料，砂轮6的形状和材料，以及诸如磨削的切量和冷却剂流量的磨削处理信息。在预测器A至预测器H中设置的参数是用于构建分析引擎的模型。参数是基于从检测器获得的数据以及在磨床1执行曲轴W的磨削工作时获得的关于曲轴W是否是良品的产品检验的结果初始地设置的。
预测结果存储单元140存储由后面描述的多个预测器A至预测器H做出的预测结果。检验结果存储单元150存储关于磨床1对其执行磨削工作的曲轴W是否是良品的产品检验结果。当计算单元120计算各个预测器A至预测器H的预测准确度时，使用存储在预测结果存储单元140和检验结果存储单元150中的数据。
(1-2-1：预测单元110的配置)
如图2所示，预测单元110主要包括预测器A至预测器H八个预测器、选择单元112、总体预测器113、加权系数存储单元114和显示单元115。各个预测器A至预测器H是通过使用彼此不同的分析方法做出关于曲轴W是否是良品的预测的分析引擎。预测器A至预测器H从设置在磨床1中的各个检测器53、54、62、83和84、CNC装置91，PLC 92和数据存储单元130获取供各个预测器A至预测器H预测而使用的数据。然后，预测器A至预测器H将关于由各个预测器A至预测器H做出的预测结果的数据发送至选择单元112。
选择单元12在从各个预测器A至预测器H接收的关于预测结果的数据中选择关于使用预测器部分的预测结果的数据。然后，选择单元112将所选择的数据发送至总体预测器113，并且总体预测器113计算分析设备100的综合预测结果。选择单元112将从各个预测器A至预测器H接收的关于预测结果的所有数据发送至预测结果存储单元140。选择单元112可以将关于预测结果的数据的一部分发送至预测结果存储单元140。
这里，表1中列出了供预测器A至预测器H使用的分析引擎的示例。
[表1]
表1所示的分析引擎被分类，以对应于各个特性诸如QC方法(例如，X-R控制图、相关性分析等)，线性适应(例如，线性自适应控制等)，非线性识别(例如，顺序识别等)，贝叶斯方法(例如，朴素贝叶斯方法、贝叶斯网络等)，机器学习(例如，神经网络、支持向量机等)和回归分析(例如，多元回归分析、岭回归等)。每个分析引擎的预测准确度根据要分析的数据量(要分析的数据的数量)或模型准确度而不同。也就是说，在包括模型本身的许多变量和诸如统计数据的常量的分析引擎和包括许多先验概率分布的分析引擎中，模型的准确度变高，并且预测准确度随着要分析的数据量变大而提高。
例如，因为在QC方法中计算量小并且相关性清楚，因此即使在要分析的数据量小的情况下也可以提高预测准确度。另一方面，当要分析的数据量增大时，在QC方法中提高预测准确度的前景较小。响应于此，在贝叶斯方法中，随着要分析的数据量的增大，预测变得接近基于来自基于先验信息(先验概率等)的预测的数据的预测，因此，预测准确度得以提高。在机器学习中，预测准确度随着要分析的数据量的增大而提高。类似地，在回归分析中，预测准确度随着要分析的数据量的增大而提高。
在线性适应中，模型本身的准确度是提高预测准确度的因素。与QC方法相比，线性适应中的预测准确度可以在数据量小的阶段得以提高。在非线性识别中，模型本身的准确度是提高预测准确度的因素，然而难以构造模型本身。
根据上述方面，当要分析的数据量相对小并且从检测器获得的数据少时，选择单元112选择QC方法或线性适应，从而提高早期阶段的预测准确度。另一方面，当要分析的数据量相对大时，选择单元112选择回归分析或机器学习，从而积极提高预测准确度。因此，总体预测器113优选地通过将来自QC方法、贝叶斯方法、线性适应、回归分析和机器学习中的不同种类的预测器进行组合来使用不同种类的预测器。也就是说，总体预测器113通过将在要分析的数据量小时预测准确度提高的分析引擎与在要分析的数据量大时预测准确度提高的分析引擎进行组合来使用分析引擎。因此，总体预测器113可以在覆盖由各检测器53、54、62、83、84等获取的要被分析的数据量为小的情况和数据量为大的情况下，保持不管数据量如何变化预测准确度都为高的状态。因此，分析设备100可以使预测准确度增大。
在机器学习、回归分析等中，可以使用其中变量、常量、模型本身的准确度等不同的多个引擎。此外，在机器学习、回归分析等中，当要分析的数据量增大时使用具有最优变量、常量和模型自身的准确度的分析引擎，从而提高预测准确度。
当选择要作为预测器安装在分析设备100中的各种分析引擎时，或者当由选择单元112从所有的预测器A至预测器H中选择要被设置为使用预测器的各种预测器时，选择单元112可以设置固定的条件。
例如，所有的预测器A至预测器H可以是基于同一分析对象数据(例如，砂轮6(参见图1)的马达61的当前值)通过彼此不同的分析方法做出预测的分析引擎。在该情况下，总体预测器113可以通过针对同一分析对象数据使用不同的分析方法做出关于曲轴W的质量的预测。也就是说，总体预测器113可以通过利用即使在使用同一分析对象数据的情况下预测结果根据分析方法而不同的事实来做出多维分析。因此，分析设备100可以提高预测结果的准确度。
除了以上所述的以外，仅预测器A至预测器H的一部分可以是基于同一分析对象数据通过彼此不同的分析方法做出预测的分析引擎。在该情况下，优选的是，使用预测器中的至少一部分是基于同一分析对象数据(例如，砂轮6(参见图1)的马达61的当前值)通过彼此不同的分析方法做出预测的分析引擎。此外优选的是，所有使用预测器可以是基于同一分析对象数据(例如，砂轮6(参见图1)的马达61的当前值)通过彼此不同的分析方法做出预测的分析引擎。同样，在这些情况下，分析设备100可以使预测结果的准确度增大。
此外优选的是，预测器A至预测器H的至少一部分可以是基于不同分析对象数据(例如，从对砂轮6(参见图1)的马达61的当前值进行检测的检测器62、对冷却剂流量进行检测的检测器83、对砂轮座5的位置进行检测的检测器53、54获得的数据)做出预测的分析引擎。特别地，优选的是，使用预测器的至少一部分对应于基于不同分析对象数据做出预测的分析引擎。
在该情况下，分析设备100可以通过使用关于使用不同分析对象数据的预测结果的数据做出综合预测。也就是说，可以在考虑到磨床1中出现的各种因素的情况下通过使用不同的分析对象数据获得预测结果。因此，分析设备100可以使预测准确度增大。
此外优选的是，所有使用预测器是基于不同分析对象数据做出预测的分析引擎。在该情况下，分析设备100可以使预测结果的准确度增大。然后，所有预测器A至预测器H可以是基于不同分析对象数据来做出预测的分析引擎。在该情况下，所有使用预测器可以是基于不同分析对象数据积极做出预测的分析引擎。
加权系数存储单元114存储由计算单元120计算的加权系数。加权系数是基于各个使用预测器的预测准确度分配给各个使用预测器的数值。总体预测器113基于从选择单元112接收的关于各个使用预测器的预测结果的数据和从加权系数存储单元114获取的加权系数来计算综合预测结果。然后，显示单元115显示从总体预测器113接收的分析结果，以向操作者通知该结果。
(1-2-2：计算单元120的配置)
计算单元120包括预测准确度计算单元121和加权系数计算单元122。预测准确度计算单元121使用关于曲轴W的质量的检验结果对从预测单元110接收的各个预测器A至预测器H的预测结果进行检查。然后，计算单元120计算由各个预测器A至预测器H做出的预测的准确度。
预测准确度计算单元121还基于所计算的预测准确度从多个预测器A至预测器H提取具有高预测准确度的多个预测器(以下称为“高准确度预测器”)。然后，预测准确度计算单元121将关于所提取的高准确度预测器的数据馈送回预测单元110。当选择单元112确定是否使用其他预测器替换已经被选择的使用预测器时，使用馈送回预测单元110的数据。
加权系数计算单元122针对由预测准确度计算单元121提取的各个高准确度预测器计算与预测准确度对应的加权系数。然后，加权系数计算单元122将关于所计算的加权系数的数据发送至预测单元110。发送至预测单元110的关于加权系数的数据被存储在加权系数存储单元114中。
(1-2-3：预测单元110的处理)
接下来，说明由预测单元110执行的处理。这里，通过列出以下情况来做出说明：各个预测器A至预测器H在磨床1执行磨削工作的处理中分析曲轴W中是否发生磨削烧伤，并且总体预测器113基于分析结果来做出关于曲轴W是否是良品的预测。
设置在磨床1中的各检测器53、54、62、83、84、CNC装置91和PLC 92将在磨床1对曲轴W执行磨削工作的处理中获得的数据发送至预测器A至预测器H。
各个预测器A至预测器H基于从磨床1接收的数据来执行分析。然后，各个预测器A至预测器H计算磨床1对其执行磨削工作的曲轴W是良品的概率。在此时，各个预测器A至预测器H根据需要获取存储在数据存储单元130中的数据，并且基于获取的数据来执行分析。关于由各个预测器A至预测器H执行的预测结果(曲轴W为良品的概率)的数据被发送至选择单元112。
当选择单元112从各个预测器A至预测器H获取数据时，选择单元112确定所获取的数据是否是关于使用预测器的预测结果的数据。然后，当所获取的数据是关于使用预测器的预测结果的数据时，选择单元112将数据发送至总体预测器113。在本实施方式中，将设置在分析设备100中的预测器A至预测器H八个预测器中的具有较高预测准确度的三个预测器设置为使用预测器。
选择单元112将从各个预测器A至预测器H获取的所有数据发送至预测结果存储单元140。预测结果存储单元140存储从选择单元112接收的关于所有预测器A至预测器H的预测结果的数据。
当总体预测器113接收到关于由使用预测器做出的预测结果的所有数据时，总体预测器113计算分析设备100的综合预测结果。在此时，总体预测器113从加权系数存储单元114获取关于加权系数的数据，并且从数据存储单元130获取数据。然后，总体预测器113基于这些数据来计算综合预测结果。
这里，将参照图3说明计算由总体预测器113做出的预测结果的方法的示例。在该情况下，在将多个预测器A至预测器H中的三个预测器A至预测器C设置为使用预测器的假设下做出说明。
首先，总体预测器113基于作为各个预测器A至预测器C的预测结果的良品概率Ar至Cr和存储在加权系数存储单元中的加权系数Ak至Ck来计算各个预测器A至预测器C的预测值Z1至Z3。加权系数Ak至Ck是设置为与三个使用预测器的预测准确度对应的索引。预测值Z1至Z3是通过将各个预测器A至预测器C的良品概率Ar至Cr乘以各个预测器A至预测器C的加权系数Ak至Ck获得的数值除以加权系数Ak至Ck的总值(Ak+Bk+Ck)而获得的数值。
接下来，总体预测器113将所计算的各个预测器A至预测器C的预测值Z1至Z3相加。总数值对应于分析设备100计算的综合预测值Z。当综合值Z满足预定水平时，总体预测器113确定曲轴W是良品。另一方面，当综合预测值Z不满足预定水平时，总体预测器113确定曲轴W是不良品。
总体预测器113可以在计算各预测值Z1至Z3时，将良品概率Ar至Cr乘以通过调整加权系数Ak至Ck获得的值。例如，存在以下情况：在从磨床1或数据存储单元130获取的数据(例如，关于外部空气环境的数据、关于生产设施的使用状态的数据等)中具有可能对由各个使用预测器做出的预测准确度有不良影响的数据。在该情况下，总体预测器113可以对加权系数Ak至Ck进行调整，使得可能对预测准确度具有不良影响的使用预测器的加权系数的数值相对减小。
如在上述情况下，总体预测器113基于关于磨床1被布置的环境的数据、关于生产设施的使用状态的数据等来计算综合预测结果。因此，可以将关于外部空气环境的数据或关于生产设施的使用状态的数据并入由总体预测器113计算的综合预测结果中。因此，分析设备100可以提高分析结果的准确度。
返回图2，继续说明。总体预测器113将所计算的综合预测结果发送至显示单元115和其他生产设施。作为其他生产设施，用于传输磨床1对其进行磨削工作的曲轴W的传输机结束，在磨床1的磨削工作之后执行的生产过程等中使用的生产设施可以被引用。在该情况下，例如，当接收到指示曲轴W是不良品的确定结果时，可以从生产线移除被确定为不良品的曲轴W。因此，能够避免在磨床1的磨削工作之后的生产过程中对作为不良品的曲轴W执行处理，因此，磨床1可以降低制造成本。
显示单元115显示从总体预测器113接收的确定结果。操作者可以对显示在显示单元115上的确定结果进行确认。例如，在操作者确定作为对分析设备100的分析结果进行确认的结果存在比平时更多的不良品(发生磨削烧伤的不良品的出现概率较高)的情况下，操作者可以在此时执行对磨床1的维护。如上所述，操作者可以在曲轴W的生产过程中发现磨床1的异常或异常的迹象。因此，与操作者基于针对曲轴W进行产品检验的检验结果来发现磨床1的异常或异常的迹象的情况相比，操作者可以在早期阶段对磨床1的异常做出响应。因此，磨床1抑制被生产出的不良品的数量。虽然在本实施方式显示单元115被设置在磨床1中，但是可以将设置在其他地方的监视器等用作显示单元115。
注意，分析设备100在靠近磨床1的地方执行分析。因此，操作者可以在对磨床1和作为生产对象的曲轴W的状态进行检查时确定用于确定曲轴W是否是良品的参考值。此外，当在磨床1或曲轴W中发生突然异常时，操作者可以与分析设备100协作立即对数据进行分析。然后，操作者还可以将分析结果立刻并入分析设备100的确定信息中。在异常确定中或在异常确定的之前阶段(不处于异常状态但接近异常状态)，诸如磨床1的生产设施或分析设备100可以基于分析设备100的分析结果向操作者通知异常状态或自动停止生产设施的操作。分析设备100可以在通过网络连接至磨床1的状态下执行分析。
(1-2-4：计算单元120的处理)
接下来，说明由计算单元120执行的处理。计算单元120的处理在预测结果存储单元140和检验结果存储单元150中累积有一定量的数据的阶段执行。
预测准确度计算单元121获取关于存储在预测结果存储单元140中的各个预测器A至预测器H的预测结果的数据和关于存储在检验结果存储单元150中的检验结果的数据。然后，预测准确度计算单元121通过使用检验结果对各个预测器A至预测器H的预测结果进行检查来计算指示各个预测器A至预测器H的预测准确度的预测值。
这里，将参照图4来说明由预测准确度计算单元121执行的计算各个预测器A至预测器H的预测准确度的方法的示例。如图4所示，预测准确度计算单元121首先使用检验结果对由各个预测器A至预测器H执行的针对曲轴W的预测结果进行检查。通过将在预测结果和检验结果二者中均被确定为良品的曲轴W的数目(pa1)除以已经执行了预测和检验的曲轴W的总数(all)而获得的数值由p1(＝pa1/all)表示。通过将在预测结果和检验结果二者中均被确定为不良品的曲轴W的数目(pa2)除以已经执行了预测和检验的曲轴W的总数(all)而获得的数值由p2(＝pa2/all)表示。
通过将在预测结果中被确定为良品且在检验结果中被确定为不良品的曲轴W的数目(pa3)除以已经执行了预测和检验的曲轴W的总数(all)而获得的数值由p3(pa3/all)表示。通过将在预测结果中被确定为不良品且在检验结果中被确定为良品的曲轴W的数目(pa4)除以已经执行了预测和检验的曲轴W的总数(all)而获得的数值由p4(pa4/all)表示。预测准确度计算单元121针对各个预测器A至预测器H计算数值p1至p4。例如，预测器A的数值p1是Ap1。
接下来，预测准确度计算单元121基于针对各个预测器A至预测器H计算的数值p1至p4来计算各个预测器A至预测器H的预测值。在本实施方式中，预测准确度计算单元121将从预测结果与检验结果一致的曲轴W的总数中减去p3的二倍和p4而获得的数值设置为预测值。
也就是说，预测准确度计算单元121执行估计使得当预测结果与检验结果一致时预测准确度变高，并且预测准确度计算单元121执行估计使得当预测结果与检验结果不一致时预测准确度变低。
此外，通过改变作为预测误差的数值p3和数值p4的权重来计算预测准确度Ap至Hp。也就是说，预测准确度计算单元121执行加权，使得在计算预测值时对预测值的影响在当在检验结果中被确定为不良品的曲轴W被预测为良品时获得的数值p3和当在检验结果中被确定为良品的曲轴W被预测为不良品时获得的数值p4中不同。
在对应于数值p3的情况下，即，当在分析设备100的分析结果中将曲轴W确定为良品但是曲轴W实际上是不良品时，磨床1执行在针对作为不良品的曲轴W结束磨削工作之后执行的生产处理。在该情况下，后处理是无用的。也就是说，在对应于数值p3的情况下，生产时间的损失较大。因此，在本实施方式中通过使预测值在数值p3的情况下大大减小的计算方法来计算预测准确度。
另一方面，在对应于数值p4的情况下，即，当在分析设备100的分析结果中将曲轴W确定为不良品但是曲轴W实际上是良品时，在磨床1的磨削工作结束之后丢弃曲轴W。在该情况下，生产时间的损失小于与数值p3对应的情况。因此，与数值p3相比，在数值p4的情况下对预测值的影响减小。如上所述，总体预测器113可以通过改变对预测误差的情况的影响度来减少作为不良品的生产对象被错误地预测为良品的情况。因此，磨床1可以减小当针对不良品执行生产处理时产生的损失，这可以降低制造成本。
在本实施方式中，预测准确度计算单元121使值p3加倍，然而，根据生产对象的可靠性可以将大于“1”的值设置为与“p3”相乘的值。在该情况下，当预测准确度计算单元121将与“p3”相乘的值设置为较大值时，分析设备100可以增大总体预测器113预测的可靠性(减少作为不良品的生产对象被错误地预测为良品的情况)。
预测准确度计算单元121在计算出所有预测器A至预测器H的预测值之后，对各个预测器A至预测器H的预测值进行比较。然后，预测准确度计算单元121从所有预测器A至预测器H中提取具有较高预测值的三个预测器作为高准确度预测器。预测准确度计算单元121将关于所提取的三个高准确度预测器的数据发送至预测单元110的选择单元112和加权系数计算单元122。
选择单元112基于从预测准确度计算单元121接收的数据根据需要来执行替换处理，在替换处理中，使用未被设置为使用预测器的高准确度预测器来替换被设置为使用预测器的预测器中的具有低预测准确度的预测器。也就是说，存在被设置为使用预测器的预测器的预测准确度由于磨床1的状态变化或磨床1被放置的环境的变化而减小的情况。在这样的情况下，选择单元112更新被选择为使用预测器的预测器的设置，并且使用具有高预测准确度的一个预测器来替换预测准确度减小的另一预测器。因此，选择单元112可以从多个预测器A至预测器H中选择具有高预测准确度的预测器作为使用预测器。因此，分析设备100可以提高分析结果的准确度。
如上所述，选择单元112基于由预测准确度计算单元121计算的预测准确度来选择一部分预测器。因此，向总体预测器113发送由具有高预测准确度的预测器获得的预测结果，从而，分析设备100可以提高由总体预测器113计算的综合预测结果的准确度。
当加权系数计算单元122从预测准确度计算单元121接收到关于三个高准确度预测器的预测值的数据时，加权系数计算单元122计算与各高准确度预测器的预测值相对应的加权系数。然后，加权系数计算单元122将关于针对三个高准确度预测器计算的加权系数的数据发送至预测单元110的加权系数存储单元114。加权系数存储单元114存储从加权系数计算单元122接收的数据。如上所述，在基于从使用预测器获得的预测结果来计算综合预测结果时，总体预测器113在对应于各个使用预测器的预测准确度执行加权之后计算综合预测结果。在该情况下，总体预测器113可以在计算综合预测结果时并入各个使用预测器的预测准确度。因此，分析设备100可以提高分析结果的准确度。
如上所述，预测准确度计算单元121基于由多个预测器A至预测器H各自执行的预测结果和检验结果来计算多个预测器A至预测器H的预测结果。选择单元112基于多个预测器A至预测器H的预测准确度来选择要被设置为使用预测器的预测器，并且总体预测器113基于具有高预测准确度的预测器的预测结果来计算综合预测结果。因此，分析设备100可以提高分析结果的准确度。
当磨床1对许多曲轴W执行磨削工作时，从检测器获得的许多数据以及关于曲轴W是否是良品的产品检验结果被累积。在该情况下，分析设备100可以再次设置预测器A至预测器H的参数。因此，各个预测器A至预测器H可以使预测准确度增大。
<2.第二实施方式>
接下来，说明第二实施方式。在第一实施方式中，说明了设置在预测单元110中的所有预测器A至预测器H做出预测并且选择单元112将关于使用预测器的预测结果的数据发送至总体预测器113的情况。另一方面，在第二实施方式中说明了由第二分析设备400执行除使用预测器之外的至少一部分预测器的分析的情况。下面列出了由第二分析设备400执行除使用预测器之外的所有预测器的分析的示例。相同的附图标记被分给与上述实施方式相同的部件，并且省略对其说明。
如图5所示，分析系统202包括第一分析设备300和第二分析设备400。第一分析设备300和第二分析设备400连接至网络，以通过传输路径(未示出)进行数据通信。例如，第一分析设备300和第二分析设备400被安装在同一建筑物或邻近建筑物(在预定区域中)中，以构建雾计算。另外，第一分析设备300和第二分析设备400可以构建云计算，云计算可以在不管地点如何的情况下安装。第一分析设备300和第二分析设备400可以自然构建边缘计算。
第一分析设备300包括：预测单元310、计算单元120、数据存储单元130、预测结果存储单元140和检验结果存储单元150。预测单元310主要包括预测器A至预测器H八个预测器、选择单元312、总体预测器113、加权系数存储单元114和显示单元115。
选择单元312从设置在磨床201中的各个检测器53、54、62、83和84、CNC装置91，PLC92和数据存储单元130获取供使用预测器分析而使用的数据，并且将该数据发送至使用预测器。然后，使用预测器将关于预测结果的数据发送至总体预测器113。使用预测器还将关于预测结果的数据发送至预测结果存储单元140，并且预测结果存储单元140存储关于使用预测器的预测结果的数据。然后，计算单元120使用关于曲轴W是否是良品而执行的检验结果对由使用预测器获得的预测结果进行检查，并且将所计算的结果馈送回预测单元310。
选择单元312从设置在磨床201中的各个检测器53、54、62、83和84、CNC装置91，PLC92和数据存储单元130获取供八个预测器中的与使用预测器不对应的预测器(在下文中称为“辅助预测器”)预测而使用的数据，并且将该数据发送至第二分析设备400。
如图6所示，第二分析设备400通过辅助预测器做出预测，并且使用关于曲轴W是否是良品而执行的检验结果对由辅助预测器获得的预测结果进行检查。第二分析设备400主要包括：预测器A至预测器H八个预测器、数据存储单元130、预测结果存储单元140、检验结果存储单元150和预测准确度计算单元121。
第二分析设备400将从选择单元312接收的数据存储在数据存储单元130中。然后，辅助预测器基于存储在数据存储单元130中的数据来做出预测，并且将预测准确度计算单元121的计算结果发送至选择单元312。选择单元312基于从第二分析设备400接收的数据根据需要来执行替换处理，在替换处理中，使用未被设置为使用预测器的高准确度预测器来替换被设置为使用预测器的预测器中的具有低预测准确度的预测器。因此，选择单元312可以选择多个预测器A至预测器H中的具有高预测准确度的预测器作为要被设置为使用预测器的预测器。因此，分析设备100可以提高分析结果的准确度。
在分析系统202中，第一分析设备300通过预测器A至预测器H八个预测器中的使用预测器做出预测。然后，第二分析设备400通过辅助预测器预测质量。如果第一分析设备300通过所有多个预测器做出关于质量的预测，则需要花费时间计算使用预测器的预测结果以及计算综合预测结果。
然而，可以通过由第二分析设备400通过辅助预测器做出关于质量的预测来缩短用于计算使用预测器的预测结果和综合预测结果所需的时间。优选的是，第二分析设备400通过所有辅助预测器做出关于质量的预测，并且第一分析设备300不通过辅助预测器做出关于质量的预测，或者还优选的是第一分析设备和第二分析设备分别通过一部分辅助预测器做出关于质量的预测。
在分析系统202中，选择单元312可以基于预定条件来选择对于第二分析设备400做出预测的顺序。例如，选择单元312可以指示第二分析设备400优先通过具有较高预测值的预测器执行分析，或者由辅助预测器中的分析执行次数少的预测器执行分析。
当优先由具有高预测值的预测器做出分析时，第二分析设备400优先地通过很可能被使用预测器替代的预测器做出预测。因此，选择单元312可以选择具有较高预测准确度的预测器A至预测器H作为使用预测器，因此，第一分析设备300可以使由总体预测器113做出的预测的准确度增大。当由分析执行的次数少的预测器做出预测时，第二分析设备400可以针对各辅助预测器均匀地执行分析。因此，分析系统202可以针对所有预测器A至预测器H掌握准确的预测值。
当磨床1对许多曲轴W执行磨削工作时，从检测器获得的许多数据以及关于曲轴W是否是良品执行的产品检验的结果被累积。在该情况下，第二分析设备400可以再次设置多个预测器A至预测器H的参数。因此，第一分析设备300和第二分析设备400可以使由多个预测器A至预测器H各自执行的预测准确度增大。
第一分析设备300和第二分析设备400可以在这两个设备之间对预测器A至预测器H的预测模型中的任何预测模型的数据进行发送和接收。在该情况下，第一分析设备300和第二分析设备400可以分别再次设置参数等。然后，操作者可以对第一分析设备300或第二分析设备400中的参数等进行确认。此外，外部个人计算机等可以连接至第一分析设备300，并且可以在第一分析设备300和外部个人计算机之间对第一分析设备300的预测器A至预测器H的预测模型的参数和数据进行发送和接收。在该情况下，外部个人计算机可以再次设置参数等。然后，操作者可以通过外部个人计算机对参数等进行确认。
<3.其他>
基于上述实施方式说明了本发明，然而，本发明不限于上述实施方式，并且明显的是可以在不脱离本发明的主旨的范围内进行各种变型和修改。
例如，在上述实施方式中通过将磨床1列出作为使用分析设备100的生产设施的示例来进行说明，该生产设施在生产作为生产对象的曲轴W的生产过程中对曲轴W的曲轴颈、曲轴销等执行磨削工作。然而，本发明不限于此，并且分析设备100可以用于生产诸如EPS和ITCC的其他生产对象的生产设施。在该情况下，分析设备100可以根据生产对象或生产设施将多个预测器A至预测器H中的具有高预测准确度的预测器设置为使用预测器。因此，分析设备100可以在被用于各种生产设施时获得具有高预测准确度的分析结果。
此外，在上述实施方式中，说明了分析设备100被用于相对于床身2在Z轴方向上穿过砂轮座5的砂轮座横放型磨床的情况。然而，本发明并不限于此，分析设备100可以被用于相对于床身2在Z轴方向穿过主轴装置3的工作台横放型磨床。
虽然在本实施方式中说明了基于由预测准确度计算单元121计算的预测值来设置由选择单元112指定的使用预测器的情况，但操作者可以任意地设置使用预测器。在多个预测器A至预测器H的预测结果和检验结果未充分累积的初始状态下对要被设置为使用预测器的预测器的选择可以由操作者任意地执行，并且可以基于预先存储在数据存储单元130等中的测试数据自动执行。
虽然在上述实施方式中说明了选择单元112从多个预测器A至预测器H中选择三个预测器作为使用预测器的情况，但本发明不限于此。也就是说，可以使用两个以下以及四个以上的预测器。预测器110可以根据从计算单元120获得的预测值的结果来改变使用预测器的数目。在该情况下，预测单元110可以选择所有多个预测器作为使用预测器。
<4.优点>
如上所述，分析设备100和分析设备300在通过作为生产设施的磨床1和磨床201生产作为生产对象的曲轴W的过程中做出关于磨床1和磨床201的质量状况或生产对象的质量的预测。分析设备100和300各自包括：多个预测器A至预测器H，其通过基于关于生产设施的数据使用不同的分析方法做出关于质量的预测；选择单元112和选择单元312，其从多个预测器A至预测器H中选择多个使用预测器；总体预测器113，其基于由多个使用预测器获得的多个预测结果来计算关于质量的综合预测结果；以及预测准确度计算单元121，其基于由多个预测器A至预测器H各自做出的预测结果和关于质量的检验结果来计算由多个预测器A至预测器H各自做出的预测的准确度。此外，选择单元112和选择单元312基于由预测准确度计算单元121计算的预测准确度从多个预测器A至预测器H选择多个使用预测器。
根据分析设备100和分析设备300，选择单元112和选择单元312基于预测准确度从多个预测器A至H选择多个使用预测器，并且总体预测器使用所述多个预测器，由此可以在生产设施被布置的环境和生产设施的使用状态中获得高预测准确度。然后，总体预测器113基于从多个使用预测器获得的多个预测结果来计算关于生产设施的质量状况或生产对象的质量状况的综合预测结果。因此，与通过基于固定预设阈值做出确定而做出关于生产期间的生产对象是否是良品的预测的情况相比，分析设备100和分析设备300可以提高分析结果的准确度。关于生产设施的质量状况，分析设备100和分析设备300还可以具有相同优点。
预测准确度计算单元121基于由多个预测器A至预测器H各自做出的预测结果和关于质量的检验结果来计算由多个预测器A至预测器H各自做出的预测的准确度，并且选择单元112和选择单元312基于由预测准确度计算单元121计算的预测准确度来选择多个使用预测器。因此，总体预测器113可以基于从具有高预测准确度的多个使用预测器获得的多个预测结果来计算综合预测结果。因此，分析设备100和分析设备300可以提高分析结果的准确度。
在上述分析设备100和分析设备300中，预测准确度计算单元121将关于预测准确度的数据发送至选择单元112和选择单元312，并且选择单元112和选择单元312从多个预测器A至预测器H中选择一部分预测器作为多个使用预测器，并且基于从预测准确度计算单元121接收的数据以比已经选择的一部分预测器的预测准确度高的其他预测器来替换这部分预测器。
根据分析设备100和分析设备300，选择单元112和选择单元312可以从多个预测器A至预测器H中选择具有较高预测准确度的一部分预测器作为多个使用预测器。因此，分析设备100和分析设备300可以提高分析准确度。
在上述分析设备100和分析设备300中，多个使用预测器包括基于在生产设施进行生产加工时获得的同一分析对象数据通过不同分析方法做出预测的至少两个或更多个预测器。根据分析设备100和分析设备300，总体预测器113基于针对在生产设施进行生产加工时获得的同一分析对象数据通过不同的分析方法做出预测的至少两个或更多个预测器的预测结果来计算综合预测结果。也就是说，可以通过利用即使在使用同一分析对象数据的情况下预测结果根据分析方法而不同的事实来做出多维分析。因此，分析设备100和分析设备300可以提高分析结果的准确度。
在上述分析设备100和分析设备300中，多个使用预测器包括基于在生产设施进行生产加工时获得的不同分析对象数据做出预测的至少两个或更多个预测器。分析设备100基于下述至少两个或更多个预测器的预测结果来计算综合分析结果，其中所述至少两个或更多个预测器基于在生产设施进行生产加工时获得的不同分析对象数据做出预测。也就是说，可以在考虑到生产设施中出现的各种因素的情况下通过使用不同的分析对象数据来获得分析结果。因此，分析设备100和分析设备300可以提高分析结果的准确度。
在上述分析设备100和分析设备300中，总体预测器113通过根据由预测准确度计算单元121计算的预测准确度对从多个使用预测器获得的多个预测结果执行加权来计算综合预测结果。分析设备100可以在通过总体预测器113计算综合预测结果时结合每个预测器的每个预测准确度。因此，分析设备100和分析设备300可以提高分析结果的准确度。
根据本发明的分析设备100和分析设备300是在通过作为生产设施的磨床1生产作为生产对象的曲轴W的过程中做出关于生产对象的质量的预测的分析设备，分析设备100和分析设备300包括：多个预测器A至预测器H，其基于关于生产设施的数据通过使用不同的分析方法做出关于生产对象的质量的预测；以及总体预测器113，其基于从多个预测器A至预测器H获得的多个预测结果来计算关于生产对象的质量的综合预测结果，其中多个预测器A至预测器H包括基于在通过生产设施进行生产加工时获得的同一分析对象数据通过不同的分析方法来做出预测的至少两个或更多个预测器。
根据分析设备100和分析设备300，总体预测器113基于针对在通过生产设施进行生产加工时获得的同一分析对象数据通过不同分析方法做出预测的至少两个或更多个预测器的预测结果来计算综合预测结果。因此，分析设备100和分析设备300可以提高分析结果的准确度。
上述分析设备100和分析设备300包括：预测准确度计算单元121，其基于由多个预测器A至预测器H各自做出的预测结果和关于生产对象的质量的检验结果来计算由多个预测器A至预测器H做出的预测的准确度；以及总体预测器113，其在根据由预测准确度计算单元121计算的预测准确度对多个预测器A至预测器H的预测结果执行加权之后计算综合预测结果。
上述分析设备100和分析设备300可以在通过总体预测器113计算综合预测结果时结合每个预测器的每个预测准确度。因此，分析设备100和分析设备300可以提高分析结果的准确度。
在上述分析设备100和分析设备300中，预测准确度计算单元121在计算多个预测器A至预测器H各自的预测准确度时执行加权，以使得与在预测结果中被确定为不良品的生产对象在检验结果中被确定为良品的情况相比，使预测准确度在预测结果中被确定为良品的生产对象在检验结果中被确定为不良品时大大减小。
分析设备100和分析设备300可以抑制作为不良品的生产对象被错误地预测为良品。也就是说，在虽然产品实际上是不良品但该产品在分析设备100和分析设备300的分析结果中被确定为良品的情况下，生产设施执行在针对不良品的磨削工作结束之后执行的生产加工。在该情况下，与实际上是良品的产品在分析设备100和分析设备300的分析结果中被确定为不良品并且从生产线移除的情况相比，损失增大。也就是说，分析设备100可以通过抑制将作为不良品的生产对象错误地预测为良品而降低通过对不良品执行生产加工引起的损失，因此可以降低制造成本。
此外，上述分析设备100和分析设备300基于新获取的关于生产设施的数据再次设置供多个预测器A至预测器H各自预测而使用的参数。分析设备100和分析设备300可以使由多个预测器A至预测器H各自执行的预测准确度增大。
在上述分析设备100和分析设备300中，总体预测器113基于关于作为生产设施的磨床1和磨床201被布置的环境(外部空气等)的数据或者关于生产设施的使用状态的数据来计算综合预测结果。根据分析设备100和分析设备300，可以将关于外部空气环境的数据或关于生产设施的使用状态的数据并入由总体预测器113计算的综合预测结果中。因此，分析设备100和分析设备300可以提高分析结果的准确度。
具有上述分析设备的分析系统202包括第一分析设备300和第二分析设备400，第二分析设备400连接至网络以与第一分析设备300进行数据通信。第二分析设备400被设置成通过使用多个预测器A至预测器H中的与使用预测器不对应的辅助预测器做出关于质量的预测，并且计算由辅助预测器做出的预测准确度。选择单元312基于由预测准确度计算单元121计算的使用预测器的预测准确度和第二分析设备400中计算的从辅助预测器获得的预测准确度来使用具有较高预测准确度的辅助预测器替换已经选择的作为使用预测器的预测器。
在上述分析系统202中，第二分析设备400通过辅助预测器做出关于质量的预测。如果第一分析设备300通过所有多个预测器A至预测器H做出关于质量的预测，则需要花费时间计算使用预测器的预测结果以及计算综合预测结果。然而，可以通过由第二分析设备400通过辅助预测器做出关于质量的预测来缩短用于计算使用预测器的预测结果和综合预测结果所需的时间。优选的是，第二分析设备400通过所有辅助预测器做出关于质量的预测，并且第一分析设备300不通过辅助预测器做出关于质量的预测，或者还优选的是第一分析设备和第二分析设备分别通过一部分辅助预测器做出关于质量的预测。
在上述分析系统202中，第二分析设备400包括多个辅助预测器。分析系统202基于第二分析设备400的预定条件来确定多个辅助预测器中优先进行预测的预测器。分析系统202可以通过第二分析设备400中的多个辅助预测器高效做出预测。
此外，分析系统202基于新获取的关于生产设施的数据再次设置供设置在第一分析设备300和第二分析设备400中的多个预测器A至预测器H各自预测而使用的参数。根据分析系统202，第一分析设备300和第二分析设备400可以使由多个预测器A至预测器H各自执行的预测的准确度增大。
[附图标记和符号的说明]
1，201：磨床(生产设施)
100：分析设备
202：分析系统
A至H：预测器
112，312：选择单元
113：总体预测器
121：预测准确度计算单元
300：第一分析设备(分析设备)
400：第二分析设备
W：曲轴(生产对象)

Claims (15)

1.一种分析设备(100)，所述分析设备在生产设施对生产对象进行生产的过程中做出关于所述生产设施的质量状况或所述生产对象的质量状况的预测，所述分析设备包括：
多个预测器(A至H)，所述多个预测器基于关于所述生产设施的数据通过使用不同的分析方法来做出关于所述质量的预测；
选择单元(112)，所述选择单元从所述多个预测器(A至H)中选择多个使用预测器；
总体预测器(113)，所述总体预测器基于由所述多个使用预测器获得的多个预测结果来计算关于所述质量的综合预测结果；以及
预测准确度计算单元(121)，所述预测准确度计算单元基于由所述多个预测器(A至H)各自做出的预测结果和关于所述质量的检验结果来计算由所述多个预测器(A至H)各自做出的预测的准确度，
其中，所述选择单元(112)基于由所述预测准确度计算单元(121)计算的预测准确度来从所述多个预测器(A至H)中选择所述多个使用预测器。
2.根据权利要求1所述的分析设备(100)，
其中，所述预测准确度计算单元(121)将关于所述预测准确度的数据发送至所述选择单元(112)，并且
所述选择单元(112)从所述多个预测器(A至H)中选择一部分预测器作为所述多个使用预测器，并且基于从所述预测准确度计算单元(121)接收的数据以使用具有比已经选择的所述一部分预测器更高的预测准确度的其他预测器来替换所述一部分预测器。
3.根据权利要求1或2所述的分析设备(100)，
其中，所述多个使用预测器包括基于关于所述生产设施的同一分析对象数据通过不同的分析方法做出预测的至少两个或更多个预测器。
4.根据权利要求1或2所述的分析设备(100)，
其中，所述多个使用预测器包括基于关于所述生产设施的不同分析对象数据做出预测的至少两个或更多个预测器。
5.根据权利要求1或2所述的分析设备(100)，
其中，所述总体预测器(113)在根据由所述预测准确度计算单元(121)计算的预测准确度对从所述多个使用预测器获得的多个预测结果执行加权之后计算综合预测结果。
6.根据权利要求1或2所述的分析设备(100)，
其中，所述分析设备(100)基于新获取的关于所述生产设施的数据再次设置供所述多个预测器(A至H)各自预测而使用的参数。
7.根据权利要求1或2所述的分析设备(100)，
其中，所述总体预测器(113)基于关于所述生产设施被布置的环境的数据或关于所述生产设施的使用状态的数据来计算综合预测结果。
8.一种分析设备(100)，所述分析设备在生产设施对生产对象进行生产的过程中做出关于所述生产设施的质量状况或所述生产对象的质量状况的预测，所述分析设备包括：
多个预测器(A至H)，所述多个预测器基于关于所述生产设施的数据通过使用不同的分析方法来做出关于所述质量的预测；
总体预测器(113)，所述总体预测器基于由所述多个预测器(A至H)获得的多个预测结果来计算关于所述质量的综合预测结果，
其中，所述多个预测器(A至H)包括基于关于所述生产设施的同一分析对象数据通过不同的分析方法做出预测的至少两个或更多个预测器。
9.根据权利要求8所述的分析设备(100)，还包括：
预测准确度计算单元(121)，所述预测准确度计算单元基于由所述多个预测器(A至H)各自做出的预测结果和关于所述质量的检验结果来计算由所述多个预测器(A至H)各自做出的预测的准确度，
其中，所述总体预测器(113)在根据由所述预测准确度计算单元(121)计算的预测准确度对所述多个预测器(A至H)的多个预测结果执行加权之后计算综合预测结果。
10.根据权利要求7或9所述的分析设备(100)，
其中，所述预测准确度计算单元(121)执行加权，以在计算所述多个预测器各自的预测准确度时，与在预测结果中被确定为不良品的生产对象在检验结果中被确定为良品的情况相比，使所述预测准确度在所述预测结果中被确定为良品的生产对象在所述检验结果中被确定为不良品时大大减小。
11.根据权利要求9所述的分析设备(100)，
其中，所述分析设备(100)基于新获取的关于所述生产设施的数据再次设置供所述多个预测器(A至H)各自预测而使用的参数。
12.根据权利要求8或9所述的分析设备(100)，
其中，所述总体预测器(113)基于关于所述生产设施被布置的环境的数据或关于所述生产设施的使用状态的数据来计算综合预测结果。
13.一种分析系统(202)，包括：
第一分析设备(300)，所述第一分析设备是根据权利要求1或2所述的分析设备；以及
第二分析设备(400)，所述第二分析设备连接至网络，以与所述第一分析设备进行数据通信，
其中，所述第二分析设备(400)被设置成通过使用所述多个预测器(A至H)中的与使用预测器不对应的辅助预测器做出关于所述质量的预测，并且计算由所述辅助预测器做出的预测的准确度，以及
所述选择单元(312)基于由所述预测准确度计算单元(121)计算的所述使用预测器的预测准确度和在所述第二分析设备(400)中计算的从辅助预测器获得的预测准确度来使用具有较高预测准确度的辅助预测器替换已经选择的作为使用预测器的预测器中的一部分预测器。
14.根据权利要求13所述的分析系统(202)，
其中，所述第二分析设备(400)包括多个辅助预测器，并且
所述分析系统(202)基于所述第二分析设备(400)的预定条件来确定所述多个辅助预测器(A至H)中优先做出预测的预测器。
15.根据权利要求13所述的分析系统(202)，
其中，所述分析系统(202)基于新获取的关于所述生产设施的数据再次设置供设置在所述第一分析设备(300)和所述第二分析设备(400)中的所述多个预测器(A至H)各自预测而使用的参数。
CN201710099578.0A 2016-02-24 2017-02-23 分析设备和分析系统 Active CN107122830B (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2016033118 2016-02-24
JP2016-033118 2016-02-24
JP2016254446A JP7147131B2 (ja) 2016-02-24 2016-12-27 解析システム
JP2016-254446 2016-12-27

Publications (2)

Publication Number Publication Date
CN107122830A true CN107122830A (zh) 2017-09-01
CN107122830B CN107122830B (zh) 2022-04-26

Family

ID=59522755

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710099578.0A Active CN107122830B (zh) 2016-02-24 2017-02-23 分析设备和分析系统

Country Status (3)

Country Link
US (1) US20170243122A1 (zh)
CN (1) CN107122830B (zh)
DE (1) DE102017103588A1 (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109026649A (zh) * 2018-08-28 2018-12-18 上海弦慧新能源科技有限公司 数据采集装置及运行管理方法
CN109782695A (zh) * 2017-11-13 2019-05-21 华中科技大学 一种用于制造设备的控制方法、装置和系统
CN111660517A (zh) * 2019-03-07 2020-09-15 株式会社捷太格特 机器学习装置以及机器学习方法

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10303035B2 (en) 2009-12-22 2019-05-28 View, Inc. Self-contained EC IGU
US11054792B2 (en) 2012-04-13 2021-07-06 View, Inc. Monitoring sites containing switchable optical devices and controllers
US10989977B2 (en) 2011-03-16 2021-04-27 View, Inc. Onboard controller for multistate windows
RU2019109013A (ru) 2014-03-05 2019-05-06 Вью, Инк. Мониторинг объектов, содержащих переключаемые оптические устройства и контроллеры
US11868103B2 (en) 2014-03-05 2024-01-09 View, Inc. Site monitoring system
US10481459B2 (en) 2014-06-30 2019-11-19 View, Inc. Control methods and systems for networks of optically switchable windows during reduced power availability
US11740948B2 (en) 2014-12-08 2023-08-29 View, Inc. Multiple interacting systems at a site
JP6926472B2 (ja) 2016-12-27 2021-08-25 株式会社ジェイテクト 解析装置および解析システム
US20180316555A1 (en) * 2017-04-29 2018-11-01 Cisco Technology, Inc. Cognitive profiling and sharing of sensor data across iot networks
US10762165B2 (en) 2017-10-09 2020-09-01 Qentinel Oy Predicting quality of an information system using system dynamics modelling and machine learning
DE102018109691A1 (de) 2018-04-23 2019-10-24 Isabell Franck UG (haftungsbeschränkt) Verfahren zur computerunterstützten Fertigungsoptimierung zumindest eines Fertigungsschritts
US11429873B2 (en) 2019-03-15 2022-08-30 International Business Machines Corporation System for automatic deduction and use of prediction model structure for a sequential process dataset
KR20220006601A (ko) 2019-05-09 2022-01-17 뷰, 인크. 건물의 제어 커버리지용 안테나 시스템
DE102019219301A1 (de) * 2019-12-11 2021-06-17 Robert Bosch Gmbh Reduzierung des Datenvolumens bei der Zustandsüberwachung von Geräten und Systemen
DE102019219300A1 (de) * 2019-12-11 2021-07-01 Robert Bosch Gmbh Ermitteln relevanter Sensoren für die Zustandsüberwachung von Geräten und Systemen
DE102020202870A1 (de) 2020-03-06 2021-09-09 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Validierung und Auswahl auf maschinellem Lernen basierender Modelle zur Zustandsüberwachung einer Maschine
TW202206925A (zh) 2020-03-26 2022-02-16 美商視野公司 多用戶端網路中之存取及傳訊
US11631493B2 (en) 2020-05-27 2023-04-18 View Operating Corporation Systems and methods for managing building wellness
WO2023227201A1 (de) * 2022-05-24 2023-11-30 Siemens Ag Österreich Computer-implementiertes verfahren und system zur steuerung der herstellung eines produkts

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090083206A1 (en) * 2006-01-13 2009-03-26 Hiroyasu Shigemori Apparatus and Method for Constructing Prediction Model
CN101581940A (zh) * 2009-06-05 2009-11-18 西安电子科技大学 基于集成学习时间序列预测的隧道事件检测方法
US20120219209A1 (en) * 2011-02-25 2012-08-30 Microsoft Corporation Image Labeling with Global Parameters
US8285414B2 (en) * 2009-03-31 2012-10-09 International Business Machines Corporation Method and system for evaluating a machine tool operating characteristics
CN103416064A (zh) * 2011-03-18 2013-11-27 索尼公司 图像处理设备、图像处理方法和程序
CN103430549A (zh) * 2011-03-18 2013-12-04 索尼公司 图像处理装置、图像处理方法和程序
CN103699947A (zh) * 2014-01-16 2014-04-02 湖南大学 一种基于元学习的电力系统时变非线性负荷组合预测方法
CN104008426A (zh) * 2014-05-15 2014-08-27 上海交通大学 基于集成学习的分布式计算环境性能预测方法
US20140279754A1 (en) * 2013-03-15 2014-09-18 The Cleveland Clinic Foundation Self-evolving predictive model
US20140344208A1 (en) * 2013-05-14 2014-11-20 The Regents Of The University Of California Context-aware prediction in medical systems
US20150317589A1 (en) * 2012-11-09 2015-11-05 The Trustees Of Columbia University In The City Of New York Forecasting system using machine learning and ensemble methods

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002109208A (ja) 2000-09-29 2002-04-12 Acom Co Ltd 信用リスク管理方法、分析モデル決定方法、分析サーバ及び分析モデル決定装置

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090083206A1 (en) * 2006-01-13 2009-03-26 Hiroyasu Shigemori Apparatus and Method for Constructing Prediction Model
US8285414B2 (en) * 2009-03-31 2012-10-09 International Business Machines Corporation Method and system for evaluating a machine tool operating characteristics
CN101581940A (zh) * 2009-06-05 2009-11-18 西安电子科技大学 基于集成学习时间序列预测的隧道事件检测方法
US20120219209A1 (en) * 2011-02-25 2012-08-30 Microsoft Corporation Image Labeling with Global Parameters
CN103416064A (zh) * 2011-03-18 2013-11-27 索尼公司 图像处理设备、图像处理方法和程序
CN103430549A (zh) * 2011-03-18 2013-12-04 索尼公司 图像处理装置、图像处理方法和程序
US20150317589A1 (en) * 2012-11-09 2015-11-05 The Trustees Of Columbia University In The City Of New York Forecasting system using machine learning and ensemble methods
US20140279754A1 (en) * 2013-03-15 2014-09-18 The Cleveland Clinic Foundation Self-evolving predictive model
US20140344208A1 (en) * 2013-05-14 2014-11-20 The Regents Of The University Of California Context-aware prediction in medical systems
CN103699947A (zh) * 2014-01-16 2014-04-02 湖南大学 一种基于元学习的电力系统时变非线性负荷组合预测方法
CN104008426A (zh) * 2014-05-15 2014-08-27 上海交通大学 基于集成学习的分布式计算环境性能预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DOMENICO VITO等: "How to extract clinically useful information from large amount of dialysis related stored data", 《2015 37TH ANNUAL INTERNATIONAL CONFERENCE OF THE IEEE ENGINEERING IN MEDICINE AND BIOLOGY SOCIETY (EMBC)》 *
杜柳青等: "基于混沌相空间重构的数控机床运动精度预测", 《农业机械学报》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109782695A (zh) * 2017-11-13 2019-05-21 华中科技大学 一种用于制造设备的控制方法、装置和系统
CN109782695B (zh) * 2017-11-13 2021-01-26 华中科技大学 一种用于制造设备的控制方法、装置和系统
CN109026649A (zh) * 2018-08-28 2018-12-18 上海弦慧新能源科技有限公司 数据采集装置及运行管理方法
CN111660517A (zh) * 2019-03-07 2020-09-15 株式会社捷太格特 机器学习装置以及机器学习方法
CN111660517B (zh) * 2019-03-07 2024-09-27 株式会社捷太格特 机器学习装置以及机器学习方法

Also Published As

Publication number Publication date
US20170243122A1 (en) 2017-08-24
CN107122830B (zh) 2022-04-26
DE102017103588A1 (de) 2017-08-24

Similar Documents

Publication Publication Date Title
CN107122830A (zh) 分析设备和分析系统
JP7024895B2 (ja) 異常解析システム
US10928783B2 (en) Analysis device and analysis system for ranking predictor performance for determining acceptability of an object to be produced
JP6530779B2 (ja) 加工不良要因推定装置
US10579026B2 (en) Building a workpiece quality prediction model
US6694286B2 (en) Method and system for monitoring the condition of an individual machine
CN108572006B (zh) 状态诊断装置
US10474128B2 (en) Abnormality analysis system and analysis apparatus
CN107728586B (zh) 解析系统
US11378945B2 (en) Method for operating a state monitoring system of a vibrating machine and state monitoring system
JP7147131B2 (ja) 解析システム
JP5992087B1 (ja) 機械の保全計画を作成する予防保全管理システム
Wang et al. Interpretation and compensation of backlash error data in machine centers for intelligent predictive maintenance using ANNs
US20160299492A1 (en) Machine tool management system
EP3373211A1 (en) Management device and non-transitory computer-readable medium
US10684608B2 (en) Abnormality detection apparatus and machine learning device
CN111796953A (zh) 故障预测装置及方法、存储介质、模型的学习及生成方法
CN109959438B (zh) 称重控制方法、装置及物料称量系统
JP2017120618A (ja) セル制御装置及び予防保全管理方法
Xin et al. Joint optimization of sampling interval and control for condition-based maintenance using availability maximization criterion
Wittbrodt et al. Decision support system of machining process based on the elements of fuzzy logic
Sawangsri et al. Concept and development of IoT-based e-maintenance platform for demonstrated system
Boev et al. Adaptive management of system parameters of maintenance, as well as repair and optimization of spare parts, tools and accessories of the integrated radar system on the basis of reliability model and control data
CN117697464B (zh) 一种高精度数控机床的控制方法及系统
Günther et al. Improve Availability by Enhanced Maintenance Strategies

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
CB02 Change of applicant information
CB02 Change of applicant information

Address after: Aichi

Applicant after: JTEKT Corp.

Address before: Osaka City, Osaka of Japan

Applicant before: JTEKT Corp.

GR01 Patent grant
GR01 Patent grant