CN107942956B - 信息处理装置、信息处理方法、信息处理程序及记录介质 - Google Patents

信息处理装置、信息处理方法、信息处理程序及记录介质 Download PDF

Info

Publication number
CN107942956B
CN107942956B CN201710910806.8A CN201710910806A CN107942956B CN 107942956 B CN107942956 B CN 107942956B CN 201710910806 A CN201710910806 A CN 201710910806A CN 107942956 B CN107942956 B CN 107942956B
Authority
CN
China
Prior art keywords
state data
information processing
mirror image
determination
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.)
Active
Application number
CN201710910806.8A
Other languages
English (en)
Other versions
CN107942956A (zh
Inventor
高见豪
鹿子木宏明
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.)
Yokogawa Electric Corp
Original Assignee
Yokogawa Electric 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
Application filed by Yokogawa Electric Corp filed Critical Yokogawa Electric Corp
Publication of CN107942956A publication Critical patent/CN107942956A/zh
Application granted granted Critical
Publication of CN107942956B publication Critical patent/CN107942956B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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], computer integrated manufacturing [CIM]
    • G05B19/41865—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], computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G05B2219/32252—Scheduling production, machining, job shop

Abstract

提供一种利用机械学习而生成用于对车间的运转状况进行判定的判定模型的通用性高的信息处理装置、信息处理方法、信息处理程序及记录介质。信息处理装置具有：状态数据取得部，其取得表示车间的运转状态的状态数据；第1分类部，其生成对状态数据进行分类的判定线；镜像数据生成部，其生成镜像数据，该镜像数据是使所取得的所述状态数据相对于所生成的判定线进行镜像化而得到的；以及第2分类部，其基于状态数据和所生成的镜像数据而生成判定模型。

Description

信息处理装置、信息处理方法、信息处理程序及记录介质
技术领域
本发明涉及信息处理装置、信息处理方法、信息处理程序及记录介质。
背景技术
以往，在化学等的工业车间、对气田或油田等钻井及其周边进行管理控制的车间、对水力、火力、核能等的发电进行管理控制的车间、对太阳光及风力等的环境发电进行管理控制的车间、对给排水或水坝等进行管理控制的车间等的车间及工厂等(下面，在对这些进行统称的情况下称为“车间”)中，构建有将称为现场仪器的测定器或操作器等现场仪器和对这些现场仪器进行控制的控制装置经由通信单元连接的分散控制系统统(DCS：Distributed Control System)，实现了高级的自动作业。
在为了实现如上所述的高级的自动作业而构建的车间的系统等中，车间的产量、运转状况、警报的产生状况等表示车间的状态的数据是由在车间内配置的传感器、测量器进行测定的。由传感器等测定出的数据会由DCS等控制装置取得而在车间的控制中进行使用。
另外，存在对从配置于车间内的传感器等取得的数据应用机械学习而对车间进行控制的技术。在车间控制中的机械学习例如包含下述步骤，即：学习步骤，将从传感器等取得的数据作为学习数据而生成模型；以及评价步骤，使用所生成的模型对状态数据进行评价(例如，参照非专利文献1)。
非专利文献1：《高見豪以及另外3位，“機械学習を用いたセンサデータ解析の可能性”，横河技報，横河電機株式会社，Vol.59 No.1(2016)p.27-30》
但是，在机械学习中，基于学习数据生成的模型非常依赖于取得学习数据的状况、条件等。例如，在将配置于车间内的传感器等的测定数据设为学习数据的情况下，生成的模型非常依赖于传感器等的使用状况、设置状况、传感器自身的劣化状况等。因此，将一个传感器的测定数据作为学习数据而生成的模型，有时无法直接使用于传感器的使用状况等不同的其他传感器的测定数据的评价。
在所生成的模型无法直接使用的情况下，例如，有时通过对所生成的模型施加人为的修正而能够使用于其他传感器的测定数据的判定。
但是，在难以将传感器的使用状况等的差别客观地数值化时，有时所生成的模型的人为的修正是困难的。
另外，在所生成的模型无法直接使用的情况下，能够将其他传感器的测定数据作为学习数据而新生成模型。但是，在针对每个传感器生成模型时，针对每个传感器都需要学习步骤，有时模型生成会花费时间和成本。
发明内容
本发明就是鉴于上述情况而提出的，目的在于提供一种利用机械学习而生成用于对车间的运转状况进行判定的判定模型的通用性高的信息处理装置、信息处理方法、信息处理程序及记录介质。
(1)为了解决上述的课题，本发明的信息处理装置具有：状态数据取得部，其取得表示车间的运转状态的状态数据；第1分类部，其生成对所述状态数据进行分类的判定线；镜像数据生成部，其生成镜像数据，该镜像数据是使所取得的所述状态数据相对于所生成的所述判定线进行镜像化而得到的；以及第2分类部，其基于所述状态数据和所生成的所述镜像数据而生成判定模型。
(2)另外，在本发明的信息处理装置中，还具有：判定部，其使用所生成的所述判定模型对所述状态数据进行判定，生成判定结果；以及判定结果输出部，其对所生成的所述判定结果进行输出。
(3)另外，在本发明的信息处理装置中，所述第1分类部对所生成的所述镜像数据进行分类而生成判定线，所述镜像数据生成部生成使所述镜像数据相对于对所述镜像数据进行分类所生成的所述判定线而进行镜像化得到的镜像数据。
(4)另外，在本发明的信息处理装置中，还具有集合变换部，该集合变换部将所取得的所述状态数据变换为以时间为单位的集合，所述第1分类部生成对变换后的所述状态数据的集合进行分类的判定线。
(5)另外，在本发明的信息处理装置中，所述集合变换部将按照时序取得的所述状态数据，变换为以固定周期为单位进行叠加而得到的集合。
(6)另外，在本发明的信息处理装置中，还具有采样部，该采样部对所取得的所述状态数据进行采样，所述第1分类部生成对采样后的所述状态数据进行分类的判定线。
(7)为了解决上述的课题，本发明的信息处理装置具有：状态数据取得部，其取得表示车间的运转状态的状态数据；集合变换部，其将所取得的所述状态数据变换为以时间为单位的集合；以及分类部，其基于变换后的所述状态数据而生成判定模型。
(8)另外，在本发明的信息处理装置中，所述集合变换部将按照时序取得的所述状态数据，变换为以固定周期为单位进行叠加而得到的集合。
(9)为了解决上述的课题，本发明的信息处理方法包含下述步骤：状态数据取得步骤，取得表示车间的运转状态的状态数据；第1 分类步骤，生成对所述状态数据进行分类的判定线；镜像数据生成步骤，生成镜像数据，该镜像数据是使所取得的所述状态数据相对于所生成的所述判定线进行镜像化而得到的；以及第2分类步骤，基于所述状态数据和所生成的所述镜像数据而生成判定模型。
(10)为了解决上述的课题，本发明的信息处理程序使计算机执行下述处理，即：状态数据取得处理，取得表示车间的运转状态的状态数据；第1分类处理，其生成对所述状态数据进行分类的判定线；镜像数据生成处理，生成镜像数据，该镜像数据是使所取得的所述状态数据相对于所生成的所述判定线进行镜像化而得到的；以及第2 分类处理，基于所述状态数据和所生成的所述镜像数据而生成判定模型。
(11)为了解决上述的课题，本发明的记录介质记录有信息处理程序，该信息处理程序使计算机执行下述处理，即：状态数据取得处理，取得表示车间的运转状态的状态数据；第1分类处理，其生成对所述状态数据进行分类的判定线；镜像数据生成处理，生成镜像数据，该镜像数据是使所取得的所述状态数据相对于所生成的所述判定线进行镜像化而得到的；以及第2分类处理，基于所述状态数据和所生成的所述镜像数据而生成判定模型。
发明的效果
根据本发明，能够提供一种使用了机械学习的通用性高的车间控制装置、车间控制方法、车间控制程序及记录介质。
附图说明
图1是表示使用实施方式的信息处理装置的车间的结构例的图。
图2是表示实施方式的信息处理装置的硬件结构的一个例子的框图。
图3是表示实施方式的信息处理装置的软件结构的一个例子的框图。
图4A 、图 4B 是表示实施方式的信息处理装置中的状态数据的集合变换的一个例子的图。
图5A 至图 5D 是表示实施方式的信息处理装置中的判定模型生成的一个例子的图。
图6A 至图 6D 是表示实施方式的信息处理装置中的判定模型生成的另一个例子的图。
图7是表示实施方式的信息处理装置中的学习阶段的动作的一个例子的流程图。
图8是表示实施方式的信息处理装置中的执行阶段的动作的一个例子的流程图。
图9是表示实施方式的信息处理装置中的学习阶段的判定模型生成处理的动作的一个例子的流程图。
图10是表示实施方式的信息处理装置中的学习阶段的判定模型生成处理的动作的另一个例子的流程图。
图11A 至图 11C 是表示实施方式的信息处理装置中的学习阶段的镜像数据生成处理的重复情况的一个例子的图。
图12A 至图 12C 是表示实施方式的信息处理装置中的学习阶段的镜像数据生成处理的重复情况的一个例子的图。
图13是表示实施方式的信息处理装置中的学习阶段的镜像数据生成处理的重复情况的一个例子的图。
图14是表示在将实施方式的信息处理装置向劣化诊断进行应用时的软件结构的一个例子的框图。
图15是说明实施方式的信息处理装置中的向劣化诊断的应用例的图。
图16是表示在将实施方式的信息处理装置向劣化诊断进行应用时的执行阶段的动作的一个例子的流程图。
图17是表示在将实施方式的信息处理装置向劣化诊断进行应用时的执行阶段中的判定结果的一个例子的图。
具体实施方式
下面，参照附图，对本发明的一个实施方式中的信息处理装置、信息处理方法、信息处理程序及记录介质进行详细说明。
首先，使用图1，对使用信息处理装置的车间的概要进行说明。图1是表示使用实施方式的信息处理装置的车间的结构例的图。在图 1中，车间100具有信息处理装置1、基干业务系统2、制造执行系统3、运转控制装置4、操作盘5、保养仪器6、现场操作者终端7、以及车间仪器P0。车间仪器P0具有反应器P1、传感器S1、反应器 P2以及传感器S2。车间仪器P0生成规定的生成物(生产物)。
反应器P1是例如使投入的材料进行化学反应而生成生成物的装置。传感器S1对表示反应器P1的运转状态的状态数据进行测定。表示反应器P1的运转状态的状态数据是例如反应器P1内部的压力、温度、pH、生成物的流量等物理量的数据。传感器S1是将测定出的反应器P1的状态数据输入至运转控制装置4的输入仪器。
传感器S2对表示反应器P2的运转状态的状态数据进行测定。在本实施方式中，假设反应器P2是与反应器P1类似的反应器，生成与反应器P1类似的生成物。另外，假设传感器S2与传感器S1相同地对状态数据(例如温度)进行测定。另一方面，由于传感器S2安装于反应器P2，因此与安装于反应器P1的传感器S1之间测定数据不同。另外，传感器S2的设置时期、运作率有可能不同，传感器的劣化程度有可能不同。
信息处理装置1取得由传感器S1或传感器S2测定出的车间P0 的状态数据。信息处理装置1对所取得的状态数据进行学习而生成判定模型，利用所生成的判定模型，对所取得的状态数据进行判定。信息处理装置1也可以将判定出的判定结果输出至制造执行系统3、运转控制装置4、保养仪器6、以及现场操作者终端7。此外，信息处理装置1的动作的详情在后面叙述。
此外，在图1中对车间仪器P0具有反应器P1、传感器S1、反应器P2以及传感器S2的情况进行了说明，但车间仪器P0的仪器结构不限定于此，例如，车间仪器P0也可以具有储存箱、阀、泵、其他传感器等仪器。将车间仪器P0所具有的传感器S1、传感器S2、阀或者泵等在下面称为“现场仪器”。另外，对图1中图示的各仪器进行连接的线示出为有线或无线的通信线。有线通信或无线通信也可以经由未图示的通信仪器及网络而进行。
基干业务系统2是例如会计处理、生产管理、销售管理等用于对经营资源进行管理的面向工艺制造业的ERP(Enterprise Resource Planning：经营资源统合)系统。基干业务系统2也可以将车间的运转状态的信息作为经营资源的管理信息而进行利用。另外，基干业务系统2也可以包含对车间的保养、修理的业务信息进行管理的保养管理系统。基干业务系统2为例如服务器装置、台式型PC等通用计算机。
制造执行系统3为例如位于基干业务系统2和运转控制装置4 之间的MES(Manufacturing Execution System)，对由运转控制装置4取得的车间仪器P0的动作状态、作业者的作业状况等进行监视，或者进行管理。制造执行系统3取得在信息处理装置1中判定出的判定结果，将用于基于判定结果使车间仪器P0进行动作的运转指示输出至运转控制装置4。制造执行系统3为例如服务器装置、台式型PC 等通用计算机。
运转控制装置4基于从传感器S1取得的反应器P1的状态数据，对未图示的泵、阀进行控制，对反应器P1中的生成物的生成进行控制。另外，运转控制装置4基于从传感器S2取得的反应器P2的状态数据，对未图示的泵、阀进行控制，对反应器P2中的生成物的生成进行控制。另外，运转控制装置4将从传感器S1取得的反应器P1 的状态数据和从传感器S2取得的反应器P2的状态数据向信息处理装置1进行输出。运转控制装置4也可以取得在信息处理装置1中判定出的判定结果，基于判定结果对车间仪器P0进行控制。运转控制装置4为例如FA(Factory Automation)计算机、PLC(Programmable Logic Controller)等装置。
操作盘5是用于由车间的现场操作者对现场仪器的动作状态进行监视、对现场仪器进行操作的装置。操作盘5具有例如灯、显示器等显示仪器、或者按钮开关、键盘等操作仪器。在本实施方式中，也可以取得在信息处理装置1中判定出的判定结果，对判定结果进行显示。
保养仪器6是用于由现场操作者进行现场仪器的保养的仪器。现场仪器的保养是指，例如，对在现场仪器中设定的仪器信息读取而进行确认的处理、对现场仪器设定新的仪器信息(参数)的处理、对在现场仪器中设定的仪器信息进行调整或变更的处理、以及对现场仪器设定仪器信息而执行规定的动作的处理等。保养仪器6也可以将从现场仪器在线取得的状态数据发送至信息处理装置1。另外，保养仪器6也可以取得在信息处理装置1中判定出的判定结果，对判定结果进行显示。保养仪器6为笔记本型或平板型的计算机、PDA(Personal Digital Assistant)或智能手机等。
现场操作者终端7是由现场操作者所持的终端装置。现场操作者终端7也可以取得在信息处理装置1中判定出的判定结果，对判定结果进行显示。现场操作者终端7为笔记本型或平板型的计算机、PDA 或智能手机等。
信息处理装置1与制造执行系统3、运转控制装置4、保养仪器 6以及现场操作者终端7进行通信。信息处理装置1从运转控制装置 4或保养仪器6取得传感器S1及传感器S2的状态数据。信息处理装置1基于所取得的状态数据对车间的运转状态进行学习，生成用于对车间的运转状态进行判定的判定模型(有时省略“模型”)。信息处理装置1基于所生成的判定模型，对新取得的状态数据进行判定，将判定结果输出至制造执行系统3、运转控制装置4、保养仪器6以及现场操作者终端7。
下面，使用图2，对信息处理装置1的硬件结构进行说明。图2 是表示实施方式中的信息处理装置1的硬件结构的一个例子的框图。
在图2中，信息处理装置1具有CPU(Central Processing Unit) 11、RAM(RandomAccess Memory)12、ROM(Read Only Memory)13、 HDD(Hard Disk Drive)14、显示装置15、输入装置16、通信I/F (Interface)17以及对它们进行连接的总线19。
信息处理装置1为例如服务器装置、台式型PC等通用计算机、 FA计算机、PLC等的装置、笔记本型或平板型的计算机、PDA、或者智能手机等。信息处理装置1代替或辅佐面板操作员(board operator)，例如，也可以设置于未图示的由面板操作员进行监视的监视终端附近。
CPU 11通过执行在RAM 12、ROM 13或HDD 14中存储的程序，从而进行信息处理装置1的控制。CPU 11执行用于实现后面叙述的信息处理装置1的动作的信息处理程序。信息处理程序例如从记录有信息处理程序的记录介质、或从经由网络提供信息处理程序的服务器等取得，安装至HDD 14，能够从CPU 11读出地存储于RAM 12。
显示器15为具有显示功能的例如液晶显示器。显示装置15也可以通过头戴型显示器、眼镜型显示器、腕表型显示器等各种形式而实现。输入装置16为具有输入功能的例如键盘或鼠标。输入装置16 也可以为对声音信息进行输入的麦克风、对图像信息进行输入的照相机等。此外，显示装置15和输入装置16也可以通过触摸面板等具有显示功能和输入功能的装置而实现。
通信I/F 17对经由有线通信或无线通信与制造执行系统3、运转控制装置4、保养仪器6、现场操作者终端7等其他装置的通信进行控制。通信I/F 17执行与所连接的其他装置进行数据收发、声音通话或者邮件收发等的通信控制。通信I/F 17也可以执行与例如ISA(International Society of Automation：国际测量控制学会)的无线通信标准即ISA100、HART(Highway Addressable Remote Transducer)(注册商标)、BRAIN(注册商标)、FOUNDATION Fieldbus、 PROFIBUS等工业仪器专用的通信标准相对应的通信控制。另外，通信I/F 17也可以执行与无线LAN通信、有线LAN通信、红外线通信、近距离无线通信等通用通信标准相对应的通信控制。
下面，使用图3，对信息处理装置1的软件结构进行说明。图3 是表示实施方式中的信息处理装置1的软件结构的一个例子的框图。
在图3中，信息处理装置1具有状态数据取得部101、预处理器 102、教师标签创建部103、集合变换部104、采样部105、第1分类部106、镜像数据生成部107、第2分类部108、判定模型存储部109、判定部110以及判定结果输出部111的各功能。信息处理装置1的上述各功能是通过对信息处理装置1进行控制的信息处理程序而实现的功能模块。信息处理程序也可以从提供程序的服务器提供，或者从记录介质提供。
状态数据取得部101取得表示车间P0的运转状态的状态数据。在本实施方式中，作为状态数据，例示出由传感器S1或传感器S2 测量出的测量数据。状态数据取得部101经由运转控制装置4等而取得状态数据。
预处理器102执行对由状态数据取得部101取得的状态数据进行的预处理，预处理是指，通过对在机械学习中进行学习的教师数据进行选择及调整，由此使在后面叙述的处理中生成的机械学习的判定模型的精度提高的处理。在本实施方式中，设为预处理器102作为预处理而进行离群值排除处理和标准化处理。离群值排除处理是对在所取得的状态数据之中不适用于学习的离群值进行排除的处理。关于状态数据是否为离群值，能够通过例如将状态数据设为标本的情况下的标准偏差、规定的检定方法而进行判断。预处理器102也可以设为将在例如车间的启动时、关闭时或者休止时等预计会取得异常的状态数据时的状态数据作为离群值而进行排除。标准化处理是对所取得的状态数据进行分析而对状态数据的振幅进行调整(归一化)的处理。标准化是例如通过使状态数据的振幅与所取得的振幅的最大值一致而进行的。此外，状态数据的预处理的实施的有无以及预处理的方法是任意的。
教师标签创建部103创建对状态数据添加的标签。在使用教师数据的机械学习中，教师标签创建部103对状态数据添加标签而使机械学习带有标签的状态数据。教师标签创建部103例如能够创建分类为“正常”和“异常”的2种标签。另外，教师标签创建部103也可以设为创建“分类1”～“分类N”为止的N种标签。教师标签创建部103 也可以对所取得的状态数据的一部分添加标签(半监督式学习)。此外，在进行无标签学习、强化学习的情况下，也可以不执行由教师标签创建部103进行的标签创建。
集合变换部104将所取得的状态数据变换为以时间为单位的集合。在车间中取得的状态数据大多非常依赖于取得状态数据的时间。例如，在从8点至17点为止作业的车间中，在平日8点开始车间的作业，在12点的午休暂时休止作业，从13点重新开始作业，然后在17点作业结束。因此，例如平日的8点至8点10分的车间的作业状态大多是与在次日的同时间的车间的作业状态类似的状态，另一方面，在同日内，8点至8点10分的作业状态也大多与16点50分至 17点的作业状态不同。即，车间的作业状态大多以规定的周期而重复，所取得的状态数据也以规定的周期而受到作业状态的影响。如果使受到这种作业状态的影响的、具有明显的倾向的状态数据包含于在生成判定模型时的教师数据，则判定模型的精度会降低。另一方面，大多难以将这种明显的倾向手动进行去除。
在本实施方式中，考虑到明显的倾向之中的以规定的周期反复变动的车间的作业状态的特征，将所取得的状态数据变换为以时间为单位的集合。例如，集合变换部104将按照时序逐次取得的状态数据变换为以24小时等固定周期为单位叠加得出的集合。通过以固定周期为单位进行叠加，由此能够使由周期内的时间对状态数据造成的影响变得清楚。通过使由周期内的时间对状态数据造成的影响变得清楚，由此能够在后面叙述的采样部105、第1分类部106、镜像数据生成部107以及第2分类部108中进行去除。
采样部105从所取得的状态数据之中对教师数据进行随机采样。通过进行随机采样，能够创建出难以受到由周期内的时间对状态数据造成的影响的集合(子集)。此外，随机采样的执行是任意的。例如，在试图通过判定模型进行检测的状态数据的倾向被明显的倾向完全掩盖的情况下，也可以跳过随机采样。
第1分类部106生成对状态数据进行分类的判定线。判定线是用于对状态数据进行聚类的边界线。第1分类部106能够使用例如 SVM(Support Vector Machine)等非线性分类器。SVM能够将状态数据作为输入数据，生成用于对状态数据进行聚类的判定线。在第1 分类部106中为了生成判定线而使用的状态数据，是在状态数据取得部101中取得的状态数据、或者在后面叙述的镜像数据生成部107 中附加镜像数据后的状态数据。为了生成判定线而使用的状态数据也可以是对状态数据实施规定的运算处理得出的数据。此外，关于SVM中的聚类，通常通过应用严格的条件而提高分类的精度。但是，本实施方式中的第1分类部106通过应用宽松的条件而使得用于对状态数据的倾向进行判定的分类的精度下降，另一方面，能够对在状态数据的集合中包含的大致的明显倾向进行提取。
镜像数据生成部107生成镜像数据，该镜像数据是使所取得的状态数据相对于在第1分类部106中生成的判定线进行镜像化而得到的。镜像数据与原本的状态数据相对于判定线而对称，映射出明显的倾向。镜像数据生成部107通过将生成的镜像数据和原本的状态数据相加，由此能够将明显的倾向取消。镜像数据生成部107将相加后的镜像数据和状态数据输出至第2分类部108，此外，镜像数据生成部 107也可以根据由第2分类部108得到的测试数据的评价结果，重复进行多次镜像数据的生成。关于镜像数据的重复生成，使用流程图等在后面叙述。
第2分类部108基于状态数据和所生成的镜像数据而生成判定模型。第2分类部108利用将相加后的状态数据和所生成的镜像数据设为输入数据的SVM等非线性分类器，生成判定模型，该判定模型是从取消了明显的倾向后的状态数据之中对判定对象的状态数据的倾向进行聚类而得出的。第2分类部108也可以在分类的类别为n类(多类)的情况下，使用相对于n类而准备“nC2”个SVM的多类SVM (MMSVM)的方法。
第2分类部108与第1分类部106不同，生成用于按照在通常的聚类中使用的严格的条件进行分类的判定模型。通过用于按照严格的条件进行分类的判定模型，能够对状态数据的倾向进行判定。
第2分类部108利用提前准备的测试数据对所生成的判定模型进行评价。测试数据是预先对状态数据的倾向的分类结果(正解)已知的数据。第2分类部108对利用所生成的判定模型得到的测试数据的评价(期待值)是否大于或等于规定值进行评价。在期待值大于或等于规定值的情况下，第2分类部108将所生成的判定模型存储至判定模型存储部109。另一方面，在期待值小于规定值的情况下，第2 分类部108将状态数据和所生成的镜像数据输入至镜像数据生成部 107，再一次生成镜像数据，重新生成判定模型。第2分类部108通过重复上述处理直至期待值大于或等于规定值，由此可以生成能够对状态数据的倾向进行判定的判定模型。第2分类部108将重复进行生成的最优的判定模型存储至判定模型存储部109。
判定部110在执行阶段中，使用由第2分类部108生成的判定模型，对状态数据进行判定而生成判定结果。判定结果为例如对图1 中说明的传感器S1等的劣化、故障进行诊断的诊断结果。判定部110 将所生成的判定结果对判定结果输出部111进行输出。
判定结果输出部111将从判定部110取得的判定结果输出至图1 中说明的制造执行系统3、运转控制装置4、保养仪器6以及现场操作者终端7。
此外，在第1分类部106或第2分类部108中使用的机械学习的方法不限定于SVM，也可以使用例如Deep Learning等神经网络的方法。
此外，对在图3中的信息处理装置1的状态数据取得部101、预处理器102、教师标签创建部103、集合变换部104、采样部105、第 1分类部106、镜像数据生成部107、第2分类部108、判定模型存储部109、判定部110以及判定结果输出部111的各功能是通过软件实现的情况进行了说明。但是，上述各功能之中的大于或等于1个功能也可以是通过硬件而实现的。另外，上述各功能也可以将1个功能分割为多个功能而实施。另外，上述各功能也可以将大于或等于2个功能汇集为1个功能而实施。
下面，使用图4，对信息处理装置1中的状态数据的集合变换进行说明。图4是表示实施方式的信息处理装置中的状态数据的集合变换的一个例子的图。
图4(A)示出了在状态数据取得部101中按照时序取得的集合变换前的状态数据。图4(A)的横轴为时间，纵轴为所取得的状态数据的值。在图4(A)中，将连续4天取得的状态数据的值按照时序进行排列。图4(A)示出了状态数据的值具有在每天8点左右急剧上升、在每天17点左右急剧下降的周期性。因此，在将状态数据的值直接作为教师数据而进行机械学习的情况下，生成的模型会较大地受到由时刻造成的影响，判定精度差的可能性高。另一方面，由于由时刻造成的状态数据的影响是复杂的，因此难以对状态数据的值进行人为的修正。
在图4(B)中，将图4(A)的按照时序取得的状态数据的集合在集合变换部104中以从每天0点至24点为止的24小时周期为单位进行叠加而进行标准化。通过将状态数据以周期为单位进行叠加而进行标准化，由此能够将显著的倾向排除。
下面，使用图5，对信息处理装置1中的判定模型生成进行说明。图5是表示实施方式的信息处理装置中的判定模型生成的一个例子的图。在图5(A)～图5(D)中，横轴为时间，纵轴为状态数据的值。此外，状态数据的横轴和纵轴的参数是任意的(在图6中也是同样的)。
图5(A)示出了所取得的状态数据。图中的○标记表示从正常的传感器S1取得的状态数据。图中的×标记表示从劣化的传感器S1 取得的状态数据。从劣化的传感器S1取得的状态数据与从正常的传感器S1取得的状态数据相比，状态数据偏移了规定的值。
图5(B)示出了针对图5(A)的所取得的状态数据而在第1分类部106中生成的判定线L1。此外，图5(B)示出了判定线L1与横轴平行的情况，但判定线不限定于与横轴平行的情况。
图5(C)是对所取得的状态数据附加了相对于判定线L1对称的镜像数据的图。即，镜像数据相对于判定线L1而对称地配置。
图5(D)示出针对图5(C)的状态数据和镜像数据，由第2分类部108生成判定模型而将图示的矩形的区域设为判定区域A1。通过在对原本的状态数据附加相对于判定线L1镜像化而得到的镜像数据之后，生成判定区域A1，由此能够将由传感器的劣化造成的状态数据的偏移取消。判定区域A1示出为与图5(B)的利用判定线L1 分类的区域相比，能够针对由×标记所示的劣化的状态数据而以严格的条件设定判定区域。
下面，使用图6，对信息处理装置1中的判定模型生成的另一个例子进行说明。
图6是表示实施方式的信息处理装置1中的判定模型生成的另一个例子的图。
在图6(A)～图6(D)中，横轴为时间，纵轴为状态数据的值。
图6(A)示出了所取得的状态数据。在图6中也与图5相同地，图中的○标记表示从正常的传感器S1取得的状态数据。另外，图中的×标记表示从劣化的传感器S1取得的状态数据。从劣化的传感器S1取得的状态数据与从正常的传感器S1取得的状态数据相比，状态数据向图示左上方进行了偏移。
图6(B)示出了针对图6(A)的所取得的状态数据而在第1分类部106中生成的判定线L2。判定线L2是将图6(B)所示的区域分割为左上区域和右下区域的具有规定的倾斜度的直线。
图6(C)是对所取得的状态数据附加了相对于判定线L2对称的镜像数据的图。即，镜像数据相对于判定线L2而对称地配置。
图6(D)示出针对图6 (C)的状态数据和镜像数据，由第2分类部108生成判定模型而将图示的圆形的区域设为判定区域A2。通过在对原本的状态数据附加相对于判定线L2镜像化而得到的镜像数据之后，生成判定区域A2，由此能够将由传感器的劣化造成的状态数据的偏移取消。判定区域A2示出为与图6(B)的利用判定线L2 分类的区域相比，能够针对由×标记所示的劣化的状态数据而以严格的条件设定判定区域。
另外，在本实施方式中，判定区域不仅示出为矩形，有时也为圆形等。
下面，使用图7，对信息处理装置1中的学习阶段的动作进行说明。图7是表示实施方式的信息处理装置中的学习阶段的动作的一个例子的流程图。学习阶段是基于状态数据生成判定模型而直至进行登记为止的处理。图7所示的流程图的动作在图3中进行了说明。设为在信息处理装置1的各功能中进行执行。因此，下面的处理的动作主体作为信息处理装置1而进行说明。
在图7中，信息处理装置1判断是否取得了状态数据(步骤S11)。关于是否取得了状态数据的判断，例如，能够根据状态数据取得部 101是否从传感器S1取得了状态数据而进行判断。在判断为未取得状态数据的情况下(步骤S11：NO)，信息处理装置1重复步骤S11 的处理，等待取得状态数据。
另一方面，在判断为取得了状态数据的情况下(步骤S11：YES)，信息处理装置1将离群值排除(步骤S12)。排除离群值能够在预处理器102中进行。在执行了步骤S12的处理后，信息处理装置1执行标准化的处理(步骤S13)。标准化的处理也能够在预处理器102中进行。
在执行了步骤S13的处理后，信息处理装置1执行教师标签创建处理(步骤S14)。关于教师标签创建处理，能够通过由教师标签创建部103对成为教师数据的状态数据添加创建出的标签而执行。教师数据是在步骤S13中标准化后的状态数据。
在执行了步骤S14的处理后，信息处理装置1将按照时序取得的状态数据变换为以时间为单位的集合(步骤S15)。关于将按照时序取得的状态数据变换为以时间为单位的集合，如图4所述，能够通过由集合变换部104将状态数据以固定周期为单位进行叠加而执行。
在执行了步骤S15的处理后，信息处理装置1从在步骤S14的处理中变换得出的集合之中对状态数据进行随机采样(步骤S16)。关于随机采样，能够通过由采样部105从所取得的状态数据之中对成为教师数据的状态数据进行随机采样而执行。通过随机采样，能够创建难以受到由周期内的时间造成的影响的子集。
在执行了步骤S16的处理后，信息处理装置1执行判定模型生成处理(步骤S17)。关于判定模型，是生成用于在执行阶段中对状态数据进行判定的模型的处理。判定模型是用于根据状态数据是否处于判定区域内而进行判定的模型。判定模型为例如图5所示的判定区域A1、图6所示的判定区域A2。判定模型生成处理能够通过第1分类部106、镜像数据生成部107以及第2分类部108而执行。判定模型生成处理的详情使用图9及图10在后面叙述。
在执行了步骤S17的处理后，信息处理装置1对所生成的判定模型进行登记(步骤S18)。关于判定模型的登记，能够通过将由第 2分类部108生成的判定模型存储至判定模型存储部109而执行。在执行了步骤S18的处理后，信息处理装置1结束图7所示的流程图中的学习阶段的动作。
下面，使用图8，对信息处理装置1中的执行阶段的动作进行说明。图8是表示实施方式的信息处理装置1中的执行阶段的动作的一个例子的流程图。执行阶段是基于图7中说明的学习阶段中生成的判定模型对所取得的状态数据进行判定的处理。图8所示的流程图的动作也在图3中进行了说明。设为在信息处理装置1的各功能中进行执行。下面的处理的动作主体作为信息处理装置1而进行说明。
在图8中，信息处理装置1判断是否取得了状态数据(步骤S21)。关于是否取得了状态数据的判断，能够与图7的步骤S11的处理相同地进行执行。在判断为未取得状态数据的情况下(步骤S21：NO)，信息处理装置1重复步骤S21的处理，等待取得状态数据。
另一方面，在判断为取得了状态数据的情况下(步骤S21：YES)，信息处理装置1将离群值排除(步骤S22)。将离群值排除的处理能够在预处理器102中进行。在执行了步骤S22的处理后，信息处理装置1执行标准化的处理(步骤S23)。标准化的处理也能够在预处理器102中进行。
在执行了步骤S23的处理后，信息处理装置1与图7的步骤S15 的处理相同地，将按照时序取得的状态数据变换为以时间为单位的集合(步骤S24)。
在执行了步骤S24的处理后，信息处理装置1执行判定处理(步骤S25)。关于判定处理，是在步骤S21中取得的状态数据在应用于在学习阶段中创建的判定模型时是否包含于判定区域的判定。判定处理在存在多个判定区域的情况下，进行包含于哪个区域的判定。
在执行了步骤S25的处理后，信息处理装置1将判定结果输出 (步骤S26)。关于判定结果的输出，判定结果输出部111对运转控制装置4等进行输出。对运转控制装置4等输出的判定结果被作为例如对反应器P1的运转进行控制的信息而进行利用。判定结果输出部111也可以将判定结果通过向图2的显示装置15的信息显示、由文字或者声音发出的警报等而进行输出。
此外，在步骤S25的处理中利用的判定模型也可以为多个。例如，在将状态数据聚类为多个分类的情况下，也可以将对每个分类应用的判定模型进行变更。
下面，使用图9，对图7的步骤S17中的判定模型生成处理的详情进行说明。图9是表示实施方式的信息处理装置中的学习阶段的判定模型生成处理的动作的一个例子的流程图。
在图9所示的步骤S17的判定模型生成处理中，信息处理装置1 生成判定线(步骤S111)。判定线的生成是在图3的第1分类部106 中执行的处理。关于判定线的生成，例如，如图5(B)或图6(B) 所述，是在将添加有正常数据和劣化数据的标签的状态数据作为教师数据进行输入的情况下的判定线。
在执行了步骤S111的处理后，信息处理装置1生成镜像数据(步骤S112)。关于镜像数据的生成，如图5(C)或图6(C)所述，是由镜像数据生成部107执行的处理，针对状态数据而生成相对于判定线L2或判定线L2而对称的镜像数据。镜像数据被附加于原本的状态数据。
在执行了步骤S112的处理后，信息处理装置1生成判定模型(步骤S113)。判定模型的生成能够由第2分类部108执行。
在执行了步骤S113的处理后，信息处理装置1使用测试数据对所生成的判定模型的精度进行评价(步骤S114)。对测试数据预先添加有正确的分类标签，判定模型的精度根据在通过判定模型对测试数据进行判定时的分类的正解率的高低而进行评价。能够对正解率设置预先设定的阈值(期待值)。信息处理装置1判断测试数据的正解率是否大于或等于预先设定的期待值(步骤S115)。在正解率小于预先设定的期待值的情况下(步骤S115：NO)，信息处理装置1再一次执行步骤S11的处理，直至正解率成为大于或等于期待值为止，重复执行从步骤S111至步骤S114的处理。此外，重复次数也可以限制于预定的次数。信息处理装置1也可以对在预定的重复次数之中正解率最高的判定模型进行选择。
另一方面，在正解率大于或等于预先设定的期待值的情况下(步骤S115：YES)，信息处理装置1判断该判定模型能够在执行阶段进行利用，决定判定模型(步骤S116)。在执行步骤S116的处理后，信息处理装置1结束图9所示的步骤S17的处理。
下面，使用图10，对图7的步骤S17中的判定模型生成处理进行说明。在图10中说明的步骤S17的处理是与在图9中说明的处理不同的实施方式。图10是表示实施方式的信息处理装置中的学习阶段的判定模型生成处理的动作的另一个例子的流程图。
在图10所示的步骤S17的判定模型生成处理中，信息处理装置 1将1带入至代数n(步骤S121)。代数n是在下面说明的步骤S122 至步骤S125的处理的重复次数。
在执行了步骤S121的处理后，信息处理装置1生成判定线(步骤S122)。步骤S122的处理与图9中说明的步骤S111的处理相同。另外，在执行了步骤S122的处理后执行的步骤S123的镜像数据生成处理以及步骤S124的判定模型生成处理，也与图9中的步骤S112 的处理以及步骤S113的处理相同，因此省略说明。
在执行了步骤S124的处理后，信息处理装置1对在步骤S124 的处理中生成的判定模型n进行临时登记(步骤S125)。判定模型n 是在步骤S122至步骤S125的处理的第n次重复时生成的判定模型。
由于重复次数为后面叙述的N次，因此对判定模型1至判定模型N为止的N个判定模型进行临时登记。另外，临时登记是直至图 10所示的流程图的处理结束为止的暂时性的登记。
在执行了步骤S125的处理后，信息处理装置1判断是否n＝N (步骤S126)。N为预定的步骤S122至步骤S125的处理的重复上限次数，N为大于或等于1的整数。例如，在N＝2的情况下，步骤S122 至步骤S125的处理执行2次。在判定为不是n＝N的情况下(步骤 S126：NO)，信息处理装置1在n上加1(步骤S127)，再次执行步骤S122的处理。
另一方面，在判断为n＝N的情况下(步骤S126：YES)，信息处理装置1对在步骤S125的处理中临时登记的判定模型1～N分别执行基于测试数据的评价(步骤S128)。判定模型的评价与图9的步骤S114的处理相同，对测试数据的正解率进行评价。
在执行了步骤S128的处理后，信息处理装置1将在步骤S128 的处理中评价(正解率)被评价为最高的判定模型决定为在执行阶段使用的判定模型(步骤S129)。在执行步骤S129的处理后，信息处理装置1结束图10所示的步骤S17的处理。
如上所述，图9中说明的判定模型生成处理为，直至生成的判定模型大于或等于规定的期待值为止生成基于判定线的镜像数据而生成判定模型，与此相对，图10中说明的判定模型生成处理为，在执行了规定次重复的基于判定线进行的镜像数据的生成和判定模型的生成中，对评价最高的判定模型进行选择，在这点上两个判定模型的生成方法有所不同。
如图9或图10所述，在本实施方式中，通过生成对状态数据进行分类的判定线，生成使状态数据相对于所生成的判定线进行镜像化得到的镜像数据，基于状态数据和所生成的镜像数据而生成判定模型，由此利用机械学习而生成用于对车间的运转状况进行判定的判定模型的信息处理装置能够提高通用性。例如，即使在传感器S1和传感器S2中的明显的倾向不同的情况下，信息处理装置1也能够自动地生成它们的判定模型，而无需通过手动进行的教师数据的修正等。即，能够对输出明显的倾向不同的状态数据的车间，进行利用了机械学习的通用性高的信息处理。
下面，使用图11至图13，对在图9及图10中说明的镜像数据的重复生成进行说明。图11、图12以及图13是表示实施方式的信息处理装置中的学习阶段的镜像数据生成处理的重复情况的一个例子的图。图11至图13例示出重复次数为2次的情况。
在图11(A)至图11(C)中的横轴为时间，纵轴为状态数据的值。
图11(A)示出了所取得的状态数据的集合。图示下侧的圆形标记表示正常的传感器S1中的状态数据(下面，省略为“正常数据”)，图示上侧的×标记表示劣化的传感器S1中的状态数据(下面，省略为“劣化数据”)。图11(A)是在集合变换部104中将所取得的状态数据以规定的周期进行叠加得出的集合。
图11(B)示出了基于图11(A)的状态数据生成的判定线L31。判定线L31作为判定线而生成于正常数据和劣化数据的中间。即，判定线L31能够对正常数据和劣化数据进行分类，但无法对在正常数据之中存在的状态数据的变化进行判定。另外，也无法对在劣化数据之中存在的状态数据的变化进行判定。
图11(C)示出了将基于所生成的判定线L31而生成的镜像附加于原本的状态数据后的集合。如图11(C)所示，在对镜像数据和状态数据进行了1次叠加的情况下，也难以在各个区域示出正常数据和劣化数据的特征，即使基于图11(C)的状态数据而生成判定模型，也会成为对于测试数据正解率低的精度低的判定模型。例如，在图9 中说明的判定模型生成的处理中，在步骤S115的处理中正解率未大于或等于规定的期待值(步骤S115：NO)，再次在步骤S111的处理中生成判定线，在步骤S112的处理中生成镜像数据。接下来说明的图12是针对图11中说明的处理进一步生成判定线而生成镜像数据的处理。
图12(A)将附加了图11(C)所示的镜像数据后的集合变换为以频率为横轴的集合。图11(C)所示的集合以判定线L31为中心而上下为相同的判定数据的集合，因此在下面的说明中对仅利用判定线 L31的单侧(上侧)的情况进行说明。为了将横轴为时间的数据的横轴变换为频率，进行例如FFT(Fast Fourier Transform：高速傅里叶变换)。在传感器等中，存在测定值伴随劣化而以增加或减少的方式发生偏移的情况、伴随劣化而测定值的频率不断偏移的情况。例如，在伴随劣化而发生了测定值的偏移和频率的偏移这两者的传感器中，仅将测定值的偏移取消的话无法将频率的偏移取消，通过测试数据得出的正解率降低。在基于这种具有明显的倾向的传感器得到的状态数据中，通过一起进行用于将测定值的偏移取消的镜像数据的附加和用于将频率的偏移取消的镜像数据的附加，由此能够生成精度高的判定模型。
图12(B)示出了针对图12(A)的集合而生成判定线L32。判定线L32是将正常数据和劣化数据按照频率进行分类的判定线。
图12(C)示出了使用在图12(B)中生成的判定线L32，对状态数据附加镜像数据。通过相对于按照频率得出的判定线而附加镜像数据，由此能够将由劣化造成的频率的偏移取消。
图13是表示将图12(C)的集合再次变换为时间轴的图。如上所述，图12仅对图11(C)中的判定线L31的上侧进行频率变换而附加镜像数据，因此在图13中也成为与图11(C)的上侧相对应的集合。图13为频率的偏移被取消的状态数据的集合。通过对该数据进行学习，能够在数值的偏移的取消的基础上，还生成能够对频率的偏移被取消的状态数据进行判定的判定模型。
在本实施方式中，使用在第1次学习中生成的判定线对状态数据附加镜像数据，将附加有镜像数据的状态数据设为第2次学习的输入数据。并且，使用在第2次学习中生成的判定线，对第2次学习的输入数据即状态数据附加该镜像数据。通过重复进行这样的镜像数据的附加，能够将在状态数据中包含的多个明显的倾向取消。此外，镜像数据的附加的重复次数是任意的。
下面，使用图14，对信息处理装置向劣化诊断的应用进行说明。图14是表示在将实施方式的信息处理装置向劣化诊断进行应用时的软件结构的一个例子的框图。
图14所示的信息处理装置1a具有用于对不可逆的劣化等现象进行判定的功能。难以定量地掌握劣化现象对状态数据造成的影响，在将状态数据作为教师数据而进行输入时，难以进行人为的调整。例如传感器根据使用频度、使用年月等而劣化不断发展，已知上述定性的倾向为明显的倾向。但是，劣化的发展状况根据传感器的个体差、传感器的使用状况等不固定，难以定量地掌握劣化的影响。因此，即使在将传感器的测定数据作为状态数据而取得时，进行作为正常数据或作为劣化数据的标签添加，也难以将对一个传感器的状态数据进行学习而生成的判定模型应用于其他传感器。
在图14中说明的信息处理装置1a就是鉴于这种状况而提出的，为了对不可逆的劣化的现象进行判定而对本实施方式进行了特化。在这里，不可逆的劣化是指，随着劣化的发展而偏移的值单调增加、或者单调减少的情况下的劣化，是指在劣化的中途已偏移的值不会恢复原状或发生变动的劣化。在本实施方式中，将不可逆的劣化称为单调劣化。
在图14中，信息处理装置1a具有状态数据取得部101、预处理器102、劣化教师标签创建部121、集合变换部104、采样部105、第 1分类部106、镜像数据生成部107、第2分类部108、单调劣化检测部122、劣化模型存储部123、判定部110以及判定结果输出部111 的各功能。信息处理装置1a的上述各功能是通过对信息处理装置1a 进行控制的信息处理程序而实现的功能模块。信息处理程序也可以从提供程序的服务器提供，或者从记录介质提供。
此外，信息处理装置1a的状态数据取得部101、预处理器102、集合变换部104、采样部105、第1分类部106、镜像数据生成部107、第2分类部108、判定部110以及判定结果输出部111的各功能与图 3中说明的信息处理装置1的各功能相同，因此标注相同标号，省略下面的说明。
劣化教师标签创建部121是图3中说明的教师标签创建部103 的一个方式，创建与传感器等相对应地对劣化的发展状况的添加的标记。劣化教师标签创建部121与传感器相应地，例如创建“劣化1”、“劣化2”“劣化3”、“劣化4”、“正常”共5种标签。劣化的发展状况设为“正常”→“劣化4”→“劣化3”→“劣化2”→“劣化1”的顺序而单调劣化。标签的种类、数量能够通过传感器等进行变更。例如，在图1中示出了在车间内使用传感器S1和传感器S2共2个传感器的情况，在传感器S1和传感器S2为相同型号的传感器的情况下，能够使用共通的标签。
单调劣化检测部122在学习阶段中，取得由第2分类部108创建的判定模型，判断所取得的判定模型是否与单调劣化的倾向一致。具体地说，单调劣化检测部122检测所生成的判定模型是否按照“正常”→“劣化4”→“劣化3”→“劣化2”→“劣化1”的单调劣化的顺序而进行生成。在所生成的判定模型为该顺序的情况下，能够判断出所生成的判定模型对状态数据正确地进行判定。
单调劣化检测部122在判断为所生成的判定模型生成得正确的情况下，将所生成的判定模型存储至劣化模型存储部123。另一方面，在判断为所生成的判定模型生成得不正确的情况下，单调劣化检测部 122废弃所生成的判定模型，向第1分类部106、镜像数据生成部107 以及第2分类部108进行通知。第1分类部106、镜像数据生成部107 以及第2分类部108进行针对状态数据的镜像数据的重复附加以及判定模型的重新生成。此外，在镜像数据的附加的重复次数达到规定的次数的情况下，第1分类部106、镜像数据生成部107以及第2分类部108基于新的状态数据而再一次生成判定模型，进行内部的参数的调整。
下面，使用图15，对学习阶段中的判定模型的生成例进行说明。图15是说明实施方式的信息处理装置1a中的向劣化诊断的应用例的图。
在图15中，横轴表示时间，纵轴表示状态数据的值。信息处理装置1a基于在2016年8月1日的大致0点～8点取得的状态数据，生成用于对“正常”进行判定的判定模型即正常模型。另外，信息处理装置1a基于大致同一天的大致20点～该月2日6点取得的状态数据，生成用于对“劣化4”进行判定的劣化模型4。同样地，信息处理装置1a随着时间的经过而生成用于对“劣化3”进行判定的劣化模型 3、用于对“劣化2”进行判定的劣化模型2、以及用于对“劣化1”进行判定的劣化模型1。假设，在学习阶段中生成的劣化模型未以上述顺序而生成的情况下，单调劣化检测部122判断针对单调劣化的劣化模型没有正确地生成，将所生成的劣化模型废弃。在针对单调劣化的劣化模型正确地生成的情况下，单调劣化检测部122将所生成的劣化模型进行登记而结束学习阶段。信息处理装置1a利用所记录的劣化模型而执行在执行阶段中的处理。
下面，使用图16，对在将信息处理装置1a向劣化诊断进行应用时的执行阶段中的、图8中说明的步骤S25的判定处理的动作进行说明。图16是表示在将实施方式的信息处理装置向劣化诊断进行应用时的执行阶段的动作的一个例子的流程图。
在图16中，信息处理装置1a(判定部110)从劣化模型存储部 123读取在学习阶段中生成的劣化模型(正常模型～劣化模型1)(步骤S211)。
在执行了步骤S211的处理后，信息处理装置1a对所取得的状态数据应用所读取的劣化模型，判断是否存在劣化(步骤S212)。
在劣化模型对状态数据的应用为单调劣化的情况下，以正常模型→劣化模型4→劣化模型3→劣化模型2→劣化模型1的顺序进行。
在判断为存在劣化的情况下(步骤S213：YES)，信息处理装置 1a通过利用劣化模型4～劣化模型1进行的判定而进行劣化1～劣化 4的判定(步骤S214)。在单调劣化的情况下，通常以劣化模型4→劣化模型3→劣化模型2→劣化模型1的顺序进行判定，但例如状态数据的取得周期相对于劣化的发展而言较长的情况下，有时一部分劣化的判定尚未进行，就对下个等级的劣化进行判定。
另一方面，在判定为不存在劣化的情况下(步骤S213：NO)，信息处理装置1a进行正常判定(步骤S215)。在执行步骤S214的处理后或者执行步骤S214的处理后，信息处理装置1a结束图16的流程图所示的步骤S25的判定处理。
下面，使用图17，对在将信息处理装置1a向劣化诊断进行应用时的执行阶段中的判定结果进行说明。图17是表示在将实施方式的信息处理装置向劣化诊断进行应用时的执行阶段中的判定结果的一个例子的图。
在图17中，图的横轴表示时间，纵轴表示状态数据的值。此外，图17所示的图为了易于说明，利用了与在图15中说明的学习阶段中利用的图相同的图。
在执行阶段，信息处理装置1a基于劣化模型4将在2016年8 月1日的大致20点～同月2日6点取得的状态数据判定为“劣化4”，将判定结果输出。同样地，信息处理装置1a随着时间的经过而基于劣化模型3判定出“劣化3”，基于劣化模型2判定出“劣化2”，并且基于劣化模型1判定出“劣化1”，将判定结果输出。
在本实施方式中，设为在各劣化模型中进行判定的状态数据的判定区域不重叠。但是，在各劣化模型中进行判定的判定区域也可以设定为是重复的。
如上所述，本实施方式的信息处理装置具有：状态数据取得部，其取得表示车间的运转状态的状态数据；第1分类部，其生成对所述状态数据进行分类的判定线；镜像数据生成部，其生成镜像数据，该镜像数据是使所取得的所述状态数据相对于所生成的所述判定线进行镜像化而得到的；以及第2分类部，其基于所述状态数据和所生成的所述镜像数据而生成判定模型，由此，能够提供一种利用机械学习而生成用于对车间的运转状况进行判定的判定模型的通用性高的信息处理装置。
此外，上述的信息处理装置1只要是具有上述功能的装置即可，例如，也可以通过如下系统而实现，即，由多个装置的组合而构成，并且将各个装置可通信地进行连接。另外，信息处理装置1也可以作为图1中说明的运转控制装置4、保养仪器6或者现场操作者终端7的功能的一部分而实现。此外，制造执行系统3、运转控制装置4也与信息处理装置1相同地，以也可以通过如下系统而实现，即，由多个装置的组合而构成，并且将各个装置可通信地进行连接。
另外，本实施方式的信息处理方法包含下述步骤：状态数据取得步骤，取得表示车间的运转状态的状态数据；第1分类步骤，生成对所述状态数据进行分类的判定线；镜像数据生成步骤，生成镜像数据，该镜像数据是使所取得的所述状态数据相对于所生成的所述判定线进行镜像化而得到的；以及第2分类步骤，基于所述状态数据和所生成的所述镜像数据而生成判定模型，由此，能够提供一种利用机械学习而生成用于对车间的运转状况进行判定的判定模型的通用性高的信息处理方法。
此外，本实施方式的信息处理方法中的上述各步骤的执行顺序并不限定于上述步骤的记载顺序，也可以按照任意顺序执行。
另外，也可以将用于对构成在本实施方式中说明的装置的功能进行实现的程序记录于计算机可读取的记录介质，通过将在该记录介质中记录的程序读入至计算机系统并进行执行，由此进行本实施方式的上述的各种处理。此外，在这里所述的“计算机系统”也可以是包含OS、周边仪器等硬件。另外，“计算机系统”如果是利用WWW系统的情况，则设为还包含主页提供的环境(或者显示环境)。另外，“计算机可读取的记录介质”是指软盘、光磁盘、ROM、闪存等可写入的非易失性存储器、CD-ROM等移动介质、以及在计算机系统中内置的硬盘等存储装置。
并且，假设“计算机可读取的记录介质”也包含如经由互联网等网络、电话线路等通信线路而发送程序的情况下的成为服务器、客户端的计算机系统内部的易失性存储器(例如DRAM(Dynamic Random Access Memory))这样将程序保存一定时间的介质。另外，上述程序也可以从在存储装置等中储存有该程序的计算机系统经由传输介质、或者通过传输介质中的传输波而传输给其他计算机系统。在这里，将程序进行传输的“传输介质”是指如互联网等网络(通信网)、电话线路等通信线路(通信线)这样具有传输信息的功能的介质。另外，上述程序也可以用于实现前面叙述的功能的一部分。并且，也可以通过与已经记录于计算机系统的程序的组合而实现前面叙述的功能，即所谓的差分文件(差分程序)。
以上参照附图对本发明的实施方式进行了说明，但具体的结构不限定于本实施方式，还包含在不脱离本发明的主旨的范围的各种变更。

Claims (8)

1.一种信息处理装置，其具有：
状态数据取得部，其从工业车间中劣化程度不同的多个传感器，取得表示所述工业车间的运转状态的状态数据；
第1分类部，其生成对所述状态数据进行分类的判定线；
镜像数据生成部，其使所取得的所述状态数据相对于所生成的所述判定线进行镜像化而生成镜像数据，通过将所述镜像数据与所取得的所述状态数据相加而消除所取得的所述状态数据的测定条件不同的影响；以及
第2分类部，其基于所述状态数据和所生成的所述镜像数据而生成判定模型。
2.根据权利要求1所述的信息处理装置，还具有：
判定部，其使用所生成的所述判定模型对所述状态数据进行判定，生成判定结果；以及
判定结果输出部，其对所生成的所述判定结果进行输出。
3.根据权利要求1或2所述的信息处理装置，其中，
所述第1分类部对所生成的所述镜像数据进行分类而生成判定线，
所述镜像数据生成部生成使所述镜像数据相对于对所述镜像数据进行分类所生成的所述判定线而进行镜像化得到的镜像数据。
4.根据权利要求1或2所述的信息处理装置，其中，
还具有集合变换部，该集合变换部将所取得的所述状态数据变换为以时间为单位的集合，
所述第1分类部生成对变换后的所述状态数据的集合进行分类的判定线。
5.根据权利要求4所述的信息处理装置，其中，
所述集合变换部将按照时序取得的所述状态数据，变换为以固定周期为单位进行叠加而得到的集合。
6.根据权利要求1或2所述的信息处理装置，其中，
还具有采样部，该采样部对所取得的所述状态数据进行采样，
所述第1分类部生成对采样后的所述状态数据进行分类的判定线。
7.一种信息处理方法，其包含下述步骤：
状态数据取得步骤，从工业车间中劣化程度不同的多个传感器，取得表示所述工业车间的运转状态的状态数据；
第1分类步骤，生成对所述状态数据进行分类的判定线；
镜像数据生成步骤，使所取得的所述状态数据相对于所生成的所述判定线进行镜像化而生成镜像数据，通过将所述镜像数据与所取得的所述状态数据相加而消除所取得的所述状态数据的测定条件不同的影响；以及
第2分类步骤，基于所述状态数据和所生成的所述镜像数据而生成判定模型。
8.一种记录介质，其记录有信息处理程序，该信息处理程序使计算机执行下述处理，即：
状态数据取得处理，从工业车间中劣化程度不同的多个传感器，取得表示所述工业车间的运转状态的状态数据；
第1分类处理，其生成对所述状态数据进行分类的判定线；
镜像数据生成处理，使所取得的所述状态数据相对于所生成的所述判定线进行镜像化而生成镜像数据，通过将所述镜像数据与所取得的所述状态数据相加而消除所取得的所述状态数据的测定条件不同的影响；以及
第2分类处理，基于所述状态数据和所生成的所述镜像数据而生成判定模型。
CN201710910806.8A 2016-10-12 2017-09-29 信息处理装置、信息处理方法、信息处理程序及记录介质 Active CN107942956B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2016201072A JP2018063545A (ja) 2016-10-12 2016-10-12 情報処理装置、情報処理方法、情報処理プログラム及び記録媒体
JP2016-201072 2016-10-12

Publications (2)

Publication Number Publication Date
CN107942956A CN107942956A (zh) 2018-04-20
CN107942956B true CN107942956B (zh) 2020-09-08

Family

ID=60201808

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710910806.8A Active CN107942956B (zh) 2016-10-12 2017-09-29 信息处理装置、信息处理方法、信息处理程序及记录介质

Country Status (4)

Country Link
US (1) US10331090B2 (zh)
EP (1) EP3312695B1 (zh)
JP (1) JP2018063545A (zh)
CN (1) CN107942956B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7238279B2 (ja) * 2018-06-22 2023-03-14 中国電力株式会社 機械学習装置及び燃焼状態判定装置
CN113508343A (zh) * 2019-02-28 2021-10-15 西门子股份公司 更新工业模型的数据的方法和装置
EP3764179A1 (en) * 2019-07-08 2021-01-13 ABB Schweiz AG Assessing conditions of instustrial equipment and processes
JP2021060633A (ja) * 2019-10-02 2021-04-15 ファナック株式会社 診断装置
JP7391601B2 (ja) * 2019-10-11 2023-12-05 キヤノン株式会社 情報処理装置、情報処理システム、学習モデルの生成方法、異常予測方法、およびプログラム
JP7452509B2 (ja) * 2021-09-30 2024-03-19 横河電機株式会社 監視装置、監視方法、および監視プログラム

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010237892A (ja) * 2009-03-31 2010-10-21 Hitachi Ltd データ分類方法及び装置
US20120290879A1 (en) * 2009-08-28 2012-11-15 Hisae Shibuya Method and device for monitoring the state of a facility
JP2015184805A (ja) * 2014-03-20 2015-10-22 株式会社東芝 モデル更新装置及びモデル更新方法
JP2016162437A (ja) * 2015-03-05 2016-09-05 学校法人早稲田大学 パターン分類装置、パターン分類方法およびパターン分類プログラム
JP2016164772A (ja) * 2015-02-26 2016-09-08 富士電機株式会社 プロセス監視装置、プロセス監視方法及びプログラム

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050233742A1 (en) * 2004-04-16 2005-10-20 Jeyhan Karaoguz Location based directories Via a broadband access gateway
US8355885B2 (en) * 2004-07-01 2013-01-15 David Krien LLC Computerized imaging of sporting trophies
US8135653B2 (en) * 2007-11-20 2012-03-13 Hitachi, Ltd. Power plant control device which uses a model, a learning signal, a correction signal, and a manipulation signal
WO2010007138A2 (en) * 2008-07-18 2010-01-21 Hövding Sverige Ab A method, device, and computer program product for event detection while preventing misclassification
JP5740459B2 (ja) * 2009-08-28 2015-06-24 株式会社日立製作所 設備状態監視方法
DE102012200592A1 (de) * 2012-01-17 2013-07-18 Robert Bosch Gmbh Verfahren und Vorrichtung zur Ermittlung eines Zustands eines Sensors
WO2014014377A1 (en) * 2012-07-19 2014-01-23 Siemens Aktiengesellschaft A method for processing measurements of a plurality of sensors installed at a technical system

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2010237892A (ja) * 2009-03-31 2010-10-21 Hitachi Ltd データ分類方法及び装置
US20120290879A1 (en) * 2009-08-28 2012-11-15 Hisae Shibuya Method and device for monitoring the state of a facility
JP2015184805A (ja) * 2014-03-20 2015-10-22 株式会社東芝 モデル更新装置及びモデル更新方法
JP2016164772A (ja) * 2015-02-26 2016-09-08 富士電機株式会社 プロセス監視装置、プロセス監視方法及びプログラム
JP2016162437A (ja) * 2015-03-05 2016-09-05 学校法人早稲田大学 パターン分類装置、パターン分類方法およびパターン分類プログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
機械学習を用いたセンサデータ解析の可能性;髙見 豪等;《横河技报》;20160830;第59卷(第1期);第27-30页 *

Also Published As

Publication number Publication date
EP3312695A1 (en) 2018-04-25
EP3312695B1 (en) 2021-09-01
CN107942956A (zh) 2018-04-20
US20180101148A1 (en) 2018-04-12
US10331090B2 (en) 2019-06-25
JP2018063545A (ja) 2018-04-19

Similar Documents

Publication Publication Date Title
CN107942956B (zh) 信息处理装置、信息处理方法、信息处理程序及记录介质
US11126150B2 (en) Information processing device, information processing method, and storage medium
JP5943357B2 (ja) 検出装置、検出方法、およびプログラム
CN111385140B (zh) 生成监控网络物理系统的数据以早期确定异常的系统和方法
RU2724075C1 (ru) Система и способ определения источника аномалии в кибер-физической системе, обладающей определенными характеристиками
US20200259725A1 (en) Methods and systems for online monitoring using a variable data
JP2019101495A (ja) 診断装置、診断方法、プログラム、および記録媒体
Sony et al. Multiclass damage identification in a full-scale bridge using optimally tuned one-dimensional convolutional neural network
US11435736B2 (en) Cause determination of anomalous events
US20190188574A1 (en) Ground truth generation framework for determination of algorithm accuracy at scale
EP3324253B1 (en) Information processing device, maintenance apparatus, information processing method, program, and storage medium
US20220065405A1 (en) Methods and apparatus for concurrent digital pressure analysis
Franco et al. Predictive maintenance: An embedded system approach
US20230325640A1 (en) Artificial intelligence-based anomaly detection and prediction
EP3180667B1 (en) System and method for advanced process control
CN116360384A (zh) 用于诊断和监控信息物理系统中的异常的系统和方法
RU2784981C1 (ru) Способ диагностики и мониторинга аномалий в кибер-физической системе
US11237550B2 (en) Ultrasonic flow meter prognostics with near real-time condition based uncertainty analysis
Biswas A brief appraisal of machine learning in industrial sensing probes
Martins Industrial Sensors Online Monitoring and Calibration Through Hidden Markov Models
US20230086626A1 (en) System and method for detection of anomalies in test and measurement results of a device under test (dut)
Tabassum et al. Search for Articles
WO2024043888A1 (en) Real time detection, prediction and remediation of machine learning model drift in asset hierarchy based on time-series data

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
GR01 Patent grant
GR01 Patent grant