CN107944563B - 机械学习装置以及机械学习方法 - Google Patents
机械学习装置以及机械学习方法 Download PDFInfo
- Publication number
- CN107944563B CN107944563B CN201710934296.8A CN201710934296A CN107944563B CN 107944563 B CN107944563 B CN 107944563B CN 201710934296 A CN201710934296 A CN 201710934296A CN 107944563 B CN107944563 B CN 107944563B
- Authority
- CN
- China
- Prior art keywords
- information
- machine learning
- motor
- learning
- warning
- 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
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 76
- 238000007689 inspection Methods 0.000 claims abstract description 135
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000009413 insulation Methods 0.000 claims description 8
- 238000009826 distribution Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 description 11
- 230000007547 defect Effects 0.000 description 9
- 230000006872 improvement Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000003860 storage Methods 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000004804 winding Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000005347 demagnetization Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000005415 magnetization Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B19/00—Alarms responsive to two or more different undesired or abnormal conditions, e.g. burglary and fire, abnormal temperature and abnormal rate of flow
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Control Of Electric Motors In General (AREA)
- General Factory Administration (AREA)
- Manufacture Of Motors, Generators (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及学习对象物出货时检查信息与运转时警告信息的相关关系的机械学习装置以及机械学习方法。该机械学习装置学习将对象物出货时检查到的出货时检查信息与上述对象物进行运转期间产生的运转时警告信息之间的相关关系,该机械学习装置具备:状态观测部,其观测上述出货时检查信息以及上述运转时警告信息;以及学习部,其根据通过上述状态观测部观测到的上述出货时检查信息以及上述运转时警告信息来制作学习模型。
Description
技术领域
本发明涉及学习对象物出货时检查信息与运转时警告信息的相关关系的机械学习装置以及机械学习方法。
背景技术
目前,例如在以通过CNC(Computer Numerical Control,计算机数值控制)进行控制的机床以及机器人为代表的各种电动机械设备中,利用电动机(电动机:对象物)。这种电动机通常在将机床或机器人等产品出货时进行出货检查,之后,交给用户。这不仅涉及利用了电动机的产品,并且涉及例如电动机自身的出货时也进行出货检查,之后交给用户。另外,在本说明书中,将在出货时检查到的电动机或利用了电动机的产品的信息称为出货时检查信息。
另外,在交给了用户后,机床或机器人等产品(电动机)例如在实际的现场(场地)中被利用(运转),但是在运转该机床的过程中会产生警告(警报)。在该运转中产生的警告包括例如基于电动机绝缘故障或伺服放大器的故障等的电气故障、或者基于轴承缺陷或金属疲劳等的机械的(结构的)故障等各种因素。另外,在本说明书中,将在运转电动机或利用了电动机的产品期间产生的警告信息称为运转时警告信息。
进一步,在本说明书中,进行机械学习来学习出货时检查信息和运转时警告信息的相关关系的对象物,主要以电动机(利用了电动机的产品)为例进行说明,但是该对象物不限定于电动机,例如可以是以伺服驱动电动机的伺服放大器为代表,能够取得出货时检查信息和运转时警告信息的各种对象物。
目前,不太关注关于上述对象物(电动机)的出货时检查信息和运转时警告信息的相关关系,另外,即使电动机的出货时检查信息和运转时警告信息有相关关系,人们在分析(整理)该相关关系时需要很多的劳力。另外,例如每个电动机(包括由各种电动机机械设备所使用的电动机)的使用条件(例如周围的温度和湿度、运转时间、使用时负荷的大小等),根据实际所利用的现场而大大不同,因此人们难以把握其实际的利用条件并且诠释电动机的出货时检查信息和运转时警告信息的相关关系。
目前例如日本特开07-174616号公报公开一种检查装置,即根据小型电动机等的被检测体的振动或从被检测体发出的声音来检查被检测体有无异常。该检查装置通过传感器检测被检测体的振动或从被检测体发出的声音来进行包络线检波以及傅立叶转换,通过运算部求出被检测体有无异常的确定因素,并且将表示傅立叶转换信号的特征向量信号输入给神经网络,并求出被检测体有无异常的确定因素,基于通过运算部以及神经网络双方求出的确定因素进行模糊运算,判定被检测体有无异常。
另外,目前例如日本特表2007-528985号公报公开一种技术,即利用机械学习系统来进行在半导体晶圆上形成的结构的光学测量。即,检查在半导体晶圆上形成的结构的方法为,为了取得利用测量装置测量到的第一衍射信号,并取得利用机械学习系统所生成的第二衍射信号,接收表征结构的轮廓的一个以上的参数作为输入。并且,比较第一衍射信号和第二衍射信号,当第一衍射信号和第二衍射信号在一致基准的范围内一致时,为了生成第二衍射信号,根据通过机械学习系统所利用的轮廓或一个以上的参数来求出结构的形状。
此外,目前例如日本特开2004-354250号公报公开以下技术,即作为能够处理拍摄了被检测物的图像并有效且高精度地分类缺陷的缺陷检查装置,与在被检测物的制造工序中产生的特有的应该分类的每个缺陷对应地设置神经网络,按照应该分类的每个缺陷学习各个神经网络,通过学习结束的神经网络按照应该分类的每个缺陷来检测被检测物有无缺陷。这里,神经网络包括将在被检测物的曝光工序中以拍摄单位产生的散焦缺陷进行分类的拍摄散焦缺陷用神经网络,作为输入到神经网络中的预处理,与输入层大小对应地进行图像大小的转换。
如上所述,目前现有技术文献公开以下技术,即通过神经网络求出电动机有无异常的确定因素的技术,或者根据机械学习模型进行半导体晶圆等检查的技术。
但是,如上所述,并未关注电动机的出货时检查信息和运转时警告信息的相关关系,另外,即使电动机的出货时检查信息和运转时警告信息有相关关系,人们在分析该相关关系时需要很多的劳力,因此变得比较困难。
此外,每个电动机的利用条件因实际所利用的现场的不同而大不相同,因此考虑到人们难以把握其实际的利用条件并且诠释电动机的出货时检查信息和运转时警告信息的相关关系,这种追加了实际利用条件的电动机的出货时检查信息和运转时警告信息的相关关系,依赖于熟练的技术人员或者在现场长期利用电动机的用户的经验和直觉。
鉴于上述现有技术的问题,本发明的目的为得到对象物的出货时检查信息和运转时警告信息的相关关系。这样,如果得到对象物的出货时检查信息和运转时警告信息的相关关系,则例如能够解决出货检查项目的改善、对象物结构的改良以及寿命的把握和质量的提高等各种问题。
发明内容
根据本发明的第一实施方式,提供一种机械学习装置,学习在对象物出货时检查到的出货时检查信息与上述对象物进行运转期间产生的运转时警告信息的相关关系,该机械学习装置具备:状态观测部,其观测上述出货时检查信息以及上述运转时警告信息;以及学习部,其根据通过上述状态观测部观测到的上述出货时检查信息以及上述运转时警告信息来生成学习模型。
优选地,上述学习部制作上述出货时检查信息以及上述运转时警告信息的分布相关关系,来作为学习模型。上述机械学习装置进一步具备:输出利用部,其根据通过上述学习部生成的上述学习模型,输出对在上述对象物运转期间产生的警告有影响的、上述对象物出货时的检查项目。上述学习部能够对上述出货时检查信息以及上述运转时警告信息进行聚类来生成上述学习模型。优选地,上述学习部进行以分层结构运算处理上述出货时检查信息以及上述运转时警告信息的分层型聚类,或者进行将上述出货时检查信息以及上述运转时警告信息按照节点间距离运算处理为预定数量的非分层型聚类,从而制作上述学习模型。
上述机械学习装置能够具备神经网络。上述机械学习装置构成为,能够与至少一个其他机械学习装置连接,在与至少一个上述其他机械学习装置之间相互交换或共享由上述机械学习装置的上述学习部生成的学习模型。上述机械学习装置存在于第一云服务器上,上述其他机械学习装置也可以存在于与上述第一云服务器不同的第二云服务器上。上述对象物是电动机,上述出货时检查信息能够包括与上述电动机的机种以及上述电动机的检查日关联的多个检查项目的检查结果。上述对象物是伺服驱动电动机的伺服放大器,上述出货时检查信息业能够包括与上述伺服放大器的机种以及上述伺服放大器的检查日关联的多个检查项目的检查结果。上述出货时检查信息包括上述对象物相关的绝缘电阻值、接地电阻值、电流值以及开关时的浪涌电压中的至少一个,上述运转时警告信息优选包括上述对象物相关的过电流警告、噪音警告以及过负荷警告中的至少一个。
根据本发明的第二实施方式,提供一种机械学习方法,学习在对象物出货时检查到的出货时检查信息与上述对象物进行运转期间产生的运转时警告信息的相关关系,该机械学习方法观测上述出货时检查信息以及上述运转时警告信息,根据观测到的上述出货时检查信息以及上述运转时警告信息来生成学习模型。
在上述学习模型的制作中,优选制作将上述出货时检查信息以及上述运转时警告信息的分布相关关系来作为学习模型。上述机械学习方法进一步能够根据所制作的上述学习模型,输出对在上述对象物运转期间产生的警告有影响的、上述对象物出货时的检查项目。在上述学习模型的制作中,对上述出货时检查信息以及上述运转时警告信息进行聚类而进行制作。
附图说明
通过参照以下的附图能够明确地理解本发明。
图1是示意地表示本发明的机械学习装置的一个实施方式的图。
图2是用于说明适用于图1所示的机械学习装置的运算处理的一例的图,并且,
图3是用于说明适用于图1所示的机械学习装置的运算处理的另一例的图。
具体实施方式
以下参照附图详细描述本发明的机械学习装置以及机械学习方法的实施方式。另外,在以下的记载中,关于进行机械学习并学习出货时检查信息和运转时警告信息的相关关系的对象物,主要以电动机为例进行了说明,但是该对象物不限定于电动机,例如也可以是以伺服驱动电动机的伺服放大器为首,能够取得出货时检查信息和运转时警告信息的各种对象物。
图1是示意地表示本发明的机械学习装置的一个实施方式的图。如图1所示,本实施方式的机械学习装置2包括状态观测部21、学习部22以及输出利用部23。状态观测部21观测例如在将电动机(对象物)出货时检查到的出货时检查信息(X1n)以及在电动机运转期间产生的运转时警告信息(X2n),来作为从环境1施加的输入数据。
这里,环境1中包括例如在将电动机出货时进行检查并输出出货时检查信息(X1n)的电动机的检查装置11、以及在电动机运转期间产生警告并输出运转时警告信息(X2n)的电动机的控制装置12。通过状态观测部21观测到的出货时检查信息(X1n)以及运转时警告信息(X2n)被输入到学习部22,学习部22制作出货时检查信息(X1n)以及运转时警告信息(X2n)的分布相关关系,来作为学习模型。
输出利用部23例如根据由学习部22制作的学习模型,输出对在电动机运转期间产生的警告有影响的、电动机出货时的检查项目。另外,输出利用部23也可以设置在机械学习装置2的外部,另外,基于由学习部22制作的学习模型的输出利用部23的输出不限定于对在上述的电动机运转期间产生的警告有影响的、电动机出货时的检查项目。
这里,学习部22对出货时检查信息(X1n)以及运转时警告信息(X2n)适用“无教师学习”,例如进行聚类(clustering)来生成学习模型。即,学习部22进行以分层结构对出货时检查信息(X1n)以及运转时警告信息(X2n)进行运算处理的分层型聚类,或者进行按照节点间距离将出货时检查信息(X1n)以及运转时警告信息(X2n)运算处理为预定数量的非分层型聚类,从而生成上述学习模型。
图2是用于说明适用于图1所示的机械学习装置的运算处理的一例的图,是用于说明非分层型聚类(基于k平均(k-means)法的聚类)的图。另外,图3是用于说明适用于图1所示的机械学习装置的运算处理的另一例的图,表示适用于分层型聚类中的用于维度压缩的自动编码器(自编码器)的神经网络的一例。
本实施方式的机械学习装置(机械学习方法)适用“无教师学习”来进行聚类,根据所输入的出货时检查信息(X1n)以及运转时警告信息(X2n)的数据,通过解析而提取其中有用的规则和知识表现、判断基准等,输出其判断结果,并且进行知识的学习(机械学习)。另外,机械学习装置2例如利用神经网络,但是在实际构成机械学习装置2时,也能够利用通用的运算机或处理器,但是如果适用例如GPGPU(General-Purpose computing on GraphicsProcessing Units,图形处理单元上的通用运算)和大规模PC群等,能够更高速地处理。
这里,“无教师学习”是如下一种方法,即通过仅将输入数据大量地赋予机械学习装置2,由此学习输入数据进行了怎样的分布,例如即使未如“有教师学习”那样赋予相应的教师输出数据,也通过对输入数据进行压缩/分类/整形等的装置来进行学习。例如能够将输入数据组的特征在相似者中聚类等,根据该结果设置某基准并进行将其最优化的输出的分配,从而能够实现输出的预测。另外,本说明书中的“无教师学习”是包括例如被称为“有教师学习”和“无教师学习”的中间的“半有教师学习”的宽泛意义上的“无教师学习”。
即,如图2所示,机械学习装置2(学习部22)接收出货时检查信息(X1n)以及运转时警告信息(X2n),例如根据节点间距离(图2的各个点间的距离),聚类为预定数量(例如k=3),由此能够得到集合体A、B、C。即,能够得到基于电动机(对象物)的出货时检查信息(X1n)以及运转时警告信息(X2n)的相关关系的集合体A、B、C。
另外,如图3所示,例如在将所输入的电动机的出货时检查信息(X1n)以及运转时警告信息(X2n)分层化并聚类时,能够为了维度压缩而将神经网络3适用为自动编码器。另外,作为神经网络(自动编码器)3的输入X(输入数据Xn),例如是电动机的出货时检查信息(X1n)以及运转时警告信息(X2n),输出分层地聚类后的输出数据Yn来作为输出Y。另外,图2所示的非分层型聚类以及图3所示的分层型聚类是简单的例子,毋庸置疑的,本实施方式的机械学习装置2能够适应已知的各种“无教师学习”的方法。
另外,本实施方式的机械学习装置2如后面详细描述那样,例如能够设置在制造商的服务器上,但是机械学习装置2能够与至少一个其他机械学习装置连接,在与至少一个其他机械学习装置之间能够相互交换或共享由各自的机械学习装置(2)的学习部(22)所生成的学习模型。另外,例如能够将设置了这些机械学习装置2的服务器设为经由了互联网等通讯线路的不同的云服务器。
这样,根据本实施方式的机械学习装置(机械学习方法),能够得到对象物(电动机)的出货时检查信息和运转时警告信息的相关关系(例如图2的集合体A、B、C)。另外,得到的相关关系有可能是例如出货时检查信息的浪涌电压和运转时警告信息的噪音警告(通信错误的警告),或者是出货时检查信息的接地电阻和运转时警告信息的通信错误的警告等各种警告。而且,如果得到对象物的出货时检查信息和运转时警告信息的相关关系,则例如能够解决出货检查项目的改善、对象物结构的改良以及寿命的把握和质量的提高等各种问题。
接着,说明本实施方式的机械学习装置(机械学习方法)的适用例。首先,通过电动机的检查装置11在电动机的出货时实施出货检查,并且取得在该出货时进行的检查信息(X1n)。这里,作为各个电动机的出货时检查信息(X1n),例如是电动机的种类(机种)、检查日、绝缘电阻值、绕组电阻值、反电动势电压值、驱动中的电流值以及轴摩擦转矩值等,该出货时检查信息(X1n)记录在存储装置(例如硬盘驱动器或闪存等非易失性存储装置)中。
进一步,在电动机出货后,取得各个电动机运转中的运转时警告信息(X2n)。这里,作为各个电动机的运转时警告信息(X2n),例如是警告的内容、到发生警告为止的时间、警告发生时的速度、转矩、电流、温度等,该运转时警告信息(X2n)记录在存储装置中。另外,作为警告的种类,例如是过电流警告、噪音警告(噪音为预定水平以上时产生的警告和通信错误时产生的警告)、过负荷警告(电动机的过热时产生的警告)以及移动时的误差过大等。
另外,上述各个电动机的出货时检查信息(X1n)被存储在例如电动机或利用了电动机的产品的制造商的服务器(服务器的存储装置)中。另外,每个电动机的运转时警告信息(X2n)例如被暂时存储在控制该电动机的控制装置12的存储装置中,例如由制造商的服务工程师将存储在该控制装置12的存储装置中的运转时警告信息(X2n)从控制装置12复制到制造商的服务器中来进行存储。或者,每个电动机的运转时警告信息(X2n)例如从电动机的控制装置12经由互联网等通讯线路被直接上传到制造商的服务器中而构成。这样,例如存在于制造商的服务器中的机械学习装置2能够将每个电动机的出货时检查信息(X1n)以及运转时警告信息(X2n)作为输入来进行学习(处理)。
接着,例如说明存在于制造商的服务器中的本实施方式的机械学习装置的处理。首先,根据电动机的出货时检查信息(X1n)以及运转时警告信息(X2n),生成(X1n)和(X2n)的相关关系来作为学习模型,从该学习模型输出属于影响警告信息(X2n)的电动机的出货时检查信息(X1n)的出货检查项目(a1、a2、a3、a4、……)。
而且,对于随着特定警告的故障(伴随过电流警告的电动机的接地故障以及伴随过热警告的电动机的退磁等),根据影响警告的电动机的出货时检查信息(X1n),例如能够基于还未产生故障而进行运转的电动机的出货检查项目的信息(出货时检查信息)来预测故障的发生率。即,能够根据电动机的出货时检查信息(X1n)以及运转时警告信息(X2n)的相关关系,例如基于运转中的预定电动机的出货时检查信息来预测该预定电动机的故障发生率。作为从该电动机(对象物)的出货时检查信息和运转时警告信息的相关关系得到的效果,不限于这种电动机故障发生率的预测,可以是各种情况。
例如关于伴随过热警告的电动机的退磁,能够如以下那样推定原因,并能够进行迅速的对策。即,当出货时检查信息(出货时的检查)的反电动势电压产生影响时,例如能够推定为原因在于设计上磁铁的选定或磁铁的磁化。另外,出货时检查信息的绕组电阻有影响时,例如能够推定为原因在于制造上的绕组。进一步,当出货时检查信息中的轴摩擦电阻值有影响时,例如能够推定为原因在于制造时对轴承有损伤因此摩擦电阻变大。
另外,当在某个出货日以后增加发生了特定的警告时,例如能够推定为所使用的部件或制造设备等变化点是原因。进一步,当在特定的机种中,警告的发生增加时,例如推定为设计上有该机种特有的原因。另外,在任何情况下,确认出货时检查信息和运转时警告信息的相关,由此能够对场地(现场)中的运转中的每个电动机预测故障的发生率,另外,在应对故障的情况下也能够有效地进行要应对的对象的锁定(确定)等。
在上述说明中,作为对象物,以电动机为例进行了说明,也说明对对象物电动机进行伺服驱动的伺服放大器的情况。此时,伺服放大器的出货时检查信息(X1n)中包括伺服放大器的机种、与伺服放大器的检查日关联的多个检查项目的检查结果。具体地说,作为伺服放大器的出货时检查信息(X1n),包括与伺服放大器相关的绝缘电阻值、接地电阻值、电流值以及开关时的浪涌电压等,另外,作为运转时警告信息(X2n),包括与伺服放大器相关的过电流警告、噪音警告以及过负荷警告(放大器的过热)等。进一步,作为通过本实施方式的机械学习装置(机械学习方法)得到的相关关系,与对象物是电动机的情况相同,会有例如出货时检查信息的浪涌电压和运转时警告信息的通信错误的警告(噪音的警告),或者出货时检查信息中的接地电阻和运转时警告信息中的通信错误的警告等各种警告。而且,如果得到对象物的出货时检查信息和运转时警告信息的相关关系,则如上述那样能够解决出货检查项目的改善、对象物结构的改良以及寿命的把握和质量的提高等各种问题。
根据本发明的机械学习装置以及机械学习方法,达到以下效果,即能够得到对象物出货时检查信息和运转时警告信息的相关关系。
以上说明了实施方式,但是这里记载的所有例子和条件都是以帮助理解适用于发明以及技术的发明概念而记载的,特别记载的例子和条件不是有意限制发明的范围的。另外,说明书那样的记载不是表示发明的优点以及缺点的记载。虽然详细地记载了发明的实施方式,但是应该理解能够不脱离发明的精神以及范围地进行各种变更、置换以及变形。
Claims (14)
1.一种机械学习装置,其学习将对象物出货时检查到的出货时检查信息与上述对象物进行运转的期间发生的运转时警告信息之间的相关关系,其特征在于,
该机械学习装置具备:
状态观测部,其观测上述出货时检查信息以及上述运转时警告信息;以及
学习部,其根据通过上述状态观测部观测到的上述出货时检查信息以及上述运转时警告信息来制作学习模型,
上述对象物是电动机,
上述出货时检查信息包括与上述电动机的机种以及上述电动机的检查日相关联的多个检查项目的检查结果、与上述电动机相关的绝缘电阻值、接地电阻值、电流值以及开关时的浪涌电压,
上述运转时警告信息包括与上述电动机相关的过电流警告、噪音警告以及过负荷警告。
2.一种机械学习装置,其学习将对象物出货时检查到的出货时检查信息与上述对象物进行运转的期间发生的运转时警告信息之间的相关关系,其特征在于,
该机械学习装置具备:
状态观测部,其观测上述出货时检查信息以及上述运转时警告信息;以及
学习部,其根据通过上述状态观测部观测到的上述出货时检查信息以及上述运转时警告信息来制作学习模型,
上述对象物是对电动机进行伺服驱动的伺服放大器,
上述出货时检查信息包括与上述伺服放大器的机种以及上述伺服放大器的检查日相关联的多个检查项目的检查结果、与上述伺服放大器相关的绝缘电阻值、接地电阻值、电流值以及开关时的浪涌电压,
上述运转时警告信息包括与上述伺服放大器相关的过电流警告、噪音警告以及过负荷警告。
3.根据权利要求1或2所述的机械学习装置,其特征在于,
上述学习部制作上述出货时检查信息以及上述运转时警告信息的分布相关关系,来作为学习模型。
4.根据权利要求1或2所述的机械学习装置,其特征在于,
上述机械学习装置还具备输出利用部,该输出利用部根据通过上述学习部制作的上述学习模型,输出对在上述对象物运转的期间发生的警告有影响的、将上述对象物出货时的检查项目。
5.根据权利要求1或2所述的机械学习装置,其特征在于,
上述学习部对上述出货时检查信息以及上述运转时警告信息进行聚类来制作上述学习模型。
6.根据权利要求5所述的机械学习装置,其特征在于,
上述学习部进行以分层结构对上述出货时检查信息以及上述运转时警告信息进行运算处理的分层型聚类,或者进行将上述出货时检查信息以及上述运转时警告信息按照节点间距离运算处理为预定数量的非分层型聚类,由此制作上述学习模型。
7.根据权利要求1或2所述的机械学习装置,其特征在于,
上述机械学习装置具备神经网络。
8.根据权利要求1或2所述的机械学习装置,其特征在于,
上述机械学习装置能够与至少一个其他机械学习装置连接,在与至少一个上述其他机械学习装置之间相互交换或共享由上述机械学习装置的上述学习部制作的学习模型。
9.根据权利要求8所述的机械学习装置,其特征在于,
上述机械学习装置存在于第一云服务器上,
上述其他机械学习装置存在于与上述第一云服务器不同的第二云服务器上。
10.一种机械学习方法,其学习将对象物出货时检查到的出货时检查信息与上述对象物进行运转的期间发生的运转时警告信息之间的相关关系,其特征在于,
观测上述出货时检查信息以及上述运转时警告信息,
根据观测到的上述出货时检查信息以及上述运转时警告信息来制作学习模型,
上述对象物是电动机,
上述出货时检查信息包括与上述电动机的机种以及上述电动机的检查日相关联的多个检查项目的检查结果、与上述电动机相关的绝缘电阻值、接地电阻值、电流值以及开关时的浪涌电压,
上述运转时警告信息包括与上述电动机相关的过电流警告、噪音警告以及过负荷警告。
11.一种机械学习方法,其学习将对象物出货时检查到的出货时检查信息与上述对象物进行运转的期间发生的运转时警告信息之间的相关关系,其特征在于,
观测上述出货时检查信息以及上述运转时警告信息,
根据观测到的上述出货时检查信息以及上述运转时警告信息来制作学习模型,
上述对象物是对电动机进行伺服驱动的伺服放大器,
上述出货时检查信息包括与上述伺服放大器的机种以及上述伺服放大器的检查日相关联的多个检查项目的检查结果、与上述伺服放大器相关的绝缘电阻值、接地电阻值、电流值以及开关时的浪涌电压,
上述运转时警告信息包括与上述伺服放大器相关的过电流警告、噪音警告以及过负荷警告。
12.根据权利要求10或11所述的机械学习方法,其特征在于,
在上述学习模型的制作中,制作上述出货时检查信息以及上述运转时警告信息的分布相关关系,来作为学习模型。
13.根据权利要求10或11所述的机械学习方法,其特征在于,
还根据所制作的上述学习模型,输出对在上述对象物运转的期间发生的警告有影响的、将上述对象物出货时的检查项目。
14.根据权利要求10或11所述的机械学习方法,其特征在于,
在上述学习模型的制作中,对上述出货时检查信息以及上述运转时警告信息进行聚类来进行制作。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016-200840 | 2016-10-12 | ||
JP2016200840A JP6542738B2 (ja) | 2016-10-12 | 2016-10-12 | 対象物の出荷時検査情報と稼働時アラーム情報の相関関係を学習する機械学習装置および機械学習方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107944563A CN107944563A (zh) | 2018-04-20 |
CN107944563B true CN107944563B (zh) | 2020-05-26 |
Family
ID=61695341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710934296.8A Active CN107944563B (zh) | 2016-10-12 | 2017-10-10 | 机械学习装置以及机械学习方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11436693B2 (zh) |
JP (1) | JP6542738B2 (zh) |
CN (1) | CN107944563B (zh) |
DE (1) | DE102017009273A1 (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6947219B2 (ja) * | 2017-09-06 | 2021-10-13 | 日本電信電話株式会社 | 異常音検知装置、異常モデル学習装置、異常検知装置、異常音検知方法、異常音生成装置、異常データ生成装置、異常音生成方法、およびプログラム |
EP3561615B1 (en) * | 2018-04-23 | 2021-07-14 | Omron Corporation | Method for operating an automation system and automation system |
JP7270489B2 (ja) * | 2019-07-10 | 2023-05-10 | 東京エレクトロン株式会社 | 性能算出方法および処理装置 |
US11373104B2 (en) * | 2019-07-26 | 2022-06-28 | Bae Systems Information And Electronic Systems Integration Inc. | Connecting OBP objects with knowledge models through context data layer |
US11449711B2 (en) * | 2020-01-02 | 2022-09-20 | Applied Materials Isreal Ltd. | Machine learning-based defect detection of a specimen |
CN111523472A (zh) * | 2020-04-23 | 2020-08-11 | 杭州海康威视系统技术有限公司 | 基于机器视觉的活动目标计数方法和设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103843015A (zh) * | 2011-07-14 | 2014-06-04 | 沙特阿拉伯石油公司 | 使用模糊逻辑检测和分类过程缺陷 |
CN104731664A (zh) * | 2013-12-23 | 2015-06-24 | 伊姆西公司 | 用于故障处理的方法和装置 |
JP5964488B1 (ja) * | 2015-07-31 | 2016-08-03 | ファナック株式会社 | 保護動作制御部を有するモータ制御装置、ならびに機械学習装置およびその方法 |
JP2016148747A (ja) * | 2015-02-12 | 2016-08-18 | 株式会社ニューフレアテクノロジー | 画像作成方法、検査方法および画像作成装置 |
Family Cites Families (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3340541B2 (ja) | 1993-12-17 | 2002-11-05 | 株式会社小野測器 | 検査装置 |
US5751910A (en) * | 1995-05-22 | 1998-05-12 | Eastman Kodak Company | Neural network solder paste inspection system |
DE19914865A1 (de) | 1999-04-01 | 2000-10-05 | Schlafhorst & Co W | Vorrichtung zum Überwachen des auf ein kurvenscheibengesteuertes Aggregat einer Maschine, insbesondere einer Textilmaschine übertragenen Drehmoments |
JP2002182737A (ja) | 2000-12-14 | 2002-06-26 | Auto Network Gijutsu Kenkyusho:Kk | 検査プログラム内蔵車載用制御ユニットとその検査装置、及び検査方法 |
JP4101473B2 (ja) * | 2001-05-09 | 2008-06-18 | 本田技研工業株式会社 | 品質向上支援方法およびシステム |
JP2004086897A (ja) * | 2002-08-06 | 2004-03-18 | Fuji Electric Holdings Co Ltd | モデル構築方法およびモデル構築システム |
US7333650B2 (en) * | 2003-05-29 | 2008-02-19 | Nidek Co., Ltd. | Defect inspection apparatus |
JP2004354250A (ja) | 2003-05-29 | 2004-12-16 | Nidek Co Ltd | 欠陥検査装置 |
US20040267397A1 (en) | 2003-06-27 | 2004-12-30 | Srinivas Doddi | Optical metrology of structures formed on semiconductor wafer using machine learning systems |
JP2005033959A (ja) * | 2003-07-10 | 2005-02-03 | Fanuc Ltd | モータ、及びモータの制御方法 |
JP4418320B2 (ja) * | 2004-07-28 | 2010-02-17 | 株式会社日立産機システム | モータ巻線ターン間部分放電計測方法 |
US7775431B2 (en) * | 2007-01-17 | 2010-08-17 | Metrologic Instruments, Inc. | Method of and apparatus for shipping, tracking and delivering a shipment of packages employing the capture of shipping document images and recognition-processing thereof initiated from the point of shipment pickup and completed while the shipment is being transported to its first scanning point to facilitate early customs clearance processing and shorten the delivery time of packages to point of destination |
JP2009157442A (ja) * | 2007-12-25 | 2009-07-16 | Toshiba Corp | データ検索装置および方法 |
JP2011145846A (ja) * | 2010-01-14 | 2011-07-28 | Hitachi Ltd | 異常検知方法、異常検知システム、及び異常検知プログラム |
JP2013097713A (ja) * | 2011-11-04 | 2013-05-20 | Nippon Telegr & Teleph Corp <Ntt> | 消費電力推定装置、方法及びプログラム |
JP5260719B2 (ja) * | 2011-11-30 | 2013-08-14 | ファナック株式会社 | 停電の有無を判定する停電判定部を有するモータ駆動装置 |
US9239989B2 (en) * | 2012-03-28 | 2016-01-19 | General Electric Company | Computer-implemented system with adaptive cognitive features and method of using the same |
JP5638043B2 (ja) * | 2012-09-07 | 2014-12-10 | ファナック株式会社 | アラームレベル設定部を有するモータ駆動装置 |
JP5746128B2 (ja) * | 2012-12-04 | 2015-07-08 | ファナック株式会社 | 保守部品の交換時期判断機能を有する工作機械 |
JP5681224B2 (ja) | 2013-03-07 | 2015-03-04 | ファナック株式会社 | 部品点検時期通知機能を有する機械の数値制御装置 |
JP5670505B2 (ja) * | 2013-04-15 | 2015-02-18 | ファナック株式会社 | 停電判定手段を有するモータ制御装置 |
JP5829247B2 (ja) * | 2013-10-16 | 2015-12-09 | ファナック株式会社 | デイジーチェーン接続されたioユニットへの一斉送信を行う数値制御装置 |
JP6340236B2 (ja) * | 2014-04-15 | 2018-06-06 | 三菱重工工作機械株式会社 | 工作機械の診断方法及びシステム |
US10713594B2 (en) * | 2015-03-20 | 2020-07-14 | Salesforce.Com, Inc. | Systems, methods, and apparatuses for implementing machine learning model training and deployment with a rollback mechanism |
DE102016008987B4 (de) * | 2015-07-31 | 2021-09-16 | Fanuc Corporation | Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt |
US10223615B2 (en) * | 2016-08-23 | 2019-03-05 | Dongfang Jingyuan Electron Limited | Learning based defect classification |
US10585693B2 (en) * | 2016-09-30 | 2020-03-10 | Uchicago Argonne, Llc | Systems and methods for metric driven deployments to cloud service providers |
-
2016
- 2016-10-12 JP JP2016200840A patent/JP6542738B2/ja active Active
-
2017
- 2017-10-05 US US15/725,437 patent/US11436693B2/en active Active
- 2017-10-05 DE DE102017009273.7A patent/DE102017009273A1/de active Pending
- 2017-10-10 CN CN201710934296.8A patent/CN107944563B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103843015A (zh) * | 2011-07-14 | 2014-06-04 | 沙特阿拉伯石油公司 | 使用模糊逻辑检测和分类过程缺陷 |
CN104731664A (zh) * | 2013-12-23 | 2015-06-24 | 伊姆西公司 | 用于故障处理的方法和装置 |
JP2016148747A (ja) * | 2015-02-12 | 2016-08-18 | 株式会社ニューフレアテクノロジー | 画像作成方法、検査方法および画像作成装置 |
JP5964488B1 (ja) * | 2015-07-31 | 2016-08-03 | ファナック株式会社 | 保護動作制御部を有するモータ制御装置、ならびに機械学習装置およびその方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2018063528A (ja) | 2018-04-19 |
US11436693B2 (en) | 2022-09-06 |
CN107944563A (zh) | 2018-04-20 |
JP6542738B2 (ja) | 2019-07-10 |
US20180101924A1 (en) | 2018-04-12 |
DE102017009273A1 (de) | 2018-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107944563B (zh) | 机械学习装置以及机械学习方法 | |
US20210011791A1 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
Borgi et al. | Data analytics for predictive maintenance of industrial robots | |
Caggiano et al. | Cloud manufacturing framework for smart monitoring of machining | |
JP6444851B2 (ja) | ノイズの発生原因を検出する学習機能を有する制御装置 | |
JP5539382B2 (ja) | 航空エンジン内の故障の識別 | |
KR101754721B1 (ko) | 제조 시스템 성능을 개선시키기 위해 자동화 기술 감독 동작들을 실행하는 반-자동화된 제조 셋업(manufacturing set-up)에서의 각각의 운영자에게 트라이벌 지식을 확인하고, 획득하고, 분류하며, 전달하는 시스템 및 장치와 그 방법 | |
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 | |
JP2020101800A (ja) | 画像ベースのメンテナンス予測および動作エラーの検出 | |
Stanisavljevic et al. | Detection of interferences in an additive manufacturing process: an experimental study integrating methods of feature selection and machine learning | |
JP2017130094A (ja) | セル制御装置、及び製造セルにおける複数の製造機械の稼働状況を管理する生産システム | |
Wöstmann et al. | A retrofit approach for predictive maintenance | |
KR20220062547A (ko) | 센서 애그나스틱 기계적 기계 결함 식별 | |
CN115867873A (zh) | 提供与分配给输入数据方法和系统的异常分数相关的警报 | |
Adam et al. | Multiple faults diagnosis for an industrial robot fuse quality test bench using deep-learning | |
Schlegel et al. | Autonomous data-driven quality control in self-learning production systems | |
US20210181732A1 (en) | Control method, control apparatus, and mechanical equipment | |
CN114139589A (zh) | 故障诊断方法、装置、设备与计算机可读存储介质 | |
Seevers et al. | Automatic detection of manufacturing equipment cycles using time series | |
Wissbrock et al. | Automate Quality Prediction in an End-of-Line Test of a Highly Variant Production of Geared Motors–Discussion of a Full Concept | |
Qin et al. | A study of fault detection and diagnosis for PLC controlled manufacturing system | |
EP4168954A1 (en) | Device, computing platform and method of analyzing log files of an industrial plant | |
JP6798968B2 (ja) | ノイズ発生原因推定装置 | |
JP2021196999A (ja) | 制御装置、上位コントローラ、制御方法、及び制御プログラム | |
WO2022097310A1 (ja) | 作業推定装置、作業推定装置の制御方法、情報処理プログラム、および記録媒体 |
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 |