CN108073153B - 传感器接口装置、测量信息通信系统及方法、存储介质 - Google Patents

Abstract

本发明提供一种传感器接口装置、测量信息通信系统及方法、存储介质。在不发送传感器的测量数据本身而发送表示测量数据特征的特征数据时，发送与连接的传感器对应的特征数据。传感器接口装置(100)具备：数据取得单元(110)，其取得基于测量单元(200)测量的物理量的数据即测量数据；存储单元(120)，其存储取得的上述测量数据；学习单元(130)，其将上述存储单元存储的测量数据群作为输入来进行机器学习，从而进行表示上述测量数据群的特征的数据即特征数据的提取；以及通信单元(140)，其将通过上述学习单元(130)提取出的上述特征数据发送给上位装置(300)，该传感器接口装置被连接在上述测量单元(200)与上述上位装置(300)的通信路径中。

Description

传感器接口装置、测量信息通信系统及方法、存储介质

技术领域

本发明的目的为提供用于接收发送通过传感器等测量到的信息的传感器接口装置、测量信息通信系统、测量信息通信方法以及计算机可读存储介质。

背景技术

一般通过传感器测量机床的振动等，并通过上位装置使用测量到的信息。此时，需要将通过传感器测量到的信息经由网络发送给上位装置。

关于这一点，近年来，随着物联网(IoT：Internet of Things)的普及，传感器数量增加。另外，如使用了AE(Acoustic Emission声发射)的故障预测那样，针对快速周期的传感器数据的取得需求升高。根据这些理由，能够预测在FA(Factory Automation工厂自动化)环境等中在网络上流动的传感器数据增加且压迫通信频带的情况。

本来，在不将传感器数据用于控制作为目的，而是将根据传感器数据进行某些判断或获取知识等(例如进行故障预测等)作为目的时，大多不需要通过传感器测量到的数据本身(所谓原始数据)，而只得到抽象度更高的特征量即可。

鉴于该点，专利文献1记载以下技术，即不接收发送通过传感器测量到的数据本身，而是接收发送根据通过该传感器测量到的数据而生成的元数据。

具体地说，专利文献1所记载的传感器节点具备：传感器，其测量物理量；数据取得部，其以预定的频率对传感器测量到的物理量进行采样来生成测量数据；控制部，其针对由数据取得部生成的测量数据进行处理；以及无线通信部，其根据控制部的指令发送数据。

在这种结构中，控制部生成提取测量数据的概要而得的元数据。并且，从无线通信部发送所生成的元数据。

在专利文献1记载的结构中，这样一来，不发送通过传感器测量到的数据本身，而发送提取出概要而得的元数据，从而能够削减所发送的数据量，确保网络中的通信频带。

但是，在上述专利文献1记载的技术中有以下的课题。

在专利文献1记载的技术中，在表示测量数据的特征的特征数据(元数据)的计算中使用写死(hard-code)的计算方法。

关于这一点，考虑到有用的特征数据根据传感器的种类而不同。因此，优选使特征数据的计算方法根据传感器的种类而不同。原来在引用文献1中，作为前提考虑传感器、控制部以及通信部等成为了一体的传感器节点的处理。即，预先确定对于哪种传感器计算特征数据。如果是这种情况，即使预先写死了计算特征数据的方法也不会产生问题。

但是，在考虑了针对各种传感器通用地连接的情况的传感器接口装置中，会产生通过写死的计算特征数据的方法不能够充分应对的问题。原因在于不知道怎样的传感器与该传感器接口装置连接，而根据所连接的传感器，有时所写死的计算方法不是适当的方法。

另一方面，在不提取特征数据而发送通过传感器测量到的数据本身的方法中，如开头所说的那样，会产生通信频带被压迫的问题。

专利文献1：日本特开2009-169888号公报

发明内容

因此，本发明的目的为提供在不发送传感器的测量数据本身，而是发送表示测量数据的特征的特征数据时，能够发送与所连接的传感器对应的特征数据的传感器接口装置、测量信息通信系统、测量信息通信方法以及计算机可读存储介质。

(1)本发明的传感器接口装置(例如后述的传感器接口装置100)具备：数据取得单元(例如后述的测量数据取得部110)，其取得基于测量单元(例如后述的传感器200)测量到的物理量的数据即测量数据；存储单元(例如后述的存储部120)，其存储取得的上述测量数据；学习单元(例如后述的学习部130)，其将上述存储单元所存储的测量数据群作为输入来进行机器学习，由此进行表示上述测量数据群的特征的数据即特征数据的提取；以及通信单元(例如后述的通信部140)，其将通过上述学习单元提取出的上述特征数据发送给上位装置(例如后述的上位装置300)，该传感器接口装置被连接在上述测量单元与上述上位装置之间的通信路径中。

(2)上述(1)所记载的传感器接口装置，在将该传感器接口装置与上述测量单元之间的通信路径设为第一通信路径，将该传感器接口装置与上述上位装置之间的通信路径设为第二通信路径时，上述通信单元以比上述数据取得单元经由第一通信路径取得上述测量数据的周期慢的周期，将上述特征数据经由上述第二通信路径发送给上述上位装置。

(3)上述(1)或(2)记载的传感器接口装置，上述学习单元一边使所输入的上述测量数据群改变一边重复进行上述机器学习，由此构筑学习模型，并使用该构筑的学习模型从新的测量数据群提取上述特征数据。

(4)上述(1)～(3)中的任意一个记载的传感器接口装置，还具备：定时生成单元(例如后述的定时生成部150)，其将从上述上位装置周期性地接收的外部定时信号增倍，由此生成内部定时信号，上述数据取得单元可以在基于上述内部定时信号的定时取得上述测量数据。

(5)上述(1)～(4)中的任意一个记载的传感器接口装置，具备多个上述数据取得单元，多个上述数据取得单元的每一个分别根据由不同测量单元测量到的物理量来取得测量数据。

(6)上述(1)～(5)中的任意一个记载的传感器接口装置，上述数据取得单元具备一个模拟数字转换电路(例如后述的A/D转换器170)，其用于对表示上述测量单元所测量到的物理量的模拟信号进行采样来取得上述测量数据，上述数据取得单元针对表示多个测量单元所测量到的物理量的模拟信号的每一个模拟信号，通过分时利用上述一个模拟数字转换电路，取得上述测量数据。

(7)上述(1)～(6)中的任意一个记载的传感器接口装置，还具备：频率分析单元(例如后述的频率分析部180)，其对上述存储单元所存储的测量数据群进行傅立叶变换，上述学习单元将通过上述频率分析单元进行傅立叶变换后的上述测量数据群作为输入来进行机器学习，由此进行上述特征数据的提取。

(8)上述(1)～(7)中的任意一个记载的传感器接口装置，将自编码器(例如后述的学习部(自编码器)40)用于上述学习单元中的上述特征数据的提取。

(9)本发明的测量信息通信系统(例如后述的测量信息通信系统1000)具备上述(1)～(8)中的任意一个记载的传感器接口装置和上述上位装置，上述测量单元测量的上述物理量是与测量对象装置关联的物理量，上述上位装置根据上述特征数据进行与上述测量对象装置的缺陷或故障的产生相关联的预测。

(10)本发明的测量信息通信方法，通过被连接在测量单元(例如后述的传感器200)与上位装置(例如后述的上位装置300)的通行路径中的计算机(例如后述的传感器接口装置100)来进行，具备：数据取得步骤，取得基于上述测量单元测量到的物理量的数据即测量数据；存储步骤，存储所取得的上述测量数据；学习步骤，将上述存储步骤所存储的测量数据群作为输入来进行机器学习，由此进行表示上述测量数据群的特征的数据即特征数据的提取；以及通信步骤，将通过上述学习步骤提取的上述特征数据发送给上述上位装置。

(11)本发明的计算机可读存储介质，记录了使被连接在测量单元(例如后述的传感器200)与上位装置(例如后述的上位装置300)的通行路径中的计算机作为传感器接口装置(例如后述的传感器接口装置100)发挥功能的测量信息通信程序，该传感器接口装置具备：数据取得单元(例如后述的测量数据取得部110)，其取得基于上述测量单元测量到的物理量的数据即测量数据；存储单元(例如后述的存储部120)，其存储所取得的上述测量数据；学习单元(例如后述的学习部130)，其将上述存储单元所存储的测量数据群作为输入来进行机器学习，由此进行表示上述测量数据群的特征的数据即特征数据的提取；以及通信单元(例如后述的通信部140)，其将通过上述学习单元提取的上述特征数据发送给上述上位装置。

根据本发明，在不发送传感器的测量数据本身而发送表示测量数据的特征的特征数据的情况下，能够发送与所连接的传感器对应的特征数据。

附图说明

图1是表示成为本发明的各个实施方式的前提的结构的框图。

图2是表示本发明的第一实施方式的基本结构的框图。

图3是表示本发明的第一实施方式的基本操作动作的流程图。

图4是表示本发明的第二实施方式的基本结构的框图。

图5是表示本发明的第二实施方式的定时生成部的输入输出信息的图。

图6是表示本发明的第三实施方式的基本结构的框图。

图7是表示本发明的第三实施方式的变形例的基本结构的框图。

图8是表示本发明的第四实施方式的基本结构的框图。

图9是表示本发明的第五实施方式的基本结构的框图。

符号说明

10、30：处理器、20：测量数据取得部、40：学习部(自编码器)、41：输入层、42-1：第一隐蔽层、42-2：第二隐蔽层、42-3：第三隐蔽层、43：输出层、100、101、102、103a、103b、104：传感器接口装置、110：测量数据取得部、120：存储部、130：学习部、140：通信部、150：定时生成部、160：LPF、170：A/D转换器、180：频率分析部、200：传感器、300：上位装置、1000：测量信息通信系统。

具体实施方式

接着，参照附图详细说明本发明的实施方式。以下，对5个实施方式进行说明。在说明这5个实施方式之前，首先参照图1说明成为各实施方式的前提的测量信息通信系统传感器接口装置1000整体的结构。

如图1所示，测量信息通信系统传感器接口装置1000具备传感器接口装置100、传感器200以及上位装置300。

传感器200是各种传感器，测量与作为测量对象的装置等(省略图示)关联的物理量。并且，传感器200对传感器接口装置100输出表示测量到的物理量的模拟信号。

更详细地说，作为测量对象的装置等是例如设置在工厂中的机床、控制该机床的数值控制装置(CNC：Computer Numerical Controller计算机数字控制器)和工业用机器人。并且，在这些测量对象上安装一个或多个传感器200。例如，在机床的一个轴承上安装2～3个。

传感器200例如是加速度传感器，用于测量在机床加工工件时在机床中产生的振动、通过该振动传播而赋予数值控制装置的振动、在工业用机器人进行驱动时在工业用机器人中所产生的振动。此时，加速度传感器可以是测量一个轴的加速度传感器，也可以是能够测量分别相互正交的X轴、Y轴以及Z轴三个轴方向的加速度的三轴加速度传感器。

另外，传感器200也可以是AE传感器。AE传感器是捕捉在测量对象变形或破坏时释放出的超声波段的振动即AE波的传感器。

当例如在机床等装置的内部等产生了裂纹时，与此相伴，在几100kHz～几MHz的频率成分中产生变化。通过AE传感器观察这种频率成分的变化，从而能够在装置的缺陷或故障表面化之前检测到产生了裂纹。

这里，加速度传感器一般是检测例如具有几十kHz的频率成分的振动的传感器。与此相对，AE传感器是检测例如具有几100kHz～几MHz的频率成分的AE波的传感器。根据测量对象和破损的原因，哪个传感器的测量合适是变化的，所以可以例如针对一个测量对象进行加速度传感器的测量和AE传感器的测量的双方。

通过作为加速度传感器或AE传感器的传感器200测量到的振动或AE波，作为表示该振动或AE波的模拟振动波形信号被输出给传感器接口装置100。

另外，传感器200另外例如也可以是将声音转换为电信号的麦克风。例如，当测量对象是机床时，如果被涂到机床的轴承部分的润滑油变少，则会产生异常声音。

通过麦克风检测出该异常声音，从而能够检测到润滑油变少的异常。

通过作为麦克风的传感器200转换而生成的电信号被输出给传感器接口装置100。

另外，传感器200例如也可以是温度传感器，或是湿度传感器，也可以是这以外的传感器。

传感器接口装置100是与传感器200连接的接口装置。传感器接口装置100从传感器200接收与传感器200测量的物理量对应的数据。从传感器200接收到的数据如上述那样，例如是表示测量到的振动的模拟振动波形信号。

传感器接口装置100对从传感器200接收到的数据进行采样。并且，传感器接口装置100使用通过将采样到的数据作为输入的机器学习而构筑的学习模型，提取表示所采样的数据的特征的数据即特征数据。另外，传感器接口装置100将使用通过机器学习而构筑的学习模型而提取出的特征数据发送给上位装置300。

另外，后面参照图2以后的附图来描述传感器接口装置100中包括的具体功能模块、使用了通过传感器接口装置100所进行的机器学习而构筑的模型的特征数据的提取。

上位装置300接收传感器接口装置100发送的特征数据，使用接收到的特征数据。例如，根据接收到的特征数据进行某些判断或获取知识。更具体地说，检测到例如测量对象装置中已经产生缺陷或故障的情况，或者预测之后会产生缺陷或故障的情况。

例如，通过用于传输模拟信号的电缆等来实现传感器200与传感器接口装置100的连接。

另一方面，例如通过铺设在工厂内的LAN(Local Area Network局域网)或连接工厂和远程的因特网来实现上位装置300和传感器接口装置100的连接。所述连接可以是有线连接，但其一部分或全部也可以是无线连接。

这里，如图1所示那样，从传感器200向传感器接口装置100发送模拟信号，从传感器接口装置100向上位装置300发送特征数据的周期比通过传感器接口装置100对上述模拟信号进行采样的周期慢。

这样，能够从传感器接口装置100向上位装置300以低周期发送特征数据。因此，能够达到防止在传感器接口装置100与上位装置300之间的通信路径中压迫通信频带的效果。

另外，使用通过机器学习而构筑的学习模型，从通过采样而得到的测量数据提取特征数据。因此，与单纯通过写死的方法提取特征数据的情况相比，还有能够提取与传感器种类等更对应的特征数据的效果。

接着，分别大概地提及用于实现这种测量信息通信系统传感器接口装置1000的5个实施方式。

第一实施方式是基本结构的实施方式。

另外，第二实施方式是除了基本的结构，对定时信号的生成具有特征的实施方式。

进一步，第三实施方式是除了基本的结构，在连接了多个传感器200的方面具有特征的实施方式。

进一步，第四实施方式是除了基本的结构，追加了频率分析部的实施方式。

进一步，第五实施方式是除了基本的结构，将使用自编码器作为特征的实施方式。

接着，分别详细说明各个实施方式。

<第一实施方式>

如图2所示，本实施方式具备传感器接口装置101作为相当于图1的传感器接口装置100的装置。

图中省略了图示，但是传感器接口装置101与图1所示的传感器接口装置100同样地与传感器200以及上位装置300连接。后述的传感器接口装置102、传感器接口装置103a、传感器接口装置103b以及传感器接口装置104在这一点也同样。

传感器接口装置101具备测量数据取得部110、存储部120、学习部130以及通信部140。

测量数据取得部110以预定的周期对从传感器200输入的表示传感器200测量到的物理量的模拟信号(一般为模拟的电压或电流值)进行采样，并转换为数字信号。

在以下的说明中，将表示传感器200测量到的物理量的模拟信号适当地称为“传感器数据”。另外，以下将测量数据取得部110这样通过采样而取得的数字信号适当地称为“测量数据”。测量数据取得部110将通过采样而取得的测量数据输出给存储部120。

这里，测量数据取得部110通过用于从模拟信号去除噪音等的滤波器或模拟数字转换电路来实现。

另外，测量数据取得部110的采样率(即采样周期)例如是100kHz。另外，测量数据取得部110的量化位数(即分辨率)例如是2字节(即16位)。

存储部120是作为用于暂时存储由测量数据取得部110输出的测量数据的缓冲器而发挥功能的电路。存储部120例如通过DRAM(Dynamic Random Access Memory动态随机存取存储器)来实现。

在本实施方式中，为了按照时间序列将测量数据取得部110所取得的测量数据累计预定量后输出给后级的学习部130，设置存储部120。关于这一点，对于曾经输出给学习部130的数据，可以进行覆盖。因此，存储部120的存储容量只要为上述预定量以上即可。

例如将预定量设为测量数据1秒钟的量的数据量。此时，如上所述，如果采样周期是100kHz，量化位数(即分辨率)是2字节，则如下述“数学式1”所示那样，200k字节成为上述预定量。因此，此时将存储部120的存储容量设为200k字节以上即可。

[数学式1]

1[秒]×10000[Hz]×2[字节]＝200000[字节]＝200[k字节]

另外，以下将该预定量的测量数据适当称为“测量数据群”。

学习部130是将累积在存储部120中的测量数据群作为输入来进行机器学习的部分。

学习部130具备CPU(Central Processing Unit中央处理单元)等的运算处理装置。另外，学习部130具备存储了各种程序的NAND型闪存等辅助存储装置、用于存储在运算处理装置执行程序时暂时需要的数据的RAM(Random Access Memory随机存取存储器)等主存储装置。

而且，运算处理装置从辅助存储装置读入各种程序，将读入的各种程序展开到主存储装置中，并进行基于这些各种程序的运算处理。

另外，根据该运算结果，进行机器学习来构筑学习模型，或者通过该构筑的学习模型提取特征数据，或者控制传感器接口装置101所具备的各种硬件。这样来实现本实施方式。即，传感器接口装置101能够通过硬件和软件的协作来实现。另外，从硬件和软件协作的观点出发，例如也可以通过FPGA(field-programmable gate array现场可编程门阵列)来实现传感器接口装置101。

这里，作为学习部130进行的机器学习，设想无教师学习。无教师学习与赋予包括输入数据和作为应该输出的数据的标签的教师数据来进行学习的有教师学习不同，是虽然赋予了输入数据但没有赋予标签的学习方法。在无教师学习中，学习输入数据(本实施方式中相当于测量数据群)中包括的模式或特征并模型化。例如，为了进行聚类，使用k-means方法或Wards方法等算法来构筑学习模型。然后，使用所构筑的学习模型来进行将所赋予的输入数据进行无外部参考的自动分类的聚类。这样，能够进行例如缺陷或故障的检测。另外，对于曾经构筑的学习模型，通过继续使用了该学习模型的机器学习，能够使学习模型的精度进一步提高。

更详细说明的话，如果是检测机床的缺陷或故障的情况，则通过继续将测量数据群作为输入的机器学习来推定测量数据各个值的概率分布。然后，使用推定出的概率分布来导出新输入的测量数据的发生概率。并且，如果所导出的发生概率是一定以下，则机床的举动与通常的举动不同，所以判断为产生了异常。即，机床的举动与通常的举动不同，所以能够检测出机床中产生缺陷或故障或者有产生缺陷或故障的征兆。

作为这样的基于概率分布的推定的异常检测方法，例如考虑异常值检测。在异常值检测中，使用推定出的概率分布，检测出值大大偏离了过去设为机器学习对象的推定数据群的不寻常值。例如，当振动的振幅值是从通常情况偏离很远的较大的值时，机床的举动与通常的举动不同，所以能够检测出机床产生缺陷或故障或者有产生缺陷或故障的征兆。

本实施方式的学习部130通过上述那样继续机器学习，推定出测量数据各个的值的概率分布。另外，使用推定出的概率分布来导出新输入的测量数据的发生概率。而且，将这样导出的发生概率作为输出结果，输入给通信部140。

通信部140是用于实现传感器接口装置100与上位装置300之间的通信的网络接口。被输入到通信部140的学习部130的机器学习的输出结果从通信部140发送给上位装置300。

使上述发送的周期比从传感器200向传感器接口装置100发送传感器数据并通过传感器接口装置100对上述传感器数据进行采样的周期慢，关于这点如上述那样。

上位装置300使用接收到的发生概率如上述那样进行异常值检测等，从而能够检测出机床中产生缺陷或故障或者有产生缺陷或故障的征兆。

另外，学习部130这样进行机器学习只不过是一例。学习部130为了输出表示测量数据群的特征的特征数据，也可以使用其它方法进行机器学习。

另外，学习部130可以不将自身导出的发生概率发送给上位装置300，而由学习部130使用自身导出的发生概率进行异常值检测等，将该异常值检测的结果发送给上位装置300。

接着，参照图3的流程图说明本实施方式的动作。

首先，测量数据取得部110以预定周期进行采样，从而取得测量数据(步骤S11)。

接着，存储部120存储在步骤S11中取得的测量数据(步骤S12)。

接着，判定存储部120中是否存储了预定量的测量数据、即是否累积了预定量的测量数据(步骤S13)。这里，预定量如上述那样，例如是1秒钟的测量数据。

如果没有存储预定量(步骤S13为否)，则重复步骤S11以及步骤S12。

另一方面，如果存储了预定量(步骤S13为是)，则进入步骤S14。并且，学习部130使用所存储的预定量的测量数据即测量数据群来进行机器学习(步骤S14)。

并且，通过通信部14将机器学习的输出发送给上位装置300(步骤S15)。之后，返回步骤S11重复处理。另外，与进行步骤S14以及步骤S15并行地，为了下一次的处理也可以进行步骤S11～步骤S13。另外，在步骤S15结束后，可以经过预定时间后再次开始从步骤S11开始的处理。即，可以设置预定的间隔来进行处理。

这样，在本实施方式中，能够从传感器接口装置100向上位装置300低周期地发送特征数据。因此，在本实施方式中，能够达到防止在传感器接口装置100和上位装置300之间的通信路径中压迫通信频带的效果。另外，也达到减轻成为接收侧的上位装置300的负荷的效果。

能够防止在传感器接口装置100和上位装置300之间的通信路径压迫通信频带。与此相对，在传感器接口装置100和传感器200之间的通信路径中进行与以往相同的通信。因此，在实现本实施方式时，将传感器接口装置100尽量接近传感器200连接即可。

另外，在本实施方式中使用学习模型来提取特征数据，该学习模型是通过对采样而得到的测量数据进行机器学习而构筑的。因此，在本实施方式中，与通过单纯写死的方法提取特征数据的情况相比，达到能够提取与传感器的种类等更加对应的特征数据的效果。

进一步，在本实施方式中，在传感器接口装置100中进行机器学习，所以不需要在上位装置300中进行机器学习。因此，达到即使对于难以新追加机器学习功能的遗留的上位装置300也能够以低成本追加机器学习的功能的效果。

进一步，在本实施方式中，因为应用无教师学习，因此不需要对输入数据赋予标签来生成教师数据。因此，还达到能够消除用于生成教师数据的人工劳动等的效果。

<第二实施方式>

接着，参照图4以及图5说明第二实施方式。另外，在后述第三实施方式～第五实施方式的说明中也同样，但是省略说明与第一实施方式共通的结构和功能，详细说明各个实施方式所特有的方面。

在本实施方式的传感器接口装置102中，对第一实施方式的传感器接口装置101的结构追加地还具备定时生成部150。定时生成部150是用于倍增频率的部分，例如通过作为相位同步电路的PLL(Phase locked loop锁相环)来实现。

在本实施方式中，通过通信部140接收由上位装置300发送的外部定时信号。并且，通过利用该外部定时信号，实现在上位装置300和传感器接口装置100之间取得了同步的通信。另外，外部定时信号例如是从上位装置300以预定周期发送来的特征数据的请求信号。

这里，如上所述，在本实施方式中，传感器接口装置102对从传感器200接收到的模拟模型信号即传感器数据进行采样的周期变得比传感器接口装置102对上位装置300发送特征数据的周期要快。

因此，如图5所示，在定时生成部150中将在通信部140接收到的外部定时信号增大到n倍(n是任意的自然数)，生成内部定时信号。并且，将所生成的内部定时信号输出给测量数据取得部110。

另外，图5是为了省略说明而示意化的图，作为一例，设n＝3来增倍。但是，作为实际的数值，也可以进一步增加n的值。具体地说，例如以1毫秒周期接收外部定时信号，所以在定时生成部150例如设n＝100来将其增大到100倍，生成10μ秒周期的内部定时信号。

测量数据取得部110以基于该内部定时信号的定时进行采样来取得测量数据。这样，传感器接口装置102能够与上位装置300取得同步，并将使用了n个测量数据的机器学习的结果输出给上位装置300。

<第三实施方式>

接着，参照图6以及图7说明第三实施方式。在本实施方式中，连接多个传感器200。因此，如图6所示的传感器接口装置103a那样，设置多个测量数据取得部110以便能够与各个传感器200对应，并列地输出给存储部120。另外，如图7所示的传感器接口装置103b那样，通过使用通道选择信号，将从各个传感器200取得的测量数据以分时方式按顺序地输出给存储部120。另外，图中的m以及k都是任意的自然数。

这样，虽然是使用多个传感器200的理由，但是因为在只根据一个传感器200所测量的物理量进行机器学习时，有不能够检测到异常等的情况。例如，会有如果根据X轴的振动和Y轴的振动等的双方，也能够检测到仅根据X轴的振动不能够检测到的异常的情况。也可以说有与多个传感器20所测量的物理量有相关关系的情况。考虑这种情况，在本实施方式中使用多个传感器200。多个传感器200可以是配置在不同场所的相同的传感器200，也可以是不同种类的传感器200的组合。

在图6所示的传感器接口装置103a中，各个测量数据取得部110分别从不同的传感器200接收传感器200数据，分别进行采样，从而取得测量数据。所取得的测量数据被存储在存储部120中。此时，与各个测量数据取得部110对应地在存储部120中逻辑地划分区域即可。并且，各个测量数据取得部110在与自身对应的区域存储测量数据即可。另外，可以不是逻辑地划分区域而物理地设置多个存储部120。

并且，学习部130可以将包括由各个测量数据取得部110采样到的测量数据的测量数据群作为输入来进行机器学习。

图7所示的传感器接口装置103b是将上述传感器接口装置103a进行了变形的例子。如上所述，测量数据取得部110在内部具备用于从模拟信号采样数字值的模拟数字转换电路(以下说明中适当称为“A/D转换器170”)。但是，A/D转换器170是比较高价的电路要素。因此，如图7所示，通过从多个传感器200的输入所对应的多个通道来共享一个A/D转换器170。这样，能够将A/D转换器170的数量抑制为一个，能够低成本地实现本实施方式。

作为实施方法，考虑2个方法。首先，第一个方法为使用具有多个通道的输入引脚的A/D转换器170IC的方法。此时，能够在IC内进行输入通道的切换。

另外，还有一个方法为在A/D转换器170IC的外侧配置通道切换电路，通过该通道切换电路进行通道切换的方法。此时，例如使用模拟复用器作为通道切换电路，在A/D转换器170IC的外侧进行通道切换。

图7所示的是前者的方法。另外，也可以按照每个通道来安装廉价的电路要素。例如，为了去除噪音而插入的低通滤波器(LPF：Low pass filter)是比较廉价的电路要素。因此，如图7中作为LPF160所示那样，分别插入与来自多个传感器200的输入对应的多个通道即可。

另外，无论在哪种实施方法中，用于实现学习部130的CPU等所组成的处理器10输出通道选择信号。并且，A/D转换器170IC或通道切换电路输入来自处理器10的通道选择信号，并根据该通道选择信号来选择输入通道。这样，传感器接口装置103b能够在多个通道分时使用一个A/D转换器170。

根据本实施方式，能够使用由多个传感器200分别测量到的、认为有相关关系的物理量来进行机器学习。另外，如果设为传感器接口装置103b那样的结构，则能够将比较高价的电路要素即A/D转换器170的数量设为一个。

<第四实施方式>

接着，参照图8说明第四实施方式。在本实施方式的传感器接口装置104中，进一步追加频率分析部180。频率分析部180通过对存储在存储部120中的测量数据群进行傅立叶变换来提取频谱。并且学习部130使用该频谱来进行机器学习，从而提取特征数据。

频率分析部180可以通过用于实现学习部130的CPU等所组成的处理器30、用于进行频率分析的程序来实现。但是，也可以通过专用电路等硬件来实现频率分析部180。

在本实施方式中，像这样作为机器学习的预处理进行傅立叶变换并提取频谱后进行机器学习。由此，尽管取决于传感器200所测量的物理量的种类等，但是也能够高效地进行机器学习。另外，也能够舍弃频谱的预定区域(例如比预定值高的频带或比预定值低的频带)后进行机器学习。但是，在不明确哪个频带表示测量数据的特征的情况下，不进行这样的处理而将所有的频带作为输入来执行机器学习，留待通过机器学习进行判断即可。

<第五实施方式>

接着，参照图9说明第五实施方式。本实施方式将上述任意一个实施方式所包括的学习部130设为具备了自编码器的学习部40。另外，关于自编码器是公知的，例如能够通过使用接下来的文献(“非专利文献1”)所记载的技术等来实现。

[非专利文献1]G.E.Hinton、R.R.Salakhutdinov、“Reducing theDimensionality of Data with Neural Networks”、[online]、日本平成18年7月28日、SCIENCE、[日本平成28年11月1日检索]、英特网<URL：https：//www.cs.toronto.edu/～hinton/science.pdf>

图9表示本实施方式的特征即学习部40。如图9所示，通过包括用于实现输入层41、隐蔽层42以及输出层43的感知机的神经网络来实现学习部40。

输入层41和输出层43的维数相同。并且，在第一隐蔽层42-1中随着层的推进，维数减少。并且，在第二隐蔽层42-2中维数变得更少。另外，在第三隐蔽层42-3中随着层的推进，维数增加。而且，如上所述，输入层41和输出层43的维数相同。

并且，学习部40将从存储部120输入的测量数据群作为输入数据输入到输入层41中。然后，变更各层的权重来进行机器学习，使得经过隐蔽层42从输出层43输出的输出数据变得与输入数据相同。

作为结果，第二隐蔽层42-2的输出成为通过较少数据量较好地表示输入数据即测量数据群的特征的数据。因此，学习部40没有将输出层43的输出作为特征数据，而是将第二隐蔽层42-2的输出作为特征数据输出给通信部140。然后，通信部140将该特征数据发送给上位装置300。

上位装置300使用上述特征数据进行例如与缺陷或故障的产生相关的预测等。此时例如使用聚类的方法。

具体地说，累积测量对象装置通常进行动作时的特征数据，并生成该平时的特征数据的分布。例如，在测量对象装置运行一年左右的期间视为正常运行，通过该一年的特征数据来生成平时的特征数据的分布。

之后，分类(即聚类)为新的特征数据是远离该分布的数据还是不远离的数据的哪一个。另外，可以不这样分为2类，也可以根据远离分布的程度更详细地进行聚类。

另外，根据该聚类的结果来判断测量对象装置中是否产生了异常。例如，根据该聚类的结果能够判断在远离分布的数据存在一定数量或连续一定时间产生的情况下会产生异常，或者在测量对象装置中产生了缺陷或故障。

根据以上所说明的本实施方式，通过使用自编码器，能够使从传感器接口装置100发送给上位装置300的数据量更减少。

对以上5个实施方式进行了说明。这些实施方式也能够分别组合。例如，能够在第一实施方式、第二实施方式以及第三实施方式的任意一个实施方式中的学习部130的前级追加第四实施方式的频率分析部180。

另外，上述实施方式是本发明的优选实施方式，但是没有将本发明的范围只限定于上述实施方式，而是能够实施在不脱离本发明主旨的范围中进行了各种变更的方式。

例如，上述上位装置300和传感器接口装置100例如可以被装载在数值控制装置上，也可以通过数值控制装置来实现。另外，该数值控制装置可以是控制传感器200作为测量对象的机床的数值控制装置。

另外，学习部130针对如上述那样通过无教师学习而构筑的学习模型，进一步进行有教师学习、半有教师学习和强化学习，从而可以提高学习模型的精度。

另外，能够通过硬件、软件或它们的组合来实现上述传感器接口装置和上位装置。另外，也能够通过硬件、软件或它们的组合来实现通过上述传感器接口装置和上位装置进行的测量信息通信方法。这里，通过软件实现是表示通过计算机读入并执行程序来实现。

使用各种类型的非暂时性计算机可读介质(non-transitory computer readablemedium)来存储程序，并能够提供给计算机。非暂时性计算机可读介质包括各种类型的有实体的记录介质(tangible storage medium有形存储介质)。非暂时性计算机可读介质的例子包括磁记录介质(例如软盘、磁带、硬盘)、光磁记录介质(例如光磁盘)、CD-ROM(ReadOnly Memory只读存储器)、CD-R、CD-R/W、半导体存储器(例如掩模ROM、PROM(ProgrammableROM)、EPROM(Erasable PROM)、闪存ROM、RAM(random access memory随机存取存储器))。另外，可以通过各种类型的暂时性计算机可读介质(transitory computer readablemedium)对计算机提供程序。暂时性计算机可读介质的例子包括电信号、光信号以及电磁波。暂时性计算机可读介质能够将程序经由电线以及光纤等有线通信路径或无线通信路径提供给计算机。

Claims (12)

1.一种传感器接口装置，其特征在于，

具备：

数据取得单元，其取得基于测量单元测量到的物理量的数据即测量数据；

存储单元，其存储取得的上述测量数据；

学习单元，其将上述存储单元所存储的测量数据群作为输入来进行机器学习，由此进行表示上述测量数据群的特征的数据即特征数据的提取；以及

通信单元，其将通过上述学习单元提取出的上述特征数据发送给上位装置，

该传感器接口装置被连接在上述测量单元与上述上位装置的通信路径中，

在将该传感器接口装置与上述测量单元之间的通信路径设为第一通信路径，将该传感器接口装置与上述上位装置之间的通信路径设为第二通信路径时，

上述通信单元以比上述数据取得单元经由上述第一通信路径取得上述测量数据的周期慢的周期，将上述特征数据经由上述第二通信路径发送给上述上位装置。

2.一种传感器接口装置，其特征在于，

具备：

数据取得单元，其取得基于测量单元测量到的物理量的数据即测量数据；

存储单元，其存储取得的上述测量数据；

学习单元，其将上述存储单元所存储的测量数据群作为输入来进行机器学习，由此进行表示上述测量数据群的特征的数据即特征数据的提取；

通信单元，其将通过上述学习单元提取出的上述特征数据发送给上位装置；以及

定时生成单元，其将从上述上位装置周期性地接收的外部定时信号增倍，由此生成内部定时信号，

该传感器接口装置被连接在上述测量单元与上述上位装置的通信路径中，

上述数据取得单元在基于上述内部定时信号的定时取得上述测量数据。

3.根据权利要求1或2所述的传感器接口装置，其特征在于，

上述学习单元一边使所输入的上述测量数据群改变一边重复进行上述机器学习，由此构筑学习模型，并使用该构筑的学习模型从新的测量数据群提取上述特征数据。

4.根据权利要求1或2所述的传感器接口装置，其特征在于，

该传感器接口装置具备多个上述数据取得单元，

多个上述数据取得单元的每一个分别根据由不同测量单元测量到的物理量来取得测量数据。

5.根据权利要求1或2所述的传感器接口装置，其特征在于，

上述数据取得单元具备一个模拟数字转换电路，该模拟数字转换电路用于对表示上述测量单元所测量到的物理量的模拟信号进行采样来取得上述测量数据，

上述数据取得单元针对表示多个测量单元所测量到的物理量的模拟信号的每一个模拟信号，通过分时利用上述一个模拟数字转换电路，取得上述测量数据。

6.根据权利要求1或2所述的传感器接口装置，其特征在于，

该传感器接口装置还具备：频率分析单元，其对上述存储单元所存储的测量数据群进行傅立叶变换，

上述学习单元将通过上述频率分析单元进行傅立叶变换后的上述测量数据群作为输入来进行机器学习，由此进行上述特征数据的提取。

7.根据权利要求1或2所述的传感器接口装置，其特征在于，

将自编码器用于上述学习单元中的上述特征数据的提取。

8.一种测量信息通信系统，具备权利要求1～7中的任意一项所述的传感器接口装置和上述上位装置，其特征在于，

上述测量单元测量的上述物理量是与测量对象装置关联的物理量，

上述上位装置根据上述特征数据进行与上述测量对象装置的缺陷或故障的产生相关联的预测。

9.一种测量信息通信方法，通过被连接在测量单元与上位装置的通信路径中的计算机来进行，其特征在于，

该测量信息通信方法具备：

数据取得步骤，取得基于上述测量单元测量到的物理量的数据即测量数据；

存储步骤，存储所取得的上述测量数据；

学习步骤，将上述存储步骤所存储的测量数据群作为输入来进行机器学习，由此进行表示上述测量数据群的特征的数据即特征数据的提取；以及

通信步骤，将通过上述学习步骤提取出的上述特征数据发送给上述上位装置，

在将该计算机与上述测量单元之间的通信路径设为第一通信路径，将该计算机与上述上位装置之间的通信路径设为第二通信路径时，

在上述通信步骤中，以比上述数据取得步骤中经由上述第一通信路径取得上述测量数据的周期慢的周期，将上述特征数据经由上述第二通信路径发送给上述上位装置。

10.一种测量信息通信方法，通过被连接在测量单元与上位装置的通信路径中的计算机来进行，其特征在于，

该测量信息通信方法具备：

数据取得步骤，取得基于上述测量单元测量到的物理量的数据即测量数据；

存储步骤，存储所取得的上述测量数据；

学习步骤，将上述存储步骤所存储的测量数据群作为输入来进行机器学习，由此进行表示上述测量数据群的特征的数据即特征数据的提取；

通信步骤，将通过上述学习步骤提取出的上述特征数据发送给上述上位装置；以及

定时生成步骤，将从上述上位装置周期性地接收的外部定时信号增倍，由此生成内部定时信号，

在上述数据取得步骤中，在基于上述内部定时信号的定时取得上述测量数据。

11.一种计算机可读存储介质，记录了用于使被连接在测量单元与上位装置的通信路径中的计算机作为传感器接口装置发挥功能的测量信息通信程序，其特征在于，

该传感器接口装置具备：

数据取得单元，其取得基于上述测量单元测量到的物理量的数据即测量数据；

存储单元，其存储所取得的上述测量数据；

学习单元，其将上述存储单元所存储的测量数据群作为输入来进行机器学习，由此进行表示上述测量数据群的特征的数据即特征数据的提取；以及

通信单元，其将通过上述学习单元提取出的上述特征数据发送给上述上位装置，

在将该传感器接口装置与上述测量单元之间的通信路径设为第一通信路径，将该传感器接口装置与上述上位装置之间的通信路径设为第二通信路径时，

上述通信单元以比上述数据取得单元经由上述第一通信路径取得上述测量数据的周期慢的周期，将上述特征数据经由上述第二通信路径发送给上述上位装置。

12.一种计算机可读存储介质，记录了用于使被连接在测量单元与上位装置的通信路径中的计算机作为传感器接口装置发挥功能的测量信息通信程序，其特征在于，

该传感器接口装置具备：

数据取得单元，其取得基于测量单元测量到的物理量的数据即测量数据；

存储单元，其存储所取得的上述测量数据；

学习单元，其将上述存储单元所存储的测量数据群作为输入来进行机器学习，由此进行表示上述测量数据群的特征的数据即特征数据的提取；

通信单元，其将通过上述学习单元提取出的上述特征数据发送给上位装置；以及

定时生成单元，其将从上述上位装置周期性地接收的外部定时信号增倍，由此生成内部定时信号，

该传感器接口装置被连接在上述测量单元与上述上位装置的通信路径中，

上述数据取得单元在基于上述内部定时信号的定时取得上述测量数据。