CN108334890A - 预测模型生成装置、生产设备监视系统及其方法 - Google Patents

预测模型生成装置、生产设备监视系统及其方法 Download PDF

Info

Publication number
CN108334890A
CN108334890A CN201711318039.8A CN201711318039A CN108334890A CN 108334890 A CN108334890 A CN 108334890A CN 201711318039 A CN201711318039 A CN 201711318039A CN 108334890 A CN108334890 A CN 108334890A
Authority
CN
China
Prior art keywords
abnormal
characteristic quantity
prediction model
product
production equipment
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.)
Pending
Application number
CN201711318039.8A
Other languages
English (en)
Inventor
服部玲子
鹤田浩辅
宫本幸太
太田雄也
东影英树
广桥佑纪
及川宪之
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.)
Omron Corp
Original Assignee
Omron 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 Omron Corp filed Critical Omron Corp
Publication of CN108334890A publication Critical patent/CN108334890A/zh
Pending legal-status Critical Current

Links

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]
    • G05B19/41875—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], computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
    • 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G05B2219/32187—Correlation between controlling parameters for influence on quality parameters
    • 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
    • G05B2219/32201—Build statistical model of past normal proces, compare with actual process
    • 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
    • G05B2219/32222—Fault, defect detection of origin of fault, defect of product
    • 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]

Abstract

提供能够适当预测在生产设备生产的产品中是否发生异常的预测模型生成装置、生产设备监视系统及生产设备监视方法。预测模型生成装置具有：特征量获取部，分别在生产产品的生产设备正常地生产了该产品的正常时，以及在生产的该产品中发生了异常的异常时，获取根据表示该生产设备的动作状态的动作状态数据而计算出的多种特征量的值；特征量选择部，根据在所述正常时及所述异常时获取的各种特征量的值，基于用于确定在生产的所述产品中发生的异常与所述各种特征量的关联度的规定的算法，从获取的所述多种特征量中选择对所述异常的预测有效的特征量；以及预测模型构建部，利用选择的所述特征量，构建用于预测所述异常的发生的预测模型。

Description

预测模型生成装置、生产设备监视系统及其方法
技术领域
本发明涉及预测模型生成装置、生产设备监视系统及生产设备监视方法。
背景技术
作为监视设备状态的方法，专利文献1中提出如下方法：基于事件信号按照运行状态进行模式划分，对每个模式生成正常模型，并基于生成的正常模型来进行异常判定。在该方法中，检查在生成正常模型时使用的学习数据的充分性，并根据其结果，设定用于异常判定的阈值，由此防止将正常判定为异常的误报的发生。
根据专利文献1的方法，能够检测设备本身是否发生异常的预兆。然而，在将生产产品的生产设备作为异常预兆的监视对象的情况下，即使生产设备没有发生异常，也存在生产的产品发生异常的情况。专利文献1的方法中，不能检测虽然这样的生产设备本身未发生异常但生产的产品发生异常的情况。
对此，专利文献2中提出一种用于检测生产设备生产的产品中发生异常的方法。具体而言，专利文献2中提出一种将从生产系统中收集的数据分类为产品正常的情况和异常的情况，并确定在正常情况和异常情况下产生有效差异的特征量，基于确定的特征量来诊断产品正常与否的方法。
专利文献1：日本特开2015－172945号公报
专利文献2：日本特开2010－277199号公报
根据上述专利文献2的方法，能够在监视时刻判定在生产设备生产的产品中是否发生异常。然而，该方法中，利用在正常情况和异常情况下产生有效差异的特征量来判定产品正常与否。因此，不能判断在生产的产品中是否存在发生异常的预兆，即，不能事先预测该产品中是否发生异常。
本发明在一个方面鉴于这样的问题而提出，其目的在于提供一种能够适当预测在生产设备生产的产品中是否发生异常的技术。
发明内容
为了解决上述的问题，本发明采用以下的结构。
即，本发明的一个方面的预测模型生成装置具有：特征量获取部，分别在生产产品的生产设备正常地生产了该产品的正常时，以及在生产的该产品中发生了异常的异常时，获取根据表示该生产设备的动作状态的动作状态数据而计算出的多种特征量的值；特征量选择部，根据在所述正常时及所述异常时获取的各种特征量的值，基于用于确定在生产的所述产品中发生的异常与所述各种特征量的关联度的规定的算法，从获取的所述多种特征量中选择对所述异常的预测有效的特征量；以及预测模型构建部，利用选择的所述特征量，构建用于预测所述异常的发生的预测模型。
上述结构中，分别在正常地生产产品的正常时以及在生产的产品中发生异常的异常时，收集根据表示生产设备的动作状态的动作状态数据而计算出的多种特征量的值。将收集到的各特征量的值应用于规定的算法，由此确定在生产的产品中发生的异常与各种特征量的关联度。然后，基于该结果，从作为收集对象的多种特征量中，选择对在生产的产品中发生的异常的预测有效的特征量，并利用选择的特征量，构建用于预测该异常的发生的预测模型。
产品中发生的异常各种各样，其异常的原因也是各种各样。上述结构中，基于规定的算法，从多种特征量中选择对异常的预测有效的特征量，由此提取与该异常的关联度高即可能成为该异常的原因的特征量。然后，利用提取的特征量来生成预测模型。因此，根据上述结构，能够生成准确地反映了可能成为在产品中发生的异常的原因因素的特征量的预测模型。因此，通过利用该预测模型，能够适当预测在由生产设备生产的产品中是否发生异常。
此外，在上述一个方面的预测模型生成装置中，上述各种特征量的值可以根据动作状态数据而计算出，该动作状态数据按照生产规定个数的产品所花费的每个节拍时间而划分。根据该结构，生产规定个数的产品时的生产设备的动作状态准确地反映到特征量的值。因此，能够更适当地预测在由生产设备生产的产品中是否发生异常。
此外，在上述一个方面的预测模型生成装置中，上述特征量选择部可以利用贝叶斯网络、决策树、逻辑回归分析以及神经网络中的任一个作为所述规定的算法，确定在生产的所述产品中发生的异常与所述各种特征量的关联度，并基于确定的关联度，从获取的所述多种特征量中选择对所述异常的预测有效的特征量。
此外，在上述一个方面的预测模型生成装置中，上述预测模型可以是以选择的所述特征量作为随机变量的条件概率表、利用选择的所述特征量作为分支的决策树、利用选择的所述特征量的逻辑回归模型、基于利用选择的所述特征量而计算出的误差值(LOF值)来判定所述异常的发生的判定条件以及基于利用选择的所述特征量而计算出的马氏距离来判定所述异常的发生的判定条件中的任一个。
另外，作为上述各方式的预测模型生成装置的其他方式，可以是用于实现以上的各结构的信息处理方法，也可以是程序，还可以是记录有这样的程序的计算机以及其他装置、机器等可读取的存储介质。其中，计算机等可读取的记录介质是指，通过电、磁、光学、机械或者化学作用而存储程序等信息的介质。
此外，例如，本发明的一个方面的生产设备监视系统具有：上述任一方式的预测模型生成装置；以及监视装置，从运行中的生产设备中获取动作状态数据，根据获取的动作状态数据计算出用于所述预测模型的特征量的值，并将计算出的特征量的值应用于所述预测模型，由此判定在该生产设备生产的产品中是否存在发生异常的预兆。根据该结构，能够利用生成的上述预测模型适当地监视生产设备。
此外，在上述一个方面的生产设备监视系统中，当判定为在生产设备生产的产品中存在发生异常的预兆的情况下，上述监视装置可以将该存在发生异常的预兆通知给该生产设备的管理者。根据该结构，能够将生产设备生产的产品中发生异常的预兆通知给管理者。另外，管理者是管理生产设备的人，可以是一个人，也可以是多个人。
此外，例如，本发明的一个方面的生产设备监视方法包括：分别在生产产品的生产设备正常地生产了该产品的正常时，以及在生产的该产品中发生了异常的异常时，获取根据表示该生产设备的动作状态的动作状态数据而计算出的多种特征量的值的步骤；根据在所述正常时及所述异常时获取的所述各种特征量的值，基于用于确定在生产的所述产品中发生的异常与所述各种特征量的关联度的规定的算法，从获取的所述各种特征量中选择对所述异常的预测有效的特征量的步骤；利用选择的所述特征量，构建用于预测所述异常的发生的预测模型步骤和，从运行中的所述生产设备中获取动作状态数据的步骤；根据获取的所述动作状态数据而计算出用于所述预测模型的特征量的值的步骤；以及将计算出的特征量的值应用于所述预测模型，由此判定在该生产设备生产的产品中是否存在发生异常的预兆的步骤。根据该结构，能够适当预测在由生产设备生产的产品中是否发生异常。
根据本发明，能够适当预测在生产设备生产的产品中是否发生异常。
附图说明
图1示意性地例示实施方式的生产设备监视系统的结构的一例。
图2示意性地例示实施方式的预测模型生成装置的硬件结构的一例。
图3示意性地例示实施方式的生产设备的结构的一例。
图4示意性地例示实施方式的监视装置的硬件结构的一例。
图5示意性地例示实施方式的预测模型生成装置的功能结构的一例。
图6示意性地例示实施方式的监视装置的功能结构的一例。
图7例示生成预测模型时的预测模型生成装置的处理顺序的一例。
图8例示控制信号与节拍时间的关系。
图9A示出实施例中利用的数据。
图9B示出实施例所构建的贝叶斯网络。
图9C是示出根据图9B所示的贝叶斯网络而导出的各特征量与发生咬入的关联度的图。
图10A示出选择了特征量后的数据。
图10B示出根据图10A所示的数据生成的交差汇总表。
图10C示出将图10B所示的数据归一化后的交差汇总表。
图11示出实施例中导出的预测模型的一例。
图12示意性地例示在监视在生产设备生产的产品中是否存在发生异常的预兆时的监视装置的处理顺序的一例。
图13例示显示装置的画面转移的一例。
图14示意性地例示利用节拍时间来确定发生异常的原因部位的方法。
图15例示其他方式的预测模型的一例。
其中，附图标记说明如下：
100 生产设备监视系统
1 预测模型生成装置
11 控制部
12 存储部
13 通信接口
14 驱动器
111 特征量获取部
112 特征量选择部
113 预测模型构建部
121 动作状态数据
123 预测模型
2 PLC(监视装置)
20 显示装置
21 控制部
22 存储部
23 输入输出接口
24 通信接口
211 数据获取部
212 特征量计算部
213 预兆判定部
214 通知部
221 动作状态数据
3 包装机
30 膜辊
31 膜搬送部
311 伺服电机
32 内容物搬送部
321 传送带
322 伺服电机
33 制袋部
331 传送带
332 伺服电机
333 中央密封部
334 端密封部
335 伺服电机
WA 内容物(工件)
WB 包装体
具体实施方式
下面，基于附图说明本发明的一个方面的实施方式(以下，也记作“本实施方式”)。但是，以下说明的本实施方式在所有方面仅是本发明的例示。不言而喻，在不脱离本发明的范围的情况下能够进行各种改良、变形。即，在本发明的实施时，可以采用按照实施方式的具体结构。另外，通过自然语言来说明本实施方式中出现的数据，但具体而言，能够由计算机能够识别的伪语言、指令、参数、机器语言等来指定。
§1应用例
首先，利用图1说明应用本发明的情景的一例。图1示意性地例示本实施方式的生产设备监视系统100的结构。本实施方式的生产设备监视系统100是用于监视在生产设备生产的产品中是否存在发生异常的预兆的系统。作为监视对象的生产设备只要是生产产品的设备即可，无特别限定，可以根据实施方式适当地选择。如图1所示，本实施方式中，例示包装机3作为生产设备的一例，其中生产设备作为监视对象。
包装机3是用包装膜包装内容物(工件)而形成内包该内容物的包装体的机器。形成的包装体相当于生产设备生产的“产品”。此外，形成包装体的工序相当于生产产品的工序。为了监视该包装体中是否存在发生异常的预兆，生产设备监视系统100具有经由网络而相互连接的预测模型生成装置1和PLC(programmable logic controller：可编程逻辑控制器)2。
预测模型生成装置1是生成用于预测异常发生的预测模型的信息处理装置，以便能够检测产品中是否存在发生该异常的预兆。该预测模型生成装置1分别在正常地形成了包装体的正常时以及在形成的包装体中发生了异常的异常时，获取根据表示包装机3的动作状态的动作状态数据而计算出的多种的特征量的值。
接着，预测模型生成装置1根据在正常时及异常时获取的各种特征量的值，基于用于确定包装体中产生的异常与各种特征量的关联度的规定的算法，从获取的多种特征量中选择对预测发生异常有效的特征量。然后，预测模型生成装置1利用选择的特征量构建预测模型。如此，预测模型生成装置1生成预测模型。
另一方面，PLC2是控制包装机3，并监视该包装机3的状态的信息处理装置。PLC2相当于本发明的“监视装置”。PLC2从预测模型生成装置1中获取如上所述生成的预测模型，以便监视包装机3的状态。此外，PLC2从运行中的包装机3获取动作状态数据，并根据获取的动作状态数据计算出用于上述预测模型的特征量的值。
然后，PLC2将计算出的特征量的值应用于预测模型，由此判断在生产设备生产的产品中是否存在发生异常的预兆。如此，本实施方式的生产设备监视系统100监视在通过包装机3形成的包装体中是否存在发生异常的预兆。另外，在图1的例中，PLC2与显示装置20连接，以便显示PLC2的处理结果。
如上所述，本实施方式中，基于规定的算法，从根据动作状态数据而能够计算出的多种特征量中选择对异常的预测(即，检测发生异常的预兆)有效的特征量，由此提取与该异常的发生关联性高的特征量。然后，利用通过提取的特征量而构建的预测模型，判断在形成的包装体中是否存在发生异常的预兆。
因此，根据本实施方式能够生成预测模型，该预测模型准确地反映了可能成为在形成的包装体中发生异常的原因因素的特征量。并且，通过将该预测模型用于发生异常的预兆检测的判定，能够适当地预测在形成的包装体中是否发生异常。
§2结构例
【硬件结构】
接下来，说明各装置的硬件结构。
＜预测模型生成装置＞
首先，利用图2说明本实施方式的预测模型生成装置1的硬件结构的一例。图2示意性地例示本实施方式的预测模型生成装置1的硬件结构的一例。如图2所示，预测模型生成装置1是控制部11、存储部12、通信接口13以及驱动器14进行电连接的计算机。其中，控制部11包含CPU(Central Processing Unit：中央处理单元)、RAM(Random Access Memory：随机存取存储器)、ROM(Read Only Memory：只读存储器)等；存储部12用于存储在控制部11中执行的程序8等；通信接口13用于进行经由网络的通信；驱动器14用于读入在存储介质9中存储的程序。但是，图2中将通信接口记为“通信I/F”。
存储部12是例如硬盘驱动器、固态硬盘等辅助存储装置，用于存储程序8。该程序8是用于使预测模型生成装置1执行后述的生成预测模型的处理的程序。该程序8可以记录在存储介质9中。存储介质9是通过电、磁、光学、机械或者化学作用而存储该程序等信息的介质，使得计算机以及其他的装置、机器等能够读取记录的程序等信息。这里，图2中，作为存储介质9的一例，例示CD(Compact Disk：光盘)、DVD(Digital Versatile Disk：数字通用光盘)等光盘型存储介质。然而，存储介质9的种类并不限定于光盘型，也可以是光盘型以外的存储介质。作为光盘型以外的存储介质，例如，可举出闪存等半导体存储器。
另外，关于预测模型生成装置1的具体硬件结构，能够根据实施方式适当地省略、置换及追加结构要素。例如，控制部11可以包含多个处理器。预测模型生成装置1可以由多台信息处理装置构成。此外，除了专门为提供的服务而设计的信息处理装置以外，可以将通用的服务器装置等用于预测模型生成装置1。
＜包装机＞
接下来，利用图3说明本实施方式的包装机3的硬件结构的一例。图3示意性地例示本实施方式的包装机3的硬件结构的一例。包装机3是所谓的横枕式包装机。该包装机3具有：卷取包装膜的膜辊30、搬送包装膜的膜搬送部31、搬送内容物WA的内容物搬送部32和用包装膜包装内容物的制袋部33。
包装膜是例如聚乙烯膜等树脂膜。膜辊30具有卷芯，包装膜卷取在该卷芯上。卷芯围绕轴可旋转地被支撑，由此，膜辊30能够一边旋转一边放出包装膜。
膜搬送部31具有被伺服电机311驱动的驱动辊、被该驱动辊施加旋转力的受动辊312和一边对包装膜施加张力一边引导包装膜的多个滑轮313。由此，膜搬送部31从膜辊30放出包装膜，并将放出的包装膜不松弛地搬送到制袋部33。
内容物搬送部32具有搬送作为包装对象的内容物WA的传送带321和驱动传送带321的伺服电机322。如图3所示，内容物搬送部32经由膜搬送部31的下方与制袋部33连结。由此，由内容物搬送部32搬送的内容物WA被供给到制袋部33，并且通过从膜搬送部31供给的包装膜而被包装。另外，能够根据实施方式适当选择内容物WA的种类。例如，内容物WA可以是食品(干面等)、文具(橡皮等)等。
制袋部33具有传送带331、驱动传送带331的伺服电机332、沿搬送方向密封包装膜的中央密封部333和在搬送方向的两端侧切断包装膜并在各端部密封的端密封部334。
传送带331搬送从内容物搬送部32搬送来的内容物WA和从膜搬送部31供给的包装膜。从膜搬送部31供给的包装膜适当地弯曲，使得宽度方向的两侧端缘部彼此重合，并供给到中央密封部333。中央密封部333例如由左右一对的加热辊构成，将弯曲的包装膜的两侧端缘部通过加热而沿搬送方向密封。由此，包装膜形成为筒状。内容物WA被投入到形成为该筒状的包装膜内。
另一方面，端密封部334例如具有被伺服电机335驱动的辊、通过辊的旋转而开闭的一对切刀和设置在各切刀的两侧的加热器。由此，端密封部334能够在与搬送方向正交的方向上切断筒状的包装膜，并且在切断的部分通过加热而密封。当通过该端密封部334时，形成为筒状的包装膜的前端部分在搬送方向的两侧被密封，与后续分离，形成内包内容物WA的包装体WB。
(包装工序)
以上的包装机3可通过如下的工序进行内容物WA的包装。即，通过膜搬送部31，从膜辊30放出包装膜。此外，通过内容物搬送部32，搬送作为包装对象的内容物WA。接下来，通过制袋部33的中央密封部333，将放出的包装膜形成为筒状。然后，在将内容物WA投入到形成的筒状的包装膜之后，通过端密封部334，在与搬送方向正交的方向上切断筒状的包装膜，并且在切断的部分的搬送方向的两侧通过加热而密封。由此，形成内包内容物WA的横枕式型的包装体WB。即，内容物WA的包装结束。
在如此形成的包装体WB中，例如可能发生如下的异常。端密封部334中，将搬送方向的端部进行密封时，有可能发生夹入内容物WA的问题。以下，将这样的内容物WA夹在密封部中的问题称为“咬入”。此外，中央密封部333以及/或者端密封部334中，由于加热的温度不适当，有可能发生密封部分未被适当密封的问题。以下，将这样的密封部分未被适当密封的问题称为“密封不良”。另外，咬入及密封不良是包装体WB中可能发生的异常(问题)的一例，作为预测对象的异常的种类并不限定于此，可根据实施方式适当地选择。
另外，关于包装机3的具体硬件结构，能够根据实施方式适当省略、置换及追加结构要素。例如，包装机3可以具有用于在内容物搬送部32中检出内容物的传感器。由此，能够防止内容物WA未被投入包装体WB、内容物WA搁浅在传送带321的端部、内容物WA的位置偏离等问题。此外，包装机3可以具有用于检测附在包装膜上的标记的传感器。由此，由于能够确定包装膜的进给量，因此能够防止包装膜的切断长度发生偏差。此外，为了抑制密封温度的变化，可以在中央密封部333以及/或者端密封部334附近设置温度传感器。此外，由于在各带式传送带(321、331)上产生振动，引起内容物WA的位置偏离，这可能导致咬入的发生。因此，为了抑制这样的振动，可以在各带式传送带(321、331)上安装用于测定加速度的传感器。
＜PLC＞
接下来，利用图4说明PLC2的硬件结构的一例。图4示意性地例示本实施方式的PLC2的硬件结构的一例。如图4所示，PLC2是控制部21、存储部22、输入输出接口23以及通信接口24进行电连接的计算机。其中，控制部21包含CPU、RAM、ROM等；存储部22存储在控制部21中执行的程序等；输入输出接口23用于和外部装置连接；通信接口24用于进行经由网络的通信。但是，图4中，将输入输出接口及通信接口分为记为“输入输出I/F”及“通信I/F”。
本实施方式的PLC2具有多个输入输出接口23，各输入输出接口23与包装机3的各伺服电机(311、322、332、335)及显示装置20连接。由此，PLC2能够经由各输入输出接口23控制包装机3的各伺服电机(311、322、332、335)及显示装置20。
能够根据实施方式适当选择显示装置20的种类。显示装置20是例如显示器、显示设备等。PLC2例如能够将控制部21的处理结果输出至显示装置20。此外，PLC2控制各伺服电机(311、322、332、335)的转矩，由此能够调节包装膜的进给量及内容物WA的搬送速度。
另外，关于PLC2的具体硬件结构，能够根据实施方式适当省略、置换及追加结构要素。例如，控制部21可以包含多个处理器。此外，PLC2可以具有用于操作者进行输入操作的输入装置。输入装置例如可以由按钮等构成。
【功能结构】
接下来，说明预测模型生成装置1及PLC2的功能结构。
＜预测模型生成装置＞
首先，利用图5说明本实施方式的预测模型生成装置1的功能结构的一例。图5示意性地例示本实施方式的预测模型生成装置1的功能结构的一例。预测模型生成装置1的控制部11将存储部12中存储的程序8在RAM中展开。然后，控制部11将在RAM中展开的程序8通过CPU解释及执行，从而控制各结构要素。由此，如图5所示，本实施方式的预测模型生成装置1作为具有特征量获取部111、特征量选择部112及预测模型构建部113的计算机而发挥功能。
特征量获取部111分别在作为生产设备的包装机3正常地形成了包装体WB的正常时，以及在形成的包装体WB中发生了异常的异常时，获取根据表示包装机3的动作状态的动作状态数据121计算出的多种特征量的值。特征量选择部112根据各个获取的正常时及异常时的各种特征量的值，基于用于导出在形成的包装体WB中发生的异常与各种特征量的关联度的规定的算法，从获取的多种特征量中选择对预测异常有效的特征量。然后，预测模型构建部113利用选择的特征量，构建用于预测异常的发生的预测模型123。
＜PLC＞
接下来，利用图6说明本实施方式的PLC2的功能结构的一例。图6示意性地例示本实施方式的PLC2的功能结构的一例。PLC2的控制部21将在存储部22中存储的程序在RAM中展开。然后，控制部21将在RAM中展开的程序通过CPU解释及执行，从而控制各结构要素。由此，如图6所示，本实施方式的PLC2作为具有数据获取部211、特征量计算部212、预兆判定部213以及通知部214的计算机而发挥功能。
数据获取部211从运行中的包装机3获取动作状态数据221。特征量计算部212根据获取的动作状态数据221计算出用于上述预测模型123的特征量的值。预兆判定部213从预测模型生成装置1获取预测模型123，并通过将计算出的特征量的值应用于获取的预测模型123，从而判定在包装机3形成的包装体WB中是否存在发生异常的预兆。当判定为在包装机3形成的包装体WB中存在发生异常的预兆的情况下，通知部214将存在该发生异常的预兆通知给包装机3的管理者。
＜其他＞
关于预测模型生成装置1及PLC2的各功能，将在后述的动作例中详细说明。另外，本实施方式中，说明了各装置的以上的功能均由通用的CPU实现的例。然而，以上的功能的一部分或者全部也可以通过一个或者多个专用的处理器实现。此外，关于各预测模型生成装置1及PLC2的功能结构，可以根据实施方式适当进行功能的省略、置换及追加。
§3动作例
接下来，说明生产设备监视系统100的动作例。以下说明的生产设备监视系统100的处理顺序相当于本发明的“生产设备方法”。但是，以下说明的处理顺序仅为一例，各处理可以尽可能地变更。此外，关于以下说明的处理顺序，可以根据实施方式适当省略、置换及追加步骤。另外，生产设备监视系统100的动作可分为通过预测模型生成装置1生成预测模型123的部分，以及利用生成的预测模型123通过PLC2监视包装机3的状态的部分这两部分。下面，说明各部分的动作的一例。
【预测模型的生成】
首先，利用图7说明预测模型生成装置1生成预测模型123时的处理顺序。图7例示在生成预测模型123时的预测模型生成装置1的处理顺序的一例。
(步骤S101)
最初的步骤S101中，预测模型生成装置1的控制部11作为特征量获取部111而发挥功能，分别在包装机3正常地形成了包装体WB的正常时，以及在形成的包装体WB中发生了异常的异常时，获取根据表示包装机3的动作状态的动作状态数据121而计算出的多种特征量的值。
具体而言，首先，控制部11分类收集正常时和异常时的动作状态数据121。收集的动作状态数据121的种类只要是表示生产设备(包装机3)的状态的数据即可，无特别限定。动作状态数据121可以是例如转矩、速度、加速度、温度、压力等测量数据。在包装机3的各伺服电机具有编码器的情况下，控制部11能够获取通过编码器测量的各伺服电机的转矩及速度的测量数据作为动作状态数据121。
此外，动作状态数据121可以是例如表示红外线传感器等传感器的检出结果的检出数据。在包装机3具有用于检出内容物WA的传感器的情况下，控制部11能够获取作为动作状态数据121的检出数据，其中，该检出数据将该传感器的检出结果，即内容物WA的存在与否用“on”和“off”表示。另外，收集的动作状态数据121可以存储在存储部12中，也可以存储在外部的存储装置中。
接下来，为了规定用于计算特征量的处理范围，控制部11对每个帧划分收集的动作状态数据121。例如，控制部11可以对一定时间长度的每个帧划分动作状态数据121。但是，包装机3不一定以一定时间间隔动作。因此，若对一定时间长度的每个帧划分动作状态数据121，则各帧所反映的包装机3的动作可能有偏差。
因此，本实施方式中，控制部11对每个节拍时间将动作状态数据121进行帧划分。节拍时间是生产规定个数的产品即形成规定个数的包装体WB所花费的时间。该节拍时间能够基于控制包装机3的信号例如PLC2控制包装机3的各伺服电机等的动作的控制信号来确定。
利用图8说明控制信号和节拍时间的关系。图8示意性地例示控制信号和节拍时间的关系。如图8所示，对于包装机3这样的重复生产产品的生产设备的控制信号，是根据规定个数的产品的生产而周期性地出现“on”和“off”的脉冲信号。
例如，图8所示的控制信号中，在形成一个包装体WB时，各出现一次“on”和“off”。因此，控制部11能够从PLC2获取该控制信号，并将从获取的控制信号的上升沿(“on”)至下一上升沿(“on”)的时间作为节拍时间。然后，如图8所示，控制部11能够对每个节拍时间将动作状态数据121划分为帧。
另外，控制信号的种类只要是能够用于控制包装机3的信号即可，无特别限定。例如，在包装机3具有用于检测附在包装膜上的标记的传感器，并且该传感器的输出信号用于调节包装膜的进给量的情况下，可以将该传感器的输出信号作为控制信号而利用。
接下来，控制部11根据动作状态数据121的各帧来计算出特征量的值。特征量的种类只要能表示生产设备的特征即可，无特别限定。
例如，在动作状态数据121为上述的测量数据那样的量化数据(图8的物理量数据)的情况下，控制部11可以计算出作为特征量的帧内的振幅、最大值、最小值、平均值、方差值、标准偏差、自相关系数、通过傅里叶变换得到的功率频谱的最大值、失真度、峰度等。
此外，例如，在动作状态数据121为上述的检出数据那样的定性数据(图8的脉冲数据)的情况下，控制部11可以计算出作为特征量的各帧内的“on”时间、“off”时间、Duty比(占空比)、“on”次数、“off”次数等。
而且，特征量不仅可以从单个动作状态数据121导出，还可以从多个动作状态数据121导出。例如，控制部11可以计算出作为特征量的与两种动作状态数据121对应的帧彼此的互相关系数、比率、差分、同步的偏移量、距离等。
控制部11根据动作状态数据121计算出多种如上所述的特征量。由此，控制部11能够分别在正常时及异常时，获取根据动作状态数据121计算出的多种特征量的值。另外，从收集动作状态数据121至计算出特征量的值的处理可以不在预测模型生成装置1中进行，而是在PLC2中进行。即，预测模型生成装置1可以得到PLC2的处理结果，由此获取根据动作状态数据121计算出的多种特征量的值。此外，控制部11可以将各种特征量的值离散化，例如，将高于阈值的状态作为“1”或“高”，将低于阈值的状态称为“0”或“低”。
(步骤S102)
在下一步骤S102中，控制部11作为特征量选择部112发挥功能，根据步骤S101中获取的各正常时及异常时的各种特征量的值，基于用于确定在形成的包装体WB中产生的异常与各种特征量的关联度的规定的算法，从获取的多种特征量中选择对预测异常有效的特征量。
规定的算法例如可以利用贝叶斯网络而构成。贝叶斯网络是将多个随机变量间的因果关系用定向非循环图构造表示，并且将各随机变量间的因果关系用条件概率表示的图模型的一种。
控制部11将获取的各特征量及包装体WB的状态作为随机变量，即，将获取的各特征量及包装体WB的状态设定在各节点而构建贝叶斯网络，由此能够导出各特征量与包装体WB的状态的因果关系。可以使用公知的方法来构建贝叶斯网络。例如，能够使用GreedySearch算法、Stingy Search算法、全搜索法等构造学习算法来构建贝叶斯网络。此外，能够将AIC(Akaike's.Information Criterion：最小信息准则)、C4.5、CHM(Cooper HerskovitsMeasure：Cooper Herskovits评分函数)、MDL(Minimum Description Length：最小描述长度)、ML(Maximum Likelihood：最大似然)等用于构建的贝叶斯网络的评价基准。此外，作为在用于构建贝叶斯网络的学习数据(动作状态数据121)中包含缺损值的情况下的处理方法，能够使用成对法、列举法等。
另外，将获取的各特征量及包装体WB的状态作为随机变量来使用的方法，可根据实施方式适当设定。例如，通过将包装体WB正常的事件作为“0”，将包装体WB中发生异常的事件作为“1”，并将概率与各事件进行对应，能够将包装体WB的状态视为随机变量。此外，例如，通过将各特征量的值在阈值以下的事件作为“0”，将各特征量的值超过阈值的事件作为“1”，并将概率与各事件进行对应，能够将各特征量的状态视为随机变量。但是，对各特征量设定的状态数可以不限于两个，也可以是三个以上。
然后，控制部11利用构建的贝叶斯网络，将包装体WB的状态为正常的情况下的各特征量(说明变量)的事后概率与包装体WB的状态为异常的情况下的各特征量的事后概率进行比较，由此能够计算出各特征量相对于产品状态的关联度。例如，说明变量(特征量)i的关联度Ii可以定义为如下面的数1。
【数1】
ai是包装体WB的状态为正常的情况下的说明变量i的事后概率的值，bi是包装体WB的状态为异常的情况下的说明变量i的事后概率的值。此外，n表示作为对象的说明变量的数量。该Ii表示对包装体WB的状态的影响程度。即，Ii的值越大，说明变量i与包装体WB的异常发生的关联度越高。控制部11例如通过利用MSSM(Modified systematic samplingmethod：改进的系统抽样法)、loopyBP(Loopy Belief Propagation：循环置信传播)等推论算法，能够计算出各事后概率的值。
控制部11基于上述计算结果，从在步骤S101中获取的多种特征量中，适当选择关联度高的一个或多个特征量作为对异常发生的预测有效的特征量。例如，控制部11可以从关联度Ii的值最高的特征量中依次选择一个或多个特征量作为对异常发生的预测有效的特征量。此外，控制部11输出各特征量的关联度Ii的计算结果，并通过接收来自阅览该计算结果的用户的一个或多个特征量的指定，可以从在步骤S101中获取的多种特征量中选择对异常的预测有效的特征量。另外，能够作为对异常的预测有效的特征量而选择的特征量的数量，可以根据实施方式适当设定，可以是一个，也可以是多个。
(步骤S103)
接下来的步骤S103中，控制部11作为预测模型构建部113发挥功能，利用步骤S102中选择的一个或多个特征量，构建用于预测异常的发生的预测模型123。
可根据实施方式适当选择预测模型123的构建方法。例如，上述步骤S102中，将各特征量与包装体WB的状态的因果关系通过贝叶斯网络表现。因此，控制部11可以将条件概率表构建为预测模型123，该条件概率表将步骤S102中选择的特征量作为随机变量。换言之，控制部11可以利用步骤S102中构建的贝叶斯网络，将条件概率表构建为预测模型123，该条件概率表用于表示对于选择的特征量，在包装体WB中发生异常的概率。另外，导出用于表示对于选择的特征量的包装体WB发生异常的概率的条件概率表的方法，可以根据实施方式适当选择。例如，控制部11可以利用上述构造学习算法，再构建与步骤S102中选择的特征量相关的贝叶斯网络，并基于再构建的贝叶斯网络，计算出用于表示对于选择的特征量的包装体WB发生异常的概率的条件概率表。根据该条件概率表，能够根据选择的特征量的值来求出在包装体WB中发生异常的概率。
如上所述，预测模型生成装置1能够生成预测模型123。另外，在作为预测发生的对象的异常事件有多种的情况下，预测模型生成装置1对每个异常事件执行上述步骤S101～S103的处理而生成预测模型123。但是，并不妨碍与不同异常事件对应的预测模型123结果相同。预测模型生成装置1可以将每个该异常事件中生成的预测模型123保存在存储部12中，也可以保存在外部的存储装置中。
此外，在对于对象的异常事件生成了预测模型123后，控制部11可以存储该对象的异常事件发生时(异常时)及未发生时(正常时)的新的动作状态数据121。然后，控制部11可以追加新存储的动作状态数据121，再执行上述步骤S101～S103的处理而更新预测模型123。
＜实施例＞
接下来，说明通过上述步骤S101～S103的处理而生成预测模型123的过程的实施例。但是，本发明并不限定于以下的实施例。
为了生成用于预测在具有与上述包装机3相同结构的横枕式包装机中发生咬入的预测模型，在以下的条件下，收集咬入发生时及未发生时的动作状态数据，并根据收集的动作状态数据来计算出各特征量的值。然后，利用公知的软件(BAYONET：株式会社NTT数据数理系统制)，根据算出的各特征量的值来构建贝叶斯网络。
·动作状态数据(4×31件)：各伺服电机的转矩的测量数据
·转矩的测量方法：PLC的伺服控制信息
·控制信号：表示通过设置在膜搬送部中的传感器检出附在包装膜上的标记的脉冲信号
·特征量(8种)：各伺服电机的转矩的平均值及标准偏差
·对平均值设定的阈值：正常时的平均值
·对标准偏差设定的阈值：正常时的平均值
另外，为了方便说明，也将膜搬送部的伺服电机称为“第一伺服电机”，将制袋部的传送带的伺服电机称为“第二伺服电机”，将端密封部的伺服电机称为“第三伺服电机”，以及将内容物搬送部的传送带的伺服电机称为“第四伺服电机”。各特征量的值通过上述阈值而离散化。
图9A示出根据收集的动作状态数据而得到的各特征量的值。图9B示出通过图9A所示的数据而构建的贝叶斯网络。此外，图9C示出从图9B所示的贝叶斯网络中导出的各特征量与发生咬入的关联度。如图9B及图9C所示，根据构建的贝叶斯网络，在上述的包装机中，上述8种特征量中的第三伺服电机的转矩的平均值及标准偏差和第一伺服电机的转矩的标准偏差与发生咬入的关联性较高。因此，利用图9B所示的贝叶斯网络，求出用于表示对于该3种特征量的发生咬入的概率的条件概率表。
图10A示出选择了特征量后的数据。具体而言，首先，通过对输入项目和结果的每个组合进行状态汇总，根据图10A所示的数据生成图10B所示的交差汇总表。接下来，将图10B所示的交差汇总表的次数数据通过MAP法进行归一化，具体而言，通过对各条件的次数进行一次加法，生成图10C所示的交差汇总表。然后，基于图10C所示的交差汇总表，第一伺服电机的转矩的标准偏差和第三伺服电机的转矩的标准偏差及平均值在相同条件下，将正常及异常的各状态的次数除以两状态次数之和，从而计算出各状态的条件概率。通过对所有条件执行此操作，生成条件概率表。
图11示出通过上述而得到的条件概率表(预测模型123)。依据该条件概率表，根据第三伺服电机的转矩的平均值及标准偏差和第一伺服电机的转矩的标准偏差的各值，能够求出在形成的包装体中发生咬入的概率。例如，在第三伺服电机的转矩的平均值及标准偏差均小于阈值，而第一伺服电机的转矩的标准偏差大于阈值的情况下，能够求出在形成的包装体中发生咬入的概率是92.3％。此外，例如，在第三伺服电机的转矩的平均值及标准偏差均大于阈值，而第一伺服电机的转矩的标准偏差小于阈值的情况下，能够求出在形成的包装体中发生咬入的概率是33.3％。另外，图9A～图11中，将“第一伺服电机”“第二伺服电机”“第三伺服电机”以及“第四伺服电机”分别记为“伺服1”“伺服2”“伺服3”以及“伺服4”。
【包装机的监视】
接下来，利用图12说明监视包装体WB的状态时的PLC2的处理顺序。图12示出监视在包装机3形成的包装体WB中是否存在发生异常的预兆时的PLC2的处理顺序的一例。
(步骤S201及S202)
首先，步骤S201中，PLC2的控制部21作为数据获取部211发挥功能，从运行中的包装机3中获取动作状态数据221。接下来的步骤S202中，控制部21根据步骤S201中获取的动作状态数据221计算出用于预测模型123的特征量的值。
上述实施例的情况下，在步骤S201中，控制部21从包装机的各伺服电机中获取作为动作状态数据221的转矩的测量数据。然后，在步骤S202中，控制部21利用获取的各伺服电机的转矩的测量数据中的第一及第三伺服电机的转矩的测量数据，计算出第三伺服电机的转矩的平均值及方差值和第一伺服电机的转矩的方差值的各值。
(步骤S203及S204)
接下来的步骤S203中，控制部21作为预兆判定部213发挥功能，将步骤S202中计算出的特征量的值应用于从预测模型生成装置1中获取的预测模型123。然后，接下来的步骤S204中，控制部21基于步骤S203的应用结果，判定在包装机3形成的包装体WB中是否存在发生异常的预兆。
当判定为在形成的包装体WB中存在发生异常的预兆的情况下，控制部21将处理进入下一步骤S205。另一方面，当判定为在形成的包装体WB中不存在发生异常的预兆的情况下，控制部21省略下一步骤S205的处理，本动作例的处理结束。
上述实施例的情况下，在步骤S203中，控制部21将步骤S202中计算出的第三伺服电机的转矩的平均值及方差值和第一伺服电机的转矩的方差值的各值应用于上述条件概率表。由此，控制部21能够计算出在包装体WB中发生咬入的概率的值。因此，在步骤S204中，控制部21将计算出的概率的值与设定的阈值进行比较。
然后，在计算出的概率的值超过阈值的情况下，控制部21判定为在包装体WB中存在发生咬入的预兆，并进入下一步骤S205的处理。另一方面，在计算出的概率的值在阈值以下的情况下，控制部21判定为在包装体WB中不存在发生咬入的预兆，并省略下一步骤S205的处理，本动作例的处理结束。
例如，在阈值被设定为90％的情况下，当第三伺服电机的转矩的平均值及方差值均小于阈值，而第一伺服电机的转矩的方差值大于阈值时，控制部21进入下一步骤S205的处理。另一方面，当第三伺服电机的转矩的平均值及方差值均大于阈值，而第一伺服电机的转矩的方差值小于阈值时，控制部21省略下一步骤S205的处理，本动作例的处理结束。
这样的通过阈值的判定也可用于上述实施例以外。即，在预测模型123是输出发生异常的可能性的程度的类型的情况下，控制部21通过将输出的值与阈值比较，能够判定在生产的产品中是否存在发生异常的预兆。另外，用于该判定的阈值可以通过用户适当变更。
(步骤S205)
接下来的步骤S205中，控制部21作为通知部214发挥功能，通知管理者在包装机3形成的包装体WB中存在发生异常的预兆。由此，控制部21结束本动作例的处理。
该通知的方法可以根据实施方式适当选择。例如，控制部21可以在与PLC2连接的显示装置20中，进行用于通知在包装体WB中存在发生异常的预兆的画面显示。此外，例如，控制部21也可以通过电子邮件、短消息等对管理者的用户终端进行该通知。该情况下，表示电子邮件地址、电话号码等通知地址的信息可以预先存储在存储部22或者外部的存储装置中。此外，例如，在PLC2与扬声器连接的情况下，控制部21可以通过声音进行该通知。
如上所述，PLC2监视在通过包装机3形成的包装体WB中是否存在发生异常的预兆。PLC2通过重复执行上述步骤S201～S205的处理，能够持续且实时地监视在包装体WB中是否存在发生异常的预兆。另外，在多种异常事件被设定为监视对象的情况下，控制部21通过对每个异常事件执行上述步骤S201～S205的处理，能够检测各异常事件发生的预兆。
＜画面显示＞
接下来，利用图13说明在上述包装机3的监视处理时在与PLC2连接的显示装置20上显示的画面的一例。图13例示显示装置20的画面转移的一例。
首先，显示装置20中显示顶部画面50。顶部画面50中设置有用于转移到综合监视画面51的按钮501、用于转移到个别监视画面(52A、52B)的按钮502、以及用于转移到异常事件的一览画面53的按钮503。管理者通过经由输入装置(未图示)操作各按钮501～503，能够将显示装置20上显示的画面进行切换。
(综合监视画面)
综合监视画面51中显示用于综合监视在由包装机3形成的包装体WB中发生的异常的预兆的信息。图13的例中，综合监视画面51包含综合事件危险程度显示区域511、最高事件危险程度显示区域512、事件名显示区域513、以及通知区域514。
综合事件危险程度显示区域511中显示通过步骤S203计算出的各异常事件的发生概率的平均值。最高事件危险程度显示区域512中显示通过步骤S203计算出的各异常事件的概率值中最大的值。
此外，事件名显示区域513中显示在最高事件危险程度显示区域512中显示的概率值的异常事件的名称。此外，通知区域514中显示步骤S205的通知。管理者通过阅览通知区域514的显示，能够确认在包装体WB中是否存在发生异常的预兆。
(个别监视画面)
个别监视画面(52A、52B)中显示通过上述步骤S203计算出的各异常事件的概率值的历史。管理者通过参照各个别监视画面(52A、52B)，能够确认各异常事件发生的概率的推移。另外，图13的例中，个别监视画面52A示出包装体WB中发生咬入的概率的推移，个别监视画面52B示出包装体WB中发生密封不良的概率的推移。
(一览画面)
一览画面53中显示被设定为预兆检测的对象的异常事件的一览。各项目531中显示：异常事件的名称、用于异常事件的发生的预测的预测模型、用于步骤S204的判定的阈值、以及在显示时刻通过步骤S203计算出的对象的异常事件发生的概率。管理者通过阅览该一览画面53，能够确认各异常事件的设定信息及发生的概率(危险程度)。
通过以上的各画面51～53，管理者能够多方面确认在包装体WB中是否存在发生异常的预兆。但是，显示装置20中显示的画面并不限定于这样的例，而是可以根据实施方式适当设定。例如，步骤S205的通知可以不在上述通知区域514那样的部分区域、而是在整个画面中显示。
【作用/效果】
如上所述，本实施方式中，通过上述步骤S102，从可根据包装机3的动作状态数据来计算出的多种特征量中，选择对异常的预测有效的特征量，由此提取可能成为该异常的原因的特征量。然后，通过上述步骤S103，利用提取的特征量生成预测模型123。此外，PLC2中，通过步骤S203及S204，利用通过提取的特征量而构建的预测模型123，判定在由包装机3形成的包装体WB中是否存在发生异常的预兆。因此，根据本实施方式，能够适当预测在由包装机3形成的包装体WB中是否发生异常。
此外，本实施方式中，用节拍时间对包装机3的动作状态数据121进行帧划分。该节拍时间是形成规定个数的包装体WB所花费的时间。因此，划分的各帧中适当地反映在形成规定个数的包装体WB时的包装机3的动作状态。因此，能够从各帧中适当获取特征量，由此，能够更适当地预测在由包装机3形成的包装体WB中是否发生异常。
§4变形例
以上，详细地说明了本发明的实施方式，但前述为止的说明在所有方面仅为本发明的例示。不言而喻，在不脱离本发明的范围的情况下能够进行各种改良、变形。例如，可进行如下的变更。另外，在以下的说明中，对与上述实施方式相同的结构要素使用相同的符号，并适当地省略了与上述实施方式相同的说明。可适当组合下面的变形例。
＜4.1＞
例如，上述实施方式中，作为生产设备的一例，例示了包装机3。然而，作为通过生产设备监视系统100监视发生异常的预兆的对象的生产设备不限定于包装机3，可以根据实施方式适当选择。生产的产品根据生产设备适当决定。此外，生产设备监视系统100不仅应用于单一装置构成的生产设备，也可应用于多个装置构成的生产设备。
这里，在生产设备由多个装置构成的情况下，不限于在各装置中同时处理对象产品。即，在从各装置中得到的动作状态数据中，即使选出同时刻的帧，各帧中作为处理对象的产品也未必相同。因此，即使根据从各装置中得到的动作状态数据的同时刻的帧来计算特征量，也存在该计算出的特征量不能适当地表示对象产品的状态的可能。
然而，本实施方式中，基于节拍时间对动作状态数据进行帧划分。因此，各帧中作为处理对象的产品明确，能够容易地将在从各装置中得到的动作状态数据中对同一产品进行处理的帧进行对应。
该对应例如如图14所示。图14例示出在通过四个装置依次进行四道工序(第一搬送、第一加工、第二搬送、第二加工)的情景下，从各装置中得到的动作状态数据与节拍时间的关系。在图14的例中，每经过一个节拍时间，各装置都将对象产品交给下一工序。
因此，如图14所示，从上游工序到下游工序错开了一个节拍时间的各帧对应于对同一产品进行处理的帧。如此，通过基于节拍时间对动作状态数据进行帧划分，能够容易地将在多个装置间对同一产品进行处理的帧进行对应。
另外，在第二加工工序的帧A中，检测到在生产的产品中发生了异常的情况下，根据与该帧A对应的第一搬送工序的帧B而计算出的特征量的值是特异的值。该情况下，可以推测，在帧A中发现的产品异常的原因是帧B中的处理。如此，基于节拍时间对同一产品进行处理的帧的对应，对于查明产品中发生的异常的原因是有益的。但是，对动作状态数据进行帧划分的方法，不限于基于节拍时间的方法，可以根据实施方式适当选择。例如，为了在频率分析等中使用，可以通过预先指定的时间单位对动作状态数据进行帧划分。
＜4.2＞
此外，例如，上述实施方式中，例示了PLC2作为本发明的监视装置的一例。然而，本发明的监视装置只要是具有处理器和存储器、并且能够进行运算处理的计算机即可，无特别限定。例如，上述实施方式中，可以使用PC(Personal Computer：个人计算机)、平板终端等通用的计算机取代PLC2。此外，监视装置可以通过多台计算机实现。
此外，例如，上述实施方式中，预测模型生成装置1和PLC2由不同的计算机构成。然而，预测模型生成装置1和PLC2可以由一台计算机构成。即，一台计算机可以具有预测模型生成装置及监视装置两种功能。
＜4.3＞
此外，例如，上述实施方式中，步骤S102中，利用贝叶斯网络选择用于生成预测模型123的特征量，该贝叶斯网络作为用于导出产品中发生的异常与各特征量的关联度的规定的算法。然而，用于导出产品中产生的异常与各特征量的关联度的规定的算法不限定于贝叶斯网络，可以根据实施方式适当选择。上述贝叶斯网络之外，例如，上述步骤S102中，作为用于导出产品中产生的异常与各特征量的关联度的规定的算法，可利用决策树、逻辑回归分析或者神经网络。
在利用决策树作为上述规定的算法的情况下，能够通过随机森林法等计算出各特征量(说明变量)的关联度(也可称为重要度或者贡献度)。具体而言，在生成决策树时，从各特征量(说明变量)中选择节点(分支)，使得基尼系数、交叉熵等所示的不纯度变小。因此，能够利用将各特征量(说明变量)选为节点时的不纯度的减少量，作为该特征量(说明变量)的重要度。上述步骤S102中，可以利用该重要度，从多种特征量中选择对异常发生的预测有效的特征量。
此外，在利用逻辑回归分析作为上述规定的算法的情况下，能够利用信息量基准(AIC、BIC)作为评价指标(关联度)。该情况下，上述步骤S102中，在通过变量增加法、变量减少法、变量增减法等方法使各特征量变化时，可以选择信息量基准最小的特征量的组合作为对异常发生的预测有效的特征量。
此外，在利用神经网络作为上述规定的算法的情况下，构建以各特征量的值为输入、以产品的状态为输出的神经网络。神经网络的结构可以根据实施方式适当选择。然后，将收集的动作状态数据121作为学习数据，使构建的神经网络进行适当学习。具体而言，直到当对神经网络输入各特征量的值时输出对象产品的状态为止，进行神经网络的学习。
该神经网络中，对分配有大系数的神经元输入的特征量，与作为神经网络的输出的产品的状态的关联度变高。因此，上述步骤S102中，可以按照从神经元的系数最大的那个开始的顺序，选择一个或多个特征量作为对异常发生的预测有效的特征量。
＜4.4＞
此外，例如，上述实施方式中，作为通过步骤S103构建的预测模型123，例示了图11所示的条件概率表。然而，预测模型123不限定于这样的条件概率表，可以根据实施方式适当设定。
(决策树)
例如，控制部11可以生成将步骤S102中选择的特征量(说明变量)用于分支的决策树来作为预测模型123。可以通过公知的方法生成决策树。决策树的输出能够通过被分类到各叶的学习数据中正常数据和异常数据的个数的比率来表示。该情况下，在监视包装机3的情景中，PLC2的控制部21能够通过将步骤S202中计算出的特征量的值应用于该决策树而输出发生异常的概率。因此，步骤S204中，控制部21能够基于该输出来判定在包装机3形成的包装体WB中是否存在发生异常的预兆。
(逻辑回归模型)
此外，例如，控制部11可以生成利用了步骤S102中选择的特征量的逻辑回归模型来作为预测模型123。可以通过公知的方法生成逻辑回归模型。该逻辑回归模型能够生成为输出发生异常的概率。该情况下，在监视包装机3的情景中，PLC2的控制部21能够通过将步骤S202中计算出的特征量的值应用于该逻辑回归模型而输出发生异常的概率。因此，步骤S204中，控制部21能够基于该输出来判定在包装机3形成的包装体WB中是否存在发生异常的预兆。
(偏差值)
此外，例如，控制部11也可以基于利用步骤S102中选择的特征量而计算出的偏差值(LOF(Local Outlier Factor)值：局部异常因子值)，生成用于判定在包装体WB中是否发生异常的判定条件，来作为预测模型123。LOF值是表示从某数据组偏离的程度的值。即，通过学习数据中正常时的数据组和监视时在步骤S201中得到的数据(动作状态数据)而计算出的LOF值越大，监视时得到的数据就越偏离正常时的数据组，在包装机3形成的包装体WB中发生异常的可能性就越高。此外，通过学习数据中异常时的数据组和监视时在步骤S201中得到的数据(动作状态数据)而计算出的LOF值越小，监视时得到的数据就越接近异常时的数据组，在包装机3形成的包装体WB中发生异常的可能性就越高。因此，根据对正常时的数据组或者异常时的数据组计算出的动作状态数据的LOF值，能够判定在包装体WB中是否发生异常。因此，能够将用于基于该LOF值而判定在包装体WB中是否发生异常的判定条件作为预测模型123来利用。另外，能够通过以下的(A)～(E)来进行LOF值的计算。
(A)k-distance(p)
将满足以下的数2的关系的数据o和数据p的距离定义为k-distance(p)。
【数2】
(i)对至少k个数据o′∈D-{p}，成立d(p，o′)≤d(p，o)。
(ii)对最多k-1个数据o′∈D-{p}，成立d(p，o′)≤d(p，o)。
这里，D表示正常时或者异常时的数据组。k表示D内的数据的个数，k为任意的正数。p为监视时在步骤S201中获取的数据，o为D所包含的数据。d(p，o)表示数据p和数据o之间的距离。
(B)Nk-distance(p)(p)
在通过上述(A)给出数据p的k-distance(p)时，根据以下的数3来定义数据p的k最邻近中包含的数据Nk-distance(p)(p)。
【数3】
Nk-distance(p)(p)＝{q∈D-{p}|d(p，q)≤k-distance(p)}
(C)可达距离reach-distk(p，o)
根据以下的数4来定义数据p的与数据o相关的可达距离reach-distk(p，o)。
【数4】
reach-distk(p，o)＝max{k-distance(o)，d(p，o)}
(D)局部可达密度lrdk(p)
将数据p的k邻近的数据的到达距离的平均数的倒数作为局部可达密度lrdk(p)，根据以下的数5来定义。
【数5】
(E)LOF值：LOFk(p)
利用以上的(A)～(D)，可以按照以下的数6来定义LOF值LOFk(p)。
【数6】
生成预测模型时，预测模型生成装置1的控制部11可以决定以上述LOF值的计算条件为前提的阈值条件，作为用于判定在包装体WB中是否发生异常的判定条件。可以根据实施方式适当选择用于决定作为发生异常的基准的阈值的方法。此外，在阶段性地判定在包装体WB中是否发生异常的情况下，可以设定多个阈值。
例如，在将正常时的数据组用作作为计算LOF值的基础的数据组的情况下，控制部11可以通过上述的计算而计算出步骤S101中获取的异常时的数据的LOF值，并将计算出的LOF值的最小值、平均值等设定为作为判定条件的阈值。在将异常时的数据组用作作为计算LOF值的基础的数据组的情况下，也可同样地设定LOF值。由此设定的阈值条件和上述的LOF值的计算条件成为预测模型123。另外，作为计算LOF值的基础的数据组可以随时更新。
另一方面，监视包装机3时，PLC2能够利用生成的判定条件，即LOF值的阈值，来判定在包装机3形成的包装体WB中是否存在发生异常的预兆。具体而言，PLC2的控制部21通过上述的计算而计算出步骤S201中得到的数据的LOF值。然后，控制部21通过将计算出的LOF值和作为上述预测模型123而设定的阈值进行比较，能够判定在包装机3形成的包装体WB中是否存在发生异常的预兆。
另外，在监视包装机3时判定在包装体WB中是否存在发生异常的预兆的方法可以不限定于这样的例。例如，控制部21可以利用概率密度函数等能够确定分布的函数，根据步骤S201中得到的数量的数据导出LOF值的分布。然后，控制部21可以在得到的LOF值的分布中，计算出通过上述阈值而判定为异常的比例，并将计算出的比例作为在包装体WB中发生异常的概率而输出。此外，控制部21可以基于计算出的概率来判定在包装机3形成的包装体WB中是否存在发生异常的预兆。
(马氏距离)
此外，例如，控制部11可以基于将利用步骤S102中选择的特征量而计算出的马氏距离作为预测模型123，生成用于判定在包装体WB中是否发生异常的判定条件。马氏距离Mi例如由以下的数7的算式给出，表示考虑了变量间的相关的多维距离。
【数7】
其中，Y表示平均向量，Yi表示第i个数据。此外，S表示分散协方差矩阵。
上述步骤S103中，首先，控制部11对异常时及正常时的动作状态数据，计算以步骤S102中选择的特征量为变量的马氏距离。由此，计算正常时获取的各件动作状态数据的马氏距离和异常时获取的各件动作状态数据的马氏距离。接着，控制部11设定阈值作为马氏距离的阈值条件，该阈值用于分离正常时获取的各件动作状态数据的马氏距离和异常时获取的各件动作状态数据的马氏距离。该阈值成为用于判定在包装体WB中是否发生异常的判定条件。即，由此设定的阈值条件为预测模型123。
图15例示马氏距离的阈值条件的一例。图15的例中，正常时的数据的马氏距离的值较小，异常时的数据的马氏距离的值较大，阈值被设定为分开这些值的值。作为该阈值，例如，可以采用异常时的数据的马氏距离的最小值，也可以采用异常时的数据的马氏距离的平均值，还可以采用根据正常时的各件的数据的马氏距离而计算出的上限控制(UCL)的值。阈值的设定方法可以根据实施方式适当选择。此外，在阶段性地判定在包装体WB中是否发生异常的情况下，可以设定多个阈值。
该情况下，监视包装机3时，PLC2能够利用步骤S202中算出的特征量的值，来计算出步骤S201中得到的数据的马氏距离。然后，PLC2将算出的马氏距离的值和作为上述预测模型123而设定的阈值进行比较，能够判定在包装机3形成的包装体WB中是否存在发生异常的预兆。
另外，在监视包装机3时判定在包装体WB中是否存在发生异常的预兆的方法可以不限定于这样的例。例如，控制部21可以利用概率密度函数等能够确定分布的函数，根据步骤S201中得到的数量的数据导出马氏距离的值的分布。然后，控制部21可以在得到的马氏距离的值的分布中，计算出通过上述阈值而判定为异常的比例，并将计算出的比例作为在包装体WB中发生异常的概率而输出。此外，控制部21可以基于计算出的概率来判定在包装机3形成的包装体WB中是否存在发生异常的预兆。
(其他)
另外，预测模型123的生成方法可以不限定于如上所述的例，可以根据实施方式适当选择。例如，对于预测模型123，除上述之外，可以直接采用步骤S102中选择的特征量的值，也可以采用线性回归模型。
例如，在直接采用特征量的值的情况下，控制部11基于在上述步骤S103中异常时获取的动作状态数据，对在步骤S102中选择的特征量设定用于判定为存在异常的预兆的值的范围。对该各特征量设定的值的范围成为预测模型123。该情况下，监视包装机3时，PLC2通过判定步骤S202中计算出的特征量的值是否在该范围中，从而能够判定在包装机3形成的包装体WB中是否存在发生异常的预兆。
此外，例如，在采用线性回归模型的情况下，控制部11生成关于正常时或者异常时的数据利用了上述步骤S102中选择的特征量的线性回归模型。该线性回归模型和阈值条件成为预测模型123。该情况下，监视包装机3时，PLC2通过将步骤S202中计算出的特征量的值应用于线性回归模型，并将得到的值和阈值进行比较，能够判定在包装机3形成的包装体WB中是否存在发生异常的预兆。
＜4.5＞
此外，例如，上述实施方式中，在步骤S204中，基于通过条件概率表而计算出的发生异常的概率的值与阈值的比较，来判定是否存在发生异常的预兆。然而，对于以上是否存在发生的预兆的判定不限定于这样的例，步骤S204中，可以利用多个阈值来判定发生异常的可能性的程度。
例如，可以设定用于确定对发生异常引起注意的水平的第一阈值和高于第一阈值且用于确定警告发生异常的水平的第二阈值作为多个阈值。该情况下，当通过条件概率表而计算出的产品发生异常的概率的值为第一阈值以下时，控制部21可以判定为产品发生异常的概率较低，并省略步骤S205的通知的处理。此外，当计算出的产品发生异常的概率的值大于第一阈值且第二阈值以下时，控制部21可以判定为产品发生异常的可能性较高，通过步骤S205的通知，提示管理者注意异常的发生。此外，当计算出的产品发生异常的概率的值大于第二阈值时，控制部21可以判定为产品发生异常的可能性极高，通过步骤S205的通知，对管理者发出发生异常的警告。

Claims (7)

1.一种预测模型生成装置，具有：
特征量获取部，分别在生产产品的生产设备正常地生产了该产品的正常时，以及在生产的该产品中发生了异常的异常时，获取根据表示该生产设备的动作状态的动作状态数据而计算出的多种特征量的值；
特征量选择部，根据在所述正常时及所述异常时获取的各种所述特征量的值，基于用于确定在生产的所述产品中发生的异常与各种所述特征量的关联度的规定的算法，从获取的所述多种特征量中选择对所述异常的预测有效的特征量；以及
预测模型构建部，利用选择的所述特征量，构建用于预测所述异常的发生的预测模型。
2.根据权利要求1所述的预测模型生成装置，其中，
所述各种特征量的值根据所述动作状态数据而计算出，所述动作状态数据按照生产规定个数的所述产品所花费的每个节拍时间进行划分。
3.根据权利要求1或2所述的预测模型生成装置，其中，
所述特征量选择部利用贝叶斯网络、决策树、逻辑回归分析以及神经网络中的任一个作为所述规定的算法，确定在生产的所述产品中发生的异常与所述各种特征量的关联度，并基于确定的关联度，从获取的所述多种特征量中选择对所述异常的预测有效的特征量。
4.根据权利要求1至3的任一项所述的预测模型生成装置，其中，
所述预测模型是，以选择的所述特征量作为随机变量的条件概率表、利用选择的所述特征量作为分支的决策树、利用选择的所述特征量的逻辑回归模型、基于利用选择的所述特征量而计算出的误差值来判定所述异常的发生的判定条件以及基于利用选择的所述特征量而计算出的马氏距离来判定所述异常的发生的判定条件中的任一个。
5.一种生产设备监视系统，具有：
权利要求1至4的任一项所述的预测模型生成装置；以及
监视装置，从运行中的生产设备中获取动作状态数据，并根据获取的动作状态数据计算出用于所述预测模型的特征量的值，并将计算出的特征量的值应用于所述预测模型，由此判定在该生产设备生产的产品中是否存在发生异常的预兆。
6.根据权利要求5所述的生产设备监视系统，其中，
当判定为在所述生产设备生产的产品中存在发生异常的预兆的情况下，所述监视装置将该存在发生异常的预兆通知给所述生产设备的管理者。
7.一种生产设备监视方法，包含：
分别在生产产品的生产设备正常地生产了该产品的正常时，以及在生产的该产品中发生了异常的异常时，获取根据表示该生产设备的动作状态的动作状态数据而计算出的多种特征量的值的步骤；
根据在所述正常时及所述异常时获取的所述各种特征量的值，基于用于确定在生产的所述产品中发生的异常与所述各种特征量的关联度的规定的算法，从获取的所述各种特征量中选择对所述异常的预测有效的特征量的步骤；
利用选择的所述特征量，构建用于预测所述异常的发生的预测模型的步骤；
从运行中的所述生产设备中获取动作状态数据的步骤；
根据获取的所述动作状态数据而计算出用于所述预测模型的特征量的值的步骤；以及
将计算出的特征量的值应用于所述预测模型，由此判定在该生产设备生产的产品中是否存在发生异常的预兆的步骤。
CN201711318039.8A 2017-01-19 2017-12-12 预测模型生成装置、生产设备监视系统及其方法 Pending CN108334890A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017-007575 2017-01-19
JP2017007575A JP2018116545A (ja) 2017-01-19 2017-01-19 予測モデル作成装置、生産設備監視システム、及び生産設備監視方法

Publications (1)

Publication Number Publication Date
CN108334890A true CN108334890A (zh) 2018-07-27

Family

ID=60942824

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711318039.8A Pending CN108334890A (zh) 2017-01-19 2017-12-12 预测模型生成装置、生产设备监视系统及其方法

Country Status (4)

Country Link
US (1) US11106197B2 (zh)
EP (1) EP3352032B1 (zh)
JP (1) JP2018116545A (zh)
CN (1) CN108334890A (zh)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110619691A (zh) * 2019-09-25 2019-12-27 南京天芯云数据服务有限公司 一种板坯表面裂纹的预测方法及装置
CN112296757A (zh) * 2019-07-24 2021-02-02 株式会社理光 信息处理装置、信息处理系统、异常预测方法
CN112513761A (zh) * 2019-03-13 2021-03-16 欧姆龙株式会社 显示系统
CN112534374A (zh) * 2019-03-13 2021-03-19 欧姆龙株式会社 显示系统、显示方法及显示程序
CN112534363A (zh) * 2019-02-25 2021-03-19 欧姆龙株式会社 预测控制开发装置、预测控制开发方法及预测控制开发程序
CN112650200A (zh) * 2020-12-25 2021-04-13 中能融安(北京)科技有限公司 一种设备故障的诊断方法及诊断装置
CN112714895A (zh) * 2018-10-01 2021-04-27 株式会社椿本链条 异常判定装置、信号特征量预测器、异常判定方法、学习模型的生成方法以及学习模型
CN113205237A (zh) * 2020-12-15 2021-08-03 格创东智(深圳)科技有限公司 玻璃生产信息处理方法、装置、电子设备及其存储介质
CN113255795A (zh) * 2021-06-02 2021-08-13 杭州安脉盛智能技术有限公司 一种基于多指标集群分析的设备状态监测方法
CN113614664A (zh) * 2019-03-26 2021-11-05 东京毅力科创株式会社 状态判断装置、状态判断方法和计算机可读取的存储介质
CN114580792A (zh) * 2022-04-28 2022-06-03 深圳丰尚智慧农牧科技有限公司 膨化机工作状态识别方法、装置、计算机设备、存储介质
TWI802887B (zh) * 2020-05-28 2023-05-21 日商住友重機械工業股份有限公司 顯示裝置、評估方法及評估系統
CN112513761B (zh) * 2019-03-13 2024-04-30 欧姆龙株式会社 显示系统、显示方法及显示程序的记录介质

Families Citing this family (39)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7063022B2 (ja) * 2018-03-14 2022-05-09 オムロン株式会社 異常検知システム、サポート装置およびモデル生成方法
WO2019189249A1 (ja) * 2018-03-29 2019-10-03 日本電気株式会社 学習装置、学習方法、及びコンピュータ読み取り可能な記録媒体
JP7318646B2 (ja) * 2018-06-27 2023-08-01 ソニーグループ株式会社 情報処理装置、情報処理方法、およびプログラム
US20210019628A1 (en) * 2018-07-23 2021-01-21 Intel Corporation Methods, systems, articles of manufacture and apparatus to train a neural network
JP7063212B2 (ja) * 2018-09-20 2022-05-09 オムロン株式会社 制御装置および制御システム
JP2020052460A (ja) * 2018-09-21 2020-04-02 東洋製罐グループホールディングス株式会社 異常検出システム、及び異常検出プログラム
JP7056497B2 (ja) * 2018-10-03 2022-04-19 トヨタ自動車株式会社 重回帰分析装置及び重回帰分析方法
KR102116711B1 (ko) 2018-10-12 2020-05-29 한국수력원자력 주식회사 다중 예측 모델을 적용한 발전소 조기 경보 장치 및 방법
JP2020090288A (ja) * 2018-12-03 2020-06-11 株式会社川島製作所 駆動機器の予兆保全装置及び予兆保全方法
JP2020090289A (ja) * 2018-12-03 2020-06-11 株式会社川島製作所 光センサ予兆保全装置及び光センサ予兆保全方法
JP7238378B2 (ja) * 2018-12-17 2023-03-14 富士通株式会社 異常検出装置、異常検出プログラム、及び、異常検出方法
JP7133154B2 (ja) * 2019-01-18 2022-09-08 住友大阪セメント株式会社 運転異常検出システム
JP6600120B1 (ja) * 2019-02-06 2019-10-30 オーウエル株式会社 管理システム及びそのための機械学習装置並びに管理方法
CN113424119A (zh) * 2019-02-13 2021-09-21 松下知识产权经营株式会社 作业效率评价方法、作业效率评价装置以及程序
JP6790154B2 (ja) * 2019-03-07 2020-11-25 東芝デジタルソリューションズ株式会社 協調型学習システム及び監視システム
JP7272020B2 (ja) * 2019-03-13 2023-05-12 オムロン株式会社 表示システム
JP7070478B2 (ja) * 2019-03-13 2022-05-18 オムロン株式会社 解析装置、解析方法、及び解析プログラム
JP7012928B2 (ja) * 2019-04-19 2022-01-31 東芝デジタルエンジニアリング株式会社 状態変動検出装置及び状態変動検出用プログラム
JP2020190956A (ja) * 2019-05-22 2020-11-26 株式会社東芝 製造条件出力装置、品質管理システム及びプログラム
WO2020261621A1 (ja) * 2019-06-27 2020-12-30 日本電気株式会社 監視システム、監視方法及びプログラム
JP7294927B2 (ja) * 2019-07-23 2023-06-20 ファナック株式会社 相違点抽出装置
CN110502724B (zh) * 2019-08-09 2023-04-07 国网山西省电力公司 基于自组织神经网络的设备状态预测方法和终端设备
WO2021044500A1 (ja) * 2019-09-02 2021-03-11 オムロン株式会社 異常に対する処理の支援装置
WO2021053782A1 (ja) * 2019-09-19 2021-03-25 オムロン株式会社 生産設備に生じ得る事象の解析装置
DE102020210967A1 (de) * 2019-11-14 2021-05-20 Sms Group Gmbh Verfahren und System zur Optimierung eines Produktionsprozesses in einer Produktionsanlage der metallerzeugenden Industrie, der Nicht-Eisen-Industrie oder der Stahlindustrie zur Herstellung von Halbzeugen oder Fertigerzeugnissen, insbesondere zur Überwachung von Produktqualitäten von gewalzten oder geschmiedeten Metallerzeugnissen
CN111076667B (zh) * 2019-12-23 2021-07-30 长春工程学院 一种金属表面划痕动态快速测量方法
US11423529B2 (en) * 2020-02-18 2022-08-23 Applied Materials Isreal Ltd. Determination of defect location for examination of a specimen
JP2021167791A (ja) * 2020-04-13 2021-10-21 Ｋｙｂ株式会社 故障予兆システム
CN111611010B (zh) * 2020-04-24 2021-10-08 武汉大学 一种代码修改实时缺陷预测的可解释方法
JP7128232B2 (ja) * 2020-06-11 2022-08-30 ダイハツディーゼル株式会社 要因分析装置および要因分析方法
JP2021196950A (ja) * 2020-06-16 2021-12-27 オムロン株式会社 コントローラ、システム、方法及びプログラム
CN112270429A (zh) * 2020-08-31 2021-01-26 中国科学院合肥物质科学研究院 基于云边协同的动力电池极片制造设备维护方法和系统
JP6961126B1 (ja) * 2020-10-28 2021-11-05 三菱電機株式会社 劣化検知装置
WO2022101051A1 (en) * 2020-11-13 2022-05-19 Asml Netherlands B.V. Active learning-based defect location identification
CN112633178A (zh) * 2020-12-24 2021-04-09 深圳集智数字科技有限公司 一种图像识别方法、装置、存储介质及电子设备
JPWO2022157985A1 (zh) * 2021-01-25 2022-07-28
JP2022173863A (ja) * 2021-05-10 2022-11-22 株式会社東芝 モジュラー型時系列データ予測装置、モジュラー型時系列データ予測方法、および、プログラム
JP2023108255A (ja) * 2022-01-25 2023-08-04 オムロン株式会社 制御装置および制御方法
JP2023183878A (ja) * 2022-06-16 2023-12-28 オムロン株式会社 異常判定装置、異常判定方法、及び異常判定プログラム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050288812A1 (en) * 2004-06-03 2005-12-29 National Cheng Kung University Quality prognostics system and method for manufacturing processes
US20070135957A1 (en) * 2005-12-13 2007-06-14 Omron Corporation Model generating apparatus, model generating system, and fault detecting apparatus
JP2012146054A (ja) * 2011-01-11 2012-08-02 Jfe Steel Corp 品質予測装置及び品質予測プログラム
CN104679972A (zh) * 2013-12-03 2015-06-03 刘佳霖 应用于工厂进行生产制造的验证方法

Family Cites Families (27)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5297151A (en) * 1992-06-17 1994-03-22 International Business Machines Corporation Adjustable weighted random test pattern generator for logic circuits
JPH08249007A (ja) * 1995-03-08 1996-09-27 Mitsubishi Electric Corp 予測方法及び予測装置
JPH09189569A (ja) * 1996-01-11 1997-07-22 Hitachi Ltd 定例操作支援方法及びその装置
JPH11129145A (ja) * 1997-10-31 1999-05-18 Denso Corp 加工物の形状精度診断装置及び加工物の形状精度診断方法及び記録媒体
JP3811124B2 (ja) * 2002-12-17 2006-08-16 株式会社日立製作所 圧延機の異常診断方法
JP2005121639A (ja) 2003-09-22 2005-05-12 Omron Corp 検査方法および検査装置ならびに設備診断装置
US7451003B2 (en) * 2004-03-04 2008-11-11 Falconeer Technologies Llc Method and system of monitoring, sensor validation and predictive fault analysis
US7818276B2 (en) * 2006-02-03 2010-10-19 Recherche 2000 Inc. Intelligent monitoring system and method for building predictive models and detecting anomalies
JP2008109101A (ja) * 2006-09-30 2008-05-08 Omron Corp モデル作成装置並びにプロセス異常分析装置およびそれらの方法並びにプログラム
JP2009054843A (ja) * 2007-08-28 2009-03-12 Omron Corp プロセス異常検出装置および方法並びにプログラム
JP5370905B2 (ja) * 2008-03-13 2013-12-18 富士ゼロックス株式会社 故障診断装置およびプログラム
US8515719B2 (en) * 2009-01-14 2013-08-20 Hitachi, Ltd. Apparatus anomaly monitoring method and system
JP5158018B2 (ja) 2009-05-26 2013-03-06 新日鐵住金株式会社 生産システムの設備診断装置および設備診断方法、並びに設備診断プログラムおよびこれを記録したコンピュータ読み取り可能な記録媒体
JP5431235B2 (ja) 2009-08-28 2014-03-05 株式会社日立製作所 設備状態監視方法およびその装置
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
JP5593121B2 (ja) * 2010-05-10 2014-09-17 シャープ株式会社 工程管理装置および工程管理方法、制御プログラム、可読記録媒体
US8655476B2 (en) * 2011-03-09 2014-02-18 GM Global Technology Operations LLC Systems and methods for computationally developing manufacturable and durable cast components
JP5831804B2 (ja) * 2011-11-07 2015-12-09 株式会社リコー 保守支援システム
JP5858839B2 (ja) * 2012-03-26 2016-02-10 住友重機械工業株式会社 作業機械の異常診断装置
JP5843104B2 (ja) * 2012-05-11 2016-01-13 ソニー株式会社 情報処理装置、情報処理方法、及び、プログラム
JP6299751B2 (ja) * 2013-04-02 2018-03-28 コニカミノルタ株式会社 ガスバリアーフィルムの水蒸気透過度評価方法と評価システム及びガスバリアーフィルムの製造方法
JP6361175B2 (ja) * 2014-03-06 2018-07-25 株式会社豊田中央研究所 異常診断装置及びプログラム
CN105225979A (zh) * 2014-06-19 2016-01-06 中芯国际集成电路制造(上海)有限公司 一种半导体器件制程预测系统和方法
US10533920B2 (en) * 2014-08-05 2020-01-14 Acoem France Automatic rotating-machine fault diagnosis with confidence level indication
JP5943357B2 (ja) * 2014-09-17 2016-07-05 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 検出装置、検出方法、およびプログラム
JP6632193B2 (ja) 2015-01-16 2020-01-22 キヤノン株式会社 情報処理装置、情報処理方法、及びプログラム
KR101827108B1 (ko) * 2016-05-04 2018-02-07 두산중공업 주식회사 플랜트 이상 감지 학습 시스템 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050288812A1 (en) * 2004-06-03 2005-12-29 National Cheng Kung University Quality prognostics system and method for manufacturing processes
US20070135957A1 (en) * 2005-12-13 2007-06-14 Omron Corporation Model generating apparatus, model generating system, and fault detecting apparatus
JP2012146054A (ja) * 2011-01-11 2012-08-02 Jfe Steel Corp 品質予測装置及び品質予測プログラム
CN104679972A (zh) * 2013-12-03 2015-06-03 刘佳霖 应用于工厂进行生产制造的验证方法

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112714895A (zh) * 2018-10-01 2021-04-27 株式会社椿本链条 异常判定装置、信号特征量预测器、异常判定方法、学习模型的生成方法以及学习模型
CN112534363A (zh) * 2019-02-25 2021-03-19 欧姆龙株式会社 预测控制开发装置、预测控制开发方法及预测控制开发程序
CN112534363B (zh) * 2019-02-25 2022-04-12 欧姆龙株式会社 预测控制开发装置、开发方法及计算机可读取的存储介质
CN112513761A (zh) * 2019-03-13 2021-03-16 欧姆龙株式会社 显示系统
CN112534374A (zh) * 2019-03-13 2021-03-19 欧姆龙株式会社 显示系统、显示方法及显示程序
CN112513761B (zh) * 2019-03-13 2024-04-30 欧姆龙株式会社 显示系统、显示方法及显示程序的记录介质
CN113614664A (zh) * 2019-03-26 2021-11-05 东京毅力科创株式会社 状态判断装置、状态判断方法和计算机可读取的存储介质
CN112296757B (zh) * 2019-07-24 2022-09-30 株式会社理光 信息处理装置、信息处理系统、异常预测方法
CN112296757A (zh) * 2019-07-24 2021-02-02 株式会社理光 信息处理装置、信息处理系统、异常预测方法
CN110619691B (zh) * 2019-09-25 2021-07-06 南京天芯云数据服务有限公司 一种板坯表面裂纹的预测方法及装置
CN110619691A (zh) * 2019-09-25 2019-12-27 南京天芯云数据服务有限公司 一种板坯表面裂纹的预测方法及装置
TWI802887B (zh) * 2020-05-28 2023-05-21 日商住友重機械工業股份有限公司 顯示裝置、評估方法及評估系統
CN113205237A (zh) * 2020-12-15 2021-08-03 格创东智(深圳)科技有限公司 玻璃生产信息处理方法、装置、电子设备及其存储介质
CN112650200A (zh) * 2020-12-25 2021-04-13 中能融安(北京)科技有限公司 一种设备故障的诊断方法及诊断装置
CN113255795A (zh) * 2021-06-02 2021-08-13 杭州安脉盛智能技术有限公司 一种基于多指标集群分析的设备状态监测方法
CN114580792B (zh) * 2022-04-28 2022-08-30 深圳丰尚智慧农牧科技有限公司 膨化机工作状态识别方法、装置、计算机设备、存储介质
CN114580792A (zh) * 2022-04-28 2022-06-03 深圳丰尚智慧农牧科技有限公司 膨化机工作状态识别方法、装置、计算机设备、存储介质

Also Published As

Publication number Publication date
EP3352032A1 (en) 2018-07-25
US11106197B2 (en) 2021-08-31
EP3352032B1 (en) 2022-05-11
JP2018116545A (ja) 2018-07-26
US20180203439A1 (en) 2018-07-19

Similar Documents

Publication Publication Date Title
CN108334890A (zh) 预测模型生成装置、生产设备监视系统及其方法
US10410135B2 (en) Systems and/or methods for dynamic anomaly detection in machine sensor data
US8732100B2 (en) Method and apparatus for event detection permitting per event adjustment of false alarm rate
US20100211192A1 (en) Apparatus and method for automated analysis of alarm data to support alarm rationalization
US11269752B1 (en) System and method for unsupervised anomaly prediction
EP3940488A1 (en) Display system, display method, and display program
JP2008167296A (ja) 機器監視方法および機器監視システム
US20210320931A1 (en) Dynamic monitoring and securing of factory processes, equipment and automated systems
CN110096036A (zh) 一种设备状态的确定方法、装置及设备
da Silva Arantes et al. A novel unsupervised method for anomaly detection in time series based on statistical features for industrial predictive maintenance
Lara-Benítez et al. Data streams classification using deep learning under different speeds and drifts
JP7272020B2 (ja) 表示システム
Kubota et al. Anomaly detection from online monitoring of system operations using recurrent neural network
WO2021130936A1 (ja) 時系列データ処理方法
CN116194855A (zh) 显示系统、显示方法以及显示程序
US20240102242A1 (en) Adaptive-Learning, Auto-Labeling Method and System for Predicting and Diagnosing Web Breaks in Paper Machine
CN117786373B (zh) 一种基于大数据的瓦楞纸加工的设备运行诊断系统
JP2020149290A (ja) 表示システム
KR102469229B1 (ko) 인공지능 기반의 피쉬본 다이어그램 관리 시스템 및 그 방법
US11953863B2 (en) Dynamic monitoring and securing of factory processes, equipment and automated systems
US20230069342A1 (en) Computer system and method of determining model switch timing
Keskin et al. Prediction of failure categories in plastic extrusion process with deep learning
CN112513761B (zh) 显示系统、显示方法及显示程序的记录介质
US20220198291A1 (en) Systems and methods for event detection
WO2021044500A1 (ja) 異常に対する処理の支援装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180727

RJ01 Rejection of invention patent application after publication