CN108628263B - 控制系统、控制装置、计算机可读存储介质以及控制方法 - Google Patents

控制系统、控制装置、计算机可读存储介质以及控制方法 Download PDF

Info

Publication number
CN108628263B
CN108628263B CN201810042041.5A CN201810042041A CN108628263B CN 108628263 B CN108628263 B CN 108628263B CN 201810042041 A CN201810042041 A CN 201810042041A CN 108628263 B CN108628263 B CN 108628263B
Authority
CN
China
Prior art keywords
degree
parameter
deviation
feature
value
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
CN201810042041.5A
Other languages
English (en)
Other versions
CN108628263A (zh
Inventor
北村敦
徳隆宏
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 CN108628263A publication Critical patent/CN108628263A/zh
Application granted granted Critical
Publication of CN108628263B publication Critical patent/CN108628263B/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] or computer integrated manufacturing [CIM]
    • G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—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] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/1653—Programme controls characterised by the control loop parameters identification, estimation, stiffness, accuracy, error 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
    • G05B15/00—Systems controlled by a computer
    • G05B15/02—Systems controlled by a computer electric
    • 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
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
    • G05B19/058—Safety, 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/404—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for compensation, e.g. for backlash, overshoot, tool offset, tool wear, temperature, machine construction errors, load, inertia
    • 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
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4067—Restoring data or position after power failure or other interruption
    • 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
    • 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
    • G05B23/0297—Reconfiguration of monitoring system, e.g. use of virtual sensors; change monitoring method as a response to monitoring results
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G05B2219/32182—If state of tool, product deviates from standard, adjust system, feedback
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Human Computer Interaction (AREA)
  • Robotics (AREA)
  • Mechanical Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供一种能够对探测控制对象中产生的异常时所需的期间进行调整的控制系统、控制装置、计算机可读存储介质及控制方法。所述控制系统包括：特征量生成部件，基于第1参数，由从控制对象获取的数据而生成特征量，所述第1参数与定义特征量的要素数相关；背离度获取部件，基于第2参数，获取由特征量生成部件所生成的所述特征量与由存储部件所存储的特征量集合体之间的背离度，所述第2参数与用于所述背离度获取的所述特征量集合体的范围相关；异常探测部件，基于由背离度获取部件所获取的背离度与阈值，来探测控制对象中产生的异常；以及指示部件，基于背离度获取部件的执行周期，来指示所述背离度获取部件开始执行。

Description

控制系统、控制装置、计算机可读存储介质以及控制方法
技术领域
本技术涉及一种对在控制对象中产生的异常进行探测的控制系统(system)、控制装置、计算机可读存储介质(computer readable recording medium)以及控制方法。
背景技术
在各种生产现场，使用可编程逻辑控制器(Programmable Logic Controller，PLC)(可编程控制器)等控制装置的工厂自动化(Factory Automation，FA)技术已得到广泛普及。关于此类控制装置，有想要对机械设备等控制对象中产生的异常进行探测的需求(needs)。
针对此种需求，例如日本专利特开2013-008111号公报(专利文献1)揭示了一种对机械设备的异常预兆进行诊断的异常预兆诊断装置。专利文献1所揭示的异常预兆诊断装置将机械设备正常运转时由传感器(sensor)所获取的数据预先存储为学习数据，基于由传感器新获取的作为诊断对象的数据与学习数据，来对机械设备的异常预兆进行诊断。
发明内容
[发明所要解决的问题]
根据所述专利文献1所揭示的结构，对机械设备的异常预兆进行诊断，但对于调整异常预兆的诊断所需的期间未作任何探讨。
本技术提供一种能够对探测控制对象中产生的异常时所需的期间进行调整的技术。
[解决问题的技术手段]
根据本发明的一方面，提供一种控制系统，其包含对控制对象进行控制的控制装置。控制系统包括：存储部件，存储特征量的集合体(也称为，特征量集合体)，所述特征量是由从控制对象获取的数据而生成，且由一个以上的要素来定义；特征量生成部件，基于第1参数，由从控制对象获取的数据而生成特征量，所述第1参数与定义特征量的要素数相关；背离度获取部件，基于第2参数，获取由特征量生成部件所生成的所述特征量与由存储部件所存储的所述特征量集合体之间的背离度，所述第2参数与用于所述背离度获取的所述特征量集合体的范围相关；异常探测部件，基于由背离度获取部件所获取的背离度与阈值，来探测控制对象中产生的异常；以及指示部件，基于背离度获取部件的执行周期，来指示所述背离度获取部件开始执行。第1参数及第2参数中的至少一者的值是可变更地构成。
优选的是，指示部件基于与背离度获取部件的执行周期相关的第3参数，来指示所述背离度获取部件开始执行。第3参数的值是可变更地构成。
优选的是，控制系统还包括：输出部件，输出背离度获取部件获取背离度所需的期间。
优选的是，输出部件从第1参数及第2参数中的至少一者的值中，输出可将背离度获取部件获取背离度所需的期间缩短的值的候补。
优选的是，输出部件至少根据基于由背离度获取部件获取背离度的期间的优先顺位，来输出可将背离度获取部件获取背离度所需的期间缩短的值的候补。
优选的是，输出部件在背离度获取部件获取背离度所需的期间未收敛在背离度获取部件的执行周期内的情况下，输出可将背离度获取部件获取背离度所需的期间缩短的值的候补。
优选的是，控制系统还包括：决定部件，从第1参数及第2参数中的至少一者的值中，决定背离度获取部件获取背离度所需的期间收敛在背离度获取部件的执行周期内的值的候补。
优选的是，对特征量生成部件、所述异常探测部件及所述指示部件进行定义的用户程序是在预定的每个系统周期反复执行，对背离度获取部件进行定义的机械程序是在未执行用户程序的期间内执行。
优选的是，控制系统还包括：事前存储部件，在背离度获取部件获取背离度之前，使从控制对象获取的数据的特征量的集合体预先存储在存储部件中。
根据本发明的另一方面，提供一种对控制对象进行控制的控制装置。控制装置包括：存储部件，存储特征量的集合体，所述特征量是由从控制对象获取的数据而生成，且由一个以上的要素来定义；特征量生成部件，基于第1参数，由从控制对象获取的数据而生成特征量，所述第1参数与定义特征量的要素数相关；背离度获取部件，基于第2参数，获取由特征量生成部件所生成的所述特征量与由存储部件所存储的所述特征量集合体之间的背离度，所述第2参数与用于所述背离度获取的所述特征量集合体的范围相关；异常探测部件，基于由背离度获取部件所获取的背离度与阈值，来探测控制对象中产生的异常；以及指示部件，基于背离度获取部件的执行周期，来指示所述背离度获取部件开始执行。第1参数及第2参数中的至少一者的值是可变更地构成。
根据本发明的另一方面，提供一种存储有控制程序的计算机可读存储介质，其中所述控制程序是通过由计算机执行来实现对控制对象进行控制的控制装置。控制程序使计算机执行下述步骤：基于第1参数，由从控制对象获取的数据而生成特征量，第1参数与定义特征量的要素数相关；基于第2参数，获取所生成的所述特征量与由存储部件所存储的特征量集合体之间的背离度，第2参数与用于所述背离度获取的所述特征量集合体的范围相关；基于所获取的背离度与阈值，来探测控制对象中产生的异常；以及基于背离度获取的执行周期，来开始执行所述背离度的获取。第1参数及第2参数中的至少一者的值是可变更地构成。
根据本发明的又一方面，提供一种对控制对象进行控制的控制方法。控制方法包括下述步骤：基于第1参数，由从控制对象获取的数据而生成特征量，第1参数与定义特征量的要素数相关；基于第2参数，获取所生成的所述特征量与由存储部件所存储的特征量集合体之间的背离度，第2参数与用于所述背离度获取的所述特征量集合体的范围相关；基于所获取的背离度与阈值，来探测控制对象中产生的异常；以及基于背离度获取的执行周期，来开始执行所述背离度的获取。第1参数及第2参数中的至少一者的值是可变更地构成。
[发明的效果]
根据本技术，能够对探测控制对象中产生的异常时所需的期间进行调整。
附图说明
图1是表示本实施方式的控制系统的整体结构例的示意图。
图2是表示构成本实施方式的控制系统的控制装置的硬件结构例的框图。
图3是表示构成本实施方式的控制系统的支持(support)装置的硬件结构例的框图。
图4A及图4B是用于说明使用本实施方式的控制系统的异常探测中的背离度的示意图。
图5A及图5B是用于说明在本实施方式的控制系统中所用的借助马氏距离(Mahalanobis distance)的诊断的一例的示意图。
图6A至图6C是用于说明本实施方式的控制系统中的、背离度的获取时间的变化的示意图。
图7是用于说明在本实施方式的控制系统中执行的异常探测的主要工序的示意图。
图8是用于说明本实施方式的控制系统的各装置所提供的功能的示意图。
图9是用于说明本实施方式的控制系统的设定工序中的主要处理内容的示意图。
图10是用于说明本实施方式的控制系统的运转工序中的主要处理内容的示意图。
图11是用于说明在本实施方式的控制系统中执行的用户程序及机械程序的执行周期的示意图。
图12是用于说明在本实施方式的控制系统中执行的用户程序及机械程序的执行的一例的示意图。
图13是表示在本实施方式的控制系统中执行的用户程序的一例的图。
图14是用于说明在本实施方式的控制系统中执行的设定工序的流程图。
图15A及图15B是表示在本实施方式的控制系统中制作的候补列表的一例的图。
图16是用于说明在本实施方式的控制系统中设定的诊断周期内诊断未结束时的一例的示意图。
图17是表示在本实施方式的控制系统中显示于支持装置的图像的一例的图。
图18是表示在本实施方式的控制系统中显示于支持装置的画面的一例的图。
附图标号说明：
1：控制系统
2：第1现场网络
4：第2现场网络
6：局域网络
10：现场装置群
12：远程I/O装置
14：继电器群
16、124、124-1、124-2：I/O单元
18：图像传感器
20：摄像机
22：伺服驱动器
24：伺服马达
100：控制装置
102、202：处理器
104：芯片组
106、206：主存储装置
108、208：二级存储装置
110、214：局域网络控制器
112、212：控制器(USB控制器)
114：存储卡接口
116：存储卡
118、120：现场总线控制器
122：内部总线控制器
125、130：内部DB
132：原始数据
134：学习结果
140：机械学习引擎
142：学习功能
144：异常探测功能
146：事件日志
150：引擎(PLC引擎)
152：调度器
154：变量管理器
160：用户程序
162：异常探测程序
164：写入程序(内部DB写入程序)
166：机械学习引擎接口
168：学习请求程序
170：监测请求程序
174：特征量生成程序
190：OS
200：支持装置
204：光驱
205：记录介质
216：输入部
218：显示部
220：总线
222：开发程序
224：参数设定工具
226：数据挖掘工具
300：数据记录装置
400：显示装置
402、2268：显示功能
1542：系统变量
1544：用户变量/设备变量
1546：阈值
1620、1622、1624、1626、1628、1702、1704、1706、1708、1710、1712、1714、1716、1742、1746、1748、1750、1752、1758：符号
1700：监测请求功能块
1740：特征量生成功能块
2182：设定图像
2184、2192：选择图像
2186：单选按钮
2188、2198：确定按钮
2242：变量存取程序(PLC变量存取程序)
2262：原始数据获取功能
2264：数据挖掘功能
2266：试运转功能
S10～S70、S102～S108、S202～S212：步骤
t1～t9、tmin、tmax：时机/时间
Div：马氏距离/背离度
σ：各维度中的多个学习数据的标准偏差
Px(Px1、Px2、Px3、…)：诊断对象数据
P1、P2、P3、…：学习数据
(1-1)、(1-2)、(1-3)、(2～1)、(2～2)：工序
具体实施方式
对于本发明的实施方式，参照附图来进行详细说明。另外，对于附图中相同或相当的部分标注相同的符号，并不再重复其说明。
<A.控制系统的整体结构例>
首先，对包含本实施方式的控制装置的控制系统1的整体结构例进行说明。图1是表示本实施方式的控制系统1的整体结构例的示意图。
参照图1，本实施方式的控制系统1包含对控制对象进行控制的控制装置100、及连接于控制装置100的支持装置200，以作为主要的构成要素。
控制装置100也可作为PLC等一种计算机而具现化。控制装置100经由第1现场网络(field network)2而与现场装置群10连接，并且经由第2现场网络4而与一个或多个显示装置400连接。
进而，控制装置100经由局域网络(local network)6而连接于数据记录(datalogging)装置300。控制装置100经由各个网络来与所连接的装置之间交换数据。另外，数据记录装置300及显示装置400为可选(optional)结构，并非控制系统1的必要结构。
控制装置100具有控制逻辑(以下也称作“PLC引擎(engine)”)，所述控制逻辑执行用于控制机械设备的各种运算。除了PLC引擎以外，控制装置100还具有收集功能，即，对由现场装置群10所测量并转发至控制装置100的数据(以下也称作“输入数据”)进行收集。进而，控制装置100还具有异常探测功能，即，基于所收集的输入数据，来探测控制对象中产生的异常。
具体而言，安装于控制装置100的内部数据库(database)(以下也记作“内部DB”)130提供收集功能，安装于控制装置100的机械学习引擎140提供异常探测功能。安装于控制装置100的内部数据库(内部DB)125存储机械学习引擎140在异常探测时所使用的学习结果。关于内部DB 125、内部DB 130及机械学习引擎140的详细将后述。
第1现场网络2及第2现场网络4优选采用保证数据到达时间的、进行固定周期通信的网络。作为此种进行固定周期通信的网络，已知有EtherCAT(注册商标)、EtherNet/IP(注册商标)、DeviceNet(注册商标)、CompoNet(注册商标)等。
现场装置群(field device group)10包含从控制对象或与控制相关的制造装置或生产线等(以下也总称作“现场”)收集输入数据的装置。作为此种收集输入数据的装置，设想有输入继电器(relay)或各种传感器(sensor)等。
现场装置群10还包含基于由控制装置100所生成的指令(以下也称作“输出数据”)来对现场给予某些作用的装置。作为此种对现场给予某些作用的装置，设想有输出继电器、接触器(contactor)、伺服驱动器(servo driver)及伺服马达(servo motor)、其他任意执行器(actuator)。这些现场装置群10经由第1现场网络2而与控制装置100之间交换包含输入数据及输出数据的数据。
在图1所示的结构例中，现场装置群10包含远程(remote)输入/输出(Input/Output，I/O)装置12、继电器群14、图像传感器(image sensor)18及摄像机(camera)20、以及伺服驱动器22及伺服马达24。
远程I/O装置12包含经由第1现场网络2来进行通信的通信部、及用于进行输入数据的获取及输出数据的输出的输入/输出部(以下也称作“I/O单元”)。经由此种I/O单元，在控制装置100与现场之间交换输入数据及输出数据。图1中，表示了经由继电器群14来交换作为输入数据及输出数据的数字信号的示例。
I/O单元也可直接连接于现场网络。图1中表示I/O单元16直接连接于第1现场网络2的示例。
图像传感器18对由摄像机20所拍摄的图像数据，进行图案匹配(patternmatching)等图像测量处理，并将此处理结果发送至控制装置100。
伺服驱动器22通过来自控制装置100的输出数据(例如位置指令等)，来驱动伺服马达24。
如上所述，经由第1现场网络2而在控制装置100与现场装置群10之间交换数据，但这些交换的数据将以数百微秒级(order)～数十毫秒级的极短周期而受到更新。另外，也有时将此种交换数据的更新处理称作“I/O刷新(refresh)处理”。
经由第2现场网络4而与控制装置100连接的显示装置400接受来自用户的操作，对控制装置100发送与用户操作相应的命令等，并且将控制装置100中的运算结果等以图解(graphical)方式予以显示。
数据记录装置300经由局域网络6而与控制装置100连接，在与控制装置100之间交换必要的数据。数据记录装置300例如具有数据库功能，依时间序列来收集控制装置100所产生的事件日志(event log)等。
在局域网络6中，也可安装以太网(Ethernet)(注册商标)等通用协议(protocol)。即，典型的是，局域网络6中的数据发送周期或更新周期也可迟于现场网络(第1现场网络2及第2现场网络4)中的数据发送周期或更新周期。但是，局域网络6也可能够比现场网络一次发送更多的数据。
支持装置200是支持控制装置100对控制对象进行控制所需的准备的装置。具体而言，支持装置200提供由控制装置100所执行的程序的开发环境(程序制作编辑工具、分析器(parser)、编译器(compiler)等)、用于对控制装置100及连接于控制装置100的各种设备(device)的参数(配置(configuration))进行设定的设定环境、将所生成的用户程序发送至控制装置100的功能、在线(on line)修正/变更在控制装置100上执行的用户程序等的功能等。
进而，本实施方式的支持装置200具有进行针对安装于控制装置100的内部DB 130及机械学习引擎140的设定操作的功能。关于这些功能将后述。
<B.各装置的硬件结构例>
接下来，对构成本实施方式的控制系统1的主要装置的硬件结构例进行说明。
(b1：控制装置100的硬件结构例)
图2是表示构成本实施方式的控制系统1的控制装置100的硬件结构例的框图。
参照图2，控制装置100包含中央处理器(Central Processing Unit，CPU)或微处理器(Micro-Processing Unit，MPU)等处理器(processor)102、芯片组(chipset)104、主存储装置106、二级存储装置108、局域网络控制器110、通用串行总线(Universal SerialBus，USB)控制器112、存储卡接口(memory card interface)114、内部总线控制器122、现场总线控制器118、120以及I/O单元124-1、124-2、…。
处理器102读出保存在二级存储装置108中的各种程序，并在主存储装置106中展开执行，由此实现与控制对象相应的控制、及如后所述的各种处理。芯片组104通过控制处理器102与各组件(component)，从而实现作为控制装置100整体的处理。
在二级存储装置108中，除了用于实现PLC引擎的系统程序以外，还保存有利用PLC引擎所执行的用户程序。进而，在二级存储装置108中，还保存有用于实现内部DB 125、内部DB 130、及机械学习引擎140的程序。
局域网络控制器110对经由局域网络6的、与其他装置之间的数据交换进行控制。USB控制器112对经由USB连接而与支持装置200之间的数据交换进行控制。
存储卡接口114构成为可装卸存储卡116，可对存储卡116写入数据，并从存储卡116读出各种数据(用户程序或追踪数据(trace data)等)。
内部总线控制器122是与搭载于控制装置100的I/O单元124-1、124-2、…之间交换数据的接口。
现场总线控制器118对经由第1现场网络2的、与其他装置之间的数据交换进行控制。同样，现场总线控制器120对经由第2现场网络4的、与其他装置之间的数据交换进行控制。
图2中，表示了通过处理器102执行程序来提供所需功能的结构例，但这些所提供的功能的一部分或全部也可使用专用的硬件电路(例如专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)或现场可编程门阵列(Field-Programmable GateArray，FPGA)等)来实现。或者，对于控制装置100的主要部分，也可使用依照通用的体系结构(architecture)的硬件(例如将通用个人电脑(personal computer)作为基础(base)的产业用个人电脑)来实现。此时，也可使用虚拟技术并列地执行用途不同的多个操作系统(Operating System，OS)，并且在各OS上执行所需的应用程序。
(b2：支持装置200的硬件结构例)
接下来，作为一例，本实施方式的支持装置200是通过使用依照通用的体系结构的硬件(例如通用个人计算机)来执行程序而实现。图3是表示构成本实施方式的控制系统1的支持装置200的硬件结构例的框图。
参照图3，支持装置200包含CPU或MPU等处理器202、光驱204、主存储装置206、二级存储装置208、USB控制器212、局域网络控制器214、输入部216及显示部218。这些组件经由总线220而连接。
处理器202读出保存在二级存储装置208中的各种程序，并在主存储装置206中展开执行，由此来实现如后所述的各种处理。
二级存储装置208例如包含硬盘驱动器(Hard Disk Drive，HDD)或快闪固态驱动器(Flash Solid State Drive，SSD)等。在二级存储装置208中，典型的是保存有开发程序222，所述开发程序222用于进行在支持装置200中执行的用户程序的制作、所制作的程序的调试、系统结构的定义、及各种参数的设定等。而且，在二级存储装置208中，保存有参数设定工具224，所述参数设定工具224用于各种参数的设定以及指定成为机械学习对象的变量。进而，在二级存储装置208中，保存有数据挖掘工具(mining tool)226，所述数据挖掘工具226用于从由控制装置100所收集的数据(后述的原始数据)中提取目标信息。在二级存储装置208中，也可保存有OS及其他的必要程序。
支持装置200具有光驱204，从非一次性地保存计算机可读取的程序的记录介质205(例如数字通用光盘(Digital Versatile Disc，DVD)等光学记录介质)，读取保存在其中的程序，并安装至二级存储装置208等中。
由支持装置200所执行的各种程序也可经由计算机可读取的记录介质205来安装，但也可以从网络上的服务器(server)装置等下载(download)的形式而安装。而且，本实施方式的支持装置200所提供的功能也有时是以利用OS所提供的模块(module)的一部分的形式而实现。
USB控制器212对经由USB连接而与控制装置100之间的数据交换进行控制。局域网络控制器214对经由任意网络的、与其他装置之间的数据交换进行控制。
输入部216包含键盘(keyboard)及鼠标(mouse)等，受理用户操作。显示部218包含显示器(display)、各种指示器(indicator)及打印机(printer)等，输出来自处理器202的处理结果等。
图3中，表示了通过处理器202执行程序来提供必要功能的结构例，但这些所提供的功能的一部分或全部也可使用专用的硬件电路(例如ASIC或FPGA等)来实现。
(b3：数据记录装置300的硬件结构例)
接下来，作为一例，构成本实施方式的控制系统1的数据记录装置300可使用通用的文件服务器(file server)或数据库服务器来实现。关于此种装置的硬件结构已为公知，因此，此处不进行其详细说明。
(b4：显示装置400的硬件结构例)
接下来，构成本实施方式的控制系统1的显示装置400被称作人机接口(HumanMachine Interface，HMI)装置，既可采用作为专用机而安装的结构，也可使用依照通用的体系结构的硬件(例如，将通用个人计算机作为基础的工业用个人计算机)来实现。
<C.在控制系统1中执行的异常探测的概要>
接下来，对在本实施方式的控制系统1中执行的异常探测的概要进行说明。
本实施方式的控制系统1中，控制装置100实施原始数据收集工序，以作为实施异常探测的前工序。在原始数据收集工序中，控制装置100将输入数据中的、用于与异常探测相关的分析的数据(以下也称作“原始数据”)写入至内部DB 130。
接下来，控制装置100实施准备工序。在准备工序中，控制装置100根据写入至内部DB130的原始数据来生成特征量。此时，控制装置100基于对特征量进行定义的要素来生成特征量。
所谓对特征量进行定义的要素，是指成为表达原始数据的特征时的基准者，例如有平均、标准偏差、偏度、峰度、最大及最小等。
控制装置100在对原始数据执行平均处理时，算出数据分布的中心(平均值)来作为特征量。控制装置100在对原始数据执行标准偏差处理时，算出从数据分布中的平均值算起的偏差程度来作为特征量。控制装置100在对原始数据执行偏度处理时，算出数据分布的偏颇程度来作为特征量。控制装置100在对原始数据执行峰度处理时，算出数据分布的尖峰程度来作为特征量。控制装置100在对原始数据执行最大处理时，算出数据分布的最大值来作为特征量。控制装置100在对原始数据执行最小处理时，算出数据分布的最小值来作为特征量。
如此，通过从写入至内部DB 130的原始数据而生成由各要素所定义的特征量，从而控制装置100能够捕捉机械设备等控制对象在时间序列上的动向。
针对一个原始数据，由一个或多个要素来定义特征量。由各要素所定义的特征量能以向量(vector)来表达。也将其称作“特征向量”。特征向量的维度数与定义特征量的要素数相同。例如，在由两个要素所定义的特征量的情况下，特征向量的维度数为2，在由四个要素所定义的特征量的情况下，特征向量的维度数为4。特征向量的维度数越多，则控制装置100能够越准确地捕捉到原始数据的特征。
在准备工序中定义特征量的要素的种类(平均、标准偏差、偏度、峰度、最大及最小等)既可为能够在控制系统1中使用的所有种类，也可为可由用户进行参数设定的种类。在准备工序中定义特征量的要素的数(特征向量的维度数)既可为能够在控制系统1中使用的所有数，也可为可由用户进行参数设定的数。
而且，在准备工序中，控制装置100存储特征量的集合体，所述特征量是由从控制对象获取的数据而生成，且由一个以上的要素所定义。
具体而言，控制装置100收集在所决定的期间内生成的特征量并将其集合体写入至内部DB 125。控制装置100对特征量的集合体实施机械学习。例如，控制装置100通过实施机械学习，从而对特征量的集合体进行聚类(clustering)，将各特征量分类为一个或多个簇(cluster)。控制装置100将通过机械学习而获得的学习结果写入至内部DB 125。以下，也将作为学习结果而获得的特征量称作“学习数据”。控制装置100基于机械学习的学习结果，来决定用于异常探测的阈值。
当在准备工序中获得学习结果及阈值时，控制装置100使用它们来实施异常探测工序。在异常探测工序中，控制装置100在每个规定周期或每个规定事件时生成特征量。
此时，控制装置100基于第1参数来生成特征量，所述第1参数与定义特征量的要素数(要素总数)相关。第1参数是用于对定义特征量的要素的种类(平均、标准偏差、偏度、峰度、最大及最小等)及要素数(特征向量的维度数)进行设定的参数。用户可使用支持装置200来设定第1参数的值。
而且，在异常探测工序中，控制装置100获取所生成的特征量与作为学习结果而写入至内部DB 125的特征量集合体之间的背离度。控制装置100基于所获取的背离度、与在准备工序中决定的阈值，来探测控制对象中产生的异常。
参照图4A及图4B以及图5A及图5B来说明异常探测。图4A及图4B是用于说明使用本实施方式的控制系统1的异常探测中的背离度的示意图。
参照图4A，若通过机械学习来聚类，则特征量的集合体被分类为：作为正常数据(学习数据)的特征量的集合体a；以及作为异常数据(学习数据)的特征量的集合体b。
控制装置100在背离度的获取时使用马氏距离。具体而言，控制装置100基于成为异常探测诊断对象的特征量的数据(以下也称作“诊断对象数据”)、与各特征量的集合体a、b中所含的k个特征量的距离，来算出背离度(背离度a、背离度b)。
此时，控制装置100基于第2参数来获取背离度，所述第2参数与用于背离度获取的特征量集合体的范围相关。第2参数是用于对算出与诊断对象数据之间的背离度时所用的特征量的数(总数)(以下也称作“k值”)进行设定的参数。用户可使用支持装置200来设定第2参数的值。k值越多，则诊断对象数据所比较的学习数据的数将越多。
参照图4B，控制装置100在背离度a大于阈值a且背离度b小于阈值b时，判断诊断对象数据为异常。或者，控制装置100在背离度a大于阈值a时、或背离度b小于阈值b时，判断诊断对象数据为异常。
图5A及图5B是用于说明在本实施方式的控制系统1中所用的借助马氏距离的诊断的一例的示意图。
如图5A所示，多个学习数据P1、P2、P3、…针对特征向量的每个维度而算出各自的特征量。例如，学习数据P1算出P11、P12、P13、P14、P15、P16，来作为与6维度的各维度对应的特征量。所述多个学习数据是依照基于预设基准的可靠度由高到低的顺序而保存在表(table)中。另外，可靠度越高，则异常探测的准确度越高。诊断对象数据Px(Px1、Px2、Px3、…)与学习数据之间的马氏距离Div是通过图5B所示的式而算出。此处，σ为各维度中的多个学习数据的标准偏差。在诊断对象数据为异常的情况下，与诊断对象数据为正常的情况相比，诊断对象数据与学习数据之间的马氏距离大。因此，在诊断对象数据为异常的情况下获得的马氏距离大于在诊断对象数据为正常的情况下获得的马氏距离。因此，根据阈值的取得方式，在诊断对象数据为正常的情况下，马氏距离不超过阈值，另一方面，在诊断对象数据为异常的情况下，马氏距离将超过阈值。
如此，控制装置100获取正常时及异常时的至少一种情况下的学习数据与诊断对象数据之间的背离度，并基于所获取的背离度与阈值，来探测控制对象中产生的异常。另外，控制装置100也可通过欧氏距离(Euclid distance)等公知的邻近法，来探测控制对象中产生的异常。
此处，在控制系统1中，根据第1参数的值及第2参数的值的各个，背离度的获取时间发生变化。图6A至图6C是用于说明本实施方式的控制系统1中的、背离度的获取时间的变化的示意图。
图6A的示例中，作为第1参数的值的维度数被设定为n，作为第2参数的值的k值被设定为N。此时，成为诊断对象数据的比较对象的数据的数(总数)在概念上为比较对象数N与维度数n之积。
图6B的示例中，作为第1参数的值的维度数被设定为s(s为小于n的值)，作为第2参数的值的k值被设定为N。此时，成为诊断对象数据的比较对象的数据的数(总数)在概念上为比较对象数N与维度数s之积。关于维度数，由于s为小于n的值，因此图6B的示例中的比较对象的总数小于图6A的示例中的比较对象的总数。因此，与此相应地，背离度的计算时间变短，但另一方面，异常探测的准确度变低。
如此，用户通过变更第1参数的值，便能够与异常探测的准确度权衡(tradeoff)地，缩短或延长背离度的计算时间。即，第1参数是可将背离度的获取时间缩短的参数。
图6C的示例中，作为第2参数的值的维度数被设定为n，作为第2参数的值的k值被设定为S(S为小于N的值)。此时，比较对象的总数在概念上为比较对象数S与维度数n之积。关于k值，由于S为小于N的值，因此图6C的示例中的比较对象的总数小于图6A的示例中的比较对象的总数。因此，与此相应地，背离度的计算时间变短，但另一方面，异常探测的准确度变低。
当通过第2参数来设定k值时，在保存于图5A所示的表中的学习数据中，以可靠度由高到低的顺序来选择用于背离度计算的学习数据。如此，用户通过变更第2参数的值，便能够与异常探测的准确度权衡地，缩短或延长背离度的计算时间。即，第2参数是可将背离度的获取时间缩短的参数。另外，当通过第2参数来设定k值时，也可随机(random)选择用于背离度计算的学习数据。
<D.在控制系统1中执行的异常探测的主要工序>
接下来，对在本实施方式的控制系统1中执行的异常探测的主要工序进行说明。图7是用于说明在本实施方式的控制系统1中执行的异常探测的主要工序的示意图。参照图7，异常探测的工序包含设定工序与运转工序。
(d1：设定工序)
设定工序包含(1-1)原始数据收集工序、(1-2)准备工序及(1-3)试运转工序。
在(1-1)原始数据收集工序中，将控制装置100所处理的数据中的、用于与异常探测相关的分析的原始数据写入至内部DB 130。原始数据收集工序是通过执行后述的、控制装置100的内部DB写入程序而实现。
在控制装置100中，对于在现场以及内部数据之间交换的数据(输入数据及输出数据)分别分配有唯一(unique)的变量名，利用各自的变量名来记述用户程序等。即，在控制装置100中，提供可进行变量编程的环境。因此，在以下的说明中，“指定变量”这一表达，是以与确定作为对象的数据实质上相同的含义来使用。另外，本发明的范围并不限定于可进行变量编程的结构，即使是直接指定存储器上的地址(address)的结构，也可包含在技术范围内。
如此，在原始数据收集工序中，收集从控制对象获取的原始数据。
接下来，实施(1-2)准备工序。在准备工序中，读取已写入至内部DB 130的原始数据。而且，制作异常探测参数的候补列表。异常探测参数包含前述的第1参数及第2参数。而且，异常探测参数包含与后述的(2-1)异常探测工序的执行周期相关的第3参数。第3参数是用于对异常探测工序的执行周期(以下也称作“诊断周期”)进行设定的参数。用户可使用支持装置200来设定第3参数的值。典型的是，这些工序是通过后述的、支持装置200的数据挖掘工具226的数据挖掘功能而实现。
接下来，根据所读取的原始数据来依序生成特征量。所述工序是通过执行控制装置100的特征量生成程序而实现。
接下来，对所生成的特征量实施机械学习，将此学习结果写入至内部DB 125。此工序是通过后述的、控制装置100的机械学习引擎140而提供。
接下来，基于机械学习的结果来决定用于异常探测的阈值。此工序是通过执行支持装置200的参数设定工具224而实现。
如此，在准备工序中，获取用于异常探测的异常探测参数的候补列表、基于机械学习的学习结果、及用于异常探测的阈值。
接下来，实施(1-3)试运转工序。在试运转工序中，基于异常探测参数的候补列表中列举出的参数的组(例如第1参数、第2参数、第3参数的组(set))，逐组地使用参数的组来执行机械学习引擎140。
每当执行机械学习引擎140时，测定机械学习引擎140的执行时间(背离度的获取时间)。当异常探测参数已全部使用时，基于机械学习引擎140的总执行时间，从候补列表中举出的异常探测参数中自动决定一个异常探测参数。
如此，在试运转工序中，决定用于异常探测的异常探测参数。
(d2：运转工序)
运转工序包含(2-1)异常探测工序与(2-2)超时探测工序。
在(2-1)异常探测工序中，获取所生成的特征量的数据(诊断对象数据)与作为学习结果而写入至内部DB 125的特征量集合体的数据(学习数据)之间的背离度。然后，基于所获取的背离度与阈值，来探测控制对象中产生的异常。当探测到异常时，输出表示已探测到异常的事件日志。
当在异常探测工序中输出事件日志时，在显示装置400上显示异常内容。作为异常内容，包含异常的发生时间及发生场所、探测到异常的特征量等。
如此，在异常探测工序中，探测控制对象中产生的异常，并通过显示装置400来输出表示已探测到异常的信息。
接下来，实施(2-2)超时探测工序。在超时探测工序中，在异常探测工序中的机械学习引擎140获取背离度的时间连续两次超过异常探测工序的执行周期(诊断周期)的时间的情况下，输出表示上述事件的事件日志。另外，事件日志也可在机械学习引擎140获取背离度的时间有一次以上超过诊断周期的时间的情况下输出。
当在超时探测工序中输出事件日志时，在支持装置200所具备的显示部218上显示异常内容。作为异常内容，包含超过时间、造成超时的当前的异常探测参数、及在准备工序中制作的异常探测参数的候补等。
如此，在超时探测工序中，探测机械学习引擎140获取背离度的超时，并通过支持装置200输出表示上述事件的信息。
<E.控制系统1中的主要功能>
接下来，对本实施方式的控制系统1中的主要功能进行说明。
图8是用于说明本实施方式的控制系统1的各装置所提供的功能的示意图。在图8所示的示意图中，括号内的数字与图7所示的(1-1)～(1-3)及(2-1)、(2-2)的工序中的处理对应。
控制装置100除了内部DB 125、内部DB 130及机械学习引擎140以外，还具有PLC引擎150。这些功能基本上是通过控制装置100的处理器102(图2)执行程序而实现。为了提供用于所述处理器102执行程序的环境，在控制装置100中还安装有OS 190。
典型的是，PLC引擎150是通过在OS 190上执行未图示的系统程序和用户程序160而提供。即，根据本发明的一方面，通过在一种计算机上执行，而实现PLC引擎150。
更具体而言，PLC引擎150包含调度器(scheduler)152、变量管理器(manager)154及用户程序160。
调度器152对构成PLC引擎150的各程序(或者与此对应的任务(task))的执行时机或执行顺序等进行控制。在PLC引擎150所含的各任务中，执行周期已预先决定，调度器152进行控制，以使得能够依照所述决定的执行周期来反复执行任务。
变量管理器154将通过在PLC引擎150中周期性地执行的I/O刷新处理而更新的数据作为变量来进行管理。更具体而言，变量管理器154保持及管理：系统变量1542，包含表示控制装置100的各部的动作状态的数据群；用户变量/设备变量1544，包含在PLC引擎150中执行的用户程序进行写入/读出的数据群；以及用于异常探测的阈值1546。
对于阈值1546，可由支持装置200的PLC变量存取程序2242进行存取及更新。即，变量管理器154提供下述功能：保持阈值1546，并且根据来自外部装置的要求，来更新所保持的阈值1546。
用户程序160可由用户任意制作，典型的是，包含内部DB写入程序164、机械学习引擎接口166、特征量生成程序174及异常探测程序162。构成用户程序160的程序的命令既可作为一体的程序而记述，也可分别分离成多个程序来记述。
内部DB写入程序164将用户变量/设备变量1544中所含的变量中的、预先指定的变量写入至内部DB 130。
机械学习引擎接口166包含用于操作机械学习引擎140的命令。具体而言，机械学习引擎接口166包含学习请求程序168及监测请求程序170。
即，机械学习引擎接口166包含指示机械学习引擎140进行机械学习的命令，机械学习引擎接口166包含使用阈值1546来监测特征量并指示异常探测的命令。
特征量生成程序174包含基于第1参数来生成特征量的命令。即，特征量生成程序174基于第1参数，由从控制对象获取的原始数据而生成特征量。
典型的是，在内部DB 130中，保存有在(1-1)原始数据收集工序中收集的原始数据132。
典型的是，机械学习引擎140是通过在OS 190上执行学习程序与机械程序而提供。即，根据本发明的一方面，通过在一种计算机上执行，而实现机械学习引擎140。
学习程序及机械程序也与前述的PLC引擎中的用户程序一并称作控制程序。控制程序中所含的程序均由用户制作。所述控制程序是通过由计算机执行来实现对控制对象进行控制的控制装置。
机械学习引擎140包含：用于在(1-2)准备工序中执行必要处理的学习功能142；以及用于在(1-3)试运转工序及(2-1)异常探测工序中执行必要处理的异常探测功能144。
学习功能142是通过学习程序的执行而实现。学习功能142是使用通过特征量生成程序174的执行所生成的特征量来实施机械学习。基于机械学习的学习结果134被保存到内部DB125中。
异常探测功能144是通过机械程序的执行而实现。异常探测功能144获取所生成的特征量的数据(诊断对象数据)与作为学习结果而写入至内部DB 125中的特征量集合体的数据(学习数据)之间的背离度。异常探测功能144是依照监测请求程序170的监测请求触发(trigger)来执行。换言之，监测请求程序170指示异常探测功能144开始执行。
异常探测程序162基于由异常探测功能144所获取的背离度与阈值1546，探测控制对象中产生的异常。并且，异常探测程序162在探测到某些异常时，输出表示此探测到的异常的内容的事件日志146。
在支持装置200中，除了开发程序222(图3)以外，还安装有参数设定工具224及数据挖掘工具226。
参数设定工具224包含PLC变量存取程序2242，所述PLC变量存取程序2242用于对控制装置100的变量管理器154所管理的各变量进行存取。PLC变量存取程序2242使控制装置100内部的变量的参照及重写成为可能。用户通过执行参数设定工具224，从而可在(1-2)准备工序中决定阈值。
数据挖掘工具226包含原始数据获取功能2262与数据挖掘功能2264。原始数据获取功能2262是在(1-1)原始数据收集工序中对内部DB 130进行存取，以提取收集在内部DB130中的原始数据中的必要数据。数据挖掘功能2264主要是在(1-2)准备工序中，制作异常探测参数的候补列表。
而且，支持装置200包含试运转功能2266与显示功能2268。试运转功能2266是在(1-3)试运转工序中使机械学习引擎140执行。机械学习引擎140的执行时间(背离度的获取时间)是由变量管理器154作为系统变量1542予以保持。试运转功能2266基于从变量管理器154获取的机械学习引擎140的总执行时间，从候补列表中举出的一个或多个异常探测参数中决定一个异常探测参数。
显示功能2268基于在(2-2)超时探测工序中输出的事件日志146，将表示机械学习引擎140获取背离度的时间已超过的意旨输出至显示部218。
具体而言，机械学习引擎140获取背离度的时间是由变量管理器154作为系统变量1542予以保持。另一方面，在变量管理器154中，异常探测工序的执行周期(诊断周期)是作为系统变量1542予以保持。在异常探测工序中的机械学习引擎140获取背离度的时间连续两次超过异常探测工序的执行周期(诊断周期)的时间的情况下，从变量管理器154输出表示其意旨的事件日志。显示功能2268基于所述事件日志146，将机械学习引擎140对背离度的获取已超时的意旨输出至显示部218。
另外，显示功能2268也可将在(1-2)准备工序中制作的异常探测参数的候补列表及所决定的阈值等输出至显示部218。
显示装置400包含显示功能402。显示功能402是基于在(2-1)异常探测工序中输出的事件日志146，显示控制对象发生了异常的意旨。
<F.设定工序中的主要处理内容>
图9是用于说明本实施方式的控制系统1的设定工序中的主要处理内容的示意图。另外，以下，将各步骤简称作“S”。
参照图9，在(1-1)原始数据收集工序中，用户操作支持装置200的开发程序222，制作用于指定应收集至内部DB 130中的变量的用户程序(s10)。所述制作的用户程序相当于内部DB写入程序164。通过由控制装置100的PLC引擎150执行内部DB写入程序164，从而将原始数据132写入至控制装置100的内部DB 130(S12)。
在(1-2)准备工序中，用户操作支持装置200的数据挖掘工具226，读出并收集内部DB130中所收集的原始数据132(S20)。当收集到原始数据时，通过数据挖掘功能2264来制作异常探测参数的候补列表。
用户操作支持装置200的开发程序222，基于在(2)数据挖掘工序中所决定的异常探测参数的候补列表中的一个异常探测参数，来制作与特征量生成相关的用户程序(S22)。所述制作的用户程序相当于特征量生成程序174。
用户操作支持装置200的开发程序222，制作用于指定使用特征量的机械学习的用户程序(S24)。所述制作的用户程序相当于学习请求程序168。
通过由控制装置100的PLC引擎150的机械学习引擎接口166执行学习请求程序168(S26)，从而控制装置100的机械学习引擎140的学习功能142实施机械学习，并将其学习结果134保存到内部DB 125中(S28)。另外，也可同时执行特征量生成程序174及学习请求程序168。
然后，用户操作支持装置200的参数设定工具224，读出保存在内部DB 125中的学习结果134来进行分析，由此来决定阈值(S30)。继而，用户操作支持装置200的参数设定工具224，将所决定的阈值1546转发至控制装置100的PLC引擎150(S32)。
在(1-3)试运转工序中，当用户在支持装置200中执行试运转功能时(S40)，执行PLC引擎150的监测请求程序170。
当通过执行监测请求程序170来指示机械学习引擎140的异常探测功能144开始执行时(S42)，异常探测功能144获取所生成的特征量的数据(诊断对象数据)与作为学习结果而写入至内部DB 125中的特征量集合体的数据(学习数据)之间的背离度。
接下来，在试运转功能2266中，执行PLC引擎150的异常探测程序162(S44)。当执行异常探测程序162时，基于通过异常探测功能144而获取的背离度与阈值1546，来探测控制对象中产生的异常(S46)。当探测到控制对象中产生的异常时，输出表示其意旨的事件日志146(S48)。
接下来，在试运转功能2266中，由支持装置200从变量管理器154获取机械学习引擎140的执行时间(异常探测功能144获取背离度的时间)(S50)。在试运转功能2266中，基于从变量管理器154获取的机械学习引擎140的总执行时间，从候补列表中举出的一个或多个异常探测参数中决定一个异常探测参数。
通过如上所述的控制装置100及支持装置200的各要素(element)的互联，从而实施本实施方式的设定工序。
<G.运转工序中的主要处理内容>
图10是用于说明本实施方式的控制系统1的运转工序中的主要处理内容的示意图。
参照图10，在(2-1)异常探测工序中，用户操作支持装置200的开发程序222，制作用于指示机械学习引擎140的异常探测功能144开始执行的用户程序(S60)。所述制作的用户程序相当于监测请求程序170。
当通过执行监测请求程序170而指示异常探测功能144开始执行时(S62)，异常探测功能144获取所生成的特征量的数据(诊断对象数据)与作为学习结果而写入至内部DB125中的特征量集合体的数据(学习数据)之间的背离度。
用户操作支持装置200的开发程序222，制作用于探测控制对象中产生的异常的用户程序(S64)。所述制作的用户程序相当于异常探测程序162。
当执行异常探测程序162时，基于通过异常探测功能144所获取的背离度与阈值1546，探测控制对象中产生的异常(S66)。当探测到控制对象中产生的异常时，输出表示其意旨(探测到控制对象中产生的异常)的事件日志146(S68)。
在(2-2)超时通知工序中，在异常探测工序中的机械学习引擎140获取背离度的时间连续两次超过异常探测工序的执行周期(诊断周期)的时间的情况下，从变量管理器154输出表示其意旨(获取背离度的时间连续两次超过异常探测工序的执行周期(诊断周期)的时间)的事件日志(S70)。
<H.用户程序及机械程序的执行周期>
图11是用于说明在本实施方式的控制系统1中执行的用户程序及机械程序的执行周期的示意图。图12是用于说明在本实施方式的控制系统1中执行的用户程序及机械程序的执行的一例的示意图。另外，图11及图12中，表示了运转工序中的用户程序及机械程序的执行例。
参照图11，PLC引擎150中的用户程序是以预定的周期(以下也称作控制周期)而执行。用户程序是优先于机械程序而执行。一控制周期的上限时间(图中的时机tmin至时机tmax为止的时间)是预先决定的，若在此期间完成用户程序的执行，则利用空余时间来执行机械程序。
参照图12，用户程序例如是以数毫秒的控制周期而执行，机械程序是以数百毫秒～数秒的周期而执行。在时机t1时执行的用户程序中，在输入/输出处理之后通过特征量生成程序生成特征量。所生成的特征量被输出至机械学习引擎140。而且，通过监测请求程序来输出监测请求触发。
在时机t2时，当用户程序的一连串处理完成时，利用直至跳转至下个控制周期为止的空余时间，以依照监测请求触发的方式来执行机械程序。
在机械程序的执行中，算出通过用户程序的执行而生成的特征量的数据(诊断对象数据)与作为学习结果而写入至内部DB 125中的特征量集合体的数据(学习数据)之间的背离度。
当在时机t3时，用户程序的一控制周期结束时，跳转至下个控制周期而再次执行用户程序。在所述控制周期内，由于通过机械学习引擎140尚未获取关于诊断对象数据的背离度，因此不通过监测请求程序输出监测请求触发。另外，虽通过特征量生成程序生成特征量，但由于机械学习引擎140尚未获取关于诊断对象数据的背离度，因此不进行使用新获取的特征量的背离度计算。
当在时机t4时，用户程序的一连串处理完成时，利用直至跳转至下个控制周期为止的空余时间，再次进行背离度的计算。如此，机械学习引擎140在用户程序的处理完成后，利用一控制周期内的空余时间来继续进行背离度的计算。
若在从时机t6直至时机t7为止的期间内，通过机械学习引擎140完成背离度的获取，则通过在时机t8时执行的下个控制周期内的用户程序，将背离度(例如马氏距离)输入至PLC引擎150。
在时机t8时执行的用户程序中，基于所输入的背离度与预先决定的阈值，来进行控制对象的异常探测。
优选的是，如上所述的通过机械程序的执行而进行的背离度的获取，控制在通过第3参数所设定的异常探测工序的执行周期(诊断周期)内。
再次参照图11，设想通过第3参数而设定了诊断周期a的情况。在诊断周期a内，通过机械程序的执行而进行的背离度的获取尚未完成。此时，即使在下个控制周期内执行了用户程序，也可利用此控制周期内的空余时间来继续进行背离度的获取。若此种超时持续两次(诊断周期外所执行的背离度的获取持续进行了两次)，则在前述的超时探测工序中输出事件日志。
此处，如前所述，对于异常探测工序的执行周期(诊断周期)，用户可利用第3参数来进行设定。因此，例如图11所示，用户只要以成为期间比诊断周期a长的诊断周期b的方式来设定第3参数，便可在诊断周期内完成背离度的获取。
如此，用户通过变更第3参数的值，便能够对可用于背离度获取的时间进行调整。机械学习引擎140获取背离度的时间例如依存于在生产线上流动的工件的每单位时间的数量等控制对象所置于的生产系统。因此，用户通过设定第3参数来设定所需的诊断周期。
而且，并不限于如前所述般通过第3参数的设定来变更诊断周期的方法，用户也可通过设定第1参数及第2参数来调整背离度的获取时间。
具体而言，第1参数是用于对定义特征量的要素种类(平均、标准偏差、偏度、峰度、最大及最小等)及要素数(特征向量的维度数)进行设定的参数。因而，第1参数与每个控制周期的特征量的生成时间相关，因此通过第1参数的设定，用户程序的一连串处理时间变短。即，能够尽可能确保用于背离度计算的一控制周期内的空余时间。而且，第1参数也会影响到背离度的计算时间。因此，用户通过设定第1参数，能够缩短背离度的获取时间。
而且，第2参数是用于设定k值的参数。因而，第2参数会影响到背离度的计算时间。因此，用户通过设定第2参数，便能够缩短背离度的获取时间。
如此，用户通过考虑依存于控制对象所处的生产系统而变动的背离度的获取时间来设定第3参数，便能够调整诊断周期。而且，即使在诊断周期已决定的情况下，用户通过设定第1参数及第2参数，也能够以控制在所述诊断周期内的方式来设定背离度的获取时间。因此，用户不需要改变用户程序自身，只要设定参数，便能够以控制在诊断周期内的方式来调整背离度的获取时间。其结果，能够极力抑制生产系统的维护工时的增加。
<I.用户程序>
接下来对用户程序进行说明。图13是表示在本实施方式的控制系统1中执行的用户程序的一例的图。如前所述，用户程序包含特征量生成程序、监测请求程序及异常探测程序。
参照图13，典型的是，特征量生成程序也可使用特征量生成功能块(functionblock)1740来记述。
针对特征量生成功能块1740，对与特征量的生成相关的变量的指定进行定义。例如，符号1742所示的ST1是指定有无执行特征量生成程序。符号1746所示的Input2是指定从控制对象获取的原始数据的输入。
符号1748所示的Input3是以位(bit)来指定对特征量进行定义的要素。用户通过指定符号1748所示的Input3，便能够设定对特征量进行定义的要素种类(平均、标准偏差、偏度、峰度、最大及最小等)及要素数(特征向量的维度数)。即，由符号1748所示的Input3中的指定对应于第1参数的设定。
符号1750所示的STC1指定特征量的计算完成。符号1752所示的Samp1指定特征量的计算中。符号1758所示的FD1指定所算出的特征量。
其次，典型的是，监测请求程序也可使用监测请求功能块1700来记述。
针对监测请求功能块1700，对与针对机械程序的执行开始指示相关的变量的指定进行定义。例如，符号1702所示的STC1关联于符号1750所示的STC1，指定特征量的计算完成。符号1704所示的STL1指定有无执行基于机械学习引擎140的机械程序。
符号1706所示的Input4指定诊断周期。用户通过指定符号1706所示的Input4，便能够设定诊断周期。即，符号1706所示的Input4中的指定对应于第3参数的设定。
符号1708所示的FD1关联于符号1758所示的FD1，指定所算出的特征量。符号1710所示的Algo1指定算法(algorithm)名。
符号1712所示的Kva1指定k值。用户通过指定符号1712所示的Kval，便能够设定k值。即，符号1712所示的Kva1中的指定对应于第2参数的设定。
符号1714所示的STC2指定背离度的存储完成。符号1716所示的Div1指定所存储的背离度。
接下来，在异常探测程序中，对与异常探测相关的变量的指定进行定义。例如，符号1622所示的STC2关联于符号1714所示的STC2，指定背离度的存储完成。符号1624所示的Div1关联于符号1716所示的Div1，指定所存储的背离度。符号1626所示的Th指定被用于异常探测的阈值。
符号1628所示的Err3指定符号1620所示的Judge中的背离度与阈值的判定结果。
另外，图13所示的用户程序为一例，采用任何记述方法皆可。
<J.具体例>
对使用本实施方式的控制系统1的异常探测的具体例进行说明。
图14是用于说明在本实施方式的控制系统1中执行的设定工序的流程图。
参照图14，当开始设定工序时，支持装置200制作异常探测参数的候补列表(S202)。异常探测参数的候补列表是基于过去的实绩数据或者仿真(simulation)等而制作。而且，例如在作为第3参数的值的诊断周期已被预先设定的情况下，异常探测参数的候补列表也可基于所设定的诊断周期而制作。
支持装置200从异常探测参数的候补列表中列举出的一个或多个参数的组(例如第1参数、第2参数、第3参数的组)中，提取一组异常探测参数(S204)。
另一方面，控制装置100基于由支持装置200所提取的异常探测参数来生成特征量(S102)。具体而言，控制装置100基于由第1参数所定义的要素种类(平均、标准偏差、偏度、峰度、最大及最小等)及要素数(特征向量的维度数)来生成特征量。
控制装置100对机械学习引擎140设定异常探测参数(S104)。控制装置100执行机械学习引擎140，并测定其执行时间(S106)。具体而言，控制装置100基于由第2参数所定义的k值，通过机械学习引擎140来获取背离度。然后，控制装置100测定其获取时间。控制装置100将所测定的执行时间通知给支持装置200(S108)。
另一方面，支持装置200存储从控制装置100所通知的执行时间(S206)。支持装置200在尚未使用候补列表中举出的所有异常探测参数的情况下(S208中为否(NO))，再次提取一组异常探测参数(S204)。
支持装置200在已使用了候补列表中举出的所有异常探测参数的情况下(S208中为是(YES))，从异常探测参数中，决定一个异常探测参数，以控制在由第3参数所设定的诊断周期内(S210)。
例如，支持装置200只要采用执行时间更短的异常探测参数、或者异常检测率更高的异常探测参数即可。另外，支持装置200也可通过对执行时间及异常检测率进行加权来决定异常探测参数。具体而言，只要执行时间越短则越加大权重，且异常检测率越高则越加大权重，并采用将这些权重相乘所得的结果达到最大的异常探测参数即可。另外，支持装置200也可基于执行时间及异常检测率以外的观点来决定一个异常探测参数。
支持装置200将所决定的异常探测参数及其异常检测率显示于显示部218上(S212)，并结束设定工序。随后实施运转工序。
图15A及图15B是表示在本实施方式的控制系统1中制作的候补列表的一例的图。另外，图15A及图15B所示的候补列表是在图14的S202中制作的候补列表的一例。
参照图15A，支持装置200制作候补列表保存表。在候补列表保存表中，保存有异常探测参数的候补列表。例如，在图15A的示例中，当设定有120msec作为诊断周期时，列举参数1～6来作为候补。
在候补列表保存表中，诊断周期对应于第3参数的设定值，k值对应于第2参数的设定值，维度数对应于第1参数的设定值。参照图15B，第1参数是使用保存在特征量运算标记表中的各标记位(Bit)来设定。
在设定工序中，机械学习引擎140使用作为候补列表而列举的所有异常探测参数来获取背离度，并测定其执行时间。图15A的示例中，当使用参数3～6时，机械学习引擎140的执行时间控制在120msec的诊断周期内。另一方面，当使用另外的参数1、2时，造成超时。
基于机械学习引擎140的执行时间控制在诊断周期内的异常探测参数中的执行时间及异常检测率，来算出总得分(Total Score)。然后，基于其结果来决定一个异常探测参数(基于所算出总得分来决定一个异常探测参数)。本例中，将参数3决定为异常探测参数(参数3的总得分最高)。另外，图15A及图15B所示的参数3是在图14的S210中决定的异常探测参数的一例。
当在设定工序中将参数3决定为异常探测参数时，在下个阶段，使用此参数3来实施运转工序。即使在设定工序中未发生超时，在实际的运用中，仍有可能因控制对象的动向而发生超时。图16是用于说明在本实施方式的控制系统1中设定的诊断周期内诊断未结束时的一例的示意图。
参照图16，本例中，在第n周期，机械学习引擎140的执行时间控制在诊断周期内，在第n+1周期，机械学习引擎140的执行时间未控制在诊断周期内。
未控制在第n+1周期内的部分将在第n+2周期中，继续进行背离度的获取。若此种超时持续发生两次，则输出表示超时持续发生两次的事件日志。
当输出通知超时的事件日志时，在支持装置200的显示部218上显示超时通知及用于选择参数的图像。
图17是表示在本实施方式的控制系统1中显示于支持装置200的图像的一例的图。
参照图17，在支持装置200的显示部218上，显示有表示当前的设定状况的设定图像2182、与用于选择参数的选择图像2184。
在设定图像2182上，显示有当前设定的参数3的设定内容。进而，在设定图像2182上，以图解的方式显示有表示超时的数据。具体而言，以图解的方式显示有通过机械学习引擎140获取背离度所需的时间与诊断周期的关系。
在选择图像2184上，显示有图15A及图15B所示的候补列表中的、机械学习引擎140的执行时间控制在诊断周期内的参数4～6的设定内容。进而，在所述设定内容的显示中，依照总得分(Total Score)由大到小的顺序，显示有异常探测参数以作为候补1～3。如此，根据基于机械学习引擎140获取背离度的时间的优先顺位，显示可将背离度的获取时间缩短的异常探测参数的候补。
而且，在选择图像2184上，显示有用于选择候补1～3中的任一异常探测参数的单选按钮(radio button)2186、与确定此选择的确定按钮2188。用户通过单选按钮2186来从候补1～3中选择所需的异常探测参数，并点击(click)确定按钮2188，由此能够确定异常探测参数。
如此，在设定工序中决定一个异常探测参数，使用此异常探测参数来实施运转工序。当在运转工序中发生超时异常时，从在设定工序中制作的候补列表中输出未使用的异常探测参数来作为选择项。用户通过选择在选择图像2184上显示的异常探测参数的候补中的所需参数，便能够设定异常探测参数。如此，用户能够以机械学习引擎140的执行时间控制在预先设定的诊断周期内的方式来设定异常探测参数。即，用户能够对用以探测控制对象所产生的异常的所需期间进行调整。
<K.变形例>
在本实施方式的控制系统1中，在设定工序中是自动决定异常探测参数，但也可由用户使用支持装置200来决定异常探测参数。当然也可为：在某状况下，由用户使用支持装置200来决定异常探测参数，而另一方面，在其他状况下，由支持装置200自动决定异常探测参数。
在本实施方式的控制系统1中，用户能够决定第1参数、第2参数及第3参数中的至少任一个，但也可为：用户仅能决定这些中任一个参数，而其他参数由支持装置200自动决定。而且，作为异常探测参数，除了诊断周期、k值及维度数以外，用户也可决定能够对用以探测控制对象所产生的异常的所需期间进行调整的其他参数。
在本实施方式的控制系统1中，当在运转工序中发生超时异常时，使用户选择异常探测参数。然而，也可为：当在运转工序中发生超时异常时，由支持装置200以机械学习引擎140的执行时间控制在诊断周期内的方式来自动决定异常探测参数。
在本实施方式的控制系统1中，当发生超时异常时，用户是从在设定工序中制作的候补列表中选择异常探测参数，但用户也可自由变更异常探测参数的值。
例如，图18是表示在本实施方式的控制系统1中显示于支持装置200的画面的一例的图。参照图18，在支持装置200的显示部218上，显示有用于选择参数的选择图像2192。
在选择图像2192上，显示有诊断周期、k值及特征量处理(维度数)的选择项目。用户通过使用这些选择项目来选择所需的值作为异常探测参数，并点击确定按钮2198，便能够确定异常探测参数。如此，用户能够自由变更异常探测参数的值。
<L.优点>
根据本实施方式的控制系统1，用户能够设定诊断周期、k值及维度数等异常探测参数。由此，用户能够通过设定参数的值，来对用以探测控制对象所产生的异常的所需期间进行调整。
应认为，此次揭示的实施方式在所有方面仅为例示，并非限制者。本发明的范围是由权利要求而非所述说明所示，且意图包含与权利要求均等的含义及范围内的所有变更。

Claims (10)

1.一种控制系统，包含对控制对象进行控制的控制装置，所述控制系统的特征在于包括：
存储部件，存储特征量集合体，所述特征量是由从所述控制对象获取的数据而生成，且由一个以上的要素来定义；
特征量生成部件，基于第1参数，由从所述控制对象获取的数据而生成特征量，所述第1参数与定义特征量的要素数相关；
背离度获取部件，基于第2参数，获取由所述特征量生成部件所生成的所述特征量与由所述存储部件所存储的所述特征量集合体之间的背离度，所述第2参数与用于所述背离度获取的所述特征量集合体的范围相关；
异常探测部件，基于由所述背离度获取部件所获取的背离度与阈值，来探测所述控制对象中产生的异常；
指示部件，基于所述背离度获取部件的执行周期，来指示所述背离度获取部件开始执行，
所述第1参数及所述第2参数中的至少一者的值是可变更地构成；以及
输出部件，输出所述背离度获取部件获取背离度所需的期间，
所述输出部件从所述第1参数及所述第2参数中的至少一者的值中，输出可将所述背离度获取部件获取背离度所需的期间缩短的值的候补，
所述控制装置通过实施机械学习，从而对所述特征量集合体进行聚类，基于所述机械学习的学习结果，来决定所述阈值。
2.根据权利要求1所述的控制系统，其特征在于，
所述指示部件基于与所述背离度获取部件的执行周期相关的第3参数，来指示所述背离度获取部件开始执行，
所述第3参数的值是可变更地构成。
3.根据权利要求1所述的控制系统，其特征在于，
所述输出部件至少根据基于由所述背离度获取部件获取背离度的期间的优先顺位，来输出可将所述背离度获取部件获取背离度所需的期间缩短的值的候补。
4.根据权利要求1所述的控制系统，其特征在于，
所述输出部件在所述背离度获取部件获取背离度所需的期间未收敛在所述背离度获取部件的执行周期内的情况下，输出可将所述背离度获取部件获取背离度所需的期间缩短的值的候补。
5.根据权利要求1所述的控制系统，其特征在于还包括：
决定部件，从所述第1参数及所述第2参数中的至少一者的值中，决定所述背离度获取部件获取背离度所需的期间收敛在所述背离度获取部件的执行周期内的值的候补。
6.根据权利要求1所述的控制系统，其特征在于，
对所述特征量生成部件、所述异常探测部件及所述指示部件进行定义的用户程序是在预定的每个系统周期反复执行，
对所述背离度获取部件进行定义的机械程序是在未执行所述用户程序的期间内执行。
7.根据权利要求1所述的控制系统，其特征在于还包括：
事前存储部件，在所述背离度获取部件获取背离度之前，使从所述控制对象获取的数据的特征量的集合体预先存储在所述存储部件中。
8.一种控制装置，对控制对象进行控制，所述控制装置的特征在于包括：
存储部件，存储特征量集合体，所述特征量是由从所述控制对象获取的数据而生成，且由一个以上的要素来定义；
特征量生成部件，基于第1参数，由从所述控制对象获取的数据而生成特征量，所述第1参数与定义特征量的要素数相关；
背离度获取部件，基于第2参数，获取由所述特征量生成部件所生成的所述特征量与由所述存储部件所存储的所述特征量集合体之间的背离度，所述第2参数与用于所述背离度获取的所述特征量集合体的范围相关；
异常探测部件，基于由所述背离度获取部件所获取的背离度与阈值，来探测所述控制对象中产生的异常；
指示部件，基于所述背离度获取部件的执行周期，来指示所述背离度获取部件开始执行，
所述第1参数及所述第2参数中的至少一者的值是可变更地构成；以及
输出部件，输出所述背离度获取部件获取背离度所需的期间，
所述输出部件从所述第1参数及所述第2参数中的至少一者的值中，输出可将所述背离度获取部件获取背离度所需的期间缩短的值的候补，
所述控制装置通过实施机械学习，从而对所述特征量集合体进行聚类，基于所述机械学习的学习结果，来决定所述阈值。
9.一种存储有控制程序的计算机可读存储介质，其中所述控制程序通过由计算机执行来实现对控制对象进行控制的控制装置，所述计算机可读存储介质的特征在于，所存储的所述控制程序使所述计算机执行下述步骤：
基于第1参数，由从所述控制对象获取的数据而生成特征量，所述第1参数与定义特征量的要素数相关；
基于第2参数，获取所生成的所述特征量与由存储部件所存储的特征量集合体之间的背离度，所述第2参数与用于所述背离度获取的所述特征量集合体的范围相关；
基于所获取的背离度与阈值，来探测所述控制对象中产生的异常；
基于所述背离度获取的执行周期，来开始执行所述背离度的获取，
所述第1参数及所述第2参数中的至少一者的值是可变更地构成；以及
输出获取背离度所需的期间，
从所述第1参数及所述第2参数中的至少一者的值中，输出可将获取背离度所需的期间缩短的值的候补，
通过实施机械学习，从而对所述特征量集合体进行聚类，基于所述机械学习的学习结果，来决定所述阈值。
10.一种控制方法，其对控制对象进行控制，所述控制方法的特征在于包括下述步骤：
基于第1参数，由从所述控制对象获取的数据而生成特征量，所述第1参数与定义特征量的要素数相关；
基于第2参数，获取所生成的所述特征量与由存储部件所存储的特征量集合体之间的背离度，所述第2参数与用于所述背离度获取的所述特征量集合体的范围相关；
基于所获取的背离度与阈值，来探测所述控制对象中产生的异常；
基于所述背离度获取的执行周期，来开始执行所述背离度的获取，
所述第1参数及所述第2参数中的至少一者的值是可变更地构成；以及
输出获取背离度所需的期间，
从所述第1参数及所述第2参数中的至少一者的值中，输出可将获取背离度所需的期间缩短的值的候补，
通过实施机械学习，从而对所述特征量集合体进行聚类，基于所述机械学习的学习结果，来决定所述阈值。
CN201810042041.5A 2017-03-22 2018-01-16 控制系统、控制装置、计算机可读存储介质以及控制方法 Active CN108628263B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017-055423 2017-03-22
JP2017055423A JP6903976B2 (ja) 2017-03-22 2017-03-22 制御システム

Publications (2)

Publication Number Publication Date
CN108628263A CN108628263A (zh) 2018-10-09
CN108628263B true CN108628263B (zh) 2021-09-21

Family

ID=60972061

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810042041.5A Active CN108628263B (zh) 2017-03-22 2018-01-16 控制系统、控制装置、计算机可读存储介质以及控制方法

Country Status (4)

Country Link
US (1) US10503146B2 (zh)
EP (1) EP3379358B1 (zh)
JP (1) JP6903976B2 (zh)
CN (1) CN108628263B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6860406B2 (ja) * 2017-04-05 2021-04-14 株式会社荏原製作所 半導体製造装置、半導体製造装置の故障予知方法、および半導体製造装置の故障予知プログラム
CN110943961B (zh) 2018-09-21 2022-06-21 阿里巴巴集团控股有限公司 数据处理方法、设备以及存储介质
JP7028133B2 (ja) 2018-10-23 2022-03-02 オムロン株式会社 制御システムおよび制御方法
JP7087908B2 (ja) 2018-10-24 2022-06-21 オムロン株式会社 制御装置
JP7063229B2 (ja) * 2018-10-24 2022-05-09 オムロン株式会社 制御装置および制御プログラム
JP7119978B2 (ja) * 2018-12-20 2022-08-17 オムロン株式会社 制御装置およびプログラム
JP7233258B2 (ja) * 2019-03-13 2023-03-06 株式会社日立製作所 異常診断装置
WO2021019760A1 (ja) * 2019-08-01 2021-02-04 三菱電機株式会社 異常診断方法、異常診断装置および異常診断プログラム
JP7493930B2 (ja) * 2019-12-10 2024-06-03 キヤノン株式会社 情報処理方法、情報処理装置、生産システム、プログラム、記録媒体
CN113093678B (zh) * 2021-04-07 2022-12-20 国能(泉州)热电有限公司 一种电厂dcs系统数据处理方法
CN117178239A (zh) * 2021-04-20 2023-12-05 松下知识产权经营株式会社 数据处理系统、数据处理方法以及程序

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7171283B2 (en) * 2002-08-07 2007-01-30 Kimberly-Clark Worldwide, Inc. Web guiding system and method
CN101308387A (zh) * 2007-05-17 2008-11-19 株式会社东芝 用于监视设备状态的装置和方法以及计算机可读介质
WO2015030804A1 (en) * 2013-08-30 2015-03-05 Hewlett-Packard Development Company, L.P. Identifying anomalous behavior of a monitored entity
WO2016020905A3 (ja) * 2014-08-07 2016-03-31 株式会社日立製作所 データ表示システム

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08278804A (ja) * 1995-04-06 1996-10-22 Fanuc Ltd シーケンス・プログラムの診断方式
US7050875B2 (en) * 2003-07-01 2006-05-23 General Electric Company System and method for detecting an anomalous condition
JP2006127079A (ja) * 2004-10-28 2006-05-18 Yamatake Corp 制御対象モデル生成装置および生成方法
US9084937B2 (en) * 2008-11-18 2015-07-21 Gtech Canada Ulc Faults and performance issue prediction
CN103942544B (zh) * 2009-12-22 2017-11-28 松下电器产业株式会社 动作解析装置
JP4877423B1 (ja) * 2011-03-15 2012-02-15 オムロン株式会社 Ｐｌｃのｃｐｕユニット、ｐｌｃ用システムプログラムおよびｐｌｃ用システムプログラムを格納した記録媒体
US8732100B2 (en) * 2011-04-20 2014-05-20 The United States Of America As Represented By The Secretary Of The Air Force Method and apparatus for event detection permitting per event adjustment of false alarm rate
JP4832609B1 (ja) 2011-06-22 2011-12-07 株式会社日立エンジニアリング・アンド・サービス 異常予兆診断装置および異常予兆診断方法
US20140222379A1 (en) * 2011-07-15 2014-08-07 European Space Agency Method and apparatus for monitoring an operational state of a system on the basis of telemetry data
JP5369246B1 (ja) * 2013-07-10 2013-12-18 株式会社日立パワーソリューションズ 異常予兆診断装置及び異常予兆診断方法
CN106462150B (zh) * 2014-05-20 2018-11-02 东芝三菱电机产业系统株式会社 制造设备诊断辅助装置
US9567106B2 (en) * 2014-11-21 2017-02-14 Taleris Global Llp System and method for identifying faults in an aircraft

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7171283B2 (en) * 2002-08-07 2007-01-30 Kimberly-Clark Worldwide, Inc. Web guiding system and method
CN101308387A (zh) * 2007-05-17 2008-11-19 株式会社东芝 用于监视设备状态的装置和方法以及计算机可读介质
WO2015030804A1 (en) * 2013-08-30 2015-03-05 Hewlett-Packard Development Company, L.P. Identifying anomalous behavior of a monitored entity
WO2016020905A3 (ja) * 2014-08-07 2016-03-31 株式会社日立製作所 データ表示システム

Also Published As

Publication number Publication date
CN108628263A (zh) 2018-10-09
JP2018159981A (ja) 2018-10-11
US10503146B2 (en) 2019-12-10
US20180275631A1 (en) 2018-09-27
EP3379358A2 (en) 2018-09-26
EP3379358A3 (en) 2018-12-12
EP3379358B1 (en) 2021-03-17
JP6903976B2 (ja) 2021-07-14

Similar Documents

Publication Publication Date Title
CN108628263B (zh) 控制系统、控制装置、计算机可读存储介质以及控制方法
CN110262279B (zh) 控制系统以及控制方法
CN109983412B (zh) 控制装置、计算机可读记录介质以及控制方法
US11782431B2 (en) Control device and non-transitory computer-readable recording medium recording program
CN108693822B (zh) 控制装置、存储介质、控制系统及控制方法
JP6753278B2 (ja) 制御システムおよび制御装置
CN112673326A (zh) 控制装置及控制程序
US11520302B2 (en) Control system and control device
US20220414555A1 (en) Prediction system, information processing apparatus, and information processing program
EP4361742A1 (en) Prediction system, information processing device, and information processing program
TWI843084B (zh) 控制系統、資訊處理方法以及資訊處理裝置
WO2023053511A1 (ja) 制御システム、情報処理方法および情報処理装置
JP2023002962A (ja) 情報処理装置、モデル生成プログラムおよびモデル生成方法
JP2023151936A (ja) データ収集装置およびプログラム
CN116830054A (zh) 信息处理装置、信息处理程序以及信息处理方法
JP2020194413A (ja) 制御システム、制御装置および制御プログラム

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