CN110262279B - 控制系统以及控制方法 - Google Patents
控制系统以及控制方法 Download PDFInfo
- Publication number
- CN110262279B CN110262279B CN201811516913.3A CN201811516913A CN110262279B CN 110262279 B CN110262279 B CN 110262279B CN 201811516913 A CN201811516913 A CN 201811516913A CN 110262279 B CN110262279 B CN 110262279B
- Authority
- CN
- China
- Prior art keywords
- control
- data
- unit
- feature amount
- control device
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 104
- 230000005856 abnormality Effects 0.000 claims abstract description 196
- 238000001514 detection method Methods 0.000 claims abstract description 160
- 238000012544 monitoring process Methods 0.000 claims abstract description 132
- 238000012545 processing Methods 0.000 claims abstract description 101
- 230000008569 process Effects 0.000 claims abstract description 77
- 238000004088 simulation Methods 0.000 claims abstract description 71
- 230000010365 information processing Effects 0.000 claims abstract description 33
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims description 42
- 238000013480 data collection Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 abstract description 9
- 230000006870 function Effects 0.000 description 40
- 238000003860 storage Methods 0.000 description 36
- 238000007418 data mining Methods 0.000 description 26
- 238000010586 diagram Methods 0.000 description 24
- 238000000605 extraction Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000012854 evaluation process Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000000470 constituent Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G05B19/04—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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems 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
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—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
- G05B19/418—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]
- G05B19/41885—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 modeling, simulation of the manufacturing 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
- 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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0229—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions knowledge based, e.g. expert systems; genetic algorithms
-
- 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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0235—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold
-
- 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
- G05B2219/10—Plc systems
- G05B2219/13—Plc programming
- G05B2219/13174—Pc, computer connected to plc to simulate machine
-
- 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
- G05B2219/10—Plc systems
- G05B2219/14—Plc safety
- G05B2219/14006—Safety, monitoring in general
-
- 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
- G05B2223/00—Indexing scheme associated with group G05B23/00
- G05B2223/06—Remote monitoring
-
- 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)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Programmable Controllers (AREA)
Abstract
本发明提供一种控制系统以及控制方法,在控制装置侧实施基于具有可靠性的机械学习的异常探测。控制装置包括:与控制对象的控制相关的运算处理部;收集部,执行与控制对象相关联的数据的收集处理;以及监控处理部,执行控制对象的状态的监控处理,监控处理部包括:特征量生成部,执行根据所收集的数据来生成特征量的特征量生成处理;以及探测部,执行异常探测处理,所述异常探测处理是使用所生成的特征量和异常探测参数,来探测控制对象中产生的异常,所述异常探测参数是基于机械学习的结果而设定且适合于探测控制对象中产生的异常。信息处理装置使用来自控制装置的与控制对象相关联的数据,来执行监控处理的仿真。
Description
技术领域
本揭示涉及一种用于对控制对象进行控制的控制系统以及控制方法。
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)等控制装置的工厂自动化(Factory Automation,FA)技术正广泛普及。伴随近年的信息通信技术(Information and Communication Technology,ICT)的发展,此类FA领域中的控制装置也逐渐高性能化及高功能化。
作为此种高性能化及高功能化之一,提出有通过机械学习来预知作为控制对象的机器的故障的功能。例如,日本专利特开2017-211930号公报(专利文献1)揭示了一种具备机械学习装置的服务器(server)。具备机械学习装置的服务器使用经由网络而受理的、设于机器的传感器(sensor)的输出等输入数据,来实施机械学习,由此来探测当前的机器的寿命故障的有无或故障的程度。
[现有技术文献]
[专利文献]
专利文献1:日本专利特开2017-211930号公报
发明内容
[发明所要解决的问题]
在如专利文献1那样利用服务器的情况下,若因与服务器的通信中的错误(error)等产生数据的丢失或数据的缺漏等,则服务器的机械学习的可靠性将受损。因此,期望一种技术,并非使服务器实施机械学习,而是在PLC等控制装置侧实施基于具有可靠性的机械学习的异常探测。
本揭示的一个目的在于提供一种能够在控制装置侧实施基于具有可靠性的机械学习的异常探测的环境。
[解决问题的技术手段]
本揭示的一例的控制系统包括:控制装置,对控制对象进行控制;以及信息处理装置,可与控制装置进行数据交换,控制装置包括:运算处理部,执行与控制对象相关的序列(sequence)控制及运动(motion)控制的控制运算;收集部,执行与控制对象相关联的数据的收集处理;以及监控处理部,执行控制对象的状态的监控处理,监控处理部包括:特征量生成部,执行根据收集部所收集的数据来生成特征量的特征量生成处理;以及探测部,执行异常探测处理,所述异常探测处理是使用特征量生成部所生成的特征量与异常探测参数,来探测控制对象中产生的异常,所述异常探测参数是基于机械学习的结果而设定且适合于探测控制对象中产生的异常,信息处理装置包括监控仿真器(emulator),所述监控仿真器使用来自控制装置的与控制对象相关联的数据,来执行监控处理部的监控处理的仿真(emulation)。
根据所述揭示,在信息处理装置中,通过监控处理仿真器,对控制装置的监控处理部的监控处理进行仿真,从而能够在信息处理装置中再现控制装置的监控处理部的监控处理。因此,能够提供所述再现内容,来作为对能否在控制装置的内部实施基于具有可靠性的机械学习的异常探测进行确认的信息。
在所述揭示中,控制装置还包括数据库(data base),所述数据库将收集部所收集的与控制对象相关联的数据按照时间序列予以保存,信息处理装置的监控仿真器所使用的与控制对象相关联的数据包含控制装置的数据库的数据。
根据所述揭示,信息处理装置使用按照时间序列保存(蓄积)的时间序列数据来实施监控仿真器的仿真,由此,能够回溯过去而再现控制装置的监控处理部的监控处理。
在所述揭示中,信息处理装置基于监控处理的仿真结果,来评价控制装置所保持的异常探测参数是否适合于探测控制对象中产生的异常的合理性。
根据所述揭示,能够评价异常探测参数是否适合于探测控制对象中产生的异常的合理性。
在所述揭示中,控制装置周期执行收集部的数据收集及运算处理部的控制运算,控制装置还包括执行管理部件,所述执行管理部件执行下述周期执行处理,即,在周期执行处理中,使收集部的数据收集及运算处理部的控制运算以比监控处理部的监控处理高的优先级来执行,信息处理装置包括周期执行仿真器,所述周期执行仿真器对执行管理部件的周期执行处理进行仿真,在周期执行仿真器对周期执行处理的仿真中,监控仿真器执行对监控处理的仿真。
根据所述揭示,关于异常探测参数的合理性评价,信息处理装置能够对控制装置的控制运算的循环(周期)执行进行仿真,并基于所述循环执行中的监控仿真器对监控处理的仿真结果,来评价其合理性。
在所述揭示中,信息处理装置基于周期执行处理的仿真结果,来评价控制装置所保持的异常探测参数是否适合于探测控制对象中产生的异常的合理性。
根据所述揭示,能够基于周期执行处理的仿真结果来评价异常探测参数的合理性。
在所述揭示中,基于周期执行处理仿真结果的合理性评价包含:基于周期执行处理仿真中的监控处理的仿真所耗费的时间和周期长度的比较结果的、所述合理性评价。
根据所述揭示,能够根据周期执行处理仿真中的监控处理的仿真所耗费的时间,来实施所述合理性的评价。
在所述揭示中,控制装置还包括数据库,所述数据库将收集部所收集的与控制对象相关联的数据按照时间序列予以保存,信息处理装置还包括:时间序列特征量生成部,根据控制装置的数据库的与控制对象相关联的数据的时间序列数据来生成特征量;以及决定部,使用由时间序列特征量生成部所生成的特征量来实施机械学习,由此来决定适合于探测控制对象中产生的异常的异常探测参数。
根据所述揭示,信息处理装置能够根据控制装置的数据库的与控制对象相关联的数据的时间序列数据来生成特征量,并根据使用所生成的特征量的机械学习的学习结果,来决定适合于探测控制对象中产生的异常的异常探测参数。
在所述揭示中,监控仿真器包括特征量生成仿真器,所述特征量生成仿真器执行特征量生成部的特征量生成处理的仿真,时间序列特征量生成部使用数据库的时间序列数据来使特征量生成仿真器执行特征量生成处理的仿真,从而根据所述时间序列数据来生成特征量。
根据所述揭示,信息处理装置使特征量生成仿真器执行特征量生成处理的仿真,从而可根据所述时间序列数据来生成特征量。
在所述揭示中,适合于探测控制对象中产生的异常的异常探测参数包含一阈值,所述阈值用于将特征量生成部所生成的特征量分类为适合于探测控制对象中产生的异常的、特征量的等级(class)。
根据所述揭示,能够在异常探测参数中包含用于对特征量进行等级分类的阈值。
在所述揭示中,控制装置保持适合于探测控制对象中产生的异常的特征量的等级,控制装置在监控处理的执行中,使用特征量生成部所生成的特征量来更新等级的特征量。
在所述揭示中,控制装置能够使用根据从控制对象收集的数据而生成的特征量,来更新等级的特征量,从而可使用更新后的等级来进行等级分类。
本揭示的一例的控制方法是由信息处理装置来执行,所述信息处理装置可与对控制对象进行控制的控制装置进行数据交换,其中,控制装置包括:运算处理部,执行与控制对象相关的序列控制及运动控制的控制运算;收集部,执行与控制对象相关联的数据的收集处理;以及监控处理部,执行控制对象的状态的监控处理,监控处理部包括:特征量生成部,执行根据收集部所收集的数据来生成特征量的特征量生成处理;以及探测部,执行异常探测处理,所述异常探测处理是使用特征量生成部所生成的特征量与异常探测参数,来探测控制对象中产生的异常,所述异常探测参数是基于机械学习的学习结果而设定且适合于探测控制对象中产生的异常,控制方法包括下述步骤:从控制装置受理与控制对象相关联的数据;以及使用从控制装置受理的与控制对象相关联的数据,执行监控处理部的监控处理的仿真。
根据所述揭示,在信息处理装置中,通过监控处理仿真器,对控制装置的监控处理部的监控处理进行仿真,从而能够在信息处理装置中再现控制装置的监控处理部的监控处理。因此,能够提供所述再现内容,来作为对能否在控制装置的内部实施基于具有可靠性的机械学习的异常探测进行确认的信息。
[发明的效果]
根据本揭示,可提供一种能够在控制装置侧实施基于具有可靠性的机械学习的异常探测的环境。
附图说明
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。
图2是表示构成本实施方式的控制系统1的控制装置的硬件(hardware)结构例的框图。
图3是表示构成本实施方式的控制系统1的支持(support)装置的硬件结构例的框图。
图4是表示本实施方式的控制系统1的适用场景的一例的示意图。
图5是用于说明使用本实施方式的控制装置的异常探测的流程的示意图。
图6是用于说明本实施方式的支持装置中的数据挖掘(data mining)的流程的示意图。
图7是示意性地表示一列表(list)的一例的图,所述列表表示在本实施方式的控制系统的数据挖掘工序中可决定的特征量。
图8是示意性地表示本实施方式的特征量生成程序及学习数据决定部的程序的一例的图。
图9(A)及图9(B)是示意性地表示本实施方式的学习数据的一例的图。
图10是示意性地表示本实施方式的控制装置100所实施的监控处理的程序的一例的图。
图11是用于说明本实施方式的评价工序与调整工序的示意图。
图12是用于对本实施方式的控制装置100中的与优先级相应的处理的执行进行说明的示意图。
符号的说明
1:控制系统
100:控制装置
132:原始数据
134:学习数据
136:异常探测参数
140:异常探测引擎
142:特征量提取部
144:异常探测部
146:事件日志
147:得分值
150:PLC引擎
152:排程器
154:变量管理器
160:控制程序
162:运动程序
163:时间序列DB程序
164:内部DB访问程序
166:异常探测引擎接口
174:特征量生成程序
200:支持装置
204:驱动器
225:仿真器工具
226:数据挖掘工具
TH、304:阈值
2260:PLC仿真器
2261:学习数据决定部
2262:数据访问部
2263:参数决定部
2264:决定部
2265:控制程序仿真器
2266:特征量生成程序仿真器
2267:系统程序仿真器
2268:变量管理器仿真器
2269:排程器仿真器
2270:评价部
2271:调整部
2272:监控处理仿真器
130:内部DB
224:内部DB
131:时间序列DB
具体实施方式
参照附图来详细说明本发明的实施方式。另外,对于附图中的相同或相当的部分,标注相同的符号并不再重复其说明。
<A.适用例>
首先,参照图4来说明适用本发明的场景的一例。图4是表示本实施方式的控制系统1的适用场景的一例的示意图。本实施方式的控制系统1中,控制装置100对任意的控制对象(例如配设在生产线(line)上的制造装置或设备)进行控制。
图4示意性地表示控制系统1的各装置所提供的功能。控制系统1包括对控制对象进行控制的控制装置100、及可与控制装置100进行数据交换的支持装置200。控制装置100相当于对各种设备或装置等控制对象进行控制的PLC等工业用控制器。PLC是执行控制运算的一种计算机(computer)。支持装置200向用户提供对控制装置100所具备的模块(module)(典型的是数据、程序等)进行开发的环境或者对控制装置100的状态进行监控的环境等。支持装置200是“信息处理装置”的一实施例,典型的是包含通用的计算机。
控制装置100包括:运算处理部,执行与控制对象相关的序列控制及运动控制的控制运算;收集部,执行与控制对象相关联的数据(原始数据132)的收集处理;以及监控处理部,执行控制对象的状态的监控处理。
在生产线等的运转时,PLC引擎150一边执行相当于所述“控制运算”的序列/运动程序162,一边执行相当于“收集部件”的变量管理器(manager)154,收集与控制对象相关联的数据。进而,“监控处理部”包括特征量生成部与异常探测引擎(engine)140,所述特征量生成部执行根据收集数据来生成特征量的特征量生成处理。
特征量生成部相当于特征量生成程序174,通过执行特征量生成程序174来执行特征量生成处理。异常探测引擎140执行异常探测处理,所述异常探测处理是使用特征量生成部所生成的特征量、及保存在内部数据库(DB)130中的适合于异常探测的异常探测参数136或学习数据134,来探测控制对象中产生的异常。所述异常探测参数136或学习数据134是基于支持装置200的机械学习的学习结果。
支持装置200具备监控处理仿真器2272,所述监控处理仿真器2272使用来自控制装置100的与控制对象相关联的数据,来执行所述“监控处理部”的仿真。监控处理仿真器2272执行一命令,所述命令是在支持装置200的计算机所提供的处理器(processor)环境下,对所述特征量生成程序174及异常探测引擎140的程序进行仿真。由此,在支持装置200中,对控制装置100的“监控处理部”进行仿真。
这样,在支持装置200中,通过监控处理仿真器2272,对控制装置100的“监控处理部”的监控处理进行仿真,从而能够在支持装置200中再现控制装置100的“监控处理部”的监控处理。因此,能够提供所述再现内容,来作为对能否在控制装置100的内部实施具有可靠性的机械学习进行确认的信息。
控制装置100的“收集部”相当于变量管理器154。变量管理器154是将通过周期性地执行的输入/输出(Input/Output,I/O)刷新(refresh)处理而更新的用户变量/设备变量1544的数据,与所述周期同步地予以收集。所收集的数据被用于所述监控处理,并且在时间序列DB131中被保存为遵循收集(探测)顺序的时间序列的原始数据132。时间序列DB程序163对于收集部所收集的原始数据132,依照收集(探测)的顺序来赋予时戳(time stamp),并保存到时间序列DB131中。所述时戳例如能够以控制周期单位、工件(work)单位、或节拍(tact)单位等能可变地设定的时间单位来赋予。
关于所述再现性,支持装置200的监控处理仿真器2272所使用的与控制对象相关联的数据包含控制装置100的时间序列DB131的时间序列的原始数据132。这样,支持装置200中的所述仿真是使用时间序列DB131的时间序列的原始数据132来实施。
因此,支持装置200通过使用按照时间序列而保存(蓄积)的时间序列数据来实施仿真,从而能回溯到过去而再现控制装置100的“监控处理部”的监控处理。
关于所述再现,支持装置200能够与控制装置100交换包含时间序列DB131的时间序列的原始数据132的数据。此时,支持装置200的数据访问(access)部2262例如可经由保存有原始数据132的存储卡(memory card)等存储介质,来与控制装置100交换数据。
通过不经由网络而是经由存储介质来进行此种数据交换,支持装置200能够受理时间序列DB131的时间序列的原始数据132,而不会引起通信错误造成的数据缺漏。因此,在支持装置200中,能够提高仿真的所述再现性的精度。
另外,支持装置200与控制装置100之间的数据交换并不限定于经由存储介质的方法。
支持装置200还包括评价部2270,所述评价部2270基于监控处理的仿真结果,来评价控制装置100中保持的异常探测参数136是否适合于探测控制对象中产生的异常的合理性。
关于此种异常探测参数136的合理性评价,支持装置200对控制装置100的控制运算的循环执行进行仿真,并基于其结果来评价所述合理性。
关于控制运算的循环执行,控制装置100周期执行与控制对象相关联的数据的收集(变量管理器154)及基于运算处理的控制运算(序列/运动程序162)。在所述周期执行中,控制装置100还包括执行管理部(排程器(scheduler)152),所述执行管理部(排程器152)执行下述周期执行处理,即,使与控制对象相关联的数据的收集及基于运算处理的控制运算以比所述“监控处理”(特征量生成程序174及异常探测引擎140)高的优先级来执行。
关于所述循环执行的仿真,支持装置200包括对PLC引擎150进行仿真的PLC仿真器2260。PLC仿真器2260包括对所述执行管理部(排程器152)的所述周期执行处理进行仿真的周期执行仿真器(排程器仿真器2269)。在所述周期执行仿真器对周期执行处理的仿真中,执行PLC仿真器2260所具备的控制程序仿真器2265(包含特征量生成程序仿真器2266的监控处理仿真器2272)、及包含变量管理器仿真器2268的系统程序仿真器2267的仿真。
这样,在支持装置200中,能够基于控制装置100的控制运算的循环执行仿真中的、监控处理仿真的执行结果(再现内容),来评价异常探测参数136的合理性。
例如,评价部2270在对基于周期执行处理仿真结果的所述合理性进行评价时,能够基于周期执行处理仿真中的监控处理的仿真所耗费的时间、和循环执行的周期长度的比较结果,来评价所述合理性。
以下,作为本揭示的更具体的应用例,对本实施方式的控制系统1的更详细的结构及处理进行说明。
<B1.控制系统的整体结构例>
首先,对本实施方式的控制系统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、及可连接于控制装置100的支持装置200,以作为主要的构成元件。支持装置200经由通信或存储介质来与控制装置100交换数据。
控制装置100也可作为PLC(可编程逻辑控制器)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(data logging)装置600。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600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”),所述控制逻辑执行用于控制设备或机械的各种运算。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还具有对所收集的输入数据进行监控的监控功能。通过将这些功能安装于控制装置100,能够以更短的周期来监控在控制对象中产生的现象。
具体而言,安装于控制装置100的内部数据库(以下也记作“内部DB”)130提供收集功能,安装于控制装置100的异常探测引擎140提供监控功能。内部DB130及异常探测引擎140的详细将后述。
第1现场网络2及第2现场网络4优选采用进行保证数据到达时间的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(servomotor)、其他任意执行器。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刷新处理”。
而且,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600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600例如具有数据库功能,按照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、分析程序(parser)、编译程序(compiler)等)、用于对控制装置100及连接于控制装置100的各种设备的参数(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提供下述环境,即,使用安装于控制装置100的内部DB130的后述时间序列的原始数据132来决定异常探测参数136等,并且对异常探测引擎140进行仿真。所述仿真的详细将后述。
<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102、芯片组(chipset)104、主存储装置106、二次存储装置108、局域网络控制器110、通用串行总线(Universal Serial Bus,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读出保存在二次存储装置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通过与处理器102控制各组件(component),从而实现作为控制装置100整体的处理。
在二次存储装置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,在二次存储装置108中,还保存有内部DB130、及用于实现异常探测引擎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使存储卡116可装卸地构成,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)来安装。或者,对于控制装置100的主要部分,也可使用遵循通用架构(architecture)的硬件(例如将通用个人计算机(personal computer)作为基础(base)的工业用个人计算机)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(application)。
(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是通过使用遵循通用架构的硬件(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、驱动器204、主存储装置206、二次存储装置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读出保存在二次存储装置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。
二次存储装置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。在二次存储装置208中,典型的是保存有各种程序,所述各种程序包含未图示的开发程序、后述的数据挖掘工具226及仿真器工具225,所述开发程序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(debug)、系统结构的定义、及各种参数的设定等,所述仿真器工具225包含用于执行PLC仿真器2260的命令代码(code)。而且,在二次存储装置208中,设有保存与数据挖掘工具226关联的数据的内部DB224的区域。在二次存储装置208中,也可保存有OS及其他的必要程序。本实施方式中,数据挖掘工具226包含用于在支持装置200中实现数据挖掘的程序、或者程序与数据的组合。
驱动器204是可装卸存储卡116或存储介质205地构成。驱动器204可对存储卡116或存储介质205写入数据,并可从存储卡116或存储介质205读出各种数据(用户程序、追踪数据或时间序列数据等)。存储介质205例如包含非一次性地保存计算机可读取程序的存储介质205(例如数字通用光盘(Digital Versatile Disc,DVD)等光学记录介质)。从存储卡116或存储介质205读取保存在其中的程序或数据,并安装到二次存储装置208等内部的存储区域中。
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存储卡116或存储介质205来安装,但也可以从网络上的服务器装置等下载(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所提供的模块的一部分的形式而实现。
USB控制器212对经由USB连接的、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。USB控制器212与控制装置100交换的数据例如包含时间序列DB131的时间序列的原始数据132、异常探测参数136及学习数据134。
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)等,输出来自处理器202的处理结果等。在支持装置200上,也可连接有打印机(printer)。
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)来安装。
(b3:数据记录装置600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600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,也可使用遵循通用架构的硬件(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.异常探测功能>
接下来,对本实施方式的控制系统1所提供的异常探测功能进行说明。
图5是用于说明使用本实施方式的控制装置100的异常探测的流程的示意图。图5所示的异常探测的流程整体上包含五个工序。
具体而言,首先,实施(1)原始数据收集工序。在(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数据(原始数据132)写入内部DB130。(1)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访问程序164而实现。
在控制装置100中,对与现场之间交换的数据(输入数据及输出数据)以及内部数据的各个分配唯一(unique)的变量名,利用各个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(programming)的环境。因此,在以下的说明中,“变量的指定”或“变量的确定”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,即使为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。
接下来,实施(2)将所收集的原始数据132按照时间序列保存在时间序列DB131中的时间序列DB保存工序。在(2)时间序列DB保存工序中,时间序列DB程序163一边对所收集的原始数据132赋予时戳,一边保存至时间序列DB131中。时戳相当于收集(检测)到原始数据132的时间。
接下来,实施(3)特征量生成工序。在(3)特征量生成工序中,通过对与现场之间交换的数据及内部数据中的、作为对象的数据,适用预先决定的特征量的生成方法,从而依序生成特征量。(3)特征量生成工序是通过执行后述的、控制装置100的特征量生成程序174而实现。
本实施方式中,典型的是,由支持装置200来决定适合于探测控制对象中产生的异常的异常探测方法。异常探测方法表示如下所述的方法,即:利用何种逻辑来监控何种数据,才能探测目标的异常。本实施方式中,异常探测方法包含根据来自现场的一个或多个原始数据132来生成特征量的生成方法。支持装置200通过执行数据挖掘工具来决定异常探测方法。根据所决定的异常探测方法,输出用于生成特征量的设定或参数等。
接下来,实施(4)特征量提取工序。在(4)特征量提取工序中,从在(3)特征量生成工序中所生成的特征量中,基于异常探测参数136所表示的特征量的种类,即,基于适合于探测控制对象中产生的异常的特征量的种类,来提取(选择)所述种类的特征量。(4)特征量提取工序是通过异常探测引擎140的特征量提取部142而实现。
接下来,实施(5)异常探测工序。在(5)异常探测工序中,对于在(4)特征量提取工序中选择的种类的特征量,实施在每个规定周期或者针对每个规定事件而生成的所述特征量的监控,即,从所述特征量中,基于异常探测参数136及学习数据134来探测异常。具体而言,算出得分(score)值147,所述得分值147表示在特征量提取工序中所选择的种类的特征量应被分类为学习数据134所示的等级的程度。对得分值147与异常探测参数136所示的阈值进行比较,当得分值147越过(超过)阈值时,探测到异常。而且,此时的得分值147被保存到内部DB130中。而且,当探测到异常时,输出事件日志146。(5)异常探测工序是通过异常探测引擎140的异常探测部144来实现。
异常探测参数136包含通过支持装置200执行数据挖掘工具226而决定的、适合于探测控制对象中产生的异常即成为监控对象的特征量的种类与所述阈值。
控制装置100中的监控处理可包含图5的(4)特征量提取工序及(5)异常探测工序。另外,(2)时间序列DB保存工序在图5中是包含在一连串工序中而表示以便进行说明,但此工序可与其他工序并行地执行。
通过如上所述的(1)、(3)~(5)的工序,控制装置100能够使用异常探测参数136及学习数据134,来实施控制对象的监控处理即适合于探测控制对象中产生的异常的特征量的选择、及使用所选择的特征量来进行的控制对象中产生的异常的探测。
<D.数据挖掘工具>
接下来,对本实施方式的控制系统1所提供的数据挖掘工具进行说明。本实施方式中,使用支持装置200所具备的数据挖掘工具226,基于与在控制装置100中收集的控制对象相关联的原始数据132,来进行监控处理所需的设定(异常探测参数136及学习数据134)。
图6是用于说明本实施方式的支持装置200中的数据挖掘的流程的示意图。图6中,与数据挖掘的流程即工序(1)~(4)相关联地,表示支持装置200所实施的特征量的监控工序(5)与评价工序(6)。
首先,实施(1)原始数据收集工序。在(1)原始数据收集工序中,控制装置100的时间序列DB131的原始数据132例如经由存储卡116而转发至支持装置200,并保存在例如二次存储装置208等的内部DB224中。在(1)原始数据收集工序中,是通过支持装置200的数据访问部2262来实现。具体而言,数据访问部2262经由驱动器204来访问(读出)存储卡116,并将所读出的原始数据132保存于例如二次存储装置208等的内部DB224中。
接下来,实施(2)数据挖掘工序。在(2)数据挖掘工序中,读取被写入内部DB224的时间序列的原始数据132,并决定异常探测方法。具体而言,用户使用数据挖掘工具226来操作支持装置200,读出被收集在内部DB224中的原始数据132并进行分析,由此来决定特征量的生成方法及异常探测方法。
接下来,实施(3)特征量生成工序。在(3)特征量生成工序中,适用在(2)数据挖掘工序中所决定的特征量的生成方法,由此,根据内部DB224的时间序列的原始数据132来生成特征量。
(3)特征量生成工序是通过支持装置200的特征量生成程序仿真器2266使用内部DB224的时间序列的原始数据132对特征量生成程序174进行仿真而实现。
接下来,实施(4)特征量学习工序。在(4)特征量学习工序中,对在(3)特征量生成工序中生成的特征量实施机械学习,并根据所述机械学习的结果来决定异常探测参数136及学习数据134。在(4)特征量学习工序中,支持装置200的参数决定部2263决定异常探测参数136,学习数据决定部2261决定学习数据134。在本实施方式中,异常探测参数136包含适合于探测控制对象中产生的异常的特征量的种类或判断指标(典型的是阈值等)。(4)特征量学习工序是通过基于支持装置200的机械学习引擎的决定部2264而实现。
对特征量学习工序中的特征量的生成方法的一例进行说明。
图7是示意性地表示一列表的一例的图,所述列表表示在本实施方式的控制系统1的数据挖掘工序中可决定的特征量。图7所示的多个特征量已预先定义,决定对收集在支持装置200的内部DB224中的原始数据132使用哪种特征量为佳。
具体而言,参数决定部2263使用收集在内部DB224中的原始数据132来算出图7所示的各个特征量,将所述特征量的相关性或关系性更大者决定为候补。而且,学习数据决定部2261生成学习数据134,所述生成学习数据134是由参数决定部2263所决定的种类的特征量的集合构成的等级。学习数据134的生成详细将后述。
或者,作为典型的方法,也可采用各种主成分分析。作为主成分分析的方法,能够采用公知的任意方法。
通过如上所述的(1)~(4)的工序,支持装置200能够决定用于异常探测的特征量的定义、及判断为异常的异常探测参数136及学习数据134等。
进而,在支持装置200中,实施(5)特征量监控工序及(6)评价工序。在(5)特征量监控工序中,从控制装置100经由存储卡116等而获取时间序列的原始数据132、得分值147及事件日志146,并保存到内部DB224等中。(5)特征量监控工序中的数据的获取例如是通过数据访问部2262而实现。
在(6)评价工序中,对用于异常探测即在控制装置100中所保持的异常探测参数136或学习数据134是否适合于探测控制对象中产生的异常的合理性。(6)评价工序典型的是通过支持装置200的评价部2270而实现。
在(7)调整工序中,由调整部2271来实施在控制装置100中保持的异常探测参数136或学习数据134的调整(变更)。例如,调整部2271基于评价部2270的评价结果来实施所述调整。支持装置200的评价部2270与调整部2271的评价与调整将后述。
<E.特征量生成工序及特征量学习工序>
参照图8来说明图6的(3)特征量收集工序及(4)特征量学习工序中所用的控制程序(用户程序)。
图8是示意性地表示本实施方式的特征量生成程序及学习数据决定部的程序的一例的图。在图4的(3)特征量收集工序中,典型的是,由特征量生成程序仿真器2266所仿真的特征量生成程序174也可使用特征量生成功能块(function block)1742来记述。特征量生成功能块1742是根据原始数据132来生成特征量的功能模块。
针对特征量生成功能块1742,定义有对用于计算特征量的变量进行指定的输入变量指定1744、与表示所算出的特征量的输出目标的输出目标指定1746。
在特征量生成功能块1742的输出段(输出目标指定1746),也可连接有功能块1682,所述功能块1682用于执行与机械学习引擎的学习数据决定部2261对应的处理。即,特征量生成功能块1742的输出目标指定1746、与对成为功能块1682的学习对象的特征量的变量进行指定的输入变量指定1684相连接。
在功能块1682的输出段(学习结果输出目标指定1686),输出机械学习的结果获得的信息即学习数据134。
图9(A)及图9(B)是示意性地表示本实施方式的学习数据134的一例的图。图9(A)及图9(B)表示将由原始数据132所生成的特征量(通常为包含多个特征量的特征量向量(vector))的样本(sample)绘制(plot)在对应的坐标空间内的、以特征量来表达的特征量空间的一例。此特征量空间相当于学习数据134。
对于各特征量,通常赋予有标签(label)(正常或异常),用户一边参照对各特征量赋予的标签,一边决定以由阈值304所规定的虚线表示的范围,所述阈值304对由控制对象处于正常状态的特征量的集合所构成的等级、和/或由控制对象处于异常状态的特征量的集合所构成的等级进行定义。例如,用户也可指定正常状态下的N个样本的平均位置即基准位置(图中的x标记(mark)),并且将基准位置作为基准来指定虚线的范围,由此来指定阈值304。处于阈值304的虚线范围内的样本的集合,相当于由正常状态或异常状态下的样本集合所构成的等级(即,正常状态的学习数据134或异常状态的学习数据134)。
图9(A)及图9(B)所示的示例中,用于规定阈值304的虚线的位置及范围等可通过用户操作来指定。所指定的阈值304包含在异常探测参数136中。
图9(A)及图9(B)也可在特征量空间上,作为用于设定阈值304的虚线范围的用户接口画面的一例而提供。如图9(A)所示,在特征量空间上绘制有预先收集的样本,用户一边参照此样本的分布,一边操作输入部216的鼠标等,来设定虚线的范围。进而,如图9(B)所示,也能够进一步操作鼠标等,来调整虚线范围的大小等。这样,用户能够可变地设定应包含在异常探测参数136中的阈值304。
若能设定异常探测参数136,则图6的支持装置200中的(3)特征量收集工序及(4)特征量学习工序便完成。通过像这样在支持装置200中执行数据挖掘工具226,从而提供基于机械学习的学习结果来决定异常探测参数136及学习数据134的功能。
<F.监控处理>
对本实施方式的控制装置100中的监控处理进行说明。
图10是示意性地表示本实施方式的控制装置100所实施的监控处理程序的一例的图。在控制装置100中的监控处理中所含的(3)特征量生成工序中执行的特征量生成程序174是与所述图8同样地,使用特征量生成功能块1742来记述。
在图10的特征量生成功能块1742的输出段(输出目标指定1746),连接有功能块1702。特征量生成功能块1742的输出目标指定1746、与对成为功能块1702的监控对象的特征量的变量进行指定的输入变量指定1704相连接。进而,在功能块1702中,定义有变量值TH(以下也称作阈值TH),所述变量值TH相当于异常探测参数136所具备的异常探测的阈值304。功能块1702相当于异常探测引擎140的功能模块。
功能块1702在每个控制周期,对在输入变量指定1704中所指定的变量(特征量)、与跟在异常探测参数136中所指定的阈值304对应的阈值TH进行比较,若产生特征量超过阈值TH的事态,则对被定义为异常探测输出目标指定1708的变量(得分值147)进行设定。在用户程序中,能够基于被指定为异常探测输出目标指定1708的变量(得分值147)的值,来立即探测控制对象设备或机械中的异常。
此处,得分值147例如可包含从特征量的学习数据134的等级计起的偏离程度,例如特征量的学习数据134的等级与基准位置(参照图9(A)及图9(B)的x标记)的距离、或者特征量与阈值TH的距离等。此种得分值147可表示应分类为由正常状态的学习数据134所构成的等级、或由异常状态的学习数据134所构成的等级的程度。
所述图10所示的控制装置100的监控处理程序(即,特征量生成程序174及异常探测引擎140的功能块)相当于支持装置200的监控处理仿真器2272所仿真的程序。因此,在支持装置200中,通过使用从控制装置100受理的时间序列的原始数据132来实施监控处理仿真器2272的仿真,从而能够在控制装置100中,再现使用在(1)原始数据收集工序(参照图5)中收集的原始数据132而进行的监控处理。
<G.评价工序与调整工序与>
图11是用于说明本实施方式的评价工序与调整工序的示意图。本实施方式中,在图6的(6)评价工序中,评价部2270评价控制装置100中保持的异常探测参数136或学习数据134是否适合于探测控制对象中产生的异常的合理性(恰当性)。
参照图11来说明评价工序。在控制装置100中,使用由图11中的(A)的原始数据132所生成的特征量、与异常探测参数136及学习数据134,来实施监控处理。由于监控处理输出的得分值147如图11中的(B)般超过阈值TH,因而如图11中的(C)般,制作“异常”的事件日志146。
当发生了事件日志146时,评价部2270评价控制装置100中保持的异常探测参数136是否适合于探测控制对象中产生的异常的合理性。例如,例示下述情况(case)来进行说明,即,尽管事件日志146表示异常,但操作员(operator)观察控制对象则为正常(无异常)。
具体而言,评价部2270从自控制装置100获取的时间序列的原始数据132(图11中的(D)的虚线部)中,提取与记录有事件日志146的“异常”的时间相符的时间的原始数据132(图中的虚线部分)。评价部2270使用所提取的原始数据132与内部DB224的异常探测参数136及学习数据134来使监控处理仿真器2272执行监控处理的仿真。所述仿真的结果如图11中的(B)、图11中的(D)般表示存在异常。评价部2270根据所述监控处理的仿真结果,输出异常探测参数136并不合理这一评价。
调整部2271例如依照用户的操作来变更图9(A)及图9(B)所示的阈值304。由此,内部DB224的异常探测参数136中所含的阈值304受到变更。
评价部2270使用所提取的原始数据132(图11中的(D)的虚线部)、与内部DB224的具有变更后的阈值304的异常探测参数136及学习数据134,来使监控处理仿真器2272再次执行监控处理的仿真。在所述仿真的结果如图11中的(E)、图11中的(F)般表示无异常的情况下,评价部2270根据监控处理仿真器2272对监控处理的仿真结果,输出调整(变更)后的异常探测参数136合理这一评价。另外,当监控处理仿真器2272再次执行监控处理的仿真时,若评价部2270根据监控处理的仿真结果而评价为调整(变更)后的异常探测参数136不合理,则重复所述调整部2271与评价部2270的处理。
调整部2271的调整方法并不限定于阈值304的变更。例如,也可通过调整规定的特征量的种类或个数而重新生成学习数据134(图9(A)及图9(B)的特征量空间),并再次执行包含监控处理仿真器2272对监控处理的仿真的、评价部2270的评价处理。
用户将调整结束后的异常探测参数136或学习数据134经由存储卡116而转发至控制装置100。由此,控制装置100能够使用调整后的(即具有合理性的)异常探测参数136或学习数据134,来对保持于内部DB130中的原本的异常探测参数136或学习数据134进行更新。
(g1:基于学习数据的追加学习的评价与调整)
本实施方式中,控制装置100也能够对学习数据134实施追加学习。具体而言,控制装置100保持适合于探测控制对象中产生的异常的、特征量的等级(学习数据134),控制装置100在监控处理的执行中,使用特征量生成程序174所生成的特征量来更新等级中所含的特征量。例如,使用从所述生成的特征量中提取的特征量,来对学习数据134追加所述特征量。
通过像这样追加控制装置100的生产线运转时所收集的原始数据132的特征量,学习数据134发生变化。评价部2270也可使用变化后的学习数据134来实施所述评价处理。基于评价处理的结果,调整部2271调整异常探测参数136或学习数据134。由此,能够在控制装置100侧生成学习数据134,并由支持装置200的评价部2270来评价其合理性。
(g2:基于控制周期的评价)
图12是用于对本实施方式的控制装置100中的与优先级相应的处理的执行进行说明的示意图。参照图12,在控制装置100中,在每个系统周期执行控制运算。作为控制运算,包含通过执行序列/运动程序162而实施的控制运算。具体而言,包含执行与各种条件相应的处理的序列运算、用于驱动伺服驱动器或者伺服马达的运动运算等。此种控制运算典型的是通过控制装置100的处理器102读出保存在二次存储装置108中的用户程序并在主存储装置106中展开执行而提供。即,控制装置100的处理器102及用户程序提供控制运算处理,所述控制运算处理周期性地执行用于对控制对象进行控制的控制运算。
作为一例,假设使优先级不同地设定有两个任务(task)(高优先任务及低优先任务)。在高优先任务中,登记有在每个系统周期必须执行的处理(例如I/O刷新处理及控制运算),在低优先任务中,登记有也可跨及多个系统周期而执行的处理或者也可不严格保证执行时机的处理(例如监控处理)。
如图12所示,在各系统周期中,首先,当作为高优先任务而登记的I/O刷新处理及控制运算的执行完成时,执行作为低优先任务而登记的监控处理。低优先任务是在各系统周期中,未执行高优先任务的期间内执行。因此,有时无法使作为低优先任务而登记的处理在一次系统周期内完成。图12所示的示例中,可知的是,监控处理是跨及三次系统周期而执行。另外,在控制装置100具有多个处理器102的情况、或者控制装置100的处理器102具有多个核心(core)的情况等下,也有时会分散地执行各任务。
这样,通过排程器152来实现执行管理部,所述执行管理部使变量管理器154(收集部)对原始数据132的收集(I/O刷新处理)及运算处理部的控制运算(序列/运动程序162)以比监控处理部的监控处理(特征量生成程序174及异常探测引擎140)高的优先级来执行。
本实施方式中,在支持装置200中,借助PLC仿真器2260,通过排程器仿真器2269来对排程器152的依照所述优先级的执行管理进行仿真。在排程器仿真器2269的仿真中,执行系统程序仿真器2267与监控处理仿真器2272的仿真,所述系统程序仿真器2267是对变量管理器154(收集部)对原始数据132的收集(I/O刷新处理)及运算处理部的控制运算(序列/运动程序162)进行仿真,所述监控处理仿真器2272是对监控处理进行仿真。
评价部2270根据排程器仿真器2269的仿真的排程结果,来评价所述合理性。
例如,根据仿真结果来检测监控处理的完成所需的周期,若为检测周期数超过预定周期数的情况,则例如能够评价为异常探测参数136不合理。具体而言,可设想异常探测参数136所指定的特征量的种类或个数过多,而监控处理的完成所需的周期超过预定周期数,此时,评价部2270输出异常探测参数136不合理这一评价。
<H.控制系统1所提供的功能>
再次参照图4,对本实施方式的控制系统1的各装置所提供的功能进行说明。在图4中,控制装置100的结构中的括号内的数字对应于图5所示的(1)~(6)的工序中的处理。而且,在图4中,支持装置200的结构中的括号内的数字对应于图6所示的(1)~(7)的工序中的处理。
参照图4,控制装置100除了内部DB130及异常探测引擎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。为了提供所述处理器102用于执行程序的环境,在控制装置100中还安装有OS190。
PLC引擎150典型的是通过在OS190上执行系统程序及用户程序而提供。更具体而言,PLC引擎150包含排程器152、变量管理器154及控制程序160。
排程器152对构成PLC引擎150的各程序(或者与其对应的任务)的执行时机或执行顺序等进行控制。本实施方式中,排程器152相当于以上所述的依照优先级来执行处理的执行管理部。对于PLC引擎150中所含的各任务,预先规定有执行周期,排程器152进行控制,以使得能够依照所述规定的执行周期及优先级来反复执行程序。
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保持管理系统变量1542与用户变量/设备变量1544,所述系统变量1542包含表示控制装置100的各部的动作状态的数据群,所述用户变量/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。本实施方式中,与控制对象关联的数据主要包含可作为用户变量/设备变量1544而收集的数据。
控制程序160相当于用户可任意制作的用户程序,典型的是包含序列/运动程序162、内部DB访问程序164、异常探测引擎接口166及特征量生成程序174。构成控制程序160的程序的命令既可作为一体的程序而记述,也可分别分离地记述在多个程序中。
序列/运动程序162包含一命令,所述命令进行用于对控制对象进行控制的逻辑运算和/或数值运算。内部DB访问程序164将用户变量/设备变量1544中所含的变量中的、预先指定的变量的数据,写入至内部DB130。在将变量的数据写入至内部DB130的情况下,时间序列DB程序163对所写入的数据赋予时戳而写入至时间序列DB131。
而且,内部DB访问程序164将驱动器204从存储卡116等存储介质读出的学习数据134及异常探测参数136等写入至内部DB130。而且,内部DB访问程序164读出内部DB130的时间序列DB131的原始数据132、学习数据134、得分值147等数据,并经由驱动器204而写入至存储卡116等存储介质中。存储卡116可作为用于在控制装置100与支持装置200之间交换数据的存储介质而使用。另外,所述数据交换的存储介质并不限定于存储卡116,例如也可为USB存储器等。
异常探测引擎接口166包含用于操作异常探测引擎140的命令。具体而言,异常探测引擎接口166包含:对异常探测引擎140指示使用异常探测参数136的特征量提取的命令;以及使用异常探测参数136来监控特征量,并指示异常探测的命令。
特征量生成程序174包含一命令,所述命令通过预先指定的特征量的生成方法,使用用户变量/设备变量1544的经指定的变量来生成特征量。通过支持装置200,根据控制对象来决定适当的特征量的生成方法。即,特征量生成程序174根据与控制对象相关的数据,生成适合于探测控制对象中产生的异常的特征量。
在内部DB130中,典型的是保存有:在图5的(1)原始数据收集工序中所收集的原始数据132、从支持装置200输入的学习数据134及异常探测参数136、与在图5的(5)异常探测工序中输出的得分值147。内部DB130的一部分是在图5的(2)时间序列DB保存工序中,按照收集(探测)顺序来对原始数据132赋予时戳并予以保存,由此来构成时间序列DB131。
异常探测引擎140包含:用于在图5的(4)特征量提取工序中执行必要处理的特征量提取部142、及用于在(5)异常探测工序中执行必要处理的异常探测部144。特征量提取部142从通过特征量生成程序174的执行而生成的特征量中,提取异常探测参数136所表示的种类的特征量。异常探测部144使用特征量提取部142所提取的特征量与异常探测参数136,来探测控制对象中的异常。并且,异常探测部144在检测到某些异常时,输出得分值147,并且输出表示所述探测的内容的事件日志146。
对其中一个支持装置200进行说明。支持装置200安装有数据挖掘工具226。数据挖掘工具226是如下所述的工具,即,用于基于具备特征量生成程序174及异常探测引擎140的控制装置100所收集的与控制对象相关的原始数据,来生成适合于探测在控制对象中产生的异常的异常探测参数136及学习数据134。所述异常探测参数136及学习数据134的生成,可包含异常探测参数136及学习数据134的决定与调整(变更)的概念。
数据挖掘工具226包括数据访问部2262、决定部2264、PLC仿真器2260以及以上说明的评价部2270及调整部2271。数据挖掘工具226中的PLC仿真器2260主要作为程序而提供,其他的各部是包含程序或电路(ASIC、FPGA等)而提供。
数据访问部2262包含供支持装置200与控制装置100交换数据的模块。具体而言,数据访问部2262将从存储卡116等存储介质经由驱动器204而读出的时间序列的原始数据132、得分值147及事件日志146保存至内部DB224中。而且,数据访问部2262从内部DB224读出支持装置200所决定(调整)的异常探测参数136、学习数据134等,并经由驱动器204而保存至存储卡116中。图6的(1)原始数据收集工序是通过数据访问部2262而实现。
决定部2264包括:学习数据决定部2261,相当于机械学习引擎,通过实施机械学习而生成(决定)学习数据134;以及参数决定部2263,决定异常探测参数136。
支持装置200具备一仿真器,所述仿真器在支持装置200的处理器(计算机)上对控制装置100所执行的处理(程序)进行仿真。具体而言,支持装置200所具备的仿真器是通过对PLC引擎150进行仿真的PLC仿真器2260而实现。
PLC仿真器2260包含对控制程序160进行仿真的控制程序仿真器2265、对控制装置100的系统程序进行仿真的系统程序仿真器2267、及对排程器152进行仿真的排程器仿真器2269。
控制程序仿真器2265包含对监控处理进行仿真的监控处理仿真器2272,系统程序仿真器2267包含对变量管理器154进行仿真的变量管理器仿真器2268。监控处理仿真器2272包含对异常探测引擎140进行仿真的仿真器、及对特征量生成程序174进行仿真的特征量生成程序仿真器2266。
图6的(2)数据挖掘工序是通过数据挖掘工具226而实现。而且,(3)特征量收集工序是通过特征量生成程序仿真器2266使用内部DB224的时间序列的原始数据132对特征量生成程序174进行仿真而实现。
这样,PLC仿真器2260再现控制装置100中的、“监控处理部”对控制对象状态的监控处理。
而且,支持装置200如上所述般包括:评价部2270,评价控制装置100所保持的异常探测参数136或学习数据134的合理性;以及调整部2271,用于调整(变更)控制装置100所保持的异常探测参数136或学习数据134。
<K.变形例>
所述实施方式中,学习数据134是由支持装置200所生成,并对控制装置100进行设定,但学习数据134也可为预先给予者。而且,学习数据134也可为根据控制对象为异常状态时的特征量而生成者,或者还可为根据控制对象为正常状态时的特征量而生成者。
而且,在支持装置200中,根据时间序列的原始数据132的、特征量的生成是通过使特征量生成程序仿真器2266执行而生成,但生成方法并不限定于使用仿真器的方法。例如,也可通过支持装置200执行具备与控制装置100的特征量生成程序174同样的功能的程序而生成特征量。
<J.附注>
如上所述的本实施方式包含以下所述的技术思想。
[结构1]
一种控制系统1,其包括:
控制装置100,对控制对象进行控制;以及
信息处理装置200,可与所述控制装置进行数据交换,
其中,所述控制装置包括:
运算处理部件162,执行与所述控制对象相关的序列控制及运动控制的控制运算;
收集部件154,执行与所述控制对象相关联的数据的收集处理;以及
监控处理部件174、140,执行所述控制对象的状态的监控处理,
所述监控处理部件包括:
特征量生成部件174,执行根据所述收集部件所收集的数据来生成特征量的特征量生成处理;以及
探测部件140,执行异常探测处理,所述异常探测处理是使用所述特征量生成部件所生成的特征量与异常探测参数136,来探测所述控制对象中产生的异常,所述异常探测参数136是基于机械学习的结果而设定且适合于探测所述控制对象中产生的异常,
所述信息处理装置包括监控仿真器2272,所述监控仿真器2272使用来自所述控制装置的与所述控制对象相关联的数据,来执行所述监控处理部件的监控处理的仿真。
[结构2]
根据结构1所述的控制系统,其中,
所述控制装置还包括数据库131,所述数据库131将所述收集部件所收集的与所述控制对象相关联的数据132按照时间序列予以保存,
所述信息处理装置的所述监控仿真器所使用的与所述控制对象相关联的数据包含所述控制装置的所述数据库的数据。
[结构3]
根据结构1或2所述的控制系统,其中,
所述信息处理装置还包括部件2270,所述部件2270基于所述监控处理的仿真结果,来评价所述控制装置所保持的所述异常探测参数是否适合于探测所述控制对象中产生的异常的合理性。
[结构4]
根据结构1至3中任一项所述的控制系统,其中,
所述控制装置周期执行所述收集部件的数据收集及所述运算处理部件的控制运算,
所述控制装置还包括执行管理部件152,所述执行管理部件152执行下述周期执行处理,即,在所述周期执行处理中,使所述收集部件的数据收集及所述运算处理部件的控制运算以比所述监控处理部件的所述监控处理高的优先级来执行,
所述信息处理装置包括周期执行仿真器2269,所述周期执行仿真器2269对所述执行管理部件的所述周期执行处理进行仿真,
在所述周期执行仿真器对周期执行处理的仿真中,所述监控仿真器执行对监控处理的仿真。
[结构5]
根据结构4所述的控制系统,其中,
所述信息处理装置还包括一部件,所述部件基于所述周期执行处理的仿真结果,来评价所述控制装置所保持的所述异常探测参数是否适合于探测所述控制对象中产生的异常的合理性。
[结构6]
根据结构5所述的控制系统,其中,
基于所述周期执行处理仿真结果的所述合理性评价包含:基于所述周期执行处理仿真中的所述监控处理的仿真所耗费的时间和所述周期长度的比较结果的、所述合理性评价。
[结构7]
根据结构1至6中任一项所述的控制系统,其中,
所述控制装置还包括数据库131,所述数据库131将所述收集部件所收集的与所述控制对象相关联的数据按照时间序列予以保存,
所述信息处理装置还包括:
时间序列特征量生成部件,根据所述控制装置的所述数据库的与所述控制对象相关联的数据的时间序列数据来生成特征量;以及
决定部件2264,使用由所述时间序列特征量生成部件所生成的所述特征量来实施机械学习,由此来决定适合于探测所述控制对象中产生的异常的异常探测参数。
[结构8]
根据结构7所述的控制系统,其中,
所述监控仿真器包括特征量生成仿真器2266,所述特征量生成仿真器2266执行所述特征量生成部件的特征量生成处理的仿真,
所述时间序列特征量生成部件包括一部件,所述部件使用所述数据库的时间序列数据来使所述特征量生成仿真器执行所述特征量生成处理的仿真,从而根据所述时间序列数据来生成特征量。
[结构9]
根据结构1至8中任一项所述的控制系统,其中,
适合于探测所述控制对象中产生的异常的异常探测参数包含阈值TH、304,所述阈值TH、304用于将所述特征量生成部件所生成的特征量分类为适合于探测所述控制对象中产生的异常的、特征量的等级。
[结构10]
根据技术方案[结构]9所述的控制系统,其中,
所述控制装置保持适合于探测所述控制对象中产生的异常的特征量的等级134,
所述控制装置在所述监控处理的执行中,使用所述特征量生成部件所生成的特征量来更新所述等级的特征量。
[结构11]
一种控制方法,是由信息处理装置200来执行,所述信息处理装置200可与对控制对象进行控制的控制装置100进行数据交换,其中,
所述控制装置包括:
运算处理部件162,执行与所述控制对象相关的序列控制及运动控制的控制运算;
收集部件154,执行与所述控制对象相关联的数据的收集处理;以及
监控处理部件174、140,执行所述控制对象的状态的监控处理,
所述监控处理部件包括:
特征量生成部件174,执行根据所述收集部件所收集的数据来生成特征量的特征量生成处理;以及
探测部件140,执行异常探测处理,所述异常探测处理是使用所述特征量生成部件所生成的特征量与异常探测参数136,来探测所述控制对象中产生的异常,所述异常探测参数136是基于机械学习的结果而设定且适合于探测所述控制对象中产生的异常,
所述控制方法包括下述步骤:
从所述控制装置受理与所述控制对象相关联的数据;以及
使用从所述控制装置受理的与所述控制对象相关联的数据,执行所述监控处理部件的监控处理的仿真。
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,其包括:
控制装置,对控制对象进行控制;以及
信息处理装置,与所述控制装置进行数据交换,
所述控制装置包括:
运算处理部件,执行与所述控制对象相关的序列控制及运动控制的控制运算;
收集部件,执行与所述控制对象相关联的数据的收集处理;
数据库,将所述收集部件所收集的与所述控制对象相关联的数据按照时间序列予以保存;以及
监控处理部件,执行所述控制对象的状态的监控处理,
所述监控处理部件包括:
特征量生成部件,执行根据所述收集部件所收集的数据来生成特征量的特征量生成处理;以及
探测部件,执行异常探测处理,所述异常探测处理是使用所述特征量生成部件所生成的特征量与异常探测参数,来探测所述控制对象中产生的异常,所述异常探测参数是基于机械学习的结果而设定且适合于探测所述控制对象中产生的异常,
所述信息处理装置包括监控仿真器,所述监控仿真器使用来自所述控制装置的与所述控制对象相关联的数据,来执行所述监控处理部件的监控处理的仿真,其中,
所述信息处理装置还包括:
时间序列特征量生成部件,根据所述控制装置的所述数据库的与所述控制对象相关联的数据的时间序列数据来生成特征量;以及
决定部件,使用由所述时间序列特征量生成部件所生成的所述特征量来实施机械学习,由此来决定适合于探测所述控制对象中产生的异常的所述异常探测参数。
2.根据权利要求1所述的控制系统,其中,
所述控制装置还包括数据库,所述数据库将所述收集部件所收集的与所述控制对象相关联的数据按照时间序列予以保存,
所述信息处理装置的所述监控仿真器所使用的与所述控制对象相关联的数据包含所述控制装置的所述数据库的数据。
3.根据权利要求1或2所述的控制系统,其中,
所述信息处理装置还包括一部件,所述部件基于所述监控处理的仿真结果,来评价所述控制装置所保持的所述异常探测参数是否适合于探测所述控制对象中产生的异常的合理性。
4.根据权利要求1或2所述的控制系统,其中,
所述控制装置周期执行所述收集部件的数据收集及所述运算处理部件的控制运算,
所述控制装置还包括执行管理部件,所述执行管理部件执行下述周期执行处理,即,在所述周期执行处理中,使所述收集部件的数据收集及所述运算处理部件的控制运算以比所述监控处理部件的所述监控处理高的优先级来执行,
所述信息处理装置包括周期执行仿真器,所述周期执行仿真器对所述执行管理部件的所述周期执行处理进行仿真,
在所述周期执行仿真器对所述周期执行处理的仿真中,所述监控仿真器执行对所述监控处理的仿真。
5.根据权利要求4所述的控制系统,其中,
所述信息处理装置还包括一部件,所述部件基于所述周期执行处理的仿真结果,来评价所述控制装置所保持的所述异常探测参数是否适合于探测所述控制对象中产生的异常的合理性。
6.根据权利要求5所述的控制系统,其中,
基于所述周期执行处理仿真结果的所述合理性评价包含:基于所述周期执行处理仿真中的所述监控处理的仿真所耗费的时间和所述周期长度的比较结果的、所述合理性的评价。
7.根据权利要求6所述的控制系统,其中,
所述监控仿真器包括特征量生成仿真器,所述特征量生成仿真器执行所述特征量生成部件的特征量生成处理的仿真,
所述时间序列特征量生成部件包括一部件,所述部件使用所述数据库的时间序列数据来使所述特征量生成仿真器执行所述特征量生成处理的仿真,从而根据所述时间序列数据来生成所述特征量。
8.根据权利要求1或2所述的控制系统,其中,
适合于探测所述控制对象中产生的异常的异常探测参数包含一阈值,所述阈值用于将所述特征量生成部件所生成的特征量分类为适合于探测所述控制对象中产生的异常的、特征量的等级。
9.根据权利要求8所述的控制系统,其中,
所述控制装置保持适合于探测所述控制对象中产生的异常的特征量的等级,
所述控制装置在所述监控处理的执行中,使用所述特征量生成部件所生成的所述特征量来更新所述等级的特征量。
10.一种控制方法,是由信息处理装置来执行,所述信息处理装置与对控制对象进行控制的控制装置进行数据交换,所述控制方法的特征在于,
所述控制装置包括:
运算处理部件,执行与所述控制对象相关的序列控制及运动控制的控制运算;
收集部件,执行与所述控制对象相关联的数据的收集处理;
数据库,所述数据库将所述收集部件所收集的与所述控制对象相关联的数据按照时间序列予以保存;以及
监控处理部件,执行所述控制对象的状态的监控处理,
所述监控处理部件包括:
特征量生成部件,执行根据所述收集部件所收集的数据来生成特征量的特征量生成处理;以及
探测部件,执行异常探测处理,所述异常探测处理是使用所述特征量生成部件所生成的特征量与异常探测参数,来探测所述控制对象中产生的异常,所述异常探测参数是基于机械学习的结果而设定且适合于探测所述控制对象中产生的异常,
所述控制方法包括下述步骤:
从所述控制装置受理与所述控制对象相关联的数据;
使用从所述控制装置受理的与所述控制对象相关联的数据,执行所述监控处理部件的监控处理的仿真;
根据所述控制装置的所述数据库的与所述控制对象相关联的数据的时间序列数据来生成时间序列的特征量;以及
使用所述时间序列的特征量来实施机械学习,由此来决定适合于探测所述控制对象中产生的异常的所述异常探测参数。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018-044474 | 2018-03-12 | ||
JP2018044474A JP6965798B2 (ja) | 2018-03-12 | 2018-03-12 | 制御システムおよび制御方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110262279A CN110262279A (zh) | 2019-09-20 |
CN110262279B true CN110262279B (zh) | 2022-05-03 |
Family
ID=64664868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811516913.3A Active CN110262279B (zh) | 2018-03-12 | 2018-12-12 | 控制系统以及控制方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10816951B2 (zh) |
EP (1) | EP3540532B1 (zh) |
JP (1) | JP6965798B2 (zh) |
CN (1) | CN110262279B (zh) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6545728B2 (ja) * | 2017-01-11 | 2019-07-17 | 株式会社東芝 | 異常検知装置、異常検知方法、および異常検知プログラム |
US11604934B2 (en) * | 2019-05-29 | 2023-03-14 | Nec Corporation | Failure prediction using gradient-based sensor identification |
JP7359601B2 (ja) * | 2019-09-03 | 2023-10-11 | 株式会社日立製作所 | データ抽出装置、データ抽出方法、およびデータ抽出プログラム |
US11321304B2 (en) | 2019-09-27 | 2022-05-03 | International Business Machines Corporation | Domain aware explainable anomaly and drift detection for multi-variate raw data using a constraint repository |
JP7415436B2 (ja) | 2019-10-25 | 2024-01-17 | 横河電機株式会社 | プログラム及び情報処理装置 |
US11982987B2 (en) | 2020-01-31 | 2024-05-14 | Keyence Corporation | Programmable logic controller and analyzer |
CN111523078B (zh) * | 2020-04-10 | 2023-11-03 | 北京阿帕科蓝科技有限公司 | 一种骑行车辆减震器数据异常检测方法、多人骑行检测系统及电动骑行车辆 |
US11435715B2 (en) * | 2020-05-14 | 2022-09-06 | Hitachi, Ltd. | System and method for detecting change over in manufacturing field |
CN113759749B (zh) * | 2020-06-02 | 2024-05-03 | 青岛海信日立空调系统有限公司 | 一种冷水机组仿真系统 |
JP2022128824A (ja) * | 2021-02-24 | 2022-09-05 | オムロン株式会社 | 情報処理装置、情報処理プログラムおよび情報処理方法 |
JP2023051402A (ja) * | 2021-09-30 | 2023-04-11 | オムロン株式会社 | 制御システム、情報処理方法および情報処理装置 |
JP7374379B1 (ja) * | 2022-10-14 | 2023-11-06 | 三菱電機株式会社 | データ収集装置、データ収集システム、データベース作成方法及びプログラム |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101635106A (zh) * | 2009-09-02 | 2010-01-27 | 河南省电力公司鹤壁供电公司 | 集控站仿真培训系统 |
CN103995500A (zh) * | 2013-02-15 | 2014-08-20 | 欧姆龙株式会社 | 控制器、信息处理装置及程序 |
CN106062646A (zh) * | 2014-03-14 | 2016-10-26 | 欧姆龙株式会社 | 控制装置 |
CN107346466A (zh) * | 2017-05-26 | 2017-11-14 | 国网山东省电力公司淄博供电公司 | 一种电力调度系统的控制方法及装置 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4371651B2 (ja) * | 2002-11-13 | 2009-11-25 | キヤノンアネルバ株式会社 | 電子部品製造装置の遠隔監視のための装置およびシステム |
US7162312B2 (en) * | 2003-09-24 | 2007-01-09 | Siemens Aktiengesellschaft | Method, system and device for predictive error recognition in a plant |
US7738975B2 (en) * | 2005-10-04 | 2010-06-15 | Fisher-Rosemount Systems, Inc. | Analytical server integrated in a process control network |
JP2008084009A (ja) * | 2006-09-27 | 2008-04-10 | Toshiba Corp | マルチプロセッサシステム |
DE102009030842A1 (de) * | 2009-06-26 | 2010-12-30 | Siemens Aktiengesellschaft | Emulation eines Automatisierungssystems |
US20120245710A1 (en) * | 2011-03-22 | 2012-09-27 | General Electric Company | Control system with state capture and restoration |
WO2013010569A1 (en) * | 2011-07-15 | 2013-01-24 | European Space Agency | Method and apparatus for monitoring an operational state of a system on the basis of telemetry data |
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 |
JP6148316B2 (ja) * | 2015-07-31 | 2017-06-14 | ファナック株式会社 | 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム |
WO2017115162A1 (en) * | 2015-12-31 | 2017-07-06 | Abb Schweiz Ag | Method and system for testing distributed control systems of industrial plants |
US10012979B2 (en) * | 2016-01-20 | 2018-07-03 | Rockwell Automation Technologies, Inc. | Emulated industrial control execution rate scaling |
JP6496274B2 (ja) | 2016-05-27 | 2019-04-03 | ファナック株式会社 | 寿命故障条件を学習する機械学習装置,故障予知装置,機械システムおよび機械学習方法 |
JP2018041217A (ja) * | 2016-09-06 | 2018-03-15 | 東京エレクトロン株式会社 | 異常検知方法及び半導体製造装置 |
US11221611B2 (en) * | 2018-01-24 | 2022-01-11 | Milwaukee Electric Tool Corporation | Power tool including a machine learning block |
-
2018
- 2018-03-12 JP JP2018044474A patent/JP6965798B2/ja active Active
- 2018-12-10 EP EP18211275.5A patent/EP3540532B1/en active Active
- 2018-12-12 CN CN201811516913.3A patent/CN110262279B/zh active Active
- 2018-12-14 US US16/219,973 patent/US10816951B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101635106A (zh) * | 2009-09-02 | 2010-01-27 | 河南省电力公司鹤壁供电公司 | 集控站仿真培训系统 |
CN103995500A (zh) * | 2013-02-15 | 2014-08-20 | 欧姆龙株式会社 | 控制器、信息处理装置及程序 |
CN106062646A (zh) * | 2014-03-14 | 2016-10-26 | 欧姆龙株式会社 | 控制装置 |
CN107346466A (zh) * | 2017-05-26 | 2017-11-14 | 国网山东省电力公司淄博供电公司 | 一种电力调度系统的控制方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110262279A (zh) | 2019-09-20 |
JP2019159697A (ja) | 2019-09-19 |
US20190278247A1 (en) | 2019-09-12 |
JP6965798B2 (ja) | 2021-11-10 |
US10816951B2 (en) | 2020-10-27 |
EP3540532A1 (en) | 2019-09-18 |
EP3540532B1 (en) | 2022-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110262279B (zh) | 控制系统以及控制方法 | |
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 | |
US10591886B2 (en) | Control system, control program, and control method for device switching responsive to abnormality detection | |
CN108693822B (zh) | 控制装置、存储介质、控制系统及控制方法 | |
EP2500791A1 (en) | System and method of simulating input/output modules in a control system | |
WO2022030041A1 (ja) | 予測システム、情報処理装置および情報処理プログラム | |
US11829130B2 (en) | Control apparatus and non-transitory computer readable medium for detecting abnormality occurring in subject to be monitored | |
JP7102801B2 (ja) | 制御システム、制御装置および表示装置 | |
JP7151312B2 (ja) | 制御システム | |
US20220414555A1 (en) | Prediction system, information processing apparatus, and information processing program | |
WO2022270056A1 (ja) | 予測システム、情報処理装置および情報処理プログラム | |
WO2022176375A1 (ja) | 予測システム、情報処理装置および情報処理プログラム | |
WO2022181007A1 (ja) | 情報処理装置、情報処理プログラムおよび情報処理方法 | |
US12008072B2 (en) | Control system and control method | |
WO2020240945A1 (ja) | 制御システム、制御装置および制御プログラム | |
US20220044060A1 (en) | Control system and control method | |
JP2023151888A (ja) | 予測システム、制御装置および制御プログラム | |
JP2023151755A (ja) | 情報処理装置および情報処理プログラム |
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 |