CN112513893B - 数据解析装置、系统、方法及程序 - Google Patents

数据解析装置、系统、方法及程序 Download PDF

Info

Publication number
CN112513893B
CN112513893B CN201880096176.8A CN201880096176A CN112513893B CN 112513893 B CN112513893 B CN 112513893B CN 201880096176 A CN201880096176 A CN 201880096176A CN 112513893 B CN112513893 B CN 112513893B
Authority
CN
China
Prior art keywords
data
waveforms
waveform
learning
group
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
CN201880096176.8A
Other languages
English (en)
Other versions
CN112513893A (zh
Inventor
那须督
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.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric 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 Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of CN112513893A publication Critical patent/CN112513893A/zh
Application granted granted Critical
Publication of CN112513893B publication Critical patent/CN112513893B/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
    • 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
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明所涉及的数据解析装置(1)具有数据收集部(131)和数据整理部(135)。数据收集部(131)对从与数据解析装置(1)连接的仪器输入的输入信号进行收集。数据整理部(135)去除由数据收集部(131)收集到的输入信号所包含的波形中出现频度低于基准的波形。数据整理部(135)收集输入信号所包含的波形中出现频率高于基准的波形而生成学习用数据。

Description

数据解析装置、系统、方法及程序
技术领域
本发明涉及数据解析装置、系统、方法及程序。
背景技术
在工厂中，使用工业用机器人、传感器、定序器等FA(Factory Automation)仪器来推进生产工序的自动化。要求FA仪器稳定且正常地运转。因此，开发了对FA仪器是正常还是故障进行诊断、在诊断为故障的情况下迅速告知该情况的诊断装置。
例如，在专利文献1中公开了一种诊断系统，其在机械设备的运转时，通过判定从传感器输出的信号的波形是否正常，从而对机械设备是否正常进行诊断。该诊断系统对机械设备的传感器的输出信号的波形的正常模型进行学习，基于学习到的正常模型，判定从传感器输出的信号的波形是否正常。
专利文献1：日本特开2017-033470号公报
发明内容
在专利文献1中公开的诊断系统将由传感器检测出的信号的检测值归一化，通过非分层聚类分析法对归一化后的检测值进行分析，生成波形的正常模型。非分层群集分析法将作为分析对象的数据分类至任意数量的聚类。因此，根据向聚类的分类方法，有时分析结果会出现偏差。因此，在专利文献1所公开的诊断系统中，是基于有可能出现偏差的分析结果来生成正常模型。因此，存在难以将正常模型的精度保持得高的问题。
另外，专利文献1所公开的诊断系统对由机械设备上的传感器检测的波形的检测值进行归一化处理，通过非分层聚类分析法对归一化后的检测值进行分析，基于分析结果生成波形的正常模型。因此，存在用于生成波形的正常模型的处理耗费工夫的问题。
如上所述，在专利文献1所公开的诊断系统中，存在难以将波形的正常模型的精度保持得高，另外，用于生成波形的正常模型的处理耗费工夫的问题。因此，存在难以基于波形的正常模型简易地生成高精度的学习用数据的课题。
本发明解决该课题，其目的在于提供一种能够简易地生成高精度的学习用数据的数据解析装置、系统、方法以及程序。
为了实现上述目的，本发明所涉及的数据解析装置具有数据收集部和数据整理部。数据收集部对从与数据解析装置连接的仪器输入的输入信号进行收集。数据整理部去除由数据收集部收集到的输入信号所包含的波形中出现频率低于基准的波形。数据整理部对输入信号所包含的波形中出现频率高于基准的波形进行收集而生成学习用数据。
发明的效果
根据本发明，通过从输入信号所包含的波形去除出现频率低于基准的波形，能够简易地生成高精度的学习用数据。
附图说明
图1是实施方式中的数据解析装置的概要图。
图2是表示实施方式中的数据解析装置的硬件结构的一个例子的框图。
图3A是表示实施方式中的从输入信号剪切波形的方法的概要的图。
图3B是用于说明实施方式中的剪切出的波形数据的分组的方法的一个例子的图。
图3C是表示实施方式中的剪切出的波形数据的分组的一个例子的图。
图3D是用于说明实施方式中的波形数据的删除的图。
图4是实施方式中的学习模式处理的流程图。
图5是实施方式中的诊断模式处理的流程图。
具体实施方式
下面，说明本发明的实施方式所涉及的数据解析装置。该数据解析装置具有学习模式和诊断模式。该数据解析装置在学习模式下，基于从FA(Factory Automation)仪器输出的信号而生成高精度的学习用数据，对该学习用数据进行学习。另外，该数据解析装置在诊断模式下，对学习得到的学习结果和从作为诊断对象的FA仪器输出的监视信号进行比较，对该FA仪器的正常、异常进行诊断。
如图1所示，实施方式所涉及的数据解析装置1具有：通信I/F(Interface)10，其与作为诊断对象的FA仪器2连接；辅助存储部11，其对数据进行存储；外部仪器I/F 12，其与外部仪器3之间对数据进行输入输出；以及处理部13，其对数据进行处理。
通信I/F 10是与作为诊断对象的FA仪器2连接的接口。数据解析装置1经由通信I/F 10接收从FA仪器2输入的输入信号。另外，数据解析装置1经由通信I/F 10向FA仪器2发送控制信号。
辅助存储部11是对在后述处理部13中处理的各种数据进行保存的存储部。
外部仪器I/F 12是与外部仪器3连接的接口。外部仪器3包含具有显示部31和输入部32的输入输出终端。在该外部仪器3中安装有工程工具。工程工具是能够对在后述处理部13的处理中使用的各种参数、设定信息等进行设定的工具。用户能够在工程工具上从外部仪器3的输入部32输入各种参数、设定信息等，经由外部仪器I/F 12保存于辅助存储部11。另外，用户能够使外部仪器3经由外部仪器I/F 12接收在辅助存储部11中保存的各种参数、设定信息等，通过在显示部31上展开的工程工具来查看。
处理部13具有：数据收集部131，其对输入信号进行收集；数据加工部132，其对收集到的信号进行加工；文件保存部133，其将数据保存于辅助存储部11；数据学习部134，其对学习用数据进行学习；数据整理部135，其生成学习用数据；数据判定部136，其对作为监视对象的波形数据是否与学习用数据一致进行判定；响应执行部137，其向作为诊断对象的FA仪器2发送响应信号；以及参数设定部138，其对参数进行设定。如后所述，上述各功能模块由处理器和该处理器执行的软件实现。
数据收集部131经由通信I/F 10对从FA仪器2输入的输入信号进行收集。数据加工部132将由数据收集部131收集到的来自FA仪器2的输入信号的波形加工成在之后容易处理的形状。输入信号的波形的加工例如是对输入信号的波形进行边缘处理而使陡峭部分变得鲜明、对噪声多的输入信号的波形进行平滑化而使波形钝化等。文件保存部133将由数据加工部132加工后的输入信号保存于辅助存储部11。
数据学习部134对在辅助存储部11中保存的由数据加工部132加工后的输入信号进行学习。该学习是指，对在辅助存储部11中保存的输入信号进行分割，生成部分波形，将该部分波形按类似的部分波形进行分组，决定成为各组的代表的代表波形。数据学习部134将分组后的部分波形保存于辅助存储部11。另外，数据学习部134将各组的代表波形作为学习结果保存于辅助存储部11。后面详细叙述该数据学习部134的处理。
数据整理部135包含于数据学习部134中。数据整理部135对在辅助存储部11中保存的分组后的部分波形进行整理。该整理是指，删除各组中包含的部分波形的出现频率低于或等于基准的组，仅保留部分波形的出现频率大于或等于基准的组。数据整理部135基于整理后保留的组，生成学习用数据。数据整理部135将所生成的学习用数据保存于辅助存储部11。后面详细叙述该数据整理部135的处理。
数据判定部136基于在辅助存储部11中保存的学习结果，判定从作为诊断对象的FA仪器2输入的监视信号的波形数据是否与学习用数据一致。数据判定部136将判定结果保存于辅助存储部11。另外，数据判定部136将判定结果发送至响应执行部137。此外，在数据判定部136中，判定从作为诊断对象的FA仪器2输入的监视信号的波形数据是否与学习用数据一致的动作和将判定结果保存于辅助存储部11的动作是仅在诊断模式下进行的动作。
响应执行部137基于从数据判定部136接收到的判定结果，向作为诊断对象的FA仪器2发送响应信号。例如，在从作为诊断对象的FA仪器2输入的监视信号与正常模型一致的情况下，从数据判定部136接收一致这一判定结果。响应执行部137等待至接收下一个判定结果为止。另外，在从作为诊断对象的FA仪器2输入的监视信号与正常模型不一致的情况下，响应执行部137从数据判定部136接收不一致这一判定结果。响应执行部137经由通信I/F 10向作为诊断对象的FA仪器2发送与判定结果相应的信号。与该判定结果相应的信号例如是用于使作为诊断对象的FA仪器2的动作停止的停止信号、用于使作为诊断对象的FA仪器2的动作减速的减速指示信号、用于使作为诊断对象的FA仪器2进行用户希望的动作的信号等。此外，例如能够通过在外部仪器3上运行的工程工具来设定发送何种信号作为与判定结果相应的信号。
参数设定部138经由外部仪器I/F 12与外部仪器3连接。参数设定部138按照来自外部仪器3的指示，在辅助存储部11中对各种参数进行登记以及更新，另外，按照来自外部仪器3的指示，读出在辅助存储部11中登记的参数而提供给外部仪器3。
数据解析装置1的学习模式和诊断模式通过处理部13的各功能模块进行动作而实现。在学习模式下，数据收集部131、数据加工部132、文件保存部133、数据学习部134和数据整理部135进行动作。在诊断模式下，数据收集部131、数据加工部132、数据判定部136和响应执行部137进行动作。此外，在诊断模式下，通过使文件保存部133、数据学习部134、数据整理部135也进行动作，还能够与FA仪器2的诊断同时地执行学习，对学习结果进行更新。关于学习模式和诊断模式的动作，其详情在后面叙述。
图2是表示数据解析装置1的硬件结构的一个例子的图。数据解析装置1在硬件方面具有辅助存储装置101、存储器102、处理器103、通信端口104、画面显示输出部105、I/O端口106和内部总线107。辅助存储装置101、存储器102、处理器103、通信端口104、画面显示输出部105、I/O端口106通过内部总线107而相互连接。
辅助存储装置101是用于实现图1所示的辅助存储部11的存储装置。在辅助存储装置101中保存有在后述处理器103中执行的各种程序、各种数据等。辅助存储装置101包含闪存、EPROM(Erasable Programmable Read Only Memory)、EEPROM(Electrically ErasableProgrammable Read Only Memory)这样的非易失性或者易失性的半导体存储器、磁盘、软盘、光盘、压缩盘、迷你盘、DVD(Digital Versatile Disc)等存储元件以及存储介质。
存储器102是由处理器103读入在辅助存储装置101中保存的各种程序的存储元件。存储器102包含RAM(Random Access Memory)、闪存等能够高速写入数据的非易失性或者易失性的半导体存储器。
处理器103是将在辅助存储装置101中保存的各种程序读入至上述存储器102而执行的运算处理装置。通过处理器103构成图1所示的处理部13。处理器103包含CPU(CentralProcessing Unit)、MPU(Micro-processing Unit)等运算处理装置。
通信端口104是用于将FA仪器2与数据解析装置1连接的接口。通信端口104能够使用以太网(注册商标)、各种通信接口等。由通信端口104构成图1所示的通信I/F 10。
画面显示输出部105是生成由外部仪器3的显示部31显示的图像的图像生成装置。画面显示输出部105能够使用显卡、GPU(Graphics Processing Unit)、图形板等影像信号输出装置。
另外，外部仪器3的显示部31包含LCD(Liquid Crystal Display)、有机EL(Electro-Luminescence)面板等显示接口装置。外部仪器3的输入部32包含键盘、触摸面板等能够输入信息的输入装置。而且，外部仪器3是具有上述的显示部31以及输入部32的输入输出终端。例如，包含个人计算机、平板型终端等。
I/O端口106是用于在外部仪器3与数据解析装置1之间收发数据的接口。通过I/O端口106实现图1所示的外部仪器I/F 12。
实施方式所涉及的数据解析装置1在学习模式下，基于从FA仪器2输出的信号而生成高精度的学习用数据，对该学习用数据进行学习。该高精度的学习用数据是从由FA仪器2输出的信号的波形仅保留正常模型而得到的。参照图3A至图3D，对从由FA仪器2输出的信号的波形仅保留正常模型的方法进行说明。该方法在图1所示的数据学习部134以及数据整理部135中执行。
图3A中例示了从FA仪器2输入至数据解析装置1的输入信号。例如，该输入信号的波形的平坦部分是表示在FA仪器2中未执行工件的加工等运转过程的区间。另外，该输入信号的波形的不平坦部分是表示在FA仪器2中执行了工件的加工等运转过程的区间。
首先，在数据学习部134中，将从FA仪器2输入至数据解析装置1的输入信号从开头起依次以预先确定的区间W进行剪切。具体而言，相对于时间t，在使区间W重叠的同时以1个采样期间为单位使该区间W进行移动，对输入信号的波形进行剪切。下面，将该剪切出的输入信号的波形称为部分波形。
将该部分波形与以前的区间的部分波形进行循环比较，按照预先确定的判断基准来判定是否类似。这里，类似是指某个波形的形状与成为基准的波形的形状之差小于或等于预先确定的阈值。波形的形状之差能够通过已知的各种类似度运算而求出。
在下面的说明中，作为部分波形彼此的比较方法，例如，使用如下方法，即，使任意2个部分波形重叠，求出各个采样点处的波高值之差的平方和。在任意2个部分波形的形状一致的情况下，各个采样点处的波高值之差是0，该差的平方和也是0。因此，部分波形彼此越类似，则各个采样点处的波高值之差的平方和越小，部分波形彼此越不类似，则各个采样点处的波高值之差的平方和越大。因此，如果各个采样点之差的波高值的平方和小于或等于预先确定的阈值，则判定为部分波形彼此类似。如果各个采样点处的波高值之差的平方和大于或等于预先确定的阈值，则判定为部分波形彼此不类似。此外，该阈值例如由在外部仪器3上运行的工程工具设定。
接着，按照预先确定的分类基准，对类似的部分波形彼此进行分组。该分组由图1所示的数据学习部134执行。下面，参照图3B说明数据分组的方法的一个例子。
如图3B所示，以区间W10、W11、W12、W13、W14…对输入信号进行剪切。区间W10、W11、W12、W13、W14…分别具有相同的长度，各移动一个采样期间而相互重叠。此外，后述的区间W20～W29、区间W30～W39也与区间W10～W19相同。
如果区间W10是初始区间，则不存在与区间W10的部分波形进行比较的部分波形，因此将区间W10的部分波形分类至新的组，这里是分类至A-1组。
接着，将区间W11的部分波形与区间W10的部分波形进行比较。这里，假设区间W10的部分波形与区间W11的部分波形类似。在该情况下，区间W11的部分波形也被分类至A-1组。
接着，将区间W12的部分波形与A-1组的第一个波形即区间W10的部分波形进行比较。这里，假设区间W12的部分波形与A-1组的第一个波形即区间W10的部分波形不类似。在该情况下，将区间W12的部分波形分类至与区间W10的部分波形所属的A-1组不同的组即A-2组。
接着，将区间W13的部分波形与A-1组的第一个部分波形即区间W10的部分波形以及A-2组的第一个部分波形即区间W12的部分波形进行比较。这里，假设区间W13的部分波形与A-1组的第一个部分波形即区间W10的部分波形以及A-2组的第一个部分波形即区间W12的部分波形不类似。在该情况下，将区间W13的部分波形分类至与区间W10的部分波形所属的A-1组以及区间W12的部分波形所属的A-2组不同的组即A-3组。
接着，将区间W14的部分波形与A-1组的第一个部分波形即区间W10的部分波形、A-2组的第一个部分波形即区间W12的部分波形以及A-3组的第一个部分波形即区间W13的部分波形进行比较。这里，假设区间W14的部分波形与A-1组的第一个部分波形即区间W10的部分波形以及A-2组的第一个部分波形即区间W12的部分波形不类似，而与A-3组的第一个部分波形即区间W13的部分波形类似。在该情况下，将区间W14的部分波形分类至A-3组。
接着，将区间W15的部分波形与A-1组的第一个部分波形即区间W10的部分波形、A-2组的第一个部分波形即区间W12的部分波形以及A-3组的第一个部分波形即区间W13的部分波形进行比较。这里，假设区间W15的部分波形与A-1组的第一个部分波形即区间W10的部分波形以及A-2组的第一个部分波形即区间W12的部分波形不类似，而与A-3组的第一个部分波形即区间W13的部分波形类似。在该情况下，将区间W15的部分波形分类至A-3组。
接着，将区间W16的部分波形与A-1组的第一个部分波形即区间W10的部分波形、A-2组的第一个部分波形即区间W12的部分波形以及A-3组的第一个部分波形即区间W13的部分波形进行比较。这里，假设区间W16的部分波形与A-1组的第一个部分波形即区间W10的部分波形、A-2组的第一个部分波形即区间W12的部分波形以及A-3组的第一个部分波形即区间W13的部分波形不类似。在该情况下，将区间W16的部分波形分类至与区间W10的部分波形所属的A-1组、区间W12的部分波形所属的A-2组以及区间W13的部分波形所属的A-3组不同的组即A-4组。
接着，将区间W17的部分波形与A-1组的第一个部分波形即区间W10的部分波形、A-2组的第一个部分波形即区间W12的部分波形、A-3组的第一个部分波形即区间W13的部分波形以及A-4组的第一个部分波形即区间W16的部分波形进行比较。这里，假设区间W17的部分波形与A-1组的第一个部分波形即区间W10的部分波形、A-2组的第一个部分波形即区间W12的部分波形以及A-3组的第一个部分波形即区间W13的部分波形不类似，而与A-4组的第一个部分波形即区间W16的部分波形类似。在该情况下，将区间W17的部分波形分类至A-4组。
将区间W18的部分波形与A-1组的第一个部分波形即区间W10的部分波形、A-2组的第一个部分波形即区间W12的部分波形、A-3组的第一个部分波形即区间W13的部分波形以及A-4组的第一个部分波形即区间W16的部分波形进行比较。这里，假设区间W18的部分波形与A-1组的第一个部分波形即区间W10的部分波形、A-2组的第一个部分波形即区间W12的部分波形以及A-3组的第一个部分波形即区间W13的部分波形不类似，而与A-4组的第一个部分波形即区间W16的部分波形类似。在该情况下，将区间W18的部分波形分类至A-4组。
接着，将区间W19的部分波形与A-1组的第一个波形即区间W10的部分波形、A-2组的第一个波形即区间W12的部分波形、A-3组的第一个波形即区间W13的部分波形以及A-4组的第一个波形即区间W16的部分波形进行比较。这里，假设区间W19的部分波形与A-1组的第一个波形即区间W10的部分波形、A-2组的第一个波形即区间W12的部分波形、A-3组的第一个波形即区间W13的部分波形以及A-4组的第一个波形即区间W16的部分波形不类似。在该情况下，将区间W19的部分波形分类至与区间W10的部分波形所属的A-1组、区间W12的部分波形所属的A-2组、区间W13的部分波形所属的A-3组以及区间W16的部分波形所属的A-4组不同的组即A-5组。
在FA仪器2中，例如，如果反复进行对工件依次实施同一加工的运转过程，则从FA仪器2向数据解析装置1输入的输入信号反复着相同的波形。因此，在FA仪器2中，在正常反复进行相同的运转过程期间，反复进行同样的处理。因此，以后，将区间W19及之后的部分波形与A-1～A-5组各自的第一个部分波形进行比较，分类至类似的第一个部分波形所属的组。
接着，在FA仪器2中，在定时(timing)t1，例如在FA仪器2中，开始了对工件进行清洗的新的运转过程。将对开始了该新的运转过程后的输入信号进行切取的区间设为区间W20、区间W21、区间W22…。这里，将紧接在区间W20之前的区间设为区间W1n。另外，假设区间W10～W1n的部分波形全部被分类至A-1～A-5组。
首先，将区间W20的部分波形与A-1～A-5组各自的第一个部分波形进行比较。这里，假设区间W20的部分波形与A-1～A-5组各自的第一个部分波形全都不类似。因此，将区间W20的部分波形分类至与A-1～A-5组不同的B-1组。
接着，将区间W21的部分波形与A-1～A-5组以及B-1组各自的第一个部分波形即区间W20的部分波形进行比较。这里，假设区间W21的部分波形与A-1～A-5组各自的第一个部分波形不类似，而与B-1组的第一个部分波形即区间W20的部分波形类似。在该情况下，将区间W21的部分波形分类至区间W20的部分波形所属的B-1组。
接着，将区间W22的部分波形与A-1～A-5组以及B-1组各自的第一个部分波形即区间W20的部分波形进行比较。这里，假设区间W22的部分波形与比较过的之前的各组的第一个部分波形不类似。在该情况下，将区间W22的部分波形分类至与A-1～A-5组以及区间W20的部分波形所属的B-1组不同的组即B-2组。
将区间W23的部分波形与A-1～A-5组以及B-1、B-2组各自的第一个部分波形进行比较。这里，区间W23的部分波形与B-2组的第一个部分波形即区间W22的部分波形类似。在该情况下，将区间W23的部分波形分类至区间W22的部分波形所属的B-2组。
接着，将区间W24的部分波形与A-1～A-5组以及B-1、B-2组各自的第一个部分波形进行比较。这里，假设区间W24的部分波形与之前的各组的第一个部分波形不类似。在该情况下，将区间W24的部分波形分类至与之前的各组不同的B-3组。
接着，将区间W25、W26的部分波形分别与A-1～A-5组以及B-1～B-3组各自的第一个部分波形进行比较。这里，假设区间W25、W26的部分波形分别与B-3组的第一个部分波形即区间W24的部分波形类似，而与其它组的第一个部分波形不类似。在该情况下，将区间W25、26的部分波形分类至区间W24的部分波形所属的B-3组。
接着，将区间W27的部分波形与A-1～A-5组以及B-1～B-3组各自的第一个部分波形进行比较。这里，假设区间W27的部分波形与之前的各组的第一个部分波形不类似。在该情况下，将区间W27的部分波形分类至与之前的各组不同的B-4组。
接着，将区间W28的部分波形与A-1～A-5组以及B-1～B-4组各自的第一个部分波形进行比较。这里，假设区间W28的部分波形与B-4组的第一个部分波形即区间W27的部分波形类似，而与其它组的第一个部分波形不类似。在该情况下，将区间W28的部分波形分类至区间W27的部分波形所属的B-4组。
接着，将区间W29的部分波形与A-1～A-5组以及B-1～B-4组各自的第一个部分波形进行比较。这里，假设区间W29的部分波形与之前的各组的第一个部分波形不类似。在该情况下，将区间W29的部分波形分类至与之前的各组不同的B-5组。
这里，假设在区间W29刚刚结束之后的定时t2输入了与属于A-1～A-5组以及B-1～B-5组的波形不同的波形。例如，假设产生刀具卡在工件上等错误，以后的波形与之前相比发生了变化。将对在该定时t2及其后输入的输入信号进行剪切的区间设为区间W30、W31、W32、…。
首先，将区间W30的部分波形与A-1～A-5组以及B-1～B-5组各自的第一个部分波形进行比较。这里，假设区间W30的部分波形与A-1～A-5组以及B-1～B-5组各自的第一个部分波形全都不类似。因此，将区间W30的部分波形分类至与A-1～A-5组以及B-1～B-5组不同的C-1组。
接着，将区间W31的部分波形与A-1～A-5组、B-1～B-5组以及C-1组各自的第一个部分波形进行比较。这里，假设区间W31的部分波形与之前的各组的第一个部分波形不类似。在该情况下，将区间W31的部分波形分类至与之前的各组不同的C-2组。
接着，将区间W32的部分波形与A-1～A-5组、B-1～B-5以及C-1～C-2组各自的第一个部分波形进行比较。这里，假设区间W32的部分波形与C-2组的第一个部分波形即区间W31的部分波形类似，而与其它组的第一个部分波形不类似。在该情况下，将区间W32的部分波形分类至区间W31的部分波形所属的C-2组。
接着，将区间W33的部分波形与A-1～A-5组、B-1～B-5以及C-1～C-2组各自的第一个部分波形进行比较。这里，假设区间W33的部分波形与之前的各组的第一个部分波形不类似。在该情况下，将区间W33的部分波形分类至与之前的各组不同的C-3组。
接着，将区间W34、W35的部分波形分别与A-1～A-5组、B-1～B-5以及C-1～C-3组各自的第一个部分波形进行比较。这里，假设区间W34、W35的部分波形分别与C-3组的第一个部分波形即区间W33的部分波形类似，而与其它组的第一个部分波形不类似。在该情况下，将区间W34、W35的部分波形分类至区间W33的部分波形所属的C-3组。
接着，将区间W36的部分波形与A-1～A-5组、B-1～B-5以及C-1～C-3组各自的第一个部分波形进行比较。这里，假设区间W36的部分波形与之前的各组的第一个部分波形不类似。在该情况下，将区间W36的部分波形分类至与之前的各组不同的C-4组。
接着，将区间W37、W38的部分波形分别与A-1～A-5组、B-1～B-5以及C-1～C-4组各自的第一个部分波形进行比较。这里，假设区间W37、W38的部分波形分别与C-4组的第一个部分波形即区间W36的部分波形类似，而与其它组的第一个部分波形不类似。在该情况下，将区间W37、W38的部分波形分类至区间W36的部分波形所属的C-4组。
接着，将区间W39的部分波形与A-1～A-5组、B-1～B-5以及C-1～C-4组各自的第一个部分波形进行比较。这里，假设区间W39的部分波形与之前的各组的第一个部分波形不类似。在该情况下，将区间W39的部分波形分类至与之前的各组不同的C-5组。
这样，将各区间的部分波形与之前的各组的第一个部分波形进行比较，在判别为类似的情况下，分类至类似的部分波形所属的组。另外，在判别为各区间的部分波形与之前的各组的第一个部分波形不类似的情况下，分类至新的组。
如上所述，FA仪器2反复进行对多个工件依次实施同一加工等预先确定的同一运转过程。在该情况下，FA仪器2反复向数据解析装置1输出由预先确定的运转过程产生的输出信号。因此，在正常实施运转过程的情况下，具有与过去的运转过程中输出的信号的波形类似的波形的信号被从FA仪器2向数据解析装置1输出。例如，图3C所示的具有A组的波形、B组的波形等的波形分量的信号从FA仪器2向数据解析装置1输出，该A组的波形表示对多个工件依次实施同一加工的运转过程，该B组的波形表示对工件进行清洗的运转过程。
另一方面，当在运转过程中发生了错误或者故障的情况下，包含与错误发生前的输出信号的波形不类似的波形分量在内的信号被从FA仪器2输出至数据解析装置1。例如，图3C所示的具有C组的波形的波形分量的信号被从FA仪器2向数据解析装置1输出，该C组的波形表示刀具挂在工件上等错误。
FA仪器2在运行期间，运转过程正常动作的时间充分地长于运转过程中发生了错误的时间。因此，在输入信号的波形中，类似的波形的出现频率高于不类似的波形的出现频率。
因此，在输入信号中，如果某个波形的出现频率小于或等于预先确定的阈值，则将该波形视为发生了错误时的错误波形。从输入信号的波形去除被视为错误波形的波形。该处理由图1所示的数据整理部135执行。此外，阈值例如由在外部仪器3上运行的工程工具设定。
在实施方式中，基于各组内的波形的数量，求出出现频率。假设在各组内的波形的数量大于或等于预先确定的阈值的情况下，该波形的出现频率高。另外，假设在各组内的波形的数量小于或等于预先确定的阈值的情况下，该波形的出现频率低。
首先，如图3D所示，图1所示的数据整理部135对组内的波形的数量进行计数。例如，假设A-1组内的波形的数量是60个，A-2组内的波形的数量是58个，A-3组内的波形的数量是62个，A-4组内的波形的数量是65个，A-5组内的波形的数量是55个。另外，假设B-1组内的波形的数量是40个，B-2组内的波形的数量是38个，B-3组内的波形的数量是42个，B-4组内的波形的数量是45个，B-5组内的波形的数量是35个。假设C-1组内的波形的数量是10个，C-2组内的波形的数量是8个，C-3组内的波形的数量是12个，C-4组内的波形的数量是15个，C-5组内的波形的数量是5个。
接着，如果所计数的组内的波形数量小于或等于预先确定的阈值，则数据整理部135删除该组。例如，将预先确定的阈值设为20个。在该情况下，如图3D所示，删除组内的波形数量小于或等于20个的C-1～C-5组。由此，能够去除错误波形，仅保留正常模型的波形。然后，对保留的正常模型的波形进行收集，生成学习用数据。这样，由于去除错误波形，仅对正常模型的波形进行收集而生成学习用数据，因此能够生成高精度的学习用数据。
虽然详情会在后面进行叙述，但图1中所示的数据学习部134基于该学习用数据所包含的各组的波形而决定各组的代表波形。数据学习部134将所决定的各组的代表波形作为学习结果保存于图1所示的辅助存储部11。然后，在后述数据解析装置1的诊断模式下，基于将该学习结果与从作为诊断对象的FA仪器2输入的监视信号的波形进行比较而得到的比较结果，对作为诊断对象的FA仪器2是否正常进行判定。
上述的学习用数据是基于多个组的正常模型的波形而生成的数据。如上所述，组是对类似的波形进行了分组而得到的。即，在组中包含多个相互类似的波形。因此，将学习用数据的波形与监视信号的波形进行比较等同于将类似的波形与监视信号的波形进行多次比较。即使将类似的波形与监视信号的波形进行了多次比较，比较结果每次也是大致相同的结果。因此，并不能得到很有意义的结果。
因此，针对每个组而决定代表波形，将该代表波形与监视信号的波形进行比较。代表波形例如通过采用组内的任意一个波形、将组内的波形的相位合起来取平均等来决定。此外，这里，类似度高是指多个波形各自的采样点之差的平方和是接近0的小值。通过将代表波形与监视信号的波形进行比较，从而与和组内的全部波形进行比较的情况相比，能够减少在诊断模式下执行的比较的次数。即，与和组内的全部波形进行比较的情况相比，能够使诊断模式的处理更早结束。
接着，参照图4以及图5说明数据解析装置1的学习模式和诊断模式的动作的流程。首先，参照图4所示的学习模式处理的流程图，说明数据解析装置1的学习模式的动作流程。该学习模式处理的动作被作为学习模式处理程序而保存于图2所示的辅助存储装置101。学习模式处理程序在数据解析装置1的启动时被从辅助存储装置101读入至存储器102。读入至存储器102的学习模式处理程序由处理器103执行。
用户在使数据解析装置1对运行中的FA仪器2的动作进行监视之前，使数据解析装置1执行学习模式。图1所示的数据解析装置1的数据收集部131经由通信I/F 10从FA仪器2收集输入信号(步骤S10)。数据收集部131从FA仪器2收集输入信号的周期是1个采样期间。该1个采样期间是由在图1所示的外部仪器3上运行的工程工具预先设定的任意的期间。
数据收集部131将收集到的输入信号发送至图1所示的数据加工部132。数据加工部132对输入信号进行加工(步骤S11)。数据加工部132将加工后的输入信号发送至图1所示的文件保存部133。文件保存部133将加工后的输入信号保存于图1所示的辅助存储部11(步骤S12)。
图1所示的数据学习部134读出在辅助存储部11中保存的输入信号。数据学习部134将读出的输入信号以区间W进行分割。具体而言，如上所述，相对于时间t，在使区间W重叠的同时使该区间W以1个采样期间为单位进行移动，对输入信号的波形进行剪切(步骤S13)。
数据学习部134对部分波形彼此进行比较。该比较例如是将部分波形彼此重叠，求出各个采样点的波高值之差的平方和。数据学习部134将各个采样点的波高值之差的平方和小于或等于预先确定的阈值的部分波形作为类似波形，分组至按类似波形划分的组(步骤S14)。
数据整理部135对由数据学习部134分组后的各组内的部分波形的数量进行计数(步骤S15)。数据整理部135删除所计数的组内的部分波形的数量小于或等于预先确定的阈值的组(步骤S16)。这里，将保留的组的数据设为正常模型的数据。数据整理部135对正常模型的数据进行收集而生成学习用数据。数据整理部135将所生成的学习用数据发送至数据学习部134。另外，数据整理部135将学习用数据保存于辅助存储部11。
数据学习部134基于从数据整理部135接收到的学习用数据所包含的各组的波形，决定各组的代表波形(步骤S17)。代表波形例如通过采用组内的任意一个波形、将组内的波形的相位合起来取平均等来决定。数据学习部134将各组的代表波形的数据作为学习结果而保存于辅助存储部11(步骤S18)。
接着，参照图5所示的诊断模式处理的流程图，对数据解析装置1的诊断模式的动作流程进行说明。该诊断模式处理的动作被作为诊断模式处理程序而保存于图2所示的辅助存储装置101。诊断模式处理程序在数据解析装置1的启动时被从辅助存储装置101读入至存储器102。读入至存储器102的诊断模式处理程序由处理器103执行。
用户在使数据解析装置1对运行中的FA仪器2的动作进行监视的情况下，使数据解析装置1执行诊断模式。图1所示的数据解析装置1的数据判定部136从图1所示的辅助存储部11读出学习结果(步骤S20)。该学习结果是在图4所示的学习模式处理的步骤S17中由数据学习部134决定的每个组的代表波形的数据。数据判定部136将读出的学习结果在图2所示的存储器102上展开。由此，数据判定部136在对学习结果进行参照时，能够比从辅助存储部11读出学习结果更高速地对学习结果进行参照。
图1所示的数据解析装置1的数据收集部131经由通信I/F 10对来自作为诊断对象的FA仪器2的输入信号进行收集(步骤S21)。下面，将该输入信号称为监视信号。数据收集部131将收集到的监视信号发送至图1所示的数据加工部132。数据加工部132对监视信号进行加工(步骤S22)。
数据加工部132将加工后的监视信号发送至图1所示的数据判定部136。数据判定部136将在上述的步骤S20中从辅助存储部11读出的学习结果所包含的波形与从数据判定部136接收到的监视信号的波形进行比较(步骤S23)。在该波形的比较中，例如，能够使用取两个波形的每个时间的数据的相关关系的互相关。此外，不限于此，可以使用能够比较两个波形的各种方法。
在学习结果所包含的波形与监视信号的波形类似的情况下(步骤S24：YES)，数据解析装置1将作为诊断对象的FA仪器2的动作判定为正常运转的动作。数据解析装置1反复进行从步骤S21至步骤S24的处理。
在学习结果所包含的波形与监视信号的波形不类似的情况下(步骤S24：NO)，数据判定部136将判定结果发送至图1所示的响应执行部137。响应执行部137基于从数据判定部136接收到的判定结果，经由通信I/F 10将用于执行预先确定的错误发生时的处理的信号发送至作为诊断对象的FA仪器2(步骤S25)。用于执行错误发生时的处理的信号例如是用于使作为诊断对象的FA仪器2停止的停止信号、用于使作为诊断对象的FA仪器2的动作减速的减速指示信号等。数据解析装置1反复进行从步骤S21至步骤S25的处理。
通过从响应执行部137发送来的信号，作为诊断对象的FA仪器2能够迅速地执行错误发生时的处理。因此，作为诊断对象的FA仪器2能够将错误发生时产生的制造中的产品的破坏、FA仪器2内的漏水等损害抑制到最小限度。
如上所述，实施方式的数据解析装置1在学习模式下，将从FA仪器2输入的输入信号的波形按类似的波形进行分组，如果组内的波形的数量小于或等于阈值，则删除该组。由此，能够去除出现频率低的组、即错误的波形的数据。由此，能够仅保留正常模型的波形的数据，因此能够生成高精度的学习用数据。
另外，数据解析装置1的学习模式是针对每个组而决定代表波形。在学习模式下，将该代表波形作为学习结果而保存于辅助存储部11。由此，与和组内的全部波形进行比较的情况相比，能够减少在诊断模式下执行的比较的次数。
即，与和组内的全部波形进行比较的情况相比，能够使数据解析装置1的诊断模式下的与监视信号的比较处理更早结束。由此，诊断模式的处理的实时性提高，当在作为诊断对象的FA仪器2中发生了错误的情况下，能够迅速地执行错误发生时的处理。
(变形例1)
在上述实施方式中，数据解析装置1具有学习模式和诊断模式这两种模式。不限于此，也可以在图1所示的外部仪器3中具有学习模式，在数据解析装置1中具有诊断模式。在该情况下，用户在外部仪器3上执行学习模式，生成学习结果。用户在由数据解析装置1执行诊断模式之前，从外部仪器3向图1所示的辅助存储部11保存学习数据。由此，数据解析装置1能够在诊断模式下基于学习结果对从作为诊断对象的FA仪器2输入的监视信号进行判定。在该情况下，在图1所示的处理部13所包含的处理模块中，在外部仪器3中设置在学习模式下进行动作的处理模块。在学习模式下进行动作的处理模块是数据收集部131、数据加工部132、文件保存部133、数据学习部134和数据整理部135。此外，不限于外部仪器3，也可以设置学习专用的装置等。
(变形例2)
在上述实施方式中，以区分学习模式和诊断模式的例子为中心进行了说明。但是，本发明不限定于此。如上所述，在诊断模式下，通过使数据保存部133、数据学习部134和数据整理部135进行动作，从而也能够与FA仪器2的诊断模式的处理并行地执行学习模式的处理，对学习结果进行更新。
(变形例3)
在上述实施方式中，如图1所示，数据解析装置1具有数据加工部132。而且，在数据解析装置1的学习模式以及诊断模式下，通过数据加工部132对从FA仪器2输入的输入信号进行加工。不限于此，数据解析装置1在学习模式以及诊断模式下，也可以不对输入信号进行加工，而是使用从FA仪器2输入的输入信号本身。在该情况下，数据解析装置1也可以不具有数据加工部132。另外，也可以将图1所示的外部仪器3设定为不使数据加工部132对输入信号进行加工。
(变形例4)
在上述实施方式中，将由作为诊断对象的FA仪器2输出的信号用作学习用信号以及作为解析对象的信号。这里，FA仪器2输出的信号可以是FA仪器2自身在运转过程中产生的信号，也可以包含在FA仪器2的主体设置的振动传感器、噪音传感器、温度传感器、压力传感器、电流传感器、电压传感器、功率传感器等传感器的输出信号。
(变形例5)
在上述实施方式中，将由作为诊断对象的FA仪器2输出的1个信号用作学习用信号以及作为解析对象的信号。也可以将由作为诊断对象的FA仪器2输出的多个信号用作学习用信号以及作为解析对象的信号。在该情况下，例如，根据噪音传感器、温度传感器和电流传感器的输出信号分别生成学习数据。而且，基于噪音传感器用的学习数据，对噪音传感器的输出信号进行评价，基于温度传感器用的学习数据，对温度传感器的输出信号进行评价，基于电流传感器用的学习数据，对电流传感器的输出信号进行评价。例如，在噪音传感器的输出信号的评价、温度传感器的输出信号的评价和电流传感器的输出信号的评价的任一评价低于或等于基准的情况下，判断为故障。
(变形例6)
为了去除并非正常模型的信号波形，也能够辅助性地采用与实施方式不同的基准。例如，在设置有对由FA仪器2加工后的工件的合格与否进行检查的检查装置的情况下，也可以预先将输出信号的信号波形与作为加工对象的工件的ID相关联地存储，去除与通过检查而判定为不合格的工件的ID相关联的信号波形。ID也可以是工件加工时的时间戳。
(变形例7)
在上述实施方式中示出了如下例子，即，FA仪器2是执行工件的加工等重复处理的仪器，反复从FA仪器2向数据解析装置1供给信号，FA仪器2保持使得正常动作状态与异常动作状态相比足够长。本发明不限定于此，能够广泛应用于正常波形的输出比例高于异常波形的输出比例的装置所用的学习数据的生成以及诊断处理。
(变形例8)
在上述实施方式中，作为对波形进行比较的方法，使用了如下的方法，即，将任意的两个部分波形重叠，求出各个采样点的波高值之差的平方和。并不限于此，可以使用能够求出波形彼此的形状之差的各种类似度运算的方法。
(变形例9)
在上述实施方式中，设为在外部仪器3中安装有工程工具。不限于此，工程工具也可以安装于数据解析装置1。在该情况下，也可以设为能够基于来自与数据解析装置1连接的外部仪器3的指示，启动工程工具。例如，也可以在外部仪器3的显示部31上具有用于使工程工具启动的图标。用户能够通过对该图标进行选择、确定、双击等来启动工程工具。
(变形例10)
在上述实施方式中，对组内的波形的数量进行计数，如果所计数的波形的数量小于或等于阈值，则将该波形作为出现频率低的波形而去除。不限于此，也可以将组内的波形的数量占各组所包含的波形的总数的比例作为阈值，如果组内的波形的数量小于或等于该阈值，则将该波形作为出现频率低的波形而去除。
(变形例11)
在上述实施方式中，将从相同波形剪切出的部分波形按各个部分波形的形状而分类至A-1～A-5组、B-1～B-5组、C-1～C-5组。不限于此，也可以按相同波形分类至1个组。例如，也可以将A-1～A-5组作为A组，将B-1～B-5组作为B组，将C-1～C-5组作为C组。
(变形例12)
在上述实施方式中，通过是否与之前的各组的第一个部分波形类似而将部分波形分类至各组。但是，实际上，作为验证对象的部分波形有时与多个部分波形类似。在该情况下，只要按照预先确定的分类规则来确定所属组即可。例如，也可以确定如下等的分类规则，即，i)将作为验证对象的部分波形分类至类似度最高的部分波形所属的组，ii)将作为验证对象的部分波形分类至最多地包含被判定为类似的部分波形的组。
在本发明中，将学习模式处理程序、波形汇集处理程序以及诊断模式处理程序保存于图2所示的辅助存储装置101。也能够将这些程序储存于例如计算机可读取的CD-ROM(Compact Disc Read Only Memory)、DVD-ROM(Digital Versatile Disc Read OnlyMemory)等记录介质中进行分发。也可以通过将该程序安装于计算机，从而构成能够实现上述各处理的计算机。而且，在通过OS(Operating System)与应用程序的分担、或者OS与应用程序的协同来实现各处理等情况下，也可以仅将应用程序储存于记录介质。
本发明在不脱离本发明的广义的精神和范围的情况下，能够设为各种实施方式以及变形。另外，上述实施方式用于说明本发明，并不限定本发明的范围。即，本发明的范围不是由实施方式表示，而是由权利要求书表示。而且，在权利要求书以及与其等同的发明的意义的范围内实施的各种变形被视为落在本发明的范围内。
工业实用性
本发明能够良好地用于数据解析装置。
标号的说明
1数据解析装置，2 FA仪器，3外部仪器，10通信I/F，11辅助存储部，12外部仪器I/F，13处理部，31显示部，32输入部，101辅助存储装置，102存储器，103处理器，104通信端口，105画面显示输出部，106 I/O端口，107内部总线，131数据收集部，132数据加工部，133文件保存部，134数据学习部，135数据整理部，136数据判定部，137响应执行部，138参数设定部。

Claims (11)

1.一种数据解析装置，其具有：
数据收集部，其对从连接的仪器供给的包含所述仪器的正常动作状态下的信号以及异常动作状态下的信号在内的信号进行收集；
数据学习部，其将对由所述数据收集部收集到的信号以预先确定的固定区间在使所述固定区间重叠的同时以1个采样期间为单位使该固定区间移动地进行切取而生成的波形彼此进行比较，针对按照预先确定的判定基准而判定为相互类似的波形，按照预先确定的分类基准分类至相互类似的波形的组；以及
数据整理部，其去除被分类至相互类似的波形的组的波形中与由外部的检查装置判定为不合格的由所述仪器加工后的加工对象相关联的波形，收集剩余的波形而生成学习用数据。
2.根据权利要求1所述的数据解析装置，其中，
所述数据整理部对所述组内的波形的数量进行计数，如果所计数的所述组内的波形的数量小于或等于预先确定的阈值，则去除所述组。
3.根据权利要求1所述的数据解析装置，其中，
所述数据整理部对所述组内的波形的数量进行计数，如果所计数的所述组内的波形的数量大于或等于预先确定的阈值，则对所述组内的波形进行收集而生成所述学习用数据。
4.根据权利要求1至3中任一项所述的数据解析装置，其中，
该数据解析装置还具有辅助存储部，
所述数据学习部基于所述学习用数据所包含的波形而决定所述组各自的代表波形，将所述代表波形作为学习结果而保存于所述辅助存储部。
5.根据权利要求4所述的数据解析装置，其中，
所述数据收集部对从作为诊断对象的所述仪器供给的监视信号进行收集，
该数据解析装置还具有：
数据判定部，其从所述辅助存储部读出所述学习结果，判定所述监视信号的波形与所述学习结果所包含的波形是否一致；以及
响应执行部，其基于所述数据判定部的判定结果，将用于执行预先确定的处理的信号发送至作为诊断对象的所述仪器。
6.根据权利要求1至3中任一项所述的数据解析装置，其中，
所述连接的仪器是反复执行处理的仪器，
从所述仪器向所述数据收集部反复供给信号，
所述仪器保持使得正常动作状态长于异常动作状态。
7.根据权利要求4所述的数据解析装置，其中，
所述连接的仪器是反复执行处理的仪器，
从所述仪器向所述数据收集部反复供给信号，
所述仪器保持使得正常动作状态长于异常动作状态。
8.根据权利要求5所述的数据解析装置，其中，
所述连接的仪器是反复执行处理的仪器，
从所述仪器向所述数据收集部反复供给信号，
所述仪器保持使得正常动作状态长于异常动作状态。
9.一种系统，其具有：
数据学习单元，其将对从连接的仪器收集到的包含所述仪器的正常动作状态下的信号以及异常动作状态下的信号在内的信号以预先确定的固定区间在使所述固定区间重叠的同时以1个采样期间为单位使该固定区间移动地进行切取而生成的波形彼此进行比较，针对按照预先确定的判定基准而判定为相互类似的波形，按照预先确定的分类基准分类至相互类似的波形的组；
数据整理单元，其去除被分类至相互类似的波形的组的波形中与由外部的检查装置判定为不合格的由所述仪器加工后的加工对象相关联的波形，收集剩余的波形而生成学习用数据；以及
数据学习单元，其基于由所述数据整理单元生成的所述学习用数据而决定代表波形，将所述代表波形作为学习结果进行保存。
10.一种方法，其由计算机执行，在该方法中，
收集包含仪器的正常动作状态下的信号以及异常动作状态下的信号在内的输入信号，
将对收集到的所述输入信号以预先确定的固定区间在使所述固定区间重叠的同时以1个采样期间为单位使该固定区间移动地进行切取而生成的波形彼此进行比较，针对按照预先确定的判定基准而判定为相互类似的波形，按照预先确定的分类基准分类至相互类似的波形的组，
去除被分类至相互类似的波形的组的波形中与由外部的检查装置判定为不合格的由所述仪器加工后的加工对象相关联的波形，收集剩余的波形而生成学习用数据，
基于所述学习用数据而决定代表波形，将所述代表波形作为学习结果进行保存。
11.一种储存有程序的计算机可读取记录介质，该程序使计算机作为以下部分起作用：
数据收集部，其对供给来的包含仪器的正常动作状态下的信号以及异常动作状态下的信号在内的信号进行收集；
数据学习部，其将对收集到的所述信号以预先确定的固定区间在使所述固定区间重叠的同时以1个采样期间为单位使该固定区间移动地进行切取而生成的波形彼此进行比较，针对按照预先确定的判定基准而判定为相互类似的波形，按照预先确定的分类基准分类至相互类似的波形的组；以及
数据整理部，其去除被分类至相互类似的波形的组的波形中与由外部的检查装置判定为不合格的由所述仪器加工后的加工对象相关联的波形，收集剩余的波形而生成学习用数据。
CN201880096176.8A 2018-08-03 2018-08-03 数据解析装置、系统、方法及程序 Active CN112513893B (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/029258 WO2020026441A1 (ja) 2018-08-03 2018-08-03 データ解析装置、システム、方法、及びプログラム

Publications (2)

Publication Number Publication Date
CN112513893A CN112513893A (zh) 2021-03-16
CN112513893B true CN112513893B (zh) 2022-09-23

Family

ID=69232583

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880096176.8A Active CN112513893B (zh) 2018-08-03 2018-08-03 数据解析装置、系统、方法及程序

Country Status (5)

Country Link
US (1) US11353860B2 (zh)
JP (1) JP6678828B1 (zh)
CN (1) CN112513893B (zh)
TW (1) TW202008190A (zh)
WO (1) WO2020026441A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024003994A1 (ja) * 2022-06-27 2024-01-04 三菱電機株式会社 正常モデル生成プログラム、正常モデル生成装置および正常モデル生成方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1190236A (zh) * 1996-12-10 1998-08-12 松下电器产业株式会社 语音合成系统及其减少冗余的波形数据库
JP2014048994A (ja) * 2012-09-03 2014-03-17 Yahoo Japan Corp ビジュアルキーワード抽出装置、これを用いたＢｏＦ表現生成装置、及びビジュアルキーワード抽出方法
JP2015035118A (ja) * 2013-08-09 2015-02-19 株式会社日立製作所 診断システムおよびエレベータ
CN106680649A (zh) * 2016-12-28 2017-05-17 岭东核电有限公司 一种核电站的瞬时接地故障检测方法和装置
CN107026952A (zh) * 2016-02-02 2017-08-08 富士施乐株式会社 诊断设备、图像形成设备、诊断系统、以及诊断方法
CN107545228A (zh) * 2016-11-07 2018-01-05 北京交通大学 基于小波变换的电气化铁路运行工况识别方法
CN108351248A (zh) * 2015-12-14 2018-07-31 富士施乐株式会社 诊断装置、诊断系统、诊断方法及程序

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4356716B2 (ja) 2006-08-03 2009-11-04 パナソニック電工株式会社 異常監視装置
JP5081998B1 (ja) 2011-06-22 2012-11-28 株式会社日立エンジニアリング・アンド・サービス 異常予兆診断装置及び異常予兆診断方法
JP5946572B1 (ja) 2015-08-05 2016-07-06 株式会社日立パワーソリューションズ 異常予兆診断システム及び異常予兆診断方法
JP6362808B1 (ja) 2017-07-31 2018-07-25 三菱電機株式会社 情報処理装置および情報処理方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1190236A (zh) * 1996-12-10 1998-08-12 松下电器产业株式会社 语音合成系统及其减少冗余的波形数据库
JP2014048994A (ja) * 2012-09-03 2014-03-17 Yahoo Japan Corp ビジュアルキーワード抽出装置、これを用いたＢｏＦ表現生成装置、及びビジュアルキーワード抽出方法
JP2015035118A (ja) * 2013-08-09 2015-02-19 株式会社日立製作所 診断システムおよびエレベータ
CN108351248A (zh) * 2015-12-14 2018-07-31 富士施乐株式会社 诊断装置、诊断系统、诊断方法及程序
CN107026952A (zh) * 2016-02-02 2017-08-08 富士施乐株式会社 诊断设备、图像形成设备、诊断系统、以及诊断方法
CN107545228A (zh) * 2016-11-07 2018-01-05 北京交通大学 基于小波变换的电气化铁路运行工况识别方法
CN106680649A (zh) * 2016-12-28 2017-05-17 岭东核电有限公司 一种核电站的瞬时接地故障检测方法和装置

Also Published As

Publication number Publication date
US20210223764A1 (en) 2021-07-22
TW202008190A (zh) 2020-02-16
CN112513893A (zh) 2021-03-16
US11353860B2 (en) 2022-06-07
JPWO2020026441A1 (ja) 2020-08-06
JP6678828B1 (ja) 2020-04-08
WO2020026441A1 (ja) 2020-02-06

Similar Documents

Publication Publication Date Title
US10089203B2 (en) Artificial intelligence based health management of host system
CN110260913B (zh) 诊断装置、诊断方法及计算机可读存储介质
US10901398B2 (en) Controller, control program, control system, and control method
CN113377591B (zh) 一种提升ate设备芯片测试速度的方法、装置
KR100299716B1 (ko) Ic시험장치및방법
US8299798B2 (en) Relay test system and method
WO2020152741A1 (ja) 異常要因推定装置、異常要因推定方法、及びプログラム
CN112513893B (zh) 数据解析装置、系统、方法及程序
US20200175380A1 (en) Automated feature generation for sensor subset selection
Kozłowski et al. Integrating advanced measurement and signal processing for reliability decision-making
TW201435371A (zh) 診斷工具－一種增加良率提升製程之產量的方法
JP6687653B2 (ja) 時系列データ分析装置
US10706207B2 (en) Circuit design verification apparatus and program
CN105912467B (zh) 一种性能测试方法及装置
CN112114578B (zh) 一种多工序多变量过程在线监控和异常源诊断的稳健方法
JP2009294046A (ja) Ｊｔａｇ機能付き集積回路ボード
JP7368189B2 (ja) 分析装置
CN108646703B (zh) 用于车身控制模块的在线检测方法及装置
Taylor et al. Discerning the operational state of a vehicle’s distributed electronic systems from vehicle network traffic for use as a fault detection and diagnosis tool
US20210132553A1 (en) Machine learning device, prediction device, and control device
US11152236B2 (en) System for and method of manufacture using multimodal analysis
WO2024075567A1 (ja) 診断システム、情報処理装置、診断方法、及びプログラム
TWI704973B (zh) 管理裝置、管理方法及程式
US20230117055A1 (en) Methods and systems for workpiece quality control
WO2012036666A1 (en) Systems, methods and apparatus that employ statistical analysis of structural test information to identify yield loss mechanisms

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