CN115066693A - 运行状态分类系统和运行状态分类方法 - Google Patents
运行状态分类系统和运行状态分类方法 Download PDFInfo
- Publication number
- CN115066693A CN115066693A CN202080095750.5A CN202080095750A CN115066693A CN 115066693 A CN115066693 A CN 115066693A CN 202080095750 A CN202080095750 A CN 202080095750A CN 115066693 A CN115066693 A CN 115066693A
- Authority
- CN
- China
- Prior art keywords
- neural network
- state
- server
- learning
- edge 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.)
- Pending
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
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
-
- 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
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0216—Human interface functionality, e.g. monitoring system providing help to the user in the selection of tests or in its configuration
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/098—Distributed learning, e.g. federated learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Automation & Control Theory (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明实现了运行状态分类系统,其分类精度在追加学习中不断提高,并且还适当地防止分类功能的非法复制。运行状态分类系统通过通信网络连接边缘设备和服务器,向神经网络输入传感器数据并输出状态标签,所述边缘设备包括:保存所述神经网络的前级侧的第一保存部;以及将所述传感器数据输入所述神经网络的前级侧并输出中间数据的维度压缩部,所述服务器包括:保存所述神经网络的后级侧的第二保存部;向所述神经网络的后级侧输入所述中间数据并输出所述状态标签的推理执行部;以及通过追加学习来更新所述神经网络的后级侧的学习部。
Description
技术领域
本发明涉及对边缘设备等的运行状态进行分类的运行状态分类系统和运行状态分类方法。
背景技术
在检测工厂设备等的异常上的课题之一,是适当的判定基准的设定。例如,在对机床进行诊断时,由于工序的类别不同,驱动电动机所承受的负载也不同(例如,加工中负载大,怠速中负载小),如果不对每道工序设定不同的判定基准,就会出现很多误报和失报。或者为了提高异常检测的精度,可以考虑只使用特定工序的数据,或者只使用负载变动小的时间段的数据。因此,需要能够在异常检测之前对目标设备的运行状态进行分类的运行状态分类系统。
另一方面,最近,在功率转换装置和工业用控制器等边缘设备上配备深度学习的推理执行功能(神经网络)逐渐成为可能。因此,利用这一功能,如果在边缘设备上搭载运行状态分类功能,就可以通过边缘设备判别运行状态,并将异常检测所使用的数据发送给服务器,不仅可以减少通信数据量,还可以进行更高精度的异常检测。
这种现有技术的概念图在图15中示出。首先,在边缘设备中,将来自各种传感器的数据与表示各运行状态的状态标签L(例如L1、L2、L3)相关联地保存。然后以某种方式将其回收到学习用服务器中,利用学习用服务器来学习神经网络。然后将得到的完成学习神经网络安装到边缘设备上。这样一来,单凭边缘设备就能实现状态分类的自动化。之后,根据分类结果执行处理,如仅用特定的运行状态数据进行诊断等。
但是,现在的边缘设备、特别是各种控制用设备,比如功率转换装置或工业用控制器,而不是像工业用PC那样的假设了边缘计算的设备,由于搭载的微机性能低、存储空间小,通常很难执行神经网络的学习。
因此,如上述那样基于现有技术的运行状态分类系统的情况下,存在固定于实际运用开始时的功能,难以通过实际运用提高分类精度的问题。并且,边缘设备本身就会关闭功能,因此,通过监视输入和输出,神经网络功能也有可能被非法复制。
因此,有人提出了一种技术,将神经网络分割装载在边缘设备和服务器上,从而充分利用边缘设备和服务器两者的计算能力。例如,专利文献1中,在智能手机上执行神经网络的前半部分(从输入层到中间层前半部分)的处理,将其结果输出给服务器,由服务器执行后半部分(从中间层后半部分到输出层)的处理的技术被公开。不仅是推理执行,学习也是由智能手机和服务器协同执行的。
现有技术文献
专利文献
专利文献1:国际公开WO2018/011842号公报
发明内容
发明所要解决的技术问题
然而,在功率转换装置和工业用控制器等各种控制用设备中,由于微机的性能和存储能力不如智能手机,因此存在难以利用专利文献1所公开的技术执行神经网络的学习的问题。
本发明是为了解决上述现有技术存在的问题而完成的,其目的是提供一种运行状态分类系统,在边缘设备和服务器协作时,可以减轻边缘设备侧的负担,同时通过追加学习持续提高运行状态分类的精度。
解决技术问题所采用的技术方案
为了解决上述问题,本发明的运行状态分类系统通过通信网络连接边缘设备和服务器,向神经网络输入传感器数据并输出状态标签,所述边缘设备包括:保存所述神经网络的前级侧的第一保存部;以及将所述传感器数据输入所述神经网络的前级侧并输出中间数据的维度压缩部,所述服务器包括:保存所述神经网络的后级侧的第二保存部;向所述神经网络的后级侧输入所述中间数据并输出所述状态标签的推理执行部;以及具有通过追加学习来更新所述神经网络的后级侧的学习部。
此外,本发明的运行状态分类方法包括:利用服务器对输入传感器数据并输出状态标签的神经网络进行学习的学习步骤;将所述神经网络的前级侧保存在边缘设备中的第一保存步骤;将所述神经网络的后级侧存储到所述服务器中的第二保存步骤;以及利用所述服务器追加学习所述神经网络的后级侧的追加学习步骤。
发明效果
根据本发明的运行状态分类系统和运行状态分类方法,即使在安装在边缘设备上的神经网络没有进化的情况下,随着边缘设备的持续运用,服务器侧的神经网络也会进化,因此可以提高作为系统整体的分类精度。由此,不用等学习用数据充分积累就可以开始实际运用。此外,由于通信的数据被维度压缩,因此,不仅可以削减通信成本,即使在通信过程中被盗,也不易被恶意利用。并且,由于不连接服务器就无法发挥作用,因此能够抑制不正当的复制。
附图说明
图1是实施例1的运行状态分类系统中的学习时的概念图。
图2是实施例1的运行状态分类系统中的学习时的流程图。
图3是实施例1的运行状态分类系统中的推理执行时的概念图。
图4是实施例1的运行状态分类系统中的推理执行时的流程图。
图5是实施例1的运行状态分类系统中的追加学习时的概念图。
图6是实施例1的运行状态分类系统中的追加学习时的流程图。
图7是实施例1的运行状态分类系统中的边缘设备和服务器的功能结构图。
图8是实施例2的运行状态分类系统中的推理执行时的概念图。
图9是实施例3的运行状态分类系统中的学习时的概念图。
图10是实施例3的运行状态分类系统中的学习时的流程图。
图11是实施例3的运行状态分类系统中的推理执行时的概念图。
图12是实施例3的运行状态分类系统中的推理执行时的流程图。
图13是将构成本发明所涉及的运行状态分类系统的边缘设备侧的功能内置在工业用控制器中的情况下的基本结构图。
图14是将构成本发明所涉及的运行状态分类系统的边缘设备侧的功能内置在功率转换装置中的情况下的基本结构图。
图15是运行状态分类系统所涉及的现有技术的概念图。
具体实施方式
下面,使用附图来说明本发明的实施例。
实施例1
参照图1至图7,说明本发明的实施例1所涉及的运行状态分类系统100。本实施例的运行状态分类系统100是利用神经网络对边缘设备2的运行状态进行分类的系统,通过通信网络连接服务器1和边缘设备2。另外,在本实施例中,列举自编码器作为神经网络的一个示例,但是本发明的想法也可以应用于利用其他类型的神经网络的系统。
服务器1是包括CPU等运算装置、半导体存储器等主存储装置、硬盘等辅助存储装置以及通信装置等硬件的计算机。此外,边缘设备2是内置有微机的功率转换装置或工业用控制器等。这样的服务器1或边缘设备2通过由运算装置执行主存储装置中加载的程序,能够实现后述的各功能。另外,假设边缘设备2的微机具有利用安装的神经网络的运算能力,但不具有使安装的神经网络自行进化的运算能力。
下面,将本实施例的运行状态分类系统100的详细情况分为在边缘设备2的实际运用前实施的“学习处理”、在边缘设备2的实际运用中实施的“推理处理”、在边缘设备2的规定期间以上或规定次数以上的运用后执行的、服务器1侧的用于改进神经网络的“追加学习处理”的各状况进行说明。
<学习处理>
图1是边缘设备2的实际运用前实施的运行状态分类系统100的学习处理的概念图,图2是示出学习处理的流程的流程图。
首先,在步骤S10中,边缘设备2将各种传感器检测出的传感器数据与系统设计者等输入的表示运行状态的种类的状态标签L(例如L1、L2、L3)相关联,并保存在存储装置中。另外,这里例示了将运行状态分类为3种的情况,但运行状态的种类只要是2以上的任意整数即可。
接着,在步骤S11,服务器1回收边缘装置2中保存的传感器数据和状态标签L,对使用各运行状态的传感器数据并分别自我再现的神经网络(以下称为自编码器α)进行学习。例如,通过状态标签L1的传感器数据学习的自编码器α1在输入状态标签L1的传感器数据时,输出状态标签L1的传感器数据,但是当输入其他传感器数据时,输出与输入不同的传感器数据。因此,自编码器α的前级部分(从输入层到中间层前半)是提取用于学习的传感器数据的特征量d的神经网络(以下称为编码器A)。此外,自编码器α的后级部分(从中间层后半部分到输出层)是基于特征量d再现传感器数据的神经网络(以下称为解码器A’)。
接着,在步骤S12中,服务器1复制在步骤S11中获得的编码器A,学习神经网络(以下称为状态分类器B),该神经网络将编码器A提取的特征量d作为输入,并输出状态标签L。另外,由于编码器A提取了特征量d,因此状态分类器B的学习是容易的。
最后,在步骤S13中,服务器1仅将完成学习的编码器A安装在边缘设备2上。另外,安装在边缘设备2上的编码器A是自编码器α的神经网络的一部分,因此执行时的运算负荷小,存储容量也小。因此,即使是边缘设备2内置的比较恒低性能的微机,也能够无阻滞地执行所希望的处理。
<推理处理>
图3是边缘设备2的实际运用中实施的运行状态分类系统100的推理处理的概念图,图4是示出推理处理的流程的流程图。
在步骤S20,边缘设备2将实际运用中各种传感器收集到的传感器数据输入到各状态的编码器A1至A3,提取各状态的特征量d1至d3。
在步骤S21,边缘设备2将得到的特征量d发送到服务器1。由于特征量d由编码器进行维度压缩,因此包含各运行状态的传感器数据的特征的同时数据尺寸变小。因此,能够抑制从边缘设备2到服务器1的通信成本。
在步骤S22,服务器1将接收到的特征量d输入到状态分类器B,对运行状态进行分类,并生成状态标签L。
在步骤S23,服务器1将生成的状态标签L发送到边缘设备2。
最后,在步骤S24,边缘设备2根据输入的状态标签L的类型来改变之后的处理方法。例如,可以考虑显示分类结果、仅在特定状态下执行诊断、保存详细数据等。在需要将运行状态的变化立即反映在边缘设备2的控制中的情况下,希望利用高速、低时延的通信网络作为连接服务器1和边缘设备2的通信网络。
另外,从边缘设备2发送给服务器1的特征量d是作为自编码器α的前级部分的编码器A输出的中间数据,如果不能利用自编码器α的后级部分即解码器A’和状态分类器B,则是没有意义的数据,即使从边缘设备2到服务器1的通信被监听,也能够保持通信内容的机密。
<追加学习处理>
图5是在边缘设备2的规定期间以上或规定次数以上的运用之后实施的运行状态分类系统100的追加学习处理的概念图,图6是示出追加学习处理的流程的流程图。另外,追加学习处理是改进服务器1侧的状态分类器B的学习处理,边缘设备2侧的编码器A仍继续使用。
在步骤S30,边缘设备2将实际运用中各种传感器收集到的传感器数据输入到各状态的编码器A1至A3,提取各状态的特征量d1至d3。
在步骤S31,将正确的状态标签L与和推理执行相同的中间数据相关联,并作为追加学习用数据存储在服务器1中。正确的状态标签L的添加和错误的状态标签L的修正基本上由系统设计者或边缘设备2的操作者等人来实施。
另外,图5示出了系统设计者等向服务器1输入的正确的状态标签L和操作者向边缘设备2输入的正确的状态标签L这两者,只要有其中一个输入即可。
或者,为了节省人们标注正确状态标签的工夫,如果在状态分类器B的分类中被确定为最可靠的状态的概率高于预设值(例如80%),可以自动地将该状态标签添加为正确的状态标签。另一方面,当所述概率在预设值以下时,即只要状态分类器B无法判断时,通过提示人们添加正确状态标签,可以省去人经常进行正确状态标签的添加作业的麻烦。另外,如果人完全停止添加状态标签,在上述概率较低的情况下,可以将与有标签数据的接近程度作为指标添加状态标签,也可以不用于追加学习。
在步骤S32,服务器1在累积了一定以上的追加学习用数据的阶段中进行追加学习。该追加学习可以与图3或图4所示的推理执行并行实施,也可以暂时停止推理执行来实施。
然后,在步骤S33,服务器1暂时停止推理执行,并将状态分类器B替换为通过追加学习得到的状态分类器B。由此,在边缘设备2的规定期间以上或规定次数以上的运用之后,基于人的知识,能够将服务器1的状态分类器B更新为分类精度更高的状态分类器B,即使安装在边缘设备2上的编码器A没有进化,整个系统的性能也提高了,因此之后执行的推理处理能够生成更恰当的状态标签L。
<服务器1、边缘设备2的具体结构>
图7是实施上述各处理的运行状态分类系统100中的服务器1和边缘设备2的功能框图。
边缘设备2所具备的运行状态分类前后处理部20包括:输入传感器数据和追加学习用的状态标签的数据输入部21;保存完成学习的编码器A的编码器保存部22;使用编码器A将传感器数据转换为特征量d的维度压缩部23;将特征量d发送给服务器1,从服务器1接收状态标签L的数据通信部24;以及显示状态标签L、仅在特定状态的情况下执行诊断、保存详细数据的结果响应部25。另外,如上所述,这些通过CPU等执行程序来实现。
另一方面,服务器1所具备的运行状态分类执行部10包括:数据通信部11,该数据通信部11从边缘设备2接收特征量d和追加学习用的状态标签L,发送状态分类器B的分类结果即状态标签L;保存完成学习的状态分类器B的状态分类器保存部12;使用状态分类器B执行运行状态分类的推理执行部13;保存追加学习用的数据的数据保存部14;以及使用所保存的数据在学习处理时或追加学习处理时学习自编码器α或状态分类器B的学习部15。另外,如上所述,这些通过CPU等执行程序来实现。
通过如本实施例那样的系统结构,只要继续实际运用,追加学习用数据就自然地存储在服务器1中,即使在最初的学习处理结束时运行状态的分类精度不够,分类精度也会随着时间的推移而逐渐提高。此外,从边缘设备2发送到服务器1的数据被维度压缩,因此能够抑制通信量。并且,如果不将边缘设备2连接到服务器1以构建能够使用状态分类器B的环境,就无法获得有用的信息(状态标签L),因此,除了泄露信息的风险小之外,即使不正当地仅复制编码器A,也几乎没有利用价值。
根据以上说明的本实施例,即使安装在边缘设备的神经网络没有进化,服务器侧的神经网络也会通过追加学习不断进化,因此,运行时间越长,整个系统的神经网络的性能就越好。此外,在实际运用中从边缘设备向服务器发送的是数据量小的特征量(中间数据),因此能够抑制两者之间的通信量。并且,由于是只要边缘设备和服务器不连接就不能处理特征量(中间数据)的系统,因此能够降低非法复制边缘设备侧的神经网络并安装到其他边缘设备上的动机。
实施例2
接着,将参考图8的概念图说明本发明的实施例2的运行状态分类系统100的推理处理。另外,省略与实施例1的共同点的重复说明。
如图3、图4所示,实施例1的推理处理是状态分类器B生成状态标签L的处理,而本实施例的推理处理的特征在于,除了该处理之外,还活用在图1、图2的学习处理时作为副产物得到的自编码器的后级部分(解码器A’),基于来自边缘设备2的特征量d模拟再现传感器数据。
例如,如果服务器1的状态分类器B的输出是状态标签L1,则将特征量d1输入到解码器A1’,如果是状态标签L2,则将特征量d2输入到解码器A2’,如果是状态标签L3,则将特征量d3输入到解码器A3’。这样,可以解码与边缘设备2进行维度压缩之前的传感器数据相近的数据(以下称为再现数据)。即,仅通过从边缘设备2发送数据量小的特征量d,服务器1就能够模拟地再现数据量大的传感器数据。
如上所述得到的再现数据可以用于各种各样的用途。例如,可以用于基于边缘设备难以搭载的复杂机器学习算法的异常检测,也可以用于简易地再学习边缘设备所搭载的编码器。
实施例3
接着,将参考图9至图12说明本发明的实施例3所涉及的运行状态分类系统100的学习处理和推理处理。另外,省略与上述实施例1的共同点的重复说明。
<学习处理>
在实施例1的学习处理中,如图1、图2所示,在学习了多个自编码器α1至α3之后,将作为其前级部分的全部编码器A1至A3安装在边缘设备2中,而在本实施例的学习处理中,如图9的概念图、图10的流程图所示,其特征在于,仅学习一个自编码器α1,并将其前级部分的编码器A1安装在边缘设备2上。由此,即使在边缘设备2的存储容量少且不能存储所有编码器A的情况下也能够安装。
此外,在实施例1的学习处理中,如图1、图2所示,已经学习了基于编码器A1到A3的输出即特征量d1到d3来生成状态标签L1到L3的状态分类器B,但如图9、图10所示,本实施例的学习处理的特征在于,对仅基于作为编码器A1的输出的特征量d1来生成状态标签L1至L3的状态分类器B进行学习。
例如,对应于状态标签L1的运行状态的发生频率比其他运行状态高得多的情况下(例如,状态标签L1对应于正常状态,状态标签L2、L3分别对应于异常状态的情况等),在实际运用开始时刻,有可能无法充分收集相当于状态标签L2和状态标签L3的异常数据。此时,不执行对对应于状态标签L2或L3的自编码器α2、α3的学习,而仅执行对对应于状态标签L1的自编码器α1的学习。该情况下,通过采取对状态分类器B的学习分配更多的时间、增加状态分类器B的层数等措施,根据自编码器α1的输出即特征量d1,不仅能够生成与正常状态对应的状态标签L1,还能够生成与异常状态对应的状态标签L2、状态标签L3。
因此,在图10的步骤S10中,与实施例1和实施例2相同,边缘设备2将来自各种传感器的传感器数据与表示各运行状态的状态标签(例如L1、L2、L3)相关联地进行保存。
接着,在步骤S11a,服务器1选择发生频度最高的状态(在此正常状态=状态标签1),使用该状态的数据,对再现该状态的自编码器α1进行学习。
然后,在步骤S12a,服务器1复制通过步骤S11a的学习获得的编码器A1,学习状态分类器B,状态分类器B将编码器A1提取的特征量d1作为输入,并输出状态标签L1至L3。
而且,最后在步骤S13a,服务器1仅将完成学习的编码器A1安装在边缘设备2上。
<推理处理>
图11是本实施例中的推理处理的概念图,图12是表示该推理处理的流程的流程图。
在实施例1中,如图3、图4所示,从边缘设备2向服务器1发送了特征量d1至d3,但是在本实施例中,如图11、图12所示,从边缘设备2向服务器1仅发送特征量d1。
此外,在实施例2中,如图8所示,根据状态分类器B输出的状态标签L,区分使用解码器A’以生成与状态标签L相对应的再现数据,但在本实施例中,仅当状态分类器B输出状态标签L1时,将特征量d1输入到解码器A1’,输出与对应于状态标签L1的传感器数据相近的再现数据。与实施例2相同,得到的数据能够用于更高精度的控制等。
实施例4
图13是将图7的运行状态分类前后处理部20内置于作为边缘设备2的一种的工业用控制器(可编程逻辑控制器(PLC)、序列器等)时的基本结构图,除上述结构外,还包括功率转换装置3、电动机4、负载机械5。另外,省略与上述实施例的共同点的重复说明。
由于工业用控制器通常具有与诸如服务器1的上位系统的通信功能,因此如果利用该通信功能,则可以降低运行状态分类系统100的导入成本。此外,由于在工业用控制器中收集来自控制对象的多个设备的各种数据,因此具有容易构建以多个设备的数据为输入的网络并搭载该网络的优点。并且,可以自然地执行将所获得的分类结果反映到控制对象的多个设备的控制中。
实施例5
图14是将图7的运行状态分类前后处理部20内置于功率转换装置3(通用逆变器、伺服放大器、DCBL控制器等)时的基本结构图。另外,省略与上述实施例的共同点的重复说明。
通过在功率转换装置3中内置本功能,能够将通常不从功率转换装置内部提取的用于电动机控制的各种参数作为运行状态分类系统100的输入。此外,如果在功率转换装置内部关闭各种数据的收集,则可以不依赖通信速度而提高采样速度,因此具有能够将捕捉到更高速的物理现象的数据用于运行状态分类的优点。并且,从得到的分类结果中,除可以切出极短时间的详细数据用于诊断或保存外,还可以向电动机控制部发出指令并立即反映到电动机控制中。
以上,对实施例进行了说明,本发明并不局限于上述实施例,也包含各种变形例。例如,上述的实施例是为了便于理解本发明而进行的详细说明,并不限于必须要具备所说明的所有结构。此外,能够将某实施例的结构的一部分替换成其他实施例的结构,此外也能将其他实施例的结构添加至某实施例的结构上。此外,关于各实施例的结构的一部分,也可以进行其他结构的追加、删除、替换。
并且,本发明还适用于工业机器人、机床、空气压缩机、搬运桌等嵌入有功率转换装置的工业设备、以及风力发电系统、混合动力汽车、电动汽车、燃料电池车、铁路车辆等。
标号说明
1服务器,10运行状态分类执行部,11数据通信部,12状态分类器保存部,13推理执行部,14数据保存部,15学习部,2边缘设备,20运行状态分类前后处理部,21数据输入部,22编码器保存部,3功率转换装置,4电动机,5负载机械,α、α1、α2、α3自编码器,A、A1、A2、A3编码器,A’、A1’、A2’、A3’解码器,B状态分类器,d、d1、d2、d3特征量(中间数据),L、L1、L2、L3状态标签。
Claims (10)
1.一种运行状态分类系统,该运行状态分类系统通过通信网络连接边缘设备和服务器,将传感器数据输入到神经网络并输出状态标签,其特征在于,
所述边缘设备包括:
保存所述神经网络的前级侧的第一保存部;以及将所述传感器数据输入所述神经网络的前级侧并输出中间数据的维度压缩部,
所述服务器包括:
保存所述神经网络的后级侧的第二保存部;
向所述神经网络的后级侧输入所述中间数据并输出所述状态标签的推理执行部;以及
通过追加学习来更新所述神经网络的后级侧的学习部。
2.如权利要求1所述的运行状态分类系统,其特征在于,
所述学习部基于在所述服务器中存储的所述中间数据以及与该中间数据相关联的正确状态标签来追加学习所述神经网络的后级侧。
3.如权利要求2所述的运行状态分类系统,其特征在于,
当所述推理执行部判定最可靠的状态的概率高于预设值时,所述正确状态标签是所述神经网络输出的状态标签。
4.如权利要求2所述的运行状态分类系统,其特征在于,
当所述推理执行部判定最可靠的状态的概率低于预设值时,所述正确状态标签是人输入的状态标签。
5.如权利要求1至4中任一项所述的运行状态分类系统,其特征在于,
保存在所述边缘设备中的所述神经网络的前级侧是在每个分类的状态中学习的自编码器的前级部分即编码器,
保存在所述服务器中的所述神经网络的后级侧是状态分类器,其输入所述编码器输出的中间数据并输出所述状态标签。
6.如权利要求5所述的运行状态分类系统,其特征在于,
在所述服务器中还保存有所述自编码器的后级部分即解码器。
7.如权利要求1至6中任一项所述的运行状态分类系统,其特征在于,
所述边缘设备是工业用控制器或功率转换装置。
8.一种运行状态分类方法,其特征在于,包括:
利用服务器对输入传感器数据并输出状态标签的神经网络进行学习的学习步骤;
将所述神经网络的前级侧保存在边缘设备中的第一保存步骤;
将所述神经网络的后级侧保存在所述服务器中的第二保存步骤;以及
利用所述服务器追加学习所述神经网络的后级侧的追加学习步骤。
9.如权利要求8所述的运行状态分类方法,其特征在于,
还包括保存追加学习用数据的步骤,该追加学习用数据是当所述神经网络判定为最可靠的状态的准确率比预设值高时,将所述神经网络输出的状态标签赋予所述神经网络的前级侧输出的中间数据而得到,
在所述追加学习步骤中,使用所述追加学习用数据来追加学习所述神经网络的后级侧。
10.如权利要求8所述的运行状态分类方法,其特征在于,
还包括保存追加学习用数据的步骤,该追加学习用数据是当所述神经网络判定最可靠的状态的准确率比预设值低时,将人输入的正确状态标签赋予所述神经网络的前级侧输出的中间数据而得到,
在所述追加学习步骤中,使用所述追加学习用数据来追加学习所述神经网络的后级侧。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020-031357 | 2020-02-27 | ||
JP2020031357A JP7348103B2 (ja) | 2020-02-27 | 2020-02-27 | 運転状態分類システム、および、運転状態分類方法 |
PCT/JP2020/028986 WO2021171647A1 (ja) | 2020-02-27 | 2020-07-29 | 運転状態分類システム、および、運転状態分類方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115066693A true CN115066693A (zh) | 2022-09-16 |
Family
ID=77490856
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080095750.5A Pending CN115066693A (zh) | 2020-02-27 | 2020-07-29 | 运行状态分类系统和运行状态分类方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230091068A1 (zh) |
JP (1) | JP7348103B2 (zh) |
CN (1) | CN115066693A (zh) |
DE (1) | DE112020006810T5 (zh) |
WO (1) | WO2021171647A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024029347A1 (ja) * | 2022-08-04 | 2024-02-08 | ソニーセミコンダクタソリューションズ株式会社 | 情報処理装置、情報処理方法、及び情報処理システム |
WO2024063096A1 (ja) * | 2022-09-20 | 2024-03-28 | モルゲンロット株式会社 | 情報処理システム、情報処理方法及びプログラム |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5862168B2 (ja) * | 2011-09-30 | 2016-02-16 | 沖電気工業株式会社 | 情報処理装置、情報処理方法、プログラムおよび情報処理システム |
JPWO2018011842A1 (ja) | 2016-07-11 | 2019-04-25 | 株式会社Uei | 階層ネットワークを用いた演算処理システム |
US20180336463A1 (en) * | 2017-05-18 | 2018-11-22 | General Electric Company | Systems and methods for domain-specific obscured data transport |
JP7024577B2 (ja) * | 2018-04-24 | 2022-02-24 | 株式会社デンソー | 走行場面学習装置、走行場面推定装置、および走行場面推定システム |
JP6792043B1 (ja) * | 2019-10-18 | 2020-11-25 | 株式会社安川電機 | 事象推定システム及び事象推定方法 |
-
2020
- 2020-02-27 JP JP2020031357A patent/JP7348103B2/ja active Active
- 2020-07-29 CN CN202080095750.5A patent/CN115066693A/zh active Pending
- 2020-07-29 DE DE112020006810.2T patent/DE112020006810T5/de active Pending
- 2020-07-29 WO PCT/JP2020/028986 patent/WO2021171647A1/ja active Application Filing
- 2020-07-29 US US17/801,922 patent/US20230091068A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2021171647A1 (ja) | 2021-09-02 |
JP7348103B2 (ja) | 2023-09-20 |
JP2021135739A (ja) | 2021-09-13 |
DE112020006810T5 (de) | 2022-12-15 |
US20230091068A1 (en) | 2023-03-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111967571B (zh) | 一种基于mhma的异常检测方法和设备 | |
US8275735B2 (en) | Diagnostic system | |
US7533070B2 (en) | Automatic fault classification for model-based process monitoring | |
CN111160687B (zh) | 主动资产监控 | |
CN108460397B (zh) | 设备故障类型的分析方法、装置、储存介质和电子设备 | |
KR102088509B1 (ko) | 컴퓨터 시스템의 이상 행위 탐지 방법 및 장치 | |
CN115066693A (zh) | 运行状态分类系统和运行状态分类方法 | |
CN112966879A (zh) | 环境试验箱故障预测方法、装置、计算机设备及存储介质 | |
CN114662618B (zh) | 一种基于联邦学习的故障诊断方法、装置及相关设备 | |
CN113328908B (zh) | 异常数据的检测方法、装置、计算机设备和存储介质 | |
CN111813845A (zh) | 基于etl任务的增量数据抽取方法、装置、设备及介质 | |
CN115769235A (zh) | 提供与训练函数的准确度有关的警报的方法和系统 | |
CN111310778A (zh) | 检测装置、检测方法以及记录检测程序的记录介质 | |
US20210341910A1 (en) | Sensor attribution for anomaly detection | |
US20080147361A1 (en) | Methods and apparatus to monitor system health | |
US20140188772A1 (en) | Computer-implemented methods and systems for detecting a change in state of a physical asset | |
CN117009181A (zh) | 异常日志的处理方法、存储介质与设备 | |
CN113076217B (zh) | 基于国产平台的磁盘故障预测方法 | |
WO2019171123A1 (en) | Method, apparatus, system and program for controlling a robot, and storage medium | |
CN113587362A (zh) | 异常检测方法、装置及空调系统 | |
CN113447813A (zh) | 海上风力发电机组的故障诊断方法及设备 | |
CN115936679B (zh) | 一种复杂系统的预测维修决策数字化方法和装置 | |
CN118012674B (zh) | 一种向后故障恢复方法、云操作系统以及智能计算平台 | |
CN114355853B (zh) | 一种工控数据取证方法、装置、电子设备及存储介质 | |
CN116381419B (zh) | 输电线路故障处理方法、装置、计算机设备和存储介质 |
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 |