CN115668084A - 诊断装置、服务器以及诊断方法 - Google Patents

诊断装置、服务器以及诊断方法 Download PDF

Info

Publication number
CN115668084A
CN115668084A CN202180037290.5A CN202180037290A CN115668084A CN 115668084 A CN115668084 A CN 115668084A CN 202180037290 A CN202180037290 A CN 202180037290A CN 115668084 A CN115668084 A CN 115668084A
Authority
CN
China
Prior art keywords
sensor signal
classification
unit
server
abnormality
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202180037290.5A
Other languages
English (en)
Inventor
佐藤和宏
小泉和弘
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.)
Fanuc Corp
Original Assignee
Fanuc 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 Fanuc Corp filed Critical Fanuc Corp
Publication of CN115668084A publication Critical patent/CN115668084A/zh
Pending legal-status Critical Current

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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

仅筛选对供应商中的功能改善影响大的数据，并将筛选出的数据上传到服务器。一种诊断装置，其与服务器能够通信地连接，该服务器学习工业设备的异常而生成所述异常的分类学习模型，具有：传感器信号取得部，其取得传感器信号，该传感器信号包含由配置于所述工业设备的至少1个传感器测定出的测定值；设备诊断部，其根据取得的所述传感器信号来诊断所述工业设备正常还是异常；分类部，其在由所述设备诊断部诊断为所述工业设备异常时，根据所述传感器信号和所述分类学习模型对所述工业设备的异常进行分类；发送部，其根据所述设备诊断部的诊断结果和所述分类部的分类结果中的至少1个，判断能否向所述服务器发送所述传感器信号，在判断为能够发送时向所述服务器发送所述传感器信号。

Description

诊断装置、服务器以及诊断方法
技术领域
本发明涉及诊断装置、服务器以及诊断方法。
背景技术
存在进行机床、机器人等工业设备的诊断(故障的预测、检测等)的诊断装置。在该诊断装置中，为了提高诊断精度等功能改善，需要由工业设备的制造商、销售商等供应商回收传感器数据，该传感器数据是配置于用户的工业设备的传感器测定出的测定值。
关于这一点，已知有如下技术：将与对象装置的当前动作对应的情景信息和在该动作中检测到的音响数据等检测信息发送到学习装置，学习装置结合根据相同或类似的情景信息分别对应的检测信息而生成的模型，从学习装置取得与发送的情景信息对应的模型，使用检测到的检测信息和取得的模型，判定对象装置的动作是否正常。例如，参照专利文献1。
现有技术文献
专利文献
专利文献1：日本特开2018-25945号公报
发明内容
发明要解决的课题
但是，例如始终将工业设备的传感器数据上传到供应商的服务器等是比较困难的。即，工业设备的传感器数据的容量一般较大，若上传全部数据则压迫网络带宽。另外，从安全性的观点出发，工业设备大多不与外部网络始终连接。
另外，在需要针对传感器数据附加标签(标注)时，还存在若对象数据数量多则用户的负荷增加这样的问题。
因此，期望仅筛选对供应商的功能改善影响大的数据，并将筛选出的数据上传到服务器。
用于解决课题的手段
(1)本公开的诊断装置的一方式是一种诊断装置，其与服务器能够通信地连接，该服务器学习工业设备的异常而生成所述异常的分类学习模型，所述诊断装置具有：传感器信号取得部，其取得传感器信号，该传感器信号包含由配置于所述工业设备的至少1个传感器测定出的测定值；设备诊断部，其根据取得的所述传感器信号来诊断所述工业设备正常还是异常；分类部，其在由所述设备诊断部诊断为所述工业设备异常时，根据所述传感器信号和所述分类学习模型对所述工业设备的异常进行分类；以及发送部，其根据所述设备诊断部的诊断结果以及所述分类部的分类结果中的至少1个，来判断能否向所述服务器发送所述传感器信号，并在判断为能够发送时，向所述服务器发送所述传感器信号。
(2)本公开的诊断装置的一方式是一种诊断装置，其与服务器能够通信地连接，该服务器具有通过输入从工业设备取得的表示异常的传感器信号来对所述异常进行分类的分类学习模型，并且学习无法进行分类的所述传感器信号的分类来更新所述分类学习模型，所述诊断装置具有：传感器信号取得部，其取得传感器信号，该传感器信号包含由配置于所述工业设备的至少1个传感器测定出的测定值；设备诊断部，其根据取得的所述传感器信号来诊断所述工业设备正常还是异常；发送部，在由所述设备诊断部诊断为所述工业设备异常时，所述发送部向所述服务器发送所述传感器信号；以及标签信息生成部，其根据从所述服务器取得的针对所述传感器信号的分类结果，判断标签的生成时刻，并生成所述标签，其中，所述标签表示针对所述传感器信号的所述工业设备的异常内容，所述发送部向所述服务器发送所述标签。
(3)本公开的服务器的一方式是一种服务器，其与(1)的诊断装置能够通信地连接，所述服务器具有：分类模型学习部，其使用从所述诊断装置接收到的传感器信号来学习所述工业设备的异常而生成所述分类学习模型，并将生成的所述分类学习模型发送到所述诊断装置。
(4)本公开的服务器的一方式是一种服务器，其与(2)的诊断装置能够通信地连接，所述服务器具有：分类模型学习部，其使用从所述诊断装置接收到的传感器信号来学习所述工业设备的异常，生成所述分类学习模型；以及分类部，其根据所述传感器信号和所述分类学习模型对所述工业设备的异常进行分类。
(5)本公开的诊断方法的一方式是一种诊断装置进行的诊断方法，该诊断装置与服务器能够通信地连接，该服务器学习工业设备的异常而生成所述异常的分类学习模型，所述诊断方法具有以下步骤：传感器信号取得步骤，取得传感器信号，该传感器信号包含由配置于工业设备的至少1个传感器测定出的测定值；设备诊断步骤，根据取得的所述传感器信号来诊断所述工业设备正常还是异常；分类步骤，在诊断为所述工业设备异常时，根据所述传感器信号和所述分类学习模型对所述工业设备的异常进行分类；以及发送步骤，根据所述设备诊断步骤的诊断结果以及所述分类步骤的分类结果中的至少1个，来判断能否向所述服务器发送所述传感器信号，并在判断为能够发送时，向所述服务器发送所述传感器信号。
(6)本公开的诊断方法的一方式是一种诊断装置进行的诊断方法，该诊断装置与服务器能够通信地连接，该服务器具有通过输入从工业设备取得的表示异常的传感器信号来对所述异常进行分类的分类学习模型，并且学习无法进行分类的所述传感器信号的分类来更新所述分类学习模型，所述诊断方法具有如下步骤：传感器信号取得步骤，取得传感器信号，该传感器信号包含由配置于工业设备的至少1个传感器测定出的测定值；设备诊断步骤，根据取得的所述传感器信号来诊断所述工业设备正常还是异常；发送步骤，在诊断为所述工业设备异常时，向所述服务器发送所述传感器信号；以及标签信息生成步骤，根据从所述服务器取得的针对所述传感器信号的分类结果，判断标签的生成时刻，并生成所述标签，其中，所述标签表示针对所述传感器信号的所述工业设备的异常内容，所述发送步骤中，向所述服务器发送所述标签。
发明效果
根据一方式，能够仅筛选对供应商中的功能改善影响大的数据，并将筛选出的数据上传到服务器。
附图说明
图1是表示第一实施方式的诊断系统的功能结构例的功能框图。
图2是对诊断装置的诊断处理以及服务器的收集处理进行说明的流程图。
图3是对诊断装置的取得处理以及服务器的学习处理进行说明的流程图。
图4是表示第二实施方式的诊断系统的功能结构例的功能框图。
图5是对诊断装置的诊断处理以及服务器的收集处理进行说明的流程图。
图6是对服务器的学习处理进行说明的流程图。
图7是表示诊断系统的结构的一例的图。
具体实施方式
以下，使用附图对本公开的第一实施方式进行说明。
＜第一实施方式＞
图1是表示第一实施方式的诊断系统的功能结构例的功能框图。如图1所示，诊断系统1具有：工业设备10、诊断装置20以及服务器30。
工业设备10、诊断装置20以及服务器30可以经由LAN(Local Area Network：局域网)、互联网等未图示的网络而相互连接。该情况下，工业设备10、诊断装置20以及服务器30具有用于通过这样的连接而相互进行通信的未图示的通信部。另外，工业设备10、诊断装置20以及服务器30也可以经由未图示的连接接口而彼此直接连接。
工业设备10对于本领域技术人员而言是公知的机床、工业用机器人等，其含有传感器11。工业设备10根据来自未图示的控制装置的动作指示进行动作。此外，在工业设备10是机床时，未图示的控制装置是数值控制装置，在工业设备10是机器人时，未图示的控制装置是机器人控制装置。另外，未图示的控制装置也可以包含在工业设备10中。
传感器11对工业设备10所包含的电动机、安装于该电动机的主轴、臂部等可动部(未图示)的可动相关的状态进行测定。传感器11将包含作为测定出的测定值的传感器数据的传感器信号输出到诊断装置20，以用作诊断用数据。传感器11能够通过任意的传感器来实现，例如能够通过加速度传感器、AE(Acoustic Emission：声发射)传感器、温度传感器、电流计、电压计等传感器来实现。
另外，在由传感器11测定的传感器数据中，可以包含伺服控制的反馈数据(速度反馈以及由此计算的转矩指令)。
此外，在图1中，传感器11设为1个，但并不限定于此。例如，在工业设备10中，可以配置测定相同种类的传感器数据的多个传感器11，也可以配置测定彼此不同种类的传感器数据的多个传感器11。
＜诊断装置20＞
诊断装置20构成为包含控制部21以及显示部22。另外，控制部21包含：传感器信号取得部211、设备诊断部212、分类部213、发送部214、显示控制部215以及标签信息生成部216。
显示部22是LCD(Liquid Crystal Display：液晶显示器)等显示装置。显示部22根据后述的显示控制部215的控制指示，显示由后述的设备诊断部212诊断出的工业设备10的诊断结果、以及由后述的分类部213分类出的工业设备10的异常分类结果。另外，显示部22可以根据显示控制部215的控制指示，经由诊断装置20所包含的键盘、触摸面板等输入装置(未图示)，显示从用户受理后述的指示发送部214发送传感器数据的用户界面。
＜控制部21＞
控制部21具有CPU(Central Processing Unit：中央处理单元)、ROM(Read OnlyMemory：只读存储器)、RAM、CMOS(Complementary Metal–Oxide-Semiconductor：互补金属氧化物半导体)存储器等，它们构成为能够经由总线相互通信，对于本领域技术人员而言是公知的。
CPU是整体地控制诊断装置20的处理器。CPU经由总线读出储存在ROM中的系统程序和应用程序，按照所述系统程序和应用程序来控制诊断装置20整体。由此，如图1所示，控制部21构成为实现传感器信号取得部211、设备诊断部212、分类部213、发送部214、显示控制部215以及标签信息生成部216的功能。在RAM中储存临时的计算数据、显示数据等各种数据。另外，CMOS存储器构成为如下非易失性存储器：由未图示的电池备份，即使诊断装置20的电源断开也保持存储状态。
传感器信号取得部211取得传感器信号，该传感器信号包含由配置于工业设备10的至少1个传感器11测定出的测定值(传感器数据)。传感器信号取得部211将取得的传感器信号输出到设备诊断部212、分类部213以及发送部214。
设备诊断部212根据取得的传感器信号来诊断工业设备10是正常还是异常。
设备诊断部212例如是One Class SVM(Support Vector Machine：支持向量机)(以下，也称为“1类SVM”)、高斯混合模型等1类分类器。设备诊断部212例如对工业设备10的运转状态相同或类似的工业设备10的正常时的传感器数据分布进行学习，根据与正常时的传感器数据分布的偏差(即，背离程度)而判断为异常。
此外，以下省略与工业设备10的运转状态相关的说明，但实际上也可以按工业设备10的运转状态(情景信息)来生成1类分类器，按工业设备10的运转状态(情景信息)来进行针对工业设备10的诊断。
具体而言，基于1类SVM的方法的1类分类器是应用了将传感器数据分类为2个类(集)的分类学习模型即SVM的方法。SVM求出对学习数据进行分类的超平面，学习数据是以2类数据间的距离(余量)为最大的方式确定类而得的，利用上述超平面将判定对象的传感器数据分类到某一类。并且，1类分类器仅使用正常数据的1类作为学习数据，求出对学习数据的类和除此以外进行分类的超平面，利用求出的超平面对传感器数据进行分类。结果，1类分类器在传感器数据的空间中，制作可以通过几个学习数据来包围大部分学习数据的识别边界，通过所述识别边界，将判定对象传感器数据分类为正常或异常中的某一个。
换言之，基于正常时的学习数据的1类分类器即设备诊断部212可以诊断传感器数据是否被分类为学习数据的正常类，即可以诊断诊断对象工业设备10是正常还是异常。设备诊断部212将诊断结果输出到后述的分类部213、发送部214以及显示控制部215。
在由设备诊断部212诊断为工业设备10异常时，分类部213根据传感器信号和后述的分类学习模型对工业设备10的异常进行分类。
具体而言，如后所述，分类部213例如从服务器30取得(下载)作为分类学习模型的1类分类器，并追加所取得的1类分类器，其中，分类学习模型是基于异常Ai的学习数据的模型。分类部213使用追加的1类分类器和传感器数据，判定传感器数据是否被分类为异常Ai的学习数据类，即工业设备10的异常是否为异常Ai。此外，i为1至n的整数，n为1以上的整数。
即，分类部213根据由设备诊断部212诊断为异常的工业设备10的传感器数据，对诊断对象工业设备10的异常进行分类。例如，分类部213使用由后述的服务器30生成的基于已知的各个异常Ai的学习数据的1类分类器，判定传感器数据是否适合于异常Ai的学习数据，由此，判定工业设备10的异常是否为异常Ai。另一方面，分类部213也可以在判定为不是异常A1至异常An中的任一个时，将该传感器数据判定为未知数据。
并且，分类部213将分类结果输出到发送部214、显示控制部215以及标签信息生成部216。
此外，即使在判定为异常Ai的情况下，在判定出的异常Ai对应的传感器数据的数量比预先设定的样本数少时，分类部213也可以将该传感器数据判定为未知数据。
另外，在分类学习模型为神经网络的学习完成模型时，分类部213可以在神经网络的输出层(Softmax函数)的值相对于所有类为预先设定的规定值以下时，判定为未知数据。
另外，在分类学习模型是将已知的异常A1至异常An的所有类的数据作为输入而学习到的1类分类器时，分类部213可以在该1类分类器的输出相对于预先设定的阈值大或小时，判定为未知数据。
另外，分类部213从服务器30取得基于已知的各异常Ai的学习数据的1类分类器，使用取得的1类分类器和传感器数据对工业设备10的异常进行分类，但并不限定于此。例如，分类部213也可以从服务器30取得通过后述的服务器30中的机器学习而生成的例如SVM、决策树等分类器，使用取得的SVM、决策树等分类器和传感器数据，对工业设备10的异常进行分类。
另外，分类部213也可以是分类成对于后述的服务器30而言已知的异常A1至异常An的数据还是未知数据的1类分类器。
发送部214根据设备诊断部212的诊断结果、或者分类部213的分类结果、或两者的结果，来判断能否向服务器30发送传感器信号，在判断为能够发送时，向服务器30发送传感器信号。
具体而言，在由设备诊断部212诊断为工业设备10异常，由分类部213将传感器信号的传感器数据分类为未知数据时，发送部214判断为将包含该传感器数据的传感器信号发送给服务器30。并且，发送部214将传感器信号发送给服务器30。
即，发送部214仅将分类部213判定为对于服务器30而言未知数据的传感器数据的传感器信号发送给服务器30，由此，能够降低网络的负荷、用户的负荷。
在发送部214发送传感器信号时，在需要发送数据的时刻，显示控制部215在显示部22显示提醒用户发送传感器信号的用户界面。
具体而言，例如可以在发送部214发送传感器信号的时刻，显示控制部215在显示部22显示包含“请向服务器30发送数据”等消息、“发送”按钮的用户界面。
另外，显示控制部215可以将设备诊断部212的诊断结果、分类部213的分类结果、或者两者的结果显示于显示部22。
标签信息生成部216根据分类部213的分类结果，判断标签的生成时刻，并生成针对要发送的传感器信号的标签，其中，所述标签表示针对传感器信号的工业设备10的异常内容。
具体而言，例如在发送部214发送由分类部213判定为未知数据的传感器数据的时刻，标签信息生成部216以组合了“主轴轴承的损坏”、“引导滑动面的劣化”、或者“工具损坏”等异常部位与异常现象的形式生成表示工业设备10的异常内容的标签。
另外，标签信息生成部216例如也可以根据经由诊断装置20的输入装置(未图示)在工业设备10为异常的时刻产生的异响、振动等用户输入来生成标签。
另外，标签信息生成部216也可以在显示部22显示提醒用户输入标签的画面，使其输入标签。
另外，标签信息生成部216也可以根据标签附加对象数据的取得时刻的、(其他的)传感器信号、设备动作状况、环境状况等来生成标签。
此外，标签的形式并不限定于组合了异常部位与异常现象的形式，也可以是其他形式。
＜服务器30＞
服务器30例如是计算机装置，经由未图示的网络与诊断装置20之间进行通信。如图1所示，服务器30具有分类模型学习部31。
服务器30为了实现分类模型学习部31的功能块而具有CPU等运算处理装置。另外，服务器30还具有储存了应用软件、OS(Operating System：操作系统)等各种控制用程序的HDD等辅助存储装置、用于储存运算处理装置执行程序时暂时所需的数据的RAM这样的主存储装置。
并且，在服务器30中，运算处理装置从辅助存储装置读入应用软件、OS，一边使读入的应用软件、OS在主存储装置中展开，一边进行根据这些应用软件、OS的运算处理。另外，根据该运算结果来控制服务器30具有的各种硬件。由此，实现本实施方式的功能块。即，本实施方式能够通过硬件与软件协作来实现。
此外，也可以在云上利用虚拟服务器功能等来实现服务器30的各功能。
分类模型学习部31例如从诊断装置20接收由诊断装置20判定为未知数据的传感器数据以及标签。分类模型学习部31将接收到的传感器数据以及标签存储在服务器30所包含的HDD等存储部(未图示)的存储区域中的与标签内容对应的存储区域中。
并且，分类模型学习部31例如在每个标签的存储区域中的传感器数据的数量为预先设定的规定数据数量以上时，仅使用该存储区域的传感器数据的1类作为学习数据，求出对作为新的异常An+1的类和除此以外进行分类的超平面，利用求出的超平面新生成对传感器数据进行分类的1类分类器的分类学习模型。并且，分类模型学习部31将对新生成的异常An+1进行分类的分类学习模型发送到诊断装置20。
此外，分类模型学习部31可以受理异常An+1的传感器数据与标签之组作为训练数据，使用受理的训练数据进行监督学习，由此，构建神经网络的学习完成模型，该神经网络的学习完成模型针对输入层中传感器数据的输入，在输出层中预测为异常An+1的概率(Softmax函数)。
另外，分类模型学习部31例如可以生成SVM、决策树等分类器，也可以生成分类为对于服务器30而言已知的异常A1至异常An的数据还是未知数据的1类分类器。
＜诊断装置20的诊断处理以及服务器30的收集处理＞
接下来，对诊断装置20的诊断处理以及服务器30的收集处理的动作进行说明。
图2是对诊断装置20的诊断处理以及服务器30的收集处理进行说明的流程图。
在步骤S11中，传感器信号取得部211取得包含由工业设备10的传感器11测定出的传感器数据的传感器信号。
在步骤S12中，设备诊断部212根据在步骤S11中取得的传感器信号的传感器数据来诊断工业设备10正常还是异常。
在步骤S13中，分类部213在步骤S12中诊断为工业设备10异常时，根据传感器数据对工业设备10的异常进行分类。
在步骤S14中，显示控制部215在显示部22显示诊断结果以及分类结果。
在步骤S15中，发送部214根据步骤S12的诊断结果、或者步骤S13中的分类结果、或两者的结果，判断能否发送传感器信号。在判断为发送传感器信号时，处理进入到步骤S16。另一方面，在判断为不发送传感器信号时，处理返回到步骤S11。
在步骤S16中，标签信息生成部216判断针对在步骤S13中判定为未知数据的传感器数据的标签生成时刻，生成针对传感器数据的标签。
在步骤S17中，当用户按下显示在显示部22中的用户界面的“发送”按钮时，发送部214向服务器30发送附加了标签的未知数据的传感器数据的传感器信号。并且，处理返回到步骤S11。
在步骤S31中，服务器30的分类模型学习部31从诊断装置20接收在步骤S17中发送的附加了标签的未知数据的传感器数据的传感器信号，将接收到的传感器数据以及标签存储在服务器30的存储部(未图示)的存储区域中的与标签内容对应的存储区域。
此外，诊断装置20按照顺序呈时间序列进行了取得传感器信号的处理和未知数据的标签生成以及发送的处理，但也可以并行或者单独地执行。
＜诊断装置20的取得处理以及服务器30的学习处理＞
接下来，对诊断装置20的取得处理以及服务器30的学习处理的动作进行说明。
图3是对诊断装置20的取得处理以及服务器30的学习处理进行说明的流程图。
在步骤S51中，分类模型学习部31判定通过图2的收集处理收集到的传感器数据是否为预先设定的规定的数据数量以上。在收集到的传感器数据为规定的数据数量以上时，处理进入到步骤S52。另一方面，在收集到的传感器数据比规定的数据数量少时，处理在步骤S51待机，直到传感器数据为规定的数据数量以上为止。
在步骤S52中，分类模型学习部31使用收集了规定的数据数量以上的传感器数据以及标签进行机器学习，由此，生成分类为新的异常An+1的分类学习模型。
在步骤S53中，服务器30的分类模型学习部31向诊断装置20发送表示生成了对新的异常An+1进行分类的分类学习模型的消息。
在步骤S41中，诊断装置20的分类部213判定是否从服务器30接收到表示生成了对新的异常An+1进行分类的分类学习模型的消息。在接收到消息时，处理进入到步骤S42。另一方面，在未接收到消息时，处理在步骤S41待机，直到接收到消息为止。
在步骤S42中，分类部213从服务器30下载并取得生成的分类学习模型。
此外，服务器30的学习处理例示了小批量处理，但也可以代替小批量处理而置换为批量处理或实时处理。
根据以上，第一实施方式的诊断装置20取得包含由工业设备10的传感器11测定出的传感器数据的传感器信号，根据取得的传感器数据来诊断工业设备10正常还是异常。诊断装置20在诊断为工业设备10异常时，根据传感器数据对工业设备10的异常进行分类。诊断装置20在通过分类而判定为传感器数据是未知数据时，判断为可以将所述传感器数据发送给服务器30，并发送给服务器30。
由此，诊断装置20能够仅筛选对供应商中的功能改善影响大的未知数据，并将筛选出的未知数据上传到服务器30。由此，诊断装置20能够降低网络的负荷。
另外，诊断装置20针对筛选出的上传到服务器30的未知数据进行标签附加(标注)，由此，能够降低用户负荷。
以上，对第一实施方式进行了说明。
＜第二实施方式＞
接着，对第二实施方式进行说明。
在第一实施方式中，诊断装置20使用来自传感器11的传感器信号所包含的传感器数据来诊断工业设备10正常还是异常，在诊断为工业设备10异常时，使用由服务器30生成的分类学习模型和传感器数据来对工业设备10的异常进行分类，在判定为传感器数据是未知数据时，将该传感器数据发送到服务器30。与之相对地，在第二实施方式中，诊断装置20A使用来自传感器11的传感器信号所包含的传感器数据来诊断工业设备10正常还是异常，将诊断为工业设备10异常的全部传感器数据发送给服务器30A，针对所发送的传感器数据中由服务器30A判定为未知数据的传感器数据生成标签，发送给服务器30A。
即，在第二实施方式中，诊断装置20A根据取得的传感器信号来诊断工业设备10正常还是异常，在诊断为工业设备异常时，将传感器信号发送到服务器30A，根据从服务器30A取得的针对工业设备10异常的分类结果，判断针对传感器信号的标签生成时刻来生成标签，并将生成的标签发送到服务器30A，这一点与第一实施方式不同。
由此，诊断装置20A能够仅筛选对供应商中的功能改善影响大的诊断为工业设备10异常的数据，并将筛选出的数据上传到服务器30A。
以下，对第二实施方式进行说明。
图4是表示第二实施方式的诊断系统的功能结构例的功能框图。此外，对具有与图1的诊断系统1的要素一样的功能要素标注相同的符号，省略详细的说明。
如图4所示，第二实施方式的诊断系统1具有：工业设备10、诊断装置20A以及服务器30A。
工业设备10与第一实施方式的情况一样，对于本领域技术人员而言是公知的机床、工业用机器人等，其包含传感器11。工业设备10根据来自未图示的控制装置的动作指示进行动作。
传感器11与第一实施方式的情况一样，测定与工业设备10所包含的电动机、安装于该电动机的主轴、臂部等可动部(未图示)的可动相关的状态。传感器11将测定出的测定值即传感器数据输出到诊断装置20。
＜诊断装置20A＞
诊断装置20A构成为包含控制部21a以及显示部22。另外，控制部21a包含：传感器信号取得部211、设备诊断部212、发送部214a、显示控制部215以及标签信息生成部216a。
此外，在第二实施方式中，与第一实施方式的分类部213对应的功能实现为后述的服务器30A的分类部32。即，第二实施方式的诊断装置20A不使用由传感器11测定出的传感器数据对工业设备10中产生的异常进行分类。
另外，显示部22具有与第一实施方式中的显示部22同等的功能。
＜控制部21a＞
控制部21a与第一实施方式的控制部21一样，具有CPU(Central ProcessingUnit：中央处理单元)、ROM(Read Only Memory：只读存储器)、RAM、CMOS(ComplementaryMetal–Oxide-Semiconductor：互补金属氧化物半导体)存储器等，它们构成为能够经由总线相互通信，对于本领域技术人员而言是公知的。
CPU是整体地控制诊断装置20A的处理器。CPU经由总线读出储存在ROM中的系统程序和应用程序，按照所述系统程序和应用程序来控制诊断装置20整体。由此，如图4所示，构成为控制部21a实现传感器信号取得部211、设备诊断部212、发送部214a、显示控制部215以及标签信息生成部216a的功能。
传感器信号取得部211、设备诊断部212以及显示控制部215具有与第一实施方式中的传感器信号取得部211、设备诊断部212以及显示控制部215同等的功能。
在由设备诊断部212诊断为工业设备10异常时，发送部214a向服务器30A发送传感器信号。
即，发送部214a仅将由设备诊断部212诊断为工业设备10异常的传感器数据的传感器信号发送给服务器30A，由此，能够降低网络的负荷、用户的负荷。
并且，如后述那样，在由服务器30A将发送的传感器数据分类为未知数据时，发送部214a可以将由后述的标签信息生成部216a针对该传感器数据生成的标签发送到服务器30A。
标签信息生成部216a在从后述的服务器30A接收到发送部214a发送的针对传感器信号的分类结果时，根据接收到的分类结果，判断表示针对传感器信号的工业设备10的异常内容的标签生成时刻，生成标签。发送部214a将生成的标签发送至服务器30A。
具体而言，标签信息生成部216a在从服务器30A接收到发送部214a发送的传感器信号的传感器数据被判定为未知数据的分类结果的时刻，以组合了“主轴轴承的损坏”、“引导滑动面的劣化”、或者“工具损坏”等异常部位与异常现象的形式，生成表示工业设备10的异常内容的标签。
另外，标签信息生成部216a例如也可以根据经由诊断装置20的输入装置(未图示)在工业设备10为异常的时刻产生的异响、振动等用户输入来生成标签。
另外，标签信息生成部216a也可以在显示部22显示提醒用户输入标签的画面，使其输入标签。
另外，标签信息生成部216a也可以根据标签附加对象数据的取得时刻的、(其他的)传感器信号、设备动作状况、环境状况等来生成标签。
此外，标签的形式并不限定于组合了异常部位与异常现象的形式，可以是其他形式。
＜服务器30A＞
服务器30A与第一实施方式的服务器30一样，是计算机装置，经由未图示的网络，与诊断装置20A之间进行通信。如图4所示，服务器30A具有分类模型学习部31以及分类部32。
服务器30A为了实现分类模型学习部31以及分类部32的功能块而具有CPU等运算处理装置。另外，服务器30A还具有储存了应用软件、OS等各种控制用程序的HDD等辅助存储装置、用于储存运算处理装置执行程序时临时需要的数据的RAM这样的主存储装置。
并且，在服务器30A中，运算处理装置从辅助存储装置读入应用软件、OS，一边使读入的应用软件、OS在主存储装置中展开，一边进行根据这些应用软件、OS的运算处理。另外，根据该运算结果，控制服务器30具有的各种硬件。由此，实现第二实施方式的功能块。即，第二实施方式能够通过硬件和软件协作来实现。
此外，也可以在云上利用虚拟服务器功能等来实现服务器30A的各功能。
分类模型学习部31具有与第一实施方式的分类模型学习部31同等的功能。但是，第二实施方式的分类模型学习部31将生成的分类学习模型输出到后述的分类部32。
分类部32使用诊断为工业设备10异常而从诊断装置20A接收到的传感器信号的传感器数据和由分类模型学习部31生成的分类学习模型，对工业设备10的异常进行分类。
具体而言，分类部32与第一实施方式的分类部213一样，例如使用基于由分类模型学习部31生成的异常Ai的学习数据的1类分类器和接收到的传感器数据，对接收到的传感器数据是否分类为异常Ai的学习数据的类，即工业设备10的异常是否为异常Ai进行分类。
即，分类部32根据由诊断装置20A诊断为异常的工业设备10的传感器数据，对工业设备10的异常进行分类。例如，分类部32使用基于由分类模型学习部31生成的已知的各异常Ai的学习数据的1类分类器，判定接收到的传感器数据是否适合于异常Ai的学习数据，由此，判定工业设备10的异常是否为异常Ai。另一方面，分类部213在判定为不是异常A1至异常An中的任一个时，将对应的传感器数据判定为未知数据。
并且，分类部32将分类结果发送到诊断装置20A。
此外，即使在判定为是某一个异常Ai时，在与判定出的异常Ai对应的传感器数据的数量比预先决定的样本数少时，分类部32也可以将该传感器数据判定为未知数据。
另外，在分类学习模型为神经网络的学习完成模型时，分类部32可以在神经网络的输出层(Softmax函数)的值针对所有类为预先设定的规定值以下时，判定为未知数据。
另外，在分类学习模型是将已知的所有类的数据作为输入进行学习而得的1类分类器时，分类部32可以在该1类分类器的输出相对于预先设定的阈值大或小时，判定为未知数据。
＜诊断装置20A的诊断处理及服务器30A的收集处理＞
接下来，对诊断装置20A的诊断处理及服务器30A的收集处理的动作进行说明。
图5是对诊断装置20A的诊断处理及服务器30A的收集处理进行说明的流程图。
在步骤S61中，传感器信号取得部211进行与第一实施方式中的步骤11一样的处理，取得包含由工业设备10的传感器11测定出的传感器数据的传感器信号。
在步骤S62中，设备诊断部212根据在步骤S61中取得的传感器信号的传感器数据来诊断工业设备10是否异常。在工业设备10异常时，处理进入到步骤S63。另一方面，在工业设备10正常时，处理返回到步骤S61。
在步骤S63中，发送部214a向服务器30A发送在步骤S62中诊断为工业设备10异常的传感器数据。
在步骤S71中，服务器30A的分类部32从诊断装置20A接收在步骤S63中发送的传感器数据。
在步骤S72中，分类部32根据在步骤S71中接收到的传感器数据对工业设备10的异常进行分类。
在步骤S73中，分类部32将在步骤S72中分类的分类结果发送到诊断装置20A。
在步骤S64中，诊断装置20A的显示控制部215从服务器30A接收分类结果。
在步骤S65中，显示控制部215进行与第一实施方式中的步骤14一样的处理，将诊断结果以及分类结果显示于显示部22。
在步骤S66中，标签信息生成部216a根据在步骤S64中接收到的分类结果，判定在步骤S63中发送的传感器数据是否由服务器30A分类为未知数据。在传感器数据分类为未知数据时，处理进行到步骤S67。另一方面，在传感器数据不是未知数据，即分类为异常A1至异常An中的某一个数据时，处理返回到步骤S61。
在步骤S67中，标签信息生成部216a判断针对由服务器30A分类为未知数据的传感器数据的标签生成时刻，并生成针对传感器数据的标签。
在步骤S68中，当用户按下显示在显示部22中的用户界面的“发送”按钮时，发送部214a将在步骤S67中生成的标签发送到服务器30A。并且，处理返回到步骤S61。
在步骤S74中，分类模型学习部31从诊断装置20A接收在步骤S72中分类为未知数据的传感器数据的标签，将接收到的传感器数据以及标签存储在服务器30A的存储部(未图示)的存储区域中的与标签的内容对应的存储区域。
此外，诊断装置20A按照顺序呈时间序列进行了取得传感器信号的处理和未知数据的标签生成以及发送的处理，但也可以并行或者单独地执行。
另外，服务器30A按照顺序呈时间序列进行了步骤S71至步骤S73的处理和步骤S74的处理，但也可以并行或者单独地执行。
＜服务器30A的学习处理＞
接着，对服务器30A的学习处理的动作进行说明。
图6是对服务器30A的学习处理进行说明的流程图。
在步骤S81中，分类模型学习部31进行与第一实施方式中的步骤51一样的处理，判定通过图5的收集处理收集到的传感器数据是否为预先设定的规定的数据数量以上。在收集到的传感器数据为规定的数据数量以上时，处理进入到步骤S82。另一方面，在收集到的传感器数据比规定的数据数量少时，处理在步骤S81待机，直到传感器数据为规定的数据数量以上。
在步骤S82中，分类模型学习部31进行与第一实施方式中的步骤52一样的处理，使用收集了规定的数据数量以上的传感器数据以及标签进行机器学习，由此，生成分类为新的异常An+1的分类学习模型，将生成的分类学习模型输出到分类部32。
此外，服务器30A的学习处理例示了小批量处理，但也可以代替小批量处理而置换为批量处理或实时处理。
通过以上，第二实施方式的诊断装置20A取得包含由工业设备10的传感器11测定出的传感器数据的传感器信号，根据取得的传感器数据来诊断工业设备10正常还是异常。诊断装置20A在诊断为工业设备10异常时，将取得的传感器信号发送到服务器30A。诊断装置20A在由服务器30A针对发送的传感器数据判定为未知数据时，生成针对传感器数据的标签，将生成的标签发送到服务器30A。
由此，诊断装置20A能够仅筛选对供应商中的功能改善影响大的诊断为工业设备10异常的数据，并将筛选出的数据上传到服务器30A。由此，诊断装置20A能够降低网络的负荷。
另外，诊断装置20A通过针对所发送的诊断为工业设备10异常的数据中的、由服务器30A判定为未知数据的数据进行标签附加(标注)，由此，能够降低用户负荷。
以上，对第二实施方式进行了说明。
以上，对第一实施方式及第二实施方式进行了说明，但诊断装置20、20A及服务器30、30A并不限定于所述实施方式，包含能够达成目的的范围内的变形、改良等。
＜变形例1＞
在第一实施方式以及第二实施方式中，例示了诊断装置20、20A作为与工业设备10不同的装置，但工业设备10也可以具有诊断装置20、20A的一部分或者全部的功能。
或者，例如服务器可以具有诊断装置20的传感器信号取得部211、设备诊断部212、分类部213、发送部214、显示控制部215以及标签信息生成部216的一部分或者全部、或者诊断装置20的传感器信号取得部211、设备诊断部212、发送部214a、显示控制部215以及标签信息生成部216a的一部分或者全部。另外，也可以在云上利用虚拟服务器功能等来实现诊断装置20、20A的各功能。
并且，诊断装置20、20A也可以是将诊断装置20、20A的各功能适当地分散到多个服务器的分散处理系统。
＜变形例2＞
另外，例如在上述的第一实施方式以及第二实施方式中，诊断装置20、20A与1个工业设备10连接，但并不限定于此，也可以与多个工业设备10连接。
＜变形例3＞
另外，例如在上述的第一实施方式以及第二实施方式中，服务器30、30A与1个诊断装置20、20A连接，但并不限定于此。例如图7所示，服务器30B可以按工业设备10A(1)-10A(m)存储由服务器30B的分类模型学习部31生成的分类学习模型，并与连接到网络60的m个诊断装置20B(1)-20B(m)共享分类学习模型(m为2以上的整数)。由此，即使配置新的工业设备以及诊断装置，也能够应用分类学习模型。
此外，诊断装置20B(1)-20B(m)的每一个与工业设备10A(1)-10A(m)的每一个连接。
另外，工业设备10A(1)-10A(m)的每一个与第一实施方式以及第二实施方式的工业设备10对应，既可以是彼此相同的机型，也可以是彼此不同的机型。诊断装置20B(1)-20B(m)的每一个与第一实施方式的诊断装置20或第二实施方式的诊断装置20A对应。服务器30B与第一实施方式的服务器30或第二实施方式的服务器30A对应。
此外，第一实施方式以及第二实施方式中的诊断装置20、20A以及服务器30、30A所包含的各功能能够通过硬件、软件或者它们的组合来分别实现。在此，通过软件实现是指通过计算机读入程序并执行来实现。
可以使用各种类型的非暂时性的计算机可读介质(Non-transitory computerreadable medium)来储存程序，将其提供给计算机。非暂时性的计算机可读介质包含各种类型的有实体的记录介质(Tangible storage medium)。非暂时性的计算机可读介质的例子包含磁记录介质(例如，软盘、磁带、硬盘驱动器)、光磁记录介质(例如，光磁盘)、CD-ROM(Read Only Memory：只读存储器)、CD-R、CD-R/W、半导体存储器(例如，掩模ROM、PROM(Programmable ROM：可编程ROM)、EPROM(Erasable PROM：可擦除PROM)、闪存ROM、RAM)。另外，程序也可以通过各种类型的暂时性的计算机可读介质(Transitory computerreadable medium)提供给计算机。暂时性的计算机可读介质的例子包含电信号、光信号和电磁波。暂时性的计算机可读介质可以经由电线以及光纤等有线通信路径或者无线通信路径将程序提供给计算机。
此外，描述在记录介质中记录的程序的步骤，当然包含按该顺序呈时间序列进行的处理，也包含未必呈时间序列进行的处理、以及并行或者单独地执行的处理。
换言之，本公开的诊断装置、服务器以及诊断方法可以采取具有如下结构的各种实施方式。
(1)本公开的诊断装置20的一方式是一种诊断装置，其与服务器30能够通信地连接，服务器30学习工业设备10的异常而生成异常的分类学习模型，诊断装置20具有：传感器信号取得部211，其取得传感器信号，该传感器信号包含由配置于工业设备10的至少1个传感器11测定出的测定值；设备诊断部212，其根据取得的传感器信号来诊断工业设备10正常还是异常；分类部213，其在由设备诊断部212诊断为工业设备10异常时，根据传感器信号和分类学习模型对工业设备的异常进行分类；发送部214，其根据设备诊断部212的诊断结果以及分类部213的分类结果中的至少1个，来判断能否向服务器30发送传感器信号，在判断为能够发送时，向服务器30发送传感器信号。
根据该诊断装置20，能够仅筛选对供应商中的功能改善影响大的数据，并将筛选出的数据上传到服务器。
(2)在(1)所述的诊断装置20中，也可以是，分类部213在根据传感器信号至少工业设备10的异常无法进行分类、或者是比预先设定的样本数少的异常时，将传感器信号分类为未知数据，发送部214将分类为未知数据的传感器信号发送到服务器30。
由此，诊断装置20仅将判定为对于服务器30而言未知数据的传感器数据的传感器信号发送至服务器30，由此，能够降低网络的负荷。
(3)在(1)或(2)所述的诊断装置20中，也可以是，设备诊断部212是如下的1类分类器：预先学习正常时的传感器信号的特征，并根据与正常时的特征的背离程度来检测工业设备10的异常。
由此，诊断装置20能够根据传感器数据容易地诊断工业设备10的异常。
(4)在(1)至(3)中任一项所述的诊断装置20中，也可以是，诊断装置20还具有：标签信息生成部216，其根据分类部213的分类结果，判断标签的生成时刻，并生成标签，其中标签表示针对传感器信号的工业设备10的异常内容，发送部214将传感器信号以及标签发送到服务器30。
由此，诊断装置20仅对判定为对于服务器30而言未知数据的传感器数据的传感器信号附加标签，由此，能够降低用户的负荷。
(5)在(4)所述的诊断装置20中，也可以是，分类部213从服务器30取得分类学习模型，分类学习模型是根据由发送部214发送的传感器信号以及标签而由服务器30生成的。
由此，诊断装置20能够根据传感器数据容易地诊断工业设备10的异常。
(6)在(5)所述的诊断装置20中，也可以是，每当服务器30从诊断装置20接收到新的传感器信号时，更新分类学习模型，分类部213使用更新后的分类学习模型，进行工业设备10的异常分类。
由此，诊断装置20能够提高分类的精度。
(7)在(1)至(6)中任一项所述的诊断装置20中，也可以是，诊断装置20还具有：显示控制部215，其在发送部214发送传感器信号时，在显示部22显示提醒发送传感器信号的用户界面。
由此，诊断装置20能够在用户所希望的时刻向服务器30发送传感器信号。
(8)在(7)所述的诊断装置20中，也可以是，显示控制部215在显示部22显示设备诊断部212的诊断结果以及分类部213的分类结果中的至少1个。
由此，用户能够确认工业设备10是否产生了异常以及所产生的异常。
(9)本公开的诊断装置20A的一方式是一种诊断装置，其与服务器30A能够通信地连接，服务器30A具有通过输入从工业设备10取得的表示异常的传感器信号来对异常进行分类的分类学习模型，并且学习无法进行分类的传感器信号的分类来更新分类学习模型，诊断装置20A具有：传感器信号取得部211，其取得传感器信号，传感器信号包含由配置于工业设备10的至少1个传感器11测定出的测定值；设备诊断部212，其根据取得的传感器信号来诊断工业设备10正常还是异常；发送部214a，在由设备诊断部212诊断为工业设备10异常时，发送部214a向服务器30A发送传感器信号；标签信息生成部216a，其根据从服务器30A取得的针对传感器信号的分类结果，判断标签的生成时刻，并生成标签，其中，标签表示针对传感器信号的工业设备10的异常内容，发送部214a向服务器30A发送标签。
根据该诊断装置20A，能够获得与(1)一样的效果。
(10)本公开的服务器30的一方式是一种服务器，其与(1)至(8)中任一项所述的诊断装置20能够通信地连接，服务器30具有：分类模型学习部31，其使用从诊断装置20接收到的传感器信号来学习工业设备10的异常而生成分类学习模型，并将生成的分类学习模型发送到诊断装置20。
根据该服务器30，能够仅接收对供应商中的功能改善影响大的数据。
(11)本公开的服务器30A的一方式是一种服务器，其与(9)所述的诊断装置20A能够通信地连接，服务器30A具有：分类模型学习部31，其使用从诊断装置20A接收到的传感器信号来学习工业设备10的异常，生成分类学习模型；分类部32，其根据传感器信号和分类学习模型对工业设备10的异常进行分类。
根据该服务器30A，能够仅接收对供应商中的功能改善影响大的数据。
(12)本公开的诊断方法的一方式是诊断装置20进行的诊断方法，诊断装置20与服务器30能够通信地连接，服务器30学习工业设备10的异常而生成异常的分类学习模型，诊断方法具有以下步骤：传感器信号取得步骤，取得传感器信号，传感器信号包含由配置于工业设备10的至少1个传感器11测定出的测定值；设备诊断步骤，根据取得的传感器信号来诊断工业设备10正常还是异常；分类步骤，在诊断为工业设备10异常时，根据传感器信号和分类学习模型对工业设备10的异常进行分类；发送步骤，根据设备诊断步骤的诊断结果以及分类步骤的分类结果中的至少1个，来判断能否向服务器30发送传感器信号，并在判断为能够发送时，向服务器30发送传感器信号。
根据该诊断方法，能够获得与(1)一样的效果。
(13)本公开的诊断方法的一方式是诊断装置20A的诊断方法，诊断装置20A与服务器30A能够通信地连接，该服务器30A具有通过输入从工业设备10取得的表示异常的传感器信号来对异常进行分类的分类学习模型，并且学习无法进行分类的传感器信号的分类来更新分类学习模型，所述诊断方法具有如下步骤：传感器信号取得步骤，取得传感器信号，传感器信号包含由配置于工业设备10的至少1个传感器11测定出的测定值；设备诊断步骤，根据取得的传感器信号来诊断工业设备10正常还是异常；发送步骤，在诊断为工业设备10异常时，向服务器30A发送传感器信号；标签信息生成步骤，根据从服务器30A取得的针对传感器信号的分类结果，判断标签的生成时刻，并生成标签，其中，标签表示针对传感器信号的工业设备10的异常内容，发送步骤中向服务器30A发送标签。
根据该诊断方法，能够获得与(1)一样的效果。
符号说明
1 诊断系统
10 工业设备
11 传感器
20、20A 诊断装置
21、21a 控制部
211 传感器信号取得部
212 设备诊断部
213 分类部
214、214a 发送部
215 显示控制部
216、216a 标签信息生成部
22 显示部
30、30A 服务器
31 分类模型学习部
32 分类部。

Claims (13)

1.一种诊断装置，其与服务器能够通信地连接，该服务器学习工业设备的异常而生成所述异常的分类学习模型，其特征在于，
所述诊断装置具有：
传感器信号取得部，其取得传感器信号，该传感器信号包含由配置于所述工业设备的至少1个传感器测定出的测定值；
设备诊断部，其根据取得的所述传感器信号来诊断所述工业设备正常还是异常；
分类部，其在由所述设备诊断部诊断为所述工业设备异常时，根据所述传感器信号和所述分类学习模型对所述工业设备的异常进行分类；以及
发送部，其根据所述设备诊断部的诊断结果以及所述分类部的分类结果中的至少1个，来判断能否向所述服务器发送所述传感器信号，并在判断为能够发送时，向所述服务器发送所述传感器信号。
2.根据权利要求1所述的诊断装置，其特征在于，
所述分类部在根据所述传感器信号至少所述工业设备的异常无法进行分类、或者是比预先设定的样本数少的异常时，将所述传感器信号分类为未知数据，
所述发送部将分类为未知数据的所述传感器信号发送到所述服务器。
3.根据权利要求1或2所述的诊断装置，其特征在于，
所述设备诊断部是如下的1类分类器：预先学习正常时的传感器信号的特征，并根据与正常时的特征的背离程度来检测所述工业设备的异常。
4.根据权利要求1～3中任一项所述的诊断装置，其特征在于，
所述诊断装置还具有：标签信息生成部，其根据所述分类部的分类结果，判断标签的生成时刻，并生成所述标签，其中，所述标签表示针对所述传感器信号的所述工业设备的异常内容，
所述发送部将所述传感器信号以及所述标签发送到所述服务器。
5.根据权利要求4所述的诊断装置，其特征在于，
所述分类部从所述服务器取得所述分类学习模型，该分类学习模型是根据由所述发送部发送的所述传感器信号以及所述标签而由所述服务器生成的。
6.根据权利要求5所述的诊断装置，其特征在于，
每当所述服务器从所述诊断装置接收到新的传感器信号时，更新所述分类学习模型，
所述分类部使用更新后的所述分类学习模型，进行所述工业设备的异常分类。
7.根据权利要求1～6中任一项所述的诊断装置，其特征在于，
所述诊断装置还具有：显示控制部，其在所述发送部发送所述传感器信号时，在显示部显示提醒发送所述传感器信号的用户界面。
8.根据权利要求7所述的诊断装置，其特征在于，
所述显示控制部在所述显示部显示所述设备诊断部的诊断结果以及所述分类部的分类结果中的至少1个。
9.一种诊断装置，其与服务器能够通信地连接，该服务器具有通过输入从工业设备取得的表示异常的传感器信号来对所述异常进行分类的分类学习模型，并且学习无法进行分类的所述传感器信号的分类来更新所述分类学习模型，其特征在于，
所述诊断装置具有：
传感器信号取得部，其取得传感器信号，该传感器信号包含由配置于所述工业设备的至少1个传感器测定出的测定值；
设备诊断部，其根据取得的所述传感器信号来诊断所述工业设备正常还是异常；
发送部，在由所述设备诊断部诊断为所述工业设备异常时，所述发送部向所述服务器发送所述传感器信号；以及
标签信息生成部，其根据从所述服务器取得的针对所述传感器信号的分类结果，判断标签的生成时刻，并生成所述标签，其中，所述标签表示针对所述传感器信号的所述工业设备的异常内容，
所述发送部向所述服务器发送所述标签。
10.一种服务器，其与权利要求1～8中任一项所述的诊断装置能够通信地连接，其特征在于，
所述服务器具有：分类模型学习部，其使用从所述诊断装置接收到的传感器信号来学习所述工业设备的异常而生成所述分类学习模型，并将生成的所述分类学习模型发送到所述诊断装置。
11.一种服务器，其与权利要求9所述的诊断装置能够通信地连接，其特征在于，
所述服务器具有：
分类模型学习部，其使用从所述诊断装置接收到的传感器信号来学习所述工业设备的异常，生成所述分类学习模型；以及
分类部，其根据所述传感器信号和所述分类学习模型对所述工业设备的异常进行分类。
12.一种诊断装置进行的诊断方法，该诊断装置与服务器能够通信地连接，该服务器学习工业设备的异常而生成所述异常的分类学习模型，其特征在于，
所述诊断方法具有以下步骤：
传感器信号取得步骤，取得传感器信号，该传感器信号包含由配置于工业设备的至少1个传感器测定出的测定值；
设备诊断步骤，根据取得的所述传感器信号来诊断所述工业设备正常还是异常；
分类步骤，在诊断为所述工业设备异常时，根据所述传感器信号和所述分类学习模型对所述工业设备的异常进行分类；以及
发送步骤，根据所述设备诊断步骤的诊断结果以及所述分类步骤的分类结果中的至少1个，来判断能否向所述服务器发送所述传感器信号，并在判断为能够发送时，向所述服务器发送所述传感器信号。
13.一种诊断装置进行的诊断方法，该诊断装置与服务器能够通信地连接，该服务器具有通过输入从工业设备取得的表示异常的传感器信号来对所述异常进行分类的分类学习模型，并且学习无法进行分类的所述传感器信号的分类来更新所述分类学习模型，其特征在于，
所述诊断方法具有如下步骤：
传感器信号取得步骤，取得传感器信号，该传感器信号包含由配置于工业设备的至少1个传感器测定出的测定值；
设备诊断步骤，根据取得的所述传感器信号来诊断所述工业设备正常还是异常；
发送步骤，在诊断为所述工业设备异常时，向所述服务器发送所述传感器信号；以及
标签信息生成步骤，根据从所述服务器取得的针对所述传感器信号的分类结果，判断标签的生成时刻，并生成所述标签，其中，所述标签表示针对所述传感器信号的所述工业设备的异常内容，
所述发送步骤中，向所述服务器发送所述标签。
CN202180037290.5A 2020-05-25 2021-05-18 诊断装置、服务器以及诊断方法 Pending CN115668084A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020-090733 2020-05-25
JP2020090733 2020-05-25
PCT/JP2021/018740 WO2021241315A1 (ja) 2020-05-25 2021-05-18 診断装置、サーバ、及び診断方法

Publications (1)

Publication Number Publication Date
CN115668084A true CN115668084A (zh) 2023-01-31

Family

ID=78744626

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180037290.5A Pending CN115668084A (zh) 2020-05-25 2021-05-18 诊断装置、服务器以及诊断方法

Country Status (5)

Country Link
US (1) US20230161337A1 (zh)
JP (1) JP7518166B2 (zh)
CN (1) CN115668084A (zh)
DE (1) DE112021002946T5 (zh)
WO (1) WO2021241315A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4429203A1 (en) * 2023-03-09 2024-09-11 Abb Schweiz Ag Method for enabling an efficient data processing in a distributed network of devices
EP4429202A1 (en) * 2023-03-09 2024-09-11 Abb Schweiz Ag Method for providing an efficient communication in a hierarchical network of distributed devices

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022191591A (ja) * 2021-06-16 2022-12-28 株式会社日立製作所 設備診断装置および設備診断方法
US12061692B2 (en) * 2021-12-15 2024-08-13 Cylance Inc. Methods and systems for fingerprinting malicious behavior
US11762371B1 (en) * 2022-05-02 2023-09-19 Rockwell Automation Technologies, Inc. Device control using processed sensor data corresponding to unexpected operations
WO2024069719A1 (ja) * 2022-09-26 2024-04-04 ファナック株式会社 状態分類装置、及び記録媒体

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013051101A1 (ja) 2011-10-04 2013-04-11 株式会社日立製作所 時系列データ管理システム，および方法
JP6840953B2 (ja) 2016-08-09 2021-03-10 株式会社リコー 診断装置、学習装置および診断システム
JP6527187B2 (ja) * 2017-03-22 2019-06-05 ファナック株式会社 学習モデル構築装置、異常検出装置、異常検出システム及びサーバ
JP2019185422A (ja) * 2018-04-11 2019-10-24 株式会社Ｙｅ Ｄｉｇｉｔａｌ 故障予知方法、故障予知装置および故障予知プログラム
JP7028133B2 (ja) * 2018-10-23 2022-03-02 オムロン株式会社 制御システムおよび制御方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4429203A1 (en) * 2023-03-09 2024-09-11 Abb Schweiz Ag Method for enabling an efficient data processing in a distributed network of devices
EP4429202A1 (en) * 2023-03-09 2024-09-11 Abb Schweiz Ag Method for providing an efficient communication in a hierarchical network of distributed devices

Also Published As

Publication number Publication date
DE112021002946T5 (de) 2023-03-30
JP7518166B2 (ja) 2024-07-17
JPWO2021241315A1 (zh) 2021-12-02
US20230161337A1 (en) 2023-05-25
WO2021241315A1 (ja) 2021-12-02

Similar Documents

Publication Publication Date Title
CN115668084A (zh) 诊断装置、服务器以及诊断方法
JP6810097B2 (ja) 異常検出器
Schlegel et al. Towards a rigorous evaluation of XAI methods on time series
US11042145B2 (en) Automatic health indicator learning using reinforcement learning for predictive maintenance
JP6140331B1 (ja) 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム
CN117786373B (zh) 一种基于大数据的瓦楞纸加工的设备运行诊断系统
EP2144166A1 (en) Diagnostic system
US11740592B2 (en) Control method, control apparatus, mechanical equipment, and recording medium
EP3312695B1 (en) Information processing system, information processing method, information processing program, and recording medium
US20210232104A1 (en) Method and system for identifying and forecasting the development of faults in equipment
CN111433691A (zh) 控制系统、工厂系统、学习系统、估计用模型的生成方法和致动器的状态估计方法
EP3759789B1 (en) System and method for audio and vibration based power distribution equipment condition monitoring
KR20220062547A (ko) 센서 애그나스틱 기계적 기계 결함 식별
US10078062B2 (en) Device health estimation by combining contextual information with sensor data
US20210181732A1 (en) Control method, control apparatus, and mechanical equipment
CN115769235A (zh) 提供与训练函数的准确度有关的警报的方法和系统
CN117454231A (zh) 一种应用智能仿真技术的地铁直流保护测试系统
WO2023204183A1 (ja) 状態検出装置、状態検出方法、学習モデルの生成方法及びコンピュータプログラム
EP4206963A1 (en) System and method for diagnostics and monitoring of anomalies of a cyber-physical system
US12103169B2 (en) Abnormality diagnosis device and abnormality diagnosis method
WO2023201430A1 (en) Methods and systems for monitoring, diagnosis and prediction of health of an industrial machine having a rotating component
JP2020086786A (ja) 検出装置及び機械学習方法
WO2023191787A1 (en) Recommendation for operations and asset failure prevention background
JP2022134340A (ja) 周辺機器、監視システム、監視方法及びプログラム
Geetha et al. The Smart Development of the Large Scale Sensing Techniques in Intelligent Industrial Automation

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