CN115917458A - 数据处理装置、数据处理方法及数据处理程序 - Google Patents
数据处理装置、数据处理方法及数据处理程序 Download PDFInfo
- Publication number
- CN115917458A CN115917458A CN202080100430.4A CN202080100430A CN115917458A CN 115917458 A CN115917458 A CN 115917458A CN 202080100430 A CN202080100430 A CN 202080100430A CN 115917458 A CN115917458 A CN 115917458A
- Authority
- CN
- China
- Prior art keywords
- data
- unit
- observation data
- observation
- learning model
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 93
- 238000003672 processing method Methods 0.000 title claims description 6
- 238000004519 manufacturing process Methods 0.000 claims abstract description 162
- 238000013480 data collection Methods 0.000 claims abstract description 44
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000013075 data extraction Methods 0.000 claims abstract description 20
- 239000000284 extract Substances 0.000 claims abstract description 13
- 238000007726 management method Methods 0.000 claims description 60
- 230000009471 action Effects 0.000 claims description 30
- 230000005856 abnormality Effects 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000015654 memory Effects 0.000 description 12
- 238000007405 data analysis Methods 0.000 description 10
- 238000013500 data storage Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 9
- 238000000034 method Methods 0.000 description 7
- 230000009850 completed effect Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000000465 moulding Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 239000004065 semiconductor Substances 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
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31449—Monitor workflow, to optimize business, industrial processes
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37434—Measuring vibration of machine or workpiece or tool
-
- 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]
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing And Monitoring For Control Systems (AREA)
- General Factory Administration (AREA)
Abstract
数据处理装置(1)具有:观测数据收集部(10),其对观测数据进行收集;数据区分部(12),其将观测数据区分为对生产设备的运转状况进行判定的各个单位即管理项目的多个分析对象数据;特征数据提取部(15A、15B、15C、…),其对分析对象数据的每一者进行分析而提取表示与管理项目的每一者对应的动作的特征的特征数据;学习模型生成部(17A、17B、17C、…),其基于特征数据针对各个管理项目生成用于对生产设备的运转状况进行判定的学习模型;观测数据判定部(22),其基于由学习模型生成部生成的各个管理项目的学习模型、由观测数据收集部新收集到的观测数据,对生产设备的各个管理项目的运转状况进行判定;以及数据输出部(23),其输出由观测数据判定部得到的各个管理项目的运转状况的判定结果。
Description
技术领域
本发明涉及对由安装于生产设备的传感器得到的观测结果进行分析而对生产设备的运转状态进行判定的数据处理装置、数据处理方法及数据处理程序。
背景技术
以往,通过从生产设备取得表示运转状况的运转数据,对运转数据进行分析,从而进行用于提高生产率的设定变更、故障原因的确定等。但是,在生产设备中还存在不具有数据的输出功能的生产设备。因此,作为取得不具有数据的输出功能的生产设备的运转数据的代替方法,存在在生产设备的产品取出口安装传感器,通过传感器的检测仅取得表示产品完成的运转数据的方法,以及取得来自生产设备的电流波形、生产设备所发出的声音(声波)而进行数据分析的方法。此外,在以电流波形、声音为对象的数据分析的情况下,将与通常的电流波形、声音的波形之间的差异检测为异常,判断为生产设备的异常。
在专利文献1中记载有基于从在工作机械等生产设备设置的传感器输出的数据,对生产设备的运转状态进行判别的设备管理装置。专利文献1所记载的设备管理装置具有:数据取得部,其取得与装置(生产设备)的运转状态相关的数据;特征量提取部,其基于由数据取得部取得的数据提取特征量;聚类部,其将由特征量提取部提取出的特征量分类而对聚类进行创建;带标签数据创建部,其创建对由聚类部分类的特征量附加了向通过该分类得到的特征量所属的聚类附加的装置的运转状态的标签后的数据;存储部,其对由带标签数据创建部创建的数据进行储存;以及状态判定部,其基于由特征量提取部提取出的特征量和在存储部中储存的数据,对装置的运转状态进行判定而输出判定结果。
专利文献1:国际公开第2017/090098号
发明内容
上述专利文献1所记载的设备管理装置能够对产生了故障的状况这样的生产设备处于特定状况进行判定。但是,由于没有单独地对由生产设备进行的一系列动作各自的状况进行判定,因此例如无法进行为了实现生产率的提高而从生产设备对一系列动作各自的状态进行判定,哪个动作是对于实现生产率的提高来说的瓶颈这样的分析。
本发明就是鉴于上述情况而提出的,其目的在于,得到能够单独地对由生产设备进行的一系列动作各自的状况进行判定的数据处理装置。
为了解决上述课题,达到目的,本发明涉及的数据处理装置具有:观测数据收集部,其对生产设备在运转中产生的振动的观测数据进行收集;数据区分部,其将观测数据区分为对生产设备的运转状况进行判定的各个单位即管理项目的多个分析对象数据;特征数据提取部,其对分析对象数据的每一者进行分析而提取表示与管理项目的每一者对应的动作的特征的特征数据;以及学习模型生成部,其基于特征数据针对各个管理项目生成用于对生产设备的运转状况进行判定的学习模型。另外,数据处理装置具有:观测数据判定部,其基于由学习模型生成部生成的各个管理项目的学习模型、由观测数据收集部新收集到的观测数据,对生产设备的各个管理项目的运转状况进行判定;以及数据输出部,其输出由观测数据判定部得到的各个管理项目的运转状况的判定结果。
发明的效果
本发明涉及的数据处理装置具有下述效果,即,能够单独地对由生产设备进行的一系列动作各自的状况进行判定。
附图说明
图1是表示数据收集系统的结构例的图,该数据收集系统应用了实施方式涉及的数据处理装置。
图2是表示实施方式涉及的数据处理装置的结构例的图。
图3是表示由显示操作部显示的画面的一个例子的图。
图4是表示数据处理装置的学习阶段的动作概要的图。
图5是表示数据处理装置的学习阶段的动作的一个例子的流程图。
图6是表示数据处理装置的判定阶段的动作概要的第1图。
图7是表示数据处理装置的判定阶段的动作概要的第2图。
图8是表示数据处理装置的判定阶段的动作的一个例子的流程图。
图9是表示实现数据处理装置的硬件的一个例子的图。
具体实施方式
下面,基于附图对本发明的实施方式涉及的数据处理装置、数据处理方法及数据处理程序详细地进行说明。
实施方式
首先,对本实施方式涉及的数据处理装置的概要进行说明。本实施方式涉及的数据处理装置通过对从制造现场的生产设备产生的振动的测定数据进行分析,将生产设备的运转状况作为数据而输出。这里的振动为声音及机械振动。声音不仅包含可听声音,还包含超声波。数据处理装置对从生产设备产生的声音及机械振动的一者或两者的测定数据进行分析。在通过生产设备对物品进行生产的情况下,如果产生了生产设备的内部机构的运转、工件的加工、工件的组装等,则生产设备产生与这些产生状况对应的声音及机械振动。另外,在产生了生产设备的内部机构的故障、工件的加工故障、组装的故障等情况下,该故障状况表现为声音、机械振动。即,通过对生产设备所产生的声音、机械振动进行观测,能够对生产设备的异常进行检测。因此,本实施方式涉及的数据处理装置对声音的观测数据及机械振动的观测数据中的至少一者进行收集作为表示生产设备的状况的数据,利用AI(Artificial Intelligence,人工智能)对收集到的观测数据进行分析,例如,对生产设备是否正常运转这样的运转状况进行判定。此时,数据处理装置对关于由生产设备执行的一系列动作各自的运转状况进行判定。
下面,对本实施方式涉及的数据处理装置详细地进行说明。图1是表示数据收集系统的结构例的图,该数据收集系统应用了实施方式涉及的数据处理装置。图1所示的数据收集系统100包含:设置在制造现场的生产线、面安装机、模压装置、安装装置、树脂成型机、金属加工的机械加工中心等多种生产设备2;数据收集平台3,其经由有线或无线网络4从生产设备2对数据进行收集;IT(Information Technology)系统5,其为生产管理系统、生产执行系统(MES:Manufacturing Execution System)等;以及分析应用6,其为进行数据分析的应用等。数据收集平台3是能够不依赖于生产设备2的种类地对制造数据进行收集的软件,设置于工业用PC即IPC(Industrial Personal Computer)。数据收集平台3将从生产设备2收集到的制造数据交给IT系统5及分析应用6。IT系统5例如从数据收集平台3取得制造数据,对生产业绩进行管理。分析应用6例如从数据收集平台3取得制造数据,在取得的制造数据中包含表示制造出的产品产生了故障的信息的情况下,对制造数据进行分析而对故障原因进行确定。
这里,数据收集平台3在从生产设备2取得制造数据时,与作为数据取得源的生产设备2所具有的功能的状态对应地,以以下(1)~(3)的方法取得制造数据。
(1)在生产设备2具有直接经由网络4将数据输出至数据收集平台3的功能的情况下,数据收集平台3经由网络4从生产设备2取得制造数据。
(2)在生产设备2具有将数据输出至外部的功能,但数据收集平台3不具有对由该生产设备2输出的数据进行接收的功能的情况下,数据收集平台3经由将从生产设备2输出的制造数据变换为能够由数据收集平台3接收的数据格式的数据收集装置7,取得生产设备2的制造数据。
(3)在生产设备2不具有将数据输出至外部的功能,或具有将数据输出至外部的功能但对数据的输出功能施加了限制的情况下,数据收集平台3经由上述的本实施方式涉及的数据处理装置1取得制造数据。
如上所述,数据处理装置1通过对从生产设备2产生的声音及机械振动的观测数据进行收集、分析,从而对生产设备2的运转状况进行判定。数据处理装置1基于运转状况的判定结果生成制造数据,经由网络4向数据收集平台3发送。数据处理装置1例如在基于生产设备2所产生的声音及机械振动生成制造数据的情况下,通过安装于生产设备2的拾音传声器9A及振动传感器9B,对生产设备2的一系列动作(设为由A动作、B动作及C动作构成)所产生的声音及机械振动进行观测,首先将得到的观测数据以与A动作、B动作、C动作及完成动作各自对应的范围进行区分。接着,数据处理装置1对区分后的观测数据的每一者进行分析,对执行各动作时的观测数据是否什么样的数据进行学习。在学习结束后,如果新得到了观测数据,则数据处理装置1基于学习结果对生产设备2的运转状况进行判定。即,数据处理装置1判定是否产生了学习过的动作。数据处理装置1如果在运转状况的判定中检测出动作的产生,则生成包含检测出的动作的产生时刻的信息的判定结果,将生成的判定结果作为制造数据而输出。此外,数据处理装置1能够根据观测数据及学习结果对生产设备2的动作异常进行检测,将检测结果作为异常数据而输出。在数据处理装置1能够对动作异常进行检测的情况下,预先进行产生了动作异常时的观测数据的学习。
图2是表示实施方式涉及的数据处理装置1的结构例的图。数据处理装置1具有观测数据收集部10、观测数据存储部11、数据取得指示部20、学习模型选择部21、观测数据判定部22、数据输出部23及机器学习部30。机器学习部30具有:数据区分部12;数据分析部14,其构成为包含特征数据提取部15A、15B、15C、…;学习处理部16,其构成为包含学习模型生成部17A、17B、17C、…;以及学习模型管理部18。另外,观测数据收集部10与观测部9连接,该观测部9由安装于生产设备2的拾音传声器9A及振动传感器9B构成。机器学习部30的数据区分部12与显示操作部13连接。此外,显示操作部13也可以是内置于数据处理装置1的结构。另外,之后,在不对特征数据提取部15A、15B、15C、…进行区分地进行说明的情况下,将它们汇总地记载为特征数据提取部15。另外,在不对学习模型生成部17A、17B、17C、…进行区分地进行说明的情况下,将它们汇总地记载为学习模型生成部17。
观测数据收集部10对生产设备在运转中产生的振动的观测数据进行收集。具体而言,观测数据收集部10从拾音传声器9A及振动传感器9B对由拾音传声器9A测定出的声音的观测数据及由振动传感器9B测定出的机械振动的观测数据进行收集作为振动的观测数据。此外,观测数据收集部10从拾音传声器9A及振动传感器9B中的至少一者对观测数据进行收集即可。即,观测数据收集部10对生产设备2所产生的声音及机械振动中的至少一者的观测数据进行收集。通过观测数据存储部11对由观测数据收集部10收集到的观测数据进行存储。
数据区分部12从观测数据存储部11读出观测数据,基于由生产设备2执行的一系列动作的每一者对读出的观测数据进行区分。具体而言,数据区分部12基于由生产设备2执行的一系列动作的每一者的开始定时(timing)及结束定时进行区分。例如,在与数据区分部12读出的观测数据对应的一系列动作包含A动作、B动作、C动作及完成动作的情况下,数据区分部12通过将观测数据区分为执行了A动作的区间的观测数据、执行了B动作的区间的观测数据、执行了C动作的区间的观测数据、执行了完成动作的区间的观测数据,从而生成与各个动作对应的分析对象数据。这里,由生产设备2执行的各动作与数据处理装置1对生产设备的运转状态进行判定的单位即管理项目相当。即,数据区分部12将从观测数据存储部11读出的观测数据区分为各个管理项目的多个分析对象数据。此外,例如由用户作出对观测数据进行区分的区间的设定。在用户对区间进行设定的情况下,数据区分部12将横轴设定为时间,将纵轴设定为振幅,以图3所示的形式将从观测数据存储部11读出的观测数据显示于显示操作部13。图3是表示由显示操作部13显示的画面的一个例子的图。图3是进行了由用户执行的区间的设定所用的操作后的画面显示例,具体而言,是相对于从观测数据存储部11读出的观测数据的波形,用户对“开始”、“A动作”、“B动作”、“C动作”、“D动作”及“完成动作”各区间进行了设定的情况下的画面显示例。也可以设为用户能够经由显示操作部13自由地赋予各区间的名称(“开始”、“A动作”、“B动作”、…)。用户使用鼠标、键盘等输入装置进行区间的设定、向设定出的区间赋予名称等。
此外,在由生产设备2执行的一系列动作没有变化,并且执行一系列动作的情况下的各动作(开始、A动作、B动作、…)的所需要的时间固定的情况下,数据区分部12也可以基于各动作的执行顺序、一系列动作各自所需要的时间,对各区间进行设定。
在本实施方式中设为由用户进行上述各区间的设定,继续进行说明。另外,为了简化说明,将由用户设定的区间设为与A动作、B动作、C动作及完成动作的每一者对应的区间。即,将由生产设备2执行的一系列动作设为A动作、B动作、C动作及完成动作。
显示操作部13如果从用户接收到针对所显示的观测数据的波形对表示生产设备2的A动作、B动作、C动作及完成的波形部分即区间进行设定的操作,则向数据区分部12通知从用户接收到的操作内容。数据区分部12按照从显示操作部13通知的操作内容,对A动作所设定指定的区间的观测数据赋予表示A动作的标签而生成与A动作对应的分析对象数据,输出至数据分析部14(例如特征数据提取部15A)。相同地,数据区分部12对被设定给B动作的区间的观测数据赋予表示B动作的标签而生成与B动作对应的分析对象数据,输出至数据分析部14(例如特征数据提取部15B),对被设定给C动作的区间的观测数据赋予表示C动作的标签而生成与C动作对应的分析对象数据,输出至数据分析部14(例如特征数据提取部15C),对被设定给完成动作的区间的观测数据赋予表示完成动作的标签而生成与完成动作对应的分析对象数据,输出至数据分析部14(例如特征数据提取部15x)。此外,在图2中省略了关于特征数据提取部15x的记载。用户掌握了生产设备2内的动作的流程和其定时,基于波形中显现出特征的定时(时间间隔),通过对各动作的波形进行推定而进行经由显示操作部13由用户进行的区间的指定操作。此外,显示操作部13由显示装置和输入装置(鼠标、键盘等)实现,从输入装置对由用户执行的操作进行接收,但并不限于此,也可以由触摸面板等显示装置和输入装置被一体化的仪器实现。
另外,显示操作部13如果从用户接收到对所显示的观测数据的波形中的表示生产设备2的故障的波形部分(区间)进行设定的操作,则向数据区分部12通知所设定的区间即产生了故障的区间。数据区分部12如果接收到产生了故障的区间的通知,则对被通知来的区间(下面,设为故障产生区间)的观测数据赋予表示产生了故障的标签而输出至数据分析部14。
例如,显示操作部13以与时间轴相匹配地将没有产生故障的观测数据的波形和产生了故障的观测数据的波形重叠地进行显示,用户将这两者的观测数据的波形形状不同的区间指定为故障产生区间,从而进行用户经由显示操作部13对故障产生区间进行指定的操作。
此外,在本实施方式中,用户对显示操作部13进行操作,从而对故障产生区间进行指定,但并不限于此,也可以是数据区分部12对没有产生故障的比较用的观测数据的波形和尚不知晓是否产生了故障的观测数据的波形进行比较,根据这两者的波形的区别对故障产生区间进行确定。即,关于故障产生区间的指定,在不由用户进行判断,并且不由用户进行识别的状态下进行,数据分析部14能够取得附加了表示故障产生区间的观测数据即表示产生了故障的标签的观测数据。
特征数据提取部15从接收自数据区分部12的观测数据提取表示与该观测数据对应的动作的特征的特征数据。特征数据提取部15例如在与从数据区分部12接收到的观测数据对应的动作为A动作的情况下,即,在从数据区分部12输入了在执行A动作时得到的观测数据的情况下,对观测数据进行分析而提取表示A动作的特征的特征数据。这里,特征数据提取部15例如通过无教师机器学习对特征数据进行提取,其算法没有特别的限定。特征数据提取部15将提取出的特征数据输出至后续的学习模型生成部17。
学习模型生成部17使用特征数据提取部15从观测数据提取出的特征数据而生成学习模型。学习模型生成部17例如在特征数据为从与A动作对应的观测数据提取出的特征数据的情况下,生成为了对A动作进行检测的学习模型。此外,生成学习模型生成部17中的学习模型的算法没有特别的限定。
学习模型生成部17如果生成了学习模型,则将生成的学习模型和与成为生成基础的观测数据关联的信息(下面,称为模型关联信息)相关联地储存于学习模型管理部18。这里,模型关联信息例如是指A动作、B动作、C动作、完成动作这样的动作的区分、对上述观测数据赋予的标签等表示观测数据的类别(与哪个动作对应的区间的观测数据)的信息、取得了观测数据的生产设备2的名称这样的观测数据的输出源的信息、A动作、B动作、C动作及完成动作的执行顺序的信息等。
此外,在本实施方式中,如图2所示,数据分析部14由与各动作(A动作、B动作、C动作、…)对应的多个特征数据提取部15(特征数据提取部15A、15B、15C、…)构成,另外,学习处理部16由与各动作对应的多个学习模型生成部17(学习模型生成部17A、17B、17C、…)构成,但并不限于此。例如,数据分析部14也可以由单一的特征数据提取部15构成。在该情况下,单一的特征数据提取部15一边对处理进行切换,一边从与各动作对应的观测数据对特征数据进行提取。特征数据提取部15按照对输入进来的观测数据附加的标签,对所执行的处理进行切换。对数据分析部14由单一的特征数据提取部15构成的情况进行了说明,但由单一的学习模型生成部17构成学习处理部16的情况也相同。即,单一的学习模型生成部17生成与各动作对应的学习模型。
数据取得指示部20从用户接收指示从生产设备2取得制造数据的操作,将表示指示内容的指示信息发送至学习模型选择部21。在该指示信息中包含取得数据的生产设备2的名称及所取得的数据的类别这样的信息。学习模型选择部21基于接收到的指示信息从学习模型管理部18读出相应的学习模型,将读出的学习模型输出至观测数据判定部22。具体而言,学习模型选择部21基于对学习模型赋予的模型关联信息(与动作的区分相关的信息、标签信息、观测数据的类别信息等)从学习模型管理部18读出与接收到的指示信息关联的学习模型,将读出的学习模型储存于观测数据判定部22。
观测数据判定部22从观测数据存储部11取得观测数据,基于取得的观测数据和各学习模型对生产设备2的运转状况进行判定。即,观测数据判定部22对是否由生产设备2执行了与各学习模型对应的动作进行判定。观测数据判定部22如果检测到与各学习模型对应的动作,则将表示检测出的动作的产生时刻的时刻数据与确定出的动作的信息相关联,作为判定结果输出至数据输出部23。确定出的动作的信息是表示上述各动作(A动作、B动作、…)的任意者的信息,或表示是异常动作的信息。观测数据判定部22将各个学习模型的判定结果输出至数据输出部23。
数据输出部23将由观测数据判定部22生成的各个学习模型的判定结果作为制造数据发送至数据收集平台3。
接下来,以下将数据处理装置1的动作分为学习阶段和判定阶段而进行说明。
(学习阶段的动作)
一边参照图4及图5,一边对数据处理装置1的学习阶段的动作进行说明。图4是表示数据处理装置1的学习阶段的动作概要的图。图5是表示数据处理装置1的学习阶段的动作的一个例子的流程图。
如图4所示,数据处理装置1从安装于生产设备2的拾音传声器9A及振动传感器9B对观测数据进行收集,从收集到的观测数据针对各个管理项目对特征数据进行提取而生成各个管理项目的学习模型。管理项目表示对特征数据进行提取的范围,与对生产设备2的运转状况进行判定的单位相当。如果使用其它表现,则管理项目与上述的数据区分部12对观测数据进行区分的区间相当。
数据处理装置1通过经过充分的次数重复执行图5所示的处理,从而生成各个管理项目的学习模型。
如图5所示,首先,数据处理装置1对观测数据进行收集(步骤S11)。具体而言,观测数据收集部10从观测部9的拾音传声器9A及振动传感器9B对观测数据进行收集。
接着,数据处理装置1针对各个管理项目对观测数据进行区分(步骤S12)。具体而言,数据区分部12按照来自用户的指示,将观测数据分为与由作为数据取得源的生产设备2执行的一系列动作的每一者对应的各个区间的观测数据即分析对象数据。
在步骤S12中,例如,以以下(a)或(b)所示的顺序对观测数据赋予标签,由此对观测数据进行区分。
(a)数据处理装置1将设置于生产设备2的照相机的拍摄图像和观测数据的波形显示于显示操作部13,用户以时序对拍摄图像和观测数据的波形进行比较,基于能够从拍摄图像确认的生产设备2内的动作,对与由生产设备2执行的一系列动作的每一者对应的区间进行设定。数据区分部12对观测数据赋予表示所设定的区间的标签。这里的标签与上述的表示A动作的标签、表示B动作的标签等相当。
(b)数据处理装置1将生产设备2运转时得到的观测数据的波形和生产设备2的动作流程显示于显示操作部13,用户对观测数据的波形和操作流程进行比较,基于观测数据的波形的形状特征,对与由生产设备2执行的一系列动作的每一者对应的区间进行设定。数据区分部12对观测数据赋予表示所设定的区间的标签。此外,基于如果是该波形形状则应该是在实施生产设备2的该动作这样的作业者(用户)的经验进行该方法中的区间的设定。
接着,数据处理装置1针对各个管理项目对特征数据进行提取(步骤S13)。具体而言,特征数据提取部15的每一者从在步骤S12中进行了区分的观测数据的每一者对特征数据进行提取。
接着,数据处理装置1对各个管理项目的学习模型进行更新(步骤S14)。具体而言,学习模型生成部17将在步骤S13中提取出的特征数据的每一者作为学习数据进行学习,对各个管理项目的学习模型进行更新。
(判定阶段的动作)
一边参照图6、图7及图8,一边对数据处理装置1的判定阶段的动作进行说明。图6是表示数据处理装置1的判定阶段的动作概要的第1图。图7是表示数据处理装置1的判定阶段的动作概要的第2图。图8是表示数据处理装置1的判定阶段的动作的一个例子的流程图。此外,判定阶段的动作在执行上述学习阶段的动作而完成了学习模型的生成的状态下执行。
如图6所示,数据处理装置1从安装于生产设备2的拾音传声器9A及振动传感器9B对观测数据进行收集,对收集到的观测数据进行复制。然后,如图6及图7所示,数据处理装置1使用针对各个管理项目(由生产设备2执行的动作)准备的学习模型而对观测数据进行判定,对由生产设备2执行过的动作进行检测。数据处理装置1输出各个管理项目的判定结果。判定结果是带时间戳的数据,包含使用各学习模型检测出的动作的信息、检测出的动作的产生时刻的信息。由于在判定结果中包含检测出的动作的产生时刻的信息,因此例如如图7所示,能够以在时间轴上排列有检测出的动作的形式通知给用户。对该通知进行了确认的用户如果没有检测出应该由生产设备2执行的一系列动作中的大于或等于一个,则能够识别为在生产设备2中产生了故障。例如,在由生产设备2执行的一系列动作为A动作、B动作、C动作及完成动作的情况下如果检测出C动作,则用户能够对是由于生产设备2的故障而没有正常地进行C动作的状态进行识别。
在判定阶段的动作中,如图8所示,首先,数据处理装置1对观测数据进行收集(步骤S21)。具体而言,观测数据收集部10从观测部9的拾音传声器9A及振动传感器9B对观测数据进行收集。
接着,数据处理装置1与管理项目数量对应地对观测数据进行复制(步骤S22),使用各个管理项目的学习模型而对生产设备2的运转状况进行判定(步骤S23)。具体而言,观测数据判定部22从观测数据存储部11读出观测数据而进行复制,对与管理项目数量相同数量的观测数据进行创建。此外,管理项目数量与储存于观测数据判定部22的学习模型的数量一致。接着,观测数据判定部22使用各个学习模型对观测数据进行分析,对各个管理项目的运转状况,即,是否进行了与管理项目对应的动作进行判定。接着,数据处理装置1输出判定结果(步骤S24)。具体而言,数据输出部23将各个管理项目的一系列判定结果作为制造数据向数据收集平台3发送。
此外,由数据输出部23输出的制造数据也可以包含生产设备2的异常数据。即,也可以是数据处理装置1将用于对观测数据进行判定的多个学习模型的一部分设为用于对生产设备2的异常动作进行检测的学习模型,不仅将生产设备2进行正常动作时的制造数据作为制造数据输出,还在生产设备2产生了动作异常的情况下将表示该含义的异常数据作为制造数据输出。
由数据处理装置1输出的制造数据例如用于如下所示的用途。
在图1所示的IT系统5中具有对生产计划进行创建的生产调度器、对生产计划的执行指示和业绩进行收集的MES。MES经由数据收集平台3从数据处理装置1等对制造数据进行收集。在由生产调度器创建出的生产计划与生产业绩之间产生差异的情况下,生产调度器对从数据处理装置1等收集到的制造数据进行分析,对是否存在应该通过生产设备2的运转条件及设定来变更的数据进行判别,在具有应该变更的数据的情况下进行变更。如上所述,在制造数据中包含各动作(A动作、B动作、…)的判定结果和产生了各动作的时刻的信息。因此,生产调度器例如基于制造数据所包含的时刻信息,对换产时间、工件的等待时间等的设定进行变更。由此,能够使生产设备2的生产率提高。
如上所述,本实施方式涉及的数据处理装置1具有:观测数据收集部10,其从安装于生产设备2的各种传感器对观测数据进行收集;以及机器学习部30,其基于由生产设备2执行的一系列动作从观测数据提取各个管理项目的特征数据,对提取出的观测数据的每一者进行分析而生成各个管理项目的学习模型。另外,数据处理装置1具有观测数据判定部22,该观测数据判定部22基于由观测数据收集部10收集到的观测数据及学习模型对各个管理项目的运转状态进行判定。本实施方式涉及的数据处理装置1能够单独地对由生产设备2执行的一系列动作的每一者的状况进行判定。
接着,对实现本实施方式涉及的数据处理装置1的硬件进行说明。图9是表示实现数据处理装置1的硬件的一个例子的图。数据处理装置1能够由图9所示的处理器101、存储器102、输入装置103、显示装置104及通信接口105实现。处理器101的例子为CPU(CentralProcessing Unit,也称为中央处理装置、处理装置、运算装置、微处理器、微型计算机、DSP(Digital Signal Processor))或系统LSI(Large Scale Integration)。存储器102的例子为RAM(Random Access Memory)、ROM(Read Only Memory)、闪存等非易失性或易失性半导体存储器、磁盘等。输入装置103的例子为鼠标、键盘等。显示装置104的例子为液晶显示器等。此外,输入装置103及显示装置104也可以为触摸面板。
数据处理装置1的观测数据收集部10、学习模型选择部21、观测数据判定部22、数据输出部23及机器学习部30通过由处理器101执行用于作为上述各部进行动作的程序而实现。用于作为观测数据收集部10、学习模型选择部21、观测数据判定部22、数据输出部23及机器学习部30进行动作的程序预先被储存于存储器102。处理器101通过从存储器102读出而执行程序,从而作为观测数据收集部10、学习模型选择部21、观测数据判定部22、数据输出部23及机器学习部30进行动作。
观测数据存储部11由存储器102实现。另外,存储器102对上述程序进行保存,并且也用作数据处理装置1执行各种处理时的临时存储器。数据取得指示部20由输入装置103实现。
通信接口105在数据处理装置1将数据发送至数据收集平台3时使用。
此外,上述程序被预先储存于存储器102,但并不限于此。上述程序也可以设为在写入CD(Compact Disc)-ROM、DVD(Digital Versatile Disc)-ROM等记录介质的状态下提供给用户,由用户安装于存储器102的方式。另外,上述程序也可以是经由互联网等网络提供给用户的方式。
以上实施方式所示的结构表示的是一个例子,也可以与其它公知的技术进行组合,也可以在不脱离主旨的范围内,对结构的一部分进行省略、变更。
标号的说明
1数据处理装置,2生产设备,3数据收集平台,4网络,5IT系统,6分析应用,7数据收集装置,9观测部,9A拾音传声器,9B振动传感器,10观测数据收集部,11观测数据存储部,12数据区分部,13显示操作部,14数据分析部,15、15A、15B、15C特征数据提取部,16学习处理部,17、17A、17B、17C学习模型生成部,18学习模型管理部,20数据取得指示部,21学习模型选择部,22观测数据判定部,23数据输出部,30机器学习部,100数据收集系统。
Claims (7)
1.一种数据处理装置,其特征在于,具有:
观测数据收集部,其对生产设备在运转中产生的振动的观测数据进行收集;
数据区分部,其将所述观测数据区分为对所述生产设备的运转状况进行判定的各个单位即管理项目的多个分析对象数据;
特征数据提取部,其对所述分析对象数据的每一者进行分析而提取表示与所述管理项目的每一者对应的动作的特征的特征数据;
学习模型生成部,其基于所述特征数据针对各个所述管理项目生成用于对所述生产设备的运转状况进行判定的学习模型;
观测数据判定部,其基于由所述学习模型生成部生成的各个所述管理项目的学习模型、由所述观测数据收集部新收集到的观测数据,对所述生产设备的各个所述管理项目的运转状况进行判定;以及
数据输出部,其输出由所述观测数据判定部得到的各个所述管理项目的运转状况的判定结果。
2.根据权利要求1所述的数据处理装置,其特征在于,
所述观测数据判定部生成包含以下信息的判定结果,即,表示所述生产设备是否执行了与所述管理项目的每一者对应的动作的信息、由所述生产设备执行过的动作的产生时刻的信息。
3.根据权利要求1或2所述的数据处理装置,其特征在于,
所述管理项目的每一者表示由所述生产设备执行的一系列动作中的1个动作。
4.根据权利要求1至3中任一项所述的数据处理装置,其特征在于,
所述特征数据提取部提取所述生产设备产生了动作异常时的特征数据,
所述学习模型生成部基于由所述特征数据提取部提取出的所述生产设备产生了动作异常时的特征数据,生成用于对所述生产设备的动作异常进行检测的学习模型。
5.根据权利要求1至4中任一项所述的数据处理装置,其特征在于,
所述观测数据判定部对由所述观测数据收集部收集到的观测数据进行复制而生成与各个所述管理项目的学习模型相同数量的观测数据,基于生成的观测数据的每一者和各个所述管理项目的学习模型的每一者对所述生产设备的各个所述管理项目的运转状况进行判定。
6.一种数据处理方法,其是数据处理装置对从生产设备输出的数据进行处理的数据处理方法,
该数据处理方法的特征在于,包含:
观测数据收集步骤,对所述生产设备在运转中产生的振动的观测数据进行收集;
数据区分步骤,将所述观测数据区分为对所述生产设备的运转状况进行判定的各个单位即管理项目的多个分析对象数据;
特征数据提取步骤,对所述分析对象数据的每一者进行分析而提取表示与所述管理项目的每一者对应的动作的特征的特征数据;
学习模型生成步骤,基于所述特征数据针对各个所述管理项目生成用于对所述生产设备的运转状况进行判定的学习模型;
观测数据判定步骤,基于在所述学习模型生成步骤中生成的各个所述管理项目的学习模型、在所述观测数据收集步骤中新收集到的观测数据,对所述生产设备的各个所述管理项目的运转状况进行判定;以及
输出步骤,输出所述观测数据判定步骤中的各个所述管理项目的运转状况的判定结果。
7.一种数据处理程序,其特征在于,使计算机执行:
观测数据收集步骤,对生产设备在运转中产生的振动的观测数据进行收集;
数据区分步骤,将所述观测数据区分为对所述生产设备的运转状况进行判定的各个单位即管理项目的多个分析对象数据;
特征数据提取步骤,对所述分析对象数据的每一者进行分析而提取表示与所述管理项目的每一者对应的动作的特征的特征数据;
学习模型生成步骤,基于所述特征数据针对各个所述管理项目生成用于对所述生产设备的运转状况进行判定的学习模型;
观测数据判定步骤,基于在所述学习模型生成步骤中生成的各个所述管理项目的学习模型、在所述观测数据收集步骤中新收集到的观测数据,对所述生产设备的各个所述管理项目的运转状况进行判定;以及
输出步骤,输出所述观测数据判定步骤中的各个所述管理项目的运转状况的判定结果。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/032241 WO2022044175A1 (ja) | 2020-08-26 | 2020-08-26 | データ処理装置、データ処理方法およびデータ処理プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115917458A true CN115917458A (zh) | 2023-04-04 |
Family
ID=78028239
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080100430.4A Pending CN115917458A (zh) | 2020-08-26 | 2020-08-26 | 数据处理装置、数据处理方法及数据处理程序 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20240210910A1 (zh) |
JP (1) | JP6937961B1 (zh) |
CN (1) | CN115917458A (zh) |
DE (1) | DE112020007541T5 (zh) |
WO (1) | WO2022044175A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102589041B1 (ko) * | 2022-12-01 | 2023-10-19 | (주)연합시스템 | 디지털 트윈을 활용한 복수의 스마트 공작 기계의 가공 속도 조절 시스템, 서버, 방법 및 프로그램 |
JP7362000B1 (ja) | 2023-01-18 | 2023-10-16 | 三菱電機株式会社 | 処理システム、処理方法及びプログラム |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3624390B2 (ja) * | 1996-03-29 | 2005-03-02 | 西日本旅客鉄道株式会社 | 鉄道用軌道の異常検知方法および異常検知装置 |
WO2017090098A1 (ja) * | 2015-11-25 | 2017-06-01 | 株式会社日立製作所 | 設備管理装置および方法 |
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 |
-
2020
- 2020-08-26 US US17/913,897 patent/US20240210910A1/en active Pending
- 2020-08-26 DE DE112020007541.9T patent/DE112020007541T5/de active Pending
- 2020-08-26 CN CN202080100430.4A patent/CN115917458A/zh active Pending
- 2020-08-26 JP JP2021507544A patent/JP6937961B1/ja active Active
- 2020-08-26 WO PCT/JP2020/032241 patent/WO2022044175A1/ja active Application Filing
Also Published As
Publication number | Publication date |
---|---|
DE112020007541T5 (de) | 2023-06-15 |
US20240210910A1 (en) | 2024-06-27 |
WO2022044175A1 (ja) | 2022-03-03 |
JP6937961B1 (ja) | 2021-09-22 |
JPWO2022044175A1 (zh) | 2022-03-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102473660B (zh) | 等离子加工系统自动瑕疵检测和分类及其方法 | |
JP5301310B2 (ja) | 異常検知方法及び異常検知システム | |
JP6076421B2 (ja) | 設備状態監視方法およびその装置 | |
US11703845B2 (en) | Abnormality predicting system and abnormality predicting method | |
JP6880843B2 (ja) | 管理装置および管理プログラム | |
JP2013218725A (ja) | 異常検知方法及び異常検知システム | |
JP5045770B2 (ja) | プロセス解析システム | |
JP6903142B2 (ja) | 異常検出装置、異常検出方法及びプログラム | |
CN115917458A (zh) | 数据处理装置、数据处理方法及数据处理程序 | |
JP2020042519A (ja) | 異常検知装置、異常検知方法、及び異常検知プログラム | |
JPWO2019012653A1 (ja) | 学習システム、分析システム、学習方法及び記憶媒体 | |
JP2012018066A (ja) | 異常検査装置 | |
US20210149387A1 (en) | Facility failure prediction system and method for using acoustic signal of ultrasonic band | |
JP2021092970A (ja) | 制御方法、制御装置、機械設備、制御プログラム、記録媒体 | |
US20190362188A1 (en) | Information processing method, information processing apparatus, and program | |
WO2020162425A1 (ja) | 解析装置、解析方法、およびプログラム | |
US11255716B2 (en) | Analysis support apparatus, analysis support method, and a computer-readable medium containing an analysis support program | |
JP6641056B1 (ja) | 機器の異常診断方法および機器の異常診断システム | |
KR102500140B1 (ko) | 초음파 대역의 음향 신호를 이용한 설비 고장 예측 시스템 및 그 방법 | |
JP7311820B1 (ja) | 異常判定方法、異常判定装置及びプログラム | |
JP7199609B1 (ja) | 異常診断方法、異常診断装置、異常診断プログラム、および、異常診断システム | |
CN117740082B (zh) | 一种电力设备故障风险预警方法及系统 | |
JP2023073140A (ja) | 管理装置、検査システム、管理方法、及びプログラム | |
WO2024008288A1 (en) | A method for detecting an anomaly in a manufacturing process | |
JP2023175362A (ja) | 情報処理装置及び情報処理方法 |
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 |