CN116830054A - 信息处理装置、信息处理程序以及信息处理方法 - Google Patents

信息处理装置、信息处理程序以及信息处理方法 Download PDF

Info

Publication number
CN116830054A
CN116830054A CN202180091770.XA CN202180091770A CN116830054A CN 116830054 A CN116830054 A CN 116830054A CN 202180091770 A CN202180091770 A CN 202180091770A CN 116830054 A CN116830054 A CN 116830054A
Authority
CN
China
Prior art keywords
score
threshold value
feature
information processing
feature quantity
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
CN202180091770.XA
Other languages
English (en)
Inventor
土川健斗
川上真辅
宫本幸太
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.)
Omron Corp
Original Assignee
Omron 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 Omron Corp filed Critical Omron Corp
Publication of CN116830054A publication Critical patent/CN116830054A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
    • G05B19/05—Programmable logic controllers, e.g. simulating logic interconnections of signals according to ladder diagrams or function charts
    • G05B19/058—Safety, monitoring
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • 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

Landscapes

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

Abstract

控制装置具有被输入根据从控制对象收集的信息计算出的特征量并输出得分的学习完毕模型和用于判定得分的阈值。信息处理装置包含：显示单元，其显示与学习完毕模型相关联的特征量以及根据该特征量计算出的得分；受理单元，其受理针对特征量以及得分中的任意方的阈值的设定；计算单元，其根据针对特征量设定的阈值计算针对得分的阈值；以及输出单元，其输出针对得分设定的阈值或者根据针对特征量设定的阈值计算出的针对得分的阈值，作为应用于学习完毕模型的阈值。

Description

信息处理装置、信息处理程序以及信息处理方法
技术领域
本发明涉及与控制装置连接的信息处理装置、信息处理程序和信息处理方法。
背景技术
在各种生产现场，存在想要通过针对机械、装置的预测保养来提高设备运转率的需求。预测保养是指在成为检测到机械、装置中发生的某些异常而必须停止设备的状态之前，进行整修、更换等维护作业的保养方式。为了实现这样的预测保养，使用了如下的机器学习的方法已被实用化：收集机械、装置的状态值，并且基于收集到的状态值，判定该机械、装置中是否发生了某种异常。
例如，日本特开2012-138044号公报(专利文献1)公开了一种对迅速地进行监视对象的异常诊断进行辅助的过程状态监视装置。
现有技术文献
专利文献
专利文献1：日本特开2012-138044号公报
发明内容
发明所要解决的课题
作为检测异常的典型方法，存在使用预先确定的阈值来判定测定出的值的方法。
通常，检测对象的异常能够发生的频度较少，不得不仅基于被赋予了正常标签的数据或者被赋予了微小的异常标签的数据，将阈值设定为初始值。因此，即使是具有专业知识的专家，也不容易设定适当的阈值。
本技术提供一种能够更容易地设定用于使用学习完毕模型来判定某些现象的阈值的方法。
用于解决课题的手段
根据本技术的一例，提供与用于对控制对象进行控制的控制装置连接的信息处理装置。控制装置具有被输入根据从控制对象收集的信息计算出的特征量并输出得分的学习完毕模型和用于判定得分的阈值。信息处理装置包含：显示单元，其显示与学习完毕模型相关联的特征量以及根据该特征量计算出的得分；受理单元，其受理针对特征量以及得分中的任意方的阈值的设定；计算单元，其根据针对特征量设定的阈值计算针对得分的阈值；以及输出单元，其输出针对得分设定的阈值或者根据针对特征量设定的阈值计算出的针对得分的阈值，作为应用于学习完毕模型的阈值。
根据该结构，用户能够一边确认特征量或者得分，一边设定针对特征量以及得分中的任意方的阈值。因此，能够对特征量以及得分中的设定容易的一方设定阈值，能够运用使用了学习完毕模型的判定处理。
显示单元也可以排列显示特征量的时间波形以及得分的时间波形。根据该结构，用户能够确认特征量的时间波形以及得分的时间波形这两方，因此能够使阈值的设定更容易。
计算单元也可以使用规定学习完毕模型的函数，根据针对特征量设定的阈值计算针对得分的阈值。根据该结构，能够按照学习完毕模型的定义，根据针对特征量设定的阈值计算针对得分的阈值。
显示单元也可以排列显示多个特征量的时间波形。根据该结构，能够确认多个特征量，因此能够使阈值的设定更容易。
显示单元可以在与2个特征量对应的二维坐标上标绘显示各个特征量，并且以等高线的方式显示针对得分的阈值。根据该结构，能够在视觉上掌握2个特征量与得分的关系，因此能够使阈值的设定更容易。
显示单元也可以在与3个特征量对应的三维坐标上标绘显示各个特征量，并且显示与所设定的得分对应的坐标点群。根据该结构，能够在视觉上掌握3个特征量与得分的关系，因此能够使阈值的设定更容易。
输出单元也可以输出多个阈值。根据该结构，能够利用使用学习完毕模型计算出的得分来进行多个阶段的判定。
根据本技术的另一例，提供一种由与用于对控制对象进行控制的控制装置连接的计算机执行的信息处理程序。控制装置具有被输入根据从控制对象收集的信息计算出的特征量并输出得分的学习完毕模型和用于判定得分的阈值。信息处理程序使计算机执行以下步骤：显示与学习完毕模型相关联的特征量以及根据该特征量计算出的得分；受理针对特征量以及得分中的任意方的阈值的设定；根据针对特征量设定的阈值计算针对得分的阈值；以及输出针对得分设定的阈值或者根据针对特征量设定的阈值计算出的针对得分的阈值，作为应用于学习完毕模型的阈值。
根据本技术的又一例，提供一种由与用于对控制对象进行控制的控制装置连接的计算机执行的信息处理方法。控制装置具有被输入根据从控制对象收集的信息计算出的特征量并输出得分的学习完毕模型和用于判定得分的阈值。信息处理方法包含以下步骤：显示与学习完毕模型相关联的特征量以及根据该特征量计算出的得分；受理针对特征量以及得分中的任意方的阈值的设定；根据针对特征量设定的阈值计算针对得分的阈值；以及输出针对得分设定的阈值或者根据针对特征量设定的阈值计算出的针对得分的阈值，作为应用于学习完毕模型的阈值。
发明效果
根据本技术，提供一种能够更容易地设定用于使用学习完毕模型来判定某些现象的阈值的方法。
附图说明
图1是表示本实施方式的控制系统的整体结构例的示意图。
图2是用于说明本实施方式的控制系统的主要结构和运用方式的一例的图。
图3是表示构成本实施方式的控制系统的控制装置的硬件结构例的框图。
图4是表示构成本实施方式的控制系统的辅助装置的硬件结构例的框图。
图5是表示本实施方式的控制系统中的异常检测处理的概要的示意图。
图6是用于说明构成本实施方式的控制系统的辅助装置所提供的阈值设定处理的概要的图。
图7是表示构成本实施方式的控制系统的辅助装置所提供的阈值设定处理所涉及的用户界面画面的一例的示意图。
图8是表示构成本实施方式的控制系统的辅助装置所提供的阈值设定处理所涉及的用户界面画面的另一例的示意图。
图9是表示构成本实施方式的控制系统的辅助装置所提供的阈值设定处理所涉及的用户界面画面的又一例的示意图。
图10是表示本实施方式的阈值设定处理的处理过程例的流程图。
图11是表示用于实现本实施方式的阈值设定处理的功能结构例的框图。
具体实施方式
参照附图详细说明本发明的实施方式。此外，对图中的相同或相当部分标注相同的附图标号并不重复其说明。
＜A.应用例＞
首先，对应用本发明的场景的一例进行说明。以下，作为机器学习的应用例，对判定设备等中是否发生了某些异常的例子进行说明，但本发明不限于异常检测，能够应用于任意的机器学习。
在本说明书中，将控制装置所涉及的任意的装置也称为“控制对象”。“控制对象”这一用语不限于控制装置直接控制的任意的设备、控制装置取得信息的设备，也可以包括包含这些设备的任意的装置、设备以及构成控制装置的单元等。
在本说明书中，作为进行判断等处理的实体的一例，异常检测引擎读入通过机器学习生成的学习完毕模型。向异常检测引擎输入预先确定的一个或多个特征量，基于输入的特征量计算输出。异常检测引擎使用读入的学习完毕模型计算出的值也称为“得分”。
在本说明书中，将能够应用通过机器学习生成的学习完毕模型而判定的特定的现象也称为“事件”。从异常检测涉及的学习完毕模型来看，典型地说，事件意味着在控制对象中可能发生的特定的异常的发生。
图1是表示本实施方式的控制系统1的整体结构例的示意图。参照图1，本实施方式的控制系统1包含用于对控制对象进行控制的控制装置100和作为与控制装置100连接的信息处理装置的一例的辅助装置200作为主要的构成要素。
控制装置100也可以具体化为PLC(可编程控制器)等一种计算机。控制装置100经由现场总线2与现场装置组10连接。现场总线2优选采用产业用的通信协议。作为这样的通信协议，已知有EtherCAT(注册商标)、EtherNet/IP(注册商标)、DeviceNet(注册商标)、CompoNet(注册商标)等。
现场装置组10包含从控制对象或与控制关联的制造装置、生产线等(以下也总称为“现场”)收集输入数据的装置。作为这样的收集输入数据的装置，设想输入继电器、各种传感器等。现场装置组10还包含基于由控制装置100生成的指令(以下也称为“输出数据”。)对现场产生某些作用的装置。作为这样的对现场产生某些作用的装置，设想输出继电器、接触器、伺服驱动器以及伺服马达、其他任意的致动器。这些现场装置组10经由现场总线2与控制装置100之间交换包含输入数据及输出数据的数据。
在图1所示的结构例中，现场装置组10包含远程I/O(Input/Output：输入/输出)装置12、继电器组14、伺服驱动器18以及伺服马达20。
远程I/O装置12包含经由现场总线2进行通信的通信部以及用于进行输入数据的收集以及输出数据的输出的输入输出部(以下，也称为“I/O单元”。)。经由这样的I/O单元，在控制装置100与现场之间交换输入数据及输出数据。在图1中示出经由继电器组14交换数字信号作为输入数据以及输出数据的例子。
I/O单元也可以与现场总线直接连接。图1示出了I/O单元16直接连接到现场总线2的示例。
伺服驱动器18按照来自控制装置100的输出数据(例如位置指令等)驱动伺服马达20。
如上所述，经由现场总线2，在控制装置100与现场装置组10之间交换输入数据及输出数据，这些交换的数据以数百μsec级～数十msec级的极短的周期被更新。此外，有时也将这样的所交换的数据的更新处理称为“I/O刷新处理”。
控制装置100具有执行用于控制设备、机械等控制对象的控制运算的PLC引擎(图2所示的PLC引擎130)。PLC引擎相当于控制运算部，通过执行基于输入数据的控制运算来决定输出数据。控制装置100具有依次存储来自现场装置组10的输入数据、向现场装置组10的输出数据以及在控制装置100的内部管理的内部数据等的时间序列数据库(以下，也记为“TSDB(Time Series Data Base)”。以下，将存储于TSDB 140的数据也称为“时间序列数据”。
控制装置100具有异常检测引擎150，该异常检测引擎150读入预先准备的学习完毕模型(以下，也简称为“模型160”)以及参数162，检测控制对象中的异常。
在模型160中，输入根据从控制对象收集的信息计算出的特征量，输出得分。基本上，针对每个事件准备模型160。但是，也能够将用于分别判定多个事件的逻辑汇总为一个模型。
参数162也可以包含用于判定从模型160输出的得分的阈值。
作为从控制对象收集的信息，典型地说，使用存储于TSDB 140的时间序列数据(或者根据时间序列数据计算出的特征量)。即，异常检测引擎150基于存储于TSDB 140的时间序列数据，判定控制对象中的异常的发生或者异常的可能性。
控制装置100可以经由上级网络6与服务器400连接，也可以经由现场总线4与一个或多个显示装置500连接。此外，服务器400以及显示装置500是可选的结构，不是控制系统1的必需的结构。
服务器400负责对控制装置100提供任意的信息或者收集来自控制装置100的数据的这样的处理。
显示装置500接受来自用户的操作，对控制装置100发送与用户操作对应的指令等，并且以图形显示控制装置100中的运算结果等。
辅助装置200是辅助控制装置100对控制对象进行控制所需的准备的信息处理装置(计算机的一例)。具体而言，辅助装置200提供由控制装置100执行的用户程序的开发环境(程序制作编辑工具、分析器、编译器等)、用于设定控制装置100及与控制装置100连接的各种设备的参数(配置)的设定环境、将生成的用户程序向控制装置100发送的功能、在线对在控制装置100上执行的用户程序等进行修正、变更的功能等。
而且，辅助装置200具有用于对安装于控制装置100的异常检测引擎150所参照的模型160的生成以及调整等进行辅助的功能。
在此，与异常检测的对象关联的信息只要是能够用于生成用于对异常检测引擎150的检测逻辑(即，模型160)进行学习的学习数据的信息，则可以是任意的信息。作为与异常检测的对象关联之物，例如考虑生产的工件(产品或半成品)、生产设备本身等。
接着，对控制装置100的异常检测引擎150的结构及运用的一例进行说明。辅助装置200取得储存于TSDB 140的时间序列数据，对用于模型160的生成的时间序列数据或特征量进行筛选(清理)。然后，辅助装置200使筛选出的数据可视化，并且对筛选出的数据进行标签赋予。进而，辅助装置200决定与模型160一起使用的参数162。参数162的决定包含针对得分或特征量的阈值的设定。阈值可以由用户手动设定，也可以基于统计性的信息自动设定。
最终，辅助装置200基于赋予了标签的数据生成模型160，将所生成的模型160以及对应的参数162传输至控制装置100。向控制装置100传输的模型160是学习完毕模型。包含阈值等的参数162可以作为与模型160不同的文件存储于控制装置100，也可以将参数162嵌入于模型160。
图2是用于说明本实施方式的控制系统1的主要结构和运用方式的一例的图。参照图2，控制系统1中的异常检测的处理典型地依次通过数据收集阶段30、数据分析阶段32、运用阶段34来实现。
在数据收集阶段30中，收集与异常检测的对象关联的时间序列数据。在数据分析阶段32中，通过针对在数据收集阶段30中收集到的时间序列数据的数据挖掘等，研究适于目标的异常检测的特征量，并且生成与研究出的特征量相应的模型160。利用在数据分析阶段32中生成的模型160，开始运用阶段34。
在运用阶段34开始后，在发生了漏检了应该检测到的异常或者检测到不应该检测到的异常之类的检测不足、误检测的情况下，有时通过重新学习来更新模型160。或者，在异常检测的对象发生了某些变化(例如，经年变化、动作条件的变化等)的情况下，也可以通过重新学习来更新模型160。
考虑到这样的处理过程，辅助装置200也可以包含数据挖掘工具240和模型生成工具250。数据挖掘工具240主要在数据分析阶段32中提供必要的处理。模型生成工具250主要在运用阶段34中提供必要的处理。
数据挖掘工具240典型地说提供特征量生成处理242、特征量选择处理244、模型生成处理246和阈值设定处理248。
模型生成工具250提供模型更新处理252和阈值调整处理254。
另一方面，如上所述，控制装置100具有PLC引擎130、TSDB 140以及异常检测引擎150。
PLC引擎130周期性地执行由根据控制对象任意制作的用户程序132定义的控制运算。在用户程序132中，能够利用AI库134。或者，也可以在用户程序132中嵌入AI库134。AI库134的内容、特性、动作等也可以在数据分析阶段32中使用数据挖掘工具240来决定。
PLC引擎130通过执行用户程序132中包含的AI库134的部分，根据预先指定的数据计算一个或多个特征量152，将计算出的特征量152提供给异常检测引擎150。
PLC引擎130具有数据管理部136，以能够从用户程序132参照的方式保持输入数据、输出数据以及内部数据。数据管理部136管理的数据的值通过I/O刷新处理按每个规定周期(I/O刷新周期)进行更新。另外，由数据管理部136管理的数据中的预先指定的数据按每个规定周期存储于TSDB 140。其结果，从TSDB 140输出所指定的数据的每个规定周期的值变化、即时间序列数据142。
异常检测引擎150基于来自PLC引擎130的特征量152，参照模型160，判定异常的发生或者异常的可能性。模型160可以在数据分析阶段32中使用数据挖掘工具240来决定，也可以在运用阶段34中使用模型生成工具250来决定。
典型地说，模型160是当输入一个或多个特征量152时输出表示异常度的值(相对于正常的背离度)的函数。模型160可以包含对作为实体的函数进行定义的系数。
本实施方式的控制系统1能够报告输出与机器学习有关的信息，用户通过利用这样的报告输出，能够容易地判定学习完毕模型的妥当性，另外，能够容易地掌握设备的劣化倾向、生产状况的倾向等。
＜B.硬件结构例＞
接着，说明构成本实施方式的控制系统1的主要装置的硬件结构例。
(b1:控制装置100的硬件结构例)
图3是表示构成本实施方式的控制系统1的控制装置100的硬件结构例的框图。参照图3，控制装置100包含：CPU(Central Processing Unit)、MPU(Micro-Processing Unit)等处理器102、芯片组104、主存储装置106、二次存储装置108、上级网络控制器110、USB(Universal Serial Bus)控制器112、存储卡接口114、内部总线控制器122、现场总线控制器118、120、I/O单元124-1、124-2、…。
处理器102读出存储在二次存储装置108中的各种程序，在主存储装置106中展开并执行，由此实现PLC引擎130及异常检测引擎150。芯片组104控制处理器102与各组件之间的数据传输等。
在二次存储装置108中，除了存储有用于实现PLC引擎130以及异常检测引擎150的系统程序131以外，还存储有利用PLC引擎130执行的用户程序132。二次存储装置108的一部分区域也可以用作TSDB 140。
上级网络控制器110控制经由上级网络6与其他装置之间的数据交换。USB控制器112控制经由USB连接与辅助装置200之间的数据交换。
存储卡接口114构成为能够装卸存储卡116，能够对存储卡116写入数据，从存储卡116读出各种数据(用户程序、跟踪数据等)。
内部总线控制器122是在与搭载于控制装置100的I/O单元124-1、124-2、…之间交换数据的接口。
现场总线控制器118控制经由现场总线2与其他装置之间的数据交换。同样地，现场总线控制器120控制经由现场总线4与其他装置之间的数据交换。
在图3中示出了通过处理器102执行程序而提供所需的功能的结构例，但也可以使用专用的硬件电路(例如，ASIC(Application Specific Integrated Circuit)或者FPGA(Field-Programmable Gate Array)等)来安装这些所提供的功能的一部分或者全部。或者，也可以使用遵循通用架构的硬件(例如，以通用个人计算机为基础的产业用个人计算机)来实现控制装置100的主要部分。在该情况下，也可以使用虚拟化技术并行地执行用途不同的多个OS(Operating System)，并且在各OS上执行必要的应用程序。
(b2:辅助装置200的硬件结构例)
作为一例，本实施方式的辅助装置200通过使用遵循通用架构的硬件(例如通用个人计算机)执行程序来实现。
图4是表示构成本实施方式的控制系统1的辅助装置200的硬件结构例的框图。参照图4，辅助装置200包含CPU、MPU等处理器202、光学驱动器204、主存储装置206、二次存储装置208、USB控制器212、网络控制器214、输入部216以及显示部218。这些组件经由总线220连接。
处理器202读出存储在二次存储装置208中的各种程序，在主存储装置206中展开并执行，由此实现包含后述的阈值设定处理在内的各种处理。
二次存储装置208例如由HDD(Hard Disk Drive)、SSD(Flash Solid StateDrive)等构成。典型地说，在二次存储装置208中存储用于在OS 222与控制装置100之间交换与异常检测功能有关的数据的PLC接口程序224、用于进行在辅助装置200中执行的用户程序的制作、制作出的用户程序的调试、系统结构的定义、各种参数的设定等的开发程序226、用于实现模型160的生成及关联处理的模型生成程序228。也可以在二次存储装置208中存储图4所示的程序以外的必要的程序。
辅助装置200具有光学驱动器204，从非暂时性地保存计算机可读取的程序的记录介质205(例如DVD(Digital Versatile Disc)等光学记录介质)读取其中保存的程序并安装到二次存储装置208等。
由辅助装置200执行的各种程序可以经由计算机可读取的记录介质205安装，但也可以以从网络上的服务器装置等下载的方式安装。另外，本实施方式的辅助装置200提供的功能有时以利用OS 222提供的模块的一部分的方式实现。
USB控制器212控制经由USB连接与控制装置100之间的数据交换。网络控制器214控制经由任意的网络与其他装置之间的数据交换。
输入部216由键盘、鼠标等构成，受理用户操作。显示部218由显示器、各种指示器、打印机等构成，输出来自处理器202的处理结果等。
在图4中，示出了通过处理器202执行程序而提供所需的功能的结构例，但也可以使用专用的硬件电路(例如，ASIC或FPGA等)来安装这些所提供的功能的一部分或全部。
＜C.阈值设定处理＞
接着，对本实施方式的阈值设定处理进行说明。
图5是表示本实施方式的控制系统1中的异常检测处理的概要的示意图。参照图5，特征量计算模块260针对时间序列数据的输入，计算对应的特征量152。
特征量152是根据来自现场的信息(时间序列数据的一部分)通过任意的方法计算出的信息。作为特征量152，例如能够使用最大值、最小值、中间值、平均值、标准偏差等任意的值。另外，也可以将时间序列数据直接用作特征量。
计算出的特征量152被输入到模型160，计算出得分154。进而，从模型160输出的得分154在阈值判定模块262中与阈值156进行比较。根据得分154与阈值156的大小关系，输出包含有无异常等的检测结果158。
另外，模型160中可以输入多个特征量152，特征量152的维数也可以任意设定。从模型160输出的得分154典型的是一维的值，但也可以是多维的值。
本实施方式的控制系统1提供用于使在得分154的判定中使用的阈值156的设定容易化的结构。由于输入到模型160的特征量152与从模型160输出的得分154的对应关系是明确的，因此也能够代替针对得分154设定的阈值156，而调整针对特征量152设定的阈值。
辅助装置200显示与模型160关联的特征量以及根据该特征量计算出的得分。以下，示出特征量以及得分的显示例。
图6是用于说明构成本实施方式的控制系统1的辅助装置200提供的阈值设定处理的概要的图。参照图6，辅助装置200针对所选择的模型160(与任意事件对应的模型160)，选择性地或同时显示表示所输入的一个或多个特征量的时间波形的特征量显示画面270和表示所输出的得分的时间波形的得分显示画面280。即，辅助装置200可以排列显示特征量的时间波形以及得分的时间波形，也可以显示特征量的时间波形以及得分的时间波形中的一方。
用户能够在特征量显示画面270和得分显示画面280中的任一方中设定用于判定的阈值。
更具体而言，特征量显示画面270包含特征量显示区域271和直方图显示区域272。特征量显示区域271中显示有输入到所选择的模型160的特征量的时间波形。直方图显示区域272中显示有在特征量显示区域271中显示的特征量的时间波形的分布。
另外，得分显示画面280包含得分显示区域281和直方图显示区域282。得分显示区域281中显示有从所选择的模型160输出的得分的时间波形。直方图显示区域282中显示有得分显示区域281中显示的得分的时间波形的分布。
特征量以及得分的时间波形例如按照被称为帧的规定的时间区间进行划分。
图6的(A)表示用户对得分的时间波形设定阈值的例子。在图6的(A)所示的得分显示画面280中显示用于设定阈值的滑块285。用户操作滑块285，设定针对得分的第1阈值283以及第2阈值284。这样，辅助装置200受理针对得分的阈值的设定。
此外，作为阈值，可以是一个，也可以是多个。例如，也可以将第1阈值283设定为用于判定为达到了异常(damage)的阈值，将第2阈值284设定为用于判定为表示异常已进展到了某种程度的提醒(caution)的阈值。在该情况下，作为参数162，也输出多个阈值(第1阈值283以及第2阈值284)。
图6的(B)表示用户对特征量的时间波形设定阈值的例子。在图6的(B)所示的特征量显示画面270中显示用于设定阈值的滑块275。用户操作滑块275，设定针对特征量的第1阈值273和第2阈值274。这样，辅助装置200受理针对特征量的阈值的设定。
辅助装置200根据用户对特征量设定的第1阈值273和第2阈值274，分别计算出针对得分的第1阈值283和第2阈值284。第1阈值283和第2阈值284使用规定对应的模型160的函数来计算。
例如，将一个或多个特征量计算得分的模型160设为函数f(特征量1，特征量2，…，特征量N)(N≥1)。此时，能够表现为得分＝f(特征量1、特征量2、……、特征量N)。通过使用这样的规定模型160的函数f，能够根据针对特征量设定的阈值THch计算针对得分的阈值THsc。即，能够计算出THsc＝f(THch)。这样，通过使用规定模型160的函数f(即，模型160本身)，能够根据针对特征量设定的阈值来唯一地计算出针对得分的阈值。
这样，辅助装置200根据针对特征量设定的阈值计算针对得分的阈值。更具体而言，辅助装置200使用规定模型160的函数，根据针对特征量设定的阈值THch计算针对得分的阈值THsc。
此外，有时也向模型160输入多个特征量。在该情况下，也可以对各个特征量设定阈值。此时，为了使用户能够直观地理解，也可以提供以下那样的用户界面画面。
图7是表示构成本实施方式的控制系统1的辅助装置200所提供的阈值设定处理所涉及的用户界面画面的一例的示意图。参照图7，用户界面画面290表现输入到模型160的多个特征量中的任意选择出的两个特征量与得分的关系。
更具体而言，用户界面画面290包含得分显示区域291。得分显示区域291以等高线的形式表现在特征量选择区域292中选择的任意两个特征量与得分的关系。得分显示区域291中显示的等高线295是连结计算出同一得分的特征量的组而成的。
关于得分显示区域291中显示的各个等高线295，使所选择的特征量分别变化来依次计算出对应的得分，由此提取并生成示出同一得分的特征量的组。
另外，在得分显示区域291中，标绘了被赋予了正常标签的特征量296和被赋予了异常标签的特征量297。用户通过一边参照得分显示区域291中显示的等高线295以及特征量296及特征量297，一边向阈值设定区域293及阈值设定区域294输入任意的值，设定针对得分的第1阈值283以及第2阈值284。这样，在模型160构成为根据多个特征量输出得分的情况下，辅助装置200根据针对多个特征量分别设定的阈值计算针对得分的阈值。
所设定的第1阈值283及第2阈值284以等高线的方式反映在得分显示区域291中。
用户一边对得分显示区域291中显示的和第1阈值283及第2阈值284对应的等高线包围的范围与被赋予了正常标签的特征量296及被赋予了异常标签的特征量297进行比较，一边设定最佳的第1阈值283以及第2阈值284。
这样，辅助装置200在与两个特征量相对应的二维坐标上标绘显示各个特征量(特征量296以及特征量297)，并且以等高线的方式显示针对得分的阈值。
图8是表示构成本实施方式的控制系统1的辅助装置200所提供的阈值设定处理所涉及的用户界面画面的另一例的示意图。图8示出了通过将三个特征量输入到模型160来计算得分的例子。
在图8的得分显示区域298中显示有与三个特征量对应的三维坐标。由于在图8所示的得分显示区域298中能够显示多个得分的等高线，所以在得分显示区域298中显示与在阈值设定区域299中设定的阈值对应的边界面。
这样，辅助装置200在与3个特征量对应的3维坐标上标绘显示各个特征量，并且显示与所设定的得分对应的坐标点群。
图8的得分显示区域298所示的标绘点(坐标点群)连结而成的曲面成为与在阈值设定区域299中设定的针对得分的阈值对应的边界面。用户能够一边确认标绘点连结而成的曲面，一边设定针对得分的阈值。这样，辅助装置200受理针对得分的阈值的设定。
此外，通过对图8的(A)所示的得分显示区域298的用户操作，成为图8的(B)所示那样的得分显示区域298那样的显示。即，用户能够任意地变更显示得分显示区域298的视点。通过这样的视点变更或者旋转显示，用户能够判定所设定的针对得分的阈值是否适当。
另外，也可以通过对多个特征量中的任意的特征量设定阈值，来设定针对得分的阈值。
图9是表示构成本实施方式的控制系统1的辅助装置200所提供的阈值设定处理所涉及的用户界面画面的又一例的示意图。
参照图9，设想对模型160输入3个特征量的情况。显示有各个特征量的时间波形的特征量显示画面270A、特征量显示画面270B以及特征量显示画面270C排列显示。用户参照各个特征量的时间波形，选择容易设定阈值的特征量，并且设定期望的阈值。
在图9所示的例子中，用户选择特征量显示画面270B，操作特征量显示画面270B的滑块275，设定针对所选择的特征量的第1阈值273以及第2阈值274。于是，计算与针对特征量的第1阈值273以及第2阈值274对应的针对得分的第1阈值283以及第2阈值284。在得分显示画面280中，除了显示对应的得分的时间波形以外，还显示计算出的第1阈值283以及第2阈值284。
此外，关于未设定阈值的特征量，也可以使用特征量的统计数据等，使用暂定地决定的阈值来计算针对得分的阈值。
这样，通过排列显示多个特征量的时间波形，并且选择容易设定阈值的特征量，设定期望的阈值，能够设定针对所对应的得分的阈值。
通过以上那样的过程设定的针对得分设定的阈值或者根据针对特征量设定的阈值计算出的针对得分的阈值作为应用于模型160的阈值而输出。
＜D.处理过程＞
接着，对本实施方式的阈值设定处理的处理过程例进行说明。
图10是表示本实施方式的阈值设定处理的处理过程例的流程图。典型地说，图10所示的各步骤通过辅助装置200的处理器202执行模型生成程序228(图4)来实现。模型生成程序228是由作为计算机的辅助装置200执行的信息处理程序的一例。
另外，假设预先制作了用于针对一个或多个特征量计算得分的模型160。
参照图10，辅助装置200从用户受理对象事件的选择(步骤S100)。然后，辅助装置200取得与所选择的事件相关联的时间序列数据(步骤S102)。例如，辅助装置200可以访问控制装置100，取得存储于TSDB 140的时间序列数据，也可以从辅助装置200预先取得的时间序列数据中提取成为对象的时间序列数据。
接着，辅助装置200根据所取得的时间序列数据生成特征量的时间序列数据(步骤S104)，将所生成的时间序列数据输入至与对象事件对应的模型160，由此生成得分的时间序列数据(步骤S106)。
辅助装置200按照用户操作，显示特征量的时间序列数据及得分的时间序列数据(步骤S108)。即，辅助装置200显示与模型160关联的特征量以及根据该特征量计算出的得分。用户一边参照特征量的时间序列数据和/或得分的时间序列数据，一边设定1个或多个阈值。辅助装置200受理针对特征量以及得分中的任意方的阈值的设定。
辅助装置200若从用户受理了阈值的设定(在步骤S110中为是)，则判定所设定的阈值是否为针对特征量的阈值(步骤S112)。
如果所设定的阈值是针对特征量的阈值(在步骤S112中为是)，则辅助装置200使用规定模型160的函数，根据针对特征量的阈值计算针对得分的阈值(步骤S114)。这样，辅助装置200根据针对特征量设定的阈值计算针对得分的阈值。
如果所设定的阈值不是针对特征量的阈值(即，所设定的阈值是针对得分的阈值的情况)(在步骤S112中为否)，则跳过步骤S114的处理。
辅助装置200将计算或设定的针对得分的阈值反映到得分的时间波形中(步骤S116)。
然后，若辅助装置200从用户受理了模型输出的指示(步骤S118中是)，则辅助装置200将当前的模型160以及所设定的针对得分的阈值汇总，作为提供给异常检测引擎150的数据集而输出(步骤S120)。即，辅助装置200将针对得分设定的阈值或者根据针对特征量设定的阈值计算出的针对得分的阈值作为应用于模型160的阈值输出。
另一方面，若未从用户受理模型输出的指示(在步骤S118中为否)，则重复步骤S110以后的处理。
通过以上那样的过程，阈值设定处理所涉及的处理完成。
＜E.功能结构＞
接着，对本实施方式的阈值设定处理的功能结构例进行说明。
图11是表示用于实现本实施方式的阈值设定处理的功能结构例的框图。典型地说，图11所示的各块通过辅助装置200的处理器202执行模型生成程序228(图4)来实现。
参照图11，作为与阈值设定处理有关的功能结构，辅助装置200包含取得模块230、特征量计算模块231、得分计算模块232、显示模块233、设定受理模块234、阈值计算模块235以及输出模块236。
取得模块230取得与所选择的事件相关联的时间序列数据。取得模块230既可以利用辅助装置200访问控制装置100来取得保存于TSDB 140的时间序列数据，也可以利用预先保存于二次存储装置208的时间序列数据。
特征量计算模块231根据取得的时间序列数据计算特征量。特征量计算模块231可以按每个帧计算特征量，生成特征量的时间序列数据。
得分计算模块232根据特征量或特征量的时间序列数据计算得分。得分计算模块232也可以按每个帧计算得分，生成得分的时间序列数据。
显示模块233将与模型160相关联的特征量以及根据该特征量计算出的得分显示于显示部218。
设定受理模块234受理针对特征量以及得分中的任意方的阈值的设定。
阈值计算模块235根据针对特征量设定的阈值计算针对得分的阈值。
输出模块236输出针对得分设定的阈值或者根据针对特征量设定的阈值计算出的针对得分的阈值，作为应用于模型160的阈值(参数162)。
＜F.变形例＞
在上述的说明中，对辅助装置200主要执行阈值设定处理的结构例进行了说明，但阈值设定处理也可以通过辅助装置200与其他装置的协作来实现。也可以通过与辅助装置200不同的装置(例如，云上的计算资源)来实现。即，安装本实施方式的阈值设定处理的硬件可以是任意的硬件。
＜G.附记＞
如上所述的本实施方式包含以下的技术思想。
[结构1]
一种信息处理装置(200)，与用于对控制对象进行控制的控制装置(100)连接，所述控制装置具有：学习完毕模型(160)，其被输入根据从所述控制对象收集的信息计算出的特征量(152)并输出得分(154)；以及阈值(162)，其用于判定所述得分，所述信息处理装置具备：显示单元(233、218)，其显示与所述学习完毕模型相关联的特征量以及根据该特征量计算出的得分；受理单元(234)，其受理针对所述特征量以及所述得分中的任意方的阈值的设定；计算单元(235)，其根据针对所述特征量设定的阈值(273、274)计算针对所述得分的阈值(283、284)；以及输出单元(236)，其输出针对所述得分设定的阈值或者根据针对所述特征量设定的阈值计算出的针对所述得分的阈值，作为应用于所述学习完毕模型的阈值。
[结构2]
根据结构1所述的信息处理装置，其中，所述显示单元排列显示所述特征量的时间波形(271)和所述得分的时间波形(281)。
[结构3]
根据结构1或2所述的信息处理装置，其中，所述计算单元使用规定所述学习完毕模型的函数，根据针对所述特征量设定的阈值来计算针对所述得分的阈值。
[结构4]
根据结构1～3中的任一项所述的信息处理装置，其中，所述学习完毕模型构成为根据多个特征量输出得分，所述计算单元根据针对所述多个特征量分别设定的阈值计算针对所述得分的阈值。
[结构5]
根据结构4所述的信息处理装置，其中，所述显示单元排列显示所述多个特征量的时间波形(271A、271B)。
[结构6]
根据结构4所述的信息处理装置，其中，所述显示单元在与两个特征量对应的二维坐标上标绘显示各个特征量，并且以等高线的方式显示针对所述得分的阈值(291)。
[结构7]
根据结构4所述的信息处理装置，其中，所述显示单元在与三个特征量对应的三维坐标上标绘显示各个特征量，并且显示与所设置的得分对应的坐标点群(298)。
[结构8]
根据结构1～7中的任一项所述的信息处理装置，其中，所述输出单元输出多个所述阈值。
[结构9]
一种信息处理程序(228)，其由与用于对控制对象进行控制的控制装置(100)连接的计算机(200)执行，所述控制装置具有：学习完毕模型(160)，其被输入根据从所述控制对象收集的信息计算出的特征量(152)并输出得分(154)；以及阈值(162)，其用于判定所述得分，所述信息处理程序使所述计算机执行以下步骤：显示与所述学习完毕模型相关联的特征量以及根据该特征量计算出的得分(S108)；受理针对所述特征量以及所述得分中的任意方的阈值的设定(S110)；根据针对所述特征量设定的阈值计算针对所述得分的阈值(S114)；以及输出针对所述得分设定的阈值或者根据针对所述特征量设定的阈值计算出的针对所述得分的阈值，作为应用于所述学习完毕模型的阈值(S120)。
[结构10]
一种信息处理方法，其由与用于对控制对象进行控制的控制装置(100)连接的计算机(200)执行，所述控制装置具有：学习完毕模型(160)，其被输入根据从所述控制对象收集的信息计算出的特征量(152)并输出得分(154)；以及阈值(162)，其用于判定所述得分，所述信息处理方法包含以下步骤：显示与所述学习完毕模型相关联的特征量以及根据该特征量计算出的得分(S108)；受理针对所述特征量以及所述得分中的任意方的阈值的设定(S110)；根据针对所述特征量设定的阈值计算针对所述得分的阈值(S114)；以及输出针对所述得分设定的阈值或者根据针对所述特征量设定的阈值计算出的针对所述得分的阈值，作为应用于所述学习完毕模型的阈值(S120)。
＜H.优点＞
在本实施方式的辅助装置200中，针对特征量以及得分的任意方都能够设定阈值。在对特征量设定了阈值的情况下，变换为针对得分的阈值。无论对特征量以及得分中的哪一方设定了阈值，都作为针对得分的阈值而输出。
这样，在本实施方式的辅助装置200中，关于想要检测的事件，针对特征量以及得分中的任意方都能够设定阈值，因此能够容易地输出用于实现异常检测的模型160以及参数162。
通常，检测对象的异常能够发生的频度较少，不得不基于仅赋予了正常标签的数据或者赋予了微小的异常标签的数据，将阈值设定为初始值，但根据本实施方式的辅助装置200，只要对容易判定的特征量或得分设定阈值即可，因此，即使是专业知识少的用户，也能够比较容易地设定适当的阈值。
应该认为本次公开的实施方式在所有方面都是例示，并不是限制性的。本发明的范围不是由上述的说明表示而是由权利要求书表示，意图包含与权利要求书等同的意思和范围内的全部变更。
标号说明
1：控制系统；152、296、297：特征量；2、4：现场总线；6：上级网络；10：现场装置组；12：远程I/O装置；14：继电器组；16、124：I/O单元；18：伺服驱动器；20：伺服马达；30：数据收集阶段；32：数据分析阶段；34：运用阶段；100：控制装置；102、202：处理器；104：芯片组；106、206：主存储装置；108、208：二次存储装置；110：上级网络控制器；112、212：USB控制器；114：存储卡接口；116：存储卡；118、120：现场总线控制器；122：内部总线控制器；130：PLC引擎；131：系统程序；132：用户程序；134：库；136：数据管理部；142：时间序列数据；150：异常检测引擎；154：得分；156、THch、THsc：阈值；158：检测结果；160：模型；162：参数；200：辅助装置；204：光学驱动器；205：记录介质；214：网络控制器；216：输入部；218：显示部；220：总线；222：OS；224：接口程序；226：开发程序；228：模型生成程序；230：取得模块；231、260：特征量计算模块；232：得分计算模块；233：显示模块；234：设定受理模块；235：计算模块；236：输出模块；240：数据挖掘工具；242：特征量生成处理；244：特征量选择处理；246：模型生成处理；248：阈值设定处理；250：模型生成工具；252：模型更新处理；254：阈值调整处理；262：判定模块；270、270A、270B、270C：特征量显示画面；271：特征量显示区域；272、282：直方图显示区域；273、283：第1阈值；274、284：第2阈值；275、285：滑块；280：得分显示画面；281、291、298：得分显示区域；290：用户界面画面；292：特征量选择区域；293、294、299：设定区域；295：等高线；400：服务器；500：显示装置。

Claims (10)

1.一种信息处理装置，其与用于对控制对象进行控制的控制装置连接，所述控制装置具有学习完毕模型和阈值，所述学习完毕模型被输入根据从所述控制对象收集的信息计算出的特征量并输出得分，所述阈值用于判定所述得分，所述信息处理装置具备：
显示单元，其显示与所述学习完毕模型相关联的特征量以及根据该特征量计算出的得分；
受理单元，其受理针对所述特征量以及所述得分中的任意方的阈值的设定；
计算单元，其根据针对所述特征量设定的阈值计算针对所述得分的阈值；以及
输出单元，其输出针对所述得分设定的阈值或者根据针对所述特征量设定的阈值计算出的针对所述得分的阈值，作为应用于所述学习完毕模型的阈值。
2.根据权利要求1所述的信息处理装置，其中，
所述显示单元排列显示所述特征量的时间波形和所述得分的时间波形。
3.根据权利要求1或2所述的信息处理装置，其中，
所述计算单元使用规定所述学习完毕模型的函数，根据针对所述特征量设定的阈值计算针对所述得分的阈值。
4.根据权利要求1～3中的任一项所述的信息处理装置，其中，
所述学习完毕模型构成为根据多个特征量输出得分，
所述计算单元根据针对所述多个特征量分别设定的阈值计算针对所述得分的阈值。
5.根据权利要求4所述的信息处理装置，其中，
所述显示单元排列显示所述多个特征量的时间波形。
6.根据权利要求4所述的信息处理装置，其中，
所述显示单元在与2个特征量对应的二维坐标上标绘显示各个特征量，并且以等高线的方式显示针对所述得分的阈值。
7.根据权利要求4所述的信息处理装置，其中，
所述显示单元在与3个特征量对应的三维坐标上标绘显示各个特征量，并且显示与所设定的得分对应的坐标点群。
8.根据权利要求1所述的信息处理装置，其中，
所述输出单元输出多个所述阈值。
9.一种信息处理程序，其由与用于对控制对象进行控制的控制装置连接的计算机执行，所述控制装置具有学习完毕模型和阈值，所述学习完毕模型被输入根据从所述控制对象收集的信息计算出的特征量并输出得分，所述阈值用于判定所述得分，所述信息处理程序使所述计算机执行以下步骤：
显示与所述学习完毕模型相关联的特征量以及根据该特征量计算出的得分；
受理针对所述特征量以及所述得分中的任意方的阈值的设定；
根据针对所述特征量设定的阈值计算针对所述得分的阈值；以及
输出针对所述得分设定的阈值或者根据针对所述特征量设定的阈值计算出的针对所述得分的阈值，作为应用于所述学习完毕模型的阈值。
10.一种信息处理方法，其由与用于对控制对象进行控制的控制装置连接的计算机执行，所述控制装置具有学习完毕模型和阈值，所述学习完毕模型被输入根据从所述控制对象收集的信息计算出的特征量并输出得分，所述阈值用于判定所述得分，所述信息处理方法包含以下步骤：
显示与所述学习完毕模型相关联的特征量以及根据该特征量计算出的得分；
受理针对所述特征量以及所述得分中的任意方的阈值的设定；
根据针对所述特征量设定的阈值计算针对所述得分的阈值；以及
输出针对所述得分设定的阈值或者根据针对所述特征量设定的阈值计算出的针对所述得分的阈值，作为应用于所述学习完毕模型的阈值。
CN202180091770.XA 2021-02-24 2021-12-17 信息处理装置、信息处理程序以及信息处理方法 Pending CN116830054A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2021-027259 2021-02-24
JP2021027259A JP2022128824A (ja) 2021-02-24 2021-02-24 情報処理装置、情報処理プログラムおよび情報処理方法
PCT/JP2021/046792 WO2022181007A1 (ja) 2021-02-24 2021-12-17 情報処理装置、情報処理プログラムおよび情報処理方法

Publications (1)

Publication Number Publication Date
CN116830054A true CN116830054A (zh) 2023-09-29

Family

ID=83048080

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180091770.XA Pending CN116830054A (zh) 2021-02-24 2021-12-17 信息处理装置、信息处理程序以及信息处理方法

Country Status (5)

Country Link
US (1) US20240095589A1 (zh)
EP (1) EP4300232A1 (zh)
JP (1) JP2022128824A (zh)
CN (1) CN116830054A (zh)
WO (1) WO2022181007A1 (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4747955B2 (ja) * 2006-06-07 2011-08-17 オムロン株式会社 検査制御装置、検査制御方法、検査システム、制御プログラム、および、記録媒体
JP5813317B2 (ja) 2010-12-28 2015-11-17 株式会社東芝 プロセス状態監視装置
JP6965798B2 (ja) * 2018-03-12 2021-11-10 オムロン株式会社 制御システムおよび制御方法
JP2019179395A (ja) * 2018-03-30 2019-10-17 オムロン株式会社 異常検知システム、サポート装置および異常検知方法
JP7119759B2 (ja) * 2018-08-21 2022-08-17 オムロン株式会社 設定支援装置
JP7171471B2 (ja) * 2019-03-05 2022-11-15 株式会社日立製作所 学習モデル生成支援装置、及び学習モデル生成支援方法
JP7314664B2 (ja) * 2019-07-05 2023-07-26 オムロン株式会社 異常検知装置、異常検知方法、異常検知装置の制御方法、及び制御プログラム

Also Published As

Publication number Publication date
WO2022181007A1 (ja) 2022-09-01
EP4300232A1 (en) 2024-01-03
US20240095589A1 (en) 2024-03-21
JP2022128824A (ja) 2022-09-05

Similar Documents

Publication Publication Date Title
CN110900307B (zh) 一种数字孪生驱动的数控机床刀具监控系统
CN108628263B (zh) 控制系统、控制装置、计算机可读存储介质以及控制方法
US11531327B2 (en) Abnormality determination device and abnormality determination system
CN112673327A (zh) 控制装置及程序
WO2022030041A1 (ja) 予測システム、情報処理装置および情報処理プログラム
EP2339418A1 (en) Method and device for enhancing production facility performances
CN112673326A (zh) 控制装置及控制程序
WO2021111936A1 (ja) 予測システム、情報処理装置および情報処理プログラム
CN116830054A (zh) 信息处理装置、信息处理程序以及信息处理方法
WO2023053511A1 (ja) 制御システム、情報処理方法および情報処理装置
WO2022162957A1 (ja) 情報処理装置、制御システムおよびレポート出力方法
JP2023002962A (ja) 情報処理装置、モデル生成プログラムおよびモデル生成方法
JP2023006304A (ja) 制御システム、モデル生成方法およびモデル生成プログラム
WO2022176375A1 (ja) 予測システム、情報処理装置および情報処理プログラム
WO2022270056A1 (ja) 予測システム、情報処理装置および情報処理プログラム
CN116894544A (zh) 数据收集装置、记录介质以及方法
JP2023151755A (ja) 情報処理装置および情報処理プログラム
JP2023151886A (ja) 情報処理装置および情報処理プログラム
JP2023100544A (ja) 異常診断装置、異常診断方法、および異常診断モデル生成方法
CN117707050A (zh) 基于云计算的数控机床实时监控与数据分析系统及方法

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