DE102017219843A1 - Sensorschnittstellenvorrichtung, Messdatenübertragungssystem, Messdatenübertragungsverfahren und Messdatenübertragungsprogramm - Google Patents

Sensorschnittstellenvorrichtung, Messdatenübertragungssystem, Messdatenübertragungsverfahren und Messdatenübertragungsprogramm Download PDF

Info

Publication number
DE102017219843A1
DE102017219843A1 DE102017219843.5A DE102017219843A DE102017219843A1 DE 102017219843 A1 DE102017219843 A1 DE 102017219843A1 DE 102017219843 A DE102017219843 A DE 102017219843A DE 102017219843 A1 DE102017219843 A1 DE 102017219843A1
Authority
DE
Germany
Prior art keywords
data
measurement data
sensor interface
interface device
measurement
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.)
Granted
Application number
DE102017219843.5A
Other languages
English (en)
Other versions
DE102017219843B4 (de
Inventor
Kazuhiro Satou
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 DE102017219843A1 publication Critical patent/DE102017219843A1/de
Application granted granted Critical
Publication of DE102017219843B4 publication Critical patent/DE102017219843B4/de
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G07CHECKING-DEVICES
    • G07CTIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/14Quality control systems
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00Testing or monitoring of control systems or parts thereof
    • G05B23/02Electric testing or monitoring
    • G05B23/0205Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0208Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
    • G05B23/0213Modular 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
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F13/00Interconnection of, or transfer of information or other signals between, memories, input/output devices or central processing units
    • G06F13/38Information transfer, e.g. on bus
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/40Data acquisition and logging
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

In einem Fall, in dem charakteristische Daten, die eine Eigenschaft von Messdaten darstellen, statt die Messdaten selbst von einem Sensor gesendet werden, werden für die verbundenen Sensoren geeignete charakteristische Daten gesendet. Eine Sensorschnittstellenvorrichtung (100), die auf einem Datenübertragungspfad zwischen einem Messmittel (200) und einer übergeordneten Vorrichtung (300) verbunden ist, beinhaltet: ein Datenerfassungsmittel (110) zum Erfassen von Messdaten, bei denen es sich um Daten auf Grundlage einer physikalischen Größe handelt, die durch das Messmittel (200) gemessen wird; ein Speichermittel (120) zum Speichern der auf diese Weise erfassten Messdaten; ein Lernmittel (130) zum Durchführen eines maschinellen Lernens mit einer Messdatengruppe, die durch das Speichermittel (120) gespeichert wird, als Eingabe, wodurch charakteristische Daten extrahiert werden, bei denen es sich um Daten handelt, die eine Eigenschaft der Messdatengruppe darstellen; und ein Datenübertragungsmittel (140) zum Senden der durch das Lernmittel (130) extrahierten charakteristischen Daten an die übergeordnete Vorrichtung (300).

Description

  • Hintergrund der Erfindung
  • Gebiet der Erfindung
  • Ein Ziel der vorliegenden Erfindung besteht darin, eine Sensorschnittstellenvorrichtung, ein Messdatenübertragungssystem, ein Messdatenübertragungsverfahren und ein Messdatenübertragungsprogramm zum Übertragen von Daten bereitzustellen, die durch Sensoren usw. gemessen worden sind.
  • Verwandte Technik
  • Allgemein wird ein Messen von Schwingungen usw. einer Werkzeugmaschine durch Sensoren und ein Verwenden der Messdaten in einer übergeordneten Vorrichtung ausgeführt. In diesem Fall ist es erforderlich, die mit Sensoren gemessenen Daten über ein Netzwerk an die übergeordnete Vorrichtung zu senden.
  • Dabei hat in den letzten Jahren mit der Verbreitung des Internets der Dinge (internet of things, loT) die Anzahl von Sensoren zugenommen. Darüber hinaus steigt der Erfassungsbedarf im Zusammenhang mit Sensordaten mit hoher Frequenz wie bei einer Fehlervorhersage mithilfe von AE (Acoustic Emission, Schallemission). Aus diesen Gründen wird prognostiziert, dass die Sensordaten, die in dem Netzwerk fließen, in einer FA(Fabrikautomations)-Umgebung usw. zunehmen und das Datenübertragungsband einengen werden.
  • Wenn beabsichtigt wird, durch die Sensordaten eine Entscheidung zu treffen, Kenntnisse zu erlangen oder dergleichen (zum Beispiel eine Fehlervorhersage zu treffen oder dergleichen), statt Sensordaten zur Steuerung zu verwenden, ist es darüber hinaus häufig besser, nur charakteristische Größen mit einer höheren Abstraktionsebene zu gewinnen, wobei die mit Sensoren gemessenen Daten selbst (d. h. Rohdaten) unnötig sind.
  • Unter Berücksichtigung dieses Aspekts beschreibt das Patentdokument 1 eine Technologie, die nicht die mit Sensoren gemessenen Daten selbst, sondern stattdessen Metadaten überträgt, die auf Grundlage dieser mit Sensoren gemessenen Daten erzeugt worden sind. Genauer gesagt, ein in dem Patentdokument 1 beschriebener Sensorknoten beinhaltet einen Sensor, der eine physikalische Größe misst, einen Datenerfassungsteil, der die durch den Sensor gemessene physikalische Größe mit einer vorgegebenen Frequenz abtastet, um Messdaten zu erzeugen, einen Steuerteil, der ein Verarbeiten der Messdaten durchführt, die durch den Datenerfassungsteil erzeugt worden sind, und einen Funkübertragungsteil, der Daten auf Grundlage von Befehlen der Steuereinheit sendet. Bei einer solchen Gestaltung erzeugt die Steuereinheit Metadaten, die durch Extrahieren einer Zusammenfassung der Messdaten ausgebildet werden. Anschließend werden die erzeugten Metadaten durch den Funkübertragungsteil gesendet.
  • Bei der in dem Patentdokument 1 beschriebenen Gestaltung ist es auf diese Weise möglich, das gesendete Datenvolumen zu verringern und das Datenübertragungsband in dem Netzwerk sicherzustellen, indem Metadaten, die durch Extrahieren einer Zusammenfassung ausgebildet werden, statt der mit Sensoren gemessenen Daten selbst gesendet werden.
  • Patentdokument 1: ungeprüfte japanische Patentanmeldung, Veröffentlichungs-Nr. 2009-169.888
  • Übersicht über die Erfindung
  • Es sind jedoch die folgenden Probleme bei der oben genannten Technologie aufgetreten, die in dem Patentdokument 1 beschrieben wird.
  • Die in dem Patentdokument 1 beschriebene Technologie verwendet ein fest kodiertes Berechnungsverfahren bei der Berechnung von charakteristischen Daten (Metadaten), die die Eigenschaften der Messdaten darstellen. In dieser Hinsicht wird davon ausgegangen, dass sich die einzelnen charakteristischen Daten abhängig von dem Typ des Sensors unterscheiden. Aus diesem Grund ist es wünschenswert, das Berechnungsverfahren von charakteristischen Daten so zu variieren, dass es für den Typ des Sensors geeignet ist. Vor allem wird bei dem Patentdokument 1 ein Verarbeiten eines Sensorknotens, in dem der Sensor, der Steuerteil, der Datenübertragungsteil usw. integriert sind, als Voraussetzung betrachtet. Mit anderen Worten, es wird im Voraus entschieden, für welche Arten von Sensoren die charakteristischen Daten berechnet werden. In einem solchen Fall tritt kein Problem auf, selbst wenn ein Verfahren zum Berechnen von charakteristischen Daten im Voraus fest kodiert wird.
  • Bei einer Sensorschnittstellenvorrichtung, die durch Erwägen einer universellen Verbindung mit verschiedenen Typen von Sensoren erstellt wird, entsteht jedoch insofern ein Problem, als eine Verarbeitung durch ein fest kodiertes Verfahren zum Berechnen von charakteristischen Daten nicht möglich ist. Dies liegt daran, dass ohne Kenntnis, welche Arten von Sensoren mit dieser Sensorschnittstellenvorrichtung verbunden sind, davon ausgegangen wird, dass das fest kodierte Berechnungsverfahren abhängig von den verbundenen Sensoren möglicherweise nicht das geeignete Verfahren ist.
  • Demgegenüber entsteht bei einem Verfahren, das die mit Sensoren gemessenen Daten selbst sendet, ohne charakteristische Daten zu extrahieren, insofern ein Problem, als das Datenübertragungsband eingeengt wird, wie zu Beginn vermerkt.
  • Daher besteht ein Ziel der vorliegenden Erfindung darin, eine Sensorschnittstellenvorrichtung, ein Messdatenübertragungssystem, ein Messdatenübertragungsverfahren und ein Messdatenübertragungsprogramm bereitzustellen, die in der Lage sind, in dem Fall, in dem nicht die Messdaten selbst von Sensoren, sondern stattdessen charakteristische Daten gesendet werden, die die Eigenschaften der Messdaten darstellen, für die verbundenen Sensoren geeignete charakteristische Daten zu senden.
  • Gemäß einem ersten Aspekt der vorliegenden Erfindung beinhaltet eine Sensorschnittstellenvorrichtung (z. B. die im Folgenden beschriebene Sensorschnittstellenvorrichtung 100): ein Datenerfassungsmittel (z. B. die im Folgenden beschriebene Datenerfassungseinheit 110) zum Erfassen von Messdaten, bei denen es sich um Daten auf Grundlage einer physikalischen Größe handelt, die durch ein Messmittel (z. B den im Folgenden beschriebenen Sensor 200) gemessen wird; ein Speichermittel (z. B. die im Folgenden beschriebene Speichereinheit 120) zum Speichern der auf diese Weise erfassten Messdaten; ein Lernmittel (z. B. die im Folgenden beschriebene Lerneinheit 130) zum Durchführen eines maschinellen Lernens mit einer Messdatengruppe, die durch das Speichermittel gespeichert wird, als Eingabe, wodurch charakteristische Daten extrahiert werden, bei denen es sich um Daten handelt, die eine Eigenschaft der Messdatengruppe darstellen; und ein Datenübertragungsmittel (z. B. die im Folgenden beschriebene Datenübertragungseinheit 140) zum Senden der durch das Lernmittel extrahierten charakteristischen Daten an eine übergeordnete Vorrichtung (z. B. die im Folgenden beschriebene übergeordnete Vorrichtung 300), wobei die Sensorschnittstellenvorrichtung auf einem Datenübertragungspfad zwischen dem Messmittel und der übergeordneten Vorrichtung verbunden ist.
  • Gemäß einem zweiten Aspekt der vorliegenden Erfindung kann die Sensorschnittstellenvorrichtung, wie sie in dem ersten Aspekt beschrieben worden ist, so gestaltet sein, dass das Datenübertragungsmittel, wenn ein Datenübertragungspfad zwischen der Sensorschnittstellenvorrichtung und dem Messmittel als erster Datenübertragungspfad definiert wird und ein Datenübertragungspfad zwischen der Sensorschnittstellenvorrichtung und der übergeordneten Vorrichtung als zweiter Datenübertragungspfad definiert wird, die charakteristischen Daten über den zweiten Datenübertragungspfad an die übergeordnete Vorrichtung in einem langsameren Zyklus als einem Zyklus sendet, in dem das Datenerfassungsmittel die Messdaten über den ersten Datenübertragungspfad erfasst.
  • Gemäß einem dritten Aspekt der vorliegenden Erfindung kann die Sensorschnittstellenvorrichtung, wie sie in dem ersten oder zweiten Aspekt beschrieben worden ist, so gestaltet sein, dass das Lernmittel ein Lernmodell durch wiederholtes Durchführen des maschinellen Lernens bei gleichzeitigem Variieren der eingegebenen Messdatengruppe erstellt und eine Extrahierung der charakteristischen Daten aus einer neuen Messdatengruppe mithilfe des auf diese Weise erstellten Lernmodells durchführt.
  • Gemäß einem vierten Aspekt der vorliegenden Erfindung kann die Sensorschnittstellenvorrichtung, wie sie in einem des ersten bis dritten Aspekts beschrieben worden ist, so gestaltet sein, dass sie des Weiteren ein Takterzeugungsmittel (z. B. die im Folgenden beschriebene Takterzeugungseinheit 140) zum Erzeugen eines internen Taktsignals durch Multiplizieren eines externen Taktsignals beinhaltet, das regelmäßig von der übergeordneten Vorrichtung empfangen wird, wobei das Datenerfassungsmittel die Messdaten in einem Takt auf Grundlage des internen Taktsignals erfasst.
  • Gemäß einem fünften Aspekt der vorliegenden Erfindung kann die Sensorschnittstellenvorrichtung, wie sie in einem des ersten bis vierten Aspekts beschrieben worden ist, so gestaltet sein, dass sie eine Mehrzahl der Datenerfassungsmittel beinhaltet, wobei jedes der Mehrzahl der Datenerfassungsmittel Messdaten auf Grundlage einer physikalischen Größe erfasst, die durch jeweils unterschiedliche Messmittel gemessen wird.
  • Gemäß einem sechsten Aspekt der vorliegenden Erfindung kann die Sensorschnittstellenvorrichtung, wie sie in einem des ersten bis fünften Aspekts beschrieben worden ist, so gestaltet sein, dass das Datenerfassungsmittel eine Analog-/Digital-Umwandlungsschaltung (z. B. den im Folgenden beschriebenen A/D-Wandler 170) zum Erfassen der Messdaten durch Abtasten eines analogen Signals beinhaltet, das eine physikalische Größe darstellt, die durch das Messmittel gemessen wird, und das Datenerfassungsmittel die Messdaten mithilfe der einen Analog-/Digital-Umwandlungsschaltung durch ein Zeitanteilsverfahren für jedes analoge Signal erfasst, das eine physikalische Größe darstellt, die durch eine Mehrzahl der Messmittel gemessen wird.
  • Gemäß einem siebten Aspekt der vorliegenden Erfindung kann die Sensorschnittstellenvorrichtung, wie sie in einem des ersten bis sechsten Aspekts beschrieben worden ist, so gestaltet sein, dass sie des Weiteren ein Frequenzanalysemittel (z. B. die im Folgenden beschriebene Frequenzanalyseeinheit 180) zum Durchführen einer Fourier-Transformation an einer Messdatengruppe beinhaltet, die durch das Speichermittel gespeichert wird, wobei das Lernmittel ein maschinelles Lernen mit der Messdatengruppe, die durch das Frequenzanalysemittel einer Fourier-Transformation unterzogen worden ist, als Eingabe durchführt, wodurch eine Extrahierung der charakteristischen Daten durchgeführt wird.
  • Gemäß einem achten Aspekt der vorliegenden Erfindung kann die Sensorschnittstellenvorrichtung, wie sie in einem des ersten bis siebten Aspekts beschrieben worden ist, so gestaltet sein, dass sie einen Autoencoder (d. h. die im Folgenden beschriebene Lerneinheit (Autoencoder) 40) für die Extrahierung der charakteristischen Daten des Lernmittels einsetzt.
  • Gemäß einem neunten Aspekt der vorliegenden Erfindung beinhaltet ein Messdatenübertragungssystem (z. B. das im Folgenden beschriebene Messdatenübertragungssystem 1000) die Sensorschnittstellenvorrichtung, wie sie in einem des ersten bis achten Aspekts beschrieben worden ist, und die übergeordnete Vorrichtung, wobei es sich bei der durch das Messmittel gemessenen physikalischen Größe um eine physikalische Größe im Zusammenhang mit einer Messzielvorrichtung handelt, und die übergeordnete Vorrichtung führt eine Vorhersage im Zusammenhang mit einem Auftreten einer Fehlfunktion oder eines Ausfalls der Messzielvorrichtung auf Grundlage der charakteristischen Daten durch.
  • Gemäß einem zehnten Aspekt der vorliegenden Erfindung beinhaltet ein Messdatenübertragungsverfahren, das durch einen Computer (z. B. die im Folgenden beschriebene Sensorschnittstellenvorrichtung 100) durchzuführen ist, der auf einem Datenübertragungspfad zwischen einem Messmittel (z. B. dem im Folgenden beschriebenen Sensor 200) und einer übergeordneten Vorrichtung (z. B. der im Folgenden beschriebenen übergeordneten Vorrichtung 300) verbunden ist, die Schritte: Erfassen von Messdaten, bei denen es sich um Daten auf Grundlage einer physikalischen Größe handelt, die durch das Messmittel gemessen wird; Speichern der auf diese Weise erfassten Messdaten; Durchführen eines maschinellen Lernens mit einer Messdatengruppe, die in dem Schritt des Speicherns gespeichert worden ist, als Eingabe, wodurch eine Extrahierung von charakteristischen Daten durchgeführt wird, bei denen es sich um Daten handelt, die eine Eigenschaft der Messdatengruppe darstellen; und Senden der charakteristischen Daten, die in dem Schritt des maschinellen Lernens extrahiert worden sind, an die übergeordnete Vorrichtung.
  • Gemäß einem elften Aspekt der vorliegenden Erfindung ermöglicht ein Messdatenübertragungsprogramm, dass ein Computer, der auf einem Datenübertragungspfad zwischen einem Messmittel (z. B. dem im Folgenden beschriebenen Sensor 200) und einer übergeordneten Vorrichtung (z. B. der im Folgenden beschriebenen übergeordneten Vorrichtung 300) verbunden ist, als Sensorschnittstellenvorrichtung (z. B. die im Folgenden beschriebene Sensorschnittstellenvorrichtung 100) fungiert, wobei die Sensorschnittstellenvorrichtung beinhaltet: ein Datenerfassungsmittel (z. B. die im Folgenden beschriebene Datenerfassungseinheit 110) zum Erfassen von Messdaten, bei denen es sich um Daten auf Grundlage einer physikalischen Größe handelt, die durch ein Messmittel (z. B den im Folgenden beschriebenen Sensor 200) gemessen wird; ein Speichermittel (z. B. die im Folgenden beschriebene Speichereinheit 120) zum Speichern der auf diese Weise erfassten Messdaten; ein Lernmittel (z. B. die im Folgenden beschriebene Lerneinheit 130) zum Durchführen eines maschinellen Lernens mit einer Messdatengruppe, die durch das Speichermittel gespeichert wird, als Eingabe, wodurch charakteristische Daten extrahiert werden, bei denen es sich um Daten handelt, die eine Eigenschaft der Messdatengruppe darstellen; und ein Datenübertragungsmittel (z. B. die im Folgenden beschriebene Datenübertragungseinheit 140) zum Senden der durch das Lernmittel extrahierten charakteristischen Daten an die übergeordnete Vorrichtung.
  • Gemäß der vorliegenden Erfindung wird ermöglicht, nicht nur Messdaten selbst von Sensoren zu senden, sondern in dem Fall, in dem charakteristische Daten gesendet werden, die Eigenschaften der Messdaten darstellen, stattdessen charakteristische Daten zu senden, die für die verbundenen Sensoren geeignet sind.
  • Figurenliste
    • 1 ist ein Blockschaubild, das die Gestaltung darstellt, die als Voraussetzung für jede Ausführungsform der vorliegenden Erfindung dient;
    • 2 ist ein Blockschaubild, das eine Grundgestaltung einer ersten Ausführungsform der vorliegenden Erfindung darstellt;
    • 3 ist ein Ablaufplan, der grundlegende Betriebsabläufe der ersten Ausführungsform der vorliegenden Erfindung darstellt;
    • 4 ist ein Blockschaubild, das eine Grundgestaltung einer zweiten Ausführungsform der vorliegenden Erfindung darstellt;
    • 5 ist eine Ansicht, die E/A-Daten einer Takterzeugungseinheit der zweiten Ausführungsform der vorliegenden Erfindung darstellt;
    • 6 ist ein Blockschaubild, das eine Grundgestaltung einer dritten Ausführungsform der vorliegenden Erfindung darstellt;
    • 7 ist ein Blockschaubild, das eine Grundgestaltung eines modifizierten Beispiels der dritten Ausführungsform der vorliegenden Erfindung darstellt;
    • 8 ist ein Blockschaubild, das eine Grundgestaltung einer vierten Ausführungsform der vorliegenden Erfindung darstellt; und
    • 9 ist ein Blockschaubild, das eine Grundgestaltung einer fünften Ausführungsform der vorliegenden Erfindung darstellt.
  • Ausführliche Beschreibung der Erfindung
  • Als Nächstes werden Ausführungsformen der vorliegenden Erfindung unter Bezugnahme auf die Zeichnungen ausführlich erläutert. Im Folgenden werden fünf Ausführungsformen erläutert. Vor den Erläuterungen dieser fünf Ausführungsformen wird zuerst die Gesamtgestaltung einer Sensorschnittstellenvorrichtung 1000 eines Messdatenübertragungssystems, die als Voraussetzung für jede Ausführungsform dient, unter Bezugnahme auf 1 erläutert.
  • Wie in 1 dargestellt, beinhaltet die Sensorschnittstellenvorrichtung 1000 des Messdatenübertragungssystems eine Sensorschnittstellenvorrichtung 100, Sensoren 200 und eine übergeordnete Vorrichtung 300. Bei den Sensoren 200 handelt es sich um verschiedene Sensoren, und sie messen physikalische Größen im Zusammenhang mit einer (nicht veranschaulichten) Vorrichtung usw., die als Messziel dient. Anschließend gibt der Sensor 200 ein analoges Signal, das die gemessene physikalische Größe darstellt, an die Sensorschnittstellenvorrichtung 100 aus.
  • Genauer gesagt, bei der Vorrichtung usw., die als Messziel dient, handelt es sich um eine in einer Fabrikationsstätte montierte Werkzeugmaschine, eine numerische Steuervorrichtung (CNC: Computer Numerical Controller), die diese Werkzeugmaschine steuert, oder um einen Industrieroboter. Anschließend werden ein oder eine Mehrzahl der Sensoren 200 an diesen Messzielen montiert. Beispielsweise werden zwei oder drei für ein Lager einer Werkzeugmaschine montiert.
  • Bei dem Sensor 200 handelt es sich um einen Beschleunigungssensor zum Beispiel zum Messen der Schwingung, die in der Werkzeugmaschine auftritt, wenn die Werkzeugmaschine ein Werkstück bearbeitet, einer Schwingung, die durch diese sich ausbreitende Schwingung auf die numerische Steuervorrichtung ausgeübt wird, oder einer Schwingung, die in einem Industrieroboter auftritt, wenn der Industrieroboter angetrieben wird. In diesem Fall kann es sich bei dem Beschleunigungssensor um einen Sensor handeln, der eine einzelne Achse misst, oder um einen Drei-Achsen-Beschleunigungssensor handeln, der in der Lage ist eine Beschleunigung an den drei Achsen einer x-Achse, einer y-Achse und einer z-Achse zu messen, die sich jeweils orthogonal zueinander befinden.
  • Darüber hinaus kann es sich bei dem Sensor 200 um einen AE-Sensor handeln. Ein AE-Sensor ist ein Sensor, der AE-Wellen erfasst, bei denen es sich um Schwingungen in dem Ultraschallband handelt, die auftreten, wenn das Messziel sich verformt oder zerstört wird. Falls zum Beispiel ein Riss im Inneren usw. einer Vorrichtung wie zum Beispiel einer Werkzeugmaschine auftritt, kommt es zu einer Änderung in der Frequenzkomponente von mehreren 100 kHz bis zu mehreren MHz, die dies begleitet. Gemäß einem AE-Sensor ist es möglich, das Ereignis, dass ein Riss auftritt, bevor es zu einer Fehlfunktion oder einem Ausfall kommt, durch Überwachen auf eine solche Änderung in der Frequenzkomponente hin zu erkennen.
  • Hierin erkennt der Beschleunigungssensor im Allgemeinen Schwingungen mit einer Frequenzkomponente von zum Beispiel mehreren zehn kHz. In dieser Hinsicht erkennt der AE-Sensor zum Beispiel AE-Wellen mit einer Frequenzkomponente von mehreren 100 kHz bis zu mehreren MHz. Da welcher Sensor zum Messen geeignet ist, zum Beispiel entsprechend dem Messziel und der Ursache einer Beschädigung variiert, kann eine Gestaltung so erfolgen, dass sowohl eine Messung durch einen Beschleunigungssensor als auch eine Messung durch einen AE-Sensor an einem Messziel durchgeführt werden.
  • Die Schwingungen und AE-Wellen, die durch die Sensoren 200 durchgeführt werden, bei denen es sich um einen Beschleunigungssensor und um einen AE-Sensor handelt, werden als analoge Schwingungswellenformsignale, die diese Schwingung und AE-Welle darstellen, an die Sensorschnittstellenvorrichtung 100 ausgegeben.
  • Des Weiteren kann es sich als weiteres Beispiel bei dem Sensor 200 auch um ein Mikrophon handeln, das Geräusche in elektrische Signale umwandelt. Wenn es sich zum Beispiel bei dem Messziel um eine Werkzeugmaschine handelt, treten unnormale Störgeräusche auf, wenn es zu einem Mangel an Schmiermittel kommt, das auf den Lagerabschnitten der Werkzeugmaschine verteilt ist. Durch Erkennen dieses unnormalen Störgeräuschs durch ein Mikrophon ist es möglich, Abweichungen zu erkennen wie zum Beispiel, dass es zu einem Mangel an Schmiermittel kommt.
  • Ein elektrisches Signal, das durch den Sensor 200, bei dem es sich um ein Mikrophon handelt, durch Umwandlung erzeugt wird, wird an die Sensorschnittstellenvorrichtung 100 ausgegeben.
  • Es ist zu beachten, dass es sich bei einem weiteren Sensor 200 um einen Temperatursensor oder um einen Feuchtesensor oder um einen anderen Sensor als diese handeln kann.
  • Bei der Sensorschnittstellenvorrichtung 100 handelt es sich um eine Schnittstellenvorrichtung, die mit dem Sensor 200 verbunden ist. Die Sensorschnittstellenvorrichtung 100 empfängt Daten entsprechend einer durch die Sensoren 200 gemessenen physikalischen Größe von den Sensoren 200. Die Daten, die von den Sensoren 200 empfangen werden, sind wie oben erwähnt und sind zum Beispiel ein analoges Schwingungswellenformsignal, das die gemessenen Schwingungen darstellt.
  • Die Sensorschnittstellenvorrichtung 100 führt ein Abtasten an den von dem Sensor 200 empfangenen Daten durch. Anschließend extrahiert die Sensorschnittstellenvorrichtung 100 charakteristische Daten, bei denen es sich um Daten handelt, die die Eigenschaften von abgetasteten Daten darstellen, mithilfe eines Lernmodells, das durch maschinelles Lernen erstellt worden ist, mit den abgetasteten Daten als Eingabe. Darüber hinaus sendet die Sensorschnittstellenvorrichtung 100 die charakteristischen Daten, die mithilfe des Lernmodells extrahiert worden sind, das durch maschinelles Lernen erstellt worden ist, an die übergeordnete Vorrichtung 300. Es ist zu beachten, dass die spezifischen Funktionsblöcke, die in der Sensorschnittstellenvorrichtung 100 beinhaltet sind, und eine Extrahierung von charakteristischen Daten, die mithilfe des Lernmodells durchgeführt wird, das durch das maschinelle Lernen erstellt worden ist, das durch die Sensorschnittstellenvorrichtung 100 durchgeführt wird, im Folgenden unter Bezugnahme auf die Zeichnungen von 2 und folgende beschrieben wird.
  • Die übergeordnete Vorrichtung 300 empfängt die charakteristischen Daten, die durch die Sensorschnittstellenvorrichtung 100 gesendet worden sind, und verwendet die empfangenen charakteristischen Daten. Beispielsweise wird auf Grundlage der empfangenen charakteristischen Daten eine Beurteilung durchgeführt oder werden Kenntnisse erlangt. Genauer gesagt, wird zum Beispiel der Umstand erkannt, dass eine Fehlfunktion oder ein Ausfall für die Vorrichtung, bei der es sich um das Messziel handelt, bereits aufgetreten ist, oder es wird vorhergesagt, dass diese Fehlfunktion oder der Ausfall nachfolgend auftritt.
  • Die Verbindung zwischen den Sensoren 200 und der Sensorschnittstellenvorrichtung 100 wird zum Beispiel durch ein Kabel oder dergleichen zum Übertragen von analogen Signalen umgesetzt. Demgegenüber wird die Verbindung zwischen der übergeordneten Vorrichtung 300 und der Sensorschnittstellenvorrichtung 100 zum Beispiel durch ein in der Fertigungsstätte verlegtes LAN (Local Area Nework, lokales Netzwerk) und/oder das Internet umgesetzt, das die Fertigungsstätte und einen entfernten Ort verbindet. Bei einer solchen Verbindung kann es sich um eine drahtgebundene Verbindung handeln; bei einem Teil oder der Gesamtheit davon kann es sich jedoch um eine drahtlose Verbindung handeln.
  • Wie ebenfalls in 1 veranschaulicht, erfolgt eine Gestaltung hierin so, dass der Zyklus, in dem die charakteristischen Daten von der Sensorschnittstellenvorrichtung 100 an die übergeordnete Vorrichtung 300 gesendet werden, langsamer als der Zyklus ist, in dem ein analoges Signal von dem Sensor 200 an die Sensorschnittstellenvorrichtung 100 gesendet wird und dieses mit der Sensorschnittstellenvorrichtung 100 abgetastet wird. Dadurch wird es möglich, charakteristische Daten von der Sensorschnittstellenvorrichtung 100 in einem niedrigen Zyklus an die übergeordnete Vorrichtung 300 zu senden. Aus diesem Grund wird die Wirkung ausgeübt, dass es möglich ist zu verhindern, dass das Datenübertragungsband auf dem Datenübertragungspfad zwischen der Sensorschnittstellenvorrichtung 100 und der übergeordneten Vorrichtung 300 eingeengt wird.
  • Darüber hinaus werden die charakteristischen Daten mithilfe des Lernmodells, das durch maschinelles Lernen erstellt worden ist, aus den Messdaten extrahiert, die durch Abtasten gewonnen worden sind. Aus diesem Grund wird im Vergleich mit dem Fall, in dem charakteristische Daten einfach durch ein fest kodiertes Verfahren extrahiert werden, außerdem die Wirkung ausgeübt, dass es möglich wird, charakteristische Daten zu extrahieren, die besser für den Typ usw. des Sensors geeignet sind.
  • Als Nächstes wird kurz jede der fünf Ausführungsformen zum Umsetzen einer solchen Sensorschnittstellenvorrichtung 1000 eines Messdatenübertragungssystems erwähnt.
  • Bei der ersten Ausführungsform handelt es sich um eine Ausführungsform einer Grundgestaltung. Darüber hinaus handelt es sich bei der zweiten Ausführungsform um eine Ausführungsform, die zusätzlich zu der Grundgestaltung eine Eigenschaft im Hinblick auf die Erzeugung eines Taktsignals aufweist. Des Weiteren handelt es sich bei der dritten Ausführungsform um eine Ausführungsform, die zusätzlich zu der Grundgestaltung eine Eigenschaft in dem Aspekt eines Verbindens einer Mehrzahl von Sensoren 200 aufweist. Darüber hinaus handelt es sich bei der vierten Ausführungsform um eine Ausführungsform, die durch Hinzufügen einer Frequenzanalyseeinheit zusätzlich zu der Grundgestaltung erstellt wird. Außerdem handelt es sich bei der fünften Ausführungsform um eine Ausführungsform, die durch ein Verwenden eines Autoencoders zusätzlich zu der Grundgestaltung gekennzeichnet ist.
  • Als Nächstens wird jede der jeweiligen Ausführungsformen ausführlich erläutert.
  • <Erste Ausführungsform>
  • Wie in 2 dargestellt, beinhaltet die vorliegende Erfindung eine Sensorschnittstellenvorrichtung 101 als Vorrichtung, die der Sensorschnittstellenvorrichtung 100 in 1 entspricht. Wenngleich eine Veranschaulichung in den Zeichnungen weggelassen wird, ist die Sensorschnittstellenvorrichtung 101 ähnlich wie die in 1 dargestellte Sensorschnittstellenvorrichtung 100 mit dem Sensor 200 und der übergeordneten Vorrichtung 300 verbunden. Dies gilt in ähnlicher Weise auch für eine Sensorschnittstellenvorrichtung 102, eine Sensorschnittstellenvorrichtung 103a, eine Sensorschnittstellenvorrichtung 103b und eine Sensorschnittstellenvorrichtung 104.
  • Die Sensorschnittstellenvorrichtung 101 beinhaltet eine Messdatenerfassungseinheit 110, eine Speichereinheit 120, eine Lerneinheit 130 und eine Datenübertragungseinheit 140.
  • Die Messdatenerfassungseinheit 110 wandelt ein analoges Signal, das eine durch den Sensor 200 gemessene physikalische Größe darstellt, die von dem Sensor 200 eingegeben worden ist, durch Abtasten (im Allgemeinen eines analogen Spannungs- oder Stromwerts) in einem vorgegebenen Zyklus in ein digitales Signal um. In der folgenden Erläuterung wird ein analoges Signal, das eine physikalische Größe darstellt, die durch den Sensor 200 gemessen wird, gegebenenfalls als „Sensordaten“ bezeichnet. Darüber hinaus wird ein digitales Signal, das durch Abtasten auf diese Weise durch die Messdatenerfassungseinheit 110 erfasst wird, im Folgenden gegebenenfalls als „Messdaten“ bezeichnet. Die Messdatenerfassungseinheit 110 gibt die durch Abtasten erfassten Messdaten an die Speichereinheit 120 aus.
  • Hierin wird die Messdatenerfassungseinheit 110 durch ein Filter zum Entfernen von Störgeräuschen usw. aus dem analogen Signal und/oder eine Analog-/Digital-Umwandlungsschaltung umgesetzt.
  • Darüber hinaus beträgt die Abtastrate der Messdatenerfassungseinheit 110 (d. h. ein Abtastzyklus) zum Beispiel 100 kHz. Darüber hinaus beträgt die Quantisierungs-Bit-Zahl (d. h. das Auflösungsvermögen) der Messdatenerfassungseinheit 110 zum Beispiel 2 Byte (d. h. 16 Bit).
  • Bei der Speichereinheit 120 handelt es sich um eine Schaltung, die als Zwischenspeicher zum vorübergehenden Speichern von Messdaten dient, die durch die Messdatenerfassungseinheit 110 ausgegeben werden. Die Speichereinheit 120 wird zum Beispiel durch einen DRAM (Dynamic Random Access Memory, dynamischen Direktzugriffsspeicher) umgesetzt.
  • Die vorliegende Ausführungsform stellt die Speichereinheit 120 bereit, um eine vorgegebene Menge von Messdaten, die durch die Messdatenerfassungseinheit 110 erfasst worden sind, im Anschluss an eine Zeitreihe zu speichern und anschließend in einer späteren Stufe an die Lerneinheit 130 auszugeben. In diesem Zusammenhang können die Daten, die vorübergehend an die Lerneinheit 130 ausgegeben werden, überschrieben werden. Aus diesem Grund ist das Speichervolumen der Speichereinheit 120 ausreichend, sofern es sich um die oben genannte vorgegebene Menge handelt. Die vorgegebene Menge kann zum Beispiel als Datenmenge für 1 Sekunde von Messdaten festgelegt werden. Wenn der Abtastzyklus 100 kHz beträgt und die Quantisierungs-Bit-Zahl (d. h. das Auflösungsvermögen) 2 Byte beträgt, wie oben erwähnt, sind in diesem Fall 200 kByte die oben genannte vorgegebene Menge, wie in der im Folgenden vermerkten „Formel 1“ angegeben. Aus diesem Grund ist es in diesem Fall ausreichend, sofern das Speichervolumen der Speichereinheit 120 auf zumindest 200 kByte festgelegt wird.
  • 1 [ s ] × 100.000 [ Hz ] × 2 [ Byte ] = 200.000 [ Byte ] = 200 [ kByte ]
    Figure DE102017219843A1_0001
  • Es ist zu beachten, dass die Messdaten dieser vorgegebenen Menge im Folgenden gegebenenfalls als „Messdatengruppe“ bezeichnet werden.
  • Bei der Lerneinheit 130 handelt es sich um einen Abschnitt, der ein maschinelles Lernen mit der Messdatengruppe, die in der Speichereinheit 120 gespeichert ist, als Eingabe durchführt. Die Lerneinheit 130 beinhaltet eine arithmetische Verarbeitungseinheit wie zum Beispiel eine CPU (Central Processing Unit, Zentraleinheit). Darüber hinaus beinhaltet die Lerneinheit 130 eine Zusatzspeichervorrichtung wie zum Beispiel einen Flash-Speicher vom NAND-Typ, der verschiedene Programme speichert, und eine Hauptspeichervorrichtung wie zum Beispiel einen RAM (Random Access Memory, Direktzugriffsspeicher) zum Speichern von Daten, die vorübergehend benötigt werden, wenn die arithmetische Verarbeitungseinheit Programme ausführt.
  • Anschließend liest die arithmetische Verarbeitungseinheit verschiedene Programme aus der Zusatzspeichervorrichtung aus und führt eine arithmetische Verarbeitung auf Grundlage dieser verschiedenen Programme durch, wobei die verschiedenen gelesenen Programme in dem Hauptspeicher erweitert werden. Darüber hinaus wird auf Grundlage dieser arithmetischen Verarbeitung ein Lernmodell durch Durchführen eines maschinellen Lernens erstellt, die charakteristischen Daten werden von diesem erstellten Lernmodell extrahiert, und verschiedene Hardware wird gesteuert, die in der Sensorschnittstellenvorrichtung 101 beinhaltet ist. Dadurch wird die vorliegende Ausführungsform umgesetzt. Mit anderen Worten, die Sensorschnittstelle 101 kann dadurch umgesetzt werden, dass Hardware und Software zusammenarbeiten. Es ist zu beachten, dass unter dem Gesichtspunkt, dass Hardware und Software zusammenarbeiten, eine solche Gestaltung möglich ist, dass die Sensorschnittstellenvorrichtung 101 zum Beispiel durch ein FPGA (field-programmable gate array, feldprogrammierbares Gate-Array) umgesetzt wird.
  • Hierin wird angenommen, dass es sich bei dem maschinellen Lernen, das durch die Lerneinheit 130 durchgeführt wird, um unüberwachtes Lernen handelt. Bei unüberwachtem Lernen handelt es sich um ein Lernverfahren, das sich von überwachtem Lernen, bei dem dadurch gelernt wird, dass Lehrdaten einschließlich Eingabedaten und einer Kennzeichnung, bei der es sich um auszugebende Daten handelt, bereitgestellt werden, darin unterscheidet, dass Eingabedaten bereitgestellt werden, die Kennzeichnung jedoch nicht bereitgestellt wird. Unüberwachtes Lernen gestaltet durch Lernmuster und/oder Eigenschaften, die in den Eingabedaten beinhaltet sind (entsprechend einer Messdatengruppe bei der vorliegenden Ausführungsform). Um zum Beispiel eine Cluster-Bildung durchzuführen, wird ein Lernmodell mithilfe eines Algorithmus des k-Means-Verfahrens oder des Ward-Verfahrens erstellt. Anschließend wird mithilfe des erstellten Lernmodells eine Cluster-Bildung zum automatischen Klassifizieren der bereitgestellten Eingabedaten ohne äußeres Kriterium durchgeführt. Dadurch ist es zum Beispiel möglich, eine Erkennung einer Fehlfunktion und/oder eines Ausfalls durchzuführen. Darüber hinaus ist es durch Fortsetzen des maschinellen Lernens mithilfe dieses Lernmodells oder eines vorübergehend erstellten Lernmodells möglich, die Genauigkeit des Lernmodells weiter zu erhöhen.
  • Ausführlicher erläutert, wird bei einer Erkennung der Fehlfunktion und/oder des Ausfalls einer Werkzeugmaschine durch Fortsetzen eines maschinellen Lernens mit der Messdatengruppe als Eingabe die Wahrscheinlichkeitsverteilung von Werten für jeweilige Messdaten geschätzt. Anschließend wird mithilfe der geschätzten Wahrscheinlichkeitsverteilung die Ereigniswahrscheinlichkeit von neu eingegebenen Messdaten abgeleitet. Wenn die abgeleitete Ereigniswahrscheinlichkeit nicht größer als eine Konstante ist, wird anschließend ermittelt, dass eine Unregelmäßigkeit auftritt, da sich das Verhalten der Werkzeugmaschine von einem normalen Verhalten unterscheidet. Mit anderen Worten, da sich das Verhalten der Werkzeugmaschine von einem normalen Verhalten unterscheidet, ist es möglich zu erkennen, dass eine Fehlfunktion oder ein Ausfall in der Werkzeugmaschine auftritt oder dass ein Hinweis darauf vorliegt, dass eine Fehlfunktion oder ein Ausfall auftreten wird.
  • Als Verfahren zum Erkennen einer Unregelmäßigkeit auf Grundlage einer solchen Schätzung einer Wahrscheinlichkeitsverteilung kann etwa eine Ausreißererkennung beispielhaft angeführt werden. Bei einer Ausreißererkennung werden mithilfe der geschätzten Wahrscheinlichkeitsverteilung ungewöhnliche Elemente erkannt, die einen Wert aufweisen, der erheblich von einer Schätzdatengruppe abweicht, die in der Vergangenheit durch maschinelles Lernen als Ziel gesetzt worden war. Wenn es sich zum Beispiel bei dem Amplitudenwert einer Schwingung um einen großen Wert handelt, der erheblich vom Normalen abweicht, ist es möglich zu erkennen, dass eine Fehlfunktion oder ein Ausfall in der Werkzeugmaschine auftritt oder dass ein Hinweis darauf vorliegt, dass eine Fehlfunktion oder ein Ausfall auftreten wird, da sich das Verhalten der Werkzeugmaschine von einem normalen Verhalten unterscheidet.
  • Die Lerneinheit 130 der vorliegenden Ausführungsform schätzt die Wahrscheinlichkeitsverteilung von Werten von jeweiligen Messdaten durch Fortsetzen des maschinellen Lernens, wie oben erwähnt. Darüber hinaus wird mithilfe der geschätzten Wahrscheinlichkeitsverteilung die Ereigniswahrscheinlichkeit von neu eingegebenen Messdaten abgeleitet. Anschließend wird die auf diese Weise abgeleitete Ereigniswahrscheinlichkeit als Ausgabeergebnis in die Datenübertragungseinheit 140 eingegeben.
  • Bei der Datenübertragungseinheit 140 handelt es sich um eine Netzwerkschnittstelle zum Umsetzen einer Datenübertragung zwischen der Sensorschnittstellenvorrichtung 100 und der übergeordneten Vorrichtung 300. Das Ausgabeergebnis des maschinellen Lernens durch die Lerneinheit 130, das in die Datenübertragungseinheit 140 eingegeben worden ist, wird von der Datenübertragungseinheit 140 an die übergeordnete Vorrichtung 300 gesendet. Das Grund, warum dieser Sendezyklus langsamer als der Zyklus ist, in dem die Sensordaten von dem Sensor 200 an die Sensorschnittstellenvorrichtung 100 gesendet wird und diese mit der Sensorschnittstellenvorrichtung 100 abgetastet werden, ist, wie oben erwähnt.
  • Die übergeordnete Vorrichtung 300 kann durch Durchführen der Ausreißererkennung oder dergleichen, wie oben erwähnt, mithilfe der empfangenen Ereigniswahrscheinlichkeit erkennen, dass eine Fehlfunktion oder ein Ausfall in der Werkzeugmaschine auftritt oder dass ein Hinweis darauf vorliegt, dass eine Fehlfunktion oder ein Ausfall auftreten wird.
  • Es ist zu beachten, dass es sich dabei, dass die Lerneinheit 130 maschinelles Lernen auf diese Weise durchführt, letztlich lediglich um ein Beispiel handelt. Die Lerneinheit 130 kann maschinelles Lernen mithilfe eines weiteren Verfahrens durchführen, um charakteristische Daten auszugeben, die die Eigenschaften der Messdatengruppe darstellen. Darüber hinaus ist eine solche Gestaltung möglich, dass die Lerneinheit 130 die durch sie selbst abgeleitete Ereigniswahrscheinlichkeit nicht an die übergeordnete Vorrichtung 300 sendet, sondern dass die Lerneinheit 130 eine Ausreißererkennung usw. mithilfe der durch sie selbst abgeleiteten Ereigniswahrscheinlichkeit durchführt und das Ergebnis dieser Ausreißererkennung an die übergeordnete Vorrichtung 300 sendet.
  • Als Nächstes werden die Abläufe der vorliegenden Ausführungsform unter Bezugnahme auf den Ablaufplan von 3 erläutert. Zuerst erfasst die Messdatenerfassungseinheit 110 die Messdaten durch Durchführen eines Abtastens in einem vorgegebenen Zyklus (Schritt S11).
  • Als Nächstes speichert die Speichereinheit 120 die in Schritt S11 erfassten Messdaten (Schritt S12). Als Nächstes wird ermittelt, ob eine vorgegebene Menge von Messdaten in der Speichereinheit 120 gespeichert ist, d. h. ob eine vorgegebene Menge an Messdaten gesammelt worden ist (Schritt S13). Hierin handelt es sich bei der vorgegebenen Menge zum Beispiel um die Messdaten für 1 Sekunde, wie oben erwähnt.
  • Wenn sie nicht in der vorgegebenen Menge gespeichert sind (Nein in Schritt S13), werden Schritt S11 und Schritt S12 wiederholt.
  • Wenn sie demgegenüber in der vorgegebenen Menge gespeichert sind (Ja in Schritt S13), geht die Verarbeitung demgegenüber zu Schritt S14 über. Anschließend führt die Lerneinheit 130 ein maschinelles Lernen mithilfe der Messdatengruppe durch, bei der es sich um die gespeicherten Messdaten in der vorgegebenen Menge handelt (Schritt S14).
  • Anschließend wird die Ausgabe des maschinellen Lernens durch die Datenübertragungseinheit 140 an die übergeordnete Vorrichtung 300 gesendet (Schritt S15). Danach kehrt die Verarbeitung zu Schritt S11 zurück und wird wiederholt. Es ist zu beachten, dass eine solche Gestaltung möglich ist, dass parallel zu einem Durchführen von Schritt S14 und Schritt S15 die Schritte S11 bis S13 für den nächsten Verarbeitungszyklus durchgeführt werden. Darüber hinaus ist eine solche Gestaltung möglich, dass nach Abschluss von Schritt S15 die Verarbeitung von Schritt S11 erneut gestartet wird, nachdem ein vorgegebener Zeitraum verstrichen ist. Mit anderen Worten, es ist eine solche Gestaltung möglich, dass eine Verarbeitung durch Bereitstellen eines vorgegebenen Zeitintervalls durchgeführt wird.
  • Bei der vorliegenden Ausführungsform wird es dadurch möglich, charakteristische Daten von der Sensorschnittstellenvorrichtung 100 in einem niedrigen Zyklus an die übergeordnete Vorrichtung 300 zu senden. Aus diesem Grund übt die vorliegende Ausführungsform eine Wirkung aus, dass es möglich ist zu verhindern, dass das Datenübertragungsband auf dem Datenübertragungspfad zwischen der Sensorschnittstellenvorrichtung 100 und der übergeordneten Vorrichtung 300 eingeengt wird. Darüber hinaus wird die Wirkung ausgeübt, dass die Belastung der übergeordneten Vorrichtung 300 verringert wird, bei der es sich um die Empfangsseite handelt.
  • Es ist möglich, eine Einengung des Datenübertragungsbands auf dem Datenübertragungspfad zwischen der Sensorschnittstellenvorrichtung 100 und der übergeordneten Vorrichtung 300 zu verhindern. Demgegenüber wird bei dem Datenübertragungspfad zwischen der Sensorschnittstellenvorrichtung 100 und den Sensoren 200 eine Datenübertragung durchgeführt, die einer herkömmlichen ähnelt. Aus diesem Grund ist es beim Umsetzen der vorliegenden Ausführungsform gut, die Sensorschnittstellenvorrichtung 100 so nah wie möglich an den Sensoren 200 zu verbinden.
  • Darüber hinaus werden bei der vorliegenden Ausführungsform charakteristische Daten mithilfe des Lernmodells extrahiert, das durch Durchführen von maschinellem Lernen an den Messdaten erstellt worden ist, die durch Abtasten gewonnen worden sind. Aus diesem Grund übt die vorliegende Ausführungsform auch die Wirkung aus, dass ermöglicht wird, charakteristische Daten zu extrahieren, die für den Typ usw. des Sensors im Vergleich mit einem Fall besser geeignet sind, in dem charakteristische Daten einfach durch ein fest kodiertes Verfahren extrahiert werden.
  • Des Weiteren ist es bei der vorliegenden Ausführungsform aufgrund des Durchführens des maschinellen Lernens in der Sensorschnittstellenvorrichtung 100 unnötig, maschinelles Lernen in der übergeordneten Vorrichtung 300 durchzuführen. Aus diesem Grund wird außerdem die Wirkung ausgeübt, dass ermöglicht wird, die Funktion eines maschinellen Bearbeitens mit geringen Kosten auch einer übergeordneten Altvorrichtung 300 hinzuzufügen, der die Funktion des maschinellen Lernens schwierig neu hinzuzufügen ist.
  • Des Weiteren ist es bei der vorliegenden Ausführungsform aufgrund des Anwendens eines unüberwachten Lernens unnötig, die Eingabedaten mit einer Kennzeichnung zu versehen und Lehrdaten zu erstellen. Aus diesem Grund wird außerdem eine Wirkung ausgeübt, dass es möglich ist, menschliche Arbeit usw. zum Erstellen von Lehrdaten zu vermeiden.
  • <Zweite Ausführungsform>
  • Als Nächstes wird eine zweite Ausführungsform unter Bezugnahme auf 4 und 5 erläutert. Es ist zu beachten, dass, wenngleich Ähnliches für die Erläuterungen der im Folgenden beschriebenen dritten bis fünften Ausführungsformen gilt, Erläuterungen für mit der ersten Ausführungsform gemeinsame Gestaltungen und Funktionen weggelassen werden und einzigartige Aspekte bei jeder Ausführungsform ausführlich erläutert werden.
  • Die Sensorschnittstellenvorrichtung 102 der vorliegenden Ausführungsform beinhaltet des Weiteren eine Takterzeugungseinheit 105 zusätzlich zu den Gestaltungen der Sensorschnittstellenvorrichtung 101 der ersten Ausführungsform. Die Takterzeugungseinheit 150 ist ein Abschnitt zum Multiplizieren der Frequenz und wird durch einen PLL (Phase locked loop, Phasenregelkreis) umgesetzt, bei dem es sich zum Beispiel um eine Phasensynchronisationsschaltung handelt. Bei der vorliegenden Ausführungsform wird ein externes Taktsignal, das durch die übergeordnete Vorrichtung 300 gesendet wird, an der Datenübertragungseinheit 140 empfangen. Anschließend wird durch Verwenden dieses externen Taktsignals eine Datenübertragung umgesetzt, die zwischen der übergeordneten Vorrichtung 300 und der Sensorschnittstellenvorrichtung 100 synchronisiert wird. Es ist zu beachten, dass es sich bei dem externen Taktsignal um ein Anforderungssignal zum Beispiel dafür handelt, dass charakteristische Daten in einem vorgegebenen Zyklus von der übergeordneten Vorrichtung 300 gesendet werden.
  • Wie oben erwähnt, ist die vorliegende Ausführungsform hierin so gestaltet, dass der Zyklus, in dem die Sensorschnittstellenvorrichtung 102 ein Abtasten der Sensordaten durchführt, bei denen es sich um ein analoges Wellenformsignal handelt, das von dem Sensor 200 empfangen worden ist, schneller als der Zyklus ist, in dem die Sensorschnittstellenvorrichtung 102 charakteristische Daten an die übergeordnete Vorrichtung 300 sendet. Wie in 5 dargestellt, wird das externe Taktsignal, das durch die Datenübertragungseinheit 140 empfangen wird, aus diesem Grund durch die Takterzeugungseinheit 150 mit einem Multiplikator n (n ist eine beliebige natürliche Zahl) multipliziert, um ein internes Taktsignal zu erzeugen. Anschließend wird das erzeugte interne Taktsignal an die Messdatenerfassungseinheit 110 ausgegeben.
  • Es ist zu beachten, dass 5 eine Ansicht ist, die zur einfacheren Erläuterung veranschaulicht wird, und eine Multiplikation mit n=3 als Beispiel durchgeführt wird. Es ist jedoch eine solche Gestaltung möglich, dass der Wert von n als tatsächlicher Zahlenwert weiter erhöht wird. Genauer gesagt, da das externe Taktsignal zum Beispiel in einem Zyklus von 1 ms empfangen wird, ist eine solche Gestaltung möglich, dass dieses zum Beispiel durch die Takterzeugungseinheit 150 mit einem Multiplikator von 100, wobei n=100, multipliziert wird, um einen internes Taktsignal eines Zyklus von 10 µs zu erzeugen.
  • Die Messdatenerfassungseinheit 110 erfasst die Messdaten durch Abtasten in einem Takt auf Grundlage dieses internen Taktsignals. Die Sensorschnittstellenvorrichtung 102 kann dadurch die Ergebnisse des maschinellen Lernens mithilfe einer Anzahl n von Messdatensätzen an die übergeordnete Vorrichtung 300 ausgeben und gleichzeitig eine Synchronisierung mit der übergeordneten Vorrichtung 300 durchführen.
  • <Dritte Ausführungsform>
  • Als Nächstes wird eine dritte Ausführungsform unter Bezugnahme auf 6 und 7 erläutert. Die vorliegende Ausführungsform stellt eine Verbindung mit einer Mehrzahl der Sensoren 200 her. Daher wird eine Mehrzahl der Messdatenerfassungseinheiten 110 bereitgestellt, um in der Lage zu sein, jedem der Sensoren 200 zu entsprechen, und eine Ausgabe an die Speichereinheit 120 wird parallel durchgeführt, wie bei der in 6 dargestellten Sensorschnittstellenvorrichtung 103a. Darüber hinaus wird mithilfe eines Kanalwahlsignals eine Ausgabe der von jedem der Sensoren 200 erfassten Messdaten an die Speichereinheit 120 reihenweise durch ein Zeitanteilsverfahren durchgeführt wie bei der in 7 dargestellten Sensorschnittstellenvorrichtung 103b. Es ist zu beachten, dass sowohl m als auch k in den Zeichnungen eine beliebige natürliche Zahl sind.
  • Wenngleich es ein Grund für eine Verwendung für eine Mehrzahl der Sensoren 200 auf diese Weise ist, liegt dies daran, dass eine Möglichkeit besteht, dass eine Erkennung einer Unregelmäßigkeit usw. nicht möglich ist, wenn maschinelles Lernen nur auf Grundlage einer physikalischen Größe durchgeführt wird, die durch einen einzigen Sensor 200 gemessen wird. Beispielsweise kommt es vor, dass eine Unregelmäßigkeit, die einfach auf Grundlage einer Schwingung in der x-Achse nicht erkannt werden kann, auf Grundlage sowohl einer Schwingung in der x-Achse als auch einer Schwingung in der y-Achse oder dergleichen erkannt werden kann. Es kommt gewissermaßen vor, dass eine Korrelation mit den physikalischen Größen besteht, die durch eine Mehrzahl der Sensoren 200 gemessen werden. Die vorliegende Ausführungsform ist unter Berücksichtigung solcher Fälle so gestaltet, dass sie eine Mehrzahl der Sensoren 200 verwendet. Bei der Mehrzahl der Sensoren 200 kann es sich um die gleichen Sensoren 200 handeln, die an verschiedenen Positionen angeordnet sind, oder es kann sich um eine Kombination verschiedener Typen der Sensoren 200 handeln.
  • Bei der in 6 dargestellten Sensorschnittstellenvorrichtung 103a empfängt jede der Messdatenerfassungseinheiten 110 Daten der Sensoren 200 von jeweils unterschiedlichen Sensoren 200, und jede erfasst Messdaten durch Durchführen eines Abtastens. Die erfassten Messdaten werden in der Speichereinheit 120 gespeichert. In diesem Fall ist eine solche Gestaltung gut, dass Bereiche in der Speichereinheit 120 logisch so unterteilt sind, dass sie jeder der Messdatenerfassungseinheiten 110 entsprechen. Anschließend ist eine solche Gestaltung gut, dass jede der Messdatenerfassungseinheiten 100 Messdaten in einem Bereich speichert, der ihr selbst entspricht. Darüber hinaus ist eine solche Gestaltung möglich, dass eine Mehrzahl von Speichereinheiten 120 physisch bereitgestellt wird, statt Bereiche logisch zu unterteilen. Anschließend ist eine solche Gestaltung gut, dass die Lerneinheit 130 maschinelles Lernen mit der Messdatengruppe, die die Messdaten beinhaltet, die durch jede der Messdatenerfassungseinheiten 110 abgetastet worden sind, als Eingabe durchführt.
  • Die in 7 dargestellte Sensorschnittstellenvorrichtung 103b ist ein Beispiel, das durch Modifizieren der oben genannten Sensorschnittstellenvorrichtung 103a erstellt wird. Wie oben erwähnt, beinhaltet die Messdatenerfassungseinheit 110 in sich eine Analog-/Digital-Umwandlungsschaltung (in der folgenden Erläuterung ggf. als „A/D-Wandler 170“ bezeichnet) zum Abtasten von digitalen Werten von einem analogen Signal. Bei dem A/D-Wandler 170 handelt es sich jedoch um ein relativ teures Schaltungselement. Aus diesem Grund wird ein A/D-Wandler 170 durch eine Mehrzahl von Kanälen entsprechend den Eingaben von einer Mehrzahl von Sensoren 200 gemeinsam genutzt, wie in 7 dargestellt. Es ist dadurch möglich, die Anzahl von A/D-Wandlern 170 auf einen zu beschränken, wodurch ermöglicht wird, die vorliegende Ausführungsform mit geringen Kosten umzusetzen.
  • Zwei Verfahren sind als Umsetzungsverfahren in Betracht gezogen worden. Zunächst handelt es sich bei einem Verfahren um ein Verfahren, das einen A/D-Wandler 170IC verwendet, der Eingangsstifte einer Mehrzahl von Kanälen aufweist. In diesem Fall kann ein Schalten zwischen Eingangskanälen IC-intern durchgeführt werden.
  • Darüber hinaus handelt es sich bei dem anderen Verfahren um ein Verfahren, das einen Kanalschaltkreis außerhalb des A/D-Wandlers 170IC anordnet und ein Kanalschalten durch diesen Kanalschaltkreis durchführt. In diesem Fall wird ein Kanalschalten zum Beispiel außerhalb des A/D-Wandlers 170IC mithilfe eines Analogmultiplexers als Kanalschaltkreis durchgeführt.
  • Das vorherige Verfahren wird in 7 dargestellt. Es ist zu beachten, dass eine solche Gestaltung möglich ist, dass durch jeden Kanal ein preiswertes Schaltungselement umgesetzt wird. Beispielsweise handelt es sich bei einem Tiefpassfilter (low pass filter, LPF), das zur Geräuschunterdrückung eingesetzt wird, um ein relativ preiswertes Schaltungselement. Aus diesem Grund lässt es sich gut für jeden der Mehrzahl von Kanälen entsprechend Eingaben von der Mehrzahl von Sensoren 200, wie in 7 veranschaulicht, als LPF 160 einsetzen.
  • Es ist zu beachten, dass der Prozessor 10, der aus einer CPU usw. zum Umsetzen der Lerneinheit 130 besteht, bei beiden Umsetzungsverfahren das Kanalwahlsignal ausgibt. Anschließend gibt der A/D-Wandler 170IC oder der Kanalschaltkreis das Kanalwahlsignal von dem Prozessor 10 ein und wählt den Eingangskanal auf Grundlage dieses Kanalwahlsignals. Dadurch wird ermöglicht, dass die Sensorschnittstellenvorrichtung 103b einen A/D-Wandler 170 durch ein Zeitanteilsverfahren zwischen einer Mehrzahl von Kanälen verwendet.
  • Gemäß der vorliegenden Ausführungsform ist es möglich, maschinelles Lernen mithilfe von physikalischen Größen durchzuführen, von denen angenommen wird, dass sie eine Korrelation aufweisen, die durch jeden der Mehrzahl von Sensoren 200 gemessen wird. Sofern eine Gestaltung wie zum Beispiel diejenige der Sensorschnittstellenvorrichtung 103b erstellt wird, ist es darüber hinaus möglich, die Anzahl von A/D-Wandlern 170, bei denen es sich um relativ teure Schaltungselemente handelt, auf einen festzulegen.
  • <Vierte Ausführungsform>
  • Als Nächstes wird eine vierte Ausführungsform unter Bezugnahme auf 8 erläutert. Der Sensorschnittstellenvorrichtung 104 der vorliegenden Ausführungsform wird des Weiteren eine Frequenzanalyseeinheit 180 hinzugefügt. Die Frequenzanalyseeinheit 180 extrahiert ein Frequenzspektrum durch Durchführen einer Fourier-Transformation an einer Messdatengruppe, die in der Speichereinheit 120 gespeichert ist. Anschließend extrahiert die Lerneinheit 130 charakteristische Daten durch Durchführen eines maschinellen Lernens mithilfe dieses Frequenzspektrums.
  • Die Frequenzanalyseeinheit 180 kann durch den Prozessor 30, der aus einer CPU usw. zum Umsetzen der Lerneinheit 130 besteht, und einem Programm zum Durchführen der Frequenzanalyse umgesetzt werden. Es ist jedoch eine solche Gestaltung möglich, dass die Frequenzanalyseeinheit 180 durch Hardware wie zum Beispiel eine dedizierte Schaltung umgesetzt wird.
  • Die vorliegende Ausführungsform extrahiert das Frequenzspektrum durch Durchführen einer Fourier-Transformation als Vorverarbeitung eines maschinellen Lernens auf diese Weise und führt anschließend ein maschinelles Lernen durch. Wenngleich eine Abhängigkeit von dem Typ usw. der physikalischen Größe besteht, die durch den Sensor gemessen wird, wird dadurch ermöglicht, ein effizientes maschinelles Lernen durchzuführen. Es ist zu beachten, dass es auch möglich ist, ein vorgegebenes Band des Frequenzspektrums (z. B. ein Band mit einer höheren Frequenz als ein vorgegebener Wert, ein Band mit einer niedrigeren Frequenz als ein vorgegebener Wert) zu verkürzen und anschließend ein maschinelles Lernen durchzuführen. Falls jedoch unklar ist, welches Band die Eigenschaften von Messdaten darstellt, ist es gut, eine solche Gestaltung zu wählen, dass ein maschinelles Lernen mit sämtlichen Bändern als Eingabe ausgeführt wird, ohne eine solche Verarbeitung durchzuführen, und eine Ermittlung gemäß maschinellem Lernen zuzuweisen.
  • <Fünfte Ausführungsform>
  • Als Nächstes wird eine fünfte Ausführungsform unter Bezugnahme auf 9 erläutert. Die vorliegende Ausführungsform erstellt die Lerneinheit 130, die in sämtlichen der zuvor genannten Ausführungsformen beinhaltet ist, als Lerneinheit 40, die einen Autoencoder beinhaltet. Es ist zu beachten, dass ein Autoencoder allgemein bekannt ist und zum Beispiel durch Einsetzen der in der folgenden Veröffentlichung (die als „Nichtpatentdokument 1“ bezeichnet wird) beschriebenen Technologie umgesetzt werden kann.
  • Nichtpatentdokument 1: G. E. Hinton und R. R. Salakhutdinov; „Reducing the Dimensionality of Data with Neural Networks“ [online], SCIENCE 28. Juli 2006 (gesucht am 1. Nov. 2016), Internet <URL: https://www.cs.toronto.edu/-hinton/science.pdf>
  • 9 stellt die Lerneinheit 40 dar, bei der es sich um ein Merkmal der vorliegenden Ausführungsform handelt. Die Lerneinheit 40 wird durch ein neuronales Netz umgesetzt, das Perzeptronen beinhaltet, um eine Eingabeschicht 41, eine verdeckte Schicht 42 und eine Ausgabeschicht 43 umzusetzen, wie in 9 dargestellt.
  • Die Dimensionszahlen der Eingabeschicht 41 und der Ausgabeschicht 43 sind als dieselbe Zahl festgelegt. Anschließend erfolgt eine Gestaltung so, dass die Dimensionszahl mit Fortschreiten der Schichten an der ersten verdeckten Schicht 42-1 sinkt. Anschließend erfolgt eine Gestaltung so, dass die Dimensionszahl an der zweiten verdeckten Schicht 42-2 am kleinsten wird. Darüber hinaus erfolgt eine Gestaltung so, dass die Dimensionszahl mit Fortschreiten der Schichten an der dritten verdeckten Schicht 42-3 steigt. Anschließend nehmen die Dimensionszahlen der Eingabeschicht 41 und der Ausgabeschicht 43 dieselbe Zahl an, wie oben erwähnt.
  • Anschließend gibt die Lerneinheit 40 die Messdatengruppe, die von der Speichereinheit 120 eingegeben worden ist, als Eingabedaten in die Eingabeschicht 41 ein. Anschließend wird ein maschinelles Lernen durch eine solche Gestaltung durchgeführt, dass die Gewichtung jeder Schicht so geändert wird, dass die Ausgabedaten, die von der Ausgabeschicht 43 ausgegeben werden, durch Durchlaufen der verdeckten Schicht 42 dieselben wie die Eingabedaten werden.
  • Infolgedessen wird die Ausgabe der zweiten verdeckten Schicht 42-2 zu Daten, die die Eigenschaften der Messdatengruppe, bei denen es sich um die Eingabedaten handelt, gut mit einem geringen Datenvolumen angeben. Daher führt die Lerneinheit 40 eine Ausgabe mit der Ausgabe der zweiten verdeckten Schicht 42-2 als charakteristische Daten statt mit der Ausgabe der Ausgabeschicht 43 an die Datenübertragungseinheit 140 durch. Anschließend sendet die Datenübertagungseinheit 140 diese charakteristischen Daten an die übergeordnete Vorrichtung 300.
  • Die übergeordnete Vorrichtung 300 führt eine Vorhersage usw. im Zusammenhang mit dem Auftreten einer Fehlfunktion und/oder eines Ausfalls zum Beispiel mithilfe dieser charakteristischen Daten durch. In diesem Fall wird zum Beispiel das Cluster-Bildungsverfahren verwendet. Genauer gesagt, die charakteristischen Daten für einen Fall, in dem die Vorrichtung, bei der es sich um das Messobjekt handelt, normal arbeitet, werden gespeichert, und es wird eine Verteilung dieser charakteristischen Daten im Normalzustand erstellt. Beispielsweise wird die Vorrichtung, die etwa ein Jahr lang läuft, als ordnungsgemäß arbeitend betrachtet, und die Verteilung von charakteristischen Daten im Normalzustand wird aus diesem einen Jahr charakteristischer Daten erstellt.
  • Anschließend wird eine Klassifizierung (d. h. Cluster-Bildung) im Hinblick darauf durchgeführt, ob es sich bei neuen charakteristischen Daten um Daten handelt, die von dieser Verteilung abweichen, oder um nicht abweichende Daten handelt. Es ist zu beachten, dass anstelle einer Klassifizierung in zwei Gruppen auf diese Weise eine Gestaltung so erfolgen kann, dass eine feinere Cluster-Bildung entsprechend dem Grad der Abweichung von der Verteilung vorgenommen wird.
  • Darüber hinaus wird auf Grundlage der Ergebnisse dieser Cluster-Bildung ermittelt, ob eine Unregelmäßigkeit in der Vorrichtung aufgetreten ist, bei der es sich um das Messziel handelt. Beispielsweise ist es in dem Fall, in dem eine bestimmte Anzahl von Datenpunkten, die erheblich von der Verteilung abweicht, vorhanden ist und über eine gewisse Zeit durchgehend auftritt, auf Grundlage der Ergebnisse dieser Cluster-Bildung möglich zu ermitteln, dass eine Unregelmäßigkeit auftritt und dass eine Fehlfunktion und/oder ein Ausfall in der Vorrichtung auftritt, bei der es sich um das Messziel handelt.
  • Gemäß der oben erläuterten vorliegenden Ausführungsform wird es möglich, mithilfe eines Autoencoders das Datenvolumen, das von der Sensorschnittstellenvorrichtung 100 an die übergeordnete Vorrichtung 300 gesendet wird, weiter zu verringern.
  • Oben sind fünf Ausführungsformen erläutert worden. Es ist möglich, jede dieser Ausführungsformen zu kombinieren. Beispielsweise ist es möglich, die Frequenzanalyseeinheit 180 der vierten Ausführungsform als eine Stufe vor der Lerneinheit 130 in beliebigen der Ausführungsformen unter der ersten Ausführungsform, der zweiten Ausführungsform und der dritten Ausführungsform hinzuzufügen.
  • Darüber hinaus handelt es sich bei den oben erwähnten Ausführungsformen um bevorzugte Ausführungsformen der vorliegenden Erfindung; sie sollen jedoch den Umfang der vorliegenden Erfindung nicht nur auf die oben erwähnten Ausführungsformen beschränken, und eine Umsetzung ist in Formen möglich, die durch Durchführen verschiedener Modifizierungen in einem Umfang erzeugt werden, der nicht vom Kerngedanken der vorliegenden Erfindung abweicht.
  • Beispielsweise können die oben erwähnte übergeordnete Vorrichtung 300 und die Sensorschnittstellenvorrichtung 100 etwa in eine numerische Steuervorrichtung eingebaut werden oder durch die numerische Steuervorrichtung umgesetzt werden. Darüber hinaus kann es sich bei der numerischen Steuervorrichtung um eine numerische Steuervorrichtung handeln, die eine Werkzeugmaschine, bei der es sich um das Messziel handelt, durch den Sensor 200 steuert.
  • Darüber hinaus ist eine solche Gestaltung möglich, dass die Genauigkeit des Lernmodells durch weiteres Durchführen eines überwachten Lernens, eines teilüberwachten Lernens und eines bestärkenden Lernens an dem Lernmodell verbessert wird, das, wie oben erwähnt, durch unüberwachtes Lernen durch die Lerneinheit 130 erstellt worden ist.
  • Es ist zu beachten, dass die oben erwähnte Sensorschnittstellenvorrichtung und übergeordnete Vorrichtung durch Hardware, Software oder eine Kombination von diesen umgesetzt werden können. Darüber hinaus kann das Messdatenübertragungsverfahren, das durch die oben erwähnte Sensorschnittstellenvorrichtung und/oder die übergeordnete Vorrichtung durchgeführt wird, durch Hardware, Software oder eine Kombination von diesen umgesetzt werden. Hierin gibt umgesetzt durch Software an, dass eine Umsetzung durch einen Computer erfolgt, der Programme ausliest und ausführt.
  • Die Programme können mithilfe verschiedener Typen von nichttransitorischen, computerlesbaren Medien gespeichert werden und einem Computer zugeführt werden. Zu dem nichttransitorischen, computerlesbaren Medium zählen verschiedene Typen von physischen Speichermedien. Zu Beispielen für nichttransitorische, computerlesbare Medien zählen magnetische Medien (zum Beispiel eine Diskette, ein Magnetband, ein Festplattenlaufwerk), magnetooptische Aufzeichnungsmedien (zum Beispiel eine magnetooptische Platte), eine CD-ROM (Read Only Memory, Festwertspeicher), eine CD-R, eine CD-R/W und ein Halbleiterspeicher (zum Beispiel ein Masken-ROM, ein PROM (ein programmierbarer ROM), ein EPROM (ein löschbarer PROM), ein Flash-ROM, ein RAM (random access memory, Direktzugriffsspeicher)). Darüber hinaus können die Programme einem Computer über verschiedene Typen von transitorischen, computerlesbaren Medien bereitgestellt werden. Zu Beispielen für transitorische, computerlesbare Medien zählen elektrische Signale, optische Signale und elektromagnetische Wellen. Die transitorischen, computerlesbaren Medien können Programme über einen drahtgebundenen Datenübertragungspfad wie zum Beispiel elektrische Leitungen und Lichtwellenleiter oder über einen drahtlosen Datenübertragungspfad einem Computer zuführen.
  • Bezugszeichenliste
  • 10, 30
    Prozessor
    20
    Messdatenerfassungseinheit
    40
    Lerneinheit (Autoencoder)
    41
    Eingabeschicht
    42-1
    erste verdeckte Schicht
    42-2
    zweite verdeckte Schicht
    42-3
    dritte verdeckte Schicht
    43
    Ausgabeschicht
    100, 101, 102, 103a, 103b, 104
    Sensorschnittstellenvorrichtung
    110
    Messdatenerfassungseinheit
    120
    Speichereinheit
    130
    Lerneinheit
    140
    Datenübertragungseinheit
    150
    Takterzeugungseinheit
    160
    LPF
    170
    A/D-Wandler
    180
    Frequenzanalyseeinheit
    200
    Sensor
    300
    übergeordnete Vorrichtung
    1000
    Messdatenübertragungssystem
  • ZITATE ENTHALTEN IN DER BESCHREIBUNG
  • Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
  • Zitierte Patentliteratur
    • JP 2009169888 [0007]

Claims (11)

  1. Sensorschnittstellenvorrichtung (100), die aufweist: ein Datenerfassungsmittel (110) zum Erfassen von Messdaten, bei denen es sich um Daten auf Grundlage einer physikalischen Größe handelt, die durch ein Messmittel (200) gemessen wird; ein Speichermittel (120) zum Speichern der auf diese Weise erfassten Messdaten; ein Lernmittel (130) zum Durchführen eines maschinellen Lernens mit einer Messdatengruppe, die durch das Speichermittel (120) gespeichert wird, als Eingabe, wodurch charakteristische Daten extrahiert werden, bei denen es sich um Daten handelt, die eine Eigenschaft der Messdatengruppe darstellen; und ein Datenübertragungsmittel (140) zum Senden der durch das Lernmittel (130) extrahierten charakteristischen Daten an eine übergeordnete Vorrichtung (300), wobei die Sensorschnittstellenvorrichtung (100) auf einem Datenübertragungspfad zwischen dem Messmittel (200) und der übergeordneten Vorrichtung (300) verbunden ist.
  2. Sensorschnittstellenvorrichtung (100) nach Anspruch 1, wobei, wenn ein Datenübertragungspfad zwischen der Sensorschnittstellenvorrichtung (100) und dem Messmittel (200) als erster Datenübertragungspfad definiert wird und ein Datenübertragungspfad zwischen der Sensorschnittstellenvorrichtung (100) und der übergeordneten Vorrichtung (300) als zweiter Datenübertragungspfad definiert wird, das Datenübertragungsmittel (140) die charakteristischen Daten über den zweiten Datenübertragungspfad an die übergeordnete Vorrichtung (300) in einem langsameren Zyklus als einem Zyklus sendet, in dem das Datenerfassungsmittel (110) die Messdaten über den ersten Datenübertragungspfad erfasst.
  3. Sensorschnittstellenvorrichtung (100) nach Anspruch 1 oder 2, wobei das Lernmittel (130) ein Lernmodell durch wiederholtes Durchführen des maschinellen Lernens bei gleichzeitigem Variieren der eingegebenen Messdatengruppe erstellt und eine Extrahierung der charakteristischen Daten aus einer neuen Messdatengruppe mithilfe des auf diese Weise erstellten Lernmodells durchführt.
  4. Sensorschnittstellenvorrichtung (100) nach einem der Ansprüche 1 bis 3, die des Weiteren ein Takterzeugungsmittel (140) zum Erzeugen eines internen Taktsignals durch Multiplizieren eines externen Taktsignals aufweist, das regelmäßig von der übergeordneten Vorrichtung (300) empfangen wird, wobei das Datenerfassungsmittel (110) die Messdaten in einem Takt auf Grundlage des internen Taktsignals erfasst.
  5. Sensorschnittstellenvorrichtung (100) nach einem der Ansprüche 1 bis 4, wobei die Sensorschnittstellenvorrichtung (100) eine Mehrzahl der Datenerfassungsmittel (110) aufweist, und wobei jedes der Mehrzahl der Datenerfassungsmittel (110) Messdaten auf Grundlage einer physikalischen Größe erfasst, die durch jeweils unterschiedliche Messmittel (200) gemessen wird.
  6. Sensorschnittstellenvorrichtung (100) nach einem der Ansprüche 1 bis 5, wobei das Datenerfassungsmittel (110) eine Analog-/Digital-Umwandlungsschaltung (170) zum Erfassen der Messdaten durch Abtasten eines analogen Signals beinhaltet, das eine physikalische Größe darstellt, die durch das Messmittel (200) gemessen wird, und wobei das Datenerfassungsmittel (110) die Messdaten mithilfe der einen Analog-/Digital-Umwandlungsschaltung (170) durch ein Zeitanteilsverfahren für jedes analoge Signal erfasst, das eine physikalische Größe darstellt, die durch eine Mehrzahl der Messmittel (200) gemessen wird.
  7. Sensorschnittstellenvorrichtung (100) nach einem der Ansprüche 1 bis 6, die des Weiteren ein Frequenzanalysemittel (180) zum Durchführen einer Fourier-Transformation an einer Messdatengruppe aufweist, die durch das Speichermittel (120) gespeichert wird, wobei das Lernmittel (130) ein maschinelles Lernen mit der Messdatengruppe, die durch das Frequenzanalysemittel (180) einer Fourier-Transformation unterzogen worden ist, als Eingabe durchführt, wodurch eine Extrahierung der charakteristischen Daten durchgeführt wird.
  8. Sensorschnittstellenvorrichtung (100) nach einem der Ansprüche 1 bis 7, wobei die Sensorschnittstellenvorrichtung (100) einen Autoencoder (40) für die Extrahierung der charakteristischen Daten des Lernmittels (130) einsetzt.
  9. Messdatenübertragungssystem (1000), das die Sensorschnittstellenvorrichtung (100) nach einem der Ansprüche 1 bis 8 und die übergeordnete Vorrichtung (300) aufweist, wobei es sich bei der durch das Messmittel (200) gemessenen physikalischen Größe um eine physikalische Größe im Zusammenhang mit einer Messzielvorrichtung handelt, und wobei die übergeordnete Vorrichtung (300) eine Vorhersage im Zusammenhang mit einem Auftreten einer Fehlfunktion oder eines Ausfalls der Messzielvorrichtung auf Grundlage der charakteristischen Daten durchführt.
  10. Messdatenübertragungsverfahren, das durch einen Computer durchzuführen ist, der auf einem Datenübertragungspfad zwischen einem Messmittel (200) und einer übergeordneten Vorrichtung (300) verbunden ist, wobei das Verfahren die Schritte aufweist: Erfassen von Messdaten, bei denen es sich um Daten auf Grundlage einer physikalischen Größe handelt, die durch das Messmittel (200) gemessen wird; Speichern der auf diese Weise erfassten Messdaten; Durchführen eines maschinellen Lernens mit einer Messdatengruppe, die in dem Schritt des Speicherns gespeichert worden ist, als Eingabe, wodurch eine Extrahierung von charakteristischen Daten durchgeführt wird, bei denen es sich um Daten handelt, die eine Eigenschaft der Messdatengruppe darstellen; und Senden der charakteristischen Daten, die in dem Schritt des maschinellen Lernens extrahiert worden sind, an die übergeordnete Vorrichtung (300).
  11. Messdatenübertragungsprogramm zum Ermöglichen, dass ein Computer, der auf einem Datenübertragungspfad zwischen einem Messmittel (200) und einer übergeordneten Vorrichtung (300) verbunden ist, als Sensorschnittstellenvorrichtung (100) fungiert, wobei die Sensorschnittstellenvorrichtung (100) aufweist: ein Datenerfassungsmittel (110) zum Erfassen von Messdaten, bei denen es sich um Daten auf Grundlage einer physikalischen Größe handelt, die durch das Messmittel (200) gemessen wird; ein Speichermittel (120) zum Speichern der auf diese Weise erfassten Messdaten; ein Lernmittel (130) zum Durchführen eines maschinellen Lernens mit einer Messdatengruppe, die durch das Speichermittel (120) gespeichert wird, als Eingabe, wodurch charakteristische Daten extrahiert werden, bei denen es sich um Daten handelt, die eine Eigenschaft der Messdatengruppe darstellen; und ein Datenübertragungsmittel (140) zum Senden der durch das Lernmittel (130) extrahierten charakteristischen Daten an die übergeordnete Vorrichtung (300).
DE102017219843.5A 2016-11-11 2017-11-08 Sensorschnittstellenvorrichtung, Messdatenübertragungssystem, Messdatenübertragungsverfahren und Messdatenübertragungsprogramm Active DE102017219843B4 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2016-220749 2016-11-11
JP2016220749A JP6374466B2 (ja) 2016-11-11 2016-11-11 センサインタフェース装置、測定情報通信システム、測定情報通信方法、及び測定情報通信プログラム

Publications (2)

Publication Number Publication Date
DE102017219843A1 true DE102017219843A1 (de) 2018-05-17
DE102017219843B4 DE102017219843B4 (de) 2020-04-23

Family

ID=62026370

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102017219843.5A Active DE102017219843B4 (de) 2016-11-11 2017-11-08 Sensorschnittstellenvorrichtung, Messdatenübertragungssystem, Messdatenübertragungsverfahren und Messdatenübertragungsprogramm

Country Status (4)

Country Link
US (1) US10535204B2 (de)
JP (1) JP6374466B2 (de)
CN (1) CN108073153B (de)
DE (1) DE102017219843B4 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019201278A1 (de) * 2019-01-31 2020-08-06 Berthold Technologies Gmbh & Co. Kg Radiometrisches Messgerät

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6906993B2 (ja) 2017-03-24 2021-07-21 三菱重工業株式会社 監視システム、処理装置、監視装置、監視方法およびプログラム
JP7225876B2 (ja) 2019-02-08 2023-02-21 富士通株式会社 情報処理装置、演算処理装置および情報処理装置の制御方法
JP2020201143A (ja) * 2019-06-11 2020-12-17 株式会社日立製作所 自動点検システム
DE102019210303B3 (de) * 2019-07-11 2021-01-14 Berthold Technologies Gmbh & Co. Kg Mikrowellenbasiertes Messgerät
JP6833124B1 (ja) * 2020-03-31 2021-02-24 三菱電機株式会社 通信装置、通信方法及びプログラム
JP7323185B2 (ja) * 2020-04-24 2023-08-08 深田工業株式会社 本質安全防爆型検知システム
JP7488551B2 (ja) * 2020-04-24 2024-05-22 深田工業株式会社 本質安全防爆型検知システム
US11842269B2 (en) * 2020-05-28 2023-12-12 Hitachi, Ltd. AI enabled sensor data acquisition
JP2021186761A (ja) * 2020-06-01 2021-12-13 株式会社クボタ 学習モデル生成装置、推測装置および散気量制御装置
JPWO2022264599A1 (de) 2021-06-17 2022-12-22

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009169888A (ja) 2008-01-21 2009-07-30 Hitachi-Ge Nuclear Energy Ltd センサノード、センサネットワークシステム及び測定データの通信方法

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5710770A (en) * 1980-06-25 1982-01-20 Hitachi Ltd Ignition timing control method for engine
US5832468A (en) * 1995-09-28 1998-11-03 The United States Of America As Represented By The Administrator Of The Environmental Protection Agency Method for improving process control by reducing lag time of sensors using artificial neural networks
US6192352B1 (en) * 1998-02-20 2001-02-20 Tennessee Valley Authority Artificial neural network and fuzzy logic based boiler tube leak detection systems
US7308322B1 (en) * 1998-09-29 2007-12-11 Rockwell Automation Technologies, Inc. Motorized system integrated control and diagnostics using vibration, pressure, temperature, speed, and/or current analysis
JP4169063B2 (ja) * 2006-04-06 2008-10-22 ソニー株式会社 データ処理装置、データ処理方法、及びプログラム
US20070299910A1 (en) * 2006-06-23 2007-12-27 Craig Fontenot Electronic client data acquisition and analysis system
JP2009282750A (ja) * 2008-05-22 2009-12-03 Hitachi Ltd プラントのデータ処理装置及びプラントのデータ処理方法
US8301406B2 (en) * 2008-07-24 2012-10-30 University Of Cincinnati Methods for prognosing mechanical systems
JP5359414B2 (ja) * 2009-03-13 2013-12-04 沖電気工業株式会社 行動認識方法、装置及びプログラム
CN101546194B (zh) 2009-05-07 2012-01-04 成都市华为赛门铁克科技有限公司 一种接口装置、接口控制方法以及存储系统
US8886359B2 (en) * 2011-05-17 2014-11-11 Fanuc Corporation Robot and spot welding robot with learning control function
EP2610434A1 (de) 2011-12-29 2013-07-03 Welltec A/S Bohrloch-Anzeigesystem
EP2618502A1 (de) 2012-01-19 2013-07-24 ABB Technology AG Datenübertragung über ein paketvermitteltes Netzwerk
AU2013274606B2 (en) * 2012-06-11 2015-09-17 Landmark Graphics Corporation Methods and related systems of building models and predicting operational outcomes of a drilling operation
US9740773B2 (en) * 2012-11-02 2017-08-22 Qualcomm Incorporated Context labels for data clusters
US9460732B2 (en) * 2013-02-13 2016-10-04 Analog Devices, Inc. Signal source separation
EP3259585A4 (de) * 2015-02-20 2018-11-07 Tata Consultancy Services Limited System und verfahren zur feststellung von anomalien
JP2016179527A (ja) * 2015-03-24 2016-10-13 ファナック株式会社 ロボットの異常診断を行う機能を有するロボット制御装置
JP6805580B2 (ja) * 2016-06-30 2020-12-23 住友電気工業株式会社 通信機、通信システムおよび通信プログラム
US10630565B2 (en) * 2017-02-15 2020-04-21 Dell Products, L.P. Overload management for internet of things (IoT) gateways

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009169888A (ja) 2008-01-21 2009-07-30 Hitachi-Ge Nuclear Energy Ltd センサノード、センサネットワークシステム及び測定データの通信方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019201278A1 (de) * 2019-01-31 2020-08-06 Berthold Technologies Gmbh & Co. Kg Radiometrisches Messgerät
US11686607B2 (en) 2019-01-31 2023-06-27 Berthold Technologies Gmbh & Co. Kg Radiometric measurement device

Also Published As

Publication number Publication date
US20180137691A1 (en) 2018-05-17
US10535204B2 (en) 2020-01-14
DE102017219843B4 (de) 2020-04-23
CN108073153B (zh) 2019-09-24
CN108073153A (zh) 2018-05-25
JP6374466B2 (ja) 2018-08-15
JP2018077779A (ja) 2018-05-17

Similar Documents

Publication Publication Date Title
DE102017219843B4 (de) Sensorschnittstellenvorrichtung, Messdatenübertragungssystem, Messdatenübertragungsverfahren und Messdatenübertragungsprogramm
DE102016013406B4 (de) Verfahren zum Betrieb eines Zustandsüberwachungssystems einer Schwingmaschine und Zustandsüberwachungssystem
DE102004009598B4 (de) Hochschneller selbstabstimmender Regelkreis
EP2759096B1 (de) Verfahren und vorrichtung zum koppeln eines ersten sensors mit zumindest einem zweiten sensor
DE112016004325T5 (de) Universalsensor und/oder Sensorcluster zur Bereitstellung eines Detektionsmusters
DE112010005955T5 (de) Steuerungssystem das während des Betriebs rekonfigurierbar ist, und Verfahren dafür
DE112018007597B4 (de) Diagnosevorrichtung, Diagnoseverfahren und Programm
DE102015204598A1 (de) System zum Bereitstellen von Informationen, die mit einem Fahrzeugfehler verknüpft sind, einem Benutzer
DE102016124585A1 (de) Verfahren und Vorrichtungen zur Verwendung einer analytischen/statistischen Modellierung für eine kontinuierliche Prozessüberprüfung (Continued Process Verification, CPV)
DE102018201975A1 (de) Diagnosedaten-erfassungssystem, diagnosesystem und diagnosedaten-erfassungsprogramm
EP3709107A1 (de) Verfahren und system zur überwachung der integrität eines automatisierungssystems
EP3646123B1 (de) Werkzeugmaschine mit einer mehrzahl von sensoren und entsprechendes verfahren
WO2019197082A1 (de) Ursachenbestimmung von anomalieereignissen
EP3715982A1 (de) Virtueller sensor auf einer übergeordneten maschinenplattform
DE112020003659T5 (de) Verfahren zur diagnose von anomalien, vorrichtung zur diagnose von anomalienund programm zur diagnose von anomalien
EP3566102A1 (de) Selbstkonfigurierende überwachungseinrichtung für ein auf einem industriellen datenkommunikationsnetzwerk basierendes automatisierungssystem
EP3921658B1 (de) Verfahren und prüfvorrichtung
DE112011105487B4 (de) Analogeingabesystem, Analogausgabesystem und Analogeingabe-/ausgabesystem
DE102018221684A1 (de) Vorrichtung und Verfahren zur Anomalieerkennung und zum Trainieren eines Modells für eine Anomalieerkennung
DE102010038573B4 (de) Messverfahren für eine von Hilfsmessgrößen abhängige Messgröße
DE102021112888A1 (de) Steuerungsverfahren und time-aware-Bridge-Vorrichtung für ein übergangsloses Präzisionszeitprotokoll
DE102020207449A1 (de) Verfahren, Computerprogramm und Vorrichtung zum Verarbeiten von Signalen
DE202019005395U1 (de) Früherkennung und Reaktion auf Fehler in einer Maschine
DE112020006988T5 (de) Zeitkorrekturvorrichtung, zeitkorrekturverfahren, und zeitkorrekturprogramm
DE102017214981A1 (de) Hochgeschwindigkeitskonverter, Messsystem und Hochgeschwindigkeitskonversionsprogramm

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R016 Response to examination communication
R018 Grant decision by examination section/examining division
R020 Patent grant now final