DE102018004923A1

DE102018004923A1 - Fehlervorhersagevorrichtung und machinelle Lernvorrichtung

Info

Publication number: DE102018004923A1
Application number: DE102018004923.0A
Authority: DE
Inventors: Kazuya Goto
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2017-06-27
Filing date: 2018-06-20
Publication date: 2018-12-27
Also published as: JP2019008675A; CN109144025A; US20180373233A1

Abstract

Eine in einer Fehlervorhersagevorrichtung enthaltene maschinelle Lernvorrichtung umfasst eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die einen aktuellen Umgebungszustand anzeigen, Betriebszustandsdaten, die einen Betriebszustand der Verwaltungszielvorrichtung anzeigen, und Vorrichtungskonfigurationsdaten, die eine Vorrichtungskonfiguration der Verwaltungszielvorrichtung anzeigen, beobachtet, eine Kennsatzdatenerfassungseinheit, die als Kennsatzdaten Wartungshistoriendaten erfasst, die eine Wartungshistorie der Verwaltungszielvorrichtung anzeigen, und eine Lerneinheit, die unter Verwendung der Zustandsvariablen und der Kennsatzdaten den Fehlerzeitpunkt der in der Verwaltungszielvorrichtung enthaltenen Leiterplatte, die Betriebszustandsdaten und die Vorrichtungskonfigurationsdaten derart lernt, dass der Fehlerzeitpunkt den Betriebszustandsdaten und den Vorrichtungskonfigurationsdaten zugeordnet wird.

Description

ALLGEMEINER STAND DER TECHNIK
Gebiet der Erfindung
Die vorliegende Erfindung betrifft eine Fehlervorhersagevorrichtung und eine maschinelle Lernvorrichtung und insbesondere eine Steuervorrichtung und eine maschinelle Lernvorrichtung zum Vorhersagen eines Fehlers einer Leiterplatte oder eines in einer numerischen Steuerung umfassten Bauteils.
Beschreibung des Standes der Technik
Um Produktivitätseinbußen durch einen Fehler in einer Maschine wie etwa einer numerischen Steuerung oder einer Werkzeugmaschine zu vermeiden, wurde verstärkt gefordert, die Wartung der Maschine vor dem Auftreten eines Fehlers auszuführen. Eine solche Vorabwartung wird normalerweise als regelmäßige Inspektion zu einem vorbestimmten Termin durchgeführt. Außerdem wurde vor kurzem eine Technologie vorgeschlagen, die durch die Verwendung von Information über einen Fehler, der in einer bestimmten Vorrichtung aufgetreten ist, die Möglichkeit des Auftretens eines ähnlichen Fehlers in einer Vorrichtung des gleichen Typs voraussagt.
Als konventionelle Technologie bezüglich der Vorhersage eines Maschinenfehlers wird beispielsweise eine Technologie zur Diagnose der Lebensdauer einer Werkzeugmaschine durch Lernen mit Hilfe eines neuronalen Netzerks in dem offengelegten Japanischen Patent Nr. 2002-090266 offenbart. Darüber hinaus wird eine Technologie zur Abschätzung der Lebensdauer eines mechanischen CNC-Elements durch Integration des Störlastmoments in dem offengelegten Japanischen Patent Nr. 07-051993 offenbart.
In einer allgemeinen Fertigungslinie, in der eine Werkzeugmaschine mit eingebauter numerischer Steuerung eingesetzt wird, wird die Fertigungslinie durch einen plötzlichen Fehler der Vorrichtung stark beeinflusst. Aus diesem Grund ist eine hochpräzise Lebensdauervorhersage unter Berücksichtigung der Betriebsumgebung des Werkzeugs erforderlich, um eine hohe Auslastung der Anlage zu gewährleisten. In jeder der Technologien, die in dem offengelegten Japanischen Patent Nr. 2002-090266 und dem offengelegten Japanischen Patent Nr. 07-051993 offenbart sind, wird jedoch die Vorhersage eines Fehlers nach einem bestimmten Schätzmodell durchgeführt. Die Vorhersage eines Fehlers erfolgt nicht unter Berücksichtigung verschiedener Umgebungsfaktoren, unter denen die Werkzeugmaschine arbeitet. Dementsprechend haben diese Technologien das Problem, dass wenn in einer unvorhergesehenen Weise ein Fehler auftritt, die Vorhersage eines Fehlers nicht mit hoher Präzision durchgeführt werden kann.
Außerdem muss bei Wartungsarbeiten an einem Werkzeug bestimmt werden, welche in dem Werkzeug umfasste Leiterplatte (eine Hauptplatine, eine CPU-Karte oder eine Servokarte usw.) der Arbeit unterzogen werden soll. Die in dem offengelegten Japanischen Patent Nr. 2002-090266 und dem offengelegten Japanischen Patent Nr. 07-051993 jeweils offenbarten Technologien geben jedoch nicht aus, welche Leiterplatte oder welches in dem Werkzeug enthaltene Bauteil des Werkzeugs in Bezug auf die Umweltfaktoren, unter denen das Werkzeug arbeitet, voraussichtlich versagen wird, und daher werden diese Technologien nicht als nützlich angesehen, um die Wartungsarbeitszeit oder die Kosten für die Wartung zu reduzieren.
KURZDARSTELLUNG DER ERFINDUNG
Es ist daher eine Aufgabe der vorliegenden Erfindung, eine Fehlervorhersagevorrichtung und eine maschinelle Lernvorrichtung bereitzustellen, die in der Lage sind, eine hochpräzise Vorhersage eines Fehlers in jeder der in einem Werkzeug umfassten Leiterplatten oder Bauteilen durchzuführen.
Durch maschinelles Lernen der Korrelation zwischen Information über die Umgebung, in der ein Werkzeug arbeitet, und einem Fehler einer Leiterplatte oder eines in dem Werkzeug umfassten Bauteils, löst die Fehlervorhersagevorrichtung gemäß der vorliegenden Erfindung die oben genannten Probleme.
Ein Aspekt der vorliegenden Erfindung ist eine Fehlervorhersagevorrichtung zum Vorhersagen eines Fehlerzeitpunkts einer in einer Verwaltungszielvorrichtung enthaltenen Leiterplatte, wobei die Fehlervorhersagevorrichtung eine maschinelle Lernvorrichtung umfasst, die den Fehlerzeitpunkt der in der Verwaltungszielvorrichtung enthaltenen Leiterplatte in Bezug auf einen Betriebszustand der Verwaltungszielvorrichtung lernt, wobei die maschinelle Lernvorrichtung eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die einen aktuellen Umgebungszustand anzeigen, Betriebszustandsdaten, die einen Betriebszustand der Verwaltungszielvorrichtung anzeigen, und Vorrichtungskonfigurationsdaten, die eine Vorrichtungskonfiguration der Verwaltungszielvorrichtung anzeigen, beobachtet, eine Kennsatzdatenerfassungseinheit, die als Kennsatzdaten Wartungshistoriendaten erfasst, die eine Wartungshistorie der Verwaltungszielvorrichtung anzeigen, und eine Lerneinheit, die unter Verwendung der Zustandsvariablen und der Kennsatzdaten den Fehlerzeitpunkt der in der Verwaltungszielvorrichtung enthaltenen Leiterplatte, die Betriebszustandsdaten und die Vorrichtungskonfigurationsdaten derart lernt, dass der Fehlerzeitpunkt den Betriebszustandsdaten und den Vorrichtungskonfigurationsdaten zugeordnet ist, umfasst.
Ein weiterer Aspekt der vorliegenden Erfindung ist eine maschinelle Lernvorrichtung zum Lernen eines Fehlerzeitpunkts einer in einer Verwaltungszielvorrichtung enthaltenen Leiterplatte in Bezug auf einen Betriebszustand der Verwaltungszielvorrichtung, wobei die maschinelle Lernvorrichtung eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die einen aktuellen Umgebungszustand anzeigen, Betriebszustandsdaten, die einen Betriebszustand der Verwaltungszielvorrichtung anzeigen, und Vorrichtungskonfigurationsdaten, die eine Vorrichtungskonfiguration der Verwaltungszielvorrichtung anzeigen, beobachtet, eine Kennsatzdatenerfassungseinheit, die als Kennsatzdaten Wartungshistoriendaten erfasst, die eine Wartungshistorie der Verwaltungszielvorrichtung anzeigen, und eine Lerneinheit, die unter Verwendung der Zustandsvariablen und der Kennsatzdaten den Fehlerzeitpunkt der in der Verwaltungszielvorrichtung enthaltenen Leiterplatte, die Betriebszustandsdaten und die Vorrichtungskonfigurationsdaten derart lernt, dass der Fehlerzeitpunkt den Betriebszustandsdaten und den Vorrichtungskonfigurationsdaten zugeordnet ist, umfasst.
In der Fehlervorhersagevorrichtung der vorliegenden Erfindung wird ein Fehlerschätzmodell jederzeit durch maschinelles Lernen aktualisiert, so dass eine hochpräzise Vorhersage eines Fehlers durchgeführt werden kann. Da außerdem in der Fehlervorhersagevorrichtung der vorliegenden Erfindung die Vorhersage eines Fehlers auf Leiterplatten-/Bauteilbasis erfolgt, können die Wartungsarbeitszeit und die Kosten für die Wartung reduziert werden.
Figurenliste
Die vorgenannte Aufgabe, andere Aufgaben und die Merkmale der vorliegenden Erfindung werden aus der folgenden Erklärung von Ausführungsformen mit Bezugnahme auf die beigefügten Zeichnungen deutlich gemacht, wobei:

1 ein schematisches Hardware-Konfigurationsdiagramm einer Steuervorrichtung gemäß einer ersten Ausführungsform ist;
2 ein schematisches Funktionsblockschaltbild der Steuervorrichtung gemäß der ersten Ausführungsform ist;
3 ist ein Diagramm ist, das ein Beispiel für Zustandsvariablen S und Kennsatzdaten L darstellt, die von einer Fehlervorhersagevorrichtung gemäß der ersten Ausführungsform erfasst werden;
4 ein Diagramm ist, das ein Beispiel zeigt, in dem eine Lerneinheit maschinelles Lernen unter Verwendung der Zustandsvariablen S und der Kennsatzdaten L durchführt;
5 ein schematisches Funktionsblockschaltbild ist, das eine Ausführungsform der Steuervorrichtung darstellt;
6A ist ein Diagramm zur Darstellung von Neuronen ist;
6B ist ein Diagramm ist, das ein neuronales Netzwerk darstellt; und
7 ein schematisches Funktionsblockschaltbild einer Steuervorrichtung gemäß einer zweiten Ausführungsform ist.

AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
Nachfolgend werden Ausführungsformen der vorliegenden Erfindung mit Bezug auf die Zeichnungen beschrieben.
1 ist ein schematisches Hardware-Konfigurationsdiagramm, das den Hauptteil einer Fehlervorhersagevorrichtung gemäß einer ersten Ausführungsform und den Hauptteil eines durch die Fehlervorhersagevorrichtung zu steuernden Bearbeitungswerkzeugs darstellt. Eine Fehlervorhersagevorrichtung 1 kann als eine übergeordnete Vorrichtung (z.B. ein Host-Computer oder eine Zellensteuerung) zum Verwalten einer Verwaltungszielvorrichtung implementiert werden, wie etwa eine Steuervorrichtung (nicht dargestellt) zur Steuerung einer Vielzahl von Werkzeugmaschinen (nicht dargestellt), die sich an einem Standort, wie einer Fabrik, befinden, eine Steuerung (nicht dargestellt) zur Steuerung eines Roboters (nicht abgebildet) oder dergleichen. Eine CPU 11, die in der Fehlervorhersagevorrichtung 1 gemäß der vorliegenden Ausführungsform umfasst ist, ist ein Prozessor, der die Gesamtsteuerung der Fehlervorhersagevorrichtung 1 durchführt. Die CPU 11 liest über einen Bus 20 ein in einem ROM 12 gespeichertes Systemprogramm aus und führt die Gesamtsteuerung der Fehlervorhersagevorrichtung 1 gemäß dem Systemprogramm aus. Zeitliche Berechnungsdaten und Anzeigedaten werden in einem RAM zwischengespeichert 13.
Ein nichtflüchtiger Speicher 14 ist als Speicher konfiguriert, dessen Speicherzustand beispielsweise durch die Verwendung einer Batterie (nicht dargestellt) auch dann abgesichert wird, wenn die Stromversorgung des Fehlervorhersagevorrichtung 1 abgeschaltet ist. In dem nichtflüchtigen Speicher 14 werden Daten, die über eine Eingabevorrichtung (nicht abgebildet), wie eine Tastatur, ein über eine Schnittstelle (nicht dargestellt) eingegebenes Betriebsprogramm, Verwaltungsdaten zu einer Verwaltungszielvorrichtung (Typ, Konfiguration, Netzwerkadresse und aktuelle Sollposition usw. der Verwaltungszielvorrichtung) gespeichert. Das Programm und verschiedene Arten von Daten, die im nichtflüchtigen Speicher 14 gespeichert sind, können bei der Ausführung oder Verwendung im RAM 13 entwickelt werden. Zudem werden verschiedene Systemprogramme (umfassend ein Systemprogramm zur Steuerung der Kommunikation mit einer maschinellen Lernvorrichtung 100 (später beschrieben)) zum Ausführen von Befehlen an die Verwaltungszielvorrichtung vorab in den ROM 12 geschrieben.
Die Fehlervorhersagevorrichtung 1 ist dazu konfiguriert, einen Befehl oder Daten mit der Verwaltungszielvorrichtung durch drahtgebundene oder drahtlose Kommunikation über eine drahtgebundene Kommunikationsschnittstelle 15 oder eine drahtlose Kommunikationsschnittstelle 16 austauschen zu können. Diese Kommunikationsschnittstellen können jedes beliebige Kommunikationsprotokoll verwenden, solange der Austausch eines Befehls oder von Daten mit der Verwaltungszielvorrichtung möglich ist.
Eine Schnittstelle 21 dient dazu, die Fehlervorhersagevorrichtung 1 und die maschinelle Lernvorrichtung 100 miteinander zu verbinden. Die maschinelle Lernvorrichtung 100 umfasst einen Prozessor 101, der die Gesamtsteuerung der maschinellen Lernvorrichtung 100 ausführt, einen ROM 102, in dem ein Systemprogramm usw. gespeichert wird, einen RAM 103 zur zeitlichen Speicherung bei Prozessen in Bezug auf maschinelles Lernen und einen nichtflüchtigen Speicher 104, der zur Speicherung eines Lernmodells usw. verwendet wird. Die maschinelle Lernvorrichtung 100 ist in der Lage, verschiedene Arten von Information (z.B. den Betriebszustand der Verwaltungszielvorrichtung) zu beobachten, die durch die Fehlervorhersagevorrichtung 1 über die Schnittstelle 21 erfasst werden können.
Darüber hinaus gibt die Fehlervorhersagevorrichtung 1 als Reaktion auf das Vorhersageergebnis eines Fehlers in Leiterplatten oder Bauteilen usw., die in der Verwaltungszielvorrichtung enthalten sind, das von der maschinellen Lernvorrichtung 100 ausgegeben wird, über die drahtgebundene Kommunikationsschnittstelle 15 oder die drahtlose Kommunikationsschnittstelle 16 einen Befehl zum Veranlassen von Gegenmaßnahmen zu dem Vorhersageergebnis eines Fehlers aus.
2 ist ein schematisches Funktionsblockschaltbild der Fehlervorhersagevorrichtung 1 und der maschinellen Lernvorrichtung 100 gemäß der ersten Ausführungsform. Die maschinelle Lernvorrichtung 100 umfasst Software (z.B. einen Lernalgorithmus) und Hardware (z.B. den Prozessor 101), um selbstständig und durch sogenanntes maschinelles Lernen einen Fehlerzeitpunkt (wann und in welchem Bauteil ein Fehler auftreten wird) einer Leiterplatte und eines in der Verwaltungszielvorrichtung enthaltenen Bauteils in Bezug auf die Betriebsumgebung der Verwaltungszielvorrichtung zu lernen. Die in der Fehlervorhersagevorrichtung 1 umfasste maschinelle Lernvorrichtung 100 lernt, was einer Modellstruktur entspricht, die die Korrelation zwischen der Betriebsumgebung der Verwaltungszielvorrichtung und dem Fehlerzeitpunkt (wann und in welcher Leiterplatte und welchem Bauteil ein Fehler auftreten wird) der Leiterplatte und dem in der Verwaltungszielvorrichtung umfassten Bauteil anzeigt.
Wie durch die Verwendung von Funktionsblöcken in 2 dargestellt, umfasst die in der Fehlervorhersagevorrichtung 1 umfasste maschinelle Lernvorrichtung 100 eine Zustandsbeobachtungseinheit 106, die Zustandsvariablen S, die Betriebszustandsdaten S1 umfassen, die den Betriebszustand der Verwaltungszielvorrichtung anzeigen, und Vorrichtungskonfigurationsdaten S2, die die Konfiguration der Verwaltungszielvorrichtung anzeigen, beobachtet, eine Kennsatzdatenerfassungseinheit 108, die Kennsatzdaten L, die Wartungshistoriendaten L1 umfassen, die eine vergangene Wartungshistorie anzeigen, erfasst, und eine Lerneinheit 110, die unter Verwendung der Zustandsvariablen S und der Kennsatzdaten L den Betriebszustand der Vorrichtung und den Fehlerzeitpunkt (wann und in welcher Leiterplatte ein Fehler auftreten wird) der in der Verwaltungszielvorrichtung enthaltenen Leiterplatte lernt.
Die Zustandsbeobachtungseinheit 106 kann beispielsweise als eine Funktion des Prozessors 101 ausgebildet werden. Alternativ kann die Zustandsbeobachtungseinheit 106 als Software ausgebildet werden, die bewirkt, dass der Prozessor 101 arbeitet und die beispielsweise im ROM 102 gespeichert ist. Von den Zustandsvariablen S, die von der Zustandsbeobachtungseinheit 106 beobachtet werden, können die Betriebszustandsdaten S1 als ein Datensatz erfasst werden, der den Betriebszustand der Verwaltungszielvorrichtung anzeigt. Beispiele für die Betriebszustandsdaten S1 umfassen eine akkumulierte Betriebszeit, ein akkumulierter Stromverbrauch, eine/einen Eingangsspannung/-strom, eine/einen Ausgangsspannung/-strom, eine Umgebungstemperatur, eine Umgebungsfeuchtigkeit, eine Vibration, den Gebrauchszustand einer Schneidflüssigkeit und die Drehzahl eines Kühlgebläses, die zu der Verwaltungszielvorrichtung gehören. Die Daten, wie die akkumulierte Betriebszeit, der akkumulierte Stromverbrauch, die/der Eingangsspannung/-strom, die/der Ausgangsspannung/-strom, die Umgebungstemperatur, die Umgebungsfeuchtigkeit und die Vibration können für jede in der Verwaltungszielvorrichtung umfasste Leiterplatte erfasst werden. Die vorgenannten Daten, die mittels eines Datenloggers (nicht dargestellt) usw. in der Verwaltungszielvorrichtung aufgezeichnet wurden, können über ein drahtgebundenes oder drahtloses Kommunikationsnetz erfasst und als Betriebszustandsdaten S1 verwendet werden.
Von den Zustandsvariablen S können die Vorrichtungskonfigurationsdaten S2 beispielsweise aus vorab im nichtflüchtigen Speicher 14 gespeicherten Verwaltungsdaten für die Verwaltungszielvorrichtung erfasst werden. Alternativ können die Vorrichtungskonfigurationsdaten S2 aus der Verwaltungszielvorrichtung über ein drahtgebundenes oder drahtloses Kommunikationsnetzwerk erfasst werden.
Die Kennsatzdatenerfassungseinheit 108 kann beispielsweise als eine Funktion des Prozessors 101 ausgebildet werden. Alternativ kann die Kennsatzdatenerfassungseinheit 108 als Software ausgebildet werden, die beispielsweise dazu dient zu bewirken, dass der Prozessor 101 arbeitet, und die im ROM 102 gespeichert ist. Da die Wartungshistoriendaten L1 in den Kennsatzdaten L umfasst sind, die von der Kennsatzdatenerfassungseinheit 108 erfasst wurden, können beispielsweise wartungsbezogene Daten verwendet werden, die von einem Mitarbeiter gemeldet werden, der eine Wartungsarbeit durchgeführt hat. Beispiele für die Wartungshistoriendaten L1 können eine Leiterplatten-Austauschhistorie (eine Ausfallzeit oder eine ausgetauschte Leiterplatte usw.) der Verwaltungszielvorrichtung, eine Fehlerhistorie der Verwaltungszielvorrichtung und Information darüber sein, ob der Austausch einer Leiterplatte einen Fehler in der Verwaltungszielvorrichtung verbessert hat oder nicht. Die von der Kennsatzdatenerfassungseinheit 108 erfassten Kennsatzdaten L sind ein Index, der das Ergebnis einer Wartungsarbeit basierend auf den Zustandsvariablen S anzeigt.
3 stellt Beispiele für die Vorrichtungskonfigurationsdaten S2 und die Wartungshistoriendaten L1 dar, die von der Fehlervorhersagevorrichtung 1 der vorliegenden Ausführungsform erfasst werden. Wie in 3 dargestellt, umfasst die von der Fehlervorhersagevorrichtung 1 verwaltete Verwaltungszielvorrichtung eine Mehrzahl von Leiterplatten, auf denen eine Mehrzahl von Bauteilen montiert ist.
Beispiele für die Leiterplatten umfassen eine Hauptplatine, eine CPU-Karte, eine Servokarte, eine GUI-Karte, eine Rückwand, ein FROM/SRAM-Modul, verschiedene Optionskarten und eine E/A-Karte. Beispiele für die auf den Leiterplatten montierten Bauteile umfassen eine ASIC (ein LSI), eine CPU, ein IC, ein Speicher, ein Widerstand, ein Kondensator, eine Spule, ein Lüfter, eine Batterie und einen Stecker. Die Vorrichtungskonfigurationsdaten S2 können die Typen der Leiterplatten, die Plattennummern der Leiterplatten und die allgemeine Versionsnummer der Leiterplatten umfassen und können ferner die Bauteilnummern, die Herstellernamen, die Chargennummern und die Referenznummern der Bauteile umfassen. Beispiele für die Wartungshistoriendaten L1 umfassen den Modelltyp einer fehlerhaften Leiterplatte, ein Fehlerauftrittsdatum der Leiterplatte, eine Austauschhistorie der Leiterplatte, die Plattennummern der Leiterplatte, die allgemeine Versionsnummer der Leiterplatte, und ob der Austausch der Leiterplatte einen Fehler verbessert hat oder nicht.
Die Lerneinheit 110 kann beispielsweise als eine Funktion des Prozessors 101 ausgebildet werden. Alternativ kann die Lerneinheit 110 als Software ausgebildet werden, die dazu dient zu bewirken, dass der Prozessor 101 arbeitet, und die im ROM 102 gespeichert ist. Die Lerneinheit 110 lernt die Kennsatzdaten L in Bezug auf den Betriebszustand der Verwaltungszielvorrichtung gemäß willkürlich definierten Lernalgorithmen, die insgesamt als maschinelles Lernen bezeichnet werden. Die Lerneinheit 110 kann ein wiederholtes Lernen auf Basis eines Datenaggregates lernen, das die vorgenannten Zustandsvariablen S und den vorgenannten Kennsatzdaten L umfasst.
4 ist ein Diagramm, das ein Beispiel darstellt, in dem die Lerneinheit 110 unter Verwendung der Zustandsvariablen S und der Kennsatzdaten L ein maschinelles Lernen durchführt. Wenn eine Wartungsarbeit wegen des Auftretens eines Fehlers in der Verwaltungszielvorrichtung durchgeführt wird, erfasst die Lerneinheit 110 als Betriebszustandsdaten S1 eine Information, die den Betriebszustand anzeigt, der den vor dem Fehler durch den in der Verwaltungszielvorrichtung umfassten Datenlogger (nicht dargestellt) aufgezeichneten Betriebszustand anzeigt, und erfasst als die Wartungshistoriendaten L1 eine wartungsbezogene Information, die von einem Wartungsarbeiter während der Wartungsarbeiten eingegeben wurden. Die Lerneinheit 110 extrahiert aus den Betriebszustandsdaten S1, die vor einem Zeitpunkt erfasst wurden, zu dem die Wartungsarbeiten der Verwaltungszielvorrichtung durchgeführt werden, Datensätze, die die Betriebszustände zu vorbestimmten Zeiten t1, t2, t3... vorher anzeigen, und sagt vorher, dass entsprechend der Wartungshistoriendaten L1 nach Ablauf der vorbestimmten Zeiten t1, t2, t3... ein Fehler auftreten wird, indem die extrahierten Datensätze und die Vorrichtungskonfigurationsdaten S2 als Eingaben verwendet werden, wodurch ein maschinelles Lernen durchgeführt wird. In einem Fall, in dem sich die Verwaltungszielvorrichtung mit einer vorgegebenen Maschinenkonfiguration in einer vorbestimmten Betriebsumgebung befindet, kann durch dieses maschinelle Lernen gelernt werden, wie viel Zeit bis zum Auftreten eines Fehlers vergehen wird und in welcher Leiterplatte der Fehler auftreten wird. Von den Daten, die die Betriebszustände zu den vorgegebenen Zeiten t1, t2, t3 ... vor der Wartungszeit anzeigen, können zu solchen Zeitpunkten erfasste Werte für Daten verwendet werden, deren Zeitpunkte signifikant sind, wie die akkumulierte Betriebszeit oder der akkumulierte Stromverbrauch, und sequentielle Werte, die durch Abtastung in einem vorbestimmten Zyklus erhalten wurden, Werte, die innerhalb einer vorbestimmten Zeitdauer vor den jeweiligen Zeitpunkten erfasst werden, können für Daten verwendet werden, deren Änderung signifikant ist, wie die/der Eingangsspannung/-Strom, die/der Ausgangsspannung/-Strom, die Umgebungstemperatur, die Umgebungsfeuchtigkeit, die Vibration, der Gebrauchszustand der Schneidflüssigkeit oder die Drehzahl eines Kühlgebläses.
Durch das Wiederholen eines solchen Lernzyklus kann die Lerneinheit 110 automatisch ein Merkmal erkennen, das die Korrelation zwischen dem Betriebszustand (den Betriebszustandsdaten S1) und der Maschinenkonfigurationsinformation (den Vorrichtungskonfigurationsdaten S2) der Verwaltungszielvorrichtung und den Fehlerzeitpunkt der in der Verwaltungszielvorrichtung umfassten Leiterplatte entsprechend dem Zustand angibt. Zur Startzeit des Lernalgorithmus ist die Korrelation zwischen den Betriebszustandsdaten S1 und den Vorrichtungskonfigurationsdaten S2 und dem Fehlerzeitpunkt der in der Verwaltungszielvorrichtung umfassten Leiterplatte im Wesentlichen unbekannt. Einhergehend mit dem Lernfortschritt erkennt jedoch die Lerneinheit 110 allmählich das Merkmal und interpretiert die Korrelation.
Nachdem die Interpretation der Korrelation zwischen den Betriebszustandsdaten S1 und den Vorrichtungskonfigurationsdaten S2 und dem Fehlerzeitpunkt der in der Verwaltungszielvorrichtung umfassten Leiterplatte ein im Wesentlichen zuverlässiges Niveau erreicht, ermöglichen die wiederholt von der Lerneinheit 110 ausgegebenen Lernergebnisse eine hochpräzise Vorhersage eines Fehlerzeitpunktes einer in der Verwaltungszielvorrichtung umfassten Leiterplatte in Bezug auf den aktuellen Zustand (d.h. den Betriebszustand der Verwaltungszielvorrichtung und die Konfigurationsinformation der Vorrichtung). Das heißt, einhergehend mit dem Fortschritt des Lernalgorithmus kann die Lerneinheit 110 allmählich die Korrelation zwischen dem Betriebszustand der Verwaltungszielvorrichtung und der Konfigurationsinformation der Vorrichtung und, in Bezug auf den Zustand, eine Vorhersage eines Zeitpunkts, um den herum ein Fehler auftreten wird und in welcher der in der Verwaltungszielvorrichtung umfassten Leiterplatte der Fehler auftreten wird, nahe an eine optimale Lösung bringen.
Wie oben beschrieben lernt in der in der Fehlervorhersagevorrichtung 1 umfassten maschinellen Lernvorrichtung 100 die Lerneinheit 110 unter Verwendung der von der Zustandsbeobachtungseinheit 106 beobachteten Zustandsvariablen S und der von der Kennsatzdatenerfassungseinheit 108 erfassten Kennsatzdaten L den Fehlerzeitpunkt der in der Verwaltungszielvorrichtung umfassten Leiterplatte gemäß dem maschinellen Lernalgorithmus. Die Zustandsvariablen S umfassen Daten, wie die Betriebszustandsdaten S1 und die Vorrichtungskonfigurationsdaten S2, die weniger wahrscheinlich durch Störungen beeinflusst werden. Die Kennsatzdaten L können aus der von einem Wartungsarbeiter eingegebenen Wartungsinformation erfasst werden. Daher kann gemäß der in der Fehlervorhersagevorrichtung 1 umfassten maschinellen Lernvorrichtung 100 ein Fehlerzeitpunkt einer in der Verwaltungszielvorrichtung umfassten Leiterplatte automatisch und genau gemäß dem Betriebszustand der Verwaltungszielvorrichtung und der Konfigurationsinformation der Vorrichtung durch Verwendung eines Lernergebnisses durch die Lerneinheit 110 ermittelt werden, während dabei eine Berechnung oder Schätzung nicht involviert ist.
In dem Fall, in dem ein Fehlerzeitpunkt einer in der Verwaltungszielvorrichtung umfassten Leiterplatte automatisch erhalten werden kann, während dabei eine Berechnung oder Schätzung nicht involviert ist, müssen nur der Betriebszustand (die Betriebszustandsdaten S1) und die Maschinenkonfigurationsinformation (die Vorrichtungskonfigurationsdaten S2) der Verwaltungszielvorrichtung erkannt werden. Dementsprechend kann der Fehlerzeitpunkt (wann und in welcher Leiterplatte ein Fehler auftreten wird) der in der Verwaltungszielvorrichtung umfassten Leiterplatte mit hoher Genauigkeit vorhergesagt werden. Daher kann ein Wartungsarbeiter, der eine Leiterplatte, von der vorhergesagt wird, dass sie ausfällt, und einen Fehlerzeitpunkt für das Auftreten des Fehlers erkannt hat, wirksam eine Wartungsarbeit an der Verwaltungszielvorrichtung durchführen.
Bei einer Modifikation der in der Fehlervorhersagevorrichtung 1 umfassten maschinellen Lernvorrichtung 100 kann die Kennsatzdatenerfassungseinheit 108 ferner als Kennsatzdaten L Bauteilfehlerdaten L2 erfassen, die eine Information über ein Bauteil auf den Leiterplatten, das aufgrund eines Auftretens eines Fehlers ausgetauscht wurde, anzeigen und kann die Bauteilfehlerdaten L2 zum maschinellen Lernen an der Lerneinheit 110 verwenden. Die Bauteilfehlerdaten L2 können von einem Wartungsarbeiter erfasst werden, der eine während einer Wartungsarbeit ausgetauschte Leiterplatte analysiert und das Analyseergebnis als Bauteilfehlerinformation, wie in 3 dargestellt, in die Verwaltungszielvorrichtung oder die Fehlervorhersagevorrichtung 1 usw. eingibt. Die Bauteilfehlerdaten L2 können beispielsweise die Bauteilnummer, den Herstellernamen, die Modellbezeichnung des Herstellers, die Chargennummer und die Leiterplattenreferenznummer eines Bauteils, bei dem ein Fehler aufgetreten ist, sowie die Einzelheiten des Fehlers umfassen.
Gemäß der obigen Modifikation kann die maschinelle Lernvorrichtung 100 beim Erlernen eines Fehlerzeitpunkts einer in einer Verwaltungszielvorrichtung umfassten Leiterplatte in Bezug auf den Betriebszustand und die Maschinenkonfigurationsinformation der Verwaltungszielvorrichtung ferner lernen, in welchem Bauteil auf der Leiterplatte ein Fehler auftreten wird.
Bei einer weiteren Modifikation der in der Fehlervorhersagevorrichtung 1 umfassten maschinellen Lernvorrichtung 100 kann die Lerneinheit 110 unter Verwendung der jeweiligen Zustandsvariablen S und der für die Verwaltungszielvorrichtungen erhaltenen Kennsatzdaten L einen Fehlerzeitpunkt einer Leiterplatte von jeder einer Mehrzahl von Verwaltungszielvorrichtungen lernen. Da gemäß dieser Konfiguration die Menge eines Datenaggregats, das die Zustandsvariablen S und die innerhalb eines bestimmten Zeitraums erhaltenen Kennsatzdaten L umfasst, erhöht werden kann, können vielfaltigere Datenaggregate als Eingaben verwendet werden, sodass die Lerngeschwindigkeit des Fehlerzeitpunkts der in jeder der Verwaltungszielvorrichtungen umfassten Leiterplatte und die Glaubwürdigkeit des Lernens verbessert werden kann.
In der maschinellen Lernvorrichtung 100 mit der vorgenannten Konfiguration ist ein von der Lerneinheit 110 auszuführender Lernalgorithmus nicht auf einen bestimmten Algorithmus beschränkt, und es kann hierfür ein als maschinelles Lernen bekannter Lernalgorithmus verwendet werden. 5 stellt eine weitere Ausführungsform der in 2 dargestellten Fehlervorhersagevorrichtung 1 dar und stellt eine Konfiguration mit der Lerneinheit 110 dar, die überwachtes Lernen als weiteres Beispiel für den Lernalgorithmus durchführt. Überwachtes Lernen betrifft ein Lernverfahren, bei dem bekannte Datensätze (sogenannte Lehrerdatensätze), die jeweils eine dazu entsprechende Eingabe und eine Ausgabe umfassen, gegeben sind, und ein Merkmal, das die Korrelation zwischen der Eingabe und der Ausgabe angibt, aus den Lehrerdatensätzen erkannt wird, wodurch ein Korrelationsmodell zum Schätzen einer erforderlichen Ausgabe als Reaktion auf eine neuen Eingabe gelernt wird.
In der in der in 5 dargestellten Fehlervorhersagevorrichtung 1 umfassten maschinellen Lernvorrichtung 100 umfasst die Lerneinheit 110 eine Differenzberechnungseinheit 112, die aus den Zustandsvariablen S eine Differenz E zwischen einem Korrelationsmodell M zum Vorhersagen eines Fehlerzeitpunkts einer in der Verwaltungszielvorrichtung umfassten Leiterplatte (und eines Bauteils) und der Korrelationsfunktion, die aus den im Voraus erstellten Lehrerdaten T erkannt wird, berechnet, und eine Modellaktualisierungseinheit 114, die das Korrelationsmodell M aktualisiert, um die Differenz E zu verringern. Durch wiederholtes Aktualisieren des Korrelationsmodells M durch die Modellaktualisierungseinheit 114 lernt die Lerneinheit 110 den Fehlerzeitpunkt der in der Verwaltungszielvorrichtung umfassten Leiterplatte (und der Komponente) in Bezug auf den Betriebszustand der Verwaltungszielvorrichtung.
Der Anfangswert des Korrelationsmodells M wird durch Vereinfachung (beispielsweise durch eine lineare Funktion von) der Korrelation zwischen den Zustandsvariablen S und dem Fehlerzeitpunkt der Leiterplatte (und des Bauteils), die beispielsweise in der Verwaltungszielvorrichtung umfasst ist, ausgedrückt und wird der Lerneinheit 110 vor Beginn des überwachten Lernens übergeben. Die Lehrerdaten T können gespeicherte Erfahrungswerte umfassen, die durch Aufzeichnung des vergangenen Betriebszustandes der Verwaltungszielvorrichtung und der Historie der von einem Wartungsarbeiter durchgeführten Wartungsarbeiten erhalten werden, und werden der Lerneinheit 110 vor Beginn des überwachten Lernens übergeben. Die Differenzberechnungseinheit 112 erkennt aus einer großen Menge der an die Lerneinheit 110 weitergegebenen Lehrerdaten T ein Korrelationsmerkmal, das die Korrelation zwischen dem Betriebszustand der Verwaltungszielvorrichtung und dem Fehlerzeitpunkt der in der Verwaltungszielvorrichtung umfassten Leiterplatte (und des Bauteils) angibt, und erhält die Differenz E zwischen dem Korrelationsmerkmal und dem Korrelationsmodell M entsprechend den Zustandsvariablen S und den Kennsatzdaten L im aktuellen Zustand. Die Modellaktualisierungseinheit 114 aktualisiert das Korrelationsmodell M in eine Richtung, um beispielsweise gemäß einer vorbestimmten Aktualisierungsregel die Differenz E zu reduzieren.
Im nächsten Lernzyklus wird unter Verwendung der Zustandsvariablen S gemäß dem aktualisierten Korrelationsmodell M ein Fehlerzeitpunkt einer in der Verwaltungszielvorrichtung umfassten Leiterplatte (und einer Komponente) vorhergesagt, die Differenzberechnungseinheit 112 erhält die Differenz E zwischen dem Vorhersageergebnis und den tatsächlich erfassten Kennsatzdaten L, und die Modellaktualisierungseinheit 114 aktualisiert das Korrelationsmodell M erneut. Auf diese Weise wird die Korrelation zwischen einem unbekannten aktuellen Umweltzustand und einer Vorhersage dazu allmählich aufgezeigt.
Um mit dem oben genannten überwachten Lernen fortzufahren, kann ein neuronales Netzwerk verwendet werden.
6A stellt schematisch ein Neuronenmodell dar. 6B stellt schematisch ein Modell eines dreischichtigen neuronalen Netzwerks dar, das durch Kombinieren der in 6A dargestellten Neuronen ausgebildet wird. Das neuronale Netzwerk kann durch eine Rechenvorrichtung oder eine Speichervorrichtung usw. gebildet werden, die beispielsweise das Modell von Neuronen simuliert.
Das in 6A dargestellte Neuron gibt ein Ergebnis y als Reaktion auf eine Mehrzahl von Eingaben x aus (hier z.B. Eingaben x₁ bis x₃). Die den Eingaben x entsprechenden Gewichte w (w₁ bis w₃) werden jeweils auf die x₁ bis x₃ angewendet. Als Ergebnis gibt das Neuron die Ausgabe y aus, die nachfolgend durch den Ausdruck 2 ausgedrückt wird. In Ausdruck 2 sind alle Eingaben x, die Ausgabe y und die Gewichte w Vektoren. Außerdem stellt θ einen Bias dar und f_k stellt eine Aktivierungsfunktion dar. $y = f_{k} (\sum_{i = 1}^{n} x_{i} w_{i} - θ)$
In dem in 6B dargestellten dreischichtigen neuronalen Netzwerk wird eine Mehrzahl von Eingaben x (hier die Eingaben x₁ bis x₃ als Beispiele) von links eingegeben und die Ergebnisse y (hier die Ergebnisse y₁ bis y₃ als Beispiele) werden von rechts ausgegeben. In dem in 6B dargestellten Beispiel werden die Eingänge x1, x2, x3 mit entsprechenden Gewichten (insgesamt durch w1 ausgedrückt) multipliziert, und alle der Eingaben x1, x2, x3 werden in jedes der drei Neuronen N11, N12, N13 eingegeben.
In 6B werden die jeweiligen Ausgänge der Neuronen N11 bis N13 insgesamt durch z1 ausgedrückt. z1 kann als Merkmalsvektoren betrachtet werden, die durch Extraktion von jeweiligen Merkmalsbeträgen der Eingabevektoren erhalten werden. In dem in 6B dargestellten Beispiel werden die Merkmalsvektoren z1 mit entsprechenden Gewichten multipliziert (insgesamt durch w2 ausgedrückt) und alle der Merkmalsvektoren z1 werden in jedes der beiden Neuronen N21, N22 eingegeben. Die Merkmalsvektoren z1 stellen jeweils ein Merkmal zwischen dem Gewicht w1 und dem Gewicht w2 dar.
In 6B werden die Ausgaben der Neuronen N21, N22 insgesamt durch z2 ausgedrückt. z2 kann als Merkmalsvektoren betrachtet werden, die durch Extraktion der Merkmalsbeträge der Merkmalsvektoren z1 erhalten werden. In dem in 6B dargestellten Beispiel werden die Merkmalsvektoren z2 mit entsprechenden Gewichten multipliziert (insgesamt durch w3 ausgedrückt), und beide Merkmalsvektoren z2 werden in jedes der drei Neuronen N31, N32, N33 eingegeben. Die Merkmalsvektoren z2 stellen jeweils ein Merkmal zwischen dem Gewicht w2 und dem Gewicht w3 dar. Schließlich geben die Neuronen N31 bis N33 jeweils entsprechend die Ergebnisse y1 bis y3 aus.
Alternativ kann ein sogenanntes Deep-Learning-Verfahren mit einem neuronalen Netzwerk aus drei oder mehr Schichten eingesetzt werden.
In der in der Fehlervorhersagevorrichtung 1 umfassten maschinellen Lernvorrichtung 100 führt die Lerneinheit 110 unter Verwendung der Eingaben x als Zustandsvariablen S eine Berechnung über eine Mehrschichtstruktur gemäß dem vorgenannten neuralen Netzwerk durch, wodurch ausgegeben werden kann, wann und in welcher Leiterplatte unter den Leiterplatten (und den in der Verwaltungszielvorrichtung enthaltenen Bauteilen) ein Fehler auftreten wird (die Ergebnisse y). Die Betriebsmodi des neuronalen Netzes umfassen einen Lernmodus und einen Wertvorhersagemodus. Beispielsweise können die Gewichte w durch Verwendung eines Lerndatensatzes im Lernmodus gelernt werden, und der Wert einer Aktion kann durch Verwendung der gelernten Gewichte w im Wertevorhersagemodus bestimmt werden. Im Wertvorhersagemodus kann die Erkennung, Klassifizierung oder Schätzung weiter durchgeführt werden.
Die vorgenannte Konfiguration der Fehlervorhersagevorrichtung 1 kann als ein maschinelles Lernverfahren (oder Software) geschrieben werden, das vom Prozessor 101 auszuführen ist. Dieses maschinelle Lernverfahren dient zum Erlernen eines Fehlerzeitpunkts einer in einer Verwaltungszielvorrichtung umfassten einer Leiterplatte. Das Verfahren umfasst das Bewirken, dass eine CPU eines Computers einen Schritt des Beobachtens, als die Zustandsvariablen S, die den aktuellen Zustand anzeigen, der Betriebszustandsdaten S1 und der Vorrichtungskonfigurationsdaten S2, einen Schritt des Erfassens der Kennsatzdaten L, die ein Ergebnis einer Wartungsarbeit anzeigen, und einen Schritt des Lernens unter Verwendung der Zustandsvariablen S und der Kennsatzdaten L, der Betriebszustandsdaten S1, der Vorrichtungskonfigurationsdaten S2 und des Fehlerzeitpunkts der in der Verwaltungszielvorrichtung umfassten Leiterplatte derart auszuführt, dass die Betriebszustandsdaten S1 und die Vorrichtungskonfigurationsdaten S2 dem Fehlerzeitpunkt zugeordnet sind.
7 stellt eine Fehlervorhersagevorrichtung 2 gemäß einer zweiten Ausführungsform dar. Die Fehlervorhersagevorrichtung 2 umfasst eine maschinelle Lernvorrichtung 120 und eine Zustandsdatenerfassungseinheit 3, die als Zustandsdaten S0 die Betriebszustandsdaten S1 und die Vorrichtungskonfigurationsdaten S2 der von der Zustandsbeobachtungseinheit 106 beobachteten Zustandsvariablen S erfasst. Die Zustandsdatenerfassungseinheit 3 kann die Zustandsdaten S0 aus Daten, die in einem Speicher der Fehlervorhersagevorrichtung 2 gespeichert sind, aus Daten, die von in einer Verwaltungszielvorrichtung umfassten verschiedenen Sensoren eingegeben werden, oder aus Daten, die gegebenenfalls von einem Wartungsarbeiter usw. eingegeben werden, erfassen.
Die in der Fehlervorhersagevorrichtung 2 umfasste maschinelle Lernvorrichtung 120 umfasst Software (z.B. einen Berechnungsalgorithmus) und Hardware (z.B. den Prozessor 101), zum Ausgeben, als einen Vorhersagewert an die Fehlervorhersagevorrichtung 2, eines Fehlerzeitpunkts einer in einer Verwaltungszielvorrichtung umfassten Leiterplatte, der durch eine Vorhersage basierend auf einem Lernergebnis erhalten wird, sowie Software (z.B. einen Lernalgorithmus) und Hardware (z.B. den Prozessor 101), um selbstständig und durch maschinelles Lernen den Fehlerzeitpunkt der in der Verwaltungszielvorrichtung umfassten Leiterplatte zu lernen. Die in der Fehlervorhersagevorrichtung 2 umfasste maschinelle Lernvorrichtung 120 kann eine Konfiguration aufweisen, in der ein gemeinsamer Prozessor eine Software für alle Algorithmen einschließlich eines Lernalgorithmus, eines Rechenalgorithmus und dergleichen ausführt.
Eine Vorhersageeinheit 122 kann beispielsweise als eine Funktion des Prozessors 101 ausgebildet werden. Alternativ kann die Vorhersageeinheit 122 auch als Software ausgebildet werden, die beispielsweise dazu dient zu bewirken, dass der Prozessor 101 arbeitet, und die im ROM 102 gespeichert ist. Die Vorhersageeinheit 122 erzeugt gemäß dem Lernergebnis der Lerneinheit 110 einen Vorhersagewert P, der eine Vorhersage eines Fehlerzeitpunkts einer in der Verwaltungszielvorrichtung umfassten Leiterplatte in Bezug auf den Betriebszustand der Verwaltungszielvorrichtung anzeigt, und gibt den erzeugten Vorhersagewert P aus.
Die in der Fehlervorhersagevorrichtung 2 umfasste maschinelle Lernvorrichtung 120 mit der vorgenannten Konfiguration stellt die gleichen Effekte bereit wie die durch die vorgenannte maschinelle Lernvorrichtung 100 bereitgestellten. Insbesondere kann die maschinelle Lernvorrichtung 120 über die Ausgaben der Vorhersageeinheit 122 an jede Verwaltungszielvorrichtung oder einen Wartungsmitarbeiter usw. eine Benachrichtigung über die Fehlervorhersagevorrichtung 2 ausgeben. Andererseits kann in der maschinellen Lernvorrichtung 100 eine externe Vorrichtung benötigt werden, die eine Funktion aufweist, die der Vorhersageeinheit entspricht, die eine Vorhersage basierend auf dem Lernergebnis der Lerneinheit 110 ausgibt.
Die Ausführungsformen der vorliegenden Erfindung wurden oben beschrieben. Die vorliegende Erfindung ist jedoch nicht nur auf die vorgenannten Ausführungsformen beschränkt, und es kann jede geeignete Modifikation vorgenommen werden, um verschiedene Ausführungsformen der vorliegenden Erfindung zu implementieren.
Beispielsweise sind ein Lernalgorithmus, der von der maschinellen Lernvorrichtung 100, 120 ausgeführt wird, ein Rechenalgorithmus, der von der maschinellen Lernvorrichtung 120 ausgeführt wird, ein Steueralgorithmus, der von der Fehlervorhersagevorrichtung 1, 2 ausgeführt wird, nicht auf die obengenannten Algorithmen beschränkt, und es können verschiedene Algorithmen hierzu verwendet werden.
Weiterhin wurde in den obengenannten Ausführungsformen die Beschreibung gegeben, in der die Fehlervorhersagevorrichtung 1 (oder 2) und die maschinelle Lernvorrichtung 100 (oder 120) unterschiedliche CPUs aufweisen. Die maschinelle Lernvorrichtung 100 (oder 120) kann jedoch durch die in der Fehlervorhersagevorrichtung 1 (oder 2) umfasste CPU 11 und einem im ROM 12 gespeicherten Systemprogramm implementiert werden.
Außerdem wurde in den obengenannten Ausführungsformen das Beispiel beschrieben, bei dem die maschinelle Lernvorrichtung 120 (oder 100) auf der Fehlervorhersagevorrichtung 2 (oder 1) angeordnet ist. Die maschinelle Lernvorrichtung 120 (oder 100) kann jedoch so konfiguriert werden, dass sie in einem in einem Netzwerk erstellten Cloud-Server usw. vorhanden ist.
Die Ausführungsformen der vorliegenden Erfindung wurden oben beschrieben. Die vorliegende Erfindung ist jedoch nicht auf die oben genannten Ausführungsformen beschränkt, und es können geeignete Modifikationen vorgenommen werden, um die vorliegende Erfindung in anderen Ausführungsformen auszuführen.
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 2002090266 [0003, 0004, 0005]
JP 7051993 [0003, 0004]
JP 07051993 [0005]

Claims

Fehlervorhersagevorrichtung zum Vorhersagen eines Fehlerzeitpunkts einer in einer Verwaltungszielvorrichtung enthaltenen Leiterplatte, wobei die Fehlervorhersagevorrichtung umfasst: eine maschinelle Lernvorrichtung, die den Fehlerzeitpunkt der in der Verwaltungszielvorrichtung enthaltenen Leiterplatte in Bezug auf einen Betriebszustand der Verwaltungszielvorrichtung lernt, wobei die maschinelle Lernvorrichtung umfasst: eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die einen aktuellen Umgebungszustand anzeigen, Betriebszustandsdaten, die einen Betriebszustand der Verwaltungszielvorrichtung anzeigen, und Vorrichtungskonfigurationsdaten, die eine Vorrichtungskonfiguration der Verwaltungszielvorrichtung anzeigen, beobachtet, eine Kennsatzdatenerfassungseinheit, die als Kennsatzdaten Wartungshistoriendaten erfasst, die eine Wartungshistorie der Verwaltungszielvorrichtung anzeigen, und eine Lerneinheit, die unter Verwendung der Zustandsvariablen und der Kennsatzdaten den Fehlerzeitpunkt der in der Verwaltungszielvorrichtung enthaltenen Leiterplatte, die Betriebszustandsdaten und die Vorrichtungskonfigurationsdaten derart lernt, dass der Fehlerzeitpunkt den Betriebszustandsdaten und den Vorrichtungskonfigurationsdaten zugeordnet wird.
Fehlervorhersagevorrichtung nach Anspruch 1, wobei die Betriebszustandsdaten mindestens eines umfassen von einer akkumulierten Betriebszeit, einem akkumulierten Stromverbrauch, einer/einem Eingangsspannung/- strom, einer/einem Ausgangsspannung/-strom, einer Umgebungstemperatur, einer Umgebungsfeuchtigkeit, und einer Vibration, einem Gebrauchszustand einer Schneidflüssigkeit, und einer Drehzahl eines Kühlgebläses, die zu der Verwaltungszielvorrichtung gehören.
Fehlervorhersagevorrichtung nach Anspruch 1 oder 2, wobei die Kennsatzdaten eine Bauteilfehlerinformation umfassen, die einen Fehler in einem auf der Leiterplatte montierten Bauteil anzeigt, und die Lerneinheit den Fehlerzeitpunkt der in der Verwaltungszielvorrichtung enthaltenen Leiterplatte, ein Bauteil, in dem ein Fehler aufgetreten ist, die Betriebszustandsdaten und die Vorrichtungskonfigurationsdaten derart lernt, dass der Fehlerzeitpunkt und das Bauteil den Betriebszustandsdaten und den Vorrichtungskonfigurationsdaten zugeordnet werden.
Fehlervorhersagevorrichtung nach einem der Ansprüche 1 bis 3, wobei die Lerneinheit umfasst: eine Differenzberechnungseinheit, die eine Differenz zwischen einem Korrelationsmodell zum Vorhersagen, aus den Zustandsvariablen, eines Fehlerzeitpunkts einer in der Verwaltungszielvorrichtung enthaltenen Leiterplatte und einem Korrelationsmerkmal, das aus im Voraus erstellten Lehrerdaten erkennbar ist, berechnet, und eine Modellaktualisierungseinheit, die das Korrelationsmodell aktualisiert, um die Differenz zu reduzieren.
Fehlervorhersagevorrichtung nach einem der Ansprüche 1 bis 4, wobei: die Lerneinheit die Zustandsvariablen und die Kennsatzdaten durch eine mehrschichtige Struktur berechnet.
Fehlervorhersagevorrichtung nach einem der Ansprüche 1 bis 5, ferner umfassend: eine Vorhersageeinheit, die einen Vorhersagewert eines Fehlerzeitpunkts einer in der Verwaltungszielvorrichtung enthaltenen Leiterplatte gemäß einem Ergebnis des Lernens durch die Lerneinheit ausgibt.
Fehlervorhersagevorrichtung nach einem der Ansprüche 1 bis 6, wobei die maschinelle Lernvorrichtung in einem Cloud-Server vorhanden ist.
Fehlervorhersagevorrichtung zum Lernen eines Fehlerzeitpunkts einer in einer Verwaltungszielvorrichtung enthaltenen Leiterplatte in Bezug auf einen Betriebszustand der Verwaltungszielvorrichtung, wobei die maschinelle Lernvorrichtung umfasst: eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die einen aktuellen Umgebungszustand anzeigen, Betriebszustandsdaten, die einen Betriebszustand der Verwaltungszielvorrichtung anzeigen, und Vorrichtungskonfigurationsdaten, die eine Vorrichtungskonfiguration der Verwaltungszielvorrichtung anzeigen, beobachtet, eine Kennsatzdatenerfassungseinheit, die als Kennsatzdaten Wartungshistoriendaten erfasst, die eine Wartungshistorie der Verwaltungszielvorrichtung anzeigen, und eine Lerneinheit, die unter Verwendung der Zustandsvariablen und der Kennsatzdaten den Fehlerzeitpunkt der in der Verwaltungszielvorrichtung enthaltenen Leiterplatte, die Betriebszustandsdaten und die Vorrichtungskonfigurationsdaten derart lernt, dass der Fehlerzeitpunkt den Betriebszustandsdaten und den Vorrichtungskonfigurationsdaten zugeordnet wird.