DE102019003382A1

DE102019003382A1 - Anomaliedetektor

Info

Publication number: DE102019003382A1
Application number: DE102019003382.5A
Authority: DE
Inventors: Hirosato Yoshida; Nobuyuki OOTAKE
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2018-05-21
Filing date: 2019-05-14
Publication date: 2019-11-21
Also published as: JP2019204155A; CN110515351A; US11592800B2; US20190354080A1; JP6810097B2; CN110515351B

Abstract

Ein Anomaliedetektor umfasst eine Signalausgabeeinheit zum Erkennen eines Anzeichens einer Anomalie basierend auf einer von einer Fertigungsmaschine erfassten physikalischen Größe und zum Ausgeben eines Signals, und eine Maschinenierneinrichtung, die eine Zustandsbeobachtungseinheit zum Beobachten von Daten physikalischer Größen, die die auf einen Betrieb der Fertigungsmaschine bezogene physikalische Größe von der Fertigungsmaschine angeben, als Zustandsvariable, die einen aktuellen Zustand der Umgebung repräsentiert, eine Labeldatenerfassungseinheit zum Erfassen von einen Betriebszustand der Fertigungsmaschine angebenden Betriebszustandsdaten als Labeldaten, eine Lerneinheit zum Lernen des Betriebszustands der Fertigungsmaschine in Bezug auf die physikalische Größe unter Verwendung der Zustandsvariable und der Labeldaten, und eine Schätzergebnisausgabeeinheit zum Schätzen des Betriebszustands der Fertigungsmaschine unter Verwendung eines Lernergebnisses der Lerneinheit und zum Ausgeben eines Schätzergebnisses umfasst.

Description

HINTERGRUND DER ERFINDUNG
Gebiet der Erfindung
Die vorliegende Offenbarung betrifft einen Anomaliedetektor zum Erkennen eines Anzeichens einer Anomalie einer Fertigungsmaschine.
Beschreibung des zugehörigen Standes der Technik
Es ist ein Detektor bekannt, der ein eine Anomalie angebendes Signal (Alarmsignal) erzeugt, um einen Betrieb einer Vorrichtung zu stoppen, bevor eine Fertigungsmaschine, wie etwa ein Roboter oder eine Werkzeugmaschine, Schaden nimmt. Vor dem Erzeugen eines die Anomalie angebenden Signals (Alarmsignals) erkennt ein solcher Detektor basierend auf einer physikalischen Größe, die durch die Fertigungsmaschine oder in der Nähe der Fertigungsmaschine erfasst wird, oder einer Änderung der physikalischen Größe ein Anzeichen einer Anomalie. Beim Erkennen eines Anzeichens der Anomalie erzeugt der Detektor eine Warnung. Bedingungen zum Erzeugen einer Warnung umfassen beispielsweise, dass ein Schwankungsbetrag der erfassten physikalischen Größe eine vorgegebene Größe übersteigt, das Vorzeichen der erkannten physikalischen Größe umgekehrt ist und eine Abweichung der erfassten physikalischen Größe von einem vorgegebenen Wert vorhanden ist. Gemäß dem zugehörigen Stand der Technik werden die Bedingungen zum Erzeugen einer solchen Warnung bei der Herstellung einer Fertigungsmaschine einheitlich festgelegt (siehe z.B. JP 2005-233720 A und JP 2008-076414 A ).
Es ist ebenfalls bekannt, maschinelles Lernen zu verwenden, wenn die Bedingung zum Erkennen einer spezifischen Anomalie nicht leicht festzulegen ist (siehe z.B. JP 07-028502 A ). Beim maschinellen Lernen werden unter Verwendung der physikalischen Größe oder eines Änderungsbetrags der physikalischen Größe, die/der bei einer Anomalie erfasst wird, als Lehrerdaten, Kopplungsgewichtkoeffizienten zwischen Schichten des neuronalen Netzes gelernt.
Im Allgemeinen wird die Fertigungsmaschine durch eine Nutzungsumgebung, wie etwa einen Bereich, in dem die Fertigungsmaschinen aufgestellt sind, eine Stromversorgungsbedingung, eine Fabrik und die Jahreszeit beeinflusst. Außerdem gibt es verschiedene Arten von Fertigungsmaschinen und auch die Maschinenachsen, mit denen die Fertigungsmaschinen ausgestattet sind, unterscheiden sich voneinander. Des Weiteren ist die Anzahl der Nutzungsjahre ebenfalls bei jeder Fertigungsmaschine anders. Aufgrund der Unterschiede einer solchen Nutzungsumgebung und dergleichen unterscheiden sich die physikalischen Größen, die durch jede Fertigungsmaschine oder in der Nähe jeder Fertigungsmaschine erfasst werden, und die Änderungsbeträge der physikalischen Größen voneinander. Ferner sind auch Bestimmungswerte, die als Ergebnis einer statistischen Verarbeitung der physikalischen Größen erhalten werden, bei jeweiligen Fertigungsmaschinen unterschiedlich. Das heißt, die bei einer Anomalie erkannten Anzeichen unterscheiden sich ebenfalls zwischen den Fertigungsmaschinen. Daher ist es, wie beim zugehörigen Stand der Technik, wenn die Bedingungen zum Erzeugen einer Warnung bei der Herstellung einheitlich vorgegeben werden, nicht immer möglich, eine Anomalie genau vorherzusagen.
Außerdem lernt eine Steuereinrichtung, wenn die Steuereinrichtung unter Verwendung der bei einer Anomalie erfassten physikalischen Größe oder eines Änderungsbetrags der physikalischen Größe als Lehrerdaten Kopplungsgewichtkoeffizienten lernt, eine kontinuierlich erfasste physikalische Größe, einen Änderungsbetrag der physikalischen Größe oder einen Bestimmungswert, der als Ergebnis der statistischen Verarbeitung der physikalischen Größe erhalten wird, fälschlicherweise als Anzeichen einer Anomalie. In diesem Fall besteht das Problem, dass die Steuereinrichtung einem Kopplungsgewichtkoeffizienten fälschlicherweise eine Gewichtung zuweist und die fehlerhafte Erkennung der Anomalie basierend auf einem falschen Lernmodell durchgeführt wird.
In diesem Zusammenhang besteht ein Ziel der vorliegenden Offenbarung darin, einen Anomaliedetektor bereitzustellen, der dazu fähig ist, ein Anzeichen einer Anomalie einer Fertigungsmaschine zu erkennen, das sich abhängig von der Betriebsumgebung der Fertigungsmaschine ändert.
ZUSAMMENFASSUNG DER ERFINDUNG
Der Anomaliedetektor gemäß einer Ausführungsform der vorliegenden Offenbarung lernt ein Anzeichen einer Anomalie, nach dem Versand des Anomaliedetektors. Daher wird für jeden Anomaliedetektor abhängig von der Nutzungsumgebung eine als Anzeichen einer Anomalie bestimmte Bedingung vorgegeben. Deshalb ist der Anomaliedetektor der vorliegenden Offenbarung dazu fähig, eine Anomalie abhängig von der Nutzungsumgebung genau vorherzusagen. Ein Anomaliedetektor gemäß einer Ausführungsform der vorliegenden Offenbarung führt unter Verwendung sowohl einer physikalischen Größe, die bei einer Anomalie durch die Fertigungsmaschine oder in der Nähe der Fertigungsmaschine erfasst wird, als auch, zu einem späteren Zeitpunkt, einer physikalischen Größe, die durch die Fertigungsmaschine oder in der Nähe der Fertigungsmaschine erfasst wird, wenn diese einen normalen Zustand erreicht, als Lehrerdaten ein Lernen mit zuzuweisenden positiven und negativen Belohnungen durch. Daher wird eine Wellenform, die durch die Fertigungsmaschine oder in der Nähe der Fertigungsmaschine erfasst wird, in eine von drei Wellenformen eingeteilt, die eine Wellenform einer physikalischen Größe, die ein Anzeichen einer Anomalie darstellt, eine Wellenform einer physikalischen Größe, die Stabilität angibt, und eine Wellenform einer physikalischen Größe umfasst, die nicht mit einer Anomalie in Beziehung steht. Somit ist der Anomaliedetektor dazu fähig, das Anzeichen der Anomalie genau zu erkennen.
Gemäß einer Ausführungsform der vorliegenden Offenbarung wird ein Anomaliedetektor zum Ausgeben eines Signals bereitgestellt, das angibt, dass in einer Fertigungsmaschine ein Anzeichen einer Anomalie erkannt wurde, der umfasst: eine Signalausgabeeinheit zum Ausgeben eines Signals, wenn durch Erkennen eines Anzeichens einer Anomalie der Fertigungsmaschine basierend auf einer physikalischen Größe, die von der Fertigungsmaschine, einem in der Fertigungsmaschine installierten Sensor oder einem in der Nähe der Fertigungsmaschine installierten Sensor erfasst wird, in einer Fertigungsmaschine ein Anzeichen einer Anomalie erkannt wird, und eine Maschinenierneinrichtung zum Lernen eines Betriebszustands der Fertigungsmaschine, wobei die Maschinenlerneinrichtung umfasst: eine Zustandsbeobachtungseinheit zum Beobachten von Daten physikalischer Größen, die eine auf einen Betrieb der Fertigungsmaschine bezogene physikalische Größe von der Fertigungsmaschine, einem in der Fertigungsmaschine installierten Sensor oder einem in der Nähe der Fertigungsmaschine installierten Sensor angeben, als Zustandsvariable, die einen aktuellen Zustand einer Umgebung repräsentiert, eine Labeldatenerfassungseinheit zum Erfassen von einen Betriebszustand der Fertigungsmaschine angebenden Betriebszustandsdaten als Labeldaten, eine Lerneinheit zum Lernen des Betriebszustands der Fertigungsmaschine in Bezug auf die auf den Betrieb der Fertigungsmaschine bezogene physikalische Größe unter Verwendung der Zustandsvariable und der Labeldaten, und eine Schätzergebnisausgabeeinheit zum Schätzen des Betriebszustands der Fertigungsmaschine unter Verwendung eines Lernergebnisses der Lerneinheit basierend auf der auf den Betrieb der Fertigungsmaschine bezogenen physikalischen Größe, die durch die Zustandsbeobachtungseinheit beobachtet wird, und zum Ausgeben eines Schätzergebnisses, und wobei die Signalausgabeeinheit, wenn in einer Fertigungsmaschine ein Anzeichen einer Anomalie erkannt wird, gemäß einem durch die Schätzergebnisausgabeeinheit ausgegebenen Schätzergebnis des Betriebszustands der Fertigungsmaschine die Ausgabe des Signals aussetzt.
Gemäß der vorliegenden Offenbarung ist es möglich, ein Anzeichen einer Anomalie einer Fertigungsmaschine zu erkennen, das sich abhängig von der Betriebsumgebung der Fertigungsmaschine ändert.
Figurenliste
Die vorstehenden und andere Ziele und Merkmale der vorliegenden Offenbarung gehen aus der nachstehenden Beschreibung der Ausführungsformen unter Bezugnahme auf die beiliegenden Zeichnungen hervor. In den Figuren zeigt:

1 eine schematische Hardwarekonfigurationsdarstellung eines Anomaliedetektors gemäß einer ersten Ausführungsform;
2 ein schematisches Funktionsblockdiagramm des Anomaliedetektors gemäß der ersten Ausführungsform;
3 ein schematisches Funktionsblockdiagramm, das eine Ausführungsform eines Anomaliedetektors zeigt; und
4 ein schematisches Funktionsblockdiagramm eines Anomaliedetektors gemäß einer weiteren Ausführungsform.

GENAUE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
Nachstehend sind Ausführungsformen der vorliegenden Offenbarung unter Bezugnahme auf die Zeichnungen beschrieben.
1 ist eine schematische Hardwarekonfigurationsdarstellung, die einen Hauptteil eines Anomaliedetektors gemäß der ersten Ausführungsform zeigt. Ein Anomaliedetektor 1 wird beispielsweise an einer Steuereinrichtung angebracht, die eine Fertigungsmaschine, wie etwa einen Roboter oder eine Werkzeugmaschine, steuert. Außerdem kann der Anomaliedetektor 1 beispielsweise an einem Arbeitsplatzrechner, der auf Seiten einer Steuereinrichtung bereitgestellt ist, die eine Fertigungsmaschine steuert, oder einem Computer, wie etwa einem Zellenrechner, einem Host-Rechner, einem Edge-Server (Randserver), einem Cloud-Server und dergleichen, angebracht werden, der über ein drahtgebundenes/drahtloses Netzwerk mit der Steuereinrichtung verbunden ist. Bei der vorliegenden Ausführungsform ist ein Beispiel eines Falls dargestellt, in dem der Anomaliedetektor 1 an einer Steuereinrichtung angebracht ist, die die Fertigungsmaschine 2 steuert.
Eine in dem Anomaliedetektor 1 gemäß der vorliegenden Ausführungsform enthaltene Zentraleinheit (CPU) 11 ist ein Prozessor, der den Anomaliedetektor 1 insgesamt steuert. Die CPU 11 liest über einen Bus 20 ein in einem Festwertspeicher (ROM) 12 gespeichertes Systemprogramm aus und steuert den gesamten Anomaliedetektor 1 gemäß dem Systemprogramm. Temporäre Berechnungsdaten und Anzeigedaten sowie verschiedene durch einen Bediener über eine Eingabeeinrichtung (nicht gezeigt) eingegebene Daten werden in einem RAM 13 zwischengespeichert.
Ein nichtflüchtiger Speicher 14 wird beispielsweise durch eine Batterie (nicht gezeigt) gestützt. Daher hält der nichtflüchtige Speicher 14 einen Speicherzustand sogar dann aufrecht, wenn der Anomaliedetektor 1 ausgeschaltet ist. Der nichtflüchtige Speicher 14 speichert ein von außen eingelesenes Programm, ein über eine Anzeige-/MDI-(Manual Data Input/manuelle Dateneingabe-) Einheit 70 eingegebenes Programm und verschiedene Daten (z.B. eine Spannung bzw. einen Strom eines Motors, die/der von der Fertigungsmaschine 2 erfasst wird, eine Verschiebung einer Position einer in der Fertigungsmaschine 2 enthaltenen Achse, eine Geschwindigkeit, eine Beschleunigung, eine Temperatur, eine Feuchtigkeit, ein elektromagnetisches Feld, Geräusche, eine Lichtmenge und dergleichen, die durch die Fertigungsmaschine 2 oder einen in der Nähe der Fertigungsmaschine 2 installierten Sensor 3 erfasst werden), die von jeder Einheit des Anomaliedetektors 1 oder der Fertigungsmaschine 2 erfasst werden. Das Programm und die verschiedenen Daten, die im nichtflüchtigen Speicher 14 gespeichert werden, können bei ihrer Ausführung oder Verwendung in das RAM 13 geladen werden. Außerdem werden verschiedene Systemprogramme, wie etwa ein bekanntes Analyseprogramm (das ein Systemprogramm zum Steuern des zwischen der nachstehend beschriebenen Maschinenlerneinrichtung 100 und jeder Einheit durchgeführten Sendens und Empfangens von Informationen umfasst), vorab in das ROM 12 geschrieben.
Die Anzeige-/MDI-Einheit 70 ist eine manuelle Dateneingabeeinrichtung, die eine Anzeigeeinrichtung, eine Tastatur und dergleichen umfasst. Eine Schnittstelle 17 empfängt Befehle, Daten und dergleichen von der Tastatur der Anzeige-/MDI-Einheit 70 und sendet die Befehle, Daten und dergleichen an die CPU 11. Eine Schnittstelle 18 ist mit einem Bedienpanel 71 verbunden, das einen manuellen Impulsgeber und dergleichen umfasst, der beim manuellen Antreiben jeder Achse verwendet wird.
Eine Schnittstelle 21 ist eine Schnittstelle zum Verbinden jeder Einheit des Anomaliedetektors 1 mit der Maschinenierneinrichtung 100. Die Maschinenlerneinrichtung 100 umfasst einen Prozessor 101, der die gesamte Maschinenlerneinrichtung 100 steuert, und ein ROM 102, das Systemprogramme und dergleichen speichert. Die Maschinenlerneinrichtung 100 umfasst außerdem ein RAM 103 zum Speichern von Daten und dergleichen, die bei jeder auf maschinelles Lernen bezogenen Verarbeitung temporär verwendet werden, und einen nichtflüchtigen Speicher 14, der zum Speichern eines Lernmodells und dergleichen verwendet wird. Die Maschinenlerneinrichtung 100 ist dazu in der Lage, jede Information zu überwachen (z.B. die Spannung bzw. den Strom des Motors, die/der über die Schnittstelle 19 von der Fertigungsmaschine 2 erfasst wird, eine Verschiebung einer Position einer in der Fertigungsmaschine 2 enthaltenen Achse, eine Geschwindigkeit, eine Beschleunigung, eine Temperatur, eine Feuchtigkeit, ein elektromagnetisches Feld, Geräusche, eine Lichtmenge und dergleichen, die von der Fertigungsmaschine 2 oder über die Schnittstelle 16 von einem in der Nähe der Fertigungsmaschine 2 installierten Sensor 3 erfasst werden), die durch jede Einheit des Anomaliedetektors 1 über die Schnittstelle 21 erfassbar ist. Außerdem führt der Anomaliedetektor 1 unter Verwendung eines in der Maschinenlerneinrichtung 100 hergeleiteten Schätzergebnisses eines Betriebszustands der Fertigungsmaschine 2 eine Steuerung zum Erkennen eines Anzeichens einer Anomalie durch.
2 ist ein schematisches Funktionsblockdiagramm des die Maschinenlerneinrichtung 100 enthaltenden Anomaliedetektors 1 gemäß der ersten Ausführungsform. Die in dem in 1 gezeigten Anomaliedetektor 1 enthaltene CPU 11 und der Prozessor 101 der Maschinenlerneinrichtung 100 führen jedes Systemprogramm aus, um den Betrieb jeder Einheit des Anomaliedetektors 1 und der Maschinenlerneinrichtung 100 zu steuern, wodurch jede Funktion der in 2 gezeigten Funktionsblöcke ausgeführt wird.
Der Anomaliedetektor 1 gemäß der vorliegenden Ausführungsform bestimmt, ob in der Fertigungsmaschine 2 ein Anzeichen einer Anomalie aufgetreten ist, und umfasst eine Signalausgabeeinheit 34 zum Ausgeben eines Signals, das die Erkennung eines Anzeichens einer Anomalie angibt, wenn bestimmt wird, dass in der Fertigungsmaschine 2 das Anzeichen einer Anomalie aufgetreten ist. Die Signalausgabeeinheit 34 bestimmt, dass in der Fertigungsmaschine 2 ein Anzeichen einer Anomalie aufgetreten ist, wenn eine von der Fertigungsmaschine 2 erfasste physikalische Größe, eine Änderung der physikalischen Größe oder ein als Ergebnis einer statistischen Verarbeitung der physikalischen Größe erhaltener Bestimmungswert einen vorgegebenen Schwellenwert übersteigt. Die von der Fertigungsmaschine 2 erhaltene physikalische Größe umfasst beispielsweise die Spannung bzw. den Strom des Motors, die Verschiebung der Position der in der Fertigungsmaschine 2 enthaltenen Achse, die Geschwindigkeit und die Beschleunigung. Die Signalausgabeeinheit 34 bestimmt ferner, dass in der Fertigungsmaschine 2 ein Anzeichen einer Anomalie aufgetreten ist, wenn eine physikalische Größe, die durch die Fertigungsmaschine 2 oder den in der Nähe der Fertigungsmaschine 2 installierten Sensor 3 erfasst wird, eine Änderung der physikalischen Größe oder ein als Ergebnis einer statistischen Verarbeitung der physikalischen Größe erhaltener Bestimmungswert einen vorgegebenen Schwellenwert übersteigt. Die physikalische Größe, die durch die Fertigungsmaschine oder den in der Nähe der Fertigungsmaschine 2 installierten Sensor 3 erfasst wird, umfasst beispielsweise die Temperatur, die Feuchtigkeit, das elektromagnetische Feld, Geräusche, die Lichtmenge und dergleichen der Fertigungsmaschine 2 oder in der Nähe der Fertigungsmaschine. Die Signalausgabeeinheit 34 kann bestimmen, dass bei einer von der Fertigungsmaschine 2 oder dem Sensor 3 erfassten physikalischen Größe ein Anzeichen einer Anomalie aufgetreten ist. Außerdem kann die Signalausgabeeinheit 34 basierend auf einer Mehrzahl physikalischer Größen bestimmen, dass das Anzeichen einer Anomalie in komplexer Weise aufgetreten ist. Das Signal, das eine Erkennung eines Anzeichens einer Anomalie angibt und durch die Signalausgabeeinheit 34 ausgegeben wird, wird beispielsweise für eine Warnanzeige auf der Anzeige-/MDI-Einheit 70, ein Alarmsignal für die Fertigungsmaschine 2 und Peripheriegeräte der Fertigungsmaschine 2 sowie ein Alarmsignal für einen Zellenrechner, einen Host-Rechner und dergleichen verwendet, der über ein Netzwerk (nicht gezeigt) angeschlossen ist.
Wie vorstehend beschrieben, gibt die Signalausgabeeinheit 34 ein Signal aus, das eine Erkennung eines Anzeichens einer Anomalie angibt, wenn eine im Wesentlichen von der Fertigungsmaschine 2 oder dem Sensor 3 erfasste physikalische Größe, eine Änderung der physikalischen Größe oder ein als Ergebnis einer statistischen Verarbeitung der physikalischen Größe erhaltener Bestimmungswert einen vorgegebenen Schwellenwert übersteigt. In einem Fall jedoch, in dem, obgleich die physikalische Größe, die Änderung der physikalischen Größe oder der als Ergebnis einer statistischen Verarbeitung der physikalischen Größe erhaltene Bestimmungswert den vorgegebenen Schwellenwert übersteigt, das Schätzergebnis, dass sich die Fertigungsmaschine 2 innerhalb eines vorgegebenen Arbeitsbereichs befindet, von der Maschinenlerneinheit 100 ausgegeben wird, setzt die Signalausgabeeinheit 34 das Signal aus, das die Erkennung des Anzeichens einer Anomalie angibt. Im Übrigen kann die Maschinenlerneinrichtung 100 in einem Fall, in dem die Maschinenlerneinrichtung 100 eine Wahrscheinlichkeit, dass die Fertigungsmaschine 2 innerhalb des vorgegebenen Arbeitsbereichs arbeitet, als Schätzergebnis ausgibt, ein Signal aussetzen, das eine Erkennung eines Anzeichens einer Anomalie gemäß der Wahrscheinlichkeit angibt (z.B. wenn die ausgegebene Wahrscheinlichkeit einen vorgegebenen Schwellenwert übersteigt oder wenn gemäß einem Betrag einer Abweichung von einem vorgegebenen Schwellenwert einer physikalischen Größe, die ein Anzeichen einer Anomalie angibt, einer Änderung der physikalischen Größe oder einem als Ergebnis einer statistischen Verarbeitung der physikalischen Größe erhaltenen Bestimmungswert und einer Wahrscheinlichkeit, dass die Fertigungsmaschine 2 innerhalb des vorgegebenen Arbeitsbereichs arbeitet und dergleichen, eine Bestimmung durchgeführt wird).
Die im Anomaliedetektor 1 enthaltene Maschinenlerneinrichtung 100 umfasst Software (wie etwa einen Lernalgorithmus) und Hardware (wie etwa den Prozessor 101) zum Durchführen des Lernens, um durch das maschinelle Lernen zu schätzen, in welcher Art von Betriebszustand sich die Fertigungsmaschine 2 in Bezug auf die physikalische Größe befindet, die durch die Fertigungsmaschine oder in der Nähe der Fertigungsmaschine erfasst wird. Die im Anomaliedetektor 1 enthaltene Maschinenlerneinrichtung 100 erzeugt eine Modellstruktur, die eine Korrelation zwischen der physikalischen Größe, die durch die Fertigungsmaschine 2 oder in der Nähe der Fertigungsmaschine 2 erfasst wird, und dem Betriebszustand der Fertigungsmaschine 2 bei einer Erfassung der physikalischen Größe repräsentiert.
Wie durch die Funktionsblöcke in 2 dargestellt, umfasst die im Anomaliedetektor 1 enthaltene Maschinenlerneinrichtung 100 eine Zustandsbeobachtungseinheit 106, eine Labeldatenerfassungseinheit 108 und eine Lerneinheit 110. Die Zustandsbeobachtungseinheit 106 beobachtet Daten physikalischer Größen S1, die die physikalische Größe angeben, die von der Fertigungsmaschine 2 oder dem in der Nähe der Fertigungsmaschine 2 angeordneten Sensor 3 erfasst wird, als Zustandsvariable S, die einen aktuellen Zustand einer Umgebung angibt. Die Labeldatenerfassungseinheit 108 erfasst Labeldaten L, die Betriebszustandsdaten L1 umfassen, die den Betriebszustand der Fertigungsmaschine 2 angeben. Durch Verwendung der Zustandsvariable S und der Labeldaten L lernt die Lerneinheit 110 eine Korrelation zwischen der physikalischen Größe, die durch die Fertigungsmaschine 2 oder in der Nähe der Fertigungsmaschine 2 erfasst wird, und dem Betriebszustand der Fertigungsmaschine 2 beim Erfassen der physikalischen Größe.
Unter den durch die Zustandsbeobachtungseinheit 106 beobachteten Zustandsvariablen S sind die Daten physikalischer Größen S1 Zeitreihendaten physikalischer Größen, die von der Fertigungsmaschine 2 oder dem Sensor 3 erfasst werden. Die Zeitreihendaten physikalischer Größen, die von der Fertigungsmaschine 2 oder dem Sensor 3 erfasst werden, sind Daten, bei denen von der Fertigungsmaschine 2 oder dem Sensor 3 erfasste physikalische Größen für jeden vorgegebenen Zyklus in Folge angeordnet sind. Beispielsweise kann die Zustandsbeobachtungseinheit 106 physikalische Größen für einen vorgegebenen Zyklus als Zeitreihendaten aus einem Speicher erfassen, wie etwa einem nichtflüchtigen Speicher 14, der von der Fertigungsmaschine 2 oder dem Sensor 3 erhaltene physikalische Größen zwischenspeichert. Die als Daten physikalischer Größen S1 erfasste physikalische Größe umfasst beispielsweise die Spannung bzw. den Strom des Motors, die/der von der Fertigungsmaschine 2 erfasst wird, die Verschiebung der Position, eine Geschwindigkeit, eine Beschleunigung der in der Fertigungsmaschine 2 enthaltenen Achse, eine Temperatur, eine Feuchtigkeit, ein elektromagnetisches Feld, Geräusche, eine Lichtmenge und dergleichen, die durch die Fertigungsmaschine 2 oder einen in der Nähe der Fertigungsmaschine 2 installierten Sensor 3 erfasst werden. Die Lerneinheit 110 kann Zeitreihendaten einer dieser physikalischen Größen als auf das Lernen und Schätzen gerichtete Zustandsvariable verwenden. Außerdem kann die Lerneinheit 110 einen Satz Zeitreihendaten einer Mehrzahl physikalischer Größen dieser physikalischen Größen als auf das Lernen und Schätzen gerichtete Zustandsvariable verwenden.
Beim Lernen erfasst die Labeldatenerfassungseinheit 108 beispielsweise auf die Betriebssituation der Fertigungsmaschine 2 bezogene Informationen, die durch einen Bediener über die Anzeige-/MDI-Einheit 70 eingegeben werden, als Betriebszustandsdaten L1. Wenn die Signalausgabeeinheit 34 ein Signal ausgibt, das die Erkennung eines Anzeichens einer Anomalie der Fertigungsmaschine 2 angibt, sind die auf die Betriebssituation der Fertigungsmaschine 2 bezogenen Informationen beispielsweise Informationen (Informationen, die angeben, ob in der Fertigungsmaschine 2 eine Anomalie vorliegt), die eingegeben werden, nachdem der Betrieb der Fertigungsmaschine 2 automatisch oder durch eine Bedienung durch den Bediener unterbrochen wurde, wobei ein Zustand der Fertigungsmaschine 2 durch den Bediener oder das Wartungspersonal bestätigt wird. Ferner sind die auf die Betriebssituation der Fertigungsmaschine 2 bezogenen Informationen beispielsweise Informationen (Informationen, die angeben, dass in der Fertigungsmaschine 2 eine Anomalie vorliegt), die eingegeben werden, nachdem in der Fertigungsmaschine 2 eine Anomalie aufgetreten ist und der Betrieb der Fertigungsmaschine 2 unterbrochen wurde, wobei der Zustand der Fertigungsmaschine 2 durch den Bediener oder das Wartungspersonal bestätigt wird. Im Übrigen wird die Labeldatenerfassungseinheit 108 beim Lernen durch die Lerneinheit 110 verwendet und muss keine integrale Komponente der Maschinenlerneinrichtung 100 sein, nachdem das Lernen durch die Lerneinheit 110 abgeschlossen ist.
Die Lerneinheit 110 lernt gemäß einem optionalen Lernalgorithmus, der kollektiv als maschinelles Lernen bezeichnet wird, Labeldaten L (Betriebszustandsdaten L1, die den Betriebszustand der Fertigungsmaschine 2 angeben) für die Zustandsvariable S (Daten physikalischer Größen S1, die eine von der Fertigungsmaschine 2 oder dem Sensor 3 erfasste physikalische Größe angeben). Das heißt, die Lerneinheit 110 lernt die Korrelation zwischen der Zustandsvariable S und den Labeldaten L. Die Lerneinheit 110 lernt beispielsweise die Korrelation zwischen den Daten physikalischer Größen S1, die in der Zustandsvariable S enthalten sind, und den Betriebszustandsdaten L1, die in den Labeldaten L enthalten sind. Die Lerneinheit 110 führt das Lernen basierend auf einem Datensatz, der die Zustandsvariable S und die Labeldaten L enthält, iterativ aus.
Wenn die Labeldatenerfassungseinheit 108 die Betriebszustandsdaten L1 als Labeldaten L erfasst, führt die Lerneinheit 110 unter Verwendung der Daten physikalischer Größen S1, die unmittelbar vor dieser Erfassung als Zustandsvariable S beobachtet wurden, das maschinelle Lernen durch. Die Labeldatenerfassungseinheit 108 erfasst die Betriebszustandsdaten L1, wenn beispielsweise der Bediener oder das Wartungspersonal den Betriebszustand der Fertigungsmaschine 2 eingibt. Die Lerneinheit 110 führt das maschinelle Lernen wenigstens in den folgenden zwei Fällen durch. (1) Die Lerneinheit 110 führt das maschinelle Lernen in einem Fall durch, in dem die Signalausgabeeinheit 34 ein Anzeichen einer Anomalie der Fertigungsmaschine 2 erkennt und auch tatsächlich eine Anomalie in der Fertigungsmaschine 2 vorliegt. (2) Die Lerneinheit 110 führt das maschinelle Lernen in einem Fall durch, in dem die Signalausgabeeinheit 34 ein Anzeichen einer Anomalie der Fertigungsmaschine 2 erkennt, jedoch keine Anomalie in der Fertigungsmaschine 2 vorliegt. Die Lerneinheit 110 extrahiert einen charakteristischen Teil aus den Zeitreihendaten der physikalischen Größe, die unmittelbar vor dem Erfassen der Betriebszustandsdaten L1 als Zustandsvariable S beobachtet wurde, und legt den charakteristischen Teil als Daten physikalischer Größen S1 fest. Die Lerneinheit 110 führt das maschinelle Lernen unter Verwendung der Daten physikalischer Größen S1 und der Betriebszustandsdaten L1 durch. Der charakteristische Teil umfasst beispielsweise einen Schwankungsbetrag oder eine Amplitude einer Wellenform, die die physikalische Größe angibt, eine Schwankungsdauer, die Anzahl der Schwankungen, eine Frequenz und/oder einen Betrag einer Abweichung von einem vorgegebenen Wert zum Ausgeben eines die Anomalie angebenden Signals. Der charakteristische Teil ist beispielsweise (a) ein Teil, bei dem der Schwankungsbetrag eine vorgegebene Größe übersteigt, (b) ein Teil, bei dem der Betrag einer Abweichung von einem vorgegebenen Wert zum Ausgeben eines die Anomalie angebenden Signals eine vorgegebene Kennzahl erreicht hat, (c) ein Teil, bei dem der Betrag einer Abweichung von einem vorgegebenen Wert zum Ausgeben eines die Anomalie angebenden Signals eine vorgegebene Kennzahl erreicht hat und eine vorgegebene Zeitspanne abgelaufen ist, (d) ein Teil, der angibt, dass eine Amplitude, die größer als eine vorgegebene Amplitude ist, in einer vorgegebenen Zeitspanne öfter als eine vorgegebene Anzahl von Malen aufgetreten ist, (e) ein Teil, der angibt, dass eine Frequenz, die höher als eine vorgegebene Frequenz ist, für eine vorgegebene Zeitspanne aufgetreten ist, (f) ein Teil, der angibt, dass eine Steigung der Wellenform innerhalb einer vorgegebenen Zeitspanne oder eine Änderung der Steigung größer als ein vorgegebener numerischer Wert ist, oder (g) ein Teil, bei dem diese in komplexer Weise aufgetreten sind.
(3) Die Lerneinheit 110 kann das maschinelle Lernen auch in einem Fall durchführen, in dem die Signalausgabeeinheit 34 kein Anzeichen einer Anomalie der Fertigungsmaschine 2 erkennt, aber dennoch eine Anomalie in der Fertigungsmaschine 2 vorliegt. Die Lerneinheit kann das maschinelle Lernen außerdem in einem Fall (4) durchführen, in dem die Signalausgabeeinheit 34 kein Anzeichen einer Anomalie der Fertigungsmaschine 2 erkennt und auch keine Anomalie in der Fertigungsmaschine 2 vorliegt. Auch in diesen Fällen führt die Lerneinheit 110 das maschinelle Lernen unter Verwendung der Daten physikalischer Größen S1, die unmittelbar vor dem Durchführen des maschinellen Lernens als Zustandsvariable S beobachtet wurden, und der Betriebszustandsdaten L1 durch. Im Fall (4) kann, beispielsweise wenn in der Historie von der Fertigungsmaschine 2 oder dem Sensor 3 erfasster physikalischer Größen, die im nichtflüchtigen Speicher 14 gespeichert ist, keine Anomalie der Fertigungsmaschine 2 bestätigt wird und eine Wellenform vorhanden ist, die der Wellenform der Zeitreihendaten physikalischer Größen ähnelt, die unmittelbar vor der Bestätigung, dass in der Fertigungsmaschine 2 eine Anomalie vorliegt, erfasst wurden, eine Wellenform dieses Teils als Daten physikalischer Größen S1 überwacht und zum maschinellen Lernen verwendet werden. Das Lernen im Fall (4) kann dazu verwendet werden, die Lerneinheit 110 zu veranlassen, zu lernen, dass die die Zeitreihendaten physikalischer Größen angebende Wellenform nicht unbedingt ein Anzeichen einer Anomalie angibt. Durch Wiederholen eines solchen Lernens ist die Lerneinheit 110 dazu in der Lage, ein Modell zum Schätzen der Richtigkeit/Unrichtigkeit des durch die Signalausgabeeinheit 34 ausgegebenen Erkennungsergebnisses des Anzeichens einer Anomalie der Fertigungsmaschine 2 zu erzeugen.
Durch Wiederholen eines solchen Lernzyklus interpretiert die Lerneinheit 110 automatisch die Korrelation zwischen der von der Fertigungsmaschine 2 oder dem Sensor 3 erfassten physikalischen Größe (Daten physikalischer Größen S1) und dem Betriebszustand (Betriebszustandsdaten L1) der Fertigungsmaschine 2. Beim Start des Lernalgorithmus ist die Korrelation zwischen den Daten physikalischer Größen S1 und den Betriebszustandsdaten L1 im Wesentlichen unbekannt. Die Lerneinheit 110 interpretiert die Korrelation zwischen den Daten physikalischer Größen S1 und den Betriebszustandsdaten L1 allmählich im Laufe des Lernens. Das Lernmodell, das als Ergebnis der Interpretation der Korrelation zwischen den Daten physikalischer Größen S1 und den Betriebszustandsdaten L1 erhalten wird, wird dazu verwendet, die Betriebszustandsdaten L1 für die Daten physikalischer Größen S1 zu schätzen.
Die Schätzergebnisausgabeeinheit 122 schätzt den Betriebszustand der Fertigungsmaschine 2 basierend auf der von der Fertigungsmaschine 2 oder dem Sensor 3 erfassten physikalischen Größe unter Verwendung des durch die Lerneinheit 110 gelernten Ergebnisses (Lernmodell) und gibt einen geschätzten Betriebszustand der Fertigungsmaschine 2 aus. Die Schätzergebnisausgabeeinheit 122 gibt einen durch die Maschinenlerneinrichtung 100 geschätzten Betriebszustand der Fertigungsmaschine 2 aus, wenn wenigstens die Signalausgabeeinheit 34 ein Anzeichen einer Anomalie der Fertigungsmaschine 2 erkennt. Das heißt, die Schätzergebnisausgabeeinheit 112 gibt ein Schätzergebnis der Richtigkeit/Unrichtigkeit des Erkennungsergebnisses des Anzeichens einer Anomalie der Fertigungsmaschine 2 der Signalausgabeeinheit 34 aus. Die Schätzergebnisausgabeeinheit 122 kann unter Verwendung eines Lernergebnisses der Lerneinheit 110 beispielsweise eine Wahrscheinlichkeit ausgeben, dass die Fertigungsmaschine 2 normal arbeitet.
Bei der Maschinenierneinrichtung 100 mit einer solchen Konfiguration ist der durch die Lerneinheit 110 ausgeführte Lernalgorithmus nicht speziell eingeschränkt und es ist möglich, einen bekannten Lernalgorithmus als maschinelles Lernen zu verwenden. 3 ist eine weitere Ausführungsform des in 2 gezeigten Anomaliedetektors 1. Der Anomaliedetektor 1 umfasst eine Lerneinheit 110 zum Durchführen eines überwachten Lernens als Lernalgorithmus. Beim überwachten Lernen wird ein bekannter Datensatz (als Lehrerdaten bezeichnet) einer Eingabe und deren entsprechender Ausgabe bereitgestellt. Die Lerneinheit 110 ermittelt anhand der Lehrerdaten ein Merkmal, das die Korrelation zwischen Eingabe und Ausgabe impliziert. Somit erzeugt die Lerneinheit 110 durch das überwachte Lernen ein Korrelationsmodell zum Schätzen einer Ausgabe für eine neue Eingabe.
Bei der Maschinenierneinrichtung 100, die in dem in 3 gezeigten Anomaliedetektor 1 enthalten ist, umfasst die Lerneinheit 110 eine Fehlerberechnungseinheit 112 und eine Modellaktualisierungseinheit 114. Die Fehlerberechnungseinheit 112 berechnet einen Fehler E zwischen dem Korrelationsmodell M zum Schätzen des Betriebszustands der Fertigungsmaschine 2 basierend auf der von der Fertigungsmaschine 2 oder dem Sensor 3 erhaltenen physikalischen Größe und einem anhand der Lehrerdaten T ermittelten Korrelationsmerkmal. Hierbei sind die Lehrerdaten Daten, die anhand der physikalischen Größe, die in der Vergangenheit von der Fertigungsmaschine 2 oder dem Sensor 3 erhalten wurde, und eines Bestätigungsergebnisses des Betriebszustands der Fertigungsmaschine 2 zu diesem Zeitpunkt erhalten werden. Die Modellaktualisierungseinheit 114 aktualisiert das Korrelationsmodell M derart, dass der Fehler E zwischen dem Korrelationsmodell M und dem Korrelationsmerkmal reduziert wird. In der Lerneinheit 110 wiederholt die Modellaktualisierungseinheit 114 die Aktualisierung des Korrelationsmodells M, wodurch das Korrelationsmodell M an ein optimales Modell gemäß der Umgebung angenähert wird. Das heißt, in der Lerneinheit 110 wird ein Lernen durchgeführt, um das Korrelationsmodell M zu erzeugen, das dazu verwendet wird, den Betriebszustand der Fertigungsmaschine 2 in Bezug auf die von der Fertigungsmaschine 2 oder dem Sensor 3 erfasste physikalischen Größe zu schätzen.
Der Anfangswert des Korrelationsmodells M wird beispielsweise durch Vereinfachen (z.B. durch eine lineare Funktion) der Korrelation zwischen der Zustandsvariable S und den Labeldaten L ausgedrückt und der Lerneinheit 110 vor dem Start des überwachten Lernens zugeführt. Die Lehrerdaten T umfassen, wie vorstehend beschrieben, die in der Vergangenheit erfassten Daten der physikalischen Größe der Fertigungsmaschine 2 oder die vom Sensor 3 erfassten Daten der physikalischen Größe und die Daten des Bestätigungsergebnisses des Betriebszustands der Fertigungsmaschine 2. Die Lehrerdaten T werden der Lerneinheit 110 bei Bedarf während des Betriebs des Anomaliedetektors 1 zugeführt. Die Fehlerberechnungseinheit 112 ermittelt das Korrelationsmerkmal, das die Korrelation zwischen der von der Fertigungsmaschine 2 oder dem Sensor 3 erhaltenen physikalischen Größe und dem Betriebszustand der Fertigungsmaschine 2 impliziert, basierend auf den der Lerneinheit 110 bei Bedarf zugeführten Lehrerdaten T. Die Fehlerberechnungseinheit 112 erhält einen Fehler E zwischen dem Korrelationsmerkmal und dem Korrelationsmodell M, das der Zustandsvariable S und den Labeldaten L im aktuellen Zustand entspricht. Die Modellaktualisierungseinheit 114 aktualisiert das Korrelationsmodell M in eine Richtung, in der der Fehler E beispielsweise gemäß einer vorgegebenen Aktualisierungsregel kleiner wird.
Im nächsten Lernzyklus schätzt die Fehlerberechnungseinheit 112 den Betriebszustand der Fertigungsmaschine 2 unter Verwendung der Zustandsvariable S gemäß dem aktualisierten Korrelationsmodell M. Außerdem erhält die Fehlerberechnungseinheit 112 einen Fehler E zwischen dem Schätzergebnis und den tatsächlich erfassten Labeldaten L. Die Modellaktualisierungseinheit 114 aktualisiert das Korrelationsmodell M erneut basierend auf dem durch die Fehlerberechnungseinheit 112 erhaltenen Fehler. Somit wird die Korrelation zwischen dem aktuellen Zustand und einem Schätzergebnis der unbekannten Umgebung allmählich ersichtlich.
Die Lerneinheit 110 kann beim Ausführen des vorstehend beschriebenen überwachten Lernens das Lernen unter Verwendung eines neuronalen Netzes durchführen. Das beim Durchführen des Lernens in der Lerneinheit 110 verwendete neuronale Netz ist beispielsweise ein neuronales Netz mit drei Schichten, die eine Eingabeschicht, eine Zwischenschicht und eine Ausgabeschicht umfassen. Außerdem kann das neuronale Netz ein neuronales Netz mit mehr als drei Schichten sein. Das heißt, die Maschinenlerneinrichtung 100 ist auch dazu fähig, unter Verwendung tiefen Lernens ein effektiveres Lernen und Inferenz durchzuführen.
Die Lerneinheit 110 kann das Lernen und die Inferenz auch unter Verwendung eines rekurrenten neuronalen Netzes durchführen. Bei dem rekurrenten neuronalen Netz werden auch in der Vergangenheit eingegebene Daten der in Zeitreihen eingegebenen Daten zum Durchführen des Lernens und der Inferenz in Betracht gezogen.
Die Konfiguration der vorstehend beschriebenen Maschinenlerneinrichtung 100 lässt sich als durch den Prozessor 101 ausgeführtes Maschinenlernverfahren (oder Software) beschreiben. Dieses Maschinenlernverfahren ist ein Maschinenlernverfahren zum Lernen des Schätzens des Betriebszustands der Fertigungsmaschine 2 anhand der von der Fertigungsmaschine 2 oder dem Sensor 3 erfassten physikalischen Größe, das umfasst: einen Schritt des Beobachtens einer von der Fertigungsmaschine 3 oder dem Sensor 3 erfassten physikalischen Größe (Daten physikalischer Größen S1) als Zustandsvariable S, die einen aktuellen Zustand repräsentiert, einen Schritt des Erfassens eines Betriebszustands (Betriebszustandsdaten L1) der Fertigungsmaschine 2 als Labeldaten L, einen Schritt des Durchführens eines Lernens durch Zuordnen der von der Fertigungsmaschine 2 oder dem Sensor 3 erfassten physikalischen Größe zum Betriebszustand der Fertigungsmaschine 2 unter Verwendung der Zustandsvariable S und der Labeldaten L1 durch den Prozessor 101.
4 ist ein schematisches Funktionsblockdiagramm eines eine Maschinenierneinrichtung umfassenden Anomaliedetektors gemäß einer anderen Ausführungsform. Bei dieser Ausführungsform ist ein Beispiel eines Falls dargestellt, in dem ein Anomaliedetektor zum Erkennen eines Anzeichens einer Anomalie einer Komponente für jede in der Fertigungsmaschine enthaltene Komponente, wie etwa einen Motor oder eine Stromversorgung, bereitgestellt ist. Im Übrigen umfasst der Anomaliedetektor gemäß der vorliegenden Ausführungsform, obgleich dies nicht in 4 dargestellt ist, ähnlich wie bei der unter Bezugnahme auf 2 beschriebenen Ausführungsform Funktionseinrichtungen, wie etwa eine Signalausgabeeinheit. Auch die Maschinenlerneinrichtung umfasst jede Funktionseinrichtung, wie etwa eine Zustandsbeobachtungseinheit und eine Labeldatenerfassungseinheit.
Ein Anomaliedetektor 1A gemäß der vorliegenden Ausführungsform ist installiert, um ein Anzeichen einer Anomalie einer in der Fertigungsmaschine 2 enthaltenen Komponente 4A zu erkennen. Der Anomaliedetektor 1A erfasst physikalische Größen von der Komponente 4A und einem in der Nähe der Komponente 4A installierten Sensor 3A. Ferner umfasst die im Anomaliedetektor 1A enthaltene Maschinenlerneinrichtung 100A ein Lernmodell Aa zum Lernen und Schätzen des Betriebszustands der Komponente 4A und ein Lernmodell Ab zum Lernen und Schätzen des Betriebszustands der Komponente 4B in der Lerneinheit 110A.
Der Anomaliedetektor 1A ist dazu eingerichtet, direkt oder über einen in einem Netzwerk angeordneten Computer oder dergleichen mit einem Anomaliedetektor 1B kommunizieren zu können.
Ähnlich wie bei der ersten Ausführungsform führt der Anomaliedetektor 1A mit einer solchen Konfiguration das Lernen durch Zuordnen von der Komponente 4A und dem Sensor 3A erhaltener physikalischer Größen zum Betriebszustand der Komponente 4A unter Verwendung des Lernmodells Aa durch. Des Weiteren führt der Anomaliedetektor 1A das Lernen durch Zuordnen der von der Komponente 4A und dem Sensor 3A erhaltenen physikalischen Größen zum Betriebszustand der Komponente 4B unter Verwendung des Lernmodells Ab durch. Zu diesem Zeitpunkt kann der Anomaliedetektor 1A den Betriebszustand der Komponente 4B direkt oder über einen im Netzwerk angeordneten Computer oder dergleichen vom Anomaliedetektor 1B erfassen.
Der Anomaliedetektor 1B gemäß der vorliegenden Ausführungsform hingegen ist installiert, um ein Anzeichen einer Anomalie der in der Fertigungsmaschine 2 enthaltenen Komponente 4B zu erkennen. Der Anomaliedetektor 1B erfasst physikalische Größen von der Komponente 4B und dem in der Nähe der Komponente 4B installierten Sensor 3B. Ferner umfasst die im Anomaliedetektor 1B enthaltene Maschinenlerneinrichtung 100B ein Lernmodell Bb zum Lernen und Schätzen des Betriebszustands der Komponente 4B und ein Lernmodell Ba zum Lernen und Schätzen des Betriebszustands der Komponente 4A in der Lerneinheit 110B.
Der Anomaliedetektor 1B ist dazu eingerichtet, direkt oder über einen in einem Netzwerk angeordneten Computer oder dergleichen mit einem Anomaliedetektor 1A kommunizieren zu können.
Ähnlich wie bei der ersten Ausführungsform führt der Anomaliedetektor 1B mit einer solchen Konfiguration das Lernen durch Zuordnen von der Komponente 4B und dem Sensor 3B erhaltener physikalischer Größen zum Betriebszustand der Komponente 4B unter Verwendung des Lernmodells Bb durch. Des Weiteren führt der Anomaliedetektor 1B das Lernen durch Zuordnen der von der Komponente 4B und dem Sensor 3B erhaltenen physikalischen Größen zum Betriebszustand der Komponente 4A unter Verwendung des Lernmodells Ba durch. Zu diesem Zeitpunkt kann der Anomaliedetektor 1B den Betriebszustand der Komponente 4A direkt oder über einen im Netzwerk angeordneten Computer oder dergleichen vom Anomaliedetektor 1A erfassen.
Die in den Anomaliedetektoren 1A und 1B enthaltenen Maschinenlerneinrichtungen 100A und 100B schätzen die Betriebszustände der Komponenten 4A und 4B beim Erkennen eines Anzeichens einer Anomalie in den Komponenten 4A bzw. 4B ähnlich wie bei der ersten Ausführungsform. Ferner schätzt die Maschinenlerneinrichtung 100B, wenn in der Komponente 4A ein Anzeichen einer Anomalie erkannt wird, den Betriebszustand der Komponente 4A basierend auf den von der Komponente 4B und dem Sensor 3B erfassten physikalischen Größen. Wenn in der Komponente 4B eine Anomalie erkannt wird, schätzt die Maschinenlerneinrichtung 100A den Betriebszustand der Komponente 4B basierend auf den von der Komponente 4A und dem Sensor 3A erfassten physikalischen Größen. Ein Anomaliedetektor 1A oder 1B der Anomaliedetektoren 1A und 1B sendet dann das Schätzergebnis als Hilfsschätzergebnis an den anderen der Anomaliedetektoren 1A und 1B.
Jeder der Anomaliedetektoren 1A und 1B bestimmt dann die Richtigkeit/Unrichtigkeit des Erkennungsergebnisses des Anzeichens einer Anomalie seiner eigenen Signalausgabeeinheit basierend auf dem Schätzergebnis des Betriebszustands der Komponente auf der Grundlage der von der Komponente (und dem Sensor) erfassten physikalischen Größe, die durch ihn selbst zu erfassen ist, und dem von dem anderen Anomaliedetektor empfangenen Schätzergebnis des Betriebszustands der Komponente. Bei dieser Bestimmung kann, beispielsweise nur wenn die Betriebszustände der Komponenten, die durch die in jedem der Anomaliedetektoren enthaltene Maschinenlerneinrichtung geschätzt werden, alle das Bestimmungsergebnis der Signalausgabeeinheit bestätigen, die Signalausgabeeinheit für die eigene Bestimmung eine positive Antwort ausgeben. Außerdem kann die Signalausgabeeinheit durch Zuordnen eines vorgegebenen Gewichts zum Betriebszustand der Komponente, der durch die in jedem Anomaliedetektor enthaltene Maschinenlerneinrichtung geschätzt wird, eine Bestimmung durchführen.
4 zeigt ein Beispiel, bei dem für jede der zwei Komponenten ein Anomaliedetektor bereitgestellt ist. Es kann jedoch für jede der mehreren Komponenten ein Anomaliedetektor bereitgestellt werden. In diesem Fall ist die in jedem Anomaliedetektor enthaltene Maschinenlerneinrichtung mit einem Lernmodell zum Lernen des Betriebszustands jeder Komponente ausgestattet. Außerdem können die in jeweiligen Anomaliedetektoren enthaltenen Maschinenlerneinrichtungen wechselseitig die Schätzergebnisse der Betriebszustände der jeweiligen Komponenten verwenden.
Wie vorstehend beschrieben, lässt sich, obgleich Ausführungsformen der vorliegenden Offenbarung beschrieben sind, die vorliegende Offenbarung durch Vornehmen adäquater und geeigneter Änderungen auf verschiedene Art und Weise umsetzen, ohne dabei auf die vorstehend beschriebenen Ausführungsformen beschränkt zu sein.
Beispielsweise kann der Anomaliedetektor 1 gemäß der vorstehend genannten Ausführungsform nicht nur zum Erkennen eines Anzeichens einer Anomalie der Fertigungsmaschine 2 verwendet werden, sondern auch zum Analysieren eines Lernmodells, an dem ein maschinelles Lernen durchgeführt wurde. Dadurch analysiert der Anomaliedetektor 1 Bedingungen (Aktionen) des Anzeichens einer Anomalie aufgrund der Installationsumgebung der Fertigungsmaschine 2, wie etwa eines Bereichs, in dem die Fertigungsmaschine 2 aufgestellt ist, einer Stromversorgungsbedingung einer der Fertigungsmaschine 2 zugeführten Stromversorgung, einer Art der Fertigungsmaschine 2, einer Maschinenachse, einer Fabrik, der Jahreszeit, der Anzahl der Jahre und dergleichen und ist dazu in der Lage, eine Ursache der Anomalie problemlos anzugeben.
Außerdem kann ein in einem Anomaliedetektor 1 gelerntes Lernmodell zur Nutzung in einen anderen Anomaliedetektor 1 eingegeben werden. Dadurch ist der andere Anomaliedetektor 1, der in einer Umgebung verwendet wird, die der Umgebung ähnelt, in der der eine Anomaliedetektor 1 verwendet wird, dazu fähig, ein Anzeichen einer Anomalie mit hoher Genauigkeit zu erkennen, ohne maschinelles Lernen durchzuführen.
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 2005233720 A [0002]
JP 2008076414 A [0002]
JP 7028502 A [0003]

Claims

Anomaliedetektor zum Ausgeben eines Signals, das angibt, dass in einer Fertigungsmaschine ein Anzeichen einer Anomalie erkannt wurde, umfassend: eine Signalausgabeeinheit zum Ausgeben eines Signals, wenn durch Erkennen eines Anzeichens einer Anomalie der Fertigungsmaschine basierend auf einer physikalischen Größe, die von der Fertigungsmaschine, einem in der Fertigungsmaschine installierten Sensor oder einem in der Nähe der Fertigungsmaschine installierten Sensor erfasst wird, in einer Fertigungsmaschine ein Anzeichen einer Anomalie erkannt wird, und eine Maschinenierneinrichtung zum Lernen eines Betriebszustands der Fertigungsmaschine, wobei die Maschinenlerneinrichtung umfasst: eine Zustandsbeobachtungseinheit zum Beobachten von Daten physikalischer Größen, die eine auf einen Betrieb der Fertigungsmaschine bezogene physikalische Größe von der Fertigungsmaschine, einem in der Fertigungsmaschine installierten Sensor oder einem in der Nähe der Fertigungsmaschine installierten Sensor angeben, als Zustandsvariable, die einen aktuellen Zustand einer Umgebung repräsentiert, eine Labeldatenerfassungseinheit zum Erfassen von einen Betriebszustand der Fertigungsmaschine angebenden Betriebszustandsdaten als Labeldaten, eine Lerneinheit zum Lernen des Betriebszustands der Fertigungsmaschine in Bezug auf die auf den Betrieb der Fertigungsmaschine bezogene physikalische Größe unter Verwendung der Zustandsvariable und der Labeldaten, und eine Schätzergebnisausgabeeinheit zum Schätzen des Betriebszustands der Fertigungsmaschine unter Verwendung eines Lernergebnisses der Lerneinheit basierend auf der auf den Betrieb der Fertigungsmaschine bezogenen physikalischen Größe, die durch die Zustandsbeobachtungseinheit beobachtet wird, und zum Ausgeben eines Schätzergebnisses, und wobei die Signalausgabeeinheit, wenn in einer Fertigungsmaschine ein Anzeichen einer Anomalie erkannt wird, gemäß einem durch die Schätzergebnisausgabeeinheit ausgegebenen Schätzergebnis des Betriebszustands der Fertigungsmaschine die Ausgabe des Signals aussetzt.
Anomaliedetektor nach Anspruch 1, wobei der Anomaliedetektor zum Erkennen eines Anzeichens einer Anomalie für jede Komponente der Fertigungsmaschine bereitgestellt ist, die Lerneinheit einen Betriebszustand einer Komponente in Bezug auf eine physikalische Größe lernt, die von der Komponente, bei der das Anzeichen der Anomalie erkannt werden soll, einem in der Komponente installierten Sensor oder einem in der Nähe der Komponente installierten Sensor erfasst wird, und einen Betriebszustand einer anderen Komponente in Bezug auf eine physikalische Größe lernt, die von der anderen Komponente, bei der das Anzeichen der Anomalie erkannt werden soll, einem in der Komponente installierten Sensor oder einem in der Nähe der Komponente installierten Sensor erfasst wird, und die Schätzergebnisausgabeeinheit unter Verwendung eines Lernergebnisses der Lerneinheit basierend auf der auf den Betrieb der Fertigungsmaschine bezogenen physikalischen Größe, die durch die Zustandsbeobachtungseinheit beobachtet wird, Betriebszustände der Komponente und der anderen Komponente schätzt, bei denen das Anzeichen der Anomalie erkannt werden soll, und das Schätzergebnis ausgibt, und wobei die Signalausgabeeinheit, wenn in einer Fertigungsmaschine ein Anzeichen einer Anomalie erkannt wird, gemäß einem Schätzergebnis des Betriebszustands der Fertigungsmaschine, das durch die Schätzergebnisausgabeeinheit ausgegeben wird, und einem Schätzergebnis des Betriebszustands der Fertigungsmaschine, das durch die in einem anderen Anomaliedetektor enthaltene Schätzergebnisausgabeeinheit ausgegeben wird, die Ausgabe des Signals aussetzt.
Anomaliedetektor nach Anspruch 1 oder 2, wobei die Lerneinheit von einer auf einen Betrieb einer Fertigungsmaschine bezogenen physikalischen Größe einen charakteristischen Teil der physikalischen Größe, der basierend auf einem Schwankungsbetrag der physikalischen Größe, einer Amplitude, einer Schwankungsdauer, der Anzahl der Schwankungen, einer Frequenz und/oder einem Betrag einer Abweichung von einem vorgegebenen Wert zum Ausgeben eines eine Anomalie angebenden Signals extrahiert wird, zum Lernen verwendet.