DE102020115118A1

DE102020115118A1 - Diagnosegerät

Info

Publication number: DE102020115118A1
Application number: DE102020115118.7A
Authority: DE
Inventors: Kazuhiro Satou
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2019-06-13
Filing date: 2020-06-08
Publication date: 2020-12-17
Also published as: JP2020201871A; CN112084834A; US20200394092A1; US11269710B2

Abstract

Ein Diagnosegerät erlangt Daten im Zusammenhang mit einem Zustand einer Maschine, nimmt an den erlangten Daten eine Vorverarbeitung vor, und modifiziert die vorverarbeiteten Daten unter Verwendung einer Statistik im Zusammenhang mit dem Zustand der Maschine. Dann nimmt das Diagnosegerät auf der Basis der modifizierten Daten einen Prozess des maschinellen Lernens durch einen Autoencoder vor und lernt oder diagnostiziert den Zustand der Maschine. Somit stellt dieses Diagnosegerät ein Lern- und Inferenzverfahren bereit, das in der Lage ist, einheitlich mit einer Größenordnung von Daten, die ein Merkmal angeben, umzugehen.

Description

ALLGEMEINER STAND DER TECHNIK
Gebiet der Erfindung
Die vorliegende Erfindung betrifft ein Diagnosegerät.
Beschreibung des Stands der Technik
Industriemaschinen wie Werkzeugmaschinen und Roboter sind an Fertigungsstätten wie Fabriken eingerichtet, und Betreiber betreiben diese Industriemaschinen, um Produkte herzustellen. Wenn die Industriemaschine an der Fertigungsstätte fortgesetzt betrieben wird, kann es beim Betrieb der Industriemaschine aufgrund externer Faktoren wie einer Alterung von Komponenten, die die Industriemaschine bilden, Veränderungen der Außenlufttemperaturen, Schwingungen oder Fehlern, die von dem Betreiber begangen werden, zu einer Anomalie kommen. Falls diagnostiziert wurde, dass es beim Betrieb der Industriemaschine zu einer Anomalie gekommen ist, hält der Betreiber den Betrieb der Industriemaschine, bei der die Anomalie aufgetreten ist, an, beseitigt den Grund für die Anomalie, nimmt den Betrieb der Industriemaschine wieder auf, und setzt den Betrieb fort.
Als Verfahren zum Diagnostizieren eines Zustands einer Industriemaschine ist ein Verfahren bekannt, bei dem ein Modell, das für eine vorherbestimmte Diagnose der Industriemaschine verwendet wird, erzeugt wird und unter Verwendung des erzeugten Modells eine Diagnose auf Basis von Daten, die von der Industriemaschine erlangt wurden, vorgenommen wird. Als Modelle für das Diagnostizieren des Zustands werden Regressionsformeln, eine Stützvektormaschine (support vector machine, SVM), neuronale Netzwerke und dergleichen verwendet, und es ist auch eine Technik bekannt, bei der ein Autoencoder mit einem neuronalen Netzwerk aufgebaut wird und der Autoencoder als Modell verwendet wird (siehe zum Beispiel WO 2017/094267 ).
Wenn ein Modell zum Diagnostizieren des Zustands einer Industriemaschine aufgebaut wird, wird das Modell unter Verwendung von Zeitreihendaten von physikalischen Größen, die während des Betriebs der Industriemaschine von der Industriemaschine oder einem an der Industriemaschine angebrachten Sensor erlangt werden, als Merkmalsgrößen aufgebaut. Zudem wird bei der Diagnose des Zustands der Industriemaschine während des Betriebs der Industriemaschine ein diagnostischer Prozess unter Verwendung der physikalischen Größen, die von der Industriemaschine oder einem an der Industriemaschine angebrachten Sensor erlangt wurden, und des für die Diagnose verwendeten Modells ausgeführt.
Doch falls ein Autoencoder als Modell zum Diagnostizieren des Zustands der Industriemaschine verwendet wird, kann es sein, dass Teile von Merkmalen mit einer kleinen Größenordnung wie etwa eine Verschiebung oder dergleichen, die in den Zeitreihendaten, die von der Industriemaschine oder dem an der Industriemaschine angebrachten Sensor erlangt wurden, enthalten sind, nicht vollständig gelernt werden können. Zum Beispiel ist es in einem Fall, in dem eine Frequenzkomponentenanalyse der Zeitreihendaten durchgeführt wird und Amplitudenwerte bei mehreren Frequenzen, die bedeutende Merkmale zur Angabe eines Anzeichens für den Zustand darstellen können, als Lerndaten verwendet werden, möglich, dass Frequenzen mit kleinen Amplitudenwerten nicht in dem Modell widergespiegelt werden. Doch das Vorhandensein oder Fehlen einer solchen Frequenzkomponente mit einem kleinen Amplitudenwert kann ein bedeutendes Merkmal beim Diagnostizieren des Zustands der Industriemaschine sein, und in einem solchen Fall wird der Umgang mit Daten mit einer kleinen Größenordnung zu einem Problem. Ein solches Problem tritt sogar dann auf, wenn Modelle wie ein Variational Autoencoder (VAE), ein Adversarial Autoencoder (AAE), ein Ladder Variational Autoencoder (LVAE) und Auxiliary Deep Generative Models (ADGM) verwendet werden.
KURZDARSTELLUNG DER ERFINDUNG
Daher wird ein Lern- und Inferenzverfahren gewünscht, das in der Lage ist, einheitlich mit der Größenordnung von Daten, die ein Merkmal angeben, umzugehen.
Ein Diagnosegerät der vorliegenden Erfindung löst das oben beschriebene Problem durch Vornehmen des Lernens und Schlussfolgerns eines Autoencoders auf Basis von Daten, die einer Normalisierung, welche eine Verteilung für jede Merkmalsgröße vereinheitlicht, unterzogen wurden.
Ein Diagnosegerät nach einem Gesichtspunkt der vorliegenden Erfindung diagnostiziert einen Zustand einer Maschine und weist eine Datenerlangungseinheit, eine Vorverarbeitungseinheit, und eine Modifikationseinheit auf. Die Datenerlangungseinheit erlangt Daten im Zusammenhang mit dem Zustand der Maschine. Die Vorverarbeitungseinheit vorverarbeitet die durch die Datenerlangungseinheit erlangten Daten. Die Modifikationseinheit verwendet eine Statistik im Zusammenhang mit dem Zustand der Maschine, um die durch die Vorverarbeitungseinheit vorverarbeiteten Daten zu modifizieren. Dann wird auf der Basis der Daten, die durch die Modifikationseinheit modifiziert wurden, ein Prozess des maschinellen Lernens durch den Autoencoder vorgenommen und der Zustand der Maschine gelernt oder diagnostiziert.
Das Diagnosegerät kann ferner eine Statistikberechnungseinheit, eine Lerneinheit und eine Lernmodellspeichereinheit aufweisen. Die Statistikberechnungseinheit berechnet eine Statistik im Zusammenhang mit den Daten, die durch die Vorverarbeitungseinheit vorverarbeitet wurden. Die Lerneinheit verwendet die Daten nach der Modifikation durch die Modifikationseinheit, um durch maschinelles Lernen durch den Autoencoder den Zustand der Maschine zu lernen und ein Lernmodell zu erzeugen. Die Lernmodellspeichereinheit speichert das Lernmodell und die Statistik in einer Verbindung miteinander. Dann verwendet die Modifikationseinheit die Statistik, die durch die Statistikberechnungseinheit berechnet wurde, um die Daten, die durch die Vorverarbeitungseinheit vorverarbeitet wurden, zu modifizieren.
Das Diagnosegerät kann ferner eine Lernmodellspeichereinheit und eine Diagnoseeinheit aufweisen. Die Lernmodellspeichereinheit speichert das Lernmodell, das den Zustand der Maschine durch den Autoencoder gelernt hat, und die Statistik der Daten, die für das Lernen verwendet wurden, in einer Verbindung miteinander. Die Diagnoseeinheit diagnostiziert den Zustand der Maschine unter Verwendung des Lernmodells, das in der Lernmodellspeichereinheit gespeichert wurde, auf der Basis der Daten nach der Modifikation durch die Modifikationseinheit. Dann verwendet die Modifikationseinheit die Statistik, die in der Lernmodellspeichereinheit gespeichert wurde, um die Daten, die durch die Vorverarbeitungseinheit vorverarbeitet wurden, zu modifizieren.
Die Vorverarbeitungseinheit kann als Vorverarbeitung eine Frequenzanalyse an den Zeitreihendaten in den Daten, die durch die Datenerlangungseinheit erlangt wurden, vornehmen.
Die Diagnoseeinheit kann ferner eine Rückmodifikationseinheit aufweisen, die neben einem Diagnoseergebnis die Daten nach der Modifikation, die für die Diagnose verwendet wurden, ausgibt und an den Daten nach der Modifikation, die durch die Diagnoseeinheit ausgegeben wurde, eine Rückumwandlung der Modifikation, die durch die Modifikationseinheit durchgeführt wurde, vornimmt.
Die Modifikation durch die Modifikationseinheit kann eine Modifikation sein, die für jede Frequenzkomponente der Zeitreihendaten einen Bereich möglicher Werte, die ein Amplitudenwert der Frequenzkomponente annehmen kann, erweitert.
Da die vorliegende Erfindung den obigen Aufbau aufweist, ist es möglich, selbst eine Merkmalsgröße mit einem kleinen Bereich von Werten, die die ursprünglichen Daten annehmen können, ausreichend zu lernen, indem die Unausgewogenheit einer Verteilung jeder Merkmalsgröße beseitigt wird, und kann eine Verbesserung der Genauigkeit der Diagnose des Zustands von Industriemaschinen erwartet werden.
Figurenliste

1 ist ein schematisches Hardwareaufbaudiagramm eines Diagnosegeräts nach einer Ausführungsform;
2 ist ein schematisches Funktionsblockdiagramm eines Diagnosegeräts nach einer ersten Ausführungsform;
3 ist ein Diagramm, das ein Berechnungsbeispiel einer Statistik zeigt;
4 ist ein schematisches Funktionsblockdiagramm eines Diagnosegeräts nach einer zweiten Ausführungsform; und
5 ist ein schematisches Funktionsblockdiagramm eines Diagnosegeräts nach einer dritten Ausführungsform.

AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
1 ist ein schematisches Hardwareaufbaudiagramm, das einen Hauptteil eines Diagnosegeräts mit einer Maschinenlernvorrichtung nach einer Ausführungsform zeigt.
Zudem kann ein Diagnosegerät 1 der vorliegenden Ausführungsform zum Beispiel bei einer Steuereinheit zum Steuern einer Industriemaschine ausgeführt werden, oder kann es als Personal Computer, der zusammen mit der Steuereinheit zum Steuern einer Industriemaschine bereitgestellt ist, oder als Computer wie etwa ein Edge-Computer, ein Zellen-Computer, ein Host-Computer, ein Cloud-Server oder dergleichen, der über ein drahtgebundenes oder drahtloses Kommunikationsnetzwerk mit der Steuereinheit verbunden ist, ausgeführt werden. Bei der vorliegenden Ausführungsform wird ein Beispiel gezeigt werden, bei dem das Diagnosegerät 1 als Personal Computer, der zusammen mit einer Steuereinheit, die zur Steuerung einer Industriemaschine 2 ausgebildet ist, bereitgestellt ist.
Eine zentrale Verarbeitungseinheit (CPU) 11, die in dem Diagnosegerät 1 nach der vorliegenden Ausführungsform enthalten ist, ist ein Prozessor, der so ausgebildet ist, dass er das Diagnosegerät 1 als Ganzes steuert. Die CPU 11 ist so ausgebildet, dass sie ein Systemprogramm, das in einem Nurlesespeicher (ROM) 12 gespeichert ist, über einen Bus 20 liest und das gesamte Diagnosegerät 1 gemäß dem Systemprogramm steuert. Ein Direktzugriffsspeicher (RAM) 13 ist so ausgebildet, dass er temporäre Berechnungsdaten, verschiedene Daten, die durch einen Betreiber über eine Eingabevorrichtung 71 eingegeben werden, und dergleichen vorübergehend speichert.
Ein nichtflüchtiger Speicher 14 weist zum Beispiel einen durch eine Batterie (nicht gezeigt) gestützten Speicher, ein Solid-State-Laufwerk (SSD), und dergleichen auf und ist so ausgebildet, dass er seinen Speicherzustand auch dann behält, wenn der Strom des Diagnosegeräts 1 ausgeschaltet ist. Der nichtflüchtige Speicher 14 speichert einen Einstellbereich, in dem Einstellinformationen im Zusammenhang mit dem Betrieb der Diagnosevorrichtung 1 gespeichert sind, Daten, die von der Eingabevorrichtung 71 eingegeben werden (wie etwa Daten, die einen Betriebszustand der Industriemaschine 2 angeben), Zeitreihendaten von verschiedenen Daten (der Position, der Geschwindigkeit, der Beschleunigung eines Antriebsmotors der Industriemaschine 2, des Geräuschs, der Schwingungen, der Temperatur, und dergleichen, die durch einen an der Industriemaschine 2 angebrachten Sensor detektiert wurden), die von der Industriemaschine 2 erlangt werden, und Daten, die von einer externen Speichervorrichtung (nicht gezeigt) oder über ein Netzwerk gelesen wurden, und dergleichen. Programme und die verschiedenen Daten, die in dem nichtflüchtigen Speicher 14 gespeichert sind, können zur Zeit der Ausführung oder Verwendung in den RAM 13 entwickelt werden. Zudem sind Systemprogramme einschließlich eines allgemein bekannten Analyseprogramms zum Analysieren der verschiedenen Daten, eines Programms zur Steuerung des Austauschs mit einer später beschriebenen Analysevorrichtung 100 und dergleichen vorab in den ROM 12 geschrieben.
Die Industriemaschine 2 ist eine Maschine wie etwa eine Werkzeugmaschine, eine elektrische Entladungsmaschine, eine Spritzgussmaschine, eine Transfermaschine oder ein Roboter, die oder der an einer Fertigungsstätte verwendet wird. Die Industriemaschine 2 weist eine Funktion zur Ausgabe jedes Datenelements (der Position, der Geschwindigkeit, der Beschleunigung und dergleichen des Antriebsmotors), das während des Betriebs detektiert werden kann, und jedes Datenelements (des Geräuschs, der Schwingungen, der Temperatur und dergleichen), das durch den an der Industriemaschine 2 angebrachten Sensor (nicht gezeigt) detektiert werden kann, auf.
Alle Datenelemente, die in den Speicher gelesen wurden, Daten, die als Ergebnis der Ausführung eines Programms oder dergleichen erhalten wurden, Daten, die von der später beschriebenen Maschinenlernvorrichtung 100 ausgegeben wurden, und dergleichen werden über eine Schnittstelle 17 an eine Anzeigevorrichtung 70 ausgegeben und daran angezeigt. Zudem gibt die Eingabevorrichtung 71, die eine Tatstatur, eine Zeigevorrichtung und dergleichen aufweist, einen Befehl, Daten und dergleichen auf Basis von Tätigkeiten, die durch einen Betreiber vorgenommen werden, über eine Schnittstelle 18 an die CPU 11 weiter.
Eine Schnittstelle 21 ist eine Schnittstelle, um die CPU 11 und die Maschinenlernvorrichtung 100 zu verbinden. Die Maschinenlernvorrichtung 100 weist einen Prozessor 101, der so ausgebildet ist, dass er die gesamte Maschinenlernvorrichtung 100 steuert. einen ROM 102, der ein Systemprogramm und dergleichen speichert, einen RAM 103 zum vorübergehenden Speichern jedes Prozesses im Zusammenhang mit dem maschinellen Lernen, und einen nichtflüchtigen Speicher 104, der zum Speichern des Lernmodells und dergleichen verwendet wird, auf. Die Maschinenlernvorrichtung 100 kann jedes Informationselement, das durch das Diagnosegerät 1 erlangt werden kann, über die Schnittstelle 21 beobachten (z.B. Daten, die den Betriebszustand der Industriemaschine 2 angeben, die Position, die Geschwindigkeit und die Beschleunigung des Antriebsmotors der Industriemaschine 2, und die Zeitreihendaten von verschiedenen physikalischen Größen wie etwa des Geräuschs, der Schwingungen, der Temperatur und dergleichen, die durch den an der Industriemaschine 2 angebrachten Sensor detektiert werden). Zudem ist das Diagnosegerät 1 so ausgebildet, dass es ein von der Maschinenlernvorrichtung 100 ausgegebenes Prozessergebnis übe die Schnittstelle 21 erlangt und speichert, anzeigt oder das erlangte Prozessergebnis über ein Netzwerk oder dergleichen an eine andere Vorrichtung sendet.
2 ist ein schematisches Funktionsblockdiagramm eines Diagnosegeräts und einer Maschinenlernvorrichtung 100 nach der ersten Ausführungsform.
Das Diagnosegerät 1 der vorliegenden Ausführungsform weist einen Aufbau auf, der benötigt wird, wenn die Maschinenlernvorrichtung 100 den Betriebszustand der Werkzeugmaschine lernt (Lernmodus). Jeder der Funktionsblöcke, die in 2 gezeigt sind, wird durch die CPU 11, die in dem in 1 gezeigten Diagnosegerät 1 enthalten ist, und den Prozessor 101 der Maschinenlernvorrichtung 100, die die jeweiligen Systemprogramme ausführen und den Betrieb jeder Einheit des Diagnosegeräts 1 und der Maschinenlernvorrichtung 100 steuern, umgesetzt.
Das Diagnosegerät 1 nach der vorliegenden Ausführungsform weist eine Datenerlangungseinheit 30, eine Vorverarbeitungseinheit 32, eine Statistikberechnungseinheit 34 und eine Modifikationseinheit 36 auf, und die in dem Diagnosegerät 1 enthaltene Maschinenlernvorrichtung 100 weist eine Lerneinheit 110 auf. Zudem ist in dem nichtflüchtigen Speicher 14, der in 1 gezeigt ist, eine Erlangte-Daten-Speichereinheit 50 bereitgestellt, die so ausgebildet ist, dass sie Daten, die von der Industriemaschine 2 oder dergleichen erlangt wurden, speichert. In dem nichtflüchtigen Speicher 104 der Maschinenlernvorrichtung 100, die in 1 gezeigt ist, ist eine Lernmodellspeichereinheit 130 bereitgestellt, die so ausgebildet ist, dass sie ein Lernmodell, das durch das maschinelle Lernen durch die Lerneinheit 110 aufgebaut wurde, speichert.
Die Datenerlangungseinheit 30 wird durch die in dem in 1 gezeigten Diagnosegerät 1 enthaltene CPU 11, die ein aus dem ROM 12 gelesenes Systemprogramm ausführt und hauptsächlich eine arithmetische Verarbeitung unter Verwendung des RAM 13 und des nichtflüchtigen Speichers 14 ausführt, umgesetzt. Die Datenerlangungseinheit 30 erlangt von der Industriemaschine 2 erlangte Daten im Zusammenhang mit dem Betriebszustand, von der Eingabevorrichtung 71 eingegebene Daten, die den Betriebszustand der Industriemaschine angeben, und dergleichen und speichert die erlangten Daten und dergleichen in der Erlangte-Daten-Speichereinheit 50. Die Datenerlangungseinheit 30 erlangt Daten im Zusammenhang mit einem bestimmten Betriebszustand der Industriemaschine 2 und speichert die erlangten Daten als erlangte Daten in der Erlangte-Daten-Speichereinheit 50. Zum Beispiel erlangt die Datenerlangungseinheit 30 in einem Fall, in dem in dem Diagnosegerät 1 ein normaler Betrieb oder abnormaler Betrieb der Industriemaschine 2 diagnostiziert werden soll, während des normalen Betriebs der Industriemaschine 2 Daten und speichert die erlangten Daten als erlangte Daten in der Erlangte-Daten-Speichereinheit 50.
Die Vorverarbeitungseinheit 32 wird durch die in dem in 1 gezeigten Diagnosegerät 1 enthaltene CPU 11, die das aus dem ROM 12 gelesene Systemprogramm ausführt und hauptsächlich eine arithmetische Verarbeitung unter Verwendung des RAM 13 und des nichtflüchtigen Speichers 14 ausführt, umgesetzt. Die Vorverarbeitungseinheit 32 erzeugt auf der Basis der Daten, die durch die Datenerlangungseinheit 30 erlangt wurden, Daten, die eine Merkmalsgröße zur Verwendung für eine Diagnose des Zustands der Industriemaschine 2 durch die Maschinenlernvorrichtung 100 angeben. Dann erzeugt die Vorverarbeitungseinheit 32 Daten, die durch Umwandeln (Digitalisieren, Abtasten und dergleichen) der durch die Datenerlangungseinheit 30 erlangten (und in der Erlangte-Daten-Speichereinheit 50 gespeicherten) Daten in ein einheitliches Formal, mit dem die Maschinenlernvorrichtung 100 umgehen kann, erlangt werden, und gibt die erzeugten Daten an die Maschinenlernvorrichtung 100 aus. Zum Beispiel kann die Vorverarbeitungseinheit 32 beim Erzeugen jedes Datenelements, das die Merkmalsgröße angibt, eine Frequenzanalyse der Zeitreihendaten durchführen und einen Amplitudenwert einer Frequenzkomponente als Merkmalsgröße extrahieren. In einem solchen Fall können eine oder mehrere vorherbestimmte Frequenzkomponenten als Merkmalsgröße extrahiert werden. In einem Fall, in dem die Maschinenlernvorrichtung 100 den Betriebszustand der Industriemaschine 2 diagnostiziert, erzeugt die Vorverarbeitungseinheit 32 nach der vorliegenden Ausführungsform beim Lernen Zustandsdaten S (Daten, die eine Reihe von Merkmalsgrößen angeben) mit einem vorherbestimmten Format als Trainingsdaten T.
Die Statistikberechnungseinheit 34 wird durch die in dem in 1 gezeigten Diagnosegerät 1 enthaltene CPU 11, die das aus dem ROM 12 gelesene Systemprogramm ausführt und hauptsächlich eine arithmetische Verarbeitung unter Verwendung des RAM 13 und des nichtflüchtigen Speichers 14 ausführt, umgesetzt. Die Statistikberechnungseinheit 34 berechnet für mehrere der Trainingsdaten T, die durch Umwandeln der durch die Erlangungseinheit 30 erlangten Daten durch die Vorverarbeitungseinheit 32 erhalten wurden, Statistiken wie etwa einen Durchschnitt, eine Streuung, eine Standardabweichung und einen Höchstwert und einen Mindestwert für jede Merkmalsgröße, die in den Trainingsdaten T enthalten ist.
Wie in 3 gezeigt berechnet die Statistikberechnungseinheit 34 zum Beispiel in einem Fall, in dem k Elemente von Trainingsdaten T₁ = (S₁₁, S₁₂, ..., und S_1m), T₂ = (S₂₁, S₂₂, ..., und S_2m) und T_k = (S_k1, S_k2, ..., S_km) als Trainingsdaten, die für das Lernen in der Maschinenlernvorrichtung 100 verwendet werden, vorhanden sind. für jede Merkmalsgröße von der gleichen Art einen Mittelwert µ(i) und eine Standardabweichung σ(i). Die Statistikberechnungseinheit 34 gibt die berechnete Statistik an die Modifikationseinheit 36 aus und gibt die berechnete Statistik auch an die Maschinenlernvorrichtung 100 aus, damit die berechnete Statistik in Verbindung mit einem Lernmodell, das durch Durchführen eines maschinellen Lernens auf der Basis von Trainingsdaten T', die durch Modifizieren der Trainingsdaten T erlangt wurden, erzeugt wurde, in der Lernmodellspeichereinheit 130 gespeichert wird. Die durch die Statistikberechnungseinheit 34 berechnete Statistik kann eine beliebige Statistik sein, solange die Statistik für die Modifikation der Merkmalsgröße durch die Modifikationseinheit 36 verwendet werden kann.
Die Modifikationseinheit 36 wird durch die in dem in 1 gezeigten Diagnosegerät 1 enthaltene CPU 11, die das aus dem ROM 12 gelesene Systemprogramm ausführt und hauptsächlich eine arithmetische Verarbeitung unter Verwendung des RAM 13 und des nichtflüchtigen Speichers 14 ausführt, umgesetzt. Die Modifikationseinheit 36 ist so ausgebildet, dass sie die Statistik, die durch die Statistikberechnungseinheit 34 berechnet wurde, verwendet, um die Merkmalsdaten, die in den durch die Vorverarbeitungseinheit 32 erzeugten Trainingsdaten T enthalten sind, zu modifizieren. Die Modifikationseinheit 36 verwendet zum Beispiel die nachstehend gezeigte Gleichung (1), um jede Merkmalsgröße zu modifizieren. In der Gleichung (1) ist µ(i) ein Durchschnittswert von Merkmalsgrößen S_1i bis S_ki, ist σ(i) eine Standardabweichung der Merkmalsgrößen S_1i bis S_ki, ist S_ji die i-te Merkmalsgröße der Trainingsdaten T_j und ist S_ji' die i-te Merkmalsgröße der Trainingsdaten T_j nach der Modifikation. $S_{j i}' = \frac{s_{ji} - μ (i)}{σ (i)}$
Die in der Gleichung (1) beispielhaft dargestellte Modifikation wird für jede Merkmalsgröße durchgeführt, wodurch jede Merkmalsgröße so modifiziert wird, dass dann, wenn ein Bereich von Werten, die für eine bestimmte Art von Merkmalsgröße herangezogen werden können, klein ist, eine Erweiterung des Bereichs der Werte erfolgt. Es ist zu beachten, dass bei einem kleinen Standardabweichungswert σ(i) in der Gleichung (1) eine Veränderung bei einer äußerst kleinen Merkmalsgröße stark vergrößert wird, so dass sich die Rauschbeständigkeit verschlechtern kann. In einem solchen Fall kann bei der Durchführung einer Berechnung unter Verwendung der Gleichung (1) das Modifikationsverfahren passend angepasst werden. Zum Beispiel wird eine vorherbestimmte Konstante ε zu dem Standardabweichungswert σ(i) hinzugefügt, oder wird dann, wenn der Standardabweichungswert σ(i) kleiner als ein vorherbestimmter Schwellenwert Th ist, der Standardabweichungswert σ(i) in der Gleichung (1) durch den Schwellenwert Th ersetzt.
Es ist zu beachten, dass die Modifikation der Merkmalsgröße durch die Modifikationseinheit 36 nicht auf die obige Gleichung (1) beschränkt ist, sondern jedes beliebige Modifikationsverfahren eingesetzt werden kann, solange das Modifikationsverfahren bei Vorhandensein einer Merkmalsgröße mit einem Veränderungsbereich, der verglichen mit anderen Merkmalsgrößen klein ist, in der Lage ist, den Veränderungsbereich der Merkmalsgröße auf der Basis der Statistik zu erweitern.
Die Lerneinheit 110 wird durch den in dem in 1 gezeigten Diagnosegerät 1 enthaltenen Prozessor 101, der ein aus dem ROM 102 gelesenes Systemprogramm ausführt und hauptsächlich eine arithmetische Verarbeitung unter Verwendung des RAM 103 und des nichtflüchtigen Speichers 104 ausführt, umgesetzt. Die Lerneinheit 110 ist so ausgebildet, dass sie ein maschinelles Lernen unter Verwendung der Trainingsdaten T', die durch die Modifikationseinheit 36 modifiziert wurden, vornimmt. Die Lerneinheit 110 nimmt das maschinelle Lernen unter Verwendung einer allgemein bekannten Autoencoder-Technologie vor und erzeugt dadurch ein Lernmodell, das Zustandsdaten S', die in den durch die Modifikationseinheit 36 modifizierten Trainingsdaten T' enthalten sind, gelernt hat, und speichert das Lernmodell in der Lernmodellspeichereinheit 130. Die Lernmodellspeichereinheit 130 speichert das erzeugte Lernmodell und die Statistik im Zusammenhang mit den Trainingsdaten, die bei der Erzeugung des Lernmodells verwendet wurden, in Verbindung miteinander.
Es ist zu beachten, dass die Lerneinheit 110 in der Maschinenlernvorrichtung 100 in einem Lernstadium ein unerlässlicher Aufbau ist, aber nicht notwendigerweise ein unerlässlicher Aufbau ist, nachdem die Lerneinheit 110 das Lernen des Zustands der Industriemaschine 2 abgeschlossen ist. Zum Beispiel ist es dann, wenn die Maschinenlernvorrichtung 100, die das Lernen abgeschlossen hat, an einen Kunden ausgeliefert wird, möglich, dass die Maschinenlernvorrichtung 100 ausgeliefert wird, nachdem die Lerneinheit 110 daraus entfernt wurde.
Das Diagnosegerät 1 nach der vorliegenden Ausführungsform mit dem oben beschriebenen Aufbau erzeugt das Lernmodell, das den Zustand der Industriemaschine 2 gelernt hat. Dann wird es einer später beschriebenen Diagnoseeinheit 120 unter Verwendung des Lernmodells, das auf diese Weise erzeugt wurde, möglich, auf der Basis der Zustandsdaten S, die von der Industriemaschine 2 erlangt werden, den gegenwärtigen Zustand der Industriemaschine 2 zu diagnostizieren.
Zudem wird in dem Diagnosegerät 1 nach der vorliegenden Ausführungsform jede Merkmalsgröße, die in den Zustandsdaten, die zur Zeit der Diagnose verwendet werden, enthalten ist, durch die Modifikationseinheit 36 modifiziert, wodurch eine Verschiebungsbreite einer Merkmalsgröße mit einem kleinen Verschiebungswert erweitert wird, und können die Zustandsdaten nach der Modifikation durch die Modifikationseinheit 36 für die Diagnose des Zustands der Industriemaschine 2 verwendet werden. Daher kann die Reproduzierbarkeit von Ausgangsdaten in Bezug auf Eingangsdaten in den Autoencoder besonders verbessert werden, und kann eine Verbesserung der Genauigkeit der Diagnose des Zustands der Industriemaschine 2 erwartet werden.
4 ist ein schematisches Funktionsblockdiagramm eines Diagnosegeräts 1 und einer Maschinenlernvorrichtung 100 nach einer zweiten Ausführungsform.
Das Diagnosegerät 1 der vorliegenden Ausführungsform weist einen Aufbau auf, der benötigt wird, wenn die Maschinenlernvorrichtung 100 einen Betriebszustand einer Industriemaschine 2 diagnostiziert (Diagnosemodus). Jeder der Funktionsblöcke, die in 4 gezeigt sind, wird durch die CPU 11, die in dem in 1 gezeigten Diagnosegerät 1 enthalten ist, und den Prozessor 101 der Maschinenlernvorrichtung 100, die jeweilige Systemprogramme ausführen und den Betrieb jeder Einheit des Diagnosegeräts 1 und der Maschinenlernvorrichtung 100 steuern, umgesetzt.
Das Diagnosegerät 1 nach der vorliegenden Ausführungsform weist die Datenerlangungseinheit 30, die Vorverarbeitungseinheit 32 und die Modifikationseinheit 36 auf, und die in dem Diagnosegerät 1 enthaltene Maschinenlerneinheit 100 weist eine Diagnoseeinheit 120 auf. Zudem ist in dem nichtflüchtigen Speicher 14, der in 1 gezeigt ist, die Erlangte-Daten-Speichereinheit 50 bereitgestellt, die so ausgebildet ist, dass sie Daten, die von der Industriemaschine 2 oder dergleichen erlangt wurden, speichert. In dem nichtflüchtigen Speicher 104 der Maschinenlernvorrichtung 100, die in 1 gezeigt ist, ist die Lernmodellspeichereinheit 130 bereitgestellt, die so ausgebildet ist, dass sie ein Lernmodell, das durch das maschinelle Lernen durch die bei der ersten Ausführungsform beschriebene Lerneinheit 110 aufgebaut wurde, speichert.
Die Datenerlangungseinheit 30 und die Vorverarbeitungseinheit 32 nach der vorliegenden Ausführungsform weisen die gleichen Funktionen wie die Datenerlangungseinheit 30 und die Vorverarbeitungseinheit 32 bei der ersten Ausführungsform auf. Zudem weist die Modifikationseinheit 36 nach der vorliegenden Ausführungsform eine Funktion auf, die der Funktion der Modifikationseinheit 36 bei der ersten Ausführungsform gleich ist, außer dass die Modifikationseinheit 36 nach der vorliegenden Ausführungsform so ausgebildet ist, dass sie einen statistischen Wert von der Lernmodellspeichereinheit 130, die in der Maschinenlernvorrichtung 100 enthalten ist, erlangt.
Die Diagnoseeinheit 120 wird durch den in dem in 1 gezeigten Diagnosegerät 1 enthaltenen Prozessor 101, der ein aus dem ROM 102 gelesenes Systemprogramm ausführt und hauptsächlich eine arithmetische Verarbeitung unter Verwendung des RAM 103 und des nichtflüchtigen Speichers 104 ausführt, umgesetzt. Die Diagnoseeinheit 120 ist so ausgebildet, dass sie den Betriebszustand der Industriemaschine 2 unter Verwendung eines in der Lernmodellspeichereinheit 130 gespeicherten Lernmodells auf der Basis von Zustandsdaten S', die durch die Modifikationseinheit 36 modifiziert wurden, diagnostiziert. In der Diagnoseeinheit 120 der vorliegenden Ausführungsform werden die Zustandsdaten S', die durch die Modifikationseinheit 36 modifiziert wurden, in das Lernmodell, das durch die Lernmodelleinheit 110 erzeugt wurde (dessen Parameter bestimmt wurden), eingegeben und werden die eingegebenen Daten mit Daten, die von dem Lernmodell ausgegeben werden, verglichen, wodurch der Betriebszustand der Industriemaschine 2 diagnostiziert wird. Zudem kann der durch die Diagnoseeinheit 120 diagnostizierte Zustand der Industriemaschine an eine Anzeigevorrichtung 70 ausgegeben und daran angezeigt werden oder durch Senden über ein Netzwerk oder dergleichen an eine andere Vorrichtung ausgegeben werden.
Falls das maschinelle Lernen an einem Autoencoder, der in einem vorherbestimmten Zustand erlangte Trainingsdaten verwendet, vorgenommen wird, gibt ein erzeugtes Lernmodell bei einer Eingabe von Daten, die in dem vorherbestimmten Zustand erlangt wurden, in das erzeugte Lernmodell die gleichen Daten wie die Eingangsdaten aus, doch wenn Daten, die in einem von dem vorherbestimmten Zustand verschiedenen anderen Zustand erlangt wurden, in das erzeugte Lernmodell eingegeben werden, gibt das erzeuge Lernmodell Daten aus, die sich von den Eingangsdaten unterscheiden. Wenn daher zum Beispiel Daten, die erlangt wurden, als sich die Industriemaschine 2 in einem normalen Zustand befand, in ein Lernmodell eingegeben werden, das durch die Vornahme eines maschinellen Lernens unter Verwendung von Daten, die von der Industriemaschine 2 im normalen Zustand erlangt wurden, als Trainingsdaten erzeugt wurde, gibt das Lernmodell die gleichen Daten wie die Eingangsdaten aus, wohingegen das Lernmodell bei einer Eingabe von Daten, die erlangt wurden, als sich die Industriemaschine nicht in einem normalen Zustand (das heißt, in einem abnormalen Zustand) befand, in das Lernmodell Daten ausgibt, die sich von den Eingangsdaten unterscheiden. Daher wird das Lernmodell, das durch die Vornahme eines maschinellen Lernens unter Verwendung der Daten, die in einem normalen Zustand der Industriemaschine 2 erlangt wurden, erzeugt wurde, vorab als Trainingsdaten in der Lernmodellspeichereinheit 130 gespeichert, wodurch die Diagnoseeinheit 120 in der Lage ist, zu diagnostizieren, ob sich die Industriemaschine 2 in einem normalen Zustand oder einem abnormalen Zustand befindet.
Das Diagnosegerät 1 nach der vorliegenden Ausführungsform mit dem oben beschriebenen Aufbau verwendet das Lernmodell, das den Zustand der Industriemaschine 2 gelernt hat, und ist dadurch fähig, den gelernten Zustand und andere Zustände zu unterscheiden und zu diagnostizieren. Zum Beispiel ist es möglich, durch Verwenden eines Lernmodells, das unter Verwendung von Trainingsdaten, die während eines normalen Betriebs der Industriemaschine 2 erlangt wurden, erzeugt wurde, einen normalen Zustand und einen abnormalen Zustand der Industriemaschine 2 zu diagnostizieren. Zudem wird bei dem Diagnosegerät 1 nach der vorliegenden Ausführungsform jede Merkmalsgröße, die in den Zustandsdaten, welche zur Zeit der Diagnose verwendet werden, enthalten ist, durch die Modifikationseinheit 36 modifiziert, wodurch eine Verschiebungsbreite einer Merkmalsgröße mit einem kleinen Verschiebungswert erweitert wird, und können die Zustandsdaten nach der Modifikation durch die Modifikationseinheit 36 für die Diagnose des Zustands der Industriemaschine 2 verwendet werden. Daher kann die Reproduzierbarkeit der Ausgangsdaten in Bezug auf Eingangsdaten in den Autoencoder besonders verbessert werden und kann eine Verbesserung der Genauigkeit der Diagnose des Zustands der Industriemaschine 2 erwartet werden.
5 ist ein schematisches Funktionsblockdiagramm eines Diagnosegeräts 1 und einer Maschinenlernvorrichtung 100 nach einer dritten Ausführungsform.
Das Diagnosegerät 1 der vorliegenden Ausführungsform weist einen Aufbau auf, der benötigt wird, wenn die Maschinenlernvorrichtung 100 einen Betriebszustand einer Industriemaschine 2 diagnostiziert (Diagnosemodus). Jeder der Funktionsblöcke, die in 5 gezeigt sind, wird durch die CPU 11, die in dem in 1 gezeigten Diagnosegerät 1 enthalten ist, und den Prozessor 101 der Maschinenlernvorrichtung 100, die jeweilige Systemprogramme ausführen und den Betrieb jeder Einheit des Diagnosegeräts 1 und der Maschinenlernvorrichtung 100 steuern, umgesetzt.
Das Diagnosegerät 1 der vorliegenden Ausführungsform weist die Datenerlangungseinheit 30, die Vorverarbeitungseinheit 32, die Modifikationseinheit 36 und eine Rückmodifikationseinheit 38 auf, und die in dem Diagnosegerät 1 enthaltene Maschinenlerneinheit 100 weist eine Diagnoseeinheit 120 auf. Zudem ist in dem nichtflüchtigen Speicher 14, der in 1 gezeigt ist, die Erlangte-Daten-Speichereinheit 50 bereitgestellt, die so ausgebildet ist, dass sie Daten, die von der Industriemaschine 2 oder dergleichen erlangt wurden, speichert. In dem nichtflüchtigen Speicher 104 der Maschinenlernvorrichtung 100, die in 1 gezeigt ist, ist die Lernmodellspeichereinheit 130 bereitgestellt, die so ausgebildet ist, dass sie ein Lernmodell, das durch das maschinelle Lernen durch die bei der ersten Ausführungsform beschriebene Lerneinheit 110 aufgebaut wurde, speichert.
Die Datenerlangungseinheit 30, die Vorverarbeitungseinheit 32 und die Modifikationseinheit 36 nach der vorliegenden Ausführungsform weisen die gleichen Funktionen wie die Datenerlangungseinheit 30, die Vorverarbeitungseinheit 32 und die Modifikationseinheit 36 nach der zweiten Ausführungsform auf. Zudem weist die Diagnoseeinheit 120 nach der vorliegenden Ausführungsform eine Funktion auf, die jener der Diagnoseeinheit 120 nach der zweiten Ausführungsform gleich ist, außer dass die Diagnoseeinheit 120 nach der vorliegenden Ausführungsform so ausgebildet ist, dass sie neben einem Diagnoseergebnis eines Zustands der Industriemaschine 2 für die Diagnose verwendete Zustandsdaten an die Rückmodifikationseinheit 38 ausgibt.
Die Rückmodifikationseinheit 38 nach der vorliegenden Ausführungsform wird durch die in dem in 1 gezeigten Diagnosegerät 1 enthaltene CPU 11, die ein aus dem ROM 12 gelesenes Systemprogramm ausführt und hauptsächlich eine arithmetische Verarbeitung unter Verwendung des RAM 13 und des nichtflüchtigen Speichers 14 ausführt, umgesetzt. Die Rückmodifikationseinheit 38 ist so ausgebildet, dass sie an den Zustandsdaten, die neben dem Diagnoseergebnis des Zustands der Industriemaschine 2 von der Diagnoseeinheit eingegeben wurden, eine zu der Modifikation, die durch die Modifikationseinheit 36 vorgenommen wurde, umgekehrte Modifikation vornimmt. Da Daten, die durch die Modifikationseinheit 36 modifiziert wurden, eine Form aufweisen, die sich von der Form der Daten, die von der Industriemaschine 2 erlangt wurden, unterscheidet, kann es sein, dass sie selbst bei einer Anzeige und einer Ausgabe an den Betreiber schwer zu verstehen sind. Daher nimmt die Rückmodifikationseinheit 38 die zu der Modifikation, die durch die Modifikationseinheit 36 vorgenommen wurde, umgekehrte Modifikation vor, wodurch die Daten als Daten in einem Format, das für den Betreiber leicht zu verstehen ist, angezeigt werden können. Es ist zu beachten, dass die Rückmodifikationseinheit 38 ferner eine Verarbeitung vornehmen kann, die zu der Vorverarbeitung, welche durch die Vorverarbeitungseinheit 32 an den Daten vorgenommen wurde, umgekehrt ist.
Im Vorhergehenden wurden Ausführungsformen der vorliegenden Erfindung beschrieben, doch ist die vorliegende Erfindung nicht auf die oben beschriebenen Ausführungsformen beschränkt, sondern kann sie durch Hinzufügen passender Änderungen in verschiedenen Formen ausgeführt werden.
Zum Beispiel sind das Diagnosegerät 1 und die Maschinenlernvorrichtung 100 bei den oben beschriebenen Ausführungsformen als Vorrichtungen mit unterschiedlichen CPUs (Prozessoren) beschrieben. Doch die Maschinenlernvorrichtung 100 kann durch die in dem Diagnosegerät 1 enthaltene CPU 11 und das in dem ROM 12 gespeicherte Systemprogramm erhalten werden.
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

WO 2017/094267 [0003]

Claims

Diagnosegerät, das einen Zustand einer Maschine diagnostiziert, wobei das Diagnosegerät eine Datenerlangungseinheit, die Daten im Zusammenhang mit dem Zustand der Maschine erlangt; eine Vorverarbeitungseinheit, die die durch die Datenerlangungseinheit erlangten Daten vorverarbeitet; und eine Modifikationseinheit, die eine Statistik im Zusammenhang mit dem Zustand der Maschine verwendet, um die durch die Vorverarbeitungseinheit vorverarbeiteten Daten zu modifizieren umfasst, wobei auf der Basis der Daten, die durch die Modifikationseinheit modifiziert wurden, ein Prozess des maschinellen Lernens durch einen Autoencoder vorgenommen wird und der Zustand der Maschine gelernt oder diagnostiziert wird.
Diagnosegerät nach Anspruch 1, ferner umfassend eine Statistikberechnungseinheit, die eine Statistik im Zusammenhang mit den Daten, die durch die Vorverarbeitungseinheit vorverarbeitet wurden, berechnet; eine Lerneinheit, die die Daten nach der Modifikation durch die Modifikationseinheit verwendet, um durch das maschinelle Lernen durch den Autoencoder den Zustand der Maschine zu lernen und ein Lernmodell zu erzeugen; und einen Lernmodellspeichereinheit, die das Lernmodell und die Statistik in einer Verbindung miteinander speichert, wobei die Modifikationseinheit so ausgebildet ist, dass sie die Statistik, die durch die Statistikberechnungseinheit berechnet wurde, verwendet, um die Daten, die durch die Vorverarbeitungseinheit vorverarbeitet wurden, zu modifizieren.
Diagnosegerät nach Anspruch 1, ferner umfassend eine Lernmodellspeichereinheit, die ein Lernmodell, das den Zustand der Maschine durch den Autoencoder gelernt hat, und eine Statistik von Daten, die für das Lernen verwendet wurden, in einer Verbindung miteinander speichert; und eine Diagnoseeinheit, die den Zustand der Maschine unter Verwendung des Lernmodells, das in der Lernmodellspeichereinheit gespeichert wurde, auf der Basis der Daten nach der Modifikation durch die Modifikationseinheit diagnostiziert, wobei die Modifikationseinheit die Statistik, die in der Lernmodellspeichereinheit gespeichert wurde, verwendet, um die Daten, die durch die Vorverarbeitungseinheit vorverarbeitet wurden, zu modifizieren.
Diagnosegerät nach einem der Ansprüche 1 bis 3, wobei die Vorverarbeitungseinheit als Vorverarbeitung eine Frequenzanalyse an Zeitreihendaten in den Daten, die durch die Datenerlangungseinheit erlangt wurden, vornimmt.
Diagnosegerät nach Anspruch 3, wobei die Diagnoseeinheit ferner eine Rückmodifikationseinheit aufweist, die neben einem Diagnoseergebnis die Daten nach der Modifikation, die für die Diagnose verwendet wurden, ausgibt, wobei die Rückmodifikationseinheit an den Daten nach der Modifikation, die durch die Diagnoseeinheit ausgegeben wurde, eine Rückumwandlung der Modifikation, die durch die Modifikationseinheit durchgeführt wurde, vornimmt.
Diagnosegerät nach einem der Ansprüche 1 bis 5, wobei die Modifikation durch die Modifikationseinheit eine Modifikation ist, die für jede Frequenzkomponente der Zeitreihendaten einen Bereich möglicher Werte, die ein Amplitudenwert der Frequenzkomponente annehmen kann, erweitert.