Technisches GebietTechnical area
Die vorliegende Offenbarung betrifft ein Erzeugungsverfahren für ein erlerntes Modell, ein Produktionssystem, eine Vorrichtung zur Feststellung von Anomalien und ein Verfahren zum Feststellen von AnomalienThe present disclosure relates to a learned model creation method, a production system, an anomaly detection device, and an anomaly detection method
Stand der TechnikState of the art
In jüngster Zeit sind Fortschritte der Hochpräzisionsautomatisierung in einer Produktionsmaschine wie einer Arbeitsmaschine, einer Schweißmaschine und einer Werkzeugmaschine gemacht worden, und es ist wichtig, Anomalien des Produktionsbetriebs im Voraus zu erkennen, um durch Defekte an den Produktionsmaschinen verursachte Schäden zu vermeiden.Recently, advances in high-precision automation have been made in a production machine such as a work machine, a welding machine, and a machine tool, and it is important to detect abnormalities in production operation in advance in order to prevent damage caused by defects in the production machines.
Das Patentdokument Nr. 1 offenbart ein Mittel zum Feststellen von Anomalien in Diagnosedaten, die mehrere Variablen betreffen, die die Zustände eines überwachten Objekts (beispielsweise einer Produktionsmaschine) anzeigen, indem ein erlerntes Modell verwendet wird, das durch Lernen erzeugt wird, das einen Datensatz zum Lernen verwendet hat, der die mehreren Variablen betrifft, die die Zustände des überwachten Objekts anzeigen.Patent Document No. 1 discloses a means for detecting anomalies in diagnostic data concerning a plurality of variables indicative of the states of a monitored object (e.g., a production machine) by using a learned model generated by learning that a data set for Learning, which affects the multiple variables that indicate the states of the monitored object.
Das im Patentdokument Nr. 1 beschriebene erlernte Modell weist einen Autoencoder auf, der eine Gewichtung entscheidet, so dass ein Eingangsmerkmalsvektor und ein Ausgangsvektor in einem neuronalen Netzwerk mit drei von mehreren Schichten denselben Wert annehmen, das eine Zwischenschicht mit einer niedrigeren Dimension als eine Eingangsschicht und eine Ausgangsschicht aufweist.The learned model described in Patent Document No. 1 has an autoencoder that decides a weight so that an input feature vector and an output vector in a neural network having three layers of plural take the same value that an intermediate layer having a lower dimension than an input layer and has an output layer.
Dokumente des Stands der TechnikPrior art documents
VerweiseReferences
Patentdokument Nr. 1: Japanische Patentoffenlegung Nr. 2019-61565 Patent Document No. 1: Japanese Patent Laid-Open No. 2019-61565
Zusammenfassung der ErfindungSummary of the invention
Durch die Erfindung zu lösendes ProblemProblem to be solved by the invention
Jedoch können in dem im Patentdokument Nr. 1 beschriebenen erlernten Modell Variable, die im physikalischen Sinn eine niedrige Relevanz aufweisen, unter den mehreren Variablen miteinander verknüpft sein. In einem solchen Fall wird die Genauigkeit der Feststellung von Anomalien reduziert.However, in the learned model described in Patent Document No. 1, variables which are low in relevance in the physical sense may be linked to each other among the plural variables. In such a case, the anomaly detection accuracy is reduced.
Eine Aufgabe der vorliegenden Offenbarung ist es, Anomalien des durch eine Produktionsmaschine durchgeführten Produktionsbetriebs mit hoher Genauigkeit festzustellen.An object of the present disclosure is to detect abnormalities in the production operation performed by a production machine with high accuracy.
Mittel zur Lösung des ProblemsMeans of solving the problem
Ein Erzeugungsverfahren für ein erlerntes Modell gemäß einer ersten Ausführungsform ist ein Verfahren zum Feststellen von Anomalien des durch eine Produktionsmaschine durchgeführten Produktionsbetriebs, wobei das Verfahren mit einem Schritt zum Erzeugen eines geteilten Datensatzes zum Lernen, einem Schritt zum Extrahieren von Merkmalswerten, einem Schritt zum Extrahieren von Eigenschaftswerten, einem Schritt zum Erfassen eines dekomprimierten geteilten Datensatzes zum Lernen, der ein dekomprimierter Datensatz des geteilten Datensatzes zum Lernen ist, und einem Schritt zum Reduzieren der Differenz zwischen dem geteilten Datensatz zum Lernen und dem dekomprimierten geteilten Datensatz zum Lernen versehen ist. Im Schritt zum Erzeugen des geteilten Datensatzes zum Lernen wird ein Datensatz zum Lernen, der mehrere Parameter betrifft, die Zustände einer Produktionsmaschine während des normalen Produktionsbetriebs anzeigen, der durch die Produktionsmaschine durchgeführt wird, in einer Zeitrichtung geteilt, wodurch die geteilten Daten zum Lernen mit einer vorgegebenen Zeitdauer erzeugt werden. Im Schritt zum Extrahieren von Merkmalswerten werden die Merkmalswerte, die jeden der mehreren Parameter betreffen, durch Komprimieren des geteilten Datensatzes zum Lernen nur in der Zeitrichtung extrahiert. Im Schritt zum Extrahieren der Eigenschaftswerte werden die Eigenschaftswerte des gesamten geteilten Datensatzes zum Lernen durch Kombinieren der extrahierten Merkmalswerte in Relation zu jedem der mehreren Parameter extrahiert. Im Schritt zum Erfassen des dekomprimierten geteilten Datensatzes zum Lernen wird der dekomprimierte geteilte Datensatz zum Lernen durch Expandieren der Eigenschaftswerte nur in der Zeitrichtung erfasst.A learning model generation method according to a first embodiment is a method of detecting abnormalities in the production operation performed by a production machine, the method comprising a step of creating a shared data set for learning, a step of extracting feature values, a step of extracting Property values, a step of acquiring a decompressed shared data set for learning which is a decompressed data set of the shared data set for learning, and a step of reducing the difference between the divided data set for learning and the decompressed shared data set for learning. In the step of generating the shared data set for learning, a data set for learning relating to a plurality of parameters indicating states of a production machine during normal production operation performed by the production machine is divided in a time direction, thereby dividing the shared data for learning with a predetermined period of time are generated. In the step of extracting feature values, the feature values pertaining to each of the plural parameters are extracted by compressing the divided data set for learning only in the time direction. In the step of extracting the characteristic values, the characteristic values of the entire divided data set are extracted for learning by combining the extracted characteristic values in relation to each of the plurality of parameters. In the step of acquiring the decompressed divided data record for learning, the decompressed divided data record for learning is acquired by expanding the property values only in the time direction.
Ein Produktionssystem gemäß einer zweiten Ausführungsform ist mit einer Produktionsmaschine, einer Steuereinrichtung zur Feststellung einer Anomalie des Produktionsbetriebs, der durch die Produktionsmaschine durchgeführt wird, und einer Speichereinheit zum Speichern eines erlernten Modells versehen. Die Steuereinrichtung weist auf: eine Teilungseinheit, die einen geteilten Datensatz zur Feststellung mit einer vorgegebenen Zeitdauer durch Teilen in einer Zeitrichtung eines Datensatzes zur Feststellung erzeugt, der mehrere Parameter betrifft, die Zustände der Produktionsmaschine während des Produktionsbetriebs anzeigen, der durch die Produktionsmaschine durchgeführt wird; und eine Feststellungseinheit, die das erlernte Modell verwendet, um die Anomalie des Produktionsbetriebs aus dem geteilten Datensatz zur Feststellung festzustellen.A production system according to a second embodiment is provided with a production machine, a control device for detecting an abnormality in the production operation performed by the production machine, and a storage unit for storing a learned model. The control device comprises: a dividing unit that generates a divided data set for determination with a predetermined period of time by dividing in a time direction a data set for determination relating to a plurality of parameters indicating states of the production machine during the production operation performed by the production machine; and a determination unit that uses the learned model to determine the abnormality of the production operation from the shared data set for determination.
Eine Vorrichtung zur Feststellung von Anomalien gemäß einer dritten Ausführungsform ist eine Vorrichtung zur Feststellung einer Anomalie des Produktionsbetriebs, der durch eine Produktionsmaschine durchgeführt wird. Die Vorrichtung zur Feststellung von Anomalien ist mit einer Speichereinheit, einer Teilungseinheit und einer Feststellungseinheit versehen. Die Speichereinheit speichert ein erlerntes Modell. Die Teilungseinheit erzeugt einen geteilten Datensatz zur Feststellung mit einer vorgegebenen Zeitdauer durch Teilen in einer Zeitrichtung eines Datensatzes zur Feststellung, der mehrere Parameter betrifft, die Zustände der Produktionsmaschine während des Produktionsbetriebs anzeigen, der durch die Produktionsmaschine durchgeführt wird. Die Feststellungseinheit verwendet ein erlerntes Modell, um die Anomalie des Produktionsbetriebs aus dem geteilten Datensatz zur Feststellung festzustellen.An anomaly detection device according to a third embodiment is an anomaly detection device in the production operation performed by a production machine. The anomaly detection device is provided with a storage unit, a dividing unit and a detection unit. The storage unit stores a learned model. The dividing unit generates a divided data set for determination with a predetermined period of time by dividing in a time direction a data set for determination relating to a plurality of parameters indicating states of the production machine during the production operation performed by the production machine. The determination unit uses a learned model to determine the abnormality of the production plant from the shared data set for determination.
Ein Verfahren zum Feststellen von Anomalien gemäß einer vierten Ausführungsform wird durch einen Computer ausgeführt. Das Verfahren zum Feststellen von Anomalien ist mit einem Schritt zum Erzeugen und einem Schritt zum Feststellen versehen. Der Schritt zum Erzeugen umfasst das Teilen in einer Zeitrichtung eines Datensatzes zur Feststellung, der mehrere Parameter betrifft, die Zustände einer Produktionsmaschine während des Produktionsbetriebs anzeigen, der durch die Produktionsmaschine durchgeführt wird. Als Ergebnis erzeugt der Schritt einen geteilten Datensatz zur Feststellung mit einer vorgegebenen Zeitdauer. Der Schritt zum Feststellen umfasst das Verwenden eines erlernten Modells, um eine Anomalie des Produktionsbetriebs aus dem geteilten Datensatz zur Feststellung festzustellen. Das erlernte Modell wird mit dem Erzeugungsverfahren gemäß der ersten Ausführungsform erzeugt.A method of detecting anomalies according to a fourth embodiment is carried out by a computer. The abnormality detection method is provided with a generating step and a detecting step. The step of generating comprises dividing, in a time direction, a data set to determine which relates to a plurality of parameters which indicate states of a production machine during the production operation which is carried out by the production machine. As a result, the step creates a shared data set for determination with a predetermined period of time. The step of determining includes using a learned model to determine a manufacturing operation abnormality from the shared data set for determination. The learned model is created with the creation method according to the first embodiment.
Effekt der ErfindungEffect of the invention
Gemäß der vorliegenden Offenbarung können ein Erzeugungsverfahren für ein erlerntes Modell, ein Produktionssystem, eine Vorrichtung zur Feststellung von Anomalien und ein Verfahren zum Feststellen von Anomalien bereitgestellt werden, die zum Feststellen eine Anomalie des Produktionsbetriebs mit hoher Genauigkeit imstande sind, der durch eine Produktionsmaschine durchgeführt wird.According to the present disclosure, there can be provided a learned model creating method, a production system, an anomaly detection device, and an anomaly detection method capable of detecting an anomaly of the production operation performed by a production machine with high accuracy .
FigurenlisteFigure list
-
1 stellt eine Konfiguration eines Lernmoduls dar. 1 represents a configuration of a learning module.
-
2 stellt ein Beispiel eines Datensatzes zum Lernen dar. 2 represents an example of a data set for learning.
-
3 stellt ein Beispiel des Erzeugens eines geteilten Datensatzes zum Lernen dar. 3rd illustrates an example of creating a shared data set for learning.
-
4 stellt ein Beispiel der Struktur einer Modelllerneinheit dar. 4th shows an example of the structure of a model learning unit.
-
5 stellt ein Beispiel der Struktur einer Modelllerneinheit dar. 5 shows an example of the structure of a model learning unit.
-
6 ist ein Ablaufplan zum Erläutern eines Erzeugungsverfahrens für ein erlerntes Modell. 6th Fig. 13 is a flow chart for explaining a learning model generating method.
-
7 stellt eine Konfiguration eines Produktionssystems dar. 7th represents a configuration of a production system.
-
8 stellt ein Beispiel eines Datensatzes zur Feststellung dar. 8th represents an example of a data set for determination.
-
9 ist ein Ablaufplan zum Erläutern ein Verfahren zum Feststellen von Anomalien. 9 Fig. 13 is a flow chart for explaining a method of detecting abnormalities.
Beschreibung der AusführungsformenDescription of the embodiments
Ein Verfahren zum Erzeugen eines erlernten Modells 1, ein Produktionssystem 20, das eine Produktionsmaschine 15 aufweist, und ein Verfahren zum Feststellen einer Anomalie wird hierin der Reihe nach unter Bezugnahme auf die Zeichnungen erläutert.A method of creating a learned model 1 , a production system 20th that is a production machine 15th and a method of detecting an abnormality will be explained herein in turn with reference to the drawings.
Die Produktionsmaschine 15 führt den Produktionsbetrieb durch. Es können eine Werkzeugmaschine, eine Schweißmaschine oder eine andere Arbeitsmaschine oder dergleichen als Beispiel für die Produktionsmaschine 15 dienen, jedoch ist die Produktionsmaschine 15 nicht darauf beschränkt. Die vorliegende Ausführungsform setzt einen Fall voraus, in dem eine nummerisch gesteuerte (NC) Drehmaschine als die Produktionsmaschine 15 verwendet wird.The production machine 15th carries out the production operation. A machine tool, a welding machine or another work machine or the like can be used as an example of the production machine 15th serve, however, is the production machine 15th not limited to that. The present embodiment assumes a case where a numerically controlled (NC) lathe is used as the production machine 15th is used.
(Erzeugung des erlernten Modells 1)(Generation of the learned model 1 )
1 stellt eine Konfiguration eines Lernmoduls 10 zum Erzeugen des erlernten Modells 1 dar. 2 stellt ein Beispiel eines Datensatzes zum Lernen D1 dar. 3 stellt ein Beispiel des Erzeugens geteilter Datensätze zum Lernen D3 dar. 4 und 5 stellen jeweils ein Beispiel der Struktur einer Modelllerneinheit 13 dar. 1 represents a configuration of a learning module 10 to generate the learned model 1 represent. 2 shows an example of a data set for learning D1. 3rd Figure 3 illustrates an example of creating split data sets for learning D3. 4th and 5 each provide an example of the structure of a model learning unit 13th represent.
Wie in 1 dargestellt, ist das Lernmodul 10 mit einer Lerndatensatz-Erfassungseinheit 11, einer Vorverarbeitungseinheit 12, der Modelllerneinheit 13, und eine Modellspeichereinheit 14 versehen.As in 1 shown is the learning module 10 with a learning data record acquisition unit 11 , a preprocessing unit 12th , the model learning unit 13th , and a model storage unit 14th Mistake.
Lerndatensatz-Erfassungseinheit 11 Learning data record acquisition unit 11
Die Lerndatensatz-Erfassungseinheit 11 erfasst den Datensatz zum Lernen D1. Der Datensatz zum Lernen D1 hängt mit mehreren Parametern zusammen, die Zustände der Produktionsmaschine 15 während des normalen Produktionsbetriebs anzeigen, der durch die Produktionsmaschine 15 durchgeführt wird. Der normale Produktionsbetrieb bezeichnet einen Produktionsbetrieb, der gemäß Bemessungsinformationen ausgeführt wird.The learning data record acquisition unit 11 acquires the data record for learning D1. The data set for learning D1 is related to several parameters, the states of the production machine 15th display during normal production operation by the production machine 15th is carried out. The normal production operation refers to a production operation that is carried out according to the design information.
Wie in 2 dargestellt, enthält der Datensatz zum Lernen D1 Werte von jedem der mehreren Parameter, die der Reihe nach in der Zeitrichtung ausgerichtet sind. Insbesondere ist der Datensatz zum Lernen D1 aus den Werten jedes Parameters konfiguriert, die zu den Messzeiten t1 bis t10 gemessen werden, die in der Zeitrichtung ausgerichtet sind.As in 2 As illustrated, the data set for learning D1 includes values of each of the plural parameters which are sequentially aligned in the time direction. In particular, the data set for learning D1 is configured from the values of each parameter measured at the measurement times t1 to t10 that are aligned in the time direction.
Da der Fall der Verwendung einer NC-Drehmaschine als die Produktionsmaschine 15 in der vorliegenden Ausführungsform vorausgesetzt wird, dienen das Motordrehmoment, die Vorschubgeschwindigkeit, das Modal F, die Spindeldrehzahl, das Modal S, die Maschinenkoordinate X, die Maschinenkoordinate Y, die Maschinenkoordinate Z, der Lastmesser X, der Lastmesser Y und der Lastmesser Z als Beispiele für Parameter, die im Datensatz zum Lernen D1 enthalten sind. Jedoch können die Anzahl und Arten der Parameter, die im Datensatz zum Lernen D1 enthalten sind, als Reaktion auf den Typ der Produktionsmaschine 15 oder die Typen der an der Produktionsmaschine 15 angeschlossenen Sensoren oder dergleichen geeignet geändert werden. Während die Werte jedes Parameters zu den Messzeiten t1 bis t10 im Datensatz zum Lernen D1 gemessen werden, der in 2 dargestellt wird, können die Messintervalle (nämlich die Zeitintervalle der Messzeit (t1 bis t10) und die Messhäufigkeit (nämlich die Anzahl der Messzeiten) als Reaktion auf die Betriebszeitspanne oder dergleichen des Produktionsbetriebs geeignet geändert werden.As the case of using an NC lathe as the production machine 15th Assuming in the present embodiment, the motor torque, the feed rate, the F mode, the spindle speed, the S mode, the machine coordinate X, the machine coordinate Y, the machine coordinate Z, the load meter X, the load meter Y, and the load meter Z are examples for parameters that are contained in the data record for learning D1. However, the number and types of parameters included in the learning record D1 may vary in response to the type of production machine 15th or the types of on the production machine 15th connected sensors or the like can be changed appropriately. While the values of each parameter are measured at the measuring times t1 to t10 in the data set for learning D1, which is stored in 2 is illustrated, the measurement intervals (namely, the time intervals of the measurement time (t1 to t10) and the measurement frequency (namely, the number of measurement times) can be appropriately changed in response to the operating period or the like of the production operation.
Vorverarbeitungseinheit 12 Preprocessing unit 12th
Die Vorverarbeitungseinheit 12 ist zwischen der Lerndatensatz-Erfassungseinheit 11 und der Modelllerneinheit 13 angeordnet. Die Vorverarbeitungseinheit 12 weist eine Normierungseinheit 12a, eine Teilungseinheit 12b und eine Speichereinheit 12c für geteilte Datensätze auf.The preprocessing unit 12th is between the learning data record acquisition unit 11 and the model learning unit 13th arranged. The preprocessing unit 12th has a normalization unit 12a , a unit of division 12b and a storage unit 12c for split records.
Die Normierungseinheit 12a normiert die Werte jedes Parameters, die im Datensatz zum Lernen D1 enthalten sind, wodurch ein normierte Datensatz zum Lernen D2 erzeugt wird. Die Normierungseinheit 12a führt eine lineare Transformation durch, um die Werte jedes Parameters, die im Datensatz zum Lernen D1 enthalten sind, auf Werte zwischen beispielsweise -1 (Minimalwert) und 1 (Maximalwert) zu transformieren.The normalization unit 12a normalizes the values of each parameter contained in the data set for learning D1, thereby generating a normalized data set for learning D2. The normalization unit 12a carries out a linear transformation in order to transform the values of each parameter contained in the data set for learning D1 to values between, for example, -1 (minimum value) and 1 (maximum value).
Wie in 3 dargestellt, teilt die Teilungseinheit 12b den normierten Datensatz zum Lernen D2 in der Zeitrichtung, wodurch geteilte Datensätze zum Lernen D3 mit einer vorgegebenen Zeitdauer erzeugt werden. Die Teilungseinheit 12b speichert die erzeugten geteilten Datensätze zum Lernen D3 in der Speichereinheit 12c für geteilte Datensätze.As in 3rd shown divides the unit of division 12b the normalized data set for learning D2 in the time direction, thereby generating divided data sets for learning D3 with a predetermined period of time. The division unit 12b stores the generated divided data sets for learning D3 in the storage unit 12c for shared records.
Während die Teilungseinheit 12b in dem in 3 dargestellten Beispiel drei geteilte Datensätze zum Lernen D3 aus einem normierten Datensatz zum Lernen D2 erzeugt, kann die Anzahl der geteilten Datensätze zum Lernen D3 eins oder mehr betragen. Während die Teilungseinheit 12b in dem in 3 dargestellten Beispiel die geteilten Datensätze zum Lernen D3 mit Zeitdauern erzeugt, die Messintervallen von sieben Abschnitten entsprechen, kann die Zeitdauer von jedem der geteilten Datensätze zum Lernen D3 nach Bedarf geändert werden. Während die Teilungseinheit 12b in den in 3 dargestellten Beispielen die Startpunkte jedes Satzes der geteilten Datensätze zum Lernen D3 in der Zeitrichtung um das Messintervall eines Abschnitts verschiebt, kann die Weite der Verschiebung jedes Startpunkts für jeden Satz der geteilten Datensätze zum Lernen D3 in der Zeitrichtung nach Bedarf geändert werden. Jedoch befindet sich der Startpunkt des zeitlich vorhergehenden geteilten Datensatzes zum Lernen D3 unter zwei benachbarten geteilten Datensätzen zum Lernen D3 in der Zeitrichtung vorzugsweise nach dem Startpunkt und vor dem Endpunkt des zeitlich vorhergehenden geteilten Datensatzes zum Lernen D3. Folglich kann sich ein Abschnitt von zwei benachbarten geteilten Datensätzen zum Lernen D3 in der Zeitrichtung gegenseitig überlappen, wodurch sequentielle Änderungen der Parameter im erlernten Modell 1 widergespiegelt werden können. Die Teilungseinheit 12b teilt den normierten Datensatz zum Lernen D2 in mehrere geteilte Datensätze zum Lernen D3, deren Startpunkte um eine bestimmte Zeitspanne verschoben sind. Ein Abschnitt überlappt sich unter den beiden Sätzen der geteilten Datensätze zum Lernen D3, deren Startpunkte um eine konstante Zeitspanne verschoben sind. Die Länge in der Zeitrichtung jedes Satzes der geteilten Datensätze zum Lernen D3 ist länger als die konstante Zeitspanne, um die die Startpunkte verschoben sind.While the division unit 12b in the in 3rd In the example shown, three divided data sets for learning D3 are generated from a standardized data set for learning D2, the number of divided data sets for learning D3 can be one or more. While the division unit 12b in the in 3rd For example, as shown in the example shown, the divided data sets for learning D3 are generated with periods corresponding to measurement intervals of seven sections, the time period of each of the divided data sets for learning D3 can be changed as necessary. While the division unit 12b in the in 3rd For example, shifts the starting points of each set of the divided data sets for learning D3 in the time direction by the measurement interval of one section, the amount of shift of each start point for each set of the divided data sets for learning D3 in the time direction can be changed as necessary. However, the starting point of the temporally preceding divided data set for learning D3 is located among two adjacent divided data sets for learning D3 in the time direction preferably after the start point and before the end point of the temporally preceding divided data set for learning D3. As a result, a portion of two adjacent divided data sets for learning D3 may mutually overlap in the time direction, causing sequential changes of the parameters in the learned model 1 can be reflected. The division unit 12b divides the normalized data set for learning D2 into several divided data sets for learning D3, the starting points of which are shifted by a certain period of time. A section overlaps under the two sets of the divided data sets for learning D3, the starting points of which are shifted by a constant period of time. The length in the time direction of each set of the divided data sets for learning D3 is longer than the constant period of time by which the starting points are shifted.
Die Speichereinheit 12c für geteilte Datensätze speichert die geteilten Datensätze zum Lernen D3, die durch die Teilungseinheit 12b erzeugt werden.The storage unit 12c for split records stores the split records for learning D3 created by the division unit 12b be generated.
Modelllerneinheit 13 Model learning unit 13th
Die Modelllerneinheit 13 ist zwischen der Vorverarbeitungseinheit 12 und der Modellspeichereinheit 14 angeordnet. Die Modelllerneinheit 13 weist eine Merkmalsextraktionseinheit 13a, eine Eigenschaftsextraktionseinheit 13b, eine Dekomprimierungseinheit 13c und eine Einstelleinheit 13d auf.The model learning unit 13th is between the preprocessing unit 12th and the model storage unit 14th arranged. The model learning unit 13th has a feature extraction unit 13a , a property extraction unit 13b , a decompression unit 13c and an adjustment unit 13d on.
Die Merkmalsextraktionseinheit 13a erfasst den geteilten Datensatz zum Lernen D3, der in der Speichereinheit 12c für geteilte Datensätze gespeichert ist. Die Merkmalsextraktionseinheit 13a komprimiert jeden Satz des geteilten Datensatzes zum Lernen D3 nur in der Zeitrichtung, wodurch Merkmalswerte in der Zeitrichtung extrahiert werden, die jeden der mehreren Parameter betreffen. Die Merkmalsextraktionseinheit 13a extrahiert die Werte jedes Parameters, der im geteilten Datensatz zum Lernen D3 enthalten ist, ohne Komprimieren in der Parameterrichtung (mit anderen Worten der Kanalrichtung). Ein „Merkmalswert“ ist in der vorliegenden Offenbarung ein Index, der ein Merkmal in der Zeitrichtung jedes Parameters anzeigt, der im geteilten Datensatz zum Lernen D3 enthalten ist, und ist kein Index, der mit Beziehungen zwischen den Parametern selbst zusammenhängt.The feature extraction unit 13a acquires the shared data set for learning D3 stored in the storage unit 12c is stored for shared records. The feature extraction unit 13a compresses each sentence of the divided data set for learning D3 only in the time direction, thereby extracting feature values in the time direction relating to each of the plural parameters. The feature extraction unit 13a extracts the values of each parameter included in the divided data set for learning D3 without compressing in the parameter direction (in other words, the channel direction). A “feature value” in the present disclosure is an index indicating a feature in the time direction of each parameter included in the shared data set for learning D3, and is not an index related to relationships among the parameters themselves.
Wie in 4 dargestellt, ist die Merkmalsextraktionseinheit 13a durch ein oder mehrere faltende neuronale Netzwerke (CNN) konfiguriert. Die faltenden neuronalen Netzwerke führen einen Filterprozess aus, der in einer bekannten Bildkomprimierungstechnologie verwendet wird. Es kann beispielsweise ein Poolbildungsprozess oder dergleichen im Filterprozess enthalten sein, der durch die Merkmalsextraktionseinheit 13a ausgeführt wird. Details (beispielsweise die Anzahl der Filter, die Parameter jedes Filters, die Art der Poolbildung usw.) des Filterprozesses, der durch die Merkmalsextraktionseinheit 13a ausgeführt wird, werden durch die unten erwähnte Einstelleinheit 13d eingestellt.As in 4th is the feature extraction unit 13a configured by one or more convolutional neural networks (CNN). The convolutional neural networks carry out a filtering process used in a known image compression technology. For example, a pooling process or the like may be included in the filtering process performed by the feature extraction unit 13a is performed. Details (e.g. the number of filters, the parameters of each filter, the type of pooling, etc.) of the filtering process carried out by the feature extraction unit 13a are performed by the setting unit mentioned below 13d set.
Die Eigenschaftsextraktionseinheit 13b kombiniert die Merkmalswerte jedes durch die Merkmalsextraktionseinheit 13a extrahierten Parameters, wodurch Eigenschaftswerte des gesamten geteilten Datensatzes zum Lernen D3 extrahiert werden. Der „Eigenschaftswert“ ist in der vorliegenden Offenbarung ein Index, der die Eigenschaften des gesamten geteilten Datensatzes zum Lernen D3 anzeigt.The property extraction unit 13b combines the feature values each by the feature extraction unit 13a extracted parameter, thereby extracting property values of the entire divided data set for learning D3. The “property value” in the present disclosure is an index indicating the properties of the entire shared data set for learning D3.
Wie in 4 und 5 dargestellt, weist die Eigenschaftsextraktionseinheit 13b mindestens ein Neuron auf. Die Anzahl der Neuronen der Eigenschaftsextraktionseinheit 13b ist kleiner als die Anzahl der Neuronen der Merkmalsextraktionseinheit 13a. Die Neuronen der Eigenschaftsextraktionseinheit 13b werden mit den Neuronen der Merkmalsextraktionseinheit 13a kombiniert, und es werden Gewichte (kombinierte Lasten) für jede Kombination festgelegt. Es werden Schwellenwerte für jedes Neuron festgelegt, und ein durch jedes Neuron ausgegebener Ausgabewert wird danach entschieden, ob die Summe der Produkte der Eingabewerte in jedes Neuron und die Gewichte den Schwellenwert überschreiten. Die Anzahl der Neuronen, die Kombinationsbeziehung zwischen den Neuronen, die Gewichte der Kombinationen unter den Neuronen, der Schwellenwert von jedem Neuron und dergleichen in der Merkmalsextraktionseinheit 13a werden durch die Einstelleinheit 13d eingestellt.As in 4th and 5 shown, the property extraction unit 13b at least one neuron. The number of neurons in the trait extraction unit 13b is smaller than the number of neurons of the feature extraction unit 13a . The neurons of the property extraction unit 13b are with the neurons of the feature extraction unit 13a combined, and weights (combined loads) are set for each combination. Threshold values are established for each neuron, and an output value output by each neuron is then decided whether the sum of the products of the input values into each neuron and the weights exceed the threshold value. The number of neurons, the combination relationship among the neurons, the weights of the combinations among the neurons, the threshold value of each neuron, and the like in the feature extraction unit 13a are set by the setting unit 13d set.
Die Dekomprimierungseinheit 13c expandiert die durch die Eigenschaftsextraktionseinheit 13b extrahierten Eigenschaftswerte nur in der Zeitrichtung, wodurch ein dekomprimierter geteilter Datensatzes zum Lernen D4 erfasst wird, der ein dekomprimierter Datensatz des geteilten Datensatzes zum Lernen D3 ist. Die Dekomprimierungseinheit 13c dekomprimiert den dekomprimierten geteilten Datensatz zum Lernen D4 ohne Expandieren der Eigenschaftswerte in der Parameterrichtung (nämlich in der Kanalrichtung).The decompression unit 13c expands the through the property extraction unit 13b extracted property values only in the time direction, thereby acquiring a decompressed shared data set for learning D4, which is a decompressed data set of the divided data set for learning D3. The decompression unit 13c decompresses the decompressed split data set for learning D4 without expanding the property values in the parameter direction (namely, in the channel direction).
Wie in 5 dargestellt, ist die Dekomprimierungseinheit 13c durch ein oder mehrere CNNs konfiguriert. Die faltenden neuronalen Netzwerke führen einen Filterprozess aus, der in einer bekannten Bildkomprimierungstechnologie verwendet wird. Es kann beispielsweise ein Überabtastungsprozess oder dergleichen im Filterprozess enthalten sein, der in der Dekomprimierungseinheit 13c ausgeführt wird. Details (beispielsweise die Anzahl der Filter, die Parameter jedes Filters, die Art der Überabtastung usw.) des durch die Dekomprimierungseinheit 13c ausgeführten Filterprozesses werden durch die Einstelleinheit 13d eingestellt.As in 5 is the decompression unit 13c configured by one or more CNNs. The convolutional neural networks carry out a filtering process used in a known image compression technology. For example, an oversampling process or the like may be included in the filtering process that is performed in the decompression unit 13c is performed. Details (e.g. the number of filters, the parameters of each filter, the type of oversampling, etc.) of the information performed by the decompression unit 13c executed filter process are carried out by the setting unit 13d set.
Die Einstelleinheit 13d ermittelt eine Differenz ΔD zwischen dem geteilten Datensatz zum Lernen D3 und dem dekomprimierten geteilten Datensatz zum Lernen D4. Die Differenz ΔD ist ein Wert, der beispielsweise durch Durchführen einer Berechnung des mittleren Fehlerquadrats am geteilten Datensatz zum Lernen D3 und am dekomprimierten geteilten Datensatz zum Lernen D4 erhalten wird. Das mittlere Fehlerquadrat ist eine sogenannte Kostenfunktion. Die Einstelleinheit 13d vergleicht die Differenz ΔD und einen vorgegebenen Schwellenwert TH1, um festzustellen, ob die Differenz ΔD ausreichend klein ist.The setting unit 13d determines a difference ΔD between the divided data set for learning D3 and the decompressed divided data set for learning D4. The difference ΔD is a value obtained, for example, by performing mean square error calculation on the divided data set for learning D3 and the decompressed divided data set for learning D4. The mean square error is a so-called cost function. The setting unit 13d compares the difference ΔD and a predetermined threshold value TH1 to determine whether the difference ΔD is sufficiently small.
Wenn die Differenz ΔD ausreichend klein ist, speichert die Einstelleinheit 13d alle Konfigurationen (die Filterkonfigurationen, die Neuronenkonfigurationen usw.) der Merkmalsextraktionseinheit 13a, der Eigenschaftsextraktionseinheit 13b und der Dekomprimierungseinheit 13c in der Modellspeichereinheit 14 als das erlernte Modell 1.When the difference ΔD is sufficiently small, the setting unit stores 13d all the configurations (the filter configurations, the neuron configurations, etc.) of the feature extraction unit 13a , the property extraction unit 13b and the decompression unit 13c in the model storage unit 14th than the learned model 1 .
Wenn die Differenz ΔD nicht ausreichend klein ist, stellt die Einstelleinheit 13d mindestens eines des Komprimierungsverfahrens des geteilten Datensatzes zum Lernen D3, das durch die Merkmalsextraktionseinheit 13a durchgeführt wird, des Kombinationsverfahrens der Merkmalswerte, das durch die Eigenschaftsextraktionseinheit 13b durchgeführt wird, und des Expansionsverfahrens der Eigenschaftswerte ein, das durch die Dekomprimierungseinheit 13c durchgeführt wird, wodurch die Differenz ΔD reduziert wird. Die Einstelleinheit 13d kann das Einstellen des Kompressionsverfahrens, des Kombinationsverfahrens und des Expansionsverfahrens wiederholen. Wenn als Ergebnis die Differenz ΔD ausreichend klein geworden ist, speichert die Einstelleinheit 13d alle Konfigurationen der Merkmalsextraktionseinheit 13a, der Eigenschaftsextraktionseinheit 13b und der Dekomprimierungseinheit 13c in der Modellspeichereinheit 14 als das erlernte Modell 1.If the difference ΔD is not sufficiently small, the setting unit adjusts 13d at least one of the compression method of the divided data set for learning D3 performed by the feature extraction unit 13a is performed, the combining method of the feature values, which is carried out by the property extraction unit 13b is performed, and the method of expanding the property values performed by the decompression unit 13c is performed, whereby the difference ΔD is reduced. The setting unit 13d the setting of the compression method, des Repeat the combination process and the expansion process. As a result, when the difference ΔD has become sufficiently small, the setting unit stores 13d all configurations of the feature extraction unit 13a , the property extraction unit 13b and the decompression unit 13c in the model storage unit 14th than the learned model 1 .
Modellspeichereinheit 14Model storage unit 14
Die Modellspeichereinheit 14 speichert das erlernte Modell 1, das alle Konfigurationen der Merkmalsextraktionseinheit 13a, der Eigenschaftsextraktionseinheit 13b und der Dekomprimierungseinheit 13c repräsentiert.The model storage unit 14th saves the learned model 1 which includes all configurations of the feature extraction unit 13a , the property extraction unit 13b and the decompression unit 13c represents.
Wie oben angegeben, wird das erlernte Modell 1 durch das Lernmodul 10 erzeugt. Das erlernte Modell 1 ist ein Modell zum Dekomprimieren und Ausgeben desselben Datensatzes wie den eingegebenen Datensatz, solange der normale Datensatz, der derselbe wie der zum Lernen verwendet Datensatz ist, eingegeben wird. Während als Ergebnis das erlernte Modell 1 den dekomprimierten geteilten Datensatz zum Lernen D4 genau erzeugen kann, wenn der geteilte Datensatz zum Lernen D3 beruhend auf dem normalen Produktionsbetrieb eingegeben wird, kann der dekomprimierte geteilte Datensatz zum Lernen D4 aus dem geteilten Datensatz zum Lernen D3 nicht genau erzeugt werden, der auf einem anomalen Produktionsbetrieb beruht. Daher ist das erlernte Modell 1 zur Feststellung von Anomalien im Produktionsbetrieb geeignet, wie nachstehend erläutert wird.As stated above, the learned model becomes 1 through the learning module 10 generated. The learned model 1 is a model for decompressing and outputting the same data set as the input data set as long as the normal data set, which is the same as the data set used for learning, is input. While as a result, the learned model 1 can accurately generate the decompressed shared data set for learning D4, if the divided data set for learning D3 is input based on the normal production operation, the decompressed divided data set for learning D4 cannot be accurately generated from the divided data set for learning D3 based on an abnormal Production operation is based. Hence the learned model 1 suitable for the detection of anomalies in the production plant, as explained below.
Verfahren zum Erzeugen des erlernten Modells 1Procedure for generating the learned model 1
Ein Ablauf des Verfahrens zum Erzeugen des erlernten Modells 1 wird als nächstes unter Bezugnahme auf 6 erläutert.A sequence of the method for generating the learned model 1 is next with reference to FIG 6th explained.
Zuerst erfasst im Schritt S1 die Lerndatensatz-Erfassungseinheit 11 den Datensatz zum Lernen D1 (siehe 2), bei dem es sich um Daten handelt, die mehrere Parameter betreffen, die Zustände der Produktionsmaschine 15 während des normalen Produktionsbetriebs anzeigen, der durch die Produktionsmaschine 15 durchgeführt wird.First, in step S1, the learning record acquisition unit acquires 11 the data record for learning D1 (see 2 ), which is data concerning several parameters, the states of the production machine 15th display during normal production operation by the production machine 15th is carried out.
Als nächstes normiert im Schritt S2 die Normierungseinheit 12a die Werte jedes Parameters, die im Datensatz zum Lernen D1 enthalten sind, wodurch der normierte Datensatz zum Lernen D2 erzeugt wird.Next, the normalization unit normalizes in step S2 12a the values of each parameter contained in the learning data set D1, thereby generating the normalized learning data set D2.
Als nächstes teilt im Schritt S3 die Teilungseinheit 12b den normierten Datensatz zum Lernen D2 in der Zeitrichtung, wodurch ein geteilter Datensatz zum Lernen D3 (siehe 3) mit einer vorgegebenen Zeitdauer erzeugt wird.Next, in step S3, the dividing unit divides 12b the normalized data set for learning D2 in the time direction, whereby a divided data set for learning D3 (see 3rd ) is generated with a predetermined period of time.
Als nächstes komprimiert im Schritt S4 die Merkmalsextraktionseinheit 13a den geteilten Datensatz zum Lernen D3 nur in der Zeitrichtung, wodurch die Merkmalswerte in der Zeitrichtung jedes Parameters extrahiert werden.Next, in step S4, the feature extraction unit compresses 13a the divided data set for learning D3 in the time direction only, thereby extracting the feature values in the time direction of each parameter.
Als nächstes kombiniert im Schritt S5 die Eigenschaftsextraktionseinheit 13b die Merkmalswerte jedes Parameters, wodurch Eigenschaftswerte des gesamten geteilten Datensatzes zum Lernen D3 extrahiert werden.Next, in step S5, the property extraction unit combines 13b the feature values of each parameter, whereby feature values of the entire divided data set are extracted for learning D3.
Als nächstes expandiert im Schritt S6 die Dekomprimierungseinheit 13c die Eigenschaftswerte nur in der Zeitrichtung, wodurch ein dekomprimierter geteilter Datensatz zum Lernen D4 erfasst wird.Next, in step S6, the decompression unit expands 13c the property values only in the time direction, whereby a decompressed split data set is acquired for learning D4.
Als nächstes stellt im Schritt S7 die Einstelleinheit 13d fest, ob die Differenz ΔD zwischen dem geteilten Datensatz zum Lernen D3 und dem dekomprimierten geteilten Datensatz zum Lernen D4 ausreichend klein ist.Next, in step S7, the setting unit is set 13d determines whether the difference ΔD between the divided data set for learning D3 and the decompressed divided data set for learning D4 is sufficiently small.
Wenn die Differenz ΔD im Schritt S7 ausreichend klein ist, rückt die Verarbeitung zu Schritt S8 vor, und die Modellspeichereinheit 14 speichert alle Konfigurationen der Merkmalsextraktionseinheit 13a, der Eigenschaftsextraktionseinheit 13b und der Dekomprimierungseinheit 13c als das erlernte Modell 1.If the difference ΔD is sufficiently small in step S7, the processing advances to step S8 and the model storage unit 14th stores all configurations of the feature extraction unit 13a , the property extraction unit 13b and the decompression unit 13c than the learned model 1 .
Wenn die Differenz ΔD im Schritt S7 nicht ausreichend klein ist, rückt der Prozess zu Schritt S9 vor, und die Einstelleinheit 13d stellt mindestens eines des Komprimierungsverfahrens des geteilten Datensatzes zum Lernen D3 in der Merkmalsextraktionseinheit 13a, des Kombinationsverfahrens der Merkmalswerte in der Eigenschaftsextraktionseinheit 13b und des Expansionsverfahrens der Eigenschaftswerte in der Dekomprimierungseinheit 13c ein. Die Verarbeitung kehrt dann zu Schritt S4 zurück.If the difference ΔD is not sufficiently small in step S7, the process proceeds to step S9 and the setting unit 13d provides at least one of the compression method of the divided data set for learning D3 in the feature extraction unit 13a , the combination method of the feature values in the property extraction unit 13b and the expansion method of the property values in the decompression unit 13c on. Processing then returns to step S4.
(Produktionssystem 20)(Production system 20th )
7 stellt eine Konfiguration eines Produktionssystems 20 dar, das die Produktionsmaschine 15 enthält. 8 stellt ein Beispiel eines Datensatzes zur Feststellung E1 dar. 7th represents a configuration of a production system 20th represents that the production machine 15th contains. 8th shows an example of a data set for determination E1.
Das Produktionssystem 20 ist mit der oben erwähnten Modellspeichereinheit 14 und der Produktionsmaschine 15 und einer Steuereinrichtung 16 versehen.The production system 20th is with the above-mentioned model storage unit 14th and the production machine 15th and a control device 16 Mistake.
Die Modellspeichereinheit 14 speichert das oben erwähnte erlernte Modell 1. Die Produktionsmaschine 15 führt den Produktionsbetrieb aus. Die Produktionsmaschine 15 ist ein überwachtes Objekt im Produktionssystem 20. In der vorliegenden Ausführungsform ist die Produktionsmaschine 15 eine NC-Drehmaschine.The model storage unit 14th saves the learned model mentioned above 1 . The production machine 15th carries out the production operation. The production machine 15th is a monitored object in the production system 20th . In the present The embodiment is the production machine 15th an NC lathe.
Die Steuereinrichtung 16 ist eine „Vorrichtung zur Feststellung von Anomalien“ gemäß der vorliegenden Offenbarung. Die Steuereinrichtung 16 verwendet das in der Modellspeichereinheit 14 gespeicherte erlernte Modell 1, um eine Anomalie des Produktionsbetriebs festzustellen, der durch die Produktionsmaschine 15 durchgeführt wird. Die Steuereinrichtung 16 ist mit einer Feststellungsdatensatz-Erfassungseinheit 17, einer Vorverarbeitungseinheit 18, eine Feststellungseinheit 19 und einer Benachrichtigungseinheit 30 versehen.The control device 16 is an "Anomaly Detection Apparatus" in accordance with the present disclosure. The control device 16 uses that in the model storage unit 14th saved learned model 1 to detect an abnormality in the production operation caused by the production machine 15th is carried out. The control device 16 is with a determination record acquisition unit 17th , a preprocessing unit 18th , a determination unit 19th and a notification unit 30th Mistake.
Feststellungsdatensatz-Erfassungseinheit 17Determination data record acquisition unit 17
Die Feststellungsdatensatz-Erfassungseinheit 17 erfasst einen Datensatz zur Feststellung E1. Der Datensatz zur Feststellung E1 ist ein Datensatz, der mehrere Parameter betrifft, die Zustände der Produktionsmaschine 15 während des Produktionsbetriebs anzeigen, der durch die Produktionsmaschine 15 durchgeführt wird. In diesem Stadium kann aus dem Datensatz zur Feststellung E1 nicht festgestellt werden, ob der Produktionsbetrieb normal oder anomal ist.The determination record acquisition unit 17th captures a data record for determination E1. The data record for determination E1 is a data record that relates to several parameters, the states of the production machine 15th display during production operation, by the production machine 15th is carried out. At this stage, it cannot be determined from the data record for determination E1 whether the production operation is normal or abnormal.
Wie in 8 dargestellt, enthält der Datensatz zur Feststellung E1 Werte von jedem der mehreren Parameter, die der Reihe nach in der Zeitrichtung ausgerichtet sind. Insbesondere ist der Datensatz zur Feststellung E1 durch Ausrichten der zu den Messzeiten t1 bis t10 gemessenen Werte jedes Parameters in der Zeitrichtung konfiguriert.As in 8th As shown, the data set for determination E1 contains values of each of the plurality of parameters which are sequentially aligned in the time direction. In particular, the data set for determination E1 is configured by aligning the values of each parameter measured at the measurement times t1 to t10 in the time direction.
Die Parameter, die dieselben wie jene des Datensatzes zum Lernen D1 sind (siehe 2), sind im Datensatz zur Feststellung E1 enthalten. Die Intervalle zwischen den Messzeiten t1 bis t10 im Datensatz zur Feststellung E1 sind dieselben wie die Intervalle zwischen den Messzeiten t1 bis t10 im Datensatz zum Lernen D1.The parameters that are the same as those of the data set for learning D1 (see 2 ), are contained in the data record for determination E1. The intervals between the measuring times t1 to t10 in the data record for determining E1 are the same as the intervals between the measuring times t1 to t10 in the data record for learning D1.
Vorverarbeitungseinheit 18Preprocessing unit 18
Die Vorverarbeitungseinheit 1 weist eine Normierungseinheit 18a, eine Teilungseinheit 18b und eine Speichereinheit 18c für geteilte Datensätze auf.The preprocessing unit 1 has a normalization unit 18a , a unit of division 18b and a storage unit 18c for split records.
Die Normierungseinheit 18a normiert die Werte jedes Parameters, der im Datensatz zur Feststellung E1 enthalten ist, wodurch ein normierter Datensatz zur Feststellung E2 erzeugt wird. Die Normierungseinheit 18a führt eine lineare Transformation an den Werten jedes Parameters durch, der im Datensatz zur Feststellung E1 enthalten ist, um die Werte auf Werte zwischen beispielsweise -1 (Minimalwert) und 1 (Maximalwert) für jeden Parameter zu transformieren.The normalization unit 18a normalizes the values of each parameter contained in the data set for determination E1, whereby a normalized data set for determination E2 is generated. The normalization unit 18a performs a linear transformation on the values of each parameter contained in the data set for determination E1 in order to transform the values to values between, for example, -1 (minimum value) and 1 (maximum value) for each parameter.
Die Teilungseinheit 18b teilt den normierten Datensatz zur Feststellung E2 in der Zeitrichtung, wodurch geteilte Datensätze zur Feststellung E3 mit einer vorgegebenen Zeitdauer erzeugt werden. Das Verfahren zum Teilen des normierten Datensatzes zur Feststellung E2 und zum Erzeugen der geteilten Datensätze zur Feststellung E3 ist dasselbe wie das Verfahren zum Teilen der normierten Datensatz zum Lernen D2 und zum Erzeugen der geteilten Datensätze zum Lernen D3 (siehe 3). Die Teilungseinheit 18b speichert die geteilten Datensätze zur Feststellung E3 in der Speichereinheit 18c für geteilte Datensätze.The division unit 18b divides the normalized data set for determination E2 in the time direction, as a result of which divided data sets for determination E3 are generated with a predetermined period of time. The method for dividing the normalized data set for determination E2 and for generating the divided data sets for determination E3 is the same as the method for dividing the normalized data set for learning D2 and for creating the divided data sets for learning D3 (see FIG 3rd ). The division unit 18b stores the divided records for determination E3 in the storage unit 18c for shared records.
Feststellungseinheit 19Locking unit 19
Die Feststellungseinheit 19 liest das erlernte Modell 1 aus der Modellspeichereinheit 14. Die Feststellungseinheit 19 liest den geteilten Datensatz zur Feststellung E3 aus der Speichereinheit 18c für geteilte Datensätze.The determination unit 19th reads the learned model 1 from the model storage unit 14th . The determination unit 19th reads the divided data set for determination E3 from the storage unit 18c for shared records.
Die Feststellungseinheit 19 verwendet das erlernte Modell 1, um eine Anomalie des Produktionsbetriebs, der durch die Produktionsmaschine 15 durchgeführt wird, aus dem geteilten Datensatz zur Feststellung E3 festzustellen.The determination unit 19th uses the learned model 1 to an anomaly in the production plant caused by the production machine 15th is performed to determine E3 from the shared data set for determination.
Insbesondere gibt die Feststellungseinheit 19 den geteilten Datensatz zur Feststellung E3 in das erlernte Modell 1 ein, um den dekomprimierten geteilten Datensatz zur Feststellung E4 zu erfassen, der ein dekomprimierter Datensatz des geteilten Datensatzes zur Feststellung E3 ist. Als nächstes ermittelt die Feststellungseinheit 19 eine Differenz ΔE zwischen dem geteilten Datensatz zur Feststellung E3 und dem dekomprimierten geteilten Datensatz zur Feststellung E4. Die Differenz ΔE ist ein Wert, der durch Durchführen einer Berechnung eines mittleren Fehlerquadrats am geteilten Datensatz zur Feststellung E3 und am dekomprimierten geteilten Datensatz zur Feststellung E4 erhalten wird. Das mittlere Fehlerquadrat ist eine sogenannte Kostenfunktion. Die Feststellungseinheit 19 stellt eine Anomalie des Produktionsbetriebs, der durch die Produktionsmaschine 15 durchgeführt wird, auf der Grundlage der Differenz ΔE fest. Insbesondere vergleicht die Feststellungseinheit 19 die Differenz ΔE und einen vorgegebenen Schwellenwert TH2, um dadurch festzustellen, ob die Differenz ΔE ausreichend klein ist.In particular, there is the detection unit 19th the shared data set for determination E3 in the learned model 1 to acquire the decompressed split data record for determination E4, which is a decompressed data record of the split data record for determination E3. Next, the determination unit determines 19th a difference ΔE between the split data set for determination E3 and the decompressed split data set for determination E4. The difference ΔE is a value obtained by performing a mean square error calculation on the divided data set for determination E3 and the decompressed divided data set for determination E4. The mean square error is a so-called cost function. The determination unit 19th represents an anomaly of the production operation caused by the production machine 15th is performed based on the difference ΔE. In particular, the determination unit compares 19th the difference ΔE and a predetermined threshold value TH2, in order to thereby determine whether the difference ΔE is sufficiently small.
Wenn die Differenz ΔE ausreichend klein ist, das heißt, wenn der dekomprimierte geteilte Datensatz zur Feststellung E4 genau aus dem geteilten Datensatz zur Feststellung E3 unter Verwendung des erlernten Modells 1 dekomprimiert werden kann, stellt die Feststellungseinheit 19 fest, dass der Produktionsbetrieb, der durch die Produktionsmaschine 15 durchgeführt wird, normal ist.When the difference ΔE is sufficiently small, that is, when the decompressed divided data set for determination E4 is exactly from the divided data set for determination E3 using the learned model 1 can be decompressed, provides the determination unit 19th established that the production plant established by the production machine 15th is performed is normal.
Wenn die Differenz ΔE nicht ausreichend klein ist, das heißt, wenn der dekomprimierte geteilte Datensatz zur Feststellung E4 nicht genau aus dem geteilten Datensatz zur Feststellung E3 unter Verwendung des erlernten Modells 1 dekomprimiert werden kann, stellt die Feststellungseinheit 19 fest, dass der Produktionsbetrieb, der durch die Produktionsmaschine 15 durchgeführt wird, anomal ist.When the difference ΔE is not sufficiently small, that is, when the decompressed divided data set for determination E4 is not exactly from the divided data set for determination E3 using the learned model 1 can be decompressed, provides the determination unit 19th established that the production plant established by the production machine 15th is performed is abnormal.
Wenn festgestellt wird, dass Produktionsbetrieb, der durch die Produktionsmaschine 15 durchgeführt wird, anomal ist, aktiviert die Feststellungseinheit 19 die Benachrichtigungseinheit 30.If it is found that production plant, by the production machine 15th is performed is abnormal, activates the determination unit 19th the notification unit 30th .
Benachrichtigungseinheit 30 Notification unit 30th
Wenn die Feststellungseinheit 19 festgestellt hat, dass Produktionsbetrieb, der durch die Produktionsmaschine 15 durchgeführt wird, anomal ist, wird die Benachrichtigungseinheit 30 durch die Feststellungseinheit 19 aktiviert.When the locking unit 19th has established that production plant by the production machine 15th is performed is abnormal, the notification unit 30th by the locking unit 19th activated.
Die Benachrichtigungseinheit 30 benachrichtigt einen Bediener, dass der Produktionsbetrieb, der durch die Produktionsmaschine 15 durchgeführt wird, anomal ist. Beispielsweise kann das Ausgeben eines Alarmtons, das Anzeigen eines Warnsatzes, Aufleuchten eines Warnlichts usw. in den durch die Benachrichtigungseinheit 30 durchgeführten Benachrichtigungsmitteln enthalten sein.The notification unit 30th notifies an operator that the production facility is being run by the production machine 15th is performed is abnormal. For example, the outputting of an alarm sound, the display of a warning sentence, the lighting up of a warning light, etc. in the by the notification unit 30th carried out notification means be included.
Verfahren zum Feststellen von AnomalienProcedure for detecting anomalies
Ein Ablauf des Verfahrens für ein Verfahren zum Feststellen von Anomalien wird als nächstes unter Bezugnahme auf 9 erläutert.A flow of the procedure for a method of detecting abnormalities will next be described with reference to FIG 9 explained.
Zuerst erfasst im Schritt S11 die Feststellungsdatensatz-Erfassungseinheit 17 einen Datensatz zur Feststellung E1 (siehe 8), der ein Datensatz ist, der mehrere Parameter betrifft, die Zustände der Produktionsmaschine 15 während des normalen Produktionsbetriebs anzeigen, der durch die Produktionsmaschine 15 durchgeführt wird.First, in step S11, the determination record acquisition unit acquires 17th a data record for determination E1 (see 8th ), which is a data record that affects several parameters, the states of the production machine 15th display during normal production operation by the production machine 15th is carried out.
Als nächstes normiert im Schritt S12 die Normierungseinheit 18a die Werte jedes Parameters, der Datensatz zur Feststellung E1 enthalten ist, wodurch ein normierter Datensatz zur Feststellung E2 erzeugt wird.Next, the normalization unit normalizes in step S12 18a the values of each parameter contained in the data set for determination E1, whereby a normalized data set for determination E2 is generated.
Als nächstes teilt im Schritt S13 die Teilungseinheit 18b den normierten Datensatz zur Feststellung E2 in der Zeitrichtung, wodurch ein geteilter Datensatz zur Feststellung E3 mit einer vorgegebenen Zeitdauer erzeugt wird.Next, in step S13, the dividing unit divides 18b the normalized data set for determination E2 in the time direction, whereby a divided data set for determination E3 is generated with a predetermined period of time.
Als nächstes liest im Schritt S14 die Feststellungseinheit 19 das erlernte Modell 1 aus der Modellspeichereinheit 14 und liest den geteilten Datensatz zur Feststellung E3 aus der Speichereinheit 18c für geteilte Datensätze.Next, in step S14, the determination unit reads 19th the learned model 1 from the model storage unit 14th and reads the divided data set for determination E3 from the storage unit 18c for shared records.
Als nächstes gibt im Schritt S15 die Feststellungseinheit 19 den geteilten Datensatz zur Feststellung E3 in das erlernte Modell 1 ein, wodurch ein dekomprimierter geteilter Datensatz zur Feststellung E4 erzeugt wird.Next, in step S15, the determination unit gives 19th the shared data set for determination E3 in the learned model 1 on, thereby generating a decompressed split data set for determination E4.
Als nächstes stellt im Schritt S16 die Feststellungseinheit 19 fest, ob die Differenz ΔE zwischen dem geteilten Datensatz zur Feststellung E3 und dem dekomprimierten geteilten Datensatz zur Feststellung E4 ausreichend klein ist.Next, in step S16, the determination unit sets 19th determines whether the difference ΔE between the divided data set for determination E3 and the decompressed divided data set for determination E4 is sufficiently small.
Wenn die Differenz ΔE im Schritt S16 ausreichend klein ist, stellt die Feststellungseinheit 19 im Schritt S17 fest, dass der Produktionsbetrieb, der durch die Produktionsmaschine 15 durchgeführt wird, normal ist, und beendet die Verarbeitung.If the difference ΔE is sufficiently small in step S16, the determination unit determines 19th determines in step S17 that the production operation, which is controlled by the production machine 15th is performed is normal and the processing is ended.
Wenn die Differenz ΔE im Schritt S16 nicht ausreichend klein ist, stellt die Feststellungseinheit 19 im Schritt S18 fest, dass der Produktionsbetrieb, der durch die Produktionsmaschine 15 durchgeführt wird, anomal ist, und aktiviert dann im Schritt S19 die Benachrichtigungseinheit 30 und beendet die Verarbeitung.If the difference ΔE is not sufficiently small in step S16, the determination unit determines 19th determines in step S18 that the production operation, which is controlled by the production machine 15th is performed is abnormal, and then activates the notification unit in step S19 30th and ends processing.
(Eigenschaften)(Characteristics)
(1) Das Erzeugungsverfahren für das erlernte Modell 1 ist mit einem Schritt zum Erzeugen eines geteilten Datensatzes zum Lernen D3, einem Schritt zum Extrahieren von Merkmalswerten, einem Schritt zum Extrahieren von Eigenschaftswerten, einem Schritt zum Erfassen eines dekomprimierten geteilten Datensatzes zum Lernen D4 und einem Schritt zum Reduzieren der Differenz zwischen dem geteilten Datensatz zum Lernen D3 und dem dekomprimierten geteilten Datensatz zum Lernen D4 versehen. Im Schritt zum Extrahieren von Merkmalswerten werden die Merkmalswerte, die jeden der mehreren Parameter betreffen, durch Komprimieren des geteilten Datensatzes zum Lernen D3 nur in einer Zeitrichtung extrahiert. Im Schritt zum Extrahieren der Eigenschaftswerte werden die Eigenschaftswerte des gesamten geteilten Datensatzes zum Lernen D3 durch Kombinieren der extrahierten Merkmalswerte in Relation zu jedem der mehreren Parameter extrahiert. Im Schritt zum Erfassen des dekomprimierten geteilten Datensatzes zum Lernen D4 wird der dekomprimierte geteilte Datensatz zum Lernen D4 durch Expandieren der Eigenschaftswerte nur in der Zeitrichtung erfasst.(1) The creation process for the learned model 1 is comprised of a step for generating a split data set for learning D3, a step for extracting feature values, a step for extracting property values, a step for acquiring a decompressed split data set for learning D4, and a step for reducing the difference between the shared data set for Learning D3 and the decompressed split data set for learning D4 are provided. In the step of extracting feature values, the feature values pertaining to each of the plurality of parameters are extracted by compressing the divided data set for learning D3 in only one time direction. In the step of extracting the characteristic values, the characteristic values of the entire divided data set for learning D3 are extracted by combining the extracted characteristic values in relation to each of the plurality of parameters. In the step of acquiring the decompressed divided data record for learning D4, the decompressed divided data record for learning D4 is acquired by expanding the property values only in the time direction.
Gemäß diesem Erzeugungsverfahren werden die Eigenschaftswerte aus allen Merkmalswerten extrahiert, nachdem die Merkmalswerte in der Zeitrichtung der Parameter extrahiert worden sind, die in dem geteilten Daten zum Lernen D3 enthalten sind. Als Ergebnis können die Eigenschaftswerte genau extrahiert werden, da die Merkmalswerte extrahiert werden können, ohne dass Parameter miteinander verknüpft werden, die keine direkte physikalische Beziehung aufweisen. Daher ist es möglich, das erlernte Modell 1 zu erzeugen, in dem Daten, die auf einem normalen Produktionsbetrieb beruhen, genau dekomprimiert werden können, und in dem Daten, die auf einem anomalen Produktionsbetrieb beruhen, nicht genau dekomprimiert werden.According to this generation method, the feature values are extracted from all feature values after the feature values have been extracted in the time direction of the parameters, included in the shared data for learning D3. As a result, the feature values can be extracted accurately because the feature values can be extracted without associating parameters that have no direct physical relationship with each other. Therefore it is possible to use the learned model 1 in which data based on normal production operation can be accurately decompressed and in which data based on abnormal production operation is not accurately decompressed.
(2) Das Produktionssystem 20 ist mit der Produktionsmaschine 15 und der Steuereinrichtung 16 versehen. Die Steuereinrichtung 16 verwendet das erlernte Modell 1, um eine Anomalie des Produktionsbetriebs festzustellen, der durch die Produktionsmaschine 15 durchgeführt wird. Die Steuereinrichtung 16 weist die Teilungseinheit 18b, die den Datensatz zur Feststellung E1 in der Zeitrichtung teilt, wodurch ein geteilter Datensatz zur Feststellung E3 mit einer vorgegebenen Zeitdauer erzeugt wird, und die Feststellungseinheit 19 auf, die das erlernte Modell 1 verwendet, um die Anomalie im Produktionsbetrieb aus den geteilten Datensätze zur Feststellung E3 festzustellen.(2) The production system 20th is with the production machine 15th and the control device 16 Mistake. The control device 16 uses the learned model 1 to detect an abnormality in the production operation caused by the production machine 15th is carried out. The control device 16 assigns the division unit 18b that divides the data set for determination E1 in the time direction, thereby generating a divided data set for determination E3 with a predetermined period of time, and the determination unit 19th on that the learned model 1 used to determine the anomaly in production from the shared records for finding E3.
Gemäß diesem Produktionssystem 20 kann durch Verwenden des erlernten Modells 1 eine Anomalie des Produktionsbetriebs aus dem geteilten Datensatz zur Feststellung E3 genau festgestellt werden, der der Datensatz zur Feststellung E1 ist, der in der Zeitrichtung geteilt ist.According to this production system 20th can by using the learned model 1 an anomaly of the production operation can be accurately detected from the divided data set for determination E3, which is the data set for detection E1, which is divided in the time direction.
(Modifizierte Beispiele)(Modified examples)
Während oben eine Ausführungsform der vorliegenden Offenbarung erläutert worden ist, ist die vorliegende Offenbarung nicht auf die obige Ausführungsform beschränkt, und es sind verschiedene Änderungen im Rahmen der vorliegenden Offenbarung möglich.While an embodiment of the present disclosure has been explained above, the present disclosure is not limited to the above embodiment, and various changes are possible within the scope of the present disclosure.
[Modifiziertes Beispiel 1][Modified Example 1]
Während die Steuereinrichtung 16 außerhalb der Produktionsmaschine 15 angeordnet ist, kann die Steuereinrichtung 16 in einet Steuereinrichtung zum Steuern der Produktionsmaschine 15 integriert sein.While the control device 16 outside the production machine 15th is arranged, the control device 16 in a control device for controlling the production machine 15th be integrated.
[Modifiziertes Beispiel 2][Modified Example 2]
Die Steuereinrichtung 16 kann mehrere Prozessoren enthalten. Mindestens ein Anteil der oben erwähnten Verarbeitung kann durch einen anderen Prozessor wie eine Grafikverarbeitungseinheit (GPU) ausgeführt werden, ohne auf eine CPU beschränkt zu sein. Die oben erwähnte Verarbeitung kann verteilt und durch mehrere Prozessoren ausgeführt werden.The control device 16 can contain multiple processors. At least a portion of the above-mentioned processing can be performed by another processor, such as a graphics processing unit (GPU), without being limited to a CPU. The above-mentioned processing can be distributed and executed by multiple processors.
[Modifiziertes Beispiel 3][Modified Example 3]
Ein Anteil der oben erwähnten Verarbeitung kann weggelassen oder geändert werden. Beispielsweise kann die Verarbeitung zum Speichern der geteilten Datensätze zum Lernen D3 und der geteilten Datensätze zur Feststellung E3 weggelassen werden.A portion of the above-mentioned processing can be omitted or changed. For example, the processing for storing the divided records for learning D3 and the divided records for determination E3 can be omitted.
[Modifiziertes Beispiel 4][Modified Example 4]
Während das Lernmodul 10 gemäß der obigen Ausführungsform konfiguriert ist, die geteilten Datensätze zum Lernen D3 zu erzeugen, nachdem der Datensatz zum Lernen D1 normiert worden ist, können die geteilten Datensätze zum Lernen D3 normiert werden, nachdem die geteilten Datensätze zum Lernen D3 erzeugt worden sind.During the learning module 10 According to the above embodiment is configured to generate the divided data sets for learning D3 after the data set for learning D1 has been normalized, the divided data sets for learning D3 can be normalized after the divided data sets for learning D3 have been generated.
[Modifiziertes Beispiel 5][Modified Example 5]
Während das Produktionssystem 20 gemäß der obigen Ausführungsform konfiguriert ist, die geteilten Datensätze zur Feststellung E3 zu erzeugen, nachdem der Datensatz zur Feststellung E1 normiert worden ist, können die geteilten Datensätze zur Feststellung E3 normiert werden, nachdem die geteilten Datensätze zur Feststellung E3 erzeugt worden sind.While the production system 20th According to the above embodiment is configured to generate the divided records for determination E3 after the record for determination E1 has been normalized, the divided records for determination E3 may be normalized after the divided records for determination E3 have been created.
BezugszeichenlisteList of reference symbols
-
1:1:
-
Erlerntes ModellLearned model
-
10:10:
-
LernmodulLearning module
-
11:11:
-
Lerndatensatz-ErfassungseinheitLearning data record acquisition unit
-
12:12:
-
VorverarbeitungseinheitPreprocessing unit
-
12a:12a:
-
NormierungseinheitNormalization unit
-
12b:12b:
-
TeilungseinheitDivision unit
-
12c:12c:
-
Speichereinheit für geteilte DatensätzeStorage unit for shared data sets
-
13:13:
-
ModelllerneinheitModel learning unit
-
13a:13a:
-
MerkmalsextraktionseinheitFeature extraction unit
-
13b:13b:
-
EigenschaftsextraktionseinheitProperty extraction unit
-
13c:13c:
-
DekomprimierungseinheitDecompression unit
-
13d:13d:
-
EinstelleinheitSetting unit
-
14:14:
-
ModellspeichereinheitModel storage unit
-
15:15:
-
ProduktionsmaschineProduction machine
-
16:16:
-
SteuereinrichtungControl device
-
17:17:
-
Feststellungsdatensatz-ErfassungseinheitDetermination data record acquisition unit
-
18:18:
-
VorverarbeitungseinheitPreprocessing unit
-
18a:18a:
-
NormierungseinheitNormalization unit
-
18b:18b:
-
TeilungseinheitDivision unit
-
18c:18c:
-
Speichereinheit für geteilte DatensätzeStorage unit for shared data sets
-
19:19:
-
FeststellungseinheitLocking unit
-
20:20:
-
ProduktionssystemProduction system
-
30:30:
-
BenachrichtigungseinheitNotification unit
ZITATE ENTHALTEN IN DER BESCHREIBUNGQUOTES INCLUDED IN THE DESCRIPTION
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.This list of the documents listed by the applicant was generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturPatent literature cited
-
JP 201961565 [0005]JP 201961565 [0005]
