DE112021002946T5

DE112021002946T5 - Diagnosevorrichtung, Server und Diagnoseverfahren

Info

Publication number: DE112021002946T5
Application number: DE112021002946.0T
Authority: DE
Inventors: Kazuhiro Satou; Kazuhiro Koizumi
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2020-05-25
Filing date: 2021-05-18
Publication date: 2023-03-30
Also published as: CN115668084A; US20230161337A1; WO2021241315A1; JPWO2021241315A1

Abstract

Der Zweck der vorliegenden Erfindung ist es, nur Daten auszuwählen, welche die funktionelle Verbesserung eines Verkäufers stark beeinträchtigen, und die ausgewählten Daten an einen Server heraufzuladen. Diese Diagnosevorrichtung, die mit einem Server kommunikativ verbunden ist, welcher eine Anomalie einer Industrievorrichtung erlernt, und ein Klassifikations-Lernmodell für die Anomalie erzeugt, umfasst: eine Sensorsignal-Erfassungseinheit, die, ein Sensorsignal erfasst, das einen Messwert beinhaltet, der durch zumindest einen in der Industrievorrichtung angeordneten Sensor gemessen wird; eine Vorrichtungs-Diagnoseeinheit, die auf Basis des erfassten Sensorsignals diagnostiziert, ob die Industrievorrichtung normal oder anormal ist; eine Klassifikationseinheit, die die Anomalie der Industrievorrichtung auf Basis des Sensorsignals und des Klassifikations-Lernmodells klassifiziert, wenn durch die Vorrichtungs-Diagnoseeinheit diagnostiziert wird, dass die Industrievorrichtung anormal ist; und eine Sendeeinheit, die auf Basis zumindest eines Diagnose-Ergebnisses durch die Vorrichtungs-Diagnoseeinheit und eines Klassifikations-Ergebnisses durch die Klassifikationseinheit bestimmt, ob das Sensorsignal an den Server zu senden ist, und das Sensorsignal an den Server sendet, wenn bestimmt wird, dass das Sensorsignal gesendet werden kann.

Description

TECHNISCHES GEBIET
Die vorliegende Erfindung bezieht sich auf eine Diagnosevorrichtung, einen Server und ein Diagnoseverfahren.
HINTERGRUND
Es gibt Diagnosevorrichtungen, die Diagnose (wie etwa Vorhersage und Detektion von Defekten) für IndustrieVorrichtungen, Werkzeugmaschinen und Roboter durchführen. Bei solchen Diagnosevorrichtungen ist es notwendig, dass Anbieter solche wie etwa Hersteller und Distributoren der Industriemaschinen für die Vorrichtungen, Sensordaten von Messwerten sammeln, welche durch in einer Anwender-Industrievorrichtung angeordneten Sensoren gemessen werden, für den Zweck funktioneller Verbesserung, wie etwa Verbesserung der Diagnose-Genauigkeit.
In dieser Hinsicht ist eine Technik bekannt für: Senden von Kontext-Information entsprechend einer aktuellen Operation der Zielvorrichtung und Detektionsinformation, wie etwa Geräuschdaten, die in der Operation detektiert werden, an eine Lernvorrichtung; Erfassen eines Modells entsprechend der gesendeten Kontext-Information aus der Lernvorrichtung, welche Modelle kombiniert, die jeweils aus Detektionsinformation entsprechend identischer oder ähnlicher Kontext-Information erzeugt werden; und Bestimmen, unter Verwendung der in der Operation detektierten Detektionsinformation und des erfassten Modells, ob ein Betrieb der Zielvorrichtung normal ist (siehe beispielsweise Patentdokument 1).
Patentdokument 1: Japanische Ungeprüfte Patentanmeldung, Veröffentlichungs-Nr. JP 2018-25945 A
OFFENBARUNG DER ERFINDUNG
Durch die Erfindung zu lösende Probleme
Jedoch ist es beispielsweise schwierig, Sensordaten der Industrievorrichtung konstant auf einen Anbieter-Server oder dergleichen hochzuladen. Mit anderen Worten ist die Kapazität von Sensordaten der Industrievorrichtung allgemein groß und das Heraufladen aller Daten übt Druck auf eine Netzwerk-Bandbreite aus. Weiter wird vom Standpunkt der Sicherheit aus die Industrievorrichtung oft nicht immer mit einem externen Netzwerk verbunden.
Zusätzlich, wenn eine Beschriftung (Anmerkung) für Sensordaten erforderlich ist, gibt es ein Problem, dass eine Last auf einen Anwender steigt, wenn die Anzahl von Zieldaten groß ist.
Daher ist es wünschenswert, nur Daten auszuwählen, die großen Einfluss auf die funktionelle Verbesserung beim Verkäufer haben, und die ausgewählten Daten an einen Server heraufzuladen.
MITTEL ZUM LÖSEN DER PROBLEME
(1) Ein Aspekt der vorliegenden Offenbarung stellt eine Diagnosevorrichtung bereit, die mit einem Server kommunikativ verbunden ist, der konfiguriert ist, eine Anomalie einer Industrievorrichtung zu erlernen und ein Klassifikationslernmodell für die Anomalie zu erzeugen, wobei die Diagnosevorrichtung beinhaltet: eine Sensorsignal-Erfassungseinheit, die konfiguriert ist, ein Sensorsignal zu erfassen, das einen durch zumindest einen in der Industrievorrichtung angeordneten Sensor gemessenen Messwert beinhaltet; eine Vorrichtungs-Diagnoseeinheit, die konfiguriert ist, auf Basis des erfassten Sensorsignals zu diagnostizieren, ob die Industrievorrichtung normal oder anormal ist; eine Klassifikationseinheit, die konfiguriert ist, die Anomalie der Industrievorrichtung auf Basis des Sensorsignals und des Klassifikations-Lernmodells zu klassifizieren, wenn die Vorrichtungs-Diagnoseeinheit diagnostiziert, dass die Industrievorrichtung anormal ist; und eine Sendeeinheit, die konfiguriert ist, auf Basis eines Diagnoseergebnisses der Vorrichtungs-Diagnoseeinheit oder/und eines Klassifikationsergebnisses der Klassifizierungseinheit, zu bestimmen, ob das Sensorsignal an den Server zu senden ist, und das Sensorsignal an den Server sendet, wenn bestimmt wird, dass das Sensorsignal gesendet werden kann.
(2) Ein Aspekt der vorliegenden Offenbarung stellt eine Diagnosevorrichtung bereit, die kommunikativ mit einem Server verbunden ist, der ein Klassifikations-Lernmodell enthält, an welchem eine durch eine Industrievorrichtung erfasste Anomalie angebendes Sensorsignal eingegeben wird, um die Anomalie zu klassifizieren, und konfiguriert, eine Klassifikation des Sensorsignals zu erlernen, das nicht klassifizierbar ist, und das Klassifikations-Lernmodell zu aktualisieren, wobei die Diagnosevorrichtung beinhaltet: eine Sensorsignal-Erfassungseinheit, die konfiguriert ist, ein Sensorsignal zu erfassen, das einen durch zumindest einen in der Industrievorrichtung angeordneten Sensor gemessenen Messwert enthält; eine Vorrichtungs-Diagnoseeinheit, die konfiguriert ist, auf Basis des erfassten Sensorsignals zu diagnostizieren, ob die Industrievorrichtung normal oder anormal ist; eine Sendeeinheit, die konfiguriert ist, das Sensorsignal an den Server zu senden, wenn die Vorrichtungs-Diagnoseeinheit diagnostiziert, dass die Industrievorrichtung anormal ist; und eine Markierungsinformations-Erzeugungseinheit, die konfiguriert ist, auf Basis eines Klassifikationsergebnisses für das aus dem Sensor erfasste Sensorsignal ein Erzeugungs-Timing einer Markierung zu bestimmen, die einen Inhalt der Anomalie der Industrievorrichtung in Bezug auf das Sensorsignal angibt, und die Markierung erzeugt, wobei die Sendeeinheit die Markierung an den Server sendet.
(3) Ein Aspekt der vorliegenden Offenbarung stellt einen Server bereit, der mit der Diagnosevorrichtung gemäß (1) oben kommunikativ verbunden ist, wobei der Server eine Klassifikationsmodell-Lerneinheit beinhaltet, die konfiguriert ist, die Anomalie der Industrievorrichtung unter Verwendung eines aus der Diagnosevorrichtung empfangenen Sensorsignals zu erlernen, das Klassifikations-Lernmodell erzeugt, und das erzeugte Klassifikations-Lernmodell an die Diagnosevorrichtung sendet.
(4) Ein Aspekt der vorliegenden Offenbarung stellt einen Server bereit, der mit der Diagnosevorrichtung gemäß (2) oben kommunikativ verbunden ist, wobei der Server beinhaltet: eine Klassifikationsmodell-Lerneinheit, die konfiguriert ist, die Anomalie der Industrievorrichtung unter Verwendung eines aus der Diagnosevorrichtung empfangenen Sensorsignals zu erlernen, und erzeugt das Klassifikations-Lernmodell; und eine Klassifikationseinheit, die konfiguriert ist, die Anomalie der Industrievorrichtung auf Basis des Sensorsignals und des Klassifikations-Lernmodells zu klassifizieren.
(5) Ein Aspekt der vorliegenden Offenbarung stellt ein Diagnoseverfahren bereit, das eine Diagnosevorrichtung verwendet, welche mit einem Server kommunikativ verbunden ist, der konfiguriert ist, eine Anomalie einer Industrievorrichtung zu erlernen, und ein Klassifikations-Lernmodell für die Anomalie zu erzeugen, wobei das Diagnoseverfahren beinhaltet: einen Sensorsignal-Erfassungsschritt des Erfassens des Sensorsignals, das einen durch zumindest einen in der Industrievorrichtung angeordneten Sensor gemessenen Messwert beinhaltet; einen Vorrichtungs-Diagnoseschritt des Diagnostizierens, basierend auf dem erfassten Sensorsignal, ob die Industrievorrichtung normal oder anormal ist; einen Klassifikationsschritt des Klassifizierens der Anomalie der Industrievorrichtung auf Basis des Sensorsignals und des Klassifikations-Lernmodells, wenn die Industrievorrichtung diagnostiziert wird, anormal zu sein; und einen Sendeschritt des Bestimmens, basierend auf zumindest einem eines Diagnoseergebnisses in dem Vorrichtungsdiagnoseschritt und eines Klassifikationsergebnisses in dem Klassifikationsschritt, ob das Sensorsignal einem Server zu senden ist, und Senden des Serversignals an den Server, wenn bestimmt wird, dass das Sensorsignal gesendet werden kann.
(6) Ein Aspekt der vorliegenden Offenbarung stellt ein Diagnoseverfahren bereit, das eine Diagnosevorrichtung verwendet, die mit einem, ein Klassifikations-Lernmodell beinhaltenden Server kommunikativ verbunden ist, an welchen ein Sensorsignal, das eine durch eine Industrievorrichtung erfasste Anomalie angibt, eingegeben wird, um die Anomalie zu klassifizieren, und konfiguriert, eine Klassifikation des Sensorsignals, das nicht klassifizierbar ist, zu erlernen und das Klassifikations-Lernmodell zu aktualisieren, wobei das Diagnoseverfahren beinhaltet: einen Sensorsignal-Erfassungsschritt des Erfassens eines Sensorsignals, das einen durch zumindest einen in der Industrievorrichtung angeordneten Sensor gemessenen Messwert beinhaltet; einen Vorrichtungs-Diagnoseschritt des Diagnostizierens, basierend auf dem erfassten Sensorsignal, ob die Industrievorrichtung normal oder anormal ist; einen Sendeschritt des Sendens des Sensorsignals an den Server, wenn die Industrievorrichtung als anormal diagnostiziert wird; und einen Markierungsinformations-Erzeugungsschritt des Bestimmens, basierend auf einem Klassifikationsergebnis für das aus dem Server erfassten Sensorsignal, eines Erzeugungszeitpunkts einer Markierung, die einen Inhalt der Anomalie der Industrievorrichtung in Bezug auf das Sensorsignal angibt, und die Markierung erzeugt, wobei der Sendeschritt das Senden der Markierung an den Server beinhaltet.
Wirkungen der Erfindung
Gemäß dem Aspekt ist es möglich, nur Daten auszuwählen, die großen Einfluss auf die funktionelle Verbesserung beim Verkäufer aufweisen, und die ausgewählten Daten an einen Server heraufzuladen.
Figurenliste

1 ist ein Funktionsblockdiagramm, das ein Funktionsaufbau-Beispiel eines Diagnosesystems gemäß einer ersten Ausführungsform zeigt;
2 ist ein Flussdiagramm, das einen Diagnoseprozess, eine Diagnosevorrichtung und einen Sammelprozess eines Servers illustriert;
3 ist ein Flussdiagramm, das einen Erfassungsprozess der Diagnosevorrichtung und einen Lernprozess des Servers illustriert;
4 ist ein Funktionsblockdiagramm, das ein Funktionsaufbau-Beispiel eines Diagnosesystems gemäß einer zweiten Ausführungsform zeigt;
5 ist ein Flussdiagramm, das einen Diagnoseprozess, eine Diagnosevorrichtung und einen Sammelprozess eines Servers illustriert;
6 ist ein Flussdiagramm, das einen Lernprozess des Servers illustriert; und
7 ist ein Diagramm, das ein Beispiel eines Aufbaus eines Diagnosesystems zeigt.

BEVORZUGTER MODUS ZUM AUSFÜHREN DER ERFINDUNG
Nachfolgend wird eine erste Ausführung der vorliegenden Erfindung unter Bezugnahme auf die Zeichnungen beschrieben.
<Erste Ausführungsform>
1 ist ein Funktionsblockdiagramm, das ein Funktionsaufbau-Beispiel eines Diagnosesystems gemäß einer ersten Ausführungsform zeigt. Wie in 1 gezeigt, beinhaltet ein Diagnosesystem 1 eine Industrievorrichtung 10, eine Diagnosevorrichtung 20 und einen Server 30.
Die Industrievorrichtung 10, die Diagnosevorrichtung 20 und der Server 30 können miteinander über ein (nicht gezeigtes) Netzwerk, wie etwa ein LAN (Lokalbereichsnetzwerk) oder das Internet verbunden sein. In diesem Fall beinhalten die Industrievorrichtung 10, die Diagnosevorrichtung 20 und der Server 30 eine Kommunikationseinheit (nicht gezeigt), welche konfiguriert ist, miteinander durch eine solche Verbindung zu kommunizieren. Weiter können die Industrievorrichtung 10, die Diagnosevorrichtung 20 und der Server 30 direkt miteinander über eine (nicht gezeigte) Verbindungsschnittstelle verbunden sein.
Die Industrievorrichtung 10 ist eine Werkzeugmaschine, ein Industrieroboter oder dergleichen, die Fachleuten bekannt sind, und beinhaltet einen Sensor 11. Die Industrievorrichtung 10 arbeitet auf Basis einer Betriebsanweisung aus einer (nicht gezeigten) Steuerung. Die (nicht gezeigte) Steuerung ist eine Numeriksteuerung, wenn die Industrievorrichtung 10 eine Werkzeugmaschine ist, und ist eine Robotersteuerung, wenn die Industrievorrichtung 10 ein Roboter ist. Weiter kann die (nicht gezeigte) Steuerung in der Industrievorrichtung 10 enthalten sein.
Der Sensor 11 misst einen Zustand, welcher sich auf Bewegung eines Motors bezieht, der in der Industrievorrichtung 10 enthalten ist, und bewegliche Teile (nicht gezeigt), wie etwa eine Spindel und ein Arm, die am Motor angebracht sind. Der Sensor 11 gibt ein Sensorsignal, welches Sensordaten beinhaltet, die ein Messwert sind, der durch den Sensor 11 gemessen wird, an die Diagnosevorrichtung 20 so aus, dass sie die Sensordaten als Daten zur Diagnose verwendet. Der Sensor 11 kann durch jeglichen Sensor realisiert werden, kann aber beispielsweise durch einen Sensor wie etwa einen Beschleunigungssensor, einen AE- (akustische Emission) Sensor, einen Temperatursensor, ein Amperemeter oder ein Voltmeter realisiert werden.
Weiter können die durch den Sensor 11 gemessenen Sensordaten Rückkopplungsdaten für die Servosteuerung (Geschwindigkeitsrückkopplung und Drehmomentbefehl, berechnet aus der Geschwindigkeitsrückkopplung) enthalten.
In 1 ist die Anzahl von Sensoren 11 Eins, ist aber nicht darauf beschränkt. Beispielsweise kann die Industrievorrichtung 10 mit einer Vielzahl von Sensoren 11 angeordnet sein, welche konfiguriert sind, denselben Typ von Sensordaten zu messen, oder kann mit einer Vielzahl von Sensoren 11 angeordnet sein, die konfiguriert sind, Sensordaten zueinander unterschiedlicher Typen zu messen.
<Diagnosevorrichtung 20>
Die Diagnosevorrichtung 20 beinhaltet eine Steuereinheit 21 und eine Anzeigeeinheit 22. Weiter beinhaltet die Steuereinheit 21 eine Sensorsignal-Erfassungseinheit 210, eine Vorrichtungs-Diagnoseeinheit 212, eine Klassifikationseinheit 213, eine Sendeeinheit 214, eine Anzeigesteuereinheit 215 und eine Markierungsinformations-Erzeugungseinheit 216.
Die Anzeigeeinheit 22 ist eine Anzeigevorrichtung, wie etwa eine LCD (Flüssigkristallanzeige). Die Anzeigeeinheit 22 zeigt auf Basis einer Steueranweisung der Anzeigesteuereinheit 215, die unten zu beschreiben ist, ein Diagnoseergebnis der Industrievorrichtung 10, welches durch die Vorrichtungs-Diagnoseeinheit 212 diagnostiziert ist, die unten zu beschreiben ist, und ein Klassifikationsergebnis der Anomalie der Industrievorrichtung 10, welches durch die Klassifikationseinheit 213 klassifiziert ist, der unten zu beschreiben ist, an. Weiter kann die Anzeigeeinheit 22 basierend auf der Steueranweisung der Anzeigesteuereinheit 215 eine Benutzerschnittstelle anzeigen, die eine Anweisung zum Senden der Sensordaten unter Verwendung der unten zu beschreibenden Sendeeinheit 214 empfängt, wobei die Anweisung über eine (nicht gezeigte) Eingabevorrichtung, wie etwa eine Tastatur oder ein Touch-Panel, die in der Diagnosevorrichtung 20 enthalten sind, von dem Anwender eingegeben wird.
<Steuereinheit 21>
Die Steuereinheit 21 beinhaltet eine CPU (Zentraleinheit), ein ROM (Nurlesespeicher), ein RAM, einen CMOS-(Komplementär-Oxid-Halbleiter-) Speicher und dergleichen und diese Komponenten sind konfiguriert, in der Lage zu sein, miteinander über einen Bus zu kommunizieren, wie Fachleuten bekannt ist.
Die CPU ist ein Prozessor, welcher die Diagnosevorrichtung 20 insgesamt steuert. Die CPU liest ein Systemprogramm und ein Anwendungsprogramm, die im ROM gespeichert sind, über den Bus aus und steuert die gesamte Diagnosevorrichtung 20 entsprechend dem Systemprogramm und dem Anwendungsprogramm. Somit, wie in 1 gezeigt, ist die Steuereinheit 21 konfiguriert, Funktionen der Sensorsignal-Erfassungseinheit 210, der Vorrichtungs-Diagnoseeinheit 212, der Klassifikationseinheit 213, der Sendeeinheit 214, der Anzeigesteuereinheit 215 und der Markierungsinformations-Erzeugungseinheit 216 zu realisieren. Das RAM speichert verschiedene Daten, beispielsweise zeitweilige Rechendaten und Anzeigedaten. Weiter wird der CMOS-Speicher durch eine Batterie (nicht gezeigt) gepuffert und ist als nichtflüchtiger Speicher konfiguriert, in welchem ein Speicherzustand gehalten wird, selbst wenn die Diagnosevorrichtung 20 ausgeschaltet wird.
Die Sensorsignal-Erfassungseinheit 210 erfasst ein Sensorsignal, das einen durch zumindest einen in der Industrievorrichtung 10 angeordneten Sensor 11 gemessenen Messwert (Sensordaten) enthält. Die Sensorsignal-Erfassungseinheit 210 gibt das erfasste Sensorsignal an die Vorrichtungs-Diagnoseeinheit 212, die Klassifikationseinheit 213 und die Sendeeinheit 214 aus
Die Vorrichtungs-Diagnoseeinheit 212 diagnostiziert auf Basis des erfassten Sensorsignals, ob die Industrievorrichtung 10 normal oder anormal ist.
Die Vorrichtungs-Diagnoseeinheit 212 ist beispielsweise ein Einklassen-Klassifizierer, wie etwa eine Einklassen-SVM (Unterstützungsvektormaschine, Support Vector Machine), (nachfolgend auch als „Ein-Klassen-SVM“ bezeichnet) oder ein Gauss'sches Mischmodell. Die Vorrichtungs-Diagnoseeinheit 212 erlernt die Verteilung der Sensordaten in einem normalen Zustand der Industrievorrichtung 10 in derselben oder einer ähnlichen Betriebsbedingung der Industrievorrichtung 10 und bestimmt, anormal zu sein, beispielsweise mit einer Abweichung gegenüber der Verteilung der Sensordaten im Normalzustand (das heißt dem Divergenzgrad).
In der nachfolgenden Beschreibung wird die Betriebsbedingung der Industrievorrichtung 10 nicht beschrieben, aber in der Realität wird ein Einklassen-Klassifizierer für jede Betriebsbedingung (Kontext-Information) der Industrievorrichtung 10 erzeugt und kann die Diagnose an der Industrievorrichtung 10 für jede Betriebsbedingung (Kontext-Information) der Industrievorrichtung 10 vorgenommen werden.
Spezifisch ist der Einklassen-Klassifizierer durch das Einklassen-SVM-Verfahren ein Verfahren, in welchem eine SVM als ein Klassifizierungs-Lernmodell zum Klassifizieren von Sensordaten in zwei Klassen (Gruppen) angeordnet wird. Die SVM ermittelt eine Hyperebene, welche Lerndaten, deren Klassen nicht so definiert sind, dass eine Distanz (Marge) zwischen Daten von zwei Klassen maximiert wird, klassifiziert und verwendet die Hyperebene, um die zu bestimmenden Sensordaten als eine der Klassen zu klassifizieren. Dann verwendet der Einklassen-Klassifizierer nur eine Klasse normaler Daten als Lerndaten, um eine Hyperebene zu ermitteln, welche die Klasse der Lerndaten und Anderes klassifiziert, und klassifiziert die Sensordaten, welche die ermittelte Hyperebene verwenden. Als Ergebnis erzeugt der Einklassen-Klassifizierer eine Diskriminierungsgrenze, welche die meisten der Lerndaten umgeben kann, durch einige der Lerndaten in einem Raum der Sensordaten, und die Sensordaten klassifiziert, um als entweder Normal oder Anormal bestimmt zu werden, entsprechend der Diskriminierungsgrenze.
Mit anderen Worten kann die Vorrichtungs-Diagnoseeinheit 212, die ein Einklassen-Klassifizierer ist, auf Basis der Lerndaten im Normalzustand diagnostizieren, ob die Sensordaten in eine normale Klasse der Lerndaten klassifiziert sind, das heißt, ob die Industrievorrichtung 10, die zu diagnostizieren ist, normal oder anormal ist. Die Vorrichtungs-Diagnoseeinheit 212 gibt das Diagnoseergebnis an die Klassifikationseinheit 213, die Sendeeinheit 214 und die Anzeigesteuereinheit 215, die unten beschrieben werden, aus.
Wenn die Vorrichtungs-Diagnoseeinheit 212 diagnostiziert, dass die Industrievorrichtung 10 anormal ist, klassifiziert die Klassifikationseinheit 213 die Anomalie der Industrievorrichtung 10 auf Basis des Sensorsignals und des Klassifikations-Lernmodells, das unten zu beschreiben ist.
Spezifisch, wie unten beschrieben wird, erfasst (lädt herunter) die Klassifikationseinheit 213 einen Einklassen-Klassifizierer als ein Klassifikations-Lernmodell auf Basis von Lerndaten von Anomalie A_i aus dem Server 30 und fügt beispielsweise den erfassten Einklassen-Klassifizierer hinzu. Die Klassifikationseinheit 213 bestimmt, unter Verwendung des hinzugefügten Einklassen-Klassifizierers und der Sensordaten, ob die Sensordaten in eine Klasse der Lerndaten der Anomalie A_i klassifiziert ist, das heißt, ob die Anomalie der Industrievorrichtung 10 die Anomalie A_i ist. Das Subskript i ist eine Ganzzahl von 1 bis n und n ist eine Ganzzahl von 1 oder mehr.
Mit anderen Worten klassifiziert die Klassifikationseinheit 213 die Anomalie der zu diagnostizierenden Industrievorrichtung 10 auf Basis der Sensordaten der Industrievorrichtung 10, die als anormal durch die Vorrichtungs-Diagnoseeinheit 212 zu diagnostizieren ist. Beispielsweise verwendet die Klassifikationseinheit 213 den Einklassen-Klassifizierer auf Basis der Lerndaten jeder bekannten Anomalie A_i, die durch den Server 30 erzeugt wird, was unten zu beschreiben ist, um zu bestimmen, ob die Sensordaten den Lerndaten der Anomalie A_i entsprechen, wodurch bestimmt wird, ob die Anomalie der Industrievorrichtung 10 die Anomalie A_i ist. Andererseits, wenn bestimmt wird, dass sie nicht eine aus der Anomalie A₁ bis Anomalie A_n ist, kann die Klassifikationseinheit 213 bestimmen, dass die Sensordaten unbekannte Daten sind.
Dann gibt die Klassifikationseinheit 213 das Klassifizierungsergebnis an die Sendeeinheit 214, die Anzeigesteuereinheit 215 und die Markierungsinformations-Erzeugungseinheit 216 aus.
Selbst wenn als Anomalie A_i bestimmt wird, falls die Anzahl von Sensordaten entsprechend der bestimmten Anomalie A_i kleiner als die voreingestellte Anzahl von Proben ist, kann die Klassifikationseinheit 213 bestimmen, dass die Sensordaten unbekannte Daten sind.
Weiter, wenn das Klassifizierungs-Lernmodell ein erlerntes Modell eines neuronalen Netzwerks ist, kann die Klassifikationseinheit 213 bestimmen, unbekannte Daten zu sein, wenn der Wert einer Ausgangsschicht (Softmax-Funktion) des neuronalen Netzwerks gleich oder kleiner als ein vorbestimmter Wert ist, der für alle Klassen vorbestimmt ist.
Weiter, wenn das Klassifikations-Lernmodell der Einklassen-Klassifizierer ist, der durch Eingabe von Daten aller Klassen aus der bekannten Anomalie A₁ bis zur Anomalie A_n erlernt wird, kann die Klassifikationseinheit 213 bestimmen, unbekannte Daten zu sein, wenn die Ausgabe des Einklassen-Klassifizierers größer oder kleiner als ein voreingestellter Schwellenwert ist.
Weiter erfasst die Klassifikationseinheit 213 den Einklassen-Klassifizierer auf Basis der Lerndaten jeder bekannten Anomalie A_i aus dem Server 30 und klassifiziert die Anomalie der Industrievorrichtung 10 unter Verwendung des erfassten Einklassen-Klassifizierers und der Sensordaten, ist aber nicht darauf beschränkt. Beispielsweise kann die Klassifikationseinheit 213 einen Klassifizierer, wie etwa ein SVM oder einen Entscheidungsbaum, der durch Maschinenlernen im Server 30 erzeugt wird, der unten zu beschreiben ist, aus dem Server 30 erfassen, und kann die Anomalie der Industrievorrichtung 10 unter Verwendung des erfassten Klassifizierers, wie etwa der SVM oder des Entscheidungsbaums, und der Sensordaten klassifizieren.
Weiter kann die Klassifikationseinheit 213 ein Einklassen-Klassifizierer sein, der als Daten aus der Anomalie A₁ bis zur Anomalie A_n, die dem Server 30 bekannt sind, das unten zu beschreiben ist, oder unbekannten Daten klassifiziert.
Die Sendeeinheit 214 bestimmt auf Basis des Diagnose-Ergebnisses der Vorrichtungs-Diagnoseeinheit 212 das Klassifizierungsergebnis der Klassifikationseinheit 213 oder beide Ergebnisse, ob das Sensorsignal an den Server 30 zu senden ist, und sendet das Sensorsignal an den Server 30, wenn bestimmt wird, dass das Sensorsignal als zu senden bestimmt wird.
Spezifisch, wenn die Vorrichtungs-Diagnoseeinheit 212 diagnostiziert, dass die Industrievorrichtung 10 anormal ist und die Klassifikationseinheit 213 die Sensordaten des Sensorsignals als unbekannte Daten klassifiziert, bestimmt die Sendeeinheit 214, dass das die Sensordaten beinhaltende Sensorsignal an den Server 30 gesendet wird. Dann sendet die Sendeeinheit 214 das Sensorsignal an den Server 30. Mit anderen Worten sendet die Sendeeinheit 214 nur das Sensorsignal der Sensordaten, welches als unbekannte Daten durch die Klassifikationseinheit 213 im Server 30 bestimmt ist, an den Server 30 und somit kann eine Belastung des Netzwerks und Belastung des Anwenders reduziert werden.
Wenn die Sendeeinheit 214 das Sensorsignal sendet, zeigt die Anzeigesteuereinheit 215 auf der Anzeigeeinheit 22 eine Anwenderschnittstelle an, die den Anwender drängt, das Sensor-Signal zu einem Zeitpunkt, wenn Datensendung notwendig ist, zu senden.
Spezifisch kann die Anzeigesteuereinheit 215 auf der Anzeigeeinheit 22 eine Anwenderschnittstelle anzeigen, die eine Nachricht wie etwa „Bitte senden Sie Daten an den Server 30“ und eine „Sende“-Schaltfläche beinhaltet, beispielsweise zu einem Zeitpunkt, wenn die Sendeeinheit 214 das Sensorsignal sendet.
Weiter kann die Anzeigesteuereinheit 215 auf der Anzeigeeinheit 22 das Diagnoseergebnis der Vorrichtungs-Diagnoseeinheit 212, das Klassifikations-Ergebnis der Klassifikationseinheit 213 oder beide Ergebnisse anzeigen.
Die Markierungsinformations-Erzeugungseinheit 216 bestimmt auf Basis des Klassifizierungsergebnisses der Klassifikationseinheit 213 ein Erzeugungs-Timing einer Markierung, die Inhalte der Anomalie der Industrievorrichtung 10 in Bezug auf das Sensorsignal angibt, und erzeugt eine Markierung für das zu sendende Sensorsignal.
Spezifisch erzeugt die Markierungsinformations-Erzeugungseinheit 216 eine Markierung, die Inhalte der Anomalie der Industrievorrichtung 10 in einem Format erzeugt, in welchem ein Anomalieteil und ein Anomalie-Phänomen kombiniert werden, das heißt in einem Format von „Beschädigung von Spindellager“, „Verschleiß von Führungsgleit-Oberfläche“, „Beschädigung von Werkzeug“ oder dergleichen, beispielsweise zu einem Zeitpunkt, wenn die Sendeeinheit 214 die Sensordaten, die als unbekannte Daten bestimmt sind, durch die Klassifikationseinheit 213, sendet.
Zusätzlich erzeugt die Markierungsinformations-Erzeugungseinheit 216 eine Markierung auf Basis der Anwendereingabe, wie etwa anormalen Lärm und Vibration, die zu der Zeit erzeugt werden, wenn die Industrievorrichtung 10 anormal wird, beispielsweise durch eine (nicht gezeigte) Eingabevorrichtung der Diagnosevorrichtung 20.
Weiter kann die Markierungsinformations-Erzeugungseinheit 216 die Markierung durch Anzeigen eines Bildschirms, um den Nutzer dazu zu drängen, die Markierung auf der Anzeigeeinheit 22 einzugeben, eingeben.
Weiter kann die Markierungsinformations-Erzeugungseinheit 216 eine Markierung auf Basis eines (anderen) Sensorsignals, einer Vorrichtungs-Betriebssituation, einer Umgebungssituation, und dergleichen zur Erfassungszeit der zu markierenden Daten erzeugen.
Das Markierungsformat ist nicht auf das Format beschränkt, in welchem der Anomalieteil und das Anomalie-Phänomen kombiniert werden, und kann ein anderes Format sein.
<Server 30>
Der Server 30 ist beispielsweise eine Computervorrichtung und kommuniziert mit der Diagnosevorrichtung 20 über ein (nicht gezeigtes) Netzwerk. Wie in 1 gezeigt, beinhaltet der Server 30 eine Klassifikationsmodell-Lerneinheit 31.
Der Server 30 beinhaltet eine Arithmetik-OperationsVerarbeitungseinheit, wie etwa eine CPU, um eine Funktionsblock der Klassifikationsmodell-Lerneinheit 31 zu realisieren. Weiter beinhaltet der Server 30 nicht nur eine Hilfsspeichervorrichtung, wie etwa eine HDD, die verschiedene Steuerprogramme einschließlich Anmeldungs-Software und ein BS (Betriebssystem) speichert, sondern auch eine Hauptspeichervorrichtung, wie etwa ein RAM, das Daten zeitweilig speichert, welche benötigt werden, damit die Arithmetik-Operationsverarbeitungseinheit die Programme ausführt.
Dann liest im Server 30 die Arithmetik-Operationsverarbeitungseinheit die Anwendungs-Software und das BS aus der Hilfsspeichervorrichtung aus, entlässt die gelesene Applikations-Software und das BS in die Hydrauliksteuervorrichtung und führt arithmetische Operationsverarbeitung auf Basis einer solchen Anwendungs-Software und des BS aus. Weiter, basierend auf dem Ergebnis der arithmetischen Operation, wird verschiedene Hardware im Server 30 gesteuert. Somit wird der Funktionsblock der vorliegenden Ausführungsform realisiert. Mit anderen Worten kann die vorliegende Ausführungsform durch Kooperation von Hardware und Software realisiert werden.
Zusätzlich kann jede der Funktionen des Lehr-Bedienpaneels 30 unter Verwendung einer virtuellen Server-Funktion oder dergleichen in einer Cloud realisiert werden.
Die Klassifikationsmodell-Lerneinheit 31 empfängt beispielsweise die Sensordaten, die als unbekannte Daten durch die Diagnosevorrichtung 20 bestimmt sind, und die Markierung aus der Diagnosevorrichtung 20. Die Klassifikationsmodell-Lerneinheit 31 speichert die empfangenen Sensordaten und die Markierung in einer Speicherzone entsprechend den Inhalten der Markierung in einer Speicherzone einer (nicht gezeigten) Speichereinheit, wie etwa einer in dem Server 30 enthaltenen HDD. Dann, wenn beispielsweise die Anzahl von Sensordaten in der Speicherzone für jede Markierung reicht oder größer als die vorbestimmte Anzahl voreingestellter Daten sind, ermittelt die Klassifikationsmodell-Lerneinheit 31 eine Hyperebene, die eine Klasse als eine neue Anomalie A_n+1 und die anderen unter Verwendung nur einer Ein-Klasse von Sensordaten als Lerndaten in der Speicherzone klassifiziert, und erzeugt neu ein Klassifizierungs-Lernmodell eines Ein-Klassen-Klassifizierers, der Sensordaten unter Verwendung der ermittelten Hyper-Ebene klassifiziert. Dann sendet die Klassifikationsmodell-Lerneinheit 31 das Klassifikations-Lernmodell, welches die neu erzeugte Anomalie A_n+1 klassifiziert, an die Diagnosevorrichtung 20.
Die Klassifikationsmodell-Lerneinheit 31 kann ein erlerntes Modell eines neuronalen Netzwerks konstruieren, welches eine Wahrscheinlichkeit (Softmax-Funktion) der Anomalie A_n+1 in der Ausgangsschicht in Bezug auf die Eingabe der Sensordaten in der Eingangsschicht durch Annehmen eines Satzes von Sensordaten der Anomalie A_n+1 und der Markierung als Training-Daten und Durchführen supervidierten Lernens unter Verwendung der angenommenen Trainingsdaten vorhersagt.
Weiter kann die Klassifikationsmodell-Lerneinheit 31 beispielsweise einen Klassifizierer, wie etwa eine SVN, oder einen Entscheidungsbaum erzeugen oder kann einen Ein-Klassen-Klassifizierer erzeugen, der als Daten aus der Anomalie A₁ bis zur Anomalie A_n, die dem Server 30 bekannt sind, oder unbekannte Daten klassifiziert.
<Diagnoseprozess der Diagnosevorrichtung 20 und Sammlungsprozess von Server 30>
Als Nächstes werden Operationen, die sich auf einen Diagnoseprozess der Diagnosevorrichtung 20 und einen Sammelprozess des Servers 30 beziehen, beschrieben.
2 ist ein Flussdiagramm, das einen Diagnoseprozess der Diagnosevorrichtung 20 und einen Sammelprozess des Servers 30 illustriert.
Im Schritt S11 erfasst die Sensorsignal-Erfassungseinheit 210 ein Sensorsignal, das Sensordaten beinhaltet, welche durch den Sensor 11 der Industrievorrichtung 10 gemessen werden.
Im Schritt S12 diagnostiziert die Vorrichtungs-Diagnoseeinheit 212 auf Basis der Sensordaten des im Schritt S11 erfassten Sensorsignals, ob die Industrievorrichtung 10 normal oder anormal ist.
Im Schritt S13, wenn im Schritt S12 diagnostiziert wird, dass die Industrievorrichtung 10 anormal ist, klassifiziert die Klassifikationseinheit 213 die Anomalie der Industrievorrichtung 10 auf Basis der Sensordaten.
Im Schritt S14 zeigt die Anzeigesteuereinheit 215 das Diagnoseergebnis und das Klassifikationsergebnis auf der Anzeigeeinheit 22 an.
Im Schritt S15 bestimmt die Sendeeinheit 214 auf Basis des Diagnoseergebnisses im Schritt S12, des Klassifikationsergebnisses in Schritt S13 oder beider Ergebnisse, ob das Sensorsignal zu senden ist. Wenn das Sensorsignal als zu senden bestimmt wird, schreitet der Prozess zu Schritt S16 fort. Wenn andererseits bestimmt wird, dass das Sensorsignal nicht gesendet werden kann, kehrt der Prozess zu Schritt S11 zurück.
Im Schritt S16 bestimmt die Markierungsinformations-Erzeugungseinheit 216 ein Erzeugungs-Timing einer Markierung für die Sensordaten, die als unbekannte Daten in Schritt S13 bestimmt sind, und erzeugt eine Markierung für die Sensordaten.
Im Schritt S17, wenn der Anwender den „Sende“-Knopf auf der Anzeigeeinheit 22 angezeigten Anwenderschnittstelle drückt, sendet die Sendeeinheit 214 das Sensorsignal der Sensordaten der unbekannten Daten mit der hinzugefügten Markierung an den Server 30. Dann kehrt der Prozess zu Schritt S11 zurück.
In Schritt S31 empfängt die Klassifikationsmodell-Lerneinheit 31 des Servers 30 das Sensorsignal der Sensordaten der unbekannten Daten mit der angebrachten Markierung, die im Schritt S17 gesendet sind, aus der Diagnosevorrichtung 20 und speichert die empfangenen Sensordaten und die Markierung in der Speicherzone entsprechend den Inhalten der Markierung in der Speicherzone der (nicht gezeigten) Speichereinheit des Servers 30.
Die Diagnosevorrichtung 20 führt den Prozess durch, der sich auf die Erfassung des Sensorsignals bezieht, und den Prozess, der sich auf die Markierungserzeugung und Sendung der unbekannten Daten in einer Zeitreihenweise bezieht, kann aber die obigen Prozesse parallel oder individuell ausführen.
<Erfassungsprozess von Diagnosevorrichtung 20 und Lernprozess von Server 30>
Als Nächstes werden Operationen, die sich auf den Erfassungsprozess der Diagnosevorrichtung 20 und einen Lernprozess des Servers 30 beziehen, beschrieben.
3 ist ein Flussdiagramm, das einen Erfassungsprozess der Diagnosevorrichtung 20 und einen Lernprozess des Servers 30 illustriert.
Im Schritt S51 bestimmt die Klassifikationsmodell-Lerneinheit 31, ob die durch den Sammelprozess in 2 gesammelten Sensordaten gleich oder größer als die vorbestimmte Anzahl voreingestellter Daten sind. Wenn die gesammelten Sensordaten gleich oder mehr als die vorbestimmte Anzahl von Daten sind, schreitet der Prozess zu Schritt S52 fort. Wenn andererseits die gesammelten Sensordaten weniger als die vorbestimmte Anzahl von Daten sind, wartet der Prozess im Schritt S51, bis die Sensordaten gleich oder mehr als die vorbestimmte Anzahl von Daten werden.
Im Schritt S52 führt die Klassifikationsmodell-Lerneinheit 31 Maschinenlernen unter Verwendung der Sensordaten durch, die gesammelt sind, gleich oder größer als die vorbestimmte Anzahl von Daten zu sein, und der Markierung, und erzeugt somit ein Klassifikations-Lernmodell, das als eine neu Anomalie A_n+1 klassifiziert.
Im Schritt S53 sendet die Klassifikationsmodell-Lerneinheit 31 des Servers 30 eine Nachricht an die Diagnosevorrichtung 20, dass das Klassifikationslernmodell zum Klassifizieren der neuen Anomalie A_n+1 erzeugt ist.
Im Schritt S41 bestimmt die Klassifikationseinheit 213 der Diagnosevorrichtung 20, ob die Nachricht, die angibt, dass das Klassifikations-Lernmodell zum Klassifizieren der neuen Anomalie A_n+1 erzeugt wird, aus dem Server 30 zu empfangen ist. Wenn die Nachricht empfangen wird, schreitet der Prozess zu Schritt S42 fort. Wenn andererseits die Nachricht nicht empfangen wird, wartet der Prozess im Schritt S41, bis die Nachricht empfangen wird.
Im Schritt S42 lädt und erfasst die Klassifikationseinheit 213 das erzeugte Klassifizierungs-Lernmodell aus dem Server 30.
Der Lernprozess des Servers 30 exemplifiziert einen Mini-Stapelprozess, kann aber durch einen Stapelprozess oder einen Echtzeitprozess statt des Mini-Stapelprozesses ersetzt werden.
Wie oben beschrieben, erfasst die Diagnosevorrichtung 20 gemäß der ersten Ausführungsform das Sensorsignal, welches die durch den Sensor 11 der Industrievorrichtung 10 gemessenen Sensordaten enthält, und diagnostiziert auf Basis der erfassten Sensordaten, ob die Industrievorrichtung 10 normal oder anormal ist. Wenn diagnostiziert wird, dass die Industrievorrichtung 10 anormal ist, klassifiziert die Diagnosevorrichtung 20 die Anomalie der Industrievorrichtung 10 auf Basis der Sensordaten. Wenn die Sensordaten als unbekannte Daten durch die Klassifikation bestimmt werden, bestimmt die Diagnosevorrichtung 20, dass die Sensordaten an den Server 30 gesendet werden können und sendet die Sensordaten an den Server 30.
Somit kann die Diagnosevorrichtung 20 nur unbekannte Daten, die großen Einfluss auf die funktionelle Verbesserung bei einem Verkäufer haben, auswählen und kann die ausgewählten unbekannten Daten an den Server 30 heraufladen. Dadurch kann die Diagnosevorrichtung 20 die Belastung am Netzwerk reduzieren.
Weiter kann die Diagnosevorrichtung 20 die Anwenderbelastung durch Markieren (annotieren) der ausgewählten unbekannten Daten, die an den Server 30 heraufgeladen werden, reduzieren.
Die erste Ausführungsform ist oben beschrieben worden.
<Zweite Ausführungsform>
Als Nächstes wird eine zweite Ausführungsform beschrieben.
In der ersten Ausführungsform diagnostiziert die Diagnosevorrichtung 20 unter Verwendung der in dem Sensorsignal aus dem Sensor 11 enthaltenen Sensordaten, ob die Industrievorrichtung 10 normal oder anormal ist, klassifiziert die Anomalie der Industrievorrichtung 10 unter Verwendung des durch den Server 30 erzeugten Klassifikations-Lernmodell und der Sensordaten, wenn die Industrievorrichtung 10 als anormal diagnostiziert wird, und sendet die Sensordaten an den Server 30, wenn die Sensordaten als unbekannte Daten bestimmt werden. Andererseits diagnostiziert in der zweiten Ausführungsform eine Diagnosevorrichtung 20A unter Verwendung der in dem Sensorsignal aus dem Sensor 11 enthaltenen Sensordaten, ob die Industrievorrichtung 10 normal oder anormal ist, sendet alle Sensordaten, in welchen die Industrievorrichtung 10 als anormal diagnostiziert ist, an einen Server 30A, erzeugt eine Markierung für die als unbekannte Daten bestimmten Sensordaten durch den Server 30A von den gesendeten Sensordaten und sendet die Markierung an den Server 30A. Mit anderen Worten unterscheidet sich die zweite Ausführungsform von der ersten Ausführungsform darin, dass die Diagnosevorrichtung 20A auf Basis des erfassten Sensorsignals diagnostiziert, ob die Industrievorrichtung 10 normal oder anormal ist, sendet das Sensorsignal an den Server 30A, wenn die Industrievorrichtung als anormal diagnostiziert wird, bestimmt einen Erzeugungszeitpunkt einer Markierung für das Sensorsignal auf Basis des Klassifizierungs-Ergebnisses für die Anomalie der Industrievorrichtung 10, das aus dem Server 30A erfasst wird, um die Markierung zu erzeugen und sendet die erzeugte Markierung an den Server 30A.
Somit kann die Diagnosevorrichtung 20A nur Daten selektieren, die einen großen Einfluss auf die funktionelle Verbesserung bei einem Anbieter haben, und dass die Industrievorrichtung 10 als anormal diagnostiziert wird, und kann die ausgewählten Daten an den Server 30A heraufladen.
Nachfolgend wird die zweite Ausführungsform beschrieben.
4 ist ein Funktionsblockdiagramm, das ein Funktionsaufbau-Beispiel eines Diagnosesystems gemäß der zweiten Ausführungsform zeigt. Komponenten mit denselben Funktionen wie die Komponenten des in 1 gezeigten Diagnosesystems 1 werden durch dieselben Bezugszeichen bezeichnet und deren Details werden nicht beschrieben.
Wie in 4 gezeigt, beinhaltet das Diagnosesystem 1 gemäß einer zweiten Ausführungsform eine Industrievorrichtung 10, eine Diagnosevorrichtung 20A und einen Server 30A.
Ähnlich zum Fall der ersten Ausführungsform ist die Industrievorrichtung 10 eine Werkzeugmaschine, ein Industrieroboter oder dergleichen, die Fachleuten bekannt sind, und beinhaltet einen Sensor 11. Die Industrievorrichtung 10 arbeitet auf Basis einer Betriebsanweisung aus einer (nicht gezeigten) Steuerung.
Ähnlich zu dem Fall der ersten Ausführungsform misst der Sensor 11 einen Zustand, der sich auf die Bewegung eines Motors bezieht, der in der Industrievorrichtung 10 enthalten ist, und bewegliche Teile (nicht gezeigt), wie etwa eine Spindel und einen an dem Motor angebrachten Arm. Der Sensor 11 gibt Sensordaten, die einen Messwert darstellen, welcher durch den Sensor 11 gemessen wird, an die Diagnosevorrichtung 20 aus.
<Diagnosevorrichtung 20A>
Die Diagnosevorrichtung 20A beinhaltet eine Steuereinheit 21a und eine Anzeigeeinheit 22. Weiter beinhaltet die Steuereinheit 21a eine Sensorsignal-Erfassungseinheit 210, eine Vorrichtungs-Diagnoseeinheit 212, eine Sendeeinheit 214a, eine Anzeigesteuereinheit 215 und eine Markierungsinformations-Erzeugungseinheit 216a.
In der zweiten Ausführungsform wird eine Funktion entsprechend der Klassifikationseinheit 213 der ersten Ausführungsform als eine Klassifikationseinheit 32 des Servers 30A, die unten zu beschreiben ist, realisiert. Mit anderen Worten klassifiziert die Diagnosevorrichtung 20A gemäß der zweiten Ausführungsform die in der Industrievorrichtung 10 erzeugte Anomalie nicht unter Verwendung der Sensordaten, die durch den Sensor 11 gemessen werden.
Weiter weist die Anzeigeeinheit 22 dieselbe Funktion wie die Anzeigeeinheit 22 in der ersten Ausführungsform auf.
<Steuereinheit 21a>
Ähnlich zur Steuereinheit 21 der ersten Ausführungsform beinhaltet die Steuereinheit 21a eine CPU (Zentraleinheit), ein ROM (Nurlesespeicher), ein RAM, einen CMOS (Komplementär-Oxid-Halbleiter) -Speicher und dergleichen und dergleichen, und diese Komponenten sind konfiguriert, in der Lage zu sein, miteinander über einen Bus zu kommunizieren, wie Fachleuten bekannt ist.
Die CPU ist ein Prozessor, welcher die Diagnosevorrichtung 20A insgesamt steuert. Die CPU liest ein Systemprogramm und ein Anwendungsprogramm, die im ROM gespeichert sind, über den Bus aus und steuert die gesamte Diagnosevorrichtung 20A gemäß dem Systemprogramm und dem Anwendungsprogramm. Somit, wie in 4 gezeigt, ist die Steuereinheit 21a konfiguriert, Funktionen der Sensorsignal-Erfassungseinheit 210, der Vorrichtungs-Diagnoseeinheit 212, der Spritzgussmaschinen-Sendeeinheit 214a, der Anzeigesteuereinheit 215 und der Markierungsinformations-Erzeugungseinheit 216a zu realisieren.
Die Sensorsignal-Erfassungseinheit 210, die Vorrichtungs-Diagnoseeinheit 212 und die Anzeigesteuereinheit 215 weisen dieselben Funktionen wie die Sensorsignal-Erfassungseinheit 210, die Vorrichtungs-Diagnoseeinheit 212 und die Anzeigesteuereinheit 215 in der ersten Ausführungsform auf.
Wenn die Vorrichtungs-Diagnoseeinheit 212 diagnostiziert, dass die Industrievorrichtung 10 anormal ist, sendet die Sendeeinheit 214a das Sensorsignal an den Server 30A.
Mit anderen Worten sendet die Sendeeinheit 214a nur das Sensorsignal der Sensordaten, für welche die Industrievorrichtung 10 als anormal durch die Vorrichtungs-Diagnoseeinheit 212 diagnostiziert ist, an den Server 30A und somit kann eine Belastung am Netzwerk und eine Belastung des Anwenders reduziert werden.
Dann, wie unten beschrieben wird, wenn die gesendeten Sensordaten als unbekannte Daten durch den Server 30A klassifiziert werden, kann die Sendeeinheit 214a eine für die Sensordaten durch die Markierungsinformations-Erzeugungseinheit 216a erzeugte Markierung, die unten beschrieben wird, an die Server 30A senden.
Beim Empfangen des Klassifizierungs-Ergebnisses für das durch die Sendeeinheit 214a aus dem Server 30A gesendete Sensorsignal, das unten zu beschreiben ist, erzeugt die Markierungsinformations-Erzeugungseinheit 216a auf Basis des empfangenen Klassifikations-Ergebnisses ein Erzeugungs-Timing einer Markierung, welche Inhalte der Anomalie der Industrievorrichtung 10 in Bezug auf das Sensorsignal angeben, und erzeugt die Markierung. Die Sendeeinheit 214a sendet die erzeugte Markierung an den Server 30A.
Spezifisch erzeugt die Markierungsinformations-Erzeugungseinheit 216a eine Markierung, die Inhalte der Anomalie der Industrievorrichtung 10 in einem Format angibt, in welchem ein Anomalie-Teil und ein Anomalie-Phänomen kombiniert werden, das heißt in einem Format der „Beschädigung von Spindellager“, „Verschleiß von Führungsgleitoberfläche“, „Beschädigung von Werkzeug“ oder dergleichen, zu einem Zeitpunkt, wenn die Sendeeinheit 214a das Klassifikationsergebnis empfängt, in welchem die Sensordaten des durch die Sendeeinheit 214a gesendeten Sensorsignals als unbekannte Daten bestimmt werden, aus dem Server 30A.
Zusätzlich kann die Markierungsinformations-Erzeugungseinheit 216a eine Markierung auf Basis der Anwendereingabe, wie etwa anormales Geräusch oder Vibration, die zu einem Zeitpunkt erzeugt werden, wenn die Industrievorrichtung 10 anormal wird, beispielsweise durch eine (nicht gezeigte) Eingabevorrichtung der Diagnosevorrichtung 20, erzeugen.
Weiter kann die Markierungsinformations-Erzeugungseinheit 216a die Markierung durch Anzeigen eines Bildschirms, um den Anwender zu drängen, die Markierung einzugeben, auf der Anzeigeeinheit 22, eingeben.
Weiter kann die Markierungsinformations-Erzeugungseinheit 216a eine Markierung auf Basis eines (anderen) Sensorsignals, einer Vorrichtungsbetriebs-Situation, einer Umgebungssituation, und dergleichen zur Erfassungszeit der zu markierenden Daten erzeugen.
Das Markierungsformat ist nicht auf das Format beschränkt, auf welchem der Anomalieteil und das Anomalie-Phänomen kombiniert werden, und kann ein anderes Format sein.
<Server 30A>
Ähnlich zum Server 30 der ersten Ausführungsform, ist der Server 30A eine Computervorrichtung, und kommuniziert mit der Diagnosevorrichtung 20A über ein (nicht gezeigtes) Netzwerk. Wie in 4 gezeigt, beinhaltet der Server 30A eine Klassifikationsmodell-Lerneinheit 31 und eine Klassifizierungseinheit 32.
Der Server 30A beinhaltet eine Arithmetik-OperationsVerarbeitungseinheit, wie etwa eine CPU, um Funktionsblöcke der Klassifikationsmodell-Lerneinheit 31 und der Bedieneinheit 32 zu realisieren. Weiter beinhaltet der Server 30A nicht nur eine Hilfsspeichervorrichtung, wie etwa eine HDD, die verschiedene Steuerprogramme einschließlich Applikations-Software und ein BS speichert, sondern auch ein Hauptspeichervorrichtung, wie etwa ein RAM, welches Daten zeitweilig speichert, welche für die Arithmetik-OperationsVerarbeitungseinheit benötigt werden, um die Programme auszuführen.
Dann liest im Server 30A die Arithmetik-OperationsVerarbeitungseinheit die Anwendungs-Software und das BS aus der Hilfsspeichervorrichtung aus, entlädt die eingelesene Anwendungs-Software und das BS in die Hydrauliksteuervorrichtung und führt arithmetische Operationsverarbeitung auf Basis einer solchen Anwendungs-Software auf das BS durch. Weiter, basierend auf dem Ergebnis der arithmetischen Operation, wird unterschiedliche Hardware im Server 30A gesteuert. Somit wird der Funktionsblock der zweiten Ausführungsform realisiert. Mit anderen Worten kann die zweite Ausführungsform durch Kooperation von Hardware und Software realisiert werden.
Zusätzlich kann jede der Funktionen des Servers 30A unter Verwendung einer virtuellen Server-Funktion oder dergleichen in einer Cloud realisiert werden.
Die Klassifikationsmodell-Lerneinheit 31 weist dieselbe Funktion wie die Klassifikationsmodell-Lerneinheit 31 der ersten Ausführungsform auf. Jedoch gibt die Klassifikationsmodell-Lerneinheit 31 gemäß der zweiten Ausführungsform das erzeugte Klassifikations-Lernmodell an die unten zu beschreibende Klassifikationseinheit 32 aus.
Die Klassifikationseinheit 32 klassifiziert die Anomalie der Industrievorrichtung 10 unter Verwendung der Sensordaten des Sensorsignals, für welche die Industrievorrichtung 10 als anormal diagnostiziert wird, empfangen aus der Diagnosevorrichtung 20A, und dem durch die Klassifikationsmodell-Lerneinheit 31 erzeugten Klassifikations-Lernmodell.
Spezifisch, ähnlich zur Klassifikationseinheit 213 der ersten Ausführungsform, klassifiziert die Klassifikationseinheit 32 unter Verwendung eines Einklassen-Klassifizierers auf Basis von Lerndaten eine Anomalie A_i, welche durch die Klassifikationsmodell-Lerneinheit 31 erzeugt werden, und der empfangenen Sensordaten, ob die empfangenen Sensordaten in einer Klasse der Lerndaten der Anomalie A_i klassifiziert wird, das heißt, ob die Anomalie der Industrievorrichtung 10 beispielsweise die Anomalie A_i ist.
Mit anderen Worten, klassifiziert die Klassifikationseinheit 32 die Anomalie der Industrievorrichtung 10 auf Basis der Sensordaten der Industrievorrichtung 10, die als anormal diagnostiziert ist, durch die Diagnosevorrichtung 20A. Beispielsweise verwendet die Klassifikationseinheit 32 den Einklassen-Klassifizierer auf Basis der Lerndaten jeder bekannten Anomalie A_i, welche durch die Klassifikationsmodell-Lerneinheit 31 erzeugt wird, um zu bestimmen, ob die empfangenen Sensordaten den Lerndaten der Anomalie A_i entsprechen, wodurch bestimmt wird, ob die Anomalie der Industrievorrichtung 10 die Anomalie A_i ist. Wenn andererseits entschieden wird, nicht eine der Anomalie A₁ bis Anomalie A_n zu sein, bestimmt die Klassifikationseinheit 32, dass die entsprechenden Sensordaten unbekannte Daten sind.
Dann gibt die Klassifikationseinheit 32 das Klassifikationsergebnis an die Diagnosevorrichtung 20A aus.
Selbst wenn bestimmt wird, irgendeine Anomalie A_i zu sein, falls die Anzahl von Sensordaten entsprechend der bestimmtem Anomalie A_i kleiner als die voreingestellte Anzahl von Proben ist, kann die Klassifikationseinheit 32 bestimmen, dass die Sensordaten unbekannte Daten sind.
Weiter, wenn das Klassifikations-Lernmodell ein erlerntes Modell eines neuronalen Netzwerks ist, kann die Klassifikationseinheit 32 bestimmen, dass sie unbekannte Daten sind, wenn ein Wert einer Ausgangsschicht (Softmax-Funktion) des neuronalen Netzwerks gleich oder kleiner als ein für alle Klassen voreingestellter vorbestimmter Wert ist.
Weiter, wenn das Klassifikations-Lernmodell der Ein-Klassen-Klassifizierer ist, der durch Eingabe bekannter Daten aller Klassen erlernt wird, kann die Klassifikation 32 bestimmen, dass es unbekannte Daten sind, wenn die Ausgabe des Ein-Einklassen-Klassifizierers größer oder kleiner als ein voreingestellter Schwellenwert ist.
<Diagnose-Prozess von Diagnosevorrichtung 20A und Sammelprozess von Server 30A>
Als Nächstes werden Operationen, die sich auf einen DiagnoseProzess der Diagnosevorrichtung 20A und einen Sammelprozess des Servers 30A beziehen, beschrieben.
5 ist ein Flussdiagramm, das einen Diagnoseprozess der Diagnosevorrichtung 20A und einen Sammelprozess des Servers 30A illustrieren.
Im Schritt S61 führt die Sensorsignal-Erfassungseinheit 210 denselben Prozess wie im Schritt S11 der ersten Ausführungsform durch und erfasst ein Sensorsignal, das Sensordaten beinhaltet, die durch den Sensor 11 der Industrievorrichtung 10 gemessen werden.
Im Schritt S62 diagnostiziert die Vorrichtungs-Diagnoseeinheit 212 auf Basis der Sensordaten des im Schritt S61 erfassten Sensorsignals, ob die Industrievorrichtung 10 anormal ist. Wenn die Industrievorrichtung 10 anormal ist, schreitet der Prozess zu Schritt S63 fort. Wenn andererseits die Industrievorrichtung 10 normal ist, kehrt der Prozess zu Schritt S61 zurück.
Im Schritt S63 sendet die Sendeeinheit 214a die Sensordaten, für welche die Industrievorrichtung 10 im Schritt S62 als anormal diagnostiziert ist, an den Server 30A.
Im Schritt S71 empfängt die Klassifikationseinheit 32 des Servers 30A die Sensordaten, die im Schritt S53 gesendet werden, aus der Diagnosevorrichtung 20A.
Im Schritt S72 klassifiziert die Klassifikationseinheit 32 die Anomalie der Industrievorrichtung 10 auf Basis der im Schritt S71 empfangenen Sensordaten.
Im Schritt S73 sendet die Klassifikationseinheit 32 das im Schritt S72 klassifizierte Klassifikationsergebnis an die Diagnosevorrichtung 20A.
Im Schritt S64 empfängt die Anzeigesteuereinheit 215 der Diagnosevorrichtung 20A das Klassifikationsergebnis aus dem Server 30A.
Im Schritt S65 führt die Anzeigesteuereinheit 215 denselben Prozess wie in Schritt 14 der ersten Ausführungsform durch, und zeigt das Diagnoseergebnis und das Klassifikationsergebnis auf der Anzeigeeinheit 22 an.
Im Schritt S66 bestimmt die Markierungsinformations-Erzeugungseinheit 216a auf Basis des im Schritt S64 empfangenen Klassifikationsergebnisses, ob die im Schritt S63 gesendeten Sensordaten als unbekannte Daten durch den Server 30A klassifiziert sind. Wenn die Sensordaten als unbekannte Daten klassifiziert sind, schreitet der Prozess zu Schritt S67 fort. Wenn andererseits die Sensordaten nicht unbekannte Daten sind, das heißt, wenn die Sensordaten als jegliche Daten von Anomalie A₁ bis Anomalie A_n klassifiziert werden, kehrt der Prozess zu Schritt S61 zurück.
Im Schritt S67 bestimmt die Markierungsinformations-Erzeugungseinheit 216a ein Erzeugungs-Timing einer Markierung für die als unbekannte Daten durch den Server 30A klassifizierten Sensordaten und erzeugt eine Markierung für die Sensordaten.
Im Schritt S68, wenn der Anwender die „Sende“-Schaltfläche der auf der Anzeigeeinheit 22 angezeigten Anwenderschnittstelle drückt, sendet die Sendeeinheit 214a die im Schritt S67 erzeugte Markierung an den Server 30A. Dann kehrt der Prozess zu Schritt S61 zurück.
Im Schritt S74 empfängt die Klassifikationsmodell-Lerneinheit 31 die Markierung der als unbekannte Daten im Schritt S72 klassifizierten Sensordaten aus der Diagnosevorrichtung 20A und speichert die empfangenen Sensordaten und die Markierung in der Speicherzone, welche den Inhalten der Markierung in der Speicherzone der (nicht gezeigten) Speichereinheit des Servers 30A entspricht.
Die Diagnosevorrichtung 20A führt den sich auf die Erfassung des Sensorsignals beziehenden Prozess und der sich auf die Markierungserzeugung und Sendung der unbekannten Daten in einer Zeitreihenweise beziehenden Prozess durch, kann aber den obigen Prozess parallel oder individuell ausführen.
Weiter führt der Server 30A die Prozesse von Schritten S71 bis S73 und den Prozess von Schritt S74 in einer Zeitreihenweise durch, kann aber den obigen Prozess parallel oder individuell ausführen.
<Lernprozess von Server 30A>
Als Nächstes wird ein sich auf den Lernprozess des Servers 30A beziehende Betrieb beschrieben.
6 ist ein Flussdiagramm, das einen Lernprozess des Servers 30A illustriert.
In Schritt S81 führt die Klassifikationsmodell-Lerneinheit 31 denselben Prozess wie im Schritt 51 der ersten Ausführungsform durch, und bestimmt, ob die durch den Sammelprozess in 5 gesammelten Sensordaten gleich oder größer als die vorbestimmte Anzahl von voreingestellten Daten sind. Wenn die gesammelten Sensordaten gleich oder größer als die voreingestellte Anzahl von Daten sind, schreitet der Prozess zu Schritt S82 fort. Wenn andererseits die gesammelten Sensordaten kleiner als die vorbestimmte Anzahl von Daten sind, wartet der Prozess in Schritt S81, bis die Sensordaten gleich oder größer als die vorbestimmte Anzahl von Daten werden.
Im Schritt S82 führt die Klassifikationsmodell-Lerneinheit 31 denselben Prozess wie im Schritt 52 der ersten Ausführungsform durch und führt Maschinenlernen unter Verwendung der Sensordaten durch, die gesammelt sind, gleich oder größer als die vorbestimmte Anzahl von Daten zu sein, und der Markierungen, und erzeugt somit ein Klassifikations-Lernmodell, das als eine neue Anomalie A_n+1 klassifiziert, und gibt das erzeugte Klassifizierungs-Lernmodell an die Klassifikationseinheit 32 aus.
Der Lernprozess des Servers 30A exemplifiziert einen Mini-Stapelprozess, kann aber durch einen Stapelprozess oder einen Echtzeitprozess statt des Mini-Stapelprozesses ersetzt werden.
Wie oben beschrieben, erfasst die Diagnosevorrichtung 20A gemäß der zweiten Ausführungsform das die durch den Sensor 11 der Industrievorrichtung 10 gemessenen Sensordaten Sensorsignal und diagnostiziert auf Basis der erfassten Sensordaten, ob die Industrievorrichtung 10 normal oder anormal ist. Wenn diagnostiziert wird, dass die Industrievorrichtung 10 anormal ist, sendet die Diagnosevorrichtung 20A das erfasste Sensorsignal an den Server 30A. Wenn die durch den Server 30A gesendeten Sensordaten als unbekannte Daten bestimmt werden, erzeugt die Diagnosevorrichtung 20A eine Markierung für die Sensordaten und sendet die erzeugte Markierung an den Server 30A.
Somit kann die Diagnosevorrichtung 20A nur Daten auswählen, die als eine Anomalie der Industrievorrichtung 10 diagnostiziert sind, die einen großen Einfluss auf die funktionelle Verbesserung bei einem Verkäufe aufweisen, und kann die ausgewählten Daten an den Server 30A heraufladen. Dadurch kann die Diagnosevorrichtung 20A die Belastung des Netzwerks reduzieren.
Weiter kann die Diagnosevorrichtung 20A die Anwenderbelastung durch Markieren (Annotieren) der Daten reduzieren, die durch den Server 30A als unbekannt aus den gesendeten Daten bestimmt wird, die als eine Anomalie der Industrievorrichtung 10 diagnostiziert werden.
Die zweite Ausführungsform ist oben beschrieben worden.
Obwohl die ersten und zweiten Ausführungsformen oben beschrieben worden sind, sind die Diagnosevorrichtung 20 oder 20A, und der Server 30 oder 30A nicht auf die oben beschriebenen Ausführungsformen beschränkt und können modifiziert und verbessert werden innerhalb eines Bereichs, in welchem die Aufgabe gelöst werden kann.
<Modifikationsbeispiel 1>
In den ersten und zweiten Ausführungsformen wird die Diagnosevorrichtung 20 oder 20A als eine Vorrichtung exemplifiziert, die sich von der Industrievorrichtung 10 unterscheidet, aber die Industrievorrichtung 10 kann mit einem Teil oder aller der Funktionen der Diagnosevorrichtung 20 oder 20A versehen sein.
Alternativ kann der Server beispielsweise einen Teil oder alle der Sensorsignal-Erfassungseinheit 210, der Vorrichtungs-Diagnoseeinheit 212, der Klassifikationseinheit 213, der Sendeeinheit 214, der Anzeigesteuereinheit 215 und der Markierungsinformations-Erzeugungseinheit 216 an der Diagnosevorrichtung 20, oder einen Teil oder alle der Sensorsignal-Erfassungseinheit 210, der Vorrichtungs-Diagnoseeinheit 212, der Sendeeinheit 214a, der Anzeigesteuereinheit 215 und der Markierungsinformations-Erzeugungseinheit 216a der Diagnosevorrichtung 20 enthalten. Weiter kann jede Funktion der Diagnosevorrichtung 20 oder 20A unter Verwendung einer Funktion eines virtuellen Servers oder dergleichen in der Cloud realisiert werden.
Weiter kann die Diagnosevorrichtung 20 oder 20A ein distributiertes Verarbeitungssystem sein, in welchem die Funktion der Diagnosevorrichtung 20 oder 20A angemessen auf eine Vielzahl von Servern distributiert ist.
<Modifikationsbeispiel 2>
Zusätzlich ist beispielsweise in den oben beschriebenen ersten und zweiten Ausführungsformen die Diagnosevorrichtung 20 oder 20A mit einer Industrievorrichtung 10 verbunden, kann aber mit einer Vielzahl von Industrievorrichtungen 10 verbunden sein, ohne darauf beschränkt zu sein.
<Modifikationsbeispiel 3>
Weiter ist beispielsweise in den oben beschriebenen ersten und zweiten Ausführungsformen der Server 30 oder 30A mit einer Diagnosevorrichtung 20 oder 20A verbunden, aber nicht darauf beschränkt. Beispielsweise kann, wie in 7 gezeigt, ein Server 30B ein Klassifikations-Lernmodell speichern, welches durch eine Klassifikationsmodell-Lerneinheit 31 des Servers 30B für jede von Industriemaschinen 10A(1) bis 10A(m) erzeugt wird, und kann das Klassifikations-Lernmodell mit m Diagnosevorrichtungen 20B(1) bis 20B(n) teilen, die mit einem Netzwerk 60 (m ist eine Ganzzahl von 2 oder mehr) verbunden sind. Somit kann das Klassifizierungs-Lernmodell selbst dann angewendet werden, wenn neue Industrievorrichtung und Diagnosevorrichtung angeordnet werden.
Jede der Diagnosevorrichtungen 20B(1) bis 20B(m) ist mit jeder der Werkzeugmaschinen 10A(1) bis 10A(m) verbunden.
Weiter entspricht jede der Werkzeugmaschinen 10A(1) bis 10A(m) der Industrievorrichtung 10 der ersten und zweiten Ausführungsformen und kann dasselbe Modell oder unterschiedliche Modelle zueinander sein. Jede der Diagnosevorrichtungen 20B(1) bis 20B(m) entspricht der Diagnosevorrichtung 20 der ersten Ausführungsform oder der Diagnosevorrichtung 20A der zweiten Ausführungsform. Der Server 30G entspricht dem Server 30 der ersten Ausführungsform oder der Server 30A der zweiten Ausführungsform.
Jede der in der Diagnosevorrichtung 20 oder 20A und dem Server 30 oder 30A der ersten und zweiten Ausführungsformen beinhalteten Funktionen kann durch Hardware, Software oder eine Kombination davon realisiert werden. Hier bedeutet dies, dass das Realisieren einer solchen Funktion durch die Software realisiert wird, wenn ein Computer ein Programm liest und ausführt.
Das Programm kann gespeichert und einem Computer unter Verwendung verschiedener Typen von nicht-transitorischen computerlesbaren Medien zugeführt werden. Die nicht-transitorischen computerlesbaren Medien beinhalten verschiedene Typen von physikalischen Speichermedien. Beispiele der nicht-transitorischen computerlesbaren Medien beinhalten ein Magnetaufzeichnungsmedium (beispielsweise eine Floppy-Disk, ein Magnetband oder ein Festplattenlaufwerk), ein magnet-optisches Aufzeichnungsmedium (beispielsweise eine magnet-optische Disk), eine CD-ROM (Nurlesespeicher), eine CD-R, eine CD-R/W und einen Halbleiterspeicher (beispielsweise ein Masken-ROM, ein PROM (programmierbares ROM), ein EPROM (löschbares PROM), ein Flash-ROM und ein RAM). Weiter können diese Programme Computern unter Verwendung verschiedener Typen von transitorischen computerlesbaren Medien zugeführt werden. Beispiele der transitorischen computerlesbaren Medien beinhalten ein elektrisches Signal, ein optisches Signal und eine elektromagnetische Welle. Die transitorischen computerlesbaren Medien können Programme einem Computer über eine verdrahtete Kommunikationsleitung zuführen, beispielsweise elektrische Kabel oder optische Fasern oder eine Drahtloskommunikationsleitung.
Zusätzlich beinhalten die Schritte des Beschreibens des auf dem Aufzeichnungsmedium aufzuzeichnenden Programms nicht nur einen Prozess, der sequentiell in Zeitreihenweise durchgeführt wird, sondern auch einen Prozess, der parallel oder individuell ausgeführt wird, ohne notwendigerweise in Zeitreihenweise prozessiert zu werden.
Mit anderen Worten kann die Diagnosevorrichtung, der Server und das Diagnoseverfahren der vorliegenden Offenbarung verschiedene Ausführungsformen mit den nachfolgenden Konzentrationen annehmen.

(1) Ein Aspekt der Diagnosevorrichtung 20 der vorliegenden Offenbarung stellt eine Diagnosevorrichtung bereit, die mit einem Server 30 kommunikativ verbunden ist, welcher konfiguriert ist, eine Anomalie einer Industrievorrichtung 10 zu erlernen, und ein Klassifikations-Lernmodell für die Anomalie zu erzeugen, wobei die Diagnosevorrichtung beinhaltet: eine Sensorsignal-Erfassungseinheit 210, die konfiguriert ist, ein Sensorsignal zu erfassen, das einen Messwert beinhaltet, der durch zumindest einen in der Industrievorrichtung 10 angeordneten Sensor 11 gemessen wird; eine Vorrichtungs-Diagnoseeinheit 212, die konfiguriert ist, auf Basis des erfassten Sensorsignals zu diagnostizieren, ob die Industrievorrichtung 10 normal oder anormal ist; eine Klassifikationseinheit 213, die konfiguriert ist, die Anomalie der Industrievorrichtung auf Basis des Sensorsignals und des Klassifikations-Lernmodells zu klassifizieren, wenn die Vorrichtungs-Diagnoseeinheit 212 diagnostiziert, dass die Industrievorrichtung 10 anormal ist; und eine Sendeeinheit 214, die konfiguriert ist, auf Basis zumindest eines Diagnose-Ergebnisses durch die Vorrichtungs-Diagnoseeinheit 212 und eines Klassifikations-Ergebnisses durch die Klassifikationseinheit 213 zu bestimmen, ob das Sensorsignal an den Server 30 zu senden ist, und das Sensorsignal an den Server 30 sendet, wenn bestimmt wird, dass das Sensorsignal gesendet werden kann.

Gemäß der Diagnosevorrichtung 20 ist es möglich, nur die Daten auszuwählen, die einen großen Einfluss auf die funktionelle Verbesserung beim Verkäufer haben, und die ausgewählten Daten auf den Server heraufzuladen.

(2) In der Diagnosevorrichtung 20 gemäß oben beschriebenem (1) kann die Klassifikationseinheit 213 das Sensorsignal als unbekannte Daten klassifizieren, wenn zumindest die Anomalie der Industrievorrichtung 10 nicht klassifizierbar ist, basierend auf dem Sensorsignal, oder die Anomalie kleiner als eine vorbestimmte Anzahl von Proben ist, und die Sendeeinheit 214 kann das als unbekannte Daten klassifizierte Sensorsignal an den Server 30 senden.

Dadurch kann die Diagnosevorrichtung 20 die Last des Netzwerks durch Senden nur des Sensorsignals der Sensordaten, welche bestimmt werden als unbekannte Daten im Server 30, an den Server 30 reduzieren.

(3) In der Diagnosevorrichtung 20 gemäß (1) oder (2), die oben beschrieben sind, kann die Vorrichtungs-Diagnoseeinheit 212 ein Einklassen-Klassifizierer sein, der Charakteristika des Sensorsignals in einem normalen Zustand vorab erlernt, und die Anomalie der Industrievorrichtung 10 auf Basis eines Abweichungsgrads gegenüber den Charakteristika normalen Zustand detektiert.

Dadurch kann die Diagnosevorrichtung 20 leicht die Anomalie der Industrievorrichtung 10 auf Basis der Sensordaten diagnostizieren.

(4) In der Diagnosevorrichtung 20 gemäß einem von oben beschriebenen (1) bis (3) kann die Diagnosevorrichtung 20 weiter beinhalten eine Markierungsinformationserzeugungseinheit 216, die konfiguriert ist, auf Basis des Klassifikationsergebnisses durch die Klassifikationseinheit 213 ein Erzeugungs-Timing einer Markierung zu bestimmen, die einen Inhalt der Anomalie der Industrievorrichtung 10 in Bezug auf das Sensorsignal angibt, und die Markierung erzeugt, in welchem die Sendeeinheit 214 das Sensorsignal und die Markierung an den Server 30 senden kann.

Dadurch kann die Diagnosevorrichtung 20 die Last des Anwenders reduzieren, durch Markieren nur des Sensorsignals der Sensordaten, die als unbekannte Daten im Server 30 bestimmt werden.

(5) In der Diagnosevorrichtung 20 gemäß oben beschriebenem (4) kann die Klassifikationseinheit 213 aus dem Server 30 das durch den Server 30 erzeugte Klassifikations-Lernmodell auf Basis des Sensorsignals und der durch die Sendeeinheit 214 gesendeten Markierung erfassen.

Dadurch kann die Diagnosevorrichtung 20 leicht die Anomalie der Industrievorrichtung 10 auf Basis der Sensordaten diagnostizieren.
(6) In der Diagnosevorrichtung 20 gemäß (5) kann das Klassifikations-Lernmodell aktualisiert werden, wann immer der Server 30 ein neues Sensorsignal aus der Diagnosevorrichtung 20 empfängt, und kann die Klassifikationseinheit 213 die Anomalie der Industrievorrichtung 10 unter Verwendung des aktualisierten Klassifikations-Lernmodells klassifizieren.
Dadurch kann die Diagnosevorrichtung 20 die Genauigkeit der Klassifikation verbessern.

In der Diagnosevorrichtung 20 gemäß einem von oben beschriebenen (1) bis (6) kann die Diagnosevorrichtung 20 weiter eine Anzeigesteuereinheit 215 beinhalten, die konfiguriert ist, auf einer Anzeigeeinheit 22 einer Anwenderschnittstelle anzuzeigen, die auffordert, das Sensorsignal zu senden, wenn die Sendeeinheit 214 das Sensorsignal sendet.

Dadurch kann die Diagnosevorrichtung 20 das Sensorsignal an den Server 30 zu einem vom Anwender gewünschten Zeitpunkt senden.

In der Diagnosevorrichtung 20 gemäß oben beschriebenem (7) kann die Anzeigesteuereinheit 215 zumindest eines vom Diagnoseergebnis durch die Vorrichtungs-Diagnoseeinheit 212 und dem Klassifikationsergebnis durch die Klassifikationseinheit 213 auf der Anzeigeeinheit 22 anzeigen.

Dadurch kann der Anwender bestätigen, ob die Anomalie in der Industrievorrichtung 10 auftritt, und das Auftreten der Anomalie.

Ein Aspekt der Diagnosevorrichtung 20A der vorliegenden Offenbarung stellt eine Diagnosevorrichtung bereit, die kommunikativ mit einem Server 30A verbunden ist, der ein Klassifizierungs-Lernmodell beinhaltet, an welchem ein Sensorsignal, das eine Anomalie angibt, welches durch eine Industrievorrichtung 10 erfasst wird, eingegeben wird, um die Anomalie zu klassifizieren, und konfiguriert, eine Klassifikation des Sensorsignals zu erlernen, das nicht klassifizierbar ist, und das Klassifikations-Lernmodell zu aktualisieren, wobei die Diagnose-Vorrichtung beinhaltet: eine Sensorsignal-Erfassungseinheit 210, die konfiguriert ist, ein Sensorsignal zu erfassen, das einen Messwert beinhaltet, welcher durch zumindest einen in der Industrievorrichtung 10 angeordneten Sensor 11 gemessen wird; eine Vorrichtungs-Diagnoseeinheit 212, die konfiguriert ist, auf Basis des erfassten Sensorsignals zu diagnostizieren, ob die Industrievorrichtung 10 normal oder anormal ist; eine Sendeeinheit 214a, die konfiguriert ist, das Sensorsignal an den Server 30A zu senden, wenn die Vorrichtungs-Diagnoseeinheit 212 diagnostiziert, dass die Industrievorrichtung 10 anormal ist; und eine Markierungsinformations-Erzeugungseinheit 216a, die konfiguriert ist, auf Basis eines Klassifikations-Ergebnisses für das aus dem Server 30A erfassten Sensorsignals ein Erzeugungs-Timing einer Markierung zu bestimmen, die einen Inhalt der Anomalie der Industrievorrichtung 10 in Bezug auf das Sensorsignal angibt, und die Markierung erzeugt, wobei die Sendeeinheit 214a die Markierung an den Server 30A sendet.

Gemäß der Diagnosevorrichtung 20A kann derselbe Effekt wie im oben beschriebenen (1) erhalten werden.

(10) Ein Aspekt des Servers 30 der vorliegenden Offenbarung stellt einen Server bereit, welcher kommunikativ mit der Diagnosevorrichtung 20 gemäß einem von oben beschriebenen (1) bis (8) verbunden ist, wobei der Server eine Klassifikationsmodell-Lerneinheit 31 beinhaltet, die konfiguriert ist, die Anomalie der Industrievorrichtung 10 unter Verwendung des aus der Diagnosevorrichtung 20 empfangenen Sensorsignals zu erlernen, das Klassifikations-Lernmodell erzeugt und das erzeugte Klassifikations-Lernmodell an die Diagnosevorrichtung 20 zu senden.

Gemäß dem Server 30 ist es möglich, nur die Daten zu empfangen, die großen Einfluss auf die funktionelle Verbesserung beim Anbieter haben.

(11) Ein Aspekt des Servers 30A der vorliegenden Offenbarung stellt einen Server bereit, der mit der Diagnosevorrichtung 20A gemäß oben beschriebenen (9) verbunden ist, wobei der Server beinhaltet: eine Klassifikationsmodell-Lerneinheit 31, die konfiguriert ist, die Anomalie der Industrievorrichtung 10 unter Verwendung eines aus der Diagnosevorrichtung 20A empfangenen Sensorsignals zu erlernen, und das Klassifikations-Lernmodell erzeugt; und eine Klassifikationseinheit 32, die konfiguriert ist, die Anomalie der Industrievorrichtung 10 auf Basis des Sensorsignals und des Klassifizierungs-Lernmodells zu klassifizieren.

Gemäß dem Server 30A ist es möglich, nur die Daten zu empfangen, die großen Einfluss auf die funktionale Verbesserung beim Anbieter haben.

(12) Ein Aspekt des diagnostischen Verfahrens der vorliegenden Offenbarung stellt ein diagnostisches Verfahren bereit, das eine Diagnosevorrichtung 20 verwendet, welche mit einem Server 30 kommunikativ verbunden ist, der konfiguriert ist, eine Anomalie einer Industrievorrichtung 10 zu erlernen, und ein Klassifizierungs-Lernmodell für die Anomalie zu erzeugen, wobei das Diagnoseverfahren beinhaltet: einen Sensorsignal-Erfassungsschritt des Erfassens eines Sensorsignals, der einen durch zumindest einen in der Industrievorrichtung 10 angeordneten Sensor gemessenen Messwert beinhaltet; einen Vorrichtungs-Diagnoseschritt des Diagnostizierens, basierend auf dem erfassten Sensorsignal, ob die Industrievorrichtung 10 normal oder anormal ist; einen Klassifikationsschritt des Klassifizierens der Anomalie der Industrievorrichtung 10 auf Basis des Sensorsignals und des Klassifikations-Lernmodells, wenn die Industrievorrichtung 10 als anormal diagnostiziert wird; und einen Sendeschritt des Bestimmens, basierend auf einem Diagnoseergebnis im Vorrichtungs-Diagnoseschritt oder/und eines Klassifikations-Ergebnisses im Klassifikationsschritt, ob das Sensorsignal an den Server 30 zu senden ist, und Senden des Sensorsignals an den Server 30, wenn bestimmt wird, dass das Sensorsignal gesendet werden kann.

Gemäß dem Diagnoseverfahren kann derselbe Effekt wie im oben beschriebenen (1) erhalten werden.

(13) Ein Aspekt des Diagnoseverfahrens der vorliegenden Offenbarung stellt ein Diagnoseverfahren bereit, das eine Diagnosevorrichtung 20A verwendet, die mit einem Server 30A kommunikativ verbunden ist, der ein Klassifikations-Lernmodell beinhaltet, an welchem ein Sensorsignal, das eine Anomalie angibt, welches durch eine Industrievorrichtung 10 erfasst wird, eingegeben wird, um die Anomalie zu klassifizieren, und konfiguriert ist, eine Klassifikation des Sensorsignals zu erlernen, das nicht klassifizierbar ist, und das Klassifikations-Lernmodell zu aktualisieren, wobei das Diagnoseverfahren beinhaltet: einen Sensorsignal-Erfassungsschritt des Erfassens eines Sensorsignals, das einen durch zumindest einen in der Industrievorrichtung 10 angeordneten Sensor 11 gemessenen Messwert beinhaltet; einen Vorrichtungs-Diagnoseschritt des Diagnostizierens, basierend auf dem erfassten Sensorsignal, ob die Industrievorrichtung 10 normal oder anormal ist; einen Sendeschritt des Sendens des Sensorsignals an den Server 30A, wenn die Industrievorrichtung 10 als anormal diagnostiziert wird; und einen Markierungsinformations-Erzeugungsschritt des Bestimmens, basierend auf einem Klassifikations-Ergebnis für das aus dem Server 30A erfasste Sensorsignal, eines Erzeugungs-Timing einer Markierung, die einen Inhalt der Anomalie der Industrievorrichtung 10 in Bezug auf das Sensorsignal angibt, und des Erzeugens der Markierung, wobei der Sendeschritt das Senden der Markierung an den Server 30A beinhaltet.

Gemäß dem Diagnoseverfahren kann derselbe Effekt wie im oben beschriebenen (1) erhalten werden.
Bezugszeichenliste

1: Diagnosesystem
10: Industrievorrichtung
11: Sensor
20, 20A: Diagnosevorrichtung
21, 21a: Steuereinheit
210: Sensorsignal-Erfassungseinheit
212: Vorrichtungs-Diagnoseeinheit
213: Klassifikationseinheit
214, 214a: Sendeeinheit
215: Anzeigesteuereinheit
216: Markierungsinformations-Erzeugungseinheit
22: Anzeigeeinheit
30, 30A: Server
31: Klassifikationsmodell-Lerneinheit
32: Klassifikationseinheit

ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

JP 201825945 A [0004]

Claims

Diagnosevorrichtung, die mit einem Server kommunikativ verbunden ist, welcher konfiguriert ist, eine Anomalie einer Industrievorrichtung zu erlernen, und ein Klassifikations-Lernmodell für die Anomalie zu erzeugen, wobei die Diagnosevorrichtung umfasst: eine Sensorsignal-Erfassungseinheit, die konfiguriert ist, ein Sensorsignal zu erfassen, das einen Messwert beinhaltet, der durch zumindest einen in der Industrievorrichtung 10 angeordneten Sensor gemessen wird; eine Vorrichtungs-Diagnoseeinheit, die konfiguriert ist, auf Basis des erfassten Sensorsignals zu diagnostizieren, ob die Industrievorrichtung normal oder anormal ist; eine Klassifikationseinheit, die konfiguriert ist, die Anomalie der Industrievorrichtung auf Basis des Sensorsignals und des Klassifikations-Lernmodells zu klassifizieren, wenn die Vorrichtungs-Diagnoseeinheit diagnostiziert, dass die Industrievorrichtung anormal ist; und eine Sendeeinheit, die konfiguriert ist, auf Basis zumindest eines Diagnose-Ergebnisses durch die Vorrichtungs-Diagnoseeinheit und eines Klassifikations-Ergebnisses durch die Klassifikationseinheit zu bestimmen, ob das Sensorsignal an den Server zu senden ist, und das Sensorsignal an den Server sendet, wenn bestimmt wird, dass das Sensorsignal gesendet werden kann.
Diagnosevorrichtung gemäß Anspruch 1, wobei die Klassifikationseinheit das Sensorsignal als unbekannte Daten klassifizieren, wenn zumindest die Anomalie der Industrievorrichtung nicht klassifizierbar ist, basierend auf dem Sensorsignal, oder die Anomalie kleiner als eine vorbestimmte Anzahl von Proben ist, und die Sendeeinheit das als unbekannte Daten klassifizierte Sensorsignal an den Server senden kann.
Diagnosevorrichtung gemäß Anspruch 1 oder 2, die oben beschrieben sind, kann die Vorrichtungs-Diagnoseeinheit 212 ein Ein-Klassen-Klassifizierer sein, der Charakteristika des Sensorsignals in einem normalen Zustand vorab erlernt, und die Anomalie der Industrievorrichtung 10 auf Basis eines Abweichungsgrads gegenüber den Charakteristika normalen Zustand detektiert.
Diagnosevorrichtung gemäß einem der Ansprüche 1 bis 3, weiter umfassend eine Markierungsinformationserzeugungseinheit, die konfiguriert ist, auf Basis des Klassifikationsergebnisses durch die Klassifikationseinheit ein Erzeugungs-Timing einer Markierung zu bestimmen, die einen Inhalt der Anomalie der Industrievorrichtung in Bezug auf das Sensorsignal angibt, und die Markierung erzeugt, wobei die Sendeeinheit das Sensorsignal und die Markierung an den Server senden kann.
Diagnosevorrichtung gemäß Anspruch 4, wobei die Klassifikationseinheit aus dem Server das durch den Server erzeugte Klassifikations-Lernmodell auf Basis des Sensorsignals und der durch die Sendeeinheit gesendeten Markierung erfasst.
Diagnosevorrichtung gemäß Anspruch 5, wobei das Klassifikations-Lernmodell aktualisiert wird, wann immer der Server ein neues Sensorsignal aus der Diagnosevorrichtung empfängt, und die Klassifikationseinheit die Anomalie der Industrievorrichtung unter Verwendung des aktualisierten Klassifikations-Lernmodells klassifiziert.
Diagnosevorrichtung gemäß einem der Ansprüche 1 bis 6, weiter umfassend eine Anzeigesteuereinheit, die konfiguriert ist, auf einer Anzeigeeinheit einer Anwenderschnittstelle anzuzeigen, die auffordert, das Sensorsignal zu senden, wenn die Sendeeinheit das Sensorsignal sendet.
Diagnosevorrichtung gemäß Anspruch 7, wobei die Anzeigesteuereinheit zumindest eines vom Diagnoseergebnis durch die Vorrichtungs-Diagnoseeinheit und dem Klassifikationsergebnis durch die Klassifikationseinheit auf der Anzeigeeinheit anzeigt.
Diagnosevorrichtung, die kommunikativ mit einem Server 30A verbunden ist, der ein Klassifikations-Lernmodell beinhaltet, an welchem ein Sensorsignal, das eine Anomalie angibt, welches durch eine Industrievorrichtung 10 erfasst wird, eingegeben wird, um die Anomalie zu klassifizieren, und konfiguriert, eine Klassifikation des Sensorsignals zu erlernen, das nicht klassifizierbar ist, und das Klassifikations-Lernmodell zu aktualisieren, wobei die Diagnose-Vorrichtung umfasst: eine Sensorsignal-Erfassungseinheit, die konfiguriert ist, ein Sensorsignal zu erfassen, das einen Messwert beinhaltet, welcher durch zumindest einen in der Industrievorrichtung angeordneten Sensor gemessen wird; eine Vorrichtungs-Diagnoseeinheit, die konfiguriert ist, auf Basis des erfassten Sensorsignals zu diagnostizieren, ob die Industrievorrichtung normal oder anormal ist; eine Sendeeinheit, die konfiguriert ist, das Sensorsignal an den Server zu senden, wenn die Vorrichtungs-Diagnoseeinheit diagnostiziert, dass die Industrievorrichtung anormal ist; und eine Markierungsinformations-Erzeugungseinheit, die konfiguriert ist, auf Basis eines Klassifikations-Ergebnisses für das aus dem Server erfassten Sensorsignals ein Erzeugungs-Timing einer Markierung zu bestimmen, die einen Inhalt der Anomalie der Industrievorrichtung in Bezug auf das Sensorsignal angibt, und die Markierung erzeugt, wobei die Sendeeinheit die Markierung an den Server sendet.
Server, welcher kommunikativ mit der Diagnosevorrichtung gemäß einem der Ansprüche 1 bis 8 verbunden ist, wobei der Server umfasst: eine Klassifikationsmodell-Lerneinheit, die konfiguriert ist, die Anomalie der Industrievorrichtung unter Verwendung des aus der Diagnosevorrichtung empfangenen Sensorsignals zu erlernen, das Klassifikations-Lernmodell erzeugt und das erzeugte Klassifikations-Lernmodell an die Diagnosevorrichtung sendet.
Server, der mit der Diagnosevorrichtung gemäß Anspruch 9 kommunikativ verbunden ist, wobei der Server umfasst: eine Klassifikationsmodell-Lerneinheit, die konfiguriert ist, die Anomalie der Industrievorrichtung unter Verwendung eines aus der Diagnosevorrichtung empfangenen Sensorsignals zu erlernen, und das Klassifikations-Lernmodell erzeugt; und eine Klassifikationseinheit, die konfiguriert ist, die Anomalie der Industrievorrichtung auf Basis des Sensorsignals und des Klassifizierungs-Lernmodells zu klassifizieren.
Diagnostisches Verfahren, das eine Diagnosevorrichtung verwendet, welche mit einem Server kommunikativ verbunden ist, der konfiguriert ist, eine Anomalie einer Industrievorrichtung zu erlernen, und ein Klassifizierungs-Lernmodell für die Anomalie zu erzeugen, wobei das Diagnoseverfahren umfasst: einen Sensorsignal-Erfassungsschritt des Erfassens eines Sensorsignals, der einen durch zumindest einen in der Industrievorrichtung angeordneten Sensor gemessenen Messwert beinhaltet; einen Vorrichtungs-Diagnoseschritt des Diagnostizierens, basierend auf dem erfassten Sensorsignal, ob die Industrievorrichtung normal oder anormal ist; einen Klassifikationsschritt des Klassifizierens der Anomalie der Industrievorrichtung auf Basis des Sensorsignals und des Klassifikations-Lernmodells, wenn die Industrievorrichtung als anormal diagnostiziert wird; und einen Sendeschritt des Bestimmens, basierend auf einem Diagnoseergebnis im Vorrichtungs-Diagnoseschritt oder/und eines Klassifikations-Ergebnisses im Klassifikationsschritt, ob das Sensorsignal an den Server zu senden ist, und Sendens des Sensorsignals an den Server, wenn bestimmt wird, dass das Sensorsignal gesendet werden kann.
Diagnoseverfahren, das eine Diagnosevorrichtung verwendet, die mit einem Server kommunikativ verbunden ist, der ein Klassifikations-Lernmodell beinhaltet, an welchem ein Sensorsignal, das eine Anomalie angibt, welches durch eine Industrievorrichtung erfasst wird, eingegeben wird, um die Anomalie zu klassifizieren, und konfiguriert ist, eine Klassifikation des Sensorsignals zu erlernen, das nicht klassifizierbar ist, und das Klassifikations-Lernmodell zu aktualisieren, wobei das Diagnoseverfahren umfasst: einen Sensorsignal-Erfassungsschritt des Erfassens eines Sensorsignals, das einen durch zumindest einen in der Industrievorrichtung angeordneten Sensor gemessenen Messwert beinhaltet; einen Vorrichtungs-Diagnoseschritt des Diagnostizierens, basierend auf dem erfassten Sensorsignal, ob die Industrievorrichtung normal oder anormal ist; einen Sendeschritt des Sendens des Sensorsignals an den Server, wenn die Industrievorrichtung als anormal diagnostiziert wird; und einen Markierungsinformations-Erzeugungsschritt des Bestimmens, basierend auf einem Klassifikations-Ergebnis für das aus dem Server erfasste Sensorsignal, eines Erzeugungs-Timings einer Markierung, die einen Inhalt der Anomalie der Industrievorrichtung in Bezug auf das Sensorsignal angibt, und des Erzeugens der Markierung, wobei der Sendeschritt das Senden der Markierung an den Server beinhaltet.