JP2015197917A - 離散製造プロセスにおいて異常を検出する方法 - Google Patents

Abstract

【課題】組み立てライン等の離散製造プロセスにおいて異常を検出する方法を提供する。【解決手段】最初に離散製造プロセス（ＤＭＰ）１００から信号を取得することによって、ＤＭＰにおいて異常を検出する。イベントが、信号からシーケンスとして抽出される。次に、このシーケンスが、ログに基づく順序関係テーブルによって表されるような正常な挙動と一致していないか否かが判断される。一致していない場合、アラームがシグナリングされる。【選択図】図１

Description

本発明は、包括的には、製造の情報技術に関し、より詳細には、製造実行システム、品質制御システム、安全システム、および離散製造プロセスの監視に関する。

安全性および品質の監視および制御は、高速かつ強力な機械が複雑な動作シーケンスを非常に高速に実行することができる製造において非常に重要である。意図した動作シーケンスまたはタイミングからのずれは、品質を劣化させ、原材料を浪費し、ダウンタイムおよび機器の破壊を引き起こし、製造量を減少させる可能性がある。作業者への危険は、重大な関心事である。この理由から、予想外のイベントを最小にするように製造プロセスを慎重に設計するために、極度の注意を払わなければならず、様々なセンサーおよび非常スイッチを用いて、セーフガードも製造ライン内に設計する必要がある。

製造の主なタイプは、プロセス製造および離散製造である。プロセス製造では、生産物、例えば、石油、天然ガス、および塩は、一般に区別されない。離散製造は、異なった品目、例えば、自動車、家具、玩具、および飛行機を生産する。

安全性を高めるとともに材料および製造量の損失を最小にする１つの実際的な手法は、製造ラインが異常に動作しているときを検出し、そのような場合に必要に応じてラインを停止させることである。この手法を実施する１つの方法は、許容動作領域を規定してその領域外の動作点を検出する測定可能な変数、例えば、温度、圧力等の範囲に関する製造ラインの正常動作の記述を用いることである。この方法は、物理変数の許容可能範囲が通例、十分に理解され、生産物の品質の品質メトリックが多くの場合にこれらの変数の観点から直接規定されるプロセス製造産業、例えば石油精製においては一般的である。

しかしながら、離散製造における作業プロセスの本質は、プロセス製造におけるものとは異なり、正常な作業プロセスからのずれは、非常に異なる特性を有する可能性がある。離散製造は、機械加工、半田付け、組み立て等の作業単位で実行される動作シーケンスを含む。異常には、作業のうちの１つまたは複数の誤った実行または作業の誤った順序が含まれる可能性がある。異常な状況であっても、多くの場合、温度または圧力等の物理変数は範囲外にはなく、そのため、そのような変数を直接監視しても、そのような異常を確実に検出することができない。

本発明の実施の形態は、組み立てライン等の離散製造プロセス（ＤＭＰ）において異常を検出する方法を提供する。トレーニングの間、データが、ＤＭＰの正常動作中に取得される。これらのデータは、離散的なイベントのストリームを形成するように処理される。正常動作のためのイベント関係テーブルが、これらのイベントから作成される。次に、オンライン時間処理の間、このテーブルは、リアルタイムで取得されるデータを用いてＤＭＰにおける動作の異常を検出するのに用いられる。

上記テーブルは、いくつかの利点を有する。第１に、このテーブルは、ＤＭＰの正しいワークフローまたは正常動作を表すことができる。第２に、有限オートマトン等の従来のモデリング形式主義とは対照的に、このテーブルは、並列に実行される複数のサブプロセスをコンパクトかつ正確に表す。そのようなサブプロセスは、独立していることもあれば、協調していることもある。第３に、このテーブルは、複数のサブプロセス間の協調を表す。

本発明の実施形態による離散製造プロセスにおける異常検出のためのイベント関係テーブルをトレーニングして用いる方法の概略図である。 本発明の実施形態による正常動作のログに基づく順序関係テーブルである。 本発明の実施形態による、イベントシーケンスが正常動作の関係テーブルと一致しているか否かを判断するための流れ図である。

離散製造プロセス（ＤＭＰ）における異常検出
図１は、本発明の実施形態による、離散製造プロセス（ＤＭＰ）１００において異常を検出する方法を示している。本方法は、オフライントレーニングおよびリアルタイム処理を含む。トレーニングは、１回の前処理作業とすることができる。代替的に、トレーニングは、例えば、処理条件の変化にさらに適応させるために、必要に応じて行われる。本方法は、当該技術分野において知られているように、バスによってメモリおよび入力／出力インターフェースに接続された処理デバイスにおいて実行することができる。

ＤＭＰは、ビン１０１および１０２と、製造ロボット１０３および１０４と、コンベア１０５および１０６と、組立機１０７とを備える。動作中、ロボットは、ビンから部品を取り出し、それらの部品を組み立てのためにコンベア上に載置する。

トレーニング
トレーニングの間、信号１０９が、ＤＭＰ１００の正常動作中にプログラマブルロジックコントローラ（ＰＬＣ）から取得される。これらの信号は、ＤＭＰによって用いられる様々なセンサー、スイッチ等から直接取得することもできる。センサーは、ＤＭＰの様々な動作コンポーネント、例えば、ビン、ロボット、コンベア、および組立機に接続ことができる。

イベントシーケンス１２１が、信号から抽出される（１１０）。これらのイベントは、トレーニングデータベース１５１に記憶される。これらのイベントは、テーブル１７０に基づくＤＭＰの正常動作の観測されたイベントのすべての対の間のログに基づく順序関係の関係テーブル１７０を構築するのに用いられる。

検出
テーブルは、異常スコア１３１を求めることによって、リアルタイムで取得された信号１０９内の異常を検出する（１３０）のに用いられる。このスコアが所定の閾値を超えている場合、アラームをシグナリングすることができる（１４０）。

機械学習
本発明は、機械学習を用いて、正常動作中のファクトリーオートメーションデバイスから通常入手可能なデータ測定値からイベントシーケンスの関係テーブルを作成する。そのようなデバイスの１つの主な部類は、プログラマブルロジックコントローラ（ＰＬＣ）を含む。ＰＬＣは、ＤＭＰ中に用いられる様々なデバイスおよび機械を制御する。ＰＬＣは、デジタルおよびアナログの入力および出力を有することができるが、ほとんどの用途は、主としてデジタル信号、より具体的には２値（論理）信号を用いる。本発明者らの方法の場合、２つの可能な論理レベル０および１を有するデジタル２値信号のみを考慮する。そのような信号の例は、モーターを回転させる２値出力ＯＮもしくはＯＦＦ、またはスイッチが開いているのかもしくは閉じているのかを検出する入力である。

イベントシーケンス
本方法の第１のステップは、ＤＭＰにおいてすべてのＰＬＣデバイスからそのようなデータまたは信号を取得することである。しかしながら、実際の信号のレベルは、動作シーケンスのモデルを学習するのに適していない。より多くの情報を与えるものは、レベルの変化である。したがって、本方法は、信号１０９から変化イベントを抽出する。信号のレベルが変化するとき、イベントおよび時刻が生成される。例えば、イベント（ｔ，Ｅ，０）である。ここで、ｔは、時刻であり、Ｅは、イベントのタイプを識別し、０は、１から０への変化を示す。イベントシーケンスは、イベントトレースと呼ばれる。ＤＭＰ１００の動作中に、複数のイベントトレースをデータベース１５１に記録することができる。

単一のイベントトレースの場合、シーケンスは、通常、離散的なコンポーネントの繰り返し生産に起因して繰り返しパターンを有する。例えば、同期していない複数の生産シーケンスから取得された複数の繰り返しパターンを同じイベントトレース内に混合することができる。より複雑なパターンは、同期した動作および同期していない動作の様々な組み合わせに由来している。

ＰＬＣ
一般に、生産の同期は、ＰＬＣ内のプログラムによって実施される。これらのプログラムは、ラダーロジック、機能ブロック、またはほぼ同様の表現能力を有する複数の他のプログラム方法を含むことができる。しかしながら、これらのプログラムは通常、外部システムによってアクセス可能でない。これらのプログラムは、アクセス可能であっても、どの種類のイベントが正常であるのかについての明示的な情報を含まず、そのため、異常なイベントを容易に検出することができる。

関係テーブル
実際には、関係テーブルは、単純で効率的な２ステップ手順によって構築することができる。最初に、関係テーブル内のすべてのエントリーが、

シンボルを用いて初期化される。第１のステップの間、データベースが順次スキャンされ、あるイベントが別のイベントの直後に続いている任意のイベント対について、関係テーブルの対応するエントリーは、＞シンボルに変更される。この第１のステップの後、任意の２つのイベントは、＞関係または

関係にすることができる。第２のステップの間、導出される関係→、←、||、および＃が、第１のステップの間に発見された関係＞および

に基づいて、以下のルールを用いて計算される。

図２は、一例のログに基づく順序関係テーブル２００を示している。異常検出は、従来技術におけるような複雑な完全混合モデルではなく関係テーブルに基づいていることに留意されたい。関係テーブルはモデルではない。その代わり、関係テーブルは、ログに基づく順序関係テーブルによって表されるようなＤＭＰの正常動作中にイベント対の間の発見された位置関係についてのデータログの要約統計を表す。

作業継続期間
作業継続期間は、現在の作業の時刻と、イベントトレースにおける現在の作業のすべての先行作業に対応するイベントの中の直近の時刻との間の差である。

例えば、イベントトレースがイベント（ｔ_１、Ｏｐ２）、（ｔ_２、Ｏｐ１）、（ｔ_３、Ｏｐ３）を含み、ｔ_１＜ｔ_２＜ｔ_３である場合、作業Ｏｐ３の継続期間は、ｄ（Ｏｐ３）＝ｔ_３−ｔ_２である。なぜならば、Ｏｐ１およびＯｐ２はともに、ＳＷＮにおいてＯｐ３に先行するものであり、Ｏｐ１は、遅い方の時刻ｔ_２において行われ、したがって、その時刻で作業Ｏｐ３を可能にし、対応するイベントがｔ_３−ｔ_２の時間の後に発せられているからである。

所与の作業に対応するイベントは、作業中において開始時刻、終了時刻、中間時刻、またはランダムな時刻に発することができることに留意されたい。イベントが常に、各作業の終了時に発せられるとき、収集された作業継続期間ｄは、それぞれの作業の実行時間を実際に表す。それ以外の場合のいずれにおいても、作業継続期間は、対応するイベントが発せられるまでの時間のみを含むが、１つまたは複数の先行作業がそれらのイベントを発し、実際に完了する間の時間も含むことができる。このような場合がＤＭＰに存在するにもかかわらず、作業継続期間は、プロセスの重要な性質であり、異常検出の目的のためにそのモデルに含めることができる。

作業継続期間をモデルに含めることができるいくつかの方法がある。１つの方法は、作業の最小継続期間ｄ_ｍｉｎ（Ｔ）および最大継続期間ｄ_ｍａｘ（Ｔ）を求め、それらの継続期間を作業記述子とともに記録することである。別の方法は、ガウス分布、ベータ分布、またはワイブル分布等の、作業Ｔの可能な継続期間ｄにわたる確率分布ｆ_Ｔ（ｄ）の特定のパラメトリック形態を前提とし、その分布の対応するパラメーター、例えば、ガウス分布の平均および標準偏差を求めることである。

リアルタイム異常検出
図３に示すように、本方法は、シーケンスとモデルとの間の一致を判断することによって、イベントシーケンスから異常を検出する。

リアルタイム処理は、以下の２つの段階を有する。
イベントシーケンス１２１が、モデルによって表されるような正常動作と一致しているか否かを判断すること（３１０）、および
作業継続期間がテーブルと一致しているか否かを判断すること（３２０）。

イベントシーケンスがモデルと一致するか否かを判断することができ、このシーケンスが一致していない場合、最大異常スコアＳ_ｍａｘ３１１をこのシーケンスに割り当てることができる。

作業シーケンスの正しさを検証する別の方法は、作業がイベントストリーム内で観測されるときに、作業の相対的順序を、トレーニングフェーズ中に作成されたログに基づく順序関係テーブル１７０のエントリーと比較することである。例えば、イベントシーケンスＡＢが観測されたが、関係

が関係テーブルに存在する場合、異常をシグナリングすることができる。

は、トレーニングデータベースでは、Ａの後にＢが決して続いてはならないことを示していることを想起されたい。そのような挙動が現在観測された場合、それは、トレーニングデータと明らかに一致しない。

Claims (10)

1. 作業を実行する離散製造プロセス（ＤＭＰ）において異常を検出する方法であって、
   前記ＤＭＰから信号を取得するステップと、
   前記信号からイベントをシーケンスとして抽出するステップと、
   前記シーケンスが、ログに基づく順序関係テーブルと作業継続期間にわたる確率分布とによって表されるような正常な挙動と一致していないか否かを判断するステップと、
   前記シーケンスが前記正常な挙動と一致していない場合、アラームをシグナリングするステップと、
   を備え、
   前記ステップは、プロセッサデバイスにおいて実行される、
   離散製造プロセスにおいて異常を検出する方法。
2. 前記ログに基づく順序関係テーブルと、前記作業継続期間にわたる確率分布とは、トレーニングフェーズ中のトレーニング信号から作成される、
   請求項１に記載の方法。
3. 前記ＤＭＰは、並列に実行される複数のサブプロセスを含む、
   請求項１に記載の方法。
4. 前記サブプロセスのすべてまたは一部は、独立している、
   請求項３に記載の方法。
5. 前記サブプロセスのすべてまたは一部は、協調している、
   請求項３に記載の方法。
6. 前記トレーニング信号は、前記ＤＭＰの正常動作中にプログラマブルロジックコントローラ（ＰＬＣ）から取得される、
   請求項２に記載の方法。
7. 前記シーケンスの異常スコアを求めるステップと、
   前記異常スコアが所定の閾値を超えている場合、前記シーケンスを一致していないとして判断するステップと、
   をさらに備えた、請求項１に記載の方法。
8. 前記イベントは、前記信号のレベルの変化に対応する、
   請求項１に記載の方法。
9. 前記作業の最小継続期間および最大継続期間を求めるステップ、
   をさらに備えた、請求項１に記載の方法。
10. 前記作業の作業継続期間がモデルと一致していないか否かを判断するステップ、
    をさらに備えた、請求項１に記載の方法。

Images