JP2018120487A - 事象分類装置、事象分類プログラム、故障・不良判定装置 - Google Patents

Abstract

【課題】大量のデータに対する分類を高速にしかも高精度で行う。【解決手段】複数のセンサ１１−１〜１１−ｎから得られるデータを時系列に所定時間単位毎にまとめ、前記複数のセンサ毎にグラフ化するグラフ作成手段２０−１〜２０−ｎと、前記グラフ作成手段２０−１〜２０−ｎによりグラフ化された前記複数のセンサ１１−１〜１１−ｎ毎のグラフデータについて、ディープラーニング分類を行うディープラーニング分類手段３０−１〜３０−ｎと、前記ディープラーニング分類手段３０−１〜３０−ｎが用いた前記複数のセンサ１１−１〜１１−ｎ毎のグラフデータについて、パターンマイニング分類を行い、前記ディープラーニング分類手段の分類結果を補正するパターンマイニング分類手段４０と、を具備する。【選択図】図１

Description

この発明は、事象分類装置、事象分類プログラム、上記事象分類装置を用いて構成した製造装置等の故障・不良判定装置に関するものである。

製品製造の現場などでは、製造装置に設けられたセンサから得られるデータの分布や特性が日々変動することが生じ、装置や製造された製品の故障や不良を判定するためのルールや閾値が変動する。このようなセンサからのデータは、センサの数が多く、また、データ量も増大する傾向にある。従って、上記のような変動を考慮に入れて判定を行おうとすると、時間やコストがかかるため、リアルタイムでの判定が難しい。

そのため、センサから得られるデータを全て用いるのではなく、間引きしたデータについて判定を行う事が行われている。しかしながら、間引きしたデータを用いて判定を行うと当然のことながら精度の低下が生じ、場合によっては誤判定が発生することがある。

従来の故障予測システムとしては、特許文献１に記載のものが知られている。この特許文献１に記載のシステムは、故障予測装置と学習サーバとを設けて、上記故障予測装置は、対象装置に故障が生じた場合に、この故障が生じるまでの時系列のセンサデータを上記学習サーバに送信して、学習サーバによる、上記故障が生じるまでの時系列のセンサデータを教師データとした学習により対象装置の故障を予測する学習モデルの生成を行わせる。そして、この生成された学習モデルを上記故障予測装置に送信して、故障予測装置において学習モデルを動作させる。

故障予測装置の学習モデルは、対象装置のセンサから得られるデータに基づき、故障の確率を予測して動作する。これにより、対象装置の故障を事前に検知してクラウドやネットワークの保守品質を向上させることができるというものである。

また、広くデータ解析という観点からは、特許文献２に記載されたシステムを従来システムとして挙げることができる。このシステムは、コンピュータのプロセッサがメモリに記憶されたプログラムを実行することにより実現される。このプログラムの実行により、時系列パターンの各時系列データにおいて繰り返される回数と、時系列パターンの繰り返し回数が所定の回数以上となる時系列データの数である出現頻度を数える。

上記により、所定の繰り返し回数で、且つ所定の時系列データの数以上で所定の繰り返し回数以上となる時系列パターンを抽出する。更に、時系列データ各々に所定の間隔でチェックポイントを設け、各チェックポイントにおいて各時系列データにおける時系列パターンの繰り返し回数の上限値を算出し、この上限値を用いて出現頻度を算出することによって、繰り返し回数を数え上げる時系列パターンと時系列データの範囲を限定する。

特開２０１６−１７３７８２号公報 特開２０１１−１２３６５２号公報

しかしながら、上記の特許文献１に記載のシステムによれば、対象装置の故障を事前に検知することができるものの、精度という観点からは低いものとならざるを得なかった。

また、特許文献２に記載のシステムは、例えば、多人数の時系列データにおいて複数の顧客に共通して現れる時系列パターンであって、一人の時系列データにおいて複数回繰り返される時系列パターン、の抽出を可能とするものである。しかしながら、抽出の精度を向上させるものではない。

本発明は上記のようなデータ解析システムの現状に鑑みてなされたもので、その目的は、大量のデータに対する分類を高速にしかも高精度で行うことが可能な事象分類装置、事象分類プログラムを提供することである。また、上記事象分類装置を用いて構成した、故障・不良判定装置を提供することを他の目的とする。

本発明に係る事象分類装置は、複数のセンサから得られるデータを時系列に所定時間単位毎にまとめ、前記複数のセンサ毎にグラフ化するグラフ作成手段と、前記グラフ作成手段によりグラフ化された前記複数のセンサ毎のグラフデータについて、ディープラーニング分類を行うディープラーニング分類手段と、前記ディープラーニング分類手段が用いた前記複数のセンサ毎のグラフデータについて、パターンマイニング分類を行い、前記ディープラーニング分類手段の分類結果を補正するパターンマイニング分類手段と、を具備することを特徴とする。

本発明に係る事象分類装置では、前記グラフ作成手段によりグラフ化されたデータに基づきディープラーニング学習を行って、前記複数のセンサ毎に前記ディープラーニング分類手段が用いるディープラーニング分類モデルを生成するディープラーニング分類モデル生成手段と、前記ディープラーニング分類モデルの生成に用いた前記複数のセンサ毎のデータに基づきパターンマイニング学習を行い、前記パターンマイニング分類手段が用いるパターンマイニング分類モデルを生成するパターンマイニング分類モデル生成手段と、を具備することを特徴とする。

本発明に係る事象分類装置では、前記パターンマイニング分類では、ランダムフォレストによる分類を用いることを特徴とする。

本発明に係る事象分類プログラムは、コンピュータを、複数のセンサから得られるデータを時系列に所定時間単位毎にまとめ、前記複数のセンサ毎にグラフ化するグラフ作成手段、前記グラフ作成手段によりグラフ化された前記複数のセンサ毎のグラフデータについて、ディープラーニング分類を行うディープラーニング分類手段、前記ディープラーニング分類手段が用いた前記複数のセンサ毎のグラフデータについて、パターンマイニング分類を行い、前記ディープラーニング分類手段の分類結果を補正するパターンマイニング分類手段、として機能させることを特徴とする。

本発明に係る事象分類プログラムでは、コンピュータを、更に、前記グラフ作成手段によりグラフ化されたデータに基づきディープラーニング学習を行って、前記複数のセンサ毎に前記ディープラーニング分類手段が用いるディープラーニング分類モデルを生成するディープラーニング分類モデル生成手段、前記ディープラーニング分類モデルの生成に用いた前記複数のセンサ毎のデータに基づきパターンマイニング学習を行い、前記パターンマイニング分類手段が用いるパターンマイニング分類モデルを生成するパターンマイニング分類モデル生成手段として機能させることを特徴とする。

本発明に係る事象分類プログラムでは、前記パターンマイニング分類においては、ランダムフォレストによる分類を用いることを特徴とする。

本発明に係る装置の故障・不良判定装置は、請求項１乃至３のいずれか１項に記載のセンサを、製造装置の所要位置に設けられたセンサとした、請求項１乃至３のいずれか１項に記載の事象分類装置と、前記センサから得られるデータに基づき、前記事象分類装置を故障或いは不良を判定する判定手段として用いることを特徴とする。

本発明によれば、ディープラーニング分類手段により高速に大量データを分類し、更に、パターンマイニング分類手段により上記ディープラーニング分類手段の分類結果を補正するので、高精度な分類結果を得ることができる。

本発明に係る事象分類装置の実施形態を示す構成図。 本発明に係る事象分類装置の要部であるディープラーニング分類モデル生成手段の実施形態を示す構成図。 本発明に係る事象分類装置の要部であるパターンマイニング分類モデル生成手段の実施形態を示す構成図。 本発明に係る事象分類装置のディープラーニング分類モデル生成及びパターンマイニング分類モデル生成の動作を説明するためのフローチャート。 本発明に係る事象分類装置による分類動作を説明するためのフローチャート。

以下添付図面を参照して本発明に係る事象分類装置の実施形態を説明する。各図において同一の構成要素には同一の符号を付して重複する説明を省略する。図１に、本発明に係る事象分類装置の実施形態のブロック図を示す。この実施形態では、製造装置などの対象装置１００の所要箇所にセンサ１１−１〜１１−ｎが設けられている。センサ１１−１〜１１−ｎは、製造工程等の温度や湿度、装置の速度、装置の部位に流れる電流や検出ポイントの電圧等を検出する構成を備える。

センサ１１−１〜１１−ｎには、グラフ作成手段２０−１〜２０−ｎが接続される。グラフ作成手段２０−１〜２０−ｎは、対応するセンサ１１−１〜１１−ｎから得られるデータを時系列に所定時間単位毎にまとめ、上記のセンサ１１−１〜１１−ｎ毎にグラフ化するものである。

上記グラフ作成手段２０−１〜２０−ｎには、ディープラーニング分類手段３０−１〜３０−ｎが接続されている。ディープラーニング分類手段３０−１〜３０−ｎは、対応するグラフ作成手段２０−１〜２０−ｎによりグラフ化された上記センサ１１−１〜１１−ｎ毎のグラフデータについて、ディープラーニング分類を行うものである。ディープラーニング分類は、例えば、公知のＣＮＮ（Convolutional Neural Net)の手法によるものとすることができる。

グラフ作成手段２０−１〜２０−ｎとディープラーニング分類手段３０−１〜３０−ｎについては、その１系統であるグラフ作成手段２０−１とディープラーニング分類手段３０−１の構成は、他の複数系統であるグラフ作成手段２０−２〜２０−ｎとディープラーニング分類手段３０−２〜３０−ｎにおける各系統の構成と同一である。そこで、図２を用いてグラフ作成手段２０−１とディープラーニング分類手段３０−１の１系統の詳細構成を説明し、他の複数系統であるグラフ作成手段２０−２〜２０−ｎとディープラーニング分類手段３０−２〜３０−ｎにおける各系統の詳細構成を省略する。

上記１系統には、データ分割部２１が備えられ、データ分割部２１は、センサ１１ー１から連続してデータ（センサログ）をデータ入力部２３にて受け取り、到達順に値を有限時間範囲で束ねる。上記データ分割部２１の後段には、グラフ生成部２２が配置されている。グラフ生成部２２は、有限時間範囲で束ねられた値からグラフ（画像）を生成する。このグラフは、横軸を時間とし縦軸をセンサから得られた値とすることができる。

グラフ生成部２２の後段には、データセット生成部３３が配置されている。データセット生成部３３は、グラフ生成部２２により生成されたグラフから学習用の画像データセットを生成するものである。ここではディープラーニングにおいて、グラフ生成部２２により生成されたグラフをａとｂに分類するため、データセット生成部３３は、ａのグラフとｂのグラフのデータセットを生成する。

データセット生成部３３により生成されたデータセットは、ディープラーニング学習部３２へ与えられる。ディープラーニング学習部３２は、データセットを用いてディープラーニング学習を行い、ディープラーニング分類モデルを生成する。このディープラーニング分類モデルは、センサ１１−１から得られるデータに対してにディープラーニング分類手段３０−１が分類に用いる分類モデルである。

ディープラーニング学習部３２により生成されたディープラーニング分類モデルは、ディープラーニング分類手段３０−１の中核を構成するディープラーニング判定部３００へ与えられる。以上のように、データセット生成部３３とディープラーニング学習部３２とは、グラフ作成手段２０−１〜２０−ｎによりグラフ化されたデータに基づきディープラーニング学習を行って、前記複数のセンサ１１−１〜１１−ｎ毎に前記ディープラーニング分類手段３０−１〜３０ｎが用いるディープラーニング分類モデルを生成する図１に示すディープラーニング分類モデル生成手段３１−１〜３１−ｎとして機能する。

ディープラーニング判定部３００は、グラフ生成部２２の後段に配置されており、ディープラーニング分類モデルを与えられた後に、グラフ生成部２２から送られるグラフに対してディープラーニング分類を行う。つまり、ディープラーニング判定部３００は、グラフ生成部２２から送られるグラフをａとｂに分類して出力を行う。

ディープラーニング分類手段３０−１〜３０−ｎの後段には、パターンマイニング分類手段４０が配置されている。パターンマイニング分類手段４０は、ディープラーニング分類手段３０−１〜３０−ｎが用いた上記複数のセンサ１１−１〜１１−ｎ毎のグラフデータについて、パターンマイニング分類を行い、上記ディープラーニング分類手段３０−１〜３０−ｎの分類結果を補正するものである。このパターンマイニング分類では、例えば、ランダムフォレストによる分類を用いることができる。

図３には、パターンマイニング分類手段４０の詳細構成図が示されている。パターンマイニング分類手段４０は、パターンマイニング分類モデル生成手段４１とパターンマイニング判定部４２により構成される。パターンマイニング分類モデル生成手段４１は、上記ディープラーニング分類モデルの生成に用いた上記複数のセンサ１１−１〜１１−ｎ毎のデータに基づきパターンマイニング学習を行い、上記パターンマイニング分類手段４０の中核であるパターンマイニング判定部４２が用いるパターンマイニング分類モデルを生成するものである。

即ち、パターンマイニング分類モデル生成手段４１には、ｎ系列のディープラーニング学習部３２からディープラーニング分類モデルの生成に用いたデータセットが到来する。この図３では、ｎを４としてデータセットを示している。このデータセットは、４系列のグラフを縦に並べて示し、到来時刻の古い方を横右方向に示したものにおいて、分類をａとｂにより示したようにされたものである。

パターンマイニング分類モデル生成手段４１は、上記のデータセットを用いてパターンマイニング学習を行い、パターンマイニング分類モデルを生成する。この例に示すパターンマイニング分類モデルは、上記データセットの縦一列分のグラフが与えられると、この縦一列分のグラフを一体としてａとｂのいずれかに分類するためのモデルである。従って、パターンマイニング分類モデルは、一般的には、ｎ系列のグラフが与えられるとこれらを一体としてａとｂのいずれかに分類するためのモデルであるということができる。

パターンマイニング判定部４２は、ディープラーニング分類手段３０−１〜３０−ｎの後段に配置され、上記ディープラーニング分類手段３０−１〜３０−ｎが用いた上記複数のセンサ１１−１〜１１−ｎ毎のグラフデータについて、パターンマイニング分類を行い、上記ディープラーニング分類手段３０−１〜３０−ｎの分類結果を補正する。つまり、パターンマイニング判定部４２は、パターンマイニング分類モデル生成手段４１により生成されたパターンマイニング分類モデルを用いてパターンマイニング分類を行い結果を得る。このパターンマイニング分類による結果は、図示しない表示装置やプリント装置へ送って出力させることができる。

以上の事象分類装置は、センサ１１−〜１１−ｎを入力ポートに取り込み、ディジタル化してコンピュータ処理を行うサーバコンピュータなどにより構成することができ、各手段は、サーバコンピュータが事象分類プログラムを実行することによって実現することができる。

図４と図５は、上記事象分類プログラムに対応するフローチャートを示す。このフローチャートにより事象分類装置の動作を説明する。図４は、ディープラーニング分類モデルとパターンマイニング分類モデルを生成する処理を示すものである。処理がスタートとなると、センサ１１−〜１１−ｎからのデータを取り込み、各センサ毎のデータを到達順に値を有限時間範囲で束ねて、教師用のグラフ（画像）をそれぞれ生成する（Ｓ１１）。

次に、教師用のグラフ（画像）を事象でラベル付けする（Ｓ１２）。ここの事象とは、センサ１１−〜１１−ｎのセンシング対象としての、製造工程等の温度や湿度、装置の速度、装置の部位に流れる電流や検出ポイントの電圧等とすることができる。

次に、上記のラベル毎に、グラフからデータセットを生成し、生成されたデータセットを用いてディープラーニング学習を行い、ディープラーニング分類モデルを生成する（Ｓ１３）。更に、上記ディープラーニング分類モデルの生成に用いた上記複数のセンサ１１−１〜１１−ｎ毎のデータに基づき生成した教師用のグラフ（画像）を用いてパターンマイニング学習を行い、パターンマイニング分類モデルを生成する（Ｓ１４）。

図５は、上記図４のフローチャートのプログラムによって生成されたディープラーニング分類モデルとパターンマイニング分類モデルを用いた実際の分類処理を示すものである。処理がスタートとなると、センサ１１−〜１１−ｎからのデータを取り込み、各センサ毎のデータを到達順に値を有限時間範囲で束ねて、分類対象とするグラフ（画像）をそれぞれ生成する（Ｓ２１）。

次に、図４のステップＳ１３において生成されているディープラーニング分類モデルを用いて、分類対象とするグラフの分類を行う（Ｓ２２）。これにより、ｎ系列のグラフそれぞれについてａとｂのいずれかに分類する処理が行われる。

次に、上記のｎ系列のグラフを一体として、パターンマイニング分類モデルを用いて分類を行うことにより、ディープラーニング分類モデルによる分類結果を補正する（Ｓ２３）。このステップＳ２３においては、図３に示したようにｎ系列のグラフを一つとして扱い、所定時間単位毎にａとｂのいずれかに分類する処理が行われる。

以上のように、本実施形態では各系列毎にディープラーニング分類モデルによる分類を行い、この各系列毎の分類に用いたグラフを１つに纏めてパターンマイニング分類モデルを用いて分類を行って補正するので、ディープラーニング分類モデルによる分類において誤りがあっても、各系列毎の分類に用いたグラフを１つの分類対象とすることにより的確に誤りを減少させることができる。

上記では事象分類装置の実施形態を示したが、これを故障・不良判定装置とすることができる。この場合には、上記センサ１１−１〜１１−ｎを、製造装置の所要位置に設けられたセンサとし、他の構成を上記実施形態の事象分類装置と同一の構成とし、上記センサ１１−１〜１１−ｎから得られるデータに基づき、上記事象分類装置を故障或いは不良を判定する判定手段として用いる。これにより、多量のデータを用いた解析により誤差が少ない上記製造装置或いは、この製造装置により製造された製品の故障・不良判定を行う故障・不良判定装置を提供することができる。

１１−１〜１１−ｎ センサ
２０−１〜２０−ｎ グラフ作成手段
２１ データ分割部
２２ グラフ生成部
２３ データ入力部
３０−１〜３０−ｎ ディープラーニング分類手段
３１−１〜３１−ｎ ディープラーニング分類モデル生成手段
３２ ディープラーニング学習部
３３ データセット生成部
４０ パターンマイニング分類手段
４１ パターンマイニング分類モデル生成手段
４２ パターンマイニング判定部
１００ 対象装置
３００ ディープラーニング判定部

Claims (7)

1. 複数のセンサから得られるデータを時系列に所定時間単位毎にまとめ、前記複数のセンサ毎にグラフ化するグラフ作成手段と、
   前記グラフ作成手段によりグラフ化された前記複数のセンサ毎のグラフデータについて、ディープラーニング分類を行うディープラーニング分類手段と、
   前記ディープラーニング分類手段が用いた前記複数のセンサ毎のグラフデータについて、パターンマイニング分類を行い、前記ディープラーニング分類手段の分類結果を補正するパターンマイニング分類手段と、
   を具備することを特徴とする事象分類装置。
2. 前記グラフ作成手段によりグラフ化されたデータに基づきディープラーニング学習を行って、前記複数のセンサ毎に前記ディープラーニング分類手段が用いるディープラーニング分類モデルを生成するディープラーニング分類モデル生成手段と、
   前記ディープラーニング分類モデルの生成に用いた前記複数のセンサ毎のデータに基づきパターンマイニング学習を行い、前記パターンマイニング分類手段が用いるパターンマイニング分類モデルを生成するパターンマイニング分類モデル生成手段と、
   を具備することを特徴とする請求項１に記載の事象分類装置。
3. 前記パターンマイニング分類では、ランダムフォレストによる分類を用いることを特徴とする請求項１または２に記載の事象分類装置。
4. コンピュータを、複数のセンサから得られるデータを時系列に所定時間単位毎にまとめ、前記複数のセンサ毎にグラフ化するグラフ作成手段、
   前記グラフ作成手段によりグラフ化された前記複数のセンサ毎のグラフデータについて、ディープラーニング分類を行うディープラーニング分類手段、
   前記ディープラーニング分類手段が用いた前記複数のセンサ毎のグラフデータについて、パターンマイニング分類を行い、前記ディープラーニング分類手段の分類結果を補正するパターンマイニング分類手段、
   として機能させることを特徴とする事象分類プログラム。
5. コンピュータを、更に、
   前記グラフ作成手段によりグラフ化されたデータに基づきディープラーニング学習を行って、前記複数のセンサ毎に前記ディープラーニング分類手段が用いるディープラーニング分類モデルを生成するディープラーニング分類モデル生成手段、
   前記ディープラーニング分類モデルの生成に用いた前記複数のセンサ毎のデータに基づきパターンマイニング学習を行い、前記パターンマイニング分類手段が用いるパターンマイニング分類モデルを生成するパターンマイニング分類モデル生成手段
   として機能させることを特徴とする請求項４に記載の事象分類プログラム。
6. 前記パターンマイニング分類では、ランダムフォレストによる分類を用いることを特徴とする請求項４または５に記載の事象分類プログラム。
7. 請求項１乃至３のいずれか１項に記載のセンサを、製造装置の所要位置に設けられたセンサとした、請求項１乃至３のいずれか１項に記載の事象分類装置と、
   前記センサから得られるデータに基づき、前記事象分類装置を故障或いは不良を判定する判定手段として用いる
   ことを特徴とする故障・不良判定装置。