JP2019135638A - 生産プロセス中に異常なワークピースを自動検出するためのデータ駆動方法 - Google Patents

Abstract

【課題】生産工程中に異常なワークピースを自動検出するためのデータ駆動方法を提供する。【解決手段】当該方法及びシステムは、生産工程の工程ステップ毎に、基準ワークピースセットの対応する工程ステップに関し記録してある基準データ信号を基準として、ワークピースのデータ信号に関する偏差データ信号を計算し、該偏差データ信号は、工程ステップの様々な生産時間ステップｔ又はパス長ステップｌに関する偏差データサンプルを多数含んでおり（２）、学習後の異常検出データモデルを使い、計算した偏差データ信号及び工程ステップのタイプを示す工程タイプ指標のデータ処理によってステップ毎の異常検出を行って、工程ステップの時間ステップｔ又はパス長ステップｌ毎に異常確率ｐを計算し（３）、この異常確率ｐに基づいて、ワークピース及び生産プロセスステップを異常である又は異常ではないと分類する（４）ことを含み、異常と分類した場合、警告信号又は生産機械の制御信号を自動的に発生する。【選択図】図１

Description

本発明は、生産プロセス中に異常なワークピースを自動検出するためのデータ駆動方法、特に、生産設備の品質管理システムによって異常なワークピースを自動検出するためのデータ駆動方法に関する。

生産品を安定した品質で確実に供給するためには、生産設備において製造中の製品の品質を監視することが不可欠である。大量生産プロセスでは、顧客に供給されるすべての製品に対して、品質管理を徹底することはほぼ不可能である。ほとんどの場合、二段階のレベルで品質管理が行われる。第１の品質管理レベルでは、多くの場合、機械オペレータによって簡単な品質管理が行われるが、広範囲であるがゆえ、正確さに欠けることが多い。第２の品質管理レベルでは、専任スタッフによる綿密な品質管理を実施することで、より狭い適用範囲で精度の高い品質管理を実現することができる。第２レベルの管理が起動される時間は、通常、製造後の生産品、生産機械、そして製造プロセスに関わる材料に関して得た経験及び教訓で決まる。この従来の方法は、何十年にもわたって最良の手法とされてきたが、欠陥がなかったことはない。第一に、第２レベルの管理からは、管理下にあるワークピースの小さいサンプルについての知識のみが現れる。結果として、管理下にあるワークピースの小さなサンプルで測定される欠陥は、最後に予定されている品質管理以降の全生産量においても測定され得ることを前提としなければならない。その場合、観測された欠陥をもっている最初に生産されたワークピースを発見するために、生産中のワークピースを探索し管理する追加の人員を確保する必要があり、また、これが可能でない場合には、疑いのある生産プロセスでの全生産量を廃棄する必要がある。第二に、予測される欠陥を測定するための詳細な品質管理が用意されるが、これは、後手の対策、すなわち、顧客のフィードバックに基づいて対応することを意味する。第三に、現在広く用いられている品質管理システムは、ワークピースの見えない欠陥が単一の欠陥ではなく連続的なものであるという仮定に基づいている。第四に、従来の品質管理方法は完全に人間が起動するプロセスであり、管理の質は個人の経験や熱意、またその時の様式に応じて自然に変化する。

本発明は、上記の欠点を克服し、効果的且つ信頼性の高い品質管理を提供する、生産プロセス中に異常なワークピースを自動検出する方法を提供することを目的とする。

上記目的は、本発明の第１の態様によれば、請求項１に記載の特徴を有する方法によって達成される。

本発明の第１の態様に係る方法は、生産プロセス中に異常なワークピースを自動検出するためのデータ駆動方法であって、
生産プロセスの生産プロセスステップ毎に、基準ワークピースセットの対応する生産プロセスステップに関して記録してある基準データ信号を基準として、対象ワークピースの対象データ信号に関する少なくとも１つの偏差データ信号を計算し、その偏差データ信号は、生産プロセスステップそれぞれの様々な生産時間ステップｔ又はパス長ステップｌに関する偏差データサンプルを多数含んでおり、
学習（訓練）後の異常検出データモデルを使い、計算した少なくとも１つの偏差データ信号及び生産プロセスステップのタイプを示すプロセスタイプ指標のデータ処理によってステップ毎の異常検出を行って、生産プロセスステップの時間ステップｔ又はパス長ステップｌ毎に、時間ステップｔ又はパス長ステップｌのそれぞれが異常であることを表す異常確率ｐを計算し、
生産プロセスステップの時間ステップｔ又はパス長ステップｌの計算した異常確率ｐに基づいて、対象ワークピース及び生産プロセスステップの少なくとも一方を異常である又は異常ではないと分類する、ことを含む。

本発明の第１の態様に係る方法の一態様では、生産プロセスステップの測定データは、対象ワークピース及び生産プロセスステップの少なくとも一方につき様々な数のデータサンプルをもつ、時間ステップｔ及びパス長ステップｌの少なくとも一方に依拠した測定データとして、記録される。

本発明の第１の態様に係る方法の一態様では、記録した時間ステップ依拠の測定データは、生産プロセスステップ中のすべてのワークピースに共通する軌跡に沿うパス長Ｌに時間ステップ依拠の測定データを投影することによって、三次元パス長に依拠したデータに変換される。

本発明の第１の態様に係る方法の一態様では、三次元パス長依拠のデータをデータフィルタによって平滑化することで、対象ワークピースの対象データ信号及び基準ワークピースの基準データ信号が提供される。

本発明の第１の態様に係る方法の一態様では、データフィルタによって出力される平滑化後の対象ワークピースの対象データ信号と、所定のウインドウサイズを有する移動ウィンドウに対応した記録済み基準データ信号の信号平均及び標準偏差との間で、正規化ユークリッド距離を計算することによって、偏差データ信号を計算する。

本発明の第１の態様に係る方法の一態様では、計算した２値クロスエントロピー損失を用いて異常検出データモデルのネットワークパラメータを最適化することによって、計算する異常確率の誤差を最小化する。

本発明の第１の態様に係る方法の一態様において、異常なワークピース及び異常な生産プロセスステップの少なくとも一方の自動検出は、プロセスステップを含む稼働中の生産プロセス中にリアルタイムで実行される。

本発明の第１の態様に係る方法の一態様では、異常検出データモデルは、拡張畳み込みに依拠したデータモデルを用いる。

本発明の第１の態様に係る方法の一態様において、異常検出データモデルは、再帰型ニューラルネットワーク、特に、長期短期ＬＳＴＭネットワーク、又はゲート付き回帰型ユニットＧＲＵネットワークを用いる。

本発明の第１の態様に係る方法の一態様において、対象ワークピース及び生産プロセスステップの少なくとも一方が異常と分類された場合、ユーザに対する警告信号又は生産機械の制御信号、あるいはその両方が自動的に発生される。

本発明の第２の態様によると、請求項１１に記載の特徴を含む品質管理システムが提供される。

本発明の第２の態様に係る品質管理システムは、
生産機械によって生産プロセスで加工される対象ワークピースの対象データ信号を受信するように構成された入力インターフェースと、
生産プロセスの生産プロセスステップ毎に、基準ワークピースセットの対応する生産プロセスステップに関して記録されている基準データ信号を基準として、受信した対象データ信号に関する偏差データ信号を少なくとも１つ計算するように構成され、その偏差データ信号は、生産プロセスステップそれぞれの様々な生産時間ステップｔ又はパス長ステップｌに関する偏差データサンプルを多数含んでいる、データ前処理部と、
学習後の異常検出データモデルを使い、少なくとも１つの偏差データ信号及び生産プロセスステップのタイプを示すプロセスタイプ指標のデータ処理によってステップ毎の異常検出を行って、生産プロセスステップの時間ステップｔ及びパス長ステップｌの少なくとも一方毎に、時間ステップｔ及びパス長ステップｌの少なくとも一方のそれぞれが異常となる異常確率ｐを計算するように構成された異常検出部と、
生産プロセスステップの時間ステップｔ及びパス長ステップｌの少なくとも一方の計算済み異常確率ｐに基づいて、対象ワークピース及び生産プロセスステップの少なくとも一方を異常である又は異常ではないと分類するように構成された分類部と、
対象ワークピース及び生産プロセスステップの少なくとも一方が分類部によって異常と分類された場合に、少なくとも警告信号又は制御信号を発生するように構成された出力インターフェースとを備える。

本発明の第２の態様に係る品質管理システムの一態様では、基準ワークピースセットの対応する生産プロセスステップに関して記録されている基準データ信号は、異常検出部へ供給する少なくとも１つの偏差データ信号を生産プロセスの生産プロセスステップ毎に計算するべく、データ前処理部が読み出すメモリに記憶される。

本発明の第２の態様に係る品質管理システムの一態様では、生産プロセスで加工された対象ワークピースの対象データ信号は、生産機械のセンサによって生成される測定データを含む。

本発明の第２の態様に係る品質管理システムの一態様では、測定データは、生産機械のデータ抽出パイプラインによって提供され、ワークピース毎及び生産プロセスのプロセスステップ毎の時間依拠スケールで記録される。

本発明の第２の態様に係る品質管理システムの一態様では、データ前処理部は、生産プロセスの生産プロセスステップ中のすべてのワークピースに共通の軌跡に沿うパス長Ｌに時間ステップに依拠した測定データを投影することによって、記録済みの時間ステップ依拠の測定データを三次元パス長に依拠したデータに変換するように構成されている。

本発明の各態様に係る実施形態について、次の図を参照し以下に説明する。
本発明に係る品質管理システムの実施形態を説明するブロック図。 本発明に係る方法及びシステムの実施形態を説明するための信号波形図。 本発明に係る方法及びシステムの実施形態を説明するための別の信号波形図。 本発明に係る方法及びシステムの実施形態を説明するための図。 本発明に係る、生産プロセス中に異常なワークピースを自動検出するためのデータ駆動方法の実施形態を説明するフローチャート。

図１から分かるように、本発明に係る品質管理システム１は、図示の実施形態において、対象データ信号を受信する入力インターフェースを有するデータ前処理部２を備える。入力インターフェースは、例えば、数種類の生産プロセスステップを含む生産プロセスにおいてワークピースを処理するように構成された生産機械Ｍのコントローラに接続される。生産（製造）機械Ｍは、信号線又は信号バスを介して、データ前処理部２の入力インターフェースに接続される。生産機械Ｍのぞれぞれによって行われる生産プロセスの一部をなす進行中の生産プロセスステップで、生産機械Ｍは１つ以上のワークピースを処理する。例えば、ワークピースはフライス盤や中ぐり盤によって加工される。生産機械Ｍは、ワークピースの粗加工、仕上げ加工、又は研磨のような一連のプロセスステップを含む生産（製造）プロセスを実行する。データ前処理部２は、生産機械Ｍによって生産プロセスで処理された対象ワークピースの対象データ信号を受信するように構成された入力インターフェースを少なくとも備えている。当該対象データ信号は、進行中の生産プロセスステップにあるワークピースに関するデータを含んでいる。対象データ信号は、生産機械Ｍのセンサによって生成され、品質管理システム１のデータ前処理部２のデータ入力インターフェースに提供される測定値又はセンサデータを含む。

データ前処理部２は、生産プロセスの生産プロセスステップ毎に、基準ワークピースセットの対応する生産プロセスステップに関して記録してある基準データ信号を基準として、受信した対象データ信号に関する偏差データ信号を少なくとも１つ計算するように構成される。記録済みの基準データ信号は、実施形態では、品質管理システム１のメモリ５から読み出すことができる。メモリ５（データベース）から読み出される基準データ信号は、事前処理で高品質を示した基準ワークピースについて格納した前処理データである。データ前処理部２で計算した偏差データ信号は、生産機械Ｍによって行う生産プロセスステップそれぞれの様々な製造時間ステップｔ又はパス長ステップｌ、あるいはその両方に関する偏差データサンプルを多数含む。さらに、品質管理システム１は、データ前処理部２に接続された異常検出部３を備えている。異常検出部３は、学習後の異常検出データモデルを使って、データ前処理部２から出力される少なくとも１つの偏差データ信号と生産プロセスステップのタイプ（種類）を示すプロセスタイプ指標ＰＴＩとをデータ処理することによりステップ毎の異常検出を実行して、生産プロセスステップの時間ステップｔ又はパス長ステップｌ毎に、あるいは、時間ステップｔ及びパス長ステップｌ毎に、それぞれの時間ステップｔ又はパス長ステップｌあるいはその両方が異常となる異常確率ｐを計算するように構成される。

品質管理システム１は、さらに、各生産プロセスステップの時間ステップｔ又はパス長ステップｌあるいはその両方の計算した異常確率ｐに基づいて、対象ワークピース又は生産機械Ｍにより行われる生産プロセスステップ、あるいはその両方を異常である又は異常ではないと分類するように構成された分類部４を備える。分類部４は、実施形態において、対象ワークピース又は進行中の生産プロセスステップ、あるいはその両方が異常であると当該分類部４が分類した場合に、警告信号と制御信号のいずれか又は両方を発生して出力するように構成された出力インターフェースを備えている。実施形態では、ワークピース及び生産プロセスステップの少なくとも一方が異常であると分類した場合に、分類部４は、制御信号を発生して生産機械Ｍに供給する。実施形態では、データ前処理部２、異常検出部３、及び分類部４を含む品質管理システム１は、データ信号（及び制御信号）を含めた双方向通信のための信号バスを介して、生産設備にある１つ又は複数の生産機械Ｍと接続される。したがって、分類部４が対象ワークピース及び生産プロセスの生産プロセスステップの少なくとも一方を異常と分類した場合の品質管理システム１は、ワークピースの品質を向上させるための対策を迅速に講じる、あるいは、進行中の対象ワークピースと進行中の生産プロセスステップについて異常があることをユーザに少なくとも警告する、もしくはその両方の処置を行うことができる。

図１の実施形態で例示されるように、データ前処理部２は、基準ワークピースセットに関して事前処理した基準データを記憶するデータメモリ（データベース）５にアクセスする。メモリ５は、例えばネットワークを介してデータ前処理部２に接続された、ローカル又はリモート（遠隔）のメモリであり得る。基準ワークピースセットについて対応する生産プロセスステップに関し記録した基準データ信号は、メモリ５に記憶され、生産プロセス中にデータ前処理部２がこれを読み出して、生産プロセスの生産プロセスステップ毎に制御システム１の異常検出部３に供給される少なくとも１つの偏差データ信号を計算する。生産プロセスにおいて生産機械Ｍにより加工される対象ワークピースの対象データ信号は、生産機械Ｍのセンサによって生成される測定データを含んでいる。該測定データは、生産機械Ｍのデータ抽出パイプラインによって提供され、対象ワークピース毎に、そして、生産プロセスのプロセスステップ毎に、時間に依拠したスケールで記録することができる。品質管理システム１のデータ前処理部２は、記録された時間ステップ依拠の測定データを、生産プロセスの生産プロセスステップ中のすべてのワークピースに共通の軌跡に沿ったパス長Ｌに投影することによって、該時間ステップ依拠測定データを三次元パス長に依拠したデータに変換するように構成されている。

図１のブロック図に示されるように、データ前処理部２は、第１のステージ２Ａにおいて、受信した対象データを、生産プロセスの生産プロセスステップ中のすべてのワークピースに共通の軌跡に沿う三次元パス長Ｌに投影する。実施形態では、生産機械Ｍが実行する生産プロセスステップ中のワークピースに共通する軌跡に沿ったパス長Ｌに、記録した時間ステップに依拠した測定データを投影することによって、該時間ステップ依拠の測定データを三次元パス長に依拠したデータに変換する。データ前処理部２の第２のステージ２Ｂでは、三次元パス長依拠のデータが対象ワークピースの対象データ信号を提供するためにデータフィルタによって平滑化される。また、基準ワークピースの基準データ信号も、データメモリ５に記憶する前にデータフィルタ２Ｂにより平滑化する。データ前処理部２は、さらに、異常検出部３へ提供する偏差データ信号を計算するように構成された第３の計算ステージ２Ｃを備えている。実施形態では、データ前処理部２の偏差データ信号計算ステージ２Ｃは、データフィルタ２Ｂから出力される対象ワークピースの平滑化対象データ信号と、所定のウインドウサイズを有する移動ウィンドウに対応した記録済み基準データ信号の信号平均及び標準偏差との間で、正規化ユークリッド距離を計算するように構成されている。実施形態では、品質管理システム１のデータ前処理部２は、図１に示すように、プロセスタイプ指標ＰＴＩを異常検出部３に供給する、符号化プロセスタイプ供給部２Ｄを備えている。プロセスタイプ指標ＰＴＩは、生産機械Ｍによって実行される、生産プロセスの一連のプロセスステップに含まれた生産プロセスステップのプロセスタイプを示す。例えば、生産機械Ｍがフライス盤である場合、生産プロセスは、生産プロセスステップとして、ワークピースを粗加工する、又はワークピースを仕上げるなどを含むことができる。プロセスタイプ指標ＰＴＩは、進行中の生産プロセスステップのタイプを示すものであり、例えば、進行中の生産プロセスステップが粗加工プロセスステップであるか、仕上げ加工プロセスステップであるかを示す。異常検出部４は、受信した偏差データ信号及び受信したプロセスタイプ指標ＰＴＩを、学習済みの異常検出データモデルを用いて処理することによって、ステップ毎の異常検出を行い、進行中の生産プロセスステップの時間ステップｔ又はパス長ステップｌ毎に、あるいは時間ステップｔ及びパス長ステップｌ毎に、時間ステップｔ又はパス長ステップｌのそれぞれ、あるいは時間ステップｔ及びパス長ステップｌのそれぞれが異常であることを示す異常確率ｐを計算する。異常検出部３は、各種の異常検出データモデルを使用することができる。一実施形態では、異常検出部３によって使用される異常検出データモデルは、拡張畳み込みに依拠したデータモデルである。別の実施形態では、異常検出部３によって使用される異常検出データモデルは、再帰型ニューラルネットワークＲＮＮである。一実施形態では、再帰型ニューラルネットワークＲＮＮは、図４にも示される長期短期ＬＳＴＭネットワーク、又はゲート付き回帰型ユニットＧＲＵネットワークである。分類部４は、異常検出部３から受信される、計算された異常確率ｐに基づいて、進行中の対象ワークピースと進行中の生産プロセスステップのいずれか又は両方について異常であるか異常でないかを分類する。異常なワークピース及び異常な生産プロセスステップの少なくとも一方の自動検出は、プロセスステップを含む稼働中の生産プロセス中に、品質管理システム１によってリアルタイムで実行される。生産機械Ｍは、ワークピースの研磨、仕上げ、粗加工などの各種の生産プロセスステップを実行するために１つ以上の工作機械を備える。同じ工作機械を異なる生産プロセスステップに使用することができる。また、生産プロセスの別々の生産プロセスステップ間で工作機械を交換することも可能である。生産機械Ｍは、生産プロセス中の機械及び加工状態を監視するために使用される多数のセンサ群を備える。さらに測定データは、記憶し、事前処理し、一時的に記憶することができる。本発明による方法及びシステム１は、対象プロセス又は対象ワークピースに対し非特異的であって自由な発想で適用可能な機械学習（ディープラーニング）を使用して、生産プロセス中の異常ワークピース検出を自動化するために使用することができる。本発明による方法及びシステム１はデータ駆動であり、品質管理を自動化するために使用できる。

本発明による品質管理システム１において、各対象ワークピースのデータは、プロセスレベルで処理される。品質管理システム１は、代表的な良品の基準ワークピースセットのデータを使用する。この種のデータは、妥当な生産で良質の製品の数がスクラップ製品の量を大幅に上回ってから、入手することができる。品質要件が変更された場合、ユーザは、その生産プロセスに関する基準値又は基準データセットを更新するだけでよい。

実施形態では、生産機械Ｍのデータ抽出パイプラインによって提供される生のセンサデータは、ワークピース毎及びプロセスステップ毎に、様々な記録の長さ（及びデータ点の数）をもたらす時間に依拠した（時間ベースの）スケールで記録される。このため、従来のシステムの場合、測定値がずれて比較可能性が損なわれることが多い。この理由から、実施形態では、品質管理システム１の前処理部２は、パス長のすべての測定値がデータ内のすべてのワークピース／プロセスステップに共通の軌跡に沿って投影される投影ステージ２Ａを含む。時間ステップｔにおけるパス長Ｌは、次のように定義することができる。
式中、Ｘはプロセスステップの軌跡上のすべての三次元座標を記述し、ｘ_i,Aは軸Ａ上の時間ステップｉ上である。パス長Ｌを考慮すると、例えば２ｍｍのパス長Ｌに対応する例えば０．０５刻みで、値間を線形補間し線形補間の値を計算することによって、測定チャネル毎に固定長のシーケンスを生成することが可能である。プロセスステップは、全体のパス長Ｌをわずかに変化させ得るので、一例において、基準値セットから最短パス長Ｌを有するプロセスステップを使用し、このパス長Ｌのデータを生成することにより、すべてのシーケンスが正確に同じ長さとなる。

実施形態では、前処理部２のフィルタ２Ｂを使って各信号を平滑化する。実施形態では、フィルタを、例えば１１のウインドウサイズのメディアンフィルタによって形成する。

計算した偏差データ信号（偏差特徴）は、本発明に係る品質管理システム１が取るアプローチのコア要素を形成する。偏差データ信号を使用することによって、種々のプロセスと種々のワークピースのいずれか又は両方を一般化するために必要とされる難作業のいくつかを達成することができる。この特徴を考慮すると、異常を評価するために必要とされるであろう大量のプロセス特有の知識が、プロセス特有の基準の分布からの偏差によって吸収されたと仮定することができるため、時間ステップｔにおいて対象ワークピース及び生産プロセスステップの少なくとも一方が異常であるかどうかを決定するための適切な（潜在的には非線形）閾値を見つけることにおける学習問題を減らすことができる。

図２は、パス長Ｌの対象データ信号と基準データ信号の信号図である。図示の例の信号図において、信号は、粗加工プロセスステップで用いられる生産機械Ｍのスピンドルのトルクである。基準データ信号は、各基準ワークピースの製造にあたって事前に実行した対応する生産プロセスステップ中に、基準ワークピースから記録された信号を表す。図２の例に見られるように、進行中のワークピースの対象データ信号ｔｄｓは、図３の信号図に示されているように、大きい振幅の偏差データ信号ｄｄｓとなる基準データ信号に対する切欠きを含み得る。

偏差データ信号は、実施形態では、基準ワークピースセットまでのローカル正規化ユークリッド距離を、対象データ信号のステップ毎に、例えば式（２）によって演算することで、対象データ信号から導き出すことができる。
式中、ｘ_w,c,tは、ステップ（パス長）ｔ，ｌにおけるセンサ信号チャネルｃ用のワークピースｗのプロセスステップにおける信号を記述するものである。
式（３）はローカル信号の平均値である。
式（４）は、すべての基準ワークピースのセンサ信号チャネルｃ［ｔ−ｋ，ｔ＋ｋ］が同じプロセスステップのみからである場合、区間中のローカル信号標準偏差である。例えば、ｋは、２×２５＋１＝５１のウインドウサイズに対応するｋ＝２５となる。

ローカル信号標準偏差は、一部の領域ではほぼ零か又は非常に小さいことがあるので、すべての基準を通して観測される信号の変動は非常に狭いことから、実施形態では、数値安定性を達成するために、それを、シーケンス全体を通して観測されたローカル標準偏差の１０パーセンタイルに切り取ることが可能である。

異常検出器の場合、偏差データ信号は、利用可能な信号のすべて、又は利用可能な信号のうち適切な一部に対して計算される。観測されたデータがどのプロセスのクラス（例えば、粗加工又は仕上げ加工）に属するかを示す特徴を計算することが可能である。

異常検出部３は、受信した入力データに基づいてタスクで学習した機械学習に基づくモデルを用いて、機械加工の３Ｄ軌跡のステップ毎に異常であるか否かを評価することができる。

異常検出データモデルは、学習データモデルである。グローバルワークピース／プロセスの観点でのラベリングを使用した異常なワークピースの直接検出は、教師あり学習を用いて実行することは不可能であるため、適切に解決すれば異常なワークピースを検出する実際の対象タスクも解決することができる補助タスクを、利用することができる。異常信号は、基準データ信号群と比較することができる。最終信号に対して単一のラベルを付け、それを不良としてラベル付けすることができ、その結果、１つの学習例が得られる。しかし、すべての単一ステップをラベル付けすれば、多数の、例えば５００程度の学習例を生成することができる。１つのステップが異常とラベル付けされると、ワークピース又はプロセスステップ全体、あるいはワークピース及びプロセスステップ全体が異常とみなされる。この方法を用いることにより、数百から数百万程度まで、異常検出データモデルを学習するための例の量を増やすことが可能である。そのためには、各ワークピースのラベルをより厳密に作成する必要がある。このラベル付けは、学習するプロセスとワークピースのいずれか又は両方のセット用につくられた特定のソフトウェアによって自動的に提供される。

実施形態では、異常検出部３の異常検出データモデルは、拡張畳み込みに依拠したモデルを用いる。拡張畳み込み（dilated convolution、又はconvolution with holes）は、順番に適用するとそれぞれのフィールドで指数関数的に成長するスパースフィルタをもつ畳み込みである。これらの演算子は、空きパラメータの数を低く維持することによって、空間的又は時間的依存性を有する大量の入力を処理する場合に特に有用である。

別の実施形態では、異常検出データモデルは、任意の間隔のパターンを記憶することができる再帰型ニューラルネットワークＲＮＮの一種である長期短期ＬＳＴＭネットワークを用いることもできる。したがって、特に、データパターンが大量の時間ステップにわたって進化する可能性のある高解像度の時系列データに適用される。

図４は、ＬＳＴＭネットワークを異常検出データモデルとして実施する異常検出部３の実施形態を示す図である。図示の例において、異常検出データモデルは、例えば、１００ステップのデータ（すなわち、偏差特徴＋プロセスタイプ指標ＰＴＩ）のローカルウィンドウで供給される。異常検出データモデルは、進行中のタイムステップが異常である確率を割り当てる。供給された偏差データ信号は、例えば、生産機械Ｍのトルク信号を含む。異常検出データモデル、特に図４に示したＬＳＴＭニューラルネットワーク、を実装する異常検出部３の出力は、それぞれの時間ステップｔ（又はパス長ステップｌ）が異常である異常確率ｐである。図４に示される例では、１００ステップのデータ、すなわち偏差データ信号＋プロセスタイプ指標ＰＴＩの特徴が異常検出データモデルに供給されて、進行中の時間ステップｔが異常である確率を推定する。実施形態では、ネットワークパラメータは、例えば式（５）で求めた正規化平均２値クロスエントロピー損失を用いて、この確率推定値における誤差を最小にするように最適化される。
式中、Ｘは入力データであり、ｙは２進ラベルのベクトルであり、ｆ_θはθによってパラメータ化されたモデル関数であり、λは正則化強度である。一例としてλは０．００１に設定することができる。

異常検出部３によって生成された出力確率は、品質管理システム１の分類部４に供給される。分類部４は、時間ステップｔ又はパス長ステップｌの受信異常確率に基づいて対象ワークピース及び生産プロセスステップの少なくとも一方を異常である又は異常ではないと分類するように構成されている。

プロセス全体とワークピースの少なくとも一方を異常として分類する実施形態では、式（６）のような単純な分類規則を適用することが可能である。
式中、Ｐ（ｘ）は、分類モデルによって生成された異常クラスの分類確率を示す。Ｐ（ｘｉ）は、軌跡上のステップｉで異常クラスが発生する確率である。言い換えれば、適用規則は、ステップ毎分類モデルが、例えば、いずれかステップにおいて（＞０．９５）の高い確度を有する異常を予測した場合、ワークピース全体を異常と分類することができることを示している。あるいは、十分な例があれば、この分類を実行する機能を学習することも可能である。

本発明による品質管理システム１はほぼリアルタイムで動作可能であり、例えば、４２０ｍｓで例えば１秒のデータ（５００Ｈｚサンプリングレート）のステップ毎確率を推定することができる。このことは、本発明による品質管理システム１が、データ記録のほぼ２倍の速度であることを意味する。時間は偏差特徴の計算を含み、バッチサイズの増加と共に、基礎となる線形代数ライブラリの計算効率により、品質管理システムの効率はさらに上昇する。

本発明による方法及びシステム１は、目前の対象プロセスに関する知識を必要とせず、結果、その適用性において非常に汎用であり、したがって容易に拡張することができるという解決策につながる。

図５は、本発明の実施形態に係る、生産プロセス中に異常なワークピースを自動検出するためのデータ駆動方法の、フローチャートの一例である。

例示の実施形態において、データ駆動方法は、図５に示すように、３つの主要な過程を含む。

第１の過程Ｓ１で、製造プロセスの生産プロセスステップ毎に、基準ワークピースセットの対応する生産プロセスステップに関して記録した基準データ信号を基準として、対象ワークピースの対象データ信号毎に少なくとも１つの偏差データ信号を、計算する。この計算した偏差データ信号は、各生産プロセスステップの種々の製造時間ステップｔ又はパス長ステップｌ、あるいはその両方に関する偏差データサンプルを多数含む。

続く主要過程Ｓ２で、学習した異常検出データモデルを使い、少なくとも１つの計算した偏差データ信号及び生産プロセスステップのタイプを示すプロセスタイプ指標ＰＴＩのデータ処理によってステップ毎の異常検出を行って、生産プロセスステップの各時間ステップｔ又はパス長ステップｌに関して、時間ステップｔ又はパス長ステップｌのぞれぞれが異常であることを表す異常確率ｐを計算する。

最後の主要過程Ｓ３で、生産プロセスステップの時間ステップｔ又はパス長ステップｌの計算した異常確率に基づいて、対象ワークピース及び生産プロセスステップの少なくとも一方を、異常である又は異常ではないと分類する。過程Ｓ３で実行した分類に応じて、警告又は制御信号、あるいはその両方を発生することができる。

本発明によるデータ駆動方法は、基準ワークピースセットを通して自動的に、大量のプロセス固有知識を暗黙のうちに取得することができる。これらの基準値は、プロセスがどのように進行し得るかに関する統計を提供することができ、これらの基準値から大きく逸れることは異常と見なすことができる。基準ワークピースセットを定義することは、通常の機械加工プロセスにおいて比較的容易である。異常なワークピースを検出する対象タスクを暗黙のうちに解決する一方で、そのために十分な量の学習データを生成することが比較的容易である、適切な補助学習タスクを定義することができる。さらに、通常の加工プロセスステップに関する異常加工プロセスステップを識別するための（非線形）決定境界は、対象プロセスからのデータを含める必要のない独立したオフラインデータセットから学習することができる。本発明による品質管理システム１は、全体としてワークピースが異常であるか否かを検出することができるだけでなく、異常が観察されたワークピースの領域も指摘することができる。これにより、手動品質管理は、製造中の異常なワークピースに向けることができるだけでなく、問題のワークピースの異常のホットスポットに向けることもできる。本発明による品質管理システム１は、拡張可能でもある産業用製造設備において、予定された品質管理とは対照的な、誘導型品質管理に使用することができる。本発明による品質管理システム１及び方法により、稼働中の生産プロセスに生じる欠陥に対する生産プロセスの反応時間を劇的に減少させることができる。その結果、生産プロセスで発生する異常品の量を大幅に削減することができる。特に、大量生産プロセスに関し、高分解能のデータに基づいてすべてのワークピースを管理することができるので、この利点は魅力的である。

実施形態では、クラスタリングのための教師なし学習法を適用することができる。これは、指定されたデータセット内で構造物を検出するための（手動で）ラベル付けされたデータを必要としない。しかし、この方法では、使用されるすべてのデータセットを注意深く調整（チューニング）する必要がある。さらに、別の実施形態においては、プロセスレベルに関して完全な教師あり学習アプローチを適応させることが可能であるが、この実施形態では、十分なラベル付きデータを提供することが必要である。

Claims (15)

1. 生産プロセス中に異常なワークピースを自動検出するためのデータ駆動方法であって、
   （ａ） 生産プロセスの生産プロセスステップ毎に、基準ワークピースセットの対応する生産プロセスステップに関して記録してある基準データ信号を基準として、対象ワークピースの対象データ信号に関する少なくとも１つの偏差データ信号を計算し（Ｓ１）、該偏差データ信号は、生産プロセスステップそれぞれの様々な生産時間ステップｔ又はパス長ステップｌに関する偏差データサンプルを多数含んでおり、
   （ｂ） 学習後の異常検出データモデルを使い、前記計算した少なくとも１つの偏差データ信号及び生産プロセスステップのタイプを示すプロセスタイプ指標のデータ処理によってステップ毎の異常検出を行って、生産プロセスステップの時間ステップｔ又はパス長ステップｌ毎に、該時間ステップｔ又はパス長ステップｌのそれぞれが異常であることを表す異常確率ｐを計算し、
   （ｃ） 生産プロセスステップの時間ステップｔ又はパス長ステップｌの前記計算した異常確率ｐに基づいて、対象ワークピース及び生産プロセスステップの少なくとも一方を異常である又は異常ではないと分類する（Ｓ３）、ことを含む、データ駆動方法。
2. 生産プロセスステップの測定データが、対象ワークピース及び生産プロセスステップの少なくとも一方につき様々な数のデータサンプルをもつ、時間ステップｔ及びパス長ステップｌの少なくとも一方に依拠した測定データとして、記録される、請求項１に記載のデータ駆動方法。
3. 前記記録した時間ステップ又はパス長依拠の測定データは、生産プロセスステップ中のすべてのワークピースに共通する軌跡に沿うパス長Ｌに前記時間ステップ依拠の測定データを投影することによって、三次元パス長に依拠したデータに変換する、請求項２に記載のデータ駆動方法。
4. 前記三次元パス長依拠のデータをデータフィルタによって平滑化することで、対象ワークピースの対象データ信号及び基準ワークピースの基準データ信号を提供する、請求項３に記載のデータ駆動方法。
5. 前記データフィルタによって出力される平滑化後の対象ワークピースの対象データ信号と、所定のウインドウサイズを有する移動ウィンドウに対応した記録済み基準データ信号の信号平均及び標準偏差との間で、正規化ユークリッド距離を計算することによって、前記偏差データ信号を計算する、請求項４に記載のデータ駆動方法。
6. 計算した２値クロスエントロピー損失を用いて前記異常検出データモデルのネットワークパラメータを最適化することによって、計算する前記異常確率ｐの誤差を最小化する、請求項１〜５のいずれか１項に記載のデータ駆動方法。
7. 異常なワークピース及び異常な生産プロセスステップの少なくとも一方の自動検出を、プロセスステップを含む稼働中の生産プロセス中にリアルタイムで実行する、請求項１〜６のいずれか１項に記載のデータ駆動方法。
8. 前記異常検出データモデルは、拡張畳み込みに依拠したデータモデルを用いる、請求項１〜７のいずれか１項に記載のデータ駆動方法。
9. 前記異常検出データモデルは、再帰型ニューラルネットワーク、特に、長期短期ＬＳＴＭネットワーク又はゲート付き回帰型ユニットＧＲＵネットワークを用いる、請求項１〜７のいずれか１項に記載のデータ駆動方法。
10. 対象ワークピース及び生産プロセスステップの少なくとも一方を異常と分類した場合、少なくともユーザに対する警告信号又は生産機械の制御信号を自動的に発生する、請求項１〜９のいずれか１項に記載のデータ駆動方法。
11. 生産機械によって生産プロセスで加工される対象ワークピースの対象データ信号を受信するように構成された入力インターフェースと、
    生産プロセスの生産プロセスステップ毎に、基準ワークピースセットの対応する生産プロセスステップに関して記録されている基準データ信号を基準として、前記受信した対象データ信号に関する偏差データ信号を少なくとも１つ計算するように構成され、該偏差データ信号は、生産プロセスステップそれぞれの様々な生産時間ステップｔ又はパス長ステップｌに関する偏差データサンプルを多数含んでいる、データ前処理部（２）と、
    学習後の異常検出データモデルを使い、前記少なくとも１つの偏差データ信号及び生産プロセスステップのタイプを示すプロセスタイプ指標のデータ処理によってステップ毎の異常検出を行って、生産プロセスステップの時間ステップｔ又はパス長ステップｌ毎に、該時間ステップｔ又はパス長ステップｌのそれぞれが異常となる異常確率ｐを計算するように構成された異常検出部（３）と、
    生産プロセスステップの時間ステップｔ又はパス長ステップｌの前記計算済み異常確率ｐに基づいて、対象ワークピース及び生産プロセスステップの少なくとも一方を異常である又は異常ではないと分類するように構成された分類部（４）と、
    対象ワークピース及び生産プロセスステップの少なくとも一方が前記分類部（４）によって異常と分類された場合に、少なくとも警告信号又は制御信号を発生するように構成された出力インターフェースと
    を備える品質管理システム。
12. 基準ワークピースセットの対応する生産プロセスステップに関して記録されている前記基準データ信号は、前記異常検出部（３）へ供給する前記少なくとも１つの偏差データ信号を生産プロセスの生産プロセスステップ毎に計算するべく、前記データ前処理部（２）が読み出すメモリに記憶される、請求項１１に記載の品質管理システム。
13. 生産プロセスで加工された対象ワークピースの対象データ信号は、生産機械のセンサによって生成される測定データを含む、請求項１１又は１２に記載の品質管理システム。
14. 前記測定データは、生産機械のデータ抽出パイプラインによって提供され、ワークピース毎及び生産プロセスのプロセスステップ毎の時間依拠スケールで記録される、請求項１３に記載の品質管理システム。
15. 前記データ前処理部（２）は、生産プロセスの生産プロセスステップ中のすべてのワークピースに共通の軌跡に沿うパス長Ｌに時間ステップに依拠した測定データを投影することによって、録済みの前記時間ステップ依拠の測定データを三次元パス長に依拠したデータに変換するように構成されている、請求項１１〜１４のいずれか１項に記載の品質管理システム。