JP2020187667A - 情報処理装置及び情報処理方法 - Google Patents
情報処理装置及び情報処理方法 Download PDFInfo
- Publication number
- JP2020187667A JP2020187667A JP2019093338A JP2019093338A JP2020187667A JP 2020187667 A JP2020187667 A JP 2020187667A JP 2019093338 A JP2019093338 A JP 2019093338A JP 2019093338 A JP2019093338 A JP 2019093338A JP 2020187667 A JP2020187667 A JP 2020187667A
- Authority
- JP
- Japan
- Prior art keywords
- data
- image data
- state
- abnormality detection
- time series
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
【課題】所定の処理又は動作を行う物体が第1の状態であるか否かの判定精度を向上させる。【解決手段】情報処理装置は、所定の処理又は動作を行う所定の物体の第1の状態において、所定の処理又は動作による作用を受ける作用対象の第1の画像データと、当該物体の第1の状態において第1の画像データと対応して当該物体から得られる第1の時系列データと、のいずれか一方を入力、もう一方を出力として、機械学習モデルを学習させる。次に、情報処理装置は、新たに取得される当該作用対象の第2の画像データと、当該物体の第2の時系列データとのうちの学習時に入力として用いられた方のデータの入力に対する学習済みの機械学習モデルの出力データを取得し、第2の画像データ又は第2の時系列データのうちのもう一方のデータと学習済みの機械学習モデルの出力データとに基づいて、当該所定の物体が第1の状態であるか否かを判定する、制御部、を備える。【選択図】図6
Description
本発明は、所定の処理又は動作を行う装置が第1の状態であるか否かを判定する技術に関する。
所定の処理又は動作を行う装置の正常・異常のタグを付与する技術として、例えば、工作機械の稼働を表す時系列データに基づいて、当該工作機械が正常に動作しているか否かを判定する技術が開示されている(例えば、特許文献1)。また、所定の処理又は動作を行う装置の正常・異常のタグを付与する技術として、例えば、工作機械が作用する対象の画像やサーモ(熱温)のデータから、当該工作機械が正常に動作しているか否かを判定する技術が開示されている(例えば、特許文献2)。
しかしながら、装置の稼働を表す時系列データ又は装置が作用する対象の画像データのいずれか一方に基づいて正常・異常のタグを付与するだけでは、当該装置の異常の発生の検出が遅れたり看過されたりする可能性がある。
本発明は、上記した問題に鑑み、所定の処理又は動作を行う物体が第1の状態であるか否かの判定精度を向上可能な情報処理装置及び情報処理方法を提供することを課題とする。
本発明の態様の一つは、
所定の処理又は動作を行う所定の物体の第1の状態において、前記所定の処理又は動作による作用を受ける作用対象の第1の画像データと、前記所定の物体の前記第1の状態において前記第1の画像データと対応して前記所定の物体から得られる第1の時系列データと、のいずれか一方を入力、もう一方を出力として、機械学習モデルを学習させ、
新たに取得される前記作用対象の第2の画像データと、前記第2の画像データに対応して新たに得られる第2の時系列データとのうちの前記学習時に入力として用いられたデータと同種のデータの入力に対する学習済みの前記機械学習モデルの出力データを取得し、
前記第2の画像データ又は前記第2の時系列データのうちの入力として用いられていないもう一方のデータと前記学習済みの前記機械学習モデルの前記出力データとに基づいて、前記所定の物体が前記第1の状態であるか否かを判定する、
制御部、
を備える情報処理装置である。
所定の処理又は動作を行う所定の物体の第1の状態において、前記所定の処理又は動作による作用を受ける作用対象の第1の画像データと、前記所定の物体の前記第1の状態において前記第1の画像データと対応して前記所定の物体から得られる第1の時系列データと、のいずれか一方を入力、もう一方を出力として、機械学習モデルを学習させ、
新たに取得される前記作用対象の第2の画像データと、前記第2の画像データに対応して新たに得られる第2の時系列データとのうちの前記学習時に入力として用いられたデータと同種のデータの入力に対する学習済みの前記機械学習モデルの出力データを取得し、
前記第2の画像データ又は前記第2の時系列データのうちの入力として用いられていないもう一方のデータと前記学習済みの前記機械学習モデルの前記出力データとに基づいて、前記所定の物体が前記第1の状態であるか否かを判定する、
制御部、
を備える情報処理装置である。
本発明の他の態様の一つは、
所定の処理又は動作を行う所定の物体の第1の状態において、前記所定の処理又は動作による作用を受ける作用対象の第1の画像データと、前記所定の物体の前記第1の状態において前記第1の画像データと対応して前記所定の物体から得られる第1の時系列データと、のいずれか一方を入力、もう一方を出力として、機械学習モデルを学習させ、
新たに取得される前記作用対象の第2の画像データと、前記第2の画像データに対応して新たに得られる第2の時系列データとのうちの前記学習時に入力として用いられたデータと同種のデータの入力に対する学習済みの前記機械学習モデルの出力データを取得し、
前記第2の画像データ又は前記第2の時系列データのうちの入力として用いられていないもう一方のデータと前記学習済みの前記機械学習モデルの前記出力データとに基づいて、前記所定の物体が前記第1の状態であるか否かを判定する、
情報処理方法である。
所定の処理又は動作を行う所定の物体の第1の状態において、前記所定の処理又は動作による作用を受ける作用対象の第1の画像データと、前記所定の物体の前記第1の状態において前記第1の画像データと対応して前記所定の物体から得られる第1の時系列データと、のいずれか一方を入力、もう一方を出力として、機械学習モデルを学習させ、
新たに取得される前記作用対象の第2の画像データと、前記第2の画像データに対応して新たに得られる第2の時系列データとのうちの前記学習時に入力として用いられたデータと同種のデータの入力に対する学習済みの前記機械学習モデルの出力データを取得し、
前記第2の画像データ又は前記第2の時系列データのうちの入力として用いられていないもう一方のデータと前記学習済みの前記機械学習モデルの前記出力データとに基づいて、前記所定の物体が前記第1の状態であるか否かを判定する、
情報処理方法である。
本発明によれば、所定の処理又は動作を行う物体の第1の状態の判定精度を向上させることができる。
本発明の態様の一つは、所定の処理又は動作を行う所定の物体の第1の状態において、当該所定の処理又は動作による作用を受ける作用対象の第1の画像データと、当該所定の物体の第1の状態において第1の画像データと対応して当該所定の物体から得られる第1の時系列データと、のいずれか一方を入力、もう一方を出力として、機械学習モデルを学習させ、新たに取得される作用対象の第2の画像データと、第2の画像データに対応して新たに得られる第2の時系列データとのうちの学習時に入力として用いられたデータと同種のデータの入力に対する学習済みの機械学習モデルの出力データを取得し、第2の画像データ又は第2の時系列データのうちの入力として用いられていないもう一方のデータと学習済みの機械学習モデルの出力データとに基づいて、当該所定の物体が第1の状態であるか否かを判定する、制御部、を備える情報処理装置である。
所定の処理又は動作を行う所定の物体には、例えば、工作機械がある。この場合、所定の処理又は動作は、例えば、加工対象を加工する処理又は動作である。また、当該所定の物体の所定の処理又は動作による作用を受ける作用対象は、当該工作機械によって加工される加工対象となる。ただし、所定の処理又は動作を行う所定の物体は、工作機械に限定されない。所定の処理又は動作を行う所定の物体の他の一例には、車両がある。この場合には、所定の処理又は動作は、例えば、車両のエンジン起動及び停止、加減速のシーケンス等である。また、当該所定の物体の所定の処理又は動作による作用を受ける作用対象には、例えば、周辺環境等がある。なお、当該所定の物体の所定の処理又は動作による作用を受ける作用対象も、上述のものに限定されない。
所定の物体の第1の状態には、例えば、正常に稼働している正常状態、異常が発生している異常状態がある。ただし、第1の状態はこれらに限定されない。機械学習モデルは、例えば、畳み込みニューラルネットワーク(CNN)、再帰型ニューラルネットワーク(RNN)等であってもよい。ただし、機械学習モデルに用いられるロジックはこれらに限定されない。
本発明の態様の一つによれば、作用対象の第1の画像データと、当該所定の物体の第1の時系列データと、の2種類のデータを用いて所定の物体が第1の状態であるか否かが判定されるので、より早く当該所定の物体の異常を検出できたり、当該所定の物体の異常の看過を低減したりすることができ、当該物体の異常の検出精度を向上させることができる。
また、本発明の態様の一つによれば、機械学習モデルは、所定の物体の第1の状態における作用対象の第1の画像データと所定の物体の第1の時系列データとの対応関係を学習することになる。そのため、作用対象の第1の画像データと、当該所定の物体の第1の時系列データとがあれば、所定の物体が第1の状態であるか否かを示すラベルがなくとも、所定の物体が第1の状態であるか否かを判定することができる。
また、本発明の態様の一つでは、第1の画像データ及び第1の時系列データと、第2の画像データ及び第2の時系列データと、は、それぞれ、所定期間分あってもよく、機械学習モデルは、系列変換のモデルであってもよい。系列変換のモデルには、Sequence-to-Sequenceモデル、Attentionメカニズムを搭載したSequence-to-Sequenceモデル等がある。
所定期間は、例えば、所定の物体の処理又は動作の1回のプロセスの期間である。ただし、これに限定されない。これによって、時間の経過の順で並んだ画像データの系列又は時系列データの入力に対して、時系列データ又は時間の経過の順で並んだ画像データの系列を出力として取得することができ、例えば、時間変化や手順の進行等に伴って作用対象の態様が遷移するような所定の物体の処理又は動作全体を考慮して、所定の物体が第1の状態であるか否かを判定することができる。
所定期間は、例えば、所定の物体の処理又は動作の1回のプロセスの期間である。ただし、これに限定されない。これによって、時間の経過の順で並んだ画像データの系列又は時系列データの入力に対して、時系列データ又は時間の経過の順で並んだ画像データの系列を出力として取得することができ、例えば、時間変化や手順の進行等に伴って作用対象の態様が遷移するような所定の物体の処理又は動作全体を考慮して、所定の物体が第1の状態であるか否かを判定することができる。
また、本発明の態様の一つでは、制御部は、第1の画像データ及び第1の時系列データのそれぞれから取得される特徴量を、機械学習モデルの入力又は出力として、機械学習モデルを学習させ、第2の画像データから取得される特徴量及び第2の時系列データから取得される特徴量のいずれか一方を学習済みの機械学習モデルへ入力して出力データを取得し、第2の画像データから取得される特徴量及び第2の時系列データから取得される特徴量のもう一方と、機械学習モデルの出力データと、に基づいて、所定の物体が第1の状態であるか否かを判定するようにしてもよい。これによって、機械学習モデルが取り扱う情報量を少なくすることができ、機械学習モデルによる処理の負荷を軽減することができる。
本発明の態様を、情報処理方法の側面から捉えることもできる。当該情報処理方法は、所定の処理又は動作を行う所定の物体の第1の状態において、所定の処理又は動作による作用を受ける作用対象の第1の画像データと、当該所定の物体の第1の状態において画像データと対応して当該所定の物体から得られる第1の時系列データと、のいずれか一方を入力、もう一方を出力として、機械学習モデルを学習させ、新たに取得される当該作用対象の第2の画像データと、第2の画像データに対応して新たに得られる第2の時系列データとのうちの学習時に入力として用いられたデータと同種のデータの入力に対する学習済みの機械学習モデルの出力データを取得し、第2の画像データ又は第2の時系列データのうちの入力として用いられていないもう一方のデータと学習済みの機械学習モデルの出力データとに基づいて、当該所定の物体が前記第1の状態であるか否かを判定することを含む。なお、上述までの情報処理装置に関して開示された技術的思想は、技術的な齟齬が生じない範囲で当該情報処理方法にも適用できる。
以下、図面に基づいて、本発明の実施の形態を説明する。以下の実施形態の構成は例示であり、本発明は実施形態の構成に限定されない。
<第1実施形態>
図1は、第1実施形態に係る異常検出システムのシステム構成の一例である。異常検出システム100は、例えば、異常検出装置1、加工対象3、加工対象3を加工する工作機械2を含む。異常検出装置1は、工作機械2の異常状態を検出する装置である。第1実施形態では、異常検出装置1は、正常状態における、工作機械2の稼働を示す時系列データと、当該工作機械による加工中又は加工後の加工対象3のサーモデータと、の対応関係を異常検出モデルに学習させ、当該異常検出モデルの出力に基づいて、工作機械2の異常を検出する。異常検出装置1は、「情報処理装置」の一例である。工作機械2は、「所定の処理又は動作を行う所定の物体」の一例である。加工対象3は、「作用対象」の一例である。工作機械2の正常な状態は、「第1の状態」の一例である。第1実施形態では、異常検出装置1は、工作機械2が正常な状態か否かを判定し、正常な状態でないと判定した場合に、工作機械2の状態が異常であること判定する。また、サーモデータは、「画像データ」の一例である。ただし、画像データはサーモデータに限定されない。
図1は、第1実施形態に係る異常検出システムのシステム構成の一例である。異常検出システム100は、例えば、異常検出装置1、加工対象3、加工対象3を加工する工作機械2を含む。異常検出装置1は、工作機械2の異常状態を検出する装置である。第1実施形態では、異常検出装置1は、正常状態における、工作機械2の稼働を示す時系列データと、当該工作機械による加工中又は加工後の加工対象3のサーモデータと、の対応関係を異常検出モデルに学習させ、当該異常検出モデルの出力に基づいて、工作機械2の異常を検出する。異常検出装置1は、「情報処理装置」の一例である。工作機械2は、「所定の処理又は動作を行う所定の物体」の一例である。加工対象3は、「作用対象」の一例である。工作機械2の正常な状態は、「第1の状態」の一例である。第1実施形態では、異常検出装置1は、工作機械2が正常な状態か否かを判定し、正常な状態でないと判定した場合に、工作機械2の状態が異常であること判定する。また、サーモデータは、「画像データ」の一例である。ただし、画像データはサーモデータに限定されない。
異常検出モデルは、例えば、Sequence-to-Sequenceモデル、Attentionメカニズムを搭
載したSequence-to-Sequenceモデルによって構築されたモデルである。異常検出モデルは、例えば、工作機械2の正常状態における所定期間内の、加工中及び加工後の加工対象3のサーモデータの系列を入力、工作機械2の稼働を表す時系列データを出力として学習されたモデルである。
載したSequence-to-Sequenceモデルによって構築されたモデルである。異常検出モデルは、例えば、工作機械2の正常状態における所定期間内の、加工中及び加工後の加工対象3のサーモデータの系列を入力、工作機械2の稼働を表す時系列データを出力として学習されたモデルである。
工作機械2の稼働を示す時系列データは、例えば、1回の動作プロセスの各時刻又はステップにおいて、所定のセンサによって測定された測定値の系列である。センサは、例えば、工作機械2に備えられているものが利用されてもよいし、工作機械2の周囲に設置されているものが用いられてもよい。当該センサと異常検出装置1とは、例えば、LAN(Local Area Network)や無線LAN等によって通信可能に接続されている。工作機械2の稼働を示すデータを測定するセンサは、1つであっても複数であってもよい。
加工対象3のサーモデータは、工作機械2又は工作機械2の周囲に設置されているサーモグラフィカメラによって加工対象3が撮像された、加工対象3の表面及び/又は内部の温度を示すサーモグラフィ画像データである。加工対象3のサーモデータの系列は、例えば、1回の動作プロセスの各時刻又は各ステップにおいて撮影された加工対象3のサーモデータの集まりである。サーモグラフィカメラは、例えば、1つであってもよいし、複数の角度から加工対象3が撮影されるように複数備えられてもよい。
工作機械2の時系列データと加工対象のサーモデータとは、例えば、取得された時刻、動作プロセス内のステップ等によって紐づけられている。第1実施形態では、異常検出モデルの学習用データ及び判定用データの1回分のデータは、1回の動作プロセスにおいて所定の時間間隔で取得された、加工対象3のサーモデータの系列と、時系列データと、である。
<装置構成>
図2は、異常検出装置1のハードウェア構成の一例を示す図である。異常検出装置1は、例えば、PC(Personal Computer)等の汎用のコンピュータ、サーバ等の専用のコン
ピュータ等である。異常検出装置1は、例えば、ハードウェア構成要素として、CPU(Central Processing Unit)11、主記憶装置12、補助記憶装置13、入力装置14、
出力装置15、ネットワークインタフェース16を備え、これらがバスにより互いに接続されている情報処理装置である。
図2は、異常検出装置1のハードウェア構成の一例を示す図である。異常検出装置1は、例えば、PC(Personal Computer)等の汎用のコンピュータ、サーバ等の専用のコン
ピュータ等である。異常検出装置1は、例えば、ハードウェア構成要素として、CPU(Central Processing Unit)11、主記憶装置12、補助記憶装置13、入力装置14、
出力装置15、ネットワークインタフェース16を備え、これらがバスにより互いに接続されている情報処理装置である。
入力装置14は、例えば、キーボード、マウス等のポインティングデバイス、タッチパネル等である。また、入力装置14には、カメラやスキャナのような画像の入力装置や、
マイクロフォンのような音声入力装置を含むことができる。入力装置14から入力されたデータは、CPU 11に出力される。
マイクロフォンのような音声入力装置を含むことができる。入力装置14から入力されたデータは、CPU 11に出力される。
ネットワークインタフェース16は、ネットワークとの情報の入出力を行うインタフェースである。ネットワークインタフェース16は、有線のネットワーク、及び/又は、無線のネットワークと接続する。ネットワークインタフェース16は、例えば、NIC(Network Interface Card)、無線LAN(Local Area Network)カード、携帯電話網に接続するための無線回路等である。
主記憶装置12は、CPU 11に、補助記憶装置13に格納されているプログラムをロードする記憶領域および作業領域を提供したり、バッファとして用いられたりする記憶装納する。補助記憶装置13は、例えば、EPROM(Erasable Programmable ROM)、
ハードディスク(Hard Disk Drive)である。補助記憶装置13は、例えば、オペレーティングシステム(OS)、異常検出プログラム、その他様々なアプリケーションプログラムを保持する。異常検出プログラムは、工作機械2の異常状態を検出するためのプログラムである。
ハードディスク(Hard Disk Drive)である。補助記憶装置13は、例えば、オペレーティングシステム(OS)、異常検出プログラム、その他様々なアプリケーションプログラムを保持する。異常検出プログラムは、工作機械2の異常状態を検出するためのプログラムである。
CPU 11は、補助記憶装置13に保持されたOSや様々なアプリケーションプログラムを主記憶装置12にロードして実行することによって、様々な処理を実行する。CPU 11は、1つであってもよいし、複数であってもよい。CPU 11は、「制御部」の一例である。
出力装置15は、CPU 11の処理の結果を出力する。出力装置15は、ディスプレイやプリンタである。また、出力装置15は、スピーカのような音声出力装置を含むことができる。
なお、図2に示される異常検出装置1のハードウェア構成は、一例であり、上記に限られず、実施の形態に応じて、適宜、構成要素の省略や置換、追加が可能である。例えば、異常検出装置1は、可搬記録媒体を駆動し、可搬記録媒体に記録されたデータを読み出す可搬記録媒体駆動装置を備えてもよい。可搬記録媒体は、例えば、USBメモリ、CD(Compact Disc)やDVD(Digital Versatile Disc)、Blu−rayディスクのようなディスク記録媒体、フラッシュメモリカードのような記録媒体である。
図3は、異常検出装置1の機能構成の一例を示す図である。異常検出装置1は、機能構成要素として、学習用サーモデータ特徴抽出部111、学習用時系列データ特徴抽出部112、モデル学習部113、判定用サーモデータ特徴抽出部121、判定用時系列データ特徴抽出部122、異常検出部123、異常検出モデル140を備える。これらの機能構成要素は、例えば、異常検出装置1のCPU 11が補助記憶装置13に格納されている異常検出プログラムを実行することによって達成される。
異常検出モデル140は、例えば、畳み込みニューラルネットワーク、再帰型ニューラルネットワーク等を用いたSequence-to-Sequenceモデル、Attentionメカニズムを搭載し
たSequence-to-Sequenceモデル等の機械学習モデルである。異常検出装置1には、学習用データと判定用データとが入力される。学習用データは、予め用意されたデータセットである。例えば、1回の学習で用いられる学習用データは、工作機械2が正常な状態の1回の動作プロセスにおいて取得された、加工対象3から得られる学習用サーモデータの系列、工作機械2から得られる学習用時系列データである。系列とは、第1実施形態では、時系列で並べられた同種のデータの集まりである。工作機械2の動作を監視するセンサが複数である場合には、時系列データも複数となる。
たSequence-to-Sequenceモデル等の機械学習モデルである。異常検出装置1には、学習用データと判定用データとが入力される。学習用データは、予め用意されたデータセットである。例えば、1回の学習で用いられる学習用データは、工作機械2が正常な状態の1回の動作プロセスにおいて取得された、加工対象3から得られる学習用サーモデータの系列、工作機械2から得られる学習用時系列データである。系列とは、第1実施形態では、時系列で並べられた同種のデータの集まりである。工作機械2の動作を監視するセンサが複数である場合には、時系列データも複数となる。
第1実施形態では、1回の動作プロセスにおいて取得された学習用サーモデータの系列が異常検出モデル140への入力となり、異常検出モデル140の出力データが学習用時系列データに近づくように異常検出モデル140のパラメータが調整されることで、異常検出モデル140の学習が行われる。
判定用データは、第1実施形態では、1回の動作プロセスの各時刻において、加工対象3から得られる判定用サーモデータの系列と工作機械2から得られる判定用時系列データとのセットであり、当該動作プロセスにおいて、工作機械2が正常であるか否かが不明なデータである。判定用サーモデータの系列を異常検出モデル140へ入力して得られる出力データと、判定用時系列データとを比較することで、工作機械2の状態が正常であるか否かが判定される。
ただし、サーモデータや時系列データ自体では、サイズが大きかったり、次元が高かったりして情報量が多いため、第1実施形態では、サーモデータ及び時系列データから特徴量を抽出して情報量を少なくする処理が行われる。異常検出モデル140には、サーモデータと時系列データそれぞれの特徴量について、学習又は処理が行われる。
学習用サーモデータ特徴抽出部111は、学習用サーモデータから所定の方法で特徴量を抽出する。学習用時系列データ特徴抽出部112は、学習用時系列データから所定の方法で特徴量を抽出する。サーモデータ及び時系列データからの特徴量の抽出方法の詳細は後述される。
モデル学習部113は、学習用サーモデータの特徴量、学習用時系列データの特徴量を用いて異常検出モデル140の学習を行う。異常検出モデル140の学習の詳細は、後述される。
判定用サーモデータ特徴抽出部121は、判定用サーモデータから所定の方法で特徴量を抽出する。判定用時系列データ特徴抽出部122は、判定用時系列データから所定の方法で特徴量を抽出する。異常検出部123は、判定用サーモデータの特徴量を学習済みの異常検出モデル140に入力し、異常検出モデル140の出力データと判定用時系列データの特徴量とを比較することによって、工作機械2の状態が異常であるか否かを判定する。工作機械2の状態が異常であることを検出する処理を、以下、異常検出処理と称する。異常検出処理の詳細については後述される。
学習用サーモデータ特徴抽出部111と判定用サーモデータ特徴抽出部121とのサーモデータからの特徴量の抽出方法は同じである。学習用時系列データ特徴抽出部112と判定用時系列データ特徴抽出部122との時系列データからの特徴量の抽出方法は同じである。また、サーモデータからの特徴量の抽出方法と時系列データからの特徴量の抽出方法とは同じであっても異なっていてもよい。
図4は、サーモデータの特徴量の抽出方法の一例を示す図である。サーモデータが、例えば、加工対象3の表面から取得される2次元のデータである場合には、2次元の各メッシュに1つの温度が記録されているとする。サーモデータが、例えば、加工対象3の表面及び内部から取得される場合は、3次元の各メッシュに1つの温度が記録されているとする。
1回の動作プロセスPi(i:正の整数、iは回数を示す変数)における時刻tjで取
得されたサーモデータをサーモデータT(i,j)と表記する。学習用サーモデータ特徴抽出部111は、例えば、サーモデータT(i,j)に対して、自己符号化器を構築する。自己符号化器として、例えば、変分オートエンコーダ(variational autoencoder)等
が用いられる。自己符号化器は、出力データが入力データを再現するような、入力層、中間層、出力層からなるニューラルネットワークである。
得されたサーモデータをサーモデータT(i,j)と表記する。学習用サーモデータ特徴抽出部111は、例えば、サーモデータT(i,j)に対して、自己符号化器を構築する。自己符号化器として、例えば、変分オートエンコーダ(variational autoencoder)等
が用いられる。自己符号化器は、出力データが入力データを再現するような、入力層、中間層、出力層からなるニューラルネットワークである。
すなわち、学習用サーモデータ特徴抽出部111は、出力データが入力データを再現するように、学習用サーモデータの系列に含まれるサーモデータT(i,1),...T(i,M)(Mは動作プロセスPiにおいて取得されたサーモデータ数)を自己符号化器に学習させる。1つの学習用サーモデータについての自己符号化器の学習は、所定の終了条件が満たされると終了される。所定の終了条件は、例えば、入力、出力、パラメータ調整の一連の処理が所定回数実行されたこと、出力データと入力データとの誤差が所定の閾値未満となること、等である。パラメータ調整は、自己符号化器の出力データが入力データを再現するように調整される。
学習用サーモデータ特徴抽出部111は、学習が終了した自己符号化器に対して、学習用サーモデータT(i,j)を入力し、その際の中間層の出力値を学習用サーモデータの特徴量Zt(i,j)として取得する。自己符号化器の中間層の出力値は潜在表現、潜在変数とも呼ばれる。
判定用サーモデータ特徴抽出部121は、学習用サーモデータ特徴抽出部111によって学習された自己符号化器に、判定用サーモデータT(i,j)を入力し、判定用サーモデータT(i,j)の特徴量Zt(i,j)を取得する。
なお、加工対象3のサーモデータが複数のサーモグラフィカメラ(センサ)によって異なる角度から取得されることで、1の時刻において複数のサーモデータが取得される場合には、例えば、各時刻において、各サーモグラフィカメラから取得されたサーモデータそれぞれについて特徴量を取得し、結合して、特徴量Zt(i,j)(kはサーモデータを識別する変数)を取得してもよい。なお、サーモデータの特徴抽出方法は、自己符号化器を用いる方法に限定されず、周知のいずれの方法が用いられてもよい。
図5は、時系列データの特徴量の抽出方法の一例を示す図である。時系列データは、動作プロセスPiの各時刻tj(j=1,...,M)における測定値である。時系列データは、例えば、変数s(s=1,...,K)それぞれについて存在する。Kは、工作機械2を監視するセンサの数である。
学習用時系列データ特徴抽出部112は、動作プロセスPiの時刻tjにおけるすべての変数sの測定値を並べたベクトルY(i,j)=(y(i,j)^1,y(i,j)^2,...,y(i,j)^K)^Tをサンプルとして生成し、入力及び出力がともにY(i,j)となるように、自己符号化器を学習させる。当該自己符号化器の学習は、所定の終了条件が満たされると終了する。自己符号化器の学習の終了条件は、学習用サーモデータ特徴抽出部111と同じであってもよい。
学習用時系列データ特徴抽出部112は、学習が終了した自己符号化器に対して、学習用時系列データのベクトルY(i,j)を入力し、その際の中間層の出力値を学習用時系列データの特徴量Zw(i,j)(潜在表現Zw(i,j)ともいう)として取得する。
判定用時系列データ特徴抽出部122は、学習用時系列データ特徴抽出部112によって学習された自己符号化器に、判定用時系列データから作成されるベクトルY(i,j)を入力し、判定用時系列データの特徴量Zw(i,j)を取得する。なお、時系列データの特徴抽出方法は、自己符号化器を用いる方法に限定されず、周知のいずれの方法が用いられてもよい。例えば、時系列データの各時点tjについて、自己符号化器を学習させてもよい。
図6は、異常検出モデル140の入力データと出力データとを説明する図である。異常検出モデル140の1回の学習において、例えば、1回の動作プロセスPiにおいて取得された加工対象3のサーモデータの系列の特徴量Zt(i,j)(j=1,...,Mt)が異常検出モデル140へ入力される。異常検出モデル140の学習は、異常検出モデル140の出力が、動作プロセスPiにおける工作機械2の学習用の時系列データの特徴量Zw(i,j)(1,...,Mw)となるように、行われる。これによって、動作プロセスPiにおける学習用サーモデータの系列と学習用時系列データとの対応関係が学習される。なお、1回の動作プロセスPiにおいて、サーモデータの取得タイミングt1,...,tMtと、時系列データの取得タイミングt1’,...,tMw’とは、互いに一致するタイミングでなくてもよい。また、1回の動作プロセスPiにおいて取得される、サーモデータの数Mtと時系列データの数Mwとは同じであっても異なっていてもよい。
異常判定処理の際には、1回の動作プロセスPiにおいて取得された加工対象3の判定用サーモデータの系列の特徴量Zt(i,j)(j=1,...,Mt)が異常検出モデル140へ入力され、出力データZp(i,j)が取得される。
異常検出部123は、出力データZp(i,j)(j=1,...,Mw)を結合してベクトルzp=(Zp(i,1),...,Zp(i,Mw))を得る。一方で、異常検出部123は、動作プロセスPiにおいて取得された工作機械2の判定用時系列データの特徴量Zw(i,j)(j=1,...,Mw)を結合してベクトルzw=(Zw(i,1),...,Zw(i,Mw))を得る。
異常検出部123は、下記の数式1が満たされるか否か、すなわち、異常検出モデル140の出力データZpのベクトルzpと判定用時系列データの特徴量Zwのベクトルzwとの距離(ノルム)を算出し、当該距離が閾値ε以上であるか否かを判定する。
異常検出モデル140の出力データZpのベクトルzpと判定用時系列データの特徴量Zwのベクトルzwとの距離(ノルム)が閾値ε以上である場合に、異常検出部123は、判定用サーモデータの系列と判定用時系列データとの対応関係が正常でない、すなわち、異常が生じたと判定する。判定用サーモデータの系列と判定用時系列データとの対応関係に異常が生じたことは、動作プロセスPiの実行結果が異常であることを示し、これはすなわち、工作機械2の異常状態が示される。
異常検出部123による異常又は正常の判定結果は、例えば、異常検出モデル140の入力である加工対象3のサーモデータの系列のラベル付けに用いることができる。なお、ノルムは、L1ノルム、L2ノルム等のいずれが用いられてもよい。
<処理の流れ>
図7は、異常検出モデルの学習処理のフローチャートの一例である。図7に示される処理は、異常検出装置1への管理者からの開始指示の入力、又は、1日1回等の所定のタイミングで実行される。図7に示される処理の実行主体は、CPU 11であるが、便宜上、機能構成要素を主体として説明する。
図7は、異常検出モデルの学習処理のフローチャートの一例である。図7に示される処理は、異常検出装置1への管理者からの開始指示の入力、又は、1日1回等の所定のタイミングで実行される。図7に示される処理の実行主体は、CPU 11であるが、便宜上、機能構成要素を主体として説明する。
OP101では、モデル学習部113は、学習用サーモデータ特徴抽出部111から、各動作プロセスPi(i=1,2,...)について学習用サーモデータの特徴量Zt(i,j)を取得する。OP102では、モデル学習部113は、学習用時系列データ特徴抽出部112から、各動作プロセスPiについて学習用時系列データの特徴量Zw(i,j)を取得する。
OP103からOP105の処理は、異常検出モデルの学習の処理である。OP103からOP105の処理は、各動作プロセスPiについて繰り返し実行される。OP103では、モデル学習部113は、学習用サーモデータの系列の特徴量Zt(i,j)を異常検出モデル140に入力し、出力を取得する。
OP104では、モデル学習部113は、終了条件が満たされたか否かを判定する。終了条件は、例えば、動作プロセスPiについて、OP103からOP105の処理の実行回数が所定回数に達したこと、異常検出モデル140の出力データと入力データとの差分が所定の閾値未満となること、等である。終了条件が満たされた場合には(OP104:YES)、動作プロセスPiについての処理が終了し、動作プロセスPi+1についての処理が開始される。すべての動作プロセスについてOP103からOP105の処理が終了した場合には、図7に示される処理が終了する。
終了条件が満たされていない場合には(OP104:NO)、処理がOP105に進む。OP105では、モデル学習部113は、異常検出モデル140のパラメータを調整する。異常検出モデル140のパラメータの調整方法は、例えば、誤差逆伝播法等の、異常検出モデル140の種類に応じたものとする。その後、再度動作プロセスPiについてOP103からの処理が繰り返し行われる。
図8は、異常検出処理のフローチャートの一例である。図8に示される処理は、例えば、所定の周期で繰り返し実行される。状態予測処理が行われる周期は、例えば、動作プロセスに要する時間と同じであってもよい。ただし、これに限定されない。図8に示される処理の実行主体は、CPU 11であるが、便宜上、機能構成要素を主体として説明する。
OP201では、異常検出部123は、判定用サーモデータ特徴抽出部121から動作プロセスPiの判定用サーモデータの系列の特徴量Zt(i,j)を取得する。OP202では、異常検出部123は、判定用時系列データ特徴抽出部122から判定用時系列データの特徴量Zw(i,j)を取得する。OP203では、異常検出部123は、判定用時系列データの特徴量Zw(i,j)を結合して、ベクトルzwを取得する。
OP204では、異常検出部123は、判定用サーモデータの系列の特徴量Zt(i,j)を学習済みの異常検出モデル140に入力し、出力データZp(i,j)を取得する。OP205では、異常検出部123は、異常検出モデル140の出力データZp(i,j)を結合して、ベクトルzpを取得する。
OP206では、異常検出部123は、異常検出モデル140の出力データZpのベクトルzpと判定用時系列データの特徴量Zwのベクトルzwとの距離(ノルム)が閾値ε以上であるか否かを判定する。異常検出モデル140の出力データZpのベクトルzpと判定用時系列データの特徴量Zwのベクトルzwとの距離(ノルム)が閾値ε以上である場合には(OP206:YES)、処理がOP207に進む。OP207では、異常検出部123は、異常検出モデル140の出力データZpのベクトルzpと判定用時系列データの特徴量Zwのベクトルzwとの距離(ノルム)が閾値ε以上であるので、動作プロセスPiにおいて工作機械2が正常な状態でない、すなわち、異常な状態であることを判定
する。その後、図8に示される処理が終了する。
する。その後、図8に示される処理が終了する。
異常検出モデル140の出力データZpのベクトルzpと判定用時系列データの特徴量Zwのベクトルzwとの距離(ノルム)が閾値ε未満である場合には(OP206:NO)、処理がOP208に進む。OP208では、異常検出部123は、異常検出モデル140の出力データZpのベクトルzpと判定用時系列データの特徴量Zwのベクトルzwとの距離(ノルム)が閾値ε未満であるので、動作プロセスPiにおいて工作機械2が正常な状態であることを判定する。その後、図8に示される処理が終了する。
なお、図7及び図8に示される処理は一例であって、異常検出モデルの学習処理及び状態予測処理はこれらに限定されない。例えば、図8のOP207又はOP208のそれぞれの後に、判定用サーモデータの系列又は判定用サーモデータの系列と判定用時系列データとのセットについて、正常又は異常のラベルを付してもよい。
<第1実施形態の作用効果>
第1実施形態では、工作機械2の稼働を示す時系列データと、工作機械2による加工中及び加工後の加工対象3のサーモデータの系列との対応関係を異常検出モデル140に学習させ、当該学習済みの異常検出モデル140に判定用のサーモデータの系列を入力することで、動作プロセスの異常を検出する。これによって、例えば、工作機械2の時系列データのみで異常検出を行う場合や、加工対象3のサーモデータのみで異常検出を行う場合よりも、早く工作機械2の異常を検出できたり、いずれか一方のデータによる異常検出のみでは看過されていた異常を検出できたりして、工作機械2の異常検出の精度が向上する。
第1実施形態では、工作機械2の稼働を示す時系列データと、工作機械2による加工中及び加工後の加工対象3のサーモデータの系列との対応関係を異常検出モデル140に学習させ、当該学習済みの異常検出モデル140に判定用のサーモデータの系列を入力することで、動作プロセスの異常を検出する。これによって、例えば、工作機械2の時系列データのみで異常検出を行う場合や、加工対象3のサーモデータのみで異常検出を行う場合よりも、早く工作機械2の異常を検出できたり、いずれか一方のデータによる異常検出のみでは看過されていた異常を検出できたりして、工作機械2の異常検出の精度が向上する。
また、例えば、工作機械2の加工対象3のサーモデータについて、異常又は正常を示すラベルを付す処理は、一般的に高負荷となることが多いが、第1実施形態における異常検出モデル140を用いると、より簡易が処理、すなわち、低負荷で、判定用データにラベル付けを行うことができる。
また、工作機械2の動作プロセスでは、時間経過とともに工作機械2や加工対象3の状態や様態等が変化するため、系列変換のモデルとの相性が良く、これによって、工作機械2の異常をより精度よく検出することができる。
また、第1実施形態では、時系列データ及びサーモデータ自体を異常検出モデル140に入力するのではなく、それぞれから抽出された特徴量が入力される。これによって、異常検出モデル140による処理の負荷を軽減することができる。
<その他の実施形態>
上記の実施形態はあくまでも一例であって、本発明はその要旨を逸脱しない範囲内で適宜変更して実施しうる。
上記の実施形態はあくまでも一例であって、本発明はその要旨を逸脱しない範囲内で適宜変更して実施しうる。
第1実施形態では、工作機械2の稼働を示す時系列データと、工作機械2による加工中又は加工後の加工対象3のサーモデータの系列との対応関係を異常検出モデル140に学習させることで、工作機械2の異常を検出することについて説明されたが、第1実施形態で説明された技術の適用先はこれに限定されない。作用を発生する装置の稼働を示す時系列データと、当該作用を受ける作用対象の画像データとの対応関係で、当該装置の異常を検出することに適用可能である。具体的な例では、例えば、時系列データとしての車両の走行履歴データと、周辺環境の画像データとの対応関係によって、車両又はエンジンの異常を検出するようにしてもよい。周辺環境は、作用対象の一例である。この場合の動作プロセスは、例えば、加減速のシーケンス、1回のトリップ等である。
また、第1実施形態では、異常検出モデル140の入力を加工対象3のサーモデータの系列とし、出力を工作機械2の時系列データとしたが、これに限定されず、異常検出モデル140の入力を工作機械2の時系列データとし、出力を加工対象3のサーモデータの系列としてもよい。
また、第1実施形態では、学習用データを工作機械2の正常な状態におけるデータとして異常検出モデル140を学習させたが、これに限定されず、学習用データを工作機械2の異常な状態において取得されたデータとしてもよい。この場合には、異常検出モデル140の出力データZpのベクトルzpと判定用時系列データの特徴量Zwのベクトルzwとの距離(ノルム)が閾値ε以上である場合に工作機械2の正常が判定され、閾値ε未満である場合に工作機械2の異常と判定される。この場合には、「第1の状態」の一例は、異常な状態である。
また、第1実施形態では、異常検出モデル140に系列変換のモデルが採用され、異常検出モデル140は、動作プロセスPiにおいて取得された、加工対象3のサーモデータの系列の入力に対して、工作機械2の時系列データが出力することについて説明された。ただし、これに限られず、異常検出モデル140は、動作プロセスPiのいずれかの時点で取得された1枚のサーモデータの入力に対して、動作プロセスPiにおける工作機械2の時系列データが出力されるようなモデルとして構成されてもよい。この場合の異常検出モデル140は、系列変換のモデルでなく、再帰型ニューラルネットワークや畳み込みニューラルネットワークであってもよい。
本開示において説明した処理や手段は、技術的な矛盾が生じない限りにおいて、自由に組み合わせて実施することができる。
また、1つの装置が行うものとして説明した処理が、複数の装置によって分担して実行されてもよい。あるいは、異なる装置が行うものとして説明した処理が、1つの装置によって実行されても構わない。コンピュータシステムにおいて、各機能をどのようなハードウェア構成(サーバ構成)によって実現するかは柔軟に変更可能である。
本発明は、上記の実施形態で説明した機能を実装したコンピュータプログラムをコンピュータに供給し、当該コンピュータが有する1つ以上のプロセッサがプログラムを読み出して実行することによっても実現可能である。このようなコンピュータプログラムは、コンピュータのシステムバスに接続可能な非一時的なコンピュータ可読記憶媒体によってコンピュータに提供されてもよいし、ネットワークを介してコンピュータに提供されてもよい。非一時的なコンピュータ可読記憶媒体は、例えば、磁気ディスク(フロッピー(登録商標)ディスク、ハードディスクドライブ(HDD)等)、光ディスク(CD−ROM、DVDディスク、ブルーレイディスク等)など任意のタイプのディスク、読み込み専用メモリ(ROM)、ランダムアクセスメモリ(RAM)、EPROM、EEPROM、磁気カード、フラッシュメモリ、光学式カード、電子的命令を格納するために適した任意のタイプの媒体を含む。
1 :異常検出装置
2 :工作機械
3 :加工対象
12 :主記憶装置
13 :補助記憶装置
14 :入力装置
15 :出力装置
16 :ネットワークインタフェース
100 :異常検出システム
111 :学習用サーモデータ特徴抽出部
112 :学習用時系列データ特徴抽出部
113 :モデル学習部
121 :判定用サーモデータ特徴抽出部
122 :判定用時系列データ特徴抽出部
123 :異常検出部
140 :異常検出モデル
2 :工作機械
3 :加工対象
12 :主記憶装置
13 :補助記憶装置
14 :入力装置
15 :出力装置
16 :ネットワークインタフェース
100 :異常検出システム
111 :学習用サーモデータ特徴抽出部
112 :学習用時系列データ特徴抽出部
113 :モデル学習部
121 :判定用サーモデータ特徴抽出部
122 :判定用時系列データ特徴抽出部
123 :異常検出部
140 :異常検出モデル
Claims (4)
- 所定の処理又は動作を行う所定の物体の第1の状態において、前記所定の処理又は動作による作用を受ける作用対象の第1の画像データと、前記所定の物体の前記第1の状態において前記第1の画像データと対応して前記所定の物体から得られる第1の時系列データと、のいずれか一方を入力、もう一方を出力として、機械学習モデルを学習させ、
新たに取得される前記作用対象の第2の画像データと、前記第2の画像データに対応して新たに得られる第2の時系列データとのうちの前記学習時に入力として用いられたデータと同種のデータの入力に対する学習済みの前記機械学習モデルの出力データを取得し、
前記第2の画像データ又は前記第2の時系列データのうちの入力として用いられていないもう一方のデータと前記学習済みの前記機械学習モデルの前記出力データとに基づいて、前記所定の物体が前記第1の状態であるか否かを判定する、
制御部、
を備える情報処理装置。 - 前記第1の画像データ及び前記第1の時系列データと、前記第2の画像データ及び前記第2の時系列データと、は、それぞれ、所定期間分あり、
前記機械学習モデルは、系列変換のモデルである、
請求項1に記載の情報処理装置。 - 前記制御部は、
前記第1の画像データ及び前記第1の時系列データのそれぞれから取得される特徴量を、前記機械学習モデルの入力又は出力として、前記機械学習モデルを学習させ、
前記第2の画像データから取得される特徴量及び前記第2の時系列データから取得される特徴量のいずれか一方を学習済みの前記機械学習モデルへ入力して出力データを取得し、
前記第2の画像データから取得される特徴量及び前記第2の時系列データから取得される特徴量のもう一方と、前記出力データと、に基づいて、前記所定の物体が前記第1の状態であるか否かを判定する、
請求項1又は2に記載の情報処理装置。 - 所定の処理又は動作を行う所定の物体の第1の状態において、前記所定の処理又は動作による作用を受ける作用対象の第1の画像データと、前記所定の物体の前記第1の状態において前記第1の画像データと対応して前記所定の物体から得られる第1の時系列データと、のいずれか一方を入力、もう一方を出力として、機械学習モデルを学習させ、
新たに取得される前記作用対象の第2の画像データと、前記第2の画像データに対応して新たに得られる第2の時系列データとのうちの前記学習時に入力として用いられたデータと同種のデータの入力に対する学習済みの前記機械学習モデルの出力データを取得し、
前記第2の画像データ又は前記第2の時系列データのうちの入力として用いられていないもう一方のデータと前記学習済みの前記機械学習モデルの前記出力データとに基づいて、前記所定の物体が前記第1の状態であるか否かを判定する、
情報処理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019093338A JP2020187667A (ja) | 2019-05-17 | 2019-05-17 | 情報処理装置及び情報処理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019093338A JP2020187667A (ja) | 2019-05-17 | 2019-05-17 | 情報処理装置及び情報処理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020187667A true JP2020187667A (ja) | 2020-11-19 |
Family
ID=73221948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019093338A Pending JP2020187667A (ja) | 2019-05-17 | 2019-05-17 | 情報処理装置及び情報処理方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2020187667A (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341928A (zh) * | 2021-06-15 | 2021-09-03 | 珠海格力电器股份有限公司 | 一种设备机组故障判定方法、装置、存储介质及控制终端 |
WO2023007825A1 (ja) * | 2021-07-30 | 2023-02-02 | オムロン株式会社 | 異常検知装置、異常検知方法、及び異常検知プログラム |
WO2023188493A1 (ja) * | 2022-03-31 | 2023-10-05 | パナソニックIpマネジメント株式会社 | 誤差解析方法、誤差解析装置およびプログラム |
-
2019
- 2019-05-17 JP JP2019093338A patent/JP2020187667A/ja active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113341928A (zh) * | 2021-06-15 | 2021-09-03 | 珠海格力电器股份有限公司 | 一种设备机组故障判定方法、装置、存储介质及控制终端 |
CN113341928B (zh) * | 2021-06-15 | 2023-08-29 | 珠海格力电器股份有限公司 | 一种设备机组故障判定方法、装置、存储介质及控制终端 |
WO2023007825A1 (ja) * | 2021-07-30 | 2023-02-02 | オムロン株式会社 | 異常検知装置、異常検知方法、及び異常検知プログラム |
WO2023188493A1 (ja) * | 2022-03-31 | 2023-10-05 | パナソニックIpマネジメント株式会社 | 誤差解析方法、誤差解析装置およびプログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7167084B2 (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
JP7223839B2 (ja) | 異常検出および/または予知保全のためのコンピュータ実装方法、コンピュータプログラム製品およびシステム | |
Schlegel et al. | Towards a rigorous evaluation of XAI methods on time series | |
JP5943357B2 (ja) | 検出装置、検出方法、およびプログラム | |
JP6811276B2 (ja) | 多次元時系列におけるスパース・ニューラル・ネットワーク・ベース異常検出 | |
JP2020187667A (ja) | 情報処理装置及び情報処理方法 | |
JP5901140B2 (ja) | システムの高い可用性のためにセンサデータを補間する方法、コンピュータプログラム、システム。 | |
US10503146B2 (en) | Control system, control device, and control method | |
JP2023164467A (ja) | 診断装置、診断方法、プログラムおよび診断システム | |
CN102265227B (zh) | 用于在机器状况监视中创建状态估计模型的方法和设备 | |
Xu et al. | CNC internal data based incremental cost-sensitive support vector machine method for tool breakage monitoring in end milling | |
JP2010078467A (ja) | 時系列データ解析システム、方法及びプログラム | |
JP7320885B2 (ja) | 製造プロセスのためのシステム、方法、および媒体 | |
JP7188979B2 (ja) | 異常検知装置、異常検知方法および異常検知プログラム | |
CN112202726B (zh) | 一种基于上下文感知的系统异常检测方法 | |
JP7213701B2 (ja) | 加工装置、加工方法、加工プログラム、及び検査装置 | |
CN113449703B (zh) | 环境在线监测数据的质控方法、装置、存储介质及设备 | |
US20210118234A1 (en) | Quantitative quality assurance for mixed reality | |
JP5535954B2 (ja) | 健全性評価装置及びその方法並びにプログラム | |
Elsheikh et al. | Failure time prediction using adaptive logical analysis of survival curves and multiple machining signals | |
JP2019105871A (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
JPWO2016084326A1 (ja) | 情報処理システム、情報処理方法、及び、プログラム | |
JP6786015B1 (ja) | 動作分析システムおよび動作分析プログラム | |
Sampedro et al. | 3D-AmplifAI: An ensemble machine learning approach to digital twin fault monitoring for additive manufacturing in smart factories | |
JP2020187412A (ja) | 情報処理装置及び情報処理方法 |