JP2020201871A - 診断装置 - Google Patents

診断装置 Download PDF

Info

Publication number
JP2020201871A
JP2020201871A JP2019110298A JP2019110298A JP2020201871A JP 2020201871 A JP2020201871 A JP 2020201871A JP 2019110298 A JP2019110298 A JP 2019110298A JP 2019110298 A JP2019110298 A JP 2019110298A JP 2020201871 A JP2020201871 A JP 2020201871A
Authority
JP
Japan
Prior art keywords
data
unit
machine
state
learning
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
Application number
JP2019110298A
Other languages
English (en)
Inventor
佐藤　和宏
Kazuhiro Sato
和宏 佐藤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fanuc Corp
Original Assignee
Fanuc Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fanuc Corp filed Critical Fanuc Corp
Priority to JP2019110298A priority Critical patent/JP2020201871A/ja
Priority to US16/882,749 priority patent/US11269710B2/en
Priority to DE102020115118.7A priority patent/DE102020115118A1/de
Priority to CN202010533134.5A priority patent/CN112084834A/zh
Publication of JP2020201871A publication Critical patent/JP2020201871A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0736—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in functional embedded systems, i.e. in a data processing system designed as a combination of hardware and software dedicated to performing a certain function
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0766—Error or fault reporting or storing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Numerical Control (AREA)

Abstract

【課題】特徴を示すデータのスケールを一様に取り扱うことが可能な学習及び推論の手法を提供する。【解決手段】本発明の診断装置１は、機械の状態に係るデータを取得するデータ取得部３０と、データ取得部３０が取得したデータに対して前処理を行う前処理部３２と、機械の状態に係る統計量を用いて、前処理部３２が前処理したデータを補正する補正部３６と、を備え、補正部３６が補正したデータに基づいて自己符号化器による機械学習の処理を行い、機械の状態の学習乃至診断を行う。【選択図】図２

Description

本発明は、診断装置に関する。
工場等の製造現場には工作機械やロボット等の産業機械が設置されており、作業者はこれら複数の産業機械を運転して製品の製造を行っている。製造現場で産業機械を運転し続けていると、産業機械を構成する各部品の経年劣化や外気温の変化、振動等の外的要因、作業者の設定ミス等が原因で産業機械の動作に異常が発生する場合がある。産業機械の動作に異常が発生したと診断された場合、作業者は異常が発生した産業機械の運転を停止し、異常の原因を取り除いた上で産業機械の運転を再開して作業を継続する。
産業機械の状態を診断する方法として、産業機械に係る所定の診断に用いるモデルを作成し、作成したモデルを用いて産業機械から取得されたデータに基づいた診断を行う方法が知られている。状態を診断するためのモデルとしては、回帰式やＳＶＭ（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）、ニューラルネットワーク等が用いられており、また、ニューラルネットワークで自己符号化器（オートエンコーダ）を構築してモデルとして用いる手法も知られている（例えば、特許文献１等）。
国際公開第２０１７／０９４２６７号
産業機械の状態を診断するためのモデルを構築する際、産業機械の動作中に産業機械乃至該産業機械に取付けたセンサから取得された物理量の時系列データを特徴量としてモデルを構築する。また、産業機械の状態を診断する際には、産業機械の動作中に産業機械乃至該産業機械に取り付けたセンサから取得された物理量と診断に用いるモデルとを用いた診断処理を実行する。しかしながら、産業機械の状態を診断するためのモデルとして自己符号化器を用いる場合、産業機械乃至該産業機械に取り付けたセンサから取得された物理量の時系列データに含まれる変位等のスケールが小さい特徴部分が十分に学習されない場合がある。例えば、時系列データの周波数成分分析を行い、状態の徴候を示す重要な特徴となり得るいくつかの周波数における振幅値を学習用のデータとして用いた場合、振幅値が小さい周波数についてモデルに反映されないことがある。しかしながら、このような振幅値が小さい周波数成分の有無が産業機械の状態の診断に重要な特徴となる場合があり、このような場合には、スケールの小さいデータの取り扱いが課題となる。このような課題は、ＶＡＥ（Ｖａｒｉａｔｉｏｎａｌ ＡｕｔｏＥｎｃｏｄｅｒ）、ＡＡＥ（Ａｄｖｅｒｓａｒｉａｌ ＡｕｔｏＥｎｃｏｄｅｒ）、ＬＶＡＥ（Ｌａｄｄｅｒ Ｖａｒｉａｔｉｏｎａｌ ＡｕｔｏＥｎｃｏｄｅｒ）、ＡＤＧＭ（Ａｕｘｉｌｉａｒｙ Ｄｅｅｐ Ｇｅｎｅｒａｔｉｖｅ Ｍｏｄｅｌｓ）等のモデルを用いても発生する。
そこで、特徴を示すデータのスケールを一様に取り扱うことが可能な学習及び推論の手法が望まれている。
本発明の診断装置では、特徴量毎に分布を一様にする正規化をかけたデータに基づいて自己符号化器の学習及び推論を行うことで、上記課題を解決する。
そして、本発明の一態様は、機械の状態を診断する診断装置であって、前記機械の状態に係るデータを取得するデータ取得部と、前記データ取得部が取得したデータに対して前処理を行う前処理部と、前記機械の状態に係る統計量を用いて、前記前処理部が前処理したデータを補正する補正部と、を備え、前記補正部が補正したデータに基づいて自己符号化器による機械学習の処理を行い、前記機械の状態の学習乃至診断を行う、診断装置である。
本発明の一態様により、特徴量毎の分布の偏りをなくすことで元のデータが取り得る値の範囲が小さい特徴量についても十分に学習することが可能となり、産業機械の状態の診断の精度の向上が期待できる。
一実施形態による診断装置の概略的なハードウェア構成図である。 第１実施形態による診断装置の概略的な機能ブロック図である。 統計量の計算例を示す図である。 第２実施形態による診断装置の概略的な機能ブロック図である。 第３実施形態による診断装置の概略的な機能ブロック図である。
以下、本発明の実施形態を図面と共に説明する。
図１は一実施形態による機械学習装置を備えた診断装置の要部を示す概略的なハードウェア構成図である。本実施形態の診断装置１は、例えば産業機械を制御する制御装置上に実装することができる。また、本実施形態の診断装置１は、産業機械を制御する制御装置と併設されたパソコンや、該制御装置と有線／無線のネットワークを介して接続されたエッジコンピュータ、セルコンピュータ、ホストコンピュータ、クラウドサーバ等のコンピュータとして実装することができる。本実施形態では、診断装置１を、産業機械を制御する制御装置と併設されたパソコンとして実装した場合の例を示す。
本実施形態による診断装置１が備えるＣＰＵ１１は、診断装置１を全体的に制御するプロセッサである。ＣＰＵ１１は、ＲＯＭ１２に格納されたシステム・プログラムをバス２０を介して読み出し、該システム・プログラムに従って診断装置１全体を制御する。ＲＡＭ１３には一時的な計算データ、入力装置７１を介して作業者が入力した各種データ等が一時的に格納される。
不揮発性メモリ１４は、例えば図示しないバッテリでバックアップされたメモリやＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等で構成され、診断装置１の電源がオフされても記憶状態が保持される。不揮発性メモリ１４には、診断装置１の動作に係る設定情報が格納される設定領域や、入力装置７１から入力されたデータ（産業機械２の動作状態を示すデータ等）、産業機械２から取得される各種データ（産業機械２の駆動用モータの位置、速度、加速度、産業機械２に取り付けられたセンサにより検出された音、振動、温度等）の時系列データ、図示しない外部記憶装置やネットワークを介して読み込まれたデータ等が記憶される。不揮発性メモリ１４に記憶されたプログラムや各種データは、実行時／利用時にはＲＡＭ１３に展開されても良い。また、ＲＯＭ１２には、各種データを解析するための公知の解析プログラムや後述する機械学習装置１００とのやりとりを制御するためのプログラム等を含むシステム・プログラムが予め書き込まれている。
産業機械２は、製造現場で用いられる工作機械や放電加工機、射出成形機、搬送機械、ロボット等の機械である。産業機械２は、動作時に検出可能な各データ（駆動用モータの位置、速度、加速度等）や、産業機械２に取り付けられた図示しないセンサにより検出される各データ（音、振動、温度等）を出力する機能を備える。
表示装置７０には、メモリ上に読み込まれた各データ、プログラム等が実行された結果として得られたデータ、後述する機械学習装置１００から出力されたデータ等がインタフェース１７を介して出力されて表示される。また、キーボードやポインティングデバイス等から構成される入力装置７１は、作業者による操作に基づく指令，データ等をインタフェース１８を介してＣＰＵ１１に渡す。
インタフェース２１は、ＣＰＵ１１と機械学習装置１００とを接続するためのインタフェースである。機械学習装置１００は、機械学習装置１００全体を統御するプロセッサ１０１と、システム・プログラム等を記憶したＲＯＭ１０２、機械学習に係る各処理における一時的な記憶を行うためのＲＡＭ１０３、及び学習モデル等の記憶に用いられる不揮発性メモリ１０４を備える。機械学習装置１００は、インタフェース２１を介して診断装置１で取得可能な各情報（例えば、産業機械２の動作状態を示すデータ、産業機械２の駆動用モータの位置、速度、加速度、産業機械２に取り付けられたセンサにより検出された音、振動、温度等の各種物理量の時系列データ）を観測することができる。また、診断装置１は、機械学習装置１００から出力される処理結果をインタフェース２１を介して取得し、取得した結果を記憶したり、表示したり、他の装置に対して図示しないネットワーク等を介して送信する。
図２は、第１実施形態による診断装置１と機械学習装置１００の概略的な機能ブロック図である。本実施形態の診断装置１は、機械学習装置１００が工作機械の動作状態を学習する場合に必要とされる構成を備えている（学習モード）。図２に示した各機能ブロックは、図１に示した診断装置１が備えるＣＰＵ１１、及び機械学習装置１００のプロセッサ１０１が、それぞれのシステム・プログラムを実行し、診断装置１及び機械学習装置１００の各部の動作を制御することにより実現される。
本実施形態の診断装置１は、データ取得部３０，前処理部３２，統計量計算部３４，補正部３６を備え、診断装置１が備える機械学習装置１００は、学習部１１０を備えている。また、図１で示した不揮発性メモリ１４上には、産業機械２等から取得されたデータが記憶される取得データ記憶部５０が設けられており、図１で示した機械学習装置１００の不揮発性メモリ１０４上には、学習部１１０による機械学習により構築された学習モデルを記憶する学習モデル記憶部１３０が設けられている。
データ取得部３０は、図１に示した診断装置１が備えるＣＰＵ１１がＲＯＭ１２から読み出したシステム・プログラムを実行し、主としてＣＰＵ１１がＲＡＭ１３、不揮発性メモリ１４を用いた演算処理を行うことで実現される。データ取得部３０は、産業機械２から取得された動作状態に係るデータ及び入力装置７１から取得された産業機械２の動作状態を示すデータ等を取得データ記憶部５０に対して記憶する機能手段である。データ取得部３０は、産業機械２の特定の動作状態に係るデータを取得し、取得データとして取得データ記憶部５０に記憶する。例えば、診断装置１において産業機械２の正常動作／異常動作の診断を行いたい場合には、データ取得部３０は、産業機械２の正常動作時に取得されるデータを取得データとして取得データ記憶部５０に記憶すれば良い。
前処理部３２は、図１に示した診断装置１が備えるＣＰＵ１１がＲＯＭ１２から読み出したシステム・プログラムを実行し、主としてＣＰＵ１１がＲＡＭ１３、不揮発性メモリ１４を用いた演算処理を行うことで実現される。前処理部３２は、データ取得部３０が取得したデータに基づいて、機械学習装置１００による産業機械２の状態の診断に用いられる特徴量を示すデータを作成する機能手段である。前処理部３２は、データ取得部３０が取得した（そして、取得データ記憶部５２に記憶された）データを機械学習装置１００において扱われる統一的な形式へと変換（数値化、サンプリング等）したデータを作成して、作成したデータを機械学習装置１００へ出力する。例えば、前処理部３２は、特徴量を示す各データを作成する際、時系列データの周波数解析を行い周波数成分の振幅値を特徴量として抽出するようにしても良く、そのようにする場合、予め定められた１乃至複数の所定の周波数成分を特徴量として抽出するようにしても良い。本実施形態による前処理部３２は、機械学習装置１００が産業機械２の動作状態の診断をする場合において、該学習における所定の形式の状態データＳ（特徴量の系列を示すデータ）を訓練データＴとして作成する。
統計量計算部３４は、図１に示した診断装置１が備えるＣＰＵ１１がＲＯＭ１２から読み出したシステム・プログラムを実行し、主としてＣＰＵ１１がＲＡＭ１３、不揮発性メモリ１４を用いた演算処理を行うことで実現される。統計量計算部３４は、データ取得部３０が取得したデータを前処理部３２が変換した複数の訓練データＴについて、該訓練データに含まれる特徴量毎の平均、分散、標準偏差、最大値、最小値等の統計量を計算する機能手段である。統計量計算部３４は、例えば図３に示すように、機械学習装置１００における学習に用いる訓練データとしてｋ個の訓練データＴ1＝（ｓ11，ｓ12，…，ｓ1m）〜Ｔk＝（ｓk1，ｓk2，…，ｓkm）がある場合に、同じ種別の特徴量毎に平均値μ（ｉ）及び標準偏差値σ（ｉ）を算出する。統計量計算部３４は、計算した統計量を、補正部３６へ出力すると共に、これら訓練データＴを補正した訓練データＴ’に基づいて機械学習を行うことで生成される学習モデルと関連付けて学習モデル記憶部１３０に記憶するように機械学習装置へと出力する。統計量計算部３４が計算する統計量は、補正部３６による特徴量の補正に用いることが可能な統計量であれば、どのようなものを計算しても良い。
補正部３６は、図１に示した診断装置１が備えるＣＰＵ１１がＲＯＭ１２から読み出したシステム・プログラムを実行し、主としてＣＰＵ１１がＲＡＭ１３、不揮発性メモリ１４を用いた演算処理を行うことで実現される。補正部３６は、前処理部３２が作成した訓練データＴに含まれる特徴量を、統計量計算部３４が計算した統計量を用いて補正する機能手段である。補正部３６は、例えば各特徴量を以下に示す数１式を用いて補正する。数１式において、μ（ｉ）は特徴量ｓ1i〜ｓkiの平均値、σ（ｉ）は特徴量ｓ1i〜ｓkiの標準偏差値、ｓjiは訓練データＴjのｉ番目の特徴量、ｓji’は訓練データＴjの補正後のｉ番目の特徴量である。
Figure 2020201871
数１式に例示される補正を各特徴量に対して行うことで、ある種別の特徴量について取り得る値の範囲が小さい場合に、その値の範囲が拡大するように各特徴量が補正される。なお、数１式において標準偏差値σ（ｉ）が小さいと極微小な特徴量の変化が大きく拡大されるためにノイズ耐性が悪くなる場合がある。このような場合には、数１式で算出するに際して、予め定めた所定の定数εを標準偏差値σ（ｉ）に加えたり、標準偏差値σ（ｉ）が予め定めた所定の閾値Ｔｈよりも小さい場合に数１式における標準偏差値σ（ｉ）を閾値Ｔｈに置き換えるなど、適宜補正方法を調整するようにすれば良い。
なお、補正部３６による特徴量の補正は上記数１式に限定されるものではなく、他の特徴料に対して変化の幅が小さい特徴量がある場合に、統計量に基づいて該特徴量の変化の幅を拡大できるような補正方法であれば、どのような補正方法を採用しても良い。
学習部１１０は、図１に示した診断装置１が備えるプロセッサ１０１がＲＯＭ１０２から読み出したシステム・プログラムを実行し、主としてプロセッサ１０１がＲＡＭ１０３、不揮発性メモリ１０４を用いた演算処理を行うことで実現される。学習部１１０は、補正部３６により補正された訓練データＴ’を用いた機械学習を行う機能手段である。学習部１１０は、公知の自己符号化器の技術を用いた機械学習を行うことで、補正部３６により補正された訓練データＴ’に含まれる状態データＳ’を学習した学習モデルを生成し、学習モデル記憶部１３０へと記憶する。学習モデル記憶部１３０には、生成された学習モデルと共に、該学習モデルを生成する際に用いられた訓練データに係る統計量が関連付けて記憶される。
なお、学習部１１０は、学習の段階では必須の構成となるが、学習部１１０による産業機械２の状態の学習が完了した後には必ずしも必須の構成ではない。例えば、学習が完了した機械学習装置１００を顧客に出荷する場合等には、学習部１１０を取り外して出荷するようにしても良い。
上記した構成を備えた本実施形態による診断装置１は、産業機械２の状態を学習した学習モデルを生成する。そして、このようにして生成された学習モデルを用いて、後述する診断部１２０は、産業機械２から取得された状態データＳに基づいて、現在の産業機械２の状態を診断することができるようになる。また、本実施形態による診断装置１は、診断の際に用いる状態データに含まれる各特徴量について補正部３６による補正を行うことで、値の変位が小さい特徴量の変位幅を拡大して産業機械２の状態の診断に用いることができるため、特に自己符号化器における入力データに対する出力データの再現性を向上させることができ、産業機械２の状態の診断の精度の向上が見込まれる。
図４は、第２実施形態による診断装置１と機械学習装置１００の概略的な機能ブロック図である。本実施形態の診断装置１は、機械学習装置１００が産業機械２の動作状態を診断する場合に必要とされる構成を備えている（診断モード）。図４に示した各機能ブロックは、図１に示した診断装置１が備えるＣＰＵ１１、及び機械学習装置１００のプロセッサ１０１が、それぞれのシステム・プログラムを実行し、診断装置１及び機械学習装置１００の各部の動作を制御することにより実現される。
本実施形態の診断装置１は、データ取得部３０，前処理部３２，補正部３６を備え、診断装置１が備える機械学習装置１００は、診断部１２０を備えている。また、図１で示した不揮発性メモリ１４上には、産業機械２等から取得されたデータが記憶される取得データ記憶部５０が設けられており、図１で示した機械学習装置１００の不揮発性メモリ１０４上には、第１実施形態で説明した学習部１１０による機械学習により構築された学習モデルを記憶する学習モデル記憶部１３０が設けられている。
本実施形態によるデータ取得部３０，前処理部３２は、第１実施形態におけるデータ取得部３０，前処理部３２と同様の機能を備える。
また、本実施形態による補正部３６は、統計値を機械学習装置１００が備える学習モデル記憶部１３０から取得する以外は、第１実施形態における補正部３６と同様の機能を備える。
診断部１２０は、図１に示した診断装置１が備えるプロセッサ１０１がＲＯＭ１０２から読み出したシステム・プログラムを実行し、主としてプロセッサ１０１がＲＡＭ１０３、不揮発性メモリ１０４を用いた演算処理を行うことで実現される。診断部１２０は、補正部３６により補正された状態データＳに基づいて、学習モデル記憶部１３０に記憶された学習モデルを用いた産業機械２の動作状態の診断を行う機能手段である。本実施形態の診断部１２０では、学習部１１０により生成された（パラメータが決定された）学習モデルに対して、補正部３６により補正された状態データＳ’を入力し、入力されたデータと学習モデルから出力されるデータとを比較することで、産業機械２の動作状態を診断する。診断部１２０が診断した産業機械２の状態は、表示装置７０表示出力しても良く、また、他の装置に対して図示しないネットワーク等を介して送信出力しても良い。
自己符号化器に対して所定の状態において取得された訓練データを用いて機械学習を行った場合、生成された学習モデル（自己符号化器）は、所定の状態において取得されたデータを入力すると入力されたデータと同じデータを出力するが、当該所定の状態とは異なる他の状態において取得されたデータを入力すると入力されたデータと異なるデータを出力するようになる。そのため、例えば産業機械２が正常な状態で取得されたデータを訓練データとして用いて機械学習を行い生成された学習モデルは、産業機械２が正常な状態で取得されたデータを入力すると入力されたデータと同じデータを出力し、産業機械２が正常でない状態（即ち、異常な状態）で取得されたデータを入力すると入力されたデータと異なるデータを出力する。そこで、産業機械２が正常な状態で取得されたデータを訓練データとして用いて機械学習を行い生成された学習モデルを予め学習モデル記憶部１３０に記憶しておくことで、診断部１２０は、産業機械２が正常状態であるか、又は異常状態であるかを診断することが可能となる。
上記した構成を備えた本実施形態による診断装置１は、産業機械２の状態を学習した学習モデルを用いることで、学習した状態と他の状態を識別して診断することができるようになる。例えば、産業機械２の正常動作時に取得された訓練データを用いて生成した学習モデルを用いることで、産業機械２の正常状態と異常状態を診断することが可能となる。また、本実施形態による診断装置１は、診断の際に用いる状態データに含まれる各特徴量について補正部３６による補正を行うことで、値の変位が小さい特徴量の変位幅を拡大して産業機械２の状態の診断に用いることができるため、特に自己符号化器における入力データに対する出力データの再現性を向上させることができ、産業機械２の状態の診断の精度の向上が見込まれる。
図５は、第３実施形態による診断装置１と機械学習装置１００の概略的な機能ブロック図である。本実施形態の診断装置１は、機械学習装置１００が産業機械２の動作状態を診断する場合に必要とされる構成を備えている（診断モード）。図５に示した各機能ブロックは、図１に示した診断装置１が備えるＣＰＵ１１、及び機械学習装置１００のプロセッサ１０１が、それぞれのシステム・プログラムを実行し、診断装置１及び機械学習装置１００の各部の動作を制御することにより実現される。
本実施形態の診断装置１は、データ取得部３０，前処理部３２，補正部３６、逆補正部３８を備え、診断装置１が備える機械学習装置１００は、診断部１２０を備えている。また、図１で示した不揮発性メモリ１４上には、産業機械２等から取得されたデータが記憶される取得データ記憶部５０が設けられており、図１で示した機械学習装置１００の不揮発性メモリ１０４上には、第１実施形態で説明した学習部１１０による機械学習により構築された学習モデルを記憶する学習モデル記憶部１３０が設けられている。
本実施形態によるデータ取得部３０，前処理部３２、補正部３６は、第２実施形態によるデータ取得部３０，前処理部３２、補正部３６と同様の機能を備える。
また、本実施形態による診断部１２０は、産業機械２の状態の診断結果に加えて診断に用いた状態データを逆補正部３８へと出力する以外は、第２実施形態における診断部１２０と同様の機能を備える。
本実施形態による逆補正部３８は、図１に示した診断装置１が備えるＣＰＵ１１がＲＯＭ１２から読み出したシステム・プログラムを実行し、主としてＣＰＵ１１がＲＡＭ１３、不揮発性メモリ１４を用いた演算処理を行うことで実現される。逆補正部３８は、診断部から産業機械２の状態の診断結果と共に入力された状態データに対して、補正部３６が行った補正の逆の補正を行い出力する機能手段である。補正部３６が補正したデータは産業機械２から取得されたデータとは異なる形となっているため、作業者に対して表示出力したとしても理解しづらい場合がある。そのため、逆補正部３８により補正部３６が行った補正と逆の補正を行うことで、作業者に理解しやすい形式のデータとして表示することが可能となる。なお、逆補正部３８は更に、前処理部３２が行った前処理と逆の処理をデータに対して行うようにしても良い。
以上、本発明の実施の形態について説明したが、本発明は上述した実施の形態の例のみに限定されることなく、適宜の変更を加えることにより様々な態様で実施することができる。
例えば、上記した実施形態では診断装置１と機械学習装置１００が異なるＣＰＵ（プロセッサ）を有する装置として説明しているが、機械学習装置１００は診断装置１が備えるＣＰＵ１１と、ＲＯＭ１２に記憶されるシステム・プログラムにより実現するようにしても良い。
１ 診断装置
２ 産業機械
１１ ＣＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
１４ 不揮発性メモリ
１６，１７，１８ インタフェース
２０ バス
２１ インタフェース
３０ データ取得部
３２ 前処理部
３４ 統計量計算部
３６ 補正部
３８ 逆補正部
５０ 取得データ記憶部
７０ 表示装置
７１ 入力装置
１００ 機械学習装置
１０１ プロセッサ
１０２ ＲＯＭ
１０３ ＲＡＭ
１０４ 不揮発性メモリ
１１０ 学習部
１２０ 診断部
１３０ 学習モデル記憶部

Claims (6)

  1. 機械の状態を診断する診断装置であって、
    前記機械の状態に係るデータを取得するデータ取得部と、
    前記データ取得部が取得したデータに対して前処理を行う前処理部と、
    前記機械の状態に係る統計量を用いて、前記前処理部が前処理したデータを補正する補正部と、
    を備え、
    前記補正部が補正したデータに基づいて自己符号化器による機械学習の処理を行い、前記機械の状態の学習乃至診断を行う、
    診断装置。
  2. 前記前処理部が前処理したデータに係る統計量を計算する統計量計算部と、
    前記補正部による補正後のデータを用いて前記機械の状態を自己符号化器による機械学習により学習し、学習モデルを生成する学習部と、
    前記学習モデルと前記統計量とを関連付けて記憶する学習モデル記憶部と、
    を更に備え、
    前記補正部は、前記統計量計算部が計算した統計量を用いて、前記前処理部が前処理したデータを補正する、
    請求項１に記載の診断装置。
  3. 前記機械の状態を自己符号化器で学習した学習モデルと前記学習に用いたデータの統計量とを関連付けて記憶している学習モデル記憶部と、
    前記補正部による補正後のデータに基づいて、前記学習モデル記憶部に記憶された学習モデルを用いた前記機械の状態の診断を行う診断部と、
    を更に備え、
    前記補正部は、前記学習モデル記憶部に記憶されている統計量を用いて、前記前処理部が前処理したデータを補正する、
    請求項１に記載の診断装置。
  4. 前記前処理部は、前記データ取得部が取得したデータの内の時系列データに対して周波数解析を前処理として行う、
    請求項１〜３のいずれか１つに記載の診断装置。
  5. 前記診断部は、診断結果と共に診断に用いた補正後のデータを出力し、
    前記診断部が出力した補正後のデータを前記補正部が行う補正の逆変換を行う逆補正部を更に備える、
    請求項３に記載の診断装置。
  6. 前記補正部による補正は、時系列データの周波数成分毎に、該周波数成分の振幅値が取り得る値の範囲を拡大する補正である、
    請求項１〜５のいずれか１つに記載の診断装置。
JP2019110298A 2019-06-13 2019-06-13 診断装置 Pending JP2020201871A (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2019110298A JP2020201871A (ja) 2019-06-13 2019-06-13 診断装置
US16/882,749 US11269710B2 (en) 2019-06-13 2020-05-26 Diagnostic apparatus
DE102020115118.7A DE102020115118A1 (de) 2019-06-13 2020-06-08 Diagnosegerät
CN202010533134.5A CN112084834A (zh) 2019-06-13 2020-06-12 诊断装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019110298A JP2020201871A (ja) 2019-06-13 2019-06-13 診断装置

Publications (1)

Publication Number Publication Date
JP2020201871A true JP2020201871A (ja) 2020-12-17

Family

ID=73546991

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019110298A Pending JP2020201871A (ja) 2019-06-13 2019-06-13 診断装置

Country Status (4)

Country Link
US (1) US11269710B2 (ja)
JP (1) JP2020201871A (ja)
CN (1) CN112084834A (ja)
DE (1) DE102020115118A1 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6777696B2 (ja) * 2018-08-31 2020-10-28 ファナック株式会社 加工環境推定装置
KR102453336B1 (ko) * 2019-11-12 2022-10-12 한국전자기술연구원 스파이킹 뉴럴 네트워크를 위한 하이퍼 파라미터 최적화 방법과 장치 및 이를 이용한 연산 장치
EP3876054A1 (en) * 2020-03-05 2021-09-08 Siemens Aktiengesellschaft Methods and systems for workpiece quality control
CN114625112A (zh) * 2022-04-19 2022-06-14 山东新一代信息产业技术研究院有限公司 一种机器人诊断系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07160342A (ja) * 1993-12-13 1995-06-23 Toshiba Corp トンネル換気制御装置
JP2016038856A (ja) * 2014-08-11 2016-03-22 山本　隆義 プラント装置の統括診断方法、及び、プラント装置の統括診断装置
WO2017094267A1 (ja) * 2015-12-01 2017-06-08 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11501106B2 (en) * 2017-02-02 2022-11-15 Nippon Telegraph And Telephone Corporation Anomaly factor estimation device, anomaly factor estimation method, and storage medium

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07160342A (ja) * 1993-12-13 1995-06-23 Toshiba Corp トンネル換気制御装置
JP2016038856A (ja) * 2014-08-11 2016-03-22 山本　隆義 プラント装置の統括診断方法、及び、プラント装置の統括診断装置
WO2017094267A1 (ja) * 2015-12-01 2017-06-08 株式会社Ｐｒｅｆｅｒｒｅｄ Ｎｅｔｗｏｒｋｓ 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

Also Published As

Publication number Publication date
DE102020115118A1 (de) 2020-12-17
CN112084834A (zh) 2020-12-15
US20200394092A1 (en) 2020-12-17
US11269710B2 (en) 2022-03-08

Similar Documents

Publication Publication Date Title
US11269710B2 (en) Diagnostic apparatus
JP6810097B2 (ja) 異常検出器
JP6148316B2 (ja) 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
JP6294268B2 (ja) 射出成形機の異常診断装置
US20170308052A1 (en) Cell controller for optimizing motion of production system including industrial machines
JP2021015573A (ja) 異常判定装置及び異常判定システム
JP6629815B2 (ja) 寿命推定装置及び機械学習装置
JP6826086B2 (ja) 状態判定装置及び状態判定方法
JP6773738B2 (ja) 状態判定装置及び状態判定方法
JP6975188B2 (ja) 状態判定装置及び状態判定方法
JP7425094B2 (ja) 診断装置
JP7010861B2 (ja) 状態判定装置及び状態判定方法
JP7148311B2 (ja) 製品検査装置
JP2020064390A (ja) データ収集システム及びデータ収集方法
JP7381280B2 (ja) 診断装置及び機械学習装置
JP7251955B2 (ja) 検出装置及び機械学習方法
JP2021060633A (ja) 診断装置
JP6773740B2 (ja) 状態判定装置及び状態判定方法
JP6928031B2 (ja) 制御装置及び制御システム
JP7060546B2 (ja) 歯当たり位置調整量推定装置、機械学習装置、ロボットシステム及び歯当たり位置調整量推定システム
WO2023139750A1 (ja) データセット作成装置及びコンピュータ読み取り可能な記録媒体
JP7184997B2 (ja) 状態判定装置及び状態判定方法
JP7256703B2 (ja) 制御装置、制御システム、及び機械学習装置
US20200082281A1 (en) Verification device
CN116583798A (zh) 异常分类装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220208

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230112

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230207

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230406

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230613

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20231205