JP2021060633A - 診断装置 - Google Patents

診断装置 Download PDF

Info

Publication number
JP2021060633A
JP2021060633A JP2019182478A JP2019182478A JP2021060633A JP 2021060633 A JP2021060633 A JP 2021060633A JP 2019182478 A JP2019182478 A JP 2019182478A JP 2019182478 A JP2019182478 A JP 2019182478A JP 2021060633 A JP2021060633 A JP 2021060633A
Authority
JP
Japan
Prior art keywords
data
unit
learning
learning model
verification
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
JP2019182478A
Other languages
English (en)
Inventor
佐藤　和宏
Kazuhiro Sato
和宏 佐藤
一憲 飯島
Kazunori Iijima
一憲 飯島
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 JP2019182478A priority Critical patent/JP2021060633A/ja
Priority to US17/030,373 priority patent/US11550305B2/en
Priority to DE102020125218.8A priority patent/DE102020125218A1/de
Priority to CN202011053494.1A priority patent/CN112599234A/zh
Publication of JP2021060633A publication Critical patent/JP2021060633A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
    • G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
    • 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
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31211—Communicate diagnostic data from intelligent field device controller to central
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31264—Control, autonomous self learn knowledge, rearrange task, reallocate resources
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31484—Operator confirms data if verified data is correct, otherwise amends data
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33296—ANN for diagnostic, monitoring
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33321—Observation learning
    • 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
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0237—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on parallel systems, e.g. comparing signals produced at the same time by same type systems and detect faulty ones by noticing differences among their responses
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning

Abstract

【課題】正常動作時に検出された正常データを用いて作成したモデルの妥当性を検証する方法を提供すること。【解決手段】本発明の診断装置１は、産業機械３の正常動作時の動作状態に係る正常データを取得するデータ取得部１１０と、前記正常データを記憶する取得データ記憶部２１０と、取得データ記憶部２１０に記憶された正常データに基づいた学習により学習モデルを作成する学習部１０６と、学習モデルを用いて産業機械３の動作の正常乃至異常を推定処理を行う推定部１０８と、取得データ記憶部２１０に記憶された正常データに基づいて、少なくとも１つの異常データを含む検証データを作成する検証データ作成部１３０と、推定部１０８が検証データに基づいて学習モデルを用いた推定処理を行った結果に基づいて、学習モデルの妥当性を検証する検証部１４０と、を備える。【選択図】図２

Description

本発明は、診断装置に関する。
工場等の製造現場では、製造ラインに設置されるロボットや工作機械等の産業機械の動作状態を監視し、製造ラインが停止しないように、また、製造ラインが停止した場合には速やかに復旧できるように、産業機械の動作状態を診断する装置が導入されている。
産業機械の動作状態を診断する装置は、例えばネットワークを介してそれぞれの産業機械で検出されたモータの位置、速度、トルク等のデータや、産業機械に取り付けられたセンサで検出された音や画像等のデータを監視し、そのデータに異常を示す傾向がある場合に、産業機械の動作に異常が発生していると診断する（例えば、特許文献１，２等）。このような診断をするためには、予め産業機械の動作が正常であるか、異常であるかを判定するための所定のモデルを作成しておく必要がある。
産業機械の動作の正常／異常を判定するモデルは、例えば産業機械が異常動作をしている状態で検出されたデータ群にどれだけ近いかを判定するモデルや、正常動作／異常動作のそれぞれのときに取得されたデータ群の境界からどれだけどちらに離れているかを判定するモデル、産業機械が通常動作している状態で検出されたデータ群からどれだけ離れているかを判定するモデル等がある。前者２つの場合は、産業機械が異常動作をしている状態にしてデータを検出して記憶しておく必要があるが、産業機械の異常動作は故障に関連するものも多く、判定のためのモデルを作るために必要なデータの収集が困難である。一方で、後者の場合は、産業機械が正常動作をしている状態でデータを検出して記憶しておけば良いため、比較的楽にデータを収集することができる。
特許第６４５３５０４号公報 特開２０１９−０１２４７３号公報
産業機械が正常動作をしている状態でデータ群に基づいた動作判定をする場合、判定のモデルを設定するために集めたデータ群は、産業機械が正常動作している範囲の全体をある程度カバーしているものである必要がある。図８に簡単な例を示して説明する。例えば、産業機械が正常動作している時に取得されたモータの位置データとトルクデータを用いて産業機械の正常／異常を判定するモデルを設定することを考える。ここで、図８に例示されるように、ある産業機械のモータから検出される位置データとトルクデータとの組が実線円内にある場合には、該産業機械の動作が正常であるとする。このようなモデルを正常動作時に取得されるデータに基づいて機械的に作成するために、産業機械が正常動作している時のモータの位置データとトルクデータの組を収集する。その結果、図８（ａ）に例示されるように、本来の範囲全体をカバーするようにデータが取得できれば、正常動作時に検出されるデータの本来の範囲に近いモデルを機械的に予想することができる。しかしながら、例えば図８（ｂ）に例示されるように、本来の範囲から偏ったデータしか取得できない場合、図８（ｂ）の点線円に示すように、正常動作時に検出されるデータの本来の範囲とはかけ離れた条件しか機械的に予想することができない。
図８では比較的簡単な例を示したが、実際には例えば位置やトルク、音等の時系列データの変化パターンに基づいて産業機械の動作の正常／異常を判定する場合などはより複雑な問題となる。また、同様の問題は、例えば機械学習の手法である教師なし学習を用いた場合にも、過学習や局所解への収束といった形で発生する。
このような問題を解決するためには、作成したモデルの妥当性を検証して、妥当性がないモデルが作成された場合には、データを選択し直して改めてモデルを作成するという方法が考えられる。ここで、産業機械の正常動作時及び異常動作時に検出されるデータを収集している場合には、収集したデータをモデル作成用データと検証用データに分けて、モデル作成用データで作成したモデルを検証用データで検証することができる。しかしながら、産業機械の正常動作時に検出されるデータのみを収集している場合には、モデル作成用データと検証用データとに分割したとしても、一定の確率でその分割の妥当性が問題となる。また、異常動作時のデータが存在しないため、作成されたモデルの異常データに対する応答を検証できない。
そこで、正常動作時に検出された正常データを用いて作成したモデルの妥当性を検証する方法が望まれている。
本発明の一態様による診断装置は、正常データを用いて作成したモデルの妥当性を検証するために、正常データに対して想定される変化を加えた異常データを作成し、作成した異常データを用いてモデルの妥当性を検証することで、上記課題を解決する。
そして、本発明の一態様は、産業機械の動作状態を診断する診断装置であって、前記産業機械の正常動作時の動作状態に係る正常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正常データを記憶する取得データ記憶部と、前記取得データ記憶部に記憶された正常データに基づいた学習により学習モデルを作成する学習部と、前記学習モデルを用いて前記産業機械の動作の正常乃至異常を推定処理を行う推定部と、前記取得データ記憶部に記憶された正常データに基づいて、少なくとも１つの異常データを含む検証データを作成する検証データ作成部と、前記推定部が前記検証データに基づいて前記学習モデルを用いた推定処理を行った結果に基づいて、前記学習モデルの妥当性を検証する検証部と、を備えた診断装置である。
本発明の一態様により、正常動作時に検出された正常データを用いて作成したモデルの妥当性を検証することが可能となる。
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。 インパルス追加による異常データ作成の例を示す図である。 固定値成分追加による異常データ作成の例を示す図である。 ａｘ＋ｂ成分追加による異常データ作成の例を示す図である。 データ値欠損による異常データ作成の例を示す図である。 サンプリング欠損による異常データ作成の例を示す図である。 産業機械の動作診断のためのモデル作成の問題について説明する図である。
以下、本発明の実施形態を図面と共に説明する。
図１は本発明の一実施形態による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。本発明の診断装置１は、例えば制御用プログラムに基づいて産業機械を制御する制御装置として実装することができる。また、本発明の診断装置１は、制御用プログラムに基づいて産業機械を制御する制御装置に併設されたパソコンや、有線／無線のネットワークを介して制御装置と接続されたパソコン、セルコンピュータ、フォグコンピュータ６、クラウドサーバ７の上に実装することができる。本実施形態では、診断装置１を、ネットワーク介して制御装置と接続されたパソコンの上に実装した例を示す。
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、バス２２を介してＲＯＭ１２に格納されたシステム・プログラムを読み出し、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や表示データ、及び外部から入力され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、インタフェース１５を介して外部機器７２から読み込まれたデータ、入力装置７１を介して入力されたデータ、ネットワーク５を介して産業機械から取得さ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、公知の解析プログラムなどの各種システム・プログラムがあらかじめ書き込まれている。
インタフェース１５は、診断装置１のＣＰＵ１１とＵＳＢ装置等の外部機器７２と接続するためのインタフェースである。外部機器７２側からは、例えば各産業機械の動作に係るデータ等を読み込むことができる。また、診断装置１内で編集したプログラムや設定データ等は、外部機器７２を介して外部記憶手段に記憶させることができる。
インタフェース２０は、診断装置１のＣＰＵと有線乃至無線のネットワーク５とを接続するためのインタフェースである。ネットワーク５には、産業機械３やフォグコンピュータ、クラウドサーバ等が接続され、診断装置１との間で相互にデータのやり取りを行っている。
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３の動作状態を示すデータ）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、他の装置に対してネットワーク５等を介して送信する。
図２は、本発明の第１実施形態による診断装置１が備える機能を概略的なブロック図として示したものである。本実施形態による診断装置１が備える各機能は、図１に示した診断装置１が備えるＣＰＵ１１と、機械学習装置１００が備えるプロセッサ１０１とがシステム・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１１０、モデル作成指令部１２０、検証データ作成部１３０、検証部１４０を備える。また、診断装置１が備える機械学習装置１００は、学習部１０６、推定部１０８を備える。更に、診断装置１のＲＡＭ１３乃至不揮発性メモリ１４には、データ取得部１１０が産業機械３等から取得したデータを記憶するための領域として取得データ記憶部２１０が予め用意されており、機械学習装置１００のＲＡＭ１０３乃至不揮発性メモリ１０４上には、学習部１０６が作成した学習モデルを記憶するための領域として学習モデル記憶部１０９が予め用意されている。
データ取得部１１０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によるＲＡＭ１３、不揮発性メモリ１４を用いた演算処理と、インタフェース１５、１８又は２０による入力制御処理とが行われることで実現される。データ取得部１１０は、産業機械３の正常動作時において検出されたデータを取得する。データ取得部１１０は、産業機械３のモータの位置データ、速度データ、加速度データ、トルクデータ、産業機械３に取り付けら得ている図示しないセンサが検出した音データ、画像データ等を取得する。データ取得部１１０が取得するデータは、時系列データであっても良い。データ取得部１１０は、ネットワーク５を介して産業機械３から直接データを取得しても良い。データ取得部１１０は、外部機器７２や、フォグコンピュータ６、クラウドサーバ７等が取得して記憶しているデータを取得しても良い。
モデル作成指令部１２０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によるＲＡＭ１３、不揮発性メモリ１４を用いた演算処理と、インタフェース２１による入出力制御処理とが行われることで実現される。モデル作成指令部１２０は、入力装置７１を介したオペレータからの指示に従って、取得データ記憶部２１０に記憶されるデータの全部又は一部のデータを用いて学習データを作成し、作成した学習データに基づいて学習モデルを作成するように機械学習装置１００に指令する。モデル作成指令部１２０は、１つの学習モデルを作成するように機械学習装置１００に指令しても良い。また、モデル作成指令部１２０は、複数の学習モデルを作成するように機械学習装置１００に指令しても良い。このとき、モデル作成指令部１２０は、取得データ記憶部２１０に記憶されるデータの中から例えば乱数を用いて所定数のデータを抽出することを繰り返して複数の異なるデータ集合を作成し、これを用いて複数の学習モデルを作成するように機械学習装置１００に指令しても良い。
機械学習装置１００が備える学習部１０６は、図１に示した機械学習装置１００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によるＲＡＭ１０３、不揮発性メモリ１０４を用いた演算処理が行われることにより実現される。学習部１０６は、モデル作成指令部１２０から受けた学習データを用いた機械学習を行うことで学習モデルを作成し、作成した学習モデルを学習モデル記憶部１０９に記憶する。学習部１０６が行う機械学習は公知の教師なし学習である。学習部１０６が作成する学習モデルは、産業機械３の正常動作時に取得された正常データの傾向を学習したものとなる。学習部１０６が作成する学習モデルとしては、例えばａｕｔｏｅｎｃｏｄｅｒ（自己符号化器）等が挙げられる。
機械学習装置１００が備える推定部１０８は、図１に示した機械学習装置１００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によるＲＡＭ１０３、不揮発性メモリ１０４を用いた演算処理が行われることにより実現される。推定部１０８は、検証部１４０からの指令に基づいて、学習モデル記憶部１０９に記憶された学習モデルについて、検証データを用いた推定処理を実行し、推定結果を出力する。推定部１０８は、公知の教師なし学習による推定処理を実行し、例えば正常度乃至異常度等のスコアを推定結果として出力するようにしても良い。また、推定部は正常度乃至異常度等を示すベクトル値を推定結果として出力するようにしても良い。
検証データ作成部１３０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によるＲＡＭ１３、不揮発性メモリ１４を用いた演算処理が行われることで実現される。検証データ作成部１３０は、取得データ記憶部２１０に記憶されるデータに基づいて、少なくとも所定数の異常データを含む検証データを作成する。前記したように、取得データ記憶部２１０には、データ取得部１１０が、産業機械３の正常動作時において検出されたデータである正常データが記憶されている。検証データ作成部１３０は、この正常データに対して所定の変化を加えることで異常データを作成する。検証データ作成部１３０が作成する検証データは、単なる異常データの集合であっても良いし、正常データと異常データを所定の割合で含むものであって良い。
検証データ作成部１３０は、正常データに対して所定のインパルスを加えることで異常データを作成しても良い。図３は、正常データである時系列データに対してインパルスを追加して異常データを作成した例である。図３に例示されるように、検証データ作成部１３０は、１つの時系列データに対して１つのインパルスを追加することで異常データを作成しても良いし、複数のインパルスを追加することで異常データを作成しても良い。インパルスを加える位置については、オペレータに指示させても良いし、ランダムに決定するようにしても良い。また、インパルスの大きさや幅については、産業機械３を用いているオペレータの経験に基づいて、正常に動作している範囲を超えると想定される大きさを設定するようにしても良い。インパルスは負の値であっても良い。なお、異常データの作成対象が画像データである場合には、所定の位置に対して所定の色で所定サイズの点を加えるようにすれば良い。
検証データ作成部１３０は、正常データに対して所定の固定値（直流値）成分を加えることで異常データを作成しても良い。図４は、正常データである時系列データに対して固定値成分を追加して異常データを作成した例である。検証データ作成部１３０が時系列データに対して加える固定値成分の大きさについては、産業機械３を用いているオペレータの経験に基づいて、正常に動作している範囲を超えると想定される大きさを設定するようにしても良い。検証データ作成部１３０が時系列データに対して加える固定値成分は負の値であっても良い。なお、異常データの作成対象が画像データである場合には、画像データ全体の色成分を所定量だけ変更するようにすれば良い。
検証データ作成部１３０は、正常データに対して所定のａｘ＋ｂ成分を加えることで異常データを作成しても良い。図５は、正常データである時系列データに対してａｘ＋ｂ成分を追加して異常データを作成した例である。検証データ作成部１３０が時系列データに対して加えるａｘ＋ｂ成分の係数ａ，ｂについては、産業機械３を用いているオペレータの経験に基づいて、正常に動作している範囲を超えると想定される大きさを設定するようにしても良い。なお、異常データの作成対象が画像データである場合には、画像データ全体の色成分をグラデーション上に変更するようにすれば良い。
検証データ作成部１３０は、正常データに対して所定の周波数成分を加えることで異常データを作成しても良い。検証データ作成部１３０は、１つの時系列データに対して１つの周波数成分を追加することで異常データを作成しても良いし、複数の周波数成分を追加することで異常データを作成しても良い。周波数成分の周波数値や大きさについては、産業機械３を用いているオペレータの経験に基づいて、正常に動作している範囲を超えると想定される大きさを設定するようにしても良い。なお、異常データの作成対象が画像データである場合には、画像データに全体に対して所定の２次元周波数成分を加える変換をするようにすれば良い。
検証データ作成部１３０は、正常データに対して所定のデータ値欠損を加えることで異常データを作成しても良い。図６は、正常データである時系列データに対してデータ値欠損を追加して異常データを作成した例である。図６に例示されるように、検証データ作成部１３０は、１つの時系列データに対して１つのデータ値欠損を追加することで異常データを作成しても良いし、複数のデータ値欠損を追加することで異常データを作成しても良い。データ値欠損を加える位置については、オペレータに指示させても良いし、ランダムに決定するようにしても良い。また、データ値欠損の幅については、産業機械３を用いているオペレータの経験に基づいて、正常に動作している範囲を超えると想定される大きさを設定するようにしても良い。なお、異常データの作成対象が画像データである場合には、所定の位置に対して黒色乃至白色で所定サイズの点を加えるようにすれば良い。
検証データ作成部１３０は、正常データに対して所定のサンプリング欠損を加えることで異常データを作成しても良い。図７は、正常データである時系列データに対してサンプリング欠損を追加して異常データを作成した例である。図７に例示されるように、検証データ作成部１３０は、１つの時系列データに対して１つのサンプリング欠損を追加することで異常データを作成しても良いし、複数のサンプリング欠損を追加することで異常データを作成しても良い。サンプリング欠損を加える位置については、オペレータに指示させても良いし、ランダムに決定するようにしても良い。また、サンプリング欠損の幅については、産業機械３を用いているオペレータの経験に基づいて、正常に動作している範囲を超えると想定される大きさを設定するようにしても良い。
検証データ作成部１３０は、前記した複数の方法で作成した異常データを１組の検証データに含めて良い。また、検証データ作成部１３０は、前記した複数の方法を組み合わせて異常データを作成しても良い。
検証部１４０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によるＲＡＭ１３、不揮発性メモリ１４を用いた演算処理が行われることで実現される。検証部１４０は、検証データ作成部１３０が作成した検証データを用いて、学習モデル記憶部１０９に記憶された学習モデルに関する妥当性の検証を行い、その検証結果を出力する。
検証部１４０は、例えば学習モデル記憶部１０９に１つの学習モデルが記憶されている場合には、推定部１０８に対して該学習モデルを用いて検証データに基づく推定を行うように指令し、その推定結果を例えば表示装置７０に対して出力する。表示装置７０に出力された推定結果を見てオペレータがその学習モデルの妥当性を判断する。この時、予め所定の条件式を設定しておき、検証部１４０は該条件式を満足しない場合に学習モデルが妥当ではないと判定して、学習モデルの作り直しをモデル作成指令部に指令するようにしても良い。また、検証部１４０は、ＲＯＣ曲線やＡＵＣ値等の公知の機械学習の評価値を算出して表示装置７０に対して表示するようにしても良い。オペレータは、このような検証結果の表示を見て、妥当な学習モデルが作成されたと判断すれば学習モデル記憶部１０９に記憶された学習モデルを実際の産業機械の状態判定に用いるようにし、妥当な学習モデルが作成できていないと判断すれば改めて学習モデルを作り直すようにモデル作成指令部１２０に対して指示しても良い。
検証部１４０は、例えば学習モデル記憶部１０９に複数の学習モデルが記憶されている場合には、推定部１０８に対してそれぞれの学習モデルを用いて検証データに基づく推定を行うように指令し、その推定結果の中で平均的な結果が推定された学習モデルを妥当な学習モデルとして選択するようにしても良い。推定結果が平均的であるとは、学習モデルに対して検証データを入力して得られた推定結果が、他の学習モデルによる推定結果と比較して大きく外れていない中央値を示すことを意味する。検証部１４０は、例えば学習モデルを用いて複数の検証データを用いて得られた複数の推定結果を多次元ベクトルとして表現し、それぞれの学習モデルから得られた複数の多次元ベクトルの推定結果に対して公知の外れ値検定を行い、外れ値を推定した学習モデル以外の学習モデルを比較的平均的な結果を推定する妥当な学習モデルとしてもよい。また、検証部１４０は、例えば学習モデルを用いて複数の検証データを用いて得られた複数の推定結果を多次元ベクトルとして表現し、それぞれの学習モデルから得られた複数の多次元ベクトルの推論結果の平均ベクトルからの距離が小さい結果を推定した学習モデルを比較的平均的な結果を推定する妥当な学習モデルとしてもよい。検証部１４０は、最も平均的な結果を推定した学習モデルを妥当な学習モデルとして自動的に選択しても良いし、比較的平均的な推定結果を示す一部の学習モデルについて、表示装置７０に対して出力し、オペレータに妥当な学習モデルを選択させるようにしても良い。
本実施形態による診断装置の一変形例として、検証データ作成部１３０は、正常データから異常データを作成する際のインパルスや固定値成分の大きさ、周波数成分の周波数値や大きさ等の値は、オペレータの経験に基づく値とする以外にも、例えばフォグコンピュータやクラウドサーバ等に少数でも異常データが記憶されている場合には、その異常データを解析し、異常と検出するべきインパルスデータや固定値データの大きさ、周波数成分の周波数値や大きさ等を決定して用いるようにしても良い。多くの異常データを収集することは困難であるが、少数の異常データは多くの産業機械３が接続されたネットワーク上で集めることは可能である。そこで、少数の異常データから異常として検出されるインパルスや固定値成分、周波数成分の傾向を解析して用いることで、オペレータの経験に基づいた設定を不要とすることができる。
上記構成を備えた本実施形態による診断装置１は、産業機械３の正常動作時に取得された正常データに対して所定の変更を加えることで異常データを作成することで、学習モデルの検証に用いるデータを作成する。そのため、収集することが困難である異常データを所定数集める必要がなくなるため、容易に学習モデルの妥当性を検証することが可能となる。
以上、本発明の一実施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。
１ 診断装置
３ 産業機械
５ ネットワーク
６ フォグコンピュータ
７ クラウドサーバ
１１ ＣＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
１４ 不揮発性メモリ
１５，１７，１８，２０，２１ インタフェース
２２ バス
７０ 表示装置
７１ 入力装置
７２ 外部機器
１１０ データ取得部
１２０ モデル作成指令部
１３０ 検証データ作成部
１４０ 検証部
２１０ 取得データ記憶部
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
１０６ 学習部
１０８ 推定部
１０９ 学習モデル記憶部

Claims (5)

  1. 産業機械の動作状態を診断する診断装置であって、
    前記産業機械の正常動作時の動作状態に係る正常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正常データを記憶する取得データ記憶部と、
    前記取得データ記憶部に記憶された正常データに基づいた学習により学習モデルを作成する学習部と、
    前記学習モデルを用いて前記産業機械の動作の正常乃至異常を推定処理を行う推定部と、
    前記取得データ記憶部に記憶された正常データに基づいて、少なくとも１つの異常データを含む検証データを作成する検証データ作成部と、
    前記推定部が前記検証データに基づいて前記学習モデルを用いた推定処理を行った結果に基づいて、前記学習モデルの妥当性を検証する検証部と、
    を備えた診断装置。
  2. 前記学習部は、複数の学習モデルを作成し、
    前記検証部は、前記複数の学習モデルのそれぞれを用いて前記検証データに基づく推定を前記推定部に行わせ、前記推定部による推定結果が平均的な学習モデルを妥当な学習モデルとして選択する、
    請求項１に記載の診断装置。
  3. 検証部は、前記学習モデルを用いて前記検証データに基づく推定を前記推定部に行わせ、前記推定部による推定結果が所定の条件を満足しない場合に前記学習モデルが妥当でないと判断して、学習モデルの作成し直させる、
    請求項１に記載の診断装置。
  4. 前記検証データ作成部は、正常データに対して、インパルスの追加、固定値成分の追加、ａｘ＋ｂ成分の追加、周波数成分の追加、データ値欠損、サンプリング欠損の少なくともいずれかを行うことで、異常データを作成する、
    請求項１に記載の診断装置。
  5. 前記学習モデルは自己符号化器である、
    請求項１に記載の診断装置。
JP2019182478A 2019-10-02 2019-10-02 診断装置 Pending JP2021060633A (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2019182478A JP2021060633A (ja) 2019-10-02 2019-10-02 診断装置
US17/030,373 US11550305B2 (en) 2019-10-02 2020-09-24 Diagnostic apparatus for generating verification data including at least one piece of abnormal data based on normal data
DE102020125218.8A DE102020125218A1 (de) 2019-10-02 2020-09-28 Diagnosegerät
CN202011053494.1A CN112599234A (zh) 2019-10-02 2020-09-29 诊断装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019182478A JP2021060633A (ja) 2019-10-02 2019-10-02 診断装置

Publications (1)

Publication Number Publication Date
JP2021060633A true JP2021060633A (ja) 2021-04-15

Family

ID=74875571

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019182478A Pending JP2021060633A (ja) 2019-10-02 2019-10-02 診断装置

Country Status (4)

Country Link
US (1) US11550305B2 (ja)
JP (1) JP2021060633A (ja)
CN (1) CN112599234A (ja)
DE (1) DE102020125218A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021212115A1 (de) 2021-10-27 2023-04-27 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur Diagnose einer Funktion von Gassystemaktuatoren mithilfe von maschinellen Lernverfahren

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016045793A (ja) * 2014-08-25 2016-04-04 東日本旅客鉄道株式会社 設備の劣化状態判定システムおよび設備の劣化状態判定方法
WO2017168458A1 (ja) * 2016-03-28 2017-10-05 日本電気株式会社 予測モデル選択システム、予測モデル選択方法および予測モデル選択プログラム
JP2018024055A (ja) * 2016-08-10 2018-02-15 三菱重工工作機械株式会社 工作機械の工具の異常検知装置及び方法
JP2018063545A (ja) * 2016-10-12 2018-04-19 横河電機株式会社 情報処理装置、情報処理方法、情報処理プログラム及び記録媒体
JP2018095429A (ja) * 2016-12-14 2018-06-21 株式会社日立ビルシステム 昇降機診断システム、昇降機診断装置、及び昇降機診断方法
JP6517991B1 (ja) * 2018-08-31 2019-05-22 株式会社日立パワーソリューションズ 異常予兆診断システム、管理装置、及び異常予兆診断方法
JP2019101495A (ja) * 2017-11-28 2019-06-24 横河電機株式会社 診断装置、診断方法、プログラム、および記録媒体
JP2019133212A (ja) * 2018-01-29 2019-08-08 株式会社日立製作所 異常検知システム、異常検知方法、および、プログラム

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170024649A1 (en) * 2015-07-24 2017-01-26 General Electric Company Anomaly detection system and method for industrial asset
KR101827108B1 (ko) * 2016-05-04 2018-02-07 두산중공업 주식회사 플랜트 이상 감지 학습 시스템 및 방법
JP6917805B2 (ja) 2017-06-30 2021-08-11 日立Ｇｅニュークリア・エナジー株式会社 データフィルタリング装置および方法
JP6453504B1 (ja) 2018-02-22 2019-01-16 エヌ・ティ・ティ・コミュニケーションズ株式会社 異常監視装置、異常監視方法および異常監視プログラム

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2016045793A (ja) * 2014-08-25 2016-04-04 東日本旅客鉄道株式会社 設備の劣化状態判定システムおよび設備の劣化状態判定方法
WO2017168458A1 (ja) * 2016-03-28 2017-10-05 日本電気株式会社 予測モデル選択システム、予測モデル選択方法および予測モデル選択プログラム
JP2018024055A (ja) * 2016-08-10 2018-02-15 三菱重工工作機械株式会社 工作機械の工具の異常検知装置及び方法
JP2018063545A (ja) * 2016-10-12 2018-04-19 横河電機株式会社 情報処理装置、情報処理方法、情報処理プログラム及び記録媒体
JP2018095429A (ja) * 2016-12-14 2018-06-21 株式会社日立ビルシステム 昇降機診断システム、昇降機診断装置、及び昇降機診断方法
JP2019101495A (ja) * 2017-11-28 2019-06-24 横河電機株式会社 診断装置、診断方法、プログラム、および記録媒体
JP2019133212A (ja) * 2018-01-29 2019-08-08 株式会社日立製作所 異常検知システム、異常検知方法、および、プログラム
JP6517991B1 (ja) * 2018-08-31 2019-05-22 株式会社日立パワーソリューションズ 異常予兆診断システム、管理装置、及び異常予兆診断方法

Also Published As

Publication number Publication date
CN112599234A (zh) 2021-04-02
DE102020125218A1 (de) 2021-04-08
US11550305B2 (en) 2023-01-10
US20210103273A1 (en) 2021-04-08

Similar Documents

Publication Publication Date Title
JP6886869B2 (ja) 動作予測システム及び動作予測方法
JP6451662B2 (ja) 異常判定装置、異常判定プログラム、異常判定システム、及びモータ制御装置
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
JP6965798B2 (ja) 制御システムおよび制御方法
JP6593715B2 (ja) 異常判定システム、モータ制御装置
JP2021015573A (ja) 異常判定装置及び異常判定システム
US11269710B2 (en) Diagnostic apparatus
JP6943332B2 (ja) 異常検出装置及び異常検出方法
JP6711323B2 (ja) プロセスの異常状態診断方法および異常状態診断装置
JP7425094B2 (ja) 診断装置
JP2020123140A (ja) 制御パラメータ調整装置
US11334045B2 (en) Diagnosis apparatus and diagnosis method
US20160098501A1 (en) Virtual sensors supported by a computer aided design (cad) model and software
JP2021060633A (ja) 診断装置
JP6702297B2 (ja) プロセスの異常状態診断方法および異常状態診断装置
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
JP6928031B2 (ja) 制御装置及び制御システム
JP2021086219A (ja) 協調作業システム、解析収集装置および解析プログラム
WO2023181277A1 (ja) 外観検査装置、外観検査方法、及びコンピュータ読み取り可能な記録媒体
JP2021086218A (ja) 協調作業システム、解析装置および解析プログラム
WO2023162364A1 (ja) 異常診断装置及びその方法
JP2020025462A (ja) モータ制御システム
JP2020052032A (ja) 撮像装置及び撮像システム
WO2023162164A1 (ja) 教示支援装置、作業システム、教示支援方法および教示支援プログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220616

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230525

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230606

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230807

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231114

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240115

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20240305