JP2021096639A - 制御方法、制御装置、機械設備、制御プログラム、記録媒体 - Google Patents

Abstract

【課題】生産ラインに配置されたロボットのように、同一動作を繰り返し行うが、前後の工程の状況次第で動作の仕方が変わる機械設備について、正常状態の動作時の特徴を機械学習させるための学習データを適切に抽出する方法が求められていた。【解決手段】正常な状態の機械設備に係る計測値を第１の期間において取得し、前記計測値と、前記機械設備が稼働状態にある際の計測値のプロファイル情報とを用いて、前記第１の期間の内で前記機械設備が稼働状態であった期間を特定し、前記第１の期間の内で前記機械設備が稼働状態であった期間の前記計測値に基づく特徴量を機械学習用データとして抽出し、前記機械学習用データを用いた機械学習により学習済モデルを生成し、前記学習済モデルを用いて、評価時における前記機械設備の状態を判定する。【選択図】図１

Description

本発明は、センサ等からのデータに基づき、機械設備の故障の予兆を検出する際に用いる制御方法、制御装置、制御装置を備えた機械設備、制御プログラム、コンピュータ読み取り可能な記録媒体に関する。特に、機械学習により機械設備の故障予知モデルを生成する際に用いる学習用データの作成に関する。

機械設備は、構成部品の状態変化等により動作状態が時々刻々と変化し得る。その機械設備の使用目的に照らして動作状態が許容範囲内の場合を正常状態、許容範囲外の場合を故障状態（異常状態）と呼ぶものとする。例えば生産機械であれば、故障状態（異常状態）になると不良品を製造したり生産ラインを停止させるなどの不具合を発生させてしまうことになる。

生産機械等では、故障状態をなるべく発生させないようにするため、同一の作業を反復継続して行う場合であっても、定期あるいは不定期に保守作業を実施するのが一般的である。予防安全性を高くするには、保守作業の実施インターバルを短くするのが有効だが、保守作業中は生産機械等を停止させるため、保守作業の頻度を過度に高めると生産機械等の稼働率が低下してしまう。そこで、機械等がまだ正常状態ではあるが故障状態の発生が近くなった時にこれを検知できるのが望ましい。故障状態の発生が近づいたことを検知（故障の発生を予測）できれば、その時点で機械等の保守作業を実施すればよいので、稼働率が必要以上に低下するのを抑制することができるからである。

故障の発生を予測するための手法として、機械設備の状態を機械学習した学習済モデルを予め作成しておき、学習済モデルを用いて評価時の機械設備の状態を評価する手法が知られている。例えば、機械設備の正常状態の特徴を機械学習した学習済モデルを生成し、評価時の状態と機械学習した正常状態との乖離度を学習済モデルを用いて算出し、算出した乖離度に基づいて故障の発生を予測する方法が知られている。予測精度を高めるには、故障の予測に適した学習済モデルを構築することが重要であるが、そのためには機械学習の際に用いる学習用データの適否が問題となる。

例えば、特許文献１には、機械設備の状態を示すセンサ信号に基づきベクトルを抽出し、特徴ベクトルのデータチェックに基づき使用する特徴を選択することが記載されている。さらに、選択された学習データに基づき機械設備の正常モデルを作成することが記載されている。

また、特許文献２には、季節変動などに応じて季節ごとに準備した複数の学習データの選択に関して、多変量解析の結果である異常測度や各センサ信号の影響度の評価結果から、異常に応じて着目し選択すべきセンサ信号を選ぶことが記載されている。

特開２０１１−７０６３５号公報 特開２０１１−５９７９０号公報

機械設備においては、その運転状態を管理するため、様々なパラメータについて計測データが取得されている。機械設備の正常状態をモデル化するために機械学習用データを作成する場合には、機械設備が正常状態である時の動作中の計測データを適切に抽出することが重要である。
しかし、例えば生産ラインに設置されている工業用ロボットのような機械設備の場合には、正常状態である時の動作中のデータを適切に抽出することが困難であった。

生産ラインに配置されたロボットは、同一製品を繰り返し生産するため同一動作を繰り返し行うのが一般的であるが、ロボット自体は正常状態であったとしても、当該ロボットの前後の工程を担当する機械の状況により、動作が影響を受ける場合がある。例えば、ロボットが、前工程を担当する機械からワークを受け取り、担当する工程の作業（例えば部品の組付け）を行い、後工程を担当する機械にワークを渡す事例を考える。当該ロボットが正常状態であるとしても、前工程を担当する機械のサイクルタイムよりも当該ロボットのサイクルタイムの方が短いとすれば、当該ロボットには待ち時間が生じ、常に動作しているわけではなくなる。同様に、後工程を担当する機械のサイクルタイムよりも当該ロボットのサイクルタイムの方が短いとすれば、当該ロボットには待ち時間が生じ、常に動作しているわけではなくなる。

また、前後の工程のサイクルタイムと当該ロボットの動作のサイクルタイムが等しく設定されている場合でも、前後の工程で異常が発生すればワークの授受に支障が生じ、当該ロボット自身は正常状態であるとしても停止せざるを得ない場合がある。例えば、前工程を担当する機械からワークが送られて来るまで待機したり、後工程を担当する機械が受け取り可能になるまで動作を停止させたりするからである。

このように、当該ロボットが正常状態であるとしても、連続した計測データの中には待機中あるいは停止中の計測データも含まれており、正常状態の動作時の特徴を機械学習するための学習データとしてはノイズを含んだものとなってしまう。

また、待機中あるいは停止中のノイズとは別に、作業動作を繰り返し行う際の各種計測データの中には、正常状態の動作時の特徴を表さない計測データも含まれている。例えば、ロボットが６軸制御で動作する場合、プログラムされた作業動作の内容により、頻繁に動作する軸もあれば、動作の頻度が少ない軸や、全く動作しない軸も存在する。このため、各軸の駆動状態を計測するデータの中には、正常状態の動作時の特徴を反映しない計測データも含まれている。したがって、各種計測データの全てを用いるとすれば、正常状態の動作時の特徴を機械学習するための学習データとしては冗長であったり、ノイズを含んだものになってしまう。

特許文献１や特許文献２においては、学習用データを選択することについては認識されているものの、生産機械等の繰り返し動作をする機械設備において学習用データを選択して取得する具体的な方法については、十分な検討がなされていなかった。このため、従来の方法では、予測精度の高い学習済モデルを作成するのは困難であった。

そこで、例えば生産ラインに配置されたロボットのように、同一動作を繰り返し行うが、前後の工程の状況次第で動作の仕方が変わる機械設備について、正常状態の動作時の特徴を機械学習させるための学習データを適切に抽出する方法が求められていた。

本発明は、正常な状態の機械設備に係る計測値を第１の期間において取得し、前記計測値と、前記機械設備が稼働状態にある際の計測値のプロファイル情報とを用いて、前記第１の期間の内で前記機械設備が稼働状態であった期間を特定し、前記第１の期間の内で前記機械設備が稼働状態であった期間の前記計測値に基づく特徴量を機械学習用データとして抽出し、前記機械学習用データを用いた機械学習により学習済モデルを生成し、前記学習済モデルを用いて、評価時における前記機械設備の状態を判定する、ことを特徴とする制御方法である。

また、本発明は、正常な状態の機械設備に係る計測値を第１の期間において取得し、前記計測値と、前記機械設備が稼働状態にある際の計測値のプロファイル情報とを用いて、前記第１の期間の内で前記機械設備が稼働状態であった期間を特定し、前記第１の期間の内で前記機械設備が稼働状態であった期間の前記計測値に基づく特徴量を機械学習用データとして抽出し、前記機械学習用データを用いた機械学習により学習済モデルを生成し、前記学習済モデルを用いて、評価時における前記機械設備の状態を判定する、制御部を備える、ことを特徴とする制御装置である。

本発明によれば、例えば生産ラインに配置されたロボットのように、同一動作を繰り返し行うが、前後の工程の状況次第で動作の仕方が変わる機械設備について、正常状態の動作時の特徴を機械学習させるための学習用データを適切に抽出することができる。このため、予測精度の高い故障予知モデルを作成することができる。

実施形態の故障予知システムが備える機能ブロックを説明するための模式的な機能ブロック図。 実施形態のハードウェア構成を説明するための模式図。 実施形態における特徴量の抽出方法を説明するための模式図。 （ａ）１サイクル動作の計測データの例。（ｂ）連続的に稼働している場合の単位記録データ（単位レコード）の例。（ｃ）非動作状態であった期間が含まれている場合の単位記録データ（単位レコード）の例。 （ａ）稼働プロファイルを説明するための図。（ｂ）稼働中と判定される場合を示す図。（ｃ）非稼働を含むと判定される場合を示す例。 実施形態における機械学習方法を説明するための模式図。 実施形態における判定用閾値の決定方法を説明するための模式図。 実施形態における故障予知方法について説明するための模式図。 実施形態における故障予知モデルの生成の処理手順を示すフローチャート。 実施形態における故障予知の処理手順を示すフローチャート。 機械設備の一例である６軸ロボットを示す斜視図。 ６軸ロボットの各回転関節の動作を示す図。 実施形態における稼働プロファイルの決定方法を説明するための模式図。

図面を参照して、本発明の実施形態として、機械設備の故障を予測する際に用いる故障予知システム、制御方法、制御装置、制御装置を備えた機械設備、制御プログラム、コンピュータ読み取り可能な記録媒体、等について説明する。

［機能ブロックの構成］
図１は、実施形態の故障予知システムが備える機能ブロックの構成を説明するための模式的な機能ブロック図である。尚、図１では本実施形態の特徴を説明するために必要な機能要素を機能ブロックで表しているが、本発明の課題解決原理とは直接関係のない一般的な機能要素については記載を省略している。また、図１に図示された各機能要素は機能概念的なものであり、必ずしも物理的に図示のごとく構成されていることを要しない。例えば、各機能ブロックの分散や統合の具体的形態は図示の例に限らず、その全部または一部を、使用状況等に応じて任意の単位で機能的または物理的に分散・統合して構成することが可能である。
図１に示すように、実施形態の故障予知システムは、診断対象である機械設備１０と、故障予知装置１００を備えている。

機械設備１０は、例えば多関節ロボットや、生産ラインに設置される生産装置など、各種の産業機器である。機械設備１０には、機械設備の状態を計測するための各種のセンサー１１が設置されている。例えば、機械設備１０が多関節ロボットの場合には、関節を駆動するモータの電流値を計測するセンサー、関節の角度センサー、速度や振動や音を計測するセンサーなどが設置され得る。ただし、これは単なる例示であり、機械設備１０の種類や作業用途等により、適宜の種類、数のセンサーが、適宜の位置にセンサー１１として設置され得る。センサー１１には、力センサー、トルクセンサー、振動センサー、音センサー、撮像センサー、距離センサー、温度センサー、湿度センサー、流量センサー、ｐＨセンサー、圧力センサー、粘度センサー、ガスセンサー等の各種センサーが用いられ得る。尚、図１では、図示の便宜のためセンサー１１を単数で示したが、通常は複数のセンサーが設置される。
機械設備１０は、故障予知装置１００と通信可能に有線あるいは無線で接続されており、故障予知装置１００はセンサー１１が計測したデータを通信により取得することができる。

故障予知装置１００は、故障予知モデルを作成する段階においては、センサー１１から収集したデータを用いて機械設備の故障発生に相関性が高い特徴量を選択し、選択した特徴量を用いて機械学習して学習済モデル（故障予知モデル）を生成して記憶する。また、評価段階（故障予知段階）においては、センサー１１から収集した評価時のデータを学習済モデルに入力し、学習済モデルの入力と出力とを用いて乖離度を算出し、故障発生に近づいているか否かを判定する。以下、故障予知装置１００が有する機能ブロックについて順に説明する。
故障予知装置１００は、制御部１１０、記憶部１２０、表示部１３０、入力部１４０を備えている。

制御部１１０は複数の機能ブロックを含んでいるが、これらの機能ブロックは、例えば記憶装置に記憶された制御プログラムを、故障予知装置１００のＣＰＵが読み出して実行することにより構成される。あるいは、故障予知装置１００が備えるＡＳＩＣ等のハードウェアにより、機能ブロックの一部または全部を構成してもよい。

記憶部１２０は、センサーデータ記憶手段１２１、特徴量記憶手段１２２、稼働プロファイル記憶手段１２３、稼働状態判定記憶手段１２４、故障予知モデル条件記憶手段１２５、故障予知モデル記憶手段１２６を含んでいる。記憶部１２０が有するこれらの手段は、ハードディスクドライブ、ＲＡＭ、ＲＯＭといった記憶装置の記憶領域に適宜割り当てられて構成される。記憶部１２０は、故障予知を実行するための処理に必要な各種のデータを取得して記憶するデータ取得部である。

表示部１３０および入力部１４０は、故障予知装置１００が備えるユーザインターフェースである。表示部１３０には、例えば液晶ディスプレイや有機ＥＬディスプレイなどの表示デバイスが用いられ、入力部１４０には、例えばキーボード、ジョグダイアル、マウス、ポインティングデバイス、音声入力機などの入力デバイスが用いられる。

制御部１１０のセンサーデータ収集手段１１１は、機械設備１０のセンサー１１から計測データを取得し、センサーデータ記憶手段１２１に格納する。すなわち、例えば機械設備１０において計測された電流、速度、圧力や、振動、音、各部の温度、等の機械設備の状態に係る計測データを収集してセンサーデータ記憶手段１２１に格納する。

特徴量抽出手段１１２は、センサーデータ記憶手段１２１に格納された計測データに基づいて、機械設備１０の状態の特徴を示す特徴量を抽出して、特徴量記憶手段１２２に格納する。例えば、特徴量データとして、機械設備の１動作サイクルの中で収集されたセンサーの計測値の最大値および／または最小値を抽出したり、あるいは平均値を算出しても良い。あるいは、例えば所定の期間分のセンサーの計測値を時系列の周波数領域へ積分変換したものでも良い。また、時系列に並べた計測値の時間に対する微分値や二次微分値でも良い。また、センサーの計測値（生データ）そのものが、故障の発生に近づいたか否かを検知する際の判断材料として有用である場合は、計測値そのものを特徴量データとして扱っても良い。本実施形態では、特徴量抽出手段１１２は、センサーの計測データに基づき特徴量を抽出あるいは算出し、時系列の特徴量データを作成して特徴量記憶手段１２２に格納する。尚、特徴量の抽出については、後に図３を参照して具体的に説明する。

状態判定手段１１３は、センサーデータ記憶手段１２１からセンサーデータを、特徴量記憶手段１２２から特徴量を、稼働プロファイル記憶手段１２３から稼働状態を判定するための稼働プロファイルの定義を、取得する。稼働プロファイルの定義とは、機械設備１０が動作中（稼働中）であるか停止中（非稼働中）であるかを判定するための判断基準にかかる情報である。状態判定手段１１３は、取得した情報に基づき機械設備１０が動作中（稼働中）であった期間を特定する。そして、動作中（稼働中）であると判定された期間に関する情報を稼働状態判定記憶手段１２４に格納する。尚、状態判定手段１１３は、センサーデータと特徴量を必ず両方とも取得しなければならないわけではなく、例えばセンサーデータのみにより機械設備１０の稼働状態を判定できるのであれば、それだけを取得してもよい。

データ抽出手段１１４は、学習済モデルを生成する時には、稼働状態判定記憶手段１２４に記憶された機械設備の稼働中期間に関する情報と、故障予知モデル条件記憶手段１２５に記憶された情報に基づき、特徴量記憶手段１２２から特徴量を抽出する。抽出された特徴量は、機械学習用データとして故障予知モデル生成手段１１５に出力される。故障予知モデル条件記憶手段１２５には、種々の特徴量のうち機械設備が正常な状態の特徴を表すものを特定する情報が予め記憶されている。このため、機械学習用データとして、機械設備が正常な状態の特徴を表す特徴量が選択され、しかも機械設備が稼働中の期間に相当する部分のみが抽出される。

また、データ抽出手段１１４は、評価時には、稼働状態判定記憶手段１２４に記憶された機械設備１０の稼働中期間に関する情報と、故障予知モデル条件記憶手段１２５に記憶された情報に基づき、特徴量記憶手段１２２から特徴量を抽出する。抽出された特徴量は、評価用特徴量データとして、故障判定手段１１６に出力される。このため、評価用特徴量データとして、機械学習時に用いたのと同種の特徴量が選択され、しかも機械設備が稼働中の期間に相当する部分のみが抽出される。

故障予知モデル生成手段１１５は、学習済モデルを生成する時にデータ抽出手段１１４から入力される機械学習用データを用いて学習済モデル（故障予知モデル）を生成し、故障予知モデル記憶手段１２６に格納する。

故障判定手段１１６は、評価時にデータ抽出手段１１４から入力される評価用の特徴量データを、故障予知モデル記憶手段１２６に格納された学習済モデル（故障予知モデル）に入力し、入力と出力の乖離度を算出する。そして、乖離度と判定用閾値とを比較して故障の予兆の有無を判定する。
故障通知手段１１７は、故障判定手段１１６の判定結果を、外部装置に通知したり、表示部１３０に表示したりする。

［ハードウェア構成］
図２に、実施形態の故障予知システムのハードウェア構成の一例を模式的に示す。故障予知システムは、図２に示すように、主制御手段としてのＣＰＵ１６０１、記憶装置としてのＲＯＭ１６０２、およびＲＡＭ１６０３を備えたＰＣハードウェアを含むことができる。ＲＯＭ１６０２には、後述する故障予知方法を実現するための処理プログラムや推論アルゴリズムなどの情報を格納しておくことができる。また、ＲＡＭ１６０３は、その制御手順を実行する時にＣＰＵ１６０１のワークエリアなどとして使用される。また、制御系には、外部記憶装置１６０６が接続されている。外部記憶装置１６０６は、ＨＤＤやＳＳＤ、ネットワークマウントされた他のシステムの外部記憶装置などから構成される。

後述する本実施形態の故障予知方法を実現するためのＣＰＵ１６０１の処理プログラムは、ＨＤＤやＳＳＤなどから成る外部記憶装置１６０６や、ＲＯＭ１６０２（例えばＥＥＰＲＯＭ領域）のような記憶部に格納しておくことができる。その場合、故障予知方法を実現するためのＣＰＵ１６０１の処理プログラムは、ネットワークインターフェース（ＮＩＦ）１６０７を介して、上記の各記憶部に供給し、また新しい（別の）プログラムに更新することができる。あるいは、故障予知方法を実現するためのＣＰＵ１６０１の処理プログラムは、各種の磁気ディスクや光ディスク、フラッシュメモリなどの記憶手段と、そのためのドライブ装置を経由して、上記の各記憶部に供給し、またその内容を更新することができる。故障予知方法を実現するためのＣＰＵ１６０１の処理を実行可能なプログラムを格納した状態における各種の記憶手段、記憶部、ないし記憶デバイスは、本発明の故障予知手順を格納したコンピュータ読み取り可能な記録媒体を構成する。

ＣＰＵ１６０１には、図１に示したセンサー１１が接続される。図２では、図示を簡略化するため、センサー１１はＣＰＵ１６０１に直接接続されているように示されているが、例えばＩＥＥＥ４８８（いわゆるＧＰＩＢ）などを介して接続されていてもよい。また、センサー１１は、ネットワークインターフェース１６０７、ネットワーク１６０８を介してＣＰＵ１６０１に接続される構成であってもよい。

ネットワークインターフェース１６０７は、例えばＩＥＥＥ ８０２．３のような有線通信、ＩＥＥＥ ８０２．１１、８０２．１５のような無線通信による通信規格を用いて構成することができる。ＣＰＵ１６０１は、ネットワークインターフェース１６０７を介して、他の装置１１０４、１１２１と通信することができる。例えば故障予知の対象となる機械設備がロボットであるなら、装置１１０４、１１２１は、当該ロボットの制御、管理のために配置されたＰＬＣやシーケンサのような統轄制御装置や、管理サーバなどであってもよい。

図２に示す例では、ＵＩ装置（ユーザインターフェース装置）として、図１に示す入力部１４０および表示部１３０に関係する操作部１６０４および表示装置１６０５が接続されている。操作部１６０４は、ハンディターミナルのような端末、あるいはキーボード、ジョグダイアル、マウス、ポインティングデバイス、音声入力機などのデバイス（あるいはそれらを備える制御端末）によって構成することができる。表示装置１６０５は、状態判定手段１１３、故障予知モデル生成手段１１５、故障判定手段１１６等が実行する処理に係る情報を表示画面に表示できるものであればよく、例えば液晶ディスプレイ装置を用いることができる。

［故障予知方法について］
本実施形態において、故障予知装置１００の故障予知モデル生成手段１１５は、いわゆる教師無し学習により学習済モデル（故障予知モデル）を構築する。いわゆる教師なし学習によって機械設備の故障の特徴を学習するには、故障無しの状態、すなわち機械設備が正常に動作しているときの稼働データのみを利用して機械学習する。教師なし学習とは、入力データのみを大量に学習装置に与えることで、入力データがどのような分布をしているかを学習させる。すなわち、入力データに対して圧縮・分類・整形などの処理を行う装置に、入力データに対応した教師出力データを与えずに、処理を学習させる手法である。

教師なし学習の手法を用いた故障予知方法について、具体的に説明する。機械設備の使用目的に照らして動作状態が許容範囲内の場合を正常状態として、正常状態での機械設備の稼働データのみを用いて機械学習を行う。本実施形態では、教師なし学習モデルとして、オートエンコーダを用いる。

本実施形態は、機械学習に用いるデータの抽出方法に特徴がある。すなわち、機械設備が正常状態である場合のふるまいを表す特徴量を選び、選んだ特徴量の連続データのうち機械設備が稼働中の期間のデータのみを抽出して学習用データとして用いる。

まず、図３を参照して特徴量の抽出について説明する。故障予知の対象となる機械設備１０が備えるセンサー１１は、図３に例示するように、電流センサーであるセンサー１、速度センサーであるセンサー２、圧力センサーであるセンサー３を含むものとする。本実施形態に係る故障予知方法では、まずセンサー１１に含まれる各センサーの計測データに基づき、機械設備１０の運転状態を示す特徴量を抽出する。特徴量は、センサーの時系列の計測データに関して、周波数領域へ積分変換したり、時間に対する一次微分や二次微分を演算したり、フィルタリング処理をしたり、周期動作の最大値や最小値を抽出する等の処理を行うことにより抽出する。尚、前述したセンサーおよび計測データ処理は例示に過ぎず、機械設備の状態を把握するのに適したデータを取得できるのであれば、どのようなセンサーや計測データ処理であってもよい。また、センサーの計測データそのものにより機械設備の状態を容易に解析可能であるならば、特段の処理を行わずに計測データそのものを特徴量としてもよい。
図３は、センサー１、センサー２、センサー３の計測データ各々について三種の処理を行い、右側に示す合計９種の特徴量の時系列データが抽出された状態を模式的に示している。

次に、機械設備１０が動作中（稼働中）であるか停止中（非稼働中）であるかを判定し、動作中（稼働中）の期間を特定する方法について説明する。
ここでは、機械設備１０の一例として、生産ライン中に設置され、製造工程中の一工程を担当する多関節ロボットを挙げる。多関節ロボットは、前工程を担当する機械からワークを受け取り、担当する工程の作業（例えば部品の組付け）を行い、後工程を担当する機械にワークを渡すが、同一製品を繰り返し生産するため同一動作を繰り返し行う。

図１１に、機械設備１０の一例である６軸多関節ロボットの外観図を示す。
リンク２００〜リンク２０６は、６つの回転関節Ｊ１〜Ｊ６により直列に接続されている。各回転関節には、モータの回転速度を計測するセンサー、関節の回転角度を計測するセンサー、トルクセンサーなどが設けられている。先端のリンクには、ロボットハンド２１０が取付け可能である。ロボットの動作を制御する制御装置１０１にはティーチングペンダント１０２が接続されており、操作者が動作を教示することができる。

生産ラインに設置されたロボットは、サイクル動作、すなわち決まった動作を繰り返し行うが、６軸多関節ロボットの場合には、サイクル動作の内容によって、頻繁に動作する軸もあれば、一切動作しない軸も存在し得る。例えば、一定の位置でワークの回転をする工程では、先端部の回転関節であるＪ６のみが稼働すればよく、他の回転関節Ｊ１〜Ｊ５は動作しない。一方で、ワークを水平に移動させるような工程では、主に回転関節Ｊ１が稼働し、先端に近いＪ５やＪ６は稼働しないこともある。

図１２に、６軸多関節ロボットの各回転関節の動作方向を示すが、各回転関節が駆動しているか否かは、例えば回転関節を駆動するモータの回転速度をセンサーで計測していればわかる。しかし、上述したように、サイクル動作の内容次第で各回転軸の動作は異なるため、当該ロボットが稼働中であるかどうかを判別するには、そのロボットが実施するサイクル動作において、最も頻繁に駆動される回転関節の回転速度を計測するのが良い。

ここでは、ロボットがサイクル動作をしている間に最も頻繁に駆動される回転関節を選択する方法を説明する。図１３に示すのは、あるサイクル動作（例えば組立作業）をロボットが安定的に継続している場合の、回転関節Ｊ１〜Ｊ６の回転速度センサーの計測結果である。サイクル動作の１周期を１０秒とし、６周期分のセンサー出力波形が示されている。図示のように、このサイクル動作（例えば組立作業）では、回転関節Ｊ５が全期間にわたり最も頻繁に駆動され、逆に回転関節Ｊ１やＪ６は駆動されないことが判る。したがって、このサイクル動作を実行するロボットが稼働中であるか否かを判定するには、回転関節Ｊ５の回転速度をモニターするのが最も適していると言える。

最も頻繁に動作している回転関節を自動的に選択するには、故障予知装置１００がセンサー１１から安定稼働中の各回転関節の回転速度データを取得し、回転速度がゼロになる回数（グラフがゼロと交差する回数）を計測する。制御部１１０は、ゼロになる回数を各回転関節について比較し、最も回数の多い回転関節（図１３の例ではＪ５）を、稼働プロファイルに使用する回転関節に決定する。最も回数が多ければ、最も速度の切り替えが多いので稼働の判断をするのに適した回転関節だからである。すなわち、複数のセンサーにより計測された計測値のうち、機械設備が所定の繰り返し動作をする際の変化度が大きな計測値に基づいて、後述するプロファイル情報を設定する。

図４（ａ）に示すのは、このようにして決定された回転関節Ｊ５を駆動するモータの回転速度の計測データの例であり、担当する一工程を実行する期間（１サイクルの動作）の波形を示している。ここでは、１サイクル動作を１０秒で行う場合を例にしている。

ところで、センサーデータ収集手段１１１は、センサー１１から時系列に出力される計測データを収集してセンサーデータ記憶手段１２１に格納する。その際に、取り扱いの便宜のため、時間的に連続する計測データを所定時間（例えば６０秒）毎に分割し、所定時間分の計測データを１つの単位記録データ（単位レコード）として扱う。各々の単位記録データ（単位レコード）に対応する期間を単位記録期間と呼ぶ。

図４（ｂ）は、正常状態のロボットが連続的に動作（稼働）している場合の単位記録データ（単位レコード）を例示するグラフである。一方、すでに説明したように、生産ライン中に設置されたロボットでは、前後の工程を担当する機械の状況等により、一時的に動作を停止する（非動作状態になる）場合がある。その場合には、図４（ｃ）に示すように、単位記録データ（単位レコード）には、非動作状態の計測データが含まれてしまうことになる。

図４（ｂ）に例示した単位記録期間は、ロボットが連続的に稼働しているので、この単位記録期間に対応する特徴量を学習用データとして用いても問題はない。しかし、図４（ｃ）に例示した単位記録期間には、たとえロボットが正常状態であったとしても非動作状態であった期間が含まれているので、この単位記録期間に対応する特徴量は、学習用データとしてはノイズを含んだものになっている。

そこで、本実施形態では、状態判定手段１１３は、センサーデータ記憶手段１２１に格納された各々の単位記録データ（単位レコード）に対応する単位記録期間について、機械設備（ロボット）が非動作状態になったか否かを調べる。

具体的には、繰り返し稼働される１サイクルの特徴に関するプロファイル情報を、予め稼働プロファイル記憶手段１２３に記憶しておく。この事例では、図５（ａ）に示すように、加減速を繰り返すモータの速度は、１サイクル（１０秒）内で８回ゼロになる特徴を有するので、速度のゼロ交差回数が０．８回／秒であることを、稼働状態を示すプロファイル情報として予め記憶しておく。すなわち、プロファイル情報は、単位時間内に速度センサーの計測値がゼロになる回数に基づいて設定される。

状態判定手段１１３は、稼働プロファイル記憶手段１２３から稼働状態を示すプロファイル情報（速度のゼロ交差回数が０．８回／秒）を取得する。そして、センサーデータ記憶手段１２１に格納されたモータ速度の単位記録データ（単位レコード）の各々について、稼働状態であるか（非動作状態が含まれるか）を判定する。

例えば図５（ｂ）に示すように、ロボットが停止することなく連続稼働していた場合には、６０秒の単位記録データ（単位レコード）には４８回のゼロ交差回数が計数され、０．８回／秒と算出され、プロファイルと一致するため、稼働中であると判定する。

一方、例えば図５（ｃ）に示すように、単位記録データ（単位レコード）内にロボットが停止した期間が含まれていた場合には、ゼロ交差回数が２４回しか計数されず、０．４回／秒と算出され、プロファイルと一致しないため、非稼働を含むと判定する。

尚、「稼働中」と判断するためのプロファイル情報は、必ずしも固定値（０．８回／秒）に設定しなくともよい。生産ラインにおけるロボット動作速度の揺らぎ（タクトタイムの揺らぎ）等を考慮して、例えば、０．８回／秒を中心とした±２０％の範囲のように、所定の幅をもって設定してもよい。あるいは、例えば０．７回／秒を閾値として設定し、それ以上を「稼働中」、それ未満を「非稼働を含む」と判定してもよい。

以上のようにして、各単位記録データ（単位レコード）に対応する単位記録期間において、ロボットが「稼働中」であったか「非稼働を含む」であったかが判定される。このようにして、状態判定手段１１３は、ロボットが稼働状態にあった単位記録期間を特定し、その情報を稼働状態判定記憶手段１２４に格納する。例えば、時間軸にかかる情報（カレンダー情報）のうち、稼働中と判定された単位記録期間に「稼働」のラベルを付与し、非稼働を含んでいた単位記録期間に「ノイズ」のラベルを付与し、稼働状態判定記憶手段１２４に記憶させる。

機械学習を実施する際には、データ抽出手段は、「稼働」のラベルが付された単位記録期間の情報を稼働状態判定記憶手段１２４から読み出し、その単位記録期間に対応する特徴量を特徴量記憶手段１２２から抽出する。データ抽出手段は、抽出した特徴量を学習用データとして故障予知モデル生成手段１１５に向けて出力する。

このように、本実施形態によれば、時系列の特徴量データの中から、ロボットが稼働中（動作中）であった単位記録期間に対応する特徴量データのみを選択的に抽出することにより、ノイズの少ない機械学習用のデータを作成することができる。

次に、図６の模式図を参照して、上述のようにして抽出した学習用データを用いてオートエンコーダに機械学習させる方法について説明する。オートエンコーダは、入力された学習用データを、少ない情報量に圧縮（符号化）した後に復元（復号化）するニューラルネットワークの一種である。機械学習により「入力データをうまく圧縮し、復元するためのパラメータ」すなわち、入力データの特徴を学習する。

オートエンコーダは、入力値ｘをエンコードして中間層ｚに圧縮する。その後、中間層ｚをデコードして出力値ｙとして復元する。その際、入力値と出力値の復元誤差Ｊが少なくなるように機械学習する。

すなわち、オートエンコーダは、下記に示す数式３において復元誤差Ｊが少なくなるように、数式１のＷ、ｂ、および数式２のＷ’、ｂ’を定める。尚、ｓは活性化関数である。

学習済のオートエンコーダ（学習済モデル、あるいは故障予知モデルと記す場合がある）に、学習用データと特徴が類似したデータを入力すれば、学習時に獲得したパラメータによる符号化・復号化により復元誤差が小さい出力値が出力される。一方、学習用データとは特徴が異なるデータを学習済モデルに入力すると、学習時に獲得したパラメータではうまく圧縮・復号ができないため、復元誤差が大きくなる。

この特性を故障状態（異常状態）の予知に利用するため、本実施形態では、ロボットが正常状態であって、かつ稼働中（動作中）であった期間に対応する特徴量を入力値ｘとしてオートエンコーダに与えて機械学習させる。

また、故障予知を行う際には、評価時に抽出された特徴量の中から、学習時に選択されたのと同種であって、かつ稼働中（動作中）であった期間に対応する特徴量を抽出し、入力値ｘとして学習済モデルに入力し、出力値ｙを出力させる。そして、入力値ｘに対する出力値ｙの復元誤差を算出し、復元誤差すなわち入力と出力の乖離度を機械設備が正常状態から乖離している程度を示す指標として扱う。

また、本実施形態では、乖離度を用いて機械設備の故障発生が近いか否かを判定する際に用いる判定用閾値を、予め設定しておく。判定用閾値を設定するには、まず、学習済モデルに、正常状態から故障発生に至るまでの実際の機械設備のセンサーデータに基づく特徴量を抽出して入力し、故障が発生するまでの乖離度の経時的変化を調べる。

本実施形態では、この場合の特徴量データとして、学習時に選択されたのと同種の特徴量（同じセンサーの計測データに同じ処理をして得られた特徴量）であって、かつ稼働中（動作中）であった期間に対応する特徴量を抽出したものを用いる。稼働中（動作中）であった期間の特定は、学習用データの作成において述べたのと同様に、稼働プロファイルを用いた判定により行う。乖離度の経時的変化に基づき、故障の発生が近づいたことを判定するための判定用閾値を設定する。乖離度が判定用閾値以上であれば、機械設備の故障発生が近い、すなわち故障の予兆ありと判定する。

図７は、判定用閾値の決定方法を具体的に説明するための図である。図７のグラフの横軸は時間（時刻）、縦軸は故障の発生に近づいた度合いを示す指標値（学習済モデルの入力と出力の乖離度）であり、正常状態の初期から故障の発生に至るまでの指標値の経時変化を示している。尚、図示の便宜上、稼働中（動作中）であった期間に対応する特徴量に基づいて求めた乖離度を、時間的に連続したグラフとして示している。

故障の発生が近づいたことを故障予知装置が予知・通知してから故障が発生するまでに、稼働時間として所定期間ｔを確保したい場合、すなわち故障の発生よりも所定期間ｔだけ前に故障予知装置に予知させたい場合を想定する。この場合には、図示のように故障発生から所定期間ｔだけ遡った時点の指標値（学習済モデルの入力と出力の乖離度）の数値を、故障予知の判定用閾値Ｔとして設定する(判定用閾値設定工程)。

次に、上述した学習済モデルと判定用閾値を用いた故障予知方法について説明する。図８に示すのは、オートエンコーダを用いた故障予知方法を説明するための模式図である。

学習済モデルに、評価時の機械設備の稼働状態を示す評価データを入力し、入力値と出力値を用いて、学習した正常状態に対して機械設備がどの程度離れた状態であるのかを示す乖離度を算出する。評価データとしては、学習時に選択されたのと同種の特徴量（同じセンサーの計測データに同じ処理をして得られた特徴量）についての評価時のデータであって、かつ稼働中（動作中）であった期間に対応する特徴量を抽出したものを用いる。稼働中（動作中）であった期間の特定は、学習用データの作成において述べたのと同様に、稼働プロファイルを用いた判定により行う。

具体的には、図８に示すように故障予知モデルに評価データを入力し、その結果得られる故障予知モデルの出力値ｙと入力値ｘの復元誤差Ｊを算出し、正常状態からの乖離度として扱う。本実施形態では、この乖離度を、故障の発生に近づいた度合いを示す指標値として扱う。乖離度（復元誤差Ｊ）が判定用閾値Ｔ以上である場合には、故障の発生までの期間が所定期間ｔ以下である、すなわち故障の予兆ありと判定する。逆に、乖離度（復元誤差Ｊ）が判定用閾値Ｔ未満である場合には、故障の発生までの期間が所定期間ｔよりも長い、すなわち故障の予兆なしと判定する。

［処理手順について］
次に、故障予知装置１００が実行する処理の手順を、図９及び図１０のフローチャートを参照して説明する。
［モデルの生成］
図９は、故障予知モデルの生成についての処理手順を示すフローチャートである。

まず、ステップＳ１０１において、故障予知装置１００のセンサーデータ収集手段１１１が、機械設備１０の状態を計測するためのセンサー１１から計測データを取得し、センサーデータ記憶手段１２１に格納する。すなわち、正常な状態の機械設備に係る計測値を第１の期間において取得する（計測データ取得工程）。

次に、ステップＳ１０２において、特徴量抽出手段１１２は、センサーデータ記憶手段１２１に格納されたセンサーデータに基づいて、機械設備１０の運転状態の特徴を示す特徴量を抽出して、特徴量記憶手段１２２に格納する（特徴量抽出工程）。
次にステップＳ１０３において、状態判定手段１１３は、センサーデータ記憶手段１２１から、単位記録データ（単位レコード）を読み出す。

次にステップＳ１０４において、状態判定手段１１３は、読み出した単位記録データ（単位レコード）を、稼働プロファイル記憶手段１２３に記憶されたプロファイルと比較し、その単位記録期間においてロボットが稼働中であったかを判定する。稼働中であると判定した場合（ステップＳ１０４：ｙｅｓ）には、ステップＳ１０５に進み、状態判定手段１１３は、カレンダー情報のその単位記録期間に「稼働中」のラベルを付し、稼働状態判定記憶手段１２４に格納する。非稼働を含むと判定した場合（ステップＳ１０４：ｎｏ）には、ステップＳ１０６に進み、状態判定手段１１３は、カレンダー情報のその単位記録期間に「ノイズ」のラベルを付し、稼働状態判定記憶手段１２４に格納する。

次にステップＳ１０７において、「稼働中」のラベルを付した単位記録期間が所定数に達したかを判定する。ここで、所定数とは、高精度な故障予測モデルを生成するのに十分な量の機械学習用データを確保するために予め定められた数である。「稼働中」のラベルを付した単位記録期間が所定数に達していない場合（ステップＳ１０７：ｎｏ）には、所定数に達するまでステップＳ１０３以下を繰り返し行う。「稼働中」のラベルを付した単位記録期間が所定数に達した場合（ステップＳ１０７：ｙｅｓ）には、ステップＳ１０８に進む。

ステップＳ１０８において、データ抽出手段１１４は、稼働状態判定記憶手段１２４に記憶された機械設備が稼働中の期間に関する情報と、故障予知モデル条件記憶手段１２５に記憶された情報に基づき、特徴量記憶手段１２２から特徴量を抽出する。故障予知モデル条件記憶手段１２５には、種々の特徴量のうち機械設備が正常な状態の特徴を表すものを特定する情報（例えば、図３右に示した９種の特徴量の中から選択したもの）が予め記憶されている。また、稼働状態判定記憶手段１２４には、機械設備が稼働中の期間を特定する情報が記憶されている。このため、機械学習用データとして、機械設備が正常な状態の特徴を表す特徴量が選択され、しかも機械設備が稼働中の期間に相当する部分のみが抽出される（学習用データ抽出工程）。抽出された特徴量は、機械学習用データとして故障予知モデル生成手段１１５に出力される。

次にステップＳ１０９において、故障予知モデル生成手段１１５は、データ抽出手段１１４から入力される機械学習用データを用いて学習済モデル（故障予知モデル）を生成し、故障予知モデル記憶手段１２６に格納する（学習済モデル生成工程）。
以上の一連の処理を実行することにより、学習済モデル（故障予知モデル）を生成することができる。

［故障予知］
次に、機械設備１０が故障の発生に近づいているか否かを判定する際に、生成した学習済モデル（故障予知モデル）を用いて故障予知装置１００が実行する処理の手順を説明する。

図１０は、処理手順を示すフローチャートである。機械設備１０が故障の発生に近づいているか否かを判定する処理は、例えばユーザが故障予知装置１００の入力部１４０を用いて処理の開始を指示することによりスタートする。あるいは、機械設備１０の運転時間に応じて自動的に処理が開始されるように、故障予知装置１００の制御プログラムを構成しておいてもよい。

処理が開始されると、ステップＳ２０１において、機械設備１０の状態を計測するためのセンサー１１から、故障予知装置１００のセンサーデータ収集手段１１１が計測データを取得し、センサーデータ記憶手段１２１に格納する。すなわち、評価期間における機械設備に係る計測値を取得する。
次に、ステップＳ２０２において、特徴量抽出手段１１２は、センサーデータ記憶手段１２１に格納されたセンサーデータに基づいて、機械設備１０の運転状態の特徴を示す特徴量を抽出して、特徴量記憶手段１２２に格納する。

次に、ステップＳ２０３においては、状態判定手段１１３がセンサーデータ記憶手段１２１から単位記録データ（単位レコード）を読み出し、稼働プロファイル記憶手段１２３に記憶されたプロファイルと比較する。そして、その単位記録期間においてロボットが稼働中であったかを判定する。稼働中であると判定した場合には、状態判定手段１１３は、カレンダー情報のその単位記録期間に「稼働中」のラベルを付し、稼働状態判定記憶手段１２４に格納する。非稼働を含むと判定した場合には、状態判定手段１１３は、カレンダー情報のその単位記録期間に「ノイズ」のラベルを付し、稼働状態判定記憶手段１２４に格納する。高精度な故障予知を行うのに十分なサンプル数の「稼働中」ラベルが確保されるまで、ステップＳ２０１からステップＳ２０３を繰り返すのが望ましい。カレンダー情報に、高精度な評価を行うのに十分な数の「稼働中」のラベリングが成されたら、ステップＳ２０４に進む。

ステップＳ２０４において、データ抽出手段１１４は、稼働状態判定記憶手段１２４に記憶された機械設備が稼働中の期間に関する情報と、故障予知モデル条件記憶手段１２５に記憶された情報に基づき、特徴量記憶手段１２２から特徴量を抽出する。故障予知モデル条件記憶手段１２５には、種々の特徴量のうち機械設備が正常な状態の特徴を表すものを特定する情報（例えば、図３右に示した９種の特徴量の中から選択したもの）が予め記憶されている。また、稼働状態判定記憶手段１２４には、機械設備が稼働中の期間を特定する情報が記憶されている。このため、評価用データとして、学習用データを作成した時に用いたのと同じ種類の特徴量が選択され、しかも機械設備が稼働中の期間に相当する部分のみが抽出される（評価用データ抽出工程）。抽出された特徴量は、評価用データとして故障判定手段１１６に出力される。

次に、ステップＳ２０５において、故障判定手段１１６は、データ抽出手段１１４から入力される評価用の特徴量データを、故障予知モデル記憶手段１２６に格納された学習済モデル（故障予知モデル）に入力し、入力と出力の乖離度を算出する。

次に、ステップＳ２０６において、故障判定手段１１６は、算出した乖離度と判定用閾値とを比較し、機械設備１０が故障の発生に近づいているか否か、すなわち故障の予兆の有無を判定する。
乖離度が判定用閾値以上（ステップＳ２０６：ｙｅｓ）であれば、機械設備１０の故障発生が近いと判定し、ステップＳ２０７に移行する。

ステップＳ２０７において、故障判定手段１１６は故障通知手段１１７に対して通知指令を発する。通知指令を受けた故障通知手段１１７は、故障判定手段１１６の判定結果をユーザに通知する。通知を行う際には、ユーザインターフェースを介してユーザに通知するとともに、判定に係る情報を記憶部１２０に記憶したり、外部インターフェースを通じて外部装置に提供してもよい。ユーザに通知するには、故障予知装置１００の表示部１３０に表示したり、音声メッセージを発したり、紙等の媒体に印刷して出力する等の処理を行なってもよい。ユーザへの通知が完了すると、処理を終了（ＥＮＤ）する。

乖離度が判定用閾値未満（ステップＳ２０６：ｎｏ）であれば、機械設備１０の故障発生が遠い、すなわち故障の予兆なしと判定し、処理を終了（ＥＮＤ）する。尚、故障の予兆なしと判定した場合であっても、その結果をユーザに通知したり、判定に係る情報を記憶装置に記憶したり、外部インターフェースを通じて外部装置に提供してもよい。

以上のように、本実施形態では、例えば生産ラインに配置されたロボットのように、同一の動作を繰り返し行うが、前後の工程の状況次第で動作の仕方が変わる機械設備について、センサーの計測データに基づき各種の特徴量を抽出する。それらの特徴量の中から、ロボットの正常状態の動作を機械学習させるのに適した特徴量を選択する。

また、センサーの計測データの中から、ロボットがその動作を行う時に変化が著しい計測データを選択し、稼働状態である（動作を行っている）ことを特定するためのプロファイル情報を設定する。そして、任意の期間の計測データと、プロファイル情報を比較することにより、その期間にロボットが稼働状態であったかどうかを判定する。これにより、時系列の特徴量データの中から稼働状態であった期間の特徴量のみを抽出して機械学習用データを作成することができる。ノイズの少ない機械学習用データを作成することにより、従来と比較して予測精度の高い学習済モデル（故障予知モデル）を作成することができる。また、判定用閾値を設定する際、および評価用データを作成する際にも、稼働状態であった期間の特徴量のみを抽出することができるため、学習済モデル（故障予知モデル）を用いた故障予知の精度を高めることができる。

［他の実施形態］
本発明の実施は、以上説明した実施形態に限定されるものではなく、本発明の技術的思想の範囲内で多くの変形が可能である。
例えば、上述した実施形態では、いわゆる教師無し学習の手法により、オートエンコーダを用いて故障予知モデルを作成したが、本発明はいわゆる教師有り学習の手法を用いて故障予知モデルを作成して実施することも可能である。教師あり学習とは、ある入力と結果（ラベル）のデータの組を大量に学習装置に与えて、それらデータセットにある特徴を学習させ、入力から結果を推定するモデル、すなわち入出力の関係性を帰納的に獲得する学習済モデルを構築する手法である。

また、上述した実施形態では、機械学習の例としてニューラルネットワークを利用する方法を説明したが、機械学習の方法はこれに限られるものではなく、例えば遺伝的プログラミング、機能論理プログラミング、サポートベクターマシンなどを用いてもよい。機械学習を行う装置としては、汎用の計算機もしくはプロセッサを用いることもできるが、ＧＰＧＰＵ機能を備えたグラフィックス・プロセッシング・ユニットや、大規模ＰＣクラスタ等を利用すると、高速処理が可能になる。

また、機械学習は１回に限られるわけではなく、追加学習を行ってもよい。その場合には、機械設備が稼働状態であった期間の特徴量のみを抽出して追加学習を行う。

また、稼働プロファイルには、その機械設備がその動作を行う時に最も頻繁に変化するパラメータを選ぶのが良いが、回転関節の回転速度はその一例にすぎず、機械設備の種類や動作内容により稼働状態を判定するためのパラメータは適宜選択され得る。

また、稼働中か、非稼働期間があるかを判断するのに、実施形態では単位時間あたりのゼロ交差点の回数を指標として用いたが、これに限られるものではない。例えば、単位時間あたりの変曲点の数や極値の数を指標としてもよい。

また、上述した実施形態では、故障予知装置は、取得したセンサーデータについて特徴量を抽出してから、稼働状態にある期間を特定し、全ての特徴量の中からその期間の特徴量を抽出したが、処理方法はこの例に限られるものではない。例えば、先にセンサーデータに基づいて稼働状態にある期間を特定し、その期間に相当するセンサーデータのみから特徴量を抽出してもよい。

本発明の故障予知装置は、例えば産業用ロボット、サービス用ロボット、コンピュータによる数値制御で動作する加工機械、等の様々な機械や設備の故障予知に適用することが可能である。機械設備と故障予知装置を一体化して故障予知システムを構成したり、機械設備の一部として故障予知装置を設けてもよい。

本発明は、実施形態の１以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける１つ以上のプロセッサがプログラムを読出し実行する処理でも実現可能である。また、１以上の機能を実現する回路（例えば、ＡＳＩＣ）によっても実現可能である。

１０・・・機械設備／１１・・・センサー／１００・・・故障予知装置／１１０・・・制御部／１１１・・・センサーデータ収集手段／１１２・・・特徴量抽出手段／１１３・・・状態判定手段／１１４・・・データ抽出手段／１１５・・・故障予知モデル生成手段／１１６・・・故障判定手段／１１７・・・故障通知手段／１２０・・・記憶部／１２１・・・センサーデータ記憶手段／１２２・・・特徴量記憶手段／１２３・・・稼働プロファイル記憶手段／１２４・・・稼働状態判定記憶手段／１２５・・・故障予知モデル条件記憶手段／１２６・・・故障予知モデル記憶手段／１３０・・・表示部／１４０・・・入力部

Claims (12)

1. 正常な状態の機械設備に係る計測値を第１の期間において取得し、
   前記計測値と、前記機械設備が稼働状態にある際の計測値のプロファイル情報とを用いて、前記第１の期間の内で前記機械設備が稼働状態であった期間を特定し、
   前記第１の期間の内で前記機械設備が稼働状態であった期間の前記計測値に基づく特徴量を機械学習用データとして抽出し、
   前記機械学習用データを用いた機械学習により学習済モデルを生成し、
   前記学習済モデルを用いて、評価時における前記機械設備の状態を判定する、
   ことを特徴とする制御方法。
2. 前記評価時における前記機械設備の状態の判定において、
   評価期間における前記機械設備に係る計測値を取得し、
   前記評価期間における前記機械設備に係る計測値と、前記機械設備が稼働状態にある際の計測値のプロファイル情報とを用いて、前記評価期間の内で前記機械設備が稼働状態であった期間を特定し、
   前記評価期間の内で前記機械設備が稼働状態であった期間の前記計測値に基づく特徴量を評価用特徴量として抽出し、
   前記評価用特徴量と前記学習済モデルとを用いて、前記機械設備が前記正常な状態から乖離した度合いを示す指標値を求め、前記評価期間における前記機械設備の状態を判定する、
   ことを特徴とする請求項１に記載の制御方法。
3. 前記機械学習用データとして抽出した前記特徴量と同種の特徴量についての前記機械設備が正常状態から異常状態に至るまでのデータを前記学習済モデルに入力し、前記学習済モデルに入力した入力データと前記学習済モデルから出力される出力データとの乖離度を求め、前記機械設備が正常状態から異常状態に至るまでの期間における前記乖離度の経時変化に基づき判定用閾値を設定し、
   前記指標値と前記判定用閾値を用いて前記評価期間における前記機械設備の状態を判定する、
   ことを特徴とする請求項２に記載の制御方法。
4. 前記判定用閾値の設定において、前記機械設備が正常状態から異常状態に至るまでのデータのうち、前記機械設備が稼働状態であった期間のデータを抽出して前記学習済モデルに入力する、
   ことを特徴とする請求項３に記載の制御方法。
5. 前記計測値は複数のセンサーにより計測された複数の計測値を含み、
   前記プロファイル情報は、前記複数の計測値のうち、前記機械設備が所定の繰り返し動作をする際の変化度が大きな計測値に基づいて設定される、
   ことを特徴とする請求項１乃至４のいずれか１項に記載の制御方法。
6. 前記プロファイル情報は、単位時間内に速度センサーの計測値がゼロになる回数に基づいて設定される、
   ことを特徴とする請求項１乃至５のいずれか１項に記載の制御方法。
7. 前記学習済モデルの生成において、オートエンコーダを用いた機械学習により前記学習済モデルを生成する、
   ことを特徴とする請求項１乃至６のいずれか１項に記載の制御方法。
8. 前記機械設備の状態の判定において判定された結果を、制御部が通知する、
   ことを特徴とする請求項１乃至７のいずれか１項に記載の制御方法。
9. 正常な状態の機械設備に係る計測値を第１の期間において取得し、
   前記計測値と、前記機械設備が稼働状態にある際の計測値のプロファイル情報とを用いて、前記第１の期間の内で前記機械設備が稼働状態であった期間を特定し、
   前記第１の期間の内で前記機械設備が稼働状態であった期間の前記計測値に基づく特徴量を機械学習用データとして抽出し、
   前記機械学習用データを用いた機械学習により学習済モデルを生成し、
   前記学習済モデルを用いて、評価時における前記機械設備の状態を判定する、制御部を備える、
   ことを特徴とする制御装置。
10. 請求項９に記載の制御装置を備えた機械設備。
11. 請求項１乃至８のいずれか１項に記載の制御方法をコンピュータが実行可能な制御プログラム。
12. 請求項１１に記載の制御プログラムを格納した、コンピュータで読み取り可能な記録媒体。

Images