JP2022002044A - 設備状態分析装置 - Google Patents
設備状態分析装置 Download PDFInfo
- Publication number
- JP2022002044A JP2022002044A JP2020107134A JP2020107134A JP2022002044A JP 2022002044 A JP2022002044 A JP 2022002044A JP 2020107134 A JP2020107134 A JP 2020107134A JP 2020107134 A JP2020107134 A JP 2020107134A JP 2022002044 A JP2022002044 A JP 2022002044A
- Authority
- JP
- Japan
- Prior art keywords
- equipment
- signal
- label information
- machine
- unit
- 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】機械設備の動作状態の分析を容易にできる設備状態分析装置を提供する。【解決手段】設備状態分析装置3は、機械設備2の動作に起因する複数種のビット信号を機械設備2から取得するビット信号取得部32と、機械学習の学習フェーズとして、複数種のビット信号の時系列データにより構成されるビット信号データ群D1,D2を用いて機械設備2の動作要因種別を分類し、機械学習の使用フェーズとして、複数種のビット信号が入力された場合に分類された機械設備2の動作要因種別を出力する分類部33と、分類された動作要因種別に対してラベル情報を設定するラベル情報設定部34と、分類部33により出力された動作要因種別とラベル情報設定部34に設定されたラベル情報とに基づいて、機械設備2の動作状態の要因分析結果としてラベル情報を表示する表示機器37とを備える。【選択図】図7
Description
本発明は、設備状態分析装置に関するものである。
機械設備の動作状態を分析するためには、機械設備におけるPLC(Programmable Logic Controller)等のシーケンス制御装置のビット信号を取得し、作業者が、分析プログラムを設計する。作業者は、例えば、機械設備の運転中や停止中等の動作種別、さらには停止原因種別において、どのビット信号がどのような状態であるかを把握することで、分析プログラムの設計を行っている。
例えば、機械設備が停止中である場合において、異常停止による停止、工作物の定期的な品質チェックによる停止、工作機械における新品工具への交換作業による停止等がある。例えば、シーケンス制御装置における異常を表すビット信号がONの場合には、作業者は、異常停止による停止中と判断する。機械設備の復旧作業が終了した後に、作業者により機械設備の起動ボタンが操作された場合に、異常を表すビット信号は自動的にOFFになる。
また、作業者による品質チェック開始ボタンの操作に伴うビット信号がONの場合には、作業者は、品質チェックによる停止中と判断する。作業者による品質チェック処理が終了した後に、作業者により品質チェック終了ボタンが操作された場合に、品質チェック中を表すビット信号はOFFになる。
また、作業者が新品工具への交換作業の開始ボタンの操作に伴うビット信号がONの場合には、作業者は、工具交換による停止中と判断する。作業者による工具交換作業が終了した後に、作業者による運転開始ボタンが操作された場合に、工具交換作業中を表すビット信号はOFFになる。
そして、上記例において、作業者は、分析プログラムを設計する際には、それぞれの動作に対応するビット信号を把握し、当該ビット信号とその停止原因動作種別との関連付けを設定する。また、機械設備が異なれば、どのビット信号がどの動作に対応しているかが異なるため、さらには停止原因動作種別も異なる。そのため、作業者は、機械設備毎に分析プログラムの設計を行っている。
ところで、特許文献1により、シーケンス制御装置において、遷移条件と制御対象の状態遷移を定義表に記述することにより、状態遷移を伴うシーケンス制御プログラムを自動的に生成することは知られている。
作業者が、機械設備毎に分析プログラムを設計するのでは、非常に設計工数を要する。従って、設計工数を低減することが求められている。さらに、分析プログラムの設計は、それぞれのビット信号が何を表しているかを把握する必要があり、シーケンス制御プログラムを把握することが必要である。シーケンス制御プログラムの把握は、熟練知識が必要であり、未熟練者が分析プログラムを設計することは容易ではない。
本発明は、機械設備の動作状態の分析を容易にできる設備状態分析装置を提供することを目的とする。
設備状態分析装置は、機械設備の動作に起因する複数種のビット信号を前記機械設備から取得するビット信号取得部と、機械学習の学習フェーズとして、複数種の前記ビット信号の時系列データにより構成されるビット信号データ群を用いて前記機械設備の動作要因種別を分類し、機械学習の使用フェーズとして、複数種の前記ビット信号が入力された場合に分類された前記機械設備の動作要因種別を出力する分類部と、分類された前記動作要因種別に対してラベル情報を設定するラベル情報設定部と、前記分類部により出力された前記動作要因種別と前記ラベル情報設定部に設定された前記ラベル情報とに基づいて、前記機械設備の動作状態の要因分析結果として前記ラベル情報を表示する表示機器とを備える。
分類部が、機械学習により、ビット信号データ群を用いて機械設備の動作要因種別を分類する。つまり、分類部は、ビット信号のON/OFF情報の組み合わせを機械学習の学習フェーズにて学習することで、機械設備の動作要因種別を分類している。ただし、機械学習で動作要因種別の分類を行うことができたとしても、分類された動作要因種別が何であるかを学習することはできない。
そこで、ラベル情報設定部によって、分類された動作要因種別に対してラベル情報を設定する。従って、機械学習とラベル情報の設定との組み合わせによって、ビット信号のON/OFF情報の組み合わせに、動作要因種別のラベル情報を関連付けることができる。
そして、分類部は、上記の学習フェーズの学習を行うことにより、機械学習の使用フェーズにおいて、ビット信号が入力された場合に動作要因種別を出力することができる。表示機器は、出力された動作要因種別と、ラベル情報設定部により設定されたラベル情報とに基づいて、機械設備の動作状態の要因分析結果を表示することができる。特に、表示機器は、機械設備の動作状態の要因分析結果として、ラベル情報を表示することができる。
このように、作業者は、ビット信号を把握することなく、シーケンス制御プログラムの把握をすることなく、機械設備の動作状態の要因分析を行うことができる。つまり、熟練知識を有することなく、機械設備の動作状態の分析を容易にできる。
(1.設備状態分析システムにおける機械設備の例)
機械設備は、産業用の機械設備である。機械設備は、例えば、工作機械、組立ロボット、搬送装置等の生産設備や、エレベータ、自動ドア等の建物設備等を含む。また、機械設備は、生産設備によって生産された対象物の検査設備、生産設備や建物設備を対象とする検査設備等を含む。
機械設備は、産業用の機械設備である。機械設備は、例えば、工作機械、組立ロボット、搬送装置等の生産設備や、エレベータ、自動ドア等の建物設備等を含む。また、機械設備は、生産設備によって生産された対象物の検査設備、生産設備や建物設備を対象とする検査設備等を含む。
また、機械設備は、PLCを制御装置として備える設備を対象とする。PLCの制御プログラムは、シーケンス言語によるプログラムであり、当該制御プログラムの各シーケンスにおいて逐次出力される値が、ビット信号である。シーケンス言語は、例えば、ラダー言語やシーケンシャルファンクションチャート(SFC)等である。
(2.設備状態分析システム1の構成)
設備状態分析システム1の構成例について、図1を参照して説明する。設備状態分析システム1は、機械設備2と、設備状態分析装置3とを備える。本例では、機械設備2は、工作機械により工作物Wを加工するライン設備とする。機械設備2は、搬入装置11、工作機械12、搬送装置13、工作機械14、搬出装置15を備え、順に配列されている。
設備状態分析システム1の構成例について、図1を参照して説明する。設備状態分析システム1は、機械設備2と、設備状態分析装置3とを備える。本例では、機械設備2は、工作機械により工作物Wを加工するライン設備とする。機械設備2は、搬入装置11、工作機械12、搬送装置13、工作機械14、搬出装置15を備え、順に配列されている。
さらに、機械設備2は、搬入装置11において工作物Wの有無を検出するセンサ21、工作機械12の制御を行う制御装置22、搬送装置13において工作物Wの有無を検出するセンサ23、工作機械14の制御を行う制御装置24、搬出装置15において工作物Wの有無を検出するセンサ25を備える。ここで、制御装置22,24は、例えば、PLCおよびCNC(Computerized Numerical Control)装置を含む。なお、PLCは、状態を表すビット信号を出力する。CNC装置は、状態を表す数値を出力することができる。
設備状態分析装置3は、機械設備2から取得した信号に基づいて、機械設備2の動作状態の要因分析を行う。設備状態分析装置3は、機械設備2を構成するセンサ21,23,25および制御装置22,24から信号を取得する。設備状態分析装置3は、例えば、正常運転中であるか停止中であるか等の機械設備2の稼働状況を分析する。さらに、設備状態分析装置3は、停止中である場合において、停止要因を分析する。また、設備状態分析装置3は、それぞれの停止要因のカウントを行うことで、停止要因毎の頻度を分析することができる。ただし、設備状態分析装置3は、正常運転中であるか停止中であるかに限定されることなく、機械設備2の種々の動作状態を分析するようにしても良い。
設備状態分析装置3は、従来のように分析プログラムを設計するのではなく、分析プログラムの処理と同様の処理を、機械学習を適用することにより実行する。つまり、設備状態分析装置3は、分析プログラムを設計することなく、機械設備2の動作状態の分析が可能となる。
設備状態分析装置3は、例えば、以下のようなハードウェア構成を有する。設備状態分析装置3は、例えば、プロセッサ、記憶装置、インターフェイス等を備える演算処理装置と、演算処理装置のインターフェイスに接続可能な入力機器と、演算処理装置のインターフェイスに接続可能な出力機器とを備える。出力機器は、例えば、表示装置を含むようにしてもよい。また、演算処理装置、入力機器、および、出力機器が、インターフェイスを介さずに、1つのユニットを構成するようにしてもよい。また、演算処理装置の一部および記憶装置の一部は、物理サーバやクラウドサーバを適用することもできる。
(3.設備状態分析装置3の第一例の学習フェーズ)
設備状態分析装置3は、機械学習の第一例の学習フェーズについて、図2−図6を参照して説明する。図2に示すように、設備状態分析装置3は、学習フェーズにおいて、選別信号出力部31、ビット信号取得部32、分類部33、ラベル情報設定部34、ラベル情報記憶部35を備える。
設備状態分析装置3は、機械学習の第一例の学習フェーズについて、図2−図6を参照して説明する。図2に示すように、設備状態分析装置3は、学習フェーズにおいて、選別信号出力部31、ビット信号取得部32、分類部33、ラベル情報設定部34、ラベル情報記憶部35を備える。
選別信号出力部31は、機械設備2からの信号に基づいて、機械設備2の動作要因を分析するための対象動作を選別するための選別信号を出力する。つまり、機械設備2の全ての動作に対して動作要因を分析するのではなく、特定の一部の対象動作に対して動作要因を分析するようにしている。そこで、選別信号出力部31は、対象動作であるか否かを判定するための選別信号を出力している。選別信号出力部31は、機械設備2を構成する制御装置22,24およびセンサ21,23,25から取得した信号を用いて選別信号を生成し、出力する。
選別信号は、機械設備2の動作に関して時間の長さ情報を有する信号、回数情報を有する信号、程度情報を有する信号の少なくとも1つである数値信号が所定閾値を超えた場合に出力される信号とすることができる。
例えば、工作物W毎のサイクルタイムが図3に示すように推移しているものとする。サイクルタイムは、機械設備2の動作に関して時間の長さ情報を有する信号の例である。サイクルタイムが、P1のように、所定閾値Th以下であれば、正常運転が行われていることを意味し、P2のように、所定閾値Thを超えていれば、何らかの事情によって停止したことを意味する。さらに、サイクルタイムの長さが、停止時間の長さに対応する。
サイクルタイムは、工作機械12,14のCNC装置(制御装置22,24の一部機能)によって演算される。そして、選別信号出力部31が、CNC装置(制御装置22,24の一部機能)からサイクルタイムを取得し、取得したサイクルタイムが所定閾値Thを超えたか否かを判断する。選別信号出力部31は、サイクルタイムが所定閾値Thを超えている場合に、選別信号を出力する。この場合、サイクルタイムが所定閾値Thを超えるほど長い場合が、動作要因を分析する対象動作となる。
また、選別信号は、上記の他に、機械設備2が正常運転中信号と停止中信号との何れか一方を出力可能である場合において、停止中信号としても良い。つまり、機械設備2が停止中である場合を、動作要因を分析する対象動作とする。
ビット信号取得部32は、機械設備2の動作に起因する複数種のビット信号を機械設備から取得する。ビット信号取得部32は、機械設備2を構成する制御装置22,24およびセンサ21,23,25からビット信号を取得する。ビット信号は、ON/OFF信号である。
例えば、図4は、図3におけるP1に対応する複数種のビット信号の時系列データにより構成されるビット信号データ群D1を示し、図5は、図3におけるP2に対応する複数種のビット信号の時系列データにより構成されるビット信号データ群D2を示す。図4に示すビット信号データ群D1を構成するビット信号Aは、ON、OFFを繰り返しており、ビット信号Bは、ONを継続しており、ビット信号Cは、OFFを継続している。
分類部33は、機械学習の学習フェーズとして、ビット信号データ群D1,D2を用いて、機械設備2の動作要因種別を分類する。つまり、分類部33は、ビット信号データ群D1,D2を構成するビット信号のON/OFF情報の組み合わせから、機械設備2の動作要因種別を、例えばクラスター解析等により分類する。
つまり、分類部33は、ビット信号データ群D1,D2を説明変数とし、動作要因種別の分類を目的変数として、機械学習を行うことにより、学習済みモデルを生成する。生成された学習済みモデルは、ビット信号が入力された場合に、分類された機械設備2の動作要因種別を出力する。
特に、分類部33は、選別信号出力部31により選別信号が出力された場合における動作要因種別の分類を行う。選別信号が例えば停止中信号である場合には、分類部33は、停止中における動作要因種別を分類する。
そして、分類部33は、例えば、停止中における要因種別(停止要因種別)として、Ga,Gb,Gc,・・・に分類する。分類Gaは、例えば、機械設備2が非常停止により停止している状態に対応する。分類Gbは、例えば、機械設備2が工具交換により停止している状態に対応する。分類Gcは、例えば、機械設備2が工作物Wの品質チェックのために停止している状態に対応する。ただし、分類部33は、動作要因種別(例えば、停止要因種別)を分類することができるが、非常停止や工具交換等のように動作要因の内容について把握することはできない。
上述したように、分類部33は、選別信号出力部31により選別信号が出力された場合における動作要因種別の分類を行うこととした。このとき、分類に用いるビット信号データ群D1,D2は、選別信号が出力された場合におけるデータのみを用いるようにしても良いし、全てのデータ、すなわち選別信号が出力されていない場合も含めたデータを用いるようにしても良い。
前者の場合には、対象動作(例えば、停止中)におけるデータのみを用いて分類する。一方、後者の場合には、対象動作(例えば、停止中)におけるデータと、対象動作以外(例えば、正常運転中)におけるデータとを比較することにより、分類することができる。
ラベル情報設定部34は、分類部33により分類された動作要因種別Ga,Gb,Gcに対してラベル情報を設定する。上述したように、分類部33は、動作要因種別Ga,Gb,Gcを分類することはできるが、その内容については把握できない。そこで、ラベル情報設定部34によって、分類された内容を示すラベル情報を設定する。
ここで、本例においては、ラベル情報設定部34は、ラベル情報としてテキストまたは画像を入力可能な入力機器としている。作業者が、分類された動作要因種別を確認しながら、ラベル情報をテキストまたは画像により入力することで、ラベル情報が設定される。
動作要因種別の分類Ga,Gb,Gcとラベル情報との対応情報は、ラベル情報記憶部35に記憶される。ラベル情報記憶部35に記憶されているラベル対応情報は、図6に示すように、分類名とラベル情報とが対応付けられている。
上記のとおり、設備状態分析装置3は、学習フェーズにおいて、ビット信号データ群D1,D2を用いて動作要因種別を分類すると共に、分類された動作要因種別にラベル情報を対応付けてラベル情報記憶部35に記憶する。特に、設備状態分析装置3は、選別信号が出力された場合における動作要因種別を分類している。このように、一部の対象動作のみについて分類することで、処理時間を短くすることができ、雑多な情報を用いて分類する場合に比べて高精度な分類が可能となる。
(4.設備状態分析装置3の使用フェーズ)
設備状態分析装置3は、機械学習の使用フェーズについて、図7および図8を参照して説明する。図7に示すように、設備状態分析装置3は、使用フェーズにおいて、選別信号出力部31、ビット信号取得部32、分類部33、ラベル情報記憶部35、カウンタ36、表示機器37を備える。選別信号出力部31、ビット信号取得部32、および、ラベル情報記憶部35は、上述した学習フェーズと同様であるため、説明を省略する。
設備状態分析装置3は、機械学習の使用フェーズについて、図7および図8を参照して説明する。図7に示すように、設備状態分析装置3は、使用フェーズにおいて、選別信号出力部31、ビット信号取得部32、分類部33、ラベル情報記憶部35、カウンタ36、表示機器37を備える。選別信号出力部31、ビット信号取得部32、および、ラベル情報記憶部35は、上述した学習フェーズと同様であるため、説明を省略する。
分類部33は、機械学習の使用フェーズとして、複数種のビット信号が入力された場合に、分類された機械設備2の動作要因種別を出力する。つまり、分類部33は、学習フェーズにて生成された学習済みモデルを用いて、複数種のビット信号を新たに入力することで、学習済みモデルの出力として、分類された機械設備2の動作要因種別が出力される。
例えば、分類部33は、ビット信号取得部32により取得された現時点における複数種のビット信号を入力することで、現在の機械設備2の動作状態における動作要因種別を出力する。ここで、使用フェーズにおいて、分類部33は、選別信号出力部31により選別信号が出力された場合における動作要因種別を出力する。分類部33は、例えば、機械設備2が停止中における停止要因種別を出力する。
カウンタ36は、分類部33により出力された動作要因種別が発生した回数をカウントする。つまり、カウンタ36は、動作要因種別毎に、発生回数を記憶する。
表示機器37は、分類部33により出力された動作要因種別とラベル情報設定部34に設定されたラベル情報とに基づいて、機械設備2の動作状態の要因分析結果としてラベル情報を表示する。表示機器37は、例えば、図8に示すように、それぞれの機械設備M1,M2、M3について、1日の動作状況を表示している。図8においては、正常運転中、停止(非常停止)、停止(工具交換)、停止(品質チェック)は、色や表示パターンによって区別して表示されている。表示機器37の表示内容を作業者が確認することによって、機械設備2の動作状況を把握できると共に、例えば停止中の場合の停止要因種別を把握することができる。
さらに、表示機器37は、カウンタ36に記憶された動作要因種別毎の発生回数も表示する。図8においては、各機械設備M1,M2、M3の時間表示の右欄の数値である。本例では、3種類の動作要因種別を表示しており、左から順に、非常停止の回数、工具交換の回数、品質チェックの回数を表示している。当該数値は、例えば、1か月の期間におけるそれぞれの動作要因種別の回数を表示している。
従って、機械設備M1,M2、M3のそれぞれにおいて、現在の動作状況を把握でき、例えば、停止要因種別を把握できる。さらに、停止要因種別の発生頻度を機械設備M1,M2、M3毎に把握できる。
(5.ラダー言語)
上述した設備状態分析装置3による処理を、ラダー言語にて表現した場合には、例えば、図9のようになる。図9において、ビット信号AがON、ビット信号BがONの場合に、コイルX1がONとなる。コイルX1が、非常停止に相当する。コイルX1がONになると、レジスタY1の処理、例えば、非常停止のカウンタを1増加する処理を行う。
上述した設備状態分析装置3による処理を、ラダー言語にて表現した場合には、例えば、図9のようになる。図9において、ビット信号AがON、ビット信号BがONの場合に、コイルX1がONとなる。コイルX1が、非常停止に相当する。コイルX1がONになると、レジスタY1の処理、例えば、非常停止のカウンタを1増加する処理を行う。
ビット信号CがON、ビット信号DがOFFの場合に、コイルX2がONとなる。コイルX2が、工具交換による停止に相当する。コイルX2がONになると、レジスタY2の処理、例えば、工具交換による停止のカウンタを1増加する処理を行う。ビット信号AがON、ビット信号EがOFFの場合に、コイルX3がONとなる。コイルX3が、工作物Wの品質チェックによる停止に相当する。コイルX3がONになると、レジスタY3の処理、例えば、工作物Wの品質チェックによる停止のカウンタを1増加する処理を行う。
(6.効果)
上述した設備状態分析装置3による効果について説明する。分類部33が、機械学習により、ビット信号データ群D1,D2を用いて機械設備2の動作要因種別を分類する。つまり、分類部33は、ビット信号のON/OFF情報の組み合わせを機械学習の学習フェーズにて学習することで、機械設備2の動作要因種別を分類している。ただし、機械学習で動作要因種別の分類を行うことができたとしても、分類された動作要因種別が何であるかを学習することはできない。
上述した設備状態分析装置3による効果について説明する。分類部33が、機械学習により、ビット信号データ群D1,D2を用いて機械設備2の動作要因種別を分類する。つまり、分類部33は、ビット信号のON/OFF情報の組み合わせを機械学習の学習フェーズにて学習することで、機械設備2の動作要因種別を分類している。ただし、機械学習で動作要因種別の分類を行うことができたとしても、分類された動作要因種別が何であるかを学習することはできない。
そこで、ラベル情報設定部34によって、分類された動作要因種別に対してラベル情報を設定する。設定されたラベル情報は、ラベル情報記憶部35に記憶される。従って、機械学習とラベル情報の設定との組み合わせによって、ビット信号のON/OFF情報の組み合わせに、動作要因種別のラベル情報を関連付けることができる。
そして、分類部33は、上記の学習フェーズの学習を行うことにより、機械学習の使用フェーズにおいて、ビット信号が入力された場合に動作要因種別を出力することができる。表示機器37は、出力された動作要因種別と、ラベル情報設定部34により設定されたラベル情報とに基づいて、機械設備2の動作状態の要因分析結果を表示することができる。特に、表示機器37は、機械設備2の動作状態の要因分析結果として、ラベル情報を表示することができる。
このように、作業者は、ビット信号を把握することなく、シーケンス制御プログラムの把握をすることなく、機械設備2の動作状態の要因分析を行うことができる。つまり、熟練知識を有することなく、機械設備2の動作状態の分析を容易にできる。
(7.設備状態分析装置4の第二例の学習フェーズ)
設備状態分析装置4は、機械学習の第二例の学習フェーズについて、図10を参照して説明する。
設備状態分析装置4は、機械学習の第二例の学習フェーズについて、図10を参照して説明する。
第二例の学習フェーズは、例えば、以下のような場面で使用することができる。既に設備状態分析装置3において、対象の機械設備2に関する動作要因種別の分類がされており、動作要因種別とラベル情報との対応付けがされているとする。そして、別の機械設備2を分析対象とする場合には、当該機械設備2に応じた動作要因種別の分類やラベル情報の設定等を行う必要がある。ただし、これらの機械設備2は、共通する構成を多く有しており、既に存在している動作要因種別の分類やラベル情報を利用することができる。なお、既に存在している情報を利用しない場合には、第一例の学習フェーズを適用すれば良い。
図10に示すように、設備状態分析装置4は、学習フェーズにおいて、選別信号出力部31、ビット信号取得部32、マスターデータ記憶部41、比較部42、分類部43、ラベル情報設定部44、ラベル情報記憶部35を備える。選別信号出力部31、ビット信号取得部32、ラベル情報記憶部35は、第一例の学習フェーズと同一構成であるため、詳細な説明を省略する。
マスターデータ記憶部41は、既に存在している動作要因種別の分類やラベル情報に関するマスターデータを記憶する。マスターデータとは、ビット信号データ群D1,D2に相当するマスター信号パターン群にラベル情報が付与されたデータである。そして、マスターデータ記憶部41には、複数のマスターデータが記憶されている。
ここで、それぞれのマスターデータにおけるマスター信号パターン群は、例えば、他の機械設備2で取得したビット信号パターン群を用いて生成しても良いし、他の機械設備2で取得したビット信号パターン群の中から代表的なものを選択しても良い。さらに、複数のマスターデータは、できるだけ構成の異なる機械設備2を対象とすると良い。つまり、マスターデータ記憶部41は、多種多様なタイプの機械設備2に関するマスターデータを記憶する。
比較部42は、ビット信号データ群と複数のマスターデータとを比較して、ビット信号データ群とそれぞれのマスターデータとの類似度を取得し、取得した類似度を出力する。ここで、比較部42は、機械学習により、類似度を取得すると良い。ビット信号データ群に含まれるビット信号の種類は多数であるため、類似度を導き出すのは容易ではない。そこで、機械学習を用いることにより、類似度を容易に取得することができる。
分類部43は、第一例の学習フェーズにおける分類部33の処理と実質的には同一である。ただし、第二例の学習フェーズでは、分類数を予め設定した状態で、機械学習が行われる。そこで、分類部43は、比較部42が出力したそれぞれの類似度に基づいて類似度が最も高いマスターデータを決定する。つまり、分類部43における分類数は、比較部42により出力された類似度が最も高いマスターデータにおけるマスター信号パターン群の分類数に応じた分類数に設定される。
そして、分類部43は、ビット信号データ群を用いて、設定された分類数となるように、機械設備2の動作要因種別を分類する。ここで、比較部42により取得された類似度が高い状態においては、対象の機械設備2は、対象のマスターデータに対応する機械設備2と同様の構成である可能性が高いと言える。そこで、対象の機械設備2の動作要因種別の分類は、対象のマスターデータと同様の分類ができると考え、上記のとおりとした。
ラベル情報設定部44は、比較部42が出力したそれぞれの類似度に基づいて類似度が最も高いマスターデータを決定する。そして、ラベル情報設定部44は、決定されたマスターデータに付与されたラベル情報を、対象の動作要因種別に対するラベル情報として設定する。このように、ラベル情報の設定は、既に存在している情報をマスターデータとして利用することにより、作業者による入力を行う必要がない。ただし、ラベル情報の設定は、マスターデータの利用と、作業者による入力とを併用することもできる。
1:設備状態分析システム、 2:機械設備、 3,4:設備状態分析装置、 21,23,25:センサ、 22,24:制御装置、 31:選別信号出力部、 32:ビット信号取得部、 33:分類部、 34:ラベル情報設定部、 35:ラベル情報記憶部、 36:カウンタ、 37:表示機器、 41:マスターデータ記憶部、 42:比較部、 43:分類部、 44:ラベル情報設定部
Claims (8)
- 機械設備の動作に起因する複数種のビット信号を前記機械設備から取得するビット信号取得部と、
機械学習の学習フェーズとして、複数種の前記ビット信号の時系列データにより構成されるビット信号データ群を用いて前記機械設備の動作要因種別を分類し、機械学習の使用フェーズとして、複数種の前記ビット信号が入力された場合に分類された前記機械設備の動作要因種別を出力する分類部と、
分類された前記動作要因種別に対してラベル情報を設定するラベル情報設定部と、
前記分類部により出力された前記動作要因種別と前記ラベル情報設定部に設定された前記ラベル情報とに基づいて、前記機械設備の動作状態の要因分析結果として前記ラベル情報を表示する表示機器と、
を備える、設備状態分析装置。 - 前記設備状態分析装置は、さらに、
前記機械設備から取得した信号に基づいて、前記機械設備の動作要因を分析するための対象動作を選別するための選別信号を出力する選別信号出力部を備え、
前記分類部は、前記選別信号出力部により前記選別信号が出力された場合における前記動作要因種別を分類する、請求項1に記載の設備状態分析装置。 - 前記選別信号は、前記機械設備の動作に関して時間の長さ情報を有する信号、回数情報を有する信号、程度情報を有する信号の少なくとも1つである数値信号が所定閾値を超えた場合に出力される信号である、請求項2に記載の設備状態分析装置。
- 前記選別信号は、前記機械設備が正常運転中信号と停止中信号との何れか一方を出力可能である場合において、前記停止中信号である、請求項2に記載の設備状態分析装置。
- 前記ラベル情報設定部は、前記ラベル情報としてテキストまたは画像を入力可能な入力機器である、請求項1−4の何れか1項に記載の設備状態分析装置。
- 前記設備状態分析装置は、さらに、
前記ビット信号データ群に相当するマスター信号パターン群に前記ラベル情報が付与されたデータをマスターデータとし、複数の前記マスターデータを記憶するマスターデータ記憶部と、
前記ビット信号データ群と複数の前記マスターデータとを比較して、前記ビット信号データ群とそれぞれの前記マスターデータとの類似度を出力する比較部と、
を備え、
前記ラベル情報設定部は、前記比較部が出力したそれぞれの前記類似度に基づいて前記類似度が最も高い前記マスターデータを決定し、決定された前記マスターデータに付与された前記ラベル情報を、対象の前記動作要因種別に対する前記ラベル情報として設定する、請求項1−5の何れか1項に記載の設備状態分析装置。 - 前記比較部は、機械学習により、前記類似度を取得する、請求項6に記載の設備状態分析装置。
- 前記分類部は、前記マスター信号パターン群の分類数に応じた分類数に設定し、前記分類数に基づいて前記動作要因種別を分類する、請求項6または7に記載の設備状態分析装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020107134A JP2022002044A (ja) | 2020-06-22 | 2020-06-22 | 設備状態分析装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020107134A JP2022002044A (ja) | 2020-06-22 | 2020-06-22 | 設備状態分析装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022002044A true JP2022002044A (ja) | 2022-01-06 |
Family
ID=79244729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020107134A Pending JP2022002044A (ja) | 2020-06-22 | 2020-06-22 | 設備状態分析装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2022002044A (ja) |
-
2020
- 2020-06-22 JP JP2020107134A patent/JP2022002044A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10203666B2 (en) | Cell controller for finding cause of abnormality in manufacturing machine | |
US7684892B2 (en) | Process for generating control sequence of operations | |
US11701772B2 (en) | Operation prediction system and operation prediction method | |
US7809457B2 (en) | Framework for automatic generation of sequence of operations | |
US20170277174A1 (en) | Machining machine system which determines acceptance/rejection of workpieces | |
JP6832327B2 (ja) | 生産プロセス中に異常なワークピースを自動検出するためのデータ駆動方法 | |
JP6603272B2 (ja) | 情報収集装置及び情報収集方法 | |
JP2017130094A (ja) | セル制御装置、及び製造セルにおける複数の製造機械の稼働状況を管理する生産システム | |
WO2022091421A1 (ja) | 産業システム、異常検知システム及び異常検知方法 | |
US10678231B2 (en) | Production controller equipped with function of identifying cause upon operation stop of production facility including manufacturing facilities | |
CN113252371A (zh) | 状态估计装置、系统和制造方法 | |
JP2004280324A (ja) | 生産ラインの稼動状況解析装置、稼動状況解析方法、稼動状況解析プログラム及び稼動状況解析システム | |
JP2022002044A (ja) | 設備状態分析装置 | |
JP7456111B2 (ja) | 生産可視化システム | |
JP7328031B2 (ja) | 情報処理装置、情報処理システム、表示装置、表示制御方法、情報処理システム、情報処理システムの制御方法、物品の製造方法、プログラム及び記録媒体 | |
DE102018008366B4 (de) | Verfahren und Anlage zum gestenbasierten Steuern eines Prüfprozesses an einem industriellen teilautomatisierten Sichtprüfplatzes eines industriellen technischen Prozesses oder einer industriellen technischen Produktionsanlage | |
WO2022234678A1 (ja) | 機械学習装置、分類装置、及び制御装置 | |
JP6797331B1 (ja) | 数値制御装置および数値制御方法 | |
Reich et al. | A data-driven approach for general visual quality control in a robotic workcell | |
CN114063575A (zh) | 信息处理设备、控制方法、生产系统、制造方法和介质 | |
JP2022002043A (ja) | 設備監視システム | |
EP3969230A1 (en) | Artificial intelligence in discrete manufacturing | |
CN113064376B (zh) | 生产系统、生产方法以及信息存储介质 | |
WO2021256017A1 (ja) | コントローラ、システム、方法及びプログラム | |
JP2018081335A (ja) | プラント運転データ解析システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20210301 |