JP2022002044A - 設備状態分析装置 - Google Patents

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。

特開２００５−２２２４８４号公報

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。

設備状態分析システムの構成例を示す図である。 設備状態分析装置についての機械学習の学習フェーズ（第一例）における機能ブロック図である。 サイクルタイムの推移を示すグラフである。 図３の工作物Ｐ１に関するビット信号データ群Ｄ１を示す図である。 図３の工作物Ｐ２に関するビット信号データ群Ｄ２を示す図である。 ラベル情報記憶部に記憶されている分類名とラベル情報との対応表である。 設備状態分析装置についての機械学習の使用フェーズにおける機能ブロック図である。 表示機器の表示内容を示す図である。 設備状態分析装置により実施される動作を、仮にラダー言語で表現した場合の図である。 設備状態分析装置についての機械学習の学習フェーズ（第二例）における機能ブロック図である。

（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。

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。

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。

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。

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。

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。

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。

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)

1. 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。
2. 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。
3. 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。
4. 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。
5. 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。
6. 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。
7. 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。
8. 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。

Images