JP2023023555A - モデル生成装置、モデル生成方法、異常予兆検知装置、異常予兆検知方法及び異常予兆検知システム - Google Patents

Abstract

【課題】生産設備の異常および異常の予兆を検知することができる技術を提供する。
【解決手段】本開示の一態様に係るモデル生成装置は、訓練用の生産実績データの特徴量データを取得する前処理部と、正常状態の特徴量群を表す異常度算出モデルを利用して、前記取得した特徴量データの異常度を算出する異常度算出部と、前記算出した異常度に基づき前記特徴量データの状態を決定し、前記特徴量データと前記特徴量データの状態とから構成される訓練データによって、前記特徴量データから前記特徴量データの状態を検知する異常予兆検知モデルを訓練する訓練部と、を有する。
【選択図】図１

Description

本開示は、モデル生成装置、モデル生成方法、異常予兆検知装置、異常予兆検知方法及び異常予兆検知システムに関する。

ある設備について、劣化または故障等を予防し、正常な運転を維持するために、設備から取得されるデータを用いた異常予兆検知装置を設けることが一般的に行われている。特許文献１には、温度制御装置から連続的に取得される電流値を用いて機械学習を実行し、異常又は異常の予兆を検出する状態監視装置が開示されている。

特開２０１８－２０４９４０号公報

特許文献１に開示された技術では、機械学習を実行し、異常または異常の予兆を判定している。しかしながら、一般的に設備に異常が発生するケースが少ないため、モデルを生成するための機械学習に使用できる異常データも少なくなる。また、異常データが得られたとしても、設備の異常または異常の予兆に関連する特徴がデータに表れていないデータが混在することもある。一般的な機械学習で学習されるような大量のデータを蓄積した後に学習するのであれば問題はない。しかしながら、データの蓄積には長期間を要する。また、十分なデータが蓄積される頃には生産が終わっている場合もある。よって、大量のデータを蓄積した後に学習することは実用的ではない。したがって、異常データが少ない段階で、異常または異常の予兆に関連する特徴が適切に表れているデータを学習し、精度の高い学習済み異常予兆検知モデルを生成することが望まれる。

本開示の目的は、生産設備の異常および異常の予兆を検知することができる技術を提供することである。

本開示の一態様に係るモデル生成装置は、訓練用の生産実績データの特徴量データを取得する前処理部と、正常状態の特徴量群を表す異常度算出モデルを利用して、前記取得した特徴量データの異常度を算出する異常度算出部と、前記算出した異常度に基づき前記特徴量データの状態を決定し、前記特徴量データと前記特徴量データの状態とから構成される訓練データによって、前記特徴量データから前記特徴量データの状態を検知する異常予兆検知モデルを訓練する訓練部と、を有する。

本開示の一態様に係るモデル生成方法は、訓練用の生産実績データの特徴量データを取得するステップと、正常状態の特徴量群を表す異常度算出モデルを利用して、前記取得した特徴量データの異常度を算出するステップと、前記算出した異常度に基づき前記特徴量データの状態を決定し、前記特徴量データと前記特徴量データの状態とから構成される訓練データによって、前記特徴量データから前記特徴量データの状態を検知する異常予兆検知モデルを訓練するステップと、をコンピュータが実行する。

本開示の一態様に係る異常予兆検知装置は、検知対象の生産実績データの特徴量データを取得する前処理部と、訓練済み異常予兆検知モデルを利用して、前記特徴量データから前記特徴量データの状態を検知する異常予兆検知部と、を有し、前記異常予兆検知モデルは、訓練用の生産実績データの特徴量データと前記特徴量データの状態とから構成される訓練データによって訓練され、前記特徴量データの状態は、正常状態の特徴量群を表す異常度算出モデルを利用して算出された前記特徴量データの異常度に基づき決定される。

本開示の一態様に係る異常予兆検知方法は、検知対象の生産実績データの特徴量データを取得するステップと、訓練済み異常予兆検知モデルを利用して、前記特徴量データから前記特徴量データの状態を検知するステップと、をコンピュータが実行し、前記異常予兆検知モデルは、訓練用の生産実績データの特徴量データと前記特徴量データの状態とから構成される訓練データによって訓練され、前記特徴量データの状態は、正常状態の特徴量群を表す異常度算出モデルを利用して算出された前記特徴量データの異常度に基づき決定される。

本開示によれば、生産設備の異常および異常の予兆を検知することができる技術を提供することができる。

異常予兆検知システムを示す模式図 モデル生成装置及び異常予兆検知装置のハードウェア構成を示すブロック図 巻回部の構成例を示す模式図 巻回体の模式図 第１シート材の測長結果と判定結果との対応例を示す図 第１の実施の形態に係るモデル生成装置の機能構成を例示するブロック図 生産実績データベースの例を示す図 特徴量データベースの例を示す図 異常度データベースの例を示す図 状態ラベルデータベースの例を示す図 第１の実施の形態に係る異常予兆検知装置の機能構成を例示するブロック図 一例となる前処理を説明するためのフローチャート 一例となる異常度算出モデルの生成処理を説明するためのフローチャート 一例となる異常度算出処理を説明するためのフローチャート 一例となる異常度算出モデルの採用判定処理を説明するためのフローチャート 一例となる状態ラベル設定処理を説明するためのフローチャート 一例となる異常予兆検知モデルの訓練処理を説明するためのフローチャート 学習用データリストを説明するための図 一例となる異常予兆検知モデルの採用判定処理を説明するためのフローチャート 第１の実施の形態に係る異常予兆検知処理を説明するためのフローチャート 第２の実施の形態に係るモデル生成装置の機能構成を例示するブロック図 第２の実施の形態に係る状態ラベル設定処理を説明するためのフローチャート 第３の実施の形態に係るモデル生成装置の機能構成を例示するブロック図 第３の実施の形態に係る状態ラベル設定処理を説明するためのフローチャート

以下、本開示の各実施の形態について図面を参照して詳細に説明する。ただし、必要以上に詳細な説明、例えば、既によく知られた事項の詳細説明や実質的に同一の構成に対する重複説明等は省略する場合がある。

なお、以下の説明および参照される図面は、当業者が本開示を理解するために提供されるものであって、本開示の請求の範囲を限定するためのものではない。

（第１の実施の形態）
図１は、第１の実施の形態に係る異常予兆検知システム１０を示す模式図である。

図１に示されるように、異常予兆検知システム１０は、異常予兆検知モデルを生成するモデル生成装置６０と、生成された異常予兆検知モデルを利用して異常予兆検知を実行する異常予兆検知装置１００とを有する。

異常予兆検知システム１０は、モデル生成装置６０を利用して、生産設備２００に異常または異常の予兆があるか検知するための異常予兆検知モデルを事前に生成する。異常予兆検知モデルを生成した後、異常予兆検知システム１０は、訓練済みの異常予兆検知モデルにアクセス可能な異常予兆検知装置１００を利用して、生産設備２００の稼働中に収集された検知対象の生産実績データに基づき生産設備２００の異常及び異常予兆を検知する。

以下の実施形態による異常予兆検知モデルは、生産実績データに基づき生産設備２００の状態を正常期間、予兆期間又は異常期間に判別する。しかしながら、本開示による異常予兆検知システム１０は、これに限定されず、他の何れか適切な生産設備２００の状態を判別するものであってもよい。

モデル生成装置６０は、訓練用データベース２０から訓練用の生産実績データを抽出し、抽出した訓練用の生産実績データを利用して、教師有り機械学習によって異常予兆検知モデルを訓練する。

例えば、訓練用の生産実績データは、生産設備２００の稼働中に収集された製品等に関する時系列の生産実績データであってもよい。実際には、生産設備２００の稼働前などに異常予兆検知モデルを生成できることが望まれるが、生産設備２００の稼働前には経年劣化等による異常または異常予兆を示す生産実績データを取得することは一般に困難である。

このため、生産設備２００の稼働直後（例えば、稼働開始から１週間など）は、生産設備２００は正常状態にあると仮定し、以下で詳細に説明するように、当該期間における生産実績データに基づき、正常サンプルからの乖離度として異常度を算出するための異常度算出モデルが導出される。このような異常度算出モデルは、公知のＭＴ法（Mahalanobis Taguchi Method）など、正常サンプルに基づき異常及び異常の予兆を検知する異常予兆検知技術を適用することによって導出可能である。モデル生成装置６０は、この異常度算出モデルを利用して、生産設備の稼働直後など収集される異常サンプル及び予兆サンプルが相対的に少ないと考えられる期間であっても、生産実績データに「正常期間」、「予兆期間」及び「異常期間」のラベル付けをし、ラベル付けされた生産実績データを利用して、異常予兆検知モデルを効率的に生成することができる。

一実施形態では、訓練用データベース２０は、ラベル付けされていない生産実績データを格納し、後述するように、モデル生成装置６０は、異常度算出モデルを利用してラベル付けされていない生産実績データの異常度を算出し、異常予兆検知モデルの訓練データとして、生産実績データの状態をラベル付けする。典型的には、公知のＭＴ法などの異常予兆検知技術によると、異常度算出モデルを訓練するための訓練データは状態がラベル付けされている必要はあるが、異常予兆検知モデルより有意に少ない訓練データによって異常度算出モデルを生成できる。このため、状態がラベル付けされた生産実績データが相対的に少なくしか準備できない場合であっても、異常予兆検知モデルを生成することが可能である。

このような異常度算出モデルは、以下で詳細に説明されるような方法によって生成され、モデル生成装置６０に予め備えられるか、あるいは、ネットワークなどを介しアクセス可能とされてもよい。しかしながら、本開示はこれに限定されず、モデル生成装置６０が、異常予兆検知モデルだけでなく異常度算出モデルも生成してもよい。

異常予兆検知モデルの訓練が完了すると、モデル生成装置６０は、訓練済み異常予兆検知モデルを異常予兆検知装置１００に提供する。

異常予兆検知装置１００は、モデル生成装置６０によって生成された訓練済み異常予兆検知モデルを利用して、生産設備２００の生産実績データに基づき生産設備２００の異常または異常予兆を検知する。具体的には、異常予兆検知装置１００は、生産設備２００の稼働中に取得された製品の生産実績データを訓練済み異常予兆検知モデルに入力し、異常予兆検知モデルから検知結果（例えば、「正常期間」、「予兆期間」または「異常期間」など）を取得し、生産設備２００の保全のために検知結果を含む各種情報を生産設備２００の管理者等のユーザに通知する。本実施形態においては、１つの異常予兆検知装置１００が１つの生産設備２００に対して適用されているが、１つの異常予兆検知装置１００が複数の生産設備２００に対して適用されてもよい。

また、本実施の形態において、モデル生成装置６０及び異常予兆検知装置１００は、サーバ等の計算装置として説明されるが、個々の構成がネットワークを介して接続されたサーバシステムの形態によって実現されてもよい。モデル生成装置６０及び異常予兆検知装置１００の構成の説明を通じて、本開示に係る異常予兆検知モデルの生成方法および訓練データの生成方法が説明され理解される。

＜モデル生成装置６０及び異常予兆検知装置１００のハードウェア構成＞
図２は、本開示の一実施形態によるモデル生成装置６０及び異常予兆検知装置１００のハードウェア構成を示すブロック図である。

図２に示されるように、モデル生成装置６０及び異常予兆検知装置１００はそれぞれ、サーバ等の何れかの計算装置または情報処理装置により実現され、バスＢを介し相互接続される記憶部１１、処理部１２、通信部１３及び入出力部１４を有する。なお、モデル生成装置６０及び異常予兆検知装置１００はそれぞれ、分散処理を行う複数のコンピュータから構成されていてもよいし、ソフトウエアによって仮想的に構築された仮想コンピュータによって実現されてもよい。

記憶部１１は、例えばＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等の主記憶装置、および、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、フラッシュメモリ等の補助記憶装置を備える。記憶部１１は、後述されるモデル生成装置６０及び異常予兆検知装置１００の機能及び処理を実行するためのプログラム、命令、データ等を格納する。

処理部１２は、例えばＣＰＵ（Central Processing Unit）等のハードウェアプロセッサを備え、記憶部１１に記憶されたプログラム、命令等を実行することによって、後述されるモデル生成装置６０及び異常予兆検知装置１００の機能及び処理を実行する。

通信部１３は、インターネット、ＬＡＮ（Local Area Network）、ＷＬＡＮ（Wireless LAN）などのネットワークを介し外部装置（例えば、訓練用データベース２０、生産設備２００など）と有線または無線通信するための各種通信処理を実行する。

入出力部１４は、キーボード、マウス、マイクロフォン、ディスプレイ、プリンタ、スピーカー、センサー、アラーム（例えば、ブザー、ランプなど）などの各種周辺機器と接続するためのＵＳＢ（Universal Serial Bus）、ＨＤＭＩ（登録商標）（High-Definition Multimedia Interface）などの各種インタフェースを備える。例えば、入出力部１４は、異常予兆検知装置１００のユーザに異常及び異常予兆の検知を通知してもよい。本実施の形態において、異常予兆検知装置１００のユーザとは、異常予兆検知装置１００の管理者、または、生産設備２００を用いて巻回体２０４（後述の図３を参照）の生産を行う作業者、または、生産設備２００の保全を行う作業者等を含んでもよい。

記憶部１１および処理部１２は、一体のサーバ又はコンピュータとして構成されていなくともよい。すなわち、記憶部１１および処理部１２は、互いに通信可能に構成されていれば、互いに別体に構成され、離れた位置に配置されていてもよい。また、モデル生成装置６０及び異常予兆検知装置１００は、図２に示されない操作部を有し、外部からの操作入力を受け付けてもよい。記憶部１１および処理部１２の詳細については後述する。

＜生産設備２００＞
生産設備２００は、本実施の形態においては、リチウムイオン二次電池の生産設備である。図３に示すように、生産設備２００は、巻回部２０１および検査機２０７を有する。しかしながら、本開示による生産設備２００は、これに限定されず、他の何れかの製品等の生産設備であってもよい。

図３は、巻回部２０１および検査機２０７の構成例を示す模式図である。巻回部２０１は、第１供給リール５０、第２供給リール５１、切断部２０８、第１貼合ロール２０５Ａ、第２貼合ロール２０５Ｂ、巻芯２０６および巻芯回転駆動部２０６Ｍを有する。検査機２０７は、第１シート材切断後長さ測定センサー４０および第２シート材切断後長さ測定センサー４１を有する。

巻回部２０１は、第１供給リール５０から供給される第１シート材２０２と第２供給リール５１から供給される第２シート材２０３とを第１貼合ロール２０５Ａおよび第２貼合ロール２０５Ｂによって貼り合わせ、巻芯２０６に巻き取り、巻回体２０４を生産する。

図４は、巻回部２０１において生産される巻回体２０４の模式図である。図４には、便宜的に、巻回体２０４を構成する第１シート材２０２および第２シート材２０３の端部が巻き取られていない様子が示されている。図４に示されるように、第１シート材２０２よりも第２シート材２０３の方が、幅（巻回体２０４の軸方向に沿った長さ）が大きく形成されている。第１シート材２０２は、例えば正極材料が塗布されたシート状の部材（正極シート）であり、第２シート材２０３は、例えば負極材料が塗布されたシート状の部材（負極シート）である。

図３に戻って説明を続ける。巻芯回転駆動部２０６Ｍは、巻芯２０６を所望の回転速度で駆動させる。切断部２０８は、巻芯２０６における巻き取りが完了する際に、第１シート材２０２及び第２シート材２０３を切断する。なお、図３には、切断部２０８が第１貼合ロール２０５Ａおよび第２貼合ロール２０５Ｂの上流側の位置に配置される様子が示されているが、切断部２０８は、これらの貼合ロールの下流側の位置に配置されていてもよい。

検査機２０７は、巻回部２０１が生産した巻回体２０４の検査を行う装置である。

巻回部２０１における巻回体２０４の生産時に、不良品が発生することがある。不良品は、例えば巻芯２０６の周りに巻き付ける第１シート材２０２または第２シート材２０３の切断後の長さに過不足を生じることによって生じうる。第１シート材２０２または第２シート材２０３の長さに過不足が生じるとリチウムイオン二次電池の品質が劣化する。よって、第１シート材切断後長さ測定センサー４０および第２シート材切断後長さ測定センサー４１を用いて第１シート材２０２および第２シート材２０３の長さが計測される。

図３には、第１シート材切断後長さ測定センサー４０および第２シート材切断後長さ測定センサー４１が、第１貼合ロール２０５Ａおよび第２貼合ロール２０５Ｂの下流側の位置に配置される様子が示されているが、各センサーは、これらの貼合ロールの上流側の位置に配置されていてもよい。

第１シート材切断後長さ測定センサー４０および第２シート材切断後長さ測定センサー４１の測長結果は、「良」、「不良」のどちらかに判定される。測長結果が、予め定められた目標範囲に収まっている場合は、「良」と判定され、目標範囲に収まっていない場合は、「不良」と判定される。図５は、第１シート材２０２の測長結果と判定結果との対応例を示している。すなわち、第１シート材２０２の切断後の長さが目標長さ以上である測長データＩ１～Ｉ３は「良」と判定され、第１シート材２０２の切断後の長さが目標長さ未満である測長データＩ４およびＩ５が「不良」と判定されている。なお、本実施形態では、「良」および「不良」の２種類のいずれかに判定されるが、３種類以上のいずれかに判定されてもよい。

なお、図５には、測長データＩ１からＩ５が時系列に並んで示されている。つまり、図５には、生産設備２００の経時劣化に伴って第１シート材２０２の切断後の長さが次第に短くなっていく様子が示されている。しかしながら、実際には、生産設備２００の経時劣化以外の様々な要因により、第１シート材２０２の長さの変化の仕方は複雑になり、単純に長さの長短で生産設備２００の異常を判断することは望ましくない。このため、モデル生成装置６０は、機械学習モデルを訓練し、具体的にはニューラルネットワークモデル等を用いて第１シート材２０２の長さの変化を特徴量化した時系列データを読み込ませることで、どのような時系列データが「正常期間」、「予兆期間」および「異常期間」のいずれに対応するかについて、機械学習モデルをあらかじめ訓練しておくことが望ましい。この場合、異常予兆検知装置１００は、モデル生成装置６０によって訓練された機械学習モデルを利用して、第１シート材２０２と第２シート材２０３の長さの変化を特徴量化した時系列データに基づき生産設備２００の異常及び異常の予兆を検知する。なお、以下、説明の便宜上、第１シート材２０２の長さの変化を用いる場合について説明するが、第２シート材２０３の長さの変化を用いたり、両シート材の長さの変化を用いたりしてもよいことは言うまでも無い。

＜モデル生成装置６０の詳細＞
次に、本開示の一実施形態によるモデル生成装置６０の機能構成と動作について詳細に説明する。

モデル生成装置６０は、生産設備２００による製品の生産に関する生産実績データに基づき生産設備２００の異常の予兆及び異常を検知する異常予兆検知モデルを生成する。異常予兆検知モデルを生成すると、モデル生成装置６０は、稼働中の生産設備２００の異常予兆及び異常を検知する異常予兆検知装置１００に、生成した異常予兆検知モデルを提供する。なお、本実施の形態における異常予兆検知とは、生産設備２００の劣化および故障等の異常の発生を予防し、正常な運転を維持するために、生産設備２００の異常が発生する前の異常の予兆を検知することを意味する。

図６は、本開示の第１の実施の形態に係るモデル生成装置６０の機能構成を例示するブロック図である。

図示されるように、モデル生成装置６０は、前処理部６１、異常度算出部６２及び訓練部６３を有する。例えば、前処理部６１、異常度算出部６２及び訓練部６３の１つ以上の機能部は、１つ以上のプロセッサを有する処理部１２が１つ以上のメモリを有する記憶部１１に記憶されるプログラム又は指示を実行することによって実現されてもよい。

前処理部６１は、訓練用の生産実績データの特徴量データを取得する。具体的には、前処理部６１は、訓練用データベース２０から訓練用の生産実績データを受信し、受信した生産実績データに対して所定の前処理を実行して特徴量データを抽出してもよい。一例として、前処理部６１は、時系列の生産実績データから所定の単位数または単位時間の生産実績単位データを抽出し、抽出した各生産実績単位データに対して統計処理を実行し、取得した１つ以上の統計量を特徴量データとして取得してもよい。

なお、前処理部６１は、ラベル付けされた生産実績データとラベル付けされていない生産実績データとの何れのタイプの生産実績データに対しても同様の前処理を実行し、特徴量データを導出できる。

［生産実績データベース７１］
前処理部６１は、例えば、生産設備２００から取得した生産実績データを記憶部１１の生産実績データベース７１に格納してもよい。すなわち、生産実績データベース７１は、生産設備２００の生産実績に関する生産実績データＰＤが累積的に登録されたデータベースであってもよい。生産実績データベース７１には、複数の生産設備２００の生産実績データＰＤが登録されてもよい。

図７は、生産実績データベース７１の例を示す図である。図７に示される例においては、生産実績データベース７１には、「生産日時」、「設備」、「第１シート材測長値」、「第２シート材測長値」、「第１シート材測長値判定結果」および「第２シート材測長値判定結果」が互いに関連付けられて登録されている。これらのデータが１つずつ関連付けられて１つの生産実績データＰＤを構成する。

「生産日時」は、巻回体２０４が生産された生産日時に関するデータである。

「設備」は、生産設備２００が複数存在する場合に、巻回体２０４を生産した設備を識別するためのデータである。図７では例として、互いに異なる生産設備２００の識別子である「Ａ」、「Ｂ」および「Ｃ」が示されている。

「第１シート材測長値」および「第２シート材測長値」は、巻回体２０４の生産に使用された第１シート材２０２の測長値データおよび第２シート材２０３の測長値データである。これらの測長値データは、第１シート材切断後長さ測定センサー４０および第２シート材切断後長さ測定センサー４１によって取得される。

「第１シート材測長値判定結果」および「第２シート材測長値判定結果」は、「第１シート材測長値」および「第２シート材測長値」の判定結果（図５参照）を示すデータである。例えば、第１シート材２０２の目標長さが７６１ｍｍである場合、７６２．２ｍｍおよび７６１．４ｍｍという第１シート材測長値は、「良」と判定され、７６０．１ｍｍという第１シート材測長値は「不良」と判定される。また、例えば、第２シート材２０３の目標長さが６９２ｍｍである場合、６９３．４ｍｍおよび６９３．５ｍｍという第２シート材測長値は、「良」と判定され、６９１．１ｍｍという第１シート材測長値は「不良」と判定される。これらの判定は例えば処理部１２０または検査機２０７によって自動的に行われる。

このような生産実績データＰＤは、例えば生産設備２００において巻回体２０４が生産される度に、自動で、もしくは、作業員の手によって入力され、訓練用データベース２０に登録される。典型的には、生産設備２００の本格稼働前に異常予兆検知モデルを生成することが望まれるため、訓練用の生産実績データは、生産設備２００の本格稼働前の実験段階、テスト稼働段階などに収集され、訓練用データベース２０に格納される。

なお、上述した実施形態では、訓練用の生産実績データが、訓練用データベース２０に格納され、前処理部６１が、訓練用データベース２０から生産実績データを抽出し、抽出した生産実績データから特徴量データを抽出するが、本開示は、これに限定されるものでない。例えば、訓練用データベース２０には、訓練用の生産実績データから抽出された訓練用の特徴量データが格納されてもよい。この場合、前処理部５１は、生産実績データベース６１を保持する必要はない。

［特徴量データベース７２］
前処理部６１は、例えば、生産実績データから抽出した特徴量を記憶部１１の特徴量データベース７２に格納してもよい。すなわち、特徴量データベース７２は、特徴量データＦＤが登録されたデータベースである。特徴量データＦＤは、複数の連続する生産実績データＰＤを、予め定められた所定の数である集計単位数Ｗ集め、集めた生産実績データＰＤに対して統計処理等のデータ処理を行うことで、集めた生産実績データＰＤを特徴量化したデータであってもよい。特徴量データベース７２には、複数の生産設備２００の生産実績データＰＤから得られた特徴量データＦＤが登録されてもよい。

図８は、特徴量データベース７２の例を示す図である。図８に示される例においては、特徴量データベース７２には、「生産日時」、「設備」、「集計単位」、「第１シート材測長値の最大値」、「第１シート材測長値の最小値」、「第１シート材測長値の平均値」、「第１シート材測長値の標準偏差」および「第１シート材測長値の不良数」が互いに関連付けられて登録されている。これらのデータが１つずつ関連づけられて、１つの特徴量データＦＤを構成する。

「生産日時」は、集められたＷ個の生産実績データＰＤのうち、生産日時が最新である生産実績データＰＤの生産日時に関するデータであり、Ｗ個の生産実績データＰＤの生産日時を代表する生産日時である。つまり、「生産日時」は、データ処理されたＷ個の生産実績データＰＤが対応するＷ個の巻回体２０４のうち最後に生産された巻回体２０４に対応する生産実績データＰＤの生産日時である。

「設備」は、集められたＷ個の生産実績データＰＤが対応する巻回体２０４を生産した生産設備２００を識別するためのデータである。

「集計単位」は、集められた生産実績データＰＤの数に関するデータである。図８では例として、「１００」が示されている。

「第１シート材測長値の最大値」、「第１シート材測長値の最小値」、「第１シート材測長値の平均値」および「第１シート材測長値の標準偏差」は、それぞれ、集められたＷ個の生産実績データＰＤに含まれる第１シート材測長値の各統計量を示すデータである。なお、特徴量データベース１１２には、図８に示される統計量以外に、中央値、第１四分位数、第３四分位数などの統計量が登録されてもよい。これらの統計量が特徴量である。

「第１シート材測長値の不良数」は、集められたＷ個の生産実績データＰＤが対応するＷ個の巻回体２０４に含まれる「第１シート材測長値判定結果」が「不良」であった巻回体２０４の個数を示すデータである。

このような特徴量データＦＤは、生産実績データベース７１に、集計単位数の生産実績データＰＤが登録される度に、前処理部６１が所定の前処理を実行し、抽出した特徴量データを特徴量データベース７２に登録してもよい。

異常度算出部６２は、異常度算出モデルを利用して、取得した特徴量データの異常度を算出する。

ここで、異常度算出モデルは、何れかの異常予兆検知技術に基づいて正常状態の特徴量群から生成されたものであってもよい。入力として特徴量データを受け付けると、異常度算出モデルは、当該特徴量データの異常度を出力する。本開示による異常度算出モデルは、稼働直後では生産設備２００は正常状態にあるという仮定の下、稼働直後の期間中に収集された生産実績データから導出した正常状態の特徴量データを利用して、何れか公知の異常予兆検知技術（例えば、ＭＴ法など）に従って生成されたものであってもよい。例えば、異常度算出モデルによって算出される特徴量の異常度は、正常状態の特徴量群からの乖離度（例えば、マハラノビス距離など）であってもよい。

一例として、異常度算出モデルＭ１は、生産設備２００の正常状態からの乖離度を異常度Ａという数値で表現するモデルであってもよい。異常度Ａは、生産設備２００の異常度合いを示す。換言すれば、異常度Ａは、異常度算出対象の特徴量データＦＤが、正常期間における特徴量データＦＤからどの程度乖離しているのかを示す指標である。異常度算出モデルＭ１が適切に生成されたものである場合、異常度Ａが大きいほど、生産設備２００に劣化および故障等の異常の程度が大きくなっており、巻回体２０４の不良品が新たに生産される確率が高くなる。異常度算出モデルＭ１は、不良が発生していない正常期間の特徴量データＦＤを用いて正常状態を定義することで、正常状態からの乖離度を異常度Ａとして算出する。これにより、異常度算出モデルＭ１の訓練用の生産実績データが、生産設備２００の稼働直後などに収集され、経年劣化等による異常の発生頻度が低く、十分な数の異常状態のサンプルデータを取得できない場合であっても、異常度を算出することが可能になる。なお、正常期間とは、生産設備２００の劣化および故障が発生しておらず、生産設備２００から生産される巻回体２０４に不良が発生していない期間である。

異常度算出モデルＭ１は、特徴量データＦＤに含まれる複数種類の特徴量の組み合わせを用いて生成されてもよい。組み合わせる特徴量の選択は、異常予兆検知装置１００のユーザによって行われてもよいし、あらかじめ決定された基準に基づいて異常度算出部６２により自動的に行われてもよい。

また、特徴量の組み合わせを変更することにより、互いに異なる複数の異常度算出モデルＭ１を生成することができる。なお、異常度算出モデルＭ１は１つだけ生成されてもよい。

異常度算出モデルＭ１は、生産設備２００の稼働直後などの生産設備２００が正常状態にあると想定される期間内に生産された生産実績データＰＤに基づいて生成される。

ここで、異常度算出モデルＭ１は、例えば統計的モデル、機械学習によって生成された機械学習モデル（例えば、ニューラルネットワークモデル）等、複数種類の形式の中から適宜選択されればよい。

一例として、異常度算出モデルＭ１を生成する際、公知のＭＴ法を採用してもよい。これにより、正常状態からの乖離度をより精度よく示す異常度Ａを算出することができる異常度算出モデルＭ１を生成することができる。正常状態からの乖離度が異常度として利用される場合、特徴量データに対して算出された異常度と異常状態を示す異常閾値とが比較され、比較結果に応じて特徴量データの状態が判別される。

また、他の例として、異常度算出モデルＭ１を生成する際、ＯＣ－ＳＶＭ（One Class Support Vector Machine）、ニューラルネットワークを用いたAuto Encoder、または、Ｋ近傍法などの公知の距離ベースの異常予兆検知手法が採用されてもよい。

そして、このようにして生成された異常度算出モデルＭ１は、算出された異常度が適切であるか否かに関して検証されてもよい。例えば、生成された異常度算出モデルＭ１は、特徴量データに対して算出された異常度と、当該特徴量データに対応する生産実績データにおける不良率とに基づいて検証されてもよい。すなわち、入力された特徴量データに対して異常度算出モデルＭ１から導出された異常度が異常閾値を上回っている場合、当該特徴量データは、異常期間における生産設備２００の生産実績データに対応していると想定され、当該生産実績データに対する不良率と正の相関を有するべきである。ここで、異常閾値は、生産設備２００が異常状態にあると判定される異常度に基づき設定されてもよい。

従って、異常度算出モデルＭ１から導出された異常閾値以上の異常度と対応する不良率との間の相関係数が所定の閾値以上である場合、異常度算出モデルＭ１は、特徴量データの正常状態と異常状態とを適切に判別可能であると判断される。この場合、異常度算出モデルＭ１は、適切に訓練されたものであると判断され、以降の特徴量データのラベル付け処理に利用されてもよい。

他方、異常度算出モデルＭ１から導出された異常閾値以上の異常度と対応する不良率との間の相関係数が所定の閾値未満である場合、異常度算出モデルＭ１は、特徴量データの正常状態と異常状態とを適切に判別可能でないと判断される。この場合、異常度算出モデルＭ１は、適切に訓練されたものでないと判断され、例えば、他の訓練データを利用して再度生成されてもよい。

なお、上述した異常度算出モデルＭ１の検証は、異常度算出モデル６２による利用前に予め（人手などによって）行われてもよいし、あるいは、異常度算出部６２によって行われてもよい。

なお、上述した実施形態では、予め生成された異常度算出モデルＭ１が異常度算出部６２に備えられたが、本開示はこれに限定されない。例えば、異常度算出部６２自らが、訓練データを利用して、異常度算出モデルを生成してもよい。具体的には、異常度算出部６２は、訓練用データベース２０に格納されているラベル付けされた生産実績データまたは特徴量データを利用して、上述したようなＭＴ法などに従って異常度算出モデルＭ１を同様にして生成してもよい。

異常度算出モデルＭ１の形式の選択は、異常予兆検知装置１００のユーザにより行われてもよいし、異常度算出部６２により自動的に行われてもよい。

［異常度データベース７３］
異常度算出部６２は、算出した異常度を記憶部１１の異常度データベース７３に格納してもよい。すなわち、異常度データベース７３は、異常度算出モデルＭ１によって算出された異常度Ａに関連する異常度データＡＤが登録されたデータベースである。異常度データベース７３には、複数の生産設備２００の生産実績データＰＤに基づいて得られた異常度データＡＤが登録されてもよい。

図９は、異常度データベース７３の例を示す図である。図９に示される例においては、異常度データベース７３には、「生産日時」、「設備」、「異常度算出モデルＩＤ」、「異常度」、「集計単位」および「第１シート材測長値の不良数」が互いに関連付けられて登録されている。これらのデータが１つずつ関連付けられて、１つの異常度データＡＤを構成する。

「生産日時」は、異常度算出対象の特徴量データＦＤに含まれる生産日時である。

「異常度算出モデルＩＤ」は、異常度算出に用いられた異常度算出モデルＭ１を識別するためのデータである。図９では例として、互いに異なる異常度算出モデルＭ１のＩＤ（identification number）である「００１」、「００２」および「００３」が示されている。

「異常度」は、異常度算出対象の特徴量データＦＤから、異常度算出モデルＭ１を使用して算出された異常度Ａを示すデータである。

「集計単位」は、異常度算出対象の特徴量データＦＤに含まれる集計単位である。

「第１シート材測長値の不良数」は、異常度算出対象の特徴量データＦＤに含まれる第１シート材測長値の不良数を示すデータである。この不良数は、以下で詳細に説明されるように、異常度算出モデルの信頼性を評価するのに使用される。

このような異常度データＡＤは、特徴量データベース７２に特徴量データＦＤが登録される度に、異常度算出部６２により生成され、異常度データベース７３に登録されてもよい。

訓練部６３は、算出した異常度に基づき特徴量データの状態を決定し、当該特徴量データと特徴量データの状態とから構成される訓練データによって、特徴量データから特徴量データの状態を検知する異常予兆検知モデルを訓練する。

ここで、異常予兆検知モデルは、入力として特徴量データを受け付け、入力された特徴量データの状態を出力する。異常予兆検知モデルの生成に用いられる訓練データは、生産実績データから導出される特徴量データと、異常度算出モデルを利用して決定した当該特徴量データの状態とから構成されてもよい。すなわち、異常予兆検知モデルの生成用に用いられる訓練データは、訓練用データベース２０において状態がラベル付けされていない生産実績データであってもよく、訓練部６３は、異常度算出部６２によって算出された異常度に基づいて特徴量データの状態を決定し、決定した状態によって生産実績データまたは特徴量データをラベル付けしてもよい。

一実施形態では、訓練部６３は、正常期間の異常度の平均値と異常期間の異常度の平均値とに基づき予兆期間を設定してもよい。具体的には、訓練部６３はまず、不良率が異常閾値以上となった期間を異常期間として特定し、異常度算出モデルＭ１を訓練するのに利用した正常期間における異常度の平均値Ａと、異常期間における異常度の平均値Ｂとを算出する。そして、訓練部６３は、算出した２つの平均値Ａ及びＢの平均値Ｃを算出し、正常期間と異常期間との間において異常度が平均値Ｃを超える期間の全てを予兆期間として設定してもよい。このようにして、正常期間、予兆期間及び異常期間を設定すると、訓練部６３は、各特徴量データを正常期間、予兆期間又は異常期間によってラベル付けすることができる。

また、一実施形態では、訓練部６３は、異常期間の起点と長さとに基づき予兆期間を設定してもよい。具体的には、訓練部６３はまず、不良率が異常閾値以上となった期間を異常期間として特定し、異常期間の起点から遡って異常期間と同じ長さの期間を特定する。そして、訓練部６３は、正常期間における異常度の平均値Ａと異常期間における異常度の平均値Ｂとを算出し、特定した期間における異常度の平均値Ｄが平均値Ａと平均値Ｂとの間の範囲内にある場合、特定した期間を予兆期間として設定してもよい。このようにして、正常期間、予兆期間及び異常期間を設定すると、訓練部６３は、各特徴量データを正常期間、予兆期間又は異常期間によってラベル付けすることができる。

また、一実施形態では、訓練部６３は、異常期間の起点と、正常期間の異常度の平均値と異常期間の異常度の平均値とに基づき予兆期間を設定してもよい。具体的には、訓練部６３はまず、不良率が異常閾値以上となった期間を異常期間として特定し、正常期間における異常度の平均値Ａと、異常期間における異常度の平均値Ｂとを算出する。そして、訓練部６３は、異常期間の起点から遡った期間であって、当該期間における異常度の平均値Ｅが算出した２つの平均値Ａ及びＢの平均値Ｃ以上である期間を予兆期間として設定してもよい。このようにして、正常期間、予兆期間及び異常期間を設定すると、訓練部６３は、各特徴量データを正常期間、予兆期間又は異常期間によってラベル付けすることができる。

上述した正常期間、予兆期間及び異常期間のラベル付けは単なる一例であり、本開示による異常予兆検知モデルのための訓練データのラベル付けは、これに限定されるものでない。例えば、訓練部６３は、何れか適切に設定された予兆閾値及び異常閾値と異常度との比較に基づきラベル付けを行ってもよい。具体的には、判別対象の特徴量データに対して算出した異常度が予兆閾値未満である場合、訓練部６３は、当該特徴量データの状態を正常期間として判別し、当該特徴量データに「正常期間」のラベル付けをしてもよい。

また、判別対象の特徴量データに対して算出した異常度が予兆閾値以上であって、異常閾値未満である場合、訓練部６３は、当該特徴量データの状態を予兆期間として判別し、当該特徴量データに「予兆期間」のラベル付けをしてもよい。

また、判別対象の特徴量データに対して算出した異常度が異常閾値以上である場合、訓練部６３は、当該特徴量データの状態を異常期間として判別し、当該特徴量データに「異常期間」のラベル付けをしてもよい。

訓練部６３は、このようにしてラベル付けした各特徴量データを状態ラベルデータとして格納し、異常予兆検知モデルＭ２の訓練データとして状態ラベルデータを利用する。

［状態ラベルデータベース７４］
訓練部６３は、生成した状態ラベルデータを記憶部１１の状態ラベルデータベース７４に格納してもよい。すなわち、状態ラベルデータベース７４は、異常度データベース７３に登録された異常度データＡＤを生産日時順に並べた時系列データに付与される状態ラベルデータＬＤが登録されたデータベースである。なお、時系列データは、生産設備２００ごとに分けられている。

図１０は、状態ラベルデータベース７４の例を示す図である。図１０に示される例においては、状態ラベルデータベース７４には、「状態ラベル」、「設備」、「開始日時」、「終了日時」および「異常度算出モデルＩＤ」が互いに関連付けられて登録されている。これらのデータが１つずつ関連付けられて、１つの状態ラベルデータを構成する。

「状態ラベル」は、「正常期間」、「予兆期間」および「異常期間」の３段階の状態を示すデータである。なお、予兆期間とは、生産設備２００に異常の予兆が現れている期間であり、異常期間とは生産設備２００に異常が発生している期間である。

「設備」は、状態ラベルＬが付与される時系列データに対応する生産設備２００の識別子である。

「開始日時」および「終了日時」は、状態ラベルＬが付与される時系列データを構成する異常度データＡＤの最初の（最も古い）データの日時および最後の（最も新しい）データの日時である。換言すれば、状態ラベルＬが示す状態の期間が始まる日時と終了する日時である。

状態ラベルデータＬＤは、訓練部６３により生成され、状態ラベルデータベース７４に登録される。

本開示の一実施形態による異常予兆検知モデルＭ２とは、生産設備２００の状態が「正常期間」、「予兆期間」および「異常期間」のいずれであるかを予測する機械学習モデルであり、入力として特徴量データを受け付け、当該特徴量データの状態を出力する。例えば、異常予兆検知モデルＭ２は、劣化および故障等の異常による不良品が多発した生産設備２００において、異常が発生するまでに、生産実績データＰＤがどのような時系列変化を経ていたかということを予測するための機械学習モデルである。すなわち、異常予兆検知モデルＭ２は、生産設備２００に劣化および故障等の異常が発生しているか否か、または、異常の予兆が現れているか否かを検知するために使用することができる。生産設備２００の生産実績データＰＤが生産実績データベース７１に入力されると、異常予兆検知モデルＭ２は、入力された生産実績データから導出された特徴量データに基づいて、この生産実績データＰＤが得られたときの生産設備２００の状態が「正常期間」、「予兆期間」および「異常期間」のいずれであるかを判定した結果を出力する。

例えば、訓練部６３は、訓練用データベース２０から抽出した生産実績データから取得された特徴量データと当該特徴量データの状態とのペアから構成される訓練データを利用して、教師有り学習によって訓練対象の異常予兆検知モデルＭ２を訓練する。例えば、異常予兆検知モデルＭ２がニューラルネットワークとして実現される場合、訓練部６３は、各訓練データの特徴量データを当該ニューラルネットワークに入力し、ニューラルネットワークからの出力結果と訓練データの特徴量データの状態とを比較する。そして、訓練部６３は、出力結果と訓練用の特徴量データの状態との誤差に応じて、バックプロパゲーションなどに従ってニューラルネットワークのパラメータを調整する。所定の終了条件が充足されるまで、訓練部６３は、当該パラメータ調整処理を繰り返す。所定の終了条件としては、例えば、準備された全ての訓練データに対してパラメータ調整処理が実行されたこと、誤差が所定の閾値未満になったこと、誤差が所定の閾値範囲内に収束したこと、などであってもよい。

異常予兆検知モデルＭ２の訓練が終了すると、訓練部６３は、訓練済み異常予兆検知モデルＭ２を異常予兆検知装置１００に提供する。

なお、複数の生産設備２００の生産実績データＰＤを用いて１つの異常予兆検知モデルＭ２が生成されてもよいし、１つの生産設備２００の生産実績データＰＤを用いて１つの異常予兆検知モデルＭ２が生成されてもよい。

異常予兆検知モデルＭ２の形式は、特に限定されないが、より判定精度を向上させるために、ニューラルネットワークモデル等の機械学習モデルが採用されることが望ましい。異常予兆検知モデルＭ２に採用されるモデルの選択は、異常予兆検知装置１００のユーザによって行われてもよいし、訓練部６３によって自動的に行われてもよい。

＜異常予兆検知装置１００の詳細＞
次に、図１１を参照して、本開示の一実現形態による異常予兆検知装置１００を説明する。異常予兆検知装置１００は、モデル生成装置６０によって生成された異常予兆検知モデルを利用して、検知対象の生産設備２００の生産実績データに基づいて、生産設備２００に発生した異常または異常の予兆を検知する。

図１１は、本開示の一実現形態による異常予兆検知装置１００の機能構成を示すブロック図である。

図１１に示されるように、異常予兆検知装置１００は、前処理部１０１及び異常予兆検知部１０２を有する。

前処理部１０１は、検知対象の生産実績データの特徴量を取得する。具体的には、前処理部１０１は、生産設備２００によって生産された製品等に関する生産実績データを取得すると、取得した生産実績データに対して所定の前処理を実行し、生産実績データの特徴量データを取得する。

ここで、前処理部１０１によって取得される生産実績データは、典型的には、モデル生成装置６０によって異常予兆検知モデルの生成に用いられたデータと同一種別のものとされる。例えば、モデル生成装置６０が、「生産日時」、「設備」、「第１シート材測長値」、「第２シート材測長値」、「第１シート材測長値判定結果」および「第２シート材測長値判定結果」の６つのデータ種別の生産実績データを訓練データとして使用した場合、前処理部１０１もまた、これら６つのデータ種別の検知対象の生産実績データを生産設備２００から取得する。

そして、前処理部１０１は、取得した生産実績データに対して所定の前処理を実行し、生産実績データの特徴量データを取得する。具体的には、前処理部１０１は、モデル生成装置６０における前処理と同様の処理を検知対象の生産実績データに対して実行し、当該生産実績データの特徴量データを導出する。例えば、モデル生成装置６０における前処理が統計処理であって、特徴量データが、「生産日時」、「設備」、「集計単位」、「第１シート材測長値の最大値」、「第１シート材測長値の最小値」、「第１シート材測長値の平均値」、「第１シート材測長値の標準偏差」および「第１シート材測長値の不良数」の８つのデータ種別から構成される場合、前処理部１０１もまた、検知対象の生産実績データに対して同様の統計処理を実行し、同一種別の特徴量データを導出する。

このようにして特徴量データを取得すると、前処理部１０１は、取得した特徴量データを異常予兆検知部１０２にわたす。なお、前処理部１０１が、検知対象の生産実績データの代わりに、当該生産実績データの特徴量データを取得する場合、前処理部１０１は、上述した特徴量データを導出するための処理を実行する必要はなく、取得した特徴量データを異常予兆検知部１０２にわたすだけでよい。

異常予兆検知部１０２は、訓練済み異常予兆検知モデルを利用して、特徴量データから特徴量データの状態を検知する。ここで、異常予兆検知モデルは、訓練用の生産実績データの特徴量データと当該特徴量データの状態とから構成される訓練データによって訓練されたものである。また、特徴量データの状態は、正常期間の特徴量群を表す異常度算出モデルを利用して算出された当該特徴量データの異常度に基づき決定される。

具体的には、異常予兆検知部１０２は、前処理部１０１から受け付けた特徴量データを訓練済みの異常予兆検知モデルに入力し、当該訓練済みの異常予兆検知モデルからの出力として、入力した特徴量データの状態を取得する。モデル生成装置６０に関連して上述したように、異常予兆検知モデルは、訓練済みの異常度算出モデルを利用してラベル付けされた特徴量データを訓練データとして、教師有り学習によって訓練されたニューラルネットワークなどの何れかのタイプの機械学習モデルであってもよい。

一実現形態では、異常度算出部６２は、異常度データベース６３に登録された異常度データＡＤを用いて、異常度算出モデルの信頼度を評価してもよい。例えば、異常度算出部６２は、異常度データＡＤの不良数を集計単位数Ｗで割った不良率ＤＲと異常度Ａとの相関係数Ｃを算出する。相関係数Ｃが所定の閾値である相関閾値Ｔｈ_ｃより大きい場合、異常度算出部６２は、異常度算出モデルＭ１が算出する異常度Ａが生産設備２００の異常度合いを適切に表していると判断することができる。よって、異常度算出部６２は、相関係数Ｃが相関閾値Ｔｈ_ｃよりも大きくなる異常度算出モデルＭ１を、生産設備２００の異常度算出モデルＭ１として採用するようにしてもよい。

なお、相関閾値Ｔｈ_ｃとは、異常度算出モデルＭ１が算出する異常度Ａと生産設備２００で生産される巻回体２０４の不良数との間に相関が認められる相関係数Ｃの最小値であってもよい。すなわち、異常度算出モデルＭ１の生成に使用された特徴量データＦＤの特徴量の組み合わせが、生産設備２００の異常の特徴を表している場合に想定される相関係数Ｃの最小値である。言いかえると、異常度算出モデルＭ１が生産設備２００の異常度合いを適切に算出していると見なすことができる相関係数Ｃの最小値である。なお、所定の相関閾値Ｔｈ_ｃは、例えば過去の生産実績データＰＤ等に基づいて経験的に決定されればよい。

そして、訓練部６３は、特徴量データベース７２に特徴量データＦＤが登録される度（つまり、異常度データベース７３に異常度データＡＤが登録される度）に、以下の処理を行う。すなわち、訓練部６３は、登録された特徴量データＦＤ（または異常度データＡＤ）の不良数を集計単位数Ｗで割った不良率ＤＲを求める。訓練部６３は、不良率ＤＲを予め定められた所定の閾値である不良率閾値Ｔｈ_ｄｒと比較する。不良率ＤＲが不良率閾値Ｔｈ_ｄｒよりも大きい場合、訓練部６３は、異常度データベース７３に登録された異常度データＡＤを生産日時順に並べた時系列データに対して「正常期間」、「予兆期間」または「異常期間」の状態ラベルＬを付与することで、状態ラベルデータＬＤを生成する。そして、訓練部６３は、状態ラベルデータベース７４に状態ラベルデータＬＤを登録する。

そして、訓練部６３は、特徴量データＦＤを生産日時順に時系列に並べた時系列データを学習し、異常予兆検知モデルＭ２を生成する。学習に使用される時系列データは、「正常期間」、「予兆期間」および「異常期間」のそれぞれの状態ラベルデータＬＤの開始日時と終了日時の間に生産日時が含まれる特徴量データＦＤを起点とし、起点から過去の所定数の特徴量データＦＤを並べたものである。訓練部６３が生成した異常予兆検知モデルＭ２は、上述したように、異常予兆検知装置１００に提供される。

また、一実現形態では、訓練部６３は、異常度算出部６２で採用された異常度算出モデルＭ１と、訓練部６３で生成された異常予兆検知モデルＭ２との判定精度を比較し、異常予兆検知モデルＭ２の判定精度が高い場合に、異常予兆検知モデルＭ２を採用するようにしてもよい。換言すれば、異常予兆検知モデルＭ２の判定精度が、異常度算出モデルＭ１の判定精度を上回るまで、訓練部６３による異常予兆検知モデルの生成（学習用データリストの学習）が継続される。採用された異常予兆検知モデルＭ２は、異常予兆検知装置１００において生産設備２００の異常または異常の予兆の検知に用いられる。

そして、異常予兆検知部１０２は、生産設備２００において新たに生産された巻回体２０４の生産実績データＰＤから生成された特徴量データＦＤ、およびモデル生成装置６０で採用された異常予兆検知モデルＭ２を用いて、生産設備２００の状態を判定する。具体的には、異常予兆検知部１０２は、検知対象の生産実績データを「正常期間」、「予兆期間」および「異常期間」の３段階に判定する。判定結果が「異常期間」または「予兆期間」であった場合、異常予兆検知部１０２は、生産設備２００を管理するユーザ等に異常または予兆の検知を通知してもよい。この通知には、ユーザの注意を引くための警報や、どの生産設備２００にいつ異常または異常の予兆が発生したかを知らせる表示等が含まれてもよい。

＜モデル生成処理のための各処理の詳細＞
以下では、図６に示されるモデル生成装置６０の一実現形態による異常予兆検知モデルを生成するための各処理について詳細に説明する。なお、後述される処理は単なる一例であり、本開示による異常予兆検知モデルの生成は、生産設備２００、製品等に応じた生成処理によって実現されてもよい。

（前処理）
以下では、前処理部６１が実行する前処理を説明する。図１２は、一実施形態による前処理を説明するためのフローチャートである。

ステップＳ１１において、前処理部６１は、生産実績データベース７１に新たな生産実績データＰＤが予め定められた所定数であるＳ個登録されたか否かを判定する。新たな生産実績データＰＤがＳ個登録されていない場合（ステップＳ１１：ＮＯ）、前処理部６１は、ステップＳ１１を繰り返す。新たな生産実績データＰＤがＳ個登録されていた場合（ステップＳ１１：ＹＥＳ）、前処理部６１は、処理をステップＳ１２に進める。

ステップＳ１２において、前処理部６１は、新たに登録されたＳ個の生産実績データＰＤから、集計単位数Ｗの生産実績データＰＤを抽出し、抽出された生産実績データＰＤをリスト化した生産実績データリストＰＬを生成する。つまり、前処理部６１は生産実績データリストＰＬを抽出する。生産実績データリストＰＬは、生産実績データベース７１に最後に登録された最新の生産実績データＰＤ_ｌａｓｔを１番目として、生産実績データＰＤ_ｌａｓｔの生産日時から過去にさかのぼって集計単位数Ｗ番目の生産実績データＰＤまでの生産実績データＰＤを抽出してリスト化したものである。すなわち、生産実績データリストＰＬには、少なくとも最後に登録された最新の生産実績データＰＤ_ｌａｓｔが含まれている。なお、集計単位数Ｗは所定数Ｓ以下の数である。

ステップＳ１３において、前処理部６１は、抽出した生産実績データリストＰＬから、第１シート材測長値の最大値、最小値、平均値、標準偏差などの統計量を算出し、これらの統計量を特徴量とする。なお、ここで示される統計量以外に中央値、第１四分位数、第３四分位数などの統計量が算出され、特徴量とされてもよい。また、特徴量化の際に、事前に正規化、ビニング、対数変換、差分変換などの前処理が行われてもよいし、データを所定数過去にずらしたラグ特徴量が生成されてもよい。

ステップＳ１４において、前処理部６１は、抽出した生産実績データリストＰＬに含まれる第１シート材測長値判定結果が「不良」である生産実績データＰＤの数を集計し、第１シート材測長値の不良数とする。

ステップＳ１５において、前処理部６１は、算出した特徴量と不良数を含む特徴量データＦＤを特徴量データベース７２に登録する。特徴量データＦＤの生産日時は、最新の生産実績データＰＤ_ｌａｓｔの生産日時である。

（異常度算出モデルの生成処理）
次に、異常度算出部６２が実行する異常度算出モデルの生成処理を説明する。なお、異常度算出部６２が、訓練済みの異常度算出モデルを使用する場合、当該異常度算出モデルの生成処理は、異常度算出部６２によって実行される必要はない。図１３は、一実施形態による異常度算出モデルの生成処理を説明するためのフローチャートである。

ステップＳ２１において、異常度算出部６２は、特徴量データベース７２に、正常期間（例えば１週間または１週間よりも長い期間）内に生産日時が含まれる特徴量データＦＤが、予め定められた所定数以上登録されているか否かを判定する。正常期間とは、生産設備２００の劣化および故障が発生しておらず、生産設備２００から生産される巻回体２０４に不良が発生していない期間である。

正常期間内に生産日時が含まれる特徴量データＦＤが予め定められた所定数より少ない場合（ステップＳ２１：ＮＯ）、異常度算出部６２は、ステップＳ２１を繰り返す。正常期間内に生産日時が含まれる特徴量データＦＤが所定数以上登録されている場合（ステップＳ２１：ＹＥＳ）、異常度算出部６２は、処理をステップＳ２２に進める。つまり、異常度算出部６２は、「第１シート材の測長値の不良数」が０である特徴量データＦＤが特徴量データベース７２に所定数登録されることを待って、処理をステップＳ２２に進める。

ステップＳ２２において、異常度算部６２は、特徴量データベース７２から、予め定められた所定数の特徴量データＦＤを抽出し、抽出された特徴量データＦＤをリスト化した特徴量データリストＦＬを生成する。つまり、異常度算出部６２は、特徴量データリストＦＬを抽出する。特徴量データリストＦＬは、特徴量データベース７２に登録されている特徴量データＦＤのうち、上述した正常期間内に生産日時が含まれる特徴量データＦＤを所定数抽出してリスト化したものである。

ステップＳ２３において、異常度算出部６２は、特徴量データリストＦＬに含まれる特徴量データＦＤが有する複数の特徴量の組み合わせを用いて（例えば学習させて）、異常度算出モデルＭ１を生成する。例えば、異常度算出部６２は、何れか公知の異常予兆検知技術（例えば、ＭＴ法など）に従って異常度算出モデルＭ１を生成してもよい。例えば、異常度算出モデルＭ１は、特徴量データＦＤの異常度として正常状態の特徴量群からの乖離度（例えば、マハラノビス距離など）を算出するものであってもよい。このようにして、異常度算出部６２は、複数の特徴量の組み合わせ方を変えて、複数の異常度算出モデルＭ１を生成してもよい。

ステップＳ２４において、異常度算出部６２は、生成された複数の異常度算出モデルＭ１を登録する。

（異常度算出処理）
次に、異常度算出部６２が実行する異常度算出処理を説明する。図１４は、一実施形態による異常度算出処理を説明するためのフローチャートである。

ステップＳ３１において、異常度算出部６２は、特徴量データベース７２に新たな特徴量データＦＤ_ｎｅｗが登録されたか否かを判定する。新たな特徴量データＦＤ_ｎｅｗが登録されていない場合（ステップＳ３１：ＮＯ）、異常度算出部６２は、ステップＳ３１を繰り返す。新たな特徴量データＦＤ_ｎｅｗが登録された場合（ステップＳ３１：ＹＥＳ）、異常度算出部６２は、処理をステップＳ３２に進める。

ステップＳ３２において、異常度算出部６２は、特徴量データベース７２から、新たに登録された特徴量データＦＤ_ｎｅｗを抽出する。

ステップＳ３３において、異常度算出部６２は、登録されている複数の異常度算出モデルＭ１を読み出し、読み出された各異常度算出モデルＭ１と抽出された特徴量データＦＤ_ｎｅｗに含まれる特徴量とを用いて、複数の異常度Ａを算出する。つまり、１つの特徴量データＦＤ_ｎｅｗから複数の異常度Ａが算出される。異常度Ａの算出に用いられる特徴量の種類は、異常度Ａの算出に用いられる異常度算出モデルＭ１を生成する際に用いられた（例えば学習された）特徴量の種類と同じである。

ステップＳ３４において、異常度算出部６２は、算出した異常度Ａと特徴量データＦＤ_ｎｅｗに含まれる不良数とを含む異常度データＡＤ_ｎｅｗを生成し、異常度データベース７３に登録する。異常度データＡＤ_ｎｅｗの生産日時は、異常度Ａの算出に用いられた特徴量データＦＤ_ｎｅｗの生産日時である。

異常度データＡＤ_ｎｅｗは、異常度Ａの算出に用いられた異常度算出モデルＭ１のＩＤを含む。よって、どの異常度算出モデルＭ１を用いて異常度Ａが算出されたか識別することができる。

（異常度算出モデルの採用判定処理）
次に、異常度算出部６２が実行する異常度算出モデルの採用判定処理を説明する。なお、異常度算出部６２が１つの異常度算出モデルしか備えていない場合、当該採用判定処理は、異常度算出部６２によって実行されなくてもよい。図１５は、一実施形態による異常度算出モデルの採用判定処理を説明するためのフローチャートである。

ステップＳ４１において、異常度算出部６２は、異常度データベース７３に、第１シート材測長値の不良数が１以上の新たな異常度データＡＤ_ｎｅｗが登録されたか否かを判定する。第１シート材測長値の不良数が１以上の新たな異常度データＡＤ_ｎｅｗが登録されていない場合（ステップＳ４１：ＮＯ）、異常度算出部６２は、ステップＳ４１を繰り返す。第１シート材測長値の不良数が１以上の新たな異常度データＡＤ_ｎｅｗが登録された場合（ステップＳ４１：ＹＥＳ）、異常度算出部６２は、処理をステップＳ４２に進める。

ステップＳ４２において、異常度算出部６２は、異常度データベース７３から予め定められた所定数の異常度データＡＤを抽出し、抽出された異常度データＡＤをリスト化した異常度データリストＡＬを生成する。つまり、異常度算出部６２は、異常度データリストＡＬを抽出する。異常度データリストＡＬは、異常度データベース７３に新たに登録された異常度データＡＤ_ｎｅｗを１番目として、異常度データＡＤ_ｎｅｗの生産日時から過去にさかのぼって所定数番目の異常度データＡＤまでの異常度データＡＤを抽出してリスト化したものである。このとき抽出される異常度データＡＤは、異常度データＡＤ_ｎｅｗの異常度算出モデルＩＤと同じ異常度算出モデルＩＤを有する異常度データＡＤである。換言すれば、異常度算出部６２は、異常度Ａを算出した異常度算出モデルＩＤごとに異常度データリストＡＬを抽出する。異常度データリストＡＬには、少なくとも、第１シート材測長値の不良数が１以上の新たに登録された異常度データＡＤ_ｎｅｗが含まれている。

ステップＳ４３において、異常度算出部６２は、異常度データリストＡＬに含まれる各異常度データＡＤに関して、不良率ＤＲを算出する。不良率ＤＲは、異常度データＡＤに含まれる第１シート材測長値の不良数を集計単位数Ｗで割った値である。続いて、異常度算出部６２は、不良率ＤＲと異常度Ａとの相関係数Ｃを算出する。相関係数Ｃの算出は、異常度算出モデルＭ１ごと、つまり異常度算出モデルＩＤごとに行われる。異常度算出部６２は、異常度算出モデルＩＤごとに算出された複数の相関係数Ｃの中から最大の相関係数Ｃを選択する。

ステップＳ４４において、異常度算出部６２は、選択された最大の相関係数Ｃが相関閾値Ｔｈ_ｃより大きいか否かを判定する。最大の相関係数Ｃが相関閾値Ｔｈ_ｃ以下の場合（ステップＳ４４：ＮＯ）、異常度算出部６２は、処理をステップＳ４１に戻す。最大の相関係数Ｃが相関閾値Ｔｈ_ｃより大きい場合（ステップＳ４４：ＹＥＳ）、異常度算出部６２は、処理をステップＳ４５に進める。なお、相関閾値Ｔｈ_ｃとは、前述のとおり、異常度算出モデルＭ１が算出する異常度Ａと生産設備２００で生産される巻回体２０４の不良数との間に相関が認められる相関係数Ｃの最小値である。

ステップＳ４５において、異常度算出部６２は、最大の相関係数Ｃを算出した異常度算出モデルＭ１を採用する。

なお、ステップＳ４５において異常度算出モデルＭ１を採用した後も、異常度算出部６２はステップＳ４１以降の処理を繰り返してもよい。その結果、採用済みの異常度算出モデルＭ１とは異なる異常度算出モデルＭ１´が、最大の相関係数Ｃの算出に用いられる異常度Ａを算出することになる可能性がある。この場合、異常度算出部６２は、異常度算出モデルＭ１に代えて、異常度算出モデルＭ１´を採用してもよい。この場合、異常度算出部６２で実行される処理以降の訓練部６３で実行される各処理は、入れ替えられた異常度算出モデルＭ１´に基づいて実行される。

（状態ラベル設定処理）
次に、訓練部６３が実行する状態ラベル設定処理を説明する。図１６は、状態ラベル設定処理を説明するためのフローチャートである。

ステップＳ５１において、訓練部６３は、特徴量データベース７２に、不良率ＤＲが不良率閾値Ｔｈ_ｄｒよりも大きい特徴量データＦＤが登録されたか否かを判定する。不良率ＤＲが不良率閾値Ｔｈ_ｄｒよりも大きい特徴量データＦＤが登録されていない場合（ステップＳ５１：ＮＯ）、訓練部６３は、ステップＳ５１を繰り返す。不良率ＤＲが不良率閾値Ｔｈ_ｄｒよりも大きい特徴量データＦＤが登録された場合（ステップＳ５１：ＹＥＳ）、訓練部６３は、処理をステップＳ５２に進める。

ステップＳ５２において、訓練部６３は、異常度算出モデル採用判定処理で採用された異常度算出モデルＭ１が、異常度算出部６２によって生成される際に使用された特徴量データＦＤの生産日時の期間を正常期間に設定する。対象の生産設備２００の識別子と、設定された正常期間の開始日時および終了日時と、採用された異常度算出モデルＭ１の異常度算出モデルＩＤを対応付けて、正常期間の状態ラベルデータＬＤ_{ｎｏｒｍａｌ}を生成する。また、後述する異常期間または予兆期間以外の期間を正常期間に設定することができる。例えば、異常度算出モデルＭ１の生成に使用されなかったが、予兆期間として設定された期間よりも前の期間を正常期間に設定してもよい。

ステップＳ５３において、訓練部６３は、特徴量データベース７２に登録されている、不良率ＤＲが不良率閾値Ｔｈ_ｄｒよりも大きい特徴量データＦＤの生産日時の期間を異常期間に設定する。対象の生産設備２００の識別子と、設定された異常期間の開始日時および終了日時と、採用された異常度算出モデルＭ１の異常度算出モデルＩＤを対応付けて、異常期間の状態ラベルデータＬＤ_{ａｎｏｒｍａｌｙ}を生成する。

ステップＳ５４において、訓練部６３は、異常期間の状態ラベルデータＬＤ_{ａｎｏｒｍａｌｙ}の開始日時を終了日時とし、この終了日時から予め定められた所定の期間過去にさかのぼった日時を開始日時とする期間を予兆期間に設定する。対象の生産設備２００の識別子と、設定された予兆期間の開始日時および終了日時と、採用された異常度算出モデルＭ１の異常度算出モデルＩＤを対応付けて、予兆期間の状態ラベルデータＬＤ_ｓｉｇｎを生成する。

ステップＳ５５において、訓練部６３は、対象となる設備の識別子および異常度算出モデルＩＤが一致する異常度データＡＤに基づいて、以下の処理を行う。すなわち、訓練部６３は、正常期間の状態ラベルデータＬＤ_{ｎｏｒｍａｌ}の開始日時と終了日時との間に生産日時が含まれる異常度データＡＤを、異常度データベース７３から全て抽出し、それらの異常度Ａの平均値（つまり正常期間の異常度Ａの平均値）ＭＡ_{ｎｏｒｍａｌ}を算出する。また、訓練部６３は、予兆期間の状態ラベルデータＬＤ_ｓｉｇｎの開始日時と終了日時との間に生産日時が含まれる異常度データＡＤを、異常度データベース７３から全て抽出し、それらの異常度Ａの平均値（つまり予兆期間の異常度Ａの平均値）ＭＡ_ｓｉｇｎを算出する。さらに、訓練部６３は、異常期間の状態ラベルデータＬＤ_{ａｎｏｒｍａｌｙ}の開始日時と終了日時との間に生産日時が含まれる異常度データＡＤを、異常度データベース７３から全て抽出し、それらの異常度Ａの平均値（つまり異常期間の異常度Ａの平均値）ＭＡ_{ａｎｏｒｍａｌｙ}を算出する。

ステップＳ５６において、訓練部６３は、正常期間の異常度Ａの平均値ＭＡ_{ｎｏｒｍａｌ}と、予兆期間の異常度Ａの平均値ＭＡ_ｓｉｇｎと、異常期間の異常度Ａの平均値ＭＡ_{ａｎｏｒｍａｌｙ}との大小関係が、ＭＡ_{ｎｏｒｍａｌ}＜ＭＡ_ｓｉｇｎ＜ＭＡ_{ａｎｏｒｍａｌｙ}となっているか否かを判定する。ＭＡ_{ｎｏｒｍａｌ}＜ＭＡ_ｓｉｇｎ＜ＭＡ_{ａｎｏｒｍａｌｙ}となっていない場合（ステップＳ５６：ＮＯ）、訓練部６３は、処理を終了し、生成した各状態ラベルデータＬＤ_{ｎｏｒｍａｌ}、ＬＤ_ｓｉｇｎおよびＬＤ_{ａｎｏｒｍａｌｙ}を破棄する。

一方、ＭＡ_{ｎｏｒｍａｌ}＜ＭＡ_ｓｉｇｎ＜ＭＡ_{ａｎｏｒｍａｌｙ}となっている場合（ステップＳ５６：ＹＥＳ）、訓練部６３は、処理をステップＳ５７に進める。ステップＳ５７において、訓練部６３は、生成した各状態ラベルデータＬＤ_{ｎｏｒｍａｌ}、ＬＤ_ｓｉｇｎおよびＬＤ_{ａｎｏｒｍａｌｙ}を状態ラベルデータベース７４に登録する。

（異常予兆検知モデルの生成処理）
次に、訓練部６３が実行する異常予兆検知モデルの生成処理を説明する。図１７は、一実施形態による異常予兆検知モデルの生成処理を説明するためのフローチャートである。

ステップＳ６１において、訓練部６３は、状態ラベルデータベース７４から全ての状態ラベルデータＬＤを抽出する。

ステップＳ６２において、訓練部６３は、抽出した正常期間の状態ラベルデータＬＤ_{ｎｏｒｍａｌ}の開始日時から終了日時までの間に生産日時が含まれる特徴量データＦＤを、特徴量データベース７２から予め定められた所定数抽出する。訓練部６３は、抽出された所定数の特徴量データＦＤを用いて、正常特徴量データリストＦＬ_{ｎｏｒｍａｌ}を生成する。特徴量データＦＤが所定数に満たない場合、訓練部６３は、抽出した正常期間の状態ラベルデータＬＤ_{ｎｏｒｍａｌ}の開始日時から終了日時までの間に生産日時が含まれる全ての特徴量データＦＤを用いて正常特徴量データリストＦＬ_{ｎｏｒｍａｌ}を生成する。

ステップＳ６３において、訓練部６３は、抽出した予兆期間の状態ラベルデータＬＤ_ｓｉｇｎの開始日時から終了日時までの間に生産日時が含まれる特徴量データＦＤを、特徴量データベース６２から予め定められた所定数抽出する。訓練部６３は、抽出された所定数の特徴量データＦＤを用いて、予兆特徴量データリストＦＬ_ｓｉｇｎを生成する。特徴量データＦＤが所定数に満たない場合、訓練部６３は、抽出した予兆期間の状態ラベルデータＬＤ_ｓｉｇｎの開始日時から終了日時までの間に生産日時が含まれる全ての特徴量データＦＤを用いて予兆特徴量データリストＦＬ_ｓｉｇｎを生成する。

ステップＳ６４において、訓練部６３は、抽出した異常期間の状態ラベルデータＬＤ_{ａｎｏｒｍａｌｙ}の開始日時から終了日時までの間に生産日時が含まれる特徴量データＦＤを、特徴量データベース７２から予め定められた所定数抽出する。訓練部６３は、抽出された所定数の特徴量データＦＤを用いて、異常特徴量データリストＦＬ_{ａｎｏｒｍａｌｙ}を生成する。特徴量データＦＤが所定数に満たない場合、訓練部６３は、抽出した異常期間の状態ラベルデータＬＤ_{ａｎｏｒｍａｌｙ}の開始日時から終了日時までの間に生産日時が含まれる全ての特徴量データＦＤを抽出し、異常特徴量データリストＦＬ_{ａｎｏｒｍａｌｙ}を生成する。

ステップＳ６５において、訓練部６３は、正常特徴量データリストＦＬ_{ｎｏｒｍａｌ}、予兆特徴量データリストＦＬ_ｓｉｇｎおよび異常特徴量データリストＦＬ_{ａｎｏｒｍａｌｙ}に含まれる全ての特徴量データＦＤに、「正常期間」、「予兆期間」および「異常期間」の３段階の状態ラベルＬを付与することで、特徴量データＦＤ_{ｌａｂｅｌｅｄ}を生成する。訓練部６３は、各特徴量データＦＤ_{ｌａｂｅｌｅｄ}に基づいて、特徴量データベース６２から学習用データリストＴＬをそれぞれ抽出する。学習用データリストＴＬは、特徴量データＦＤを時系列に並べ、状態ラベルＬが付与された特徴量データＦＤ_{ｌａｂｅｌｅｄ}から所定数前にある特徴量データＦＤから、状態ラベルＬが付与された特徴量データＦＤ_{ｌａｂｅｌｅｄ}までの特徴量データＦＤを抽出してリスト化したものである。つまり、状態ラベルＬが付与された特徴量データＦＤ_{ｌａｂｅｌｅｄ}は、学習用データリストＴＬに含まれる特徴量データＦＤのうち最新の特徴量データＦＤである。なお、学習用データリストＴＬには、特徴量データＦＤ_{ｌａｂｅｌｅｄ}よりも生産日時が新しい特徴量データＦＤが含まれていてもよい。いずれにしても、学習用データリストＴＬには、少なくとも特徴量データＦＤ_{ｌａｂｅｌｅｄ}が含まれている。また、生成される学習用データリストＴＬの数は、正常特徴量データリストＦＬ_{ｎｏｒｍａｌ}、予兆特徴量データリストＦＬ_ｓｉｇｎおよび異常特徴量データリストＦＬ_{ａｎｏｒｍａｌｙ}に含まれる特徴量データＦＤ（つまり、特徴量データＦＤ_{ｌａｂｅｌｅｄ}）の数に等しくしてもよい。

図１８を参照しながら、「予兆期間」の状態ラベルＬが付与された特徴量データＦＤ_{ｌａｂｅｌｅｄ}が生成される場合を例に挙げて、学習用データリストＴＬを説明する。図１８は学習用データリストを説明するための図である。

図示された例では、予兆特徴量データリストＦＬ_ｓｉｇｎに複数の特徴量データＦＤが含まれている。これら複数の特徴量データＦＤの全てに、予兆期間の状態ラベルＬが付与され、これらの特徴量データＦＤが全て特徴量データＦＤ_{ｌａｂｅｌｅｄ}になる。すなわち、訓練データ用のラベル付けされる各特徴量データは、時間軸に関して重複する特徴量群から構成されてもよい。このようにして、１回の予兆期間及び異常期間から複数の「予兆期間」及び「異常期間」のラベルが付けられた特徴量データを生成することができ、発生頻度の低い状態に対応する訓練データの数を増加させることが可能になる。いずれの特徴量データリストＦＬに含まれているかは関係なく、特徴量データＦＤを時系列に並べたもののなかから、時系列に並ぶ所定数の特徴量データＦＤが選択される。このとき選択される特徴量データＦＤのうち、生産日時が最新である特徴量データＦＤが、特徴量データＦＤ_{ｌａｂｅｌｅｄ}である。このように選択された所定数の特徴量データＦＤによって、学習用データリストＴＬが構成される。

正常特徴量データリストＦＬ_{ｎｏｒｍａｌ}および異常特徴量データリストＦＬ_{ａｎｏｒｍａｌｙ}に含まれる特徴量データＦＤも、予兆特徴量データリストＦＬ_ｓｉｇｎに含まれる特徴量データＦＤと同様に、全て特徴量データＦＤ_{ｌａｂｅｌｅｄ}になる。そして、これらの特徴量データＦＤ_{ｌａｂｅｌｅｄ}を含む学習用データリストＴＬが生成、抽出される。

つまり、学習用データリストＴＬは、複数の時系列に並ぶ生産実績データＰＤそれぞれから生成された複数の時系列に並ぶ特徴量データＦＤを含む。また、学習用データリストＴＬは、特徴量データＦＤ_{ｌａｂｅｌｅｄ}を含む。特徴量データＦＤ_{ｌａｂｅｌｅｄ}は、学習用データリストＴＬに含まれる複数の特徴量データＦＤを代表する代表特徴量データである。代表特徴量データＦＤ_{ｌａｂｅｌｅｄ}には、「正常期間」、「予兆期間」または「異常期間」の状態ラベルＬが付与されている。

再び図１７を参照する。ステップＳ６６において、訓練部６３は、全ての学習用データリストＴＬを用いて機械学習を行い、異常予兆検知モデルＭ２を生成する。この際に使用される特徴量およびその組み合わせは、異常度算出部６２で採用された異常度算出モデルＭ１の生成の際に使用された特徴量およびその組み合わせとされる。学習するに当たっては、代表特徴量データＦＤ_{ｌａｂｅｌｅｄ}に付与されている状態ラベルＬを正解として、学習用データリストＴＬに含まれる全ての特徴量データＦＤの入力を受け付ける教師あり学習が行われる。

上述したように、異常予兆検知モデルＭ２は、生産設備２００が異常または異常の予兆に至るまでの時系列的な変化の特徴を学習したモデルである。異常予兆検知モデルＭ２は、生産設備２００の異常および異常の予兆の検知に用いられる。

なお、複数の生産設備２００の生産実績データＰＤを基に生成された学習用データリストＴＬを学習して１つの異常予兆検知モデルＭ２を生成してもよいし、生産設備２００ごとに異なる異常予兆検知モデルＭ２を生成してもよい。

ステップＳ６７において、訓練部６３は、生成された１つあるいは複数の異常予兆検知モデルＭ２を登録する。

（異常予兆検知モデルの採用判定処理）
次に、訓練部６３が実行する異常予兆検知モデルの採用判定処理を説明する。なお、訓練部６３が１つのみの異常予兆検知モデルしか生成しない場合、当該採用判定処理は不要である。図１９は、異常予兆検知モデル採用判定部１２７が実行する処理を説明するためのフローチャートである。

ステップＳ７１において、訓練部６３は、状態ラベルデータベース７４から全ての状態ラベルデータＬＤを抽出する。

ステップＳ７２において、訓練部６３は、抽出した「正常期間」の状態ラベルデータＬＤ_{ｎｏｒｍａｌ}の開始日時から終了日時までの間に生産日時が含まれる特徴量データＦＤを、特徴量データベース７２から予め定められた所定数抽出する。訓練部６３は、抽出された所定数の特徴量データＦＤを用いて、評価用の正常特徴量データリストＥＦＬ_{ｎｏｒｍａｌ}を生成する。特徴量データＦＤが所定数に満たない場合、訓練部６３は、抽出した正常期間の状態ラベルデータＬＤ_{ｎｏｒｍａｌ}の開始日時から終了日時までの間に生産日時が含まれる全ての特徴量データＦＤを用いて、評価用の正常特徴量データリストＥＦＬ_{ｎｏｒｍａｌ}を生成する。

なお、ステップＳ７２で生成される評価用の正常特徴量データリストＥＦＬ_{ｎｏｒｍａｌ}に含まれる特徴量データＦＤは、図１７のステップＳ６２で生成される正常特徴量データリストＦＬ_{ｎｏｒｍａｌ}に含まれる特徴量データＦＤとは異なるものであることが望ましい。

ステップＳ７３において、訓練部６３は、抽出した予兆期間の状態ラベルデータＬＤ_ｓｉｇｎの開始日時から終了日時までの間に生産日時が含まれる特徴量データＦＤを、特徴量データベース７２から予め定められた所定数抽出する。訓練部６３は、抽出された所定数の特徴量データＦＤを用いて、評価用の予兆特徴量データリストＥＦＬ_ｓｉｇｎを生成する。特徴量データＦＤが所定数に満たない場合、訓練部６３は、抽出した予兆期間の状態ラベルデータＬＤ_ｓｉｇｎの開始日時から終了日時までの間に生産日時が含まれる全ての特徴量データＦＤを用いて、評価用の予兆特徴量データリストＥＦＬ_ｓｉｇｎを生成する。

なお、ステップＳ７３で生成される評価用の予兆特徴量データリストＥＦＬ_ｓｉｇｎに含まれる特徴量データＦＤは、図１７のステップＳ６３で生成される予兆特徴量データリストＦＬ_ｓｉｇｎに含まれる特徴量データＦＤとは異なるものであることが望ましい。

ステップＳ７４において、訓練部６３は、抽出した「異常期間」の状態ラベルデータＬＤ_{ａｎｏｒｍａｌｙ}の開始日時から終了日時までの間に生産日時が含まれる特徴量データＦＤを、特徴量データベース７２から予め定められた所定数抽出する。訓練部６３は、抽出された所定数の特徴量データＦＤを用いて、評価用の異常特徴量データリストＥＦＬ_{ａｎｏｒｍａｌｙ}を生成する。特徴量データＦＤが所定数に満たない場合、訓練部６３は、抽出した異常期間の状態ラベルデータＬＤ_{ａｎｏｒｍａｌｙ}の開始日時から終了日時までの間に生産日時が含まれる全ての特徴量データＦＤを用いて、評価用の異常特徴量データリストＥＦＬ_{ａｎｏｒｍａｌｙ}を生成する。

なお、ステップＳ７４で生成される評価用の異常特徴量データリストＥＦＬ_{ａｎｏｒｍａｌｙ}に含まれる特徴量データＦＤは、図１７のステップＳ６４で生成される異常特徴量データリストＦＬ_{ａｎｏｒｍａｌｙ}に含まれる特徴量データＦＤとは異なるものであることが望ましい。

ステップＳ７５において、訓練部６３は、評価用の正常特徴量データリストＥＦＬ_{ｎｏｒｍａｌ}、評価用の予兆特徴量データリストＥＦＬ_ｓｉｇｎおよび評価用の異常特徴量データリストＥＦＬ_{ａｎｏｒｍａｌｙ}に含まれる全ての特徴量データＦＤに、「正常期間」、「予兆期間」および「異常期間」の３段階の状態ラベルＬを付与することで、特徴量データＦＤ_{ｌａｂｅｌｅｄ}を生成する。訓練部６３は、各特徴量データＦＤ_{ｌａｂｅｌｅｄ}に基づいて、特徴量データベース７２から評価用データリストＥＬをそれぞれ抽出する。評価用データリストＥＬは、特徴量データＦＤを時系列に並べ、状態ラベルＬが付与された特徴量データＦＤ_{ｌａｂｅｌｅｄ}から所定数前にある特徴量データＦＤから、状態ラベルＬが付与された特徴量データＦＤ_{ｌａｂｅｌｅｄ}までの特徴量データＦＤを抽出してリスト化したものである。すなわち、評価用データリストＥＬには、少なくとも特徴量データＦＤ_{ｌａｂｅｌｅｄ}が含まれている。また、生成される評価用データリストＥＬの数は、評価用の正常特徴量データリストＥＦＬ_{ｎｏｒｍａｌ}、評価用の予兆特徴量データリストＥＦＬ_ｓｉｇｎおよび評価用の異常特徴量データリストＥＦＬ_{ａｎｏｒｍａｌｙ}に含まれる特徴量データＦＤ（つまり、特徴量データＦＤ_{ｌａｂｅｌｅｄ}）の数に等しくてもよい。

すなわち、評価用データリストＥＬは、図１８を参照して説明された学習用データリストＴＬと同じ形式のリストである。また、状態ラベルＬが付与された特徴量データＦＤ_{ｌａｂｅｌｅｄ}を含む点においても、評価用データリストＥＬは、学習用データリストＴＬと共通している。

ステップＳ７６において、訓練部６３は、新たに登録された異常予兆検知モデルＭ２_ｎｅｗに、抽出された全ての評価用データリストＥＬを入力する。すると、異常予兆検知モデルＭ２_ｎｅｗは、入力された評価用データリストＥＬの数の状態ラベルＬを出力する。訓練部６３は、評価用データリストＥＬに含まれる特徴量データＦＤ_{ｌａｂｅｌｅｄ}に付与された状態ラベルＬと異常予兆検知モデルＭ２_ｎｅｗから出力された状態ラベルＬとが一致した（つまり正解した）件数（一致件数）Ｃ２を集計する。

ステップＳ７７において、訓練部６３は、異常予兆検知モデルＭ２_ｎｅｗが学習に使用した異常度Ａを算出した異常度算出モデルＭ１を抽出する。異常予兆検知モデルＭ２_ｎｅｗが学習に使用した異常度Ａとは、訓練部６３によってステップＳ５５にて抽出された異常度データＡＤに含まれる異常度Ａである。訓練部６３は、全ての評価用データリストＥＬに含まれる特徴量データＦＤ_{ｌａｂｅｌｅｄ}を、抽出された異常度算出モデルＭ１に入力する。すると、異常度算出モデルＭ１は、入力された特徴量データＦＤ_{ｌａｂｅｌｅｄ}の数の異常度Ａを算出する。異常度算出モデルＭ１が算出した異常度Ａは、次のように分類される。異常度Ａが予め定められた所定の閾値である異常度閾値ＴｈＡ_{ａｎｏｒｍａｌｙ}よりも大きい場合、この異常度Ａは、「異常期間」に分類される。異常度Ａが予め定められた所定の閾値である予兆閾値ＴｈＡ_ｓｉｇｎよりも大きく、異常度閾値ＴｈＡ_{ａｎｏｒｍａｌｙ}以下である場合、この異常度Ａは、「予兆期間」に分類される。異常度Ａが予兆閾値ＴＡ_ｓｉｇｎ以下である場合、この異常度Ａは、「正常期間」に分類される。訓練部６３は、特徴量データＦＤ_{ｌａｂｅｌｅｄ}に付与された状態ラベルＬと異常度算出モデルＭ１が算出した異常度Ａの分類結果とが一致した（つまり正解した）件数（一致件数）Ｃ１を集計する。

なお、異常度閾値ＴｈＡ_{ａｎｏｒｍａｌｙ}には、例えばステップＳ５５で算出した、異常期間の異常度Ａの平均値であるＭＡ_{ａｎｏｒｍａｌｙ}を用いてもよい。また、予兆閾値ＴｈＡ_ｓｉｇｎには、例えばステップＳ５５で算出した、予兆期間の異常度Ａの平均値ＭＡ_ｓｉｇｎを用いてもよい。これにより、後述するステップＳ７８において、訓練部６３は、一致件数Ｃ１と一致件数Ｃ２とを同じ基準で比較することができるようになる。

ステップＳ７８において、訓練部６３は、一致件数Ｃ２が一致件数Ｃ１よりも大きいか否かを比較する。一致件数Ｃ２が一致件数Ｃ１よりも大きい場合（ステップＳ７８：ＹＥＳ）、訓練部６３は、処理をステップＳ７９に進める。一致件数Ｃ２が一致件数Ｃ１以下である場合（ステップＳ７８：ＮＯ）、異常予兆検知モデルＭ２_ｎｅｗは採用されず、訓練部６３は、処理を終了する。

ステップＳ７９において、訓練部６３は、異常予兆検知モデルＭ２_ｎｅｗを採用する。

採用された異常予兆検知モデルＭ２_ｎｅｗは、異常予兆検知装置１００に提供され、生産設備２００の異常および異常の予兆の検知に用いられる。

なお、異常予兆検知モデルＭ２_ｎｅｗが採用されなかった場合（ステップＳ７８：ＮＯ）、特徴量データＦＤの蓄積に伴って再び訓練部６３によって、新たな異常予兆検知モデルＭ２_ｎｅｗが生成され、訓練部６３によって、この新たな異常予兆検知モデルＭ２_ｎｅｗを採用するか否かが判定される。つまり、一致件数Ｃ２が一致件数Ｃ１よりも大きくなるまで、異常予兆検知モデルＭ２を生成するための機械学習が継続される。このようにして、モデル生成装置６０は、生産設備２００の稼働後も生産実績データを収集し、稼働中に収集した生産実績データを利用して、検知精度を向上させるために異常予兆検知モデルＭ２を再訓練することができる。

＜異常予兆検知処理のための各処理の詳細＞
以下では、図１１に示される異常予兆検知装置１００の一実施形態による異常予兆検知処理について詳細に説明する。ここで、異常予兆検知装置１００の前処理は、モデル生成装置６０のものと同様であり、重複を避けるため、説明を省く。なお、後述される処理は単なる一例であり、本開示による異常予兆検知処理は、モデル生成装置６０によって生成される異常予兆検知モデル、生産設備２００、製品等に応じて異なる処理によって実現されてもよい。

（異常予兆検知処理）
次に、異常予兆検知部１０２が実行する異常予兆検知処理を説明する。図２０は、一実施形態による異常予兆検知処理を説明するためのフローチャートである。

ステップＳ８１において、異常予兆検知部１０２は、特徴量データベース７２に新たな特徴量データＦＤ_ｎｅｗが登録されたか否かを判定する。新たな特徴量データＦＤ_ｎｅｗが登録されていない場合（ステップＳ８１：ＮＯ）、異常予兆検知部１０２は、ステップＳ８１を繰り返す。新たな特徴量データＦＤ_ｎｅｗが登録された場合（ステップＳ８１：ＹＥＳ）、異常予兆検知部１０２は、処理をステップＳ８２に進める。

ステップＳ８２において、異常予兆検知部１０２は、新たに登録された特徴量データＦＤ_ｎｅｗに基づいて、特徴量データベース７２から特徴量データリストＦＬを抽出する特徴量データリストＦＬは、特徴量データＦＤを時系列に並べ、新たに登録された特徴量データＦＤ_ｎｅｗから所定数前にある特徴量データＦＤから、新たに登録された特徴量データＦＤ_ｎｅｗまでの特徴量データＦＤを抽出してリスト化したものである。すなわち、特徴量データリストＦＬには、少なくとも新たに登録された特徴量データＦＤ_ｎｅｗが含まれている。

すなわち、特徴量データリストＦＬは、図１８を参照して説明された学習用データリストＴＬと同じ形式のデータリストである。

ステップＳ８３において、異常予兆検知部１０２は、異常予兆検知モデルＭ２に、特徴量データリストＦＬを入力する。すると、異常予兆検知モデルＭ２は、複数の状態ラベルＬ_ｎｅｗを出力する。

ステップＳ８４において、異常予兆検知部１０２は、状態ラベルＬ_ｎｅｗが「予兆期間」であるか否かを判定する。状態ラベルＬ_ｎｅｗが「予兆期間」である場合（ステップＳ８４：ＹＥＳ）、異常予兆検知部１０２は、処理をステップＳ８５に進める。なお、予兆期間とは、生産設備２００に異常が発生しているわけではないが、異常の予兆が現れていることが想定される期間である。

ステップＳ８５において、異常予兆検知部１０２は、異常の予兆が現れている旨を生産設備２００の管理者等に通知する。ステップＳ８５において、異常予兆検知部１０２は、「予兆期間」にあると判定された生産設備２００を管理者等の端末に表示してもよい。例えば、異常予兆検知部１０２は、「以下の生産設備に異常の予兆あり！」等のメッセージとともに、異常の予兆が現れたと判断される生産設備２００を表示してもよい。

一方、状態ラベルＬ_ｎｅｗが「予兆期間」でない場合（ステップＳ８４：ＮＯ）、異常予兆検知部１０２は、処理をステップＳ８６に進める。

ステップＳ８６において、異常予兆検知部１０２は、状態ラベルＬ_ｎｅｗが「異常期間」であるか否かを判定する。なお、異常期間とは、異常の予兆の段階を超えて、生産設備２００に異常が生じていることが想定される期間である。

状態ラベルＬ_ｎｅｗが「異常期間」である場合（ステップＳ８６：ＹＥＳ）、異常予兆検知部１０２は、処理をステップＳ８７に進める。ステップＳ８７において、異常予兆検知部１０２は、「異常期間」にあると判定された生産設備２００を管理者等の端末に表示してもよい。例えば、異常予兆検知部１０２は、「以下の生産設備に異常発生！」等のメッセージとともに、異常が発生したと判断される生産設備２００を表示してもよい。また、異常予兆検知部１０２は、対象の生産設備２００に異常が生じていることを報知するための警報を管理者等に発することができる。生産設備２００に異常が生じている事態は、緊急の保全作業が必要な事態である。このため、異常予兆検知部１０２は、メッセージの表示だけでなく、警報による音または光の出力により、異常予兆検知装置１００のユーザに対して速やかに異常の発生を通知してもよい。

状態ラベルＬ_ｎｅｗが「異常期間」でない場合（ステップＳ８６：ＮＯ）、異常予兆検知部１０２は処理を終了する。

＜第１の実施の形態のモデル生成装置６０及び異常予兆検知装置１００の作用・効果＞
以上説明したように、第１の実施の形態に係るモデル生成装置６０及び異常予兆検知装置１００によれば、生産設備２００の生産実績データＰＤから特徴量データＦＤを生成する処理と、生産設備２００の異常度Ａを算出する異常度算出モデルＭ１を、特徴量データＦＤから学習等により生成する処理と、生成された異常度算出モデルＭ１が、生産設備２００の異常度合いを適切に算出しているか否かを判定する処理と、異常度算出モデルＭ１が算出した異常度Ａに基づいて、生産設備２００の状態を「正常期間」、「予兆期間」及び「異常期間」の３段階に設定する状態ラベル設定処理と、設定された状態ラベルＬに基づいて、生産設備２００の異常または異常の予兆を検知する異常予兆検知モデルＭ２を、特徴量データＦＤから学習により生成する処理と、異常度算出モデルＭ１と異常予兆検知モデルＭ２との判定精度を比較し、異常予兆検知モデルＭ２の判定精度が高い場合に、異常予兆検知モデルＭ２を採用する処理と、採用された異常予兆検知モデルＭ２を用いて、生産設備２００に異常または異常の予兆が発生しているか否かを検知し、異常または異常の予兆が発生している場合にはその旨を通知する処理と、を実行することができる。

よって、生産設備２００の劣化および故障等の異常が少ない場合においても、生産設備２００の劣化および故障等の異常または異常の予兆に関連する特徴が適切に表れている特徴量データを抽出し、抽出された特徴量データを用いて精度の高い学習済みモデル（異常予兆検知モデルＭ２）を生成することができる。また、学習済みモデルを使用して生産設備２００の異常を検知した場合には、警報を発することで、緊急の対応をユーザに行わせることができる。また、学習済みモデルを使用して異常の予兆を検知した場合には、異常の予兆を検知した生産設備２００をユーザに報知することで、不良品の発生率が低いうちに、生産設備２００の劣化および故障等の異常が進行することを予防するための保全作業を行わせることができる。

また、異常予兆検知モデルＭ２は、学習用データリストＴＬを用いる機械学習によって生成された学習済みモデルである。そして、異常予兆検知モデルＭ２は、学習用データリストＴＬと同じ形式のデータリストである特徴量データリストＦＬが入力されると、生産設備２００が「正常期間」、「予兆期間」および「異常期間」のいずれにあるかを判定した結果を出力する。

本開示によれば、相対的に少数のラベル付けされた訓練データから生成可能な異常度算出モデルを利用して、ラベル付けされていない訓練データにラベル付けをすることによって、異常予兆検知モデルＭ２を、予兆期間および異常期間であるときの生産実績データＰＤが大量に集まらないうちに生成することができる。よって、生産設備２００が製品の生産を開始してから経過した時間が比較的短いうちに異常の予兆が現れたり異常が発生したりしても、確実にそれらを検知することができる学習済み異常予兆検知モデルを利用することができる。したがって、生産設備２００が製品の生産を開始してから経過した時間が比較的短いうちに、異常の予兆が現れたことおよび異常が発生したことを検知することができる。

（第２の実施の形態）
以下では、本開示の第２の実施の形態について説明する。図２１は、第２の実施の形態に係るモデル生成装置６０Ａの機能構成を例示するブロック図である。第２の実施の形態に係るモデル生成装置６０Ａは、第１の実施形態に係るモデル生成装置６０と次の点で異なる。すなわち、訓練部６３Ａが行う処理が、訓練部６３が行う処理と異なっている。

以下では、第１の実施の形態との相違点について説明を行う。第１の実施の形態と同様の構成については、第１の実施の形態と同様の符号を付して説明し、第１の実施の形態と異なる構成については符号に「Ａ」を付して説明する。

第１の実施の形態において、訓練部６３は、生産設備２００に劣化および故障等の異常が発生する直前の一定期間に、異常の予兆が現れることを前提として、異常期間の直前に一定期間の予兆期間を設定した。この方法は、生産設備２００の劣化のパターンがいつも同じである場合に有効である。しかしながら、実際には、様々な要因により、劣化が想定よりも急激に進行し、異常の予兆が現れている期間が短くなる場合がある。この場合、異常の予兆が現れていない特徴量データＦＤが、予兆期間の特徴量データＦＤに想定以上に含まれることになり、生成される異常予兆検知モデルＭ２が異常の予兆を検知する性能が不足することになる。本第２の実施の形態は、このような場合に対応できる異常予兆検知モデルＭ２を生成するものである。

図２２は、第２の実施の形態による状態ラベル設定処理を説明するためのフローチャートである。

ステップＳ９１において、訓練部６３Ａは、特徴量データベース７２に、不良率ＤＲが不良率閾値Ｔｈ_ｄｒよりも大きい特徴量データＦＤが登録されたか否かを判定する。不良率ＤＲが不良率閾値Ｔｈ_ｄｒよりも大きい特徴量データＦＤが登録されていない場合（ステップＳ９１：ＮＯ）、訓練部６３Ａは、ステップＳ９１を繰り返す。不良率ＤＲが所定の不良率閾値Ｔｈ_ｄｒよりも大きい特徴量データＦＤが登録された場合（ステップＳ９１：ＹＥＳ）、訓練部６３Ａは、処理をステップＳ９２に進める。

ステップＳ９２において、訓練部６３Ａは、異常度算出部６２で採用された異常度算出モデルＭ１が、異常度算出部６２によって生成される際に使用された特徴量データＦＤの生産日時の期間を正常期間に設定する。対象の生産設備２００の識別子と、設定された正常期間の開始日時および終了日時と、採用された異常度算出モデルＭ１の異常度算出モデルＩＤを対応付けて、正常期間の状態ラベルデータＬＤ_{ｎｏｒｍａｌ}を生成する。また、後述する異常期間または予兆期間以外の期間を正常期間に設定することができる。例えば、異常度算出モデルＭ１の生成に使用されなかったが、予兆期間として設定された期間よりも前の期間を正常期間に設定することができる。

ステップＳ９３において、訓練部６３Ａは、特徴量データベース７２に登録されている、不良率ＤＲが不良率閾値Ｔｈ_ｄｒよりも大きい特徴量データＦＤの生産日時の期間を異常期間に設定する。対象の生産設備２００の識別子と、設定された異常期間の開始日時および終了日時と、採用された異常度算出モデルＭ１の異常度算出モデルＩＤを対応付けて、異常期間の状態ラベルデータＬＤ_{ａｎｏｒｍａｌｙ}を生成する。

ステップＳ９４において、訓練部６３Ａは、対象となる設備の識別子および異常度算出モデルＩＤが一致する異常度データＡＤに基づいて、以下の処理を行う。すなわち、訓練部６３Ａは、正常期間の状態ラベルデータＬＤ_{ｎｏｒｍａｌ}の開始日時と終了日時との間に生産日時が含まれる異常度データＡＤを、異常度データベース７３から全て抽出し、それらの異常度Ａの平均値（正常期間の異常度Ａの平均値）ＭＡ_{ｎｏｒｍａｌ}を算出する。また、訓練部６３Ａは、異常期間の状態ラベルデータＬＤ_{ａｎｏｒｍａｌｙ}の開始日時と終了日時との間に生産日時が含まれる異常度データＡＤを、異常度データベース７３から全て抽出し、それらの異常度Ａの平均値（異常期間の異常度Ａの平均値）ＭＡ_{ａｎｏｒｍａｌｙ}を算出する。

ステップＳ９５において、訓練部６３Ａは、正常期間の異常度Ａの平均値ＭＡ_{ｎｏｒｍａｌ}と異常期間の異常度Ａの平均値ＭＡ_{ａｎｏｒｍａｌｙ}との平均値を算出する。訓練部６３Ａは、算出した平均値を、予兆期間の予兆閾値ＴｈＡ_ｓｉｇｎに設定する。

ステップＳ９６において、訓練部６３Ａは、異常期間の開始日時を終了日時とし、この終了日時から過去にさかのぼった日時を開始日時とする期間を予兆期間に設定し、予兆期間の状態ラベルデータＬＤ_ｓｉｇｎを生成する。訓練部６３Ａは、予兆期間の開始日時と終了日時との間に生産日時が含まれる全ての異常度データＡＤの異常度Ａの平均値ＭＡ_ｓｉｇｎが予兆期間の予兆閾値ＴｈＡ_ｓｉｇｎよりも大きくなる最長の期間を、予兆期間に設定する。換言すれば、訓練部６３Ａは、異常期間の開始日時を起点として、できるだけ長い期間、過去にさかのぼるように、予兆期間の開始日時を設定する。

ステップＳ９７において、訓練部６３Ａは、生成した各状態ラベルデータＬＤ_{ｎｏｒｍａｌ}、ＬＤ_ｓｉｇｎおよびＬＤ_{ａｎｏｒｍａｌｙ}を状態ラベルデータベース７４に登録する。

以上説明したように、第２の実施の形態に係るモデル生成装置６０Ａによれば、異常の予兆が現れる期間が一定ではなく、短くなることがある場合においても、異常の予兆期間を適切に設定し、精度の高い学習済みモデル（異常予兆検知モデルＭ２）を生成することができる。

（第３の実施の形態）
以下では、本開示の第３の実施の形態について説明する。図２３は、第３の実施の形態に係るモデル生成装置６０Ｂの機能構成を例示するブロック図である。第３の実施の形態に係るモデル生成装置６０Ｂは、第１の実施形態に係るモデル生成装置６０と次の点で異なる。すなわち、訓練部６３Ｂが行う処理が、訓練部６３が行う処理と異なっている。

以下では、第１の実施の形態との相違点について説明を行う。第１の実施の形態と同様の構成については、第１の実施の形態と同様の符号を付して説明し、第１の実施の形態と異なる構成については符号に「Ｂ」を付して説明する。

第１の実施の形態において、訓練部６３は、生産設備２００に劣化および故障等の異常が発生する直前の一定期間に、異常の予兆が現れることを前提として、異常期間の直前に一定の予兆期間を設定した。この方法は、生産設備２００の劣化の進行とともに、異常の予兆が現れていることが明確になっていき、やがて異常の発生に至る場合に有効である。しかしながら、実際には、様々な要因により、異常期間の直前の期間に、異常の予兆が現れていない期間が含まれる場合がある。この場合、異常の予兆が現れていない特徴量データＦＤが、予兆期間の特徴量データＦＤに含まれることになり、生成される異常予兆検知モデルＭ２が異常の予兆を検知する性能が不足することになる。本第３の実施の形態は、このような場合に対応できる異常予兆検知モデルＭ２を生成するものである。

図２４は、第３の実施の形態による状態ラベル設定処理を説明するためのフローチャートである。

ステップＳ１０１において、訓練部６３Ｂは、特徴量データベース６２に、不良率ＤＲが不良率閾値Ｔｈ_ｄｒよりも大きい特徴量データＦＤが登録されたか否かを判定する。不良率ＤＲが所定の不良率閾値Ｔｈ_ｄｒよりも大きい特徴量データが登録されていない場合（ステップＳ１０１：ＮＯ）、訓練部６３Ｂは、ステップＳ１０１を繰り返す。不良率ＤＲが所定の不良率閾値Ｔｈ_ｄｒよりも大きい特徴量データＦＤが登録された場合（ステップＳ１０１：ＹＥＳ）、訓練部６３Ｂは、処理をステップＳ１０２に進める。

ステップＳ１０２において、訓練部６３Ｂは、異常度算出部６２で採用された異常度算出モデルＭ１が、異常度算出部６２によって生成される際に使用された特徴量データＦＤの生産日時の期間を正常期間に設定する。対象の生産設備２００の識別子と、設定された正常期間の開始日時および終了日時と、採用された異常度算出モデルＭ１の異常度算出モデルＩＤを対応付けて、正常期間の状態ラベルデータＬＤ_{ｎｏｒｍａｌ}を生成する。また、後述する異常期間または予兆期間以外の期間を正常期間に設定することができる。例えば、異常度算出モデルＭ１の生成に使用されなかったが、予兆期間として設定された期間よりも前の期間を正常期間に設定することができる。

ステップＳ１０３において、訓練部６３Ｂは、特徴量データベース７２に登録されている、不良率ＤＲが不良率閾値Ｔｈ_ｄｒよりも大きい特徴量データＦＤの生産日時の期間を異常期間に設定する。対象の生産設備２００の識別子と、設定された異常期間の開始日時および終了日時と、採用された異常度算出モデルＭ１の異常度算出モデルＩＤを対応付けて、異常期間の状態ラベルデータＬＤ_{ａｎｏｒｍａｌｙ}を生成する。

ステップＳ１０４において、訓練部６３Ｂは、対象となる設備の識別子および異常度算出モデルＩＤが一致する異常度データＡＤに基づいて、以下の処理を行う。すなわち、訓練部６３Ｂは、正常期間の状態ラベルデータＬＤ_{ｎｏｒｍａｌ}の開始日時と終了日時との間に生産日時が含まれる異常度データＡＤを、異常度データベース７３から全て抽出し、それらの異常度Ａの平均値（正常期間の異常度Ａの平均値）ＭＡ_{ｎｏｒｍａｌ}を算出する。また、訓練部６３Ｂは、異常期間の状態ラベルデータＬＤ_{ａｎｏｒｍａｌｙ}の開始日時と終了日時との間に生産日時が含まれる異常度データＡＤを、異常度データベース７３から全て抽出し、それらの異常度Ａの平均値（異常期間の異常度Ａの平均値）ＭＡ_{ａｎｏｒｍａｌｙ}を算出する。

ステップＳ１０５において、訓練部６３Ｂは、正常期間の異常度Ａの平均値ＭＡ_{ｎｏｒｍａｌ}と異常期間の異常度Ａの平均値ＭＡ_{ａｎｏｒｍａｌｙ}との平均値を算出する。訓練部６３Ｂは、算出した平均値を、予兆期間の予兆閾値ＴｈＡ_ｓｉｇｎに設定する。

ステップＳ１０６において、訓練部６３Ｂは、予兆閾値ＴｈＡ_ｓｉｇｎよりも異常度Ａが大きく、かつ、生産日時が正常期間および異常期間に含まれない異常度データＡＤを抽出する。訓練部６３Ｂは、抽出された異常度データＡＤを所定の期間、例えば１日を単位としてグループ化する。訓練部６３Ｂは、異常度データＡＤが予め定められた所定数以上存在するグループの期間を予兆期間として、予兆期間の状態ラベルデータＬＤ_ｓｉｇｎを生成する。

ステップＳ１０７において、訓練部６３Ｂは、生成した各状態ラベルデータＬＤ_{ｎｏｒｍａｌ}、ＬＤ_ｓｉｇｎおよびＬＤ_{ａｎｏｒｍａｌｙ}を状態ラベルデータベース７４に登録する。

以上説明したように、第３の実施の形態に係るモデル生成装置６０Ｂによれば、異常期間の直前の期間に、異常の予兆が現れていない期間が含まれる場合においても、異常の予兆期間を適切に設定し、精度の高い学習済みモデル（異常予兆検知モデルＭ２）を生成することができる。

なお、第１の実施の形態、第２の実施の形態および第３の実施の形態で生成されたそれぞれの異常予兆検知モデルＭ２の検知性能が訓練部６３、６３Ａ及び６３Ｂで比較され、最も検知性能が高い異常予兆検知モデルＭ２が採用されてもよい。

また、本開示に係るモデル生成装置６０，６０Ａ，６０Ｂ及び異常予兆検知装置１００が適用される生産設備２００が、リチウムイオン二次電池以外の製品を生産する生産設備であってもよいことは言うまでも無い。

異常予兆検知モデルＭ２の適用先は、異常予兆検知モデルＭ２を生成する際に使用した生産実績データＰＤを生成した生産設備２００に限られず、生産設備２００と同じ製品を生産する他の設備であってもよい。さらには、異常の発生の仕方の傾向が共通する場合、異常予兆検知モデルＭ２の適用先は、生産設備２００とは異なる製品を生産する設備であってもよい。

本開示は、生産設備の異常または異常の予兆を検知する異常予兆検知装置に有用である。

１０ 異常予兆検知システム
２０ 訓練用データベース
６０，６０Ａ，６０Ｂ モデル生成装置
６１ 前処理部
６２ 異常度算出部
６３，６３Ａ，６３Ｂ 訓練部
７１ 生産実績データベース
７２ 特徴量データベース
７３ 異常度データベース
７４ 状態ラベルデータベース
１００ 異常予兆検知装置
１０１ 前処理部
１０２ 異常予兆検知部
２００ 生産設備
２０１ 巻回部
２０２ 第１シート材
２０３ 第２シート材
２０４ 巻回体
２０５Ａ 第１貼合ロール
２０５Ｂ 第２貼合ロール
２０６ 巻芯
２０６Ｍ 巻芯回転駆動部
２０７ 検査機
２０８ 切断部
４０ 第１シート材切断後長さ測定センサー
４１ 第２シート材切断後長さ測定センサー
５０ 第１供給リール
５１ 第２供給リール

Claims (11)

1. 訓練用の生産実績データの特徴量データを取得する前処理部と、
   正常状態の特徴量群を表す異常度算出モデルを利用して、前記取得した特徴量データの異常度を算出する異常度算出部と、
   前記算出した異常度に基づき前記特徴量データの状態を決定し、前記特徴量データと前記特徴量データの状態とから構成される訓練データによって、前記特徴量データから前記特徴量データの状態を検知する異常予兆検知モデルを訓練する訓練部と、
   を有するモデル生成装置。
2. 前記異常予兆検知モデルは、前記特徴量データの状態を正常期間、予兆期間又は異常期間に判別する、請求項１に記載のモデル生成装置。
3. 前記訓練部は、前記算出した異常度と予兆閾値及び異常閾値との比較に基づき、前記特徴量データの状態を判別する、請求項２に記載のモデル生成装置。
4. 前記異常度算出モデルは、前記特徴量データの異常度として前記正常状態の特徴量群からの乖離度を算出する、請求項１から３の何れか一項に記載のモデル生成装置。
5. 前記前処理部は、前記訓練用の生産実績データの統計量に基づき前記特徴量データを決定する、請求項１から４の何れか一項に記載のモデル生成装置。
6. 前記訓練データの各特徴量データは、時間軸に関して重複する特徴量群から構成される、請求項１から５の何れか一項に記載のモデル生成装置。
7. 前記異常度算出部は、訓練用データベースから取得した前記特徴量データと前記特徴量データの状態とから構成される訓練データによって前記異常度算出モデルを生成する、請求項１から６の何れか一項に記載のモデル生成装置。
8. 訓練用の生産実績データの特徴量データを取得するステップと、
   正常状態の特徴量群を表す異常度算出モデルを利用して、前記取得した特徴量データの異常度を算出するステップと、
   前記算出した異常度に基づき前記特徴量データの状態を決定し、前記特徴量データと前記特徴量データの状態とから構成される訓練データによって、前記特徴量データから前記特徴量データの状態を検知する異常予兆検知モデルを訓練するステップと、
   をコンピュータが実行するモデル生成方法。
9. 検知対象の生産実績データの特徴量データを取得する前処理部と、
   訓練済み異常予兆検知モデルを利用して、前記特徴量データから前記特徴量データの状態を検知する異常予兆検知部と、
   を有し、
   前記異常予兆検知モデルは、訓練用の生産実績データの特徴量データと前記特徴量データの状態とから構成される訓練データによって訓練され、
   前記特徴量データの状態は、正常状態の特徴量群を表す異常度算出モデルを利用して算出された前記特徴量データの異常度に基づき決定される、異常予兆検知装置。
10. 検知対象の生産実績データの特徴量データを取得するステップと、
    訓練済み異常予兆検知モデルを利用して、前記特徴量データから前記特徴量データの状態を検知するステップと、
    をコンピュータが実行し、
    前記異常予兆検知モデルは、訓練用の生産実績データの特徴量データと前記特徴量データの状態とから構成される訓練データによって訓練され、
    前記特徴量データの状態は、正常状態の特徴量群を表す異常度算出モデルを利用して算出された前記特徴量データの異常度に基づき決定される、異常予兆検知方法。
11. 請求項１から７の何れか一項に記載のモデル生成装置と、
    請求項９に記載の異常予兆検知装置と、
    を有する異常予兆検知システム。
    

Images