JP2024069927A - 情報処理装置、情報処理方法および情報処理プログラム - Google Patents
情報処理装置、情報処理方法および情報処理プログラム Download PDFInfo
- Publication number
- JP2024069927A JP2024069927A JP2022180223A JP2022180223A JP2024069927A JP 2024069927 A JP2024069927 A JP 2024069927A JP 2022180223 A JP2022180223 A JP 2022180223A JP 2022180223 A JP2022180223 A JP 2022180223A JP 2024069927 A JP2024069927 A JP 2024069927A
- Authority
- JP
- Japan
- Prior art keywords
- model
- unit
- data
- anomaly
- causal
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 32
- 238000003672 processing method Methods 0.000 title description 8
- 238000000034 method Methods 0.000 claims abstract description 106
- 230000008569 process Effects 0.000 claims abstract description 97
- 230000007246 mechanism Effects 0.000 claims abstract description 85
- 238000004519 manufacturing process Methods 0.000 claims abstract description 58
- 238000001514 detection method Methods 0.000 claims abstract description 48
- 238000012821 model calculation Methods 0.000 claims abstract description 28
- 230000001364 causal effect Effects 0.000 claims description 115
- 230000005856 abnormality Effects 0.000 claims description 59
- 230000008859 change Effects 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000007477 logistic regression Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 description 56
- 238000004458 analytical method Methods 0.000 description 47
- 238000003860 storage Methods 0.000 description 21
- 238000004891 communication Methods 0.000 description 16
- 239000000284 extract Substances 0.000 description 14
- 238000013461 design Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 238000009434 installation Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 8
- 239000011159 matrix material Substances 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 101100190617 Arabidopsis thaliana PLC2 gene Proteins 0.000 description 2
- 101100408456 Arabidopsis thaliana PLC8 gene Proteins 0.000 description 2
- 101100464304 Caenorhabditis elegans plk-3 gene Proteins 0.000 description 2
- 101100093534 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) RPS1B gene Proteins 0.000 description 2
- 230000009194 climbing Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/041—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a variable is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
- G05B23/0248—Causal models, e.g. fault tree; digraphs; qualitative physics
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31455—Monitor process status
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Factory Administration (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
【課題】簡易な方式で異常の原因を推定することが可能な情報処理装置を提供する。【解決手段】情報処理装置は、製造ラインで実施される工程における複数の機構のそれぞれの状態データを取得する取得部と、取得部で取得した状態データに基づいて異常を検知する異常検知部と、異常を検知した際の状態データに基づいて代理モデルを算出する代理モデル算出部と、算出された代理モデルに基づいて異常の原因を推定する推定部とを備える。【選択図】図4
Description
本開示は、情報処理装置、情報処理方法および情報処理プログラムに関する。
工場等における製造ラインは、コンベア、ロボットアーム等の複数の機構で構成されている。この製造ラインのいずれかの機構で異常が発生すると、製品の製造が停止してしまい、大きな損害をもたらす可能性がある。そのため、工場等では、保全員が、製造ラインを定期的に巡回して、異常の発生又はその予兆の有無の確認を行っている。
製造ライン内で異常の発生又はその予兆を検知したとき、異常が検知された機構よりも前の機構に真の異常の原因が存在する場合がある。したがって、真の異常の原因を特定するためには、製造ライン内の各機構の因果関係を把握することが重要である。しかしながら、製造ラインを構成する機構の数が多くなり、かつ各機構の動作条件が日々変化し得ることから、全ての機構の因果関係を正確に把握するのは困難である。
そのため、従来、熟練の保全員が、自身の経験及び勘に基づいて、製造ラインを構成する複数の機構間の因果関係を把握して、製造ライン内で生じた異常又はその予兆の検知を行っていた。このような保全業務を非熟練の保全員が行うことができるようにするため、製造ラインを構成する複数の機構の因果関係を可視化する技術の開発が望まれていた。
例えば、特許文献1に開示されている装置では、製造ライン内の装置間の関係を容易にモデル化することにより、異常の検知を可視化する技術が示されている。
一方で、異常の種類は多岐にわたり、異常の要因を特定するためには多数の異常データが必要となる場合が多く、簡易に異常を特定することができなかった。
本開示は、上記の課題を解決するためになされたものであって、簡易な方式で異常の原因を推定することが可能な情報処理装置、情報処理方法および情報処理プログラムを提供することである。
本開示の一例によれば、情報処理装置は、製造ラインで実施される工程における複数の機構のそれぞれの状態データを取得する取得部と、取得部で取得した状態データに基づいて異常を検知する異常検知部と、異常を検知した際の状態データに基づいて代理モデルを算出する代理モデル算出部と、算出された代理モデルに基づいて異常の原因を推定する推定部とを備える。この構成であれば、算出された代理モデルに基づいて簡易な方式で異常の原因を推定することが可能である。
複数の機構の関係、複数の機構に関連する複数の事象間の依存関係、あるいは複数の機構の制御関係に基づく変数間の因果モデルを生成する因果モデル生成部をさらに備える。推定部は、算出された代理モデルと因果モデルとに基づいて異常の原因を推定する。この構成であれば、算出された代理モデルと因果モデルとに基づいて簡易な方式で異常の原因を推定することが可能である。
推定部の推定結果を表示する画面データを送信する送信部をさらに備える。この構成であれば推定結果を表示することが可能であるため異常の原因の推定が容易である。
送信部は、算出された代理モデルの変数にそれぞれ対応する係数および因果モデルを画面データを送信する。この構成によれば代理モデルの変数に対応する係数および因果モデルを表示することが可能であるため異常の原因の推定が容易である。
送信部は、算出された代理モデルの変数にそれぞれ対応する係数に基づいて調整された因果モデルの変数間の因果関係を示すエッジを表示する画面データを送信する。この構成によれば係数に基づいて因果関係を示すエッジが調整されるため異常の原因の推定が容易である。
因果モデルの変数は、対策可能な第1の変数と、対策不可な第2の変数とを含み、送信部は、第1の変数と第2の変数とを区別して表示する画面データを送信する。この構成によれば対策可能な変数と対策不可な変数とを区別して表示することが可能であるため異常の原因の推定が容易である。
代理モデル算出部は、異常を検知した際の異常の近傍の状態データを用いてロジスティック回帰により代理モデルを算出する。この構成によればロジスティック回帰により代理モデルが算出されるため簡易な方式で異常の原因の推定が可能である。
異常検知部は、状態データに基づいて経時的に変化する異常スコアを算出し、代理モデル算出部は、算出した異常スコアが所定の値以上になった場合に、異常の近傍の状態データを用いて代理モデルを算出する。この構成によれば異常の近傍の状態データを用いて代理モデルが算出されるため簡易な方式で異常の原因の推定が可能である。
異常検知部は、状態データに基づいて経時的に変化する異常スコアを算出する。送信部は、時刻に対する算出された異常スコアの経時的な変化を表示する画面データを送信する。また、時刻の選択入力を受け付ける時刻受付部をさらに備える。代理モデル算出部は、時刻受付部で受け付けた時刻に対する状態データの近傍の状態データを用いて代理モデルを算出する。この構成によれば、時刻の選択入力を受け付けて、当該受け付けた時刻に対する状態データの近傍の状態データを用いて代理モデルが算出されるため簡易な方式で異常の原因の推定が可能である。
情報処理装置は、代理モデルのパラメータを調整する調整部をさらに備える。この構成によれば、代理モデルのパラメータの調整が可能である。
本開示の一例によれば、情報処理方法は、製造ラインで実施される工程における複数の機構のそれぞれの状態データを取得するステップと、取得した状態データに基づいて異常を検知するステップと、異常を検知した際の状態データに基づいて代理モデルを算出するステップと、算出された代理モデルに基づいて異常の原因を推定するステップとを備える。この構成であれば、算出された代理モデルに基づいて簡易な方式で異常の原因を推定することが可能である。
本開示の一例によれば、情報処理プログラムは、コンピュータに、製造ラインで実施される工程における複数の機構のそれぞれの状態データを取得するステップと、取得した状態データに基づいて異常を検知するステップと、異常を検知した際の状態データに基づいて代理モデルを算出するステップと、算出された代理モデルに基づいて異常の原因を推定するステップとを実行させる。この構成であれば、算出された代理モデルに基づいて簡易な方式で異常の原因を推定することが可能である。
本開示によれば、簡易な方式で異常の原因を推定することが可能である。
実施の形態について、図面を参照しながら詳細に説明する。なお、図中の同一または相当部分については、同一符号を付してその説明は繰返さない。以下で説明される各変形例は、適宜選択的に組み合わされてもよい。
以下、情報処理装置の一形態である工程解析装置の一実施形態について、図面を参照しつつ説明する。
<1.適用例>
図1は、実施形態に従う情報処理装置の一形態である工程解析装置1の利用場面の一例を模式的に例示する図である。図1に示すように、実施形態に従う工程解析装置1は、製造ライン3を構成する複数の機構31の状態に関する状態データ223を取得する。製造ライン3は、何らかの物を製造可能であればよく、複数の装置で構成されてもよいし、包装機等の1つの装置で構成されてもよい。各機構31は、製造工程の何らかの処理を実施可能であればよく、1又は複数の装置で構成されてもよいし、装置の一部で構成されてもよい。1つの機構31が装置の一部で構成される場合、複数の機構31は、1つの装置で構成されてもよい。同一の装置が複数の処理を実施する場合には、それぞれを別の機構31とみなしてもよい。例えば、同一の装置が第1の処理と第2の処理とを実施する場合に、第1の処理をする当該装置を第1の機構31とみなし、第2の処理をする当該装置を第2の機構31とみなしてもよい。状態データ223は、製造ライン3を構成する各機構31の状態に関するあらゆる種類のデータを含んでもよい。各機構31は、例えば、コンベア、ロボットアーム、サーボモータ、シリンダ(成形機等)、吸着パッド、カッター装置、シール装置等の装置又はその装置の一部で構成されてよい。各機構31は、例えば、印刷機、実装機、リフロー炉、基板検査装置等の複合装置であってもよい。各機構31は、上記のような何らかの物理的な動作を伴う装置の他に、例えば、各種センサにより何らかの情報を検知する装置、各種センサからデータを取得する装置、取得したデータから何らかの情報を検知する装置、取得したデータを情報処理する装置等の内部処理を行う装置を含んでもよい。具体例として、コンベアを流れる対象物に付与されたマークを検知する光学センサを備える製造ラインにおいて、当該光学センサ及び光学センサにより検知した情報を利用する装置が各機構31として取り扱われてよい。また、各件の状態データ223は、例えば、トルク、速度、加速度、温度、電流、電圧、空圧、圧力、流量、位置、寸法(高さ、長さ、幅)及び面積の少なくともいずれかを示すデータであってよい。このような状態データ223は、公知のセンサ、カメラ等の計測装置によって得ることができる。例えば、流量は、フローセンサにより得ることができる。また、位置、寸法、及び面積は、画像センサにより得ることができる。
図1は、実施形態に従う情報処理装置の一形態である工程解析装置1の利用場面の一例を模式的に例示する図である。図1に示すように、実施形態に従う工程解析装置1は、製造ライン3を構成する複数の機構31の状態に関する状態データ223を取得する。製造ライン3は、何らかの物を製造可能であればよく、複数の装置で構成されてもよいし、包装機等の1つの装置で構成されてもよい。各機構31は、製造工程の何らかの処理を実施可能であればよく、1又は複数の装置で構成されてもよいし、装置の一部で構成されてもよい。1つの機構31が装置の一部で構成される場合、複数の機構31は、1つの装置で構成されてもよい。同一の装置が複数の処理を実施する場合には、それぞれを別の機構31とみなしてもよい。例えば、同一の装置が第1の処理と第2の処理とを実施する場合に、第1の処理をする当該装置を第1の機構31とみなし、第2の処理をする当該装置を第2の機構31とみなしてもよい。状態データ223は、製造ライン3を構成する各機構31の状態に関するあらゆる種類のデータを含んでもよい。各機構31は、例えば、コンベア、ロボットアーム、サーボモータ、シリンダ(成形機等)、吸着パッド、カッター装置、シール装置等の装置又はその装置の一部で構成されてよい。各機構31は、例えば、印刷機、実装機、リフロー炉、基板検査装置等の複合装置であってもよい。各機構31は、上記のような何らかの物理的な動作を伴う装置の他に、例えば、各種センサにより何らかの情報を検知する装置、各種センサからデータを取得する装置、取得したデータから何らかの情報を検知する装置、取得したデータを情報処理する装置等の内部処理を行う装置を含んでもよい。具体例として、コンベアを流れる対象物に付与されたマークを検知する光学センサを備える製造ラインにおいて、当該光学センサ及び光学センサにより検知した情報を利用する装置が各機構31として取り扱われてよい。また、各件の状態データ223は、例えば、トルク、速度、加速度、温度、電流、電圧、空圧、圧力、流量、位置、寸法(高さ、長さ、幅)及び面積の少なくともいずれかを示すデータであってよい。このような状態データ223は、公知のセンサ、カメラ等の計測装置によって得ることができる。例えば、流量は、フローセンサにより得ることができる。また、位置、寸法、及び面積は、画像センサにより得ることができる。
なお、状態データ223は、1又は複数の計測装置から得られるデータで構成されてもよい。また、状態データ223は、計測装置から得られるデータそのままであってもよいし、画像データから取得される位置データ等のように計測装置から得られたデータに何らかの処理を適用することで取得可能なデータであってもよい。各件の状態データ223は、各機構31に対応して取得される。各計測装置は、製造ライン3の各機構31を監視可能に適宜配置される。PLC2は、製造ライン3を稼働させて、各計測装置から各件の状態データ223を収集する。制御部11は、PLC2から、製造ライン3を正常に稼働させたときの各機構31の状態に関する状態データ223を取得する。
また、実施形態に従う工程解析装置1は、製造ライン3の動作を制御するための制御プログラム222を取得する。制御プログラム222は、製造ライン3を構成する各機構31の動作を制御するあらゆる種類のプログラムを含んでよい。制御プログラム222は、1件のプログラムで構成されてもよいし、複数件のプログラムで構成されてもよい。制御プログラム222は、PLC2で実行可能なように、例えば、ラダー・ダイアグラム言語、ファンクション・ブロック・ダイアグラム言語、ストラクチャード・テキスト言語、インストラクション・リスト言語、及びシーケンシャル・ファンクション・チャート言語、C言語の少なくともいずれかを利用して記述されていてもよい。なお、実施形態では、製造ライン3の動作は、PLC(programmable logic controller)2によって制御される。工程解析装置1は、複数件の状態データ223及び制御プログラム222をPLC2から取得する。
工程解析装置1は、製造ライン3で実行される工程における複数の機構31間の因果関係(第1因果関係)を特定する。一例として、第1因果関係を設計因果モデルとも称する。
工程解析装置1は、制御プログラム222を解析して、制御プログラム222に基づく複数の機構31間の因果関係(第2因果関係)を特定する。一例として、第2因果関係を制御因果モデルとも称する。
工程解析装置1は、取得した状態データ223を解析することにより、複数の機構31間の因果関係(第3因果関係)を特定する。一例として、第3因果関係をデータ因果モデルとも称する。
実施形態に従う工程解析装置1は、各因果モデルおよび異常検知結果に基づいて異常の原因を推定する。
<2.工程解析装置のハードウェア構成>
図2は、実施形態に従う工程解析装置1のハードウェア構成の一例を模式的に例示する図である。図2に示されるとおり、実施形態に従う工程解析装置1は、制御部11、記憶部12、通信インタフェース13、入力装置14、出力装置15、及びドライブ16が電気的に接続されたコンピュータである。なお、図2では、通信インタフェースを「通信I/F」と記載している。
図2は、実施形態に従う工程解析装置1のハードウェア構成の一例を模式的に例示する図である。図2に示されるとおり、実施形態に従う工程解析装置1は、制御部11、記憶部12、通信インタフェース13、入力装置14、出力装置15、及びドライブ16が電気的に接続されたコンピュータである。なお、図2では、通信インタフェースを「通信I/F」と記載している。
制御部11は、ハードウェアプロセッサであるCPU(Central Processing Unit)、RAM(Random Access Memory)、ROM(Read Only Memory)等を含み、情報処理に応じて各構成要素の制御を行う。記憶部12は、例えば、ハードディスクドライブ、ソリッドステートドライブ等の補助記憶装置であり、制御部11で実行される工程解析プログラム17等を記憶する。
工程解析プログラム17は、製造ライン3で実行される工程に関する情報、状態データ223、及び制御プログラム222等を利用して、製造ライン3の実施する製造工程における複数の機構31間の因果関係を解析する処理を工程解析装置1に実行させるためのプログラムである。
通信インタフェース13は、例えば、有線LAN(Local Area Network)モジュール、無線LANモジュール等であり、ネットワークを介した有線又は無線通信を行うためのインタフェースである。工程解析装置1は、この通信インタフェース13により、PLC2との間でネットワークを介したデータ通信を行うことができる。なお、ネットワークの種類は、例えば、インターネット、無線通信網、移動通信網、電話網、専用網等から適宜選択されてよい。
入力装置14は、例えば、マウス、キーボード等の入力を行うための装置である。また、出力装置15は、例えば、ディスプレイ、スピーカ等の出力を行うための装置である。オペレータは、入力装置14及び出力装置15を介して、工程解析装置1を操作することができる。
ドライブ16は、例えば、CDドライブ、DVDドライブ等であり、記憶媒体91に記憶されたプログラムを読み込むためのドライブ装置である。ドライブ16の種類は、記憶媒体91の種類に応じて適宜選択されてよい。上記工程解析プログラム17は、この記憶媒体91に記憶されていてもよい。
記憶媒体91は、コンピュータその他装置、機械等が記録されたプログラム等の情報を読み取り可能なように、当該プログラム等の情報を、電気的、磁気的、光学的、機械的又は化学的作用によって蓄積する媒体である。工程解析装置1は、この記憶媒体91から、上記工程解析プログラム17を取得してもよい。
ここで、図2では、記憶媒体91の一例として、CD、DVD等のディスク型の記憶媒体を例示している。しかしながら、記憶媒体91の種類は、ディスク型に限定される訳ではなく、ディスク型以外であってもよい。ディスク型以外の記憶媒体として、例えば、フラッシュメモリ等の半導体メモリを挙げることができる。
なお、工程解析装置1の具体的なハードウェア構成に関して、実施形態に応じて、適宜、構成要素の省略、置換及び追加が可能である。例えば、制御部11は、複数のプロセッサを含んでもよい。工程解析装置1は、複数台の情報処理装置で構成されてもよい。また、工程解析装置1は、提供されるサービス専用に設計された情報処理装置の他、汎用のサーバ装置、PC(Personal Computer)等であってもよい。
<3.PLC>
図3は、実施形態に従うPLC2のハードウェア構成の一例を模式的に例示する図である。図3に示されるとおり、PLC2は、制御部21、記憶部22、入出力インタフェース23、及び通信インタフェース24が電気的に接続されたコンピュータである。これにより、PLC2は、製造ライン3の各機構31の動作を制御するように構成される。なお、図3では、入出力インタフェース及び通信インタフェースをそれぞれ「入出力I/F」及び「通信I/F」と記載している。
図3は、実施形態に従うPLC2のハードウェア構成の一例を模式的に例示する図である。図3に示されるとおり、PLC2は、制御部21、記憶部22、入出力インタフェース23、及び通信インタフェース24が電気的に接続されたコンピュータである。これにより、PLC2は、製造ライン3の各機構31の動作を制御するように構成される。なお、図3では、入出力インタフェース及び通信インタフェースをそれぞれ「入出力I/F」及び「通信I/F」と記載している。
制御部21は、CPU、RAM、ROM等を含み、プログラム及びデータに基づいて各種情報処理を実行するように構成される。記憶部22は、例えば、RAM、ROM等で構成され、制御プログラム222、状態データ223等を記憶する。制御プログラム222は、製造ライン3の動作を制御するためのプログラムである。状態データ223は、各機構31の状態に関するデータである。入出力インタフェース23は、外部装置と接続するためのインタフェースであり、接続する外部装置に応じて適宜構成される。実施形態では、PLC2は、入出力インタフェース23を介して、製造ライン3に接続される。なお、単一の装置について異なる状態データを取得可能な場合、当該対象の単一の装置は、複数の機構31とみなされてもよいし、単一の機構31とみなされてもよい。そのため、入出力インタフェース23の数は、製造ライン3を構成する機構31の数と同じであってもよいし、製造ライン3を構成する機構31の数と相違していてもよい。
通信インタフェース24は、例えば、有線LANモジュール、無線LANモジュール等であり、有線又は無線通信を行うためのインタフェースである。PLC2は、通信インタフェース24により、工程解析装置1との間でデータ通信を行うことができる。
なお、PLC2の具体的なハードウェア構成に関して、実施の形態に応じて、適宜、構成要素の省略、置換、及び追加が可能である。例えば、制御部21は、複数のプロセッサを含んでもよい。記憶部22は、制御部21に含まれるRAM及びROMにより構成されてもよい。記憶部22は、ハードディスクドライブ、ソリッドステートドライブ等の補助記憶装置で構成されてもよい。また、PLC2は、提供されるサービス専用に設計された情報処理装置の他、制御する対象に応じて、汎用のデスクトップPC、タブレットPC等に置き換えられてもよい。
<4.工程解析装置のソフトウェア構成>
図4は、実施形態に従う工程解析装置1のソフトウェア構成の一例を模式的に例示する図である。図4に示されるように、工程解析装置1の制御部11は、記憶部12に記憶された工程解析プログラム17をRAMに展開する。そして、制御部11は、RAMに展開された工程解析プログラム17をCPUにより解釈及び実行して、各構成要素を制御する。これによって、図4に示されるとおり、実施形態に従う工程解析装置1は、ソフトウェアモジュールとして、第1取得部111と、第2取得部112と、第3取得部113と、第1関係特定部114と、第2関係特定部115と、第3関係特定部116と、異常検知部117と、代理モデル算出部118と、推定部119と、表示部122とを含む。
図4は、実施形態に従う工程解析装置1のソフトウェア構成の一例を模式的に例示する図である。図4に示されるように、工程解析装置1の制御部11は、記憶部12に記憶された工程解析プログラム17をRAMに展開する。そして、制御部11は、RAMに展開された工程解析プログラム17をCPUにより解釈及び実行して、各構成要素を制御する。これによって、図4に示されるとおり、実施形態に従う工程解析装置1は、ソフトウェアモジュールとして、第1取得部111と、第2取得部112と、第3取得部113と、第1関係特定部114と、第2関係特定部115と、第3関係特定部116と、異常検知部117と、代理モデル算出部118と、推定部119と、表示部122とを含む。
第1取得部111は、製造ライン3で実行される工程に関する情報として工程データ220およびデバイス設置位置データ221とを取得する。第2取得部112は、製造ライン3の動作を制御するための制御プログラム222を取得する。第3取得部113は、状態データ223を取得する。第1取得部111が取得する製造ライン3で実行される工程に関する情報として工程データ220およびデバイス設置位置データ221は、PLC2から取得するようにしてもよい。あるいは、ユーザが入力してもよいし、あらかじめ記憶部に格納されている情報から取得するようにしてもよい。
第1関係特定部114は、第1取得部111で取得した工程データ220およびデバイス設置位置データ221に基づいて製造ライン3で実行される工程における複数の機構31間の因果関係(第1因果関係)を特定する。
第2関係特定部115は、第2取得部112で取得した制御プログラム222を解析して、制御プログラム222に基づく複数の機構31間の因果関係(第2因果関係)を特定する。
第3関係特定部116は、第3取得部113で取得した状態データ223を解析して、複数の機構31間の因果関係(第3因果関係)を特定する。
異常検知部117は、製造ライン3で実行される工程における異常を検知する。具体的には、第3取得部113で取得した状態データ223に基づいて異常スコアを算出し、異常スコアが所定の閾値を超えたか否かを判断する。異常検知部117は、異常スコアが所定の閾値を超えた場合に異常と判断する。本例において、異常スコアとは正常範囲からの逸脱度を示す。
代理モデル算出部118は、異常検知結果から異常の近傍の状態データ223を用いて代理モデルを算出する。例えば、代理モデル算出部118は、異常検知結果から異常の近傍の状態データ223を用いて一例としてロジスティック回帰により代理モデルを算出する。代理モデル算出部118は、異常検知結果である経時的に変化する異常スコアが所定の値以上になった場合に、異常の近傍の状態データ223を用いて代理モデルを算出するようにしてもよい。異常の近傍の状態データとはベクトル距離が近い状態データを意味する。
代理モデル算出部118は、ユーザからの時刻の選択入力を受け付けて、当該時刻に対するデータの近傍の状態データ223を用いて代理モデルを算出するようにしても良い。
推定部119は、第1関係特定部114~第3関係特定部116からそれぞれの複数の因果モデルを取得する。推定部119は、代理モデル算出部118で算出した代理モデルを取得する。
推定部119は、因果モデルと算出された代理モデルとに基づいて異常の原因を推定する。具体的には、推定部119は、算出された代理モデルの変数にそれぞれ対応する係数に基づいて複数の因果モデルの少なくとも1つの因果モデルにおける異常の原因を推定して、表示部122に出力する。例えば、推定部119は、後述するが算出された代理モデルの変数にそれぞれ対応する係数を用いて因果モデルと組み合わせて異常を推定する。具体的には、係数の高い変数を抽出して因果モデルと組み合わせるようにしてもよい。また、変数間の因果関係を示すエッジを調整するようにしてもよい。
ユーザは、当該調整により異常が検知された場合に、要因候補を容易に特定して、復旧作業を早期に実行することが可能である。
工程解析装置1の各ソフトウェアモジュールに関しては後述する動作例で詳細に説明する。なお、実施形態では、工程解析装置1の各ソフトウェアモジュールがいずれも汎用のCPUにより実現される例について説明している。しかしながら、以上のソフトウェアモジュールの一部又は全部が、1又は複数の専用のハードウェアプロセッサにより実現されてもよい。また、工程解析装置1のソフトウェア構成に関して、実施形態に応じて、適宜、ソフトウェアモジュールの省略、置換及び追加が行われてもよい。
<5.1 第1因果関係>
図5は、実施形態に従う工程解析装置1の第1関係特定部114の処理を例示する図である。ただし、以下で説明する処理方式は、一例に過ぎず、各種の方式が可能である。
図5は、実施形態に従う工程解析装置1の第1関係特定部114の処理を例示する図である。ただし、以下で説明する処理方式は、一例に過ぎず、各種の方式が可能である。
図5(A)を参照して、材料MA,MBの工程データが示される。
当該工程データとして、材料MAの工程順序と当該材料MAに対する機構の変数名とが設定されている。
当該工程データとして、材料MAの工程順序と当該材料MAに対する機構の変数名とが設定されている。
本例においては一例として、材料MAの工程順序として、コンベア軸(ProductFeed)、フィルム搬送サブ軸(FilmFeedSub)、トップシール軸(TopSeal)が設定されている。
当該工程データとして、材料MBの工程順序と当該材料MBに対する機構の変数情報とが設定されている。
本例においては一例として、材料MBの工程順序として、フィルム搬送メイン軸(FilmFeedMain)、フィルム搬送サブ軸(FilmFeedSub)、トップシール軸(TopSeal)が設定されている。
図5(B)は、材料MA,MBの工程データに基づく工程因果関係を説明する図である。
当該図に示されるように、コンベア軸(ProductFeed)、フィルム搬送サブ軸(FilmFeedSub)、トップシール軸(TopSeal)、フィルム搬送メイン軸(FilmFeedMain)に対応するノードがそれぞれ設けられる。
そして、フィルム搬送メイン軸(FilmFeedMain)からフィルム搬送サブ軸(FilmFeedSub)へのベクトルと、フィルム搬送サブ軸(FilmFeedSub)からトップシール軸(TopSeal)へのベクトルと、コンベア軸(ProductFeed)からフィルム搬送サブ軸(FilmFeedSub)へのベクトルとが設定された設計因果関係(設計因果モデル)が生成される。
図6は、実施形態に従う工程解析装置1の第1関係特定部114の処理を例示する別の図である。ただし、以下で説明する処理方式は、一例に過ぎず、各種の方式が可能である。
図6(A)を参照して、デバイス設置位置データが示される。
当該デバイス設置位置データとして、デバイス名と、当該デバイスが設置されている位置および関係を示す方向に関する情報とが対応付けられて設定されている。
当該デバイス設置位置データとして、デバイス名と、当該デバイスが設置されている位置および関係を示す方向に関する情報とが対応付けられて設定されている。
本例においては一例として、コンベア軸(ProductFeed)に対してワーク検出センサ(ProductDetectionSensorSignal)が設定されており、右方向に関するベクトル情報が設定されている。
コンベア軸(ProductFeed)に対してワーク乗り上げセンサ(ProductOverMountDetectionSensorSignal)が設定されており、右方向に関するベクトル情報が設定されている。
フィルム搬送サブ軸(FilmFeedSub)に対してワーク位置ずれセンサ(ProductMisplaceDetectionSensorSignal)が設定されており、右方向に関するベクトル情報が設定されている。
フィルム搬送サブ軸(FilmFeedSub)に対してセンタシールヒータ(CenterHeaterDPC_MV)が設定されており、左方向に関するベクトル情報が設定されている。
トップシール軸(TopSeal)に対してトップシールヒータ上(TopSealHeaterDPU_MV)が設定されており、左方向に関するベクトル情報が設定されている。
トップシール軸(TopSeal)に対してトップシールヒータ下(TopSealLowerHeaterDPC_MC)が設定されており、左方向に関するベクトル情報が設定されている。
図6(B)は、デバイス設置位置データに基づく設計因果関係を説明する図である。
図6(B)を参照して、図5(B)の設計因果関係に対して、デバイス設置位置データに基づく設計因果関係(設計因果モデル)が生成される。図5(B)のデバイス設置位置データに基づいてノードが追加されるとともに、当該ノードの因果関係が追加された設計因果モデルが生成される。
図6(B)を参照して、図5(B)の設計因果関係に対して、デバイス設置位置データに基づく設計因果関係(設計因果モデル)が生成される。図5(B)のデバイス設置位置データに基づいてノードが追加されるとともに、当該ノードの因果関係が追加された設計因果モデルが生成される。
具体的には、コンベア軸(ProductFeed)からワーク検出センサ(ProductDetectionSensorSignal)へのベクトルが設定される。また、コンベア軸(ProductFeed)からワーク乗り上げセンサ(ProductOverMountDetectionSensorSignal)へのベクトルが設定される。フィルム搬送サブ軸(FilmFeedSub)からワーク位置ずれセンサ(ProductMisplaceDetectionSensorSignal)へのベクトルが設定される。フィルム搬送サブ軸(FilmFeedSub)からワーク位置ずれセンサ(ProductMisplaceDetectionSensorSignal)へのベクトルが設定される。センタシールヒータ(CenterHeaterDPC_MV)からフィルム搬送サブ軸(FilmFeedSub)へのベクトルが設定される。トップシールヒータ上(TopSealHeaterDPU_MV)からトップシール軸(TopSeal)へのベクトルが設定される。トップシールヒータ下(TopSealLowerHeaterDPC_MC)からトップシール軸(TopSeal)へのベクトルが設定される。
第1関係特定部114は、工程データ220およびデバイス設置位置データ221に基づいて上記構成の設計因果関係(設計因果モデル)を生成する。
<5.2 第2因果関係>
図7は、実施形態に従う工程解析装置1の第2関係特定部115の処理を説明するフロー図である。ただし、以下で説明する処理方式は、一例に過ぎず、各種の方式が可能である。以下の説明では、説明の便宜のため、製造ライン3は、複数の機構31として、4つの機構F1~F4を備えており、上記ステップS102では、第2関係特定部115は、4つの機構F1~F4に対応する変数v1~v4が使用された制御プログラム222を取得したものと仮定する。
図7は、実施形態に従う工程解析装置1の第2関係特定部115の処理を説明するフロー図である。ただし、以下で説明する処理方式は、一例に過ぎず、各種の方式が可能である。以下の説明では、説明の便宜のため、製造ライン3は、複数の機構31として、4つの機構F1~F4を備えており、上記ステップS102では、第2関係特定部115は、4つの機構F1~F4に対応する変数v1~v4が使用された制御プログラム222を取得したものと仮定する。
まず、第2関係特定部115は、取得した制御プログラム222の構文解析を行い、当該制御プログラム222から抽象構文木を構築する(ステップS1401)。抽象構文木の構築には、トップダウン構文解析又はボトムアップ構文解析による公知の構文解析方法が用いられてもよい。例えば、抽象構文木の構築には、特定の形式文法に従った文字列を扱う構文解析器が用いられてもよい。抽象構文木の構築が完了すると、制御部11は、次のステップS1402に処理を進める。
図8は、実施形態に従うプログラムの構造を木構造で表現した概念図である。
図8に示されるように、制御プログラム222内の「if(a>0)[v1=a;]else[v2=-a;]」という構文から得られる抽象構文木2211が示される。抽象構文木は、プログラムの意味を解釈するために、当該プログラムの構造を木構造で表現したデータ構造である。
図8に示されるように、制御プログラム222内の「if(a>0)[v1=a;]else[v2=-a;]」という構文から得られる抽象構文木2211が示される。抽象構文木は、プログラムの意味を解釈するために、当該プログラムの構造を木構造で表現したデータ構造である。
具体的には、第2関係特定部115は、プログラムに使用されているトークン(字句)のうち、当該プログラムの意味の解釈に不要な括弧等のトークンを省略し、当該プログラムの意味の解釈に関係あるトークンを抽出する。そして、第2関係特定部115は、条件分岐等の演算子を節点に対応付けて、変数等のオペランドを葉に対応付ける。第2関係特定部115は、このように制御プログラム222の構文解析を行うことにより、図8に例示する抽象構文木を構築することができる。なお、このように構成される抽象構文木は、変数、演算子、及びノード間の関係(演算と被演算との関係等)を表わす。この抽象構文木の構成について、その示す内容が変わらない範囲で適宜表記の修正、変更、省略等がなされてよい。
再び図7を参照して、第2関係特定部115は、ステップS1401により構築した抽象構文木から各機構31に関する変数(v1~v4)と条件分岐及び代入演算を含む演算子とを抽出する(ステップS1402)。例えば、図8に示す抽象構文木2211が得られた場合、第2関係特定部115は、当該抽象構文木2211から(「if」、「v1」、「=」、「a」、「v2」、「=」、及び「-a」)を抽出する。当該抽出が完了すると、第2関係特定部115は、次処理に進む。
第2関係特定部115は、ステップS1402で抽出した変数及び演算子を順番に並べて、因果関係を特定する対象となる各機構31に対応する変数(v1~v4)に関連する部分に実行順序を監視する対象を限定する(ステップS1403)。上記の例では、第2関係特定部115は、(「if」、「v1」、「=」、「a」、「v2」、「=」、及び「-a」)から(「if」、「v1」、及び「v2」)を更に抽出する。
そして、第2関係特定部115は、次のステップS1404では、条件分岐をランダムに選択して、制御プログラム222の実行を試行することで、限定した各変数の順序付けの初期化を行う(ステップS1403)。具体的には、第2関係特定部115は、当該制御プログラム222の実行の試行において、限定した各変数の利用される順序を監視することで、当該各変数の順序付けの初期化を行うことができる。
図9は、実施形態に従う制御因果関係の例について説明する図である。
図9(A)は、4つの機構F1~F4に対応する変数v1~v4が使用された制御プログラム222の初期化の一例を例示したものである。
図9(A)は、4つの機構F1~F4に対応する変数v1~v4が使用された制御プログラム222の初期化の一例を例示したものである。
図9(A)のグラフ2212は、初期化の結果として、以下の(1)~(5)の順序関係を示す。
(1)変数「v1」~「v4」のうち、変数「v1」が最初に利用される。
(2)変数「v1」の次には、0.5の確率で変数「v2」が利用され、0.5の確率で変数「v3」が利用される。
(3)変数「v2」の次には、1の確率で変数「v3」が利用される。
(4)変数「v3」の次には、1の確率で変数「v4」が利用される。
(5)変数「v1」~「v4」のうち、変数「v4」が最後に利用される。
(1)変数「v1」~「v4」のうち、変数「v1」が最初に利用される。
(2)変数「v1」の次には、0.5の確率で変数「v2」が利用され、0.5の確率で変数「v3」が利用される。
(3)変数「v2」の次には、1の確率で変数「v3」が利用される。
(4)変数「v3」の次には、1の確率で変数「v4」が利用される。
(5)変数「v1」~「v4」のうち、変数「v4」が最後に利用される。
第2関係特定部115は、このような初期化により制御プログラムに基づく制御因果関係を生成することが可能である。
図9(B)は、製造ライン3の実施する製造工程における第2関係特定部115による制御プログラム222に基づく制御因果関係を説明する図である。
図9(B)を参照して、制御プログラムに基づく制御因果モデルとして、ワーク乗り上げセンサ(ProductOverMountDetectionSensorSignal)からコンベア軸(ProductFeed)へのベクトルが設定される。ワーク検出センサ(ProductDetectionSensorSignal)からコンベア軸(ProductFeed)へのベクトルが設定される。フィルム搬送メイン軸(FilmFeedMain)からフィルム搬送サブ軸(FilmFeedSub)へのベクトルが設定される。フィルム搬送サブ軸(FilmFeedSub)からトップシール軸(TopSeal)へのベクトルが設定される。コンベア軸(ProductFeed)からフィルム搬送サブ軸(FilmFeedSub)へのベクトルが設定される。
<5.3 第3因果関係>
図10は、実施形態に従う工程解析装置1の第3関係特定部116の処理を例示する図である。ただし、以下で説明する処理方式は、一例に過ぎず、各種の方式が可能である。
図10は、実施形態に従う工程解析装置1の第3関係特定部116の処理を例示する図である。ただし、以下で説明する処理方式は、一例に過ぎず、各種の方式が可能である。
図10を参照して、第3関係特定部116は、制約モデル生成部140と、データ因果モデル生成部142とを含む。
制約モデル生成部140は、設計因果モデルと制御因果モデルとに基づいてこれらを組み合わせた制約モデルを生成する。
データ因果モデル生成部142は、制約モデルと、状態データとに基づいてデータ因果モデルを生成する。
以下にデータ因果モデルの生成について説明する。
図11は、実施形態に従うデータ因果モデル生成部142における処理について説明するフロー図である。
図11は、実施形態に従うデータ因果モデル生成部142における処理について説明するフロー図である。
以下の説明では、説明の便宜のため、製造ライン3は、複数の機構31として、4つの機構F1~F4を備えているものとする。
図11(A)を参照して、データ因果モデル生成部142は、各機構F1~F4の状態データ223を取得する(ステップS101)。
次に、データ因果モデル生成部142は、状態データを解析する(ステップS103)。
図11(B)は、状態データの解析処理について説明するサブルーチンフロー図である。
図11(B)を参照して、データ因果モデル生成部142は、ステップS101で取得した各件の状態データ223から特徴量2221を算出する(ステップS1301)。特徴量2221の種類は、特に限定されなくてもよく、実施の形態に応じて適宜選択されてもよい。また、特徴量2221を算出する方法は、実施の形態に応じて適宜決定可能である。具体例として、本実施形態では、データ因果モデル生成部142は、次のような方法で、状態データ223から特徴量2221を算出する。まず、データ因果モデル生成部142は、特徴量2221を算出する処理範囲を規定するため、取得した各件の状態データ223をフレーム毎に分割する。各フレームの長さは、実施の形態に応じて適宜設定されてよい。
データ因果モデル生成部142は、例えば、各件の状態データ223を一定時間長のフレーム毎に分割してもよい。ただし、製造ライン3は必ずしも一定時間間隔で動作しているとは限らない。そのため、各件の状態データ223を一定時間長のフレーム毎に分割すると、各フレームに反映される各機構31の動作がずれてしまう可能性がある。
そこで、データ因果モデル生成部142は、状態データ223をタクト時間毎にフレーム分割してもよい。タクト時間は、製造ライン3が製品を所定個数分生産するのにかかる時間である。このタクト時間は、製造ライン3を制御する信号、例えば、PLC2が製造ライン3の各機構31の動作を制御する制御信号に基づいて特定することができる。
次に、データ因果モデル生成部142は、状態データ223の各フレームから特徴量2221の値を算出する。状態データ223が計測データ等のような連続値データである場合には、データ因果モデル生成部142は、例えば、フレーム内の振幅、最大値、最小値、平均値、分散値、標準偏差、瞬時値(1点サンプル)等を特徴量2221として算出してもよい。また、状態データ223が検出データ等のような離散値データである場合には、制御部11は、例えば、各フレーム内の「on」時間、「off」時間、Duty比、「on」回数、「off」回数等を特徴量2221として算出してもよい。これにより、各特徴量2221の算出が完了すると、データ因果モデル生成部142は、次のステップS1302に処理を進める。各特徴量はデータ因果モデルを構成するノードになる。
次に、データ因果モデル生成部142は、各特徴量2221間の相関係数又は偏相関係数を算出する(ステップS1302)。相関係数は、以下の数1の計算式により算出することができる。また、偏相関係数は、以下の数2の計算式により算出することができる。
なお、rijは、行列2222のi行目j列目の要素を示す。xi及びxjは、各件の状態データ223から算出された特徴量2221を示すデータに対応する。Xi及びXjはそれぞれ、xi及びxjの標本平均を示す。nは、相関の計算に利用する各特徴量2221の数を示す。
なお、行列R(rij)の逆行列をR-1(rij)と表現し、rijは行列2222の逆行列のi行目j列目の要素を示す。
これにより、データ因果モデル生成部142は、相関係数又は偏相関係数を各要素とする行列2222を得ることができる。各特徴量2221間の相関係数及び偏相関係数は、対応する機構31間の関係の強さを示す。すなわち、行列2222の各要素により、対応する機構31間の関係の強さが特定される。各特徴量2221間の相関係数又は偏相関係数の算出が完了すると、データ因果モデル生成部142は、次のステップS1303に処理を進める。
次に、データ因果モデル生成部142は、各特徴量2221間の相関係数又は偏相関係数に基づいて、対応する機構31間の関係の強さを示す無向グラフ情報2223を構築する(ステップS1303)。
例えば、データ因果モデル生成部142は、各機構31に対応するノードを作成する。そして、2つの機構31間に対して算出した相関係数又は偏相関係数の値が閾値以上である場合に、制御部11は、対応する両ノード間をエッジで連結する。一方、2つの機構31間に対して算出した相関係数又は偏相関係数の値が閾値未満である場合には、制御部11は、対応する両ノード間をエッジで連結しない。なお、閾値は、工程解析プログラム121内で規定された固定値であってもよいし、オペレータ等により変更可能な設定値であってもよい。また、エッジの太さは、対応する相関係数又は偏相関係数の値の大きさに対応して決定されてもよい。
図12は、実施形態に従う状態データに基づく無向グラフ情報の作成について説明する図である。図12に示されるように、無向グラフ情報2223を作成することができる。一例として、4つの機構F1~F4に対応する4つのノードが作成されている。そして、機構F1及びF2のノード間、機構F1及びF3のノード間、機構F2及びF3のノード間、並びに機構F3及びF4のノード間にそれぞれエッジが形成されている。また、機構F1及びF3の間並びに機構F3及びF4の間の相関が他の機構間の相関よりも大きいことに対応して、機構F1及びF3のノード間並びに機構F3及びF4のノード間のエッジが他のエッジに比べて太く形成されている。以上により、複数の機構31間の関係の強さを示す無向グラフ情報2223の構築が完了すると、本実施形態に係る状態データ223の解析処理は完了する。
なお、図12の例では、無向グラフ情報2223は、形成された無向グラフを画像により表現している。しかしながら、無向グラフ情報2223の出力形式は、画像に限定されなくてもよく、テキスト等により表現されてもよい。また、上記の例では、相関係数又は偏相関係数と閾値との比較により、関係の弱いノード(機構31)間にエッジを形成しないようにしている。しかしながら、関係の弱いノード間のエッジを除去する方法は、このような例に限られなくてもよい。例えば、全てのノードをエッジで連結したグラフを形成した後、データ因果モデル生成部142は、逸脱度を表わす適合度指標(GFI、SRMR等)が閾値を超えないように、相関係数又は偏相関係数の小さいエッジから順に、形成したグラフのエッジを削除してもよい。
データ因果モデル生成部142は、作成した無向グラフ情報に対して、制約モデルの情報を活用し向きを付加し、製造ライン3内における複数の機構31の順序関係を特定する。
図13は、実施形態に従う製造ライン3の実施する製造工程における第3関係特定部116による状態データ223に基づく制御因果関係を説明する図である。
図13を参照して、本例においては、生成されたデータ因果モデルの一例が示されている。
ワーク位置ずれセンサ(ProductMisplaceDetectionSensorSignal)からコンベア軸(ProductFeed)に進むベクトルが設定される。コンベア軸(ProductFeed)からフィルム搬送サブ軸(FilmFeedSub)に進むベクトルが設定される。フィルム搬送メイン軸(FilmFeedMain)からワーク検出センサ(ProductDetectionSensorSignal)に進むベクトルが設定される。センタシールヒータ(CenterHeaterDPC_MV)からトップシールヒータ下(TopSealLowerHeaterDPC_MC)に進むベクトルが設定される。
<6.異常の検知>
図14は、実施形態に従う異常検知部117における異常の検知について説明する図である。
図14は、実施形態に従う異常検知部117における異常の検知について説明する図である。
図14を参照して、異常検知部117は、状態データ223に基づいて異常を検知する。
本例においては、一例として3つの変数P1~P3のデータについて説明する。
変数P1~P3に関して、3軸の3次元空間が設定され、学習したモデルとして正常の範囲を示すデータ群と、異常の状態を示すデータとが示されている。黒色の点群データは、正常の範囲を示すデータ群を示す。一方、ハッチングされたデータは、正常の範囲から離れたデータを指し示す。正常の範囲を示すデータ群の中心点からの距離が異常スコアとなる。すなわち、距離が大きくなればなるほど、異常スコアの値が高くなる。
変数P1~P3に関して、3軸の3次元空間が設定され、学習したモデルとして正常の範囲を示すデータ群と、異常の状態を示すデータとが示されている。黒色の点群データは、正常の範囲を示すデータ群を示す。一方、ハッチングされたデータは、正常の範囲から離れたデータを指し示す。正常の範囲を示すデータ群の中心点からの距離が異常スコアとなる。すなわち、距離が大きくなればなるほど、異常スコアの値が高くなる。
本例においては、3つの変数P1~P3の3次元空間について説明しているが、変数の個数に応じた多次元空間に拡張することも当然に可能である。
図15は、実施形態に従う異常検知部117における異常の検知について説明する別の図である。
図15(A)を参照して、点から点へのデータ変化が示されている。本例においては、2次元の場合が示されており、x軸に対してΔx、y軸に対してΔy変化した場合が示されている。2次元の場合には、Δx、Δyの距離の変化が異常スコアとして算出される。
図15(B)を参照して、分布から点のデータ変化が示されている。3次元の場合には、分布の中心から点への距離の変化が異常スコアとして算出される。
異常スコアの算出のアルゴリズムの一例として、マハラノビス距離に基づく異常検知、LOF(Local Outlier Factor)やIsolationForest等の異常検知アルゴリズムを用いるようにしても良い。
図16は、実施形態に従う異常スコアについて説明する図である。
図16を参照して、異常検知部117で算出される異常スコアが示されている。
図16を参照して、異常検知部117で算出される異常スコアが示されている。
具体的には、時間軸に従って変化するスコア値を示す。本例においては、時刻T1において、スコア値が閾値TH1を越えた場合が示されている。
異常検知部117は、時刻T1においてスコア値が閾値TH1を越えたことに基づいて異常を検知する。
<7.代理モデルの算出>
図17は、実施形態に従う代理モデル算出部118における代理モデルの算出について説明するフロー図である。
図17は、実施形態に従う代理モデル算出部118における代理モデルの算出について説明するフロー図である。
図17を参照して、代理モデル算出部118は、異常が発生したか否かを判断する(ステップS12)。具体的には、異常検知部117からの異常検知結果を受けたか否かを判断する。異常検知部117は、異常スコアが閾値TH1を越えたか否かを判断し、異常スコアが閾値TH1を越えた場合に異常と判断する。
次に、代理モデル算出部118は、異常検知部117の異常検知結果に従って異常の近傍の状態データを抽出する(ステップS14)。
次に、代理モデル算出部118は、代理モデルを算出する(ステップS16)。
そして、処理を終了する(エンド)。
そして、処理を終了する(エンド)。
図18は、実施形態に従う代理モデルの概念について説明する図である。
図18(A)を参照して、説明を簡易にするため2つの変数x1およびx2の2次元の場合について説明する。なお、さらに多次元にも同様に適用可能である。変数x1およびx2は、状態データであってもよいし、状態データを次元圧縮したものであってもよい。
図18(A)を参照して、説明を簡易にするため2つの変数x1およびx2の2次元の場合について説明する。なお、さらに多次元にも同様に適用可能である。変数x1およびx2は、状態データであってもよいし、状態データを次元圧縮したものであってもよい。
2次元平面において、正常と異常とを分類する分類境界が示されている。分類境界の外側に異常の状態データがある場合が示されている。分類境界のモデルは、正常の範囲を示すデータ群を学習させることにより生成されたものである。
図18(B)を参照して、異常の状態データに対してその近傍の状態データを抽出する。具体的には、異常検知結果として通知された異常スコアに対応する変数x1およびx2の近傍の状態データを抽出する。近傍の範囲は調整することが可能である。一例として後述するパラメータ変更ツールを用いて局所度合い(カーネル幅)を調整することが可能である。
一例として、本例においては、LIME(Local Interpretable Model-agnostic Explainations)のアルゴリズムおよび指数平滑化カーネルを用いて近傍の状態データを抽出する。なお、SHAP(SHapley Additive exPlanations)のアルゴリズムや他の方式に従って近傍の状態データを抽出するようにしてもよい。
図18(C)を参照して、抽出した近傍の状態データに基づいて代理モデルを算出して正常と異常とを分離する分類境界を設ける。
図19は、実施形態に従うロジスティック回帰により代理モデルを算出する場合を説明する図である。
図19を参照して、いわゆるシグモイド関数を用いて代理モデルを算出する。
ロジスティック回帰に基づく代理モデルは下記式により表される。
ロジスティック回帰に基づく代理モデルは下記式により表される。
そして、当該代理モデルを算出することにより次式に示されるように変数xに対する係数ωの値を算出することが可能である。
図20は、実施形態に従う過学習を抑制するための正則化について説明する図である。
図20を参照して、本例においては、L1正則化の例が示されている。
図20を参照して、本例においては、L1正則化の例が示されている。
L1正則化ロジスティック回帰に基づく代理モデルは下記式により表される。
L1正則化により次元数を減らすことが可能であり、シンプルとなりモデルの解釈性が向上する。一例としてLasso回帰を用いる。なお、Ridge回帰を用いるようにしてもよい。
正則化の強度は調整することが可能である。一例として後述するパラメータ変更ツールを用いて正則化係数αを調整することが可能である。
<8.異常の原因の推定>
図21は、実施形態に従う推定部119の異常の原因の推定について説明するフロー図である。
図21は、実施形態に従う推定部119の異常の原因の推定について説明するフロー図である。
図21を参照して、推定部119は、第1関係特定部114、第2関係特定部115、第3関係特定部116で生成した因果モデルを取得する(ステップS20)。
次に、推定部119は、代理モデル算出部118で算出された代理モデルを取得する(ステップS22)。
次に、推定部119は、取得した因果モデルと算出された代理モデルとを組み合わせる処理を実行する(ステップS24)。
そして、推定部119は、表示部122に推定結果を出力する(ステップS26)。
そして、処理を終了する(エンド)。
そして、処理を終了する(エンド)。
図22は、実施形態に従う推定部119における異常の原因の推定について説明する図である。
図22を参照して、本例においては、推定部119により推定され、表示部122に出力された推定結果画面300が示されている。
推定結果画面300は、スコアデータ310と、因果モデル301と、代理モデルの構築情報302と、パラメータ変更ツール303と、代理モデルによる説明情報304とを含む。
代理モデルの構築情報302は、局所データに関する情報と、代理モデルの情報とを含む。
パラメータ変更ツール303は、局所度合い(カーネル幅)のパラメータの調整が可能なスライダ303Aと、L1正則化の強度である正則化係数αのパラメータの調整が可能なスライダ303Bとを含む。
代理モデルによる説明情報304は、算出された代理モデルにおける重要変数と、当該変数に対応する算出された代理モデルの係数が数字とともにグラフで表示されている。
グラフは、右側が正の値を示し、左側が負の値を示す。
また、推定結果画面300には、ユーザからの入力の受け付けが可能な設計因果モデルを選択するボタン330と、制御因果モデルを選択するボタン340と、データ因果モデルを選択するボタン350とが設けられる。
また、推定結果画面300には、ユーザからの入力の受け付けが可能な設計因果モデルを選択するボタン330と、制御因果モデルを選択するボタン340と、データ因果モデルを選択するボタン350とが設けられる。
推定部119は、ユーザからの入力にしたがって推定結果を切り替えて出力することが可能である。
一例として、ユーザにより制御因果モデルを選択するボタン340が選択されている場合が示されている。
スコアデータ310は、時間軸に従って変化するスコア値を示す。本例においては、時刻T1において、スコア値が閾値TH1を越えた場合が示されている。
異常検知部117は、時刻T1においてスコア値が閾値TH1を越えたことに基づいて異常を検知する。
代理モデル算出部118は、異常検知部117の異常検知結果に従って代理モデルを算出する。
一例として、代理モデル算出部118は、代理モデルを算出し、算出された代理モデルの変数にそれぞれ対応する係数を出力する。
本例においては、代理モデルによる説明が示されている。
一例として、算出された代理モデルの変数の係数のデータが示されている。
一例として、算出された代理モデルの変数の係数のデータが示されている。
具体的には、フィルム搬送サブ軸(FilmFeedSub)が「45」、トップシール軸(TopSeal)が「23」、コンベア軸(ProductFeed)が「-14」、フィルム搬送メイン軸(FilmFeedMain)が「4」、ワーク検出センサ(ProductDetectionSensorSignal)が「-2」である場合が示されている。
推定部119は、算出された変数の係数について、1,2番目の高い係数に対応する変数を抽出する。本例においては、フィルム搬送サブ軸(FilmFeedSub)とトップシール軸(TopSeal)とを抽出する。本例においては、上位2番目に高い係数に対応する変数を抽出する場合について説明するが、これに限られず1番高い係数に対応する変数を抽出するようにしても良いし、あるいは係数が所定値以上の変数を抽出するようにしてもよい。
また、本例においては制御因果モデルのボタン340を選択した場合が示されている。
推定部119は、制御因果モデルにおける、フィルム搬送サブ軸(FilmFeedSub)とトップシール軸(TopSeal)のノードを特定する。
推定部119は、制御因果モデルにおける、フィルム搬送サブ軸(FilmFeedSub)とトップシール軸(TopSeal)のノードを特定する。
推定部119は、選択された制御因果モデルにおいて当該ノードと接続されるノードを抽出する。
推定部119は、フィルム搬送サブ軸(FilmFeedSub)と接続されるコンベア軸(ProductFeed)のノードを抽出する。そして、当該コンベア軸(ProductFeed)と接続されるノードとして、コンベアワーク乗り上げセンサ(ProductOverMountDetectionSensorSignal)のノードと、ワーク位置ずれセンサ(ProductMisplaceDetectionSensorSignal)のノードとを抽出する。
また、推定部119は、フィルム搬送サブ軸(FilmFeedSub)と接続されるノードとしてワーク検出センサ(ProductDetectionSensorSignal)およびフィルム搬送メイン軸(FilmFeedMain)のノードを抽出する。
推定部119は、トップシール軸(TopSeal)と接続されるノードとしてフィルム搬送サブ軸(FilmFeedSub)を抽出する。
本例においては、一例として抽出された変数の係数が大きいフィルム搬送サブ軸(FilmFeedSub)およびトップシール軸(TopSeal)のノードについてハッチング表示されている。
これにより、制御因果モデルにおけるノードの関係性を容易に確認することが可能となり、異常の原因の推定が容易となる。
また、推定部119は、算出された代理モデルの変数の係数に基づいてエッジを調整する。具体的には、係数が大きいほどエッジの太さを大きくしている。また、係数が正の場合には実線のエッジとし、負の場合には破線のエッジを用いて表示している。なお、本例においては、エッジの太さや線の状態を変化させる場合について説明したがこれに限られず色を付けたり点滅等させたりしてもよい。
これにより視覚的に変数の関係性の強さを容易に把握することが可能であるとともに、どの方向にパラメータを調整することが望ましいかについても考察することが可能である。
本例においては、一例としてトップシール軸(TopSeal)に異常が生じた場合の結果が示されている。
制御因果モデルを考察して異常の要因としては、例えば、フィルム搬送サブ軸(FilmFeedSub)や、ワーク検出センサ(ProductDetectionSensorSignal)等に要因があることを推定することが可能である。
また、係数の大きなフィルム搬送サブ軸(FilmFeedSub)に要因の可能性が高いことを推定することが可能である。
そして、係数の符号が正であることを確認できる。
したがって、異常を解消する対策の1つとして、フィルム搬送サブ軸(FilmFeedSub)のトルクを下げることにより異常の解消の可能性を推定することが可能である。
したがって、異常を解消する対策の1つとして、フィルム搬送サブ軸(FilmFeedSub)のトルクを下げることにより異常の解消の可能性を推定することが可能である。
ワーク検出センサ(ProductDetectionSensorSignal)は、係数が小さいため要因の可能性が低いことを推定することが可能である。
これにより異常の要因の推定を簡易に実行することが可能であるとともに、当該要因をどのように調整することが望ましいかについても推定することが可能である。
図23は、実施形態に従う除外変数について説明する図である。
図23を参照して、除外変数として、コンベア軸(ProductFeed)が登録されている場合が示されている。除外変数は、パラメータの調整が容易ではない変数を指す。
図23を参照して、除外変数として、コンベア軸(ProductFeed)が登録されている場合が示されている。除外変数は、パラメータの調整が容易ではない変数を指す。
当該除外変数は、予め記憶部12に登録されているものとする。
図24は、実施形態に従う推定部119における異常の原因の推定について説明する別の図である。
図24は、実施形態に従う推定部119における異常の原因の推定について説明する別の図である。
図24を参照して、本例においては、推定部119により推定され、表示部122に出力された推定結果画面300Aが示されている。図22で説明した推定結果画面300と比較して、コンベア軸(ProductFeed)に対応するノードの表示が異なる。
具体的には、推定部119は、記憶部12に登録されている除外変数に関する情報を取得して、因果モデルと組み合わせる処理を実行する。本例においては、除外変数であることを示すために黒丸で表示されている。当該表示によりこれにより、制御因果モデルにおけるノードの関係性を容易に確認することが可能となり、異常の原因の推定が容易となる。
上記においては、スコアデータ310の時刻T1においてスコア値が閾値TH1を越えたことに基づいて異常を検知する場合について説明した。そして、検知した異常の近傍のデータに基づいて代理モデルを算出する場合について説明した。
当該時刻T1に関して、ユーザの任意の時刻を指定可能にするようにしてもよい。例えば、ポインティングデバイスを用いて、任意の時刻を指定し、当該指定した時刻におけるスコア値を取得する。取得したスコア値に基づいて、上記で説明したように当該時刻におけるデータを抽出し、当該抽出したデータの近傍のデータに基づいて代理モデルを算出するようにしてもよい。そして、1,2番目の係数の高い変数を抽出して、上記で説明したのと同様に選択した因果モデルの推定を表示するようにしてもよい。
図25は、実施形態に従う代理モデルの算出について説明する別のフロー図である。
図25を参照して、代理モデル算出部118は、時刻の選択の入力を受け付けたか否かを判断する(ステップS30)。
図25を参照して、代理モデル算出部118は、時刻の選択の入力を受け付けたか否かを判断する(ステップS30)。
次に、代理モデル算出部118は、パラメータ設定処理を実行する(ステップS32)。パラメータ設定処理は、パラメータ変更ツール303で設定した局所度合い(カーネル幅)および正則化係数αに基づいて代理モデルを算出するためのパラメータを設定する。
次に、代理モデル算出部118は、選択した時刻の状態データに対応する近傍の状態データを抽出する(ステップS34)。一例として、本例においては、LIME(Local Interpretable Model-agnostic Explainations)のアルゴリズムおよび指数平滑化カーネルを用いて近傍の状態データを抽出する。なお、他の方式に従って近傍の状態データを抽出するようにしてもよい。
次に、代理モデル算出部118は、代理モデルを算出する(ステップS36)。一例として、上記で説明したようにロジスティック回帰により代理モデルを算出する。
そして、処理を終了する(エンド)。
当該処理により、任意の時刻に対して代理モデルを算出して、因果モデルに対する関係性を分析するようにしてもよい。
当該処理により、任意の時刻に対して代理モデルを算出して、因果モデルに対する関係性を分析するようにしてもよい。
なお、本例においては、代理モデルを算出して、当該代理モデルと因果モデルとを組み合わせて異常の原因の推定を行う場合について説明したが、因果モデルと組み合わせず少なくとも代理モデルに基づいて異常の原因の推定を行うようにしてもよい。
例えば、代理モデルの構築情報302および代理モデルによる説明情報304に基づいて異常の原因を推定することも可能である。
本開示の実施の形態について説明したが、今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本開示の範囲は特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。
1 工程解析装置、3 製造ライン、11,21 制御部、12,22 記憶部、13,24 通信インタフェース、14 入力装置、15 出力装置、16 ドライブ、17 工程解析プログラム、23 入出力インタフェース、31 機構、91 記憶媒体、111 第1取得部、112 第2取得部、113 第3取得部、114 第1関係特定部、115 第2関係特定部、116 第3関係特定部、117 異常検知部、118 代理モデル算出部、119 推定部、120 イベント関係登録部、121 イベント推定部、122 表示部、130 構文解析部、132 プログラム依存解析部、134 変数追跡処理部、136 モデル生成部、140 制約モデル生成部、142 データ因果モデル生成部、220 工程データ、221 デバイス設置位置データ、222 制御プログラム、223 状態データ。
Claims (12)
- 製造ラインで実施される工程における複数の機構のそれぞれの状態データを取得する取得部と、
前記取得部で取得した状態データに基づいて異常を検知する異常検知部と、
前記異常を検知した際の状態データに基づいて代理モデルを算出する代理モデル算出部と、
算出された代理モデルに基づいて異常の原因を推定する推定部とを備える、情報処理装置。 - 前記複数の機構の関係、前記複数の機構に関連する複数の事象間の依存関係、あるいは前記複数の機構の制御関係に基づく変数間の因果モデルを生成する因果モデル生成部をさらに備え、
前記推定部は、前記算出された代理モデルと前記因果モデルとに基づいて異常の原因を推定する、請求項1記載の情報処理装置。 - 前記推定部の推定結果を表示する画面データを送信する送信部をさらに備える、請求項1記載の情報処理装置。
- 前記送信部は、前記算出された代理モデルの変数にそれぞれ対応する係数および前記因果モデルを表示する画面データを送信する、請求項3記載の情報処理装置。
- 前記送信部は、前記算出された代理モデルの変数にそれぞれ対応する係数に基づいて調整された前記因果モデルの変数間の因果関係を示すエッジを表示する画面データを送信する、請求項4記載の情報処理装置。
- 前記因果モデルの変数、対策可能な第1の変数と、対策不可な第2の変数とを含み、
前記送信部は、前記第1の変数と前記第2の変数とを区別して表示する画面データを送信する、請求項3記載の情報処理装置。 - 前記代理モデル算出部は、前記異常を検知した際の異常の近傍の状態データを用いてロジスティック回帰により前記代理モデルを算出する、請求項1記載の情報処理装置。
- 前記異常検知部は、前記状態データに基づいて経時的に変化する異常スコアを算出し、
前記代理モデル算出部は、前記算出した異常スコアが所定の値以上になった場合に、異常の近傍の状態データを用いて代理モデルを算出する、請求項1記載の情報処理装置。 - 前記異常検知部は、前記状態データに基づいて経時的に変化する異常スコアを算出し、
前記送信部は、時刻に対する算出された異常スコアの経時的な変化を表示する画面データを送信し、
前記時刻の選択入力を受け付ける時刻受付部をさらに備え、
前記代理モデル算出部は、前記時刻受付部で受け付けた時刻に対する状態データの近傍の状態データを用いて代理モデルを算出する、請求項1記載の情報処理装置。 - 前記代理モデルのパラメータを調整する調整部をさらに備える、請求項1記載の情報処理装置。
- 製造ラインで実施される工程における複数の機構のそれぞれの状態データを取得するステップと、
取得した状態データに基づいて異常を検知するステップと、
前記異常を検知した際の状態データに基づいて代理モデルを算出するステップと、
算出された代理モデルに基づいて異常の原因を推定するステップとを備える、情報処理方法。 - コンピュータに、
製造ラインで実施される工程における複数の機構のそれぞれの状態データを取得するステップと、
取得した状態データに基づいて異常を検知するステップと、
前記異常を検知した際の状態データに基づいて代理モデルを算出するステップと、
算出された代理モデルに基づいて異常の原因を推定するステップとを実行させる、情報処理プログラム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022180223A JP2024069927A (ja) | 2022-11-10 | 2022-11-10 | 情報処理装置、情報処理方法および情報処理プログラム |
US18/493,094 US20240160202A1 (en) | 2022-11-10 | 2023-10-24 | Information processing device, information processing method, and non-transitory storage medium encoded with computer-readable information processing program |
EP23206140.8A EP4369129A1 (en) | 2022-11-10 | 2023-10-26 | Information processing device, information processing method, and information processing program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022180223A JP2024069927A (ja) | 2022-11-10 | 2022-11-10 | 情報処理装置、情報処理方法および情報処理プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2024069927A true JP2024069927A (ja) | 2024-05-22 |
Family
ID=88558313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022180223A Pending JP2024069927A (ja) | 2022-11-10 | 2022-11-10 | 情報処理装置、情報処理方法および情報処理プログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240160202A1 (ja) |
EP (1) | EP4369129A1 (ja) |
JP (1) | JP2024069927A (ja) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1752898A3 (en) * | 2001-03-08 | 2009-07-22 | California Institute Of Technology | Exception analysis for multimissions |
JP2020149289A (ja) * | 2019-03-13 | 2020-09-17 | オムロン株式会社 | 表示システム、表示方法、及び表示プログラム |
JP2022029982A (ja) * | 2020-08-06 | 2022-02-18 | オムロン株式会社 | 表示システム、表示方法、及び表示プログラム |
JP7476770B2 (ja) | 2020-11-18 | 2024-05-01 | オムロン株式会社 | 工程解析装置、工程解析方法、及び工程解析プログラム |
-
2022
- 2022-11-10 JP JP2022180223A patent/JP2024069927A/ja active Pending
-
2023
- 2023-10-24 US US18/493,094 patent/US20240160202A1/en active Pending
- 2023-10-26 EP EP23206140.8A patent/EP4369129A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4369129A1 (en) | 2024-05-15 |
US20240160202A1 (en) | 2024-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6647573B2 (ja) | 人工知能モジュール開発システム及び人工知能モジュール開発統合システム | |
US11662719B2 (en) | Classification modeling for monitoring, diagnostics optimization and control | |
JP2018206362A (ja) | 工程解析装置、工程解析方法、及び工程解析プログラム | |
Guo et al. | Identification of key features using topological data analysis for accurate prediction of manufacturing system outputs | |
US20210390160A1 (en) | Base analytics engine modeling for monitoring, diagnostics optimization and control | |
Rendall et al. | A unifying and integrated framework for feature oriented analysis of batch processes | |
CN115867873A (zh) | 提供与分配给输入数据方法和系统的异常分数相关的警报 | |
TW202134808A (zh) | 用於製造程序的系統、方法及媒體 | |
CN115769235A (zh) | 提供与训练函数的准确度有关的警报的方法和系统 | |
CN114730407A (zh) | 使用神经网络对工作环境中的人类行为进行建模 | |
Adam et al. | Multiple faults diagnosis for an industrial robot fuse quality test bench using deep-learning | |
US20240192672A1 (en) | System and method of monitoring an industrial environment | |
US10218722B2 (en) | Method and system for developing an anomaly detector for detecting an anomaly parameter on network terminals in a distributed network | |
JP2021057031A (ja) | 通過可能性のティーチングのための埋め込みおよびサポートベクトルマシン | |
JP2024069927A (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
Oks et al. | Embedded vision device integration via OPC UA: Design and evaluation of a neural network-based monitoring system for Industry 4.0 | |
JP7476770B2 (ja) | 工程解析装置、工程解析方法、及び工程解析プログラム | |
EP3908895A2 (en) | Apparatus, system and method for developing industrial process solutions using artificial intelligence | |
Rosioru et al. | Deep learning based parts classification in a cognitive robotic cell system | |
TWI801820B (zh) | 用於製造流程之系統及方法 | |
Gkournelos et al. | Praxis: a framework for AI-driven human action recognition in assembly | |
US11775403B2 (en) | Method and system for developing an anomaly detector for detecting an anomaly parameter on network terminals in a distributed network | |
Dietrich et al. | Data-driven synthesis of perception pipelines via hierarchical planning | |
JP2023092184A (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
US11754985B2 (en) | Information processing apparatus, information processing method and computer program product |