JP6386520B2 - 数値制御装置及び機械学習装置 - Google Patents

数値制御装置及び機械学習装置 Download PDF

Info

Publication number
JP6386520B2
JP6386520B2 JP2016241680A JP2016241680A JP6386520B2 JP 6386520 B2 JP6386520 B2 JP 6386520B2 JP 2016241680 A JP2016241680 A JP 2016241680A JP 2016241680 A JP2016241680 A JP 2016241680A JP 6386520 B2 JP6386520 B2 JP 6386520B2
Authority
JP
Japan
Prior art keywords
machine
unit
abnormality
database
data
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.)
Active
Application number
JP2016241680A
Other languages
English (en)
Other versions
JP2018097616A (ja
Inventor
久保　守
守 久保
都志徳 松川
都志徳 松川
耕一 村田
耕一 村田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
FANUC Corp
Original Assignee
FANUC Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by FANUC Corp filed Critical FANUC Corp
Priority to JP2016241680A priority Critical patent/JP6386520B2/ja
Priority to DE102017129227.6A priority patent/DE102017129227B4/de
Priority to US15/839,251 priority patent/US11112768B2/en
Priority to CN201711328509.9A priority patent/CN108227633B/zh
Publication of JP2018097616A publication Critical patent/JP2018097616A/ja
Application granted granted Critical
Publication of JP6386520B2 publication Critical patent/JP6386520B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/408—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by data handling or data format, e.g. reading, buffering or conversion of data
    • G05B19/4083—Adapting programme, configuration
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/414—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller
    • G05B19/4142—Structure of the control system, e.g. common controller or multiprocessor systems, interface to servo, programmable interface controller characterised by the use of a microprocessor
    • 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
    • G05B13/0205—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system
    • G05B13/026—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric not using a model or a simulator of the controlled system using a predictor
    • 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
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/33—Director till display
    • G05B2219/33009—ART adaptive resonance theory, place input patterns in clusters during learning
    • 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
    • G05B2219/33—Director till display
    • G05B2219/33322—Failure driven learning
    • 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
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34013—Servocontroller
    • 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
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34477—Fault prediction, analyzing signal trends
    • 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
    • G05B2219/45—Nc applications
    • G05B2219/45244—Injection molding

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Automation & Control Theory (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Manufacturing & Machinery (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Algebra (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Numerical Control (AREA)

Description

本発明は、数値制御装置及び機械学習装置に関し、特に機械学習による異常予知を行う数値制御装置及び機械学習装置に関する。
図６は、データロガー装置について説明する図である。データロガー装置は、数値制御装置内の各種データ（モード、モータ負荷、冷却ファン回転数など）を周期的に収集して、記憶装置へと格納する装置である。データロガー装置は、収集する対象とするデータの種類や周期などが設定可能であり、また、収集したデータは表やグラフ形式で表示することができる。データロガー装置を用いることで、ユーザは数値制御装置でアラームなどの異常が発生した時にデータロガー装置が収集したデータを分析し、そこから異常の原因を特定することが可能となる。このように、データロガー装置は、数値制御装置などで発生した異常原因の解消に用いることができるので、工作機械の稼働率向上に寄与する。
データロガー装置を用いて記録したデータを解析して異常を検知する方法には、主として最大値、最小値、平均値などの統計値を計算し、計算した統計値を過去のデータと比較する方法や、外れ値などを目視で検査（経験と勘）する方法などがある。しかしながら、単純なケースであれば熟練者が人手でデータを調べることも可能ではあるが、データが大量で要因が複雑な異常は人手で調べることは困難である。例えば、射出成形機においてモータ速度のアラームが発生した場合、一般的にはモータ速度に直接的に関連する異常が真っ先に疑われるが、図７に示す異常発生時の原因推定に用いられる決定木に示されるように、状況によっては樹脂を流し込むための流路の詰まりが原因となることもあり、このような要因を解明することは熟練者であっても難しい。
そこで従来技術として、コンピュータなどを用いて自動的に異常を検知する技術が開発されてきた。例えば特許文献１には、センサなどから取得したデータに基づいて線形予測（回帰分析）により求めた近似式の係数の時系列的ふるまいを用いて異常を検出する技術が開示されている。また、特許文献２には、回帰分析により予測された正常時と現在のデータの乖離度を求め、乖離度が閾値を超えた原因となったデータ項目を順位づけることで異常を検出する技術が開示されている。
また、特許文献３には、異常時と現在のデータの時間変化に基づくパターンを分析し、各パターンにおけるデータ類似性により異常を予測する技術が開示されている。更に、特許文献４には、前回のワーク加工の際の制御結果（座標値）と今回のコマンドから判断した予測値（予測座標値）を比較し、同一でない場合に異常を報知する技術が開示されている。
特開２０１１−１４５８４６号公報 国際公開第２０１０／０８２３２２号 特開２０１６−０６２５９８号公報 特開２００７−２７２５４５号公報
現状では、機械学習を用いて異常を予知する方法では、学習データはスナップショットとして扱われており、データの時間的な変化をとらえる手法は確立していない。また、従来技術においてはセンサからのデータ入力が主であり、数値制御装置におけるモード切替やオーバライドなどの手動操作や指令のデータを扱った異常検知の手法についても確立されていない。
そこで、本発明の目的は、データの時間的な変化をとらえた機械学習により異常予知を行う数値制御装置及び機械学習装置を提供することである。
本発明により数値制御装置に導入される機械学習装置は、異常発生時に発生直前の一定期間の収集データを回帰分析して第１の近似多項式を求め、求めた第１の近似多項式の係数に基づいて作成した特徴ベクトルをクラスタリングにより分類する一方で、現在の収集データについても回帰分析して第２の近似多項式を求め、求めた第２の近似多項式に基づいて作成した特徴ベクトルがいずれのクラスタに属するのかを判定し、更に属するクラスタ内で発生していた異常に対してスコアリングしてランキングを作成し、ランキング順で通知することで上記課題を解決する。
そして、本発明の請求項１に係る発明は、機械を制御する数値制御装置において、前記機械の動作に係る情報を時系列データとして取得するデータロガー装置と、前記データロガー装置が取得した時系列データに基づいて前記機械に異常が発生した時の前記機械の動作の傾向を機械学習する機械学習装置と、を備え、前記機械学習装置は、前記データロガー装置が取得した時系列データを入力データとして取得する状態観測部と、前記機械に発生した異常に係る異常情報を取得する異常観測部と、前記状態観測部が取得した入力データと、前記異常観測部が取得した異常情報とに基づいて、前記異常が発生した時の前記機械の動作の傾向を機械学習する学習部と、前記学習部が機械学習した結果を記憶するデータベースと、を備え、前記学習部は、前記入力データに含まれる時系列データの近似式を求め、求めた近似式に基づいて特徴ベクトルを作成し、作成した特徴ベクトルと、前記異常情報とを関連付けて前記データベースに記憶する分析部と、前記分析部が作成した特徴ベクトルをクラスタリングし、クラスタリングの結果を前記データベースに記憶するクラスタリング部と、を備える、数値制御装置である。
本発明の請求項２に係る発明は、制御対象の機械に発生する異常を予知する数値制御装置であって、前記機械の動作に係る情報を時系列データとして取得するデータロガー装置と、前記データロガー装置が取得した時系列データに基づいて前記機械の異常発生を予知する機械学習装置と、前記機械学習装置による前記機械の異常発生の予知の結果を通知する異常予知通知部と、を備え、前記機械学習装置は、前記異常が発生したときの前記機械の動作の傾向を機械学習の結果を記憶するデータベースと、前記データロガー装置が取得した時系列データを入力データとして取得する状態観測部と、前記状態観測部が取得した入力データと、前記データベースに記憶されている機械学習の結果とに基づいて、前記機械の異常発生を予知する予知部と、を備え、前記データベースには、前記機械に異常が発生した際の前記機械の動作の傾向を示す特徴ベクトルと、前記異常に係る異常情報が関連付けられて記憶されると共に、前記特徴ベクトルをクラスタリングした結果が記憶されており、前記予知部は、前記入力データに含まれる時系列データの近似式を求め、求めた近似式に基づいて特徴ベクトルを作成し、作成した特徴ベクトルが前記データベースに記憶されているいずれのクラスタに近いのかを判定する類似クラスタ判定部と、前記類似クラスタ判定部が前記特徴ベクトルに近いと判定したクラスタに属する特徴ベクトルに関連付けられた異常についてランキング情報を作成し、作成したランキング情報を前記機械の異常発生の予知の結果として出力する異常ランキング決定部と、を備える、数値制御装置である。
本発明の請求項３に係る発明は、機械を制御する数値制御装置が備えるデータロガー装置が取得した前記機械の動作に係る情報を示す時系列データ基づいて前記機械に異常が発生した時の前記機械の動作の傾向を機械学習する機械学習装置であって、前記データロガー装置が取得した時系列データを入力データとして取得する状態観測部と、前記機械に発生した異常に係る異常情報を取得する異常観測部と、前記状態観測部が取得した入力データと、前記異常観測部が取得した異常情報とに基づいて、前記異常が発生した時の前記機械の動作の傾向を機械学習する学習部と、前記学習部が機械学習した結果を記憶するデータベースと、を備え、前記学習部は、前記入力データに含まれる時系列データの近似式を求め、求めた近似式に基づいて特徴ベクトルを作成し、作成した特徴ベクトルと、前記異常情報とを関連付けて前記データベースに記憶する分析部と、前記分析部が作成した特徴ベクトルをクラスタリングし、クラスタリングの結果を前記データベースに記憶するクラスタリング部と、を備える、機械学習装置である。
本発明の請求項４に係る発明は、データロガー装置を備えた数値制御装置により制御される機械に発生する異常を、前記データロガー装置が取得した前記機械の動作に係る情報を示す時系列データに基づいて予知する機械学習装置であって、前記異常が発生したときの前記機械の動作の傾向を機械学習の結果を記憶するデータベースと、前記データロガー装置が取得した時系列データを入力データとして取得する状態観測部と、前記状態観測部が取得した入力データと、前記データベースに記憶されている機械学習の結果とに基づいて、前記機械の異常発生を予知する予知部と、を備え、前記データベースには、前記機械に異常が発生した際の前記機械の動作の傾向を示す特徴ベクトルと、前記異常に係る異常情報が関連付けられて記憶されると共に、前記特徴ベクトルをクラスタリングした結果が記憶されており、前記予知部は、前記入力データに含まれる時系列データの近似式を求め、求めた近似式に基づいて特徴ベクトルを作成し、作成した特徴ベクトルが前記データベースに記憶されているいずれのクラスタに近いのかを判定する類似クラスタ判定部と、前記類似クラスタ判定部が前記特徴ベクトルに近いと判定したクラスタに属する特徴ベクトルに関連付けられた異常についてランキング情報を作成し、作成したランキング情報を前記機械の異常発生の予知の結果として出力する異常ランキング決定部と、を備える、機械学習装置である。
本発明によれば、データロガーの収集データを統計的な解析にかけることで、要因が複雑な異常も自動的かつ容易に予知することが可能となり、工作機械のダウンタイムを削減することができる。また、学習のタイミングを異常発生時のみに限定することで、計算コストを低く抑えることができる。更に、発生する可能性がある異常をランキングして通知することで、重要な異常の兆候を素早く確認することができる。
一般的な数値制御装置の要部を示すハードウェア構成図である。 本発明の一実施形態による数値制御装置の概略的な機能ブロック図である。 本発明の一実施形態による分析部１３２が行う処理について説明する図（１）である。 本発明の一実施形態による分析部１３２が行う処理について説明する図（２）である。 本発明の一実施形態によるクラスタリング部１３４が行う処理について説明する図である。 本発明の一実施形態による類似クラスタ判定部１４２が行う処理について説明する図である。 データロガー装置の動作について説明する図である。 従来技術による異常解析の問題について説明する図である。
以下、本発明の実施形態を図面と共に説明する。
図１は、一般的な数値制御装置と該数値制御装置によって駆動制御される工作機械の要部を示すハードウェア構成図である。数値制御装置１が備えるＣＰＵ１１は、数値制御装置１を全体的に制御するプロセッサである。ＣＰＵ１１は、ＲＯＭ１２に格納されたシステム・プログラムをバス２０を介して読み出し、該システム・プログラムに従って数値制御装置１全体を制御する。ＲＡＭ１３には一時的な計算データや表示データ及び後述する表示器／ＭＤＩユニット７０を介してオペレータが入力した各種データ等が格納される。
不揮発性メモリ１４は、例えば図示しないバッテリでバックアップされるなどして、数値制御装置１の電源がオフされても記憶状態が保持されるメモリとして構成される。不揮発性メモリ１４には、インタフェース１５を介して読み込まれた加工プログラムや後述する表示器／ＭＤＩユニット７０を介して入力された加工プログラムが記憶されている。不揮発性メモリ１４には更に、加工プログラムを運転するために用いられる加工プログラム運転処理用プログラム等が記憶されるが、これらプログラムは実行時にはＲＡＭ１３に展開される。また、ＲＯＭ１２には、加工プログラムの作成及び編集のために必要とされる編集モードの処理などを実行するための各種のシステム・プログラムがあらかじめ書き込まれている。
インタフェース１５は、数値制御装置１とアダプタ等の外部機器７２と接続するためのインタフェースである。外部機器７２側からは加工プログラムや各種パラメータ等が読み込まれる。また、数値制御装置１内で編集した加工プログラムは、外部機器７２を介して外部記憶手段に記憶させることができる。ＰＭＣ（プログラマブル・マシン・コントローラ）１６は、数値制御装置１に内蔵されたシーケンス・プログラムで工作機械の周辺装置（例えば、工具交換用のロボットハンドといったアクチュエータ）にＩ／Ｏユニット１７を介して信号を出力し制御する。また、工作機械の本体に配備された操作盤の各種スイッチ等の信号を受け、必要な信号処理をした後、ＣＰＵ１１に渡す。
表示器／ＭＤＩユニット７０はディスプレイやキーボード等を備えた手動データ入力装置であり、インタフェース１８は表示器／ＭＤＩユニット７０のキーボードからの指令，データを受けてＣＰＵ１１に渡す。インタフェース１９は手動パルス発生器等を備えた操作盤７１に接続されている。
工作機械が備える軸を制御するための軸制御回路３０はＣＰＵ１１からの軸の移動指令量を受けて、軸の指令をサーボアンプ４０に出力する。サーボアンプ４０はこの指令を受けて、工作機械が備える軸を移動させるサーボモータ５０を駆動する。軸のサーボモータ５０は位置・速度検出器を内蔵し、この位置・速度検出器からの位置・速度フィードバック信号を軸制御回路３０にフィードバックし、位置・速度のフィードバック制御を行う。なお、図１のハードウェア構成図では軸制御回路３０、サーボアンプ４０、サーボモータ５０は１つずつしか示されていないが、実際には工作機械に備えられた軸の数だけ用意される。
スピンドル制御回路６０は、工作機械への主軸回転指令を受け、スピンドルアンプ６１にスピンドル速度信号を出力する。スピンドルアンプ６１はこのスピンドル速度信号を受けて、工作機械のスピンドルモータ６２を指令された回転速度で回転させ、工具を駆動する。
スピンドルモータ６２にはポジションコーダ６３が結合され、ポジションコーダ６３が主軸の回転に同期して帰還パルスを出力し、その帰還パルスはＣＰＵ１１によって読み取られる。
図２は、本発明の一実施形態による数値制御装置の概略的な機能構成図を示している。本実施形態の数値制御装置１は、図２に示すようにデータロガー装置８０、機械学習装置１００、異常予知通知部２００を備える。
データロガー装置８０は、数値制御装置１が備えるＰＭＣ１６を介して数値制御装置１や工作機械の各部に備え付けられた機器から取得されたデータ（モータの負荷など）やセンサからの信号を受け取って時系列データとして記録することができる。データロガー装置８０は一般的な公知のデータロガー装置を用いても良い。
本実施形態の数値制御装置１が備える機械学習装置１００は、状態観測部１１０、異常観測部１２０、学習部１３０、予知部１４０、及びデータベース１６０を備える。
状態観測部１１０は、データロガー装置８０が記録する時系列データを、入力データとして定期的に収集する。データロガー装置８０が記録する時系列データには、数値制御装置１の動作モードや実行中の指令なども含まれる。
異常観測部１２０は、数値制御装置１が検出した異常（通常はアラートなどと共に報知される）を観測し、該異常の種類や該異常の開始時刻、異常が解決した終了時刻などを含む異常情報を取得する。
学習部１３０は、状態観測部１１０が取得した入力データと、異常観測部１２０が取得した異常情報とに基づいて機械学習を行い、その学習結果をデータベース１６０へと記憶する。学習部１３０は、機械学習を行うための機能手段として分析部１３２とクラスタリング部１３４を備えている。
図３Ａ，３Ｂ，４は、学習部１３０が行う機械学習の手順について説明する図である。学習部１３０は、状態観測部１１０が取得した所定周期分の入力データを機械学習装置１００が備える図示しない第１のメモリバッファ上に一時的に記憶している。入力データは、モータ圧力やモータ位置、モータ速度などの複数の時系列データを含む。そして、異常観測部１２０が異常発生を示す異常情報を取得すると、学習部１３０は分析部１３２に指令して第１のメモリバッファ上に記憶されている所定周期分の入力データに含まれる複数の時系列データの各々について、最小二乗法やニューラルネットワークなどを用いて時間（ｔ）と該データの値との関係を近似的に示す非線形多項式を求める（図３Ａ（ｉ）（ｉｉ））。なお、対象とするデータがビット信号などのように０／１値を示している場合には、非線形多項式による近似ができないので、これに代えてベルヌーイ分布（ｐ（ｘ＝１）＝μx(1-μ)1-x）などを用いるようにしても良い。次に、学習部１３０は、分析部１３２が求めた複数の時系列データの近似多項式の係数を連結させた特徴ベクトルを生成し（図３Ｂ（ｉｉｉ））、生成した特徴ベクトルを異常情報（異常の種類と異常の開始時刻、終了時刻）と関連付けてデータベース１６０へと記憶する（図３Ｂ（ｉｖ））。
データベース１６０に対して一定量の特徴ベクトルと異常情報の組が記憶されると、学習部１３０はクラスタリング部１３４に指令して、データベース１６０に記憶されているすべての特徴ベクトルを、Ｋ平均法や混合ガウス分布などによりクラスタリングして分類し、分類結果をデータベース１６０に記憶する。図４は、クラスタリング部１３４による異常発生時の特徴ベクトルをクラスタリングした例を示している（なお、図４では、見やすくするために特徴ベクトルが２次元であるものとして表記しているが、実際には特徴ベクトルは、より高次元のベクトルとして示される）。図４に示される各クラスタには１種類の異常が発生した際の特徴ベクトルのみが含まれているわけではなく、複数種類の異常が発生した際の特徴ベクトルが含まれ得るが、それぞれのクラスタにはデータロガー装置８０により観測された時系列データから見たときの似たような状況の特徴ベクトルが含まれるため、異常の発生傾向が類似した特徴ベクトルが含まれる得ることになる。
予知部１４０は、状態観測部１１０が取得した入力データと、学習部１３０がデータベース１６０に記憶した学習結果（特徴ベクトルのクラスタリングした結果）とに基づいて、異常の発生を予知する機能手段である。予知部１４０は、異常の予知を行うための機能手段として類似クラスタ判定部１４２と異常ランキング決定部１４４とを備えている。
予知部１４０は、状態観測部１１０が取得した所定周期分の入力データを機械学習装置１００が備える図示しない第２のメモリバッファ上に一時的に記憶している。予知部１４０は、所定の周期ごとに類似クラスタ判定部１４２に対して第２のメモリバッファ上に記憶されている所定周期分の入力データに基づいて、分析部１３２が行うのと同様に特徴ベクトルを作成する。そして、類似クラスタ判定部１４２は、作成した現在の特徴ベクトルが、データベース１６０に記憶されているクラスタリングの結果と比較して、図５に示すように、現在の特徴ベクトルにもっとも近いクラスタを判定する。現在の特徴ベクトルと最も近いクラスタの判定には、例えばそれぞれのクラスタの中心値と現在の特徴ベクトルの距離とを比較して、中心値が現在の特徴ベクトルと最も近いクラスタを選択するようにしても良く、また、別の統計的手法を用いるようにしても良い。類似クラスタ判定部１４２は、すべてのクラスタとの距離があらかじめ定めた所定の閾値以上である場合には、現在の特徴ベクトルに近いクラスタが存在しない、という判定をしても良い。このような判定がされた場合、現在は異常が発生するような状況にないことを意味している。
現在の特徴ベクトルと最も近いクラスタが判定されると、予知部１４０は、現在の特徴ベクトルと最も近いクラスタ内の異常ランキングを作成するように異常ランキング決定部１４４に指令する。異常ランキング決定部１４４は、データベース１６０を参照し、現在の特徴ベクトルと最も近いクラスタ内の特徴ベクトルに関連付けられている異常の種類と異常の開始時間、終了時間に基づいて、以下の数１式などを用いて各異常の種類をスコアリングする。数１式において、重要度は各異常の種類に対して、該異常が発生した場合の緊急性などに応じて０〜１の値を設定すれば良く、例えば機械アラームやサーボアラームなどの重要な異常は１、それ以外は１未満の値を設定するなどすれば良い。なお、数１式はスコアリングの一例であり、異常発生の回数と発生時間との重要なほうに対して重みをつけて算出するなど、異常のスコアとして適切であると考えられる範囲で設計的に変更しても良い。
Figure 0006386520
そして、現在の特徴ベクトルと最も近いクラスタ内の異常の種類に対してスコアリングが完了すると、異常ランキング決定部１４４は、各異常の種類についてスコアが高い順番でランキングを作成して出力する。
異常予知通知部２００は、数値制御装置１の表示器／ＭＤＩユニット７０などを制御して、異常ランキング決定部１４４から出力された異常の種類のランキングをユーザに対して通知する。異常予知通知部２００は、異常の種類のランキングで１位とされた異常を通知するようにしても良いが、ランキングの上位に位置する所定数の異常の種類を通知するようにしても良い。このような通知をすることで、ユーザはランキングの高い方に位置する異常の種類から発生する可能性が高いと把握することができるため、その後のユーザによる機械の運転作業や点検作業などにおける判断の助けとなる。なお、異常予知通知部２００は、異常の発生のスコアがあらかじめ定めた閾値に達していない異常を通知の対象からはずしても良い。
以上、ここまで本発明の実施の形態について説明したが、本発明は上記した実施の形態の例にのみ限定されるものでなく、適宜の変更を加えることにより様々な態様で実施することができる。
例えば、上記した実施形態では機械学習装置１００が学習部１３０と予知部１４０を両方備えた構成を示したが、学習部１３０を備えた機械学習装置１００により十分な学習が行われ、データベース１６０に対して所定量以上の特徴ベクトルとそのクラスタリングの結果が蓄積されている場合には、機械学習装置１００における学習部１３０による学習を停止（学習部１３０に相当する部分を削除）し、データロガー装置８０からの入力に応じて予知部１４０が異常発生の予知のみを行うようにしても良い。
また、逆に機械学習装置１００で予知を行わないように構成（予知部１４０に相当する部分を削除）し、学習のみを行うように機械学習装置１００を構成しても良い。このように構成した数値制御装置１を用いて実験を積み重ねて学習結果を蓄積し、蓄積したデータを製品として出荷する数値制御装置１に組み込まれた機械学習装置のデータベース１６０に複写するようにしても良い。
また、機械学習装置１００やデータロガー装置８０は、数値制御装置１に必ずしも内蔵されている必要はなく、数値制御装置１の外部に接続した状態で構成しても良い。また、機械学習装置１００は必要に応じて数値制御装置１から切り離して、他の数値制御装置と接続するなど、単独で運用しても良い。
１ 数値制御装置
１１ ＣＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
１４ 不揮発性メモリ
１５ インタフェース
１６ ＰＭＣ
１７ Ｉ／Ｏユニット
１８，１９ インタフェース
２０ バス
３０ 軸制御回路
４０ サーボアンプ
５０ サーボモータ
６０ スピンドル制御回路
６１ スピンドルアンプ
６２ スピンドルモータ
６３ ポジションコーダ
７０ 表示器／ＭＤＩユニット
７１ 操作盤
７２ 外部機器
８０ データロガー装置
１００ 機械学習装置
１１０ 状態観測部
１２０ 異常観測部
１３０ 学習部
１３２ 分析部
１３４ クラスタリング部
１４０ 予知部
１４２ 類似クラスタ判定部
１４４ 異常ランキング決定部
１６０ データベース
２００ 異常予知通知部

Claims (4)

  1. 機械を制御する数値制御装置において、
    前記機械の動作に係る情報を時系列データとして取得するデータロガー装置と、
    前記データロガー装置が取得した時系列データに基づいて前記機械に異常が発生した時の前記機械の動作の傾向を機械学習する機械学習装置と、
    を備え、
    前記機械学習装置は、
    前記データロガー装置が取得した時系列データを入力データとして取得する状態観測部と、
    前記機械に発生した異常に係る異常情報を取得する異常観測部と、
    前記状態観測部が取得した入力データと、前記異常観測部が取得した異常情報とに基づいて、前記異常が発生した時の前記機械の動作の傾向を機械学習する学習部と、
    前記学習部が機械学習した結果を記憶するデータベースと、
    を備え、
    前記学習部は、
    前記入力データに含まれる時系列データの近似式を求め、求めた近似式に基づいて特徴ベクトルを作成し、作成した特徴ベクトルと、前記異常情報とを関連付けて前記データベースに記憶する分析部と、
    前記分析部が作成した特徴ベクトルをクラスタリングし、クラスタリングの結果を前記データベースに記憶するクラスタリング部と、
    を備える、
    数値制御装置。
  2. 制御対象の機械に発生する異常を予知する数値制御装置であって、
    前記機械の動作に係る情報を時系列データとして取得するデータロガー装置と、
    前記データロガー装置が取得した時系列データに基づいて前記機械の異常発生を予知する機械学習装置と、
    前記機械学習装置による前記機械の異常発生の予知の結果を通知する異常予知通知部と、
    を備え、
    前記機械学習装置は、
    前記異常が発生したときの前記機械の動作の傾向を機械学習の結果を記憶するデータベースと、
    前記データロガー装置が取得した時系列データを入力データとして取得する状態観測部と、
    前記状態観測部が取得した入力データと、前記データベースに記憶されている機械学習の結果とに基づいて、前記機械の異常発生を予知する予知部と、
    を備え、
    前記データベースには、前記機械に異常が発生した際の前記機械の動作の傾向を示す特徴ベクトルと、前記異常に係る異常情報が関連付けられて記憶されると共に、前記特徴ベクトルをクラスタリングした結果が記憶されており、
    前記予知部は、
    前記入力データに含まれる時系列データの近似式を求め、求めた近似式に基づいて特徴ベクトルを作成し、作成した特徴ベクトルが前記データベースに記憶されているいずれのクラスタに近いのかを判定する類似クラスタ判定部と、
    前記類似クラスタ判定部が前記特徴ベクトルに近いと判定したクラスタに属する特徴ベクトルに関連付けられた異常についてランキング情報を作成し、作成したランキング情報を前記機械の異常発生の予知の結果として出力する異常ランキング決定部と、
    を備える、
    数値制御装置。
  3. 機械を制御する数値制御装置が備えるデータロガー装置が取得した前記機械の動作に係る情報を示す時系列データ基づいて前記機械に異常が発生した時の前記機械の動作の傾向を機械学習する機械学習装置であって、
    前記データロガー装置が取得した時系列データを入力データとして取得する状態観測部と、
    前記機械に発生した異常に係る異常情報を取得する異常観測部と、
    前記状態観測部が取得した入力データと、前記異常観測部が取得した異常情報とに基づいて、前記異常が発生した時の前記機械の動作の傾向を機械学習する学習部と、
    前記学習部が機械学習した結果を記憶するデータベースと、
    を備え、
    前記学習部は、
    前記入力データに含まれる時系列データの近似式を求め、求めた近似式に基づいて特徴ベクトルを作成し、作成した特徴ベクトルと、前記異常情報とを関連付けて前記データベースに記憶する分析部と、
    前記分析部が作成した特徴ベクトルをクラスタリングし、クラスタリングの結果を前記データベースに記憶するクラスタリング部と、
    を備える、
    機械学習装置。
  4. データロガー装置を備えた数値制御装置により制御される機械に発生する異常を、前記データロガー装置が取得した前記機械の動作に係る情報を示す時系列データに基づいて予知する機械学習装置であって、
    前記異常が発生したときの前記機械の動作の傾向を機械学習の結果を記憶するデータベースと、
    前記データロガー装置が取得した時系列データを入力データとして取得する状態観測部と、
    前記状態観測部が取得した入力データと、前記データベースに記憶されている機械学習の結果とに基づいて、前記機械の異常発生を予知する予知部と、
    を備え、
    前記データベースには、前記機械に異常が発生した際の前記機械の動作の傾向を示す特徴ベクトルと、前記異常に係る異常情報が関連付けられて記憶されると共に、前記特徴ベクトルをクラスタリングした結果が記憶されており、
    前記予知部は、
    前記入力データに含まれる時系列データの近似式を求め、求めた近似式に基づいて特徴ベクトルを作成し、作成した特徴ベクトルが前記データベースに記憶されているいずれのクラスタに近いのかを判定する類似クラスタ判定部と、
    前記類似クラスタ判定部が前記特徴ベクトルに近いと判定したクラスタに属する特徴ベクトルに関連付けられた異常についてランキング情報を作成し、作成したランキング情報を前記機械の異常発生の予知の結果として出力する異常ランキング決定部と、
    を備える、
    機械学習装置。
JP2016241680A 2016-12-13 2016-12-13 数値制御装置及び機械学習装置 Active JP6386520B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2016241680A JP6386520B2 (ja) 2016-12-13 2016-12-13 数値制御装置及び機械学習装置
DE102017129227.6A DE102017129227B4 (de) 2016-12-13 2017-12-08 Nummerische Steuerung und Maschinenlernvorrichtung
US15/839,251 US11112768B2 (en) 2016-12-13 2017-12-12 Numerical controller and machine learning device
CN201711328509.9A CN108227633B (zh) 2016-12-13 2017-12-13 数值控制装置以及机器学习装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2016241680A JP6386520B2 (ja) 2016-12-13 2016-12-13 数値制御装置及び機械学習装置

Publications (2)

Publication Number Publication Date
JP2018097616A JP2018097616A (ja) 2018-06-21
JP6386520B2 true JP6386520B2 (ja) 2018-09-05

Family

ID=62201528

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016241680A Active JP6386520B2 (ja) 2016-12-13 2016-12-13 数値制御装置及び機械学習装置

Country Status (4)

Country Link
US (1) US11112768B2 (ja)
JP (1) JP6386520B2 (ja)
CN (1) CN108227633B (ja)
DE (1) DE102017129227B4 (ja)

Families Citing this family (26)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI641934B (zh) 2014-08-05 2018-11-21 聯華電子股份有限公司 虛擬量測系統與方法
JP7002411B2 (ja) 2018-06-18 2022-01-20 株式会社日立製作所 設備状態判定装置、設備状態判定方法、及び設備管理システム
EP3594861B1 (en) * 2018-07-09 2024-04-03 Tata Consultancy Services Limited Systems and methods for classification of multi-dimensional time series of parameters
DE112018007741B4 (de) * 2018-07-11 2024-02-01 Mitsubishi Electric Corporation Maschinenlernvorrichtung und vorrichtung zur erzeugung vonprogrammen für eine numerisch gesteuerte bearbeitung
JP7032261B2 (ja) * 2018-07-24 2022-03-08 日立グローバルライフソリューションズ株式会社 異常検知システムおよび異常検知方法
US10769006B2 (en) * 2018-07-31 2020-09-08 Cisco Technology, Inc. Ensemble risk assessment method for networked devices
CN109434562A (zh) * 2018-09-30 2019-03-08 天津大学 基于划分聚类的铣削刀具磨损状态识别方法
JP6885911B2 (ja) * 2018-10-16 2021-06-16 アイダエンジニアリング株式会社 プレス機械及びプレス機械の異常監視方法
JP6787971B2 (ja) * 2018-10-25 2020-11-18 ファナック株式会社 状態判定装置及び状態判定方法
EP3661041B1 (de) * 2018-11-27 2021-09-15 Siemens Energy Global GmbH & Co. KG Verfahren zur überwachung eines transformators
JP6933630B2 (ja) * 2018-12-06 2021-09-08 ファナック株式会社 処理時間監視装置
JP7119978B2 (ja) * 2018-12-20 2022-08-17 オムロン株式会社 制御装置およびプログラム
JP6975188B2 (ja) 2019-02-07 2021-12-01 ファナック株式会社 状態判定装置及び状態判定方法
US11621966B1 (en) * 2019-02-15 2023-04-04 DataVisor, Inc. Detection of malicious user accounts of an online service using feature analysis
KR102408756B1 (ko) * 2019-03-18 2022-06-15 미쓰비시덴키 가부시키가이샤 이상 검지 장치 및 이상 검지 방법
IT201900004617A1 (it) * 2019-03-27 2020-09-27 Milano Politecnico Apparato di monitoraggio per identificazione di anomalie e percorsi di degrado in una macchina utensile
JP7421391B2 (ja) * 2019-07-05 2024-01-24 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 学習方法、および、プログラム
JP7483341B2 (ja) * 2019-09-26 2024-05-15 キヤノン株式会社 情報処理方法、情報処理装置、機械設備、物品の製造方法、プログラム、記録媒体
JP7493930B2 (ja) * 2019-12-10 2024-06-03 キヤノン株式会社 情報処理方法、情報処理装置、生産システム、プログラム、記録媒体
CN115053195A (zh) * 2020-02-07 2022-09-13 发那科株式会社 诊断装置
TWI749742B (zh) * 2020-08-31 2021-12-11 國立虎尾科技大學 工具機主軸診斷方法
JP7504398B2 (ja) * 2020-10-16 2024-06-24 オムロン株式会社 軌道生成装置、軌道生成方法、及び軌道生成プログラム
JP7359174B2 (ja) 2021-03-01 2023-10-11 横河電機株式会社 測定データ記録装置、生成装置、システム、装置、方法およびプログラム
JPWO2022210499A1 (ja) 2021-04-02 2022-10-06
TWI805041B (zh) * 2021-10-22 2023-06-11 智影顧問股份有限公司 機台異常標註與異常預測系統
US12101231B1 (en) * 2023-06-12 2024-09-24 Fortinet, Inc. Systems and methods for automated incident management

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06332528A (ja) * 1993-05-26 1994-12-02 Matsushita Electric Works Ltd 故障診断方法
US7539549B1 (en) 1999-09-28 2009-05-26 Rockwell Automation Technologies, Inc. Motorized system integrated control and diagnostics using vibration, pressure, temperature, speed, and/or current analysis
JP3780508B2 (ja) * 2002-03-22 2006-05-31 株式会社ジェイテクト 工作機械の異常診断装置、異常診断方法及び異常診断プログラム
JP2007272545A (ja) 2006-03-31 2007-10-18 Brother Ind Ltd 数値制御装置及び数値制御装置による異常処理方法
CA2643219C (en) * 2007-12-21 2017-08-22 Knight, Inc. System, method and program product to screen for longitudinal-seam anomalies
WO2010082322A1 (ja) 2009-01-14 2010-07-22 株式会社日立製作所 装置異常監視方法及びシステム
WO2011082322A2 (en) 2009-12-30 2011-07-07 Intergraph Technologies Company A system and method for transmission of files within a secured network
JP2011145846A (ja) * 2010-01-14 2011-07-28 Hitachi Ltd 異常検知方法、異常検知システム、及び異常検知プログラム
JP2013011987A (ja) * 2011-06-28 2013-01-17 Toshiba Corp 異常状態検知装置及び異常状態検知方法
US8943361B2 (en) * 2012-07-03 2015-01-27 International Business Machines Corporation Geospatial optimization for resilient power management equipment
TWI641934B (zh) 2014-08-05 2018-11-21 聯華電子股份有限公司 虛擬量測系統與方法
KR101591193B1 (ko) * 2014-09-17 2016-02-02 엘에스산전 주식회사 Plc 로그 데이터를 이용한 이상 발생 예측 시스템
JP2016173782A (ja) * 2015-03-18 2016-09-29 エヌ・ティ・ティ・コミュニケーションズ株式会社 故障予測システム、故障予測方法、故障予測装置、学習装置、故障予測プログラム及び学習プログラム

Also Published As

Publication number Publication date
DE102017129227B4 (de) 2022-03-10
JP2018097616A (ja) 2018-06-21
CN108227633B (zh) 2019-12-20
US20180164781A1 (en) 2018-06-14
CN108227633A (zh) 2018-06-29
US11112768B2 (en) 2021-09-07
DE102017129227A1 (de) 2018-06-14

Similar Documents

Publication Publication Date Title
JP6386520B2 (ja) 数値制御装置及び機械学習装置
US10981315B2 (en) State determination device
US10996650B2 (en) Numerical control system
US7465417B2 (en) Parametric injection molding system and method
JP6346253B2 (ja) 工作機械及び機械学習装置
US20190294144A1 (en) Abnormality detection device
CN110196573B (zh) 异常因素确定装置
EP3525103A1 (en) Automation management system and method
JP2021015573A (ja) 異常判定装置及び異常判定システム
JP6702297B2 (ja) プロセスの異常状態診断方法および異常状態診断装置
JP2019146421A (ja) 故障予測装置及び機械学習装置
US10761063B2 (en) Apparatus and method for presuming abnormality occurrence for telescopic cover
US20200394092A1 (en) Diagnostic apparatus
CN111788042A (zh) 机器人的预见性分析
CN112987682B (zh) 控制方法、控制装置和机械设备
JP2020128013A (ja) 状態判定装置及び状態判定方法
JP2020128014A (ja) 状態判定装置及び状態判定方法
JPWO2020152741A1 (ja) 異常要因推定装置、異常要因推定方法、及びプログラム
JP2010015205A (ja) 半導体製造装置の異常診断システムおよび方法
JP2020064390A (ja) データ収集システム及びデータ収集方法
CN112599234A (zh) 诊断装置
CN112783935A (zh) 分析装置
WO2022131260A1 (ja) データ収集計画生成装置及びデータ収集計画生成方法
WO2022123877A1 (ja) 異常判定装置、異常判定モデル生成方法および異常判定方法
WO2023089773A9 (ja) 異常診断装置、異常診断システム、及び記憶媒体

Legal Events

Date Code Title Description
A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20180425

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20180711

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20180717

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20180809

R150 Certificate of patent or registration of utility model

Ref document number: 6386520

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150