JP6496274B2 - 寿命故障条件を学習する機械学習装置，故障予知装置，機械システムおよび機械学習方法 - Google Patents

寿命故障条件を学習する機械学習装置，故障予知装置，機械システムおよび機械学習方法 Download PDF

Info

Publication number
JP6496274B2
JP6496274B2 JP2016106428A JP2016106428A JP6496274B2 JP 6496274 B2 JP6496274 B2 JP 6496274B2 JP 2016106428 A JP2016106428 A JP 2016106428A JP 2016106428 A JP2016106428 A JP 2016106428A JP 6496274 B2 JP6496274 B2 JP 6496274B2
Authority
JP
Japan
Prior art keywords
machine learning
network
failure
output
life
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
JP2016106428A
Other languages
English (en)
Other versions
JP2017211930A (ja
Inventor
友磯 黒川
友磯 黒川
哲郎 松平
哲郎 松平
義清 田辺
義清 田辺
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 JP2016106428A priority Critical patent/JP6496274B2/ja
Priority to US15/598,312 priority patent/US20170344909A1/en
Priority to DE102017004823.1A priority patent/DE102017004823A1/de
Priority to CN201710379697.1A priority patent/CN107436595B/zh
Publication of JP2017211930A publication Critical patent/JP2017211930A/ja
Application granted granted Critical
Publication of JP6496274B2 publication Critical patent/JP6496274B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/008—Reliability or availability analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3006—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is distributed, e.g. networked systems, clusters, multiprocessor systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3051—Monitoring arrangements for monitoring the configuration of the computing system or of the computing system component, e.g. monitoring the presence of processing resources, peripherals, I/O links, software programs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3089—Monitoring arrangements determined by the means or processing involved in sensing the monitored data, e.g. interfaces, connectors, sensors, probes, agents
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning

Description

本発明は、寿命故障条件を学習する機械学習装置，故障予知装置，機械システムおよび機械学習方法に関する。
近年、例えば、数値制御装置(ＮＣ(Numerical Control)装置)，Ｃ(Computerized)ＮＣ装置，ロボットおよびプログラマブルロジックコントローラ(ＰＬＣ(Programmable Logic Controller)等の機器は、ネットワークに接続されている。また、ネットワークに接続される機器には、多くの電子部品が使用されている。そして、電子部品には寿命があり、この寿命が短く問題となる場合、定期的に機器(電子部品)を交換する必要がある。
従来、寿命を持つ電子部品の交換周期は、例えば、寿命試験による推定値や経験値等に基づいて決められている。しかし、電子部品の寿命は、実際には機器の稼働状況や使用条件等により大きく変化するため、例えば、交換前に故障してしまうことがある。
例えば、特許文献１は、機器の中で使用されている寿命部品の寿命特性データをインターネット経由でサンプリングして取得し、寿命解析ソフトで余寿命を計算し、交換時期を決定する部品寿命管理システムを開示しており、これにより、最適なタイミングで寿命部品の交換を促すことを可能としている。
特開２００３−１５７３３０号公報
上述したように、例えば、特許文献１によれば、最適なタイミングで寿命部品の交換を促すことができるようになっている。しかしながら、このような部品寿命管理システムでは、他社の機器等で使用している寿命部品が分からない場合、例えば、電子部品の寿命故障を管理することが困難となっている。
さらに、ネットワークに接続された機器の電子部品の寿命故障の有無または故障の度合いを取得し、最適なタイミングで寿命部品の交換を行うことは、難しいのが現状である。
本発明の目的は、上述した従来技術の課題に鑑み、ネットワークに接続された機器の電子部品の寿命故障の有無または故障の度合いを知ることができる機械学習装置，故障予知装置，機械システムおよび機械学習方法の提供にある。
本発明に係る第１実施形態によれば、ネットワークに接続された機器の電子部品の寿命故障に関連付けられる条件を学習する機械学習装置であって、前記ネットワークに接続された機器のハードウェア構成，製造情報，稼働状況，使用条件，および，周囲環境の状態を検出するセンサの出力の少なくとも１つに基づいて得られる状態変数を観測する状態観測部と、前記ネットワークに接続された機器の電子部品の寿命故障の有無または寿命故障の度合いを判定した判定データを取得する判定データ取得部と、前記状態観測部の出力および前記判定データ取得部の出力から作成される訓練データ，並びに，教師データに基づいて、前記ネットワークに接続された機器の電子部品の寿命故障に関連付けられる条件を学習する学習部と、を備える機械学習装置が提供される。
前記学習部は、前記訓練データと前記教師データの誤差を計算する誤差計算部と、前記状態観測部の出力，前記判定データ取得部の出力および前記誤差計算部の出力に基づいて、前記ネットワークに接続された機器の電子部品の寿命故障に関連付けられる条件の誤差を定める学習モデルを更新する学習モデル更新部と、を備えるのが好ましい。
前記機械学習装置は、フォグサーバ上に存在することができる。前記フォグサーバは、第１ネットワークを介して、複数の機器を含む少なくとも１つのセルを制御するのが好ましい。或いは、前記機械学習装置は、クラウドサーバ上に存在することができる。前記クラウドサーバは、第１ネットワークを介して複数の機器を含む少なくとも１つのセルが繋がれたフォグサーバの少なくとも１つを、第２ネットワークを介して制御するのが好ましい。
前記機械学習装置は、少なくとも１つの他の機械学習装置と接続可能であり、少なくとも１つの前記他の機械学習装置との間で機械学習の結果を相互に交換または共有することができる。前記機械学習装置は、ニューラルネットワークを備えるのが好ましい。
本発明に係る第２実施形態によれば、上述した第１実施形態による機械学習装置を含み、前記ネットワークに接続された機器の電子部品の寿命故障を予知する故障予知装置であって、前記機械学習装置の出力を受け取り、前記状態観測部により観測された現在の前記状態変数に基づいて、前記ネットワークに接続された機器の電子部品の寿命故障の有無または寿命故障の度合いを表す故障情報を出力する故障情報出力部を備える故障予知装置が提供される。前記故障情報出力部は、前記ネットワークに接続された機器の電子部品の故障予知の通知または保守情報の通知を出力するのが好ましい。
本発明に係る第３実施形態によれば、上述した第２実施形態による故障予知装置と、前記ネットワークに接続された機器と、を備える機械システムが提供される。
本発明に係る第４実施形態によれば、ネットワークに接続された機器の電子部品の寿命故障に関連付けられる条件を学習する機械学習方法であって、前記ネットワークに接続された機器のハードウェア構成，製造情報，稼働状況，使用条件，および，周囲環境の状態を検出するセンサの出力の少なくとも１つに基づいて得られる状態変数を観測し、前記ネットワークに接続された機器の電子部品の寿命故障の有無または寿命故障の度合いを判定した判定データを取得し、観測された前記状態変数および取得された前記判定データから作成される訓練データ，並びに，教師データに基づいて、前記ネットワークに接続された機器の電子部品の寿命故障に関連付けられる条件を学習する機械学習方法が提供される。
前記ネットワークに接続された機器の電子部品の寿命故障に関連付けられる条件を学習するのは、前記訓練データと前記教師データの誤差を計算し、観測された前記状態変数，取得された前記判定データ，および，計算された前記誤差に基づいて、前記ネットワークに接続された機器の電子部品の寿命故障に関連付けられる条件の誤差を定める学習モデルを更新するのが好ましい。学習された前記ネットワークに接続された機器の電子部品の寿命故障に関連付けられる条件を、少なくとも２つの機械学習装置間で相互に交換または共有することができる。さらに、機械学習方法は、学習された前記ネットワークに接続された機器の電子部品の寿命故障に関連付けられる条件に基づいて、前記ネットワークに接続された機器の電子部品の故障予知の通知または保守情報の通知を出力することができる。
本発明に係る機械学習装置，故障予知装置，機械システムおよび機械学習方法によれば、ネットワークに接続された機器の電子部品の寿命故障の有無または故障の度合いを知ることができるという効果を奏する。
図１は、本発明に係る機械学習装置の一実施形態を示すブロック図である。 図２は、図１に示す機械学習装置を適用した故障予知装置の一例を示すブロック図である。 図３は、本発明に係る機械学習装置が適用されるネットワークの一例を示すブロック図である。
以下、本発明に係る機械学習装置，故障予知装置，機械システムおよび機械学習方法の実施形態を、添付図面を参照して詳述する。図１は、本発明に係る機械学習装置の一実施形態を示すブロック図である。ここで、図１に示す機械学習装置１は、教師あり学習を適用したものであり、後述するように、ネットワーク(５，７)に接続された機器(２ａ〜２ｃ，２１〜２３)の電子部品の寿命故障に関連付けられる条件を学習する。
なお、教師あり学習とは、教師データ、すなわち、ある入力と結果(ラベル)のデータの組を大量に機械学習装置に与えることで、それらのデータセットにある特徴を学習し、入力から結果を推定するモデル(学習モデル)、すなわち、その関係性を帰納的に獲得するものである。
すなわち、図１に示されるように、機械学習装置１は、状態観測部１１、判定データ取得部１２、および、学習部１３を備える。状態観測部１１には、入力データＤｉが入力され、また、判定データ取得部１２は、ネットワークに接続された機器の電子部品の寿命故障の有無または寿命故障の度合いを判定した判定データＤｄを取得する。ここで、入力データＤｉには、例えば、ネットワークに接続された機器のハードウェア構成，製造情報，稼働状況，使用条件，および，周囲環境の状態を検出するセンサの出力の少なくとも１つが含まれる。また、判定データＤｄには、例えば、ネットワークに接続された機器の電子部品の寿命故障の有無または寿命故障の度合いを判定したデータが含まれる。
学習部１３は、状態観測部１１の出力および判定データ取得部１２の出力を受け取って、訓練データ(『内部データ』とも称する：学習部１３の内部において、状態観測部の出力および判定データ取得部の出力から作成される内部データ)を作成し、その訓練データと外部から入力される教師データＤｔに基づいて、ネットワークに接続された機器の電子部品(以下、単に、電子部品とも称する)の寿命故障に関連付けられる条件を学習する。すなわち、図１に示されるように、学習部１３は、誤差計算部１３１および学習モデル更新部１３２を含み、誤差計算部１３１は、訓練データ(内部データ)と教師データＤｔの誤差を計算する。学習モデル更新部１３２は、状態観測部１１の出力，判定データ取得部１２の出力および誤差計算部１３１の出力を受け取って、電子部品の寿命故障に関連付けられる条件の誤差を定める学習モデルを更新する。
ここで、機械学習装置１は、例えば、ニューラルネットワーク等のアルゴリズムを用いて実現することが可能である。また、機械学習装置１は、汎用の計算機若しくはプロセッサを用いることもできるが、例えば、ＧＰＧＰＵ(General-Purpose computing on Graphics Processing Units)や大規模ＰＣクラスター等を適用すると、より高速な処理を実現することができる。
なお、教師データとしては、例えば、同一の機器(或いは、機械システム)等により同じ作業を行わせる場合、実際に作業を行わせる所定日の前日までに得られたラベル付きデータを保持し、その所定日に、教師データとして誤差計算部１３１に提供することができる。或いは、例えば、機械システムの外部で行われたシミュレーション等により得られたデータ、または、他の機械システム(機器)のラベル付きデータを、メモリカードや通信回線により、その機械学習装置１の誤差計算部１３１に教師データとして提供することも可能である。さらに、教師データ(ラベル付きデータ)を、例えば、学習部１３に内蔵したフラッシュメモリ(Flash Memory)等の不揮発性メモリに保持し、その不揮発性メモリに保持されたラベル付きデータを、そのまま学習部１３で使用することもできる。
図２は、図１に示す機械学習装置を適用した故障予知装置の一例を示すブロック図であり、図３は、本発明に係る機械学習装置が適用されるネットワークの一例を示すブロック図である。図２に示されるように、故障予知装置１０は、ネットワーク５，７に接続された機器(２ａ，２ｂ，２ｃ，…の電子部品の寿命故障を予知するもので、機械学習装置１および故障情報出力部(通知部)３を含む。ここで、図３に示されるように、機械学習装置１(故障予知装置１０)は、例えば、クラウドサーバ４，それぞれのフォグサーバ６１〜６ｎ，または，フォグサーバ６１〜６ｎのいずれか１つに設けることができる。また、機械学習装置１は、それぞれの機器(端末，エッジ)２１，２２，２３，…に設け、分散学習を行わせることも可能である。
図３において、１つのセル(例えば、産業機械セル)２０には、複数の機器(例えば、ＮＣ装置や産業用ロボット等の産業機械)２１，２２，２３，…が含まれ、これら複数の機器２１，２２，２３，…は、ネットワーク７を介してフォグサーバ６１に繋がれている。なお、セル２０は、例えば、１つの工場に複数設けられ、また、機械システムは、例えば、複数のセルを含んで構成されるが、これは、様々な変形および変更が可能なのはいうまでもない。
ここで、機械学習装置１(１ａ，１ｂ，１ｃ，…)は、例えば、それぞれのフォグサーバ６１〜６ｎ上に設けられ、ネットワーク５を介して、それぞれの機械学習装置１ａ，１ｂ，１ｃ，…による学習結果を、相互に交換または共有することができる。このように、複数の機械学習装置１ａ，１ｂ，１ｃ，…による学習結果を相互に交換または共有することで、学習効果を向上させることが可能になる。
なお、ネットワーク７には、複数の機器２１，２２，２３，…を含むセル２０が、複数繋がれるように構成してもよく、また、ネットワークは、５および７の二層に限定されず、三層以上のネットワークとして構成してもよい。なお、本発明に係る機械システムは、図２に示す故障予知装置１０と、図３に示すネットワーク７(５)に接続された機器２１，２２，２３，…(２ａ，２ｂ，２ｃ，…)を含んで構成される。
図２に示されるように、状態観測部１１が観測する入力データＤｉには、例えば、ネットワーク(５，７)に接続された機器２ａ，２ｂ，２ｃ，…(２１，２２，２３，…)のハードウェア構成，製造情報，稼働状況および使用条件、並びに、ネットワークに接続された機器２ａ，２ｂ，２ｃ，…における周囲環境の状態を検出するセンサ(２１ａ，２２ａ，２３ａ，…)の出力の少なくとも１つが含まれる。なお、入力データＤｉは、状態観測部１１(機械学習装置１)が、ネットワークを介して取得することもできるが、例えば、オペレータ(ＯＰ)が機械学習装置１に対して直接通知してもよい。
ここで、「ハードウェア構成」は、装置(機器)の構成を意味し、例えば、ＣＮＣ装置等では、多数の装置を組み合わせて１つの装置となる。また、「製造情報」は、製造年月日を意味し、「稼働状況」は、装置に電源が入っている時間、または、信号がオン(活性化)している時間を意味する。さらに、「使用条件」は、寿命部品の使用電圧および使用電流を意味する。なお、「周囲環境の状態を検出するセンサの出力」は、例えば、図３におけるセル２０に含まれる複数の機器２１，２２，２３，…に設けられた(或いは、周囲に設けられた) センサ２１ａ，２２ａ，２３ａ，…の出力を意味する。また、センサ２１ａ，２２ａ，２３ａ，…としては、例えば、温度センサ，湿度センサまたは振動センサといった様々なセンサを適用することができる。
また、ネットワーク５，７に接続された機器２１，２２，２３，…(２ａ，２ｂ，２ｃ，…)としては、例えば、ＮＣ装置(ＣＮＣ装置)，ロボット(産業用ロボット)，プログラマブルロジックコントローラ(ＰＬＣ)，入出力(Ｉ／Ｏ：Input/Output)モジュールおよび負荷装置といった様々なものが含まれる。なお、状態観測部１１が観測する入力データＤｉとしては、ネットワーク５，７に接続された機器２１，２２，２３，…のハードウェア構成，製造情報，稼働状況，使用条件、および、ネットワーク５，７に接続された機器２１，２２，２３，…の周囲環境の状態を検出するセンサ２１ａ，２２ａ，２３ａ，…の出力の全てを含んでもよい。
図２に示されるように、判定データ取得部１２が取得する判定データＤｄには、ネットワークに接続された機器２ａ，２ｂ，２ｃ，…の電子部品の寿命故障の有無または寿命故障の度合いを表す故障情報が含まれる。この判定データＤｄは、例えば、ネットワークに接続された機器２ａ，２ｂ，２ｃ，…のサービス(アラーム発生時または定期点検時等)ＳＲにより得ることができる。
また、図２に示されるように、故障予知装置１０において、故障情報出力部３は、機械学習装置１(学習部１３)の出力を受け取り、状態観測部１１により観測された現在の状態変数に基づいて、ネットワークに接続された機器２ａ，２ｂ，２ｃ，…の電子部品の寿命故障の有無または寿命故障の度合いを表す故障情報を、出力データＤｏとしてオペレータ(エンドユーザ)ＯＰに出力する。すなわち、故障情報出力部３(故障予知装置１０)は、機械学習装置１によるネットワークに接続された機器の電子部品の寿命故障に関連付けられる条件の学習結果に基づき、オペレータＯＰに対して、ネットワークに接続された機器２ａ，２ｂ，２ｃ，…の電子部品の故障予知の通知または保守情報の通知を出力する。これにより、オペレータＯＰは、ネットワークに接続された機器の電子部品の故障予知や保守情報を認識して、故障が発生する前に、その電子部品の交換や保守を行うことが可能になる。
以下、図２および図３を参照して、機械学習装置１(故障予知装置１０)がセルコントローラ(例えば、フォグサーバ６１)内に実装される場合を説明する。まず、セルコントローラ(機械学習装置１)とＮＣ装置等の機器２１，２２，２３，…(２ａ，２ｂ，２ｃ，…)はネットワーク７によって接続されている。機械学習装置１(フォグサーバ６１)は、ネットワーク７を介して、機器２１，２２，２３，…のハードウェア構成，製造情報，稼働状況および使用条件、並びに、機器２１，２２，２３，…の周囲環境の状態(機器２１，２２，２３，…に設けたセンサ２１ａ，２２ａ，２３ａ，…の出力)といった入力データＤｉを、状態観測部１１により観測する。ここで、例えば、機器のハードウェア構成，製造情報，稼働状況，使用条件は、オペレータ(ＯＰ)がセルコントローラ(機械学習装置１)に対して直接通知してもよい。
次に、ネットワーク７に接続された機器２１，２２，２３，…のアラーム発生時や定期点検時において、機器２１，２２，２３，…の部品の寿命故障の有無、または、寿命故障の度合いを判定データＤｄとしてセルコントローラ(機械学習装置１，判定データ取得部１２)に通知する。ここで、機械学習装置１(学習部１３)は、寿命故障が有った場合または寿命故障が進んでいた場合、その時の状態変数と判定データに基づいて訓練データを作成し、その訓練データおよび教師データＤｔに基づいて、ネットワーク７に接続された機器２１，２２，２３，…の部品の寿命故障に関連付けられる条件を学習する。これにより、現在の状態変数を観測することで、現在の機器の寿命故障の有無または故障の度合いを知ることが可能となる。
以上、実施形態を説明したが、ここに記載したすべての例や条件は、発明および技術に適用する発明の概念の理解を助ける目的で記載されたものであり、特に記載された例や条件は発明の範囲を制限することを意図するものではない。また、明細書のそのような記載は、発明の利点および欠点を示すものでもない。発明の実施形態を詳細に記載したが、各種の変更、置き換え、変形が発明の精神および範囲を逸脱することなく行えることが理解されるべきである。
１，１ａ〜１ｃ 機械学習装置
２ａ〜２ｃ，２１〜２３ 機器
３ 故障情報出力部
４ クラウドサーバ
５ ネットワーク(第２ネットワーク)
７ ネットワーク(第１ネットワーク)
１１ 状態観測部
１２ 判定データ取得部
１３ 学習部
２０ セル
６１〜６ｎ フォグサーバ
１３１ 誤差計算部
１３２ 学習モデル更新部

Claims (13)

  1. ネットワークに接続された機器の電子部品の寿命故障に関連付けられる条件を学習する機械学習装置であって、
    前記ネットワークに接続された機器のハードウェア構成，製造情報，稼働状況，使用条件，および，周囲環境の状態を検出するセンサの出力の少なくとも１つに基づいて得られる状態変数を観測する状態観測部と、
    前記ネットワークに接続された機器の電子部品の寿命故障の有無または寿命故障の度合いを判定した判定データを取得する判定データ取得部と、
    前記状態観測部の出力および前記判定データ取得部の出力から作成される内部データ，並びに，教師データに基づいて、前記ネットワークに接続された機器の電子部品の寿命故障に関連付けられる条件を学習する学習部と、を備え、
    前記学習部は、
    前記内部データと前記教師データの誤差を計算する誤差計算部と、
    前記状態観測部の出力，前記判定データ取得部の出力および前記誤差計算部の出力に基づいて、前記ネットワークに接続された機器の電子部品の寿命故障に関連付けられる条件の誤差を定める学習モデルを更新する学習モデル更新部と、を備える、
    ことを特徴とする機械学習装置。
  2. 前記機械学習装置は、フォグサーバ上に存在する、
    ことを特徴とする請求項１に記載の機械学習装置。
  3. 前記フォグサーバは、第１ネットワークを介して、複数の機器を含む少なくとも１つのセルを制御する、
    ことを特徴とする請求項２に記載の機械学習装置。
  4. 前記機械学習装置は、クラウドサーバ上に存在する、
    ことを特徴とする請求項１に記載の機械学習装置。
  5. 前記クラウドサーバは、第１ネットワークを介して複数の機器を含む少なくとも１つのセルが繋がれたフォグサーバの少なくとも１つを、第２ネットワークを介して制御する、
    ことを特徴とする請求項４に記載の機械学習装置。
  6. 前記機械学習装置は、少なくとも１つの他の機械学習装置と接続可能であり、少なくとも１つの前記他の機械学習装置との間で機械学習の結果を相互に交換または共有する、
    ことを特徴とする請求項１乃至請求項５のいずれか１項に記載の機械学習装置。
  7. 前記機械学習装置は、ニューラルネットワークを備える、
    ことを特徴とする請求項１乃至請求項６のいずれか１項に記載の機械学習装置。
  8. 請求項１乃至請求項７のいずれか１項に記載の機械学習装置を含み、前記ネットワークに接続された機器の電子部品の寿命故障を予知する故障予知装置であって、
    前記機械学習装置の出力を受け取り、前記状態観測部により観測された現在の前記状態変数に基づいて、前記ネットワークに接続された機器の電子部品の寿命故障の有無または寿命故障の度合いを表す故障情報を出力する故障情報出力部を備える、
    ことを特徴とする故障予知装置。
  9. 前記故障情報出力部は、前記ネットワークに接続された機器の電子部品の故障予知の通知または保守情報の通知を出力する、
    ことを特徴とする請求項８に記載の故障予知装置。
  10. 請求項８または請求項９に記載の故障予知装置と、
    前記ネットワークに接続された機器と、を備える、
    ことを特徴とする機械システム。
  11. ネットワークに接続された機器の電子部品の寿命故障に関連付けられる条件を学習する機械学習方法であって、
    前記ネットワークに接続された機器のハードウェア構成，製造情報，稼働状況，使用条件，および，周囲環境の状態を検出するセンサの出力の少なくとも１つに基づいて得られる状態変数を観測し、
    前記ネットワークに接続された機器の電子部品の寿命故障の有無または寿命故障の度合いを判定した判定データを取得し、
    観測された前記状態変数および取得された前記判定データから作成される内部データ，並びに，教師データに基づいて、前記ネットワークに接続された機器の電子部品の寿命故障に関連付けられる条件を学習し、
    前記ネットワークに接続された機器の電子部品の寿命故障に関連付けられる条件を学習するのは、
    前記内部データと前記教師データの誤差を計算し、
    観測された前記状態変数，取得された前記判定データ，および，計算された前記誤差に基づいて、前記ネットワークに接続された機器の電子部品の寿命故障に関連付けられる条件の誤差を定める学習モデルを更新する、
    ことを特徴とする機械学習方法。
  12. 学習された前記ネットワークに接続された機器の電子部品の寿命故障に関連付けられる条件を、少なくとも２つの機械学習装置間で相互に交換または共有する、
    ことを特徴とする請求項１１に記載の機械学習方法。
  13. さらに、
    学習された前記ネットワークに接続された機器の電子部品の寿命故障に関連付けられる条件に基づいて、前記ネットワークに接続された機器の電子部品の故障予知の通知または保守情報の通知を出力する、
    ことを特徴とする請求項１１または請求項１２に記載の機械学習方法。
JP2016106428A 2016-05-27 2016-05-27 寿命故障条件を学習する機械学習装置，故障予知装置，機械システムおよび機械学習方法 Active JP6496274B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2016106428A JP6496274B2 (ja) 2016-05-27 2016-05-27 寿命故障条件を学習する機械学習装置，故障予知装置，機械システムおよび機械学習方法
US15/598,312 US20170344909A1 (en) 2016-05-27 2017-05-18 Machine learning device, failure prediction device, machine system and machine learning method for learning end-of-life failure condition
DE102017004823.1A DE102017004823A1 (de) 2016-05-27 2017-05-19 Maschinelle lernvorrichtung, fehlervorhersagevorrichtung, maschinensystem und maschinelles lernverfahren zum lernen einer lebensdauerende-fehlerbedingung
CN201710379697.1A CN107436595B (zh) 2016-05-27 2017-05-25 机械学习装置、故障预测装置、机械系统及机械学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2016106428A JP6496274B2 (ja) 2016-05-27 2016-05-27 寿命故障条件を学習する機械学習装置，故障予知装置，機械システムおよび機械学習方法

Publications (2)

Publication Number Publication Date
JP2017211930A JP2017211930A (ja) 2017-11-30
JP6496274B2 true JP6496274B2 (ja) 2019-04-03

Family

ID=60269408

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016106428A Active JP6496274B2 (ja) 2016-05-27 2016-05-27 寿命故障条件を学習する機械学習装置，故障予知装置，機械システムおよび機械学習方法

Country Status (4)

Country Link
US (1) US20170344909A1 (ja)
JP (1) JP6496274B2 (ja)
CN (1) CN107436595B (ja)
DE (1) DE102017004823A1 (ja)

Families Citing this family (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10838950B2 (en) * 2017-04-29 2020-11-17 Cisco Technology, Inc. Dynamic review cadence for intellectual capital
JP6907689B2 (ja) * 2017-05-15 2021-07-21 富士通株式会社 不具合検索プログラム、不具合検索方法及び不具合検索装置
EP3451246A1 (en) * 2017-08-28 2019-03-06 Hewlett-Packard Enterprise Development LP Eol notification generation
KR101966557B1 (ko) * 2017-12-08 2019-04-05 세종대학교산학협력단 빅데이터와 머신러닝을 이용한 수리부속수요 예측 시스템 및 방법
KR101966558B1 (ko) * 2017-12-08 2019-04-05 세종대학교산학협력단 장비 재고상태 및 수리부속 조달 요구를 시각화하는 시스템 및 방법
CN107942929B (zh) * 2017-12-13 2020-08-28 深圳普菲特信息科技股份有限公司 基于神经网络计算技术的数控车床的控制方法
JP6680809B2 (ja) 2018-01-09 2020-04-15 ファナック株式会社 ファイバレーザ装置及び機械学習装置
US10695911B2 (en) * 2018-01-12 2020-06-30 Futurewei Technologies, Inc. Robot navigation and object tracking
JP6892400B2 (ja) * 2018-01-30 2021-06-23 ファナック株式会社 レーザ装置の故障発生メカニズムを学習する機械学習装置
DE102019102250A1 (de) * 2018-02-06 2019-08-08 Fanuc Corporation Vorhersagen der Abnutzung des Polierwerkzeugs, Maschinenlernvorrichtung und System
JP6965798B2 (ja) 2018-03-12 2021-11-10 オムロン株式会社 制御システムおよび制御方法
JP7460545B2 (ja) 2018-03-28 2024-04-02 エルアンドティー テクノロジー サービシズ リミテッド 電気機械的マシンの調子を監視して故障を予測するシステム及び方法
JP2019185125A (ja) * 2018-04-02 2019-10-24 ファナック株式会社 制御装置及び機械学習装置
JP7042152B2 (ja) * 2018-04-18 2022-03-25 Ｉｈｉ運搬機械株式会社 機器交換時期提案方法及び装置
JP6825607B2 (ja) * 2018-07-05 2021-02-03 ダイキン工業株式会社 部品提示システム
DE112018007741B4 (de) * 2018-07-11 2024-02-01 Mitsubishi Electric Corporation Maschinenlernvorrichtung und vorrichtung zur erzeugung vonprogrammen für eine numerisch gesteuerte bearbeitung
DE112019004198T5 (de) * 2018-08-20 2021-06-02 Skf Ai, Ltd. Bereitstellen von Lösungsvorschlägen zur Behebung eines Industriemaschinenausfalls
JP2020057165A (ja) * 2018-10-01 2020-04-09 株式会社椿本チエイン 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル
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
JP7357450B2 (ja) * 2019-02-28 2023-10-06 コマツ産機株式会社 学習データを収集するためのシステム、及び方法
US20220137013A1 (en) * 2019-02-28 2022-05-05 Shimadzu Corporation Component management system for analysis device and component management program
US20220092523A1 (en) * 2019-03-22 2022-03-24 Nec Corporation Inventory management server, inventory management system, inventory management method, and recording medium
CN112052642A (zh) * 2019-05-20 2020-12-08 台湾积体电路制造股份有限公司 用于机器学习的esl建模的系统和方法
US20210096547A1 (en) * 2019-09-28 2021-04-01 Honeywell International, Inc. Real-time operation of an industrial facility using a machine learning based self-adaptive system
CN111814991A (zh) * 2020-02-22 2020-10-23 中国原子能科学研究院 一种基于人工智能的医用回旋加速器远程故障诊断系统
US11537459B2 (en) * 2020-03-27 2022-12-27 EMC IP Holding Company LLC Automatically predicting device failure using machine learning techniques
CN111413952B (zh) * 2020-04-07 2021-05-07 北京金山安全软件有限公司 机器人故障检测方法、装置、电子设备及可读存储介质
US11879943B1 (en) * 2021-05-31 2024-01-23 Keysight Technologies, Inc. Method and apparatus for predicting failure of a component
CN113465920B (zh) * 2021-06-08 2022-04-22 西安交通大学 云、雾、边缘端协同的轴承状态监测与管理方法及系统
US11892903B2 (en) 2021-12-17 2024-02-06 Bank Of America Corporation System and method for continuous failure prediction and remediation within a computational environment using independent execution units
US11782780B2 (en) 2021-12-17 2023-10-10 Bank Of America Corporation Automatic remediation of failures within a computational environment using independent execution units

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5406502A (en) * 1993-06-29 1995-04-11 Elbit Ltd. System and method for measuring the operation of a device
US5629870A (en) * 1994-05-31 1997-05-13 Siemens Energy & Automation, Inc. Method and apparatus for predicting electric induction machine failure during operation
JPH09179458A (ja) * 1995-12-25 1997-07-11 Minolta Co Ltd 画像形成装置
JPH11261814A (ja) * 1998-03-13 1999-09-24 Matsushita Electric Ind Co Ltd 画像属性判別システム
JP2003157330A (ja) 2001-11-22 2003-05-30 Mitsubishi Electric Corp 部品寿命管理システム
JP2005044330A (ja) * 2003-07-24 2005-02-17 Univ Of California San Diego 弱仮説生成装置及び方法、学習装置及び方法、検出装置及び方法、表情学習装置及び方法、表情認識装置及び方法、並びにロボット装置
US7023647B2 (en) * 2003-11-17 2006-04-04 Texas Instruments Incorporated Fly height control for a read/write head in a hard disk drive
US8316263B1 (en) * 2004-11-08 2012-11-20 Western Digital Technologies, Inc. Predicting disk drive failure at a central processing facility using an evolving disk drive failure prediction algorithm
US8437904B2 (en) * 2007-06-12 2013-05-07 The Boeing Company Systems and methods for health monitoring of complex systems
WO2010011918A2 (en) * 2008-07-24 2010-01-28 University Of Cincinnati Methods for prognosing mechanical systems
US8521443B2 (en) * 2008-10-16 2013-08-27 Oxfordian Method to extract parameters from in-situ monitored signals for prognostics
JP5214656B2 (ja) * 2010-03-29 2013-06-19 株式会社東芝 評価装置および評価プログラム
WO2013180727A1 (en) * 2012-05-31 2013-12-05 University Of Connecticut A method and a system for testing operational integrity of a drilling rig
CN103676802A (zh) * 2012-09-14 2014-03-26 江苏晨光盛得液压设备有限公司 液压启闭机工作状态统计分析学习系统
US8854929B1 (en) * 2013-03-06 2014-10-07 Western Digital Technologies, Inc. Disk drive calibrating laser power and write current for heat assisted magnetic recording
JP6214922B2 (ja) * 2013-05-20 2017-10-18 日本電信電話株式会社 情報処理装置、情報処理システム、情報処理方法、および学習プログラム
JP6307822B2 (ja) * 2013-09-19 2018-04-11 富士通株式会社 プログラム、コンピュータおよび訓練データ作成支援方法
US9229796B1 (en) * 2013-09-25 2016-01-05 Emc Corporation System and method for determining disk failure indicator to predict future disk failures
JP6459180B2 (ja) * 2014-02-10 2019-01-30 富士ゼロックス株式会社 障害予測システム、障害予測装置、ジョブ実行装置およびプログラム

Also Published As

Publication number Publication date
CN107436595B (zh) 2020-01-21
DE102017004823A1 (de) 2017-11-30
US20170344909A1 (en) 2017-11-30
JP2017211930A (ja) 2017-11-30
CN107436595A (zh) 2017-12-05

Similar Documents

Publication Publication Date Title
JP6496274B2 (ja) 寿命故障条件を学習する機械学習装置，故障予知装置，機械システムおよび機械学習方法
CN108228371B (zh) 机器学习装置和方法、寿命预测装置、数值控制装置
JP7320368B2 (ja) 故障予測装置、故障予測方法およびコンピュータプログラム
RU2724716C1 (ru) Система и способ формирования данных для мониторинга кибер-физической системы с целью раннего определения аномалий в системе графического интерфейса пользователя
JP2019008675A (ja) 故障予測装置及び機械学習装置
RU2724075C1 (ru) Система и способ определения источника аномалии в кибер-физической системе, обладающей определенными характеристиками
JP2017120649A (ja) 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
JP2017120649A5 (ja)
US9141915B2 (en) Method and apparatus for deriving diagnostic data about a technical system
KR102480354B1 (ko) 기계의 잔여 사용 수명을 예측하기 위한 어셈블리 및 방법
CN111542791B (zh) 使用设施诊断系统的设施诊断方法
WO2019003404A1 (ja) 非定常検出装置、非定常検出システム、および非定常検出方法
JP2018063528A (ja) 対象物の出荷時検査情報と稼働時アラーム情報の相関関係を学習する機械学習装置および機械学習方法
JP2013140587A (ja) 制御システム冗長性のための方法およびシステム
Villalonga et al. Visual analytics framework for condition monitoring in cyber-physical systems
US11803178B2 (en) Event estimation system and event estimation method
CN107450980B (zh) 运行自动化装置的方法以及自动化装置
EP3206101B1 (en) Test device for monitoring control device
WO2021199383A1 (ja) 機械学習システム
EP3674828B1 (en) System and method of generating data for monitoring of a cyber-physical system for early determination of anomalies
Kohl et al. Intelligent energy profiling for decentralized fault diagnosis of automated production systems
WO2019222152A1 (en) Online fault localization in industrial processes without utilizing a dynamic system model
RU2749252C1 (ru) Способ определения источников аномалии в кибер-физической системе
US11237550B2 (en) Ultrasonic flow meter prognostics with near real-time condition based uncertainty analysis
JP2023100544A (ja) 異常診断装置、異常診断方法、および異常診断モデル生成方法

Legal Events

Date Code Title Description
A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20180629

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20180807

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180918

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: 20190212

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20190308

R150 Certificate of patent or registration of utility model

Ref document number: 6496274

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150