JP6542738B2 - 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 - Google Patents

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 Download PDF

Info

Publication number
JP6542738B2
JP6542738B2 JP2016200840A JP2016200840A JP6542738B2 JP 6542738 B2 JP6542738 B2 JP 6542738B2 JP 2016200840 A JP2016200840 A JP 2016200840A JP 2016200840 A JP2016200840 A JP 2016200840A JP 6542738 B2 JP6542738 B2 JP 6542738B2
Authority
JP
Japan
Prior art keywords
alarm
machine learning
information
motor
inspection
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
JP2016200840A
Other languages
English (en)
Other versions
JP2018063528A (ja
Inventor
山口　晃
晃 山口
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 JP2016200840A priority Critical patent/JP6542738B2/ja
Priority to US15/725,437 priority patent/US11436693B2/en
Priority to DE102017009273.7A priority patent/DE102017009273A1/de
Priority to CN201710934296.8A priority patent/CN107944563B/zh
Publication of JP2018063528A publication Critical patent/JP2018063528A/ja
Application granted granted Critical
Publication of JP6542738B2 publication Critical patent/JP6542738B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B19/00—Alarms responsive to two or more different undesired or abnormal conditions, e.g. burglary and fire, abnormal temperature and abnormal rate of flow

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Computational Linguistics (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Control Of Electric Motors In General (AREA)
  • General Factory Administration (AREA)
  • Manufacture Of Motors, Generators (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Description

本発明は、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に関する。
従来、例えば、ＣＮＣ(Computer Numerical Control)装置により制御される工作機械およびロボットを始めとする様々な電動機械器具には、電動機(モータ：対象物)が使用されている。このようなモータは、通常、工作機械やロボット等の製品を出荷するときに出荷検査が行われ、その後、ユーザに引き渡される。これは、モータを使用した製品だけでなく、例えば、モータ自体の出荷時にも出荷検査が行われ、その後、ユーザに引き渡される。なお、本明細書では、モータまたはモータを使用した製品を出荷時に検査した情報を出荷時検査情報と称する。
また、ユーザに引き渡された後、工作機械やロボット等の製品(モータ)は、例えば、実際の現場(フィールド)において使用(稼働)されることになるが、その工作機械等を稼働している最中にアラームが発せられることがある。この稼働中に発せられるアラームには、例えば、モータの絶縁不良やサーボアンプの故障等に基づく電気的な不具合、或いは、ベアリング不良や金属疲労等に基づく機械的(構造的)な不具合といった様々な要因が含まれている。なお、本明細書において、モータまたはモータを使用した製品を稼働している間に発せられたアラームの情報を稼働時アラーム情報と称する。
さらに、本明細書において、機械学習を行って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対象物は、主として、モータ(モータを使用した製品)を例として説明するが、この対象物は、モータに限定されるものではなく、例えば、モータをサーボ駆動するサーボアンプを始めとして、出荷時検査情報と稼働時アラーム情報が取得可能な様々なものであってもよい。
従来、上述したような対象物(モータ)の出荷時検査情報と稼働時アラーム情報の相関関係については、あまり注目されておらず、また、たとえモータの出荷時検査情報と稼働時アラーム情報に相関関係があっても、人が、その相関関係を分析(整理)するには、多大な労力を要することになる。また、例えば、個々のモータ(様々な電動機械器具で使用されるモータを含む)の使用条件(例えば、周囲の温度や湿度，稼働時間，使用時の負荷の大きさ等)は、実際に使用される現場により大きく異なるため、人が、その実際の使用条件を把握して、モータの出荷時検査情報と稼働時アラーム情報の相関関係を解き明かすのは、困難である。
ところで、従来、小型モータ等の被検体の振動もしくは被検体から発せられた音に基づいて、被検体の異常の有無を検査する検査装置が提案されている(例えば、特許文献１参照)。この検査装置は、センサにより被検体の振動もしくは被検体から発せられた音を検出して包絡線検波およびフーリエ変換を行い、演算部により被検体の異常の有無の確信度を求めるとともに、ニューラルネットワークにフーリエ変換信号の特徴を表わす特徴ベクトル信号を入力して被検体の異常の有無の確信度を求め、演算部およびニューラルネットワーク双方で求められた確信度に基づくファジィ演算を行って、被検体の異常の有無を判定するといったものである。
また、従来、機械学習システムを用いて、半導体ウェハ上に形成された構造の光学測定を行う技術も提案されている(例えば、特許文献２参照)。すなわち、半導体ウェハ上に形成される構造を検査する方法は、測定装置を用いて測定される第１の回折信号を取得し、機械学習システムを用いて生成される第２の回折信号を取得するために構造のプロファイルを特徴付ける１以上のパラメータを入力として受け取る。そして、第１の回折信号と第２の回折信号を比較し、第１の回折信号と第２の回折信号が一致基準の範囲内で一致する場合、第２の回折信号を生成するために機械学習システムによって用いられたプロファイルまたは１以上のパラメータに基づいて構造の形状を求めるといったものである。
さらに、従来、被検物を撮像した画像を処理して、効率良く高精度に欠陥を分類できる欠陥検査装置として、被検物の製造工程において発生する特有の分類すべき欠陥毎に対応してニューラルネットワークを設け、各ニューラルネットワークを分類すべき欠陥毎に学習させ、学習済みのニューラルネットワークにより分類すべき欠陥毎に被検物の欠陥の有無を検出するものも提案されている(例えば、特許文献３参照)。ここで、ニューラルネットワークは、被検物の露光工程においてショット単位で発生するデフォーカス欠陥を分類するショットデフォーカス欠陥用ニューラルネットワークを含み、ニューラルネットワークに入力する前処理として、入力層サイズに対応させて画像サイズの変換を行うようになっている。
特開平０７−１７４６１６号公報 特表２００７−５２８９８５号公報 特開２００４−３５４２５０号公報
上述したように、従来、先行技術文献により、モータの異常の有無の確信度をニューラルネットワークによって求める技術、或いは、半導体ウェハ等の検査を機械学習モデルに基づいて行う技術は開示されている。
しかしながら、前述したように、モータの出荷時検査情報と稼働時アラーム情報の相関関係は着目されておらず、また、たとえモータの出荷時検査情報と稼働時アラーム情報に相関関係があっても、人が、その相関関係を分析するには、多大な労力を要するため困難なものになっている。
さらに、個々のモータの使用条件は、実際に使用される現場で大きく異なるため、人が、その実際の使用条件を把握して、モータの出荷時検査情報と稼働時アラーム情報の相関関係を解き明かすのは、極めて困難なものと考えられ、このような実際の使用条件を加えたモータの出荷時検査情報と稼働時アラーム情報の相関関係は、熟練した技術者、或いは、モータを現場で長期間使用しているユーザの経験や勘に頼るだけのものになっている。
本発明の目的は、上述した従来技術の課題に鑑み、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得ることにある。このように、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が得られると、例えば、出荷検査項目の改善，対象物の構造的な改良および寿命の把握や品質の向上といった様々な課題の解決に結びつくことになる。
本発明に係る第１実施形態によれば、対象物を出荷するときに検査した出荷時検査情報と、前記対象物が稼働している間に発せられた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であって、前記出荷時検査情報および前記稼働時アラーム情報を観測する状態観測部と、前記状態観測部で観測された前記出荷時検査情報および前記稼働時アラーム情報に基づいて、学習モデルを作成する学習部と、を備え、前記対象物は、モータであり、前記出荷時検査情報は、前記モータの機種および前記モータの検査日に関連付けられた複数の検査項目の検査結果，前記モータに関する絶縁抵抗値，アース抵抗値，電流値およびスイッチング時のサージ電圧を含み、前記稼働時アラーム情報は、前記モータに関する過電流アラーム，ノイズアラームおよび過負荷アラームを含む機械学習装置が提供される。
前記学習部は、前記出荷時検査情報および前記稼働時アラーム情報の分布相関関係を学習モデルとして作成するのが好ましい。前記機械学習装置は、さらに、前記学習部で作成された前記学習モデルに基づいて、前記対象物が稼働している間に発せられるアラームに影響する、前記対象物を出荷するときの検査項目を出力する出力利用部を備えてもよい。前記学習部は、前記出荷時検査情報および前記稼働時アラーム情報に対して、クラスタリングを行って前記学習モデルを作成することができる。前記学習部は、前記出荷時検査情報および前記稼働時アラーム情報を階層構造で演算処理する階層型クラスタリング、または、前記出荷時検査情報および前記稼働時アラーム情報をノード間距離で所定の数に演算処理する非階層型クラスタリングを行うことにより、前記学習モデルを作成するのが好ましい。
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ができる。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、前記機械学習装置の前記学習部で作成された学習モデルを相互に交換または共有するように構成することができる。前記機械学習装置は、第１クラウドサーバ上に存在し、前記他の機械学習装置は、前記第１クラウドサーバとは異なる第２クラウドサーバ上に存在してもよい。前記対象物は、モータであり、前記出荷時検査情報は、前記モータの機種および前記モータの検査日に関連付けられた複数の検査項目の検査結果を含むことができる。前記対象物は、モータをサーボ駆動するサーボアンプであり、前記出荷時検査情報は、前記サーボアンプの機種および前記サーボアンプの検査日に関連付けられた複数の検査項目の検査結果を含むこともできる。前記出荷時検査情報は、前記対象物に関する絶縁抵抗値，アース抵抗値，電流値およびスイッチング時のサージ電圧の少なくとも１つを含み、前記稼働時アラーム情報は、前記対象物に関する過電流アラーム，ノイズアラームおよび過負荷アラームの少なくとも１つを含むのが好ましい。
本発明に係る第２実施形態によれば、対象物を出荷するときに検査した出荷時検査情報と、前記対象物が稼働している間に発せられた稼働時アラーム情報の相関関係を学習する機械学習方法であって、前記出荷時検査情報および前記稼働時アラーム情報を観測し、観測された前記出荷時検査情報および前記稼働時アラーム情報に基づいて、学習モデルを作成する機械学習方法が提供される。
前記学習モデルの作成は、前記出荷時検査情報および前記稼働時アラーム情報の分布相関関係を学習モデルとして作成するのが好ましい。前記機械学習方法は、さらに、作成された前記学習モデルに基づいて、前記対象物が稼働している間に発せられるアラームに影響する、前記対象物を出荷するときの検査項目を出力することができる。前記学習モデルの作成は、前記出荷時検査情報および前記稼働時アラーム情報に対して、クラスタリングを行って作成するのが好ましい。
本発明に係る機械学習装置および機械学習方法によれば、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得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模式的に示す図である。 図２は、図１に示す機械学習装置に適用される演算処理の一例を説明するための図である。 図３は、図１に示す機械学習装置に適用される演算処理の他の例を説明するための図である。
以下、本発明に係る機械学習装置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。なお、以下の記載において、機械学習を行って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対象物は、主としてモータを例として説明するが、この対象物は、モータに限定されるものではなく、例えば、モータをサーボ駆動するサーボアンプを始めとして、出荷時検査情報と稼働時アラーム情報が取得可能な様々なものであってもよい。
図１は、本発明に係る機械学習装置の一実施形態を模式的に示す図である。図１に示されるように、本実施形態の機械学習装置２は、状態観測部２１，学習部２２および出力利用部２３を含む。状態観測部２１は、環境１から与えられる入力データとして、例えば、モータ(対象物)を出荷するときに検査した出荷時検査情報(Ｘ1n)、および、モータが稼働している間に発せられた稼働時アラーム情報(Ｘ2n)を観測する。
ここで、環境１には、例えば、モータを出荷するときに検査を行って出荷時検査情報(Ｘ1n)を出力するモータの検査装置１１、並びに、モータが稼働している間にアラームを発して稼働時アラーム情報(Ｘ2n)を出力するモータの制御装置１２が含まれる。状態観測部２１により観測された出荷時検査情報(Ｘ1n)および稼働時アラーム情報(Ｘ2n)は、学習部２２に入力され、学習部２２は、出荷時検査情報(Ｘ1n)および稼働時アラーム情報(Ｘ2n)の分布相関関係を学習モデルとして作成する。
出力利用部２３は、例えば、学習部２２で作成された学習モデルに基づいて、モータが稼働している間に発せられるアラームに影響する、モータを出荷するときの検査項目を出力する。なお、出力利用部２３は、機械学習装置２の外部に設けてもよく、また、学習部２２で作成された学習モデルに基づく出力利用部２３の出力も、上述したモータが稼働している間に発せられるアラームに影響する、モータを出荷するときの検査項目に限定されるものではない。
ここで、学習部２２は、出荷時検査情報(Ｘ1n)および稼働時アラーム情報(Ｘ2n)に対して、「教師なし学習」を適用し、例えば、クラスタリングを行って学習モデルを作成する。すなわち、学習部２２は、出荷時検査情報(Ｘ1n)および稼働時アラーム情報(Ｘ2n)を階層構造で演算処理する階層型クラスタリング、或いは、出荷時検査情報(Ｘ1n)および稼働時アラーム情報(Ｘ2n)をノード間距離で所定の数に演算処理する非階層型クラスタリングを行うことにより、学習モデルを作成する。
図２は、図１に示す機械学習装置に適用される演算処理の一例を説明するための図であり、非階層型クラスタリング(ｋ平均(k-means)法によるクラスタリング)を説明するための図である。また、図３は、図１に示す機械学習装置に適用される演算処理の他の例を説明するための図であり、階層型クラスタリングにおける次元圧縮のためのオートエンコーダ(自己符号化器)に適用するニューラルネットワークの一例を示すものである。
本実施形態の機械学習装置(機械学習方法)は、「教師なし学習」を適用してクラスタリングするものであり、入力された出荷時検査情報(Ｘ1n)および稼働時アラーム情報(Ｘ2n)のデータから、その中にある有用な規則や知識表現、判断基準等を解析により抽出し、その判断結果を出力するとともに、知識の学習(機械学習)を行う。なお、機械学習装置２は、例えば、ニューラルネットワークを使用するが、機械学習装置２を実際に構成する場合、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、より高速に処理することが可能になる。
ここで、「教師なし学習」とは、入力データのみを大量に機械学習装置２に与えることで、入力データがどのような分布をしているか学習し、例えば、「教師あり学習」のように対応する教師出力データを与えなくても、入力データに対して圧縮・分類・整形等を行う装置で学習する手法である。例えば、入力データのセットにある特徴を、似た者どうしにクラスタリングすること等ができ、この結果に基づいて、何らかの基準を設けてそれを最適化するような出力の割り当てを行うことにより、出力の予測を実現することが可能になる。なお、本明細書における「教師なし学習」は、例えば、「教師あり学習」と「教師なし学習」の中間的な「半教師あり学習」と呼ばれるものも含む広い意味での「教師なし学習」である。
すなわち、図２に示されるように、機械学習装置２(学習部２２)は、出荷時検査情報(Ｘ1n)および稼働時アラーム情報(Ｘ2n)を受け取り、例えば、ノード間距離(図２における各ドット間の距離)に基づいて、所定の数(例えば、ｋ＝３)にクラスタリングすることにより、集合体Ａ，Ｂ，Ｃを得ることができる。すなわち、モータ(対象物)の出荷時検査情報(Ｘ1n)および稼働時アラーム情報(Ｘ2n)の相関関係に基づく集合体Ａ，Ｂ，Ｃを得ることができる。
また、図３に示されるように、例えば、入力されたモータの出荷時検査情報(Ｘ1n)および稼働時アラーム情報(Ｘ2n)を階層化してクラスタリングするとき、次元圧縮のためにニューラルネットワーク３をオートエンコーダとして適用することができる。なお、ニューラルネットワーク(オートエンコーダ)３の入力Ｘ(入力ータＸn)としては、例えば、モータの出荷時検査情報(Ｘ1n)および稼働時アラーム情報(Ｘ2n)であり、出力Ｙとして階層的にクラスタリングされた出力データＹnが出力される。なお、図２に示す非階層型クラスタリングおよび図３に示す階層型クラスタリングは、単なる例であり、本実施形態の機械学習装置２は、知られている様々な「教師なし学習」の手法を適用することができるのはいうまでもない。
なお、本実施形態の機械学習装置２は、後に詳述するように、例えば、製造メーカのサーバに設けることができるが、機械学習装置２は、少なくとも１つの他の機械学習装置と接続可能とし、少なくとも１つの他の機械学習装置との間で、それぞれの機械学習装置(２)の学習部(２２)で作成された学習モデルを相互に交換または共有することができる。また、これら機械学習装置２が設けられたサーバは、例えば、インターネット等の通信回線を介した異なるクラウドサーバとすることができる。
このように、本実施形態の機械学習装置(機械学習方法)によれば、対象物(モータ)の出荷時検査情報と稼働時アラーム情報の相関関係(例えば、図２における集合体Ａ，Ｂ，Ｃ)を得ることができる。なお、得られる相関関係は、例えば、出荷時検査情報におけるサージ電圧と稼働時アラーム情報におけるノイズのアラーム(通信エラーのアラーム)、或いは、出荷時検査情報におけるアース抵抗と稼働時アラーム情報における通信エラーのアラーム等の様々なものがあり得る。そして、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が得られると、例えば、出荷検査項目の改善，対象物の構造的な改良および寿命の把握や品質の向上といった様々な課題の解決を行うことが可能になる。
次に、本実施形態に係る機械学習装置(機械学習方法)の適用例を説明する。まず、モータの検査装置１１により、モータの出荷時に出荷検査を実施し、その出荷時に行った検査情報(Ｘ1n)を取得する。ここで、各モータの出荷時検査情報(Ｘ1n)としては、例えば、モータの種類(機種)，検査日，絶縁抵抗値，巻線抵抗値，逆起電圧値，駆動中の電流値および軸摩擦トルク値等であり、この出荷時検査情報(Ｘ1n)は、記憶装置(例えば、ハードディスクドライブやフラッシュメモリ等の不揮発性の記憶装置)に記録する。
さらに、モータを出荷した後、各モータの稼働中の稼働時アラーム情報(Ｘ2n)を取得する。ここで、各モータの稼働時アラーム情報(Ｘ2n)としては、例えば、アラームの内容，アラーム発生までの時間，アラーム発生時の速度，トルク，電流，温度等であり、この稼働時アラーム情報(Ｘ2n)は、記憶装置に記録する。また、アラームの種類としては、例えば、過電流アラーム，ノイズアラーム(ノイズが所定レベル以上のときに発せられるアラームや通信エラー時に発せられるアラーム)，過負荷アラーム(モータのオーバヒート時に発せられるアラーム)および移動時の誤差過大等である。
なお、上述した個々のモータの出荷時検査情報(Ｘ1n)は、例えば、モータやモータを使用した製品の製造メーカのサーバ(サーバの記憶装置)に格納される。また、個々のモータの稼働時アラーム情報(Ｘ2n)は、例えば、そのモータを制御する制御装置１２における記憶装置に一旦格納され、その制御装置１２の記憶装置に格納された稼働時アラーム情報(Ｘ2n)を、例えば、メーカのサービスエンジニアが制御装置１２から製造メーカのサーバへコピーすることで格納する。或いは、個々のモータの稼働時アラーム情報(Ｘ2n)は、モータの制御装置１２から、例えば、インターネット等の通信回線を介して、製造メーカのサーバに直接アップロードされるように構成することもできる。これにより、例えば、製造メーカのサーバに存在する機械学習装置２が、個々のモータの出荷時検査情報(Ｘ1n)および稼働時アラーム情報(Ｘ2n)を入力として学習(処理)を行うことが可能になる。
次に、例えば、製造メーカのサーバに存在する本実施形態の機械学習装置の処理を説明する。まず、モータの出荷時検査情報(Ｘ1n)および稼働時アラーム情報(Ｘ2n)から、(Ｘ1n)と(Ｘ2n)の相間関係を学習モデルとして作成し、この学習モデルから、アラーム情報(Ｘ2n)に影響するモータの出荷時検査情報(Ｘ1n)に属する出荷検査項目(ａ１，ａ２，ａ３，ａ４，…)を出力する。
そして、特定のアラームを伴う障害(過電流アラームを伴うモータの地絡、および、オーバヒートアラームを伴うモータの減磁等)について、アラームに影響するモータの出荷時検査情報(Ｘ1n)から、例えば、未だ不具合が発生せずに稼働しているモータの出荷検査項目の情報(出荷時検査情報)に基づいて障害の発生率を予測することが可能になる。すなわち、モータの出荷時検査情報(Ｘ1n)および稼働時アラーム情報(Ｘ2n)の相関関係から、例えば、稼働している所定のモータの出荷時検査情報に基づいて、その所定のモータの障害の発生率を予測することができる。このモータ(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から得られる効果としては、このようなモータの障害発生率の予測に限られるものではなく、様々なものであってもよいのはもちろんである。
例えば、オーバヒートアラームを伴うモータの減磁に関して、以下のように原因を推定することができ、迅速な対策を行うことができる。すなわち、出荷時検査情報(出荷時の検査)における逆起電圧が影響している場合には、例えば、設計上の磁石の選定、或いは、磁石の着磁に原因があったと推定できる。また、出荷時検査情報における巻線抵抗が影響している場合には、例えば、製造上の巻線に原因があったと推定できる。さらに、出荷時検査情報における軸摩擦抵抗値が影響している場合には、例えば、製造時に軸受にダメージを与えたために摩擦抵抗が大きくなったことが原因であると推定できる。
また、ある出荷日以降で特定のアラーム発生が増加している場合には、例えば、使用している部品や製造設備等の変化点が原因であったと推定できる。さらに、特定の機種において、アラームの発生が増加している場合には、例えば、設計上、その機種特有の原因があったと推定できる。なお、いずれの場合でも、出荷時検査情報と稼働時アラーム情報の相関を確認することで、フィールド(現場)で稼働中の個々のモータに対して、障害の発生率を予測することが可能になり、また、障害の対策を行う場合にも、対策を行う対象の絞り込み等を効果的に行うことができる。
上述した説明では、対象物として、モータを例にして説明したが、対象物がモータをサーボ駆動するサーボアンプの場合を説明する。この場合、サーボアンプの出荷時検査情報(Ｘ1n)には、サーボアンプの機種，サーボアンプの検査日に関連付けられた複数の検査項目の検査結果が含まれる。具体的に、サーボアンプの出荷時検査情報(Ｘ1n)としては、サーボアンプに関する絶縁抵抗値，アース抵抗値，電流値およびスイッチング時のサージ電圧等が含まれ、また、稼働時アラーム情報(Ｘ2n)としては、サーボアンプに関する過電流アラーム，ノイズアラームおよび過負荷アラーム(アンプのオーバヒート)等が含まれる。さらに、本実施形態の機械学習装置(機械学習方法)により得られる相関関係としては、対象物がモータの場合と同様に、例えば、出荷時検査情報におけるサージ電圧と稼働時アラーム情報における通信エラーのアラーム(ノイズのアラーム)、或いは、出荷時検査情報におけるアース抵抗と稼働時アラーム情報における通信エラーのアラーム等の様々なものがあり得る。そして、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が得られると、出荷検査項目の改善，対象物の構造的な改良および寿命の把握や品質の向上といった様々な課題の解決に結びつくのは、前述した通りである。
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 環境
１１ モータの検査装置
１２ モータの制御装置
２ 機械学習装置
３ ニューラルネットワーク(オートエンコーダ)
２１ 状態観測部
２２ 学習部
２３ 出力利用部
Ｘ1n 出荷時検査情報
Ｘ2n 稼働時アラーム情報

Claims (14)

  1. 対象物を出荷するときに検査した出荷時検査情報と、前記対象物が稼働している間に発せられた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であって、
    前記出荷時検査情報および前記稼働時アラーム情報を観測する状態観測部と、
    前記状態観測部で観測された前記出荷時検査情報および前記稼働時アラーム情報に基づいて、学習モデルを作成する学習部と、を備え、
    前記対象物は、モータであり、
    前記出荷時検査情報は、前記モータの機種および前記モータの検査日に関連付けられた複数の検査項目の検査結果，前記モータに関する絶縁抵抗値，アース抵抗値，電流値およびスイッチング時のサージ電圧を含み、
    前記稼働時アラーム情報は、前記モータに関する過電流アラーム，ノイズアラームおよび過負荷アラームを含む、
    ことを特徴とする機械学習装置。
  2. 対象物を出荷するときに検査した出荷時検査情報と、前記対象物が稼働している間に発せられた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であって、
    前記出荷時検査情報および前記稼働時アラーム情報を観測する状態観測部と、
    前記状態観測部で観測された前記出荷時検査情報および前記稼働時アラーム情報に基づいて、学習モデルを作成する学習部と、を備え、
    前記対象物は、モータをサーボ駆動するサーボアンプであり、
    前記出荷時検査情報は、前記サーボアンプの機種および前記サーボアンプの検査日に関連付けられた複数の検査項目の検査結果，前記サーボアンプに関する絶縁抵抗値，アース抵抗値，電流値およびスイッチング時のサージ電圧を含み、
    前記稼働時アラーム情報は、前記サーボアンプに関する過電流アラーム，ノイズアラームおよび過負荷アラームを含む、
    ことを特徴とする機械学習装置。
  3. 前記学習部は、
    前記出荷時検査情報および前記稼働時アラーム情報の分布相関関係を学習モデルとして作成する、
    ことを特徴とする請求項１または請求項２に記載の機械学習装置。
  4. さらに、
    前記学習部で作成された前記学習モデルに基づいて、前記対象物が稼働している間に発せられるアラームに影響する、前記対象物を出荷するときの検査項目を出力する出力利用部を備える、
    ことを特徴とする請求項１乃至請求項３のいずれか１項に記載の機械学習装置。
  5. 前記学習部は、
    前記出荷時検査情報および前記稼働時アラーム情報に対して、クラスタリングを行って前記学習モデルを作成する、
    ことを特徴とする請求項１乃至請求項４のいずれか１項に記載の機械学習装置。
  6. 前記学習部は、
    前記出荷時検査情報および前記稼働時アラーム情報を階層構造で演算処理する階層型クラスタリング、または、前記出荷時検査情報および前記稼働時アラーム情報をノード間距離で所定の数に演算処理する非階層型クラスタリングを行うことにより、前記学習モデルを作成する、
    ことを特徴とする請求項５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. 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、前記機械学習装置の前記学習部で作成された学習モデル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７のいずれか１項に記載の機械学習装置。
  9. 前記機械学習装置は、第１クラウドサーバ上に存在し、
    前記他の機械学習装置は、前記第１クラウドサーバとは異なる第２クラウドサーバ上に存在する、
    ことを特徴とする請求項８に記載の機械学習装置。
  10. 対象物を出荷するときに検査した出荷時検査情報と、前記対象物が稼働している間に発せられた稼働時アラーム情報の相関関係を学習する機械学習方法であって、
    前記出荷時検査情報および前記稼働時アラーム情報を観測し、
    観測された前記出荷時検査情報および前記稼働時アラーム情報に基づいて、学習モデルを作成し、
    前記対象物は、モータであり、
    前記出荷時検査情報は、前記モータの機種および前記モータの検査日に関連付けられた複数の検査項目の検査結果，前記モータに関する絶縁抵抗値，アース抵抗値，電流値およびスイッチング時のサージ電圧を含み、
    前記稼働時アラーム情報は、前記モータに関する過電流アラーム，ノイズアラームおよび過負荷アラームを含む、
    ことを特徴とする機械学習方法。
  11. 対象物を出荷するときに検査した出荷時検査情報と、前記対象物が稼働している間に発せられた稼働時アラーム情報の相関関係を学習する機械学習方法であって、
    前記出荷時検査情報および前記稼働時アラーム情報を観測し、
    観測された前記出荷時検査情報および前記稼働時アラーム情報に基づいて、学習モデルを作成し、
    前記対象物は、モータをサーボ駆動するサーボアンプであり、
    前記出荷時検査情報は、前記サーボアンプの機種および前記サーボアンプの検査日に関連付けられた複数の検査項目の検査結果，前記サーボアンプに関する絶縁抵抗値，アース抵抗値，電流値およびスイッチング時のサージ電圧を含み、
    前記稼働時アラーム情報は、前記サーボアンプに関する過電流アラーム，ノイズアラームおよび過負荷アラームを含む、
    ことを特徴とする機械学習方法。
  12. 前記学習モデルの作成は、
    前記出荷時検査情報および前記稼働時アラーム情報の分布相関関係を学習モデルとして作成する、
    ことを特徴とする請求項１０または請求項１１に記載の機械学習方法。
  13. さらに、
    作成された前記学習モデルに基づいて、前記対象物が稼働している間に発せられるアラームに影響する、前記対象物を出荷するときの検査項目を出力する、
    ことを特徴とする請求項１０乃至請求項１２のいずれか１項に記載の機械学習方法。
  14. 前記学習モデルの作成は、
    前記出荷時検査情報および前記稼働時アラーム情報に対して、クラスタリングを行って作成する、
    ことを特徴とする請求項１０乃至請求項１３のいずれか１項に記載の機械学習方法。
JP2016200840A 2016-10-12 2016-10-12 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 Active JP6542738B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2016200840A JP6542738B2 (ja) 2016-10-12 2016-10-12 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
US15/725,437 US11436693B2 (en) 2016-10-12 2017-10-05 Machine learning device and machine learning method for learning correlation between shipment inspection information and operation alarm information for object
DE102017009273.7A DE102017009273A1 (de) 2016-10-12 2017-10-05 Maschinenlernvorrichtung und Maschinenlernverfahren zum Lernen einer Korrelation zwischen Versandkontrollinformationen und Betriebsalarminformationen für ein Objekt
CN201710934296.8A CN107944563B (zh) 2016-10-12 2017-10-10 机械学习装置以及机械学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2016200840A JP6542738B2 (ja) 2016-10-12 2016-10-12 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

Publications (2)

Publication Number Publication Date
JP2018063528A JP2018063528A (ja) 2018-04-19
JP6542738B2 true JP6542738B2 (ja) 2019-07-10

Family

ID=61695341

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016200840A Active JP6542738B2 (ja) 2016-10-12 2016-10-12 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

Country Status (4)

Country Link
US (1) US11436693B2 (ja)
JP (1) JP6542738B2 (ja)
CN (1) CN107944563B (ja)
DE (1) DE102017009273A1 (ja)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019049688A1 (ja) * 2017-09-06 2019-03-14 日本電信電話株式会社 異常音検知装置、異常モデル学習装置、異常検知装置、異常音検知方法、異常音生成装置、異常データ生成装置、異常音生成方法、およびプログラム
EP3561615B1 (en) * 2018-04-23 2021-07-14 Omron Corporation Method for operating an automation system and automation system
JP7270489B2 (ja) * 2019-07-10 2023-05-10 東京エレクトロン株式会社 性能算出方法および処理装置
US11373104B2 (en) * 2019-07-26 2022-06-28 Bae Systems Information And Electronic Systems Integration Inc. Connecting OBP objects with knowledge models through context data layer
US11449711B2 (en) * 2020-01-02 2022-09-20 Applied Materials Isreal Ltd. Machine learning-based defect detection of a specimen
CN111523472A (zh) * 2020-04-23 2020-08-11 杭州海康威视系统技术有限公司 基于机器视觉的活动目标计数方法和设备

Family Cites Families (31)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3340541B2 (ja) 1993-12-17 2002-11-05 株式会社小野測器 検査装置
US5751910A (en) * 1995-05-22 1998-05-12 Eastman Kodak Company Neural network solder paste inspection system
DE19914865A1 (de) 1999-04-01 2000-10-05 Schlafhorst & Co W Vorrichtung zum Überwachen des auf ein kurvenscheibengesteuertes Aggregat einer Maschine, insbesondere einer Textilmaschine übertragenen Drehmoments
JP2002182737A (ja) 2000-12-14 2002-06-26 Auto Network Gijutsu Kenkyusho:Kk 検査プログラム内蔵車載用制御ユニットとその検査装置、及び検査方法
JP4101473B2 (ja) * 2001-05-09 2008-06-18 本田技研工業株式会社 品質向上支援方法およびシステム
JP2004086897A (ja) * 2002-08-06 2004-03-18 Fuji Electric Holdings Co Ltd モデル構築方法およびモデル構築システム
US7333650B2 (en) * 2003-05-29 2008-02-19 Nidek Co., Ltd. Defect inspection apparatus
JP2004354250A (ja) 2003-05-29 2004-12-16 Nidek Co Ltd 欠陥検査装置
US20040267397A1 (en) 2003-06-27 2004-12-30 Srinivas Doddi Optical metrology of structures formed on semiconductor wafer using machine learning systems
JP2005033959A (ja) * 2003-07-10 2005-02-03 Fanuc Ltd モータ、及びモータの制御方法
JP4418320B2 (ja) * 2004-07-28 2010-02-17 株式会社日立産機システム モータ巻線ターン間部分放電計測方法
US7775431B2 (en) * 2007-01-17 2010-08-17 Metrologic Instruments, Inc. Method of and apparatus for shipping, tracking and delivering a shipment of packages employing the capture of shipping document images and recognition-processing thereof initiated from the point of shipment pickup and completed while the shipment is being transported to its first scanning point to facilitate early customs clearance processing and shorten the delivery time of packages to point of destination
JP2009157442A (ja) * 2007-12-25 2009-07-16 Toshiba Corp データ検索装置および方法
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
US20130019125A1 (en) 2011-07-14 2013-01-17 Almubarak Yousef Husain Detection and classification of process flaws using fuzzy logic
JP2013097713A (ja) * 2011-11-04 2013-05-20 Nippon Telegr & Teleph Corp <Ntt> 消費電力推定装置、方法及びプログラム
JP5260719B2 (ja) * 2011-11-30 2013-08-14 ファナック株式会社 停電の有無を判定する停電判定部を有するモータ駆動装置
US9239989B2 (en) * 2012-03-28 2016-01-19 General Electric Company Computer-implemented system with adaptive cognitive features and method of using the same
JP5638043B2 (ja) * 2012-09-07 2014-12-10 ファナック株式会社 アラームレベル設定部を有するモータ駆動装置
JP5746128B2 (ja) * 2012-12-04 2015-07-08 ファナック株式会社 保守部品の交換時期判断機能を有する工作機械
JP5681224B2 (ja) 2013-03-07 2015-03-04 ファナック株式会社 部品点検時期通知機能を有する機械の数値制御装置
JP5670505B2 (ja) * 2013-04-15 2015-02-18 ファナック株式会社 停電判定手段を有するモータ制御装置
JP5829247B2 (ja) * 2013-10-16 2015-12-09 ファナック株式会社 デイジーチェーン接続されたｉｏユニットへの一斉送信を行う数値制御装置
CN104731664A (zh) 2013-12-23 2015-06-24 伊姆西公司 用于故障处理的方法和装置
JP6340236B2 (ja) * 2014-04-15 2018-06-06 三菱重工工作機械株式会社 工作機械の診断方法及びシステム
JP2016148747A (ja) 2015-02-12 2016-08-18 株式会社ニューフレアテクノロジー 画像作成方法、検査方法および画像作成装置
US10713594B2 (en) * 2015-03-20 2020-07-14 Salesforce.Com, Inc. Systems, methods, and apparatuses for implementing machine learning model training and deployment with a rollback mechanism
DE102016008987B4 (de) * 2015-07-31 2021-09-16 Fanuc Corporation Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt
JP5964488B1 (ja) 2015-07-31 2016-08-03 ファナック株式会社 保護動作制御部を有するモータ制御装置、ならびに機械学習装置およびその方法
US10223615B2 (en) * 2016-08-23 2019-03-05 Dongfang Jingyuan Electron Limited Learning based defect classification
US10585693B2 (en) * 2016-09-30 2020-03-10 Uchicago Argonne, Llc Systems and methods for metric driven deployments to cloud service providers

Also Published As

Publication number Publication date
CN107944563A (zh) 2018-04-20
DE102017009273A1 (de) 2018-04-12
JP2018063528A (ja) 2018-04-19
CN107944563B (zh) 2020-05-26
US11436693B2 (en) 2022-09-06
US20180101924A1 (en) 2018-04-12

Similar Documents

Publication Publication Date Title
JP6542738B2 (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
US11521105B2 (en) Machine learning device and machine learning method for learning fault prediction of main shaft or motor which drives main shaft, and fault prediction device and fault prediction system including machine learning device
JP7167084B2 (ja) 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法
Chen et al. Rapid surface defect identification for additive manufacturing with in-situ point cloud processing and machine learning
Borgi et al. Data analytics for predictive maintenance of industrial robots
Caggiano et al. Cloud manufacturing framework for smart monitoring of machining
JP6453805B2 (ja) 製品の異常に関連する変数の判定値を設定する生産システム
JP6547275B2 (ja) 情報処理システム、情報処理装置、情報処理方法、及びプログラム
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
JP6530779B2 (ja) 加工不良要因推定装置
Balta et al. A digital twin framework for performance monitoring and anomaly detection in fused deposition modeling
Bansal et al. A real-time predictive maintenance system for machine systems
Frankowiak et al. A review of the evolution of microcontroller-based machine and process monitoring
KR102480354B1 (ko) 기계의 잔여 사용 수명을 예측하기 위한 어셈블리 및 방법
JP2020101800A (ja) 画像ベースのメンテナンス予測および動作エラーの検出
CN106575282A (zh) 用于先进过程控制的云计算系统和方法
Adam et al. Multiple faults diagnosis for an industrial robot fuse quality test bench using deep-learning
Schlegel et al. Autonomous data-driven quality control in self-learning production systems
US20210181732A1 (en) Control method, control apparatus, and mechanical equipment
CN117708728A (zh) 传感器测量异常检测
Rusu et al. Condition-based maintenance model for the optimization of smart manufacturing processes
Wissbrock et al. Automate Quality Prediction in an End-of-Line Test of a Highly Variant Production of Geared Motors–Discussion of a Full Concept
Yang et al. Applying artificial neural network to predict semiconductor machine outliers
JP2020042673A (ja) 検証装置
Lau et al. Collective self-detection scheme for adaptive error detection in a foraging swarm of robots

Legal Events

Date Code Title Description
A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20181018

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20181023

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20181204

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: 20190514

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20190613

R150 Certificate of patent or registration of utility model

Ref document number: 6542738

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150