JP6822245B2 - 診断装置、診断システム、診断方法およびプログラム - Google Patents
診断装置、診断システム、診断方法およびプログラム Download PDFInfo
- Publication number
- JP6822245B2 JP6822245B2 JP2017052910A JP2017052910A JP6822245B2 JP 6822245 B2 JP6822245 B2 JP 6822245B2 JP 2017052910 A JP2017052910 A JP 2017052910A JP 2017052910 A JP2017052910 A JP 2017052910A JP 6822245 B2 JP6822245 B2 JP 6822245B2
- Authority
- JP
- Japan
- Prior art keywords
- model
- unit
- diagnostic
- extraction
- information
- 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
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Description
(診断システムの全体構成)
図1は、第1の実施形態に係る診断システムの全体構成の一例を示す図である。図1を参照しながら、本実施形態に係る診断システム1の全体構成について説明する。
図2は、第1の実施形態の加工機のハードウェア構成の一例を示す図である。図2を参照しながら、本実施形態の加工機200のハードウェア構成について説明する。
図3は、第1の実施形態に係る診断装置のハードウェア構成の一例を示す図である。図3を参照しながら、本実施形態に係る診断装置100のハードウェア構成について説明する。
図4は、第1の実施形態に係る診断システムの機能ブロックの構成の一例を示す図である。図4を参照しながら、本実施形態に係る診断システム1および加工機200の機能ブロックの構成および動作について説明する。
図6は、第1の実施形態におけるモデル生成処理の一例を示すフローチャートである。図7は、生成したモデルについてのモデル情報テーブルの一例を示す図である。図6および図7を参照しながら、本実施形態に係る診断システム1の診断装置100のモデル生成処理の流れについて説明する。
診断装置100の通信制御部101は、加工機200から送信されたコンテキスト情報を受信する。そして、診断装置100の加工情報取得部103は、通信制御部101により受信されたコンテキスト情報を取得する。そして、ステップS102へ移行する。
診断装置100の検知情報受信部102は、加工機200から送信された学習データとしての検知情報(センサデータ)を受信する。
診断装置100の特徴抽出部105は、記憶部107に記憶された図7に示すモデル情報テーブルを参照し、各モデルに対応する特徴情報抽出方法、および、その特徴情報抽出パラメータに基づいて、検知情報受信部102により受信された学習データとしての検知情報から、モデルそれぞれに対応する特徴情報を抽出する。
診断装置100の生成部106は、特徴抽出部105によりモデルそれぞれに対応して抽出された特徴情報から、各モデルに対応する識別アルゴリズムによって、当該各モデルを生成する(モデルパラメータを求める)。そして、ステップS105へ移行する。
生成部106は、生成した各モデルのモデルパラメータを、記憶部107のモデル情報テーブルに記憶させる。
図8は、第1の実施形態におけるモデル更新処理の一例を示すフローチャートである。図9は、更新したモデルについてのモデル情報テーブルの一例を示す図である。図8および図9を参照しながら、本実施形態に係る診断システム1の診断装置100のモデル更新処理の流れについて説明する。
診断装置100の通信制御部101は、加工機200から送信されたコンテキスト情報を受信する。そして、診断装置100の加工情報取得部103は、通信制御部101により受信されたコンテキスト情報を取得する。そして、ステップS202へ移行する。
診断装置100の検知情報受信部102は、加工機200から送信された学習データとしての検知情報(センサデータ)を受信する。そして、ステップS203へ移行する。
診断装置100の特徴抽出部105は、記憶部107に記憶された図7に示すモデル情報テーブルを参照し、各モデルに対応する特徴情報抽出方法、および、その特徴情報抽出パラメータに基づいて、検知情報受信部102により受信された学習データとしての検知情報から、モデルそれぞれに対応する特徴情報を抽出する。そして、ステップS204へ移行する。
診断装置100の更新部108は、特徴抽出部105により抽出されたモデルそれぞれに対応する特徴情報、および、各モデルのモデルパラメータを用いて、交差検定を実行する。そして、ステップS205へ移行する。
更新部108は、特徴抽出部105により抽出されたモデルそれぞれに対応する特徴情報、および、各モデルのモデルパラメータを用いて、グリッドサーチを実行する。そして、ステップS206へ移行する。
更新部108は、交差検定およびグリッドサーチの実行により得られた各モデルのモデルパラメータによって、記憶部107のモデル情報テーブルの現状の各モデルパラメータを更新する。そして、ステップS207へ移行する。
更新部108は、更新した各モデルパラメータがそれぞれ最適なモデルパラメータとなったか否かを判定する。すべてのモデルパラメータが最適となった場合(ステップS207:Yes)、ステップS208へ移行し、更新されたモデルパラメータのうちいずれかが最適ではない場合(ステップS207:No)、ステップS204へ戻る。
更新部108は、モデルパラメータを更新した記憶部107のモデル情報テーブルを、最新のモデルの情報を含むものとして扱う。
図10は、モデルを生成および更新するためのデータセットの一例を説明する図である。図11は、モデルの正解率の変動の一例を説明する図である。図10および図11を参照しながら、本実施形態の診断システム1におけるモデルの生成および更新に用いられるデータセットおよび正解率の変動について説明する。
図12は、第1の実施形態における最適モデル決定処理の一例を示すフローチャートである。図12を参照しながら、本実施形態に係る診断システム1の診断装置100の最適モデル決定処理の流れについて説明する。なお、図12では説明を簡略にするために、コンテキスト情報の受信およびモデルとの関連付け等の説明は、割愛する。
診断装置100の検知情報受信部102は、加工機200から送信された学習データとしての検知情報(センサデータ)を受信する。検知情報は、例えば、加工機200の加工音等である。そして、ステップS302_1〜S302_nへ移行する。
ステップS302_1では、診断装置100の特徴抽出部105は、検知情報受信部102により受信された検知情報を学習データとし、記憶部107のモデル情報テーブルを参照して、モデルNo.が「1」のモデルに対応した特徴情報抽出方法および特徴情報抽出パラメータによって、当該学習データから特徴情報を抽出する。ステップS302_2では、特徴抽出部105は、記憶部107のモデル情報テーブルを参照して、モデルNo.が「2」のモデルに対応した特徴情報抽出方法および特徴情報抽出パラメータによって、同一の学習データから特徴情報を抽出する。ステップS302_3〜S302_nにおいて、特徴抽出部105は、モデルNo.が「3」〜「n」のモデルにそれぞれ対応した特徴情報抽出方法および特徴情報抽出パラメータによって、同一の学習データから特徴情報をそれぞれ抽出する。そして、ステップS303_1〜S303_nへ移行する。
ステップS303_1では、最適モデル決定部109のスコア算出部109a_1は、モデルNo.が「1」のモデルに対応した特徴情報抽出方法および特徴情報抽出パラメータによって抽出された特徴情報について、記憶部107のモデル情報テーブルに規定されているモデルNo.が「1」のモデルのモデルパラメータを適用することによってスコアを算出する。ステップS303_2〜S303_nにおいて、スコア算出部109a_2〜109a_nについても同様に、モデルNo.が「2」〜「n」のモデルのモデルパラメータを適用することによってスコアをそれぞれ算出する。そして、ステップS304へ移行する。
最適モデル決定部109の正解率算出部109bは、例えば、スコア算出部109a_1により各学習データについて算出されたスコアそれぞれについて閾値判定を行い、正常と判定される確率を正解率として算出する。正解率算出部109bは、正解率の算出を、スコア算出部109a_2〜109a_nそれぞれによって算出されたスコアに対しても実行する。そして、正解率算出部109bは、各モデルについて算出した正解率を、記憶部107のモデル情報テーブルに記憶させる。そして、ステップS305へ移行する。
最適モデル決定部109の決定部109cは、正解率算出部109bによって算出された各モデルに対応する正解率を比較して、最も高い正解率に対応するモデルを、異常判定処理で使用する最適なモデルとして決定する。決定部109cは、決定したモデルの情報を、異常判定部110に送る。
図13は、第1の実施形態における異常判定処理の一例を示すフローチャートである。図13を参照しながら、本実施形態に係る診断システム1の診断装置100の異常判定処理の流れについて説明する。
加工機200の数値制御部201は、加工機200から送信されたコンテキスト情報を、逐次、診断装置100に送信する。診断装置100の通信制御部101は、このようにして加工機200から送信されたコンテキスト情報を受信する。そして、診断装置100の加工情報取得部103は、通信制御部101により受信されたコンテキスト情報を取得する。そして、ステップS402へ移行する。
また、加工機200の検知部211は、検知情報を、逐次、出力する。診断装置100の検知情報受信部102は、このようにして加工機200から送信された検知情報(センサデータ)を受信する。そして、ステップS403へ移行する。
診断装置100の特徴抽出部105は、記憶部107のモデル情報テーブルを参照し、加工情報取得部103により取得されたコンテキスト情報に対応し、かつ、最適モデル決定処理により決定されたモデルに対応する特徴情報抽出方法および特徴情報抽出パラメータに基づいて、検知情報受信部102により受信された検知情報から特徴情報を抽出する。そして、ステップS404へ移行する。
診断装置100の異常判定部110は、記憶部107のモデル情報テーブルを参照し、加工情報取得部103により取得されたコンテキスト情報に対応し、かつ、最適モデル決定処理により決定されたモデルの情報(モデルパラメータ)を取得する。そして、ステップS405へ移行する。
異常判定部110は、抽出された特徴情報と、取得されたモデルの情報とを用いて、加工機200が正常に動作しているか否かを判定する。そして、ステップS406へ移行する。
異常判定部110は、判定結果を出力する。判定結果の出力方法はどのような方法であってもよい。異常判定部110は、例えば、診断装置100の表示制御部112に対して、判定結果を表示部113に表示させるものとしてもよい。または、異常判定部110が、サーバ装置およびPC(Personal Computer)等の外部装置に判定結果を出力するものとしてもよい。
図14は、第1の実施形態の変形例1における正解率を補正する動作の一例を示す図である。図14を参照しながら、本変形例に係る診断システム1の正解率を補正する動作について説明する。
図15は、第1の実施形態の変形例2における正解率を予測する動作の一例を示す図である。図15を参照しながら、本変形例に係る診断システム1の正解率を予測する動作について説明する。
図16は、第1の実施形態の変形例3における正解率を補正および予測する動作の一例を示す図である。図16を参照しながら、本変形例に係る診断システム1の正解率を補正かつ予測する動作について説明する。
第2の実施形態に係る診断システムについて、第1の実施形態に係る診断システム1と相違する点を中心に説明する。本実施形態では、モデル生成処理、モデル更新処理、および最適モデル決定処理を、診断装置と通信可能なサーバで行う動作について説明する。なお、本実施形態に係る診断装置および加工機のハードウェア構成は、それぞれ第1の実施形態で説明した構成と同様である。
図17は、第2の実施形態に係る診断システムの全体構成の一例を示す図である。図17を参照しながら、本実施形態に係る診断システム1aの全体構成について説明する。
図18は、第2の実施形態に係る診断システムの機能ブロックの構成の一例を示す図である。図18を参照しながら、本実施形態に係る診断システム1aおよび加工機200aの機能ブロックの構成および動作について説明する。なお、加工機200aの機能ブロックの構成および動作は、図4で上述した加工機200の機能ブロックの構成および動作と同様である。
2 ネットワーク
51 CPU
52 ROM
53 RAM
54 通信I/F
55 駆動制御回路
56 モータ
57、57a、57a_1、57a_2 センサ
58 バス
61 CPU
62 ROM
63 RAM
64 通信I/F
65 センサI/F
66 補助記憶装置
67 入力装置
68 ディスプレイ
69 バス
100、100a、100a_1、100a_2 診断装置
101、101a 通信制御部
102 検知情報受信部
103 加工情報取得部
104 受付部
105、105a 特徴抽出部
106 生成部
107、107a 記憶部
108 更新部
109 最適モデル決定部
109a、109a_1、109a_2 スコア算出部
109b 正解率算出部
109c 決定部
110 異常判定部
111 入力部
112 表示制御部
113 表示部
200、200a、200a_1、200a_2 加工機
201 数値制御部
202 通信制御部
203 駆動制御部
204 駆動部
211 検知部
300 サーバ
301 通信制御部
302 検知情報取得部
303 加工情報取得部
305 特徴抽出部
306 生成部
307 記憶部
308 更新部
309 最適モデル決定部
Claims (11)
- 対象装置の部材に関する物理量を検知する検知部から出力される検知情報を第1学習データとして取得する第1取得部と、
複数の抽出方法により、前記第1取得部により取得された前記第1学習データの特徴を示す特徴情報をそれぞれ抽出する抽出部と、
前記抽出部により抽出された前記各特徴情報から、複数のモデルを生成する生成部と、
前記生成部により生成された前記各モデルのパラメータを最適化することによって該各モデルを更新する更新部と、
前記抽出部によって抽出された各特徴情報と、前記各モデルとから算出される該各モデルの正解率に基づいて、前記対象装置の動作を判定するためのモデルを決定するモデル決定部と、
を備えた診断装置。 - 前記更新部は、前記抽出部によって、前記第1取得部により取得された前記第1学習データとは異なる第2学習データから前記各抽出方法で抽出された特徴情報を用いて、前記各モデルをそれぞれ更新し、
前記モデル決定部は、前記更新部により更新された前記各モデルから算出された該各モデルの正解率が最も高いモデルが、前回決定したモデルと異なる場合、前記正解率が最も高いモデルを、前記対象装置の動作を判定するためのモデルとして切り替える請求項1に記載の診断装置。 - 前記対象装置の動作の種類ごとに定められる複数のコンテキスト情報のうち現在の動作に対応するコンテキスト情報を、該対象装置から取得する第2取得部を、さらに備え、
前記生成部は、前記第1取得部により前記第1学習データが取得されたときに、前記第2取得部により取得されたコンテキスト情報に関連付けて、前記複数のモデルを生成する請求項1または2に記載の診断装置。 - 前記第1取得部により取得された検知情報と、前記第2取得部により取得されたコンテキスト情報に対応するモデルであって前記モデル決定部により決定されたモデルとを用いて、前記対象装置の動作を判定する判定部を、さらに備えた請求項3に記載の診断装置。
- 前記生成部は、前記抽出部により抽出された前記各特徴情報から、該各特徴情報の前記抽出方法にそれぞれ対応する識別アルゴリズムによってモデルをそれぞれ生成する請求項1〜4のいずれか一項に記載の診断装置。
- 前記モデル決定部により算出された前記各モデルの正解率を表示部に表示させる表示制御部を、さらに備えた請求項1〜5のいずれか一項に記載の診断装置。
- 前記モデル決定部は、過去に算出した前記各モデルの正解率を補間することによって、未来の正解率を予測し、
前記表示制御部は、前記モデル決定部により予測された正解率を、さらに前記表示部に表示させる請求項6に記載の診断装置。 - 前記検知部と、
請求項1〜7のいずれか一項に記載の診断装置と、
を有する診断システム。 - 対象装置の動作を診断する診断装置と、前記診断装置の診断に使用されるモデルを生成するサーバと、を備えた診断システムであって、
前記サーバは、
対象装置の部材に関する物理量を検知する検知部から出力される検知情報を学習データとして取得するサーバ側取得部と、
複数の抽出方法により、前記サーバ側取得部により取得された前記学習データの特徴を示す特徴情報をそれぞれ抽出する抽出部と、
前記抽出部により抽出された前記各特徴情報から、複数のモデルを生成する生成部と、
前記生成部により生成された前記各モデルのパラメータを最適化することによって該各モデルを更新する更新部と、
前記抽出部によって抽出された各特徴情報と、前記各モデルとから算出される該各モデルの正解率に基づいて、前記対象装置の動作を判定するためのモデルを決定するモデル決定部と、
を備え、
前記診断装置は、
前記対象装置の前記部材に関する物理量を検知する前記検知部から出力される検知情報を取得する装置側取得部と、
前記装置側取得部により取得された検知情報と、前記モデル決定部により決定されたモデルとを用いて、前記対象装置の動作を判定する判定部を、
備えた診断システム。 - 対象装置の部材に関する物理量を検知する検知部から出力される検知情報を学習データとして取得する取得ステップと、
複数の抽出方法により、取得した前記学習データの特徴を示す特徴情報をそれぞれ抽出する抽出ステップと、
抽出した前記各特徴情報から、複数のモデルを生成する生成ステップと、
生成した前記各モデルのパラメータを最適化することによって該各モデルを更新する更新ステップと、
抽出した各特徴情報と、前記各モデルとから算出される該各モデルの正解率に基づいて、前記対象装置の動作を判定するためのモデルを決定するモデル決定ステップと、
を有する診断方法。 - コンピュータに、
対象装置の部材に関する物理量を検知する検知部から出力される検知情報を学習データとして取得する取得ステップと、
複数の抽出方法により、取得した前記学習データの特徴を示す特徴情報をそれぞれ抽出する抽出ステップと、
抽出した前記各特徴情報から、複数のモデルを生成する生成ステップと、
生成した前記各モデルのパラメータを最適化することによって該各モデルを更新する更新ステップと、
抽出した各特徴情報と、前記各モデルとから算出される該各モデルの正解率に基づいて、前記対象装置の動作を判定するためのモデルを決定するモデル決定ステップと、
を実行させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017052910A JP6822245B2 (ja) | 2017-03-17 | 2017-03-17 | 診断装置、診断システム、診断方法およびプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017052910A JP6822245B2 (ja) | 2017-03-17 | 2017-03-17 | 診断装置、診断システム、診断方法およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018156415A JP2018156415A (ja) | 2018-10-04 |
JP6822245B2 true JP6822245B2 (ja) | 2021-01-27 |
Family
ID=63717367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017052910A Active JP6822245B2 (ja) | 2017-03-17 | 2017-03-17 | 診断装置、診断システム、診断方法およびプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6822245B2 (ja) |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6911004B2 (ja) * | 2018-12-26 | 2021-07-28 | 株式会社日立製作所 | 監視モデル更新方法、監視システム、および監視装置 |
JP7208083B2 (ja) * | 2019-03-29 | 2023-01-18 | 株式会社リコー | 診断装置、診断システムおよびプログラム |
CN114025912B (zh) * | 2019-06-28 | 2023-08-15 | 三菱电机株式会社 | 加工条件搜索装置以及加工条件搜索方法 |
KR102434460B1 (ko) * | 2019-07-26 | 2022-08-22 | 한국전자통신연구원 | 기계학습 기반 예측 모델 재학습 장치 및 그 방법 |
JP7438693B2 (ja) | 2019-09-02 | 2024-02-27 | キヤノンメディカルシステムズ株式会社 | 診療支援装置 |
KR102377628B1 (ko) * | 2019-11-07 | 2022-03-24 | 한국전자통신연구원 | 인공지능 서비스에 대한 성능 관리 장치 및 방법 |
KR102275658B1 (ko) * | 2019-11-13 | 2021-07-12 | 주식회사 테서 | 기계학습 모델을 이용한 자동 데이터 수집 및 학습 방법 및 그 시스템 |
KR102352991B1 (ko) * | 2020-01-10 | 2022-01-18 | 여승기 | 인공지능 모델 생성 플랫폼 제공 시스템을 이용한 인공지능 모델 생성 방법 |
KR102328566B1 (ko) * | 2020-01-17 | 2021-11-17 | 한림대학교 산학협력단 | 산업용 사물인터넷(IIoT) 환경에서의 고장 예측 모델 획득 방법, 장치 및 프로그램 |
JP7346356B2 (ja) * | 2020-05-20 | 2023-09-19 | 株式会社日立製作所 | 予測装置および予測方法 |
KR102433431B1 (ko) * | 2020-08-07 | 2022-08-19 | 주식회사 에이젠글로벌 | 이종 데이터를 이용한 향상된 예측 시스템 및 예측 방법 |
KR20230061752A (ko) * | 2021-10-29 | 2023-05-09 | 한국전자기술연구원 | 정보 인프라 모니터링 데이터 간 연관성 도출 방법 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011036809A1 (ja) * | 2009-09-28 | 2011-03-31 | 株式会社 東芝 | 異常判定システムおよびその方法 |
JP6274932B2 (ja) * | 2014-03-19 | 2018-02-07 | 三菱日立パワーシステムズ株式会社 | 予測システム、監視システム、運転支援システム、ガスタービン設備及び予測方法 |
JP6898607B2 (ja) * | 2016-08-19 | 2021-07-07 | 株式会社明電舎 | 異常予兆検出システムおよび異常予兆検出方法 |
JP6672132B2 (ja) * | 2016-12-14 | 2020-03-25 | 株式会社日立ビルシステム | 昇降機診断システム、昇降機診断装置、及び昇降機診断方法 |
-
2017
- 2017-03-17 JP JP2017052910A patent/JP6822245B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2018156415A (ja) | 2018-10-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6822245B2 (ja) | 診断装置、診断システム、診断方法およびプログラム | |
KR102069266B1 (ko) | 진단 장치, 컴퓨터 프로그램, 및 진단 시스템 | |
JP7085370B2 (ja) | 診断装置、診断システム、診断方法およびプログラム | |
CN109564425B (zh) | 诊断设备、学习设备和诊断系统 | |
JP7338743B2 (ja) | 診断装置、診断方法、プログラムおよび診断システム | |
CN110260913B (zh) | 诊断装置、诊断方法及计算机可读存储介质 | |
JP6673002B2 (ja) | 情報処理装置、情報処理方法、情報処理プログラム、および情報処理システム | |
US10739764B2 (en) | Diagnostic apparatus, diagnostic system, diagnostic method, and recording medium | |
US10359401B2 (en) | Malfunction diagnosing apparatus, malfunction diagnosing method, and recording medium | |
WO2018169069A1 (en) | Diagnosis device, diagnosis system, diagnosis method, and program | |
JP6705315B2 (ja) | 診断装置、診断システム、診断方法およびプログラム | |
JP6822242B2 (ja) | 診断装置、診断システム、診断方法およびプログラム | |
JP2019159759A (ja) | 処理区間判定装置、処理区間判定方法、プログラム、および診断装置 | |
KR20150120160A (ko) | 공작기계에서의 비정상 진동 판단 방법 및 장치 | |
JP6939053B2 (ja) | 診断装置、プログラムおよび診断システム | |
JP2022168706A (ja) | 異常検知装置、プログラム、異常検知方法、及び製造方法 | |
JP2016532221A (ja) | モデル適合のための装置および方法 | |
JP7471529B1 (ja) | 診断システム及び診断方法 | |
JP2011258261A (ja) | 劣化度判定装置及びコンピュータプログラム及び劣化度判定方法 | |
JP2022143423A (ja) | 診断装置、診断システム、診断方法及び診断プログラム | |
CN117627910A (zh) | 真空泵寿命预测装置和计算机可读记录介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200109 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20201127 |
|
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: 20201208 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20201221 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 6822245 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |