JP6828300B2 - Abnormality analysis system and analysis equipment - Google Patents

Abnormality analysis system and analysis equipment Download PDF

Info

Publication number
JP6828300B2
JP6828300B2 JP2016157612A JP2016157612A JP6828300B2 JP 6828300 B2 JP6828300 B2 JP 6828300B2 JP 2016157612 A JP2016157612 A JP 2016157612A JP 2016157612 A JP2016157612 A JP 2016157612A JP 6828300 B2 JP6828300 B2 JP 6828300B2
Authority
JP
Japan
Prior art keywords
analysis
production
abnormality
data
network
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
JP2016157612A
Other languages
Japanese (ja)
Other versions
JP2017097839A (en
Inventor
俊行 都築
俊行 都築
克史 北村
克史 北村
浩司 鬼頭
浩司 鬼頭
左近 村山
左近 村山
祐貴 石榑
祐貴 石榑
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.)
JTEKT Corp
Original Assignee
JTEKT 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 JTEKT Corp filed Critical JTEKT Corp
Priority to US15/349,309 priority Critical patent/US10474128B2/en
Priority to DE102016121744.1A priority patent/DE102016121744A1/en
Priority to CN201611005854.4A priority patent/CN106944928B/en
Publication of JP2017097839A publication Critical patent/JP2017097839A/en
Application granted granted Critical
Publication of JP6828300B2 publication Critical patent/JP6828300B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B49/00—Measuring or gauging equipment for controlling the feed movement of the grinding tool or work; Arrangements of indicating or measuring equipment, e.g. for indicating the start of the grinding operation
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
    • B24B51/00—Arrangements for automatic control of a series of individual steps in grinding a workpiece
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Description

本発明は、異常解析システム及び異常解析システムに用いられる解析装置に関するものである。 The present invention relates to an abnormality analysis system and an analysis device used in the abnormality analysis system.

特許文献１には、工作物の研削焼けを監視する方法が記載されている。工作物の研削中に、砥石車の研削負荷及び工作物の回転速度を検出し、回転速度に応じた研削負荷についての閾値と比較することで、研削焼けの発生の有無を判定する。ここで、閾値は、工作物の研削焼けが発生するときの工作物の回転速度に対する砥石車の研削負荷に基づいて設定される。 Patent Document 1 describes a method for monitoring grinding burn of a workpiece. During grinding of the workpiece, the grinding load of the grindstone and the rotation speed of the workpiece are detected, and the presence or absence of grinding burn is determined by comparing with the threshold value for the grinding load according to the rotation speed. Here, the threshold value is set based on the grinding load of the grindstone with respect to the rotation speed of the workpiece when the grinding burn of the workpiece occurs.

特許文献２には、試し研削を行い、試し研削における研削負荷に基づいて閾値を設定することが記載されている。その後、本番研削において検出される研削負荷と閾値とを比較することで、研削異常の発生の有無を判定する。 Patent Document 2 describes that trial grinding is performed and a threshold value is set based on the grinding load in the trial grinding. After that, the presence or absence of a grinding abnormality is determined by comparing the grinding load detected in the actual grinding with the threshold value.

また、特許文献３には、以下のような品質傾向パターンに基づいて、生産物の品質異常を予測することが記載されている。例えば、工作物の外周面の研削を砥石車により行う場合において、工作物の数が増加するほど、寸法精度が悪化する傾向にある（特許文献３の図４参照）。また、１個の工作物における研削時間と研削抵抗の関係から、工作物の数と研削抵抗の平均値との関係を得る（特許文献３の図５及び図１０参照）。そして、工作物の数と寸法精度との関係を考慮することで、工作物の数と研削抵抗の平均値との関係を示す品質傾向パターンにおいて、研削抵抗の平均値に対する閾値を設定することができる。つまり、研削抵抗及び工作物の数を把握することで、上記品質傾向パターン及び閾値に基づいて、生産物の異常の予測を行うことができる。 Further, Patent Document 3 describes that a quality abnormality of a product is predicted based on the following quality tendency pattern. For example, when grinding the outer peripheral surface of a workpiece with a grindstone, the dimensional accuracy tends to deteriorate as the number of workpieces increases (see FIG. 4 of Patent Document 3). Further, from the relationship between the grinding time and the grinding resistance in one workpiece, the relationship between the number of workpieces and the average value of the grinding resistance is obtained (see FIGS. 5 and 10 of Patent Document 3). Then, by considering the relationship between the number of workpieces and the dimensional accuracy, it is possible to set a threshold value for the average value of the grinding resistance in the quality tendency pattern showing the relationship between the number of workpieces and the average value of the grinding resistance. That is, by grasping the grinding resistance and the number of workpieces, it is possible to predict the abnormality of the product based on the above-mentioned quality tendency pattern and threshold value.

特開２０１３−１２９０２７号公報JP 2013-129027 国際公開第２０１２／０９８８０５号International Publication No. 2012/098805 特開２０１４−１５４０９４号公報Japanese Unexamined Patent Publication No. 2014-154894

近年、ＩｏＴ（Internet of Things）時代と言われ、多数のものをインターネットに接続して取得したビッグデータの活用が期待されている。生産設備においても、生産設備から得られる多数の情報に基づいて、生産対象物の異常解析を行うことも期待されている。 In recent years, it is said to be the IoT (Internet of Things) era, and the utilization of big data acquired by connecting a large number of things to the Internet is expected. It is also expected that production equipment will perform anomalous analysis of production objects based on a large amount of information obtained from the production equipment.

また、近年では、クラウドコンピューティングが知られている。クラウドコンピューティングとは、インターネット等を介して接続されたコンピュータを利用する形態である。例えば、手元のコンピュータに記憶されているデータやアプリケーションを利用するのではなく、手元のコンピュータで、インターネット等を介して接続されたコンピュータに記憶されたデータを利用したり、当該コンピュータのアプリケーションを利用したりする。 In recent years, cloud computing has been known. Cloud computing is a form of using a computer connected via the Internet or the like. For example, instead of using the data and applications stored in the computer at hand, the data stored in the computer connected via the Internet etc. can be used on the computer at hand, or the application of the computer can be used. To do.

クラウドコンピューティングを利用して生産設備のビッグデータの活用が考えられる。しかし、クラウドコンピューティングでは、あまりにも巨大なデータが通信されているため、通信渋滞が発生することがある。さらに、クラウドサーバまでの距離が遠い場合には、通信時間が長くなる。これらの理由により、クラウドコンピューティングを使用した場合には、迅速性に欠ける。 It is conceivable to utilize big data of production equipment by using cloud computing. However, in cloud computing, communication congestion may occur because huge amounts of data are being communicated. Furthermore, when the distance to the cloud server is long, the communication time becomes long. For these reasons, it lacks speed when using cloud computing.

生産設備の異常解析を行った場合に、解析結果を生産設備に早期にフィードバックできれば、生産対象物の異常発生の抑制効果が期待できる。そのためクラウドコンピューティングをそのまま生産設備の異常解析システムとして利用することは、十分ではない。 If the analysis result can be fed back to the production equipment at an early stage when the abnormality analysis of the production equipment is performed, the effect of suppressing the occurrence of the abnormality of the production object can be expected. Therefore, it is not sufficient to use cloud computing as it is as an abnormality analysis system for production equipment.

本発明は、多数の生産設備の情報に基づいて解析し、解析結果を早期に生産設備にフィードバックすることができる異常解析システム及びそれに用いる解析装置を提供することを目的とする。 An object of the present invention is to provide an anomaly analysis system capable of analyzing based on information of a large number of production facilities and feeding back the analysis results to the production facilities at an early stage, and an analysis device used therefor.

（１．異常解析システム）
本発明に係る異常解析システムは、生産対象物を生産する設備であって、１又は複数の検出器をそれぞれ備える複数の生産設備と、前記複数の生産設備に接続され、フォグコンピューティングを構築する所定領域内に設置された第一ネットワークと、前記第一ネットワークに接続され、前記第一ネットワークを介して取得した前記検出器の検出情報に基づいてデータ解析を行い、かつ、前記データ解析の結果に基づいて前記複数の生産設備のそれぞれの異常又は前記生産対象物の異常に関する判定情報を生成する解析装置とを備える。前記複数の生産設備のそれぞれは、前記解析装置に生成された前記判定情報に基づいて前記複数の生産設備のそれぞれの異常又は前記生産対象物の異常の判定を行う異常判定装置を備える。 (1. Abnormality analysis system)
The anomaly analysis system according to the present invention is a facility for producing a production object, and is connected to a plurality of production facilities each equipped with one or a plurality of detectors and the plurality of production facilities to construct fog computing. Data analysis is performed based on the first network installed in the predetermined area and the detection information of the detector connected to the first network and acquired via the first network, and the result of the data analysis. It is provided with an analysis device that generates determination information regarding an abnormality of each of the plurality of production facilities or an abnormality of the production object based on the above. Each of the plurality of production facilities includes an abnormality determination device that determines an abnormality of each of the plurality of production facilities or an abnormality of the production object based on the determination information generated by the analysis device.

複数の生産設備における検出器と解析装置とは、フォグコンピューティングを構築する所定領域内に設置された第一ネットワークを介して接続されている。フォグコンピューティングとは、クラウドコンピューティングと比較して、狭い領域でのネットワーク接続されたシステムである。つまり、フォグコンピューティングを構築する第一ネットワークは、クラウドコンピューティングを構築する領域より狭い所定領域内に設置されているネットワークである。そのため、検出器と解析装置との間におけるデータ通信において、通信渋滞の発生は抑制される。また、第一ネットワークは狭い所定領域内に構築されているため、生産設備と解析装置との間の通信時間を短くすることができる。従って、解析装置は、検出器による検出情報を高速で受信できる。 The detector and the analysis device in the plurality of production facilities are connected to each other via a first network installed in a predetermined area for constructing fog computing. Fog computing is a network-connected system in a smaller area than cloud computing. That is, the first network for constructing fog computing is a network installed in a predetermined area narrower than the area for constructing cloud computing. Therefore, in the data communication between the detector and the analysis device, the occurrence of communication congestion is suppressed. Further, since the first network is constructed in a narrow predetermined area, the communication time between the production equipment and the analysis device can be shortened. Therefore, the analysis device can receive the detection information by the detector at high speed.

解析装置は、複数の生産設備における検出情報を早期に取得でき、解析を行うことができるため、解析装置による結果を早期に生産設備にフィードバックすることができる。解析結果を生産設備に早期にフィードバックできるため、生産対象物の異常発生をより早期に且つ確実に抑制できる。 Since the analysis device can acquire detection information in a plurality of production facilities at an early stage and perform analysis, the results of the analysis device can be fed back to the production facilities at an early stage. Since the analysis result can be fed back to the production equipment at an early stage, it is possible to suppress the occurrence of an abnormality of the production object earlier and more reliably.

（２．解析装置）
本発明に係る解析装置は、上述した異常解析システムに用いられる前記解析装置である。解析装置によれば、上述した異常解析システムによる効果を得ることができる。 (2. Analytical device)
The analysis device according to the present invention is the analysis device used in the above-mentioned abnormality analysis system. According to the analysis device, the effect of the above-mentioned abnormality analysis system can be obtained.

異常解析システムを示す図である。It is a figure which shows the abnormality analysis system. 図１の生産設備の一例として研削盤の構成を示す図である。It is a figure which shows the structure of the grinding machine as an example of the production equipment of FIG. 生産設備のブロック図である。It is a block diagram of a production facility. １個の生産対象物の研削開始からの経過時間に対する砥石車のモータの動力の挙動を示す図である。It is a figure which shows the behavior of the power of the motor of the grindstone with respect to the elapsed time from the start of grinding of one production object. 図１の解析装置の構成を示す図である。It is a figure which shows the structure of the analysis apparatus of FIG. 第一実施形態において、異常判定装置、解析装置及び上位解析装置の詳細処理の流れを示す。In the first embodiment, the flow of detailed processing of the abnormality determination device, the analysis device, and the upper analysis device is shown. 第二実施形態において、異常判定装置、解析装置及び上位解析装置の詳細処理の流れを示す。In the second embodiment, the flow of detailed processing of the abnormality determination device, the analysis device, and the upper analysis device is shown. 第二実施形態において、異常判定装置による周波数解析の結果を示すグラフである。In the second embodiment, it is a graph which shows the result of the frequency analysis by the abnormality determination apparatus. 第二実施形態において、異常判定装置による異常判定の第一例を示す図であって、１日の時間帯（規定パラメータ）における振動の振幅のピーク値（評価パラメータ）についての図である。In the second embodiment, it is the figure which shows the 1st example of the abnormality determination by the abnormality determination apparatus, and is the figure about the peak value (evaluation parameter) of the vibration amplitude in the time zone (specified parameter) of one day. 第二実施形態において、異常判定装置による異常判定の第二例を示す図であって、１年の時期（規定パラメータ）における振動の振幅のピーク値（評価パラメータ）についての図である。In the second embodiment, it is a figure which shows the 2nd example of the abnormality determination by the abnormality determination apparatus, and is the figure about the peak value (evaluation parameter) of the vibration amplitude at the time of one year (specified parameter). 第二実施形態において、解析装置による第一例における判定情報のパターンの生成を説明する図である。It is a figure explaining the generation of the pattern of the determination information in the 1st example by the analysis apparatus in the 2nd Embodiment. 第二実施形態において、解析装置による第二例における判定情報のパターンの生成を説明する図である。It is a figure explaining the generation of the pattern of the determination information in the 2nd example by the analysis apparatus in 2nd Embodiment. 第三実施形態において、異常判定装置、解析装置及び上位解析装置の詳細処理の流れを示す。In the third embodiment, the flow of detailed processing of the abnormality determination device, the analysis device, and the upper analysis device is shown. 第三実施形態において、異常判定装置による異常判定を示す図であって、環境温度（規定パラメータ）におけるモータの動力の電流値（評価パラメータ）についての図である。In the third embodiment, it is a figure which shows the abnormality determination by the abnormality determination apparatus, and is the figure about the current value (evaluation parameter) of the power of the motor at the environmental temperature (specified parameter). 第三実施形態において、解析装置による判定情報のパターンの生成を説明する図である。It is a figure explaining the generation of the pattern of the determination information by an analysis apparatus in the 3rd Embodiment.

＜１．第一実施形態＞
（１−１．異常解析システムの構成）
本実施形態の異常解析システム１の構成について図１を参照して説明する。図１に示すように、異常解析システム１は、生産設備１１〜１３と、他の生産設備２１〜２３と、生産設備１１〜１３に接続されるフォグネットワーク３１と、他の生産設備２１〜２３に接続される他のフォグネットワーク３２と、フォグネットワーク３１，３２に接続されるクラウドネットワーク４０と、解析装置５０と、他の解析装置６０と、上位解析装置７０とを備える。ここで、解析装置５０，６０及び上位解析装置７０は、例えば、ＰＬＣ（Programmable Logic Controller）やＣＮＣ（Computerized Numerical Control）装置などの組み込みシステムとすることもでき、パーソナルコンピュータやサーバなどとすることもできる。 <1. First Embodiment>
(1-1. Configuration of anomaly analysis system)
The configuration of the abnormality analysis system 1 of the present embodiment will be described with reference to FIG. As shown in FIG. 1, the abnormality analysis system 1 includes production equipment 11 to 13, other production equipment 21 to 23, a fog network 31 connected to production equipment 11 to 13, and other production equipment 21 to 23. It includes another fog network 32 connected to the fog network 32, a cloud network 40 connected to the fog networks 31 and 32, an analysis device 50, another analysis device 60, and a higher level analysis device 70. Here, the analysis devices 50 and 60 and the upper analysis device 70 can be, for example, an embedded system such as a PLC (Programmable Logic Controller) or a CNC (Computerized Numerical Control) device, or can be a personal computer, a server, or the like. it can.

生産設備１１〜１３（本発明の生産設備に相当する）は、所定の生産対象物を生産する設備である。他の生産設備２１〜２３（本発明の他の生産設備に相当する）は、所定の生産対象物を生産する設備である。なお、生産設備１１〜１３が生産する生産対象物と他の生産設備２１〜２３が生産する生産対象物とは、同種でも異種でもよい。 Production equipment 11 to 13 (corresponding to the production equipment of the present invention) are equipment for producing a predetermined production object. The other production facilities 21 to 23 (corresponding to the other production facilities of the present invention) are facilities for producing a predetermined production object. The production objects produced by the production facilities 11 to 13 and the production objects produced by the other production facilities 21 to 23 may be of the same type or different types.

生産設備１１，２１は、例えば、生産ラインにおける第一加工工程を担当する工作機械であって、クランクシャフトを研削する研削盤などである。生産設備１３，２３は、第二加工工程を担当する工作機械であって、上記同様にクランクシャフトを研削する研削盤などである。生産設備１２，２２は、生産設備１１，１３の間、又は、生産設備２１，２３の間にて、生産対象物を搬送する搬送機などである。 The production facilities 11 and 21 are, for example, machine tools in charge of the first processing process in the production line, such as a grinding machine for grinding a crankshaft. The production facilities 13 and 23 are machine tools in charge of the second processing process, such as a grinding machine that grinds the crankshaft in the same manner as described above. The production facilities 12 and 22 are a transport machine or the like that transports a production object between the production facilities 11 and 13 or between the production facilities 21 and 23.

また、生産設備１１〜１３は、同一の建物内又は近隣の建物内に設置されている。他の生産設備２１〜２３は、同一の建物内又は近隣の建物内に設置されており、生産設備１１〜１３とは異なる場所の建物内に設置されている。例えば、生産設備１１〜１３は、日本に設置され、他の生産設備２１〜２３は、日本以外の国に設置されている場合や、生産設備１１〜１３と他の生産設備２１〜２３とは、共に日本に設置されているが、遠く離れた地域に設置されている場合などがある。 Further, the production facilities 11 to 13 are installed in the same building or in a neighboring building. The other production facilities 21 to 23 are installed in the same building or in a neighboring building, and are installed in a building in a place different from the production facilities 11 to 13. For example, when the production facilities 11 to 13 are installed in Japan and the other production facilities 21 to 23 are installed in a country other than Japan, or when the production facilities 11 to 13 and the other production facilities 21 to 23 are different. , Both are installed in Japan, but there are cases where they are installed in distant areas.

つまり、生産設備１１〜１３は、後述するフォグコンピューティングを構築することができる所定領域内に設置されている。また、他の生産設備２１〜２３も、同様に、フォグコンピューティングを構築することができる所定領域内に設置されている。ただし、生産設備１１〜１３と他の生産設備２１〜２３とは、フォグコンピューティングを構築することができない領域に設置されている。 That is, the production facilities 11 to 13 are installed in a predetermined area where fog computing described later can be constructed. Similarly, other production facilities 21 to 23 are also installed in a predetermined area where fog computing can be constructed. However, the production facilities 11 to 13 and the other production facilities 21 to 23 are installed in an area where fog computing cannot be constructed.

ここで、フォグコンピューティングとは、クラウドコンピューティングと比較して、狭い領域でのネットワーク接続されたシステムである。つまり、フォグコンピューティングを構築するネットワークは、クラウドコンピューティングを構築する領域より狭い所定領域内に設置されているネットワークである。なお、フォグコンピューティングは、エッジコンピューティングと称されることもある。 Here, fog computing is a network-connected system in a narrow area as compared with cloud computing. That is, the network for constructing fog computing is a network installed in a predetermined area narrower than the area for constructing cloud computing. Fog computing is sometimes referred to as edge computing.

フォグネットワーク３１（本発明の第一ネットワークに相当する）は、生産設備１１〜１３に接続されており、フォグコンピューティングを構築する所定領域内に設置されたネットワークである。フォグネットワーク３１は、生産設備１１〜１３が設置されている建物と同一の建物内に設置されているか、生産設備１１〜１３の何れかが設置されている建物と近隣の建物内に設置されている。 The fog network 31 (corresponding to the first network of the present invention) is a network connected to production facilities 11 to 13 and installed in a predetermined area for constructing fog computing. The fog network 31 is installed in the same building as the building where the production facilities 11 to 13 are installed, or is installed in the building where any of the production facilities 11 to 13 is installed and the neighboring building. There is.

他のフォグネットワーク３２は、他の生産設備２１〜２３に接続されており、フォグコンピューティングを構築する所定領域内に設置されたネットワークである。他のフォグネットワーク３２は、他の生産設備２１〜２３が設置されている建物と同一の建物内に設置されているか、他の生産設備２１〜２３の何れかが設置されている建物と近隣の建物内に設置されている。また、他のフォグネットワーク３２は、フォグネットワーク３１とは直接接続されていない。ここで、フォグネットワーク３１，３２は、インターネット、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）などを適用できる。 The other fog network 32 is a network that is connected to other production facilities 21 to 23 and is installed in a predetermined area for constructing fog computing. The other fog network 32 is installed in the same building as the building in which the other production facilities 21 to 23 are installed, or is in the vicinity of the building in which any of the other production facilities 21 to 23 is installed. It is installed in the building. Further, the other fog network 32 is not directly connected to the fog network 31. Here, the fog networks 31 and 32 can be applied to the Internet, a local area network (LAN), a wide area network (WAN), and the like.

クラウドネットワーク４０（本発明の第二ネットワークに相当する）は、フォグネットワーク３１，３２に接続されるネットワークである。クラウドネットワーク４０は、フォグネットワーク３１，３２に比べて広域のネットワークであり、例えばインターネットである。そのため、クラウドネットワーク４０は、生産設備１１〜１３と他の生産設備２１〜２３とを接続するネットワークとなる。 The cloud network 40 (corresponding to the second network of the present invention) is a network connected to the fog networks 31 and 32. The cloud network 40 is a network having a wider area than the fog networks 31 and 32, and is, for example, the Internet. Therefore, the cloud network 40 is a network that connects the production facilities 11 to 13 and the other production facilities 21 to 23.

解析装置５０は、フォグネットワーク３１に直接接続されており、生産設備１１〜１３が設置されている建物と同一又は近隣の建物内に設置される。解析装置５０は、生産設備１１〜１３から取得した検出情報に基づいてデータ解析を行う。解析装置５０は、例えば、生産設備１１〜１３の１日分の検出情報を取得して、毎日データ解析を行う。データ解析は、何度も繰り返すことにより、学習することもできる。そして、解析装置５０は、生産設備１１〜１３の異常又は生産設備１１〜１３による生産対象物の異常に関する判定情報を、データ解析の結果として記憶する。また、解析装置５０は、後述する上位解析装置７０による上位データ解析の結果を取得することで、解析装置５０によるデータ解析の結果及び上位解析装置７０による上位データ解析の結果に基づいて、判定情報を決定し記憶する。 The analysis device 50 is directly connected to the fog network 31 and is installed in the same building as the building in which the production facilities 11 to 13 are installed or in a nearby building. The analysis device 50 analyzes data based on the detection information acquired from the production equipments 11 to 13. The analysis device 50 acquires, for example, the detection information for one day of the production equipments 11 to 13 and analyzes the data every day. Data analysis can also be learned by repeating it many times. Then, the analysis device 50 stores the determination information regarding the abnormality of the production equipments 11 to 13 or the abnormality of the production object by the production equipments 11 to 13 as the result of the data analysis. Further, the analysis device 50 acquires the result of the upper data analysis by the upper analysis device 70, which will be described later, and determines the determination information based on the result of the data analysis by the analysis device 50 and the result of the upper data analysis by the upper analysis device 70. And memorize.

他の解析装置６０は、フォグネットワーク３２に直接接続されており、生産設備２１〜２３が設置されている建物と同一又は近隣の建物内に設置される。他の解析装置６０は、他の生産設備２１〜２３から取得した検出情報に基づいてデータ解析を行う。他の解析装置６０は、対象を他の生産設備２１〜２３として、上述した解析装置５０と同様の処理を行う。 The other analysis device 60 is directly connected to the fog network 32 and is installed in the same building as the building in which the production facilities 21 to 23 are installed or in a nearby building. The other analysis device 60 analyzes the data based on the detection information acquired from the other production facilities 21 to 23. The other analysis device 60 performs the same processing as the analysis device 50 described above, with the target being another production equipment 21 to 23.

上位解析装置７０は、クラウドネットワーク４０に接続され、取得した情報に基づいて上位データ解析を行う。つまり、上位解析装置７０は、クラウドネットワーク４０及びそれぞれのフォグネットワーク３１，３２を介して、生産設備１１〜１３から情報を取得すると共に、他の生産設備２１〜２３から情報を取得する。上位解析装置７０は、解析装置５０，６０によるデータ解析に比べて長時間を要する上位データ解析を対象とし、多数の情報を利用する上位データ解析を対象とする。上位解析装置７０は、例えば、１週間分、数週間分、１か月分又は数か月分の生産設備１１〜１３及び他の生産設備２１〜２３の検出情報を取得して、取得期間に応じたデータ解析を行う。上位データ解析は、何度も繰り返すことにより、学習することもできる。 The higher-level analysis device 70 is connected to the cloud network 40 and performs higher-level data analysis based on the acquired information. That is, the higher-level analysis device 70 acquires information from the production facilities 11 to 13 and also acquires information from the other production facilities 21 to 23 via the cloud network 40 and the fog networks 31 and 32, respectively. The higher-level analysis device 70 targets higher-level data analysis that requires a longer time than data analysis by the analysis devices 50 and 60, and targets higher-level data analysis that uses a large amount of information. The upper analyzer 70 acquires the detection information of the production equipments 11 to 13 and other production equipments 21 to 23 for one week, several weeks, one month or several months, and during the acquisition period, for example. Perform data analysis according to the situation. Higher-level data analysis can also be learned by repeating it many times.

（１−２．生産設備１１の構成）
次に、生産設備１１の構成の一例について、図２〜図４を参照して説明する。本実施形態においては、生産設備１１は、例えば研削盤とする。研削盤１１の一例として、砥石台１１４をベッド１１１に対してトラバース（Ｚ軸方向への移動）を行う砥石台トラバース型研削盤を例に挙げて説明する。ただし、研削盤１１は、主軸装置１１２がベッド１１１に対してトラバース（Ｚ軸方向への移動）を行うテーブルトラバース型研削盤にも適用できる。 (1-2. Configuration of production equipment 11)
Next, an example of the configuration of the production equipment 11 will be described with reference to FIGS. 2 to 4. In the present embodiment, the production equipment 11 is, for example, a grinding machine. As an example of the grinding machine 11, a grindstone traverse type grinding machine that traverses the grindstone table 114 with respect to the bed 111 (movement in the Z-axis direction) will be described as an example. However, the grinding machine 11 can also be applied to a table traverse type grinding machine in which the spindle device 112 traverses the bed 111 (movement in the Z-axis direction).

研削盤１１による生産対象物（工作物）は、例えばクランクシャフトＷである。研削盤１１による研削部位は、クランクシャフトのクランクジャーナル及びクランクピン等である。 The object (workpiece) produced by the grinding machine 11 is, for example, a crankshaft W. The grinding portion by the grinding machine 11 is a crank journal of a crankshaft, a crank pin, or the like.

研削盤１１は、以下のように構成される。設置面にベッド１１１が固定され、ベッド１１１には、クランクシャフトＷを回転可能に両端支持する主軸装置１１２及び心押装置１１３が取り付けられる。クランクシャフトＷは、クランクジャーナルを中心に回転するように、主軸装置１１２及び心押装置１１３に支持される。主軸装置１１２は、クランクシャフトＷを回転駆動するモータ１１２ａを備える。主軸装置１１２には、主軸の振動を検出する検出器（振動センサ）１１２ｂが取り付けられている。 The grinding machine 11 is configured as follows. The bed 111 is fixed to the installation surface, and the spindle device 112 and the tailstock device 113 that rotatably support both ends of the crankshaft W are attached to the bed 111. The crankshaft W is supported by the spindle device 112 and the tailstock device 113 so as to rotate about the crank journal. The spindle device 112 includes a motor 112a that rotationally drives the crankshaft W. A detector (vibration sensor) 112b for detecting the vibration of the spindle is attached to the spindle device 112.

さらに、ベッド１１１上には、Ｚ軸方向（クランクシャフトＷの軸線方向）及びＸ軸方向（クランクシャフトＷの軸線に直交する方向）に移動可能な砥石台１１４が設けられる。砥石台１１４は、モータ１１４ａによってＺ軸方向に移動し、モータ１１４ｂによってＸ軸方向に移動する。さらに、砥石台１１４には、砥石台１１４のＺ方向位置を検出する検出器１１４ｃ、及び、砥石台１１４のＸ方向位置を検出する検出器１１４ｄが設けられる。検出器１１４ｃ，１１４ｄは、モータ１１４ｂの回転などを測定するロータリエンコーダなどであり、リニアスケールなどの直線位置検出器とすることもできる。 Further, a grindstone base 114 that can move in the Z-axis direction (the axial direction of the crankshaft W) and the X-axis direction (the direction orthogonal to the axis of the crankshaft W) is provided on the bed 111. The grindstone base 114 is moved in the Z-axis direction by the motor 114a, and is moved in the X-axis direction by the motor 114b. Further, the grindstone base 114 is provided with a detector 114c for detecting the Z-direction position of the grindstone base 114 and a detector 114d for detecting the X-direction position of the grindstone base 114. The detectors 114c and 114d are rotary encoders and the like that measure the rotation of the motor 114b and the like, and can also be linear position detectors such as a linear scale.

砥石台１１４には、クランクピン又はクランクジャーナルを研削する砥石車１１５が回転可能に設けられる。砥石車１１５は、モータ１１５ａによって回転駆動される。さらに、砥石台１１４には、モータ１１５ａの動力などを検出する検出器１１５ｂが設けられる。検出器１１５ｂは、例えばモータ電力計であるが、モータ１１５ａの電圧や電流を測定する電圧計や電流計などとすることもできる。なお、砥石車１１５のモータ１１５ａの電力、電圧、電流などは、間接的に、研削抵抗を得ることができる。上記の他に、検出器１１５ｂは、主軸装置１１２や砥石台１１４に設けられる負荷検出器として、研削抵抗を直接的に得るようにすることもできる。 The grindstone table 114 is rotatably provided with a grindstone 115 for grinding a crank pin or a crank journal. The grindstone 115 is rotationally driven by a motor 115a. Further, the grindstone base 114 is provided with a detector 115b that detects the power of the motor 115a and the like. The detector 115b is, for example, a motor wattmeter, but it can also be a voltmeter or an ammeter that measures the voltage or current of the motor 115a. It should be noted that the electric power, voltage, current, etc. of the motor 115a of the grindstone 115 can indirectly obtain the grinding resistance. In addition to the above, the detector 115b can also be used as a load detector provided on the spindle device 112 or the grindstone base 114 to directly obtain the grinding resistance.

さらに、ベッド１１１には、クランクシャフトＷの研削部位であるクランクピン又はクランクジャーナルの外径を計測する定寸装置１１６が設けられる。さらに、ベッド１１１には、環境温度（外気温度）を検出する検出器１１７が設けられる。さらに、ベッド１１１には、研削部位にクーラントを供給するためのポンプ１１８ａ、クーラントの供給のＯＮ／ＯＦＦを切り替える弁１１８ｂ、及び、弁１１８ｂの状態を検出する検出器１１８ｃを備える。検出器１１８ｃは、クーラントの流量計であるが、クーラントの圧力を検出する圧力センサなどとしてもよい。 Further, the bed 111 is provided with a sizing device 116 for measuring the outer diameter of the crank pin or the crank journal, which is the grinding portion of the crankshaft W. Further, the bed 111 is provided with a detector 117 for detecting the environmental temperature (outside air temperature). Further, the bed 111 includes a pump 118a for supplying coolant to the ground portion, a valve 118b for switching ON / OFF of the coolant supply, and a detector 118c for detecting the state of the valve 118b. The detector 118c is a flow meter for coolant, but may be a pressure sensor or the like for detecting the pressure of coolant.

さらに、研削盤１１は、ＣＮＣ装置１２１、ＰＬＣ１２２、異常判定装置１２３、及び、操作盤１２４を備える。ここで、異常判定装置１２３は、ＣＮＣ装置１２１又はＰＬＣ１２２の組み込みシステムとすることもでき、さらにパーソナルコンピュータやサーバなどとすることもできる。 Further, the grinding machine 11 includes a CNC device 121, a PLC 122, an abnormality determination device 123, and an operation panel 124. Here, the abnormality determination device 123 can be an embedded system of the CNC device 121 or the PLC 122, or can be a personal computer, a server, or the like.

ＣＮＣ装置１２１は、図３に示すように、主軸装置１１２及び砥石車１１５を回転するモータ１１２ａ，１１５ａを制御し、且つ、クランクシャフトＷに対する砥石車１１５の相対移動するモータ１１４ａ，１１４ｂを制御する。ＣＮＣ装置１２１は、制御に際して、砥石台１１４の位置の検出器１１４ｃ，１１４ｄ、モータ１１５ａの動力の検出器１１５ｂを取得する。 As shown in FIG. 3, the CNC device 121 controls the motors 112a and 115a that rotate the spindle device 112 and the grindstone 115, and controls the motors 114a and 114b that move the grindstone 115 relative to the crankshaft W. .. The CNC device 121 acquires the detectors 114c and 114d at the position of the grindstone base 114 and the power detector 115b of the motor 115a during control.

ＰＬＣ１２２は、定寸装置１１６からの検出情報を取得する。また、ＰＬＣ１２２は、ポンプ１１８ａ及び弁１１８ｂを制御することで、クーラントの供給を制御する。この制御に際して、ＰＬＣ１２２は、弁１１８ｂの状態を検出する検出器１１８ｃの検出情報を取得する。さらに、ＰＬＣ１２２は、環境温度を検出する検出器１１７の検出情報を取得する。 The PLC 122 acquires the detection information from the sizing device 116. Further, the PLC 122 controls the supply of coolant by controlling the pump 118a and the valve 118b. During this control, the PLC 122 acquires the detection information of the detector 118c that detects the state of the valve 118b. Further, the PLC 122 acquires the detection information of the detector 117 that detects the environmental temperature.

ここで、各検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃのサンプリング周期は、全てが同一ではなく、少なくとも一部が異なる。例えば、モータ１１５ａの動力の検出器１１５ｂのサンプリング周期は、数ｍｓｅｃであり、定寸装置１１６のサンプリング周期は、数ｍｓｅｃであり、弁状態の検出器１１８ｃのサンプリング周期は、数十ｍｓｅｃであり、温度の検出器１１７のサンプリング周期は、数十ｍｓｅｃである。それぞれのサンプリング周期は、制御方法によって適宜調整される。 Here, the sampling cycles of the detectors 112b, 114c, 114d, 115b, 116, 117, 118c are not all the same, but at least a part is different. For example, the sampling cycle of the power detector 115b of the motor 115a is several msec, the sampling cycle of the sizing device 116 is several msec, and the sampling cycle of the valve state detector 118c is several tens of msec. The sampling period of the temperature detector 117 is several tens of msec. Each sampling period is appropriately adjusted by the control method.

異常判定装置１２３は、研削盤１１の異常又は生産対象物（工作物）の異常を判定する。異常判定装置１２３は、判定対象に応じた閾値を記憶しており、各検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃによる検出情報と対応する閾値とを比較することで、異常判定を行う。 The abnormality determination device 123 determines an abnormality of the grinding machine 11 or an abnormality of a production object (workpiece). The abnormality determination device 123 stores the threshold value according to the determination target, and determines the abnormality by comparing the detection information by each detector 112b, 114c, 114d, 115b, 116, 117, 118c with the corresponding threshold value. I do.

例えば、異常判定装置１２３は、図４に示すように、１個の生産対象物（工作物）について、モータ１１５ａの動力の検出器１１５ｂによる検出情報と比較するための閾値Ｔｈ１１，Ｔｈ１２を予め記憶している。閾値Ｔｈ１１，Ｔｈ１２は、１個の生産対象物（工作物）について、研削開始からの経過時間に対するモータ１１５ａの動力の挙動に応じて変化するように設定されている。閾値Ｔｈ１１が上限値であり、閾値Ｔｈ１２が下限値である。 For example, as shown in FIG. 4, the abnormality determination device 123 stores in advance the threshold values Th11 and Th12 for comparing one production object (workpiece) with the detection information by the power detector 115b of the motor 115a. doing. The threshold values Th11 and Th12 are set so as to change according to the behavior of the power of the motor 115a with respect to the elapsed time from the start of grinding for one production object (workpiece). The threshold value Th11 is the upper limit value, and the threshold value Th12 is the lower limit value.

異常判定装置１２３は、モータ１１５ａの動力と閾値Ｔｈ１１，Ｔｈ１２とを比較することで、生産対象物の異常を判定する。具体的には、異常判定装置１２３は、モータ１１５ａの動力が上限閾値Ｔｈ１１を超えた場合又は下限閾値Ｔｈ１２を下回った場合には、生産対象物に研削焼けや形状精度を満たしていない状態が発生しているとして、当該生産対象物は異常であると判定する。なお、砥石車１１５のモータ１１５ａの動力は、研削抵抗に相当する。そこで、砥石車１１５のモータ１１５ａの動力に代えて、他の検出方法により検出される研削抵抗を採用することもできる。研削抵抗と閾値との比較により生産対象物に研削焼け等が生じているかの判定については、例えば、特開２０１３−１２９０２７号公報に記載されている。 The abnormality determination device 123 determines an abnormality of the production object by comparing the power of the motor 115a with the threshold values Th11 and Th12. Specifically, in the abnormality determination device 123, when the power of the motor 115a exceeds the upper limit threshold value Th11 or falls below the lower limit threshold value Th12, a state in which the production object does not satisfy the grinding burn or shape accuracy occurs. If so, it is determined that the production object is abnormal. The power of the motor 115a of the grindstone 115 corresponds to the grinding resistance. Therefore, instead of the power of the motor 115a of the grindstone 115, a grinding resistance detected by another detection method can be adopted. For example, Japanese Patent Application Laid-Open No. 2013-129027 describes a determination as to whether or not a product to be produced has grinding burn or the like by comparing the grinding resistance with the threshold value.

また、異常判定装置１２３は、ＣＮＣ装置１２１及びＰＬＣ１２２による制御対象の駆動装置１１２ａ，１１４ａ，１１４ｂ，１１５ａ，１１８ａ，１１８ｂの異常を判定する。例えば、異常判定装置１２３は、モータ１１４ａ，１１４ｂの使用状態及び使用履歴などの情報から得られる使用実績値と、予め記憶されている閾値とを比較することで、駆動機構に用いられるボールねじや軸受等の異常の判定を行う。また、異常判定装置１２３は、弁１１８ｂの使用状態及び使用履歴などの情報から得られる使用実績値と、予め記憶されている閾値とを比較することで、弁１１８ｂの異常の判定を行う。なお、駆動機構の異常や弁１１８ｂの異常は、駆動機構及び弁１１８ｂの故障のみならず、寿命、メンテナンスが必要となる状態を含む意味で用いる。 Further, the abnormality determination device 123 determines the abnormality of the drive devices 112a, 114a, 114b, 115a, 118a, 118b to be controlled by the CNC device 121 and the PLC 122. For example, the abnormality determination device 123 compares the actual usage value obtained from information such as the usage status and usage history of the motors 114a and 114b with the threshold value stored in advance, so that the ball screw used in the drive mechanism can be used. Judge abnormalities such as bearings. Further, the abnormality determination device 123 determines the abnormality of the valve 118b by comparing the actual usage value obtained from the information such as the usage state and the usage history of the valve 118b with the threshold value stored in advance. The abnormality of the drive mechanism and the abnormality of the valve 118b are used in the sense that not only the failure of the drive mechanism and the valve 118b but also the life and the state requiring maintenance are included.

ここで、異常判定装置１２３が記憶する閾値は、対象となる研削盤１１に応じて異なる値である。仮に、図１において、生産設備１１と他の生産設備２１が同一の対象物を生産する場合であっても、使用環境が異なっていたり、生産対象物の材料配合が異なっていたりする。また、生産設備１１，２１に個体差がある場合もある。そこで、同一の対象物を生産する場合であっても、生産設備１１の閾値と他の生産設備２１の閾値は異なる値に設定されることがある。 Here, the threshold value stored in the abnormality determination device 123 is a value different depending on the target grinding machine 11. Even if the production equipment 11 and the other production equipment 21 produce the same object in FIG. 1, the usage environment may be different or the material composition of the production object may be different. In addition, there may be individual differences in the production equipment 11 and 21. Therefore, even when the same object is produced, the threshold value of the production equipment 11 and the threshold value of the other production equipment 21 may be set to different values.

また、上記においては、生産設備１１について説明したが、研削盤としての生産設備１３，２１，２３についても同様である。さらに、搬送装置としての生産設備１２，２２についても、同様に、異常判定装置１２３を備える。この場合、異常判定装置１２３は、搬送装置としての生産設備１２，２２の使用状態及び使用履歴などの情報から得られる使用実績値と、予め記憶されている閾値とを比較することで、例えば搬送路を構成する部品の異常（故障、寿命、メンテナンスが必要となる状態）の判定を行うことができる。なお、異常判定装置１２３は、図２に示すように生産設備１１内に設けたが、解析装置５０内に設けるようにしてもよい。 Further, although the production equipment 11 has been described above, the same applies to the production equipments 13, 21, 23 as a grinding machine. Further, the production facilities 12 and 22 as the transfer device are also provided with the abnormality determination device 123. In this case, the abnormality determination device 123 compares the actual usage value obtained from information such as the usage status and usage history of the production equipments 12 and 22 as the transport device with the threshold value stored in advance, for example, transport. It is possible to determine abnormalities (failures, lifespans, and conditions that require maintenance) of the parts that make up the road. Although the abnormality determination device 123 is provided in the production facility 11 as shown in FIG. 2, it may be provided in the analysis device 50.

（１−３．解析装置５０の構成）
次に、解析装置５０の構成について、図５を参照して説明する。解析装置５０は、フォグネットワーク３１を介して、生産設備１１〜１３の各検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃに接続されている。解析装置５０は、生産設備１１〜１３の各検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報を、フォグネットワーク３１を介して取得する。さらに、解析装置５０は、生産設備１１〜１３のＣＮＣ装置１２１及びＰＬＣ１２２にも接続されている。解析装置５０は、各種制御パラメータを、フォグネットワーク３１を介して取得する。 (1-3. Configuration of analysis device 50)
Next, the configuration of the analysis device 50 will be described with reference to FIG. The analysis device 50 is connected to the detectors 112b, 114c, 114d, 115b, 116, 117, 118c of the production facilities 11 to 13 via the fog network 31. The analysis device 50 acquires the detection information of each of the detectors 112b, 114c, 114d, 115b, 116, 117, 118c of the production facilities 11 to 13 via the fog network 31. Further, the analysis device 50 is also connected to the CNC device 121 and the PLC 122 of the production facilities 11 to 13. The analysis device 50 acquires various control parameters via the fog network 31.

フォグネットワーク３１は、クラウドネットワーク４０に比べて狭い領域に構築されている。従って、解析装置５０は、生産設備１１〜１３の各検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報を、検出時点から早期に取得することができる。 The fog network 31 is constructed in a narrower area than the cloud network 40. Therefore, the analysis device 50 can acquire the detection information of the detectors 112b, 114c, 114d, 115b, 116, 117, 118c of the production equipments 11 to 13 at an early stage from the detection time.

解析装置５０は、図５に示すように、解析部５１と、表示部５２と、入力部５３とを備える。解析部５１は、生産設備１１〜１３の各検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報を取得する。ここで、解析部５１は、検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃのそれぞれが検出する検出情報の全てを取得する。つまり、各検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃのサンプリング周期に関わりなく、解析部５１は、検出情報の全てを取得する。ここで、解析部５１は、検出情報の全てを取得するため、膨大なデータ量となるが、フォグネットワーク３１を介するため、通信時間の遅延は問題にならない。 As shown in FIG. 5, the analysis device 50 includes an analysis unit 51, a display unit 52, and an input unit 53. The analysis unit 51 acquires the detection information of each of the detectors 112b, 114c, 114d, 115b, 116, 117, 118c of the production equipments 11 to 13. Here, the analysis unit 51 acquires all the detection information detected by each of the detectors 112b, 114c, 114d, 115b, 116, 117, and 118c. That is, the analysis unit 51 acquires all of the detection information regardless of the sampling period of each of the detectors 112b, 114c, 114d, 115b, 116, 117, 118c. Here, since the analysis unit 51 acquires all of the detected information, the amount of data is enormous, but since the analysis unit 51 goes through the fog network 31, the delay in communication time does not matter.

さらに、解析部５１は、各検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報に加えて、生産設備１１〜１３における各種制御パラメータを取得する。例えば、生産設備１１，１３における制御パラメータには、生産対象物としてのクランクシャフトＷの形状及び材質、砥石車１１５の形状及び材質、研削切込量及びクーラントの流量等の研削工程情報が含まれる。 Further, the analysis unit 51 acquires various control parameters in the production facilities 11 to 13 in addition to the detection information of each detector 112b, 114c, 114d, 115b, 116, 117, 118c. For example, the control parameters in the production equipments 11 and 13 include grinding process information such as the shape and material of the crankshaft W as a production object, the shape and material of the grindstone 115, the grinding depth, and the flow rate of coolant. ..

解析部５１は、取得した検出情報及び各種制御パラメータに基づいてデータ解析を行う。データ解析は、いわゆるデータマイニングである。特に、解析部５１は、１つの生産設備１１における各検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報等のみではなく、複数の生産設備１１〜１３における各検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報等を取得する。 The analysis unit 51 analyzes the data based on the acquired detection information and various control parameters. Data analysis is so-called data mining. In particular, the analysis unit 51 includes not only the detection information of each detector 112b, 114c, 114d, 115b, 116, 117, 118c in one production facility 11, but also each detector 112b in a plurality of production facilities 11-13. The detection information and the like of 114c, 114d, 115b, 116, 117, 118c are acquired.

そして、解析部５１は、データ解析により生産対象物の異常に関する判定情報を生成することができ、この判定情報を記憶する。例えば、解析部５１は、データ解析により生産対象物の研削焼けの有無を判定するための閾値Ｔｈ１１，Ｔｈ１２（図４に示す）を、判定情報の一つとして生成する。また、解析部５１は、データ解析により生産設備１１〜１３のそれぞれの部品の異常を判定するための閾値を、判定情報の他の一つとして生成する。さらに、解析部５１は、一旦判定情報を生成した後において、新たな検出情報を取得することにより判定情報を更新する。 Then, the analysis unit 51 can generate determination information regarding an abnormality of the production target by data analysis, and stores this determination information. For example, the analysis unit 51 generates threshold values Th11 and Th12 (shown in FIG. 4) for determining the presence or absence of grinding burn of the production object by data analysis as one of the determination information. Further, the analysis unit 51 generates a threshold value for determining an abnormality of each component of the production equipments 11 to 13 by data analysis as one of the other determination information. Further, the analysis unit 51 updates the determination information by acquiring new detection information after once generating the determination information.

表示部５２は、解析部５１によるデータ解析の結果としての判定情報を表示し、オペレータにデータ解析の結果を確認させることができる。また、表示部５２は、解析部５１が取得した検出情報及び各種制御パラメータを表示することもできる。例えば、表示部５２は、解析部５１により得られる研削焼けの有無を判定するための閾値、生産設備１１におけるモータ１１５ａの動力の検出器１１５ｂによる検出情報、及び、生産設備１３におけるモータ１１５ａの動力の検出器１１５ｂによる検出情報を重ねて表示する。 The display unit 52 displays the determination information as the result of the data analysis by the analysis unit 51, and allows the operator to confirm the result of the data analysis. In addition, the display unit 52 can also display the detection information and various control parameters acquired by the analysis unit 51. For example, the display unit 52 has a threshold value for determining the presence or absence of grinding burn obtained by the analysis unit 51, detection information by the power detector 115b of the motor 115a in the production equipment 11, and the power of the motor 115a in the production equipment 13. The detection information by the detector 115b of the above is superimposed and displayed.

入力部５３は、オペレータによる判定情報等の入力を受け付ける。入力部５３は、生産設備１１〜１３のそれぞれに応じた判定情報を設定できる。解析部５１は、生産設備１１〜１３のそれぞれに応じた判定情報を得ることができるが、オペレータは、得られた判定情報を参照しながらさらに任意に編集することができる。編集された判定情報は、解析部５１に記憶される。 The input unit 53 receives input of determination information and the like by the operator. The input unit 53 can set determination information according to each of the production equipments 11 to 13. The analysis unit 51 can obtain determination information corresponding to each of the production equipments 11 to 13, but the operator can further arbitrarily edit while referring to the obtained determination information. The edited determination information is stored in the analysis unit 51.

そして、生産設備１１〜１３は、解析部５１に記憶された判定情報を、フォグネットワーク３１を介して取得し記憶する。生産設備１１〜１３の異常判定装置１２３は、取得した判定情報に基づいて、生産設備１１〜１３の異常又は生産対象物の異常を判定する。 Then, the production facilities 11 to 13 acquire and store the determination information stored in the analysis unit 51 via the fog network 31. The abnormality determination device 123 of the production facilities 11 to 13 determines the abnormality of the production facilities 11 to 13 or the abnormality of the production object based on the acquired determination information.

（１−４．異常判定装置１２３、解析装置５０，６０及び上位解析装置７０の詳細処理）
次に、異常判定装置１２３、解析装置５０，６０及び上位解析装置７０の詳細処理について、図６を参照して説明する。解析装置５０，６０及び上位解析装置７０は、検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報を取得して、各種の判定情報を生成する。ただし、説明の容易化のため、以下では、検出器１１５ｂの検出情報を用いる場合の処理を例にあげて説明する。 (1-4. Detailed processing of abnormality determination device 123, analysis devices 50, 60, and upper analysis device 70)
Next, detailed processing of the abnormality determination device 123, the analysis devices 50, 60, and the upper analysis device 70 will be described with reference to FIG. The analysis devices 50 and 60 and the upper analysis device 70 acquire the detection information of the detectors 112b, 114c, 114d, 115b, 116, 117, 118c and generate various determination information. However, for ease of explanation, the processing when the detection information of the detector 115b is used will be described below by taking as an example.

検出器１１５ｂが、生産対象物（工作物）が研削されるたびに、モータ１１５ａの動力を検出する（Ｓ１）。続いて、異常判定装置１２３は、１個分の生産対象物についてのデータを収集する（Ｓ２）。このデータは、例えば、図４の実線で示す挙動である。そして、異常判定装置１２３に既に判定情報としての閾値Ｔｈ１１，Ｔｈ１２が記憶されていれば、異常判定装置１２３は、異常判定を行う（Ｓ３）。つまり、異常判定装置１２３は、１個分の生産対象物についてのデータと、既に記憶されている閾値Ｔｈ１１，Ｔｈ１２とを比較することにより、当該生産対象物が異常であるか否かを判定する。 The detector 115b detects the power of the motor 115a each time the production object (workpiece) is ground (S1). Subsequently, the abnormality determination device 123 collects data for one production target (S2). This data is, for example, the behavior shown by the solid line in FIG. Then, if the threshold values Th11 and Th12 as the determination information are already stored in the abnormality determination device 123, the abnormality determination device 123 performs the abnormality determination (S3). That is, the abnormality determination device 123 determines whether or not the production object is abnormal by comparing the data for one production object with the already stored threshold values Th11 and Th12. ..

さらに、異常判定装置１２３は、複数個分の生産対象物のデータを収集する（Ｓ４）。異常判定装置１２３は、例えば、１日分の生産対象物のデータを収集する。異常判定装置１２３が収集した複数個分の生産対象物のデータは、例えば１日に１回、フォグネットワーク３１，３２を介して、解析装置５０，６０に送信される。そして、解析装置５０，６０は、例えば１日に１回、複数個分の生産対象物について、検出器１１５ｂの検出情報を取得する（Ｓ５）。ここで、解析装置５０，６０は、検出器１１５ｂの検出情報の全てを取得する。 Further, the abnormality determination device 123 collects data for a plurality of production objects (S4). The abnormality determination device 123 collects data for one day's production target, for example. The data of the plurality of production objects collected by the abnormality determination device 123 is transmitted to the analysis devices 50 and 60, for example, once a day via the fog networks 31 and 32. Then, the analyzers 50 and 60 acquire the detection information of the detector 115b for a plurality of production objects, for example, once a day (S5). Here, the analyzers 50 and 60 acquire all of the detection information of the detector 115b.

解析装置５０，６０は、複数個分の生産対象物についての検出器１１５ｂの検出情報に基づいて、データ解析を行う（Ｓ６）。そして、解析装置５０，６０は、データ解析により、判定情報としての閾値Ｔｈ１１，Ｔｈ１２を生成する（Ｓ７）。さらに、解析装置５０，６０は、新たに検出器１１５ｂの検出情報を取得した場合には、再びデータ解析を行うことにより、判定情報としての閾値Ｔｈ１１，Ｔｈ１２を更新する（Ｓ７）。そうすると、解析装置５０，６０は、フォグネットワーク３１，３２を介して、判定情報としての閾値Ｔｈ１１，Ｔｈ１２を異常判定装置１２３に送信する。そして、異常判定装置１２３は、判定情報としての閾値Ｔｈ１１，Ｔｈ１２を逐次更新しながら記憶する（Ｓ８）。 The analyzers 50 and 60 perform data analysis based on the detection information of the detector 115b for a plurality of production objects (S6). Then, the analysis devices 50 and 60 generate threshold values Th11 and Th12 as determination information by data analysis (S7). Further, when the analysis devices 50 and 60 newly acquire the detection information of the detector 115b, the analysis devices 50 and 60 update the threshold values Th11 and Th12 as the determination information by performing data analysis again (S7). Then, the analysis devices 50 and 60 transmit the threshold values Th11 and Th12 as determination information to the abnormality determination device 123 via the fog networks 31 and 32. Then, the abnormality determination device 123 stores the threshold values Th11 and Th12 as determination information while sequentially updating them (S8).

ところで、解析装置５０，６０は、判定情報としての閾値Ｔｈ１１，Ｔｈ１２を生成するためのデータ解析と並行して、取得した検出器１１５ｂの検出情報のうち一部の情報のみを抽出する（Ｓ９）。例えば、解析装置５０，６０は、図４において、定常加工を行っているときのモータ１１５ａの動力Ｐを抽出する。解析装置５０，６０は、抽出した情報を、クラウドネットワーク４０を介して、上位解析装置７０に送信される。当該送信は、例えば、１日に１回でもよいし、１月に１回でもよい。 By the way, the analysis devices 50 and 60 extract only a part of the acquired detection information of the detector 115b in parallel with the data analysis for generating the threshold values Th11 and Th12 as the determination information (S9). .. For example, the analyzers 50 and 60 extract the power P of the motor 115a during steady machining in FIG. The analysis devices 50 and 60 transmit the extracted information to the host analysis device 70 via the cloud network 40. The transmission may be, for example, once a day or once a month.

そうすると、上位解析装置７０は、クラウドネットワーク４０を介して、検出器１１５ｂの検出情報の一部を取得することになる（Ｓ１０）。また、上位解析装置７０は、必要に応じて、解析装置５０，６０から、各種制御パラメータを取得する。各種制御パラメータは、検出情報に比べてデータ量が小さい。 Then, the host analyzer 70 acquires a part of the detection information of the detector 115b via the cloud network 40 (S10). Further, the higher-level analysis device 70 acquires various control parameters from the analysis devices 50 and 60 as needed. The amount of data of various control parameters is smaller than that of the detection information.

クラウドネットワーク４０におけるデータ通信量は、フォグネットワーク３１，３２におけるデータ通信量に比べて、格段に少ない。解析装置５０及び他の解析装置６０と上位解析装置７０とが遠方に位置していたとしても、クラウドネットワーク４０を介する通信速度の遅延の問題は生じない。 The amount of data communication in the cloud network 40 is much smaller than the amount of data communication in the fog networks 31 and 32. Even if the analysis device 50 and the other analysis device 60 and the upper analysis device 70 are located far away, the problem of delay in communication speed via the cloud network 40 does not occur.

上位解析装置７０は、解析装置５０，６０から取得した検出情報の一部及び各種制御パラメータに基づいて上位データ解析を行う（Ｓ１１）。上位データ解析は、いわゆるデータマイニングである。上位解析装置７０は、異なる領域に設置される生産設備１１〜１３と生産設備２１〜２３のそれぞれの情報を用いて上位データ解析を行う。従って、上位解析装置７０は、多数の情報を利用する上位データ解析を行うことができる。 The higher-level analysis device 70 performs higher-level data analysis based on a part of the detection information acquired from the analysis devices 50 and 60 and various control parameters (S11). High-level data analysis is so-called data mining. The upper analysis device 70 analyzes the upper data by using the information of the production equipments 11 to 13 and the production equipments 21 to 23 installed in different areas. Therefore, the higher-level analysis device 70 can perform higher-level data analysis using a large amount of information.

生産設備１１〜１３と他の生産設備２１〜２３の設置場所が異なるのであれば、両者の環境温度が異なることがある。例えば、上位解析装置７０は、環境温度の影響をより詳細に上位データ解析することができる。 If the installation locations of the production facilities 11 to 13 and the other production facilities 21 to 23 are different, the environmental temperatures of the two may be different. For example, the upper level analysis device 70 can analyze the upper level data in more detail due to the influence of the environmental temperature.

解析装置５０，６０は、クラウドネットワーク４０を介して、上位解析装置７０による上位データ解析の結果を取得することができる。従って、解析装置５０，６０は、自身のデータ解析によって生成した判定情報としての閾値Ｔｈ１１，Ｔｈ１２について、上位データ解析の結果を参照して更新する（Ｓ７）。そうすると、解析装置５０，６０は、フォグネットワーク３１，３２を介して、更新された判定情報としての閾値Ｔｈ１１，Ｔｈ１２を異常判定装置１２３に送信する。このようにして、異常判定装置１２３は、上位データ解析の結果を考慮した判定情報としての閾値Ｔｈ１１，Ｔｈ１２を逐次更新しながら記憶する（Ｓ８）。 The analysis devices 50 and 60 can acquire the result of the upper data analysis by the upper analysis device 70 via the cloud network 40. Therefore, the analysis devices 50 and 60 update the threshold values Th11 and Th12 as the determination information generated by their own data analysis with reference to the result of the upper data analysis (S7). Then, the analysis devices 50 and 60 transmit the threshold values Th11 and Th12 as the updated determination information to the abnormality determination device 123 via the fog networks 31 and 32. In this way, the abnormality determination device 123 stores the threshold values Th11 and Th12 as determination information in consideration of the result of the upper data analysis while sequentially updating them (S8).

ここで、解析装置５０の表示部５２は、解析装置５０自身のデータ解析の結果としての判定情報を表示すると共に、上位解析装置７０の上位データ解析の結果としての判定情報を重ねて表示することができる。オペレータは、両者の判定情報を確認しながら、入力部５３により生産設備１１〜１３で使用する判定情報の設定を行うことができる。なお、解析装置６０においても同様である。 Here, the display unit 52 of the analysis device 50 displays the determination information as the result of the data analysis of the analysis device 50 itself, and also displays the determination information as the result of the upper data analysis of the upper analysis device 70 in an overlapping manner. Can be done. The operator can set the determination information to be used in the production equipments 11 to 13 by the input unit 53 while confirming the determination information of both. The same applies to the analyzer 60.

解析装置５０，６０は、収集したデータの一部又は全部を上位解析装置７０へ送信可能である。解析装置５０，６０が送信するデータの範囲（値の大きさや時間などで設定される範囲）は、解析装置５０，６０自身、又は、オペレータの操作との協働によって、生産設備１１〜１３の近いところで決めることができる。 The analysis devices 50 and 60 can transmit a part or all of the collected data to the upper analysis device 70. The range of data transmitted by the analysis devices 50 and 60 (the range set by the size and time of the value) is the range of the production facilities 11 to 13 in cooperation with the analysis devices 50 and 60 itself or the operation of the operator. You can decide in the near future.

＜２．第二実施形態＞
第二実施形態における、異常判定装置１２３、解析装置５０，６０及び上位解析装置７０の詳細処理について、図７〜図１２を参照して説明する。第二実施形態においては、検出器１１２ｂの検出情報を用いる場合を例にあげて説明する。 <2. Second Embodiment>
The detailed processing of the abnormality determination device 123, the analysis devices 50, 60, and the upper analysis device 70 in the second embodiment will be described with reference to FIGS. 7 to 12. In the second embodiment, the case where the detection information of the detector 112b is used will be described as an example.

図７に示すように、検出器１１２ｂが、生産対象物（工作物）が研削されるたびに、主軸の振動を検出する（Ｓ２１）。続いて、異常判定装置１２３は、１個分の生産対象物についてのデータを収集する（Ｓ２２）。続いて、異常判定装置１２３は、１個分の生産対象物についての振動データに対して周波数解析（本発明の所定処理に相当する）を行う（Ｓ２３）。周波数解析の結果は、図８に示す。そして、異常判定装置１２３は、周波数解析によって得られる振動データの所定周波数帯のピーク値（本発明の処理後データに相当する）を取得する。 As shown in FIG. 7, the detector 112b detects the vibration of the spindle every time the production object (geographical feature) is ground (S21). Subsequently, the abnormality determination device 123 collects data for one production target (S22). Subsequently, the abnormality determination device 123 performs frequency analysis (corresponding to a predetermined process of the present invention) on vibration data for one production object (S23). The result of frequency analysis is shown in FIG. Then, the abnormality determination device 123 acquires the peak value (corresponding to the processed data of the present invention) of the predetermined frequency band of the vibration data obtained by the frequency analysis.

ここで、図８に示すように、周波数解析の結果は、複数の周波数帯において、ピーク値（図８の丸印で囲む）を有する。これらの周波数帯は、主軸の振動原因に対応する。例えば、主軸装置１１２の軸受の外輪に損傷がある場合、内輪に損傷がある場合、転動体に損傷がある場合などに応じて、周波数帯が異なる。そこで、異常判定装置１２３は、振動原因毎に対応する周波数帯のピーク値を取得する。 Here, as shown in FIG. 8, the result of the frequency analysis has a peak value (enclosed by a circle in FIG. 8) in a plurality of frequency bands. These frequency bands correspond to the vibration causes of the spindle. For example, the frequency band differs depending on whether the outer ring of the bearing of the spindle device 112 is damaged, the inner ring is damaged, the rolling element is damaged, or the like. Therefore, the abnormality determination device 123 acquires the peak value of the frequency band corresponding to each vibration cause.

そして、異常判定装置１２３は、既に判定情報のパターンとしての閾値Ｔｈ２１，Ｔｈ２２が記憶されている場合には、異常判定装置１２３は、異常判定を行う（Ｓ２４）。判定情報のパターンとしての閾値Ｔｈ２１，Ｔｈ２２は、例えば、図９に示すように、１日の時間帯（規定パラメータ）に対する振動データの周波数解析のピーク値（評価パラメータ）のパターンである。ここで、１日においても、生産設備１１〜１３を起動してからの経過時間や、環境温度などによって、振動の大きさが異なる。そこで、図９に示すように、判定情報のパターンとしての閾値Ｔｈ２１，Ｔｈ２２は、横軸を１日の時間帯（規定パラメータ）とし、縦軸を振動データの周波数解析のピーク値（評価パラメータ）として表す。 Then, when the abnormality determination device 123 has already stored the threshold values Th21 and Th22 as the determination information pattern, the abnormality determination device 123 performs the abnormality determination (S24). The threshold values Th21 and Th22 as patterns of determination information are, for example, patterns of peak values (evaluation parameters) of frequency analysis of vibration data for a time zone (specified parameter) of one day, as shown in FIG. Here, even in one day, the magnitude of vibration varies depending on the elapsed time from starting the production equipments 11 to 13 and the environmental temperature. Therefore, as shown in FIG. 9, the threshold values Th21 and Th22 as the judgment information pattern have the horizontal axis as the time zone of one day (specified parameter) and the vertical axis as the peak value (evaluation parameter) of the frequency analysis of the vibration data. Expressed as.

つまり、異常判定装置１２３は、現在取得された実際の時間帯（規定パラメータ）と、現在取得された実際のピーク値（評価パラメータ）と、記憶されている判定情報のパターンとに基づいて、異常の判定を行う。ここで、図９において、マーク■が、現在取得された実際の時間帯に対するピーク値である。マーク■は、上限の閾値Ｔｈ２１以下であり、下限の閾値Ｔｈ２２以上であるため、正常であると判定される。 That is, the abnormality determination device 123 has an abnormality based on the currently acquired actual time zone (specified parameter), the currently acquired actual peak value (evaluation parameter), and the stored determination information pattern. Is judged. Here, in FIG. 9, the mark (1) is a peak value with respect to the actually acquired time zone. Since the mark (6) is equal to or lower than the upper limit threshold value Th21 and is equal to or higher than the lower limit threshold value Th22, it is determined to be normal.

また、異常判定装置１２３は、他の判定情報のパターンとしての閾値Ｔｈ３１，Ｔｈ３２は、例えば、図１０に示すように、１年の時期（規定パラメータ）に対する振動データの周波数解析のピーク値（評価パラメータ）のパターンを記憶している。ここで、１年においても、環境温度の違いの影響によって、振動の大きさが異なる。そこで、図１０に示すように、他の判定情報のパターンとしての閾値Ｔｈ３１，Ｔｈ３２は、横軸を１年の時期（規定パラメータ）とし、縦軸を振動データの周波数解析のピーク値（評価パラメータ）として表す。 Further, in the abnormality determination device 123, the threshold values Th31 and Th32 as patterns of other determination information are, for example, as shown in FIG. 10, the peak value (evaluation) of the frequency analysis of the vibration data for the period of one year (specified parameter). The pattern of parameter) is memorized. Here, even in one year, the magnitude of vibration differs due to the influence of the difference in environmental temperature. Therefore, as shown in FIG. 10, for the threshold values Th31 and Th32 as patterns of other determination information, the horizontal axis is the period of one year (specified parameter), and the vertical axis is the peak value (evaluation parameter) of the frequency analysis of the vibration data. ).

つまり、異常判定装置１２３は、現在取得された実際の時期（規定パラメータ）と、現在取得された実際のピーク値（評価パラメータ）と、記憶されている判定情報のパターンとに基づいて、異常の判定を行う。ここで、図１０において、マーク▲が、現在取得された実際の時期に対するピーク値である。マーク▲は、上限の閾値Ｔｈ３１以下であり、下限の閾値Ｔｈ３２以上であるため、正常であると判定される。 That is, the abnormality determination device 123 has an abnormality based on the currently acquired actual time (specified parameter), the currently acquired actual peak value (evaluation parameter), and the stored determination information pattern. Make a judgment. Here, in FIG. 10, the mark ▲ is the peak value with respect to the actual time acquired at present. Since the mark ▲ is equal to or lower than the upper limit threshold value Th31 and is equal to or higher than the lower limit threshold value Th32, it is determined to be normal.

さらに、異常判定装置１２３は、複数個分の生産対象物のピーク値（処理後データ）を収集する（Ｓ２５）。異常判定装置１２３は、例えば、１日分の生産対象物のピーク値を収集する。異常判定装置１２３が収集した複数個分の生産対象物のピーク値は、例えば１日に１回、フォグネットワーク３１，３２を介して、解析装置５０，６０に送信される。そして、解析装置５０，６０は、例えば１日に１回、複数個分の生産対象物について、振動データの周波数解析のピーク値を取得する（Ｓ２６）。ここで、解析装置５０，６０は、検出器１１２ｂの検出情報に比べて、遥かに小さなデータ量のピーク値を取得する。 Further, the abnormality determination device 123 collects peak values (post-processed data) of a plurality of production objects (S25). The abnormality determination device 123 collects, for example, the peak value of the production object for one day. The peak values of the plurality of production objects collected by the abnormality determination device 123 are transmitted to the analysis devices 50 and 60, for example, once a day via the fog networks 31 and 32. Then, the analyzers 50 and 60 acquire the peak value of the frequency analysis of the vibration data for a plurality of production objects, for example, once a day (S26). Here, the analyzers 50 and 60 acquire the peak value of a much smaller amount of data than the detection information of the detector 112b.

解析装置５０，６０は、複数個分の生産対象物についてのピーク値に基づいて、データ解析を行う（Ｓ２７）。例えば、２日分のピーク値の分布は、図１１に示すようになる。そして、解析装置５０，６０は、複数日分のピーク値から、正常傾向パターンを解析する。正常傾向パターンとは、分布されたデータの近似曲線（例えば最小二乗近似曲線）としてもよいし、分布されたデータ全てを含む幅を持った曲線としてもよい。そして、解析装置５０，６０は、正常傾向パターンに基づいて、図１１の破線にて示すように、判定情報のパターンとしての閾値Ｔｈ２１，Ｔｈ２２を生成する（Ｓ２８）。 The analyzers 50 and 60 perform data analysis based on the peak values of a plurality of production objects (S27). For example, the distribution of peak values for two days is shown in FIG. Then, the analyzers 50 and 60 analyze the normal tendency pattern from the peak values for a plurality of days. The normal tendency pattern may be an approximate curve of the distributed data (for example, a least squares approximate curve), or may be a curve having a width including all the distributed data. Then, the analysis devices 50 and 60 generate threshold values Th21 and Th22 as patterns of determination information as shown by the broken line in FIG. 11 based on the normal tendency pattern (S28).

さらに、解析装置５０，６０は、新たに検出器１１２ｂの検出情報を取得した場合には、再びデータ解析を行うことにより、判定情報のパターンとしての閾値Ｔｈ２１，Ｔｈ２２を更新する（Ｓ２８）。そうすると、解析装置５０，６０は、フォグネットワーク３１，３２を介して、判定情報のパターンとしての閾値Ｔｈ２１，Ｔｈ２２を異常判定装置１２３に送信する。そして、異常判定装置１２３は、判定情報のパターンとしての閾値Ｔｈ２１，Ｔｈ２２を逐次更新しながら記憶する（Ｓ２９）。 Further, when the analysis devices 50 and 60 newly acquire the detection information of the detector 112b, the analysis devices 50 and 60 update the threshold values Th21 and Th22 as the pattern of the determination information by performing the data analysis again (S28). Then, the analysis devices 50 and 60 transmit the threshold values Th21 and Th22 as the pattern of the determination information to the abnormality determination device 123 via the fog networks 31 and 32. Then, the abnormality determination device 123 stores the threshold values Th21 and Th22 as patterns of determination information while sequentially updating them (S29).

また、解析装置５０，６０は、１年分の生産対象物についてのピーク値に基づいて、データ解析を行う（Ｓ２７）。例えば、１年分のピーク値の分布は、図１２に示すようになる。そして、解析装置５０，６０は、１年分のピーク値から、正常傾向パターンを解析する。そして、解析装置５０，６０は、正常傾向パターンに基づいて、図１２の破線にて示すように、判定情報のパターンとしての閾値Ｔｈ３１，Ｔｈ３２を生成する（Ｓ２８）。 Further, the analyzers 50 and 60 perform data analysis based on the peak values of the production objects for one year (S27). For example, the distribution of peak values for one year is shown in FIG. Then, the analyzers 50 and 60 analyze the normal tendency pattern from the peak value for one year. Then, the analysis devices 50 and 60 generate threshold values Th31 and Th32 as patterns of determination information as shown by the broken line in FIG. 12 based on the normal tendency pattern (S28).

この場合も同様に、解析装置５０，６０は、新たに検出器１１２ｂの検出情報を取得した場合には、再びデータ解析を行うことにより、判定情報のパターンとしての閾値Ｔｈ３１，Ｔｈ３２を更新する（Ｓ２８）。そうすると、解析装置５０，６０は、フォグネットワーク３１，３２を介して、判定情報のパターンとしての閾値Ｔｈ３１，Ｔｈ３２を異常判定装置１２３に送信する。そして、異常判定装置１２３は、判定情報のパターンとしての閾値Ｔｈ３１，Ｔｈ３２を逐次更新しながら記憶する（Ｓ２９）。 Similarly in this case, when the analysis devices 50 and 60 newly acquire the detection information of the detector 112b, the analysis devices 50 and 60 update the threshold values Th31 and Th32 as the pattern of the determination information by performing the data analysis again (these are the same. S28). Then, the analysis devices 50 and 60 transmit the threshold values Th31 and Th32 as the pattern of the determination information to the abnormality determination device 123 via the fog networks 31 and 32. Then, the abnormality determination device 123 stores the threshold values Th31 and Th32 as patterns of determination information while sequentially updating them (S29).

ところで、解析装置５０，６０は、判定情報としての閾値Ｔｈ２１，Ｔｈ２２，Ｔｈ３１，Ｔｈ３２を生成するためのデータ解析と並行して、取得したピーク値のうち一部の情報のみを抽出する（Ｓ３０）。例えば、解析装置５０，６０は、全ての生産対象物のピーク値ではなく、一部の生産対象物のピーク値を抽出する。解析装置５０，６０は、例えば、同一ロットの中から１個の生産対象物のピーク値を抽出する。解析装置５０，６０は、抽出した情報を、クラウドネットワーク４０を介して、上位解析装置７０に送信される。当該送信は、例えば、１週間に１回でもよいし、１月に１回でもよい。 By the way, the analysis devices 50 and 60 extract only a part of the acquired peak values in parallel with the data analysis for generating the threshold values Th21, Th22, Th31, Th32 as the determination information (S30). .. For example, the analyzers 50 and 60 extract not the peak values of all the production objects but the peak values of some production objects. The analyzers 50 and 60, for example, extract the peak value of one production object from the same lot. The analysis devices 50 and 60 transmit the extracted information to the host analysis device 70 via the cloud network 40. The transmission may be, for example, once a week or once a month.

そうすると、上位解析装置７０は、クラウドネットワーク４０を介して、ピーク値の一部の情報を取得することになる（Ｓ３１）。また、上位解析装置７０は、必要に応じて、解析装置５０，６０から、各種制御パラメータを取得する。各種制御パラメータは、検出情報に比べてデータ量が小さい。 Then, the upper analysis device 70 acquires a part of the information of the peak value via the cloud network 40 (S31). Further, the higher-level analysis device 70 acquires various control parameters from the analysis devices 50 and 60 as needed. The amount of data of various control parameters is smaller than that of the detection information.

上位解析装置７０は、解析装置５０，６０から取得したピーク値の一部及び各種制御パラメータに基づいて上位データ解析を行う（Ｓ３２）。上位データ解析は、いわゆるデータマイニングである。上位解析装置７０は、異なる領域に設置される生産設備１１〜１３と生産設備２１〜２３のそれぞれの情報を用いて上位データ解析を行う。従って、上位解析装置７０は、多数の情報を利用する上位データ解析を行うことができる。 The upper analysis device 70 analyzes the upper data based on a part of the peak values acquired from the analysis devices 50 and 60 and various control parameters (S32). High-level data analysis is so-called data mining. The upper analysis device 70 analyzes the upper data by using the information of the production equipments 11 to 13 and the production equipments 21 to 23 installed in different areas. Therefore, the higher-level analysis device 70 can perform higher-level data analysis using a large amount of information.

解析装置５０，６０は、クラウドネットワーク４０を介して、上位解析装置７０による上位データ解析の結果を取得することができる。従って、解析装置５０，６０は、自身のデータ解析によって生成した判定情報のパターンとしての閾値Ｔｈ２１，Ｔｈ２２，Ｔｈ３１，Ｔｈ３２について、上位データ解析の結果を参照して更新する（Ｓ２８）。そうすると、解析装置５０，６０は、フォグネットワーク３１，３２を介して、更新された判定情報としての閾値Ｔｈ２１，Ｔｈ２２，Ｔｈ３１，Ｔｈ３２を異常判定装置１２３に送信する。このようにして、異常判定装置１２３は、上位データ解析の結果を考慮した判定情報としての閾値Ｔｈ２１，Ｔｈ２２，Ｔｈ３１，Ｔｈ３２を逐次更新しながら記憶する（Ｓ２９）。 The analysis devices 50 and 60 can acquire the result of the upper data analysis by the upper analysis device 70 via the cloud network 40. Therefore, the analysis devices 50 and 60 update the threshold values Th21, Th22, Th31, and Th32 as patterns of the determination information generated by their own data analysis with reference to the result of the upper data analysis (S28). Then, the analysis devices 50 and 60 transmit the threshold values Th21, Th22, Th31, and Th32 as the updated determination information to the abnormality determination device 123 via the fog networks 31 and 32. In this way, the abnormality determination device 123 stores the threshold values Th21, Th22, Th31, and Th32 as determination information in consideration of the result of the upper data analysis while sequentially updating them (S29).

＜３．第三実施形態＞
第三実施形態における、異常判定装置１２３、解析装置５０，６０及び上位解析装置７０の詳細処理について、図１３〜図１５を参照して説明する。第三実施形態においては、検出器１１５ｂ，１１７の検出情報を用いる場合を例にあげて説明する。 <3. Third Embodiment>
The detailed processing of the abnormality determination device 123, the analysis devices 50, 60, and the upper analysis device 70 in the third embodiment will be described with reference to FIGS. 13 to 15. In the third embodiment, the case where the detection information of the detectors 115b and 117 is used will be described as an example.

図１３に示すように、検出器１１５ｂが、生産対象物（工作物）が研削されるたびに、モータ１１５ａの動力の電流値を検出する（Ｓ４１）。また、検出器１１７が、生産対象物が研削されるたびに、環境温度を検出する（Ｓ４２）。続いて、異常判定装置１２３は、１個分の生産対象物についてのそれぞれのデータを収集する（Ｓ４３）。 As shown in FIG. 13, the detector 115b detects the current value of the power of the motor 115a each time the production object (geographical feature) is ground (S41). In addition, the detector 117 detects the environmental temperature each time the production object is ground (S42). Subsequently, the abnormality determination device 123 collects data for one production object (S43).

続いて、異常判定装置１２３は、１個分の生産対象物についてのモータ１１５ａの動力データの中から、定常加工を行っているときのデータを抽出する（本発明の所定処理に相当する）（Ｓ４４）。例えば、図４において、定常加工を行っているときのモータ１１５ａの動力の電流値はＰである。そして、異常判定装置１２３は、抽出処理により得られた動力の電流値Ｐのデータ及び環境温度のデータ（本発明の処理後データに相当する）を取得する。 Subsequently, the abnormality determination device 123 extracts data during steady machining from the power data of the motor 115a for one production object (corresponding to the predetermined process of the present invention) (corresponding to the predetermined process of the present invention). S44). For example, in FIG. 4, the current value of the power of the motor 115a during steady machining is P. Then, the abnormality determination device 123 acquires the power current value P data and the environmental temperature data (corresponding to the post-processing data of the present invention) obtained by the extraction process.

そして、異常判定装置１２３は、既に判定情報のパターンとしての閾値Ｔｈ４１，Ｔｈ４２が記憶されている場合には、異常判定装置１２３は、異常判定を行う（Ｓ４５）。判定情報のパターンとしての閾値Ｔｈ４１，Ｔｈ４２は、例えば、図１４に示すように、環境温度（規定パラメータ）に対するモータ１１５ａの動力の電流値（評価パラメータ）のパターンである。ここで、環境温度によって、モータ１１５ａの動力の電流値は変化する。そこで、図１４に示すように、判定情報のパターンとしての閾値Ｔｈ４１，Ｔｈ４２は、横軸を環境温度（規定パラメータ）とし、縦軸をモータ１１５ａの動力の電流値Ｐ（評価パラメータ）として表す。 Then, when the abnormality determination device 123 already stores the threshold values Th41 and Th42 as the determination information pattern, the abnormality determination device 123 performs the abnormality determination (S45). The threshold values Th41 and Th42 as the patterns of the determination information are, for example, as shown in FIG. 14, a pattern of the current value (evaluation parameter) of the power of the motor 115a with respect to the environmental temperature (specified parameter). Here, the current value of the power of the motor 115a changes depending on the environmental temperature. Therefore, as shown in FIG. 14, the threshold values Th41 and Th42 as patterns of determination information are represented by the horizontal axis as the environmental temperature (specified parameter) and the vertical axis as the current value P (evaluation parameter) of the power of the motor 115a.

つまり、異常判定装置１２３は、現在取得された実際の環境温度（規定パラメータ）と、現在取得された実際の動力の電流値Ｐ（評価パラメータ）と、記憶されている判定情報のパターンとに基づいて、異常の判定を行う。ここで、図１４において、マーク■が、現在取得された実際の環境温度に対する動力の電流値Ｐである。マーク■は、上限の閾値Ｔｈ４１以下であり、下限の閾値Ｔｈ４２以上であるため、正常であると判定される。 That is, the abnormality determination device 123 is based on the currently acquired actual environmental temperature (specified parameter), the currently acquired actual power current value P (evaluation parameter), and the stored determination information pattern. Then, the abnormality is judged. Here, in FIG. 14, the mark (6) is the current value P of the power with respect to the actually acquired environmental temperature. Since the mark (6) is equal to or lower than the upper limit threshold value Th41 and equal to or higher than the lower limit threshold value Th42, it is determined to be normal.

さらに、異常判定装置１２３は、複数個分の動力の電流値Ｐのデータ及び環境温度データ（処理後データ）を収集する（Ｓ４６）。異常判定装置１２３は、例えば、１日分の生産対象物の動力の電流値Ｐのデータ及び環境温度のデータを収集する。異常判定装置１２３が収集した複数個分のデータは、例えば１日に１回、フォグネットワーク３１，３２を介して、解析装置５０，６０に送信される。そして、解析装置５０，６０は、例えば１日に１回、複数個分の生産対象物について、動力の電流値Ｐのデータ及び環境温度のデータを取得する（Ｓ４７）。ここで、解析装置５０，６０は、検出器１１５ｂ，１１７の全ての検出情報に比べて、遥かに小さなデータ量のデータを取得する。 Further, the abnormality determination device 123 collects data of a plurality of power current values P and environmental temperature data (processed data) (S46). The abnormality determination device 123 collects, for example, data of the current value P of the power of the production object for one day and data of the environmental temperature. The plurality of data collected by the abnormality determination device 123 are transmitted to the analysis devices 50 and 60 via the fog networks 31 and 32, for example, once a day. Then, the analyzers 50 and 60 acquire power current value P data and environmental temperature data for a plurality of production objects, for example, once a day (S47). Here, the analyzers 50 and 60 acquire data in a much smaller amount of data than all the detection information of the detectors 115b and 117.

解析装置５０，６０は、複数個分の生産対象物についてのデータに基づいて、データ解析を行う（Ｓ４８）。例えば、環境温度が異なる複数日分のデータの分布は、図１５に示すようになる。そして、解析装置５０，６０は、複数日分のデータから、正常傾向パターンを解析する。そして、解析装置５０，６０は、正常傾向パターンに基づいて、図１４，図１５の破線にて示すように、判定情報のパターンとしての閾値Ｔｈ４１，Ｔｈ４２を生成する（Ｓ４９）。 The analyzers 50 and 60 perform data analysis based on the data of a plurality of production objects (S48). For example, the distribution of data for a plurality of days with different environmental temperatures is shown in FIG. Then, the analysis devices 50 and 60 analyze the normal tendency pattern from the data for a plurality of days. Then, the analysis devices 50 and 60 generate threshold values Th41 and Th42 as patterns of determination information based on the normal tendency pattern as shown by the broken lines in FIGS. 14 and 15 (S49).

さらに、解析装置５０，６０は、新たに検出器１１５ｂ，１１７の検出情報を取得した場合には、再びデータ解析を行うことにより、判定情報のパターンとしての閾値Ｔｈ４１，Ｔｈ４２を更新する（Ｓ４９）。そうすると、解析装置５０，６０は、フォグネットワーク３１，３２を介して、判定情報のパターンとしての閾値Ｔｈ４１，Ｔｈ４２を異常判定装置１２３に送信する。そして、異常判定装置１２３は、判定情報のパターンとしての閾値Ｔｈ４１，Ｔｈ４２を逐次更新しながら記憶する（Ｓ５０）。 Further, when the analysis devices 50 and 60 newly acquire the detection information of the detectors 115b and 117, the analysis devices 50 and 60 update the threshold values Th41 and Th42 as the pattern of the determination information by performing the data analysis again (S49). .. Then, the analysis devices 50 and 60 transmit the threshold values Th41 and Th42 as the pattern of the determination information to the abnormality determination device 123 via the fog networks 31 and 32. Then, the abnormality determination device 123 stores the threshold values Th41 and Th42 as patterns of determination information while sequentially updating them (S50).

ところで、解析装置５０，６０は、判定情報としての閾値Ｔｈ４１，Ｔｈ４２を生成するためのデータ解析と並行して、取得したデータのうち一部の情報のみを抽出する（Ｓ５１）。例えば、解析装置５０，６０は、全ての生産対象物のデータではなく、一部の生産対象物のデータを抽出する。解析装置５０，６０は、例えば、同一ロットの中から１個の生産対象物のデータを抽出する。解析装置５０，６０は、抽出した情報を、クラウドネットワーク４０を介して、上位解析装置７０に送信される。当該送信は、例えば、１週間に１回でもよいし、１月に１回でもよい。 By the way, the analysis devices 50 and 60 extract only a part of the acquired data in parallel with the data analysis for generating the threshold values Th41 and Th42 as the determination information (S51). For example, the analyzers 50 and 60 extract not the data of all the production objects but the data of some production objects. The analyzers 50 and 60, for example, extract data of one production object from the same lot. The analysis devices 50 and 60 transmit the extracted information to the host analysis device 70 via the cloud network 40. The transmission may be, for example, once a week or once a month.

そうすると、上位解析装置７０は、クラウドネットワーク４０を介して、データの一部の情報を取得することになる（Ｓ５２）。また、上位解析装置７０は、必要に応じて、解析装置５０，６０から、各種制御パラメータを取得する。各種制御パラメータは、検出情報に比べてデータ量が小さい。 Then, the upper analysis device 70 acquires a part of the information of the data via the cloud network 40 (S52). Further, the higher-level analysis device 70 acquires various control parameters from the analysis devices 50 and 60 as needed. The amount of data of various control parameters is smaller than that of the detection information.

上位解析装置７０は、解析装置５０，６０から取得したデータの一部及び各種制御パラメータに基づいて上位データ解析を行う（Ｓ５３）。上位データ解析は、いわゆるデータマイニングである。上位解析装置７０は、異なる領域に設置される生産設備１１〜１３と生産設備２１〜２３のそれぞれの情報を用いて上位データ解析を行う。従って、上位解析装置７０は、多数の情報を利用する上位データ解析を行うことができる。 The higher-level analysis device 70 performs higher-level data analysis based on a part of the data acquired from the analysis devices 50 and 60 and various control parameters (S53). High-level data analysis is so-called data mining. The upper analysis device 70 analyzes the upper data by using the information of the production equipments 11 to 13 and the production equipments 21 to 23 installed in different areas. Therefore, the higher-level analysis device 70 can perform higher-level data analysis using a large amount of information.

解析装置５０，６０は、クラウドネットワーク４０を介して、上位解析装置７０による上位データ解析の結果を取得することができる。従って、解析装置５０，６０は、自身のデータ解析によって生成した判定情報のパターンとしての閾値Ｔｈ４１，Ｔｈ４２について、上位データ解析の結果を参照して更新する（Ｓ４９）。そうすると、解析装置５０，６０は、フォグネットワーク３１，３２を介して、更新された判定情報としての閾値Ｔｈ４１，Ｔｈ４２を異常判定装置１２３に送信する。このようにして、異常判定装置１２３は、上位データ解析の結果を考慮した判定情報としての閾値Ｔｈ４１，Ｔｈ４２を逐次更新しながら記憶する（Ｓ５０）。 The analysis devices 50 and 60 can acquire the result of the upper data analysis by the upper analysis device 70 via the cloud network 40. Therefore, the analysis devices 50 and 60 update the threshold values Th41 and Th42 as patterns of the determination information generated by their own data analysis with reference to the result of the upper data analysis (S49). Then, the analysis devices 50 and 60 transmit the threshold values Th41 and Th42 as the updated determination information to the abnormality determination device 123 via the fog networks 31 and 32. In this way, the abnormality determination device 123 stores the threshold values Th41 and Th42 as determination information in consideration of the result of the upper data analysis while sequentially updating them (S50).

＜４．実施形態の効果＞
第一実施形態から第三実施形態において、異常解析システム１は、生産対象物を生産する設備であって、１又は複数の検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃをそれぞれ備える複数の生産設備１１〜１３と、複数の生産設備１１〜１３に接続され、フォグコンピューティングを構築する所定領域内に設置されたフォグネットワーク（第一ネットワークに相当）３１と、フォグネットワークに３１接続され、フォグネットワーク３１を介して取得した検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報に基づいてデータ解析を行い、且つ、データ解析の結果に基づいて複数の生産設備１１〜１３のそれぞれの異常又は生産対象物の異常に関する判定情報を生成する解析装置５０とを備える。複数の生産設備１１〜１３のそれぞれは、解析装置５０にて生成された判定情報に基づいて複数の生産設備１１〜１３のそれぞれの異常又は生産対象物の異常の判定を行う。 <4. Effect of embodiment>
In the first to third embodiments, the anomaly analysis system 1 is a facility for producing an object to be produced, and includes one or a plurality of detectors 112b, 114c, 114d, 115b, 116, 117, 118c, respectively. A fog network (corresponding to the first network) 31 connected to a plurality of production facilities 11 to 13 and a plurality of production facilities 11 to 13 and installed in a predetermined area for constructing fog computing, and 31 connections to the fog network. Data analysis is performed based on the detection information of the detectors 112b, 114c, 114d, 115b, 116, 117, 118c acquired via the fog network 31, and a plurality of production facilities 11 are performed based on the result of the data analysis. It is provided with an analyzer 50 that generates determination information regarding each of the abnormalities of to 13 or the abnormality of the production object. Each of the plurality of production facilities 11 to 13 determines the abnormality of each of the plurality of production facilities 11 to 13 or the abnormality of the production object based on the determination information generated by the analysis device 50.

複数の生産設備１１〜１３における検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃと解析装置５０とは、フォグコンピューティングを構築する所定領域内に設置されたフォグネットワーク３１を介して接続されている。フォグコンピューティングとは、クラウドコンピューティングと比較して、狭い領域でのネットワーク接続されたシステムである。つまり、フォグコンピューティングを構築するフォグネットワーク３１は、クラウドコンピューティングを構築する領域より狭い所定領域内に設置されているネットワークである。そのため、検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃと解析装置５０との間におけるデータ通信において、通信渋滞の発生は抑制される。また、フォグネットワーク３１は狭い所定領域内に構築されているため、生産設備１１〜１３と解析装置５０との間の通信時間を短くすることができる。従って、解析装置５０は、検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃによる検出情報を高速で受信できる。 The detectors 112b, 114c, 114d, 115b, 116, 117, 118c in the plurality of production facilities 11 to 13 and the analysis device 50 are connected via a fog network 31 installed in a predetermined area for constructing fog computing. Has been done. Fog computing is a network-connected system in a smaller area than cloud computing. That is, the fog network 31 for constructing fog computing is a network installed in a predetermined area narrower than the area for constructing cloud computing. Therefore, the occurrence of communication congestion is suppressed in the data communication between the detectors 112b, 114c, 114d, 115b, 116, 117, 118c and the analysis device 50. Further, since the fog network 31 is constructed in a narrow predetermined area, the communication time between the production equipments 11 to 13 and the analysis device 50 can be shortened. Therefore, the analysis device 50 can receive the detection information by the detectors 112b, 114c, 114d, 115b, 116, 117, 118c at high speed.

解析装置５０は、複数の生産設備１１〜１３における検出情報を早期に取得でき、データ解析を行うことができるため、解析装置５０による結果を早期に生産設備１１〜１３にフィードバックすることができる。解析結果を生産設備１１〜１３に早期にフィードバックできるため、生産対象物の異常発生をより早期に且つ確実に抑制できる。 Since the analysis device 50 can acquire the detection information in the plurality of production facilities 11 to 13 at an early stage and perform data analysis, the result of the analysis device 50 can be fed back to the production facilities 11 to 13 at an early stage. Since the analysis result can be fed back to the production equipments 11 to 13 at an early stage, it is possible to suppress the occurrence of abnormalities in the production object earlier and more reliably.

また、第一実施形態においては、解析装置５０は、検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報の全てをフォグネットワーク３１を介して取得し、検出情報の全てに基づいてデータ解析を行う。特に、複数の検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃは、それぞれ異なるサンプリング周期で検出情報を取得し、解析装置５０は、複数の検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃのそれぞれにおける検出情報の全てを取得し、検出情報の全てに基づいてデータ解析を行う。フォグネットワーク３１にて、多量のデータ通信を行ったとしても、通信遅延の問題は生じない。そこで、解析装置５０は、検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報の全てを取得するようにしている。従って、解析装置５０は、高精度に且つリアルタイムにデータ解析を行うことができる。 Further, in the first embodiment, the analysis device 50 acquires all the detection information of the detectors 112b, 114c, 114d, 115b, 116, 117, 118c via the fog network 31 and is based on all of the detection information. And analyze the data. In particular, the plurality of detectors 112b, 114c, 114d, 115b, 116, 117, 118c acquire detection information at different sampling cycles, and the analysis device 50 uses the plurality of detectors 112b, 114c, 114d, 115b, 116. , 117, 118c, respectively, all of the detection information is acquired, and data analysis is performed based on all of the detection information. Even if a large amount of data communication is performed on the fog network 31, the problem of communication delay does not occur. Therefore, the analysis device 50 is designed to acquire all the detection information of the detectors 112b, 114c, 114d, 115b, 116, 117, 118c. Therefore, the analysis device 50 can perform data analysis with high accuracy and in real time.

また、第二実施形態及び第三実施形態においては、異常判定装置１２３は、検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報に所定処理を施して処理後データを生成すると共に、判定情報に基づいて異常の判定を行っている。そして、解析装置５０，６０は、処理後データをフォグネットワーク３１を介して取得し、処理後データに基づいてデータ解析を行い、データ解析の結果に基づいて判定情報を更新する。 Further, in the second embodiment and the third embodiment, the abnormality determination device 123 performs predetermined processing on the detection information of the detectors 112b, 114c, 114d, 115b, 116, 117, 118c to generate post-processing data. At the same time, the abnormality is determined based on the determination information. Then, the analysis devices 50 and 60 acquire the processed data via the fog network 31, perform data analysis based on the processed data, and update the determination information based on the result of the data analysis.

異常判定装置１２３が異常判定を行っており、解析装置５０，６０が判定情報の更新を行っている。ここで、解析装置５０，６０は、検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報に所定処理を施した処理後データを用いている。つまり、解析装置５０，６０は、検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報そのもの全てに基づいて、判定情報を更新している訳ではない。従って、解析装置５０，６０は、判定情報を更新するに際して、検出情報そのもの全てを用いる場合に比べて高速に処理することができる。以上より、異常解析システム１は、異常判定をしながら、判定情報の更新を確実に行うことができる。 The abnormality determination device 123 is performing abnormality determination, and the analysis devices 50 and 60 are updating the determination information. Here, the analyzers 50 and 60 use the processed data obtained by subjecting the detection information of the detectors 112b, 114c, 114d, 115b, 116, 117, 118c to the predetermined processing. That is, the analyzers 50 and 60 do not update the determination information based on all the detection information itself of the detectors 112b, 114c, 114d, 115b, 116, 117, 118c. Therefore, the analysis devices 50 and 60 can process the determination information at a higher speed than when all the detection information itself is used. From the above, the abnormality analysis system 1 can surely update the determination information while performing the abnormality determination.

特に、異常判定装置１２３による所定処理が施された処理後データのデータ容量は、処理前の検出情報に比べて小さくなるようにされている。そのため、フォグネットワーク３１の通信量を少なくすることができるため、解析装置５０，６０は、例えば１日分のデータを取得するための時間を短時間にすることができる。その結果、解析装置５０，６０は、解析を行う時間に十分な時間を確保できる。 In particular, the data capacity of the processed data that has been subjected to the predetermined processing by the abnormality determination device 123 is set to be smaller than the detection information before the processing. Therefore, since the communication volume of the fog network 31 can be reduced, the analysis devices 50 and 60 can shorten the time for acquiring data for one day, for example. As a result, the analyzers 50 and 60 can secure a sufficient time for performing the analysis.

また、第二実施形態において、異常判定装置１２３は、生成した処理後データと判定情報とに基づいて異常の判定を行い、解析装置５０，６０は、異常判定装置１２３で判定に用いた処理後データに基づいて判定情報を更新している。つまり、処理後データは、異常判定装置１２３及び解析装置５０，６０にて共用される。 Further, in the second embodiment, the abnormality determination device 123 determines the abnormality based on the generated post-processing data and the determination information, and the analysis devices 50 and 60 perform the post-processing used for the determination by the abnormality determination device 123. Judgment information is updated based on the data. That is, the processed data is shared by the abnormality determination device 123 and the analysis devices 50 and 60.

特に、第二実施形態において、検出器１１２ｂは、振動検出センサであり、異常判定装置１２３による所定処理は、検出器１１２ｂの検出情報に対する周波数解析としている。従って、異常判定装置１２３は、解析装置５０，６０にて用いるための専用のデータを生成するのではなく、自身で用いるデータを生成するだけとなる。従って、異常判定装置１２３は、専用の処理を必要としないため、異常判定装置１２３自身の処理の高速化を図りつつ、フォグネットワーク３１の通信量の低減効果を図ることができる。 In particular, in the second embodiment, the detector 112b is a vibration detection sensor, and the predetermined processing by the abnormality determination device 123 is frequency analysis for the detection information of the detector 112b. Therefore, the abnormality determination device 123 does not generate the dedicated data for use in the analysis devices 50 and 60, but only generates the data to be used by itself. Therefore, since the abnormality determination device 123 does not require a dedicated process, it is possible to reduce the communication amount of the fog network 31 while increasing the processing speed of the abnormality determination device 123 itself.

また、第三実施形態において、異常判定装置１２３による所定処理は、検出器１１５ｂ，１１７の検出情報から特定情報を抽出する処理としている。この場合も、異常判定装置１２３は、解析装置５０，６０にて用いるための専用のデータを生成するのではなく、自身で用いるデータを生成するだけとなる。従って、異常判定装置１２３は、専用の処理を必要としないため、異常判定装置１２３自身の処理の高速化を図りつつ、フォグネットワーク３１の通信量の低減効果を図ることができる。 Further, in the third embodiment, the predetermined process by the abnormality determination device 123 is a process of extracting specific information from the detection information of the detectors 115b and 117. Also in this case, the abnormality determination device 123 does not generate the dedicated data for use in the analysis devices 50 and 60, but only generates the data to be used by itself. Therefore, since the abnormality determination device 123 does not require a dedicated process, it is possible to reduce the communication amount of the fog network 31 while increasing the processing speed of the abnormality determination device 123 itself.

また、第二実施形態及び第三実施形態において、解析装置５０，６０は、データ解析により、規定パラメータに対する評価パラメータについての正常傾向パターンを解析し、正常傾向パターンに基づいて、規定パラメータに対する評価パラメータについての判定情報のパターンを更新している。そして、異常判定装置１２３は、実際の規定パラメータと実際の評価パラメータを取得し、判定情報のパターンと実際の規定パラメータと実際の評価パラメータとに基づいて、異常の判定を行っている。 Further, in the second embodiment and the third embodiment, the analyzers 50 and 60 analyze the normal tendency pattern for the evaluation parameter for the specified parameter by data analysis, and based on the normal tendency pattern, the evaluation parameter for the specified parameter. The pattern of judgment information about is updated. Then, the abnormality determination device 123 acquires the actual specified parameter and the actual evaluation parameter, and determines the abnormality based on the pattern of the determination information, the actual specified parameter, and the actual evaluation parameter.

例えば、第二実施形態においては、第一例として、規定パラメータは、１日における時間帯であり、評価パラメータは、１日における時間帯に応じて変化するパラメータとしている。また、第二実施形態において、第二例として、規定パラメータは、１年における時期であり、評価パラメータは、１年における時期に応じて変化するパラメータとしている。 For example, in the second embodiment, as a first example, the specified parameter is a time zone in one day, and the evaluation parameter is a parameter that changes according to the time zone in one day. Further, in the second embodiment, as a second example, the specified parameter is the time in one year, and the evaluation parameter is a parameter that changes according to the time in one year.

生産設備１１〜１３の構成部品の状態又は生産対象物の状態は、例えば生産設備１１〜１３を起動してからの経過時間や環境温度などによって変化する。環境温度は、１日における時間帯によって、又は、１年における時期によって変化する。また、生産設備１１〜１３を起動してからの経過時間は、１日に１回起動するような場合には、１日における時間帯によって変化する。そこで、規定パラメータ及び評価パラメータを上記のように設定することで、確実に、生産設備１１〜１３の状態又は生産対象物の状態を評価することができる。 The state of the components of the production facilities 11 to 13 or the state of the production object changes, for example, depending on the elapsed time from the start of the production facilities 11 to 13 and the environmental temperature. The environmental temperature changes depending on the time of day or the time of year. Further, the elapsed time from starting the production equipments 11 to 13 changes depending on the time zone in one day when the production equipments 11 to 13 are started once a day. Therefore, by setting the specified parameters and the evaluation parameters as described above, the state of the production equipments 11 to 13 or the state of the production object can be reliably evaluated.

特に、検出器１１２ｂは、生産設備１１〜１３又は生産対象物の振動を検出するものとし、評価パラメータは、振動における所定周波数帯のピーク値としている。振動の振幅は、例えば生産設備１１〜１３を起動してからの経過時間や環境温度などによって変化するパラメータである。つまり、ピーク値は、生産設備１１〜１３を起動してからの経過時間や環境温度などによって変化するパラメータである。そこで、評価パラメータをピーク値とすることで、確実に、生産設備１１〜１３の状態又は生産対象物の状態を評価することができる。 In particular, the detector 112b shall detect the vibration of the production equipment 11 to 13 or the production object, and the evaluation parameter is the peak value of a predetermined frequency band in the vibration. The amplitude of vibration is a parameter that changes depending on, for example, the elapsed time from starting the production equipments 11 to 13 and the environmental temperature. That is, the peak value is a parameter that changes depending on the elapsed time from starting the production equipments 11 to 13 and the environmental temperature. Therefore, by setting the evaluation parameter to the peak value, it is possible to reliably evaluate the state of the production equipment 11 to 13 or the state of the production object.

また、第三実施形態においては、規定パラメータは、環境温度であり、評価パラメータは、環境温度に応じて変化するパラメータとしている。この場合、環境温度そのものを規定パラメータとすることで、環境温度に応じて変化するパラメータを評価することにより、生産設備１１〜１３の状態又は生産対象物の状態を評価することができる。 Further, in the third embodiment, the specified parameter is the environmental temperature, and the evaluation parameter is a parameter that changes according to the environmental temperature. In this case, by setting the environmental temperature itself as a specified parameter, it is possible to evaluate the state of the production equipment 11 to 13 or the state of the production object by evaluating the parameter that changes according to the environmental temperature.

また、第二実施形態及び第三実施形態において、解析装置５０，６０は、異常判定装置１２３による所定処理が複数回行われた後に、異常判定装置１２３による複数回分の処理結果をまとめて取得している。つまり、解析装置５０，６０は、異常判定装置１２３が検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃから検出情報を取得するたびに、異常判定装置１２３からデータを取得する訳ではない。 Further, in the second embodiment and the third embodiment, the analysis devices 50 and 60 collectively acquire the processing results for the plurality of times by the abnormality determination device 123 after the predetermined processing by the abnormality determination device 123 is performed a plurality of times. ing. That is, the analysis devices 50 and 60 do not acquire data from the abnormality determination device 123 every time the abnormality determination device 123 acquires detection information from the detectors 112b, 114c, 114d, 115b, 116, 117, 118c. ..

ここで、第二実施形態及び第三実施形態においては、異常判定装置１２３は、検出情報に対して所定処理を施しており、解析装置５０，６０は、所定処理によりデータ量を小さくされた処理後データを取得している。従って、解析装置５０，６０が、複数回分の結果をまとめて取得したとしても、フォグネットワーク３１の通信量は十分に小さく済む。 Here, in the second embodiment and the third embodiment, the abnormality determination device 123 performs predetermined processing on the detection information, and the analysis devices 50 and 60 perform processing in which the amount of data is reduced by the predetermined processing. After getting the data. Therefore, even if the analysis devices 50 and 60 collectively acquire the results for a plurality of times, the communication volume of the fog network 31 can be sufficiently small.

また、第一実施形態から第三実施形態において、フォグネットワーク３１が構築される所定領域は、複数の生産設備１１〜１３の何れかが設置されている建物と同一の建物内、又は、生産設備１１〜１３が設置されている建物と近隣の建物内である。従って、確実に、生産設備１１〜１３と解析装置５０とを、フォグネットワーク３１により構成できる。 Further, in the first to third embodiments, the predetermined area where the fog network 31 is constructed is in the same building as the building in which any of the plurality of production equipments 11 to 13 is installed, or the production equipment. It is in the building where 11 to 13 are installed and in the neighboring buildings. Therefore, the production equipments 11 to 13 and the analysis device 50 can be reliably configured by the fog network 31.

また、第一実施形態から第三実施形態において、生産設備１１〜１３に近いところで解析がなされるので、オペレータは、生産対象物や生産設備１１〜１３の状態を確認しながら異常や正常などを判定する値（判定情報）を決めることが可能となる。また、生産設備１１〜１３又は生産対象物に突発的な異常が発生したときに、生産設備１１〜１３の近いところで解析がなされるので、オペレータと解析装置５０との協働によって、データの解析が即時に行うことができ、その結果を対象の生産設備１１〜１３に対する判定情報へ即座に反映することも可能となる。また、解析装置５０の解析結果によって異常判定又は異常判定の前段階（異常ではないが異常に近い状態）において、生産設備１１〜１３又は解析装置５０は、オペレータに異常状態を伝えたり、自動で生産設備１１〜１３の動作を止めたりすることが可能となる。 Further, in the first to third embodiments, the analysis is performed near the production equipments 11 to 13, so that the operator can check the state of the production object and the production equipments 11 to 13 to check for abnormalities or normalities. It is possible to determine the value to be determined (judgment information). Further, when a sudden abnormality occurs in the production equipments 11 to 13 or the production object, the analysis is performed in the vicinity of the production equipments 11 to 13, so that the data can be analyzed in collaboration with the operator and the analysis device 50. Can be performed immediately, and the result can be immediately reflected in the determination information for the target production facilities 11 to 13. Further, in the abnormality determination or the stage before the abnormality determination (a state that is not abnormal but is close to an abnormality) based on the analysis result of the analysis device 50, the production equipments 11 to 13 or the analysis device 50 automatically inform the operator of the abnormality state or automatically. It is possible to stop the operation of the production facilities 11 to 13.

また、第一実施形態から第三実施形態において、解析装置５０は、データ解析の結果を表示する表示部５２と、オペレータによる判定情報の入力を受け付ける入力部５３とを備える。オペレータにより、手動で、生産設備１１〜１３に対する判定情報の設定が可能となる。なお、オペレータによる手動設定に限られず、システムによる自動設定も可能である。 Further, in the first to third embodiments, the analysis device 50 includes a display unit 52 for displaying the result of data analysis and an input unit 53 for receiving input of determination information by the operator. The operator can manually set the determination information for the production equipments 11 to 13. The setting is not limited to manual setting by the operator, but automatic setting by the system is also possible.

また、第一実施形態から第三実施形態において、異常解析システム１は、フォグネットワーク３１に直接接続されておらず、他の検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃを備える他の生産設備２１〜２３と、複数の生産設備１１〜１３及び他の生産設備２１〜２３に接続され、フォグネットワーク３１の所定領域より広域のクラウドコンピューティングを構築するクラウドネットワーク４０（第二ネットワークに相当）と、クラウドネットワーク４０に接続され、クラウドネットワーク４０を介して取得した検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報及び他の検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報に基づいて上位データ解析を行う上位解析装置７０とを備える。 Further, in the first to third embodiments, the anomaly analysis system 1 is not directly connected to the fog network 31 and includes other detectors 112b, 114c, 114d, 115b, 116, 117, 118c. Cloud network 40 (in the second network) that is connected to the production facilities 21 to 23 of the above, a plurality of production facilities 11 to 13 and other production facilities 21 to 23, and constructs cloud computing in a wider area than a predetermined area of the fog network 31. The detection information of the detectors 112b, 114c, 114d, 115b, 116, 117, 118c connected to the cloud network 40 and acquired via the cloud network 40 and other detectors 112b, 114c, 114d, 115b, It is provided with a higher-level analyzer 70 that performs higher-level data analysis based on the detection information of 116, 117, and 118c.

解析装置５０は、解析装置５０によるデータ解析の結果及び上位解析装置７０による上位データ解析の結果に基づいて、判定情報を決定し記憶することもできる。従って、生産設備１１〜１３では得られない情報を用いた上位データ解析を行い、生産設備１１〜１３にフィードバックすることで、より良い判定情報を得ることができる。 The analysis device 50 can also determine and store the determination information based on the result of the data analysis by the analysis device 50 and the result of the upper data analysis by the upper analysis device 70. Therefore, better determination information can be obtained by performing higher-level data analysis using information that cannot be obtained by the production equipments 11 to 13 and feeding back to the production equipments 11 to 13.

また、第一実施形態から第三実施形態において、解析装置５０は、検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報の全てを取得し、且つ、データ解析を行う。一方、上位解析装置７０は、生産設備１１〜１３の検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報の一部及び他の生産設備２１〜２３の他の検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃ器の検出情報の一部を取得し、且つ、上位データ解析を行う。上位解析装置７０は、高速な処理を要求されるものではないとしても、仮に、検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの全てをクラウドネットワーク４０を介して上位解析装置７０に送信したとすると、クラウドネットワーク４０の通信遅延の影響を他者へ与えるおそれがある。そこで、上記のように、クラウドネットワーク４０のデータ通信量を検出情報の一部となり、クラウドネットワーク４０における通信遅延の影響を与えることを抑制できる。 Further, in the first to third embodiments, the analysis device 50 acquires all the detection information of the detectors 112b, 114c, 114d, 115b, 116, 117, 118c and analyzes the data. On the other hand, the upper analyzer 70 includes a part of the detection information of the detectors 112b, 114c, 114d, 115b, 116, 117, 118c of the production equipments 11 to 13 and other detectors 112b of the other production equipments 21 to 23. A part of the detection information of the 114c, 114d, 115b, 116, 117, 118c devices is acquired, and the upper data analysis is performed. Even if the higher-level analyzer 70 does not require high-speed processing, all of the detectors 112b, 114c, 114d, 115b, 116, 117, and 118c are sent to the upper-level analysis device 70 via the cloud network 40. If it is transmitted, it may affect others due to the communication delay of the cloud network 40. Therefore, as described above, the data communication amount of the cloud network 40 becomes a part of the detection information, and it is possible to suppress the influence of the communication delay in the cloud network 40.

また、第一実施形態から第三実施形態において、複数の生産設備１１〜１３は、生産対象物を研削する研削盤を含み、判定情報は、例えば、生産対象物の研削異常に関する判定情報である。これにより、研削盤を含むシステムにおいて、確実に研削焼けなどの研削異常の発生を抑制できる。 Further, in the first to third embodiments, the plurality of production facilities 11 to 13 include a grinding machine for grinding the production object, and the determination information is, for example, determination information regarding a grinding abnormality of the production object. .. As a result, in a system including a grinding machine, the occurrence of grinding abnormalities such as grinding burn can be reliably suppressed.

また、第一実施形態から第三実施形態において、判定情報は、複数の生産設備１１〜１３の何れかの部品故障、部品寿命又は部品のメンテナンス要否に関する判定情報としてもよい。これにより、生産設備１１〜１３の部品故障の予測をすることができ、事前の交換部品の準備をすることができる。また、これまでは、部品の使用期間に基づいて部品交換を行うことが多かったが、各部品の寿命をより高精度に把握した上で、部品交換をできるため、部品の使用期間を長くすることができる。また、部品の性能が悪化する前に、適切な時期に部品のメンテナンスを行うことができる。これにより、部品の使用期間を長くすることができる。 Further, in the first to third embodiments, the determination information may be determination information regarding a component failure, component life, or maintenance necessity of any of the plurality of production facilities 11 to 13. As a result, it is possible to predict the failure of parts of the production equipments 11 to 13, and prepare replacement parts in advance. Also, in the past, parts were often replaced based on the usage period of the parts, but since the parts can be replaced after grasping the life of each part with higher accuracy, the usage period of the parts is extended. be able to. In addition, maintenance of parts can be performed at an appropriate time before the performance of parts deteriorates. As a result, the usage period of the parts can be extended.

１：異常解析システム、 １１−１３：生産設備（１１：研削盤）、 ２１−２３：他の生産設備、 ３１：フォグネットワーク（第一ネットワーク）、 ３２：フォグネットワーク、 ４０：クラウドネットワーク（第二ネットワーク）、 ５０：解析装置、 ５１：解析部、 ５２：表示部、 ５３：入力部、 ６０：他の解析装置、 ７０：上位解析装置、 １１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃ：検出器、 １２１：ＣＮＣ装置、 １２２：ＰＬＣ、 １２３：異常判定装置、 Ｔｈ１１，Ｔｈ１２，Ｔｈ２１，Ｔｈ２２，Ｔｈ３１，Ｔｈ３２：閾値、 Ｗ：クランクシャフト（生産対象物） 1: Abnormality analysis system, 11-13: Production equipment (11: Grinding machine), 21-23: Other production equipment, 31: Fog network (first network), 32: Fog network, 40: Cloud network (second) Network), 50: Analytical unit, 51: Analytical unit, 52: Display unit, 53: Input unit, 60: Other analytical equipment, 70: Upper level analyzer, 112b, 114c, 114d, 115b, 116, 117, 118c: Detector, 121: CNC device, 122: PLC, 123: Abnormality determination device, Th11, Th12, Th21, Th22, Th31, Th32: Threshold, W: Crank shaft (production object)

Claims (5)

生産対象物を生産する設備であって、１又は複数の検出器をそれぞれ備える複数の生産設備と、
前記複数の生産設備に接続され、フォグコンピューティングを構築する所定領域内に設置された第一ネットワークと、
前記第一ネットワークに直接接続されておらず、他の検出器を備える他の生産設備と、
前記複数の生産設備及び前記他の生産設備に接続され、前記所定領域より広域のクラウドコンピューティングを構築する第二ネットワークと、
前記第一ネットワークに接続され、前記第一ネットワークを介して取得した前記検出器の検出情報に基づいてデータ解析を行う解析装置と、
前記第二ネットワークに接続され、前記第二ネットワークを介して取得した前記検出器の検出情報及び前記他の検出器の検出情報に基づいて上位データ解析を行う上位解析装置と、
を備え、
前記解析装置は、前記解析装置による前記データ解析の結果及び前記上位解析装置による前記上位データ解析の結果に基づいて、前記複数の生産設備のそれぞれの異常又は前記生産対象物の異常に関する判定情報を生成し、
前記複数の生産設備のそれぞれは、前記解析装置にて生成された前記判定情報に基づいて前記複数の生産設備のそれぞれの異常又は前記生産対象物の異常の判定を行う異常判定装置を備える、異常解析システム。 Equipment for producing production objects, including multiple production equipments each equipped with one or more detectors, and
A first network connected to the plurality of production facilities and installed in a predetermined area for constructing fog computing,
With other production equipment that is not directly connected to the first network and has other detectors
A second network that is connected to the plurality of production facilities and the other production facilities to construct cloud computing in a wider area than the predetermined area.
An analysis device connected to the first network and performing data analysis based on the detection information of the detector acquired via the first network.
A higher-level analyzer that is connected to the second network and performs higher-level data analysis based on the detection information of the detector and the detection information of the other detectors acquired via the second network.
With
Based on the result of the data analysis by the analysis device and the result of the higher-level data analysis by the higher-level analysis device, the analysis device obtains determination information regarding an abnormality of each of the plurality of production facilities or an abnormality of the production object. Generate and
Each of the plurality of production facilities includes an abnormality determination device that determines an abnormality of each of the plurality of production facilities or an abnormality of the production object based on the determination information generated by the analysis device. Analysis system. 前記解析装置は、前記検出器の検出情報の全てを取得し、且つ、前記データ解析を行い、
前記上位解析装置は、前記検出器の検出情報の一部及び前記他の検出器の検出情報の一
部を取得し、且つ、前記上位データ解析を行う、請求項１に記載の異常解析システム。 The analysis device acquires all the detection information of the detector and analyzes the data.
The abnormality analysis system according to claim 1 , wherein the higher-level analysis device acquires a part of the detection information of the detector and a part of the detection information of the other detector, and performs the higher-level data analysis. 前記複数の生産設備は、前記生産対象物を研削する研削盤を含み、
前記判定情報は、前記生産対象物の研削異常に関する判定情報である、請求項１又は２に記載の異常解析システム。 The plurality of production facilities include a grinding machine that grinds the production object.
The abnormality analysis system according to claim 1 or 2 , wherein the determination information is determination information regarding a grinding abnormality of the production object. 前記判定情報は、前記複数の生産設備の何れかの部品故障、部品寿命又は部品のメンテナンス要否に関する判定情報である、請求項１−３の何れか一項に記載の異常解析システム。 The abnormality analysis system according to any one of claims 1-3 , wherein the determination information is determination information regarding a component failure, component life, or maintenance necessity of any of the plurality of production facilities. 請求項１−４の何れか一項に記載の異常解析システムに用いられる前記解析装置。 The analysis device used in the abnormality analysis system according to any one of claims 1 to 4 .
JP2016157612A 2015-11-16 2016-08-10 Abnormality analysis system and analysis equipment Active JP6828300B2 (en)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US15/349,309 US10474128B2 (en) 2015-11-16 2016-11-11 Abnormality analysis system and analysis apparatus
DE102016121744.1A DE102016121744A1 (en) 2015-11-16 2016-11-14 Anomaly analysis system and analyzer
CN201611005854.4A CN106944928B (en) 2015-11-16 2016-11-15 Abnormality analysis system and analysis device

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2015224113 2015-11-16
JP2015224113 2015-11-16

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2021006846A Division JP7024895B2 (en) 2015-11-16 2021-01-20 Anomaly analysis system

Publications (2)

Publication Number Publication Date
JP2017097839A JP2017097839A (en) 2017-06-01
JP6828300B2 true JP6828300B2 (en) 2021-02-10

Family

ID=58804014

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2016157612A Active JP6828300B2 (en) 2015-11-16 2016-08-10 Abnormality analysis system and analysis equipment
JP2021006846A Active JP7024895B2 (en) 2015-11-16 2021-01-20 Anomaly analysis system

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2021006846A Active JP7024895B2 (en) 2015-11-16 2021-01-20 Anomaly analysis system

Country Status (2)

Country Link
JP (2) JP6828300B2 (en)
CN (1) CN106944928B (en)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP3425324B2 (en) 2017-07-04 2022-11-16 Sick Ag Method for adjusting the parameters of a sensor
US10951639B2 (en) * 2017-09-28 2021-03-16 Yokogawa Electric Corporation Systems, methods and computer program products for anomaly detection
JP6649349B2 (en) 2017-11-21 2020-02-19 株式会社テクロック・スマートソリューションズ Measurement solution service provision system
WO2019107360A1 (en) 2017-11-28 2019-06-06 株式会社安川電機 Control system, factory system, learning system, estimation model generation method, and actuator state estimation method
US20190265676A1 (en) * 2018-02-28 2019-08-29 Mitsubishi Electric Corporation Systems and methods for implementing feedback for factory automated devices
KR20200014005A (en) 2018-07-31 2020-02-10 삼성전자주식회사 Electronic apparatus and fault diagnosis method of electronic apparatus
WO2020111317A1 (en) * 2018-11-29 2020-06-04 울랄라랩 주식회사 Machine learning technique-based algorithm and method for detecting erroneous data of machine
IT201900004617A1 (en) * 2019-03-27 2020-09-27 Milano Politecnico Monitoring apparatus for the identification of anomalies and degradation paths in a machine tool
JP7015807B2 (en) * 2019-07-05 2022-02-03 富士通株式会社 Grinding condition monitoring method, grinding condition monitoring program and grinding condition monitoring device
JP7436169B2 (en) * 2019-09-18 2024-02-21 ファナック株式会社 Diagnostic equipment and method
JP7441652B2 (en) 2020-01-10 2024-03-01 ユニ・チャーム株式会社 Estimation device related to absorbent article manufacturing device, estimation method related to absorbent article manufacturing device, and program related to absorbent article manufacturing device
JP2021144584A (en) 2020-03-13 2021-09-24 株式会社リコー Information processing method and program
CN115348913B (en) * 2020-07-10 2023-07-28 三菱电机株式会社 Diagnostic device, diagnostic method, and computer-readable non-transitory recording medium
CN115106901B (en) * 2022-05-31 2023-09-01 安庆中船动力配套有限公司 Grinding equipment with link tooth surface burn verification mechanism

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS59175941A (en) * 1983-03-22 1984-10-05 Komatsu Ltd Method and device for detecting abnormality of multiple cutting edge tool
JP3189460B2 (en) * 1993-02-04 2001-07-16 日産自動車株式会社 Production management device
JP3471645B2 (en) * 1999-02-10 2003-12-02 株式会社東芝 Alarm value setting support device
JP2000280148A (en) * 1999-03-30 2000-10-10 Amada Co Ltd Cancellation disposing method and device in metal working line
JP4428838B2 (en) * 2000-08-31 2010-03-10 旭化成エンジニアリング株式会社 Equipment diagnostic system
JP2006173373A (en) * 2004-12-16 2006-06-29 Renesas Technology Corp Manufacturing system of semiconductor product
JP2006285884A (en) * 2005-04-05 2006-10-19 Yaskawa Electric Corp Failure diagnosis method and control apparatus therewith
JP4574430B2 (en) * 2005-05-12 2010-11-04 株式会社日立製作所 How to collect information
JP5189329B2 (en) * 2007-08-31 2013-04-24 新明工業株式会社 Equipment information collection system and equipment information collection method
JP5348489B2 (en) * 2009-07-31 2013-11-20 オムロン株式会社 controller
WO2012098805A1 (en) * 2011-01-21 2012-07-26 株式会社ジェイテクト Grinding abnormality monitoring method and grinding abnormality monitoring device
JP5821614B2 (en) * 2011-01-21 2015-11-24 株式会社ジェイテクト Grinding abnormality monitoring method and grinding abnormality monitoring apparatus
JP5565357B2 (en) * 2011-03-24 2014-08-06 新日鐵住金株式会社 Equipment diagnostic device, equipment diagnostic method, equipment diagnostic program, and computer-readable recording medium recording the same
JP5821613B2 (en) * 2011-12-22 2015-11-24 株式会社ジェイテクト Grinding abnormality monitoring method and grinding abnormality monitoring apparatus
EP2902861B1 (en) * 2012-09-28 2020-11-18 FUJI Corporation Production line monitoring device
CN103913193A (en) * 2012-12-28 2014-07-09 中国科学院沈阳自动化研究所 Device fault pre-maintenance method based on industrial wireless technology
US9857268B2 (en) * 2014-03-03 2018-01-02 Sintokogio, Ltd. Remote assistant system and method therefor
CN104360647B (en) * 2014-10-08 2017-02-08 江苏一米智能科技股份有限公司 Production monitoring system and method based on hybrid cloud and Internet of Things

Also Published As

Publication number Publication date
CN106944928B (en) 2020-07-17
JP7024895B2 (en) 2022-02-24
JP2021089743A (en) 2021-06-10
CN106944928A (en) 2017-07-14
JP2017097839A (en) 2017-06-01

Similar Documents

Publication Publication Date Title
JP7024895B2 (en) Anomaly analysis system
US10474128B2 (en) Abnormality analysis system and analysis apparatus
JP6953690B2 (en) Analysis system
CN107122830A (en) Analytical equipment and analysis system
CN108241891B (en) Analysis device and analysis system
JP7147131B2 (en) Analysis system
KR20190093604A (en) Information processing method, information processing system, and information processing apparatus
US20160299492A1 (en) Machine tool management system
DE102018109628A1 (en) Error detection device for a spindle head of a machine tool having a plurality of sensors
CN104374571A (en) Bearing life determination device
US20200089191A1 (en) Method for monitoring cutting-tool abrasion
KR20190003640A (en) Machine tool, method of manufacturing workpiece, and processing system
JP2017120532A (en) Preventive maintenance management system for creating maintenance plan for machinery
US20230004152A1 (en) Method for monitoring and/or predecting machining processes and/or machnining outcomes
CN104423317A (en) Data acquisition device for acquiring cause of stoppage of drive axis and information relating thereto
JP2020116666A (en) Tool management system of machine tool
KR101626458B1 (en) Apparatus for detecting malfunction of tool for machine tool
CN112577591A (en) Diagnostic device and diagnostic method
JP2017120618A (en) Cell controller and preventive maintenance management method
US8346383B2 (en) Method for determining the machining quality of components, particularly for metal cutting by NC machines
JP2014154094A (en) Quality analyzer of product in production line
JP7304255B2 (en) Equipment inspection device, equipment inspection system and equipment inspection method
EP2950172A1 (en) Monitoring system for monitoring the energy consumption parameters of a machine
Solanke et al. Experimental setup for fault detection of rolling contact bearing for prediction of RUL
JP2019053699A (en) Quality control system

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190716

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20200529

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200707

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200827

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20201006

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20201119

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: 20201222

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210104

R150 Certificate of patent or registration of utility model

Ref document number: 6828300

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150