JP6885911B2 - プレス機械及びプレス機械の異常監視方法 - Google Patents

Description

本発明は、プレス機械及びプレス機械の異常監視方法に関する。

特許文献１には、金型の加工部分で生じた弾性波を検出するＡＥセンサと、プレス荷重を検出するプレス荷重センサとを用いて金型の異常発生を予測する金型異常予測システムが開示されている。

特開２０１７−１９０１６号公報

上記の金型異常予測システムでは、プレス機械で発生し得る様々な異常のうち特定の異常（金型の異常）の発生を予測するのみであり、包括的な異常発生の予測を行うことは難しかった。

本発明は、以上のような課題に鑑みてなされたものであり、その目的とするところは、故障の予兆を捉え易くすることが可能なプレス機械及びプレス機械の異常監視方法を提供することにある。

（１）本発明に係るプレス機械は、プレス機械に備わる複数のセンサからの複数のデータのうちの１つのデータを目的変数とし、当該１つのデータ以外のデータを説明変数として機械学習を行って当該１つのデータ用の学習モデルを生成することを、前記複数のデータの全てについて行う学習モデル生成部と、前記複数のセンサからの複数のデータのうちの１つのデータ以外のデータの実測値を当該１つのデータ用の学習モデルに入力して当該１つのデータの予測値を算出することを、前記複数のデータの全てについて行う予測値算出部と、前記複数のデータの実測値と予測値との差分に基づいて異常度を算出する異常度算出部と、算出した異常度を出力する異常度出力部とを含むことを特徴とするプレス機械である。

また本発明に係るプレス機械の異常監視方法は、プレス機械に備わる複数のセンサからの複数のデータのうちの１つのデータを目的変数とし、当該１つのデータ以外のデータを説明変数として機械学習を行って当該１つのデータ用の学習モデルを生成することを、前記複数のデータの全てについて行い、前記複数のセンサからの複数のデータのうちの１つのデータ以外のデータの実測値を当該１つのデータ用の学習モデルに入力して当該１つのデータの予測値を算出することを、前記複数のデータの全てについて行い、前記複数のデータの実測値と予測値との差分に基づいて異常度を算出し、算出した異常度を出力することを特徴とするプレス機械の異常監視方法である。

本発明によれば、複数のセンサからの複数のデータを用いて機械学習を行ってデータ毎の学習モデルを生成しておき、複数のセンサからの複数のデータとデータ毎の学習モデルを用いて各データの予測値を算出し、複数のデータの実測値と予測値との差分に基づいて異常度を算出することで、プレス機械の故障の予兆を捉え易くすることができる。

（２）本発明に係るプレス機械では、前記プレス機械はサーボプレスであり、前記複数のデータは、プレス荷重のデータとサーボアンプの出力電流のデータとを含んでもよい。

（３）本発明に係るプレス機械では、前記学習モデル生成部は、前記複数のセンサからの複数のデータと位置偏差のデータと速度偏差のデータのうちの１つのデータを目的変数とし、当該１つのデータ以外のデータを説明変数として機械学習を行って当該１つのデータ用の学習モデルを生成することを、前記複数のデータと前記位置偏差のデータと前記速度偏差のデータの全てについて行い、前記予測値算出部は、前記複数のセンサからの複数のデータと前記位置偏差のデータと前記速度偏差のデータのうちの１つのデータ以外のデータの実測値を当該１つのデータ用の学習モデルに入力して当該１つのデータの予測値を算出することを、前記複数のデータと前記位置偏差のデータと前記速度偏差のデータの全てについて行い、前記異常度算出部は、前記複数のデータ、前記位置偏差のデータ及び前記速度偏差のデータの実測値と予測値との差分に基づいて異常度を算出してもよい。

（４）本発明に係るプレス機械では、前記複数のデータは、サーボ電源の入力電流のデータ、ＰＮ間電圧のデータ、サーボ電源の温度のデータ、サーボアンプの温度のデータ及びコンデンサの温度のデータの少なくとも１つを含んでもよい。

第１の実施の形態に係るプレス機械の構成の一例を模式的に示す図。 情報処理装置の構成を示す機能ブロック図。 収集データ間の相関関係について説明するための図。 プレス荷重のデータと、他の収集データとの間の相関係数を示す図。 学習モデルの生成処理の流れを示すフローチャート。 各データの実測値の例と予測値の算出例を示す図。 異常度の表示例を示す図。 異常度の算出処理の流れを示すフローチャート。 第２の実施の形態に係るプレス機械の構成の一例を模式的に示す図。

以下、本発明の実施の形態について図面を参照しながら詳細に説明する。

（第１の実施の形態）
図１は、第１の実施の形態に係るプレス機械の構成の一例を模式的に示す図である。第１の実施の形態に係るプレス機械はサーボプレスである。

プレス機械１は、昇降可能なスライド１０と、スライド１０を駆動する駆動機構１１（例えば、クランクシャフト、コネクティングロッド）と、駆動機構１１を駆動するサーボモータ１２と、サーボモータ１２の回転位置を検出するモータエンコーダ１３と、サーボモータ１２に電流を供給するサーボアンプ１４と、コンデンサ１５（エネルギー蓄積装置）と、サーボアンプ１４及びコンデンサ１５に電流を供給するサーボ電源１６と、サーボ電源１６に交流電力を供給する交流電源１７と、サーボアンプ１４を制御するサーボコントローラ１８と、情報処理装置１９とを含む。

サーボコントローラ１８は、回転位置指令とモータエンコーダ１３からの位置信号との偏差（位置偏差）に応じてサーボモータ１２の回転速度指令を生成し、生成した回転速度指令と速度信号（位置信号から算出した速度信号）との偏差（速度偏差）に応じてサーボアンプ１４に電流指令を出力する。

また、プレス機械１は、複数のセンサを備える。図１に示す例では、プレス機械１は、
プレス荷重を検出するセンサ２０と、サーボアンプ１４の出力電流（２次側電流）を検出するセンサ２１と、サーボアンプ１４の温度（ＩＧＢＴ温度）を検出するセンサ２２と、コンデンサ１５の温度を検出するセンサ２３と、ＰＮ間電圧（コンデンサ１５の両端電圧）を検出するセンサ２４と、サーボ電源１６の温度（ＩＧＢＴ温度）を検出するセンサ２５と、サーボ電源１６の入力電流（１次側電流）を検出するセンサ２６と、周囲温度を検出するセンサ２７とを備える。ここで、センサ２０としては、プレス機械のコラム（サイドフレーム）に取り付けたひずみゲージや、スライド１０内の油圧室に設けた荷重計を用いることができる。センサ２０としてひずみゲージを用いる場合、右コラムと左コラムのそれぞれにひずみゲージを取り付けてもよい。また、センサ２３としては、コンデンサ１５に接続されたバランス抵抗の温度を検出するセンサを用いてもよい。センサ２０〜２７からのデータは各制御機器（サーボコントローラ１８、サーボアンプ１４、サーボ電源１６）によって所定時間間隔毎に収集され、各制御機器は、収集したデータを所定時間間隔毎にＬＡＮ等のネットワーク２８を介して情報処理装置１９に送信する。また、サーボコントローラ１８は、位置偏差のデータと速度偏差のデータを所定時間間隔毎に情報処理装置１９に送信する。なお、サーボアンプ１４の温度のデータについては、センサ２２で検出された温度と周囲温度（センサ２７で検出された温度）との差をサーボアンプ１４の温度として用いてもよい。同様に、コンデンサ１５の温度については、センサ２３で検出された温度と周囲温度との差をコンデンサ１５の温度として用いてもよいし、サーボ電源１６の温度については、センサ２５で検出された温度と周囲温度との差をサーボ電源１６の温度として用いてもよい。

図２は、情報処理装置１９の構成を示す機能ブロック図である。情報処理装置１９は、処理部１００と、操作部１１０と、表示部１２０と、通信部１３０と、記憶部１４０とを含む。

操作部１１０は、ユーザが操作情報を入力するためのものであり、入力された操作情報を処理部１００に出力する。操作部１１０の機能は、キーボード、マウス、ボタン、タッチパネル、タッチパッドなどのハードウェアにより実現することができる。

表示部１２０は、処理部１００によって生成された画像を表示するものであり、その機能は、ＬＣＤ、ＣＲＴ、操作部１１０としても機能するタッチパネルなどにより実現できる。

通信部１３０は、各制御機器（サーボコントローラ１８、サーボアンプ１４、サーボ電源１６）との間で通信を行うための各種制御を行うものであり、その機能は、各種プロセッサ又は通信用ＡＳＩＣなどのハードウェアや、プログラムなどにより実現できる。

記憶部１４０は、処理部１００の各部としてコンピュータを機能させるためのプログラムや各種データを記憶するとともに、処理部１００のワーク領域として機能し、その機能はハードディスク、ＲＡＭなどにより実現できる。記憶部１４０には、正常運転している一定期間（学習期間）にセンサ２０〜２７及びサーボコントローラ１８から収集したデータ（センサ２０〜２７からのデータ、位置偏差のデータ、速度偏差のデータ）が時間情報に関連付けて記憶される。

処理部１００（コンピュータ）の機能は、各種プロセッサ（ＣＰＵ、ＤＳＰ等）などのハードウェアや、プログラムにより実現できる。処理部１００は、学習モデル生成部１０１と、予測値算出部１０２と、異常度算出部１０３と、異常度出力部１０４を含む。

学習モデル生成部１０１は、記憶部１４０に記憶されたデータ（複数のセンサ２０〜２７からの複数のデータと位置偏差のデータと速度偏差のデータ）のうちの１つのデータを
目的変数とし、当該１つのデータ以外のデータを説明変数として機械学習を行って当該１つのデータ用の学習モデルを生成することを、前記複数のデータと前記位置偏差のデータと前記速度偏差のデータの全てについて行う。機械学習のアルゴリズムとしては、ニューラルネットワークを用いるが、相関関係があるデータに適した解析技術であれば何でもよい。

予測値算出部１０２は、学習期間を除く運転期間（自己診断期間）において、複数のセンサ２０〜２７から収集した複数のデータとサーボコントローラ１８から収集した位置偏差のデータ及び速度偏差のデータのうちの１つのデータ以外のデータの実測値を当該１つのデータ用の学習モデルに入力して当該１つのデータの予測値を算出することを、前記複数のデータと前記位置偏差のデータと前記速度偏差のデータの全てについて行う。

異常度算出部１０３は、前記複数のデータ、前記位置偏差のデータ及び前記速度偏差のデータの実測値とそれぞれの予測値との差分に基づいて異常度を算出する。

異常度出力部１０４は、異常度算出部１０３で算出された異常度を出力する。例えば、異常度出力部１０４は、算出された異常度を表示部１２０に表示させてもよいし、算出された異常度の情報を他の情報処理装置やサーバに送信してもよい。また、異常度出力部１０４は、算出された異常度が所定の閾値を超えた場合に、警告情報（アラート）を表示部１２０に表示させてもよいし、警告情報を他の情報処理装置やサーバに送信してもよい。

図３は、収集データ間の相関関係について説明するための図である。図３では、センサ２１で検出されたサーボアンプ１４の出力電流、センサ２０で検出されたプレス荷重、センサ２４で検出されたＰＮ間電圧、及び、サーボコントローラ１８で算出された位置偏差の１ショットの最大値を数か月間に渡ってプロットしたグラフを示している。図３から、サーボアンプ１４の出力電流、プレス荷重、ＰＮ間電圧、及び位置偏差の間に相関関係があることは明白である。

図４は、センサ２０で検出されたプレス荷重（最大荷重）のデータと、他の収集データ（位置偏差、サーボ電源１６の入力電流、サーボアンプ１４の出力電流、速度偏差、サーボ電源１６の温度（周囲温度との差）、ＰＮ間電圧）との間の相関係数（ピアソンの積率相関係数）を示す図である。図４を見ると、プレス荷重と位置偏差との間、プレス荷重とサーボアンプ１４の出力電流との間、プレス荷重と速度偏差との間、及び、プレス荷重とＰＮ間電圧との間の相関が強いことが分かる。

本実施形態では、プレス機械に備わる複数のセンサからの複数のデータや位置偏差のデータ、速度偏差のデータを含む収集データ間に相関関係があることに着目して、全ての収集データについて機械学習を行って各データ用の学習モデルを生成する。例えば、プレス荷重のデータ用の学習モデルを生成する際には、プレス荷重のデータを目的変数とし、プレス荷重以外の全ての収集データを説明変数とした学習モデルを生成し、位置偏差のデータ用の学習モデルを生成する際には、位置偏差のデータを目的変数とし、位置偏差以外の全ての収集データを説明変数とした学習モデルを生成し、以降、他のデータについても同様に学習モデルを生成する。プレス機械では、同じ製品を継続して生産し続けるため、同じ条件のデータを蓄積し易く、精度の高い学習モデルを容易に生成することができる。

図５は、学習モデルの生成処理の流れを示すフローチャートである。まず、学習モデル生成部１０１は、学習期間内に収集され記憶部１４０に記憶されたデータから同時刻に収集されたｎ個のデータ（センサ２０〜２７からのデータ、位置偏差のデータ、速度偏差のデータ）を取得し（ステップＳ１０）、変数ｍに１をセットする（ステップＳ１１）。次に、学習モデル生成部１０１は、取得したｎ個のデータのうち第ｍのデータを目的変数と
し、第ｍのデータ以外のｎ−１個のデータを説明変数として、機械学習を行って第ｍのデータ用の学習モデルを生成（更新）する（ステップＳ１２）。次に、学習モデル生成部１０１は、変数ｍがｎに達した（ｎ個のデータ全てについて学習モデルを生成・更新した）か否かを判断し（ステップＳ１３）、変数ｍがｎに達していない場合（ステップＳ１３のＮ）には、変数ｍに１を加算して（ステップＳ１４）、ステップＳ１２に移行し、変数ｍがｎに達するまでステップＳ１２〜Ｓ１４の処理を繰り返す。変数ｍがｎに達した場合（ステップＳ１３のＹ）には、学習モデル生成部１０１は、学習期間に収集された全てのデータを処理したか否かを判断し（ステップＳ１５）、全てのデータを処理していない場合（ステップＳ１５のＹ）には、ステップＳ１０に移行して、次の時刻に収集されたｎ個のデータを取得し、以降、学習期間に収集された全てのデータを処理するまでステップＳ１０〜Ｓ１５の処理を繰り返す。

そして、本実施形態では、各データ用の学習モデルを用いて、１つのデータの予測値を他の全てのデータの実測値から算出する。例えば、プレス荷重のデータの予測値を算出する際には、プレス荷重以外の全てのデータの実測値をプレス荷重用の学習モデルに入力して得た値をプレス荷重のデータの予測値とし、位置偏差のデータの予測値を算出する際には、位置偏差以外の全てのデータの実測値を位置偏差用の学習モデルに入力して得た値を位置偏差のデータの予測値とし、以降、他のデータについても同様に予測値を算出する。

図６に、各データの実測値の例と予測値の算出例を示す。この例では、時間「００：００：００」〜「００：００：０５」におけるＰＮ間電圧、サーボアンプ１４の出力電流、プレス荷重、サーボ電源１６の温度などの各データの実測値と、時間「００：００：０５」の各データの実測値から算出した各データの予測値を示している。例えば、ＰＮ間電圧の予測値「１２２」は、出力電流の実測値「２１３」とプレス荷重の実測値「１５３０」と温度の実測値「４１」等から算出されたものであり、出力電流の予測値「１９９」は、ＰＮ間電圧の実測値「１１８」とプレス荷重の実測値「１５３０」と温度の実測値「４１」等から算出されたものである。

次に、本実施形態では、各データの実測値と予測値の差分を算出し、算出した差分を重みを掛けて合算して異常度を算出する。例えば、異常度Ｄａは、以下の式により算出することができる。

ここで、Ａｃｔ_ｍは、収集したｎ個のデータのうちの第ｍのデータの実測値であり、Ｐｒｄ_ｍは、第ｍのデータの予測値であり、Ｋ_ｍは、第ｍのデータの実測値と予測値の差に掛ける重み（異常度係数）である。異常度係数Ｋ_ｍの値は、定数としてもよいし、変数（例えば、実測値Ａｃｔ_ｍの逆数）としてもよい。

例えば、図６に示す例において、ＰＮ間電圧、出力電流、プレス荷重、及びサーボ電源の温度の４種類のデータのみを収集するものとして、異常度係数Ｋ_ｍの値が１であるとすると、時間「００：００：０５」におけるＰＮ間電圧の実測値と予測値の差は「４」であり、出力電流の実測値と予測値の差は「１４」であり、プレス荷重の実測値と予測値の差は「６２」であり、サーボ電源の温度の実測値と予測値の差は「２」であるから、時間「００：００：０５」における異常度Ｄａは、これらを合算した値「８２」となる。

異常度Ｄａの値が低い（すなわち、実測値と予測値との差が小さい）ほど、学習期間か
ら条件が変わっておらず、学習モデルの相関関係が維持されていることになるため、正常運転である可能性が高いことが分かる。一方、異常度Ｄａの値が高くなる（すなわち、実測値と予測値との差が大きくなる）と、学習期間と異なる条件となっており、学習モデルの相関関係が崩れていることになるため、故障の予兆がある或いは実際に故障が発生している可能性があることが分かる。

このように本実施形態によれば、学習期間において収集した複数のセンサからの複数のデータや位置偏差、速度偏差のデータを用いて機械学習を行ってデータ毎の学習モデルを生成しておき、自己診断期間において収集データとデータ毎の学習モデルを用いて各データの予測値を算出し、収集データの実測値と予測値との差分に基づいて異常度を算出することで、プレス機械の故障の予兆を捉え易くすることができる。

図７に、異常度の表示例を示す。この例では、横軸を時刻、縦軸を異常度にとったグラフを用いて異常度を表示している。ユーザは、全ての収集データから監視対象を絞り込むような必要はなく、異常度のみを監視していればよい。また、実測値と予測値の差が微小であっても、多数のデータについて実測値と予測値の差が積算されて異常度として表示されるため、故障の予兆を捉えるのに適した表示方法であるといえる。なお、異常度に加えて、収集データのうち実測値と予測値との差が大きい上位数個のデータを出力（表示）するようにしてもよい。これにより、故障の原因を推定（或いは特定）することが行い易くなる。

図８は、異常度の算出処理の流れを示すフローチャートである。まず、予測値算出部１０２は、収集されたｎ個のデータ（センサ２０〜２７からのデータ、位置偏差のデータ、速度偏差のデータ）の実測値を取得し（ステップＳ２０）、変数ｍに１をセットする（ステップＳ２１）。次に、予測値算出部１０２は、取得したｎ個のデータのうち第ｍのデータ以外のデータの実測値を第ｍのデータ用の学習モデルに入力して第ｍのデータの予測値を算出する（ステップＳ２２）。次に、異常度算出部１０３は、第ｍのデータの実測値と第ｍのデータの予測値との差分を算出する（ステップＳ２３）。次に、異常度算出部１０３は、変数ｍがｎに達した（ｎ個のデータ全てについて予測値を算出した）か否かを判断し（ステップＳ２４）、変数ｍがｎに達していない場合（ステップＳ２４のＮ）には、変数ｍに１を加算して（ステップＳ２５）、ステップＳ２２に移行し、変数ｍがｎに達するまでステップＳ２２〜Ｓ２５の処理を繰り返す。変数ｍがｎに達した場合（ステップＳ２４のＹ）には、異常度算出部１０３は、ステップＳ２３で算出したｎ個の差分に重みを掛けて積算して異常度を算出する（ステップＳ２６）。次に、異常度出力部１０４は、算出された異常度を表示部１２０に出力する（ステップＳ２７）。次に、処理部１００は、監視を継続するか（自己診断期間であるか）否かを判断し（ステップＳ２８）、監視を継続する場合（ステップＳ２８のＹ）には、ステップＳ２０に移行して、次に収集されたｎ個のデータを取得し、以降、自己診断期間が終了するまでステップＳ２０〜Ｓ２８の処理を繰り返す。

次に、異常度から異常発生を予測する実施例について、プレス機械のフレームにヒビ・ワレが発生した場合を例にとって説明する。ここでは、収集データとして、センサ２０（ひずみゲージ）によって検出されるプレス荷重と、サーボコントローラ１８から送信される位置偏差と、センサ２１によって検出される出力電流を取得するものとする。

正常運転時において同一製品を生産し続けている場合、同一の加圧能力、トルク能力及び仕事能力が必要となるため、プレス荷重、位置偏差、出力電流は一定の値を保ち続け、これら三者の相関関係は一定となる。よって、この間に算出される異常度は低い値を示すことになる。

ここで、フレームにヒビ・ワレが発生する予兆段階になった場合、例えば左コラムに小さなヒビが入り始めた場合、それが原因となり、右コラムと左コラムのそれぞれに取り付けられたひずみゲージの値のバランスが崩れてしまい、正常運転時と異なる値を検知することになる。更に、加圧力が不安定になることで、成型に必要なトルクが変動してしまい、結果、出力電流に影響を与えることになる。すると、加圧力、出力電流が不安定になることで、サーボ制御にも影響を及ぼし、指令位置を保っていた位置偏差に変動が生じることなる。

このように、正常運転時には収集データ間の相関関係が維持されていたため、各データの実測値と予測値は近い値となり、異常度は低い状態を保てていたが、故障の予兆段階では、この相関関係が崩れることで、実測値と予測値に乖離が生じるようになり異常度が高くなってくる。このような異常度の変化を監視することで故障の予兆をいち早く捉えることができる。

（第２の実施の形態）
図９は、第２の実施の形態に係るプレス機械の構成の一例を模式的に示す図である。第２の実施の形態に係るプレス機械は、メカプレス（機械式プレス）である。図９において、図１の構成と同様の構成については同一の符号を付し、その説明を適宜省略する。

プレス機械２は、昇降可能なスライド１０と、スライド１０を駆動する駆動機構１１と、駆動機構１１を駆動するフライホイール２９と、フライホイール２９と駆動機構１１とを連結・開放するクラッチと駆動機構１１の回転体の回転を制動するブレーキとを含むクラッチ＆ブレーキ３０と、フライホイール２９を回転させるインダクションモータ３１と、インダクションモータ３１に電流を供給するインバータ３２と、インバータ３２に交流電力を供給する交流電源１７と、クラッチ＆ブレーキ３０の制御等を行うプレスコントローラ３３と、情報処理装置１９とを含む。

また、プレス機械２は、複数のセンサを備える。図９に示す例では、プレス機械２は、プレス荷重を検出するセンサ２０と、潤滑油の温度を検出するセンサ３４と、クラッチ＆ブレーキ３０の温度を検出するセンサ３５と、インバータ３２の出力電流（２次側電流）を検出するセンサ３６と、インバータ３２の入力電流（１次側電流）を検出するセンサ３７と、周囲温度を検出するセンサ２７を備える。センサ２０，２７，３４〜３７からのデータは各制御機器（インバータ３２、プレスコントローラ３３）によって所定時間間隔毎に収集され、各制御機器は、収集したデータを所定時間間隔毎にネットワーク２８を介して情報処理装置１９に送信する。

情報処理装置１９の学習モデル生成部１０１は、学習期間において複数のセンサ２０，２７，３４〜３７から収集した複数のデータのうちの１つのデータを目的変数とし、当該１つのデータ以外のデータを説明変数として機械学習を行って当該１つのデータ用の学習モデルを生成することを、前記複数のデータの全てについて行う。予測値算出部１０２は、自己診断期間において、センサ２０，２７，３４〜３７から収集した複数のデータのうちの１つのデータ以外のデータの実測値を当該１つのデータ用の学習モデルに入力して当該１つのデータの予測値を算出することを、前記複数のデータの全てについて行う。異常度算出部１０３は、前記複数のデータの実測値とそれぞれの予測値との差分に基づいて異常度を算出する。

第２の実施の形態によっても、第１の実施の形態と同様の効果を奏し、プレス機械の故障の予兆を捉え易くすることができる。

なお、上記のように本発明の実施の形態について詳細に説明したが、本発明の新規事項
及び効果から実体的に逸脱しない多くの変形が可能であることは当業者には容易に理解できよう。

１，２…プレス機械、１０…スライド、１１…駆動機構、１２…サーボモータ、１３…モータエンコーダ、１４…サーボアンプ、１５…コンデンサ、１６…サーボ電源、１７…交流電源、１８…サーボコントローラ、１９…情報処理装置、２０，２１，２２，２３，２４，２５，２６，２７…センサ、２８…ネットワーク、２９…フライホイール、３０…クラッチ＆ブレーキ、３１…インダクションモータ、３２…インバータ、３３…プレスコントローラ、３４，３５，３６，３７…センサ、１００…処理部、１０１…学習モデル生成部、１０２…予測値算出部、１０３…異常度算出部、１０４…異常度出力部、１１０…操作部、１２０…表示部、１３０…通信部、１４０…記憶部

Claims (5)

1. プレス機械に備わる複数のセンサからの複数のデータのうちの１つのデータを目的変数とし、当該１つのデータ以外のデータを説明変数として機械学習を行って当該１つのデータ用の学習モデルを生成することを、前記複数のデータの全てについて行う学習モデル生成部と、
   前記複数のセンサからの複数のデータのうちの１つのデータ以外のデータの実測値を当該１つのデータ用の学習モデルに入力して当該１つのデータの予測値を算出することを、前記複数のデータの全てについて行う予測値算出部と、
   前記複数のデータの実測値と予測値との差分に基づいて異常度を算出する異常度算出部と、
   算出した異常度を出力する異常度出力部とを含むことを特徴とするプレス機械。
2. 請求項１において、
   前記プレス機械はサーボプレスであり、
   前記複数のデータは、プレス荷重のデータとサーボアンプの出力電流のデータとを含むことを特徴とするプレス機械。
3. 請求項２において、
   前記学習モデル生成部は、
   前記複数のセンサからの複数のデータと位置偏差のデータと速度偏差のデータのうちの１つのデータを目的変数とし、当該１つのデータ以外のデータを説明変数として機械学習を行って当該１つのデータ用の学習モデルを生成することを、前記複数のデータと前記位置偏差のデータと前記速度偏差のデータの全てについて行い、
   前記予測値算出部は、
   前記複数のセンサからの複数のデータと前記位置偏差のデータと前記速度偏差のデータのうちの１つのデータ以外のデータの実測値を当該１つのデータ用の学習モデルに入力して当該１つのデータの予測値を算出することを、前記複数のデータと前記位置偏差のデータと前記速度偏差のデータの全てについて行い、
   前記異常度算出部は、
   前記複数のデータ、前記位置偏差のデータ及び前記速度偏差のデータの実測値と予測値との差分に基づいて異常度を算出することを特徴とするプレス機械。
4. 請求項２又は３において、
   前記複数のデータは、サーボ電源の入力電流のデータ、ＰＮ間電圧のデータ、サーボ電源の温度のデータ、サーボアンプの温度のデータ及びコンデンサの温度のデータの少なくとも１つを含むことを特徴とするプレス機械。
5. プレス機械に備わる複数のセンサからの複数のデータのうちの１つのデータを目的変数とし、当該１つのデータ以外のデータを説明変数として機械学習を行って当該１つのデータ用の学習モデルを生成することを、前記複数のデータの全てについて行い、
   前記複数のセンサからの複数のデータのうちの１つのデータ以外のデータの実測値を当該１つのデータ用の学習モデルに入力して当該１つのデータの予測値を算出することを、前記複数のデータの全てについて行い、
   前記複数のデータの実測値と予測値との差分に基づいて異常度を算出し、
   算出した異常度を出力することを特徴とするプレス機械の異常監視方法。

Images