JP7013110B1 - モデル生成装置、異常判定装置、異常判定システム、モデル生成方法及びプログラム - Google Patents

Abstract

モデル生成装置（１０）は、複数の動作モードにて動作する生産設備を撮像して得られた動画像に含まれる、動作モードごとの部分動画像を特定する特定部（１０３）と、特定部（１０３）により特定された動作モードごとの部分動画像が互いに有する時系列的な関係に基づいて、生産設備を撮像して得られる動画像から生産設備に異常があるか否かを判定するための異常判定モデルを生成するモデル生成部（１０４）と、を備える。

Description

本開示は、モデル生成装置、異常判定装置、異常判定システム、モデル生成方法及びプログラムに関する。

空間が撮像された動画像に基づいて、当該空間に異常があるか否かを判定する技術が知られている。例えば特許文献１には、正常時に撮像された動画像を機械学習により学習して学習モデルを構築し、動画像にて撮像対象となっている空間に異常があるか否かを構築された学習モデルに基づいて判定する技術が開示されている。特許文献１において、学習モデルは、既存の多数の設置場所から収集した動画像を類似するシーンでクラスタリングして学習することにより構築される。

特開２０１８－１７３９１４号公報

特許文献１に記載の技術を生産現場に応用することにより、生産現場にて動作する生産設備を撮像した動画像から、当該生産設備に異常があるか否かを判定することが考えられる。

ところで、生産設備は、複数の動作モードにて動作することがある。例えば、生産設備が複数種類の製品の生産に対応するものであるとき、当該生産設備は生産する製品ごとに異なる動作モードにて動作する。

この場合において、予め定められた順番にて動作モードを切り替えることが要求される場合がある。つまり、複数の動作モードにて動作する生産設備においては、それぞれの動作モード間に時系列的な関係を有する場合がある。

一方、特許文献１に記載の技術では、収集した動画像を類似するシーンでクラスタリングして学習することにより学習モデルが構築されるので、上記の時系列的な関係を学習モデルに反映させることができない。そのため、動作モードの切り替え順が予め定められた順番と異なる、といった異常が発生したときに、特許文献１に記載の技術では、このような異常を判定できないという問題がある。

本開示の目的は、上記の事情に鑑み、複数の動作モードにて動作する生産設備の異常を好適に判定することにある。

上記の目的を達成するため、本開示に係るモデル生成装置は、
複数の動作モードにて動作する生産設備であって各動作モードにおいて周期的な動作をする生産設備を撮像して得られた動画像に含まれる、動作モードごとの部分動画像を前記周期的な動作が変化する時点に基づいて特定する特定手段と、
前記特定手段により特定された前記動作モードごとの部分動画像が互いに有する時系列的な関係に基づいて、前記生産設備を撮像して得られる動画像から前記生産設備に異常があるか否かを判定するための異常判定モデルを生成するモデル生成手段と、
を備える。

本開示によれば、複数の動作モードにて動作する生産設備の異常を好適に判定できる。

本開示の実施の形態に係る異常判定システムの全体構成を示す図 本開示の実施の形態に係るモデル生成装置の機能的構成を示すブロック図 本開示の実施の形態に係るモデル生成装置の特定部による部分動画像の特定の一例を示す図 本開示の実施の形態に係る異常判定装置の機能的構成を示すブロック図 本開示の実施の形態に係るモデル生成装置及び異常判定装置のハードウェア構成の一例を示す図 本開示の実施の形態に係るモデル生成装置によるモデル生成の動作の一例を示すフローチャート 本開示の実施の形態に係る異常判定装置による異常判定の動作の一例を示すフローチャート

以下、図面を参照しながら、本開示の実施の形態に係る異常判定システムを説明する。各図面においては、同一又は同等の部分に同一の符号を付す。

（実施の形態）
図１を参照しながら、実施の形態に係る異常判定システム１を説明する。異常判定システム１によれば、生産現場に設けられた生産設備３０を撮像装置４０にて撮像することにより得られる動画像に基づいて、生産設備３０に異常があるか否かを判定することができる。異常判定システム１は、モデル生成装置１０と異常判定装置２０と生産設備３０と撮像装置４０とを備える。異常判定装置２０と撮像装置４０とは通信可能に接続されている。異常判定装置２０とモデル生成装置１０とは、ネットワークＮＴを介して互いに通信可能に接続されている。異常判定システム１は、本開示に係る異常判定システムの一例である。

生産設備３０は、工場内の生産現場に設置された、製品を生産するため生産設備である。生産設備３０は、例えばベルトコンベア、センサ、産業用ロボットなど、製品の生産に必要な機器を含む。また、生産設備３０は、複数の動作モードにて動作する。例えば、生産設備３０は、複数種類の製品を生産することが可能であり、種類ごとに異なる動作モードにて動作する。生産設備３０は、本開示に係る生産設備の一例である。

撮像装置４０は、生産設備３０を撮像して動画像を得る撮像装置である。撮像装置４０は、例えば動画像を撮像可能なデジタルビデオカメラである。撮像装置４０は、生産設備３０を撮像して得られた動画像を異常判定装置２０に送信する。後述するとおり、異常判定装置２０に送信された動画像は、モデル生成装置１０による異常判定モデルの生成及び異常判定装置２０による異常判定に用いられる。撮像装置４０は、本開示に係る撮像手段の一例である。

異常判定装置２０は、撮像装置４０により生産設備３０を撮像して得られた動画像を撮像装置４０から取得し、取得した動画像と後述の異常判定モデルとに基づいて生産設備３０に異常があるか否かを判定する。異常判定装置２０は、モデル生成装置１０から異常判定モデルを取得する。異常判定装置２０は、後述のモデル生成装置１０によるモデル生成のために、取得した動画像をモデル生成装置１０に送信する。異常判定装置２０は、例えばプログラマブルロジックコントローラを含む。異常判定装置２０の機能的構成については後述する。異常判定装置２０は、本開示に係る異常判定装置の一例である。

モデル生成装置１０は、撮像装置４０により生産設備３０を撮像して得られた動画像を、異常判定装置２０を介して取得し、取得した動画像に基づいて異常判定モデルを生成する。異常判定モデルとは、異常判定装置２０が生産設備３０を撮像して得られる動画像から生産設備３０に異常があるか否かを判定するために使用されるモデルである。モデル生成装置１０は、例えば生産設備３０を撮像して得られた複数の動画像に対して機械学習を行うことにより異常判定モデルを生成する。モデル生成装置１０は、生成した異常判定モデルを異常判定装置２０に送信する。モデル生成装置１０は、例えば産業用コンピュータ、クラウドサーバなどのコンピュータである。モデル生成装置１０の機能的構成については後述する。モデル生成装置１０は、本開示に係るモデル生成装置の一例である。

ネットワークＮＴは、モデル生成装置１０と異常判定装置２０とを通信可能に接続するネットワークである。ネットワークＮＴは、例えばインターネットである。あるいは、ネットワークＮＴは、工場内ネットワーク、事業所内ネットワークなどのローカルネットワークであってもよい。

次に、図２を参照しながら、モデル生成装置１０の機能的構成を説明する。モデル生成装置１０は、制御部１００と通信部１１０と記憶部１２０とユーザインタフェース部１３０とを備える。

制御部１００は、モデル生成装置１０を統括制御する。制御部１００は特に、動画像取得部１０１と設定部１０２と特定部１０３とモデル生成部１０４とモデル送信部１０５とを備える。これらの各機能部の詳細については後述する。

通信部１１０は、ネットワークＮＴを介して異常判定装置２０と通信する。通信部１１０は特に、異常判定装置２０から生産設備３０を撮像して得られた動画像を受信し、異常判定装置２０に異常判定モデルを送信する。

記憶部１２０は、後述のモデル生成のために必要な各種情報を保存する。記憶部１２０は特に、異常判定装置２０から取得された生産設備３０を撮像して得られた動画像と、ユーザにより設定された後述の設定に関する情報を保存する。

ユーザインタフェース部１３０は、ユーザからの入力を受け付け、ユーザに必要な情報を報知する。ユーザインタフェース部１３０は、後述するモデル生成の設定に関する情報を表示し、ユーザから設定に関する入力を受け付ける。ユーザインタフェース部１３０は、例えばタッチスクリーンである。あるいは、外部の入出力装置を接続するためのインタフェースであってもよい。

以下、制御部１００が備える各機能部を説明する。動画像取得部１０１は、生産設備３０を撮像して得られた動画像を、通信部１１０を介して異常判定装置２０から取得し、取得した動画像を記憶部１２０に保存する。取得し保存された動画像は、後述の特定部１０３及びモデル生成部１０４により使用される。

設定部１０２は、ユーザインタフェース部１３０を制御してユーザからモデル生成の設定に関する入力を促すための報知をする。設定部１０２は、報知に応答してユーザが入力した設定に関する情報をユーザインタフェース部１３０から取得する。設定部１０２は、ユーザが入力した設定に関する情報に基づいて、モデル生成のために必要な設定を行い、設定に関する情報を記憶部１２０に保存する。モデル生成のために必要な設定とは、例えば、モデル生成の際に使用する動画像の選択、後述する類似判定における閾値の設定などである。ただし、これらの設定は、必ずしも必須ではない。例えば、動画像の選択については、例えば直近４８時間以内の動画を自動的に選択するものであってもよい。また、閾値についても、例えば経験則上好ましいとされる値を採用してもよい。

特定部１０３は、記憶部１２０に保存された動画像に含まれる、動作モードごとの部分動画像を特定する。例えば、生産設備３０が「モード１」及び「モード２」の２つの動作モードにて動作するとき、動画像は、「モード１」で動作する生産設備３０が撮像された部分動画像と、「モード２」で動作する生産設備３０が撮像された部分動画像とを含む。特定部１０３は、動画像に含まれるこれらの部分動画像を動作モードごとに特定する。特定部１０３により特定された部分動画像は、後述のモデル生成部１０４による異常判定モデルの生成の際に使用される。特定部１０３は、本開示に係る特定手段の一例である。

特定部１０３は、例えば、動画像を時系列的に分析することにより、各動作モードにおける各部分動画像を特定する。生産設備３０は、同一の動作を周期的に繰り返し行うことにより、製品を継続的に生産する。そのため、それぞれの動作モードにおいて、生産設備３０は周期的な動作を行うことが通常である。したがって、「周期的な動作」が変化する時点が、動作モードが切り替わる時点である。よって、動画像を時系列的に分析して動作モードが切り替わる時点を特定することにより、動画像に含まれる各動作モードにおける各部分動画像を特定できる。

また、特定の対象となる動画像が複数あるときは、以下に説明するように、より精度よく各動作モードにおける各部分動画像を特定できる。以下、図３を参照しながら説明する。図３は、特定部１０３が、動画像Ａ、動画像Ｂ及び動画像Ｃのそれぞれについて、「モード１」に係る部分動画像、「モード２」に係る部分動画像及び「モード３」に係る部分動画像を特定する例を示す図である。ただし、図３に示すとおり、動画像Ｃは「モード２」に係る部分動画像を含まない。

特定部１０３は、動画像Ａ、動画像Ｂ及び動画像Ｃを、フレーム単位で比較する。同一の動作モードに係る部分動画像をフレーム単位で比較したときには類似度が大きくなり、異なる動作モードに係る部分動画像をフレーム単位で比較したときには類似度が小さくなることが期待できる。そのため、１つの動画像を時系列的に分析する場合と比べて、動作モードが切り替わる時点をより高精度に特定できる。

例えば、「モード１」と「モード２」とで、生産設備３０の動作が類似する場合を考える。この場合、１つの動画像を時系列的に分析して部分動画像を特定するときに、これらの２つの動作モードをまとめて１つの動作モードとして特定してしまう可能性がある。一方、複数の動画像をフレーム単位で比較する方法では、１つの動画像において動作モードが切り替わるとき、動画像間でのフレームの類似度が減少するので、精度よく各部分動画像を特定できる。例えば図３において、「モード１」から他の動作モードに切り替わるのが最も早いのは動画像Ｂである。動画像Ｂにおいて「モード１」から「モード２」に動作モードが切り替わる時点では、動画像Ａ及び動画像Ｃにおける動作モードは未だ「モード１」である。したがって、この時点でのフレーム単位での類似度は、全ての動画像にて動作モードが同一であるときのフレーム単位での類似度よりも減少する。

また、図３においては、動画像Ａ及び動画像Ｂは、「モード２」に係る部分動画像を含むが、動画像Ｃは「モード２」に係る部分動画像を含まない。そのため、動画像Ｃを比較対象として含むことにより、動画像Ｃを比較対象として含まない場合と比べて「モード１」に係る部分動画像及び「モード２」に係る部分動画像をより精度よく区別して特定できる。

再び図２を参照する。モデル生成部１０４は、特定部１０３により特定された、動作モードごとの部分動画像に基づいて、生産設備３０を撮像して得られる動画像から生産設備３０に異常があるか否かを判定するための異常判定モデルを生成して記憶部１２０に保存する。当該異常判定モデルは、異常判定装置２０にて使用される。モデル生成部１０４は特に、動作モードごとの部分動画像が互いに有する時系列的な関係に基づいて、異常判定モデルを生成する。「時系列的な関係」については後述する。特定部１０３が複数の動画像を対象として部分動画像を特定したとき、モデル生成部１０４は、当該複数の動画像に係る各部分動画像に基づいて異常判定モデルを生成する。モデル生成部１０４は、例えば、各部分動画像を学習対象とする機械学習により異常判定モデルを生成する。モデル生成部１０４は、本開示に係るモデル生成手段の一例である。

以下、「時系列的な関係」について説明する。例えば図３に示す例では、「モード１」の次には「モード２」又は「モード３」が続き、「モード２」の次には「モード３」が続く。また、「モード２」の次に「モード１」が続くことはない。このように、各部分動画像は互いに「時系列的な関係」を有する。図３に示す動画像Ａ、動画像Ｂ及び動画像Ｃに基づいて異常判定モデルを構築した場合において、異常判定装置２０による異常判定の対象となる動画像が、「モード２」、「モード１」、「モード３」の順に動作モードを切り替える生産設備３０を撮像したものであるとき、異常判定装置２０は、生産設備３０に異常があると判定する。

再び図２を参照する。モデル送信部１０５は、モデル生成部１０４にて生成され記憶部１２０に保存された異常判定モデルを、通信部１１０を介して異常判定装置２０に送信する。

次に、図４を参照しながら、異常判定装置２０の機能的構成を説明する。異常判定装置２０は、制御部２００と第１通信部２１０と第２通信部２１１と記憶部２２０と表示部２３０とを備える。

制御部２００は、異常判定装置２０を統括制御する。制御部２００は特に、動画像取得部２０１とモデル取得部２０２と異常判定部２０３と異常報知部２０４と動画像送信部２０５とを備える。これらの各機能部の詳細については後述する。

第１通信部２１０は、撮像装置４０と通信する。第１通信部２１０は特に、撮像装置４０により撮像された生産設備３０の動画像を撮像装置４０から受信する。第１通信部２１０は、例えばプログラマブルロジックコントローラのネットワークユニットである。

第２通信部２１１は、ネットワークＮＴを介してモデル生成装置１０と通信する。第２通信部２１１は特に、モデル生成装置１０から異常判定モデルを受信し、撮像装置４０により撮像された生産設備３０の動画像をモデル生成装置１０に送信する。第２通信部２１１は、例えばプログラマブルロジックコントローラのネットワークユニットである。

記憶部２２０は、撮像装置４０により撮像された生産設備３０の動画像と、モデル生成装置１０により生成された異常判定モデルと、後述する異常判定部２０３による異常判定の結果を示す情報とを保存する。記憶部２２０は、本開示に係る記憶手段の一例である。

表示部２３０は、生産設備３０に異常があるときに、後述する異常報知部２０４による制御に基づいて生産設備３０に異常があることを示す情報を表示することにより。生産設備３０に異常がある旨をユーザに報知する。表示部２３０は、例えばプログラマブルロジックコントローラのネットワークユニットに接続された液晶ディスプレイである。

以下、制御部２００が備える各機能部を説明する。動画像取得部２０１は、撮像装置４０により撮像される生産設備３０の動画像を、第１通信部２１０を介して撮像装置４０から取得して記憶部２２０に保存する。動画像取得部２０１は、本開示に係る動画像取得手段の一例である。

モデル取得部２０２は、第２通信部２１１を介して、モデル生成装置１０から異常判定モデルを取得して記憶部２２０に保存する。

異常判定部２０３は、記憶部２２０に保存された動画像と、記憶部２２０に保存された異常判定モデルとに基づいて、生産設備３０に異常があるか否かを判定する。前述のとおり、異常判定モデルは特に、動作モードごとの部分動画像が互いに有する時系列的な関係に基づいて生成されるので、異常判定部２０３は、複数の動作モードに係る時系列的な異常の有無を判定できる。例えば、生産設備３０の動作モードの切り替え順序に異常があるとき、異常判定部２０３は、当該異常があることを判定できる。異常判定部２０３は、本開示に係る異常判定手段の一例である。

具体的に、異常判定部２０３は、例えば以下のようにして生産設備３０に異常があるか否かを判定する。まず、異常判定部２０３は、記憶部２２０に保存された動画像に含まれる特徴点の動きを複数個抽出し、動画像における生産設備３０の動きを数値化する。次に、異常判定部２０３は、数値化された生産設備３０の動きが、異常判定モデルが示す動作モードの推移とどの程度的適合するかをスコア化する。そして異常判定部２０３は、スコアに基づいて、生産設備３０に異常があるか否かを判定する。

異常報知部２０４は、生産設備３０に異常があると異常判定部２０３により判定されたとき、表示部２３０を制御して生産設備３０に異常がある旨を報知し、異常判定部２０３による異常判定の結果を示す情報を記憶部２２０に保存する。記憶部２２０に保存された異常判定の結果を示す情報は、例えば生産設備３０の管理者により分析され、今後の異常発生防止対策に活用される。

動画像送信部２０５は、記憶部２２０に保存された動画像を、第２通信部２１１を介してモデル生成装置１０に送信する。動画像送信部２０５が動画像をモデル生成装置１０に送信することにより、モデル生成装置１０は、異常判定モデルを生成するために必要な動画像を取得できる。

次に、モデル生成装置１０及び異常判定装置２０のハードウェア構成の一例について、図５を参照しながら説明する。図５に示すモデル生成装置１０は、上述のとおり産業用コンピュータ、クラウドサーバなどのコンピュータにより実現され、異常判定装置２０は、例えばプログラマブルロジックコントローラにより実現される。

モデル生成装置１０及び異常判定装置２０は、バス１０００を介して互いに接続された、プロセッサ１００１と、メモリ１００２と、インタフェース１００３と、二次記憶装置１００４と、を備える。

プロセッサ１００１は、例えばＣＰＵ（Central Processing Unit：中央演算装置）である。プロセッサ１００１が、二次記憶装置１００４に記憶された動作プログラムをメモリ１００２に読み込んで実行することにより、モデル生成装置１０及び異常判定装置２０の各機能が実現される。

メモリ１００２は、例えば、ＲＡＭ（Random Access Memory）により構成される主記憶装置である。メモリ１００２は、プロセッサ１００１が二次記憶装置１００４から読み込んだ動作プログラムを記憶する。また、メモリ１００２は、プロセッサ１００１が動作プログラムを実行する際のワークメモリとして機能する。

インタフェース１００３は、例えばシリアルポート、ＵＳＢ（Universal Serial Bus）ポート、ネットワークインタフェースなどのＩ／Ｏ（Input/Output）インタフェースである。インタフェース１００３により、通信部１１０、第１通信部２１０及び第２通信部２１１の機能が実現される。

二次記憶装置１００４は、例えば、フラッシュメモリ、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）である。二次記憶装置１００４は、プロセッサ１００１が実行する動作プログラムを記憶する。二次記憶装置１００４により、記憶部１２０及び記憶部２２０の機能が実現される。

次に、図６を参照しながら、モデル生成装置１０によるモデル生成の動作の一例を説明する。なお、図６に示す動作が開始される前に、すでに生産設備３０を撮像して得られた動画像が異常判定装置２０から取得され記憶部１２０に保存されているものとする。また、図６に示す動作は、例えばユーザがユーザインタフェース部１３０を操作してモデル生成を行う指示をモデル生成装置１０に対して行ったときに開始される。

モデル生成装置１０の制御部１００の設定部１０２は、ユーザインタフェース部１３０に対する操作によるユーザからの設定を受け付ける（ステップＳ１１）。設定部１０２は、受け付けた設定に関する情報を記憶部１２０に保存する。ユーザは、例えば記憶部１２０に保存された１以上の動画像を選択することにより、モデル生成に使用される動画像を設定する。ユーザは、生産設備３０が正常に動作しているときの動画像を、モデル生成に使用される動画像として設定する。

制御部１００は、ステップＳ１１にて受け付けた設定に基づいて、モデル生成に使用される動画像を選択する（ステップＳ１２）。

制御部１００の特定部１０３は、ステップＳ１２にて選択された動画像から、各動作モードに係る部分動画像を特定する（ステップＳ１３）。

制御部１００のモデル生成部１０４は、ステップＳ１３にて特定された各部分動画像が互いに有する時系列的な関係に基づいて異常判定モデルを生成し、記憶部１２０に保存する（ステップＳ１４）。

そして制御部１００は、モデル生成の動作を終了する。

次に、図７を参照しながら、異常判定装置２０による異常判定の動作の一例を説明する。なお、図７に示す動作が開始される前に、すでに異常判定モデルがモデル生成装置１０から取得され記憶部２２０に保存されているものとする。また、図７に示す動作は、例えば生産設備３０の動作開始時に実行され、生産設備３０の動作中には常に実行されている。

異常判定装置２０の制御部２００の動画像取得部２０１は、撮像装置４０により撮像された生産設備３０の動画像を撮像装置４０から取得して記憶部２２０に保存する（ステップＳ２１）。

制御部２００の異常判定部２０３は、記憶部２２０に保存された動画像と、記憶部２２０に保存された異常判定モデルとに基づいて、生産設備３０に異常があるか否かを判定する（ステップＳ２２）。

異常がないと判定されたとき（ステップＳ２３：Ｎｏ）、制御部２００は、ステップＳ２１からの動作を繰り返す。

異常があると判定されたとき（ステップＳ２３：Ｙｅｓ）、制御部２００の異常報知部２０４は、表示部２３０を制御して異常がある旨をユーザに報知し、異常に関する情報を記憶部２２０に保存する（ステップＳ２４）。そして制御部２００は、ステップＳ２１からの動作を繰り返す。

以上、実施の形態に係る異常判定システム１を説明した。異常判定システム１のモデル生成装置１０は、複数の動作モードにて動作する生産設備３０を撮像して得られた動画像から、各動作モードにおける各部分動画像を特定し、動作モードごとの部分動画像が互いに有する時系列的な関係に基づいて異常判定モデルを生成する。そして、異常判定システム１の異常判定装置２０は、生産設備３０を撮像して得られる動画像と、モデル生成装置１０により生成された異常判定モデルとに基づいて、生産設備３０に異常があるか否かを判定する。そのため、異常判定システム１によれば、例えば動作モードの切り替え順序に異常があるときに、生産設備３０の異常を判定できる。つまり、異常判定システム１によれば、動作モードに関する時系列的な異常があるときに、生産設備３０の異常を判定できる。したがって、異常判定システム１によれば、複数の動作モードにて動作する生産設備３０の異常を好適に判定できる。

（変形例）
実施の形態では、モデル生成装置１０と異常判定装置２０とを別個の装置とした。一方、これらの装置を１つの異常判定装置としてまとめてもよい。この場合、まとめられた異常判定装置は、本開示に係る異常判定システムの一例である。

実施の形態では、モデル生成に使用される動画像を異常判定装置２０がモデル生成装置１０に送信するものとした。しかし、異常判定装置２０とは異なる装置が撮像装置４０から動画像を取得してモデル生成装置１０に送信するものとしてもよい。

図５に示すハードウェア構成においては、モデル生成装置１０及び異常判定装置２０が二次記憶装置１００４を備えている。しかし、これに限らず、二次記憶装置１００４をモデル生成装置１０及び異常判定装置２０の外部に設け、インタフェース１００３を介してモデル生成装置１０及び異常判定装置２０と二次記憶装置１００４とが接続される形態としてもよい。この形態においては、ＵＳＢフラッシュドライブ、メモリカードなどのリムーバブルメディアも二次記憶装置１００４として使用可能である。

また、図５に示すハードウェア構成に代えて、ＡＳＩＣ（Application Specific Integrated Circuit：特定用途向け集積回路）、ＦＰＧＡ（Field Programmable Gate Array）などを用いた専用回路によりモデル生成装置１０及び異常判定装置２０を構成してもよい。また、図５に示すハードウェア構成において、モデル生成装置１０及び異常判定装置２０の機能の一部を、例えばインタフェース１００３に接続された専用回路により実現してもよい。

モデル生成装置１０及び異常判定装置２０で用いられるプログラムは、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）、ＤＶＤ（Digital Versatile Disc）、ＵＳＢフラッシュドライブ、メモリカード、ＨＤＤ等のコンピュータ読み取り可能な記録媒体に格納して配布することが可能である。そして、かかるプログラムを特定の又は汎用のコンピュータにインストールすることによって、当該コンピュータをモデル生成装置１０及び異常判定装置２０として機能させることが可能である。

また、上述のプログラムをインターネット上の他のサーバが有する記憶装置に格納しておき、当該サーバから上述のプログラムがダウンロードされるようにしてもよい。

本開示は、本開示の広義の精神と範囲を逸脱することなく、様々な実施の形態及び変形が可能とされるものである。また、上述した実施の形態は、本開示を説明するためのものであり、本開示の範囲を限定するものではない。つまり、本開示の範囲は、実施の形態ではなく、請求の範囲によって示される。そして、請求の範囲内及びそれと同等の開示の意義の範囲内で施される様々な変形が、本開示の範囲内とみなされる。

１ 異常判定システム、１０ モデル生成装置、２０ 異常判定装置、３０ 生産設備、４０ 撮像装置、１００ 制御部、１０１ 動画像取得部、１０２ 設定部、１０３ 特定部、１０４ モデル生成部、１０５ モデル送信部、１１０ 通信部、１２０ 記憶部、１３０ ユーザインタフェース部、２００ 制御部、２０１ 動画像取得部、２０２ モデル取得部、２０３ 異常判定部、２０４ 異常報知部、２０５ 動画像送信部、２１０ 第１通信部、２１１ 第２通信部、２２０ 記憶部、２３０ 表示部、１０００ バス、１００１ プロセッサ、１００２ メモリ、１００３ インタフェース、１００４ 二次記憶装置、ＮＴ ネットワーク。

Claims (5)

1. 複数の動作モードにて動作する生産設備であって各動作モードにおいて周期的な動作をする生産設備を撮像して得られた動画像に含まれる、動作モードごとの部分動画像を前記周期的な動作が変化する時点に基づいて特定する特定手段と、
   前記特定手段により特定された前記動作モードごとの部分動画像が互いに有する時系列的な関係に基づいて、前記生産設備を撮像して得られる動画像から前記生産設備に異常があるか否かを判定するための異常判定モデルを生成するモデル生成手段と、
   を備えるモデル生成装置。
2. 請求項１に記載のモデル生成装置により生成された前記異常判定モデルを保存する記憶手段と、
   撮像手段が前記生産設備を撮像することにより得られる動画像を取得する動画像取得手段と、
   前記動画像取得手段により取得された前記動画像と前記記憶手段に保存された前記異常判定モデルとに基づいて前記生産設備に異常があるか否かを判定する異常判定手段と、
   を備える異常判定装置。
3. 請求項１に記載のモデル生成装置と、
   請求項２に記載の異常判定装置と、
   を備える異常判定システム。
4. 複数の動作モードにて動作する生産設備であって各動作モードにおいて周期的な動作をする生産設備を撮像して得られた動画像に含まれる、動作モードごとの部分動画像を前記周期的な動作が変化する時点に基づいて特定し、
   特定された前記動作モードごとの部分動画像が互いに有する時系列的な関係に基づいて、前記生産設備を撮像して得られる動画像から前記生産設備に異常があるか否かを判定するための異常判定モデルを生成する、
   モデル生成方法。
5. コンピュータを、
   複数の動作モードにて動作する生産設備であって各動作モードにおいて周期的な動作をする生産設備を撮像して得られた動画像に含まれる、動作モードごとの部分動画像を前記周期的な動作が変化する時点に基づいて特定する特定手段、
   前記特定手段により特定された前記動作モードごとの部分動画像が互いに有する時系列的な関係に基づいて、前記生産設備を撮像して得られる動画像から前記生産設備に異常があるか否かを判定するための異常判定モデルを生成するモデル生成手段、
   として機能させるプログラム。

Images