JP7044175B2 - 異常判定支援装置 - Google Patents

Description

本発明は、製品を製造することに関与する製造設備において，製造設備自体や製品品質が正常か異常かを判定することを支援する装置に関する。

製造業における製造設備として、圧延機、加工機、組み立て機など多くの設備が存在する。例えば板材を製造する圧延機は、鉄鋼材料やアルミ・銅などの非鉄材料の塊を圧延し薄くすることで、自動車や電機製品への加工を容易にする。圧延機では、例えば粗圧延機が２台、仕上圧延機が７台あり、上下の圧延ロールを駆動するための大容量電動機、ロールと電動機を結ぶシャフトなど、細かい仕様は異なるものの装置の構成は似ている場合が多い。

これらの製造設備に対しては安定かつ高速で製品を製造する要求が強く、製造設備の故障による生産阻害を避けるべく、製造設備の不具合や異常を事前に知らせる技術が求められている。このため、対象とする設備の信号を集め、その信号から正常か異常かを判定することが一般に行われている。そのような技術に関する公知文献としては、下記の特許文献１、特許文献２、特許文献３を例示することができる。

特許文献１には、回転機の電流の振幅を用いて、２つの指標で異常の有無を特定する方法が記載されている。特許文献１に記載の方法によれば、予め設定した判定基準を超えたかどうかにより、異常か否かの判定が行われる。ただし、機械学習など学習による判断力の強化は記載されていない。

特許文献２には、回転機の電流を用いて異常を診断する方法が記載されている。しかし、特許文献１と同様に、その診断方法はある指標が閾値を超えたかどうか判定するものである。また、機械学習も適用できるとの記述はあるものの、具体的な方法についての言及はない。

特許文献３には、診断対象のモデルを正常時のデータを用いた回帰分析などにより予め作成しておき、現在のデータから作成したモデルとの差を評価して、異常かどうかを判定することが記載されている。特許文献３に記載の方法も、予め設定した閾値を超えたか否かにより異常かどうかを判定する方法である。

正常か異常かの判定において現実的に最も難しいことの一つに、正常と異常の境界、すなわち異常か否かの閾値をどう設定するかという問題がある。閾値の設定によっては、正常が異常と判定されたり、異常が正常と判定されたりすることも起こりうる。一旦閾値を決め、正常と異常を判断した結果は、その後閾値を変更することにより、正常と異常の判定が変わってしまう。

また、正常か異常かを判定するために、いくつかの解析方法が用いられている。例えば基本的な統計量（平均、最大・最小、標準偏差、歪度、尖度など）、確率密度関数の形の認識などがある。また高速フーリエ変換（ＦＦＴ）やウェーブレット変換により振動の幅（振幅）と周波数との関係を定量化することもできる。

しかし、これらの解析方法が複数あることにより、また上記閾値の決め方により、判定結果が定まらないという問題が生じる。つまり、ある解析方法により出力された指標とそのために設定された閾値によれば正常と判定されたが、別の解析方法により出力された指標とそのために設定された閾値によれば異常と判定されるという、相反する判定結果が生じる場合がある。

また、一般に、正常データの数と種類に比べて、異常データの数と種類は非常に少なく、異常であることを示す事例を集めるのに多くの時間がかかることが一般的である。

特許第５８２８９４８号公報 特開２０１９－０２０２７８号公報 特開２０１９－０１６０３９号公報

本発明はこのような課題に鑑みてなされたものであり、製造設備において異常が生じているか精度よく判定することを支援する異常判定支援装置を提供することを目的とする。

本発明に係る異常判定支援装置は、製造設備において異常が生じているか判定するための判断材料を提供する異常判定支援装置であって、解析対象データ作成部、一次判定部、及び二次判定部を備える。解析対象データ作成部は、製造設備のデータ採取装置から製造設備の状態又は製品品質の少なくとも一方を表す時系列信号を取得し、時系列信号から解析対象データを抽出するように構成される。一次判定部は、解析対象データ作成部で抽出された解析対象データに複数種類の異なる解析方法を適用することによって、共通の解析対象データから複数の一次判定結果を導出するように構成される。そして、二次判定部は、一次判定部で得られた一次判定結果とそれに対応する正解としての異常判定結果及び異常原因との対を教師信号として学習された機械学習装置を有し、一次判定部において共通の解析対象データから得られた複数の一次判定結果を機械学習装置に入力し、機械学習装置から出力される二次判定結果及び推定異常原因を判断材料として出力するように構成される。

解析対象データ作成部、一次判定部、及び二次判定部の各処理は、異常判定支援装置を構成するコンピュータに実行させてもよい。つまり、異常判定支援装置を、少なくとも一つのプロセッサと、少なくとも一つのプログラムを記憶する少なくとも一つのメモリとを備えるコンピュータで構成し、メモリから読み出されたプログラムがプロセッサで実行されたときに、プロセッサが解析対象データ作成部、一次判定部、及び二次判定部として動作するようにプログラムを構成してもよい。

本発明に係る異常判定支援装置の一つの形態では、一次判定部は、解析対象データに複数種類の異なる解析方法を適用することによって解析対象データを複数の数値指標に変換し、複数の数値指標を複数の一次判定結果として出力するように構成されてもよい。機械学習装置は、一次判定部で得られた数値指標を入力とし、実際の異常判定結果及び異常原因を正解とする教師信号を用いて学習されるように構成されてもよい。二次判定部は、一次判定部で解析方法ごとに得られた複数の数値指標を機械学習装置に入力し、機械学習装置から出力される異常判定結果及び推定異常原因を判断材料として出力するように構成されてもよい。

本発明に係る異常判定支援装置の別の形態では、一次判定部は、解析対象データに複数種類の異なる解析方法を適用することによって解析対象データを複数の数値指標に変換し、複数の数値指標のそれぞれに基づき異常の有無の判定と異常度合いの計算とを行い、解析方法ごとに得られた複数の判定結果及び異常度合を複数の一次判定結果として出力するように構成されてもよい。機械学習装置は、一次判定部で得られた判定結果及び異常度合いを入力とし、実際の異常判定結果及び異常原因を正解とする教師信号を用いて学習されるように構成されてもよい。二次判定部は、一次判定部で解析方法ごとに得られた複数の判定結果及び異常度合いを機械学習装置に入力し、機械学習装置から出力される異常判定結果及び推定異常原因を判断材料として出力するように構成されてもよい。

本発明に係る異常判定支援装置のさらに別の形態では、一次判定部は、解析対象データに複数種類の異なる解析方法を適用することによって解析対象データを複数の数値指標に変換し、複数の数値指標を複数の一次判定結果として出力するように構成されてもよい。機械学習装置は、一次判定部で得られた数値指標を入力とし、数値指標から判定される異常の有無と数値指標から計算される異常度合いとを正解とする教師信号を用いて学習されるように構成されてもよい。二次判定部は、一次判定部で解析方法ごとに得られた複数の数値指標を機械学習装置に入力し、機械学習装置から出力される異常判定結果及び推定異常原因を判断材料として出力するように構成されてもよい。

本発明に係る異常判定支援装置において、解析対象データ作成部は、製造設備が稼働中における製造設備の負荷状態と非負荷状態の２つの状態におけるデータを抽出し、さらに抽出したデータから低周波数成分を除いた高周波数成分を解析対象データとして算出するように構成されてもよい。この場合、一次判定部は、負荷状態と非負荷状態のそれぞれにおける解析対象データに複数種類の異なる解析方法を適用することによって解析対象データを複数の数値指標に変換し、複数の数値指標のそれぞれに基づき異常の有無の判定を行い、負荷状態で異常かつ非負荷状態で正常であれば機械系の異常と判定し、負荷状態で異常かつ非負荷状態で異常であれば電気系の異常、信号伝達系の異常、又は制御系の異常と判定するように構成されてもよい。

また、本発明に係る異常判定支援装置において、解析対象データ作成部は、製造設備の稼働中における製品品質測定用のセンサの測定時状態と非測定時状態の２つの状態におけるデータを抽出し、さらに抽出したデータから低周波数成分を除いた高周波数成分を解析対象データとして算出するように構成されてもよい。この場合、一次判定部は、測定時状態と非測定時状態のそれぞれにおける解析対象データに複数種類の異なる解析方法を適用することによって解析対象データを複数の数値指標に変換し、複数の数値指標のそれぞれに基づき異常の有無の判定を行い、測定時状態で異常かつ非測定時状態で正常であれば製品品質の異常と判定し、測定時状態で異常かつ非測定時状態で異常であれば製品品質を測定するセンサ系の異常、又は信号伝達系の異常と判定するように構成されてもよい。

本発明に係る異常判定支援装置において、機械学習装置は，中間層が１つであるニューラルネットワークによる学習、中間層が複数から成るニューラルネットワークによる深層学習、及びルールベースの学習のうちの何れか一つの方法により学習を行うように構成されてもよい。

本発明に係る異常判定支援装置において、機械学習装置は、一次判定部で得られた一次判定結果を示す変数のうち物理単位を持たない無次元変数を学習対象とし、無次元変数は他の製造設備の異常判定支援装置への転移学習、又は他の製造設備の異常判定支援装置からの転移学習に適用されるように構成されてもよい。

本発明に係る異常判定支援装置は、データ及び結果保存部や表示部をさらに備えてもよい。データ及び結果保存部は、例えば、解析対象データ作成部により作成された解析対象データ、一次判定部の判定経過及び結果、二次判定部の判定経過及び結果のうちの少なくとも一つを記録装置に保存するように構成される。表示部は、データ採取装置から得られる時系列信号、解析対象データ作成部により作成された解析対象データ、一次判定部の判定経過及び結果、二次判定部の判定経過及び結果のうちの少なくとも一つを視覚的に表示するように構成される。

本発明に係る異常判定支援装置によれば、一次判定部で得られる一次判定結果に加え、二次判定部による二次判定結果及び推定異常原因が得られる。二次判定部では一次判定部で得られた複数の一次判定結果を機械学習装置に入力することにより二次判定結果及び推定異常原因を得るので、解析方法や閾値に依存しない精度の高い判定が可能である。ゆえに、本発明に係る異常判定支援装置によれば、製造設備において異常が生じているか精度よく判定することを支援することができる。

本発明の実施の形態の異常判定支援装置が適用される製造設備のシステム例を示す図である。 本発明の実施の形態の異常判定支援装置の構成を示すブロック図である。 本発明の実施の形態の解析対象データ作成部の処理フローの一例を説明する図である。 数値指標の信号の様子と推定される設備異常個所との対応関係を説明する表である。 本発明の実施の形態の一次判定部の処理フローの一例を説明する図である。 本発明の実施の形態における過去データ蓄積テーブルの例を説明する表である。 本発明の実施の形態における管理図を説明する図である。 本発明の実施の形態における確率密度分布を説明する図である。 本発明の実施の形態における確率密度分布、特にレイリー分布を説明する図である。 本発明の実施の形態における自己回帰モデルの自己回帰係数の変化を説明する図である。 本発明の実施の形態における類似設備ごとの比較を説明する図である。 本発明の実施の形態の機械学習装置の第１例を示す図である。 本発明の実施の形態の機械学習装置における学習の態様例を説明する図である。 対象製造設備データの動きと人為的な働きかけを説明する図である。 本発明の実施の形態の機械学習装置の第２例を示す図である。 本発明の実施の形態の機械学習装置の第３例を示す図である。 本発明の実施の形態における表示例を示す図である。

図面を参照して、本発明の実施の形態を説明する。ただし、以下に示す実施の形態は、本発明の技術的思想を具体化するための装置や方法を例示するものであって、特に明示する場合を除き、構成部品の構造や配置、処理の順序などを下記のものに限定する意図はない。本発明は以下に示す実施の形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲で種々変形して実施することができる。

１．製造設備のシステム例
図１は、本発明の実施の形態の異常判定支援装置が適用される製造設備のシステム例を示す図である。本実施の形態において異常判定支援装置２が適用されている製造設備２０は、熱間薄板圧延ラインである。熱間薄板圧延ラインは、加熱炉２１、粗圧延機２２，２３、バーヒータ２４、仕上圧延機２５、ランアウトテーブル２６、巻き取り機２７などの各種の装置からなる製造設備２０である。

加熱炉２１で熱せられた圧延材１００は、粗圧延機２２，２３により圧延される。粗圧延機２２，２３で圧延された圧延材１００は、バーヒータ２４を経て、仕上圧延機２５へ搬送される。仕上圧延機２５は、直列に並べられた７台の圧延スタンドＦ１～Ｆ７を有し、圧延材１００を所望の板厚まで圧延する。仕上圧延機２５で圧延された圧延材１００は、ランアウトテーブル２６で冷却された後、巻き取り機２７によってコイル状に巻き取られる。圧延材１００を薄く圧延してできたコイル状の薄板が製造設備２０により製造される最終的な製品である。

製造設備２０には、製品品質に関係する物理量を測定する種々のセンサが配置されている。例えば、仕上圧延機２５の入側の温度を計測するための温度計３０、板厚及び板幅を計測するためのセンサ３１、仕上圧延機２５の出側の温度を計測するための温度計３２、巻き取り機２７の入側の温度を計測するための温度計３３などが配置されている。

製造設備２０には、データ採取装置１が設けられている。データ採取装置１は、製品の品質を担保或いは管理するため、製造設備２０を構成する各装置に対する設定値や実績値、製造設備２０に配置された各センサ３０～３３による測定値、各装置を適正に動作させるための操作量などの各種のデータを連続的に又は間欠的に収集し、ハードディスクなどの記録装置１ａに記録している。なお、データ採取装置１は、単一のコンピュータで構成してもよいし、ネットワークに接続された複数のコンピュータで構成してもよい。

２．異常判定支援装置の概要
異常判定支援装置２は、例えばＬＡＮによってデータ採取装置１に接続されている。異常判定支援装置２は、ユーザによる製造設備２０の異常判定を支援する装置である。より詳しくは、異常判定支援装置２は、製造設備２０において異常が生じているか判定するための判断材料をユーザに対して提供する装置であり、製造設備２０の異常判定に用いる解析対象データをデータ採取装置１に記録された時系列信号から抽出し、解析し、その解析結果をユーザに対して提供することにより、ユーザが行う異常判定を支援する。異常判定支援装置２は、少なくとも１つのメモリと少なくとも１つのプロセッサとを有するコンピュータである。メモリには、異常判定に用いる各種のプログラムや各種のデータが記憶されている。

図２は、異常判定支援装置２の構成を示す図であって、異常判定支援装置２が有する機能がブロックで表されている。異常判定支援装置２は、解析対象データ作成部３、一次判定部４、二次判定部５、情報入力部６、データ及び結果保存部７、及び表示部８を備えている。これらの要素のうち解析対象データ作成部３、一次判定部４、及び二次判定部５は、メモリから読みだされたプログラムがプロセッサで実行されることによって、プロセッサによりソフトウェア的に実現される。一方、情報入力部６、データ及び結果保存部７、及び表示部８は異常判定支援装置２とは別に設けることもできる。情報入力部６は例えばキーボードであり、データ及び結果保存部７は例えばハードディスクなどの記録装置であり、表示部８は例えばディスプレイ装置である。

３．異常判定支援装置の機能
３－１．解析対象データ作成部
解析対象データ作成部３は、データ採取装置１から振動、電流、荷重などの製造設備２０の状態を表す時系列信号及び製品品質を表す時系列信号を取得し、それら時系列信号から一次判定部４で行う解析や判定に必要なデータを抽出する。ただし、製造設備２０が稼働していないと異常か正常かの情報は得られないので、解析対象データ作成部３は製造設備２０が稼働中のデータを時系列信号から抽出する。

また、製造設備２０の稼働中においても、例えば圧延設備における圧延中の状態、すなわち負荷がかかっている状態（負荷状態）と、圧延していない状態、すなわち負荷がかかっていない状態（非負荷状態）とでは、異常時の信号の振る舞いに違いがある。ゆえに、解析対象データ作成部３は、負荷状態と非負荷状態との２つの状態におけるデータを抽出する。また、製品品質を測定するセンサ３０～３３においては、製造設備２０の稼働中における製品品質測定用のセンサ３０～３３の測定時状態と非測定時状態の２つの状態におけるデータを抽出する。

解析対象データ作成部３は、時系列信号から抽出したデータの全てを一次判定部４へ送信する。その際、一次判定部４での解析や判定に適した信号になるようにデータを処理することもできる。例えば、解析対象データ作成部３は、抽出したデータそのものの値から、低周波数成分を除いた高周波成分すなわち低周波数成分からの偏差を算出することができる。負荷状態の信号は一般に大きな値であるのに対し、非負荷状態の信号は小さな値であり、その２つを比較すると、負荷状態の信号の大きさが有意となり、非負荷状態における設備や品質の状態を抽出しにくくなる。負荷状態の信号と非負荷状態の信号とを同じ基準で比較するためには、高周波成分を取り出すことが好ましい。同様のことはセンサの測定時状態の信号と非測定時状態の信号との関係についても言える。抽出したデータに対する処理としては、上記のように高周波成分を取り出す処理の他、例えばローパスフィルタをかけてデータのノイズを低減する処理を適用することもできる。

図３は、解析対象データ作成部３の処理フローの一例を説明する図である。ステップＳ１０１では、製造設備２０において解析対象の圧延材の圧延が完了すると、圧延前後を含む時系列信号をデータ採取装置１から取得する。この時系列信号には、製造設備２０の状態を表すデータと製品品質を表すセンサデータとが含まれている。

ステップＳ１０２では、圧延設備（２台の粗圧延機及び仕上圧延機を構成する７台の圧延スタンド）ごとに、圧延荷重、圧延トルク、電動機電流、回転機器の速度などのデータを圧延中（負荷状態）のデータと非圧延中（非負荷状態）のデータとに分類する。ステップＳ１０３では、製品品質を示す板厚、板幅などのセンサデータを、測定時状態のデータと非測定時状態のデータとに分類する。

ステップＳ１０４では、ステップＳ１０２及びＳ１０３の原データのそれぞれについて高周波成分を取り出す。例えば、原データに直接ハイパスフィルタを掛けることにより高周波成分を取り出すことができる。或いは、原データにローパスフィルタを掛け、原データからローパスフィルタの出力結果を差し引くことにより高周波成分を取り出すこともできる。本明細書では、高周波成分を偏差データと呼び、高周波成分を取り出す前の原データを偏差データに対して絶対値データと呼ぶ場合がある。本明細書において原データとは、電動機の電流、圧延荷重など製造設備から採取される直接的なデータを意味する。解析対象データには原データと偏差データの両方が含まれる。また、原データには絶対値データのほか、センサ等の中で偏差データに変換されたものも含まれる。解析対象データ作成部３は、高周波成分である偏差データを一次判定部４に渡すほか、原データである絶対値データや、原データにローパスフィルタをかけてノイズを低減したデータ等、一次判定で要求されるデータの全てを一次判定部４に渡すことができる。

３－２．一次判定部
一次判定部４は、解析対象データ作成部３において負荷状態と非負荷状態、或いは測定時状態と非測定時状態とに分類された解析対象データに対し、複数種類の異なる解析方法を適用する。詳しくは、一次判定部４は、複数種類の異なる解析方法を共通の解析対象データに適用することで、解析対象データを解析方法の数の判定に適する数値指標に変換する。また、一次判定部４は、複数の数値指標のそれぞれに基づき製造設備２０の異常の判定と異常度合の計算とを行い、また、製品品質の異常の判定と異常度合の計算とを行う。

一次判定部４は、数値指標の信号が有する特徴に基づいて異常を判定する。異常を判定するための数値指標の信号の特徴として、数値指標の信号の振動状態を一例として挙げることができる。数値指標の信号の振動が大の場合には異常であり、数値指標の信号の振動が小の場合には正常であると判定することができる。また、負荷状態における信号の特徴に基づく判定と、非負荷状態における信号の特徴に基づく判定とを組み合わせることで、設備の異常個所を推定することができる。

図４は、数値指標の信号の様子と推定される設備異常個所との対応関係を説明する表である。製造設備の状態に関する数値指標の信号の場合、信号の様子には表に示すａ１，ｂ１，ｃ１のパターンがある。信号の様子がａ１の場合、すなわち、負荷状態で振動大（すなわち異常）かつ非負荷状態で振動小（すなわち正常）であれば、機械系の異常と判定することができる。信号の様子がｂ１の場合、すなわち、負荷状態で振動大かつ非負荷状態でも振動大であれば、電気系の異常、信号伝達系の異常、又は制御系の異常と判定することができる。信号の様子がｃ１の場合、すなわち、負荷状態で振動小かつ非負荷状態でも振動小であれば、設備は正常と判定することができる。

製品品質に関する数値指標の信号の場合、信号の様子には表に示すａ２，ｂ２，ｃ２のパターンがある。信号の様子がａ２の場合、すなわち、負荷状態で振動大（すなわち異常）かつ非負荷状態で振動小（すなわち正常）であれば、品質の異常と判定することができる。信号の様子がｂ２の場合、すなわち、負荷状態で振動大かつ非負荷状態でも振動大であれば、センサ系の異常、又は信号伝達系の異常と判定することができる。信号の様子がｃ２の場合、すなわち、負荷状態で振動小かつ非負荷状態でも振動小であれば、設備は正常と判定することができる。

一次判定部４は、上記処理により得られた数値指標、及び／又は、異常判定結果及び異常度合を一次判定結果として二次判定部５へ出力する。

図５は、一次判定部４の処理フローの一例を説明する図である。まず、ステップＳ１１１では、解析対象データ作成部３から解析対象データの提供を受ける。解析対象データには、圧延設備ごと（負荷状態と非負荷状態とを含む）、製品品質ごと（測定時状態と非測定時状態とを含む）、絶対値データか偏差データかの種別がある。一次判定部４は、例えば、１番スタンド・圧延荷重・負荷時・偏差データ、７番スタンド・電動機電流・非負荷時・絶対値データなど、すべての場合を網羅するように解析対象データを仕分ける。

ステップＳ１１２では、解析対象データに適用する解析方法を複数種類の異なる解析方法の中から１つ選択する。解析方法の詳細は後述するが、例えば、解析対象データの標準偏差を求めるという方法を選択し、その方法を１番スタンド・圧延荷重・負荷時・偏差データに適用する。

ステップＳ１１３では、解析対象の原データ（絶対値データ）から数値指標を生成する。例えば、解析対象の原データから標準偏差を計算し、それを数値指標とする。別の例としては、解析対象の原データから確率密度分布を計算し、そのデータに基づく正規分布との差をカルバック・ライブラー距離などで評価し、それを数値指標とする。

ステップＳ１１４では、過去の正常なデータから得られたｍ個の数値指標の平均Ａと、新たに採取した解析対象データによる数値指標Ｂとを比較する。そして、ＡとＢとの差を算出し、又はさらにHotellingの理論などを適用して、上位の数値指標を計算する。数値指標の求め方の詳細についても後述する。

ステップＳ１１５では、ステップＳ１１４で算出した上位の数値指標により、製造設備及び製品品質の正常／異常を判定する。例えば、Hotellingの理論による数値指標をカイ２乗分布に当てはめ、異常度合(異常可能性)を求める。後述する表示部８では、例えば異常度合が９９％以上なら赤色アラーム、９５％以上なら黄色アラーム、またそれらの中間なら赤から黄へのグラデーション色として表示する。

ステップＳ１１６では、適用すべき解析方法をすべて網羅していればステップＳ１１８へ進み、網羅していなければステップＳ１１７で解析方法を変更する。ステップＳ１１８では、解析対象データを網羅したなら処理を終了し、網羅していなければステップＳ１１９で解析対象データを変更する。

３－２－１．解析方法の第１例
解析方法の第１例として、統計量を計算する方法を説明する。統計量には、以下のようなものがある。ここで、以下の式１で表される原データ列Ｘがｎ個得られているとする。

原データから計算できる一般的な統計量として、以下のようなものが挙げられる。これらは、例えば、文献「2017年度版 機械保全の徹底攻略（設備診断作業） 日本能率協会マネジメントセンター」のような一般的な文献に記載されている。
（１）平均値

（２）絶対値平均

（３）標準偏差

振動の大きさを表す。
（４）実効値

平均値が０なら標準偏差と同じ。
（５）Ｐｅａｋ値
例えば正の最大値から大きい順に１０個の平均値、又は負の最小値から小さい順に１０個の平均値
（６）波形率

低周波領域のアンバランス、ミスアラインメントを表す。
（７）波高率

軸受けや歯車の異常判定に使われる。
（８）衝撃指数

軸受け歯車の局部欠陥の診断、往復運動機関の診断に使われる。
（９）間隙率

微小局部欠陥の検出に使われる。
（１０）歪度

分布の非対称性を示す指標である。
（１１）尖り度

軸受け、歯車の診断、回転機の診断に使われる。

上記の統計量の中で、無次元つまりｍｍやｋｇなどの物理的な単位を持たない変数は、（６）波形率、（７）波高率、（８）衝撃指数、（１０）歪度、及び（１１）尖り度である。

原データの解析方法として、標準偏差を計算する方法が選ばれた場合について説明する。過去のｍ個（例えばｍ＝５０、１００など）の正常な数値指標を蓄積しておく過去データ蓄積テーブルは、図６に示す形態とすることができる。このテーブルは、設備や製品品質項目ごとに、さらに原データの絶対値、偏差ごとにテーブルを持ち、鋼種区分（ＴＳ個）、板厚区分（ＴＴ個）、板幅区分（ＴW個）の区分を持つ（例えばＴＳ＝１００、ＴＴ＝３０、ＴＷ＝１０など）。もちろん、これらの区分をより細かくしてもよいし、不要な区分はなくしてもよい。

テーブルの１つ１つのセルにはｍ個分の保存領域が設けられている。そこに正常データから計算された標準偏差を正常な数値指標として格納する。新たに採取した解析対象データと同じ鋼種、板厚、板幅のセルから、過去ｍ個分の数値指標を取り出す。そして、新たに採取した解析対象データを含むデータ列により計算された標準偏差とセルから取り出した数値指標とを比較し、その差を評価する。評価した結果、新たに採取した解析対象データが正常だと判定されれば、当該セルの最も古い数値指標を消去し、新たに採取した解析対象データから計算した数値指標を新たにこのセルに追加する。

新たに採取した解析対象データの数値指標として、解析対象データの標準偏差そのものの値を用いることもできるが、例えば、Hotellingの理論による指標も用いることができる。この理論は、式１で表されるデータが正規分布に従っている場合、下記の式２によるＨは、カイ２乗分布に従うというものである。

前記の標準偏差の例では、図６のテーブルに蓄積された１つのセルの中の正常な数値指標として、過去ｍ個の標準偏差が蓄えられている。それらが正規分布に従うとすると、式２における過去ｍ個の数値指標（標準偏差）の平均ｘ_aveと標準偏差σとを計算することができる。新たに採取した解析対象データの標準偏差は式２のｘとして計算する。なおＨは無次元の値となる。カイ２乗分布の値は、一般に数表になっていたり、又は次の式３で計算することができる。ここで、ｋ＝１、ｙ＝Ｈ（ｘ）であり、Γはガンマ関数である。

Hotellingの理論を用いる方法は、数値指標をHotelling理論による指標Ｈ（ｘ）として、正常／異常の判定をカイ２乗分布に当てはめて判定するものである。式２における平均ｘ_hatと標準偏差σとからｘが大きく離れればＨ（ｘ）が大きな値となり、異常度合いが高まると理解できる。例えば、Ｈ（ｘ）＝３．０の場合、カイ２乗分布ｆ＝０．０５１となり、Ｈ（ｘ）が正常である確率は約５％となる。一方、Ｈ（ｘ）＝５．６の場合、カイ２乗分布ｆ＝０．０１であり、Ｈ（ｘ）が正常である確率は約１％となる。過去のデータとして正常データを扱う場合には、それらは正規分布に従うと仮定できる。

別の判定方法として、管理図（Control Chart）による品質管理手法について説明する。図７に管理図の例を示す。管理図では、一般に管理上限及び管理下限は３σ（σ：標準偏差）とされ、それを超えたら異常と判定される。例えば、図６のテーブルに蓄積されたｍ個の数値指標として尖り度があったとすると、その数値指標のσを計算することができる。新たに採取した解析対象データの尖り度が、正常な数値指標としての尖り度のσと比較して、３σを超えた場合、９９．７３％の異常度合であると言える。少し低い管理基準を２．５σとすると、９７．５％の異常度合であり、２σでは９５．４％である。なお、上記の２σの２、３σの３などは無次元の値である。

ただし、データの歪度が大きい時は、正側或いは負側に偏る（図７では負側に偏っている）こともある。そのような場合、文献「The Individuals Control Chart in Case of Non-Normality、 Betul Kan、 Berna Yazici、 Anadolu University、 Journal of Modern Applied Statistical Methods、 Article 28 (2005)」に示される歪度による管理上限、管理下限の補正を適用することもできる。式４は管理上限ＵＣＬの式、式５は管理下限ＬＣＬの式であり、式６におけるβ_１は歪度である。

さらなる別の判定方法として、図６のテーブルにおいて、新たに採取した解析対象データと同じ鋼種、板厚、板幅のセルに蓄積された過去ｍ個の数値指標を取り出し、その平均値を計算する。過去ｍ個の数値指標との平均値と新たに採取した解析対象データとの差を算出し、その差が例えば標準偏差の３倍であれば黄色アラーム、４倍であれば赤色アラーム、などとすることも可能である。ただし、何倍とするかは、現場での試行錯誤が必要になる可能性もある。なお、上記の３倍、４倍の３、４などは無次元の値である。

３－２－２．解析方法の第２例
解析方法の第２例として、偏差データの確率密度分布と正規分布との差を用いることについて説明する。確率密度分布とは、データｘがある範囲を変化するとき、その範囲の中のある値となる確率を表したもので、その範囲内の確率を全て加算すると１(１００％)となる。

図８に正常データの確率密度分布の例と異常データを含むデータの確率密度分布の例とを示す。図８のグラフ（ａ）は正常データのみの確率密度分布を例示し、図８のグラフ（ｂ）は異常データを含むデータの確率密度分布を例示している。グラフ（ｂ）に示す確率密度分布は、グラフ（ａ）に示す確率密度分布に比べて、横軸の広がりが大きいが、正規分布からの外れ度合も大きいことがわかる。横軸の広がりの大小は、上記の統計量の説明で示した、標準偏差の大小にも現われるため、標準偏差という数値指標に表れる。ここでは正規分布からの外れ度合を考える。

正規分布からの外れ度合を定量的に評価するために、例えば以下の数値指標を用いることができる。式７はカルバック・ライブラー距離（Kullback-Leibler Divergence）Ｄ_ＫＬの計算式であり、式８は誤差２乗和Ｄ_ＳＱの計算式であり、式９は誤差絶対値和Ｄ_ＡＢＳの計算式である。

ここで、Ｐ_Ａ（ｘ）は原データｘがとる実際の確率密度、Ｐ_Ｎ（ｘ）は正規分布である。対象とするデータｘは絶対値データではなく、偏差データとする。偏差データは高周波数成分が強く出るため、ほぼノイズとみなすこともできる。ノイズは一般には白色雑音が多く、その分布は正規分布となる。しかし、原データに何らかの異常によるノイズ信号が含まれていた場合、偏差データは正規分布とは異なる分布となる可能性が高く、そこを検知しようとするものである。

前記の標準偏差の例と同様に、例えばカルバック・ライブラー距離Ｄ_ＫＬを数値指標として用いた場合、図６に示すテーブルと同様のテーブルを準備しておき、正常データを対象として算出したＤ_ＫＬを格納しておく。そこに新たなデータが入って来たときにＤ_ＫＬを計算し、過去の正常なｍ個のＤ_ＫＬと比較し、正常／異常を判定する。このとき、前述したHotelling理論や管理図の判定方法を使うことができる。誤差２乗和Ｄ_ＳＱ、誤差絶対値和Ｄ_ＡＢＳを用いた時も同様である。ただし、解析方法の第２例において利用可能な数値指標は、これらの数値指標Ｄ_ＫＬ、Ｄ_ＳＱ、Ｄ_ＡＢＳには限定されない。さらに、解析方法の第１例においてさらなる別の判定方法として説明したように、異常度合をマニュアルで設定し、判定することもできる。

３－２－３．解析方法の第３例
解析方法の第３例として、偏差データの極大値及び極小値のそれぞれを対象として確率密度分布を計算し、レイリー分布との差を数値指標とする方法について説明する。極大値、極小値の場合は、正常時のデータの分布は正規分布ではなく、図９に示すようなレイリー分布となる。数値指標の計算、正常／異常の判定方法は、前記と同様である。なお、上記の確率密度の値は無次元の値である。

３－２－４．解析方法の第４例
解析方法の第４例として、自己回帰モデルを用いる方法について説明する。一般に、回帰モデルとは、従属変数と独立変数との関係を例えば一次多項式の形で表したものであり、従属変数と独立変数は異なる変数でもよい。例えば、従属変数を圧延荷重とした場合、独立変数を変形抵抗、圧延速度、材料温度として回帰モデルを作ることができる。自己回帰モデルとは、従属変数と独立変数が同じデータ種別であるが、従属変数は現在の値であり、独立変数はその過去の値を用いるものである。例えば、圧延荷重を過去の自身の値（圧延荷重）で同定することに相当する。自己回帰モデルは、例えば以下の式１０で表される。ここで、εは白色ノイズ、α_０、α_１、…、α_K－１は自己回帰係数である。なお、自己回帰係数の値は無次元の値である。

図１０に自己回帰モデルの自己回帰係数の変化の例を示す。図中、横軸０は定数項α_０の値、横軸ｋ（ｋは自然数）はｋ個前の値の係数α_ｋの意味である。縦軸は係数の値である。図１０に示す線の中には、異常データで同定した結果も入っている。同定対象の時間が一定であり（この場合１２個分という固定値）、正常データを対象とするなら、自己回帰係数はほぼ一定の値を取り続ける可能性が高いが、図１０中のいくつかの線は他の線の様子とは異なる動きをしており、これが異常データによるものである。したがって、自己回帰モデルで同定された係数の値が過去の正常なデータで同定した係数の値と異なったとき、何か異常が発生したと判定することができる。

他の方法と同様に、各係数に対応した正常データによる係数値を格納する図６のようなテーブルを準備する。新たなデータが入って来たとき、過去ｍ個の係数値の平均値及び標準偏差を計算し、例えば数値指標としてHotelling理論による式２を計算する。この数値指標をカイ２乗分布に適用することで、正常／異常を判定することができる。又は、新たに計算された係数値が過去ｍ個の正常データによる係数値に基づいて計算された管理上限、管理下限を超えているか否かで、正常／異常を判定することもできる。

３－２－５．解析方法のその他の例
解析方法としては、上記の例の他にもＦＦＴ（高速フーリエ変換）、ウェーブレット変換などの解析方法もあり、上記の例には限定されない。

また、解析方法の上記の例では、正常な原データの過去の値に基づく数値指標を計算し、それを基準として新たに加わったデータに基づく新たな数値指標を計算し、新たな数値指標と過去の値に基づく数値指標とを比較した。しかし、類似した設備が複数ある場合、類似した設備から得られるデータに基づく数値指標を計算し、対象設備から得られるデータに基づく数値指標と比較することにより、正常／異常の判定をすることができる。例えば、図１１の３軸グラフにおいて、圧延材の軸方向は時間の推移を表している。この軸方向での比較は、上で述べた過去ｍ個の値と比較する方法である。図１１の３軸グラフでは、設備の軸方向で比較することもできる。数値指標が他の設備と異なる挙動を示していれば、異常と判定することができる。解析方法の選択、数値指標の計算方法、正常／異常の判定については上述のものと同様である。

なお、一次判定部４で計算される数値指標についてまとめると以下のようになる。数値指標には閾値は適用されないものの、正常／異常の判定には、数値指標に何らかの閾値を適用し判定することが必要である。
ケース１：標準偏差や歪度などの統計量そのもの
ケース２：ケース１に基づくHotelling理論の指標
ケース３：原データの確率密度分布と正規分布との差を表す式７～９の値
ケース４：ケース３に基づくHotelling理論の指標
ケース５：原データの極大値・極小値の確率密度分布とレイリー分布との差を表す式７～９の値
ケース６：ケース５に基づくHotelling理論の指標
ケース７：自己回帰モデルで同定された自己回帰係数そのものの値
ケース８：ケース７に基づくHotelling理論の指標

以上のように、一次判定部４においては、各製造設備や各製品品質に対して、解析方法ごとに、数値指標を計算し、それに基づく正常／異常の判定及び異常度合の計算をすることが行われる。

３－３．二次判定部
次に、二次判定部５について説明する。

３－３－１．機械学習装置の第１例
図１２は、二次判定部５が備える機械学習装置の第１例を示す図である。図１２では、一次判定部の数値指標が機械学習装置１２２に対する入力１２１であり、正常又は異常の判定結果（二次判定結果）と推定した異常原因とが出力１２３である。学習段階では、教師信号として、入力１２１とその結果としての出力１２３を一対として機械学習装置１２２に与える。二次判定を行う段階では、入力１２１のみを機械学習装置１２２に与え、その結果である出力１２３を判定結果とする。

一次判定部４に関する説明の中で述べたように、解析方法は複数種類存在し、そこから計算される数値指標も複数ある。このため、同じ対象データを用いたとしても、場合によっては設備や品質の正常／異常の判定が異なる可能性もある。これは、解析方法ごとに得意とする事象が異なる場合があり、また正常と異常の境界、すなわち異常か否かの閾値をどう設定するかによって判定結果が異なることも出てくる、ということである。

二次判定部５における学習機能は、学習する段階においては、入力１２１を一次判定部４により出力された複数の数値指標とする。機械学習装置１２２は、例えば中間層が１つであるニューラルネットワークによる学習、又は中間層が複数から成るニューラルネットワークによる深層学習、又は、事象ＡはＢの確率で原因Ｃにより発生したなどという因果関係が記述されたルールベースの学習方法を備えている。出力１２３は、正常か異常の判定、及び、異常原因の推定結果を示す。

図１３に機械学習装置１２２における学習の態様例を示す。情報入力部６では、図１３の表に示すような設備の場所、概要原因を示す異常原因－１、詳細原因を示す異常原因－２という階層的な原因候補をリストアップしておく。もちろん階層数は２つには限らない。また当業者が新たに入力することや（図１３では１３番以後）、原因の修正を行うことができるように編集機能も持つこととする。さらに、表のブロックの最右側の欄には、異常に対する対策を記入できるようにすることも可能である。なお、情報入力部６による入力は、圧延機等の対象製造設備に関係する当業者、すなわち、対象製造設備に関する十分な知識を持ったオペレータやエンジニアが行うものとする。

各製造設備、各製品品質における解析方法による数値指標が一次判定部４から入力された場合、当業者は、図１３の表を参照しながら入力された数値指標を異常原因－１又はさらに異常原因－２に関係づける。入力された数値指標と異常原因－１又は異常原因－２との対が、機械学習装置１２２を学習するための教師信号として用いられる。

また、製造設備又は製品品質に与えた人為的な変更を捉えて、解析方法による数値指標と関連付けることもできる。図１４はある対象製造設備のデータが推移する様子を管理図式で示したものであり、図中に人為的な働きかけとの関係が示されている。何らかの対象製造設備への働きかけがｔ１の時点で行われ、データがプラス方向の異常値へ向かい始めたとする。一次判定部４により、数値指標が管理上限を３回超えたことが示され、当業者はｔ２の時点で何らかの働きかけを行ったとする。さらにｔ３の時点でも何らかの働きかけを行ったとする。この場合、ｔ１の時点で行われた働きかけが異常原因である可能性が高く、ｔ２の時点で行った働きかけが異常を除去する対策であったと考えられる。ｔ３の時点で行った働きかけはあまり影響していない。

これにより、機械学習装置１２２が学習するときの入力１２１は、数値指標が管理上限を３回超えたときの設備や品質、及びそのときの数値指標の値であり、教師信号は図１３において働きかけた時点ｔ１又は時点ｔ２に相当する異常原因－１と異常原因－２となる。これらの働きかけは、操業日誌等に当業者が記載するのが一般的である。操業日誌は、紙の場合もあるし、電子操業日誌である場合もある。電子操業日誌の場合は、比較的容易にこれら働きかけをシステムに取り込むことができる。紙による操業日誌では、その記載を電子情報に変換する必要がある。

３－３－２．機械学習装置の第２例
図１５は、二次判定部５が備える機械学習装置の第２例を示す図である。図１２に示す第１例とは異なり、第２例の機械学習装置１３２では、一次判定部４からの入力１３１は、数値指標ではなく、正常か異常を判定した結果と異常度合である。第１例と第２例とは入力が異なっているが、その他は同じである。しかしながら、一次判定部４からの入力１３１を、数値指標ではなく正常か異常を判定した結果とした場合、一次判定部４における正常／異常の判定に用いた閾値を変更すると、正常／異常の判定結果が大きく変わることがある。そうなると学習を最初からやり直さないといけない。

そこで、図１５に示す第２例の機械学習装置１３２では、一次判定部４の正常／異常の判定結果に応じて異常度合に対する重みを大きくして学習する。異常度合とは、例えばHotelling理論の指標である式２を用いた場合、カイ２乗分布の値が異常度合に相当する。Ｈ（ｘ）＝３．０の場合、カイ２乗分布の値は０．０５１であるから、正常である確率が０．０５１、すなわち異常である確率が０．９４９であり、０．９４９を異常度合とする。このようにすることで、機械学習装置１３２からの出力１３３は一次判定部４で設定する閾値の変更には影響されない。図１２に示す第１例と図１５に示す第２例のいずれが対象製造設備により適するかは、調整段階でのそれぞれの性能を見ながら決定することができる。

３－３－３．機械学習装置の第３例
一般に、正常データの数・種類に比べて異常データの数・種類は非常に少なく、異常であることを示す事例を集めるのに多くの時間がかかることが一般的である。すなわち図１２に示す第１例の機械学習装置１２２、図１５に示す第２例の機械学習装置１３２が学習するためには、異常状態を含む入力と正解が対になった教師信号を得る頻度が小さく、十分な学習能力を持つまでに時間がかかるという課題がある。

そこで、異常の事例が少ない場合、図１６に示す第３例の機械学習装置１３７が用いられる。第３例の機械学習装置１３７が学習する段階においては、一次判定部４により出力された複数の数値指標を入力とし、一次判定部４より出力された製造設備や製品品質の正常／異常の判定結果及び異常度合を正解とする教師信号が用いられる。学習した結果を取り出す段階では、一次判定部４による複数の数値指標を入力１３６とし、製造設備及び製品品質の正常／異常の判定結果及び異常度合を出力１３８として取り出す。

異常事例が少ない段階で学習した機械学習装置１３７は、正常データが主な入力となるので、異常を判別するというより、正常であることを判定する特徴が大きくなる。そこに異常データが入ってくれば、正常とは異質のものであるとして、異常と判定される。異常事例が増えてくれば、教師信号の中に図１２及び図１５で説明したような入出力関係を挿入し、学習させることで、機械学習がより高度になる。

３－３－４．機械学習装置の転移学習
異常データが少ない場合の対策として、機械学習における転移学習を適用することができる。一般に転移学習とは、機械学習でまだ十分学習データが貯まっていないときに用いられる手法であり、別の場所や別の機会に学習した結果（機械学習、例えばニューラルネットワーク内部の結合重み）を当該機械学習に転用する方法である。別の製造設備で多くの異常データが得られている場合、そこで機械学習した結果、異常データが少ない当該製造設備に移すことができる。ただし、製造設備の特性が異なる場合には、特性の違いを適切に評価して差を減らさないといけない。

例えば製造設備Ａで多く蓄積した学習結果を、学習結果が蓄積されていない製造設備Ｂに転移学習する例を考える。製造設備Ａでは式１で表される原データ列Ｘが得られているとき、原データ列Ｘには製造設備Ａの特徴が色濃く反映されている。例えば製造設備Ａは製造設備Ｂより大量生産を行い、また硬い鋼種をより多く圧延する工場であった場合、製造設備Ａの電動機の定格容量は製造設備Ｂより大きいのが普通である。製造設備Ａでは電動機電流などがいずれも大きな値として得られ、それを直接的に使用して機械学習すると、製造設備Ａではその学習結果が使えても、製造設備Ｂには適さないことが多い。

その対策として、機械学習の教師信号としての入出力に、物理量である原データを正規化して用いる方法もある。正規化の方法には、原データの平均と標準偏差を計算し、平均０、標準偏差１となるように入出力を補正する方法や、原データの最大値・最小値を求め、その範囲を１として補正する方法がある。しかしながら、異常データが少ない製造設備Ｂのデータは、原データの分布範囲が狭く、正規化により十分に製造設備Ｂの特徴を表せない場合がある。

そこで、本実施の形態に係る機械学習では、製造設備から得られる原データをそのまま使って学習することはせず、無次元の変数を使って学習する。一次判定部４においては、過去の正常なデータを用いて数値指標を計算している。その数値指標のうち、無次元の変数、例えば、波形率、波高率、衝撃指数、歪度、尖り度、確率密度分布と正規分布の差を式７～９で評価した値、また基本統計量すべてや確率密度分布と正規分布の差をHotelling理論の指標で計算した値などは無次元となるので、これらを使って学習を行う。そうすると製造設備Ａで学習した結果を補正せずに製造設備Ｂやほかの製造設備に直接転用することができるため、転移学習を行いやすくなる。すなわち、少ない異常データを各製造設備で有効に、容易に利用することができる。

４．データ及び結果保存部と表示部
再び図２に戻り、データ及び結果保存部７と表示部８とについて説明する。データ及び結果保存部７は、解析対象データ作成部３により作成された解析対象データ、一次判定部４の判定経過及び結果、二次判定部５の判定経過及び結果をハードディスク等の記憶装置などに保存する。後々、判定した理由や根拠を取り出せるようにするためである。

表示部８は、製造設備から得られる時系列信号、製品品質を表す時系列信号、解析対象データ作成部３により作成された解析対象データ、一次判定部４の判定経過及び結果、二次判定部５の判定経過及び結果を視覚的に表示する。例えば、図１７に示すグラフは、圧延材４本のデータに対して１４個のカルバック・ライブラー指標を計算し、その推移を３次元的にプロットした例である。この図では、４本目の圧延材の８番目の指標が群を抜いて大きくなっており、この数値指標に着目する必要があることがわかる。

一次判定部４及び二次判定部５により正常／異常の判定がなされたとしても、その理由を示すために、データ及び結果保存部７と表示部８が必要となる。

１：データ採取装置
２：異常判定支援装置
３：解析対象データ作成部
４：一次判定部
５：二次判定部
６：情報入力部
７：データ及び結果保存部
８：表示部
２０：製造設備
１２２，１３２，１３７：機械学習装置

Claims (12)

1. 製造設備において異常が生じているか判定するための判断材料を提供する異常判定支援装置であって、
   前記製造設備のデータ採取装置から前記製造設備の状態又は製品品質の少なくとも一方を表す時系列信号を取得し、前記時系列信号から解析対象データを抽出する解析対象データ作成部と、
   前記解析対象データ作成部で抽出された前記解析対象データに複数種類の異なる解析方法を適用することによって、共通の前記解析対象データから複数の一次判定結果を導出する一次判定部と、
   前記一次判定部で得られた一次判定結果とそれに対応する正解としての異常判定結果及び異常原因との対を教師信号として学習された機械学習装置を有し、前記一次判定部において共通の前記解析対象データから得られた前記複数の一次判定結果を前記機械学習装置に入力し、前記機械学習装置から出力される二次判定結果及び推定異常原因を前記判断材料として出力する二次判定部と、
   を備えることを特徴とする異常判定支援装置。
2. 前記一次判定部は、前記解析対象データに前記複数種類の異なる解析方法を適用することによって前記解析対象データを複数の数値指標に変換し、前記複数の数値指標を前記複数の一次判定結果として出力し、
   前記機械学習装置は、前記一次判定部で得られた数値指標を入力とし、実際の異常判定結果及び異常原因を正解とする教師信号を用いて学習され、
   前記二次判定部は、前記一次判定部で前記解析方法ごとに得られた前記複数の数値指標を前記機械学習装置に入力し、前記機械学習装置から出力される異常判定結果及び推定異常原因を前記判断材料として出力する
   ことを特徴とする請求項１に記載の異常判定支援装置。
3. 前記一次判定部は、前記解析対象データに前記複数種類の異なる解析方法を適用することによって前記解析対象データを複数の数値指標に変換し、前記複数の数値指標のそれぞれと前記複数の数値指標のそれぞれに対応する閾値とに基づき異常の有無の判定を行うとともに前記複数の数値指標のそれぞれに基づき異常度合いの計算を行い、前記解析方法ごとに得られた複数の判定結果及び異常度合を前記複数の一次判定結果として出力し、
   前記機械学習装置は、前記一次判定部で得られた判定結果及び異常度合いを入力とし、実際の異常判定結果及び異常原因を正解とする教師信号を用いて学習され、
   前記二次判定部は、前記一次判定部で前記解析方法ごとに得られた前記複数の判定結果及び異常度合いを前記機械学習装置に入力し、前記機械学習装置から出力される異常判定結果及び推定異常原因を前記判断材料として出力する
   ことを特徴とする請求項１に記載の異常判定支援装置。
4. 前記一次判定部は、前記解析対象データに前記複数種類の異なる解析方法を適用することによって前記解析対象データを複数の数値指標に変換し、前記複数の数値指標を前記複数の一次判定結果として出力し、
   前記機械学習装置は、前記一次判定部で得られた数値指標を入力とし、前記数値指標と前記数値指標に対応する閾値とから判定される異常の有無と前記数値指標から計算される異常度合いとを正解とする教師信号を用いて学習され、
   前記二次判定部は、前記一次判定部で前記解析方法ごとに得られた前記複数の数値指標を前記機械学習装置に入力し、前記機械学習装置から出力される異常判定結果及び推定異常原因を前記判断材料として出力する
   ことを特徴とする請求項１に記載の異常判定支援装置。
5. 前記解析対象データ作成部は、前記製造設備が稼働中における前記製造設備の負荷状態と非負荷状態の２つの状態におけるデータを抽出し、さらに抽出したデータから低周波数成分を除いた高周波数成分を前記解析対象データとして算出する
   ことを特徴とする請求項１乃至４の何れか１項に記載の異常判定支援装置。
6. 前記解析対象データ作成部は、前記製造設備が稼働中における製品品質測定用のセンサの測定時状態と非測定時状態の２つの状態におけるデータを抽出し、さらに抽出したデータから低周波数成分を除いた高周波数成分を前記解析対象データとして算出する
   ことを特徴とする請求項１乃至４の何れか１項に記載の異常判定支援装置。
7. 前記一次判定部は、前記負荷状態と前記非負荷状態のそれぞれにおける前記解析対象データに前記複数種類の異なる解析方法を適用することによって前記解析対象データを複数の数値指標に変換し、前記複数の数値指標のそれぞれに基づき異常の有無の判定を行い、前記負荷状態で異常かつ前記非負荷状態で正常であれば機械系の異常と判定し、前記負荷状態で異常かつ前記非負荷状態で異常であれば電気系の異常、信号伝達系の異常、又は制御系の異常と判定する
   ことを特徴とする請求項５に記載の異常判定支援装置。
8. 前記一次判定部は、前記測定時状態と前記非測定時状態のそれぞれにおける前記解析対象データに前記複数種類の異なる解析方法を適用することによって前記解析対象データを複数の数値指標に変換し、前記複数の数値指標のそれぞれに基づき異常の有無の判定を行い、前記測定時状態で異常かつ前記非測定時状態で正常であれば製品品質の異常と判定し、前記測定時状態で異常かつ前記非測定時状態で異常であれば製品品質を測定するセンサ系の異常、又は信号伝達系の異常と判定する
   ことを特徴とする請求項６に記載の異常判定支援装置。
9. 前記機械学習装置は，中間層が１つであるニューラルネットワークによる学習、中間層が複数から成るニューラルネットワークによる深層学習、及びルールベースの学習のうちの何れか一つの方法により学習を行う
   ことを特徴とする請求項１乃至８の何れか１項に記載の異常判定支援装置。
10. 前記機械学習装置は、前記一次判定部で得られた一次判定結果を示す変数のうち物理単位を持たない無次元変数を学習対象とし、前記無次元変数は他の製造設備の異常判定支援装置への転移学習、又は他の製造設備の異常判定支援装置からの転移学習に適用される
    ことを特徴とする請求項１乃至９の何れか１項に記載の異常判定支援装置。
11. 前記解析対象データ作成部により作成された解析対象データ、前記一次判定部の判定経過及び結果、前記二次判定部の判定経過及び結果のうちの少なくとも一つを記録装置に保存するデータ及び結果保存部、
    を備えることを特徴とする請求項１乃至１０の何れか１項に記載の異常判定支援装置。
12. 前記データ採取装置から得られる時系列信号、前記解析対象データ作成部により作成された解析対象データ、前記一次判定部の判定経過及び結果、前記二次判定部の判定経過及び結果のうちの少なくとも一つを視覚的に表示する表示部、
    を備えることを特徴とする請求項１乃至１１の何れか１項に記載の異常判定支援装置。

Images