JP7263185B2 - 学習済みモデルの製造方法、生産システム、異常判定装置、及び異常判定方法 - Google Patents

Description

本開示は、学習済みモデルの製造方法、生産システム、異常判定装置、及び異常判定方法に関する。

近年、工作機械、溶接機械及び作業機械などの生産機械では、高度な自動化が進んでおり、生産機械の不良による損害を回避するには、生産作業における異常を予め検知することが重要である。

特許文献１では、監視対象（例えば、生産機械）の状態を示す複数の変数に関連する学習用データを用いた学習により製造された学習済みモデルを用いて、監視対象の状態を示す複数の変数に関連する診断用データの異常を判定する手法が開示されている。

特許文献１に記載の学習済みモデルは、入力層及び出力層よりも次元の小さい中間層を有する３層以上のニューラルネットワークにおいて、入力特徴ベクトルと出力ベクトルとが同じ値になるように重み付けを決定するオートエンコーダを含む。

特開２０１９－６１５６５号公報

しかしながら、特許文献１に記載の学習済みモデルでは、複数の変数のうち物理的に関連の低い変数同士を関連づけてしまう場合がある。そのような場合には、異常の判定精度が低くなる。

本開示の目的は、生産機械による生産作業の異常を精度良く判定することにある。

第１の態様に係る学習済みモデルの製造方法は、生産機械による生産作業の異常を判定するための学習済みモデルの製造方法であって、学習用分割データを生成する工程と、特徴量を抽出する工程と、特性量を抽出する工程と、学習用分割復元データを復元する工程と、学習用分割データと学習用分割復元データとの差を小さくする工程とを備える。学習用分割データを生成する工程では、生産機械による正常な生産作業における生産機械の状態を示す複数のパラメータに関する学習用データを時間方向において分割することによって、所定時間長の学習用分割データを生成する。特徴量を抽出する工程では、学習用分割データを時間方向のみに圧縮することによって、複数のパラメータそれぞれに関する特徴量を抽出する。特性量を抽出する工程では、複数のパラメータそれぞれに関して抽出された特徴量を互いに結合することによって、学習用分割データ全体の特性量を抽出する。学習用分割復元データを復元する工程では、特性量を時間方向のみに展開することによって、学習用分割復元データを復元する。

第２の態様に係る生産システムは、生産機械と、生産機械による生産作業の異常を判定するコントローラと、学習済みモデルを記憶する記憶部とを備える。コントローラは、生産機械による生産作業における生産機械の状態を示す複数のパラメータに関する判定用データを時間方向に分割することによって、所定時間長の判定用分割データを生成する分割部と、学習済みモデルを用いて、判定用分割データから生産作業の異常を判定する判定部とを有する。

第３の態様に係る異常判定装置は、生産機械による生産作業の異常を判定するための装置である。異常判定装置は、記憶部と、分割部と、判定部とを備える。記憶部は、学習モデルを記憶する。分割部は、生産機械による生産作業における生産機械の状態を示す複数のパラメータに関する判定用データを時間方向に分割することによって、所定時間長の判定用分割データを生成する。判定部は、学習済みモデルを用いて、判定用分割データから生産作業の異常を判定する。

第４の態様に係る異常判定方法は、コンピュータによって実行される。異常判定方法は、生成する工程と、判定する工程とを備える。生成する工程は、生産機械による生産作業における生産機械の状態を示す複数のパラメータに関する判定用データを時間方向に分割する。それにより、工程は、所定時間長の判定用分割データを生成する。判定する工程は、学習済みモデルを用いて、判定用分割データから生産作業の異常を判定する。学習済みモデルは、第１の態様に係る製造方法により製造される。

本開示によれば、生産機械による生産作業の異常を精度良く判定することのできる学習済みモデルの製造方法、生産システム、異常判定装置、及び異常判定方法を提供できる。

学習モジュールの構成を示す図である。 学習用データの一例を示す図である。 学習用分割データの作成例を示す図である。 モデル学習部の構造の一例を示す図である。 モデル学習部の構造の一例を示す図である。 学習済みモデルの製造方法を説明するためのフロー図である。 生産システムの構成を示す図である。 判定用データの一例を示す図である。 異常判定方法を説明するためのフロー図である。

以下、図面を参照しながら、学習済みモデル１の製造方法、生産機械１５を含む生産システム２０、及び異常判定方法について順次説明する。

生産機械１５は、生産作業を実行する。生産機械１５としては、工作機械、溶接機械及び作業機械などが挙げられるが、これに限られない。本実施形態では、生産機械１５としてＮＣ（Ｎｕｍｅｒｉｃａｌ Ｃｏｎｔｒｏｌ）旋盤を用いる場合が想定されている。

（学習済みモデル１の製造）
図１は、学習済みモデル１を製造するための学習モジュール１０の構成を示す図である。図２は、学習用データＤ１の一例を示す図である。図３は、学習用分割データＤ３の作成例を示す図である。図４及び図５は、モデル学習部１３の構造の一例を示す図である。

学習モジュール１０は、図１に示すように、学習用データ取得部１１、前処理部１２、モデル学習部１３、モデル記憶部１４を備える。

１．学習用データ取得部１１
学習用データ取得部１１は、学習用データＤ１を取得する。学習用データＤ１は、生産機械１５による正常な生産作業における生産機械１５の状態を示す複数のパラメータに関するデータである。正常な生産作業とは、設計情報通りに実行される生産作業を意味する。

図２に示すように、学習用データＤ１は、時間方向に順次並べられた複数のパラメータそれぞれの値を含む。具体的には、学習用データＤ１は、測定時刻ｔ１～ｔ１０において測定された各パラメータの値を時間方向に並べることによって構成されている。

本実施形態では、生産機械１５としてＮＣ旋盤を用いる場合が想定されているため、学習用データＤ１に含まれるパラメータとして、モータのトルク、送り速度、モーダルＦ、主軸回転数、モーダルＳ、機械座標Ｘ、機械座標Ｙ、機械座標Ｚ、ロードメータＸ、ロードメータＹ、及びロードメータＺが例示されている。ただし、学習用データＤ１に含まれるパラメータの種類及び数は、生産機械１５の種類、生産機械１５に取り付けられた各種センサの種類などに応じて適宜変更可能である。また、図２に示される学習用データＤ１では、各パラメータの値が測定時刻ｔ１～ｔ１０において測定されているが、測定間隔（すなわち、測定時刻ｔ１～ｔ１０の時間間隔）及び測定回数（すなわち、測定時刻の数）は、生産作業の作業時間などに応じて適宜変更可能である。

２．前処理部１２
前処理部１２は、学習用データ取得部１１とモデル学習部１３との間に配置される。前処理部１２は、正規化部１２ａ、分割部１２ｂ、及び分割データ記憶部１２ｃを有する。

正規化部１２ａは、学習用データＤ１に含まれる各パラメータの値を正規化することによって、学習用正規化データＤ２を生成する。正規化部１２ａは、学習用データＤ１に含まれる各パラメータの値をパラメータごとに、例えば－１（最小値）から１（最大値）の間の値に線形変換する。

分割部１２ｂは、図３に示すように、学習用正規化データＤ２を時間方向において分割することによって、所定時間長の学習用分割データＤ３を生成する。分割部１２ｂは、生成した学習用分割データＤ３を分割データ記憶部１２ｃに格納する。

図３に示す例において、分割部１２ｂは、１つの学習用正規化データＤ２から３つの学習用分割データＤ３を生成しているが、学習用分割データＤ３の数は１以上であればよい。図３に示す例において、分割部１２ｂは、７回分の測定間隔に相当する時間長を有する学習用分割データＤ３を生成しているが、学習用分割データＤ３の時間長は適宜変更可能である。図３に示す例において、分割部１２ｂは、時間方向における各学習用分割データＤ３の始点を１回分の測定間隔ずつずらしているが、時間方向における各学習用分割データＤ３の始点のずれ幅は適宜変更可能である。ただし、時間方向に隣接する２つの学習用分割データＤ３のうち時間的に後の学習用分割データＤ３の始点は、時間的に先の学習用分割データＤ３の始点後かつ終点前であることが好ましい。これによって、時間方向に隣接する２つの学習用分割データＤ３の一部を重複させることができるため、各パラメータの経時的な変化を学習済みモデル１に反映させることができる。分割部１２ｂは、学習用正規化データＤ２を、始点が一定時間ずつずれる複数の学習用分割データＤ３に分割する。始点が一定時間ずれる２つの学習用分割データＤ３は、一部が重複する。学習用分割データＤ３の時間方向の長さは、始点のずれである一定時間より長い。

分割データ記憶部１２ｃは、分割部１２ｂにおいて生成された学習用分割データＤ３を記憶する。

３．モデル学習部１３
モデル学習部１３は、前処理部１２とモデル記憶部１４との間に配置される。モデル学習部１３は、特徴抽出部１３ａ、特性抽出部１３ｂ、復元部１３ｃ、及び調整部１３ｄを有する。

特徴抽出部１３ａは、分割データ記憶部１２ｃに格納された学習用分割データＤ３を取得する。特徴抽出部１３ａは、学習用分割データＤ３を時間方向のみに圧縮することによって、複数のパラメータそれぞれに関する時間方向の特徴量を抽出する。特徴抽出部１３ａは、学習用分割データＤ３に含まれる各パラメータの値をパラメータ方向（いわゆる、チャンネル方向）には圧縮せずに特徴量を抽出する。本開示において「特徴量」とは、学習用分割データＤ３に含まれる各パラメータの時間方向における特徴を示す指標であって、パラメータ同士の関係性を示す指標ではない。

特徴抽出部１３ａは、図４に示すように、１以上の畳み込みニューラルネットワーク（ＣＮＮ：Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）によって構成される。畳み込みニューラルネットワークは、周知の画像圧縮技術に用いられるフィルタリング処理を実行する。特徴抽出部１３ａにおいて実行されるフィルタリング処理には、例えばプーリング処理などが含まれてもよい。特徴抽出部１３ａにおいて実行されるフィルタリング処理の詳細（例えば、フィルタの枚数、各フィルタのパラメータ、プーリングの種類など）は、後述する調整部１３ｄによって調整される。

特性抽出部１３ｂは、特徴抽出部１３ａによって抽出された各パラメータの特徴量を互いに結合することによって、学習用分割データＤ３全体の特性量を抽出する。本開示において「特性量」とは、学習用分割データＤ３全体の特性を示す指標である。

特性抽出部１３ｂは、図４及び図５に示すように、１以上のニューロンを有する。特性抽出部１３ｂが有するニューロンの数は、特徴抽出部１３ａが有するニューロンの数より少ない。特性抽出部１３ｂが有するニューロンは、特徴抽出部１３ａが有するニューロンと結合されており、各結合には重み（結合荷重）が設定されている。各ニューロンには閾値が設定されており、各ニューロンへの入力値と重みとの積の和が閾値を超えているか否かによって各ニューロンからの出力値が決定される。特徴抽出部１３ａにおけるニューロンの個数、ニューロン同士の結合関係、各ニューロン間の結合の重み、及び各ニューロンの閾値などは、調整部１３ｄによって調整される。

復元部１３ｃは、特性抽出部１３ｂによって抽出された特性量を時間方向のみに展開することによって、学習用分割データＤ３を復元した学習用分割復元データＤ４を取得する。復元部１３ｃは、特性量をパラメータ方向（いわゆる、チャンネル方向）には展開せずに学習用分割復元データＤ４を復元する。

復元部１３ｃは、図５に示すように、１以上のＣＮＮによって構成される。畳み込みニューラルネットワークは、周知の画像復元技術に用いられるフィルタリング処理を実行する。復元部１３ｃにおいて実行されるフィルタリング処理には、例えばアップサンプリング処理などが含まれてもよい。復元部１３ｃにおいて実行されるフィルタリング処理の詳細（例えば、フィルタの枚数、各フィルタのパラメータ、アップサンプリングの種類など）は、調整部１３ｄによって調整される。

調整部１３ｄは、学習用分割データＤ３と学習用分割復元データＤ４との差ΔＤを検知する。差ΔＤは、例えば学習用分割データＤ３と学習用分割復元データＤ４との平均二乗誤差によって得られる値である。平均二乗誤差は、いわゆるコスト関数である。調整部１３ｄは、差ΔＤと所定の閾値ＴＨ１とを比較することによって、差ΔＤが十分に小さいか否かを判定する。

調整部１３ｄは、差ΔＤが十分に小さい場合、特徴抽出部１３ａ、特性抽出部１３ｂ及び復元部１３ｃの全構成（フィルタ構成及びニューロン構成など）を学習済みモデル１としてモデル記憶部１４に格納する。

調整部１３ｄは、差ΔＤが十分に小さくない場合、特徴抽出部１３ａにおける学習用分割データＤ３の圧縮方法、特性抽出部１３ｂにおける特徴量の結合方法、及び復元部１３ｃにおける特性量の展開方法の少なくとも１つを調整することによって、差ΔＤを小さくする。調整部１３ｄは、上記の圧縮方法、結合方法及び展開方法の調整を繰り返してもよい。その結果、差ΔＤが十分に小さくなった場合、調整部１３ｄは、特徴抽出部１３ａ、特性抽出部１３ｂ及び復元部１３ｃの全構成を学習済みモデル１としてモデル記憶部１４に格納する。

４．モデル記憶部１４
モデル記憶部１４は、特徴抽出部１３ａ、特性抽出部１３ｂ及び復元部１３ｃの全構成を示す学習済みモデル１を記憶する。

以上のとおり、学習モジュール１０によって学習済みモデル１が製造される。学習済みモデル１は、学習に用いられたのと同様の正常なデータが入力されれば、入力されたデータと同じデータを復元して出力しようとするモデルである。そのため、学習済みモデル１は、正常な生産作業に基づいた学習用分割データＤ３が入力されれば学習用分割復元データＤ４を精度良く復元できるが、異常な生産作業に基づいた学習用分割データＤ３から学習用分割復元データＤ４を精度良く復元することはできない。従って、学習済みモデル１は、後述するように、生産作業の異常判定に好適である。

５．学習済みモデル１の製造方法
次に、図６を参照しながら、学習済みモデル１の製造方法のフローを説明する。

まず、ステップＳ１において、学習用データ取得部１１は、生産機械１５による正常な生産作業における生産機械１５の状態を示す複数のパラメータに関する学習用データＤ１（図２参照）を取得する。

次に、ステップＳ２において、正規化部１２ａは、学習用データＤ１に含まれる各パラメータの値を正規化することによって、学習用正規化データＤ２を生成する。

次に、ステップＳ３において、分割部１２ｂは、学習用正規化データＤ２を時間方向において分割することによって、所定時間長の学習用分割データＤ３（図３参照）を生成する。

次に、ステップＳ４において、特徴抽出部１３ａは、学習用分割データＤ３を時間方向のみに圧縮することによって、各パラメータの時間方向における特徴量を抽出する。

次に、ステップＳ５において、特性抽出部１３ｂは、各パラメータの特徴量を互いに結合することによって、学習用分割データＤ３全体の特性量を抽出する。

次に、ステップＳ６において、復元部１３ｃは、特性量を時間方向のみに展開することによって、学習用分割復元データＤ４を取得する。

次に、ステップＳ７において、調整部１３ｄは、学習用分割データＤ３と学習用分割復元データＤ４との差ΔＤが十分に小さいか否かを判定する。

ステップＳ７において差ΔＤが十分に小さい場合、処理はステップＳ８に進んで、モデル記憶部１４は、特徴抽出部１３ａ、特性抽出部１３ｂ及び復元部１３ｃの全構成を学習済みモデル１として記憶する。

ステップＳ７において差ΔＤが十分に小さくなかった場合、処理はステップＳ９に進んで、調整部１３ｄは、特徴抽出部１３ａにおける学習用分割データＤ３の圧縮方法、特性抽出部１３ｂにおける特徴量の結合方法、及び復元部１３ｃにおける特性量の展開方法の少なくとも１つを調整する。その後、処理はステップＳ４に戻る。

（生産システム２０）
図７は、生産機械１５を含む生産システム２０の構成を示す図である。図８は、判定用データＥ１の一例を示す図である。

生産システム２０は、上述したモデル記憶部１４、生産機械１５、及びコントローラ１６を備える。

モデル記憶部１４は、上述した学習済みモデル１を記憶する。生産機械１５は、生産作業を実行する。生産機械１５は、生産システム２０における監視対象である。本実施形態において、生産機械１５は、ＮＣ旋盤である。

コントローラ１６は、本開示に係る「異常判定装置」である。コントローラ１６は、モデル記憶部１４に記憶されている学習済みモデル１を用いて、生産機械１５による生産作業の異常を判定する。コントローラ１６は、判定用データ取得部１７、前処理部１８、判定部１９、及び通知部３０を備える。

１．判定用データ取得部１７
判定用データ取得部１７は、判定用データＥ１を取得する。判定用データＥ１は、生産機械１５による生産作業における生産機械１５の状態を示す複数のパラメータに関するデータである。この段階において、生産作業が正常であるか異常であるかを判定用データＥ１から判断することはできない。

図８に示すように、判定用データＥ１は、時間方向に順次並べられた複数のパラメータそれぞれの値を含む。具体的には、判定用データＥ１は、測定時刻ｓ１～ｓ１０において測定された各パラメータの値を時間方向に並べることによって構成されている。

判定用データＥ１には、学習用データＤ１（図２参照）と同じパラメータが含まれる。判定用データＥ１における測定時刻ｓ１～ｓ１０の間隔は、学習用データＤ１における測定時刻ｔ１～ｔ１０の間隔と同じである。

２．前処理部１８
前処理部１８は、正規化部１８ａ、分割部１８ｂ、及び分割データ記憶部１８ｃを有する。

正規化部１８ａは、判定用データＥ１に含まれる各パラメータの値を正規化することによって、判定用正規化データＥ２を生成する。正規化部１８ａは、判定用データＥ１に含まれる各パラメータの値をパラメータごとに、例えば－１（最小値）から１（最大値）の間の値に線形変換する。

分割部１８ｂは、判定用正規化データＥ２を時間方向において分割することによって、所定時間長の判定用分割データＥ３を生成する。判定用正規化データＥ２を分割して判定用分割データＥ３を生成する手法は、学習用正規化データＤ２を分割して学習用分割データＤ３（図３参照）を生成する手法と同じである。分割部１８ｂは、生成した判定用分割データＥ３を分割データ記憶部１８ｃに格納する。

３．判定部１９
判定部１９は、モデル記憶部１４から学習済みモデル１を読み出す。判定部１９は、分割データ記憶部１８ｃから判定用分割データＥ３を読み出す。

判定部１９は、学習済みモデル１を用いて、判定用分割データＥ３から生産機械１５による生産作業の異常を判定する。

具体的には、判定部１９は、判定用分割データＥ３を学習済みモデル１に入力することで、判定用分割データＥ３を復元した判定用分割復元データＥ４を取得する。続いて、判定部１９は、判定用分割データＥ３と判定用分割復元データＥ４との差ΔＥを検知する。差ΔＥは、例えば判定用分割データＥ３と判定用分割復元データＥ４との平均二乗誤差によって得られる値である。平均二乗誤差は、いわゆるコスト関数である。判定部１９は、差ΔＥに基づいて生産機械１５による生産作業の異常を判定する。具体的には、判定部１９は、差ΔＥと所定の閾値ＴＨ２とを比較することによって、差ΔＥが十分に小さいか否かを判定する。

差ΔＥが十分に小さい場合、すなわち、学習済みモデル１を用いて判定用分割データＥ３から判定用分割復元データＥ４を精度良く復元できた場合、判定部１９は、生産機械１５による生産作業が正常であると判定する。

差ΔＥが十分に小さくない場合、すなわち、学習済みモデル１を用いて判定用分割データＥ３から判定用分割復元データＥ４を精度良く復元できない場合、判定部１９は、生産機械１５による生産作業が異常であると判定する。

判定部１９は、生産機械１５による生産作業が異常であると判定した場合、通知部３０を起動させる。

４．通知部３０
通知部３０は、生産機械１５による生産作業が異常であると判定部１９が判定した場合、判定部１９によって起動される。

通知部３０は、生産機械１５による生産作業が異常である旨をオペレータに通知する。通知部３０による通知手段としては、例えば、警報音の発報、警告文の表示、警告灯の点灯などが挙げられる。

５．異常判定方法
次に、図９を参照しながら、異常判定方法のフローを説明する。

まず、ステップＳ１１において、判定用データ取得部１７は、生産機械１５による生産作業における生産機械１５の状態を示す複数のパラメータに関する判定用データＥ１（図８参照）を取得する。

次に、ステップＳ１２において、正規化部１８ａは、判定用データＥ１に含まれる各パラメータの値を正規化することによって、判定用正規化データＥ２を生成する。

次に、ステップＳ１３において、分割部１８ｂは、判定用正規化データＥ２を時間方向において分割することによって、所定時間長の判定用分割データＥ３を生成する。

次に、ステップＳ１４において、判定部１９は、モデル記憶部１４から学習済みモデル１を読み出すとともに、分割データ記憶部１８ｃから判定用分割データＥ３を読み出す。

次に、ステップＳ１５において、判定部１９は、判定用分割データＥ３を学習済みモデル１に入力することによって、判定用分割復元データＥ４を取得する。

次に、ステップＳ１６において、判定部１９は、判定用分割データＥ３と判定用分割復元データＥ４との差ΔＥが十分に小さいか否かを判定する。

ステップＳ１６において差ΔＥが十分に小さい場合、判定部１９は、ステップＳ１７において、生産機械１５による生産作業は正常であると判定して処理を終了する。

ステップＳ１６において差ΔＥが十分に小さくない場合、判定部１９は、ステップＳ１８において、生産機械１５による生産作業は異常であると判定した後、ステップＳ１９において、通知部３０を起動させて処理を終了する。

（特徴）
（１）学習済みモデル１の製造方法は、学習用分割データＤ３を生成する工程と、特徴量を抽出する工程と、特性量を抽出する工程と、学習用分割復元データＤ４を復元する工程と、学習用分割データＤ３と学習用分割復元データＤ４との差を小さくする工程とを備える。特徴量を抽出する工程では、学習用分割データＤ３を時間方向のみに圧縮することによって、複数のパラメータそれぞれに関する特徴量を抽出する。特性量を抽出する工程では、複数のパラメータそれぞれに関して抽出された特徴量を互いに結合することによって、学習用分割データＤ３全体の特性量を抽出する。学習用分割復元データＤ４を復元する工程では、特性量を時間方向のみに展開することによって、学習用分割復元データＤ４を復元する。

このような製造方法によれば、学習用分割データＤ３に含まれる各パラメータの時間方向における特徴量が抽出された後に、全体の特徴量から特性量が抽出される。そのため、物理的に直接関連しないパラメータ同士が関連づけられることなく特徴量を抽出できるため、精度良く特性量を抽出することができる。よって、正常な生産作業に基づくデータを精度良く復元し、かつ、異常な生産作業に基づくデータを精度良く復元しない学習済みモデル１を製造できる。

（２）生産システム２０は、生産機械１５と、コントローラ１６とを備える。コントローラ１６は、学習済みモデル１を用いて、生産機械１５による生産作業の異常を判定する。コントローラ１６は、判定用データＥ１を時間方向に分割することによって、所定時間長の判定用分割データＥ３を生成する分割部１８ｂと、学習済みモデル１を用いて、判定用分割データＥ３から生産作業の異常を判定する判定部１９とを有する。

このような生産システム２０によれば、学習済みモデル１を用いることによって、判定用データＥ１を時間方向に分割した判定用分割データＥ３から生産作業の異常を精度良く判定することができる。

（変形例）
以上、本開示の一実施形態について説明したが、本開示は上記実施形態に限定されるものではなく、開示の要旨を逸脱しない範囲で種々の変更が可能である。

［変形例１］
コントローラ１６は、生産機械１５の外部に配置されることとしたが、生産機械１５の制御を行うコントローラと一体化されていてもよい。

［変形例２］
コントローラ１６は、複数のプロセッサを含んでもよい。上述した処理の少なくとも一部は、ＣＰＵに限らず、ＧＰＵ（Graphics Processing Unit）などの他のプロセッサによって実行されてもよい。上述した処理は、複数のプロセッサに分散して実行されてもよい。

［変形例３］
上述した処理の一部は、省略又は変更してもよい。例えば、学習用分割データＤ３及び判定用分割データＥ３を記憶する処理は省略してもよい。

［変形例４］
上記実施形態に係る学習モジュール１０は、学習用データＤ１を正規化した後に学習用分割データＤ３を生成することとしたが、学習用分割データＤ３を生成した後に学習用分割データＤ３を正規化してもよい。

［変形例５］
上記実施形態に係る生産システム２０は、判定用データＥ１を正規化した後に判定用分割データＥ３を生成することとしたが、判定用分割データＥ３を生成した後に判定用分割データＥ３を正規化してもよい。

１ 学習済みモデル
１０ 学習モジュール
１１ 学習用データ取得部
１２ 前処理部
１２ａ 正規化部
１２ｂ 分割部
１２ｃ 分割データ記憶部
１３ モデル学習部
１３ａ 特徴抽出部
１３ｂ 特性抽出部
１３ｃ 復元部
１３ｄ 調整部
１４ モデル記憶部
１５ 生産機械
１６ コントローラ
１７ 判定用データ取得部
１８ 前処理部
１８ａ 正規化部
１８ｂ 分割部
１８ｃ 分割データ記憶部
１９ 判定部
２０ 生産システム
３０ 通知部

Claims (7)

1. 生産機械による生産作業の異常を判定するための学習済みモデルの製造方法であって、
   前記生産機械による正常な生産作業における前記生産機械の状態を示す複数のパラメータに関する学習用データを時間方向において分割することによって、所定時間長の学習用分割データを生成する工程と、
   前記学習用分割データを時間方向のみに圧縮することによって、前記複数のパラメータそれぞれに関する特徴量を抽出する工程と、
   前記複数のパラメータそれぞれに関して抽出された前記特徴量を互いに結合することによって、前記学習用分割データ全体の特性量を抽出する工程と、
   前記特性量を時間方向のみに展開することによって、学習用分割復元データを復元する工程と、
   前記学習用分割データと前記学習用分割復元データとの差を小さくする工程と、
   を備える学習済みモデルの製造方法。
2. 生産機械と、
   前記生産機械による生産作業の異常を判定するコントローラと、
   学習済みモデルを記憶する記憶部と、
   を備え、
   前記コントローラは、
   前記生産機械による生産作業における前記生産機械の状態を示す複数のパラメータに関する判定用データを時間方向に分割することによって、所定時間長の判定用分割データを生成する分割部と、
   前記学習済みモデルを用いて、前記判定用分割データから前記生産作業の異常を判定する判定部と、
   を有する、
   生産システム。
3. 前記判定部は、前記判定用分割データを前記学習済みモデルに入力することで、前記判定用分割データを復元した判定用分割復元データを取得し、前記判定用分割データと前記判定用分割復元データとの差に基づいて前記生産作業の異常を判定する、
   請求項２に記載の生産システム。
4. 前記コントローラは、前記判定用データ及び前記判定用分割データのいずれかを正規化する正規化部を有する、
   請求項２又は３に記載の生産システム。
5. 前記生産機械は、工作機械、溶接機械及び作業機械のいずれかである、
   請求項２乃至４のいずれかに記載の生産システム。
6. 生産機械による生産作業の異常を判定するための異常判定装置であって、
   学習済みモデルを記憶する記憶部と、
   前記生産機械による生産作業における前記生産機械の状態を示す複数のパラメータに関する判定用データを時間方向に分割することによって、所定時間長の判定用分割データを生成する分割部と、
   前記学習済みモデルを用いて、前記判定用分割データから前記生産作業の異常を判定する判定部と、
   を備える異常判定装置。
7. コンピュータによって実行される異常判定方法であって、
   生産機械による生産作業における前記生産機械の状態を示す複数のパラメータに関する判定用データを時間方向に分割することによって、所定時間長の判定用分割データを生成する工程と、
   請求項１に記載の製造方法によって製造された学習済みモデルを用いて、前記判定用分割データから前記生産作業の異常を判定する工程と、
   を備える異常判定方法。

Images