JP7271872B2 - 異常判定装置、異常判定システムおよび異常判定方法 - Google Patents
異常判定装置、異常判定システムおよび異常判定方法 Download PDFInfo
- Publication number
- JP7271872B2 JP7271872B2 JP2018151084A JP2018151084A JP7271872B2 JP 7271872 B2 JP7271872 B2 JP 7271872B2 JP 2018151084 A JP2018151084 A JP 2018151084A JP 2018151084 A JP2018151084 A JP 2018151084A JP 7271872 B2 JP7271872 B2 JP 7271872B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- state data
- learning model
- learning
- quality
- 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
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Description
前記所定の処理についての正常および異常に関する品質データであって、前記第一状態データに対応付けられた前記品質データを取得する品質データ取得部と、
波形データとしての前記第一状態データに対して周波数解析を行うことで前記第一状態データの周波数毎のパワースペクトル情報を生成し、当該パワースペクトル情報としての前記第一状態データを取得する前処理部と、
前記第一状態データを第一学習データとする機械学習により、前記第一状態データに含まれる変数の数を削減することにより低次元化された第二状態データを生成するための第一学習モデルを生成する第一学習モデル生成部と、
前記第二状態データと前記品質データとを第二学習データとする機械学習により、前記第二状態データと前記品質データが属する分類とに関する第二学習モデルを生成する第二学習モデル生成部と、
判定タイミングにおける前記第一状態データを第一入力データとして、前記第一入力データおよび前記第一学習モデルを用いて、前記第一入力データに対応する前記第二状態データを予測する第一予測部と、
前記第二状態データを第二入力データとして、前記第二入力データおよび前記第二学習モデルを用いて、前記第二入力データに対応する前記品質データが属する分類を予測する第二予測部と、
を備え、
前記第一学習モデル生成部は、前記前処理部により生成された前記パワースペクトル情報としての前記第一状態データを用いて前記第一学習モデルを生成し、
前記第一予測部は、前記前処理部により生成された前記パワースペクトル情報としての前記第一状態データを用いて前記第二状態データを予測する、異常判定装置にある。
本発明に係る他の態様は、処理装置による所定の処理の実行時に、前記処理装置に取り付けられたセンサにより検出された第一状態データを取得する第一状態データ取得部と、
前記所定の処理についての正常および異常に関する品質データであって、前記第一状態データに対応付けられた前記品質データを取得する品質データ取得部と、
前記第一状態データを第一学習データとする機械学習により、前記第一状態データに含まれる変数の数を削減することにより低次元化された第二状態データを生成するための第一学習モデルを生成する第一学習モデル生成部と、
前記第二状態データと前記品質データとを第二学習データとする機械学習により、前記第二状態データと前記品質データが属する分類とに関する第二学習モデルを生成する第二学習モデル生成部と、
判定タイミングにおける前記第一状態データを第一入力データとして、前記第一入力データおよび前記第一学習モデルを用いて、前記第一入力データに対応する前記第二状態データを予測する第一予測部と、
前記第二状態データを第二入力データとして、前記第二入力データおよび前記第二学習モデルを用いて、前記第二入力データに対応する前記品質データが属する分類を予測する第二予測部と、
を備え、
前記第二学習モデル生成部は、
生成する前記第二学習モデルを、排他識別による前記第二学習モデルと相対識別による前記第二学習モデルとで切り替え、
異常に関する前記品質データの累積数が基準値以下である場合には、正常のみに関する前記品質データを用いて機械学習を行うことにより排他識別による前記第二学習モデルを生成し、
異常に関する前記品質データの累積数が前記基準値より多い場合には、正常および異常に関する前記品質データを用いて機械学習を行うことにより相対識別による前記第二学習モデルを生成する、異常判定装置にある。
本発明に係る他の態様は、処理装置による所定の処理の実行時に、前記処理装置に取り付けられたセンサにより検出された第一状態データを取得する第一状態データ取得部と、
前記所定の処理についての正常および異常に関する品質データであって、前記第一状態データに対応付けられた前記品質データを取得する品質データ取得部と、
前記第一状態データを第一学習データとする機械学習により、前記第一状態データに含まれる変数の数を削減することにより低次元化された第二状態データを生成するための第一学習モデルを生成する第一学習モデル生成部と、
前記第二状態データと前記品質データとを第二学習データとする機械学習により、前記第二状態データと前記品質データが属する分類とに関する第二学習モデルを生成する第二学習モデル生成部と、
判定タイミングにおける前記第一状態データを第一入力データとして、前記第一入力データおよび前記第一学習モデルを用いて、前記第一入力データに対応する前記第二状態データを予測する第一予測部と、
前記第二状態データを第二入力データとして、前記第二入力データおよび前記第二学習モデルを用いて、前記第二入力データに対応する前記品質データが属する分類を予測する第二予測部と、
を備え、
前記第二学習モデル生成部は、前記品質データが属する分類として、正常における複数段階の分類、および、異常における複数段階の分類に関する前記第二学習モデルを生成し、
前記第二予測部は、前記品質データが属する分類として、正常における複数段階の分類、および、異常における複数段階の分類のうち、何れの分類に属するかを予測する、異常判定装置にある。
本発明に係る他の態様は、処理装置による所定の処理の実行時に、前記処理装置に取り付けられたセンサにより検出された第一状態データを取得する第一状態データ取得部と、
前記所定の処理についての正常および異常に関する品質データであって、前記第一状態データに対応付けられた前記品質データを取得する品質データ取得部と、
前記第一状態データを第一学習データとする機械学習により、前記第一状態データに含まれる変数の数を削減することにより低次元化された第二状態データを生成するための第一学習モデルを生成する第一学習モデル生成部と、
前記第二状態データと前記品質データとを第二学習データとする機械学習により、前記第二状態データと前記品質データが属する分類とに関する第二学習モデルを生成する第二学習モデル生成部と、
判定タイミングにおける前記第一状態データを第一入力データとして、前記第一入力データおよび前記第一学習モデルを用いて、前記第一入力データに対応する前記第二状態データを予測する第一予測部と、
前記第二状態データを第二入力データとして、前記第二入力データおよび前記第二学習モデルを用いて、前記第二入力データに対応する前記品質データが属する分類を予測する第二予測部と、
を備え、
前記処理装置は、対象物に対して前記所定の処理として切削加工または研削加工を行う工作機械であり、
前記第一状態データは、切削加工または研削加工に起因して発生する音波、振動、加工負荷の何れかに関する波形データを含み、
前記品質データは、前記対象物の正常および異常に関するデータである、異常判定装置にある。
前記所定の処理についての正常および異常に関する品質データであって、前記第一状態データに対応付けられた前記品質データを取得する品質データ取得工程と、
波形データとしての前記第一状態データに対して周波数解析を行うことで前記第一状態データの周波数毎のパワースペクトル情報を生成し、当該パワースペクトル情報としての前記第一状態データを取得する前処理工程と、
前記第一状態データを第一学習データとする機械学習により、前記第一状態データに含まれる変数の数を削減することにより低次元化された第二状態データを生成するための第一学習モデルを生成する第一学習モデル生成工程と、
前記第二状態データと前記品質データとを第二学習データとする機械学習により、前記第二状態データと前記品質データが属する分類とに関する第二学習モデルを生成する第二学習モデル生成工程と、
判定タイミングにおける前記第一状態データを第一入力データとして、前記第一入力データおよび前記第一学習モデルを用いて、前記第一入力データに対応する前記第二状態データを予測する第一予測工程と、
前記第二状態データを第二入力データとして、前記第二入力データおよび前記第二学習モデルを用いて、前記第二入力データに対応する前記品質データが属する分類を予測する第二予測工程と、
を備え、
前記第一学習モデル生成工程は、前記前処理工程により生成された前記パワースペクトル情報としての前記第一状態データを用いて前記第一学習モデルを生成し、
前記第一予測工程は、前記前処理工程により生成された前記パワースペクトル情報としての前記第一状態データを用いて前記第二状態データを予測する、異常判定方法にある。
本発明に係る他の態様は、処理装置による所定の処理の実行時に、前記処理装置に取り付けられたセンサにより検出された第一状態データを取得する第一状態データ取得工程と、
前記所定の処理についての正常および異常に関する品質データであって、前記第一状態データに対応付けられた前記品質データを取得する品質データ取得工程と、
前記第一状態データを第一学習データとする機械学習により、前記第一状態データに含まれる変数の数を削減することにより低次元化された第二状態データを生成するための第一学習モデルを生成する第一学習モデル生成工程と、
前記第二状態データと前記品質データとを第二学習データとする機械学習により、前記第二状態データと前記品質データが属する分類とに関する第二学習モデルを生成する第二学習モデル生成工程と、
判定タイミングにおける前記第一状態データを第一入力データとして、前記第一入力データおよび前記第一学習モデルを用いて、前記第一入力データに対応する前記第二状態データを予測する第一予測工程と、
前記第二状態データを第二入力データとして、前記第二入力データおよび前記第二学習モデルを用いて、前記第二入力データに対応する前記品質データが属する分類を予測する第二予測工程と、
を備え、
前記第二学習モデル生成工程は、
生成する前記第二学習モデルを、排他識別による前記第二学習モデルと相対識別による前記第二学習モデルとで切り替え、
異常に関する前記品質データの累積数が基準値以下である場合には、正常のみに関する前記品質データを用いて機械学習を行うことにより排他識別による前記第二学習モデルを生成し、
異常に関する前記品質データの累積数が前記基準値より多い場合には、正常および異常に関する前記品質データを用いて機械学習を行うことにより相対識別による前記第二学習モデルを生成する、異常判定方法にある。
本発明に係る他の態様は、処理装置による所定の処理の実行時に、前記処理装置に取り付けられたセンサにより検出された第一状態データを取得する第一状態データ取得工程と、
前記所定の処理についての正常および異常に関する品質データであって、前記第一状態データに対応付けられた前記品質データを取得する品質データ取得工程と、
前記第一状態データを第一学習データとする機械学習により、前記第一状態データに含まれる変数の数を削減することにより低次元化された第二状態データを生成するための第一学習モデルを生成する第一学習モデル生成工程と、
前記第二状態データと前記品質データとを第二学習データとする機械学習により、前記第二状態データと前記品質データが属する分類とに関する第二学習モデルを生成する第二学習モデル生成工程と、
判定タイミングにおける前記第一状態データを第一入力データとして、前記第一入力データおよび前記第一学習モデルを用いて、前記第一入力データに対応する前記第二状態データを予測する第一予測工程と、
前記第二状態データを第二入力データとして、前記第二入力データおよび前記第二学習モデルを用いて、前記第二入力データに対応する前記品質データが属する分類を予測する第二予測工程と、
を備え、
前記第二学習モデル生成工程は、前記品質データが属する分類として、正常における複数段階の分類、および、異常における複数段階の分類に関する前記第二学習モデルを生成し、
前記第二予測工程は、前記品質データが属する分類として、正常における複数段階の分類、および、異常における複数段階の分類のうち、何れの分類に属するかを予測する、異常判定方法にある。
本発明に係る他の態様は、処理装置による所定の処理の実行時に、前記処理装置に取り付けられたセンサにより検出された第一状態データを取得する第一状態データ取得工程と、
前記所定の処理についての正常および異常に関する品質データであって、前記第一状態データに対応付けられた前記品質データを取得する品質データ取得工程と、
前記第一状態データを第一学習データとする機械学習により、前記第一状態データに含まれる変数の数を削減することにより低次元化された第二状態データを生成するための第一学習モデルを生成する第一学習モデル生成工程と、
前記第二状態データと前記品質データとを第二学習データとする機械学習により、前記第二状態データと前記品質データが属する分類とに関する第二学習モデルを生成する第二学習モデル生成工程と、
判定タイミングにおける前記第一状態データを第一入力データとして、前記第一入力データおよび前記第一学習モデルを用いて、前記第一入力データに対応する前記第二状態データを予測する第一予測工程と、
前記第二状態データを第二入力データとして、前記第二入力データおよび前記第二学習モデルを用いて、前記第二入力データに対応する前記品質データが属する分類を予測する第二予測工程と、
を備え、
前記処理装置は、対象物に対して前記所定の処理として切削加工または研削加工を行う工作機械であり、
前記第一状態データは、切削加工または研削加工に起因して発生する音波、振動、加工負荷の何れかに関する波形データを含み、
前記品質データは、前記対象物の正常および異常に関するデータである、異常判定方法にある。
当該異常判定方法によれば、上記異常判定装置と同様の効果を奏する。
異常判定装置100,200は、所定の処理を実行する処理装置10を対象として、処理装置10による所定の処理についての正常および異常の判定を行う。処理装置10は、例えば、工作物を加工するための工作機械、成形品の成形するための成形機、搬送物を搬送するための搬送機等である。所定の処理とは、工作物の切削加工または研削加工、成形品の成形、搬送物の搬送等である。
異常判定システム1の構成について、図1を参照して説明する。異常判定システム1は、所定の処理を実行する複数の処理装置(工作機械)10,10,10,10と、検査装置20と、サーバ30と、異常判定装置100,200とを備える。処理装置10は、例えば、切削加工を行うマシニングセンタまたは旋盤、若しくは、研削加工を行う研削盤等である。図1においては、処理装置10は、マシニングセンタを例にあげる。
図1においては、サーバ30が各種データを収集するものとした。この他に、複数の処理装置10のそれぞれにデータ収集装置(図示せず)を備え、各データ収集装置が、対応する処理装置10に関するデータを収集するようにしてもよい。この場合、各データ収集装置が、検査装置20による検査結果である品質データも収集することができる。そして、異常判定装置100,200は、各データ収集装置により収集されたデータを用いて、正常および異常の判定を行うことができる。
第一例の異常判定装置100の構成について、図2を参照して説明する。なお、第一例の異常判定装置100による方法(異常判定方法)についても合わせて説明する。
異常判定装置100は、図2に示すように、学習フェーズとして機能する部分として、品質データ取得部101、品質データ記憶部102、第一状態データ取得部103、第一状態データ記憶部104、前処理部105、第一学習モデル生成部106、第一学習モデル記憶部107、第二状態データ記憶部108、第二学習モデル生成部109、および、第二学習モデル記憶部110を備える。
次に、異常判定装置100の機械学習の推論フェーズにおいて機能する部分について、図2を参照して説明する。異常判定装置100は、図2に示すように、推論フェーズとして機能する部分として、第一状態データ取得部103、第一状態データ記憶部104、前処理部105、第一学習モデル記憶部107、第一予測部111、第二状態データ記憶部108、第二学習モデル記憶部110、第二予測部112、および、出力部113を備える。
異常判定装置100によれば、第二予測部112が、第二状態データと第二学習モデルを用いて、品質データが属する分類、すなわち、所定の処理が正常および異常であるかを判定している。そして、第二状態データは、処理装置10に取り付けられたセンサ11により検出された第一状態データではなく、第一状態データを変換したデータである。第二状態データは、第一予測部111によって、第一状態データと第一学習モデルを用いることで得られるデータである。
第二例の異常判定装置200の構成について、図14を参照して説明する。なお、第二例の異常判定装置200による方法(異常判定方法)についても合わせて説明する。
異常判定装置200は、図14に示すように、学習フェーズとして機能する部分として、品質データ取得部101、品質データ記憶部102、加工条件取得部221、加工条件記憶部222、第一状態データ取得部103、第一状態データ記憶部104、前処理部105、第一学習モデル生成部206、第一学習モデル記憶部107、第二状態データ記憶部108、第二学習モデル生成部209、および、第二学習モデル記憶部110を備える。
次に、異常判定装置200の機械学習の推論フェーズにおいて機能する部分について、図14を参照して説明する。異常判定装置200は、図14に示すように、推論フェーズとして機能する部分として、加工条件取得部221、加工条件記憶部222、第一状態データ取得部103、第一状態データ記憶部104、前処理部105、第一学習モデル記憶部107、第一予測部211、第二状態データ記憶部108、第二学習モデル記憶部110、第二予測部212、および、出力部113を備える。
Claims (18)
- 処理装置による所定の処理の実行時に、前記処理装置に取り付けられたセンサにより検出された第一状態データを取得する第一状態データ取得部と、
前記所定の処理についての正常および異常に関する品質データであって、前記第一状態データに対応付けられた前記品質データを取得する品質データ取得部と、
波形データとしての前記第一状態データに対して周波数解析を行うことで前記第一状態データの周波数毎のパワースペクトル情報を生成し、当該パワースペクトル情報としての前記第一状態データを取得する前処理部と、
前記第一状態データを第一学習データとする機械学習により、前記第一状態データに含まれる変数の数を削減することにより低次元化された第二状態データを生成するための第一学習モデルを生成する第一学習モデル生成部と、
前記第二状態データと前記品質データとを第二学習データとする機械学習により、前記第二状態データと前記品質データが属する分類とに関する第二学習モデルを生成する第二学習モデル生成部と、
判定タイミングにおける前記第一状態データを第一入力データとして、前記第一入力データおよび前記第一学習モデルを用いて、前記第一入力データに対応する前記第二状態データを予測する第一予測部と、
前記第二状態データを第二入力データとして、前記第二入力データおよび前記第二学習モデルを用いて、前記第二入力データに対応する前記品質データが属する分類を予測する第二予測部と、
を備え、
前記第一学習モデル生成部は、前記前処理部により生成された前記パワースペクトル情報としての前記第一状態データを用いて前記第一学習モデルを生成し、
前記第一予測部は、前記前処理部により生成された前記パワースペクトル情報としての前記第一状態データを用いて前記第二状態データを予測する、異常判定装置。 - 前記第一学習モデルは、前記第一状態データに含まれる複数の変数の中から特徴変数を抽出し、前記特徴変数に対応する値を前記第二状態データとして生成するためのモデルである、請求項1に記載の異常判定装置。
- 前記前処理部は、正規化する処理を行うことにより、正則化された前記パワースペクトル情報としての前記第一状態データを生成する、請求項1または2に記載の異常判定装置。
- 前記第二学習モデル生成部は、
生成する前記第二学習モデルを、排他識別による前記第二学習モデルと相対識別による前記第二学習モデルとで切り替え、
異常に関する前記品質データの累積数が基準値以下である場合には、正常のみに関する前記品質データを用いて機械学習を行うことにより排他識別による前記第二学習モデルを生成し、
異常に関する前記品質データの累積数が前記基準値より多い場合には、正常および異常に関する前記品質データを用いて機械学習を行うことにより相対識別による前記第二学習モデルを生成する、請求項1-3の何れか一項に記載の異常判定装置。 - 前記第二学習モデル生成部は、前記品質データが属する分類として、正常における複数段階の分類、および、異常における複数段階の分類に関する前記第二学習モデルを生成し、
前記第二予測部は、前記品質データが属する分類として、正常における複数段階の分類、および、異常における複数段階の分類のうち、何れの分類に属するかを予測する、請求項1-4の何れか一項に記載の異常判定装置。 - 前記処理装置は、対象物に対して前記所定の処理として切削加工または研削加工を行う工作機械であり、
前記第一状態データは、切削加工または研削加工に起因して発生する音波、振動、加工負荷の何れかに関する波形データを含み、
前記品質データは、前記対象物の正常および異常に関するデータである、請求項1-5の何れか一項に記載の異常判定装置。 - 前記第一状態データは、前記波形データに加えて、前記対象物の画像に関する波形外データを含む、請求項6に記載の異常判定装置。
- 前記第一学習モデル生成部および前記第二学習モデル生成部は、加工条件に応じて機械学習を行うことにより、前記加工条件に応じた前記第一学習モデルおよび前記第二学習モデルを生成し、
前記第一予測部および前記第二予測部は、前記加工条件に応じた前記第二状態データおよび前記品質データが属する分類を予測する、請求項6または7に記載の異常判定装置。 - 前記加工条件は、加工工具の種類、前記対象物の材質、加工の開始から終了までにおけるタイミングの何れか一つである、請求項8に記載の異常判定装置。
- 前記品質データは、前記対象物に生じるびびり模様の程度に関するデータである、請求項6-9の何れか一項に記載の異常判定装置。
- 処理装置による所定の処理の実行時に、前記処理装置に取り付けられたセンサにより検出された第一状態データを取得する第一状態データ取得部と、
前記所定の処理についての正常および異常に関する品質データであって、前記第一状態データに対応付けられた前記品質データを取得する品質データ取得部と、
前記第一状態データを第一学習データとする機械学習により、前記第一状態データに含まれる変数の数を削減することにより低次元化された第二状態データを生成するための第一学習モデルを生成する第一学習モデル生成部と、
前記第二状態データと前記品質データとを第二学習データとする機械学習により、前記第二状態データと前記品質データが属する分類とに関する第二学習モデルを生成する第二学習モデル生成部と、
判定タイミングにおける前記第一状態データを第一入力データとして、前記第一入力データおよび前記第一学習モデルを用いて、前記第一入力データに対応する前記第二状態データを予測する第一予測部と、
前記第二状態データを第二入力データとして、前記第二入力データおよび前記第二学習モデルを用いて、前記第二入力データに対応する前記品質データが属する分類を予測する第二予測部と、
を備え、
前記第二学習モデル生成部は、
生成する前記第二学習モデルを、排他識別による前記第二学習モデルと相対識別による前記第二学習モデルとで切り替え、
異常に関する前記品質データの累積数が基準値以下である場合には、正常のみに関する前記品質データを用いて機械学習を行うことにより排他識別による前記第二学習モデルを生成し、
異常に関する前記品質データの累積数が前記基準値より多い場合には、正常および異常に関する前記品質データを用いて機械学習を行うことにより相対識別による前記第二学習モデルを生成する、異常判定装置。 - 処理装置による所定の処理の実行時に、前記処理装置に取り付けられたセンサにより検出された第一状態データを取得する第一状態データ取得部と、
前記所定の処理についての正常および異常に関する品質データであって、前記第一状態データに対応付けられた前記品質データを取得する品質データ取得部と、
前記第一状態データを第一学習データとする機械学習により、前記第一状態データに含まれる変数の数を削減することにより低次元化された第二状態データを生成するための第一学習モデルを生成する第一学習モデル生成部と、
前記第二状態データと前記品質データとを第二学習データとする機械学習により、前記第二状態データと前記品質データが属する分類とに関する第二学習モデルを生成する第二学習モデル生成部と、
判定タイミングにおける前記第一状態データを第一入力データとして、前記第一入力データおよび前記第一学習モデルを用いて、前記第一入力データに対応する前記第二状態データを予測する第一予測部と、
前記第二状態データを第二入力データとして、前記第二入力データおよび前記第二学習モデルを用いて、前記第二入力データに対応する前記品質データが属する分類を予測する第二予測部と、
を備え、
前記第二学習モデル生成部は、前記品質データが属する分類として、正常における複数段階の分類、および、異常における複数段階の分類に関する前記第二学習モデルを生成し、
前記第二予測部は、前記品質データが属する分類として、正常における複数段階の分類、および、異常における複数段階の分類のうち、何れの分類に属するかを予測する、異常判定装置。 - 処理装置による所定の処理の実行時に、前記処理装置に取り付けられたセンサにより検出された第一状態データを取得する第一状態データ取得部と、
前記所定の処理についての正常および異常に関する品質データであって、前記第一状態データに対応付けられた前記品質データを取得する品質データ取得部と、
前記第一状態データを第一学習データとする機械学習により、前記第一状態データに含まれる変数の数を削減することにより低次元化された第二状態データを生成するための第一学習モデルを生成する第一学習モデル生成部と、
前記第二状態データと前記品質データとを第二学習データとする機械学習により、前記第二状態データと前記品質データが属する分類とに関する第二学習モデルを生成する第二学習モデル生成部と、
判定タイミングにおける前記第一状態データを第一入力データとして、前記第一入力データおよび前記第一学習モデルを用いて、前記第一入力データに対応する前記第二状態データを予測する第一予測部と、
前記第二状態データを第二入力データとして、前記第二入力データおよび前記第二学習モデルを用いて、前記第二入力データに対応する前記品質データが属する分類を予測する第二予測部と、
を備え、
前記処理装置は、対象物に対して前記所定の処理として切削加工または研削加工を行う工作機械であり、
前記第一状態データは、切削加工または研削加工に起因して発生する音波、振動、加工負荷の何れかに関する波形データを含み、
前記品質データは、前記対象物の正常および異常に関するデータである、異常判定装置。 - 所定の処理を実行する複数の処理装置と、
前記複数の処理装置と通信可能に設けられ、前記複数の処理装置のそれぞれによる前記所定の処理の実行時に前記処理装置に取り付けられたセンサにより検出された第一状態データを収集するサーバと、
請求項1-13の何れか一項に記載の異常判定装置であって、前記サーバに収集された前記第一状態データに基づいて処理される前記異常判定装置と、
を備える、異常判定システム。 - 処理装置による所定の処理の実行時に、前記処理装置に取り付けられたセンサにより検出された第一状態データを取得する第一状態データ取得工程と、
前記所定の処理についての正常および異常に関する品質データであって、前記第一状態データに対応付けられた前記品質データを取得する品質データ取得工程と、
波形データとしての前記第一状態データに対して周波数解析を行うことで前記第一状態データの周波数毎のパワースペクトル情報を生成し、当該パワースペクトル情報としての前記第一状態データを取得する前処理工程と、
前記第一状態データを第一学習データとする機械学習により、前記第一状態データに含まれる変数の数を削減することにより低次元化された第二状態データを生成するための第一学習モデルを生成する第一学習モデル生成工程と、
前記第二状態データと前記品質データとを第二学習データとする機械学習により、前記第二状態データと前記品質データが属する分類とに関する第二学習モデルを生成する第二学習モデル生成工程と、
判定タイミングにおける前記第一状態データを第一入力データとして、前記第一入力データおよび前記第一学習モデルを用いて、前記第一入力データに対応する前記第二状態データを予測する第一予測工程と、
前記第二状態データを第二入力データとして、前記第二入力データおよび前記第二学習モデルを用いて、前記第二入力データに対応する前記品質データが属する分類を予測する第二予測工程と、
を備え、
前記第一学習モデル生成工程は、前記前処理工程により生成された前記パワースペクトル情報としての前記第一状態データを用いて前記第一学習モデルを生成し、
前記第一予測工程は、前記前処理工程により生成された前記パワースペクトル情報としての前記第一状態データを用いて前記第二状態データを予測する、異常判定方法。 - 処理装置による所定の処理の実行時に、前記処理装置に取り付けられたセンサにより検出された第一状態データを取得する第一状態データ取得工程と、
前記所定の処理についての正常および異常に関する品質データであって、前記第一状態データに対応付けられた前記品質データを取得する品質データ取得工程と、
前記第一状態データを第一学習データとする機械学習により、前記第一状態データに含まれる変数の数を削減することにより低次元化された第二状態データを生成するための第一学習モデルを生成する第一学習モデル生成工程と、
前記第二状態データと前記品質データとを第二学習データとする機械学習により、前記第二状態データと前記品質データが属する分類とに関する第二学習モデルを生成する第二学習モデル生成工程と、
判定タイミングにおける前記第一状態データを第一入力データとして、前記第一入力データおよび前記第一学習モデルを用いて、前記第一入力データに対応する前記第二状態データを予測する第一予測工程と、
前記第二状態データを第二入力データとして、前記第二入力データおよび前記第二学習モデルを用いて、前記第二入力データに対応する前記品質データが属する分類を予測する第二予測工程と、
を備え、
前記第二学習モデル生成工程は、
生成する前記第二学習モデルを、排他識別による前記第二学習モデルと相対識別による前記第二学習モデルとで切り替え、
異常に関する前記品質データの累積数が基準値以下である場合には、正常のみに関する前記品質データを用いて機械学習を行うことにより排他識別による前記第二学習モデルを生成し、
異常に関する前記品質データの累積数が前記基準値より多い場合には、正常および異常に関する前記品質データを用いて機械学習を行うことにより相対識別による前記第二学習モデルを生成する、異常判定方法。 - 処理装置による所定の処理の実行時に、前記処理装置に取り付けられたセンサにより検出された第一状態データを取得する第一状態データ取得工程と、
前記所定の処理についての正常および異常に関する品質データであって、前記第一状態データに対応付けられた前記品質データを取得する品質データ取得工程と、
前記第一状態データを第一学習データとする機械学習により、前記第一状態データに含まれる変数の数を削減することにより低次元化された第二状態データを生成するための第一学習モデルを生成する第一学習モデル生成工程と、
前記第二状態データと前記品質データとを第二学習データとする機械学習により、前記第二状態データと前記品質データが属する分類とに関する第二学習モデルを生成する第二学習モデル生成工程と、
判定タイミングにおける前記第一状態データを第一入力データとして、前記第一入力データおよび前記第一学習モデルを用いて、前記第一入力データに対応する前記第二状態データを予測する第一予測工程と、
前記第二状態データを第二入力データとして、前記第二入力データおよび前記第二学習モデルを用いて、前記第二入力データに対応する前記品質データが属する分類を予測する第二予測工程と、
を備え、
前記第二学習モデル生成工程は、前記品質データが属する分類として、正常における複数段階の分類、および、異常における複数段階の分類に関する前記第二学習モデルを生成し、
前記第二予測工程は、前記品質データが属する分類として、正常における複数段階の分類、および、異常における複数段階の分類のうち、何れの分類に属するかを予測する、異常判定方法。 - 処理装置による所定の処理の実行時に、前記処理装置に取り付けられたセンサにより検出された第一状態データを取得する第一状態データ取得工程と、
前記所定の処理についての正常および異常に関する品質データであって、前記第一状態データに対応付けられた前記品質データを取得する品質データ取得工程と、
前記第一状態データを第一学習データとする機械学習により、前記第一状態データに含まれる変数の数を削減することにより低次元化された第二状態データを生成するための第一学習モデルを生成する第一学習モデル生成工程と、
前記第二状態データと前記品質データとを第二学習データとする機械学習により、前記第二状態データと前記品質データが属する分類とに関する第二学習モデルを生成する第二学習モデル生成工程と、
判定タイミングにおける前記第一状態データを第一入力データとして、前記第一入力データおよび前記第一学習モデルを用いて、前記第一入力データに対応する前記第二状態データを予測する第一予測工程と、
前記第二状態データを第二入力データとして、前記第二入力データおよび前記第二学習モデルを用いて、前記第二入力データに対応する前記品質データが属する分類を予測する第二予測工程と、
を備え、
前記処理装置は、対象物に対して前記所定の処理として切削加工または研削加工を行う工作機械であり、
前記第一状態データは、切削加工または研削加工に起因して発生する音波、振動、加工負荷の何れかに関する波形データを含み、
前記品質データは、前記対象物の正常および異常に関するデータである、異常判定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018151084A JP7271872B2 (ja) | 2018-08-10 | 2018-08-10 | 異常判定装置、異常判定システムおよび異常判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018151084A JP7271872B2 (ja) | 2018-08-10 | 2018-08-10 | 異常判定装置、異常判定システムおよび異常判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020027386A JP2020027386A (ja) | 2020-02-20 |
JP7271872B2 true JP7271872B2 (ja) | 2023-05-12 |
Family
ID=69620108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018151084A Active JP7271872B2 (ja) | 2018-08-10 | 2018-08-10 | 異常判定装置、異常判定システムおよび異常判定方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7271872B2 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020082304A (ja) * | 2018-11-29 | 2020-06-04 | 三菱電機株式会社 | びびり振動検知装置、びびり振動検知方法、びびり振動検知プログラム、及びびびり振動抑制装置 |
CN111832481B (zh) * | 2020-07-13 | 2023-10-10 | 武汉轻工大学 | 食用植物油加工质量检测方法、设备、存储介质及装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010214380A (ja) | 2009-03-13 | 2010-09-30 | Osaka Univ | リアルタイム溶接品質判定装置及び判定方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6840953B2 (ja) * | 2016-08-09 | 2021-03-10 | 株式会社リコー | 診断装置、学習装置および診断システム |
-
2018
- 2018-08-10 JP JP2018151084A patent/JP7271872B2/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010214380A (ja) | 2009-03-13 | 2010-09-30 | Osaka Univ | リアルタイム溶接品質判定装置及び判定方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2020027386A (ja) | 2020-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108500736B (zh) | 工具状态推定装置以及机床 | |
Kothuru et al. | Application of audible sound signals for tool wear monitoring using machine learning techniques in end milling | |
WO2018030033A1 (ja) | 工作機械の工具の異常検知装置及び方法 | |
EP0509817B1 (en) | System and method utilizing a real time expert system for tool life prediction and tool wear diagnosis | |
US10928783B2 (en) | Analysis device and analysis system for ranking predictor performance for determining acceptability of an object to be produced | |
US9508042B2 (en) | Method for predicting machining quality of machine tool | |
EP3373211A1 (en) | Management device and non-transitory computer-readable medium | |
WO2021234876A1 (ja) | データ作成装置、機械学習システムおよび加工状態推定装置 | |
JP7271872B2 (ja) | 異常判定装置、異常判定システムおよび異常判定方法 | |
KR102648425B1 (ko) | 진동 가속도 신호를 활용한 공구 파손감지 영역 자동설정 방법 및 진동 가속도 신호를 활용한 공구 파손감지장치 | |
Oo et al. | Tool wear monitoring system in belt grinding based on image-processing techniques | |
US10761063B2 (en) | Apparatus and method for presuming abnormality occurrence for telescopic cover | |
Kannan et al. | Multi-sensor data analytics for grinding wheel redress life estimation-an approach towards Industry 4.0 | |
KR20190000815A (ko) | 진동 특성 분석을 이용한 공구 수명 예측 방법 | |
Tiwari et al. | Tool wear prediction in end milling of Ti-6Al-4V through Kalman filter based fusion of texture features and cutting forces | |
JP2023510463A (ja) | 加工プロセスおよび/または加工結果を監視および/または予測するための方法 | |
KR101865897B1 (ko) | 서포트 벡터 머신을 이용한 회전체 수명 진단방법 | |
CN110874084A (zh) | 加工环境推定装置 | |
CN111788042A (zh) | 机器人的预见性分析 | |
CN112946072A (zh) | 基于机器学习的砂带磨损状态监测方法 | |
CN112987682A (zh) | 控制方法、控制装置和机械设备 | |
CN113424120A (zh) | 无需计量地捕获机器特别是机床的特性确定该特性的方法 | |
Sause et al. | Hard-and Software fusion for process monitoring during machining of fiber reinforced materials | |
JP2022123399A (ja) | 加工最適化システム、及び加工最適化システムによる加工最適化方法 | |
JP7236886B2 (ja) | 異常検知装置、異常検知方法、及び異常検知システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20210301 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210720 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220531 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220531 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220727 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221018 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221214 |
|
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: 20230328 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230410 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7271872 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |