JP7311820B1 - 異常判定方法、異常判定装置及びプログラム - Google Patents

Abstract

【課題】装置の稼働状態に応じて稼働状態を表す稼働状態データが変動する場合において、装置から稼働状態を示す信号を取り出さなくても、１つの異常判定モデルによって装置の異常の有無を判定する場合と比べて、その判定の精度を向上させることを目的とする。【解決手段】センサ１４が出力した装置１２の稼働状態を表す稼働状態データが、その特徴量に基づいて、複数のクラスのいずれかに分類される。稼働状態データが分類されたクラスに対応する異常判定モデルによって、稼働状態データの異常度が算出される。複数のクラスのそれぞれは、センサ１４が出力した正常稼働状態データに対して、その特徴量に基づくクラスタリング処理を実行することで得られたクラスタに対応して定められる。異常判定モデルは、同じクラスに属する複数の正常稼働状態データを用いて、クラス毎に異なる学習によって生成されたモデルである。【選択図】図２

Description

本発明は、装置の異常を判定する方法、異常判定装置及びプログラムに関する。

装置の稼働状態を計測するセンサから、当該装置の稼働状態を表す稼働状態データを収集し、その収集された稼働状態データに基づいて、当該装置に異常が発生しているか否かを判定する技術が知られている。

特許文献１に記載されたシステムは、機械設備の状態を示す状態検出情報を収集し、正常であると判定された情報を正常クラスデータとして正常クラステーブルに登録し、状態検出情報のうち、ある一定時間に収集された時系列のセグメントデータからフレーム単位の特徴量を抽出する。当該システムは、正常クラスデータを判別器として、フレーム単位の特徴量が正常か異常かを判定する第１の判定処理を行い、その判定結果から、セグメントデータが正常か異常かを判定する第２の判定処理を行う。当該システムは、第２の判定処理により正常であると判定されたデータに該当する正常クラスが、正常クラステーブルに存在しない場合、正常であると判定されたデータを新たな正常クラスとして生成して正常クラステーブルに登録する。

特許文献２には、複数のセンサからデータを取得し、そのデータの時間的な変化に基づいて、データ空間の軌跡を複数のクラスタに分割し、その分割されたクラスタ群に対して部分空間法でモデル化し、はずれ値を異常候補として算出する異常検知方法が記載されている。

特開２０１７－１０２７６５号公報 特開２０１０－９２３５５号公報

ところで、装置の稼働状態を表す稼働状態データを用いて学習によって異常判定モデルを生成し、その異常判定モデルを用いて、装置の異常の有無を判定することが考えられる。この場合、１つの異常判定モデルを用いて装置の異常の有無を判定することが考えられる。しかし、装置の稼働状態に応じて稼働状態データが変動する場合、１つの異常判定モデルを用いたのでは、稼働状態に応じた稼働状態データの変動を異常として検知してしまい、結果として、誤検知が発生するおそれがある。

これに対処するために、装置の稼働状態毎の異常判定モデルを用いることが考えられる。しかし、そのためには、装置の稼働状態を示す信号を装置から取り出して稼働状態を把握する必要があるため、装置の改良や工事等が必要となり、手間がかかる。

本発明の目的は、装置の稼働状態に応じて稼働状態を表す稼働状態データが変動する場合において、装置から稼働状態を示す信号を取り出さなくても、１つの異常判定モデルによって装置の異常の有無を判定する場合と比べて、その判定の精度を向上させることにある。

本発明の１つの態様は、コンピュータが、センサが出力した装置の稼働状態を表す稼働状態データを、前記稼働状態データの特徴量に基づいて、複数のクラスのいずれかに分類する分類ステップと、コンピュータが、前記稼働状態データが分類されたクラスに対応する異常判定モデルによって、前記稼働状態データの異常度を算出する異常判定ステップと、を含み、前記複数のクラスのそれぞれは、前記センサが出力した正常な稼働状態を表す正常稼働状態データに対して、前記正常稼働状態データの特徴量に基づくクラスタリング処理を実行することで得られたクラスタに対応して定められ、前記異常判定モデルは、同じクラスに属する複数の正常稼働状態データを用いて、クラスタ毎に異なる学習によって生成されたモデルである、異常判定方法である。

稼働状態データ及び正常稼働状態データは、前記装置による異なる種類の作業動作毎又は異なる種類の材料の加工動作毎に前記センサが出力したデータであってもよい。

稼働状態データ及び正常稼働状態データは、予め定められた時間毎に収集された、前記装置の振動に基づくデータであってもよい。

前記分類ステップでは、コンピュータが、ラベリングモデルを用いて稼働状態データを前記複数のクラスのいずれかに分類し、前記クラスタリング処理に用いられた正常稼働状態データが属するクラスが、正解ラベルとして定められ、前記ラベリングモデルは、正解ラベルが紐付けられた正常稼働状態データを教師データとして使用して学習することで生成されたモデルであってもよい。

前記異常判定モデルは、オートエンコーダであり、前記オートエンコーダに入力された稼働状態データと前記オートエンコーダから出力された予測データとの差分に基づいて、稼働状態データの異常度を算出してもよい。

前記異常判定ステップでは、コンピュータが、前記差分の最大値と分散とに基づいて前記異常度を算出してもよい。

前記異常判定ステップでは、コンピュータが、前記差分にＭＴ法を適用することで前記異常度を算出してもよい。

上記の異常判定方法は、特徴量抽出ステップを更に含み、稼働状態データは、時系列データであり、前記特徴量抽出ステップでは、コンピュータが、稼働状態データに対して高速フーリエ変換を適用し、畳み込み層とプーリング層とを含むニューラルネットワークを用いて特徴量を抽出してもよい。

予め定められた順番に従って実行される複数の作業が定められており、前記複数のクラスのそれぞれは、前記複数の作業のいずれかに対応しており、前記分類ステップにて、前記予め定められた順番から外れた分類が行われた場合、コンピュータは、異常の判定結果を出力してもよい。

本発明の１つの態様は、コンピュータが、画像データを、前記画像データの特徴量に基づいて、複数のクラスのいずれかに分類する分類ステップと、コンピュータが、前記画像データが分類されたクラスに対応する異常判定モデルによって、前記画像データの異常度を算出する異常判定ステップと、を含み、前記複数のクラスのそれぞれは、正常な状態を表す正常画像データに対して、前記正常画像データの特徴量に基づくクラスタリング処理を実行することで得られたクラスタに対応して定められ、前記異常判定モデルは、同じクラスに属する複数の正常画像データを用いて、クラスタ毎に異なる学習によって生成されたモデルである、異常判定方法である。

本発明の１つの態様は、センサが出力した装置の稼働状態を表す稼働状態データを、前記稼働状態データの特徴量に基づいて、複数のクラスのいずれかに分類する分類手段と、前記稼働状態データが分類されたクラスに対応する異常判定モデルによって、前記稼働状態データの異常度を算出する異常判定手段と、を含み、前記複数のクラスのそれぞれは、前記センサが出力した正常な稼働状態を表す正常稼働状態データに対して、前記正常稼働状態データの特徴量に基づくクラスタリング処理を実行することで得られたクラスタに対応して定められ、前記異常判定モデルは、同じクラスに属する複数の正常稼働状態データを用いて、クラス毎に異なる学習によって生成されたモデルである、異常判定装置である。

本発明の１つの態様は、コンピュータを、センサが出力した装置の稼働状態を表す稼働状態データを、前記稼働状態データの特徴量に基づいて、複数のクラスのいずれかに分類する分類手段、前記稼働状態データが分類されたクラスに対応する異常判定モデルによって、前記稼働状態データの異常度を算出する異常判定手段、として機能させ、前記複数のクラスのそれぞれは、前記センサが出力した正常な稼働状態を表す正常稼働状態データに対して、前記正常稼働状態データの特徴量に基づくクラスタリング処理を実行することで得られたクラスタに対応して定められ、前記異常判定モデルは、同じクラスに属する複数の正常稼働状態データを用いて、クラス毎に異なる学習によって生成されたモデルである、プログラムである。

本発明によれば、装置の稼働状態に応じて稼働状態を表す稼働状態データが変動する場合において、装置から稼働状態を示す信号を取り出さなくても、１つの異常判定モデルによって装置の異常の有無を判定する場合と比べて、その判定の精度を向上させることができる。

実施形態に係る学習装置の構成を示すブロック図である。 実施形態に係る異常判定装置の構成を示すブロック図である。 実施形態に係る異常判定装置のハードウェアの構成を示すブロック図である。 学習装置の動作の流れを示すフローチャートである。 正常稼働状態データの一例を示す図である。 ＦＦＴが適用された正常稼働状態データの一例を示す図である。 稼働状態データから特徴量を抽出するニューラルネットワークを示す図である。 クラスタリング処理の結果を示す図である。 クラス毎の異常判定モデルを示す図である。 異常判定装置の動作の流れを示すフローチャートである。 ＦＦＴが適用された稼働状態データの一例を示す図である。 ラベリング処理の結果を示す図である。 異常判定モデルを用いた処理を示す図である。 最大・分散法に従って異常度を算出するための各パラメータを示すグラフである。 異常度の算出結果の一例を示す図である。 異常度の算出結果の一例を示す図である。

本実施形態では、異常判定の対象となるデータの異常度が算出される。具体的には、異常判定の対象となるデータが、複数のクラスのいずれかに分類される。当該データが分類されたクラスに対応する異常判定モデルによって、当該データの異常度が算出される。

正常な状態を表す正常データに対してクラスタリング処理を実行することでクラスタが得られ、複数のクラスのそれぞれは、そのクラスタに対応して定められる。

異常判定モデルは、同じクラスに属する複数の正常データを用いて、クラスタ毎に異なる学習によって生成されたモデルである。

異常判定の対象となるデータは、例えば、異常判定の対象となる装置の稼働状態を表す稼働状態データである。別の例として、異常判定の対象となるデータは、カメラ等の撮影装置による撮影によって生成された画像データ（例えば、静止画像データや動画像データ）であってもよい。これら以外のデータとして、時間に応じて特徴量が変化する時系列データが、異常判定の対象となってもよい。

以下では、異常判定の対象となるデータの一例として、装置の稼働状態を表す稼働状態データを例に挙げて、実施形態について説明する。稼働状態データの異常度が算出され、当該異常度に基づいて、装置の状態が異常であるか否かが判定される。

本実施形態では、装置の正常な稼働状態を表す正常稼働状態データを用いた学習によって、異常判定モデルが生成される。その生成された異常判定モデルによって、稼働状態データの異常度が算出される。

図１には、学習によって異常判定モデルを生成する学習装置が示されている。図２には、その異常判定モデルによって稼働状態データの異常度を算出して異常の有無を判定する異常判定装置が示されている。まず、図１を参照して学習装置について説明し、次に、図２を参照して異常判定装置について説明する。

実施形態に係る学習装置１０は、装置１２の稼働状態を表す稼働状態データを受け付け、学習によって異常判定モデルを生成する。

装置１２は、異常判定の対象となる装置であり、例えば、複数の異なる種類の作業を実行する機能や、複数の異なる種類の材料を加工する機能を有する装置である。装置１２は、作業や加工に伴って振動する装置である。装置１２は、作業や加工の種類や、加工される材料の種類によって、異なる振動を発し得る装置である。具体的には、装置１２は、ウェハ等の被加工物を研磨する研磨装置、旋盤、ＮＣ工作機械、又は、その他の工作機械である。装置１２が研磨装置である場合、装置１２は、研磨前の段階、研磨中、研磨終了の段階、及び、その後の動作（例えばステージ移動）の段階のそれぞれにて、異なる振動を発し得る。もちろん、装置１２は、研磨装置に限られず、作業や加工に伴って振動する装置であれば、どのような装置であってもよい。

センサ１４は、装置１２の稼働状態を計測し、装置１２の稼働状態を表す稼働状態データを学習装置１０に出力する。例えば、センサ１４は、装置１２の振動を計測する振動センサであり、装置１２の振動を表す振動データを装置１２の稼働状態データとして出力する。

学習装置１０は、データ収集部１６と、データ記憶部１８と、特徴量抽出部２０と、クラスタリング処理部２２と、ラベリングモデル学習部２４と、異常判定モデル学習部２６と、パラメータ算出部２８と、を含む。

データ収集部１６は、センサ１４から出力された稼働状態データを収集する。学習によって異常判定モデルを生成する段階では、装置１２の正常な稼働状態を表す正常稼働状態データがセンサ１４によって検出され、データ収集部１６は、正常稼働状態データを収集する。具体的には、異常な状態が発生しないことが確認された装置１２に一連の動作を実行させ、データ収集部１６は、その一連の動作が実行されているときの装置１２の状態を表す稼働状態データを、正常稼働状態データとして収集する。これにより、時系列データとしての正常稼働状態データが収集される。正常稼働状態データは、予め定められた時間毎に収集されたデータであってもよい。

装置１２が研磨装置である場合、装置１２の一連の動作として、研磨前の動作、研磨中の動作、研磨終了の動作、及び、その後の動作（例えばステージ移動）等が想定される。各動作における正常稼働状態データがセンサ１４によって検出され、データ収集部１６は、各動作における正常稼働状態データを収集する。

また、データ収集部１６は、正常稼働状態データに対して高速フーリエ変換（ＦＦＴ）等の信号処理を適用してもよい。データ収集部１６は、標準化処理や正規化処理等のスケーリング処理を、正常稼働状態データや信号処理後のデータに対して適用してもよい。

以下に説明する正常稼働状態データの概念の範疇には、センサ１４から出力された時系列データ、その時系列データに対してＦＦＴを適用することで生成されたＦＦＴデータ、及び、そのＦＦＴデータに対して標準化処理や正規化処理を適用することで生成されたデータが含まれる。

データ記憶部１８は、メモリやハードディスクドライブ等の記憶装置によって構成され、データ収集部１６によって収集された正常稼働状態データを記憶する。データ記憶部１８が学習装置１０に含まれずに、正常稼働状態データが、データ収集部１６から特徴量抽出部２０に出力されてもよい。

特徴量抽出部２０は、正常稼働状態データから当該正常稼働状態データの特徴量を抽出する。例えば、特徴量抽出部２０は、畳み込み層とプーリング層とを含むニューラルネットワーク（例えばＣＮＮ（Convolution Neural Network））を用いて特徴量を抽出する。別の例として、特徴量抽出部２０は、特徴量として、ピーク値、平均値、標準偏差、中央値、分散、歪度又は尖度等の値を抽出してもよい。

クラスタリング処理部２２は、正常稼働状態データに対して、正常稼働状態データの特徴量に基づくクラスタリング処理を実行する。このクラスタリング処理によって複数のクラスタが得られる。クラスタリング処理部２２は、クラスタに対応するクラスであって正常稼働状態データが属するクラスを特定し、各クラスのラベルを定める。クラスタリング処理部２２は、ラベル数を特定しない方法（例えばＭｅａｎＳｈｉｆｔ法）に従ってクラスタリング処理を実行してもよいし、ラベル数を特定する方法（例えばＫＭｅａｎｓ法）に従ってクラスタリング処理を実行してもよい。クラスタリング処理部２２は、これら以外の方法によって正常稼働状態データが属するクラスを特定してもよい。

クラスタリング処理に用いられた正常稼働状態データが属するクラスのラベルが、正解ラベルとして定められる。その正解ラベルが紐付けられた正常稼働状態データが、教師データとして用いられて、後述するラベリングモデルが生成される。

ラベリングモデル学習部２４は、正解ラベルが紐付けられた正常稼働状態データを教師データとして使用して学習することで、稼働状態データを複数のクラスのいずれかに分類するためのラベリングモデルを生成する。ラベリングモデルは、正常稼働状態データの特徴量とラベルとを紐付けるためのモデルであるといえる。ラベリングモデルを作成するための学習の種類は特に限定されず、どのような学習であってもよい。

異常判定モデル学習部２６は、同じクラスに属する複数の正常稼働状態データを用いて、クラス毎に異なる学習によって異常判定モデルを生成する。つまり、異常判定モデル学習部２６は、同じラベルが紐付けられた複数の正常稼働状態データを用いて学習判定モデルを生成する。これにより、クラス毎の異常判定モデルが生成される。異常判定モデルは、例えば、ニューラルネットワークによって構成され、入力されたデータを圧縮して特徴量を抽出し、その後、元の次元のデータに復元する処理を行う機能を有する。例えば、異常判定モデルは、入力層と、出力層と、入力層と出力層との間に配置され入力層と出力層と比べてニューロンの数が少ない中間層と、を含むオートエンコーダである。

パラメータ算出部２８は、クラス毎（つまりラベル毎）に、正常稼働状態データと異常判定モデルから出力された予測データとの差分を算出する。具体的には、正常稼働状態データが入力データとして異常判定モデルに入力され、当該正常稼働状態データの入力に対応して異常判定モデルから出力されたデータが、当該正常稼働状態データに対応する予測データである。また、パラメータ算出部２８は、その差分を表す差分データの最大値、平均値、標準偏差及び分散（例えば差分データの３σ範囲外のデータ個数）を、差分データのパラメータとして算出する。

パラメータ記憶部３０は、メモリやハードディスクドライブ等の記憶装置によって構成され、パラメータ算出部２８によって算出された各パラメータを記憶する。クラス毎の異常判定モデルが、パラメータ記憶部３０に記憶されてもよい。

以下、図２を参照して、実施形態に係る異常判定装置３２について説明する。実施形態に係る異常判定装置３２は、装置１２の稼働状態を表す稼働状態データを受け付け、稼働状態データを、当該稼働状態データの特徴量に基づいて、複数のクラスのいずれかに分類する。また、異常判定装置３２は、当該稼働状態データが分類されたクラスに対応する異常判定モデルによって、当該稼働状態データの異常度を算出する。異常判定モデルは、学習装置１０によって生成されたモデルである。異常判定装置３２は、異常度に基づいて、装置１２が異常であるか否かを判定する。

異常判定装置３２は、データ収集部３４と、データ記憶部３６と、特徴量抽出部３８と、ラベリング処理部４０と、異常判定処理部４２と、異常度算出部４４と、を含む。

データ収集部３４は、センサ１４から出力された稼働状態データを収集する。例えば、稼働状態データは、時系列データである。稼働状態データは、予め定められた時間毎に収集されたデータであってもよい。データ収集部３４は、ＦＦＴ等の信号処理やスケーリング処理を稼働状態データに適用してもよい。

以下に説明する稼働状態データの概念の範疇には、センサ１４から出力された時系列データ、その時系列データに対してＦＦＴを適用することで生成されたＦＦＴデータ、及び、そのＦＦＴデータに対して標準化処理や正規化処理を適用することで生成されたデータが含まれる。

データ記憶部３６は、メモリやハードディスクドライブ等の記憶装置によって構成され、データ収集部３４によって収集された稼働状態データを記憶する。データ記憶部３６が異常判定装置３２に含まれずに、稼働状態データが、データ収集部３４から特徴量抽出部３８に出力されてもよい。

特徴量抽出部３８は、稼働状態データから当該稼働状態データの特徴量を抽出する。例えば、特徴量抽出部３８は、畳み込み層とプーリング層とを含むニューラルネットワーク（例えばＣＮＮ）を用いて特徴量を抽出する。別の例として、特徴量抽出部３８は、特徴量として、ピーク値、平均値、標準偏差、中央値、分散、歪度又は尖度等の値を抽出してもよい。

ラベリング処理部４０は、稼働状態データに対してラベリング処理を実行することで、当該稼働状態データを、当該稼働状態データの特徴量に基づいて、複数のクラスのいずれかに分類する。ラベリング処理部４０は、ラベリングモデル学習部２４によって生成されたラベリングモデルを用いて、稼働状態データを複数のクラスのいずれかに分類する。別の例として、ラベリング処理部４０は、各クラスタの重心を求め、その重心からの距離に基づいて稼働状態データを分類してもよい。ラベリング処理部４０は、分類手段の一例に相当する。

異常判定処理部４２は、ラベリング処理部４０によって稼働状態データが分類されたクラスに対応する異常判定モデルを用いて、当該稼働状態データから予測データを算出する。この異常判定モデルは、異常判定モデル学習部２６によって生成されたモデルである。具体的には、稼働状態データが、当該稼働状態データが分類されたクラスに対応する異常判定モデルに入力データとして入力され、当該稼働状態データの入力に対応して異常判定モデルから出力されたデータが、当該稼働状態データに対応する予測データである。

異常度算出部４４は、稼働状態データの異常度を算出する。具体的には、異常度算出部４４は、異常判定モデルに入力された稼働状態データと、当該稼働状態データの入力に対応して異常判定モデルから出力された予測データと、の差分を算出し、その差分に基づいて、当該稼働状態データの異常度を算出する。異常度算出部４４は、その異常度に基づいて、装置１２の状態が異常であるか否かを判定する。例えば、異常度算出部４４は、異常度が閾値を超える場合、装置１２の状態が異常であると判定し、異常度が閾値以下である場合、装置１２の状態は正常であると判定する。

異常度算出部４４は、稼働状態データと予測データとの差分の最大値と分散を算出し、その最大値と分散とに基づいて異常度を算出してもよい。別の例として、異常度算出部４４は、稼働状態データと予測データとの差分にＭＴ法（マハラノビス・タグチ法）を適用することで異常度を算出してもよい。なお、異常判定処理部４２と異常度算出部４４は、異常判定手段の一例に相当する。

学習装置１０及び異常判定装置３２は、異なる装置であってもよいし、同じ装置であってもよい。また、異常判定装置３２は、異常判定の対象となる装置１２に搭載されたり取り付けられたりしてもよいし、装置１２に搭載されなくてもよい。学習装置１０及び異常判定装置３２は、例えば、コンピュータによって実現される。学習装置１０及び異常判定装置３２は、ネットワーク等の通信経路を介して稼働状態データや正常稼働状態データを受信するサーバ等の装置であってもよい。その通信にエッジコンピューティングが用いられてもよい。

以下、図３を参照して、異常判定装置３２のハードウェアの構成について説明する。図３は、異常判定装置３２のハードウェアの構成を示すブロック図である。

異常判定装置３２は、ハードウェアの構成として、ＵＩ４６ａと、通信装置４６ｂと、記憶装置４６ｃと、プロセッサ４６ｄと、を含む。

ＵＩ４６ａは、ユーザインターフェースであり、ディスプレイと入力装置とを含む。ディスプレイは、液晶ディスプレイ又はＥＬディスプレイ等である。入力装置は、キーボード、マウス、入力キー又は操作パネル等である。ＵＩ４６ａは、ディスプレイと入力装置とを兼ね備えたタッチパネル等のＵＩであってもよい。

通信装置４６ｂは、通信チップや通信回路等を有する１又は複数の通信インターフェースを含み、他の装置に情報を送信する機能、及び、他の装置から情報を受信する機能を有する。通信装置４６ｂは、近距離無線通信やＷｉ－Ｆｉ等の無線通信機能を有してもよいし、有線通信機能を有してもよい。

記憶装置４６ｃは、データを記憶する１又は複数の記憶領域を構成する装置である。記憶装置４６ｃは、例えば、ハードディスクドライブ（ＨＤＤ）、ソリッドステートドライブ（ＳＳＤ）、各種のメモリ（例えばＲＡＭ、ＤＲＡＭ、ＮＶＲＡＭ、ＲＯＭ、等）、その他の記憶装置（例えば光ディスク等）、又は、それらの組み合わせである。

プロセッサ４６ｄは、異常判定装置３２の各部の動作を制御する。プロセッサ４８は、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）、ＤＳＰ（Digital Signal Processor）、その他のプログラマブル論理デバイス、又は、電子回路等を含む。

図２に示される異常判定装置３２の各機能は、プロセッサ４６ｄによって実現される。各機能の実行に際して、記憶装置４６ｃが用いられてもよい。

例えば、異常判定装置３２の各機能は、ハードウェア資源とソフトウェア資源との協働により実現される。例えば、プロセッサ４６ｄを構成するＣＰＵが、記憶装置４６ｃに記憶されているプログラムを読み出して実行することで、各機能が実現される。プログラムは、ＣＤ又はＤＶＤ等の記録媒体を経由して、又は、ネットワーク等の通信経路を経由して、記憶装置４６ｃに記憶される。別の例として、電子回路等のハードウェア資源によって、異常判定装置３２の各機能が実現されてもよい。

また、学習装置１０も、図３に示されている構成と同様に、ＵＩと、通信装置と、記憶装置と、プロセッサとを含む。学習装置１０の各機能は、学習装置１０に含まれるプロセッサによって実現される。例えば、プロセッサに含まるＣＰＵがプログラムを実行することで、学習装置１０の各機能が実現される。電子回路等のハードウェア資源によって、学習装置１０の各機能が実現されてもよい。

以下、図４を参照して、学習装置１０の動作について説明する。図４には、学習装置１０の動作の流れを示すフローチャートが示されている。

まず、異常な状態が発生しないことが確認された装置１２に一連の動作を実行させ、データ収集部１６は、その状態でセンサ１４によって検出された正常稼働状態データを収集する（Ｓ０１）。データ収集部１６は、正常稼働状態データに対してＦＦＴ及びスケーリング処理を適用する。

次に、特徴量抽出部２０は、正常稼働状態データからＣＮＮを用いて特徴量を抽出する（Ｓ０２）。

次に、クラスタリング処理部２２は、正常稼働状態データに対してクラスタリング処理を実行し、抽出された特徴量に基づいて、正常稼働状態データが属するクラスを特定する（Ｓ０３）。

次に、ラベリングモデル学習部２４は、正常稼働状態データが属するクラスを当該正常稼働状態データに対する正解ラベルとして定め、その正解ラベルが紐付けられた正常稼働状態データを教師データとして使用して学習することで、ラベリングモデルを生成する（Ｓ０４）。

次に、学習によって異常判定モデルを生成するために、正常稼働状態データに対してスケーリング処理が適用される（Ｓ０５）。例えば、正常稼働状態データに対してＦＦＴが適用され、ＦＦＴによって生成されたデータに対してスケーリング処理が適用される。これらの処理は、例えば、データ収集部１６によって行われる。

次に、異常判定モデル学習部２６は、同じクラスに属する複数の正常稼働状態データを用いて、クラス毎に異なる学習によって異常判定モデルを生成する（Ｓ０６）。

パラメータ算出部２８は、クラス毎に、正常稼働状態データと異常判定モデルから出力された予測データとの差分を算出し、その差分データの最大値や分散等のパラメータを算出する（Ｓ０７）。各パラメータは、パラメータ記憶部３０に記憶される。

以下、図５から図９を参照して、学習装置１０の動作の具体例について説明する。一例として、装置１２は、ウェハを研磨する研磨装置であり、装置１２によって研磨される被加工物はＳｉウェハである。センサ１４は、加速度センサ等の振動センサであり、装置１２の振動を計測し、振動を表す振動データを稼働状態データとして出力する。研磨装置である装置１２の稼働状態として、「砥石回転」、「研磨中」、「研磨終了」及び「ステージ移動」があり、砥石回転、研磨中、研磨終了及びステージ移動の順番に、各動作が行われる。

図５には、正常稼働状態データの一例が模式的に示されている。装置１２が正常に動作する状態で、「砥石回転」、「研磨中」、「研磨終了」及び「ステージ移動」を含む一連の動作を、装置１２に実行させる。各動作の実行中に装置１２の振動がセンサ１４によって測定されることで、時系列データである振動データが得られる。データ収集部１６は、センサ１４から出力された振動データを正常稼働状態データとして収集する。

図５に示されている波形５０は、その振動データが表す振動の時間変化を示している。波形５０を表すグラフの横軸は時間を示しており、縦軸は振幅を示している。例えば、予め定められた時間Ｔ毎に振動データが正常稼働状態データとして収集される。

データ収集部１６は、時間Ｔ毎に収集された各振動データに対してＦＦＴを適用する。これにより、図５に示されているスペクトル群５２が生成される。各スペクトルの横軸は周波数を示しており、縦軸は振幅を示している。なお、図５には、各スペクトルは模式的に示されている。

例えば、振動データが時間Ｔ毎に収集されることで、１０２４点の振動データが得られる。１０２４点の振動データに対してＦＦＴが適用されることで、５１２点のスペクトルを表すデータが得られる。図６には、そのようにして得られたスペクトルを表す正常稼働状態データの一例が示されている。各スペクトルにおいて、横軸は周波数を示しており、縦軸は振幅を示している。

なお、データ収集部１６は、５１２点のスペクトルを表す正常稼働状態データに対して、以下の式（１）で定義される標準化処理を適用してもよい。
x_i=(x-mean(x))/std(x)・・・（１）

別の例として、データ収集部は、５１２点のスペクトルを表す正常稼働状態データに対して、以下の式（２）で定義される正規化処理を適用してもよい。
xi=(x-min(x))/(max(x)-min(x))・・・（２）

特徴量抽出部２０は、５１２点のスペクトルを表す正常稼働状態データから特徴量を抽出する。例えば、特徴量抽出部２０は、ＣＮＮを用いて特徴量を抽出する。図７には、ＣＮＮの構成の一例が示されている。ここでは一例として、畳み込み層（Ｃｏｎｖ２Ｄ）、最大値プーリング層（ＭａｘＰｏｏｌｉｎｇ２Ｄ）、畳み込み層（Ｃｏｎｖ２Ｄ）及び最大値プーリング層（ＭａｘＰｏｏｌｉｎｇ２Ｄ）の順番で各層が配置される。一例として、５１２点のスペクトルを表す正常稼働状態データが、ＣＮＮに入力され、各層にて処理が実行されることで、特徴量が抽出される。例えば、１５３６点の特徴量を表す特徴データが抽出される。なお、図７に示されている構成は一例に過ぎず、最大値プーリング層の代わりに平均値プーリング層等が用いられてもよい。

特徴量抽出部２０は、ＣＮＮを用いずに、正常稼働状態データのピーク値、平均値、標準偏差、中央値、分散、歪度又は尖度等を特徴量として抽出してもよい。

クラスタリング処理部２２は、図６に示されている各正常稼働状態データに対して、各正常稼働状態データの特徴量に基づくクラスタリング処理を実行する。例えば、クラスタリング処理部２２は、ＭｅａｎＳｈｉｆｔ法やＫＭｅａｎｓ法に従ってクラスタリング処理を実行する。

図８には、クラスタリング処理の結果の一例が示されている。図８に示されている正常稼働状態データ５４～７０は、時系列データである振動データに対してＦＦＴ処理を適用することで生成された、スペクトルを表すデータの一例である。

クラスタリング処理によって、例えばクラスタＡ，Ｂ，Ｃ，Ｄのそれぞれに対応するクラスＡ，Ｂ，Ｃ，Ｄが定められる。正常稼働状態データ５４は、クラスＢに属するデータであるため、クラスＢを示すラベルＢが、正常稼働状態データ５４に紐付けられる。正常稼働状態データ５６～６６のそれぞれは、クラスＡに属するデータであるため、クラスＡを示すラベルＡが、正常稼働状態データ５６～６６のそれぞれに紐付けられる。正常稼働状態データ６８は、クラスＤに属するデータであるため、クラスＤを示すラベルＤが、正常稼働状態データ６８に紐付けられる。正常稼働状態データ７０は、クラスＣに属するデータであるため、クラスＣを示すラベルＣが、正常稼働状態データ７０に紐付けられる。正常稼働状態データ５４～７０以外の各正常稼働状態データに対しても、特徴量に基づくクラスタリング処理が実行されることで、各正常稼働状態データにラベルが紐付けられる。正常稼働状態データに紐付けられたラベルが、当該正常稼働状態データに対する正解ラベルとして定められる。

例えば、正常稼働状態データ５４は、「砥石回転」の状態を表すデータである。正常稼働状態データ５６～６６は、「研磨中」の状態を表すデータである。正常稼働状態データ６８は、「研磨終了」の状態を表すデータである。正常稼働状態データ７０は、「ステージ移動」の状態を表すデータである。

ラベリングモデル学習部２４は、ラベルＡ，Ｂ，Ｃ，Ｄ等の各ラベルが正解ラベルとして紐付けられた各正常稼働状態データを教師データとして使用して学習することで、稼働状態データを複数のクラスのいずれかに分類するためのラベリングモデルを生成する。

図９に示すように、異常判定モデル学習部２６は、ラベルＡが紐付けられた正常稼働状態データをラベルＡ用の教師データとして使用して学習することで、ラベルＡ用の異常判定モデルを生成する。同様に、異常判定モデル学習部２６は、ラベルＢが紐付けられた正常稼働状態データをラベルＢ用の教師データとして使用して学習することで、ラベルＢ用の異常判定モデルを生成する。同様に、異常判定モデル学習部２６は、ラベルＣが紐付けられた正常稼働状態データをラベルＣ用の教師データとして使用して学習することで、ラベルＣ用の異常判定モデルを生成する。他のラベルについても同様に、当該他のラベル用の異常判定モデルが生成される。これらの異常判定モデルは、例えば、オートエンコーダである。

パラメータ算出部２８は、ラベルＡが紐付けられた正常稼働状態データをラベルＡ用の異常判定モデルに入力し、その入力に応じてラベルＡ用の異常判定モデルから出力された予測データとその入力された正常稼働状態データとの差分を算出して差分データを生成する。パラメータ算出部２８は、ラベルＡが紐付けられた各正常稼働状態データについて差分を算出する。これにより、ラベルＡについて複数の差分データが生成される。パラメータ算出部２８は、当該複数の差分データのうちの最大値、平均値、標準偏差及び分散（例えば差分データの３σ範囲外のデータ個数）を、ラベルＡについての差分データのパラメータとして算出する。パラメータ算出部２８は、ラベルＢ，Ｃ，・・・のそれぞれについても同様に各パラメータを算出する。各ラベルの各パラメータは、パラメータ記憶部３０に記憶される。

以下、図１０を参照して、装置１２の状態を監視するときの異常判定装置３２の動作（つまり装置１２の異常判定方法）について説明する。図１０には、異常判定装置３２の動作の流れを示すフローチャートが示されている。

まず、データ収集部３４は、センサ１４によって検出された稼働状態データを収集し、稼働状態データに対してＦＦＴ及びスケーリング処理を適用する（Ｓ１１）。

次に、特徴量抽出部３８は、稼働状態データからＣＮＮを用いて特徴量を抽出する（Ｓ１２）。

次に、ラベリング処理部４０は、ラベリングモデル学習部２４によって生成されたラベリングモデルを用いて、稼働状態データを、当該稼働状態データの特徴量に基づいて、複数のクラスのいずれかに分類する（Ｓ１３）。つまり、ラベリング処理部４０は、稼働状態データについてのラベルを特定する。なお、ラベリング処理によって特定されたラベルの一致度が閾値未満である場合、ラベリング処理部４０は、当該稼働状態データは不良データであると判定してもよい。

次に、異常判定を行うために、稼働状態データに対してスケーリング処理が適用される（Ｓ１４）。例えば、稼働状態データに対してＦＦＴが適用され、ＦＦＴによって生成されたデータに対してスケーリング処理が適用される。これらの処理は、例えば、データ収集部３４によって行われる。

次に、異常判定処理部４２は、ステップＳ１３にて分類されたクラスに対応する異常判定モデルに稼働状態データを入力し、当該稼働状態データに対応する予測データを算出する（Ｓ１５）。

次に、異常度算出部４４は、稼働状態データと、当該稼働状態データに対応する予測データと、の差分を算出し、その差分に基づいて当該稼働状態データの異常度を算出する（Ｓ１６）。

異常度算出部４４は、その異常度に基づいて、装置１２の状態が異常であるか否かを判定する（Ｓ１７）。異常度算出部４４は、その異常度が閾値を超える場合、装置１２は異常であると判定し、その異常度が閾値以下である場合、装置１２は正常であると判定する。

判定結果は、例えば、ＵＩ４６ａのディスプレイに表示されてもよいし、予め設定された端末装置（例えば、パーソナルコンピュータ、スマートフォン又は携帯電話等）に送信されてもよい。例えば、装置１２が異常であると判定された場合、その旨を示す情報が、ディスプレイに表示されたり、端末装置に送信されて表示されたりする。同様に、装置１２が異常ではないと判定された場合、その旨を示す情報が、ディスプレイに表示されたり、端末装置に送信されて表示されたりする。

なお、装置１２が異常であると判定された場合に、異常である旨を示す情報が表示されたり送信されたりし、装置１２が異常ではないと判定された場合には、異常ではない旨を示す情報は表示されたり送信されたりしなくてもよい。

また、装置１２が異常であると判定された場合、異常であると判定された稼働状態を示す情報が、ディスプレイに表示されたり、端末装置に送信されたりしてもよい。

以下、図１１から図１５を参照して、異常判定装置３２の動作の具体例について説明する。一例として、装置１２は、ウェハを研磨する研磨装置であり、装置１２によって研磨される加工物はＳｉウェハである。センサ１４は、加速度センサ等の振動センサであり、装置１２の振動を計測し、振動を表す振動データを稼働状態データとして出力する。

データ収集部３４は、時間Ｔ毎に収集された各振動データに対してＦＦＴを適用する。例えば、時系列データである振動データが時間Ｔ毎に収集されることで、１０２４点の振動データが得られる。１０２４点の振動データに対してＦＦＴが適用されることで、５１２点のスペクトルを表すデータが得られる。図１１には、ある時間に得られたスペクトルを表す稼働状態データ７２が示されている。図１１において、横軸は周波数を示しており、縦軸は振幅を示している。なお、データ収集部３４は、スペクトルを表す稼働状態データに対して、上述した式（１）で定義される標準化処理、又は、上述した式（２）で定義される正規化処理を適用してもよい。

特徴量抽出部３８は、５１２点のスペクトルを表す稼働状態データから特徴量を抽出する。例えば、特徴量抽出部３８は、ＣＮＮ(例えば図７に示されているＣＮＮ)を用いて特徴量を抽出する。特徴量抽出部３８は、ＣＮＮを用いずに、稼働状態データのピーク値、平均値、標準偏差、中央値、分散、歪度又は尖度等を特徴量として抽出してもよい。

次に、図１２に示すように、ラベリング処理部４０は、ラベリングモデル学習部２４によって生成されたラベリングモデルを用いて、稼働状態データ７２を、稼働状態データ７２の特徴量に基づいて、複数のクラスのいずれかに分類する。図１２に示す例では、ラベリング処理部４０は、稼働状態データ７２をクラスＡに分類し、稼働状態データ７２にラベルＡを紐付ける。

次に、図１３に示すように、異常判定処理部４２は、クラスＡに対応する異常判定モデルに稼働状態データ７２を入力し、稼働状態データ７２に対応する予測データ７４を出力する。異常度算出部４４は、入力された稼働状態データ７２と出力された予測データ７４との差分を算出する。

稼働状態データ７２以外の稼働状態データについても、いずれかのクラスに分類されてラベルが紐付けられ、当該稼働状態データが分類されたクラスに対応する異常判定モデルを用いて予測データが算出され、予測データに対する差分が算出される。

例えば、異常度算出部４４は、以下の式（３）で定義される最大・分散法に従って異常度を算出する。
式（３）中の各パラメータは以下に示すように定義される。また、図１４には、各パラメータが示されている。
Anomaly level：異常度
Def_train：正常稼働状態データから学習時に算出された、正常稼働状態データと予測データとの差分(ラベル毎の差分)
Def_test：装置１２の状態監視時に算出された稼働状態データと予測データとの差分
Max()：最大値
Count()：正常稼働状態データから学習時に算出された、正常稼働状態データと予測データとの差分のうち３σの範囲外のデータ個数

異常度算出部４４は、式（３）を用いて算出された異常度が閾値を超える場合、装置１２の状態が異常であると判定し、その異常度が閾値以下である場合、装置１２の状態は正常であると判定する。

図１５を参照して、異常度の算出結果について説明する。図１５には、異常度の算出結果の具体例が示されている。ここでは、最大・分散法に従って異常度が算出されている。

センサ１４として、センサα又はセンサβが用いられた。センサαは、６軸の振動センサ（例えば、３軸の加速度と３軸の角速度を検出するセンサ）である。センサβは、１軸の振動センサである。学習用の正常稼働状態データとして、Ｓｉウェハの研磨中の振動を表す振動データが用いられた。

算出結果７６～８２は、最大・分散法に従って算出された異常度である。算出結果７６，７８は、センサ１４としてセンサαが用いられた場合の算出結果である。算出結果８０，８２は、センサ１４としてセンサβが用いられた場合の算出結果である。

算出結果７６，８０は、実施形態に係るクラスタリング処理が適用された場合の算出結果である。算出結果７６，８０が示す異常度は、クラスタリング処理によって状態「研磨中」にラベリングされた稼働状態データを用いて算出された値である。状態「研磨中」にラベリングされた稼働状態データは複数あり、算出された異常度の最大値、平均値及び最小値が、それぞれプロットされている。

算出結果７８，８２は、クラスタリング処理が適用されていない場合の算出結果（比較例に係る算出結果）である。

各算出結果において、「正常状態」に対応する異常度は、正常稼働状態データに基づいて算出された値である。「過負荷」に対応する異常度は、ウェハの回転量を増加させた状態で得られた稼働状態データに基づいて算出された値である。「異常」に対応する異常度は、ウェハ割れが発生した状態で得られた稼働状態データに基づいて算出された値である。「異種材料」に対応する異常度は、Ｓｉウェハとは異なる材料（例えばグリーンカーボン）について得られた稼働状態データに基づいて算出された値である。

算出結果７６，８０と算出結果７８，８２とを比較すると、クラスタリング処理が適用された場合、異常度によって、「正常状態」、「過負荷」及び「異常」のそれぞれを識別することができる。つまり、「正常状態」、「過負荷」及び「異常」を区別して、装置１２の状態がいずれの状態であるのかを判別することができる。また、「異種材料」についても、クラスタリング処理が適用された算出結果によれば、Ｓｉウェハとは別のラベルとして分類することができる。つまり、種類の異なる複数の材料を区別して、装置１２が異常であるか否かを判定することができる。

異常度算出部４４は、ＭＴ法を適用することで異常度を算出してもよい。ＭＴ法では、マハラノビス距離が異常度として算出され、その算出されたマハラノビス距離が閾値を超える場合、装置１２の状態が異常であると判断される。図１６には、ＭＴ法に従って算出された異常度が示されている。

算出結果８４～９０は、ＭＴ法に従って算出された異常度である。算出結果８４，８６は、センサαが用いられた場合の算出結果である。算出結果８８，９０は、センサβが用いられた場合の算出結果である。算出結果８４，８８は、実施形態に係るクラスタリング処理が適用された場合の算出結果である。算出結果８６，９０は、クラスタリング処理が適用されていない場合の算出結果である。

ＭＴ法によって算出された異常度によっても、「正常状態」、「過負荷」及び「異常」のそれぞれを識別することができるが、センサの種類によっては、「過負荷」と「異常」の識別が困難な場合がある。これに対して、図１５に示されている最大・分散法によれば、ＭＴ法と比べて、より高い精度で「過負荷」と「異常」を識別することができる。

以上のように、本実施形態に係る異常判定装置３２及び異常判定方法によれば、クラス毎に学習によって生成された異常判定モデルを用いて異常度が算出され、装置１２の異常の有無が判定される。あるクラスの異常判定モデルは、当該クラスに属する正常稼働状態データの特徴が反映されたモデルであるため、当該クラスに対応する稼働状態における装置１２の異常の有無を精度良く判定することができる。例えば、「研磨中」の異常判定モデルは、「研磨中」の正常稼働状態データの特徴が反映されたモデルであるため、「研磨中」の装置１２の異常の有無を精度良く判定することができる。これにより、クラス毎に異常判定モデルを分けずに１つの異常判定モデルによって異常度を算出する場合と比べて、異常の有無の判定の精度を向上させることができる。

また、装置１２の各動作状態を特定するための特別の構成を追加せずに、クラス毎の異常判定モデルを生成することができる。例えば、各動作状態を特定するために、装置１２や制御装置から、動作状態を示す信号を取り出すことが考えられるが、この場合、信号を取り出すための特別の構成を追加する必要がある。本実施形態によれば、学習によってラベリングモデルを生成し、そのラベリングモデルによって稼働状態データを分類しているので、そのような特別の構成を追加する必要がない。

また、本実施形態においては、正常稼働状態データを用いた学習によって異常判定モデルが生成される。つまり、装置１２に異常が発生したときの稼働状態データを用いずに異常判定モデルが生成される。実際の現場で異常時の稼働状態データを収集することは極めて困難であり現実的でないため、異常時の稼働状態データを用いて学習することは現実的ではない。これに対して、本実施形態によれば、異常時の稼働状態データを用いずに異常判定モデルを生成するため、様々な装置１２や現場について異常判定モデルを生成して、異常の有無を精度良く判定することができる。

また、本実施形態によれば、被加工物（例えば、ウェハやワーク）が破損する前に、装置１２の異常を検知することができる。つまり、時間軸上に並んだ複数の工程を含む一連のシーケンスを対象として、工程毎の異常判定モデルが生成され、工程毎に異常の有無が判定される。これにより、被加工物が破損する前の工程の段階で異常を検知して、被加工物の破損を防止することができる。

また、ラベル数を特定しない方法（例えばＭｅａｎＳｈｉｆｔ法）に従ったクラスタリング処理によって、人が認識していないクラスを設定して、稼働状態データをクラス分けすることができる。例えば、装置１２が、材料を加工する装置である場合、「加工開始直後」、「加工中」及び「加工終了間際」の各作業工程で、稼働状態データの傾向が大きく異なることがある。この場合、実施形態に係るクラスタリング処理を適用することで、「加工開始直後」、「加工中」及び「加工終了間際」のそれぞれに対応するクラスが設定され、各クラスに対応する異常判定モデルが生成される。その結果、各クラスに対応する異常判定モデルを用いずに異常度を算出して装置１２の異常の有無を判定する場合と比べて、より正確に異常度を算出して装置１２の異常の有無を判定することができる。

実施形態と比較して、人が装置１２の作業工程毎にクラスを設定することが考えられる。この場合、人が認識していないデータの傾向に基づいてクラスが設定されないため、人が認識していないクラスに稼働状態データをクラス分けすることができない。仮に、人が「加工中」と「加工終了間際」とでデータの傾向に差があることを認識しておらず、「加工中」と「加工終了間際」とを同じクラスに設定した場合、「加工中」と「加工終了間際」とを正確に区別して、それぞれの作業工程で発生し得る異常を正確に判定することが困難となる。これに対して、本実施形態によれば、「加工中」と「加工終了間際」とが区別されるので、それぞれの作業工程で発生し得る異常を正確に判定することができる。

以下、実施形態の各変形例について説明する。

（変形例１）
変形例１では、予め定められた順番に従って装置１２にて実行される複数の作業が定められている。例えば、作業Ａ，Ｂ，Ｃの順番で各作業が実行される一連のシーケンスが装置１２に設定されており、そのシーケンスを示す情報が、異常判定装置３２の記憶装置に予め記憶されている。クラスは、複数の作業のいずれかに対応している。例えば、クラスＡは作業Ａに対応し、クラスＢは作業Ｂに対応し、クラスＣは作業Ｃに対応している。

ラベリング処理部４０は、上述した実施形態と同様に、ラベリングモデル学習部２４によって生成されたラベリングモデルを用いて、稼働状態データを、当該稼働状態データの特徴量に基づいて、複数のクラスのいずれかに分類する。

ラベリング処理部４０は、予め定められた順番から外れた分類が行われた場合、異常が発生したと判定し、その判定結果（異常を示す判定結果）を出力する。例えば、作業Ｃに分類される稼働状態データ群が発生した後に、作業Ａ又は作業Ｂに分類される稼働状態データが発生した場合、ラベリング処理部４０は、異常が発生したと判定し、その判定結果を出力する。例えば、その判定結果が、ディスプレイに表示されたり、端末装置に送信されたりする。

変形例１によれば、稼働状態データを分類する段階で、装置１２の異常を検知することができる。これにより、異常度を算出して装置１２の異常の有無を判定する場合と比べて、より早い段階で、装置１２の異常を検知することができる。

（変形例２）
上述した実施形態では、センサ１４として振動センサが用いられているが、振動センサ以外のセンサが出力したデータに実施形態が適用されてもよい。例えば、カメラによる撮影によって生成された画像データに対して、稼働状態データと同様に実施形態が適用される。

ここでは一例として、定点監視カメラによって撮影が行われる場合について説明する。定点監視カメラによって撮影が行われる場合、撮影の時間帯によって周囲の明るさが異なるため、撮影の時間帯に応じて、定点監視カメラによる撮影によって生成された画像データの明度に差が生じる。例えば、朝に撮影された画像データ、昼に撮影された画像データ、及び、夜に撮影された画像データでは、それぞれ明度が異なる。クラスタリング処理によって、明度毎に画像データを分類することで、周囲の環境に影響されることなく、異物や不審者等の異常を精度良く検知することができる。具体的には、以下の処理によって、異常判定モデルが生成されて、異常の有無が判定される。

まず、異常が発生していない状態の撮影場所（例えば、異物や不審者が存在しない状態の撮影場所）が、定点監視カメラによって撮影されることで、正常な状態を表す正常画像データが生成される。例えば、朝、昼及び夜の時間帯にわたって撮影が行われる。定点監視カメラによって、撮影場所が１日以上連続して撮影されてもよい。

学習装置１０の特徴量抽出部２０は、定点監視カメラから出力された正常画像データから特徴量を抽出する。クラスタリング処理部２２は、定点監視カメラから出力された正常画像データに対してクラスタリング処理を適用することで、明度毎にクラスを定めて、各正常画像データが属するクラスを特定する。

ラベリングモデル学習部２４は、そのクラスを正解ラベルと定義し、その正解ラベルが紐付けられた正常画像データを教師データとして用いて学習することで、ラベリングモデルを生成する。これにより、画像データを明度に対応するクラスに分類するためのラベリングモデルが生成される。

異常判定モデル学習部２６は、同じクラスに属する複数の正常画像データを用いて、クラス毎に異なる学習によって異常判定モデルを生成する。これにより、時間帯毎の異常判定モデルが生成される。例えば、朝用の異常判定モデル、昼用の異常判定モデル、及び、夜用の異常判定モデルが生成される。

撮影場所の異常の有無を判定する場合、異常判定装置３２の特徴量抽出部３８は、定点管理カメラから出力された画像データから特徴量を抽出する。ラベリング処理部４０は、ラベリングモデル学習部２４によって生成されたラベリングモデルを用いて、画像データを複数のクラスのいずれかに分類する。異常判定処理部４２は、ラベリング処理部４０によって画像データが分類されたクラスに対応する異常判定モデルを用いて、当該画像データから予測データを算出する。異常度算出部４４は、異常判定モデルに入力された画像データと、当該画像データの入力に対応して異常判定モデルから出力された予測データと、の差分を算出し、その差分に基づいて、画像データに異常が発生しているか否かを判定する。異常度算出部４４は、上述した最大・分散法やＭＴ法によって異常度を算出する。例えば、画像データが昼のクラスに分類された場合、昼用の異常判定モデルを用いて予測データが算出されて、異常度が算出される。一方、画像データが夜のクラスに分類された場合、夜用の異常判定モデルを用いて予測データが算出されて、異常度が算出される。異常度算出部４４は、異常度が閾値を超えている場合、撮影場所にて異常が発生していると判定し、異常度が閾値以下である場合、撮影場所にて異常が発生していないと判定する。

（変形例３）
装置１２にて複数の異なるワークが加工される場合、加工される各ワークがカメラによって撮影され、画像データによって異常の有無が判定されてもよい。

例えば、複数の異なるワークが、順次、装置１２に供給され、各ワークがカメラによって撮影されることで画像データが生成される。正常画像データに対してクラスタリング処理が実行されることで、ワーク毎のクラスが定められ、画像データをワークに対応するクラスに分類するためのラベリングモデルが生成される。また、ワーク毎の異常判定モデルが生成される。

異常を判定するときに撮影された画像データが、ラベリングモデルによって、複数のクラスのいずれかに分類され、当該画像データが分類されたクラスに対応する異常判定モデルを用いて予測データが算出されて、異常度が算出される。その異常度に基づいて、装置１２やワークに異常が発生しているか否かが判定される。

変形例３によれば、ワークの切替処理を行わずに、装置１２やワークの異常の有無を判定することができる。また、複数種類のワークが混在している場合であっても、異常の有無を判定することができる。

１０ 学習装置、１２ 装置、１４ センサ、２０，３８ 特徴量抽出部、２２ クラスタリング処理部、２４ ラベリングモデル学習部、２６ 異常判定モデル学習部、２８ パラメータ算出部、３２ 異常判定装置、４０ ラベリング処理部、４２ 異常判定処理部、４４ 異常度算出部。

Claims (10)

1. コンピュータが、センサが出力した装置の稼働状態を表す稼働状態データを、前記稼働状態データの特徴量に基づいて、複数のクラスのいずれかに分類する分類ステップと、
   コンピュータが、前記稼働状態データが分類されたクラスに対応する異常判定モデルによって、前記稼働状態データの異常度を算出する異常判定ステップと、
   を含み、
   前記複数のクラスのそれぞれは、前記センサが出力した正常な稼働状態を表す正常稼働状態データに対して、前記正常稼働状態データの特徴量に基づくクラスタリング処理を実行することで得られたクラスタに対応して定められ、
   前記異常判定モデルは、同じクラスに属する複数の正常稼働状態データを用いて、クラスタ毎に異なる学習によって生成されたモデルであり、
   予め定められた順番に従って実行される複数の作業が定められており、
   前記複数のクラスのそれぞれは、前記複数の作業のいずれかに対応しており、
   前記分類ステップにて、前記予め定められた順番から外れた分類が行われた場合、コンピュータは、異常の判定結果を出力する、
   異常判定方法。
2. 稼働状態データ及び正常稼働状態データは、前記装置による異なる種類の作業動作毎又は異なる種類の材料の加工動作毎に前記センサが出力したデータである、
   請求項１に記載の異常判定方法。
3. 稼働状態データ及び正常稼働状態データは、予め定められた時間毎に収集された、前記装置の振動に基づくデータである、
   請求項２に記載の異常判定方法。
4. 前記分類ステップでは、コンピュータが、ラベリングモデルを用いて稼働状態データを前記複数のクラスのいずれかに分類し、
   前記クラスタリング処理に用いられた正常稼働状態データが属するクラスが、正解ラベルとして定められ、
   前記ラベリングモデルは、正解ラベルが紐付けられた正常稼働状態データを教師データとして使用して学習することで生成されたモデルである、
   請求項１に記載の異常判定方法。
5. 前記異常判定モデルは、オートエンコーダであり、前記オートエンコーダに入力された稼働状態データと前記オートエンコーダから出力された予測データとの差分に基づいて、稼働状態データの異常度を算出する、
   請求項１に記載の異常判定方法。
6. 前記異常判定ステップでは、コンピュータが、前記差分の最大値と分散とに基づいて前記異常度を算出する、
   請求項５に記載の異常判定方法。
7. 前記異常判定ステップでは、コンピュータが、前記差分にＭＴ法を適用することで前記異常度を算出する、
   請求項５に記載の異常判定方法。
8. 特徴量抽出ステップを更に含み、
   稼働状態データは、時系列データであり、
   前記特徴量抽出ステップでは、コンピュータが、稼働状態データに対して高速フーリエ変換を適用し、畳み込み層とプーリング層とを含むニューラルネットワークを用いて特徴量を抽出する、
   請求項１に記載の異常判定方法。
9. センサが出力した装置の稼働状態を表す稼働状態データを、前記稼働状態データの特徴量に基づいて、複数のクラスのいずれかに分類する分類手段と、
   前記稼働状態データが分類されたクラスに対応する異常判定モデルによって、前記稼働状態データの異常度を算出する異常判定手段と、
   を含み、
   前記複数のクラスのそれぞれは、前記センサが出力した正常な稼働状態を表す正常稼働状態データに対して、前記正常稼働状態データの特徴量に基づくクラスタリング処理を実行することで得られたクラスタに対応して定められ、
   前記異常判定モデルは、同じクラスに属する複数の正常稼働状態データを用いて、クラス毎に異なる学習によって生成されたモデルであり、
   予め定められた順番に従って実行される複数の作業が定められており、
   前記複数のクラスのそれぞれは、前記複数の作業のいずれかに対応しており、
   前記予め定められた順番から外れた分類が行われた場合、前記分類手段は、異常の判定結果を出力する、
   異常判定装置。
10. コンピュータを、
    センサが出力した装置の稼働状態を表す稼働状態データを、前記稼働状態データの特徴量に基づいて、複数のクラスのいずれかに分類する分類手段、
    前記稼働状態データが分類されたクラスに対応する異常判定モデルによって、前記稼働状態データの異常度を算出する異常判定手段、
    として機能させ、
    前記複数のクラスのそれぞれは、前記センサが出力した正常な稼働状態を表す正常稼働状態データに対して、前記正常稼働状態データの特徴量に基づくクラスタリング処理を実行することで得られたクラスタに対応して定められ、
    前記異常判定モデルは、同じクラスに属する複数の正常稼働状態データを用いて、クラス毎に異なる学習によって生成されたモデルであり、
    予め定められた順番に従って実行される複数の作業が定められており、
    前記複数のクラスのそれぞれは、前記複数の作業のいずれかに対応しており、
    前記予め定められた順番から外れた分類が行われた場合、前記分類手段は、異常の判定結果を出力する、
    プログラム。

Images