JP7480080B2 - 情報処理方法、情報処理装置、成形機システム及びコンピュータプログラム - Google Patents

情報処理方法、情報処理装置、成形機システム及びコンピュータプログラム Download PDF

Info

Publication number
JP7480080B2
JP7480080B2 JP2021026384A JP2021026384A JP7480080B2 JP 7480080 B2 JP7480080 B2 JP 7480080B2 JP 2021026384 A JP2021026384 A JP 2021026384A JP 2021026384 A JP2021026384 A JP 2021026384A JP 7480080 B2 JP7480080 B2 JP 7480080B2
Authority
JP
Japan
Prior art keywords
learning model
molding machine
value data
sensor value
company
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
Application number
JP2021026384A
Other languages
English (en)
Other versions
JP2022128069A (ja
Inventor
幹央 風呂川
潤 鈴木
峻之 平野
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Japan Steel Works Ltd
Original Assignee
Japan Steel Works Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Priority to JP2021026384A priority Critical patent/JP7480080B2/ja
Application filed by Japan Steel Works Ltd filed Critical Japan Steel Works Ltd
Priority to PCT/JP2022/006321 priority patent/WO2022176937A1/ja
Priority to KR1020237028330A priority patent/KR20230147626A/ko
Priority to CN202280016208.5A priority patent/CN116868221A/zh
Priority to EP22756255.0A priority patent/EP4296932A1/en
Priority to US18/277,551 priority patent/US20240126244A1/en
Priority to TW111105981A priority patent/TW202303317A/zh
Publication of JP2022128069A publication Critical patent/JP2022128069A/ja
Application granted granted Critical
Publication of JP7480080B2 publication Critical patent/JP7480080B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C48/00—Extrusion moulding, i.e. expressing the moulding material through a die or nozzle which imparts the desired form; Apparatus therefor
    • B29C48/25—Component parts, details or accessories; Auxiliary operations
    • B29C48/92—Measuring, controlling or regulating
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/10—Office automation; Time management
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y10/00—Economic sectors
    • G16Y10/25—Manufacturing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y20/00—Information sensed or collected by the things
    • G16Y20/20—Information sensed or collected by the things relating to the thing itself
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
    • G16Y40/00—IoT characterised by the purpose of the information processing
    • G16Y40/20—Analytics; Diagnosis
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31356—Automatic fault detection and isolation
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31455—Monitor process status
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45244—Injection molding

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Mechanical Engineering (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Operations Research (AREA)
  • General Factory Administration (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Extrusion Moulding Of Plastics Or The Like (AREA)

Description

本発明は、情報処理方法、情報処理装置、成形機システム及びコンピュータプログラムに関する。
特許文献１には、射出成形機に係るデータを取得し、学習モデルを用いて射出成形機の異常を推定する状態判定装置が開示されている。特許文献１に係る状態判定装置は、複数の学習モデルを記憶しており、取得した射出成形機に係るデータを分類し、分類されたデータを対応する学習モデルに入力することにより、効率良くかつ精度良く射出成形機の異常を推定する。例えば、状態判定装置は射出成形の工程毎にデータを分類し、各工程における異常を推定する。
特開２０２０－６６１７８号公報
本開示の目的は、複数の企業から製造装置のセンサ値データを収集することによってバリエーションに富み、かつ状態検知精度に優れた複数の学習モデルを用意し、情報処理装置の使用者である個々の企業が必要とする学習モデル又は最適な学習モデルを適宜選択して利用することができる情報処理方法、情報処理装置、成形機システム及びコンピュータプログラムを提供することにある。
なお、特許文献１に開示された状態判定装置は、単に複数の各工程に対応した学習モデルを記憶しているのみで、バリエーション豊かに用意された学習モデルから使用者所望の学習モデルを選択して利用することが可能な構成ではない。また、バリエーション豊かで、製造装置の状態検知精度に優れた学習モデルを生成又は更新するために必要な十分なセンサ値データを収集する仕組みは開示されていない。
本開示に係る情報処理方法は、複数の企業がそれぞれ使用する複数の製造装置の状態を検知する情報処理方法であって、前記複数の企業がそれぞれ使用する前記複数の製造装置に係る物理量を検出して得られるセンサ値データを取得し、前記複数の製造装置から得られたセンサ値データを、該製造装置を使用する企業毎に用意した複数のデータベースに各別に格納し、前記複数のデータベースに格納されたセンサ値データに基づいて、前記製造装置の状態を検知するための複数の学習モデルを機械学習により生成し又は更新し、前記企業の識別情報と、該企業によって選択された一又は複数の前記学習モデルを示すモデル選択情報とを対応付けて記憶し、一の企業の前記製造装置から取得したセンサ値データを、該一の企業の前記識別情報に対応付けられた前記モデル選択情報が示す一又は複数の前記学習モデルに入力することによって該一の企業の前記製造装置の状態を算出する。
本開示に係る情報処理装置は、複数の企業がそれぞれ使用する複数の製造装置の状態を検知する情報処理装置であって、前記複数の企業がそれぞれ使用する前記複数の製造装置に係る物理量を検出して得られるセンサ値データを取得する取得部と、前記複数の製造装置から得られたセンサ値データを、該製造装置を使用する企業毎に各別に格納する複数のデータベースと、処理部とを備え、前記処理部は、前記複数のデータベースに格納されたセンサ値データに基づいて、前記製造装置の状態を検知するための複数の学習モデルを機械学習により生成し又は更新し、前記企業の識別情報と、該企業によって選択された一又は複数の前記学習モデルを示すモデル選択情報とを対応付けて記憶し、一の企業の前記製造装置から取得したセンサ値データを、該一の企業の前記識別情報に対応付けられた前記モデル選択情報が示す一又は複数の前記学習モデルに入力することによって該一の企業の前記製造装置の状態を算出する。
本開示に係る成形機システムは、前記情報処理装置と、成形機とを備え、前記情報処理装置は、前記成形機の状態を検知するようにしてある。
本開示に係るコンピュータプログラムは、複数の企業がそれぞれ使用する複数の製造装置の状態を検知する処理をコンピュータに実行させるためのコンピュータプログラムであって、前記複数の企業がそれぞれ使用する前記複数の製造装置に係る物理量を検出して得られるセンサ値データを取得し、前記複数の製造装置から得られたセンサ値データを、該製造装置を使用する企業毎に用意した複数のデータベースに各別に格納し、前記複数のデータベースに格納されたセンサ値データに基づいて、前記製造装置の状態を検知するための複数の学習モデルを機械学習により生成し又は更新し、前記企業の識別情報と、該企業によって選択された一又は複数の前記学習モデルを示すモデル選択情報とを対応付けて記憶し、一の企業の前記製造装置から取得したセンサ値データを、該一の企業の前記識別情報に対応付けられた前記モデル選択情報が示す一又は複数の前記学習モデルに入力することによって該一の企業の前記製造装置の状態を算出する処理を前記コンピュータに実行させる。
本開示によれば、複数の企業から製造装置のセンサ値データを収集することによってバリエーションに富み、かつ状態検知精度に優れた複数の学習モデルを用意し、情報処理装置の使用者である個々の企業が必要とする学習モデル又は最適な学習モデルを適宜選択して利用することができる。
本実施形態１に係る成形機システムの全体構成を示すブロック図である。 本実施形態１に係る成形機システムの詳細構成を示すブロック図である。 本実施形態１に係る成形機の構成例を示す模式図である。 本実施形態１に係るエッジコンピュータの構成例を示すブロック図である。 実施形態１に係る情報処理装置の構成例を示すブロック図である。 実施形態１に係る企業情報ＤＢのレコードレイアウトの一例を示す概念図である。 実施形態１に係る機器情報ＤＢのレコードレイアウトの一例を示す概念図である。 実施形態１に係る個別ＤＢ群を構成する個別データベースのレコードレイアウトの一例を示す概念図である。 モデル選択情報の一例を示す概念図である。 情報処理装置が提供するクラウド型プラットフォームの一例を示す概念図である。 学習モデルの選択処理手順を示すフローチャートである。 実施形態１に係る成形機の状態検知に係る処理手順を示すフローチャートである。 実施形態１に係る成形機の状態検知に係る処理手順を示すフローチャートである。 実施形態２に係る複数の学習モデルの生成、更新及びファインチューニング方法を示す概念図である。 実施形態２に係る学習モデルのファインチューニングに係る階層構造を示す概念図である。 実施形態２に係るモデル選択情報を示す概念図である。 ファインチューニングに係る処理手順を示すフローチャートである。 実施形態２に係る状態検知に係る処理手順を示すフローチャートである。 実施形態２に係る状態検知に係る処理手順を示すフローチャートである。 実施形態３に係る最適な学習モデルの提案に係る処理手順を示すフローチャートである。 実施形態３に係る最適な学習モデルの提案に係る処理手順を示すフローチャートである。 実施形態４に係る個別ＤＢを示す概念図である。 実施形態５に係る成形機の状態検知結果を表示する画面例である。 グラフのカテゴリ分類及びタグ付けに係る処理手順を示すフローチャート－である。 グラフ表示の処理手順を示すフローチャートである。 追加分析の一例である予測処理手順を示すフローチャートである。 選択されたグラフを示す模式図である。 予測結果を示すグラフの模式図である。 追加分析の一例である分析処理手順を示すフローチャートである。 分析結果を表示する画面例である。
本発明の実施形態に係る情報処理方法、情報処理装置、成形機システム及びコンピュータプログラムの具体例を、以下に図面を参照しつつ説明する。なお、本発明はこれらの例示に限定されるものではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。また、以下に記載する実施形態及び変形例の少なくとも一部を任意に組み合わせてもよい。
図１は、本実施形態１に係る成形機システムの全体構成を示すブロック図、図２は、本実施形態１に係る成形機システムの詳細構成を示すブロック図である。成形機システムは、図１に示すように複数の企業Ａ１，Ａ２，Ａ３…（以下、適宜、企業Ａと呼ぶ。）がそれぞれ各別に使用する複数の成形機１と、当該複数の成形機１の状態を検知する情報処理装置２とを備える。また成形機システムは、図２に示すように各企業Ａが使用する成形機１に設けられたセンサ５と、エッジコンピュータ６と、ルータ７と、使用者である企業Ａの端末装置８とを備える。各企業Ａは、一又は複数の成形機１を有するが、説明を簡単にするため、実施形態１では各企業Ａが一つの成形機１を有するものとして説明する。情報処理装置２は、クラウドコンピュータを構成しており、成形機１を使用する企業Ａ毎に用意した複数の個別データベース３１（図６参照）からなる個別ＤＢ群３と、成形機１の複数種類の状態を検知するための複数の学習モデルからなるＡＩモデル群４とを有する。
図３は本実施形態１に係る成形機１の構成例を示す模式図である。成形機１は、例えば二軸混練押出機であり、樹脂原料が投入されるホッパ１０ａを有するシリンダ１０と、２本のスクリュ軸（回転軸）１１とを備える。なお、２本のスクリュ軸１１は、図３中紙面奥行き方向に並んでいるため、図３においては１本のスクリュ軸１１のみが描かれている。２本のスクリュ軸１１は、相互に噛み合わされた状態で略平行に配され、シリンダ１０の孔内に回転可能に挿入されており、ホッパ１０ａに投入された樹脂原料を押出方向（図２及び図３中右方向）へ搬送し、溶融及び混練する。
スクリュ軸１１は、複数種類のスクリュピースを組み合わせ、一体化することによって一本のスクリュ軸１１として構成されている。例えば、樹脂原料を順方向へ輸送するフライトスクリュ形状の順フライトピース、樹脂原料を逆方向へ輸送する逆フライトピース、樹脂原料を混練するニーディングピース等を、樹脂原料の特性に応じた順序及び位置に配して組み合わせることにより、スクリュ軸１１が構成される。
シリンダ１０は、複数のブロックシリンダを組み合わせることによって、一本のシリンダ１０として構成されている。
また、成形機１は、図２に示すように、スクリュ軸１１を回転させるための駆動力を出力するモータ１２と、モータ１２の駆動力を減速伝達する減速機１３と、制御装置１４とを備える。スクリュ軸１１は減速機１３の出力軸に接続されている。スクリュ軸１１は、減速機１３によって減速伝達されたモータ１２の駆動力によって回転する。
センサ５は、成形機１に係る物理量を検出し、検出された物理量を示すセンサ値データをエッジコンピュータ６へ出力する。成形機１に係る物理量には、成形機１から得られる物理量と、成形機１によって製造された成形品から得られる物理量が含まれる。物理量には、温度、位置、速度、加速度、電流、電圧、圧力、時間、画像データ、トルク、力、歪、消費電力、重さ等がある。これらの物理量は、温度計、位置センサ、速度センサ、加速度センサ、電流計、電圧計、圧力計、タイマ、カメラ、トルクセンサ、電力計、重量計等を用いて測定することができる。
より具体的には、成形機１の動作に係る物理量を検出するセンサ５は、減速機１３の振動を検出する加速度センサ等の振動センサ、モータ１２の出力トルクを検出するトルクセンサ、スクリュ軸１１に加わる軸トルクを検出するトルクセンサ、スクリュ軸１１の回転中心の変位を検出する変位センサ、スクリュ軸１１の振動を検出する振動センサ、スクリュ軸１１の温度を検出する温度計、樹脂温度を検出する樹脂温度センサ、樹脂圧を検出する樹脂圧センサ、出口樹脂温度を検出する出口温度センサ、出口樹脂圧力を検出する出口圧力センサ等である。
成形品に係る物理量を検出するセンサ５は、成形品の寸法、色度、輝度等を検出する光学的計測器、撮像装置、成形品の重量を検出する重量計等である。
制御装置１４は、成形機１の運転制御を行うコンピュータであり、エッジコンピュータ６との間で情報を送受信する図示しない送受信部、計時部、及び表示部を備える。
具体的には、制御装置１４は、複数の成形機１を識別するための機器ＩＤ、日時、成形機制御パラメータ、機器構成データ及び基礎データをエッジコンピュータ６へ送信する。成形機制御パラメータは、例えばフィーダ供給量（樹脂原料の供給量）、スクリュ軸１１の回転数、押出量、シリンダ温度、樹脂圧、モータ電流等である。機器構成データは、成形機１の型番、スクリュ構成、シリンダ構成及びダイス形状等を示す情報である。基礎データは、樹脂原料の物性値を示す情報である。
制御装置１４は、エッジコンピュータ６から送信される成形機１の状態を示す情報を受信し、受信した情報を表示する。また、制御装置１４は、成形機１の状態を示す情報を用いて成形機１の異常の有無を監視し、必要に応じて警告を出力し、成形機１の動作を停止させる処理を実行する。
図４は本実施形態１に係るエッジコンピュータ６の構成例を示すブロック図である。エッジコンピュータ６は、演算部６１、記憶部６２、通信部６３及び入力部６４を備え、記憶部６２、通信部６３及び入力部６４は演算部６１に接続されている。エッジコンピュータ６は、後述の情報処理装置２に比べてハードウェアのスペックが低いコンピュータであり、成形機１の簡易な異常検知処理を実行したり、情報処理装置２における状態検知処理に必要な情報の送受信等の処理を実行するものである。なお、エッジコンピュータ６の具体的な回路構成、コンピュータの種類は特に限定されるものではない。
演算部６１は、ＣＰＵ（Central Processing Unit）、マルチコアＣＰＵ、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）等の演算処理回路、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等の内部記憶装置、Ｉ／Ｏ端子等を有する。演算部６１は、後述の記憶部６２が記憶するエッジ用プログラムを実行することにより、本実施形態１に係るエッジコンピュータ６として機能する。なお、エッジコンピュータ６の各機能部は、ソフトウェア的に実現してもよいし、一部又は全部をハードウェア的に実現してもよい。
記憶部６２は、ハードディスク、ＥＥＰＲＯＭ（Electrically Erasable Programmable ROM）、フラッシュメモリ等の不揮発性メモリである。記憶部６２は、成形機１の簡易な異常検知処理を演算部６１に実行させるためのエッジ用プログラムを記憶している。
通信部６３は、イーサネット（登録商標）等の所定の通信プロトコルに従って情報を送受信する通信回路である。通信部６３は、ＬＡＮ等の第１通信ネットワークを介して制御装置１４に接続されており、演算部６１は通信部６３を介して制御装置１４との間で各種情報を送受信することができる。
第１ネットワークにはルータ７が接続されており、通信部６３はルータ７を介して第２通信ネットワークであるクラウド上の情報処理装置２に接続されている。演算部６１は、通信部６３及びルータ７を介して情報処理装置２との間で各種情報を送受信することができる。
入力部６４は、信号が入力する入力インタフェースである。入力部６４にはセンサ５が接続されており、センサ５から出力されたセンサ値データが入力される。
図５は実施形態１に係る情報処理装置２の構成例を示すブロック図である。情報処理装置２は、コンピュータであり、処理部２１、記憶部２２、通信部２３を備える。記憶部２２、通信部２３は、処理部２１に接続されている。
処理部２１は、ＣＰＵ、マルチコアＣＰＵ、ＧＰＵ（Graphics Processing Unit）、ＧＰＧＰＵ（General-purpose computing on graphics processing units）、ＴＰＵ（Tensor Processing Unit）、ＡＳＩＣ、ＦＰＧＡ、ＮＰＵ（Ｎｅｕｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等の演算処理回路、ＲＯＭ、ＲＡＭ等の内部記憶装置、Ｉ／Ｏ端子等を有する。処理部２１は、後述の記憶部２２が記憶するコンピュータプログラムＰを実行することにより、本実施形態１に係る情報処理装置２として機能する。なお、情報処理装置２の各機能部は、ソフトウェア的に実現してもよいし、一部又は全部をハードウェア的に実現してもよい。
記憶部２２は、ハードディスク、ＥＥＰＲＯＭ、フラッシュメモリ等の不揮発性メモリである。記憶部２２は、成形機１の状態を検知する処理をコンピュータに実施させるためのコンピュータプログラムＰと、企業情報ＤＢ２２ａと、機器情報ＤＢ２２ｂと、個別ＤＢ群３と、ＡＩモデル群４とを記憶している。
コンピュータプログラムＰは、記録媒体２０にコンピュータ読み取り可能に記録されている態様でもよい。記憶部２２は、図示しない読出装置によって記録媒体２０から読み出されたコンピュータプログラムＰを記憶する。記録媒体２０はフラッシュメモリ等の半導体メモリである。また、記録媒体２０はＣＤ（Compact Disc）－ＲＯＭ、ＤＶＤ（Digital Versatile Disc）－ＲＯＭ、ＢＤ（Blu-ray(登録商標)Disc）等の光ディスクでもよい。更に、記録媒体２０は、フレキシブルディスク、ハードディスク等の磁気ディスク、磁気光ディスク等であってもよい。更にまた、図示しない通信網に接続されている図示しない外部サーバからコンピュータプログラムＰをダウンロードし、記憶部２２に記憶させてもよい。
通信部２３は、イーサネット（登録商標）等の所定の通信プロトコルに従って情報を送受信する通信回路である。通信部２３は、第２通信ネットワークを介してエッジコンピュータ６、端末装置８に接続されており、処理部２１は通信部２３を介してエッジコンピュータ６、端末装置８との間で各種情報を送受信することができる。
図６は、実施形態１に係る企業情報ＤＢ２２ａのレコードレイアウトの一例を示す概念図である。企業情報ＤＢ２２ａは、ハードディスク、ＤＢＭＳ（DataBase Management System）を備え、ユーザである企業Ａに係る情報を記憶する。例えば、企業情報ＤＢ２２ａのテーブルは、「企業ＩＤ」列、「認証情報」列、「関連企業ＩＤ」列、「モデル選択情報」列を有する。
「企業ＩＤ」列は、複数の企業Ａを識別するための各企業Ａに固有の識別情報を格納する。「認証情報」列は、各企業Ａを認証するための情報を格納する。「関連企業ＩＤ」列は、当該企業Ａと関連企業を構成しており、成形機１の状態検知に必要な情報を共有する他の企業ＡのＩＤを格納する。「モデル選択情報」列は、複数ある学習モデルのうち、当該企業Ａによって選択された学習モデル、つまり、当該企業Ａが利用する学習モデルを示す情報（以下、当該情報をモデル選択情報と呼ぶ。）を格納する。モデル選択情報の詳細は後述する。
図７は、実施形態１に係る機器情報ＤＢ２２ｂのレコードレイアウトの一例を示す概念図である。機器情報ＤＢ２２ｂは成形機１に係る情報を記憶する。例えば、機器情報ＤＢ２２ｂのテーブルは、「機器ＩＤ」列、「企業ＩＤ」列、「工場ＩＤ」列、「エッジＩＤ」列を有する。
「機器ＩＤ」列は、複数の成形機１を識別するための各成形機１に固有の識別情報を格納する。「企業ＩＤ」列は、当該成形機１を使用する企業ＡのＩＤを格納する。「工場ＩＤ」列は、当該成形機１のある工場を示すＩＤを格納する。「エッジＩＤ」列は、当該成形機１接続されているエッジコンピュータ６を識別するためのＩＤを格納する。
図８は、実施形態１に係る個別ＤＢ群３を構成する個別データベース３１のレコードレイアウトの一例を示す概念図である。個別ＤＢはセンサ５によって検出された情報を記憶する。例えば、個別ＤＢのテーブルは、「機器ＩＤ」列、「日時」列、「成形機制御パラメータ」列、「機器構成データ」列、「センサデータ」列、「基礎データ」列、「状態データ」列を有する。
「機器ＩＤ」列は、検出対象である成形機１を示すＩＤを格納する。「日時」列は、成形機１に係る物理量の検出が行われた日時を格納する。「成形機制御パラメータ」列は、成形機１を制御するパラメータ、例えばスクリュの回転数、樹脂原料の供給量又は押出量、シリンダ温度等を格納する。「機器構成データ」列は、成形機１の構成を示すデータ、例えば、成形機１の型番、スクリュの構成、シリンダ１０の構成、ダイス形状等を格納する。「センサデータ」列、成形機１に設けられたセンサ５から得られるセンサ値、例えば減速機１３の振動、軸トルク、モータトルク、軸振動、樹脂温度、樹脂圧力、出口樹脂温度、出口樹脂圧力、ストランドを撮像して得られる画像データ等を格納する。「基礎データ」列は、樹脂原料を示すデータ、例えば樹脂の物性値等を格納する。
「状態データ」列は、当該センサ値が得られたときの成形機１の状態が確認できている場合、当該状態を示すデータを格納する。成形機１の状態を示すデータは、例えば減速機１３、スクリュ等の成形機１の各部が正常であるか否か、成形機１の運転状態が正常であるか否かを示す情報を格納している。「状態データ」列は、成形機１及びその運転状態の具体的な異常を示す情報を格納してもよい。
ＡＩモデル群４は、成形機１の複数種類の状態をそれぞれ検知するための複数の学習モデルを含む。成形機システムによって検知する成形機１の状態は、例えば成形機１の各部及び運転状態の異常状態である。成形機１の異常には、例えば、減速機１３の異常振動、過負荷、成形品の寸法異常、スクリュ軸１１のキズ、亀裂、摩耗、腐食、減速機１３及びその各部の摩耗による性能劣化あるいはオイルの異常、非効率的運転状態（消費エネルギーの増大等）、品質異常を招く運転状態（無理な立ち上げなど）、ストランドの異常（寸法、異物、色、とぐろ（ねじれ）等の不良）、樹脂粘度（品質）異常等がある。
これらの異常のうち、本実施形態１に係る情報処理装置２は、ＡＩモデル群４を用いて減速機１３の異常振動、スクリュ軸１１のキズ、亀裂、摩耗、腐食、減速機１３の性能劣化あるいはオイルの異常、非効率的運転状態、品質異常を招く運転状態といった異常の有無等を検知する。情報処理装置２は、減速機１３の故障箇所、例えばベアリング、ギア等を特定する処理等を行う。
具体的には、ＡＩモデル群４は、減速機１３の異常振動を検知するための学習モデル、スクリュのキズ、亀裂、摩耗、腐食等を検知するための学習モデル、減速機１３の性能劣化又はオイル異常を検知するための学習モデル、減速機１３の故障箇所を検知するための学習モデル、非効率運転状態を検知するための学習モデル、品質異常を招く異常運転状態を検知するための学習モデル等を含む。
ＡＩモデル群４を構成する学習モデルは、ＣＮＮ（Convolutional Neural Network）の特徴抽出層を有するモデル、例えば１クラス分類モデル、Ｕ－Ｎｅｔ、ＲＮＮ（Recurrent Neural Network）等のニューラルネットワーク、その他のＳＶＭ（Support Vector Machine）、ベイジアンネットワーク、又は回帰木等の機械学習モデルである。
センサ値データが時系列データである場合、情報処理装置２は、センサ値データを画像で表した時系列データ画像を生成するとよい。
スクリュの摩耗等を検知するための学習モデル、非効率運転状態を検知するための学習モデル、異常運転状態を検知するための学習モデルは、時系列データ画像が入力された場合、当該時系列データ画像の特徴を抽出し、抽出された特徴量を出力する畳み込みニューラルネットワークモデル、例えば１クラス分類モデルである。処理部２１は、正常時の特徴量と、状態検知対象の特徴量とを比較することによって、スクリュ軸１１の異常の有無、非効率運転状態、異常運転状態を検知することができる。正常時の特徴量は、成形機１から取得した状態検知対象に係る成形機制御パラメータ、機器構成データ及び基礎データと同一又は類似の成形機制御パラメータ、機器構成データ及び基礎データに対応付けられ、かつ成形機１が正常に動作しているときのセンサ値データを上記学習モデルに入力することによって得られる。
なお、１クラス分類モデルを説明したが、例えば、正常時のセンサ値データ、各種異常時のセンサ値データが蓄積されている場合、成形機１の状態を教師データとし、センサ値データ又は時系列データ画像にラベル付けした学習用データセットを作成し、ＣＮＮ等で構成される学習モデルを学習させるとよい。
学習モデルは、入力層、中間層及び出力層を有する。中間層は、画像の特徴を抽出する複数の畳み込み層及びプーリング層を有する。出力層は、成形機１の複数の状態に対応する複数のノードを有し、当該状態にある確信度を出力する。学習モデルは、センサ値データ、又はセンサ値データに係る時系列データ画像が入力された場合、学習モデルから出力される成形機１の状態が教師データの示す状態に近づくように、中間層の重み係数を最適化する。当該重み係数は、例えばニューロン間の重み（結合係数）などである。パラメータの最適化の方法は特に限定されないが、例えば最急降下法、誤差逆伝播法等を用いて各種パラメータの最適化を行う。
このように生成された学習モデルによれば、診断対象の成形機１から得られたセンサ値データの時系列データ画像を学習モデルに入力することによって、成形機１の状態を診断することができる。例えば、処理部２１は、成形機１は、最も高い確信度を出力するノードに対する状態にあると判定する。
また、学習モデルは、時系列データ画像が入力された場合、より最適な成形条件、又は成形条件の調整量を出力するように構成してもよい。情報処理装置２は、学習モデルから出力された成形条件をエッジコンピュータ６へ送信し、エッジコンピュータ６は受信した当該成形条件を制御装置１４へ送信する。
減速機１３の異常振動を検知するための学習モデルは、振動センサから得られるセンサ値データが入力された場合、減速機１３の異常の有無を示すデータを出力するＲＮＮを含む。また、振動センサから得られるセンサ値データ又は時系列データ画像に対し、上記１クラス分類モデルと同様の学習モデルを用いて、同様の方法で減速機１３の異常を検知するように構成してもよい。
減速機１３の性能劣化又はオイル異常を検知するための学習モデルとしては、ＳＶＭ等を用いるとよい。また、上記１クラス分類モデルと同様の学習モデルを用いて、同様の方法で減速機１３の性能劣化又はオイル異常の有無を検知するように構成してもよい。
減速機１３の故障箇所を検知するための学習モデルとしては、ニューラルネットワークを用いた多クラス分類モデルを用いるとよい。
一方、エッジコンピュータ６は、センサ値データに基づいて、過負荷、成形品の寸法異常、ストランドの異常、樹脂粘度異常等を検出する。具体的には、エッジコンピュータ６は、センサ値の平均、分散、２乗平均平方根等の統計量を算出し、算出された統計量に基づく負荷の小さな処理で、減速機１３の過負荷、樹脂粘度異常等を検出する。
また、エッジコンピュータ６は、成形品の撮像画像と、正常な成形品の撮像画像との差分を算出することによって、成形品の寸法異常、ストランドの異常等を検出する。
なお、エッジコンピュータ６が行う異常検知処理と、情報処理装置２が行う状態検知処理の分担は、一例であり、エッジコンピュータ６が処理可能であれば、エッジコンピュータ６側で実行するように構成してもよい。
図９は、モデル選択情報の一例を示す概念図である。図９は、モデル選択情報の概念を示すものであり、データベース構造を示すものではない。モデル選択情報は、企業ＩＤと、当該企業ＩＤが示す企業Ａが利用する学習モデル又は利用しない学習モデルを示す情報とを対応付けて記憶している。図９中、チェック記号は、学習モデルを利用することを示しており、空欄は当該学習モデルを利用しないことを示している。各企業Ａは、当該企業Ａが使用する成形機１の状態を検知するために、複数の学習モデルのうち、どの学習モデルを利用するのかを自由に選択することができる。
例えば、企業Ａ１のモデル選択情報は、企業Ａ１が全ての学習モデルを利用することを示している。また、企業Ａ２のモデル選択情報は、企業Ａ２が、スクリュの摩耗を検知するための学習モデル、減速機１３の劣化を検知するための学習モデル、成形機１の異常運転状態を検知するための学習モデルを利用することを示している。更に、企業Ａ３のモデル選択情報は、減速機１３の異常振動を検知するための学習モデル、スクリュの摩耗を検知するための学習モデル、減速機１３の劣化を検知するための学習モデル、減速機１３の故障箇所を検知するための学習モデルを利用することを示している。
図１０は、情報処理装置２が提供するクラウド型プラットフォームの一例を示す概念図である。情報処理装置２は、図１０に示すように、各企業Ａから収集した成形機１のセンサ値データを各企業Ａの個別データベース３１に各別に格納している。各企業Ａは、自身の個別データベース３１にのみアクセスしてセンサ値データを参照することができ、他の企業Ａの個別データベース３１にはアクセスすることができないように構成されている。
情報処理装置２は、各企業Ａの個別データベース３１に蓄積されたセンサ値データを用いて、ＡＩモデル群４を生成する。また、情報処理装置２は、各企業Ａの個別データベース３１に蓄積されたセンサ値データを用いて、ＡＩモデル群４の更新を行う。複数の企業Ａから収集したセンサ値データを利用することによって、バリエーション豊かな複数の学習モデルを生成することが可能である。各企業Ａは、複数ある学習モデルの中から、所要の学習モデル又は、当該企業Ａに最適な学習モデルを自由に選択することができる。
情報処理装置２は、一の企業Ａから成形機１のセンサ値データが送信され、状態検知要求があった場合、当該センサ値データを一又は複数の学習モデルに入力することによって、成形機１の状態を検知し、状態検知結果を当該一の企業Ａへ送信する。企業Ａは、ＡＩモデル群４を参照することができないようにアクセスが制限されており、ＡＩモデル群４を利用して得られる状態検知結果のみを得ることができる。
図１１は、学習モデルの選択処理手順を示すフローチャートである。情報処理装置２は、制御装置１４又は端末装置８の使用者を認証する処理を実行する。正常に認証された場合、情報処理装置２は、モデル選択画面を制御装置１４又は端末装置８に提供し、以下に説明するように、当該制御装置１４又は端末装置８を介して、使用者である企業Ａが使用する学習モデルの選択に係る処理を実行する。
正常に認証された制御装置１４又は端末装置８は、モデル選択画面を表示し（ステップＳ１）、企業Ａが利用する学習モデルの選択を受け付ける（ステップＳ２）。例えば、使用者である企業Ａ１は、複数ある学習モデルのなかから、当該企業Ａ１において使用する一又は複数の学習モデルを選択することができる。情報処理装置２は、企業Ａ１によって選択された一又は複数の学習モデルを受け付ける。
制御装置１４又は端末装置８は、ステップＳ２で受け付けた、利用する学習モデル又は利用しない学習モデルを示すモデル選択情報及び企業ＩＤを情報処理装置２へ送信する（ステップＳ３）。
情報処理装置２は、制御装置１４又は端末装置８から送信されたモデル選択情報及び企業ＩＤを受信し（ステップＳ４）、受信したモデル選択情報を、企業ＩＤと対応付けて企業情報ＤＢ２２ａに格納する（ステップＳ５）。
図１２及び図１３は、実施形態１に係る成形機１の状態検知に係る処理手順を示すフローチャートである。各企業Ａが使用する成形機１の制御装置１４は、機器ＩＤ、成形機１の運転制御の状態を示す成形機制御パラメータ、機器構成データ及び基礎データをエッジコンピュータ６へ送信する（ステップＳ１１）。
エッジコンピュータ６の演算部６１は、制御装置１４から送信された機器ＩＤ、成形機制御パラメータ、機器構成データ及び基礎データを通信部６３にて受信する（ステップＳ１２）。
演算部６１は複数の企業Ａそれぞれが使用する成形機１のセンサ５から出力される時系列のセンサ値データを取得する（ステップＳ１３）。そして、演算部６１はセンサ値データに基づいて、当該センサ値の平均、分散、２乗平均平方根等の統計量を算出し（ステップＳ１４）、算出された統計量に基づいて、成形機１の簡易な異常判定処理を実行する（ステップＳ１５）。
次いで演算部６１は、成形機１の異常の有無を示す判定結果と、ステップＳ１４で算出した統計量を通信部６３にて制御装置１４へ送信する（ステップＳ１６）。
制御装置１４は、エッジコンピュータ６から送信された判定結果及び統計量を受信し（ステップＳ１７）、受信した判定結果又は統計量に基づいて、成形機１の動作を監視する（ステップＳ１８）。例えば、判定結果が所定の異常を示している場合、制御装置１４は、成形機１の運転制御を停止させる。
次いで、制御装置１４は、受信した判定結果及び統計量等を表示部に表示させる（ステップＳ１９）。
次に、判定結果及び統計量を送信したエッジコンピュータ６の処理を説明する。ステップＳ１６の処理を終えたエッジコンピュータ６の演算部６１は、ステップＳ１２で受信した機器ＩＤ、成形機制御パラメータ、機器構成データ及び基礎データと、ステップＳ１３で取得したセンサ値データとを通信部６３にて情報処理装置２へ送信する（ステップＳ２０）。
ここで、エッジコンピュータ６の演算部６１は、当該エッジコンピュータ６ないし成形機１を使用する企業Ａが利用する学習モデルに必要なセンサ値データのみならず、検出可能なその他のセンサ値データも情報処理装置２へ送信する構成が好ましい。当該その他のセンサ値データは、他の企業Ａが利用する学習モデルの生成又は更新に利用することができるためである。各企業Ａが、多くの種類のセンサ値データを情報処理装置２へ送信ないし提供することによって、よりバリエーション豊かなＡＩモデル群４を生成することが可能になる。
情報処理装置２は、エッジコンピュータ６から送信された機器ＩＤ、成形機制御パラメータ、機器構成データ、基礎データ及びセンサ値データを受信する（ステップＳ２１）。処理部２１は、受信した機器ＩＤに対応する企業ＩＤが示す企業Ａの個別データベース３１に成形機制御パラメータ、機器構成データ及び基礎データ及びセンサ値データを個別データベース３１に格納する（ステップＳ２２）。次いで、情報処理装置２は、モデル選択情報を参照し、当該企業Ａが利用する学習モデルを選択する（ステップＳ２３）。そして、情報処理装置２は、選択された学習モデルにセンサ値データ、基礎データ及びセンサ値データ等を入力することによって成形機１の状態を検知する（ステップＳ２４）。次いで処理部２１は、通信部２３にて検知結果をエッジコンピュータ６へ送信する（ステップＳ２５）。
エッジコンピュータ６の演算部６１は、情報処理装置２から送信された検知結果を受信し（ステップＳ２６）、受信した検知結果を通信部６３にて制御装置１４へ送信する（ステップＳ２７）。
制御装置１４は、エッジコンピュータ６から送信された検知結果を受信し（ステップＳ２８）、受信した検知結果を表示部に表示する（ステップＳ２９）。
なお、エッジコンピュータ６は、端末装置８からの要求に応じて、演算部６１による異常判定結果、算出したセンサ値データの統計量、処理部２１による検知結果等を端末装置８へ送信することができる。端末装置８は、受信した異常判定結果、統計量及び検知結果を表示する。
一方、情報処理装置２の処理部２１は、個別ＤＢ群３に所定量のセンサ値データ等が新たに蓄積される等、所定の条件を満たした場合、複数の企業Ａの個別ＤＢが記憶するセンサ値データ等を読み出し、読み出されたセンサ値データ等用いて学習モデルを生成し又は更新する（ステップＳ３０）。
学習モデルが１クラス分類モデルである場合、情報処理装置２の処理部２１は、個別ＤＢ群３に蓄積された正常動作時のセンサ値データを画像化した時系列データ画像及び任意の参照画像を学習前又は更新前の学習モデルに入力し、当該時系列データ画像の特徴量の局所密度が高く、しかも参考画像の特徴量との識別性が高くなるような特徴量を出力するように、学習モデルを学習させるとよい。当該学習により学習モデルを生成又は更新することができる。
学習モデルが分類モデルである場合、情報処理装置２の処理部２１は、個別ＤＢ群３に蓄積されたセンサ値データを画像化した時系列データ画像を学習前又は更新前の学習モデルに入力し、出力される状態検知結果と、教師データとの差分が小さくなるように、最急降下法、誤差逆伝播法等を用いて学習モデルの各種パラメータの最適化するとよい。教師データは、センサ値データに対応付けられており、当該センサ値データが得られたときの成形機１の状態を示すデータである。当該学習により学習モデルを生成又は更新することができる。
以上の通り、本実施形態１に係る情報処理方法等によれば、複数の企業Ａから成形機１のセンサ値データを収集することができる。多数の企業Ａからセンサ値データを収集することにより、当該センサ値データを用いて成形機１の多種多様な状態を検知することができるバリエーションに富む複数の学習モデルを生成又は更新することができる。
そして、情報処理装置２の使用者である個々の企業Ａが必要とする学習モデル又は最適な学習モデルを適宜選択して利用することができる。
（変形例１）
情報処理装置２は、学習モデルを用いた状態検知処理に対して、課金処理を実行するように構成してもよい。例えば、情報処理装置２は、成形機１の台数、センサ５の数、センサ５の種類、状態検知処理対象のデータ量、使用する学習モデルの数等に応じて、状態検知料金を算出し、算出された診断料金、異常診断システムのユーザＩＤ、成形機１の識別ＩＤ，利用日時、データ量、診断項目を対応付けて記憶部２２に記憶するとよい。状態検知処理に係るサービス提供及び課金方法は、サブスクリプション形式でもよい。
また、企業Ａが提供するセンサ値データの量に応じて、学習モデルの利用料を増減させるように構成してもよい。また所定量のセンサ値データを提供する企業Ａについては、一部の学習モデルの利用料を無料にしてもよい。
（変形例２）
学習モデルの更新タイミングは特に限定されるものでは無いが、月単位等、定期的に更新してもよいし、新たな異常モードに係る情報を取得した際、状態検知精度が実体と乖離した場合、状態検知精度が低下した場合に、学習モデルを更新するように構成するとよい。
学習モデルの更新は、自動で実行するように構成してもよいし、使用者が指示することによって更新を開始するように構成してもよい。
（実施形態２）
実施形態２に係る情報処理方法、情報処理装置２、成形機システム及びコンピュータプログラムＰは、主にＡＩモデル群４の構成、モデル選択情報及び処理手順が実施形態１と異なる。成形機システム等のその他の構成は、実施形態１に係る成形機システム等と同様であるため、同様の箇所には同じ符号を付し、詳細な説明を省略する。
図１４は、実施形態２に係る複数の学習モデルの生成、更新及びファインチューニング方法を示す概念図である。実施形態２に係る個別ＤＢ群３は、企業Ａ毎に各別に用意された複数の個別データベース３１と、試験機データベース３０とを備える。試験機データベース３０は、試験機である成形機１を動作させて得られたセンサ値データ、成形機制御パラメータ、機器構成データ、基礎データ等を格納する。試験機の場合、擬似的に異常な状態を再現した成形機１を用意し、当該成形機１から得られるセンサ値データ等と、当該異常状態を示す情報を状態データとを対応付けて試験機データベース３０に格納することができる。また、成形機１の動作を再現するシミュレータを用いて、センサ値データ等を算出し、算出されたセンサ値データを試験機データベース３０に格納してもよい。
実施形態２に係るＡＩモデル群４は、第１汎用ＡＩ群４１と、第２汎用ＡＩ群４２と、個別ファインチューニングＡＩ群４３とを含む。
実施形態２に係る情報処理装置２は、試験機データベース３０に格納されたセンサ値データ等を用いて、成形機１の状態を検知するための第１汎用ＡＩ群４１を生成する。第１汎用ＡＩ群４１は、実施形態１と同様、減速機１３の異常振動を検知するための第１汎用学習モデル、スクリュのキズ、亀裂、摩耗、腐食等を検知するための第１汎用学習モデル、減速機１３の性能劣化又はオイル異常を検知するための第１汎用学習モデル、減速機１３の故障箇所を検知するための第１汎用学習モデル、非効率運転状態を検知するための第１汎用学習モデル、品質異常を招く異常運転状態を検知するための第１汎用学習モデル等を含む。
なお、試験機データベース３０に格納されたセンサ値データが十分で無い場合、第１汎用学習モデルを生成せず、後述の第２汎用学習モデルを生成するように構成してもよい。
また、情報処理装置２は、試験機データベース３０と、各企業Ａの個別データベース３１に格納されたセンサ値データ等を用いて、成形機１の状態を検知するための第２汎用ＡＩ群４２を生成する。第２汎用ＡＩ群４２は、実施形態１と同様、減速機１３の異常振動を検知するための第２汎用学習モデル、スクリュのキズ、亀裂、摩耗、腐食等を検知するための第２汎用学習モデル、減速機１３の性能劣化又はオイル異常を検知するための第２汎用学習モデル、減速機１３の故障箇所を検知するための第２汎用学習モデル、非効率運転状態を検知するための第２汎用学習モデル、品質異常を招く異常運転状態を検知するための第２汎用学習モデル等を含む。
なお、一般的に、第２汎用ＡＩ群４２は、第１汎用ＡＩ群４１に比べて、より精度良く成形機１の状態を検知することができる。
また、第２汎用ＡＩ群４２は、第１汎用ＡＩ群４１に比べて、バリエーションが豊かである。情報処理装置２は、各企業Ａから収集した大量のセンサ値データを用いることができるため、より多くの第２汎用学習モデルを生成又は更新し、より多種多様な状態を検知することができる。言い換えると、試験機データベース３０のセンサ値データのみでは生成できない学習モデルを生成することができる。
また、情報処理装置２は、個別データベース３１に格納されたセンサ値データ等を用いて、第１汎用学習モデルをファインチューニングすることによって、第２汎用学習モデルを生成してもよい。
更に、情報処理装置２は、各企業Ａの個別データベース３１に格納されたセンサ値データ等を用いて、第２汎用学習モデルを個別にファインチューニングすることにより、個別ファインチューニングＡＩ群４３を得ることができる。ファインチューニングを行う単位は図１４に示すように階層構造を有している。
センサ値データ等は基本的に各企業Ａの個別データベース３１に格納されており、ファインチューニングは各企業Ａが各別に行うものであるが、関連企業がある場合、当該関連企業を構成する複数の企業Ａのセンサ値データを用いて、関連企業で共用する学習モデルを生成することもできる。
図１５は、実施形態２に係る学習モデルのファインチューニングに係る階層構造を示す概念図である。なお、図１５中、エッジコンピュータ６をエッジと略記している。
情報処理装置２は、例えば、関連企業を構成する複数の企業Ａの個別データベース３１に格納されたセンサ値データ等に基づいて、第２汎用学習モデルをファインチューニングすることによって、第２汎用学習モデルを関連企業の成形機１用に最適化することができる。
情報処理装置２は、各企業Ａの個別データベース３１に格納されたセンサ値データ等に基づいて、第２汎用学習モデルをファインチューニングすることによって、第２汎用学習モデルを各企業Ａの成形機１用に最適化することができる。関連企業用としてファインチューニングされた学習モデルがある場合、当該学習モデルを各企業Ａの個別データベース３１に格納されたセンサ値データ等に基づいてファインチューニングしてもよい。
情報処理装置２は、各工場の成形機１から得られたセンサ値データ等に基づいて、第２汎用学習モデルをファインチューニングすることによって、第２汎用学習モデルを各工場の成形機１用に最適化することができる。なお、企業Ａ用としてファインチューニングされた学習モデルを各工場の成形機１から得られたセンサ値データ等に基づいてファインチューニングしてもよい。
情報処理装置２は、特定のエッジコンピュータ６に接続された成形機１から得られたセンサ値データ等に基づいて、第２汎用学習モデルをファインチューニングすることによって、第２汎用学習モデルを上記エッジコンピュータ６に接続された成形機１用に最適化することができる。なお、工場用としてファインチューニングされた学習モデルを上記エッジコンピュータ６に接続された成形機１から得られたセンサ値データ等に基づいてファインチューニングしてもよい。
情報処理装置２は、各成形機１から得られたセンサ値データ等に基づいて、第２汎用学習モデルをファインチューニングすることによって、第２汎用学習モデルを各成形機１用に最適化することができる。なお、企業Ａ用、工場用、エッジコンピュータ６に接続された成形機１用としてファインチューニングされた学習モデルを各工場の成形機１から得られたセンサ値データ等に基づいてファインチューニングしてもよい。
情報処理装置２は、同一原料を使用する、同一機種の複数の成形機１から得られ、各企業Ａの個別データベース３１に格納されたセンサ値データに基づいて、第２汎用学習モデルをファインチューニングすることによって、第２汎用学習モデルをプロセス単位で最適化することができる。なお、関連企業用、企業Ａ用、工場用、エッジコンピュータ６に接続された成形機１用としてファインチューニングされた学習モデルを、特定のプロセスに係る上記センサ値データを用いて、ファインチューニングしてもよい。
図１６は、実施形態２に係るモデル選択情報を示す概念図である。各企業Ａは、検知対象である成形機１の状態の種類に応じて、ファインチューニングの階層レベルを選択することができ、情報処理装置２は、各企業Ａによって選択されたファインチューニングの階層レベルをモデル選択情報として記憶する。図１６は、ある一の企業Ａのモデル選択情報を概念的に示したものである。各列は学習モデルの種類を示しており、各行はファインチューニングする階層レベルを示している。
図１６中、チェック記号は、該当する階層レベルで学習モデルをファインチューニングすることを示している。例えば、減速機１３の異常振動を検知するための学習モデルとしては、第１汎用学習モデルを用い、ファインチューニングを行わないことを示している。スクリュの摩耗等を検知する学習モデルとしては、第２汎用学習モデルを用い、ファインチューニングを行わないことを示している。
減速機１３の劣化を検知する学習モデルは、関連企業単位でファインチューニングを行うことを示している。
減速機１３の故障箇所を検知する学習モデルは、企業単位、工場単位、エッジ単位及び機器単位でファインチューニングを行うことを示している。非効率運転状態を検知する学習モデルは、企業単位及びエッジ単位でファインチューニングを行うことを示している。なお、必ずしも全ての機器、工場がファインチューニングを行うのに十分なセンサ値データを有してとは限らないため、複数の階層レベルでファインチューニングを行った学習モデルが混在することもある。例えば、第１の工場は当該工場用にファインチューニングされた学習モデルを利用し、第２の工場はセンサ値データが不十分なため会社用にアフィンチューニングされた学習モデルを利用することもできる。
異常運転状態を検知する学習モデルは、プロセス単位でファインチューニングを行うことを示している。
図１７は、ファインチューニングに係る処理手順を示すフローチャートである。情報処理装置２の処理部２１は、各企業Ａにおける学習モデルのファインチューニングを所定のタイミングで実行する。処理部２１は、一の企業Ａのモデル選択情報を読み出し、複数種類の学習モデル毎に該当する階層レベルまでファインチューニングを行う。以下、一の企業Ａにおける一の種類の学習モデルをファインチューニングする処理を説明する。他の学習モデルのファインチューニング方法も処理内容は同様である。
処理部２１は、モデル選択情報を参照し、関連企業単位でファインチューニングを行うか否かを判定する（ステップＳ２１１）。関連企業単位でファインチューニングを行うと判定した場合（ステップＳ２１１：ＹＥＳ）、処理部２１は、関連企業を構成する各企業Ａの個別データベース３１からセンサ値データ等を読み出し、読み出されたセンサ値データに基づいて、第２汎用学習モデルをファインチューニングする（ステップＳ２１２）。
ステップＳ２１２の処理を終えた場合、又は関連企業単位でファインチューニングを行わないと判定した場合（ステップＳ２１１：ＮＯ）、処理部２１は、モデル選択情報を参照し、企業単位でファインチューニングを行うか否かを判定する（ステップＳ２１３）。企業単位でファインチューニングを行うと判定した場合（ステップＳ２１３：ＹＥＳ）、処理部２１は、当該企業Ａの個別データベース３１からセンサ値データ等を読み出し、読み出されたセンサ値データに基づいて、第２汎用学習モデルをファインチューニングする（ステップＳ２１４）。なお、処理部２１はステップＳ２１２でファインチューニングされた学習モデルがある場合、当該学習モデルをファインチューニングするように構成してもよい。
ステップＳ２１４の処理を終えた場合、又は企業単位でファインチューニングを行わないと判定した場合（ステップＳ２１３：ＮＯ）、処理部２１は、モデル選択情報を参照し、工場単位でファインチューニングを行うか否かを判定する（ステップＳ２１５）。工場単位でファインチューニングを行うと判定した場合（ステップＳ２１５：ＹＥＳ）、処理部２１は、当該企業Ａの個別データベース３１から各工場のセンサ値データ等を読み出し、読み出されたセンサ値データに基づいて、第２汎用学習モデルを工場単位でファインチューニングする（ステップＳ２１６）。なお、処理部２１はステップＳ２１２又はステップＳ２１４でファインチューニングされた学習モデルがある場合、当該学習モデルをファインチューニングするように構成してもよい。
ステップＳ２１６の処理を終えた場合、又は工場単位でファインチューニングを行わないと判定した場合（ステップＳ２１５：ＮＯ）、処理部２１は、モデル選択情報を参照し、エッジ単位でファインチューニングを行うか否かを判定する（ステップＳ２１７）。エッジ単位でファインチューニングを行うと判定した場合（ステップＳ２１７：ＹＥＳ）、処理部２１は、当該企業Ａの個別データベース３１から各エッジコンピュータ６に接続された成形機１のセンサ値データ等を読み出し、読み出されたセンサ値データに基づいて、第２汎用学習モデルをエッジ単位でファインチューニングする（ステップＳ２１８）。なお、処理部２１はステップＳ２１２、ステップＳ２１４又はステップＳ２１６でファインチューニングされた学習モデルがある場合、当該学習モデルをファインチューニングするように構成してもよい。
ステップＳ２１８の処理を終えた場合、又はエッジ単位でファインチューニングを行わないと判定した場合（ステップＳ２１７：ＮＯ）、処理部２１は、モデル選択情報を参照し、機器単位でファインチューニングを行うか否かを判定する（ステップＳ２１９）。機器単位でファインチューニングを行うと判定した場合（ステップＳ２１９：ＹＥＳ）、処理部２１は、当該企業Ａの個別データベース３１から各成形機１のセンサ値データ等を読み出し、読み出されたセンサ値データに基づいて、第２汎用学習モデルを成形機１単位でファインチューニングする（ステップＳ２２０）。なお、処理部２１はステップＳ２１２、ステップＳ２１４、ステップＳ２１６又はステップＳ２１８でファインチューニングされた学習モデルがある場合、当該学習モデルをファインチューニングするように構成してもよい。
ステップＳ２２０の処理を終えた場合、又は機器単位でファインチューニングを行わないと判定した場合（ステップＳ２１９：ＮＯ）、処理部２１は、モデル選択情報を参照し、プロセス単位でファインチューニングを行うか否かを判定する（ステップＳ２２１）。プロセス単位でファインチューニングを行うと判定した場合（ステップＳ２２１：ＹＥＳ）、処理部２１は、各企業Ａの個別データベース３１から特定の機器構成、同一プロセス、つまり同一原料を使用する、同一機種の成形機１から得られた成形機１のセンサ値データ等を読み出し、読み出されたセンサ値データに基づいて、第２汎用学習モデルをプロセス単位でファインチューニングする（ステップＳ２２２）。なお、処理部２１はステップＳ２１２、ステップＳ２１４、ステップＳ２１６、ステップＳ２１８又はステップＳ２２０でファインチューニングされた学習モデルがある場合、当該学習モデルをファインチューニングするように構成してもよい。
図１８及び図１９は、実施形態２に係る状態検知に係る処理手順を示すフローチャートである。情報処理装置２の処理部２１は、一の種類の学習モデルを用いて一の成形機１の状態を検知する処理を説明する。他の成形機１、他の種類の状態検知についても処理内容は同様である。
情報処理装置２の処理部２１は、モデル選択情報を参照し、プロセス単位でファインチューニングされた学習モデルがあるか否かを判定する（ステップＳ２３１）。プロセス単位でファインチューニングされた学習モデルがあると判定した場合（ステップＳ２３１：ＹＥＳ）、処理部２１はプロセス単位でファインチューニングされた学習モデルを利用して成形機１の状態を検知し（ステップＳ２３２）、処理を終える。
プロセス単位でファインチューニングされた学習モデルが無いと判定した場合（ステップＳ２３１：ＮＯ）、処理部２１はモデル選択情報を参照し、機器単位でファインチューニングされた学習モデルがあるか否かを判定する（ステップＳ２３３）。機器単位でファインチューニングされた学習モデルがあると判定した場合（ステップＳ２３３：ＹＥＳ）、処理部２１は機器単位でファインチューニングされた学習モデルを利用して成形機１の状態を検知し（ステップＳ２３４）、処理を終える。
機器単位でファインチューニングされた学習モデルが無いと判定した場合（ステップＳ２３３：ＮＯ）、処理部２１はモデル選択情報を参照し、エッジ単位でファインチューニングされた学習モデルがあるか否かを判定する（ステップＳ２３５）。エッジ単位でファインチューニングされた学習モデルがあると判定した場合（ステップＳ２３５：ＹＥＳ）、処理部２１はエッジ単位でファインチューニングされた学習モデルを利用して成形機１の状態を検知し（ステップＳ２３６）、処理を終える。
エッジ単位でファインチューニングされた学習モデルが無いと判定した場合（ステップＳ２３５：ＮＯ）、処理部２１はモデル選択情報を参照し、工場単位でファインチューニングされた学習モデルがあるか否かを判定する（ステップＳ２３７）。工場単位でファインチューニングされた学習モデルがあると判定した場合（ステップＳ２３７：ＹＥＳ）、処理部２１は工場単位でファインチューニングされた学習モデルを利用して成形機１の状態を検知し（ステップＳ２３８）、処理を終える。
工場単位でファインチューニングされた学習モデルが無いと判定した場合（ステップＳ２３７：ＮＯ）、処理部２１はモデル選択情報を参照し、企業単位でファインチューニングされた学習モデルがあるか否かを判定する（ステップＳ２３９）。企業単位でファインチューニングされた学習モデルがあると判定した場合（ステップＳ２３９：ＹＥＳ）、処理部２１は企業単位でファインチューニングされた学習モデルを利用して成形機１の状態を検知し（ステップＳ２４０）、処理を終える。
企業単位でファインチューニングされた学習モデルが無いと判定した場合（ステップＳ２３９：ＮＯ）、処理部２１はモデル選択情報を参照し、関連企業単位でファインチューニングされた学習モデルがあるか否かを判定する（ステップＳ２４１）。関連企業単位でファインチューニングされた学習モデルがあると判定した場合（ステップＳ２４１：ＹＥＳ）、処理部２１は関連企業単位でファインチューニングされた学習モデルを利用して成形機１の状態を検知し（ステップＳ２４２）、処理を終える。
関連企業単位でファインチューニングされた学習モデルが無いと判定した場合（ステップＳ２４１：ＮＯ）、処理部２１はモデル選択情報を参照し、第２汎用学習モデルを利用するか否かを判定する（ステップＳ２４３）。第２汎用学習モデルを利用すると判定した場合（ステップＳ２４３：ＹＥＳ）、処理部２１は第２汎用学習モデルを利用して成形機１の状態を検知し（ステップＳ２４４）、処理を終える。第２汎用学習モデルを利用しないと判定した場合、（ステップＳ２４３：ＮＯ）、処理部２１は第１汎用学習モデルを利用して成形機１の状態を検知し（ステップＳ２４５）、処理を終える。
実施形態２に係る情報処理方法等によれば、関連企業単位、企業単位、工場単位、エッジ単位、機器単位、プロセス単位で学習モデルをファインチューニングし、より精度よく成形機１の状態を検知することができる。
各企業Ａはファインチューニングを行う階層レベルを選択することができ、所望の階層レベルでファインチューニングされた学習モデルを用いて、成形機１の状態を検知することができる。
なお、学習モデルのファインチューニングを情報処理装置２が実行する例を説明したが、第１汎用学習モデルについては、秘匿性が低いため、企業Ａへ提供し、エッジコンピュータ６が第１汎用学習モデルを用いて成形機１の状態を検知するように構成してもよい。また、エッジコンピュータ６が、センサ値データを用いて第１汎用学習モデルをファインチューニングするように構成してもよい。
（実施形態３）
実施形態３に係る情報処理方法、情報処理装置２、成形機システム及びコンピュータプログラムＰは、複数ある学習モデルのうち最適な学習モデルを選択するための指標となる情報を企業Ａに提供する点が実施形態２と異なる。成形機システム等のその他の構成は、実施形態２に係る成形機システム等と同様であるため、同様の箇所には同じ符号を付し、詳細な説明を省略する。
図２０及び図２１は、実施形態３に係る最適な学習モデルの提案に係る処理手順を示すフローチャートである。情報処理装置２の処理部２１は、一の企業Ａのエッジコンピュータ６から送信されたセンサ値データ等を受信し（ステップＳ３１１）、受信したセンサ値データ等を個別データベース３１に格納する（ステップＳ３１２）。次いで、処理部２１は、モデル選択情報を参照し、利用する学習モデルを選択し（ステップＳ３１３）、選択された学習モデルにセンサ値データ等を入力することによって、成形機１の状態を検知する（ステップＳ３１４）。
次いで、処理部２１は第１汎用学習モデルを利用したか否かを判定する（ステップＳ３１５）。第１汎用学習モデルを利用していると判定した場合（ステップＳ３１５：ＹＥＳ）、処理部２１は第２汎用学習モデルを選択し（ステップＳ３１６）、第２汎用学習モデルにセンサ値データ等を入力することによって成形機１の状態を検知する（ステップＳ３１７）。そして、処理部２１は、第１汎用学習モデルを用いた状態検知精度と、第２汎用学習モデルを用いた状態検知精度とを比較する（ステップＳ３１８）。なお、処理部２１は、過去の異常事例に係るセンサ値データ等を参照することによって、状態検知精度を算出することができる。
ステップＳ３１５で第１汎用学習モデルを利用していないと判定した場合（ステップＳ３１５：ＮＯ）、処理部２１は第２汎用学習モデルを利用したか否かを判定する（ステップＳ３１９）。第２汎用学習モデルを利用していると判定した場合（ステップＳ３１９：ＹＥＳ）、処理部２１はファインチューニングされた学習モデルを選択し（ステップＳ３２０）、ファインチューニングされた学習モデルにセンサ値データ等を入力することによって成形機１の状態を検知する（ステップＳ３２１）。なお、実施形態３においては、情報処理装置２は、企業Ａが第２汎用学習モデルのみを用いている場合であっても、将来的な利用を想定して、企業単位で学習モデルを常にファインチューニングし、用意している。
そして、処理部２１は、第２汎用学習モデルを用いた状態検知精度と、ファインチューニングされた学習モデルを用いた状態検知精度とを比較する（ステップＳ３２２）。
ステップＳ３１９で第２汎用学習モデルを利用していないと判定した場合（ステップＳ３１９：ＮＯ）、同種の状態を検知する複数の学習モデルを利用しているか否かを判定する（ステップＳ３２３）。つまり、処理部２１は、異なる階層レベルでファインチューニングされた複数の学習モデルを利用して成形機１の状態を検知しているか否かを判定する。同種の複数の学習モデルを利用していると判定した場合（ステップＳ３２３：ＹＥＳ）、処理部２１は複数の学習モデルそれぞれの状態検知精度を比較する（ステップＳ３２４）。ステップＳ３１８、ステップＳ３２２、又はステップＳ３２４の処理を終えた場合、処理部２１は、状態検知結果と共に、各学習モデルの状態検知精度及び比較結果を制御装置１４又は端末装置８へ送信し（ステップＳ３２５）、処理を終える。
実施形態３に係る情報処理方法等によれば、制御装置１４又は端末装置８は、情報処理装置２から送信された状態検知結果、状態検知精度及び比較結果を受信し、表示する。各企業Ａの使用者は、各種学習モデルの状態検知結果、比較結果を参考にして、いずれの学習モデルを利用するかを選択することができる。
例えば、第１汎用学習モデルを利用している企業Ａは、第２汎用学習モデルの状態検知精度との比較結果を参照し、検知精度が向上することを確認することができ、必要に応じて、第２汎用学習モデルの利用を選択することができる。
同様に、第２汎用学習モデルを利用している企業Ａは、ファインチューニングされた学習モデルの状態検知精度との比較結果を参照し、検知精度が向上することを確認することができ、必要に応じて、ファインチューニングの利用を選択することができる。
また、複数の階層レベルでファインチューニングされた学習モデルを利用している企業Ａは、最も精度が高い最適な学習モデルの状態検知結果を知ることができ、当該学習モデルの利用を選択することができる。
なお、情報処理装置２は、複数の学習モデルと共に各学習モデルの検知精度をリスト化して制御装置１４又は端末装置８に提供するように構成してもよい。
（実施形態４）
実施形態４に係る情報処理方法、情報処理装置２、成形機システム及びコンピュータプログラムＰは、センサ値データに環境データを対応付けて格納し、成形機１が使用されている環境を考慮して、学習モデルをファインチューニングする点が実施形態２及び３と異なる。成形機システム等のその他の構成は、実施形態２及び３に係る成形機システム等と同様であるため、同様の箇所には同じ符号を付し、詳細な説明を省略する。
図２２は、実施形態４に係る個別データベース３１を示す概念図である。実施形態４に係る成形機システムは、各成形機１、各エッジコンピュータ６、又は各工場の環境を示す物理量を検出する環境検知部を備える。環境検知部は、例えば周囲の温度、湿度等を検出し、エッジコンピュータ６へ出力する。エッジコンピュータ６は、機器ＩＤ、センサ５から出力されたセンサ値データ、成形機制御パラメータ及び機器構成データ等と共に、環境検知部から出力された環境データを情報処理装置２へ送信する。
情報処理装置２は、エッジコンピュータ６から送信されたセンサ値データ等及び環境データを対応付けて個別データベース３１に格納する。
情報処理装置２は、実施形態２で説明した同様の処理により、プロセス単位で学習モデルのファインチューニングを行う。ただし、実施形態４に係る情報処理は、同一又は類似の環境において、同一原料を使用する、同一機種の複数の成形機１から得られ、各企業Ａの個別データベース３１に格納されたセンサ値データに基づいて、第２汎用学習モデルをファインチューニングすることによって、第２汎用学習モデルをプロセス単位で最適化することができる。なお、関連企業用、企業Ａ用、工場用、エッジコンピュータ６に接続された成形機１用としてファインチューニングされた学習モデルを、特定のプロセスに係る上記センサ値データを用いて、更にファインチューニングしてもよい。
使用者である企業Ａは、成形機１の状態を検知する学習モデルとして、同一又は類似の環境で、同一材料を使用する、同一機種の成形機１から得たセンサ値データを用いてファインチューニングされた学習モデルを選択することができ、より精度良く、成形機１の異常を検知することができる。
実施形態４に係る情報処理方法等によれば、周囲の環境を考慮して学習モデルのファインチューニングを行うことができる。
（実施形態５）
実施形態５に係る情報処理方法、情報処理装置２、成形機システム及びコンピュータプログラムＰは、状態検知結果及びグラフ等の表示する処理が実施形態２～４と異なる。成形機システム等のその他の構成は、実施形態２～４に係る成形機システム等と同様であるため、同様の箇所には同じ符号を付し、詳細な説明を省略する。
図２３は、実施形態５に係る成形機１の状態検知結果を表示する画面例である。情報処理装置２の処理部２１は、状態検知結果表示画面９を制御装置１４又は端末装置８に提供して表示させる。状態検知結果表示画面９は、センサ値データのグラフを検索するための検索条件入力部９１と、グラフ表示部９２と、分析結果表示部９２ａとを含む。
図２４は、グラフのカテゴリ分類及びタグ付けに係る処理手順を示すフローチャートである。情報処理装置２の処理部２１は、各種センサ値データのグラフをカテゴリ分類する（ステップＳ５１１）。例えば、使用者である企業Ａは、状態検知結果表示画面９に表示するグラフを選択してカテゴリ分類することができる。また、トップ画面に表示すべき重要なセンサ値データのグラフを、重要グラフにカテゴリ分類することができる。グラフのカテゴリ分類方法は特に限定されるものではない。
次いで処理部２１は、各グラフにタグ情報を付与する（ステップＳ５１２）。例えば、グラフの名称、センサ値データが得られた成形機１の部位、状態検知結果の緊急度、グラフトレンドの分析結果、使用者が定義する注目度、使用者の閲覧頻度及び閲覧履歴、使用者の好み又は設定等をタグ情報として付与する。
図２５は、グラフ表示の処理手順を示すフローチャートである。情報処理装置２の処理部２１は、グラフ検索画面を制御装置１４又は端末装置８に提供し（ステップＳ５３１）、グラフの検索条件を受け付ける（ステップＳ５３２）。そして、処理部２１は、受け付けた検索条件に基づいて、複数の各グラフのタグ情報を参照し、該当するグラフを検索する（ステップＳ５３３）。処理部２１は検索処理によってヒットしたグラフ及び関連する状態検知結果を制御装置１４又は端末装置８に提供する（ステップＳ５３４）。
次いで、処理部２１は、追加の分析を行うための一又は複数のグラフの選択を受け（ステップＳ５３５）、追加分析を行う（ステップＳ５３６）。
図２６は、追加分析の一例である予測処理手順を示すフローチャートである。予測処理において、処理部２１は、選択されたグラフを制御装置１４又は端末装置８に表示させ（ステップＳ５５１）、予測用グラフ及び予測対象グラフの選択を受け付ける（ステップＳ５５２）。予測対象グラフは、予測したいセンサ値を表したグラフである。予測用グラフは、当該センサ値を予測するための予測値を含むグラフである。
図２７は、選択されたグラフを示す模式図である。上段のグラフは物理量Ａの時間変化を示すグラフであり、中断のグラフは物理量Ｂの時間変化を示すグラフであり、下段のグラフは物理量Ｃの時間変化を示すグラフである。
次いで、処理部２１は、分析条件の選択を受け付け（ステップＳ５５３）、直近の物理量Ｃからの変化を予測する（ステップＳ５５４）。つまり、その後の物理量Ｃの値を予測する。そして、処理部２１は、予測して得られた物理量Ｃを含むグラフを制御装置１４又は端末装置８に表示する（ステップＳ５５５）。
図２８は、予測結果を示すグラフの模式図である。例えば、使用者が、上段のグラフ及び中断のグラフを予測用グラフとして選択し、下段のグラフを予測対象グラフとして選択した場合、処理部２１は、物理量Ｃの予測を行い、図２８に示すように予測して得られた物理量Ｃを含むグラフを制御装置１４又は端末装置８に表示する。
図２９は、追加分析の一例である分析処理手順を示すフローチャート、図３０は、分析結果を表示する画面例である。分析処理において、処理部２１は、選択されたグラフを制御装置１４又は端末装置８に表示させ（ステップＳ５７１）、任意の評価期間の選択を受け付ける（ステップＳ５７２）。処理部２１は、選択された評価期間における各種統計量を算出する（ステップＳ５７３）。例えば、評価期間における物理量Ａ，Ｂ，Ｃの最大値、最小値、平均値、分散値、標準偏差等を算出する。そして、処理部２１は、算出した各種統計量を分析結果として制御装置１４又は端末装置８に提供して表示させる（ステップＳ５７４）。
次いで、処理部２１は、比較期間の選択を受け付ける（ステップＳ５７５）。使用者は、必要に応じて比較期間を設定することができる。比較期間が設定された場合、処理部２１は、比較期間の各種統計量を算出し、評価期間における各種統計量と、比較期間における各種統計量とを比較する（ステップＳ５７６）。そして、比較分析結果を制御装置１４又は端末装置８に提供して表示する（ステップＳ５７７）。
実施形態５に係る情報処理方法等によれば、各種センサ値のグラフ及び関連する状態検知結果を表示することができる。また、処理部２１は、使用者が所望するグラフを検索して表示することができる。更に、処理部２１は、特定の物理量を予測して表示させることができる。更にまた、処理部２１は、任意に設定された評価期間における各種統計量を表示することができる。更にまた、処理部２１は、任意に設定された評価期間及び比較期間において算出した各種統計量の比較結果を表示することができる。
なお、実施形態１～５では、会社等の企業Ａが使用者である例を説明したが、企業体、研究機関、その他の組織体であってもよい。
１ 成形機
２ 情報処理装置
３ 個別ＤＢ群
４ ＡＩモデル群
５ センサ
６ エッジコンピュータ
７ ルータ
８ 端末装置
９ 状態検知結果表示画面
１０ シリンダ
１１ スクリュ軸
１２ モータ
１３ 減速機
１４ 制御装置
２１ 処理部
２２ 記憶部
２３ 通信部
２２ａ 企業情報ＤＢ
２２ｂ 機器情報ＤＢ
３０ 試験機データベース
３１ 個別データベース
４１ 第１汎用ＡＩ群
４２ 第２汎用ＡＩ群
４３ 個別ファインチューニングＡＩ群
６１ 演算部
６２ 記憶部
６３ 通信部
６４ 入力部
Ｐ コンピュータプログラム

Claims (17)

  1. 複数の企業がそれぞれ使用する複数の製造装置の状態をコンピュータが検知する情報処理方法であって、
    前記コンピュータは、
    前記複数の企業がそれぞれ使用する前記複数の製造装置に係る物理量を検出して得られるセンサ値データを取得し、
    前記複数の製造装置から得られたセンサ値データを、該製造装置を使用する企業毎に用意した複数のデータベースに各別に格納し、
    前記複数のデータベースに格納されたセンサ値データに基づいて、前記製造装置の状態を検知するための複数の学習モデルを機械学習により生成し又は更新し、
    前記企業の識別情報と、該企業によって選択された一又は複数の前記学習モデルを示すモデル選択情報とを対応付けて記憶し、
    一の企業の前記製造装置から取得したセンサ値データを、該一の企業の前記識別情報に対応付けられた前記モデル選択情報が示す一又は複数の前記学習モデルに入力することによって該一の企業の前記製造装置の状態を算出する
    処理を実行する情報処理方法であり、
    更に、
    前記製造装置は成形機であり、
    前記複数の学習モデルは、前記成形機を構成する減速機の異常又は劣化を検知する学習モデルと、前記成形機を構成する回転軸の異常又は劣化を検知する学習モデルと、前記成形機の異常又は非効率な運転状態を検知する学習モデルとの少なくとも1つを含み、
    前記センサ値データは、少なくとも前記成形機から得られる物理量、及び成形品に係る物理量の少なくとも1つを含み、
    前記減速機の異常又は劣化を検知する学習モデルは、少なくとも前記成形機から得られる物理量に基づいた機械学習により生成又は更新されるモデルであり、
    前記回転軸の異常又は劣化を検知する学習モデルは、少なくとも前記成形機から得られる物理量に基づいた機械学習により生成又は更新されるモデルであり、
    前記成形機の異常又は非効率な運転状態を検知する学習モデルは、少なくとも前記成形機から得られる物理量又は成形品に係る物理量に基づいた機械学習により生成又は更新されるモデルである
    情報処理方法。
  2. 前記成形機の異常又は非効率な運転状態は、品質異常を招く運転状態を含む
    請求項１に記載の情報処理方法。
  3. 前記コンピュータは、
    一の企業の前記製造装置から得られたセンサ値データに基づいて、前記学習モデルを、前記一の企業の前記製造装置用の学習モデルとしてファインチューニングし、
    前記一の企業の前記製造装置から得られたセンサ値データを、前記ファインチューニングされた前記学習モデルに入力することによって、前記一の企業の前記製造装置の状態を算出する
    処理を実行する請求項１又は請求項２に記載の情報処理方法。
  4. 前記コンピュータは、
    前記企業に属する複数の工場それぞれに前記製造装置がある場合、一の前記工場にある前記製造装置から得られたセンサ値データに基づいて、前記学習モデルを該一の工場用の学習モデルとしてファインチューニングし、
    前記一の工場にある前記製造装置から得られたセンサ値データを、前記ファインチューニングされた前記学習モデルに入力することによって、前記一の工場にある前記製造装置の状態を算出する
    処理を実行する請求項１から請求項３のいずれか１項に記載の情報処理方法。
  5. 前記コンピュータは、
    前記企業に属する複数の工場それぞれに前記製造装置がある場合、複数の工場にある前記製造装置から得られたセンサ値データに基づいて、前記学習モデルを前記複数の工場で共用する学習モデルとしてファインチューニングし、
    前記複数の工場のいずれかにある前記製造装置から得られたセンサ値データを、前記ファインチューニングされた前記学習モデルに入力することによって、前記製造装置の状態を算出する
    処理を実行する請求項１から請求項４のいずれか１項に記載の情報処理方法。
  6. 前記コンピュータは、
    複数の前記製造装置に接続されたエッジコンピュータを介して各製造装置からセンサ値データを取得する場合、前記エッジコンピュータを介して得られた各製造装置のセンサ値データに基づいて、前記学習モデルを前記エッジコンピュータに接続された前記複数の製造装置で共用する学習モデルとしてファインチューニングし、
    前記エッジコンピュータに接続された前記製造装置から得られたセンサ値データを、前記ファインチューニングされた前記学習モデルに入力することによって、前記エッジコンピュータに接続された前記製造装置の状態を算出する
    処理を実行する請求項１から請求項５のいずれか１項に記載の情報処理方法。
  7. 前記コンピュータは、
    一の企業が使用する複数の前記製造装置がある場合、各製造装置から得られたセンサ値データに基づいて、前記学習モデルを各製造装置用の学習モデルとして各別にファインチューニングし、
    一の前記製造装置から得られたセンサ値データを、前記一の製造装置用としてファインチューニングされた前記学習モデルに入力することによって、前記一の製造装置の状態を算出する
    処理を実行する請求項１から請求項６のいずれか１項に記載の情報処理方法。
  8. 前記コンピュータは、
    関連企業である複数の企業が使用する複数の製造装置から得られたセンサ値データに基づいて、前記学習モデルを関連企業である前記複数の企業で共用する学習モデルとしてファインチューニングし、
    関連企業である前記複数の企業のいずれかが使用する前記製造装置から得られたセンサ値データを、前記ファインチューニングされた前記学習モデルに入力することによって、前記製造装置の状態を算出する
    処理を実行する請求項１から請求項７のいずれか１項に記載の情報処理方法。
  9. 前記コンピュータは、
    同一原料を使用する、同一機種の複数の前記製造装置から得られたセンサ値データに基づいて、前記学習モデルをファインチューニングし、
    同一原料を使用する、同一機種の前記製造装置から得られたセンサ値データを、前記ファインチューニングされた前記学習モデルに入力することによって、前記製造装置の状態を算出する
    処理を実行する請求項１から請求項８のいずれか１項に記載の情報処理方法。
  10. 前記コンピュータは、
    同一又は類似の環境にあり、同一原料を使用する、同一機種の複数の製造装置から得られたセンサ値データに基づいて、前記学習モデルをファインチューニングし、
    同一又は類似の環境にあり、同一原料を使用する、同一機種の前記製造装置から得られたセンサ値データを、前記ファインチューニングされた前記学習モデルに入力することによって、前記製造装置の状態を算出する
    処理を実行する請求項１から請求項９のいずれか１項に記載の情報処理方法。
  11. 前記コンピュータは、
    前記複数の企業を識別する識別情報と、該企業がファインチューニングされていない前記学習モデル又はファインチューニングされた前記学習モデルのいずれを使用するかを示す情報を記憶とを対応付けて記憶し、
    一の企業の前記製造装置から取得したセンサ値データを、該一の企業の前記識別情報に対応付けられた前記情報が示す前記学習モデルに入力することによって該一の企業の前記製造装置の状態を算出する
    処理を実行する請求項６から請求項１０のいずれか１項に記載の情報処理方法。
  12. 前記コンピュータは、
    前記製造装置の同一種類の状態を検知するファインチューニングされた前記学習モデルが複数のある場合、各学習モデルを用いた状態検知精度を算出し、
    算出された各学習モデルの状態検知精度を提示する
    処理を実行する請求項１１に記載の情報処理方法。
  13. 前記コンピュータは、
    前記複数の企業を識別する識別情報と、該企業が前記複数のデータベースに格納されたセンサ値データに基づいて生成された前記学習モデル又は試験機である製造装置又はシミュレータから得られたセンサ値データに基づいて、生成された前記製造装置の状態を検知するための学習モデルのいずれを使用するかを示す情報を記憶とを対応付けて記憶し、
    一の企業の前記製造装置から取得したセンサ値データを、該一の企業の前記識別情報に対応付けられた前記情報が示す前記学習モデルに入力することによって該一の企業の前記製造装置の状態を算出する
    処理を実行する請求項１から請求項１２のいずれか１項に記載の情報処理方法。
  14. 前記コンピュータは、
    前記複数のデータベースに格納されたセンサ値データに基づいて生成された前記学習モデルを用いた状態検知精度を算出し、
    試験機である製造装置又はシミュレータから得られたセンサ値データに基づいて、生成された前記製造装置の状態を検知するための前記学習モデルを用いた状態検知精度を算出し、
    算出された各学習モデルの状態検知精度を提示する
    処理を実行する請求項１３に記載の情報処理方法。
  15. 複数の企業がそれぞれ使用する複数の製造装置の状態を検知する情報処理装置であって、
    前記複数の企業がそれぞれ使用する前記複数の製造装置に係る物理量を検出して得られるセンサ値データを取得する取得部と、
    前記複数の製造装置から得られたセンサ値データを、該製造装置を使用する企業毎に各別に格納する複数のデータベースと、
    処理部と
    を備え、
    前記処理部は、
    前記複数のデータベースに格納されたセンサ値データに基づいて、前記製造装置の状態を検知するための複数の学習モデルを機械学習により生成し又は更新し、
    前記企業の識別情報と、該企業によって選択された一又は複数の前記学習モデルを示すモデル選択情報とを対応付けて記憶し、
    一の企業の前記製造装置から取得したセンサ値データを、該一の企業の前記識別情報に対応付けられた前記モデル選択情報が示す一又は複数の前記学習モデルに入力することによって該一の企業の前記製造装置の状態を算出するようにしてあり、
    前記製造装置は成形機であり、
    前記複数の学習モデルは、前記成形機を構成する減速機の異常又は劣化を検知する学習モデルと、前記成形機を構成する回転軸の異常又は劣化を検知する学習モデルと、前記成形機の異常又は非効率な運転状態を検知する学習モデルとの少なくとも1つを含み、
    前記センサ値データは、少なくとも前記成形機から得られる物理量、及び成形品に係る物理量の少なくとも1つを含み、
    前記減速機の異常又は劣化を検知する学習モデルは、少なくとも前記成形機から得られる物理量に基づいた機械学習により生成又は更新されるモデルであり、
    前記回転軸の異常又は劣化を検知する学習モデルは、少なくとも前記成形機から得られる物理量に基づいた機械学習により生成又は更新されるモデルであり、
    前記成形機の異常又は非効率な運転状態を検知する学習モデルは、少なくとも前記成形機から得られる物理量又は成形品に係る物理量に基づいた機械学習により生成又は更新されるモデルである
    情報処理装置。
  16. 請求項１５に記載の情報処理装置と、成形機とを備え、
    前記情報処理装置は、前記成形機の状態を検知するようにしてある
    成形機システム。
  17. 複数の企業がそれぞれ使用する複数の製造装置の状態を検知する処理をコンピュータに実行させるためのコンピュータプログラムであって、
    前記複数の企業がそれぞれ使用する前記複数の製造装置に係る物理量を検出して得られるセンサ値データを取得し、
    前記複数の製造装置から得られたセンサ値データを、該製造装置を使用する企業毎に用意した複数のデータベースに各別に格納し、
    前記複数のデータベースに格納されたセンサ値データに基づいて、前記製造装置の状態を検知するための複数の学習モデルを機械学習により生成し又は更新し、
    前記企業の識別情報と、該企業によって選択された一又は複数の前記学習モデルを示すモデル選択情報とを対応付けて記憶し、
    一の企業の前記製造装置から取得したセンサ値データを、該一の企業の前記識別情報に対応付けられた前記モデル選択情報が示す一又は複数の前記学習モデルに入力することによって該一の企業の前記製造装置の状態を算出する
    処理を前記コンピュータに実行させるためのコンピュータプログラムであり、
    前記製造装置は成形機であり、
    前記複数の学習モデルは、前記成形機を構成する減速機の異常又は劣化を検知する学習モデルと、前記成形機を構成する回転軸の異常又は劣化を検知する学習モデルと、前記成形機の異常又は非効率な運転状態を検知する学習モデルとの少なくとも1つを含み、
    前記センサ値データは、少なくとも前記成形機から得られる物理量、及び成形品に係る物理量の少なくとも1つを含み、
    前記減速機の異常又は劣化を検知する学習モデルは、少なくとも前記成形機から得られる物理量に基づいた機械学習により生成又は更新されるモデルであり、
    前記回転軸の異常又は劣化を検知する学習モデルは、少なくとも前記成形機から得られる物理量に基づいた機械学習により生成又は更新されるモデルであり、
    前記成形機の異常又は非効率な運転状態を検知する学習モデルは、少なくとも前記成形機から得られる物理量又は成形品に係る物理量に基づいた機械学習により生成又は更新されるモデルである
    コンピュータプログラム。
JP2021026384A 2021-02-22 2021-02-22 情報処理方法、情報処理装置、成形機システム及びコンピュータプログラム Active JP7480080B2 (ja)

Priority Applications (7)

Application Number Priority Date Filing Date Title
JP2021026384A JP7480080B2 (ja) 2021-02-22 2021-02-22 情報処理方法、情報処理装置、成形機システム及びコンピュータプログラム
KR1020237028330A KR20230147626A (ko) 2021-02-22 2022-02-17 정보 처리 방법, 정보 처리 장치, 성형기 시스템 및 컴퓨터 프로그램
CN202280016208.5A CN116868221A (zh) 2021-02-22 2022-02-17 信息处理方法、信息处理装置、成型机系统以及计算机程序
EP22756255.0A EP4296932A1 (en) 2021-02-22 2022-02-17 Information processing method, information processing device, molding machine system, and computer program
PCT/JP2022/006321 WO2022176937A1 (ja) 2021-02-22 2022-02-17 情報処理方法、情報処理装置、成形機システム及びコンピュータプログラム
US18/277,551 US20240126244A1 (en) 2021-02-22 2022-02-17 Information Processing Method, Information Processing Apparatus, Molding Machine System and Non-Transitory Computer Readable Recording Medium
TW111105981A TW202303317A (zh) 2021-02-22 2022-02-18 資訊處理方法、資訊處理裝置、成形機系統以及儲存可讀取電腦程式之記錄媒體

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021026384A JP7480080B2 (ja) 2021-02-22 2021-02-22 情報処理方法、情報処理装置、成形機システム及びコンピュータプログラム

Publications (2)

Publication Number Publication Date
JP2022128069A JP2022128069A (ja) 2022-09-01
JP7480080B2 true JP7480080B2 (ja) 2024-05-09

Family

ID=82930665

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021026384A Active JP7480080B2 (ja) 2021-02-22 2021-02-22 情報処理方法、情報処理装置、成形機システム及びコンピュータプログラム

Country Status (7)

Country Link
US (1) US20240126244A1 (ja)
EP (1) EP4296932A1 (ja)
JP (1) JP7480080B2 (ja)
KR (1) KR20230147626A (ja)
CN (1) CN116868221A (ja)
TW (1) TW202303317A (ja)
WO (1) WO2022176937A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AT525224A1 (de) * 2021-06-21 2023-01-15 Engel Austria Gmbh Verfahren, System und Computerprogrammprodukt zum Überwachen eines Formgebungsprozesses
JP7492188B1 (ja) 2024-03-25 2024-05-29 日本製鉄株式会社 学習システム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017159614A1 (ja) 2016-03-14 2017-09-21 オムロン株式会社 学習サービス提供装置
JP2019139734A (ja) 2018-02-14 2019-08-22 株式会社日立システムズ エッジサーバおよびエッジサーバにおけるａｉ学習モデル生成・運用方法
JP2020062848A (ja) 2018-10-19 2020-04-23 株式会社Ｉｂｕｋｉ 情報処理装置、情報処理方法、及びプログラム
JP2020080054A (ja) 2018-11-13 2020-05-28 ファナック株式会社 状態判定装置及び状態判定方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6787971B2 (ja) 2018-10-25 2020-11-18 ファナック株式会社 状態判定装置及び状態判定方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017159614A1 (ja) 2016-03-14 2017-09-21 オムロン株式会社 学習サービス提供装置
JP2019139734A (ja) 2018-02-14 2019-08-22 株式会社日立システムズ エッジサーバおよびエッジサーバにおけるａｉ学習モデル生成・運用方法
JP2020062848A (ja) 2018-10-19 2020-04-23 株式会社Ｉｂｕｋｉ 情報処理装置、情報処理方法、及びプログラム
JP2020080054A (ja) 2018-11-13 2020-05-28 ファナック株式会社 状態判定装置及び状態判定方法

Also Published As

Publication number Publication date
JP2022128069A (ja) 2022-09-01
EP4296932A1 (en) 2023-12-27
US20240126244A1 (en) 2024-04-18
TW202303317A (zh) 2023-01-16
KR20230147626A (ko) 2023-10-23
WO2022176937A1 (ja) 2022-08-25
CN116868221A (zh) 2023-10-10

Similar Documents

Publication Publication Date Title
CN109947088B (zh) 基于模型全生命周期管理的设备故障预警系统
CN117786373B (zh) 一种基于大数据的瓦楞纸加工的设备运行诊断系统
JP7480080B2 (ja) 情報処理方法、情報処理装置、成形機システム及びコンピュータプログラム
KR20220062547A (ko) 센서 애그나스틱 기계적 기계 결함 식별
JP7553369B2 (ja) 異常検知システム、成形機システム及び異常検知装置
US20200393818A1 (en) System and Method for Predicting Industrial Equipment Motor Behavior
JP2024116394A (ja) 異常検知システム及び成形機システム
Mohapatra et al. IoT-Enabled Predictive Maintenance and Analytic Hierarchy Process Based Prioritization of Real-Time Parameters in a Diesel Generator: An Industry 4.0 Case Study
WO2024084741A1 (ja) 情報処理方法、情報処理装置及びコンピュータプログラム
WO2024084742A1 (ja) 情報処理方法、情報処理装置及びコンピュータプログラム
WO2024084740A1 (ja) 情報処理方法、情報処理装置及びコンピュータプログラム
TW202433367A (zh) 資訊處理方法、資訊處理裝置以及電腦程式產品
TW202403581A (zh) 估計方法、估計裝置以及計算機程式產品
RU2795745C1 (ru) Независимая от датчика идентификация неисправности механического станка
WO2023209774A1 (ja) 異常診断方法、異常診断装置、および、異常診断プログラム
Chen et al. Health assessment of water pumps using high-dimensional monitoring data
WO2021242224A1 (en) Dynamic gauges for displaying present and predicted machine status
Zhu et al. 213 Introduction to NI LabVEW-based Watchdog Agent [○! R] Toolkit for Prognostics & Health Management

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230821

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240130

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240329

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: 20240409

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240424

R150 Certificate of patent or registration of utility model

Ref document number: 7480080

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150