JP7496223B2 - 学習データを収集するための方法、及びシステム - Google Patents

Description

本発明は、産業機械の異常を判定する人工知能の判定モデルを学習させるための学習データを収集するための方法、及びシステムに関する。

産業機械では、異常の発生を検知することが求められる場合がある。そのため、従来の技術では、産業機械の所定の出力値をセンサによって検出し、検出された出力値を閾値と比較することで、異常が判断されている（例えば特許文献１参照）

特開平０２－１９５４９８号公報

産業機械において、故障による停止の防止、或いは保全費用の低減のためには、機械が故障する前に、異常状態に近づいていること検出して保全することが重要である。しかし、上述した従来の技術では、産業機械が、異常状態に近づいていることを精度良く検出することは容易ではない。

近年、人工知能（以下、「ＡＩ」と呼ぶ）の判定モデルを用いて、機械の異常を検出する技術が提供されている。ＡＩの判定モデルは、機械の異常を示すデータを学習データとして学習済みである。そのため、異常検出の精度を向上させるためには、機械の異常を示すデータを数多く収集することが重要となる。しかし、機械の異常を示すデータを数多く収集することは容易ではない。

本開示の目的は、産業機械の異常を判定する人工知能の判定モデルを学習させるための精度のよい学習データを容易に収集することにある。

本開示の一態様に係る方法は、状態データから、判定モデルを学習させるための学習データを収集するための方法である。状態データは、第１要素部品を含む産業機械の動的な状態を示す。判定モデルは、第１要素部品の異常を判定する人工知能のモデルである。当該方法は、以下の処理を備える。第１の処理は、シミュレーションモデルを用意することである。シミュレーションモデルは、第１要素部品を模擬した第１モデル要素を含む。シミュレーションモデルは、入力された指令データに応じて、状態データを模擬した模擬状態データを生成する。第２の処理は、第１モデル要素に第１異常因子を入力することである。第３の処理は、シミュレーションモデルに指令データを入力することである。第４の処理は、シミュレーションモデルによって生成された模擬状態データを、第１要素部品の第１模擬異常データとして取得することである。第５の処理は、第１模擬異常データが、実際の状態データから規定される適正範囲に属するかを判定することである。第６の処理は、第１模擬異常データが適正範囲に属するときには、第１模擬異常データに第１要素部品をラベル付けして、第１要素部品の異常を判定するための学習データとして保存することである。

本開示の他の態様に係るシステムは、状態データから、判定モデルを学習させるための学習データを収集するためのシステムである。状態データは、第１要素部品を含む産業機械の動的な状態を示す。判定モデルは、第１要素部品の異常を判定する人工知能のモデルである。当該システムは、シミュレーションモデルと、プロセッサとを備える。シミュレーションモデルは、第１要素部品を模擬した第１モデル要素を含む。シミュレーションモデルは、入力された指令データに応じて、状態データを模擬した模擬状態データを生成する。プロセッサは、第１モデル要素に第１異常因子を入力する。プロセッサは、指令データに応じてシミュレーションモデルによって生成された模擬状態データを、第１要素部品の第１模擬異常データとして取得する。プロセッサは、第１模擬異常データが、実際の状態データから規定される適正範囲に属するかを判定する。プロセッサは、第１模擬異常データが適正範囲に属するときには、第１要素部品がラベル付けされた第１模擬異常データを、第１要素部品の異常を判定するための学習データとして保存する。

本開示によれば、シミュレーションモデルを利用することで、異常を判定するための学習データを収集することができる。それにより、学習データを容易に収集することができる。また、シミュレーションモデルから生成された第１模擬異常データのうち適正範囲に属すると判定されたものが、学習データとして保存される。そのため、精度のよい学習データを収集することができる。

実施形態に係る予知保全システムを示す模式図である。 産業機械の正面図である。 スライド駆動系を示す図である。 ダイクッション駆動系を示す図である。 ローカルコンピュータによって実行される処理を示すフローチャートである。 解析データの一例を示す図である。 サーバによって実行される処理を示すフローチャートである。 ローカルコンピュータによって実行される処理を示すフローチャートである。 サーバによって実行される処理を示すフローチャートである。 判定モデルを示す図である。 学習データの一例を示す図である。 保全管理画面の一例を示す図である。 保全管理画面の一例を示す図である。 保全部位管理画面の一例を示す図である。 学習システムの構成を示す図である。 異常データを人工的に収集するための処理を示すフローチャートである。 シミュレーションモデルの構成を示すブロック図である。 指令データと、シミュレーションモデルが算出した模擬状態データとの一例を示す図である。 第１異常因子による異常データを収集するための処理を示す図である。 第１要素部品としてのモータベアリングを示す図である。 適正範囲の一例を示す図である。 第２異常因子による異常データを収集するための処理を示す図である。

以下、図面を参照して実施形態について説明する。図１は、実施形態に係る予知保全システム１を示す模式図である。予知保全システム１は、産業機械において故障の発生前に、保全対象とする部位を判定するためのシステムである。予知保全システム１は、産業機械２Ａ－２Ｃと、ローカルコンピュータ３Ａ－３Ｃと、サーバ４とを含む。

図１に示すように、産業機械２Ａ－２Ｃは、異なるエリア内に配置されてもよい。或いは、産業機械２Ａ－２Ｃは、同じエリア内に配置されてもよい。例えば、産業機械２Ａ－２Ｃは、異なる工場内に配置されてもよい。或いは、産業機械２Ａ－２Ｃは、同じ工場内に配置されてもよい。本実施形態において、産業機械２Ａ－２Ｃは、プレス機械である。なお、図１では３つの産業機械が図示されている。しかし、産業機械の数は、３つより少なくてもよく、或いは３つより多くてもよい。

図２は、産業機械２Ａの正面図である。産業機械２Ａは、スライダ１１と、複数のスライド駆動系１２ａ－１２ｄと、ボルスタ１６と、ベッド１７と、ダイクッション装置１８と、コントローラ５Ａ（図１参照）とを含む。スライダ１１は、上下に移動可能に設けられている。スライダ１１には、上型２１が取り付けられる。複数のスライド駆動系１２ａ－１２ｄは、スライダ１１を動作させる。産業機械２Ａは、例えば４つのスライド駆動系１２ａ－１２ｄを含む。図２では、２つのスライド駆動系１２ａ，１２ｂが示されている。他のスライド駆動系１２ｃ，１２ｄは、スライド駆動系１２ａ，１２ｂの後方に配置されている。ただし、スライド駆動系の数は４つに限らず、４つより少なくてもよく、或いは４つより多くてもよい。

ボルスタ１６は、スライダ１１の下方に配置されている。ボルスタ１６には、下型２２が取り付けられる。ベッド１７は、ボルスタ１６の下方に配置されている。ダイクッション装置１８は、プレス時に下型２２に上向きの荷重を付加する。詳細には、ダイクッション装置１８は、プレス時に下型２２のブランクホルダ部に上向きの荷重を負荷する。コントローラ５Ａは、スライダ１１とダイクッション装置１８との動作を制御する。

図３は、スライド駆動系１２ａを示す図である。図３に示すように、スライド駆動系１２ａは、サーボモータ２３ａ、減速機２４ａ、タイミングベルト２５ａ、及びコンロッド２６ａなどの複数の部位を含む。サーボモータ２３ａと、減速機２４ａと、タイミングベルト２５ａと、コンロッド２６ａとは、連動して動作するように、互いに連結されている。

サーボモータ２３ａは、コントローラ５Ａによって制御される。サーボモータ２３ａは、出力軸２７ａとモータベアリング２８ａを含む。モータベアリング２８ａは、出力軸２７ａを支持している。減速機２４ａは、複数のギアを含む。減速機２４ａは、タイミングベルト２５ａを介して、サーボモータ２３ａの出力軸２７ａに連結されている。減速機２４ａは、コンロッド２６ａに連結されている。コンロッド２６ａは、スライダ１１の支持軸２９に接続されている。支持軸２９は、支持軸ホルダ（図示せず）に対して、上下方向に摺動可能である。サーボモータ２３ａの駆動力は、タイミングベルト２５ａ、減速機２４ａ、及びコンロッド２６ａを介して、スライダ１１に伝達される。それにより、スライダ１１が上下に移動する。

他のスライド駆動系１２ｂ－１２ｄも、上述したスライド駆動系１２ａと同様の構成を有している。以下の説明では、他のスライド駆動系１２ｂ－１２ｄの構成のうち、スライド駆動系１２ａの構成に対応するものについては、スライド駆動系１２ａの構成と同じ数字とスライド駆動系１２ｂ－１２ｄのアルファベットとからなる符合を付するものとする。例えば、スライド駆動系１２ｂは、サーボモータ２３ｂを含む。スライド駆動系１２ｃは、サーボモータ２３ｃを含む。

図２に示すように、ダイクッション装置１８は、クッションパッド３１と、複数のダイクッション駆動系３２ａ－３２ｄとを含む。クッションパッド３１は、ボルスタ１６の下方に配置されている。クッションパッド３１は、上下に移動可能に設けられている。複数のダイクッション駆動系３２ａ－３２ｄは、クッションパッド３１を上下に動作させる。産業機械２Ａは、例えば４つのダイクッション駆動系３２ａ－３２ｄを含む。ただし、ダイクッション駆動系の数は４つに限らず、４つより少なくてもよく、或いは４つより多くてもよい。なお、図２では、２つのダイクッション駆動系３２ａ，３２ｂが示されている。他のダイクッション駆動系３２ｃ，３２ｄは、ダイクッション駆動系３２ａ，３２ｂの後方に配置されている。

図４は、ダイクッション駆動系３２ａを示す図である。図４に示すように、ダイクッション駆動系３２ａは、サーボモータ３６ａ、タイミングベルト３７ａ、ボールスクリュー３８ａ、及び駆動部材３９ａなどの複数の部位を含む。サーボモータ３６ａと、タイミングベルト３７ａと、ボールスクリュー３８ａとは、連動して動作するように、互いに連結されている。サーボモータ３６ａは、コントローラ５Ａによって制御される。サーボモータ３６ａは、出力軸４１ａとモータベアリング４２ａとを含む。モータベアリング４２ａは、出力軸４１ａを支持している。

サーボモータ３６ａの出力軸４１ａは、タイミングベルト３７ａを介して、ボールスクリュー３８ａに連結されている。ボールスクリュー３８ａは、回転することで、上下に移動する。駆動部材３９ａは、ボールスクリュー３８ａと螺合するナット部を含む。駆動部材３９ａは、ボールスクリュー３８ａに押圧されることで、上方に移動する。駆動部材３９ａは、オイル室４０ａに配置されたピストンを含む。駆動部材３９ａは、オイル室４０ａを介して、クッションパッド３１を支持している。

他のダイクッション駆動系３２ｂ－３２ｄも、上述したダイクッション駆動系３２ａと同様の構成を有している。以下の説明では、他のダイクッション駆動系３２ｂ－３２ｄの構成のうち、ダイクッション駆動系３２ａの構成に対応するものについては、ダイクッション駆動系３２ａの構成と同じ数字とダイクッション駆動系３２ｂ－３２ｄのアルファベットとからなる符合を付するものとする。例えば、ダイクッション駆動系３２ｂは、サーボモータ３６ｂを含む。ダイクッション駆動系３２ｃは、サーボモータ３６ｃを含む。

他の産業機械２Ｂ，２Ｃの構成も、上述した産業機械２Ａと同様である。図１に示すように、産業機械２Ｂ，２Ｃは、それぞれコントローラ５Ｂ，５Ｃによって制御される。なお、産業機械２Ａ－２Ｃは、ダイクッション装置を備えないものであってもよい。例えば、産業機械２Ｃは、ダイクッション装置を備えないプレス機械である。

ローカルコンピュータ３Ａ－３Ｃは、それぞれ産業機械２Ａ－２Ｃのコントローラ５Ａ－５Ｃと通信する。図１に示すように、ローカルコンピュータ３Ａは、プロセッサ５１と記憶装置５２と通信装置５３とを含む。プロセッサ５１は、例えばCPU（central processing unit）である。或いは、プロセッサ５１は、CPUと異なるプロセッサであってもよい。プロセッサ５１は、プログラムに従って、産業機械２Ａの予知保全のための処理を実行する。

記憶装置５２は、ROMなどの不揮発性メモリと、RAMなどの揮発性メモリとを含む。記憶装置５２は、ハードディスク、或いはSSD（Solid State Drive）などの補助記憶装置を含んでもよい。記憶装置５２は、非一時的な（non-transitory）コンピュータで読み取り可能な記録媒体の一例である。記憶装置５２は、ローカルコンピュータ３Ａを制御するためのコンピュータ指令及びデータを記憶している。通信装置５３は、サーバ４と通信する。他のローカルコンピュータ３Ｂ，３Ｃの構成は、ローカルコンピュータ３Ａと同様である。

サーバ４は、ローカルコンピュータ３Ａ－３Ｃを介して、産業機械２Ａ－２Ｃから、予知保全のためのデータを収集する。サーバ４は、収集したデータに基づいて、予知保全サービスを実行する。予知保全サービスでは、保全対象とする部位が特定される。サーバ４は、クライアントコンピュータ６と通信する。サーバ４は、クライアントコンピュータ６に、予知保全サービスを提供する。

サーバ４は、第１通信装置５５と、第２通信装置５６と、プロセッサ５７と、記憶装置５８とを含む。第１通信装置５５は、ローカルコンピュータ３Ａ－３Ｃと通信を行う。第２通信装置５６は、クライアントコンピュータ６と通信を行う。プロセッサ５７は、例えばCPU（central processing unit）である。或いは、プロセッサ５７は、CPUと異なるプロセッサであってもよい。プロセッサ５７は、プログラムに従って、予知保全サービスのための処理を実行する。

記憶装置５８は、ROMなどの不揮発性メモリと、RAMなどの揮発性メモリとを含む。記憶装置５８は、ハードディスク、或いはSSD（Solid State Drive）などの補助記憶装置を含んでもよい。記憶装置５８は、非一時的な（non-transitory）コンピュータで読み取り可能な記録媒体の一例である。記憶装置５８は、サーバ４を制御するためのコンピュータ指令及びデータを記憶している。

上述した通信は、3G、4G、或いは5Gなどの移動体通信ネットワークを介して行われてもよい。或いは、通信は、衛星通信などの他の無線通信ネットワークを介して行われてもよい。或いは、通信は、ＬＡＮ，ＶＰＮ，インターネットなどのコンピュータ通信ネットワークを介して行われてもよい。或いは、通信は、これらの通信ネットワークの組み合わせを介して行われてもよい。

次に、予知保全サービスのための処理について説明する。図５は、ローカルコンピュータ３Ａ－３Ｃによって実行される処理を示すフローチャートである。以下、ローカルコンピュータ３Ａが図５に示す処理を実行する場合について説明するが、他のローカルコンピュータ３Ｂ，３Ｃも、ローカルコンピュータ３Ａと同様の処理を実行する。

図５に示すように、ステップＳ１０１では、ローカルコンピュータ３Ａは、産業機械２Ａのコントローラ５Ａから、駆動系データを取得する。駆動系データは、駆動系１２ａ－１２ｄ，３２ａ－３２ｄに含まれる部位の加速度を含む。例えば、駆動系データは、サーボモータ２３ａ－２３ｄ，３６ａ－３６ｄの角加速度を含む。角加速度は、サーボモータ２３ａ－２３ｄ，３６ａ－３６ｄの回転速度から算出されてもよい。或いは、角加速度は、振動センサなどのセンサによって検出されてもよい。以下、ローカルコンピュータ３Ａが、駆動系１２ａの駆動系データを取得する場合について説明する。

ローカルコンピュータ３Ａは、所定の開始条件が満たされたときに、駆動系１２ａの駆動系データを取得する。所定の開始条件は、前回の取得から所定時間が経過していることを含む。所定時間は、例えば数時間であるが、これに限らない。所定の開始条件は、サーボモータ２３ａの回転速度が、所定の閾値を超えていることである。所定の閾値は、例えば産業機械２Ａが、動作中であって、且つ、プレス加工中ではない状態であることを示す値であることが好ましい。

ローカルコンピュータ３Ａは、所定のサンプリング周期でサーボモータ２３ａの角加速度の複数の値を取得する。サンプル数は、例えば数百～数千であるが、これに限られない。１単位の駆動系データは、所定時間内にサンプリングされた複数の角加速度の値を含む。所定時間は、例えば、サーボモータ２３ａの数回転分に相当する時間であってもよい。

ステップＳ１０２では、ローカルコンピュータ３Ａは、解析データを生成する。ローカルコンピュータ３Ａは、例えば、高速フーリエ変換によって、駆動系データから解析データを生成する。ただし、ローカルコンピュータ３Ａは、高速フーリエ変換と異なる周波数解析のアルゴリズムを用いてもよい。駆動系データ及び解析データは、産業機械２Ａの駆動系の動的な状態を示す状態データの一例である。

ステップＳ１０３では、ローカルコンピュータ３Ａは、解析データから特徴量を抽出する。図６は、解析データの一例を示す図である。図６において、横軸は周波数であり、縦軸は振幅である。特徴量は、例えば、閾値以上の振幅のピークの値、及び、その周波数である。

ステップＳ１０４では、ローカルコンピュータ３Ａは、解析データと特徴量とを記憶装置５２に保存する。ローカルコンピュータ３Ａは、解析データと特徴量とを、それらに対応する駆動系データの取得時間を示すデータと共に保存する。ステップＳ１０５では、ローカルコンピュータ３Ａは、特徴量をサーバ４に送信する。ここでは、ローカルコンピュータ３Ａは、解析データではなく特徴量をサーバ４に送信する。

ローカルコンピュータ３Ａは、駆動系１２ａについて、１単位の状態データファイルを生成し、記憶装置５２に状態データファイルを保存する。１単位の状態データファイルは、１単位の駆動系データと、当該駆動系データから変換された解析データと、特徴量とを含む。

また、状態データファイルは、状態データが取得された時間を示すデータを含む。状態データファイルは、状態データファイルの識別子を示すデータを含む。状態データファイルは、対応する駆動系の識別子を示すデータを含む。識別子は、名称であってもよく、或いはコードであってもよい。ローカルコンピュータ３Ａは、特徴量と、当該特徴量に対応する状態データファイルの識別子とを共に、サーバ４に送信する。

ローカルコンピュータ３Ａは、以上の処理と同様の処理を、他の駆動系１２ｂ－１２ｄ，３２ａ－３２ｄに対して実行する。ローカルコンピュータ３Ａは、他の駆動系１２ｂ－１２ｄ，３２ａ－３２ｄのそれぞれについて、状態データファイルを生成する。ローカルコンピュータ３Ａは、他の駆動系１２ｂ－１２ｄ，３２ａ－３２ｄのそれぞれについて、特徴量と、当該特徴量に対応する状態データファイルの識別子とを共に、サーバ４に送信する。また、ローカルコンピュータ３Ａは、上述した処理を所定時間ごとに繰り返す。それにより、所定時間ごとの複数の状態データファイルが記憶装置５２に保存される。それにより、時系列的に取得された複数の状態データファイルが記憶装置５２に蓄積される。

ローカルコンピュータ３Ｂは、産業機械２Ｂに対して、ローカルコンピュータ３Ａと同様の処理を実行する。また、ローカルコンピュータ３Ｃは、産業機械２Ｃに対して、ローカルコンピュータ３Ａと同様の処理を実行する。

図７は、サーバ４によって実行される処理を示すフローチャートである。以下の説明では、サーバ４がローカルコンピュータ３Ａから特徴量を受信したときの処理について説明する。図７に示すように、ステップＳ２０１では、サーバ４は、特徴量を受信する。サーバ４は、ローカルコンピュータ３Ａから、特徴量を受信する。

ステップＳ２０２では、サーバ４は、駆動系１２ａ－１２ｄ，３２ａ－３２ｄが正常であるかを判定する。サーバ４は、駆動系１２ａ－１２ｄ，３２ａ－３２ｄに対応する特徴量から、駆動系１２ａ－１２ｄ，３２ａ－３２ｄのそれぞれが、正常であるかを判定する。駆動系１２ａ－１２ｄ，３２ａ－３２ｄが正常であるかの判定は、品質工学における公知の判定手法によって行われてもよい。例えば、サーバ４は、ＭＴ法（マハラノビス・タグチ法）を用いて、駆動系１２ａ－１２ｄ，３２ａ－３２ｄが正常であるかを判定する。ただし、サーバ４は、他の手法を用いて、駆動系１２ａ－１２ｄ，３２ａ－３２ｄが正常であるかを判定してもよい。

ステップＳ２０２において、駆動系１２ａ－１２ｄ，３２ａ－３２ｄの少なくとも１つが正常ではないと、サーバ４が判定したときには、処理はステップＳ２０３に進む。なお、駆動系１２ａ－１２ｄ，３２ａ－３２ｄが正常ではないことは、駆動系１２ａ－１２ｄ，３２ａ－３２ｄがまだ故障していないが、劣化がある程度まで進んだ状態を意味する。

ステップＳ２０３では、サーバ４は、ローカルコンピュータ３Ａに解析データを要求する。サーバ４は、解析データの送信の要求信号を、ローカルコンピュータ３Ａに送信する。要求信号は、正常では無いと判定された駆動系に対応する状態データファイルの識別子を含む。サーバ４は、要求信号をローカルコンピュータ３Ａに送信して、当該状態データファイルの解析データを要求する。

図８は、ローカルコンピュータ３Ａによって実行される処理を示すフローチャートである。図８に示すように、ステップＳ３０１では、ローカルコンピュータ３Ａは、サーバ４からの解析データの要求があるかを判定する。ローカルコンピュータ３Ａは、上述した要求信号をサーバ４から受信すると、解析データの要求があると判定する。

ステップＳ３０２では、ローカルコンピュータ３Ａは、解析データを検索する。ローカルコンピュータ３Ａは、記憶装置５２に保存された複数の状態データファイルから、要求された状態データファイル内の解析データを検索する。ステップＳ３０３では、ローカルコンピュータ３Ａは、要求された解析データをサーバ４に送信する。

図９は、サーバ４によって実行される処理を示すフローチャートである。図９に示すように、ステップＳ４０１では、サーバ４は、ローカルコンピュータ３Ａから解析データを受信する。サーバ４は、記憶装置５８に解析データを保存する。ステップＳ４０２では、サーバ４は、判定モデル６０，７０に解析データを入力する。

図１０Ａ及び図１０Ｂに示すように、サーバ４は、判定モデル６０，７０を有する。判定モデル６０，７０は、解析データを入力として、駆動系に含まれる部位の異常の可能性を出力するように、機械学習により学習済みのモデルである。判定モデル６０，７０は、人工知能のアルゴリズムと、学習によってチューニングされたパラメータとを含む。判定モデル６０，７０は、データとして記憶装置５８に保存されている。判定モデル６０，７０は、例えば、ニューラルネットワークを含む。判定モデル６０，７０は、畳み込みニューラルネットワーク（CNN）などのディープニューラルネットワークを含む。

サーバ４は、スライド駆動系１２ａ－１２ｄ用の判定モデル６０と、ダイクッション駆動系３２ａ－３２ｄ用の判定モデル７０とを有する。判定モデル６０は、複数の判定モデル６１－６４を含む。複数の判定モデル６１－６４のそれぞれは、スライド駆動系１２ａ－１２ｄに含まれる複数の部位に対応している。判定モデル６０は、入力された解析データの波形から、対応する部位の異常の可能性を示す値を出力する。判定モデル６１－６４は、学習データによって、学習済みである。

判定モデル７０は、複数の判定モデル７１－７３を含む。複数の判定モデル７１－７３のそれぞれは、ダイクッション駆動系３２ａ－３２ｄに含まれる複数の部位に対応している。判定モデル７０は、入力された解析データの波形から、対応する部位の異常の可能性を示す値を出力する。判定モデル７１－７３は、学習データによって、学習済みである。

学習データは、異常時の解析データと正常時の解析データとを含む。図１１Ａは、異常時の解析データの一例である。図１１Ｂは、正常時の解析データの一例である。異常時の解析データは、対応する部位における異常発生直前から、異常発生時の所定期間前までの解析データである。図１１Ａに示すように、異常時の解析データでは、波形の複数のピークが所定の閾値Ｔｈ１を超えている。正常時の解析データは、部位の使用時間が短く、且つ、異常が発生していないときの解析データである。正常時の解析データでは、波形の全てのピークは所定の閾値Ｔｈ１よりも低い。

図１０Ａに示すように、本実施形態では、サーバ４は、スライド駆動系１２ａ－１２ｄに対して、モータベアリング用の判定モデル６１と、タイミングベルト用の判定モデル６２と、コンロッド用の判定モデル６３と、減速機用の判定モデル６４とを有する。モータベアリング用の判定モデル６１は、解析データから、モータベアリング２８ａ－２８ｄの異常の可能性を示す値を出力する。タイミングベルト用の判定モデル６２は、解析データから、タイミングベルト２５ａ－２５ｄの異常の可能性を示す値を出力する。コンロッド用の判定モデル６３は、解析データから、コンロッド２６ａ－２６ｄの異常の可能性を示す値を出力する。減速機用の判定モデル６４は、解析データから、減速機２４ａ－２４ｄのベアリングの異常の可能性を示す値を出力する。

図１０Ｂに示すように、サーバ４は、ダイクッション駆動系３２ａ－３２ｄに対して、モータベアリング用の判定モデル７１と、タイミングベルト用の判定モデル７２と、ボールスクリュー用の判定モデル７３とを有する。モータベアリング用の判定モデル７１は、解析データから、モータベアリング４２ａ－４２ｄの異常の可能性を示す値を出力する。タイミングベルト用の判定モデル７２は、解析データから、タイミングベルト３７ａ－３７ｄの異常の可能性を示す値を出力する。ボールスクリュー用の判定モデル７３は、解析データから、ボールスクリュー３８ａ－３８ｄの異常の可能性を示す値を出力する。

サーバ４は、ステップＳ４０１で取得した解析データを、上記の判定モデル６１－６４のそれぞれ、或いは、判定モデル７１－７３のそれぞれに入力する。例えば、スライド駆動系１２ａが正常ではないと判定されたときには、サーバ４は、スライド駆動系１２ａの解析データを、判定モデル６１－６４に入力する。それにより、サーバ４は、スライド駆動系１２ａの各部位の異常の可能性を示す値を出力値として取得する。

或いは、ダイクッション駆動系３２ａが正常ではないと判定されたときには、サーバ４は、ダイクッション駆動系３２ａの解析データを判定モデル７１－７３に入力する。それにより、サーバ４は、ダイクッション駆動系３２ａの各部位の異常の可能性を示す値を出力値として取得する。

ステップＳ４０３では、サーバ４は、出力値の最も大きい部位を、異常部位と判定する。例えば、サーバ４は、スライド駆動系１２ａに対して、モータベアリング用の判定モデル６１と、タイミングベルト用の判定モデル６２と、コンロッド用の判定モデル６３と、減速機用の判定モデル６４とからの出力値のうち、最も大きい値に対応する部位を、異常部位と判定する。或いは、サーバ４は、ダイクッション駆動系３２ａに対して、モータベアリング用の判定モデル７１と、タイミングベルト用の判定モデル７２と、ボールスクリュー用の判定モデル７３とからの出力値のうち、最も大きい値に対応する部位を、異常部位と判定する。

ステップＳ４０４では、サーバ４は、異常部位の残存寿命を算出する。例えば、サーバ４は、ＭＴ法（マハラノビス・タグチ法）などの品質工学の公知の手法を用いて、異常部位の残存寿命を算出してもよい。ただし、サーバ４は、他の手法を用いて、残存寿命を算出してもよい。

ステップＳ４０５では、サーバ４は、予知保全データを更新する。予知保全データは、記憶装置５８に保存されている。予知保全データは、サーバ４に登録されている産業機械２Ａ－２Ｃの駆動系の残存寿命を示すデータを含む。予知保全データは、駆動系の複数の部位のうち、異常部位と判定された部位の残存寿命を示すデータを含む。

ステップＳ４０６では、サーバ４は、保全管理画面の表示要求があるかを判定する。サーバ４は、クライアントコンピュータ６から、保全管理画面の要求信号を受信したときに、保全管理画面の表示要求があると判定する。保全管理画面の表示要求があるときには、サーバ４は、管理画面データを送信する。管理画面データは、クライアントコンピュータ６のディスプレイ７に、保全管理画面を表示するためのデータである。

図１２から図１４は、保全管理画面の一例を示す図である。保全管理画面は、図１２に示す機械一覧画面８１と、図１３に示す機械個別画面８２と、図１４に示す保全部位管理画面１００とを含む。クライアントコンピュータ６のユーザは、機械一覧画面８１と機械個別画面８２とを選択的にディスプレイ７に表示させることができる。機械一覧画面８１が選択されたときには、サーバ４は、予知保全データに基づいて機械一覧画面８１を示すデータを生成して、クライアントコンピュータ６に機械一覧画面８１を示すデータを送信する。機械個別画面８２が選択されたときには、サーバ４は、予知保全データに基づいて機械画面を示すデータを生成して、クライアントコンピュータ６に機械個別画面８２を示すデータを送信する。

図１２は、機械一覧画面８１の一例を示す図である。機械一覧画面８１は、サーバ４に登録された複数の産業機械２Ａ－２Ｃに関する予知保全データを表示する。図１２に示すように、機械一覧画面８１は、エリア識別子８３と、機械識別子８４と、駆動系識別子８５と、寿命インジケータ８６とを含む。機械一覧画面８１では、エリア識別子８３と、機械識別子８４と、駆動系識別子８５と、寿命インジケータ８６とが一覧で表示される。

エリア識別子８３は、産業機械２Ａ－２Ｃが配置されたエリアの識別子である。機械識別子８４は、産業機械２Ａ－２Ｃのそれぞれの識別子である。駆動系識別子８５は、スライド駆動系１２ａ－１２ｄ、或いはダイクッション駆動系３２ａ－３２ｄの識別子である。これらの識別子は、名称であってもよく、或いはコードであってもよい。

寿命インジケータ８６は、産業機械２Ａ－２Ｃのそれぞれに対して、スライド駆動系１２ａ－１２ｄ、或いはダイクッション駆動系３２ａ－３２ｄの残存寿命を示す。寿命インジケータ８６は、残存寿命を示す数値を含む。残存寿命は、例えば日数で示される。ただし、残存寿命は、時間（hour）などの他の単位で示されてもよい。

また、寿命インジケータ８６は、残存寿命を示すグラフィック表示を含む。本実施形態において、グラフィック表示は、バー表示である。サーバ４は、残存寿命に応じて寿命インジケータ８６のバーの長さを変更する。ただし、残存寿命は、他の表示態様によって表示されてもよい。

サーバ４は、ステップＳ４０４と同様に、正常と判断された駆動系に対して、その特徴量から残存寿命を判定し、当該残存寿命を寿命インジケータ８６で表示してもよい。サーバ４は、異常部位を含む駆動系に対しては、上述したステップＳ４０４で判定された異常部位の残存寿命を寿命インジケータ８６で表示してもよい。

サーバ４は、機械一覧画面８１において、残存寿命に応じて複数の駆動系の寿命インジケータ８６を色分けして表示する。例えば、残存寿命が第１閾値以上であるときには、サーバ４は、寿命インジケータ８６を正常色で表示する。残存寿命が第１閾値より小さく、第２閾値以上であるときには、サーバ４は、寿命インジケータ８６を第１警告色で表示する。残存寿命が第２閾値より小さいときには、サーバ４は、寿命インジケータ８６を第２警告色で表示する。なお、第２閾値は、第１閾値より小さい。正常色と第１警告色と第２警告色とは、互いに異なる色である。従って、残存寿命が短い部位の寿命インジケータ８６は、正常な部位の寿命インジケータ８６と異なる色で表示される。

図１３は、機械個別画面８２の一例を示す図である。サーバ４は、クライアントコンピュータ６から、機械個別画面８２の要求信号を受信したときに、機械個別画面８２をディスプレイ７に表示するためのデータをクライアントコンピュータ６に送信する。機械個別画面８２は、サーバ４に登録された複数の産業機械２Ａ－２Ｃから選択された１つの産業機械に関する予知保全データを表示する。ただし、機械個別画面８２は、選択された複数の産業機械に関する予知保全データを表示してもよい。

以下、産業機械２Ａが選択された場合の機械個別画面８２について説明する。機械個別画面８２は、エリア識別子９１と、産業機械の識別子９２と、交換計画リスト９３と、残存寿命グラフ９４とを含む。エリア識別子９１は、産業機械２Ａが配置されたエリアの識別子である。機械識別子９２は、産業機械２Ａの識別子である。

交換計画リスト９３は、複数の部位のうち保全対象とする部位に関する予知保全データを表示する。上述した判定モデル６０，７０によって異常部位と判定された部位が、交換計画リスト９３に表示される。従って、サーバ４は、複数の部位の少なくとも１つにおいて異常があると判定したときには、交換計画リスト９３に当該部位を表示することで、ユーザに異常を知らせることができる。

交換計画リスト９３では、残存寿命の短いものから順に、産業機械２Ａの各駆動系に含まれる複数の部位の少なくとも一部が表示される。交換計画リスト９３は、優先度９５と、更新日９６と、駆動系の識別子９７と、部位の識別子９８と、寿命インジケータ９９とを含む。

優先度９５は、駆動系の部位の交換の優先度を示す。残存寿命が短いほど、優先度９５が高い。従って、交換計画リスト９３では、残存寿命が最も短い部位の識別子９８と寿命インジケータ９９とが、最も上位に表示される。更新日９６は、駆動系の部位の前回の交換日を示す。駆動系の識別子９７は、スライド駆動系１２ａ－１２ｄ、或いはダイクッション駆動系３２ａ－３２ｄの識別子である。

部位の識別子９８は、駆動系に含まれる部位の識別子である。例えば、部位の識別子９８は、スライド駆動系１２ａ－１２ｄのサーボモータ、減速機、タイミングベルト、或いはコンロッドの識別子である。或いは、ダイクッション駆動系３２ａ－３２ｄのサーボモータ、タイミングベルト、或いはボールスクリューの識別子である。サーバ４は、上述した判定モデル６０，７０を用いて異常部位と判定した部位の識別子９８を、交換計画リスト９３に表示する。これらの識別子は、名称であってもよく、或いはコードであってもよい。

寿命インジケータ９９は、スライド駆動系１２ａ－１２ｄ、或いはダイクッション駆動系３２ａ－３２ｄの各部位の残存寿命を示す。寿命インジケータ９９は、各部位の残存寿命を示す数値とグラフィック表示とを含む。寿命インジケータ９９については、上述した機械一覧画面８１の寿命インジケータ８６と同様であるため、説明を省略する。

残存寿命グラフ９４は、駆動系１２ａ－１２ｄ，３２ａ－３２ｄのそれぞれの残存寿命がグラフ化されている。残存寿命グラフ９４において、横軸は、状態データが取得された時間（time）であり、縦軸は、特徴量から算出された残存寿命である。

図１４は、保全部位管理画面１００の一例を示す図である。図１４に示すように、保全部位管理画面１００は、保全項目１０１、規定時間／回数１０２、現在値１０３、前回実施日１０４、及び残存時間／回数１０５のそれぞれの表示を含む。また、保全部位管理画面１００は、リセットの操作表示１０６を含む。保全項目１０１は、保全対象である部位を示す。例えば、保全項目１０１は、上述したスライド駆動系１２ａ－１２ｄのサーボモータ、減速機、タイミングベルト、或いはコンロッドを示す。保全項目１０１は、各部位に対する保全作業を示してもよい。

規定時間／回数１０２は、各部位の交換の目安となる作動時間、或いは作動回数を示す。現在値１０３は、各部位の現在までの作動時間、或いは作動回数を示す。前回実施日１０４は、各部位に対する前回の保全作業の実施日を示す。保全作業は、例えば部位の交換である。例えば、保全作業では、機械個別画面８２に示される機械寿命が短い部位が交換される。残存時間／回数１０５は、規定時間／回数１０２までの残りの作動時間、或いは作動回数を示す。これらのパラメータは、産業機械２Ａ－２Ｃのコントローラ５Ａ－５Ｃから、ローカルコンピュータ３Ａ－３Ｃを介して、サーバ４に送信され、予知保全データとしてサーバ４の記憶装置５８に保存されている。

リセットの操作表示１０６は、ユーザが各部位の現在値１０３と残存時間／回数１０５をリセットして初期値に戻す操作を行うための表示である。ユーザは、ポインティングデバイスなどのユーザインターフェースを用いて、リセットの操作表示１０６を操作する。ユーザは、ある部位に対して保全作業を実施したときに、保全部位管理画面１００において、当該部位のリセットの操作表示１０６を操作する。リセットの操作表示１０６が操作されると、クライアントコンピュータ６は、保全作業の完了を示す信号をサーバ４に送信する。保全作業の完了を示す信号は、保全作業を受けた部位を示す識別子とリセットの要求とを含む。サーバ４は、保全作業の完了を示す信号を受信すると、当該部位の現在値１０３と残存時間／回数１０５をリセットして初期値に戻し、予知保全データを更新する。

次に、判定モデル６０，７０を学習させるためのシステムについて説明する。図１５は、判定モデル６０，７０の学習を行う学習システム２００を示す図である。学習システム２００は、学習データ生成モジュール２１１と学習モジュール２１２とを含む。学習データ生成モジュール２１１は、異常データＤ１と正常データＤ２とから学習データＤ３を生成する。異常データＤ１は、異常時の解析データと、異常が発生した部位を示すデータとを含む。正常データＤ２は、正常時の解析データを含む。正常データＤ２は、正常時の解析データと共に、正常である部位を示すデータを含んでもよい。

学習データ生成モジュール２１１は、サーバ４に実装される。サーバ４は、クライアントコンピュータ６からの保全作業の完了を示す信号をトリガーとして、トリガーに対応する解析データを抽出する。すなわち、保全作業の完了を示す信号は、産業機械２Ａ－２Ｃにおける異常の発生に関連するトリガーの発生を示す。

詳細には、サーバ４は、トリガーの発生時間を取得する。トリガーの発生時間は、リセットの操作表示１０６が操作された時間であってもよい。或いは、トリガーの発生時間は、サーバ４が保全作業の完了を示す信号を受信した時間であってもよい。サーバ４は、解析データのうち、トリガーの発生時間の前の所定時間内に取得された解析データを、トリガーに対応するデータとして抽出する。サーバ４は、図８で示される解析データを要求するための処理を使用して、解析データを抽出してもよい。サーバ４は、抽出された解析データが図１１に示す閾値Ｔｈ１を超えている場合に、当該解析データを、異常が発生した部位を示すデータと共に、異常データＤ１に加える。

正常時の解析データは、新品の産業機械の解析データを取得するなど、試験によって用意されてもよい。或いは、サーバ４は、トリガーの発生時間の後の所定時間内に取得された解析データを、正常時の解析データとして抽出してもよい。サーバ４は、抽出された解析データが図１１に示す閾値Ｔｈ１を超えていない場合に、当該解析データを正常データＤ２に加えてもよい。

学習モジュール２１２は、学習データＤ３によって判定モデル６０，７０を学習させることで、判定モデル６０，７０のパラメータを最適化する。学習モジュール２１２は、最適化されたパラメータを学習済みパラメータＤ４として取得する。学習モジュール２１２は、学習データ生成モジュール２１１と同様に、サーバ４に実装されてもよい。或いは、学習モジュール２１２は、サーバ４とは別のコンピュータに実装されてもよい。

なお、学習システム２００は、上述した判定モデル６０，７０の学習を定期的に実行することで、学習済みパラメータＤ４を更新してもよい。サーバ４は、更新された学習済みパラメータＤ４によって、判定モデル６０，７０を更新してもよい。

次に、異常データＤ１を人工的に収集するための方法について説明する。図１６は、異常データＤ１を人工的に収集するための処理を示すフローチャートである。なお、以下の処理の全て、或いは一部は、サーバ４のプロセッサ５７によって実行されてもよい。或いは、以下の処理の全て、或いは一部は、サーバ４とは別のコンピュータによって実行されてもよい。或いは、以下の処理の一部は、人によって実行されてもよい。

本実施形態に係る異常データＤ１を収集する方法は、シミュレーションモデルを利用する。シミュレーションモデルは、産業機械２Ａの動作を模擬するコンピュータプログラムである。シミュレーションモデルは、たとえば、サーバ４の記憶装置５８に記憶されてもよい。図１７は、シミュレーションモデル６５の構成を示すブロック図である。

図１７に示すように、シミュレーションモデル６５は、入力された指令データ６６に応じて、模擬状態データ６７を生成する。模擬状態データ６７は、入力された指令データ６６に応じて産業機械２Ａが出力する状態データを模擬したデータである。指令データ６６は、例えばサーボモータ２３ａへの指令回転速度である。模擬状態データ６７は、例えばサーボモータ２３ａの回転速度である。

シミュレーションモデル６５は、制御モデル６８とメカモデル６９とを含む。制御モデル６８は、産業機械２Ａのローカルコンピュータ３Ａによって実行される産業機械２Ａを制御するための処理を模擬する。メカモデル６９は、産業機械２Ａに含まれる複数の構成部品の機械的な動作を模擬する。メカモデル６９は、複数のモデル要素を含む。複数のモデル要素は、産業機械２Ａの複数の要素部品をそれぞれ模擬する。

複数のモデル要素は、第１モデル要素７５と、第２モデル要素７６とを含む。第１モデル要素７５は、産業機械２Ａの第１要素部品を模擬する。第１要素部品は、例えば、モータベアリング２８ａである。第２モデル要素７６は、産業機械２Ａの第２要素部品を模擬する。第２要素部品は、例えば、サーボモータ２３ａである。

例えば、制御モデル６８に、サーボモータ２３ａへの指令回転速度が入力されると、制御モデル６８は、指令回転速度に応じたトルク指令を算出する。トルク指令はメカモデル６９に入力される。メカモデル６９は、トルク指令に応じた産業機械２Ａの複数の要素部品の動作を模擬して、トルク指令に応じたサーボモータ２３ａの回転速度を、模擬状態データ６７として算出する。

図１８は、指令データ６６と、シミュレーションモデル６５が算出した模擬状態データ６７との一例を示す図である。図１８において、破線Ｌ１は、指令データ６６としてのサーボモータ２３ａの指令回転速度を示している。実線Ｌ２は、模擬状態データ６７としてのサーボモータ２３ａの回転速度を示している。シミュレーションモデル６５は、指令データ６６と模擬状態データ６７とが精度よく一致するように、予めチューニングされている。

図１６に示すように、ステップＳ５０１では、サーバ４は、シミュレーションモデル６５に異常因子を入力する。例えば、図１９に示すように、サーバ４は、第１モデル要素７５に第１異常因子７９Ａを入力する。図２０は、第１モデル要素７５によって模擬されるモータベアリング２８ａを示す図である。図２０に示すように、モータベアリング２８ａは、内輪４３と外輪４４と複数の転動体４５とを含む。なお、図２０では、複数の転動体４５の一部のみに符号４５が付されている。転動体４５は、内輪４３と外輪４４との間に配置される。内輪４３と外輪４４とは、互いに相対的に回転可能である。サーバ４は、異常因子として、例えば内輪４３の所定位置にフレーキング４６を作成する。フレーキング４６は、内輪４３の損傷を示す。

ステップＳ５０２では、サーバ４は、異常因子を入力されたシミュレーションモデル６５に指令データ６６を入力する。例えば、サーバ４は、シミュレーションモデル６５に、指令データ６６としてサーボモータ２３ａの指令回転速度を入力する。ステップＳ５０３では、サーバ４は、模擬異常データを取得する。例えば、図１９に示すように、サーバ４は、シミュレーションモデル６５が上記の指令データ６６から生成した第１模擬状態データ６７Ａを、第１要素部品の第１模擬異常データ７７Ａとして取得する。

ステップＳ５０４では、サーバ４は、模擬異常データが適切かを判定する。詳細には、サーバ４は、模擬異常データが、適正範囲に属するかを判定する。適正範囲は、実際の状態データから規定される。図２１は、適正範囲Ｒ１の一例を示す図である。図２１において、適正範囲Ｒ１は、ハッチングが付された範囲である。丸印は、実際の状態データを示している。三角印は、模擬異常データを示している。図２１において、横軸は、実際の状態データから得られた特徴量を示す。縦軸は、実際の状態データから得られたマハラノビス距離を示す。破線Ｌ３は、実際の状態データから得られた平均線の延長線である。

図２１に示すように、適正範囲Ｒ１は、平均線の延長線Ｌ３の周囲を含むように、予め決定されている。例えば、適正範囲Ｒ１は、平均線の延長線Ｌ３に対して所定割合でプラスマイナスの幅を持たせたものであってもよい。なお、適正範囲Ｒ１は、マハラノビス距離に限らず、他の統計学の手法を用いて決定されてもよい。サーバ４は、模擬異常データが適正範囲Ｒ１内であるときには、模擬異常データが適正と判断する。サーバ４は、模擬異常データが適正範囲Ｒ１外であるときには、模擬異常データが適正ではないと判断する。

模擬異常データが適正であるときには、処理はステップＳ５０５に進む。ステップＳ５０５において、サーバ４は、模擬異常データを学習データとして保存する。サーバ４は、模擬異常データに、異常因子が入力された要素部品を示す識別子をラベル付けして、当該要素部品の異常を判定するための学習データとして保存する。例えば、図１９に示すように、サーバ４は、第１模擬異常データ７７Ａに第１要素部品を示す識別子をラベル付けして、第１要素部品の異常を判定するための第１学習データ７８Ａとして保存する。第１学習データ７８Ａは、上述した正常データＤ２を含む。サーバ４は、第１学習データ７８Ａにより、上述したモータベアリング用の判定モデル６１を学習させる。

ステップＳ５０６では、サーバ４は、異常因子を変化させる。例えば、サーバ４は、モータベアリングにおけるフレーキング４６の位置を変更する。ステップＳ５０１に戻り、サーバ４は、変更された異常因子をシミュレーションモデル６５に入力する。以降、サーバ４は、上記と同様にＳ５０２～Ｓ５０５の処理を実行することで、要素部品の異常を判定するための学習データを取得して、保存する。以上の処理が繰り返されることで、サーバ４は、要素部品の異常を判定するための多くの学習データを得ることができる。

サーバ４は、上述した処理を要素部品ごとに実行することで、各要素部品の異常を判定する判定モデルのそれぞれを学習させるための学習データを得る。例えば図２２に示すように、サーバ４は、第２モデル要素７６に第２異常因子７９Ｂを入力する。第２異常因子７９Ｂは、例えば、異常な振動信号であってもよい。サーバ４は、第２異常因子７９Ｂが入力されたシミュレーションモデル６５に指令データ６６を入力する。サーバ４は、シミュレーションモデル６５が生成した第２模擬状態データ６７Ｂを、第２模擬異常データ７７Ｂとして取得する。

サーバ４は、第２模擬異常データ７７Ｂが適正範囲Ｒ１に属するかを判定する。第２模擬異常データ７７Ｂが適正範囲Ｒ１に属するときには、サーバ４は、第２模擬異常データ７７Ｂに第２要素部品を示す識別子をラベル付けして、第２要素部品の異常を判定するための第２学習データ７８Ｂとして保存する。サーバ４は、第２学習データ７８Ｂによって、第２要素部品の異常を判定するための判定モデルを学習させる。それにより、サーバ４は、第２要素部品の異常を判定するための学習済みの判定モデルを生成する。

以上、本発明の一実施形態について説明したが、本発明は上記実施形態に限定されるものではなく、発明の要旨を逸脱しない範囲で種々の変更が可能である。例えば、産業機械２Ａは、プレス機械に限らず、溶接機械、或いは切断機などの他の機械であってもよい。上述した処理の一部が省略、或いは変更されてもよい。上述した処理の順番が変更されてもよい。

ローカルコンピュータ３Ａ－３Ｃの構成が変更されてもよい。例えば、ローカルコンピュータ３Ａは、複数のコンピュータを含んでもよい。上述したローカルコンピュータ３Ａによる処理は、複数のコンピュータに分散して実行されてもよい。ローカルコンピュータ３Ａは、複数のプロセッサを含んでもよい。他のローカルコンピュータ３Ｂ，３Ｃについても、ローカルコンピュータ３Ａと同様に変更されてもよい。

サーバ４の構成が変更されてもよい。例えば、サーバ４は、複数のコンピュータを含んでもよい。上述したサーバ４による処理は、複数のコンピュータに分散して実行されてもよい。サーバ４は、複数のプロセッサを含んでもよい。上述した処理の少なくとも一部は、ＣＰＵに限らず、ＧＰＵ（Graphics Processing Unit）などの他のプロセッサによって実行されてもよい。上述した処理は、複数のプロセッサに分散して実行されてもよい。

判定モデルは、ニューラルネットワークに限らず、サポートベクターマシンなどの他の機械学習のモデルであってもよい。判定モデル６１－６４は一体であってもよい。判定モデル７１－７３は一体であってもよい。

判定モデルは、学習データＤ３を用いて機械学習により学習したモデルに限らず、当該学習したモデルを利用して生成されたモデルであってもよい。例えば、判定モデルは、学習済みモデルに新たなデータを用いて更に学習させることで、パラメータを変化させ、精度をさらに高めた別の学習済みモデル（派生モデル）であってもよい。或いは、判定モデルは、学習済みモデルにデータの入出力を繰り返すことで得られる結果を基に学習させた別の学習済みモデル（蒸留モデル）であってもよい。

判定モデルによる判定の対象となる部位は、上記の実施形態のものに限らず、変更されてもよい。状態データは、モータの角加速度に限らず、変更されてもよい。例えば、状態データは、タイミングベルト、或いはコンロッドなどのモータ以外の部位の加速度、或いは速度であってもよい。

保全管理画面は、上記の実施形態のものに限らず、変更されてもよい。例えば、機械一覧画面８１、機械個別画面８２、及び／又は、保全部位管理画面１００に含まれる項目が、変更されてもよい。機械一覧画面８１、機械個別画面８２及び／又は、保全部位管理画面１００の表示態様が、変更されてもよい。機械一覧画面８１と機械個別画面８２と保全部位管理画面１００との一部が省略されてもよい。

寿命インジケータ８６の表示態様は、上記の実施形態のものに限らず、変更されてもよい。例えば、寿命インジケータ８６の色分けの数は、正常色と第１警告色との２色であってもよい。或いは、寿命インジケータ８６の色分けの数は、３色より多くてもよい。

判定モデルによる保全対象とする部位の判定結果は、上述した保全管理画面に限らず、他の方法によってユーザに報知されてもよい。例えば、判定結果が、電子メールなどの通知手段によってユーザに報知されてもよい。

トリガーは、保全作業の完了を示す信号に限らず、他の信号であってもよい。保全作業の完了を示す信号は、クライアントコンピュータ６からの信号に限られない。例えば、保全作業の完了を示す信号は、ローカルコンピュータ３Ａ－３Ｃからの信号であってもよい。

サーバ４は、状態データのうち、トリガーの発生の前のデータと発生後のデータとを比較することで、異常の有無を判定してもよい。例えば、トリガーの発生の後の解析データと比べて、トリガーの発生の前の解析データにおける波形のピークが大きいときに、サーバ４は、異常有りと判定してもよい。サーバ４は、異常有りと判定したときに、トリガーに対応する解析データを学習データＤ３として保存してもよい。

ステップＳ１０５において、ローカルコンピュータ３Ａは、特徴量と解析データとをサーバ４に送信してもよい。その場合、ステップＳ２０３は省略されてもよい。

要素部品は、上記の実施形態のものに限らず、スライダ１１、或いはクッションパッド３１などの産業機械２Ａの他の部品であってもよい。異常因子は、上記の実施形態のものに限らず、要素部品の摩耗度合いなどの他の因子であってもよい。

本開示によれば、産業機械の異常を判定する人工知能の判定モデルを学習させるための精度のよい学習データを容易に収集することができる。

２８ａ モータベアリング（第１要素部品）
２３ａ サーボモータ（第２要素部品）
６１ 判定モデル
６５ シミュレーションモデル
７５ 第１モデル要素
７６ 第２モデル要素

Claims (14)

1. 第１要素部品を含む産業機械の動的な状態を示す状態データから、前記第１要素部品の異常を判定する人工知能の判定モデルを学習させるための学習データを収集するために、コンピュータによって実行される方法であって、
   前記第１要素部品を模擬した第１モデル要素を含み、入力された指令データに応じて前記状態データを模擬した模擬状態データを生成するシミュレーションモデルを用意することと、
   前記第１モデル要素に第１異常因子を入力することと、
   前記シミュレーションモデルに前記指令データを入力することと、
   前記シミュレーションモデルによって生成された前記模擬状態データを、前記第１要素部品の第１模擬異常データとして取得することと、
   前記第１模擬異常データが、実際の状態データから規定される適正範囲に属するかを判定することと、
   前記第１模擬異常データが前記適正範囲に属するときには、前記第１模擬異常データに前記第１要素部品をラベル付けして、前記第１要素部品の異常を判定するための前記学習データとして保存すること、
   を備える方法。
2. 前記第１異常因子は、前記第１要素部品における損傷の位置を示す、
   請求項１に記載の方法。
3. 前記第１異常因子は、前記第１要素部品の振動の大きさを示す、
   請求項１に記載の方法。
4. 前記第１異常因子は、前記第１要素部品の摩耗度合いを示す、
   請求項１に記載の方法。
5. 前記第１異常因子を変化させることで得られる前記第１模擬異常データのそれぞれを、前記学習データとして保存することをさらに備える、
   請求項１から４のいずれかに記載の方法。
6. 前記学習データによって学習済みの前記判定モデルを生成することをさらに備える、
   請求項１から５のいずれかに記載の方法。
7. 前記産業機械は、前記第１要素部品と異なる第２要素部品をさらに含み、
   前記シミュレーションモデルは、前記第２要素部品を模擬した第２モデル要素を含み、
   前記第２モデル要素に第２異常因子を入力することと、
   前記シミュレーションモデルに前記指令データを入力することと、
   前記シミュレーションモデルによって生成された前記模擬状態データを、前記第２要素部品の第２模擬異常データとして取得することと、
   前記第２模擬異常データが、前記適正範囲に属するかを判定することと、
   前記第２模擬異常データが前記適正範囲に属するときには、前記第２模擬異常データに前記第２要素部品をラベル付けして、前記第２要素部品の異常を判定するための前記学習データとして保存すること、
   をさらに備える、
   請求項１から６のいずれかに記載の方法。
8. 第１要素部品を含む産業機械の動的な状態を示す状態データから、前記第１要素部品の異常を判定する人工知能の判定モデルを学習させるための学習データを収集するためのシステムであって、
   前記第１要素部品を模擬した第１モデル要素を含み、入力された指令データに応じて前記状態データを模擬した模擬状態データを生成するシミュレーションモデルと、
   プロセッサと、
   を備え、
   前記プロセッサは、
   前記第１モデル要素に第１異常因子を入力し、
   前記指令データに応じて前記シミュレーションモデルによって生成された前記模擬状態データを、前記第１要素部品の第１模擬異常データとして取得し、
   前記第１模擬異常データが、実際の状態データから規定される適正範囲に属するかを判定し、
   前記第１模擬異常データが前記適正範囲に属するときには、前記第１模擬異常データに前記第１要素部品をラベル付けして、前記第１要素部品の異常を判定するための前記学習データとして保存する、
   システム。
9. 前記第１異常因子は、前記第１要素部品における損傷の位置を示す、
   請求項８に記載のシステム。
10. 前記第１異常因子は、前記第１要素部品の振動の大きさを示す、
    請求項８に記載のシステム。
11. 前記第１異常因子は、前記第１要素部品の摩耗度合いを示す、
    請求項８に記載のシステム。
12. 前記プロセッサは、前記第１異常因子を変化させることで得られる前記第１模擬異常データのそれぞれを、前記学習データとして保存する、
    請求項８から１１のいずれかに記載のシステム。
13. 前記プロセッサは、前記学習データによって学習済みの前記判定モデルを生成する、
    請求項８から１２のいずれかに記載のシステム。
14. 前記産業機械は、前記第１要素部品と異なる第２要素部品をさらに含み、
    前記シミュレーションモデルは、前記第２要素部品を模擬した第２モデル要素を含み、
    前記プロセッサは、
    前記第２モデル要素に第２異常因子を入力し、
    前記シミュレーションモデルに前記指令データを入力し、
    前記シミュレーションモデルによって生成された前記模擬状態データを、前記第２要素部品の第２模擬異常データとして取得し、
    前記第２模擬異常データが、前記適正範囲に属するかを判定し、
    前記第２模擬異常データが前記適正範囲に属するときには、前記第２模擬異常データに前記第２要素部品をラベル付けして、前記第２要素部品の異常を判定するための前記学習データとして保存する、
    請求項８から１３のいずれかに記載のシステム。
    

Images