JPWO2019003404A1 - 非定常検出装置、非定常検出システム、および非定常検出方法 - Google Patents

非定常検出装置、非定常検出システム、および非定常検出方法 Download PDF

Info

Publication number
JPWO2019003404A1
JPWO2019003404A1 JP2019526083A JP2019526083A JPWO2019003404A1 JP WO2019003404 A1 JPWO2019003404 A1 JP WO2019003404A1 JP 2019526083 A JP2019526083 A JP 2019526083A JP 2019526083 A JP2019526083 A JP 2019526083A JP WO2019003404 A1 JPWO2019003404 A1 JP WO2019003404A1
Authority
JP
Japan
Prior art keywords
data
unsteady
operation data
equipment
state
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.)
Granted
Application number
JP2019526083A
Other languages
English (en)
Other versions
JP6678824B2 (ja
Inventor
昌彦 柴田
研吾 白木
大貴 中原
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.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric Corp
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
Application filed by Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of JPWO2019003404A1 publication Critical patent/JPWO2019003404A1/ja
Application granted granted Critical
Publication of JP6678824B2 publication Critical patent/JP6678824B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
    • G06F11/3013—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is an embedded system, i.e. a combination of hardware and software dedicated to perform a certain function in mobile devices, printers, automotive or aircraft systems
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • 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
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • 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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3447—Performance evaluation by modeling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
    • G06F11/3452—Performance evaluation by statistical analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Manufacturing & Machinery (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Feedback Control In General (AREA)

Abstract

稼働状況が定常状態である複数の設備（１１）の２値のデジタル信号である稼働データに基づいて設備（１１）の稼働状況を判定するための正常モデルを生成するモデル生成部（３１３）と、正常モデルを利用して設備（１１）の過去の稼働データから出力される稼働データの期待値を算出する期待値算出部（３１５）と、稼働データの期待値と稼働データの実測値を比較し、設備（１１）の稼働状況が非定常状態であるか否かを検出する非定常検出部（３１６）を備えることで２値のデジタル信号を利用する設備の稼働状況を検出することのできる非定常検出装置（３０）を提供する。

Description

本発明は、ファクトリーオートメーション（Factory Automation、以下ＦＡ）システムにおいて接続された設備の非定常状態を検出する非定常検出システムに関するものである。
従来、製品の生産現場である工場等において設備が正常に稼働している状態である定常状態から外れ非定常状態となったとき、例えば生産ライン停止等の場合には、生産ラインに就いている設備の保全員がトラブルの要因を特定し、部品交換等の対処を行って異常を解消し、設備の稼働状況を非定常状態から定常状態に復帰させる。
しかし、ＦＡシステムの導入など工場の設備が複雑になるにつれ、保全員に求められる知識とノウハウは非常に多くなり、経験の浅い保全員には非定常状態となった要因の特定が困難な場合が多くある。また、非定常状態となった要因を網羅的に特定するための設定やプログラムの作成は、工数が膨大となり現実的ではない。
上述の問題を解決するため特許文献１では、システム中の複数のセンサから取得した定常状態時の時系列のセンサデータから求められたシステムの稼働状況が定常状態であることを示す経験的推移確率行列と、最新の所定の期間蓄積した時系列のセンサデータから求められた現在の推移確率行列との差分である偏差行列を用いてシステムの稼働状況を検出するシステムの監視方法が提案されている。
特開２００２−２１５２３１号公報（図３、図４、図５）
特許文献１の稼働状況を検出する方法では、多値のセンサデータについて扱っている。しかしながら、ＦＡ分野で多く利用される、センサのＯＮとＯＦＦなどを表現する２値のデジタル信号は多値の信号とは特性が異なっているため、２値のデジタル信号を利用する設備の稼働状況を検出する場合には、特許文献１の監視方法のように多値の信号を対象とする方法の適用が難しいという問題があった。
本発明は上述の問題を解決するためになされたもので、２値のデジタル信号を利用する設備の稼働状況を検出できる非定常検出装置を実現することを目的とする。
上述した課題を解決し、目的を達成するために、本発明の非定常検出装置は、稼働状況が定常状態である複数の設備の２値のデジタル信号である稼働データに基づいて設備の稼働状況を判定するための正常モデルを生成するモデル生成部と、正常モデルを利用して設備の過去の稼働データから出力される稼働データの期待値を算出する期待値算出部と、稼働データの期待値と稼働データの実測値を比較し、設備の稼働状況が非定常状態であるか否かを検出する非定常検出部を備えるものである。
本発明にかかる非定常検出装置によれば、上述の構成を備えるため、２値のデジタル信号を利用する設備の稼働状況を検出することができる。
本発明の実施の形態１における非定常検出システムの一例を示す構成図である。 本発明の実施の形態１における非定常検出装置の一例を示す構造図である。 本発明の実施の形態１における制御装置の機能構成の一例を示す構成図である。 本発明の実施の形態１における正常モデル生成処理を実行するための機能構成の一例を示す構成図である。 本発明の実施の形態１における収集データベースの一例を示すデータベース構成図である。 本発明の実施の形態１における正常モデル生成処理の流れの一例を示すフローチャートである。 本発明の実施の形態１における非定常検出処理を実行するための機能構成の一例を示す構成図である。 本発明の実施の形態１における稼働データの期待値と実測値の差分値と異常度との関係を示した説明図である。 本発明の実施の形態１における表示装置の表示画面の一例を示す説明図である。 本発明の実施の形態１における非定常検出処理の流れの一例を示すフローチャートである。 本発明の実施の形態１における異常度の算出処理の流れの一例を示すフローチャートである。 本発明の実施の形態２における非定常検出処理を実行するための機能構成の一例を示す構成図である。 本発明の実施の形態２における表示装置の非定常状態を示す表示画面の一例を示す説明図である。 本発明の実施の形態２における非定常検出処理の流れの一例を示すフローチャートである。
以下に、本発明にかかる表示装置の実施の形態を図面に基づいて詳細に説明する。以下で参照する図面においては、同一もしくは相当する部分に同一の符号を付している。なお、この実施の形態によりこの発明が限定されるものではない。
実施の形態１．
図１は、本発明の実施の形態１における非定常検出システムの一例を示す構成図である。図１に示すように、非定常検出システム１００は、５つの設備１１（１１ａから１１ｅ）から構成される工場ライン１０、収集データサーバ２０、非定常検出装置３０、ネットワーク４０を備えている。
設備１１は、例えば、射出成形機、押出成形機、旋盤、および研削盤などの加工装置、あるいはサーボアンプおよびＰＬＣ（Programmable Logic Controller）などの制御装置であり、スイッチ、リレー、センサ、あるいはデジタル回路などの２値のデジタル信号を出力する構成部品を備え、２値のデジタル信号にて制御される設備である。
収集データサーバ２０は、記憶部を備え、接続する工場ライン１０の５つの設備１１からスイッチあるいはリレーの開閉情報、センサの検知情報、およびデジタル回路の出力値などの稼働データを２値のデジタル信号として取得し、記憶部に蓄積する。なお、稼働データは各設備１１を構成する２値のデジタル信号を出力する構成部品ごとに区別されるデータであり、１つの設備１１に複数種類の稼働データがあってもよい。
非定常検出装置３０は、収集データサーバ２０から設備１１の稼働データである２値のデジタル信号を取得し、取得した２値のデジタル信号に基づいて設備１１の稼働状況が非定常状態であるか否かを検出する。ここで、設備１１が正常に稼働している状態を設備１１の稼働状況が定常状態であるとし、設備１１が正常状態から外れている稼働状況であることを非定常状態であるとする。なお、非定常検出装置３０における非定常検出方法の詳細は後述する。
ネットワーク４０は、工場ライン１０と収集データサーバ２０、および収集データサーバ２０と非定常検出装置３０とを接続するネットワークであり、例えば、同軸ケーブルあるいは光ケーブルなどの伝送線から構成される有線ネットワーク、あるいはＷｉ−Ｆｉ（登録商標）などの無線ＬＡＮから構成される無線ネットワークである。ネットワークを介して接続された装置は、相互にデータの送受信を行える。
図２は、本発明の実施の形態１における非定常検出装置の一例を示す構造図である。図２に示すように、非定常検出装置３０は、制御装置３１、ストレージ３２、メモリ３３、表示装置３４、入力装置３５、通信装置３６、およびバス３７を備えている。
制御装置３１は、非定常検出装置３０を制御する装置であり、ストレージ３２、メモリ３３、表示装置３４、入力装置３５、および通信装置３６を制御し設備１１の稼働状況が非定常状態であるか否かを検出する。なお、制御装置３１が設備１１の非定常状態を検出する方法の詳細は後述する。制御装置３１は、ＣＰＵ（Central Processing Unit）などプロセッサであっても、ＦＰＧＡ（Field Programmable Gate Array）、あるいはＬＳＩ（Large Scale Integration）などの１つの集積回路であっても、あるいはそれらの組み合わせであってもよい。
ストレージ３２は、制御装置３１が実行する各種プログラム、制御装置３１が各プログラムを実行する際に参照するデータ、および制御装置３１が各プログラムを実行した結果として生成されるデータなどが記憶される記憶装置である。本発明の実施の形態１では、プログラムとして制御装置３１が設備１１の稼働状況を判定するための正常モデルを生成する正常モデル生成プログラム３２１と、制御装置３１が設備１１の稼働状況が非定常状態であるかを検出する非定常検出プログラム３２２が記憶されている。ストレージ３２は、例えばフラッシュメモリ、ＲＯＭ（Read Only Memory）、磁気ディスク、あるいは光ディスクなどの不揮発性メモリを用いればよい。
メモリ３３は、制御装置３１がプログラムの処理を実行する際に直接アクセスする記憶装置であり、ストレージ３２に記憶された各種プログラムとデータがコピーされ一時的に記憶される。メモリ３３は、例えばＲＡＭ（Random Access Memory）などの揮発性メモリを用いればよい。
表示装置３４は、制御装置３１からの指示により画像あるいは動画を表示する装置である。表示装置３４は、例えば液晶ディスプレイ（liquid crystal display）あるいは有機ＥＬディスプレイ（organic electroluminescence display）である。
入力装置３５は、ユーザからの入力を受け付ける装置であり、例えばキーボード、マウス、あるいはタッチパッドなどである。
なお、表示装置３４と入力装置３５を別体として説明しているが、表示装置３４と入力装置３５は別体であることに限定されず、表示装置３４と入力装置３５が一体となった装置、例えばタッチパネルであってもよい。
通信装置３６は、データを受信する受信機とデータを送信する送信機を備え、外部と通信する装置であり、制御装置３１は通信装置３６を介して収集データサーバ２０から設備１１の稼働データを取得する。通信装置３６は、例えば通信チップあるいはＮＩＣ（Network Interface Card）である。
バス３７は、制御装置３１、ストレージ３２、メモリ３３、表示装置３４、入力装置３５、および通信装置３６間にて相互にデータの送受信を可能とするデータ伝送路であり、例えば、ＰＣＩ（Peripheral Component Interconnect）バスあるいはＰＣＩ Ｅｘｐｒｅｓｓ（登録商標）などである。
次に、制御装置３１が設備１１の非定常状態を検出する方法について説明する。ここで、設備１１の非定常状態を検出するために、制御装置３１は、設備１１が正常に稼働している定常状態中の設備１１の稼働データに基づいて設備１１の稼働状況を判定するための正常モデルを生成する正常モデル生成処理と、生成された正常モデルと設備１１の稼働データとを比較することによって設備１１の稼働状況が非定常状態であるか否かを検出する非定常検出処理の２つの処理を行う。なお、それぞれの処理はストレージ３２に記憶されている正常モデル生成プログラム３２１と非定常検出プログラム３２２を制御装置３１が実行することによって実行される。
図３は、本発明の実施の形態１における制御装置の機能構成の一例を示す構成図である。図３では、制御装置３１によって実行される正常モデル生成プログラム３２１と非定常検出プログラム３２２の各機能が機能ブロックで示されている。正常モデル生成プログラム３２１において、制御装置３１は通信制御部３１１、データ判定部３１２、およびモデル生成部３１３を有する。また、非定常検出プログラム３２２において、制御装置３１は通信制御部３１４、期待値算出部３１５、非定常検出部３１６、および表示制御部３１７を有する。なお、制御装置３１の機能ブロックである通信制御部３１１、データ判定部３１２、モデル生成部３１３、通信制御部３１４、期待値算出部３１５、非定常検出部３１６、および表示制御部３１７の詳細は後述する。
まず、正常モデル生成処理について説明する。正常モデル生成処理は、非定常検出システム１００の導入時、非定常検出システム１００の工場ライン１０に新しい設備１１が追加された時、あるいは既存の設備１１の制御条件の変更時など設備１１の稼働状況が定常状態であり、かつ正常モデルの生成が必要となる場合に実行される。
図４は、本発明の実施の形態１における正常モデル生成処理を実行するための機能構成の一例を示す構成図である。図４では、制御装置３１によって実行される正常モデル生成プログラム３２１の各機能が機能ブロックで示され、呼び出し関係が実線矢印で示され、そしてデータの流れが破線の矢印で示されている。
図４に示すように、制御装置３１は通信制御部３１１、データ判定部３１２、およびモデル生成部３１３を有する。また、図４には説明のためストレージ３２、メモリ３３、および通信装置３６を図示しており、ストレージ３２は制御装置３１が正常モデル生成処理を実行する過程にて生成されるデータベースである正常データベース３３２を、メモリ３３は制御装置３１が正常モデル生成処理を実行する過程にて生成されるデータベースである収集データベース３３１と正常データベース３３２を有している。
通信制御部３１１は、通信装置３６を介して収集データサーバ２０から２値のデジタルデータである設備１１の稼働データを取得し、取得した稼働データをメモリ３３に収集データベース３３１として記憶する。ここで、収集データベース３３１において、設備１１の稼働データは時系列の２値のデジタル信号として記憶される。なお、通信制御部３１１における一連の稼働データの処理は、取得する対象となる設備１１の稼働データが収集データサーバ２０に追加されるごとに実行されるとしても、一定期間ごとに定期的に実行されるとしてもよい。
図５は、本発明の実施の形態１における収集データベースの一例を示すデータベース構成図である。図５に示すように、収集データベース３３１において、各設備１１には稼働データとして信号１と信号２の２種類あり、信号１と信号２の信号値は、設備１１ごとに時刻情報と関連付けて記憶されている。なお、図５において、各設備１１の稼働データを信号１と信号２の２種類としているが、稼働データは２種類に限定されることなく、１種類でも３種類以上であってもよい。また、図５において、稼働データは信号の名称と関連付けて記憶されているが、記憶されるのは信号の名称のみに限定されず、スイッチ、リレー、あるいはセンサなどの信号を出力している設備１１の構成部品の名称あるいはユーザが入力装置３５を介して入力したユーザ指定の名称であってもよい。
図４に戻って、データ判定部３１２は、メモリ３３の収集データベース３３１に記憶された稼働データが必要量であるか否かを判定する。データ判定部３１２が必要量を判定する方法としては、例えばデータ判定部３１２が収集データベース３３１に記憶されたデータ量を測定し、閾値以上であれば必要量であると判定する方法、あるいは収集データベース３３１に記憶を開始した時刻から時間を測定し、測定時間が一定期間を超えると必要量であると判定する方法など任意の方法でよい。なお、収集データベース３３１に記憶されたデータの必要量は、設備１１により構成される工場ライン１０により異なり、数時間から数週間程度収集したデータ量に相当する。
モデル生成部３１３は、データ判定部３１２から収集データベース３３１に記憶されたデータが必要量であるとの判定結果を取得した場合、収集データベース３３１から稼働データである時系列の２値のデジタル信号を取得し、取得した時系列の２値のデジタル信号から正常モデルを生成する。モデル生成部３１３は、稼働データごとに取得した時系列の２値のデジタル信号を該当する稼働データの時系列の正常な信号パターンとして機械学習し、次に出力される稼働データの信号の期待値を算出する正常モデルとなる学習モデルを生成する。モデル生成部３１３における機械学習の手法としては、時系列データを扱うことのできる機械学習手法、例えば、参考特許文献（特開２０１２−４８４０５号公報）に示す隠れマルコフモデル、タイムディレイニューラルネットワーク（Time Delay Neural Network）、あるいはリカレントニューラルネットワーク（Recurrent Neural Network）などを利用すればよい。
なお、各設備１１は工場ライン１０を構成しており、例えば、設備１１ａの電源がＯＦＦになると設備１１ｂの電源がＯＮになるなど、各設備１１の稼働状況は他の設備１１の稼働状況に影響を与えることになる。また、例えば、設備１１ａの信号１がＯＦＦになると設備１１ａの信号２もＯＦＦになるなど、設備１１の各構成部品の稼働状況も他の構成部品の稼働状況に影響を与えることになる。このように、設備１１同士および設備１１の各構成部品同士の稼働状況が相互に影響を与えあうことによって、設備１１の各構成部品の稼働状況が決定されることになる。したがって、各構成部品の稼働状況である個々の稼働データの時系列のデータに工場ライン１０の稼働状況が反映されることになり、モデル生成部３１３は各稼働データの正常な信号パターンを機械学習することで適切な正常モデルを生成することができる。
なお、モデル生成部３１３が稼働データごとに個別に機械学習して正常モデルを生成する方法を説明しているが、正常モデルを生成する方法はモデル生成部３１３が稼働データごとに個別に機械学習して生成する方法に限定されず、モデル生成部３１３が設備１１ごと、あるいは工場ライン１０ごとの稼働データを関連付けて機械学習して正常モデルを生成してもよい。モデル生成部３１３が設備１１ごと、あるいは工場ライン１０ごとの稼働データを関連付けて生成した正常モデルでは、設備１１ごと、あるいは工場ライン１０ごとに稼働データの期待値を一括で算出することができる。
ここで、従来の学習モデルでは、設備１１から次に出力される稼働データの信号値が、実測値として取り得る２値のデジタル信号値、０あるいは１のいずれであるかを求めることになるが、本発明の実施の形態１における正常モデルでは、実測値の取り得る期待値を求めることになる。本発明の実施の形態１のように期待値を求めることで、従来の学習モデルとは異なり、設備１１から次に出力される稼働データの信号値が実測値としては取り得ない、０あるいは１以外の値となることがあり、２値のデジタル信号である稼働データを仮想的に３値以上のデータとして扱うことができ、後述する制御装置３１での非定常検出処理において細かな処理を実行することができる。
また、モデル生成部３１３は、生成した正常モデルおよび正常モデルを決定するパラメータ、例えばリカレントニューラルネットワークの場合、中間層の数、重み、あるいはバイアス値などをメモリ３３に正常データベース３３２として記憶する。
なお、メモリ３３内の正常データベース３３２は、正常モデル生成処理終了後あるいは非定常検出装置３０の電源切断時にストレージ３２にコピーされ記憶される。
次に、制御装置３１の正常モデル生成処理の流れについて説明する。図６は、本発明の実施の形態１における正常モデル生成処理の流れの一例を示すフローチャートである。
まず、ユーザが正常モデル生成処理の開始を要求する、あるいは制御装置３１が自動にて正常モデル生成処理の開始を要求することで処理を開始する。ユーザが処理の開始を要求する方法としては、例えば非定常検出装置３０が入力装置３５として正常モデル生成処理の開始ボタンを備え、ユーザが該当のボタンを押下する方法、あるいは非定常検出装置３０が表示装置３４に表示される画面中に入力装置３５として正常モデル生成処理の開始ボタンを有し、ユーザが該当のボタンを選択する方法など任意の方法であってよい。制御装置３１が自動にて処理の開始を要求する方法としては、非定常検出システム１００の導入時、非定常検出システム１００の工場ライン１０に新しい設備１１が追加された時、あるいは既存の設備１１の制御条件の変更時などに処理を開始する方法など任意の方法であってよい。
ステップＳ１０１では、通信制御部３１１が通信装置３６を介して収集データサーバ２０から設備１１の稼働データを取得する。
ステップＳ１０２では、通信制御部３１１がステップＳ１０１にて取得した設備１１の稼働データをメモリ３３の収集データベース３３１に記憶する。ステップＳ１０１とステップＳ１０２により、通信制御部３１１は、収集データサーバ２０の設備１１の稼働データを収集データベース３３１にコピーする。
次に、ステップＳ１０３では、データ判定部３１２がメモリ３３の収集データベース３３１に記憶された稼働データが必要量であるかを判定し、ステップＳ１０４に移行する。
ステップＳ１０４では、データ判定部３１２がステップＳ１０３での判定結果に応じて、稼働データが必要量でない場合（Ｎｏ）であればステップＳ１０１に移行し、稼働データが必要である場合（Ｙｅｓ）であれば、ステップＳ１０５に移行する。
ステップＳ１０５では、モデル生成部３１３が収集データベース３３１に記憶された設備１１の稼働データから正常モデルを生成する。
ステップＳ１０６では、モデル生成部３１３がステップＳ１０５での生成結果である生成モデルおよび生成モデルを決定するパラメータをメモリ３３の正常データベース３３２に記憶し、その後処理を終了する。なお、メモリ３３内の正常データベース３３２は、正常モデル生成処理終了後あるいは非定常検出装置３０の電源切断時にストレージ３２にコピーされ記憶される。
次に、非定常検出処理について説明する。非定常検出処理は、制御装置３１での正常モデル生成後、非定常検出システム１００の工場ライン１０に新しい設備１１が追加された時、あるいは既存の設備１１の制御条件の変更時など新たに正常モデルの生成が必要となる場合を除いて非定常検出装置３０が稼働中は原則常に実行される。
図７は、本発明の実施の形態１における非定常検出処理を実行するための機能構成の一例を示す構成図である。図７では、制御装置３１によって実行される非定常検出プログラム３２２の各機能が機能ブロックで示され、呼び出し関係が実線矢印で示され、そしてデータの流れが破線の矢印で示されている。
図７に示すように、制御装置３１は通信制御部３１４、期待値算出部３１５、非定常検出部３１６、および表示制御部３１７を有する。また、図７には説明のためストレージ３２、メモリ３３、表示装置３４、および通信装置３６を図示しており、メモリ３３は制御装置３１が正常モデル生成処理を実行した過程で生成されたデータベースである収集データベース３３１を有し、ストレージ３２およびメモリ３３は制御装置３１が正常モデル生成処理を実行したことで生成された正常データベース３３２を有している。
通信制御部３１４は、正常モデル生成処理における通信制御部３１１と同様に通信装置３６を介して収集データサーバ２０から２値のデジタルデータである設備１１の稼働データを取得し、取得した稼働データをメモリ３３の収集データベース３３１に記憶する。ここで、通信制御部３１４が取得する設備１１の稼働データは正常モデル生成処理における通信制御部３１１と異なり現在の設備１１の稼働データの実測値だけでなく、正常モデルを用いて出力される信号の期待値を算出するために必要な過去の設備１１の稼働データも取得する。
なお、通信制御部３１４が取得する過去の設備１１の稼働データのデータ量は信号の期待値の算出に用いられる正常モデルにより異なることになる。また、通信制御部３１４における現在の設備１１の稼働データを取得する処理は、取得する対象となる設備１１の稼働データが収集データサーバ２０に追加されるごとに実行されるとしても、一定期間ごとに定期的に実行されるとしてもよい。
期待値算出部３１５は、メモリ３３の収集データベース３３１から過去の設備１１の稼働データを取得し、正常データベース３３２から正常モデルを取得し、取得した稼働データと正常モデルに基づいて設備１１から次に出力される稼働データである信号値の期待値を算出する。なお、メモリ３３の正常データベース３３２は制御装置３１にて非定常検出処理を開始する時に、ストレージ３２からメモリ３３にコピーされ記憶される。
ここで、設備１１の稼働データは２値のデジタル信号であるが、正常モデルは算出された２値の信号値の期待値を算出する学習モデルであるため、期待値算出部３１５が算出する稼働データの期待値は０と１だけでなく、０から１の間、例えば０．０３、０．５０、および０．９９などの小数値となることがある。
なお、稼働データは２値のデジタル信号であるため、数式１で示すように稼働データの期待値は稼働データの実測値が１となる確率（Ｐ１）とみなすことができる。また、１から確率Ｐ１を引いた値（１−Ｐ１）は稼働データの信号値が０となる確率（Ｐ０）となる。
Figure 2019003404
非定常検出部３１６は、期待値算出部３１５が算出した稼働データの期待値を取得し、収集データベース３３１から設備１１の稼働データである実測値を取得し、取得した期待値と実測値を比較して設備１１の異常度を算出する。その後、非定常検出部３１６は、算出した異常度を基に設備１１が非定常状態であるか否かを検出する。以下に非定常検出部３１６の具体的な処理を説明する。
まず、非定常検出部３１６は、個々の稼働データの異常度を算出する。非定常検出部３１６が取得した稼働データの実測値が１である場合、非定常検出部３１６は稼働データの実測値が１となる確率Ｐ１を変数に負の自然対数を取った値（−ｌｎ（Ｐ１））を異常度とする。
一方、非定常検出部３１６が取得した稼働データの実測値が０である場合、非定常検出部３１６は稼働データの実測値が０となる確率１−Ｐ１を変数に負の自然対数を取った値（−ｌｎ（１−Ｐ１））を異常度とする。
図８は、本発明の実施の形態１における稼働データの期待値と実測値の差分値と異常度との関係を示した説明図である。
図８に示すように、稼働データの期待値と実測値の差分値、つまり乖離が大きくなるにつれ顕著に高い異常度となる。したがって、例えば、稼働データの期待値が０で実測値が１である場合など、期待値と実測値に大きな乖離がある場合に高い異常度となる。
次に、非定常検出部３１６は、設備１１全体の異常度を算出する。非定常検出部３１６は、各設備１１の異常度を算出する対象となる稼働データについて異常を算出した後、算出した異常度を合計し、合計値を各設備１１の異常度として算出する。
そして、非定常検出部３１６は、算出した各設備１１の異常度の合計値が閾値以上であるか否かを判定し、異常度の合計値が閾値以上である設備１１を稼働状況が非定常状態であると検出する。
このように、各稼働データから算出された各稼働データの異常度の合計値にて設備１１の稼働状況が非定常状態であるか否かを判定することで、各稼働データ単体では異常度が高くない場合でも設備１１全体では異常度が高い場合を判定することができ、設備１１の稼働状況が非定常状態である場合を適切に判定することができるという効果を得ることができる。
なお、非定常検出部３１６における個々の稼働データの異常度の算出方法として、負の自然対数を利用する方法を説明しているが、自然対数を利用する方法に限定されず、例えば常用対数を利用する方法、アークタンジェントなどの逆三角関数を利用する方法、あるいは１０などの値を底とする指数関数を利用する方法など、稼働データの期待値と実測値の差分値が大きくなるにつれて異常度が顕著に大きくなる方法であればよい。
また、非定常検出部３１６における異常度の算出方法として、各設備１１の異常度を算出する方法について説明しているが、各設備１１の異常度を算出する方法に限定されず、例えば、各設備１１の機能ごとあるいは関連する部品ごとにユーザがグループを設定し、設定したグループごとに異常度を算出する方法であっても、工場ライン１０のように複数の設備１１が含まれるグループごとに異常度を算出する方法であってもよい。
図７に戻って、表示制御部３１７は、非定常検出部３１６から取得した設備１１の稼働状況の検出結果に応じて表示装置３４の表示を制御する。表示制御部３１７は、非定常検出部３１６にて設備１１の稼働状況が非定常状態でないと検出された場合は設備１１が定常状態である旨を示す表示を、非定常検出部３１６にて設備１１の稼働状況が非定常状態であると検出された場合は設備１１が非定常状態である旨を示す表示を表示装置３４に表示する。
図９は、本発明の実施の形態１における表示装置の表示画面の一例を示す説明図である。図９（ａ）は設備１１の稼働状況が定常状態であることを示す定常状態画面であり、図９（ｂ）は設備１１の稼働状況が非定常状態であることを示す非定常状態画面である。
図９（ａ）に示すように、非定常検出部３１６にて設備１１の稼働状況が非定常状況でないと検出された場合は左上に設備１１の名称と中央に稼働状況が定常状態である旨が文字にて表示される表示画面となる。
一方、図９（ｂ）に示すように、非定常検出部３１６にて設備１１の稼働状況が非定常状況であると検出された場合は左上に設備１１の名称と中央上部に稼働状況が非定常状態である旨が表示され、さらに稼働状況が非定常状態となった設備１１の稼働データの名称と、定常状態時と非定常状態が検出された実測値の稼働データの時間変化を示すグラフが表示される表示画面となる。ここで、定常状態時として表示される設備１１の稼働データは、期待値算出部３１５にて算出された期待値が０．５以上である場合を１として、０．５より小さい場合を０として表示制御部３１７が生成した稼働データである。
図９に示すように表示装置３４に非定常検出部３１６の検出結果に応じた表示を行うことで、ユーザに設備１１の稼働状況として非定常状態を検出したことを通知することができるという効果を得ることができる。
また、設備１１の稼働状況が非定常状態であると検出された場合に定常状態時と実測値の稼働データの時間変化を示すグラフを表示することで、設備１１の稼働データが非定常状態となったことをユーザが容易に認識できるという効果を得ることができる。
なお、図９において各設備１１の稼働状況を示す表示画面を例示しているが、表示画面は各設備１１の表示に限定されず、全ての設備１１の稼働状況を一括で示す表示画面であってもよい。また、図９において各設備１１の稼働状況を文字あるいはグラフによって示す表示画面を例示しているが、稼働状況を示す表現は文字あるいはグラフに限定されず、例えば○あるいは×などの記号で示すなど、定常状態と非定常状態を区別して表現できる表示であればよい。
また、図９において設備１１の稼働データを特定するため、稼働データの名称を文字にて示す表示画面を例示しているが、表示画面において稼働データを特定する表現は設備１１の稼働データの名称を文字にて表示することに限定されず、設備１１の稼働データを出力した設備１１の構成部品を文字あるいはイラストなどで示す表示画面であってもよい。
次に、制御装置３１の非定常検出処理の流れについて説明する。図１０は、本発明の実施の形態１における非定常検出処理の流れの一例を示すフローチャートである。
まず、制御装置３１は正常モデル生成処理終了後、自動にて非定常検出処理を開始する。なお、非定常検出処理は、制御装置３１での正常モデル生成後、非定常検出システム１００に新しい設備１１が追加された時、あるいは既存の設備１１の制御条件の変更時など新たに正常モデルの生成が必要となる場合を除いて非定常検出装置３０が稼働中は原則常に実行される。
ステップＳ２０１では、通信制御部３１４が通信装置３６を介して収集データサーバ２０から設備１１の稼働データを取得する。ここで、通信制御部３１４が取得する稼働データは設備１１の過去の稼働データと現在の稼働データの実測値を含む。
ステップＳ２０２では、通信制御部３１４がステップＳ２０１にて取得した設備１１の稼働データをメモリ３３の収集データベース３３１に記憶する。ステップＳ２０１とステップＳ２０２により、通信制御部３１１は、収集データサーバ２０の設備１１の稼働データを収集データベース３３１にコピーする。
次に、ステップＳ２０３では、期待値算出部３１５がメモリ３３の収集データベース３３１に記憶された設備１１の過去の稼働データと正常データベース３３２に記憶された正常モデルに基づいて設備１１から次に出力される稼働データの期待値を算出する。
ステップＳ２０４では、非定常検出部３１６がステップＳ２０３にて期待値算出部３１５が算出した稼働データの期待値とメモリ３３の収集データベース３３１に記憶された設備１１の稼働データの実測値に基づいて設備１１の異常度を算出する。非定常検出部３１６が設備１１の異常度を算出する処理の流れの詳細を、図１１を用いて説明する。
図１１は、本発明の実施の形態１における異常度の算出処理の流れの一例を示すフローチャートである。なお、図１１に示す異常度の算出処理は全て非定常検出部３１６によって実行される。
ステップＳ３０１では、非定常検出部３１６はメモリ３３の収集データベース３３１に記憶された設備１１の稼働データの実測値の値が０であるか１であるかを判定し、実測値の値が０である場合はステップＳ３０２に、実測値の値が１である場合はステップＳ３０３に移行する。
ステップＳ３０２では、非定常検出部３１６は実測値が０となる確率１−Ｐ１を変数とした負の自然対数（−ｌｎ（１−Ｐ１））を計算して異常度を算出し、ステップＳ３０４に移行する。
ステップＳ３０３では、非定常検出部３１６は実測値が１となる確率Ｐ１を変数とした負の自然対数（−ｌｎ（Ｐ１））を計算して異常度を算出し、ステップＳ３０４に移行する。
ステップＳ３０４では、非定常検出部３１６は設備１１の異常度を算出する対象となる全ての稼働データについて異常度を算出したかを判定し、全ての対象について算出した場合（Ｙｅｓ）はステップＳ３０５に移行し、全ての対象について算出していない場合（Ｎｏ）はステップＳ３０１に戻り処理を継続する。
ステップＳ３０５では、非定常検出部３１６は算出した異常度を合計して、設備１１の異常度を算出し、異常度の算出処理を終了する。
図１０に戻って、ステップＳ２０５では、非定常検出部３１６はステップＳ２０４にて非定常検出部３１６が算出した設備１１の異常度が閾値以上であるかを判定し、設備１１が非定常状態であるか否かを検出する。
ステップＳ２０６では、表示制御部３１７がステップＳ２０５にて非定常検出部３１６が検出した検出結果に応じて表示装置３４の表示を制御し、その後ステップＳ２０１に戻り非定常検出処理を継続する。
以上のように、実施の形態１の非定常検出装置３０によれば、２値のデジタル信号である設備１１の過去の稼働データから次に出力される稼働データの信号の期待値を算出し、算出した期待値と稼働データの実測値から設備１１の稼働状況の異常度を算出することで、２値のデジタル信号を利用する設備１１の稼働状況が非定常状態であるか否かを検出することができ、少ない処理量にてリアルタイムな非定常状態の検出できるという効果を得ることができる。
なお、制御装置３１での非定常検出処理として、設備１１の稼働状況が非定常状態であると判断された場合も非定常検出処理を継続する処理方法について説明しているが、処理方法は設備１１の稼働状況が非定常状態であると判断された場合も非定常検出処理を継続する方法に限定されず、例えば、非定常検出装置３０が工場ライン１０を停止する機能を備えており、非定常検出部３１６にて設備１１の稼働状況が非定常状態であると判断された場合に工場ライン１０を停止して非定常検出処理を終了するとしてもよい。
実施の形態２．
実施の形態１では、２値のデジタル信号を利用する設備１１の稼働状況を検出する方法について説明した。実施の形態２では、設備１１の稼働状況を検出し、稼働状況が非定常状態である場合に非定常状態となった要因をユーザに通知する実施の形態について説明する。なお、非定常検出システム１００の構成、非定常検出装置３０の構造、非定常検出装置３０の制御装置３１の構造、および制御装置３１が実行する正常モデル生成処理については実施の形態１と同様のため説明を省略する。
図１２は、本発明の実施の形態２における非定常検出処理を実行するための機能構成の一例を示す構成図である。ここで図７に示す実施の形態１における非定常検出処理を実行するための機能構成との相違点は、制御装置３１が非定常特定部３１８を備えている点である。
非定常特定部３１８は、設備１１の稼働状況が非定常状態である場合に非定常状態となった要因を特定する。非定常特定部３１８は、非定常検出部３１６から設備１１の稼働状況の検出結果と、設備１１の稼働状況が非定常状態である場合は算出された個々の稼働データの異常度を取得する。
取得した設備１１の稼働状況の検出結果が非定常状態でない場合、非定常特定部３１８は取得した設備１１の稼働状況の検出結果を表示制御部３１７に送信する。
一方、取得した設備１１の稼働状況の検出結果が非定常状態である場合、非定常特定部３１８は取得した個々の稼働データの異常度に基づいて設備１１の稼働状況が非定常状態となった要因を特定し、取得した設備１１の稼働状況の検出結果と特定した要因を表示制御部３１７に送信する。ここで、非定常特定部３１８が非定常状態となった要因を特定する方法は、非定常特定部３１８が取得した異常度の値が最も大きな稼働データを非定常状態となった要因と特定する方法であっても、取得した稼働データのうち異常度が上位である稼働データを非定常状態となった要因と特定する方法であっても、あるいは取得した異常度の値が閾値以上である稼働データを非定常状態となった要因と判定する方法であってもよい。
図１２に戻って、表示制御部３１７は、非定常特定部３１８から取得した設備１１の稼働状況の検出結果と設備１１の稼働状況が非定常状態となった要因に応じて表示装置３４の表示を制御する。表示制御部３１７は、取得した設備１１の稼働状況の検出結果が非定常状態でない場合は設備１１が定常状態である旨を示す表示を、取得した設備１１の稼働状況の検出結果が非定常状態である場合は設備１１が非定常状態である旨を示す表示を表示装置３４に表示する。
図１３は、本発明の実施の形態２における表示装置の非定常状態を示す表示画面の一例を示す説明図である。なお、設備１１の稼働状況が定常状態であることを示す定常状態画面は、図９（ａ）に示す実施の形態１における定常状態画面と同様のため説明を省略する。
図１３（ａ）に示すように、実施の形態２における表示装置の非定常状態を示す非定常状態画面の一例は、左上に設備１１の名称と中央上部に設備１１の稼働状況が非定常状態である旨が表示され、さらに非定常状態となった要因であると特定された設備１１の稼働データの名称と、定常状態時と非定常状態が検出された実測値の稼働データの時間変化を示すグラフが表示される表示画面となる。ここで、図９（ｂ）に示す実施の形態１の非定常状態画面と異なっている点は、表示される稼働データが非定常状態となった要因であると特定された稼働データのみである点である。
このように、設備１１の稼働状況が非定常状態であると検出された場合に定常状態時と非定常状態が検出された実測値の稼働データの時間変化を示すグラフを表示することで、設備１１の稼働データが非定常状態となったことをユーザが容易に認識できるという効果を得ることができる。
一方、図１３（ｂ）に示すように、実施の形態２における表示装置の非定常状態を示す非定常状態画面の別の例は、左上に設備１１の名称と中央上部に稼働状況が非定常状態である旨が表示され、さらに非定常状態となった要因であると特定された設備１１の稼働データがグラフではなく稼働データの名称のみを文字にて表示される画面である。
このように、設備１１の稼働状況が非定常状況であると検出された場合に非定常状態となった要因であると特定された設備１１の稼働データの名称のみを表示することで、設備１１の稼働状況が非定常状態となった要因をユーザが容易に認識できるという効果を得ることができる。
図１３に示すように表示装置３４に非定常検出部３１６の検出結果に応じた表示を行うことで、ユーザに設備１１の稼働状況として非定常状態を検出したことを通知することができるという効果を得ることができる。
なお、図１３において設備１１の稼働状況が非定常状態となった要因であると特定された設備１１の稼働データのみを示す表示画面を例示しているが、表示画面は要因であると特定された設備１１の稼働データのみの表示に限定されず、全ての設備１１の稼働データを示し、それぞれの稼働データが要因であると特定された稼働データであるか否かを示す表示画面であってもよい。
また、図１３において設備１１の稼働状況が非定常状態となった要因であると特定された設備１１の稼働データを特定するため、稼働データの名称を文字にて示す表示画面を例示しているが、表示画面において稼働データを特定する表現は要因であると特定された設備１１の稼働データの名称を文字にて表示することに限定されず、要因であると特定された設備１１の稼働データを出力した設備１１の構成部品を文字あるいはイラストなどで示す表示画面であってもよい。
次に、制御装置３１の非定常検出処理の流れについて説明する。図１４は、本発明の実施の形態２における非定常検出処理の流れの一例を示すフローチャートである。
まず、制御装置３１における正常モデル生成処理終了後、自動にて非定常検出処理を開始する。なお、非定常検出処理は、制御装置３１での正常モデル生成後、非定常検出システム１００に新しい設備１１が追加された時、あるいは既存の設備１１の制御条件の変更時など新たに正常モデルの生成が必要となる場合を除いて非定常検出装置３０が稼働中は原則常に実行される。
ステップＳ４０１からステップＳ４０５は、図１０に示す実施の形態１における非定常検出処理の流れのステップＳ２０１からステップＳ２０５と同様のため説明を省略する。
ステップＳ４０６では、非定常特定部３１８がＳ４０５にて非定常検出部３１６が検出した検出結果に応じて処理を行う。Ｓ４０５にて非定常検出部３１６が検出した検出結果が設備１１の稼働状況が非定常状態ではない場合（Ｎｏ）、非定常特定部３１８はＳ４０５にて非定常検出部３１６が検出した検出結果を表示制御部３１７に送信し、ステップＳ４０８に移行する。Ｓ４０５にて非定常検出部３１６が検出した検出結果が設備１１の稼働状況が非定常状態である場合（Ｙｅｓ）、非定常特定部３１８はステップＳ４０７に移行する。
ステップＳ４０７では、非定常特定部３１８がステップＳ４０４にて非定常検出部３１６が算出した設備１１の異常度とＳ４０５にて非定常検出部３１６が検出した検出結果に基づいて設備１１が非定常状態となった要因を特定し、Ｓ４０５にて非定常検出部３１６が検出した検出結果と特定した設備１１が非定常状態となった要因を表示制御部３１７に送信し、ステップＳ４０８に移行する。
ステップＳ４０８では、表示制御部３１７がステップＳ４０５にて非定常検出部３１６が検出した検出結果とステップＳ４０７にて非定常特定部３１８が特定した設備１１が非定常状態となった要因に応じて表示装置３４の表示を制御し、その後ステップＳ４０１に戻り非定常検出処理を継続する。
以上のように、実施の形態２の非定常検出装置３０によれば、設備１１の稼働状況が非定常状態となった場合に、非定常状態となった要因を特定し、特定した要因をユーザに通知することができ、ユーザが設備１１の非定常状態となった要因を容易に認識することができ、設備１１の保守を迅速に実行できるという効果を得ることができる。
なお、制御装置３１での非定常検出処理として、設備１１の稼働状況が非定常状態であると判断された場合も非定常検出処理を継続する処理方法について説明しているが、処理方法は設備１１の稼働状況が非定常状態であると判断された場合も非定常検出処理を継続する方法に限定されず、例えば、非定常検出装置３０が工場ライン１０を停止する機能を備えており、非定常検出部３１６にて設備１１の稼働状況が非定常状態であると判断された場合に工場ライン１０を停止して非定常検出処理を終了するとしてもよい。
１０ 工場ライン、１１ 設備、２０ 収集データサーバ、３０ 非定常検出装置、３１ 制御装置、３１１，３１４ 通信制御部、３１２ データ判定部、３１３ モデル生成部、３１５ 期待値算出部、３１６ 非定常検出部、３１７ 表示制御部、３１８非定常特定部、３２ ストレージ、３２１ 正常モデル生成プログラム、３２２ 非定常検出プログラム、３３ メモリ、３３１ 収集データベース、３３２ 正常データベース、３４ 表示装置、３５ 入力装置、３６ 通信装置、３７ バス、４０ ネットワーク、１００ 非定常検出システム。

Claims (10)

  1. 稼働状況が定常状態である複数の設備の２値のデジタル信号である稼働データに基づいて前記設備の稼働状況を判定するための正常モデルを生成するモデル生成部と、
    前記正常モデルを利用して前記設備の過去の稼働データから出力される稼働データの期待値を算出する期待値算出部と、
    前記稼働データの期待値と稼働データの実測値を比較し、前記設備の稼働状況が非定常状態であるか否かを検出する非定常検出部と、
    を備える非定常検出装置。
  2. 前記非定常検出部は前記稼働データの期待値と稼働データの実測値とから、前記稼働データの期待値と前記稼働データの実測値の差分値が大きくなるにつれて顕著に値が大きくなる異常度を算出し、前記異常度に基づいて前記設備の稼働状況が非定常状態であるか否かを検出することを特徴とする請求項１に記載の非定常検出装置。
  3. 前記非定常検出部は前記稼働データの実測値が１である場合に前記稼働データの期待値の負の自然対数を取った値から前記異常度を算出し、前記稼働データの実測値が０である場合に１から前記稼働データの期待値を引いた値の負の自然対数を取った値から前記異常度を算出することを特徴とする請求項２に記載の非定常検出装置。
  4. 前記非定常検出部における検出結果と前記異常度に基づいて設備の稼働状況が非定常状態となった要因を特定する非定常特定部を備えることを特徴とする請求項２あるいは３に記載の非定常検出装置。
  5. 前記稼働データは時系列データであり、
    前記モデル生成部は前記稼働データを基に時系列データを扱うことのできる機械学習手法により機械学習を行うことで前記正常モデルを生成することを特徴とする請求項１から４のいずれか１項に記載の非定常検出装置。
  6. 前記時系列データを扱うことのできる機械学習手法は隠れマルコフモデル、タイムディレイニューラルネットワーク、あるいはリカレントニューラルネットワークであることを特徴とする請求項５に記載の非定常検出装置。
  7. 前記非定常検出部における検出結果を表示する表示装置を備えることを特徴とする請求項１から６のいずれか１項に記載の非定常検出装置。
  8. 前記非定常特定部において特定された前記非定常状態となった要因を表示する表示装置を備えることを特徴とする請求項４に記載の非定常検出装置。
  9. 請求項１から８のいずれか１項に記載の非定常検出装置と、
    複数の設備と、
    前記複数の設備の稼働データを記憶する収集データサーバを備える非定常検出システム。
  10. 稼働状況が定常状態である複数の設備の２値のデジタル信号である稼働データに基づいて前記設備の稼働状況を判別するための正常モデルを生成し、前記正常モデルを利用して前記設備の過去の稼働データから出力される稼働データの期待値を算出し、前記稼働データの期待値と稼働データの実測値を比較し、前記設備の稼働状況が非定常状態であるか否かを検出する非定常検出方法。
JP2019526083A 2017-06-30 2017-06-30 非定常検出装置、非定常検出システム、および非定常検出方法 Active JP6678824B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2017/024075 WO2019003404A1 (ja) 2017-06-30 2017-06-30 非定常検出装置、非定常検出システム、および非定常検出方法

Publications (2)

Publication Number Publication Date
JPWO2019003404A1 true JPWO2019003404A1 (ja) 2019-11-07
JP6678824B2 JP6678824B2 (ja) 2020-04-08

Family

ID=64740458

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019526083A Active JP6678824B2 (ja) 2017-06-30 2017-06-30 非定常検出装置、非定常検出システム、および非定常検出方法

Country Status (7)

Country Link
US (1) US11493912B2 (ja)
JP (1) JP6678824B2 (ja)
KR (1) KR102168736B1 (ja)
CN (1) CN110785716B (ja)
DE (1) DE112017007606T5 (ja)
TW (1) TWI673228B (ja)
WO (1) WO2019003404A1 (ja)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7412150B2 (ja) * 2019-11-29 2024-01-12 東京エレクトロン株式会社 予測装置、予測方法及び予測プログラム
JP7452990B2 (ja) * 2019-11-29 2024-03-19 東京エレクトロン株式会社 異常検知装置、異常検知方法及び異常検知プログラム
DE112020006409B4 (de) 2020-03-03 2024-01-18 Mitsubishi Electric Corporation Unregelmässigkeit-erfassungssystem, unregelmässigkeit-erfassungsverfahren, und unregelmässigkeit-erfassungsprogramm
EP4172705A1 (en) * 2020-06-29 2023-05-03 Honeywell International Inc. Machine learning based direct method of determining status of facility control loop components
WO2022147287A1 (en) * 2020-12-31 2022-07-07 Schneider Electric Systems Usa, Inc. Systems and methods for benchmarking operator performance for an industrial operation
DE112021007666T5 (de) * 2021-07-21 2024-04-04 Mitsubishi Electric Corporation System zur bestimmung eines stabilen bereichs, verfahren zur bestimmung eines stabilen bereichs und programm zur bestimmung eines stabilen bereichs
DE112021008086T5 (de) 2021-10-15 2024-05-29 Mitsubishi Electric Corporation Zustandserfassungssystem, zustandserfassungsverfahren und zustandserfassungsprogramm

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04140803A (ja) * 1990-10-02 1992-05-14 Nec Corp 期待値データ生成方式
JP2002215231A (ja) * 2000-10-27 2002-07-31 Otis Elevator Co 動作しているシステムの正常性を監視する方法およびシステムの正常性をシステム間で比較する方法
JP2012048405A (ja) * 2010-08-25 2012-03-08 Toyota Motor Corp 制御装置、電子制御ユニット、異常検出方法
JP2016164772A (ja) * 2015-02-26 2016-09-08 富士電機株式会社 プロセス監視装置、プロセス監視方法及びプログラム

Family Cites Families (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB9208704D0 (en) 1992-04-22 1992-06-10 Foxboro Ltd Improvements in and relating to sensor units
US5774378A (en) 1993-04-21 1998-06-30 The Foxboro Company Self-validating sensors
JPH09280900A (ja) 1996-04-16 1997-10-31 Hitachi Ltd プロセス量の計測方法、計測装置およびプラント監視装置
JP3766208B2 (ja) 1998-07-09 2006-04-12 株式会社東芝 プロセスデータ監視装置
JP2005301582A (ja) 2004-04-09 2005-10-27 Toshiba Corp プロセス管理装置
US7567887B2 (en) 2004-09-10 2009-07-28 Exxonmobil Research And Engineering Company Application of abnormal event detection technology to fluidized catalytic cracking unit
JP2006343063A (ja) 2005-06-10 2006-12-21 Daikin Ind Ltd 設備機器の異常予知システム、設備機器の異常予知装置および設備機器の異常予知方法
JP2007102561A (ja) 2005-10-05 2007-04-19 Sharp Corp 生産装置および生産装置管理システム
JP2008226006A (ja) 2007-03-14 2008-09-25 Omron Corp 設備機器診断装置およびプログラム
TWM334411U (en) * 2007-12-19 2008-06-11 Hsiuping Inst Technology Automatic test and efficiency real-time monitoring apparatus of production line
JP2009223416A (ja) 2008-03-13 2009-10-01 Omron Corp リモート装置及び監視システム
CN102255673A (zh) * 2010-05-19 2011-11-23 希姆通信息技术（上海）有限公司 基于修改sscom配置文件的无线模块测试方法
JP6076914B2 (ja) 2011-01-24 2017-02-08 エービービー・インコーポレイテッド 大規模プロセスオートメーション制御システムを解析および診断する方法
JP5991042B2 (ja) 2011-06-29 2016-09-14 Ｊｆｅスチール株式会社 異常監視システムおよび異常監視方法
JP2013025367A (ja) * 2011-07-15 2013-02-04 Wakayama Univ 設備状態監視方法およびその装置
WO2013030984A1 (ja) * 2011-08-31 2013-03-07 株式会社日立エンジニアリング・アンド・サービス 設備状態監視方法およびその装置
JP5777483B2 (ja) 2011-10-21 2015-09-09 株式会社東芝 プログラマブルコントローラシステム
US20150277416A1 (en) 2014-03-31 2015-10-01 Mitsubishi Electric Research Laboratories, Inc. Method for Anomaly Detection in Discrete Manufacturing Processes
JP6387707B2 (ja) * 2014-07-01 2018-09-12 富士通株式会社 異常検出システム、表示装置、異常検出方法及び異常検出プログラム
JP5943357B2 (ja) * 2014-09-17 2016-07-05 インターナショナル・ビジネス・マシーンズ・コーポレーションＩｎｔｅｒｎａｔｉｏｎａｌ Ｂｕｓｉｎｅｓｓ Ｍａｃｈｉｎｅｓ Ｃｏｒｐｏｒａｔｉｏｎ 検出装置、検出方法、およびプログラム
KR101659989B1 (ko) 2014-12-10 2016-09-27 부산대학교 산학협력단 다차원 특징을 이용한 이상신호 분석장치 및 방법
CN104598114A (zh) * 2015-02-28 2015-05-06 苏州路之遥科技股份有限公司 线束智能测试机微电脑测试工艺编辑方法
US10617363B2 (en) 2015-04-02 2020-04-14 Roche Diabetes Care, Inc. Methods and systems for analyzing glucose data measured from a person having diabetes
DE102016008987B4 (de) 2015-07-31 2021-09-16 Fanuc Corporation Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt
JP6148316B2 (ja) * 2015-07-31 2017-06-14 ファナック株式会社 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
JP5946573B1 (ja) * 2015-08-05 2016-07-06 株式会社日立パワーソリューションズ 異常予兆診断システム及び異常予兆診断方法
TWI569231B (zh) 2015-10-22 2017-02-01 Widax Tech Corp Detection Method of Industrial Safety Early Warning System
CN105787587A (zh) 2016-02-26 2016-07-20 海南电网有限责任公司 一种基于多元回归的电网系统应急物资需求预测方法
US11609115B2 (en) 2017-02-15 2023-03-21 Nippon Telegraph And Telephone Corporation Anomalous sound detection apparatus, degree-of-anomaly calculation apparatus, anomalous sound generation apparatus, anomalous sound detection training apparatus, anomalous signal detection apparatus, anomalous signal detection training apparatus, and methods and programs therefor

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH04140803A (ja) * 1990-10-02 1992-05-14 Nec Corp 期待値データ生成方式
JP2002215231A (ja) * 2000-10-27 2002-07-31 Otis Elevator Co 動作しているシステムの正常性を監視する方法およびシステムの正常性をシステム間で比較する方法
JP2012048405A (ja) * 2010-08-25 2012-03-08 Toyota Motor Corp 制御装置、電子制御ユニット、異常検出方法
JP2016164772A (ja) * 2015-02-26 2016-09-08 富士電機株式会社 プロセス監視装置、プロセス監視方法及びプログラム

Also Published As

Publication number Publication date
WO2019003404A1 (ja) 2019-01-03
US11493912B2 (en) 2022-11-08
TWI673228B (zh) 2019-10-01
KR20200009077A (ko) 2020-01-29
KR102168736B1 (ko) 2020-10-22
TW201904852A (zh) 2019-02-01
US20200264595A1 (en) 2020-08-20
CN110785716A (zh) 2020-02-11
CN110785716B (zh) 2023-03-31
DE112017007606T5 (de) 2020-02-27
JP6678824B2 (ja) 2020-04-08

Similar Documents

Publication Publication Date Title
JP6678824B2 (ja) 非定常検出装置、非定常検出システム、および非定常検出方法
JP6148316B2 (ja) 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
WO2016079972A1 (ja) 要因分析装置、要因分析方法と記録媒体、及び、要因分析システム
US10901398B2 (en) Controller, control program, control system, and control method
CN109839915A (zh) 诊断装置、诊断方法及存储介质
US20210191375A1 (en) Method for carrying out measurements on a virtual basis, device, and computer readable medium
JP2022519228A (ja) 工業プロセスで使用されるコンポーネントから発生する信号の異常を検出及び測定するためのシステムと方法
JP6540531B2 (ja) 監視装置及び監視装置の制御方法
TW201926041A (zh) 設備保養預測系統及其操作方法
KR20160094383A (ko) 프로세스 장치에서 전체 프로세스 섹션의 상태를 자동 모니터링하고 측정하는 컴퓨터 실행 방법 및 시스템
US11940357B2 (en) System for predicting anomalies of machining
CN110781220A (zh) 故障预警方法、装置、存储介质和电子设备
US11900223B2 (en) Device and method for monitoring a system
CN109213057B (zh) 智能诊断装置和方法
JP6540532B2 (ja) 監視装置及び監視装置の制御方法
JP2019159365A (ja) 状態変動検出装置及び状態変動検出用プログラム
JP2020154849A (ja) コントローラ、システム、方法及びプログラム
CN111176931A (zh) 一种运营监控方法、装置、服务器及存储介质
EP4379618A1 (en) Computer implemented method for determining a quality result for input data of a data model
TWI787955B (zh) 設備溫度異常的線上檢測方法和系統
KR20240050288A (ko) Ai 기반의 제조 공정 표준 통합 관리 및 모니터링을 위한 방법
JP2017076164A (ja) 機器監視装置およびアラート情報管理方法
KR20230090275A (ko) Ai 기반의 제조 공정 관리 방법 및 컴퓨팅 장치
CN116681351A (zh) 用于注塑工序的质量预测和根本原因分析系统和方法
CN118032160A (zh) 一种变压器无线测温方法、系统、电子设备以及存储介质

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190726

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20190726

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20190821

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20191008

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20191115

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: 20200218

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200317

R150 Certificate of patent or registration of utility model

Ref document number: 6678824

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250