JPWO2019035279A1 - 人工知能アルゴリズム - Google Patents
人工知能アルゴリズム Download PDFInfo
- Publication number
- JPWO2019035279A1 JPWO2019035279A1 JP2019536436A JP2019536436A JPWO2019035279A1 JP WO2019035279 A1 JPWO2019035279 A1 JP WO2019035279A1 JP 2019536436 A JP2019536436 A JP 2019536436A JP 2019536436 A JP2019536436 A JP 2019536436A JP WO2019035279 A1 JPWO2019035279 A1 JP WO2019035279A1
- Authority
- JP
- Japan
- Prior art keywords
- artificial intelligence
- sensor node
- sensor
- kernel
- input data
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N99/00—Subject matter not provided for in other groups of this subclass
Abstract
Description
初めに、本明細書中に開示されている人工知能チップ(以下では、適宜、AI−SNP[artificial intelligence - sensor node processor]と呼ぶ)の背景について説明する。AI−SNPの開発動機は、インダストリー4.0で提唱されているようなスマートファクトリー戦略に由来する。このような次世代の工場では、一日中、その稼働を止めることなくリアルタイムで装置や設備をチェックし続けなければならない。しかしながら、その一方で、工場の高利益を維持するためには、コストの削減も検討する必要がある。
以下では、マシンヘルスモニタリングシステム向けのAI−SNP、並びに、これに実装される人工知能アルゴリズム(以下ではAIアルゴリズムと呼ぶ)について説明する。本願出願人は、オープンデータや自社工場のリアルデータを用いてマシンヘルスモニタリングシステム向けのAIアルゴリズムについて研究を続けている。また、この研究を通して、本願出願人は、今や、AIアルゴリズムについての知見だけでなく、データ収集のノウハウについても数多くの知見を得ている。
・NASA IMSデータ ch1(test2)
・OCSVM使用
・カーネル:ガウス
・ガンマ=0.1
・学習用データ:最初の200データ(33h分の良品データを学習に使用)
・サポートベクトル数:52
・ベクトル次元:99次元
・特徴量:0−10kHzまで50Hz毎に得られるFFT振幅のRMS
・NASA IMSデータ
・AlexNet使用(11層CNN)
・学習データ
正常=80データ(88hまでランダム選択)
異常=80データ(88h以降ランダム選択)
・ミニバッチサイズ:50
・学習回数:1500
マシンヘルスモニタリングシステム向けの異常検出動作を行う場合には、(a)ほぼ全てがOKデータであってNGデータは非常に稀であり、(b)振動データは監視対象装置の異常検出にとって有用な情報を示すという特徴について十分留意すべきである。以下では、上記の特徴に鑑み、教師なしの機械学習手法と単純な前処理手法について提案する。
図10は、AIチップ10が搭載されるセンサノードの一構成例を示す図である。本構成例のセンサノード1は、サーバ2と共にマシンヘルスモニタリングシステム300の一構成要素として機能するものであり、これまでに説明してきたAIチップ10のほかに、センサ20と、通信部30と、環境発電部40と、蓄電部50と、パワーマネジメント部60と、を有する。
なお、上記の実施形態では、マシンヘルスモニタリングシステムを例に挙げたが、人工知能アルゴリズム(ないしこれを実装した人工知能チップ)の適用対象は、何らこれに限定されるものではなく、例えば、患者の体調管理を行うための生体ヘルスモニタリングシステムにも応用することが可能である。
10 人工知能チップ(AIチップ)
11 前処理部
11a バンドパスフィルタ
12 分類器(OCSVM)
12a サポートベクトル格納部
12b カーネル演算処理部
b10 ベクトル演算器
b11 カーネル演算器
b12 乗算器
b20 加算器
13 後処理部
20 センサ
30 通信部(Wi−SUN)
40 環境発電部
50 蓄電部(スーパーキャパシタ)
60 パワーマネジメント部
100 本部
200 工場
210 ミリングマシン
211 モータ
212〜215 ベアリング
216 加速度計
217 熱電対
300 マシンヘルスモニタリングシステム
Claims (12)
- 並列に接続された複数のバンドパスフィルタを用いて入力データから周波数帯域毎の特徴量をそれぞれ抽出することにより特徴ベクトルを生成するステップと、
前記特徴ベクトルとサポートベクトルを用いてカーネル関数の値を求めるステップと、
を有することを特徴とする人工知能アルゴリズム。 - 前記カーネル関数の値から前記入力データの異常検出を行うステップをさらに有することを特徴とする請求項1に記載の人工知能アルゴリズム。
- 前記入力データは、振動データであることを特徴とする請求項1または請求項2に記載の人工知能アルゴリズム。
- 前記カーネル関数は、線形カーネル、ガウスカーネル、または、RBF[radial base function]カーネルであることを特徴とする請求項1〜請求項3のいずれか一項に記載の人工知能アルゴリズム。
- 並列に接続された複数のバンドパスフィルタを用いて入力データから周波数帯域毎の特徴量をそれぞれ抽出することにより特徴ベクトルを生成する前処理部と、
前記特徴ベクトルとサポートベクトルを用いてカーネル関数の値を求める分類器と、
を有することを特徴とする人工知能チップ。 - 前記カーネル関数の値から前記入力データの異常検出を行う後処理部をさらに有することを特徴とする請求項5に記載の人工知能チップ。
- 前記分類器は、ハードウェアにより構成されたOCSVM[one class support vector machine]であることを特徴とする請求項5または請求項6に記載の人工知能チップ。
- センサと、
前記センサから前記入力データを受け付ける請求項5〜請求項7のいずれか一項に記載の人工知能チップと、
前記人工知能チップとサーバとの間で無線通信を行う通信部と、
を有することを特徴とするセンサノード。 - 前記センサは、振動センサであることを特徴とする請求項8に記載のセンサノード。
- 環境発電部と、
前記環境発電部の発電電力を蓄える蓄電部と、
前記発電電力または前記蓄電部の蓄電電力を用いてセンサノード各部への電力供給を行うパワーマネジメント部と、
をさらに有することを特徴とする請求項8または請求項9に記載のセンサノード。 - 監視対象装置に取り付けられる請求項10に記載のセンサノードと、
前記センサノードから異常フラグを受け付けるサーバと、
を有することを特徴とするマシンヘルスモニタリングシステム。 - 前記サーバは、前記センサノードから前記異常フラグを受け付けて異常状態報知を行うことを特徴とする請求項11に記載のマシンヘルスモニタリングシステム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017157852 | 2017-08-18 | ||
JP2017157852 | 2017-08-18 | ||
PCT/JP2018/023934 WO2019035279A1 (ja) | 2017-08-18 | 2018-06-25 | 人工知能アルゴリズム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2019035279A1 true JPWO2019035279A1 (ja) | 2020-07-27 |
JP7012086B2 JP7012086B2 (ja) | 2022-01-27 |
Family
ID=65362832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019536436A Active JP7012086B2 (ja) | 2017-08-18 | 2018-06-25 | 人工知能アルゴリズム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7012086B2 (ja) |
WO (1) | WO2019035279A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114981651A (zh) * | 2020-01-24 | 2022-08-30 | 三菱电机株式会社 | 钢丝绳探伤装置 |
JP2022168313A (ja) * | 2021-04-25 | 2022-11-07 | 広海 大谷 | Sqlデータベース―グラフハミルトン閉路接合モデルaiチップ、自動精度補正機構によるジャイロスコープ他aiチップ、ramのアクセス制限フラグロックチップ、シリアル登録ramアクセス制限フラグロックチップ、ai実行結果解析及び保存カスタムチップ、自動解析データ整列整理チップ、ゲームエンジンチップ、4dエンジンチップ、物理シミュレーターチップ、aiチップボード、4dエンジンチップボード、物理シミュレーターチップボード、連鎖フィードバックポイントシステムチップとロールフォワードシステムチップ、ロールバックシステムチップ、エマージェンシー制御装置直通回路及びチップ |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006105943A (ja) * | 2004-10-08 | 2006-04-20 | Omron Corp | 知識作成装置及びパラメータ探索方法並びにプログラム製品 |
JP2014035279A (ja) * | 2012-08-09 | 2014-02-24 | Bridgestone Corp | 路面状態判別方法とその装置 |
WO2015072023A1 (ja) * | 2013-11-15 | 2015-05-21 | 富士通株式会社 | システム、通信ノード、および切り替え方法 |
JP2015170317A (ja) * | 2014-03-10 | 2015-09-28 | 富士通株式会社 | 識別関数特定装置、識別関数特定プログラム、識別関数特定方法および生体認証装置 |
US20160098037A1 (en) * | 2014-10-06 | 2016-04-07 | Fisher-Rosemount Systems, Inc. | Data pipeline for process control system anaytics |
WO2017126236A1 (ja) * | 2016-01-20 | 2017-07-27 | 三菱電機株式会社 | 異常検知装置及び異常検知システム |
-
2018
- 2018-06-25 JP JP2019536436A patent/JP7012086B2/ja active Active
- 2018-06-25 WO PCT/JP2018/023934 patent/WO2019035279A1/ja active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006105943A (ja) * | 2004-10-08 | 2006-04-20 | Omron Corp | 知識作成装置及びパラメータ探索方法並びにプログラム製品 |
JP2014035279A (ja) * | 2012-08-09 | 2014-02-24 | Bridgestone Corp | 路面状態判別方法とその装置 |
WO2015072023A1 (ja) * | 2013-11-15 | 2015-05-21 | 富士通株式会社 | システム、通信ノード、および切り替え方法 |
JP2015170317A (ja) * | 2014-03-10 | 2015-09-28 | 富士通株式会社 | 識別関数特定装置、識別関数特定プログラム、識別関数特定方法および生体認証装置 |
US20160098037A1 (en) * | 2014-10-06 | 2016-04-07 | Fisher-Rosemount Systems, Inc. | Data pipeline for process control system anaytics |
WO2017126236A1 (ja) * | 2016-01-20 | 2017-07-27 | 三菱電機株式会社 | 異常検知装置及び異常検知システム |
Also Published As
Publication number | Publication date |
---|---|
WO2019035279A1 (ja) | 2019-02-21 |
JP7012086B2 (ja) | 2022-01-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111356910B (zh) | 一种实现旋转设备自动故障诊断及寿命预测的系统和方法 | |
Xu et al. | Data-driven fault diagnostics and prognostics for predictive maintenance: A brief overview | |
Wang et al. | Fault prognostics using dynamic wavelet neural networks | |
CN111597682B (zh) | 预测风力机齿轮箱轴承剩余寿命的方法 | |
US10539932B2 (en) | Machine diagnostics based on overall system energy state | |
US20210140851A1 (en) | System and method for automatic diagnosis of power generation facility | |
US20200081054A1 (en) | Power line issue diagnostic methods and apparatus using distributed analytics | |
JP2014142324A (ja) | 軸受装置の振動解析方法、軸受装置の振動解析装置、および転がり軸受の状態監視装置 | |
Yu | Machine health prognostics using the Bayesian-inference-based probabilistic indication and high-order particle filtering framework | |
CN102521604B (zh) | 一种基于巡检系统的设备性能退化评估装置及方法 | |
Khademi et al. | IoT enabled vibration monitoring toward smart maintenance | |
Tran et al. | Machine learning and IoT-based approach for tool condition monitoring: A review and future prospects | |
Xu et al. | Quantile regression neural network‐based fault detection scheme for wind turbines with application to monitoring a bearing | |
Chen et al. | An integrated framework for statistical change detection in running status of industrial machinery under transient conditions | |
WO2020036818A1 (en) | System and method for forecasting industrial machine failures | |
Khorsheed et al. | An integrated machine learning: Utility theory framework for real-time predictive maintenance in pumping systems | |
Peco Chacón et al. | State of the art of artificial intelligence applied for false alarms in wind turbines | |
JP7012086B2 (ja) | 人工知能アルゴリズム | |
Baltazar et al. | A review on neurocomputing based wind turbines fault diagnosis and prognosis | |
Sun et al. | Condition-based maintenance for the offshore wind turbine based on long short-term memory network | |
Albano et al. | Advanced sensor-based maintenance in real-world exemplary cases | |
Xie et al. | The application of echo state network and recurrent multilayer perceptron in rotating machinery fault prognosis | |
Albano et al. | Sensors: the enablers for proactive maintenance in the real world | |
Farhat et al. | Medical equipment efficient failure management in IoT environment | |
Nadir et al. | Utilizing principal component analysis for the identification of gas turbine defects |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200131 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210323 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210513 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210914 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211025 |
|
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: 20220104 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220117 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7012086 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |