JPWO2019077656A1 - 生産設備監視装置、生産設備監視方法及び生産設備監視プログラム - Google Patents

生産設備監視装置、生産設備監視方法及び生産設備監視プログラム Download PDF

Info

Publication number
JPWO2019077656A1
JPWO2019077656A1 JP2019548801A JP2019548801A JPWO2019077656A1 JP WO2019077656 A1 JPWO2019077656 A1 JP WO2019077656A1 JP 2019548801 A JP2019548801 A JP 2019548801A JP 2019548801 A JP2019548801 A JP 2019548801A JP WO2019077656 A1 JPWO2019077656 A1 JP WO2019077656A1
Authority
JP
Japan
Prior art keywords
log data
feature amount
text feature
production facility
production
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
JP2019548801A
Other languages
English (en)
Other versions
JP6866930B2 (ja
Inventor
和範 丸山
和範 丸山
添田　武志
武志 添田
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.)
Fujitsu Ltd
Original Assignee
Fujitsu 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
Application filed by Fujitsu Ltd filed Critical Fujitsu Ltd
Publication of JPWO2019077656A1 publication Critical patent/JPWO2019077656A1/ja
Application granted granted Critical
Publication of JP6866930B2 publication Critical patent/JP6866930B2/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
    • G05B23/0245—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 based on a qualitative model, e.g. rule based; if-then decisions
    • 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
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0229—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions knowledge based, e.g. expert systems; genetic algorithms
    • 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]
    • G05B19/41875—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 quality surveillance of production
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • 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
    • G05B2219/32—Operator till task planning
    • G05B2219/32179—Quality control, monitor production tool with multiple sensors
    • 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
    • G05B2219/32—Operator till task planning
    • G05B2219/32196—Store audit, history of inspection, control and workpiece data into database
    • 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
    • G05B2223/00—Indexing scheme associated with group G05B23/00
    • G05B2223/02—Indirect monitoring, e.g. monitoring production to detect faults of a system
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • General Factory Administration (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Debugging And Monitoring (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)

Abstract

ログデータに基づいて生産設備の異常度合いを精度よく判定するため、学習部（４４）が、生産設備の所定工程で得られた複数のログデータに含まれるテキストの数量から求まるテキスト特徴量（例えば、第１主成分及び第２主成分）と、生産設備の生産履歴情報と、に基づいて、テキスト特徴量から生産設備の正常／異常を分類する分類ルールを学習し、抽出部（４６）が、生産設備の所定工程で得られた監視対象のログデータのテキスト特徴量を抽出し、判定部（４８）が、抽出したテキスト特徴量と、分類ルールとに基づいて、監視対象のログデータが得られたときの生産設備の正常／異常を判定する。

Description

本発明は、生産設備監視装置、生産設備監視方法及び生産設備監視プログラムに関する。
従来、プラントや設備の異常を検知する技術として、センサデータ（数値データ）に基づいてプラントや設備の状態を監視し、異常を検出する技術が知られている（例えば、特許文献１等参照）。また、装置のログデータから異常を検出する技術も知られている（例えば、特許文献２〜４等参照）。
特開２０１１−５９７９０号公報 特開２００８−１１８０６８号公報 特開２０１２−１６００５６号公報 国際公開２０１５／０７２０８５号
しかしながら、センサデータを用いて設備を監視する場合、センサで測定できない項目は監視できない。
また、ログデータを用いて設備を監視する場合には、監視対象の項目を予め設定し、監視対象の項目に表れる異常を検出することとしているため、監視対象の項目以外に表れる異常を検出することができない。
１つの側面では、本発明は、ログデータに基づいて生産設備の異常度合いを精度よく判定することが可能な生産設備監視装置、生産設備監視方法及び生産設備監視プログラムを提供することを目的とする。
一つの態様では、生産設備監視装置は、生産設備の状態を監視する生産設備監視装置であって、前記生産設備の所定工程で得られた複数のログデータに含まれるテキストの数量から求まるテキスト特徴量と、前記生産設備の生産履歴情報と、に基づいて、テキスト特徴量から前記生産設備の異常度合いを分類する分類ルールを学習する学習部と、前記生産設備の前記所定工程で得られた監視対象のログデータのテキスト特徴量を抽出する抽出部と、前記抽出部が抽出した前記テキスト特徴量と、前記分類ルールとに基づいて、前記監視対象のログデータが得られたときの前記生産設備の異常度合いを判定する判定部と、を備えている。
ログデータに基づいて生産設備の異常度合いを精度よく判定することができる。
一実施形態に係る生産設備監視システムの構成を概略的に示す図である。 サーバのハードウェア構成を示す図である。 サーバの機能ブロック図である。 ログデータの一例を示す図である。 生産履歴情報ＤＢのデータ構造の一例を示す図である。 学習処理を示すフローチャートである。 異常判定処理を示すフローチャートである。 学習部が取得した各ログデータから求めた文字数を示す表である。 学習部が取得した各ログデータの第１主成分及び第２主成分、並びに合否を示す表である。 分類ルールの学習方法について説明するための図である。 図１１（ａ）は、監視対象のログデータに関する図８に対応する表であり、図１１（ｂ）は、監視対象のログデータに関する図９に対応する表である。 分類ルールを用いた異常判定方法について説明するための図である。
以下、生産設備監視システムの一実施形態について、図１〜図１２に基づいて詳細に説明する。図１には、一実施形態に係る生産設備監視システム１００の構成が概略的に示されている。図１に示すように、１又は複数の生産設備７０と、サーバ１０と、を備える。生産設備７０とサーバ１０は、インターネットやＬＡＮ（Local Area Network）などのネットワーク８０に接続されている。
生産設備７０は、製品の生産工程において用いられる設備である。生産設備７０においては、設備自体や生産物の状態を記述したログデータが生成される。生産設備７０において生成されたログデータは、ネットワーク８０を介してサーバ１０に送信される。
サーバ１０は、生産設備７０から受信したログデータに基づいて、生産設備７０の異常度合い（本実施形態では異常有無）を判定し、判定結果を出力する装置である。図２には、サーバ１０のハードウェア構成が示されている。図２に示すように、サーバ１０は、ＣＰＵ（Central Processing Unit）１９０、ＲＯＭ（Read Only Memory）１９２、ＲＡＭ（Random Access Memory）１９４、記憶部（ここではＨＤＤ（Hard Disk Drive））１９６、ネットワークインタフェース１９７、出力部１９３、入力部１９５及び可搬型記憶媒体用ドライブ１９９等を備えている。これらサーバ１０の構成各部は、バス１９８に接続されている。出力部１９３は、液晶ディスプレイやスピーカなどを含んでいる。入力部１９５は、キーボードやマウス、タッチパネルなどを含んでいる。サーバ１０では、ＲＯＭ１９２あるいはＨＤＤ１９６に格納されているプログラム（生産設備監視プログラムを含む）、或いは可搬型記憶媒体用ドライブ１９９が可搬型記憶媒体１９１から読み取ったプログラム（生産設備監視プログラムを含む）をＣＰＵ１９０が実行することにより、図３に示す各部の機能が実現される。
図３には、サーバ１０の機能ブロック図が示されている。図３に示すように、サーバ１０では、ＣＰＵ１９０がプログラムを実行することで、ログ取得部４０、生産履歴情報取得部４２、学習部４４、抽出部４６、判定部４８としての機能が実現されている。
ログ取得部４０は、各生産設備７０から送信されてくるログデータを取得し、ログＤＢ５０に格納する。また、ログ取得部４０は、取得したログデータが、監視対象のログデータである場合には、取得したログデータを抽出部４６に送信する。ここで、ログデータは、図４に示すようなデータである。図４のログデータには、装置名、ユニット名、プログラム名、ロットＮｏ．、シリアルＮｏ．、バージョン情報、各作業実績、エラー情報、試験データ、通信履歴などが記述されている。また、ログＤＢ５０は、図４に示すようなログデータをそのまま記憶するデータベースである。
生産履歴情報取得部４２は、生産設備７０の正常、異常状態を記録した生産履歴情報を生産設備７０又はその他の機器から取得し、生産履歴情報ＤＢ５２に格納する。ここで、生産履歴情報ＤＢ５２は、図５に示すようなデータ構造を有する。具体的には、図５に示すように、生産履歴情報ＤＢ５２は、ユニット名、ロットＮｏ．、シリアルＮｏ．、装置名、工程名、開始日時、終了日時、合否、の各フィールドを有する。ユニット名のフィールドには生産設備７０の名称が格納され、ロットＮｏ．及びシリアルＮｏ．のフィールドには、生産設備７０において生産された物のロット番号及びシリアル番号が格納される。装置名のフィールドには、生産設備７０を含む装置の名称が格納され、工程名のフィールドには、生産設備７０が実施する工程の名称が格納される。開始日時及び終了日時のフィールドには、生産設備７０が実施した工程の開始日時と終了日時の情報が格納され、合否のフィールドには、生産された物に基づいて判定された合否の情報（正常／異常）が格納される。
図３に戻り、学習部４４は、ログＤＢ５０に格納されているログデータと、生産履歴情報ＤＢ５２に格納されている生産履歴情報とに基づいて、監視対象のログデータから生産設備７０の正常／異常を判定するための分類ルールを生成する。
より具体的には、学習部４４は、まず、各ログデータに含まれるテキスト（文字）の数量から求まるテキスト特徴量を抽出する。ここで、テキスト特徴量は、ログデータに含まれるテキストの文字数、ログデータに含まれるテキストのバイト数、ログデータの行数、ログデータに含まれるテキストの種類数（ログデータに含まれる文字コードの全種類数）、ログデータに含まれる数字それぞれの文字数、ログデータに含まれる英字それぞれの文字数、ログデータに含まれる記号それぞれの文字数、ログデータに含まれる日本語文字それぞれの文字数、あるいは、これらのうち２項目以上を集約したベクトルの主成分とすることができる。本実施形態では、一例として、テキスト特徴量は、各数字の文字数、各英字の文字数、各記号の文字数からなるベクトルを主成分分析することで得られる第１主成分及び第２主成分としている。なお、テキスト（文字）は、ＪＩＳコードの１バイト文字すべてを意味する。また、英字の文字数は、大文字と小文字の文字数を合算したものであるものとする。
そして、学習部４４は、各ログデータから抽出したテキスト特徴量と、各ログデータが得られたときの生産設備７０の生産履歴情報（正常であるか異常であるかという情報）とに基づいて、監視対象のログデータのテキスト特徴量から正常／異常を判定するための分類ルールを作成する。なお、分類ルールの詳細については、更に後述する。
抽出部４６は、ログ取得部４０から監視対象の生産設備７０のログデータを取得すると、取得したログデータのテキスト特徴量を抽出する。なお、抽出部４６が抽出するテキスト特徴量は、学習部４４が分類ルールを作成する際にログデータから抽出するテキスト特徴量と同一の特徴量である。
判定部４８は、抽出部４６が抽出したテキスト特徴量と、学習部４４が生成した分類ルールとを用いて、監視対象の生産設備７０が正常であるか異常であるかを判定する。判定部４８は、監視対象の生産設備７０が異常であると判定した場合に、出力部１９３を介してその旨を報知する（警告を出力する）。
（サーバ１０の処理について）
次に、図６、図７のフローチャートに沿って、サーバ１０の処理について説明する。図６には、学習部４４の処理（学習処理）の一例がフローチャートにて示され、図７には、抽出部４６及び判定部４８の処理（異常判定処理）の一例がフローチャートにて示されている。
（学習処理について）
学習部４４は、予め定められた学習タイミングで図６の処理を実行する。なお、予め定められた学習タイミングとは、例えば所定時間ごとのタイミングであるものとする。ただし、これに限らず、学習タイミングは、ログＤＢ５０に所定数のログデータが新たに格納されたタイミングなどとすることもできる。
図６の処理では、まず、ステップＳ１０において、学習部４４が、ログＤＢ５０から既存のログデータを取得し、テキスト特徴量を抽出する。なお、学習部４４は、同一の生産設備７０において実行される同一工程のログデータを取得するものとする。本実施形態では、図８に示すように、シリアルＮｏ．が００１５９、００１６０、…の各ログデータが取得されたとする。なお、学習部４４は、ログデータからは、図８に示すように、各数字の文字数、各英字の文字数、各記号の文字数を求める。そして、学習部４４は、各ログデータから得られた各数字の文字数、各英字の文字数、各記号の文字数からなるベクトルを主成分分析することで得られる第１主成分及び第２主成分をテキスト特徴量として抽出する。図９には、各ログデータのテキスト特徴量としての第１主成分及び第２主成分が表にて示されている。
次いで、ステップＳ１２では、学習部４４が、取得したログデータに対応する生産履歴情報を生産履歴情報ＤＢ５２から取得する。この場合、シリアルＮｏ．等を用いて、図５の生産履歴情報ＤＢ５２からログデータに対応する生産履歴情報を特定し、各ログデータが取得されたときの合否（正常／異常）の情報を取得する。なお、図９の表には、ログデータのシリアルＮｏ．に対して、合否（正常／異常）の情報が対応付けられている。
ステップＳ１４では、学習部４４が、分類ルールを学習（機械学習）する。具体的には、学習部４４は、図１０に示すように、各ログデータのテキスト特徴量をグラフ上にプロットし、正常と異常を分類できる境界を２クラスの線形分類により特定して、正常の範囲と異常の範囲を分類する分類ルールを作成する。図１０の例では、学習部４４は、図１０の境界線（太実線）の左側を正常、右側を異常と分類する分類ルールを作成する。
以上のように、ステップＳ１４までの処理が終了すると、図６の全処理が終了する。なお、図６の処理は、すべての工程について実行されるようになっている。
（異常判定処理について）
次に、図７のフローチャートに沿って、異常判定処理について説明する。
まず、ステップＳ２０では、抽出部４６が、監視対象のログデータを取得するまで待機する。すなわち、抽出部４６は、ログ取得部４０から新たなログデータを監視対象として取得すると、ステップＳ２２に移行する。
ステップＳ２２に移行すると、抽出部４６が、取得した監視対象のログデータからテキスト特徴量を抽出する。ここでは、抽出部４６が抽出したログデータが、図１１（ａ）に示すシリアルＮｏ．＝００５０１のログデータであるものとし、抽出部４６は、ログデータから図１１（ａ）に示す各数字の文字数、各英字の文字数、各記号の文字数を求める。そして、抽出部４６は、求めた各文字数からなるベクトルを主成分分析することにより、図１１（ｂ）に示す第１主成分、第２主成分を求め、テキスト特徴量とする。
次いで、ステップＳ２４では、判定部４８が、異常判定処理を実行する。例えば、図１１（ｂ）の監視対象のログデータの場合、第１主成分及び第２主成分に基づいて図１２の座標系上にプロットすると、×で示されている位置にプロットされることになる。この場合、分類ルールにおいて規定されている境界線（太実線）よりも右側に位置しているため、判定部４８は、「異常」と判定することになる。
次いで、ステップＳ２６では、判定部４８が、正常か否かを判断する。このステップＳ２６の判断が肯定された場合（正常の場合）には、ステップＳ２０に戻る。一方、ステップＳ２６の判断が否定された場合（異常の場合）には、ステップＳ２８に移行する。
ステップＳ２８に移行した場合、判定部４８は、警告を出力する。この場合、判定部４８は、出力部１９３を介して画像及び／又は音声により生産設備７０に異常が発生したことを報知する。なお、これに限らず、判定部４８は、サーバ１０と通信可能な外部装置（端末等）に対して、警告情報を送信することとしてもよい。
ステップＳ２８の処理が終了した後は、ステップＳ２０に戻る。そして、上述した処理が繰り返し実行されるようになっている。
以上詳細に説明したように、本実施形態によると、学習部４４が、生産設備７０の所定工程で得られた複数のログデータに含まれるテキストの数量から求まるテキスト特徴量（例えば、第１主成分及び第２主成分）と、生産設備の生産履歴情報と、に基づいて、テキスト特徴量から生産設備７０の正常／異常を分類する分類ルールを学習し、抽出部４６が、生産設備７０の所定工程で得られた監視対象のログデータのテキスト特徴量を抽出し、判定部４８が、抽出したテキスト特徴量と、分類ルールとに基づいて、監視対象のログデータが得られたときの生産設備７０の正常／異常を判定する。これにより、事前に対象文字列や対象領域を指定することなくログデータの全領域を監視し、生産設備７０の異常状態を検出することができる。したがって、指定した対象文字列や対象領域以外に記載されていた異常を検出できないという事態を避けることができ、想定していない異常を検出することができる。また、指定した対象文字列がないことが異常を表すこともあるが、このような場合についても、本実施形態によれば検出することができる。また、対象文字列や対象領域を指定する必要がないため、設定における工数を削減できる。また、ログデータのテキストの数量からテキスト特徴量を求めるため、文字列等を検索する場合に比べて処理量を低減することができる。
また、本実施形態によると、ログデータに含まれるテキストの数量からなるベクトルを主成分分析した結果得られる第１主成分及び第２主成分をテキスト特徴量として用いるため、予め対象文字列等を定めなくても、精度の高い分類ルールを設定することができるとともに、精度の高い正常／異常判定を行うことができる。
なお、上記実施形態では、テキスト特徴量として主成分分析により得られる３つ以上の主成分（例えば、第１〜第３主成分）を用いることもできる。例えば、３つの主成分を用いるとすると、分類ルールで定義される正常と異常を分類する境界は面となる。また、テキスト特徴量は、１つの主成分（例えば第１主成分）であってもよい。この場合、分類ルールで定義される正常と異常を分類する境界は点（閾値）となる。
なお、上記実施形態では、テキスト特徴量がログデータに含まれるテキストの数量からなるベクトルを主成分分析した結果得られる第１主成分及び第２主成分である場合について説明したが、これに限られるものではない。例えば、テキスト特徴量は、連続して実施された同一工程において得られたログデータのテキストの数量の差分や相関係数であってもよい。
なお、上記実施形態では、分類ルールを図１０に示すようにして作成し、作成した分類ルールを用いて正常／異常判定を行う場合について説明したが、これに限られるものではない。例えば、複数の方法により分類ルールを作成し、作成した複数の分類ルールの中から最も判定精度が高い分類ルールを用いて正常／異常判定を行うこととしてもよい。この場合、分類ルールを作成する複数の方法としては、上記実施形態の方法のほか、決定木、サポートベクターマシン、ランダムフォレストなどの方法を用いることができる。また、判定精度が最も高い分類ルールを特定する際には、ログＤＢ５０から取得したログデータを２つに分割し、一方を用いて各分類ルールを作成し、他方を用いて各分類ルールの判定精度を求める、いわゆる交叉検証を実行するようにしてもよい。
なお、上記実施形態では、生産設備７０の正常／異常を判定する（２つの状態のいずれであるかを判定する）場合について説明したが、これに限らず、３つ以上の状態のいずれであるかを判定するようにしてもよい。この場合、例えば、生産履歴情報ＤＢ５２において、「合否」の欄に「正常」、「異常」、「異常傾向が高い」…などが格納されていれば、これに基づいて分類ルールを作成することで、３つ以上の状態のいずれであるかを判定する分類ルールを作成することができる。
なお、上記の処理機能は、コンピュータによって実現することができる。その場合、処理装置が有すべき機能の処理内容を記述したプログラムが提供される。そのプログラムをコンピュータで実行することにより、上記処理機能がコンピュータ上で実現される。処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体（ただし、搬送波は除く）に記録しておくことができる。
プログラムを流通させる場合には、例えば、そのプログラムが記録されたＤＶＤ（Digital Versatile Disc）、ＣＤ−ＲＯＭ（Compact Disc Read Only Memory）などの可搬型記録媒体の形態で販売される。また、プログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することもできる。
プログラムを実行するコンピュータは、例えば、可搬型記録媒体に記録されたプログラムもしくはサーバコンピュータから転送されたプログラムを、自己の記憶装置に格納する。そして、コンピュータは、自己の記憶装置からプログラムを読み取り、プログラムに従った処理を実行する。なお、コンピュータは、可搬型記録媒体から直接プログラムを読み取り、そのプログラムに従った処理を実行することもできる。また、コンピュータは、サーバコンピュータからプログラムが転送されるごとに、逐次、受け取ったプログラムに従った処理を実行することもできる。
上述した実施形態は本発明の好適な実施の例である。但し、これに限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々変形実施可能である。
１０ サーバ（生産設備監視装置）
４４ 学習部
４６ 抽出部
４８ 判定部
７０ 生産設備

Claims (11)

  1. 生産設備の状態を監視する生産設備監視装置であって、
    前記生産設備の所定工程で得られた複数のログデータに含まれるテキストの数量から求まるテキスト特徴量と、前記生産設備の生産履歴情報と、に基づいて、テキスト特徴量から前記生産設備の異常度合いを分類する分類ルールを学習する学習部と、
    前記生産設備の前記所定工程で得られた監視対象のログデータのテキスト特徴量を抽出する抽出部と、
    前記抽出部が抽出した前記テキスト特徴量と、前記分類ルールとに基づいて、前記監視対象のログデータが得られたときの前記生産設備の異常度合いを判定する判定部と、
    を備える生産設備監視装置。
  2. 前記テキスト特徴量は、ログデータに含まれるテキストの文字数、ログデータに含まれるテキストのバイト数、ログデータの行数、ログデータに含まれるテキストの種類数、ログデータに含まれる数字それぞれの文字数、ログデータに含まれる英字それぞれの文字数、ログデータに含まれる記号それぞれの文字数、ログデータに含まれる日本語文字それぞれの文字数、の少なくとも１つの項目から求まることを特徴とする請求項１に記載の生産設備監視装置。
  3. 前記テキスト特徴量は、２つ以上の前記項目を集約したベクトルの主成分であることを特徴とする請求項２に記載の生産設備監視装置。
  4. 前記テキスト特徴量は、連続して実施された前記所定工程において得られたログデータの前記項目の差分及び相関係数のいずれかであることを特徴とする請求項２に記載の生産設備監視装置。
  5. 前記学習部は、異なるテキスト特徴量に基づいて複数の分類ルールを生成し、前記複数の分類ルールを交叉検証することで、前記判定部が判定に用いる分類ルールを決定する、ことを特徴とする請求項１〜４のいずれか一項に記載の生産設備監視装置。
  6. 生産設備の状態を監視する生産設備監視方法であって、
    前記生産設備の所定工程で得られた複数のログデータに含まれるテキストの数量から求まるテキスト特徴量と、前記生産設備の生産履歴情報と、に基づいて、テキスト特徴量から前記生産設備の異常度合いを分類する分類ルールを学習し、
    前記生産設備の前記所定工程で得られた監視対象のログデータのテキスト特徴量を抽出し、
    抽出した前記テキスト特徴量と、前記分類ルールとに基づいて、前記監視対象のログデータが得られたときの前記生産設備の異常度合いを判定する、
    処理をコンピュータが実行することを特徴とする生産設備監視方法。
  7. 前記テキスト特徴量は、ログデータに含まれるテキストの文字数、ログデータに含まれるテキストのバイト数、ログデータの行数、ログデータに含まれるテキストの種類数、ログデータに含まれる数字それぞれの文字数、ログデータに含まれる英字それぞれの文字数、ログデータに含まれる記号それぞれの文字数、ログデータに含まれる日本語文字それぞれの文字数、の少なくとも１つの項目から求まることを特徴とする請求項６に記載の生産設備監視方法。
  8. 前記テキスト特徴量は、２つ以上の前記項目を集約したベクトルの主成分であることを特徴とする請求項７に記載の生産設備監視方法。
  9. 前記テキスト特徴量は、連続して実施された前記所定工程において得られたログデータの前記項目の差分及び相関係数のいずれかであることを特徴とする請求項７に記載の生産設備監視方法。
  10. 前記学習する処理では、異なるテキスト特徴量に基づいて複数の分類ルールを生成し、前記複数の分類ルールを交叉検証することで、判定に用いる分類ルールを決定する、ことを特徴とする請求項６〜９のいずれか一項に記載の生産設備監視方法。
  11. 生産設備の状態を監視する生産設備監視プログラムであって、
    前記生産設備の所定工程で得られた複数のログデータに含まれるテキストの数量から求まるテキスト特徴量と、前記生産設備の生産履歴情報と、に基づいて、テキスト特徴量から前記生産設備の異常度合いを分類する分類ルールを学習し、
    前記生産設備の前記所定工程で得られた監視対象のログデータのテキスト特徴量を抽出し、
    抽出した前記テキスト特徴量と、前記分類ルールとに基づいて、前記監視対象のログデータが得られたときの前記生産設備の異常度合いを判定する、
    処理をコンピュータに実行させるための生産設備監視プログラム。
JP2019548801A 2017-10-16 2017-10-16 生産設備監視装置、生産設備監視方法及び生産設備監視プログラム Active JP6866930B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2017/037388 WO2019077656A1 (ja) 2017-10-16 2017-10-16 生産設備監視装置、生産設備監視方法及び生産設備監視プログラム

Publications (2)

Publication Number Publication Date
JPWO2019077656A1 true JPWO2019077656A1 (ja) 2020-07-30
JP6866930B2 JP6866930B2 (ja) 2021-04-28

Family

ID=66174386

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019548801A Active JP6866930B2 (ja) 2017-10-16 2017-10-16 生産設備監視装置、生産設備監視方法及び生産設備監視プログラム

Country Status (5)

Country Link
US (1) US11650579B2 (ja)
EP (1) EP3699708B1 (ja)
JP (1) JP6866930B2 (ja)
CN (1) CN111133396B (ja)
WO (1) WO2019077656A1 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RS63767B1 (sr) * 2019-03-06 2022-12-30 Komax Holding Ag Računarski implementiran postupak za kontrolu većeg broja uređaja za obradu kablova i kontrolni sistem
US20230412624A1 (en) * 2020-11-19 2023-12-21 Nippon Telegraph And Telephone Corporation Estimation device, estimation method, and estimation program
CN115794465B (zh) * 2022-11-10 2023-12-19 上海鼎茂信息技术有限公司 一种日志异常检测方法及系统
CN116430831B (zh) * 2023-04-26 2023-10-31 宁夏五谷丰生物科技发展有限公司 应用于食用油生产控制系统的数据异常监控方法及系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013250925A (ja) * 2012-06-04 2013-12-12 Nippon Telegr & Teleph Corp <Ntt> 回答タイプ推定装置、方法、及びプログラム
JP2015032088A (ja) * 2013-08-01 2015-02-16 株式会社デンソー 文字認識装置および文字認識方法
WO2017149598A1 (ja) * 2016-02-29 2017-09-08 三菱電機株式会社 機器分類装置
WO2017154844A1 (ja) * 2016-03-07 2017-09-14 日本電信電話株式会社 分析装置、分析方法および分析プログラム

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0850507A (ja) 1994-06-01 1996-02-20 Nippondenso Co Ltd 異常復帰手順教示システム
JP2008118068A (ja) 2006-11-08 2008-05-22 Renesas Technology Corp 半導体装置の生産管理システム
JP5301310B2 (ja) * 2009-02-17 2013-09-25 株式会社日立製作所 異常検知方法及び異常検知システム
CN101556553B (zh) * 2009-03-27 2011-04-06 中国科学院软件研究所 基于需求变更的缺陷预测方法和系统
JP5363927B2 (ja) 2009-09-07 2013-12-11 株式会社日立製作所 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
JP5601231B2 (ja) 2011-02-01 2014-10-08 株式会社デンソー 製造ライン監視システム
CN103177215B (zh) * 2013-03-05 2016-01-20 四川电力科学研究院 基于软件控制流特征的计算机恶意软件检测新方法
CN103514398B (zh) * 2013-10-18 2016-08-17 中国科学院信息工程研究所 一种实时在线日志检测方法及系统
WO2015072085A1 (ja) 2013-11-12 2015-05-21 日本電気株式会社 ログ分析システム、ログ分析方法、および、記憶媒体
CN106415507B (zh) * 2014-06-06 2019-05-21 日本电信电话株式会社 日志分析装置、攻击检测装置、攻击检测方法以及程序
EP3015936B1 (en) * 2014-10-31 2016-09-07 Sap Se System and method for generation of instructions for repairing an electromechanical system
DE102015225144A1 (de) * 2015-12-14 2017-06-14 Siemens Aktiengesellschaft System und Verfahren zur Diagnose von zumindest einer wartungsbedürftigen Komponente eines Geräts und/oder Anlage
CN106940679B (zh) * 2017-02-23 2020-10-02 中科创达软件股份有限公司 数据处理方法及装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013250925A (ja) * 2012-06-04 2013-12-12 Nippon Telegr & Teleph Corp <Ntt> 回答タイプ推定装置、方法、及びプログラム
JP2015032088A (ja) * 2013-08-01 2015-02-16 株式会社デンソー 文字認識装置および文字認識方法
WO2017149598A1 (ja) * 2016-02-29 2017-09-08 三菱電機株式会社 機器分類装置
WO2017154844A1 (ja) * 2016-03-07 2017-09-14 日本電信電話株式会社 分析装置、分析方法および分析プログラム

Also Published As

Publication number Publication date
US11650579B2 (en) 2023-05-16
EP3699708A1 (en) 2020-08-26
EP3699708B1 (en) 2021-07-28
WO2019077656A1 (ja) 2019-04-25
JP6866930B2 (ja) 2021-04-28
CN111133396B (zh) 2023-03-24
CN111133396A (zh) 2020-05-08
US20200201309A1 (en) 2020-06-25
EP3699708A4 (en) 2020-09-09

Similar Documents

Publication Publication Date Title
US11650579B2 (en) Information processing device, production facility monitoring method, and computer-readable recording medium recording production facility monitoring program
CN107908959B (zh) 网站信息检测方法、装置、电子设备及存储介质
KR20150018642A (ko) 머신 상태 모니터링에서 결함 진단을 위한 일반화된 패턴 인식
JP2015106340A (ja) 情報処理装置及び情報処理プログラム
CN111666101A (zh) 软件同源分析方法及装置
US11409888B2 (en) Security information processing device, information processing method, and recording medium
CN110855635B (zh) Url识别方法、装置及数据处理设备
JP7376631B2 (ja) 敵対的攻撃を使用して誤ラベル付きデータ・サンプルを識別するための方法及びシステム
US10346450B2 (en) Automatic datacenter state summarization
CN113627168A (zh) 一种元器件封装冲突的检查方法、装置、介质及设备
CN111651340A (zh) 告警数据规则挖掘方法、装置及电子设备
US20240071375A1 (en) System and a method for detectiing point anomaly
CN115705413A (zh) 异常日志的确定方法及装置
CN114676231A (zh) 一种目标信息检测方法、设备和介质
CN115563288B (zh) 一种文本检测的方法、装置、电子设备及存储介质
CN109902162B (zh) 基于数字指纹的文本相似性的识别方法、存储介质及装置
US11928421B2 (en) Technical document error detection
CN116340172A (zh) 基于测试场景的数据收集方法、装置及测试用例检测方法
CN115470034A (zh) 一种日志分析方法、设备及存储介质
JP6340990B2 (ja) メッセージ表示方法、メッセージ表示装置、およびメッセージ表示プログラム
Heinzerling et al. Visual error analysis for entity linking
WO2021024297A1 (ja) 敵対的事例検知システム、方法およびプログラム
JP6249505B1 (ja) 特徴抽出装置およびプログラム
JP7027696B2 (ja) 情報処理装置及び情報処理プログラム
US20220253529A1 (en) Information processing apparatus, information processing method, and computer readable medium

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20200128

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200128

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: 20210309

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210322

R150 Certificate of patent or registration of utility model

Ref document number: 6866930

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150