KR20230086794A - 학습 장치, 불량 검지 장치, 및 불량 검지 방법 - Google Patents

학습 장치, 불량 검지 장치, 및 불량 검지 방법 Download PDF

Info

Publication number
KR20230086794A
KR20230086794A KR1020237017923A KR20237017923A KR20230086794A KR 20230086794 A KR20230086794 A KR 20230086794A KR 1020237017923 A KR1020237017923 A KR 1020237017923A KR 20237017923 A KR20237017923 A KR 20237017923A KR 20230086794 A KR20230086794 A KR 20230086794A
Authority
KR
South Korea
Prior art keywords
segment
series data
target device
training
data
Prior art date
Application number
KR1020237017923A
Other languages
English (en)
Other versions
KR102566084B1 (ko
Inventor
야스히로 도야마
Original Assignee
미쓰비시덴키 가부시키가이샤
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 미쓰비시덴키 가부시키가이샤 filed Critical 미쓰비시덴키 가부시키가이샤
Publication of KR20230086794A publication Critical patent/KR20230086794A/ko
Application granted granted Critical
Publication of KR102566084B1 publication Critical patent/KR102566084B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • 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
    • G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
    • G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
    • G06F11/3075—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting the data filtering being achieved in order to maintain consistency among the monitored data, e.g. ensuring that the monitored data belong to the same timeframe, to the same system or component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/26—Functional testing
    • G06F11/263—Generation of test inputs, e.g. test vectors, patterns or sequences ; with adaptation of the tested hardware for testability with external testers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
    • G06F11/321—Display for diagnostics, e.g. diagnostic result display, self-test user interface
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/40—Data acquisition and logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Branch Pipes, Bends, And The Like (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
  • Apparatuses And Processes For Manufacturing Resistors (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

학습 장치는, 감시 대상 장치와 동일 또는 동종의 대상 장치 또는 상기 대상 장치의 근방에 설치된 센서에 의해 취득된 훈련 시계열 데이터와, 상기 대상 장치의 설정 파라미터 데이터 또는 상기 대상 장치에 관한 환경 데이터를 관련지어 수집하는 훈련 시계열 데이터 취득부(101A)와, 상기 훈련 시계열 데이터를, 상기 훈련 시계열 데이터가 나타내는 파형에 있어서 제1 값으로부터 제2 값으로의 상승 및 상기 제2 값으로부터 상기 제1 값으로의 하강의 양쪽을 포함하는 동작 상태를 나타내는 부분 시계열 데이터인 훈련 세그먼트로 분할하여, 복수의 훈련 세그먼트를 구비한 세그먼트 집합을 생성하는 세그먼트 집합 생성부(102)와, 상기 설정 파라미터 데이터 또는 상기 환경 데이터를 이용하여, 생성된 세그먼트 집합에 포함되는 상기 복수의 훈련 세그먼트를, 유사한 훈련 세그먼트별로 정리하여 적어도 1개의 유사 세그먼트 집합으로 분류하는 세그먼트 집합 소트부(103)와, 상기 적어도 1개의 유사 세그먼트 집합에 포함되는 복수의 훈련 세그먼트로부터, 상기 대상 장치의 동작의 정상 영역을 나타내는 표본 세그먼트를 생성하는 표본 세그먼트 생성부(104)를 구비한다.

Description

학습 장치, 불량 검지 장치, 및 불량 검지 방법
본 개시는, 학습 장치, 불량 검지 장치, 및 불량 검지 방법에 관한 것이다.
플랜트 장치, 제조 장치, 승강기, 공조기 등의 각종 장치의 동작을 감시하기 위해, 감시 대상인 대상 장치 또는 그 근처에 설치된 센서에 의해 얻어진 데이터로부터, 대상 장치의 동작을 평가하여 불량을 검지하는 것은 유용하다. 예를 들면 특허문헌 1에는, 대상 장치의 불량을 다음과 같이 하여 검지하는 기술이 기재되어 있다. 우선, 대상 장치의 테스트 시계열 데이터로부터, 테스트 시계열 데이터의 부분 시계열 데이터인 세그먼트를 복수 생성한다. 다음에, 생성된 세그먼트와 과거의 훈련 시계열 데이터의 세그먼트를 비교하여, 과거의 훈련 시계열 데이터의 세그먼트에 유사한 테스트 시계열 데이터의 세그먼트를 검출한다. 이 유사성의 판정은, 세그먼트간의 거리, 예를 들면 유클리드 거리를 이용하여 이루어진다. 다음에, 검출된 유사 세그먼트 중에서, 훈련 시계열 데이터의 세그먼트와 가장 유사하지 않은 테스트 시계열 데이터의 세그먼트를, 대상 장치가 불량인 것을 나타내는 특이점으로서 검출한다.
[특허문헌 1] 국제 공개 제2016/117086호
이러한 특허문헌 1의 기술에 의하면, 훈련 시계열 데이터의 세그먼트와 테스트 시계열 데이터의 세그먼트 사이에 허용 가능한 시간 방향의 차이가 존재하는 경우에 있어서, 테스트 시계열 데이터의 세그먼트를 이상이 있다고 판정한다는 문제점이 있었다. 즉, 특허문헌 1의 기술에 의하면, 세그먼트간의 유사성은 유클리드 거리 등의 세그먼트간의 거리에 의해 판정되므로, 어긋난 시간폭 내의 시각의 데이터가 취득된 경우, 그 시각에 있어서의 거리가 크게 평가되어 세그먼트끼리 유사하지 않은 것으로 판정된다는 문제점이 있었다.
본 개시는 상기와 같은 과제를 해결하기 위해서 이루어진 것이며, 본 개시의 실시형태의 한 측면은, 시간 방향으로 여유를 갖고 시계열 데이터의 유사성의 판정을 행하기 위한 학습 모델을 생성하는 학습 장치를 제공하는 것을 목적으로 한다.
본 개시에 따른 학습 장치의 한 측면은,
감시 대상 장치와 동일 또는 동종의 대상 장치 또는 상기 대상 장치의 근방에 설치된 센서에 의해 취득된 훈련 시계열 데이터와, 상기 대상 장치의 설정 파라미터 데이터 또는 상기 대상 장치에 관한 환경 데이터를 관련지어 수집하는 훈련 시계열 데이터 취득부와,
상기 훈련 시계열 데이터를, 상기 훈련 시계열 데이터가 나타내는 파형에 있어서 제1 값으로부터 제2 값으로의 상승 및 상기 제2 값으로부터 상기 제1 값으로의 하강의 양쪽을 포함하는 동작 상태를 나타내는 부분 시계열 데이터인 훈련 세그먼트로 분할하여, 복수의 훈련 세그먼트를 구비한 세그먼트 집합을 생성하는 세그먼트 집합 생성부와,
상기 설정 파라미터 데이터 또는 상기 환경 데이터를 이용하여, 생성된 세그먼트 집합에 포함되는 상기 복수의 훈련 세그먼트를, 유사한 훈련 세그먼트별로 정리하여 적어도 1개의 유사 세그먼트 집합으로 분류하는 세그먼트 집합 소트부와,
상기 적어도 1개의 유사 세그먼트 집합에 포함되는 복수의 훈련 세그먼트로부터, 상기 대상 장치의 동작의 정상 영역을 나타내는 표본 세그먼트를 생성하는 표본 세그먼트 생성부
를 구비한다.
본 개시의 학습 장치에 의하면, 시간 방향으로 여유를 갖고 시계열 데이터의 유사성의 판정을 행하기 위한 학습 모델을 생성할 수 있다.
도 1은 불량 검지 시스템의 구성예를 나타내는 블럭도이다.
도 2는 센서 데이터 테이블의 예를 나타내는 도면이다.
도 3(a)는 표본 세그먼트의 생성예를 나타내는 도면이다.
도 3(b)는 표본 세그먼트의 생성예를 나타내는 도면이다.
도 4(a)는 불량 검지 시스템의 하드웨어 구성의 일례를 나타내는 블럭도이다.
도 4(b)는 불량 검지 시스템의 하드웨어 구성의 다른 예를 나타내는 블럭도이다.
도 5는 불량 검지 시스템의 동작을 나타내는 흐름도이다.
도 6(a) 내지 도 6(c)는, 불량 검지 장치 또는 불량 검지 시스템의 효과를 나타내는 도면이다. 도 6(a)는 정상 동작 시의 파형을 나타내는 도면이다.
도 6(a) 내지 도 6(c)는, 불량 검지 장치 또는 불량 검지 시스템의 효과를 나타내는 도면이다. 도 6(b)는 정상 동작 시와 다른 동작예 1에 의한 동작의 파형을 나타내는 도면이다.
도 6(a) 내지 도 6(c)는, 불량 검지 장치 또는 불량 검지 시스템의 효과를 나타내는 도면이다. 도 6(c)는 정상 동작 시와 다른 동작예 2에 의한 동작의 파형을 나타내는 도면이다.
이하, 도면을 참조하면서, 본 개시에 따른 여러 가지의 실시의 형태에 대해 상세하게 설명한다. 또, 도면 전체에 있어서 동일 부호를 붙인 구성 요소는, 동일 또는 유사한 구성 또는 기능을 갖는 것으로 한다.
실시의 형태 1.
＜구성＞
도 1은, 본 개시의 실시의 형태 1에 의한 불량 검지 시스템(100)의 구성예이다. 불량 검지 시스템(100)은, 학습 장치(10A), 불량 검지 장치(10B), 및 데이터 기억부(108)를 포함한다. 학습 장치(10A)는, 훈련 시계열 데이터 취득부(101A), 세그먼트 집합 생성부(102), 세그먼트 집합 소트부(103), 표본 세그먼트 생성부(104), 및 표본 세그먼트 소트부(105)로 구성된다. 학습 단계에 있어서, 학습 장치(10A)는, 훈련 시계열 데이터를 바탕으로 학습 모델을 구축한다.
불량 검지 장치(10B)는, 테스트 시계열 데이터 취득부(101B), 정상도 산출부(106), 및 불량 판정부(107)로 구성된다. 검지 단계에 있어서, 불량 검지 장치(10B)는, 테스트 시계열 데이터가 불량인지 여부를 판정한다.
개별적으로 설치되어 있는 훈련 시계열 데이터 취득부(101A) 및 테스트 시계열 데이터 취득부(101B) 대신에, 도시하지 않는 공용의 시계열 데이터 취득부를 설치해도 좋다.
＜학습 단계＞
훈련 시계열 데이터 취득부(101A)는, 감시 대상인 대상 장치와 동일 또는 동종의 장치(이하, 단지 「대상 장치」라고 함)에 관한 시계열 데이터를 훈련 시계열 데이터로서 취득한다. 취득하는 시계열 데이터의 예에는, 대상 장치 또는 그 근방에 설치된 도시하지 않는 센서에 의해 취득되는 센서 데이터, 대상 장치에 설정된 설정 파라미터 데이터, 및 대상 장치가 배치되어 있는 공간에 설치된 도시하지 않는 센서에 의해 취득되는 환경 데이터가 포함된다. 훈련 시계열 데이터 취득부(101A)는, 센서 데이터, 설정 파라미터 데이터, 및 환경 데이터를 도시하지 않는 네트워크를 거쳐 수집한다.
센서 데이터는, 대상 장치의 동작에 관한 시계열 데이터이다. 예를 들면, 대상 장치가 모터를 갖는 제조 장치인 경우, 센서 데이터의 예에는, 모터의 온도, 진동, 회전 속도, 접점 전류, 및 접점 전압이 포함된다.
설정 파라미터 데이터란, 대상 장치를 동작시키기 위해 설정되는 파라미터에 관한 시계열 데이터이다. 예를 들면, 대상 장치가 모터를 갖는 제조 장치의 경우, 설정 파라미터 데이터의 예에는, 모터를 동작시키기 위한 전류 설정값, 및 모터를 동작시키기 위한 전압 설정값이 포함된다.
환경 데이터는, 대상 장치의 주위의 환경에 관한 시계열 데이터이다. 예를 들면, 대상 장치가 모터를 갖는 제조 장치인 경우, 환경 데이터의 예에는, 제조 장치가 배치되어 있는 실내의 온도 및 습도가 포함된다.
도 1에서는 데이터의 개략적인 흐름을 나타내기 위해 훈련 시계열 데이터 취득부(101A)로부터 세그먼트 집합 생성부(102)에 화살표가 연장되어 있지만, 훈련 시계열 데이터 취득부(101A)는 수집한 각종 데이터를 데이터 기억부(108)에 공급한다. 그 후, 세그먼트 집합 생성부(102)는, 데이터 기억부(108)에 축적된 데이터를 참조하여 소정의 처리를 행한다. 마찬가지로, 개략적인 흐름을 나타내기 위해, 도 1에서는 다른 기능부와 데이터 기억부(108) 사이의 화살표를 생략하여 나타내고 있다.
데이터 기억부(108)는 각종 데이터를, 예를 들면 도 2와 같은 데이터 테이블 형식으로 저장한다. 도 2에서는, 데이터 항목의 예로서, 모터 온도, 진동, 회전 속도, 접점 전류, 접점 전압, 전류 설정값, 전압 설정값이 나타나고 있다. 데이터 항목은, 수집하는 데이터에 따라 적당히 설정된다. 도 2에서는, 각 데이터 항목의 시계열 데이터가 1초마다 기록되고 있다. 대상 장치와 데이터 항목의 대응이 가능하면, 1개의 대상 장치에 관한 데이터는 복수의 테이블에 분할되어 있어도 상관없다. 기온, 습도 등의, 복수의 대상 장치에 공통인 데이터 항목은, 각 대상 장치의 데이터 테이블 이외의 공통의 테이블로 관리되어도 좋다.
세그먼트 집합 생성부(102)는, 훈련 시계열 데이터를 복수의 훈련 세그먼트로 분할하여, 복수의 훈련 세그먼트를 구비한 집합인 세그먼트 집합을 생성한다. 훈련 시계열 데이터는, 데이터 기억부(108)로부터 취득한다. 세그먼트는, 본 개시에서는, 시계열 데이터가 나타내는 파형에 있어서 제1 값으로부터 제2 값으로의 상승 및 제2 값으로부터 제1 값으로의 하강의 양쪽을 포함하는 동작 상태를 나타내는 부분 시계열 데이터를 의미한다. 제1 값 및 제2 값 중 어느 쪽도, 특정의 값이어도 좋고, 임의의 값으로부터 소정의 범위 내의 임의의 값이어도 좋다. 제1 값 및 제2 값 중 어느 쪽도, 정상 상태에 있어서의 값이다. 분할의 일례로서, 동일 제품을 반복하여 제조하는 제조 장치의 경우, 1개의 제품을 제조한 기간의 훈련 시계열 데이터를 1개의 세그먼트로 한다. 다른 예로서, 1개의 제품의 제조가 복수의 공정 또는 동작으로 구성되어 있는 경우는, 각 공정 또는 동작의 훈련 시계열 데이터를 1개의 세그먼트로 한다. 또 다른 예로서, 발전 플랜트 등과 같이 동일한 동작의 명확한 반복이 없는 경우, 기동 동작, 일정 출력 운전 동작, 출력 변동 동작, 정지 동작 등의 각 동작의 훈련 시계열 데이터를 1개의 세그먼트로 한다. 발전 플랜트의 일정 출력 운전 동작과 같이 단일의 동작이 장시간에 이르는 경우, 그 동작의 훈련 시계열 데이터를 일정한 시간폭으로 더 구획하고, 이와 같이 구획된 각 구간의 훈련 시계열 데이터를 1개의 세그먼트로 해도 좋다. 분할 방법은, 예를 들면, 불량 검지 시스템(100)의 사용자에 의해 설정된다. 세그먼트 집합 생성부(102)는, 생성한 세그먼트 집합을, 세그먼트 집합 소트부(103)에 공급한다. 분할의 방법은, 후에 정상도 산출부(106)가 참조할 수 있도록 데이터 기억부(108)에 저장된다.
세그먼트 집합 소트부(103)는, 세그먼트 집합 생성부(102)에 의해 생성된 세그먼트 집합을, 경향이 유사한 훈련 세그먼트를 정리하는 것으로 1개 이상의 유사 세그먼트 집합으로 분류한다. 분류에 이용하는 지표로서, 예를 들면, 대상 장치의 설정 파라미터 데이터를 이용해도 좋다. 예를 들면 제조 장치에서는, 설정 파라미터 데이터가 동일하면 마찬가지의 동작을 하기 때문에, 세그먼트 집합에 포함되는 훈련 세그먼트를 설정 파라미터 데이터가 동일한 유사 세그먼트 집합으로 분류할 수 있다. 설정 파라미터 데이터 이외의 기온 또는 습도 등의 외부 요소가 대상 장치의 동작에 영향을 주는 것이 사전 지식으로서 얻어지고 있는 경우는, 외부 요소도 가미하여 분류를 행해도 좋다. 예를 들면, 훈련 세그먼트를, 설정 파라미터 데이터와 외부 요소의 양쪽이 동일한 훈련 세그먼트별로 분류해도 좋다. 또, 다른 지표로서 센서 데이터의 유사한 경향을 이용하여, 훈련 세그먼트를 분류해도 좋다. 이 경우, 분류에 사용하는 센서 데이터를 지정하고, 각 훈련 세그먼트의 당해 센서 데이터를 비교하고, 유클리드 거리로 훈련 세그먼트간의 거리를 산출하고, 훈련 세그먼트를 거리가 가까운 훈련 세그먼트별로 분류한다. 유클리드 거리의 대체로서, 마할라노비스 거리(Mahalanobis distance), 동적 시간 워핑 거리(Dynamic Time Warping distance) 등의 다른 거리를 이용해도 좋다. 세그먼트 집합 소트부(103)는, 분류 후의 하나 이상의 유사 세그먼트 집합을, 표본 세그먼트 생성부(104)에 공급한다. 또, 분류에 이용한 방법은, 후에 정상도 산출부(106)가 참조할 수 있도록 데이터 기억부(108)에 저장된다.
표본 세그먼트 생성부(104)는, 각 유사 세그먼트 집합에 대해, 유사 세그먼트 집합의 각종 데이터를 이용하여, 불량 검지 시에 이용되는 정상 영역을 나타내는 세그먼트인 표본 세그먼트를 생성한다. 표본 세그먼트의 생성예를 도 3(a) 및 도 3(b)에 나타낸다.
도 3(a)는, 임의의 유사 세그먼트 집합에 포함되는 복수의 훈련 세그먼트를, 임의의 데이터 항목(예를 들면, 회전 속도)에 대해 각 훈련 세그먼트의 개시 시각을 맞추어 중첩 표시한 도면이다. 데이터의 좌단이 각 훈련 세그먼트의 개시 시각을 나타낸다. 이 도 3(a)의 가로축 및 세로축을 정규화하고, 스케일을 동등하게 한다. 정규화의 방법으로서, z 정규화 또는 min－max 정규화를 이용할 수 있다. z 정규화를 이용하는 경우, 도 3(a)의 가로축 및 세로축의 각각에 있어서, 전체 데이터의 분포가 평균 0, 분산 1이 되도록, 각 데이터로부터 전체 데이터의 평균값을 감산한 후, 표준 편차로 제산하는 표준화를 한다. min－max 정규화를 이용하는 경우, 도 3(a)의 가로축(시간축) 및 세로축(수치축)의 각각에 있어서, 전체 데이터의 분포가, 최소 0, 최대 1이 되도록, 각 데이터로부터 전체 데이터의 최소값을 감산한 후, 감산 후의 최대값으로 제산한다. 정규화 시에 사용한 평균값, 표준 편차, 최소값, 및 최대값 등의 통계량은, 정상도 산출부(106)에서 다음에 사용하기 위해, 데이터 기억부(108)에 기억한다.
표본 세그먼트 생성부(104)는, 도 3(a)의 정규화된 데이터를 이용하여, 정상 영역을 정한다. 정상 영역은, 예를 들면, 그래프 상의 각 정규화 시각에 있어서의 데이터의 존재 확률의 확률 분포를 이용하여 표현한다. 존재 확률의 대소를 그레이 스케일로 표현한 예를 도 3(b)에 나타낸다. 예를 들면 도 3(b)의 각 정규화 시각에 있어서, 각 정규화 훈련 세그먼트가 전체 정규화 훈련 세그먼트의 평균에 가장 많게 분포하고 있고, 평균으로부터 멀어질수록 분포가 적게 되는 경향이었던 경우, 도 3(b)에서는 전체 정규화 훈련 세그먼트의 평균 부근일수록 존재 확률이 커지기 때문에 색이 진해지고, 평균으로부터 멀어질수록 색이 옅어진다. 데이터 존재 확률의 산출 방법으로서, 예를 들면, 가우시안 커널에 의한 커널 밀도 분포를 사용할 수 있다. 다른 방법으로서, k 근방법(k-nearest neighbors algorithm)을 이용해도 좋다. 표본 세그먼트 생성부(104)는, 이와 같이 하여, 유사 세그먼트 집합마다 정상 영역을 나타내는 표본 세그먼트를 학습 모델로서 생성한다. 이것에 의해, 표본 세그먼트 생성부(104)는, 복수의 표본 세그먼트를 구비한 표본 세그먼트 집합을 생성한다. 표본 세그먼트 생성부(104)는, 생성한 표본 세그먼트(학습 모델)를 데이터 기억부(108)에 저장한다.
표본 세그먼트 소트부(105)는, 정상도 산출부(106)에 의한 검색의 속도를 향상시키기 위한 임의의 구성부이다. 즉, 표본 세그먼트 소트부(105)는, 있어도 없어도 좋다. 정상도 산출부(106)에 의한 검색의 속도를 향상시키기 위해, 표본 세그먼트 소트부(105)는, 각종 데이터를 이용하여 복수의 표본 세그먼트(학습 모델)를 소트한다. 예를 들면, 임의의 데이터 항목의 데이터의 값이 큰 순서로 소트한다. 표본 세그먼트 소트부(105)는, 소트한 결과를 데이터 기억부(108)에 저장한다.
＜검지 단계＞
훈련 시계열 데이터 취득부(101A)와 마찬가지로, 테스트 시계열 데이터 취득부(101B)는, 감시 대상인 감시 대상 장치에 관한 시계열 데이터를 테스트 시계열 데이터로서 취득한다. 테스트 시계열 데이터는, 감시 대상 장치의 설정 파라미터 데이터 또는 감시 대상 장치에 관한 환경 데이터와 관련지어 수집해도 좋다. 테스트 시계열 데이터를 설정 파라미터 데이터 또는 환경 데이터와 관련짓는 것에 의해, 테스트 시계열 데이터에 관련된 설정 파라미터 데이터 또는 환경 데이터와 동일한 설정 파라미터 데이터 또는 환경 데이터에 관련된 훈련 세그먼트로부터 생성된 표본 세그먼트를 검색하는 것이 가능해진다.
정상도 산출부(106)는, 표본 세그먼트 생성부(104)에 의해 생성되거나 또는 표본 세그먼트 소트부(105)에 의해 소트된 표본 세그먼트(학습 모델)를 이용하여, 테스트 시계열 데이터의 정상도를 산출한다. 정상도를 산출하기 위해, 정상도 산출부(106)는, 이하의 처리를 행한다.
정상도 산출부(106)는, 테스트 시계열 데이터 취득부(101B)가 취득한 테스트 시계열 데이터를, 세그먼트 집합 생성부(102)와 동일한 방법으로 분할하는 것에 의해 1개 이상의 테스트 세그먼트를 생성한다. 세그먼트 집합 생성부(102)에 의한 분할의 방법은, 정상도 산출부(106)가 데이터 기억부(108)를 참조하여 취득한다.
정상도 산출부(106)는, 생성된 테스트 세그먼트와 유사한 경향을 갖는 유사 세그먼트 집합을 검색한다. 이 검색을 행하기 위해, 정상도 산출부(106)는, 데이터 기억부(108)를 참조하여 세그먼트 집합 소트부(103)가 분류에 이용한 방법을 취득한다. 생성된 테스트 세그먼트와 유사한 경향을 갖는 유사 세그먼트 집합이 검색된 경우, 정상도 산출부(106)는, 생성된 테스트 세그먼트가, 검색된 유사 세그먼트 집합에 속한다고 판정한다.
정상도 산출부(106)는, 어느 유사 세그먼트 집합에 속하는지가 판정된 테스트 세그먼트를, 정규화하여 정규화 테스트 세그먼트로 한다. 이 정규화는, 정상도 산출부(106)가 데이터 기억부(108)를 참조하여, 표본 세그먼트 생성부(104)가 정규화에 이용한 방법을 취득하여, 동일한 방법에 의해 행한다.
정상도 산출부(106)는, 정규화 테스트 세그먼트가 속하는 유사 세그먼트 집합으로부터 표본 세그먼트 생성부(104)에 의해 작성되거나, 또는 표본 세그먼트 소트부(105)에 의해 소트된 학습 모델을 추출한다. 그리고, 정상도 산출부(106)는, 정규화 테스트 세그먼트를 추출한 학습 모델에 플롯했을 때에, 정규화 테스트 세그먼트가 추출한 학습 모델의 각 정규화 시각에 있어서의 정상 영역에 포함되는 확률 또는 정도인 존재 확률을 산출한다. 정상도 산출부(106)는 이 산출한 존재 확률을 테스트 세그먼트의 정상도로서 출력하고, 출력된 정상도는 데이터 기억부(108)에 저장된다.
불량 판정부(107)는, 정상도 산출부(106)에 의해 산출된 정상도 데이터를 기초로, 테스트 시계열 데이터의 테스트 세그먼트가 불량인지 여부를 판정한다. 테스트 세그먼트가 불량인지 여부의 판정은, 미리 설정한 임계값을 사용한다. 예를 들면, 훈련 시계열 데이터에 포함되는 또는 포함되는 것으로 상정되는 불량 데이터의 백분율을 임계값으로 한다. 보다 구체적으로는, 훈련 시계열 데이터가 모두 정상적이다라고 한 경우, 임계값을 0(%)으로 설정하고, 테스트 세그먼트의 정상도가 0%로 되는 시각이 있는 경우에 테스트 세그먼트는 불량이라고 판정한다. 마찬가지로, 훈련 시계열 데이터에 5% 정도의 불량이 포함될 가능성이 있는 경우에는, 임계값을 5(%)로 설정하고, 테스트 세그먼트의 정상도가 5%로 되는 시각이 있는 경우에는 테스트 세그먼트는 불량이라고 판정한다. 다른 예로서, 테스트 세그먼트에 특별히 정상도가 작은 시각은 없지만, 테스트 세그먼트의 정상도가 전체적으로 낮은 케이스를 불량으로 판정하고 싶은 경우에는, 임계값을 5(%)로 설정하고, 테스트 세그먼트의 정상도의 평균값이 5%를 하회하는 경우에 테스트 세그먼트는 불량이라고 판정한다. 불량 판정부(107)는, 판정 결과를 도시하지 않는 표시 장치 등의 소정의 장치에 출력한다. 판정 결과와 함께 정상도 데이터도 출력되어도 좋다.
이상의 설명에서는 불량 검지 시스템(100)이 데이터 기억부(108)를 구비하는 구성에 대해 설명했지만, 이 구성으로 한정되지 않는다. 데이터 기억부(108) 대신에, 도시하지 않는 통신 네트워크 상에 배치된 1개 이상의 도시하지 않는 네트워크 스토리지 장치가 각종 데이터 및 표본 세그먼트(학습 모델)를 기억하고, 정상도 산출부(106) 또는 불량 판정부(107)가 네트워크 스토리지 장치에 액세스하도록 구성해도 좋다.
다음에, 도 4(a) 및 도 4(b)를 참조하여, 불량 검지 시스템(100)의 하드웨어의 구성예에 대해 설명한다. 일례로서, 도 4(a)에 도시되어 있듯이, 불량 검지 시스템(100)은, 프로세서(401), 프로세서(401)에 접속된 메모리(402), I/F 장치(403), 및 스토리지(404)를 구비한다. 또, 스토리지(404)는, 선택적인 구성부이다. 프로세서(401), I/F 장치(403), 및 스토리지(404)는, 버스를 거쳐 서로 접속되어 있다. I/F 장치(403)에 의해 훈련 시계열 데이터 취득부(101A) 및 테스트 시계열 데이터 취득부(101B)가 실현된다. 또, 메모리(402)에 저장된 프로그램이 프로세서(401)에 판독되어 실행되는 것에 의해, 세그먼트 집합 생성부(102), 세그먼트 집합 소트부(103), 표본 세그먼트 생성부(104), 표본 세그먼트 소트부(105), 정상도 산출부(106), 및 불량 판정부(107)가 실현된다. 또, 스토리지(404)에 의해 데이터 기억부(108)가 실현된다. 프로그램은, 소프트웨어, 펌웨어 또는 소프트웨어와 펌웨어의 조합으로서 실현된다. 메모리(402)의 예에는, 예를 들면, RAM(Random Access Memory), ROM(Read Only Memory), 플래시 메모리, EPROM(Erasable Programmable Read Only Memory), EEPROM(Electrically-EPROM) 등의 비휘발성 또는 휘발성의 반도체 메모리, 자기 디스크, 플렉서블 디스크, 광 디스크, 콤팩트 디스크, 미니 디스크, DVD가 포함된다.
다른 예로서, 도 4(b)에 도시되어 있듯이, 불량 검지 시스템(100)은, 프로세서(401) 및 메모리(402) 대신에, 처리 회로(406)를 구비한다. 이 경우, 처리 회로(406)에 의해, 세그먼트 집합 생성부(102), 세그먼트 집합 소트부(103), 표본 세그먼트 생성부(104), 표본 세그먼트 소트부(105), 정상도 산출부(106), 및 불량 판정부(107)가 실현된다. 처리 회로(406)는, 예를 들면, 단일 회로, 복합 회로, 프로그램화한 프로세서, 병렬 프로그램화한 프로세서, ASIC(Application Specific Integrated Circuit), FPGA(Field-Programmable Gate Array), 또는, 이들의 조합이다. 세그먼트 집합 생성부(102), 세그먼트 집합 소트부(103), 표본 세그먼트 생성부(104), 표본 세그먼트 소트부(105), 정상도 산출부(106), 및 불량 판정부(107)의 기능을 별개의 처리 회로로 실현해도 좋고, 이러한 기능을 정리하여 1개의 처리 회로로 실현해도 좋다.
데이터 기억부(108)에서 기억되는 데이터는, 스토리지(404)에 저장된다. 불량 검지 시스템(100)이 I/F 장치(403)를 통해 도시하지 않는 데이터 서버 등의 외부 장치에 접속되어 있는 경우는, 데이터를 스토리지(404)에 저장하지 않고 , I/F 장치(403)를 통해 데이터를 외부 장치에 송신해도 좋다. 이와 같이 불량 검지 시스템(100)이 외부 장치에 접속되어 있는 경우는, 불량 검지 시스템(100)은 스토리지(404)를 구비하지 않아도 된다. 세그먼트 집합 생성부(102), 세그먼트 집합 소트부(103), 표본 세그먼트 생성부(104), 표본 세그먼트 소트부(105), 정상도 산출부(106), 및 불량 판정부(107)가 행하는 각 처리 중, 스토리지(404)에 저장되지 않는 중간 처리 결과는, 메모리(402)에 일시적으로 저장된다. 불량 판정부(107)에 의한 판정 결과는, 필요에 따라서, I/F 장치(403)를 거쳐, 표시 장치 등의 도시하지 않는 출력 장치에 의해 출력된다.
＜동작＞
다음에, 도 5의 흐름도를 참조하여, 불량 검지 시스템(100)의 동작에 대해 설명한다.
스텝 ST501에 있어서, 시계열 데이터 취득부(101)는, 시계열 데이터를 훈련 시계열 데이터 또는 테스트 시계열 데이터로서 취득한다. 시계열 데이터를 훈련 시계열 데이터로서 취득하는 경우, 훈련 시계열 데이터는, 대상 장치의 설정 파라미터 데이터 또는 대상 장치에 관한 환경 데이터와 관련지어 수집한다. 시계열 데이터를 테스트 시계열 데이터로서 취득하는 경우, 테스트 시계열 데이터는, 대상 장치의 설정 파라미터 데이터 또는 대상 장치에 관한 환경 데이터와 관련지어 수집해도 좋다.
스텝 ST502에 있어서, 세그먼트 집합 생성부(102)는, 훈련 시계열 데이터를 복수의 훈련 세그먼트로 분할하여, 복수의 훈련 세그먼트를 구비한 집합인 세그먼트 집합을 생성한다.
스텝 ST503에 있어서, 세그먼트 집합 소트부(103)는, 생성된 세그먼트 집합을, 경향이 유사한 훈련 세그먼트를 정리하는 것으로 1개 이상의 유사 세그먼트 집합으로 분류한다. 경향이 유사한지 여부의 판정은, 예를 들면, 설정 파라미터 데이터 또는 환경 데이터를 이용하여 행한다.
스텝 ST504에 있어서, 표본 세그먼트 생성부(104)는, 1개 이상의 유사 세그먼트 집합에 대해, 당해 유사 세그먼트 집합에 포함되는 훈련 세그먼트를 정규화하고, 정규화된 훈련 세그먼트의 각종 데이터를 이용하여, 불량 검지 시에 이용되는 정상 영역을 나타내는 세그먼트인 표본 세그먼트(학습 모델)를 생성한다.
스텝 ST505에 있어서, 표본 세그먼트 소트부(105)는, 각종 데이터를 이용하여 표본 세그먼트(학습 모델)를 소트한다. 또, 스텝 ST505는, 임의의 스텝이므로 없어도 좋다.
스텝 ST506에 있어서, 정상도 산출부(106)는, 표본 세그먼트 생성부(104)에 의해 생성되거나 또는 표본 세그먼트 소트부(105)에 의해 소트된 표본 세그먼트(학습 모델)를 이용하여, 스텝 ST501에 있어서 취득된 테스트 시계열 데이터의 테스트 세그먼트의 정상도를 산출한다. 이 때, 스텝 ST502에 있어서, 세그먼트 집합 생성부(102)가 훈련 시계열 데이터의 세그먼트화에 이용한 방법과 동일한 방법을 이용하여, 정상도 산출부(106)는, 테스트 시계열 데이터의 테스트 세그먼트를 생성한다. 또, 스텝 ST503에 있어서 세그먼트 집합 소트부(103)가 분류에 이용한 방법과 동일한 방법을 이용하여, 정상도 산출부(106)는, 테스트 세그먼트와 유사한 경향을 갖는 유사 세그먼트 집합을 검색한다. 또, 스텝 ST504에 있어서, 표본 세그먼트 생성부(104)가 정규화에 이용한 방법과 동일한 방법을 이용하여, 정상도 산출부(106)는, 어느 유사 세그먼트 집합에 속하는지가 판정된 테스트 세그먼트를 정규화한다. 계속해서, 정상도 산출부(106)는, 정규화 테스트 세그먼트가 속하는 유사 세그먼트 집합으로부터 작성된 학습 모델을 추출한다. 그리고, 정상도 산출부(106)는, 정규화 테스트 세그먼트를 추출한 학습 모델에 플롯했을 때에, 정규화 테스트 세그먼트가 추출한 학습 모델의 각 정규화 시각에 있어서의 정상 영역에 포함되는 확률인 존재 확률을 산출한다. 정상도 산출부(106)는 이 산출한 존재 확률을 테스트 세그먼트의 정상도로서 출력한다.
스텝 ST507에 있어서, 불량 판정부(107)는, 테스트 세그먼트의 정상도를 이용하여, 테스트 세그먼트가 불량인지 여부를 판정한다.
다음에, 불량 검지 시스템(100)의 효과에 대해, 도 6(a) 내지 도 6(c)를 참조하여 설명한다. 도 6(a)는, 대상 장치 또는 대상 장치와 동종의 장치의, 정상 동작 시의 하나의 세그먼트 데이터를 파선으로 나타내는 도면이다. 도 6(a)의 파형에 있어서, 초기값(제1 값 v1)이 일정한 시간에 걸쳐 계속되고, 그 후에 파형이 상승하여 상승 후의 값(제2 값 v2)이 일정한 시간에 걸쳐 계속되고, 그 후에 파형이 하강하여 초기값(제1 값 v1)으로 돌아오는 동작이 나타나고 있다.
도 6(b)는, 도 6(a)와 동일한 유사 세그먼트 집합에 속하는 장치의 정상 동작 시의 동작예와 다른 동작예 1에 의한 동작을 나타내는 도면이다. 도 6(b)에 있어서, 동작예 1에 의한 동작을 나타내는 장치의 파형이 실선으로 도시되고, 도 6(a)의 정상 동작 시의 파형이 파선으로 중첩 표시되어 있다. 도 6(b)의 파형에 있어서, 초기값(제1 값 v1)이 일정한 시간에 걸쳐 계속되고, 그 후에 파형이 상승하여 상승 후의 값(제2 값 v2)이 일정한 시간에 걸쳐 계속되지만, 상승 후의 값은 도 6(a)의 정상 동작 시보다 짧은 시간밖에 계속되지 않는다.
도 6(c)는, 도 6(a)와 동일한 유사 세그먼트 집합에 속하는 장치의 정상 동작 시의 동작예와 다른 동작예 2에 의한 동작을 나타내는 도면이다. 도 6(c)에 있어서, 동작예 2에 의한 동작을 나타내는 장치의 파형이 실선으로 나타나고, 도 6(a)의 정상 동작 시의 파형이 파선으로 중첩 표시되어 있다. 도 6(c)의 파형에 있어서, 초기값(제1 값 v1)이 일정한 시간에 걸쳐 계속되고, 그 후에 파형이 상승하여 상승 후의 값이 일정한 시간에 걸쳐 계속되지만, 상승 후의 값은 도 6(a)의 정상 동작 시보다 작은 값(제3 값 v3)으로 되어 있다.
도 6(b) 및 도 6(c)의 예는 모두, 대상 장치의 사양에 대해서 동일한 정도의 차이가 발생한 예이다. 따라서, 최종적으로 불량인지 여부의 판정은, 도 6(b) 및 도 6(c)의 양 경우에 있어 동일하다고 하는 것이 바람직하다. 즉, 도 6(b)의 동작예 1에 의한 동작을 허용 범위 내의 동작이라고 평가한다면, 도 6(c)의 동작예 2에 의한 동작도 허용 범위 내의 동작이라고 평가하는 것이 바람직하다. 반대로, 도 6(b)의 동작예 1에 의한 동작을 불량의 동작이라고 평가한다면, 도 6(c)의 동작예 2에 의한 동작도 불량의 동작이라고 평가하는 것이 바람직하다.
그러나, 도 6(a)와 같은 세그먼트를, 슬라이드창을 이용하여 세세하게 구획하여 유클리드 거리 등의 거리에 근거하여 불량 판정을 행하는 종래 기술에 의하면, 최종적으로 불량인지 여부의 판정이, 도 6(b)와 도 6(c)에서 다른 경우가 있었다. 이러한 종래 기술에 의하면, 임의의 시각에 있어서의 데이터값과, 그 시각에 있어서의 데이터값과의 사이의 거리가 평가되어 불량인지 여부의 판정이 행해진다. 따라서, 도 6(c)의 예에 관해서는, 정상 동작 시의 상승 후의 값(v2)과 동작예 2에 있어서의 상승 후의 값(v3)의 차가 거리로서 산출된다. 마찬가지로, 도 6(b)의 예에 관해서는, 슬라이드창의 데이터 취득 시각이 정상 동작 시의 파형과 동작예 1의 파형의 차이의 부분(파선으로 둘러싸인 부분)에 위치하는 경우에는, 정상 동작 시의 상승 후의 값(v2)과 동작예 1에 있어서의 하강 후의 값(제1 값 v1)의 차가 거리로서 산출된다. 이와 같이, 종래 기술에 의하면, 도 6(c)의 예에 대해 산출되는 거리에 비해, 도 6(b)의 예에 대해 산출되는 거리는 커진다. 그 때문에, 종래 기술에 의하면, 도 6(c)의 예는 허용 범위에 있기 때문에 불량이 아니라고 판정되고, 도 6(b)의 예는 허용 범위에 없기 때문에 불량이라고 판정되고 있었다.
이러한 종래 기술에 비해서, 본 개시에 있어서의 실시형태에 의하면, 파형의 상승 및 하강의 양쪽을 포함하는 동작 상태를 세그먼트로서 파악하는 것에 의해, 종래보다 긴 시간의 파형 데이터를 전체적으로 취급하고 있다. 그 때문에, 값 방향 뿐만이 아니라, 시간 방향의 차이도 고려하여 표본 세그먼트(학습 모델)를 생성할 수 있다. 테스트 세그먼트는, 이러한 표본 세그먼트를 이용하여 이루어지므로, 테스트 세그먼트가 갖는 값 방향의 차이 뿐만이 아니라 시간 방향의 차이에 대해서도 여유를 가지고 평가할 수 있다. 따라서, 본 개시의 실시형태에 의하면, 종래 기술보다 정밀도가 높은 불량 검지가 가능해진다.
＜부기＞
이상으로 설명된 여러 가지의 실시형태의 몇 가지 측면에 대해, 이하에서 정리한다.
＜부기 1＞
부기 1의 학습 장치(10A)는, 감시 대상 장치와 동일 또는 동종의 대상 장치 또는 상기 대상 장치의 근방에 설치된 센서에 의해 취득된 훈련 시계열 데이터와, 상기 대상 장치의 설정 파라미터 데이터 또는 상기 대상 장치에 관한 환경 데이터를 관련지어 수집하는 훈련 시계열 데이터 취득부(101A)와, 상기 훈련 시계열 데이터를, 상기 훈련 시계열 데이터가 나타내는 파형에 있어서 제1 값으로부터 제2 값으로의 상승 및 상기 제2 값으로부터 상기 제1 값으로의 하강의 양쪽을 포함하는 동작 상태를 나타내는 부분 시계열 데이터인 훈련 세그먼트로 분할하여, 복수의 훈련 세그먼트를 구비한 세그먼트 집합을 생성하는 세그먼트 집합 생성부(102)와, 상기 설정 파라미터 데이터 또는 상기 환경 데이터를 이용하여, 생성된 세그먼트 집합에 포함되는 상기 복수의 훈련 세그먼트를, 유사한 훈련 세그먼트별로 정리하여 적어도 1개의 유사 세그먼트 집합으로 분류하는 세그먼트 집합 소트부(103)와, 상기 적어도 1개의 유사 세그먼트 집합에 포함되는 복수의 훈련 세그먼트로부터, 상기 대상 장치의 동작의 정상 영역을 나타내는 표본 세그먼트를 생성하는 표본 세그먼트 생성부(104)를 구비한다.
＜부기 2＞
부기 2의 학습 장치는, 부기 1의 학습 장치로서, 상기 적어도 1개의 유사 세그먼트 집합은, 2 이상의 유사 세그먼트 집합이며, 상기 표본 세그먼트 생성부(104)는, 상기 2 이상의 유사 세그먼트 집합의 각각에 대해 표본 세그먼트를 생성하고, 상기 학습 장치는, 생성된 표본 세그먼트를 소트하는 표본 세그먼트 소트부(105)를 더 구비한다.
＜부기 3＞
부기 3의 불량 검지 장치(10B)는, 감시 대상인 감시 대상 장치가 불량인지 여부를 검지하는 불량 검지 장치로서, 상기 감시 대상 장치 또는 상기 감시 대상 장치의 근방에 설치된 센서에 의해 취득된 테스트 시계열 데이터를 수집하는 테스트 시계열 데이터 취득부(101B)와, 상기 테스트 시계열 데이터로부터, 상기 테스트 시계열 데이터가 나타내는 파형에 있어서 제1 값으로부터 제2 값으로의 상승 및 상기 제2 값으로부터 상기 제1 값으로의 하강의 양쪽을 포함하는 동작 상태를 나타내는 부분 시계열 데이터인 테스트 세그먼트를 생성하고, 부기 1 또는 2의 학습 장치에 의해 생성된 1개 이상의 표본 세그먼트로부터 관련하는 표본 세그먼트를 참조하고, 상기 생성된 테스트 세그먼트가, 참조된 표본 세그먼트의 정상 영역에 포함되는 정도를 나타내는 정상도를 산출하는 정상도 산출부(106)와, 산출된 정상도에 근거하여, 상기 감시 대상 장치가 불량인지 여부를 판정하는 불량 판정부(107)를 구비한다.
＜부기 4＞
부기 4의 불량 검지 장치는, 부기 3의 불량 검지 장치로서, 상기 테스트 시계열 데이터 취득부는, 상기 테스트 시계열 데이터를, 상기 감시 대상 장치의 설정 파라미터 데이터 또는 상기 감시 대상 장치에 관한 환경 데이터와 관련지어 수집하고, 상기 관련하는 표본 세그먼트는, 상기 테스트 시계열 데이터에 관련된 설정 파라미터 데이터 또는 환경 데이터와 동일한 설정 파라미터 데이터 또는 환경 데이터에 관련된 훈련 세그먼트로부터 생성된 표본 세그먼트이다.
＜부기 5＞
부기 5의 불량 검지 방법은, 감시 대상 장치와 동일 또는 동종의 대상 장치 또는 상기 대상 장치의 근방에 설치된 센서에 의해 취득된 훈련 시계열 데이터와, 상기 대상 장치의 설정 파라미터 데이터 또는 상기 대상 장치에 관한 환경 데이터를 관련지어 수집하고(ST501),
상기 훈련 시계열 데이터를, 상기 훈련 시계열 데이터가 나타내는 파형에 있어서 제1 값으로부터 제2 값으로의 상승 및 상기 제2 값으로부터 상기 제1 값으로의 하강의 양쪽을 포함하는 동작 상태를 나타내는 부분 시계열 데이터인 훈련 세그먼트로 분할하고, 복수의 훈련 세그먼트를 구비한 세그먼트 집합을 생성하고(ST502),
상기 설정 파라미터 데이터 또는 상기 환경 데이터를 이용하여, 생성된 세그먼트 집합에 포함되는 상기 복수의 훈련 세그먼트를, 유사한 훈련 세그먼트별로 정리하여 적어도 1개의 유사 세그먼트 집합으로 분류하고(ST503),
상기 적어도 1개의 유사 세그먼트 집합에 포함되는 복수의 훈련 세그먼트로부터, 상기 대상 장치의 동작의 정상 영역을 나타내는 표본 세그먼트를 생성하고(ST504),
상기 감시 대상 장치 또는 상기 감시 대상 장치의 근방에 설치된 센서에 의해 취득된 테스트 시계열 데이터를 수집하고,
상기 테스트 시계열 데이터로부터 상기 동작 상태를 나타내는 부분 시계열 데이터인 테스트 세그먼트를 생성하고, 상기 생성된 표본 세그먼트를 참조하여 상기 테스트 세그먼트의 정상도를 산출하고(ST506),
산출된 정상도에 근거하여 상기 감시 대상 장치가 불량인지 여부를 판정한다(ST507).
또, 실시형태를 조합하거나 각 실시형태를 적당히, 변형, 생략하거나 하는 것이 가능하다.
본 개시의 학습 장치(10A), 불량 검지 장치(10B) 또는 불량 검지 시스템(100) 중 하나의 용도로서, 제조 장치 등의 같은 동작이 반복되는 장치에 대한 이용이 있다. 동일한 제품을 반복하여 제조하는 제조 장치에서는, 장치의 설정값이 동일하면, 같은 동작을 반복하는 경우가 많다. 여러 차례의 반복 동작 중, 다른 동작을 한 회가 있으면 불량의 가능성이 있다고 생각된다. 다른 동작이 이루어진 경우, 장치에 설치된 센서 데이터에, 다른 정상인 동작 시와 다른 경향이 나타나는 일이 있다. 그 다른 경향을 검지하는 것으로, 불량 가능성이 있는 동작을 검출할 수 있다. 불량의 동작은, 제품의 불편으로 연결되는 일이 있기 때문에, 불량 동작을 한 장치를 유지 보수하는 것에 의해, 제품의 수율 향상에 기여할 수 있다.
본 개시의 학습 장치(10A), 불량 검지 장치(10B) 또는 불량 검지 시스템(100) 중 하나의 용도로서, 발전 플랜트와 같이, 유사한 동작이 여러 차례 실시되거나 또는 같은 동작이 계속되는 장치 또는 기기에 대한 이용이 있다. 예를 들면, 장치의 기동 동작 시, 정지 동작 시, 출력 변동 동작 시 등의 동작 시에 있어서는, 장치의 설정값 또는 외부 환경이 같으면, 동작은 동일한 시퀀스를 따라가고, 센서 데이터는 유사한 경향을 나타내는 경우가 많다. 그 때문에, 장치의 설정값 또는 외부 환경이 동일한 여러 차례의 동작 중, 다른 동작을 한 회가 있으면 불량의 가능성이 있는 것으로 생각된다. 또, 정상 운전 동작 시는, 장치의 설정값 또는 외부 환경이 같으면, 정상 운전 기간 중에는 센서 데이터가 항상 유사한 경향을 나타내는 경우가 많다. 그 때문에, 그 기간 중에 다른 동작을 한 시각 또는 시간 구간이 있으면 불량의 가능성이 있는 것으로 생각된다. 다른 동작이 있었을 경우, 장치에 설치된 센서의 센서 데이터에, 다른 정상인 동작 시와 다른 경향이 나타나는 경우가 있다. 그 다른 경향을 검지하는 것으로, 불량의 가능성이 있는 동작을 검출할 수 있다. 불량의 동작은 예기치 않은 동작으로 연결되는 경우가 있기 때문에, 불량의 동작을 한 장치를 유지 보수하는 것으로 불측(不測)의 동작을 예방할 수 있다.
10A : 학습 장치 10B : 불량 검지 장치
100 : 불량 검지 시스템 101A : 훈련 시계열 데이터 취득부
101B : 테스트 시계열 데이터 취득부 102 : 세그먼트 집합 생성부
103 : 세그먼트 집합 소트부 104 : 표본 세그먼트 생성부
105 : 표본 세그먼트 소트부 106 : 정상도 산출부
107 : 불량 판정부 108 : 데이터 기억부
401 : 프로세서 402 : 메모리
403 : I/F 장치 404 : 스토리지
406 : 처리 회로

Claims (5)

  1. 감시 대상 장치와 동일 또는 동종의 대상 장치 또는 상기 대상 장치의 근방에 설치된 센서에 의해 취득된 훈련 시계열 데이터와, 상기 대상 장치의 설정 파라미터 데이터 또는 상기 대상 장치에 관한 환경 데이터를 관련지어 수집하는 훈련 시계열 데이터 취득부와,
    상기 훈련 시계열 데이터를, 상기 훈련 시계열 데이터가 나타내는 파형에 있어서 제1 값으로부터 제2 값으로의 상승 및 상기 제2 값으로부터 상기 제1 값으로의 하강의 양쪽을 포함하는 동작 상태를 나타내는 부분 시계열 데이터인 훈련 세그먼트로 분할하여, 복수의 훈련 세그먼트를 구비한 세그먼트 집합을 생성하는 세그먼트 집합 생성부와,
    상기 설정 파라미터 데이터 또는 상기 환경 데이터를 이용하여, 생성된 세그먼트 집합에 포함되는 상기 복수의 훈련 세그먼트를, 유사한 훈련 세그먼트별로 정리하여 적어도 1개의 유사 세그먼트 집합으로 분류하는 세그먼트 집합 소트부와,
    상기 적어도 1개의 유사 세그먼트 집합에 포함되는 복수의 훈련 세그먼트로부터, 상기 대상 장치의 동작의 정상 영역을 나타내는 표본 세그먼트를 생성하는 표본 세그먼트 생성부
    를 구비한 학습 장치.
  2. 제1항에 있어서,
    상기 적어도 1개의 유사 세그먼트 집합은, 2 이상의 유사 세그먼트 집합이며,
    상기 표본 세그먼트 생성부는, 상기 2 이상의 유사 세그먼트 집합의 각각에 대해 표본 세그먼트를 생성하고,
    상기 학습 장치는, 생성된 표본 세그먼트를 소트하는 표본 세그먼트 소트부를 더 구비하는
    학습 장치.
  3. 감시 대상인 감시 대상 장치가 불량인지 여부를 검지하는 불량 검지 장치로서,
    상기 감시 대상 장치 또는 상기 감시 대상 장치의 근방에 설치된 센서에 의해 취득된 테스트 시계열 데이터를 수집하는 테스트 시계열 데이터 취득부와,
    상기 테스트 시계열 데이터로부터, 상기 테스트 시계열 데이터가 나타내는 파형에 있어서 제1 값으로부터 제2 값으로의 상승 및 상기 제2 값으로부터 상기 제1 값으로의 하강의 양쪽을 포함하는 동작 상태를 나타내는 부분 시계열 데이터인 테스트 세그먼트를 생성하고,
    청구항 1 또는 2에 기재된 학습 장치에 의해 생성된 1개 이상의 표본 세그먼트로부터 관련하는 표본 세그먼트를 참조하고,
    상기 생성된 테스트 세그먼트가, 참조된 표본 세그먼트의 정상 영역에 포함되는 정도를 나타내는 정상도를 산출하는 정상도 산출부와,
    산출된 정상도에 근거하여, 상기 감시 대상 장치가 불량인지 여부를 판정하는 불량 판정부
    를 구비한 불량 검지 장치.
  4. 제3항에 있어서,
    상기 테스트 시계열 데이터 취득부는, 상기 테스트 시계열 데이터를, 상기 감시 대상 장치의 설정 파라미터 데이터 또는 상기 감시 대상 장치에 관한 환경 데이터와 관련지어 수집하고,
    상기 관련하는 표본 세그먼트는, 상기 테스트 시계열 데이터에 관련된 설정 파라미터 데이터 또는 환경 데이터와 동일한 설정 파라미터 데이터 또는 환경 데이터에 관련된 훈련 세그먼트로부터 생성된 표본 세그먼트인
    불량 검지 장치.
  5. 감시 대상 장치와 동일 또는 동종의 대상 장치 또는 상기 대상 장치의 근방에 설치된 센서에 의해 취득된 훈련 시계열 데이터와, 상기 대상 장치의 설정 파라미터 데이터 또는 상기 대상 장치에 관한 환경 데이터를 관련지어 수집하고,
    상기 훈련 시계열 데이터를, 상기 훈련 시계열 데이터가 나타내는 파형에 있어서 제1 값으로부터 제2 값으로의 상승 및 상기 제2 값으로부터 상기 제1 값으로의 하강의 양쪽을 포함하는 동작 상태를 나타내는 부분 시계열 데이터인 훈련 세그먼트로 분할하여, 복수의 훈련 세그먼트를 구비한 세그먼트 집합을 생성하고,
    상기 설정 파라미터 데이터 또는 상기 환경 데이터를 이용하여, 생성된 세그먼트 집합에 포함되는 상기 복수의 훈련 세그먼트를, 유사한 훈련 세그먼트별로 정리하여 적어도 1개의 유사 세그먼트 집합으로 분류하고,
    상기 적어도 1개의 유사 세그먼트 집합에 포함되는 복수의 훈련 세그먼트로부터, 상기 대상 장치의 동작의 정상 영역을 나타내는 표본 세그먼트를 생성하고,
    상기 감시 대상 장치 또는 상기 감시 대상 장치의 근방에 설치된 센서에 의해 취득된 테스트 시계열 데이터를 수집하고,
    상기 테스트 시계열 데이터로부터 상기 동작 상태를 나타내는 부분 시계열 데이터인 테스트 세그먼트를 생성하고, 상기 생성된 표본 세그먼트를 참조하여 상기 테스트 세그먼트의 정상도를 산출하고,
    산출된 정상도에 근거하여 상기 감시 대상 장치가 불량인지 여부를 판정하는
    불량 검지 방법.
KR1020237017923A 2020-12-08 2020-12-08 학습 장치, 불량 검지 장치, 및 불량 검지 방법 KR102566084B1 (ko)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/045745 WO2022123665A1 (ja) 2020-12-08 2020-12-08 学習装置、不良検知装置、及び不良検知方法

Publications (2)

Publication Number Publication Date
KR20230086794A true KR20230086794A (ko) 2023-06-15
KR102566084B1 KR102566084B1 (ko) 2023-08-10

Family

ID=81973314

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020237017923A KR102566084B1 (ko) 2020-12-08 2020-12-08 학습 장치, 불량 검지 장치, 및 불량 검지 방법

Country Status (7)

Country Link
US (1) US20230251167A1 (ko)
JP (1) JP7278501B2 (ko)
KR (1) KR102566084B1 (ko)
CN (1) CN116601650A (ko)
DE (1) DE112020007637T5 (ko)
TW (1) TWI823107B (ko)
WO (1) WO2022123665A1 (ko)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116088399B (zh) * 2023-04-10 2023-07-04 中国电力工程顾问集团西南电力设计院有限公司 一种智慧电厂厂区监控系统及其监控方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060100248A (ko) * 2005-03-15 2006-09-20 오므론 가부시키가이샤 검사 장치, 검사 장치용 판정 모델 생성 지원 장치, 내구성테스트 장치용 이상 검출 장치 및 내구성 테스트 방법
KR20110026515A (ko) * 2008-10-09 2011-03-15 가부시키가이샤 히타치세이사쿠쇼 이상 검지 방법 및 시스템
JP2014041453A (ja) * 2012-08-22 2014-03-06 Yokogawa Electric Corp データ類似度算出方法およびデータ類似度算出装置
KR20150028967A (ko) * 2012-06-29 2015-03-17 세콤 가부시키가이샤 대상 검출 장치 및 대상 검출 방법
WO2016117086A1 (ja) 2015-01-22 2016-07-28 三菱電機株式会社 時系列データ検索装置および時系列データ検索プログラム
JP2018147390A (ja) * 2017-03-08 2018-09-20 株式会社日立製作所 異常波形検知システム、異常波形検知方法、及び波形分析装置
KR20190072652A (ko) * 2017-07-31 2019-06-25 미쓰비시덴키 가부시키가이샤 정보 처리 장치 및 정보 처리 방법
KR20190098254A (ko) * 2017-02-09 2019-08-21 미쓰비시덴키 가부시키가이샤 불량 요인 추정 장치 및 불량 요인 추정 방법

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107438842A (zh) * 2014-12-18 2017-12-05 Asml荷兰有限公司 通过机器学习的特征搜索
US11449757B2 (en) * 2017-05-16 2022-09-20 Sightline Innovation Inc. Neural network system for non-destructive optical coherence tomography
CN111788589A (zh) * 2018-02-23 2020-10-16 Asml荷兰有限公司 训练用于计算光刻术的机器学习模型的方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20060100248A (ko) * 2005-03-15 2006-09-20 오므론 가부시키가이샤 검사 장치, 검사 장치용 판정 모델 생성 지원 장치, 내구성테스트 장치용 이상 검출 장치 및 내구성 테스트 방법
KR20110026515A (ko) * 2008-10-09 2011-03-15 가부시키가이샤 히타치세이사쿠쇼 이상 검지 방법 및 시스템
KR20150028967A (ko) * 2012-06-29 2015-03-17 세콤 가부시키가이샤 대상 검출 장치 및 대상 검출 방법
JP2014041453A (ja) * 2012-08-22 2014-03-06 Yokogawa Electric Corp データ類似度算出方法およびデータ類似度算出装置
WO2016117086A1 (ja) 2015-01-22 2016-07-28 三菱電機株式会社 時系列データ検索装置および時系列データ検索プログラム
KR20170107500A (ko) * 2015-01-22 2017-09-25 미쓰비시덴키 가부시키가이샤 시계열 데이터 검색 장치 및 기록 매체에 저장된 시계열 데이터 검색 프로그램
KR20190098254A (ko) * 2017-02-09 2019-08-21 미쓰비시덴키 가부시키가이샤 불량 요인 추정 장치 및 불량 요인 추정 방법
JP2018147390A (ja) * 2017-03-08 2018-09-20 株式会社日立製作所 異常波形検知システム、異常波形検知方法、及び波形分析装置
KR20190072652A (ko) * 2017-07-31 2019-06-25 미쓰비시덴키 가부시키가이샤 정보 처리 장치 및 정보 처리 방법

Also Published As

Publication number Publication date
JPWO2022123665A1 (ko) 2022-06-16
US20230251167A1 (en) 2023-08-10
KR102566084B1 (ko) 2023-08-10
WO2022123665A1 (ja) 2022-06-16
TW202223767A (zh) 2022-06-16
TWI823107B (zh) 2023-11-21
DE112020007637T5 (de) 2023-07-20
CN116601650A (zh) 2023-08-15
JP7278501B2 (ja) 2023-05-19

Similar Documents

Publication Publication Date Title
EP2499435B1 (en) Refrigerant leak detection system and method
US10557719B2 (en) Gas turbine sensor failure detection utilizing a sparse coding methodology
US10977568B2 (en) Information processing apparatus, diagnosis method, and program
CN115034248A (zh) 用于设备的自动诊断方法、系统和存储介质
EP3373089B1 (en) Operating state classification device
JP2014048697A (ja) 設備状態監視方法及び設備状態監視装置
JP6200833B2 (ja) プラントと制御装置の診断装置
KR102566084B1 (ko) 학습 장치, 불량 검지 장치, 및 불량 검지 방법
KR102470763B1 (ko) 데이터 이상치 탐색 장치 및 방법
CN113330379A (zh) 异常原因推定装置、异常原因推定方法及程序
CN116678552B (zh) 一种变温度环境下光纤应力传感器异常监测方法
TW202006488A (zh) 資料處理裝置及資料處理方法
CN117131110A (zh) 一种基于关联分析的容性设备介质损耗监测方法及系统
CN117112336B (zh) 智能通信设备异常检测方法、设备、存储介质及装置
CN116187984B (zh) 一种用于电厂的多维度巡检方法及系统
CN113255771B (zh) 基于多维异构差异分析的故障诊断方法及系统
CN115018220A (zh) 一种基于知识图谱的家电故障预测方法和系统
KR102350635B1 (ko) 플랜트 고장 예지 장치 및 방법
CN117308274A (zh) 一种基于贝叶斯的空调外机故障在线检测方法及系统
CN117436608A (zh) 光伏发电健康评估方法及装置
CN115078992A (zh) 基于人工智能的电机健康状况预警监测方法
CN117763432A (zh) 通讯故障预测方法、装置、设备及存储介质
JPWO2020196441A1 (ja) プロセス状態監視装置及びプロセス状態監視方法
CN117929904A (zh) 一种逆变器老化测试方法、装置及存储介质
KR20210060049A (ko) 초음파 대역의 음향 신호를 이용한 설비 고장 예측 시스템 및 그 방법

Legal Events

Date Code Title Description
A302 Request for accelerated examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant