KR20230135590A

KR20230135590A - 컴퓨터 프로그램, 이상 검지 방법, 이상 검지 장치,성형기 시스템 및 학습 모델 생성 방법

Info

Publication number: KR20230135590A
Application number: KR1020237025510A
Authority: KR
Inventors: 다케아키 오시타; 미키오 후로카와; 타카유키 히라노
Original assignee: 가부시끼가이샤 니혼 세이꼬쇼
Priority date: 2021-01-25
Filing date: 2021-10-27
Publication date: 2023-09-25
Also published as: US20240100763A1; TW202305531A; CN116802472A; WO2022158073A1; EP4283425A1; JP2022113523A

Abstract

가동부를 갖는 산업 기계의 이상을 검출하는 처리를 컴퓨터에 실행시키기 위한 컴퓨터 프로그램이며, 가동부의 운동에 따른 물리량을 검출하는 센서로부터 출력되는 시계열의 물리량 데이터를 취득하고, 취득한 시계열의 물리량 데이터를 화상으로 나타내는 시계열 데이터 화상으로 변환하고, 정상적인 가동부에 따른 시계열 데이터 화상의 특징을 학습한 학습 모델에, 변환된 시계열 데이터 화상을 입력하는 것에 의해, 시계열 데이터 화상의 특징량을 산출하고, 산출된 특징량에 근거하여, 산업 기계의 이상의 유무를 판정하는 처리를 컴퓨터에 실행시킨다.

Description

컴퓨터 프로그램, 이상 검지 방법, 이상 검지 장치, 성형기 시스템 및 학습 모델 생성 방법

본 발명은, 가동부를 갖는 산업 기계의 이상을 검지하는 컴퓨터 프로그램, 이상 검지 방법, 이상 검지 장치, 성형기 시스템 및 학습 모델 생성 방법에 관한 것이다.

특허 문헌 1에는, 사출 성형기의 각 가동부의 진동을 가속도 센서에 의해 감시하고, 성형 공정의 상태 및 가동부의 이상 발생을 검지하는 감시 방법이 개시되고 있다.

[특허 문헌 1] 일본 특개평 5-50480호 공보

하지만, 특허 문헌 1에는, 가속도 데이터와 같은 시계열 데이터의 구체적인 해석 방법 및 이상 검지 방법은 개시되어 있지 않다. 가동부의 진동 파형은 복잡하고 사출 성형기의 이상을 판정하는 것은 반드시 용이하지 않다.

본 개시된 목적은, 산업 기계의 가동부에 따른 물리량의 시계열 데이터를 화상으로 나타내는 시계열 데이터 화상으로 변환하고, 상기 시계열 데이터 화상에 근거하여 산업 기계의 이상을 판정할 수 있는 컴퓨터 프로그램, 이상 검지 방법, 이상 검지 장치, 성형기 시스템 및 학습 모델 생성 방법을 제공하는 것에 있다.

본 개시에 따른 컴퓨터 프로그램은, 가동부를 갖는 산업 기계의 이상을 검출하는 처리를 컴퓨터에 실행시키기 위한 컴퓨터 프로그램이며, 상기 가동부의 운동에 따른 물리량을 검출하는 센서로부터 출력되는 시계열의 물리량 데이터를 취득하고, 취득한 시계열의 상기 물리량 데이터를 화상으로 나타내는 시계열 데이터 화상으로 변환하고, 정상인 상기 가동부에 따른 상기 시계열 데이터 화상의 특징을 학습한 학습 모델에, 변환된 상기 시계열 데이터 화상을 입력하는 것에 의해, 상기 시계열 데이터 화상의 특징량을 산출하고, 산출된 특징량에 근거하여, 상기 산업 기계의 이상의 유무를 판정하는 처리를 상기 컴퓨터에 실행시킨다.

본 개시에 따른 이상 검지 방법은, 가동부를 갖는 산업 기계의 이상을 검출하는 이상 검지 방법이며, 상기 가동부의 운동에 따른 물리량을 검출하는 센서로부터 출력되는 시계열의 물리량 데이터를 취득하고, 취득한 시계열의 상기 물리량 데이터를 화상으로 나타내는 시계열 데이터 화상으로 변환하고, 정상인 상기 가동부에 따른 상기 시계열 데이터 화상의 특징을 학습한 학습 모델에, 변환된 상기 시계열 데이터 화상을 입력하는 것에 의해, 상기 시계열 데이터 화상의 특징량을 산출하고, 산출된 특징량에 근거하여, 상기 산업 기계의 이상의 유무를 판정한다.

본 개시에 따른 이상 검지 장치는, 상기 이상 검지 장치와, 성형기를 구비하고, 상기 이상 검지 장치는, 상기 성형기의 이상을 검출하도록 하고 있다.

본 개시에 따른 이상 검지 장치는, 가동부를 갖는 산업 기계의 이상을 검출하는 이상 검지 장치이며, 상기 가동부의 운동에 따른 물리량을 검출하는 센서와, 상기 센서로부터 출력되는 시계열의 물리량 데이터를 취득하는 취득부와, 상기 취득부에서 취득한 시계열의 상기 물리량 데이터를 화상으로 나타내는 시계열 데이터 화상으로 변환하는 변환부와, 정상인 상기 가동부에 따른 상기 시계열 데이터 화상의 특징을 학습한 학습 모델에, 변환된 상기 시계열 데이터 화상을 입력하는 것에 의해, 상기 시계열 데이터 화상의 특징량을 산출하는 산출부와, 상기 산출부에서 산출된 특징량에 근거하여, 상기 산업 기계의 이상의 유무를 판정하는 판정부를 구비한다.

본 개시에 따른 학습 모델 생성 방법은, 제1 스크류 및 제2 스크류를 갖는 2축혼련압출기의 이상을 검지하기 위한 학습 모델의 생성 방법이며, 정상 동작시의 상기 2축혼련압출기의 제1 스크류의 회전 중심축에 교차하는 제1 축방향 및 제2 축방향의 변위를 나타내는 시계열 데이터와, 정상 동작시의 상기 2축혼련압출기의 제2 스크류의 회전 중심축에 교차하는 제3 축방향 및 제4 축방향의 변위를 나타내는 시계열 데이터에 근거하여, 제1 스크류의 회전 중심축에 교차하는 제1 축방향 및 제2 축방향의 변위를 묘화(drawing) 한 제1 화상과, 제2 스크류의 회전 중심축에 교차하는 제3 축방향 및 제4 축방향의 변위를 묘화한 제2 화상을 하나의 화상으로 포함한 복수의 시계열 데이터 화상을 생성하고, 생성한 상기 복수의 시계열 데이터 화상과, 임의의 특징을 갖는 복수의 참고 화상을 포함한 학습용 데이터 세트에 근거하여, 제1 스크류 및 제2 스크류의 회전 중심축의 변위를 묘화한 제1 화상 및 제2 화상을 포함한 시계열 데이터 화상이 입력된 경우에 상기 2축혼련압출기의 정상 동작 및 이상 동작에 따른 특징량을 출력하는 학습 모델을 생성하는 처리를 컴퓨터가 실행한다.

본 개시에 의하면, 산업 기계의 가동부에 따른 물리량의 시계열 데이터를 화상으로 나타내는 시계열 데이터 화상으로 변환하고, 상기 시계열 데이터 화상에 근거하여 산업 기계의 이상을 판정할 수 있다.

[도 1] 본 실시 형태에 따른 성형기 시스템의 구성예를 나타내는 블록도이다.
[도 2] 본 실시 형태에 따른 2축혼련압출기의 구성예를 나타내는 모식도이다.
[도 3] 변위 센서의 장착 위치를 나타내는 모식도이다.
[도 4] 본 실시 형태에 따른 이상 검지 장치의 구성예를 나타내는 블록도이다.
[도 5] 본 실시 형태에 따른 이상 검지 처리 순서를 나타내는 플로우차트이다.
[도 6] 제1 스크류의 변위를 나타내는 제1 시계열 데이터 화상이다.
[도 7] 제1 및 제2 스크류의 변위를 나타내는 시계열 데이터 화상이다.
[도 8] 시계열 데이터 화상의 특징량 및 이상 검지 결과를 나타내는 개념도이다.
[도 9] 학습 모델의 생성 방법의 개요를 나타내는 개념도이다.
[도 10] 학습 페이즈(phase)에서의 학습 모델을 나타내는 개념도이다.
[도 11] 테스트 페이즈에서의 학습 모델을 나타내는 개념도이다.
[도 12] 시계열 데이터 화상의 특징량을 나타내는 산포도(scatter diagram)이다.
[도 13] 학습 모델을 이용한 이상 검지의 평가 결과를 나타내는 도표이다.

본 발명의 실시 형태에 따른 컴퓨터 프로그램, 이상 검지 방법, 이상 검지 장치, 성형기 시스템 및 학습 모델 생성 방법의 구체예를, 이하에 도면을 참조하면서 설명한다. 또한, 본 발명은 이러한 예시로 한정되는 것이 아니고, 청구의 범위에 의해서 나타낸, 청구의 범위와 균등의 의미 및 범위내에서의 모든 변경이 포함되는 것이 의도된다. 또, 이하에 기재하는 실시 형태 및 변형예의 적어도 일부를 임의로 조합해도 무방하다.

도 1은 본 실시 형태에 따른 성형기 시스템의 구성예를 나타내는 블록도이다. 성형기 시스템은, 2축혼련압출기(1)와, 변위 센서(2)와, 이상 검지 장치(3)를 구비한다.

<2축혼련압출기(1)>

도 2는 본 실시 형태에 따른 2축혼련압출기(1)의 구성예를 나타내는 모식도이다. 2축혼련압출기(1)는, 수지 원료가 투입되는 호퍼(10a)를 갖는 실린더(10)와, 제1 스크류(11)와, 제2 스크류(12)를 구비한다. 제1 및 제2 스크류(11, 12)는, 서로 맞물린 상태에서 대략 평행하게 배치되고, 실린더(10)의 구멍 내에 회전 가능하게 삽입되어 있고, 호퍼(10a)에 투입된 수지 원료를 압출 방향(도 2 중 오른쪽 방향)으로 반송하여, 용융(melt) 및 혼련(kneading) 한다.

제1 스크류(11)는, 복수 종류의 스크류피스를 조합하고, 일체화하는 것에 의해서 1개의 스크류로서 구성되어 있다. 예를 들면, 수지 원료를 순방향으로 수송하는 플라이트스크류 형상의 순플라이트 피스, 수지 원료를 역방향으로 수송하는 역플라이트 피스, 수지 원료를 혼련하는 니딩피스 등을, 수지 원료의 특성에 따른 순서 및 위치에 배치해 조합하는 것에 의해, 제1 스크류(11)가 구성된다. 제2 스크류(12)의 구성도 제1 스크류(11)와 동일하다.

또, 2축혼련압출기(1)는, 제1 및 제2 스크류(11, 12)를 회전시키기 위한 구동력을 출력하는 모터(13)와, 모터(13)의 구동력을 감속 전달하는 감속기(14)를 구비한다. 제1 및 제2 스크류(11, 12)의 구동축(11a, 12a)은 감속기(14)의 출력축에 접속되고 있다. 제1 및 제2 스크류(11, 12)는, 감속기(14)에 의해서 감속 전달된 모터(13)의 구동력에 의해서 회전한다.

<변위 센서(2)>

변위 센서(2)는, 회전하는 제1 및 제2 스크류(11, 12)의 회전 중심축의 변위를 검출하는 센서이다. 변위 센서(2)는, 매우 적합하게는, 감속기(14)와, 실린더(10)와의 사이의 적절한 개소, 구체적으로는, 제1 및 제2 스크류(11, 12)의 구동축(11a, 12a)의 근방에 배치하면 좋다.

제1 및 제2 스크류(11, 12)는, 산업 기계가 갖는 가동부의 일례이다. 보다 구체적으로는, 제1 및 제2 스크류(11, 12)는, 산업 기계의 일례인 2축혼련압출기(1)가 갖는 회전축의 일례이다.

도 3은, 변위 센서(2)의 장착 위치를 나타내는 모식도이다. 변위 센서(2)는, 제1 스크류(11)의 회전 중심축에 직교하는 X축방향(제1 방향)의 변위를 검출하는 제1 변위 센서(21)와, 제1 스크류(11)의 회전 중심축 및 상기 X축에 직교하는 Y방향(제2 축방향)의 변위를 검출하는 제2 변위 센서(22)를 구비한다. 제1 변위 센서(21) 및 제2 변위 센서(22)는, 제1 스크류(11)의 구동축(11a)에 대향하도록 배치되고 있다. X축방향 및 Y축방향은, 예를 들면 제1 스크류(11)의 회전 중심축에 직교하는 수평 방향 및 연직 방향이다.

또, 변위 센서(2)는, 제2 스크류(12)의 회전 중심축에 직교하는 X축방향(제3 방향)의 변위를 검출하는 제3 변위 센서(23)와, 제2 스크류(12)의 회전 중심축 및 상기 X축에 직교하는 Y방향(제4 축방향)의 변위를 검출하는 제4 변위 센서(24)를 구비한다. 제3 변위 센서(23) 및 제4 변위 센서(24)는, 제2 스크류(12)의 구동축(12a)에 대향하도록 배치되고 있다. X축방향 및 Y축방향은, 예를 들면 제2 스크류(12)의 회전 중심축에 직교하는 수평 방향 및 연직 방향이다.

제1~4 변위 센서(21, 22, 23, 24)는, 회전하는 제1 및 제2 스크류(11, 12)의 회전 중심축의 변위를 상시 검출하고, 검출된 변위를 나타내는 시계열의 변위 데이터(물리량 데이터)를 이상 검지 장치(3)로 출력한다. 이하, 제1~4 변위 센서(21, 22, 23, 24)를 총칭하여 적절히, 변위 센서(2)라고 부른다.

또한, 제1 및 제2 변위 센서(21, 22)가 출력하는 변위 데이터는, 본 개시에 따른 제1 물리량을 나타내는 시계열 데이터에 대응하고, 상기 변위 데이터는 2개의 수치로 이루어지는 2차원의 물리량이다. 제3 및 제4 변위 센서(23, 24)가 출력하는 변위 데이터는, 본 개시에 따른 제2 물리량을 나타내는 시계열 데이터에 대응하고, 상기 변위 데이터는 2개의 수치로 이루어지는 2차원의 물리량이다.

<이상 검지 장치(3)>

도 4는, 본 실시 형태에 따른 이상 검지 장치(3)의 구성예를 나타내는 블록도이다. 이상 검지 장치(3)는, 컴퓨터이며, 처리부(31), 기억부(32), 입력 인터페이스(33)(입력 I/F) 및 출력 인터페이스(34)(출력 I/F)를 구비한다. 기억부(32), 입력 인터페이스(33) 및 출력 인터페이스(34)는 처리부(31)에 접속되고 있다.

처리부(31)는, CPU(Central Processing Unit), 멀티 코어 CPU, GPU(Graphics Processing Unit), GPGPU(General-purpose computing on graphics processing units), TPU(Tensor Processing Unit), ASIC(Application Specific Integrated Circuit), FPGA(Field-Programmable Gate Array), NPU(Neural Processing Unit) 등의 연산 처리 회로, ROM(Read Only Memory), RAM(Random Access Memory) 등의 내부 기억 장치, I/O단자 등을 갖는다. 처리부(31)는, 후술의 기억부(32)가 기억하는 컴퓨터 프로그램(프로그램 제품) P를 실행하는 것에 의해, 본 실시 형태에 따른 이상 검지 장치(3)로서 기능한다. 또한, 이상 검지 장치(3)의 각 기능부는, 소프트웨어적으로 실현되어도 무방하고, 일부 또는 전부를 하드웨어적으로 실현되어도 무방하다.

기억부(32)는, 하드 디스크, EEPROM(Electrically Erasable Programmable ROM), 플래쉬 메모리 등의 불휘발성 메모리이다. 기억부(32)는, 본 실시 형태에 따른 이상 검지 방법을 컴퓨터에 실시시키기 위한 컴퓨터 프로그램 P와, 학습 모델(35)을 기억하고 있다. 학습 모델(35)은, 제1 및 제2 스크류(11, 12)의 변위를 검출하여 얻어진 시계열 데이터를 화상으로 나타내는 후술의 시계열 데이터 화상이 입력된 경우, 상기 시계열 데이터 화상의 특징을 추출하고, 추출된 특징량을 출력하는 합성곱 뉴럴 네트워크 모델이다. 학습 모델(35)은, CNN(Convolutional Neural Network)의 특징 추출층을 갖는 모델, 예를 들면 1 클래스 분류 모델이다. 학습 모델(35)의 생성 방법 및 구성의 상세한 설명은 후술 한다.

본 실시 형태에 따른 컴퓨터 프로그램 P 및 학습 모델(35)은, 기록 매체(4)에 컴퓨터 읽기 가능하게 기록되고 있는 실시예라도 무방하다. 기억부(32)는, 도시하지 않는 독출장치에 의해서 기록 매체(4)로부터 읽기된 컴퓨터 프로그램 P 및 학습 모델(35)을 기억한다. 기록 매체(4)는 플래쉬 메모리 등의 반도체 메모리이다. 또, 기록 매체(4)는 CD(Compact Disc)-ROM, DVD(Digital Versatile Disc)-ROM, BD(Blu-ray(등록상표) Disc) 등의 광디스크라도 무방하다. 또한, 기록 매체(4)는, 플렉서블 디스크, 하드 디스크 등의 자기 디스크, 자기 광디스크 등이여도 무방하다. 더욱 또, 도시하지 않는 통신망에 접속되고 있는 도시하지 않는 외부 서버로부터 본 실시 형태에 따른 컴퓨터 프로그램 P 및 학습 모델(35)을 다운로드하고, 기억부(32)에 기억시켜도 무방하다.

입력 인터페이스(33)에는, 제1~4 변위 센서(21, 22, 23, 24)가 접속되고 있고, 제1~4 변위 센서(21, 22, 23, 24)로부터 출력된 시계열 데이터인 변위 데이터가 입력된다.

출력 인터페이스(34)에는 표시부(3a)가 접속되고 있다. 표시부(3a)는, 2축혼련압출기(1)의 이상의 유무 등을 표시한다.

<이상 검지 처리>

도 5는, 본 실시 형태에 따른 이상 검지 처리 순서를 나타내는 플로우차트이다. 처리부(31)는, 변위 센서(2)로부터 출력되는 시계열의 변위 데이터를 취득한다(스텝 S11). 처리부(31)는, 바람직하게는 제1 및 제2 스크류(11, 12)가 복수 회, 회전하는 시간에 걸쳐서 변위 데이터를 취득하면 좋다.

다음으로, 처리부(31)는, 취득한 변위 데이터를, 제1 및 제2 스크류(11, 12)의 회전 중심축의 변위 각각을 화상으로 나타내는 제1 시계열 데이터 화상(제1 화상) 및 제2 시계열 데이터 화상(제2 화상)으로 변환한다(스텝 S12).

도 6은, 제1 스크류(11)의 변위를 나타내는 제1 시계열 데이터 화상이다. 제1 시계열 데이터 화상은 대략 정방형의 화상이며, 상기 화상의 X축 및 Y축은, 각각 도 4에 도시하는 X축방향(제1 축방향) 및 Y축방향(제2 축방향)에 대응하고, X축방향 및 Y축방향의 변위량이, X축 및 Y축의 좌표치로서 플롯 된다. 제1 시계열 데이터 화상은, 3회전 분의 변위를 플롯한 것이다.

제2 스크류(12)의 변위를 나타내는 제2 시계열 데이터 화상도, 제1 시계열 데이터 화상과 같이, 대략 정방형의 화상이며, 상기 화상의 X축 및 Y축은, 각각 도 4와 같이, X축방향(제3 축방향) 및 Y축방향(제4 축방향)에 대응하고, X축방향 및 Y축방향의 변위량이, X축 및 Y축의 좌표치로서 플롯 되고 있다.

다음으로, 처리부(31)는, 제1 시계열 데이터 화상과, 제2 시계열 데이터 화상을 1장의 시계열 데이터 화상으로 합성한다(스텝 S13).

도 7은, 제1 및 제2 스크류(11, 12)의 변위를 나타내는 시계열 데이터 화상이다. 합성된 시계열 데이터 화상은, 제1 시계열 데이터 화상의 2배의 크기(면적은 4배)를 갖는 대략 정방형의 화상이다. 시계열 데이터 화상은, 제1 및 제2 시계열 데이터 화상의 종횡비를 변경하는 일 없이, 원래의 화상이 갖는 정보를 그대로 포함 한다. 구체적으로는, 시계열 데이터 화상은, 도 7 중 상측 좌우에 나란히 배치한 제1 및 제2 시계열 데이터 화상과, 시계열 데이터 화상을 대략 정방형으로 하기 위해서 하측에 배치한 블랭크 화상을 갖는다. 또한, 제1 및 제2 시계열 데이터 화상 및 블랭크 화상의 배치 방법은 특별히 한정되는 것이 아니고, 제1 및 제2 시계열 데이터 화상을 그대로 포함하는 한, 그 배치 방법은 특별히 한정되는 것은 아니다.

다음으로, 처리부(31)는, 스텝 S13에서 합성한 시계열 데이터 화상을 학습 모델(35)에 입력하는 것에 의해, 시계열 데이터 화상의 특징량을 산출한다(스텝 S14). 특징량은, 예를 들면 복수 차원의 벡터량, 예를 들면 수백~천 정도의 수치로 나타낸다.

그리고, 처리부(31)는, 스텝 S14에서 산출한 시계열 데이터 화상의 특징량의 이상치 스코어((outlier score)를 산출한다(스텝 S15). 이상치 스코어는, 정상인 2축혼련압출기(1)의 동작시에 얻어진 시계열 데이터 화상의 특징량(이하, 샘플 특징량이라고 부른다)에 대하여, 스텝 S14에서 산출된 시계열 데이터 화상의 특징량이 이상치의 정도(degree)를 평가해 수치화한 것이다. 이상치 스코어는, 예를 들면 LOF(Local Outlier Factor)이다. LOF는, 이상 검지 대상인 특징량의 국소 밀도 ld(P)와, 상기 특징량의 근방군(近傍群)(상기 특징량에 대한 최근방(最近傍)의 k개의 샘플 특징량)의 국소 밀도 평균<ld(Q)>과의 비<ld(Q)>/ld(P)로 나타낼 수 있다. LOF가 1보다 클 수록, 이상치로서의 정도가 커진다. 또한, P는 이상 검지 대상인 특징량을 나타내고, Q는 상기 샘플 특징량을 나타내고 있다.

그리고, 처리부(31)는, 산출한 이상치 스코어가 소정의 임계치 이상인지 아닌지를 판정하는 것에 의해, 2축혼련압출기(1) 내지 제1 및 제2 스크류(11, 12)가 정상적인지 아닌지를 판정한다(스텝 S16). 이상치 스코어가 상기의 LOF인 경우, 임계치는 1이상의 값이다. LOF가 임계치 이상인 경우, 처리부(31)는 이상있음으로 판정하고, LOF가 임계치 미만인 경우, 정상으로 판정한다.

또한, 상술한 LOF를 이용한 이상 판정은 일례이며 k근방법, SVM에 의해 2축혼련압출기(1)가 이상인지 아닌지를 판정해도 무방하다. 또, 호텔링법에 의해, 이상 검지 대상의 특징량이, 정상시의 샘플 특징량으로부터 동떨어진 것인지 아닌지를 판정하는 것에 의해, 2축혼련압출기(1)가 이상인지 아닌지를 판정하도록 구성해도 무방하다.

도 8은, 시계열 데이터 화상의 특징량 및 이상 검지 결과를 나타내는 개념도이다. 도 8은, 시계열 데이터 화상의 고차원의 특징량을 2차원의 특징량에 차원 삭감하여 2차원 평면에 플롯한 것이다. 도 8의 횡축 및 종축은, 차원 삭감된 시계열 데이터 화상의 제1 특징량 및 제2 특징량을 나타내고 있다. 또한, 특징량의 차원 압축은, 예를 들면 t-SNE 등의 차원 삭감 알고리즘에 의해서 실시할 수 있다.

도 8에 나타내듯이 학습 모델(35)은, 상기 학습 모델(35)로부터 출력되는 정상시의 특징량의 국소 밀도가 높아지도록 학습되고 있다.

파선의 원은 임계치의 이미지를 나타내는 것이다. 이상 검지 대상인 시계열 데이터 화상의 특징량(예를 들면, 성형육각형 플롯)과, 정상시의 시계열 데이터 화상의 특징량군과의 통계 거리가 짧고(국소 밀도가 상대적으로 높고), LOF치가 작은 경우, 2축혼련압출기(1)는 정상적인 상태이다라고 추정된다. 이상 검지 대상인 시계열 데이터 화상의 특징량(예를 들면, X표플롯)과, 정상시의 시계열 데이터 화상의 특징량군과의 통계 거리가 길고(국소 밀도가 상대적으로 낮고), LOF치가 큰 경우, 2축혼련압출기(1)는 이상인 상태이다라고 추정된다.

2축혼련압출기(1)가 정상이다라고 판정한 경우(스텝 S16：YES), 처리부(31)는 처리를 종료한다. 2축혼련압출기(1)가 이상이다라고 판정한 경우(스텝 S16：NO), 처리부(31)는, 2축혼련압출기(1)에 이상이 있는 취지의 경고를 출력하고(스텝 S17), 처리를 종료한다. 예를 들면, 처리부(31)는, 2축혼련압출기(1)에 이상이 있는 것을 알리기 위한 경고 화면을 표시부(3a)에 표시시킨다. 또, 처리부(31)는, 도 8에 나타내듯이, 평가 대상인 현재의 시계열 데이터 화상의 특징량과, 정상시의 시계열 데이터의 특징량을 나타내는 화상을 표시부(3a)에 표시시키도록 구성해도 무방하다. 구체적으로는, 처리부(31)는, 고차원의 각 특징량을, t-SNE 등의 임의의 차원 삭감 알고리즘에 의해서 2차원으로 삭감하고, 2차원으로 표현된 각 특징량을 2차원 그래프에 플롯 하는 것에 의해, 특징량을 나타내는 화상을 생성할 수 있다. 그리고, 처리부(31)는, 상기 화상의 데이터를 표시부(3a)에 출력하는 것에 의해, 표시부(3a)에 평가 대상인 현재의 시계열 데이터 화상의 특징량과, 정상시의 시계열 데이터의 특징량을 나타내는 화상을 표시시킬 수 있다.

<학습 모델 생성 방법>

도 9는 학습 모델(35)의 생성 방법의 개요를 나타내는 개념도이다. 이하, 이상 검지 장치(3)의 처리부(31)가 학습 모델(35)을 기계 학습시키는 예를 설명한다.

우선 1 클래스 분류 모델을 생성하기 위해서 필요한 학습용 데이터 세트로서, 2축혼련압출기(1)가 정상으로 동작하고 있을 때에 검출하여 얻어진 복수의 시계열 데이터 화상과, 시계열 데이터 화상과 무관계한 임의의 복수의 참고 화상 R0, R1, R2를 준비한다. 참고 화상 R0, R1, R2는, 예를 들면 Image　Net 등의 학습용 데이터 세트로부터 선택한 복수 클래스의 화상 데이터이다. 도 9에 나타내는 예에서는, 라벨 0, 라벨 1, 라벨 2가 첨부된 참고 화상 R0, R1, R2가 준비되어 있다.

그리고, 화상의 특징을 추출하는 복수의 합성곱층(convolutional layer) 및 풀링층(pooling layer)으로 이루어지는 특징 추출층을 갖는 학습 모델(35)에, 정상 동작시의 시계열 데이터 화상과, 참고 화상 R0, R1, R2를 기계 학습시킨다. 구체적으로는 처리부(31)는, 각 화상의 특징을 판별하는 것이 가능한 특징량, 즉, 도 9의 오른쪽 도에 나타내듯이 시계열 데이터 화상의 특징량의 국소 밀도가 높고, 게다가 참고 화상 R0, R1, R2의 특징량과의 식별성이 높아지는 특징량을 출력하도록, 학습 모델(35)을 학습시킨다.

이하, 1 클래스 분류 모델의 생성 방법의 상세를 설명한다.

도 10은 학습 페이즈에서의 학습 모델(35)을 나타내는 개념도이다. 우선, 제1 뉴럴 네트워크(레퍼런스 네트워크)(35a)와, 제2 뉴럴 네트워크(세컨더리 네트워크)(35a)를 준비한다.

제1 뉴럴 네트워크(35a)는, 입력층, 특징 추출층 및 분류층을 갖는 CNN이다. 특징 추출층은, 복수의 합성곱층 및 풀링층의 반복 구조를 갖는다. 분류층은, 예를 들면 1 또는 복수층의 전(全)결합층을 갖는다. 제1 뉴럴 네트워크(35a)는, 예를 들면 Image　Net 등의 학습용 데이터 세트를 이용해 예비 학습되고 있다.

제2 뉴럴 네트워크(35a)는 제1 뉴럴 네트워크(35a)와 같은 네트워크 구성이며, 특징 추출층 및 분류층을 특징지우는 각종 파라미터(가중치 계수)도 같다. 이하, 제1 및 제2 뉴럴 네트워크(35a, 35a)의 학습 페이즈에 있어서, 특징 추출층 및 분류층의 각종 파라미터는 같은 값을 공유한다.

그리고, 처리부(31)는, 제1 뉴럴 네트워크(35a)에 참고 화상 R0를 입력하고, 손실 함수인 기술적 로스(descriptiveness loss)를 산출한다. 한편, 처리부(31)는, 제2 뉴럴 네트워크(35a)에 정상시의 시계열 데이터 화상을 입력하고, 손실 함수인 컴팩트 로스(compactness loss)를 산출한다. 기술적 로스는, 분류기의 학습으로 일반적으로 사용되는 손실 함수이며, 예를 들면 교차 엔트로피 오차이다. 컴팩트 로스는 하기 식(1), (2), (3)으로 나타낸다. 컴팩트 로스는, 배치(batch) 내, 즉 학습용 데이터 세트에서의 제2 뉴럴 네트워크(35a)의 출력의 분산에 상당하는 값이다.

그리고, 처리부(31)는 기술적 로스와 컴팩트 로스에 근거하는 토탈 로스를 산출한다. 토탈 로스는, 예를 들면 아래와 같이 식(4)로 나타낸다.

처리부(31)는, 상기 (4)에서 나타내는 토탈 로스가 작아지도록 오차 역전파법(BackPropagation) 등을 이용해 제1 및 제2 뉴럴 네트워크(35a, 35a)의 각종 파라미터의 최적화를 실시하는 것에 의해, 제1 및 제2 뉴럴 네트워크(35a, 35a)를 학습시킨다. 또한, 기계 학습시킬 때, 전단의 각종 파라미터를 고정하고, 후단의 복수층의 파라미터를 조정하면 무방하다.

이와 같이 하여 학습된 제1 및 제2 뉴럴 네트워크(35a, 35a)의 특징 추출층으로부터 출력되는 특징량은, 도 9에 나타내듯이, 2축혼련압출기(1)가 정상시에 얻어진 시계열 데이터 화상의 특징량의 국소 밀도가 높아져, 다른 임의 화상의 특징량과의 국소 밀도가 낮아진다.

도 11은 테스트 페이즈에서의 학습 모델(35)을 나타내는 개념도이다. 도 11에 나타내듯이, 본 실시 형태에 따른 학습 모델(35)은, 상기와 같이 학습한 제2 뉴럴 네트워크(35a)의 입력층 및 특징 추출층을 이용해 구성할 수 있다. 따라서, 도 10에 나타내는 분류층은, 본 실시 형태에 따른 학습 모델(35)의 필수의 구성은 아니다. 다만, 도 10에 나타내는 제2 뉴럴 네트워크(35a)를 그대로 학습 모델(35)로서 이용하여, 특징 추출층으로부터 출력되는 특징량을 이용할 수도 있다.

또한, 도 11에는, 2개의 학습 모델(35)을 도시하고 있지만, 검출 대상인 시계열 데이터 화상과, 샘플인 정상시의 시계열 데이터 화상이 입력되고 있는 상태를 개념적으로 나타내는 것으로, 2개의 모델이 존재하는 것을 나타내는 것은 아니다.

테스트 페이즈에 있어서는, 처리부(31)는, 정상시에 얻어진 시계열 데이터 화상을 샘플 데이터로서 학습 모델(35)에 입력하는 것에 의해, 정상시의 시계열 데이터 화상의 특징량을 출력시킨다. 한편, 이상 검지 대상의 시계열 데이터 화상을 학습 모델(35)에 입력하는 것에 의해, 상기 시계열 데이터 화상의 특징량을 출력시킨다. 그리고, 처리부(31)는, 샘플 데이터의 특징량에 대하여, 이상 검지 대상의 특징량의 이상치 스코어를 산출하고, 산출된 이상치 스코어와 임계치를 비교하는 것에 의해, 이상 검지 대상의 시계열 데이터 화상이 이상인지 아닌지, 즉 2축혼련압출기(1)가 이상인지 아닌지를 판별한다.

또한, 도 11에서는, 샘플 데이터를 학습 모델(35)에 입력해 상기 샘플 데이터의 특징량을 산출하는 예를 나타내고 있지만, 미리 산출되어 복수의 샘플 데이터의 특징량을 기억부(32)에 기억해 두고, 이상 검지 처리에 있어서는, 기억부(32)가 기억하는 샘플 데이터의 특징량을 이용해서 이상치 스코어를 산출해도 무방하다.

도 12는 시계열 데이터 화상의 특징량을 나타내는 산포도이다. 도 12는, 도 8과 같이, 시계열 데이터 화상의 고차원의 특징량을 2차원의 특징량으로 차원 삭감하여 2차원 평면에 플롯한 산포도이다. 상기 산포도에는, 학습용 데이터인 정상시인 2축혼련압출기(1)의 동작시에 얻어진 시계열 데이터 화상의 특징량 A와, 테스트 데이터인 정상시의 시계열 데이터 화상의 특징량 B와, 테스트 데이터인 이상시의 시계열 데이터 화상의 특징량 C가 플롯 되고 있다. 도 12로부터 알 수 있듯이, 테스트 데이터(정상)의 특징량 B는, 학습용 데이터의 특징량 A의 근방에 있고, 테스트 데이터(이상)의 특징량 C는, 학습용 데이터의 특징량 A로부터 판별 가능하게 이격하고 있다.

도 13은 학습 모델(35)을 이용한 이상 검지의 평가 결과를 나타내는 도표이다.

도 13의 표 중 「모의 이상」은 이상의 종류를 나타내고 있다. 마모는, 제1 및 제2 스크류(11, 12)가 마모한 이상 상태를 나타내고 있다. 본 실험에 있어서는, 혼련부 앞의 FF(순 리드 풀 플라이트) 피스와, 혼련부 최초의 FK(순 러시 니딩 디스크)의 외경을 작게 한 것을 이용해 마모 상태를 모의적으로 재현하고, 제1 및 제2 스크류(11, 12)의 변위를 검출하여 시계열 데이터 화상을 작성하였다. 구체적으로는, 스크류 외경 68.0 mm가 정상인 경우에 있어서, 외경 63.0 mm의 상기 각 피스를 이용하여, 마모 상태를 모의적으로 재현하였다. 스크류 부적합은, 상정되고 있는 수지 원료와 다른 종류의 수지 원료를 이용해 2축혼련압출기(1)를 동작시킨 이상 상태를 나타내고 있다. 본 실험에서는, 폴리프로필렌(PP) 용의 제1 및 제2 스크류(11, 12)를 이용해 나일론(PA)을 수지 원료로서 이용한 이상 상태를 나타내고 있다.

「정상 데이터」는, 제1 및 제2 스크류(11, 12)에 마모가 없고, 적절한 수지 원료(PP)를 이용하여, 회전수 100 rpm, 200 rpm, 400 rpm으로 제1 및 제2 스크류(11, 12)를 회전시킨 상태에서 얻어진 시계열 데이터 화상을 나타내고 있다.

「이상 데이터」는, 「마모」에 대해서는 상기의 마모 이상 상태에서, 적절한 수지 원료(PP)를 이용하여, 회전수 100 rpm, 200 rpm, 400 rpm으로 제1 및 제2 스크류(11, 12)를 회전시킨 상태에서 얻어진 시계열 데이터 화상을 나타내고 있다. 「스크류 부적합」에 대해서는, 제1 및 제2 스크류(11, 12)에 마모가 없고, 상기의 부적한 수지 원료(PA)를 이용해 회전수 100 rpm, 200 rpm, 400 rpm으로 제1 및 제2 스크류(11, 12)를 회전시킨 상태에서 얻어진 시계열 데이터 화상을 나타내고 있다.

그리고, 도 13의 표에 있는 정상 데이터의 일부를 학습용 데이터 세트로서 이용해 학습 모델(35)을 학습시켜, 나머지의 정상 데이터와, 이상 데이터와의 판별능을 AUC(Area Under the Curve)로 평가하였다. 각 정상 데이터 및 이상 데이터의 AUC는 0.96, 1.00, 0.99, 1.00, 1.00, 0.94이며, 높은 판별 능력을 갖는 것을 확인할 수 있었다.

이상, 본 실시 형태에 따른 이상 검지 장치(3) 등에 의하면, 2축혼련압출기(1)의 제1 및 제2 스크류(11, 12)의 변위의 시계열 데이터를 화상으로 나타내는 시계열 데이터 화상으로 변환하고, 상기 시계열 데이터 화상에 근거하여 2축혼련압출기(1)의 이상을 판정할 수 있다.

또, 학습 모델(35)을 1 클래스 분류 모델로 구성하는 것에 의해, 이상시의 2축혼련압출기(1)의 시계열 데이터 화상을 이용하는 일 없이, 정상인 2축혼련압출기(1)의 동작시에 얻어진 시계열 데이터 화상을 이용해 상기 학습 모델(35)을 기계 학습시킬 수 있다.

또한, 제1 및 제2 스크류(11, 12)축 각각의 X축방향 및 Y축방향의 변위의 시계열 변화를 1장의 시계열 데이터 화상으로 표현하고, 학습 모델(35)을 이용해 상기 시계열 데이터 화상의 특징량을 산출하는 것에 의해, 2축혼련압출기(1)의 제1 및 제2 스크류(11, 12) 상태를 정밀도 좋게 나타내는 특징량을 간단하고 쉽게 얻을 수 있다. 이와 같이 하여 얻어진 특징량을 이용하는 것에 의해, 2축혼련압출기(1)의 이상을 정밀도 좋게 검출할 수 있다.

더욱 또, 제1 및 제2 스크류(11, 12)축 각각의 변위를 나타내는 제1 및 제2 시계열 데이터 화상을 변형하는 일 없이 포함하는 시계열 데이터 화상을 이용하는 것에 의해, 2축혼련압출기(1)의 이상을 정밀도 좋게 검출할 수 있다.

제1 및 제2 시계열 데이터 화상을 상하 또는 좌우로 늘린 화상을 이용하면, 제1 및 제2 스크류(11, 12)의 특징에 영향을 주어, 이상 검지 정밀도가 저하하는 것이 확인되고 있다.

또한, 본 실시 형태에서는, 제1 및 제2 스크류(11, 12)의 구동축(11a, 12a)에 변위 센서(2)를 설치하는 예를 설명했지만, 제1 및 제2 스크류(11, 12)의 이상을 검지할 수 있다면, 다른 부위에 변위 센서(2)를 설치해도 무방하다. 예를 들면, 모터(13)의 출력축에 변위 센서(2)를 설치해도 무방하다. 출력축은, 성형기가 갖는 회전축의 일례이다.

또, 본 실시 형태에서는, 제1 및 제2 스크류(11, 12) 각각 변위 센서(2)를 설치하는 예를 설명했지만, 제1 및 제2 스크류(11, 12) 중 어느 일방에 변위 센서(2)를 설치하고, 이상 검지를 실시하도록 구성해도 무방하다.

또한, 본 실시 형태에서는, 제1 및 제2 스크류(11, 12)의 회전 중심축의 변위를 검출하는 예를 설명했지만, 제1 및 제2 스크류(11, 12)에 가해지는 토크, 회전 속도, 또는 회전 가속도 등의 물리량을 검출하고, 상기 물리량의 시계열 데이터를 이용하여, 2축혼련압출기(1)를 검지하도록 구성해도 무방하다. 또한, 다른 종류의 물리량을 묘화한 복수의 화상을 포함한 시계열 데이터 화상을 이용하여, 2축혼련압출기(1)의 이상을 검지하도록 구성해도 무방하다. 예를 들면, 제1 및 제2 스크류(11, 12)의 회전 중심축의 변위를 묘화한 제1 시계열 데이터 화상과, 제1 및 제2 스크류(11, 12)에 가해지는 토크 또는 회전 가속도를 묘화한 시계열 데이터 화상을 포함한 시계열 데이터 화상을 이용하여, 2축혼련압출기(1)의 이상을 검지하도록 구성해도 무방하다.

이와 같이 하여 가동부에서의 임의의 물리량을 검출하여 산업 기계의 이상을 검지하도록 구성해도 무방하다.

더욱 또, 본 실시 형태에서는, 제1 스크류(11)의 변위를 2개의 수치로 나타내는 2차원의 제1 시계열 데이터 화상(제1 화상)과, 제2 스크류(12)의 변위를 2개의 수치로 나타내는 2차원의 제2 시계열 데이터 화상(제2 화상)을 포함한 시계열 데이터 화상을 이용하는 예를 설명했지만, 4 종류의 2차원 물리량 데이터를 묘화한 4장의 화상을 합성한 시계열 데이터 화상을 이용하여, 2축혼련압출기(1)의 이상을 검지하도록 구성해도 무방하다. 또, 시계열 데이터를 묘화한 5장 이상의 화상을 포함한 시계열 데이터 화상을 이용하여, 2축혼련압출기(1)의 이상을 검지하도록 구성해도 무방하다.

더욱 또, 본 실시 형태에서는, 시계열적으로 변화하는 물리량을 그대로 묘화하여 되는 시계열 데이터 화상을 이용하는 예를 설명했지만, 검출한 시계열의 물리량을 주파수 변환하고, 물리량의 주파수 스펙트럼을 묘화한 시계열 데이터 화상을 이용해 2축혼련압출기(1) 또는 산업 기계의 이상을 검지하도록 구성해도 무방하다.

더욱 또, 본 실시 형태에서는, 2축혼련압출기(1)의 제1 및 제2 스크류(11, 12)의 이상을 검지하는 예를 설명했지만, 이상 검지 장치(3)를 이용해 다른 가동부, 단축 압출기, 사출 성형기, 그 외의 산업 기계의 가동부의 이상을 검지하도록 구성해도 무방하다. 이 경우, 학습 모델(35)은 상기 가동부의 정상시의 시계열 데이터 화상을 학습한다.

산업 기계의 가동부의 이상을 검지하는 이상 검지 장치(3)에 있어서는, 처리부(31)는, 본 실시 형태와 같이, 2개의 수치로 이루어지는 2차원의 제1 물리량을 나타내는 시계열 데이터와, 2개의 수치로 이루어지는 2차원의 제2 물리량을 나타내는 시계열 데이터를 취득하고, 취득한 제1 시계열 데이터를 제1 물리량을 묘화한 제1 화상으로 변환하고, 취득한 제2 시계열 데이터를 제2 물리량을 묘화한 제2 화상으로 변환하고, 변환한 제1 화상 및 제2 화상을 하나의 화상으로 포함한 시계열 데이터 화상을 합성한다. 그리고, 처리부(31)는, 합성한 시계열 데이터 화상을 학습 모델에 입력하는 것에 의해, 상기 시계열 데이터 화상의 특징량을 산출하고, 정상시의 시계열 데이터 화상의 특징량에 대한 이상치 스코어를 산출한다. 처리부(31)는, 이상치 스코어와 소정의 임계치를 비교하는 것에 의해, 산업 기계의 이상을 검출할 수 있다.

또한, 3 종류 이상의 물리량을 묘화한 3장 이상의 화상을 포함한 시계열 데이터 화상을 이용하여, 산업 기계의 이상을 검지하도록 구성해도 무방하다.

산업 기계의 가동부의 이상을 검지하기 위한 학습 모델(35)의 생성 방법도 실시 형태와 동일하다. 산업 기계의 정상 동작시에 생성한 복수의 시계열 데이터 화상과, 복수의 참고 화상을 학습용 데이터 세트로서, 도 10에 나타내는 방법으로 1 클래스 분류 모델의 학습 모델을 기계 학습시키면 좋다.

더욱 또, 본 실시 형태에서는 이상 검지 장치(3)의 처리부(31)가 학습 모델(35)을 기계 학습시키는 예를 설명했지만, 외부의 다른 컴퓨터 또는 서버를 이용해 학습 모델(35)을 기계 학습시켜도 무방하다.

더욱 또, 학습 모델(35)의 일례로서 1 클래스 분류 모델을 설명했지만, 일반적인 CNN, U-Net, RNN(Recurrent Neural Network) 등의 뉴럴 네트워크, 그 외의 SVM(Support Vector Machine), 베이지안 네트워크, 또는 회귀목(regression tree) 등을 이용해도 무방하다.

더욱 또, 복수의 1 클래스 분류 모델인 학습 모델(35)을 이용하여, 전형적인 이상시의 시계열 화상 데이터를, 그 외의 이상시의 시계열 데이터 화상과 판별하도록 구성해도 무방하다. 예를 들면, 이상 검지 장치(3)는, 상기 실시 형태와 같이, 정상시의 시계열 데이터 화상을 학습시킨 제1 학습 모델을 구비한다. 또, 이상 검지 장치(3)는, 정상시의 시계열 데이터 화상과, 제1 이상시의 시계열 데이터 화상을 학습시킨 제2 학습 모델(35)을 구비한다. 이상 검지 장치(3)는, 제1 학습 모델(35)과, 제2 학습 모델(35)을 이용하는 것에 의해, 정상시의 시계열 데이터 화상과, 제1 이상시의 시계열 데이터 화상과, 그 외의 이상시의 시계열 데이터 화상을 판별하는 것이 가능하다. 이와 같이 하여, 이상 검지 장치(3)에 3개 이상의 학습 모델(35)을 갖추는 것에 의해, 2이상의 이상시의 시계열 데이터 화상을 판별 가능하게 구성할 수 있다. 또, 기계 학습된 다클래스 분류 모델을 이용하여, 정상시의 시계열 화상 데이터와, 이상시의 시계열 화상 데이터를 분류하도록 구성해도 무방하다.

더욱 또, 주로 CNN, 등의 뉴럴 네트워크를 이용하여, 기계 학습하는 예를 설명했지만, 학습완료모델의 구성은 CNN, RNN 등에 한정하는 것이 아니고, CNN, RNN 이외의 뉴럴 네트워크, SVM(Support Vector Machine), 베이지안 네트워크, 또는, 회귀목 등으로 구성해도 무방하다.

1　2축혼련압출기
2　변위 센서
3　이상 검지 장치
3a　표시부
4　기록 매체
10　실린더
10a　호퍼
11　제1 스크류
11a　구동축
12　제2 스크류
12a　구동축
13　모터
14　감속기
21　제1 변위 센서
22　제2 변위 센서
23　제3 변위 센서
24　제4 변위 센서
31　처리부
32　기억부
33　입력 인터페이스
34　출력 인터페이스
35　학습 모델
35a　뉴럴 네트워크
P　컴퓨터 프로그램

Claims

가동부를 갖는 산업 기계의 이상을 검출하는 처리를 컴퓨터에 실행시키기 위한 컴퓨터 프로그램이며,
상기 가동부의 운동에 따른 물리량을 검출하는 센서로부터 출력되는 시계열의 물리량 데이터를 취득하고,
취득한 시계열의 상기 물리량 데이터를 화상으로 나타내는 시계열 데이터 화상으로 변환하고,
정상인 상기 가동부에 따른 상기 시계열 데이터 화상의 특징을 학습한 학습 모델에, 변환된 상기 시계열 데이터 화상을 입력하는 것에 의해, 상기 시계열 데이터 화상의 특징량을 산출하고,
산출된 특징량에 근거하여, 상기 산업 기계의 이상의 유무를 판정하는
처리를 상기 컴퓨터에 실행시키기 위한 컴퓨터 프로그램.
제1항에 있어서,
상기 학습 모델은, 기계 학습에 의해 얻어진 모델인
컴퓨터 프로그램.
제1항 또는 제2항에 있어서,
상기 학습 모델은 기계 학습에 의해 얻어진 1 클래스 분류 모델인
컴퓨터 프로그램.
제1항 내지 제3항 중 어느 한 항에 있어서,
상기 물리량 데이터는, 제1 물리량을 나타내는 시계열 데이터와, 제2 물리량을 나타내는 시계열 데이터를 포함하고,
상기 시계열 데이터 화상은,
상기 제1 물리량을 묘화한 제1 화상과, 상기 제2 물리량을 묘화한 제2 화상을 하나의 화상으로 포함하는
컴퓨터 프로그램.
제4항에 있어서,
상기 제1 물리량 및 상기 제2 물리량은 각각 2개의 수치로 이루어지는 2차원의 물리량인
컴퓨터 프로그램.
제1항 내지 제5항 중 어느 한 항에 있어서,
상기 가동부는 성형기의 회전축이며, 상기 물리량 데이터는 성형기의 회전축의 변위, 토크, 회전 속도, 또는 회전 가속도를 나타내는 시계열 데이터를 포함하는
컴퓨터 프로그램.
제1항 내지 제6항 중 어느 한 항에 있어서,
상기 가동부는 성형기의 스크류이며, 상기 물리량 데이터는 성형기의 스크류의 변위, 토크, 회전 속도, 또는 회전 가속도를 나타내는 시계열 데이터를 포함하는
컴퓨터 프로그램.
제1항 내지 제3항 중 어느 한 항에 있어서,
상기 가동부는 2축혼련압출기의 제1 스크류 및 제2 스크류이며, 상기 물리량 데이터는, 제1 스크류의 회전 중심축에 교차하는 제1 축방향 및 제2 축방향의 변위를 나타내는 시계열 데이터와, 제2 스크류의 회전 중심축에 교차하는 제3 축방향 및 제4 축방향의 변위를 나타내는 시계열 데이터를 포함하고,
상기 시계열 데이터 화상은,
교차하는 제1 축방향 및 제2 축방향을 좌표축으로서 제1 스크류의 변위를 묘화한 제1 화상과, 교차하는 제3 축방향 및 제4 축방향을 좌표축으로서 제2 스크류의 변위를 묘화한 제2 화상을 하나의 화상으로 포함하는
컴퓨터 프로그램.
제8항에 있어서,
상기 시계열 데이터 화상은 대략 정방형의 화상이며,
상기 제1 화상 및 제2 화상과, 상기 제1 화상 및 제2 화상 이외의 부분을 보충하는 블랭크 화상을 포함하는
컴퓨터 프로그램.
가동부를 갖는 산업 기계의 이상을 검출하는 이상 검지 방법이며,
상기 가동부의 운동에 따른 물리량을 검출하는 센서로부터 출력되는 시계열의 물리량 데이터를 취득하고,
취득한 시계열의 상기 물리량 데이터를 화상으로 나타내는 시계열 데이터 화상으로 변환하고,
정상인 상기 가동부에 따른 상기 시계열 데이터 화상의 특징을 학습한 학습 모델에, 변환된 상기 시계열 데이터 화상을 입력하는 것에 의해, 상기 시계열 데이터 화상의 특징량을 산출하고,
산출된 특징량에 근거하여, 상기 산업 기계의 이상의 유무를 판정하는
이상 검지 방법.
가동부를 갖는 산업 기계의 이상을 검출하는 이상 검지 장치이며,
상기 가동부의 운동에 따른 물리량을 검출하는 센서와,
상기 센서로부터 출력되는 시계열의 물리량 데이터를 취득하는 취득부와,
상기 취득부에서 취득한 시계열의 상기 물리량 데이터를 화상으로 나타내는 시계열 데이터 화상으로 변환하는 변환부와,
정상인 상기 가동부에 따른 상기 시계열 데이터 화상의 특징을 학습한 학습 모델에, 변환된 상기 시계열 데이터 화상을 입력하는 것에 의해, 상기 시계열 데이터 화상의 특징량을 산출하는 산출부와,
상기 산출부에서 산출된 특징량에 근거하여, 상기 산업 기계의 이상의 유무를 판정하는 판정부
를 구비하는 이상 검지 장치.
제11항에 기재된 이상 검지 장치와,
성형기
를 구비하고,
상기 이상 검지 장치는, 상기 성형기의 이상을 검출하도록 되어 있는
성형기 시스템.
제1 스크류 및 제2 스크류를 갖는 2축혼련압출기의 이상을 검지하기 위한 학습 모델의 생성 방법이며,
정상 동작시의 상기 2축혼련압출기의 제1 스크류의 회전 중심축에 교차하는 제1 축방향 및 제2 축방향의 변위를 나타내는 시계열 데이터와, 정상 동작시의 상기 2축혼련압출기의 제2 스크류의 회전 중심축에 교차하는 제3 축방향 및 제4 축방향의 변위를 나타내는 시계열 데이터에 근거하여, 제1 스크류의 회전 중심축에 교차하는 제1 축방향 및 제2 축방향의 변위를 묘화한 제1 화상과, 제2 스크류의 회전 중심축에 교차하는 제3 축방향 및 제4 축방향의 변위를 묘화한 제2 화상을 하나의 화상으로 포함한 복수의 시계열 데이터 화상을 생성하고,
생성한 상기 복수의 시계열 데이터 화상과, 임의의 특징을 갖는 복수의 참고 화상을 포함한 학습용 데이터 세트에 근거하여, 제1 스크류 및 제2 스크류의 회전 중심축의 변위를 묘화한 제1 화상 및 제2 화상을 포함한 시계열 데이터 화상이 입력된 경우에 상기 2축혼련압출기의 정상 동작 및 이상 동작에 따른 특징량을 출력하는 학습 모델을 생성하는
처리를 컴퓨터가 실행하는 학습 모델 생성 방법.