TW202001464A - 診斷裝置、診斷方法及程式 - Google Patents

診斷裝置、診斷方法及程式 Download PDF

Info

Publication number
TW202001464A
TW202001464A TW108119134A TW108119134A TW202001464A TW 202001464 A TW202001464 A TW 202001464A TW 108119134 A TW108119134 A TW 108119134A TW 108119134 A TW108119134 A TW 108119134A TW 202001464 A TW202001464 A TW 202001464A
Authority
TW
Taiwan
Prior art keywords
learning
vector
reference vector
vectors
signal
Prior art date
Application number
TW108119134A
Other languages
English (en)
Inventor
増崎隆彦
那須督
Original Assignee
日商三菱電機股份有限公司
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 日商三菱電機股份有限公司 filed Critical 日商三菱電機股份有限公司
Publication of TW202001464A publication Critical patent/TW202001464A/zh

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
    • G05B23/0224—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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • 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
    • G05B23/0235—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 based on a comparison with predetermined threshold or range, e.g. "classical methods", carried out during normal operation; threshold adaptation or choice; when or how to compare with the threshold

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Automation & Control Theory (AREA)
  • Probability & Statistics with Applications (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

診斷裝置(10)係具備取得部(101)與診斷部(140)。取得部(101)係取得輸入值的系列以作為成為診斷有無異常之對象的輸入信號。診斷部(140)係從第一指標值與第二指標值診斷有無異常，該第一指標值係顯示以取得部(101)所取得之系列之輸入值為要素的輸入向量與預先規定之第一基準向量的距離，該第二指標值係顯示輸入向量與預先規定之第二基準向量的角度。

Description

診斷裝置、診斷方法及程式
本發明係關於診斷裝置、診斷方法及程式。
已知有如工廠的生產系統及控制系統，利用顯示由感測器感測而得之感測結果的時序資料的各種處理系統。此種處理系統係廣泛地進行從時序資料診斷是否有異常。
具體而言，係有一種判別監視對象的信號波形是否與正常時應輸入的波形類似，以進行異常之診斷的技術(例如參照專利文獻1)。專利文獻1中，記載一種根據屬於目前之時序資料之輸入向量與儲存於資料庫中之屬於過去之時序資料之輸入向量之間的距離，而算出異常測度的技術。[先前技術文獻] [專利文獻]
專利文獻1：日本特開2014-149840號公報
[發明所欲解決之課題]
然而，作為用以判別信號波形是否類似的標準，也有如專利文獻1之向量間之距離變得不適當的事例。例如，在維持輸入向量之要素之比率狀態下之值的大小可能會變動的事例中，以專利文獻1的技術而言，會有在輸入向量的大小變化時被誤判斷為異常之虞。因此，尚有提升診斷有無異常之精確度的餘地。
本發明係有鑑於上述問題而研創者，其目的為提升診斷有無異常的精確度。 [解決問題之手段]
為了達成上述目的，本發明之診斷裝置係具備：取得手段，係取得輸入值的系列以作為成為診斷有無異常之對象的輸入信號；診斷手段，係從第一指標值與第二指標值診斷有無異常，該第一指標值係顯示以取得手段所取得之系列之輸入值為要素的輸入向量與預先規定之第一基準向量的距離，該第二指標值係顯示輸入向量與預先規定之第二基準向量的角度；及學習手段，係從學習信號學習第一基準向量及第二基準向量；取得手段係取得學習信號與輸入信號，學習手段係從學習信號切出學習值的系列，藉此產生複數個以該系列之學習值為要素的學習向量，且依據學習向量間的距離而分群(clustering)，藉此學習第一基準向量，且依據學習向量間的角度而分群，藉此學習第二基準向量。 [發明之功效]
依據本發明，係從第一指標值與第二指標值診斷有無異常，該第一指標值係顯示輸入向量與第一基準向量的距離，該第二指標值係顯示輸入向量與第二基準向量的角度。因此，即使在僅依靠向量間的距離而會被做出錯誤診斷的情形下，亦會被期待根據向量間的角度而做出正確的診斷。因此，可提升診斷有無異常的精確度。
以下參照圖式來詳細說明本發明之實施形態的診斷系統100。
實施形態1 本實施形態的診斷系統100係相當於形成於工廠之生產系統的一部分。診斷系統100係從生產系統收集資料，且從所收集的資料，診斷該生產系統中是否有異常。異常係例如包含生產線上流動之工件(work)的規格為超出規格、構成生產線之裝置的缺失及該裝置運轉中所產生的錯誤。異常係指與以生產系統之營運者所設想者而預先被規定之正常之狀態不同的狀態，通常會使生產系統所進行之製品的生產停止，或使良率降低。再者，診斷系統100係提供使用者顯示診斷之結果的資訊。如第1圖所示，診斷系統100係具有：診斷有無異常的診斷裝置10，及傳送信號至診斷裝置10的複數個機器21。另外，第1圖係由一台機器21為代表進行顯示。
診斷裝置10與機器21，係連接成可透過網路20彼此進行通訊。網路20係產業用的FA(Factory Automation，工廠自動化)網路。然而，網路20不限定於此，亦可為廣域通訊用的通訊網路，亦可為專用線路。
機器21係例如為感測器(sensor)裝置、致動器(actuator)或機器人(robot)。機器21係具有作為信號源211的感測器。機器21係將此感測器所進行的感測結果，經由網路20反復地通知診斷裝置10，藉此將顯示感測結果之演變的數位信號傳送至診斷裝置10。感測器係例如為壓力感測器、照度感測器、超音波感測器或其他感測器。從機器21所傳送的信號，係純量值(scalar value)的時序信號，該取樣周期係例如為10ms、100ms、或1sec。
然而，從機器21所傳送的信號，不限定於純量值，亦可為向量值的信號。此外，機器21係可以不同於感測器之取樣周期的周期傳送資料至診斷裝置10。例如，機器21係可當感測器所進行的取樣值蓄積於緩衝器(buffer)達某程度時，將包含所蓄積之取樣值的資料傳送至診斷裝置10。信號源211除感測器外，還可為例如產生用以使生產系統中之機器21之動作同步之同步信號的振盪器，或與遠端之對向機器進行通訊的接收機或天線。
診斷裝置10係配置於工廠的IPC(Industrial Personal Computer，工業用個人電腦)。如第2圖所示，診斷裝置10係具有處理器(processor)11、主記憶部12、輔助記憶體13、輸入部14、輸出部15及通訊部16以作為其硬體構成。主記憶部12、輔助記憶體13、輸入部14、輸出部15及通訊部16係均透過內部匯流排(bus)17而連接於處理器11。
處理器11係包含CPU(Central Processing Unit，中央處理單元)。處理器11係執行記憶於輔助記憶體13中的程式P1，藉此實現診斷裝置10的各種功能，而執行後述的處理。
主記憶部12係包含RAM(Random Access Memory，隨機存取記憶體)。主記憶部12係從輔助記憶體13載入程式P1。再者，主記憶部12係被用來作為處理器11的作業區域。
輔助記憶體13係包含以EEPROM(Electrically Erasable Programmable Read-Only Memory，電子可抹除可程式化唯讀記憶體)及びHDD(Hard Disk Drive，硬碟驅動器)為代表的非揮發性記憶體。輔助記憶體13係除程式P1外，還記憶被用於處理器11之處理的各種資料。輔助記憶體13係依據處理器11的指示，將處理器11所要利用的資料供給至處理器11，且記憶從處理器11所供給的資料。另外，第2圖係代表性地顯示了一個程式P1，但輔助記憶體13亦可記憶複數個程式，主記憶部12亦可載入有複數個程式。
輸入部14係包含以輸入鍵及指示裝置(pointing device)為代表的輸入裝置。輸入部14係取得診斷裝置10之由使用者所輸入的資訊，且將所取得的資訊通知處理器11。
輸出部15係包含以LCD(Liquid Crystal Display，液晶顯示器)及揚聲器(speaker)為代表的輸出裝置。輸出部15係依據處理器11的指示而將各種資訊提示使用者。
通訊部16係包含用以與外部之裝置進行通訊的網路介面(network interface)電路。通訊部16係從外部接收信號，且將此信號所示的資料輸出至處理器11。此外，通訊部16係將顯示從處理器11所輸出之資料的信號傳送至外部的裝置。
診斷裝置10係藉由第2圖所示之硬體構成協同作用，診斷有無異常，且將顯示診斷結果的資訊予以輸出。詳而言之，診斷裝置10係診斷有無異常，作為藉由後述之方法分析信號後的結果。
在此，使用第3、4圖來說明診斷裝置10所進行之信號分析的基本方法。第3圖係顯示了異常診斷的概要。第3圖上部係顯示了輸入於診斷裝置10的輸入信號。此輸入信號，於正常時，具有與複數個波形圖案的任一個波形類似的波形。因此，當輸入信號的波形為背離任一個波形圖案的形狀時，判定為異常。
第3圖中之輸入信號之最初的波形23，係顯示與複數個波形圖案A、B、C各者比較後的結果，與波形圖案A比較時顯示為最高之類似度的0.99。此最高類似度超過了臨限值，因此關於波形23會被判斷為正常。類似度係為顯示波形彼此類似之程度的零至1之範圍的值，當波形一致時，類似度成為1。關於類似度的算出方法，將於後陳述。此外，臨限值係例如為0.8，可預先規定，亦可由使用者來設定。
接著，依序判定輸入信號的波形最類似於波形圖案A、C、C、C、B、A，且依序算出該類似度為0.91、0.92、0.89、0.85、0.98、0.55。關於最後的波形24，複數個波形圖案A、B、C中最類似的圖案雖為波形圖案A，但該類似度為較臨限值更低的0.55。因此，關於最後的波形24，會被判定為異常。
第4圖係顯示了用以比較波形之輸入信號的切出。如第4圖所示，診斷裝置10係使預先規定之寬度的視窗(window)26偏移一定的偏移幅距。視窗26係用以切出輸入信號之一部分的窗，例如，相當於一部分區間的值被規定為1而其他值被規定為零之矩形的窗函數中之值為1的區間，將此窗函數乘上輸入信號，藉此切出輸入信號的一部分。診斷裝置10係每一偏移視窗26，就從輸入信號切出相當於視窗26之區間的部分信號。再者，從預先記憶於記憶體27中的波形圖案，抽出部分信號之最附近的圖案，獲得比較部分信號與最附近圖案後之結果的類似度。在此，最附近的圖案，係指類似度為最高的波形圖案。
波形圖案係正常時輸入信號所應具有的波形，預先被儲存於記憶體27中。詳而言之，如第4圖所示，為了判定從輸入信號以固定的偏移幅距被切出的部分信號有無異常，診斷裝置10係預先記憶了正常時應輸入之波形朝時間方向位移後的圖案作為波形圖案。
另外，從輸入信號切出的部分信號係數位信號，為取樣值之沿著時間的系列，因此亦被作為向量來表現。系列係指值成為一系列的匯合。此外，關於波形圖案若亦與輸入信號同樣地被作為向量來表現，可藉由向量的演算來比較波形，因此較為便利。
診斷裝置10係以2種方法來進行上述之波形的比較，且統合各種方法的結果來診斷有無異常。此2種方法中，第一種方法係著眼於輸入信號與波形圖案之距離的方法，第二種方法係著眼於輸入信號與波形圖案之角度的方法。詳而言之，第一種方法係藉由屬於相當於從輸入信號切出之部分信號之向量的輸入向量，與屬於相當於在第一種方法中所使用之波形圖案之向量的第一基準向量的距離，以獲得顯示此等向量為類似之程度之第一指標值的方法。此外，第二種方法係藉由相當於從輸入信號切出之部分信號的輸入向量，與屬於相當於在第二種方法中所使用之波形圖案之向量之第二基準向量的角度，以獲得顯示此等向量為類似之程度之第二指標值的方法。
第一基準向量及第二基準向量係為顯示正常時輸入向量所應具有之波形的向量，必須在進行異常診斷前預先準備適於2種方法各者的第一基準向量及第二基準向量。診斷裝置10係具有學習此等第一基準向量及第二基準向量的功能。詳而言之，診斷裝置10係具有從由使用者提供作為顯示正常時應輸入之波形的學習信號，學習第一基準向量及第二基準向量的功能。再者，學習結束後，診斷裝置10係利用所學習的第一基準向量及第二基準向量，來診斷要成為診斷對象之輸入信號有無異常。以下，將第一基準向量及第二基準向量統稱為基準向量。
此外，第一指標值係為成為顯示由輸入向量所示之波形與由第一基準向量所示之波形為類似之程度之指標的值，相當於此等波形的類似度。此外，第二指標值係為成為顯示由輸入向量所示之波形與由第二基準向量所示之波形為類似之程度之指標的值，相當於此等波形的類似度。關於第一指標值及第二指標值之算出方法的詳細內容，將於後陳述。
如第5圖所示，診斷裝置10係具有下列功能：取得部101，係取得學習信號及輸入信號；學習部102，係從學習信號學習顯示正常時輸入信號所應具有之波形的第一基準向量及第二基準向量；記憶部111，係記憶被學習部102所學習的第一基準向量；記憶部121，係記憶被學習部102所學習的第二基準向量；第一算出部110，係算出顯示作為輸入信號之輸入向量與第一基準向量之距離的第一指標值；第二算出部120，係算出顯示輸入向量與第二基準向量之角度的第二指標值；第三算出部130，係算出統合第一指標值與第二指標值後的輸出值；及診斷部140，係從輸出值診斷有無異常。另外，第5圖中，粗的箭頭係顯示從學習信號學習基準向量時之資料的流向，細的箭頭係顯示學習結束後，從輸入信號算出輸出值時之資料的流向。
取得部101主要係藉由處理器11及通訊部16而實現。取得部101係取得用以學習基準向量的學習信號及成為有無異常之監視對象的輸入信號。詳而言之，取得部101係取得使用者經由網路20所提供的學習信號。學習信號係為了充分學習基準向量而長至某程度的信號，以包含所有正常時應輸入之信號的波形為理想。此外，取得部101係從機器21經由網路20重複接收資料，藉此接收由信號源211所產生的輸入信號。取得部101係發揮作為請求項之取得手段的功能。
學習部102主要係藉由處理器11而實現。學習部102係從取得部101所取得的學習信號，學習用以算出第一指標值的第一基準向量及用以算出第二指標值的第二基準向量。此外，學習部102係具有權重算出部1021，該權重算出部1021係依據學習的結果而算出第一基準向量及第二基準向量各者的權重。權重算出部1021所算出的權重，係提供給第三算出部130。學習部102係發揮作為請求項之學習手段的功能。
在此，使用第6圖來說明學習部102所進行之基準向量之學習的概要。在第6圖的最上段係顯示了學習信號。此學習信號係具有急遽上升後緩慢下降的波形301、梯形的波形302及緩慢上升後急遽下降的波形303，作為正常時輸入信號應具有的波形。學習部102係將此學習信號分割為用以學習基準向量的學習部分信號，與用以算出權重的試行信號。
為了使學習部102學習基準向量，與從輸入信號抽出輸入向量同樣地，使用從學習信號抽出的向量。學習信號係屬於取樣值之學習值的時序信號，從學習信號切出的部分信號係沿著該學習值之時間的系列，且作為向量來表現。以下，將相當於從學習信號切出之部分信號的向量稱為學習向量。
詳而言之，如第6圖所示，學習部102係每次使視窗310偏移，就從學習部分信號切出學習值的系列，藉此產生以該系列之學習值為要素的學習向量311。再者，學習部102係依據學習向量311間的距離而將複數個學習向量311予以分群，藉此學習代表學習向量311的一個或複數個第一基準向量。此外，學習部102係依據學習向量311間的角度而分群，藉此學習代表學習向量311的一個或複數個第二基準向量。
在此，向量間的距離係一個向量與其他向量的距離，例如為相當於向量之各要素之二乘方誤差之總和之平方根的歐幾里德(Euclid)距離。惟，不限定於此，向量間的距離，亦可為曼哈頓(Manhattan)距離，亦可為由DTW(Dynamic Time Warping，動態時間扭曲)所規定的距離，亦可為其他距離。
此外，向量間的角度，係為一個向量與其他向量的角度，為單位設為deg或rad的量。此角度係例如可設為將一個向量與其他向量的內積除以該一個向量之大小與該其他向量之大小而得的值設為x時的arccos(x)來獲得。
對應於學習向量311間之距離的分群，係指將用以將複數個學習向量311分群之標準設為距離，而對應於學習向量311間之角度的分群，係指將用以將學習向量311分群之標準設為角度。向量的分群，係依據某標準將類似的向量彙整為群集(cluster)，通常複數個向量分別會被分配至任一個群集。分群的方法可為任意，例如可採用k平均法或高斯混合模型(Gaussian mixture model )。此外，亦可在對應距離的分群與對應角度的分群採用不同的方法。再者，群集數係可預先規定，亦可使用以AIC (Akaike Information Criterion，赤池訊息準則)為代表的標準而決定適當的群集數。
第一基準向量及第二基準向量可為群集中心的向量，亦可為代表各群集的任一個學習向量311。通常由藉由依據距離的分群所形成之複數個群集各者所對應的向量，作為第一基準向量被學習。亦即，由複數個向量作為第一基準向量被學習。此外，依據角度之複數個群集各者所對應的向量，作為第二基準向量被學習。亦即，由複數個向量作為第二基準向量被學習。
例如，依據距離之分群的結果，當一個向量變成屬於一個群集時，關於該一個向量，其與該一個群集所對應的第一基準向量的距離，會比其與其他任一個群集所對應的第一基準向量的距離更小。同樣地，依據角度之分群的結果，當一個向量變成屬於一個群集時，關於該一個向量，其與該一個群集所對應的第二基準向量的距離，會比其與其他任一個群集所對應的第二基準向量的距離更小。
惟，亦假設分群的結果，僅形成單一個群集的情形。例如，在正常時應輸入的波形被固定為一個圖案，而此圖案以等於第6圖所示之視窗310之偏移幅距之周期出現的事例中，實質上同等的學習向量311會被分群為一個群集。
返回第5圖，學習部102的權重算出部1021針對第6圖中的試行信號，依據藉由第4圖所示之方法使用第一基準向量算出類似度的結果，算出第一基準向量的權重。此外，權重算出部1021針對試行信號，依據藉由第4圖所示之方法使用第二基準向量算出類似度的結果，算出第二基準向量的權重。
使用第一基準向量所算出的類似度，係藉由將向量間之距離標準化為落至0至1的範圍內而算出。若向量相同，則向量間的距離成為零，類似度成為1。例如，設向量間的距離為D，類似度E係以E=1/(1+D)被算出。惟，用以獲得類似度E的算出式並不限定於此，亦可為任意。
此外，使用第二基準向量所算出的類似度，係對應向量間之角度之0至1之範圍內的值。若向量間的角度為零，則類似度成為1。例如，設向量間的角度為θ，類似度F係以F=(cosθ/2)+(1/2)被算出。在此，若設向量A的成分為(a1，a2)、向量B的成分為(b1，b2)，則餘弦cosθ藉由下式(1)算出。
cosθ ＝(A・B)／｜A｜｜B｜ ＝(a1･b1+a2･b2)／((a12 +a22 )1/2 (b12 +b22 )1/2 )　 ･･･(1)
在向量A、B為三次元的情形下，當設向量A的成分為(a1、a2、a3)，向量B的成分為(b1、b2、b3)時，則餘弦cosθ藉由下式(2)算出。
cosθ =(A･B)/｜A｜｜B｜ =(a1･b1+a2･b2+a3･b3)/((a12 +a22 +a32 )1/2 (b12 +b22 +b32 )1/2 ) ･･･(2)
其中，上述式(1)、(2)中的「A、B」係指向量的內積，「a1、b1」係指成分的乘法運算。另外，與第二基準向量的類似度，係可依據向量間的角度而藉由其他方法來算出。例如，類似度F係可設向量間的角度為θ，依據F=1/(1+｜θ｜)的算式來算出。
第7圖中係顯示了權重算出部1021所進行之權重之算出的概要。權重算出部1021係使視窗314偏移而從試行信號切出試行值的系列，藉此產生複數個以該系列之試行值為要素的試行向量315。權重算出部1021係針對各試行向量315，從第一基準向量選擇最附近的向量，且從第二基準向量選擇最附近的向量。詳而言之，權重算出部1021係針對各試行向量315，從複數個第一基準向量選擇與該試行向量315之類似度最高的第一基準向量，且從複數個第二基準向量選擇與該試行向量315之類似度最高的第二基準向量。
關於第一基準向量各者，係在每次被選擇作為最附近的向量就算出類似度，而關於第二基準向量各者，係在每次被選擇作為最附近的向量就算出類似度。在第7圖中，係顯示了針對各基準向量所算出之類似度之例。例如，當針對第7圖之上部所示之試行向量315中之一個試行向量315a，算出與複數個第一基準向量各者的類似度時，屬於與第一基準向量316之類似度的0.9即成為最高的值。此外，當針對該試行向量315a，算出與複數個第二基準向量各者的類似度時，屬於與第二基準向量317之類似度的0.9即成為最高的值。在第7圖中，針對其他試行向量315，以四角形包圍以顯示表示與第一基準向量中之最附近之向量之類似度的數值，且以四角形包圍以顯示表示與第二基準向量中之最附近之向量之類似度的數值。
再者，權重算出部1021係針對第一基準向量各者，以所算出之類似度的平均值愈大則權重愈大之方式算出權重。此外，權重算出部1021係針對第二基準向量各者，以所算出之類似度的平均值愈大則權重愈大之方式算出權重。換言之，基準向量與試行信號的波形愈一致，就對於該基準向量賦予愈大的權重。例如，權重算出部1021係直接採用類似度的平均值作為權重。在第7圖下部，針對基準向量各者，算出橫方向出現之數值的平均值，作為對應該基準向量的權重。
返回第5圖，學習部102係將所學習的第一基準向量儲存於記憶部111，且將所學習的第二基準向量儲存於記憶部121。記憶部111、121主要藉由輔助記憶體13而實現。
第一算出部110主要藉由處理器11而實現。第一算出部110係將取得部101所取得作為輸入信號之輸入值的系列，作為以該系列之輸入值各者為要素的輸入向量進行處理。此輸入向量的維度係等於構成取得部101所取得之系列的輸入值之數量。再者，第一算出部110係以第3、4圖所示之方法算出類似度。詳而言之，第一算出部110係比較輸入向量與複數個第一基準向量各者而算出類似度，且將最高的類似度作為第一指標值予以輸出。更詳而言之，第一算出部110係將顯示輸入向量與最附近之第一基準向量之距離的第一指標值予以輸出。
第二算出部120主要藉由處理器11而實現。第二算出部120係與第一算出部110同樣地以第3、4圖所示之方法，比較輸入向量與第二基準向量而算出類似度，且將最高的類似度作為第二指標值予以輸出。詳而言之，第二算出部120係將顯示輸入向量與最附近之第二基準向量之角度的第二指標值予以輸出。
第三算出部130主要藉由處理器11而實現。第三算出部130係算出輸出值作為第一算出部110所算出之第一指標值與第二算出部120所算出之第二指標值的加權和。詳而言之，第三算出部130係藉由下式(3)所示的演算而算出輸出值A3。
A3=w1•A1＋w2•A2 …(3)
在此，A1係第一指標值，A2係第二指標值。w1係第一指標值的權重係數，為算出第一指標值時由第一算出部110所選擇之最附近的第一基準向量之權重。w2係第二指標值的權重係數，為算出第二指標值時由第二算出部120所選擇之最附近的第二基準向量之權重。第三算出部130係從學習部102預先取得該等權重而予以保持。通常，w1與w2的大小係被調整成其總和成為1.0，而輸出值成為零至1之範圍內的值。
診斷部140主要藉由處理器11、輸出部15或通訊部16而實現。診斷部140係根據由第三算出部130所算出的輸出值而診斷有無異常。例如，診斷部140係藉由判定輸出值是否超過臨限值而判定有無異常。此臨限值係例如為0.8，可預先規定，亦可由使用者來變更。診斷部140所進行之診斷結果之資訊的輸出，係可為畫面顯示所進行之對於使用者的提示，亦可為對於診斷裝置10所具有之信號處理電路的輸出，亦可為經由網路20之資料的傳送。診斷部140係作為請求項之診斷手段而發揮功能。
接下來，使用第8圖至第12圖來說明診斷裝置10所執行的診斷處理。第8圖所示的診斷處理，係藉由接入診斷裝置10的電源而開始。
在診斷處理中，診斷裝置10係執行學習處理(步驟S1)，且執行診斷執行處理(步驟S2)。以下依序說明學習處理與診斷執行處理。
第9圖係顯示了學習處理的程序。學習處理係從學習信號學習基準向量的處理，主要藉由學習部102而執行。
在學習處理中，取得部101係取得學習信號(步驟S11)。具體而言，係由取得部101取得顯示學習信號的資料，並從該資料抽出學習信號。
接著，學習部102係將步驟S11中所取得的學習信號分割為學習部分信號與試行信號(步驟S12)。具體而言，學習部102係將學習信號以前段與後段作均分。惟，分割的方法為任意，亦可藉由其他方法來分割。
接著，學習部102係從學習部分信號切出學習值的系列，藉此產生複數個學習向量(步驟S13)。再者，學習部102係依據向量間的距離而將學習向量予以分群，藉此學習第一基準向量(步驟S14)，且依據向量間的角度將學習向量進行分群，藉此學習第二基準向量(步驟S15)。
接著，學習部102係針對試行信號，依據算出類似度後的結果而算出權重(步驟S16)。具體而言，權重算出部1021依據比較試行信號與第一基準向量及第二基準向量後的結果，而算出第一基準向量及第二基準向量各者的權重。之後，學習處理結束，診斷裝置10所進行的處理返回第8圖所示的診斷處理。
接下來，使用第10圖來說明診斷執行處理。診斷執行處理係從輸入信號算出輸出值，以診斷有無異常的處理。
在診斷執行處理中，取得部101係取得輸入值的系列作為輸入信號(步驟S21)。此步驟S21係對應請求項的取得步驟。在此所取得的系列，係相當於被第4圖所示之視窗26劃分的部分信號。輸入值的系列，係在之後被作為以輸入值為要素的輸入向量來處理。
接著，執行第一算出部110所進行的第一算出處理(步驟S22)。第一算出處理係由第一算出部110從在步驟S21中所取得的輸入向量算出第一指標值的處理。
在第一算出處理中，如第11圖所示，第一算出部110從第一基準向量抽出類似於輸入向量的第一最附近向量(步驟S221)。然後，由第一算出部110將輸入向量與第一最附近向量的類似度作為第一指標值予以輸出(步驟S222)。之後，第一算出處理結束，診斷裝置10所進行的處理返回第10圖的診斷執行處理。
接續第一算出處理(步驟S22)，執行第二算出部120所執行的第二算出處理(步驟S23)。第二算出處理係由第二算出部120從在步驟S21中所取得的輸入向量，算出第二指標值的處理。
在第二算出處理中，如第12圖所示，第二算出部120從第二基準向量抽出類似於輸入向量的第二最附近向量(步驟S231)。然後，由第二算出部120將輸入向量與第二最附近向量的類似度作為第二指標值予以輸出(步驟S232)。之後，第二算出處理結束，診斷裝置10所進行的處理返回第10圖的診斷執行處理。
接續第二算出處理(步驟S23)，由第三算出部130執行第三算出處理(步驟S24)。具體而言，第三算出部130算出輸出值作為在步驟S22中所算出之第一指標值與在步驟S23中所算出之第二指標值的加權和。
接著，由診斷部140從在步驟S24中所算出的輸出值，診斷有無異常(步驟S25)。此步驟S25係對應於請求項的診斷步驟。之後，診斷裝置10係重複步驟S21之後的處理。藉此，與第4圖所示之藉由視窗26之偏移依序算出類似度同樣地，針對從輸入信號依序切出的輸入向量而診斷有無異常。
綜上所述，依據診斷裝置10，係從顯示輸入向量與第一基準向量之距離的第一指標值及顯示輸入向量與第二基準向量之角度的第二指標值，診斷有無異常。因此，即使在僅依靠向量間的距離而會被做出錯誤診斷的情形下，仍可期待根據向量間的角度作出正確的診斷。因此，可提升診斷有無異常的精確度。
在此，使用第13圖來說明具體例。第13圖中，係顯示了輸入信號具有急遽上升緩慢下降的波形，各個輸入值成為學習信號之值的2倍之例。針對作為此輸入信號的輸入向量A1，選擇第13圖下部塗黑的圓形標記所示的第一基準向量R1、R2、R3中歐幾里德距離最短的第一基準向量R1作為第一最附近向量R1。具體而言，若設向量間的距離為標準，第一基準向量R1、R2、R3中之向量A1的最附近的向量係R1，其波形係如第13圖上部所示的梯形。然而，輸入向量的波形，僅只是大小從學習時起改變，與梯形的波形相比較時，無法正確地診斷有無異常。
針對此點，相對於輸入向量A1，選擇第13圖下部以空心的四角形標記所示的第二基準向量Q1、Q2、Q3中與輸入向量A1構成之角度為最小的第二基準向量Q1作為第二最附近向量。亦即，若設向量間的角度為標準，第二基準向量Q1、Q2、Q3中之向量A1的最附近的向量係Q1，其波形係如第13圖上部所示，為急遽上升且緩慢下降的波形。因此，當輸入信號之值的尺標變化後的波形應被診斷為正常的情形下，第二指標值可謂會正確地表現出波形之類似的程度。
再者，診斷裝置10係統合第一指標值與第二指標值而算出輸出值。因此，藉由診斷裝置10所進行之異常的診斷，相較於僅根據向量間的距離而進行的情形，會被期待被更正確地實施。具體而言，即使在正常時輸入信號之值的尺標可能會變化的情形下，也會再加上根據向量間之角度的第二指標值而判斷有無異常，因此會被期待降低誤診斷的發生率。
此外，診斷部140係從第三算出部所算出作為第一指標值與第二指標值之加權和的輸出值，來診斷出有無異常。因此，可使診斷所需的演算負荷為較小，而可易於實現診斷的依序執行。
此外，學習部102從學習信號學習基準向量，且依據此學習的結果而算出了基準向量的權重。因此，可對第一指標值及第二指標值，附加與學習相符的權重而診斷有無異常。學習信號係顯示正常時應輸入之波形的信號，而學習信號所示之正常時的波形，具有某程度的變異。藉由將考量了此種變異而成的權重賦予基準向量，可推知可作出更正確的診斷。
此外，學習部102係藉由學習向量的分群而學習到基準向量。當將學習信號中所含的多數個波形都作為基準向量來處理時，演算量會變得過大。針對此點，學習部102係可藉由進行分群，有效率地學習用於診斷的基準向量。
此外，學習部102係將學習信號分割為學習部分信號與試行信號，且從學習部分信號學習基準向量，及從試行信號算出基準向量的權重。試行信號可稱為是用以試行使用所學習之基準向量之類似度之算出的信號。藉由以與用以學習基準向量之信號不同的信號來獲得權重，可期待在之後的診斷執行處理中算出有效的權重。
另外，權重算出部1021雖算出了以基準向量被選擇作為試行向量之最附近之向量時所算出之類似度的平均值作為權重，但不限定於此。例如，權重算出部1021亦可依據針對試行向量所算出之類似度的變動而算出權重。詳而言之，權重算出部1021亦可類似度的變動愈小就算出愈大的權重。以此種權重而言，例如可考慮對應於以類似度之標準偏差為代表之統計值的權重。
實施形態2 接下來，以與上述之實施形態1的不同點為中心來說明實施形態2。另外，關於與上述實施形態1相同或相等的構成，係使用相等的符號，其說明則予省略或簡化。在實施形態1中，雖從學習信號算出了要賦予至第一基準向量及第二基準向量各者的權重，但亦可考慮其他形態。以下說明權重根據指標值的大小而決定之例。
如第14圖所示，本實施形態的診斷裝置10，係省略學習部102而構成。在記憶部111、121中，係由使用者預先儲存有第一基準向量及第二基準向量。再者，第三算出部130係每次算出第一指標值及第二指標值，就決定此等指標值應乘上的權重，並一併算出輸出值。
第15圖係顯示了第一指標值與第二指標值之差與權重的關係。詳而言之，係對於從第一指標值減去第二指標值而得出的差，以線L1顯示第一指標值的權重，且以線L2顯示第二指標值的權重。此等線L1、L2係顯示了將第一指標值與第二指標值之較大一方的權重係數設為較大，當第一指標值與第二指標值相等時則將權重係數設為相等。
綜上所述，第三算出部130係算出重視第一指標值與第二指標值較大之一方而得的輸出值。藉此，當輸入向量與基準向量之間的距離或角度接近時，顯示波形類似之程度的輸出值變大。此輸出值，可利用於更為正確之異常的診斷。
另外，第三算出部130所進行之權重的決定，不限定於第15圖所示之例。例如，如第16圖所示，亦可將第一指標值與第二指標值之任一方的權重設為1，另一方的權重設為零。在第16圖之例中，實質上係採用第一指標值與第二指標值中較大的一方作為輸出值。
此外，如第17圖所示，亦可針對第一指標值與第二指標值的比，來決定權重。在第17圖之例中，第一指標值除以第二指標值所獲得之商數的倒數被設為第一指標值的權重。
實施形態3 接下來，以與上述之實施形態1的不同點為中心來說明實施形態3。另外，關於與上述實施形態1相同或相等的構成，係使用相等的符號，其說明則予省略或簡化。在上述實施形態1中，雖使用從學習信號分割而得的試行信號來決定權重，但亦可考慮不分割學習信號而決定權重的形態。以下說明依據不分割學習信號而學習基準向量後的結果以決定權重之例。
第18圖係示意性地顯示了從學習信號決定第一基準向量之例。將此種從學習信號所抽出之學習向量o1至o7以距離為標準進行分群後的結果，構成群集D1至D3。然後，產生代表群集D1至D3各者的第一基準向量s1至s3。
第19圖係示意性地顯示了從與第18圖同樣之學習信號決定第二基準向量之例。將此種從學習信號所抽出之學習向量o1至o7以角度為標準進行分群後的結果，構成群集E1、E2。然後，產生代表群集E1、E2各者的第二基準向量v1、v2。
在第20圖中，係比較了第一基準向量各者所對應之群集所屬之學習向量的數量，與第二基準向量各者所對應之群集所屬之學習向量的數量。例如，成為第一基準向量s1之根源之學習向量的數量係2個，而成為第二基準向量v2之根源之學習向量的數量係5個。
學習部102係依據基準向量各者所對應之群集所屬之學習向量的數量，決定要賦予至基準向量的權重係數。詳而言之，學習向量的數量愈多，就愈增大權重係數。更詳而言之，對於學習向量之數量成為最大的基準向量，賦予1.0作為權重係數，而對於其他基準向量，則賦予與學習向量之數量成比例的權重係數。惟，決定權重係數的方法，不限定於此，亦可為任意。
再者，第三算出部130係於將第一指標值與第二指標值進行加權加總時，使用被賦予至為了算出第一指標值所選擇之第一基準向量的權重係數，及被賦予至為了算出第二指標值所選擇之第二基準向量的權重係數。在此，當2個權重係數的總和未成為1.0時，第三算出部130係可調整權重係數的大小，以使總和成為1.0。
綜上所述，診斷裝置10係依據被分群為基準向量各者所對應之群集之學習向量的數量而決定權重。可推知對應多個學習向量的基準向量，已正確地表現出正常時應輸入的波形。可推知對於此種正確的基準向量賦予大的權重，使得第三算出部130所算出的輸出值可利用於正確之異常的診斷上。
另外，雖對於基準向量各者賦予了不同的權重，但不限定於此。例如，亦可對於第一基準向量的所有群集所共通的基本值，乘上各群集的群集值，藉此獲得權重係數。同樣地，亦可對於第二基準向量的所有群集所共通的基本值，乘上各群集的群集值，藉此獲得權重係數。
第21圖所示之學習信號，係包含圓弧狀的波形、三角形的波形及矩形狀的波形，且具有針對各個波形改變尺標後的複數個波形。此種從學習信號學習到第一基準向量及第二基準向量之例，已示意性地顯示於第22圖。如第22圖所示，從8個學習向量，學習6個第一基準向量及3個第二基準向量。在此例中，係針對所有的第一基準向量，算出基本值為1.33。詳而言之，係將屬於學習向量之數的8，除以屬於第一基準向量之數的6，藉此算出1.33的值作為基本值。此外，係針對所有的第二基準向量，算出基本值為2.66。詳而言之，係將屬於學習向量之數的8，除以屬於第二基準向量之數的3，藉此算出2.66的值作為基本值。
亦可對此基本值，乘上與例如第20圖所示之權重係數相等的值，藉此獲得新的權重係數。如此，對於第一基準向量與第二基準向量中之群集數較小的一方，賦予大的基本值。群集數愈少，就有愈多的學習向量歸屬於各個群集。由於多個學習向量所屬的群集，適當地表現出正常時應輸入的波形，結果，將會對於第一基準向量與第二基準向量中適當表現波形的一方賦予大的權重。
第23圖所示之學習信號，雖具有與第21圖相同的波形，但各個波形的大小已被固定。此種從學習信號學習到第一基準向量及第二基準向量之例，已示意性地顯示於第24圖中。如第24圖所示，係從8個學習向量，學習3個第一基準向量及3個第二基準向量。在此例中，係針對第一基準向量及第二基準向量的雙方，算出基本值為2.66。因此，第三算出部130係賦予與第一指標值及第二指標值相等的權重來進行加權加總，藉此算出輸出值。
如第21圖至第24圖所示，診斷裝置10係可依據被分群至基準向量各者所對應之群集之學習向量之數量的傾向而決定權重。關於以此方式決定的權重，亦可推知由第三算出部130所算出的輸出值，係可利用於正確之異常的診斷上。
以上雖已說明了本發明之實施形態，但本發明不限定於上述實施形態。
例如，雖已說明了診斷系統100為生產系統之一部分之例，但不限定於此。診斷系統100亦可為以加工系統、檢查系統為代表之處理系統的一部分，亦可不構成其他系統，而為獨立的系統。
此外，雖已說明了診斷裝置10之取得部101經由網路20而取得輸入信號之例，但不限定於此。例如，取得部101亦可從使用者儲存於輔助記憶體13中的資料讀取輸入信號。
此外，在上述實施形態中，雖已說明了從單一的輸入信號算出輸出值之例，但不限定於此。診斷裝置10亦可取得複數個輸入信號，且針對輸入信號各者算出輸出值，亦可將針對輸入信號各者所算出的輸出值予以統合而輸出單一的輸出值。
此外，在上述實施形態中，雖已說明了算出將第一指標值與第二指標值統合後之輸出值之例，但用以算出輸出值所統合之指標值的數量，不限定於2個，亦可為3個以上。例如，亦可將與第一指標值及第二指標值之任一個均不同的第三指標值，與第一指標值及第二指標值進行統合而算出輸出值。
此外，在上述實施形態中，第一指標值、第二指標值及輸出值，雖為屬於異常之程度愈強就愈小的值，但不限定於此，亦可為屬於異常之程度愈強就愈大的值。
此外，診斷裝置10的功能，係可藉由專用的硬體，或亦可藉由通常的電腦系統來實現。
例如，可將由處理器11所執行的程式P1，儲存於可由電腦所讀取之非暫時性的記錄媒體進行發布，且將該程式P1安裝於電腦，藉此構成執行上述之處理的裝置。以此種記錄媒體而言，可考慮例如軟性磁碟(flexible disc)、CD-ROM(Compact Disc Read－Only Memory，唯讀記憶光碟)、DVD(Digital Versatile Disc，數位多功能光碟)、MO(Magneto－Optical Disc，磁光碟)。
此外，亦可設為將程式P1先儲存於以網際網路為代表之通訊網路上之伺服器(server)裝置所具有的磁碟裝置，例如，使之重疊於載波上，下載至電腦。
此外，亦可經由通訊網路一面轉送程式P1一面啟動執行，藉此亦可達成上述的處理。
再者，亦可藉由使程式P1的全部或一部分在伺服器裝置上執行，且由電腦經由通訊網路一面傳送接收關於該處理的資訊一面執行程式，而達成上述的處理。
另外，當由OS(Operating System，作業系統)分工實現上述的功能時或藉由OS與應用程式的協同作用而實現上述的功能時，亦可僅將OS以外之部分儲存於媒體進行發布，此外，亦可下載至電腦。
此外，實現診斷裝置10之功能的手段，不限定於軟體，亦可藉由包含電路的專用的硬體來實現其一部分或全部。
本發明只要不脫離本發明之廣義的精神與範圍，可進行各種實施形態及變形。此外，上述的實施形態，係用以說明本發明，並非用以限定本發明的範圍。換言之，本發明的範圍係由申請專利範圍而非實施形態所示。再者，在申請專利範圍內及與其同等之發明之意義的範圍內所實施的各種變形，均被視為本發明之範圍內。 [產業上之可利用性]
本發明係適用於診斷信號所示的異常。
10‧‧‧診斷裝置 11‧‧‧處理器 12‧‧‧主記憶部 13‧‧‧輔助記憶體 14‧‧‧輸入部 15‧‧‧輸出部 16‧‧‧通訊部 17‧‧‧內部匯流排 20‧‧‧網路 21‧‧‧機器 23、24‧‧‧波形 26‧‧‧視窗 27‧‧‧記憶體 100‧‧‧診斷系統 101‧‧‧取得部 102‧‧‧學習部 110‧‧‧第一算出部 111‧‧‧記憶部 120‧‧‧第二算出部 121‧‧‧記憶部 130‧‧‧第三算出部 140‧‧‧診斷部 211‧‧‧信號源 301至303‧‧‧波形 310、314‧‧‧視窗 311‧‧‧學習向量 315、315a‧‧‧試行向量 316‧‧‧第一基準向量 317‧‧‧第二基準向量 1021‧‧‧權重算出部 L1、L2‧‧‧線 P1‧‧‧程式
第1圖係顯示本發明之實施形態1之診斷系統之構成的方塊圖。 第2圖係顯示實施形態1之診斷裝置之硬體構成的圖。 第3圖係用以說明實施形態1之異常之診斷之概要的圖。 第4圖係用以說明實施形態1之輸入信號之切出的圖。 第5圖係顯示實施形態1之診斷裝置之功能性構成的圖。 第6圖係顯示實施形態1之基準向量之學習之概要的圖。 第7圖係顯示實施形態1之權重之算出之概要的圖。 第8圖係顯示實施形態1之診斷處理的流程圖。 第9圖係顯示實施形態1之學習處理的流程圖。 第10圖係顯示實施形態1之診斷執行處理的流程圖。 第11圖係顯示實施形態1之第一算出處理的流程圖。 第12圖係顯示實施形態1之第二算出處理的流程圖。 第13圖係用以說明實施形態1之診斷裝置之效果的圖。 第14圖係顯示實施形態2之診斷裝置之功能性構成的圖。 第15圖係顯示實施形態2之指標值之差與權重之關係的圖。 第16圖係顯示實施形態2之變形例之指標值之差與權重之關係的圖。 第17圖係顯示實施形態2之變形例之指標值之比與權重之關係的圖。 第18圖係用以說明實施形態3之第一基準向量之學習的圖。 第19圖係用以說明實施形態3之第二基準向量之學習的圖。 第20圖係用以說明實施形態3之權重之算出的圖。 第21圖係顯示實施形態3之變形例之學習信號的第一圖。 第22圖係用以說明實施形態3之變形例之權重之算出的第一圖。 第23圖係顯示實施形態3之變形例之學習信號的第二圖。 第24圖係用以說明實施形態3之變形例之權重之算出的第二圖。
10‧‧‧診斷裝置
101‧‧‧取得部
102‧‧‧學習部
110‧‧‧第一算出部
111‧‧‧記憶部
120‧‧‧第二算出部
121‧‧‧記憶部
130‧‧‧第三算出部
140‧‧‧診斷部
1021‧‧‧權重算出部

Claims (8)

  1. 一種診斷裝置，係具備： 取得手段，係取得輸入值的系列以作為成為診斷有無異常之對象的輸入信號； 診斷手段，係從第一指標值與第二指標值診斷有無異常，該第一指標值係顯示以前述取得手段所取得之系列之前述輸入值為要素的輸入向量與預先規定之第一基準向量的距離，該第二指標值係顯示前述輸入向量與預先規定之第二基準向量的角度；及 學習手段，係從學習信號學習前述第一基準向量及前述第二基準向量； 前述取得手段係取得前述學習信號與前述輸入信號； 前述學習手段係從前述學習信號切出學習值的系列，藉此產生複數個以該系列之前述學習值為要素的學習向量，且依據前述學習向量間的距離而分群，藉此學習前述第一基準向量，且依據前述學習向量間的角度而分群，藉此學習前述第二基準向量。
  2. 如申請專利範圍第1項所述之診斷裝置，其中，前述診斷手段係從前述第一指標值與前述第二指標值的加權和來診斷有無異常。
  3. 如申請專利範圍第2項所述之診斷裝置，其中，前述學習手段係從前述學習信號學習前述第一基準向量及前述第二基準向量，且依據該學習的結果而算出前述第一基準向量及前述第二基準向量各者的權重； 前述加權和係等於：將前述學習手段所算出的權重，乘上前述輸入向量與前述第一基準向量之距離及前述輸入向量與前述第二基準向量之角度之各者所得之值的總和。
  4. 如申請專利範圍第3項所述之診斷裝置，其中，前述學習手段係將前述學習信號分割為學習部分信號與試行信號； 藉由從前述學習部分信號所產生之前述學習向量的分群，學習前述第一基準向量及前述第二基準向量； 從前述試行信號切出試行值的系列，藉此產生以該系列之前述試行值為要素的試行向量，且依據前述試行向量與前述第一基準向量的距離而算出前述第一基準向量的權重，及依據前述試行向量與前述第二基準向量的角度而算出前述第二基準向量的權重。
  5. 如申請專利範圍第3項所述之診斷裝置，其中，前述學習手段係依據前述第一基準向量所對應之群集所屬之前述學習向量的數量而算出前述第一基準向量的權重，且依據前述第二基準向量所對應之群集所屬之前述學習向量的數量而算出前述第二基準向量的權重。
  6. 如申請專利範圍第2項所述之診斷裝置，其中，前述加權和係等於：將前述第一指標值與前述第二指標值之差或比所對應的權重，乘上前述第一指標值及前述第二指標值之各者所得之值的總和。
  7. 一種診斷方法，係包含： 第一取得步驟，係取得學習信號； 學習步驟，係從學習信號學習第一基準向量及第二基準向量； 第二取得步驟，係取得輸入值的系列；及 診斷步驟，係從以所取得之系列之前述輸入值為要素的輸入向量與前述第一基準向量的距離，及前述輸入向量與前述第二基準向量的角度，診斷有無異常； 在前述學習步驟中，係從前述學習信號切出學習值的系列，藉此產生複數個以該系列之前述學習值為要素的學習向量，且依據前述學習向量間的距離而進行分群，藉此學習前述第一基準向量，及依據前述學習向量間的角度而進行分群，藉此學習前述第二基準向量。
  8. 一種程式，係令電腦執行下列者： 取得學習信號； 從學習信號學習第一基準向量及第二基準向量； 取得輸入值的系列；及 從以所取得之系列的前述輸入值為要素的輸入向量與前述第一基準向量的距離，及前述輸入向量與前述第二基準向量的角度，診斷有無異常； 在前述第一基準向量及前述第二基準向量的學習中，係從前述學習信號切出學習值的系列，藉此產生複數個以該系列之前述學習值為要素的學習向量，且依據前述學習向量間的距離而進行分群，藉此學習前述第一基準向量，及依據前述學習向量間的角度而進行分群，藉此學習前述第二基準向量。
TW108119134A 2018-06-15 2019-06-03 診斷裝置、診斷方法及程式 TW202001464A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
PCT/JP2018/023044 WO2019239607A1 (ja) 2018-06-15 2018-06-15 診断装置、診断方法及びプログラム
WOPCT/JP2018/023044 2018-06-15

Publications (1)

Publication Number Publication Date
TW202001464A true TW202001464A (zh) 2020-01-01

Family

ID=68842464

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108119134A TW202001464A (zh) 2018-06-15 2019-06-03 診斷裝置、診斷方法及程式

Country Status (5)

Country Link
US (1) US11966218B2 (zh)
JP (1) JP6797295B2 (zh)
CN (1) CN112262354A (zh)
TW (1) TW202001464A (zh)
WO (1) WO2019239607A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI768606B (zh) * 2020-12-18 2022-06-21 日月光半導體製造股份有限公司 感測器監測系統及方法

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008262375A (ja) 2007-04-12 2008-10-30 Yokogawa Electric Corp 異常診断結果出力機能を有するフィールド機器と異常診断結果出力方法
JP2010282367A (ja) * 2009-06-03 2010-12-16 Canon Inc 学習装置及び学習方法
JP2013143009A (ja) * 2012-01-11 2013-07-22 Hitachi Ltd 設備状態監視方法およびその装置
JP5868216B2 (ja) 2012-02-27 2016-02-24 三菱電機株式会社 クラスタリング装置及びクラスタリングプログラム
CN109032112A (zh) * 2013-01-30 2018-12-18 住友重机械工业株式会社 挖土机的异常判定方法、管理装置及挖土机
JP5530019B1 (ja) 2013-11-01 2014-06-25 株式会社日立パワーソリューションズ 異常予兆検知システム及び異常予兆検知方法
JP6082341B2 (ja) * 2013-12-05 2017-02-15 株式会社日立ソリューションズ 異常検出装置及び異常検出方法
JP5778305B2 (ja) 2014-03-12 2015-09-16 株式会社日立製作所 異常検知方法及びそのシステム
WO2016125256A1 (ja) * 2015-02-03 2016-08-11 三菱電機株式会社 異常音診断装置、異常音診断システム、異常音診断方法および異常音診断プログラム
CN105183762B (zh) * 2015-07-29 2018-12-28 武夷学院 一种基于人机交互环境的学习过程的数据采集方法
JP5845374B1 (ja) * 2015-08-05 2016-01-20 株式会社日立パワーソリューションズ 異常予兆診断システム及び異常予兆診断方法
CN105205112A (zh) * 2015-09-01 2015-12-30 西安交通大学 一种时序数据异常特征的挖掘系统及方法
JP6555061B2 (ja) 2015-10-01 2019-08-07 富士通株式会社 クラスタリングプログラム、クラスタリング方法、および情報処理装置
JP6652699B2 (ja) * 2015-10-05 2020-02-26 富士通株式会社 アノマリ評価プログラム、アノマリ評価方法、および情報処理装置
CN105320126B (zh) * 2015-10-21 2018-05-01 中国南方电网有限责任公司 一种基于大数据技术的二次设备隐患挖掘方法
JP6114421B1 (ja) 2016-02-19 2017-04-12 ファナック株式会社 複数の産業機械の作業分担を学習する機械学習装置，産業機械セル，製造システムおよび機械学習方法
JP6658250B2 (ja) 2016-04-20 2020-03-04 株式会社Ihi 異常診断方法、異常診断装置、及び異常診断プログラム
JP6688962B2 (ja) * 2016-06-10 2020-04-28 富士通株式会社 判定装置、判定方法、および判定プログラム
JP6860304B2 (ja) * 2016-07-21 2021-04-14 株式会社東芝 異常診断装置、異常診断方法及び異常診断プログラム
JP2018045844A (ja) * 2016-09-13 2018-03-22 パナソニックＩｐマネジメント株式会社 蓄電装置診断システムおよび蓄電装置診断方法
JP6105141B1 (ja) * 2016-09-30 2017-03-29 株式会社日立パワーソリューションズ プリプロセッサおよび診断装置
JP6930283B2 (ja) * 2017-08-18 2021-09-01 コニカミノルタ株式会社 画像処理装置、画像処理装置の作動方法、及び画像処理プログラム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI768606B (zh) * 2020-12-18 2022-06-21 日月光半導體製造股份有限公司 感測器監測系統及方法

Also Published As

Publication number Publication date
WO2019239607A1 (ja) 2019-12-19
JPWO2019239607A1 (ja) 2020-06-25
CN112262354A (zh) 2021-01-22
US11966218B2 (en) 2024-04-23
US20210247751A1 (en) 2021-08-12
JP6797295B2 (ja) 2020-12-09

Similar Documents

Publication Publication Date Title
De Ketelaere et al. Overview of PCA-based statistical process-monitoring methods for time-dependent, high-dimensional data
JP6636214B1 (ja) 診断装置、診断方法及びプログラム
WO2017112591A1 (en) Machine fault detection based on a combination of sound capture and on spot feedback
US11526783B2 (en) Abnormality determination device, learning device, and abnormality determination method
CA2843157C (en) Extrapolation of interpolated sensor data to increase sample throughput
JP7282915B2 (ja) パラメータ化されたバッチラン監視を用いた品質インジケータによる技術装置の制御
JP2015170121A (ja) 異常診断装置及びプログラム
JP2020198092A (ja) 教師なし異常検出及び高次元センサデータの多数決投票による原因説明のための方法及びシステム
EP2135144B1 (en) Machine condition monitoring using pattern rules
JP5771317B1 (ja) 異常診断装置及び異常診断方法
TW202001464A (zh) 診斷裝置、診斷方法及程式
JP2012159298A (ja) 健全性評価装置及びその方法並びにプログラム
US11941495B2 (en) Information processing device, information processing method, and recording medium
US20220404792A1 (en) Method, system and computer program product for monitoring a shaping process
JP5771318B1 (ja) 異常診断装置及び異常診断方法
JPH1049223A (ja) ニューラルネットワークを用いた故障診断方法およびその装置
US11367020B2 (en) Signal selection device, learning device, and signal selection method and program
JP7449248B2 (ja) 支援装置、支援方法及び支援プログラム
WO2022029873A1 (ja) 同期装置、同期方法及びそのプログラム
RU2777950C1 (ru) Обнаружение нештатных ситуаций для прогнозного технического обслуживания и определения конечных результатов и технологических процессов на основании качества данных
JP7259497B2 (ja) 情報処理装置、情報処理方法、プログラム
JP6644192B1 (ja) 学習装置、学習方法及びプログラム
Akanksha et al. Efficient Tool Condition Monitoring Using SOM-Hebb Classifier on FPGA
CN105630642B (zh) 基于pca余量空间的异常诊断方法及装置