TW202008190A - 資料解析裝置、系統、方法及程式 - Google Patents
資料解析裝置、系統、方法及程式 Download PDFInfo
- Publication number
- TW202008190A TW202008190A TW108125540A TW108125540A TW202008190A TW 202008190 A TW202008190 A TW 202008190A TW 108125540 A TW108125540 A TW 108125540A TW 108125540 A TW108125540 A TW 108125540A TW 202008190 A TW202008190 A TW 202008190A
- Authority
- TW
- Taiwan
- Prior art keywords
- waveforms
- data
- waveform
- group
- learning
- Prior art date
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
- G05B23/0227—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
- 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
- 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
- G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本發明提供一種資料解析裝置(1),係具備資料收集部(131)及資料整理部(135)。資料收集部(131)係收集從連接於資料解析裝置(1)之機器輸入的輸入信號。資料整理部(135)係除去藉由資料收集部(131)所收集到之輸入信號所包含的波形當中之出現頻率低於基準的波形。資料整理部(135)係收集輸入信號所包含的波形當中之出現頻率高於基準的波形以生成學習用資料。
Description
本發明係關於一種資料解析裝置、系統(system)、方法及程式(program)。
工廠係使用產業用機器人、感測器、定序器等FA(Factory Automation;工廠自動化)機器,來推進生產製程之自動化。FA機器係有穩定正常地運作之需求。因此,開發出一種診斷裝置,其診斷FA機器為正常還是故障,在診斷為故障的情況下,迅速地通報此意旨。
例如,專利文獻1係揭示一種診斷系統,其在機械設備運轉時,判定從感測器所輸出的信號之波形是否正常,藉此來診斷機械設備是否正常。此診斷系統係學習機械設備的感測器之輸出信號之波形的正常模型,依據所學習到的正常模型來判定從感測器所輸出的信號之波形是否正常。[先前技術文獻] [專利文獻]
專利文獻1:日本特開2017-033470號公報
[發明所欲解決之課題]
專利文獻1所揭示的診斷系統係將感測器所輸出的信號之輸出值正規化,且藉由非階層式群集分析法(non-hierarchical cluster analysis method)來分析經正規化的檢測值而生成波形之正常模型。非階層式群集分析法係將分析對象之資料區分成任意數的群集。因此,依群集之區分方法,會有分析結果出現不均之情形。從而,專利文獻1所揭示的診斷系統中,係依據有不均的可能性的分析結果而生成正常模型。因此,有難以高精度地維持正常模型的問題。
又,專利文獻1所揭示的診斷系統係將由機械設備上之感測器檢測的波形之檢測值正規化處理,藉由非階層式群集分析法來分析經正規化的檢測值,且依據分析結果來生成波形之正常模型。因此,會有花費時間於用以生成波形之正常模型的處理之問題。
如以上所述,專利文獻1所揭示的診斷系統有難以高精度地維持波形之正常模型之問題,又有花費時間於用以生成波形之正常模型的處理之問題。因此,有難以依據波形之正常模型,簡單地生成高精度的學習用資料之課題。
本發明係用以解決該課題,其目的在於提供一種可簡單地生成高精度之學習用資料的資料解析裝置、系統、方法及程式。
[解決課題之手段]
為了達成上述目的,本發明之資料解析裝置係具備資料收集部及資料整理部。資料收集部係收集從連接於資料解析裝置之機器輸入的信號。資料整理部係將藉由資料收集部所收集到的信號與各個依預先決定之一定區間切割而生成的波形相互比較,並且除去按照預先決定之判定基準而判定為相互類似的波形當中之出現頻率低於基準的波形。資料整理部係收集按照預先決定之判定基準而判定為相互類似的波形當中之出現頻率高於基準的波形以生成學習用資料。
[發明效果]
依據本發明,可從輸入信號中所包含的波形除去出現頻率低於基準的波形,以簡單地生成高精度的學習用資料。
以下,針對本發明之實施形態的資料解析裝置加以說明。該資料解析裝置係具備學習模式及診斷模式。該資料解析裝置係在學習模式中,依據從FA機器所輸出的信號生成高精度的學習用資料,且學習該學習用資料。又,該資料解析裝置係在診斷模式中,比較所學習到的學習結果與從診斷對象之FA機器所輸出的監視信號,以診斷該FA 器之正常、異常。
如第1圖所示,實施形態的資料解析裝置1係具備:連接於診斷對象之FA機器2的通信I/F(Interface;介面)10;記憶資料的輔助記憶部11;與外部機器3之間收發資料的外部機器I/F12;以及處理資料的處理部13。
通信I/F10係連接於診斷對象之FA機器2的介面。資料解析裝置1係經由通信I/F10接收從FA機器2所輸入的輸入信號。又,資料解析裝置1係經由通信I/F10對FA機器2發送控制信號。
輔助記憶部11係保存後述處理部13中處理之各種資料的記憶部。
外部機器I/F12係與外部機器3連接的介面。外部機器3係包含具備顯示部31與輸入部32的輸出輸入終端。此外部機器3係安裝有工程工具。工程工具係可設定後述處理部13之處理中所使用的各種參數、設定資訊等工具。使用者可在工程工具上從外部機器3之輸入部32輸入各種參數、設定資訊等,且使各種參數、設定資訊等經由外部機器I/F12保存於輔助記憶部11。又,使用者可經由外部機器I/F12使外部機器3接收已保存於輔助記憶部11的各種參數、設定資訊等,且以展開於顯示部31上的工程工具來觀看各種參數、設定資訊等。
處理部13係具備:收集輸入信號的資料收集部131;加工已收集到之信號的資料加工部132;將資料保存於輔助記憶部11的檔案保存部133;學習「學習用資料」的資料學習部134;生成學習用資料的資料整理部135;判定監視對象之波形資料是否與學習用資料一致的資料判定部136;對診斷對象之FA機器2發送回應信號的回應執行部137;以及設定參數的參數設定部138。如後所述,此等各個功能方塊係藉由處理器及該處理器執行的軟體所實現。
資料收集部131係經由通信I/F10來收集從FA機器2輸入的輸入信號。資料加工部132係將資料收集部131所收集到之來自FA機器2的輸入信號之波形,加工成後段容易處理的形狀。輸入信號之波形的加工係例如使輸入信號之波形邊緣化以使劇變之部分鮮明;使雜訊較多的輸入信號之波形平滑化以使波形變化和緩等。檔案保存部133係將經資料加工部132所加工的輸入信號保存於輔助記憶部11。
資料學習部134係學習已保存於輔助記憶部11之經資料加工部132加工後的輸入信號。此學習係指將已保存於輔助記憶部11的輸入信號分割以生成部分波形,並將此部分波形以類似之部分波形來群組化,且決定成為各個群組之代表的代表波形。資料學習部134係將經群組化的部分波形保存於輔助記憶部11。又,資料學習部134係將各個群組之代表波形作為學習結果而保存於輔助記憶部11。有關該資料學習部134之處理的詳細內容將於後述。
資料整理部135係包含於資料學習部134。資料整理部135係整理已保存於輔助記憶部11之經群組化的部分波形。此整理係指刪除各個群組中所包含的部分波形之出現頻率為基準以下的群組而僅保留部分波形之出現頻率為基準以上的群組。資料整理部135係依據經整理而保留的群組來生成學習用資料。資料整理部135係將所生成的學習用資料保存於輔助記憶部11。有關該資料整理部135之處理的詳細內容將於後述。
資料判定部136係依據已保存於輔助記憶部11的學習結果,判定從診斷對象之FA機器2所輸入的監視信號之波形資料是否與學習用資料一致。資料判定部136係將判定結果保存於輔助記憶部11。又,資料判定部136係將判定結果發送至回應執行部137。再者,資料判定部136中,判定從診斷對象之FA機器2所輸入的監視信號之波形資料是否與學習用資料一致的動作、以及將判定結果保存於輔助記憶部11的動作,係僅在診斷模式下進行的動作。
回應執行部137係依據從資料判定部136接收到的判定結果,對診斷對象之FA機器2發送回應信號。例如,從診斷對象之FA機器2所輸入的監視信號與正常模型一致時,從資料判定部136接收一致之判定結果。而回應執行部137係待機至接收下一個判定結果。相對地,從診斷對象之FA機器2所輸入的監視信號與正常模型不一致時,回應執行部137係從資料判定部136接收不一致之判定結果。而回應執行部137係將相應於判定結果的信號,經由通信I/F10發送至診斷對象之FA機器2。該相應於判定結果的信號係例如用以使診斷對象之FA機器2動作停止的停止信號、用以使診斷對象之FA機器2動作減速的減速指示信號、用以使診斷對象之FA機器2進行使用者所期望之動作的信號等。再者,要發送何種信號來作為相應於判定結果的信號例如可藉由在外部機器3上動作的工程工具來設定。
參數設定部138係經由外部機器I/F12連接於外部機器3。參數設定部138係按照來自外部機器3之指示,將各種參數登錄及更新於輔助記憶部11,並且按照來自外部機器3之指示,讀取已登錄於輔助記憶部11的參數而提供至外部機器3。
資料解析裝置1之學習模式與診斷模式係藉由處理部13之各個功能方塊動作而實現。學習模式中,資料收集部131、資料加工部132、檔案保存部133、資料學習部134及資料整理部135動作。診斷模式中,資料收集部131、資料加工部132、資料判定部136及回應執行部137動作。再者,診斷模式中,亦使檔案保存部133、資料學習部134及資料整理部135動作,藉此即能夠與FA機器2之診斷同時執行學習,且更新學習結果。有關學習模式與診斷模式之動作的詳細內容將於後述。
第2圖係顯示資料解析裝置1之硬體構成之一例的圖。硬體方面,資料解析裝置1係具備輔助記憶裝置101、記憶體102、處理器103、通信埠104、畫面顯示輸出部105、I/O埠106及內部匯流排107。輔助記憶裝置101、記憶體102、處理器103、通信埠104、畫面顯示輸出部105及I/O埠106係藉由內部匯流排107相互地連接。
輔助記憶裝置101係用以實現第1圖所示之輔助記憶部11的記憶裝置。輔助記憶裝置101係保存有後述處理器103中執行的各種程式、各種資料等。輔助記憶裝置101係包含所謂快閃記憶體、EPROM(Erasable Programmable Read-Only Memory;可抹除可程式唯讀記憶體)、EEPROM(Electrically Erasable Programmable Read-Only Memory;可電性抹除可程式唯讀記憶體)的非揮發性或揮發性之半導體記憶體、磁碟、軟碟、光碟、小型碟片、迷你碟片、DVD (Digital Versatile Disc;數位多功能光碟)等記憶元件及記憶媒體。
記憶體102係藉由處理器103來讀取已保存於輔助記憶裝置101之各種程式的記憶元件。記憶體102係包含RAM (Random Access Memory;隨機存取記憶體)、快閃記憶體等可高速地寫入資料的非揮發性或揮發性之半導體記憶體。
處理器103係使已保存於輔助記憶裝置101的各種程式讀入於前述記憶體102且執行各種程式的運算處理裝置。藉由處理器103可構成第1圖所示的處理部13。處理器103係包含CPU (Central Processing Unit;中央處理單元)、MPU(Micro-processing Unit;微處理單元)等運算處理裝置。
通信埠104係用以使FA機器2與資料解析裝置1連接的介面。通信埠104可使用乙太網路(註冊商標)、各種通信介面等。藉由通信埠104可構成第1圖所示的通信I/F10。
畫面顯示輸出部105係生成使外部機器3之顯示部31顯示之影像的影像生成裝置。畫面顯示輸出部105可使用視訊卡、GPU (Graphics Processing Unit;圖形處理單元)、顯示卡等影像信號輸出裝置。
又,外部機器3之顯示部31係包含LCD(Liquid Crystal Display;液晶顯示器)、有機EL(organic electro luminescence;有機電致發光)面板等顯示介面裝置。外部機器3之輸入部32係包含鍵盤、觸控面板等可輸入資訊的輸入裝置。並且,外部機器3係具備上述顯示部31及輸入部32的輸出輸入終端。例如,個人電腦、平板型終端等。
I/O埠106係用以在外部機器3與資料解析裝置1之間收發資料的介面。藉由I/O埠106可實現第1圖所示的外部機器I/F12。
實施形態的資料解析裝置1係在學習模式中,依據從FA機器2所輸出的信號來生成高精度的學習用資料,且學習該學習用資料。此高精度的學習用資料係從FA機器2所輸出的信號之波形中僅保留正常模型者。有關從FA機器2所輸出的信號之波形中僅保留正常模型的手法,參照第3A圖至第3D圖加以說明。此手法係由第1圖所示的資料學習部134及資料整理部135執行。
第3A圖係例示從FA機器2輸入至資料解析裝置1的輸入信號。例如,此輸入信號之波形的平坦部分係指FA機器2中,表示未執行工件之加工等作業程序的區間。又,此輸入信號之波形的非平坦部分係指FA機器2中,表示執行了工件之加工等作業程序的區間。
首先,資料學習部134中,將從FA機器2輸入至資料解析裝置1的輸入信號,從頭依順序以預先決定的區間W切割。具體而言,對於時間t,使區間W在重疊的情況下以一取樣期間來偏移 ,而切割輸入信號之波形。以下,將此經切割的輸入信號之波形稱為部分波形。
將此部分波形與全部的先前的區間之部分波形比較,按照預先決定之判斷基準來判定是否類似。在此,類似係指一個波形之形狀與作為基準的波形之形狀的差於預先決定之臨限值以下。波形之形狀的差可藉由已知的各種類似度運算來求出。
以下之說明中,就部分波形彼此之比較的手法而言,例如使用疊合任意二個部分波形,求出各自之取樣點的峰值之差的平方之總和的手法。任意二個部分波形之形狀一致時,各自之取樣點的峰值之差為0,其差之平方的總和亦為0。因此,若部分波形彼此越類似,各自之取樣點的峰值之差的平方之總和就為越小的值,若越不類似就為越大的值。於是,若各自之取樣點之差的峰值之平方的總和為預先決定之臨限值以下,則判定為部分波形彼此類似。若各自之取樣點的峰值之差的平方之總和為預先決定之臨限值以上,則判定為部分波形彼此不類似。再者,此臨限值係例如藉由在外部機器3上動作的工程工具所設定。
其次,將類似的部分波形彼此按照預先決定之分類基準來群組化。此群組化係由第1圖所示的資料學習部134所執行。以下,參照第3B圖,說明資料群組化的手法之一例。
如第3B圖所示,將輸入信號以區間W10、W11、W12、W13、W14…來切割。區間W10、W11、W12、W13、W14…係分別為相同的長度,各偏移一取樣期間而相互重疊。再者,後述區間W20至W29、區間W30至W39亦與區間W10至W19同樣。
區間W10為最初的區間時,就不存在與區間W10之部分波形做比較的部分波形,所以將區間W10之部分波形分類至新的群組,在此是分類至A-1群組。
其次,將區間W11之部分波形與區間W10之部分波形做比較。在此假設區間W10之部分波形與區間W11之部分波形類似。此情況下,區間W11之部分波形亦被分類至A-1群組。
其次,將區間W12之部分波形與A-1群組之第一個波形的區間W10之部分波形做比較。在此假設區間W12之部分波形與A-1群組之第一個波形的區間W10之部分波形不類似。此情況下,將區間W12之部分波形分類至與區間W10之部分波形所屬的A-1群組不同群組的A-2群組。
其次,將區間W13之部分波形與A-1群組之第一個部分波形的區間W10之部分波形、及A-2群組之第一個部分波形的區間W12之部分波形做比較。在此假設區間W13之部分波形與A-1群組之第一個部分波形的區間W10之部分波形及A-2群組之第一個部分波形的區間W12之部分波形不類似。此情況下,將區間W13之部分波形分類至與區間W10之部分波形所屬的A-1群組及區間W12之部分波形所屬的A-2群組為不同群組的A-3群組。
其次,將區間W14之部分波形與A-1群組之第一個部分波形的區間W10之部分波形、A-2群組之第一個部分波形的區間W12之部分波形、及A-3群組之第一個部分波形的區間W13之部分波形做比較。在此假設區間W14之部分波形與A-1群組之第一個部分波形的區間W10之部分波形、及A-2群組之第一個部分波形的區間W12之部分波形不類似,而與A-3群組之第一個部分波形的區間W13之部分波形類似。此情況下,將區間W14之部分波形分類至A-3群組。
接著,將區間W15之部分波形與A-1群組之第一個部分波形的區間W10之部分波形、A-2群組之第一個部分波形的區間W12之部分波形、及A-3群組之第一個部分波形的區間W13之部分波形做比較。在此假設區間W15之部分波形與A-1群組之第一個部分波形的區間W10之部分波形、及A-2群組之第一個部分波形的區間W12之部分波形不類似,而與A-3群組之第一個部分波形的區間W13之部分波形類似。此情況下,將區間W15之部分波形分類至A-3群組。
其次,將區間W16之部分波形與A-1群組之第一個部分波形的區間W10之部分波形、A-2群組之第一個部分波形的區間W12之部分波形、及A-3群組之第一個部分波形的區間W13之部分波形做比較。在此假設區間W16之部分波形與A-1群組之第一個部分波形的區間W10之部分波形、A-2群組之第一個部分波形的區間W12之部分波形、及A-3群組之第一個部分波形的區間W13之部分波形不類似。此情況下,將區間W16之部分波形分類至與區間W10之部分波形所屬的A-1群組、區間W12之部分波形所屬的A-2群組、及區間W13之部分波形所屬的A-3群組為不同群組的A-4群組。
接著,將區間W17之部分波形與A-1群組之第一個部分波形的區間W10之部分波形、A-2群組之第一個部分波形的區間W12之部分波形、A-3群組之第一個部分波形的區間W13之部分波形、及A-4群組之第一個部分波形的區間W16之部分波形做比較。在此假設區間W17之部分波形與A-1群組之第一個部分波形的區間W10之部分波形、A-2群組之第一個部分波形的區間W12之部分波形、及A-3群組之第一個部分波形的區間W13之部分波形不類似,而與A-4群組之第一個部分波形的區間W16之部分波形類似。此情況下,將區間W17之部分波形分類至A-4群組。
將區間W18之部分波形,與A-1群組之第一個部分波形的區間W10之部分波形、A-2群組之第一個部分波形的區間W12之部分波形、A-3群組之第一個部分波形的區間W13之部分波形、及A-4群組之第一個部分波形的區間W16之部分波形做比較。在此假設區間W18之部分波形與A-1群組之第一個部分波形的區間W10之部分波形、A-2群組之第一個部分波形的區間W12之部分波形、及A-3群組之第一個部分波形的區間W13之部分波形不類似,而與A-4群組之第一個部分波形的區間W16之部分波形類似。此情況下,將區間W18之部分波形分類至A-4群組。
其次,將區間W19之部分波形與A-1群組之第一個部分波形的區間W10之部分波形、A-2群組之第一個部分波形的區間W12之部分波形、A-3群組之第一個部分波形的區間W13之部分波形、及A-4群組之第一個部分波形的區間W16之部分波形做比較。在此假設區間W19之部分波形與A-1群組之第一個部分波形的區間W10之部分波形、A-2群組之第一個部分波形的區間W12之部分波形、A-3群組之第一個部分波形的區間W13之部分波形、及A-4群組之第一個部分波形的區間W16之部分波形不類似。此情況下,將區間W19之部分波形分類至與區間W10之部分波形所屬的A-1群組、區間W12之部分波形所屬的A-2群組、區間W13之部分波形所屬的A-3群組、及區間W16之部分波形所屬的A-4群組為不同群組的A-5群組。
FA機器2中,例如,重複進行對工件依序施予同一加工的作業程序時,從FA機器2對資料解析裝置1輸入的輸入信號係重複相同的波形。從而,FA機器2中,在正常地重複進行相同的作業程序的期間係重複進行同樣的處理。因此,之後,將區間W19以後之部分波形與A-1至A-5群組之各第一個部分波形做比較,且分類至類似之第一個部分波形所屬的群組。
其次,假設在時點t1,例如FA機器2中開始洗淨工件之新的作業程序。將此新的作業程序開始之後之輸入信號的區間定為區間W20、區間W21、區間W22…。在此,將剛成為區間W20之前的區間定為區間W1n。又,將區間W10至W1n之部分波形假設為全部分類至A-1至A-5群組。
首先,比較區間W20之部分波形與A-1至A-5群組之各第一個部分波形。在此假設區間W20之部分波形與A-1至A-5群組之各第一個部分波形的任一者皆不類似。因此,將區間W20之部分波形分類至與A-1至A-5群組不同的B-1群組。
其次,比較區間W21之部分波形與A-1至A-5群組之各第一個部分波形及B-1群組之第一個部分波形的區間W20之部分波形。在此假設區間W21之部分波形與A-1至A-5群組之各第一個部分波形不類似,而與B-1群組之第一個部分波形的區間W20之部分波形類似。此情況下,將區間W21之部分波形分類至區間W20之部分波形所屬的B-1群組。
其次,比較區間W22之部分波形與A-1至A-5群組之各第一個部分波形及B-1群組之第一個部分波形的區間W20之部分波形。在此假設區間W22之部分波形與經比較之先前的各個群組之第一個部分波形不類似。此情況下,將區間W22之部分波形,分類至與A-1至A-5群組、及區間W20之部分波形所屬的B-1群組為不同群組的B-2群組。
比較區間W23之部分波形與A-1至A-5群組及B-1、B-2群組之各第一個部分波形。在此假設區間W23之部分波形與B-2群組之第一個部分波形的區間W22之部分波形類似。此情況下,將區間W23之部分波形分類至區間W22之部分波形所屬的B-2群組。
接著,比較區間W24之部分波形與A-1至A-5群組及B-1、B-2群組之各第一個部分波形。在此假設區間W24之部分波形與先前的各個群組之第一個部分波形皆不類似。此情況下,將區間W24之部分波形分類至與先前的各個群組不同的B-3群組。
其次,將區間W25、26之部分波形分別與A-1至A-5群組及B-1至B-3群組之各第一個部分波形做比較。在此假設區間W25、26之部分波形分別與B-3群組之第一個部分波形的區間W24之部分波形類似,而與其他的群組之第一個部分波形不類似。此情況下,將區間W25、26之部分波形分類至區間W24之部分波形所屬的B-3群組。
其次,比較區間W27之部分波形與A-1至A-5群組及B-1至B-3群組之各第一個部分波形。在此假設區間W27之部分波形與先前的各個群組之第一個部分波形皆不類似。此情況下,將區間W27之部分波形分類至與先前的各個群組不同的B-4群組。
其次,比較區間W28之部分波形與A-1至A-5群組及B-1至B-4群組之各第一個部分波形。在此假設區間W28之部分波形與B-4群組之第一個部分波形的區間W27之部分波形類似,而與其他的群組之第一個部分波形不類似。此情況下,將區間W28之部分波形分類至區間W27之部分波形所屬的B-4群組。
其次,比較區間W29之部分波形與A-1至A-5群組及B-1至B-4群組之各第一個部分波形。在此假設區間W29之部分波形與先前的各個群組之第一個部分波形不類似。此情況下,將區間W29之部分波形分類至與先前的各個群組不同的B-5群組。
在此,假設在區間W29剛結束之後的時點t2輸入了與A-1至A-5群組及B-1至B-5群組之波形為不同的波形。例如,假設發生了刀具卡住工件等錯誤,使得之後的波形與先前的波形有所變化。將此時點t2以後輸入之輸入信號的區間切割為區間W30、W31、W32…。
首先,將區間W30之部分波形與A-1至A-5群組及B-1至B-5群組之各第一個部分波形做比較。在此假設區間W30之部分波形與A-1至A-5群組及B-1至B-5群組之各第一個部分波形的任一者皆不類似。因此,將區間W30之部分波形分類至與A-1至A-5群組及B-1至B-5群組不同的C-1群組。
其次,比較區間W31之部分波形與A-1至A-5群組、B-1至B-5、及C-1群組之各第一個部分波形。在此假設區間W31之部分波形與先前的各個群組之第一個部分波形不類似。此情況下,將區間W31之部分波形分類至與先前的各個群組不同的C-2群組。
其次,比較區間W32之部分波形與A-1至A-5群組、B-1至B-5、及C-1至C-2群組之各第一個部分波形。在此假設區間W32之部分波形與C-2群組之第一個部分波形的區間W31之部分波形類似,而與其他的群組之第一個部分波形不類似。此情況下,將區間W32之部分波形分類至區間W31之部分波形所屬的C-2群組。
接著,比較區間W33之部分波形與A-1至A-5群組、B-1至B-5、及C-1至C-2群組之各第一個部分波形。在此假設區間W33之部分波形與先前的各個群組之第一個部分波形不類似。此情況下,將區間W33之部分波形分類至與先前的各個群組不同的C-3群組。
其次,將區間W34、35之部分波形分別與A-1至A-5群組、B-1至B-5、及C-1至C-3群組之各第一個部分波形做比較。在此假設區間W34、35之部分波形係分別與作為C-3群組之第一個部分波形的區間W33之部分波形類似,而與其他的群組之第一個部分波形不類似。此情況下,將區間W34、35之部分波形分類至區間W33之部分波形所屬的C-3群組。
接著,比較區間W36之部分波形與A-1至A-5群組、B-1至B-5、及C-1至C-3群組之各第一個部分波形。在此假設區間W36之部分波形與先前的各個群組之第一個部分波形不類似。此情況下,將區間W36之部分波形分類至與先前的各個群組不同的C-4群組。
其次,將區間W37、38之部分波形分別與A-1至A-5群組、B-1至B-5、及C-1至C-4群組之各第一個部分波形做比較。在此假設區間W37、38之部分波形分別與C-4群組之第一個部分波形的區間W36之部分波形類似,而與其他的群組之第一個部分波形不類似。此情況下,將區間W37、38之部分波形分類至區間W36之部分波形所屬的C-4群組。
接著,比較區間W39之部分波形與A-1至A-5群組、B-1至B-5、及C-1至C-4群組之各第一個部分波形。在此假設區間W39之部分波形與先前的各個群組之第一個部分波形不類似。此情況下,將區間W39之部分波形分類至與先前的各個群組不同的C-5群組。
如此,將各區間之部分波形與先前的各個群組之第一個部分波形做比較,在判別為類似的情況下,分類至類似之部分波形所屬的群組。另外,在判別為各個區間之部分波形不類似於先前的各個群組之第一個部分波形的情況下,分類至新的群組。
如同上述,FA機器2係重複進行對複數個工件依序施予同一加工等預先決定的同一作業程序。此情況下,FA機器2係將預先決定之作業程序所致的輸出信號重複輸出至資料解析裝置1。因此,在正常實施作業程序的情況下,從FA機器2對資料解析裝置1輸出具有與過去之作業程序中所輸出的信號之波形類似的波形的信號。例如,從FA機器2對資料解析裝置1輸出第3C圖所示之具有表示對複數個工件依序施予同一加工之作業程序的A群組之波形、表示洗淨工件之作業程序的B群組之波形等波形成分的信號。
另一方面,作業程序中發生了錯誤或故障時,從FA機器2對資料解析裝置1輸出包含與錯誤發生前的輸出信號之波形不類似的波形成分的信號。例如,從FA機器2對資料解析裝置1輸出第3C圖所示之具有表示刀具卡住工件等錯誤的C群組之波形的波形成分的信號。
FA機器2的運轉中,作業程序正常動作的時間係充分地長於作業程序中發生了錯誤的時間。因此,輸入信號之波形中,類似的波形之出現頻率係高於不類似的波形之出現頻率。
對此,輸入信號中,若某個波形之出現頻率為預先設定之臨限值以下時,就將其波形視為發生了錯誤時的錯誤之波形。並且將視為錯誤之波形的波形從輸入信號之波形中除去。此處理係藉由第1圖所示的資料整理部135所執行。再者,臨限值係例如藉由在外部機器3上動作的工程工具所設定。
實施形態中,設為依據各個群組內的波形之數目來求取出現頻率。在此設為各個群組內的波形之數目為預先決定之臨限值以上時,其波形之出現頻率較高。並且,各個群組內的波形之數目為預先決定之臨限值以下時,其波形之出現頻率低。
首先,如第3D圖所示,第1圖所示資料整理部135係累計群組內的波形之數目。例如,假設A-1群組內的波形之數目為60個,A-2群組內的波形之數目為58個,A-3群組內的波形之數目為62個,A-4群組內的波形之數目為65個,A-5群組內的波形之數目為55個。又,B-1群組內的波形之數目為40個,B-2群組內的波形之數目為38個,B-3群組內的波形之數目為42個,B-4群組內的波形之數目為45個,B-5群組內的波形之數目為35個。C-1群組內的波形之數目為10個,C-2群組內的波形之數目為8個,C-3群組內的波形之數目為12個,C-4群組內的波形之數目為15個,C-5群組內的波形之數目為5個。
其次,若所累計之群組內的波形之數目為預先決定之臨限值以下,則資料整理部135係刪除該群組。例如,將預先決定之臨限值設為20個。此情況下,如第3D圖所示,刪除群組內的波形之數目為20以下的C-1至C-5群組。藉此,可除去錯誤之波形而僅保留正常模型之波形。然後,收集所保留的正常模型之波形,生成學習用資料。如此,因除去錯誤之波形而僅收集正常模型之波形而生成學習用資料,故可生成高精度的學習用資料。
第1圖所示的資料學習部134係依據此學習用資料中所包含的各個群組之波形來決定各個群組之代表波型,詳細內容將於後述。資料學習部134係將所決定的各個群組之代表波形作為學習結果,而保存於第1圖所示的輔助記憶部11。然後,在後述資料解析裝置1的診斷模式中,依據此學習結果與從診斷對象之FA機器2所輸入的監視信號之波形比較的比較結果,判定診斷對象之FA機器2是否正常。
上述學習用資料係依據複數個群組的正常模型之波形所生成的資料。如同上述,群組係將類似之波形經群組化者。亦即,群組中包含複數個彼此類似的波形。因此,比較學習用資料之波形與監視信號之波形等同於比較複數次的類似之波形與監視信號之波形。即便比較複數次的類似之波形與監視信號之波形,比較結果仍會成為每次大概相同的結果。因此,並不一定能獲得具有意義的結果。
對此,決定各群組的代表波形,且以此代表波形與監視信號之波形做比較。代表波形例如可藉由採用群組內的任意一個波形,或取得群組內的波形之相位總和之平均等而決定。再者,在此,所謂類似度較高係指複數個波形各自之取樣點之差的平方之總和為接近0之較小的值。藉由比較代表波形與監視信號之波形,相較於與群組內之波形全部做比較的情況,可減少診斷模式中要執行的比較次數。亦即,相較於與群組內之波形全部做比較的情況,可使診斷模式之處理提早結束。
其次,參照第4圖及第5圖,說明資料解析裝置1的學習模式與診斷模式之動作的順序。首先,參照第4圖所示的學習模式處理之流程圖,說明資料解析裝置1的學習模式之動作順序。此學習模式處理之動作係以學習模式處理程式保存於第2圖所示的輔助記憶裝置101。學習模式處理程式係在資料解析裝置1啟動時從輔助記憶裝置101取入於記憶體102。取入於記憶體102的學習模式程式係藉由處理器103執行。
使用者係在使資料解析裝置1監視運轉中的FA機器2之動作之前,使資料解析裝置1執行學習模式。第1圖所示的資料解析裝置1之資料收集部131係經由通信I/F10,從FA機器2收集輸入信號(步驟S10)。資料收集部131從FA機器2收集輸入信號的週期為一取樣期間。此一取樣期間係從第1圖所示之外部機器3上動作的工程工具來預先設定任意之期間。
資料收集部131係將所收集到的輸入信號發送至第1圖所示的資料加工部132。資料加工部132係加工輸入信號(步驟S11)。資料加工部132係將經加工的輸入信號發送至第1圖所示的檔案保存部133。檔案保存部133係將經加工的輸入信號保存於第1圖所示的輔助記憶部11 (步驟S12)。
第1圖所示的資料學習部134係讀取已保存於輔助記憶部11的輸入信號。資料學習部134係以區間W分割所讀取到的輸入信號。具體而言,如前所述,對於時間t,使區間W在重疊的情況下以一取樣期間來偏移,而切割輸入信號之波形(步驟S13)。
資料學習部134係比較部分波形彼此。此比較係例如疊合部分波形彼此,且求出各自之取樣點的峰值之差的平方之總和。資料學習部134係將各自之取樣點的峰值之差的平方之總和為預先決定之臨限值以下的部分波形定為類似之波形,且群組化為各個類似之波形的群組(步驟S14)。
資料整理部135係累計資料學習部134所群組化之各個群組內的部分波形之數目(步驟S15)。資料整理部135係刪除所累計之群組內的部分波形之數目為預先決定之臨限值以下的群組(步驟S16)。在此,將所保留的群組之資料定為正常模型之資料。資料整理部135係收集正常模型之資料而生成學習用資料。資料整理部135係將所生成之學習用資料發送至資料學習部134。又,資料整理部135係將學習用資料保存於輔助記憶部11。
資料學習部134係依據從資料整理部135所接收到之學習用資料中所包含的各個群組之波形來決定各個群組之代表波形(步驟S17)。代表波形例如可藉由採用群組內的任意一個波形,或取得群組內的波形之相位總和之平均等而決定。資料學習部134係將各個群組的代表波形之資料作為學習結果而保存於輔助記憶部11(步驟S18)。
其次,參照第5圖所示的診斷模式處理之流程圖,說明資料解析裝置1的診斷模式之動作順序。該診斷模式處理之動作係以診斷模式處理程式保存於第2圖所示的輔助記憶裝置101。診斷模式處理程式係在資料解析裝置1啟動時從輔助記憶裝置101讀入於記憶體102。讀入於記憶體102的診斷模式處理程式係藉由處理器103所執行。
使用者係在使資料解析裝置1監視運轉中的FA機器2之動作的情況下,使資料解析裝置1執行診斷模式。第1圖所示的資料解析裝置1之資料判定部136係從第1圖所示的輔助記憶部11讀取學習結果(步驟S20)。此學習結果係第4圖所示的學習模式處理之步驟S17中,藉由資料學習部134所決定之各個群組的代表波形之資料。資料判定部136係在第2圖所示的記憶體102上展開所讀取到的學習結果。藉此,資料判定部136可在參照學習結果時,相較於從輔助記憶部11讀取學習結果更高速地參照學習結果。
第1圖所示的資料解析裝置1之資料收集部131係經由通信I/F10收集來自診斷對象之FA機器2的輸入信號(步驟S21)。以下將此輸入信號稱為監視信號。資料收集部131係將所收集到的監視信號發送至第1圖所示的資料加工部132。資料加工部132係加工監視信號(步驟S22)。
資料加工部132係將經加工的監視信號發送至第1圖所示的資料判定部136。資料判定部136係比較上述步驟S20中從輔助記憶部11讀取到之學習結果中所包含的波形與從資料判定部136接收到的監視信號之波形(步驟S23)。此波形之比較中,例如可使用取得二個波形之各時間的資料之相互關聯關係的交叉相關來比較。再者,不限於此,亦可使用可比較二個波形的各種手法。
學習結果中所包含的波形與監視信號之波形類似的情況下(步驟S24:「是」),資料解析裝置1係判定診斷對象之FA機器2之動作為正常運轉之動作。資料解析裝置1係重複步驟S21至步驟S24的處理。
學習結果中所包含的波形與監視信號之波形不類似的情況下(步驟S24:「否」),資料判定部136係將判定之結果發送至第1圖所示的回應執行部137。回應執行部137係依據從資料判定部136接收到的判定之結果,將用以使預先決定之錯誤發生時之處理執行的信號,經由通信I/F10,發送至診斷對象之FA機器2(步驟S25)。用以使錯誤發生時之處理執行的信號係例如用以使診斷對象之FA機器2停止的停止信號、用以使診斷對象之FA機器2之動作減速的減速指示信號等。資料解析裝置1係重複步驟S21至步驟S25的處理。
診斷對象之FA機器2可藉由從回應執行部137所發送來的信號,迅速地執行錯誤發生時的處理。因此,診斷對象之FA機器2可將錯誤發生時所發生之製造中的製品之破壞、FA機器2內的漏水等受損抑制在最小限度。
如以上,實施形態之資料解析裝置1係在學習模式中,將從FA機器2所輸入的輸入信號之波形依各個類似之波形而群組化,若群組內的波形之數目為臨限值以下,則刪除其群組。藉此,可除去出現頻率較低的群組,亦即除去錯誤之波形的資料。藉此,由於可僅保留正常模型之波形的資料,所以可生成高精度的學習用資料。
又,資料解析裝置1之學習模式係依各個群組而決定代表波形。在學習模式中,係使該代表波形作為學習結果而保存於輔助記憶部11。藉此,相較於與群組內之波形全部做比較的情況,可減少診斷模式中執行的比較之次數。
亦即,相較於與群組內之波形全部做比較的情況,可使資料解析裝置1之診斷模式中的與監視信號之比較處理更快結束。藉此,可提高診斷模式之處理的即時性,在診斷對象之FA機器2發生了錯誤的情況下,可迅速地執行錯誤發生時之處理。
﹝變化例1﹞
上述實施形態中,資料解析裝置1係具備學習模式與診斷模式之雙方。但不限於此,亦可在第1圖所示的外部機器3具備學習模式,而在資料解析裝置1具備診斷模式。此情況下,使用者係在外部機器3上執行學習模式,使學習結果生成。使用者係在以資料解析裝置1使診斷模式執行之前,使學習資料從外部機器3保存到第1圖所示的輔助記憶部11。藉此,資料解析裝置1可在診斷模式中,依據學習結果來判定從診斷對象之FA機器2所輸入的監視信號。此情況下,將第1圖所示之處理部13中所包含的處理方塊當中之在學習模式動作的處理方塊設置於外部機器3。在學習模式動作的處理方塊係資料收集部131、資料加工部132、檔案保存部133、資料學習部134及資料整理部135。再者,不限於外部機器3,亦可設置學習專用之裝置等。
﹝變化例2﹞
上述實施形態中,係以區分學習模式與診斷模式之例為中心來加以說明。惟,本發明不限於此。如前所述,診斷模式中,亦能夠使檔案保存部133、資料學習部134、及資料整理部135動作,藉此與FA機器2的診斷模式之處理同時進行地執行學習模式之處理,更新學習結果。
﹝變化例3﹞
上述實施形態中,如第1圖所示,資料解析裝置1係具備資料加工部132。並且,資料解析裝置1之學習模式及診斷模式中,藉由資料加工部132來加工從FA機器2輸入的輸入信號。但不限於此,資料解析裝置1亦可在學習模式及診斷模式中不加工輸入信號,而是使用從FA機器2所輸入的輸入信號本身。此情況下,資料解析裝置1亦可不具備資料加工部132。又,亦可使第1圖所示的外部機器3設定為不使資料加工部132加工輸入信號。
﹝變化例4﹞
上述實施形態中,係將診斷對象之FA機器2所輸出的信號作為學習用信號及解析對象之信號來使用。在此,從FA機器2所輸出的信號可為FA機器2本身在作業程序中所發生的信號,又可包含設置於FA機器2之本體的震動感測器、噪音感測器、溫度感測器、壓力感測器、電流感測器、電壓感測器、電力感測器等感測器之輸出信號。
﹝變化例5﹞
上述實施形態中,係將診斷對象之FA機器2所輸出的一個信號作為學習用信號及解析對象之信號來使用。亦可將診斷對象之FA機器2所輸出的複數個信號作為學習用信號及解析對象之信號來使用。此情況下,例如從噪音感測器、溫度感測器、及電流感測器之輸出信號分別生成學習資料。然後,依據噪音感測器用之學習資料來評估噪音感測器之輸出信號,依據溫度感測器用之學習資料來評估溫度感測器用之輸出信號,依據電流感測器用之學習資料來評估電流感測器之輸出信號。例如,在噪音感測器之輸出信號的評估、溫度感測器之輸出信號的評估、及電流感測器之輸出信號的評估之某一者為基準以下的情況時,判斷為故障。
﹝變化例6﹞
為了除去非為正常模型的信號波形,亦能夠輔助性地採用與實施形態不同的基準。例如,在設置有檢查藉由FA機器2加工之工件的良、不良的檢查裝置的情況下,亦可預先將輸出信號之信號波形與加工對象的工件之ID建立對應關係並予以記憶,且除去與藉由檢查而判定為不合格的工件之ID建立對應關係的信號波形。ID亦可為工件加工時的時間戳記)。
﹝變化例7﹞
上述實施形態中,所顯示的例係FA機器2為執行工件之加工等重複處理的機器,從FA機器2重複對資料解析裝置1供給信號,且FA機器2保持為正常動作狀態相較於異常動作狀態充分地長。但本發明不限於此,其能廣泛地應用於輸出正常波形之比例相較於輸出異常波形之比例高的裝置用之學習資料的生成及診斷處理。
﹝變化例8﹞
上述實施形態中,就比較波形的手法而言,係使用疊合任意二個部分波形而求出各自之取樣點的峰值之差的平方之總和的手法。但不限於此,亦可使用可求出波形彼此之形狀之差的各種類似度運算之手法。
﹝變化例9﹞
上述實施形態中,工程工具係安裝在外部機器3。但不限於此,工程工具亦可安裝於資料解析裝置1。此情況下,亦可依據來自連接於資料解析裝置1的外部機器3之指示來啟動工程工具。例如,外部機器3之顯示部31上亦可具備用以使工程工具啟動的圖標。使用者可藉由選擇並確定該圖標且雙點擊該圖標等來使工程工具啟動。
﹝變化例10﹞
上述實施形態中係累計群組內的波形之數目,若所累計的波形之數目為臨限值以下,則以出現頻率較低的波形為由除去其波形。但不限於此,亦可將各個群組中所包含的波形之總數當中之群組內的波形之數目所佔之比例作為臨限值,若群組內的波形之數目為該臨限值以下,則以出現頻率較低的波形為由除去其波形。
﹝變化例11﹞
上述實施形態中,係將從相同之波形切出的部分波形,依各自的部分波形之形狀分類至A-1至A-5群組、B-1至B-5群組、C-1至C-5群組。但不限於此,亦可依各個相同之波形分類為一個群組。例如,亦可將A-1至A-5群組作為A群組,將B-1至B-5群組作為B群組,將C-1至C-5群組作為C群組。
﹝變化例12﹞
上述實施形態中,係依據是否與先前的各個群組之第一個部分波形類似而將部分波形分類至各個群組。然而,實際上,會有驗證對象之部分波形類似於複數個部分波形之情況。此情況下,可按照預先決定之分類規則來決定所屬群組。例如,亦可決定將驗證對象之部分波形,i)分類至類似度最高之部分波形所屬的群組、ii)分類至判定為類似之部分波形最多的所屬的群組等分類規則。
本發明中,係設為使學習模式處理程式、波形收集處理程式及診斷模式處理程式保存於第2圖所示的輔助記憶裝置101。但亦可將此等程式儲存於例如電腦可讀取之CD-ROM(Compact Disc Read Only Memory;光碟唯讀記憶體)、DVD-ROM(Digital Versatile Disk Read Only Memory;數位多功能光碟唯讀記憶體)等記憶媒體來配送。亦可藉由將該程式安裝於電腦來構成實現上述各個處理的電腦。並且,藉由OS (Operating System;操作系統)與應用程式之分擔或藉由OS與應用程式之協同動作等實現各個處理的情況下,亦可僅將應用程式儲存於記錄媒體。
本發明係能夠在不脫離本發明之廣義的精神與範圍進行各種的實施形態及變化。又,上述實施形態係用以說明本發明,而非用以限定本發明之範圍。亦即,本發明之範圍是由申請專利範圍所揭示而非實施形態。並且,在申請專利範圍內以及與其同等的發明之意義的範圍內實施的各種變化皆視為本發明之範圍內。
[產業上之可利用性]
本發明係可較佳地利用於資料解析裝置。
1‧‧‧資料解析裝置
2‧‧‧FA機器
3‧‧‧外部機器
10‧‧‧通信I/F
11‧‧‧輔助記憶部
12‧‧‧外部機器I/F
13‧‧‧處理部
31‧‧‧顯示部
32‧‧‧輸入部
101‧‧‧輔助記憶裝置
102‧‧‧記憶體
103‧‧‧處理器
104‧‧‧通信埠
105‧‧‧畫面顯示輸出部
106‧‧‧I/O埠
107‧‧‧內部匯流排
131‧‧‧資料收集部
132‧‧‧資料加工部
133‧‧‧檔案保存部
134‧‧‧資料學習部
135‧‧‧資料整理部
136‧‧‧資料判定部
137‧‧‧回應執行部
138‧‧‧參數設定部
第1圖係實施形態的資料解析裝置之概要圖。
第2圖係顯示實施形態的資料解析裝置之硬體構成一例的方塊圖。
第3A圖係顯示實施形態中,從輸入信號切出波形的手法之概要的圖。
第3B圖係用以說明實施形態中,所切出的波形資料之群組化的手法一例的圖。
第3C圖係顯示實施形態中,所切出的波形資料之群組化一例的圖。
第3D圖係用以說明實施形態的波形資料之刪除的圖。
第4圖係實施形態的學習模式處理之流程圖。
第5圖係實施形態的診斷模式處理之流程圖。
1‧‧‧資料解析裝置
2‧‧‧FA機器
3‧‧‧外部機器
10‧‧‧通信I/F
11‧‧‧輔助記憶部
12‧‧‧外部機器I/F
13‧‧‧處理部
31‧‧‧顯示部
32‧‧‧輸入部
131‧‧‧資料收集部
132‧‧‧資料加工部
133‧‧‧檔案保存部
134‧‧‧資料學習部
135‧‧‧資料整理部
136‧‧‧資料判定部
137‧‧‧回應執行部
138‧‧‧參數設定部
Claims (10)
- 一種資料解析裝置,係具備: 資料收集部,係收集從所連接之機器供給的信號;以及 資料整理部,係將藉由前述資料收集部所收集到的信號與各個依預先決定之一定區間切割而生成的波形相互比較,並且除去按照預先決定之判定基準而判定為相互類似的波形當中之出現頻率低於基準的波形,而收集出現頻率高於基準的波形以生成學習用資料。
- 如申請專利範圍第1項所述之資料解析裝置,更具備:資料學習部,係將前述判定為相互類似的波形,按照預先決定之分類基準來分類至各個相互類似的波形之群組。
- 如申請專利範圍第2項所述之資料解析裝置,其中,前述資料整理部係累計前述群組內的波形之數目,若所累計之前述群組內的波形之數目為預先決定的臨限值以下,則除去前述群組。
- 如申請專利範圍第2項所述之資料解析裝置,其中,前述資料整理部係累計前述群組內的波形之數目,若所累計之前述群組內的波形之數目為預先決定的臨限值以上,則收集前述群組內之波形以生成前述學習用資料。
- 如申請專利範圍第2項至第4項中任一項所述之資料解析裝置,更具備輔助記憶部; 前述資料學習部係依據前述學習用資料中所包含的波形來決定前述群組各自之代表波形,且將前述代表波形作為學習結果而保存於前述輔助記憶部。
- 如申請專利範圍第5項所述之資料解析裝置,其中,前述資料收集部係收集從診斷對象之前述機器供給的監視信號; 前述資料解析裝置更具備: 資料判定部,係從前述輔助記憶部讀取前述學習結果,且判定前述監視信號之波形與前述學習結果中所包含之波形是否一致;以及 回應執行部,係依據前述資料判定部之判定的結果,將用以使預先決定之處理執行的信號,發送至診斷對象之前述機器。
- 如申請專利範圍第1項所述之資料解析裝置,其中,前述所連接之機器係重複執行處理的機器; 從前述機器重複對前述資料收集部供給信號; 前述機器係保持為正常動作狀態相較於異常動作狀態更長。
- 一種資料解析系統,係具備: 資料整理手段,係將從所連接之機器所收集到的信號與各個依預先決定之一定區間切割而生成的波形相互比較,並且除去按照預先決定之判定基準而判定為相互類似的波形當中之出現頻率低於基準的波形,而收集出現頻率高於基準的波形以生成學習用資料;以及 資料學習手段,係依據藉由前述資料整理手段所生成的前述學習用資料來決定代表波形,且將前述代表波形保存作為學習結果。
- 一種資料解析方法,係包含以下的步驟: 收集輸入信號; 將所收集到的信號與各個依預先決定之一定區間切割而生成的波形相互比較,並且除去按照預先決定之判定基準而判定為相互類似的波形當中之出現頻率低於基準的波形,而收集出現頻率高於基準的波形以生成學習用資料;以及 依據前述學習用資料來決定代表波形,且將前述代表波形保存作為學習結果。
- 一種程式,係使電腦發揮作為資料收集部及資料整理部的功能; 該資料收集部係收集供給來的信號; 該資料整理部係將所收集到的信號與各個依預先決定之一定區間切割而生成的波形相互比較,並且除去按照預先決定之判定基準而判定為相互類似的波形當中之出現頻率低於基準的波形,而收集出現頻率高於基準的波形以生成學習用資料。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
WOPCT/JP2018/029258 | 2018-08-03 | ||
PCT/JP2018/029258 WO2020026441A1 (ja) | 2018-08-03 | 2018-08-03 | データ解析装置、システム、方法、及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202008190A true TW202008190A (zh) | 2020-02-16 |
Family
ID=69232583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108125540A TW202008190A (zh) | 2018-08-03 | 2019-07-19 | 資料解析裝置、系統、方法及程式 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11353860B2 (zh) |
JP (1) | JP6678828B1 (zh) |
CN (1) | CN112513893B (zh) |
TW (1) | TW202008190A (zh) |
WO (1) | WO2020026441A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024003994A1 (ja) * | 2022-06-27 | 2024-01-04 | 三菱電機株式会社 | 正常モデル生成プログラム、正常モデル生成装置および正常モデル生成方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3349905B2 (ja) | 1996-12-10 | 2002-11-25 | 松下電器産業株式会社 | 音声合成方法および装置 |
JP4356716B2 (ja) | 2006-08-03 | 2009-11-04 | パナソニック電工株式会社 | 異常監視装置 |
JP5081998B1 (ja) | 2011-06-22 | 2012-11-28 | 株式会社日立エンジニアリング・アンド・サービス | 異常予兆診断装置及び異常予兆診断方法 |
JP5490859B2 (ja) * | 2012-09-03 | 2014-05-14 | ヤフー株式会社 | ビジュアルキーワード抽出装置、これを用いたBoF表現生成装置、及びビジュアルキーワード抽出方法 |
JP6186203B2 (ja) | 2013-08-09 | 2017-08-23 | 株式会社日立製作所 | 診断システムおよびエレベータ |
JP5946572B1 (ja) | 2015-08-05 | 2016-07-06 | 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 |
JP5954604B1 (ja) | 2015-12-14 | 2016-07-20 | 富士ゼロックス株式会社 | 診断装置、診断システムおよびプログラム |
JP2017138398A (ja) * | 2016-02-02 | 2017-08-10 | 富士ゼロックス株式会社 | 診断装置、画像形成装置、診断システムおよびプログラム |
CN107545228B (zh) * | 2016-11-07 | 2023-08-04 | 北京交通大学 | 基于小波变换的电气化铁路运行工况识别方法 |
CN106680649B (zh) * | 2016-12-28 | 2019-11-05 | 岭东核电有限公司 | 一种核电站的瞬时接地故障检测方法和装置 |
DE112017005640T5 (de) | 2017-07-31 | 2019-08-22 | Mitsubishi Electric Corporation | Informationsverarbeitungsvorrichtung und Informationsverarbeitungsverfahren |
-
2018
- 2018-08-03 WO PCT/JP2018/029258 patent/WO2020026441A1/ja active Application Filing
- 2018-08-03 JP JP2019529951A patent/JP6678828B1/ja active Active
- 2018-08-03 US US15/733,898 patent/US11353860B2/en active Active
- 2018-08-03 CN CN201880096176.8A patent/CN112513893B/zh active Active
-
2019
- 2019-07-19 TW TW108125540A patent/TW202008190A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
US20210223764A1 (en) | 2021-07-22 |
JPWO2020026441A1 (ja) | 2020-08-06 |
US11353860B2 (en) | 2022-06-07 |
WO2020026441A1 (ja) | 2020-02-06 |
CN112513893B (zh) | 2022-09-23 |
JP6678828B1 (ja) | 2020-04-08 |
CN112513893A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4694618B2 (ja) | 欠陥分布分類方法およびシステム、原因設備特定方法およびシステム、コンピュータプログラム、並びに記録媒体 | |
WO2018121184A1 (zh) | 晶圆测试系统 | |
KR100299716B1 (ko) | Ic시험장치및방법 | |
WO2020152741A1 (ja) | 異常要因推定装置、異常要因推定方法、及びプログラム | |
Kozłowski et al. | Integrating advanced measurement and signal processing for reliability decision-making | |
TW202008190A (zh) | 資料解析裝置、系統、方法及程式 | |
CN104750605A (zh) | 将内核对象信息包括在用户转储中 | |
CN109884498B (zh) | 一种提高测试效率的ate测试方法 | |
US20190317715A1 (en) | Waveform display device | |
JP6687653B2 (ja) | 時系列データ分析装置 | |
JP2018081668A (ja) | データ収集システム、処理システム、プログラム、および記憶媒体 | |
WO2018042646A1 (ja) | 分析システム及び分析方法 | |
US20190325110A1 (en) | Circuit design verification apparatus and program | |
JP2016164577A (ja) | 高速フェイルメモリデータ取得装置およびその方法 | |
CN115687137A (zh) | 工业机器人的自动测试方法、装置、示教器及存储介质 | |
JP7181753B2 (ja) | 解析装置、解析方法および解析プログラム | |
CN108646703B (zh) | 用于车身控制模块的在线检测方法及装置 | |
JP7219046B2 (ja) | 解析装置、解析方法および解析プログラム | |
JP2021076998A (ja) | 分析装置 | |
TWI704973B (zh) | 管理裝置、管理方法及程式 | |
CN109491845B (zh) | 一种存储产品控制器的测试方法及系统 | |
Kerdprasop et al. | Performance analysis of complex manufacturing process with sequence data mining technique | |
JP6547341B2 (ja) | 情報処理装置、方法及びプログラム | |
JP7245924B2 (ja) | 保守装置、保守方法、および、保守プログラム | |
US20240144101A1 (en) | Generation system, computer-readable storage medium, and method for generating waveform evaluation model |