TW202223767A - 學習裝置、不良檢測裝置以及不良檢測方法 - Google Patents

學習裝置、不良檢測裝置以及不良檢測方法 Download PDF

Info

Publication number
TW202223767A
TW202223767A TW110123529A TW110123529A TW202223767A TW 202223767 A TW202223767 A TW 202223767A TW 110123529 A TW110123529 A TW 110123529A TW 110123529 A TW110123529 A TW 110123529A TW 202223767 A TW202223767 A TW 202223767A
Authority
TW
Taiwan
Prior art keywords
data
segment
training
target device
value
Prior art date
Application number
TW110123529A
Other languages
English (en)
Other versions
TWI823107B (zh
Inventor
遠山泰弘
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 TW202223767A publication Critical patent/TW202223767A/zh
Application granted granted Critical
Publication of TWI823107B publication Critical patent/TWI823107B/zh

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

學習裝置，包括：訓練時序資料取得部(101A)，連結並收集與監視對象裝置相同或同類的對象裝置或設置在上述對象裝置近旁的感應器取得的訓練時序資料以及上述對象裝置的設定參數資料或關於上述對象裝置的環境資料；區段集合產生部(102)，分割上述訓練時序資料為表現上述訓練時序資料呈現的波形中包含從第1值上升到第2值以及從上述第2值下降至上述第1值兩方的動作狀態之部分時序資料的訓練區段，並產生包括複數訓練區段的區段集合；區段集合分類部(103)，使用上述設定參數資料或上述環境資料，每類似的訓練區段歸納產生的區段集合內包含的上述複數訓練區段，分類至至少1個類似區段集合；以及標本區段產生部(104)，根據上述至少1個類似區段集合內包含的複數訓練區段，產生指示上述對象裝置的動作正常區之標本區段。

Description

學習裝置、不良檢測裝置以及不良檢測方法
本揭示，係有關於學習裝置、不良檢測裝置以及不良檢測方法。
為了監視工廠裝置、製造裝置、升降機、空調機等各種裝置的動作，根據作為監視對象的對象裝置或其附近設置的感應器得到的資料，評估對象裝置的動作檢測不良是有用的。例如專利文獻1中，記載如下檢測對象裝置不良的技術。首先，根據對象裝置的測試時序資料，產生作為測試時序資訊中部分時序資料的複數區段。其次，比較產生的區段與過去的訓練時序資料區段，過去的訓練時序資料區段中檢出類似的測試時序資料區段，此類似性的判定，使用區段間的距離，例如歐幾里得(Euclid)距離進行。其次，檢出的類似區段中，檢出與訓練時序資料區段最不類似的測試時序資料區段，作為表示對象裝置不良的特異點。 [先行技術文獻] [專利文獻]
[專利文獻1]：國際公開第2016/117086號
[發明所欲解決的課題]
根據這樣的專利文獻1的技術，訓練時序資料區段與測試時序資料區段之間可容許的時間方向偏離存在的情況下，有判定測試時序資料區段異常的問題點。即，根據專利文獻1的技術，因為區段間的類似性根據歐幾里得(Euclid)距離等區段間距離判定，取得偏離的時間幅度內的時刻資料時，具有評估那時刻的距離大而判定區段之間不類似的問題點。
本揭示係為了解決上述課題而形成，本揭示的實施形態的一形態，目的在於提供產生學習模型的學習裝置，時間方向上具有充裕用於實行時序資料類似性的判定。 [用以解決課題的手段]
根據本揭示的學習裝置的一形態，包括： 訓練時序資料取得部，連結並收集與監視對象裝置相同或同類的對象裝置或設置在上述對象裝置近旁的感應器取得的訓練時序資料以及上述對象裝置的設定參數資料或關於上述對象裝置的環境資料； 區段集合產生部，分割上述訓練時序資料為表現上述訓練時序資料呈現的波形中包含從第1值上升到第2值以及從上述第2值下降至上述第1值兩方的動作狀態之部分時序資料的訓練區段，並產生包括複數訓練區段的區段集合； 區段集合分類部，使用上述設定參數資料或上述環境資料，每類似的訓練區段歸納產生的區段集合內包含的上述複數訓練區段，分類至至少1個類似區段集合；以及 標本區段產生部，根據上述至少1個類似區段集合內包含的複數訓練區段，產生指示上述對象裝置的動作正常區之標本區段。 [發明效果]
根據本揭示的學習裝置，可以產生時間方向上具有充裕用於實行時序資料類似性的判定之學習模型。
以下，參照圖面的同時，詳細說明關於本揭示的各種實施形態。又，在圖面全體附上相同符號的構成要素，具有相同或類似的構成或機能。
實施形態1 ＜構成＞ 圖1係顯示本揭示的實施形態1的不良檢測系統100的構成例。不良檢測系統100，包含學習裝置10A、不良檢測裝置10B以及資料記憶部108。學習裝置10A，由訓練時序資料取得部101A、區段集合產生部102、區段集合分類部103、標本區段產生部104以及標本區段分類部105構成。學習階段中，學習裝置10A根據訓練時序資料建構學習模型。
不良檢測裝置10B，由測試時序資料取得部101B、正常度算出部106以及不良判定部107構成。檢測階段中，不良檢測裝置10B判定測量時序資料是否不良。
代替分開設置的訓練時序資料取得部101A以及測試時序資料取得部101B，設置未圖示的共用時序資料取得部也可以。
＜學習階段＞ 訓練時序資料取得部101A，取得有關與作為監視對象的對象裝置相同或同類的裝置(以下，僅稱「對象裝置」)之時序資料作為訓練時序資料。取得的時序資料例中，包含對象裝置或其近旁設置的未圖示感應器取得的感應資料、對象裝置中設定的設定參數資料以及配置對象裝置的空間中設置的未圖示的感應器取得的環境資料。訓練時序資料取得部101A，經由未圖示的網路收集感應資料、設定參數資料以及環境資料。
所謂感應資料，係關於對象裝置的動作之時序資料。例如，對象裝置是具有馬達之製造裝置的話，在感應資料的例中，包含馬達的溫度、振動、旋轉速度、接點電流以及接點電壓。
所謂設定參數資料，係關於為了使對象裝置動作設定的參數之時序資料。例如，對象裝置是具有馬達的製造裝置的話，在設定參數資料的例中，包含用以使馬達動作的電流設定值以及用以使馬達動作的電壓設定值。
所謂環境資料，係關於對象裝置周圍環境的時序資料。例如，對象裝置是具有馬達的製造裝置時，在環境資料的例中，包含配置製造裝置之室內的溫度及溼度。
圖1中為了顯示資料的概略流動，從訓練時序資料取得部101A延伸箭頭到區段集合產生部102，但訓練時序資料取得部101A供給收集的各種資料至資料記憶部108。之後，區段集合產生部102，參照資料記憶部108中積存的資料實行既定處理。同樣地，為了顯示概略流動，圖1中顯示其它機能部與資料記憶部108之間省略箭頭顯示。
資料記憶部108，例如以圖2的資料表形式，收納各種資料。圖2中，作為資料項目例，顯示馬達溫度、振動、旋轉速度、接點電流、接點電壓、電流設定值、電壓設定值。資料項目，根據收集的資料適當設定。圖2中，每1秒記錄各資料項目的時序資料。可以對應對象裝置與資料項目的話，分割關於1個對象裝置的資料至複數表也沒關係。氣溫、溼度等複數對象裝置共同的資料項目，以各對象裝置的資料表以外的通用表管理也可以。
區段集合產生部102，分割訓練時序資料成複數訓練區段，產生作為包括複數訓練區段的集合之區段集合。訓練時序資料，從資料記憶部108取得。所謂區段，在本揭示中，意味表現時序資料呈現的波形中包含從第1值上升到第2值以及從第2值下降至第1值兩方的動作狀態之部分時序資料。第1值及第2值的任何值都是特定值也可以，根據某值在既定範圍內的任意值也可以。第1值及第2值的任何值都是穩定狀態中的值。作為分割的一例，如果是反覆製造相同製品的製造裝置的話，以製造1個製品的期間之訓練時序資料作為1個區段。作為另外的例，1個製品的製造由複數步驟或動作構成時，以各步驟或動作的訓練時序資料作為1個區段。作為又另外的例，像發電廠等明確不重複相同的動作時，以啟動動作、一定輸出運轉動作、輸出變動動作、停止動作等各動作的訓練時序資料作為1個區段。如同發電廠的一定輸出運轉動作，單一動作涉及長時間時，以一定的時間幅度再畫分其動作的訓練時序資料，以這樣畫分的各區間的訓練時序資料作為1個區段也可以。分割的方法，例如，由不良檢測系統100的使用者設定。區段集合產生部102，供給產生的區段集合至區段集合分類部103。分割的方法，之後為了正常度算出部106可以參照，收納至資料記憶部108內。
區段集合分類部103，透過歸納傾向類似的訓練區段，分類區段集合產生部102產生的區段集合至1個以上的類似區段集合。作為用於分類的指標，例如，使用對象裝置的設定參數也可以。例如，製造裝置中，設定參數資料相同的話，因為做相同的動作，可以分類區段集合內包含的訓練區段至設定參數資料相同的類似區段集合。得到設定參數資料以外的氣溫或溼度等外部要素影響對象裝置動作作為事前知識的情況下，可以也加入外部要素實行分類。例如，分類訓練區段至設定參數資料與外部要素兩方相同的每訓練區段也可以。又，作為另外的指標，使用感應資料類似的傾向，分類訓練區段也可以。在此情況下，指定分類使用的感應資料，比較各訓練區段的上述感應資料，以歐幾里得(Euclid)距離算出訓練區段間的距離，分類訓練區段間至距離近的每訓練區段。代替歐幾里得(Euclid)距離，利用馬哈朗諾比斯(Mahalanobis)距離、動態時間扭曲(Dynamic Time Warping)距離等其它距離也可以。區段集合分類部103，供給分類後的1個以上類似區段集合至標本區段產生部104。又，用於分類的方法，為了之後正常度算出部106可以參照，收納至資料記憶部108內。
標本區段產生部104，關於各類似區段集合，使用類似區段集合的各種資料，產生指示不良檢測時使用的正常區之區段－標本區段。在圖3A及圖3B顯示標本區段的產生例。
圖3A，係關於某資料項目(例如，旋轉速度)配合各訓練區段的開始時刻重疊顯示某類似區段集合內包含的複數訓練區段。資料左端表示各訓練區段的開始時刻。規格化此圖3A的橫軸及縱軸，使縮尺相等。作為規格化的方法，可以使用z規格化或min－max規格化。使用z規格化時，分別在圖3A的橫軸及縱軸中，使全資料的分布成為平均0、分散1，從各資料減去全資料的平均值後，進行除以標準偏差的標準化。使用min－max規格化時，分別在圖3A的橫軸(時間軸)及縱軸(數值軸)中，使全資料的分布成為最小0、最大1，從各資料減去全資料的最小值後，除以減算後的最大值。規格化之際使用的平均值、標準偏差、最小值以及最大值等的統計量，為了之後在正常度算出部106使用，記憶在資料記憶部108內。
標本區段產生部104，使用圖3A的規格化資料，決定正常區。正常區，例如，使用圖表上各規格化時刻的資料存在機率的機率分布表現。圖3B中顯示以灰階表現存在機率大小的例。例如，在圖3B的各規格化時刻，各規格化訓練區段在全規格化訓練區段的平均分布最多，離平均越遠分布越少的傾向時，圖3B中，越是全規格化訓練區段的平均附近，因為存在機率越大，顏色變濃，離平均越遠，顏色越淡。作為資料存在機率的算出方法，例如， 可以使用高斯核仁(Gaussian kernel)的核仁密度分布。作為另外的方法，使用k鄰近法也可以。標本區段產生部104，這樣每類似區段集合產生表示正常區的標本區段作為學習模型。藉此，標本區段產生部104，產生包括複數標本區段的標本區段集合。標本區段產生部104，收納產生的標本區段(學習模型)至資料記憶部108內。
標本區段分類部105，係用以提高正常度算出部106的檢索速度之任意構成部。即，標本區段分類部105，有沒有都可以。為了提高正常度算出部106的檢索速度，標本區段分類部105，使用各種資料分類複數標本區段(學習模型)。例如，依某資料項目的資料值大至小的順序分類。標本區段分類部105，收納分類結果至資料記憶部108內。
＜檢測階段＞ 與訓練時序資料取得部101A一樣，測試時序資料取得部101B取得關於監視對象的監視對象裝置之時序資料作為測試時序資料。測試時序資料，連結並收集監視對象裝置的設定參數資料或關於監視對象裝置的環境資料也可以。透過連結測試時序資料與設定參數資料或環境資料，可以檢索根據連結至測試時序資料的設定參數資料或與環境資料相同的設定參數資料或連結至環境資料之訓練區段產生的標本區段。
正常度算出部106，使用標本區段產生部104產生的或標本區段分類部105分類的標本區段(學習模型)，算出測試時序資料的正常度。為了算出正常度，正常度算出部106實行以下處理。
正常度算出部106，透過利用與區段集合產生部102相同的方法分割測試時序資料取得部101B取得的測試時序資料，產生1個以上的測試區段。區段集合產生部102的分割方法，係正常度算出部106參照資料記憶部108取得。
正常度算出部106，檢索具有與產生的測試區段類似傾向的類似區段集合。為了實行此檢索，正常度算出部106，參照資料記憶部108取得區段集合分類部103在分類中使用的方法。檢索具有與產生的測試區段類似傾向的類似區段集合時，正常度算出部106，判定產生的測試區段屬於檢索的類似區段集合。
正常度算出部106，規格化判定屬於哪個類似區段集合的測試區段，再形成規格化測試區段。此規格化係正常度算出部106參照資料記憶部108，取得標本區段產生部104在規格化中使用的方法，以同一方法實行。
正常度算出部106，從規格化測試區段所屬的類似區段集合，抽出由標本區段產生部104作成或由抽出標本區段分類部105分類的學習模型。於是，正常度算出部106，對抽出規格化測試區段的學習模型繪製時，算出規格化測試區段抽出的學習模型在各正規格時刻正常區內包含的機率或作為程度之存在機率。正常度算出部106，輸出此算出的存在機率作為測試區段的正常度，收納輸出的正常度在資料記憶部108內。
不良判定部107，根據正常度算出部106算出的正常度資料，判定測試時序資料的測試區段是否不良。測試區段是否不良的判定，使用預先設定的臨界值。例如，以訓練時序資料內包含的或假設包含的不良資料百分率作為臨界值。更具體地，假設訓練時序資料全部正常時，設定臨界值為0(%)，具有測試區段正常度為0%的時刻時，判定測試區段不良。同樣地，訓練時序資料內可能包含5%左右不良時，設定臨界值為5(%)，具有測試區段正常度為5%的時刻時，判定測試區段不良。作為另外的例，測試區段中沒有特別正常度小的時刻，但要判定測試區段的正常度全體很低的情況為不良時，設定臨界值為5(%)，測試區段的正常度平均值低於5%時，判定測試區段不良。不良判定部107，輸出判定結果至未圖示的顯示裝置等既定裝置。可以隨著判定結果也輸出正常度資料。
以上說明中說明關於不良檢測系統100包括資料記憶部108的構成，但不限定於此構成。代替資料記憶部108，未圖示的通訊網路上配置的1個以上未圖示的網路儲存裝置記憶各種資料及標本區段(學習模型)，構成為正常度算出部106或不良判定部107存取網路儲存裝置也可以。
其次，參照圖4A及圖4B，說明關於不良檢測系統100的硬體構成例。作為一例，如圖4A所示，不良檢測系統100，包括處理器401、連接至處理器401的記憶體402、I/F裝置403以及儲存器404。又，儲存器404，係選擇性構成部。處理器401、I/F裝置403以及儲存器404，經由匯流排互相連接。以I/F裝置403實現訓練時序資料取得部101A及測試時序資料取得部101B。又，透過記憶體402內收納的程式以處理器401讀出實行，實現區段集合產生部102、區段集合分類部103、標本區段產生部104、標本區段分類部105、正常度算出部106以及不良判定部107。又，以儲存器404實現資料記憶部108。程式，實現為軟體、韌體或軟體與韌體的組合。記憶體402的例中，例如，包含RAM(隨機存取記憶體)、ROM(唯讀記憶體)、快閃記憶體、EPROM(可拭除可程式化唯讀記憶體)、EEPROM(電氣可拭除可程式化唯讀記憶體)等非揮發性或揮發性半導體記憶體、磁碟、軟碟、光碟、小型光碟、迷你光碟、DVD(數位多功能光碟)。
作為另外的例，如圖4B所示，不良檢測系統100，代替處理器401及記憶體402，包括處理電路406。在此情況下，以處理電路406，實現區段集合產生部102、區段集合分類部103、標本區段產生部104、標本區段分類部105、正常度算出部106以及不良判定部107。處理電路406，例如單一電路、複合電路、程式化處理器、並聯程式化處理器、ASIC(特殊應用積體電路)、FPGA(現場可程式化閘陣列)或這些的組合。以個別處理電路實現區段集合產生部102、區段集合分類部103、標本區段產生部104、標本區段分類部105、正常度算出部106以及不良判定部107的機能也可以，歸納這些機能以1個處理電路實現也可以。
資料記憶部108內記憶的資料，收納在儲存器404內。不良檢測系統100通過I/F裝置403連接至未圖示的資料伺服器等外部裝置時，資料不收納在儲存器404內，通過I/F裝置403傳送資料至外部裝置也可以。這樣，不良檢測系統100連接至外部裝置時，不良檢測系統100不包括儲存器404也可以。區段集合產生部102、區段集合分類部103、標本區段產生部104、標本區段分類部105、正常度算出部106以及不良判定部107實行的各處理中，儲存器404內不收納的中間處理結果，暫時收納在記憶體402內。不良判定部107的判定結果，根據需要，經由I/F裝置403，由顯示裝置等未圖示的輸出裝置輸出。
＜動作＞ 其次，參照圖5的流程圖，說明關於不良檢測系統100的動作。
步驟ST501中，時序資料取得部101，取得時訊資料作為訓練時序資料或測試時訊資料。取得時訊資料作為訓練時序資料時，將訓練時序資料與對象裝置的設定參數資料或有關對象裝置的環境資料連結並收集。取得時訊資料作為測試時訊資料時，將測試時訊資料與對象裝置的設定參數資料或有關對象裝置的環境資料連結並收集也可以。
步驟ST502中，區段集合產生部102，分割訓練時序資料為複數訓練區段，產生包括複數訓練區段之集合的區段集合。
步驟ST503中，區段集合分類部103，透過歸納傾向類似的訓練區段，分類產生的區段集合至1個以上的類似區段集合。傾向是否類似的判定，例如使用設定參數資料或環境資料實行。
步驟ST504中，標本區段產生部104，關於1個以上的類似區段集合，規格化上述類似區段集合內包含的訓練區段，使用規格化的訓練區段的各種資料，產生指示不良檢測時使用的正常區之區段的標本區段(學習模型)。
步驟ST505中，標本區段分類部105，使用各種資料分類標本區段(學習模型)。又，步驟ST505，不是任意的步驟也可以。
步驟ST506中，正常度算出部106，使用標本區段產生部104產生的或標本區段分類部105分類的標本區段(學習模型)，算出步驟ST501中取得的時序資料的測試區段正常度。在此之際，步驟ST502中，使用與區段集合產生部102在訓練時序資料的區段中使用的方法相同的方法，正常度算出部106，產生測試時序資料的測試區段。又，步驟ST503中，使用與區段集合分類部103在分類中使用的方法相同的方法，正常度算出部106，檢索具有與測試區段類似傾向的類似區段集合。又，步驟ST504中，使用與標本區段產生部104在規格化中使用的方法相同的方法，正常度算出部106，規格化判定屬於哪個類似區段集合的測試區段。接著，正常度算出部106，抽出根據規格化測試區段所屬的類似區段集合作成的學習模型。於是，正常度算出部106，對抽出規格化測試區段的學習模型繪製時，算出規格化測試區段抽出的學習模型在各規格化時刻正常區內包含之機率的存在機率。正常度算出部106輸出此算出的存在機率作為測試區段正常度。
步驟ST507中，不良判定部107，利用測試區段正常度，判定測試區段是否不良。
其次，關於不良檢測系統100的效果，參照圖6A到圖6C說明。圖6A，係以虛線顯示與對象裝置或與對象裝置同類的裝置在正常動作時的1個區段資料。圖6A的波形中顯示，初期值(第1值v1)繼續一定時間，之後波形上升，上升後的值(第2值v2)繼續一定時間，之後波形下降回到初期值(第1值v1)的動作。
圖6B，係顯示不同於屬於與圖6A相同的類似區段集合的裝置在正常動作時的動作例之動作例1的動作。圖6B中，以實線顯示表示動作例1的動作之裝置波形，圖6A在正常動作時的波形以虛線重疊顯示。圖6B的波形中，初期值(第1值v1)繼續一定時間，之後波形上升，上升後的值(第2值v2)繼續一定時間，但上升後的值只繼續比圖6A的正常動作時更短的時間。
圖6C，係顯示不同於屬於與圖6A相同的類似區段集合的裝置在正常動作時的動作例之動作例2的動作。圖6C中，以實線顯示表示動作例2的動作之裝置波形，圖6A在正常動作時的波形以虛線重疊顯示。圖6C的波形中，初期值(第1值v1)繼續一定時間，之後波形上升，上升後的值繼續一定時間，但上升後的值為比圖6A的正常動作時更小的值(第3值v3)。
圖6B及圖6C的例，都是對於對象裝置的規格產生同程度偏離之例。因此，最終是否不良的判定，理想是圖6B及圖6C兩情況中相同。即，評估圖6B的動作例1的動作為容許範圍內的動作的話，理想是也評估圖6C的動作例2的動作為容許範圍內的動作。相反地，評估圖6B的動作例1的動作為不良動作的話，理想是也評估圖6C的動作例2的動作為不良動作。
但是，根據滑動窗細畫分如圖6A的區段並基於歐幾里得(Euclid)距離等距離實行不良判定的習知技術，最後是否不良的判定，在圖6B與圖6C中有時候不同。根據相關習知技術，評估某時刻的資料值與那時刻的資料值之間的距離，實行是否不良的判定。因此，關於圖6C的例，算出正常動作時上升後的值(v2)與動作例2中上升後的值(v3)之差作為距離。同樣地，關於圖6B的例，滑動窗的資料取得時刻位於正常動作時的波形與動作例1的波形之偏離部分(虛線圍繞的部分)時，算出正常動作時上升後的值(v2)與動作例1中下降後的值(第1值v1)之差作為距離。這樣，根據習知技術，相較於關於圖6C的例算出的距離，關於圖6B的例算出的距離變大。因此，根據習知技術，因為圖6C的例在容許範圍內判定為非不良，因為圖6B的例不在容許範圍內判定為不良。
對於這樣的習知技術，根據本揭示的實施形態，透過捕捉包含波形上升及下降兩方的動作狀態作為區段，處理比習知更長時間的波形資料全體。因此，不只是值方向，也考慮時間方向的偏離，可以產生標本區段(學習模型)。測試區段，因為使用這樣的標本區段形成，不只是測試區段具有的值方向偏離，關於時間方向偏離也可以充裕評估。因此，根據本揭示的實施形態，比習知技術可以更高精度檢測不良。
＜附記＞ 關於以上說明的各種實施形態幾個方面，在以下歸納。 ＜附記1＞ 附記1的學習裝置(10A)，包括：訓練時序資料取得部(101A)，連結並收集與監視對象裝置相同或同類的對象裝置或設置在上述對象裝置近旁的感應器取得的訓練時序資料以及上述對象裝置的設定參數資料或關於上述對象裝置的環境資料；區段集合產生部(102)，分割上述訓練時序資料為表現上述訓練時序資料呈現的波形中包含從第1值上升到第2值以及從上述第2值下降至上述第1值兩方的動作狀態之部分時序資料的訓練區段，並產生包括複數訓練區段的區段集合；區段集合分類部(103)，使用上述設定參數資料或上述環境資料，每類似的訓練區段歸納產生的區段集合內包含的上述複數訓練區段，分類至至少1個類似區段集合；以及標本區段產生部(104)，根據上述至少1個類似區段集合內包含的複數訓練區段，產生指示上述對象裝置的動作正常區之標本區段。 ＜附記2＞ 附記2的學習裝置，係附記1的學習裝置，上述至少1個類似區段集合，是2以上的類似區段集合，上述標本區段產生部(104)，關於上述2以上的類似區段集合，分別產生標本區段，上述學習裝置，更包括標本區段分類部(105)，分類產生的標本區段。 ＜附記3＞ 附記3的不良檢測裝置(10B)，係檢測作為監視對象的監視對象裝置是否不良的不良檢測裝置，包括：測試時序資料取得部(101B)，收集上述監視對象裝置或設置在上述監視對象裝置近旁的感應器取得的測試時序資料；正常度算出部(106)，根據上述測試時序資料，產生上述測試時序資料呈現的波形中表現包含第1值到第2值的上升以及上述第2值到上述第1值的下降兩方的動作狀態之部分時序資料的測試區段，根據附記1或附記2的學習裝置產生的1個以上的標本區段參照關聯的標本區段，算出表示上述產生的測試區段包含在參照的標本區段的正常區內的程度之正常度；以及不良判定部(107)，根據算出的正常度，判定上述監視對象裝置是否不良。 ＜附記4＞ 附記4的不良檢測裝置，係附記3的不良檢測裝置，上述測試時序資料取得部，將上述測試時序資料與上述監視對象裝置的設定參數資料或有關上述監視對象裝置的環境資料連結並收集，上述關聯的標本區段，係根據連結至上述測試時序資料的設定參數資料或與環境資料相同的設定參數資料或連結至環境資料的訓練區段產生的標本區段。 ＜附記5＞ 附記5的不良檢測方法，連結並收集與監視對象裝置相同或同類的對象裝置或設置在上述對象裝置近旁的感應器取得的訓練時序資料以及上述對象裝置的設定參數資料或關於上述對象裝置的環境資料(ST501)； 分割上述訓練時序資料為表現上述訓練時序資料呈現的波形中包含從第1值上升到第2值以及從上述第2值下降至上述第1值兩方的動作狀態之部分時序資料的訓練區段，並產生包括複數訓練區段的區段集合(ST502)； 使用上述設定參數資料或上述環境資料，每類似的訓練區段歸納產生的區段集合內包含的上述複數訓練區段，分類至至少1個類似區段集合(ST503)； 根據上述至少1個類似區段集合內包含的複數訓練區段，產生指示上述對象裝置的動作正常區之標本區段(ST504)； 收集上述監視對象裝置或設置在上述監視對象裝置近旁的感應器取得的測試時序資料； 根據上述測試時序資料，產生表現上述動作狀態之部分時序資料的測試區段，參照上述產生的標本區段，算出上述測試區段的正常度(ST506)； 根據算出的正常度，判定上述監視對象裝置是否不良(ST507)。
又，可以組合實施形態或適當變形省略各實施形態 [產業上的利用可能性]
作為本揭示的學習裝置10A、不良檢測裝置10B或不良檢測系統100之1的用途，有利用至重複製造裝置等的同樣動作之裝置。重複製造相同製品的製造裝置中，裝置的設定值相同的話，常重複相同的動作。複數次的重複動作中，有做不同動作的次數的話，認為有不良的可能性。做不同動作時，裝置中設置的感應資料內，有可能出現與其它正常動作時不同的傾向。藉由檢測其不同的傾向，可以檢出有不良可能性的動作。不良動作，因為有可能關聯製品的不良，藉由維修做不良動作的裝置，可以有助於提高製品的良率。
作為本揭示的學習裝置10A、不良檢測裝置10B或不良檢測系統100之1的用途，如發電廠，有利用至複數次實施類似動作或繼續同樣動作的裝置或機器。例如，裝置的啟動動作時、停止動作時、輸出變動動作時等的動作時，裝置的設定值或外部環境相同的話，動作沿著相同的順序，感應資料常顯示類似傾向。因此，裝置的設定值或外部環境相同的複數次動作中，有做不同動作的次數的話，認為有不良的可能性。又，固定運轉動作時，裝置的設定值或外部環境相同的話，固定運轉期間中感應資料常顯示類似的傾向。因此，那期間中有做不同動作的時刻或時間區間的話，認為有不良的可能性。有不同動作時，裝置中設置的感應器之感應資料內，有可能出現與其它正常動作時不同的傾向。藉由檢測其不同的傾向，可以檢出有不良可能性的動作。因為不良動作有可能關聯不預期的動作，藉由維修做不良動作的裝置，可以預防難以預料的動作。
10A:學習裝置 10B:不良檢測裝置 100:不良檢測系統 101:時序資料取得部 101A:訓練時序資料取得部 101B:測試時序資料取得部 102:區段集合產生部 103:區段集合分類部 104:標本區段產生部 105:標本區段分類部 106:正常度算出部 107:不良判定部 108:資料記憶部 401:處理器 402:記憶體 403:I/F裝置 404:儲存器 406:處理電路
[圖1]係顯示不良檢測系統構成例的方塊圖。 [圖2]係顯示感應資料表例的圖。 [圖3A]係顯示標本區段的產生例圖。 [圖3B]係顯示標本區段的產生例圖。 [圖4A]係顯示不良檢測系統的一硬體構成例之方塊圖。 [圖4B]係顯示不良檢測系統的一其它硬體構成例之方塊圖。 [圖5]係顯示不良檢測系統動作的流程圖。 [圖6A]圖6A到圖6C係顯示不良檢測裝置或不良檢測系統的效果圖，圖6A係顯示正常動作時的波形圖。 [圖6B]圖6A到圖6C係顯示不良檢測裝置或不良檢測系統的效果圖，圖6B係顯示與正常動作不同的動作例1之動作波形圖。 [圖6C]圖6A到圖6C係顯示不良檢測裝置或不良檢測系統的效果圖，圖6C係顯示與正常動作不同的動作例2之動作波形圖。
10A:學習裝置
10B:不良檢測裝置
100:不良檢測系統
101A:訓練時序資料取得部
101B:測試時序資料取得部
102:區段集合產生部
103:區段集合分類部
104:標本區段產生部
105:標本區段分類部
106:正常度算出部
107:不良判定部
108:資料記憶部

Claims (5)

  1. 一種學習裝置，包括： 訓練時序資料取得部，連結並收集與監視對象裝置相同或同類的對象裝置或設置在上述對象裝置近旁的感應器取得的訓練時序資料以及上述對象裝置的設定參數資料或關於上述對象裝置的環境資料； 區段集合產生部，分割上述訓練時序資料為表現上述訓練時序資料呈現的波形中包含從第1值上升到第2值以及從上述第2值下降至上述第1值兩方的動作狀態之部分時序資料的訓練區段，並產生包括複數訓練區段的區段集合； 區段集合分類部，使用上述設定參數資料或上述環境資料，每類似的訓練區段歸納產生的區段集合內包含的上述複數訓練區段，分類至至少1個類似區段集合；以及 標本區段產生部，根據上述至少1個類似區段集合內包含的複數訓練區段，產生指示上述對象裝置的動作正常區之標本區段。
  2. 如請求項1所述之學習裝置，其中， 上述至少1個類似區段集合，是2以上的類似區段集合； 上述標本區段產生部，關於上述2以上的類似區段集合，分別產生標本區段； 上述學習裝置，更包括： 標本區段分類部，分類產生的標本區段。
  3. 一種不良檢測裝置，檢測作為監視對象的監視對象裝置是否不良，包括： 測試時序資料取得部，收集上述監視對象裝置或設置在上述監視對象裝置近旁的感應器取得的測試時序資料； 正常度算出部，根據上述測試時序資料，產生上述測試時序資料呈現的波形中表現包含第1值到第2值的上升以及上述第2值到上述第1值的下降兩方的動作狀態之部分時序資料的測試區段，根據請求項1或2所述之學習裝置產生的1個以上的標本區段參照關聯的標本區段，算出表示上述產生的測試區段包含在參照的標本區段的正常區內的程度之正常度；以及 不良判定部，根據算出的正常度，判定上述監視對象裝置是否不良。
  4. 如請求項3所述之不良檢測裝置，其中， 上述測試時序資料取得部，將上述測試時序資料與上述監視對象裝置的設定參數資料或有關上述監視對象裝置的環境資料連結並收集； 上述關聯的標本區段，係根據連結至上述測試時序資料的設定參數資料或與環境資料相同的設定參數資料或連結至環境資料的訓練區段產生的標本區段。
  5. 一種不良檢測方法， 連結並收集與監視對象裝置相同或同類的對象裝置或設置在上述對象裝置近旁的感應器取得的訓練時序資料以及上述對象裝置的設定參數資料或關於上述對象裝置的環境資料； 分割上述訓練時序資料為表現上述訓練時序資料呈現的波形中包含從第1值上升到第2值以及從上述第2值下降至上述第1值兩方的動作狀態之部分時序資料的訓練區段，並產生包括複數訓練區段的區段集合； 使用上述設定參數資料或上述環境資料，每類似的訓練區段歸納產生的區段集合內包含的上述複數訓練區段，分類至至少1個類似區段集合； 根據上述至少1個類似區段集合內包含的複數訓練區段，產生指示上述對象裝置的動作正常區之標本區段； 收集上述監視對象裝置或設置在上述監視對象裝置近旁的感應器取得的測試時序資料； 根據上述測試時序資料，產生表現上述動作狀態之部分時序資料的測試區段，參照上述產生的標本區段，算出上述測試區段的正常度； 根據算出的正常度，判定上述監視對象裝置是否不良。
TW110123529A 2020-12-08 2021-06-28 學習裝置、不良檢測裝置以及不良檢測方法 TWI823107B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
WOPCT/JP2020/045745 2020-12-08
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
TW202223767A true TW202223767A (zh) 2022-06-16
TWI823107B TWI823107B (zh) 2023-11-21

Family

ID=81973314

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110123529A TWI823107B (zh) 2020-12-08 2021-06-28 學習裝置、不良檢測裝置以及不良檢測方法

Country Status (7)

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

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

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1705468A2 (en) * 2005-03-15 2006-09-27 Omron Corporation Abnormality detection device and method having a judgment model
JP5048625B2 (ja) * 2008-10-09 2012-10-17 株式会社日立製作所 異常検知方法及びシステム
TWI556194B (zh) * 2012-06-29 2016-11-01 希科母股份有限公司 對象檢出裝置、對象檢出方法及對象檢出用電腦程式
JP5733530B2 (ja) * 2012-08-22 2015-06-10 横河電機株式会社 データ類似度算出方法およびデータ類似度算出装置
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
JP6165367B2 (ja) 2015-01-22 2017-07-19 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
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
US11449757B2 (en) * 2017-05-16 2022-09-20 Sightline Innovation Inc. Neural network system for non-destructive optical coherence tomography
JP6362808B1 (ja) * 2017-07-31 2018-07-25 三菱電機株式会社 情報処理装置および情報処理方法
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

Also Published As

Publication number Publication date
KR20230086794A (ko) 2023-06-15
JPWO2022123665A1 (zh) 2022-06-16
US20230251167A1 (en) 2023-08-10
KR102566084B1 (ko) 2023-08-10
WO2022123665A1 (ja) 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
KR101316486B1 (ko) 이상 검지 방법 및 시스템
KR101955305B1 (ko) 희소 코딩 방법론을 활용한 가스 터빈 센서 고장 검출
AU2010319488B2 (en) Refrigerant leak detection system and method
EP3373089B1 (en) Operating state classification device
JP6200833B2 (ja) プラントと制御装置の診断装置
JP6714498B2 (ja) 設備診断装置及び設備診断方法
GB2476246A (en) Diagnosing an operation mode of a machine
KR102470763B1 (ko) 데이터 이상치 탐색 장치 및 방법
TW202006488A (zh) 資料處理裝置及資料處理方法
CN107710089A (zh) 工厂设备诊断装置以及工厂设备诊断方法
TWI823107B (zh) 學習裝置、不良檢測裝置以及不良檢測方法
JP2020071624A (ja) 異常診断装置、異常診断方法、及びプログラム
TW202303323A (zh) 異常探測系統、成形機系統、異常探測裝置、異常探測方法以及記錄並可讀取電腦程式的記錄媒體
CN110057588B (zh) 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及系统
TW202210977A (zh) 異常檢知裝置
US20210116504A1 (en) Method for monitoring circuit breaker and apparatus and internet of things using the same
Bórnea et al. Classification of Bearing Faults in Induction Motors with the Hilbert-Huang Transform and Feature Selection
Baghbanpourasl et al. Failure prediction through a model-driven machine learning method
JP7367866B2 (ja) 情報処理装置、評価方法、および評価プログラム
JP6676508B2 (ja) セキュリティ診断装置およびセキュリティ診断方法
US11783233B1 (en) Detection and visualization of novel data instances for self-healing AI/ML model-based solution deployment
JP7396361B2 (ja) 異常判定装置及び異常判定方法
CN114862283B (zh) 机床加工的质检方法、质检装置
JP2019091128A (ja) データ分類装置
WO2022003969A1 (ja) データ処理装置及びデータ処理方法