TWI673228B - 非定常檢測裝置、非定常檢測系統以及非定常檢測方法 - Google Patents
非定常檢測裝置、非定常檢測系統以及非定常檢測方法 Download PDFInfo
- Publication number
- TWI673228B TWI673228B TW106130970A TW106130970A TWI673228B TW I673228 B TWI673228 B TW I673228B TW 106130970 A TW106130970 A TW 106130970A TW 106130970 A TW106130970 A TW 106130970A TW I673228 B TWI673228 B TW I673228B
- Authority
- TW
- Taiwan
- Prior art keywords
- unsteady
- data
- operation data
- state
- operating
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 159
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 238000000034 method Methods 0.000 claims description 78
- 230000005856 abnormality Effects 0.000 claims description 51
- 238000013480 data collection Methods 0.000 claims description 18
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 description 42
- 238000004891 communication Methods 0.000 description 36
- 238000004519 manufacturing process Methods 0.000 description 21
- 238000010586 diagram Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 10
- 230000000694 effects Effects 0.000 description 8
- 239000000470 constituent Substances 0.000 description 7
- 238000003672 processing method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005401 electroluminescence Methods 0.000 description 1
- 238000001125 extrusion Methods 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000001746 injection moulding Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/3003—Monitoring arrangements specially adapted to the computing system or computing system component being monitored
- G06F11/3013—Monitoring arrangements specially adapted to the computing system or computing system component being monitored where the computing system is an embedded system, i.e. a combination of hardware and software dedicated to perform a certain function in mobile devices, printers, automotive or aircraft systems
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
-
- 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
-
- 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
- G06F11/3055—Monitoring arrangements for monitoring the status of the computing system or of the computing system component, e.g. monitoring if the computing system is on, off, available, not available
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3447—Performance evaluation by modeling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3452—Performance evaluation by statistical analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Manufacturing & Machinery (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
Abstract
提供非定常檢測裝置(30),包括模型產生部(313),根據運轉狀況是定常狀態的複數的設備(11)的2值數位信號的運轉資料,產生用以判定設備(11)的運轉狀況的正常模型;期待值算出部(315),利用正常模型,根據設備(11)的過去運轉資料,算出輸出的運轉資料的期待值;非定常檢測部(316),比較運轉資料的期待值與運轉資訊的實測值,檢測設備(11)的運轉狀況是否是非定常狀態;藉此可以檢測利用2值數位信號的設備的運轉狀況。
Description
本發明係關於在工廠自動化(Factory Automation,以下為FA)系統中檢測連接的設備的非定常狀態之非定常檢測系統。
以往,在製品的生產現場的工廠等,變成脫離設備正常運轉的狀態的定常狀態之非定常狀態時,例如生線線停止等的情況下,任職於生產線的設備保全人員特別指定麻煩的主因,進行元件交換等的處理解除異常,將設備的運轉狀況從非定常狀態復原到定常狀態。
但是,隨著FA系統的導入等工廠的設備變得複雜,要求保全人員的知識與專業技術變得非常多,對經驗淺的保全人員常難以特別指定成為非定常狀態的主因。又,用以網羅特定成為非定常狀態的主因之設定、程式的製作,變得工時膨脹不實際。
為了解決上述問題,專利文件1中,提議系統的監視方法,利用表示根據從系統中的複數的感應器取得的定常狀態時的時系列的感應資料求得的系統運轉狀況是定常狀態之經驗推移機率行列與根據最新既定的期間積累的時序的感應資料求出的現在推移機率行列之間的差異之偏差行列,檢測 系統的運轉狀況。
[專利文件1]日本專利第2002-215231號公開公報(第3、4、5圖)
檢測專利文件1的運轉狀況的方法中,處理關於多值的感應資料。但是,因為FA領域中大多利用的表現感應器的ON(導通)與OFF(斷開)等的2值數位信號與多值信號的特性不同,檢測利用2值數位信號的設備的運轉狀況時,具有難以像專利文件1的監視方法應用以多值信號為對象的方法的問題。
本發明係用以解決上述問題而形成,目的在於實現可以檢測利用2值數位信號的設備的運轉狀況之非定常檢測裝置。
為了解決上述的課題,達成目的,本發明的非定常檢測裝置,包括模型產生部,根據運轉狀況是定常狀態的複數的設備的2值數位信號的運轉資料,產生用以判定設備的運轉狀況的正常模型;期待值算出部,利用正常模型,根據設備的過去運轉資料,算出輸出的運轉資料的期待值;非定常檢測部,比較運轉資料的期待值與運轉資料的實測值,檢測設備的 運轉狀況是否是非定常狀態。
根據本發明的非定常檢測裝置,因為備置上述構成,可以檢測利用2值數位信號的設備的運轉狀況。
10‧‧‧工廠生產線
11‧‧‧設備
20‧‧‧收集資料伺服器
30‧‧‧非定常檢測裝置
31‧‧‧控制裝置
311‧‧‧通訊控制部
312‧‧‧資料判定部
313‧‧‧模型產生部
314‧‧‧通訊控制部
315‧‧‧期待值算出部
316‧‧‧非定常檢測部
317‧‧‧顯示控制部
318‧‧‧非定常特定部
32‧‧‧儲存器
321‧‧‧正常模型產生程式
322‧‧‧非定常檢測程式
33‧‧‧記憶體
331‧‧‧收集資料庫
332‧‧‧正常資料庫
34‧‧‧顯示裝置
35‧‧‧輸入裝置
36‧‧‧通訊裝置
37‧‧‧匯流排
40‧‧‧網路
100‧‧‧非定常檢測系統
[第1圖]係顯示本發明的第一實施形態中的非定常檢測系統的一範例構成圖;[第2圖]係顯示本發明的第一實施形態中的非定常檢測裝置的一範例構造圖;[第3圖]係顯示本發明的第一實施形態中的控制裝置的機能構成的一範例構成圖;[第4圖]係顯示用以實行本發明的第一實施形態中的正常模型產生處理的機能構成的一範例構成圖;[第5圖]係本發明的第一實施形態中的收集資料庫的一範例的資料庫構成圖;[第6圖]係顯示本發明的第一實施形態中的正常模型產生處理流程的一範例流程圖;[第7圖]係顯示用以實行本發明的第一實施形態中的非定常檢測處理的機能構成的一範例構成圖;[第8圖]係顯示本發明的第一實施形態中的運轉資料的期待值與實測值的差異值與異常度的關係說明圖;[第9圖]係顯示本發明的第一實施形態中的顯示裝置的顯示畫面的一範例說明圖; [第10圖]係顯示本發明的第一實施形態中的非定常檢測處理流程的一範例流程圖;[第11圖]係顯示本發明的第一實施形態中的異常度的算出處理流程的一範例流程圖;[第12圖]係顯示用以實行本發明的第二實施形態中的非定常檢測處理的機能構成的一範例構成圖;[第13圖]係顯示本發明的第二實施形態中的顯示裝置的非定常狀態的顯示畫面的一範例說明圖;以及[第14圖]係顯示本發明的第二實施形態中的非定常檢測處理流程的一範例流程圖。
以下,根據圖面詳細說明本發明的顯示裝置的實施形態。以下參照的圖面中,相同或相當的部分附上相同符號。又,不以此實施形態限定此發明。
第一實施形態
第1圖係顯示本發明的第一實施形態中的非定常檢測系統的一範例構成圖。如第1圖所示,非定常檢測系統100係5個設備11(11a到11e)構成的工廠生產線10、收集資料伺服器20、非定常檢測裝置30、網路40。
設備11,例如,係射出成型機、壓出成型機、旋盤以及研削盤等的加工裝置或伺服放大器以及PLC(可程式邏輯控制器)等的控制裝置,包括開關、繼電器、感應器或數位電路等輸出2值數位信號的構成元件,以2值數位信號控制的設備。
收集資料伺服器20,包括記憶部,從連接的工廠生產線10的5個設備11,取得開關或繼電器的開關資訊、感應器的偵知資訊以及數位電路的輸出值等的運轉資料作為2值數位信號,積累在記憶部中。又,運轉資料係區別為輸出構成各設備11的2值數位信號的每一構成元件的資料,1個設備11中有複數種運轉資料也可以。
非定常檢測裝置30,從收集資料伺服器20取得設備11的運轉資料的2值數位信號,根據取得的2值數位信號,檢測設備11的運轉狀況是否是非定常狀態。在此,以設備11正常運轉的狀態為設備11的運轉狀況是定常狀態,以設備11脫離正常狀態的運轉狀態為非定常狀態。又,非定常檢測裝置30中的非定常檢測方法的細節之後敘述。
網路40,係連接工廠生產線10與收集資料伺服器20以及收集資料伺服器20與非定常檢測裝置30的網路,例如,係同軸電纜或光纜等的傳輸線構成的有線網路或Wi-Fi(註冊商標)等的無線LAN構成的無線網路。經由網路連接的裝置,可互相進行資料的傳收。
第2圖係顯示本發明的第一實施形態中的非定常檢測裝置的一範例構造圖。如第2圖所示,非定常檢測裝置30,包括控制裝置31、儲存器32、記憶體33、顯示裝置34、輸入裝置35、通訊裝置36以及匯流排37。
控制裝置31,係控制非定常檢測裝置30的裝置,控制儲存器32、記憶體33、顯示裝置34、輸入裝置35以及通訊裝置36,檢測設備11的運轉狀況是否是非定常狀態。又, 控制裝置31檢測設備11的非定常狀態的方法的細節之後敘述。控制裝置31,可以是CPU(中央處理單元)等處理器,也可以是FPGA(場可程式閘陣列)或LSI(大型積體)等的1個積體電路,或是這些的組合也可以。
儲存器32,係記憶作為實行控制裝置31執行的各種程式、控制裝置31執行各程式之際參照的資料以及控制裝置31執行各程式的結果產生的資料等的記憶裝置。本發明的第一實施形態中,作為程式記憶產生控制裝置31用以判定設備11的運轉狀況的正常模型的正常模型產生程式321以及控制裝置31檢測設備11的運轉狀況是否是非定常狀態的非定常檢測程式322。儲存器32,例如只要使用快閃記憶體、ROM(唯讀記憶體)、磁碟或光碟等的非揮發性記憶體即可。
記憶體33,係控制裝置31實行程式的處理之際直接存取的記憶裝置,複製儲存器32內記憶的各種程式與資料並暫時記憶。記憶體33,例如只要使用RAM(隨機存取記憶體)等的揮發性記憶體即可。
顯示裝置34,係根據來自控制裝置31的指示顯示圖像或動畫的裝置。顯示裝置34,例如是液晶顯示器(Liquid crystal display)或有機EL顯示器(有機電激發光顯示器)。
輸入裝置35,係接受來自使用者的輸入的裝置,例如鍵盤、滑鼠或觸控板等。
又,雖然說明顯示裝置34與輸入裝置35為個別體,但不限定顯示裝置34與輸入裝置35為個別體,顯示裝置34與輸入裝置35成為一體的裝置例如觸控面板也可以。
通訊裝置36,包括接收資料的接收機與傳送資料的傳輸機,係與外部通訊的裝置,控制裝置31經由通訊裝置36從收集資料伺服器20取得設備11的運轉資料。通訊裝置36,例如是通訊晶片或NIC(網路界面卡)。
匯流排37,係在控制裝置31、儲存器32、記憶體33、顯示裝置34、輸入裝置35以及通訊裝置36間可互相傳收資料的資料傳輸路,例如PCI(週邊元件互連)匯流排或PCI Express(註冊商標)等。
其次,說明關於控制裝置31檢測設備11的非定常狀態的方法。在此,為了檢測設備11的非定常狀態,控制裝置31,進行以下2項處理:正常模型產生處理,根據設備11正常運轉的定常狀態中的設備11的運轉資料,產生用以判定設備11的運轉狀況的正常模型;以及非定常檢測處理,藉由比較產生的正常模型與設備11的運轉資料,檢測設備11的運轉狀況是否是非定常狀態。又,各個處理係以控制裝置31執行儲存器32內記憶的正常模型產生程式321與非定常檢測程式322實行。
第3圖係顯示本發明的第一實施形態中的控制裝置的機能構成的一範例構成圖。第3圖中,以控制裝置31執行的正常模型產生程式321與非定常檢測程式322的各機能以機能方塊顯示。正常模型產生程式321中,控制裝置31具有通訊控制部311、資料判定部312以及模型產生部313。又,非定常檢測程式322中,控制裝置31具有通訊控制部314、期待值算出部315、非定常檢測部316以及顯示控制部317。又, 控制裝置31的機能方塊的通訊控制部311、資料判定部312、模型產生部313、通訊控制部314、期待值算出部315、非定常檢測部316以及顯示控制部317的細節之後敘述。
首先,說明關於正常模型產生處理。正常模型產生處理,在導入非定常檢測系統100時、非定常檢測系統100的工廠生產線10追加新的設備11時或是既存的設備11的控制條件變更時等設備11的運轉狀況是定常狀態,且需要產生正常模型的情況下實行。
第4圖係顯示用以實行本發明的第一實施形態中的正常模型產生處理的機能構成的一範例構成圖。第4圖中,控制裝置31執行的正常模型產生程式321的各機能以機能程式表示,叫出關係以實線箭頭表示,於是資料的流動以虛線的箭頭顯示。
如第4圖所示,控制裝置31具有通訊控制部311、資料判定部312以及模型產生部313。又,第4圖中為了說明,圖示儲存器32、記憶體33以及通訊裝置36,儲存器32係控制裝置31在實行正常模型產生處理的過程中產生的資料庫即正常資料庫332,記憶體33具有控制裝置31在實行正常模型產生處理的過程中產生的資料庫即收集資料庫331與正常資料庫332。
通訊控制部311,經由通訊裝置36從收集資料伺服器20取得2值數位資料的設備11的運轉資料,將取得的運轉資料記憶在記憶體33內作為收集資料庫331。在此,收集資料庫331中,將設備11的運轉資料記憶作時序的2值數位信 號。又,通訊控制部311中的一串運轉資料的處理,可以在成為取得對象的設備11的運轉資料每次追加至收集資料伺服器20實行,也可以每一定期間定期實行。
第5圖係本發明的第一實施形態中的收集資料庫的一範例的資料庫構成圖。如第5圖所示,收集資料庫331中,各設備11有信號1與信號2兩種作為運轉資料,信號1與信號2的信號值,在每一設備11與時刻資訊連結記憶。又,第5圖中,雖然將各設備11的運轉資料當作信號1與信號2兩種,但運轉資料不限定於2種,1種也可以,3種以上也可以。又,第5圖中,運轉資料與信號名稱連結記憶,記憶的內容不限定於只是信號名稱,也可以是輸出開關、繼電器或感應器等的信號的設備11的構成元件名稱或使用者經由輸入裝置35輸入的使用者指定的名稱。
回到第4圖,資料判定部312判定記憶體33的收集資料庫331內記憶的運轉資料是否是必要量。作為資料判定部312判定必要量的方法,例如資料判定部312測量收集資料庫331內記憶的資料量,臨界值以上的話,判定為必要量的方法,或者收集資料庫331內開始記憶的時刻開始測量時間,測量時間超過一定期間時判定為必要量的方法等任意的方法也可以。又,收集資料庫331內記憶的資料的必要量,根據以設備11構成的工廠生產線10而不同,相當於數小時到數週左右收集的資料量。
模型產生部313,從資料判定部312取得收集資料庫331內記憶的資料是必要量的判定結果時,從收集資料庫 331取得運轉資料的時序的2值數位信號,根據取得的時序的2值數位信號產生正常模型。模型產生部313,機械學習每一運轉資料取得的時序的2值數位信號作為對應的運轉資料的時序的正常信號圖案,產生成為算出其次輸出的運轉資料的信號的期待值的正常模型的學習模型。作為模型產生部313中的機械學習的手法,可以處理時序資料的機械學習手法,例如,只要利用參考專利文件(日本專利第2012-48405號公開公報)所示的隱馬可夫模型、時間延遲神經網路(Time Delay Neural Network)或類神經網路(Recurrent Neural Network)等即可。
又,各設備11構成工廠生產線10,例如,設備11a的電源變成OFF(切斷)時,設備11b的電源變成ON(導通)等,各設備11的運轉狀況會影響其他設備11的運轉狀況。又,例如,設備11a的信號1變成OFF時,設備11a的信號2也變成OFF等,設備11的各構成元件的運轉狀況也會影響其他構成元件的運轉狀況。以此方式,由於設備11之間以及設備11的各構成元件之間的運轉狀況互相影響,將決定設備11的各構成元件的運轉狀況。因此,各構成元件的運轉狀況的每個運轉資料的時序資料會反映工廠生產線10的運轉狀況,模型產生部313藉由機械學習各運轉資料的正常信號圖案,可以產生適當的正常模型。
又,說明模型產生部313每個運轉資料個別機械學習產生正常模型的方法,但產生正常模型的方法不限定於模型產生部313每個運轉資料個別機械學習產生的方法,模型產生部313連結每一設備11或每一工廠生產線10的運轉資料機 械學習產生正常模型也可以。模型產生部313連結每一設備11或每一工廠生產線10的運轉資料機械學習產生的正常模型中,每一設備11或每一工廠生產線10,可以總括算出運轉資料的期待值。
在此,習知的學習模型中,將求出從設備11其次輸出的運轉資料的信號值,作為實測值取得的2值數位信號值,0或1中的任一,但本發明的第一實施形態中的正常模型中,會求出取得實測值的期待值。如同本發明的第一實施形態,藉由求出期待值,與習知的學習模型不同,有時不從設備11取得接著輸出的運轉資料的信號值作為實測值,成為0或1以外的值,可以處理2值數位信號的運轉資料作為假設3值以上的資料,後述的控制裝置31中的非定常檢測處理中可以實行細節的處理。
又,模型產生部313,在記憶體33內記憶產生的正常模型及決定正常模型的參數,例如類神經網路(recurrent neural network)的情況下,中間層的數量、分量或偏壓值等作為正常資料庫332。
又,記憶體33內的正常資料庫332,在正常模型產生處理結束後或非定常檢測裝置30的電源切斷時被複製記憶在儲存器32內。
其次,說明控制裝置31的正常模型產生處理的流程。第6圖係顯示本發明的第一實施形態中的正常模型產生處理流程的一範例流程圖。
首先,使用者要求正常模型處理的開始,或是控 制裝置31自動要求正常模型產生處理的開始,藉此開始處理。作為使用者要求處理開始的方法,例如非定常檢測裝置30包括正常模型產生處理的開始按鍵作為輸入裝置35,使用者按下符合的按鍵的方法或是非定常檢測裝置30在顯示裝置34上顯示的畫面中具有正常模型產生處理的開始按鍵作為輸入裝置35,使用者選擇符合的按鍵的方法等任意的方法也可以。作為控制裝置31自動要求處理的開始,導入非定常檢測系統100時、非定常檢測系統100的工廠生產線10追加新的設備11時或既存的設備11的控制條件變更時等開始處理的方法等任意的方法也可以。
步驟S101中,通訊控制部311經由通訊裝置36從收集資料伺服器20取得設備11的運轉資料。
步驟S102中,通訊控制部311將步驟S101中取得的設備11的運轉資料記憶在記憶體33的收集資料庫331內。根據步驟S101與步驟S102,複製收集資料伺服器20的設備11的運轉資料至收集資料庫331。
其次,步驟S103中,資料判定部312判定記憶體33的收集資料庫331內記憶的運轉資料是否是必要量,並轉移至步驟S104。
步驟S104中,資料判定部312根據步驟S103中的判定結果,如果運轉資料不是必要量時(No),轉移至步驟S101,如果運轉資料是必要量時(Yes),轉移至步驟S105。
步驟S105中,模型產生部313根據收集資料庫331內記憶的設備11的運轉資料產生正常模型。
步驟S106中,模型產生部313將步驟S105中的產生結果的產生模型及決定產生模型的參數記憶在記憶體33的正常資料庫332內,之後結束處理。又,記憶體33內的正常資料庫332在正常模型產生處理結束後或非定常檢測裝置30的電源切斷時被複製記憶在儲存器32內。
其次,說明關於非定常檢測處理。非定常檢測處理,在控制裝置31中的正常模型產生後,非定常檢測系統100的工廠生產線10追加新設備11時或既存的設備11的控制條件變更時等,除了必須重新產生正常模型的情況之外,在運轉中原則上經常實行非定常檢測裝置30。
第7圖係顯示用以實行本發明的第一實施形態中的非定常檢測處理的機能構成的一範例構成圖。第7圖中,控制裝置31執行的非定常檢測程式322的各機能以機能方塊表示,叫出關係以實線箭頭表示,然後資料的流動以虛線的箭頭表示。
如第7圖所示,控制裝置31具有通訊控制部314、期待值算出部315、非定常檢測部316及顯示控制部317。又,第7圖中,為了說明,圖示儲存器32、記憶體33、顯示裝置34及通訊裝置36,記憶體33具有控制裝置31實行正常模型產生處理的過程中產生的資料庫即收集資料庫331,儲存器32及記憶體33具有控制裝置31實行正常模型產生處理產生的正常資料庫332。
通訊控制部314,與正常模型產生處理中的通訊控制部311同樣地經由通訊裝置36從收集資料伺服器20取得2 值數位資料之設備11的運轉資料,將取得的運轉資料記憶在記憶體33的收集資料庫331內。在此,通訊控制部314取得的設備11的運轉資料與正常模型產生處理中的通訊控制部311不同,不只是現在的設備11的運轉資料實測值,為了算出使用正常模型輸出的信號的期待值,也取得必要的過去的設備11的運轉資料。
又,通訊控制部314取得的過去的設備11的運轉資料的資料量根據算出信號的期待值使用的正常模型將會不同,又,取得通訊控制部314中的現在的設備11的運轉資料的處理,可以在成為取得對象的設備11的運轉資料每次追加至收集資料伺服器20實行,也可以每一定期間定期實行。
期待值算出部315,從記憶體33的收集資料庫331取得過去的設備11的運轉資料,從正常資料庫332取得正常模型,根據取得的運轉資料與正常模型,算出從設備11其次輸出的運轉資料即信號值的期待值。又,記憶體33的正常資料庫332以控制裝置31開始非定常檢測處理時,從儲存器32複製到記憶體33。
在此,設備11的運轉資料雖是2值數位信號,但因為正常模型是算出算出的2值信號的期待值的學習模型,期待值算出部315算出的運轉資料的期待值不只是0與1,有可能0到1之間,例如成為0.03、0.50及0.99等的小數值。
又,因為運轉資料是2值數位信號,如數式1所示,運轉資料的期待值可以看作運轉資料的實測值為1的機率(P1)。又,1減去機率P1的值(1-P1)成為運轉資料的信號值為 0的機率(P0)。
[數1]期待值=0×P0+1×P1=P1...(數式1)
P0:運轉資料的信號值是0時的機率
P1:運轉資料的信號值是1時的機率
非定常檢測部316,取得期待值算出部315算出的運轉資料的期待值,從收集資料庫331取得設備11的運轉資料的實測值,比較取得的期待值與實測值,算出設備11的異常度。之後,非定常檢測部316根據算出的異常度檢測設備11是否是非定常狀態。以下,說明非定常檢測部316的具體處理。
首先,非定常檢測部316,算出各個運轉資料的異常度。非定常檢測部316取得的運轉資料的實測值是1時,非定常檢測部316以運轉資料的實測值為1的機率P1為變數,並以取得的負的自然對數的值(-ln(P1))為異常度。
另一方面,非定常檢測部316取得的運轉資料的實測值是0時,非定常檢測部316以運轉資料的實測值為0的機率1-P1為變數,並以取得的負的自然對數的值(-ln(1-P1))為異常度。
第8圖係顯示本發明的第一實施形態中的運轉資料的期待值與實測值的差異值與異常度的關係說明圖。
如第8圖所示,隨著運轉資料的期待值與實測值的差異值即乖離變大,成為明顯高的異常度。因此,例如,運轉資料的期待值是0而實測值是1的情況等,期待值與實測值 有大的乖離時成為高異常度。
其次,非定常檢測部316算出設備11全體的異常度。非定常檢測部316,關於成為算出各設備11的異常度的對象的運轉資料,算出異常後,合計算出的異常度,算出合計值作為各設備11的異常度。
於是,非定常檢測部316,判定算出的各設備11的異常度的合計值是否在臨界值以上,檢測異常度的合計值在臨界值以上的設備11為運轉狀況是非定常狀態。
以此方式,由於以根據各運轉資料算出的各運轉資料的異常度的合計值判定設備11的運轉狀況是否是非定常狀態,即使各運轉資料單體是異常度不高的情況也可以判定設備11全體是異常度高的情況,可以得到可以適當判定設備11的運轉狀況是非定常狀態的情況之效果。
又,作為非定常檢測部316中的各個運轉資料的異常度的算出方法,雖然說明利用負的自然對數的方法,但不限定於利用自然對數的方法,例如利用常用對數的方法,利用反正切等的反三角函數的方法或利用以10等的值為底的指數函數的方法等,只要隨著運轉資料的期待值與實測值的差異值變大異常度明顯變大的方法即可。
又,作為非定常檢測部316中的異常度的算出方法,說明關於算出各設備11的異常度的方法,但不限定於算出各設備11的異常度的方法,例如,各設備的每一機能或每一關聯元件使用者設定族群,可以是每一設定的族群算出異常度的方法,也可以是如工廠生產線10包含複數的設備11的每 一群組算出異常度。
回到第7圖,顯示控制部317,根據從非定常檢測部316取得的設備11的運轉狀況的檢測結果,控制顯示裝置34的顯示。顯示控制部317,當非定常檢測部316檢測設備11的運轉狀況不是非定常狀態時,將表示設備11是定常狀態的主旨的顯示,以及當非定常檢測部316檢測設備11的運轉狀況是非定常狀態時,將表示設備11是非定常狀態的主旨的顯示,顯示在顯示裝置34上。
第9圖係顯示本發明的第一實施形態中的顯示裝置的顯示畫面的一範例說明圖。第9(a)圖係顯示設備11的運轉狀況是定常狀態的定常狀態畫面,第9(b)圖係顯示設備11的運轉狀況是非定常狀態的非定常狀態畫面。
如第9(a)圖所示,非定常檢測部316檢測設備11的運轉狀況不是非定常狀態時,成為以文字顯示在左上設備11的名稱與在中央運轉狀況是定常狀態的主旨的顯示畫面。
另一方面,如第9(b)圖所示,非定常檢測部316檢測設備11的運轉狀況是非定常狀態時,成為顯示在左上設備11的名稱與在中央上部運轉狀況是非定常狀態的主旨,還有顯示運轉狀況成為非定常狀態的設備11的運轉資料的名稱以及表示定常狀態時與檢測非定常狀態的實測值的運轉資料的時間變化的圖表之顯示畫面。在此,定時狀態時顯示的設備11的運轉資料,當期待值算出部315算出的期待值在0.5以上的情況為1,比0.5小的情況為0,係顯示控制部317產生的運轉資料。
如第9圖所示,顯示裝置34上進行根據非定常檢測部316的檢測結果的顯示,可以得到可以通知使用者檢測非定常狀態作為設備11的運轉狀況之效果。
又,檢測設備11的運轉狀況是非定常狀態的情況下,藉由顯示表示定常狀態時與實測值的運轉資料的時間變化的圖表,可以得到使用者可以輕易辨識設備11的運轉資料成為非定常狀態之效果。
又,第9圖中,例示顯示各設備11的運轉狀況的顯示畫面,但顯示畫面不限於各設備11的顯示,總括顯示全部的設備11的運轉狀況的顯示畫面也可以。又,第9圖例示各設備11的運轉狀況以文字或圖表表示的顯示畫面,但表示運轉狀況的表現不限定於文字或圖表,例如以○或×等的記號表示等,只要可以表現區別定常狀態與非定常狀態的顯示即可。
又,第9圖中為了特定設備11的運轉資料,例示運轉資料的名稱以文字表示的顯示畫面,但顯示畫面中特定運轉資料的表現不限定於以文字顯示設備11的運轉資料的名稱,也可以是輸出設備11的運轉資料的設備的構成元件以文字或插圖等表示的顯示畫面。
其次,說明關於控制裝置31的非定常檢測處理的流程。第10圖係顯示本發明的第一實施形態中的非定常檢測處理流程的一範例流程圖。
首先,控制裝置31在正常模型產生處理結束後,自動開始非定常檢測處理。又,非定常檢測處理,在控制裝置 31中的正常模型產生後,非定常檢測系統100追加新的設備11時,或既存的設備11的控制條件變更時等,除了必須產生新的正常模型的情況之外,運轉中原則上經常實行非定常檢測裝置30。
步驟S201中,通訊控制部314經由通訊裝置36從收集資料伺服器20取得設備11的運轉資料。在此,通訊控制部314取得的運轉資料包含設備11的過去運轉資料與現在運轉資料的實測值。
步驟S202中,將通訊控制部314在步驟S201中取得的設備11的運轉資料記憶在記憶體33的收集資料庫331內。以步驟S201與步驟S202,通訊控制部311複製收集資料伺服器20的設備11的運轉資料至收集資料庫331。
其次,步驟S203中,期待值算出部315根據記憶體33的收集資料庫331內記憶的設備11的過去運轉資料與正常資料庫332內記憶的正常模型,算出從設備11其次輸出的運轉資料的期待值。
步驟S204中,非定常檢測部316根據步驟S203中期待值算出部315算出的運轉資料的期待值與記憶體33的收集資料庫331內記憶的設備11的運轉資料的實測值算出設備11的異常度。利用第11圖說明非定常檢測部316算出設備11的異常度的處理流程細節。
第11圖係顯示本發明的第一實施形態中的異常度的算出處理流程的一範例流程圖。又,第11圖所示的異常度的算出處理全部由非定常檢測部316實行。
步驟S301中,非定常檢測部316判定記憶體33的收集資料庫331內記憶的設備11的運轉資料的實測值的值是0或1,實測值的值是0時轉移至步驟S302,實測值的值是1時轉移至步驟S303。
步驟S302中,非定常檢測部316計算以實測值成為0的機率1-P1為變數的負自然對數(-ln(1-P1)),算出異常度,並轉移至步驟S304。
步驟S303中,非定常檢測部316計算以實測值成為1的機率P1為變數的負自然對數(-ln(P1)),算出異常度,並轉移至步驟S304。
步驟S304中,非定常檢測部316判定關於成為算出設備11的異常度的對象的全部運轉資料是否算出異常度,算出關於全部對象時(Yes)轉移至步驟S305,未算出關於全部對象時(No)回到步驟S301繼續處理。
步驟S305中,非定常檢測部316合計算出的異常度,算出設備11的異常度,結束異常度的算出處理。
回到第10圖,步驟S205中,非定常檢測部316判定步驟S204中非定常檢測部316算出的設備11的異常度是否在臨界值以上,檢測設備11是否是非定常狀態。
步驟S206中,顯示控制部317根據步驟S205中非定常檢測部316檢測的檢測結果控制顯示裝置34的顯示,之後回到步驟S201繼續非定常檢測處理。
如上述,根據第一實施形態的非定常檢測裝置30,算出從2值數位信號的設備11的過去運轉資料其次輸出 的運轉資料的信號的期待值,根據算出的期待值與運轉資料的實測值,藉由算出設備11的運轉狀況的異常度,可以檢測利用2值數位信號的設備11的運轉狀況是否是非定常狀態,可以得到用少的處理量可以檢測即時的非定常狀態的效果。
又,作為控制裝置31中的非定常檢測處理,雖然說明關於判斷設備11的運轉狀況是非定常狀態時也繼續非定常檢測處理的處理方法,但處理方法不限於判斷設備11的運轉狀況是非定常狀態時也繼續非定常檢測處理,例如非定常檢測裝置30包括停止工廠生產線10的機能,以非定常檢測部316判斷設備11的運轉狀況是非定常狀態時,停止工廠生產線10結束非定常檢測處理也可以。
第二實施形態
第一實施形態,說明關於檢測利用2值數位信號的設備11的運轉狀況的方法。第二實施形態,係說明關於檢測設備11的運轉狀況,運轉狀況是非定常狀態時,通知使用者成為非定常狀態的主因之實施形態。又,關於非定常檢測系統100的構成、非定常檢測裝置30的構造、非定常檢測裝置30的控制裝置31的構造以及控制裝置31實行的正常模型產生處理,因為與第一實施形態相同,省略說明。
第12圖係顯示用以實行本發明的第二實施形態中的非定常檢測處理的機能構成的一範例構成圖。在此,與第7圖所示用以實行第一實施形態中的非定常檢測處理的機能構成的相異點,係控制裝置31包括非定常特定部318的點。
非定常特定部318,在設備11的運轉狀況是非定 常狀態時特定成為非定常狀態的主因。非定常特定部318,從非定常檢測部316取得設備11的運轉狀況的檢測結果以及設備11的運轉狀況是非定常狀態時算出的各個運轉資料的異常度。
取得的設備11的運轉狀況的檢出結果不是非定常狀態時,非定常特定部318將取得的設備11的運轉狀況的檢測結果傳送至顯示控制部317。
另一方面,取得的設備11的運轉狀況的檢出結果是非定常狀態時,非定常特定部318根據取得的各個運轉資料的異常度特定設備11的運轉狀況成為非定常狀態的主因,將特定取得的設備11的運轉狀況的檢出結果的主因傳送至顯示控制部317。在此,非定常特定部318特定成為非定常狀態的主因的方法,可以是非定常特定部318特定取得的異常度的值是最大運轉資料為成為非定常狀態的主因的方法,也可以是特定取得的運轉資料中異常度是上位的運轉資料為成為非定常狀態的主因的方法,或者也可以是判定取得的異常度的值在臨界值以上的運轉資料為成為非定常狀態的主因的方法。
回到第12圖,顯示控制部317,根據從非定常特定部318取得的設備11的運轉狀況的檢測結果與設備11的運轉狀況成為非定常狀態的主因,控制顯示裝置34的顯示。顯示控制部317,將取得的設備11的運轉狀況的檢出結果不是非定常狀態時表示設備11是定常狀態的主旨的顯示,以及將取得的設備11的運轉狀況的檢出結果是非定常狀態時表示設備11是非定常狀態的主旨的顯示,顯示在顯示裝置34上。
第13圖係顯示本發明的第二實施形態中的顯示裝置的非定常狀態的顯示畫面的一範例說明圖。又,表示設備11的運轉狀況是定常狀態的定常狀態畫面,因為與第9(a)圖所示的第一實施形態中的定常狀態畫面相同,省略說明。
如第13(a)圖所示,表示第二實施形態中的顯示裝置的非定常狀態的非定常狀態的顯示畫面的一範例,成為顯示在左上設備11的名稱與在中央上部設備11的運轉狀況是非定常狀態的主旨,還有顯示特定成為非定常狀態的主因的設備11的運轉資料的名稱以及表示定常狀態時與檢測非定常狀態的實測值的運轉資料的時間變化的圖表之顯示畫面。在此,與第9(b)圖所示的第一實施形態的非定常狀態畫面不同的點,只有特定顯示的運轉資料是成為非定常狀態的主因之運轉資料的點。
以此方式,檢測設備11的運轉資料是非定常狀態時,藉由顯示表示定常狀態時與檢測非定常狀態的實測值的運轉資料的時間變化的圖表,可以得到使用者可以輕易辨識設備11的運轉資料成為非定常狀態之效果。
另一方面,如第13(b)圖所示,表示第二實施形態中的顯示裝置的非定常狀態的非定常狀態畫面的其它範例,係顯示在左上設備11的名稱與在中央上部運轉狀況是非定常狀態的主旨,還有特定成為非定常狀態的主因的設備11的運轉資料不是圖表而只以文字顯示運轉資料的名稱的畫面。
以此方式,檢出設備11的運轉狀況是非定常狀況時,由於只顯示特定為成為非定常狀態的主因的設備11的運 轉資料名稱,可以得到使用者可以輕易辨識設備11的運轉資料成為非定常狀態的主因之效果。
如第13圖所示,由於在顯示裝置34上進行根據非定常檢測部316的檢測結果的顯示,可以得到可以通知使用者檢測非定常狀態作為設備11的運轉狀況之效果。
又,雖然第13圖中例示只表示特定設備11的運轉狀況成為非定常狀態的主因的設備11的運轉資料之顯示畫面,但不限定顯示畫面只顯示特定為主因的設備11的運轉資料,也可以是表示全部的設備11的運轉資料,表示各運轉資料是否是特定為主因的運轉資料之顯示畫面。
又,因為第13圖中特別指定特定設備11的運轉狀況成為非定常狀態的主因的設備11的運轉資料,雖然例示以文字表示運轉資料的名稱的顯示畫面,但顯示畫面中不限定於以文字顯示特別指定特定運轉資料的表現是主因的設備11的運轉資料名稱,以文字或插圖等表示輸出特定是主因的設備11的運轉資料之設備11的構成元件之顯示畫面也可以。
其次,說明關於控制裝置31的非定常檢測處理的流程。第14圖係顯示本發明的第二實施形態中的非定常檢測處理流程的一範例流程圖。
首先,控制裝置31中的正常模型產生處理結束後,自動開始非定常檢測處理。又,非定常檢測處理,在控制裝置31中的正常模型產生後,除了非定常檢測系統100追加新的設備11時或者既存的設備11的控制條件變更時等必須重新產生正常模型的情況之外,在運轉中原則上經常實行非定常 檢測裝置30。
步驟S401到步驟S405,因為與第10圖所示的第一實施形態中的非定常檢測處理流程的步驟S201到步驟S205相同,省略說明。
步驟S406中,非定常特定部318根據步驟S405中非定常檢測部316檢測的檢測結果進行處理。步驟S405中非定常檢測部316檢測的檢測結果在設備11的運轉狀況不是非定常狀態的情況下(No),非定常特定部318將步驟S405中非定常檢測部316檢測的檢測結果傳送至顯示控制部317,並轉移至步驟S408。步驟S405中非定常檢測部316檢測的檢測結果在設備11的運轉狀況是非定常狀態的情況下(Yes),非定常特定部318轉移至步驟S407。
步驟S407中,非定常特定部318根據步驟S404中非定常檢測部316算出的設備11的異常度與步驟S405中非定常檢測部316檢測的檢測結果特定設備11成為非定常狀態的主因,並將步驟S405中非定常檢測部316檢測的檢測結果與特定的設備11成為非定常狀態的主因傳送至顯示控制部317,並轉移至步驟S408。
步驟S408中,顯示控制部317根據步驟S405中非定常檢測部316檢測的檢測結果與步驟S407中非定常特定部318特定的設備成為非定常狀態的主因,控制顯示裝置34的顯示,之後回到步驟S401繼續非定常檢測處理。
如上述,根據第二實施形態的非定常檢測裝置30,設備11的運轉狀況成為非定常狀態時,特定成為非定常 狀態的主因,並可以通知使用者特定的主因,使用者可以輕易辨識設備11成為非定常狀態的主因,可以得到可以迅速實行設備11的保養之效果。
作為控制裝置31中的非定常檢測處理,說明關於判斷設備11的運轉狀況為非定常狀態時也繼續非定常檢測處理的處理方法,但處理方法不限定於判斷設備11的運轉狀況為非定常狀態時也繼續非定常檢測處理的方法,例如,非定常檢測裝置30備置停止工廠生產線10的機能,以非定常檢測部316判斷設備11的運轉狀況為非定常狀態時,停止工廠生產線10,結束非定常檢測處理也可以。
Claims (10)
- 一種非定常檢測裝置,包括:模型產生部,根據運轉狀況是定常狀態的複數的設備的2值數位信號的運轉資料,產生用以判定上述設備的運轉狀況的正常模型;期待值算出部,利用上述正常模型,根據上述設備的過去運轉資料,算出輸出的運轉資料的期待值;以及非定常檢測部,比較上述運轉資料的期待值與運轉資料的實測值,檢測上述設備的運轉狀況是否是非定常狀態。
- 如申請專利範圍第1項所述的非定常檢測裝置,其中,上述非定常檢測部,根據上述運轉資料的期待值與運轉資料的實測值,算出隨著上述運轉資料的期待值與上述運轉資料的實測值的差異值變大而值明顯變大的異常度,根據上述異常度檢測上述設備的運轉狀況是否是非定常狀態。
- 如申請專利範圍第2項所述的非定常檢測裝置,其中,上述非定常檢測部,當上述運轉資料的實測值是1時,根據取得上述運轉資料的期待值的負的自然對數的值,算出上述異常度,當上述運轉資料的實測值是0時,根據取得1減去上述運轉資料的期待值的值的負的自然對數的值,算出上述異常度。
- 如申請專利範圍第2或3項所述的非定常檢測裝置,包括:非定常特定部,根據上述非定常檢測部中的檢出結果與上述異常度,特定設備的運轉狀況成為非定常狀態的主因。
- 如申請專利範圍第1至3項中任一項所述的非定常檢測裝置,其中,上述運轉資料是時序資料;藉由上述模型產生部以可以根據上述運轉資料處理時序資料的機械學習手法進行機械學習,產生上述正常模型。
- 如申請專利範圍第5項所述的非定常檢測裝置,其中,可以處理上述時序資料的機械學習手法是隱馬可夫模型、時間延遲神經網路或類神經網路。
- 如申請專利範圍第1至3項中任一項所述的非定常檢測裝置,包括:顯示裝置,顯示上述非定常檢測部中的檢測結果。
- 如申請專利範圍第4項所述的非定常檢測裝置,包括:顯示裝置,顯示上述非定常特定部中成為特定的上述非定常狀態的主因。
- 一種非定常檢測系統,包括:如申請專利範圍第1至8項中任一項所述的非定常檢測裝置;複數的設備;以及收集資料伺服器,記憶上述複數的設備的運轉資料。
- 一種非定常檢測方法,根據運轉狀況是定常狀態的複數的設備的2值數位信號的運轉資料,產生用以判定上述設備的運轉狀況的正常模型;利用上述正常模型,根據上述設備的過去運轉資料,算出輸出的運轉資料的期待值;比較上述運轉資料的期待值與運轉資料的實測值;檢測上述設備的運轉狀況是否是非定常狀態。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
??PCT/JP2017/024075 | 2017-06-30 | ||
PCT/JP2017/024075 WO2019003404A1 (ja) | 2017-06-30 | 2017-06-30 | 非定常検出装置、非定常検出システム、および非定常検出方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW201904852A TW201904852A (zh) | 2019-02-01 |
TWI673228B true TWI673228B (zh) | 2019-10-01 |
Family
ID=64740458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW106130970A TWI673228B (zh) | 2017-06-30 | 2017-09-11 | 非定常檢測裝置、非定常檢測系統以及非定常檢測方法 |
Country Status (7)
Country | Link |
---|---|
US (1) | US11493912B2 (zh) |
JP (1) | JP6678824B2 (zh) |
KR (1) | KR102168736B1 (zh) |
CN (1) | CN110785716B (zh) |
DE (1) | DE112017007606T5 (zh) |
TW (1) | TWI673228B (zh) |
WO (1) | WO2019003404A1 (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7412150B2 (ja) * | 2019-11-29 | 2024-01-12 | 東京エレクトロン株式会社 | 予測装置、予測方法及び予測プログラム |
JP7452990B2 (ja) * | 2019-11-29 | 2024-03-19 | 東京エレクトロン株式会社 | 異常検知装置、異常検知方法及び異常検知プログラム |
DE112020006409B4 (de) | 2020-03-03 | 2024-01-18 | Mitsubishi Electric Corporation | Unregelmässigkeit-erfassungssystem, unregelmässigkeit-erfassungsverfahren, und unregelmässigkeit-erfassungsprogramm |
EP4172705A1 (en) * | 2020-06-29 | 2023-05-03 | Honeywell International Inc. | Machine learning based direct method of determining status of facility control loop components |
WO2022147287A1 (en) * | 2020-12-31 | 2022-07-07 | Schneider Electric Systems Usa, Inc. | Systems and methods for benchmarking operator performance for an industrial operation |
DE112021007666T5 (de) * | 2021-07-21 | 2024-04-04 | Mitsubishi Electric Corporation | System zur bestimmung eines stabilen bereichs, verfahren zur bestimmung eines stabilen bereichs und programm zur bestimmung eines stabilen bereichs |
DE112021008086T5 (de) | 2021-10-15 | 2024-05-29 | Mitsubishi Electric Corporation | Zustandserfassungssystem, zustandserfassungsverfahren und zustandserfassungsprogramm |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWM334411U (en) * | 2007-12-19 | 2008-06-11 | Hsiuping Inst Technology | Automatic test and efficiency real-time monitoring apparatus of production line |
CN102255673A (zh) * | 2010-05-19 | 2011-11-23 | 希姆通信息技术(上海)有限公司 | 基于修改sscom配置文件的无线模块测试方法 |
CN104598114A (zh) * | 2015-02-28 | 2015-05-06 | 苏州路之遥科技股份有限公司 | 线束智能测试机微电脑测试工艺编辑方法 |
TWI550564B (zh) * | 2014-07-01 | 2016-09-21 | 富士通股份有限公司 | 異常檢測系統、顯示裝置、異常檢測方法、及記錄媒體 |
TWI569231B (zh) * | 2015-10-22 | 2017-02-01 | Widax Tech Corp | Detection Method of Industrial Safety Early Warning System |
Family Cites Families (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04140803A (ja) | 1990-10-02 | 1992-05-14 | Nec Corp | 期待値データ生成方式 |
GB9208704D0 (en) | 1992-04-22 | 1992-06-10 | Foxboro Ltd | Improvements in and relating to sensor units |
US5774378A (en) | 1993-04-21 | 1998-06-30 | The Foxboro Company | Self-validating sensors |
JPH09280900A (ja) | 1996-04-16 | 1997-10-31 | Hitachi Ltd | プロセス量の計測方法、計測装置およびプラント監視装置 |
JP3766208B2 (ja) | 1998-07-09 | 2006-04-12 | 株式会社東芝 | プロセスデータ監視装置 |
US6477485B1 (en) | 2000-10-27 | 2002-11-05 | Otis Elevator Company | Monitoring system behavior using empirical distributions and cumulative distribution norms |
JP2005301582A (ja) | 2004-04-09 | 2005-10-27 | Toshiba Corp | プロセス管理装置 |
US7567887B2 (en) | 2004-09-10 | 2009-07-28 | Exxonmobil Research And Engineering Company | Application of abnormal event detection technology to fluidized catalytic cracking unit |
JP2006343063A (ja) | 2005-06-10 | 2006-12-21 | Daikin Ind Ltd | 設備機器の異常予知システム、設備機器の異常予知装置および設備機器の異常予知方法 |
JP2007102561A (ja) | 2005-10-05 | 2007-04-19 | Sharp Corp | 生産装置および生産装置管理システム |
JP2008226006A (ja) | 2007-03-14 | 2008-09-25 | Omron Corp | 設備機器診断装置およびプログラム |
JP2009223416A (ja) | 2008-03-13 | 2009-10-01 | Omron Corp | リモート装置及び監視システム |
JP2012048405A (ja) | 2010-08-25 | 2012-03-08 | Toyota Motor Corp | 制御装置、電子制御ユニット、異常検出方法 |
JP6076914B2 (ja) | 2011-01-24 | 2017-02-08 | エービービー・インコーポレイテッド | 大規模プロセスオートメーション制御システムを解析および診断する方法 |
JP5991042B2 (ja) | 2011-06-29 | 2016-09-14 | Jfeスチール株式会社 | 異常監視システムおよび異常監視方法 |
JP2013025367A (ja) * | 2011-07-15 | 2013-02-04 | Wakayama Univ | 設備状態監視方法およびその装置 |
WO2013030984A1 (ja) * | 2011-08-31 | 2013-03-07 | 株式会社日立エンジニアリング・アンド・サービス | 設備状態監視方法およびその装置 |
JP5777483B2 (ja) | 2011-10-21 | 2015-09-09 | 株式会社東芝 | プログラマブルコントローラシステム |
US20150277416A1 (en) | 2014-03-31 | 2015-10-01 | Mitsubishi Electric Research Laboratories, Inc. | Method for Anomaly Detection in Discrete Manufacturing Processes |
JP5943357B2 (ja) * | 2014-09-17 | 2016-07-05 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 検出装置、検出方法、およびプログラム |
KR101659989B1 (ko) | 2014-12-10 | 2016-09-27 | 부산대학교 산학협력단 | 다차원 특징을 이용한 이상신호 분석장치 및 방법 |
JP6733164B2 (ja) * | 2015-02-26 | 2020-07-29 | 富士電機株式会社 | プロセス監視装置、プロセス監視方法及びプログラム |
US10617363B2 (en) | 2015-04-02 | 2020-04-14 | Roche Diabetes Care, Inc. | Methods and systems for analyzing glucose data measured from a person having diabetes |
DE102016008987B4 (de) | 2015-07-31 | 2021-09-16 | Fanuc Corporation | Maschinenlernverfahren und Maschinenlernvorrichtung zum Lernen von Fehlerbedingungen, und Fehlervorhersagevorrichtung und Fehlervorhersagesystem, das die Maschinenlernvorrichtung einschließt |
JP6148316B2 (ja) * | 2015-07-31 | 2017-06-14 | ファナック株式会社 | 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム |
JP5946573B1 (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 |
CN105787587A (zh) | 2016-02-26 | 2016-07-20 | 海南电网有限责任公司 | 一种基于多元回归的电网系统应急物资需求预测方法 |
US11609115B2 (en) | 2017-02-15 | 2023-03-21 | Nippon Telegraph And Telephone Corporation | Anomalous sound detection apparatus, degree-of-anomaly calculation apparatus, anomalous sound generation apparatus, anomalous sound detection training apparatus, anomalous signal detection apparatus, anomalous signal detection training apparatus, and methods and programs therefor |
-
2017
- 2017-06-30 DE DE112017007606.4T patent/DE112017007606T5/de active Pending
- 2017-06-30 JP JP2019526083A patent/JP6678824B2/ja active Active
- 2017-06-30 CN CN201780092426.6A patent/CN110785716B/zh active Active
- 2017-06-30 WO PCT/JP2017/024075 patent/WO2019003404A1/ja active Application Filing
- 2017-06-30 KR KR1020197037657A patent/KR102168736B1/ko active IP Right Grant
- 2017-06-30 US US16/621,196 patent/US11493912B2/en active Active
- 2017-09-11 TW TW106130970A patent/TWI673228B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWM334411U (en) * | 2007-12-19 | 2008-06-11 | Hsiuping Inst Technology | Automatic test and efficiency real-time monitoring apparatus of production line |
CN102255673A (zh) * | 2010-05-19 | 2011-11-23 | 希姆通信息技术(上海)有限公司 | 基于修改sscom配置文件的无线模块测试方法 |
TWI550564B (zh) * | 2014-07-01 | 2016-09-21 | 富士通股份有限公司 | 異常檢測系統、顯示裝置、異常檢測方法、及記錄媒體 |
CN104598114A (zh) * | 2015-02-28 | 2015-05-06 | 苏州路之遥科技股份有限公司 | 线束智能测试机微电脑测试工艺编辑方法 |
TWI569231B (zh) * | 2015-10-22 | 2017-02-01 | Widax Tech Corp | Detection Method of Industrial Safety Early Warning System |
Also Published As
Publication number | Publication date |
---|---|
WO2019003404A1 (ja) | 2019-01-03 |
US11493912B2 (en) | 2022-11-08 |
KR20200009077A (ko) | 2020-01-29 |
KR102168736B1 (ko) | 2020-10-22 |
TW201904852A (zh) | 2019-02-01 |
US20200264595A1 (en) | 2020-08-20 |
CN110785716A (zh) | 2020-02-11 |
CN110785716B (zh) | 2023-03-31 |
DE112017007606T5 (de) | 2020-02-27 |
JP6678824B2 (ja) | 2020-04-08 |
JPWO2019003404A1 (ja) | 2019-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI673228B (zh) | 非定常檢測裝置、非定常檢測系統以及非定常檢測方法 | |
EP3809220B1 (en) | Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data | |
JP6810097B2 (ja) | 異常検出器 | |
JP6148316B2 (ja) | 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム | |
US11657121B2 (en) | Abnormality detection device, abnormality detection method and computer readable medium | |
US10915419B2 (en) | Industrial control system, and assistance apparatus, control assist method, and program thereof | |
TW202004573A (zh) | 學習裝置、學習推論裝置、方法及程式 | |
EP3382485B1 (en) | Controller, control program, control system, and control method | |
US20210191375A1 (en) | Method for carrying out measurements on a virtual basis, device, and computer readable medium | |
US11892819B2 (en) | Control device, control system, control method, and computer-readable storage medium | |
TW201926041A (zh) | 設備保養預測系統及其操作方法 | |
KR102483811B1 (ko) | 자동화 공정 이상상태 모니터링 및 제어 시스템 및 방법 | |
JP2019016039A (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
EP2998814A1 (en) | System for predicting abnormality occurrence using plc log data | |
US20220404792A1 (en) | Method, system and computer program product for monitoring a shaping process | |
JP7029647B2 (ja) | コントローラ、システム、方法及びプログラム | |
Jauhri et al. | Outlier detection for large scale manufacturing processes | |
TWI740313B (zh) | 虛擬量測方法、裝置及電腦可讀存儲介質 | |
EP4379618A1 (en) | Computer implemented method for determining a quality result for input data of a data model | |
JP7457752B2 (ja) | データ分析システム、データ分析方法、及びプログラム | |
CN116681351A (zh) | 用于注塑工序的质量预测和根本原因分析系统和方法 | |
JP2024063679A (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
KR20240050288A (ko) | Ai 기반의 제조 공정 표준 통합 관리 및 모니터링을 위한 방법 | |
KR20230090275A (ko) | Ai 기반의 제조 공정 관리 방법 및 컴퓨팅 장치 | |
WO2023132972A1 (en) | Sequence of events analyzer |