TWI728422B - 異常判定支援裝置 - Google Patents

異常判定支援裝置 Download PDF

Info

Publication number
TWI728422B
TWI728422B TW108128299A TW108128299A TWI728422B TW I728422 B TWI728422 B TW I728422B TW 108128299 A TW108128299 A TW 108128299A TW 108128299 A TW108128299 A TW 108128299A TW I728422 B TWI728422 B TW I728422B
Authority
TW
Taiwan
Prior art keywords
abnormality
aforementioned
primary
target data
judgment
Prior art date
Application number
TW108128299A
Other languages
English (en)
Other versions
TW202036016A (zh
Inventor
今成宏幸
下田直樹
Original Assignee
日商東芝三菱電機產業系統股份有限公司
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 日商東芝三菱電機產業系統股份有限公司 filed Critical 日商東芝三菱電機產業系統股份有限公司
Publication of TW202036016A publication Critical patent/TW202036016A/zh
Application granted granted Critical
Publication of TWI728422B publication Critical patent/TWI728422B/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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
    • 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
    • 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
    • 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
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • 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)
  • Automation & Control Theory (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Computer Interaction (AREA)
  • General Factory Administration (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

異常判定支援裝置具備有分析對象資料作成部、一次判定部以及二次判定部。分析對象資料作成部從製造設備的資料採集裝置取得表示製造設備的狀態或製品品質的至少其中一者之時間序列訊號，從時間序列訊號抽出分析對象資料。一次判定部對於抽出的分析對象資料應用複數種不同的分析方法，藉此從共通的分析對象資料導出複數個一次判定結果。二次判定部具有機器學習裝置，該機器學習裝置進行學習之教導訊號係以由一次判定部所得到的一次判定結果和與該一次判定結果對應的作為正確答案之異常判定結果及異常原因成對地構成者，該二次判定部係將在一次判定部從共通的分析對象資料得到的複數個一次判定結果輸入至機器學習裝置，將從機器學習裝置輸出的二次判定結果及推測異常原因作為判斷材料加以輸出。

Description

異常判定支援裝置
本發明係關於在與製品的製造有關之製造設備中支援進行判定製造設備本身及製品品質是正常還是異常之裝置。
在製造業中使用的製造設備，有軋延機、加工機、組立機等多種設備。例如用來製造出板材之軋延機，係將鐵鋼材料或鋁、銅等之非鐵材料的塊料軋延成薄板使之容易加工成汽車製品或電機製品。於軋延機中，例如粗軋機有2台，精軋機有7台，用來驅動上下的軋輥之大功率電動機及連結軋輥與電動機之轉軸等，其細部的規格雖有不同但裝置的構成多半是類似的。
對於此等製造設備很要求要能夠穩定且高速地製造製品，且為了避免由於製造設備的故障阻礙了製品的生產，而要求能夠讓人事先知道製造設備狀況不佳或異常之技術。為此，一般進行的是收集所需的設備的訊號，從該訊號來判定是正常還是異常。與如此的技術有關之公知文獻，可舉出的例子有下述的專利文獻1、專利文獻2、專利文獻3。
專利文獻1中揭示一種方法，利用旋轉機的電流的振幅，以兩個指標來指定是否有異常。根據專利文獻1揭示的方法，依是否超過預先設定的判 定基準而進行是否異常之判定。不過，專利文獻1中並未有機器學習(machine learning)等利用學習來強化判斷力之揭示。
專利文獻2中揭示一種方法，利用旋轉機的電流來診斷是否異常。不過，與專利文獻1一樣，其診斷方法係判定某個指標是否超過閾值。專利文獻2中雖然有也可應用機器學習之記述，但關於具體的方法為何並未提及。
專利文獻3中揭示預先透過使用了正常時的資料之迴歸分析等來作成診斷對象的模型，然後評估現在的資料與所作成的模型之差來判定是否異常。專利文獻3揭示的方法也是依是否超過預先設定的閾值來判定是否異常之方法。
在正常還是異常之判定上實際上最難的一個問題，在於如何設定正常與異常的界線，亦即如何設定用來判定是否異常之閾值。依據閾值設定，可能發生將正常判定為異常之情形，或是將異常判定為正常之情形。而且，決定了閾值之後所做的正常或是異常之判斷結果，可能會因為之後變更了閾值而使得正常及異常之判定變不同。
另外，為了判定是正常還是異常，有採用數種分析方法。例如基本的統計量(平均、最大、最小、標準偏差、偏度(skewness)、峰度(kurtosis)等)、機率密度函數的圖形辨認。此外也可利用快速傅立葉轉換(FFT)、小波轉換(wavelet transformation)來定量化出振動的幅度(振幅)與頻率之關係。
然而，由於上述的分析方法有複數種，或由於上述閾值的決定方式，會發生判定結果隨著會變動之問題。亦即，會發生如下述情形：根據以某一分析方法而輸出的指標及依該指標而設定的閾值來判定時為正常，但根據以另 一分析方法而輸出的指標及依該指標而設定的閾值來判定時則為異常，而產生相反之判定結果。
又，一般而言，與正常資料的數目及種類相比較，異常資料的數目及種類非常少，要收集表示異常的事例通常要花很多的時間。
[先前技術文獻] [專利文獻]
專利文獻1：日本特許第5828948號公報
專利文獻2：日本特開2019-020278號公報
專利文獻3：日本特開2019-016039號公報
本發明係有鑒於如上所述的課題而完成者，其目的在提供支援以良好精度判定製造設備中是否發生了異常之異常判定支援裝置。
本發明之異常判定支援裝置，係提供用來判定製造設備中是否發生了異常的判斷材料之異常判定支援裝置，具備有分析對象資料作成部、一次判定部以及二次判定部。分析對象資料作成部係構成為從製造設備的資料採集裝置取得表示製造設備的狀態或製品品質的至少其中一者之時間序列訊號，從時間序列訊號抽出分析對象資料。一次判定部係構成為對於分析對象資料作成部所抽出的分析對象資料應用複數種不同的分析方法，藉此從共通的分析對象資 料導出複數個一次判定結果。二次判定部係構成為：具有機器學習裝置，該機器學習裝置進行學習的教導信號，係以由一次判定部所得到的一次判定結果和與該判定結果對應的作為正確答案之異常判定結果及異常原因來成對地構成者，該二次判定部將在一次判定部從共通的分析對象資料得到的複數個一次判定結果輸入至機器學習裝置，將從機器學習裝置輸出的二次判定結果及推測異常原因輸出作為判斷材料。
分析對象資料作成部、一次判定部以及二次判定部的各處理，可由構成異常判定支援裝置之電腦加以執行。亦即，可用具備有至少一個處理器及記憶至少一個程式之至少一個記憶體之電腦來構成異常判定支援裝置，且將程式構成為當處理器執行從記憶體讀出的程式時，處理器作為分析對象資料作成部、一次判定部及二次判定部而動作。
在本發明之異常判定支援裝置的一個形態中，一次判定部可構成為：對於分析對象資料應用複數種不同的分析方法，藉此將分析對象資料轉換為複數個數值指標，然後將複數個數值指標作為複數個一次判定結果加以輸出。機器學習裝置可構成為：以一次判定部所得到的數值指標作為其輸入，使用以實際的異常判定結果及異常原因作為正確答案之教導訊號進行學習。二次判定部可構成為：將一次判定部依各個分析方法所得到的複數個數值指標輸入至機器學習裝置，將從機器學習裝置輸出的異常判定結果及推測異常原因作為判斷材料加以輸出。
在本發明之異常判定支援裝置的另一形態中，一次判定部可構成為：對於分析對象資料應用複數種不同的分析方法，藉此將分析對象資料轉換為複數個數值指標，根據複數個數值指標的每一個分別進行有無異常之判定及異 常程度之計算，然後將依各個分析方法所得到的複數個判定結果及異常程度作為複數個一次判定結果加以輸出。機器學習裝置可構成為：以一次判定部所得到的判定結果及異常程度作為輸入，使用以實際的異常判定結果及異常原因作為正確答案之教導訊號進行學習。二次判定部可構成為：將一次判定部依各個分析方法所得到的複數個判定結果及異常程度輸入至機器學習裝置，將從機器學習裝置輸出的異常判定結果及推測異常原因作為判斷材料加以輸出。
在本發明之異常判定支援裝置的又另一形態中，一次判定部可構成為：對於分析對象資料應用複數種不同的分析方法，藉此將分析對象資料轉換為複數個數值指標，然後將複數個數值指標作為複數個一次判定結果加以輸出。機器學習裝置可構成為：以一次判定部所得到的數值指標作為輸入，使用以從數值指標判定的異常之有無及從數值指標計算出的異常程度作為正確答案之教導訊號進行學習。二次判定部可構成為：將一次判定部依各個分析方法所得到的複數個數值指標輸入至機器學習裝置，將從機器學習裝置輸出的異常判定結果及推測異常原因作為判斷材料加以輸出。
在本發明之異常判定支援裝置中，分析對象資料作成部可構成為：將製造設備為稼動中之製造設備的負載狀態及非負載狀態之兩個狀態的資料抽出，再算出從抽出的資料去除掉低頻成分後的高頻成分作為分析對象資料。在此情況，一次判定部可構成為：對於負載狀態及非負載狀態各者的分析對象資料應用複數種不同的分析方法，藉此將分析對象資料轉換為複數個數值指標，根據複數個數值指標的每一個進行有無異常之判定，若在負載狀態為異常且在非負載狀態為正常則判定為機械系統之異常，若在負載狀態為異常且在非負載狀態為異常則判定為電性系統之異常、訊號傳遞系統之異常或控制系統之異常。
又，在本發明之異常判定支援裝置中，分析對象資料作成部可構成為：將製造設備為稼動中之製品品質測定用的感測器的測定時狀態及非測定時狀態之兩個狀態的資料抽出，再算出從抽出的資料將低頻成分去除掉後的高頻成分作為分析對象資料。在此情況，一次判定部可構成為：分別對於測定時狀態及非測定時狀態的各者的分析對象資料應用複數種不同的分析方法，藉此將分析對象資料轉換為複數個數值指標，根據複數個數值指標的每一個進行有無異常之判定，若在測定時狀態為異常且在非測定時狀態為正常則判定為製品品質之異常，若在測定時狀態為異常且在非測定時狀態為異常則判定為測定製品品質之感測器系統之異常，或訊號傳遞系統之異常。
在本發明之異常判定支援裝置中，機器學習裝置可構成為：採用以中間層為一個之類神經網路(neural network)進行之學習，以中間層由複數個構成之類神經網路進行之深度學習，及以基於規則的(rule-based)學習之中的任一種方法來進行學習。
在本發明之異常判定支援裝置中，機器學習裝置可構成為：以表示在一次判定部所得到的一次判定結果之變數之中不具有物理單位之無因次變數作為學習對象，且將無因次變數應用於轉移到其他的製造設備的異常判定支援裝置之轉移學習，或應用至從其他的製造設備的異常判定支援裝置轉移過來之轉移學習。
本發明之異常判定支援裝置可更具備有：資料及結果保存部以及顯示部。資料及結果保存部係構成為：將例如分析對象資料作成部所作成的分析對象資料、一次判定部的判定經過及結果、二次判定部的判定經過及結果之中的至少一者保存至記錄裝置。顯示部係構成為：以視覺方式顯示從資料採集裝置得 到的時間序列訊號、分析對象資料作成部所作成的分析對象資料、一次判定部的判定經過及結果、二次判定部的判定經過及結果之中的至少一者。
根據本發明之異常判定支援裝置，除了利用一次判定部而得到的一次判定結果，還得到二次判定部所判定出的二次判定結果及推測異常原因。二次判定部係將一次判定部所得到的複數個一次判定結果輸入至機器學習裝置而得到二次判定結果及推測異常原因，所以能夠進行不會隨著分析方法及閾值之不同而變動之高精度的判定。因此，根據本發明之異常判定支援裝置，可支援以精度良好地判定製造設備中是否發生了異常。
1‧‧‧資料採集裝置
1a‧‧‧記錄裝置
2‧‧‧異常判定支援裝置
3‧‧‧分析對象資料作成部
4‧‧‧一次判定部
5‧‧‧二次判定部
6‧‧‧資訊輸入部
7‧‧‧資料及結果保存部
8‧‧‧顯示部
20‧‧‧製造設備
21‧‧‧加熱爐
22、23‧‧‧粗軋機
24‧‧‧桿加熱機
25‧‧‧精軋機
26‧‧‧輸出輥道
27‧‧‧捲取機
30、32、33‧‧‧溫度計
31‧‧‧感測器
100‧‧‧軋延材
122、132、137‧‧‧機器學習裝置
F1、F2、F3、F4、F5、F6、F7‧‧‧軋延站
第1圖係顯示應用本發明的實施形態之異常判定支援裝置之製造設備的系統例之圖。
第2圖係顯示本發明的實施形態之異常判定支援裝置的構成之方塊圖。
第3圖係說明本發明的實施形態之分析對象資料作成部的處理流程的一例之圖。
第4圖係說明數值指標之訊號的態樣與推測的設備異常部位的對應關係之表。
第5圖係說明本發明的實施形態之一次判定部的處理流程的一例之圖。
第6圖係說明本發明的實施形態中的過去資料儲存表的例子之表。
第7圖係說明本發明的實施形態中的管制圖之圖。
第8圖係說明本發明的實施形態中的機率密度分布之圖。
第9圖係說明本發明的實施形態中的機率密度分布，特別是瑞利分布之圖。
第10圖係說明本發明的實施形態中的自迴歸模型的自迴歸係數的變化之圖。
第11圖係說明本發明的實施形態中的各類似設備的比較之圖。
第12圖係顯示本發明的實施形態之機器學習裝置的第一例之圖。
第13圖係說明本發明的實施形態之機器學習裝置的學習的態樣例之圖。
第14圖係說明對象製造設備資料變動的樣子及人為施加的變動之圖。
第15圖係顯示本發明的實施形態之機器學習裝置的第二例之圖。
第16圖係顯示本發明的實施形態之機器學習裝置的第三例之圖。
第17圖係顯示本發明的實施形態中的顯示例之圖。
以下，參照圖式來說明本發明的實施形態。不過，以下說明的實施形態為例示出用來將本發明的技術思想具體化之裝置及方法，除非特別指明之情形，否則並非表示將構成部件的構造及配置、處理的順序等限定在以下所說明的態樣。本發明並不限定在以下揭示的實施形態，可在未脫離本發明的主旨之範圍內進行各種變化而實施。
1.製造設備的系統例
第1圖係顯示應用本發明的實施形態之異常判定支援裝置之製造設備的系統例之圖。在本實施形態中，將異常判定支援裝置2應用於其中之製造設備20係為熱薄板軋延線。熱薄板軋延線係為由加熱爐21、粗軋機22、23、桿加熱機 (bar heater)24、精軋機25、輸出輥道(run-out table)26、捲取機27等各種裝置所構成之製造設備20。
經加熱爐21加熱過的軋延材100係由粗軋機22、23加以軋延。經過粗軋機22、23的軋延之軋延材100，在通過桿加熱機24後進入到精軋機25。精軋機25係具有並排在一直線上之7個軋延站(stand)F1~F7，將軋延材100軋延到希望的板厚。經精軋機25軋延過的軋延材100在輸出輥道26接受冷却後，由捲取機27捲成捲狀。將軋延材100軋延成薄材並捲成捲狀之薄板即為製造設備20所製造的最終的製品。
在製造設備20，配置有測定與製品品質有關的物理量之各種感測器。例如，配置有用來計測精軋機25的入側的溫度之溫度計30，用來計測板厚及板寬之感測器31，用來計測精軋機25的出側的溫度之溫度計32，用來計測捲取機27的入側的溫度之溫度計33等。
製造設備20設有資料採集裝置1。資料採集裝置1係為了保障或管理製品的品質，而連續地或間歇地收集對於構成製造設備20的各裝置之設定值及實際值，製造設備20中配置的各感測器30~33的測定值，及使各裝置適當正確地動作所需的操作量等之各種資料，並將之記錄到硬碟等之記錄裝置1a中。資料採集裝置1可由單一的電腦所構成，亦可由連接到網路之複數個電腦所構成。
2.異常判定支援裝置的概要
異常判定支援裝置2係透過例如LAN而與資料採集裝置1連接。異常判定支援裝置2係支援使用者所進行的製造設備20的異常判定之裝置。更詳言之，異常判定支援裝置2係對使用者提供用來判定製造設備20中是否發生了異常之 判斷材料之裝置，從資料採集裝置1中記錄的時間序列訊號抽出要在製造設備20的異常判定中使用的分析對象資料，進行分析，然後將分析結果提供給使用者，藉以支援使用者進行的異常判定。異常判定支援裝置2係為具有至少一個記憶體及至少一個處理器之電腦。記憶體中記憶有異常判定所要使用的各種程式及各種資料。
第2圖係顯示異常判定支援裝置2的構成之圖，以方塊表示異常判定支援裝置2所具有的功能。異常判定支援裝置2具備有分析對象資料作成部3、一次判定部4、二次判定部5、資訊輸入部6、資料及結果保存部7以及顯示部8。在該等要素中，分析對象資料作成部3、一次判定部4及二次判定部5係由處理器執行從記憶體讀出的程式，由處理器以軟體的方式加以實現。另一方面，資訊輸入部6、資料及結果保存部7及顯示部8可獨立於異常判定支援裝置2而設置。資訊輸入部6為例如鍵盤，資料及結果保存部7為例如硬碟等之記錄裝置，顯示部8為例如顯示器裝置。
3.異常判定支援裝置的功能
3-1.分析對象資料作成部
分析對象資料作成部3係從資料採集裝置1取得表示振動、電流、負載等之製造設備20的狀態之時間序列訊號及表示製品品質之時間序列訊號，從該等時間序列訊號抽出在一次判定部4進行的分析及判定所需的資料。不過，若製造設備20並非在稼動中就不能得到是異常還是正常之資訊，所以分析對象資料作成部3係從時間序列訊號抽出製造設備20在稼動中的資料。
另外，就算在製造設備20的稼動中，在例如軋延設備之軋延中的狀態，亦即有負載的狀態(負載狀態)，與在並未在進行軋延之狀態，亦即沒有負 載的狀態(非負載狀態)，兩者在異常時的訊號的表現也有不同。因而，分析對象資料作成部3係抽出負載狀態及非負載狀態之兩個狀態的資料。於測定製品品質之感測器30~33，也是抽出在製造設備20的稼動中之製品品質測定用的感測器30~33的測定時狀態及非測定時狀態之兩個狀態的資料。
分析對象資料作成部3將從時間序列訊號抽出的資料全部發送至一次判定部4。此時，可將資料處理成適合於在一次判定部4的分析及判定之訊號。例如，分析對象資料作成部3可從抽出的資料其本身的值算出去除掉低頻成分之後的高頻成分，亦即算出相對於低頻成分之偏差。相對於負載狀態的訊號一般為較大的值，非負載狀態的訊號為較小的值，將兩者相比較，負載狀態的訊號的大小就會變得有意義，且會變得不易抽出在非負載狀態中之設備及品質的狀態。為了要以相同的基準來比較負載狀態的訊號與非負載狀態的訊號，最好將高頻成分抽出。此點在針對於感測器的測定時狀態的訊號與非測定時狀態的訊號之關係方面也一樣。對於抽出的資料之處理，除了如上述的將高頻成分抽出之處理之外，也可應用使資料通過例如低通濾波器來減低資料的雜訊之處理。
第3圖係說明分析對象資料作成部3的處理流程的一例之圖。在步驟S101中，若在製造設備20中分析對象的軋延材的軋延結束，就從資料採集裝置1取得包含軋延前後在內之時間序列訊號。該時間序列訊號中包含有表示製造設備20的狀態之資料及表示製品品質之感測器資料。
步驟S102係針對各個軋延設備(2台粗軋機及構成精軋機之7個軋延站)，將軋延負載、軋延轉矩(torque)、電動機電流、旋轉機器的速度等資料予以分類成軋延中(負載狀態)的資料及非軋延中(非負載狀態)的資料。步驟S103 係將表示製品品質之板厚、板寬等之感測器資料予以分類成測定時狀態的資料及非測定時狀態的資料。
步驟S104係針對步驟S102及S103的原資料分別將高頻成分予以抽出。例如，可使原資料直接通過高通濾波器來將高頻成分抽出。或者，可使原資料通過低通濾波器，然後從原資料減掉低通濾波器的輸出結果來得到高頻成分。本說明書中，也將高頻成分稱為偏差資料，將抽出高頻成分之前的原資料對比於偏差資料而稱為絕對值資料。本說明書中所謂的原資料，係指電動機的電流、軋延負載等從製造設備採集的直接的資料。分析對象資料係包含原資料及偏差資料之兩資料。原資料除了包含絕對值資料之外，也包含已經在感測器等之中轉換為偏差資料之資料。分析對象資料作成部3除了可將屬於高頻成分之偏差資料傳送給一次判定部4之外，也將屬於原資料之絕對值資料、使原資料通過低通濾波器而減低了雜訊之資料等，一次判定中所需要的資料全部傳送給一次判定部4。
3-2.一次判定部
一次判定部4係對於在分析對象資料作成部3經分類成負載狀態及非負載狀態，或測定時狀態及非測定時狀態之分析對象資料，應用複數種不同的分析方法。詳言之，一次判定部4係將複數種不同的分析方法應用於共通的分析對象資料，將分析對象資料轉換為適於分析方法的數目之判定的數值指標。一次判定部4根據複數個數值指標的每一個分別進行製造設備20之異常的判定及異常程度之計算，以及進行製品品質之異常的判定及異常程度之計算。
一次判定部4係根據數值指標之訊號所具有的特徴來判定異常。用來判定異常之數值指標之訊號的特徴，可舉數值指標之訊號的振動狀態來作 為它的一個例子。可在數值指標之訊號的振動大之情況判定為異常，在數值指標之訊號的振動小之情況判定為正常。另外，可組合根據負載狀態的訊號的特徴之判定，與根據非負載狀態的訊號的特徴之判定，來推測設備的異常部位。
第4圖係說明數值指標之訊號的態樣與推測的設備異常部位的對應關係之表。在數值指標之訊號係與製造設備的狀態有關之訊號的情況，訊號的態樣有表中所示的a1、b1、c1三種樣態(pattern)。訊號的態樣為a1之情況，亦即若是在負載狀態中振動大(亦即異常)而且在非負載狀態中振動小(亦即正常)的話，可判定為機械系統有異常。訊號的樣子為b1之情況，亦即，若是負載狀態中振動大而且在非負載狀態中也振動大的話，可判定為電性系統有異常、訊號傳遞系統有異常，或控制系統有異常。訊號的態樣為c1之情況，亦即，若是在負載狀態中振動小而且在非負載狀態中也振動小的話，可判定為設備正常。
在與製品品質有關之數值指標之訊號的情況，訊號的態樣有表中所示的a2、b2、c2三種樣態。訊號的態樣為a2之情況，亦即，若是在測定時狀態中振動大(亦即異常)而且在非測定時狀態中振動小(亦即正常)的話，可判定為品質有異常。訊號的態樣為b2之情況，亦即，若是在測定時狀態中振動大而且在非測定時狀態中也振動大的話，可判定為感測器系統有異常或訊號傳遞系統有異常。訊號的態樣為c2之情況，亦即，若是在測定時狀態中振動小而且在非測定時狀態中振動小的話，可判定為品質正常。
一次判定部4將經上述處理而得到的數值指標及/或異常判定結果及異常程度作為一次判定結果而將之輸出至二次判定部5。
第5圖係說明一次判定部4的處理流程的一例之圖。首先，步驟S111係從分析對象資料作成部3接受分析對象資料之提供。分析對象資料中， 依各軋延設備(包含負載狀態及非負載狀態)、各製品品質(包含測定時狀態及非測定時狀態)，而有是絕對值資料還是偏差資料之種別。一次判定部4將分析對象資料分類，以涵蓋1號站-軋延負荷-負載時-偏差資料、7號站-電動機電流-非負載時-絕對值資料等所有的情況。
步驟S112係從複數種不同的分析方法之中選出一個要應用於分析對象資料之分析方法。分析方法的詳細內容將在後面說明，例如可選擇求出分析對象資料的標準偏差之方法，將該方法應用於1號站-軋延負荷-負載時-偏差資料。
步驟S113係從分析對象的原資料(絕對值資料)產生出數值指標。例如，從分析對象的原資料計算出標準偏差，以之作為數值指標。另一個例子係從分析對象的原資料計算出機率密度分布，利用KL距離(Kullback-Leibler distance)等來評價與根據該資料之常態分布(normal distribution)之差，以之作為數值指標。
步驟S114係比較從過去的正常的資料得到的m個數值指標的平均A與從新取得的分析對象資料得到的數值指標B。然後，算出A與B之差，或再應用霍特林理論(Hotelling's theory)等計算出上位的數值指標。關於數值指標的求出方法的詳細內容也留待後面說明。
步驟S115係根據步驟S114中算出的上位的數值指標而判定製造設備及製品品質之正常/異常。例如，將依據霍特林理論而得到之數值指標套入到卡方分布(chi-square distribution)，求出異常程度(異常可能性)。後述的顯示部8在例如異常程度為99%以上之情況顯示出紅色警報(alarm)，在95%以上之情況顯示出黃色警報，在兩者中間的話則是顯示從紅到黃之漸層顏色。
步驟S116係若已用完所有要應用的分析方法就前進到步驟S118，若還有未用的分析方法則在步驟S117變更分析方法。在步驟S118中若已分析完所有的分析對象資料就結束處理，若還有未分析的資料則在步驟S119變更分析對象資料。
3-2-1.分析方法的第一例
首先，說明計算出統計量之方法來作為分析方法的第一例。統計量有以下所述的種類。此處，假設得到的是n個利用下述的式1所表示的原資料列X。
X={x 1 ,x 2 ,…,x i ,…,x n }…式1
可從原資料計算出的一般的統計量，可舉出的有以下所述的例子。這些統計量記載於例如「2017年度版 機械保全
Figure 108128299-A0202-12-0015-6
徹底攻略(設備診断作業)日本能率協会
Figure 108128299-A0202-12-0015-5
」之一般的文獻中。
(1)平均值
Figure 108128299-A0202-12-0015-1
(2)絕對值平均
Figure 108128299-A0202-12-0015-2
(3)標準偏差
Figure 108128299-A0202-12-0015-3
表示振動的大小。
(4)有效值
Figure 108128299-A0202-12-0015-4
平均值若為0的話與標準偏差相同。
(5)峰值
例如從正的最大值算起之由大至小的順序的10個平均值，或從負的最小值算起之由小至大的順序的10個平均值
(6)波形因數(form factor)
Figure 108128299-A0202-12-0016-7
表示低頻域的失衡(unbalance)、失調(misalignment)。
(7)波峰因數(crest factor)
Figure 108128299-A0202-12-0016-8
使用於軸承及齒輪的異常判定。
(8)衝撃指數
Figure 108128299-A0202-12-0016-9
使用於軸承及齒輪的局部缺陷的診斷、往復運動機械的診斷。
(9)間隙率
Figure 108128299-A0202-12-0016-10
使用於微小局部缺陷的檢測。
(10)偏度(skewness)
Figure 108128299-A0202-12-0016-11
表示分布的不對稱性之指標。
(11)峰度(kurtosis)
Figure 108128299-A0202-12-0017-12
使用於軸承、齒輪的診斷、旋轉機的診斷。
在上述的統計量之中，無因次(亦即不具有mm、kg等的物理的單位)之變數為(6)波形因數、(7)波峰因數、(8)衝撃指數、(10)偏度及(11)峰度。
以下，針對選擇計算出標準偏差之方法作為原資料的分析方法之情況進行說明。儲存有過去的m個(例如m=50、100等)正常的數值指標之過去資料儲存表(table)，可假設為具有第6圖所示的形態。此表係按各設備及各製品品質項目，而且按原資料的絕對值、偏差而具有表，並具有鋼種區分(TS個)、板厚區分(TT個)、板寬區分(TW個)之區分(例如TS=100、TT=30、TW=10等)。當然，亦可將以上的區分更加細分，或將不需要的區分拿掉。
在表的一個一個的儲存格(cell)設有m個份的保存區域。在該處儲存從正常資料計算出的標準偏差作為正常的數值指標。從與新取得的分析對象資料相同鋼種、板厚、板寬的格，將過去m個份的數值指標取出。然後，將根據包含新取得的分析對象資料之資料列而計算出的標準偏差及從儲存格取出的數值指標相比較，來對於該等之差進行評價。評價的結果若是判定為新取得的分析對象資料為正常的，就將該儲存格的最舊的數值指標刪除，將從新取得的分析對象資料計算出的數值指標新追加到該儲存格中。
可使用分析對象資料的標準偏差本身的值作為新取得的分析對象資料的數值指標，也可使用例如根據霍特林理論而得到的指標。該理論指出：以式1表示的資料呈常態分布之情況，下述的式2之H會呈卡方分布。
Figure 108128299-A0202-12-0017-13
前述的標準偏差之例，就儲存於第6圖的表中之一個儲存格中的正常的數值指標而言，儲存有過去的m個標準偏差。若該等資料呈常態分布，則可計算出式2中之過去的m個數值指標(標準偏差)的平均x_ave及標準偏差σ。新取得的分析對象資料的標準偏差可以式2的x之形式來計算。H為無因次的值。卡方分布的值一般係呈現為數學用表，或可從以下的式3來計算。其中，k=1，y=H(x)，Γ為伽馬函數。
Figure 108128299-A0202-12-0018-14
採用霍特林理論之方法，係將數值指標設為依霍特林理論而得之指標H(x)，將判定正常/異常套用卡方分布來進行判定之方法。若x與式2中之平均x_ave及標準偏差σ的距離變大則H(x)的值會變大，可將之理解成異常程度變高。例如，H(x)=3.0之情況，卡方分布f=0.051，H(x)為正常之機率為約5%。另一方面，H(x)=5.6之情況，卡方分布f=0.01，H(x)為正常之機率為約1%。將正常資料視作為過去的資料之情況，可假定其係呈常態分布。
接著，說明利用管制圖(control chart)之品質管理手法來作為另一判定方法。第7圖顯示管制圖之例。就管制圖而言，一般將管制上限及管制下限定為3σ(σ：標準偏差)，超過上限或下限就判定為異常。例如，假設第6圖之表中儲存的m個數值指標有峰度，就可計算出該數值指標的σ。將新取得的分析對象資料的峰度與作為正常的數值指標的峰度的σ進行比較，若超過3σ，則可說有99.73%的異常程度。若將略低的管制基準設為2.5σ，則異常程度為97.5%，若管制基準為2σ則異常程度為95.4%。上述的2σ之2、3σ之3等為無因次之值。
不過，資料的偏度較大之時，有偏到正側或負側(第7圖係偏到負側)之情形。如此的情況，可應用文獻「The Individuals Control Chart in Case of Non-Normality,Betul Kan,Berna Yazici,Anadolu University,Journal of Modern Applied Statistical Methods,Article 28(2005)」中揭示的依據偏度之管制上限、管制下限的修正。式4係管制上限UCL之式，式5係管制下限LCL之式，式6中之β1係偏度。
Figure 108128299-A0202-12-0019-15
Figure 108128299-A0202-12-0019-16
Figure 108128299-A0202-12-0019-17
又另一個判定方法，係將第6圖之表中與新取得的分析對象資料相同鋼種、板厚、板寬的儲存格中儲存的過去的m個數值指標取出，計算出其平均值。可算出過去的m個數值指標的平均值與新取得的分析對象資料之差，若該差為例如標準偏差的3倍的則發出黃色警報，若為4倍的則發出紅色警報等。不過，應該設定為幾倍，可能需要在現場以試誤法決定。上述的3倍、4倍之3、4等為無因次之值。
3-2-2.分析方法的第二例
接著，就分析方法的第二例而言，說明利用偏差資料的機率密度分布與常態分布的差之方法來。所謂的機率密度分布係表示資料x在某一範圍內變化時，會成為該範圍之中的某值之機率，且將該範圍內的機率都加起來會為1(100%)。
第8圖顯示正常資料的機率密度分布之例及含有異常資料之資料的機率密度分布之例。第8圖之圖表(a)顯示只有正常資料之機率密度分布之例，第8圖之圖表(b)顯示含有異常資料之資料的機率密度分布之例。可知圖表(b)所示的機率密度分布與圖表(a)所示的機率密度分布相比較，在橫軸的展度較大，偏離常態分布之程度也較大。因為在橫軸的展度的大小也會出現在上述的統計量的說明中所示的標準偏差的大小，所以會反映於標準偏差之數值指標。在此可考量偏離常態分布的程度。
為了定量地評價偏離常態分布的程度，可使用例如以下的數值指標。式7為KL散度(Kullback-Leibler Divergence)DKL的計算式，式8為誤差平方和DSQ的計算式，式9為誤差絕對值和DABS的計算式。
Figure 108128299-A0202-12-0020-18
Figure 108128299-A0202-12-0020-19
Figure 108128299-A0202-12-0020-20
其中，PA(x)為原資料x所具有的實際的機率密度，PN(x)為常態分佈。假設分析對象之資料x並非絕對值資料，而是偏差資料。因為偏差資料中出現的高頻成分很強，所以幾乎都可視為是雜訊。雜訊一般多為白雜訊，其分佈為常態分布。不過，在原資料中含有由於某些異常而產生的雜訊訊號之情況，偏差資料成為與常態分布不同的分布之可能性就會升高，而欲對其進行檢測。
與前述的標準偏差之例一樣，在使用例如KL散度DKL作為數值指標之情況，事先準備有與第6圖所示的表一樣的表，在其中儲存以正常資料為對象而算出的DKL。有新的資料輸進來時計算出DKL，與過去的正常的m個DKL相比較，來判定正常/異常。此時，可使用前述的霍特林理論或管制圖之判定方法。使用誤差平方和DSQ、誤差絕對值和DABS時也一樣。不過，在分析方法的第二例中可利用的數值指標並不限定於數值指標DKL、DSQ、DABS。此外，也可如同在分析方法的第一例中作為又另一判定方法而說明者，手動設定異常程度來進行判定。
3-2-3.分析方法的第三例
接著，就分析方法的第三例，說明分別以偏差資料的極大值及極小值作為對象計算出機率密度分布，以機率密度分布與雷式分布之差作為數值指標之方法。極大值、極小值之情況，正常時的資料的分布並非常態分布，而是如第9圖所示之雷式分布。數值指標之計算、正常/異常之判定方法都與前述說明相同。上述的機率密度的值為無因次之值。
3-2-4.分析方法的第四例
接著，就分析方法的第四例而言，說明使用自迴歸模型之方法。一般而言，迴歸模型係為以例如一次多項式的形式表示從屬變數與獨立變數的關係之模型，從屬變數與獨立變數可為不同的變數。例如，在使從屬變數為軋延負荷之情況，可使獨立變數為變形阻力、軋延速度、材料溫度而作出迴歸模型。自迴歸模型中，從屬變數與獨立變數雖為相同的資料類別，但從屬變數為現在的值，獨立變數為使用其過去的值之模型。例如，相當於利用軋延負荷過去的自身的值(軋 延負荷)來辨認出軋延負荷。自迴歸模型係以例如以下的式10加以表示。其中，ε為白雜訊，α0、α1、...、αK-1為自迴歸係數。自迴歸係數的值為無因次之值。
y(K)=α 0 +α 1 y(1)+α 2 y(2)+…+α K-1 y(K-1)+ε…式10
第10圖顯示自迴歸模型的自迴歸係數的變化之例。圖中，橫軸0表示常數項α0之值，橫軸k(k為自然數)表示k次前的值的係數αk。縱軸為係數的值。第10圖所示的線之中，也有以異常資料來辨認所得到的結果。若辨認對象之時間為一定(此情況為12次之固定值)，並以正常資料為對象的話，自迴歸係數幾乎都為一定的值之可能性較高，但第10圖中有幾條線呈現出與其他的線的不同的動作，此係由於異常資料所造成的。因此，當利用自迴歸模型而辨認出的係數的值與利用過去的正常的資料辨認出的係數的值不同之時，可將之判定為有發生了某些異常。
與其他的方法相同，準備儲存有與各係數對應之以正常資料求出的係數值之如第6圖的表。有新的資料輸進來時，計算出過去的m個係數值的平均值及標準偏差，然後計算出例如基於霍特林理論之式2而作為數值指標。藉由將此數值指標應用到卡方分布，而可判定正常/異常。或者，亦可依據新計算出的係數值是否超過根據依過去的m個正常資料求出的係數值而計算出的管制上限、管制下限，來判定正常/異常。
3-2-5.分析方法的其他例
分析方法除了上述的例子之外，還有FFT(快速傅立葉轉換)、小波轉換等分析方法，並不限於上述的例子。
另外，在分析方法的上述的例子中，係計算出依據正常的原資料的過去的值而求出的數值指標，再以該數值指標為基準而計算出依據新加入的 資料而求出的新的數值指標，然後比較新的數值指標與依據過去的值而求出的數值指標。然而，在類似的設備有複數個之情況，可藉由計算依據從類似的設備得到的資料而求出的數值指標，並與依據從對象設備得到的資料而求出的數值指標相比較，來進行正常/異常之判定。例如，在第11圖之3軸圖表中，軋延材的軸方向表示時間之推移。在此軸方向之比較，為上面說明過的與過去的m個值比較之方法。在第11圖之3軸圖表中，亦可在設備之軸方向進行比較。若數值指標呈現與其他的設備不同之舉動，可將之判定為異常。關於分析方法之選擇、數值指標之計算方法、正常/異常之判定都與上述的一樣。
關於在一次判定部4計算出的數值指標，歸納來說如下。雖然在數值指標並未應用到閾值，但在正常/異常之判定上，卻需要應用幾個閾值於數值指標來進行判定。
例1：標準偏差及偏度等之統計量本身
例2：以例1為基礎之霍特林理論之指標
例3：表示原資料的機率密度分布與常態分布的差之式7~9之值
例4：以例3為基礎之霍特林理論之指標
例5：表示原資料的極大值、極小值的機率密度分布與雷式分布的差之式7~9之值
例6：依據例5而得之霍特林理論之指標
例7：利用自迴歸模型而辨認出的自迴歸係數本身之值
例8：依據例7而得之霍特林理論之指標
如以上所述，在一次判定部4對於各製造設備及各製品品質，以各分析方法計算出數值指標，並進行依據該數值指標之正常/異常之判定及異常程度之計算。
3-3.二次判定部
接著，針對二次判定部5進行說明。
3-3-1.機器學習裝置的第一例
第12圖係顯示二次判定部5所具備的機器學習裝置的第一例之圖。就第12圖而言，一次判定部的數值指標係為輸入至機器學習裝置122之輸入121，正常或異常之判定結果(二次判定結果)及推測的異常原因為輸出123。在學習階段，係將輸入121及作為其的結果之輸出123配成一對而作為教導訊號提供給機器學習裝置122。在進行二次判定之階段，則是只將輸入121提供給機器學習裝置122，將屬於其結果之輸出123設為判定結果。
如在關於一次判定部4之說明中所述的，分析方法有複數種，利用各分析方法計算出的數值指標也有複數個。因此，即使使用相同的對象資料，也有隨著情況之不同而導致設備或品質之正常/異常的判定會不相同之可能性。這是因為各分析方法適合使用的現象有各不相同之情形，而且判定結果也會隨著如何設定正常與異常的界線亦即用來判定是否異常的閾值而產生不同。
二次判定部5中的學習功能，在進行學習之階段係將輸入121設為一次判定部4所輸出的複數個數值指標。機器學習裝置122係具備有例如下述學習方法：以中間層為一個之類神經網路(neural network)進行之學習；以中間層由複數個構成之類神經網路進行之深度學習；或記述有如現象A係以B之機 率因為原因C而發生之因果關係的以基於規則的(rule-based)學習方法。輸出123表示判定為正常還是異常以及異常原因的推測結果。
第13圖顯示機器學習裝置122中的學習的態樣例。在資訊輸入部6中，列有如第13圖的表所示的設備的場所，以及如表示概要原因之異常原因-1、表示詳細原因之異常原因-2的階層的原因候補。當然階層數並不限於兩個。另外，資訊輸入部6也具有編輯功能，以使本發明所屬技術領域中具有通常知識者可進行新的輸入(就第13圖而言係加到第13號以後)或進行原因的修正。另外，也可規劃成可在表的方塊的最右側的欄中記入對於異常的對策。又，利用資訊輸入部6進行之輸入，係假設為由與軋延機等之對象製造設備有關係的本發明所屬技術領域中具有通常知識者，亦即具有與對象製造設備有關的充分的知識之操作員或工程師進行。
在有從一次判定部4輸入依各製造設備、各製品品質之分析方法而得到的數值指標時，本發明所屬技術領域中具有通常知識者可一面參照第13圖之表一面使輸入的數值指標與異常原因-1或進一步與異常原因-2相關聯。使用成對的輸入的數值指標與異常原因-1或異常原因-2，作為用來使機器學習裝置122學習之教導訊號。
另外，可收集人為的施加給製造設備或製品品質之變更，將之與依分析方法而定的數值指標相關聯。第14圖係以管制圖式顯示某一對象製造設備的資料變動的態樣之圖，圖中顯示了與人為施加的變動的關係。假設在t1之時點進行了某個對於對象製造設備之變動，資料開始向正方向的異常值變動。假設在一次判定部4的判定下，出現數值指標超過管制上限三次之情形，業者在t2之時點進行了某個變動。再假設在t3之時點又再進行了某個變動。在此情況， 在t1之時點進行的變動是異常原因的可能性很高，在t2之時點進行之變動可想成是要將異常去除之對策。在t3之時點進行之變動則沒什麼影響。
因此，機器學習裝置122進行學習時之輸入121，為數值指標超過管制上限三次時的設備或品質，及該時的數值指標之值，教導訊號為第13圖中與施加變動的時點t1或時點t2相當之異常原因-1及異常原因-2。該等變動一般係由業者將之記載到作業日誌等中。作業日誌有是紙本的情形，也有是電子作業日誌之情形。電子作業日誌之情況可較容易地將該等變動載入到系統中。紙本之作業日誌則必須將其記載轉換為電子資訊。
3-3-2.機器學習裝置的第二例
第15圖係顯示二次判定部5所具備的機器學習裝置的第二例之圖。與第12圖所示的第一例不同，第二例之機器學習裝置132中，來自一次判定部4之輸入131並不是數值指標，而是判定的是正常或是異常之結果及異常程度。第一例與第二例只有在輸入的內容不同，其他都相同。不過，在將來自一次判定部4之輸入131設為判定為正常或是異常的結果而非數值指標之情況，會有若變更一次判定部4中之正常/異常的判定所用的閾值，正常/異常的判定結果就會大幅地變化之情形。如此一來就必須從最初開始重新學習。
因此，於第15圖所示的第二例之機器學習裝置132，係按照一次判定部4之正常/異常的判定結果而加大對於異常程度之權重而進行學習。關於異常程度，在使用例如屬於霍特林理論的指標之式2的情況，卡方分布之值就相當於異常程度。在H(x)=3.0之情況，卡方分布的值為0.051，所以正常之機率為0.051，亦即異常之機率為0.949，而以0.949作為異常程度。如此，機器學習裝置132的輸出133就不會受到一次判定部4中設定的閾值的變更之影響。 第12圖所示的第一例及第15圖所示的第二例的哪一個較適合對象製造設備，可視在調整階段之各者的性能而決定。
3-3-3.機器學習裝置的第三例
一般而言，與正常資料的數目、種類相比較，異常資料的數目、種類非常地少，要收集表示為異常之事例通常要花很多的時間。亦即，第12圖所示的第一例之機器學習裝置122、第15圖所示的第二例之機器學習裝置132為了進行學習，得到包含異常狀態之輸入與正解成對地構成的教導訊號之頻率卻較小，而有達到具有充分的學習能力為止要花很多時間之課題。
因此，在異常的事例很少之情況，使用第16圖所示的第三例之機器學習裝置137。在第三例之機器學習裝置137進行學習之階段，係以一次判定部4所輸出的複數個數值指標作為輸入，且使用以一次判定部4所輸出的製造設備或製品品質之正常/異常的判定結果及異常程度為正解之教導訊號。在將學習的結果取出之階段，係以一次判定部4輸出的複數個數值指標作為輸入136，將製造設備及製品品質之正常/異常的判定結果及異常程度作為輸出138而加以取出。
在異常事例少之階段進行學習之機器學習裝置137，因為以正常資料為其主要的輸入，所以相較於對異常情形進行判別，其特徵更著重於判別為正常情形。此時若有異常資料輸入，則會將其設為與正常不同性質的資料，而判定為異常。若異常事例不斷增多，則在教導訊號之中插入如在第12圖及第15圖說明的輸入輸出關係來進行學習，從而提高機器學習的層級。
3-3-4.機器學習裝置的轉移學習
就異常資料較少之情況的對策而言，亦可應用機器學習中之轉移學習。一般所謂的轉移學習，係一種在機器學習尚未儲存足夠的學習資料時使用的手法，為將在別的場所或別的機會學習到的結果(機器學習，例如類神經網路內部的結合權重)轉用到該機器學習之方法。若在別的製造設備得到很多異常資料，則可將在該處的機器學習的結果轉移到異常資料少的該製造設備。不過，若製造設備的特性不同，則必須適切地評價特性的不同以減少其差異。
考慮例如將在製造設備A大量蓄積的學習結果轉移學習到未蓄積學習結果的製造設備B之例。在製造設備A得到以式1表示的原資料列X時，原資料列X中會很明顯地反映出製造設備A的特徴。在例如製造設備A為進行比製造設備B更大量的生產，或軋延更多的硬鋼種之工廠的情況，製造設備A的電動機的額定容量通常會比製造設備B大。於製造設備A中，如電動機電流等都會得到較大的值，當直接使用製造設備A的資料進行機器學習時，就算是在製造設備A可使用該學習結果，也大多不適合用於製造設備B。
作為此問題的對策，有一種方法係將屬於物理量之原資料予以標準化而用於作為機器學習的教導訊號之輸入輸出。標準化之方法有下述方法：計算出原資料的平均及標準偏差，然後以平均會成為0，標準偏差會成為1之方式來修正輸入輸出之方法；求出原資料的最大值、最小值，然後將其範圍設為1而進行修正之方法。不過，會有異常資料少之製造設備B的資料，因為原資料的分布範圍窄，而因標準化導致無法充分表現出製造設備B的特徴之情形。
因此，本實施形態之機器學習並不直接使用從製造設備得到的原資料而進行學習，而是使用無因次的變數而進行學習。在一次判定部4，係使用過去的正常的資料來計算出數值指標。該數值指標之中，無因次的變數，例如波 形因數、波峰因數、衝撃指數、偏度、峰度、以式7~9對機率密度分布與常態分布之差進行評價得到之值，或以霍特林理論之指標計算出所有基本的統計量或機率密度分布與常態分布之差得到之值等為無因次的，所以使用該等值進行學習。如此就可不修正在製造設備A學習到的結果直接轉用到製造設備B及其他的製造設備，所以可容易地進行轉移學習。亦即，可在各製造設備有效且容易地利用少量的異常資料。
4.資料及結果保存部以及顯示部
再回到第2圖，針對資料及結果保存部7以及顯示部8進行說明。資料及結果保存部7係將分析對象資料作成部3所作成的分析對象資料、一次判定部4的判定經過及結果，二次判定部5的判定經過及結果保存至硬碟等之記憶裝置等。以在之後能夠將判定的理由及根據取出。
顯示部8係以視覺方式顯示從製造設備得到的時間序列訊號、表示製品品質之時間序列訊號、分析對象資料作成部3所作成的分析對象資料、一次判定部4的判定經過及結果、二次判定部5的判定經過及結果。例如，第17圖所示的圖表，係針對4條軋延材的資料計算出14個Kullback-Leibler指標，然後將其隨時間的變化畫成三維的圖之例。從此圖可知，第4條軋延材的第8個指標大幅高出其他的指標，必須特別注意該數值指標。
就算一次判定部4及二次判定部5做出了正常/異常之判定，也因為要顯示出其理由而需要資料及結果保存部7及顯示部8。
1‧‧‧資料採集裝置
1a‧‧‧記錄裝置
2‧‧‧異常判定支援裝置
3‧‧‧分析對象資料作成部
4‧‧‧一次判定部
5‧‧‧二次判定部
6‧‧‧資訊輸入部
7‧‧‧資料及結果保存部
8‧‧‧顯示部

Claims (12)

  1. 一種異常判定支援裝置，係提供用來判定製造設備中是否發生了異常的判斷材料，前述異常判定支援裝置係具備：分析對象資料作成部，係從前述製造設備的資料採集裝置取得表示前述製造設備的狀態或製品品質的至少一者之時間序列訊號，從前述時間序列訊號抽出分析對象資料；一次判定部，係對於前述分析對象資料作成部所抽出的前述分析對象資料應用複數種不同的分析方法，藉此從共通的前述分析對象資料導出複數個一次判定結果；以及二次判定部，係具有機器學習裝置，前述機器學習裝置進行學習的教導信號係以由前述一次判定部所得到的一次判定結果和與前述一次判定結果對應的作為正確答案之異常判定結果及異常原因來成對地構成者，前述二次判定部係將在前述一次判定部從共通的前述分析對象資料得到的前述複數個一次判定結果輸入至前述機器學習裝置，將從前述機器學習裝置輸出的二次判定結果及推測異常原因作為前述判斷材料加以輸出。
  2. 如申請專利範圍第1項所述之異常判定支援裝置，其中，前述一次判定部係對於前述分析對象資料應用前述複數種不同的分析方法，藉此將前述分析對象資料轉換為複數個數值指標，然後將前述複數個數值指標作為前述複數個一次判定結果加以輸出，前述機器學習裝置係以前述一次判定部所得到的數值指標作為輸入，使用以實際的異常判定結果及異常原因作為正確答案之教導訊號進行學習， 前述二次判定部係將前述一次判定部依各個前述分析方法所得到的前述複數個數值指標輸入至前述機器學習裝置，將從前述機器學習裝置輸出的異常判定結果及推測異常原因作為前述判斷材料加以輸出。
  3. 如申請專利範圍第1項所述之異常判定支援裝置，其中，前述一次判定部係對於前述分析對象資料應用前述複數種不同的分析方法，藉此將前述分析對象資料轉換為複數個數值指標，根據前述複數個數值指標的每一個分別進行有無異常之判定及異常程度之計算，然後將依各個前述分析方法所得到的複數個判定結果及異常程度作為前述複數個一次判定結果加以輸出，前述機器學習裝置係以前述一次判定部所得到的判定結果及異常程度作為輸入，使用以實際的異常判定結果及異常原因作為正確答案之教導訊號進行學習，前述二次判定部係將前述一次判定部依各個前述分析方法所得到的前述複數個判定結果及異常程度輸入至前述機器學習裝置，將從前述機器學習裝置輸出的異常判定結果及推測異常原因作為前述判斷材料加以輸出。
  4. 如申請專利範圍第1項所述之異常判定支援裝置，其中，前述一次判定部係對於前述分析對象資料應用前述複數種不同的分析方法，藉此將前述分析對象資料轉換為複數個數值指標，然後將前述複數個數值指標作為前述複數個一次判定結果加以輸出，前述機器學習裝置係以前述一次判定部所得到的數值指標作為輸入，使用以從前述數值指標判定的異常之有無及從前述數值指標計算出的異常程度作為正確答案之教導訊號進行學習， 前述二次判定部係將前述一次判定部依各個前述分析方法所得到的前述複數個數值指標輸入至前述機器學習裝置，將從前述機器學習裝置輸出的異常判定結果及推測異常原因作為前述判斷材料加以輸出。
  5. 如申請專利範圍第1至4項中任一項所述之異常判定支援裝置，其中，前述分析對象資料作成部係抽出前述製造設備為稼動中之前述製造設備的負載狀態及非負載狀態之兩個狀態的資料，再算出從抽出的資料去除掉低頻成分後的高頻成分作為前述分析對象資料。
  6. 如申請專利範圍第1至4項中任一項所述之異常判定支援裝置，其中，前述分析對象資料作成部係抽出前述製造設備在稼動中之製品品質測定用的感測器的測定時狀態及非測定時狀態之兩個狀態的資料，再算出從抽出的資料去除掉低頻成分後的高頻成分作為前述分析對象資料。
  7. 如申請專利範圍第5項所述之異常判定支援裝置，其中，前述一次判定部係對於前述負載狀態及前述非負載狀態各者之前述分析對象資料應用前述複數種不同的分析方法，藉此將前述分析對象資料轉換為複數個數值指標，根據前述複數個數值指標的每一個分別進行有無異常之判定，若在前述負載狀態為異常且在前述非負載狀態為正常則判定為機械系統之異常，若在前述負載狀態為異常且在前述非負載狀態為異常則判定為電性系統之異常、訊號傳遞系統之異常或控制系統之異常。
  8. 如申請專利範圍第6項所述之異常判定支援裝置，其中， 前述一次判定部係對於前述測定時狀態及前述非測定時狀態各者之前述分析對象資料應用前述複數種不同的分析方法，藉此將前述分析對象資料轉換為複數個數值指標，根據前述複數個數值指標的每一個分別進行有無異常之判定，若在前述測定時狀態為異常且在前述非測定時狀態為正常則判定為製品品質之異常，若在前述測定時狀態為異常且在前述非測定時狀態為異常則判定為是測定製品品質之感測器系統之異常，或訊號傳遞系統之異常。
  9. 如申請專利範圍第1至4項中任一項所述之異常判定支援裝置，其中，前述機器學習裝置係採用以中間層為一個之類神經網路進行之學習，以中間層由複數個構成之類神經網路進行之深度學習，及基於規則的學習之中的任一種方法進行學習。
  10. 如申請專利範圍第1至4項中任一項所述之異常判定支援裝置，其中，前述機器學習裝置係以表示在前述一次判定部所得到的一次判定結果之變數之中不具有物理單位之無因次變數作為學習對象，且將前述無因次變數應用於轉移到其他的製造設備的異常判定支援裝置之轉移學習，或從其他的製造設備的異常判定支援裝置轉移過來之轉移學習。
  11. 如申請專利範圍第1至4項中任一項所述之異常判定支援裝置，係具備有：資料及結果保存部，係將前述分析對象資料作成部所作成的分析對象資料、前述一次判定部的判定經過及結果、前述二次判定部的判定經過及結果之中的至少一者保存到記錄裝置。
  12. 如申請專利範圍第1至4項中任一項所述之異常判定支援裝置，係具備有：顯示部，係以視覺方式顯示從前述資料採集裝置得到的時間序列訊號、前述分析對象資料作成部所作成的分析對象資料、前述一次判定部的判定經過及結果、前述二次判定部的判定經過及結果之中的至少一者。
TW108128299A 2019-03-26 2019-08-08 異常判定支援裝置 TWI728422B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
PCT/JP2019/012973 WO2020194534A1 (ja) 2019-03-26 2019-03-26 異常判定支援装置
WOPCT/JP2019/012973 2019-03-26

Publications (2)

Publication Number Publication Date
TW202036016A TW202036016A (zh) 2020-10-01
TWI728422B true TWI728422B (zh) 2021-05-21

Family

ID=72609660

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108128299A TWI728422B (zh) 2019-03-26 2019-08-08 異常判定支援裝置

Country Status (7)

Country Link
US (1) US11392114B2 (zh)
EP (1) EP3764184A4 (zh)
JP (1) JP7044175B2 (zh)
KR (1) KR102398307B1 (zh)
CN (1) CN112041771A (zh)
TW (1) TWI728422B (zh)
WO (1) WO2020194534A1 (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019108268A1 (de) * 2019-03-29 2020-10-01 Festo Ag & Co. Kg Anomaliedetektion in einem pneumatischen System
WO2021095595A1 (ja) * 2019-11-13 2021-05-20 Ｊｆｅスチール株式会社 生産設備の操業方法及び操業システム
TWI792086B (zh) * 2020-10-30 2023-02-11 友達光電股份有限公司 行動式設備診斷裝置及設備診斷資訊顯示方法
JP2022084435A (ja) * 2020-11-26 2022-06-07 三菱重工業株式会社 異常検知システム、異常検知方法およびプログラム
JP2022107463A (ja) * 2021-01-08 2022-07-21 株式会社日立製作所 プラント制御装置、プラント制御方法及びプログラム
JP2022113534A (ja) * 2021-01-25 2022-08-04 オムロン株式会社 品質予測システム、モデル生成装置、品質予測方法、及び品質予測プログラム
WO2022249315A1 (ja) * 2021-05-26 2022-12-01 三菱電機株式会社 異常判定装置
US11734013B2 (en) 2021-06-17 2023-08-22 International Business Machines Corporation Exception summary for invalid values detected during instruction execution
JP2023012094A (ja) * 2021-07-13 2023-01-25 荏原環境プラント株式会社 情報処理方法、情報処理装置、および情報処理プログラム
TWI784718B (zh) * 2021-09-17 2022-11-21 和碩聯合科技股份有限公司 廠區告警事件處理方法與系統
JP7401514B2 (ja) * 2021-12-24 2023-12-19 三菱重工パワーインダストリー株式会社 伝熱管損傷原因推論装置及び伝熱管損傷原因推論方法
CN114488950B (zh) * 2022-02-09 2023-02-28 无锡微茗智能科技有限公司 机床机械部件动态保护方法及数控机床设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102451837A (zh) * 2010-10-27 2012-05-16 株式会社日立制作所 被轧材张力控制装置、被轧材张力控制方法及热连轧机
TW201236778A (en) * 2011-03-04 2012-09-16 Toshiba Mitsubishi Elec Inc Control device and control method
CN103384572A (zh) * 2011-03-18 2013-11-06 株式会社日立制作所 轧制控制装置、轧制控制方法以及轧制控制程序
US20160191733A1 (en) * 2014-12-24 2016-06-30 Konica Minolta, Inc. Image forming system, conveying stop method of recording material, and computer readable recording medium recorded with conveying stop program of recording material
WO2018155136A1 (ja) * 2017-02-24 2018-08-30 Thk株式会社 転がり案内装置の状態診断システム及び状態診断方法

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5828948B2 (ja) 1975-08-19 1983-06-18 松下電器産業株式会社 デンゲンデンアツキヨウキユウソウチ
JP4605132B2 (ja) * 2006-09-29 2011-01-05 パナソニック電工株式会社 異常検出装置、異常検出方法
CN102496028B (zh) * 2011-11-14 2013-03-20 华中科技大学 一种复杂装备的事后维修故障分析方法
JP2015075821A (ja) 2013-10-07 2015-04-20 横河電機株式会社 状態診断方法および状態診断装置
CN106462150B (zh) * 2014-05-20 2018-11-02 东芝三菱电机产业系统株式会社 制造设备诊断辅助装置
CN104102773B (zh) * 2014-07-05 2017-06-06 山东鲁能软件技术有限公司 一种设备故障预警及状态监测方法
WO2016033247A2 (en) 2014-08-26 2016-03-03 Mtelligence Corporation Population-based learning with deep belief networks
JP5828948B2 (ja) 2014-10-09 2015-12-09 株式会社高田工業所 回転機械系の異常診断方法
JPWO2017109903A1 (ja) 2015-12-24 2018-03-22 株式会社東芝 異常原因推定装置及び異常原因推定方法
JP6140331B1 (ja) * 2016-04-08 2017-05-31 ファナック株式会社 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム
JP6926472B2 (ja) * 2016-12-27 2021-08-25 株式会社ジェイテクト 解析装置および解析システム
JP6661559B2 (ja) * 2017-02-03 2020-03-11 株式会社東芝 異常検出装置、異常検出方法およびプログラム
US10928814B2 (en) 2017-02-24 2021-02-23 General Electric Technology Gmbh Autonomous procedure for monitoring and diagnostics of machine based on electrical signature analysis
CN107132410B (zh) * 2017-03-13 2018-09-25 广东电网有限责任公司信息中心 10kV线路线损率异常原因检测方法和系统
EP3379357B1 (en) 2017-03-24 2019-07-10 ABB Schweiz AG Computer system and method for monitoring the technical state of industrial process systems
JP6860406B2 (ja) * 2017-04-05 2021-04-14 株式会社荏原製作所 半導体製造装置、半導体製造装置の故障予知方法、および半導体製造装置の故障予知プログラム
JP6711323B2 (ja) 2017-07-04 2020-06-17 Ｊｆｅスチール株式会社 プロセスの異常状態診断方法および異常状態診断装置
JP6945371B2 (ja) 2017-07-19 2021-10-06 株式会社日立製作所 回転機システムの診断装置、電力変換装置、回転機システム、および回転機システムの診断方法
JP6380628B1 (ja) 2017-07-31 2018-08-29 株式会社安川電機 電力変換装置、サーバ、及びデータ生成方法
CN107817404B (zh) * 2017-11-18 2023-06-20 广西电网有限责任公司电力科学研究院 一种便携式计量自动化终端故障诊断装置及其诊断方法
CN109218114B (zh) * 2018-11-12 2021-06-08 西安微电子技术研究所 一种基于决策树的服务器故障自动检测系统及检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102451837A (zh) * 2010-10-27 2012-05-16 株式会社日立制作所 被轧材张力控制装置、被轧材张力控制方法及热连轧机
TW201236778A (en) * 2011-03-04 2012-09-16 Toshiba Mitsubishi Elec Inc Control device and control method
CN103384572A (zh) * 2011-03-18 2013-11-06 株式会社日立制作所 轧制控制装置、轧制控制方法以及轧制控制程序
US20160191733A1 (en) * 2014-12-24 2016-06-30 Konica Minolta, Inc. Image forming system, conveying stop method of recording material, and computer readable recording medium recorded with conveying stop program of recording material
WO2018155136A1 (ja) * 2017-02-24 2018-08-30 Thk株式会社 転がり案内装置の状態診断システム及び状態診断方法

Also Published As

Publication number Publication date
US20210232131A1 (en) 2021-07-29
JPWO2020194534A1 (ja) 2021-04-30
JP7044175B2 (ja) 2022-03-30
EP3764184A4 (en) 2021-04-21
US11392114B2 (en) 2022-07-19
CN112041771A (zh) 2020-12-04
TW202036016A (zh) 2020-10-01
KR102398307B1 (ko) 2022-05-16
KR20200135453A (ko) 2020-12-02
EP3764184A1 (en) 2021-01-13
WO2020194534A1 (ja) 2020-10-01

Similar Documents

Publication Publication Date Title
TWI728422B (zh) 異常判定支援裝置
CN107949813B (zh) 制造设备诊断辅助装置及制造设备诊断辅助方法
CN109996615B (zh) 轧制设备的异常诊断方法及装置
US10996662B2 (en) Manufacturing equipment diagnosis support system
Ma et al. A novel hierarchical detection and isolation framework for quality-related multiple faults in large-scale processes
CN110807245B (zh) 一种设备故障预警的自动建模方法和系统
CN113468479B (zh) 一种基于数据驱动的冷连轧工业过程监测与异常检测方法
WO2021241580A1 (ja) 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム
KR102426172B1 (ko) 조임 발생 예측 시스템
JP5441824B2 (ja) 金属帯材料の製造条件決定システム
Xie et al. Abnormal data detection based on adaptive sliding window and weighted multiscale local outlier factor for machinery health monitoring
Takami et al. Multivariable data analysis of a cold rolling control system to minimise defects
WO2021241578A1 (ja) 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム
CN103752620B (zh) 一种轧机扭振预测方法
CN118076929A (zh) 尤其使用自组织映射来监控材料板、尤其工程木质板的生产
Haapamäki et al. Data Mining Methods in Hot Steel Rolling for Scale Defect Prediction.
KR101840419B1 (ko) 조질압연기 및 형상교정기 설비장애 예지 정비 시스템 및 방법
WO2021241579A1 (ja) 異常変調原因特定装置、異常変調原因特定方法及び異常変調原因特定プログラム
KR100919424B1 (ko) 사상 압연에 있어서 두께 불량 인자 판단 장치 및 그 방법
CN114337469A (zh) 一种层流辊道电机故障检测方法、系统、介质及电子终端
Li et al. Detection and diagnosis of repetitive surface defects for hot rolling processes
CN117556315A (zh) 基于特征信息提取和AdaBoost分类的连铸坯纵裂纹预测方法
CN118395285A (zh) 一种设备状态监控方法、装置、设备及可读存储介质
CN116401577A (zh) 一种基于mcf-occa的质量相关故障检测方法
Li Process Monitoring and Quality Control in Hot Rolling Processes Using Image Sensing Data