WO2018189866A1 - 複数品種混合製造装置用データ処理システム及びデータ処理方法 - Google Patents

複数品種混合製造装置用データ処理システム及びデータ処理方法 Download PDF

Info

Publication number
WO2018189866A1
WO2018189866A1 PCT/JP2017/015144 JP2017015144W WO2018189866A1 WO 2018189866 A1 WO2018189866 A1 WO 2018189866A1 JP 2017015144 W JP2017015144 W JP 2017015144W WO 2018189866 A1 WO2018189866 A1 WO 2018189866A1
Authority
WO
WIPO (PCT)
Prior art keywords
manufacturing apparatus
product
data processing
state
processing system
Prior art date
Application number
PCT/JP2017/015144
Other languages
English (en)
French (fr)
Inventor
芳孝 辻本
啓朗 室
真知子 朝家
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Priority to PCT/JP2017/015144 priority Critical patent/WO2018189866A1/ja
Priority to JP2019512130A priority patent/JP6968155B2/ja
Publication of WO2018189866A1 publication Critical patent/WO2018189866A1/ja

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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Definitions

  • the present invention relates to a data processing system and a data processing method for a multi-product mixed manufacturing apparatus.
  • An abnormality in the manufacturing apparatus is detected by measuring vibration generated by the operation of the movable part of the manufacturing apparatus with an acceleration sensor and converting the measured acceleration into a frequency. That is, the abnormality of the vibration part of the manufacturing apparatus is detected by performing fast Fourier transform (FFT) on the data detected by the acceleration sensor, and using an arbitrary frequency component as the characteristic amount of the vibration of the manufacturing apparatus (patent) Reference 1).
  • FFT fast Fourier transform
  • a motion model hidden Markov model
  • Patent Document 2 is difficult to cope with a wide variety of operation modes because the operation mode of the vehicle is fixed such as start, low-speed traveling, and curve turning.
  • the operation mode of the vehicle is fixed such as start, low-speed traveling, and curve turning.
  • an object of the present invention is to provide a data processing system and a data processing method for a plurality of types of mixed manufacturing apparatuses that improve the accuracy of detecting an abnormality of the plurality of types of mixed manufacturing apparatuses.
  • a data processing system for a multi-variety mixed manufacturing apparatus is a data processing system for a multi-mixed mixed manufacturing apparatus that mixes and manufactures multiple types of products, and is a sensor attached to a manufacturing apparatus that manufactures multiple types of products Based on the sensor data detected by the manufacturing device, a product type determination unit for determining the type of product manufactured by the manufacturing device, the manufacturing device operation specification defined in association with the product type and a plurality of operation modes for each product type Based on the comparison, an operation mode selection unit that selects an operation mode according to the determined type, a state model of the selected operation mode, and the sensor data are compared to detect an abnormality in the manufacturing apparatus A part.
  • the operation of the mixed product manufacturing apparatus can be classified into operation mode units corresponding to the product type and compared with the state model, and the abnormality detection accuracy of the manufacturing apparatus can be improved.
  • FIG. 2 is a sequence showing a configuration of a data processing system according to the first embodiment.
  • 6 is a sequence showing detection of a failure sign of the manufacturing apparatus according to the first embodiment. The sequence which shows the kind, state, and operation
  • FIG. 10 is a sequence showing application of a model according to the first embodiment. 6 is a sequence showing generation of a product model according to the first embodiment. Explanatory drawing which shows frequency distribution of the goods (alpha) and (beta) based on Example 1. FIG. The figure which shows the peak and the standard deviation kind table and clustering result concerning Example 1.
  • FIG. 6 is a sequence showing generation of a state model according to the first embodiment. Explanatory drawing which shows the area division
  • FIG. 3 is an explanatory diagram illustrating a state model according to the first embodiment. 6 is a sequence showing generation of an operation model according to the first embodiment. Explanatory drawing which shows the state transition of the learning data for every manufacturing apparatus operation specification which concerns on Example 1.
  • FIG. FIG. 3 is an explanatory diagram illustrating an operation model according to the first embodiment. 3 is a sequence showing comparison of models according to the first embodiment. Explanatory drawing which shows the comparison result with the state model which concerns on Example 1.
  • FIG. Explanatory drawing which shows the structure of the some manufacturing apparatus which concerns on Example 2.
  • FIG. 10 is a time-series plot of frequency components divided into sections according to the third embodiment.
  • FIG. 10 is a table of frequency component types according to the third embodiment.
  • FIG. 1 shows a basic configuration of a data processing system according to the present embodiment.
  • the data processing system includes a multi-variety mixed manufacturing apparatus (hereinafter referred to as a manufacturing apparatus) 101 as a “multiple-variety mixed manufacturing apparatus”, sensor data 104, manufacturing apparatus operation specifications 105, section designation 106, server 107, and monitor. 108.
  • the manufacturing apparatus 101 is, for example, an apparatus that has passed 10 years or more after manufacturing, and the same manufacturing apparatus 101 mixes and manufactures a plurality of types.
  • the manufacturing apparatus 101 is additionally provided with an acceleration sensor 102 and an infrared sensor 103 as “sensors”. Data collected from the acceleration sensor 102 and the infrared sensor 103 is temporarily stored in the sensor data 104.
  • the server 107 processes the data by inputting the sensor data 104, the manufacturing apparatus operation specification 105, and the section designation 106, and the processing result is displayed on the monitor 108.
  • FIG. 2 shows a sequence for detecting a failure sign of the manufacturing apparatus.
  • the learning data 201 sensor data 104 collected from the acceleration sensor 102 and the infrared sensor 103 is accumulated for a certain period, and the sensor data 104 stored in the learning data 201 is used for learning.
  • the learning unit 202 receives the learning data 201, the manufacturing apparatus operation specification 105, and the section designation 106 as input and generates a model 204 by repeating once or at regular intervals (a loop denoted by reference numeral 203 in the figure). .
  • the model is applied 205 based on the sensor data 104, the manufacturing apparatus specification 105, the section designation 106, and the model 204, and the model application result is displayed on the monitor 108.
  • FIG. 3 shows a sequence of product type learning, state learning, and action learning.
  • the variety learning unit 301 learns based on the learning data 201 and generates a variety model 306.
  • the state learning unit 302 learns based on the learning data 201, the section designation 106, and the product model 306, and generates a state model 305.
  • the action learning unit 303 learns based on the learning data 201, the manufacturing apparatus action specification 105, the state model 305, and the product model 306, and generates an action model 304.
  • Fig. 4 shows the model application sequence.
  • the product type determination unit 401 determines the product type manufactured by the manufacturing apparatus 101 based on the sensor data 104 and the product type model 306.
  • the section dividing unit 402 divides the sensor data 104 into a plurality of sections (temporal sections) according to the setting of the section designation 106.
  • the comparison unit 403 compares the divided sensor data 104 with the state model based on the result of the product type determination unit 401, the result of the section division unit 402, the manufacturing apparatus operation specification 105, the operation model 304, and the state model 305. Compared with 305, a model comparison result 404 is output.
  • the diagnosis result output unit 405 outputs the model comparison result 404 to the monitor 108.
  • FIG. 5 shows the sequence of model generation.
  • the peak position detector 501 detects the peak position from the sensor data 104.
  • the standard deviation calculation unit 502 calculates the standard deviation of the peak position and generates a product type table 503.
  • the product model generation unit 504 by K-Means sets the K value to the number of products based on the product table 503, and generates a product model 306.
  • FIG. 6 shows the power distribution for each frequency of the varieties ⁇ and ⁇ .
  • Variety ⁇ 601 has three peaks. One of the peaks is a frequency component indicated by reference numeral 603 in the figure, and a standard deviation 604 is defined for the peak 603. On the other hand, the product ⁇ 602 has two peaks.
  • FIG. 7 shows a peak and standard deviation type table 503 and clustering results.
  • the product type table 503 describes a peak position 701 for each product type and a standard deviation 702 for each peak. As a result of clustering by K-Means using the product type table 503 in FIG. 5 as a result, the product type ⁇ 601 and the product type ⁇ 602 are discriminated to obtain the product type 703.
  • FIG. 8 shows a state model generation sequence
  • the product type determination unit 801 determines the product type manufactured by the manufacturing apparatus 101 based on the sensor data 104 and the product model 306.
  • the section dividing unit 802 divides the sensor data 104 into a plurality of sections according to the setting of the section designation 106.
  • the state model generation unit 803 based on X-Means generates the state model 305 using the divided data obtained by dividing the sensor data 104 by the section division unit 802 as an input.
  • FIG. 9 shows a method for dividing the acceleration time series data.
  • Acceleration time series data is divided every predetermined period 901 according to the setting of the section designation 106.
  • FIG. 10 shows a state model
  • the state ID 1001 has five types of states from 1 to 5. Each state ID 1001 includes a pattern 1002 and an appearance frequency 1003.
  • the pattern 1002 is obtained by the state model generation unit 803 based on X-Means using the divided data obtained by dividing the sensor data 104 by the section dividing unit 802.
  • the appearance frequency 1003 is a frequency at which the pattern 1002 included in the sensor data 104 appears.
  • FIG. 11 shows a sequence for generating the behavior model.
  • the product type determination unit 1101 determines the product type manufactured by the manufacturing apparatus 101 based on the sensor data 104 and the product model 306.
  • the operation mode transition table creation unit 1102 generates an operation mode transition table 1103 based on the manufacturing apparatus operation specification 105.
  • the state transition table creation unit 1104 generates the state transition table 1105 based on the sensor data 104, the manufacturing apparatus operation specification 105, the result of the product type determination unit 1101, and the state model 305.
  • the operation model generation unit 1106 Based on the operation mode transition table 1103 and the state transition table 1105, the operation model generation unit 1106 based on the HMM (Hidden Markov Model) generates an operation model 304 based on the HMM (Hidden Markov Model).
  • FIG. 12 shows the operation specifications of the manufacturing apparatus and the state transition of learning data.
  • a product type 1201, an operation mode 1202, and an operation time 1203 are defined.
  • the state transition 1204 of the learning data is shown for each operation mode 1202 of each product type 1201, and the state can take five states of state ID 1001.
  • the section designation 106 designates one section as 500 milliseconds
  • the operation time of the operation mode P of the product type ⁇ is 3 seconds, so there are 6 states in 3 seconds.
  • the operation mode Q and the operation mode R each have an operation time of 2 seconds and 3 seconds, there are 4 states and 6 states between them.
  • FIG. 13 shows an operation mode transition table of the product type ⁇ .
  • the operation mode 1202 of the product type ⁇ can take three types of P, Q, and R, and each operation time 1203 is 3 seconds, 2 seconds, and 3 seconds. If the switching time of each operation mode 1202 is 1 second, the operation mode P operates for 3 seconds and then transitions to the operation mode Q. Therefore, the transition probability from P1304 before transition to P1301 after transition is 3/4. The transition probability from P1304 before transition to Q1302 after transition is 1 ⁇ 4. Since the operation mode Q operates for 2 seconds and then transitions to R1303 after transition, the transition probability from Q1305 before transition to Q1302 after transition is 2/3, and the transition probability from Q1305 before transition to R1303 after transition is 1/3. Since the operation mode R ends after operating for 3 seconds, the transition probability from the pre-transition R1306 to the post-transition R1303 is 3/4, and the transition probability from the pre-transition R1306 to the end is 1/4.
  • FIG. 14 is a state transition table of the product type ⁇ .
  • the state transition of the operation mode P1406 of the product type ⁇ is 1 ⁇ 1 ⁇ 2 ⁇ 5 ⁇ 1 ⁇ 3
  • the state 1 1401 is 3 times and the state 2 1402 is 1 Times
  • state 3 1403 appears once and state 5 1405 appears once. Therefore, the appearance probability of each of the states 1401 to 1403 and 1405 in the operation mode P1406 is 3/6 for the state 1 1401, 1/6 for the state 2 1402, 1/6 for the state 3 1403, and 1 for the state 5 1405. / 6.
  • the state transition of the operation mode Q1407 of the product type ⁇ is 4 ⁇ 1 ⁇ 1 ⁇ 3, the state 1 1401 appears twice, the state 3 1403 once, and the state 4 1404 appears once.
  • the appearance probability of each of the states 1401, 1403, and 1404 in the operation mode Q1407 is 2/4 for the state 1 1401, 1/4 for the state 3 1403, and 1/4 for the state 4 1404. Since the state transition of the operation mode R1408 of the product ⁇ is 1 ⁇ 4 ⁇ 1 ⁇ 3 ⁇ 2 ⁇ 1, the state 1 1401 is 3 times, the state 2 1402 is 1 time, the state 3 1403 is 1 time, and the state 4 1404 Appears once. Therefore, the appearance probability of each of the states 1401 to 1404 in the operation mode R1408 is as follows: state 1 1401 is 3/6, state 2 1402 is 1/6, state 3 1403 is 1/6, state 4 1404 is 1/6. It is.
  • FIG. 15 shows an operation model
  • the operation model represents the operation mode and state transition probability 1502 for each type 1501, and the operation mode transition table for the type ⁇ in FIG. 13 and the state transition table for the type ⁇ in FIG. A model, HMM (Hidden Markov Model) is applied.
  • HMM Hidden Markov Model
  • FIG. 16 shows a model comparison sequence
  • the section data reading unit 1601 reads the output data of the section dividing unit 402.
  • the state pattern comparison unit 1602 compares the section data with the state model 305 based on the result of the section data reading unit 1601, the behavior model 304, and the state model 305, and compares the result into the model comparison result 404. Write out.
  • the operation mode selection unit 1603 selects the operation mode 1202 according to the operation model 304.
  • the state selection unit 1604 selects a state according to the state model 305. If all the sections end 1605 (S1605: YES), it is the model comparison end 1606. If not completed (S1605: NO), the process returns to the section data reading unit 1601 and repeats until all sections end.
  • FIG. 17 shows a comparison result with the state model.
  • the model comparison result 404 includes five columns of a state ID 1701, a state model pattern 1702, an appearance frequency 1703, divided sensor data 1704, and a mismatch degree 1705.
  • the state model pattern 1702 and the degree of mismatch 1705 of the divided sensor data 1704 are calculated.
  • the failure sign detection of the manufacturing apparatus 101 sets a threshold value for the mismatch degree 1705, and determines that the probability of occurrence of a failure is increased when a threshold value is exceeded.
  • the data processing system for the manufacturing apparatus 101 that mixes and manufactures products of a plurality of types 703 includes a type determination unit 401, an operation mode selection unit 1603, and a comparison unit 403.
  • the type determination unit 401 is based on the sensor data 104 detected by the acceleration sensor 102 and the infrared sensor 103 attached to the manufacturing apparatus 101 that manufactures a plurality of types of products 703, and the type 703 of products manufactured by the manufacturing apparatus 101. Determine.
  • the operation mode selection unit 1603 selects the operation mode 1202 corresponding to the determined product type 703 based on the manufacturing apparatus operation specification 105 defined by associating the product type 703 with a plurality of operation modes 1202 for each product type 703. .
  • the comparison unit 403 detects the abnormality of the manufacturing apparatus 101 by comparing the state model 305 of the selected operation mode 1202 with the sensor data 104. Accordingly, when the operation of the manufacturing apparatus 101 is classified for each operation mode 1202 corresponding to the product type 703, it can be compared with the state model 305 for each operation mode 1202, and the abnormality detection accuracy of the manufacturing apparatus 101 can be improved. It becomes.
  • the manufacturing apparatus operation specification 105 is defined by associating the type 703, a plurality of operation modes 1202 for each type 703, and the operation time 1203 of the plurality of operation modes 1202. Thereby, the noise when classifying the operation of each product type 703 can be reduced.
  • the section division unit 402 further divides the sensor data 104 within the operation time 1203 every predetermined period 901.
  • the comparison unit 403 includes the divided sensor data 1704 obtained by dividing the sensor data 104 by the section division unit 402, and the state model 305. An abnormality of the manufacturing apparatus 101 is detected by comparing with the pattern 1702. Thereby, the sensor data 104 can be classified into short time intervals, and the accuracy of classifying the operation of each product type 703 can be improved.
  • the state learning unit 302 that learns the state model 305 based on the divided sensor data 1704 is further provided, the accuracy of the state model 305 is improved.
  • the manufacturing apparatus operation specification 105 and the state transition 1204 of the learning data 201 when the state learning unit 302 learns the state model 305 are defined in association with each operation mode 1202. Thereby, the operation mode 1202 can be inferred based on the manufacturing apparatus operation specification 105 and the state transition 1204 of the learning data 201, and the accuracy of classifying the operations of the manufacturing apparatus 101 can be improved.
  • a state transition table creating unit 1104 that creates a state transition table 1105 indicating a state transition probability for each of the plurality of operation modes 1202 based on the plurality of operation modes 1202 and the state transition 1204 of the learning data 201.
  • the operation mode 1202 can be inferred based on the state transition probability, and the accuracy of classifying the operation of the manufacturing apparatus 101 can be improved.
  • an operation mode transition table creating unit 1102 that creates an operation mode transition table 1103 indicating the inter-mode transition probability between the plurality of operation modes 1202 based on the plurality of operation modes 1202 and the operation time 1203.
  • the operation mode 1202 can be inferred based on the inter-mode transition probability, and the accuracy of classifying the operation of each product type 703 can be improved.
  • the HMM is created based on the state transition probability and the inter-mode transition probability for each product type 703, robustness against noise when classifying the operation of each product type 703 can be improved, and calculation efficiency can be improved.
  • a plurality of sensors 102 and 103 are provided, and based on the sensor data 104 detected by the plurality of sensors 102 and 103, the product type 703 manufactured by the manufacturing apparatus 101 is determined. Thereby, the sensor data 104 can be detected from each of the plurality of sensors 102 and 103, and the classification accuracy of the operation of each type 703 can be improved.
  • the acceleration sensor 102 and the infrared sensor 103 are provided, the acceleration sensor 102 can detect the vibration of the manufacturing apparatus 101, and the infrared sensor 103 can detect the movement of the product in the manufacturing apparatus 101. It is possible to improve the accuracy of classifying the operation of
  • FIG. 18 shows a configuration of a plurality of manufacturing apparatuses.
  • the first manufacturing apparatus 1801 includes a manufacturing arm 1804, a product 1805, an acceleration sensor 1806, and infrared sensors 1807 and 1808.
  • the second manufacturing apparatus 1802 and the third manufacturing apparatus 1803 have the same configuration as the first manufacturing apparatus 1801, and the operation of the arm 1804 is the same as that of the first manufacturing apparatus 1801, the second manufacturing apparatus 1802, It differs from the third manufacturing apparatus 1803.
  • the infrared sensor 1807 on the upstream side of the manufacturing process detects the timing when the product ⁇ 1805 is input to the first manufacturing apparatus 1801, and the infrared sensor 1808 on the downstream side outputs the product ⁇ 1805 from the first manufacturing apparatus 1801. Detect timing.
  • the acceleration sensor 1806 detects the operating state of the manufacturing arm 1804.
  • FIG. 19 shows the frequency distribution of the first and second manufacturing apparatuses.
  • the sensor data 104 collected from the acceleration sensor 1806 is subjected to FFT, and the horizontal axis represents frequency and the vertical axis represents Power.
  • the first manufacturing apparatus 1801 has three peaks, and a standard deviation 1902 is defined for the maximum peak 1901.
  • the second manufacturing apparatus 1802 has two peaks, and a standard deviation 1904 is defined for the peak 1903.
  • FIG. 20 shows a product type table of the first and second manufacturing apparatuses.
  • the product type table indicates the frequency peak 2003 of the first manufacturing apparatus 2001 and the standard deviation 2004 with respect to the peak 2003, and the same applies to the second manufacturing apparatus 2002 and later.
  • Model generation and model comparison method are the same as those in the first embodiment. According to the present embodiment, by using a plurality of manufacturing apparatuses 2001 and 2002, it becomes possible to more accurately grasp the characteristics of the operation of each product type 2005, and the accuracy of abnormality detection of the manufacturing apparatus 101 is improved.
  • FIG. 21 is a time-series plot of frequency components divided into sections according to the third embodiment.
  • the time-series plot shows a plot in which the sensor data 104 collected from the acceleration sensor 102 is FFTed at regular intervals and the power is totaled in units of 5 Hz.
  • a circle mark 2101 represents a frequency component of 0 to 5 Hz
  • a triangle mark 2102 represents a frequency component of 5 to 10 Hz
  • a cross mark 2103 represents a frequency component of 10 to 15 Hz.
  • time series plot has time on the horizontal axis and power on the vertical axis, it is possible to discriminate varieties based on the power of the frequency component.
  • FIG. 22 shows a type table of frequency components.
  • the power 2201 in the frequency component 2203 of 0-5 Hz, the frequency component 2204 of 5-10 Hz, and the frequency component 2205 of 10-15 Hz is clustered by K-Means, and the type 2202 is discriminated.
  • the model generation after the type discrimination and the model comparison method are the same as in the first embodiment.
  • an example of the sensor is the acceleration sensor 102 and the infrared sensor 103.
  • the present invention is not limited to this, and an ultrasonic sensor or a temperature sensor can also be used.
  • Operation time 1204 ... State transition, 1502 ... Transition probability, 1603 ... Operation mode selection unit, 1702 ... State model pattern, 1704 ... divided sensor data, 1801-1803 ... manufacturing apparatus, 1806 ... acceleration sensor , 1807,1808 ... infrared sensor

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • General Factory Administration (AREA)

Abstract

複数の品種（７０３）の製品を混合製造する製造装置用のデータ処理システムであって、複数の品種（７０３）の製品を製造する製造装置（１０１）に取り付けられた加速度センサ（１０２）及び赤外線センサ（１０３）が検出したセンサデータ（１０４）に基づいて、製造装置（１０１）で製造される製品の品種（１２０１）を判定する品種判定部（４０１）と、品種（１２０１）と該品種（１２０１）毎に複数の動作モード（１２０２）とを対応させて規定した製造装置動作仕様（１０５）に基づいて、品種判定部（４０１）が判定した品種（１２０１）に応じた動作モード（１２０２）を選択する動作モード選択部（１６０３）と、動作モード選択部（１６０３）が選択した動作モード（１２０２）の状態モデル（３０５）とセンサデータ（１０４）とを比較して、製造装置（１０１）の異常を検知する比較部（４０３）とを備える。

Description

複数品種混合製造装置用データ処理システム及びデータ処理方法
　本発明は、複数品種混合製造装置用データ処理システム及びデータ処理方法に関する。
　従来、工場の稼働率の向上を目的として、製造装置が故障する前に、該製造装置の異常を検出する手法が検討されている。製造装置の異常は、該製造装置の可動部の動作によって生じた振動を加速度センサで測定し、その測定された加速度を周波数に変換することによって検出する。つまり、製造装置の振動部の異常は、加速度センサが検出したデータを高速フーリエ変換（ＦＦＴ：Ｆａｓｔ　Ｆｏｕｒｉｅｒ　Ｔｒａｎｓｆｏｒｍ）し、任意の周波数成分を製造装置の振動の特徴量とすることで検出する（特許文献１）。
　１台の車両の動作を学習するために、車両センサが検出したデータから車両の動作の特徴量を学習し、車両の動作モードと特徴量とを関連付けた動作モデル（隠れマルコフモデル）を用いる技術が知られている（特許文献２）。
特開２００１－９１４１４号公報 特開２０１４－２３４１１３号公報
　上述の従来技術では、装置から収集したデータを分析することで、装置の異常を診断することができる。しかし、同一の製造装置を用いて複数の品種を混合製造する複数品種混合製造装置では、製造する製品が時々刻々と変動する。特許文献１の技術では、ユーザが任意の周波数帯を特徴量として入力しているため、特許文献１の技術を複数品種混合製造装置に用いると、時間と共に変動する周波数帯毎の特徴量を選択することが困難である。さらに、複数品種混合製造装置では、異なる製品を同一の装置で製造する為、製造装置の振動部の動作の種類が多数存在する。
　特許文献２の技術は、車両の動作モードが、発進、低速走行、及びカーブ旋回のように固定されているため、多種多様な動作モードに対応することが困難である。ところで、動作モード毎ではなく、製品単位の時間粒度で製造装置の動作不良を検知する場合、動作不良の検知精度が低下するという問題がある。
　さらに、複数品種混合製造装置の動作の特徴量は、動作モードが同一の場合、バラツキが少ない。しかし、特許文献２の技術では、人が車両を運転するため、動作の特徴量にバラツキが生じることも、動作不良の検知精度を低下させる要因となる。
　そこで、本発明においては、複数品種混合製造装置の異常の検知精度を向上させる複数品種混合製造装置用データ処理システム及びデータ処理方式を提供することを目的とする。
　複数品種混合製造装置用のデータ処理システムは、複数の品種の製品を混合製造する複数品種混合製造装置用のデータ処理システムであって、複数の品種の製品を製造する製造装置に取り付けられたセンサが検出したセンサデータに基づいて、前記製造装置で製造される製品の品種を判定する品種判定部と、前記品種と、該品種毎に複数の動作モードとを対応させて規定した製造装置動作仕様に基づいて、前記判定した品種に応じた動作モードを選択する動作モード選択部と、前記選択した動作モードの状態モデルと、前記センサデータとを比較して、前記製造装置の異常を検知する比較部とを備える。
　複数品種混合製造装置の動作を、品種に応じた動作モード単位に分類して状態モデルと比較することができ、製造装置の異常の検知精度を向上することが可能となる。
実施例１に係るデータ処理システムの構成を示すシーケンス。 実施例１に係る製造装置の故障予兆の検知を示すシーケンス。 実施例１に係る品種、状態、及び動作学習を示すシーケンス。 実施例１に係るモデルの適用を示すシーケンス。 実施例１に係る品種モデルの生成を示すシーケンス。 実施例１に係る品種α，βの周波数分布を示す説明図。 実施例１に係るピーク及び標準偏差の品種テーブルとクラスタリングの結果を示す図。 実施例１に係る状態モデルの生成を示すシーケンス。 実施例１に係る加速度時系列データの区間分割方法を示す説明図。 実施例１に係る状態モデルを示す説明図。 実施例１に係る動作モデルの生成を示すシーケンス。 実施例１に係る製造装置動作仕様毎の学習データの状態遷移を示す説明図。 実施例１に係る品種αの動作モード遷移表。 実施例１に係る品種αの状態遷移表。 実施例１に係る動作モデルを示す説明図。 実施例１に係るモデルの比較を示すシーケンス。 実施例１に係る状態モデルとの比較結果を示す説明図。 実施例２に係る複数の製造装置の構成を示す説明図。 実施例２に係る第１，第２の製造装置の周波数分布を示す説明図。 実施例２に係る第１，第２の製造装置の品種テーブル。 実施例３に係る区間分割した周波数成分の時系列プロット。 実施例３に係る周波数成分の品種テーブル。
　以下、幾つかの実施例を、図面を参照しながら詳細に説明する。
　図１は、本実施例に係るデータ処理システムの基本構成を示している。
　データ処理システムは、「複数品種混合製造装置」としての多品種混合製造装置（以下、製造装置）１０１と、センサデータ１０４と、製造装置動作仕様１０５と、区間指定１０６と、サーバ１０７と、モニタ１０８とを備える。製造装置１０１は、例えば、製造後１０年以上経過した装置であり、同一の製造装置１０１は、複数の品種を混合製造する。製造装置１０１には、追加で「センサ」としての加速度センサ１０２及び赤外線センサ１０３が取り付けられる。加速度センサ１０２及び赤外線センサ１０３から収集したデータは、一時的にセンサデータ１０４に蓄積される。サーバ１０７は、センサデータ１０４と、製造装置動作仕様１０５と、区間指定１０６とを入力としてデータを処理し、処理結果がモニタ１０８に表示される。
　図２は、製造装置の故障予兆検知のシーケンスを示している。
　学習データ２０１には、加速度センサ１０２と赤外線センサ１０３とから収集したセンサデータ１０４が一定期間蓄積され、学習データ２０１に貯蓄されたセンサデータ１０４は学習に用いられる。学習部２０２は、学習データ２０１と、製造装置動作仕様１０５と、区間指定１０６とを入力として、１度、もしくは一定間隔毎に繰り返し（図中、符号２０３で示すループ）、モデル２０４を生成する。センサデータ１０４と、製造装置仕様１０５と、区間指定１０６と、モデル２０４とに基づいて、モデルが適用２０５され、モデル適用結果がモニタ１０８に表示される。
　図３は、品種学習、状態学習、及び動作学習のシーケンスを示している。
　品種学習部３０１は、学習データ２０１に基づいて学習し、品種モデル３０６を生成する。状態学習部３０２は、学習データ２０１と、区間指定１０６と、品種モデル３０６とに基づいて学習し、状態モデル３０５を生成する。動作学習部３０３は、学習データ２０１と、製造装置動作仕様１０５と、状態モデル３０５と、品種モデル３０６とに基づいて学習し、動作モデル３０４を生成する。
　図４は、モデル適用のシーケンスを示している。
　品種判定部４０１は、センサデータ１０４と、品種モデル３０６とに基づいて、製造装置１０１で製造している品種を判定する。区間分割部４０２は、区間指定１０６の設定に従い、センサデータ１０４を複数の区間（時間的な区間）に分割する。比較部４０３は、品種判定部４０１の結果と、区間分割部４０２の結果と、製造装置動作仕様１０５と、動作モデル３０４と、状態モデル３０５とに基づいて、分割されたセンサデータ１０４を状態モデル３０５と比較し、モデル比較結果４０４を出力する。診断結果出力部４０５は、モデル比較結果４０４をモニタ１０８に出力する。
　図５は、品種モデル生成のシーケンスを示している。
　ピーク位置検知部５０１は、センサデータ１０４からピーク位置を検出する。標準偏差算出部５０２は、前記ピーク位置の標準偏差を算出し、品種テーブル５０３を生成する。Ｋ―Ｍｅａｎｓによる品種モデル生成部５０４は、品種テーブル５０３に基づいて、Ｋ値を品種の数に設定し、品種モデル３０６を生成する。
　図６は、品種α，βの周波数毎のＰｏｗｅｒ分布を示している。
　品種α６０１は、ピークが３箇所ある。それらピークのうちの１つは、図中の符号６０３で示す周波数成分であり、ピーク６０３に対して標準偏差６０４が規定されている。一方、品種β６０２は、ピークが２箇所ある。
　図７は、ピーク及び標準偏差の品種テーブル５０３と、クラスタリング結果とを示している。
　品種テーブル５０３には、品種単位のピーク位置７０１と、各ピークに対する標準偏差７０２とが記されている。図５の品種テーブル５０３を入力としてＫ－Ｍｅａｎｓによるクラスタリングの結果、品種α６０１と、品種β６０２とを判別し、品種７０３を得る。
　図８は、状態モデルの生成のシーケンスを示している。
　品種判定部８０１は、センサデータ１０４と、品種モデル３０６とに基づいて、製造装置１０１で製造している品種を判定する。区間分割部８０２は、区間指定１０６の設定に従い、センサデータ１０４を複数の区間に分割する。Ｘ－Ｍｅａｎｓによる状態モデル生成部８０３は、区間分割部８０２でセンサデータ１０４が分割された分割データを入力として、状態モデル３０５を生成する。
　図９は、加速度時系列データの区間分割方法を示している。
　加速度時系列データは、区間指定１０６の設定に従い、所定期間９０１毎に分割される。
　図１０は、状態モデルを示している。
　状態ＩＤ１００１は、１から５までの５種類の状態があり、各々の状態ＩＤ１００１には、パターン１００２と、出現頻度１００３とが記されている。パターン１００２は、区間分割部８０２でセンサデータ１０４が分割された分割データを用いて、Ｘ－Ｍｅａｎｓによる状態モデル生成部８０３によって得られる。出現頻度１００３は、センサデータ１０４に含まれるパターン１００２が出現する頻度である。
　図１１は、動作モデルの生成のシーケンスを示している。
　品種判定部１１０１は、センサデータ１０４と、品種モデル３０６とに基づいて、製造装置１０１で製造している品種を判定する。動作モード遷移表作成部１１０２は、製造装置動作仕様１０５に基づいて、動作モード遷移表１１０３を生成する。状態遷移表作成部１１０４は、センサデータ１０４と、製造装置動作仕様１０５と、品種判定部１１０１の結果と、状態モデル３０５とに基づいて、状態遷移表１１０５を生成する。ＨＭＭ（隠れマルコフモデル）による動作モデル生成部１１０６は、動作モード遷移表１１０３と、状態遷移表１１０５とに基づいて、ＨＭＭ（隠れマルコフモデル）によって動作モデル３０４を生成する。
　図１２は、製造装置動作仕様と、学習データの状態遷移とを示している。
　製造装置動作仕様１０５には、品種１２０１と、動作モード１２０２と、動作時間１２０３とが規定されている。例えば、品種αの動作モード１２０２は、Ｐと、Ｑと、Ｒとの３種類あり、各々の動作時間１２０３が３秒、２秒、３秒である。学習データの状態遷移１２０４は、各品種１２０１の動作モード１２０２毎に表されており、状態は状態ＩＤ１００１の５状態を取り得る。区間指定１０６が、例えば、１区間を５００ミリ秒と指定すると、品種αの動作モードＰの動作時間は３秒であるので、３秒間には６状態を取る。同様に、動作モードＱと、動作モードＲとは各々、２秒、３秒の動作時間であるので、各々の間には４状態、６状態を取る。
　図１３は、品種αの動作モード遷移表を示している。
　品種αの動作モード１２０２は、前述したように、Ｐと、Ｑと、Ｒとの３種類を取り得、各々の動作時間１２０３が３秒、２秒、３秒である。各動作モード１２０２の切り替え時間を１秒とすると、動作モードＰは、３秒動作し、その後、動作モードQに遷移するので、遷移前Ｐ１３０４から遷移後Ｐ１３０１への遷移確率は３／４であり、遷移前Ｐ１３０４から遷移後Ｑ１３０２への遷移確率は１／４である。動作モードＱは、２秒動作し、その後、遷移後Ｒ１３０３に遷移するので、遷移前Ｑ１３０５から遷移後Ｑ１３０２への遷移確率は２／３であり、遷移前Ｑ１３０５から遷移後Ｒ１３０３への遷移確率は１／３である。動作モードＲは、３秒動作し終了するので、遷移前Ｒ１３０６から遷移後Ｒ１３０３への遷移確率は３／４であり、遷移前Ｒ１３０６から終了への遷移確率は１／４である。
　図１４は、品種αの状態遷移表である。
　学習データの状態遷移１２０４で示したように、品種αの動作モードＰ１４０６の状態遷移は、１→１→２→５→１→３であるので、状態１　１４０１が３回、状態２　１４０２が１回、状態３　１４０３が１回、状態５　１４０５が１回出現する。従って、動作モードＰ１４０６のうちの各々の状態１４０１～１４０３，１４０５の出現確率は、状態１　１４０１が３／６、状態２　１４０２が１／６、状態３　１４０３が１／６、状態５　１４０５が１／６である。品種αの動作モードＱ１４０７の状態遷移は、４→１→１→３であるので、状態１　１４０１が２回、状態３　１４０３が１回、状態４　１４０４が１回出現する。従って、動作モードＱ１４０７のうちの各々の状態１４０１，１４０３，１４０４の出現確率は、状態１　１４０１が２／４、状態３　１４０３が１／４、状態４　１４０４が１／４である。品種αの動作モードＲ１４０８の状態遷移は、１→４→１→３→２→１であるので、状態１　１４０１が３回、状態２　１４０２が１回、状態３　１４０３が１回、状態４　１４０４が１回出現する。従って、動作モードＲ１４０８のうちの各々の状態１４０１～１４０４の出現確率は、状態１　１４０１が３／６、状態２　１４０２が１／６、状態３　１４０３が１／６、状態４　１４０４が１／６である。
　図１５は、動作モデルを示している。
　動作モデルは、品種１５０１毎の動作モード及び状態の遷移確率１５０２を表しており、図１３の品種αの動作モード遷移表と、図１４の品種αの状態遷移表とを１つに纏めた動作モデルであって、ＨＭＭ（隠れマルコフモデル）を適用する。
　図１６は、モデル比較のシーケンスを示している。
　区間データ読込み部１６０１は、区間分割部４０２の出力データを読み込む。状態パターン比較部１６０２は、区間データ読込み部１６０１の結果と、動作モデル３０４と、状態モデル３０５とに基づいて、区間データと、状態モデル３０５とを比較し、比較した結果をモデル比較結果４０４に書き出す。動作モード選択部１６０３は、動作モデル３０４に従って、動作モード１２０２を選択する。状態選択部１６０４は、状態モデル３０５に従って、状態を選択する。全区間終了１６０５すれば（Ｓ１６０５：ＹＥＳ）、モデル比較終了１６０６であり、終了していなければ（Ｓ１６０５：ＮＯ）、区間データ読込み部１６０１に戻り、全区間終了するまで繰り返す。
　図１７は、状態モデルとの比較結果を示している。
　モデル比較結果４０４は、状態ＩＤ１７０１と、状態モデルパターン１７０２と、出現頻度１７０３と、分割センサデータ１７０４と、不一致度１７０５との５列から構成されている。各状態ＩＤ１７０１において、状態モデルパターン１７０２と、分割センサデータ１７０４の不一致度１７０５とを計算する。製造装置１０１の故障予兆検知は、不一致度１７０５に閾値を設けて、ある閾値以上を超過した際に、故障が発生する確率が高まっていることを判定する。
　本実施例によれば、複数の品種７０３の製品を混合製造する製造装置１０１用のデータ処理システムは、品種判定部４０１と、動作モード選択部１６０３と、比較部４０３とを備えている。品種判定部４０１は、複数の品種７０３の製品を製造する製造装置１０１に取り付けられた加速度センサ１０２及び赤外線センサ１０３が検出したセンサデータ１０４に基づいて、製造装置１０１で製造される製品の品種７０３を判定する。動作モード選択部１６０３は、品種７０３と、該品種７０３毎に複数の動作モード１２０２とを対応させて規定した製造装置動作仕様１０５に基づいて、判定した品種７０３に応じた動作モード１２０２を選択する。比較部４０３は、選択した動作モード１２０２の状態モデル３０５と、センサデータ１０４とを比較して、製造装置１０１の異常を検知する。これにより、品種７０３に応じた動作モード１２０２毎に製造装置１０１の動作を分類すると、動作モード１２０２毎に状態モデル３０５と比較することができ、製造装置１０１の異常検知精度を向上することが可能となる。
　製造装置動作仕様１０５は、品種７０３と、該品種７０３毎に複数の動作モード１２０２と、該複数の動作モード１２０２の動作時間１２０３とを対応させて規定した。これにより、各品種７０３の動作を分類するときのノイズを削減することができる。
　動作時間１２０３内のセンサデータ１０４を所定期間９０１毎に分割する区間分割部４０２を更に備え、比較部４０３は、センサデータ１０４を区間分割部４０２が分割した分割センサデータ１７０４と、状態モデル３０５のパターン１７０２とを比較して、製造装置１０１の異常を検知する。これにより、センサデータ１０４を短い時間区間に分類することができ、各品種７０３の動作を分類する精度を高めることができる。
　分割センサデータ１７０４に基づいて、状態モデル３０５を学習する状態学習部３０２を更に備えたので、状態モデル３０５の精度が向上する。
　製造装置動作仕様１０５と、状態学習部３０２が状態モデル３０５を学習するときの学習データ２０１の状態遷移１２０４とを、動作モード１２０２毎に対応させて規定した。これにより、製造装置動作仕様１０５及び学習データ２０１の状態遷移１２０４に基づいて動作モード１２０２を類推でき、製造装置１０１の動作を分類する精度を高めることができる。
　複数の動作モード１２０２と、学習データ２０１の状態遷移１２０４とに基づいて、複数の動作モード１２０２毎の状態遷移確率を示す状態遷移表１１０５を作成する状態遷移表作成部１１０４を更に備える。これにより、状態遷移確率に基づいて動作モード１２０２を類推でき、製造装置１０１の動作を分類する精度を高めることができる。
　複数の動作モード１２０２と、動作時間１２０３とに基づいて、複数の動作モード１２０２間のモード間遷移確率を示す動作モード遷移表１１０３を作成する動作モード遷移表作成部１１０２を更に備える。これにより、モード間遷移確率に基づいて動作モード１２０２を類推でき、各品種７０３の動作を分類する精度を高めることができる。
　品種７０３毎の状態遷移確率及びモード間遷移確率に基づいて、HMMを作成するので、各品種７０３の動作を分類するときのノイズに対する頑健性を高めることができ、且つ計算効率を高めることができる。
　複数のセンサ１０２，１０３を備えており、複数のセンサ１０２，１０３が検出したセンサデータ１０４に基づいて、製造装置１０１で製造される製品の品種７０３を判定する。これにより、センサデータ１０４を複数のセンサ１０２，１０３の各々から検出することができ、各品種７０３の動作の分類精度を高めることができる。
　加速度センサ１０２と、赤外線センサ１０３とを備えているので、加速度センサ１０２が製造装置１０１の振動を検出し、赤外線センサ１０３が製造装置１０１内の製品の移動を検出することができ、各品種７０３の動作を分類する精度を高めることができる。
　本実施例においては、ある製品の製造工程が複数の製造装置に跨る場合について説明する。
　図１８は、複数の製造装置の構成を示している。
　第１の製造装置１８０１は、製造アーム１８０４と、製品１８０５と、加速度センサ１８０６と、赤外線センサ１８０７，１８０８とから構成される。第２の製造装置１８０２，第３の製造装置１８０３も、第１の製造装置１８０１と同様の構成であり、アーム１８０４の動作が、第１の製造装置１８０１と、第２の製造装置１８０２と、第３の製造装置１８０３とで異なる。製造工程の上流側の赤外線センサ１８０７は、製品α１８０５が第１の製造装置１８０１に入力されたタイミングを検知し、下流側の赤外線センサ１８０８は、製品α１８０５が第１の製造装置１８０１から出力されるタイミングを検知する。加速度センサ１８０６は、製造アーム１８０４の動作状態を検知する。
　図１９は、第１，第２の製造装置の周波数分布を示している。
　加速度センサ１８０６から収集したセンサデータ１０４をＦＦＴし、横軸に周波数、縦軸にＰｏｗｅｒを取っている。第１の製造装置１８０１のピークは、３箇所あり、最大のピーク１９０１に対して標準偏差１９０２が規定されている。一方、第２の製造装置１８０２のピークは、２箇所あり、ピーク１９０３に対して標準偏差１９０４が規定されている。
　図２０は、第１，第２の製造装置の品種テーブルを示している。
　品種テーブルは、第１の製造装置２００１の周波数のピーク２００３と、そのピーク２００３に対する標準偏差２００４とを示しており、第２の製造装置２００２以降も同様である。モデル生成と、モデル比較方法とは、実施例１と同様である。本実施例によれば、複数の製造装置２００１，２００２を用いることによって、各品種２００５の動作の特徴をより的確に捉えることが可能となり、製造装置１０１の異常検知の精度が向上する。
　本実施例においては、品種判別に周波数成分を用いた場合について説明する。
　図２１は、実施例３に係る区間分割した周波数成分の時系列プロットである。
　時系列プロットは、加速度センサ１０２から収集したセンサデータ１０４を一定期間毎にＦＦＴし、５Ｈｚ単位でＰｏｗｅｒの集計を取ったプロットを示している。図中の〇印２１０１は０～５Ｈｚの周波数成分、△印２１０２は５～１０Ｈｚの周波数成分、×印２１０３は１０～１５Ｈｚの周波数成分である。
　時系列プロットは、横軸に時間、縦軸にＰｏｗｅｒを取っているため、周波数成分のＰｏｗｅｒを特徴として品種を判別することが可能となる。
　図２２は、周波数成分の品種テーブルを示している。
　本実施例では、０－５Ｈｚの周波数成分２２０３と、５－１０Ｈｚの周波数成分２２０４と、１０－１５Ｈｚの周波数成分２２０５とにおけるＰｏｗｅｒ２２０１を用いて、Ｋ－Ｍｅａｎｓでクラスタリングし、品種２２０２を判別する。品種判別後のモデル生成と、モデル比較方法とは、実施例１と同様である。
　尚、上記実施例では、センサの一例を、加速度センサ１０２と、赤外線センサ１０３とした。これに限定するものではなく、超音波センサ、温度センサを用いることも可能である。
１０１…製造装置、１０２…加速度センサ、１０３…赤外線センサ、１０４…センサデータ、１０５…製造装置動作仕様、２０１…学習データ、３０２…状態学習部、３０５…状態モデル、４０１…品種判定部、４０２…区間分割部、４０３…比較部、７０３…品種、８０１…品種判定部、８０２…区間分割部、９０１…所定間隔、１１０１…品種判定部、１１０２…動作モード遷移表作成部、１１０３…動作モード遷移表、１１０４…状態遷移表作成部、１１０５…状態遷移表、１２０１…品種、１２０２…動作モード、１２０３…動作時間、１２０４…状態遷移、１５０２…遷移確率、１６０３…動作モード選択部、１７０２…状態モデルパターン、１７０４…分割センサデータ、１８０１～１８０３…製造装置、１８０６…加速度センサ、１８０７，１８０８…赤外線センサ

 

Claims (11)

  1. 　複数の品種の製品を混合製造する複数品種混合製造装置用のデータ処理システムであって、
    　複数の品種の製品を製造する製造装置に取り付けられたセンサが検出したセンサデータに基づいて、前記製造装置で製造される製品の品種を判定する品種判定部と、
    　前記品種と、該品種毎に複数の動作モードとを対応させて規定した製造装置動作仕様に基づいて、前記判定した品種に応じた動作モードを選択する動作モード選択部と、
    　前記選択した動作モードの状態モデルと、前記センサデータとを比較して、前記製造装置の異常を検知する比較部と
    を備える複数品種混合製造装置用のデータ処理システム。
  2. 　前記製造装置動作仕様は、前記品種と、該品種毎に複数の動作モードと、該複数の動作モードの動作時間とを対応させて規定した、
    請求項１記載の複数品種混合製造装置用のデータ処理システム。
  3. 　前記動作時間内の前記センサデータを所定期間毎に分割する区間分割部を更に備え、
    　前記比較部は、前記センサデータを前記区間分割部が分割した分割センサデータと、前記状態モデルのパターンとを比較して、前記製造装置の異常を検知する、
    請求項２記載の複数品種混合製造装置用のデータ処理システム。
  4. 　前記分割センサデータに基づいて、前記状態モデルを学習する状態学習部を更に備えた、
    請求項３記載の複数品種混合製造装置用のデータ処理システム。
  5. 　前記製造装置動作仕様と、前記状態学習部が前記状態モデルを学習するときの学習データの状態遷移とを前記動作モード毎に対応させて規定した、
    請求項４記載の複数品種混合製造装置用のデータ処理システム。
  6. 　前記複数の動作モード及び前記状態遷移に基づいて、前記複数の動作モード毎の状態遷移確率を示す状態遷移表を作成する状態遷移表作成部を更に備える、
    請求項５記載の複数品種混合製造装置用のデータ処理システム。
  7. 　前記複数の動作モード及び前記動作時間に基づいて、前記複数の動作モード間のモード間遷移確率を示す動作モード遷移表を作成する動作モード遷移表作成部を更に備える、
    請求項６記載の複数品種混合製造装置用のデータ処理システム。
  8. 　前記品種毎の前記状態遷移確率及び前記モード間遷移確率に基づいて、ＨＭＭを作成する、
    請求項７記載の複数品種混合製造装置用のデータ処理システム。
  9. 　複数の前記センサを備えており、
    　前記複数のセンサが検出したセンサデータに基づいて、前記製造装置で製造される製品の品種を判定する、
    請求項１乃至８の何れか一項に記載の複数品種混合製造装置用のデータ処理システム。
  10. 　前記複数のセンサは、加速度センサと、赤外線センサとを含む、
    　請求項９に記載の複数品種混合製造装置用のデータ処理システム。
  11. 　複数の品種の製品を混合製造する複数品種混合製造装置用のデータ処理方法であって、
    　複数の品種の製品を製造する製造装置に取り付けられたセンサが検出したセンサデータに基づいて、前記製造装置で製造される製品の品種を判定し、
    　前記品種と、該品種毎に複数の動作モードと、該複数の動作モードの動作時間とを対応させて規定した製造装置動作仕様に基づいて、前記判定した品種に応じた動作モードを選択し、
    　前記選択した動作モードの状態モデルと、前記センサデータとを比較して、前記製造装置の異常を検知する複数品種混合製造装置のデータ処理方法。
PCT/JP2017/015144 2017-04-13 2017-04-13 複数品種混合製造装置用データ処理システム及びデータ処理方法 WO2018189866A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2017/015144 WO2018189866A1 (ja) 2017-04-13 2017-04-13 複数品種混合製造装置用データ処理システム及びデータ処理方法
JP2019512130A JP6968155B2 (ja) 2017-04-13 2017-04-13 複数品種混合製造装置用データ処理システム及びデータ処理方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2017/015144 WO2018189866A1 (ja) 2017-04-13 2017-04-13 複数品種混合製造装置用データ処理システム及びデータ処理方法

Publications (1)

Publication Number Publication Date
WO2018189866A1 true WO2018189866A1 (ja) 2018-10-18

Family

ID=63792887

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2017/015144 WO2018189866A1 (ja) 2017-04-13 2017-04-13 複数品種混合製造装置用データ処理システム及びデータ処理方法

Country Status (2)

Country Link
JP (1) JP6968155B2 (ja)
WO (1) WO2018189866A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020189245A1 (ja) * 2019-03-20 2020-09-24 株式会社日立製作所 故障予兆検知システム及び故障予兆検知方法
JP2021105861A (ja) * 2019-12-26 2021-07-26 株式会社Ｎｔｔドコモ 情報処理装置及びプログラム

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001091414A (ja) * 1999-09-17 2001-04-06 Omron Corp 異常判定方法および装置
JP2014234113A (ja) * 2013-06-04 2014-12-15 株式会社デンソー 車両用基準値生成装置
JP2017027329A (ja) * 2015-07-22 2017-02-02 ルネサスエレクトロニクス株式会社 故障予測装置および故障予測方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001091414A (ja) * 1999-09-17 2001-04-06 Omron Corp 異常判定方法および装置
JP2014234113A (ja) * 2013-06-04 2014-12-15 株式会社デンソー 車両用基準値生成装置
JP2017027329A (ja) * 2015-07-22 2017-02-02 ルネサスエレクトロニクス株式会社 故障予測装置および故障予測方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020189245A1 (ja) * 2019-03-20 2020-09-24 株式会社日立製作所 故障予兆検知システム及び故障予兆検知方法
JP2021105861A (ja) * 2019-12-26 2021-07-26 株式会社Ｎｔｔドコモ 情報処理装置及びプログラム
JP7335159B2 (ja) 2019-12-26 2023-08-29 株式会社Ｎｔｔドコモ 情報処理装置及びプログラム

Also Published As

Publication number Publication date
JP6968155B2 (ja) 2021-11-17
JPWO2018189866A1 (ja) 2020-02-27

Similar Documents

Publication Publication Date Title
Li et al. A deep learning driven method for fault classification and degradation assessment in mechanical equipment
US10977568B2 (en) Information processing apparatus, diagnosis method, and program
CN102999038B (zh) 发电设备的诊断装置、以及发电设备的诊断方法
JP6076751B2 (ja) 異常診断方法およびその装置
Goyal et al. Non-contact fault diagnosis of bearings in machine learning environment
US20120296606A1 (en) Method, computer program, and system for performing interpolation on sensor data for high system availability
US20060210141A1 (en) Inspection method and inspection apparatus
WO2013030984A1 (ja) 設備状態監視方法およびその装置
JPWO2012073289A1 (ja) プラントの診断装置及びプラントの診断方法
Lin et al. A novel bearing health indicator construction method based on ensemble stacked autoencoder
KR102031843B1 (ko) 가상의 센서 데이터를 생성하는 방법 및 장치
CN108369416B (zh) 异常诊断系统
JP7398443B2 (ja) 包装機における故障予測の方法
WO2018189866A1 (ja) 複数品種混合製造装置用データ処理システム及びデータ処理方法
Liao et al. Preliminary study on fault diagnosis and intelligent learning of fused deposition modeling (FDM) 3D printer
CN107924182A (zh) 监视装置及监视装置的控制方法
JP6915693B2 (ja) システム分析方法、システム分析装置、および、プログラム
JP2022168706A (ja) 異常検知装置、プログラム、異常検知方法、及び製造方法
WO2022054256A1 (ja) 異常検知装置
JP7433648B2 (ja) 異常検出方法
JP2020107248A (ja) 異常判定装置および異常判定方法
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
JP7396361B2 (ja) 異常判定装置及び異常判定方法
WO2021260922A1 (ja) データ量十分性判定装置、データ量十分性判定方法、データ量十分性判定プログラム、学習モデル生成システム、学習済みの学習モデル生成方法、及び学習済みの学習モデル生成プログラム
JP7430693B2 (ja) 異常情報推定システム、動作解析システム、モータ制御装置、異常情報推定方法、及びプログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17905887

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2019512130

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 17905887

Country of ref document: EP

Kind code of ref document: A1