WO2018199312A1 - 波形異常判定装置、方法、プログラムと記録媒体 - Google Patents

波形異常判定装置、方法、プログラムと記録媒体 Download PDF

Info

Publication number
WO2018199312A1
WO2018199312A1 PCT/JP2018/017278 JP2018017278W WO2018199312A1 WO 2018199312 A1 WO2018199312 A1 WO 2018199312A1 JP 2018017278 W JP2018017278 W JP 2018017278W WO 2018199312 A1 WO2018199312 A1 WO 2018199312A1
Authority
WO
WIPO (PCT)
Prior art keywords
time
abnormality
waveform
series data
matrix
Prior art date
Application number
PCT/JP2018/017278
Other languages
English (en)
French (fr)
Inventor
鈴木　亮太
滋 河本
ムルトゥザ ペトラードワラー
Original Assignee
日本電気株式会社
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 日本電気株式会社 filed Critical 日本電気株式会社
Publication of WO2018199312A1 publication Critical patent/WO2018199312A1/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool

Definitions

  • the present invention is based on the priority claim of Japanese Patent Application No. 2017-088948 (filed on Apr. 27, 2017), the entire contents of which are incorporated herein by reference. Shall.
  • the present invention relates to an apparatus, a method, a program, and a recording medium for determining a waveform abnormality.
  • sensors Is used to monitor the abnormality of the apparatus using the waveform data acquired from (1).
  • a plurality of time-series data are acquired with respect to waveform data when the apparatus normally operates in advance by one or a plurality of sensors. Then, by statistically processing these time series data, a normal waveform range is acquired and held in advance. Next, the apparatus is monitored by a sensor, and it is determined whether or not the time-series data newly obtained from the sensor deviates from the range of the normal waveform that is held, and whether or not there is an abnormality is determined.
  • the abnormality detection device disclosed in Patent Document 1 includes a current sensor that detects a load current of a spindle motor of a machine tool, and sets a reference value before the abnormality detection determination. Therefore, an allowable range setting means for setting the allowable range based on the reference value obtained from the measured value of the load current by the current sensor at this time is provided a plurality of times with the normal tool of the machine tool.
  • abnormality detecting means for determining that the tool is normal if the measured value of the load current by the current sensor is within the allowable range, and that the tool is abnormal if the measured value is outside the allowable range.
  • Patent Document 2 discloses a diagnostic apparatus and method for a manufacturing facility that manufactures a product via a plurality of manufacturing processes. This device uses the Mahalanobis distance to evaluate product quality and diagnose manufacturing equipment.
  • the measured values indicating the states in the plurality of manufacturing processes are continuously measured at predetermined time intervals by the plurality of measuring units and stored in the storage unit.
  • an allowable range is set by measuring a normal load current a plurality of times in advance, and if the time-series data is within the allowable range, normal and out of the allowable range. If there is, it is determined as abnormal.
  • the group of measured values for the said diagnosis collected the measured value corresponding to each time of the said each measurement means to the last. Therefore, in the situation where normality or abnormality occurs in association with a plurality of times of time-series data as in the cases (a) and (b), the substantial improvement in accuracy is I can't expect.
  • An object of the present invention is to provide a waveform abnormality determination apparatus, method, program, and recording medium that can determine abnormality with determination accuracy.
  • a time point extraction unit that receives time series data of a predetermined period as an input, and extracts a measurement value vector including measurement values at a plurality of time points from the time series data, and the measurement Based on a value vector and a matrix representing a correlation, an abnormality degree calculation unit that calculates an abnormality degree related to the measurement value vector, and an abnormality determination unit that compares the abnormality degree with a threshold value and determines whether there is an abnormality
  • a waveform abnormality determination device is provided.
  • time series data of a predetermined period is received as an input
  • a measurement value vector including measurement values at a plurality of time points as components is extracted from the time series data, and is correlated with the measurement value vector.
  • An abnormality determination method is provided that calculates an abnormality degree related to the measurement value vector based on the matrix representing the measurement value, compares the abnormality degree with a threshold value, and determines the presence or absence of the abnormality.
  • a computer-readable recording medium for example, RAM (Random Access Memory), ROM (Read Only Memory), or EEPROM (Electrically Erasable and Programmable ROM) ROM, etc.) that stores the above program, SSD ( Solid-State Drive, HDD (Hard Disk Drive), CD (Compact Disc), DVD (Digital Versatile Disc) and other non-transitory (computer-readable-recording-medium) are provided.
  • RAM Random Access Memory
  • ROM Read Only Memory
  • EEPROM Electrically Erasable and Programmable ROM
  • SSD Solid-State Drive
  • HDD Hard Disk Drive
  • CD Compact Disc
  • DVD Digital Versatile Disc
  • other non-transitory computer-readable-recording-medium
  • an abnormality can be determined with high determination accuracy even when normality or abnormality occurs in association with a plurality of times of time-series data.
  • or (B3) are figures explaining related technology (patent document 1). It is a figure explaining a related technique (patent document 1). It is a figure explaining the structure of illustrative 2nd Embodiment of this invention. It is a figure explaining the abnormality degree calculation part and abnormality determination part of illustrative 2nd Embodiment of this invention. It is a figure explaining the structure of illustrative 3rd Embodiment of this invention. It is a figure explaining the structural example of the correlation calculation part of illustrative 3rd Embodiment of this invention. It is a figure explaining the structural example of the time series selection part of illustrative 4th Embodiment of this invention.
  • FIG. 5 is a diagram illustrating one embodiment of the present invention.
  • FIG. 7 are diagrams schematically illustrating the operation of the related technology (abnormality determination method using an allowable range).
  • the time series data 211, 213, and 215 solid lines to be determined
  • the time series data 211 and the time series data 213 are normal time series data
  • the time series data 215 is time series data including abnormality. It is.
  • (A1) and (B1) 211 are the same time series data
  • (A2) and (B2) 213 are the same time series data
  • (A3) and (B3) 215 are the same time series data.
  • the broken lines 221 and 231 indicate the upper limit value waveform and the lower limit value waveform of the allowable range
  • the broken lines 222 and 232 indicate the upper limit value of the allowable range.
  • the allowable range time-series data is set. If the measured load current time-series data 211, 213, and 215 are within the allowable range, “normal” is set. If it is outside the allowable range at a certain time, it is determined as “abnormal”.
  • the upper limit waveform 221 (lower limit waveform 231) is the same in (A1) to (A3) of FIG.
  • the upper limit waveform 222 (lower limit waveform 232) is the same in (B1) to (B3) of FIG.
  • the normal time series data of (B1) and (B2) of FIG. 7 is obtained by using the allowable range divided by the upper limit waveform 222 and the lower limit waveform 232. 211 and 213 can be correctly determined as “normal”. However, in (B3) of FIG. 7, the abnormal time series data 215 is within the allowable range defined by the upper limit waveform 222 and the lower limit waveform 232 even near the time tb. For this reason, it is erroneously determined as “normal”.
  • the upper limit is set so that the normal time-series data 211 and 213 are always correctly determined as “normal” and the abnormal time-series data 215 is always correctly determined as “abnormal”. Setting the value waveform and the lower limit waveform is difficult and practically impossible. In other words, a situation may occur in which an erroneous determination that determines that the abnormal time-series data 215 is “normal” or that the normal time-series data 213 is “abnormal” occurs.
  • Such misjudgment is caused by the fact that the measured values of the time series data change in correlation with each other at a plurality of different time points.
  • reference numbers 111 and 113 are normal time series data
  • reference number 112 is time series data including an abnormality at time u4.
  • the normal time series data 111 and 113 can be correctly determined as “normal”, but the abnormal time series data 112 is correct. Is erroneously determined to be “normal”.
  • the normal time series data 113 is correctly determined as “normal”, and the abnormal time series data 112 is determined as the upper limit waveform at time u4. Since it exceeds 122, it can be correctly determined as “abnormal”. However, since the normal time series data 111 exceeds the upper limit waveform 122, it is erroneously determined as “abnormal”.
  • the upper limit value waveform (upper limit value) is set such that the normal time series data 111 and 113 can be correctly determined as “normal” and the abnormal time series data 112 can be correctly determined as “abnormal”.
  • the lower limit waveform (lower time series waveform) are difficult or practically impossible to set.
  • the abnormal time series data is determined as “normal”, or the normal time series data is determined as “abnormal”. A misjudgment will always occur.
  • the present invention provides means for solving the problems (a) and (b).
  • a time point extraction unit that receives time series data of a predetermined period as an input and extracts measurement value vectors whose components are measurement values at a plurality of time points from the time series data.
  • an abnormality degree calculation unit 34 for calculating an abnormality degree related to the measurement value vector based on the measurement value vector, and a matrix representing a correlation used for the calculation of the measurement value vector, and the abnormality degree as a threshold value.
  • An abnormality determination unit 36 that compares and determines the presence or absence of abnormality is provided.
  • the waveform data is received from a measurement unit (for example, 31 in FIG. 1) that acquires waveform data related to a device to be determined, and the waveform data is repeatedly performed a plurality of times in the device.
  • the waveform data of the period corresponding to the unit processing is selected as the time-series data, and a time-series selection unit (for example, 32 in FIG. 1) that is transferred to the time point extraction unit 33 may be provided.
  • the time series selection unit (for example, 32 in FIG. 1) may be configured to acquire the start time and / or end time of the period based on a signal output from the device and select the time series data.
  • the degree of abnormality calculation unit 34 calculates the degree of abnormality based on an operation of each component of the measurement value vector and an inverse matrix of a matrix representing the correlation or a matrix derived from the inverse matrix. You may make it calculate.
  • a difference calculation unit (for example, 39 in FIG. 9) that supplies a difference vector obtained by subtracting the average value vector from the measurement value vector extracted by the time point extraction unit 33 to the abnormality degree calculation unit 34 is provided.
  • the calculation unit 34 may be configured to calculate the abnormality degree by calculating the difference vector as a matrix representing the correlation as the measurement value vector.
  • a correlation calculation unit that calculates a matrix representing the correlation related to the measurement value vector from the measurement value vectors of the time series data of a plurality of time intervals extracted by the time point extraction unit 33 (for example, FIG. 11). 37).
  • a matrix representing the correlation any one of a scattering matrix, a covariance matrix, and an autocorrelation matrix related to the measurement value vector may be used.
  • the correlation calculation unit calculates at least the rank m of the matrix representing the correlation. It is good also as a structure provided with the regularization part (3702 of FIG. 12) which regularizes to the number k of components of a measured value vector.
  • the time point extraction unit when the rank m of the matrix representing the correlation is smaller than the number k of the components of the measurement value vector, k points less than or equal to the rank m.
  • a time point may be determined, and a measurement value vector including the measurement values at the k time points as components may be generated.
  • the time point extraction unit (for example, 33A in FIG. 13) may be configured to select k time points in ascending or descending order of variance of measurement values at each time point of the time series data and extract the measurement value vector. .
  • the time point extraction unit (for example, 33B in FIG. 14) may be configured to extract a measurement value vector by a linear sum based on a weight vector of the time series data.
  • the weight vector may be a singular vector arranged in ascending or descending order of the singular values in the singular value decomposition of the matrix of the time series data.
  • the time series selection unit selects the time series data by selecting the start time and the end time of the unit processing in the device by pattern matching. Also good.
  • FIG. 1 is a diagram for explaining an example of the configuration of an apparatus according to the first exemplary embodiment of the present invention.
  • the waveform abnormality determination device 30 is connected to a measurement unit 31 and includes a time series selection unit 32, a time point extraction unit 33, a correlation storage unit 35, an abnormality degree calculation unit 34, and an abnormality determination unit 36. .
  • the measurement unit 31 acquires waveform data related to a device (not shown) that performs a predetermined process, such as a target device for abnormality determination, such as a machine tool.
  • the measurement unit 31 may have a configuration provided in the waveform abnormality determination device 30, or may be provided in the target device, externally attached to the target device, or connected to the target device, and waveform data may be obtained by wireless or wired communication. Alternatively, the waveform may be transmitted to the waveform abnormality determination device 30. The same applies to second to sixth embodiments described later.
  • the target apparatus may be, for example, a mounter that arranges (mounts) electronic components on a printed circuit board, and other production apparatuses and conveyance apparatuses. It may be a communication device, a computer, or the like. The same applies to second to sixth embodiments described later.
  • the waveform data may be a physical quantity related to the target device such as current, voltage, sound, vibration, air volume, and temperature, and the target device outputs the physical data.
  • Either log data, a control signal for controlling the operation of the target device, or a call volume when the target device performs communication, or a combination thereof may be used.
  • the waveform data further includes a high-pass filter, a low-pass filter, a band-pass filter, a sampling interval conversion, differentiation, integration, averaging, and normalization (Normalization) to the physical quantity, the log data, the control signal, or the call volume. ) And other pre-processing data may be applied. The same applies to second to sixth embodiments described later.
  • the time series selection unit 32 may select time series data corresponding to one process of repeated processes.
  • One process of the repeated process is a process for one board of the measurement data (waveform data) measured by the measurement unit 31, such as a component mounting process on the board when the target device is a mounter or the like. It corresponds to.
  • the time point extraction unit 33 extracts data at two or more time points from the time series data selected by the time series selection unit 32 as measurement value vectors.
  • the correlation storage unit 35 stores a matrix representing the correlation.
  • the correlation storage unit 35 may be a semiconductor memory (RAM, EEPROM, etc.), HDD, SSD, CD, DVD, or the like.
  • the abnormality degree calculation unit 34 calculates the degree of abnormality using the measurement value vector extracted by the time point extraction unit 33 and the matrix representing the correlation.
  • the abnormality determination unit 36 performs abnormality determination based on the abnormality degree calculated by the abnormality degree calculation unit 34, and outputs an output device (not shown) when the abnormality is determined.
  • the output device may be a display device, or may notify the target device such as a manager of the target device or the target device such as a machine tool and display the abnormality on the target device (for example, an audio that notifies the abnormality) Occurrence, red lighting, etc.). The same applies to other embodiments described later.
  • FIG. 2 is a diagram for explaining selection of time series data by the time series selection unit 32 of FIG.
  • the vertical axis x represents the value (measurement value) of the waveform data acquired by the measurement unit 31
  • the horizontal axis represents the measurement time.
  • the waveform data acquired by the measuring unit 31 may be a digital code or an analog value. That is, it may be a discrete time system or a sampled data system that samples and holds a continuous time signal.
  • the time-series selection unit 32 uses a control signal (trigger signal) output from the target device (device that executes processing), Processing start times t 11 to t 16 , and - the processing end time t 21 to t 26
  • the time series data 211 to 216 may be selected by acquiring.
  • time series data 215 is time series data including abnormality
  • 211 to 214 and 216 are normal time series data including no abnormality
  • the end time t 21 to t 26 is the starting time t 11 to t 16, adding a constant time interval T (e.g., a period corresponding to a dose of the processing of the target device) You may acquire by.
  • T a constant time interval
  • the sequence selection unit 32 when the sequence selection unit 32, the start time t 11 to t 16, it from the end time t 21 to t 26, subtracts the predetermined time interval T (e.g., a period corresponding to a dose of the processing of the target device) You may acquire by.
  • T e.g., a period corresponding to a dose of the processing of the target device
  • the time series selection unit 32 may simultaneously select the time series data 211 to 216 of FIG. 2 from the waveform data received from the measurement unit 31. Alternatively, the time series selection unit 32 may sequentially select the time series data as the waveform data is sequentially acquired by the measurement unit 31.
  • time series selection unit 32 may select all of the time series data 211 to 216 that are temporally continuous, or may extract a part of the time series data 211 to 216.
  • FIG. 3 is a diagram for explaining the time point extracting operation of the time point extracting unit 33 in FIG. 3A to 3C exemplify representative time series data 211, 213, and 215 among the time series data 211 to 216 of FIG. 2 selected by the time series selection unit 32 for the sake of simplicity.
  • T in FIGS. 3A to 3C is the time interval T in FIG. 2 (for example, a period corresponding to one process of the target device).
  • t 1 is one of the process start times t 11 to t 16 in FIG.
  • the relative time points u 1 and u 2 are time points set in advance as relative time differences from the processing start times t 11 to t 16 in FIG.
  • k may be an arbitrary integer as long as it is 2 or more.
  • the value of the relative point k may be set to an arbitrary value. The larger the value of k, the more points are extracted as the measured value vector y. For this reason, the accuracy of abnormality determination increases.
  • the order of the measurement value vector (the number of components, also referred to as “dimension”) is k, the larger the value of k, the more calculation is required. For this reason, it is desirable to set the value of k to an optimal number by comparing the accuracy of abnormality determination with the amount of calculation.
  • the waveform data and the time series data an example of one series of data having one measurement value at each time has been described, but a D series (D is an integer of 2 or more) having D measurement values at each time. It may be data.
  • the measurement unit 31 receives physical quantity, log data, control signal, call volume, or data applied with preprocessing such as filtering, related to a device that performs processing such as current, voltage, sound, vibration, air volume, and temperature.
  • the D series waveform data is obtained by combining the D series.
  • the time series selection unit 32 may acquire the D series time series data by selecting the start time t 1 and the end time t 2 for each of the D series waveform data.
  • the relative time u 1 to u k preset, and the set of sequence numbers r 1 to r k of the waveform data corresponding to the relative time u 1 to u k (u i, r i ) Is used to extract the measured value vector y. That, i component y i of the measurement vector y is obtained by extracting the measurements at relative time u i of the waveform data of r i-th series.
  • FIG. 4 is a diagram for explaining the abnormality degree calculation unit 34 of FIG.
  • the degree-of-abnormality calculation unit 34 uses the measured value vector y extracted by the time point extraction unit 33 and the matrix C representing the correlation stored in advance in the correlation storage unit 35, for example, the degree of abnormality F according to the following equation 2. May be calculated.
  • C -1 represents an inverse matrix of C (also written as C ⁇ (-1), where ⁇ is a power operator).
  • C may be a symmetric matrix or a positive definite matrix.
  • a positive definite matrix is a matrix whose eigenvalues are all positive real numbers, and an inverse matrix always exists in a positive definite matrix. Therefore, if C is a positive definite matrix, an inverse matrix C ⁇ ( ⁇ 1) of C always exists and can be calculated by, for example, a sweeping method.
  • the degree of abnormality F is obtained for the time series data 211 to 216 as shown in FIG.
  • the off-diagonal component of the matrix C is a negative value ( ⁇ 0.5), which is a negative correlation between the measured values y 1 and y 2 at two relative time points u 1 and u 2 . It represents that.
  • the off-diagonal component of the matrix C is a positive value, this indicates that a positive correlation is established between the measured values y 1 and y 2 at the two relative time points u 1 and u 2 . Yes.
  • the inverse of matrix C is given by
  • the measurement vectors y (1) , y (3) , and y (5) are those described in FIGS. 3 (A) to 3 (C).
  • F 1.33, 1.33, 1.33, 1.33, 4.00, and 1.33 are extracted from the time-series data 211, 212, 213, 214, 215, and 216 in FIG.
  • the abnormality determination unit 36 determines whether or not the abnormality of the time series data (measured value vector extracted from) depends on whether or not the value of the abnormality degree F exceeds a preset appropriate threshold (for example, 2.00). The presence or absence of can be determined.
  • the degree of abnormality F is not limited to ⁇ Expression 2>, and various functions based on the matrix C representing the correlation and the measured value vector y may be used.
  • a matrix norm of a two-point correlation component expressed by the following expression 4 may be used as the degree of abnormality F.
  • Equation 4 represents an arbitrary matrix norm.
  • the (i, j) component of the matrix subjected to matrix norm calculation represents an abnormality component of the two-point correlation between the i component y i and the j component y j of the measurement value vector y.
  • any of a norm for each component for example, any of a norm for each component, an operator norm, a Frobenius norm, a maximum norm, a chatten norm, and the like may be used depending on the application.
  • Equation 4 is expressed as Equation 5 below.
  • Equation 5 represents that the highest one of the two-point correlation abnormality degree components C ⁇ ( ⁇ 1) y i y j of the measured value vector y is adopted as the abnormality degree F.
  • a vector norm of a multipoint correlation component represented by the following equation may be used.
  • Equation 6
  • p represents a p-norm of a vector, and p is a constant satisfying 0 ⁇ p ⁇ ⁇ .
  • the matrix B is a matrix that satisfies the following Expression 7. ⁇ Formula 7>
  • the matrix B can be obtained by Cholesky decomposition (Cholesky decomposition) or eigenvalue decomposition of the inverse matrix C ⁇ (-1) of the matrix C representing the correlation.
  • Cholesky decomposition Cholesky decomposition
  • eigenvalue decomposition of the inverse matrix C ⁇ (-1) of the matrix C representing the correlation.
  • Expression 6 is the maximum norm.
  • Equation 9 represents that the largest one of the multi-component correlation components of the measured value vector y is adopted as the degree of abnormality F. Thereby, if even one set of abnormal multipoint correlation components exists, it is determined as abnormal. For this reason, it is more effective when the determination is performed under stricter conditions than Expression 2.
  • the threshold value of the degree of abnormality is ⁇
  • the curve 15 in FIG. 5A is a case where the expression 2 is used as the degree of abnormality F, and the curve 15 is a closed curve made of an ellipse.
  • the curve 16 in FIG. 5 (B) is a case where Formula 5 is used as the degree of abnormality F.
  • the curve 16 is a closed curve composed of a combination of a hyperbola and a line segment.
  • the measured value vectors y (1) (1, ⁇ 1), y ( extracted from the normal time series data 211 and 213 in FIGS. 3 (A) and 3 (B). 3) Since all of ( ⁇ 1, 1) are inside the curves 15 to 17, it can be seen that the abnormality determination unit 36 determines that they are normal.
  • the abnormality determination unit 36 can determine that an abnormality has occurred.
  • the measurement value vector y extracted by the relative time points u 3 , u 4 , and u 5 is a three-dimensional vector
  • the figure represented by the equation (10) is a curved surface (abnormality determining curved surface) in the three-dimensional space. 5 (A) to (C) cannot be shown on a two-dimensional plane.
  • the abnormality determination curved surface is an ellipsoid, and it is determined whether the measurement value vector is inside or outside the determination curved surface in a three-dimensional space, as in FIG. Accordingly, it is possible to determine that the time series data 111 and 113 in FIG. 8 are “normal” and the time series data “112” is abnormal.
  • FIG. 6 is a flowchart for explaining the abnormality determination processing procedure of the waveform abnormality determination device 30 according to the first exemplary embodiment of the present invention.
  • the measurement unit 31 acquires waveform data related to each target device (step S11), and performs preprocessing of waveform data such as filtering processing as necessary (step S12).
  • the time series selection unit 32 selects time series data corresponding to one processing (unit of processing) in the target device (step S13).
  • the time point extraction unit 33 extracts a measurement value vector having, as components, measurement value data at two or more time points from the selected time series data (step S14).
  • the abnormality degree calculation unit 34 calculates the abnormality degree F using the measurement value vector and the matrix representing the correlation (step S15).
  • the abnormality determination unit 36 determines whether or not the time series data is abnormal by comparing the abnormality degree F with the threshold value ⁇ (step S16).
  • step S16 If the result of determination in step S16 is abnormal, the abnormality determination unit 36 outputs an abnormality and ends (step S17).
  • steps S12 to S17 may be repeated every time waveform data is obtained in step S11. Alternatively, it may be performed only once for a plurality of waveform data obtained in step S11.
  • FIG. 9 A second exemplary embodiment of the present invention will be described with reference to FIGS.
  • the waveform abnormality determination device 30A of the second embodiment is different from the waveform abnormality determination device 30 of the first embodiment described with reference to FIG. A section 39 is added. Note that components having the same functions as those described in the first embodiment are given the same reference numerals, and descriptions thereof are omitted.
  • Each of the abnormality determination curves 15 to 17 in FIGS. 5A to 5C is characterized by having the center at the origin (0, 0) (in the case of three dimensions, (0, 0, 0), The same applies to the case of four or more dimensions). However, there are cases in which time series data cannot be correctly discriminated with such abnormality discriminant curves 15 to 17.
  • the threshold value ⁇ is negative, it is always determined to be abnormal regardless of whether all time-series data is abnormal or normal.
  • time series data may not be correctly determined.
  • the abnormality degree calculation unit 34 calculates the degree of abnormality F from the difference vector.
  • the average value vector ⁇ may be set in advance to an arbitrary value and stored in the average storage unit 38. Or, prepare multiple normal measurement value vectors, their average value, weighted average value, median value or percentile value (the number that indicates the order from the smallest with 100 as a whole), and other statistics May be stored in the average storage unit 38 as the average vector ⁇ .
  • abnormality can be correctly determined.
  • FIG. 11 and FIG. 12 are diagrams for explaining the configuration of the third embodiment of the present invention.
  • the waveform abnormality determination device 30 ⁇ / b> B according to the third embodiment calculates a matrix representing the correlation stored in the correlation storage unit 35 compared to the waveform abnormality determination device 30 described with reference to FIG. 1.
  • a correlation calculation unit 37 is added.
  • the same components as those described in the first embodiment are denoted by the same reference numerals, and the description thereof is omitted.
  • the correlation calculation unit 37 that calculates the matrix representing the correlation related to the measurement value vector based on the measurement value vector extracted by the time point extraction unit 33 is provided. It is not necessary to create a matrix representing
  • the correlation calculation unit 37 includes a variance matrix calculation unit 3701 and a regularization unit 3702.
  • the variance matrix calculation unit 3701 is m measurement values extracted by the time point extraction unit 33 from m time series data selected by the time series selection unit 32 and corresponding to normal m times of processing of the target device.
  • a matrix C representing the correlation is obtained by statistically processing the vector y. *
  • the matrix C representing the correlation is the m of the measurement vector y.
  • Scattering matrix S Signal Matrix
  • Covariance matrix ⁇ Covariance Matrix
  • Correlation Matrix ( ⁇ ) It may be.
  • the scattering matrix S, the covariance matrix ⁇ , and the correlation matrix ⁇ are statistics defined by the following equations 11A, 11B, and 11C, respectively.
  • ⁇ Y> is an average value vector of m measurement value vectors y (1) ,..., Y (m) .
  • ⁇ Y> is an average value of each component of m measurement value vectors y (1) ,..., Y (m) .
  • ⁇ Y> ( ⁇ y 1 >,..., ⁇ Y k >)
  • the average value vector ⁇ y> of the m measurement value vectors y and the value of the variance var [y i ] are determined in advance.
  • the values are numerical values
  • the ranks (ranks) of the scattering matrix S, the covariance matrix ⁇ , and the correlation matrix ⁇ are at most m.
  • the rank (rank) of a matrix refers to the maximum number of primary independent column vectors in the matrix, for example.
  • the rank of the matrix C that represents the correlation with respect to the order k of the measurement vector y (y 1 ,..., Y k ).
  • the matrix C representing the correlation is a singular matrix and there is no inverse matrix.
  • the correlation calculation unit 37 may further include a regularization unit 3702.
  • the regularization unit 3702 may perform regularization on the matrix C representing the correlation calculated by the variance matrix calculation unit 3701 by the following formula.
  • I is a unit matrix.
  • the constant ⁇ is a quantity representing a measurement error, and a magnitude of an error that is expected in advance when included in the measurement unit 31 may be set.
  • the constant ⁇ may be obtained from a statistical value such as an average value, a minimum value, a percentile value, or the like of the diagonal term of the matrix C on the left side of Equation 12.
  • the matrix C representing the correlation calculated by the variance matrix calculation unit 3701 has an inverse matrix.
  • the correlation calculation unit 37 does not need to perform regularization processing by the regularization unit 3702. Therefore, the matrix C representing the correlation calculated by the variance matrix calculation unit 3701 is output to the correlation storage unit 35 as it is (through the regularization processing by the regularization unit 3702).
  • the correlation calculation unit 37 calculates the matrix representing the correlation based on the measurement value vector extracted by the time point extraction unit 33, the matrix representing the correlation stored in the correlation storage unit 35. Need not be prepared in advance.
  • FIG. 13 is a diagram for explaining a fourth exemplary embodiment of the present invention.
  • the time point extraction unit 33A of the waveform abnormality determination device 30C according to the fourth embodiment includes the waveform abnormality determination device 30 according to the first embodiment (FIG. 1) and the waveform abnormality determination device according to the second embodiment (FIG. 9).
  • 30A is different from the time point extraction unit 33 of the waveform abnormality determination device 30B of the third embodiment (FIG. 11).
  • the time point extraction unit 33A includes a selection extraction unit 3301, a variance calculation unit 3302, and a time point determination unit 3303.
  • the degree of abnormality F can be calculated even when the number m of time-series data is small.
  • the measured value vector y can be extracted without setting a relative time point in advance.
  • the time point extraction unit 33 ⁇ / b> B includes the waveform abnormality determination device 30 of the first embodiment (FIG. 1) and the first embodiment ( 9A), the time point extraction unit 33 in the waveform abnormality determination device 30B of the third embodiment (FIG. 11), and the time point extraction unit 33A in the fourth embodiment (FIG. 13). Is different.
  • the time point extraction unit 33B of the waveform abnormality determination device includes a selection extraction unit 3311, a time-series data matrix creation unit 3312, a singular value decomposition unit 3313, a weight vector creation unit 3314, and a weight vector storage unit 3315. .
  • a measurement value vector y is extracted by extracting measurement values at k relative time points.
  • the matrix C is singular. It becomes a matrix, and the degree of abnormality cannot be calculated by the degree-of-abnormality calculation unit 34 using the formulas 2, 4, and 6.
  • time point extraction unit 33B of the fifth embodiment it is possible to detect abnormalities appearing at more measurement points without increasing the value of the point k at the relative time point.
  • t 1 corresponds to the processing start time
  • t 1 + T corresponds to the processing end time t 2
  • x (t 1 + s) is a measured value (time-series data value) at time t 1 + s
  • x (t 1 + T) is a measured value (time-series data value) at time t 1 + T.
  • FIG. 15 is a diagram schematically illustrating an example of the operation of the selection extraction unit 3311.
  • the values of the weight vectors W 1 to W 5 are represented by broken lines.
  • the weight vectors W 1 to W k may overlap each other. That is, the sth components W is and W js of the two weight vectors W i and W j may be non-zero at the same time. This means that one measurement value has a contribution to the elements y i of the plurality of measurement value vectors.
  • weight vector W i may have a constant value as indicated by W 5 in FIG. This means that all measured values in the time series data have an equal contribution to the i component y i of the measured value vector y.
  • all the measurement points of the time series data contribute to one or more measurement value vectors. Abnormalities appearing at measurement points (relative time points) can be detected.
  • the weight vectors W 1 to W k may be created in advance and stored in the weight vector storage unit 3315. In this case, it is not necessary to provide the singular value decomposition unit 3313 and the weight vector creation unit 3314 in the time point extraction unit 33B.
  • weight vectors W 1 to W k may be created by a singular value decomposition unit 3313 and a weight vector creation unit 3314 and stored in the weight vector storage unit 3315 as illustrated in FIG. In this case, the weight vectors W 1 to W k do not need to be created in advance.
  • the measured value vector y (u 1 , .., U k ) has a length of k, and when k ⁇ T, the measured value vector y can be considered to be irreversible compression of time-series data.
  • the weight matrix W is a k ⁇ T matrix in which the component W is of the weight vector W i is arranged on the (i, s) component.
  • the time series data matrix X creates a time series data matrix X from m time series data selected by the time series selection unit 32.
  • the optimum weight vector W i can be obtained by the following equation.
  • Equation 15 can be obtained by performing a singular value decomposition on the matrix X and setting a weight matrix W as a matrix in which k left singular vectors are arranged in each row in descending order of the corresponding singular values.
  • the determination of the weight matrix based on the above principle can be interpreted as minimizing the square error in irreversible compression by extracting components with large fluctuations in time series data.
  • anomalies that appear in time-series data may not appear as large fluctuations appearing as square errors, but as minor fluctuations.
  • k left singular value vectors can be used in ascending order of singular values, not in descending order.
  • an N ⁇ M coefficient of rank (rank) r is a matrix X (in this case, a general matrix X.
  • N is T
  • M is m
  • U is an N ⁇ N unitary matrix
  • V is an M ⁇ M unitary matrix
  • the column vector of the unitary matrix (orthogonal matrix) V is an eigenvector of X H X.
  • the column vector (left singular vector) of the matrix U is an eigenvector of XX H.
  • T left singular vectors U column vectors
  • the singular value decomposition unit 3313 may sequentially calculate singular values corresponding to the k left singular vectors instead of calculating singular values corresponding to the T left singular vectors.
  • the column vector (left singular vector) of U is the eigenvector of XX T
  • the square root of the nonzero eigenvalue corresponds to the singular value ⁇ i of the matrix X.
  • the singular vectors may be created as k weight vectors W 1 ,..., W k .
  • FIG. 16 is a diagram for explaining the configuration of an exemplary sixth embodiment of the present invention.
  • the same components as those of the waveform abnormality determination device 30 of FIG. 1 are denoted by the same reference numerals, and the description thereof is omitted.
  • the time series selection unit 32A of the waveform abnormality determination device 30E in FIG. 16 includes the waveform abnormality determination device 30 in FIG. 1, the waveform abnormality determination device 30A in FIG. 9, the waveform abnormality determination device 30B in FIG. 11, and the waveform abnormality determination device in FIG. 30C is different from the time-series selection unit 32 of the waveform abnormality determination device 30D of FIG.
  • the time series selection unit 32A of the waveform abnormality determination device 30E includes a cross-correlation function calculation unit 3201, a pattern storage unit 3202, and a pattern detection unit 3203.
  • the start time t 1 and the end time t 2 of the processing of the target device is selected by performing pattern matching. For this reason, it is not necessary to receive a control signal (trigger signal) from the target device described in the above embodiment. Below, an example of operation
  • the cross-correlation function calculation unit 3201 uses the pattern data z 1 ,..., Z n stored in the pattern storage unit 3202 to obtain a cross-correlation function f (t) by the following equation.
  • Pattern detecting unit 3203 detects the t i values the values of the cross-correlation function f (t) is maximum, selecting a start time t 1, t 1 + T a t i at this time as the end time t 2 Good.
  • the value of t i may be detected and the start time t 1 and the end time t 2 may be selected.
  • the pattern data z 1 ,..., Z n may be set to arbitrary values in advance.
  • the average value, weighted average value, median value or percentile value of time series data selected by a method other than pattern matching, such as using a control signal (trigger signal) from the target device, and other statistics can be used for the above pattern.
  • the pattern storage unit 3202 may store the data as data.
  • an average value vector stored in the average storage unit 38 (FIG. 9) described in the second embodiment may be created by using pattern data.
  • the measurement value vector extracted from the pattern data by the time point extraction unit 33 in FIG. 9 and the time point extraction units 33A and 33B in FIG. 13 or 14 is set as an average value vector and stored in the average storage unit 38. It is good.
  • FIG. 17 is a diagram illustrating an example, and a production system is schematically illustrated as an example of a system configuration to which each of the exemplary embodiments described above is applied. Although not particularly limited, the application to a surface mount system of an electronic substrate will be described as a production system.
  • a loader (substrate supply device) 515 sets a substrate on which cream solder is printed in a rack, and automatically supplies the set substrate to the mounter 51.
  • the mounter 51 automatically mounts electronic components on the board.
  • the unloader 516 automatically stores the mounted board in the rack.
  • the substrate transport conveyor 514 transports substrates in a series of production systems from the loader 515 to the mounter 51 and unloader 516.
  • the substrate accommodated in the rack by the unloader 516 is further transported to subsequent processes such as a reflow process, an inspection process, and an assembly packaging process (not shown).
  • the current sensor 53 measures a current waveform supplied to the mounter from a distribution board 52 that supplies power to the mounter, for example.
  • the current sensor 53 transmits the measured current waveform (digital signal waveform) to the measurement unit 31 of the waveform abnormality determination device 30 via the communication device 54.
  • the current sensor 53 may be configured by a CT (Current-Transformer) (for example, a zero-phase current sequence (Current-Transformer: ZCT)), a Hall element, or the like.
  • CT Current-Transformer
  • ZCT zero-phase current sequence
  • the current sensor 53 samples a current waveform (analog waveform) with an analog / digital converter (not shown), converts it into a digital signal waveform, compresses and encodes it with an encoder (not shown), and then sends the signal to the communication apparatus 101 to the W-SUN.
  • Wireless transmission may be performed by (Wireless Smart Utility Network) or the like.
  • the communication device 54 may be arranged in a factory (building).
  • the waveform abnormality determination device 30 may be arranged in a factory, or may be mounted on a cloud server connected to the communication device 54 via a wide area network such as the Internet.
  • the waveform abnormality determination device 30 may be configured to have a waveform section separation function that separates the combined waveform of the power supply current waveforms of the devices into the waveforms of the devices.
  • FIG. 18 is a diagram schematically showing an example of the mounter 51 in the production system of FIG.
  • electronic components are mainly supplied by a reel or a tray, the reel is attached to a dedicated feeder, and the tray is set in an apparatus called a tray feeder.
  • the substrate 513 is conveyed by the conveyor 514, and the head 512 sucks the surface-mount type electronic components from the feeder portions 511A and 511B with negative pressure, moves on the XY axis, moves to the target location on the substrate 513, and moves to the surface.
  • Mount mounting components The above-described operation of the mounter 51 is controlled automatically by a control signal generated by the control device 517 and is automatically performed.
  • FIG. 19 is an example of waveform data obtained by the measurement unit 31 from the current sensor 53 via the communication device 54 in the waveform abnormality determination device 30 of the first embodiment, for example.
  • the time series selection unit 32 selects time series data 217 to 219 from the waveform data acquired by the measurement unit 31.
  • the waveform data acquired by the measurement unit 31 may be a current value obtained from the current sensor 53 and a power value calculated from the rated voltage, or may be a value obtained by performing preprocessing on the current value or the power value. May be.
  • the time series selection unit 32 may receive the waveform data acquired by the measurement unit 31 in real time, and may select the time series data 217 to 219, or the waveform data acquired by the measurement unit 31 may be stored in a storage medium or the like.
  • the time-series data 217 to 219 may be selected from the waveform data received offline and accumulated in the storage medium.
  • measurement information (measurement time, sampling frequency, number of samples of one process, process start time, process end time, etc.) in the measurement unit 31 is stored. It is good also as a structure to be made.
  • the time-series data 217 to 219 are used for a series of processing operations in the production system (surface mounting system) shown in FIG. 17 until the board supplied from the loader 515 is mounted with components by the mounter 51 and unloaded to the unloader 516.
  • the peak of the current value is the operation of each part of the mounter 51 (for example, the operation of the head 512 in FIG. 18 sucking a component from the feeder 511A, Corresponding to the movement to the substrate 513.
  • the operations are related to each other.
  • an operation in which the head 512 that sucks a component moves from the feeder 511 ⁇ / b> A to the substrate 513, and a head 512 that has finished mounting the component has the substrate 513.
  • the movement amount of the head 512 is equal in the forward operation and the return operation in a normal operation. Therefore, if the movement amount of the forward operation increases, the movement amount of the return operation also increases. .
  • a correlation is established between current values at times corresponding to forward and backward movement operations.
  • the amount of movement of the head 512 in the forward and backward movement operations depends on the position of the substrate 513.
  • the mounter 51 performs a plurality of processing operations (a plurality of forward / return operations)
  • the amount of movement of the head 512 changes depending on the position of the substrate 513 (component mounting position).
  • the current value at each time in 219 changes while maintaining the correlation between the current values at the time corresponding to the forward operation and the return operation.
  • an abnormality such as idling of the motor that moves the head 512 occurs, a change that breaks the correlation occurs.
  • the time point extraction unit 33 extracts the current values at the relative time u 1 corresponding to the forward path operation and the relative time u 2 corresponding to the return path as measurement value vectors.
  • the correlation storage unit 35 stores in advance a correlation matrix representing a positive correlation as a matrix C representing the correlation.
  • the operation at each time in the time-series data was previously known as the forward operation, the return operation, etc., but in general, the correlation described above is various. Further, the forward movement operation and the backward movement operation are composed of a combination of a series of smaller operations.
  • the configuration including the correlation calculation unit 37 makes it possible to automatically create the matrix C representing the correlation.
  • time point extraction unit 33 instead of the time point extraction unit 33 of the first embodiment, the time point extraction unit 33A (FIG. 13) of the fourth embodiment or the time point extraction unit 33B (FIG. 14) of the fifth embodiment. It is not necessary to determine the relative times u 1 and u 2 in advance.
  • FIG. 20 is a diagram illustrating a configuration in which the waveform abnormality determination device 30 is realized by the computer device 40.
  • the computer device 40 includes a CPU (Central Processing Unit) 41, a storage device (memory) 42, a display device 43, and a communication interface 44.
  • the storage device 42 may be, for example, a semiconductor storage such as a RAM, a ROM, or an EEPROM, an HDD, a CD, a DVD, or the like.
  • the storage device 42 stores a program executed by the CPU 41.
  • the communication interface 44 is connected for communication with the communication device 54 of FIG.
  • the CPU 41 is connected to the storage device 42 and executes the program stored in the storage device 42, thereby realizing the functions of the waveform abnormality determination devices 30, 30A to 30E in the above embodiments.
  • Patent Documents 1 and 2 are incorporated herein by reference.
  • the embodiments and examples can be changed and adjusted based on the basic technical concept.
  • Various combinations or selections of various disclosed elements are possible within the scope of the claims of the present invention. . That is, the present invention of course includes various variations and modifications that could be made by those skilled in the art according to the entire disclosure including the claims and the technical idea.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本発明は、正常または異常が時系列データの複数の時刻で関連して発生する場合においても、高い判定精度で異常を判定可能とする波形異常判定装置を提供する。波形異常判定装置は、所定の期間の時系列データを入力として受け、前記時系列データから複数の時点の測定値を成分とする測定値ベクトルを抽出する時点抽出部と、前記測定値ベクトルと、相関を表す行列とに基づき、前記測定値ベクトルに関する異常度を算出する異常度計算部と、前記異常度を閾値と比較し、異常の有無を判定する異常判定部と、を備える。

Description

波形異常判定装置、方法、プログラムと記録媒体
［関連出願についての記載］
　本発明は、日本国特許出願：特願２０１７－０８８９４８号（２０１７年４月２７日出願）の優先権主張に基づくものであり、同出願の全記載内容は引用をもって本書に組み込み記載されているものとする。
　本発明は、波形の異常を判定する装置、方法、プログラムと記録媒体に関する。
　工作機械などワーク（製品）等の加工処理等を行う装置において、工具の破損などの異常による、工作精度の低下や装置の故障を防ぐために、例えば、センサ（電源電流、振動、温度等のセンサ）から取得した波形データを用いて当該装置の異常を監視する手法が用いられている。
　これらの手法では、１つまたは複数のセンサによって、予め装置が正常に動作した場合の波形データに関して複数の時系列データを取得する。そして、これら時系列データを統計処理することにより、正常な波形の範囲を予め取得し保持しておく。次に、装置をセンサでモニタし、新たにセンサから得られた時系列データが、保持されている正常な波形の範囲を逸脱しているか否かを判断し、異常の有無を判定する。
　このような異常の判定方法の関連技術として、例えば特許文献１に開示された異常検出装置では、工作機器の主軸モータの負荷電流を検出する電流センサを具備し、異常検出判定前に基準値設定のため工作機器の正常な工具による加工を複数回行い、この時の電流センサによる負荷電流の測定値から得られた基準値を基に許容範囲を設定する許容範囲設定手段を設ける。そして、異常検出判定時に、電流センサによる負荷電流の測定値が許容範囲内であれば工具は正常とし、許容範囲外であれば工具は異常とする異常検出手段を備えている。なお、特許文献１では、予め正常な負荷電流を複数回測定することにより、各測定点での測定値の最大値、最小値、平均値を求め、最大値波形と最小値波形と平均値波形のうちで、いずれか１本を選び、この線を、Ｙ＝ＡＸ＋Ｂの式で嵩上げして上限値を設定し、３本の波形線のいずれかを選んで、Ｙ＝ＡＸ＋Ｂの式で嵩下げして下限値を設定している。
　また、特許文献２には、複数の製造プロセスを経由して製品を製造する製造設備の診断装置、方法が開示されている。この装置では、マハラノビス距離を利用して製品の品質の評価及び製造設備の診断を行う。ここで、複数の製造プロセスにおける状態を示す計測値は、複数の計測手段によってそれぞれ所定の時間間隔で連続的に計測され、記憶手段に記憶される。該記憶手段に記憶された複数の計測値から、診断用の一群の計測値を収集する場合に、実際の計測時刻に対して予め推定又は計測した遅れ時間ずつずらした各計測時刻に対応する計測値をそれぞれ収集し、収集された一群の計測値と、所定の基準空間（基準空間の作成元の複数群の計測値も遅れ時間分ずらす）とに基づいてマハラノビス距離を算出する。
特開平５－１１６０５６号公報 特開２００９－２００２０８号公報
　以下に関連技術の分析を与える。
　特許文献１等の関連技術の異常検出装置では、予め正常な負荷電流を複数回測定することにより、許容範囲を設定し、時系列データが前記許容範囲内であれば正常、前記許容範囲外であれば異常と判定する。
　しかしながら、このような許容範囲を用いた関連技術による異常判定方法では、
（ａ）正常な時系列データの値が複数の異なる時刻において互いに相関をもって変化している場合や、
（ｂ）異常な時系列データに現れる異常が時系列的な些細な変化として発生する場合、
のように、正常または異常が時系列データの複数の時刻で関連して発生する状況において、異常判定の精度が低下してしまう、という課題があった。
　また、特許文献２のように、複数のセンサによる異常の判定方法を用いたとしても、前記診断用の一群の計測値は、あくまで、前記各測定手段の各時刻に対応する測定値を収集したものであることから、前記（ａ）、（ｂ）の場合のように、正常または異常が時系列データの複数の時刻で関連して発生する状況にあっては、本質的な精度の向上は見込めない。
　したがって、本発明は上記のような課題に鑑みて創案されたものであって、その目的の一つは、正常または異常が時系列データの複数の時刻で関連して発生する場合においても、高い判定精度で異常を判定可能とする波形異常判定装置、方法、およびプログラムと記録媒体を提供することにある。
　本発明の一つの側面によれば、所定の期間の時系列データを入力として受け、前記時系列データから複数の時点の測定値を成分とする測定値ベクトルを抽出する時点抽出部と、前記測定値ベクトルと相関を表す行列とに基づき、前記測定値ベクトルに関する異常度を計算する異常度計算部と、前記異常度を閾値と比較し、異常の有無を判定する異常判定部と、を備えた波形異常判定装置が提供される。
　本発明の一つの側面によれば、所定の期間の時系列データを入力として受け、前記時系列データから複数の時点の測定値を成分とする測定値ベクトルを抽出し、前記測定値ベクトルと相関を表す行列とに基づき、前記測定値ベクトルに関する異常度を計算し、前記異常度を閾値と比較し、異常の有無を判定する異常判定方法が提供される。
　本発明の一つの側面によれば、所定の期間の時系列データを入力として受け、前記時系列データから複数の時点の測定値を成分とする測定値ベクトルを抽出する処理と、前記測定値ベクトルと相関を表す行列とに基づき、前記測定値ベクトルに関する異常度を計算する処理と、前記異常度を閾値と比較し、異常の有無を判定する処理と、をコンピュータに実行させるプログラムが提供される。本発明によれば、上記プログラムを記憶したコンピュータ読み出し可能な記録媒体（例えばＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、又は、ＥＥＰＲＯＭ（Electrically Erasable and Programmable ROM）等の半導体ストレージ、ＳＳＤ（Solid State Drive）、ＨＤＤ（Hard Disk Drive）、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）等のnon-transitory computer readable recording medium）が提供される。
　本発明によれば、正常または異常が時系列データの複数の時刻で関連して発生する場合においても、高い判定精度で異常を判定することができる。
本発明の例示的な第１の実施形態の構成を説明する図である。 本発明の例示的な第１の実施形態の時系列選択部を説明する図である。 （Ａ）乃至（Ｃ）は本発明の例示的な第１の実施形態の時点抽出部を説明する図である。 本発明の例示的な第１の実施形態の異常度計算部を説明する図である。 （Ａ）乃至（Ｃ）は本発明の例示的な第１の実施形態の異常度計算部および異常判定部を説明する図である。 本発明の例示的な第１の実施形態の異常判定方法（処理手順）を説明する流れ図である。 （Ａ１）乃至（Ａ３）、（Ｂ１）乃至（Ｂ３）は関連技術（特許文献１）を説明する図である。 関連技術（特許文献１）を説明する図である。 本発明の例示的な第２の実施形態の構成を説明する図である。 本発明の例示的な第２の実施形態の異常度計算部および異常判定部を説明する図である。 本発明の例示的な第３の実施形態の構成を説明する図である。 本発明の例示的な第３の実施形態の相関計算部の構成例を説明する図である。 本発明の例示的な第４の実施形態の時系列選択部の構成例を説明する図である。 本発明の例示的な第５の実施形態の時系列選択部の構成例を説明する図である。 本発明の例示的な第５の実施形態の時系列選択部の動作の一例を説明する図である。 本発明の例示的な第６の実施形態の時系列選択部の構成例を説明する図である。 本発明の一実施例のシステム構成の一例を説明する図である。 本発明の一実施例のマウンタを説明する図である。 本発明の一実施例を説明する図である。 本発明の別の実施例の装置構成の一例を説明する図である。 本発明の一形態を説明する図である。
　本発明の実施形態について説明する。はじめに、上記特許文献１等の関連技術に記載された、許容範囲を用いた異常判定方法では、
（ａ）正常な時系列データの値が複数の異なる時刻において互いに相関をもって変化している場合や、
（ｂ）異常な時系列データに現れる異常が、時系列的な些細な変化として発生する場合
のように、
　正常または異常が時系列データの複数の時刻で関連して発生する状況において、異常判定の精度が低下してしまう、という問題について、本発明者による分析を説明する。
　図７の（Ａ１）～（Ａ３）および（Ｂ１）～（Ｂ３）は、関連技術（許容範囲を用いた異常判定方法）の動作を模式的に説明する図である。ここで、判定対象となる時系列データ２１１、２１３、２１５（実線）のうち、時系列デー２１１、時系列デー２１３は正常な時系列データであり、時系列デー２１５は異常を含む時系列データである。（Ａ１）、（Ｂ１）の２１１は同一の時系列データ、（Ａ２）、（Ｂ２）の２１３は同一の時系列データ、（Ａ３）、（Ｂ３）の２１５は同一の時系列データである。
　図７の（Ａ１）～（Ａ３）において破線２２１、２３１は、許容範囲の上限値波形と下限値波形、図７の（Ｂ１）～（Ｂ３）において破線２２２、２３２は、許容範囲の上限値波形と下限値波形（破線２２１、２３１とは異なるパタンの波形）である。
　各時点での測定値の最大値と最小値に基づき許容範囲の時系列データを設定し、測定した負荷電流の時系列データ２１１、２１３、２１５が、許容範囲内であれば、「正常」と判定し、ある時点で、許容範囲外にあれば、「異常」と判定する。なお、上限値波形２２１（下限値波形２３１）は、図７の（Ａ１）～（Ａ３）において同一である。また上限値波形２２２（下限値波形２３２）は、図７の（Ｂ１）～（Ｂ３）において同一である。
　図７の（Ａ１）～（Ａ３）において、上限値波形２２１および下限値波形２３１で区画される許容範囲を用いると、図７の（Ａ１）の正常な時系列データ２１１は許容範囲内で推移している。このため、図７の（Ａ１）の正常な時系列データ２１１は正しく「正常」と判定される。また図７の（Ａ３）の異常な時系列データ２１５は、上限値波形２２１を超えている波形パタンを有している。このため、時系列データ２１５を「異常」と判定することができる。しかしながら、図７の（Ａ２）の正常な時系列データ２１３は、時刻ｔa近辺で、上限値波形２２１を超えている。このため、正常な時系列データ２１３は、「異常」と誤判定されてしまう。
　また、図７の（Ｂ１）～（Ｂ３）において、上限値波形２２２および下限値波形２３２で区画される許容範囲を用いることで、図７の（Ｂ１）、（Ｂ２）の正常な時系列データ２１１および２１３は、正しく「正常」と判断することができる。しかし、図７の（Ｂ３）では、異常な時系列データ２１５は、時刻ｔｂ近辺でも、上限値波形２２２および下限値波形２３２で区画される許容範囲内にある。このため、「正常」と誤判定されてしまう。
　図７に例示したように、正常な時系列データ２１１および２１３を常に正しく「正常」と判定し、異常な時系列データ２１５を常に正しく「異常」と判定することを可能とするように、上限値波形および下限値波形を設定することは、困難であり、実質的に不可能である。すなわち、異常な時系列データ２１５を「正常」と判定し、または正常な時系列データ２１３を「異常」と判定する誤判定が発生してしまうという事態が生じ得る。
　このような誤判定は、時系列データの測定値が、複数の異なる時点において互いに相関をもって変化していることが原因して発生している。
　同様に、図８において、判定対象となる時系列データ１１１、１１２、１１３のうち、参照番号１１１および１１３は正常な時系列データであり、参照番号１１２は時刻ｕ４において異常を含む時系列データであるとする。
　この場合、上限値波形１２１および下限値波形１２３で表される許容範囲を用いると、正常な時系列データ１１１および１１３は、正しく「正常」と判定することができるが、異常な時系列データ１１２については、誤って「正常」と判定してしまう。
　また、上限値波形１２２および下限値波形１２３で表される許容範囲を用いると、正常な時系列データ１１３を正しく「正常」と判定し、異常な時系列データ１１２は、時刻ｕ４において上限値波形１２２を超えるため、正しく「異常」と判定することができる。しかし、正常な時系列データ１１１は上限値波形１２２を超えるため、誤って「異常」と判定してしまう。
　このように、正常な時系列データ１１１および１１３を正しく「正常」と判定することができ、異常な時系列データ１１２を正しく「異常」と判定することができるような、上限値波形（上限値の時系列波形）および下限値波形（下限値の時系列波形）の設定は、困難であるか、実際上、不可能である。
　したがって、時系列データの許容範囲を用いる異常判定方法を、時系列データ１１１乃至１１３に適用すると、異常な時系列データを「正常」と判定し、または正常な時系列データを「異常」と判定する誤判定が必ず発生してしまう。
　このような誤判定は、異常な時系列データ１１２に現れる異常が時系列的に発生する些細な変化として現れていることが原因である。そこで、本発明は、上記（ａ）、（ｂ）の問題を解決する手段を提供するものである。
　図２１を参照すると、本発明の一形態においては、所定の期間の時系列データを入力として受け、前記時系列データから複数の時点の測定値を成分とする測定値ベクトルを抽出する時点抽出部３３と、該測定値ベクトルと、該測定値ベクトルとの演算に用いられる相関を表す行列とに基づき、前記測定値ベクトルに関する異常度を算出する異常度計算部３４と、前記異常度を閾値と比較し、異常の有無を判定する異常判定部３６とを備えている。かかる構成としたことで、本発明の一形態によれば、正常または異常が時系列データの複数の時刻で関連して発生する場合においても、時系列データの異常の有無を高い判定精度で判定することができる。
　本発明の一形態においては、判定対象の装置に関する波形データを取得する測定部（例えば図１の３１）から前記波形データを受け、前記波形データのうち、前記装置において時間的に複数回繰り返し行われる、単位となる処理に対応する前記期間の前記波形データを、前記時系列データとして選択し、前記時点抽出部３３に受け渡す時系列選択部（例えば図１の３２）を備えた構成としてもよい。この時系列選択部（例えば図１の３２）は、前記装置から出力される信号に基づき、前記期間の開始時刻及び／又は終了時刻を取得し、前記時系列データを選択する構成としてもよい。
　本発明の一形態において、異常度計算部３４は、前記測定値ベクトルの各成分と前記相関を表す行列の逆行列、又は前記逆行列から導出された行列との演算に基づき、前記異常度を算出するようにしてもよい。
　本発明の一形態において、時点抽出部３３で抽出した測定値ベクトルから平均値ベクトルを減じた差分ベクトルを異常度計算部３４に供給する差分計算部（例えば図９の３９）を備え、異常度計算部３４では、前記差分ベクトルを前記測定値ベクトルとして相関を表す行列と演算し、前記異常度を計算する構成としてもよい。
　本発明の一形態において、時点抽出部３３で抽出された複数の時間区間の時系列データの測定値ベクトルから、前記測定値ベクトルに関する前記相関を表す行列を計算する相関計算部（例えば図１１の３７）を備えた構成としてもよい。前記相関を表す行列として、前記測定値ベクトルに関する散乱行列、共分散行列、自己相関行列のいずれかを用いてもよい。この相関計算部（例えば図１１の３７）は、前記相関を表す行列の階数（rank）ｍが前記測定値ベクトルの成分の数ｋよりも小さい場合、前記相関を表す行列の階数ｍを少なくとも前記測定値ベクトルの成分の数ｋとする正則化を行う正則化部（図１２の３７０２）を備えた構成としてもよい。
　本発明の一形態において、時点抽出部（例えば図１３の３３Ａ）は、前記相関を表す行列の階数ｍが前記測定値ベクトルの成分の数ｋよりも小さい場合、前記階数ｍ以下のｋ個の時点を決定し、前記ｋ個の時点の測定値を成分とする測定値ベクトルを生成する構成としてもよい。前記時点抽出部（例えば図１３の３３Ａ）は、前記時系列データの各時点の測定値の分散の昇順又は降順に並べてｋ個の時点を選択し、前記測定値ベクトルを抽出する構成としてもよい。
　本発明の一形態において、時点抽出部（例えば図１４の３３Ｂ）は、前記時系列データの重みベクトルによる線形和によって測定値ベクトルを抽出する構成としてもよい。前記重みベクトルは、前記時系列データの行列の特異値分解において、前記特異値の昇順又は降順に並べた特異ベクトルとしてもよい。
　本発明の一形態において、時系列選択部（例えば図１６の３２Ａ）は、前記装置における前記単位となる処理の開始時刻と終了時刻をパターンマッチングにより選択し、前記時系列データを選択する構成としてもよい。
　以下、本発明のいくつかの例示的な実施形態について図面を参照して説明する。
＜実施形態１＞
　図１は、本発明の例示的な第１の実施形態の装置の構成の一例を説明する図である。図１を参照すると、波形異常判定装置３０は、測定部３１に接続され、時系列選択部３２、時点抽出部３３、相関記憶部３５、異常度計算部３４、異常判定部３６を備えている。
　測定部３１は、異常判定の対象装置、例えば工作機械等、所定の処理を実行する装置（不図示）に関連する波形データを取得する。測定部３１は、波形異常判定装置３０内に備えた構成としてもよいし、対象装置内に備えるか、対象装置に外付けされるか、対象装置に接続し、無線又は有線通信で波形データを、波形異常判定装置３０に送信する構成としてもよい。後述する第２乃至第６の実施形態についても同様である。
　特に制限されないが、第１の実施形態において、対象装置（処理を実行する装置）は、例えば電子部品をプリント基板に配置（実装）するマウンタ等であってもよいし、その他生産装置、搬送装置、通信装置、コンピュータ等であってもよい。後述する第２乃至第６の実施形態についても同様である。
　特に制限されないが、第１の実施形態において、波形データは、例えば、電流、電圧、音、振動、風量、温度などの対象装置に関連した物理量であってもよいし、前記対象装置が出力するログデータ、前記対象装置の動作を制御する制御信号、または前記対象装置が通信を行う場合の呼量のいずれか、またはこれらの組み合わせでもよい。前記波形データは、さらに、前記物理量、前記ログデータ、前記制御信号、または前記呼量に、ハイパスフィルタ、ローパスフィルタ、バンドパスフィルタ、サンプリング間隔の変換、微分、積分、平均化、正規化（Normalization）等の前処理を適用したデータでもよい。後述する第２乃至第６の実施形態についても同様である。
　時系列選択部３２は、繰り返し行われる処理の１回分の処理に相当する時系列データを選択するようにしてもよい。繰り返し行われる処理の１回分の処理は、測定部３１で測定された測定データ（波形データ）のうち、例えば対象装置がマウンタ等の場合の基板への部品実装処理等、基板１枚分の処理に相当する。
　時点抽出部３３は、時系列選択部３２で選択された時系列データのうち、２つ以上の時点のデータを測定値ベクトルとして抽出する。相関記憶部３５は相関を表す行列を記憶する。相関記憶部３５は半導体メモリ（ＲＡＭ、ＥＥＰＲＯＭ等）、ＨＤＤ、ＳＳＤ、ＣＤ、ＤＶＤ等であってもよい。
　異常度計算部３４は、時点抽出部３３で抽出された測定値ベクトルおよび前記相関を表す行列を用いて異常度を計算する。
　異常判定部３６は、異常度計算部３４で計算した異常度に基づきに、異常判定を行い、異常と判定した場合、不図示の出力装置に出力する。出力装置は表示装置であってもよいし、対象装置の管理者等の端末や、工作機械等対象装置に通知し対象装置で異常を表示するようにしてもよい（例えば、異常を通知する音響の発生や赤色灯等の点灯等）。後述する他の実施形態についても同様である。
　図２乃至図５を参照して、本発明の第１の例示的な実施形態における波形の異常判定の一例について説明する。
（時系列選択部）
　図２は、図１の時系列選択部３２による時系列データの選択を説明する図である。図２において、縦軸ｘは、測定部３１により取得した波形データの値（測定値）を表し、横軸は測定時刻を表す。なお、測定部３１で取得する波形データは、デジタル符号であってもアナログ値であってもよい。すなわち、離散時間系（Discrete Time System）であってもよいし、連続時間系の信号をサンプル・ホールドするサンプル値系（Sampled Data System）であってもよい。
　時系列選択部３２は、対象装置（処理を実行する装置）が出力する制御信号（トリガー信号）によって、
・処理の開始時刻ｔ１１乃至ｔ１６、および、
・前記処理の終了時刻ｔ２１乃至ｔ２６
を取得することにより、時系列データ２１１乃至２１６を選択してもよい。
　図２において、時系列データ２１５は異常を含んでいる時系列データであり、２１１乃至２１４および２１６は異常を含んでいない正常な時系列データである。　
　時系列選択部３２において、開始時刻ｔ１１乃至ｔ１６および終了時刻ｔ２１乃至ｔ２６は、以下の第６の実施の形態で説明するように、測定部３１で測定された波形データからパタンマッチ等により取得してもよい。この場合、開始時刻、終了時刻の選択のために、対象装置からの制御信号（トリガー信号）を用いなくてもよい。
　また、時系列選択部３２において、終了時刻ｔ２１乃至ｔ２６は、開始時刻ｔ１１乃至ｔ１６に、一定の時間間隔Ｔ（例えば対象装置の一回分の処理に対応する期間）を加算することにより取得してもよい。
　あるいは、時系列選択部３２において、開始時刻ｔ１１乃至ｔ１６は、終了時刻ｔ２１乃至ｔ２６から、一定の時間間隔Ｔ（例えば対象装置の一回分の処理に対応する期間）を減算することにより取得してもよい。
　さらに、時系列選択部３２は、測定部３１から受け取った波形データから、図２の時系列データ２１１乃至２１６を、同時に選択するようにしてもよい。あるいは、時系列選択部３２は、測定部３１において波形データが順次取得されるのにつれて、順次、時系列データを選択するようにしてもよい。
　また、時系列選択部３２は、時間的に連続する時系列データ２１１乃至２１６の全てを選択してもよいし、時系列データ２１１乃至２１６の一部を抜き出してもよい。
（時系列抽出部）
　図３は、図１の時点抽出部３３の時点抽出動作を説明する図である。図３（Ａ）乃至（Ｃ）では、簡単のため、時系列選択部３２で選択した、図２の時系列データ２１１乃至２１６のうち、代表的な時系列データ２１１、２１３および２１５が例示されているが、以下の説明は、図２の時系列データ２１２、２１４、および２１６についても同様に適用される。なお、図３（Ａ）乃至（Ｃ）におけるＴは、図２の時間間隔Ｔ（例えば対象装置の一回分の処理に対応する期間）である。
　時点抽出部３３は、時系列データ２１１乃至２１６に対し、次の式１により測定値ベクトルｙ＝（ｙ１，ｙ２）をそれぞれ求めてもよい。
＜式１＞
　　　　　　　ｙｉ＝ｘ（ｔ１＋ｕｉ）　　（ｉ＝１，２）
　ここで、ｔ１は、図２の処理開始時刻ｔ１１乃至ｔ１６のいずれかある。相対時点ｕ１およびｕ２は、図２の処理開始時刻ｔ１１乃至ｔ１６からの相対的な時間差として予め設定した時点である。
　図３に示す例では、相対時点ｕ１およびｕ２の点数ｋは、ｋ＝２である。ただし、ｋは２以上であれば任意の整数であってよい。特に、時系列データｘの長さＴ以下であれば、相対時点の点数ｋの値は、任意の値に設定してもよい。ｋの値が大きいほど、多くの点が測定値ベクトルｙとして抽出される。このため、異常判定の精度が高まる。一方で、測定値ベクトルの次数（成分の数、「次元」ともいう）はｋであるため、ｋの値が大きいほど、多くの計算量が必要となる。このため、ｋの値は、異常判定の精度と計算量を比較して、最適となる数に設定することが望ましい。
　なお、図３（Ａ）乃至（Ｃ）では、説明の容易化のため、測定値ベクトルｙの成分の値（相対時点ｕｉにおけるｙｉ（ｉ＝１，２）は１又は－１とされているが、ｙｉ（ｉ＝１，２）は＋１、－１の２値に制限されるものでないことは勿論である。
　波形データおよび時系列データは、各時刻に、１つの測定値を持つ１系列のデータの例について説明したが、各時刻にＤ個の測定値を持つＤ系列（Ｄは２以上の整数）のデータであってもよい。この場合、測定部３１は、電流、電圧、音、振動、風量、温度などの処理を実行する装置に関連した物理量、ログデータ、制御信号、呼量、またはフィルタリング等前処理を適用したデータを、Ｄ系列組み合わせて、該Ｄ系列の波形データを取得する。
　また、時系列選択部３２は、前記Ｄ系列の波形データの各々について、開始時刻ｔ１および終了時刻ｔ２を選択することにより、Ｄ系列の時系列データを取得するようにしてもよい。
　次に、時点抽出部３３では、予め設定した相対時点ｕ１乃至ｕｋ、および、相対時点ｕ１乃至ｕｋに対応する波形データの系列番号ｒ１乃至ｒｋの組（ｕｉ，ｒｉ）を用いることで、測定値ベクトルｙを抽出する。すなわち、測定値ベクトルｙのｉ成分ｙｉは、ｒｉ番目の系列の波形データの相対時刻ｕｉにおける測定値を抽出したものである。
　ここで、当然のことながら、同一の相対時点から、系列番号ｒ１乃至ｒｋのうち複数の異なる系列の測定値を抽出してもよい。つまり、相対時点と系列番号の組（ｕｉ，ｒｉ）に関してｒｉもしくはｕｉの一方の値が互いに異なっていれば、他方が同一の値である組が複数存在してもよい（例えば、（ｕ１，ｒ１）、（ｕ１，ｒ２）、・・・や、（ｕ１，ｒ１）、（ｕ２，ｒ１）、・・・等）。
（異常度計算部）
　図４は、図１の異常度計算部３４を説明する図である。異常度計算部３４は、時点抽出部３３で抽出された測定値ベクトルｙと、相関記憶部３５に予め保存された、相関を表す行列Ｃを用いることで、例えば、次式２によって異常度Ｆを計算してもよい。
＜式２＞
Figure JPOXMLDOC01-appb-I000001

　ここで、記号Ｔは行列の転置を表す。ｍ×ｎの行列Ａの（ｉ，ｊ）成分（i=1,…,ｍ、j=1,…,n）をａi,jとすると、行列ＡＴはｎ×ｍの行列となり（ｉ，ｊ）成分はａj,iとなる。またｙを列ベクトルとすると、ｙTは行ベクトルとなる。Ｃ－１はＣの逆行列を表している（Ｃ＾（－１）とも記載される、＾は冪乗演算子）。
　Ｃは対称行列であってもよいし、かつ、正定値行列であってもよい。なお、正定値行列は、固有値が全て正の実数であるような行列のことであり、正定値行列には逆行列が必ず存在する。したがって、Ｃが正定値行列であるならば、Ｃの逆行列Ｃ＾（－１）は必ず存在し、例えば掃き出し法などにより計算することができる。
　特に制限されないが、相関を表す行列Ｃの具体的な値として、例えば次の式３を用いた場合、図４に示すように、時系列データ２１１乃至２１６に対して異常度Ｆが求まる。
＜式３＞
Figure JPOXMLDOC01-appb-I000002
　上記式３において、行列Ｃは、（ｉ，ｉ）成分を１、（ｉ，ｊ）成分をｙｉとｙｊの相関係数ρｉｊ（ｉ，ｊ＝１，２，ｉ≠ｊ）とした自己相関行列であってもよい。行列Ｃの非対角成分は負の値（－０．５）であるが、これは、２つの相対時点ｕ１とｕ２における測定値ｙ１とｙ２の間に負の相関関係が成り立っていることを表している。逆に、行列Ｃの非対角成分が正の値である場合、２つの相対時点ｕ１とｕ２における測定値ｙ１とｙ２の間に正の相関関係が成り立っていることを表している。行列Ｃの逆行列は以下で与えられる。

Figure JPOXMLDOC01-appb-I000003
　ｙ＝（ｙ１，ｙ２）に対して、
Figure JPOXMLDOC01-appb-I000004
　図４において、６つの測定値ベクトル（２次元ベクトル）ｙ＝（１，－１）、（１，－１）、（－１，１）、（１，－１）、（１，１）、（－１，１）は、図２の時系列データ２１１、２１２、２１３、２１４、２１５、２１６の各時系列データにおける２つの相対時点ｕ１、ｕ２の測定値ｙ１、ｙ２を成分とする６つの測定値ベクトル（２次元ベクトル）（＝ｙ（１），ｙ（２），ｙ（3），ｙ（4），ｙ（5），ｙ（6））にそれぞれ対応している。このうち、測定ベクトルｙ（１），ｙ（3），ｙ（5）は、図３（Ａ）乃至（Ｃ）に記載されたものである。
　図４において、Ｆ＝１．３３，１．３３，１．３３，１．３３，４．００，１．３３は、図２の時系列データ２１１、２１２、２１３、２１４、２１５、２１６から抽出された６つの測定値ベクトルｙ＝（１，－１）、（１，－１）、（－１，１）、（１，－１）、（１，１）、（－１，１）（＝ｙ（１）～ｙ（６））に対してそれぞれ＜式２＞を演算して求めたＦの値に対応する。この場合、時系列データ２１５から抽出された測定値ベクトル（ｙ（5）＝（１，１）：図３（Ｃ））に関する異常度Ｆは４．００となっており、他の時系列データ２１１、２１２、２１３、２１４、２１６の測定値ベクトルに関する異常度Ｆ＝１．３３よりも高い値となっている。
　このため、異常判定部３６では、異常度Ｆの値が予め設定した適切な閾値（例えば、２．００）を超えているか否かによって、時系列データ（から抽出された測定値ベクトル）の異常の有無を判定することができる。
　ここで、異常度Ｆは、＜式２＞に制限されるものでなく、相関を表す行列Ｃと、測定値ベクトルｙとに基づく種々の関数を用いてもよい。例えば、異常度Ｆとして、次の式４で表される２点相関成分の行列ノルムを用いてもよい。
＜式４＞

Figure JPOXMLDOC01-appb-I000005
　式４における||・||matrixは任意の行列ノルムを表している。また、式４において行列ノルム計算の対象の行列の（ｉ，ｊ）成分は、測定値ベクトルｙのｉ成分ｙｉとｊ成分ｙｊの２点相関の異常度成分を表している。
　特に制限されないが、行列ノルムの例として、例えば、成分ごとのノルム、作用素ノルム、フロベニウスノルム、最大値ノルム、シャッテンノルム等のいずれかを、用途に応じて用いてもよい。
　行列ノルムの一例として、特に、最大値ノルムを用いると、式４は、次式５のように表される。
＜式５＞
Figure JPOXMLDOC01-appb-I000006
　上記式５は、測定値ベクトルｙの２点相関の異常度成分Ｃ＾（－１）ｙｉｙｊのうち、最大のものを異常度Ｆとして採用することを表している。これにより、１組でも異常な２点相関成分が存在すれば異常と判定されるため、上記式２よりも、厳しい条件により判定を行いたい場合などに有効である。
　また、異常度Ｆのもう一つの例として、例えば、次式で表される多点相関成分のベクトルノルムを用いてもよい。
＜式６＞
Figure JPOXMLDOC01-appb-I000007
　ここで、式６において、||・||pはベクトルのｐ－ノルムを表し、ｐは０＜ｐ≦∞　を満たす定数である。また、行列Ｂは、次の式７を満たす行列である。
＜式７＞
Figure JPOXMLDOC01-appb-I000008
　行列Ｂは、相関を表す行列Ｃの逆行列Ｃ＾（-1）のコレスキー分解（Cholesky decomposition）や固有値分解によって求めることができる。例えば、相関を表す行列Ｃの値が式３で表されるとき、式７を満たす行列Ｂの具体例として、例えば次式を用いてもよい。
＜式８＞
Figure JPOXMLDOC01-appb-I000009
　上記式６におけるｐ－ノルムの一例として、例えばｐ＝２の場合を考えると、式６におけるＦの値は式２におけるＦの値の平方根と一致する。このため、式２は式６の特別な場合であると考えることができる。
　また、ｐ－ノルムの別の一例として、例えばｐ＝∞の場合を考えると、式６は最大値ノルムとなる。
＜式９＞
Figure JPOXMLDOC01-appb-I000010
　式９は、測定値ベクトルｙの多要素の相関成分のうち、最大のものを異常度Ｆとして採用することを表している。これにより、１組でも異常な多点相関成分が存在すれば異常と判定される。このため、式２よりも、厳しい条件で判定を行う場合などに有効である。
　上述の本発明の第１の例示的な実施形態における異常判定部３６の動作の一例について、図５を用いて別の観点から説明する。　
　図５（Ａ）乃至（Ｃ）では、測定値ベクトルｙ＝（ｙ１，ｙ２）の２つの要素を座標軸とした２次元平面を表している。異常度の閾値をαとした場合、図５（Ａ）乃至（Ｃ）のそれぞれの２次元平面のうち、測定値ベクトルが異常と判定される領域と、正常と判定される測定値ベクトルの領域の境界を表す異常判別曲線１５乃至１７は、次式１０の方程式の解ｙ＝（ｙ１，ｙ２）に対応する。
＜式１０＞
　　　　　　　　　　　　　Ｆ＝α
　ここで、図５（Ａ）の曲線１５は、異常度Ｆとして式２を用いた場合であり、曲線１５は楕円から成る閉曲線である。
　図５（Ｂ）の曲線１６は、異常度Ｆとして式５を用いた場合である。曲線１６は、双曲線と線分の組み合わせから成る閉曲線である。
　図５（Ｃ）の曲線１７は、異常度Ｆとして式９を用いた場合であり、線分の組み合わせから成る閉曲線である。これらの閉曲線は、Ｆ＝αに対応する等高線である。
　図５（Ａ）乃至（Ｃ）において、図３（Ａ）、（Ｂ）の正常な時系列データ２１１、２１３から抽出された測定値ベクトルｙ（１）＝（１，－１）、ｙ（３）＝（－１，１）は、いずれも曲線１５乃至１７の内側にあることから、異常判定部３６において、正常であると判定される、ことがわかる。
　また、図５（Ａ）乃至（Ｃ）において、図３（Ｃ）の異常な時系列データ２１５を表す測定値ベクトルｙ（５）＝（１，１）は、曲線１５乃至１７の外側にあることから、異常判定部３６において、異常と判別することができる。
　時点抽出部３３で抽出する相対時点ｕ１～ｕｋ（点数ｋは、ｋ＝２以上であれば任意の数でよい）は、図８におけるｕ３、ｕ４、ｕ５のように、時間的に連続した３点であってもよい。この場合、相対時点ｕ３、ｕ４、ｕ５により抽出された測定値ベクトルｙは３次元ベクトルとなるため、方程式（１０）の表す図形は３次元空間における曲面（異常判別曲面）となり、図５（Ａ）乃至（Ｃ）のように２次元平面に図示することはできない。例えば、異常度Ｆとして式２を用いた場合、上記異常判別曲面は楕円体となり、図５（Ａ）と同様に、測定値ベクトルが３次元空間上で判別曲面の内側か外側かを判定することにより、図８の時系列データ１１１および１１３を「正常」、時系列データ「１１２」を異常と判別することができる。
　以上のように、本発明の例示的な第１の実施形態によれば、時系列データの異常を正しく判別することができる。
　図６は、本発明の例示的な第１の実施形態における波形異常判定装置３０の異常判定の処理手順を説明する流れ図である。図６を参照すると、測定部３１において、それぞれ対象装置に関連する波形データを取得し（ステップＳ１１）、必要に応じて、フィルタリング処理等、波形データの前処理を行う（ステップＳ１２）。時系列選択部３２は、対象装置における処理の１回分（処理の単位）に相当する時系列データを選択する（ステップＳ１３）。
　時点抽出部３３は、選択された時系列データのうち、２つ以上の時点の測定値データを成分とする測定値ベクトルを抽出する（ステップＳ１４）。
　異常度計算部３４は、測定値ベクトルおよび相関を表す行列を用いて異常度Ｆを計算する（ステップＳ１５）。
　異常判定部３６は、異常度Ｆを閾値αと比較することにより、時系列データが異常であるか否かを判定する（ステップＳ１６）。
　異常判定部３６は、ステップＳ１６の判定の結果、異常であるならば、異常を出力して終了する（ステップＳ１７）。
　なお、ステップＳ１２乃至Ｓ１７は、ステップＳ１１で波形データが得られる都度、繰り返し行ってもよい。あるいは、ステップＳ１１で得られた複数の波形データに対して一度のみ行うようにしてもよい。
＜実施形態２＞
　本発明の例示的な第２の実施形態について図９乃至１０を参照して説明する。図９を参照すると、第２の実施形態の波形異常判定装置３０Ａは、図１を参照して説明した前記第１の実施形態の波形異常判定装置３０に対して、平均記憶部３８と差分計算部３９とが追加されている。なお、上記第１の実施形態で説明した構成と同様の機能を有する構成には同一の参照符号を付してあり、その説明を省略する。
　図５（Ａ）乃至（Ｃ）における異常判別曲線１５乃至１７は、いずれもその中心が原点（０，０）にあることが特徴である（３次元の場合は（０，０，０）、４次元以上の場合も、以下同様とする）。しかしながら、このような異常判別曲線１５乃至１７では、時系列データを正しく判別できない場合が存在する。
　例えば、異常な時系列データに対応する測定値ベクトルｙが原点ｙ＝（０，０）に現れる場合、異常度Ｆの値として、上記した式２、式４、式６のいずれの値を用いたとしても、最小値Ｆ＝０となる。
　その結果、閾値αが正の値であるならば（Ｆ＝α＞０）、正常と判別されてしまう。また、閾値αが負の場合には、全ての時系列データが異常であるか正常であるかに関わらず、常に、異常と判定されてしまう。このように、異常判別曲線の中心が原点（０，０）に存在する場合、時系列データを正しく判定できないことが起こり得る。
　本実施の形態では、予め平均値ベクトルμ＝（μ１，・・・，μｋ）を平均記憶部３８に記憶しておく。そして、差分計算部３９において、時点抽出部３３で抽出した測定値ベクトル
　ｙ＝（ｙ１，・・・，ｙｋ）
から平均値ベクトルμを減じた差分ベクトル
ｙ－μを計算する。　
　異常度計算部３４は、差分ベクトルから異常度Ｆを計算する。
Figure JPOXMLDOC01-appb-I000011
　この結果、図１０に示すように、Ｆ＝αに対する異常判別曲線１８の中心は、平均値ベクトルμの表す座標に移動する。なお、図１０は、図５（Ａ）の原点ｙ＝（０，０）を平均値ベクトルμ＝（μ１，μ２）に移動させた楕円である（平均値ベクトルμ＝（μ１，・・・，μｋ）の次元ｋ＝２）。これにより、例えば、異常な時系列データに対応する測定値ベクトルｙが原点（０，・・・，０）に現れる場合においても、正しく異常と判定することができる。
　ここで、平均値ベクトルμを予め任意の値に設定し、平均記憶部３８に保存する構成としてもよい。あるいは、正常な測定値ベクトルを複数用意し、その平均値、加重平均値、中央値またはパーセンタイル値（全体を１００として小さい方から数えて何番目になるのかを示す数）や、その他の統計量を、上記平均値ベクトルμとして、平均記憶部３８に保存してもよい。平均値ベクトルμの各成分μi（i＝１，・・・，ｋ）は、複数（例えばm個）の測定値ベクトルｙ(1)、・・・、ｙ(m)に関するｉ成分ｙi毎の算術平均（あるいは、加重平均、中央値（５０パーセンタイル）等）として求められる。
　上記のように、第２の実施の形態によれば、例えば異常な時系列データに対応する測定値ベクトルが原点に現れる場合でも、正しく異常を判定することができる。
＜実施形態３＞
　図１１および図１２は、本発明の例示的は第３の実施形態の構成を説明する図である。図１１を参照すると、第３の実施の形態の波形異常判定装置３０Ｂは、図１を参照して説明した波形異常判定装置３０と比べて、相関記憶部３５に記憶する相関を表す行列を計算する相関計算部３７が追加されている。上記第１の実施形態で説明した構成と同様の構成には同一の符号を付し、その説明を省略する。なお、図９を参照して説明した第２の実施形態の波形異常判定装置３０Ａに相関計算部３７を追加してもよい。
　本実施形態によれば、時点抽出部３３で抽出された測定値ベクトルに基づき、測定値ベクトルに関する相関を表す行列を計算する相関計算部３７を備えているため、相関記憶部３５に記憶する相関を表す行列を予め作成しておく必要はない。
　図１２を参照すると、相関計算部３７は、分散行列計算部３７０１と、正則化部３７０２を備えている。分散行列計算部３７０１は、時系列選択部３２で選択された、対象装置の正常なｍ回分の処理に相当するｍ個の時系列データから、時点抽出部３３で抽出されたｍ個の測定値ベクトルｙを統計処理することにより、相関を表す行列Ｃを求める。　
　ここで、相関を表す行列Ｃは、ｍ個の測定値ベクトルｙの、
散乱行列Ｓ（Scatter Matrix）、
共分散行列Σ（Covariance Matrix）、
相関行列σ（Correlation Matrix）
であってもよい。ここで、散乱行列Ｓ、共分散行列Σ、相関行列σは、それぞれ、次式１１Ａ、１１Ｂ、１１Ｃにより定義される統計量である。
＜式１１Ａ＞
Figure JPOXMLDOC01-appb-I000012
＜式１１Ｂ＞
Figure JPOXMLDOC01-appb-I000013
＜式１１Ｃ＞

Figure JPOXMLDOC01-appb-I000014
　式１１において、ｙ(1），・・・，ｙ(m)は、時点抽出部３３で抽出されたｍ個の測定値ベクトルｙである（例えば図４（Ａ）には、ｍ（＝６）個の測定値ベクトルｙが例示されている）。
　＜ｙ＞はｍ個の測定値ベクトルｙ(1)，・・・，ｙ(m)の平均値ベクトルである。＜ｙ＞は各成分が、ｍ個の測定値ベクトルｙ(1)，・・・，ｙ(m)の各成分の平均値からなる。
＜ｙ＞＝（＜ｙ１＞，・・・，＜ｙｋ＞）
　式１１Ｃにおいて、ｖａｒ［ｙｉ］は、ｍ個の測定値ベクトルｙ(j)(j=1,・・・，m)のｉ成分y(j) ｉの分散（variance）である。
Figure JPOXMLDOC01-appb-I000015
　また、測定部３１において、測定波形に予め前処理が適用されている場合など、ｍ個の測定値ベクトルｙの平均値ベクトル＜ｙ＞、分散ｖａｒ［ｙｉ］の値が予め定められた定数値であることがわかっている場合、平均値ベクトル＜ｙ＞および分散ｖａｒ［ｙｉ］の値を、定数値としてもよい。この場合、測定値ベクトルｙの平均値ベクトルおよび分散値を計算する必要はない。例えば、前記前処理（図６のステップＳ１２）として平均値が０、分散値が１となるように正規化（Normalization）を行っている場合、
＜ｙ＞＝０（零ベクトル）、ｖａｒ［ｙｉ］＝１
としてもよい。
　ここで、式１１において、散乱行列Ｓ、共分散行列Σ、相関行列σの行列の階数（ランク）はいずれも高々ｍである。なお、行列の階数（ランク）は、例えば当該行列において列ベクトルの一次独立なものの最大個数をいう。
　相関を表す行列Ｃとして、これらの行列Ｓ、Σ、σを用いた場合、測定値ベクトルｙ＝（ｙ１，・・・，ｙｋ）の次数ｋに対して、相関を表す行列Ｃのランク（高々ｍ）＜ｋであるとき、相関を表す行列Ｃは特異行列（singular matrix）となり、逆行列が存在しない。
　通常、正常な時系列データに相当する測定値ベクトルｙを予め大量に用意することは難しい。このため、測定値ベクトルの個数ｍは比較的小さい数となる。この結果、ｍ＜ｋとなり、相関を表す行列Ｃの逆行列が存在しないことが多い。
　異常度計算部３４における異常度Ｆの計算式２、式４、式６は、いずれも相関を表すＣの逆行列が存在しなければ計算することはできない。この場合、相関計算部３７は、さらに、正則化部３７０２を有してもよい。
　正則化部３７０２は、分散行列計算部３７０１で計算した相関を表す行列Ｃに対し、以下の式により正則化（Regularization）を行ってもよい。
＜式１２＞
　　　　　　　　　　　Ｃ←Ｃ＋λＩ
　ここで、Ｉは単位行列である。また、定数λは、測定誤差を表す量であり、測定部３１において含まれると予め見込まれる誤差の大きさを設定してもよい。あるいは、定数λは、式１２の左辺における行列Ｃの対角項の平均値、最小値、パーセンタイル値、等の統計値により求めてもよい。
　また、測定値ベクトルｙの個数ｍが測定値ベクトルｙの次元ｋよりも十分に大きい（ｍ＞ｋ）場合、分散行列計算部３７０１によって計算された相関を表す行列Ｃは逆行列を持つ。この場合、相関計算部３７は、正則化部３７０２で正則化処理を行う必要はない。このため、分散行列計算部３７０１で計算した相関を表す行列Ｃがそのまま（正則化部３７０２による正則化処理をスルーして）、相関記憶部３５に出力される。
　第３の実施の形態によれば、時点抽出部３３で抽出された測定値ベクトルに基づき、相関計算部３７により、相関を表す行列を計算するため、相関記憶部３５に記憶する相関を表す行列を予め用意する必要は無い。
＜実施形態４＞
　図１３は、本発明の例示的な第４の実施形態を説明する図である。図１３を参照すると、第４の実施形態の波形異常判定装置３０Ｃにおいて、図１の波形異常判定装置３０と同じ構成要素についての説明は省略する。第４の実施形態の波形異常判定装置３０Ｃの時点抽出部３３Ａが、前記第１の実施形態（図１）の波形異常判定装置３０、前記第２の実施形態（図９）の波形異常判定装置３０Ａ、前記第３の実施形態（図１１）の波形異常判定装置３０Ｂの時点抽出部３３と相違している。
　図１３を参照すると、時点抽出部３３Ａは、選択抽出部３３０１と、分散計算部３３０２と、時点決定部３３０３を備えている。
　第１乃至第３の実施の形態における時点抽出部３３では、測定値ベクトルの成分として抽出する相対時点ｕｉ（ｉ＝１，・・・，ｋ）を、予め定めておく必要がある。これに対して、第４の実施の形態における時点抽出部３３Ａによれば、時点決定部３３０３によって、相対時点ｕｉ（ｉ＝１，・・・，ｋ）を決定する。このため、予め相対時点を定めておく必要が無い。
　ここで、前述のとおり、相関記憶部３５に記憶された相関を表す行列Ｃの行列ランク（ｒａｎｋＣ）が、測定値ベクトルの次数（前記相対時点の点数）ｋよりも小さい場合（ｒａｎｋＣ＜ｋ）、行列Ｃは特異行列となり、逆行列が存在しない。このため、異常度計算部３４において、異常度Ｆを式２、式４、または式６により求めることができない。例えば、式１１の散乱行列Ｓ、共分散行列Σ、相関行列σによって相関関数を生成する場合、ｒａｎｋＣの値は、高々、測定値ベクトルの個数ｍであるため、ｍ＜ｋのとき、ｒａｎｋＣ＜ｋとなり、異常度Ｆを式２、式４、または式６により求めることができない。
　本実施の形態では、ｋ≦ｍとなるように、ｋの値を定めることにより、時系列データの個数ｍが少ない場合でも、異常度Ｆを計算できるようにしている。
　本実施の形態における分散計算部３３０２では、時系列選択部３２によって選択されたｍ回分の時系列データの各時点ｔ＝ｔ１，ｔ１＋１，・・・，ｔ２における測定値の分散
　ｖａｒ［ｘ（ｔ１）］，・・・，ｖａｒ［ｘ（ｔ２）］
を計算する。なお、ｔ１、ｔ２は、対象装置の一回分の処理（処理の単位）に対応する波形データにおける開始時点と終了時点である。
　時点決定部３３０３では、ｋ≦ｍとなるようにｋを決定し、分散値が大きい順もしくは小さい順にｋ個の時点を選び、これらｋ個の時点を相対時点ｕｉ（ｉ＝１，・・・，ｋ）とする。
　選択抽出部３３０１では、時系列選択部３２により選択された時系列データのうち、ｋ個の相対時点ｕｉ（ｉ＝１，・・・，ｋ）を用いて、前述の式１により測定値ベクトルｙを抽出する。
　本実施の形態によれば、予め相対時点を設定しなくても測定値ベクトルｙを抽出することができる。
＜実施形態５＞
　図１４および図１５は、本発明の例示的な第５の実施形態を説明する図である。図１４において、図１等と同様の要素には同一の参照符号が付されており、その説明は省略する。図１４を参照すると、第５の実施形態の波形異常判定装置３０Ｄにおいては、時点抽出部３３Ｂが、前記第１の実施形態（図１）の波形異常判定装置３０、前記第１の実施形態（図９）の波形異常判定装置３０Ａ、および、前記第３の実施形態（図１１）の波形異常判定装置３０Ｂにおける時点抽出部３３、および、前記４の実施形態（図１３）における時点抽出部３３Ａと相違している。
　波形異常判定装置の時点抽出部３３Ｂは、選択抽出部３３１１と、時系列データ行列作成部３３１２と、特異値分解部３３１３と、重みベクトル作成部３３１４と、重みベクトル記憶部３３１５とを備えている。
　図１の波形異常判定装置３０の時点抽出部３３や図１３の時点抽出部３３Ａの選択抽出部３３０１においては、時系列選択部３２において選択された時系列データのＴ個の測定点のうち、ｋ個の相対時点の測定値を抽出することで、測定値ベクトルｙを抽出する。
　前述の通り、相対時点の点数ｋ（＝測定値ベクトルｙの次数）が、相関記憶部３５に記憶された、相関を表す行列Ｃの行列ランクｒａｎｋＣよりも大きな数である場合、行列Ｃは特異行列となり、異常度計算部３４において、式２、式４、式６により異常度を計算することができない。
　しかしながら、一方で、相対時点の点数ｋを、時系列データの測定点の点数Ｔよりも小さな値に選ぶと、時系列データのＴ個の測定点のうち、ｋ－Ｔ個の測定点は、測定値ベクトルｙとして抽出されない。このため、これらの測定点に現れる異常を検出することができない。
　このように、図１の時点抽出部３３、図１３の時点抽出部３３Ａにおいては、相対時点の点数ｋの値を大きくし過ぎても小さくし過ぎても問題がある。
　第５の実施の形態の時点抽出部３３Ｂによれば、相対時点の点数ｋの値を大きくすることなく、より多くの測定点に現れる異常を検出することができる。
　本実施の形態の時点抽出部３３Ｂによれば、重みベクトル記憶部３３１５は、各相対時点ｕｉ（ｉ＝１，・・・，ｋ）に対応する次数Ｔの重みベクトル
Ｗｉ＝（Ｗｉ１，・・・，ＷｉＴ）
を記憶する。
　選択抽出部３３１１では、相対時点ｕｉに対応する測定値ベクトルｙのｉ成分ｙｉを、次式１３のように、時系列データｘ（ｔ１＋ｓ）（ｓ＝１，・・・，Ｔ）と重みベクトルＷｉ，ｓ（ｓ＝１，・・・，Ｔ）との線形和（各時点の測定値に重みを乗算した値を加算）によって抽出する。
　なお、ｔ１は処理の開始時刻、ｔ１＋Ｔは処理の終了時刻ｔ２に対応している。ｘ（ｔ１＋ｓ）は、時点ｔ１＋ｓの測定値（時系列データの値）、ｘ（ｔ１＋Ｔ）は時点ｔ１＋Ｔの測定値（時系列データの値）である。なお、ここで、Ｔは時間ではなく、開始時刻ｔ１から終了時刻ｔ２までの期間Ｔ＝ｔ２－ｔ１を、測定部３１でのサンプリンング間隔（＝１）で除した個数としている。
＜式１３＞
Figure JPOXMLDOC01-appb-I000016
　図１５は、選択抽出部３３１１の動作の一例を模式的に説明する図である。図１５には、重みベクトルＷ１乃至Ｗ５の値が破線により表されている。
　図１５において、時系列データｘ（ｔ１＋１），・・・，ｘ（ｔ１＋Ｔ）の各測定値ｘ（ｔ１＋ｓ）（ｓ＝１，・・・，Ｔ）は、式１３の演算からも分かるように、重みベクトルの成分Ｗｉｓ（ｓ＝１，・・・，Ｔ）（非零成分）を通じて、１つ以上の測定値ベクトルｙｉに寄与している。このことは、図３に例示した、ｋ個の相対時点ｕｉ(ｉ＝１，・・・，ｋ）の測定値を抽出する時点抽出部３３の動作とは対照的である。
　ここで、重みベクトルＷ１乃至Ｗｋは互いに重なりあっていてもよい。すなわち、２つの重みベクトルＷｉおよびＷｊのｓ番目の成分ＷｉｓおよびＷｊｓは同時に非零であってもよい。これは、１つの測定値が複数の測定値ベクトルの要素ｙｉに対して寄与をもつことを意味する。
　また、重みベクトルＷｉは、図１５のＷ５に示されるように、一定の値を持っていてもよい。これは、時系列データにおける全ての測定値が測定値ベクトルｙのｉ成分ｙｉに対して等しい寄与をもつことを意味する。
　上記のように、本実施の形態の時点抽出部３３Ｂによれば、時系列データの全ての測定点が１つ以上の測定値ベクトルに寄与するため、ｋの値を大きくすることなく、多くの測定点（相対時点）に現れる異常を検出することができる。
　ここで、重みベクトルＷ１乃至Ｗｋは、予め作成し、重みベクトル記憶部３３１５に記憶しておいてもよい。この場合、時点抽出部３３Ｂに、特異値分解部３３１３、および重みベクトル作成部３３１４を設ける必要は無い。
　また、重みベクトルＷ１乃至Ｗｋは、図１４に例示するように、特異値分解部３３１３、および重みベクトル作成部３３１４により作成し、重みベクトル記憶部３３１５に記憶する構成としてもよい。この場合、重みベクトルＷ１乃至Ｗｋは予め作成する必要は無い。
　以下、特異値分解部３３１３と重みベクトル作成部３３１４による重みベクトルＷ１乃至Ｗｋの作成について説明する。
　式１３において、右辺の時系列データｘ（ｔ１＋ｓ）（ｓ＝１，・・・，Ｔ）の長さがＴであるのに対し、得られる左辺の測定値ベクトルｙ＝（ｕ１，・・・，ｕｋ）の長さはｋであるから、ｋ＜Ｔのとき、測定値ベクトルｙは時系列データの非可逆圧縮であると考えることができる。
　この考えによれば、時系列データ（ベクトル）ｘ（i）＝（ｘ（ｔ１＋１），・・・，ｘ（ｔ１＋Ｔ））をｍ回分の処理に対応させてｍ列の各列に並べたＴ×ｍの行列（時系列データ行列）をＸ（＝［ｘ(1)，・・・，ｘ(m)］）とし、ｍ個の測定値ベクトルｙを各列に並べたｋ×ｍの行列（測定値データ行列）をＹ（＝［ｙ(1)，・・・，ｙ(m)］）とし、Ｗを（ｉ，ｓ）成分に重みベクトルＷｉの成分Ｗｉｓを並べたｋ×Ｔ行列（重み行列）とすれば、式１３は、
　　Ｙ＝ＷＸ
と表される。
　このとき、時系列データＸの非可逆圧縮である測定値データＹから復元された、時系列データＸの復元データは、
　　Ｗ†Ｙ＝Ｗ†ＷＸ
によって計算される。ただし、Wの肩の†は、ムーア・ペンローズ（Moore-Penrose）の擬似逆行列（一般化逆行列）を表す）。Ｗ†はT×ｋの行列であり、復元データＷ†ＷＸはT×ｍの行列となる。
　式１３による変換は非可逆であるから、復元データＷ†ＷＸの値は元の時系列データＸの値とは異なる。この復元データＷ†ＷＸと元の時系列データＸの誤差ｅ
＜式１４＞
　　　　　　　　　　　ｅ＝||Ｘ－Ｗ†ＷＸ||
を最小化するＷを求めることにより、最適な重み行列Ｗを求めることができる。
　式１４において、時系列データ行列Ｘは、上記したように、時系列データ（ベクトル）ｘ＝（ｘ（ｔ１＋１），・・・，ｘ（ｔ１＋Ｔ））を、ｍ回分の処理に対応させて、ｍ列の各列に並べたＴ×ｍの行列である。重み行列Ｗは（ｉ，ｓ）成分に重みベクトルＷｉの成分Ｗｉｓを並べたｋ×Ｔの行列である。時系列データ行列Ｘは、時系列選択部３２で選択されたｍ個の時系列データから時系列データ行列Ｘを作成する。
　誤差ｅとして２乗誤差を考えると、最適な重みベクトルＷｉは次の式で求まる。
＜式１５＞
Figure JPOXMLDOC01-appb-I000017
　ノルム||・||Ｆはフロベニウスノルム（行列要素の２乗和の平方根）を表す。
Figure JPOXMLDOC01-appb-I000018
　式１５の解は、行列Ｘを特異値分解し、対応する特異値が大きい順に、ｋ個の左特異ベクトルを各行に並べた行列を、重み行列Ｗとすることで求めることができる。
　上記の原理による重み行列の決定は、時系列データの変動の大きい成分を抽出することで、非可逆圧縮における２乗誤差を最小化していると解釈することができる。
　一方で、時系列データに現れる異常は、２乗誤差として現れる大きな変動としてではなく、より些細な変動として現れる場合もある。この場合は、特異値が大きい順ではなく、小さい順にｋ個の左特異値ベクトルを用いることができる。
　上記の原理により、重みベクトルＷｉを決定するため、特異値分解部３３１３では、時系列データ行列Ｘを特異値分解する。
　特異値分解において、ランク（階数）r のＮ×Ｍの係数が行列Ｘ（なお、ここでは、一般の行列Ｘとする。ただし、上記した時系列データ行列Ｘの場合、ＮはＴ、Ｍはｍとなる）は、
＜式１６＞
　　　　　　　　　　　Ｘ＝ＵΣＶＨ
の形式に分解される。ただし、肩のＨはエルミート演算子（転置共役演算、なお、実数体の場合、転置）である。
　ここで、ＵはＮ×Ｎのユニタリ行列、ＶはＭ×Ｍのユニタリ行列である。Σは

Figure JPOXMLDOC01-appb-I000019


Ｄ＝ｄｉａｇ（σ１，・・・，σｒ），σ１≧σ２≧・・・≧σｒ＞０，
のようなＮ×Ｎの対角行列である。
　対角要素σｉ（ｉ＝１，・・・，ｒ）をＡの特異値という。
　　　　　　　ＸＨＸ＝（ＵΣＶＨ）Ｈ（ＵΣＶＨ）＝ＶΣＨΣＶＨ
が成り立ち、Ｘの特異値σｉ（ｉ＝１，・・・，ｒ）は、ＸＨＸの非零固有値の平方根に等しい。また、ユニタリ行列（直交行列）Ｖの列ベクトルはＸＨＸの固有ベクトルである。同様に、
　　　　　　　ＸＸＨ＝（ＵΣＶＨ）（ＵΣＶＨ）Ｈ＝ＵΣΣＨＵＨ
であり、行列Ｕの列ベクトル（左特異ベクトル）はＸＸＨの固有ベクトルである。
　なお、行列Ｘの疑似逆行列Ｘ＋は、Ｘを特異値分解し（Ｘ＝ＵΣＶＨ）とした場合、
Ｘ＋＝ＶΣ＋ＵＨで与えられる。
Figure JPOXMLDOC01-appb-I000020
　特異値分解部３３１３は、特異値分解部３３１３の結果に基づき、Ｔ個の左特異ベクトル（Ｕの列ベクトル）と、Ｔ個の左特異ベクトルにそれぞれ対応するＴ個の特異値σｉ（ｉ＝１，・・・，Ｔ）を計算する。
　ここで、特異値分解部３３１３では、Ｔ個の左特異ベクトルと対応する特異値を計算する代わりに、ｋ個の左特異ベクトルと対応する特異値を逐次的に計算してもよい。なお、前述したように、Ｕの列ベクトル（左特異ベクトル）はＸＸＴの固有ベクトルであり、非零固有値の平方根は行列Ｘの特異値σｉに対応する。
　重みベクトル作成部３３１４では、Ｔ個の特異値のうち降順又は昇順にｋ個を選択し、これらｋ個の特異値σｉ（ｉ＝１，・・・，k）に対応するｋ個の左特異ベクトルを、ｋ個の重みベクトルＷ１，・・・，Ｗｋとしても作成してもよい。
＜実施形態６＞
　図１６は、本発明の例示的な第６の実施形態の構成を説明する図である。なお、図１６の波形異常判定装置３０Ｅにおいて、図１の波形異常判定装置３０と同じ構成要素には同一の参照符号が付されており、その説明は省略する。
　図１６の波形異常判定装置３０Ｅの時系列選択部３２Ａは、図１の波形異常判定装置３０、図９の波形異常判定装置３０Ａ、図１１の波形異常判定装置３０Ｂ、図１３の波形異常判定装置３０Ｃ、図１４の波形異常判定装置３０Ｄの時系列選択部３２と相違している。
　図１６を参照すると、第６の実施の形態の波形異常判定装置３０Ｅの時系列選択部３２Ａは、相互相関関数計算部３２０１と、パターン記憶部３２０２と、パターン検出部３２０３とを備えている。
　第６の実施の形態の時系列選択部３２Ａによれば、対象装置の処理の開始時刻ｔ１および終了時刻ｔ２を、パターンマッチングを行うことで選択する。このため、前記実施形態で説明した対象装置からの制御信号（トリガー信号）を受信する必要はない。以下では、時系列選択部３２Ａの動作の一例を説明する。
　相互相関関数計算部３２０１は、パターン記憶部３２０２に記憶されているパターンデータｚ１，・・・，ｚｎを用いて、次式により、相互相関関数ｆ（ｔ）を求める。
＜式１７＞
Figure JPOXMLDOC01-appb-I000021

　ここで、相互相関関数ｆ（ｔ）の各時点ｔ＝ｔｉ（ｉ＝１，・・・，Ｔ）における値ｆ（ｔｉ）は、パターンデータｚ１，・・・，ｚｎと、波形データの時刻ｔｉ＋１からｔｉ＋Ｔまでの部分データ（測定値）ｘ（ｔｉ＋１），・・・，ｘ（ｔ１＋Ｔ）との一致度を表している。
　パターン検出部３２０３は、相互相関関数ｆ（ｔ）の値が最大となるｔｉ値を検出し、このときのｔｉを開始時刻ｔ１、ｔ１＋Ｔを終了時刻ｔ２として選択してもよい。
　また、パターン検出部３２０３は、相互相関関数ｆ（ｔ）の値が最大となるｔ＝ｔｉの値の代わりに、例えば、相関関数ｆ（ｔｉ）の値が大きい順に、複数のｔｉ（ｉ＝１，・・・，Ｔ）の値を検出し、開始時刻ｔ１および終了時刻ｔ２を選択してもよい。
　あるいは、パターン検出部３２０３は、ｆ（ｔｉ）の値がある閾値以上となるｔｉ（ｉ＝１，・・・，Ｔ）の値や、ｆ（ｔｉ）の値が極大値となるｔｉの値を検出し、開始時刻ｔ１および終了時刻ｔ２を選択してもよい。
　ここで、パターンデータｚ１，・・・，ｚｎは、予め任意の値に設定してもよい。あるいは、対象装置からの制御信号（トリガー信号）を用いるなどパターンマッチング以外の方法により選択された時系列データの平均値、加重平均値、中央値またはパーセンタイル値や、その他の統計量を、上記パターンデータとしてパターン記憶部３２０２に記憶しておく構成としてもよい。
　また、パターンデータを用いることで、前記第２の実施形態で説明した平均記憶部３８（図９）に記憶する平均値ベクトルを作成してもよい。この場合、図９の時点抽出部３３、図１３又は図１４の時点抽出部３３Ａ、３３Ｂによって、パターンデータから抽出した測定値ベクトルを、平均値ベクトルに設定し、平均記憶部３８に記憶する構成としてもよい。
＜実施例１＞
　図１７は、実施例を説明する図であり、前記した例示的な各実施形態が適用されるシステム構成の一例として生産システムが模式的に例示されている。特に制限されないが、生産システムとして、電子基板の表面実装（Surface Mount）システムへの適用が説明される。
　図１７を参照すると、ローダ（基板供給装置）５１５は、クリームはんだが印刷された基板がラックにセットされ、セットされた基板を自動でマウンタ５１に供給する。マウンタ５１は基板に電子部品を自動で実装する。アンローダ５１６は、実装が終了した基板を自動的にラックに収納する。基板搬送コンベア５１４は、ローダ５１５からマウンタ５１、アンローダ５１６までの一連の生産システムにおいて基板を搬送する。アンローダ５１６でラックに収納された基板は、不図示のリフロー工程や検査工程、組み立て梱包工程などの後工程にさらに搬送される。
　電流センサ５３は、例えばマウンタに電力を供給する分電盤５２からマウンタに供給される電流波形を測定する。電流センサ５３は、測定した電流波形（デジタル信号波形）を、通信装置５４を介して波形異常判定装置３０の測定部３１に送信する。電流センサ５３は、ＣＴ（Current Transformer）（例えば零相変流器（Zero-phase-sequence Current Transformer: ZCT））やホール素子等で構成としてもよい。電流センサ５３は、不図示のアナログデジタル変換器で電流波形（アナログ波形）をサンプリングしてデジタル信号波形に変換し不図示の符号化器で圧縮符号化した上で通信装置１０１に、Ｗ－ＳＵＮ（Wireless Smart Utility Network）等により、無線伝送するようにしてもよい。なお、通信装置５４は工場（建屋）内に配置されてもよい。波形異常判定装置３０は工場内に配置されてもよいし、通信装置５４とインターネット等広域ネットワークを介して接続するクラウドサーバ上に実装するようにしてもよい。また、波形異常判定装置３０は、各機器の電源電流波形の合成波形から各機器の波形に分離する波形部分離機能を備えた構成としてもよい。
　図１８は、図１７の生産システムにおけるマウンタ５１の例を模式的に表す図である。マウンタ５１において、電子部品は主にリールやトレーで供給され、リールは専用のフィーダに取り付け、トレーはトレーフィーダと呼ばれる装置にセットされる。基板５１３は、コンベア５１４で搬送され、ヘッド５１２はフィーダ部５１１Ａ、５１１Ｂから表面実装型電子部品を負圧で吸着し、ＸＹ軸上を移動して、基板５１３の目的の場所に移動し該表面実装部品を搭載する。マウンタ５１の上記の動作は制御装置５１７の発する制御信号により制御され、自動的に行われる。
　図１９は、例えば、前記第１の実施形態の波形異常判定装置３０において、測定部３１が、電流センサ５３から通信装置５４を介して取得した波形データの一例である。
　時系列選択部３２により、測定部３１で取得した該波形データから、時系列データ２１７乃至２１９が選択される。なお、測定部３１が取得する波形データは、電流センサ５３から得られた電流値、および定格電圧から計算された電力値でもよいし、電流値または電力値に、前処理を施した値であってもよい。時系列選択部３２は、測定部３１が取得する波形データをリアルタイムで受信し、時系列データ２１７乃至２１９を選択する構成としてもよいし、測定部３１が取得する波形データを、記憶媒体等を介してオフラインで受け取り、記憶媒体に蓄積された波形データから、時系列データ２１７乃至２１９を選択するようにしてもよい。この場合、記憶媒体等に記憶される波形データには、測定部３１での測定情報（測定時刻、サンプリング周波数、一回の処理のサンプリング個数、処理の開始時刻、処理の終了時刻等）が記憶される構成としてもよい。
　時系列データ２１７乃至２１９は、図１７の生産システム（表面実装システム）において、ローダ５１５から供給された基板がマウンタ５１で部品を搭載され、アンローダ５１６に搬出されるまでの一連の処理動作にそれぞれ対応しており、時系列データ２１７乃至２１９に多数ある電流値のピークは、マウンタ５１の各部の動作（例えば、図１８のヘッド５１２がフィーダ５１１Ａから部品を吸引する動作、ヘッド５１２がフィーダ５１１Ａから基板５１３へ移動する動作、等）にそれぞれ対応している。
　これら一連の処理動作において、各動作は互いに関連している。
　特に限定されないが、一例を挙げると、図１８のマウンタ５１において、部品を吸引したヘッド５１２がフィーダ５１１Ａから基板５１３へ移動する動作（往路動作）と、部品を搭載し終わったヘッド５１２が基板５１３からフィーダ５１１Ａに移動する動作（復路動作）では、正常な動作では往路動作と復路動作でヘッド５１２の移動量が等しいため、往路動作の移動量が増加すれば、復路動作の移動量も増加する。これに対応して、往路、復路の動作に対応する時刻における電流値の間にも、相関関係が成立している。
　ここで、往路、復路動作におけるヘッド５１２の移動量は、基板５１３の位置に依存する。、マウンタ５１において、複数の処理動作（複数の往路・復路動作）を行った場合、ヘッド５１２の移動量は基板５１３の位置（部品搭載位置）によって変化するため、図１９の時系列データ２１７乃至２１９における各時刻の電流値は、正常な動作では、往路動作と復路動作に対応する時刻における電流値の相関関係を保持したまま変化する。一方で、ヘッド５１２を動かすモータの空転などの異常が発生した場合、該相関関係を破る変化が起こる。
　この場合、時点抽出部３３では、往路動作に対応する相対時刻ｕ１と復路に対応する相対時刻ｕ２における電流値を測定値ベクトルとして抽出する。
　また、相関記憶部３５には、相関を表す行列Ｃとして正の相関を表す相関行列が、予め記憶されている。異常度計算部３４では、相対時刻ｕｉでの測定値ｙｉ（ｉ＝１，２）を成分とする測定値ベクトルｙと相関を表す行列Ｃとを用いて、例えば式２、４、６のいずれかを用いて異常度を計算することにより、正しく正常と異常を判別することができる。
　上記の例では、時系列データにおける各時刻の動作が往路動作、復路動作、などと予め判明している場合であったが、一般には、前述の相関関係は様々である。また、往路動作、復路動作といっても、より細かい一連の動作の組み合わせにより成り立っている。
　さらに、往路動作、復路動作のみならず、ヘッド５１２がフィーダ５１１Ａ、５１１Ｂから部品を吸引する動作（吸引動作）など、３つ以上の動作の間に相関関係が存在する場合や、ある部品の往路動作と別の部品の往路動作のように、時間的に離れた時点の間に相関関係が存在する場合もある。このように、相対時刻および相関記憶部３５に記憶する、相関を表す行列Ｃを予め定めることが難しい場合もある。
　この場合、第３の実施形態の波形異常判定装置３０Ｂ（図１１）のように、相関計算部３７を備えた構成とすることで、相関を表す行列Ｃを自動で作成することができる。
　また、前記第１の実施形態の時点抽出部３３の代わりに、前記第４の実施形態の時点抽出部３３Ａ（図１３）、または、前記第５の実施形態の時点抽出部３３Ｂ（図１４）を有する構成とすることで、相対時刻ｕ１およびｕ２を予め定めることは必要とされない。
＜実施例２＞
　図２０は、波形異常判定装置３０を、コンピュータ装置４０で実現した構成を例示する図である。図２０を参照すると、コンピュータ装置４０は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）４１、記憶装置（メモリ）４２、表示装置４３、通信インタフェース４４を備える。記憶装置４２は、例えばＲＡＭ、ＲＯＭ、ＥＥＰＲＯＭ等の半導体ストレージ、ＨＤＤ、ＣＤ、ＤＶＤ等であってもよい。記憶装置４２は、ＣＰＵ４１で実行されるプログラムを格納する。通信インタフェース４４は、図１７の通信装置５４と通信接続する。ＣＰＵ４１は記憶装置４２に接続され、記憶装置４２に格納されたプログラムを実行することで、前記各実施形態における波形異常判定装置３０、３０Ａ～３０Ｅの機能を実現する。
　なお、上記の特許文献１および２の各開示を、本書に引用をもって繰り込むものとする。本発明の全開示（請求の範囲を含む）の枠内において、さらにその基本的技術思想に基づいて、実施形態ないし実施例の変更・調整が可能である。また、本発明の請求の範囲の枠内において種々の開示要素（各請求項の各要素、各実施例の各要素、各図面の各要素等を含む）の多様な組み合わせ乃至選択が可能である。すなわち、本発明は、請求の範囲を含む全開示、技術的思想にしたがって当業者であればなし得るであろう各種変形、修正を含むことは勿論である。
１３　許容範囲の最小値
１５～１８　異常判別曲線
３０、３０Ａ、３０Ｂ、３０Ｃ、３０Ｄ、３０Ｅ　波形異常判定装置
３１　測定部
３２、３２Ａ　時系列選択部
３３、３３Ａ、３３Ｂ　時点抽出部
３４　異常度計算部
３５　相関記憶部
３６　異常判定部
３７　相関計算部
３８　平均記憶部
３９　差分計算部
４０　コンピュータ装置
４１　ＣＰＵ
４２　記憶装置
４３　表示装置
４４　通信インタフェース
５１　マウンタ
５２　分電盤
５３　電流センサ
５４　通信装置
１１１～１１３　時系列データ
１２１、１２２　許容範囲の上限値（最大値）
１２３　許容範囲の下限値（最小値）
２１１～２１９　時系列データ
２２１、２２２　許容範囲の上限値（最大値）
２３１、２３２　許容範囲の下限値（最小値）
５１１Ａ、５１１Ｂ　フィーダ
５１２　ヘッド
５１３　基板
５１４　コンベア
５１５　ローダ
５１６　アンローダ
５１７　制御装置
３２０１　相互相関関数計算部
３２０２　パターン記憶部
３２０３　パターン検出部
３３０１　選択抽出部
３３０２　分散計算部
３３０３　時点決定部
３３１１　選択抽出部
３３１２　時系列データ行列作成部
３３１３　特異値分解部
３３１４　重みベクトル作成部
３３１５　重みベクトル記憶部
３７０１　分散行列計算部
３７０２　正則化部

Claims (17)

  1. 　所定の期間の時系列データを入力として受け、前記時系列データから複数の時点の測定値を成分とする測定値ベクトルを抽出する時点抽出部と、
    　前記測定値ベクトルと相関を表す行列とに基づき、前記測定値ベクトルに関する異常度を算出する異常度計算部と、
    　前記異常度を閾値と比較し、異常の有無を判定する異常判定部と、
    　を備えた、ことを特徴とする波形異常判定装置。
  2. 　判定対象の装置に関する波形データを取得する測定部から前記波形データを受け、
    　前記波形データのうち、前記判定対象の装置において複数回行われる処理の単位に対応する前記期間の前記波形データを、前記時系列データとして選択し、前記時点抽出部に受け渡す時系列選択部を備えた、ことを特徴とする請求項１に記載の波形異常判定装置。
  3. 　前記時系列選択部は、前記判定対象の装置から出力される信号に基づき、前記期間の開始時刻及び／又は終了時刻を取得し前記時系列データを選択する、ことを特徴とする請求項２に記載の波形異常判定装置。
  4. 　前記異常度計算部は、前記測定値ベクトルの各成分と前記相関を表す行列の逆行列、又は前記逆行列から導出された行列との演算に基づき、前記異常度を計算する、ことを特徴とする請求項１乃至３のいずれか１項に記載の波形異常判定装置。
  5. 　前記時点抽出部で抽出した前記測定値ベクトルから平均値ベクトルを減じた差分ベクトルを前記異常度計算部に供給する差分計算部を備え、
    　前記異常度計算部では、前記差分ベクトルを前記測定値ベクトルとして前記相関を表す行列と演算し前記異常度を計算する、ことを特徴とする請求項１乃至４のいずれか１項に記載の波形異常判定装置。
  6. 　前記時点抽出部で抽出された複数の時系列データの測定値ベクトルから、前記測定値ベクトルに関する前記相関を表す行列を計算する相関計算部をさらに備えた、ことを特徴とする請求項１乃至５のいずれか１項に記載の波形異常判定装置。
  7. 　前記相関計算部は、前記相関を表す行列の階数が前記測定値ベクトルの成分の数よりも小さい場合、前記相関を表す行列の階数を少なくとも前記測定値ベクトルの成分の数とする正則化を行う正則化部を備えた、ことを特徴とする請求項６に記載の波形異常判定装置。
  8. 　前記相関を表す行列は、前記測定値ベクトルに関する散乱行列、共分散行列、自己相関行列のいずれかである、ことを特徴とする請求項１乃至７のいずれか１項に記載の波形異常判定装置。
  9. 　前記時点抽出部は、前記相関を表す行列の階数が前記測定値ベクトルの成分の数よりも小さい場合に、前記階数以下の個数の時点を決定し、前記時系列データから前記階数以下の個数の前記時点の測定値を成分とする測定値ベクトルを生成する、ことを特徴とする請求項１乃至８のいずれか１項に記載の波形異常判定装置。
  10. 　前記時点抽出部は、前記時系列データの各時点の測定値の分散を昇順又は降順に並べて前記階数以下の個数の時点を選択し前記測定値ベクトルを抽出する、ことを特徴とする請求項９に記載の波形異常判定装置。
  11. 　前記時点抽出部は、前記時系列データの重みベクトルによる線形和によって測定値ベクトルを抽出する、ことを特徴とする請求項１乃至８のいずれか１項に記載の波形異常判定装置。
  12. 　前記時点抽出部は、前記時系列データの行列を特異値分解して求めた特異ベクトルから前記重みベクトルを求める、ことを特徴とする請求項１１に記載の波形異常判定装置。
  13. 　前記時系列選択部は、前記装置における前記単位となる処理の開始時刻と終了時刻をパターンマッチングにより選択し、前記期間の時系列データを選択する、ことを特徴とする請求項２に記載の波形異常判定装置。
  14. 　前記装置で繰り返し行われる製品の生産処理の一回分の処理を、前記処理の単位とする、ことを特徴とする請求項２に記載の波形異常判定装置。
  15. 　所定の期間の時系列データを入力として受け、前記時系列データから複数の時点の測定値を成分とする測定値ベクトルを抽出し、
    　前記測定値ベクトルと相関を表す行列とに基づき、前記測定値ベクトルに関する異常度を算出し、
    　前記異常度を閾値と比較し、異常の有無を判定する、ことを特徴とする波形異常判定方法。
  16. 　所定の期間の時系列データを入力として受け、前記時系列データから複数の時点の測定値を成分とする測定値ベクトルを抽出する処理と、
    　前記測定値ベクトルと相関を表す行列とに基づき、前記測定値ベクトルに関する異常度を算出する処理と、
    　前記異常度を閾値と比較し、異常の有無を判定する処理と、
    　をコンピュータに実行させるプログラム。
  17. 　請求項１６記載のプログラムを記録したコンピュータ読み出し可能な記録媒体。
PCT/JP2018/017278 2017-04-27 2018-04-27 波形異常判定装置、方法、プログラムと記録媒体 WO2018199312A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017088948 2017-04-27
JP2017-088948 2017-04-27

Publications (1)

Publication Number Publication Date
WO2018199312A1 true WO2018199312A1 (ja) 2018-11-01

Family

ID=63920277

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2018/017278 WO2018199312A1 (ja) 2017-04-27 2018-04-27 波形異常判定装置、方法、プログラムと記録媒体

Country Status (1)

Country Link
WO (1) WO2018199312A1 (ja)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109623489A (zh) * 2018-12-10 2019-04-16 华中科技大学 一种改进的机床健康状态评定方法及数控机床
WO2021038779A1 (en) * 2019-08-29 2021-03-04 Nec Corporation Signal analysis method, and apparatus for three-phase system, and program
CN113165134A (zh) * 2018-12-12 2021-07-23 株式会社富士 异常检测装置、机床、异常检测方法及程序
CN113959476A (zh) * 2021-12-22 2022-01-21 北京为准智能科技有限公司 一种智能化仪器仪表检定系统及方法
CN114403831A (zh) * 2022-03-25 2022-04-29 广东玖智科技有限公司 一种ppg波形脉冲提取方法及装置
CN116237817A (zh) * 2023-05-06 2023-06-09 济南章力机械有限公司 基于物联网的五轴联动数控机床智能监测系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008015862A (ja) * 2006-07-07 2008-01-24 Ihi Marine United Inc 異常検知装置及び異常検知プログラム
JP2010078467A (ja) * 2008-09-26 2010-04-08 Internatl Business Mach Corp <Ibm> 時系列データ解析システム、方法及びプログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008015862A (ja) * 2006-07-07 2008-01-24 Ihi Marine United Inc 異常検知装置及び異常検知プログラム
JP2010078467A (ja) * 2008-09-26 2010-04-08 Internatl Business Mach Corp <Ibm> 時系列データ解析システム、方法及びプログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
HATTORI, KOOSUKE ET AL.: "Detection of Abnormal Operation Noise Using CHLAC of Sound Spectrograph and Continuous DP Matching", THE TRANSACTIONS OF THE INSTITUTE OF ELECTRICAL ENGINEERS OF JAPAN . C, vol. 131, no. 2, 1 February 2011 (2011-02-01), pages 367 - 374 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109623489A (zh) * 2018-12-10 2019-04-16 华中科技大学 一种改进的机床健康状态评定方法及数控机床
CN109623489B (zh) * 2018-12-10 2020-05-19 华中科技大学 一种改进的机床健康状态评定方法及数控机床
CN113165134A (zh) * 2018-12-12 2021-07-23 株式会社富士 异常检测装置、机床、异常检测方法及程序
CN113165134B (zh) * 2018-12-12 2023-10-13 株式会社富士 异常检测装置、机床、异常检测方法及程序
WO2021038779A1 (en) * 2019-08-29 2021-03-04 Nec Corporation Signal analysis method, and apparatus for three-phase system, and program
JP2022546436A (ja) * 2019-08-29 2022-11-04 日本電気株式会社 三相システムのための信号解析方法と装置並びにプログラム
JP7239062B2 (ja) 2019-08-29 2023-03-14 日本電気株式会社 三相システムのための信号解析方法と装置並びにプログラム
CN113959476A (zh) * 2021-12-22 2022-01-21 北京为准智能科技有限公司 一种智能化仪器仪表检定系统及方法
CN113959476B (zh) * 2021-12-22 2022-02-25 北京为准智能科技有限公司 一种智能化仪器仪表检定系统及方法
CN114403831A (zh) * 2022-03-25 2022-04-29 广东玖智科技有限公司 一种ppg波形脉冲提取方法及装置
CN116237817A (zh) * 2023-05-06 2023-06-09 济南章力机械有限公司 基于物联网的五轴联动数控机床智能监测系统
CN116237817B (zh) * 2023-05-06 2023-07-14 济南章力机械有限公司 基于物联网的五轴联动数控机床智能监测系统

Similar Documents

Publication Publication Date Title
WO2018199312A1 (ja) 波形異常判定装置、方法、プログラムと記録媒体
EP1986066B1 (en) Combined-information processing apparatus, method for processing combined-information, program, and recording medium
CN108956111B (zh) 一种机械部件的异常状态检测方法及检测系统
KR102042368B1 (ko) 제조 설비 진단 지원 장치 및 제조 설비 진단 지원 방법
US11782395B2 (en) Diagnostic device, diagnostic method and program
CN113238142A (zh) 用于集成电路的方法和系统
CN109521725A (zh) 检测异常数据的方法、装置和设备以及机器可读介质
WO2016121689A1 (ja) 不具合診断方法及び不具合診断システム
JP6888346B2 (ja) 部分放電検出装置及び部分放電検出方法
CN109844779B (zh) 用于分析测量-良率相关性的方法和系统
JP2016012263A (ja) 異常診断装置
CN108712504A (zh) 基于物联网的机床设备智能监控系统
CN108536777B (zh) 一种数据处理方法、服务器集群及数据处理装置
JP2014170269A (ja) 時系列データの異常監視装置、異常監視方法及びプログラム
CN112463646A (zh) 一种传感器异常检测方法及装置
CN115932144B (zh) 色谱仪性能检测方法、装置、设备和计算机介质
CN112486722A (zh) 一种系统故障检测方法及相关装置
WO2019026193A1 (ja) 情報処理装置、情報処理システム、情報処理方法、及び、記録媒体
CN115834859A (zh) 一种四目立体视觉摄像机5g软件标定方法及系统
JP2007329329A (ja) 不良要因抽出装置、不良要因抽出方法、不良要因抽出用プログラム、および不良要因抽出用プログラムを格納した記録媒体
EP3653350A1 (en) Apparatus and method to monitor robot mechanical condition
JP2016031568A (ja) 異常診断装置、異常診断方法及び異常診断プログラム
US11966218B2 (en) Diagnosis device, diagnosis method and program
EP3623892A1 (en) Anomaly assessment device, anomaly assessment method, and anomaly assessment program
US20180107202A1 (en) System and method for detecting fault events

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: 18791901

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 18791901

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP