WO2019077656A1 - 生産設備監視装置、生産設備監視方法及び生産設備監視プログラム - Google Patents

生産設備監視装置、生産設備監視方法及び生産設備監視プログラム Download PDF

Info

Publication number
WO2019077656A1
WO2019077656A1 PCT/JP2017/037388 JP2017037388W WO2019077656A1 WO 2019077656 A1 WO2019077656 A1 WO 2019077656A1 JP 2017037388 W JP2017037388 W JP 2017037388W WO 2019077656 A1 WO2019077656 A1 WO 2019077656A1
Authority
WO
WIPO (PCT)
Prior art keywords
log data
production facility
text feature
production
text
Prior art date
Application number
PCT/JP2017/037388
Other languages
English (en)
French (fr)
Inventor
丸山和範
添田武志
Original Assignee
富士通株式会社
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 富士通株式会社 filed Critical 富士通株式会社
Priority to JP2019548801A priority Critical patent/JP6866930B2/ja
Priority to CN201780095024.1A priority patent/CN111133396B/zh
Priority to EP17929217.2A priority patent/EP3699708B1/en
Priority to PCT/JP2017/037388 priority patent/WO2019077656A1/ja
Publication of WO2019077656A1 publication Critical patent/WO2019077656A1/ja
Priority to US16/809,713 priority patent/US11650579B2/en

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0245—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a qualitative model, e.g. rule based; if-then decisions
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0229—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions knowledge based, e.g. expert systems; genetic algorithms
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition
    • G06N5/025—Extracting rules from data
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32179—Quality control, monitor production tool with multiple sensors
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32196—Store audit, history of inspection, control and workpiece data into database
    • 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
    • G05B2223/00—Indexing scheme associated with group G05B23/00
    • G05B2223/02—Indirect monitoring, e.g. monitoring production to detect faults of a system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Definitions

  • the present invention relates to a production facility monitoring apparatus, a production facility monitoring method, and a production facility monitoring program.
  • JP 2011-59790 A JP, 2008-118068, A JP, 2012-160056, A International Publication 2015/072085
  • the item to be monitored is set in advance, and an abnormality appearing in the item to be monitored is detected, so an abnormality appearing on other than the item to be monitored is detected. I can not do it.
  • the present invention aims to provide a production facility monitoring apparatus, a production facility monitoring method, and a production facility monitoring program capable of accurately determining the degree of abnormality of a production facility based on log data. .
  • the production facility monitoring device is a production facility monitoring device that monitors the state of a production facility, and is a text feature obtained from the quantity of text included in a plurality of log data obtained in a predetermined process of the production facility.
  • a determination unit that determines the degree of abnormality of
  • the degree of abnormality of the production facility can be determined with high accuracy based on the log data.
  • FIG. 11 (a) is a table corresponding to FIG. 8 regarding log data to be monitored
  • FIG. 11 (b) is a table corresponding to FIG. 9 relating to log data to be monitored. It is a figure for demonstrating the abnormality determination method using a classification rule.
  • FIG. 1 schematically shows the configuration of a production facility monitoring system 100 according to an embodiment.
  • one or more production facilities 70 and a server 10 are provided.
  • the production facility 70 and the server 10 are connected to a network 80 such as the Internet or a LAN (Local Area Network).
  • a network 80 such as the Internet or a LAN (Local Area Network).
  • the production facility 70 is a facility used in the production process of a product.
  • log data describing the condition of the facility itself and the product is generated.
  • the log data generated in the production facility 70 is transmitted to the server 10 via the network 80.
  • the server 10 is a device that determines the degree of abnormality (presence or absence of abnormality in the present embodiment) of the production facility 70 based on log data received from the production facility 70 and outputs the determination result.
  • the hardware configuration of the server 10 is shown in FIG. As shown in FIG. 2, the server 10 includes a central processing unit (CPU) 190, a read only memory (ROM) 192, a random access memory (RAM) 194, a storage unit (here, an HDD (hard disk drive)) 196, and a network.
  • An interface 197, an output unit 193, an input unit 195, a portable storage medium drive 199, and the like are provided.
  • the components of the server 10 are connected to a bus 198.
  • the output unit 193 includes a liquid crystal display, a speaker, and the like.
  • the input unit 195 includes a keyboard, a mouse, a touch panel, and the like.
  • the CPU 190 a program (including a production facility monitoring program) stored in the ROM 192 or the HDD 196 or a program (including a production facility monitoring program) read by the portable storage medium drive 199 from the portable storage medium 191.
  • the functions of each unit shown in FIG. 3 are realized by executing.
  • FIG. 3 A functional block diagram of the server 10 is shown in FIG. As shown in FIG. 3, in the server 10, the CPU 190 executes a program to realize functions as the log acquisition unit 40, the production history information acquisition unit 42, the learning unit 44, the extraction unit 46, and the determination unit 48. There is.
  • the log acquisition unit 40 acquires log data transmitted from each production facility 70 and stores the log data in the log DB 50. Also, when the acquired log data is log data to be monitored, the log acquisition unit 40 transmits the acquired log data to the extraction unit 46.
  • the log data is data as shown in FIG.
  • the log data in FIG. 4 includes an apparatus name, a unit name, a program name, and a lot No. , Serial no. , Version information, each work record, error information, test data, communication history, etc. are described.
  • the log DB 50 is a database for storing log data as shown in FIG. 4 as it is.
  • the production history information acquisition unit 42 acquires production history information in which the normal or abnormal condition of the production facility 70 is recorded from the production facility 70 or another device, and stores the production history information in the production history information DB 52.
  • the production history information DB 52 has a data structure as shown in FIG. Specifically, as shown in FIG. 5, the production history information DB 52 has a unit name and lot No. , Serial no. It has fields of device name, process name, start date and time, end date and time, and pass / fail. In the field of unit name, the name of the production facility 70 is stored. And serial no. In the field of, the lot number and serial number of an object produced in the production facility 70 are stored.
  • the field of apparatus name stores the name of the apparatus including the production facility 70
  • the field of process name stores the name of the process performed by the production facility 70.
  • Information on the start date and end date of the process performed by the production facility 70 is stored in the start date and end date field
  • the pass / fail field contains pass / fail information determined based on the produced item (normal / Abnormal) is stored.
  • the learning unit 44 determines normality of the production facility 70 from the log data of the monitoring target based on the log data stored in the log DB 50 and the production history information stored in the production history information DB 52. Create classification rules to determine anomalies.
  • the learning unit 44 first extracts a text feature value obtained from the quantity of text (characters) included in each log data.
  • the text feature value is the number of characters of text included in log data, the number of bytes of text included in log data, the number of lines of log data, the number of types of text included in log data (character code included in log data) Number of characters included in the log data, the number of alphabetic characters included in the log data, the number of characters of each symbol included in the log data, the number of characters of Japanese characters included in the log data, or It can be used as the main component of a vector in which two or more of these items are aggregated.
  • the text feature value is set as a first main component and a second main component obtained by performing principal component analysis of a vector consisting of the number of characters of each number, the number of characters of each alphabet, and the number of characters of each symbol.
  • the text (character) means all single-byte characters of JIS code.
  • the number of alphabetic characters is the sum of the number of uppercase and lowercase letters.
  • the learning unit 44 is based on the text feature value extracted from each log data and the production history information (information indicating whether it is normal or abnormal) of the production facility 70 when each log data is obtained. Then, create a classification rule for determining normality / abnormality from the text feature of log data to be monitored. The details of the classification rule will be described later.
  • the extraction unit 46 When acquiring the log data of the production facility 70 to be monitored from the log acquisition unit 40, the extraction unit 46 extracts the text feature of the acquired log data.
  • the text feature quantity extracted by the extraction unit 46 is the same as the text feature quantity extracted from the log data when the learning unit 44 creates the classification rule.
  • the determination unit 48 uses the text feature amount extracted by the extraction unit 46 and the classification rule generated by the learning unit 44 to determine whether the production facility 70 to be monitored is normal or abnormal. When the determining unit 48 determines that the production equipment 70 to be monitored is abnormal, the determining unit 48 notifies that via the output unit 193 (outputs a warning).
  • FIGS. 6 and 7 shows an example of the process (learning process) of the learning unit 44 in a flowchart
  • FIG. 7 shows an example of the process (abnormality determination process) of the extracting unit 46 and the judging unit 48 in a flowchart. ing.
  • the learning unit 44 executes the process of FIG. 6 at a predetermined learning timing.
  • the predetermined learning timing is, for example, timing for each predetermined time.
  • the present invention is not limited to this, and the learning timing may be timing when a predetermined number of log data are newly stored in the log DB 50 or the like.
  • step S10 the learning unit 44 acquires existing log data from the log DB 50, and extracts text feature quantities.
  • the learning unit 44 acquires log data of the same process performed in the same production facility 70. In the present embodiment, as shown in FIG. It is assumed that each log data of 00159, 00160, ... is acquired.
  • the learning unit 44 obtains the number of characters of each number, the number of characters of each alphabet, and the number of characters of each symbol, as shown in FIG. 8, from the log data.
  • the learning unit 44 obtains a first main component and a second main component obtained by performing principal component analysis of a vector including the number of characters of each number, the number of characters of each alphabet, and the number of characters of each symbol obtained from each log data. Extract as text feature.
  • FIG. 9 a first main component and a second main component as text feature quantities of each log data are shown in a table.
  • step S12 the learning unit 44 acquires production history information corresponding to the acquired log data from the production history information DB 52.
  • serial no The production history information corresponding to the log data is specified from the production history information DB 52 of FIG. 5 using the and the like, and information on pass / fail (normal / abnormal) when each log data is obtained is acquired.
  • the log data serial number In the table of FIG. 9, the log data serial number. , The information of pass / fail (normal / abnormal) is associated.
  • step S14 the learning unit 44 learns the classification rule (machine learning). Specifically, as shown in FIG. 10, the learning unit 44 plots text feature quantities of each log data on a graph, specifies boundaries capable of classifying normality and abnormalness by two-class linear classification, and determines normality. Create classification rules to classify the range of and the range of anomalies. In the example of FIG. 10, the learning unit 44 creates a classification rule that classifies the left side of the boundary line (thick solid line) of FIG. 10 as normal and the right side as abnormal.
  • step S14 when the process up to step S14 is completed, the entire process of FIG. 6 is completed. In addition, the process of FIG. 6 is performed about all the processes.
  • step S20 the extraction unit 46 waits until log data to be monitored is acquired. That is, when the extraction unit 46 acquires new log data from the log acquisition unit 40 as a monitoring target, the extraction unit 46 proceeds to step S22.
  • the extraction unit 46 extracts the text feature amount from the acquired monitoring target log data.
  • step S24 the determination unit 48 executes an abnormality determination process. For example, in the case of log data to be monitored in FIG. 11B, when plotted on the coordinate system of FIG. 12 based on the first principal component and the second principal component, it is plotted at the position indicated by x. become. In this case, the determination unit 48 determines “abnormal” because the determination unit 48 is positioned to the right of the boundary line (thick solid line) defined in the classification rule.
  • step S26 the determination unit 48 determines whether or not it is normal. If the determination in step S26 is affirmative (if normal), the process returns to step S20. On the other hand, when determination of step S26 is denied (in the case of abnormality), it transfers to step S28.
  • the determination unit 48 When the process proceeds to step S28, the determination unit 48 outputs a warning. In this case, the determination unit 48 notifies, through the output unit 193, the occurrence of an abnormality in the production facility 70 using an image and / or a voice.
  • the determination unit 48 may transmit warning information to an external device (terminal or the like) that can communicate with the server 10.
  • step S28 After the process of step S28 ends, the process returns to step S20. And the process mentioned above is repeatedly performed.
  • the text feature value obtained from the quantity of text included in the plurality of log data obtained in the predetermined process of the production facility 70 (for example, the first main
  • the extraction unit 46 learns a classification rule for classifying normality / abnormality of the production facility 70 from the text feature amount based on the component and the second main component) and the production history information of the production facility.
  • the text feature of the log data of the monitoring target obtained in the predetermined process is extracted, and the determining unit 48 produces the log data of the monitoring target based on the extracted text feature and the classification rule.
  • the normality / abnormality of the equipment 70 is determined.
  • the entire area of the log data can be monitored in advance without specifying a target character string or a target area, and an abnormal state of the production facility 70 can be detected. Therefore, it is possible to avoid a situation where it is not possible to detect an abnormality described other than the specified target character string or target area, and it is possible to detect an unexpected abnormality.
  • the absence of a designated target character string may indicate an abnormality, such a case can also be detected according to the present embodiment.
  • the number of steps in setting can be reduced.
  • the text feature amount is obtained from the amount of text of log data, the amount of processing can be reduced compared to the case of searching a character string or the like.
  • the first principal component and the second principal component obtained as a result of principal component analysis of the vector consisting of the quantity of the text included in the log data are used as the text feature quantity, the target character string etc. Even if it is not determined, a highly accurate classification rule can be set, and a highly accurate normal / abnormal determination can be performed.
  • three or more principal components obtained by principal component analysis may be used as text feature quantities.
  • the boundaries for classifying normal and abnormal defined by the classification rule will be faces.
  • the text feature may be one main component (for example, the first main component).
  • the boundary for classifying normal and abnormal defined by the classification rule is a point (threshold).
  • the text feature amount is the first main component and the second main component obtained as a result of principal component analysis of the vector consisting of the quantity of the text included in the log data. It is not something that can be done.
  • the text feature value may be a difference or correlation coefficient of the text quantity of log data obtained in the same process sequentially performed.
  • the classification rule is created as shown in FIG. 10 and the normal / abnormal determination is performed using the created classification rule, but the present invention is not limited to this.
  • a classification rule may be created by a plurality of methods, and normality / abnormality determination may be performed using a classification rule with the highest determination accuracy among the created classification rules.
  • methods such as a decision tree, a support vector machine, and a random forest can be used in addition to the methods of the above embodiment.
  • the log data acquired from the log DB 50 is divided into two, one is used to create each classification rule, and the other is used to judge each classification rule. A so-called crossover verification may be performed to determine the accuracy.
  • the present invention is not limited to this, and any of three or more states is possible. It may be determined. In this case, for example, in the production history information DB 52, if “normal”, “abnormal”, “abnormal tendency is high”,... Then, classification rules can be created to determine which of the three or more states.
  • the above processing functions can be realized by a computer.
  • a program is provided which describes the processing content of the function that the processing device should have.
  • the above processing functions are realized on the computer by executing the program on the computer.
  • the program in which the processing content is described can be recorded on a computer readable recording medium (except for the carrier wave).
  • the program is sold in the form of a portable recording medium such as a DVD (Digital Versatile Disc) or a CD-ROM (Compact Disc Read Only Memory) in which the program is recorded.
  • the program may be stored in the storage device of the server computer, and the program may be transferred from the server computer to another computer via a network.
  • the computer executing the program stores, for example, the program recorded on the portable recording medium or the program transferred from the server computer in its own storage device. Then, the computer reads the program from its storage device and executes processing according to the program. The computer can also read the program directly from the portable recording medium and execute processing in accordance with the program. The computer can also execute processing in accordance with the received program each time the program is transferred from the server computer.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computational Linguistics (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • General Factory Administration (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Debugging And Monitoring (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)

Abstract

ログデータに基づいて生産設備の異常度合いを精度よく判定するため、学習部（４４）が、生産設備の所定工程で得られた複数のログデータに含まれるテキストの数量から求まるテキスト特徴量（例えば、第１主成分及び第２主成分）と、生産設備の生産履歴情報と、に基づいて、テキスト特徴量から生産設備の正常／異常を分類する分類ルールを学習し、抽出部（４６）が、生産設備の所定工程で得られた監視対象のログデータのテキスト特徴量を抽出し、判定部（４８）が、抽出したテキスト特徴量と、分類ルールとに基づいて、監視対象のログデータが得られたときの生産設備の正常／異常を判定する。

Description

生産設備監視装置、生産設備監視方法及び生産設備監視プログラム
　本発明は、生産設備監視装置、生産設備監視方法及び生産設備監視プログラムに関する。
　従来、プラントや設備の異常を検知する技術として、センサデータ（数値データ）に基づいてプラントや設備の状態を監視し、異常を検出する技術が知られている（例えば、特許文献１等参照）。また、装置のログデータから異常を検出する技術も知られている（例えば、特許文献２～４等参照）。
特開２０１１－５９７９０号公報 特開２００８－１１８０６８号公報 特開２０１２－１６００５６号公報 国際公開２０１５／０７２０８５号
　しかしながら、センサデータを用いて設備を監視する場合、センサで測定できない項目は監視できない。
　また、ログデータを用いて設備を監視する場合には、監視対象の項目を予め設定し、監視対象の項目に表れる異常を検出することとしているため、監視対象の項目以外に表れる異常を検出することができない。
　１つの側面では、本発明は、ログデータに基づいて生産設備の異常度合いを精度よく判定することが可能な生産設備監視装置、生産設備監視方法及び生産設備監視プログラムを提供することを目的とする。
　一つの態様では、生産設備監視装置は、生産設備の状態を監視する生産設備監視装置であって、前記生産設備の所定工程で得られた複数のログデータに含まれるテキストの数量から求まるテキスト特徴量と、前記生産設備の生産履歴情報と、に基づいて、テキスト特徴量から前記生産設備の異常度合いを分類する分類ルールを学習する学習部と、前記生産設備の前記所定工程で得られた監視対象のログデータのテキスト特徴量を抽出する抽出部と、前記抽出部が抽出した前記テキスト特徴量と、前記分類ルールとに基づいて、前記監視対象のログデータが得られたときの前記生産設備の異常度合いを判定する判定部と、を備えている。
　ログデータに基づいて生産設備の異常度合いを精度よく判定することができる。
一実施形態に係る生産設備監視システムの構成を概略的に示す図である。 サーバのハードウェア構成を示す図である。 サーバの機能ブロック図である。 ログデータの一例を示す図である。 生産履歴情報ＤＢのデータ構造の一例を示す図である。 学習処理を示すフローチャートである。 異常判定処理を示すフローチャートである。 学習部が取得した各ログデータから求めた文字数を示す表である。 学習部が取得した各ログデータの第１主成分及び第２主成分、並びに合否を示す表である。 分類ルールの学習方法について説明するための図である。 図１１（ａ）は、監視対象のログデータに関する図８に対応する表であり、図１１（ｂ）は、監視対象のログデータに関する図９に対応する表である。 分類ルールを用いた異常判定方法について説明するための図である。
　以下、生産設備監視システムの一実施形態について、図１～図１２に基づいて詳細に説明する。図１には、一実施形態に係る生産設備監視システム１００の構成が概略的に示されている。図１に示すように、１又は複数の生産設備７０と、サーバ１０と、を備える。生産設備７０とサーバ１０は、インターネットやＬＡＮ（Local Area Network）などのネットワーク８０に接続されている。
　生産設備７０は、製品の生産工程において用いられる設備である。生産設備７０においては、設備自体や生産物の状態を記述したログデータが生成される。生産設備７０において生成されたログデータは、ネットワーク８０を介してサーバ１０に送信される。
　サーバ１０は、生産設備７０から受信したログデータに基づいて、生産設備７０の異常度合い（本実施形態では異常有無）を判定し、判定結果を出力する装置である。図２には、サーバ１０のハードウェア構成が示されている。図２に示すように、サーバ１０は、ＣＰＵ（Central Processing Unit）１９０、ＲＯＭ（Read Only Memory）１９２、ＲＡＭ（Random Access Memory）１９４、記憶部（ここではＨＤＤ（Hard Disk Drive））１９６、ネットワークインタフェース１９７、出力部１９３、入力部１９５及び可搬型記憶媒体用ドライブ１９９等を備えている。これらサーバ１０の構成各部は、バス１９８に接続されている。出力部１９３は、液晶ディスプレイやスピーカなどを含んでいる。入力部１９５は、キーボードやマウス、タッチパネルなどを含んでいる。サーバ１０では、ＲＯＭ１９２あるいはＨＤＤ１９６に格納されているプログラム（生産設備監視プログラムを含む）、或いは可搬型記憶媒体用ドライブ１９９が可搬型記憶媒体１９１から読み取ったプログラム（生産設備監視プログラムを含む）をＣＰＵ１９０が実行することにより、図３に示す各部の機能が実現される。
　図３には、サーバ１０の機能ブロック図が示されている。図３に示すように、サーバ１０では、ＣＰＵ１９０がプログラムを実行することで、ログ取得部４０、生産履歴情報取得部４２、学習部４４、抽出部４６、判定部４８としての機能が実現されている。
　ログ取得部４０は、各生産設備７０から送信されてくるログデータを取得し、ログＤＢ５０に格納する。また、ログ取得部４０は、取得したログデータが、監視対象のログデータである場合には、取得したログデータを抽出部４６に送信する。ここで、ログデータは、図４に示すようなデータである。図４のログデータには、装置名、ユニット名、プログラム名、ロットＮｏ．、シリアルＮｏ．、バージョン情報、各作業実績、エラー情報、試験データ、通信履歴などが記述されている。また、ログＤＢ５０は、図４に示すようなログデータをそのまま記憶するデータベースである。
　生産履歴情報取得部４２は、生産設備７０の正常、異常状態を記録した生産履歴情報を生産設備７０又はその他の機器から取得し、生産履歴情報ＤＢ５２に格納する。ここで、生産履歴情報ＤＢ５２は、図５に示すようなデータ構造を有する。具体的には、図５に示すように、生産履歴情報ＤＢ５２は、ユニット名、ロットＮｏ．、シリアルＮｏ．、装置名、工程名、開始日時、終了日時、合否、の各フィールドを有する。ユニット名のフィールドには生産設備７０の名称が格納され、ロットＮｏ．及びシリアルＮｏ．のフィールドには、生産設備７０において生産された物のロット番号及びシリアル番号が格納される。装置名のフィールドには、生産設備７０を含む装置の名称が格納され、工程名のフィールドには、生産設備７０が実施する工程の名称が格納される。開始日時及び終了日時のフィールドには、生産設備７０が実施した工程の開始日時と終了日時の情報が格納され、合否のフィールドには、生産された物に基づいて判定された合否の情報（正常／異常）が格納される。
　図３に戻り、学習部４４は、ログＤＢ５０に格納されているログデータと、生産履歴情報ＤＢ５２に格納されている生産履歴情報とに基づいて、監視対象のログデータから生産設備７０の正常／異常を判定するための分類ルールを生成する。
　より具体的には、学習部４４は、まず、各ログデータに含まれるテキスト（文字）の数量から求まるテキスト特徴量を抽出する。ここで、テキスト特徴量は、ログデータに含まれるテキストの文字数、ログデータに含まれるテキストのバイト数、ログデータの行数、ログデータに含まれるテキストの種類数（ログデータに含まれる文字コードの全種類数）、ログデータに含まれる数字それぞれの文字数、ログデータに含まれる英字それぞれの文字数、ログデータに含まれる記号それぞれの文字数、ログデータに含まれる日本語文字それぞれの文字数、あるいは、これらのうち２項目以上を集約したベクトルの主成分とすることができる。本実施形態では、一例として、テキスト特徴量は、各数字の文字数、各英字の文字数、各記号の文字数からなるベクトルを主成分分析することで得られる第１主成分及び第２主成分としている。なお、テキスト（文字）は、ＪＩＳコードの１バイト文字すべてを意味する。また、英字の文字数は、大文字と小文字の文字数を合算したものであるものとする。
　そして、学習部４４は、各ログデータから抽出したテキスト特徴量と、各ログデータが得られたときの生産設備７０の生産履歴情報（正常であるか異常であるかという情報）とに基づいて、監視対象のログデータのテキスト特徴量から正常／異常を判定するための分類ルールを作成する。なお、分類ルールの詳細については、更に後述する。
　抽出部４６は、ログ取得部４０から監視対象の生産設備７０のログデータを取得すると、取得したログデータのテキスト特徴量を抽出する。なお、抽出部４６が抽出するテキスト特徴量は、学習部４４が分類ルールを作成する際にログデータから抽出するテキスト特徴量と同一の特徴量である。
　判定部４８は、抽出部４６が抽出したテキスト特徴量と、学習部４４が生成した分類ルールとを用いて、監視対象の生産設備７０が正常であるか異常であるかを判定する。判定部４８は、監視対象の生産設備７０が異常であると判定した場合に、出力部１９３を介してその旨を報知する（警告を出力する）。
（サーバ１０の処理について）
　次に、図６、図７のフローチャートに沿って、サーバ１０の処理について説明する。図６には、学習部４４の処理（学習処理）の一例がフローチャートにて示され、図７には、抽出部４６及び判定部４８の処理（異常判定処理）の一例がフローチャートにて示されている。
（学習処理について）
　学習部４４は、予め定められた学習タイミングで図６の処理を実行する。なお、予め定められた学習タイミングとは、例えば所定時間ごとのタイミングであるものとする。ただし、これに限らず、学習タイミングは、ログＤＢ５０に所定数のログデータが新たに格納されたタイミングなどとすることもできる。
　図６の処理では、まず、ステップＳ１０において、学習部４４が、ログＤＢ５０から既存のログデータを取得し、テキスト特徴量を抽出する。なお、学習部４４は、同一の生産設備７０において実行される同一工程のログデータを取得するものとする。本実施形態では、図８に示すように、シリアルＮｏ．が００１５９、００１６０、…の各ログデータが取得されたとする。なお、学習部４４は、ログデータからは、図８に示すように、各数字の文字数、各英字の文字数、各記号の文字数を求める。そして、学習部４４は、各ログデータから得られた各数字の文字数、各英字の文字数、各記号の文字数からなるベクトルを主成分分析することで得られる第１主成分及び第２主成分をテキスト特徴量として抽出する。図９には、各ログデータのテキスト特徴量としての第１主成分及び第２主成分が表にて示されている。
　次いで、ステップＳ１２では、学習部４４が、取得したログデータに対応する生産履歴情報を生産履歴情報ＤＢ５２から取得する。この場合、シリアルＮｏ．等を用いて、図５の生産履歴情報ＤＢ５２からログデータに対応する生産履歴情報を特定し、各ログデータが取得されたときの合否（正常／異常）の情報を取得する。なお、図９の表には、ログデータのシリアルＮｏ．に対して、合否（正常／異常）の情報が対応付けられている。
　ステップＳ１４では、学習部４４が、分類ルールを学習（機械学習）する。具体的には、学習部４４は、図１０に示すように、各ログデータのテキスト特徴量をグラフ上にプロットし、正常と異常を分類できる境界を２クラスの線形分類により特定して、正常の範囲と異常の範囲を分類する分類ルールを作成する。図１０の例では、学習部４４は、図１０の境界線（太実線）の左側を正常、右側を異常と分類する分類ルールを作成する。
　以上のように、ステップＳ１４までの処理が終了すると、図６の全処理が終了する。なお、図６の処理は、すべての工程について実行されるようになっている。
（異常判定処理について）
　次に、図７のフローチャートに沿って、異常判定処理について説明する。
　まず、ステップＳ２０では、抽出部４６が、監視対象のログデータを取得するまで待機する。すなわち、抽出部４６は、ログ取得部４０から新たなログデータを監視対象として取得すると、ステップＳ２２に移行する。
　ステップＳ２２に移行すると、抽出部４６が、取得した監視対象のログデータからテキスト特徴量を抽出する。ここでは、抽出部４６が抽出したログデータが、図１１（ａ）に示すシリアルＮｏ．＝００５０１のログデータであるものとし、抽出部４６は、ログデータから図１１（ａ）に示す各数字の文字数、各英字の文字数、各記号の文字数を求める。そして、抽出部４６は、求めた各文字数からなるベクトルを主成分分析することにより、図１１（ｂ）に示す第１主成分、第２主成分を求め、テキスト特徴量とする。
　次いで、ステップＳ２４では、判定部４８が、異常判定処理を実行する。例えば、図１１（ｂ）の監視対象のログデータの場合、第１主成分及び第２主成分に基づいて図１２の座標系上にプロットすると、×で示されている位置にプロットされることになる。この場合、分類ルールにおいて規定されている境界線（太実線）よりも右側に位置しているため、判定部４８は、「異常」と判定することになる。
　次いで、ステップＳ２６では、判定部４８が、正常か否かを判断する。このステップＳ２６の判断が肯定された場合（正常の場合）には、ステップＳ２０に戻る。一方、ステップＳ２６の判断が否定された場合（異常の場合）には、ステップＳ２８に移行する。
　ステップＳ２８に移行した場合、判定部４８は、警告を出力する。この場合、判定部４８は、出力部１９３を介して画像及び／又は音声により生産設備７０に異常が発生したことを報知する。なお、これに限らず、判定部４８は、サーバ１０と通信可能な外部装置（端末等）に対して、警告情報を送信することとしてもよい。
　ステップＳ２８の処理が終了した後は、ステップＳ２０に戻る。そして、上述した処理が繰り返し実行されるようになっている。
　以上詳細に説明したように、本実施形態によると、学習部４４が、生産設備７０の所定工程で得られた複数のログデータに含まれるテキストの数量から求まるテキスト特徴量（例えば、第１主成分及び第２主成分）と、生産設備の生産履歴情報と、に基づいて、テキスト特徴量から生産設備７０の正常／異常を分類する分類ルールを学習し、抽出部４６が、生産設備７０の所定工程で得られた監視対象のログデータのテキスト特徴量を抽出し、判定部４８が、抽出したテキスト特徴量と、分類ルールとに基づいて、監視対象のログデータが得られたときの生産設備７０の正常／異常を判定する。これにより、事前に対象文字列や対象領域を指定することなくログデータの全領域を監視し、生産設備７０の異常状態を検出することができる。したがって、指定した対象文字列や対象領域以外に記載されていた異常を検出できないという事態を避けることができ、想定していない異常を検出することができる。また、指定した対象文字列がないことが異常を表すこともあるが、このような場合についても、本実施形態によれば検出することができる。また、対象文字列や対象領域を指定する必要がないため、設定における工数を削減できる。また、ログデータのテキストの数量からテキスト特徴量を求めるため、文字列等を検索する場合に比べて処理量を低減することができる。
　また、本実施形態によると、ログデータに含まれるテキストの数量からなるベクトルを主成分分析した結果得られる第１主成分及び第２主成分をテキスト特徴量として用いるため、予め対象文字列等を定めなくても、精度の高い分類ルールを設定することができるとともに、精度の高い正常／異常判定を行うことができる。
　なお、上記実施形態では、テキスト特徴量として主成分分析により得られる３つ以上の主成分（例えば、第１～第３主成分）を用いることもできる。例えば、３つの主成分を用いるとすると、分類ルールで定義される正常と異常を分類する境界は面となる。また、テキスト特徴量は、１つの主成分（例えば第１主成分）であってもよい。この場合、分類ルールで定義される正常と異常を分類する境界は点（閾値）となる。
　なお、上記実施形態では、テキスト特徴量がログデータに含まれるテキストの数量からなるベクトルを主成分分析した結果得られる第１主成分及び第２主成分である場合について説明したが、これに限られるものではない。例えば、テキスト特徴量は、連続して実施された同一工程において得られたログデータのテキストの数量の差分や相関係数であってもよい。
　なお、上記実施形態では、分類ルールを図１０に示すようにして作成し、作成した分類ルールを用いて正常／異常判定を行う場合について説明したが、これに限られるものではない。例えば、複数の方法により分類ルールを作成し、作成した複数の分類ルールの中から最も判定精度が高い分類ルールを用いて正常／異常判定を行うこととしてもよい。この場合、分類ルールを作成する複数の方法としては、上記実施形態の方法のほか、決定木、サポートベクターマシン、ランダムフォレストなどの方法を用いることができる。また、判定精度が最も高い分類ルールを特定する際には、ログＤＢ５０から取得したログデータを２つに分割し、一方を用いて各分類ルールを作成し、他方を用いて各分類ルールの判定精度を求める、いわゆる交叉検証を実行するようにしてもよい。
　なお、上記実施形態では、生産設備７０の正常／異常を判定する（２つの状態のいずれであるかを判定する）場合について説明したが、これに限らず、３つ以上の状態のいずれであるかを判定するようにしてもよい。この場合、例えば、生産履歴情報ＤＢ５２において、「合否」の欄に「正常」、「異常」、「異常傾向が高い」…などが格納されていれば、これに基づいて分類ルールを作成することで、３つ以上の状態のいずれであるかを判定する分類ルールを作成することができる。
　なお、上記の処理機能は、コンピュータによって実現することができる。その場合、処理装置が有すべき機能の処理内容を記述したプログラムが提供される。そのプログラムをコンピュータで実行することにより、上記処理機能がコンピュータ上で実現される。処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体（ただし、搬送波は除く）に記録しておくことができる。
　プログラムを流通させる場合には、例えば、そのプログラムが記録されたＤＶＤ（Digital Versatile Disc）、ＣＤ－ＲＯＭ（Compact Disc Read Only Memory）などの可搬型記録媒体の形態で販売される。また、プログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することもできる。
　プログラムを実行するコンピュータは、例えば、可搬型記録媒体に記録されたプログラムもしくはサーバコンピュータから転送されたプログラムを、自己の記憶装置に格納する。そして、コンピュータは、自己の記憶装置からプログラムを読み取り、プログラムに従った処理を実行する。なお、コンピュータは、可搬型記録媒体から直接プログラムを読み取り、そのプログラムに従った処理を実行することもできる。また、コンピュータは、サーバコンピュータからプログラムが転送されるごとに、逐次、受け取ったプログラムに従った処理を実行することもできる。
　上述した実施形態は本発明の好適な実施の例である。但し、これに限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々変形実施可能である。
　　１０　サーバ（生産設備監視装置）
　　４４　学習部
　　４６　抽出部
　　４８　判定部
　　７０　生産設備

Claims (11)

  1. 　生産設備の状態を監視する生産設備監視装置であって、
    　前記生産設備の所定工程で得られた複数のログデータに含まれるテキストの数量から求まるテキスト特徴量と、前記生産設備の生産履歴情報と、に基づいて、テキスト特徴量から前記生産設備の異常度合いを分類する分類ルールを学習する学習部と、
    　前記生産設備の前記所定工程で得られた監視対象のログデータのテキスト特徴量を抽出する抽出部と、
    　前記抽出部が抽出した前記テキスト特徴量と、前記分類ルールとに基づいて、前記監視対象のログデータが得られたときの前記生産設備の異常度合いを判定する判定部と、
    を備える生産設備監視装置。
  2. 　前記テキスト特徴量は、ログデータに含まれるテキストの文字数、ログデータに含まれるテキストのバイト数、ログデータの行数、ログデータに含まれるテキストの種類数、ログデータに含まれる数字それぞれの文字数、ログデータに含まれる英字それぞれの文字数、ログデータに含まれる記号それぞれの文字数、ログデータに含まれる日本語文字それぞれの文字数、の少なくとも１つの項目から求まることを特徴とする請求項１に記載の生産設備監視装置。
  3. 　前記テキスト特徴量は、２つ以上の前記項目を集約したベクトルの主成分であることを特徴とする請求項２に記載の生産設備監視装置。
  4. 　前記テキスト特徴量は、連続して実施された前記所定工程において得られたログデータの前記項目の差分及び相関係数のいずれかであることを特徴とする請求項２に記載の生産設備監視装置。
  5. 　前記学習部は、異なるテキスト特徴量に基づいて複数の分類ルールを生成し、前記複数の分類ルールを交叉検証することで、前記判定部が判定に用いる分類ルールを決定する、ことを特徴とする請求項１～４のいずれか一項に記載の生産設備監視装置。
  6. 　生産設備の状態を監視する生産設備監視方法であって、
    　前記生産設備の所定工程で得られた複数のログデータに含まれるテキストの数量から求まるテキスト特徴量と、前記生産設備の生産履歴情報と、に基づいて、テキスト特徴量から前記生産設備の異常度合いを分類する分類ルールを学習し、
    　前記生産設備の前記所定工程で得られた監視対象のログデータのテキスト特徴量を抽出し、
    　抽出した前記テキスト特徴量と、前記分類ルールとに基づいて、前記監視対象のログデータが得られたときの前記生産設備の異常度合いを判定する、
    処理をコンピュータが実行することを特徴とする生産設備監視方法。
  7. 　前記テキスト特徴量は、ログデータに含まれるテキストの文字数、ログデータに含まれるテキストのバイト数、ログデータの行数、ログデータに含まれるテキストの種類数、ログデータに含まれる数字それぞれの文字数、ログデータに含まれる英字それぞれの文字数、ログデータに含まれる記号それぞれの文字数、ログデータに含まれる日本語文字それぞれの文字数、の少なくとも１つの項目から求まることを特徴とする請求項６に記載の生産設備監視方法。
  8. 　前記テキスト特徴量は、２つ以上の前記項目を集約したベクトルの主成分であることを特徴とする請求項７に記載の生産設備監視方法。
  9. 　前記テキスト特徴量は、連続して実施された前記所定工程において得られたログデータの前記項目の差分及び相関係数のいずれかであることを特徴とする請求項７に記載の生産設備監視方法。
  10. 　前記学習する処理では、異なるテキスト特徴量に基づいて複数の分類ルールを生成し、前記複数の分類ルールを交叉検証することで、判定に用いる分類ルールを決定する、ことを特徴とする請求項６～９のいずれか一項に記載の生産設備監視方法。
  11. 　生産設備の状態を監視する生産設備監視プログラムであって、
    　前記生産設備の所定工程で得られた複数のログデータに含まれるテキストの数量から求まるテキスト特徴量と、前記生産設備の生産履歴情報と、に基づいて、テキスト特徴量から前記生産設備の異常度合いを分類する分類ルールを学習し、
    　前記生産設備の前記所定工程で得られた監視対象のログデータのテキスト特徴量を抽出し、
    　抽出した前記テキスト特徴量と、前記分類ルールとに基づいて、前記監視対象のログデータが得られたときの前記生産設備の異常度合いを判定する、
    処理をコンピュータに実行させるための生産設備監視プログラム。
PCT/JP2017/037388 2017-10-16 2017-10-16 生産設備監視装置、生産設備監視方法及び生産設備監視プログラム WO2019077656A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2019548801A JP6866930B2 (ja) 2017-10-16 2017-10-16 生産設備監視装置、生産設備監視方法及び生産設備監視プログラム
CN201780095024.1A CN111133396B (zh) 2017-10-16 2017-10-16 生产设备监视装置、生产设备监视方法以及记录介质
EP17929217.2A EP3699708B1 (en) 2017-10-16 2017-10-16 Production facility monitoring device, production facility monitoring method, and production facility monitoring program
PCT/JP2017/037388 WO2019077656A1 (ja) 2017-10-16 2017-10-16 生産設備監視装置、生産設備監視方法及び生産設備監視プログラム
US16/809,713 US11650579B2 (en) 2017-10-16 2020-03-05 Information processing device, production facility monitoring method, and computer-readable recording medium recording production facility monitoring program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2017/037388 WO2019077656A1 (ja) 2017-10-16 2017-10-16 生産設備監視装置、生産設備監視方法及び生産設備監視プログラム

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US16/809,713 Continuation US11650579B2 (en) 2017-10-16 2020-03-05 Information processing device, production facility monitoring method, and computer-readable recording medium recording production facility monitoring program

Publications (1)

Publication Number Publication Date
WO2019077656A1 true WO2019077656A1 (ja) 2019-04-25

Family

ID=66174386

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2017/037388 WO2019077656A1 (ja) 2017-10-16 2017-10-16 生産設備監視装置、生産設備監視方法及び生産設備監視プログラム

Country Status (5)

Country Link
US (1) US11650579B2 (ja)
EP (1) EP3699708B1 (ja)
JP (1) JP6866930B2 (ja)
CN (1) CN111133396B (ja)
WO (1) WO2019077656A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115794465A (zh) * 2022-11-10 2023-03-14 上海鼎茂信息技术有限公司 一种日志异常检测方法及系统
CN116430831A (zh) * 2023-04-26 2023-07-14 宁夏五谷丰生物科技发展有限公司 应用于食用油生产控制系统的数据异常监控方法及系统

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RS63767B1 (sr) * 2019-03-06 2022-12-30 Komax Holding Ag Računarski implementiran postupak za kontrolu većeg broja uređaja za obradu kablova i kontrolni sistem
US11556636B2 (en) * 2020-06-30 2023-01-17 Microsoft Technology Licensing, Llc Malicious enterprise behavior detection tool
CN116458119B (zh) * 2020-11-19 2024-09-10 日本电信电话株式会社 估计装置、估计方法以及记录介质
US20240232214A9 (en) * 2022-10-21 2024-07-11 Elementum, Ltd. Systems and methods for a data-driven workflow platform

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008118068A (ja) 2006-11-08 2008-05-22 Renesas Technology Corp 半導体装置の生産管理システム
JP2011059790A (ja) 2009-09-07 2011-03-24 Hitachi Ltd 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
JP2012160056A (ja) 2011-02-01 2012-08-23 Denso Corp 製造ライン監視システム
JP2013250925A (ja) * 2012-06-04 2013-12-12 Nippon Telegr & Teleph Corp <Ntt> 回答タイプ推定装置、方法、及びプログラム
JP2015032088A (ja) * 2013-08-01 2015-02-16 株式会社デンソー 文字認識装置および文字認識方法
WO2015072085A1 (ja) 2013-11-12 2015-05-21 日本電気株式会社 ログ分析システム、ログ分析方法、および、記憶媒体
WO2017149598A1 (ja) * 2016-02-29 2017-09-08 三菱電機株式会社 機器分類装置

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0850507A (ja) 1994-06-01 1996-02-20 Nippondenso Co Ltd 異常復帰手順教示システム
JP5301310B2 (ja) * 2009-02-17 2013-09-25 株式会社日立製作所 異常検知方法及び異常検知システム
CN101556553B (zh) * 2009-03-27 2011-04-06 中国科学院软件研究所 基于需求变更的缺陷预测方法和系统
CN103177215B (zh) * 2013-03-05 2016-01-20 四川电力科学研究院 基于软件控制流特征的计算机恶意软件检测新方法
CN103514398B (zh) * 2013-10-18 2016-08-17 中国科学院信息工程研究所 一种实时在线日志检测方法及系统
EP3136249B1 (en) * 2014-06-06 2018-12-19 Nippon Telegraph and Telephone Corporation Log analysis device, attack detection device, attack detection method and program
EP3015936B1 (en) * 2014-10-31 2016-09-07 Sap Se System and method for generation of instructions for repairing an electromechanical system
DE102015225144A1 (de) * 2015-12-14 2017-06-14 Siemens Aktiengesellschaft System und Verfahren zur Diagnose von zumindest einer wartungsbedürftigen Komponente eines Geräts und/oder Anlage
WO2017154844A1 (ja) * 2016-03-07 2017-09-14 日本電信電話株式会社 分析装置、分析方法および分析プログラム
CN106940679B (zh) * 2017-02-23 2020-10-02 中科创达软件股份有限公司 数据处理方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008118068A (ja) 2006-11-08 2008-05-22 Renesas Technology Corp 半導体装置の生産管理システム
JP2011059790A (ja) 2009-09-07 2011-03-24 Hitachi Ltd 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム
JP2012160056A (ja) 2011-02-01 2012-08-23 Denso Corp 製造ライン監視システム
JP2013250925A (ja) * 2012-06-04 2013-12-12 Nippon Telegr & Teleph Corp <Ntt> 回答タイプ推定装置、方法、及びプログラム
JP2015032088A (ja) * 2013-08-01 2015-02-16 株式会社デンソー 文字認識装置および文字認識方法
WO2015072085A1 (ja) 2013-11-12 2015-05-21 日本電気株式会社 ログ分析システム、ログ分析方法、および、記憶媒体
WO2017149598A1 (ja) * 2016-02-29 2017-09-08 三菱電機株式会社 機器分類装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3699708A4

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115794465A (zh) * 2022-11-10 2023-03-14 上海鼎茂信息技术有限公司 一种日志异常检测方法及系统
CN115794465B (zh) * 2022-11-10 2023-12-19 上海鼎茂信息技术有限公司 一种日志异常检测方法及系统
CN116430831A (zh) * 2023-04-26 2023-07-14 宁夏五谷丰生物科技发展有限公司 应用于食用油生产控制系统的数据异常监控方法及系统
CN116430831B (zh) * 2023-04-26 2023-10-31 宁夏五谷丰生物科技发展有限公司 应用于食用油生产控制系统的数据异常监控方法及系统

Also Published As

Publication number Publication date
EP3699708B1 (en) 2021-07-28
CN111133396A (zh) 2020-05-08
US11650579B2 (en) 2023-05-16
JP6866930B2 (ja) 2021-04-28
EP3699708A1 (en) 2020-08-26
US20200201309A1 (en) 2020-06-25
CN111133396B (zh) 2023-03-24
JPWO2019077656A1 (ja) 2020-07-30
EP3699708A4 (en) 2020-09-09

Similar Documents

Publication Publication Date Title
JP6866930B2 (ja) 生産設備監視装置、生産設備監視方法及び生産設備監視プログラム
KR102271449B1 (ko) 인공지능 모델 플랫폼 및 인공지능 모델 플랫폼 운영 방법
US9612898B2 (en) Fault analysis apparatus, fault analysis method, and recording medium
US20180357214A1 (en) Log analysis system, log analysis method, and storage medium
WO2019222462A1 (en) Identification of sensitive data using machine learning
JP2018045403A (ja) 異常検知システム及び異常検知方法
Tsukerman Machine Learning for Cybersecurity Cookbook: Over 80 recipes on how to implement machine learning algorithms for building security systems using Python
JP2015106340A (ja) 情報処理装置及び情報処理プログラム
CN112799722A (zh) 命令识别方法、装置、设备和存储介质
WO2016199433A1 (ja) メッセージ分析装置、メッセージ分析方法、および、記憶媒体
CN110855635B (zh) Url识别方法、装置及数据处理设备
US10346450B2 (en) Automatic datacenter state summarization
JP6432266B2 (ja) グループ化方法、グループ化装置、およびグループ化プログラム
CN111651340A (zh) 告警数据规则挖掘方法、装置及电子设备
JP2019191689A (ja) ウェブ検査プログラム及びウェブ検査装置
CN113517998B (zh) 预警配置数据的处理方法、装置、设备及存储介质
JP2020052767A (ja) 脆弱性推定装置及び脆弱性推定方法
JP2007295056A (ja) ネットワーク状態判定装置及びネットワーク状態判定方法及びネットワーク状態判定プログラム
JP7306460B2 (ja) 敵対的事例検知システム、方法およびプログラム
Xiong et al. An Anomaly Detection Framework for System Logs Based on Ensemble Learning
Liu et al. Lopper: An efficient method for online log pattern mining based on hybrid clustering tree
JP2018106383A (ja) 特徴抽出装置およびプログラム
WO2024009362A1 (ja) 異常検知装置、異常検知方法および異常検知プログラム
EP4044067A1 (en) Information processing program, information processing method, and information processing device
JP5299619B2 (ja) データ検査装置、データ検査方法、及びデータ検査プログラム

Legal Events

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

Ref document number: 17929217

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2019548801

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2017929217

Country of ref document: EP

Effective date: 20200518