WO2020194534A1 - 異常判定支援装置 - Google Patents

異常判定支援装置 Download PDF

Info

Publication number
WO2020194534A1
WO2020194534A1 PCT/JP2019/012973 JP2019012973W WO2020194534A1 WO 2020194534 A1 WO2020194534 A1 WO 2020194534A1 JP 2019012973 W JP2019012973 W JP 2019012973W WO 2020194534 A1 WO2020194534 A1 WO 2020194534A1
Authority
WO
WIPO (PCT)
Prior art keywords
abnormality
determination
primary
target data
analysis target
Prior art date
Application number
PCT/JP2019/012973
Other languages
English (en)
French (fr)
Inventor
宏幸 今成
直樹 下田
Original Assignee
東芝三菱電機産業システム株式会社
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 東芝三菱電機産業システム株式会社 filed Critical 東芝三菱電機産業システム株式会社
Priority to KR1020207030237A priority Critical patent/KR102398307B1/ko
Priority to US16/977,476 priority patent/US11392114B2/en
Priority to JP2020558554A priority patent/JP7044175B2/ja
Priority to PCT/JP2019/012973 priority patent/WO2020194534A1/ja
Priority to CN201980027213.4A priority patent/CN112041771A/zh
Priority to EP19921842.1A priority patent/EP3764184B1/en
Priority to TW108128299A priority patent/TWI728422B/zh
Publication of WO2020194534A1 publication Critical patent/WO2020194534A1/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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • the present invention relates to a device that assists in determining whether the manufacturing equipment itself or the product quality is normal or abnormal in the manufacturing equipment involved in manufacturing the product.
  • a rolling mill that manufactures plate materials facilitates processing into automobiles and electric appliances by rolling and thinning lumps of steel materials and non-ferrous materials such as aluminum and copper.
  • the rolling mills for example, there are two rough rolling mills and seven finishing rolling mills, and although the detailed specifications are different, such as a large-capacity electric motor for driving the upper and lower rolling rolls and a shaft connecting the rolls and the electric motor, the equipment configuration is different. Often similar.
  • Patent Document 1 Patent Document 2
  • Patent Document 3 Patent Document 3
  • Patent Document 1 describes a method of identifying the presence or absence of an abnormality with two indexes using the amplitude of the current of the rotating machine. According to the method described in Patent Document 1, it is determined whether or not it is abnormal depending on whether or not it exceeds a preset determination standard. However, there is no mention of strengthening judgment through learning such as machine learning.
  • Patent Document 2 describes a method of diagnosing an abnormality using the current of a rotating machine. However, as in Patent Document 1, the diagnostic method determines whether or not a certain index exceeds a threshold value. In addition, although there is a description that machine learning can also be applied, there is no mention of a specific method.
  • Patent Document 3 a model to be diagnosed is prepared in advance by regression analysis using normal data, and the difference from the model created from the current data is evaluated to determine whether or not the model is abnormal. Is described.
  • the method described in Patent Document 3 is also a method of determining whether or not an abnormality is made based on whether or not a preset threshold value is exceeded.
  • normality may be determined to be abnormal, or abnormality may be determined to be normal.
  • FFT fast Fourier transform
  • the number and types of abnormal data are very small compared to the number and types of normal data, and it generally takes a lot of time to collect cases indicating abnormalities.
  • the present invention has been made in view of such a problem, and an object of the present invention is to provide an abnormality determination support device that assists in accurately determining whether an abnormality has occurred in a manufacturing facility.
  • the abnormality determination support device is an abnormality determination support device that provides a determination material for determining whether or not an abnormality has occurred in a manufacturing facility, and is an analysis target data creation unit, a primary determination unit, and a secondary determination unit.
  • the analysis target data creation unit is configured to acquire a time-series signal representing at least one of the state of the manufacturing equipment or the product quality from the data collection device of the manufacturing equipment and extract the analysis target data from the time-series signal.
  • the primary determination unit is configured to derive a plurality of primary determination results from common analysis target data by applying a plurality of different analysis methods to the analysis target data extracted by the analysis target data creation unit.
  • the secondary determination unit has a machine learning device that has learned the pair of the primary determination result obtained by the primary determination unit, the abnormality determination result as the corresponding correct answer, and the cause of the abnormality as a teacher signal, and has a primary determination. It is configured to input a plurality of primary judgment results obtained from common analysis target data in the unit to the machine learning device, and output the secondary judgment result output from the machine learning device and the cause of the estimated abnormality as judgment materials. ..
  • Each process of the analysis target data creation unit, the primary determination unit, and the secondary determination unit may be executed by the computer constituting the abnormality determination support device.
  • the abnormality determination support device is composed of a computer including at least one processor and at least one memory for storing at least one program, and when the program read from the memory is executed by the processor, the processor The program may be configured to operate as an analysis target data creation unit, a primary determination unit, and a secondary determination unit.
  • the primary determination unit converts the analysis target data into a plurality of numerical indexes by applying a plurality of different analysis methods to the analysis target data, and a plurality of numerical indexes. May be configured to output as a plurality of primary determination results.
  • the machine learning device may be configured to input a numerical index obtained by the primary determination unit and to learn using a teacher signal having an actual abnormality determination result and an abnormality cause as a correct answer.
  • the secondary judgment unit inputs a plurality of numerical indexes obtained for each analysis method by the primary judgment unit into the machine learning device, and outputs the abnormality judgment result and the estimated abnormality cause output from the machine learning device as judgment materials. It may be configured in.
  • the primary determination unit converts the analysis target data into a plurality of numerical indexes by applying a plurality of different analysis methods to the analysis target data, and a plurality of numerical indexes.
  • the presence or absence of abnormality and the calculation of the degree of abnormality may be performed based on each of the above, and a plurality of judgment results and the degree of abnormality obtained for each analysis method may be output as a plurality of primary judgment results.
  • the machine learning device may be configured to input the determination result and the degree of abnormality obtained by the primary determination unit and to learn using the teacher signal with the actual abnormality determination result and the cause of the abnormality as the correct answer.
  • the secondary judgment unit inputs a plurality of judgment results and the degree of abnormality obtained for each analysis method by the primary judgment unit into the machine learning device, and uses the abnormality judgment result and the estimated abnormality cause output from the machine learning device as judgment materials. It may be configured to output.
  • the primary determination unit converts the analysis target data into a plurality of numerical indexes by applying a plurality of different analysis methods to the analysis target data, and obtains a plurality of numerical values.
  • the index may be configured to be output as a plurality of primary determination results.
  • the machine learning device uses the numerical index obtained by the primary judgment unit as an input, and learns using a teacher signal whose correct answer is the presence or absence of an abnormality determined from the numerical index and the degree of abnormality calculated from the numerical index. It may be configured in.
  • the secondary judgment unit inputs a plurality of numerical indexes obtained for each analysis method by the primary judgment unit into the machine learning device, and outputs the abnormality judgment result and the estimated abnormality cause output from the machine learning device as judgment materials. It may be configured in.
  • the analysis target data creation unit extracts data in two states, a load state and a non-load state of the manufacturing equipment while the manufacturing equipment is in operation, and further extracts low frequency components from the extracted data. It may be configured to calculate the high frequency component excluding the data as the analysis target data.
  • the primary determination unit converts the analysis target data into a plurality of numerical indexes by applying a plurality of different analysis methods to the analysis target data in each of the load state and the non-load state, and each of the plurality of numerical indexes.
  • the analysis target data creation unit extracts data in two states, a measurement state and a non-measurement state, of the sensor for measuring product quality while the manufacturing equipment is in operation. Further, the high frequency component obtained by removing the low frequency component from the extracted data may be calculated as the analysis target data.
  • the primary determination unit converts the analysis target data into a plurality of numerical indexes by applying a plurality of different analysis methods to the analysis target data in the measurement state and the non-measurement state, respectively, and converts the analysis target data into a plurality of numerical indexes.
  • the presence or absence of abnormality is determined based on each of the above, and if it is abnormal in the measurement state and normal in the non-measurement state, it is judged as an abnormality in product quality, and if it is abnormal in the measurement state and abnormal in the non-measurement state. It may be configured to determine that there is an abnormality in the sensor system that measures product quality or an abnormality in the signal transmission system.
  • the machine learning device is any one of learning by a neural network having one intermediate layer, deep learning by a neural network having a plurality of intermediate layers, and rule-based learning. It may be configured to perform learning by one method.
  • the machine learning device targets a dimensionless variable having no physical unit among the variables indicating the primary determination result obtained by the primary determination unit as a learning target, and the dimensionless variable is manufactured by another manufacturer. It may be configured to be applied to transfer learning from an abnormality determination support device of equipment or transfer learning from an abnormality determination support device of other manufacturing equipment.
  • the abnormality determination support device may further include a data and result storage unit and a display unit.
  • the data and result storage unit records at least one of the analysis target data created by the analysis target data creation unit, the judgment progress and result of the primary judgment unit, and the judgment progress and result of the secondary judgment unit, for example. Configured to save.
  • the display unit is at least one of the time-series signal obtained from the data collection device, the analysis target data created by the analysis target data creation unit, the judgment progress and result of the primary judgment unit, and the judgment progress and result of the secondary judgment unit. It is configured to display one visually.
  • the abnormality determination support device in addition to the primary determination result obtained by the primary determination unit, the secondary determination result by the secondary determination unit and the estimated cause of abnormality can be obtained.
  • the secondary judgment unit the secondary judgment result and the cause of the estimated abnormality are obtained by inputting the plurality of primary judgment results obtained by the primary judgment unit into the machine learning device, so that a highly accurate judgment that does not depend on the analysis method or the threshold value can be performed. It is possible. Therefore, according to the abnormality determination support device according to the present invention, it is possible to assist in accurately determining whether or not an abnormality has occurred in the manufacturing equipment.
  • FIG. 1 It is a figure which shows the system example of the manufacturing equipment to which the abnormality determination support apparatus of embodiment of this invention is applied. It is a block diagram which shows the structure of the abnormality determination support apparatus of embodiment of this invention. It is a figure explaining an example of the processing flow of the analysis target data creation part of embodiment of this invention. It is a table explaining the correspondence relationship between the state of the signal of the numerical index and the estimated equipment abnormality part. It is a figure explaining an example of the processing flow of the primary determination part of the Embodiment of this invention. It is a table explaining the example of the past data accumulation table in embodiment of this invention. It is a figure explaining the control chart in embodiment of this invention. It is a figure explaining the probability density distribution in embodiment of this invention.
  • FIG. 1 is a diagram showing a system example of manufacturing equipment to which the abnormality determination support device according to the embodiment of the present invention is applied.
  • the manufacturing facility 20 to which the abnormality determination support device 2 is applied in the present embodiment is a hot thin sheet rolling line.
  • the hot sheet rolling line is a manufacturing facility 20 including various devices such as a heating furnace 21, rough rolling mills 22 and 23, a bar heater 24, a finishing rolling mill 25, a runout table 26, and a winder 27.
  • the rolled material 100 heated in the heating furnace 21 is rolled by the rough rolling mills 22 and 23.
  • the rolled material 100 rolled by the rough rolling mills 22 and 23 is conveyed to the finishing rolling mill 25 via the bar heater 24.
  • the finish rolling mill 25 has seven rolling stands F1 to F7 arranged in series, and rolls the rolled material 100 to a desired plate thickness.
  • the rolled material 100 rolled by the finish rolling mill 25 is cooled by the runout table 26 and then wound into a coil by the winder 27.
  • a coiled thin plate formed by thinly rolling a rolled material 100 is a final product manufactured by the manufacturing equipment 20.
  • thermometer 30 for measuring the temperature on the inlet side of the finish rolling mill 25
  • sensor 31 for measuring the plate thickness and the plate width
  • thermometer 32 for measuring the temperature on the outlet side of the finish rolling mill 25
  • thermometer 33 for measuring the temperature on the inlet side of the winder 27 and the like are arranged.
  • the manufacturing facility 20 is provided with a data collection device 1.
  • the data collection device 1 includes set values and actual values for each device constituting the manufacturing facility 20, measured values by sensors 30 to 33 arranged in the manufacturing facility 20, and each device.
  • Various data such as the amount of operation for proper operation are continuously or intermittently collected and recorded in a recording device 1a such as a hard disk.
  • the data collection device 1 may be composed of a single computer or a plurality of computers connected to the network.
  • the abnormality determination support device 2 is connected to the data collection device 1 by, for example, a LAN.
  • the abnormality determination support device 2 is a device that assists the user in determining an abnormality in the manufacturing equipment 20. More specifically, the abnormality determination support device 2 is a device that provides the user with determination material for determining whether or not an abnormality has occurred in the manufacturing equipment 20, and collects analysis target data used for determining the abnormality of the manufacturing equipment 20. By extracting from the time-series signal recorded in the sampling device 1, analyzing the data, and providing the analysis result to the user, the abnormality determination performed by the user is supported.
  • the abnormality determination support device 2 is a computer having at least one memory and at least one processor. Various programs and various data used for abnormality determination are stored in the memory.
  • FIG. 2 is a diagram showing the configuration of the abnormality determination support device 2, and the functions of the abnormality determination support device 2 are represented by blocks.
  • the abnormality determination support device 2 includes an analysis target data creation unit 3, a primary determination unit 4, a secondary determination unit 5, an information input unit 6, a data and result storage unit 7, and a display unit 8.
  • the analysis target data creation unit 3, the primary determination unit 4, and the secondary determination unit 5 are realized by the processor as software by executing the program read from the memory by the processor.
  • the information input unit 6, the data and result storage unit 7, and the display unit 8 can be provided separately from the abnormality determination support device 2.
  • the information input unit 6 is, for example, a keyboard
  • the data and result storage unit 7 is, for example, a recording device such as a hard disk
  • the display unit 8 is, for example, a display device.
  • the analysis target data creation unit 3 acquires a time-series signal indicating the state of the manufacturing equipment 20 such as vibration, current, and load from the data collection device 1 and a time-series signal indicating the product quality, and these time-series. Data necessary for analysis and determination performed by the primary determination unit 4 is extracted from the signal. However, since information on whether the manufacturing equipment 20 is abnormal or normal cannot be obtained unless the manufacturing equipment 20 is operating, the analysis target data creation unit 3 extracts the data in which the manufacturing equipment 20 is operating from the time series signal.
  • the analysis target data creation unit 3 extracts data in two states, a loaded state and a non-loaded state. Further, in the sensors 30 to 33 for measuring product quality, data in two states, a measurement state and a non-measurement state, of the product quality measurement sensors 30 to 33 during the operation of the manufacturing equipment 20 are extracted.
  • the analysis target data creation unit 3 transmits all the data extracted from the time series signal to the primary determination unit 4. At that time, the data can be processed so as to be a signal suitable for analysis and determination by the primary determination unit 4. For example, the analysis target data creation unit 3 can calculate the deviation from the high frequency component excluding the low frequency component, that is, the low frequency component from the value of the extracted data itself.
  • the load state signal generally has a large value, while the non-load state signal has a small value, and when the two are compared, the magnitude of the load state signal becomes significant, and the equipment and quality in the non-load state. It becomes difficult to extract the state of. In order to compare the signal in the loaded state and the signal in the unloaded state on the same basis, it is preferable to extract the high frequency component.
  • the processing for the extracted data in addition to the processing for extracting the high frequency component as described above, for example, a processing for reducing the noise of the data by applying a low-pass filter can be applied.
  • FIG. 3 is a diagram illustrating an example of the processing flow of the analysis target data creation unit 3.
  • step S101 when the rolling of the rolled material to be analyzed is completed in the manufacturing facility 20, a time series signal including before and after rolling is acquired from the data collecting device 1.
  • This time-series signal includes data representing the state of the manufacturing equipment 20 and sensor data representing the product quality.
  • step S102 data such as rolling load, rolling torque, electric machine current, and speed of rotating equipment are being rolled (load) for each rolling facility (two rolling mills and seven rolling stands constituting the finishing rolling mill). It is classified into data of (state) and data during non-rolling (non-load state).
  • step S103 sensor data such as plate thickness and plate width indicating product quality are classified into measurement state data and non-measurement state data.
  • step S104 high frequency components are extracted for each of the original data of steps S102 and S103.
  • high-frequency components can be extracted by directly applying a high-pass filter to the original data.
  • the high frequency component can be extracted by applying a low-pass filter to the original data and subtracting the output result of the low-pass filter from the original data.
  • the high frequency component may be referred to as deviation data
  • the original data before extracting the high frequency component may be referred to as absolute value data with respect to the deviation data.
  • the original data means direct data collected from manufacturing equipment such as electric current and rolling load of an electric motor.
  • the data to be analyzed includes both the original data and the deviation data.
  • the original data also includes data converted into deviation data in a sensor or the like.
  • the analysis target data creation unit 3 passes deviation data, which is a high-frequency component, to the primary determination unit 4, and also performs primary determination such as absolute value data, which is the original data, and data in which noise is reduced by applying a low-pass filter to the original data. All of the requested data can be passed to the primary determination unit 4.
  • the primary judgment unit 4 uses a plurality of different analysis methods for the analysis target data classified into a load state and a non-load state, or a measurement state and a non-measurement state in the analysis target data creation unit 3. Apply. Specifically, the primary determination unit 4 converts the analysis target data into a numerical index suitable for determining the number of analysis methods by applying a plurality of different analysis methods to the common analysis target data. Further, the primary determination unit 4 determines the abnormality of the manufacturing equipment 20 and calculates the degree of abnormality based on each of the plurality of numerical indexes, and also determines the abnormality of the product quality and calculates the degree of abnormality.
  • the primary determination unit 4 determines an abnormality based on the characteristics of the numerical index signal.
  • the vibration state of the signal of the numerical index can be mentioned as an example.
  • the vibration of the signal of the numerical index is large, it can be determined to be abnormal, and when the vibration of the signal of the numerical index is small, it can be determined to be normal. Further, by combining the determination based on the signal characteristics in the load state and the determination based on the signal characteristics in the non-load state, it is possible to estimate the abnormal part of the equipment.
  • FIG. 4 is a table explaining the correspondence between the state of the signal of the numerical index and the estimated equipment abnormality location.
  • the state of the signal has the patterns of a1, b1 and c1 shown in the table. If the state of the signal is a1, that is, if the vibration is large (that is, abnormal) in the loaded state and the vibration is small (that is, normal) in the unloaded state, it can be determined that the mechanical system is abnormal.
  • the equipment can be determined to be normal.
  • a2 that is, if the vibration is large (that is, abnormal) in the loaded state and the vibration is small (that is, normal) in the unloaded state
  • the quality is abnormal.
  • the state of the signal is b2, that is, if the vibration is large in the load state and the vibration is large even in the non-load state, it can be determined that the sensor system is abnormal or the signal transmission system is abnormal.
  • the state of the signal is c2, that is, if the vibration is small in the loaded state and the vibration is small even in the unloaded state, the equipment can be determined to be normal.
  • the primary determination unit 4 outputs the numerical index obtained by the above processing and / or the abnormality determination result and the degree of abnormality to the secondary determination unit 5 as the primary determination result.
  • FIG. 5 is a diagram illustrating an example of the processing flow of the primary determination unit 4.
  • the analysis target data is provided by the analysis target data creation unit 3.
  • the data to be analyzed includes types of rolling equipment (including loaded and unloaded states), product quality (including measured and non-measured states), and absolute value data or deviation data.
  • the primary determination unit 4 sorts the data to be analyzed so as to cover all cases such as the 1st stand, rolling load, load, deviation data, 7th stand, motor current, no load, absolute value data, etc. ..
  • step S112 one of a plurality of different analysis methods is selected as the analysis method to be applied to the analysis target data.
  • the details of the analysis method will be described later. For example, a method of obtaining the standard deviation of the data to be analyzed is selected, and the method is applied to the first stand, rolling load, load, and deviation data.
  • a numerical index is generated from the original data (absolute value data) to be analyzed.
  • the standard deviation is calculated from the original data to be analyzed and used as a numerical index.
  • the probability density distribution is calculated from the original data to be analyzed, the difference from the normal distribution based on the data is evaluated by the Kullback-Leibler distance, etc., and this is used as a numerical index.
  • step S114 the average A of m numerical indexes obtained from the past normal data is compared with the numerical index B based on the newly collected analysis target data. Then, the difference between A and B is calculated, or the theory of Hotelling is further applied to calculate the higher numerical index. The details of how to obtain the numerical index will also be described later.
  • step S115 the normality / abnormality of the manufacturing equipment and product quality is determined by the higher numerical index calculated in step S114.
  • the numerical index based on Hotelling's theory is applied to the chi-square distribution to obtain the degree of anomaly (possibility of anomaly).
  • the degree of abnormality is 99% or more, a red alarm is displayed, if it is 95% or more, a yellow alarm is displayed, and if it is in between, a gradation color from red to yellow is displayed.
  • step S116 if all the analysis methods to be applied are covered, the process proceeds to step S118, and if not, the analysis method is changed in step S117.
  • step S118 if the analysis target data is covered, the process is terminated, and if not covered, the analysis target data is changed in step S119.
  • variables that are dimensionless that is, variables that do not have physical units such as mm and kg, are (6) waveform rate, (7) wave height rate, (8) impact index, and (10) skewness. And (11) sharpness.
  • This table has a table for each equipment and product quality item, and also for each absolute value and deviation of the original data, and is classified into steel type classification (TS pieces), plate thickness classification (TT pieces), and plate width classification (T pieces).
  • these divisions may be made finer, and unnecessary divisions may be eliminated.
  • Each cell of the table has m storage areas.
  • the standard deviation calculated from the normal data is stored there as a normal numerical index.
  • the numerical indexes for the past m pieces are extracted.
  • the standard deviation calculated by the data string including the newly collected data to be analyzed is compared with the numerical index extracted from the cell, and the difference is evaluated. As a result of the evaluation, if it is determined that the newly collected analysis target data is normal, the oldest numerical index of the cell is deleted, and the numerical index calculated from the newly collected analysis target data is newly added to this cell. To do.
  • Equation 1 the numerical index of the newly collected data to be analyzed
  • H the index based on Hotelling's theory
  • m past standard deviations are stored as normal numerical indexes in one cell stored in the table of FIG.
  • the mean x_ave and standard deviation ⁇ of the past m numerical indexes (standard deviations) in Equation 2 can be calculated.
  • the standard deviation of the newly collected data to be analyzed is calculated as x in Equation 2.
  • H is a dimensionless value.
  • the value of the chi-square distribution is generally a mathematical table or can be calculated by the following equation 3.
  • ⁇ is a gamma function.
  • FIG. 7 shows an example of a control chart.
  • the control upper limit and the control lower limit are generally set to 3 ⁇ ( ⁇ : standard deviation), and if they exceed them, it is judged to be abnormal.
  • ⁇ standard deviation
  • the ⁇ of the numerical indexes can be calculated.
  • the degree of abnormality is 99.73%.
  • the slightly lower control standard is 2.5 ⁇
  • the degree of abnormality is 97.5%
  • that of 2 ⁇ is 95.4%.
  • the above 2 ⁇ 2, 3 ⁇ 3, etc. are dimensionless values.
  • Equation 4 is the equation of the control upper limit UCL
  • equation 5 is the equation of the control lower limit LCL
  • ⁇ 1 in the equation 6 is the skewness.
  • the past m numerical indexes accumulated in the cells of the same steel type, plate thickness, and plate width as the newly collected data to be analyzed are taken out, and the average value is calculated. .. Calculate the difference between the average value of the past m numerical indicators and the newly collected data to be analyzed, and if the difference is, for example, 3 times the standard deviation, a yellow alarm, 4 times, a red alarm, etc. It is also possible to do. However, it may be necessary to make trial and error in the field to determine how many times to increase. It should be noted that the above three times, four times, 3, 4 and the like are dimensionless values.
  • the probability density distribution represents the probability that the data x will be a certain value in the range when it changes in a certain range, and when all the probabilities in the range are added, it becomes 1 (100%).
  • FIG. 8 shows an example of the probability density distribution of normal data and an example of the probability density distribution of data including abnormal data.
  • the graph (a) of FIG. 8 exemplifies the probability density distribution of only normal data
  • the graph (b) of FIG. 8 exemplifies the probability density distribution of data including abnormal data.
  • the probability density distribution shown in the graph (b) has a larger spread on the horizontal axis than the probability density distribution shown in the graph (a), but the degree of deviation from the normal distribution is also large.
  • the magnitude of the spread on the horizontal axis also appears in the magnitude of the standard deviation shown in the explanation of the above statistics, and therefore appears in the numerical index called the standard deviation.
  • the degree of deviation from the normal distribution is considered.
  • Equation 7 is an equation of the Kullback-Leibler distance (Kullback-Leibler Divergence) D KL
  • Formula 8 is a formula for the error square sum D SQ
  • Equation 9 in calculations of error absolute value sum D ABS is there.
  • P A (x) is actual probability density taking the original data x
  • P N (x) is a normal distribution.
  • the target data x is not absolute value data but deviation data. Since the deviation data has a strong high frequency component, it can be regarded as almost noise. Generally, the noise is mostly white noise, and its distribution is normally distributed. However, if the original data contains a noise signal due to some abnormality, the deviation data is likely to have a distribution different from the normal distribution, and an attempt is made to detect it.
  • the Kullback-Leibler distance D KL is used as a numerical index
  • a table similar to the table shown in FIG. 6 is prepared, and the D KL calculated for normal data is used. Is stored. When new data comes in there, the D KL is calculated and compared with the past normal m D KLs to determine normal / abnormal.
  • the Hotelling theory and the control chart determination method described above can be used. The same applies when the error squared sum D SQ and the error absolute value sum D ABS are used.
  • the numerical indexes that can be used in the second example of the analysis method are not limited to these numerical indexes D KL , DSQ , and D ABS . Further, as described as yet another determination method in the first example of the analysis method, the degree of abnormality can be manually set and determined.
  • Third Example of Analysis Method As a third example of the analysis method, a method of calculating the probability density distribution for each of the maximum value and the minimum value of the deviation data and using the difference from the Rayleigh distribution as a numerical index will be described.
  • the distribution of the data at the normal time is not a normal distribution but a Rayleigh distribution as shown in FIG.
  • the calculation of the numerical index and the normal / abnormal determination method are the same as described above.
  • the above probability density value is a dimensionless value.
  • the regression model expresses the relationship between the dependent variable and the independent variable in the form of a first-order polynomial, for example, and the dependent variable and the independent variable may be different variables.
  • the dependent variable is the rolling load
  • a regression model can be created with the independent variables as the deformation resistance, rolling speed, and material temperature.
  • the dependent variable and the independent variable have the same data type, but the dependent variable is the current value, and the independent variable uses the past value. For example, it corresponds to identifying the rolling load by its own value in the past (rolling load).
  • the autoregressive model is represented by, for example, Equation 10 below.
  • ⁇ is white noise
  • ⁇ K-1 is an autoregressive coefficient.
  • the value of the autoregressive coefficient is a dimensionless value.
  • FIG. 10 shows an example of changes in the autoregressive coefficient of the autoregressive model.
  • the horizontal axis 0 means the value of the constant term ⁇ 0
  • the horizontal axis k (k is a natural number) means the coefficient ⁇ k of the value k before.
  • the vertical axis is the coefficient value.
  • the line shown in FIG. 10 also includes the result of identification by the abnormal data. If the time to be identified is constant (fixed value of 12 in this case) and normal data is targeted, the autoregressive coefficient is likely to continue to be almost constant, but some in FIG. The line behaves differently than the other lines, which is due to anomalous data. Therefore, when the value of the coefficient identified by the autoregressive model is different from the value of the coefficient identified by the past normal data, it can be determined that something is wrong.
  • a numerical index based on the past value of the normal original data is calculated, and a new numerical index based on the newly added data is calculated based on the numerical index.
  • it is possible to determine normal / abnormal by calculating a numerical index based on the data obtained from the similar facility and comparing it with the numerical index based on the data obtained from the target facility. it can.
  • the axial direction of the rolled material represents the transition of time. This axial comparison is a method of comparing with the past m values described above.
  • comparison can also be made in the axial direction of the equipment. If the numerical index shows different behavior from other equipment, it can be judged as abnormal.
  • the selection of the analysis method, the calculation method of the numerical index, and the judgment of normal / abnormal are the same as those described above.
  • the primary determination unit 4 calculates a numerical index for each manufacturing facility and each product quality for each analysis method, determines normality / abnormality based on the numerical index, and calculates the degree of abnormality. Will be done.
  • FIG. 12 is a diagram showing a first example of a machine learning device included in the secondary determination unit 5.
  • the numerical index of the primary determination unit is the input 121 to the machine learning device 122
  • the normal or abnormal determination result (secondary determination result) and the estimated abnormality cause are the output 123.
  • the input 121 and the resulting output 123 are given to the machine learning device 122 as a pair of teacher signals.
  • the output 123 is used as the determination result.
  • the primary determination unit 4 there are a plurality of types of analysis methods, and there are also a plurality of numerical indexes calculated from them. Therefore, even if the same target data is used, the judgment of normality / abnormality of equipment and quality may differ depending on the case. This means that the events that we are good at may differ depending on the analysis method, and the judgment result may differ depending on the boundary between normal and abnormal, that is, how to set the threshold value of whether it is abnormal or not. is there.
  • the learning function in the secondary determination unit 5 uses the input 121 as a plurality of numerical indexes output by the primary determination unit 4 at the learning stage.
  • the machine learning device 122 has a causal relationship such as learning by a neural network having one intermediate layer, deep learning by a neural network having a plurality of intermediate layers, or event A occurring by cause C with a probability of B. It has a rule-based learning method that describes.
  • the output 123 indicates the determination of normality or abnormality and the estimation result of the cause of the abnormality.
  • FIG. 13 shows an example of a learning mode in the machine learning device 122.
  • the information input unit 6 lists hierarchical cause candidates such as the location of the equipment as shown in the table of FIG. 13, the abnormality cause-1 indicating the outline cause, and the abnormality cause-2 indicating the detailed cause.
  • the number of layers is not limited to two. It also has an editing function so that a person skilled in the art can newly input (13 or later in FIG. 13) or correct the cause.
  • the input by the information input unit 6 shall be performed by a person skilled in the art related to the target manufacturing equipment such as a rolling mill, that is, an operator or an engineer who has sufficient knowledge about the target manufacturing equipment.
  • a person skilled in the art can use the input numerical index while referring to the table of FIG. 13 as an abnormality cause-1 or a further abnormality cause.
  • the pair of the input numerical index and the abnormality cause-1 or the abnormality cause-2 is used as a teacher signal for learning the machine learning device 122.
  • FIG. 14 shows how the data of a certain target manufacturing facility changes in a management diagram, and the relationship with the artificial action is shown in the diagram. It is assumed that some kind of target manufacturing equipment is approached at t1 and the data begins to move toward outliers in the positive direction. It is assumed that the primary determination unit 4 indicates that the numerical index has exceeded the management upper limit three times, and a person skilled in the art has made some action at the time of t2. Furthermore, it is assumed that some kind of action is taken even at the time of t3. In this case, it is highly probable that the action performed at t1 was the cause of the abnormality, and it is considered that the action performed at t2 was a measure to eliminate the abnormality. The work done at t3 has not had much effect.
  • the input 121 when the machine learning device 122 learns is the equipment and quality when the numerical index exceeds the management upper limit three times, and the value of the numerical index at that time, and the teacher signal works in FIG.
  • the operation diary may be a paper or an electronic operation diary. In the case of an electronic operation diary, these actions can be incorporated into the system relatively easily. In a paper operation diary, it is necessary to convert the description into electronic information.
  • FIG. 15 is a diagram showing a second example of the machine learning device included in the secondary determination unit 5.
  • the input 131 from the primary determination unit 4 is not a numerical index but a result of determining normality or abnormality and the degree of abnormality.
  • the input is different between the first example and the second example, but the others are the same.
  • the input 131 from the primary determination unit 4 is not a numerical index but a result of determining normality / abnormality
  • the threshold value used for the normal / abnormal determination in the primary determination unit 4 is changed, the normal / abnormal determination is made. Results can vary significantly. If that happens, you will have to start over from the beginning.
  • the weight for the degree of abnormality is increased according to the normal / abnormal determination result of the primary determination unit 4 for learning.
  • Equation 2 which is an index of Hotelling theory is used
  • the value of the chi-square distribution corresponds to the degree of anomaly.
  • H (x) 3.0
  • the value of the chi-square distribution is 0.051, so the probability of being normal is 0.051, that is, the probability of being abnormal is 0.949, and 0.949.
  • the degree of abnormality is not affected by the change of the threshold value set by the primary determination unit 4.
  • the number and types of abnormal data are very small compared to the number and types of normal data, and it generally takes a lot of time to collect cases showing abnormalities. is there. That is, in order for the machine learning device 122 of the first example shown in FIG. 12 and the machine learning device 132 of the second example shown in FIG. 15 to learn, the frequency of obtaining a teacher signal in which an input including an abnormal state and a correct answer are paired. Is small, and it takes time to have sufficient learning ability.
  • the machine learning device 137 of the third example shown in FIG. 16 is used.
  • a plurality of numerical indexes output by the primary determination unit 4 are input, and the normal / abnormal determination of the manufacturing equipment and product quality output from the primary determination unit 4 is performed.
  • a teacher signal is used with the result and the degree of abnormality as the correct answer.
  • a plurality of numerical indexes by the primary determination unit 4 are input 136, and the normal / abnormal determination result and the degree of abnormality of the manufacturing equipment and the product quality are extracted as the output 138.
  • the machine learning device 137 learned at the stage where there are few abnormal cases mainly inputs normal data the feature of determining normality is larger than that of determining abnormalities. If abnormal data comes in there, it is judged to be abnormal because it is different from normal. As the number of abnormal cases increases, machine learning becomes more sophisticated by inserting and learning the input / output relationships as described with reference to FIGS. 12 and 15 in the teacher signal.
  • Transfer learning of machine learning equipment can be applied as a countermeasure when there are few abnormal data.
  • transfer learning is a method used when sufficient learning data is not yet accumulated in machine learning, and the result of learning at another place or at another opportunity (machine learning, for example, the connection weight inside the neural network) is applied.
  • machine learning for example, the connection weight inside the neural network
  • This is a method that can be used for machine learning.
  • the original data string X represented by the formula 1 is obtained in the manufacturing facility A, the characteristics of the manufacturing facility A are strongly reflected in the original data string X.
  • the manufacturing facility A is a factory that mass-produces more than the manufacturing facility B and rolls more hard steel grades, the rated capacity of the electric motor of the manufacturing facility A is usually larger than that of the manufacturing facility B.
  • the motor current and the like are all obtained as large values, and when machine learning is performed using them directly, even if the learning results can be used in the manufacturing facility A, they are often not suitable for the manufacturing facility B. ..
  • the normalization method is to calculate the average and standard deviation of the original data and correct the input and output so that the average is 0 and the standard deviation is 1, or to find the maximum and minimum values of the original data and set the range.
  • the data of the manufacturing facility B with few abnormal data may not be able to sufficiently express the characteristics of the manufacturing facility B due to the normalization because the distribution range of the original data is narrow.
  • the original data obtained from the manufacturing equipment is not used as it is for learning, but the dimensionless variables are used for learning.
  • the numerical index is calculated using the past normal data.
  • dimensionless variables such as waveform rate, crest factor, impact index, skewness, sharpness, probability density distribution and normal distribution difference evaluated by equations 7 to 9, and basic statistics. Since the values obtained by calculating the difference between all or the probability density distribution and the normal distribution using the index of Hoteling theory are dimensionless, learning is performed using these. Then, the result learned in the manufacturing facility A can be directly diverted to the manufacturing facility B or another manufacturing facility without being corrected, so that the transfer learning can be easily performed. That is, a small amount of abnormal data can be effectively and easily used in each manufacturing facility.
  • the data and result storage unit 7 stores the analysis target data created by the analysis target data creation unit 3, the judgment progress and result of the primary judgment unit 4, and the judgment progress and result of the secondary judgment unit 5 in a storage device such as a hard disk. save. This is so that the reason and grounds for the judgment can be extracted later.
  • the display unit 8 is a time-series signal obtained from the manufacturing equipment, a time-series signal indicating product quality, analysis target data created by the analysis target data creation unit 3, determination progress and result of the primary determination unit 4, and secondary determination unit.
  • the judgment progress and result of 5 are visually displayed.
  • the graph shown in FIG. 17 is an example in which 14 Kullback-Leibler indexes are calculated for the data of four rolled materials and their transitions are plotted three-dimensionally.
  • the eighth index of the fourth rolled material is by far the largest, and it can be seen that it is necessary to pay attention to this numerical index.
  • Data collection device 2 Abnormality judgment support device 3: Analysis target data creation unit 4: Primary judgment unit 5: Secondary judgment unit 6: Information input unit 7: Data and result storage unit 8: Display unit 20: Manufacturing equipment 122 , 132, 137: Machine learning device

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Computer Interaction (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • General Factory Administration (AREA)

Abstract

異常判定支援装置は、解析対象データ作成部、一次判定部、及び二次判定部を備える。解析対象データ作成部は、製造設備のデータ採取装置から製造設備の状態又は製品品質の少なくとも一方を表す時系列信号を取得し、時系列信号から解析対象データを抽出する。一次判定部は、抽出された解析対象データに複数種類の異なる解析方法を適用することによって、共通の解析対象データから複数の一次判定結果を導出する。二次判定部は、一次判定部で得られた一次判定結果とそれに対応する正解としての異常判定結果及び異常原因との対を教師信号として学習された機械学習装置を有し、一次判定部において共通の解析対象データから得られた複数の一次判定結果を機械学習装置に入力し、機械学習装置から出力される二次判定結果及び推定異常原因を判断材料として出力する。

Description

異常判定支援装置
　本発明は、製品を製造することに関与する製造設備において，製造設備自体や製品品質が正常か異常かを判定することを支援する装置に関する。
　製造業における製造設備として、圧延機、加工機、組み立て機など多くの設備が存在する。例えば板材を製造する圧延機は、鉄鋼材料やアルミ・銅などの非鉄材料の塊を圧延し薄くすることで、自動車や電機製品への加工を容易にする。圧延機では、例えば粗圧延機が２台、仕上圧延機が７台あり、上下の圧延ロールを駆動するための大容量電動機、ロールと電動機を結ぶシャフトなど、細かい仕様は異なるものの装置の構成は似ている場合が多い。
　これらの製造設備に対しては安定かつ高速で製品を製造する要求が強く、製造設備の故障による生産阻害を避けるべく、製造設備の不具合や異常を事前に知らせる技術が求められている。このため、対象とする設備の信号を集め、その信号から正常か異常かを判定することが一般に行われている。そのような技術に関する公知文献としては、下記の特許文献１、特許文献２、特許文献３を例示することができる。
　特許文献１には、回転機の電流の振幅を用いて、２つの指標で異常の有無を特定する方法が記載されている。特許文献１に記載の方法によれば、予め設定した判定基準を超えたかどうかにより、異常か否かの判定が行われる。ただし、機械学習など学習による判断力の強化は記載されていない。
　特許文献２には、回転機の電流を用いて異常を診断する方法が記載されている。しかし、特許文献１と同様に、その診断方法はある指標が閾値を超えたかどうか判定するものである。また、機械学習も適用できるとの記述はあるものの、具体的な方法についての言及はない。
　特許文献３には、診断対象のモデルを正常時のデータを用いた回帰分析などにより予め作成しておき、現在のデータから作成したモデルとの差を評価して、異常かどうかを判定することが記載されている。特許文献３に記載の方法も、予め設定した閾値を超えたか否かにより異常かどうかを判定する方法である。
　正常か異常かの判定において現実的に最も難しいことの一つに、正常と異常の境界、すなわち異常か否かの閾値をどう設定するかという問題がある。閾値の設定によっては、正常が異常と判定されたり、異常が正常と判定されたりすることも起こりうる。一旦閾値を決め、正常と異常を判断した結果は、その後閾値を変更することにより、正常と異常の判定が変わってしまう。
　また、正常か異常かを判定するために、いくつかの解析方法が用いられている。例えば基本的な統計量（平均、最大・最小、標準偏差、歪度、尖度など）、確率密度関数の形の認識などがある。また高速フーリエ変換（ＦＦＴ）やウェーブレット変換により振動の幅（振幅）と周波数との関係を定量化することもできる。
　しかし、これらの解析方法が複数あることにより、また上記閾値の決め方により、判定結果が定まらないという問題が生じる。つまり、ある解析方法により出力された指標とそのために設定された閾値によれば正常と判定されたが、別の解析方法により出力された指標とそのために設定された閾値によれば異常と判定されるという、相反する判定結果が生じる場合がある。
　また、一般に、正常データの数と種類に比べて、異常データの数と種類は非常に少なく、異常であることを示す事例を集めるのに多くの時間がかかることが一般的である。
特許第５８２８９４８号公報 特開２０１９－０２０２７８号公報 特開２０１９－０１６０３９号公報
　本発明はこのような課題に鑑みてなされたものであり、製造設備において異常が生じているか精度よく判定することを支援する異常判定支援装置を提供することを目的とする。
　本発明に係る異常判定支援装置は、製造設備において異常が生じているか判定するための判断材料を提供する異常判定支援装置であって、解析対象データ作成部、一次判定部、及び二次判定部を備える。解析対象データ作成部は、製造設備のデータ採取装置から製造設備の状態又は製品品質の少なくとも一方を表す時系列信号を取得し、時系列信号から解析対象データを抽出するように構成される。一次判定部は、解析対象データ作成部で抽出された解析対象データに複数種類の異なる解析方法を適用することによって、共通の解析対象データから複数の一次判定結果を導出するように構成される。そして、二次判定部は、一次判定部で得られた一次判定結果とそれに対応する正解としての異常判定結果及び異常原因との対を教師信号として学習された機械学習装置を有し、一次判定部において共通の解析対象データから得られた複数の一次判定結果を機械学習装置に入力し、機械学習装置から出力される二次判定結果及び推定異常原因を判断材料として出力するように構成される。
　解析対象データ作成部、一次判定部、及び二次判定部の各処理は、異常判定支援装置を構成するコンピュータに実行させてもよい。つまり、異常判定支援装置を、少なくとも一つのプロセッサと、少なくとも一つのプログラムを記憶する少なくとも一つのメモリとを備えるコンピュータで構成し、メモリから読み出されたプログラムがプロセッサで実行されたときに、プロセッサが解析対象データ作成部、一次判定部、及び二次判定部として動作するようにプログラムを構成してもよい。
　本発明に係る異常判定支援装置の一つの形態では、一次判定部は、解析対象データに複数種類の異なる解析方法を適用することによって解析対象データを複数の数値指標に変換し、複数の数値指標を複数の一次判定結果として出力するように構成されてもよい。機械学習装置は、一次判定部で得られた数値指標を入力とし、実際の異常判定結果及び異常原因を正解とする教師信号を用いて学習されるように構成されてもよい。二次判定部は、一次判定部で解析方法ごとに得られた複数の数値指標を機械学習装置に入力し、機械学習装置から出力される異常判定結果及び推定異常原因を判断材料として出力するように構成されてもよい。
　本発明に係る異常判定支援装置の別の形態では、一次判定部は、解析対象データに複数種類の異なる解析方法を適用することによって解析対象データを複数の数値指標に変換し、複数の数値指標のそれぞれに基づき異常の有無の判定と異常度合いの計算とを行い、解析方法ごとに得られた複数の判定結果及び異常度合を複数の一次判定結果として出力するように構成されてもよい。機械学習装置は、一次判定部で得られた判定結果及び異常度合いを入力とし、実際の異常判定結果及び異常原因を正解とする教師信号を用いて学習されるように構成されてもよい。二次判定部は、一次判定部で解析方法ごとに得られた複数の判定結果及び異常度合いを機械学習装置に入力し、機械学習装置から出力される異常判定結果及び推定異常原因を判断材料として出力するように構成されてもよい。
　本発明に係る異常判定支援装置のさらに別の形態では、一次判定部は、解析対象データに複数種類の異なる解析方法を適用することによって解析対象データを複数の数値指標に変換し、複数の数値指標を複数の一次判定結果として出力するように構成されてもよい。機械学習装置は、一次判定部で得られた数値指標を入力とし、数値指標から判定される異常の有無と数値指標から計算される異常度合いとを正解とする教師信号を用いて学習されるように構成されてもよい。二次判定部は、一次判定部で解析方法ごとに得られた複数の数値指標を機械学習装置に入力し、機械学習装置から出力される異常判定結果及び推定異常原因を判断材料として出力するように構成されてもよい。
　本発明に係る異常判定支援装置において、解析対象データ作成部は、製造設備が稼働中における製造設備の負荷状態と非負荷状態の２つの状態におけるデータを抽出し、さらに抽出したデータから低周波数成分を除いた高周波数成分を解析対象データとして算出するように構成されてもよい。この場合、一次判定部は、負荷状態と非負荷状態のそれぞれにおける解析対象データに複数種類の異なる解析方法を適用することによって解析対象データを複数の数値指標に変換し、複数の数値指標のそれぞれに基づき異常の有無の判定を行い、負荷状態で異常かつ非負荷状態で正常であれば機械系の異常と判定し、負荷状態で異常かつ非負荷状態で異常であれば電気系の異常、信号伝達系の異常、又は制御系の異常と判定するように構成されてもよい。
　また、本発明に係る異常判定支援装置において、解析対象データ作成部は、製造設備の稼働中における製品品質測定用のセンサの測定時状態と非測定時状態の２つの状態におけるデータを抽出し、さらに抽出したデータから低周波数成分を除いた高周波数成分を解析対象データとして算出するように構成されてもよい。この場合、一次判定部は、測定時状態と非測定時状態のそれぞれにおける解析対象データに複数種類の異なる解析方法を適用することによって解析対象データを複数の数値指標に変換し、複数の数値指標のそれぞれに基づき異常の有無の判定を行い、測定時状態で異常かつ非測定時状態で正常であれば製品品質の異常と判定し、測定時状態で異常かつ非測定時状態で異常であれば製品品質を測定するセンサ系の異常、又は信号伝達系の異常と判定するように構成されてもよい。
　本発明に係る異常判定支援装置において、機械学習装置は，中間層が１つであるニューラルネットワークによる学習、中間層が複数から成るニューラルネットワークによる深層学習、及びルールベースの学習のうちの何れか一つの方法により学習を行うように構成されてもよい。
　本発明に係る異常判定支援装置において、機械学習装置は、一次判定部で得られた一次判定結果を示す変数のうち物理単位を持たない無次元変数を学習対象とし、無次元変数は他の製造設備の異常判定支援装置への転移学習、又は他の製造設備の異常判定支援装置からの転移学習に適用されるように構成されてもよい。
　本発明に係る異常判定支援装置は、データ及び結果保存部や表示部をさらに備えてもよい。データ及び結果保存部は、例えば、解析対象データ作成部により作成された解析対象データ、一次判定部の判定経過及び結果、二次判定部の判定経過及び結果のうちの少なくとも一つを記録装置に保存するように構成される。表示部は、データ採取装置から得られる時系列信号、解析対象データ作成部により作成された解析対象データ、一次判定部の判定経過及び結果、二次判定部の判定経過及び結果のうちの少なくとも一つを視覚的に表示するように構成される。
　本発明に係る異常判定支援装置によれば、一次判定部で得られる一次判定結果に加え、二次判定部による二次判定結果及び推定異常原因が得られる。二次判定部では一次判定部で得られた複数の一次判定結果を機械学習装置に入力することにより二次判定結果及び推定異常原因を得るので、解析方法や閾値に依存しない精度の高い判定が可能である。ゆえに、本発明に係る異常判定支援装置によれば、製造設備において異常が生じているか精度よく判定することを支援することができる。
本発明の実施の形態の異常判定支援装置が適用される製造設備のシステム例を示す図である。 本発明の実施の形態の異常判定支援装置の構成を示すブロック図である。 本発明の実施の形態の解析対象データ作成部の処理フローの一例を説明する図である。 数値指標の信号の様子と推定される設備異常個所との対応関係を説明する表である。 本発明の実施の形態の一次判定部の処理フローの一例を説明する図である。 本発明の実施の形態における過去データ蓄積テーブルの例を説明する表である。 本発明の実施の形態における管理図を説明する図である。 本発明の実施の形態における確率密度分布を説明する図である。 本発明の実施の形態における確率密度分布、特にレイリー分布を説明する図である。 本発明の実施の形態における自己回帰モデルの自己回帰係数の変化を説明する図である。 本発明の実施の形態における類似設備ごとの比較を説明する図である。 本発明の実施の形態の機械学習装置の第１例を示す図である。 本発明の実施の形態の機械学習装置における学習の態様例を説明する図である。 対象製造設備データの動きと人為的な働きかけを説明する図である。 本発明の実施の形態の機械学習装置の第２例を示す図である。 本発明の実施の形態の機械学習装置の第３例を示す図である。 本発明の実施の形態における表示例を示す図である。
　図面を参照して、本発明の実施の形態を説明する。ただし、以下に示す実施の形態は、本発明の技術的思想を具体化するための装置や方法を例示するものであって、特に明示する場合を除き、構成部品の構造や配置、処理の順序などを下記のものに限定する意図はない。本発明は以下に示す実施の形態に限定されるものではなく、本発明の趣旨を逸脱しない範囲で種々変形して実施することができる。
１．製造設備のシステム例
　図１は、本発明の実施の形態の異常判定支援装置が適用される製造設備のシステム例を示す図である。本実施の形態において異常判定支援装置２が適用されている製造設備２０は、熱間薄板圧延ラインである。熱間薄板圧延ラインは、加熱炉２１、粗圧延機２２，２３、バーヒータ２４、仕上圧延機２５、ランアウトテーブル２６、巻き取り機２７などの各種の装置からなる製造設備２０である。
　加熱炉２１で熱せられた圧延材１００は、粗圧延機２２，２３により圧延される。粗圧延機２２，２３で圧延された圧延材１００は、バーヒータ２４を経て、仕上圧延機２５へ搬送される。仕上圧延機２５は、直列に並べられた７台の圧延スタンドＦ１～Ｆ７を有し、圧延材１００を所望の板厚まで圧延する。仕上圧延機２５で圧延された圧延材１００は、ランアウトテーブル２６で冷却された後、巻き取り機２７によってコイル状に巻き取られる。圧延材１００を薄く圧延してできたコイル状の薄板が製造設備２０により製造される最終的な製品である。
　製造設備２０には、製品品質に関係する物理量を測定する種々のセンサが配置されている。例えば、仕上圧延機２５の入側の温度を計測するための温度計３０、板厚及び板幅を計測するためのセンサ３１、仕上圧延機２５の出側の温度を計測するための温度計３２、巻き取り機２７の入側の温度を計測するための温度計３３などが配置されている。
　製造設備２０には、データ採取装置１が設けられている。データ採取装置１は、製品の品質を担保或いは管理するため、製造設備２０を構成する各装置に対する設定値や実績値、製造設備２０に配置された各センサ３０～３３による測定値、各装置を適正に動作させるための操作量などの各種のデータを連続的に又は間欠的に収集し、ハードディスクなどの記録装置１ａに記録している。なお、データ採取装置１は、単一のコンピュータで構成してもよいし、ネットワークに接続された複数のコンピュータで構成してもよい。
２．異常判定支援装置の概要
　異常判定支援装置２は、例えばＬＡＮによってデータ採取装置１に接続されている。異常判定支援装置２は、ユーザによる製造設備２０の異常判定を支援する装置である。より詳しくは、異常判定支援装置２は、製造設備２０において異常が生じているか判定するための判断材料をユーザに対して提供する装置であり、製造設備２０の異常判定に用いる解析対象データをデータ採取装置１に記録された時系列信号から抽出し、解析し、その解析結果をユーザに対して提供することにより、ユーザが行う異常判定を支援する。異常判定支援装置２は、少なくとも１つのメモリと少なくとも１つのプロセッサとを有するコンピュータである。メモリには、異常判定に用いる各種のプログラムや各種のデータが記憶されている。
　図２は、異常判定支援装置２の構成を示す図であって、異常判定支援装置２が有する機能がブロックで表されている。異常判定支援装置２は、解析対象データ作成部３、一次判定部４、二次判定部５、情報入力部６、データ及び結果保存部７、及び表示部８を備えている。これらの要素のうち解析対象データ作成部３、一次判定部４、及び二次判定部５は、メモリから読みだされたプログラムがプロセッサで実行されることによって、プロセッサによりソフトウェア的に実現される。一方、情報入力部６、データ及び結果保存部７、及び表示部８は異常判定支援装置２とは別に設けることもできる。情報入力部６は例えばキーボードであり、データ及び結果保存部７は例えばハードディスクなどの記録装置であり、表示部８は例えばディスプレイ装置である。
３．異常判定支援装置の機能
３－１．解析対象データ作成部
　解析対象データ作成部３は、データ採取装置１から振動、電流、荷重などの製造設備２０の状態を表す時系列信号及び製品品質を表す時系列信号を取得し、それら時系列信号から一次判定部４で行う解析や判定に必要なデータを抽出する。ただし、製造設備２０が稼働していないと異常か正常かの情報は得られないので、解析対象データ作成部３は製造設備２０が稼働中のデータを時系列信号から抽出する。
　また、製造設備２０の稼働中においても、例えば圧延設備における圧延中の状態、すなわち負荷がかかっている状態（負荷状態）と、圧延していない状態、すなわち負荷がかかっていない状態（非負荷状態）とでは、異常時の信号の振る舞いに違いがある。ゆえに、解析対象データ作成部３は、負荷状態と非負荷状態との２つの状態におけるデータを抽出する。また、製品品質を測定するセンサ３０～３３においては、製造設備２０の稼働中における製品品質測定用のセンサ３０～３３の測定時状態と非測定時状態の２つの状態におけるデータを抽出する。
　解析対象データ作成部３は、時系列信号から抽出したデータの全てを一次判定部４へ送信する。その際、一次判定部４での解析や判定に適した信号になるようにデータを処理することもできる。例えば、解析対象データ作成部３は、抽出したデータそのものの値から、低周波数成分を除いた高周波成分すなわち低周波数成分からの偏差を算出することができる。負荷状態の信号は一般に大きな値であるのに対し、非負荷状態の信号は小さな値であり、その２つを比較すると、負荷状態の信号の大きさが有意となり、非負荷状態における設備や品質の状態を抽出しにくくなる。負荷状態の信号と非負荷状態の信号とを同じ基準で比較するためには、高周波成分を取り出すことが好ましい。同様のことはセンサの測定時状態の信号と非測定時状態の信号との関係についても言える。抽出したデータに対する処理としては、上記のように高周波成分を取り出す処理の他、例えばローパスフィルタをかけてデータのノイズを低減する処理を適用することもできる。
　図３は、解析対象データ作成部３の処理フローの一例を説明する図である。ステップＳ１０１では、製造設備２０において解析対象の圧延材の圧延が完了すると、圧延前後を含む時系列信号をデータ採取装置１から取得する。この時系列信号には、製造設備２０の状態を表すデータと製品品質を表すセンサデータとが含まれている。
　ステップＳ１０２では、圧延設備（２台の粗圧延機及び仕上圧延機を構成する７台の圧延スタンド）ごとに、圧延荷重、圧延トルク、電動機電流、回転機器の速度などのデータを圧延中（負荷状態）のデータと非圧延中（非負荷状態）のデータとに分類する。ステップＳ１０３では、製品品質を示す板厚、板幅などのセンサデータを、測定時状態のデータと非測定時状態のデータとに分類する。
　ステップＳ１０４では、ステップＳ１０２及びＳ１０３の原データのそれぞれについて高周波成分を取り出す。例えば、原データに直接ハイパスフィルタを掛けることにより高周波成分を取り出すことができる。或いは、原データにローパスフィルタを掛け、原データからローパスフィルタの出力結果を差し引くことにより高周波成分を取り出すこともできる。本明細書では、高周波成分を偏差データと呼び、高周波成分を取り出す前の原データを偏差データに対して絶対値データと呼ぶ場合がある。本明細書において原データとは、電動機の電流、圧延荷重など製造設備から採取される直接的なデータを意味する。解析対象データには原データと偏差データの両方が含まれる。また、原データには絶対値データのほか、センサ等の中で偏差データに変換されたものも含まれる。解析対象データ作成部３は、高周波成分である偏差データを一次判定部４に渡すほか、原データである絶対値データや、原データにローパスフィルタをかけてノイズを低減したデータ等、一次判定で要求されるデータの全てを一次判定部４に渡すことができる。
３－２．一次判定部
　一次判定部４は、解析対象データ作成部３において負荷状態と非負荷状態、或いは測定時状態と非測定時状態とに分類された解析対象データに対し、複数種類の異なる解析方法を適用する。詳しくは、一次判定部４は、複数種類の異なる解析方法を共通の解析対象データに適用することで、解析対象データを解析方法の数の判定に適する数値指標に変換する。また、一次判定部４は、複数の数値指標のそれぞれに基づき製造設備２０の異常の判定と異常度合の計算とを行い、また、製品品質の異常の判定と異常度合の計算とを行う。
　一次判定部４は、数値指標の信号が有する特徴に基づいて異常を判定する。異常を判定するための数値指標の信号の特徴として、数値指標の信号の振動状態を一例として挙げることができる。数値指標の信号の振動が大の場合には異常であり、数値指標の信号の振動が小の場合には正常であると判定することができる。また、負荷状態における信号の特徴に基づく判定と、非負荷状態における信号の特徴に基づく判定とを組み合わせることで、設備の異常個所を推定することができる。
　図４は、数値指標の信号の様子と推定される設備異常個所との対応関係を説明する表である。製造設備の状態に関する数値指標の信号の場合、信号の様子には表に示すａ１，ｂ１，ｃ１のパターンがある。信号の様子がａ１の場合、すなわち、負荷状態で振動大（すなわち異常）かつ非負荷状態で振動小（すなわち正常）であれば、機械系の異常と判定することができる。信号の様子がｂ１の場合、すなわち、負荷状態で振動大かつ非負荷状態でも振動大であれば、電気系の異常、信号伝達系の異常、又は制御系の異常と判定することができる。信号の様子がｃ１の場合、すなわち、負荷状態で振動小かつ非負荷状態でも振動小であれば、設備は正常と判定することができる。
　製品品質に関する数値指標の信号の場合、信号の様子には表に示すａ２，ｂ２，ｃ２のパターンがある。信号の様子がａ２の場合、すなわち、負荷状態で振動大（すなわち異常）かつ非負荷状態で振動小（すなわち正常）であれば、品質の異常と判定することができる。信号の様子がｂ２の場合、すなわち、負荷状態で振動大かつ非負荷状態でも振動大であれば、センサ系の異常、又は信号伝達系の異常と判定することができる。信号の様子がｃ２の場合、すなわち、負荷状態で振動小かつ非負荷状態でも振動小であれば、設備は正常と判定することができる。
　一次判定部４は、上記処理により得られた数値指標、及び／又は、異常判定結果及び異常度合を一次判定結果として二次判定部５へ出力する。
　図５は、一次判定部４の処理フローの一例を説明する図である。まず、ステップＳ１１１では、解析対象データ作成部３から解析対象データの提供を受ける。解析対象データには、圧延設備ごと（負荷状態と非負荷状態とを含む）、製品品質ごと（測定時状態と非測定時状態とを含む）、絶対値データか偏差データかの種別がある。一次判定部４は、例えば、１番スタンド・圧延荷重・負荷時・偏差データ、７番スタンド・電動機電流・非負荷時・絶対値データなど、すべての場合を網羅するように解析対象データを仕分ける。
　ステップＳ１１２では、解析対象データに適用する解析方法を複数種類の異なる解析方法の中から１つ選択する。解析方法の詳細は後述するが、例えば、解析対象データの標準偏差を求めるという方法を選択し、その方法を１番スタンド・圧延荷重・負荷時・偏差データに適用する。
　ステップＳ１１３では、解析対象の原データ（絶対値データ）から数値指標を生成する。例えば、解析対象の原データから標準偏差を計算し、それを数値指標とする。別の例としては、解析対象の原データから確率密度分布を計算し、そのデータに基づく正規分布との差をカルバック・ライブラー距離などで評価し、それを数値指標とする。
　ステップＳ１１４では、過去の正常なデータから得られたｍ個の数値指標の平均Ａと、新たに採取した解析対象データによる数値指標Ｂとを比較する。そして、ＡとＢとの差を算出し、又はさらにHotellingの理論などを適用して、上位の数値指標を計算する。数値指標の求め方の詳細についても後述する。
　ステップＳ１１５では、ステップＳ１１４で算出した上位の数値指標により、製造設備及び製品品質の正常／異常を判定する。例えば、Hotellingの理論による数値指標をカイ２乗分布に当てはめ、異常度合(異常可能性)を求める。後述する表示部８では、例えば異常度合が９９％以上なら赤色アラーム、９５％以上なら黄色アラーム、またそれらの中間なら赤から黄へのグラデーション色として表示する。
　ステップＳ１１６では、適用すべき解析方法をすべて網羅していればステップＳ１１８へ進み、網羅していなければステップＳ１１７で解析方法を変更する。ステップＳ１１８では、解析対象データを網羅したなら処理を終了し、網羅していなければステップＳ１１９で解析対象データを変更する。
３－２－１．解析方法の第１例
　解析方法の第１例として、統計量を計算する方法を説明する。統計量には、以下のようなものがある。ここで、以下の式１で表される原データ列Ｘがｎ個得られているとする。
Figure JPOXMLDOC01-appb-M000001
　原データから計算できる一般的な統計量として、以下のようなものが挙げられる。これらは、例えば、文献「2017年度版　機械保全の徹底攻略（設備診断作業）　日本能率協会マネジメントセンター」のような一般的な文献に記載されている。
（１）平均値
Figure JPOXMLDOC01-appb-M000002
 （２）絶対値平均
Figure JPOXMLDOC01-appb-M000003
 （３）標準偏差
Figure JPOXMLDOC01-appb-M000004
 振動の大きさを表す。
（４）実効値
Figure JPOXMLDOC01-appb-M000005
 平均値が０なら標準偏差と同じ。
（５）Ｐｅａｋ値
例えば正の最大値から大きい順に１０個の平均値、又は負の最小値から小さい順に１０個の平均値
（６）波形率
Figure JPOXMLDOC01-appb-M000006
 低周波領域のアンバランス、ミスアラインメントを表す。
（７）波高率
Figure JPOXMLDOC01-appb-M000007
 軸受けや歯車の異常判定に使われる。
（８）衝撃指数
Figure JPOXMLDOC01-appb-M000008
 軸受け歯車の局部欠陥の診断、往復運動機関の診断に使われる。
（９）間隙率
Figure JPOXMLDOC01-appb-M000009
 微小局部欠陥の検出に使われる。
（１０）歪度
Figure JPOXMLDOC01-appb-M000010
 分布の非対称性を示す指標である。
（１１）尖り度
Figure JPOXMLDOC01-appb-M000011
 軸受け、歯車の診断、回転機の診断に使われる。
　上記の統計量の中で、無次元つまりｍｍやｋｇなどの物理的な単位を持たない変数は、（６）波形率、（７）波高率、（８）衝撃指数、（１０）歪度、及び（１１）尖り度である。
　原データの解析方法として、標準偏差を計算する方法が選ばれた場合について説明する。過去のｍ個（例えばｍ＝５０、１００など）の正常な数値指標を蓄積しておく過去データ蓄積テーブルは、図６に示す形態とすることができる。このテーブルは、設備や製品品質項目ごとに、さらに原データの絶対値、偏差ごとにテーブルを持ち、鋼種区分（ＴＳ個）、板厚区分（ＴＴ個）、板幅区分（Ｔ個）の区分を持つ（例えばＴＳ＝１００、ＴＴ＝３０、ＴＷ＝１０など）。もちろん、これらの区分をより細かくしてもよいし、不要な区分はなくしてもよい。
　テーブルの１つ１つのセルにはｍ個分の保存領域が設けられている。そこに正常データから計算された標準偏差を正常な数値指標として格納する。新たに採取した解析対象データと同じ鋼種、板厚、板幅のセルから、過去ｍ個分の数値指標を取り出す。そして、新たに採取した解析対象データを含むデータ列により計算された標準偏差とセルから取り出した数値指標とを比較し、その差を評価する。評価した結果、新たに採取した解析対象データが正常だと判定されれば、当該セルの最も古い数値指標を消去し、新たに採取した解析対象データから計算した数値指標を新たにこのセルに追加する。
　新たに採取した解析対象データの数値指標として、解析対象データの標準偏差そのものの値を用いることもできるが、例えば、Hotellingの理論による指標も用いることができる。この理論は、式１で表されるデータが正規分布に従っている場合、下記の式２によるＨは、カイ２乗分布に従うというものである。
Figure JPOXMLDOC01-appb-M000012
　前記の標準偏差の例では、図６のテーブルに蓄積された１つのセルの中の正常な数値指標として、過去ｍ個の標準偏差が蓄えられている。それらが正規分布に従うとすると、式２における過去ｍ個の数値指標（標準偏差）の平均ｘ_aveと標準偏差σとを計算することができる。新たに採取した解析対象データの標準偏差は式２のｘとして計算する。なおＨは無次元の値となる。カイ２乗分布の値は、一般に数表になっていたり、又は次の式３で計算することができる。ここで、ｋ＝１、ｙ＝Ｈ（ｘ）であり、Γはガンマ関数である。
Figure JPOXMLDOC01-appb-M000013
　Hotellingの理論を用いる方法は、数値指標をHotelling理論による指標Ｈ（ｘ）として、正常／異常の判定をカイ２乗分布に当てはめて判定するものである。式２における平均ｘ_hatと標準偏差σとからｘが大きく離れればＨ（ｘ）が大きな値となり、異常度合いが高まると理解できる。例えば、Ｈ（ｘ）＝３．０の場合、カイ２乗分布ｆ＝０．０５１となり、Ｈ（ｘ）が正常である確率は約５％となる。一方、Ｈ（ｘ）＝５．６の場合、カイ２乗分布ｆ＝０．０１であり、Ｈ（ｘ）が正常である確率は約１％となる。過去のデータとして正常データを扱う場合には、それらは正規分布に従うと仮定できる。
　別の判定方法として、管理図（Control Chart）による品質管理手法について説明する。図７に管理図の例を示す。管理図では、一般に管理上限及び管理下限は３σ（σ：標準偏差）とされ、それを超えたら異常と判定される。例えば、図６のテーブルに蓄積されたｍ個の数値指標として尖り度があったとすると、その数値指標のσを計算することができる。新たに採取した解析対象データの尖り度が、正常な数値指標としての尖り度のσと比較して、３σを超えた場合、９９．７３％の異常度合であると言える。少し低い管理基準を２．５σとすると、９７．５％の異常度合であり、２σでは９５．４％である。なお、上記の２σの２、３σの３などは無次元の値である。
　ただし、データの歪度が大きい時は、正側或いは負側に偏る（図７では負側に偏っている）こともある。そのような場合、文献「The Individuals Control Chart in Case of Non-Normality、 Betul Kan、 Berna Yazici、 Anadolu University、 Journal of Modern Applied Statistical Methods、 Article 28 (2005)」に示される歪度による管理上限、管理下限の補正を適用することもできる。式４は管理上限ＵＣＬの式、式５は管理下限ＬＣＬの式であり、式６におけるβ１は歪度である。
Figure JPOXMLDOC01-appb-M000014
Figure JPOXMLDOC01-appb-M000015
Figure JPOXMLDOC01-appb-M000016
　さらなる別の判定方法として、図６のテーブルにおいて、新たに採取した解析対象データと同じ鋼種、板厚、板幅のセルに蓄積された過去ｍ個の数値指標を取り出し、その平均値を計算する。過去ｍ個の数値指標との平均値と新たに採取した解析対象データとの差を算出し、その差が例えば標準偏差の３倍であれば黄色アラーム、４倍であれば赤色アラーム、などとすることも可能である。ただし、何倍とするかは、現場での試行錯誤が必要になる可能性もある。なお、上記の３倍、４倍の３、４などは無次元の値である。
３－２－２．解析方法の第２例
　解析方法の第２例として、偏差データの確率密度分布と正規分布との差を用いることについて説明する。確率密度分布とは、データｘがある範囲を変化するとき、その範囲の中のある値となる確率を表したもので、その範囲内の確率を全て加算すると１(１００％)となる。
　図８に正常データの確率密度分布の例と異常データを含むデータの確率密度分布の例とを示す。図８のグラフ（ａ）は正常データのみの確率密度分布を例示し、図８のグラフ（ｂ）は異常データを含むデータの確率密度分布を例示している。グラフ（ｂ）に示す確率密度分布は、グラフ（ａ）に示す確率密度分布に比べて、横軸の広がりが大きいが、正規分布からの外れ度合も大きいことがわかる。横軸の広がりの大小は、上記の統計量の説明で示した、標準偏差の大小にも現われるため、標準偏差という数値指標に表れる。ここでは正規分布からの外れ度合を考える。
　正規分布からの外れ度合を定量的に評価するために、例えば以下の数値指標を用いることができる。式７はカルバック・ライブラー距離（Kullback-Leibler Divergence）ＤＫＬの計算式であり、式８は誤差２乗和ＤＳＱの計算式であり、式９は誤差絶対値和ＤＡＢＳの計算式である。
Figure JPOXMLDOC01-appb-M000017
Figure JPOXMLDOC01-appb-M000018
Figure JPOXMLDOC01-appb-M000019
　ここで、ＰＡ（ｘ）は原データｘがとる実際の確率密度、ＰＮ（ｘ）は正規分布である。対象とするデータｘは絶対値データではなく、偏差データとする。偏差データは高周波数成分が強く出るため、ほぼノイズとみなすこともできる。ノイズは一般には白色雑音が多く、その分布は正規分布となる。しかし、原データに何らかの異常によるノイズ信号が含まれていた場合、偏差データは正規分布とは異なる分布となる可能性が高く、そこを検知しようとするものである。
　前記の標準偏差の例と同様に、例えばカルバック・ライブラー距離ＤＫＬを数値指標として用いた場合、図６に示すテーブルと同様のテーブルを準備しておき、正常データを対象として算出したＤＫＬを格納しておく。そこに新たなデータが入って来たときにＤＫＬを計算し、過去の正常なｍ個のＤＫＬと比較し、正常／異常を判定する。このとき、前述したHotelling理論や管理図の判定方法を使うことができる。誤差２乗和ＤＳＱ、誤差絶対値和ＤＡＢＳを用いた時も同様である。ただし、解析方法の第２例において利用可能な数値指標は、これらの数値指標ＤＫＬ、ＤＳＱ、ＤＡＢＳには限定されない。さらに、解析方法の第１例においてさらなる別の判定方法として説明したように、異常度合をマニュアルで設定し、判定することもできる。
３－２－３．解析方法の第３例
　解析方法の第３例として、偏差データの極大値及び極小値のそれぞれを対象として確率密度分布を計算し、レイリー分布との差を数値指標とする方法について説明する。極大値、極小値の場合は、正常時のデータの分布は正規分布ではなく、図９に示すようなレイリー分布となる。数値指標の計算、正常／異常の判定方法は、前記と同様である。なお、上記の確率密度の値は無次元の値である。
３－２－４．解析方法の第４例
　解析方法の第４例として、自己回帰モデルを用いる方法について説明する。一般に、回帰モデルとは、従属変数と独立変数との関係を例えば一次多項式の形で表したものであり、従属変数と独立変数は異なる変数でもよい。例えば、従属変数を圧延荷重とした場合、独立変数を変形抵抗、圧延速度、材料温度として回帰モデルを作ることができる。自己回帰モデルとは、従属変数と独立変数が同じデータ種別であるが、従属変数は現在の値であり、独立変数はその過去の値を用いるものである。例えば、圧延荷重を過去の自身の値（圧延荷重）で同定することに相当する。自己回帰モデルは、例えば以下の式１０で表される。ここで、εは白色ノイズ、α０、α１、…、αK－１は自己回帰係数である。なお、自己回帰係数の値は無次元の値である。
Figure JPOXMLDOC01-appb-M000020
　図１０に自己回帰モデルの自己回帰係数の変化の例を示す。図中、横軸０は定数項α０の値、横軸ｋ（ｋは自然数）はｋ個前の値の係数αｋの意味である。縦軸は係数の値である。図１０に示す線の中には、異常データで同定した結果も入っている。同定対象の時間が一定であり（この場合１２個分という固定値）、正常データを対象とするなら、自己回帰係数はほぼ一定の値を取り続ける可能性が高いが、図１０中のいくつかの線は他の線の様子とは異なる動きをしており、これが異常データによるものである。したがって、自己回帰モデルで同定された係数の値が過去の正常なデータで同定した係数の値と異なったとき、何か異常が発生したと判定することができる。
　他の方法と同様に、各係数に対応した正常データによる係数値を格納する図６のようなテーブルを準備する。新たなデータが入って来たとき、過去ｍ個の係数値の平均値及び標準偏差を計算し、例えば数値指標としてHotelling理論による式２を計算する。この数値指標をカイ２乗分布に適用することで、正常／異常を判定することができる。又は、新たに計算された係数値が過去ｍ個の正常データによる係数値に基づいて計算された管理上限、管理下限を超えているか否かで、正常／異常を判定することもできる。
３－２－５．解析方法のその他の例
　解析方法としては、上記の例の他にもＦＦＴ（高速フーリエ変換）、ウェーブレット変換などの解析方法もあり、上記の例には限定されない。
　また、解析方法の上記の例では、正常な原データの過去の値に基づく数値指標を計算し、それを基準として新たに加わったデータに基づく新たな数値指標を計算し、新たな数値指標と過去の値に基づく数値指標とを比較した。しかし、類似した設備が複数ある場合、類似した設備から得られるデータに基づく数値指標を計算し、対象設備から得られるデータに基づく数値指標と比較することにより、正常／異常の判定をすることができる。例えば、図１１の３軸グラフにおいて、圧延材の軸方向は時間の推移を表している。この軸方向での比較は、上で述べた過去ｍ個の値と比較する方法である。図１１の３軸グラフでは、設備の軸方向で比較することもできる。数値指標が他の設備と異なる挙動を示していれば、異常と判定することができる。解析方法の選択、数値指標の計算方法、正常／異常の判定については上述のものと同様である。
　なお、一次判定部４で計算される数値指標についてまとめると以下のようになる。数値指標には閾値は適用されないものの、正常／異常の判定には、数値指標に何らかの閾値を適用し判定することが必要である。
ケース１：標準偏差や歪度などの統計量そのもの
ケース２：ケース１に基づくHotelling理論の指標
ケース３：原データの確率密度分布と正規分布との差を表す式７～９の値
ケース４：ケース３に基づくHotelling理論の指標
ケース５：原データの極大値・極小値の確率密度分布とレイリー分布との差を表す式７～９の値
ケース６：ケース５に基づくHotelling理論の指標
ケース７：自己回帰モデルで同定された自己回帰係数そのものの値
ケース８：ケース７に基づくHotelling理論の指標
　以上のように、一次判定部４においては、各製造設備や各製品品質に対して、解析方法ごとに、数値指標を計算し、それに基づく正常／異常の判定及び異常度合の計算をすることが行われる。
３－３．二次判定部
　次に、二次判定部５について説明する。
３－３－１．機械学習装置の第１例
　図１２は、二次判定部５が備える機械学習装置の第１例を示す図である。図１２では、一次判定部の数値指標が機械学習装置１２２に対する入力１２１であり、正常又は異常の判定結果（二次判定結果）と推定した異常原因とが出力１２３である。学習段階では、教師信号として、入力１２１とその結果としての出力１２３を一対として機械学習装置１２２に与える。二次判定を行う段階では、入力１２１のみを機械学習装置１２２に与え、その結果である出力１２３を判定結果とする。
　一次判定部４に関する説明の中で述べたように、解析方法は複数種類存在し、そこから計算される数値指標も複数ある。このため、同じ対象データを用いたとしても、場合によっては設備や品質の正常／異常の判定が異なる可能性もある。これは、解析方法ごとに得意とする事象が異なる場合があり、また正常と異常の境界、すなわち異常か否かの閾値をどう設定するかによって判定結果が異なることも出てくる、ということである。
　二次判定部５における学習機能は、学習する段階においては、入力１２１を一次判定部４により出力された複数の数値指標とする。機械学習装置１２２は、例えば中間層が１つであるニューラルネットワークによる学習、又は中間層が複数から成るニューラルネットワークによる深層学習、又は、事象ＡはＢの確率で原因Ｃにより発生したなどという因果関係が記述されたルールベースの学習方法を備えている。出力１２３は、正常か異常の判定、及び、異常原因の推定結果を示す。
　図１３に機械学習装置１２２における学習の態様例を示す。情報入力部６では、図１３の表に示すような設備の場所、概要原因を示す異常原因－１、詳細原因を示す異常原因－２という階層的な原因候補をリストアップしておく。もちろん階層数は２つには限らない。また当業者が新たに入力することや（図１３では１３番以後）、原因の修正を行うことができるように編集機能も持つこととする。さらに、表のブロックの最右側の欄には、異常に対する対策を記入できるようにすることも可能である。なお、情報入力部６による入力は、圧延機等の対象製造設備に関係する当業者、すなわち、対象製造設備に関する十分な知識を持ったオペレータやエンジニアが行うものとする。
　各製造設備、各製品品質における解析方法による数値指標が一次判定部４から入力された場合、当業者は、図１３の表を参照しながら入力された数値指標を異常原因－１又はさらに異常原因－２に関係づける。入力された数値指標と異常原因－１又は異常原因－２との対が、機械学習装置１２２を学習するための教師信号として用いられる。
　また、製造設備又は製品品質に与えた人為的な変更を捉えて、解析方法による数値指標と関連付けることもできる。図１４はある対象製造設備のデータが推移する様子を管理図式で示したものであり、図中に人為的な働きかけとの関係が示されている。何らかの対象製造設備への働きかけがｔ１の時点で行われ、データがプラス方向の異常値へ向かい始めたとする。一次判定部４により、数値指標が管理上限を３回超えたことが示され、当業者はｔ２の時点で何らかの働きかけを行ったとする。さらにｔ３の時点でも何らかの働きかけを行ったとする。この場合、ｔ１の時点で行われた働きかけが異常原因である可能性が高く、ｔ２の時点で行った働きかけが異常を除去する対策であったと考えられる。ｔ３の時点で行った働きかけはあまり影響していない。
　これにより、機械学習装置１２２が学習するときの入力１２１は、数値指標が管理上限を３回超えたときの設備や品質、及びそのときの数値指標の値であり、教師信号は図１３において働きかけた時点ｔ１又は時点ｔ２に相当する異常原因－１と異常原因－２となる。これらの働きかけは、操業日誌等に当業者が記載するのが一般的である。操業日誌は、紙の場合もあるし、電子操業日誌である場合もある。電子操業日誌の場合は、比較的容易にこれら働きかけをシステムに取り込むことができる。紙による操業日誌では、その記載を電子情報に変換する必要がある。
３－３－２．機械学習装置の第２例
　図１５は、二次判定部５が備える機械学習装置の第２例を示す図である。図１２に示す第１例とは異なり、第２例の機械学習装置１３２では、一次判定部４からの入力１３１は、数値指標ではなく、正常か異常を判定した結果と異常度合である。第１例と第２例とは入力が異なっているが、その他は同じである。しかしながら、一次判定部４からの入力１３１を、数値指標ではなく正常か異常を判定した結果とした場合、一次判定部４における正常／異常の判定に用いた閾値を変更すると、正常／異常の判定結果が大きく変わることがある。そうなると学習を最初からやり直さないといけない。
　そこで、図１５に示す第２例の機械学習装置１３２では、一次判定部４の正常／異常の判定結果に応じて異常度合に対する重みを大きくして学習する。異常度合とは、例えばHotelling理論の指標である式２を用いた場合、カイ２乗分布の値が異常度合に相当する。Ｈ（ｘ）＝３．０の場合、カイ２乗分布の値は０．０５１であるから、正常である確率が０．０５１、すなわち異常である確率が０．９４９であり、０．９４９を異常度合とする。このようにすることで、機械学習装置１３２からの出力１３３は一次判定部４で設定する閾値の変更には影響されない。図１２に示す第１例と図１５に示す第２例のいずれが対象製造設備により適するかは、調整段階でのそれぞれの性能を見ながら決定することができる。
３－３－３．機械学習装置の第３例
　一般に、正常データの数・種類に比べて異常データの数・種類は非常に少なく、異常であることを示す事例を集めるのに多くの時間がかかることが一般的である。すなわち図１２に示す第１例の機械学習装置１２２、図１５に示す第２例の機械学習装置１３２が学習するためには、異常状態を含む入力と正解が対になった教師信号を得る頻度が小さく、十分な学習能力を持つまでに時間がかかるという課題がある。
　そこで、異常の事例が少ない場合、図１６に示す第３例の機械学習装置１３７が用いられる。第３例の機械学習装置１３７が学習する段階においては、一次判定部４により出力された複数の数値指標を入力とし、一次判定部４より出力された製造設備や製品品質の正常／異常の判定結果及び異常度合を正解とする教師信号が用いられる。学習した結果を取り出す段階では、一次判定部４による複数の数値指標を入力１３６とし、製造設備及び製品品質の正常／異常の判定結果及び異常度合を出力１３８として取り出す。
　異常事例が少ない段階で学習した機械学習装置１３７は、正常データが主な入力となるので、異常を判別するというより、正常であることを判定する特徴が大きくなる。そこに異常データが入ってくれば、正常とは異質のものであるとして、異常と判定される。異常事例が増えてくれば、教師信号の中に図１２及び図１５で説明したような入出力関係を挿入し、学習させることで、機械学習がより高度になる。
３－３－４．機械学習装置の転移学習
　異常データが少ない場合の対策として、機械学習における転移学習を適用することができる。一般に転移学習とは、機械学習でまだ十分学習データが貯まっていないときに用いられる手法であり、別の場所や別の機会に学習した結果（機械学習、例えばニューラルネットワーク内部の結合重み）を当該機械学習に転用する方法である。別の製造設備で多くの異常データが得られている場合、そこで機械学習した結果、異常データが少ない当該製造設備に移すことができる。ただし、製造設備の特性が異なる場合には、特性の違いを適切に評価して差を減らさないといけない。
　例えば製造設備Ａで多く蓄積した学習結果を、学習結果が蓄積されていない製造設備Ｂに転移学習する例を考える。製造設備Ａでは式１で表される原データ列Ｘが得られているとき、原データ列Ｘには製造設備Ａの特徴が色濃く反映されている。例えば製造設備Ａは製造設備Ｂより大量生産を行い、また硬い鋼種をより多く圧延する工場であった場合、製造設備Ａの電動機の定格容量は製造設備Ｂより大きいのが普通である。製造設備Ａでは電動機電流などがいずれも大きな値として得られ、それを直接的に使用して機械学習すると、製造設備Ａではその学習結果が使えても、製造設備Ｂには適さないことが多い。
　その対策として、機械学習の教師信号としての入出力に、物理量である原データを正規化して用いる方法もある。正規化の方法には、原データの平均と標準偏差を計算し、平均０、標準偏差１となるように入出力を補正する方法や、原データの最大値・最小値を求め、その範囲を１として補正する方法がある。しかしながら、異常データが少ない製造設備Ｂのデータは、原データの分布範囲が狭く、正規化により十分に製造設備Ｂの特徴を表せない場合がある。
　そこで、本実施の形態に係る機械学習では、製造設備から得られる原データをそのまま使って学習することはせず、無次元の変数を使って学習する。一次判定部４においては、過去の正常なデータを用いて数値指標を計算している。その数値指標のうち、無次元の変数、例えば、波形率、波高率、衝撃指数、歪度、尖り度、確率密度分布と正規分布の差を式７～９で評価した値、また基本統計量すべてや確率密度分布と正規分布の差をHotelling理論の指標で計算した値などは無次元となるので、これらを使って学習を行う。そうすると製造設備Ａで学習した結果を補正せずに製造設備Ｂやほかの製造設備に直接転用することができるため、転移学習を行いやすくなる。すなわち、少ない異常データを各製造設備で有効に、容易に利用することができる。
４．データ及び結果保存部と表示部
　再び図２に戻り、データ及び結果保存部７と表示部８とについて説明する。データ及び結果保存部７は、解析対象データ作成部３により作成された解析対象データ、一次判定部４の判定経過及び結果、二次判定部５の判定経過及び結果をハードディスク等の記憶装置などに保存する。後々、判定した理由や根拠を取り出せるようにするためである。
　表示部８は、製造設備から得られる時系列信号、製品品質を表す時系列信号、解析対象データ作成部３により作成された解析対象データ、一次判定部４の判定経過及び結果、二次判定部５の判定経過及び結果を視覚的に表示する。例えば、図１７に示すグラフは、圧延材４本のデータに対して１４個のカルバック・ライブラー指標を計算し、その推移を３次元的にプロットした例である。この図では、４本目の圧延材の８番目の指標が群を抜いて大きくなっており、この数値指標に着目する必要があることがわかる。
　一次判定部４及び二次判定部５により正常／異常の判定がなされたとしても、その理由を示すために、データ及び結果保存部７と表示部８が必要となる。
１：データ採取装置
２：異常判定支援装置
３：解析対象データ作成部
４：一次判定部
５：二次判定部
６：情報入力部
７：データ及び結果保存部
８：表示部
２０：製造設備
１２２，１３２，１３７：機械学習装置

Claims (12)

  1. 　製造設備において異常が生じているか判定するための判断材料を提供する異常判定支援装置であって、
    　前記製造設備のデータ採取装置から前記製造設備の状態又は製品品質の少なくとも一方を表す時系列信号を取得し、前記時系列信号から解析対象データを抽出する解析対象データ作成部と、
    　前記解析対象データ作成部で抽出された前記解析対象データに複数種類の異なる解析方法を適用することによって、共通の前記解析対象データから複数の一次判定結果を導出する一次判定部と、
    　前記一次判定部で得られた一次判定結果とそれに対応する正解としての異常判定結果及び異常原因との対を教師信号として学習された機械学習装置を有し、前記一次判定部において共通の前記解析対象データから得られた前記複数の一次判定結果を前記機械学習装置に入力し、前記機械学習装置から出力される二次判定結果及び推定異常原因を前記判断材料として出力する二次判定部と、
    を備えることを特徴とする異常判定支援装置。
  2. 　前記一次判定部は、前記解析対象データに前記複数種類の異なる解析方法を適用することによって前記解析対象データを複数の数値指標に変換し、前記複数の数値指標を前記複数の一次判定結果として出力し、
    　前記機械学習装置は、前記一次判定部で得られた数値指標を入力とし、実際の異常判定結果及び異常原因を正解とする教師信号を用いて学習され、
    　前記二次判定部は、前記一次判定部で前記解析方法ごとに得られた前記複数の数値指標を前記機械学習装置に入力し、前記機械学習装置から出力される異常判定結果及び推定異常原因を前記判断材料として出力する
    ことを特徴とする請求項１に記載の異常判定支援装置。
  3. 　前記一次判定部は、前記解析対象データに前記複数種類の異なる解析方法を適用することによって前記解析対象データを複数の数値指標に変換し、前記複数の数値指標のそれぞれに基づき異常の有無の判定と異常度合いの計算とを行い、前記解析方法ごとに得られた複数の判定結果及び異常度合を前記複数の一次判定結果として出力し、
    　前記機械学習装置は、前記一次判定部で得られた判定結果及び異常度合いを入力とし、実際の異常判定結果及び異常原因を正解とする教師信号を用いて学習され、
    　前記二次判定部は、前記一次判定部で前記解析方法ごとに得られた前記複数の判定結果及び異常度合いを前記機械学習装置に入力し、前記機械学習装置から出力される異常判定結果及び推定異常原因を前記判断材料として出力する
    ことを特徴とする請求項１に記載の異常判定支援装置。
  4. 　前記一次判定部は、前記解析対象データに前記複数種類の異なる解析方法を適用することによって前記解析対象データを複数の数値指標に変換し、前記複数の数値指標を前記複数の一次判定結果として出力し、
    　前記機械学習装置は、前記一次判定部で得られた数値指標を入力とし、前記数値指標から判定される異常の有無と前記数値指標から計算される異常度合いとを正解とする教師信号を用いて学習され、
    　前記二次判定部は、前記一次判定部で前記解析方法ごとに得られた前記複数の数値指標を前記機械学習装置に入力し、前記機械学習装置から出力される異常判定結果及び推定異常原因を前記判断材料として出力する
    ことを特徴とする請求項１に記載の異常判定支援装置。
  5. 　前記解析対象データ作成部は、前記製造設備が稼働中における前記製造設備の負荷状態と非負荷状態の２つの状態におけるデータを抽出し、さらに抽出したデータから低周波数成分を除いた高周波数成分を前記解析対象データとして算出する
    ことを特徴とする請求項１乃至４の何れか１項に記載の異常判定支援装置。
  6. 　前記解析対象データ作成部は、前記製造設備が稼働中における製品品質測定用のセンサの測定時状態と非測定時状態の２つの状態におけるデータを抽出し、さらに抽出したデータから低周波数成分を除いた高周波数成分を前記解析対象データとして算出する
    ことを特徴とする請求項１乃至４の何れか１項に記載の異常判定支援装置。
  7. 　前記一次判定部は、前記負荷状態と前記非負荷状態のそれぞれにおける前記解析対象データに前記複数種類の異なる解析方法を適用することによって前記解析対象データを複数の数値指標に変換し、前記複数の数値指標のそれぞれに基づき異常の有無の判定を行い、前記負荷状態で異常かつ前記非負荷状態で正常であれば機械系の異常と判定し、前記負荷状態で異常かつ前記非負荷状態で異常であれば電気系の異常、信号伝達系の異常、又は制御系の異常と判定する
    ことを特徴とする請求項５に記載の異常判定支援装置。
  8. 　前記一次判定部は、前記測定時状態と前記非測定時状態のそれぞれにおける前記解析対象データに前記複数種類の異なる解析方法を適用することによって前記解析対象データを複数の数値指標に変換し、前記複数の数値指標のそれぞれに基づき異常の有無の判定を行い、前記測定時状態で異常かつ前記非測定時状態で正常であれば製品品質の異常と判定し、前記測定時状態で異常かつ前記非測定時状態で異常であれば製品品質を測定するセンサ系の異常、又は信号伝達系の異常と判定する
    ことを特徴とする請求項６に記載の異常判定支援装置。
  9. 　前記機械学習装置は，中間層が１つであるニューラルネットワークによる学習、中間層が複数から成るニューラルネットワークによる深層学習、及びルールベースの学習のうちの何れか一つの方法により学習を行う
    ことを特徴とする請求項１乃至８の何れか１項に記載の異常判定支援装置。
  10. 　前記機械学習装置は、前記一次判定部で得られた一次判定結果を示す変数のうち物理単位を持たない無次元変数を学習対象とし、前記無次元変数は他の製造設備の異常判定支援装置への転移学習、又は他の製造設備の異常判定支援装置からの転移学習に適用される
    ことを特徴とする請求項１乃至９の何れか１項に記載の異常判定支援装置。
  11. 　前記解析対象データ作成部により作成された解析対象データ、前記一次判定部の判定経過及び結果、前記二次判定部の判定経過及び結果のうちの少なくとも一つを記録装置に保存するデータ及び結果保存部、
    を備えることを特徴とする請求項１乃至１０の何れか１項に記載の異常判定支援装置。
  12. 　前記データ採取装置から得られる時系列信号、前記解析対象データ作成部により作成された解析対象データ、前記一次判定部の判定経過及び結果、前記二次判定部の判定経過及び結果のうちの少なくとも一つを視覚的に表示する表示部、
    を備えることを特徴とする請求項１乃至１１の何れか１項に記載の異常判定支援装置。
PCT/JP2019/012973 2019-03-26 2019-03-26 異常判定支援装置 WO2020194534A1 (ja)

Priority Applications (7)

Application Number Priority Date Filing Date Title
KR1020207030237A KR102398307B1 (ko) 2019-03-26 2019-03-26 이상 판정 지원 장치
US16/977,476 US11392114B2 (en) 2019-03-26 2019-03-26 Abnormality determination support apparatus
JP2020558554A JP7044175B2 (ja) 2019-03-26 2019-03-26 異常判定支援装置
PCT/JP2019/012973 WO2020194534A1 (ja) 2019-03-26 2019-03-26 異常判定支援装置
CN201980027213.4A CN112041771A (zh) 2019-03-26 2019-03-26 异常判定辅助装置
EP19921842.1A EP3764184B1 (en) 2019-03-26 2019-03-26 Abnormality determination assistance device
TW108128299A TWI728422B (zh) 2019-03-26 2019-08-08 異常判定支援裝置

Applications Claiming Priority (1)

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

Publications (1)

Publication Number Publication Date
WO2020194534A1 true WO2020194534A1 (ja) 2020-10-01

Family

ID=72609660

Family Applications (1)

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

Country Status (7)

Country Link
US (1) US11392114B2 (ja)
EP (1) EP3764184B1 (ja)
JP (1) JP7044175B2 (ja)
KR (1) KR102398307B1 (ja)
CN (1) CN112041771A (ja)
TW (1) TWI728422B (ja)
WO (1) WO2020194534A1 (ja)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11300952B2 (en) * 2019-03-29 2022-04-12 Festo Se & Co. Kg Anomaly detection in a pneumatic system
WO2022113501A1 (ja) * 2020-11-26 2022-06-02 三菱重工業株式会社 異常検知システム、異常検知方法およびプログラム
WO2022158037A1 (ja) * 2021-01-25 2022-07-28 オムロン株式会社 品質予測システム、モデル生成装置、品質予測方法、及び品質予測プログラム
WO2022249315A1 (ja) * 2021-05-26 2022-12-01 三菱電機株式会社 異常判定装置
WO2023286795A1 (ja) * 2021-07-13 2023-01-19 荏原環境プラント株式会社 情報処理方法、情報処理装置、および情報処理プログラム
JP2023094659A (ja) * 2021-12-24 2023-07-06 三菱重工パワーインダストリー株式会社 伝熱管損傷原因推論装置及び伝熱管損傷原因推論方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114730180A (zh) * 2019-11-13 2022-07-08 杰富意钢铁株式会社 生产设备的运行方法以及运行系统
TWI792086B (zh) * 2020-10-30 2023-02-11 友達光電股份有限公司 行動式設備診斷裝置及設備診斷資訊顯示方法
JP2022107463A (ja) * 2021-01-08 2022-07-21 株式会社日立製作所 プラント制御装置、プラント制御方法及びプログラム
US11734013B2 (en) * 2021-06-17 2023-08-22 International Business Machines Corporation Exception summary for invalid values detected during instruction execution
TWI784718B (zh) * 2021-09-17 2022-11-21 和碩聯合科技股份有限公司 廠區告警事件處理方法與系統
CN114488950B (zh) * 2022-02-09 2023-02-28 无锡微茗智能科技有限公司 机床机械部件动态保护方法及数控机床设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5828948B2 (ja) 1975-08-19 1983-06-18 松下電器産業株式会社 デンゲンデンアツキヨウキユウソウチ
JP6252675B2 (ja) * 2014-05-20 2017-12-27 東芝三菱電機産業システム株式会社 製造設備診断支援装置
JP2018106562A (ja) * 2016-12-27 2018-07-05 株式会社ジェイテクト 解析装置および解析システム
JP2019016039A (ja) 2017-07-04 2019-01-31 Ｊｆｅスチール株式会社 プロセスの異常状態診断方法および異常状態診断装置
JP2019020278A (ja) 2017-07-19 2019-02-07 株式会社日立製作所 回転機システムの診断装置、電力変換装置、回転機システム、および回転機システムの診断方法

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1292723A2 (en) * 2000-04-11 2003-03-19 Recherche 2000 Inc. Method and apparatus for acquisition, monitoring, display and diagnosis of operational parameters of electrolysers
JP4605132B2 (ja) * 2006-09-29 2011-01-05 パナソニック電工株式会社 異常検出装置、異常検出方法
JP5519472B2 (ja) * 2010-10-27 2014-06-11 株式会社日立製作所 被圧延材張力制御装置、被圧延材張力制御方法および熱間タンデム圧延機
JP5647917B2 (ja) * 2011-03-04 2015-01-07 東芝三菱電機産業システム株式会社 制御装置及び制御方法
CN103384572B (zh) * 2011-03-18 2015-05-27 株式会社日立制作所 轧制控制装置、轧制控制方法以及轧制控制程序
CN102496028B (zh) * 2011-11-14 2013-03-20 华中科技大学 一种复杂装备的事后维修故障分析方法
JP2015075821A (ja) * 2013-10-07 2015-04-20 横河電機株式会社 状態診断方法および状態診断装置
CN104102773B (zh) * 2014-07-05 2017-06-06 山东鲁能软件技术有限公司 一种设备故障预警及状态监测方法
WO2016033247A2 (en) 2014-08-26 2016-03-03 Mtelligence Corporation Population-based learning with deep belief networks
JP5828948B2 (ja) 2014-10-09 2015-12-09 株式会社高田工業所 回転機械系の異常診断方法
JP6156355B2 (ja) * 2014-12-24 2017-07-05 コニカミノルタ株式会社 画像形成システム、記録材の搬送停止方法、および記録材の搬送停止プログラム
JP6148316B2 (ja) * 2015-07-31 2017-06-14 ファナック株式会社 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム
JPWO2017109903A1 (ja) * 2015-12-24 2018-03-22 株式会社東芝 異常原因推定装置及び異常原因推定方法
JP6140331B1 (ja) * 2016-04-08 2017-05-31 ファナック株式会社 主軸または主軸を駆動するモータの故障予知を学習する機械学習装置および機械学習方法、並びに、機械学習装置を備えた故障予知装置および故障予知システム
JP6661559B2 (ja) * 2017-02-03 2020-03-11 株式会社東芝 異常検出装置、異常検出方法およびプログラム
JP6841558B2 (ja) * 2017-02-24 2021-03-10 Thk株式会社 転がり案内装置の状態診断システム及び状態診断方法
US10928814B2 (en) 2017-02-24 2021-02-23 General Electric Technology Gmbh Autonomous procedure for monitoring and diagnostics of machine based on electrical signature analysis
CN107132410B (zh) * 2017-03-13 2018-09-25 广东电网有限责任公司信息中心 10kV线路线损率异常原因检测方法和系统
EP3379357B1 (en) 2017-03-24 2019-07-10 ABB Schweiz AG Computer system and method for monitoring the technical state of industrial process systems
JP6860406B2 (ja) * 2017-04-05 2021-04-14 株式会社荏原製作所 半導体製造装置、半導体製造装置の故障予知方法、および半導体製造装置の故障予知プログラム
JP6380628B1 (ja) 2017-07-31 2018-08-29 株式会社安川電機 電力変換装置、サーバ、及びデータ生成方法
CN107817404B (zh) * 2017-11-18 2023-06-20 广西电网有限责任公司电力科学研究院 一种便携式计量自动化终端故障诊断装置及其诊断方法
CN109218114B (zh) * 2018-11-12 2021-06-08 西安微电子技术研究所 一种基于决策树的服务器故障自动检测系统及检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5828948B2 (ja) 1975-08-19 1983-06-18 松下電器産業株式会社 デンゲンデンアツキヨウキユウソウチ
JP6252675B2 (ja) * 2014-05-20 2017-12-27 東芝三菱電機産業システム株式会社 製造設備診断支援装置
JP2018106562A (ja) * 2016-12-27 2018-07-05 株式会社ジェイテクト 解析装置および解析システム
JP2019016039A (ja) 2017-07-04 2019-01-31 Ｊｆｅスチール株式会社 プロセスの異常状態診断方法および異常状態診断装置
JP2019020278A (ja) 2017-07-19 2019-02-07 株式会社日立製作所 回転機システムの診断装置、電力変換装置、回転機システム、および回転機システムの診断方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
BETUL KANBERNA YAZICI: "The Individuals Control Chart in Case of Non-Normality", JOURNAL OF MODERN APPLIED STATISTICAL METHODS, 2005
See also references of EP3764184A4

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11300952B2 (en) * 2019-03-29 2022-04-12 Festo Se & Co. Kg Anomaly detection in a pneumatic system
WO2022113501A1 (ja) * 2020-11-26 2022-06-02 三菱重工業株式会社 異常検知システム、異常検知方法およびプログラム
WO2022158037A1 (ja) * 2021-01-25 2022-07-28 オムロン株式会社 品質予測システム、モデル生成装置、品質予測方法、及び品質予測プログラム
JP7567504B2 (ja) 2021-01-25 2024-10-16 オムロン株式会社 品質予測システム、モデル生成装置、品質予測方法、及び品質予測プログラム
WO2022249315A1 (ja) * 2021-05-26 2022-12-01 三菱電機株式会社 異常判定装置
WO2023286795A1 (ja) * 2021-07-13 2023-01-19 荏原環境プラント株式会社 情報処理方法、情報処理装置、および情報処理プログラム
JP2023094659A (ja) * 2021-12-24 2023-07-06 三菱重工パワーインダストリー株式会社 伝熱管損傷原因推論装置及び伝熱管損傷原因推論方法

Also Published As

Publication number Publication date
JP7044175B2 (ja) 2022-03-30
KR20200135453A (ko) 2020-12-02
US20210232131A1 (en) 2021-07-29
CN112041771A (zh) 2020-12-04
EP3764184A1 (en) 2021-01-13
TW202036016A (zh) 2020-10-01
EP3764184B1 (en) 2024-09-18
EP3764184A4 (en) 2021-04-21
TWI728422B (zh) 2021-05-21
US11392114B2 (en) 2022-07-19
JPWO2020194534A1 (ja) 2021-04-30
KR102398307B1 (ko) 2022-05-16

Similar Documents

Publication Publication Date Title
JP7044175B2 (ja) 異常判定支援装置
CN107949813B (zh) 制造设备诊断辅助装置及制造设备诊断辅助方法
US10996662B2 (en) Manufacturing equipment diagnosis support system
CN109996615B (zh) 轧制设备的异常诊断方法及装置
JP5158018B2 (ja) 生産システムの設備診断装置および設備診断方法、並びに設備診断プログラムおよびこれを記録したコンピュータ読み取り可能な記録媒体
CN108267312A (zh) 一种基于快速搜索算法的地铁列车轴承智能诊断方法
JP2010175446A (ja) 状態診断装置
JP6885321B2 (ja) プロセスの状態診断方法及び状態診断装置
US20230393113A1 (en) Construction method of abnormality diagnosis model, abnormality diagnosis method, construction device of abnormality diagnosis model, and abnormality diagnosis device
JP6760503B2 (ja) 製造プロセス監視装置
CN118643384A (zh) 一种多权重指标融合的滚动轴承健康状态退化失效评估方法
Sharma et al. Estimation of bearing remaining useful life using exponential degradation model and random forest algorithm
CN117019889A (zh) 一种三辊旋轧设备智能检测故障的方法及系统
CN117168849A (zh) 汽车转向器装配质量的噪声检测方法
JPH03258410A (ja) タンデム圧延機における板厚異常の診断方法

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2019921842

Country of ref document: EP

Effective date: 20201006

ENP Entry into the national phase

Ref document number: 2020558554

Country of ref document: JP

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 20207030237

Country of ref document: KR

Kind code of ref document: A

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

Ref document number: 19921842

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE