WO2021241315A1 - 診断装置、サーバ、及び診断方法 - Google Patents

診断装置、サーバ、及び診断方法 Download PDF

Info

Publication number
WO2021241315A1
WO2021241315A1 PCT/JP2021/018740 JP2021018740W WO2021241315A1 WO 2021241315 A1 WO2021241315 A1 WO 2021241315A1 JP 2021018740 W JP2021018740 W JP 2021018740W WO 2021241315 A1 WO2021241315 A1 WO 2021241315A1
Authority
WO
WIPO (PCT)
Prior art keywords
sensor signal
classification
unit
server
industrial equipment
Prior art date
Application number
PCT/JP2021/018740
Other languages
English (en)
French (fr)
Inventor
和宏 佐藤
和弘 小泉
Original Assignee
ファナック株式会社
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 ファナック株式会社 filed Critical ファナック株式会社
Priority to CN202180037290.5A priority Critical patent/CN115668084A/zh
Priority to US17/922,871 priority patent/US20230161337A1/en
Priority to DE112021002946.0T priority patent/DE112021002946T5/de
Priority to JP2022526911A priority patent/JP7518166B2/ja
Publication of WO2021241315A1 publication Critical patent/WO2021241315A1/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
    • G05B23/0275—Fault isolation and identification, e.g. classify fault; estimate cause or root of failure
    • 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
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • 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 diagnostic device, a server, and a diagnostic method.
  • diagnostic devices that diagnose industrial equipment such as machine tools and robots (prediction and detection of failures, etc.).
  • the diagnostic device it is necessary for vendors such as manufacturers and distributors of industrial equipment to collect sensor data of measured values measured by sensors placed in the user's industrial equipment in order to improve functions such as improving diagnostic accuracy. ..
  • the context information corresponding to the current operation of the target device and the detection information such as acoustic data detected in the operation are transmitted to the learning device, and the detection information corresponding to the same or similar context information, respectively. From the learning device that combines the models generated from, the model corresponding to the transmitted context information is acquired, and using the detected detection information and the acquired model, whether the operation of the target device is normal or not.
  • Patent Document 1 See, for example, Patent Document 1.
  • One aspect of the diagnostic device of the present disclosure is a diagnostic device communicably connected to a server that learns an abnormality of an industrial device and generates a classification learning model for the abnormality, and is arranged in the industrial device.
  • a sensor signal acquisition unit that acquires a sensor signal including a measured value measured by at least one sensor, and an equipment diagnosis unit that diagnoses whether the industrial equipment is normal or abnormal based on the acquired sensor signal.
  • the classification unit that classifies the abnormality of the industrial equipment based on the sensor signal and the classification learning model, the diagnosis result of the equipment diagnosis unit, and the diagnosis result of the equipment diagnosis unit.
  • the server is provided with a transmission unit that determines whether or not the sensor signal can be transmitted, and if it is determined that the sensor signal can be transmitted, transmits the sensor signal to the server.
  • One aspect of the diagnostic apparatus of the present disclosure includes a classification learning model for classifying the abnormality by inputting a sensor signal indicating an abnormality acquired from an industrial device, and learns the classification of the sensor signal that cannot be classified.
  • a sensor signal that is a diagnostic device communicably connected to a server that updates the classification learning model and acquires a sensor signal including measurement values measured by at least one sensor arranged in the industrial equipment.
  • the transmission unit for transmitting the signal and the classification result for the sensor signal acquired from the server Based on the transmission unit for transmitting the signal and the classification result for the sensor signal acquired from the server, the generation timing of the label indicating the content of the abnormality of the industrial equipment with respect to the sensor signal is determined, and the label is generated.
  • a label information generation unit is provided, and the transmission unit transmits the label to the server.
  • One aspect of the server of the present disclosure is a server communicably connected to the diagnostic device of (1), and learns an abnormality of the industrial device by using a sensor signal received from the diagnostic device. It is provided with a classification model learning unit that generates the classification learning model and transmits the generated classification learning model to the diagnostic apparatus.
  • One aspect of the server of the present disclosure is a server communicably connected to the diagnostic device of (2), and learns an abnormality of the industrial device by using a sensor signal received from the diagnostic device. It includes a classification model learning unit that generates the classification learning model, and a classification unit that classifies abnormalities of the industrial equipment based on the sensor signal and the classification learning model.
  • One aspect of the diagnostic method of the present disclosure is a diagnostic method using a diagnostic device that is communicably connected to a server that learns an abnormality of an industrial device and generates a classification learning model for the abnormality.
  • a sensor signal acquisition step for acquiring a sensor signal including a measured value measured by at least one sensor arranged in the device, and a device diagnosis step for diagnosing whether the industrial device is normal or abnormal based on the acquired sensor signal.
  • a classification step for classifying the abnormality of the industrial equipment based on the sensor signal and the classification learning model, a diagnosis result of the equipment diagnosis step, and the classification step.
  • the server is provided with a transmission step of determining whether or not the sensor signal can be transmitted, and if it is determined that the sensor signal can be transmitted, transmitting the sensor signal to the server.
  • One aspect of the diagnostic method of the present disclosure is provided with a classification learning model for classifying the abnormality by inputting a sensor signal indicating an abnormality acquired from an industrial device, and learning the classification of the sensor signal that cannot be classified.
  • This is a diagnostic method using a server that updates the classification learning model and a diagnostic device that is communicably connected, and acquires a sensor signal including measured values measured by at least one sensor arranged in an industrial device.
  • the transmission step comprises transmitting the label to the server.
  • FIG. 1 is a functional block diagram showing a functional configuration example of the diagnostic system according to the first embodiment.
  • the diagnostic system 1 includes an industrial device 10, a diagnostic device 20, and a server 30.
  • the industrial device 10, the diagnostic device 20, and the server 30 may be connected to each other via a network (not shown) such as a LAN (Local Area Network) or the Internet.
  • a network such as a LAN (Local Area Network) or the Internet.
  • the industrial device 10, the diagnostic device 20, and the server 30 include a communication unit (not shown) for communicating with each other by such a connection.
  • the industrial equipment 10, the diagnostic apparatus 20, and the server 30 may be directly connected to each other via a connection interface (not shown).
  • the industrial equipment 10 is a machine tool, an industrial robot, or the like known to those skilled in the art, and includes a sensor 11.
  • the industrial equipment 10 operates based on an operation instruction from a control device (not shown).
  • the control device (not shown) is a numerical control device when the industrial equipment 10 is a machine tool, and is a robot control device when the industrial equipment 10 is a robot. Further, a control device (not shown) may be included in the industrial equipment 10.
  • the sensor 11 measures a state related to the movement of a motor included in the industrial equipment 10 and movable parts (not shown) such as a spindle and an arm attached to the motor.
  • the sensor 11 outputs a sensor signal including sensor data, which is a measured value, to the diagnostic apparatus 20 for use as diagnostic data.
  • the sensor 11 can be realized by any sensor, but can be realized by, for example, a sensor such as an acceleration sensor, an AE (Acoustic Emission) sensor, a temperature sensor, an ammeter, and a voltmeter.
  • the sensor data measured by the sensor 11 may include feedback data of servo control (speed feedback and torque commands calculated from the feedback).
  • the number of sensors 11 is one, but the number is not limited to this.
  • the industrial equipment 10 may be arranged with a plurality of sensors 11 for measuring the same type of sensor data, or may be arranged with a plurality of sensors 11 for measuring sensor data of different types from each other.
  • the diagnostic device 20 includes a control unit 21 and a display unit 22. Further, the control unit 21 includes a sensor signal acquisition unit 211, a device diagnosis unit 212, a classification unit 213, a transmission unit 214, a display control unit 215, and a label information generation unit 216.
  • the display unit 22 is a display device such as an LCD (Liquid Crystal Display).
  • the display unit 22 has a diagnosis result of the industrial equipment 10 diagnosed by the equipment diagnosis unit 212 described later and an abnormality of the industrial equipment 10 classified by the classification unit 213 described later based on the control instruction of the display control unit 215 described later. Display the classification result of. Further, the display unit 22 transmits sensor data by the transmission unit 214, which will be described later, via an input device (not shown) such as a keyboard or a touch panel included in the diagnostic device 20 based on the control instruction of the display control unit 215. A user interface that accepts instructions from the user may be displayed.
  • the control unit 21 has a CPU (Central Processing Unit), a ROM (Read Only Memory), a RAM, a CMOS (Complementary Metal-Oxide-Semiconducor) memory, and the like, and these are configured to be communicable with each other via a bus.
  • the CPU is a processor that controls the diagnostic device 20 as a whole.
  • the CPU reads out the system program and the application program stored in the ROM via the bus, and controls the entire diagnostic apparatus 20 according to the system program and the application program. As a result, as shown in FIG.
  • the control unit 21 realizes the functions of the sensor signal acquisition unit 211, the device diagnosis unit 212, the classification unit 213, the transmission unit 214, the display control unit 215, and the label information generation unit 216. It is configured as follows. Various data such as temporary calculation data and display data are stored in the RAM. Further, the CMOS memory is backed up by a battery (not shown), and is configured as a non-volatile memory in which the storage state is maintained even when the power of the diagnostic apparatus 20 is turned off.
  • the sensor signal acquisition unit 211 acquires a sensor signal including a measured value (sensor data) measured by at least one sensor 11 arranged in the industrial equipment 10.
  • the sensor signal acquisition unit 211 outputs the acquired sensor signal to the device diagnosis unit 212, the classification unit 213, and the transmission unit 214.
  • the device diagnosis unit 212 diagnoses whether the industrial device 10 is normal or abnormal based on the acquired sensor signal.
  • the device diagnostic unit 212 is a one-class classifier such as a One Class SVM (Support Vector Machine) (hereinafter, also referred to as “1 class SVM”), a Gaussian mixture model, or the like.
  • the device diagnosis unit 212 learns the distribution of the sensor data in the normal state of the industrial device 10 in the same or similar operating state of the industrial device 10, and deviates from the distribution of the sensor data in the normal state (that is, the degree of deviation). ) Is judged to be abnormal.
  • the one-class classifier by the one-class SVM method is a method applying SVM, which is a classification learning model for classifying sensor data into two classes (groups).
  • SVM obtains a hyperplane that classifies learning data whose classes are defined so that the distance (margin) between the two classes of data is maximized, and uses the hyperplane to determine which sensor data is to be determined. Classify into the class of.
  • the one-class classifier uses only one class of normal data as training data, obtains a hyperplane for classifying the training data class and the others, and classifies the sensor data using the obtained hyperplane.
  • the one-class classifier creates an identification boundary that can surround most of the training data through some of the training data in the sensor data space, and the sensor data to be determined is determined by the identification boundary. Classify as either normal or abnormal.
  • the device diagnostic unit 212 which is a one-class classifier based on the learning data at the normal time, determines whether the sensor data is classified into the normal class of the learning data, that is, the industrial device 10 to be diagnosed is normal. It is possible to diagnose whether it is abnormal or not.
  • the device diagnosis unit 212 outputs the diagnosis result to the classification unit 213, the transmission unit 214, and the display control unit 215, which will be described later.
  • the classification unit 213 classifies the abnormality of the industrial equipment 10 based on the sensor signal and the classification learning model described later. Specifically, as will be described later, the classification unit 213 acquires (downloads) a one-class classifier as a classification learning model based on the learning data of the abnormality Ai from the server 30, and the acquired one-class classifier. To add. Classifying unit 213, by using the added one-class classifier and the sensor data, whether, i.e. abnormality or abnormal A i whether industrial equipment 10 or the sensor data is classified into the class of the training data of the abnormal A i Is determined. Note that i is an integer from 1 to n, and n is an integer of 1 or more.
  • the classification unit 213 classifies the abnormality of the industrial equipment 10 to be diagnosed based on the sensor data of the industrial equipment 10 diagnosed as abnormal by the equipment diagnosis unit 212. For example, the classification unit 213 uses a one-class classifier based on the learning data of each known abnormality A i generated by the server 30 described later, and determines whether or not the sensor data matches the learning data of the abnormality A i. by determining determines whether an abnormality is an abnormality a i of industrial equipment 10. On the other hand, the classification unit 213, when judging that none of the abnormal A 1 abnormal A n, may determine the sensor data and unknown data. Then, the classification unit 213 outputs the classification result to the transmission unit 214, the display control unit 215, and the label information generation unit 216.
  • the classification unit 213 determines that the sensor data is unknown data. You may.
  • the classification learning model is a trained model of the neural network
  • the classification unit 213 determines that the value of the output layer (softmax function) of the neural network is equal to or less than a predetermined value preset for all classes. It may be determined as unknown data.
  • the classification learning model is one classifier learned data of all classes of abnormal A n from the known anomaly A 1 as inputs
  • the classification unit 213 the output of the one-class classifier is set in advance If it is large or small with respect to the threshold value, it may be determined as unknown data.
  • the classification unit 213, a class classifier based on known abnormal A i each training data obtained from the server 30, using the acquired one-class classifier and the sensor data, classifies the abnormality of industrial equipment 10
  • the classification unit 213 acquires, for example, a classifier such as an SVM or a decision tree generated by machine learning in the server 30 described later from the server 30, and the acquired classifier such as the SVM or the decision tree and sensor data. May be used to classify the abnormality of the industrial equipment 10.
  • the classification unit 213, whether the data of the abnormal A n from the known anomaly A 1 to the servers 30 to be described later, may be one classifier for classifying the one unknown data.
  • the transmission unit 214 determines whether or not the sensor signal can be transmitted to the server 30 based on the diagnosis result of the device diagnosis unit 212, the classification result of the classification unit 213, or both, and if it is determined that the sensor signal can be transmitted, the sensor signal. To the server 30. Specifically, in the transmission unit 214, when the industrial equipment 10 is diagnosed as abnormal by the equipment diagnosis unit 212 and the sensor data of the sensor signal is classified as unknown data by the classification unit 213, the sensor signal including the sensor data is classified. Is determined to be transmitted to the server 30. Then, the transmission unit 214 transmits the sensor signal to the server 30. That is, the transmission unit 214 can reduce the load on the network and the load on the user by transmitting only the sensor signal of the sensor data determined by the classification unit 213 to the server 30 to the server 30. ..
  • the display control unit 215 displays on the display unit 22 a user interface that prompts the user to transmit the sensor signal at a timing when data transmission is necessary.
  • the display control unit 215 is a user including, for example, a message such as "Please send data to the server 30" and a "send” button at the timing when the transmission unit 214 transmits the sensor signal.
  • the interface may be displayed on the display unit 22.
  • the display control unit 215 may display the diagnosis result of the device diagnosis unit 212, the classification result of the classification unit 213, or both results on the display unit 22.
  • the label information generation unit 216 determines the generation timing of the label indicating the content of the abnormality of the industrial equipment 10 with respect to the sensor signal based on the classification result of the classification unit 213, and generates the label for the sensor signal to be transmitted. Specifically, the label information generation unit 216 “damages the spindle bearing” and “guide sliding surface” at the timing when the transmission unit 214 transmits the sensor data determined to be unknown data by the classification unit 213, for example.
  • a label indicating the content of the abnormality of the industrial equipment 10 is generated in a form combining an abnormal part such as "deterioration” or "tool breakage” and an abnormal phenomenon.
  • the label information generation unit 216 uses, for example, an input device (not shown) of the diagnostic device 20 and a label based on the user's input such as abnormal noise and vibration generated at the time when the industrial device 10 becomes abnormal. May be generated. Further, the label information generation unit 216 may display a screen prompting the user to input the label on the display unit 22 and have the user input the label. Further, the label information generation unit 216 may generate a label based on the (other) sensor signal, the device operating status, the environmental status, and the like at the acquisition time of the data to be labeled.
  • the label format is not limited to the format in which the abnormal site and the abnormal phenomenon are combined, and may be another format.
  • the server 30 is, for example, a computer device, and communicates with the diagnostic device 20 via a network (not shown). As shown in FIG. 1, the server 30 has a classification model learning unit 31.
  • the server 30 includes an arithmetic processing unit such as a CPU in order to realize the functional block of the classification model learning unit 31.
  • the server 30 is an auxiliary storage device such as an HDD that stores various control programs such as application software and an OS (Operating System), and data temporarily required for the arithmetic processing device to execute the program. It also has a main storage device such as a RAM for storing.
  • the arithmetic processing device reads the application software and the OS from the auxiliary storage device, and while deploying the read application software and the OS to the main storage device, performs arithmetic processing based on these application software and the OS. Further, based on the calculation result, various hardware included in the server 30 is controlled. Thereby, the functional block of this embodiment is realized. That is, this embodiment can be realized by the cooperation of hardware and software. In addition, each function of the server 30 may be realized by using the virtual server function or the like on the cloud.
  • the classification model learning unit 31 receives, for example, sensor data and labels determined to be unknown data by the diagnostic device 20 from the diagnostic device 20.
  • the classification model learning unit 31 stores the received sensor data and the label in a storage area corresponding to the contents of the label in the storage area (not shown) of the storage unit (not shown) such as an HDD included in the server 30. Then, for example, when the number of sensor data in the storage area for each label becomes equal to or more than a preset predetermined number of data, the classification model learning unit 31 has only one class of sensor data in the storage area as learning data.
  • the classification model learning unit 31 transmits a classification learning model for classifying the newly generated anomaly An + 1 to the diagnostic apparatus 20.
  • the classification model learning unit 31 accepts a set of the sensor data of the abnormality An + 1 and the label as training data, and uses the received training data to perform supervised learning to input the sensor data in the input layer.
  • a trained model of a neural network that predicts the probability (softmax function) of anomalies An + 1 in the output layer may be constructed.
  • the classification model learning unit 31 may generate a classifier, such as SVM or decision trees, or the data of the abnormal A n from the known anomaly A 1 to the servers 30 are classified into whether the unknown data, A one-class classifier may be generated.
  • a classifier such as SVM or decision trees
  • FIG. 2 is a flowchart illustrating a diagnostic process of the diagnostic device 20 and a collection process of the server 30.
  • step S11 the sensor signal acquisition unit 211 acquires a sensor signal including the sensor data measured by the sensor 11 of the industrial equipment 10.
  • step S12 the device diagnosis unit 212 diagnoses whether the industrial device 10 is normal or abnormal based on the sensor data of the sensor signal acquired in step S11.
  • step S13 when the industrial equipment 10 is diagnosed as abnormal in step S12, the classification unit 213 classifies the abnormality of the industrial equipment 10 based on the sensor data.
  • step S14 the display control unit 215 displays the diagnosis result and the classification result on the display unit 22.
  • step S15 the transmission unit 214 determines whether or not the sensor signal can be transmitted based on the diagnosis result in step S12, the classification result in step S13, or both results. If it is determined to transmit the sensor signal, the process proceeds to step S16. On the other hand, if it is determined that the sensor signal is not transmitted, the process returns to step S11.
  • step S16 the label information generation unit 216 determines the label generation timing for the sensor data determined to be unknown data in step S13, and generates a label for the sensor data.
  • step S17 when the user presses the "send" button of the user interface displayed on the display unit 22, the transmission unit 214 transmits the sensor signal of the sensor data of the unknown data to which the label is attached to the server 30. do. Then, the process returns to step S11.
  • step S31 the classification model learning unit 31 of the server 30 receives the sensor signal of the sensor data of the unknown data with the label added in step S17 from the diagnostic apparatus 20, and receives the sensor data and the label. It is stored in the storage area corresponding to the contents of the label in the storage area of the storage unit (not shown) of the server 30.
  • the diagnostic device 20 performs the processing related to the acquisition of the sensor signal and the processing related to the label generation and transmission of unknown data in chronological order, but they are executed in parallel or individually. May be good.
  • FIG. 3 is a flowchart illustrating the acquisition process of the diagnostic apparatus 20 and the learning process of the server 30.
  • step S51 the classification model learning unit 31 determines whether or not the sensor data collected by the collection process of FIG. 2 is equal to or more than a preset predetermined number of data. If the collected sensor data is equal to or greater than the predetermined number of data, the process proceeds to step S52. On the other hand, when the collected sensor data is less than the predetermined number of data, the process waits in step S51 until the sensor data becomes the predetermined number of data or more.
  • step S52 the classification model learning unit 31 generates a classification learning model to be classified as a new anomaly An + 1 by performing machine learning using sensor data and labels collected from a predetermined number of data or more.
  • step S53 the classification model learning unit 31 of the server 30 sends a message to the diagnostic device 20 that a classification learning model for classifying the new abnormality Ann + 1 has been generated.
  • step S41 the classification unit 213 of the diagnostic apparatus 20 determines whether or not a message indicating that a classification learning model for classifying a new abnormality An + 1 has been generated has been received from the server 30.
  • the process proceeds to step S42. On the other hand, if the message has not been received, the process waits in step S41 until the message is received.
  • step S42 the classification unit 213 downloads and acquires the classification learning model generated from the server 30.
  • the learning process of the server 30 exemplifies the mini-batch process, it may be replaced with the batch process or the real-time process instead of the mini-batch process.
  • the diagnostic device 20 acquires a sensor signal including the sensor data measured by the sensor 11 of the industrial device 10, and determines whether the industrial device 10 is normal or abnormal based on the acquired sensor data. Diagnose.
  • the diagnostic apparatus 20 classifies the abnormality of the industrial equipment 10 based on the sensor data.
  • the diagnostic apparatus 20 determines that the sensor data can be transmitted to the server 30 and transmits the sensor data to the server 30.
  • the diagnostic apparatus 20 can select only unknown data that has a great influence on the functional improvement at the vendor, and upload the selected unknown data to the server 30. By doing so, the diagnostic device 20 can reduce the load on the network. Further, the diagnostic device 20 can reduce the user load by labeling (annotating) unknown data to be uploaded to the selected server 30.
  • the first embodiment has been described above.
  • the diagnostic device 20 diagnoses whether the industrial device 10 is normal or abnormal by using the sensor data included in the sensor signal from the sensor 11, and when the industrial device 10 is diagnosed as abnormal, the server 30 The abnormality of the industrial equipment 10 was classified using the classification learning model generated by the above and the sensor data, and when the sensor data was determined to be unknown data, the sensor data was transmitted to the server 30.
  • the diagnostic device 20A diagnoses whether the industrial device 10 is normal or abnormal by using the sensor data included in the sensor signal from the sensor 11, and diagnoses the industrial device 10 as abnormal.
  • the diagnostic device 20A diagnoses whether the industrial device 10 is normal or abnormal based on the acquired sensor signal, and if the industrial device is diagnosed as abnormal, the sensor signal is transmitted to the server 30A. Then, based on the classification result for the abnormality of the industrial equipment 10 acquired from the server 30A, the timing of generating the label for the sensor signal is determined, the label is generated, and the generated label is transmitted to the server 30A. Different from the form. By doing so, the diagnostic apparatus 20A can select only the data diagnosed as abnormal by the industrial device 10 having a great influence on the functional improvement at the vendor, and upload the selected data to the server 30A.
  • the second embodiment will be described below.
  • FIG. 4 is a functional block diagram showing a functional configuration example of the diagnostic system according to the second embodiment.
  • the elements having the same functions as the elements of the diagnostic system 1 of FIG. 1 are designated by the same reference numerals, and detailed description thereof will be omitted.
  • the diagnostic system 1 according to the second embodiment includes an industrial device 10, a diagnostic device 20A, and a server 30A.
  • the industrial equipment 10 is a machine tool, an industrial robot, or the like known to those skilled in the art, and includes a sensor 11, as in the case of the first embodiment.
  • the industrial equipment 10 operates based on an operation instruction from a control device (not shown).
  • the senor 11 measures a state related to the movement of the motor included in the industrial equipment 10 and the movable parts (not shown) such as the spindle and the arm attached to the motor.
  • the sensor 11 outputs sensor data, which is a measured value, to the diagnostic device 20.
  • the diagnostic device 20A includes a control unit 21a and a display unit 22. Further, the control unit 21a includes a sensor signal acquisition unit 211, a device diagnosis unit 212, a transmission unit 214a, a display control unit 215, and a label information generation unit 216a.
  • the function corresponding to the classification unit 213 of the first embodiment is realized as the classification unit 32 of the server 30A described later. That is, the diagnostic device 20A according to the second embodiment does not classify the abnormality generated in the industrial device 10 by using the sensor data measured by the sensor 11. Further, the display unit 22 has the same function as the display unit 22 in the first embodiment.
  • control unit 21a Similar to the control unit 21 of the first embodiment, the control unit 21a has a CPU (Central Processing Unit), a ROM (Read Only Memory), a RAM, a CMOS (Complementary Metal-Oxide-Semiconductor) memory, and the like. It is known to those skilled in the art that it is configured to be communicable with each other via a bus.
  • the CPU is a processor that controls the diagnostic device 20A as a whole. The CPU reads out the system program and the application program stored in the ROM via the bus, and controls the entire diagnostic apparatus 20 according to the system program and the application program.
  • the control unit 21a is configured to realize the functions of the sensor signal acquisition unit 211, the device diagnosis unit 212, the transmission unit 214a, the display control unit 215, and the label information generation unit 216a.
  • NS Central Processing Unit
  • ROM Read Only Memory
  • RAM Random Access Memory
  • CMOS Complementary Metal-Oxide-Semiconductor
  • the sensor signal acquisition unit 211, the device diagnosis unit 212, and the display control unit 215 have the same functions as the sensor signal acquisition unit 211, the device diagnosis unit 212, and the display control unit 215 in the first embodiment.
  • the transmission unit 214a transmits a sensor signal to the server 30A. That is, the transmission unit 214a can reduce the load on the network and the load on the user by transmitting only the sensor signal of the sensor data for which the industrial equipment 10 is diagnosed as abnormal by the equipment diagnosis unit 212 to the server 30A. .. Then, as will be described later, when the transmitted sensor data is classified by the unknown data and the server 30A, the transmission unit 214a uses the label information generation unit 216a, which will be described later, to generate a label for the sensor data on the server 30A. May be sent to.
  • the label information generation unit 216a When the label information generation unit 216a receives the classification result for the sensor signal transmitted by the transmission unit 214a from the server 30A described later, the label information generation unit 216a has a label indicating the content of the abnormality of the industrial device 10 with respect to the sensor signal based on the received classification result. Determine the generation timing and generate the label. The transmission unit 214a transmits the generated label to the server 30A. Specifically, the label information generation unit 216a "damages the spindle bearing” and “damages the spindle bearing” at the timing when the classification result in which the sensor data of the sensor signal transmitted by the transmission unit 214a is determined to be unknown data is received from the server 30A.
  • a label indicating the content of the abnormality of the industrial equipment 10 is generated in a form combining an abnormal part such as "deterioration of the guide sliding surface” or “tool breakage” and an abnormal phenomenon.
  • the label information generation unit 216a uses, for example, an input device (not shown) of the diagnostic device 20 and a label based on the user's input such as abnormal noise and vibration generated at the time when the industrial device 10 becomes abnormal. May be generated. Further, the label information generation unit 216a may display a screen prompting the user to input the label on the display unit 22 and have the user input the label.
  • the label information generation unit 216a may generate a label based on the (other) sensor signal, the device operating status, the environmental status, and the like at the acquisition time of the data to be labeled.
  • the label format is not limited to the format in which the abnormal site and the abnormal phenomenon are combined, and may be another format.
  • the server 30A is a computer device like the server 30 of the first embodiment, and communicates with the diagnostic device 20A via a network (not shown). As shown in FIG. 4, the server 30A has a classification model learning unit 31 and a classification unit 32.
  • the server 30A includes an arithmetic processing unit such as a CPU in order to realize the functional blocks of the classification model learning unit 31 and the classification unit 32. Further, the server 30A stores an auxiliary storage device such as an HDD that stores various control programs such as application software and an OS, and data temporarily required for the arithmetic processing device to execute the program. It also has a main storage device such as RAM.
  • the arithmetic processing device reads the application software and the OS from the auxiliary storage device, and while deploying the read application software and the OS to the main storage device, performs arithmetic processing based on these application software and the OS. Further, based on the calculation result, various hardware included in the server 30 is controlled. As a result, the functional block of the second embodiment is realized. That is, the second embodiment can be realized by the cooperation of hardware and software. In addition, each function of the server 30A may be realized by using the virtual server function or the like on the cloud.
  • the classification model learning unit 31 has the same function as the classification model learning unit 31 of the first embodiment. However, the classification model learning unit 31 according to the second embodiment outputs the generated classification learning model to the classification unit 32 described later.
  • the classification unit 32 uses the sensor data of the sensor signal received from the diagnostic device 20A when the industrial equipment 10 is diagnosed as abnormal, and the classification learning model generated by the classification model learning unit 31, to determine the abnormality of the industrial equipment 10. Make a classification.
  • the classification unit 32 similarly to the classification unit 213 of the first embodiment, for example, 1 and class classifier based on training data of the generated abnormal A i by the classification model learning unit 31, the received and data, using, whether the received sensor data are classified into classes of the learning data of the abnormality a i, i.e. anomalies industrial equipment 10 is to classify whether an abnormality a i.
  • the classification unit 32 classifies the abnormality of the industrial equipment 10 based on the sensor data of the industrial equipment 10 diagnosed as an abnormality by the diagnostic apparatus 20A.
  • the classification section 32 uses the one-class classifier based on known abnormal A i each learning data generated by the classification model learning unit 31, the received sensor data fits the training data of the abnormal A i by determining whether determines whether an abnormality is an abnormality a i of industrial equipment 10.
  • the classification unit 32 determines that any of the abnormalities Ai is determined, if the number of sensor data corresponding to the determined abnormalities Ai is less than the predetermined number of samples, the sensor data is regarded as unknown data. You may judge.
  • the classification learning model is a trained model of the neural network
  • the classification unit 32 determines that the value of the output layer (softmax function) of the neural network is equal to or less than a predetermined value preset for all classes. It may be determined as unknown data.
  • the classification unit 32 has a large or small output of the one-class classifier with respect to a preset threshold value. In some cases, it may be determined as unknown data.
  • FIG. 5 is a flowchart illustrating a diagnostic process of the diagnostic device 20A and a collection process of the server 30A.
  • step S61 the sensor signal acquisition unit 211 performs the same processing as in step 11 in the first embodiment, and acquires a sensor signal including the sensor data measured by the sensor 11 of the industrial equipment 10.
  • step S62 the device diagnosis unit 212 diagnoses whether or not the industrial device 10 is abnormal based on the sensor data of the sensor signal acquired in step S61. If the industrial equipment 10 is abnormal, the process proceeds to step S63. On the other hand, if the industrial equipment 10 is normal, the process returns to step S61.
  • step S63 the transmission unit 214a transmits the sensor data for which the industrial device 10 is diagnosed as abnormal in step S62 to the server 30A.
  • step S71 the classification unit 32 of the server 30A receives the sensor data transmitted in step S63 from the diagnostic device 20A.
  • step S72 the classification unit 32 classifies the abnormality of the industrial equipment 10 based on the sensor data received in step S71.
  • step S73 the classification unit 32 transmits the classification result classified in step S72 to the diagnostic device 20A.
  • step S64 the display control unit 215 of the diagnostic device 20A receives the classification result from the server 30A.
  • step S65 the display control unit 215 performs the same processing as in step 14 in the first embodiment, and displays the diagnosis result and the classification result on the display unit 22.
  • step S66 the label information generation unit 216a determines whether or not the sensor data transmitted in step S63 is classified by the unknown data and the server 30A based on the classification result received in step S64. If the sensor data is classified as unknown data, the process proceeds to step S67. On the other hand, if the sensor data is not unknown data, i.e. it classified as either data from abnormal A 1 anomaly A n, the process returns to the step S61.
  • step S67 the label information generation unit 216a determines the label generation timing for the sensor data classified as unknown data by the server 30A, and generates the label for the sensor data.
  • step S68 the transmission unit 214a transmits the label generated in step S67 to the server 30A when the "send" button of the user interface displayed on the display unit 22 is pressed by the user. Then, the process returns to step S61.
  • step S74 the classification model learning unit 31 receives the label of the sensor data classified as unknown data in step S72 from the diagnostic device 20A, and the received sensor data and the label are stored in the storage unit (not shown) of the server 30A. Store in the storage area corresponding to the contents of the label in the storage area.
  • the diagnostic device 20A performed the processing related to the acquisition of the sensor signal and the processing related to the label generation and transmission of unknown data in chronological order, but executed them in parallel or individually. May be good. Further, the server 30A performs the processing of steps S71 to S73 and the processing of step S74 in chronological order, but may be executed in parallel or individually.
  • FIG. 6 is a flowchart illustrating the learning process of the server 30A.
  • step S81 the classification model learning unit 31 performs the same processing as in step 51 in the first embodiment, and determines whether or not the sensor data collected by the collection processing of FIG. 5 is equal to or more than a preset predetermined number of data. judge. If the collected sensor data is equal to or greater than the predetermined number of data, the process proceeds to step S82. On the other hand, when the collected sensor data is less than the predetermined number of data, the process waits in step S81 until the sensor data becomes the predetermined number of data or more.
  • step S82 the classification model learning unit 31 performs the same processing as in step 52 in the first embodiment, and performs machine learning using sensor data and labels collected in a predetermined number or more, thereby performing a new abnormality.
  • a classification learning model to be classified as An + 1 is generated, and the generated classification learning model is output to the classification unit 32.
  • the learning process of the server 30A exemplifies the mini-batch process, it may be replaced with the batch process or the real-time process instead of the mini-batch process.
  • the diagnostic device 20A acquires a sensor signal including the sensor data measured by the sensor 11 of the industrial device 10, and determines whether the industrial device 10 is normal or abnormal based on the acquired sensor data. Diagnose.
  • the diagnostic device 20A transmits the acquired sensor signal to the server 30A.
  • the diagnostic apparatus 20A determines that the sensor data transmitted by the server 30A is unknown data, the diagnostic apparatus 20A generates a label for the sensor data and transmits the generated label to the server 30A.
  • the diagnostic apparatus 20A can select only the data diagnosed as an abnormality of the industrial equipment 10 having a great influence on the functional improvement at the vendor, and upload the selected data to the server 30A.
  • the diagnostic device 20A can reduce the load on the network. Further, the diagnostic device 20A can reduce the user load by labeling (annotating) the data determined to be unknown by the server 30A among the transmitted data diagnosed as an abnormality of the industrial device 10. can.
  • the second embodiment has been described above.
  • the diagnostic devices 20, 20A, and the servers 30 and 30A are not limited to the above-described embodiments, and are modified to the extent that the object can be achieved. Including improvements, etc.
  • the diagnostic devices 20 and 20A are exemplified as devices different from the industrial device 10, but the industrial device 10 is provided with a part or all of the functions of the diagnostic devices 20 and 20A. You may.
  • the server may include a part or all of the unit 211, the device diagnosis unit 212, the transmission unit 214a, the display control unit 215, and the label information generation unit 216a.
  • each function of the diagnostic devices 20 and 20A may be realized by using the virtual server function or the like on the cloud. Further, the diagnostic devices 20 and 20A may be a distributed processing system in which the functions of the diagnostic devices 20 and 20A are appropriately distributed to a plurality of servers.
  • the diagnostic devices 20 and 20A are connected to one industrial device 10, but the present invention is not limited to this, and the diagnostic devices 20 and 20A may be connected to a plurality of industrial devices 10. good.
  • the servers 30 and 30A are connected to one diagnostic device 20 and 20A, but the present invention is not limited thereto.
  • the server 30B stores the classification learning model generated by the classification model learning unit 31 of the server 30B for each industrial device 10A (1) -10A (m), and is connected to the network 60.
  • the classification learning model may be shared with m diagnostic devices 20B (1) -20B (m) (m is an integer of 2 or more). As a result, the classification learning model can be applied even if new industrial equipment and diagnostic equipment are installed.
  • Each of the diagnostic devices 20B (1) -20B (m) is connected to each of the industrial equipment 10A (1) -10A (m).
  • each of the industrial devices 10A (1) to 10A (m) corresponds to the industrial devices 10 of the first embodiment and the second embodiment, and may be the same model or different models from each other.
  • Each of the diagnostic devices 20B (1) to 20B (m) corresponds to the diagnostic device 20 of the first embodiment or the diagnostic device 20A of the second embodiment.
  • the server 30B corresponds to the server 30 of the first embodiment or the server 30A of the second embodiment.
  • the functions included in the diagnostic devices 20 and 20A and the servers 30 and 30A in the first embodiment and the second embodiment can be realized by hardware, software, or a combination thereof, respectively.
  • what is realized by software means that it is realized by a computer reading and executing a program.
  • Non-transitory computer-readable media include various types of tangible recording media (Tangible storage media).
  • Examples of non-temporary computer-readable media include magnetic recording media (eg, flexible disks, magnetic tapes, hard disk drives), magneto-optical recording media (eg, magneto-optical disks), CD-ROMs (Read Only Memory), and CD-.
  • the program may also be supplied to the computer by various types of temporary computer-readable media (Transity computer readable medium).
  • temporary computer-readable media include electrical, optical, and electromagnetic waves.
  • the temporary computer-readable medium can supply the program to the computer via a wired communication path such as an electric wire and an optical fiber, or a wireless communication path.
  • the step of describing the program to be recorded on the recording medium is not only the processing performed in chronological order but also the processing executed in parallel or individually even if it is not necessarily processed in chronological order. Also includes.
  • the diagnostic apparatus, server, and diagnostic method of the present disclosure can take various embodiments having the following configurations.
  • One aspect of the diagnostic device 20 of the present disclosure is a diagnostic device communicably connected to a server 30 that learns an abnormality of the industrial device 10 and generates a classification learning model of the abnormality, and is the industrial device 10.
  • the sensor signal acquisition unit 211 that acquires the sensor signal including the measured value measured by at least one sensor 11 arranged in the device, and the device diagnosis that diagnoses whether the industrial device 10 is normal or abnormal based on the acquired sensor signal.
  • the diagnosis results of the classification unit 213 and the equipment diagnosis unit 212 that classify the abnormality of the industrial equipment based on the sensor signal and the classification learning model.
  • a transmission unit 214 that determines whether or not the sensor signal can be transmitted to the server 30 based on at least one of the classification results of the classification unit 213, and if it is determined that the sensor signal can be transmitted, transmits the sensor signal to the server 30. .. According to the diagnostic device 20, only the data having a great influence on the functional improvement in the vendor can be selected, and the selected data can be uploaded to the server.
  • the classification unit 213 outputs the sensor signal when at least the abnormality of the industrial equipment 10 cannot be classified based on the sensor signal or the abnormality is smaller than the preset number of samples.
  • the transmission unit 214 may transmit the sensor signal classified as unknown data to the server 30. By doing so, the diagnostic device 20 can reduce the load on the network by transmitting only the sensor signal of the sensor data determined to be unknown data to the server 30 to the server 30.
  • the device diagnostic unit 212 learns the characteristics of the sensor signal in the normal state in advance, and is an industrial device based on the degree of deviation from the characteristics in the normal state. It may be a one-class classifier that detects 10 abnormalities. By doing so, the diagnostic apparatus 20 can easily diagnose the abnormality of the industrial equipment 10 based on the sensor data.
  • the diagnostic apparatus 20 based on the classification result of the classification unit 213, the generation timing of the label indicating the content of the abnormality of the industrial equipment 10 with respect to the sensor signal is determined.
  • a label information generation unit 216 for generating a label is further provided, and the transmission unit 214 may transmit a sensor signal and a label to the server 30. By doing so, the diagnostic apparatus 20 can reduce the load on the user by labeling only the sensor signal of the sensor data determined to be unknown data to the server 30.
  • the diagnostic apparatus 20 can easily diagnose the abnormality of the industrial equipment 10 based on the sensor data.
  • the classification learning model is updated every time the server 30 receives a new sensor signal from the diagnostic apparatus 20, and the classification unit 213 uses the updated classification learning model. It may be used to classify the abnormality of the industrial equipment 10. By doing so, the diagnostic apparatus 20 can improve the accuracy of classification.
  • the display control unit 215 displays a user interface prompting the transmission of the sensor signal on the display unit 22. May be further provided. By doing so, the diagnostic device 20 can transmit the sensor signal to the server 30 at the timing desired by the user.
  • the display control unit 215 may display at least one of the diagnostic result of the device diagnostic unit 212 and the classification result of the classification unit 213 on the display unit 22. By doing so, the user can confirm whether or not an abnormality has occurred in the industrial equipment 10 and the occurrence of the abnormality.
  • One aspect of the diagnostic device 20A of the present disclosure is provided with a classification learning model for classifying abnormalities by inputting a sensor signal indicating an abnormality acquired from an industrial device 10, and also learns classification of sensor signals that cannot be classified.
  • a sensor that acquires sensor signals including measured values measured by at least one sensor 11 arranged in the industrial equipment 10, which is a diagnostic device communicably connected to the server 30A that updates the classification learning model.
  • the label for generating the label is determined by determining the generation timing of the label indicating the content of the abnormality of the industrial equipment 10 with respect to the sensor signal.
  • the information generation unit 216a and the transmission unit 214a include the information generation unit 216a, and the transmission unit 214a transmits the label to the server 30A. According to this diagnostic device 20A, the same effect as in (1) can be obtained.
  • One aspect of the server 30 of the present disclosure is a server communicably connected to the diagnostic device 20 according to any one of (1) to (8), and a sensor signal received from the diagnostic device 20.
  • a classification model learning unit 31 is provided which learns an abnormality of the industrial device 10 to generate a classification learning model and transmits the generated classification learning model to the diagnostic apparatus 20. According to this server 30, it is possible to receive only the data that has a great influence on the improvement of the function at the vendor.
  • One aspect of the server 30A of the present disclosure is a server communicably connected to the diagnostic device 20A according to (9), and the industrial equipment 10 uses a sensor signal received from the diagnostic device 20A. It includes a classification model learning unit 31 that learns anomalies and generates a classification learning model, and a classification unit 32 that classifies abnormalities of the industrial equipment 10 based on a sensor signal and a classification learning model. According to this server 30A, it is possible to receive only the data that has a great influence on the improvement of the function at the vendor.
  • One aspect of the diagnostic method of the present disclosure is a diagnostic method using a server 30 that learns an abnormality of an industrial device 10 and generates an abnormality classification learning model, and a diagnostic device 20 that is communicably connected.
  • the server 30 is provided with a transmission step of determining whether or not the sensor signal can be transmitted, and if it is determined that the sensor signal can be transmitted, transmitting the sensor signal to the server 30. According to this diagnostic method, the same effect as in (1) can be obtained.
  • One aspect of the diagnostic method of the present disclosure is provided with a classification learning model for classifying abnormalities by inputting a sensor signal indicating an abnormality acquired from the industrial equipment 10, and learning the classification of sensor signals that cannot be classified.
  • a sensor signal including measured values measured by at least one sensor 11 arranged in the industrial equipment 10 which is a diagnostic method using a server 30A for updating the classification learning model and a diagnostic device 20A connected communicably.
  • the label information generation step for determining the generation timing of the label indicating the content of the abnormality of the industrial device 10 with respect to the sensor signal and generating the label.
  • the transmission step transmits the label to the server 30A. According to this diagnostic method, the same effect as in (1) can be obtained.
  • Diagnostic system 10 Industrial equipment 11 Sensor 20, 20A Diagnostic device 21, 21a Control unit 211 Sensor signal acquisition unit 212 Equipment diagnostic unit 213 Classification unit 214, 214a Transmission unit 215 Display control unit 216, 216a Label information generation unit 22 Display unit 30 , 30A server 31 classification model learning unit 32 classification unit

Landscapes

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

Abstract

ベンダでの機能改善に影響が大きいデータのみを選別し、選別されたデータをサーバにアップロードすること。　診断装置は、産業機器の異常を学習して前記異常の分類学習モデルを生成するサーバと、通信可能に接続される診断装置であって、前記産業機器に配置された少なくとも１つのセンサにより測定された測定値を含むセンサ信号を取得するセンサ信号取得部と、取得された前記センサ信号に基づいて前記産業機器が正常か異常かを診断する機器診断部と、前記機器診断部により前記産業機器が異常と診断された場合、前記センサ信号と前記分類学習モデルとに基づいて前記産業機器の異常の分類を行う分類部と、前記機器診断部の診断結果、及び前記分類部の分類結果の少なくとも１つに基づいて、前記サーバに前記センサ信号の送信可否を判断し、送信可と判断した場合、前記センサ信号を前記サーバに送信する送信部と、を備える。

Description

診断装置、サーバ、及び診断方法
　本発明は、診断装置、サーバ、及び診断方法に関する。
　工作機械やロボット等の産業機器の診断（故障の予知や検知等）を行う診断装置がある。当該診断装置では、診断精度向上等の機能改善のためにユーザの産業機器に配置されたセンサが測定した測定値のセンサデータを、産業機器の製造元や販売元等のベンダが回収する必要がある。
　この点、対象装置の現在の動作に対応するコンテキスト情報と、当該動作において検知された音響データ等の検知情報と、を学習装置に送信し、同一又は類似であるコンテキスト情報にそれぞれ対応する検知情報から生成されたモデルを結合する学習装置から、送信したコンテキスト情報に対応するモデルを取得し、検知された検知情報と、取得されたモデルと、を用いて、対象装置の動作が正常か否かを判定する技術が知られている。例えば、特許文献１参照。
特開２０１８－２５９４５号公報
　しかしながら、例えば、産業機器のセンサデータをベンダのサーバ等に常時アップロードすることは困難である。すなわち、産業機器のセンサデータの容量は一般的に大きく、全データをアップロードするとネットワーク帯域を圧迫してしまう。また、セキュリティの観点から産業機器は、外部ネットワークに常時接続されていないケースが多い。
　また、センサデータに対するラベル付（アノテーション）が必要な場合、対象データ数が多いとユーザの負荷が増えるという問題もある。
　そこで、ベンダでの機能改善に影響が大きいデータのみを選別し、選別されたデータをサーバにアップロードすることが望まれている。
　（１）本開示の診断装置の一態様は、産業機器の異常を学習して前記異常の分類学習モデルを生成するサーバと、通信可能に接続される診断装置であって、前記産業機器に配置された少なくとも１つのセンサにより測定された測定値を含むセンサ信号を取得するセンサ信号取得部と、取得された前記センサ信号に基づいて前記産業機器が正常か異常かを診断する機器診断部と、前記機器診断部により前記産業機器が異常と診断された場合、前記センサ信号と前記分類学習モデルとに基づいて前記産業機器の異常の分類を行う分類部と、前記機器診断部の診断結果、及び前記分類部の分類結果の少なくとも１つに基づいて、前記サーバに前記センサ信号の送信可否を判断し、送信可と判断した場合、前記センサ信号を前記サーバに送信する送信部と、を備える。
　（２）本開示の診断装置の一態様は、産業機器から取得される異常を示すセンサ信号を入力することで前記異常を分類する分類学習モデルを備えるとともに分類付けできない前記センサ信号の分類を学習して前記分類学習モデルを更新するサーバと、通信可能に接続される診断装置であって、前記産業機器に配置された少なくとも１つのセンサにより測定された測定値を含むセンサ信号を取得するセンサ信号取得部と、取得された前記センサ信号に基づいて前記産業機器が正常か異常かを診断する機器診断部と、前記機器診断部により前記産業機器が異常と診断された場合、前記サーバに前記センサ信号を送信する送信部と、前記サーバから取得された前記センサ信号に対する分類結果に基づいて、前記センサ信号に対する前記産業機器の異常の内容を示すラベルの生成タイミングを判断し、前記ラベルを生成するラベル情報生成部と、を備え、前記送信部は、前記ラベルを前記サーバに送信する。
　（３）本開示のサーバの一態様は、（１）の診断装置と通信可能に接続されるサーバであって、前記診断装置から受信されたセンサ信号を用いて前記産業機器の異常を学習して前記分類学習モデルを生成し、生成した前記分類学習モデルを前記診断装置に送信する分類モデル学習部を備える。
　（４）本開示のサーバの一態様は、（２）の診断装置と通信可能に接続されるサーバであって、前記診断装置から受信されたセンサ信号を用いて前記産業機器の異常を学習して前記分類学習モデルを生成する分類モデル学習部と、前記センサ信号と前記分類学習モデルとに基づいて前記産業機器の異常の分類を行う分類部と、を備える。
　（５）本開示の診断方法の一態様は、産業機器の異常を学習して前記異常の分類学習モデルを生成するサーバと、通信可能に接続される診断装置による診断方法であって、産業機器に配置された少なくとも１つのセンサにより測定された測定値を含むセンサ信号を取得するセンサ信号取得ステップと、取得された前記センサ信号に基づいて前記産業機器が正常か異常かを診断する機器診断ステップと、前記産業機器が異常と診断された場合、前記センサ信号と前記分類学習モデルとに基づいて前記産業機器の異常の分類を行う分類ステップと、前記機器診断ステップの診断結果、及び前記分類ステップの分類結果の少なくとも１つに基づいて、前記サーバに前記センサ信号の送信可否を判断し、送信可と判断した場合、前記センサ信号を前記サーバに送信する送信ステップと、を備える。
　（６）本開示の診断方法の一態様は、産業機器から取得される異常を示すセンサ信号を入力することで前記異常を分類する分類学習モデルを備えるとともに分類付けできない前記センサ信号の分類を学習して前記分類学習モデルを更新するサーバと、通信可能に接続される診断装置による診断方法であって、産業機器に配置された少なくとも１つのセンサにより測定された測定値を含むセンサ信号を取得するセンサ信号取得ステップと、取得された前記センサ信号に基づいて前記産業機器が正常か異常かを診断する機器診断ステップと、前記産業機器が異常と診断された場合、前記サーバに前記センサ信号を送信する送信ステップと、前記サーバから取得された前記センサ信号に対する分類結果に基づいて、前記センサ信号に対する前記産業機器の異常の内容を示すラベルの生成タイミングを判断し、前記ラベルを生成するラベル情報生成ステップと、を備え、前記送信ステップは、前記ラベルを前記サーバに送信する。
　一態様によれば、ベンダでの機能改善に影響が大きいデータのみを選別し、選別されたデータをサーバにアップロードすることができる。
第１実施形態に係る診断システムの機能的構成例を示す機能ブロック図である。 診断装置の診断処理、及びサーバの収集処理について説明するフローチャートである。 診断装置の取得処理、及びサーバの学習処理について説明するフローチャートである。 第２実施形態に係る診断システムの機能的構成例を示す機能ブロック図である。 診断装置の診断処理、及びサーバの収集処理について説明するフローチャートである。 サーバの学習処理について説明するフローチャートである。 診断システムの構成の一例を示す図である。
　以下、本開示の第１実施形態について、図面を用いて説明する。
＜第１実施形態＞
　図１は、第１実施形態に係る診断システムの機能的構成例を示す機能ブロック図である。図１に示すように、診断システム１は、産業機器１０、診断装置２０、及びサーバ３０を有する。
　産業機器１０、診断装置２０、及びサーバ３０は、ＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）やインターネット等の図示しないネットワークを介して相互に接続されていてもよい。この場合、産業機器１０、診断装置２０、及びサーバ３０は、かかる接続によって相互に通信を行うための図示しない通信部を備えている。また、産業機器１０、診断装置２０、及びサーバ３０は、図示しない接続インタフェースを介して互いに直接接続されてもよい。
　産業機器１０は、当業者にとって公知の工作機械や産業用ロボット等であり、センサ１１を含む。産業機器１０は、図示しない制御装置からの動作指示に基づいて動作する。なお、図示しない制御装置は、産業機器１０が工作機械の場合、数値制御装置であり、産業機器１０がロボットの場合、ロボット制御装置である。また、図示しない制御装置は、産業機器１０に含まれてもよい。
　センサ１１は、産業機器１０に含まれるモータ、当該モータに取り付けられた主軸やアーム等の可動部（図示しない）の可動に関する状態を測定する。センサ１１は、測定した測定値であるセンサデータを含むセンサ信号を、診断用データとして利用されるために診断装置２０に出力する。センサ１１は、任意のセンサにより実現できるが、例えば、加速度センサ、ＡＥ（Ａｃｏｕｓｔｉｃ　Ｅｍｉｓｓｉｏｎ）センサ、温度センサ、電流計、電圧計等のセンサにより実現することができる。
　また、センサ１１により測定されるセンサデータには、サーボ制御のフィードバックのデータ（速度フィードバック、及びそこから計算されるトルクコマンド）を含んでもよい。
　なお、図１では、センサ１１は１つとしたが、これに限定されない。例えば、産業機器１０には、同じ種類のセンサデータを測定する複数のセンサ１１が配置されてもよく、互いに異なる種類のセンサデータを測定する複数のセンサ１１が配置されてもよい。
＜診断装置２０＞
　診断装置２０は、制御部２１、及び表示部２２を含んで構成される。また、制御部２１は、センサ信号取得部２１１、機器診断部２１２、分類部２１３、送信部２１４、表示制御部２１５、及びラベル情報生成部２１６を含む。
　表示部２２は、ＬＣＤ（Ｌｉｑｕｉｄ　Ｃｒｙｓｔａｌ　Ｄｉｓｐｌａｙ）等の表示装置である。表示部２２は、後述する表示制御部２１５の制御指示に基づいて、後述する機器診断部２１２により診断された産業機器１０の診断結果、及び後述する分類部２１３により分類された産業機器１０の異常の分類結果を表示する。また、表示部２２は、表示制御部２１５の制御指示に基づいて、診断装置２０に含まれるキーボードやタッチパネル等の入力装置（図示しない）を介して、後述する送信部２１４によるセンサデータの送信の指示をユーザから受け付けるユーザインタフェースを表示してもよい。
＜制御部２１＞
　制御部２１は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＲＡＭ、ＣＭＯＳ（Ｃｏｍｐｌｅｍｅｎｔａｒｙ　Ｍｅｔａｌ－Ｏｘｉｄｅ－Ｓｅｍｉｃｏｎｄｕｃｔｏｒ）メモリ等を有し、これらはバスを介して相互に通信可能に構成される、当業者にとって公知のものである。
　ＣＰＵは診断装置２０を全体的に制御するプロセッサである。ＣＰＵは、ＲＯＭに格納されたシステムプログラム及びアプリケーションプログラムを、バスを介して読み出し、前記システムプログラム及びアプリケーションプログラムに従って診断装置２０全体を制御する。これにより、図１に示すように、制御部２１が、センサ信号取得部２１１、機器診断部２１２、分類部２１３、送信部２１４、表示制御部２１５、及びラベル情報生成部２１６の機能を実現するように構成される。ＲＡＭには一時的な計算データや表示データ等の各種データが格納される。また、ＣＭＯＳメモリは図示しないバッテリでバックアップされ、診断装置２０の電源がオフされても記憶状態が保持される不揮発性メモリとして構成される。
　センサ信号取得部２１１は、産業機器１０に配置される少なくとも１つのセンサ１１により測定された測定値（センサデータ）を含むセンサ信号を取得する。センサ信号取得部２１１は、取得したセンサ信号を機器診断部２１２、分類部２１３、及び送信部２１４に出力する。
　機器診断部２１２は、取得されたセンサ信号に基づいて産業機器１０が正常か異常かを診断する。
　機器診断部２１２は、例えば、Ｏｎｅ　Ｃｌａｓｓ　ＳＶＭ（Ｓｕｐｐｏｒｔ　Ｖｅｃｔｏｒ　Ｍａｃｈｉｎｅ）（以下、「１クラスＳＶＭ」ともいう）、ガウス混合モデル等の１クラス分類器である。機器診断部２１２は、例えば、産業機器１０の稼動状態が同一又は類似における産業機器１０の正常時のセンサデータの分布を学習し、正常時のセンサデータの分布からのずれ（すなわち、乖離の度合い）をもって異常と判断する。
　なお、以下では、産業機器１０の稼動状態に関する説明を省略するが、実際は、産業機器１０の稼動状態（コンテキスト情報）別に１クラス分類器が生成され、産業機器１０の稼動状態（コンテキスト情報）別に産業機器１０に対する診断が行われてもよい。
　具体的には、１クラスＳＶＭの手法による１クラス分類器は、センサデータを２つのクラス（集団）に分類する分類学習モデルであるＳＶＭを応用した手法である。ＳＶＭは、２クラスのデータ間の距離（マージン）が最大となるようにクラスが定められた学習データを分類する超平面を求め、前記超平面を利用して、判定対象のセンサデータをどちらかのクラスに分類する。そして、１クラス分類器は、学習データとして正常データの１クラスのみを用い、学習データのクラスとそれ以外とを分類する超平面を求め、求めた超平面を利用してセンサデータを分類する。その結果、１クラス分類器は、センサデータの空間で、学習データの幾つかを通って学習データの大半を囲むことができる識別境界を作成して、前記識別境界によって、判定対象のセンサデータを正常か異常かのどちらかに分類する。
　換言すれば、正常時の学習データに基づく１クラス分類器である機器診断部２１２は、センサデータが学習データの正常のクラスに分類されるか否か、すなわち、診断対象の産業機器１０が正常か異常かを診断することができる。機器診断部２１２は、診断結果を後述する分類部２１３、送信部２１４、及び表示制御部２１５に出力する。
　分類部２１３は、機器診断部２１２により産業機器１０が異常と診断された場合、センサ信号と後述する分類学習モデルとに基づいて産業機器１０の異常の分類を行う。
　具体的には、分類部２１３は、後述するように、例えば、異常Ａｉの学習データに基づく分類学習モデルとしての１クラス分類器をサーバ３０から取得（ダウンロード）し、取得した１クラス分類器を追加する。分類部２１３は、追加した１クラス分類器とセンサデータとを用いて、センサデータが異常Ａｉの学習データのクラスに分類されるか否か、すなわち産業機器１０の異常が異常Ａｉか否かを判定する。なお、ｉは１からｎの整数であり、ｎは１以上の整数である。
　すなわち、分類部２１３は、機器診断部２１２により異常と診断された産業機器１０のセンサデータに基づいて、診断対象の産業機器１０の異常を分類する。例えば、分類部２１３は、後述するサーバ３０により生成された既知の異常Ａｉそれぞれの学習データに基づく１クラス分類器を用いて、センサデータが異常Ａｉの学習データに適合するか否かを判定することで、産業機器１０の異常が異常Ａｉか否かを判定する。一方、分類部２１３は、異常Ａ１から異常Ａｎのいずれでもないと判定した場合、当該センサデータを未知のデータと判定してもよい。
　そして、分類部２１３は、分類結果を送信部２１４、表示制御部２１５、及びラベル情報生成部２１６に出力する。
　なお、分類部２１３は、異常Ａｉと判定した場合でも、判定された異常Ａｉに対応するセンサデータの数が予め設定されたサンプル数より少ない場合、当該センサデータを未知のデータと判定してもよい。
　また、分類学習モデルがニューラルネットワークの学習済みモデルの場合、分類部２１３は、ニューラルネットワークの出力層（ソフトマックス関数）の値が全てのクラスに対して予め設定された所定値以下の場合に、未知のデータと判定してもよい。
　また、分類学習モデルが既知の異常Ａ１から異常Ａｎの全クラスのデータを入力として学習された１クラス分類器の場合、分類部２１３は、当該１クラス分類器の出力が予め設定された閾値に対して大きい、又は小さい場合に、未知のデータと判定してもよい。
　また、分類部２１３は、既知の異常Ａｉそれぞれの学習データに基づく１クラス分類器をサーバ３０から取得し、取得した１クラス分類器とセンサデータとを用いて、産業機器１０の異常を分類したが、これに限定されない。例えば、分類部２１３は、後述するサーバ３０における機械学習により生成された、例えば、ＳＶＭや決定木等の分類器をサーバ３０から取得し、取得したＳＶＭや決定木等の分類器とセンサデータとを用いて、産業機器１０の異常の分類を行ってもよい。
　また、分類部２１３は、後述するサーバ３０にとって既知の異常Ａ１から異常Ａｎのデータか、未知のデータか、に分類する１クラス分類器でもよい。
　送信部２１４は、機器診断部２１２の診断結果、又は分類部２１３の分類結果、若しくは両方の結果に基づいて、サーバ３０にセンサ信号の送信可否を判断し、送信可と判断した場合、センサ信号をサーバ３０に送信する。
　具体的には、送信部２１４は、機器診断部２１２により産業機器１０が異常と診断され、分類部２１３によりセンサ信号のセンサデータが未知のデータと分類された場合、当該センサデータを含むセンサ信号をサーバ３０に送信すると判断する。そして、送信部２１４は、センサ信号をサーバ３０に送信する。
　すなわち、送信部２１４は、分類部２１３によりサーバ３０にとって未知のデータと判定されたセンサデータのセンサ信号のみをサーバ３０に送信することで、ネットワークの負荷や、ユーザの負荷を低減することができる。
　表示制御部２１５は、送信部２１４がセンサ信号を送信する場合、データ送信が必要なタイミングで、センサ信号の送信をユーザに対して促すユーザインタフェースを表示部２２に表示する。
　具体的には、表示制御部２１５は、例えば、送信部２１４がセンサ信号を送信するタイミングで、「データをサーバ３０へ送信してください」等のメッセージと、「送信」ボタンと、を含むユーザインタフェースを表示部２２に表示してもよい。
　また、表示制御部２１５は、機器診断部２１２の診断結果、分類部２１３の分類結果、又は両方の結果を表示部２２に表示してもよい。
　ラベル情報生成部２１６は、分類部２１３の分類結果に基づいて、センサ信号に対する産業機器１０の異常の内容を示すラベルの生成タイミングを判断し、送信するセンサ信号に対するラベルを生成する。
　具体的には、ラベル情報生成部２１６は、例えば、分類部２１３により未知のデータと判定されたセンサデータを送信部２１４が送信するタイミングで、「主軸ベアリングの破損」、「ガイド摺動面の劣化」、又は「工具破損」等の異常部位と異常現象とを組み合わせた形式で産業機器１０の異常の内容を示すラベルを生成する。
　また、ラベル情報生成部２１６は、例えば、診断装置２０の入力装置（図示しない）を介し、産業機器１０が異常となった時刻に発生した異音、振動等のユーザの入力に基づいて、ラベルを生成してもよい。
　また、ラベル情報生成部２１６は、ユーザにラベル入力を促す画面を表示部２２に表示し、ラベルを入力させてもよい。
　また、ラベル情報生成部２１６は、ラベル付加対象のデータの取得時刻の、（他の）センサ信号、機器動作状況、環境状況等を基にラベルを生成してもよい。
　なお、ラベルの形式は、異常部位と異常現象とを組み合わせた形式に限定されず、他の形式でもよい。
＜サーバ３０＞
　サーバ３０は、例えば、コンピュータ装置であり、図示しないネットワークを介して、診断装置２０との間で通信を行う。図１に示すように、サーバ３０は、分類モデル学習部３１を有する。
　サーバ３０は、分類モデル学習部３１の機能ブロックを実現するために、ＣＰＵ等の演算処理装置を備える。また、サーバ３０は、アプリケーションソフトウェアやＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）等の各種の制御用プログラムを格納したＨＤＤ等の補助記憶装置や、演算処理装置がプログラムを実行する上で一時的に必要とされるデータを格納するためのＲＡＭといった主記憶装置も備える。
　そして、サーバ３０において、演算処理装置が補助記憶装置からアプリケーションソフトウェアやＯＳを読み込み、読み込んだアプリケーションソフトウェアやＯＳを主記憶装置に展開させながら、これらのアプリケーションソフトウェアやＯＳに基づいた演算処理を行なう。また、この演算結果に基づいて、サーバ３０が備える各種のハードウェアを制御する。これにより、本実施形態の機能ブロックは実現される。つまり、本実施形態は、ハードウェアとソフトウェアが協働することにより実現することができる。
　なお、クラウド上で仮想サーバ機能等を利用して、サーバ３０の各機能が実現されてもよい。
　分類モデル学習部３１は、例えば、診断装置２０により未知のデータと判定されたセンサデータ及びラベルを診断装置２０から受信する。分類モデル学習部３１は、受信したセンサデータ及びラベルを、サーバ３０に含まれるＨＤＤ等の記憶部（図示しない）の記憶領域のうちラベルの内容に対応した記憶領域に記憶する。
　そして、分類モデル学習部３１は、例えば、ラベル毎の記憶領域のうちセンサデータの数が予め設定された所定のデータ数以上となった場合、学習データとして当該記憶領域のセンサデータの１クラスのみを用い、新たな異常Ａｎ＋１としてのクラスとそれ以外とを分類する超平面を求める、求めた超平面を利用してセンサデータを分類する１クラス分類器の分類学習モデルを新たに生成する。そして、分類モデル学習部３１は、新たに生成した異常Ａｎ＋１を分類する分類学習モデルを診断装置２０に送信する。
　なお、分類モデル学習部３１は、異常Ａｎ＋１のセンサデータとラベルとの組を訓練データとして受け付け、受け付けた訓練データを用いて、教師あり学習を行うことにより、入力層におけるセンサデータの入力に対して、出力層で異常Ａｎ＋１である確率（ソフトマックス関数）を予測するニューラルネットワークの学習済みモデルを構築してもよい。
　また、分類モデル学習部３１は、例えば、ＳＶＭや決定木等の分類器を生成してもよく、サーバ３０にとって既知の異常Ａ１から異常Ａｎのデータか、未知のデータか、に分類する１クラス分類器を生成してもよい。
＜診断装置２０の診断処理、及びサーバ３０の収集処理＞
　次に、診断装置２０の診断処理、及びサーバ３０の収集処理に係る動作について説明する。
　図２は、診断装置２０の診断処理、及びサーバ３０の収集処理について説明するフローチャートである。
　ステップＳ１１において、センサ信号取得部２１１は、産業機器１０のセンサ１１により測定されたセンサデータを含むセンサ信号を取得する。
　ステップＳ１２において、機器診断部２１２は、ステップＳ１１で取得されたセンサ信号のセンサデータに基づいて産業機器１０が正常か異常かを診断する。
　ステップＳ１３において、分類部２１３は、ステップＳ１２で産業機器１０が異常と診断された場合、センサデータに基づき産業機器１０の異常を分類する。
　ステップＳ１４において、表示制御部２１５は、診断結果及び分類結果を表示部２２に表示する。
　ステップＳ１５において、送信部２１４は、ステップＳ１２の診断結果、又はステップＳ１３での分類結果、若しくは両方の結果に基づいて、センサ信号の送信可否を判断する。センサ信号を送信すると判断した場合、処理はステップＳ１６に進む。一方、センサ信号を送信しないと判断した場合、処理はステップＳ１１に戻る。
　ステップＳ１６において、ラベル情報生成部２１６は、ステップＳ１３で未知のデータと判定されたセンサデータに対するラベルの生成タイミングを判断し、センサデータに対するラベルを生成する。
　ステップＳ１７において、送信部２１４は、表示部２２に表示されるユーザインタフェースの「送信」ボタンがユーザにより押下されると、ラベルが付加された未知のデータのセンサデータのセンサ信号をサーバ３０に送信する。そして、処理はステップＳ１１に戻る。
　ステップＳ３１において、サーバ３０の分類モデル学習部３１は、ステップＳ１７で送信されたラベルが付加された未知のデータのセンサデータのセンサ信号を、診断装置２０から受信し、受信したセンサデータ及びラベルをサーバ３０の記憶部（図示しない）の記憶領域のうちラベルの内容に対応した記憶領域に記憶する。
　なお、診断装置２０は、センサ信号の取得に係る処理と、未知のデータのラベル生成及び送信に係る処理とを、順序に沿って時系列的に行ったが、並列的あるいは個別に実行してもよい。
＜診断装置２０の取得処理、及びサーバ３０の学習処理＞
　次に、診断装置２０の取得処理、及びサーバ３０の学習処理に係る動作について説明する。
　図３は、診断装置２０の取得処理、及びサーバ３０の学習処理について説明するフローチャートである。
　ステップＳ５１において、分類モデル学習部３１は、図２の収集処理により収集されたセンサデータが予め設定された所定のデータ数以上か否かを判定する。収集したセンサデータが所定のデータ数以上の場合、処理はステップＳ５２に進む。一方、収集したセンサデータが所定のデータ数より少ない場合、処理はセンサデータが所定のデータ数以上となるまでステップＳ５１に待機する。
　ステップＳ５２において、分類モデル学習部３１は、所定のデータ数以上収集されたセンサデータ及びラベルを用いて機械学習を行うことで、新たな異常Ａｎ＋１として分類する分類学習モデルを生成する。
　ステップＳ５３において、サーバ３０の分類モデル学習部３１は、新たな異常Ａｎ＋１を分類する分類学習モデルが生成された旨のメッセージを診断装置２０に送信する。
　ステップＳ４１において、診断装置２０の分類部２１３は、新たな異常Ａｎ＋１を分類する分類学習モデルが生成された旨のメッセージを、サーバ３０から受信したか否かを判定する。メッセージを受信した場合、処理はステップＳ４２に進む。一方、メッセージを受信していない場合、処理はメッセージを受信するまでステップＳ４１に待機する。
　ステップＳ４２において、分類部２１３は、サーバ３０から生成された分類学習モデルをダウンロードし取得する。
　なお、サーバ３０の学習処理はミニバッチ処理を例示しているが、ミニバッチ処理に替えてバッチ処理又はリアルタイム処理に置き換えてもよい。
　以上により、第１実施形態に係る診断装置２０は、産業機器１０のセンサ１１により測定されたセンサデータを含むセンサ信号を取得し、取得したセンサデータに基づいて産業機器１０が正常か異常かを診断する。診断装置２０は、産業機器１０が異常と診断した場合、センサデータに基づいて産業機器１０の異常を分類する。診断装置２０は、分類によりセンサデータが未知のデータと判定された場合、前記センサデータをサーバ３０に送信可と判断し、サーバ３０に送信する。
　これにより、診断装置２０は、ベンダでの機能改善に影響が大きい未知のデータのみを選別し、選別された未知のデータをサーバ３０にアップロードすることができる。そうすることで、診断装置２０は、ネットワークの負荷を低減することができる。
　また、診断装置２０は、選別されたサーバ３０にアップロードする未知のデータに対するラベル付け（アノテーション）を行うことで、ユーザ負荷を低減することができる。
　以上、第１実施形態について説明した。
＜第２実施形態＞
　次に、第２実施形態について説明する。
　第１実施形態では、診断装置２０は、センサ１１からのセンサ信号に含まれるセンサデータを用いて産業機器１０が正常か異常かを診断し、産業機器１０が異常と診断された場合、サーバ３０によって生成された分類学習モデルとセンサデータとを用いて産業機器１０の異常を分類し、センサデータが未知のデータと判定された場合に、当該センサデータをサーバ３０に送信した。これに対して、第２実施形態では、診断装置２０Ａは、センサ１１からのセンサ信号に含まれるセンサデータを用いて産業機器１０が正常か異常かを診断し、産業機器１０が異常と診断した全てのセンサデータをサーバ３０Ａに送信し、送信したセンサデータのうちサーバ３０Ａにより未知のデータと判定されたセンサデータに対するラベルを生成してサーバ３０Ａに送信する。
　すなわち、第２実施形態では、診断装置２０Ａは、取得したセンサ信号に基づいて産業機器１０が正常か異常かを診断して、産業機器が異常と診断された場合、センサ信号をサーバ３０Ａに送信し、サーバ３０Ａから取得した産業機器１０の異常に対する分類結果に基づいて、センサ信号に対するラベルの生成タイミングを判断してラベルを生成し、生成したラベルをサーバ３０Ａに送信する点が、第１実施形態と異なる。
　こうすることで、診断装置２０Ａは、ベンダでの機能改善に影響が大きい産業機器１０が異常と診断したデータのみを選別し、選別されたデータをサーバ３０Ａにアップロードすることができる。
　以下に、第２実施形態について説明する。
　図４は、第２実施形態に係る診断システムの機能的構成例を示す機能ブロック図である。なお、図１の診断システム１の要素と同様の機能を有する要素については、同じ符号を付し、詳細な説明は省略する。
　図４に示すように、第２実施形態に係る診断システム１は、産業機器１０、診断装置２０Ａ、及びサーバ３０Ａを有する。
　産業機器１０は、第１実施形態の場合と同様に、当業者にとって公知の工作機械や産業用ロボット等であり、センサ１１を含む。産業機器１０は、図示しない制御装置からの動作指示に基づいて動作する。
　センサ１１は、第１実施形態の場合と同様に、産業機器１０に含まれるモータ、当該モータに取り付けられた主軸やアーム等の可動部（図示しない）の可動に関する状態を測定する。センサ１１は、測定した測定値であるセンサデータを診断装置２０に出力する。
＜診断装置２０Ａ＞
　診断装置２０Ａは、制御部２１ａ、及び表示部２２を含んで構成される。また、制御部２１ａは、センサ信号取得部２１１、機器診断部２１２、送信部２１４ａ、表示制御部２１５、及びラベル情報生成部２１６ａを含む。
　なお、第２実施形態では、第１実施形態の分類部２１３に対応する機能は、後述するサーバ３０Ａの分類部３２として実現される。すなわち、第２実施形態に係る診断装置２０Ａは、センサ１１により測定されたセンサデータを用いて産業機器１０に発生した異常の分類を行わない。
　また、表示部２２は、第１実施形態における表示部２２と同等の機能を有する。
＜制御部２１ａ＞
　制御部２１ａは、第１実施形態の制御部２１と同様に、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＲＡＭ、ＣＭＯＳ（Ｃｏｍｐｌｅｍｅｎｔａｒｙ　Ｍｅｔａｌ－Ｏｘｉｄｅ－Ｓｅｍｉｃｏｎｄｕｃｔｏｒ）メモリ等を有し、これらはバスを介して相互に通信可能に構成される、当業者にとって公知のものである。
　ＣＰＵは診断装置２０Ａを全体的に制御するプロセッサである。ＣＰＵは、ＲＯＭに格納されたシステムプログラム及びアプリケーションプログラムを、バスを介して読み出し、前記システムプログラム及びアプリケーションプログラムに従って診断装置２０全体を制御する。これにより、図４に示すように、制御部２１ａが、センサ信号取得部２１１、機器診断部２１２、送信部２１４ａ、表示制御部２１５、及びラベル情報生成部２１６ａの機能を実現するように構成される。
　センサ信号取得部２１１、機器診断部２１２、及び表示制御部２１５は、第１実施形態におけるセンサ信号取得部２１１、機器診断部２１２、及び表示制御部２１５と同等の機能を有する。
　送信部２１４ａは、機器診断部２１２により産業機器１０が異常と診断された場合、サーバ３０Ａにセンサ信号を送信する。
　すなわち、送信部２１４ａは、機器診断部２１２により産業機器１０が異常と診断されたセンサデータのセンサ信号のみをサーバ３０Ａに送信することで、ネットワークの負荷や、ユーザの負荷を低減することができる。
　そして、送信部２１４ａは、後述するように、送信したセンサデータが未知のデータとサーバ３０Ａにより分類された場合、後述のラベル情報生成部２１６ａにより当該センサデータに対して生成されたラベルをサーバ３０Ａに送信してもよい。
　ラベル情報生成部２１６ａは、送信部２１４ａが送信したセンサ信号に対する分類結果を後述するサーバ３０Ａから受信した場合、受信した分類結果に基づいて、センサ信号に対する産業機器１０の異常の内容を示すラベルの生成タイミングを判断し、ラベルを生成する。送信部２１４ａは、生成されたラベルをサーバ３０Ａに送信する。
　具体的には、ラベル情報生成部２１６ａは、送信部２１４ａが送信したセンサ信号のセンサデータが未知のデータと判定された分類結果をサーバ３０Ａから受信したタイミングで、「主軸ベアリングの破損」、「ガイド摺動面の劣化」、又は「工具破損」等の異常部位と異常現象とを組み合わせた形式で産業機器１０の異常の内容を示すラベルを生成する。
　また、ラベル情報生成部２１６ａは、例えば、診断装置２０の入力装置（図示しない）を介し、産業機器１０が異常となった時刻に発生した異音、振動等のユーザの入力に基づいて、ラベルを生成してもよい。
　また、ラベル情報生成部２１６ａは、ユーザにラベル入力を促す画面を表示部２２に表示し、ラベルを入力させてもよい。
　また、ラベル情報生成部２１６ａは、ラベル付加対象のデータの取得時刻の、（他の）センサ信号、機器動作状況、環境状況等を基にラベルを生成してもよい。
　なお、ラベルの形式は、異常部位と異常現象とを組み合わせた形式に限定されず、他の形式でもよい。
＜サーバ３０Ａ＞
　サーバ３０Ａは、第１実施形態のサーバ３０と同様に、コンピュータ装置であり、図示しないネットワークを介して、診断装置２０Ａとの間で通信を行う。図４に示すように、サーバ３０Ａは、分類モデル学習部３１及び分類部３２を有する。
　サーバ３０Ａは、分類モデル学習部３１及び分類部３２の機能ブロックを実現するために、ＣＰＵ等の演算処理装置を備える。また、サーバ３０Ａは、アプリケーションソフトウェアやＯＳ等の各種の制御用プログラムを格納したＨＤＤ等の補助記憶装置や、演算処理装置がプログラムを実行する上で一時的に必要とされるデータを格納するためのＲＡＭといった主記憶装置も備える。
　そして、サーバ３０Ａにおいて、演算処理装置が補助記憶装置からアプリケーションソフトウェアやＯＳを読み込み、読み込んだアプリケーションソフトウェアやＯＳを主記憶装置に展開させながら、これらのアプリケーションソフトウェアやＯＳに基づいた演算処理を行なう。また、この演算結果に基づいて、サーバ３０が備える各種のハードウェアを制御する。これにより、第２実施形態の機能ブロックは実現される。つまり、第２実施形態は、ハードウェアとソフトウェアが協働することにより実現することができる。
　なお、クラウド上で仮想サーバ機能等を利用して、サーバ３０Ａの各機能が実現されてもよい。
　分類モデル学習部３１は、第１実施形態の分類モデル学習部３１と同等の機能を有する。ただし、第２実施形態に係る分類モデル学習部３１は、生成した分類学習モデルを後述する分類部３２に出力する。
　分類部３２は、産業機器１０が異常と診断され診断装置２０Ａから受信したセンサ信号のセンサデータと、分類モデル学習部３１により生成された分類学習モデルと、を用いて、産業機器１０の異常の分類を行う。
　具体的には、分類部３２は、第１実施形態の分類部２１３と同様に、例えば、分類モデル学習部３１により生成された異常Ａｉの学習データに基づく１クラス分類器と、受信したセンサデータと、を用いて、受信したセンサデータが異常Ａｉの学習データのクラスに分類されるか否か、すなわち産業機器１０の異常が異常Ａｉか否かを分類する。
　すなわち、分類部３２は、診断装置２０Ａにより異常と診断された産業機器１０のセンサデータに基づいて、産業機器１０の異常を分類する。例えば、分類部３２は、分類モデル学習部３１により生成された既知の異常Ａｉそれぞれの学習データに基づく１クラス分類器を用いて、受信したセンサデータが異常Ａｉの学習データに適合するか否かを判定することで、産業機器１０の異常が異常Ａｉか否かを判定する。一方、分類部２１３は、異常Ａ１から異常Ａｎのいずれでもないと判定した場合、対応するセンサデータを未知のデータと判定する。
　そして、分類部３２は、分類結果を診断装置２０Ａに送信する。
　なお、分類部３２は、いずれかの異常Ａｉと判定した場合でも、判定された異常Ａｉに対応するセンサデータの数が予め定めたサンプル数より少ない場合、当該センサデータを未知のデータと判定してもよい。
　また、分類学習モデルがニューラルネットワークの学習済みモデルの場合、分類部３２は、ニューラルネットワークの出力層（ソフトマックス関数）の値が全てのクラスに対して予め設定された所定値以下の場合に、未知のデータと判定してもよい。
　また、分類学習モデルが既知の全クラスのデータを入力として学習された１クラス分類器の場合、分類部３２は、当該１クラス分類器の出力が予め設定された閾値に対して大きい、又は小さい場合に、未知のデータと判定してもよい。
＜診断装置２０Ａの診断処理、及びサーバ３０Ａの収集処理＞
　次に、診断装置２０Ａの診断処理、及びサーバ３０Ａの収集処理に係る動作について説明する。
　図５は、診断装置２０Ａの診断処理、及びサーバ３０Ａの収集処理について説明するフローチャートである。
　ステップＳ６１において、センサ信号取得部２１１は、第１実施形態におけるステップ１１と同様の処理を行い、産業機器１０のセンサ１１により測定されたセンサデータを含むセンサ信号を取得する。
　ステップＳ６２において、機器診断部２１２は、ステップＳ６１で取得されたセンサ信号のセンサデータに基づいて産業機器１０が異常か否かを診断する。産業機器１０が異常の場合、処理はステップＳ６３に進む。一方、産業機器１０が正常の場合、処理はステップＳ６１に戻る。
　ステップＳ６３において、送信部２１４ａは、ステップＳ６２で産業機器１０が異常と診断されたセンサデータをサーバ３０Ａに送信する。
　ステップＳ７１において、サーバ３０Ａの分類部３２は、ステップＳ６３で送信されたセンサデータを診断装置２０Ａから受信する。
　ステップＳ７２において、分類部３２は、ステップＳ７１で受信したセンサデータに基づき産業機器１０の異常を分類する。
　ステップＳ７３において、分類部３２は、ステップＳ７２で分類した分類結果を診断装置２０Ａに送信する。
　ステップＳ６４において、診断装置２０Ａの表示制御部２１５は、分類結果をサーバ３０Ａから受信する。
　ステップＳ６５において、表示制御部２１５は、第１実施形態におけるステップ１４と同様の処理を行い、診断結果及び分類結果を表示部２２に表示する。
　ステップＳ６６において、ラベル情報生成部２１６ａは、ステップＳ６４で受信した分類結果に基づいて、ステップＳ６３で送信されたセンサデータが未知のデータとサーバ３０Ａにより分類されたか否かを判定する。センサデータが未知のデータと分類された場合、処理はステップＳ６７に進む。一方、センサデータが未知のデータでない、すなわち異常Ａ１から異常Ａｎのいずれかのデータと分類された場合、処理はステップＳ６１に戻る。
　ステップＳ６７において、ラベル情報生成部２１６ａは、サーバ３０Ａにより未知のデータと分類されたセンサデータに対するラベルの生成タイミングを判断し、センサデータに対するラベルを生成する。
　ステップＳ６８において、送信部２１４ａは、表示部２２に表示されるユーザインタフェースの「送信」ボタンがユーザにより押下された場合、ステップＳ６７で生成されたラベルをサーバ３０Ａに送信する。そして、処理はステップＳ６１に戻る。
　ステップＳ７４において、分類モデル学習部３１は、ステップＳ７２で未知のデータと分類されたセンサデータのラベルを診断装置２０Ａから受信し、受信したセンサデータ及びラベルをサーバ３０Ａの記憶部（図示しない）の記憶領域のうちラベルの内容に対応した記憶領域に記憶する。
　なお、診断装置２０Ａは、センサ信号の取得に係る処理と、未知のデータのラベル生成及び送信に係る処理とを、順序に沿って時系列的に行ったが、並列的あるいは個別に実行してもよい。
　また、サーバ３０Ａは、ステップＳ７１からステップＳ７３の処理と、ステップＳ７４の処理とを、順序に沿って時系列的に行ったが、並列的あるいは個別に実行してもよい。
＜サーバ３０Ａの学習処理＞
　次に、サーバ３０Ａの学習処理に係る動作について説明する。
　図６は、サーバ３０Ａの学習処理について説明するフローチャートである。
　ステップＳ８１において、分類モデル学習部３１は、第１実施形態におけるステップ５１と同様の処理を行い、図５の収集処理により収集されたセンサデータが予め設定された所定のデータ数以上か否かを判定する。収集したセンサデータが所定のデータ数以上の場合、処理はステップＳ８２に進む。一方、収集したセンサデータが所定のデータ数より少ない場合、処理はセンサデータが所定のデータ数以上となるまでステップＳ８１に待機する。
　ステップＳ８２において、分類モデル学習部３１は、第１実施形態におけるステップ５２と同様の処理を行い、所定のデータ数以上収集されたセンサデータ及びラベルを用いて機械学習を行うことで、新たな異常Ａｎ＋１として分類する分類学習モデルを生成し、生成した分類学習モデルを分類部３２に出力する。
　なお、サーバ３０Ａの学習処理はミニバッチ処理を例示しているが、ミニバッチ処理に替えてバッチ処理又はリアルタイム処理に置き換えてもよい。
　以上により、第２実施形態に係る診断装置２０Ａは、産業機器１０のセンサ１１により測定されたセンサデータを含むセンサ信号を取得し、取得したセンサデータに基づいて産業機器１０が正常か異常かを診断する。診断装置２０Ａは、産業機器１０が異常と診断した場合、取得したセンサ信号をサーバ３０Ａに送信する。診断装置２０Ａは、サーバ３０Ａにより送信したセンサデータに対して未知のデータと判定された場合、センサデータに対するラベルを生成し、生成したラベルをサーバ３０Ａに送信する。
　これにより、診断装置２０Ａは、ベンダでの機能改善に影響が大きい産業機器１０の異常と診断したデータのみを選別し、選別されたデータをサーバ３０Ａにアップロードすることができる。そうすることで、診断装置２０Ａは、ネットワークの負荷を低減することができる。
　また、診断装置２０Ａは、送信した産業機器１０の異常と診断したデータのうち、サーバ３０Ａにより未知のデータと判定されたデータに対するラベル付け（アノテーション）を行うことで、ユーザ負荷を低減することができる。
　以上、第２実施形態について説明した。
　以上、第１実施形態及び第２実施形態について説明したが、診断装置２０、２０Ａ、及びサーバ３０、３０Ａは、上述の実施形態に限定されるものではなく、目的を達成できる範囲での変形、改良等を含む。
＜変形例１＞
　第１実施形態及び第２実施形態では、診断装置２０、２０Ａは、産業機器１０と異なる装置として例示したが、診断装置２０、２０Ａの一部又は全部の機能を、産業機器１０が備えるようにしてもよい。
　あるいは、診断装置２０のセンサ信号取得部２１１、機器診断部２１２、分類部２１３、送信部２１４、表示制御部２１５、及びラベル情報生成部２１６の一部又は全部、又は診断装置２０のセンサ信号取得部２１１、機器診断部２１２、送信部２１４ａ、表示制御部２１５、及びラベル情報生成部２１６ａの一部又は全部を、例えば、サーバが備えるようにしてもよい。また、クラウド上で仮想サーバ機能等を利用して、診断装置２０、２０Ａの各機能を実現してもよい。
　さらに、診断装置２０、２０Ａは、診断装置２０、２０Ａの各機能を適宜複数のサーバに分散される、分散処理システムとしてもよい。
＜変形例２＞
　また例えば、上述の第１実施形態及び第２実施形態では、診断装置２０、２０Ａは、１つの産業機器１０と接続されたが、これに限定されず、複数の産業機器１０と接続されてもよい。
＜変形例３＞
　また例えば、上述の第１実施形態及び第２実施形態では、サーバ３０、３０Ａは、１つの診断装置２０、２０Ａと接続されたが、これに限定されない。例えば、図７に示すように、サーバ３０Ｂは、産業機器１０Ａ（１）－１０Ａ（ｍ）毎にサーバ３０Ｂの分類モデル学習部３１により生成された分類学習モデルを記憶し、ネットワーク６０に接続されたｍ個の診断装置２０Ｂ（１）－２０Ｂ（ｍ）と分類学習モデルを共有してもよい（ｍは２以上の整数）。これにより、新たな産業機器、及び診断装置が配置されても分類学習モデルを適用することができる。
　なお、診断装置２０Ｂ（１）－２０Ｂ（ｍ）の各々は、産業機器１０Ａ（１）－１０Ａ（ｍ）の各々と接続される。
　また、産業機器１０Ａ（１）－１０Ａ（ｍ）の各々は、第１実施形態及び第２実施形態の産業機器１０に対応し、互いに同じ機種でもよく、互いに異なる機種でもよい。診断装置２０Ｂ（１）－２０Ｂ（ｍ）の各々は、第１実施形態の診断装置２０、又は第２実施形態の診断装置２０Ａに対応する。サーバ３０Ｂは、第１実施形態のサーバ３０、又は第２実施形態のサーバ３０Ａに対応する。
　なお、第１実施形態及び第２実施形態における、診断装置２０、２０Ａ及びサーバ３０、３０Ａに含まれる各機能は、ハードウェア、ソフトウェア又はこれらの組み合わせによりそれぞれ実現することができる。ここで、ソフトウェアによって実現されるとは、コンピュータがプログラムを読み込んで実行することにより実現されることを意味する。
　プログラムは、様々なタイプの非一時的なコンピュータ可読媒体（Ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ　ｃｏｍｐｕｔｅｒ　ｒｅａｄａｂｌｅ　ｍｅｄｉｕｍ）を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体（Ｔａｎｇｉｂｌｅ　ｓｔｏｒａｇｅ　ｍｅｄｉｕｍ）を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えば、フレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば、光磁気ディスク）、ＣＤ－ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＣＤ－Ｒ、ＣＤ－Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ（Ｐｒｏｇｒａｍｍａｂｌｅ　ＲＯＭ）、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ　ＰＲＯＭ）、フラッシュＲＯＭ、ＲＡＭ）を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体（Ｔｒａｎｓｉｔｏｒｙ　ｃｏｍｐｕｔｅｒ　ｒｅａｄａｂｌｅ　ｍｅｄｉｕｍ）によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は、無線通信路を介して、プログラムをコンピュータに供給できる。
　なお、記録媒体に記録されるプログラムを記述するステップは、その順序に沿って時系列的に行われる処理はもちろん、必ずしも時系列的に処理されなくとも、並列的あるいは個別に実行される処理をも含むものである。
　以上を換言すると、本開示の診断装置、サーバ、及び診断方法は、次のような構成を有する各種各様の実施形態を取ることができる。
　（１）本開示の診断装置２０の一態様は、産業機器１０の異常を学習して異常の分類学習モデルを生成するサーバ３０と、通信可能に接続される診断装置であって、産業機器１０に配置された少なくとも１つのセンサ１１により測定された測定値を含むセンサ信号を取得するセンサ信号取得部２１１と、取得されたセンサ信号に基づいて産業機器１０が正常か異常かを診断する機器診断部２１２と、機器診断部２１２により産業機器１０が異常と診断された場合、センサ信号と分類学習モデルとに基づいて産業機器の異常の分類を行う分類部２１３と、機器診断部２１２の診断結果、及び分類部２１３の分類結果の少なくとも１つに基づいて、サーバ３０にセンサ信号の送信可否を判断し、送信可と判断した場合、センサ信号をサーバ３０に送信する送信部２１４と、を備える。
　この診断装置２０によれば、ベンダでの機能改善に影響が大きいデータのみを選別し、選別されたデータをサーバにアップロードすることができる。
　（２）　（１）に記載の診断装置２０において、分類部２１３は、センサ信号に基づいて少なくとも産業機器１０の異常が分類できない、又は予め設定されたサンプル数より少ない異常の場合、センサ信号を未知のデータと分類し、送信部２１４は、未知のデータと分類されたセンサ信号をサーバ３０に送信してもよい。
　そうすることで、診断装置２０は、サーバ３０にとって未知のデータと判定されたセンサデータのセンサ信号のみをサーバ３０に送信することで、ネットワークの負荷を低減することができる。
　（３）　（１）又は（２）に記載の診断装置２０において、機器診断部２１２は、予め正常時のセンサ信号の特徴を学習し、正常時の特徴からの乖離の度合いに基づいて産業機器１０の異常を検知する１クラス分類器であってもよい。
　そうすることで、診断装置２０は、センサデータに基づいて産業機器１０の異常を容易に診断することができる。
　（４）　（１）から（３）のいずれか記載の診断装置２０において、分類部２１３の分類結果に基づいて、センサ信号に対する産業機器１０の異常の内容を示すラベルの生成タイミングを判断し、ラベルを生成するラベル情報生成部２１６をさらに備え、送信部２１４は、センサ信号及びラベルをサーバ３０に送信してもよい。
　そうすることで、診断装置２０は、サーバ３０にとって未知のデータと判定されたセンサデータのセンサ信号のみに対してラベル付けことで、ユーザの負荷を低減することができる。
　（５）　（４）に記載の診断装置２０において、分類部２１３は、送信部２１４により送信されたセンサ信号及びラベルに基づいてサーバ３０により生成された分類学習モデルをサーバ３０から取得してもよい。
　そうすることで、診断装置２０は、センサデータに基づいて産業機器１０の異常を容易に診断することができる。
　（６）　（５）に記載の診断装置２０において、分類学習モデルは、サーバ３０が診断装置２０から新たなセンサ信号を受信する度に更新され、分類部２１３は、更新された分類学習モデルを用いて、産業機器１０の異常の分類を行ってもよい。
　そうすることで、診断装置２０は、分類の精度を向上させることができる。
　（７）　（１）から（６）のいずれか記載の診断装置２０において、送信部２１４がセンサ信号を送信する場合、センサ信号の送信を促すユーザインタフェースを表示部２２に表示する表示制御部２１５をさらに備えてもよい。
　そうすることで、診断装置２０は、ユーザの所望のタイミングでセンサ信号をサーバ３０に送信することができる。
　（８）　（７）に記載の診断装置２０において、表示制御部２１５は、機器診断部２１２の診断結果、及び分類部２１３の分類結果の少なくとも１つを表示部２２に表示してもよい。
　そうすることで、ユーザは産業機器１０に異常が発生したか否か、及び発生した異常を確認することができる。
　（９）本開示の診断装置２０Ａの一態様は、産業機器１０から取得される異常を示すセンサ信号を入力することで異常を分類する分類学習モデルを備えるとともに分類付けできないセンサ信号の分類を学習して分類学習モデルを更新するサーバ３０Ａと、通信可能に接続される診断装置であって、産業機器１０に配置された少なくとも１つのセンサ１１により測定された測定値を含むセンサ信号を取得するセンサ信号取得部２１１と、取得されたセンサ信号に基づいて産業機器１０が正常か異常かを診断する機器診断部２１２と、機器診断部２１２により産業機器１０が異常と診断された場合、サーバ３０Ａにセンサ信号を送信する送信部２１４ａと、サーバ３０Ａから取得されたセンサ信号に対する分類結果に基づいて、センサ信号に対する産業機器１０の異常の内容を示すラベルの生成タイミングを判断し、ラベルを生成するラベル情報生成部２１６ａと、を備え、送信部２１４ａは、ラベルをサーバ３０Ａに送信する。
　この診断装置２０Ａによれば、（１）と同様の効果を奏することができる。
　（１０）本開示のサーバ３０の一態様は、（１）から（８）のいずれかに記載の診断装置２０と通信可能に接続されるサーバであって、診断装置２０から受信されたセンサ信号を用いて産業機器１０の異常を学習して分類学習モデルを生成し、生成した分類学習モデルを診断装置２０に送信する分類モデル学習部３１を備える。
　このサーバ３０によれば、ベンダでの機能改善に影響が大きいデータのみを受信することができる。
　（１１）本開示のサーバ３０Ａの一態様は、（９）に記載の診断装置２０Ａと通信可能に接続されるサーバであって、診断装置２０Ａから受信されたセンサ信号を用いて産業機器１０の異常を学習して分類学習モデルを生成する分類モデル学習部３１と、センサ信号と分類学習モデルとに基づいて産業機器１０の異常の分類を行う分類部３２と、を備える。
　このサーバ３０Ａによれば、ベンダでの機能改善に影響が大きいデータのみを受信することができる。
　（１２）本開示の診断方法の一態様は、産業機器１０の異常を学習して異常の分類学習モデルを生成するサーバ３０と、通信可能に接続される診断装置２０による診断方法であって、産業機器１０に配置された少なくとも１つのセンサ１１により測定された測定値を含むセンサ信号を取得するセンサ信号取得ステップと、取得されたセンサ信号に基づいて産業機器１０が正常か異常かを診断する機器診断ステップと、産業機器１０が異常と診断された場合、センサ信号と分類学習モデルとに基づいて産業機器１０の異常の分類を行う分類ステップと、機器診断ステップの診断結果、及び分類ステップの分類結果の少なくとも１つに基づいて、サーバ３０にセンサ信号の送信可否を判断し、送信可と判断した場合、センサ信号をサーバ３０に送信する送信ステップと、を備える。
　この診断方法によれば、（１）と同様の効果を奏することができる。
　（１３）本開示の診断方法の一態様は、産業機器１０から取得される異常を示すセンサ信号を入力することで異常を分類する分類学習モデルを備えるとともに分類付けできないセンサ信号の分類を学習して分類学習モデルを更新するサーバ３０Ａと、通信可能に接続される診断装置２０Ａによる診断方法であって、産業機器１０に配置された少なくとも１つのセンサ１１により測定された測定値を含むセンサ信号を取得するセンサ信号取得ステップと、取得されたセンサ信号に基づいて産業機器１０が正常か異常かを診断する機器診断ステップと、産業機器１０が異常と診断された場合、サーバ３０Ａにセンサ信号を送信する送信ステップと、サーバ３０Ａから取得されたセンサ信号に対する分類結果に基づいて、センサ信号に対する産業機器１０の異常の内容を示すラベルの生成タイミングを判断し、ラベルを生成するラベル情報生成ステップと、を備え、送信ステップは、ラベルをサーバ３０Ａに送信する。
　この診断方法によれば、（１）と同様の効果を奏することができる。
　１　診断システム
　１０　産業機器
　１１　センサ
　２０、２０Ａ　診断装置
　２１、２１ａ　制御部
　２１１　センサ信号取得部
　２１２　機器診断部
　２１３　分類部
　２１４、２１４ａ　送信部
　２１５　表示制御部
　２１６、２１６ａ　ラベル情報生成部
　２２　表示部
　３０、３０Ａ　サーバ
　３１　分類モデル学習部
　３２　分類部

Claims (13)

  1. 　産業機器の異常を学習して前記異常の分類学習モデルを生成するサーバと、通信可能に接続される診断装置であって、
    　前記産業機器に配置された少なくとも１つのセンサにより測定された測定値を含むセンサ信号を取得するセンサ信号取得部と、
    　取得された前記センサ信号に基づいて前記産業機器が正常か異常かを診断する機器診断部と、
    　前記機器診断部により前記産業機器が異常と診断された場合、前記センサ信号と前記分類学習モデルとに基づいて前記産業機器の異常の分類を行う分類部と、
    　前記機器診断部の診断結果、及び前記分類部の分類結果の少なくとも１つに基づいて、前記サーバに前記センサ信号の送信可否を判断し、送信可と判断した場合、前記センサ信号を前記サーバに送信する送信部と、
    　を備える診断装置。
  2. 　前記分類部は、前記センサ信号に基づいて少なくとも前記産業機器の異常が分類付けできない、又は予め設定されたサンプル数より少ない異常の場合、前記センサ信号を未知のデータと分類し、
    　前記送信部は、未知のデータと分類された前記センサ信号を前記サーバに送信する、請求項１に記載の診断装置。
  3. 　前記機器診断部は、予め正常時のセンサ信号の特徴を学習し、正常時の特徴からの乖離の度合いに基づいて前記産業機器の異常を検知する１クラス分類器である、請求項１又は請求項２に記載の診断装置。
  4. 　前記分類部の分類結果に基づいて、前記センサ信号に対する前記産業機器の異常の内容を示すラベルの生成タイミングを判断し、前記ラベルを生成するラベル情報生成部をさらに備え、
    　前記送信部は、前記センサ信号及び前記ラベルを前記サーバに送信する、請求項１から請求項３のいずれか１項に記載の診断装置。
  5. 　前記分類部は、前記送信部により送信された前記センサ信号及び前記ラベルに基づいて前記サーバにより生成された前記分類学習モデルを前記サーバから取得する、請求項４に記載の診断装置。
  6. 　前記分類学習モデルは、前記サーバが前記診断装置から新たなセンサ信号を受信する度に更新され、
    　前記分類部は、更新された前記分類学習モデルを用いて、前記産業機器の異常の分類を行う、請求項５に記載の診断装置。
  7. 　前記送信部が前記センサ信号を送信する場合、前記センサ信号の送信を促すユーザインタフェースを表示部に表示する表示制御部をさらに備える、請求項１から請求項６のいずれか１項に記載の診断装置。
  8. 　前記表示制御部は、前記機器診断部の診断結果、及び前記分類部の分類結果の少なくとも１つを前記表示部に表示する、請求項７に記載の診断装置。
  9. 　産業機器から取得される異常を示すセンサ信号を入力することで前記異常を分類する分類学習モデルを備えるとともに分類付けできない前記センサ信号の分類を学習して前記分類学習モデルを更新するサーバと、通信可能に接続される診断装置であって、
    　前記産業機器に配置された少なくとも１つのセンサにより測定された測定値を含むセンサ信号を取得するセンサ信号取得部と、
    　取得された前記センサ信号に基づいて前記産業機器が正常か異常かを診断する機器診断部と、
    　前記機器診断部により前記産業機器が異常と診断された場合、前記サーバに前記センサ信号を送信する送信部と、
    　前記サーバから取得された前記センサ信号に対する分類結果に基づいて、前記センサ信号に対する前記産業機器の異常の内容を示すラベルの生成タイミングを判断し、前記ラベルを生成するラベル情報生成部と、を備え、
    　前記送信部は、前記ラベルを前記サーバに送信する、診断装置。
  10. 　請求項１から請求項８のいずれか１項に記載の診断装置と通信可能に接続されるサーバであって、
    　前記診断装置から受信されたセンサ信号を用いて前記産業機器の異常を学習して前記分類学習モデルを生成し、生成した前記分類学習モデルを前記診断装置に送信する分類モデル学習部
    　を備えるサーバ。
  11. 　請求項９に記載の診断装置と通信可能に接続されるサーバであって、
    　前記診断装置から受信されたセンサ信号を用いて前記産業機器の異常を学習して前記分類学習モデルを生成する分類モデル学習部と、
    　前記センサ信号と前記分類学習モデルとに基づいて前記産業機器の異常の分類を行う分類部と、
    　を備えるサーバ。
  12. 　産業機器の異常を学習して前記異常の分類学習モデルを生成するサーバと、通信可能に接続される診断装置による診断方法であって、
    　産業機器に配置された少なくとも１つのセンサにより測定された測定値を含むセンサ信号を取得するセンサ信号取得ステップと、
    　取得された前記センサ信号に基づいて前記産業機器が正常か異常かを診断する機器診断ステップと、
    　前記産業機器が異常と診断された場合、前記センサ信号と前記分類学習モデルとに基づいて前記産業機器の異常の分類を行う分類ステップと、
    　前記機器診断ステップの診断結果、及び前記分類ステップの分類結果の少なくとも１つに基づいて、前記サーバに前記センサ信号の送信可否を判断し、送信可と判断した場合、前記センサ信号を前記サーバに送信する送信ステップと、
    　を備える診断方法。
  13. 　産業機器から取得される異常を示すセンサ信号を入力することで前記異常を分類する分類学習モデルを備えるとともに分類付けできない前記センサ信号の分類を学習して前記分類学習モデルを更新するサーバと、通信可能に接続される診断装置による診断方法であって、
    　産業機器に配置された少なくとも１つのセンサにより測定された測定値を含むセンサ信号を取得するセンサ信号取得ステップと、
    　取得された前記センサ信号に基づいて前記産業機器が正常か異常かを診断する機器診断ステップと、
    　前記産業機器が異常と診断された場合、前記サーバに前記センサ信号を送信する送信ステップと、
    　前記サーバから取得された前記センサ信号に対する分類結果に基づいて、前記センサ信号に対する前記産業機器の異常の内容を示すラベルの生成タイミングを判断し、前記ラベルを生成するラベル情報生成ステップと、を備え、
    　前記送信ステップは、前記ラベルを前記サーバに送信する、診断方法。
PCT/JP2021/018740 2020-05-25 2021-05-18 診断装置、サーバ、及び診断方法 WO2021241315A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202180037290.5A CN115668084A (zh) 2020-05-25 2021-05-18 诊断装置、服务器以及诊断方法
US17/922,871 US20230161337A1 (en) 2020-05-25 2021-05-18 Diagnostic device, server, and diagnostic method
DE112021002946.0T DE112021002946T5 (de) 2020-05-25 2021-05-18 Diagnosevorrichtung, Server und Diagnoseverfahren
JP2022526911A JP7518166B2 (ja) 2020-05-25 2021-05-18 診断装置、サーバ、及び診断方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-090733 2020-05-25
JP2020090733 2020-05-25

Publications (1)

Publication Number Publication Date
WO2021241315A1 true WO2021241315A1 (ja) 2021-12-02

Family

ID=78744626

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/018740 WO2021241315A1 (ja) 2020-05-25 2021-05-18 診断装置、サーバ、及び診断方法

Country Status (5)

Country Link
US (1) US20230161337A1 (ja)
JP (1) JP7518166B2 (ja)
CN (1) CN115668084A (ja)
DE (1) DE112021002946T5 (ja)
WO (1) WO2021241315A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4273653A1 (en) * 2022-05-02 2023-11-08 Rockwell Automation Technologies, Inc. Device control using processed sensor data corresponding to unexpected operations
WO2024069719A1 (ja) * 2022-09-26 2024-04-04 ファナック株式会社 状態分類装置、及び記録媒体

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022191591A (ja) * 2021-06-16 2022-12-28 株式会社日立製作所 設備診断装置および設備診断方法
US12061692B2 (en) * 2021-12-15 2024-08-13 Cylance Inc. Methods and systems for fingerprinting malicious behavior
EP4429203A1 (en) * 2023-03-09 2024-09-11 Abb Schweiz Ag Method for enabling an efficient data processing in a distributed network of devices
EP4429202A1 (en) * 2023-03-09 2024-09-11 Abb Schweiz Ag Method for providing an efficient communication in a hierarchical network of distributed devices

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018159991A (ja) * 2017-03-22 2018-10-11 ファナック株式会社 学習モデル構築装置、異常検出装置、異常検出システム及びサーバ
JP2019185422A (ja) * 2018-04-11 2019-10-24 株式会社Ｙｅ Ｄｉｇｉｔａｌ 故障予知方法、故障予知装置および故障予知プログラム
JP2020067730A (ja) * 2018-10-23 2020-04-30 オムロン株式会社 制御システムおよび制御方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013051101A1 (ja) 2011-10-04 2013-04-11 株式会社日立製作所 時系列データ管理システム，および方法
JP6840953B2 (ja) 2016-08-09 2021-03-10 株式会社リコー 診断装置、学習装置および診断システム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018159991A (ja) * 2017-03-22 2018-10-11 ファナック株式会社 学習モデル構築装置、異常検出装置、異常検出システム及びサーバ
JP2019185422A (ja) * 2018-04-11 2019-10-24 株式会社Ｙｅ Ｄｉｇｉｔａｌ 故障予知方法、故障予知装置および故障予知プログラム
JP2020067730A (ja) * 2018-10-23 2020-04-30 オムロン株式会社 制御システムおよび制御方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4273653A1 (en) * 2022-05-02 2023-11-08 Rockwell Automation Technologies, Inc. Device control using processed sensor data corresponding to unexpected operations
WO2024069719A1 (ja) * 2022-09-26 2024-04-04 ファナック株式会社 状態分類装置、及び記録媒体

Also Published As

Publication number Publication date
DE112021002946T5 (de) 2023-03-30
JP7518166B2 (ja) 2024-07-17
CN115668084A (zh) 2023-01-31
JPWO2021241315A1 (ja) 2021-12-02
US20230161337A1 (en) 2023-05-25

Similar Documents

Publication Publication Date Title
WO2021241315A1 (ja) 診断装置、サーバ、及び診断方法
JP6810097B2 (ja) 異常検出器
JP6140331B1 (ja) 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
JP6148316B2 (ja) 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
JP2019008675A (ja) 故障予測装置及び機械学習装置
CN108427374A (zh) 诊断用数据取得系统、诊断用系统以及计算机可读介质
CN111433691A (zh) 控制系统、工厂系统、学习系统、估计用模型的生成方法和致动器的状态估计方法
US20210173357A1 (en) Control method, control apparatus, mechanical equipment, and recording medium
US10078062B2 (en) Device health estimation by combining contextual information with sensor data
CN116107282B (zh) 一种基于企业应用集成的工业机器人预测性维护系统
US20180314242A1 (en) Numerical controller
US20210181732A1 (en) Control method, control apparatus, and mechanical equipment
CN115769235A (zh) 提供与训练函数的准确度有关的警报的方法和系统
Polenghi et al. A framework for fault detection and diagnostics of articulated collaborative robots based on hybrid series modelling of Artificial Intelligence algorithms
CN118157333A (zh) 一种基于物联网技术的配变台区智能监控方法及系统
CN112904807B (zh) 工业分析系统、方法和非暂态计算机可读介质
WO2023204183A1 (ja) 状態検出装置、状態検出方法、学習モデルの生成方法及びコンピュータプログラム
US12103169B2 (en) Abnormality diagnosis device and abnormality diagnosis method
EP4206963A1 (en) System and method for diagnostics and monitoring of anomalies of a cyber-physical system
JP7251955B2 (ja) 検出装置及び機械学習方法
WO2023191787A1 (en) Recommendation for operations and asset failure prevention background
Geetha et al. The Smart Development of the Large Scale Sensing Techniques in Intelligent Industrial Automation
US20240021024A1 (en) Methods and systems for generating predictive maintenance indicators for a vehicle
Benecki et al. Towards Detection of Anomalies in Automated Guided Vehicles Based on Telemetry Data
EP4372506A1 (en) System and method of detecting at least one anomaly in an industrial process

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: 21812227

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022526911

Country of ref document: JP

Kind code of ref document: A

122 Ep: pct application non-entry in european phase

Ref document number: 21812227

Country of ref document: EP

Kind code of ref document: A1