WO2022123665A1 - 学習装置、不良検知装置、及び不良検知方法 - Google Patents

学習装置、不良検知装置、及び不良検知方法 Download PDF

Info

Publication number
WO2022123665A1
WO2022123665A1 PCT/JP2020/045745 JP2020045745W WO2022123665A1 WO 2022123665 A1 WO2022123665 A1 WO 2022123665A1 JP 2020045745 W JP2020045745 W JP 2020045745W WO 2022123665 A1 WO2022123665 A1 WO 2022123665A1
Authority
WO
WIPO (PCT)
Prior art keywords
segment
series data
training
data
value
Prior art date
Application number
PCT/JP2020/045745
Other languages
English (en)
French (fr)
Inventor
泰弘 遠山
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to DE112020007637.7T priority Critical patent/DE112020007637T5/de
Priority to KR1020237017923A priority patent/KR102566084B1/ko
Priority to JP2022557645A priority patent/JP7278501B2/ja
Priority to PCT/JP2020/045745 priority patent/WO2022123665A1/ja
Priority to CN202080107681.5A priority patent/CN116601650A/zh
Priority to TW110123529A priority patent/TWI823107B/zh
Publication of WO2022123665A1 publication Critical patent/WO2022123665A1/ja
Priority to US18/299,434 priority patent/US20230251167A1/en

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M99/00—Subject matter not provided for in other groups of this subclass
    • G01M99/005—Testing of complete machines, e.g. washing-machines or mobile phones
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3065—Monitoring arrangements determined by the means or processing involved in reporting the monitored data
    • G06F11/3072—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting
    • G06F11/3075—Monitoring arrangements determined by the means or processing involved in reporting the monitored data where the reporting involves data filtering, e.g. pattern matching, time or event triggered, adaptive or policy-based reporting the data filtering being achieved in order to maintain consistency among the monitored data, e.g. ensuring that the monitored data belong to the same timeframe, to the same system or component
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2263—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/26—Functional testing
    • G06F11/263—Generation of test inputs, e.g. test vectors, patterns or sequences ; with adaptation of the tested hardware for testability with external testers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/3058—Monitoring arrangements for monitoring environmental properties or parameters of the computing system or of the computing system component, e.g. monitoring of power, currents, temperature, humidity, position, vibrations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G06F11/32—Monitoring with visual or acoustical indication of the functioning of the machine
    • G06F11/321—Display for diagnostics, e.g. diagnostic result display, self-test user interface
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/40—Data acquisition and logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • This disclosure relates to a learning device, a defect detection device, and a defect detection method.
  • Patent Document 1 describes a technique for detecting a defect in a target device as follows. First, from the test time-series data of the target device, a plurality of segments that are partial time-series data of the test time-series data are generated. Next, the generated segment is compared with the segment of the past training time series data to detect the segment of the test time series data similar to the segment of the past training time series data. This similarity determination is made using the distance between segments, such as the Euclidean distance. Next, among the detected similar segments, the segment of the test time series data that is the least similar to the segment of the training time series data is detected as a singular point indicating that the target device is defective.
  • the test time-series data segment when there is an acceptable time-direction deviation between the training time-series data segment and the test time-series data segment, the test time-series data segment is abnormal. There was a problem that it was determined to be. That is, according to the technique of Patent Document 1, the similarity between segments is determined by the distance between segments such as the Euclidean distance. Therefore, when data of a time within a deviated time width is acquired, the distance at that time is obtained. was highly evaluated and there was a problem that it was determined that the segments were not similar to each other.
  • the present disclosure has been made to solve the above-mentioned problems, and one aspect of the embodiment of the present disclosure is a learning model for determining the similarity of time-series data with a margin in the time direction. It is an object of the present invention to provide a learning device for generating.
  • One aspect of the learning device is The training time series data acquired by the target device of the same or the same type as the monitored device or a sensor installed in the vicinity of the target device is collected in association with the setting parameter data of the target device or the environmental data related to the target device.
  • a segment set generator that generates a segment set with multiple training segments by dividing it into training segments that are partial time-series data representing A segment set sort unit that classifies the plurality of training segments included in the generated segment set into at least one similar segment set for each similar training segment using the setting parameter data or the environment data.
  • a sample segment generation unit that generates a sample segment indicating a normal range of operation of the target device from a plurality of training segments included in the at least one similar segment set. To prepare for.
  • the learning device of the present disclosure it is possible to generate a learning model for determining the similarity of time-series data with a margin in the time direction.
  • FIG. 6A to 6C are diagrams showing the effect of the defect detection device or the defect detection system.
  • FIG. 6A is a diagram showing a waveform during normal operation.
  • 6A to 6C are diagrams showing the effect of the defect detection device or the defect detection system.
  • FIG. 6A is a diagram showing a waveform during normal operation.
  • 6B is a diagram showing a waveform of an operation according to the operation example 1 which is different from the normal operation.
  • 6A to 6C are diagrams showing the effect of the defect detection device or the defect detection system.
  • FIG. 6C is a diagram showing a waveform of an operation according to an operation example 2 different from the normal operation.
  • FIG. 1 is a configuration example of the defect detection system 100 according to the first embodiment of the present disclosure.
  • the defect detection system 100 includes a learning device 10A, a defect detection device 10B, and a data storage unit 108.
  • the learning device 10A is composed of a training time series data acquisition unit 101A, a segment set generation unit 102, a segment set sort unit 103, a sample segment generation unit 104, and a sample segment sort unit 105.
  • the learning device 10A constructs a learning model based on the training time series data.
  • the defect detection device 10B is composed of a test time series data acquisition unit 101B, a normality calculation unit 106, and a defect determination unit 107. In the detection phase, the defect detection device 10B determines whether or not the test time series data is defective.
  • a shared time-series data acquisition unit (not shown) may be provided instead of the training time-series data acquisition unit 101A and the test time-series data acquisition unit 101B that are separately provided.
  • the training time-series data acquisition unit 101A acquires time-series data related to the same or the same type of device as the target device to be monitored (hereinafter, simply referred to as “target device”) as training time-series data.
  • Examples of time-series data to be acquired include sensor data acquired by a sensor (not shown) installed in or near the target device, setting parameter data set in the target device, and space in which the target device is arranged. Includes environmental data acquired by installed sensors (not shown).
  • the training time series data acquisition unit 101A collects sensor data, setting parameter data, and environmental data via a network (not shown).
  • Sensor data is time-series data related to the operation of the target device.
  • the target device is a manufacturing device having a motor
  • examples of sensor data include motor temperature, vibration, rotational speed, contact current, and contact voltage.
  • the setting parameter data is time-series data related to the parameters set to operate the target device.
  • the example of the setting parameter data includes a current set value for operating the motor and a voltage set value for operating the motor.
  • Environmental data is time-series data related to the environment around the target device. For example, if the target device is a manufacturing device having a motor, examples of environmental data include the temperature and humidity in the room where the manufacturing device is located.
  • an arrow extends from the training time-series data acquisition unit 101A to the segment set generation unit 102 in order to show a schematic flow of data, but the training time-series data acquisition unit 101A stores various collected data in the data storage unit. Supply to 108. After that, the segment set generation unit 102 performs a predetermined process with reference to the data stored in the data storage unit 108. Similarly, in order to show a schematic flow, the arrow between the other functional unit and the data storage unit 108 is omitted in FIG.
  • the data storage unit 108 stores various data in a data table format as shown in FIG. 2, for example.
  • motor temperature, vibration, rotation speed, contact current, contact voltage, current set value, and voltage set value are shown as examples of data items.
  • the data items are appropriately set according to the data to be collected.
  • time-series data of each data item is recorded every second.
  • the data related to one target device may be divided into a plurality of tables.
  • Data items common to a plurality of target devices such as temperature and humidity may be managed in a common table other than the data table of each target device.
  • the segment set generation unit 102 divides the training time series data into a plurality of training segments and generates a segment set which is a set including a plurality of training segments.
  • the training time series data is acquired from the data storage unit 108.
  • a segment is a portion of a waveform represented by time series data that represents an operating state including both a rise from a first value to a second value and a fall from a second value to a first value.
  • Means time series data. Both the first value and the second value may be specific values or arbitrary values within a predetermined range from a certain value. Both the first value and the second value are values in the steady state.
  • the training time series data for the period in which one product is manufactured is set as one segment.
  • the training time series data of each process or operation is regarded as one segment.
  • the training time series data of each operation such as start operation, constant output operation operation, output fluctuation operation, and stop operation is combined with one segment. do.
  • the training time series data of that operation is further divided by a fixed time width, and the training time series of each section divided in this way.
  • the data may be one segment.
  • the division method is set by, for example, the user of the defect detection system 100.
  • the segment set generation unit 102 supplies the generated segment set to the segment set sorting unit 103.
  • the method of division is stored in the data storage unit 108 so that the normality calculation unit 106 can refer to it later.
  • the segment set sorting unit 103 classifies the segment set generated by the segment set generation unit 102 into one or more similar segment sets by grouping training segments having similar tendencies.
  • setting parameter data of the target device may be used.
  • the training segment included in the segment set can be classified into a similar segment set having the same setting parameter data.
  • the classification may be performed in consideration of the external factors. For example, training segments may be classified by training segment where both the configuration parameter data and the external elements are the same. Training segments may also be classified using similar trends in sensor data as another indicator.
  • the sensor data used for classification is specified, the sensor data of each training segment is compared, the distance between training segments is calculated by the Euclidean distance, and the training segments are classified into training segments having a short distance.
  • Euclidean distance other distances such as Mahalanobis distance and Dynamic Time Warping distance may be used.
  • the segment set sorting unit 103 supplies one or more similar segment sets after classification to the sample segment generation unit 104.
  • the method used for classification is stored in the data storage unit 108 so that the normality calculation unit 106 can refer to it later.
  • the sample segment generation unit 104 generates a sample segment, which is a segment indicating a normal region used at the time of defect detection, by using various data of the similar segment set for each similar segment set. Examples of sample segment generation are shown in FIGS. 3A and 3B.
  • FIG. 3A is a diagram in which a plurality of training segments included in a certain similar segment set are superimposed and displayed by matching the start time of each training segment for a certain data item (for example, rotation speed).
  • the left end of the data shows the start time of each training segment.
  • the horizontal axis and the vertical axis of FIG. 3A are normalized to make the scales equivalent.
  • z normalization or min-max normalization can be used.
  • the average value of all data is subtracted from each data so that the distribution of all data has an average of 0 and a variance of 1 on each of the horizontal and vertical axes of FIG. 3A, and then divides by the standard deviation. Standardize.
  • min-max normalization When min-max normalization is used, all data are distributed from each data so that the distribution of all data is 0 at minimum and 1 at maximum on each of the horizontal axis (time axis) and vertical axis (value axis) of FIG. 3A. After subtracting the minimum value, divide by the maximum value after subtraction. Statistics such as the mean value, standard deviation, minimum value, and maximum value used at the time of normalization are stored in the data storage unit 108 for later use in the normality calculation unit 106.
  • the sample segment generation unit 104 determines the normal range using the normalized data of FIG. 3A.
  • the normal region is expressed, for example, by using the probability distribution of the existence probability of the data at each normalization time on the graph.
  • FIG. 3B shows an example in which the magnitude of the existence probability is expressed in gray scale. For example, at each normalization time in FIG. 3B, if each normalization training segment is most distributed in the average of all normalization training segments, and the distribution tends to decrease as the distance from the average increases, in FIG. 3B, the distribution tends to decrease. The closer to the average of all normalized training segments, the greater the probability of existence, so the color becomes darker, and the farther from the average, the lighter the color.
  • the sample segment generation unit 104 As a method for calculating the data existence probability, for example, a kernel density distribution by a Gaussian kernel can be used. As another method, the k-nearest neighbor method may be used. In this way, the sample segment generation unit 104 generates a sample segment showing a normal region for each similar segment set as a learning model. As a result, the sample segment generation unit 104 generates a sample segment set including a plurality of sample segments. The sample segment generation unit 104 stores the generated sample segment (learning model) in the data storage unit 108.
  • a kernel density distribution by a Gaussian kernel can be used.
  • the k-nearest neighbor method may be used. In this way, the sample segment generation unit 104 generates a sample segment showing a normal region for each similar segment set as a learning model. As a result, the sample segment generation unit 104 generates a sample segment set including a plurality of sample segments.
  • the sample segment generation unit 104 stores the generated sample segment (learning model) in the
  • the sample segment sorting unit 105 is an arbitrary component for improving the speed of searching by the normality calculation unit 106. That is, the sample segment sort unit 105 may or may not be present. In order to improve the speed of the search by the normality calculation unit 106, the sample segment sorting unit 105 sorts a plurality of sample segments (learning models) using various data. For example, sort in descending order of data value of a certain data item. The sample segment sorting unit 105 stores the sorted result in the data storage unit 108.
  • the test time-series data acquisition unit 101B acquires time-series data related to the monitored device to be monitored as test time-series data.
  • the test time series data may be collected in association with the setting parameter data of the monitored device or the environmental data related to the monitored device.
  • By associating the test time series data with the configuration parameter data or environment data a sample generated from the configuration parameter data associated with the test time series data or the same configuration parameter data as the environment data or the training segment associated with the environment data. It is possible to search for segments.
  • the normality calculation unit 106 calculates the normality of the test time series data using the sample segment (learning model) generated by the sample segment generation unit 104 or sorted by the sample segment sort unit 105. In order to calculate the normality, the normality calculation unit 106 performs the following processing.
  • the normality calculation unit 106 generates one or more test segments by dividing the test time series data acquired by the test time series data acquisition unit 101B by the same method as the segment set generation unit 102.
  • the method of division by the segment set generation unit 102 is acquired by the normality calculation unit 106 with reference to the data storage unit 108.
  • the normality calculation unit 106 searches for a set of similar segments having a tendency similar to that of the generated test segment. In order to perform this search, the normality calculation unit 106 refers to the data storage unit 108 and acquires the method used for classification by the segment set sorting unit 103. When a similar segment set having a tendency similar to that of the generated test segment is searched, the normality calculation unit 106 determines that the generated test segment belongs to the searched similar segment set.
  • the normality calculation unit 106 normalizes the test segment for which it is determined to belong to which similar segment set, and sets it as a normalized test segment. This normalization is performed by the same method after the normality calculation unit 106 refers to the data storage unit 108 and the sample segment generation unit 104 acquires the method used for the normalization.
  • the normality calculation unit 106 extracts a learning model created by the sample segment generation unit 104 or sorted by the sample segment sorting unit 105 from the similar segment set to which the normalization test segment belongs. Then, when the normalization test segment is plotted on the extracted learning model, the normality calculation unit 106 is a probability or degree of being included in the normal region at each normalization time of the learning model extracted by the normalization test segment. Calculate the probability.
  • the normality calculation unit 106 outputs the calculated existence probability as the normality of the test segment, and the output normality is stored in the data storage unit 108.
  • the defect determination unit 107 determines whether or not the test segment of the test time series data is defective based on the normality data calculated by the normality calculation unit 106.
  • a preset threshold is used to determine whether the test segment is defective.
  • the threshold value is the percentage of defective data included in or expected to be included in the training time series data. More specifically, if all the training time series data are normal, the threshold value is set to 0 (%), and if there is a time when the normality of the test segment becomes 0%, the test segment is bad. Is determined to be. Similarly, if there is a possibility that the training time series data contains about 5% of defects, the threshold value is set to 5 (%), and there is a time when the normality of the test segment becomes 5%.
  • the defect determination unit 107 outputs the determination result to a predetermined device such as a display device (not shown). Normality data may be output together with the determination result.
  • the configuration in which the defect detection system 100 includes the data storage unit 108 has been described, but the configuration is not limited to this configuration.
  • the data storage unit 108 one or more (not shown) network storage devices arranged on a communication network (not shown) store various data and sample segments (learning models), and the normality calculation unit 106 or a defect determination is made.
  • the unit 107 may be configured to access the network storage device.
  • the defect detection system 100 includes a processor 401, a memory 402 connected to the processor 401, an I / F device 403, and a storage 404.
  • the storage 404 is a selective component.
  • the processor 401, the I / F device 403, and the storage 404 are connected to each other via a bus.
  • the training time-series data acquisition unit 101A and the test time-series data acquisition unit 101B are realized by the I / F device 403.
  • the segment set generation unit 102 when the program stored in the memory 402 is read out by the processor 401 and executed, the segment set generation unit 102, the segment set sort unit 103, the sample segment generation unit 104, the sample segment sort unit 105, and the normality calculation are performed. A unit 106 and a defect determination unit 107 are realized. Further, the data storage unit 108 is realized by the storage 404.
  • the program is implemented as software, firmware or a combination of software and firmware. Examples of the memory 402 include, for example, RAM (Random Access Memory), ROM (Read Only Memory), flash memory, EPROM (Erasable Programmable Read Only Memory), EEPROM (Electrically-volatile) or EEPROM (Electrically-EPROM). Includes memory, magnetic disks, flexible disks, optical disks, compact disks, mini disks, and DVDs.
  • the defect detection system 100 includes a processing circuit 406 instead of the processor 401 and the memory 402.
  • the processing circuit 406 realizes a segment set generation unit 102, a segment set sort unit 103, a sample segment generation unit 104, a sample segment sort unit 105, a normality calculation unit 106, and a defect determination unit 107.
  • the processing circuit 406 is, for example, a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, an ASIC (Application Specific Integrated Circuit), an FPGA (Field-Programmable Gate Array), or a combination thereof.
  • the functions of the segment set generation unit 102, the segment set sort unit 103, the sample segment generation unit 104, the sample segment sort unit 105, the normality calculation unit 106, and the defect determination unit 107 may be realized by separate processing circuits. The functions may be collectively realized by one processing circuit.
  • the data stored in the data storage unit 108 is stored in the storage 404.
  • the defect detection system 100 is connected to an external device such as a data server (not shown) through the I / F device 403, the data is transmitted to the external device through the I / F device 403 without storing the data in the storage 404. You may.
  • the defect detection system 100 does not have to include the storage 404.
  • the intermediate processing results that are not stored in the storage 404. Is temporarily stored in the memory 402.
  • the determination result by the defect determination unit 107 is output by an output device (not shown) such as a display device via the I / F device 403, if necessary.
  • step ST501 the time-series data acquisition unit 101 acquires the time-series data as training time-series data or test time-series data.
  • the training time-series data is collected in association with the setting parameter data of the target device or the environment data related to the target device.
  • the test time-series data may be collected in association with the setting parameter data of the target device or the environment data related to the target device.
  • step ST502 the segment set generation unit 102 divides the training time series data into a plurality of training segments and generates a segment set which is a set including a plurality of training segments.
  • step ST503 the segment set sorting unit 103 classifies the generated segment set into one or more similar segment sets by grouping training segments having similar tendencies. Whether or not the tendencies are similar is determined by using, for example, setting parameter data or environmental data.
  • step ST504 the sample segment generation unit 104 normalizes the training segments included in the similar segment set for one or more similar segment sets, and uses various data of the normalized training segments to be used at the time of defect detection.
  • step ST505 the sample segment sorting unit 105 sorts the sample segment (learning model) using various data. Note that step ST505 does not have to be an arbitrary step.
  • step ST506 the normality calculation unit 106 uses the sample segment (learning model) generated by the sample segment generation unit 104 or sorted by the sample segment sort unit 105 to obtain the test time series data in step ST501. Calculate the normality of the test segment.
  • the normality calculation unit 106 generates a test segment of the test time series data by using the same method as that used by the segment set generation unit 102 for segmenting the training time series data. Further, the normality calculation unit 106 searches for a similar segment set having a tendency similar to that of the test segment by using the same method used by the segment set sorting unit 103 for classification in step ST503.
  • the normality calculation unit 106 normalizes the test segment for which it is determined to belong to which similar segment set, using the same method used by the sample segment generation unit 104 for normalization. .. Subsequently, the normality calculation unit 106 extracts a learning model created from a set of similar segments to which the normalization test segment belongs. Then, the normality calculation unit 106 calculates the existence probability, which is the probability that the normalization test segment is included in the normal region at each normalization time of the learning model extracted when the normalization test segment is plotted on the extracted learning model. calculate. The normality calculation unit 106 outputs the calculated existence probability as the normality of the test segment.
  • step ST507 the defect determination unit 107 determines whether or not the test segment is defective by using the normality of the test segment.
  • FIG. 6A is a diagram showing one segment data of the target device or a device of the same type as the target device during normal operation with a broken line.
  • the initial value (first value v1) continues for a certain period of time, and then the waveform rises and the value after rising (second value v2) continues for a certain period of time. After that, the operation of the waveform falling and returning to the initial value (first value v1) is shown.
  • FIG. 6B is a diagram showing an operation according to an operation example 1 which is different from an operation example at the time of normal operation of a device belonging to the same similar segment set as that of FIG. 6A.
  • the waveform of the device showing the operation according to the operation example 1 is shown by a solid line, and the waveform at the time of normal operation of FIG. 6A is superimposed and displayed by a broken line.
  • the initial value (first value v1) continues for a certain period of time
  • the waveform rises and the value after rising (second value v2) continues for a certain period of time.
  • the value after the rise continues for a shorter time than in the normal operation of FIG. 6A.
  • FIG. 6C is a diagram showing an operation according to an operation example 2 different from an operation example at the time of normal operation of a device belonging to the same similar segment set as that of FIG. 6A.
  • the waveform of the apparatus showing the operation according to the operation example 2 is shown by a solid line, and the waveform at the time of normal operation of FIG. 6A is superimposed and displayed by a broken line.
  • the initial value (first value v1) continues for a certain period of time, and then the waveform rises and the value after rising continues for a certain period of time, but the value after rising. Is a value smaller than that in the normal operation of FIG. 6A (third value v3).
  • Both the examples of FIGS. 6B and 6C are examples in which the specifications of the target device are deviated to the same extent. Therefore, it is desirable that the final determination as to whether or not the product is defective is the same in both cases of FIGS. 6B and 6C. That is, if the operation according to the operation example 1 of FIG. 6B is evaluated as the operation within the allowable range, it is desirable to evaluate the operation according to the operation example 2 of FIG. 6C as the operation within the allowable range. On the contrary, if the operation according to the operation example 1 of FIG. 6B is evaluated as a defective operation, it is desirable to evaluate the operation according to the operation example 2 of FIG. 6C as a defective operation.
  • the final determination as to whether or not the defect is made is as shown in FIG. 6B. It may be different in FIG. 6C.
  • the distance between the data value at a certain time and the data value at that time is evaluated and it is determined whether or not it is defective. Therefore, for the example of FIG. 6C, the difference between the increased value (v2) during normal operation and the increased value (v3) in operation example 2 is calculated as the distance.
  • the example of FIG. 6C the distance between the increased value (v2) during normal operation and the increased value (v3) in operation example 2 is calculated as the distance.
  • the normal operation is performed.
  • the difference between the value after the rise of time (v2) and the value after the fall (first value v1) in the operation example 1 is calculated as the distance.
  • the distance calculated for the example of FIG. 6B is larger than the distance calculated for the example of FIG. 6C. Therefore, according to the prior art, the example of FIG. 6C was determined to be non-defective because it was within the permissible range, and the example of FIG. 6B was determined to be defective because it was not within the permissible range.
  • the waveform data for a longer time than the conventional one is treated as a whole. There is. Therefore, it is possible to generate a sample segment (learning model) in consideration of not only the deviation in the value direction but also the deviation in the time direction. Since the test segment is created using such a sample segment, it is possible to evaluate not only the deviation in the value direction of the test segment but also the deviation in the time direction with a margin. Therefore, according to the embodiment of the present disclosure, it is possible to detect defects with higher accuracy than in the prior art.
  • the learning device (10A) of the appendix 1 includes training time series data acquired by a target device of the same type as or the same type as the monitored device or a sensor installed in the vicinity of the target device, setting parameter data of the target device, or the above.
  • the training time-series data acquisition unit (101A) that collects environmental data related to the target device in association with it, and the training time-series data rise from the first value to the second value in the waveform represented by the training time-series data.
  • a segment that generates a segment set with a plurality of training segments by dividing into training segments that are partial time-series data representing an operating state including both a fall from the second value to the first value.
  • the plurality of training segments included in the generated segment set are grouped into at least one similar segment set for each similar training segment.
  • the learning device of the appendix 2 is the learning device of the appendix 1, the at least one similar segment set is two or more similar segment sets, and the sample segment generation unit (104) is the two or more similar segments.
  • a sample segment is generated for each of the sets, and the learning device further includes a sample segment sort unit (105) for sorting the generated sample segments.
  • the defect detection device (10B) in Appendix 3 is a defect detection device that detects whether or not the monitored device to be monitored is defective, and is based on the monitored device or a sensor installed in the vicinity of the monitored device.
  • test time-series data acquisition unit (101B) that collects the acquired test time-series data and the test time-series data, the rise from the first value to the second value in the waveform represented by the test time-series data and One or more generated test segments that are partial time series data representing operating conditions including both falling from the second value to the first value and generated by the learning apparatus of Appendix 1 or 2.
  • the normality calculation unit (106) which refers to the related sample segment from the sample segment and calculates the normality indicating the degree to which the generated test segment is included in the normal range of the referenced sample segment.
  • a defect determination unit (107) for determining whether or not the monitored device is defective based on the normality is provided.
  • the defect detection device of Appendix 4 is the defect detection device of Appendix 3, and the test time-series data acquisition unit uses the test time-series data as setting parameter data of the monitoring target device or environmental data related to the monitoring target device. Collected in association with, the associated sample segment is a sample segment generated from the configuration parameter data or training segment associated with the same configuration parameter data or environment data as the configuration parameter data or environment data associated with the test time series data.
  • the defect detection method of Appendix 5 includes training time-series data acquired by a target device of the same type as or similar to the monitored device or a sensor installed in the vicinity of the target device, setting parameter data of the target device, or the target device.
  • a segment set with a plurality of training segments is generated by dividing into training segments which are partial time series data representing (ST502).
  • the plurality of training segments included in the generated segment set are collectively classified into at least one similar segment set for each similar training segment (ST503).
  • ST504 From a plurality of training segments included in the at least one similar segment set, a sample segment showing the normal range of operation of the target device is generated (ST504).
  • test time series data acquired by the monitored device or a sensor installed in the vicinity of the monitored device is collected.
  • a test segment which is partial time-series data representing the operating state, is generated from the test time-series data, and the normality of the test segment is calculated with reference to the generated sample segment (ST506). Based on the calculated normality, it is determined whether or not the monitored device is defective (ST507).
  • One application of the learning device 10A, the defect detection device 10B, or the defect detection system 100 of the present disclosure is to use it for a device such as a manufacturing device in which similar operations are repeated.
  • a manufacturing apparatus that repeatedly manufactures the same product
  • the same operation is often repeated if the set values of the apparatus are the same.
  • the sensor data installed in the device may show a tendency different from other normal operations. By detecting the different tendency, it is possible to detect an operation that may be defective. Since defective operation may lead to product defects, maintenance of the device with defective operation can contribute to improving the yield of the product.
  • the defect detection device 10B As one application of the learning device 10A, the defect detection device 10B, or the defect detection system 100 of the present disclosure, it is used for a device or device such as a power plant in which a similar operation is performed a plurality of times or a similar operation is continued.
  • a device or device such as a power plant in which a similar operation is performed a plurality of times or a similar operation is continued.
  • the operation such as the start operation, the stop operation, and the output fluctuation operation of the device
  • the set value of the device or the external environment if the set value of the device or the external environment is the same, the operation follows the same sequence and the sensor data tends to be similar. Often indicates. Therefore, it is considered that there is a possibility of a defect if the set value of the device or the external environment is the same a plurality of times but different operations are performed.
  • the sensor data often show a tendency to be similar during the steady operation period. Therefore, if there is a time or time interval in which different operations are performed during that period, it is considered that there is a possibility of failure. If there is a different operation, the sensor data of the sensor installed in the device may show a tendency different from other normal operations. By detecting the different tendency, it is possible to detect an operation that may be defective. Since defective operation may lead to unexpected operation, it is possible to prevent unexpected operation by maintaining the device that has performed the defective operation.
  • 10A learning device, 10B defect detection device, 100 defect detection system 101A training time series data acquisition unit, 101B test time series data acquisition unit, 102 segment set generation unit, 103 segment set sort unit, 104 sample segment generation unit, 105 sample Segment sort unit, 106 normality calculation unit, 107 defect determination unit, 108 data storage unit, 401 processor, 402 memory, 403 I / F device, 404 storage, 406 processing circuit.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Branch Pipes, Bends, And The Like (AREA)
  • Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
  • Apparatuses And Processes For Manufacturing Resistors (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

学習装置は、監視対象装置と同一又は同種の対象装置又は前記対象装置の近傍に設置されたセンサにより取得された訓練時系列データと、前記対象装置の設定パラメータデータ又は前記対象装置に関する環境データとを関連付けて収集する訓練時系列データ取得部（１０１Ａ）と、前記訓練時系列データを、前記訓練時系列データが表す波形において第１の値から第２の値への立上り及び前記第２の値から前記第１の値への立下りの両方を含む動作状態を表す部分時系列データである訓練セグメントに分割して、複数の訓練セグメントを備えたセグメント集合を生成するセグメント集合生成部（１０２）と、前記設定パラメータデータ又は前記環境データを用いて、生成されたセグメント集合に含まれる前記複数の訓練セグメントを、類似する訓練セグメントごとにまとめて少なくとも１つの類似セグメント集合に分類するセグメント集合ソート部（１０３）と、前記少なくとも１つの類似セグメント集合に含まれる複数の訓練セグメントから、前記対象装置の動作の正常域を示す標本セグメントを生成する標本セグメント生成部（１０４）と、を備える。

Description

学習装置、不良検知装置、及び不良検知方法
　本開示は、学習装置、不良検知装置、及び不良検知方法に関する。
　プラント装置、製造装置、昇降機、空調機等の各種装置の動作を監視するため、監視対象である対象装置又はその近くに設置されたセンサによって得られたデータから、対象装置の動作を評価して不良を検知することは有用である。例えば特許文献１には、対象装置の不良を次のようにして検知する技術が記載されている。まず、対象装置のテスト時系列データから、テスト時系列データの部分時系列データであるセグメントを複数生成する。次に、生成されたセグメントと過去の訓練時系列データのセグメントとを比較して、過去の訓練時系列データのセグメントに類似するテスト時系列データのセグメントを検出する。この類似性の判定は、セグメント間の距離、例えばユークリッド距離を用いてなされる。次に、検出された類似セグメントの中で、訓練時系列データのセグメントと最も類似しないテスト時系列データのセグメントを、対象装置が不良であることを示す特異点として検出する。
国際公開第２０１６／１１７０８６号
　このような特許文献１の技術によれば、訓練時系列データのセグメントとテスト時系列データのセグメントとの間に許容可能な時間方向のずれが存在する場合において、テスト時系列データのセグメントを異常であると判定してしまうという問題点があった。すなわち、特許文献１の技術によれば、セグメント間の類似性はユークリッド距離等のセグメント間の距離により判定されるので、ずれた時間幅内の時刻のデータが取得された場合、その時刻における距離が大きく評価されてセグメント同士が類似しないと判定されてしまうという問題点があった。
　本開示は上記のような課題を解決するためになされたものであり、本開示の実施形態の一側面は、時間方向に余裕を持って時系列データの類似性の判定を行うための学習モデルを生成する学習装置を提供することを目的とする。
　本開示に係る学習装置の一側面は、
　監視対象装置と同一又は同種の対象装置又は前記対象装置の近傍に設置されたセンサにより取得された訓練時系列データと、前記対象装置の設定パラメータデータ又は前記対象装置に関する環境データとを関連付けて収集する訓練時系列データ取得部と、
　前記訓練時系列データを、前記訓練時系列データが表す波形において第１の値から第２の値への立上り及び前記第２の値から前記第１の値への立下りの両方を含む動作状態を表す部分時系列データである訓練セグメントに分割して、複数の訓練セグメントを備えたセグメント集合を生成するセグメント集合生成部と、
　前記設定パラメータデータ又は前記環境データを用いて、生成されたセグメント集合に含まれる前記複数の訓練セグメントを、類似する訓練セグメントごとにまとめて少なくとも１つの類似セグメント集合に分類するセグメント集合ソート部と、
　前記少なくとも１つの類似セグメント集合に含まれる複数の訓練セグメントから、前記対象装置の動作の正常域を示す標本セグメントを生成する標本セグメント生成部と、
を備える。
　本開示の学習装置によれば、時間方向に余裕を持って時系列データの類似性の判定を行うための学習モデルを生成することができる。
不良検知システムの構成例を示すブロック図である。 センサデータテーブルの例を示す図である。 標本セグメントの生成例を示す図である。 標本セグメントの生成例を示す図である。 不良検知システムのハードウェア構成の一例を示すブロック図である。 不良検知システムのハードウェア構成の他の例を示すブロック図である。 不良検知システムの動作を示すフローチャートである。 図６Ａから図６Ｃは、不良検知装置又は不良検知システムの効果を示す図である。図６Ａは正常動作時の波形を示す図である。 図６Ａから図６Ｃは、不良検知装置又は不良検知システムの効果を示す図である。図６Ｂは正常動作時と異なる動作例１による動作の波形を示す図である。 図６Ａから図６Ｃは、不良検知装置又は不良検知システムの効果を示す図である。図６Ｃは正常動作時と異なる動作例２による動作の波形を示す図である。
　以下、図面を参照しつつ、本開示に係る種々の実施の形態について詳細に説明する。なお、図面全体において同一符号を付された構成要素は、同一又は類似の構成又は機能を有するものとする。
実施の形態１．
＜構成＞
　図１は、本開示の実施の形態１による不良検知システム１００の構成例である。不良検知システム１００は、学習装置１０Ａ、不良検知装置１０Ｂ、及びデータ記憶部１０８を含む。学習装置１０Ａは、訓練時系列データ取得部１０１Ａ、セグメント集合生成部１０２、セグメント集合ソート部１０３、標本セグメント生成部１０４、及び標本セグメントソート部１０５から構成される。学習フェーズにおいて、学習装置１０Ａは、訓練時系列データを元に学習モデルを構築する。
　不良検知装置１０Ｂは、テスト時系列データ取得部１０１Ｂ、正常度算出部１０６、及び不良判定部１０７から構成される。検知フェーズにおいて、不良検知装置１０Ｂは、テスト時系列データが不良か否かを判定する。
　別々に設けられている訓練時系列データ取得部１０１Ａ及びテスト時系列データ取得部１０１Ｂに替えて、不図示の共用の時系列データ取得部を設けてもよい。
＜学習フェーズ＞
　訓練時系列データ取得部１０１Ａは、監視対象である対象装置と同一又は同種の装置（以下、単に「対象装置」という。）に関する時系列データを訓練時系列データとして取得する。取得する時系列データの例には、対象装置又はその近傍に設置された不図示のセンサにより取得されるセンサデータ、対象装置に設定された設定パラメータデータ、及び対象装置が配置されている空間に設置された不図示のセンサにより取得される環境データが含まれる。訓練時系列データ取得部１０１Ａは、センサデータ、設定パラメータデータ、及び環境データを不図示のネットワークを介して収集する。
　センサデータとは、対象装置の動作に関する時系列データである。例えば、対象装置がモータを有する製造装置の場合、センサデータの例には、モータの温度、振動、回転速度、接点電流、及び接点電圧が含まれる。
　設定パラメータデータとは、対象装置を動作させるために設定されるパラメータに関する時系列データである。例えば、対象装置がモータを有する製造装置の場合、設定パラメータデータの例には、モータを動作させるための電流設定値、及びモータを動作させるための電圧設定値が含まれる。
　環境データとは、対象装置の周囲の環境に関する時系列データである。例えば、対象装置がモータを有する製造装置の場合、環境データの例には、製造装置が配置されている室内の温度及び湿度が含まれる。
　図１ではデータの概略的な流れを示すために訓練時系列データ取得部１０１Ａからセグメント集合生成部１０２に矢印が伸びているが、訓練時系列データ取得部１０１Ａは収集した各種データをデータ記憶部１０８に供給する。その後、セグメント集合生成部１０２は、データ記憶部１０８に蓄積されたデータを参照して所定の処理を行う。同様に、概略的な流れを示すために、図１では他の機能部とデータ記憶部１０８との間の矢印を省略して示している。
　データ記憶部１０８は各種データを、例えば図２のようなデータテーブル形式で格納する。図２では、データ項目の例として、モータ温度、振動、回転速度、接点電流、接点電圧、電流設定値、電圧設定値が示されている。データ項目は、収集するデータに応じて適宜設定される。図２では、各データ項目の時系列データが１秒ごとに記録されている。対象装置とデータ項目の対応付けが可能であれば、１つの対象装置に関するデータは複数のテーブルに分割されていても構わない。気温、湿度等の、複数の対象装置に共通のデータ項目は、各対象装置のデータテーブル以外の共通のテーブルで管理されてもよい。
　セグメント集合生成部１０２は、訓練時系列データを複数の訓練セグメントに分割して、複数の訓練セグメントを備えた集合であるセグメント集合を生成する。訓練時系列データは、データ記憶部１０８から取得する。セグメントとは、本開示では、時系列データが表す波形において第１の値から第２の値への立上り及び第２の値から第１の値への立下りの両方を含む動作状態を表す部分時系列データを意味する。第１の値及び第２の値の値の何れも、特定の値であってもよいし、ある値から所定の範囲内の任意の値であってもよい。第１の値及び第２の値の値の何れも、定常状態における値である。分割の一例として、同じ製品を繰り返し製造する製造装置の場合、１つの製品を製造した期間の訓練時系列データを１つのセグメントとする。別の例として、１つの製品の製造が複数の工程又は動作から構成されている場合は、各工程又は動作の訓練時系列データを１つのセグメントとする。更に別の例として、発電プラントなどのように同じ動作の明確な繰返しがない場合、起動動作、一定出力運転動作、出力変動動作、停止動作などの各動作の訓練時系列データを１つのセグメントとする。発電プラントの一定出力運転動作のように単一の動作が長時間に及ぶ場合、その動作の訓練時系列データを一定の時間幅で更に区切って、このように区切られた各区間の訓練時系列データを１つのセグメントとしてもよい。分割の方法は、例えば、不良検知システム１００のユーザにより設定される。セグメント集合生成部１０２は、生成したセグメント集合を、セグメント集合ソート部１０３に供給する。分割の方法は、後に正常度算出部１０６が参照できるようにデータ記憶部１０８に格納される。
　セグメント集合ソート部１０３は、セグメント集合生成部１０２により生成されたセグメント集合を、傾向が類似する訓練セグメントをまとめることにより１つ以上の類似セグメント集合に分類する。分類に用いる指標として、例えば、対象装置の設定パラメータデータを用いてもよい。例えば製造装置では、設定パラメータデータが同じであれば同様の動作をするため、セグメント集合に含まれる訓練セグメントを設定パラメータデータが同じ類似セグメント集合に分類できる。設定パラメータデータ以外の気温又は湿度等の外部要素が対象装置の動作に影響することが事前知識として得られている場合は、外部要素も加味して分類を行ってもよい。例えば、訓練セグメントを、設定パラメータデータと外部要素の両方が同じ訓練セグメントごとに分類してもよい。また、別の指標としてセンサデータの類似した傾向を用いて、訓練セグメントを分類してもよい。この場合、分類に使用するセンサデータを指定し、各訓練セグメントの当該センサデータを比較し、ユークリッド距離で訓練セグメント間の距離を算出し、訓練セグメントを距離が近い訓練セグメントごとに分類する。ユークリッド距離の代替として、マハラノビス距離、Ｄｙｎａｍｉｃ　Ｔｉｍｅ　Ｗａｒｐｉｎｇ距離等の他の距離を利用してもよい。セグメント集合ソート部１０３は、分類後の１つ以上の類似セグメント集合を、標本セグメント生成部１０４に供給する。なお、分類に用いた方法は、後に正常度算出部１０６が参照できるようにデータ記憶部１０８に格納される。
　標本セグメント生成部１０４は、各類似セグメント集合について、類似セグメント集合の各種データを用いて、不良検知時に用いられる正常域を示すセグメントである標本セグメントを生成する。標本セグメントの生成例を図３Ａ及び図３Ｂに示す。
　図３Ａは、ある類似セグメント集合に含まれる複数の訓練セグメントを、あるデータ項目（例えば、回転速度）について各訓練セグメントの開始時刻を合わせて重畳表示した図である。データの左端が各訓練セグメントの開始時刻を示す。この図３Ａの横軸及び縦軸を正規化し、スケールを同等にする。正規化の方法として、ｚ正規化又はｍｉｎ－ｍａｘ正規化を用いることができる。ｚ正規化を用いる場合、図３Ａの横軸及び縦軸のそれぞれにおいて、全データの分布が平均０、分散１となるよう、各データから全データの平均値を減算したのち、標準偏差で除算する標準化をする。ｍｉｎ－ｍａｘ正規化を用いる場合、図３Ａの横軸（時間軸）及び縦軸（数値軸）のそれぞれにおいて、全データの分布が、最小０、最大１となるよう、各データから全データの最小値を減算したのち、減算後の最大値で除算する。正規化の際に使用した平均値、標準偏差、最小値、及び最大値等の統計量は、正常度算出部１０６にて後で使用するため、データ記憶部１０８に記憶する。
　標本セグメント生成部１０４は、図３Ａの正規化されたデータを用いて、正常域を定める。正常域は、例えば、グラフ上の各正規化時刻におけるデータの存在確率の確率分布を用いて表現する。存在確率の大小をグレースケールで表現した例を図３Ｂに示す。例えば図３Ｂの各正規化時刻において、各正規化訓練セグメントが全正規化訓練セグメントの平均に最も多く分布しており、平均から遠ざかるほど分布が少なくなるような傾向であった場合、図３Ｂでは全正規化訓練セグメントの平均付近ほど存在確率が大きくなるため色が濃くなり、平均から離れるほど色が薄くなる。データ存在確率の算出方法として、例えば、ガウシアンカーネルによるカーネル密度分布を使用することができる。別の方法として、ｋ近傍法を用いてもよい。標本セグメント生成部１０４は、このようにして、類似セグメント集合ごとに正常域を示す標本セグメントを学習モデルとして生成する。これにより、標本セグメント生成部１０４は、複数の標本セグメントを備えた標本セグメント集合を生成する。標本セグメント生成部１０４は、生成した標本セグメント（学習モデル）をデータ記憶部１０８に格納する。
　標本セグメントソート部１０５は、正常度算出部１０６による検索の速度を向上させるための任意の構成部である。すなわち、標本セグメントソート部１０５は、あってもなくてもよい。正常度算出部１０６による検索の速度を向上させるため、標本セグメントソート部１０５は、各種データを用いて複数の標本セグメント（学習モデル）をソートする。例えば、あるデータ項目のデータの値が大きい順にソートする。標本セグメントソート部１０５は、ソートした結果をデータ記憶部１０８に格納する。
＜検知フェーズ＞
　訓練時系列データ取得部１０１Ａと同様に、テスト時系列データ取得部１０１Ｂは、監視対象である監視対象装置に関する時系列データをテスト時系列データとして取得する。テスト時系列データは、監視対象装置の設定パラメータデータ又は監視対象装置に関する環境データと関連付けて収集してもよい。テスト時系列データを設定パラメータデータ又は環境データと関連付けることにより、テスト時系列データに関連付けられた設定パラメータデータ又は環境データと同一の設定パラメータデータ又は環境データに関連付けられた訓練セグメントから生成された標本セグメントを検索することが可能となる。
　正常度算出部１０６は、標本セグメント生成部１０４により生成され又は標本セグメントソート部１０５によりソートされた標本セグメント（学習モデル）を用いて、テスト時系列データの正常度を算出する。正常度を算出するため、正常度算出部１０６は、以下の処理を行う。
　正常度算出部１０６は、テスト時系列データ取得部１０１Ｂが取得したテスト時系列データを、セグメント集合生成部１０２と同じ方法で分割することにより１つ以上のテストセグメントを生成する。セグメント集合生成部１０２による分割の方法は、正常度算出部１０６がデータ記憶部１０８を参照して取得する。
　正常度算出部１０６は、生成されたテストセグメントと類似の傾向を有する類似セグメント集合を検索する。この検索を行うため、正常度算出部１０６は、データ記憶部１０８を参照してセグメント集合ソート部１０３が分類に用いた方法を取得する。生成されたテストセグメントと類似の傾向を有する類似セグメント集合が検索された場合、正常度算出部１０６は、生成されたテストセグメントが、検索された類似セグメント集合に属すると判定する。
　正常度算出部１０６は、どの類似セグメント集合に属するかが判定されたテストセグメントを、正規化して正規化テストセグメントとする。この正規化は、正常度算出部１０６がデータ記憶部１０８を参照して、標本セグメント生成部１０４が正規化に用いた方法を取得して、同一の方法により行う。
　正常度算出部１０６は、正規化テストセグメントが属する類似セグメント集合から標本セグメント生成部１０４により作成され、又は標本セグメントソート部１０５によりソートされた学習モデルを抽出する。そして、正常度算出部１０６は、正規化テストセグメントを抽出した学習モデルにプロットしたときに、正規化テストセグメントが抽出した学習モデルの各正規化時刻における正常域に含まれる確率又は度合いである存在確率を算出する。正常度算出部１０６はこの算出した存在確率をテストセグメントの正常度として出力し、出力された正常度はデータ記憶部１０８に格納される。
　不良判定部１０７は、正常度算出部１０６により算出された正常度データをもとに、テスト時系列データのテストセグメントが不良か否かを判定する。テストセグメントが不良か否かの判定は、予め設定したしきい値を使用する。例えば、訓練時系列データに含まれる又は含まれると想定される不良データの百分率をしきい値とする。より具体的には、訓練時系列データがすべて正常であるとした場合、しきい値を０（％）と設定し、テストセグメントの正常度が０％となる時刻がある場合にテストセグメントは不良であると判定する。同様に、訓練時系列データに５％程度の不良が含まれる可能性がある場合には、しきい値を５（％）と設定し、テストセグメントの正常度が５％となる時刻がある場合にはテストセグメントは不良であると判定する。別の例として、テストセグメントに特別正常度が小さい時刻はないが、テストセグメントの正常度が全体として低いケースを不良と判定したい場合には、しきい値を５（％）と設定し、テストセグメントの正常度の平均値が５％を下回る場合にテストセグメントは不良であると判定する。不良判定部１０７は、判定結果を不図示の表示装置等の所定の装置に出力する。判定結果とともに正常度データも出力されてよい。
　以上の説明では不良検知システム１００がデータ記憶部１０８を備える構成について説明したが、この構成に限定されない。データ記憶部１０８に替えて、不図示の通信ネットワーク上に配置された１つ以上の不図示のネットワークストレージ装置が各種データ及び標本セグメント（学習モデル）を記憶し、正常度算出部１０６又は不良判定部１０７がネットワークストレージ装置にアクセスするように構成してもよい。
　次に、図４Ａ及び図４Ｂを参照して、不良検知システム１００のハードウェアの構成例について説明する。一例として、図４Ａに示されているように、不良検知システム１００は、プロセッサ４０１、プロセッサ４０１に接続されたメモリ４０２、Ｉ／Ｆ装置４０３、及びストレージ４０４を備える。なお、ストレージ４０４は、選択的な構成部である。プロセッサ４０１、Ｉ／Ｆ装置４０３、及びストレージ４０４は、バスを介して相互に接続されている。Ｉ／Ｆ装置４０３により訓練時系列データ取得部１０１Ａ及びテスト時系列データ取得部１０１Ｂが実現される。また、メモリ４０２に格納されたプログラムがプロセッサ４０１に読み出されて実行されることにより、セグメント集合生成部１０２、セグメント集合ソート部１０３、標本セグメント生成部１０４、標本セグメントソート部１０５、正常度算出部１０６、及び不良判定部１０７が実現される。また、ストレージ４０４によりデータ記憶部１０８が実現される。プログラムは、ソフトウェア、ファームウェア又はソフトウェアとファームウェアとの組合せとして実現される。メモリ４０２の例には、例えば、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、フラッシュメモリ、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ－ＥＰＲＯＭ）などの不揮発性又は揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパクトディスク、ミニディスク、ＤＶＤが含まれる。
　別の例として、図４Ｂに示されているように、不良検知システム１００は、プロセッサ４０１及びメモリ４０２に替えて、処理回路４０６を備える。この場合、処理回路４０６により、セグメント集合生成部１０２、セグメント集合ソート部１０３、標本セグメント生成部１０４、標本セグメントソート部１０５、正常度算出部１０６、及び不良判定部１０７が実現される。処理回路４０６は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）、又は、これらの組合せである。セグメント集合生成部１０２、セグメント集合ソート部１０３、標本セグメント生成部１０４、標本セグメントソート部１０５、正常度算出部１０６、及び不良判定部１０７の機能を別個の処理回路で実現してもよく、これらの機能をまとめて１つの処理回路で実現してもよい。
　データ記憶部１０８にて記憶されるデータは、ストレージ４０４に格納される。不良検知システム１００がＩ／Ｆ装置４０３を通して不図示のデータサーバなどの外部装置に接続されている場合は、データをストレージ４０４に格納せずに、Ｉ／Ｆ装置４０３を通してデータを外部装置に送信してもよい。このように不良検知システム１００が外部装置に接続されている場合は、不良検知システム１００はストレージ４０４を備えていなくてよい。セグメント集合生成部１０２、セグメント集合ソート部１０３、標本セグメント生成部１０４、標本セグメントソート部１０５、正常度算出部１０６、及び不良判定部１０７が行う各処理のうち、ストレージ４０４に格納されない中間処理結果は、メモリ４０２に一時的に格納される。不良判定部１０７による判定結果は、必要に応じて、Ｉ／Ｆ装置４０３を介して、表示装置などの不図示の出力装置により出力される。
＜動作＞
　次に、図５のフローチャートを参照して、不良検知システム１００の動作について説明する。
　ステップＳＴ５０１において、時系列データ取得部１０１は、時系列データを訓練時系列データ又はテスト時系列データとして取得する。時系列データを訓練時系列データとして取得する場合、訓練時系列データは、対象装置の設定パラメータデータ又は対象装置に関する環境データと関連付けて収集する。時系列データをテスト時系列データとして取得する場合、テスト時系列データは、対象装置の設定パラメータデータ又は対象装置に関する環境データと関連付けて収集してもよい。
　ステップＳＴ５０２において、セグメント集合生成部１０２は、訓練時系列データを複数の訓練セグメントに分割して、複数の訓練セグメントを備えた集合であるセグメント集合を生成する。
　ステップＳＴ５０３において、セグメント集合ソート部１０３は、生成されたセグメント集合を、傾向が類似する訓練セグメントをまとめることにより１つ以上の類似セグメント集合に分類する。傾向が類似するか否かの判定は、例えば、設定パラメータデータ又は環境データを用いて行う。
　ステップＳＴ５０４において、標本セグメント生成部１０４は、１つ以上の類似セグメント集合について、当該類似セグメント集合に含まれる訓練セグメントを正規化し、正規化された訓練セグメントの各種データを用いて、不良検知時に用いられる正常域を示すセグメントである標本セグメント（学習モデル）を生成する。
　ステップＳＴ５０５において、標本セグメントソート部１０５は、各種データを用いて標本セグメント（学習モデル）をソートする。なお、ステップＳＴ５０５は、任意のステップであるのでなくてもよい。
　ステップＳＴ５０６において、正常度算出部１０６は、標本セグメント生成部１０４により生成され又は標本セグメントソート部１０５によりソートされた標本セグメント（学習モデル）を用いて、ステップＳＴ５０１において取得されたテスト時系列データのテストセグメントの正常度を算出する。この際、ステップＳＴ５０２において、セグメント集合生成部１０２が訓練時系列データのセグメント化に用いた方法と同一の方法を用いて、正常度算出部１０６は、テスト時系列データのテストセグメントを生成する。また、ステップＳＴ５０３においてセグメント集合ソート部１０３が分類に用いた方法と同一の方法を用いて、正常度算出部１０６は、テストセグメントと類似の傾向を有する類似セグメント集合を検索する。また、ステップＳＴ５０４において、標本セグメント生成部１０４が正規化に用いた方法と同一の方法を用いて、正常度算出部１０６は、どの類似セグメント集合に属するかが判定されたテストセグメントを正規化する。続いて、正常度算出部１０６は、正規化テストセグメントが属する類似セグメント集合から作成された学習モデルを抽出する。そして、正常度算出部１０６は、正規化テストセグメントを抽出した学習モデルにプロットしたときに、正規化テストセグメントが抽出した学習モデルの各正規化時刻における正常域に含まれる確率である存在確率を算出する。正常度算出部１０６はこの算出した存在確率をテストセグメントの正常度として出力する。
　ステップＳＴ５０７において、不良判定部１０７は、テストセグメントの正常度を用いて、テストセグメントが不良か否かを判定する。
　次に、不良検知システム１００の効果について、図６Ａから図６Ｃを参照して説明する。図６Ａは、対象装置又は対象装置と同種の装置の、正常動作時の１つのセグメントデータを破線で示す図である。図６Ａの波形において、初期値（第１の値ｖ１）が一定の時間に亘って継続し、その後に波形が立ち上がって上昇後の値（第２の値ｖ２）が一定の時間に亘って継続し、その後に波形が立ち下がって初期値（第１の値ｖ１）に戻る動作が示されている。
　図６Ｂは、図６Ａと同じ類似セグメント集合に属する装置の正常動作時の動作例と異なる動作例１による動作を示す図である。図６Ｂにおいて、動作例１による動作を示す装置の波形が実線で示され、図６Ａの正常動作時の波形が破線で重畳表示されている。図６Ｂの波形において、初期値（第１の値ｖ１）が一定の時間に亘って継続し、その後に波形が立ち上がって上昇後の値（第２の値ｖ２）が一定の時間に亘って継続するが、上昇後の値は図６Ａの正常動作時よりも短い時間しか継続していない。
　図６Ｃは、図６Ａと同じ類似セグメント集合に属する装置の正常動作時の動作例と異なる動作例２による動作を示す図である。図６Ｃにおいて、動作例２による動作を示す装置の波形が実線で示され、図６Ａの正常動作時の波形が破線で重畳表示されている。図６Ｃの波形において、初期値（第１の値ｖ１）が一定の時間に亘って継続し、その後に波形が立ち上がって上昇後の値が一定の時間に亘って継続するが、上昇後の値は図６Ａの正常動作時よりも小さい値（第３の値ｖ３）となっている。
　図６Ｂ及び図６Ｃの例は何れも、対象装置の仕様に対して同程度のズレが生じている例である。したがって、最終的に不良か否かの判定は、図６Ｂ及び図６Ｃの両場合において同じであることが望ましい。すなわち、図６Ｂの動作例１による動作を許容範囲内の動作であると評価するのであれば、図６Ｃの動作例２による動作も許容範囲内の動作であると評価するのが望ましい。逆に、図６Ｂの動作例１による動作を不良の動作であると評価するのであれば、図６Ｃの動作例２による動作も不良の動作であると評価するのが望ましい。
　しかしながら、図６Ａのようなセグメントを、スライド窓を用いて細かく区切ってユークリッド距離等の距離に基づいて不良判定を行う従来技術によれば、最終的に不良か否かの判定が、図６Ｂと図６Ｃで異なる場合があった。かかる従来技術によれば、ある時刻におけるデータ値と、その時刻におけるデータ値との間の距離が評価されて不良か否かの判定が行われる。したがって、図６Ｃの例に関しては、正常動作時の上昇後の値（ｖ２）と動作例２における上昇後の値（ｖ３）との差が距離として算出される。同様に、図６Ｂの例に関しては、スライド窓のデータ取得時刻が正常動作時の波形と動作例１の波形とのズレの部分（破線で囲まれた部分）に位置する場合には、正常動作時の上昇後の値（ｖ２）と動作例１における立下り後の値（第１の値ｖ１）との差が距離として算出される。このように、従来技術によれば、図６Ｃの例について算出される距離に比べて、図６Ｂの例について算出される距離は大きくなる。そのため、従来技術によれば、図６Ｃの例は許容範囲にあるため不良でないと判定され、図６Ｂの例は許容範囲にないので不良であると判定されていた。
　このような従来技術に対して、本開示における実施形態によれば、波形の立上り及び立下りの両方を含む動作状態をセグメントとして捉えることにより、従来よりも長い時間の波形データを全体として扱っている。そのため、値方向だけでなく、時間方向のずれも考慮して標本セグメント（学習モデル）を生成することができる。テストセグメントは、このような標本セグメントを用いてなされるので、テストセグメントが有する値方向のずれだけでなく時間方向のずれについても余裕をもって評価することができる。したがって、本開示の実施形態によれば、従来技術よりも高精度な不良検知が可能となる。
＜付記＞
　以上で説明された種々の実施形態のいくつかの側面について、以下にてまとめる。
＜付記１＞
　付記１の学習装置（１０Ａ）は、監視対象装置と同一又は同種の対象装置又は前記対象装置の近傍に設置されたセンサにより取得された訓練時系列データと、前記対象装置の設定パラメータデータ又は前記対象装置に関する環境データとを関連付けて収集する訓練時系列データ取得部（１０１Ａ）と、前記訓練時系列データを、前記訓練時系列データが表す波形において第１の値から第２の値への立上り及び前記第２の値から前記第１の値への立下りの両方を含む動作状態を表す部分時系列データである訓練セグメントに分割して、複数の訓練セグメントを備えたセグメント集合を生成するセグメント集合生成部（１０２）と、前記設定パラメータデータ又は前記環境データを用いて、生成されたセグメント集合に含まれる前記複数の訓練セグメントを、類似する訓練セグメントごとにまとめて少なくとも１つの類似セグメント集合に分類するセグメント集合ソート部（１０３）と、前記少なくとも１つの類似セグメント集合に含まれる複数の訓練セグメントから、前記対象装置の動作の正常域を示す標本セグメントを生成する標本セグメント生成部（１０４）と、を備える。
＜付記２＞
　付記２の学習装置は、付記１の学習装置であって、前記少なくとも１つの類似セグメント集合は、２以上の類似セグメント集合であり、前記標本セグメント生成部（１０４）は、前記２以上の類似セグメント集合の各々について標本セグメントを生成し、前記学習装置は、生成された標本セグメントをソートする標本セグメントソート部（１０５）を更に備える。
＜付記３＞
　付記３の不良検知装置（１０Ｂ）は、監視対象である監視対象装置が不良か否かを検知する不良検知装置であって、前記監視対象装置又は前記監視対象装置の近傍に設置されたセンサにより取得されたテスト時系列データを収集するテスト時系列データ取得部（１０１Ｂ）と、前記テスト時系列データから、前記テスト時系列データが表す波形において第１の値から第２の値への立上り及び前記第２の値から前記第１の値への立下りの両方を含む動作状態を表す部分時系列データであるテストセグメントを生成し、付記１又は２の学習装置により生成された１つ以上の標本セグメントから関連する標本セグメントを参照し、前記生成されたテストセグメントが、参照された標本セグメントの正常域に含まれる度合いを示す正常度を算出する正常度算出部（１０６）と、算出された正常度に基づいて、前記監視対象装置が不良か否かを判定する不良判定部（１０７）と、を備える。
＜付記４＞
　付記４の不良検知装置は、付記３の不良検知装置であって、前記テスト時系列データ取得部は、前記テスト時系列データを、前記監視対象装置の設定パラメータデータ又は前記監視対象装置に関する環境データと関連付けて収集し、前記関連する標本セグメントは、前記テスト時系列データに関連付けられた設定パラメータデータ又は環境データと同一の設定パラメータデータ又は環境データに関連付けられた訓練セグメントから生成された標本セグメントである。
＜付記５＞
　付記５の不良検知方法は、監視対象装置と同一又は同種の対象装置又は前記対象装置の近傍に設置されたセンサにより取得された訓練時系列データと、前記対象装置の設定パラメータデータ又は前記対象装置に関する環境データとを関連付けて収集し（ＳＴ５０１）、
　前記訓練時系列データを、前記訓練時系列データが表す波形において第１の値から第２の値への立上り及び前記第２の値から前記第１の値への立下りの両方を含む動作状態を表す部分時系列データである訓練セグメントに分割して、複数の訓練セグメントを備えたセグメント集合を生成し（ＳＴ５０２）、
　前記設定パラメータデータ又は前記環境データを用いて、生成されたセグメント集合に含まれる前記複数の訓練セグメントを、類似する訓練セグメントごとにまとめて少なくとも１つの類似セグメント集合に分類し（ＳＴ５０３）、
　前記少なくとも１つの類似セグメント集合に含まれる複数の訓練セグメントから、前記対象装置の動作の正常域を示す標本セグメントを生成し（ＳＴ５０４）、
　前記監視対象装置又は前記監視対象装置の近傍に設置されたセンサにより取得されたテスト時系列データを収集し、
　前記テスト時系列データから前記動作状態を表す部分時系列データであるテストセグメントを生成し、前記生成された標本セグメントを参照して前記テストセグメントの正常度を算出し（ＳＴ５０６）、
　算出された正常度に基づいて前記監視対象装置が不良か否かを判定する（ＳＴ５０７）。
　なお、実施形態を組み合わせたり、各実施形態を適宜、変形、省略したりすることが可能である。
　本開示の学習装置１０Ａ、不良検知装置１０Ｂ又は不良検知システム１００の１つの用途として、製造装置等の同様の動作が繰り返される装置への利用がある。同じ製品を繰り返し製造する製造装置では、装置の設定値が同じであれば、同様の動作を繰り返すことが多い。複数回の繰り返し動作のうち、異なる動作をした回があれば不良の可能性があると考えられる。異なる動作がなされた場合、装置に設置されたセンサデータに、他の正常な動作時と異なる傾向が現れることがある。その異なった傾向を検知することで、不良の可能性のある動作を検出できる。不良の動作は、製品の不具合につながることがあるため、不良の動作をした装置をメンテナンスすることで、製品の歩留まり向上に寄与できる。
　本開示の学習装置１０Ａ、不良検知装置１０Ｂ又は不良検知システム１００の１つの用途として、発電プラントのように、類似した動作が複数回実施され又は同様の動作が継続される装置又は機器への利用がある。例えば、装置の起動動作時、停止動作時、出力変動動作時などの動作時においては、装置の設定値又は外部環境が同様であれば、動作は同様のシーケンスを辿り、センサデータは類似した傾向を示すことが多い。そのため、装置の設定値又は外部環境が同様な複数回の動作のうち、異なる動作をした回があれば不良の可能性があると考えられる。また、定常運転動作時は、装置の設定値又は外部環境が同様であれば、定常運転期間中はセンサデータが常に類似した傾向を示すことが多い。そのため、その期間中に異なる動作をした時刻又は時間区間があれば不良の可能性があると考えられる。異なる動作があった場合、装置に設置されたセンサのセンサデータに、他の正常な動作時と異なる傾向が現れることがある。その異なった傾向を検知することで、不良の可能性のある動作を検出できる。不良の動作は予期しない動作につながることがあるため、不良の動作をした装置をメンテナンスすることで不測の動作を予防することができる。
　１０Ａ　学習装置、１０Ｂ　不良検知装置、１００　不良検知システム、１０１Ａ　訓練時系列データ取得部、１０１Ｂ　テスト時系列データ取得部、１０２　セグメント集合生成部、１０３　セグメント集合ソート部、１０４　標本セグメント生成部、１０５　標本セグメントソート部、１０６　正常度算出部、１０７　不良判定部、１０８　データ記憶部、４０１　プロセッサ、４０２　メモリ、４０３　Ｉ／Ｆ装置、４０４　ストレージ、４０６　処理回路。

Claims (5)

  1. 　監視対象装置と同一又は同種の対象装置又は前記対象装置の近傍に設置されたセンサにより取得された訓練時系列データと、前記対象装置の設定パラメータデータ又は前記対象装置に関する環境データとを関連付けて収集する訓練時系列データ取得部と、
    　前記訓練時系列データを、前記訓練時系列データが表す波形において第１の値から第２の値への立上り及び前記第２の値から前記第１の値への立下りの両方を含む動作状態を表す部分時系列データである訓練セグメントに分割して、複数の訓練セグメントを備えたセグメント集合を生成するセグメント集合生成部と、
    　前記設定パラメータデータ又は前記環境データを用いて、生成されたセグメント集合に含まれる前記複数の訓練セグメントを、類似する訓練セグメントごとにまとめて少なくとも１つの類似セグメント集合に分類するセグメント集合ソート部と、
    　前記少なくとも１つの類似セグメント集合に含まれる複数の訓練セグメントから、前記対象装置の動作の正常域を示す標本セグメントを生成する標本セグメント生成部と、
    を備えた学習装置。
  2. 　前記少なくとも１つの類似セグメント集合は、２以上の類似セグメント集合であり、
    　前記標本セグメント生成部は、前記２以上の類似セグメント集合の各々について標本セグメントを生成し、
    　前記学習装置は、生成された標本セグメントをソートする標本セグメントソート部を更に備える、
    請求項１に記載の学習装置。
  3. 　監視対象である監視対象装置が不良か否かを検知する不良検知装置であって、
    　前記監視対象装置又は前記監視対象装置の近傍に設置されたセンサにより取得されたテスト時系列データを収集するテスト時系列データ取得部と、
    　前記テスト時系列データから、前記テスト時系列データが表す波形において第１の値から第２の値への立上り及び前記第２の値から前記第１の値への立下りの両方を含む動作状態を表す部分時系列データであるテストセグメントを生成し、
    　請求項１又は２に記載された学習装置により生成された１つ以上の標本セグメントから関連する標本セグメントを参照し、
    　前記生成されたテストセグメントが、参照された標本セグメントの正常域に含まれる度合いを示す正常度を算出する正常度算出部と、
    　算出された正常度に基づいて、前記監視対象装置が不良か否かを判定する不良判定部と、
    を備えた不良検知装置。
  4. 　前記テスト時系列データ取得部は、前記テスト時系列データを、前記監視対象装置の設定パラメータデータ又は前記監視対象装置に関する環境データと関連付けて収集し、
    　前記関連する標本セグメントは、前記テスト時系列データに関連付けられた設定パラメータデータ又は環境データと同一の設定パラメータデータ又は環境データに関連付けられた訓練セグメントから生成された標本セグメントである、
    、請求項３に記載の不良検知装置。
  5. 　監視対象装置と同一又は同種の対象装置又は前記対象装置の近傍に設置されたセンサにより取得された訓練時系列データと、前記対象装置の設定パラメータデータ又は前記対象装置に関する環境データとを関連付けて収集し、
    　前記訓練時系列データを、前記訓練時系列データが表す波形において第１の値から第２の値への立上り及び前記第２の値から前記第１の値への立下りの両方を含む動作状態を表す部分時系列データである訓練セグメントに分割して、複数の訓練セグメントを備えたセグメント集合を生成し、
    　前記設定パラメータデータ又は前記環境データを用いて、生成されたセグメント集合に含まれる前記複数の訓練セグメントを、類似する訓練セグメントごとにまとめて少なくとも１つの類似セグメント集合に分類し、
    　前記少なくとも１つの類似セグメント集合に含まれる複数の訓練セグメントから、前記対象装置の動作の正常域を示す標本セグメントを生成し、
    　前記監視対象装置又は前記監視対象装置の近傍に設置されたセンサにより取得されたテスト時系列データを収集し、
    　前記テスト時系列データから前記動作状態を表す部分時系列データであるテストセグメントを生成し、前記生成された標本セグメントを参照して前記テストセグメントの正常度を算出し、
    　算出された正常度に基づいて前記監視対象装置が不良か否かを判定する、
    不良検知方法。
PCT/JP2020/045745 2020-12-08 2020-12-08 学習装置、不良検知装置、及び不良検知方法 WO2022123665A1 (ja)

Priority Applications (7)

Application Number Priority Date Filing Date Title
DE112020007637.7T DE112020007637T5 (de) 2020-12-08 2020-12-08 Lerneinrichtung, fehler-erfassungseinrichtung und fehler-erfassungsverfahren
KR1020237017923A KR102566084B1 (ko) 2020-12-08 2020-12-08 학습 장치, 불량 검지 장치, 및 불량 검지 방법
JP2022557645A JP7278501B2 (ja) 2020-12-08 2020-12-08 学習装置、不良検知装置、及び不良検知方法
PCT/JP2020/045745 WO2022123665A1 (ja) 2020-12-08 2020-12-08 学習装置、不良検知装置、及び不良検知方法
CN202080107681.5A CN116601650A (zh) 2020-12-08 2020-12-08 学习装置、异状检测装置及异状检测方法
TW110123529A TWI823107B (zh) 2020-12-08 2021-06-28 學習裝置、不良檢測裝置以及不良檢測方法
US18/299,434 US20230251167A1 (en) 2020-12-08 2023-04-12 Learning device, defect detection device, and defect detection method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2020/045745 WO2022123665A1 (ja) 2020-12-08 2020-12-08 学習装置、不良検知装置、及び不良検知方法

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US18/299,434 Continuation US20230251167A1 (en) 2020-12-08 2023-04-12 Learning device, defect detection device, and defect detection method

Publications (1)

Publication Number Publication Date
WO2022123665A1 true WO2022123665A1 (ja) 2022-06-16

Family

ID=81973314

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/045745 WO2022123665A1 (ja) 2020-12-08 2020-12-08 学習装置、不良検知装置、及び不良検知方法

Country Status (7)

Country Link
US (1) US20230251167A1 (ja)
JP (1) JP7278501B2 (ja)
KR (1) KR102566084B1 (ja)
CN (1) CN116601650A (ja)
DE (1) DE112020007637T5 (ja)
TW (1) TWI823107B (ja)
WO (1) WO2022123665A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116088399A (zh) * 2023-04-10 2023-05-09 中国电力工程顾问集团西南电力设计院有限公司 一种智慧电厂厂区监控系统及其监控方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014041453A (ja) * 2012-08-22 2014-03-06 Yokogawa Electric Corp データ類似度算出方法およびデータ類似度算出装置
JP2018147390A (ja) * 2017-03-08 2018-09-20 株式会社日立製作所 異常波形検知システム、異常波形検知方法、及び波形分析装置

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1705468A2 (en) * 2005-03-15 2006-09-27 Omron Corporation Abnormality detection device and method having a judgment model
JP5048625B2 (ja) * 2008-10-09 2012-10-17 株式会社日立製作所 異常検知方法及びシステム
TWI556194B (zh) * 2012-06-29 2016-11-01 希科母股份有限公司 對象檢出裝置、對象檢出方法及對象檢出用電腦程式
CN107438842A (zh) * 2014-12-18 2017-12-05 Asml荷兰有限公司 通过机器学习的特征搜索
JP6165367B2 (ja) 2015-01-22 2017-07-19 三菱電機株式会社 時系列データ検索装置および時系列データ検索プログラム
KR20190098254A (ko) * 2017-02-09 2019-08-21 미쓰비시덴키 가부시키가이샤 불량 요인 추정 장치 및 불량 요인 추정 방법
US11449757B2 (en) * 2017-05-16 2022-09-20 Sightline Innovation Inc. Neural network system for non-destructive optical coherence tomography
JP6362808B1 (ja) * 2017-07-31 2018-07-25 三菱電機株式会社 情報処理装置および情報処理方法
CN111788589A (zh) * 2018-02-23 2020-10-16 Asml荷兰有限公司 训练用于计算光刻术的机器学习模型的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014041453A (ja) * 2012-08-22 2014-03-06 Yokogawa Electric Corp データ類似度算出方法およびデータ類似度算出装置
JP2018147390A (ja) * 2017-03-08 2018-09-20 株式会社日立製作所 異常波形検知システム、異常波形検知方法、及び波形分析装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116088399A (zh) * 2023-04-10 2023-05-09 中国电力工程顾问集团西南电力设计院有限公司 一种智慧电厂厂区监控系统及其监控方法

Also Published As

Publication number Publication date
KR20230086794A (ko) 2023-06-15
JPWO2022123665A1 (ja) 2022-06-16
US20230251167A1 (en) 2023-08-10
KR102566084B1 (ko) 2023-08-10
TW202223767A (zh) 2022-06-16
TWI823107B (zh) 2023-11-21
DE112020007637T5 (de) 2023-07-20
CN116601650A (zh) 2023-08-15
JP7278501B2 (ja) 2023-05-19

Similar Documents

Publication Publication Date Title
CN114065613B (zh) 基于深度迁移学习的多工况流程工业故障检测诊断方法
US10557719B2 (en) Gas turbine sensor failure detection utilizing a sparse coding methodology
EP3191905B1 (en) Gas turbine failure prediction utilizing supervised learning methodologies
EP3373089B1 (en) Operating state classification device
CN105677791B (zh) 用于分析风力发电机组的运行数据的方法和系统
US20110191076A1 (en) Error detection method and system
KR101539896B1 (ko) 유도전동기 오류 진단 방법
EP0909390A2 (en) Statistical pattern analysis methods of partial discharge measurments in high voltage insulation
EP3910437A1 (en) Monitoring apparatus, monitoring method, and computer-readable medium
US20230251167A1 (en) Learning device, defect detection device, and defect detection method
WO2020166236A1 (ja) 作業効率評価方法、作業効率評価装置、及びプログラム
CN113330379A (zh) 异常原因推定装置、异常原因推定方法及程序
CN112417763A (zh) 输电线路的缺陷诊断方法、装置、设备及存储介质
CN110956331A (zh) 数字工厂运营状态预测方法、系统、装置
CN111474476B (zh) 一种电机故障预测方法
CN110057588B (zh) 基于奇异值与图论特征融合的轴承早期故障检测与诊断方法及系统
CN115018220A (zh) 一种基于知识图谱的家电故障预测方法和系统
Agarwal et al. Substantiation of software defect prediction using statistical learning: an empirical study
CN113591984A (zh) 设备运行事件的检测方法、装置、电子设备和存储介质
Li Cooling anomaly detection for servers and datacenters with naive ensemble
US11783233B1 (en) Detection and visualization of novel data instances for self-healing AI/ML model-based solution deployment
WO2021229815A1 (ja) 情報処理装置、評価方法、および評価プログラム
Fan et al. Detecting ramp events in wind energy generation using affinity evaluation on weather data
CN115078992A (zh) 基于人工智能的电机健康状况预警监测方法
JP2024506356A (ja) 不良類型分類システムおよび不良類型分類方法

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: 20965049

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2022557645

Country of ref document: JP

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 20237017923

Country of ref document: KR

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 202080107681.5

Country of ref document: CN

122 Ep: pct application non-entry in european phase

Ref document number: 20965049

Country of ref document: EP

Kind code of ref document: A1