WO2023042374A1 - 閾値算出装置、及び記憶媒体 - Google Patents

閾値算出装置、及び記憶媒体 Download PDF

Info

Publication number
WO2023042374A1
WO2023042374A1 PCT/JP2021/034313 JP2021034313W WO2023042374A1 WO 2023042374 A1 WO2023042374 A1 WO 2023042374A1 JP 2021034313 W JP2021034313 W JP 2021034313W WO 2023042374 A1 WO2023042374 A1 WO 2023042374A1
Authority
WO
WIPO (PCT)
Prior art keywords
threshold
calculation device
normal
positive
abnormality
Prior art date
Application number
PCT/JP2021/034313
Other languages
English (en)
French (fr)
Inventor
蓮成 胡
和宏 佐藤
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 PCT/JP2021/034313 priority Critical patent/WO2023042374A1/ja
Publication of WO2023042374A1 publication Critical patent/WO2023042374A1/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

Definitions

  • the present invention relates to a threshold calculation device and a storage medium.
  • a threshold may be used for abnormality diagnosis. For example, a value related to the diagnosis target, or a value obtained from the value by a predetermined calculation formula, is compared with a threshold value, and the value is greater than or equal to the threshold value used for diagnosing normality and abnormality, or less than or equal to the threshold value. It is possible to diagnose whether it is abnormal or normal depending on whether it is (for example, see Non-Patent Document 1).
  • This threshold setting compares a set of normal values and a set of abnormal values, and sets a value that can classify most of these sets as the threshold.
  • the product of the false alarm rate p which is the probability of erroneously diagnosing a normal value as an abnormal value
  • the threshold so that the product of the non-detection rate q, which is the probability of non-detection of an abnormality to be determined as a value, and the loss C q when non-detection occurs is equal (for example, Non-Patent Document 2 reference).
  • clustering analysis as a method of classifying input data into multiple clusters based on data patterns.
  • diagnosis anomalies in clustering analysis there is a method of using the distance from the center of gravity of the closest cluster.
  • a threshold is used for abnormality diagnosis (for example, Patent Document 1).
  • a normal data model is created based on normal data, and if the deviation from the normal model exceeds a predetermined threshold, it is diagnosed that an anomaly has occurred.
  • anomaly detection there are false positives that are diagnosed as abnormal when they are not, and false negatives that are diagnosed as not abnormal when they are abnormal. False negatives can lead to failures and outflow of defective products.
  • a threshold value calculation device which is one aspect of the present disclosure, is a threshold value calculation device that calculates a threshold value for detecting an abnormality that occurs in a factory. Calculates normal data from a normal model created based on the input signal, calculates the feature amount of the input signal to be diagnosed as anomaly, compares the difference between the normal data and the feature amount and the threshold value, and diagnoses an abnormality in the input signal.
  • an abnormality diagnosing unit a confirmation result acquiring unit that receives the result of a confirmatory test to determine whether the diagnosis result is false positive or true positive when the diagnosis result by the abnormality diagnosing unit is positive; and a threshold adjusting unit that adjusts the threshold based on the threshold.
  • a computer-readable storage medium which is one aspect of the present disclosure, uses an input signal input from a sensor present in a factory, calculates normal data from a normal model created based on the input signal in a normal state, Calculates the feature value of the input signal to be diagnosed, compares the difference between the feature value and the normal data, and the threshold to diagnose an abnormality in the input signal. If the diagnosis result is positive, the diagnosis result is false positive. It accepts the results of confirmatory tests that are true positives or true positives, and adjusts the threshold based on the frequency of false positives.
  • an appropriate threshold value for diagnosing an abnormality of a machine it is possible to calculate an appropriate threshold value for diagnosing an abnormality of a machine.
  • FIG. 3 is a hardware configuration diagram of a threshold calculation device;
  • FIG. 1 is a block diagram of a threshold calculation device of the first disclosure;
  • FIG. It is a table
  • FIG. 10 is a diagram showing the frequency of occurrence of positivity before threshold adjustment;
  • FIG. 10 is a diagram showing the frequency of occurrence of positivity before threshold adjustment;
  • It is a flow chart explaining processing of the 1st threshold value calculation device.
  • FIG. 11 is a block diagram of a threshold calculation device of the second disclosure;
  • FIG. 5 is a diagram showing changes in threshold with respect to manufacturing conditions;
  • FIG. 10 is a flow chart showing processing of the threshold calculation device of the second disclosure;
  • the threshold calculation device 100 calculates a threshold for detecting an abnormality in a factory, machines and equipment in the factory, and products manufactured in the factory.
  • a hardware configuration of the threshold calculation device 100 of the present disclosure will be described with reference to FIG.
  • the threshold calculation device 100 is an information processing device such as an abnormality detection device for factory equipment and machines, a PC (personal computer) for monitoring the state of the factory, and a numerical control device for monitoring the state of machine tools.
  • a CPU 111 included in the threshold calculation device 100 is a processor that controls the threshold calculation device 100 as a whole.
  • the CPU 111 reads the system program processed in the ROM 112 via the bus, and controls the entire threshold value calculation device 100 according to the system program.
  • the RAM 113 temporarily stores calculation data, display data, various data input by the user via the input unit 71, and the like.
  • the display unit 70 is a monitor or the like attached to the threshold calculation device 100 .
  • the display unit 70 displays an operation screen, a setting screen, and the like of the threshold calculation device 100 .
  • the input unit 71 is integrated with the display unit 70 or is a keyboard, touch panel, or the like that is separate from the display unit 70 .
  • the user operates the input unit 71 to perform input to the screen displayed on the display unit 70 .
  • the display unit 70 and the input unit 71 may be mobile terminals.
  • the non-volatile memory 114 is, for example, a memory that is backed up by a battery (not shown) so that the stored state is retained even when the power of the threshold value calculation device 100 is turned off.
  • the non-volatile memory 114 stores a program read from an external device via an interface (not shown), a program input via the input unit 71, and various data obtained from each unit of the threshold value calculation device 100 and sensors in the factory. be done. Programs and various data stored in the non-volatile memory 114 may be developed in the RAM 113 at the time of execution/use. Various system programs are pre-written in the ROM 112 .
  • the anomaly diagnosis unit 12 automatically inspects for anomalies.
  • the abnormality diagnosis unit 12 acquires an input signal such as a sensor signal and calculates a feature amount of the input signal.
  • Input signals include machine temperature, vibration, operating time, torque, power consumption, and ambient temperature.
  • the abnormality diagnosis unit 12 calculates a scalar value indicating the degree of abnormality from the difference between the normal data obtained from the normal model and the feature amount of the input signal.
  • the abnormality diagnosis unit 12 compares the scalar value with a threshold value, and diagnoses an abnormality when the scalar value exceeds the threshold value.
  • the confirmation result acquisition unit 13 receives the result of a confirmation test for determining the success or failure of the "positive diagnosis” for the input signal diagnosed as "positive” by the automatic test.
  • One of the confirmation inspections is a manual inspection performed by a person in charge of product management.
  • the confirmation inspection method is not limited to this.
  • the results of the diagnosis are as shown in Fig. 3: "true positive: automatic test (positive) and true state (positive)” ) and true status (negative)”, “false negative: automated test (negative) and true status (positive)”, and “true negative: automated test (negative) and true status (negative)”.
  • all true states of products diagnosed as "negative” by automatic inspection are considered to be “true negatives", and the thresholds described below are calculated.
  • FIG. 4 The horizontal axes of the graphs in FIGS. 4 and 5 are feature quantities indicating the degree of abnormality of the product.
  • the vertical axis of the graph in FIG. 4 is the "negative" probability, and the vertical axis of the graph in FIG. 5 is the "positive" probability.
  • Fig. 4 is the "negative" probability density distribution. If the feature quantity is smaller than the threshold, the result of the automatic inspection is “negative". For purposes of this disclosure, a "negative” automated test is considered a “true negative.” If the feature quantity is greater than the threshold, the result of the automatic test is "positive”. If the result of the automated test is "positive” and the result of the confirmatory test is “negative", it is a "false positive”.
  • FIG. 5 is a “positive” probability density distribution. Since the number of “positive” cases is small, the “positive” probability density distribution graph is actually an unknown graph. However, since it can be assumed that the probability of occurrence of "positive” increases as the degree of abnormality increases, the probability density distribution of "positive” has a peak on the right side of the probability density distribution of "negative". As shown in FIG. 5, the "positive" probability density distribution is also classified into “true positive” and "false negative” according to the threshold value.
  • the threshold is made smaller, the probability of being diagnosed as "positive: abnormal” by automatic inspection increases. As the threshold is increased, the probability of a "negative: no abnormality" diagnosis in an automated test increases. The smaller the threshold, the more severe the diagnosis. That is, setting a strict threshold increases the probability of "false positives” and decreases the probability of "false negatives.” Setting a looser threshold reduces the probability of "false positives” and increases the probability of "false negatives.” There is a relationship between the probability of a "false positive” and the probability of a "false negative”. In the present disclosure, the association of "false positive” and “false negative” probabilities is used to adjust the frequency of occurrence of "false positives" and "false negatives”.
  • a "false negative” is a diagnosis of normality when in fact there is an abnormality. False negatives must be prevented, as ignoring abnormalities or releasing defective products will lead to machine failures and outflow of defective products. However, setting a tight threshold to prevent "false negatives” increases the probability of "false positives.” As the number of "false positives” increases, confirmatory tests are required when in fact normal, which is time consuming and labor intensive. Reducing the number of "false positives” while allowing “false negatives” to some extent can prevent machine failures and outflow of defective products, and can also reduce labor for confirmation inspections.
  • Adjusting the threshold adjusts the threshold so that the ratio of "false positives” to “negatives” is as small as possible in a range greater than x%.
  • (I) the number of "negatives” is the products diagnosed as "negative” in the automated test, or (II) the products diagnosed as "negative” in the automated test plus the “false negative” products. Two numbers are possible. The value of x is set by the user.
  • the present disclosure reduces the probability of "false negatives” to an acceptable range by adjusting the threshold using the ratio of “false positives” to “negatives” and adjusting the probability of occurrence of “false negatives” and “false positives”. while reducing the number of “false positives”.
  • the threshold adjustment unit adjusts the threshold based on the results of automatic inspection and confirmation inspection. If “false positives” occur frequently, relax the threshold value. If “false positives” do not occur, tighten the threshold value.
  • the threshold can be manually set by the operator.
  • the initial value of the threshold is set so that the frequency (probability) of "false positives" is high. Setting the thresholds in this way frequently results in “positive” alerts, as shown in FIG. If the cause of the alert is a "false positive", then the threshold is adjusted so that the probability of the "false positive” is lowered, but the probability of the "false positive” is adjusted not to be less than x%. If the initial value of the threshold is set so that the probability of "false positives" is high at first, the probability of "false negatives" is low.
  • the probability of "false negative” gradually increases, but in the end, the probability of "false negative” is suppressed within the allowable range, so the state where the probability of "false negative” is suppressed within the allowable range
  • the processing of the first threshold calculation device 100 will be described with reference to the flowchart of FIG.
  • the threshold calculation device 100 first sets a threshold (step S1).
  • the threshold calculation device 100 automatically inspects the input signal (step S2). As a result of the automatic inspection, if the product is diagnosed as "negative” (step S3; negative), the threshold calculation device 100 diagnoses the product as "negative” (step S4).
  • step S3 If the input signal is determined to be "positive” as a result of the automatic inspection (step S3; positive), the input signal is checked for confirmation (step S5). As a result of the confirmation test, if it is diagnosed as negative (step S6; negative), the threshold calculation device 100 diagnoses that the confirmation result is "false positive” (step S7). As a result of the confirmation test, if the diagnosis is positive (step S6; positive), the threshold calculation device 100 diagnoses that the confirmation result is "true positive” (step S8).
  • the threshold calculation device 100 calculates the ratio of “false positives” to the number of “negatives” based on the results of the automatic inspection and confirmation inspection (step S9), and adjusts the threshold so that this ratio is less than x%. (step S10).
  • the threshold calculation device 100 ends calculation of the threshold. If the threshold is not stable (step S11; NO), the threshold calculation device 100 proceeds to step S2 and continues adjusting the threshold.
  • a threshold calculation device disclosed in the second disclosure calculates a threshold for detecting an abnormality in a machine tool. Similarly to the threshold calculation device 100 of the first disclosure, the threshold calculation device 100 of the second disclosure calculates thresholds for detecting abnormalities in factories, machines and equipment in factories, and products manufactured in factories. good too.
  • FIG. 9 is a block diagram of the threshold calculation device 100 of the second disclosure.
  • a threshold calculation device 100 according to the second embodiment includes a model switching unit 15 .
  • the model switching unit 15 selects an appropriate normal model from a plurality of normal models.
  • the threshold value calculation device 100 of the second disclosure stores the chatter vibration occurrence limit as a threshold value, and detects chatter vibration. Vibration and torque signals are input as input signals in order to detect chatter vibration abnormalities.
  • the threshold calculation device 100 can also be applied to abnormality detection other than chatter vibration. Note that descriptions of parts that overlap with the threshold calculation device 100 disclosed in the first disclosure will be omitted.
  • the model switching unit 15 monitors changes in the manufacturing state of the product. Changes in the manufacturing state include changes in input signals, changes in analysis methods and feature quantity extraction methods, changes in workpieces, tools, machining methods, and operating environments.
  • FIG. 10 shows the change in threshold with respect to manufacturing conditions.
  • FIG. 10 shows the threshold ranges calculated for six different conditions. Each of the six states is (1) a threshold for analyzing the presence or absence of abnormality when end milling is performed by the machine 1 by FFT (Fast Fourier Transform) method, and (2) a threshold for abnormality when end milling is performed by the machine 1. (3) Threshold value for analyzing the presence/absence of anomalies during end milling by the FFT method, (4) End milling by machine 2. (5) the threshold for analyzing the presence or absence of an abnormality when milling is performed by the machine 3 by the FFT method; (6) the milling by the machine 3 This is the threshold value for analyzing the presence or absence of anomalies in the P2P method.
  • FFT Fast Fourier Transform
  • the threshold value is set between about 5 and 9.
  • the threshold range for (2) is about 7-11
  • the threshold range for (3) is about 2-4
  • the threshold range for (4) is about 8-10
  • the threshold range for (5) is about 2-7 and the threshold range for (6) is about 7.5-8.
  • Between auxiliary lines in FIG. 10 is a common threshold area. Appropriate thresholds can also be selected from the common area.
  • the processing of the threshold calculation device 100 of the second disclosure will be described with reference to the flowchart of FIG.
  • the threshold calculation device 100 selects a normal model based on the current state (step S21).
  • the threshold calculation device 100 automatically adjusts the threshold (step S22).
  • Step S22 corresponds to steps S1 to S9 of the first embodiment.
  • the threshold calculation device 100 monitors the presence or absence of state changes. If a state change has occurred (step S23; Yes), the threshold calculation device 100 switches the normal model corresponding to the current state to the normal model (step S24), and proceeds to step S22. If there is already an adjusted threshold value, the threshold value is also switched.
  • step S23; No the threshold calculation device 100 diagnoses whether the threshold has stabilized. When the threshold is stabilized (step S25; YES), the threshold calculation device 100 ends calculation of the threshold. If the threshold is not stable (step S25; No), the threshold calculation device 100 proceeds to step S22 and continues adjusting the threshold.
  • the threshold calculation device 100 of the second disclosure stores a plurality of normal models, and switches between normal models according to state changes.
  • the threshold can be adjusted according to the type of machine, input signal, analysis method, feature amount, workpiece, tool, machining method, operating environment, and the like.
  • threshold calculation device 11 normal model storage unit 12 abnormality diagnosis unit 13 confirmation result acquisition unit 14 threshold adjustment unit 15 model switching unit 111 CPU 112 ROMs 113 RAM 114 non-volatile memory

Abstract

工場で発生する異常を検出するための閾値を算出する閾値算出装置であって、工場に存在するセンサから入力される入力信号を用い、正常時の入力信号に基づき作成された正常モデルから正常データを算出し、異常診断の対象となる入力信号の特徴量を算出し、前記正常データと前記特徴量との乖離と閾値を比較し入力信号の異常を診断し、診断結果が陽性であった場合、診断結果が偽陽性であるか真陽性であるかの確認検査の結果を受け付け、偽陽性の発生頻度に基づき、閾値を調整する。

Description

閾値算出装置、及び記憶媒体
　本発明は、閾値算出装置及び記憶媒体に関する。
　従来、機械の異常診断を行う技術が存在する。異常診断には、閾値を利用することがある。例えば、診断対象に関する値、又は、その値等から所定の算出式で求めた値を、閾値と比較し、その値が正常と異常との診断に利用する閾値以上であるか、又は、閾値以下であるかに応じて異常又は正常のいずれであるかを診断することができる（例えば、非特許文献１参照）。
　この閾値の設定は、正常時の値の集合と、異常時の値の集合とを比較し、これらの集合の大部分を分類できる値を閾値として設定する。例えば、正常値を誤って異常値と診断する確率である誤警報率ｐと正常値を誤って異常値と診断する誤警報が発生したときの損失Ｃｐとの積と、異常値を誤って正常値と判断する異常の未検出が生じる確率である未検出率ｑと未検出が発生したときの損失Ｃｑとの積が等しくなるように、閾値を設定する方法がある（例えば、非特許文献２参照）。
　また、入力されたデータを、データパターンに基づいて複数のクラスタに分類する方法としてクラスタリング解析がある。クラスタリング解析の異常診断の１つとして、最も近いクラスタの重心からの距離を利用する方法がある。異常診断には、閾値を用いる（例えば、特許文献１）。
特開２０１７－３３４７１号公報
田口玄一監修、品質工学会編、「品質工学便覧」、日刊工業新聞社、２００７年、ｐ．３７９－３８４ 矢野宏編、「田口玄一論説集　第４巻」、日本規格協会、２０１２年、ｐ．３９３－３９９
　上述した異常検知の例では、正常時のデータをもとに正常データのモデルを作成、正常モデルとの乖離が所定の閾値を超える場合、異常が発生したと診断する。異常検知では、異常でないのに異常と診断する偽陽性、異常なのに異常でないと診断する偽陰性が発生する。偽陰性は、故障や不良品の流出に繋がるおそれがある。
　偽陰性を防止するために、閾値を厳しめに設定すると、偽陽性の発生率が上昇する。実際の運用では、陽性と診断されたものは本当に陽性かどうか作業者が確認する。偽陽性の数が増えると、確認のコストが高くなるという問題がある。
　製造業の異常診断の分野では、適切な閾値を算出する技術が望まれている。
　本開示の一態様である閾値算出装置は、工場で発生する異常を検出するための閾値を算出する閾値算出装置であって、工場に存在するセンサから入力される入力信号を用い、正常時の入力信号に基づき作成された正常モデルから正常データを算出し、異常診断の対象となる入力信号の特徴量を算出し、正常データと特徴量の乖離と閾値を比較し入力信号の異常を診断する異常診断部と、異常診断部による診断結果が陽性であった場合、診断結果が偽陽性であるか真陽性であるかの確認検査の結果を受け付ける確認結果取得部と、偽陽性の発生頻度に基づき、閾値を調整する閾値調整部と、を備える。
　本開示の一態様であるコンピュータが読み取り可能な記憶媒体は、工場に存在するセンサから入力される入力信号を用い、正常時の入力信号に基づき作成された正常モデルから正常データを算出し、異常診断の対象となる入力信号の特徴量を算出し、正常データと特徴量の乖離と閾値を比較し入力信号の異常を診断し、診断結果が陽性であった場合、診断結果が偽陽性であるか真陽性であるかの確認検査の結果を受け付け、偽陽性の発生頻度に基づき、閾値を調整する。
　本発明の一態様により、機械の異常診断における適切な閾値を算出することができる。
閾値算出装置のハードウェア構成図である。 第１の開示の閾値算出装置のブロック図である。 真陽性、偽陽性、偽陰性、真陰性の関係を示す表である。 真陰性と偽陽性との関係を示す図である。 真陽性と偽陰性との関係を示す図である。 閾値調整前の陽性の発生頻度を示す図である。 閾値調整前の陽性の発生頻度を示す図である。 第１の閾値算出装置の処理を説明するフローチャートである。 第２の開示の閾値算出装置のブロック図である。 製造状態に対する閾値の変化を示す図である。 第２の開示の閾値算出装置の処理を示すフローチャートである。
［第１の開示］
　閾値算出装置１００は、工場、工場内の機械、設備、工場で製造した製品の異常を検知するための閾値を算出する。
　図１を参照して、本開示の閾値算出装置１００のハードウェア構成を説明する。
　閾値算出装置１００は、工場の設備及び機械の異常検知装置、工場の状態監視を行うＰＣ（パーソナルコンピュータ）、工作機械の状態監視を行う数値制御装置などの情報処理装置である。
　閾値算出装置１００が備えるＣＰＵ１１１は、閾値算出装置１００を全体的に制御するプロセッサである。ＣＰＵ１１１は、バスを介してＲＯＭ１１２に加工されたシステム・プログラムを読み出し、該システム・プログラムに従って閾値算出装置１００の全体を制御する。ＲＡＭ１１３には、一時的な計算データや表示データ、入力部７１を介してユーザが入力した各種データ等が一時的に格納される。
　表示部７０は、閾値算出装置１００に付属のモニタなどである。表示部７０は、閾値算出装置１００の操作画面や設定画面などを表示する。
　入力部７１は、表示部７０と一体、又は、表示部７０とは別のキーボード、タッチパネルなどである。ユーザは入力部７１を操作して、表示部７０に表示された画面への入力などを行う。なお、表示部７０及び入力部７１は、携帯端末でもよい。
　不揮発性メモリ１１４は、例えば、図示しないバッテリでバックアップされるなどして、閾値算出装置１００の電源がオフされても記憶状態が保持されるメモリである。不揮発性メモリ１１４には、図示しないインタフェースを介して外部機器から読み込まれたプログラムや入力部７１を介して入力されたプログラム、閾値算出装置１００の各部や工場のセンサから取得された各種データが記憶される。不揮発性メモリ１１４に記憶されたプログラムや各種データは、実行時／利用時にはＲＡＭ１１３に展開されてもよい。また、ＲＯＭ１１２には、各種のシステム・プログラムがあらかじめ書き込まれている。
　図２は、第１の開示の閾値算出装置１００のブロック図である。
　閾値算出装置１００は、正常モデル記憶部１１、異常診断部１２、確認結果取得部１３、閾値調整部１４を備える。
　正常モデル記憶部１１は、正常時（機械設備の稼働開始時、安定状態、定常状態）のデータを基に正常モデルを作成する。異常の検知では、正常モデルから求まる正常データと入力信号から求まる特徴量との乖離を基に入力信号の異常を診断する。異常を分析する方法には、ＭＴ法などがあるが、これに限定されない。
　異常診断部１２は、異常の自動検査を行う。異常診断部１２は、センサ信号などの入力信号を取得し、入力信号の特徴量を算出する。入力信号には、機械の温度、振動、稼働時間、トルク、消費電力、周辺温度などである。異常診断部１２は、正常モデルから求まる正常データと入力信号の特徴量の乖離から、異常度を示すスカラー値を算出する。異常診断部１２は、スカラー値と閾値を比較し、スカラー値が閾値を超えた場合に異常と診断する。
　確認結果取得部１３は、自動検査で「陽性」と診断された入力信号に対し、「陽性診断」の成否を判断する確認検査の結果を受け付ける。確認検査の１つとして、製品管理の担当者が行う手動検査がある。確認検査の方法はこれに限定しない。
　診断の結果は、自動検査の結果と確認検査の結果に基づいて、図３のように、「真陽性：自動検査（陽性）かつ真の状態（陽性）」、「偽陽性：自動検査（陽性）かつ真の状態（陰性）」、「偽陰性：自動検査（陰性）かつ真の状態（陽性）」、「真陰性：自動検査（陰性）かつ真の状態（陰性）」がある。
　本開示では、自動検査で「陰性」と診断された製品の真の状態を全て「真陰性」とみなして、後述する閾値の算出を行う。
　図４及び図５のグラフを参照して「真陽性」「偽陽性」「真陰性」「偽陰性」の関係を説明する。
　図４及び図５のグラフの横軸は、製品の異常度を示す特徴量である。図４のグラフの縦軸は「陰性」の確率、図５のグラフの縦軸は「陽性」の確率である。
　図４は、「陰性」の確率密度分布である。特徴量が閾値よりも小さい場合、自動検査の結果は「陰性」である。本開示では、自動検査が「陰性」であれば「真陰性」とみなす。特徴量が閾値より大きい場合、自動検査の結果は「陽性」である。自動検査の結果が「陽性」であり、確認検査の結果が「陰性」であれば「偽陽性」となる。
　図５は、「陽性」の確率密度分布である。「陽性」は例数が少ないため、「陽性」の確率密度分布のグラフは、実際には、未知のグラフである。しかしながら、異常度が高いほど「陽性」の発生確率が高くなると仮定できるため、「陽性」の確率密度分布は、「陰性」の確率密度分布よりも右側に山を持つとする。
　図５に示すように「陽性」の確率密度分布も閾値の値に応じて「真陽性」と「偽陰性」に分類される。
　閾値を小さくすると、自動検査で「陽性：異常あり」と診断される確率が高くなる。閾値を大きくするにつれ、自動検査で「陰性：異常なし」と診断される確率が高くなる。閾値は小さいほど厳しい診断となる。
　すなわち、厳しい閾値を設定すると「偽陽性」の確率が大きくなり、「偽陰性」の確率が小さくなる。緩い閾値を設定すると「偽陽性」の確率が小さくなり、「偽陰性」の確率が大きくなる。「偽陽性」の確率と「偽陰性」の確率には関連がある。本開示では、「偽陽性」と「偽陰性」の確率の関連を用いて、「偽陽性」と「偽陰性」の発生頻度を調整する。
　「偽陰性」では、実際には異常があるにもかかわらず正常と診断される。異常を放置したり、異常のある製品が放出したりすると、機械の故障や不良品の流出につながるため、「偽陰性」は防止しなければならない。しかしながら、「偽陰性」を防止するために厳しい閾値を設定すると、「偽陽性」の確率が高くなる。「偽陽性」の数が増えると、実際には正常であるにもかかわらず確認検査が必要になり、時間と労力がかかる。
　「偽陰性」をある程度許容しつつ、「偽陽性」の数を減らすと、機械の故障や不良品の流出を防止し、かつ、確認検査の労力を抑えることができる。
　閾値の調整では、「陰性」に対する「偽陽性」の割合をｘ％より大きな範囲でできるだけ小さくなるように閾値を調整する。
　ここで、（Ｉ）「陰性」の数は、自動検査において「陰性」と診断された製品、又は（ＩＩ）自動検査において「陰性」と診断された製品に「偽陰性」の製品を加えた個数の２つが考えられる。ｘの値はユーザが設定する。
　本開示では、「陰性」に対する「偽陽性」の割合を用いて閾値を調整し、「偽陰性」と「偽陽性」が発生する確率を調整することにより、「偽陰性」の確率を許容範囲に抑えつつ、「偽陽性」の数を減らす。
　閾値調整部は、自動検査及び確認検査の結果を基に閾値を調整する。「偽陽性」が頻繁に発生するのであれば、閾値の値を緩くする。「偽陽性」が発生しないのであれば、閾値の値を厳しくする。
　図６を参照して本開示の閾値の設定方法を説明する。閾値は、オペレータが手動で設定できる。好ましくは、閾値の初期値を、「偽陽性」の頻度（確率）が高くなるように設定する。このように閾値を設定すると、図６に示すように「陽性」のアラートが頻繁に発生する。アラートの原因が「偽陽性」であれば閾値が調整され、「偽陽性」の確率が低くなるが、「偽陽性」の確率はｘ％よりも小さくならないように調整される。最初に「偽陽性」の確率が高くなるように閾値の初期値を設定すると、「偽陰性」の確率が低くなる。閾値を調整することにより「偽陰性」の確率は徐々に上がるが、最終的に「偽陰性」の確率は許容範囲内に抑えられるので、「偽陰性」の確率を許容範囲内に抑えた状態で閾値の調整を行うことができる。
　例えば、閾値の調整を開始した段階では、３０回「陽性」と検知されたうちの２８回が「偽陽性」であっても、調整を継続するうちに、２４回、２０回、…と「偽陽性」の確率が小さくなる。最終的に、例えば、３０回「陽性」と検知されたうちの、５回が「偽陽性」となり確率が安定する（図７参照）。
　図８のフローチャートを参照して第１の閾値算出装置１００の処理について説明する。
　閾値算出装置１００は、最初に閾値を設定する（ステップＳ１）。閾値算出装置１００は、入力信号の自動検査を行う（ステップＳ２）。自動検査の結果、「陰性」と診断されると（ステップＳ３；陰性）、閾値算出装置１００はその製品は「陰性」であると診断する（ステップＳ４）。
　自動検査の結果、入力信号が「陽性」と判断されると（ステップＳ３；陽性）、入力信号の確認検査を行う（ステップＳ５）。確認検査の結果、陰性と診断されると（ステップＳ６；陰性）、閾値算出装置１００は確認結果が「偽陽性」であると診断する（ステップＳ７）。
　確認検査の結果、陽性と診断されると（ステップＳ６；陽性）、閾値算出装置１００は確認結果が「真陽性」であると診断する（ステップＳ８）。
　閾値算出装置１００は、自動検査と確認検査の結果を基に、「陰性」の数に対する「偽陽性」の割合を算出し（ステップＳ９）、この割合がｘ％より小さくなるように閾値を調整する（ステップＳ１０）。
　調整の結果、閾値が安定すると（ステップＳ１１；ＹＥＳ）、閾値算出装置１００は、閾値の算出を終了する。閾値が安定していない場合（ステップＳ１１；ＮＯ）、閾値算出装置１００は、ステップＳ２に移行し、閾値の調整を継続する。
　以上説明したように、第１の開示の閾値算出装置１００は、正常モデルから正常データを算出し、入力信号から異常度の特徴量であるスカラー値を算出し、スカラー値と閾値とを比較して、異常性の「陽性」及び「陰性」を診断する。閾値の初期値は厳しい値に設定し、「陰性」のうちの「偽陽性」の割合を基に閾値を調整する。
　閾値算出装置１００は、閾値を調整することにより、「偽陰性」が発生する確率を可能な限り減らす。
［第２の開示］
　第２の開示について説明する。第２の開示の閾値算出装置は、工作機械の異常を検出するための閾値を算出するものとする。第２の開示の閾値算出装置１００は、第１の開示の閾値算出装置１００と同様に、工場、工場内の機械、設備、工場で製造した製品の異常を検知するための閾値を算出してもよい。
　図９は、第２の開示の閾値算出装置１００のブロック図である。
　第２の実施の形態の閾値算出装置１００は、モデル切換部１５を備える。モデル切換部１５は、複数の正常モデルから適切な正常モデルを選択する。
　第２の開示の閾値算出装置１００は、びびり振動発生限界を閾値として記憶し、びびり振動を検知するものとする。びびり振動の異常を検出するため、入力信号として振動やトルク信号を入力する。閾値算出装置１００は、びびり振動以外の異常検知にも適用できる。
　なお、第１の開示の閾値算出装置１００と重複する箇所については説明を省略する。
　モデル切換部１５は、製品の製造状態の変化を監視する。製造状態の変化には、入力信号の変化、分析方法及び特徴量の抽出方法の変化、ワーク、工具、加工方法、動作環境の変化が含まれる。
　図１０は、製造状態に対する閾値の変化を示す。
　図１０は、６つの異なる状態で算出した閾値の範囲を示している。６つの状態はそれぞれ、（１）機械１でエンドミル加工を行う際の異常の有無をＦＦＴ（Ｆａｓｔ　Ｆｏｕｒｉｅｒ　Ｔｒａｎｓｆｏｒｍ）法で分析する場合の閾値、（２）機械１でエンドミル加工を行う際の異常の有無をＰ２Ｐ（Ｐｅａｋ　ｔｏ　Ｐｅａｋ）法で分析する場合の閾値、（３）機械２でエンドミル加工を行う際の異常の有無をＦＦＴ法で分析する場合の閾値、（４）機械２でエンドミル加工を行う際の異常の有無をＰ２Ｐ法で分析する場合の閾値、（５）機械３でフライス加工を行う際の異常の有無をＦＦＴ法で分析する場合の閾値、（６）機械３でフライス加工を行う際の異常の有無をＰ２Ｐ法で分析する場合の閾値である。
　（１）の場合には閾値を約５～９の間に設定すれば誤診断がでない。（２）の閾値範囲は約７～１１であり、（３）の閾値範囲は約２～４であり、（４）の閾値範囲は約８～１０であり、（５）の閾値範囲は約２～７であり、（６）の閾値範囲は約７．５～８である。
　図１０の補助線の間は、共通の閾値領域である。共通の領域から適当な閾値を選択することもできる。
　図１１のフローチャートを参照して第２の開示の閾値算出装置１００の処理を説明する。閾値算出装置１００は、現在の状態を基に正常モデルを選択する（ステップＳ２１）。閾値算出装置１００は、閾値の自動調整を行う（ステップＳ２２）。ステップＳ２２は、第１の実施の態様のステップＳ１～ステップＳ９に対応する。
　閾値算出装置１００は、状態変化の有無を監視する。状態変化が生じた場合（ステップＳ２３；Ｙｅｓ）、閾値算出装置１００は、現在の状態に対応する正常モデルを正常モデルに切り換え（ステップＳ２４）、ステップＳ２２に処理を移行する。既に、調整した閾値があれば閾値も切り換える。
　状態変化が生じていない場合（ステップＳ２３；Ｎｏ）、閾値算出装置１００は、閾値が安定したか否かを診断する。閾値が安定すると（ステップＳ２５；ＹＥＳ）、閾値算出装置１００は、閾値の算出を終了する。閾値が安定していない場合（ステップＳ２５；Ｎｏ）、閾値算出装置１００は、ステップＳ２２に移行し、閾値の調整を継続する。
　以上説明したように、第２の開示の閾値算出装置１００では、複数の正常モデルを記憶し、状態変化に応じて正常モデルを切り換える。機械の種類、入力信号、分析方法、特徴量、ワーク、工具、加工方法、動作環境などに応じた閾値の調整を行うことができる。
　　１００　閾値算出装置
　　１１　　正常モデル記憶部
　　１２　　異常診断部
　　１３　　確認結果取得部
　　１４　　閾値調整部
　　１５　　モデル切換部
　　１１１　ＣＰＵ
　　１１２　ＲＯＭ
　　１１３　ＲＡＭ
　　１１４　不揮発性メモリ

Claims (7)

  1. 　工場で発生する異常を検出するための閾値を算出する閾値算出装置であって、
    　前記工場に存在するセンサから入力される入力信号を用い、正常時の入力信号に基づき作成された正常モデルから正常データを算出し、異常診断の対象となる入力信号の特徴量を算出し、前記正常データと前記特徴量の乖離と閾値を比較し入力信号の異常を診断する異常診断部と、
    　前記異常診断部による診断結果が陽性であった場合、前記診断結果が偽陽性であるか真陽性であるかの確認検査の結果を受け付ける確認結果取得部と、
    　前記偽陽性の発生頻度に基づき、前記閾値を調整する閾値調整部と、
    　を備える閾値算出装置。
  2. 　前記偽陽性の発生頻度とは、前記異常診断部が診断した陰性に対する前記偽陽性の割合である、請求項１記載の閾値算出装置。
  3. 　前記偽陽性の発生頻度とは、前記異常診断部が診断した陰性と前記確認結果取得部が取得した偽陽性の和に対する前記偽陽性の割合である、請求項１記載の閾値算出装置。
  4. 　前記閾値調整部は、前記割合が所定の値よりも少なくなるように前記閾値を調整する、請求項２又は３記載の閾値算出装置。
  5. 　前記正常モデルを複数記憶する正常モデル記憶部と、
    　複数の前記正常モデルのうち、前記工場の状態に適した正常モデルを選択し、正常モデルの切り換えを行うモデル切換部と、
    　を備える請求項１記載の閾値算出装置。
  6. 　前記正常モデル記憶部は、調整済みの閾値を記憶し、
    　前記モデル切換部は、前記調整済みの閾値のうち、前記工場の状態に適した正常モデルに切り換える、請求項５記載の閾値算出装置。
  7. 　１つ又は複数のプロセッサが実行することにより、
    　工場に存在するセンサから入力される入力信号を用い、正常時の入力信号に基づき作成された正常モデルから正常データを算出し、異常診断の対象となる入力信号の特徴量を算出し、前記正常データと前記特徴量の乖離と閾値を比較し入力信号の異常を診断し、
    　診断結果が陽性であった場合、前記診断結果が偽陽性であるか真陽性であるかの確認検査の結果を受け付け、
    　前記偽陽性の発生頻度に基づき、前記閾値を調整する、
    　コンピュータが読み取り可能な命令を記憶する記憶媒体。
PCT/JP2021/034313 2021-09-17 2021-09-17 閾値算出装置、及び記憶媒体 WO2023042374A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/034313 WO2023042374A1 (ja) 2021-09-17 2021-09-17 閾値算出装置、及び記憶媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2021/034313 WO2023042374A1 (ja) 2021-09-17 2021-09-17 閾値算出装置、及び記憶媒体

Publications (1)

Publication Number Publication Date
WO2023042374A1 true WO2023042374A1 (ja) 2023-03-23

Family

ID=85602605

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/034313 WO2023042374A1 (ja) 2021-09-17 2021-09-17 閾値算出装置、及び記憶媒体

Country Status (1)

Country Link
WO (1) WO2023042374A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017130081A (ja) * 2016-01-21 2017-07-27 富士電機株式会社 設定支援装置及びプログラム
JP2018095429A (ja) * 2016-12-14 2018-06-21 株式会社日立ビルシステム 昇降機診断システム、昇降機診断装置、及び昇降機診断方法
WO2019240019A1 (ja) * 2018-06-11 2019-12-19 パナソニックＩｐマネジメント株式会社 異常解析装置、製造システム、異常解析方法及びプログラム
WO2020170391A1 (ja) * 2019-02-21 2020-08-27 日本電気株式会社 学習装置及び学習方法、異常検知システム及び異常検知方法、並びに記録媒体

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017130081A (ja) * 2016-01-21 2017-07-27 富士電機株式会社 設定支援装置及びプログラム
JP2018095429A (ja) * 2016-12-14 2018-06-21 株式会社日立ビルシステム 昇降機診断システム、昇降機診断装置、及び昇降機診断方法
WO2019240019A1 (ja) * 2018-06-11 2019-12-19 パナソニックＩｐマネジメント株式会社 異常解析装置、製造システム、異常解析方法及びプログラム
WO2020170391A1 (ja) * 2019-02-21 2020-08-27 日本電気株式会社 学習装置及び学習方法、異常検知システム及び異常検知方法、並びに記録媒体

Similar Documents

Publication Publication Date Title
KR101343403B1 (ko) 공작기계 운전시의 이상 검출방법
US6298454B1 (en) Diagnostics in a process control system
US6633782B1 (en) Diagnostic expert in a process control system
JP4071449B2 (ja) センサ異常検出方法及びセンサ異常検出装置
JP2003280707A (ja) 工作機械の異常診断装置、異常診断方法及び異常診断プログラム
CN113552840A (zh) 一种机械加工控制系统
WO2019082407A1 (ja) 異常検出システムおよび異常検出方法
CN114237156A (zh) Cnc自动化生产线加工过程监控方法、装置、终端和介质
CN109240253B (zh) 一种在线设备诊断及预防性维护方法及系统
WO2023042374A1 (ja) 閾値算出装置、及び記憶媒体
KR20230114818A (ko) IoT 기반 공작기계의 지능형 모니터링 진단 방법 및 장치
US9720015B2 (en) Intelligent visualization in the monitoring of process and/or system variables
CN113110378A (zh) 一种终端控制机及智能检测诊断方法
EP3312844A1 (en) Abnormality indication monitoring system
CN115468648A (zh) 安装状态检测方法、装置及计算机可读存储介质
CN113552853B (zh) 一种化工系统多工况的报警管理方法及装置
CN111291239B (zh) 机组测试方法、装置、设备和存储介质
JPH06274778A (ja) プラント監視診断装置およびその異常徴候検出方法
CN114789468A (zh) 一种自动故障检测及修复系统、方法、设备及终端
CN116802471A (zh) 综合诊断旋转机械的缺陷的方法及系统
WO2023139790A1 (ja) 診断装置及びコンピュータ読み取り可能な記録媒体
JP2004034112A (ja) 圧延設備の診断支援方法および診断支援システム
JPH06281544A (ja) プラント監視診断装置およびその異常徴候判定方法
WO2023089773A1 (ja) 異常診断装置、異常診断システム、及び記憶媒体
CN116257019B (zh) 一种基于云端的plc管理方法及管理系统

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: 21957555

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023548060

Country of ref document: JP