WO2023243282A1 - 異常判定装置、異常判定方法、及び異常判定プログラム - Google Patents

異常判定装置、異常判定方法、及び異常判定プログラム Download PDF

Info

Publication number
WO2023243282A1
WO2023243282A1 PCT/JP2023/018194 JP2023018194W WO2023243282A1 WO 2023243282 A1 WO2023243282 A1 WO 2023243282A1 JP 2023018194 W JP2023018194 W JP 2023018194W WO 2023243282 A1 WO2023243282 A1 WO 2023243282A1
Authority
WO
WIPO (PCT)
Prior art keywords
feature
factors
causal relationship
abnormality determination
abnormality
Prior art date
Application number
PCT/JP2023/018194
Other languages
English (en)
French (fr)
Inventor
泰佑 野村
徹 藤井
玲子 服部
Original Assignee
オムロン株式会社
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 オムロン株式会社 filed Critical オムロン株式会社
Publication of WO2023243282A1 publication Critical patent/WO2023243282A1/ja

Links

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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]

Definitions

  • the present invention relates to an abnormality determination device, an abnormality determination method, and an abnormality determination program.
  • Patent Document 1 discloses a system that effectively utilizes a causal relationship model obtained from manufacturing process data and facilitates verification using domain knowledge.
  • the present invention was made in order to solve this problem, and provides an abnormality determination device and an abnormality determination system that allows even a skilled person to easily identify factors related to abnormalities that may occur in production equipment.
  • the purpose of this invention is to provide a method and an abnormality determination program.
  • An abnormality determination device includes a measuring means for measuring a plurality of factors that affect the quality of products produced in a production facility, a control section, and a storage section, the storage section being , in the production equipment, a causal relationship model that specifies the causal relationship between the factors based on the feature amounts calculated from the factors during production of a normal product;
  • the control unit stores a prediction formula that takes a feature quantity as an input and outputs a feature quantity different from the input, and a prediction range of the output, It is configured to determine whether or not the feature amount to be the output is within the prediction range among the feature amounts calculated from the factors.
  • the abnormality determination device is configured to notify a factor related to the feature amount when the feature amount to be the output is outside the prediction range in the abnormality determination device according to the first aspect. It is configured.
  • the abnormality determination device is configured to calculate the degree of deviation of the feature amount from the prediction range in the abnormality determination device according to the second aspect.
  • the abnormality determination device is the abnormality determination device according to the third aspect, further comprising a display unit, and the control unit is configured to display the notified factor and the degree of deviation corresponding to the factor. is configured to display.
  • An abnormality determination device is the abnormality determination device according to any one of the first to fourth aspects, in which the control unit uses the feature amounts of the set of measured factors to It is configured to make a determination.
  • the prediction range is a width of variation of a plurality of feature quantities derived from a plurality of normal data (for example, it is defined based on variations in prediction formulas (described later).
  • An abnormality determination device is an abnormality determination device according to any one of the first to fifth aspects, wherein the value of the factor is within the predicted range based on factor data of a product determined to be abnormal. Output other factors exceeding . This allows us to infer the cause of the abnormality.
  • a normal product is determined from the feature values at the time of production, among the feature values calculated from a plurality of factors that affect the quality of the product produced in the production equipment. identifying a causal relationship between the factors and generating a causal relationship model; and based on the causal relationship model, using at least one of the feature amounts as an input and outputting another feature amount different from the input. a step of generating a prediction formula, a step of generating a prediction range of the output, a step of calculating the feature amount from the factor measured in the production process of the production equipment, and a step of calculating the feature amount from the factor measured in the production process of the production equipment. The method further includes a step of determining whether or not the feature amount to be the output is within the prediction range.
  • the abnormality determination program causes a computer to select a normal product from among feature quantities calculated from a plurality of factors affecting the quality of a product produced in a production facility. a step of identifying a causal relationship between the factors from the feature amounts and generating a causal relationship model; and based on the causal relationship model, using at least one of the feature amounts as an input and other feature amounts different from the input; a step of generating a prediction formula that has an output of A step of determining whether or not the feature quantity to be outputted among the feature quantities is within the prediction range is executed.
  • FIG. 1 is a block diagram schematically illustrating an example of a production system to which the present invention is applied.
  • FIG. 2 is a schematic diagram of a joining mechanism included in production equipment according to an embodiment of the present invention. It is a figure which shows the operation
  • FIG. 6 is a diagram showing a case where an abnormality occurs in the joining mechanism.
  • FIG. 3 is a diagram illustrating the operation of a joining mechanism in which an abnormality has occurred.
  • FIG. 1 is a block diagram showing a hardware configuration of an abnormality determination device according to an embodiment of the present invention.
  • FIG. 2 is a block diagram showing the functional configuration of an abnormality determination device. This is an example of a causal relationship model. It is a figure showing an example of a prediction formula. It is a figure showing an example of a prediction range. It is a figure explaining the determination of abnormality. This is an example of the degree of deviation displayed on the display device.
  • FIG. 1 is a block diagram of a production system including an abnormality determination device and production equipment according to this embodiment.
  • the abnormality determination device 1 is configured to determine whether or not an abnormality has occurred in the joining mechanism included in the production equipment 3.
  • the joining mechanism included in this production equipment 3 has a joining mechanism for joining a cylindrical component 1 and a cylindrical component 2 placed on the installation jig surface. .
  • component 1 is inserted into the through hole of component 2.
  • Part 1 is higher than Part 2 and protrudes upward from the through hole of Part 2.
  • FIG. 2B when the pressing member is lowered by a predetermined distance using a servo motor or the like to press the upper surface of the component 1, the component 1 is plastically deformed. That is, the length of the component 1 in the vertical direction is reduced, and the length in the radial direction is increased.
  • the outer circumferential surface of the component 1, which has increased in the radial direction is joined to the inner circumferential surface of the through hole of the component 2 by frictional force.
  • the pressing force (N) of the pressing member for example, the pressing force (N) of the pressing member, the descending speed (mm/s) of the pressing member, the component height (mm) that is the height of the component 1 after joining, the component 1
  • the bonding strength (N) between component 1 and component 2 and the difference in height (mm) between component 1 and component 2 after bonding, that is, the component level difference (mm) are used as factors, and these are used as operating state data from the bonding mechanism.
  • the pressing force, component height, and pressing force are predefined and input into a computer such as a PLC that controls the operation of the joining mechanism.
  • the bonding mechanism is provided with sensors and the like for measuring each factor.
  • each factor is measured after the fact, it is not necessary to provide a sensor or the like in the bonding mechanism.
  • FIG. 4 is a block diagram showing the hardware configuration of the abnormality determination device.
  • the abnormality determination device 1 is a computer to which a control section 11, a storage section 12, a communication interface 13, an external interface 14, an input device 15, and a drive 16 are electrically connected.
  • the control unit 11 includes a CPU (Central Processing Unit), a RAM (Random Access Memory), a ROM (Read Only Memory), etc., and controls each component according to information processing.
  • the storage unit 12 is, for example, an auxiliary storage device such as a hard disk drive or a solid state drive, and stores a program 121 executed by the control unit 11, a causal relationship model 122, a prediction formula 123, a prediction range 124, prediction data 125, and operations. Stores state data 126 and the like.
  • the program 121 is a program for calculating feature amounts from operating state data extracted from the production equipment 3, generating a causal relationship model between factors from these feature amounts, determining abnormalities, etc.
  • the feature quantities targeted by the causal relationship model 122 are based on factors that affect the quality of the product produced by the joining mechanism, and the causal relationship between the factors when the product is normally produced is the causal relationship model. Constructed as.
  • a causal relationship model 122 is generated based on the feature values calculated from the above-mentioned operating state data, but it is also possible to store a causal relationship model generated in advance in an external device.
  • the prediction formula 123 is for calculating other feature quantities other than the input from the input feature quantity among the obtained feature quantities, and is generated based on the causal relationship model 122.
  • the prediction range 124 is a statistical definition of the range of the output obtained from the prediction formula 123.
  • the prediction data 125 is data when an abnormality occurs, and is data indicating a factor with an abnormality, a feature amount, and the degree of deviation of the feature amount from the prediction range 124.
  • the operating state data 126 is the operating state data transmitted from the production equipment 3, as described above.
  • the communication interface 13 is, for example, a wired LAN (Local Area Network) module, a wireless LAN module, etc., and is an interface for performing wired or wireless communication. That is, the communication interface 13 is an example of a communication unit configured to communicate with other devices.
  • the abnormality determination device 1 of this embodiment is connected to the production equipment 3 via the communication interface 13.
  • the external interface 14 is an interface for connecting to an external device, and is configured as appropriate depending on the external device to be connected.
  • an external interface 14 is connected to the display device 2.
  • the display device 2 may be a known liquid crystal display, touch panel display, or the like.
  • the input device 15 is, for example, a device for performing input such as a mouse or a keyboard.
  • the drive 16 is, for example, a CD (Compact Disk) drive, a DVD (Digital Versatile Disk) drive, etc., and is a device for reading a program stored in the storage medium 17.
  • the type of drive 16 may be selected as appropriate depending on the type of storage medium 17. Note that at least a part of the various data 122 to 126 including the program 121 stored in the storage unit may be stored in this storage medium 17.
  • the storage medium 17 stores information such as programs by electrical, magnetic, optical, mechanical, or chemical action so that computers, other devices, machines, etc. can read the recorded program information. It is a medium for In FIG. 4, a disk-type storage medium such as a CD or a DVD is illustrated as an example of the storage medium 17. However, the type of storage medium 17 is not limited to the disk type, and may be other than the disk type. An example of a storage medium other than a disk type is a semiconductor memory such as a flash memory.
  • the control unit 11 may include multiple processors.
  • the abnormality determination device 1 may be composed of a plurality of information processing devices. Further, the abnormality determination device 1 may be an information processing device designed exclusively for the provided service, or a general-purpose server device or the like.
  • FIG. 5 is an example of the functional configuration of the abnormality determination device 1 according to this embodiment.
  • the control unit 11 of the abnormality determination device 1 loads the program 121 stored in the storage unit 12 into the RAM.
  • the control unit 11 uses the CPU to interpret and execute the program 121 developed in the RAM, thereby controlling each configuration.
  • the abnormality determination device 1 functions as a computer including a feature amount acquisition section 111, a model construction section 112, an abnormality determination section 113, and a deviation calculation section 114.
  • the feature acquisition unit 111 obtains operating state data 126 that indicates the operating state of the production equipment 3 in a normal state in which the joining mechanism joins parts 1 and 2 normally, and in an abnormal state in which both parts are not joined correctly. Obtain the value of the feature calculated from . However, as the operating state data 126 during normal times, data extracted at multiple timings is used, but as operating state data during abnormal times, data extracted at one or more timings when an abnormality is considered to have occurred is used. data is used. Then, the model construction unit 112 calculates the causal relationship between the factors based on a predetermined algorithm that derives the degree of association of each feature when joining parts 1 and 2 from the acquired normal feature values. A causal relationship model 122 shown in FIG.
  • the control unit 11 acquires the feature amount as follows. First, the control unit 11 divides the collected motion state data 126 into frames in order to define a processing range for calculating feature amounts. For example, the control unit 11 may divide the operating state data 126 into frames of a certain length of time. However, the joining mechanism does not necessarily operate at constant time intervals. Therefore, if the operating state data 126 is divided into frames of a certain length of time, there is a possibility that the operation of the joining mechanism reflected in each frame will deviate.
  • the control unit 11 divides the operating state data 126 into frames for each takt time.
  • the takt time is the time required to produce a predetermined number of products, that is, to join a predetermined number of parts 1 and 2.
  • This takt time can be specified based on a signal that controls the joining mechanism, for example, a control signal that controls the operation of each servo motor of the joining mechanism.
  • the type of control signal is not particularly limited as long as it is a signal that can be used to control the joining mechanism.
  • the control unit 11 calculates the value of the feature amount from each frame of the operating state data 126.
  • the control unit 11 controls the amplitude, maximum value, minimum value, average value, variance, etc. within the frame.
  • Value, standard deviation, autocorrelation coefficient, maximum value of power spectrum obtained by Fourier transform, skewness, kurtosis, etc. may be calculated as the feature quantity.
  • the feature amount may be derived not only from a single piece of operational state data 126 but also from a plurality of pieces of operational state data 126.
  • the control unit 11 may calculate a cross-correlation coefficient, ratio, difference, synchronization shift amount, distance, etc. between corresponding frames of the operating state data 126 as feature quantities.
  • control unit 11 can obtain values of multiple types of feature quantities calculated from the operating state data 126 during normal times. Further, the feature amount can also be calculated by further performing preprocessing such as normalization and outlier removal on the amount obtained as described above.
  • the model construction unit 112 treats each acquired feature amount as a random variable, that is, sets each acquired feature amount to each node, and can construct a causal relationship model as follows, for example.
  • the method of constructing the causal relationship model is not limited to this, and for example, the causal relationship between each factor can be derived by constructing a Bayesian network.
  • a known method may be used to construct the Bayesian network.
  • structural learning algorithms such as Greedy Search algorithm, Stingy Search algorithm, exhaustive search method, etc. can be used to construct a Bayesian network.
  • AIC Alkaike's Information Criterion
  • C4.5 C4.5
  • CHM Channel Herskovits Measure
  • MDL Minimum Description Length
  • ML Maximum Likelihood
  • a processing method when the learning data (operational state data 126) used to construct the Bayesian network includes missing values
  • a pairwise method, a listwise method, or the like can be used as a processing method when the learning data (operational state data 126) used to construct the Bayesian network includes missing values.
  • FIG. 6 shows a causal relationship model of the descending speed, component height, pressing force, descending time, bonding strength, and component level difference in the bonding mechanism of this embodiment.
  • the descending speed and component height affect the descending time
  • the descending time and pressing force affect the bonding strength.
  • the descending speed, component height, and pressing force are the control factors (inputs), based on these
  • the descending time is the intermediate response (output)
  • the joint strength and component step are the final response ( output).
  • the model construction unit 112 constructs prediction formulas for intermediate responses and final responses from the causal relationship model constructed as described above.
  • a prediction formula is constructed to calculate the descending time from the component height and descending speed.
  • Such a prediction formula can be constructed by multiple regression analysis, support vector machine (SVM), etc. based on the obtained causal relationship model.
  • SVM support vector machine
  • prediction formula is illustrated in FIG. 7.
  • prediction formulas for joint strength and component level differences. That is, prediction formulas can be constructed for all intermediate responses and final responses.
  • the prediction interval can be defined by a distribution (confidence interval) that can be defined from the obtained prediction formula and a distribution that takes into account data variations (for example, 3 ⁇ ).
  • a 95% prediction interval is used.
  • the predicted value of the descending time when the component height is 0.6 mm and the descending speed is 0.03 mm/s is 0.321 s from the above prediction formula (1), so the 95% prediction interval is 0. It becomes 163 to 0.479.
  • FIG. 8 is a diagram showing this prediction range.
  • a prediction range can be defined for all of the intermediate response and final response (in this embodiment, the joint strength and component level difference). In this way, the prediction range can be defined by a set of prediction formula variations and data variations.
  • the abnormality determining unit 113 determines whether there is an abnormality based on the feature amount calculated from the operating state data extracted when an abnormality is thought to be present in the joining mechanism. For example, to determine whether the descending time is abnormal, it is determined whether the descending speed corresponding to the obtained component height and descending speed is within the predicted range defined above. do. For example, as shown in Figure 9, when the part height is 0.6 mm and the descending speed is 0.03 mm/s, the actually measured descending time is 0.085 s, this descending time is outside the above predicted range. Therefore, it is determined that an abnormality has occurred. Further, in the same manner as described above, abnormality is also determined for all of the intermediate response and final response (in this embodiment, the joint strength and component level difference). In this way, abnormality can be determined based on one point of data.
  • the deviation calculation unit 114 calculates the degree of deviation in order to determine how much abnormality has occurred for each feature amount.
  • an abnormality is determined and it is confirmed that an abnormality has occurred, then based on this, the cause of the abnormality is investigated. For example, if the falling time is shorter than the predicted value as described above, an abnormality as shown in FIG. 3 may occur. Note that even if the actual measured value is outside the predicted range, the abnormality may be determined based on the degree of deviation without immediately determining the abnormality.
  • abnormality since abnormality is determined by constructing a prediction range, abnormality can be determined without, for example, constructing a causal relationship model in the event of an abnormality. That is, as described above, the occurrence of an abnormality can be determined by extracting the feature amount when it is thought that an abnormality has occurred. Therefore, for example, there is no need to stop the production equipment 3 in order to acquire data for constructing a causal relationship model in the event of an abnormality.
  • the cost required for determining an abnormality is and the load can be reduced.
  • the quantitative data is operating state data, and the feature amount is calculated based on this.
  • the operating state data 126 can also be qualitative data such as on/off of a sensor. That is, "on” time, “off” time, duty ratio, "on” number of times, “off” number of times, etc. in each frame may be calculated as feature quantities.
  • the processing from collecting the operating state data 126 to calculating the value of the feature amount may be performed not by the abnormality determination device 1 but by the production facility 3 or various devices that control it.
  • the abnormality when an abnormality is considered, the abnormality is determined based on a set of feature values (one point), but the feature values are calculated from the operating state data 126 extracted at multiple timings, and these are By using them comprehensively, abnormalities can be determined. For example, it is possible to use the average of feature amounts calculated from a plurality of timings.
  • the determination result is displayed on the display device 2, but the determination result can also be notified by a method other than displaying on the display device 2.
  • the occurrence of an abnormality can be notified by sound, light, or the like.

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Factory Administration (AREA)

Abstract

本発明に係る異常判定装置は、生産設備において生産される製品の品質に及ぼす複数の因子を計測する計測手段と、制御部と、記憶部と、を備え、前記記憶部は、前記生産設備において、正常な製品を生産時の前記因子から算出される特徴量に基づき、前記因子間の因果関係を特定した因果関係モデルと、前記因果関係モデルに基づいて、少なくとも１つの前記特徴量を入力とし、前記入力とは異なる他の前記特徴量を出力とする、予測式と、前記出力の予測範囲と、を記憶し、前記制御部は、前記生産設備の生産工程において計測された前記因子から算出された前記特徴量のうち、前記出力となる前記特徴量が前記予測範囲内にあるか否かを判定するように構成されている。

Description

異常判定装置、異常判定方法、及び異常判定プログラム
　本発明は、異常判定装置、異常判定方法、及び異常判定プログラムに関する。
　設備状態を監視する方法として、特許文献１では、製造工程データにより得られた因果関係モデルを有効活用し、ドメイン知識による検証を容易にするシステムが開示されている。
特開２０１８－１８１１５８号公報
　しかしながら、上記の方法では、品質に影響を与える現象に対し、ドメイン知識をある程度保有することを前提としている。したがって、非熟練者、新規に発生した現象に対しては利用し難いと考えられる。本発明は、この問題を解決するためになされたものであり、生産設備において生じ得る異常に関連する因子を、被熟練者であっても容易に特定することができる、異常判定装置、異常判定方法、及び異常判定プログラムを提供することを目的とする。
　本発明の第１の観点に係る異常判定装置は、生産設備において生産される製品の品質に及ぼす複数の因子を計測する計測手段と、制御部と、記憶部と、を備え、前記記憶部は、前記生産設備において、正常な製品を生産時の前記因子から算出される特徴量に基づき、前記因子間の因果関係を特定した因果関係モデルと、前記因果関係モデルに基づいて、少なくとも１つの前記特徴量を入力とし、前記入力とは異なる他の前記特徴量を出力とする、予測式と、前記出力の予測範囲と、を記憶し、前記制御部は、前記生産設備の生産工程において計測された前記因子から算出された前記特徴量のうち、前記出力となる前記特徴量が前記予測範囲内にあるか否かを判定するように構成されている。
　第２の観点に係る異常判定装置は、上記第１の観点に係る異常判定装置において、前記出力となる前記特徴量が前記予測範囲外にあるとき、当該特徴量に係る因子を通知するように構成されている。
　第３の観点に係る異常判定装置は、上記第２の観点に係る異常判定装置において、前記特徴量の前記予測範囲からの乖離度を算出するように構成されている。
　第４の観点に係る異常判定装置は、上記第３の観点に係る異常判定装置において、表示部をさらに備え、前記制御部は、通知された前記因子と、当該因子に対応する前記乖離度とを表示させるように構成されている。
　第５の観点に係る異常判定装置は、上記第１から第４のいずれかの観点に係る異常判定装置において、前記制御部は、計測された一組の前記因子の前記特徴量を用いて前記判定を行うように構成されている。
　第６の観点に係る異常判定装置は、上記第１から第５のいずれかの観点に係る異常判定装置において、前記予測範囲は、複数の正常データにより導かれる複数の特徴量のばらつきの幅（例えば、後述する予測式のばらつき）に基づいて規定されている。
　第７の観点に係る異常判定装置は、上記第１から第５のいずれかの観点に係る異常判定装置において、異常と判定された製品における因子データに基づいて、当該因子の値が前記予測範囲を超える他の因子を出力する。これにより、異常原因を推測する。
　本発明に係る第８の観点に係る異常判定方法は、生産設備において生産される製品の品質に及ぼす複数の因子から算出される特徴量のうち、正常な前記製品を生産時の前記特徴量から前記因子間の因果関係を特定し、因果関係モデルを生成するステップと、前記因果関係モデルに基づいて、少なくとも１つの前記特徴量を入力とし、前記入力とは異なる他の前記特徴量を出力とする、予測式を生成するステップと、前記出力の予測範囲を生成するステップと、前記生産設備の生産工程において計測された前記因子から前記特徴量を算出するステップと、算出された前記特徴量のうち、前記出力となる前記特徴量が前記予測範囲内にあるか否かを判定するステップと、を備えている。
　本発明に係る第９の観点に係る異常判定プログラムは、コンピュータに、生産設備において生産される製品の品質に及ぼす複数の因子から算出される特徴量のうち、正常な前記製品を生産時の前記特徴量から前記因子間の因果関係を特定し、因果関係モデルを生成するステップと、前記因果関係モデルに基づいて、少なくとも１つの前記特徴量を入力とし、前記入力とは異なる他の前記特徴量を出力とする、予測式を生成するステップと、前記出力の予測範囲を生成するステップと、前記生産設備の生産工程において計測された前記因子から前記特徴量を算出するステップと、算出された前記特徴量のうち、前記出力となる前記特徴量が前記予測範囲内にあるか否かを判定するステップと、を実行させる。
　本発明によれば、生産設備において生じ得る異常に関連する因子を、被熟練者であっても容易に特定することができる。
本発明が適用される生産システムの一例を模式的に例示したブロック図である。 本発明の一実施形態に係る生産設備に含まれる接合機構の概略図である。 接合機構の動作を示す図である。 接合機構に異常が生じる場合の図である。 異常が生じた接合機構の動作を説明する図である。 本発明の一実施形態に係る異常判定装置のハードウェア構成を示すブロック図である。 異常判定装置の機能構成を示すブロック図である。 因果関係モデルの例である。 予測式の例を示す図である。 予測範囲の例を示す図である。 異常の判定を説明する図である。 表示装置に表示された乖離度の例である。
　以下、本発明に係る異常判定装置を、接合機構を有する生産設備に適用した一実施形態について、図面を参照しつつ説明する。図１は、本実施形態に係る異常判定装置及び生産設備を含む生産システムのブロック図である。本実施形態においては、生産設備３に含まれる接合機構において異常が発生したか否かを、異常判定装置１において判定するように構成されている。
　＜１．接合機構の概略＞
　図２Ａに示すように、この生産設備３に含まれる接合機構は、設置治具面に配置された円柱状の部品１と円筒状の部品２とを接合するための接合機構を有している。初期状態において部品１は部品２の貫通孔に挿入されている。部品１は部品２よりも高く、部品２の貫通孔から上方に突出している。この状態から、図２Ｂに示すように、押圧部材をサーボモータなどにより所定の下降距離だけ下降させて部品１の上面を押圧すると、部品１が塑性変形する。すなわち、部品１の上下方向の長さが縮まるとともに、径方向の長さが増大する。これにより、径方向に増大した部品１の外周面が部品２の貫通孔の内周面に摩擦力によって接合される。
　接合機構が正常に稼働しているときには、上記のように部品１と部品２とが接合されるが、例えば、図３Ａに示すように、部品１，２の設置治具面が異物の混入により傾いている場合には、図３Ｂに示すように、押圧部材で部品１を押圧したときに、押圧部材が本来の下降距離に達する前に部品２に接触してしまい、押圧が停止するおそれがある。これにより、部品１を部品２に接合できないという不具合（異常）が発生する。本実施形態においては、このような異常の発生の判定について説明する。
　本実施形態における接合機構では、一例として、押圧部材の押圧力（Ｎ）、押圧部材の下降速度（ｍｍ／ｓ）、接合後の部品１の高さである部品高さ（ｍｍ）、部品１と部品２との接合強度（Ｎ）、及び接合後の部品１と部品２との高さの差（ｍｍ）、つまり部品段差（ｍｍ）を因子として用い、これらが動作状態データとして接合機構から抽出される。これらのうち、押圧力、部品高さ、及び押圧力は予め規定されたものであり、接合機構の動作を制御するＰＬＣ等のコンピュータに入力されている。一方、下降時間、接合強度、及び部品段差は接合機構においてリアルタイムに、あるいは事後的に計測され、動作状態データとして異常判定装置１に送信される。そのため、接合機構には、各因子を計測するためのセンサ等が設けられている。なお、各因子を事後的に計測する場合には、接合機構にセンサ等を設けなくてもよい。
　＜２．異常判定装置＞
　＜２－１．ハードウェア構成＞
　次に、本実施形態に係る異常判定装置１のハードウェア構成の一例を説明する。図４は異常判定装置のハードウェア構成を示すブロック図である。図４に示すように、この異常判定装置１は、制御部１１、記憶部１２、通信インタフェース１３、外部インタフェース１４、入力装置１５、及びドライブ１６が電気的に接続されたコンピュータである。
　制御部１１は、ＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等を含み、情報処理に応じて各構成の制御を行う。記憶部１２は、例えば、ハードディスクドライブ、ソリッドステートドライブ等の補助記憶装置であり、制御部１１で実行されるプログラム１２１、因果関係モデル１２２、予測式１２３、予測範囲１２４、予測データ１２５、及び動作状態データ１２６等を記憶する。
　プログラム１２１は、生産設備３から抽出される動作状態データから特徴量を算出し、これら特徴量から因子間の因果関係モデルを生成したり、異常の判定等を行うためのプログラムである。
　因果関係モデル１２２の対象となる特徴量は、接合機構で生産される製品の品質に影響を及ぼす因子に基づくものであり、製品が正常に生産されるときの因子間の因果関係が因果関係モデルとして構築される。この異常判定装置１では、上述した動作状態データから算出された特徴量等によって因果関係モデル１２２が生成されるが、外部の装置において予め生成された因果関係モデルを記憶することもできる。
　予測式１２３は、得られた特徴量のうち、入力となる特徴量から、入力以外の他の特徴量を算出するためのものであり、因果関係モデル１２２に基づいて生成される。予測範囲１２４は、予測式１２３から得られる出力の範囲を統計的に規定したものである。予測データ１２５は、異常が生じたときのデータであり、異常がある因子、特徴量、及びその特徴量の予測範囲１２４からの乖離度などを示すデータである。また、動作状態データ１２６は、上述したとおり、生産設備３から送信された動作状態データである。
　通信インタフェース１３は、例えば、有線ＬＡＮ（Local Area Network）モジュール、無線ＬＡＮモジュール等であり、有線又は無線通信を行うためのインタフェースである。すなわち、通信インタフェース１３は、他の装置と通信を行うように構成された通信部の一例である。本実施形態の異常判定装置１は、通信インタフェース１３を介して生産設備３と接続されている。
　外部インタフェース１４は、外部装置と接続するためのインタフェースであり、接続する外部装置に応じて適宜構成される。本実施形態では、外部インタフェース１４が、表示装置２に接続されている。なお、表示装置２は、公知の液晶ディスプレイ、タッチパネルディスプレイ等が用いられてよい。
　入力装置１５は、例えば、マウス、キーボード等の入力を行うための装置である。
　ドライブ１６は、例えば、ＣＤ（Compact Disk）ドライブ、ＤＶＤ（Digital Versatile Disk）ドライブ等であり、記憶媒体１７に記憶されたプログラムを読み込むための装置である。ドライブ１６の種類は、記憶媒体１７の種類に応じて適宜選択されてよい。なお、記憶部に記憶されている、プログラム１２１を含む各種のデータ１２２～１２６の少なくとも一部は、この記憶媒体１７に記憶されていてもよい。
　記憶媒体１７は、コンピュータその他装置、機械等が記録されたプログラム等の情報を読み取り可能なように、このプログラム等の情報を、電気的、磁気的、光学的、機械的又は化学的作用によって蓄積する媒体である。図４では、記憶媒体１７の一例として、ＣＤ、ＤＶＤ等のディスク型の記憶媒体を例示している。しかしながら、記憶媒体１７の種類は、ディスク型に限定される訳ではなく、ディスク型以外であってもよい。ディスク型以外の記憶媒体として、例えば、フラッシュメモリ等の半導体メモリを挙げることができる。
　なお、異常判定装置１の具体的なハードウェア構成に関して、実施形態に応じて、適宜、構成の省略、置換及び追加が可能である。例えば、制御部１１は、複数のプロセッサを含んでもよい。異常判定装置１は、複数台の情報処理装置で構成されてもよい。また、異常判定装置１には、提供されるサービス専用に設計された情報処理装置の他、汎用のサーバ装置等が用いられてよい。
　＜２－２．機能構成と異常の判定＞
　次に、異常判定装置１の機能構成（ソフトウエア構成）を説明する。図５は、本実施形態に係る異常判定装置１の機能構成の一例である。異常判定装置１の制御部１１は、記憶部１２に記憶されたプログラム１２１をＲＡＭに展開する。そして、制御部１１は、ＲＡＭに展開されたプログラム１２１をＣＰＵにより解釈及び実行して、各構成を制御する。これによって、図５に示すように、本実施形態に係る異常判定装置１は、特徴量取得部１１１、モデル構築部１１２、異常判定部１１３、及び乖離算出部１１４を備えるコンピュータとして機能する。
　＜２－２－１．特徴量の取得＞
　特徴量取得部１１１は、接合機構が部品１と部品２とを正常に接合した正常時、及び両部品が正しく接合されていない異常時それぞれについて、生産設備３の動作状態を示す動作状態データ１２６から算出される特徴量の値を取得する。但し、正常時の動作状態データ１２６としては、複数のタイミングで抽出されたデータが用いられるが、異常時の動作状態データとしては、異常が発生したと考えられる１または複数のタイミングで抽出されたデータが用いられる。そして、モデル構築部１１２は、取得した正常時の特徴量の値から、部品１，２を接合する際の各特徴量の関連度を導出する所定のアルゴリズムに基づいて、因子間の因果関係を示す因果関係モデル１２２を構築する。
　例えば、制御部１１は、次のように特徴量を取得する。まず、制御部１１は、特徴量を算出する処理範囲を規定するため、収集した動作状態データ１２６をフレーム毎に分割する。例えば、制御部１１は、動作状態データ１２６を一定時間長のフレーム毎に分割してもよい。ただし、接合機構は、必ずしも一定時間間隔で動作しているとは限らない。そのため、動作状態データ１２６を一定時間長のフレーム毎に分割すると、各フレームに反映される接合機構の動作がずれてしまう可能性がある。
　そこで、本実施形態では、制御部１１は、動作状態データ１２６をタクト時間毎にフレーム分割する。タクト時間は、製品を所定個数分生産する、すなわち、部品１，２を所定個数分接合するのにかかる時間である。このタクト時間は、接合機構を制御する信号、例えば、接合機構の各サーボモータ等の動作を制御する制御信号に基づいて特定することができる。なお、制御信号の種類は、接合機構を制御するのに利用可能な信号であれば、特に限定されなくてもよい。
　次に、制御部１１は、動作状態データ１２６の各フレームから特徴量の値を算出する。例えば、動作状態データ１２６が上記のような量的データ（下降時間、接合強度、部品段差）である場合には、制御部１１は、フレーム内の振幅、最大値、最小値、平均値、分散値、標準偏差、自己相関係数、フーリエ変換により得られるパワースペクトルの最大値、歪度、尖度等を特徴量として算出してもよい。
　さらに、特徴量は、単一の動作状態データ１２６からだけではなく、複数件の動作状態データ１２６から導出してもよい。例えば、制御部１１は、動作状態データ１２６の対応するフレーム同士の相互相関係数、比率、差分、同期のずれ量、距離、等を特徴量として算出してもよい。
　こうして、制御部１１は、正常時について、動作状態データ１２６から算出される複数種類の特徴量の値を取得することができる。また、特徴量は、上記のように得られたものをさらに正規化、外れ値除去などの前処理を行うことで算出することもできる。
　＜２－２－２．因果関係モデルの構築＞
　モデル構築部１１２は、取得した各特徴量を確率変数として扱って、すなわち、取得した各特徴量を各ノードに設定し、例えば、以下のように因果関係モデルを構築することができる。
(1)グラフィカルモデルの構築
　(1-1)各特徴量を発生する時系列順などをもとに階層構造を指定する。
　(1-2)階層構造を元に、各ノード間を有向線で結ぶ有向グラフを偏相関係数や相関誤差を基準として、決定する。
　なお、有向線の選び方は特には限定されず、適合度指標GFIやSRMRを元に選ぶ方法もあれば、偏相関係数などのみを注視して選ぶ方法もある。
(2)構造方程式モデリングによる定式化
　(2-1)(1-2)で獲得した因果構造の各関係式をデータを元に学習する。線形であれば重回帰、非線形であれば、SVR(サポートベクトル回帰）などを用いることができる。
　(2-2)当てはまりがよくない場合には、データの対数化や交互作用の追加を行うような工夫もあり得る。
　なお、因果関係モデルの構築方法は、これに限定されるものではなく、例えば、ベイジアンネットワークを構築することで、各因子間の因果関係を導出することができる。ベイジアンネットワークの構築には、公知の方法が用いられてよい。例えば、ベイジアンネットワークの構築には、Greedy Search アルゴリズム、Stingy Search アルゴリズム、全探索法等の構造学習アルゴリズムを用いることができる。また、構築されるベイジアンネットワークの評価基準には、ＡＩＣ（Akaike ' s. Information Criterion）、Ｃ４．５、ＣＨＭ（Cooper Herskovits Measure）、ＭＤＬ（Minimum Description Length）、ＭＬ（Maximum Likelihood）等を用いることができる。また、ベイジアンネットワークの構築に利用する学習データ（動作状態データ１２６）に欠損値が含まれる場合の処理方法として、ペアワイズ法、リストワイズ法等を用いることができる。
　例えば、図６は、本実施形態の接合機構における下降速度、部品高さ、押圧力、下降時間、接合強度、及び部品段差の因果関係モデルを示している。この因果関係モデルによれば、下降速度及び部品高さが、下降時間に影響を及ぼし、下降時間及び押圧力が接合強度に影響を及ぼすことが分かる。すなわち、この因果関係モデルでは、下降速度、部品高さ、及び押圧力が制御因子（入力）となり、これに基づいて、下降時間が中間応答（出力）となり、接合強度及び部品段差が最終応答（出力）となる。
　＜２－２－３．予測式の構築＞
　次に、モデル構築部１１２は、上記のように構築された因果関係モデルから中間応答及び最終応答の予測式を構築する。本実施形態では、部品１，２の接合において図３Ｂで示したような異常を予測するために、部品高さ及び下降速度から下降時間を算出する予測式を構築する。このような予測式は、得られた因果関係モデルに基づき、重回帰分析、サポートベタマシン（ＳＶＭ）などで構築することができる。本実施形態では、予測式として、例えば、以下の式（１）を構築することができる。
　下降時間＝０．５２＊部品高さ－０．７＊下降速度＋０．０３　　（１）
　この予測式を図示すると、図７のようになる。これ以外に、接合強度及び部品段差の予測式を構築することもできる。すなわち、中間応答及び最終応答の全てについて予測式を構築することができる。
　＜２－２－４．予測範囲の規定＞
　次に、正常時の下降時間の統計的な分布を算出する。これが予測範囲となる。例えば、得られた予測式から規定できる分布（信頼区間）、及びデータのばらつきを考慮した分布（例えば、３σ）により予測区間を規定することができる。ここでは、一例として、９５％の予測区間を用いる。例えば、部品高さが０．６ｍｍ、下降速度が０．０３ｍｍ／ｓであるときの下降時間の予測値は、上記予測式（１）より０．３２１ｓであるため、９５％予測区間は０．１６３～０．４７９となる。図８は、この予測範囲を示した図である。また、上記と同様に、中間応答及び最終応答の全て（本実施形態では接合強度及び部品段差）について予測範囲を規定することができる。このように、予測範囲は、予測式のばらつきとデータのばらつきとのセットで規定することかできる。
　＜２－２－５．異常の判定＞
　続いて、異常判定部１１３は、接合機構に異常が考えられるときに抽出された動作状態データから算出された特徴量から、異常の判定を行う。例えば、下降時間が異常であるか否かを判定するには、得られた部品高さ及び下降速度に対応する下降速度が、上記のように規定された予測範囲に入っているか否かを判定する。例えば、図９に示すように、部品高さが０．６ｍｍ、下降速度が０．０３ｍｍ／ｓときの実測された下降時間が０．０８５ｓである場合、この下降時間は上記の予測範囲外であるため、異常が発生したと判定する。また、上記と同様に、中間応答及び最終応答の全て（本実施形態では接合強度及び部品段差）についても異常の判定を行う。このように、異常の判定は、１点のデータに基づいて行うことができる。
　＜２－２－６．乖離度の算出＞
　次に、各特徴量について、どの程度の異常が発生しているかを判断するために、乖離算出部１１４により、乖離度の算出を行う。例えば、予測値からの差分の割合により乖離度を求めることができる。すなわち、上述した数値から、（予測値（0.321）－実測値（0.085））／予測値（0.321）＝－０．７４を乖離度とすることができる。また、例えば、接合強度に異常があると判定された場合にも同様に乖離度を算出する。こうして算出された乖離度は、例えば、図１０に示すように、リストとして表示装置２に表示することができる。
　以上のように、異常の判定が行われ、異常が発生していることが確認できれば、これに基づいて、異常の発生原因を検討する。例えば、上記のように下降時間が予測値よりも短い場合には、図３のような異常が考えられる。なお、実測値が予測範囲外であったとしても、直ちに異常と判定せず、乖離度に基づいて異常を判定することもできる。
　＜３．特徴＞
（１）上記のように因果関係モデル、予測式、予測範囲を構築するため、非熟練者等でなくても、生産設備において生じ得る異常に関連する因子を容易に特定することができる。
（２）本実施形態によれば、異常の判定を予測範囲を構築することで行っているため、例えば、異常時の因果関係モデル等を構築することなく、異常の判定を行うことができる。すなわち、上記のように、異常が発生していると考えられる場合の特徴量を抽出することで、異常の発生を判定することかできる。そのため、例えば、異常時の因果関係モデル等を構築するためのデータ取得のために、生産設備３を停止する必要が無い。特に、本実施形態では、異常が発生したと考えられる１のタイミングで抽出されたデータ（１点のデータ）を用いても異常の判定を行うことができるため、異常の判定のために要するコストや負荷を低減することができる。
（３）異常が発生したと考えられる場合、各特徴量の乖離度を算出するため、どの程度の異常が発生しているかの判断を容易に行うことができる。また、この中間応答または最終応答とともに乖離度を表示することで、異常の発生を容易に視認することができる。
　＜４．変形例＞
　以上、本発明の実施の形態を詳細に説明してきたが、前述までの説明はあらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良や変形を行うことができることは言うまでもない。例えば、以下のような変更が可能である。なお、以下では、上記実施形態と同様の構成要素に関しては同様の符号を用い、上記実施形態と同様の点については、適宜説明を省略した。以下の変形例は適宜組み合わせ可能である。
　＜４－１＞
　上記実施形態では、部品１，２を接合する工程で発生する異常の判定を例としたが、あくまでも一例であり、その他の工程に適用できることは言うまでもない。
　＜４－２＞
　上記実施形態では、量的データを動作状態データとし、これに基づいて特徴量を算出したが、例えば、動作状態データ１２６をセンサのｏｎ／ｏｆｆなどの質的データとすることもできる。すなわち、各フレーム内の「on」時間、「off」時間、Ｄｕｔｙ比、「on」回数、「off」回数、等を特徴量として算出してもよい。
　＜４－３＞
　動作状態データ１２６の収集から特徴量の値の算出までの処理は、異常判定装置１ではなく、生産設備３またはそれを制御する各種の装置で行うようにしてもよい。
　＜４－４＞
　上記実施形態では、異常が考えられる場合に一組（１点）の特徴量から異常の判定を行っているが、複数のタイミングにおいて抽出された動作状態データ１２６から特徴量を算出し、これらを総合的に用いることで、異常を判定することができる。例えば複数のタイミングから算出された特徴量の平均を用いるなどすることができる。
　＜４－５＞
　上記実施形態では、表示装置２に判定の結果を表示しているが、表示装置２への表示以外の方法で判定結果を通知することもできる。例えば、音声や光等による報知で異常の発生を通知することができる。また、乖離度の通知は必ずしも必要ではなく、異常のあった因子のみを通知したり、あるいは判定のみを行い、生産後など、事後的に判定の結果を検討することもできる。
　１…異常判定装置、
　１１…制御部
　１２…記憶部、
　３…生産設備

Claims (9)

  1. 　生産設備において生産される製品の品質に及ぼす複数の因子を計測する計測手段と、
    　制御部と、
    　記憶部と、
    を備え、
    　前記記憶部は、
    　前記生産設備において、正常な製品を生産時の前記因子から算出される特徴量に基づき、前記因子間の因果関係を特定した因果関係モデルと、
    　前記因果関係モデルに基づいて、少なくとも１つの前記特徴量を入力とし、前記入力とは異なる他の前記特徴量を出力とする、予測式と、
    　前記出力の予測範囲と、
    を記憶し、
    　前記制御部は、
    　前記生産設備の生産工程において計測された前記因子から算出された前記特徴量のうち、前記出力となる前記特徴量が前記予測範囲内にあるか否かを判定するように構成されている、異常判定装置。
  2. 　前記制御部は、
    　前記出力となる前記特徴量が前記予測範囲外にあるとき、当該特徴量に係る因子を通知するように構成されている、請求項１に記載の異常判定装置。
  3. 　前記特徴量の前記予測範囲からの乖離度を算出するように構成されている、請求項２に記載の異常判定装置。
  4. 　前記制御部は、
    　通知された前記因子と、当該因子に対応する前記乖離度とを表示させるように構成されている、請求項３に記載の異常判定装置。
  5. 　前記制御部は、
    　計測された一組の前記因子の前記特徴量を用いて前記判定を行うように構成されている、請求項１に記載の異常判定装置。
  6. 　前記予測範囲は、複数の正常データにより導かれる複数の特徴量のばらつきの幅に基づいて規定される、請求項１に記載の異常判定装置。
  7. 　異常と判定された前記製品における前記因子に基づいて、当該因子の値が前記予測範囲を超える他の前記因子を出力する、請求項１に記載の異常判定装置。
  8. 　生産設備において生産される製品の品質に及ぼす複数の因子から算出される特徴量のうち、正常な前記製品を生産時の前記特徴量から前記因子間の因果関係を特定し、因果関係モデルを生成するステップと、
    　前記因果関係モデルに基づいて、少なくとも１つの前記特徴量を入力とし、前記入力とは異なる他の前記特徴量を出力とする、予測式を生成するステップと、
    　前記出力の予測範囲を生成するステップと、
    　前記生産設備の生産工程において計測された前記因子から前記特徴量を算出するステップと、
    　算出された前記特徴量のうち、前記出力となる前記特徴量が前記予測範囲内にあるか否かを判定するステップと、
    を備えている、異常判定方法。
  9. 　コンピュータに、
    　生産設備において生産される製品の品質に及ぼす複数の因子から算出される特徴量のうち、正常な前記製品を生産時の前記特徴量から前記因子間の因果関係を特定し、因果関係モデルを生成するステップと、
    　前記因果関係モデルに基づいて、少なくとも１つの前記特徴量を入力とし、前記入力とは異なる他の前記特徴量を出力とする、予測式を生成するステップと、
    　前記出力の予測範囲を生成するステップと、
    　前記生産設備の生産工程において計測された前記因子から前記特徴量を算出するステップと、
    　算出された前記特徴量のうち、前記出力となる前記特徴量が前記予測範囲内にあるか否かを判定するステップと、
    を実行させる、異常判定プログラム。
PCT/JP2023/018194 2022-06-16 2023-05-16 異常判定装置、異常判定方法、及び異常判定プログラム WO2023243282A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022097668A JP2023183878A (ja) 2022-06-16 2022-06-16 異常判定装置、異常判定方法、及び異常判定プログラム
JP2022-097668 2022-06-16

Publications (1)

Publication Number Publication Date
WO2023243282A1 true WO2023243282A1 (ja) 2023-12-21

Family

ID=89191122

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/018194 WO2023243282A1 (ja) 2022-06-16 2023-05-16 異常判定装置、異常判定方法、及び異常判定プログラム

Country Status (2)

Country Link
JP (1) JP2023183878A (ja)
WO (1) WO2023243282A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018116545A (ja) * 2017-01-19 2018-07-26 オムロン株式会社 予測モデル作成装置、生産設備監視システム、及び生産設備監視方法
JP2020149289A (ja) * 2019-03-13 2020-09-17 オムロン株式会社 表示システム、表示方法、及び表示プログラム
JP2021092970A (ja) * 2019-12-10 2021-06-17 キヤノン株式会社 制御方法、制御装置、機械設備、制御プログラム、記録媒体

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018116545A (ja) * 2017-01-19 2018-07-26 オムロン株式会社 予測モデル作成装置、生産設備監視システム、及び生産設備監視方法
JP2020149289A (ja) * 2019-03-13 2020-09-17 オムロン株式会社 表示システム、表示方法、及び表示プログラム
JP2021092970A (ja) * 2019-12-10 2021-06-17 キヤノン株式会社 制御方法、制御装置、機械設備、制御プログラム、記録媒体

Also Published As

Publication number Publication date
JP2023183878A (ja) 2023-12-28

Similar Documents

Publication Publication Date Title
US11551111B2 (en) Detection and use of anomalies in an industrial environment
Stief et al. A heterogeneous benchmark dataset for data analytics: Multiphase flow facility case study
EP2687935B1 (en) Baseline predictive maintenance method for target device and computer program product thereof
Xu et al. A novel health indicator for intelligent prediction of rolling bearing remaining useful life based on unsupervised learning model
Bansal et al. A real-time predictive maintenance system for machine systems
US10565080B2 (en) Discriminative hidden kalman filters for classification of streaming sensor data in condition monitoring
JP6877735B2 (ja) 製造不良原因の探索支援方法及び情報処理装置
US10394973B2 (en) Methods and apparatus for using analytical/statistical modeling for continued process verification (CPV)
JP2010506256A (ja) 多変量データの監視および解析のための単変量方法
JP6702297B2 (ja) プロセスの異常状態診断方法および異常状態診断装置
Jahani et al. Statistical monitoring of multiple profiles simultaneously using Gaussian processes
JP2019016039A (ja) プロセスの異常状態診断方法および異常状態診断装置
JP2017142622A (ja) 監視装置及び監視装置の制御方法
Khedmati et al. A new control scheme for phase‐ii monitoring of simple linear profiles in multistage processes
Teh et al. An improved diagnostic tool for control valve stiction based on nonlinear principle component analysis
JP2022168706A (ja) 異常検知装置、プログラム、異常検知方法、及び製造方法
Song et al. Empirical likelihood ratio charts for profiles with attribute data and random predictors in the presence of within‐profile correlation
KR100758152B1 (ko) 진동신호 양자화에 의한 거동반응을 이용한 고장진단방법
WO2023243282A1 (ja) 異常判定装置、異常判定方法、及び異常判定プログラム
WO2017138239A1 (ja) 監視装置及び監視装置の制御方法
Chang et al. Real-time detection of wave profile changes
AU2021266301B2 (en) Method and device for diagnosing a railroad switch with a point machine
JP7476770B2 (ja) 工程解析装置、工程解析方法、及び工程解析プログラム
Shi Data fusion for in-process quality improvement
JP7230371B2 (ja) 異常検出装置、異常検出方法、異常検出プログラム及び異常検出システム

Legal Events

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

Ref document number: 23823583

Country of ref document: EP

Kind code of ref document: A1