WO2024069719A1 - 状態分類装置、及び記録媒体 - Google Patents

状態分類装置、及び記録媒体 Download PDF

Info

Publication number
WO2024069719A1
WO2024069719A1 PCT/JP2022/035779 JP2022035779W WO2024069719A1 WO 2024069719 A1 WO2024069719 A1 WO 2024069719A1 JP 2022035779 W JP2022035779 W JP 2022035779W WO 2024069719 A1 WO2024069719 A1 WO 2024069719A1
Authority
WO
WIPO (PCT)
Prior art keywords
state
unit
classification
industrial machine
feature
Prior art date
Application number
PCT/JP2022/035779
Other languages
English (en)
French (fr)
Inventor
蓮成 胡
和宏 佐藤
元紀 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/JP2022/035779 priority Critical patent/WO2024069719A1/ja
Publication of WO2024069719A1 publication Critical patent/WO2024069719A1/ja

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B23—MACHINE TOOLS; METAL-WORKING NOT OTHERWISE PROVIDED FOR
    • B23Q—DETAILS, COMPONENTS, OR ACCESSORIES FOR MACHINE TOOLS, e.g. ARRANGEMENTS FOR COPYING OR CONTROLLING; MACHINE TOOLS IN GENERAL CHARACTERISED BY THE CONSTRUCTION OF PARTICULAR DETAILS OR COMPONENTS; COMBINATIONS OR ASSOCIATIONS OF METAL-WORKING MACHINES, NOT DIRECTED TO A PARTICULAR RESULT
    • B23Q17/00—Arrangements for observing, indicating or measuring on machine tools
    • B23Q17/09—Arrangements for observing, indicating or measuring on machine tools for indicating or measuring cutting pressure or for determining cutting-tool condition, e.g. cutting ability, load on tool

Definitions

  • the present invention relates to a state classification device and a recording medium.
  • Industrial machines such as machine tools and robots use many parts.
  • changes in the state of industrial machines are diverse. For example, when machining workpieces using machine tools, if a tool malfunctions (wear and tear, etc.) or a bearing malfunctions (foreign matter intrusion, poor lubrication, breakage, etc.) occurs, the machining accuracy deteriorates. As a result, defects occur in the workpiece. Defective workpieces cause a decrease in the yield rate. In some cases, this can affect the entire production line, resulting in expensive waste. For this reason, methods have been proposed that measure various physical quantities detected by industrial machines during machining in real time, and detect changes in the state of industrial machines based on the measured physical quantities, or predict when the state will change.
  • the state classification device disclosed herein detects unknown states by clustering the states of industrial machinery, and is able to label data related to physical quantities detected in those states. The labeled data is then used to update the machine learning model used to classify states, thereby resolving the above-mentioned issues.
  • An aspect of the present disclosure is a condition classification device that classifies the state of an industrial machine, the condition classification device including: a feature acquisition unit that acquires a feature set related to a predetermined physical quantity detected during operation of the industrial machine; a state detection unit that detects that the industrial machine has changed from a predetermined state based on the feature set acquired by the feature acquisition unit; a clustering unit that executes a clustering process using a plurality of feature sets when the state detection unit detects a change in the state of the industrial machine and creates at least one cluster of the feature set detected at the time of the predetermined state change; a labeling support unit that assists a user in labeling the unknown cluster created by the clustering unit; a model update unit that updates a classification model used to classify the state of the industrial machine using a feature set belonging to a cluster labeled by the labeling support unit; a condition classification unit that performs a classification process of the state of the industrial machine using the classification model; and a classification result output unit that outputs the result of the classification process
  • Another aspect of the present disclosure is a computer-readable recording medium recording a program executed by a state classification device that classifies the state of an industrial machine
  • the computer-readable recording medium recording a program that causes a computer to operate as a feature acquisition unit that acquires a feature set related to a predetermined physical quantity detected during operation of the industrial machine, a state detection unit that detects that the industrial machine has changed from a predetermined state based on the feature set acquired by the feature acquisition unit, a clustering unit that executes a clustering process using a plurality of feature sets when the state detection unit detects a change in the state of the industrial machine and creates at least one cluster of the feature set detected at the time of the predetermined state change, a labeling support unit that assists a user in labeling the unknown cluster created by the clustering unit, a model update unit that updates a classification model used to classify the state of the industrial machine using a feature set belonging to a cluster labeled by the labeling support unit, a state classification unit that performs classification processing of the state of
  • One aspect of the present disclosure allows users to label and update models with minimal effort by labeling on a cluster-by-cluster basis.
  • FIG. 2 is a hardware configuration diagram of a state classification device according to an embodiment.
  • FIG. 2 is a block diagram showing the functions of a state classification device according to an embodiment.
  • FIG. 13 is a diagram showing an example of a labeling screen displayed by a labeling support unit.
  • FIG. 13 is a diagram showing another example of a labeling screen displayed by the labeling support unit.
  • FIG. 13 is a diagram showing another example of a labeling screen displayed by the labeling support unit.
  • FIG. 13 is a diagram showing another example of a labeling screen displayed by the labeling support unit.
  • FIG. 13 is a diagram showing another example of a labeling screen displayed by the labeling support unit.
  • FIG. 13 is a diagram showing another example of a labeling screen displayed by the labeling support unit.
  • FIG. 13 is a diagram showing another example of a labeling screen displayed by the labeling support unit.
  • FIG. 13 is a diagram showing another example of a labeling screen displayed by the labeling support unit.
  • FIG. 1 is a schematic hardware configuration diagram showing a main part of a state classification device according to an embodiment of the present invention.
  • the state classification device 1 of the present invention can be implemented as a control device for controlling industrial machines such as machine tools and robots.
  • the state classification device 1 of the present invention can be implemented on a computer such as a personal computer attached to a control device for controlling industrial machines, a personal computer connected to the control device via a wired/wireless network, a cell computer, a fog computer 6, or a cloud server 7.
  • a state classification device 1 that detects an abnormality in an industrial machine 3 and classifies the abnormal state is described.
  • the CPU 11 provided in the condition classification device 1 is a processor that controls the condition classification device 1 as a whole.
  • the CPU 11 reads the system program stored in the ROM 12 via the bus 22, and controls the condition classification device 1 as a whole in accordance with the system program.
  • the RAM 13 temporarily stores temporary calculation data, display data, and various data input from outside.
  • the non-volatile memory 14 is composed of, for example, a memory backed up by a battery (not shown) or an SSD (Solid State Drive), and retains its memory state even when the power to the condition classification device 1 is turned off.
  • the non-volatile memory 14 stores programs and data read from an external device 72 via an interface 15, programs and data input via an input device 71, programs and data acquired from the industrial machine 3, data related to physical quantities detected by a sensor 4 attached to the industrial machine 3, and the like.
  • the data stored in the non-volatile memory 14 may be expanded in the RAM 13 during execution/use.
  • various system programs such as well-known analysis programs are written in advance in the ROM 12.
  • the interface 15 is an interface for connecting the CPU 11 of the condition classification device 1 to an external device 72 such as a USB device.
  • an external device 72 such as a USB device.
  • pre-stored control programs and data related to the operation of each industrial machine 3 can be read from the external device 72.
  • control programs and setting data edited within the condition classification device 1 can be stored in an external storage means via the external device 72.
  • the interface 20 is an interface for connecting the CPU of the condition classification device 1 to a wired or wireless network 5.
  • the industrial machines 3, fog computers 6, cloud servers 7, etc. are connected to the network 5, and data is exchanged between the condition classification device 1 and the network 5.
  • the display device 70 displays various data loaded into memory, data obtained as a result of executing programs, etc., output via the interface 17.
  • the input device 71 which is comprised of a keyboard, pointing device, etc., passes instructions and data based on operations by the operator to the CPU 11 via the interface 18.
  • the interface 21 is an interface for connecting the CPU 11 and the machine learning device 100.
  • the machine learning device 100 comprises a processor 101 that controls the entire machine learning device 100, a ROM 102 that stores system programs and the like, a RAM 103 for temporary storage in each process related to machine learning, and a non-volatile memory 104 used to store models and the like.
  • the machine learning device 100 can observe each piece of information that can be acquired by the state classification device 1 via the interface 21.
  • the state classification device 1 acquires the processing results output from the machine learning device 100 via the interface 21, and stores or displays the acquired results, or transmits them to other devices via the network 5, etc.
  • FIG. 2 is a schematic block diagram showing the functions of a state classification device 1 according to one embodiment of the present invention.
  • Each function of the state classification device 1 according to this embodiment is realized by the CPU 11 of the state classification device 1 and the processor 101 of the machine learning device 100 shown in FIG. 1 executing a system program and controlling the operation of each part of the state classification device 1 and the machine learning device 100.
  • the condition classification device 1 of this embodiment includes a feature acquisition unit 110, a condition detection unit 120, a clustering unit 130, a label assignment support unit 140, a model update unit 150, a condition classification unit 160, and a classification result output unit 170.
  • the RAM 103 to the non-volatile memory 104 of the machine learning device 100 are provided in advance with a model memory unit 210, which is an area for storing a model that has learned to detect and classify the condition of the industrial machine 3, a feature set related to physical quantities that have been used in the past to learn the model, and a feature memory unit 220, which is an area for storing a feature set related to physical quantities detected at the time of a specified condition change.
  • the feature acquisition unit 110 acquires a feature set related to a predetermined physical quantity detected by the sensor 4 during the operation of the industrial machine 3.
  • the feature set related to the predetermined physical quantity may include, for example, the position of each motor that operates the industrial machine 3, the speed of each motor, the acceleration of each motor, the torque command of each motor, the temperature of each part, the vibration of each part, sound, optical information, the ambient temperature and the ambient humidity, etc.
  • the feature set related to the predetermined physical quantity may be an instantaneous value or continuous time series data.
  • values obtained by performing predetermined statistical processing on the acquired feature quantities or values obtained by frequency analysis, etc. may be added to the feature set related to the predetermined physical quantity.
  • the feature acquisition unit 110 may acquire a feature set related to the physical quantity of the industrial machine 3 acquired and stored by the external device 72, the fog computer 6, the cloud server 7, etc.
  • the feature acquisition unit 110 outputs the feature set related to the acquired physical quantity to the state detection unit 120.
  • the state detection unit 120 detects that the industrial machine 3 has changed from a predetermined state based on the feature set related to the physical quantities input from the feature acquisition unit 110. Typically, the state detection unit 120 may detect that the industrial machine 3 has changed from a normal state to an abnormal state. When detecting the occurrence of an abnormality, for example, a normal model based on a feature set related to multiple physical quantities detected when the industrial machine 3 is operating normally is stored in the model storage unit 210 in advance. Then, the state detection unit 120 calculates the degree of deviation of the feature set related to the physical quantities input from the feature acquisition unit 110 from the distribution of the feature set in the normal model as a deviation degree.
  • an abnormality for example, a normal model based on a feature set related to multiple physical quantities detected when the industrial machine 3 is operating normally is stored in the model storage unit 210 in advance.
  • the state detection unit 120 may automatically set the threshold value based on the distribution of the normal model. For example, a position away from the normal model average value X by the average value X ⁇ standard deviation ⁇ may be set as the threshold value.
  • the threshold value may also be set using the third quartile or the interquartile range. To detect such a change from a predetermined state, known methods such as Hotelling's theory and k-nearest neighbor method can be used.
  • the clustering unit 130 performs a known clustering process using feature sets related to multiple physical quantities stored in the feature storage unit 220, and creates a cluster of feature sets related to physical quantities detected at the time of a predetermined state change.
  • the feature storage unit 220 stores multiple feature sets related to physical quantities when the state detection unit 120 detects that the industrial machinery 3 has changed from a predetermined state. When this feature set related to physical quantities is detected, the state of the industrial machinery 3 is unclassified.
  • the clustering unit 130 may perform the clustering process at the point when a predetermined number of feature sets related to physical quantities are stored in the feature storage unit 220.
  • clustering method for example, k-nearest neighbors, HDBSCAN (Hierarchical Density-Based Spatial Clustering of Applications with Noise), BIRCH (Balanced Iterative Reducing and Clustering using Hierarchies), DPGMM (Dirichlet Process Gaussian Mixture Model), or other known methods may be used.
  • a screen for accepting adjustments of hyperparameters (such as the number of clusters) in the clustering processing may be displayed while displaying the clustering results to the user.
  • the labeling support unit 140 provides a user interface to support the user in labeling the clusters of the feature sets related to the physical quantities created by the clustering unit 130.
  • the labeling support unit 140 displays the clusters created by the clustering unit 130 on the display device 70 so that the user can visually confirm them.
  • FIG. 3 shows an example of a label setting screen displayed by the labeling support unit 140.
  • the clustered feature sets are plotted on a two-dimensional graph with the feature values related to a specific physical quantity as the axis, and the range of each cluster is displayed so that it can be grasped.
  • the range of the cluster can also be displayed, for example, by color coding.
  • the labeling support unit 140 may display the clusters created by the clustering unit 130 on a two-dimensional or three-dimensional graph with the feature values related to a specific physical quantity as the axis.
  • the user may be able to appropriately select which feature value related to the physical quantity is to be used as the axis.
  • identification information for identifying the machine that acquired the feature set, the acquisition date and time, the operating conditions at the time of acquisition, any alerts that occurred, and subsequent responses may be obtained and referenced from the logs and maintenance records of the industrial machinery 3.
  • the labeling support unit 140 may provide a user interface that allows a user to specify a predetermined condition and perform a search, thereby highlighting a feature set that meets the search condition among the feature sets plotted on the graph. Also, as shown in FIG. 5, feature sets that have been used for learning in the past may be plotted on top of each other on the graph, allowing comparison with a feature set that has not been labeled. Furthermore, the labeling support unit 140 may provide a user interface that displays the relationship between multiple clusters. For example, as shown in FIG. 6, the labeling support unit 140 may provide the user with a value indicating the similarity between the multiple clusters that have been created. The similarity between clusters can be calculated using a known method, for example, by taking the amount of reduction in logarithmic likelihood when two clusters are combined into one cluster as the similarity.
  • the labeling support unit 140 may provide a user interface that displays a similarity matrix showing the similarity between each cluster and a known cluster that was generated in the past, as illustrated in FIG. 7.
  • a similarity matrix showing the similarity between clusters A to E created by the clustering unit based on a feature set acquired from a specific industrial machine 3 and each of the clusters "RD18 Clst_A" to "RD24 Clst_3" created in the past based on a feature set acquired from another industrial machine 3 is calculated, and the calculated similarity is displayed in a table format.
  • FIG. 7 by specifying a cluster created in the past, information about the data belonging to the cluster and the label assigned to the cluster may be displayed.
  • the similarity between newly created clusters or the similarity between clusters created in the past may be displayed.
  • the similarity between clusters A to E or the similarity between "RD18 Clst_A" to "RD24 Clst_3” may be displayed.
  • the labeling support unit 140 may display clusters for a specific machine on a graph with a specific feature on the vertical axis and time on the horizontal axis, as shown in FIG. 8.
  • a graph is drawn for the feature acquired from a specific industrial machine 3, with motor vibration on the vertical axis and time on the horizontal axis, and clusters A and B created by the clustering unit based on the acquired feature set are displayed identifiably on the graph.
  • the deterioration of parts and the occurrence of failures can be visually grasped as changes and developments over time for a specific industrial machine 3.
  • Each cluster may be displayed in a frame or color-coded as shown in FIG. 8 to distinguish it from other data.
  • the calculated similarity is displayed in a table format. By displaying such a graph, the user can consider the label to be assigned to a new cluster for a specific industrial machine 3 while referring to what labels were assigned to similar clusters in the past.
  • the labeling support unit 140 may vary the granularity of the data to be displayed. For example, normal data may be displayed with a coarse granularity, and data that is closer to an abnormality may be displayed with a finer granularity.
  • the granularity of the data to be displayed may be changed by changing the time scale in response to a specified operation. In this way, by varying the granularity of the data to be displayed, particularly important data groups can be displayed in detail, supporting the user's analysis of the clusters.
  • the labeling support unit 140 may display representative features of each cluster in a comparable manner, as exemplified in FIG. 9.
  • representative values of the torque command (TCMD), torque command variance, sidebands, speed, and one-rotation component for a selected cluster are displayed superimposed on a radar chart, thereby displaying each cluster in a comparable manner.
  • TCMD torque command
  • a set of features obtained in an abnormal state has different characteristics from a set of features obtained in a normal state, so that by displaying the features superimposed on a radar chart or line graph as exemplified in FIG. 9, the user can easily recognize the clusters of a data set obtained in an abnormal state.
  • the user can view this screen and determine what state of the industrial machinery 3 each cluster represents, and assign a label related to that state.
  • the label that the user assigns to a cluster is assigned to all feature sets that belong to that cluster.
  • the model update unit 150 uses the feature set related to the physical quantities for which the labels are set by the labeling support unit 140 to update the model for classifying the state of the industrial machine 3 stored in the model storage unit 210.
  • the model update unit 150 updates the model for classifying the state of the industrial machine 3 by a known supervised learning method.
  • the model for classifying the state of the industrial machine 3 may be, for example, a known neural network, SVM, regression model, decision tree model, Bayesian classification model, etc. Note that when updating the model, it is not necessary to use all of the feature sets related to the physical quantities labeled by the labeling support unit 140.
  • the model update unit 150 deletes the feature sets stored in the feature storage unit 220.
  • the feature sets used in updating the model are additionally stored in the model storage unit 210 as feature sets related to the physical quantities used in the model training in the past.
  • the state classification unit 160 performs a classification process for the state of the industrial machine 3 using a classification model stored in the model storage unit 210, based on a set of features related to physical quantities when the state detection unit 120 detects a change in the state of the industrial machine 3.
  • the classification result output unit 170 displays and outputs the classification result of the state of the industrial machine 3 by the state classification unit 160 to the display device 700.
  • the classification result output unit 170 may transmit and output the classification result of the state of the industrial machine 3 to the industrial machine 3 via the network 5.
  • the classification result output unit 170 may also transmit and output the classification result of the state of the industrial machine 3 to a higher-level computer such as the fog computer 6 or cloud server 7 via the network 5.
  • the classification result output unit 170 may also output the classification result of the state of the industrial machine 3 to a log recording area previously provided on the non-volatile memory 14, etc.
  • labeling is performed on a cluster-by-cluster basis, so the user can label and update the model with little effort.
  • labeling the user can refer to information when each feature was acquired and compare it with features used in past learning, so this support is expected to reduce the effort required for the user to label.
  • the labeling support unit 140 may instruct the state classification unit 160 to classify the feature sets related to the physical quantities stored in the feature storage unit 220, and may assign a provisional label to each cluster based on the classification result.
  • the classification may be assigned as a provisional label for the cluster.
  • FIG. 10 is an example of a labeling screen displayed by the labeling support unit 140 according to this modified example. In the example of FIG. 10, a feature set that is equal to or greater than a predetermined percentage belonging to cluster B is classified as a tool breakage abnormality.
  • the labeling support unit 140 automatically assigns a provisional label of tool breakage abnormality to cluster B and a provisional label of motor bearing abnormality to cluster E.

Landscapes

  • Engineering & Computer Science (AREA)
  • Mechanical Engineering (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本発明による状態分類装置は、産業機械の動作時において検出された所定の物理量に係る特徴量セットを取得する特徴量取得部と、取得した特徴量セットに基づいて、産業機械が所定の状態から変化したことを検知する状態検知部と、産業機械の状態の変化を検知した際の特徴量セットを複数用いたクラスタリング処理を実行してクラスタを作成するクラスタリング部と、クラスタに対してユーザがラベルを付与する作業を支援するラベル付与支援部と、ラベルが付与されたクラスタに属する特徴量セットを用いて、産業機械の状態の分類に用いる分類用モデルを更新するモデル更新部と、分類用モデルを用いた産業機械の状態の分類処理を行う状態分類部と、分類処理の結果を出力する分類結果出力部と、を備える。

Description

状態分類装置、及び記録媒体
　本発明は、状態分類装置、及び記録媒体に関する。
　工作機械やロボットなどの産業機械には多くの部品が使われている。そのため、産業機械に発生する状態の変化は多種多様である。例えば工作機械によるワークの加工において、工具の不良（摩耗や欠損など）やベアリングの不良（異物侵入、潤滑不良、破損など）が発生すると、加工精度が悪化する。その結果としてし、ワークに不良が発生する。ワークに不良が発生することで、歩留まり率が悪化する。場合によっては、ライン生産の全工程に影響を与え、高額な仕損が発生することもある。そのため、加工中に産業機械において検出されるさまざまな物理量をリアルタイムで測定し、測定した物理量に基づいて産業機械の状態変化を検知したり、状態が変化する時期を予測したりする手法が提案されている。
再公表２０１７/０９００９８号公報
　産業機械の状態変化の検知が可能であったとしても、必ずしも状態種別の推定や状態変化時期の予測ができるわけではない。さまざまな状態変化について予防保全するためには、可能な限り状態変化の検知を行えるようにした上で、変化した状態の種別を推定できるようにする必要がある。これを解決するために、機械学習の技術により学習済みの教師あり学習のモデルを作成し、作成したモデルを用いた産業機械の状態分類をすることが考えられる。しかしながら、このような機械学習を行うためには、予めさまざまな産業機械の状態で検出される物理量に係るデータを収集する必要があり、多大な労力がかかる。また、新たに未知の状態が発生した場合、その際に検出されるデータに対してユーザがラベル付けをして逐次的にモデルを更新する必要があり、これもユーザに掛る負担が大きい。
　そのため、産業機械の状態種別を分類するために必要となる作業負担を軽減することができる仕組みが望まれている。
　本開示による状態分類装置は、産業機械の状態をクラスタリングすることで未知の状態を検知し、その状態に置いて検出された物理量に係るデータに対してラベル付けを行えるようにする。そして、ラベル付けしたデータを用いて状態の分類に用いている機械学習のモデルを更新することで、上記課題を解決する。
　そして、本開示の一態様は、産業機械の状態を分類する状態分類装置であって、前記産業機械の動作時において検出された所定の物理量に係る特徴量セットを取得する特徴量取得部と、前記特徴量取得部が取得した特徴量セットに基づいて、前記産業機械が所定の状態から変化したことを検知する状態検知部と、前記状態検知部が産業機械の状態の変化を検知した際の特徴量セットを複数用いたクラスタリング処理を実行し、所定の状態変化時に検出された特徴量セットの少なくとも１つのクラスタを作成するクラスタリング部と、前記クラスタリング部が作成した未知の前記クラスタに対してユーザがラベルを付与する作業を支援するラベル付与支援部と、前記ラベル付与支援部によりラベルが付与されたクラスタに属する特徴量セットを用いて、前記産業機械の状態の分類に用いる分類用モデルを更新するモデル更新部と、前記分類用モデルを用いた前記産業機械の状態の分類処理を行う状態分類部と、前記分類処理の結果を出力する分類結果出力部と、を備えた状態分類装置である。
　本開示の他の態様は、産業機械の状態を分類する状態分類装置で実行されるプログラムを記録するコンピュータ読み取り可能な記録媒体であって、前記産業機械の動作時において検出された所定の物理量に係る特徴量セットを取得する特徴量取得部、前記特徴量取得部が取得した特徴量セットに基づいて、前記産業機械が所定の状態から変化したことを検知する状態検知部、前記状態検知部が産業機械の状態の変化を検知した際の特徴量セットを複数用いたクラスタリング処理を実行し、所定の状態変化時に検出された特徴量セットの少なくとも１つのクラスタを作成するクラスタリング部、前記クラスタリング部が作成した未知の前記クラスタに対してユーザがラベルを付与する作業を支援するラベル付与支援部、前記ラベル付与支援部によりラベルが付与されたクラスタに属する特徴量セットを用いて、前記産業機械の状態の分類に用いる分類用モデルを更新するモデル更新部、前記分類用モデルを用いた前記産業機械の状態の分類処理を行う状態分類部、前記分類処理の結果を出力する分類結果出力部、としてコンピュータを動作させるプログラムを記録したコンピュータ読み取り可能な記録媒体である。
　本開示の一態様により、クラスタ単位でラベル付けを行うため、ユーザは少ない労力でラベル付けし、モデルの更新をすることが可能となる。
一実施形態による状態分類装置のハードウェア構成図である。 一実施形態による状態分類装置の機能を示すブロック図である。 ラベル付与支援部が表示するラベル付与画面の例を示す図である。 ラベル付与支援部が表示するラベル付与画面の他の例を示す図である。 ラベル付与支援部が表示するラベル付与画面の他の例を示す図である。 ラベル付与支援部が表示するラベル付与画面の他の例を示す図である。 ラベル付与支援部が表示するラベル付与画面の他の例を示す図である。 ラベル付与支援部が表示するラベル付与画面の他の例を示す図である。 ラベル付与支援部が表示するラベル付与画面の他の例を示す図である。 ラベル付与支援部が表示するラベル付与画面の変形例を示す図である。
　以下、本発明の実施形態を図面と共に説明する。
　図１は本発明の一実施形態による状態分類装置の要部を示す概略的なハードウェア構成図である。本発明の状態分類装置１は、例えば工作機械やロボットなどの産業機械を制御する制御装置として実装することができる。また、本発明の状態分類装置１は、産業機械を制御する制御装置に併設されたパソコンや、該制御装置と有線／無線のネットワークを介して接続されたパソコン、セルコンピュータ、フォグコンピュータ６、クラウドサーバ７などのコンピュータ上に実装することができる。本実施形態では、状態分類装置１を、産業機械を制御する制御装置とネットワークを介して接続されたパソコンの上に実装した例を示す。本実施形態では、産業機械３の異常を検知し、異常の状態を分類する状態分類装置１について説明している。
　本実施形態による状態分類装置１が備えるＣＰＵ１１は、状態分類装置１を全体的に制御するプロセッサである。ＣＰＵ１１は、バス２２を介してＲＯＭ１２に格納されたシステム・プログラムを読み出し、該システム・プログラムに従って状態分類装置１全体を制御する。ＲＡＭ１３には一時的な計算データや表示データ、及び外部から入力された各種データなどが一時的に格納される。
　不揮発性メモリ１４は、例えば図示しないバッテリでバックアップされたメモリやＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）などで構成され、状態分類装置１の電源がオフされても記憶状態が保持される。不揮発性メモリ１４には、インタフェース１５を介して外部機器７２から読み込まれたプログラムやデータ、入力装置７１を介して入力されたプログラムやデータ、産業機械３から取得されたプログラムやデータ、産業機械３に取り付けられたセンサ４により検出された物理量に係るデータなどが記憶される。不揮発性メモリ１４に記憶されたデータは、実行時／利用時にはＲＡＭ１３に展開されても良い。また、ＲＯＭ１２には、公知の解析プログラムなどの各種システム・プログラムがあらかじめ書き込まれている。
　インタフェース１５は、状態分類装置１のＣＰＵ１１とＵＳＢ装置などの外部機器７２と接続するためのインタフェースである。外部機器７２側からは、例えば予め記憶されている制御用プログラムや各産業機械３の動作に係るデータなどを読み込むことができる。また、状態分類装置１内で編集した制御用プログラムや設定データなどは、外部機器７２を介して外部記憶手段に記憶させることができる。
　インタフェース２０は、状態分類装置１のＣＰＵと有線乃至無線のネットワーク５とを接続するためのインタフェースである。ネットワーク５には、産業機械３やフォグコンピュータ６、クラウドサーバ７などが接続され、状態分類装置１との間で相互にデータのやり取りを行っている。
　表示装置７０には、メモリ上に読み込まれた各データ、プログラムなどが実行された結果として得られたデータなどがインタフェース１７を介して出力されて表示される。また、キーボードやポインティングデバイスなどから構成される入力装置７１は、作業者による操作に基づく指令、データなどをインタフェース１８を介してＣＰＵ１１に渡す。
　インタフェース２１は、ＣＰＵ１１と機械学習器１００とを接続するためのインタフェースである。機械学習器１００は、機械学習器１００全体を統御するプロセッサ１０１と、システム・プログラムなどを記憶したＲＯＭ１０２、機械学習に係る各処理における一時的な記憶を行うためのＲＡＭ１０３、及びモデルなどの記憶に用いられる不揮発性メモリ１０４を備える。機械学習器１００は、インタフェース２１を介して状態分類装置１で取得可能な各情報を観測することができる。また、状態分類装置１は、インタフェース２１を介して機械学習器１００から出力される処理結果を取得し、取得した結果を記憶したり、表示したり、他の装置に対してネットワーク５などを介して送信する。
　図２は、本発明の一の実施形態による状態分類装置１が備える機能を概略的なブロック図として示したものである。本実施形態による状態分類装置１が備える各機能は、図１に示した状態分類装置１のＣＰＵ１１と、機械学習器１００のプロセッサ１０１とがシステム・プログラムを実行し、状態分類装置１及び機械学習器１００の各部の動作を制御することにより実現される。
　本実施形態の状態分類装置１は、特徴量取得部１１０、状態検知部１２０、クラスタリング部１３０、ラベル付与支援部１４０、モデル更新部１５０、状態分類部１６０、分類結果出力部１７０を備える。また、機械学習器１００のＲＡＭ１０３乃至不揮発性メモリ１０４上には、産業機械３の状態の検知及び分類を学習したモデル、過去に当該モデルの学習に用いた物理量に係る特徴量セットを記憶するための領域であるモデル記憶部２１０、及び所定の状態変化時に検出された物理量に係る特徴量セットを記憶するための領域である特徴量記憶部２２０が予め用意されている。
　特徴量取得部１１０は、産業機械３の動作時においてセンサ４で検出された所定の物理量に係る特徴量セットを取得する。所定の物理量に係る特徴量セットは、例えば産業機械３を動作させる各モータの位置、各モータの速度、各モータの加速度、各モータのトルクコマンド、各部の温度、各部の振動、音、光学的情報、雰囲気温度や雰囲気湿度などを含んでいてよい。所定の物理量に係る特徴量は、瞬時値であってもよいし、連続した時系列データであってもよい。また、取得した特徴量に対して所定の統計処理を行った値や、周波数解析をした値等を所定の物理量に係る特徴量セットに加えてもよい。特徴量取得部１１０は、外部機器７２や、フォグコンピュータ６、クラウドサーバ７等が取得して記憶している産業機械３の物理量に係る特徴量セットを取得してもよい。特徴量取得部１１０は、取得した物理量に係る特徴量セットを状態検知部１２０へと出力する。
　状態検知部１２０は、特徴量取得部１１０から入力された物理量に係る特徴量セットに基づいて産業機械３が所定の状態から変化したことを検知する。典型的には、状態検知部１２０は、産業機械３に正常な状態から異常な状態へと変化したことを検知するようにしてよい。異常の発生を検知する場合、例えば予めモデル記憶部２１０に産業機械３が正常に動作している際に検出された複数の物理量に係る特徴量セットに基づく正常モデルを記憶しておく。そして、状態検知部１２０は、特徴量取得部１１０から入力された物理量に係る特徴量セットが、正常モデルにおける特徴量セットの分布からみてどの程度乖離しているのかを乖離度として計算する。そして、計算した乖離度が予め定めた所定の閾値を超える場合に、産業機械３に異常が発生したと判定すればよい。状態検知部１２０は、閾値を正常モデルの分布に基づいて自動設定するようにしてもよい。例えば、正常モデル平均値Ｘから平均値Ｘ×標準偏差σだけ離れた位置を閾値としてもよい。また、第三四分位数や四分位範囲を用いて閾値を設定してもよい。このような所定の状態からの変化の検知には、例えばホテリング理論やｋ近傍法などの公知の手法を用いることができる。状態検知部１２０は、物理量に係る特徴量セットに基づいて産業機械３の状態の変化を検知した場合、その物理量に係る特徴量セットを特徴量記憶部２２０に記憶する。
　クラスタリング部１３０は、特徴量記憶部２２０に記憶された複数の物理量に係る特徴量セットを用いた公知のクラスタリング処理を実行し、所定の状態変化時に検出された物理量に係る特徴量セットのクラスタを作成する。特徴量記憶部２２０には、状態検知部１２０で産業機械３が所定の状態から変化したことを検知した際の物理量に係る特徴量セットが複数記憶される。この物理量に係る特徴量セットが検出された時、産業機械３がどのような状態にあるのか未分類である。クラスタリング部１３０は、特徴量記憶部２２０に予め定めた所定の数の物理量に係る特徴量セットが記憶された時点でクラスタリング処理を実行するようにしてよい。クラスタリングの手法としては、例えばｋ近傍法や、ＨＤＢＳＣＡＮ（Ｈｉｅｒａｒｃｈｉｃａｌ　Ｄｅｎｓｉｔｙ－Ｂａｓｅｄ　Ｓｐａｔｉａｌ　Ｃｌｕｓｔｅｒｉｎｇ　ｏｆ　Ａｐｐｌｉｃａｔｉｏｎｓ　ｗｉｔｈ　Ｎｏｉｓｅ）、ＢＩＲＣＨ（Ｂａｌａｎｃｅｄ　Ｉｔｅｒａｔｉｖｅ　Ｒｅｄｕｃｉｎｇ　ａｎｄ　Ｃｌｕｓｔｅｒｉｎｇ　ｕｓｉｎｇ　Ｈｉｅｒａｒｃｈｉｅｓ），ＤＰＧＭＭ（Ｄｉｒｉｃｈｌｅｔ　Ｐｒｏｃｅｓｓ　Ｇａｕｓｓｉａｎ　Ｍｉｘｔｕｒｅ　Ｍｏｄｅｌ）などの公知の手法を用いればよい。クラスタリング処理をする際には、ユーザに対してクラスタリングの結果を表示しながら、クラスタリング処理におけるハイパーパラメータ（クラスタ数など）の調整を受け付けるための画面を表示するようにしてもよい。
　ラベル付与支援部１４０は、クラスタリング部１３０により作成された物理量に係る特徴量セットのクラスタに対してユーザがラベルを付与する支援ためのユーザインタフェースを提供する。ラベル付与支援部１４０は、例えば表示装置７０に対してクラスタリング部１３０が作成したクラスタをユーザが視認可能に表示する。図３は、ラベル付与支援部１４０が表示するラベル設定用画面の例を示している。図３の例では、所定の物理量に係る特徴量を軸とした２次元グラフ上にクラスタリングした特徴量セットをプロットし、それぞれのクラスタの範囲が把握できるように表示している。クラスタの範囲は、例えば色分けして表示することもできる。このように、ラベル付与支援部１４０は、クラスタリング部１３０が作成したクラスタを所定の物理量に係る特徴量を軸とした２次元や３次元のグラフ上に表示するようにしてもよい。いずれの物理量に係る特徴量を軸とするのかについては適宜ユーザが選択できるようにしてよい。また、プロットされたそれぞれの特徴量セットについて、当該特徴量セットを取得した機械を識別する識別情報、取得日時、取得時の運転状況、発生したアラート、その後の対応などを産業機械３のログやメンテナンス記録から取得して参照できるようにしてもよい。
　ラベル付与支援部１４０は、図４に例示するように、所定の条件を指定して検索を行うことで、グラフ上にプロットされた特徴量セットの内で、検索条件に該当する特徴量セットが強調表示されるようなユーザインタフェースを提供してもよい。また、図５に例示するように、過去に学習に用いられた特徴量セットをグラフ上に重ねてプロットして、ラベルが設定されていない特徴量セットと比較することができるようにしてもよい。更に、ラベル付与支援部１４０は、複数のクラスタ間の関係を表示するユーザインタフェースを提供するようにしてもよい。例えば、ラベル付与支援部１４０は、図６に例示するように、作成された複数のクラスタ間の類似性を示す値をユーザに提供するようにしてもよい。クラスタ間の類似性については、例えば２つのクラスタを１つのクラスタにしたときの対数尤度の減少量を類似度とするなど、公知の手法で計算することができる。
　ラベル付与支援部１４０は、図７に例示するように、それぞれのクラスタについて、過去に生成した既知のクラスタとの間の類似度を示す類似度マトリックスを表示したユーザインタフェースを提供してもよい。図７の類似度マトリックスでは、所定の産業機械３から取得された特徴量セットに基づいてクラスタリング部が作成したクラスタＡ～クラスタＥに対して、過去に他の産業機械３から取得した特徴量セットに基づいて作成されたそれぞれのクラスタ「ＲＤ１８　Ｃｌｓｔ＿Ａ」～「ＲＤ２４　Ｃｌｓｔ＿３」との間で類似度を計算し、計算した類似度を表形式で表示している。図７に例示するように、過去に作成したクラスタを指定することで、当該クラスタに属するデータに関する情報や、当該クラスタに付与されたラベルを表示するようにしてもよい。また、新たに作成されたクラスタ間の類似度を表示したり、過去に作成されたクラスタ間の類似度を表示するようにしてもよい。例えば、図７の例では、クラスタＡ～クラスタＥの間の類似度を表示したり、「ＲＤ１８　Ｃｌｓｔ＿Ａ」～「ＲＤ２４　Ｃｌｓｔ＿３」の間の類似度を表示したりするようにしてもよい。このような類似度マトリックスを表示することで、ユーザは類似するクラスタにどのようなラベルが付与されたのかを参照しながら、新たなクラスタに対して付与するラベルを検討することができる。
　ラベル付与支援部１４０は、図８に例示するように、所定の機械について、縦軸を所定の特徴量、横軸を時間としたグラフ上にクラスタを表示するようにしてもよい。図８のグラフでは、所定の産業機械３から取得した特徴量について、縦軸をモータ振動、横軸を時間としたグラフを描画し、取得した特徴量セットに基づいてクラスタリング部が作成したクラスタＡ，Ｂを当該グラフ上で識別可能に表示している。図８に例示する表示では、所定の産業機械３について、部品の劣化や故障の発生などを時間の経過に伴う変化や発展として視覚的にとらえることができる。それぞれのクラスタは、図８に例示するように枠で囲って表示したり、色分けして表示したりすることで他のデータと区別して示すようにしてよい。算した類似度を表形式で表示している。このようなグラフを表示することで、ユーザは所定の産業機械３について、過去の類似するクラスタにどのようなラベルが付与されたのかを参照しながら、新たなクラスタに対して付与するラベルを検討することができる。
　ラベル付与支援部１４０は、クラスタを表示するに際して、表示するデータの粒度を可変にして表示するようにしてもよい。例えば、正常時のデータについては粒度を粗くし、より異常に近いデータについては粒度を細かく表示するようにしてもよい。また、例えば図８に例示するような横軸を時間としたグラフを表示するに際して、所定の操作に応じて時間のスケールを変更することで、表示するデータの粒度を変えられるようにしてもよい。このように、表示するデータの粒度を可変とすることで、特に重要なデータ群については細やかに表示して、ユーザによるクラスタに関する分析を支援することができる。
　ラベル付与支援部１４０は、図９に例示するように、それぞれのクラスタの間で該クラスタの代表的な特徴量を比較可能に表示するようにしてもよい。図９の例では、選択したクラスタについてトルクコマンド（ＴＣＭＤ）、トルクコマンド分散値、側帯波、速度、一回転成分の代表的な値をレーダチャートに重ねて表示することで、それぞれのクラスタを比較可能に表示している。一般に、異常な状態で得られた特徴量の組は、正常な状態で得られた特徴量の組とは異なる特徴を有するので、図９に例示するようなレーダチャートや折れ線グラフなどで特徴量を重ねて表示することで、ユーザは異常な状態で得られたデータ集合のクラスタを認識しやすくなる。
　ユーザは、このような画面を見ながらそれぞれのクラスタが産業機械３のどのような状態を示すのかを判断して、その状態に係るラベルを付与することができる。ユーザがクラスタに付与したラベルは、当該クラスタに属する全ての特徴量セットに付与される。
　モデル更新部１５０は、ラベル付与支援部１４０によりラベルが設定された物理量に係る特徴量セットを用いて、モデル記憶部２１０に記憶されている産業機械３の状態の分類用のモデルを更新する。モデル更新部１５０は、公知の教師あり学習の手法により、産業機械３の状態の分類用モデルを更新する。産業機械３の状態の分類用モデルは、例えば公知のニューラルネットワーク、ＳＶＭ、回帰モデル、決定木モデル、ベイズ分類モデルなどであってよい。なお、モデルを更新する際にはラベル付与支援部１４０によりラベル付けされた物理量に係る特徴量セットの全てを必ずしも用いる必要は無い。例えば、モデル記憶部２１０に記憶されている過去にモデルの学習に用いた物理量に係る特徴量セットと類似度が高いものについては、モデルの更新処理に用いなくてもよい。モデル更新部１５０は、モデルの更新を行った後、特徴量記憶部２２０に記憶されている特徴量セットを削除する。また、モデルの更新に用いた特徴量セットについては、過去に当該モデルの学習に用いた物理量に係る特徴量セットとしてモデル記憶部２１０に追加で記憶する。
　状態分類部１６０は、状態検知部１２０が産業機械３の状態の変化を検知した際の物理量に係る特徴量セットに基づいて、モデル記憶部２１０に記憶される分類用モデルを用いた産業機械３の状態の分類処理を実行する。
　分類結果出力部１７０は、状態分類部１６０による産業機械３の状態の分類結果を表示装置７００へと表示出力する。分類結果出力部１７０は、ネットワーク５を介して産業機械３の状態の分類結果を該産業機械３に対して送信出力してもよい。また、分類結果出力部１７０は、ネットワーク５を介して産業機械３の状態の分類結果をフォグコンピュータ６、クラウドサーバ７などの上位のコンピュータに送信出力するようにしてもよい。また、不揮発性メモリ１４などの上に予め設けられたログ記録領域に出力するようにしてもよい。
　上記構成を備えた本実施形態による状態分類装置１を用いることで、クラスタ単位でラベル付けを行うため、ユーザは少ない労力でラベル付けし、モデルの更新をすることが可能となる。ラベル付けをする際には、それぞれの特徴量が取得された際の情報を参照したり、過去の学習に用いられた特徴量と比較したりすることができるため、これらの支援によりユーザのラベル付けの作業の労力が軽減されることが期待できる。
　本実施形態による状態分類装置１の一変形例として、ラベル付与支援部１４０は、状態分類部１６０に対して特徴量記憶部２２０に記憶される物理量に係る特徴量セットの分類を行うように指令し、その分類結果に基づいて、それぞれのクラスタに対して仮のラベルを付与するようにしてもよい。このようにする場合、例えばそれぞれのクラスタについて、予め定めた所定の閾値以上の割合の特徴量セットに同一のラベルに分類された時、当該分類を当該クラスタの仮ラベルとして付与するようにすればよい。図１０は、本変形例によるラベル付与支援部１４０が表示するラベル付与画面の例である。図１０の例では、クラスタＢに属する所定の割合以上の特徴量セットが、工具折損異常に分類されている。また、クラスタＥに属する所定の割合以上の特徴量セットが、モータベアリング異常に分類されている。そのため、ラベル付与支援部１４０は、クラスタＢに対して工具折損異常の仮ラベル、クラスタＥに対してモータベアリング異常の仮ラベルを自動的に付与する。この構成を設けることで、ユーザは既存の分類用モデルを用いた分類結果を参考にしながら、それぞれのクラスタに対してラベルを付与することができるため、ユーザのラベル付けの作業の労力が更に軽減されることが期待できる。
　以上、本発明の実施の形態について説明したが、本発明は上述した実施の形態の例のみに限定されることなく、適宜の変更を加えることにより様々な態様で実施することができる。
　　１　　　状態分類装置
　　３　　　産業機械
　　４　　　センサ
　　５　　　ネットワーク
　　６　　　フォグコンピュータ
　　７　　　クラウドサーバ
　　１１　　ＣＰＵ
　　１２　　ＲＯＭ
　　１３　　ＲＡＭ
　　１４　　不揮発性メモリ
　　１５　　インタフェース
　　１７，１８，２０，２１　インタフェース
　　２２　　バス
　　７０　　表示装置
　　７１　　入力装置
　　７２　　外部機器
　１００　　機械学習器
　１０１　　プロセッサ
　１０２　　ＲＯＭ
　１０３　　ＲＡＭ
　１０４　　不揮発性メモリ
　１１０　　特徴量取得部
　１２０　　状態検知部
　１３０　　クラスタリング部
　１４０　　ラベル付与支援部
　１５０　　モデル更新部
　１６０　　状態分類部
　１７０　　分類結果出力部
　２１０　　モデル記憶部
　２２０　　特徴量記憶部

Claims (9)

  1. 　産業機械の状態を分類する状態分類装置であって、
    　前記産業機械の動作時において検出された所定の物理量に係る特徴量セットを取得する特徴量取得部と、
    　前記特徴量取得部が取得した特徴量セットに基づいて、前記産業機械が所定の状態から変化したことを検知する状態検知部と、
    　前記状態検知部が産業機械の状態の変化を検知した際の特徴量セットを複数用いたクラスタリング処理を実行し、所定の状態変化時に検出された特徴量セットの少なくとも１つのクラスタを作成するクラスタリング部と、
    　前記クラスタリング部が作成した未知の前記クラスタに対してユーザがラベルを付与する作業を支援するラベル付与支援部と、
    　前記ラベル付与支援部によりラベルが付与されたクラスタに属する特徴量セットを用いて、前記産業機械の状態の分類に用いる分類用モデルを更新するモデル更新部と、
    　前記分類用モデルを用いた前記産業機械の状態の分類処理を行う状態分類部と、
    　前記分類処理の結果を出力する分類結果出力部と、
    を備えた状態分類装置。
  2. 　前記状態検知部は、前記産業機械の状態変化の検知に用いるモデルのデータの分布を元に、状態変化の判定に用いる閾値を自動的に設定する、
    請求項１に記載の状態分類装置。
  3. 　前記ラベル付与支援部は、前記クラスタに属する特徴量と、過去に分類用モデルを作成した際に用いた特徴量とを比較表示する、
    請求項１に記載の状態分類装置。
  4. 　前記ラベル付与支援部は、所定の条件に該当する前記クラスタに属する特徴量を強調表示する、
    請求項１に記載の状態分類装置。
  5. 　前記ラベル付与支援部は、過去に作成された分類用モデルを用いて前記クラスタに対して仮ラベルを付与する、
    請求項１に記載の状態分類装置。
  6. 　前記ラベル付与支援部は、前記クラスタリング部が作成した前記クラスタと、過去に分類用モデルを作成した際に作成されたクラスタとの間の類似度マトリックスを表示する、
    請求項１に記載の状態分類装置。
  7. 　前記ラベル付与支援部は、クラスタを表示するに際してデータの粒度を可変に表示する、
    請求項１に記載の状態分類装置。
  8. 　前記ラベル付与支援部は、前記クラスタリング部が作成したそれぞれのクラスタの間で該クラスタの代表的な特徴量を比較可能に表示する、
    請求項１に記載の状態分類装置。
  9. 　産業機械の状態を分類する状態分類装置で実行されるプログラムを記録するコンピュータ読み取り可能な記録媒体であって、
    　前記産業機械の動作時において検出された所定の物理量に係る特徴量セットを取得する特徴量取得部、
    　前記特徴量取得部が取得した特徴量セットに基づいて、前記産業機械が所定の状態から変化したことを検知する状態検知部、
    　前記状態検知部が産業機械の状態の変化を検知した際の特徴量セットを複数用いたクラスタリング処理を実行し、所定の状態変化時に検出された特徴量セットの少なくとも１つのクラスタを作成するクラスタリング部、
    　前記クラスタリング部が作成した未知の前記クラスタに対してユーザがラベルを付与する作業を支援するラベル付与支援部、
    　前記ラベル付与支援部によりラベルが付与されたクラスタに属する特徴量セットを用いて、前記産業機械の状態の分類に用いる分類用モデルを更新するモデル更新部、
    　前記分類用モデルを用いた前記産業機械の状態の分類処理を行う状態分類部、
    　前記分類処理の結果を出力する分類結果出力部、
    としてコンピュータを動作させるプログラムを記録したコンピュータ読み取り可能な記録媒体。
PCT/JP2022/035779 2022-09-26 2022-09-26 状態分類装置、及び記録媒体 WO2024069719A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/035779 WO2024069719A1 (ja) 2022-09-26 2022-09-26 状態分類装置、及び記録媒体

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2022/035779 WO2024069719A1 (ja) 2022-09-26 2022-09-26 状態分類装置、及び記録媒体

Publications (1)

Publication Number Publication Date
WO2024069719A1 true WO2024069719A1 (ja) 2024-04-04

Family

ID=90476601

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/035779 WO2024069719A1 (ja) 2022-09-26 2022-09-26 状態分類装置、及び記録媒体

Country Status (1)

Country Link
WO (1) WO2024069719A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009146086A (ja) * 2007-12-13 2009-07-02 Toyota Central R&D Labs Inc 車両故障診断予測装置
JP6865901B1 (ja) * 2020-03-30 2021-04-28 三菱電機株式会社 診断システム、診断方法及びプログラム
WO2021241315A1 (ja) * 2020-05-25 2021-12-02 ファナック株式会社 診断装置、サーバ、及び診断方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009146086A (ja) * 2007-12-13 2009-07-02 Toyota Central R&D Labs Inc 車両故障診断予測装置
JP6865901B1 (ja) * 2020-03-30 2021-04-28 三菱電機株式会社 診断システム、診断方法及びプログラム
WO2021241315A1 (ja) * 2020-05-25 2021-12-02 ファナック株式会社 診断装置、サーバ、及び診断方法

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
Kang et al. Machine learning applications in production lines: A systematic literature review
US11237539B2 (en) System and method for operational-data-based detection of anomaly of a machine tool
JP6810097B2 (ja) 異常検出器
TWI721358B (zh) 設備檢修裝置、方法及電腦可讀取存儲介質
US20180259947A1 (en) Management device and non-transitory computer-readable medium
US11568290B2 (en) Method for displaying, user interface unit, display device and inspection apparatus
US20200249650A1 (en) Numerical control system
US20230161337A1 (en) Diagnostic device, server, and diagnostic method
CN115867873A (zh) 提供与分配给输入数据方法和系统的异常分数相关的警报
CN111788042A (zh) 机器人的预见性分析
JPWO2020152741A1 (ja) 異常要因推定装置、異常要因推定方法、及びプログラム
CN117786373A (zh) 一种基于大数据的瓦楞纸加工的设备运行诊断系统
WO2024069719A1 (ja) 状態分類装置、及び記録媒体
US20210181732A1 (en) Control method, control apparatus, and mechanical equipment
WO2022138775A9 (ja) 異常分類装置
US20230191513A1 (en) Tool diagnostic device
JP7222939B2 (ja) 時系列パターンの説明情報生成装置
US20170277142A1 (en) Process control system performance analysis using scenario data
KR102469229B1 (ko) 인공지능 기반의 피쉬본 다이어그램 관리 시스템 및 그 방법
WO2023281732A9 (ja) 分析装置
JP6779411B1 (ja) 教師データ生成装置、教師データ生成方法、教師データ生成プログラムおよび記憶媒体
Beckschulte et al. Benchmarking Control Charts and Machine Learning Methods for Fault Prediction in Manufacturing
US20230367927A1 (en) Non-transitory computer readable storage medium storing operation improvement assistance program, operation improvement assistance device, and operation improvement assistance method
US20240139846A1 (en) Machining condition estimation device

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: 22960783

Country of ref document: EP

Kind code of ref document: A1