-
Hintergrund der Erfindung
-
1. Gebiet der Erfindung
-
Die vorliegende Erfindung betrifft eine Maschinenlernvorrichtung und ein Maschinenlernverfahren zum Lernen der Korrelation zwischen Versandkontrollinformationen und Betriebsalarminformationen für ein Objekt.
-
2. Beschreibung des zugehörigen Standes der Technik
-
Herkömmlicherweise werden Elektromotoren (Motoren: Objekte) für eine Vielzahl elektrischer Maschinen und Vorrichtungen verwendet, die z. B. Werkzeugmaschinen und Roboter umfassen, welche durch computergestützte numerische Steuervorrichtungen (CNC-(Computer Numerical Control)Vorrichtungen) gesteuert werden. Solche Motoren werden normalerweise beim Versand von Produkten, wie etwa Werkzeugmaschinen oder Robotern, welche dann an Benutzer geliefert werden, einer Versandkontrolle unterzogen. Diese Versandkontrolle wird nicht nur beim Versand von Produkten durchgeführt, die Motoren verwenden, sondern beispielsweise auch beim Versand der Motoren selbst, die dann beide an die Benutzer geliefert werden. In dieser Beschreibung sind die Informationen, die durch Kontrollieren eines Motors oder eines den Motor verwendenden Produkts beim Versand erhalten werden, nachstehend als Versandkontrollinformationen bezeichnet.
-
Nach der Lieferung an die Benutzer werden die Produkte (Motoren), wie etwa Werkzeugmaschinen oder Roboter, beispielsweise in tatsächlichen Einsatzgebieten verwendet (betrieben), es können jedoch während des Betriebs der Werkzeugmaschinen oder dergleichen Alarme gegeben werden. Die Alarme werden während des Betriebs aufgrund verschiedener Faktoren gegeben, die z. B. elektrische Probleme umfassen, welche z. B. auf einem Motorisolationsdefekt oder Servoverstärkerdefekt oder mechanischen (strukturellen) Problemen basieren, die beispielsweise auf einen Lagerdefekt oder Metallermüdung zurückzuführen sind. In dieser Beschreibung sind die Informationen, die einen Alarm betreffen, der während des Betriebs eines Motors oder eines den Motor verwendenden Produkts gegeben wird, nachstehend als Betriebsalarminformationen bezeichnet.
-
In dieser Beschreibung wird als Ziel zum Lernen der Korrelation zwischen Versandkontrollinformationen und Betriebsalarminformationen durch maschinelles Lernen überwiegend ein Motor (ein den Motor verwendendes Produkt) als Beispiel eines Objekts verwendet, wobei das Objekt jedoch nicht auf einen Motor beschränkt ist und verschiedene Objekte verwendet werden können, deren Versandkontrollinformationen und Betriebsalarminformationen erfasst werden können, die beispielsweise einen Servoverstärker umfassen, der einen Servoantrieb eines Motors durchführt.
-
Die vorstehend beschriebene Korrelation zwischen Versandkontrollinformationen und Betriebsalarminformationen für ein Objekt (Motor) hat herkömmlicherweise wenig Aufmerksamkeit auf sich gezogen und selbst wenn die Versandkontrollinformationen und die Betriebsalarminformationen für den Motor eine bestimmte Korrelation aufweisen, müssen Personen möglicherweise einen enormen Aufwand betreiben, um diese Korrelation zu analysieren (organisieren). Da beispielsweise die Betriebsbedingungen (z. B. die Umgebungstemperatur oder -feuchtigkeit, die Laufzeit und die Größe der Last im Einsatz) jedes einzelnen Motors (einschließlich Motoren, die für eine Vielzahl elektrischer Maschinen und Vorrichtungen verwendet werden) für jedes tatsächliche Einsatzgebiet erheblich variieren, ist es darüber hinaus für Personen schwierig, die tatsächlichen Betriebsbedingungen nachzuvollziehen und die Korrelation zwischen Versandkontrollinformationen und Betriebsalarminformationen für diesen Motor klarzulegen.
-
Im Übrigen offenbart bislang beispielsweise die offengelegte
japanische Patentveröffentlichung Nr. H07-174616 eine Kontrollvorrichtung, die basierend auf Vibrationen eines Objekts oder einem vom Objekt abgegebenen Geräusch das Objekt, etwa einen Kompaktmotor, auf Anomalien prüft. Die Kontrollvorrichtung erfasst unter Verwendung eines Sensors Vibrationen des Objekts oder ein durch das Objekt abgegebenes Geräusch, führt eine Hüllkurvengleichrichtung und Fourier-Transformation durch, berechnet unter Verwendung einer Recheneinheit einen Gewissheitsfaktor für das Vorhandensein einer Anomalie des Objekts, berechnet ferner einen Gewissheitsfaktor für das Vorhandensein einer Anomalie des Objekts durch Eingeben eines Merkmalsvektorsignals, das die Merkmale von Fourier-Transformationssignalen repräsentiert, in ein neuronales Netz, führt basierend auf den sowohl durch die Recheneinheit als auch das neuronale Netz berechneten Gewissheitsfaktoren eine Fuzzy-Berechnung durch und bestimmt das Vorhandensein oder Nichtvorhandensein einer Anomalie des Objekts.
-
Ferner offenbart beispielsweise die nationale
japanische Veröffentlichung der internationalen Patentanmeldung Nr. 2007-528985 eine Technik zum optischen Messen einer auf einem Halbleiterwafer ausgebildeten Struktur unter Verwendung eines Maschinenlernsystems. Mit anderen Worten, bei einem Verfahren zum Prüfen einer auf einem Halbleiterwafer ausgebildeten Struktur wird ein unter Verwendung eines Messgeräts gemessenes erstes Beugungssignal erhalten und wenigstens ein Parameter, der das Profil der Struktur kennzeichnet, als Eingabe empfangen, um ein zweites Beugungssignal zu erhalten, das unter Verwendung des Maschinenlernsystems erzeugt wird. Das erste Beugungssignal und das zweite Beugungssignal werden miteinander verglichen und, wenn sie innerhalb des Bereichs von Übereinstimmungskriterien miteinander übereinstimmen, wird basierend auf dem Profil oder dem wenigstens einen Parameter, das/der vom Maschinenlernsystem zum Erzeugen des zweiten Beugungssignals verwendet wird, die Form der Struktur erhalten.
-
Darüber hinaus offenbart beispielsweise die offengelegte
japanische Patentveröffentlichung Nr. 2004-354250 eine Fehlerprüfvorrichtung, die dazu fähig ist, ein durch Aufnehmen eines Objekts erhaltenes Bild zu verarbeiten, um Fehler effizient und präzise zu klassifizieren, wobei eine Fehlerprüfvorrichtung, die ein neuronales Netz verwendet, das entsprechend jedem zu klassifizierenden spezifischen Fehler bereitgestellt wird, der im Herstellungsverfahren eines Objekts auftritt, ein Lernen jedes neuronalen Netzes für jeden zu klassifizierenden Fehler ermöglicht und das Vorhandensein oder Nichtvorhandensein eines Fehlers im Objekt für jeden zu klassifizierenden Fehler durch jedes gelernte neuronale Netz ermittelt. Das neuronale Netz umfasst ein neuronales Netz für Aufnahmedefokussierungsfehler zum Klassifizieren von Defokussierungsfehlern, die Aufnahme für Aufnahme im Belichtungserfahren des Objekts auftreten, wobei als Vorverarbeitungseingabe in das neuronale Netz die Bildgröße entsprechend der Eingabeschichtgröße umgesetzt wird.
-
Manche Patentschriften des zugehörigen Standes der Technik offenbaren, wie vorstehend beschrieben, herkömmlicherweise Techniken zum Berechnen eines Gewissheitsfaktors für das Vorhandensein einer Anomalie eines Motors unter Verwendung eines neuronalen Netzes oder Techniken zum Prüfen eines Halbleiterwafers oder dergleichen basierend auf einem Maschinenlernmodell.
-
Der Korrelation zwischen Versandkontrollinformationen und Betriebsalarminformationen für einen Motor wurde jedoch keine besondere Aufmerksamkeit geschenkt und obgleich die die Versandkontrollinformationen und die Betriebsalarminformationen für den Motor eine bestimmte Korrelation aufweisen, ist es wie vorstehend beschrieben für Personen schwierig, diese Korrelation zu analysieren, da sie möglicherweise einen enormen Aufwand betreiben müssen.
-
Da die Betriebsbedingungen jedes einzelnen Motors für jedes tatsächliche Einsatzgebiet erheblich variieren, kann es darüber hinaus für Personen sehr schwierig sein, die tatsächlichen Betriebsbedingungen nachzuvollziehen und die Korrelation zwischen Versandkontrollinformationen und Betriebsalarminformationen für diesen Motor klarzulegen, wobei die Korrelation zwischen Versandkontrollinformationen und Betriebsalarminformationen für einen Motor, die solche tatsächlichen Betriebsbedingungen berücksichtigt, basierend lediglich auf der Erfahrung oder Intuition von qualifizierten Ingenieuren oder Benutzern bewertet wird, die den Motor über einen längeren Zeitraum in dem Einsatzgebiet verwendet haben.
-
In Anbetracht der vorstehend beschriebenen herkömmlichen Probleme besteht ein Ziel der vorliegenden Erfindung darin, eine Korrelation zwischen Versandkontrollinformationen und Betriebsalarminformationen für ein Objekt zu erhalten. Das Erhalten einer Korrelation zwischen Versandkontrollinformationen und Betriebsalarminformationen für ein Objekt auf diese Weise führt zu Lösungen für verschiedene Probleme, wie etwa Verbesserungen von Versandkontrollelementen sowie strukturelle Aufwertung, Lebensdauerbestimmung und eine Verbesserung der Qualität des Objekts.
-
Zusammenfassung der Erfindung
-
Gemäß einem ersten Aspekt der vorliegenden Erfindung wird eine Maschinenlernvorrichtung bereitgestellt, die eine Korrelation zwischen Versandkontrollinformationen, die durch Kontrollieren eines Objekts bei dessen Versand erhalten werden, und Betriebsalarminformationen lernt, die während des Betriebs des Objekts ausgegeben werden, und die eine Zustandsüberwachungseinheit, die die Versandkontrollinformationen und die Betriebsalarminformationen überwacht, und eine Lerneinheit umfasst, die basierend auf den durch die Zustandsüberwachungseinheit überwachten Versandkontrollinformationen und Betriebsalarminformationen ein Lernmodell erzeugt.
-
Die Lerneinheit kann eine Verteilungskorrelation zwischen den Versandkontrollinformationen und den Betriebsalarminformationen als Lernmodell erzeugen. Die Maschinenlernvorrichtung kann ferner eine Ausgabeanwendungseinheit umfassen, die basierend auf dem durch die Lerneinheit erzeugten Lernmodell beim Versand des Objekts ein Kontrollelement ausgibt, das einen während des Betriebs des Objekts gegebenen Alarm beeinflusst. Die Lerneinheit kann das Lernmodell durch Clustern der Versandkontrollinformationen und der Betriebsalarminformationen erzeugen. Die Lerneinheit kann das Lernmodell durch hierarchisches Clustering, bei dem die Versandkontrollinformationen und die Betriebsalarminformationen in einer hierarchischen Struktur rechnerisch verarbeitet werden, und nicht-hierarchisches Clustering erzeugen, bei dem basierend auf einem Abstand zwischen Knoten die Versandkontrollinformationen und die Betriebsalarminformationen rechnerisch verarbeitet werden, bis eine vorgegebene Anzahl erreicht ist.
-
Die Maschinenlernvorrichtung kann ferner ein neuronales Netz umfassen. Die Maschinenlernvorrichtung kann mit wenigstens einer anderen Maschinenlernvorrichtung verbindbar sein und das durch die Lerneinheit der Maschinenlernvorrichtung erzeugte Lernmodell mit der wenigstens einen anderen Maschinenlernvorrichtung austauschen oder gemeinsam nutzen. Die Maschinenlernvorrichtung kann sich in einem ersten Cloud-Server befinden und die andere Maschinenlernvorrichtung kann sich in einem zweiten Cloud-Server befinden, der sich vom ersten Cloud-Server unterscheidet. Das Objekt kann einen Motor umfassen und die Versandkontrollinformationen können Kontrollergebnisse von Kontrollelementen umfassen, die einem Modell des Motors und einem Kontrolldatum des Motors zugeordnet sind. Das Objekt kann einen Servoverstärker umfassen, der einen Servoantrieb eines Motors durchführt, und die Versandkontrollinformationen können Kontrollergebnisse von Kontrollelementen umfassen, die einem Modell des Servoverstärkers und einem Kontrolldatum des Servoverstärkers zugeordnet sind. Die Versandkontrollinformationen können einen Isolationswiderstandswert, einen Erdwiderstandswert, einen Stromwert und/oder eine Schaltstoßspannung für das Objekt umfassen und die Betriebsalarminformationen können einen Überstromalarm, einen Rauschalarm und/oder einen Überlastalarm für das Objekt umfassen.
-
Gemäß einem zweiten Aspekt der vorliegenden Erfindung wird ein Maschinenlernverfahren zum Lernen einer Korrelation zwischen Versandkontrollinformationen, die durch Kontrollieren eines Objekts bei dessen Versand erhalten werden, und Betriebsalarminformationen bereitgestellt, die während des Betriebs des Objekts ausgegeben werden, das das Überwachen der Versandkontrollinformationen und der Betriebsalarminformationen und das Erzeugen eines Lernmodells basierend auf den überwachten Versandkontrollinformationen und Betriebsalarminformationen umfasst.
-
Das Erzeugen des Lernmodells kann das Erzeugen einer Verteilungskorrelation zwischen den Versandkontrollinformationen und den Betriebsalarminformationen als Lernmodell umfassen. Das Maschinenlernverfahren kann ferner das Ausgeben eines Kontrollelements beim Versand des Objekts, das einen während des Betriebs des Objekts gegebenen Alarm beeinflusst, basierend auf dem erzeugten Lernmodell umfassen. Das Erzeugen des Lernmodells kann eine Erzeugung durch Clustern der Versandkontrollinformationen und der Betriebsalarminformationen umfassen.
-
Kurzbeschreibung der Zeichnungen
-
Die vorliegende Erfindung ist unter Bezugnahme auf die folgenden zugehörigen Zeichnungen klarer verständlich.
-
1 ist ein Blockdiagramm, das schematisch eine Ausführungsform einer Maschinenlernvorrichtung gemäß der vorliegenden Erfindung darstellt;
-
2 ist eine grafische Darstellung zur Erläuterung einer beispielhaften Rechenverarbeitung, die auf die in 1 gezeigte Maschinenlernvorrichtung angewandt wird; und
-
3 ist eine Darstellung zur Erläuterung einer anderen beispielhaften Rechenverarbeitung, die auf die in 1 gezeigte Maschinenlernvorrichtung angewandt wird.
-
Genaue Beschreibung
-
Nachstehend sind Ausführungsformen einer Maschinenlernvorrichtung und eines Maschinenlernverfahrens gemäß der vorliegenden Erfindung unter Bezugnahme auf die zugehörigen Zeichnungen eingehend beschrieben. Nachstehend wird als Ziel zum Lernen der Korrelation zwischen Versandkontrollinformationen und Betriebsalarminformationen durch maschinelles Lernen überwiegend ein Motor als Beispiel eines Objekts verwendet, wobei das Objekt jedoch nicht auf einen Motor beschränkt ist und verschiedene Objekte verwendet werden können, deren Versandkontrollinformationen und Betriebsalarminformationen erfasst werden können, welche beispielsweise einen Servoverstärker umfassen, der einen Servoantrieb eines Motors durchführt.
-
1 ist ein Blockdiagramm, das schematisch eine Ausführungsform einer Maschinenlernvorrichtung gemäß der vorliegenden Erfindung darstellt. Eine Maschinenlernvorrichtung 2 gemäß dieser Ausführungsform umfasst, wie in 1 gezeigt, eine Zustandsüberwachungseinheit 21, eine Lerneinheit 22 und eine Ausgabeanwendungseinheit 23. Die Zustandsüberwachungseinheit 21 überwacht beispielsweise Versandkontrollinformationen (X1n), die durch eine Kontrolle beim Versand eines Motors (Objekts) erhalten werden, und Betriebsalarminformationen (X2n), die während des Betriebs des Motors ausgegeben werden, als Dateneingabe von einer Umgebung 1.
-
Die Umgebung 1 umfasst beispielsweise eine Motorkontrolleinrichtung 11, die einen Motor bei dessen Versand kontrolliert und Versandkontrollinformationen (X1n) ausgibt, und eine Motorsteuereinrichtung 12, die während des Betriebs des Motors einen Alarm gibt und Betriebsalarminformationen (X2n) ausgibt. Die durch die Zustandsüberwachungseinheit 21 überwachten Versandkontrollinformationen (X1n) und Betriebsalarminformationen (X2n) werden in die Lerneinheit 22 eingegeben, die eine Verteilungskorrelation zwischen den Versandkontrollinformationen (X1n) und den Betriebsalarminformationen (X2n) als Lernmodell erzeugt.
-
Die Ausgabeanwendungseinheit 23 gibt basierend auf dem durch die Lerneinheit 22 erzeugten Lernmodell beispielsweise beim Versand eines Motors ein Kontrollelement aus, das einen während des Betriebs des Motors gegebenen Alarm beeinflusst. Die Ausgabeanwendungseinheit 23 kann sich außerhalb der Maschinenlernvorrichtung 2 befinden und auch die Ausgabe der Ausgabeanwendungseinheit 23, die auf dem durch die Lerneinheit 22 erzeugten Lernmodell basiert, ist nicht auf das vorstehend genannte Kontrollelement beim Versand eines Motors beschränkt, das einen während des Betriebs des Motors gegebenen Alarm beeinflusst.
-
Die Lerneinheit 22 wendet auf die Versandkontrollinformationen (X1n) und die Betriebsalarminformationen (X2n) ”unüberwachtes Lernen” an, um beispielsweise durch Clustering ein Lernmodell zu erzeugen. Mit anderen Worten, die Lerneinheit 22 erzeugt ein Lernmodell durch hierarchisches Clustering, bei dem die Versandkontrollinformationen (X1n) und die Betriebsalarminformationen (X2n) in einer hierarchischen Struktur rechnerisch verarbeitet werden, oder nicht-hierarchisches Clustering, bei dem basierend auf dem Abstand zwischen Knoten die Versandkontrollinformationen (X1n) und die Betriebsalarminformationen (X2n) rechnerisch verarbeitet werden, bis eine vorgegebene Anzahl erreicht ist.
-
2 ist eine grafische Darstellung zur Erläuterung einer beispielhaften Rechenverarbeitung, die auf die in 1 gezeigte Maschinenlernvorrichtung angewandt wird, d. h. zur Erläuterung eines nicht-hierarchischen Clustering (auf dem K-Means-Verfahren basierendes Clustering). 3 ist eine Darstellung zur Erläuterung einer anderen beispielhaften Rechenverarbeitung, die auf die in 1 gezeigte Maschinenlernvorrichtung angewandt wird, und zeigt ein beispielhaftes neuronales Netz, das zur Dimensionskompression beim hierarchischen Clustering auf einen Autoencoder angewandt wird.
-
Die Maschinenlernvorrichtung (Maschinenlernverfahren) gemäß dieser Ausführungsform verwendet ”unüberwachtes Lernen”, um das Clustering durchzuführen, und extrahiert daher durch Analyse z. B. eine nützliche Regel, eine Wissensdarstellung und ein Bestimmungskriterium aus Eingabedaten der Versandkontrollinformationen (X1n) und Betriebsalarminformationen (X2n), gibt die Bestimmungsergebnisse aus und erwirbt Wissen (maschinelles Lernen). Die Maschinenlernvorrichtung 2 verwendet z. B. ein neuronales Netz, beim tatsächlichen Implementieren der Maschinenlernvorrichtung 2 kann jedoch ein Universalcomputer oder -prozessor verwendet werden, wobei die Verwendung einer Universalberechnung in Grafikverarbeitungseinheiten (GPGPU/General-Purpose computing an Graphics Processing Units) oder von großen PC-Clustern eine Verarbeitung mit höherer Geschwindigkeit ermöglicht.
-
Beim unüberwachten Lernen werden ausschließlich Eingabedaten in großen Mengen in die Maschinenlernvorrichtung 2 eingespeist, um die Verteilung der Eingabedaten zu lernen, um anders als beim ”überwachten Lernen” die Eingabedaten ohne entsprechende Lehrerausgabedaten beispielsweise zu komprimieren, zu klassifizieren und zu formen. Dies ermöglicht beispielsweise ein Clustering von in Eingabedatensätzen enthaltenen Merkmalen mit ähnlichen Merkmalen, wobei basierend auf dem erhaltenen Ergebnis ein beliebiger Standard festgelegt werden kann, dem zu dessen Optimierung Ausgaben zugewiesen werden, um dadurch eine Ausgabe vorherzusagen. In dieser Beschreibung bezieht sich ”unüberwachtes Lernen” auf ein weit gefasstes ”unüberwachtes Lernen”, das beispielsweise ein Zwischending zwischen ”überwachtem Lernen” und ”unüberwachtem Lernen” umfasst, das als ”halbüberwachtes Lernen” bezeichnet wird.
-
Genauer gesagt kann die Maschinenlernvorrichtung 2 (Lerneinheit 22), wie in 2 gezeigt, die Versandkontrollinformationen (X1n) und Betriebsalarminformationen (X2n) empfangen und basierend auf dem Abstand zwischen Knoten (dem Abstand zwischen Punkten in 2) beispielsweise ein Clustering durchführen, bis eine vorgegebene Anzahl (z. B. k = 3) erreicht ist, um die Cluster A, B und C zu erhalten. Mit anderen Worten, die Cluster A, B und C können basierend auf der Korrelation zwischen Versandkontrollinformationen (X1n) und Betriebsalarminformationen (X2n) für einen Motor (Objekt) erhalten werden.
-
Wie in 3 gezeigt, kann ein neuronales Netz 3 als Autoencoder zur Dimensionskompression verwendet werden, wenn beispielsweise eingegebene Versandkontrollinformationen (X1n) und Betriebsalarminformationen (X2n) für einen Motor hierarchisch angeordnet und zu Clustern zusammengefasst werden. Versandkontrollinformationen (X1n) und Betriebsalarminformationen (X2n) für einen Motor werden beispielsweise als Eingabe X (Eingabedaten Xn) des neuronalen Netzes (Autoencoders) 3 verwendet und hierarchisch zu Clustern zusammengefasste Ausgabedaten Yn werden als Ausgabe Y ausgegeben. Das in 2 dargestellte nicht-hierarchische Clustering und das in 3 dargestellte hierarchische Clustering stellen lediglich Beispiele dar und es lassen sich selbstverständlich verschiedene bekannte Verfahren zum ”unüberwachten Lernen” auf die Maschinenlernvorrichtung 2 gemäß dieser Ausführungsform anwenden.
-
Die Maschinenlernvorrichtung 2 gemäß dieser Ausführungsform kann sich beispielsweise in einem Server eines Herstellers befinden, was nachstehend genauer beschrieben ist, die Maschinenlernvorrichtung 2 ist jedoch mit wenigstens einer anderen Maschinenlernvorrichtung verbindbar und kann ein durch die Lerneinheit 22 jeder Maschinenlernvorrichtung 2 erzeugtes Lernmodell mit der wenigstens einen anderen Maschinenlernvorrichtung austauschen oder gemeinsam nutzen. Die mit diesen Maschinenlernvorrichtungen 2 ausgestatteten Server können beispielsweise als andere Cloud-Server ausgeführt werden, auf die über eine Kommunikationsleitung, wie etwa das Internet, zugegriffen werden kann.
-
Auf diese Weise kann durch die Maschinenlernvorrichtung (Maschinenlernverfahren) gemäß dieser Ausführungsform eine Korrelation (z. B. die Cluster A, B und C in 2) zwischen Versandkontrollinformationen und Betriebsalarminformationen für ein Objekt (Motor) erhalten werden. Beispiele für die erhaltene Korrelation können verschiedene Korrelationen umfassen, wie etwa diejenige zwischen der Stoßspannung in den Versandkontrollinformationen und einem Rauschalarm (einem Alarm bei einem Kommunikationsfehler) in den Betriebsalarminformationen sowie diejenige zwischen dem Erdwiderstand in den Versandkontrollinformationen und einem Alarm bei einem Kommunikationsfehler in den Betriebsalarminformationen. Das Erhalten einer Korrelation zwischen Versandkontrollinformationen und Betriebsalarminformationen für ein Objekt kann zu Lösungen für verschiedene Probleme führen, wie etwa Verbesserungen von Versandkontrollelementen sowie strukturelle Aufwertung, Lebensdauerbestimmung und eine Verbesserung der Qualität des Objekts.
-
Ein Anwendungsbeispiel der Maschinenlernvorrichtung (Maschinenlernverfahren) gemäß dieser Ausführungsform ist nachstehend beschrieben. Zunächst führt die Motorkontrolleinrichtung 11 eine Versandkontrolle eines Motors bei dessen Versand durch, um Informationen (X1n) zu erhalten, die die beim Versand durchgeführte Kontrolle betreffen. Beispiele für die Versandkontrollinformationen (X1n) jedes Motors können den Typ (Modell), das Kontrolldatum, den Isolationswiderstandswert, den Wicklungswiderstandswert, den gegenelektromotorische Kraftwert und den Stromwert sowie den Wellenreibmomentwert während des Antriebs dieses Motors umfassen, wobei die Versandkontrollinformationen (X1n) in einer Speichereinrichtung (z. B. einer nichtflüchtigen Speichereinrichtung, wie etwa einem Festplattenlaufwerk oder einem Flash-Speicher) aufgezeichnet werden.
-
Nach dem Versand der Motoren werden die Betriebsalarminformationen (X2n) während des Betriebs jedes Motors erfasst. Beispiele für die Betriebsalarminformationen (X2n) jedes Motors können die Details eines Alarms, die Zeitdauer bis zum Auftreten des Alarms sowie die Drehzahl, das Drehmoment, den Strom und die Temperatur beim Auftreten des Alarms umfassen, wobei die Betriebsalarminformationen (X2n) in einer Speichereinrichtung aufgezeichnet werden. Beispiele für die Alarmarten können einen Überstromalarm, einen Rauschalarm (einen Alarm, der gegeben wird, wenn ein Rauschen mit einem vorgegebenen Pegel oder darüber vorhanden ist, oder einen Alarm, der beim Auftreten eines Kommunikationsfehlers gegeben wird), einen Überlastalarm (einen Alarm, der bei Überhitzung des Motors gegeben wird) und einen übermäßigen Fehler bei Bewegung umfassen.
-
Die Versandkontrollinformationen (X1n) jedes einzelnen Motors werden beispielsweise in einem Server (Serverspeichereinrichtung) eines Herstellers eines Motors oder eines den Motor verwendenden Produkts gespeichert. Die Betriebsalarminformationen (X2n) jedes einzelnen Motors werden beispielsweise in einer Speichereinrichtung der Steuereinrichtung 12 zwischengespeichert, die den Motor steuert, und durch den Kundendiensttechniker des Herstellers von der Steuereinrichtung 12 in den Server des Herstellers kopiert und gespeichert. Alternativ können die Betriebsalarminformationen (X2n) jedes einzelnen Motors dafür konfiguriert sein, beispielsweise direkt von der Motorsteuereinrichtung 12 über eine Kommunikationsleitung, wie etwa das Internet, in den Server des Herstellers hochgeladen zu werden. Daher kann die beispielsweise im Server des Herstellers befindliche Maschinenlernvorrichtung 2 das Lernen (Verarbeitung) unter Verwendung der Versandkontrollinformationen (X1n) und Betriebsalarminformationen (X2n) jedes einzelnen Motors als Eingabe durchführen.
-
Die Verarbeitung durch die beispielsweise im Server des Herstellers befindliche Maschinenlernvorrichtung gemäß dieser Ausführungsform ist nachstehend beschrieben. Zunächst wird anhand der Versandkontrollinformationen (X1n) und Betriebsalarminformationen (X2n) für einen Motor eine Korrelation zwischen (X1n) und (X2n) als Lernmodell erzeugt und zu den Versandkontrollinformationen (X1n) für den Motor gehörige Versandkontrollelemente (a1, a2, a3, a4, ...), die die Betriebsalarminformationen (X2n) beeinflussen, werden aus dem Lernmodell ausgegeben.
-
Bei Fehlern, die mit spezifischen Alarmen einhergehen (z. B. ein Erdfehler eines Motors, der mit einem Überstromalarm einhergeht, und eine Entmagnetisierung des Motors, die mit einem Überhitzungsalarm einhergeht), kann die Auftrittsrate von Fehlern basierend beispielsweise auf Informationen (Versandkontrollinformationen), die die Versandkontrollelemente von Motoren betreffen, die nach wie vor ohne Probleme arbeiten, anhand der Versandkontrollinformationen (X1n) für den Motor vorhergesagt werden, die einen Alarm beeinflussen. Mit anderen Worten, die Auftrittsrate von Fehlern eines bestimmten Motors im Betrieb kann basierend beispielsweise auf den Versandkontrollinformationen des bestimmten Motors anhand der Korrelation zwischen Versandkontrollinformationen (X1n) und Betriebsalarminformationen (X2n) für den Motor vorhergesagt werden. Die anhand der Korrelation zwischen Versandkontrollinformationen und Betriebsalarminformationen für einen Motor (Objekt) erzielten Effekte sind nicht auf eine solche Vorhersage der Auftrittsrate von Fehlern des Motors beschränkt und es können selbstverständlich verschiedene Effekte erzielt werden.
-
Hinsichtlich beispielsweise einer Entmagnetisierung eines Motors, die mit einem Überhitzungsalarm einhergeht, kann wie folgt deren Ursache eingeschätzt und unverzügliche Maßnahmen ergriffen werden: wenn die gegenelektromotorische Kraft in den Versandkontrollinformationen (Versandkontrolle) betroffen ist, kann beispielsweise die Wahl des Magneten hinsichtlich der Bauart oder der Magnetmagnetisierung als verantwortlich eingeschätzt werden, wenn der Wicklungswiderstand in den Versandkontrollinformationen betroffen ist, kann beispielsweise die Wicklung bei der Herstellung als verantwortlich eingeschätzt werden, oder wenn der Wellenreibwiderstandswert in den Versandkontrollinformationen betroffen ist, kann beispielsweise eine Zunahme des Reibwiderstands aufgrund eines dem Lager bei der Herstellung zugefügten Schadens als verantwortlich eingeschätzt werden.
-
Wenn die Auftrittsrate eines spezifischen Alarms nach einem bestimmten Versanddatum zunimmt, kann beispielsweise ein Austauschzeitpunkt eines verwendeten Bauteils, eine Fertigungsanlage oder dergleichen als verantwortlich eingeschätzt werden. Wenn die Auftrittsrate von Alarmen bei einem bestimmten Modell zunimmt, können beispielsweise für die Bauart des Modells spezifische Faktoren als verantwortlich eingeschätzt werden. In jedem Fall ermöglicht eine Bestätigung der Korrelation zwischen Versandkontrollinformationen und Betriebsalarminformationen eine Vorhersage der Auftrittsrate von Fehlern für jeden einzelnen Motor, der in dem Einsatzgebiet arbeitet, und ermöglicht sogar eine effektive Eingrenzung oder dergleichen eines Ziels einer Maßnahme gegen Fehler beim Ergreifen einer solchen Maßnahme.
-
Obgleich in der vorstehenden Beschreibung ein Motor als Beispiel des Objekts verwendet worden ist, ist nachstehend ein Servoverstärker, der einen Servoantrieb eines Motors durchführt, beispielhaft als Objekt angegeben. In diesem Fall umfassen die Versandkontrollinformationen (X1n) des Servoverstärkers das Modell des Servoverstärkers und die Kontrollergebnisse von Kontrollelementen, die dem Kontrolldatum des Servoverstärkers zugeordnet sind. Genauer gesagt umfassen die Versandkontrollinformationen (X1n) des Servoverstärkers beispielsweise den Isolationswiderstandswert, den Erdwiderstandswert, den Stromwert und die Schaltstoßspannung für den Servoverstärker und die Betriebsalarminformationen (X2n) des Servoverstärkers umfassen beispielsweise einen Überstromalarm, einen Rauschalarm und einen Überlastalarm (Überhitzung des Verstärkers) für den Servoverstärker. Beispiele für die durch die Maschinenlernvorrichtung (Maschinenlernverfahren) gemäß dieser Ausführungsform erhaltene Korrelation können verschiedene Korrelationen umfassen, wie etwa diejenige zwischen der Stoßspannung in den Versandkontrollinformationen und einem Alarm bei einem Kommunikationsfehler (Rauschalarm) in den Betriebsalarminformationen sowie diejenige zwischen dem Erdwiderstand in den Versandkontrollinformationen und einem Alarm bei einem Kommunikationsfehler in den Betriebsalarminformationen, wie in dem Fall, in dem ein Motor als Objekt angenommen wird. Das Erhalten einer Korrelation zwischen Versandkontrollinformationen und Betriebsalarminformationen für ein Objekt führt, wie vorstehend beschrieben, zu Lösungen für verschiedene Probleme, wie etwa Verbesserungen von Versandkontrollelementen sowie strukturelle Aufwertung, Lebensdauerbestimmung und eine Verbesserung der Qualität des Objekts.
-
Die Maschinenlernvorrichtung und das Maschinenlernverfahren gemäß der vorliegenden Erfindung haben den Effekt, dass eine Korrelation zwischen Versandkontrollinformationen und Betriebsalarminformationen für ein Objekt erhalten wird.
-
Sämtliche Beispiele und die bedingte Sprache, die hierin verwendet sind, sollen dem pädagogischen Zweck dienen, dem Leser dabei zu helfen, die Erfindung und die Konzepte zu verstehen, die durch den Erfinder beigetragen wurden, um den Stand der Technik voranzubringen, und sind weder als Beschränkungen für solche spezifisch angegebenen Beispiele und Gegebenheiten aufzufassen, noch bezieht sich die Ordnung solcher Beispiele in der Beschreibung auf eine Darstellung der Über- oder Unterlegenheit der Erfindung. Obgleich eine oder mehrere Ausführungsformen der vorliegenden Erfindung genau beschrieben wurden, versteht es sich, dass verschiedene Änderungen, Ersetzungen und Abwandlungen daran durchgeführt werden können, ohne vom Gedanken und Umfang der Erfindung abzuweichen.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
- JP 07-174616 [0006]
- JP 2007-528985 [0007]
- JP 2004-354250 [0008]