DE102020118225A1

DE102020118225A1 - Anomaliebestimmungsvorrichtung und Anomaliebestimmungssystem

Info

Publication number: DE102020118225A1
Application number: DE102020118225.2A
Authority: DE
Inventors: Keita HADA
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2019-07-16
Filing date: 2020-07-10
Publication date: 2021-01-21
Also published as: JP2021015573A; CN112240784A; US20210018904A1; US11531327B2

Abstract

Eine Anomaliebestimmungsvorrichtung gewinnt Beobachtungsdaten, die während eines Betriebs einer Industriemaschine beobachtet werden, extrahiert aus den Beobachtungsdaten Teil-Zeitreihendaten, die einen Teil enthalten, der ein Merkmal eines Betriebszustands zu einem festgelegten Zeitpunkt darstellt, berechnet aus den extrahierten Teil-Zeitreihendaten eine statistische Menge, und führt eine Verarbeitung für maschinelles Lernen bezogen auf eine Bestimmung einer Betriebsanomalie der Industriemaschine auf der Grundlage der berechneten statistischen Menge aus.

Description

HINTERGRUND DER ERFINDUNG
Gebiet der Erfindung
Die vorliegende Erfindung bezieht sich auf eine Anomaliebestimmungsvorrichtung und ein Anomaliebestimmungssystem.
Beschreibung der verwandten Technik
Industriemaschinen, wie z.B. Werkzeugmaschinen und Roboter, sind in Fabriken und anderen Produktionsstätten installiert, und Mitarbeiter bedienen diese Industriemaschinen zur Herstellung von Produkten. Da die Industriemaschinen durchgehend vor Ort betrieben werden, kann es gelegentlich zu Anomalien im Verhalten der Industriemaschinen kommen, die auf alterungsbedingte Beeinträchtigungen von Komponenten der Industriemaschinen, externe Faktoren, wie z.B. Änderungen der Außenlufttemperatur und Schwingungen, Einstellungsfehler der Mitarbeiter oder Ähnliches zurückzuführen sind. Wenn festgestellt wird, dass das Verhalten einer der Industriemaschinen anormal ist, stoppt ein Mitarbeiter den Betrieb der Industriemaschine, beseitigt die Ursache der Anomalie und nimmt dann den Betrieb der Maschine wieder auf, um die Arbeit fortzusetzen.
Es gibt ein Verfahren zum Bestimmen der Anomalie einer Industriemaschine auf der Grundlage physikalischer Größen, die durch Sensoren oder Ähnliches von der Industriemaschine erfasst werden. Als eines dieser Bestimmungsverfahren ist ein Anomaliebestimmungsverfahren allgemein bekannt, das auf einem unüberwachten Lernverfahren, wie z.B. dem VAE (Variational Autoencoder) oder dem MT-System (Mahalanobis-Taguchi-System) basiert.
13 ist ein Diagramm, das ein Verfahren zur Bestimmung von Betriebsanomalien für eine Industriemaschine auf der Grundlage von unüberwachtem Lernen unter Verwendung physikalischer Größen veranschaulicht.
Bei dem auf unüberwachtem Lernen basierenden Verfahren zur Bestimmung von Betriebsanomalien für eine Industriemaschine wird ein normales Datenmodell erstellt, das z.B. physikalische Größen (Motordrehmomentbefehle etc.) verwendet, die während des normalen Betriebs der Industriemaschine gewonnen werden. Dann wird die Abweichungsrate zwischen dem erstellten normalen Datenmodell und den physikalischen Größen, die von der zu überprüfenden Industriemaschine gewonnen werden, berechnet, und das Verhalten der Industriemaschine wird als anormal beurteilt, wenn eine Abweichung von einem vorgegebenen Wert oder mehr erkannt wird (z.B. japanische Patent-Offenlegungsschrift Nr. 2017-151598 ).
In einem Fall, in dem die Betriebsanomalie der Industriemaschine auf der Grundlage gemessener physikalischer Größen bestimmt wird, ist es wünschenswert, dass, um die Normalität genau zu bestimmen, die Bestimmung auf der Grundlage einer Mehrzahl von physikalischen Größen erfolgt, die zu mehreren verschiedenen Zeitpunkten gewonnen werden, und nicht unabhängig für eine zu einem einzigen Zeitpunkt gewonnene physikalische Größe erfolgt. Um jedoch die Bestimmung unter Verwendung der zu mehreren verschiedenen Zeitpunkten gewonnenen physikalischen Größen genau durchzuführen, ist es notwendig, maschinelles Lernen mit jedem der Mehrzahl von Zeitdatenelementen auszuführen, so dass die erforderliche Häufigkeit des Lernens zunimmt. Außerdem kann ein häufiges Erfassen von Daten, je nach dem Betrieb der zu detektierenden Industriemaschine, manchmal schwierig sein. So kann beispielsweise eine Kollision oder dergleichen möglicherweise zu einem Ausfall der Industriemaschine führen, wenn sie sich viele Male wiederholt, so dass ein häufiges Erfassen von einen solchen Vorgang betreffenden Daten schwierig ist.
Wird das Lernen jedoch nur auf der Grundlage von einen spezifischen Zeitpunkt betreffenden Daten ausgeführt, so können nur die spezifischen Zeitdaten zum Bestimmen der Normalität verwendet werden, so dass es zu einem vermehrten fehlerhaften Erfassen auf der Grundlage von Rauschen, das aus einer Gesamtschau gesehen leicht wahrnehmbar ist, kommen wird.
Ein weiteres Problem besteht darin, dass beim gemeinsamen Lernen einer Mehrzahl von physikalischen Größen, die zu einer Mehrzahl von Zeitpunkten gewonnen werden, das Lernen manchmal Zeitbereiche umfassen kann, in denen keine Normalitätsmerkmale auftreten. Wenn das Lernen unter Einbeziehung von Daten über diese Zeitbereiche, in denen keine Normalitätsmerkmale auftreten, ausgeführt wird, so verringert es den Lerneffekt von Merkmalen, die durch Daten über Zeitbereiche, in denen die Normalitätsmerkmale auftreten, angegeben werden. Da es sich beispielsweise bei Drehmomentschwankungen und dergleichen, die auf die Programmierung zurückzuführen sind, um Daten handelt, die für Maschinenanomalien offensichtlich irrelevant sind, wird erwartet, dass sie von den Lernobjekten ausgeschlossen werden.
Ein weiteres Problem besteht darin, dass sich bei Änderungen der Betriebsbedingungen der Industriemaschine, insbesondere der Antriebsbedingungen (Drehfrequenz etc.) eines Motors zum Antreiben der Industriemaschine, auch Daten, wie z.B. die Drehmomentbefehle, ändern. Wenn also ein verwendetes Modell nur auf der Grundlage von Daten erstellt wird, die in einem bestimmten Betriebszustand gewonnen werden, so kann für Daten, die in einem anderen Betriebszustand erfasst werden, keine korrekte Normalitätsbestimmung erreicht werden. Betriebsbedingungen, die für die Industriemaschine in einer Fertigungsstätte festgelegt werden, variieren jedoch je nach Zweck und können nicht als eine Einheit zusammengefasst werden. Außerdem gibt es Parameter, wie z.B. die Umgebungstemperatur, die nicht nach dem Willen des Mitarbeiters kontrolliert werden können, und es ist eine riesige Datenmenge erforderlich, um Modelle unter Berücksichtigung all dieser Parameter zu erstellen.
ÜBERSICHT ÜBER DIE ERFINDUNG
Deshalb besteht ein Bedarf für Lern- und Bestimmungsverfahren, die in der Lage sind, ein Maschinenlernen und eine Bestimmung des Betriebszustands einer Industriemaschine auf effiziente Weise auszuführen.
In Bezug darauf löst eine Anomaliebestimmungsvorrichtung nach der vorliegenden Erfindung das oben genannte Problem, indem sie Daten mit einer vorgegebenen Dauer, und nicht Daten zu einem bestimmten Zeitpunkt, als Merkmalsmenge verwendet.
Eine Anomaliebestimmungsvorrichtung nach einem Aspekt der vorliegenden Erfindung ist dazu ausgebildet, eine Anomalie einer Industriemaschine zu bestimmen, und umfasst eine Beobachtungsdaten-Gewinnungseinheit, die dazu ausgebildet ist, kontinuierliche Daten, die einen Betrieb der Industriemaschine betreffen und während des Betriebs beobachtet werden, als Beobachtungsdaten zu gewinnen, eine Einheit zum Extrahieren statistischer Mengen, die dazu ausgebildet ist, aus den Beobachtungsdaten Teil-Zeitreihendaten zu extrahieren, die einen Teil enthalten, der ein Merkmal eines Betriebszustands zu einem vorgegebenen, festgelegten Zeitpunkt darstellt, und zumindest eine statistische Menge aus den Teil-Zeitreihendaten zu berechnen, und eine Vorrichtung für maschinelles Lernen, die dazu ausgebildet ist, eine Verarbeitung für maschinelles Lernen bezogen auf eine Bestimmung einer Betriebsanomalie der Industriemaschine auf der Grundlage der statistischen Menge auszuführen, die von der Einheit zum Extrahieren statistischer Mengen berechnet wird.
Die Vorrichtung für maschinelles Lernen kann ferner eine Lerneinheit aufweisen, die als maschinelle Lernverarbeitung so ausgebildet ist, dass sie ein Lernmodell erzeugt, das die von der Einheit zum Extrahieren statistischer Mengen berechnete statistische Menge gelernt hat.
Die Vorrichtung für maschinelles Lernen kann ferner eine Einheit zum Bestimmen einer Maschinenanomalie aufweisen, die dazu ausgebildet ist, als maschinelle Lernverarbeitung einen Grad der Abweichung der durch maschinelles Lernen gelernten statistischen Menge von der Normalität zu berechnen, und zwar auf der Grundlage der von der Einheit zum Extrahieren statistischer Mengen berechneten statistischen Menge, und die Maschinenanomalie der Industriemaschine auf der Grundlage des berechneten Abweichungsgrads zu bestimmen.
Die von der Einheit zum Extrahieren statistischer Mengen berechnete statistische Menge kann mindestens eine von Werten sein, die einen Maximalwert, einen Minimalwert, einen lokalen Maximalwert, einen lokalen Minimalwert, einen Mittelwert, eine Abweichung, eine Wölbung, eine Schiefe und einen Wert, der auf der Grundlage einer Kombination dieser Werte berechnet wird, umfassen.
Die Anomaliebestimmungsvorrichtung kann ferner eine Korrektureinheit aufweisen, die dazu ausgebildet ist, die Beobachtungsdaten gemäß den Betriebsbedingungen der Industriemaschine zu korrigieren.
Außerdem, ist ein System nach einem Aspekt der vorliegenden Erfindung ein System, das eine Mehrzahl von Vorrichtungen umfasst, die durch ein Netzwerk miteinander verbunden sind, wobei die Mehrzahl von Vorrichtungen zumindest die oben genannte Anomaliebestimmungsvorrichtung als eine erste Anomaliebestimmungsvorrichtung aufweist.
Die Mehrzahl von Vorrichtungen kann einen eine Vorrichtung für maschinelles Lernen umfassenden Computer aufweisen, der Computer kann als Ergebnis des Lernens durch zumindest eine der ersten Anomaliebestimmungsvorrichtungen ein Lernmodell gewinnen, und die Vorrichtung für maschinelles Lernen des Computers kann auf der Grundlage des gewonnenen Lernmodells eine Optimierung oder Straffung ausführen.
Die Mehrzahl von Vorrichtungen kann eine sich von der ersten Anomaliebestimmungsvorrichtung unterscheidende zweite Anomaliebestimmungsvorrichtung aufweisen, und das Ergebnis des Lernens kann durch die erste Anomaliebestimmungsvorrichtung mit der zweiten Anomaliebestimmungsvorrichtung geteilt werden.
Die Mehrzahl von Vorrichtungen kann eine sich von der ersten Anomaliebestimmungsvorrichtung unterscheidende zweite Anomaliebestimmungsvorrichtung aufweisen, und in der zweiten Anomaliebestimmungsvorrichtung beobachtete Daten können zum Lernen durch die erste Anomaliebestimmungsvorrichtung über das Netzwerk zur Verfügung stehen.
Nach der vorliegenden Erfindung mit der obigen Struktur müssen Daten zum Lernen nicht wiederholt zu vielen Zeitpunkten beobachtet werden, so dass ein effizientes Lernen und Bestimmen ausgeführt werden kann.
Figurenliste

1 ist ein schematisches Hardware-Konfigurationsdiagramm einer Anomaliebestimmungsvorrichtung gemäß einer Ausführungsform;
2 ist ein schematisches Funktionsblockschaltbild einer Anomaliebestimmungsvorrichtung gemäß einer ersten Ausführungsform;
3 ist ein Diagramm, das ein Beispiel des Extrahierens von Teil-Zeitreihendaten darstellt;
4 ist ein Diagramm, das ein weiteres Beispiel des Extrahierens der Teil-Zeitreihendaten darstellt;
5 ist ein schematisches Funktionsblockschaltbild einer Anomaliebestimmungsvorrichtung gemäß einer zweiten Ausführungsform;
6 ist ein schematisches Funktionsblockschaltbild einer Anomaliebestimmungsvorrichtung gemäß einer dritten Ausführungsform;
7 ist ein schematisches Funktionsblockschaltbild einer Anomaliebestimmungsvorrichtung gemäß einer vierten Ausführungsform;
8 ist ein Diagramm, das ein Beispiel einer dreilagigen Struktur zeigt, die einen Cloud-Server, Fog-Computer und Edge-Computer aufweist;
9 ist ein schematisches Hardware-Konfigurationsdiagramm einer Anomaliebestimmungsvorrichtung, die auf Computern implementiert ist;
10 ist ein schematisches Konfigurationsdiagramm einer Anomaliebestimmungsvorrichtung gemäß einer fünften Ausführungsform;
11 ist ein schematisches Konfigurationsdiagramm einer Anomaliebestimmungsvorrichtung gemäß einer sechsten Ausführungsform;
12 ist ein schematisches Konfigurationsdiagramm einer Anomaliebestimmungsvorrichtung gemäß einer siebten Ausführungsform;
13 ist ein Diagramm, das ein Verfahren zur Bestimmung von Betriebsanomalien einer Industriemaschine durch unüberwachtes Lernen unter Verwendung physikalischer Größen veranschaulicht.

AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
1 ist ein schematisches Hardware-Konfigurationsdiagramm, das die wichtigsten Teile einer Anomaliebestimmungsvorrichtung mit einer Vorrichtung für maschinelles Lernen gemäß einer Ausführungsform zeigt.
Eine Anomaliebestimmungsvorrichtung 1 gemäß der vorliegenden Ausführungsform kann z.B. auf einer Steuereinheit zur Steuerung einer Industriemaschine angebracht werden, oder als Computer implementiert werden, wie z.B. ein an der Steuereinheit zum Steuern der Industriemaschine angebrachter Personalcomputer, oder ein über ein drahtgebundenes/drahtloses Netzwerk mit der Steuereinheit verbundener Edge-Computer, Fog-Computer oder Cloud-Server. In dem dargestellten Beispiel der vorliegenden Ausführungsform ist die Anomaliebestimmungsvorrichtung 1 als an eine Steuereinheit zum Steuern der Industriemaschine angeschlossener Personalcomputer implementiert.
Eine CPU (Central Processing Unit, Zentraleinheit) 11 der Anomaliebestimmungsvorrichtung 1 nach der vorliegenden Ausführungsform ist ein Prozessor zur allgemeinen Steuerung der Anomaliebestimmungsvorrichtung 1. Die CPU 11 liest über einen Bus 20 ein Systemprogramm aus, das in einem ROM (Read Only Memory, Festwertspeicher) 12 gespeichert ist, und steuert die gesamte Anomaliebestimmungsvorrichtung 1 entsprechend diesem Systemprogramm. Ein RAM (Random Access Memory, Arbeitsspeicher) 13 wird temporär mit temporären Berechnungsdaten, verschiedenen Daten, die von einem Mitarbeiter über eine Eingabevorrichtung 71 eingegeben werden, und dergleichen geladen.
Ein nichtflüchtiger Speicher 14 besteht z.B. aus einem Speicher, einem SSD (Solid-State-Drive, Halbleiterlaufwerk) oder dergleichen, der durch eine Batterie (nicht abgebildet) gesichert wird, so dass sein Speicherzustand auch bei ausgeschalteter Stromquelle (nicht dargestellt) der Anomaliebestimmungsvorrichtung 1 aufrechterhalten werden kann. In dem nichtflüchtigen Speicher 14 ist ein Einstellbereich gespeichert, in den Einstellinformationen geladen werden, die sich auf den Betrieb der Anomaliebestimmungsvorrichtung 1 beziehen, sowie Daten (Daten, die den Betriebszustand einer Industriemaschine 2 anzeigen, etc.), die durch die Eingabevorrichtung 71 eingegeben werden, Zeitreihendaten über verschiedene Daten (Position, Drehzahl und Beschleunigung eines Antriebsmotors der Industriemaschine 2, Schall, Schwingungen und Temperatur, die von an der Industriemaschine 2 angebrachten Sensoren erfasst werden, etc.), die von der Industriemaschine 2 gewonnen werden sollen, Daten, die über externe Geräte (nicht abgebildet) oder das Netzwerk gelesen werden, und dergleichen. In dem nichtflüchtigen Speicher 14 gespeicherte Programme und verschiedene Daten können während der Ausführung und Benutzung im RAM 13 entwickelt werden. Außerdem werden Systemprogramme einschließlich konventioneller Analyseprogramme zum Analysieren der verschiedenen Daten, Programme zur Steuerung des Austauschs mit einer Vorrichtung für maschinelles Lernen 100 (weiter unten beschrieben) und dergleichen zuvor in den ROM 12 geschrieben.
Bei der Industriemaschine 2 handelt es sich um eine Maschine, wie z.B. eine Werkzeugmaschine, eine Funkenerosionsmaschine, eine Spritzgussmaschine, eine Transfermaschine oder ein Roboter, die in einem Fertigungsbereich eingesetzt werden. Die Industriemaschine 2 hat eine Ausgabefunktion für während des Betriebs erfassbare Daten (Position, Drehzahl und Beschleunigung des Antriebsmotors, etc.) und Daten (Schall, Schwingungen, Temperatur, etc.), die von den an der Industriemaschine 2 angebrachten Sensoren (nicht abgebildet) erfasst werden.
Daten, die als Ergebnis der Ausführung der in den Speicher eingelesenen Daten, Programme oder dergleichen erhalten werden, Daten, die von der (weiter unten beschriebenen) Vorrichtung für maschinelles Lernen 100 ausgegeben werden, und dergleichen, werden über eine Schnittstelle 17 an eine Anzeigevorrichtung 70 ausgegeben und auf dieser angezeigt. Außerdem liefert die Eingabevorrichtung 71, die aus einer Tastatur, einer Zeigevorrichtung und dergleichen besteht, Befehle, Daten und dergleichen, die auf der Bedienung seitens des Mitarbeiters basieren, über eine Schnittstelle 18 an die CPU 11.
Eine Schnittstelle 21 ist eine zum Verbinden der CPU 11 und der Vorrichtung für maschinelles Lernen 100 dienende Schnittstelle. Die Vorrichtung für maschinelles Lernen 100 umfasst einen Prozessor 101, der dazu ausgebildet ist, die gesamte Vorrichtung für maschinelles Lernen 100 zu steuern, einen ROM 102, in dem Systemprogramme und dergleichen gespeichert sind, einen RAM 103 zum temporären Speichern in jedem Verarbeitungsschritt im Zusammenhang mit maschinellem Lernen, und einen nichtflüchtigen Speicher 104, der zum Speichern von Lernmodellen und dergleichen verwendet wird. Die Vorrichtung für maschinelles Lernen 100 kann Informationen beobachten (z.B. Daten, die den Betriebszustand der Industriemaschine 2 anzeigen, Position, Drehzahl und Beschleunigung des Antriebsmotors der Industriemaschine 2, Schall, Schwingungen und Temperatur, die von den an der Industriemaschine 2 angebrachten Sensoren erfasst werden, etc.), die von der Anomaliebestimmungsvorrichtung 1 über die Schnittstelle 21 gewonnen werden können. Außerdem erhält die Anomaliebestimmungsvorrichtung 1 über die Schnittstelle 21 das von der Vorrichtung für maschinelles Lernen 100 ausgegebene Verarbeitungsergebnis, speichert und zeigt das erhaltene Ergebnis an und überträgt es über ein Netzwerk (nicht abgebildet) oder ähnliches zu einer anderen Vorrichtung.
2 ist ein schematisches Funktionsblockschaltbild einer Anomaliebestimmungsvorrichtung 1 und einer Vorrichtung für maschinelles Lernen 100 nach einer ersten Ausführungsform.
Die Anomaliebestimmungsvorrichtung 1 der vorliegenden Ausführungsform weist eine Konfiguration auf, die erforderlich ist, wenn die Vorrichtung für maschinelles Lernen 100 den Betriebszustand einer Werkzeugmaschine erlernt (Lernmodus). Jeder der in 2 gezeigten Funktionsblöcke wird implementiert, wenn die CPU 11 der Anomaliebestimmungsvorrichtung 1 und der Prozessor 101 der in 1 gezeigten Vorrichtung für maschinelles Lernen 100 ihre jeweiligen Systemprogramme ausführen und den Betrieb eines jeden Teils der Anomaliebestimmungsvorrichtung 1 und der Vorrichtung für maschinelles Lernen 100 steuern.
Die Anomaliebestimmungsvorrichtung 1 der vorliegenden Ausführungsform umfasst eine Beobachtungsdaten-Gewinnungseinheit 30 und eine Einheit zum Extrahieren statistischer Mengen 32, und die Vorrichtung für maschinelles Lernen 100 der Anomaliebestimmungsvorrichtung 1 umfasst eine Lerneinheit 110. Außerdem sind eine Beobachtungsdaten-Speichereinheit 50, die von der Industriemaschine 2 gewonnene Beobachtungsdaten und dergleichen speichert, und eine Extraktionszeitpunkt-Speichereinheit 52, die einen vorgegebenen Extraktionszeitpunkt für eine statistische Menge über eine Eingabevorrichtung 71 oder dergleichen speichert, in dem in 1 dargestellten nichtflüchtigen Speicher 14 vorgesehen. Ferner ist eine Lernmodell-Speichereinheit 130, die dazu ausgebildet ist, Lernmodelle zu speichern, die durch maschinelles Lernen durch die Lerneinheit 110 erstellt werden, in dem nichtflüchtigen Speicher 104 der in 1 dargestellten Vorrichtung für maschinelles Lernen 100 vorgesehen.
Die Beobachtungsdaten-Gewinnungseinheit 30 wird implementiert, wenn die CPU 11 der in 1 dargestellten Anomaliebestimmungsvorrichtung 1 ein aus dem ROM 12 ausgelesenes Systemprogramm ausführt und vor allem die CPU 11 eine arithmetische Verarbeitung unter Verwendung des RAM 13 und des nichtflüchtigen Speichers 14 ausführt. Die Beobachtungsdaten-Gewinnungseinheit 30 speichert in der Beobachtungsdaten-Speichereinheit 50 von der Industriemaschine 2 gewonnene Daten über den Betriebszustand, von der Eingabevorrichtung 71 gewonnene Daten, die den Betriebszustand der Industriemaschine 2 anzeigen, und dergleichen. Die Beobachtungsdaten-Gewinnungseinheit 30 gewinnt Daten über einen bestimmten Betriebszustand der Industriemaschine 2 und speichert dieselben als Beobachtungsdaten in der Beobachtungsdaten-Speichereinheit 50. Wenn z.B. erwartet wird, dass eine Diagnose bezüglich der Normalität des Betriebs der Industriemaschine 2 in der Anomaliebestimmungsvorrichtung 1 ausgeführt werden soll, so sollte die Beobachtungsdaten-Gewinnungseinheit 30 nur während eines normalen Betriebs der Industriemaschine 2 gewonnene Daten als Beobachtungsdaten in der Beobachtungsdaten-Speichereinheit 50 speichern.
Die Einheit zum Extrahieren statistischer Mengen 32 wird implementiert, wenn die CPU 11 der in 1 dargestellten Anomaliebestimmungsvorrichtung 1 das aus dem ROM 12 ausgelesene Systemprogramm ausführt und vor allem die CPU 11 eine arithmetische Verarbeitung unter Verwendung des RAM 13 und des nichtflüchtigen Speichers 14 ausführt. Die Einheit zum Extrahieren statistischer Mengen extrahiert Daten mit einer bestimmten Dauer aus den in der Beobachtungsdaten-Speichereinheit 50 gespeicherten Daten und berechnet eine auf die extrahierten Daten bezogene statistische Menge. Wenn es sich bei den in der Beobachtungsdaten-Speichereinheit 50 zu speichernden Beobachtungsdaten um eine physikalische Größe betreffende Zeitreihendaten handelt, so extrahiert die Einheit zum Extrahieren statistischer Mengen 32 Teil-Zeitreihendaten, die mit einer vorgegebenen bestimmten Dauer tp aus den Beobachtungsdaten zu einem vorgegebenen festgelegten Zeitpunkt ausgeschnitten werden, wie in 3 dargestellt.
Wenn mehrere zu vorgegebenen Zeiten beobachtete Datenelemente in der Beobachtungsdaten-Speichereinheit 50 gespeichert werden, so kann die Einheit zum Extrahieren statistischer Mengen 32 Zeitreihendaten erzeugen, die durch Interpolation eines Datenwertes zu einem Zeitpunkt ohne Beobachtung durch einen bestimmten Algorithmus der linearen Interpolation oder dergleichen erhalten werden, und daraus die Teil-Zeitreihendaten extrahieren, die mit der vorgegebenen bestimmten Dauer tp zu dem vorgegebenen bestimmten Zeitpunkt ausgeschnitten werden, wie in 4 dargestellt. Der Mitarbeiter sollte nur vorher, durch die Eingabevorrichtung 71 oder dergleichen, den Zeitpunkt für das Extrahieren der Teil-Zeitreihendaten aus den Beobachtungsdaten in der Extraktionszeitpunkt-Speichereinheit 52 unter Berücksichtigung der Betriebseigenschaften der Maschine festlegen. Wenn beispielsweise eine Position, an der charakteristische Daten in den Beobachtungsdaten erzeugt werden, im Voraus bekannt ist, so sollte nur dieser Teil der Daten, der zu einem Zeitpunkt gewonnen wird, der dieser Position entspricht, als Teil-Zeitreihendaten extrahiert werden. Während der Zeitpunkt für das Extrahieren der Teil-Zeitreihendaten durch eine bestimmte seit Beginn des Maschinenbetriebs verstrichene Zeit bezeichnet werden kann, kann der Extraktionszeitpunkt durch einige andere bestimmte physikalische Größen, wie z.B. die Koordinatenposition und den Drehzahlbereich der Maschine, sowie durch die Zeit wie oben beschrieben definierbar gemacht werden.
Die Einheit zum Extrahieren statistischer Mengen 32 berechnet eine bestimmte statistische Menge für die erstellten Teil-Zeitreihendaten. Die von der Einheit zum Extrahieren statistischer Mengen 32 berechnete bestimmte statistische Menge kann ein Maximalwert, ein Minimalwert, ein lokaler Maximalwert, ein lokaler Minimalwert, ein Mittelwert, eine Abweichung, eine Wölbung, eine Schiefe oder ein anderer statistisch berechneter Wert innerhalb des Zeitraums sein, der durch die Teil-Zeitreihendaten angegeben wird, oder ein Wert, der auf der Grundlage einer Kombination dieser Werte berechnet wird. Die von der Einheit zum Extrahieren statistischer Mengen 32 berechnete bestimmte statistische Menge sollte nur eine sein, die beispielsweise die Charakteristika der Wellenform der Teil-Zeitreihendaten angibt.
Außerdem kann die Einheit zum Extrahieren statistischer Mengen 32 so ausgeführt sein, dass sie im Voraus, vor dem Extrahieren der Teil-Zeitreihendaten aus den Beobachtungsdaten, eine Filterverarbeitung, wie z. B. ein vorheriges Entfernen von hochfrequentem Rauschen, an den Beobachtungsdaten vornimmt. Auf diese Weise kann unerwartet erkanntes Rauschen oder ähnliches, das für die Bestimmung der Normalität des Betriebs der Industriemaschine 2 nicht erforderlich ist, entfernt werden, um ein fehlerhaftes Erfassen zu verhindern.
Die Lerneinheit 110 wird implementiert, wenn der in 1 dargestellte Prozessor 101 der Anomaliebestimmungsvorrichtung 1 das aus dem ROM 102 ausgelesene Systemprogramm ausführt und vor allem der Prozessor 101 die arithmetische Verarbeitung unter Verwendung des RAM 103 und des nichtflüchtigen Speichers 104 ausführt. Die Lerneinheit 110 führt maschinelles Lernen aus, unter Verwendung der von der Einheit zum Extrahieren statistischer Mengen 32 berechneten statistischen Menge als Lerndaten. Die Lerneinheit 110 erzeugt ein Lernmodell, das eine statistische Menge der Teil-Zeitreihendaten betreffend eine physikalische Größe gelernt hat, die von der Industriemaschine 2 während deren normalen Betriebs gewonnen wurde, durch maschinelles Lernen auf der Grundlage eines herkömmlichen unüberwachten Lernverfahrens, wie z.B. dem VAE oder dem MT Verfahren, und speichert dieses in der Lernmodell-Speichereinheit 130 ab.
Die Lerneinheit 110 stellt eine wesentliche Struktur in der Phase des Lernens dar. Nachdem das Lernen des Zustands der Industriemaschine 2 durch die Lerneinheit 110 abgeschlossen ist, ist die Lerneinheit 110 jedoch nicht unbedingt erforderlich. Die Lerneinheit 110 kann beispielsweise entfernt werden, wenn die Vorrichtung für maschinelles Lernen 100, für die das Lernen abgeschlossen ist, an einen Kunden oder dergleichen ausgeliefert werden soll.
Die Anomaliebestimmungsvorrichtung 1 gemäß der vorliegenden Ausführungsform mit der oben beschriebenen Struktur erzeugt das Lernmodell, das den Zustand der Industriemaschine 2 gelernt hat. Es kann davon ausgegangen werden, dass das hier erzeugte Lernmodell als Ergebnis des Abschlusses der Ausführung des Lernens auf der Grundlage der zu einem vorgegebenen Zeitpunkt gewonnenen Teil-Zeitreihendaten erzeugt wird. Darüber hinaus wird eine bestimmte statistische Menge für die Teil-Zeitreihendaten berechnet und für das Lernen verwendet. Daher kann das Lernen im Vergleich zu dem Fall, in dem das Lernen unter Verwendung der zu jedem von einer Mehrzahl von Zeitpunkten gewonnenen Daten durchgeführt wird, auf der Grundlage von Merkmalen, die in einer Mehrzahl von physikalischen Größen enthalten sind, mit einer geringeren Häufigkeit abgeschlossen werden.
5 ist ein schematisches Funktionsblockschaltbild einer Anomaliebestimmungsvorrichtung 1 und einer Vorrichtung für maschinelles Lernen 100 nach einer zweiten Ausführungsform.
Die Anomaliebestimmungsvorrichtung 1 der vorliegenden Ausführungsform weist eine Konfiguration auf, die erforderlich ist, wenn die Vorrichtung für maschinelles Lernen 100 den Betriebszustand einer Werkzeugmaschine diagnostiziert (Bestimmungsmodus). Jeder der in 5 gezeigten Funktionsblöcke wird implementiert, wenn die CPU 11 der Anomaliebestimmungsvorrichtung 1 und der Prozessor 101 der in 1 gezeigten Vorrichtung für maschinelles Lernen 100 ihre jeweiligen Systemprogramme ausführen und den Betrieb eines jeden Teils der Anomaliebestimmungsvorrichtung 1 und der Vorrichtung für maschinelles Lernen 100 steuern.
Die Anomaliebestimmungsvorrichtung 1 der vorliegenden Ausführungsform umfasst eine Beobachtungsdaten-Gewinnungseinheit 30 und eine Einheit zum Extrahieren statistischer Mengen 32, und die Vorrichtung für maschinelles Lernen 100 der Anomaliebestimmungsvorrichtung 1 umfasst eine Einheit zum Bestimmen einer Maschinenanomalie 120. Außerdem sind eine Beobachtungsdaten-Speichereinheit 50, die von der Industriemaschine 2 gewonnene Beobachtungsdaten und dergleichen speichert, und eine Extraktionszeitpunkt-Speichereinheit 52, die einen vorgegebenen Extraktionszeitpunkt für eine statistische Menge über eine Eingabevorrichtung 71 oder dergleichen speichert, in dem in 1 dargestellten nichtflüchtigen Speicher 104 vorgesehen. Des Weiteren ist eine Lernmodell-Speichereinheit 130, die so ausgebildet ist, dass sie Lernmodelle speichert, die durch maschinelles Lernen durch die im Zusammenhang mit der ersten Ausführungsform beschriebene Lerneinheit 110 erstellt werden, in dem nichtflüchtigen Speicher 104 der in 1 dargestellten Vorrichtung für maschinelles Lernen 100 vorgesehen.
Die Beobachtungsdaten-Gewinnungseinheit 30 und die Einheit zum Extrahieren statistischer Mengen 32 gemäß der vorliegenden Ausführungsform haben die gleichen Funktionen wie die Beobachtungsdaten-Gewinnungseinheit 30 und die Einheit zum Extrahieren statistischer Mengen 32 gemäß der ersten Ausführungsform.
Die Einheit zum Bestimmen einer Maschinenanomalie 120 ist als der Prozessor 101 der in 1 dargestellten Anomaliebestimmungsvorrichtung 1 implementiert und führt das aus dem ROM 102 ausgelesene Systemprogramm aus, und vor allem der Prozessor 101 die arithmetische Verarbeitung unter Verwendung des RAM 103 und des nichtflüchtigen Speichers 104 ausführt. Die Einheit zum Bestimmen einer Maschinenanomalie 120 führt unter Verwendung eines in der Lernmodell-Speichereinheit 130 gespeicherten Lernmodells eine Bestimmung des Betriebszustands der Industriemaschine 2 aus, und zwar auf der Grundlage einer Merkmalsmenge der von der Einheit zum Extrahieren statistischer Mengen 32 extrahierten Teil-Zeitreihendaten als Zustandsdaten, die den aktuellen Stand anzeigen. Die Einheit zum Bestimmen einer Maschinenanomalie 120 der vorliegenden Ausführungsform führt eine spezifische Berechnung mit einem Lernmodell aus, das von der Lerneinheit 110 erstellt wird (oder für das ein Parameter gesetzt wird), und berechnet eine Abweichungsrate, die den Grad der Abweichung der Zustandsdaten vom Normalzustand anzeigt. Wenn ein vorgegebener bestimmter Schwellenwert durch die berechnete Abweichungsrate überschritten wird, so wird der Betrieb der Industriemaschine 2 als anormal bestimmt. Der durch die Einheit zum Bestimmen einer Maschinenanomalie 120 bestimmte Zustand der Industriemaschine 2 kann entweder für eine Anzeige auf der Anzeigevorrichtung 70 oder für eine Übertragung an eine andere Vorrichtung über ein Netzwerk (nicht abgebildet) oder dergleichen ausgegeben werden.
Die die oben beschriebene Struktur aufweisende Anomaliebestimmungsvorrichtung 1 gemäß der vorliegenden Ausführungsform ist in der Lage, die Abweichung zwischen einem gelernten Zustand und einem anderen Zustand zu bestimmen, indem sie das Lernmodell verwendet, das den Zustand der Industriemaschine 2 gelernt hat. Zum Beispiel kann die Anomaliebestimmungsvorrichtung 1 die normalen und anomalen Zustände der Industriemaschine 2 diagnostizieren, indem sie das Lernmodell verwendet, das auf der Grundlage der während des normalen Betriebs der Industriemaschine 2 gewonnenen Daten erstellt wurde.
6 ist ein schematisches Funktionsblockschaltbild einer Anomaliebestimmungsvorrichtung 1 und einer Vorrichtung für maschinelles Lernen 100 nach einer dritten Ausführungsform.
Die Anomaliebestimmungsvorrichtung 1 der vorliegenden Ausführungsform weist eine Konfiguration auf, die erforderlich ist, wenn die Vorrichtung für maschinelles Lernen 100 den Betriebszustand einer Werkzeugmaschine erlernt (Lernmodus). Jeder der in 6 gezeigten Funktionsblöcke wird implementiert, wenn die CPU 11 der Anomaliebestimmungsvorrichtung 1 und der Prozessor 101 der in 1 gezeigten Vorrichtung für maschinelles Lernen 100 ihre jeweiligen Systemprogramme ausführen und den Betrieb eines jeden Teils der Anomaliebestimmungsvorrichtung 1 und der Vorrichtung für maschinelles Lernen 100 steuern.
Die Anomaliebestimmungsvorrichtung 1 der vorliegenden Ausführungsform umfasst eine Beobachtungsdaten-Gewinnungseinheit 30, eine Einheit zum Extrahieren statistischer Mengen 32 und eine Korrektureinheit 34, und die Vorrichtung für maschinelles Lernen 100 der Anomaliebestimmungsvorrichtung 1 umfasst eine Lerneinheit 110. Außerdem sind eine Beobachtungsdaten-Speichereinheit 50, die von einer Industriemaschine 2 gewonnene Beobachtungsdaten und dergleichen speichert, eine Extraktionszeitpunkt-Speichereinheit 52, die einen vorgegebenen Extraktionszeitpunkt für eine statistische Menge über eine Eingabevorrichtung 71 oder dergleichen speichert, und eine Korrekturdaten-Speichereinheit 54, die zuvor Daten über die Korrektur der Beobachtungsdaten gemäß den Betriebszuständen gespeichert hat, in dem in 1 dargestellten nichtflüchtigen Speicher 14 vorgesehen. Ferner ist eine Lernmodell-Speichereinheit 130, die so ausgebildet ist, dass sie Lernmodelle speichert, die durch maschinelles Lernen durch die Lerneinheit 110 erstellt werden, in dem nichtflüchtigen Speicher 104 der in 1 dargestellten Vorrichtung für maschinelles Lernen 100 vorgesehen.
Die Beobachtungsdaten-Gewinnungseinheit 30 und die Einheit zum Extrahieren statistischer Mengen 32 gemäß der vorliegenden Ausführungsform haben die gleichen Funktionen wie die Beobachtungsdaten-Gewinnungseinheit 30 und die Einheit zum Extrahieren statistischer Mengen 32 gemäß der ersten Ausführungsform.
Die Korrektureinheit 34 wird implementiert, wenn die CPU 11 der in 1 dargestellten Anomaliebestimmungsvorrichtung 1 das aus dem ROM 12 ausgelesene Systemprogramm ausführt, und vor allem führt die CPU 11 die arithmetische Verarbeitung unter Verwendung des RAM 13 und des nichtflüchtigen Speichers 14 aus. Die Korrektureinheit 34 korrigiert die Beobachtungsdaten gemäß den Betriebsbedingungen der Industriemaschine 2. Die Korrektureinheit 34 korrigiert die Beobachtungsdaten, die in der Beobachtungsdaten-Speichereinheit 50 gespeichert sind, auf der Grundlage einer Korrekturformel, einer Umrechnungstabelle oder dergleichen, für jedes Beobachtungsdatenelement bezogen auf die Betriebsbedingungen der Industriemaschine 2, die in der Korrekturdaten-Speichereinheit 54 gespeichert sind, und gibt die korrigierten Beobachtungsdaten an die Einheit zum Extrahieren statistischer Mengen 32 aus.
Die Korrekturdaten-Speichereinheit 54 sollte nur eine Umrechnungsformel (den Koeffizienten einer Umrechnungsformel) oder eine Umrechnungstabelle speichern, die z.B. zwischen dem Wert einer physikalischen Größe, die als Beobachtungsdaten beobachtet wird, wenn ein Arbeitsvorgang (normaler oder anomaler Arbeitsvorgang) zuvor in einer Referenzbetriebsbedingung durch ein Experiment oder ähnliches ausgeführt wird, und dem Wert einer physikalischen Größe, die als Beobachtungsdaten beobachtet wird, wenn ein Arbeitsvorgang (ähnlicher normaler oder anomaler Arbeitsvorgang) in einer anderen spezifischen Betriebsbedingung ausgeführt wird, erhalten wird. Die in der Korrekturdaten-Speichereinheit 54 zu speichernde Korrekturformel oder Umrechnungstabelle sollte nur so eingestellt werden, dass die Beobachtungsdaten so korrigiert werden, dass die von der Vorrichtung für maschinelles Lernen berechneten Abweichungsraten ähnliche Werte annehmen, wenn ähnliche anomale Zustände unter verschiedenen Betriebsbedingungen erzeugt werden.
Die Anomaliebestimmungsvorrichtung 1 gemäß der vorliegenden Ausführungsform mit der oben beschriebenen Struktur kann das Lernmodell, das nach einem ähnlichen Standard gelernt hat, erzeugen, selbst wenn die Betriebsbedingungen der Industriemaschine 2 beim Lernen des Zustands der Industriemaschine 2 unterschiedlich sind. Daher muss die Industriemaschine 2 zum Lernen nicht in einer Vielzahl von Betriebsbedingungen betrieben werden, und das Lernen kann mit einer geringeren Häufigkeit abgeschlossen werden.
7 ist ein schematisches Funktionsblockschaltbild einer Anomaliebestimmungsvorrichtung 1 und einer Vorrichtung für maschinelles Lernen 100 nach einer vierten Ausführungsform.
Die Anomaliebestimmungsvorrichtung 1 der vorliegenden Ausführungsform weist eine Konfiguration auf, die erforderlich ist, wenn die Vorrichtung für maschinelles Lernen 100 den Betriebszustand einer Werkzeugmaschine erlernt (Bestimmungsmodus). Jeder der in 7 gezeigten Funktionsblöcke wird implementiert, wenn die CPU 11 der Anomaliebestimmungsvorrichtung 1 und der Prozessor 101 der in 1 gezeigten Vorrichtung für maschinelles Lernen 100 ihre jeweiligen Systemprogramme ausführen und den Betrieb eines jeden Teils der Anomaliebestimmungsvorrichtung 1 und der Vorrichtung für maschinelles Lernen 100 steuern.
Die Anomaliebestimmungsvorrichtung 1 der vorliegenden Ausführungsform umfasst eine Beobachtungsdaten-Gewinnungseinheit 30, eine Einheit zum Extrahieren statistischer Mengen 32 und eine Korrektureinheit 34, und die Vorrichtung für maschinelles Lernen 100 der Anomaliebestimmungsvorrichtung 1 umfasst eine Einheit zum Bestimmen einer Maschinenanomalie 120. Außerdem sind eine Beobachtungsdaten-Speichereinheit 50, die von einer Industriemaschine 2 gewonnene Beobachtungsdaten und dergleichen speichert, eine Extraktionszeitpunkt-Speichereinheit 52, die einen vorgegebenen Extraktionszeitpunkt für eine statistische Menge über eine Eingabevorrichtung 71 oder dergleichen speichert, und eine Korrekturdaten-Speichereinheit 54, die zuvor Daten über die Korrektur der Beobachtungsdaten gemäß den Betriebszuständen gespeichert hat, in dem in 1 dargestellten nichtflüchtigen Speicher 14 vorgesehen. Ferner ist eine Lernmodell-Speichereinheit 130, die so ausgebildet ist, dass sie Lernmodelle speichert, die durch maschinelles Lernen durch die Lerneinheit 110 erstellt werden, in dem nichtflüchtigen Speicher 104 der in 1 dargestellten Vorrichtung für maschinelles Lernen 100 vorgesehen.
Die Beobachtungsdaten-Gewinnungseinheit 30, die Einheit zum Extrahieren statistischer Mengen 32 und die Korrektureinheit 34 gemäß der vorliegenden Ausführungsform haben die gleichen Funktionen wie die Beobachtungsdaten-Gewinnungseinheit 30, die Einheit zum Extrahieren statistischer Mengen 32 und die Korrektureinheit 34 gemäß der dritten Ausführungsform. Außerdem hat die Einheit zum Bestimmen einer Maschinenanomalie 120 gemäß der vorliegenden Ausführungsform die gleichen Funktionen wie die Einheit zum Bestimmen einer Maschinenanomalie 120 gemäß der zweiten Ausführungsform.
Die die oben beschriebene Struktur aufweisende Anomaliebestimmungsvorrichtung 1 gemäß der vorliegenden Ausführungsform ist in der Lage, die Beobachtungsdaten zur Verwendung in Übereinstimmung mit den Betriebsbedingungen bei der Bestimmung der Abweichung zwischen einem gelernten Zustand und einem anderen Zustand zu korrigieren, indem sie das Lernmodell verwendet, das den Zustand der Industriemaschine 2 gelernt hat. Daher können die Betriebszustände der Industriemaschine 2 auch korrekt bestimmt werden, indem das Lernmodell verwendet wird, das auf der Grundlage der Beobachtungsdaten erstellt wurde, die bei verschiedenen Betriebsbedingungen beobachtet wurden.
Die folgenden fünften bis siebten Ausführungsformen werden beschrieben als Ausführungsformen, die jeweils als Teil eines Systems implementiert sind, bei dem jede der Anomaliebestimmungsvorrichtungen 1 gemäß der ersten bis vierten Ausführungsform über ein drahtgebundenes/drahtloses Netzwerk mit einer Mehrzahl von Vorrichtungen einschließlich eines Cloud-Servers, eines Host-Computers, eines Fog-Computers und eines Edge-Computers (Robotersteuerungen, Steuerungen etc.) verbunden ist.
Bei den folgenden fünften bis siebten Ausführungsformen wird, wie in 8 dargestellt, ein System angenommen, das logisch in drei Schichten unterteilt ist; eine Schicht, die den Cloud-Server 6 und dergleichen enthält, eine Schicht, die die Fog-Computer 7 und dergleichen enthält, und eine Schicht, die die Edge-Computer 8 (Robotersteuerungen, Steuerungen etc., die in Zellen 9 vorgesehen sind) enthält, wobei jede einer Mehrzahl von Vorrichtungen mit dem Netzwerk verbunden ist. In einem solchen System kann die Anomaliebestimmungsvorrichtung 1 gemäß einem Aspekt der vorliegenden Erfindung auf jedem der Cloud-Server 6, Fog-Computer 7, und Edge-Computer 8 implementiert werden und verteiltes Lernen mit Daten ausführen, die für die Verarbeitung im Zusammenhang mit maschinellem Lernen verwendet werden sollen und die mit den einzelnen Vorrichtungen über das Netzwerk geteilt werden, eine groß angelegte Analyse der erzeugten Lernmodelle ausführen, die in den Fog-Computern 7 und dem Cloud-Server 6 gesammelt werden, und darüber hinaus die erzeugten Lernmodelle gegenseitig wiederverwenden.
In dem in 8 dargestellten System sind in einer Fabrik an jedem Ort eine Mehrzahl von Zellen 9 vorgesehen, und die Fog-Computer 7 in der oberen Schicht verwalten die einzelnen Zellen 9 in vorgegebenen Einheiten (zum Beispiel für jede Fabrik oder in Einheiten mehrerer Fabriken ein und desselben Herstellers). Diese von den Fog-Computern 7 gesammelten und analysierten Daten werden vom Cloud-Server 6 in der weiteren oberen Schicht gesammelt, analysiert und dergleichen. Daraus resultierende Informationen können zur Steuerung in jedem Edge-Computer 8 und dergleichen verwendet werden.
9 ist ein schematisches Hardware-Konfigurationsdiagramm, das einen Fall zeigt, in dem eine Anomaliebestimmungsvorrichtung auf Computern implementiert ist.
Eine CPU (Central Processing Unit, Zentraleinheit) 311 einer auf Computern implementierten Anomaliebestimmungsvorrichtung 1' nach der vorliegenden Ausführungsform ist ein Prozessor zur allgemeinen Steuerung der Anomaliebestimmungsvorrichtung 1'. Die CPU 311 liest über einen Bus 320 ein Systemprogramm aus, das in einem ROM (Read Only Memory, Festwertspeicher) 312 gespeichert ist, und steuert die gesamte Anomaliebestimmungsvorrichtung 1' entsprechend diesem Systemprogramm. Ein RAM (Random Access Memory, Arbeitsspeicher) 313 speichert vorübergehend temporäre Berechnungsdaten und Anzeigedaten, verschiedene Daten, die von einem Mitarbeiter über eine Eingabevorrichtung (nicht abgebildet) eingegeben werden, und dergleichen.
Ein nichtflüchtiger Speicher 314 ist als ein Speicher ausgelegt, der z.B. durch eine Batterie (nicht abgebildet) gesichert wird, so dass sein Speicherzustand auch dann aufrechterhalten werden kann, wenn die Stromquelle der Anomaliebestimmungsvorrichtung 1' ausgeschaltet ist. Der nichtflüchtige Speicher 314 speichert Programme, die über eine Eingabevorrichtung 371 eingegeben werden, und verschiedene Daten, die von der Industriemaschine 2 oder dergleichen über jeden Teil der Anomaliebestimmungsvorrichtung 1' oder das Netzwerk 5 gewonnen werden. Die in dem nichtflüchtigen Speicher 314 gespeicherten Programme und verschiedenen Daten können während der Ausführung und Benutzung im RAM 313 entwickelt werden. Außerdem werden verschiedene Systemprogramme (einschließlich Programme zur Steuerung des Austauschs mit einer weiter unten beschriebenen Vorrichtung für maschinelles Lernen 100), wie z.B. konventionelle Analyseprogramme, zuvor in den ROM 312 geschrieben.
Die Anomaliebestimmungsvorrichtung 1' ist über eine Schnittstelle 319 an das drahtgebundene/drahtlose Netzwerk 5 angeschlossen. Das Netzwerk 5 ist mit mindestens einer Industriemaschine 2, einer weiteren Anomaliebestimmungsvorrichtung 1, einem Edge-Computer 8, einem Fog-Computer 7, einem Cloud-Server 6 und dergleichen verbunden und steht in gegenseitigem Datenaustausch mit der Anomaliebestimmungsvorrichtung 1'.
Daten, die als Ergebnis der Ausführung der in den Speicher oder dergleichen eingelesenen Daten, Programme oder dergleichen erhalten werden, werden über eine Schnittstelle 317 an eine Anzeigevorrichtung 370 ausgegeben und auf dieser angezeigt. Außerdem liefert die Eingabevorrichtung 371, die aus einer Tastatur, einer Zeigevorrichtung und dergleichen besteht, Befehle, Daten und dergleichen, die auf der Bedienung seitens des Mitarbeiters basieren, über eine Schnittstelle 318 an die CPU 311.
Eine Schnittstelle 321 ist eine zum Verbinden der Anomaliebestimmungsvorrichtung 1' und der Vorrichtung für maschinelles Lernen 100 dienende Schnittstelle. Die Vorrichtung für maschinelles Lernen 100 hat die gleiche Struktur wie die unter Bezugnahme auf 1 beschriebene.
Deshalb sind die Funktionen der Anomaliebestimmungsvorrichtung 1' die gleichen wie die im Zusammenhang mit der ersten bis vierten Ausführungsform beschriebenen, mit der Ausnahme, dass in dem Fall, in dem die Anomaliebestimmungsvorrichtung 1' auf Computern wie dem Cloud-Server und dem Fog-Computer implementiert ist, die Informationsgewinnung von der Industriemaschine 2 und die Übermittlung des Ergebnisses der Bestimmung des Betriebszustands der Industriemaschine 2 über das Netzwerk 5 ausgetauscht werden.
10 ist ein schematisches Funktionsblockschaltbild eines Anomaliebestimmungssystems nach einer fünften Ausführungsform, das die Anomaliebestimmungsvorrichtung 1' aufweist.
Das Anomaliebestimmungssystem 500 weist eine Mehrzahl von Anomaliebestimmungsvorrichtungen 1 and 1', eine Mehrzahl von Industriemaschinen 2 und ein Netzwerk 5 auf, das die Anomaliebestimmungsvorrichtungen 1 and 1' und die Industriemaschinen 2 miteinander verbindet.
In dem Anomaliebestimmungssystem 500 bestimmt die die Vorrichtung für maschinelles Lernen 100 aufweisende Anomaliebestimmungsvorrichtung 1' die Betriebszustände der Industriemaschinen 2 unter Verwendung des Ergebnisses des Lernens durch die Lerneinheit 110. Außerdem kann zumindest eine Anomaliebestimmungsvorrichtung 1' so ausgeführt sein, dass sie die Betriebszustände der Industriemaschinen 2, die allen Anomaliebestimmungsvorrichtungen 1 and 1' gemeinsam sind, lernt, und zwar auf Grundlage der durch die einzelnen anderen Anomaliebestimmungsvorrichtungen 1 and 1' erhaltenen Beobachtungsdaten, und das Ergebnis des Lernens von all den Anomaliebestimmungsvorrichtungen 1 and 1' geteilt wird. Daher kann gemäß dem Anomaliebestimmungssystem 500 ein Satz unterschiedlicherer Beobachtungsdaten eingegeben werden, um die Geschwindigkeit und die Zuverlässigkeit des Lernens zu verbessern.
11 ist ein schematisches Funktionsblockschaltbild eines Anomaliebestimmungssystems nach einer sechsten Ausführungsform, bei der eine Vorrichtung für maschinelles Lernen und Anomaliebestimmungsvorrichtungen auf verschiedenen Vorrichtungen implementiert sind.
Das Anomaliebestimmungssystem 500' weist zumindest eine Vorrichtung für maschinelles Lernen 100, implementiert als Teil eines Computers, wie z.B. eines Cloud-Servers, eines Host-Computers, oder eines Fog-Computers (im Beispiel in 11 als Teil eines Fog-Computers 7 implementiert), eine Mehrzahl von Anomaliebestimmungsvorrichtungen 1", und ein Netzwerk 5 auf, das diese Anomaliebestimmungsvorrichtungen 1" und den Computer verbindet. Die Hardwarekonfiguration des Computers ist, wie die in 9 gezeigte schematische Hardware-Konfiguration der Anomaliebestimmungsvorrichtung 1', so ausgelegt, dass Hardwarekomponenten herkömmlicher Computer, wie z.B. eine CPU 311, ein RAM 313 und ein nichtflüchtiger Speicher 314, über einen Bus 320 verbunden sind.
Das die oben beschriebene Struktur aufweisende Ariomaliebestimmungssystem 500' ist so ausgeführt, dass die Vorrichtung für maschinelles Lernen 100 in der Lage ist, die Betriebszustände der allen Anomaliebestimmungsvorrichtungen 1" gemeinsamen Industriemaschinen 2 zu lernen, und zwar auf Grundlage der für die einzelnen Anomaliebestimmungsvorrichtungen 1" erhaltenen Beobachtungsdaten, und die jeweiligen Betriebszustände der Industriemaschinen 2 unter Verwendung des Ergebnisses des Lernens zu bestimmen. Gemäß der Struktur des Anomaliebestimmungssystems 500' kann eine notwendige Anzahl von Anomaliebestimmungsvorrichtungen 1" je nach Bedarf mit der Vorrichtung für maschinelles Lernen 100 verbunden werden, ohne Rücksicht auf die jeweiligen Orte und Zeiten, an bzw. zu denen die einzelnen Anomaliebestimmungsvorrichtungen 1" vorliegen.
12 ist ein schematisches Funktionsblockschaltbild eines Anomaliebestimmungssystems 500" nach einer siebten Ausführungsform, das eine Vorrichtung für maschinelles Lernen 100' und Anomaliebestimmungsvorrichtungen 1 aufweist.
Das Anomaliebestimmungssystem 500" weist wenigstens eine Vorrichtung für maschinelles Lernen 100', implementiert auf einem Computer, wie z.B. einem Edge-Computer, einem Fog-Computer, einem Host-Computer, oder einem Cloud-Server (der in dem in 12 dargestellten Beispiel als Teil eines Fog-Computers 7 implementiert ist), eine Mehrzahl von Anomaliebestimmungsvorrichtungen 1, und ein drahtgebundenes/drahtloses Netzwerk 5 auf, das diese Anomaliebestimmungsvorrichtungen 1 mit dem Computer verbindet.
In dem die oben beschriebene Struktur aufweisenden Anomaliebestimmungssystem 500" gewinnt der die Vorrichtung für maschinelles Lernen 100' aufweisende Fog-Computer 7 Lernmodelle, die als Ergebnis des maschinellen Lernens durch die jeweiligen Vorrichtungen für maschinelles Lernen 100 der einzelnen Anomaliebestimmungsvorrichtungen 1 von den Anomaliebestimmungsvorrichtungen 1 erhalten werden. Die Vorrichtung für maschinelles Lernen 100' des Fog-Computers 7 erzeugt neu optimierte oder gestraffte Lernmodelle, indem sie eine Verarbeitung zur Optimierung oder Straffung des Wissens auf der Grundlage dieser Lernmodelle durchführt und die erzeugten Lernmodelle auf die einzelnen Anomaliebestimmungsvorrichtungen 1 verteilt.
Die Erzeugung von Destillationsmodellen auf der Grundlage einer Mehrzahl von Lernmodellen, die von jeder Anomaliebestimmungsvorrichtung 1 gewonnen werden, kann als Beispiel für eine Optimierung oder Straffung der Lernmodelle durch die Vorrichtung für maschinelles Lernen 100' angeführt werden. In diesem Fall erzeugt die Vorrichtung für maschinelles Lernen 100' gemäß der vorliegenden Ausführungsform Eingabedaten, die in die Lernmodelle einzugeben sind, und generiert von neuem Lernmodelle (Destillationsmodelle), indem sie das Lernen von Anfang an durchführt, und zwar unter Verwendung von Ausgabedaten, die als Ergebnis der Eingabe der Eingabedaten in die einzelnen Lernmodelle erhalten werden. Wie ebenfalls oben beschrieben, werden die auf diese Weise erzeugten Destillationsmodelle über ein externes Speichermedium oder das Netzwerk 5 an die Anomaliebestimmungsvorrichtungen 1 und andere Computer verteilt und dort verwendet.
Als ein weiteres denkbares Beispiel für die Optimierung oder Straffung der Lernmodelle durch die Vorrichtung für maschinelles Lernen 100' wird die Verteilung der Ausgabedaten der einzelnen Lernmodelle relativ zu den Eingabedaten durch ein herkömmliches statistisches Verfahren (z.B. Ausreißertest) im Prozess der Destillation einer Vielzahl von Lernmodellen, die von jeder Anomaliebestimmungsvorrichtung 1 gewonnen wurden, analysiert, Ausreißer in einem Satz von Eingabe- und Ausgabedaten werden extrahiert, und die Destillation wird unter Verwendung des Satzes von Eingabe- und Ausgabedaten durchgeführt, aus dem diese Ausreißer ausgeschlossen sind. Das Durchlaufen dieses Prozesses ermöglicht es, ein außergewöhnliches Ergebnis einer Schätzung aus den von den einzelnen Lernmodellen erhaltenen Sätzen von Eingabe- und Ausgabedaten auszuschließen, und unter Verwendung der Sätze von Eingabe- und Ausgabedaten, aus denen das außergewöhnliche Ergebnis der Schätzung ausgeschlossen ist, Destillationsmodelle zu erzeugen. Die auf diese Weise erzeugten Destillationsmodelle können als Lernmodelle verwendet werden, die allgemeiner sind, als die Lernmodelle, die durch die Mehrzahl von Anomaliebestimmungsvorrichtungen 1 erzeugt werden.
Auch einige andere herkömmliche Verfahren zum Optimieren oder Straffen von Lernmodellen (z.B. eine Analyse eines jeden Lernmodells und eine Optimierung der Hyperparameter des Lernmodells auf der Grundlage des Analyseergebnisses) können in geeigneter Weise eingeführt werden.
In dem Anomaliebestimmungssystem 500" gemäß der vorliegenden Ausführungsform ist es beispielsweise möglich, als durchzuführende Operation, die Vorrichtung für maschinelles Lernen 100' auf dem Fog-Computer 7 vorzusehen, der für eine Mehrzahl von Edge-Computern darstellende Anomaliebestimmungsvorrichtungen 1 installiert ist, um in jeder Anomaliebestimmungsvorrichtung 1 erzeugte Lernmodelle intensiv auf dem Fog-Computer 7 zu speichern, und dadurch auf Grundlage der gespeicherten Lernmodelle eine Optimierung oder Straffung auszuführen, um die optimierten oder gestrafften Lernmodelle je nach Bedarf wieder auf jede Anomaliebestimmungsvorrichtung 1 zu verteilen.
Außerdem werden bei dem Anomaliebestimmungssystem 500" gemäß der vorliegenden Ausführungsform die auf dem Fog-Computer 7 intensiv gespeicherten Lernmodelle und die auf dem Fog-Computer 7 optimierten oder gestrafften Lernmodelle auf dem Host-Computer oder dem Cloud-Server in der weiteren oberen Schicht gesammelt, und diese Lernmodelle können für die Anwendung auf intellektuelle Arbeit in einer Fabrik oder den Hersteller der Anomaliebestimmungsvorrichtungen 1 (Anwendung auf das Erstellen und die Neuverteilung von allgemeineren Lernmodellen in einem Top-Server, Unterstützung von Wartungsarbeiten auf der Grundlage des Ergebnisses der Analyse der Lernmodelle, Analyse der Leistung jeder Anomaliebestimmungsvorrichtung 1, Entwicklung neuartiger Maschinen etc.) verwendet werden.
Während Ausführungsformen der vorliegenden Erfindung oben beschrieben wurden, ist die Erfindung nicht auf die Beispiele der oben beschriebenen Ausführungsformen beschränkt und kann in geeigneter Weise modifiziert und in verschiedenen Formen ausgeführt werden.
Während beispielsweise die Anomaliebestimmungsvorrichtungen 1 und die Vorrichtung für maschinelles Lernen 100 in den oben beschriebenen Ausführungsformen als Vorrichtungen beschrieben werden, die unterschiedliche CPUs (Prozessoren) aufweisen, kann die Vorrichtung für maschinelles Lernen 100 durch die CPU 11 der Anomaliebestimmungsvorrichtung 1 und die im ROM 12 gespeicherten Systemprogramme implementiert werden.
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 2017151598 [0005]

Claims

Anomaliebestimmungsvorrichtung, die dazu ausgebildet ist, eine Anomalie einer Industriemaschine zu bestimmen, wobei die Anomaliebestimmungsvorrichtung umfasst: eine Beobachtungsdaten-Gewinnungseinheit, die dazu ausgebildet ist, kontinuierliche Daten, die einen Betrieb der Industriemaschine betreffen und während des Betriebs beobachtet werden, als Beobachtungsdaten zu gewinnen; eine Einheit zum Extrahieren statistischer Mengen, die dazu ausgebildet ist, aus den Beobachtungsdaten Teil-Zeitreihendaten zu extrahieren, die einen Teil enthalten, der ein Merkmal eines Betriebszustands zu einem vorgegebenen, festgelegten Zeitpunkt darstellt, und zumindest eine statistische Menge aus den Teil-Zeitreihendaten zu berechnen; und eine Vorrichtung für maschinelles Lernen, die dazu ausgebildet ist, eine Verarbeitung für maschinelles Lernen bezogen auf eine Bestimmung einer Betriebsanomalie der Industriemaschine auf der Grundlage der statistischen Menge auszuführen, die von der Einheit zum Extrahieren statistischer Mengen berechnet wird.
Anomaliebestimmungsvorrichtung nach Anspruch 1, wobei die Vorrichtung für maschinelles Lernen ferner eine Lerneinheit aufweist, die als maschinelle Lernverarbeitung so ausgebildet ist, dass sie ein Lernmodell erzeugt, das die von der Einheit zum Extrahieren statistischer Mengen berechnete statistische Menge gelernt hat.
Anomaliebestimmungsvorrichtung nach Anspruch 1, wobei die Vorrichtung für maschinelles Lernen ferner eine Einheit zum Bestimmen einer Maschinenanomalie aufweist, die dazu ausgebildet ist, als maschinelle Lernverarbeitung einen Grad der Abweichung der durch maschinelles Lernen gelernten statistischen Menge von der Normalität zu berechnen, und zwar auf der Grundlage der von der Einheit zum Extrahieren statistischer Mengen berechneten statistischen Menge, und die Maschinenanomalie der Industriemaschine auf der Grundlage des berechneten Abweichungsgrads zu bestimmen.
Anomaliebestimmungsvorrichtung nach einem der Ansprüche 1 bis 3, wobei die von der Einheit zum Extrahieren statistischer Mengen berechnete statistische Menge mindestens eine von Werten ist, die einen Maximalwert, einen Minimalwert, einen lokalen Maximalwert, einen lokalen Minimalwert, einen Mittelwert, eine Abweichung, eine Wölbung, eine Schiefe und einen Wert, der auf der Grundlage einer Kombination dieser Werte berechnet wird, umfassen.
Anomaliebestimmungsvorrichtung nach einem der Ansprüche 1 bis 4, die ferner eine Korrektureinheit aufweist, die dazu ausgebildet ist, die Beobachtungsdaten gemäß den Betriebsbedingungen der Industriemaschine zu korrigieren.
Anomaliebestimmungssystem, das eine Mehrzahl von Vorrichtungen umfasst, die durch ein Netzwerk miteinander verbunden sind, wobei die Mehrzahl von Vorrichtungen zumindest die Anomaliebestimmungsvorrichtung nach Anspruch 2 als eine erste Anomaliebestimmungsvorrichtung aufweist.
Anomaliebestimmungssystem nach Anspruch 6, wobei die Mehrzahl von Vorrichtungen einen eine Vorrichtung für maschinelles Lernen umfassenden Computer aufweist, der Computer als Ergebnis des Lernens von zumindest einer der ersten Anomaliebestimmungsvorrichtungen ein Lernmodell gewinnt, und die Vorrichtung für maschinelles Lernen des Computers auf der Grundlage des gewonnenen Lernmodells eine Optimierung oder Straffung ausführt.
Anomaliebestimmungssystem nach Anspruch 6, wobei die Mehrzahl von Vorrichtungen eine sich von der ersten Anomaliebestimmungsvorrichtung unterscheidende zweite Anomaliebestimmungsvorrichtung aufweist, und das Ergebnis des Lernens durch die erste Anomaliebestimmungsvorrichtung mit der zweiten Anomaliebestimmungsvorrichtung geteilt wird.
Anomaliebestimmungssystem nach Anspruch 6, wobei die Mehrzahl von Vorrichtungen eine sich von der ersten Anomaliebestimmungsvorrichtung unterscheidende zweite Anomaliebestimmungsvorrichtung aufweist, und in der zweiten Anomaliebestimmungsvorrichtung beobachtete Daten zum Lernen durch die erste Anomaliebestimmungsvorrichtung über das Netzwerk zur Verfügung stehen.