JP2020166407A - Model generation device, abnormality occurrence prediction device, abnormality occurrence prediction model generation method and abnormality occurrence prediction method - Google Patents
Model generation device, abnormality occurrence prediction device, abnormality occurrence prediction model generation method and abnormality occurrence prediction method Download PDFInfo
- Publication number
- JP2020166407A JP2020166407A JP2019064623A JP2019064623A JP2020166407A JP 2020166407 A JP2020166407 A JP 2020166407A JP 2019064623 A JP2019064623 A JP 2019064623A JP 2019064623 A JP2019064623 A JP 2019064623A JP 2020166407 A JP2020166407 A JP 2020166407A
- Authority
- JP
- Japan
- Prior art keywords
- data
- time
- abnormality
- operation data
- pattern
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
- 230000005856 abnormality Effects 0.000 title claims abstract description 174
- 238000000034 method Methods 0.000 title claims description 99
- 230000005484 gravity Effects 0.000 claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 238000002372 labelling Methods 0.000 claims abstract description 5
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000007781 pre-processing Methods 0.000 claims description 14
- 230000000295 complement effect Effects 0.000 claims description 11
- 238000003066 decision tree Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 14
- 238000003860 storage Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000005070 sampling Methods 0.000 description 6
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 238000005304 joining Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
本発明は、モデル生成装置、異常発生予測装置、異常発生予測モデルの生成方法及び異常発生予測方法に関するものである。 The present invention relates to a model generation device, an abnormality occurrence prediction device, an abnormality occurrence prediction model generation method, and an abnormality occurrence prediction method.
従来、異常発生予測装置として、複数の時系列データからなるグループを複数個生成し、生成したグループの異常度とグループ内の時系列データの異常度とを算出して、時系列データのランキングを生成する時系列データ処理装置が知られている（例えば、特許文献１参照）。時系列データの異常度は、グループ内の複数の時系列データに基づいて生成される中央値時系列データと、処理対象となる時系列データとの差から求められる。 Conventionally, as an abnormality occurrence prediction device, a plurality of groups consisting of a plurality of time series data are generated, the degree of abnormality of the generated group and the degree of abnormality of the time series data in the group are calculated, and the ranking of the time series data is performed. A time series data processing device for generating is known (see, for example, Patent Document 1). The degree of abnormality of the time series data is obtained from the difference between the median time series data generated based on a plurality of time series data in the group and the time series data to be processed.
特許文献１の時系列データ処理装置は、機器または装置の異常を検出するものであり、異常時の時系列データを分析して、異常の発生箇所または原因を特定するものとなっている。しかしながら、異常の発生箇所または原因を特定し、再発を防止する対策を講じた場合、特定した異常の再発を防止できるが、新たな異常の発生を防止することは困難である。特に、異常の対象となるものが、高額で加工時間が掛かる大物の加工品である場合、加工品に異常が発生すると、大きな損失が発生するだけでなく、大幅な製造効率の低下を招いてしまう。また、異常時の時系列データを分析して、異常の発生箇所または原因を特定する場合には、人間を介した分析作業及び対策作業等が発生するため、再発防止のための対策に時間が掛かってしまう。
The time-series data processing apparatus of
そこで、本発明は、加工品の異常の発生を好適に予測するためのモデル生成装置、異常発生予測装置、異常発生予測モデルの生成方法及び異常発生予測方法を提供することを課題とする。 Therefore, it is an object of the present invention to provide a model generation device, an abnormality occurrence prediction device, a generation method of an abnormality occurrence prediction model, and an abnormality occurrence prediction method for suitably predicting the occurrence of an abnormality in a processed product.
本発明のモデル生成装置は、加工設備によって加工される加工品の異常の発生を予測するための異常発生予測モデルを生成する制御部を備えるモデル生成装置であって、前記制御部は、前記加工設備の稼働に関する時系列のデータである稼働データを取得するデータ取得工程と、取得した前記稼働データを所定の時間間隔毎に区分けして、複数の時系列パターンを生成して取得するパターン取得工程と、取得した複数の前記時系列パターンをクラスタリングして、複数のクラスタに分類すると共に、各前記クラスタのクラスタ重心を導出するクラスタリング工程と、所定の前記クラスタに属する前記時系列パターンの前記クラスタ重心からの距離に基づいて、前記時系列パターンが正常であるか異常であるかを判定し、判定結果を前記時系列パターンにラベリングする判定工程と、前記判定工程において判定された判定結果に基づいて、前記異常発生予測モデルを生成するモデル生成工程と、を実行する。 The model generation device of the present invention is a model generation device including a control unit that generates an abnormality occurrence prediction model for predicting the occurrence of an abnormality in a processed product processed by a processing facility, and the control unit is the processing. A data acquisition process for acquiring operation data, which is time-series data related to the operation of equipment, and a pattern acquisition process for generating and acquiring a plurality of time-series patterns by dividing the acquired operation data at predetermined time intervals. A clustering step of clustering the acquired plurality of the time-series patterns to classify them into a plurality of clusters and deriving the cluster center of gravity of each of the clusters, and the cluster center of gravity of the time-series pattern belonging to the predetermined cluster. Based on the determination step of determining whether the time series pattern is normal or abnormal based on the distance from the time series pattern and labeling the determination result to the time series pattern, and the determination result determined in the determination step. , A model generation step of generating the abnormality occurrence prediction model, and the like are executed.
また、本発明の異常発生予測モデルの生成方法は、加工設備によって加工される加工品の異常の発生を予測するための異常発生予測モデルを生成する異常発生予測モデルの生成方法であって、前記加工設備の稼働に関する時系列のデータである稼働データを取得するデータ取得工程と、取得した前記稼働データを所定の時間間隔毎に区分けして、複数の時系列パターンを生成して取得するパターン取得工程と、取得した複数の前記時系列パターンをクラスタリングして、複数のクラスタに分類すると共に、各前記クラスタのクラスタ重心を導出するクラスタリング工程と、所定の前記クラスタに属する前記時系列パターンの前記クラスタ重心からの距離に基づいて、前記時系列パターンが正常であるか異常であるかを判定し、判定結果を前記時系列パターンにラベリングする判定工程と、前記判定工程において判定された判定結果に基づいて、前記異常発生予測モデルを生成するモデル生成工程と、を備える。 Further, the method for generating an abnormality occurrence prediction model of the present invention is a method for generating an abnormality occurrence prediction model for generating an abnormality occurrence prediction model for predicting the occurrence of an abnormality in a processed product processed by a processing facility. A data acquisition process for acquiring operation data, which is time-series data related to the operation of processing equipment, and a pattern acquisition for generating and acquiring a plurality of time-series patterns by dividing the acquired operation data at predetermined time intervals. The process, the clustering step of clustering the acquired plurality of the time-series patterns and classifying them into a plurality of clusters, and deriving the cluster center of gravity of each of the clusters, and the cluster of the time-series pattern belonging to the predetermined cluster. Based on the determination step of determining whether the time series pattern is normal or abnormal based on the distance from the center of gravity and labeling the determination result with the time series pattern, and the determination result determined in the determination step. The model generation step of generating the abnormality occurrence prediction model is provided.
これらの構成によれば、時系列パターンをクラスタリングし、クラスタリングをすることで得られるクラスタ及びクラスタ重心から、時系列パターンの異常または正常を判定して、判定結果に基づく異常発生予測モデルを生成することができる。このため、加工品の異常及び正常を迅速に予測できる異常発生予測モデルを用いることができ、加工品の異常の発生が予測される場合には、加工設備に対して異常対策措置を講ずることが可能となる。 According to these configurations, the time series pattern is clustered, and the abnormality or normality of the time series pattern is determined from the cluster and the center of gravity of the cluster obtained by the clustering, and an abnormality occurrence prediction model based on the determination result is generated. be able to. Therefore, it is possible to use an abnormality occurrence prediction model that can quickly predict the abnormality and normality of the processed product, and if the occurrence of the abnormality of the processed product is predicted, it is possible to take measures against the abnormality in the processing equipment. It will be possible.
また、前記制御部は、前記パターン取得工程後に実行され、取得した複数の前記時系列パターンのそれぞれに対して統計処理を行って、各前記時系列パターンの統計量を導出し、導出した統計量を前記時系列パターンに関連付ける統計処理工程を、さらに実行することが、好ましい。 In addition, the control unit is executed after the pattern acquisition step, performs statistical processing on each of the acquired plurality of time series patterns, derives statistics for each time series pattern, and derives the derived statistics. It is preferable to further execute the statistical processing step of associating the above time series pattern.
この構成によれば、統計量に基づいて、時系列パターンが特異でないパターンであるか否かを評価することができる。 According to this configuration, it is possible to evaluate whether or not the time series pattern is a non-singular pattern based on the statistics.
また、前記統計処理工程では、前記時系列パターンに対して所定の窓関数により複数の窓時系列パターンを抽出するパターン抽出処理と、抽出した複数の前記窓時系列パターンのそれぞれを周波数変換して、複数の周波数データを生成する周波数変換処理と、生成した複数の前記周波数データを用いて、前記時系列パターンの統計量を導出する統計処理と、を実行することが、好ましい。 Further, in the statistical processing step, a pattern extraction process for extracting a plurality of window time series patterns by a predetermined window function for the time series pattern and frequency conversion of each of the extracted plurality of the window time series patterns are performed. It is preferable to execute a frequency conversion process for generating a plurality of frequency data and a statistical process for deriving a statistic of the time series pattern using the generated plurality of the frequency data.
この構成によれば、時系列パターンの周波数成分に係る統計量を、複数の周波数データから導出することができるため、適切なサンプル数に基づく統計処理を実行することができる。 According to this configuration, the statistics related to the frequency components of the time series pattern can be derived from a plurality of frequency data, so that statistical processing based on an appropriate number of samples can be executed.
また、前記データ取得工程では、イベントの発生毎に出力された複数の前記稼働データを取得しており、前記モデル生成装置は、前記パターン取得工程を実行する前に、複数の前記稼働データを前処理する前処理工程を実行し、前記前処理工程では、取得した複数の前記稼働データを時系列に沿って結合するデータ結合処理と、取得した前記稼働データの欠損値を補完するデータ補完処理と、取得した前記稼働データに含まれる不要なデータ値を除去するデータ除去処理と、の少なくとも１つの処理を実行することが、好ましい。 Further, in the data acquisition process, a plurality of the operation data output each time an event occurs are acquired, and the model generation device performs the plurality of operation data before executing the pattern acquisition process. The pre-processing step to be processed is executed, and in the pre-processing step, a data combination process of joining the acquired plurality of the operation data in chronological order and a data complement process of complementing the missing value of the acquired operation data are performed. It is preferable to execute at least one process, that is, a data removal process for removing unnecessary data values included in the acquired operation data.
この構成によれば、後工程となるクラスタリング工程を行うにあたって、適切な稼働データを生成することができる。なお、イベントとしては、例えば、稼働データのデータ値が変化する変化点であり、例えば、加工開始時、加工停止時、加工負荷の変化時等である。 According to this configuration, it is possible to generate appropriate operation data when performing a clustering process which is a subsequent process. The event is, for example, a change point at which the data value of the operation data changes, for example, at the start of machining, at the stop of machining, at the time of change in machining load, and the like.
また、前記データ結合処理は、データ結合条件に基づいて、複数の前記稼働データを時系列に沿って結合しており、前記データ結合条件は、時系列において複数の前記稼働データが重複する場合、新規に出現した前記稼働データを採用する第１の結合条件と、時系列において複数の前記稼働データが同時に出現する場合、短い時間となる前記稼働データを採用する第２の結合条件と、採用されなかった前記稼働データを以降採用しない第３の結合条件と、を含むことが、好ましい。 Further, in the data combination process, a plurality of the operation data are combined in a time series based on the data combination condition, and the data combination condition is a case where the plurality of operation data are duplicated in the time series. The first join condition that adopts the newly appearing operation data and the second join condition that adopts the operation data that takes a short time when a plurality of the operation data appear at the same time in a time series are adopted. It is preferable to include a third combination condition in which the operation data that was not used is not adopted thereafter.
この構成によれば、稼働データが時系列において重複する場合であっても、稼働データを適切に結合することができ、時系列に沿った適切な稼働データを生成することができる。 According to this configuration, even when the operation data overlaps in the time series, the operation data can be appropriately combined and the appropriate operation data in the time series can be generated.
また、前記データ補完処理は、欠損値として出力される直前の前記稼働データのデータ値を、前記欠損値を補完するデータ値として置き換えることが、好ましい。 Further, in the data complement processing, it is preferable to replace the data value of the operation data immediately before being output as a missing value with a data value that complements the missing value.
この構成によれば、欠損値を補完することができるため、時系列に沿った適切な稼働データを生成することができる。 According to this configuration, missing values can be complemented, so that appropriate operation data can be generated in chronological order.
また、前記モデル生成工程では、前記異常発生予測モデルとして、前記判定結果から、前記加工品に異常が発生するという結論を導くための決定木モデルを生成することが、好ましい。 Further, in the model generation step, it is preferable to generate a decision tree model for deriving the conclusion that an abnormality occurs in the processed product from the determination result as the abnormality occurrence prediction model.
この構成によれば、異常発生予測モデルとして決定木モデルを用いることにより、簡易な選択で、加工品の異常の発生を予測することが可能となるため、予測の判定を迅速に行うことができ、また、予測をするために構築されるシステムを簡易なものとすることができる。 According to this configuration, by using the decision tree model as the abnormality occurrence prediction model, it is possible to predict the occurrence of an abnormality in the processed product with a simple selection, so that the prediction can be determined quickly. In addition, the system constructed for making predictions can be simplified.
また、前記モデル生成工程において生成した前記異常発生予測モデルを評価する評価工程をさらに備え、前記評価工程では、前記異常発生予測モデルを用いて予測された予測結果の正答率が、予め設定された規定正答率以上であれば、前記異常発生予測モデルが使用可能なモデルであると評価することが、好ましい。 Further, an evaluation step for evaluating the abnormality occurrence prediction model generated in the model generation step is further provided, and in the evaluation step, the correct answer rate of the prediction result predicted using the abnormality occurrence prediction model is set in advance. If the answer rate is equal to or higher than the specified correct answer rate, it is preferable to evaluate that the abnormality occurrence prediction model is a usable model.
この構成によれば、異常発生予測モデルの予測精度を適切に担保することができる。 According to this configuration, the prediction accuracy of the abnormality occurrence prediction model can be appropriately ensured.
本発明の異常発生予測装置は、上記のモデル生成装置により生成された異常発生予測モデルを用いて、前記加工設備によって加工される前記加工品の異常の発生を予測する制御部を備える異常発生予測装置であって、前記制御部は、前記加工設備の稼働に関する時系列のデータである稼働データを取得する実データ取得工程と、取得した前記稼働データを所定の時間間隔毎に区分けして、時系列パターンを生成して取得するパターン取得工程と、取得した前記時系列パターンと、前記クラスタリング工程においてクラスタリングされた前記時系列パターンとをマッチングさせて、分類される前記クラスタと、前記クラスタ重心からの距離とを導出するマッチング工程と、前記マッチング工程において導出された前記クラスタと前記距離とを含む情報に基づいて、前記異常発生予測モデルから、前記加工品に異常が発生するか否かを判定する異常判定工程と、を実行する。 The abnormality occurrence prediction device of the present invention uses the abnormality occurrence prediction model generated by the model generation device, and includes an abnormality occurrence prediction unit including a control unit for predicting the occurrence of an abnormality in the processed product processed by the processing equipment. In the device, the control unit divides the actual data acquisition process for acquiring operation data, which is time-series data related to the operation of the processing equipment, and the acquired operation data at predetermined time intervals, and time. From the cluster and the cluster center of gravity, which are classified by matching the pattern acquisition step of generating and acquiring a series pattern, the acquired time series pattern, and the time series pattern clustered in the clustering step. Based on the matching step of deriving the distance and the information including the cluster and the distance derived in the matching step, it is determined from the abnormality occurrence prediction model whether or not an abnormality occurs in the processed product. The abnormality determination step and the execution are performed.
また、本発明の異常発生予測方法は、上記の異常発生予測モデルの生成方法によって生成された前記異常発生予測モデルを用いて、前記加工設備によって加工される前記加工品の異常の発生を予測する異常発生予測方法であって、前記加工設備の稼働に関する時系列のデータである稼働データを取得する実データ取得工程と、取得した前記稼働データを所定の時間間隔毎に区分けして、時系列パターンを生成して取得するパターン取得工程と、取得した前記時系列パターンと、前記クラスタリング工程においてクラスタリングされた前記時系列パターンとをマッチングさせて、分類される前記クラスタと、前記クラスタ重心からの距離とを導出するマッチング工程と、前記マッチング工程において導出された前記クラスタと前記距離とを含む情報に基づいて、前記異常発生予測モデルから、前記加工品に異常が発生するか否かを判定する異常判定工程と、を備える。 Further, the abnormality occurrence prediction method of the present invention predicts the occurrence of an abnormality in the processed product processed by the processing equipment by using the abnormality occurrence prediction model generated by the above-mentioned abnormality occurrence prediction model generation method. An abnormality occurrence prediction method, in which an actual data acquisition process for acquiring operation data, which is time-series data related to the operation of the processing equipment, and the acquired operation data are divided into predetermined time intervals to form a time-series pattern. The distance from the cluster and the center of gravity of the cluster to be classified by matching the acquired time-series pattern with the time-series pattern clustered in the clustering step. Based on the matching step of deriving the data and the information including the cluster and the distance derived in the matching step, an abnormality determination is made to determine whether or not an abnormality occurs in the processed product from the abnormality occurrence prediction model. It has a process.
これらの構成によれば、加工設備の稼働データから、異常発生予測モデルを用いて、加工品の異常の発生を適切に予測することができる。このため、加工品の異常の発生が予測される場合には、加工設備に対して異常対策措置を講ずることが可能となる。 According to these configurations, it is possible to appropriately predict the occurrence of an abnormality in the processed product from the operation data of the processing equipment by using the abnormality occurrence prediction model. Therefore, when it is predicted that an abnormality will occur in the processed product, it is possible to take measures against the abnormality in the processing equipment.
以下に、本発明に係る実施形態を図面に基づいて詳細に説明する。なお、この実施形態によりこの発明が限定されるものではない。また、下記実施形態における構成要素には、当業者が置換可能かつ容易なもの、あるいは実質的に同一のものが含まれる。さらに、以下に記載した構成要素は適宜組み合わせることが可能であり、また、実施形態が複数ある場合には、各実施形態を組み合わせることも可能である。 Hereinafter, embodiments according to the present invention will be described in detail with reference to the drawings. The present invention is not limited to this embodiment. In addition, the components in the following embodiments include those that can be easily replaced by those skilled in the art, or those that are substantially the same. Further, the components described below can be combined as appropriate, and when there are a plurality of embodiments, each embodiment can be combined.
［実施形態１］
図１は、本実施形態に係る異常発生予測装置周りの概略構成図である。本実施形態に係る異常発生予測装置１０は、加工品５に異常が発生することを予測する装置である。加工品５としては、例えば、航空機のガスタービンエンジンの燃焼器を構成する部品であり、例えば、燃焼器ケースである。なお、加工品５は、特に限定されず、何れの加工品であってもよい。この異常発生予測装置１０は、加工品５の異常の発生を予測する異常発生予測モデル（以下、単に予測モデルという）を生成するモデル生成装置として機能すると共に、生成した予測モデルを用いて、加工品の異常の発生を予測する装置として機能する。先ず、異常発生予測装置１０の説明に先立ち、加工設備１について説明する。
[Embodiment 1]
FIG. 1 is a schematic configuration diagram around an abnormality occurrence prediction device according to the present embodiment. The abnormality
加工設備１は、例えば、ＮＣ加工装置であり、図１に示すように、被加工物を加工することで、加工品５を形成している。また、加工設備１は、稼働時において取得及び計測されて収集される各種の稼働データを記憶するデータサーバ３を有している。データサーバ３は、加工設備１の外部へ向けて稼働データを出力可能となっており、例えば、異常発生予測装置１０に稼働データを出力している。
The
稼働データは、時系列のデータであり、時間の変化に伴ってデータ値が変化するデータとなっている。ここで、稼働データとしては、例えば、加工設備１に設けられるサーボモータに与えられるサーボ電流、駆動軸に加わる軸負荷、駆動軸に与えられる軸電流、各部の温度等、種々のデータを含んでいる。
The operation data is time-series data, and the data value changes with the change of time. Here, the operation data includes various data such as, for example, the servo current given to the servo motor provided in the
次に、図１を参照して、異常発生予測装置１０について説明する。異常発生予測装置１０は、上記したように、予測モデルの生成と、予測モデルを用いた加工品の異常発生の予測とを行っている。なお、本実施形態では、予測モデルの生成と、加工品の異常発生の予測とを、単一の異常発生予測装置１０で行う構成としたが、この構成に特に限定されない。予測モデルの生成と、加工品の異常発生の予測とを、複数の装置を用いて行ってもよい。また、異常発生予測装置１０の機能を、加工設備１に設けられる制御装置に実行させる構成であってもよい。
Next, the abnormality
図１に示すように、異常発生予測装置１０は、制御部１１と、記憶部１２とを備えている。制御部１１は、例えば、ＣＰＵ（Central Processing Unit）等の集積回路を含んでいる。記憶部１２は、作業領域となるメモリ及び記録媒体としての半導体記憶デバイスまたは磁気記憶デバイス等を含んでいる。
As shown in FIG. 1, the abnormality
記憶部１２には、加工設備１から出力された稼働データを記憶する。制御部１１は、記憶部１２に記憶された稼働データを用いて、予測モデルを生成したり、加工品の異常発生を予測したりする。
The storage unit 12 stores the operation data output from the
続いて、図２から図１１を参照し、異常発生予測装置１０による予測モデルの生成方法について説明する。図２は、本実施形態に係る異常発生予測モデルの生成方法に関するフローチャートである。図３は、前処理工程におけるデータ結合処理に関する説明図である。図４から図７は、データ結合パターンの一例を示す説明図である。図８及び図９は、前処理工程におけるデータ補完処理の一例に関する説明図である。図１０及び図１１は、本実施形態に係る異常発生予測モデルの生成方法の一部の工程に関する説明図である。
Subsequently, a method of generating a prediction model by the abnormality
図２に示すように、予測モデルの生成方法では、データ取得工程Ｓ１１と、前処理工程Ｓ１２と、パターン取得工程Ｓ１３と、統計処理工程Ｓ１４と、クラスタリング工程Ｓ１５と、判定工程Ｓ１６と、モデル生成工程Ｓ１７と、評価工程Ｓ１８と、を順に行っている。 As shown in FIG. 2, in the method of generating the prediction model, the data acquisition process S11, the preprocessing process S12, the pattern acquisition process S13, the statistical processing process S14, the clustering process S15, the determination process S16, and the model generation Step S17 and evaluation step S18 are performed in order.
データ取得工程Ｓ１１では、過去の稼働データを取得する。つまり、予測モデルを生成するためには、加工品５の異常が発生したときの稼働データを、教師データとして用いる必要があるため、データ取得工程Ｓ１１では、加工品５に異常が発生したときの稼働データ、加工品５が正常に形成されたときの稼働データを含む過去の稼働データを取得している。
In the data acquisition step S11, past operation data is acquired. That is, in order to generate the prediction model, it is necessary to use the operation data when the abnormality of the processed
ここで、データ取得工程Ｓ１１では、一例として、図３に示すような稼働データが取得される。図３では、その横軸が時間軸となっている。図３に示す稼働データは、加工設備１から出力される１種類の稼働データとなっており、発生するイベント毎に異なる出力パターンで出力されたものとなっている。つまり、１種類の稼働データとは、例えば、加工設備１に設けられる単一の計測センサから出力される信号、または加工設備１に設けられる単一のサーボモータに与えられる電流値などである。また、発生するイベントとしては、稼働データのデータ値の変化点であり、この変化点を起点として、稼働データを出力している。
Here, in the data acquisition process S11, as an example, operation data as shown in FIG. 3 is acquired. In FIG. 3, the horizontal axis is the time axis. The operation data shown in FIG. 3 is one type of operation data output from the
図３に示す稼働データを説明するにあたり、例えば、加工設備１の加工開始時から加工停止時までの間に出力される稼働データを例として説明する。まず、加工設備１の加工開始時において、出力パターン１に示す稼働データが出力される。この後、出力パターン１と重複して、出力パターン２に示す稼働データが出力される。出力パターン１の稼働データは、出力パターン２の稼働データの出力中において、出力が終了する。また、出力パターン２と重複して、出力パターン３に示す稼働データが出力される。出力パターン３の稼働データは、出力パターン２の稼働データの出力中において、出力が終了する。また、出力パターン２と重複して、出力パターン４に示す稼働データが出力される。出力パターン４の稼働データは、出力パターン３と同時に出力される。出力パターン４の稼働データは、出力パターン２の稼働データの出力中において、出力が終了するとともに、出力パターン３の稼働データの出力後に、出力が終了する。出力パターン２の稼働データの出力終了後、出力パターン５に示す稼働データが出力され、加工設備１の加工停止前に出力が終了する。このように、図３に示す稼働データは、時間軸において、複数の出力パターンで出力されることから、重複するものとなっている。このため、稼働データを、予測モデルを生成するにあたって適切なデータとすべく、前処理工程Ｓ１２を行っている。
In explaining the operation data shown in FIG. 3, for example, the operation data output from the start of processing to the stop of processing of the
前処理工程Ｓ１２では、データ結合処理Ｓ１２ａと、データ補完処理Ｓ１２ｂと、データ除去処理とが実行される。データ結合処理Ｓ１２ａは、取得した複数の稼働データを時系列に沿って結合する処理である。データ補完処理Ｓ１２ｂは、取得した稼働データの欠損値を補完する処理である。データ除去処理は、取得した稼働データに含まれる不要なデータ値を除去する処理である。 In the pre-processing step S12, the data combination process S12a, the data complement process S12b, and the data removal process are executed. The data combination process S12a is a process of combining a plurality of acquired operation data in chronological order. The data complement processing S12b is a process of complementing the missing value of the acquired operation data. The data removal process is a process for removing unnecessary data values included in the acquired operation data.
データ結合処理Ｓ１２ａは、予め規定したデータ結合条件に基づいて、複数の稼働データを時系列に沿って結合する。データ結合条件は、第１の結合条件Ｃ１と、第２の結合条件Ｃ２と、第３の結合条件Ｃ３とを含んでいる。第１の結合条件Ｃ１は、時系列において複数の稼働データが重複する場合、新規に出現した稼働データを採用する条件である。第２の結合条件Ｃ２は、時系列において複数の稼働データが同時に出現する場合、短い時間となる稼働データを採用する条件である。第３の結合条件Ｃ３は、採用されなかった稼働データを以降採用しない条件である。 The data combination process S12a combines a plurality of operation data in chronological order based on a predetermined data combination condition. The data binding condition includes a first binding condition C1, a second binding condition C2, and a third binding condition C3. The first combination condition C1 is a condition for adopting newly appearing operation data when a plurality of operation data are duplicated in a time series. The second combination condition C2 is a condition for adopting operation data that takes a short time when a plurality of operation data appear at the same time in a time series. The third combination condition C3 is a condition in which the operation data that has not been adopted is not adopted thereafter.
例えば、図３に示すような複数の稼働データを取得した場合、データ結合処理Ｓ１２ａを実行すると、出力パターン１の稼働データと、出力パターン２の稼働データとが重複を開始する点において、第１の結合条件Ｃ１に基づいて、出力パターン２の稼働データが採用される。また、出力パターン２の稼働データと、出力パターン３の稼働データと、出力パターン４の稼働データとが重複を開始する点において、第１の結合条件Ｃ１及び第２の結合条件Ｃ２に基づいて、出力パターン３の稼働データが採用される。また、出力パターン１の稼働データと、出力パターン２の稼働データとが重複を開始する点において、採用されなかった出力パターン１の稼働データは、第３の結合条件Ｃ３に基づいて、以降採用されないものとなる。同様に、出力パターン２の稼働データと、出力パターン３の稼働データと、出力パターン４の稼働データとが重複を開始する点において、採用されなかった出力パターン２の稼働データ及び出力パターン４の稼働データは、第３の結合条件Ｃ３に基づいて、以降採用されないものとなる。
For example, when a plurality of operation data as shown in FIG. 3 is acquired, when the data combination process S12a is executed, the operation data of the
次に、図４から図７を参照して、時系列において稼働データが重複する重複パターンについて、具体的に説明する。図４に示す重複パターン（パターン１）は、稼働データＡと稼働データＢとが、所定の時点Ａ１，Ｂ１において同時に出力が開始され、稼働データＡの出力が所定の時点Ａ２において終了した後に、稼働データＢの出力が所定の時点Ｂ２において終了する。図４に示す重複パターンでは、第２の結合条件Ｃ２に基づいて、稼働データＡが採用される。 Next, with reference to FIGS. 4 to 7, a duplication pattern in which operation data overlaps in a time series will be specifically described. In the overlapping pattern (pattern 1) shown in FIG. 4, after the operation data A and the operation data B start to be output at the same time at the predetermined time points A1 and B1 and the output of the operation data A ends at the predetermined time point A2, The output of the operation data B ends at a predetermined time point B2. In the overlapping pattern shown in FIG. 4, the operation data A is adopted based on the second coupling condition C2.
図５に示す重複パターン（パターン２）は、稼働データＡが、所定の時点Ａ１において出力が開始された後、稼働データＢが、稼働データＡの出力中に、所定の時点Ｂ１において出力が開始される。そして、稼働データＡの出力は、稼働データＢの出力中に、所定の時点Ａ２において終了した後に、稼働データＢの出力は、所定の時点Ｂ２において終了する。図５に示す重複パターンでは、稼働データＡが時点Ａ１から時点Ｂ１までの間にて採用され、第１の結合条件Ｃ１に基づいて、稼働データＢが時点Ｂ１から時点Ｂ２まで採用される。 In the overlapping pattern (pattern 2) shown in FIG. 5, after the operation data A starts to be output at the predetermined time point A1, the operation data B starts to be output at the predetermined time point B1 while the operation data A is being output. Will be done. Then, after the output of the operation data A ends at the predetermined time point A2 during the output of the operation data B, the output of the operation data B ends at the predetermined time point B2. In the overlapping pattern shown in FIG. 5, the operation data A is adopted between the time point A1 and the time point B1, and the operation data B is adopted from the time point B1 to the time point B2 based on the first coupling condition C1.
図６に示す重複パターン（パターン３）は、稼働データＡが、所定の時点Ａ１において出力が開始された後、稼働データＢが、稼働データＡの出力中に、所定の時点Ｂ１において出力が開始される。そして、稼働データＢの出力は、稼働データＡの出力中に、所定の時点Ｂ２において終了した後に、稼働データＡの出力は、所定の時点Ａ２において終了する。図６に示す重複パターンでは、稼働データＡが時点Ａ１から時点Ｂ１までの間にて採用され、第１の結合条件Ｃ１に基づいて、稼働データＢが時点Ｂ１から時点Ｂ２まで採用される。また、稼働データＡは、第３の結合条件Ｃ３に基づいて、稼働データＢの時点Ｂ２以降においても採用されないものとなる。 In the overlapping pattern (pattern 3) shown in FIG. 6, after the operation data A starts to be output at the predetermined time point A1, the operation data B starts to be output at the predetermined time point B1 while the operation data A is being output. Will be done. Then, after the output of the operation data B ends at the predetermined time point B2 during the output of the operation data A, the output of the operation data A ends at the predetermined time point A2. In the overlapping pattern shown in FIG. 6, the operation data A is adopted between the time point A1 and the time point B1, and the operation data B is adopted from the time point B1 to the time point B2 based on the first coupling condition C1. Further, the operation data A is not adopted even after the time point B2 of the operation data B based on the third combination condition C3.
図７に示す重複パターン（パターン４）は、稼働データＡと稼働データＢとが、所定の時点Ａ１，Ｂ１において同時に出力が開始され、稼働データＡと稼働データＢとの出力が所定の時点Ａ２，Ｂ２において同時に終了する。図７に示す重複パターンでは、データ結合条件に含まれない条件となるため、例えば、予め規定した優先順位に基づいて、優先順位の高い稼働データ（図７では、稼働データＡ）が採用される。 In the overlapping pattern (pattern 4) shown in FIG. 7, the operation data A and the operation data B are simultaneously started to be output at the predetermined time points A1 and B1, and the output of the operation data A and the operation data B is the predetermined time point A2. , B2 ends at the same time. Since the duplication pattern shown in FIG. 7 is a condition that is not included in the data combination condition, for example, operation data having a high priority (operation data A in FIG. 7) is adopted based on a predetermined priority. ..
次に、図８及び図９を参照して、データ補完処理Ｓ１２ｂについて説明する。データ補完処理Ｓ１２ｂは、欠損値として出力される直前の稼働データのデータ値を、欠損値を補完するデータ値として置き換えている。図８及び図９は、その横軸が時間軸となっており、その縦軸がデータ値となっている。図８の左側に示すように、所定のサンプリング周期で稼働データのデータ値を取得している場合、所定の時間におけるデータ値が欠損値となっている。この場合、欠損値の直前にサンプリングされた稼働データのデータ値を、欠損値に置き換えて補完することで、図８の右側に示すように、所定のサンプリング周期毎にデータ値を有する稼働データとしている。 Next, the data complement processing S12b will be described with reference to FIGS. 8 and 9. The data complement processing S12b replaces the data value of the operation data immediately before being output as the missing value as the data value for complementing the missing value. In FIGS. 8 and 9, the horizontal axis is the time axis, and the vertical axis is the data value. As shown on the left side of FIG. 8, when the data value of the operation data is acquired in a predetermined sampling cycle, the data value at a predetermined time is a missing value. In this case, by replacing the data value of the operation data sampled immediately before the missing value with the missing value and complementing it, as shown on the right side of FIG. 8, as the operation data having the data value at each predetermined sampling cycle. There is.
図９の左側に示すように、所定のサンプリング周期で稼働データのデータ値を取得している場合、所定の期間におけるデータ値が一定値となっており、所定の期間において所定のサンプリング周期毎のデータ値がブランクとなっている。この場合、所定の期間におけるデータ値を、サンプリング周期毎に一定値となるデータ値に補完することで、図９の右側に示すように、所定のサンプリング周期毎にデータ値を有する稼働データとしている。 As shown on the left side of FIG. 9, when the data value of the operation data is acquired in the predetermined sampling cycle, the data value in the predetermined period is a constant value, and every predetermined sampling cycle in the predetermined period. The data value is blank. In this case, by complementing the data value in the predetermined period with the data value that becomes a constant value in each sampling cycle, as shown on the right side of FIG. 9, the operating data having the data value in each predetermined sampling cycle is obtained. ..
データ除去処理は、稼働データに含まれる過大または過小となるデータ値を除去したり、稼働データが出力されていない無信号期間の稼働データを除去したりしている。また、データ除去処理は、後工程となるクラスタリング工程Ｓ１５においてノイズとなるデータ値を除去してもよい。以上のように、データ取得工程Ｓ１１において取得した稼働データは、前処理工程Ｓ１２において前処理され、前処理された稼働データが、パターン取得工程Ｓ１３において用いられる。 The data removal process removes an excessive or too small data value included in the operation data, or removes the operation data in the non-signal period in which the operation data is not output. In addition, the data removal process may remove data values that cause noise in the clustering step S15, which is a subsequent step. As described above, the operation data acquired in the data acquisition step S11 is preprocessed in the preprocessing step S12, and the preprocessed operation data is used in the pattern acquisition process S13.
パターン取得工程Ｓ１３は、前処理された稼働データを、所定の時間間隔毎に区分けして、複数の時系列パターンを生成し、取得している。図１０に示すように、稼働データは、時系列に沿った連続するデータとなっており、このデータを同じ時間間隔で区分けすることで、部分的な稼働データを時系列パターンとして生成している。そして、区分けされた時系列パターンは、例えば、「１−１」、「１−２」等のＩＤが付与される。また、稼働データは過去の稼働データであることから、生成した時系列パターンは、正常または異常であることを示すためのステータス（例えば、ステータスａ，ステータスｂ，ステータスｃ）が付与される。なお、ステータスは、種々の設定を行うことができ、正常または異常の２値で設定してもよいし、正常から異常までの間の状態を段階的に示す値で設定してもよい。パターン取得工程Ｓ１３において稼働データから生成された複数の時系列パターンは、統計処理工程Ｓ１４において用いられる。 The pattern acquisition step S13 divides the preprocessed operation data at predetermined time intervals to generate and acquire a plurality of time series patterns. As shown in FIG. 10, the operation data is continuous data along a time series, and by dividing this data at the same time interval, partial operation data is generated as a time series pattern. .. Then, for example, IDs such as "1-1" and "1-2" are given to the divided time series patterns. Further, since the operation data is past operation data, the generated time series pattern is given a status (for example, status a, status b, status c) to indicate that it is normal or abnormal. The status can be set in various ways, and may be set by two values of normal or abnormal, or may be set by a value indicating the state from normal to abnormal in stages. The plurality of time series patterns generated from the operation data in the pattern acquisition step S13 are used in the statistical processing step S14.
統計処理工程Ｓ１４は、複数の時系列パターンのそれぞれに対して統計処理を行って、各時系列パターンの統計量を導出し、導出した統計量を時系列パターンに関連付けている。具体的に、統計処理工程Ｓ１４では、パターン抽出処理Ｓ１４ａと、周波数変換処理Ｓ１４ｂと、統計処理Ｓ１４ｃとを行っている。 The statistical processing step S14 performs statistical processing on each of the plurality of time series patterns, derives the statistic of each time series pattern, and associates the derived statistic with the time series pattern. Specifically, in the statistical processing step S14, the pattern extraction processing S14a, the frequency conversion processing S14b, and the statistical processing S14c are performed.
パターン抽出処理Ｓ１４ａは、図１０に示すように、所定のＩＤの時系列パターンに対して所定の窓関数により複数の窓時系列パターンを抽出している。パターン抽出処理Ｓ１４ａでは、窓関数におけるスライド窓の幅が、所定の時間間隔となっており、所定の時間ごとにスライドさせることで、所定のＩＤの時系列パターンから複数の窓時系列パターンを抽出している。 As shown in FIG. 10, the pattern extraction process S14a extracts a plurality of window time series patterns by a predetermined window function for a time series pattern having a predetermined ID. In the pattern extraction process S14a, the width of the slide window in the window function is a predetermined time interval, and by sliding the slide window at a predetermined time interval, a plurality of window time series patterns are extracted from the time series pattern of the predetermined ID. are doing.
周波数変換処理Ｓ１４ｂは、図１０に示すように、パターン抽出処理Ｓ１４ａにおいて抽出した複数の窓時系列パターンのそれぞれを周波数変換（フーリエ変換）して、複数の周波数データを生成している。 As shown in FIG. 10, the frequency conversion process S14b performs frequency conversion (Fourier transform) on each of the plurality of window time series patterns extracted in the pattern extraction process S14a to generate a plurality of frequency data.
統計処理Ｓ１４ｃは、図１０に示すように、所定のＩＤの時系列パラメータの統計量を、所定のＩＤの時系列パラメータから得られた複数の周波数データに基づいて導出している。例えば、統計量としては、複数の周波数データにおいて出力値が最大となる最大値である。なお、統計量は、最大値に限定されず、出力値の平均または標準偏差等の種々の統計値であってもよい。 As shown in FIG. 10, the statistical processing S14c derives the statistic of the time series parameter of the predetermined ID based on the plurality of frequency data obtained from the time series parameter of the predetermined ID. For example, the statistic is the maximum value at which the output value is maximum in a plurality of frequency data. The statistic is not limited to the maximum value, and may be various statistical values such as the average or standard deviation of the output values.
そして、統計処理工程Ｓ１４において導出された統計量は、所定のＩＤの時系列パターンに関連付けて、図１０に示すテーブル２１として生成される。図１０に示すテーブル２１は、時系列パターンに、ＩＤと、統計量と、ステータスとを関連付けたものとなっている。この統計量は、時系列パターンが特異であるか否かを評価するために用いられる。 Then, the statistic derived in the statistical processing step S14 is generated as the table 21 shown in FIG. 10 in association with the time series pattern of a predetermined ID. In the table 21 shown in FIG. 10, the ID, the statistic, and the status are associated with the time series pattern. This statistic is used to assess whether the time series pattern is unique.
次に、図１１を参照して、クラスタリング工程Ｓ１５について説明する。クラスタリング工程Ｓ１５は、パターン取得工程Ｓ１３において取得した複数の時系列パターンをクラスタリングすることで、複数の時系列パターンのクラスタ及びクラスタ重心を導出している。クラスタは、クラスタリング後の複数の時系列パターンの部分集合であり、クラスタ重心は、クラスタにおける複数の時系列パターンの代表点である。なお、クラスタの数は、任意に設定してもよい。クラスタリング工程Ｓ１５では、クラスタリングを行うことで、複数の時系列パターンは、例えば、ＡからＣのクラスタに分類される。分類されたクラスタは、各時系列パターンに関連付けられる。クラスタリング工程Ｓ１５において導出された、クラスタ及びクラスタ重心は、判定工程Ｓ１６において用いられる。 Next, the clustering step S15 will be described with reference to FIG. The clustering step S15 derives a cluster of a plurality of time series patterns and a cluster center of gravity by clustering the plurality of time series patterns acquired in the pattern acquisition step S13. A cluster is a subset of a plurality of time series patterns after clustering, and a cluster center of gravity is a representative point of a plurality of time series patterns in the cluster. The number of clusters may be set arbitrarily. In the clustering step S15, by performing clustering, the plurality of time series patterns are classified into clusters A to C, for example. Classified clusters are associated with each time series pattern. The cluster and the cluster center of gravity derived in the clustering step S15 are used in the determination step S16.
判定工程Ｓ１６は、所定のクラスタに分類された時系列パターンの位置と、所定のクラスタのクラスタ重心の位置との間の距離に基づいて、時系列パターンが正常であるか異常であるかを判定している。判定工程Ｓ１６では、時系列パターンが正常であるか異常であるかを判定するための距離のしきい値が予め設定されており、所定のクラスタのクラスタ重心の位置との間の距離としきい値とを比較することで、時系列パターンが正常であるか異常であるかを判定している。判定工程Ｓ１６において正常または異常と判定されると、所定のＩＤの時系列パターンには、正常または異常の判定結果がラベリングされ（関連付けられ）、図１１に示すテーブル２２として生成される。図１１に示すテーブル２２は、時系列パターンに、ＩＤと、クラスタと、判定結果とを関連付けたものとなっている。 The determination step S16 determines whether the time series pattern is normal or abnormal based on the distance between the position of the time series pattern classified into the predetermined cluster and the position of the center of gravity of the cluster of the predetermined cluster. are doing. In the determination step S16, a threshold value of the distance for determining whether the time series pattern is normal or abnormal is set in advance, and the distance and the threshold value between the position of the cluster center of gravity of the predetermined cluster and the threshold value. By comparing with, it is determined whether the time series pattern is normal or abnormal. When it is determined to be normal or abnormal in the determination step S16, the determination result of normal or abnormal is labeled (associated) with the time series pattern of the predetermined ID, and is generated as the table 22 shown in FIG. In the table 22 shown in FIG. 11, the ID, the cluster, and the determination result are associated with the time series pattern.
モデル生成工程Ｓ１７は、判定工程Ｓ１６において判定された判定結果に基づいて、異常発生予測モデルを生成している。具体的に、モデル生成工程Ｓ１７では、異常発生予測モデルとして、決定木モデル２５を生成している。決定木モデル２５は、判定工程Ｓ１６の判定結果から、加工品５に異常が発生するという結論を導くためのモデルである。決定木モデル２５は、例えば、時系列パラメータがクラスタＢに属しているかの事項を変数とし、また、時系列パラメータがクラスタＢのクラスタ重心からの距離がしきい値を超えているかの事項を変数として、加工品５の異常の発生を予測している。
The model generation step S17 generates an abnormality occurrence prediction model based on the determination result determined in the determination step S16. Specifically, in the model generation step S17, the
なお、モデル生成工程Ｓ１７では、判定工程Ｓ１６において判定された判定結果に加え、統計処理工程Ｓ１４において導出された統計量を変数として用いて、異常発生予測モデルを生成してもよい。 In the model generation step S17, in addition to the determination result determined in the determination step S16, the statistic derived in the statistical processing step S14 may be used as a variable to generate an abnormality occurrence prediction model.
評価工程Ｓ１８は、モデル生成工程Ｓ１７において生成した予測モデル（決定木モデル２５）を用いて予測された予測結果の正答率に基づいて、予測モデルの評価を行っている。評価工程Ｓ１８は、評価用の稼働データが用いられ、評価用の稼働データとしては、例えば、予測モデルに用いられていない稼働データであり、教師データとなる過去の稼働データが用いられる。なお、評価用の稼働データは、既に前処理が行われたものとなっている。 The evaluation step S18 evaluates the prediction model based on the correct answer rate of the prediction result predicted using the prediction model (decision tree model 25) generated in the model generation step S17. In the evaluation step S18, the operation data for evaluation is used, and as the operation data for evaluation, for example, the operation data not used in the prediction model and the past operation data serving as the teacher data are used. The operation data for evaluation has already been preprocessed.
評価工程Ｓ１８では、評価用の稼働データに対して、パターン取得工程Ｓ１３を実行して、複数の時系列パターンを生成すると共に、生成された各時系列パターンに、正常または異常の２値のステータスを付与する。そして、評価工程Ｓ１８では、生成した時系列列パターンと、クラスタリング工程Ｓ１５においてクラスタリングされた複数の時系列パターンとをマッチング（比較）する。評価工程Ｓ１８では、マッチングした結果、生成した時系列パターンの属するクラスタと、クラスタ重心からの距離とを、マッチング結果として導出する。そして、導出したマッチング結果から、決定木モデル２５を用いて、加工品５に異常が発生するか、加工品５が正常であるかを予測する。この予測結果と、時系列パターンに付与されたステータスとを比較して、予測結果とステータスとが一致すれば正解とし、予測結果とステータスとが不一致となれば、誤解答とする。そして、全ての時系列パターンに対する正解の割合を正答率として導出し、正答率が予め規定された規定正答率以上であれば、異常発生予測モデルが使用可能なモデルであると評価している。以上の評価工程Ｓ１８の実行することで、規定正答率以上となる異常発生予測モデルが生成される。
In the evaluation step S18, the pattern acquisition step S13 is executed for the operation data for evaluation to generate a plurality of time series patterns, and each generated time series pattern has a binary status of normal or abnormal. Is given. Then, in the evaluation step S18, the generated time-series sequence pattern and the plurality of time-series patterns clustered in the clustering step S15 are matched (compared). In the evaluation step S18, the cluster to which the generated time series pattern belongs as a result of matching and the distance from the center of gravity of the cluster are derived as the matching result. Then, from the derived matching result, it is predicted whether the processed
次に、図１２及び図１３を参照し、異常発生予測装置１０による異常発生予測方法について説明する。図１２は、本実施形態に係る異常発生予測方法に関するフローチャートである。図１３は、本実施形態に係る異常発生予測方法の一部の工程に関する説明図である。
Next, an abnormality occurrence prediction method by the abnormality
図１２に示すように、異常発生予測方法では、データ取得工程Ｓ２１と、前処理工程Ｓ２２と、パターン取得工程Ｓ２３と、マッチング工程Ｓ２４と、異常判定工程Ｓ２５と、を順に行っている。 As shown in FIG. 12, in the abnormality occurrence prediction method, the data acquisition step S21, the pretreatment step S22, the pattern acquisition step S23, the matching step S24, and the abnormality determination step S25 are performed in order.
データ取得工程Ｓ２１では、加工設備１でリアルタイムに取得されている稼働データを取得する。つまり、加工品５に異常が発生するか否かが未知となる稼働データとなっている。なお、データ取得工程Ｓ２１からパターン取得工程Ｓ２３までは、異常発生予測モデルの生成方法におけるデータ取得工程Ｓ１１からパターン取得工程Ｓ１３までと同様であるため、説明を省略する。また、生成される複数の時系列パターンには、「１’−１」、「１’−２」等のＩＤが付与される。
In the data acquisition process S21, the operation data acquired in real time by the
マッチング工程２４では、未知となる稼働データから取得された時系列パターンと、クラスタリング工程Ｓ１５においてクラスタリングされた複数の時系列パターンとをマッチング（比較）する。マッチング工程２４では、マッチングした結果、生成した時系列パターンの属するクラスタと、クラスタ重心からの距離とを、マッチング結果として導出する。マッチング工程２４においてマッチング結果が導出されると、所定のＩＤの時系列パターンには、クラスタと、クラスタ重心からの距離とが関連付けられ、図１３に示すテーブル３１として生成される。図１３に示すテーブル３１は、時系列パターンに、ＩＤと、クラスタと、距離とを関連付けたものとなっている。そして、図１３に示すテーブル３１は、異常判定工程Ｓ２５において用いられる。 In the matching step 24, the time series pattern acquired from the unknown operation data is matched (compared) with the plurality of time series patterns clustered in the clustering step S15. In the matching step 24, the cluster to which the time series pattern generated as a result of matching belongs and the distance from the center of gravity of the cluster are derived as the matching result. When the matching result is derived in the matching step 24, the cluster and the distance from the center of gravity of the cluster are associated with the time series pattern of the predetermined ID, and the table 31 shown in FIG. 13 is generated. In the table 31 shown in FIG. 13, the ID, the cluster, and the distance are associated with the time series pattern. The table 31 shown in FIG. 13 is used in the abnormality determination step S25.
異常判定工程Ｓ２５では、図１３に示すテーブル３１から、決定木モデル２５を用いて、加工品５に異常が発生するか、加工品５が正常であるかを予測する。つまり、異常判定工程Ｓ２５では、図１３に示すテーブル３１に含まれる情報に基づいて、決定木モデル２５を辿ることにより、結論として、異常が発生するか、または、正常であるかの予測を得る。
In the abnormality determination step S25, it is predicted from the table 31 shown in FIG. 13 whether an abnormality occurs in the processed
なお、決定木モデル２５に変数として統計量を含む場合には、異常発生予測方法において、統計量処理工程を実行し、時系列パターンの統計量を用いて、加工品５の異常の発生を予測してもよい。
When the
また、異常発生予測装置１０は、上記の異常発生予測方法により加工品５の異常の発生を予測した場合、加工設備１に対して加工停止信号を出力し、加工設備１による加工品５の加工を停止させてもよい。つまり、異常発生予測装置１０は、上記の異常発生予測方法により加工品５の異常の発生を予測した場合、加工設備１に対して異常対策措置を講ずる信号を出力したり、または、加工品５の異常に関する情報を提供したりしてもよい。
Further, when the abnormality
以上のように、本実施形態によれば、時系列パターンをクラスタリングし、クラスタリングをすることで得られるクラスタ及びクラスタ重心から、時系列パターンの異常または正常を判定して、判定結果に基づく異常発生予測モデルを生成することができる。このため、加工品５の異常及び正常を迅速に予測できる異常発生予測モデルを用いることができ、加工品５の異常の発生が予測される場合には、加工設備１に対して異常対策措置を講ずることが可能となる。
As described above, according to the present embodiment, the time series pattern is clustered, the abnormality or normality of the time series pattern is determined from the cluster and the center of gravity of the cluster obtained by the clustering, and the abnormality occurs based on the determination result. Predictive models can be generated. Therefore, it is possible to use an abnormality occurrence prediction model that can quickly predict the abnormality and normality of the processed
また、本実施形態によれば、時系列パターンの統計量を導出することができるため、統計量に基づいて、時系列パターンが特異でないパターンであるか否かを評価することができる。 Further, according to the present embodiment, since the statistic of the time series pattern can be derived, it is possible to evaluate whether or not the time series pattern is a non-singular pattern based on the statistic.
また、本実施形態によれば、時系列パターンの周波数成分に係る統計量を、複数の周波数データから導出することができるため、適切なサンプル数に基づく統計処理を実行することができる。 Further, according to the present embodiment, since the statistic relating to the frequency component of the time series pattern can be derived from a plurality of frequency data, statistical processing based on an appropriate number of samples can be executed.
また、本実施形態によれば、稼働データを前処理することで、適切な稼働データを生成し、クラスタリング工程に用いることが可能となる。 Further, according to the present embodiment, by preprocessing the operation data, it is possible to generate appropriate operation data and use it in the clustering step.
また、本実施形態によれば、データ結合処理Ｓ１２ａを行うことで、稼働データが時系列において重複する場合であっても、稼働データを適切に結合することができ、時系列に沿った適切な稼働データを生成することができる。 Further, according to the present embodiment, by performing the data combination process S12a, even if the operation data overlaps in the time series, the operation data can be appropriately combined, and it is appropriate along the time series. Operational data can be generated.
また、本実施形態によれば、データ補完処理Ｓ１２ｂを行うことで、欠損値を補完することができるため、時系列に沿った適切な稼働データを生成することができる。 Further, according to the present embodiment, since the missing value can be complemented by performing the data complement processing S12b, it is possible to generate appropriate operation data along the time series.
また、本実施形態によれば、異常発生予測モデルとして決定木モデル２５を用いることにより、簡易な選択（変数）で、加工品５の異常の発生を予測することが可能となるため、予測の判定を迅速に行うことができ、また、予測の処理に関する負荷が低いため、予測をするために構築されるシステムを簡易なものとすることができる。
Further, according to the present embodiment, by using the
また、本実施形態によれば、異常発生予測モデルを評価することで、異常発生予測モデルの予測精度を適切に担保することができる。 Further, according to the present embodiment, the prediction accuracy of the abnormality occurrence prediction model can be appropriately ensured by evaluating the abnormality occurrence prediction model.
また、本実施形態によれば、異常発生予測装置１０を用いた異常発生予測方法を行うことで、加工設備１の稼働データから、異常発生予測モデルを用いて、加工品５の異常の発生を適切に予測することができる。
Further, according to the present embodiment, by performing the abnormality occurrence prediction method using the abnormality
１ 加工設備
３ データサーバ
５ 加工品
１０ 異常発生予測装置
１１ 制御部
１２ 記憶部
２１ テーブル
２２ テーブル
２５ 決定木モデル
３１ テーブル
1
Claims (11)
前記制御部は、
前記加工設備の稼働に関する時系列のデータである稼働データを取得するデータ取得工程と、
取得した前記稼働データを所定の時間間隔毎に区分けして、複数の時系列パターンを生成して取得するパターン取得工程と、
取得した複数の前記時系列パターンをクラスタリングして、複数のクラスタに分類すると共に、各前記クラスタのクラスタ重心を導出するクラスタリング工程と、
所定の前記クラスタに属する前記時系列パターンの前記クラスタ重心からの距離に基づいて、前記時系列パターンが正常であるか異常であるかを判定し、判定結果を前記時系列パターンにラベリングする判定工程と、
前記判定工程において判定された判定結果に基づいて、前記異常発生予測モデルを生成するモデル生成工程と、を実行するモデル生成装置。 It is a model generation device including a control unit that generates an abnormality occurrence prediction model for predicting the occurrence of an abnormality in a processed product processed by a processing facility.
The control unit
A data acquisition process for acquiring operation data, which is time-series data related to the operation of the processing equipment,
A pattern acquisition process in which the acquired operation data is divided into predetermined time intervals to generate and acquire a plurality of time-series patterns, and
A clustering step of clustering the acquired plurality of the time series patterns, classifying them into a plurality of clusters, and deriving the cluster center of gravity of each of the clusters.
A determination step of determining whether the time series pattern is normal or abnormal based on the distance of the time series pattern belonging to the predetermined cluster from the center of gravity of the cluster, and labeling the determination result with the time series pattern. When,
A model generation device that executes a model generation step of generating the abnormality occurrence prediction model based on the determination result determined in the determination step.
前記パターン取得工程後に実行され、取得した複数の前記時系列パターンのそれぞれに対して統計処理を行って、各前記時系列パターンの統計量を導出し、導出した統計量を前記時系列パターンに関連付ける統計処理工程を、さらに実行する請求項１に記載のモデル生成装置。 The control unit
Statistical processing is performed on each of the plurality of acquired time-series patterns executed after the pattern acquisition step, the statistic of each of the time-series patterns is derived, and the derived statistic is associated with the time-series pattern. The model generator according to claim 1, further performing a statistical processing step.
前記時系列パターンに対して所定の窓関数により複数の窓時系列パターンを抽出するパターン抽出処理と、
抽出した複数の前記窓時系列パターンのそれぞれを周波数変換して、複数の周波数データを生成する周波数変換処理と、
生成した複数の前記周波数データを用いて、前記時系列パターンの統計量を導出する統計処理と、を実行する請求項２に記載のモデル生成装置。 In the statistical processing step,
A pattern extraction process that extracts a plurality of window time series patterns by a predetermined window function for the time series pattern, and
Frequency conversion processing that generates a plurality of frequency data by frequency-converting each of the extracted plurality of window time-series patterns, and
The model generator according to claim 2, wherein the statistical processing for deriving the statistics of the time-series pattern using the generated plurality of frequency data is performed.
前記モデル生成装置は、前記パターン取得工程を実行する前に、複数の前記稼働データを前処理する前処理工程を実行し、
前記前処理工程では、
取得した複数の前記稼働データを時系列に沿って結合するデータ結合処理と、
取得した前記稼働データの欠損値を補完するデータ補完処理と、
取得した前記稼働データに含まれる不要なデータ値を除去するデータ除去処理と、の少なくとも１つの処理を実行する請求項１から３のいずれか１項に記載のモデル生成装置。 In the data acquisition process, a plurality of the operation data output each time an event occurs are acquired.
The model generation device executes a preprocessing step of preprocessing a plurality of the operation data before executing the pattern acquisition step.
In the pretreatment step,
Data combination processing that combines the acquired multiple operation data in chronological order,
Data completion processing that complements the missing value of the acquired operation data,
The model generator according to any one of claims 1 to 3, wherein a data removal process for removing unnecessary data values included in the acquired operation data and at least one process are executed.
前記データ結合条件は、
時系列において複数の前記稼働データが重複する場合、新規に出現した前記稼働データを採用する第１の結合条件と、
時系列において複数の前記稼働データが同時に出現する場合、短い時間となる前記稼働データを採用する第２の結合条件と、
採用されなかった前記稼働データを以降採用しない第３の結合条件と、を含む請求項４に記載のモデル生成装置。 In the data combination process, a plurality of the operation data are combined in chronological order based on the data combination conditions.
The data combination condition is
When a plurality of the operation data are duplicated in the time series, the first combination condition for adopting the newly appearing operation data and the first combination condition
When a plurality of the operation data appear at the same time in a time series, a second combination condition for adopting the operation data, which is a short time, and
The model generator according to claim 4, further comprising a third combination condition in which the operation data that has not been adopted is not adopted thereafter.
前記評価工程では、前記異常発生予測モデルを用いて予測された予測結果の正答率が、予め設定された規定正答率以上であれば、前記異常発生予測モデルが使用可能なモデルであると評価する請求項１から７のいずれか１項に記載のモデル生成装置。 An evaluation step for evaluating the abnormality occurrence prediction model generated in the model generation step is further provided.
In the evaluation step, if the correct answer rate of the prediction result predicted using the abnormality occurrence prediction model is equal to or higher than the preset predetermined correct answer rate, it is evaluated that the abnormality occurrence prediction model is a usable model. The model generator according to any one of claims 1 to 7.
前記制御部は、
前記加工設備の稼働に関する時系列のデータである稼働データを取得する実データ取得工程と、
取得した前記稼働データを所定の時間間隔毎に区分けして、時系列パターンを生成して取得するパターン取得工程と、
取得した前記時系列パターンと、前記クラスタリング工程においてクラスタリングされた前記時系列パターンとをマッチングさせて、分類される前記クラスタと、前記クラスタ重心からの距離とを導出するマッチング工程と、
前記マッチング工程において導出された前記クラスタと前記距離とを含む情報に基づいて、前記異常発生予測モデルから、前記加工品に異常が発生するか否かを判定する異常判定工程と、を実行する異常発生予測装置。 An abnormality including a control unit that predicts the occurrence of an abnormality in the processed product processed by the processing equipment using the abnormality occurrence prediction model generated by the model generator according to any one of claims 1 to 8. It is an outbreak prediction device
The control unit
The actual data acquisition process for acquiring operation data, which is time-series data related to the operation of the processing equipment,
A pattern acquisition process in which the acquired operation data is divided into predetermined time intervals to generate and acquire a time-series pattern, and
A matching step of matching the acquired time-series pattern with the time-series pattern clustered in the clustering step to derive the distance from the cluster and the center of gravity of the cluster to be classified.
An abnormality that executes an abnormality determination step of determining whether or not an abnormality occurs in the processed product from the abnormality occurrence prediction model based on the information including the cluster and the distance derived in the matching step. Occurrence prediction device.
前記加工設備の稼働に関する時系列のデータである稼働データを取得するデータ取得工程と、
取得した前記稼働データを所定の時間間隔毎に区分けして、複数の時系列パターンを生成して取得するパターン取得工程と、
取得した複数の前記時系列パターンをクラスタリングして、複数のクラスタに分類すると共に、各前記クラスタのクラスタ重心を導出するクラスタリング工程と、
所定の前記クラスタに属する前記時系列パターンの前記クラスタ重心からの距離に基づいて、前記時系列パターンが正常であるか異常であるかを判定し、判定結果を前記時系列パターンにラベリングする判定工程と、
前記判定工程において判定された判定結果に基づいて、前記異常発生予測モデルを生成するモデル生成工程と、を備える異常発生予測モデルの生成方法。 It is a method of generating an abnormality occurrence prediction model that generates an abnormality occurrence prediction model for predicting the occurrence of an abnormality in a processed product processed by a processing facility.
A data acquisition process for acquiring operation data, which is time-series data related to the operation of the processing equipment,
A pattern acquisition process in which the acquired operation data is divided into predetermined time intervals to generate and acquire a plurality of time-series patterns, and
A clustering step of clustering the acquired plurality of the time series patterns, classifying them into a plurality of clusters, and deriving the cluster center of gravity of each of the clusters.
A determination step of determining whether the time series pattern is normal or abnormal based on the distance of the time series pattern belonging to the predetermined cluster from the center of gravity of the cluster, and labeling the determination result with the time series pattern. When,
A method for generating an abnormality occurrence prediction model, comprising a model generation step of generating the abnormality occurrence prediction model based on the determination result determined in the determination step.
前記加工設備の稼働に関する時系列のデータである稼働データを取得する実データ取得工程と、
取得した前記稼働データを所定の時間間隔毎に区分けして、時系列パターンを生成して取得するパターン取得工程と、
取得した前記時系列パターンと、前記クラスタリング工程においてクラスタリングされた前記時系列パターンとをマッチングさせて、分類される前記クラスタと、前記クラスタ重心からの距離とを導出するマッチング工程と、
前記マッチング工程において導出された前記クラスタと前記距離とを含む情報に基づいて、前記異常発生予測モデルから、前記加工品に異常が発生するか否かを判定する異常判定工程と、を備える異常発生予測方法。 An abnormality occurrence prediction method for predicting the occurrence of an abnormality in the processed product processed by the processing equipment by using the abnormality occurrence prediction model generated by the abnormality occurrence prediction model generation method according to claim 10. ,
The actual data acquisition process for acquiring operation data, which is time-series data related to the operation of the processing equipment,
A pattern acquisition process in which the acquired operation data is divided into predetermined time intervals to generate and acquire a time-series pattern, and
A matching step of matching the acquired time-series pattern with the time-series pattern clustered in the clustering step to derive the distance from the cluster and the center of gravity of the cluster to be classified.
An abnormality occurrence including an abnormality determination step of determining whether or not an abnormality occurs in the processed product from the abnormality occurrence prediction model based on information including the cluster and the distance derived in the matching step. Prediction method.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019064623A JP2020166407A (en) | 2019-03-28 | 2019-03-28 | Model generation device, abnormality occurrence prediction device, abnormality occurrence prediction model generation method and abnormality occurrence prediction method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019064623A JP2020166407A (en) | 2019-03-28 | 2019-03-28 | Model generation device, abnormality occurrence prediction device, abnormality occurrence prediction model generation method and abnormality occurrence prediction method |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2020166407A true JP2020166407A (en) | 2020-10-08 |
Family
ID=72716186
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019064623A Pending JP2020166407A (en) | 2019-03-28 | 2019-03-28 | Model generation device, abnormality occurrence prediction device, abnormality occurrence prediction model generation method and abnormality occurrence prediction method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2020166407A (en) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116820056A (en) * | 2023-08-29 | 2023-09-29 | 青岛义龙包装机械有限公司 | Production process parameter processing method for bag type packaging machine |
| JP7484065B1 (en) | 2022-12-20 | 2024-05-16 | ワイセイテック カンパニー リミテッド | Control device and method for intelligent manufacturing equipment |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002229971A (en) * | 2001-02-06 | 2002-08-16 | Nippon Steel Corp | Operation analyzing apparatus, operationanalyzing method, computer-readable memory media, and computer program |
| JP2004288144A (en) * | 2003-01-29 | 2004-10-14 | Nippon Steel Corp | Apparatus and method for analyzing operation result of manufacturing process, and computer-readable storage medium |
| JP2008186413A (en) * | 2007-01-31 | 2008-08-14 | Ntt Data Corp | Demand forecast device, demand forecast method, and demand forecast program |
| JP2010009112A (en) * | 2008-06-24 | 2010-01-14 | Toshiba Corp | Apparatus and method for generating time series data |
| JP2015088078A (en) * | 2013-11-01 | 2015-05-07 | 株式会社日立パワーソリューションズ | Abnormality sign detection system and abnormality sign detection method |
| JP2016177678A (en) * | 2015-03-20 | 2016-10-06 | 株式会社東芝 | Allergy onset risk prediction system, method and program |
-
2019
- 2019-03-28 JP JP2019064623A patent/JP2020166407A/en active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002229971A (en) * | 2001-02-06 | 2002-08-16 | Nippon Steel Corp | Operation analyzing apparatus, operationanalyzing method, computer-readable memory media, and computer program |
| JP2004288144A (en) * | 2003-01-29 | 2004-10-14 | Nippon Steel Corp | Apparatus and method for analyzing operation result of manufacturing process, and computer-readable storage medium |
| JP2008186413A (en) * | 2007-01-31 | 2008-08-14 | Ntt Data Corp | Demand forecast device, demand forecast method, and demand forecast program |
| JP2010009112A (en) * | 2008-06-24 | 2010-01-14 | Toshiba Corp | Apparatus and method for generating time series data |
| JP2015088078A (en) * | 2013-11-01 | 2015-05-07 | 株式会社日立パワーソリューションズ | Abnormality sign detection system and abnormality sign detection method |
| JP2016177678A (en) * | 2015-03-20 | 2016-10-06 | 株式会社東芝 | Allergy onset risk prediction system, method and program |
Non-Patent Citations (1)
| Title |
|---|
| 中野 宏毅 ほか, ウェーブレットによる信号処理と画像処理, vol. 初版, JPN6023004053, 15 August 1999 (1999-08-15), JP, pages 2 - 2, ISSN: 0005118246 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7484065B1 (en) | 2022-12-20 | 2024-05-16 | ワイセイテック カンパニー リミテッド | Control device and method for intelligent manufacturing equipment |
| CN116820056A (en) * | 2023-08-29 | 2023-09-29 | 青岛义龙包装机械有限公司 | Production process parameter processing method for bag type packaging machine |
| CN116820056B (en) * | 2023-08-29 | 2023-11-14 | 青岛义龙包装机械有限公司 | Production process parameter processing method for bag type packaging machine |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP5048625B2 (en) | Anomaly detection method and system | |
| JP6450858B2 (en) | Equipment management apparatus and method | |
| JP5538597B2 (en) | Anomaly detection method and anomaly detection system | |
| EP3105644B1 (en) | Method of identifying anomalies | |
| US20150346066A1 (en) | Asset Condition Monitoring | |
| JP6880843B2 (en) | Management equipment and management program | |
| KR102221473B1 (en) | System for error detection according to plc control | |
| JP5498540B2 (en) | Anomaly detection method and system | |
| CN111459700A (en) | Method and apparatus for diagnosing device failure, diagnostic device, and storage medium | |
| JP2010191556A (en) | Abnormality detecting method and abnormality detecting system | |
| JP2015011027A (en) | Method for detecting anomalies in time series data | |
| JP2009064407A (en) | Process analysis apparatus, process analysis method, and process analysis program | |
| US20200125970A1 (en) | Defect factor estimation device and defect factor estimation method | |
| Ye et al. | Adaptive board-level functional fault diagnosis using decision trees | |
| US10788817B2 (en) | Manufacturing process analysis device, manufacturing process analysis method, and recording medium whereupon manufacturing process analysis program is stored | |
| WO2017051562A1 (en) | Abnormality diagnosis system | |
| JP2020166407A (en) | Model generation device, abnormality occurrence prediction device, abnormality occurrence prediction model generation method and abnormality occurrence prediction method | |
| JP6802122B2 (en) | Cause estimation method and program | |
| Eger et al. | Knowledge capturing platform in multi-stage production systems for zero-defect manufacturing | |
| CN110727669B (en) | Electric power system sensor data cleaning device and cleaning method | |
| JP2019200650A5 (en) | ||
| JP6798968B2 (en) | Noise cause estimation device | |
| EP4131881A1 (en) | Industrial network behavior analysis method, apparatus and system, and computer-readable medium | |
| US20220342375A1 (en) | Master pattern generation method based on control program analysis and training method for cycle analysis model | |
| CN111240939A (en) | Operation and maintenance data anomaly detection method and device for power grid information system |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A625 | Written request for application examination (by other person) |
Free format text: JAPANESE INTERMEDIATE CODE: A625 Effective date: 20220127 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221227 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230207 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230801 |