JP2020187502A - Diagnosis device, diagnosis method and processing device - Google Patents
Diagnosis device, diagnosis method and processing device Download PDFInfo
- Publication number
- JP2020187502A JP2020187502A JP2019091012A JP2019091012A JP2020187502A JP 2020187502 A JP2020187502 A JP 2020187502A JP 2019091012 A JP2019091012 A JP 2019091012A JP 2019091012 A JP2019091012 A JP 2019091012A JP 2020187502 A JP2020187502 A JP 2020187502A
- Authority
- JP
- Japan
- Prior art keywords
- diagnostic
- data
- feature amount
- unit
- measurement data
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
Description
本発明は、診断対象を診断する診断装置と診断方法および加工装置に関する。 The present invention relates to a diagnostic apparatus, a diagnostic method, and a processing apparatus for diagnosing a diagnostic object.
近年、製造現場における多品種少量生産や混流生産のニーズが高まっている。そのため、タレットパンチやマシニングセンタなどの複合加工機を用いた製造が盛んになっている。これらの複合加工機は、1台の機器のなかに複数種類のツール(タレットパンチの場合はダイ・パンチ、マシニングセンタの場合はスピンドル)が設置されており、指令コードに基づいて、これらのツールを適宜交換して加工することができる。そのため、製品ごとに形状や材料が異なる多品種少量生産や混流生産に適している。 In recent years, there has been an increasing need for high-mix low-volume production and mixed-flow production at manufacturing sites. Therefore, manufacturing using multi-tasking machines such as turret punch punches and machining centers is becoming popular. In these multi-tasking machines, multiple types of tools (die punch for turret punches, spindles for machining centers) are installed in one device, and these tools are used based on the command code. It can be exchanged and processed as appropriate. Therefore, it is suitable for high-mix low-volume production and mixed production with different shapes and materials for each product.
この種の複合加工機においては、加工を繰り返すうちにツールが劣化して加工対象の仕上がり品質が低下することがあり、生産におけるロスコストを抑制するためには、ツールの劣化を早期に発見し、不良品の発生を最小限に抑えることが重要となる。ツールの劣化を検知する手法としては、ツールの劣化に起因して発生する物理量(電圧・電流、振動、温度など)の変動をセンサで取得して検知する手法がある。 In this type of multi-tasking machine, the tool may deteriorate as the machining is repeated and the finished quality of the object to be machined may deteriorate. In order to suppress the loss cost in production, the deterioration of the tool should be detected early. It is important to minimize the occurrence of defective products. As a method of detecting the deterioration of the tool, there is a method of acquiring and detecting fluctuations in physical quantities (voltage / current, vibration, temperature, etc.) generated due to the deterioration of the tool with a sensor.
一方で、複合加工機の場合、ツールごとに使用頻度が異なるため、ツールごとに劣化の進展具合も異なる。そのため、ツールの劣化を検知する前処理として、センサで連続的に取得したデータの中から、対象となるツールで加工しているときのデータを抽出する必要がある。すなわち、対象となるツールを特定するために、測定した波形から加工ツールを精度よく推定することが重要となる。 On the other hand, in the case of a multi-tasking machine, since the frequency of use differs for each tool, the degree of deterioration progresses for each tool. Therefore, as a preprocessing for detecting the deterioration of the tool, it is necessary to extract the data when processing with the target tool from the data continuously acquired by the sensor. That is, in order to identify the target tool, it is important to accurately estimate the machining tool from the measured waveform.
そのため、特許文献1には、「電気機器1a及び1bに供給されている電圧、電流及び電力のうち少なくとも1つの計測結果を取得し、計測結果に基づいて、電気機器1a及び1bの電気的特徴量を計算する、特徴量計算部10a及び10bと、電気的特徴量を、電気機器の種類毎に予め設定されている電気的特徴量に照合して、電気機器の種類の候補を選出する、候補選出部20と、候補の中から、電気機器における状況毎の出現の可能性を示す出現係数に基づいて、電気機器1a及び1bの種類を判別する、機器判別部30を、を備えている電気機器判別装置101。」に関する技術が記載されている。 Therefore, Patent Document 1 states that "at least one measurement result of the voltage, current, and power supplied to the electric devices 1a and 1b is acquired, and the electrical characteristics of the electric devices 1a and 1b are obtained based on the measurement results. The feature quantity calculation units 10a and 10b for calculating the quantity and the electrical feature quantity are collated with the electrical feature quantity preset for each type of electrical equipment, and candidates for the type of electrical equipment are selected. It includes a candidate selection unit 20 and a device discrimination unit 30 that discriminates the types of the electrical devices 1a and 1b from the candidates based on the appearance coefficient indicating the possibility of appearance in each situation in the electrical device. A technique relating to "Electrical device discrimination device 101." Is described.
しかしながら、特許文献1では、特徴量計算部が、判別対象となる電気機器に供給される電圧、電流、及び電力のうち少なくとも1つの計測結果(最大値・最小値・実効値)に基づいて特徴量を計算しているので、特徴量が瞬時値となる。このため、計測結果にノイズが重畳した場合、計測結果から得られる特徴量が、電気信号に重畳するノイズの影響を受け、外れ値となる可能性がある。 However, in Patent Document 1, the feature amount calculation unit features based on the measurement result (maximum value, minimum value, effective value) of at least one of the voltage, current, and electric power supplied to the electric device to be discriminated. Since the quantity is calculated, the feature quantity becomes an instantaneous value. Therefore, when noise is superimposed on the measurement result, the feature amount obtained from the measurement result may be affected by the noise superimposed on the electric signal and may become an outlier.
本発明の目的は、診断対象から得られた時系列データにノイズが重畳しても、診断対象の種類を正確に推定することにある。 An object of the present invention is to accurately estimate the type of the diagnosis target even if noise is superimposed on the time series data obtained from the diagnosis target.
上記課題を解決するために、本発明は、複数の診断対象のうちいずれか一つの状態を示す時系列データを測定データとして取得するデータ取得部と、前記複数の診断対象の各々の種類を特定する時系列データとして管理された複数の参照データを格納するデータ記憶部と、前記データ取得部の取得による前記測定データと前記データ記憶部に格納された前記参照データとを基に前記測定データと前記参照データとの類似度を設定時刻毎に演算する類似度演算部と、前記測定データと前記参照データとの類似度で管理される特徴量を前記複数の診断対象の各々の種類に対応づけて記憶する特徴量記憶部と、前記類似度演算部の演算結果を基に前記特徴量記憶部を参照して、前記複数の診断対象のうち前記測定データの取得先となる診断対象の種類を推定する診断対象推定部と、を備えることを特徴とする。 In order to solve the above problems, the present invention specifies a data acquisition unit that acquires time-series data indicating the state of any one of a plurality of diagnostic targets as measurement data, and a type of each of the plurality of diagnostic targets. The measurement data is based on a data storage unit that stores a plurality of reference data managed as time-series data, the measurement data acquired by the data acquisition unit, and the reference data stored in the data storage unit. The similarity calculation unit that calculates the similarity with the reference data for each set time and the feature amount managed by the similarity between the measurement data and the reference data are associated with each type of the plurality of diagnostic targets. With reference to the feature amount storage unit to be stored and the calculation result of the similarity calculation unit, the type of the diagnosis target to be acquired from the measurement data among the plurality of diagnosis targets can be selected. It is characterized by including a diagnostic target estimation unit for estimation.
本発明によれば、診断対象から得られた時系列データにノイズが重畳しても、診断対象の種類を正確に推定することができる。 According to the present invention, even if noise is superimposed on the time series data obtained from the diagnosis target, the type of the diagnosis target can be accurately estimated.
以下、本発明の実施例について図面を用いて説明する。 Hereinafter, examples of the present invention will be described with reference to the drawings.
図1は、本発明を適用した診断装置の実施例1を示す構成図である。図1において、診断装置100は、データ取得部101、診断部102、データ記憶部103、類似度演算部104、特徴量記憶部105、ツール推定部106、診断モデル選択部107、出力部108を備え、データ取得部101が、機器50に接続される。機器50には、診断装置100の診断対象となる複数種類のツール51が配置される。機器50は、例えば、加工装置、工作機械、加工機械、複合加工機で構成される。各ツール51としては、機器50が、モータを含む複合加工機の場合、例えば、ダイ・パンチ、スピンドルなどの加工ツールが用いられる。 FIG. 1 is a configuration diagram showing a first embodiment of a diagnostic apparatus to which the present invention is applied. In FIG. 1, the diagnostic apparatus 100 includes a data acquisition unit 101, a diagnostic unit 102, a data storage unit 103, a similarity calculation unit 104, a feature amount storage unit 105, a tool estimation unit 106, a diagnostic model selection unit 107, and an output unit 108. The data acquisition unit 101 is connected to the device 50. A plurality of types of tools 51 to be diagnosed by the diagnostic device 100 are arranged in the device 50. The device 50 is composed of, for example, a processing device, a machine tool, a processing machine, and a multi-tasking machine. As each tool 51, when the device 50 is a multi-tasking machine including a motor, for example, a machining tool such as a die punch or a spindle is used.
データ取得部101は、機器50から、複数のツール(診断対象)のうちいずれか一つの状態を示す時系列データとして、例えば、あるツール51を駆動するためのモータの電流波形を示す測定データ(機器50で測定された測定データ)を取得し、取得した測定データを診断部102に出力すると共に、データ記憶部103を介して類似度演算部104に出力する。データ記憶部103は、複数のツール51に関するデータを格納するデータベースである。このデータ記憶部103には、例えば、各ツール51が正常状態にあるときに、各ツール51をモータが駆動したときのモータの出力信号を基に予め生成された、複数の参照データD1、・・・、Dnが格納される。各参照データD1、・・・、Dnには、機器50からの時系列データ(測定データ)に対応したデータであって、診断対象(ツール51)の種類を特定する時系列データとして管理されたデータが用いられる。例えば、時系列データ(測定データ)が、モータの電流波形を示すデータである場合、各参照データD1、・・・、Dnとして、モータの電流波形に対応した時系列データが用いられる。なお、時系列データとしては、モータの電流に関するデータの他に、モータの電圧・電力に関するデータや、制御指令値を示すデータを用いることができる。また、時系列データとして、モータの電流、電圧、電力などの電気信号を示すデータを用いることで、時系列データを容易に測定することができる。 The data acquisition unit 101 is, as time-series data indicating the state of any one of the plurality of tools (diagnosis targets) from the device 50, for example, measurement data indicating the current waveform of the motor for driving a certain tool 51 ( The measurement data measured by the device 50) is acquired, and the acquired measurement data is output to the diagnosis unit 102 and output to the similarity calculation unit 104 via the data storage unit 103. The data storage unit 103 is a database that stores data related to a plurality of tools 51. In the data storage unit 103, for example, when each tool 51 is in a normal state, a plurality of reference data D1 generated in advance based on the output signal of the motor when the motor drives each tool 51, ... ..., Dn is stored. The reference data D1, ..., Dn are data corresponding to the time series data (measurement data) from the device 50, and are managed as time series data for specifying the type of the diagnosis target (tool 51). Data is used. For example, when the time series data (measurement data) is data indicating the current waveform of the motor, the time series data corresponding to the current waveform of the motor is used as the reference data D1, ..., Dn. As the time-series data, in addition to the data related to the current of the motor, the data related to the voltage and power of the motor and the data indicating the control command value can be used. Further, by using data indicating electric signals such as motor current, voltage, and electric power as time series data, time series data can be easily measured.
類似度演算部104は、データ取得部101の取得による測定データとデータ記憶部103に格納された各参照データとを基に測定データと各参照データD1、・・・、Dnとの類似度R1、・・・、Rnを設定時刻毎にそれぞれ演算し、各演算結果をそれぞれ特徴量の一要素として特徴量記憶部105に格納する。ツール推定部106は、特徴量記憶部105に格納された各演算結果の情報を基に管理テーブル(複数のツール51の種類に応じた特徴量を管理するデータベース・図示せず)を参照し、参照結果から、ツール51の種類を推定し、推定結果を診断モデル選択部107に出力する。 The similarity calculation unit 104 uses the measurement data acquired by the data acquisition unit 101 and the reference data stored in the data storage unit 103 as the basis for the measurement data and the reference data D1, ..., Dn and the similarity R1. , ..., Rn is calculated for each set time, and each calculation result is stored in the feature quantity storage unit 105 as an element of the feature quantity. The tool estimation unit 106 refers to a management table (a database that manages feature amounts according to the types of a plurality of tools 51, not shown) based on the information of each calculation result stored in the feature amount storage unit 105. The type of the tool 51 is estimated from the reference result, and the estimation result is output to the diagnostic model selection unit 107.
診断モデル選択部107は、複数のツール51の種類(クラスタ)に対応した複数の診断モデルに関する情報を保持し、ツール推定部106の推定結果(ツール51の種類)を基に、複数の診断モデルの中から、ツール推定部106で推定したツール51の種類に対応した診断モデルを選択し、選択した診断モデルの情報を診断部102に出力する。各診断モデルの情報は、例えば、時系列データとして、モータの電流波形を示すデータである場合、各ツール51が正常状態にあるときに、各ツール51をモータが駆動したときのモータの電流波形に相当するデータであって、各ツール51の状態を診断するときの基準値となるデータで構成される。 The diagnostic model selection unit 107 holds information on a plurality of diagnostic models corresponding to the types (clusters) of the plurality of tools 51, and based on the estimation results (types of the tools 51) of the tool estimation unit 106, the plurality of diagnostic models. A diagnostic model corresponding to the type of the tool 51 estimated by the tool estimation unit 106 is selected from the above, and the information of the selected diagnostic model is output to the diagnostic unit 102. For example, when the information of each diagnostic model is data showing the current waveform of the motor as time series data, the current waveform of the motor when the motor drives each tool 51 when each tool 51 is in the normal state. The data corresponds to, and is composed of data that serves as a reference value when diagnosing the state of each tool 51.
診断部102は、データ取得部101が取得した測定データと診断モデル選択部107が選択した診断モデルの情報とを基に、測定データの取得先となるツール51に関する診断を行い、診断結果を出力部108に出力する。例えば、診断部102は、データ取得部101が取得した測定データと診断モデル選択部107が選択した診断モデルの情報とを比較し、比較結果を基に、測定データの取得先となるツール51の劣化状態や稼働状況(稼働率)の診断を行う。 The diagnosis unit 102 diagnoses the tool 51 to which the measurement data is acquired based on the measurement data acquired by the data acquisition unit 101 and the information of the diagnosis model selected by the diagnosis model selection unit 107, and outputs the diagnosis result. Output to unit 108. For example, the diagnostic unit 102 compares the measurement data acquired by the data acquisition unit 101 with the information of the diagnostic model selected by the diagnostic model selection unit 107, and based on the comparison result, the tool 51, which is the acquisition destination of the measurement data. Diagnose the deterioration status and operating status (operating rate).
出力部108は、診断部102の診断結果を出力する。例えば、出力部108が表示装置としての機能を有する場合、出力部108は、診断部102の診断結果を画面上に表示する。この際、ツール推定部106で推定した、ツール51の種類に対応した診断モデルが、診断モデル選択部107によって選択されるので、診断部102で利用する診断モデルの情報は、データ取得部101が取得した測定データに対応した、最適な診断モデルの情報として自動で更新される。このため、診断部102は、最適な診断モデルを用いたときの診断結果を出力部108に表示することができる。 The output unit 108 outputs the diagnosis result of the diagnosis unit 102. For example, when the output unit 108 has a function as a display device, the output unit 108 displays the diagnosis result of the diagnosis unit 102 on the screen. At this time, since the diagnostic model corresponding to the type of the tool 51 estimated by the tool estimation unit 106 is selected by the diagnostic model selection unit 107, the data acquisition unit 101 can obtain the information of the diagnostic model used by the diagnostic unit 102. It is automatically updated as the information of the optimum diagnostic model corresponding to the acquired measurement data. Therefore, the diagnosis unit 102 can display the diagnosis result when the optimum diagnosis model is used on the output unit 108.
なお、診断装置100は、例えば、CPU(Central Processing Unit)、入力装置、出力装置、通信装置および記憶装置を備えたコンピュータ装置で構成される。 The diagnostic device 100 is composed of, for example, a computer device including a CPU (Central Processing Unit), an input device, an output device, a communication device, and a storage device.
CPUは、装置全体の動作を統括的に制御する中央処理装置として構成される。入力装置は、キーボードまたはマウスから構成され、出力装置は、ディスプレイまたはプリンタから構成される。また通信装置は、無線LAN又は有線LANに接続するためのNIC(Network Interface Card)を備えて構成される。さらに記憶装置は、RAM(Random Access Memory)およびROM(Read Only Memory)などの記憶媒体から構成される。 The CPU is configured as a central processing unit that comprehensively controls the operation of the entire device. The input device consists of a keyboard or mouse, and the output device consists of a display or printer. Further, the communication device is configured to include a NIC (Network Interface Card) for connecting to a wireless LAN or a wired LAN. Further, the storage device is composed of a storage medium such as a RAM (Random Access Memory) and a ROM (Read Only Memory).
記憶装置には、各種プログラムが格納される。この際、CPUは、記憶装置に格納された各種プログラムを実行することで、その機能を実現することができる。本実施例では、例えば、プログラムとして、データ取得部101、診断部102、類似度演算部104、ツール推定部106、診断モデル選択部107、出力部108を備えている。 Various programs are stored in the storage device. At this time, the CPU can realize its function by executing various programs stored in the storage device. In this embodiment, for example, the program includes a data acquisition unit 101, a diagnosis unit 102, a similarity calculation unit 104, a tool estimation unit 106, a diagnosis model selection unit 107, and an output unit 108.
図2は、測定データと参照データとから類似度を演算する処理を説明するための説明図である。図2において、データ取得部101により、時系列データとして、例えば、モータの電流波形を示すデータが測定データd1として取得された場合、測定データd1は、類似度演算部104に転送される。類似度演算部104は、測定データd1と、データ格納部103に格納された各参照データD1、・・・、Dnとを基に両者の類似度R1、・・・、Rnを設定時間t毎にそれぞれ演算し、各演算結果を特徴量の一要素として特徴量記憶部105に格納する。例えば、類似度演算部104は、時間t1に、時間t1における測定データd1と参照データD1とを基に両者の類似度R1を演算し、演算結果(=0.58)を特徴量の一要素として特徴量記憶部105に格納し、時間t2に、時間t2における測定データd1と参照データD2とを基に両者の類似度R2を演算し、演算結果(=0.79)を特徴量の一要素として特徴量記憶部105に格納する。 FIG. 2 is an explanatory diagram for explaining a process of calculating the similarity from the measurement data and the reference data. In FIG. 2, when the data acquisition unit 101 acquires, for example, data indicating the current waveform of the motor as the measurement data d1, the measurement data d1 is transferred to the similarity calculation unit 104. The similarity calculation unit 104 sets the similarity R1, ..., Rn of both to each set time t based on the measurement data d1 and the reference data D1, ..., Dn stored in the data storage unit 103. Each calculation is performed, and each calculation result is stored in the feature amount storage unit 105 as an element of the feature amount. For example, the similarity calculation unit 104 calculates the similarity R1 of both at time t1 based on the measurement data d1 and the reference data D1 at time t1, and the calculation result (= 0.58) is one element of the feature amount. In the feature amount storage unit 105, the similarity R2 of both is calculated based on the measurement data d1 and the reference data D2 at the time t2 at the time t2, and the calculation result (= 0.79) is one of the feature amounts. It is stored in the feature amount storage unit 105 as an element.
次に、測定データと参照データから類似度を演算する手法について代表的な方法を説明する。 Next, a typical method for calculating the similarity from the measurement data and the reference data will be described.
まず、1つめの手法は、測定データd1と参照データDi(D1、・・・、Dn)の各時間tにおける差分の二乗和を用いてデータの類似度(SSD)を評価する方法である。データの類似度(SSD)は、次の数1で計算することができる。なお、数1では、電流のデータを扱うため、測定データd1をIaとし、参照データDiをIbとしている。
類似度を計算する時系列データの時間幅は、t=0からt=tendまでである。また、Ia(t)は、測定データIaの時刻tにおける測定値、Ib(t)は、参照データIbの時刻tにおける値である。計算で得られた類似度(SSD)の値が小さいほど、測定データIaと参照データIbとの類似度が高いと評価することができる。 The time width of the time series data for which the similarity is calculated is from t = 0 to t = tend . Further, Ia (t) is a measured value of the measurement data Ia at the time t, and Ib (t) is a value of the reference data Ib at the time t. It can be evaluated that the smaller the value of the similarity (SSD) obtained by the calculation, the higher the similarity between the measurement data Ia and the reference data Ib.
次に、2つめの手法は、測定データd1と参照データDi(D1、・・・、Dn)の各時間tにおける差分の絶対値和を用いてデータの類似度(SAD)を評価する方法である。データの類似度(SAD)は、次の数2で計算することができる。なお、数2では、電流のデータを扱うため、測定データd1をIaとし、参照データDiをIbとしている。
上記の数2では、時系列データの時間t=0からt=tendの区間における測定データIa(t)と参照データIb(t)の時刻tにおける差分の絶対値の和を計算している。計算で得られた類似度(SAD)の値が小さいほど、測定データIaと参照データIbとの類似度が高いと評価することができる。 In the above equation 2, the sum of the absolute values of the differences between the measurement data Ia (t) and the reference data Ib (t) in the interval from time t = 0 to t = tend of the time series data at time t is calculated. .. It can be evaluated that the smaller the value of the similarity (SAD) obtained by the calculation, the higher the similarity between the measurement data Ia and the reference data Ib.
次に、3つめの手法は、測定データd1と参照データDi(D1、・・・、Dn)の各時間tにおける相互相関を用いてデータの類似度(NCC)を評価する方法である。データの類似度(NCC)は、次の数3で計算することができる。なお、数3では、電流のデータを扱うため、測定データd1をIaとし、参照データDiをIbとしている。
上記の数3では、時系列データの時間t=0からt=tendの区間における測定データIa(t)と参照データIb(t)の相互相関を計算している。計算で得られた類似度(NCC)は、−1〜1の値をとり、類似度(NCC)=1で、測定データIa(t)と参照データIb(t)の値が完全に一致する。また、類似度(NCC)が1に近い方が、測定データIaと参照データIbとの類似度が高いと評価することができる。 In the above equation 3, the cross-correlation between the measurement data Ia (t) and the reference data Ib (t) in the interval from time t = 0 to t = tend of the time series data is calculated. The calculated similarity (NCC) takes a value of -1 to 1, and the similarity (NCC) = 1, and the values of the measurement data Ia (t) and the reference data Ib (t) completely match. .. Further, it can be evaluated that the closer the similarity (NCC) is to 1, the higher the similarity between the measurement data Ia and the reference data Ib.
なお、図2では、類似度演算部104で類似度(NCC)を特徴量として計算した例を示している。この場合、類似度R1=0.58で、類似度R2=0.79であるので、測定データd1は、参照データD1よりも参照データD2との類似度が高いと評価ができる。また、特徴量としては、類似度(NCC)のみでなく、前述の類似度(SSD)や類似度(SAD)の値を併用しても構わない。また、これ以外にも、測定データd1を画像の形でパターン認識した結果を類似度として使用しても構わない。 Note that FIG. 2 shows an example in which the similarity calculation unit 104 calculates the similarity (NCC) as a feature amount. In this case, since the similarity R1 = 0.58 and the similarity R2 = 0.79, it can be evaluated that the measurement data d1 has a higher similarity to the reference data D2 than the reference data D1. Further, as the feature amount, not only the similarity (NCC) but also the above-mentioned similarity (SSD) and similarity (SAD) values may be used in combination. In addition to this, the result of pattern recognition of the measurement data d1 in the form of an image may be used as the degree of similarity.
図3は、実施例1に係る管理テーブルの構成図である。図3において、管理テーブル200は、複数のツール51の特徴量を2次元座標で管理するためのテーブルであって、記憶装置に格納される。管理テーブル200は、例えば、測定データd1と参照データD1との類似度R1を横軸(X軸)として、測定データd1と参照データD2との類似度R2を縦軸(Y軸)として構成される。 FIG. 3 is a block diagram of the management table according to the first embodiment. In FIG. 3, the management table 200 is a table for managing the feature amounts of the plurality of tools 51 in two-dimensional coordinates, and is stored in the storage device. The management table 200 is configured, for example, with the similarity R1 between the measurement data d1 and the reference data D1 as the horizontal axis (X axis) and the similarity R2 between the measurement data d1 and the reference data D2 as the vertical axis (Y axis). To.
この管理テーブル200には、事前の学習で得られたクラスタに関する情報であって、例えば、第1〜第5の5種類のツール51を特定するためのクラスタC1、C2、C3、C4、C5の情報が、類似度R1と類似度R2に対応して格納されている。この際、クラスタC1、C2、C3、C4、C5の情報は、例えば、横軸(X軸)と縦軸(Y軸)を2次元の座標軸とする2次元座標で管理される。第1のツール51を特定するためのクラスタC1は、類似度R1(X軸)が、「0.9」〜「1.0」の範囲に設定され、類似度R2(Y軸)が、「0.05」〜「0.6」の範囲に設定される。第2のツール51を特定するためのクラスタC2は、類似度R1が、「0.05」〜「0.5」の範囲に設定され、類似度R2が、「0.95」〜「1.0」の範囲に設定される。第3のツール51を特定するためのクラスタC3は、類似度R1が、「0.45」〜「0.75」の範囲に設定され、類似度R2が、「0.45」〜「0・85」の範囲に設定される。第4のツール51を特定するためのクラスタC4は、類似度R1が、「0.05」〜「0.4」の範囲に設定され、類似度R2が、「0.45」〜「0・9」の範囲に設定される。第5のツール51を特定するためのクラスタC5は、類似度R1が、「0.5」〜「0.85」の範囲に設定され、類似度R2が、「0.05」〜「0・45」の範囲に設定される。 The management table 200 contains information about the clusters obtained by prior learning, for example, clusters C1, C2, C3, C4, and C5 for identifying the five types of tools 51 of the first to fifth types. Information is stored corresponding to similarity R1 and similarity R2. At this time, the information of the clusters C1, C2, C3, C4, and C5 is managed by, for example, two-dimensional coordinates having the horizontal axis (X axis) and the vertical axis (Y axis) as the two-dimensional coordinate axes. In the cluster C1 for identifying the first tool 51, the similarity R1 (X-axis) is set in the range of "0.9" to "1.0", and the similarity R2 (Y-axis) is ". It is set in the range of "0.05" to "0.6". In the cluster C2 for identifying the second tool 51, the similarity R1 is set in the range of "0.05" to "0.5", and the similarity R2 is set to "0.95" to "1. It is set in the range of "0". In the cluster C3 for identifying the third tool 51, the similarity R1 is set in the range of "0.45" to "0.75", and the similarity R2 is set to "0.45" to "0." It is set in the range of "85". In the cluster C4 for identifying the fourth tool 51, the similarity R1 is set in the range of "0.05" to "0.4", and the similarity R2 is set to "0.45" to "0." It is set in the range of "9". In the cluster C5 for identifying the fifth tool 51, the similarity R1 is set in the range of "0.5" to "0.85", and the similarity R2 is set to "0.05" to "0." It is set in the range of "45".
なお、図3に示す管理テーブル200は、一例であって、管理テーブル200としては、類似度R2と類似度R3との関係を示す管理テーブル、類似度R3と類似度R4との関係を示す管理テーブルなど、複数の管理テーブルが用意されている。 The management table 200 shown in FIG. 3 is an example, and the management table 200 includes a management table showing the relationship between the similarity R2 and the similarity R3, and a management table showing the relationship between the similarity R3 and the similarity R4. Multiple management tables such as tables are prepared.
ここで、データ取得部101で時系列データとして、測定データd1を得た場合、類似度演算部104において、測定データd1と参照データD1とを基に両者の類似度R1を演算し、演算結果(=0.58)をX軸の値として特徴量記憶部105に格納し、測定データd1と参照データD2とを基に両者の類似度R2を演算し、演算結果(=0.79)をY軸の値として特徴量記憶部105に格納する。この際、ツール推定部106は、特徴量記憶部105に格納された演算結果「(0.58),(0.78)」=特徴量f1として管理し、特徴量f1を基に管理テーブル200を参照し、特徴量f1が、クラスタC3の範囲に属するとの参照結果から、測定データd1を得るために使用したツール51は、測定データd1の取得先となる、第3のツール51であると推定する。 Here, when the measurement data d1 is obtained as time-series data by the data acquisition unit 101, the similarity calculation unit 104 calculates the similarity R1 of both based on the measurement data d1 and the reference data D1, and the calculation result. (= 0.58) is stored in the feature quantity storage unit 105 as an X-axis value, the similarity R2 of both is calculated based on the measurement data d1 and the reference data D2, and the calculation result (= 0.79) is obtained. It is stored in the feature amount storage unit 105 as a value on the Y axis. At this time, the tool estimation unit 106 manages the calculation result “(0.58), (0.78)” = feature amount f1 stored in the feature amount storage unit 105, and the management table 200 is based on the feature amount f1. From the reference result that the feature amount f1 belongs to the range of the cluster C3, the tool 51 used to obtain the measurement data d1 is the third tool 51 to which the measurement data d1 is acquired. Estimate.
診断モデル選択部107は、第3のツール51を診断するのに最適な診断モデルを選択し、選択した診断モデルの情報を診断部102に出力する。診断部102は、診断モデル選択部107で選択された診断モデルの情報を基に診断モデルの情報を更新し、更新された診断モデルの情報と測定データd1とを基に第3のツール51に関する診断を実行する。 The diagnostic model selection unit 107 selects the optimum diagnostic model for diagnosing the third tool 51, and outputs the information of the selected diagnostic model to the diagnostic unit 102. The diagnostic unit 102 updates the diagnostic model information based on the diagnostic model information selected by the diagnostic model selection unit 107, and relates to the third tool 51 based on the updated diagnostic model information and the measurement data d1. Perform a diagnosis.
本実施例において、特徴量記憶部105は、測定データと参照データとの類似度で管理される特徴量を診断対象(ツール51)の種類に応じた複数のクラスタに対応づけて記憶するデータベースであって、管理テーブル200の情報を保持することができる。ツール推定部106は、類似度演算部104の演算結果を基に特徴量記憶部105の参照テーブル200を参照して、測定データの取得先となる診断対象(ツール51)の種類を推定する診断対象推定部として機能する。 In this embodiment, the feature amount storage unit 105 is a database that stores the feature amount managed by the similarity between the measurement data and the reference data in association with a plurality of clusters according to the type of the diagnosis target (tool 51). Therefore, the information of the management table 200 can be retained. The tool estimation unit 106 refers to the reference table 200 of the feature quantity storage unit 105 based on the calculation result of the similarity calculation unit 104, and estimates the type of the diagnosis target (tool 51) from which the measurement data is acquired. Functions as a target estimation unit.
また、診断モデル選択部107は、複数のクラスタC1〜C5に対応した複数の診断モデルを管理し、複数の診断モデルの中から、診断対象推定部(ツール推定部106)の推定結果に対応した診断モデルを選択することができる。また、診断部102は、データ取得部101の取得による測定データと診断モデル選択部107の選択による診断モデルとを比較し、比較結果から、測定データの取得先となる診断対象(ツール51)の状態を診断することができる。 Further, the diagnostic model selection unit 107 manages a plurality of diagnostic models corresponding to the plurality of clusters C1 to C5, and corresponds to the estimation result of the diagnostic target estimation unit (tool estimation unit 106) from the plurality of diagnostic models. Diagnostic models can be selected. Further, the diagnostic unit 102 compares the measurement data acquired by the data acquisition unit 101 with the diagnostic model selected by the diagnostic model selection unit 107, and based on the comparison result, determines the diagnostic target (tool 51) to which the measurement data is acquired. The condition can be diagnosed.
本実施例によれば、診断対象から得られた時系列データにノイズが重畳しても、診断対象の種類を正確に推定することができ、結果として、瞬時的な測定値のノイズや外れ値による誤推定を抑制することが可能となる。特に、類似度演算部104においては、測定データと参照データを基に数1〜数3のいずれかを用いて類似度を演算しているので、類似度が瞬時値になることはなく、測定データにノイズが重畳しても、ノイズの影響を受けない特徴量を求めることができ、結果として、診断対象の種類を正確に推定することができる。また、本実施例によれば、機器50で複数のツール51が使用されても、各ツール51の種類を正確に推定したり、各ツール51に対応した診断モデルを自動で更新したりすることができる。さらに、本実施例によれば、機器50で複数のツール51が使用されても、各ツール51の状態を正確に診断することができる。 According to this embodiment, even if noise is superimposed on the time series data obtained from the diagnosis target, the type of the diagnosis target can be accurately estimated, and as a result, the noise and outliers of the instantaneous measured value can be estimated. It is possible to suppress erroneous estimation due to. In particular, since the similarity calculation unit 104 calculates the similarity using any of the numbers 1 to 3 based on the measurement data and the reference data, the similarity does not become an instantaneous value and is measured. Even if noise is superimposed on the data, the feature amount that is not affected by the noise can be obtained, and as a result, the type of the diagnosis target can be accurately estimated. Further, according to this embodiment, even if a plurality of tools 51 are used in the device 50, the type of each tool 51 can be accurately estimated, and the diagnostic model corresponding to each tool 51 can be automatically updated. Can be done. Further, according to this embodiment, even if a plurality of tools 51 are used in the device 50, the state of each tool 51 can be accurately diagnosed.
図4は、本発明を適用した診断装置の実施例2を示す構成図である。図4において、本実施例は、実施例1に対して、該当ツール判定部109、再学習部110を追加したものであり、他の構成は、実施例1と同様である。図4において、該当ツール判定部109は、ツール推定部106の推定結果を基に該当ツールが存在するか否かを判定する。該当ツール判定部109は、該当ツールが存在すると判定した場合、該当ツールが存在する旨の情報とツール推定部106の推定結果を診断モデル選択部107に出力する。この場合、診断モデル選択部107は、ツール推定部106の推定結果に従って診断モデルを選択する。一方、該当ツール判定部109は、該当ツールが存在しないと判定した場合、該当ツールが存在しない旨の情報(未知のツール51が存在する旨の情報)とツール推定部106の推定結果を再学習部110に出力する。 FIG. 4 is a configuration diagram showing a second embodiment of a diagnostic device to which the present invention is applied. In FIG. 4, in this embodiment, the corresponding tool determination unit 109 and the re-learning unit 110 are added to the first embodiment, and other configurations are the same as those in the first embodiment. In FIG. 4, the corresponding tool determination unit 109 determines whether or not the corresponding tool exists based on the estimation result of the tool estimation unit 106. When the corresponding tool determination unit 109 determines that the corresponding tool exists, the corresponding tool determination unit 109 outputs the information indicating the existence of the corresponding tool and the estimation result of the tool estimation unit 106 to the diagnostic model selection unit 107. In this case, the diagnostic model selection unit 107 selects the diagnostic model according to the estimation result of the tool estimation unit 106. On the other hand, when the corresponding tool determination unit 109 determines that the corresponding tool does not exist, it relearns the information that the corresponding tool does not exist (information that the unknown tool 51 exists) and the estimation result of the tool estimation unit 106. Output to unit 110.
再学習部110は、ツール推定部106の推定結果を測定データd1に対応した特徴量として順次蓄積し、蓄積した特徴量の情報を基に再学習を実行する。再学習部110は、再学習の結果として、例えば、新たなツール51を含むクラスタを作成するのに必要な学習結果が得られた場合、ツール推定部106に対して、新たなツール51を特定するための特徴量に関する情報を転送し、管理テーブル200の情報を更新する。また、再学習部110は、再学習の結果として、例えば、新たな診断モデルを選択するために必要な学習結果が得られた場合、診断モデル選択部107に対して、新たな診断モデルを選択するための特徴量に関する情報を転送し、診断モデル選択部107の情報を更新する。 The re-learning unit 110 sequentially accumulates the estimation results of the tool estimation unit 106 as feature quantities corresponding to the measurement data d1, and executes re-learning based on the accumulated feature quantity information. The re-learning unit 110 identifies the new tool 51 with respect to the tool estimation unit 106 when, for example, the learning result necessary for creating a cluster including the new tool 51 is obtained as a result of the re-learning. Information about the feature amount for learning is transferred, and the information in the management table 200 is updated. Further, the re-learning unit 110 selects a new diagnostic model with respect to the diagnostic model selection unit 107 when, for example, a learning result necessary for selecting a new diagnostic model is obtained as a result of the re-learning. Information on the feature amount to be used is transferred, and the information of the diagnostic model selection unit 107 is updated.
図5は、実施例2に係る管理テーブルの構成図であって、図5(a)は、再学習前における管理テーブルの構成図であり、図5(b)は、再学習後における管理テーブルの構成図である。図5(a)において、管理テーブル201は、管理テーブル200と同様に、複数のツール51の特徴量を2次元座標で管理するためのテーブルであって、記憶装置に格納される。管理テーブル201は、測定データd1と参照データD1との類似度R1を横軸(X軸)として、測定データd1と参照データD2との類似度R2を縦軸(Y軸)として構成される。 5A and 5B are configuration diagrams of the management table according to the second embodiment, FIG. 5A is a configuration diagram of the management table before re-learning, and FIG. It is a block diagram of. In FIG. 5A, the management table 201 is a table for managing the feature amounts of the plurality of tools 51 in two-dimensional coordinates, and is stored in the storage device, similarly to the management table 200. The management table 201 is configured with the degree of similarity R1 between the measurement data d1 and the reference data D1 as the horizontal axis (X axis) and the degree of similarity R2 between the measurement data d1 and the reference data D2 as the vertical axis (Y axis).
この管理テーブル201には、複数のツール51について、事前の学習で得られたクラスタの情報として、例えば、第1〜第5のツール51を特定するためのクラスタC1〜C5の情報が、類似度R1と類似度R2に対応して格納されている。この際、クラスタC1、C2、C3、C4、C5の情報は、例えば、横軸(X軸)と縦軸(Y軸)を2次元の座標軸とする2次元座標で管理される。 In the management table 201, as cluster information obtained by prior learning for a plurality of tools 51, for example, information on clusters C1 to C5 for identifying the first to fifth tools 51 is similar. It is stored corresponding to R1 and similarity R2. At this time, the information of the clusters C1, C2, C3, C4, and C5 is managed by, for example, two-dimensional coordinates having the horizontal axis (X axis) and the vertical axis (Y axis) as the two-dimensional coordinate axes.
ここで、データ取得部101で時系列データとして、測定データd1を得た場合、類似度演算部104において、測定データd1と参照データD1とを基に両者の類似度R1を演算し、演算結果(=0.35)をX軸の値として特徴量記憶部105に格納し、測定データd1と参照データD2とを基に両者の類似度R2を演算し、演算結果(=0.3)をY軸の値として特徴量記憶部105に格納する。この際、ツール推定部106は、特徴量記憶部105に格納された演算結果「(0.35),(0.3)」=特徴量f2として管理し、特徴量f2を基に管理テーブル201を参照し、特徴量f2が、5つのクラスタC1〜C5のいずれの範囲にも属さないとの参照結果を得た場合、測定データd1を得るために使用したツール51は、存在しない旨の推定結果を該当ツール判定部109に出力する。これにより、該当ツール判定部109は、該当するツールは存在しない旨の情報と、演算結果「(0.35),(0.3)」=特徴量f2に関する情報を再学習部110に出力する。 Here, when the measurement data d1 is obtained as time-series data by the data acquisition unit 101, the similarity calculation unit 104 calculates the similarity R1 of both based on the measurement data d1 and the reference data D1, and the calculation result. (= 0.35) is stored in the feature quantity storage unit 105 as an X-axis value, the similarity R2 of both is calculated based on the measurement data d1 and the reference data D2, and the calculation result (= 0.3) is obtained. It is stored in the feature amount storage unit 105 as a value on the Y axis. At this time, the tool estimation unit 106 manages the calculation result “(0.35), (0.3)” = feature amount f2 stored in the feature amount storage unit 105, and the management table 201 is based on the feature amount f2. When the reference result is obtained that the feature amount f2 does not belong to any of the ranges of the five clusters C1 to C5, it is estimated that the tool 51 used to obtain the measurement data d1 does not exist. The result is output to the corresponding tool determination unit 109. As a result, the corresponding tool determination unit 109 outputs the information that the corresponding tool does not exist and the information regarding the calculation result “(0.35), (0.3)” = feature amount f2 to the relearning unit 110. ..
この際、再学習部110は、演算結果「(0.35),(0.3)」=特徴量f2に関する情報を学習値として蓄積し、蓄積した特徴量の情報を基に再学習を実行する。再学習部110は、再学習の結果として、例えば、新たなツール51を含むクラスタを作成するに必要な学習結果が得られた場合、ツール推定部106に対して、新たなツール51を特定するための特徴量に関する情報を転送する。 At this time, the re-learning unit 110 accumulates information on the calculation result "(0.35), (0.3)" = feature amount f2 as a learning value, and executes re-learning based on the accumulated feature amount information. To do. As a result of the re-learning, the re-learning unit 110 identifies the new tool 51 with respect to the tool estimation unit 106, for example, when the learning result necessary for creating a cluster including the new tool 51 is obtained. Transfer information about features for
図5(b)において、再学習後における管理テーブル202は、管理テーブル200と同様に、複数のツール51の特徴量を2次元座標で管理するためのテーブルであって、記憶装置に格納される。管理テーブル202は、測定データd1と参照データD1との類似度R1を横軸(X軸)として、測定データd1と参照データD2との類似度R2を縦軸(Y軸)として構成される。 In FIG. 5B, the management table 202 after re-learning is a table for managing the feature quantities of the plurality of tools 51 in two-dimensional coordinates, and is stored in the storage device, similarly to the management table 200. .. The management table 202 is configured with the similarity R1 between the measurement data d1 and the reference data D1 as the horizontal axis (X axis) and the similarity R2 between the measurement data d1 and the reference data D2 as the vertical axis (Y axis).
この管理テーブル202には、複数のツール51について、事前の学習で得られたクラスタの情報として、例えば、第1〜第5のツール51を特定するためのクラスタC1〜C5の情報が、類似度R1と類似度R2に対応して格納されている。この際、クラスタC1、C2、C3、C4、C5の情報は、例えば、横軸(X軸)と縦軸(Y軸)を2次元の座標軸とする2次元座標で管理される。 In the management table 202, as cluster information obtained by prior learning for a plurality of tools 51, for example, information on clusters C1 to C5 for identifying the first to fifth tools 51 is similar. It is stored corresponding to R1 and similarity R2. At this time, the information of the clusters C1, C2, C3, C4, and C5 is managed by, for example, two-dimensional coordinates having the horizontal axis (X axis) and the vertical axis (Y axis) as the two-dimensional coordinate axes.
ここで、再学習部110から、ツール推定部106に対して、新たなツール51を特定するための特徴量に関する情報が転送された場合、ツール推定部106は、再学習部110から転送された情報を基に管理テーブル202の情報を更新する。この際、ツール推定部106は、新たなツール51として、第6のツール51を特定するためのクラスタC6の範囲を管理テーブル202に設定する。例えば、ツール推定部106は、第6のツール51を特定するためのクラスタC6の範囲として、類似度R1が、「0.25」〜「0.48」となる範囲に設定し、類似度R2が、「0.2」〜「0.4」となる範囲に設定する。 Here, when the re-learning unit 110 transfers information regarding the feature amount for identifying the new tool 51 to the tool estimation unit 106, the tool estimation unit 106 is transferred from the re-learning unit 110. The information in the management table 202 is updated based on the information. At this time, the tool estimation unit 106 sets the range of the cluster C6 for specifying the sixth tool 51 in the management table 202 as a new tool 51. For example, the tool estimation unit 106 sets the similarity R1 to a range of “0.25” to “0.48” as the range of the cluster C6 for specifying the sixth tool 51, and sets the similarity R2. Is set in the range of "0.2" to "0.4".
これにより、その後、データ取得部101で時系列データとして、測定データd1を得た場合、類似度演算部104において、測定データd1と参照データD1とを基に両者の類似度R1を演算し、演算結果(=0.35)をX軸の値として特徴量記憶部105に格納し、測定データd1と参照データD2とを基に両者の類似度R2を演算し、演算結果(=0.3)をY軸の値として特徴量記憶部105に格納する。この際、ツール推定部106は、特徴量記憶部105に格納された演算結果「(0.35),(0.3)」=特徴量f3として管理し、特徴量f3を基に管理テーブル202を参照し、特徴量f3が、クラスタC6の範囲に属するとの参照結果から、測定データd1を得るために使用したツール51は、第6のツール51であると推定することができる。 As a result, when the data acquisition unit 101 subsequently obtains the measurement data d1 as time-series data, the similarity calculation unit 104 calculates the similarity R1 of both based on the measurement data d1 and the reference data D1. The calculation result (= 0.35) is stored in the feature quantity storage unit 105 as an X-axis value, and the similarity R2 of both is calculated based on the measurement data d1 and the reference data D2, and the calculation result (= 0.3) is calculated. ) Is stored in the feature amount storage unit 105 as a value on the Y axis. At this time, the tool estimation unit 106 manages the calculation result “(0.35), (0.3)” = feature amount f3 stored in the feature amount storage unit 105, and manages the management table 202 based on the feature amount f3. From the reference result that the feature amount f3 belongs to the range of the cluster C6, it can be estimated that the tool 51 used to obtain the measurement data d1 is the sixth tool 51.
本実施例において、該当ツール判定部109は、ツール推定部(診断対象推定部)106の推定結果を基に、測定データの取得先となる診断対象(ツール51)が存在するか否かを判定する診断対象判定部として機能する。この際、再学習部110は、該当ツール判定部(診断対象判定部)109から否定の判定結果(該当するツールが存在しない旨の判定結果)を受けた場合、その後の類似度演算部104の演算結果を取り込み、類似度演算部104の演算結果を特徴量として蓄積し、蓄積された特徴量が、新たなクラスタC6(新たな診断対象)を特定する特徴量となったことを条件に、新たなクラスタC6(新たな診断対象)を特定する特徴量で特徴量記憶部105を更新する特徴量更新部として機能する。例えば、再学習部110は、新たなクラスタC6を特定する特徴量で特徴量記憶部105を更新するに際して、管理テーブル201を管理テーブル202に更新する。 In this embodiment, the corresponding tool determination unit 109 determines whether or not there is a diagnosis target (tool 51) to which the measurement data is acquired, based on the estimation result of the tool estimation unit (diagnosis target estimation unit) 106. It functions as a diagnostic target determination unit. At this time, when the re-learning unit 110 receives a negative determination result (determination result that the corresponding tool does not exist) from the corresponding tool determination unit (diagnosis target determination unit) 109, the re-learning unit 110 subsequently receives the similarity calculation unit 104. The calculation result is taken in, the calculation result of the similarity calculation unit 104 is accumulated as a feature amount, and the accumulated feature amount becomes a feature amount for specifying a new cluster C6 (new diagnosis target). It functions as a feature amount updating unit that updates the feature amount storage unit 105 with a feature amount that identifies a new cluster C6 (new diagnosis target). For example, the re-learning unit 110 updates the management table 201 to the management table 202 when updating the feature amount storage unit 105 with the feature amount that identifies the new cluster C6.
また、再学習部110は、蓄積された特徴量が複数のクラスタC1〜C5とは異なる新たなクラスタC6(新たな診断対象)を特定する特徴量となったことを条件に、新たなクラスタC6(新たな診断対象)を特定する特徴量を基に診断モデル選択部107で管理される複数の診断モデルを更新する特徴量更新部として機能する。 Further, the re-learning unit 110 sets a new cluster C6 on the condition that the accumulated feature amount becomes a feature amount for specifying a new cluster C6 (new diagnosis target) different from the plurality of clusters C1 to C5. It functions as a feature amount updating unit that updates a plurality of diagnostic models managed by the diagnostic model selection unit 107 based on the feature amount that identifies (new diagnosis target).
本実施例によれば、測定データの取得先となる診断対象のツール51が存在しない場合、その後の類似度演算部104の演算結果を特徴量として蓄積し、蓄積された特徴量が、新たなクラスタC6を特定する特徴量となったことを条件に、新たなクラスタC6を特定する特徴量で特徴量記憶部105と診断モデル選択部107の情報を更新しているので、診断対象のツール51が未知であっても、蓄積された特徴量が、新たなクラスタC6を特定する特徴量となったことを条件に、診断モデルを新たなクラスタC6に対応する診断モデルに更新することができると共に、管理テーブル201を、新たなクラスタC6を含む管理テーブル202に更新することができる。このため、診断モデルと管理テーブルが更新された後は、診断対象のツール51が未知と判定されるのを抑制することが可能になる。また、従来技術のように、未知のツールに対応した参照データを新たに追加する必要がないので、ツールが未知であっても、参照データを追加する作業、例えば、未知のツールの特徴量を新たにデータベース化する手間を軽減できる。さらに、診断モデルと管理テーブルが更新された後、新たなクラスタC6に属するツール51を診断対象とした場合、この診断対象の種類を正確に推定したり、この診断対象の状態を正確に診断したり、することができる。 According to this embodiment, when the tool 51 to be diagnosed from which the measurement data is acquired does not exist, the calculation result of the subsequent similarity calculation unit 104 is accumulated as a feature amount, and the accumulated feature amount is new. Since the information of the feature amount storage unit 105 and the diagnostic model selection unit 107 is updated with the feature amount for specifying the new cluster C6 on the condition that the feature amount for specifying the cluster C6 is reached, the tool 51 to be diagnosed. Even if is unknown, the diagnostic model can be updated to the diagnostic model corresponding to the new cluster C6, provided that the accumulated features have become the features that identify the new cluster C6. , The management table 201 can be updated to the management table 202 including the new cluster C6. Therefore, after the diagnostic model and the management table are updated, it is possible to suppress that the tool 51 to be diagnosed is determined to be unknown. In addition, unlike the conventional technology, it is not necessary to newly add reference data corresponding to an unknown tool, so even if the tool is unknown, the work of adding reference data, for example, the feature amount of the unknown tool It is possible to reduce the trouble of creating a new database. Furthermore, after the diagnostic model and management table are updated, when the tool 51 belonging to the new cluster C6 is used as the diagnostic target, the type of the diagnostic target can be accurately estimated and the state of the diagnostic target can be accurately diagnosed. Or can.
図6は、実施例3に係る診断装置の処理を説明するための図であって、図6(a)は、全工程の測定データを用いたツール推定方法を説明するための説明図であり、図6(b)は、加工工程の測定データを用いたツール推定方法を説明するための説明図である。なお、実施例3に係る診断装置100の構成は、実施例1と同様である。 FIG. 6 is a diagram for explaining the processing of the diagnostic apparatus according to the third embodiment, and FIG. 6A is an explanatory diagram for explaining a tool estimation method using measurement data of all steps. , FIG. 6B is an explanatory diagram for explaining a tool estimation method using measurement data of a processing process. The configuration of the diagnostic device 100 according to the third embodiment is the same as that of the first embodiment.
図6(a)において、機器50が、あるツール51に対して、時間t1〜時間t6の間に、起動工程P1、加工工程P2、原点復帰工程P3を実行する過程で得られた測定データd1のうち、全ての測定データd1を用いてツールを推定するに際して、例えば、起動工程P1における測定データd1と参照データD1とを基に類似度R3を計算したところ、類似度R3の値として、「0.55」が得られた。また、機器50が、他のツール51に対して、時間t11〜時間t16の間に、起動工程P11、加工工程P12、原点復帰工程P13を実行する過程で得られた測定データd1のうち、全ての測定データd1を用いてツールを推定するに際して、例えば、起動工程P11における測定データd1と参照データD1を基に類似度R4を計算したところ、類似度R4の値として、「0.81」が得られた。類似度R3の値「0.55」と、類似度R4の値「0.81」を含む情報(2次元座標=「(0.55),(0.81)」)を特徴量f4として、管理テーブル203にプロットすると、特徴量f4は、クラスタC3とクラスタC4との間に位置することになる。この場合、特徴量f4が、クラスタC3とクラスタC4のうちいずれのクラスタに属するかを判定することが困難となる。 In FIG. 6A, the measurement data d1 obtained in the process in which the device 50 executes the start-up step P1, the machining step P2, and the origin return step P3 for a tool 51 during the time t1 to time t6. Of these, when estimating the tool using all the measurement data d1, for example, when the similarity R3 was calculated based on the measurement data d1 and the reference data D1 in the start-up process P1, the value of the similarity R3 was ". 0.55 "was obtained. Further, all of the measurement data d1 obtained in the process in which the device 50 executes the start-up process P11, the processing process P12, and the origin return step P13 with respect to the other tool 51 during the time t11 to time t16. When estimating the tool using the measurement data d1 of the above, for example, when the similarity R4 is calculated based on the measurement data d1 and the reference data D1 in the start-up step P11, “0.81” is obtained as the value of the similarity R4. Obtained. Information (two-dimensional coordinates = "(0.55), (0.81)") including the value "0.55" of the similarity R3 and the value "0.81" of the similarity R4 is used as the feature amount f4. When plotted on the management table 203, the feature amount f4 is located between the cluster C3 and the cluster C4. In this case, it becomes difficult to determine which of the clusters C3 and C4 the feature amount f4 belongs to.
すなわち、起動工程P1、P11における参照データD1は、ツール51の種類が異なっても一致し易いため、起動工程P1、P11における参照データD1を基に管理テーブル203の情報を生成すると、クラスタ間の間隔、例えば、クラスタC3とクラスタC4との間隔が近くなる。このため、特徴量f4を基に管理テーブル203を参照しても、特徴量f4が、クラスタC3とクラスタC4のうちいずれのクラスタに属するかを判定することが困難となる。なお、原点復帰工程P3、P13における参照データD1が、ツール51が異なっても一致し易い場合、原点復帰工程P3、P13における参照データD1を基に管理テーブル203の情報を生成しても、クラスタ間の間隔、例えば、クラスタC3とクラスタC4との間隔が近くなる。 That is, since the reference data D1 in the start-up steps P1 and P11 can easily match even if the types of the tools 51 are different, when the information in the management table 203 is generated based on the reference data D1 in the start-up steps P1 and P11, the information between the clusters is generated. The interval, for example, the interval between the cluster C3 and the cluster C4 becomes close. Therefore, even if the management table 203 is referred to based on the feature amount f4, it is difficult to determine which cluster the feature amount f4 belongs to, the cluster C3 or the cluster C4. If the reference data D1 in the origin return steps P3 and P13 is likely to match even if the tools 51 are different, even if the information in the management table 203 is generated based on the reference data D1 in the origin return steps P3 and P13, the cluster The distance between them, for example, the distance between cluster C3 and cluster C4 becomes close.
図6(b)において、機器50が、あるツール51に対して、時間t3〜時間t4の間に、加工工程P2を実行する過程で得られた測定データd1と、参照データD1とを基に類似度R11を数3で計算したところ、類似度R11の値として、「0.48」が得られた。また、機器50が、他のツール51に対して、時間t13〜時間t14の間に、加工工程P12を実行する過程で得られた測定データd1と、参照データD1とを基に類似度R12を数3で計算したところ、類似度R12の値として、「0.62」が得られた。類似度R11の値「0.48」と、類似度R12の値「0.62」を含む情報(2次元座標=「(0.48),(0.62)」)を特徴量f5として、管理テーブル204にプロットすると、特徴量f5は、クラスタC4に属すると判定することができる。 In FIG. 6B, the device 50 is based on the measurement data d1 and the reference data D1 obtained in the process of executing the machining step P2 for a tool 51 between the time t3 and the time t4. When the similarity R11 was calculated by Equation 3, "0.48" was obtained as the value of the similarity R11. Further, the device 50 determines the similarity R12 with respect to the other tool 51 based on the measurement data d1 obtained in the process of executing the processing step P12 between the time t13 and the time t14 and the reference data D1. As a result of calculation by Equation 3, "0.62" was obtained as the value of the similarity R12. Information (two-dimensional coordinates = "(0.48), (0.62)") including the value "0.48" of the similarity R11 and the value "0.62" of the similarity R12 is used as the feature amount f5. When plotted on the management table 204, it can be determined that the feature amount f5 belongs to the cluster C4.
すなわち、加工工程P2、P12における参照データD1は、ツール51毎に異なるため、加工工程P2、P12における参照データD1を基に管理テーブル204の情報を生成すると、各クラスタ(クラスタC1〜C5)間の間隔が大きくなる。この場合、各クラスタ(クラスタC1〜C5)は、各クラスタの各々の境界が互いに離れた値の特徴量で分類されたクラスタであって、ツール51に対して実施される複数の工程のうち指定の加工工程に対応した参照データを基に分類された複数の分散用クラスタとして構成される。このため、特徴量f5を基に管理テーブル204を参照することで、特徴量f5は、クラスタC4に属すると容易に判定することができ、誤分類の確率(ツール51がいずれかのクラスタに誤って分類される確率)を下げることが可能になる。 That is, since the reference data D1 in the machining steps P2 and P12 is different for each tool 51, when the information in the management table 204 is generated based on the reference data D1 in the machining steps P2 and P12, it is between the clusters (clusters C1 to C5). Interval becomes large. In this case, each cluster (clusters C1 to C5) is a cluster classified by features whose boundaries are separated from each other, and is designated among a plurality of steps performed on the tool 51. It is configured as a plurality of distribution clusters classified based on the reference data corresponding to the processing process of. Therefore, by referring to the management table 204 based on the feature amount f5, it can be easily determined that the feature amount f5 belongs to the cluster C4, and the probability of misclassification (the tool 51 is wrong in any cluster). It becomes possible to reduce the probability of being classified as.
本実施例によれば、加工工程における参照データを基に生成された管理テーブル204を参照して特徴量を判定することで、ツール51がどのクラスタ(どの種類)に属するかを正確に判定することができ、結果として、ツール51をクラスタ別に分類する際の誤分類の確率を下げることができる。このため、使用ツールの種類を推定する精度を向上させることが可能となる。 According to this embodiment, the feature amount is determined by referring to the management table 204 generated based on the reference data in the machining process, thereby accurately determining which cluster (which type) the tool 51 belongs to. As a result, the probability of misclassification when classifying the tool 51 by cluster can be reduced. Therefore, it is possible to improve the accuracy of estimating the type of tool used.
図7は、本発明を適用した診断装置の実施例4を示す構成図である。図7において、本実施例は、実施例1に対して、条件補正部111を追加したものであり、他の構成は、実施例1と同様である。図7において、条件補正部111は、機器50に接続され、機器50からの設定情報112を基に参照データD1〜Dnを補正し、補正された参照データを類似度演算部104に転送する。例えば、条件補正部111は、設定情報112で、ツール51の加工対象の板厚が2倍になったことが指定された場合、加工工程における参照データD1〜Dnの値を2倍にする補正を行う。また、条件補正部111は、設定情報112で、ツール51の加工対象の材質が変更されたことが指定された場合、加工工程における参照データD1〜Dnの値を、変更された材質に応じて補正する。 FIG. 7 is a block diagram showing Example 4 of the diagnostic apparatus to which the present invention is applied. In FIG. 7, in this embodiment, the condition correction unit 111 is added to the first embodiment, and other configurations are the same as those in the first embodiment. In FIG. 7, the condition correction unit 111 is connected to the device 50, corrects the reference data D1 to Dn based on the setting information 112 from the device 50, and transfers the corrected reference data to the similarity calculation unit 104. For example, when the setting information 112 specifies that the plate thickness of the processing target of the tool 51 has been doubled, the condition correction unit 111 corrects the values of the reference data D1 to Dn in the processing process to be doubled. I do. Further, when the setting information 112 specifies that the material to be processed by the tool 51 has been changed, the condition correction unit 111 sets the values of the reference data D1 to Dn in the processing process according to the changed material. to correct.
この際、類似度演算部104は、ツール51の加工対象の材質や板厚ごとに管理テーブル200の情報を変更・増加することなく、条件補正部111で補正された参照データD1〜Dnを用いて類似度の計算を実行することができる。 At this time, the similarity calculation unit 104 uses the reference data D1 to Dn corrected by the condition correction unit 111 without changing or increasing the information in the management table 200 for each material and plate thickness to be processed by the tool 51. The similarity can be calculated.
本実施例によれば、ツール51の加工対象の材質や板厚が設定情報112で変更されても、ツール51の加工対象の材質や板厚ごとに管理テーブル200の情報を変更・増加することなく、ツール51の種類を精度よく推定(分類)することができる。 According to this embodiment, even if the material and plate thickness of the processing target of the tool 51 are changed by the setting information 112, the information of the management table 200 is changed and increased for each material and plate thickness of the processing target of the tool 51. It is possible to accurately estimate (classify) the type of the tool 51.
図8は、本発明を適用した診断装置の実施例5を示す構成図である。図8において、本実施例は、例えば、工場内に同一機器50が複数台ある場合を想定したときの診断装置であって、実施例4に対して、コンピュータ装置で構成されるクラウドサーバ120を追加し、機器50を複数台配置したものであり、他の構成は、実施例4と同様である。 FIG. 8 is a block diagram showing Example 5 of the diagnostic apparatus to which the present invention is applied. In FIG. 8, the present embodiment is, for example, a diagnostic device assuming that there are a plurality of the same devices 50 in the factory, and the cloud server 120 composed of the computer device is used as compared to the fourth embodiment. A plurality of devices 50 are additionally arranged, and other configurations are the same as those in the fourth embodiment.
図8において、複数台の機器50は、それぞれクラウドサーバ120に接続されている。また、診断装置100のうちデータ記憶部103、ツール推定部106、条件補正部111は、それぞれクラウドサーバ120に接続されている。この際、各機器50とクラウドサーバ120との間で情報(機器50やツール51の情報)の送受信が実行され、データ記憶部103とクラウドサーバ120との間で情報(参照データ)の送受信が実行され、ツール推定部106とクラウドサーバ120との間で情報(推定モデルや管理テーブルの情報)の送受信が実行され、条件補正部111とクラウドサーバ120との間で情報(参照データを補正するための情報や補正された参照データの情報)の送受信が実行される。 In FIG. 8, each of the plurality of devices 50 is connected to the cloud server 120. Further, among the diagnostic devices 100, the data storage unit 103, the tool estimation unit 106, and the condition correction unit 111 are each connected to the cloud server 120. At this time, information (information on the device 50 and the tool 51) is transmitted and received between each device 50 and the cloud server 120, and information (reference data) is transmitted and received between the data storage unit 103 and the cloud server 120. It is executed, information (estimation model and management table information) is transmitted and received between the tool estimation unit 106 and the cloud server 120, and information (reference data is corrected) between the condition correction unit 111 and the cloud server 120. Information for the purpose and information on the corrected reference data) are transmitted and received.
本実施例によれば、いずれかの機器50から、クラウドサーバ120を介して診断装置100と情報の送受信を行うことができる。この際、例えば、ある機器50又はクラウドサーバ120で設定された設定条件を示す設定情報(加工対象の材質や板厚を変更する設定情報)を、クラウドサーバ120を介して診断装置100で受信した場合、診断装置100における条件補正部111は、データ記憶部103に格納された複数の参照データを補正し、補正された複数の参照データを類似度演算部104の演算時に用いるデータとして類似度演算部104に転送することができる。条件補正部111は、クラウドサーバ120からの設定情報で、ツール51の加工対象の板厚が2倍になったことが指定された場合、加工工程における参照データD1〜Dnの値を2倍にする補正することができる。この際、条件補正部111は、機器50、又はクラウドサーバ120で設定された設定条件を示す設定情報を基にデータ記憶部103に格納された複数の参照データを、類似度演算部104の演算時に用いるデータとして補正することができる。 According to this embodiment, information can be transmitted / received from any device 50 to / from the diagnostic device 100 via the cloud server 120. At this time, for example, the diagnostic apparatus 100 receives the setting information (setting information for changing the material and the plate thickness of the processing target) indicating the setting conditions set by the device 50 or the cloud server 120 via the cloud server 120. In this case, the condition correction unit 111 in the diagnostic apparatus 100 corrects a plurality of reference data stored in the data storage unit 103, and uses the corrected plurality of reference data as data used in the calculation of the similarity calculation unit 104 for similarity calculation. It can be transferred to unit 104. The condition correction unit 111 doubles the values of the reference data D1 to Dn in the machining process when it is specified in the setting information from the cloud server 120 that the plate thickness of the machining target of the tool 51 has doubled. Can be corrected. At this time, the condition correction unit 111 calculates a plurality of reference data stored in the data storage unit 103 based on the setting information indicating the setting conditions set by the device 50 or the cloud server 120 by the similarity calculation unit 104. It can be corrected as data used at times.
また、ある機器50が、他の機器50の状態を基に生成した情報を、クラウドサーバ120を介して診断装置100に送信することで、データベース(管理テーブル200)や診断モデルの情報を最新のものに更新したり、最適化したりすることができる。さらに、ある機器50からの時系列データ(測定データ)を基に診断装置100で未知のツール51が存在することを判定した場合、診断装置100は、再学習を実施する前に、他の機器50で管理するツール51の中に、未知のツール51に対応するツール51が存在するか否かをクラウドサーバ120に確認することができる。また、ある機器50からの時系列データ(測定データ)を基に診断装置100でツール51が属するクラスタを誤って推定した場合、クラスタを誤って推定した情報を診断装置100からクラウドサーバ120に送信し、この情報を、クラウドサーバ120を介して各機器50が共有することで、他の機器50が、ツール51が属するクラスタを誤って推定することを抑制することが可能になる。 Further, the information generated by one device 50 based on the state of another device 50 is transmitted to the diagnostic device 100 via the cloud server 120, so that the information of the database (management table 200) and the diagnostic model can be updated. It can be updated or optimized. Further, when the diagnostic device 100 determines that an unknown tool 51 exists based on the time series data (measurement data) from a certain device 50, the diagnostic device 100 uses another device before performing re-learning. It is possible to confirm with the cloud server 120 whether or not the tool 51 corresponding to the unknown tool 51 exists among the tools 51 managed by the 50. Further, when the diagnostic device 100 erroneously estimates the cluster to which the tool 51 belongs based on the time series data (measurement data) from a certain device 50, the erroneously estimated cluster information is transmitted from the diagnostic device 100 to the cloud server 120. By sharing this information with each device 50 via the cloud server 120, it is possible to prevent other devices 50 from erroneously estimating the cluster to which the tool 51 belongs.
なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、複数のツール51を用いて加工対象を加工する加工部を含む機器50と、診断装置100とを一体化して加工装置として構成することができる。この際、加工装置において、各ツール51の種類と推定したり、各ツール51の状態を診断したりすることができる。また、本発明は、自動車等の部品、例えば、動力伝達用ベルトの劣化を診断する診断装置や、鉄道車両のレールの劣化を診断する診断装置に適用することができる。上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。 The present invention is not limited to the above-mentioned examples, and includes various modifications. For example, an apparatus 50 including a processing unit for processing a processing target using a plurality of tools 51 and a diagnostic apparatus 100 can be integrated to form a processing apparatus. At this time, in the processing apparatus, it is possible to estimate the type of each tool 51 and diagnose the state of each tool 51. Further, the present invention can be applied to a diagnostic device for diagnosing deterioration of parts such as automobiles, for example, a power transmission belt, and a diagnostic device for diagnosing deterioration of rails of railway vehicles. The above-described embodiment has been described in detail in order to explain the present invention in an easy-to-understand manner, and is not necessarily limited to those having all the described configurations. Further, it is possible to replace a part of the configuration of one embodiment with the configuration of another embodiment, and it is also possible to add the configuration of another embodiment to the configuration of one embodiment. Further, it is possible to add / delete / replace a part of the configuration of each embodiment with another configuration.
また、上記の各構成、機能等は、それらの一部又は全部を、例えば、集積回路で設計する等によりハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、SSD(Solid State Drive)等の記録装置、または、IC(Integrated Circuit)カード、SD(Secure Digital)メモリカード、DVD(Digital Versatile Disc)等の記録媒体に記録して置くことができる。 In addition, each of the above configurations, functions, and the like may be realized by hardware, for example, by designing a part or all of them with an integrated circuit. Further, each of the above configurations, functions, and the like may be realized by software by the processor interpreting and executing a program that realizes each function. Information such as programs, tables, and files that realize each function can be stored in a memory, hard disk, recording device such as SSD (Solid State Drive), IC (Integrated Circuit) card, SD (Secure Digital) memory card, DVD ( It can be recorded and placed on a recording medium such as Digital Versatile Disc).
50 機器、51 ツール、100 診断装置、101 データ取得部、102 診断部、103 データ記憶部、104 類似度演算部、105 特徴量記憶部、106 ツール推定部、107 診断モデル選択部、108 出力部、109 該当ツール判定部、110 再学習部、111 条件補正部、120 クラウドサーバ 50 equipment, 51 tools, 100 diagnostic equipment, 101 data acquisition unit, 102 diagnostic unit, 103 data storage unit, 104 similarity calculation unit, 105 feature quantity storage unit, 106 tool estimation unit, 107 diagnostic model selection unit, 108 output unit , 109 Corresponding tool judgment unit, 110 re-learning unit, 111 condition correction unit, 120 cloud server
Claims (15)
前記複数の診断対象の各々の種類を特定する時系列データとして管理された複数の参照データを格納するデータ記憶部と、
前記データ取得部の取得による前記測定データと前記データ記憶部に格納された前記参照データとを基に前記測定データと前記参照データとの類似度を設定時刻毎に演算する類似度演算部と、
前記測定データと前記参照データとの類似度で管理される特徴量を前記複数の診断対象の各々の種類に対応づけて記憶する特徴量記憶部と、
前記類似度演算部の演算結果を基に前記特徴量記憶部を参照して、前記複数の診断対象のうち前記測定データの取得先となる診断対象の種類を推定する診断対象推定部と、を備えることを特徴とする診断装置。 A data acquisition unit that acquires time-series data indicating the state of any one of a plurality of diagnostic targets as measurement data, and a data acquisition unit.
A data storage unit that stores a plurality of reference data managed as time-series data for specifying each type of the plurality of diagnosis targets, and a data storage unit.
A similarity calculation unit that calculates the similarity between the measurement data and the reference data for each set time based on the measurement data acquired by the data acquisition unit and the reference data stored in the data storage unit.
A feature amount storage unit that stores a feature amount managed by the degree of similarity between the measurement data and the reference data in association with each type of the plurality of diagnostic objects.
With reference to the feature quantity storage unit based on the calculation result of the similarity calculation unit, a diagnosis target estimation unit that estimates the type of the diagnosis target to be acquired from the measurement data among the plurality of diagnosis targets. A diagnostic device characterized by being provided.
前記複数の診断対象の各々に対応した複数の診断モデルを管理し、前記複数の診断モデルの中から、前記診断対象推定部の推定結果に対応した診断モデルを選択する診断モデル選択部と、
前記データ取得部の取得による前記測定データと前記診断モデル選択部の選択による前記診断モデルとを比較して、前記複数の診断対象のうち前記測定データの取得先となる前記診断対象の状態を診断する診断部と、を更に備えることを特徴とする診断装置。 In the diagnostic apparatus according to claim 1,
A diagnostic model selection unit that manages a plurality of diagnostic models corresponding to each of the plurality of diagnostic targets and selects a diagnostic model corresponding to the estimation result of the diagnostic target estimation unit from the plurality of diagnostic models.
The measurement data acquired by the data acquisition unit is compared with the diagnostic model selected by the diagnostic model selection unit to diagnose the state of the diagnostic target to which the measurement data is acquired among the plurality of diagnostic targets. A diagnostic device characterized by further comprising a diagnostic unit.
前記診断対象推定部の推定結果を基に、前記測定データの取得先となる前記診断対象が存在するか否かを判定する診断対象判定部と、
前記診断対象判定部から否定の判定結果を受けた場合、前記類似度演算部の演算結果を前記特徴量として蓄積し、蓄積された前記特徴量が新たな診断対象を特定する特徴量となったことを条件に、前記新たな診断対象を特定する前記特徴量で前記特徴量記憶部を更新する特徴量更新部と、を更に備えることを特徴とする診断装置。 In the diagnostic apparatus according to claim 2,
Based on the estimation result of the diagnosis target estimation unit, the diagnosis target determination unit for determining whether or not the diagnosis target for which the measurement data is acquired exists, and the diagnosis target determination unit.
When a negative judgment result is received from the diagnosis target determination unit, the calculation result of the similarity calculation unit is accumulated as the feature amount, and the accumulated feature amount becomes the feature amount for specifying a new diagnosis target. The diagnostic apparatus further comprises a feature amount updating unit that updates the feature amount storage unit with the feature amount that identifies the new diagnosis target, provided that the feature amount storage unit is updated.
前記特徴量更新部は、
前記蓄積された前記特徴量が、前記新たな診断対象を特定する前記特徴量となったことを条件に、前記新たな診断対象を特定する前記特徴量を基に前記診断モデル選択部で管理される前記複数の診断モデルを更新することを特徴とする診断装置。 In the diagnostic apparatus according to claim 3,
The feature amount update unit is
The accumulated feature amount is managed by the diagnostic model selection unit based on the feature amount for specifying the new diagnosis target on the condition that the feature amount for specifying the new diagnosis target becomes the feature amount. A diagnostic device characterized by updating the plurality of diagnostic models.
前記診断対象を管理する1又は2以上の機器、又は前記機器と情報の送受信を行うクラウドサーバで設定された設定条件を示す設定情報を基に前記データ記憶部に格納された前記複数の参照データを、前記類似度演算部の演算時に用いるデータとして補正する条件補正部を、さらに備えることを特徴とする診断装置。 In the diagnostic apparatus according to claim 1 or 2.
The plurality of reference data stored in the data storage unit based on the setting information indicating the setting conditions set by one or more devices that manage the diagnosis target or the cloud server that transmits / receives information to / from the devices. The diagnostic apparatus further includes a condition correction unit that corrects the data as data used in the calculation of the similarity calculation unit.
前記特徴量記憶部は、
前記複数の診断対象の種類に対応した情報であって、その各々の境界が互いに離れた値の特徴量で分類された複数の分散用クラスタと、前記測定データと前記参照データとの類似度で管理される前記特徴量とを関連づけて記憶し、
前記類似度演算部は、
前記データ取得部の取得による前記測定データのうち前記複数の診断対象に対して実施例される複数の工程のうち指定の工程で取得された測定データと前記参照データのうち前記指定の工程に対応した前記参照データとの類似度を演算し、
前記診断対象推定部は、
前記類似度演算部の演算結果を基に前記特徴量記憶部を参照して、前記類似度演算部の演算結果が、前記複数の分散用クラスタのいずれか一つに属する場合、前記測定データの取得先となる前記診断対象の種類を、前記いずれか一つの分散用クラスタに対応した種類であると推定することを特徴とする診断装置。 In the diagnostic apparatus according to claim 1,
The feature amount storage unit is
Information corresponding to the types of the plurality of diagnostic objects, and the similarity between the measurement data and the reference data with a plurality of distribution clusters classified by features whose boundaries are separated from each other. It is stored in association with the managed feature amount,
The similarity calculation unit is
Corresponds to the measurement data acquired in the designated step among the plurality of steps implemented for the plurality of diagnostic targets among the measurement data acquired by the data acquisition unit and the designated step among the reference data. Calculate the similarity with the reference data
The diagnostic target estimation unit
When the calculation result of the similarity calculation unit belongs to any one of the plurality of dispersion clusters with reference to the feature quantity storage unit based on the calculation result of the similarity calculation unit, the measurement data A diagnostic device characterized in that the type of the diagnosis target to be acquired is estimated to be the type corresponding to any one of the distribution clusters.
前記測定データは、前記複数の診断対象の各々を駆動するモータの電気信号を示すデータであることを特徴とする診断装置。 In the diagnostic apparatus according to claim 1 or 2.
The diagnostic apparatus, characterized in that the measurement data is data indicating an electric signal of a motor that drives each of the plurality of diagnostic objects.
前記複数の診断対象の各々の種類を特定する時系列データとして管理された複数の参照データを格納するデータ記憶ステップと、
前記データ取得ステップでの取得による前記測定データと前記データ記憶ステップで格納された前記参照データとを基に前記測定データと前記参照データとの類似度を設定時刻毎に演算する類似度演算ステップと、
前記測定データと前記参照データとの類似度で管理される特徴量を前記複数の診断対象の各々の種類に対応づけて記憶する特徴量記憶ステップと、
前記類似度演算ステップでの演算結果を基に前記特徴量記憶ステップで格納された前記特徴量を参照して、前記複数の診断対象のうち前記測定データの取得先となる診断対象の種類を推定する診断対象推定ステップと、を備えることを特徴とする診断方法。 A data acquisition step of acquiring time-series data indicating the state of any one of a plurality of diagnostic targets as measurement data, and
A data storage step for storing a plurality of reference data managed as time-series data for specifying each type of the plurality of diagnosis targets, and
A similarity calculation step for calculating the similarity between the measurement data and the reference data for each set time based on the measurement data acquired in the data acquisition step and the reference data stored in the data storage step. ,
A feature amount storage step of storing a feature amount managed by the degree of similarity between the measurement data and the reference data in association with each type of the plurality of diagnostic objects,
Based on the calculation result in the similarity calculation step, the type of the diagnosis target to which the measurement data is acquired is estimated from the plurality of diagnosis targets by referring to the feature amount stored in the feature amount storage step. A diagnostic method comprising a diagnostic target estimation step to be performed.
前記複数の診断対象の各々に対応した複数の診断モデルを管理し、前記複数の診断モデルの中から、前記診断対象推定ステップでの推定結果に対応した診断モデルを選択する診断モデル選択ステップと、
前記データ取得ステップでの取得による前記測定データと前記診断モデル選択ステップでの選択による前記診断モデルとを比較して、前記複数の診断対象のうち前記測定データの取得先となる前記診断対象の状態を診断する診断ステップと、を更に備えることを特徴とする診断方法。 In the diagnostic method according to claim 8,
A diagnostic model selection step that manages a plurality of diagnostic models corresponding to each of the plurality of diagnostic targets and selects a diagnostic model corresponding to the estimation result in the diagnostic target estimation step from the plurality of diagnostic models.
The state of the diagnostic target to which the measurement data is acquired among the plurality of diagnostic targets by comparing the measurement data acquired in the data acquisition step with the diagnostic model selected in the diagnostic model selection step. A diagnostic method characterized by further comprising a diagnostic step for diagnosing.
前記診断対象推定ステップでの推定結果を基に、前記測定データの取得先となる前記診断対象が存在するか否かを判定する診断対象判定ステップと、
前記診断対象判定ステップでの処理結果として否定の判定結果を受けた場合、前記類似度演算ステップでの演算結果を前記特徴量として蓄積し、蓄積された前記特徴量が新たな診断対象を特定する特徴量となったことを条件に、前記新たな診断対象を特定する前記特徴量を基に前記特徴量記憶ステップで記憶された前記特徴量を更新する特徴量更新ステップと、を更に備えることを特徴とする診断方法。 In the diagnostic method according to claim 9,
Based on the estimation result in the diagnosis target estimation step, the diagnosis target determination step for determining whether or not the diagnosis target for which the measurement data is acquired exists, and the diagnosis target determination step.
When a negative judgment result is received as the processing result in the diagnosis target determination step, the calculation result in the similarity calculation step is accumulated as the feature amount, and the accumulated feature amount identifies a new diagnosis target. On condition that the feature amount has been reached, the feature amount update step for updating the feature amount stored in the feature amount storage step based on the feature amount for specifying the new diagnosis target is further provided. Characteristic diagnostic method.
前記特徴量更新ステップでは、
前記蓄積された前記特徴量が、前記新たな診断対象を特定する前記特徴量となったことを条件に、前記新たな診断対象を特定する前記特徴量を基に前記診断モデル選択ステップで管理される前記複数の診断モデルを更新することを特徴とする診断方法。 In the diagnostic method according to claim 10,
In the feature amount update step,
The accumulated feature amount is managed in the diagnostic model selection step based on the feature amount that identifies the new diagnosis target, provided that the feature amount has become the feature amount that identifies the new diagnosis target. A diagnostic method characterized by updating the plurality of diagnostic models.
前記診断対象を管理する1又は2以上の機器、又は前記機器と情報の送受信を行うクラウドサーバで設定された設定条件を示す設定情報を基に前記データ記憶ステップで格納された前記複数の参照データを、前記類似度演算ステップでの演算時に用いるデータとして補正する条件補正ステップを、さらに備えることを特徴とする診断方法。 In the diagnostic method according to claim 8 or 9.
The plurality of reference data stored in the data storage step based on setting information indicating setting conditions set by one or more devices that manage the diagnosis target or a cloud server that transmits / receives information to / from the devices. A diagnostic method further comprising a condition correction step for correcting the data as data used in the calculation in the similarity calculation step.
前記特徴量記憶ステップでは、
前記複数の診断対象の種類に対応した情報であって、その各々の境界が互いに離れた値の特徴量で分類された複数の分散用クラスタと、前記測定データと前記参照データとの類似度で管理される前記特徴量とを関連づけて記憶し、
前記類似度演算ステップでは、
前記データ取得ステップでの取得による前記測定データのうち前記複数の診断対象に対して実施される複数の工程のうち指定の工程で取得された測定データと前記参照データのうち前記指定の工程に対応した前記参照データとの類似度を演算し、
前記診断対象推定ステップでは、
前記類似度演算ステップでの演算結果を基に前記特徴量記憶ステップで記憶された前記特徴量を参照して、前記類似度演算ステップでの演算結果が、前記複数の分散用クラスタのいずれか一つに属する場合、前記測定データの取得先となる前記診断対象の種類を、前記いずれか一つの分散用クラスタに対応した種類であると推定することを特徴とする診断方法。 In the diagnostic method according to claim 8,
In the feature storage step,
Information corresponding to the types of the plurality of diagnostic objects, and the similarity between the measurement data and the reference data with a plurality of distribution clusters classified by features whose boundaries are separated from each other. It is stored in association with the managed feature amount,
In the similarity calculation step,
Corresponds to the measurement data acquired in the designated step among the plurality of steps performed on the plurality of diagnostic targets among the measurement data acquired in the data acquisition step and the designated step among the reference data. Calculate the similarity with the reference data
In the diagnosis target estimation step,
With reference to the feature amount stored in the feature amount storage step based on the calculation result in the similarity calculation step, the calculation result in the similarity calculation step is any one of the plurality of distribution clusters. A diagnostic method characterized in that, in the case of belonging to one, it is estimated that the type of the diagnosis target from which the measurement data is acquired is the type corresponding to any one of the distribution clusters.
前記測定データは、前記複数の診断対象の各々を駆動するモータの電気信号を示すデータであることを特徴とする診断方法。 In the diagnostic method according to claim 8 or 9.
A diagnostic method, characterized in that the measurement data is data indicating an electric signal of a motor that drives each of the plurality of diagnostic objects.
前記複数のツールのうちいずれか一つのツールの状態を示す時系列データを測定データとして取得するデータ取得部と、
前記複数のツールの各々を特定する時系列データとして管理された複数の参照データを格納するデータ記憶部と、
前記データ取得部の取得による前記測定データと前記データ記憶部に格納された前記参照データとを基に前記測定データと前記参照データとの類似度を設定時刻毎に演算する類似度演算部と、
前記測定データと前記参照データとの類似度で管理される特徴量を前記複数のツールの各々の種類に対応づけて記憶する特徴量記憶部と、
前記類似度演算部の演算結果を基に前記特徴量記憶部を参照して、前記複数のツールのうち前記測定データの取得先となるツールの種類を推定する診断対象推定部と、を備えることを特徴とする加工装置。 A processing part that processes the processing target using multiple tools,
A data acquisition unit that acquires time-series data indicating the state of any one of the plurality of tools as measurement data, and a data acquisition unit.
A data storage unit that stores a plurality of reference data managed as time-series data for specifying each of the plurality of tools, and a data storage unit.
A similarity calculation unit that calculates the similarity between the measurement data and the reference data for each set time based on the measurement data acquired by the data acquisition unit and the reference data stored in the data storage unit.
A feature amount storage unit that stores a feature amount managed by the degree of similarity between the measurement data and the reference data in association with each type of the plurality of tools.
A diagnostic target estimation unit for estimating the type of the tool from which the measurement data is acquired among the plurality of tools is provided by referring to the feature amount storage unit based on the calculation result of the similarity calculation unit. A processing device characterized by.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019091012A JP7108577B2 (en) | 2019-05-13 | 2019-05-13 | Diagnostic device, diagnostic method and processing device |
DE112020001792.3T DE112020001792T5 (en) | 2019-05-13 | 2020-03-12 | DIAGNOSTIC DEVICE, DIAGNOSTIC METHOD AND PROCESSING DEVICE |
PCT/JP2020/010972 WO2020230436A1 (en) | 2019-05-13 | 2020-03-12 | Diagnosis device, diagnosis method, and machining device |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019091012A JP7108577B2 (en) | 2019-05-13 | 2019-05-13 | Diagnostic device, diagnostic method and processing device |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020187502A true JP2020187502A (en) | 2020-11-19 |
JP7108577B2 JP7108577B2 (en) | 2022-07-28 |
Family
ID=73223468
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019091012A Active JP7108577B2 (en) | 2019-05-13 | 2019-05-13 | Diagnostic device, diagnostic method and processing device |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP7108577B2 (en) |
DE (1) | DE112020001792T5 (en) |
WO (1) | WO2020230436A1 (en) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022205534A1 (en) | 2022-05-31 | 2023-11-30 | Kuka Deutschland Gmbh | Monitoring a multi-axis machine using interpretable time series classification |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008087094A (en) * | 2006-09-29 | 2008-04-17 | Matsushita Electric Works Ltd | Tool attaching abnormality detecting device |
JP2012047724A (en) * | 2010-07-26 | 2012-03-08 | Nec Corp | Electromagnetic wave identification apparatus, electromagnetic wave identification method, and electromagnetic wave identification program |
JP2014003749A (en) * | 2012-06-15 | 2014-01-09 | Nec System Technologies Ltd | Electrical equipment discrimination device, electrical equipment discrimination system, electrical equipment discrimination method, and program |
JP2015162096A (en) * | 2014-02-27 | 2015-09-07 | 三菱電機ビルテクノサービス株式会社 | tool analysis support apparatus and program |
JP2016152039A (en) * | 2015-02-19 | 2016-08-22 | 富士通株式会社 | Data output method, data output program and data output device |
JP2017170578A (en) * | 2016-03-24 | 2017-09-28 | 長崎県 | Machine tool monitoring prediction control device with tool recognition function |
JP2019008681A (en) * | 2017-06-28 | 2019-01-17 | 株式会社日立製作所 | Diagnostic apparatus and diagnostic method |
-
2019
- 2019-05-13 JP JP2019091012A patent/JP7108577B2/en active Active
-
2020
- 2020-03-12 WO PCT/JP2020/010972 patent/WO2020230436A1/en active Application Filing
- 2020-03-12 DE DE112020001792.3T patent/DE112020001792T5/en active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008087094A (en) * | 2006-09-29 | 2008-04-17 | Matsushita Electric Works Ltd | Tool attaching abnormality detecting device |
JP2012047724A (en) * | 2010-07-26 | 2012-03-08 | Nec Corp | Electromagnetic wave identification apparatus, electromagnetic wave identification method, and electromagnetic wave identification program |
JP2014003749A (en) * | 2012-06-15 | 2014-01-09 | Nec System Technologies Ltd | Electrical equipment discrimination device, electrical equipment discrimination system, electrical equipment discrimination method, and program |
JP2015162096A (en) * | 2014-02-27 | 2015-09-07 | 三菱電機ビルテクノサービス株式会社 | tool analysis support apparatus and program |
JP2016152039A (en) * | 2015-02-19 | 2016-08-22 | 富士通株式会社 | Data output method, data output program and data output device |
JP2017170578A (en) * | 2016-03-24 | 2017-09-28 | 長崎県 | Machine tool monitoring prediction control device with tool recognition function |
JP2019008681A (en) * | 2017-06-28 | 2019-01-17 | 株式会社日立製作所 | Diagnostic apparatus and diagnostic method |
Also Published As
Publication number | Publication date |
---|---|
JP7108577B2 (en) | 2022-07-28 |
WO2020230436A1 (en) | 2020-11-19 |
DE112020001792T5 (en) | 2022-01-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102097953B1 (en) | Failure risk index estimation device and failure risk index estimation method | |
CN111177505A (en) | Training method, recommendation method and device of index anomaly detection model | |
US11170332B2 (en) | Data analysis system and apparatus for analyzing manufacturing defects based on key performance indicators | |
CN110352389B (en) | Information processing apparatus and information processing method | |
JP2006514345A (en) | Method and apparatus for extending test processing | |
JP6929494B2 (en) | State estimation device and state estimation method | |
JP2021125266A (en) | State estimation device, system, and production method | |
JP7354421B2 (en) | Error factor estimation device and estimation method | |
WO2020230436A1 (en) | Diagnosis device, diagnosis method, and machining device | |
US20180336477A1 (en) | Information processing apparatus and non-transitory computer readable medium | |
CN114077919A (en) | System for predicting machining anomalies | |
CN113254693A (en) | Image recognition and retrieval for component failure analysis | |
WO2020166236A1 (en) | Work efficiency evaluating method, work efficiency evaluating device, and program | |
TW202333014A (en) | Systems and methods for manufacturing processes | |
JP2021124886A (en) | Information processing device, information processing method and information processing program | |
CN112805642B (en) | System and method for remotely managing the configuration of an industrial machine | |
JP7311820B1 (en) | Abnormality determination method, abnormality determination device, and program | |
JP7517740B2 (en) | Systems, methods, and media for manufacturing processes | |
Herrero et al. | aDBF: an autonomous electromagnetic noise filtering mechanism for industrial environments | |
US20160357879A1 (en) | Method and apparatus for checking the buildability of a virtual prototype | |
JP6710232B2 (en) | Management device, management method and program. | |
WO2023073941A1 (en) | Error factor estimation device, error factor estimation method, and computer-readable medium | |
CN112560234A (en) | Method and device for calculating residual life estimation probability of numerical control machine tool and network side server | |
US20220300467A1 (en) | Storage medium, learning device, and data collection system | |
CN118378196A (en) | Industrial control host abnormal behavior identification method based on multi-mode data fusion |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220107 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220705 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220715 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7108577 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |