JP2021039529A - Learned model manufacturing method, production system, abnormality determination device, and abnormality determination method - Google Patents

Learned model manufacturing method, production system, abnormality determination device, and abnormality determination method Download PDF

Info

Publication number
JP2021039529A
JP2021039529A JP2019160162A JP2019160162A JP2021039529A JP 2021039529 A JP2021039529 A JP 2021039529A JP 2019160162 A JP2019160162 A JP 2019160162A JP 2019160162 A JP2019160162 A JP 2019160162A JP 2021039529 A JP2021039529 A JP 2021039529A
Authority
JP
Japan
Prior art keywords
data
determination
production
division
learning
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
Application number
JP2019160162A
Other languages
Japanese (ja)
Other versions
JP7263185B2 (en
Inventor
尚登 齋藤
Naoto Saito
尚登 齋藤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Komatsu Ltd
Original Assignee
Komatsu Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Komatsu Ltd filed Critical Komatsu Ltd
Priority to JP2019160162A priority Critical patent/JP7263185B2/en
Priority to DE102020120512.0A priority patent/DE102020120512A1/en
Publication of JP2021039529A publication Critical patent/JP2021039529A/en
Application granted granted Critical
Publication of JP7263185B2 publication Critical patent/JP7263185B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G05B23/0254—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 based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C3/00—Registering or indicating the condition or the working of machines or other apparatus, other than vehicles
    • G07C3/14—Quality control systems
    • G07C3/146—Quality control systems during manufacturing process

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • General Factory Administration (AREA)
  • Numerical Control (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

To accurately determine abnormality in production work by a production machine.SOLUTION: A manufacturing method of a learned model 1 comprises: generating learning division data D3; extracting feature quantity; extracting characteristic quantity; restoring learning division restoration data D4; and reducing difference between the learning division data D3 and the learning division restoration data D4. In extracting the feature quantity, the feature quantity for each of a plurality of parameters is extracted by compressing the learning division data D3 only in a time direction. In extracting the characteristic quantity, the characteristic quantity of the entire learning division data D3 is extracted by combining the feature quantity extracted for each of the plurality of parameters. In restoring the learning division restoration data D4, the learning division restoration data D4 is restored by expanding the characteristic quantity only in the time direction.SELECTED DRAWING: Figure 6

Description

本開示は、学習済みモデルの製造方法、生産システム、異常判定装置、及び異常判定方法に関する。 The present disclosure relates to a method of manufacturing a trained model, a production system, an abnormality determination device, and an abnormality determination method.

近年、工作機械、溶接機械及び作業機械などの生産機械では、高度な自動化が進んでおり、生産機械の不良による損害を回避するには、生産作業における異常を予め検知することが重要である。 In recent years, production machines such as machine tools, welding machines, and work machines have been highly automated, and it is important to detect abnormalities in production work in advance in order to avoid damage due to defects in the production machines.

特許文献１では、監視対象（例えば、生産機械）の状態を示す複数の変数に関連する学習用データを用いた学習により製造された学習済みモデルを用いて、監視対象の状態を示す複数の変数に関連する診断用データの異常を判定する手法が開示されている。 In Patent Document 1, a plurality of variables indicating the state of the monitored object are used by using a trained model manufactured by learning using learning data related to a plurality of variables indicating the state of the monitored object (for example, a production machine). A method for determining an abnormality in diagnostic data related to is disclosed.

特許文献１に記載の学習済みモデルは、入力層及び出力層よりも次元の小さい中間層を有する３層以上のニューラルネットワークにおいて、入力特徴ベクトルと出力ベクトルとが同じ値になるように重み付けを決定するオートエンコーダを含む。 In the trained model described in Patent Document 1, weighting is determined so that the input feature vector and the output vector have the same value in a neural network having three or more layers having an input layer and an intermediate layer having a dimension smaller than that of the output layer. Includes autoencoders.

特開２０１９−６１５６５号公報Japanese Unexamined Patent Publication No. 2019-61565

しかしながら、特許文献１に記載の学習済みモデルでは、複数の変数のうち物理的に関連の低い変数同士を関連づけてしまう場合がある。そのような場合には、異常の判定精度が低くなる。 However, in the trained model described in Patent Document 1, there are cases where variables that are physically unrelated among a plurality of variables are associated with each other. In such a case, the accuracy of determining the abnormality is lowered.

本開示の目的は、生産機械による生産作業の異常を精度良く判定することにある。 An object of the present disclosure is to accurately determine an abnormality in production work by a production machine.

第１の態様に係る学習済みモデルの製造方法は、生産機械による生産作業の異常を判定するための学習済みモデルの製造方法であって、学習用分割データを生成する工程と、特徴量を抽出する工程と、特性量を抽出する工程と、学習用分割復元データを復元する工程と、学習用分割データと学習用分割復元データとの差を小さくする工程とを備える。学習用分割データを生成する工程では、生産機械による正常な生産作業における生産機械の状態を示す複数のパラメータに関する学習用データを時間方向において分割することによって、所定時間長の学習用分割データを生成する。特徴量を抽出する工程では、学習用分割データを時間方向のみに圧縮することによって、複数のパラメータそれぞれに関する特徴量を抽出する。特性量を抽出する工程では、複数のパラメータそれぞれに関して抽出された特徴量を互いに結合することによって、学習用分割データ全体の特性量を抽出する。学習用分割復元データを復元する工程では、特性量を時間方向のみに展開することによって、学習用分割復元データを復元する。 The method for manufacturing a trained model according to the first aspect is a method for manufacturing a trained model for determining an abnormality in a production operation by a production machine, and is a process for generating divided data for learning and extracting feature quantities. A step of extracting a characteristic quantity, a step of restoring the learning divided restoration data, and a step of reducing the difference between the learning divided data and the learning divided restoration data are provided. In the process of generating the learning division data, the learning division data having a predetermined time length is generated by dividing the learning data related to a plurality of parameters indicating the state of the production machine in the normal production operation by the production machine in the time direction. To do. In the step of extracting the feature amount, the feature amount for each of the plurality of parameters is extracted by compressing the learning division data only in the time direction. In the step of extracting the characteristic quantity, the characteristic quantity of the entire training divided data is extracted by combining the feature quantities extracted for each of the plurality of parameters with each other. In the step of restoring the learning division restoration data, the learning division restoration data is restored by expanding the characteristic quantity only in the time direction.

第２の態様に係る生産システムは、生産機械と、生産機械による生産作業の異常を判定するコントローラと、学習済みモデルを記憶する記憶部とを備える。コントローラは、生産機械による生産作業における生産機械の状態を示す複数のパラメータに関する判定用データを時間方向に分割することによって、所定時間長の判定用分割データを生成する分割部と、学習済みモデルを用いて、判定用分割データから生産作業の異常を判定する判定部とを有する。 The production system according to the second aspect includes a production machine, a controller for determining an abnormality in production work by the production machine, and a storage unit for storing a learned model. The controller divides the judgment data related to a plurality of parameters indicating the state of the production machine in the production work by the production machine in the time direction to generate the judgment division data of a predetermined time length, and the trained model. It has a determination unit for determining an abnormality in production work from the determination division data.

第３の態様に係る異常判定装置は、生産機械による生産作業の異常を判定するための装置である。異常判定装置は、記憶部と、分割部と、判定部とを備える。記憶部は、学習モデルを記憶する。分割部は、生産機械による生産作業における生産機械の状態を示す複数のパラメータに関する判定用データを時間方向に分割することによって、所定時間長の判定用分割データを生成する。判定部は、学習済みモデルを用いて、判定用分割データから生産作業の異常を判定する。 The abnormality determination device according to the third aspect is an apparatus for determining an abnormality in production work by a production machine. The abnormality determination device includes a storage unit, a division unit, and a determination unit. The storage unit stores the learning model. The division unit generates determination division data having a predetermined time length by dividing determination data relating to a plurality of parameters indicating the state of the production machine in the production work by the production machine in the time direction. The determination unit determines an abnormality in the production operation from the determination division data using the trained model.

第４の態様に係る異常判定方法は、コンピュータによって実行される。異常判定方法は、生成する工程と、判定する工程とを備える。生成する工程は、生産機械による生産作業における生産機械の状態を示す複数のパラメータに関する判定用データを時間方向に分割する。それにより、工程は、所定時間長の判定用分割データを生成する。判定する工程は、学習済みモデルを用いて、判定用分割データから生産作業の異常を判定する。学習済みモデルは、第１の態様に係る製造方法により製造される。 The abnormality determination method according to the fourth aspect is executed by a computer. The abnormality determination method includes a generation step and a determination step. In the generation process, determination data regarding a plurality of parameters indicating the state of the production machine in the production operation by the production machine is divided in the time direction. As a result, the process generates determination divided data having a predetermined time length. In the determination step, the trained model is used to determine an abnormality in the production operation from the determination division data. The trained model is manufactured by the manufacturing method according to the first aspect.

本開示によれば、生産機械による生産作業の異常を精度良く判定することのできる学習済みモデルの製造方法、生産システム、異常判定装置、及び異常判定方法を提供できる。 According to the present disclosure, it is possible to provide a learning model manufacturing method, a production system, an abnormality determination device, and an abnormality determination method capable of accurately determining an abnormality in a production operation by a production machine.

学習モジュールの構成を示す図である。It is a figure which shows the structure of a learning module. 学習用データの一例を示す図である。It is a figure which shows an example of the learning data. 学習用分割データの作成例を示す図である。It is a figure which shows the example of the creation of the division data for learning. モデル学習部の構造の一例を示す図である。It is a figure which shows an example of the structure of a model learning part. モデル学習部の構造の一例を示す図である。It is a figure which shows an example of the structure of a model learning part. 学習済みモデルの製造方法を説明するためのフロー図である。It is a flow diagram for demonstrating the manufacturing method of a trained model. 生産システムの構成を示す図である。It is a figure which shows the structure of a production system. 判定用データの一例を示す図である。It is a figure which shows an example of the determination data. 異常判定方法を説明するためのフロー図である。It is a flow chart for demonstrating an abnormality determination method.

以下、図面を参照しながら、学習済みモデル１の製造方法、生産機械１５を含む生産システム２０、及び異常判定方法について順次説明する。 Hereinafter, the manufacturing method of the trained model 1, the production system 20 including the production machine 15, and the abnormality determination method will be sequentially described with reference to the drawings.

生産機械１５は、生産作業を実行する。生産機械１５としては、工作機械、溶接機械及び作業機械などが挙げられるが、これに限られない。本実施形態では、生産機械１５としてＮＣ（Ｎｕｍｅｒｉｃａｌ Ｃｏｎｔｒｏｌ）旋盤を用いる場合が想定されている。 The production machine 15 executes the production work. Examples of the production machine 15 include, but are not limited to, machine tools, welding machines, and work machines. In the present embodiment, it is assumed that an NC (Numerical Control) lathe is used as the production machine 15.

（学習済みモデル１の製造）
図１は、学習済みモデル１を製造するための学習モジュール１０の構成を示す図である。図２は、学習用データＤ１の一例を示す図である。図３は、学習用分割データＤ３の作成例を示す図である。図４及び図５は、モデル学習部１３の構造の一例を示す図である。 (Manufacturing of trained model 1)
FIG. 1 is a diagram showing a configuration of a learning module 10 for manufacturing a trained model 1. FIG. 2 is a diagram showing an example of learning data D1. FIG. 3 is a diagram showing an example of creating the learning division data D3. 4 and 5 are diagrams showing an example of the structure of the model learning unit 13.

学習モジュール１０は、図１に示すように、学習用データ取得部１１、前処理部１２、モデル学習部１３、モデル記憶部１４を備える。 As shown in FIG. 1, the learning module 10 includes a learning data acquisition unit 11, a preprocessing unit 12, a model learning unit 13, and a model storage unit 14.

１．学習用データ取得部１１
学習用データ取得部１１は、学習用データＤ１を取得する。学習用データＤ１は、生産機械１５による正常な生産作業における生産機械１５の状態を示す複数のパラメータに関するデータである。正常な生産作業とは、設計情報通りに実行される生産作業を意味する。 1. 1. Learning data acquisition unit 11
The learning data acquisition unit 11 acquires the learning data D1. The learning data D1 is data relating to a plurality of parameters indicating the state of the production machine 15 in the normal production operation by the production machine 15. Normal production work means production work that is executed according to the design information.

図２に示すように、学習用データＤ１は、時間方向に順次並べられた複数のパラメータそれぞれの値を含む。具体的には、学習用データＤ１は、測定時刻ｔ１〜ｔ１０において測定された各パラメータの値を時間方向に並べることによって構成されている。 As shown in FIG. 2, the learning data D1 includes the values of the plurality of parameters sequentially arranged in the time direction. Specifically, the learning data D1 is configured by arranging the values of the parameters measured at the measurement times t1 to t10 in the time direction.

本実施形態では、生産機械１５としてＮＣ旋盤を用いる場合が想定されているため、学習用データＤ１に含まれるパラメータとして、モータのトルク、送り速度、モーダルＦ、主軸回転数、モーダルＳ、機械座標Ｘ、機械座標Ｙ、機械座標Ｚ、ロードメータＸ、ロードメータＹ、及びロードメータＺが例示されている。ただし、学習用データＤ１に含まれるパラメータの種類及び数は、生産機械１５の種類、生産機械１５に取り付けられた各種センサの種類などに応じて適宜変更可能である。また、図２に示される学習用データＤ１では、各パラメータの値が測定時刻ｔ１〜ｔ１０において測定されているが、測定間隔（すなわち、測定時刻ｔ１〜ｔ１０の時間間隔）及び測定回数（すなわち、測定時刻の数）は、生産作業の作業時間などに応じて適宜変更可能である。 In the present embodiment, since it is assumed that an NC lathe is used as the production machine 15, the parameters included in the learning data D1 include motor torque, feed speed, modal F, spindle speed, modal S, and machine coordinates. X, machine coordinates Y, machine coordinates Z, load meter X, load meter Y, and load meter Z are exemplified. However, the type and number of parameters included in the learning data D1 can be appropriately changed according to the type of the production machine 15, the types of various sensors attached to the production machine 15, and the like. Further, in the learning data D1 shown in FIG. 2, the values of the respective parameters are measured at the measurement times t1 to t10, but the measurement interval (that is, the time interval of the measurement times t1 to t10) and the number of measurements (that is, the number of measurements). The number of measurement times) can be changed as appropriate according to the work time of the production work and the like.

２．前処理部１２
前処理部１２は、学習用データ取得部１１とモデル学習部１３との間に配置される。前処理部１２は、正規化部１２ａ、分割部１２ｂ、及び分割データ記憶部１２ｃを有する。 2. Pretreatment unit 12
The pre-processing unit 12 is arranged between the learning data acquisition unit 11 and the model learning unit 13. The preprocessing unit 12 includes a normalization unit 12a, a division unit 12b, and a division data storage unit 12c.

正規化部１２ａは、学習用データＤ１に含まれる各パラメータの値を正規化することによって、学習用正規化データＤ２を生成する。正規化部１２ａは、学習用データＤ１に含まれる各パラメータの値をパラメータごとに、例えば−１（最小値）から１（最大値）の間の値に線形変換する。 The normalization unit 12a generates the learning normalization data D2 by normalizing the values of each parameter included in the learning data D1. The normalization unit 12a linearly converts the value of each parameter included in the training data D1 into a value between -1 (minimum value) and 1 (maximum value) for each parameter.

分割部１２ｂは、図３に示すように、学習用正規化データＤ２を時間方向において分割することによって、所定時間長の学習用分割データＤ３を生成する。分割部１２ｂは、生成した学習用分割データＤ３を分割データ記憶部１２ｃに格納する。 As shown in FIG. 3, the dividing unit 12b divides the learning normalized data D2 in the time direction to generate the learning divided data D3 having a predetermined time length. The division unit 12b stores the generated learning division data D3 in the division data storage unit 12c.

図３に示す例において、分割部１２ｂは、１つの学習用正規化データＤ２から３つの学習用分割データＤ３を生成しているが、学習用分割データＤ３の数は１以上であればよい。図３に示す例において、分割部１２ｂは、７回分の測定間隔に相当する時間長を有する学習用分割データＤ３を生成しているが、学習用分割データＤ３の時間長は適宜変更可能である。図３に示す例において、分割部１２ｂは、時間方向における各学習用分割データＤ３の始点を１回分の測定間隔ずつずらしているが、時間方向における各学習用分割データＤ３の始点のずれ幅は適宜変更可能である。ただし、時間方向に隣接する２つの学習用分割データＤ３のうち時間的に後の学習用分割データＤ３の始点は、時間的に先の学習用分割データＤ３の始点後かつ終点前であることが好ましい。これによって、時間方向に隣接する２つの学習用分割データＤ３の一部を重複させることができるため、各パラメータの経時的な変化を学習済みモデル１に反映させることができる。分割部１２ｂは、学習用正規化データＤ２を、始点が一定時間ずつずれる複数の学習用分割データＤ３に分割する。始点が一定時間ずれる２つの学習用分割データＤ３は、一部が重複する。学習用分割データＤ３の時間方向の長さは、始点のずれである一定時間より長い。 In the example shown in FIG. 3, the division unit 12b generates three learning division data D3 from one learning normalization data D2, but the number of learning division data D3 may be 1 or more. In the example shown in FIG. 3, the division unit 12b generates the learning division data D3 having a time length corresponding to the measurement interval for seven times, but the time length of the learning division data D3 can be changed as appropriate. .. In the example shown in FIG. 3, the division unit 12b shifts the start point of each learning division data D3 in the time direction by one measurement interval, but the deviation width of the start point of each learning division data D3 in the time direction is It can be changed as appropriate. However, of the two learning division data D3 adjacent to each other in the time direction, the start point of the learning division data D3 later in time may be after the start point and before the end point of the learning division data D3 ahead in time. preferable. As a result, a part of the two learning division data D3 adjacent to each other in the time direction can be overlapped, so that the change with time of each parameter can be reflected in the trained model 1. The division unit 12b divides the learning normalization data D2 into a plurality of learning division data D3 whose start points are shifted by a fixed time. Part of the two learning division data D3 whose start points are shifted by a certain time overlaps. The length of the learning division data D3 in the time direction is longer than the fixed time, which is the deviation of the start points.

分割データ記憶部１２ｃは、分割部１２ｂにおいて生成された学習用分割データＤ３を記憶する。 The divided data storage unit 12c stores the learning divided data D3 generated in the divided unit 12b.

３．モデル学習部１３
モデル学習部１３は、前処理部１２とモデル記憶部１４との間に配置される。モデル学習部１３は、特徴抽出部１３ａ、特性抽出部１３ｂ、復元部１３ｃ、及び調整部１３ｄを有する。 3. 3. Model learning unit 13
The model learning unit 13 is arranged between the preprocessing unit 12 and the model storage unit 14. The model learning unit 13 has a feature extraction unit 13a, a characteristic extraction unit 13b, a restoration unit 13c, and an adjustment unit 13d.

特徴抽出部１３ａは、分割データ記憶部１２ｃに格納された学習用分割データＤ３を取得する。特徴抽出部１３ａは、学習用分割データＤ３を時間方向のみに圧縮することによって、複数のパラメータそれぞれに関する時間方向の特徴量を抽出する。特徴抽出部１３ａは、学習用分割データＤ３に含まれる各パラメータの値をパラメータ方向（いわゆる、チャンネル方向）には圧縮せずに特徴量を抽出する。本開示において「特徴量」とは、学習用分割データＤ３に含まれる各パラメータの時間方向における特徴を示す指標であって、パラメータ同士の関係性を示す指標ではない。 The feature extraction unit 13a acquires the learning divided data D3 stored in the divided data storage unit 12c. The feature extraction unit 13a extracts the feature amount in the time direction for each of the plurality of parameters by compressing the learning division data D3 only in the time direction. The feature extraction unit 13a extracts the feature amount without compressing the value of each parameter included in the learning division data D3 in the parameter direction (so-called channel direction). In the present disclosure, the "feature amount" is an index showing the characteristics of each parameter included in the learning divided data D3 in the time direction, and is not an index showing the relationship between the parameters.

特徴抽出部１３ａは、図４に示すように、１以上の畳み込みニューラルネットワーク（ＣＮＮ：Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）によって構成される。畳み込みニューラルネットワークは、周知の画像圧縮技術に用いられるフィルタリング処理を実行する。特徴抽出部１３ａにおいて実行されるフィルタリング処理には、例えばプーリング処理などが含まれてもよい。特徴抽出部１３ａにおいて実行されるフィルタリング処理の詳細（例えば、フィルタの枚数、各フィルタのパラメータ、プーリングの種類など）は、後述する調整部１３ｄによって調整される。 As shown in FIG. 4, the feature extraction unit 13a is composed of one or more convolutional neural networks (CNN: Convolutional Neural Network). The convolutional neural network performs the filtering process used in well-known image compression techniques. The filtering process executed by the feature extraction unit 13a may include, for example, a pooling process. Details of the filtering process executed in the feature extraction unit 13a (for example, the number of filters, the parameters of each filter, the type of pooling, etc.) are adjusted by the adjustment unit 13d described later.

特性抽出部１３ｂは、特徴抽出部１３ａによって抽出された各パラメータの特徴量を互いに結合することによって、学習用分割データＤ３全体の特性量を抽出する。本開示において「特性量」とは、学習用分割データＤ３全体の特性を示す指標である。 The characteristic extraction unit 13b extracts the characteristic quantity of the entire learning divided data D3 by combining the feature quantities of the parameters extracted by the feature extraction unit 13a with each other. In the present disclosure, the "characteristic quantity" is an index indicating the characteristics of the entire learning divided data D3.

特性抽出部１３ｂは、図４及び図５に示すように、１以上のニューロンを有する。特性抽出部１３ｂが有するニューロンの数は、特徴抽出部１３ａが有するニューロンの数より少ない。特性抽出部１３ｂが有するニューロンは、特徴抽出部１３ａが有するニューロンと結合されており、各結合には重み（結合荷重）が設定されている。各ニューロンには閾値が設定されており、各ニューロンへの入力値と重みとの積の和が閾値を超えているか否かによって各ニューロンからの出力値が決定される。特徴抽出部１３ａにおけるニューロンの個数、ニューロン同士の結合関係、各ニューロン間の結合の重み、及び各ニューロンの閾値などは、調整部１３ｄによって調整される。 The characteristic extraction unit 13b has one or more neurons as shown in FIGS. 4 and 5. The number of neurons possessed by the feature extraction unit 13b is smaller than the number of neurons possessed by the feature extraction unit 13a. The neuron possessed by the feature extraction unit 13b is connected to the neuron possessed by the feature extraction unit 13a, and a weight (coupling load) is set for each connection. A threshold value is set for each neuron, and the output value from each neuron is determined depending on whether or not the sum of the products of the input value and the weight for each neuron exceeds the threshold value. The number of neurons in the feature extraction unit 13a, the connection relationship between neurons, the weight of the connection between each neuron, the threshold value of each neuron, and the like are adjusted by the adjustment unit 13d.

復元部１３ｃは、特性抽出部１３ｂによって抽出された特性量を時間方向のみに展開することによって、学習用分割データＤ３を復元した学習用分割復元データＤ４を取得する。復元部１３ｃは、特性量をパラメータ方向（いわゆる、チャンネル方向）には展開せずに学習用分割復元データＤ４を復元する。 The restoration unit 13c acquires the learning division restoration data D4 in which the learning division data D3 is restored by expanding the characteristic amount extracted by the characteristic extraction unit 13b only in the time direction. The restoration unit 13c restores the learning divided restoration data D4 without expanding the characteristic quantity in the parameter direction (so-called channel direction).

復元部１３ｃは、図５に示すように、１以上のＣＮＮによって構成される。畳み込みニューラルネットワークは、周知の画像復元技術に用いられるフィルタリング処理を実行する。復元部１３ｃにおいて実行されるフィルタリング処理には、例えばアップサンプリング処理などが含まれてもよい。復元部１３ｃにおいて実行されるフィルタリング処理の詳細（例えば、フィルタの枚数、各フィルタのパラメータ、アップサンプリングの種類など）は、調整部１３ｄによって調整される。 As shown in FIG. 5, the restoration unit 13c is composed of one or more CNNs. The convolutional neural network performs the filtering process used in well-known image restoration techniques. The filtering process executed by the restoration unit 13c may include, for example, an upsampling process. The details of the filtering process executed in the restoration unit 13c (for example, the number of filters, the parameters of each filter, the type of upsampling, etc.) are adjusted by the adjustment unit 13d.

調整部１３ｄは、学習用分割データＤ３と学習用分割復元データＤ４との差ΔＤを検知する。差ΔＤは、例えば学習用分割データＤ３と学習用分割復元データＤ４との平均二乗誤差によって得られる値である。平均二乗誤差は、いわゆるコスト関数である。調整部１３ｄは、差ΔＤと所定の閾値ＴＨ１とを比較することによって、差ΔＤが十分に小さいか否かを判定する。 The adjusting unit 13d detects the difference ΔD between the learning division data D3 and the learning division restoration data D4. The difference ΔD is a value obtained by, for example, the mean square error between the learning division data D3 and the learning division restoration data D4. The mean square error is a so-called cost function. The adjusting unit 13d determines whether or not the difference ΔD is sufficiently small by comparing the difference ΔD with the predetermined threshold value TH1.

調整部１３ｄは、差ΔＤが十分に小さい場合、特徴抽出部１３ａ、特性抽出部１３ｂ及び復元部１３ｃの全構成（フィルタ構成及びニューロン構成など）を学習済みモデル１としてモデル記憶部１４に格納する。 When the difference ΔD is sufficiently small, the adjusting unit 13d stores the entire configuration (filter configuration, neuron configuration, etc.) of the feature extraction unit 13a, the characteristic extraction unit 13b, and the restoration unit 13c in the model storage unit 14 as the learned model 1. ..

調整部１３ｄは、差ΔＤが十分に小さくない場合、特徴抽出部１３ａにおける学習用分割データＤ３の圧縮方法、特性抽出部１３ｂにおける特徴量の結合方法、及び復元部１３ｃにおける特性量の展開方法の少なくとも１つを調整することによって、差ΔＤを小さくする。調整部１３ｄは、上記の圧縮方法、結合方法及び展開方法の調整を繰り返してもよい。その結果、差ΔＤが十分に小さくなった場合、調整部１３ｄは、特徴抽出部１３ａ、特性抽出部１３ｂ及び復元部１３ｃの全構成を学習済みモデル１としてモデル記憶部１４に格納する。 When the difference ΔD is not sufficiently small, the adjusting unit 13d describes a method of compressing the learning division data D3 in the feature extraction unit 13a, a method of combining the feature amounts in the characteristic extraction unit 13b, and a method of expanding the characteristic amount in the restoration unit 13c. The difference ΔD is reduced by adjusting at least one. The adjusting unit 13d may repeat the adjustment of the compression method, the coupling method, and the decompression method. As a result, when the difference ΔD becomes sufficiently small, the adjustment unit 13d stores the entire configuration of the feature extraction unit 13a, the characteristic extraction unit 13b, and the restoration unit 13c in the model storage unit 14 as the learned model 1.

４．モデル記憶部１４
モデル記憶部１４は、特徴抽出部１３ａ、特性抽出部１３ｂ及び復元部１３ｃの全構成を示す学習済みモデル１を記憶する。 4. Model storage unit 14
The model storage unit 14 stores a trained model 1 showing the entire configuration of the feature extraction unit 13a, the characteristic extraction unit 13b, and the restoration unit 13c.

以上のとおり、学習モジュール１０によって学習済みモデル１が製造される。学習済みモデル１は、学習に用いられたのと同様の正常なデータが入力されれば、入力されたデータと同じデータを復元して出力しようとするモデルである。そのため、学習済みモデル１は、正常な生産作業に基づいた学習用分割データＤ３が入力されれば学習用分割復元データＤ４を精度良く復元できるが、異常な生産作業に基づいた学習用分割データＤ３から学習用分割復元データＤ４を精度良く復元することはできない。従って、学習済みモデル１は、後述するように、生産作業の異常判定に好適である。 As described above, the trained model 1 is manufactured by the learning module 10. The trained model 1 is a model that, when normal data similar to that used for training is input, restores and outputs the same data as the input data. Therefore, the trained model 1 can accurately restore the learning division restoration data D4 if the learning division data D3 based on the normal production work is input, but the learning division data D3 based on the abnormal production work. It is not possible to accurately restore the learning split restoration data D4 from. Therefore, the trained model 1 is suitable for determining an abnormality in production work, as will be described later.

５．学習済みモデル１の製造方法
次に、図６を参照しながら、学習済みモデル１の製造方法のフローを説明する。 5. Manufacturing Method of Trained Model 1 Next, the flow of the manufacturing method of the trained model 1 will be described with reference to FIG.

まず、ステップＳ１において、学習用データ取得部１１は、生産機械１５による正常な生産作業における生産機械１５の状態を示す複数のパラメータに関する学習用データＤ１（図２参照）を取得する。 First, in step S1, the learning data acquisition unit 11 acquires learning data D1 (see FIG. 2) relating to a plurality of parameters indicating the state of the production machine 15 in the normal production operation by the production machine 15.

次に、ステップＳ２において、正規化部１２ａは、学習用データＤ１に含まれる各パラメータの値を正規化することによって、学習用正規化データＤ２を生成する。 Next, in step S2, the normalization unit 12a generates the learning normalization data D2 by normalizing the values of each parameter included in the learning data D1.

次に、ステップＳ３において、分割部１２ｂは、学習用正規化データＤ２を時間方向において分割することによって、所定時間長の学習用分割データＤ３（図３参照）を生成する。 Next, in step S3, the division unit 12b generates the learning division data D3 (see FIG. 3) having a predetermined time length by dividing the learning normalization data D2 in the time direction.

次に、ステップＳ４において、特徴抽出部１３ａは、学習用分割データＤ３を時間方向のみに圧縮することによって、各パラメータの時間方向における特徴量を抽出する。 Next, in step S4, the feature extraction unit 13a extracts the feature amount of each parameter in the time direction by compressing the learning division data D3 only in the time direction.

次に、ステップＳ５において、特性抽出部１３ｂは、各パラメータの特徴量を互いに結合することによって、学習用分割データＤ３全体の特性量を抽出する。 Next, in step S5, the characteristic extraction unit 13b extracts the characteristic quantity of the entire learning divided data D3 by combining the feature quantities of the respective parameters with each other.

次に、ステップＳ６において、復元部１３ｃは、特性量を時間方向のみに展開することによって、学習用分割復元データＤ４を取得する。 Next, in step S6, the restoration unit 13c acquires the learning division restoration data D4 by expanding the characteristic quantity only in the time direction.

次に、ステップＳ７において、調整部１３ｄは、学習用分割データＤ３と学習用分割復元データＤ４との差ΔＤが十分に小さいか否かを判定する。 Next, in step S7, the adjustment unit 13d determines whether or not the difference ΔD between the learning division data D3 and the learning division restoration data D4 is sufficiently small.

ステップＳ７において差ΔＤが十分に小さい場合、処理はステップＳ８に進んで、モデル記憶部１４は、特徴抽出部１３ａ、特性抽出部１３ｂ及び復元部１３ｃの全構成を学習済みモデル１として記憶する。 If the difference ΔD is sufficiently small in step S7, the process proceeds to step S8, and the model storage unit 14 stores the entire configuration of the feature extraction unit 13a, the characteristic extraction unit 13b, and the restoration unit 13c as the learned model 1.

ステップＳ７において差ΔＤが十分に小さくなかった場合、処理はステップＳ９に進んで、調整部１３ｄは、特徴抽出部１３ａにおける学習用分割データＤ３の圧縮方法、特性抽出部１３ｂにおける特徴量の結合方法、及び復元部１３ｃにおける特性量の展開方法の少なくとも１つを調整する。その後、処理はステップＳ４に戻る。 If the difference ΔD is not sufficiently small in step S7, the process proceeds to step S9, and the adjusting unit 13d is a method of compressing the learning division data D3 in the feature extraction unit 13a and a method of combining the feature amounts in the characteristic extraction unit 13b. , And at least one of the methods for developing the characteristic quantity in the restoration unit 13c is adjusted. After that, the process returns to step S4.

（生産システム２０）
図７は、生産機械１５を含む生産システム２０の構成を示す図である。図８は、判定用データＥ１の一例を示す図である。 (Production system 20)
FIG. 7 is a diagram showing a configuration of a production system 20 including a production machine 15. FIG. 8 is a diagram showing an example of determination data E1.

生産システム２０は、上述したモデル記憶部１４、生産機械１５、及びコントローラ１６を備える。 The production system 20 includes the model storage unit 14, the production machine 15, and the controller 16 described above.

モデル記憶部１４は、上述した学習済みモデル１を記憶する。生産機械１５は、生産作業を実行する。生産機械１５は、生産システム２０における監視対象である。本実施形態において、生産機械１５は、ＮＣ旋盤である。 The model storage unit 14 stores the trained model 1 described above. The production machine 15 executes the production work. The production machine 15 is a monitoring target in the production system 20. In the present embodiment, the production machine 15 is an NC lathe.

コントローラ１６は、本開示に係る「異常判定装置」である。コントローラ１６は、モデル記憶部１４に記憶されている学習済みモデル１を用いて、生産機械１５による生産作業の異常を判定する。コントローラ１６は、判定用データ取得部１７、前処理部１８、判定部１９、及び通知部３０を備える。 The controller 16 is an "abnormality determination device" according to the present disclosure. The controller 16 determines an abnormality in the production work by the production machine 15 by using the learned model 1 stored in the model storage unit 14. The controller 16 includes a determination data acquisition unit 17, a preprocessing unit 18, a determination unit 19, and a notification unit 30.

１．判定用データ取得部１７
判定用データ取得部１７は、判定用データＥ１を取得する。判定用データＥ１は、生産機械１５による生産作業における生産機械１５の状態を示す複数のパラメータに関するデータである。この段階において、生産作業が正常であるか異常であるかを判定用データＥ１から判断することはできない。 1. 1. Judgment data acquisition unit 17
The determination data acquisition unit 17 acquires the determination data E1. The determination data E1 is data relating to a plurality of parameters indicating the state of the production machine 15 in the production work by the production machine 15. At this stage, it is not possible to determine from the determination data E1 whether the production operation is normal or abnormal.

図８に示すように、判定用データＥ１は、時間方向に順次並べられた複数のパラメータそれぞれの値を含む。具体的には、判定用データＥ１は、測定時刻ｓ１〜ｓ１０において測定された各パラメータの値を時間方向に並べることによって構成されている。 As shown in FIG. 8, the determination data E1 includes the values of the plurality of parameters sequentially arranged in the time direction. Specifically, the determination data E1 is configured by arranging the values of the parameters measured at the measurement times s1 to s10 in the time direction.

判定用データＥ１には、学習用データＤ１（図２参照）と同じパラメータが含まれる。判定用データＥ１における測定時刻ｓ１〜ｓ１０の間隔は、学習用データＤ１における測定時刻ｔ１〜ｔ１０の間隔と同じである。 The determination data E1 includes the same parameters as the learning data D1 (see FIG. 2). The interval between the measurement times s1 to s10 in the determination data E1 is the same as the interval between the measurement times t1 to t10 in the learning data D1.

２．前処理部１８
前処理部１８は、正規化部１８ａ、分割部１８ｂ、及び分割データ記憶部１８ｃを有する。 2. Pretreatment unit 18
The preprocessing unit 18 includes a normalization unit 18a, a division unit 18b, and a division data storage unit 18c.

正規化部１８ａは、判定用データＥ１に含まれる各パラメータの値を正規化することによって、判定用正規化データＥ２を生成する。正規化部１８ａは、判定用データＥ１に含まれる各パラメータの値をパラメータごとに、例えば−１（最小値）から１（最大値）の間の値に線形変換する。 The normalization unit 18a generates the determination normalization data E2 by normalizing the values of each parameter included in the determination data E1. The normalization unit 18a linearly converts the value of each parameter included in the determination data E1 into a value between -1 (minimum value) and 1 (maximum value) for each parameter.

分割部１８ｂは、判定用正規化データＥ２を時間方向において分割することによって、所定時間長の判定用分割データＥ３を生成する。判定用正規化データＥ２を分割して判定用分割データＥ３を生成する手法は、学習用正規化データＤ２を分割して学習用分割データＤ３（図３参照）を生成する手法と同じである。分割部１８ｂは、生成した判定用分割データＥ３を分割データ記憶部１８ｃに格納する。 The division unit 18b generates the determination division data E3 having a predetermined time length by dividing the determination normalization data E2 in the time direction. The method of dividing the determination normalization data E2 to generate the determination division data E3 is the same as the method of dividing the learning normalization data D2 to generate the learning division data D3 (see FIG. 3). The division unit 18b stores the generated determination division data E3 in the division data storage unit 18c.

３．判定部１９
判定部１９は、モデル記憶部１４から学習済みモデル１を読み出す。判定部１９は、分割データ記憶部１８ｃから判定用分割データＥ３を読み出す。 3. 3. Judgment unit 19
The determination unit 19 reads the learned model 1 from the model storage unit 14. The determination unit 19 reads the determination division data E3 from the division data storage unit 18c.

判定部１９は、学習済みモデル１を用いて、判定用分割データＥ３から生産機械１５による生産作業の異常を判定する。 The determination unit 19 uses the trained model 1 to determine an abnormality in the production work by the production machine 15 from the determination division data E3.

具体的には、判定部１９は、判定用分割データＥ３を学習済みモデル１に入力することで、判定用分割データＥ３を復元した判定用分割復元データＥ４を取得する。続いて、判定部１９は、判定用分割データＥ３と判定用分割復元データＥ４との差ΔＥを検知する。差ΔＥは、例えば判定用分割データＥ３と判定用分割復元データＥ４との平均二乗誤差によって得られる値である。平均二乗誤差は、いわゆるコスト関数である。判定部１９は、差ΔＥに基づいて生産機械１５による生産作業の異常を判定する。具体的には、判定部１９は、差ΔＥと所定の閾値ＴＨ２とを比較することによって、差ΔＥが十分に小さいか否かを判定する。 Specifically, the determination unit 19 inputs the determination division data E3 into the trained model 1 to acquire the determination division restoration data E4 obtained by restoring the determination division data E3. Subsequently, the determination unit 19 detects the difference ΔE between the determination division data E3 and the determination division restoration data E4. The difference ΔE is a value obtained by, for example, the mean square error between the determination division data E3 and the determination division restoration data E4. The mean square error is a so-called cost function. The determination unit 19 determines an abnormality in the production work by the production machine 15 based on the difference ΔE. Specifically, the determination unit 19 determines whether or not the difference ΔE is sufficiently small by comparing the difference ΔE with the predetermined threshold value TH2.

差ΔＥが十分に小さい場合、すなわち、学習済みモデル１を用いて判定用分割データＥ３から判定用分割復元データＥ４を精度良く復元できた場合、判定部１９は、生産機械１５による生産作業が正常であると判定する。 When the difference ΔE is sufficiently small, that is, when the judgment division / restoration data E4 can be accurately restored from the determination division data E3 using the trained model 1, the determination unit 19 normally performs the production work by the production machine 15. Is determined to be.

差ΔＥが十分に小さくない場合、すなわち、学習済みモデル１を用いて判定用分割データＥ３から判定用分割復元データＥ４を精度良く復元できない場合、判定部１９は、生産機械１５による生産作業が異常であると判定する。 If the difference ΔE is not sufficiently small, that is, if the judgment division restoration data E4 cannot be accurately restored from the determination division data E3 using the trained model 1, the determination unit 19 has an abnormality in the production work by the production machine 15. Is determined to be.

判定部１９は、生産機械１５による生産作業が異常であると判定した場合、通知部３０を起動させる。 When the determination unit 19 determines that the production work by the production machine 15 is abnormal, the determination unit 19 activates the notification unit 30.

４．通知部３０
通知部３０は、生産機械１５による生産作業が異常であると判定部１９が判定した場合、判定部１９によって起動される。 4. Notification unit 30
When the determination unit 19 determines that the production work by the production machine 15 is abnormal, the notification unit 30 is activated by the determination unit 19.

通知部３０は、生産機械１５による生産作業が異常である旨をオペレータに通知する。通知部３０による通知手段としては、例えば、警報音の発報、警告文の表示、警告灯の点灯などが挙げられる。 The notification unit 30 notifies the operator that the production work by the production machine 15 is abnormal. Examples of the notification means by the notification unit 30 include issuing an alarm sound, displaying a warning text, and turning on a warning light.

５．異常判定方法
次に、図９を参照しながら、異常判定方法のフローを説明する。 5. Abnormality determination method Next, the flow of the abnormality determination method will be described with reference to FIG.

まず、ステップＳ１１において、判定用データ取得部１７は、生産機械１５による生産作業における生産機械１５の状態を示す複数のパラメータに関する判定用データＥ１（図８参照）を取得する。 First, in step S11, the determination data acquisition unit 17 acquires determination data E1 (see FIG. 8) relating to a plurality of parameters indicating the state of the production machine 15 in the production work by the production machine 15.

次に、ステップＳ１２において、正規化部１８ａは、判定用データＥ１に含まれる各パラメータの値を正規化することによって、判定用正規化データＥ２を生成する。 Next, in step S12, the normalization unit 18a generates the determination normalization data E2 by normalizing the values of each parameter included in the determination data E1.

次に、ステップＳ１３において、分割部１８ｂは、判定用正規化データＥ２を時間方向において分割することによって、所定時間長の判定用分割データＥ３を生成する。 Next, in step S13, the division unit 18b generates the determination division data E3 having a predetermined time length by dividing the determination normalization data E2 in the time direction.

次に、ステップＳ１４において、判定部１９は、モデル記憶部１４から学習済みモデル１を読み出すとともに、分割データ記憶部１８ｃから判定用分割データＥ３を読み出す。 Next, in step S14, the determination unit 19 reads the learned model 1 from the model storage unit 14 and reads the determination division data E3 from the division data storage unit 18c.

次に、ステップＳ１５において、判定部１９は、判定用分割データＥ３を学習済みモデル１に入力することによって、判定用分割復元データＥ４を取得する。 Next, in step S15, the determination unit 19 acquires the determination division / restoration data E4 by inputting the determination division data E3 into the trained model 1.

次に、ステップＳ１６において、判定部１９は、判定用分割データＥ３と判定用分割復元データＥ４との差ΔＥが十分に小さいか否かを判定する。 Next, in step S16, the determination unit 19 determines whether or not the difference ΔE between the determination division data E3 and the determination division restoration data E4 is sufficiently small.

ステップＳ１６において差ΔＥが十分に小さい場合、判定部１９は、ステップＳ１７において、生産機械１５による生産作業は正常であると判定して処理を終了する。 When the difference ΔE is sufficiently small in step S16, the determination unit 19 determines in step S17 that the production work by the production machine 15 is normal, and ends the process.

ステップＳ１６において差ΔＥが十分に小さくない場合、判定部１９は、ステップＳ１８において、生産機械１５による生産作業は異常であると判定した後、ステップＳ１９において、通知部３０を起動させて処理を終了する。 If the difference ΔE is not sufficiently small in step S16, the determination unit 19 determines in step S18 that the production work by the production machine 15 is abnormal, and then activates the notification unit 30 in step S19 to end the process. To do.

（特徴）
（１）学習済みモデル１の製造方法は、学習用分割データＤ３を生成する工程と、特徴量を抽出する工程と、特性量を抽出する工程と、学習用分割復元データＤ４を復元する工程と、学習用分割データＤ３と学習用分割復元データＤ４との差を小さくする工程とを備える。特徴量を抽出する工程では、学習用分割データＤ３を時間方向のみに圧縮することによって、複数のパラメータそれぞれに関する特徴量を抽出する。特性量を抽出する工程では、複数のパラメータそれぞれに関して抽出された特徴量を互いに結合することによって、学習用分割データＤ３全体の特性量を抽出する。学習用分割復元データＤ４を復元する工程では、特性量を時間方向のみに展開することによって、学習用分割復元データＤ４を復元する。 (Features)
(1) The manufacturing method of the trained model 1 includes a step of generating the training division data D3, a step of extracting the feature quantity, a step of extracting the characteristic quantity, and a step of restoring the training division restoration data D4. A step of reducing the difference between the learning division data D3 and the learning division restoration data D4 is provided. In the step of extracting the feature amount, the feature amount for each of the plurality of parameters is extracted by compressing the learning divided data D3 only in the time direction. In the step of extracting the characteristic quantity, the characteristic quantity of the entire training divided data D3 is extracted by combining the feature quantities extracted for each of the plurality of parameters with each other. In the step of restoring the learning division restoration data D4, the learning division restoration data D4 is restored by expanding the characteristic quantity only in the time direction.

このような製造方法によれば、学習用分割データＤ３に含まれる各パラメータの時間方向における特徴量が抽出された後に、全体の特徴量から特性量が抽出される。そのため、物理的に直接関連しないパラメータ同士が関連づけられることなく特徴量を抽出できるため、精度良く特性量を抽出することができる。よって、正常な生産作業に基づくデータを精度良く復元し、かつ、異常な生産作業に基づくデータを精度良く復元しない学習済みモデル１を製造できる。 According to such a manufacturing method, after the feature amount of each parameter included in the learning divided data D3 in the time direction is extracted, the characteristic amount is extracted from the total feature amount. Therefore, the feature quantity can be extracted without associating the parameters that are not directly physically related with each other, so that the characteristic quantity can be extracted with high accuracy. Therefore, it is possible to manufacture the trained model 1 that accurately restores the data based on the normal production work and does not accurately restore the data based on the abnormal production work.

（２）生産システム２０は、生産機械１５と、コントローラ１６とを備える。コントローラ１６は、学習済みモデル１を用いて、生産機械１５による生産作業の異常を判定する。コントローラ１６は、判定用データＥ１を時間方向に分割することによって、所定時間長の判定用分割データＥ３を生成する分割部１８ｂと、学習済みモデル１を用いて、判定用分割データＥ３から生産作業の異常を判定する判定部１９とを有する。 (2) The production system 20 includes a production machine 15 and a controller 16. The controller 16 uses the trained model 1 to determine an abnormality in the production work by the production machine 15. The controller 16 uses the division unit 18b that generates the determination division data E3 having a predetermined time length by dividing the determination data E1 in the time direction and the trained model 1 to perform production work from the determination division data E3. It has a determination unit 19 for determining an abnormality of the above.

このような生産システム２０によれば、学習済みモデル１を用いることによって、判定用データＥ１を時間方向に分割した判定用分割データＥ３から生産作業の異常を精度良く判定することができる。 According to such a production system 20, by using the trained model 1, it is possible to accurately determine an abnormality in the production operation from the determination division data E3 obtained by dividing the determination data E1 in the time direction.

（変形例）
以上、本開示の一実施形態について説明したが、本開示は上記実施形態に限定されるものではなく、開示の要旨を逸脱しない範囲で種々の変更が可能である。 (Modification example)
Although one embodiment of the present disclosure has been described above, the present disclosure is not limited to the above embodiment, and various changes can be made without departing from the gist of the disclosure.

［変形例１］
コントローラ１６は、生産機械１５の外部に配置されることとしたが、生産機械１５の制御を行うコントローラと一体化されていてもよい。 [Modification 1]
Although the controller 16 is arranged outside the production machine 15, it may be integrated with the controller that controls the production machine 15.

［変形例２］
コントローラ１６は、複数のプロセッサを含んでもよい。上述した処理の少なくとも一部は、ＣＰＵに限らず、ＧＰＵ（Graphics Processing Unit）などの他のプロセッサによって実行されてもよい。上述した処理は、複数のプロセッサに分散して実行されてもよい。 [Modification 2]
The controller 16 may include a plurality of processors. At least a part of the above-mentioned processing may be executed not only by the CPU but also by another processor such as a GPU (Graphics Processing Unit). The above-mentioned processing may be distributed to a plurality of processors and executed.

［変形例３］
上述した処理の一部は、省略又は変更してもよい。例えば、学習用分割データＤ３及び判定用分割データＥ３を記憶する処理は省略してもよい。 [Modification 3]
Some of the above-mentioned processes may be omitted or changed. For example, the process of storing the learning division data D3 and the determination division data E3 may be omitted.

［変形例４］
上記実施形態に係る学習モジュール１０は、学習用データＤ１を正規化した後に学習用分割データＤ３を生成することとしたが、学習用分割データＤ３を生成した後に学習用分割データＤ３を正規化してもよい。 [Modification example 4]
The learning module 10 according to the above embodiment decides to generate the learning divided data D3 after normalizing the learning data D1, but after generating the learning divided data D3, the learning divided data D3 is normalized. May be good.

［変形例５］
上記実施形態に係る生産システム２０は、判定用データＥ１を正規化した後に判定用分割データＥ３を生成することとしたが、判定用分割データＥ３を生成した後に判定用分割データＥ３を正規化してもよい。 [Modification 5]
The production system 20 according to the above embodiment has decided to generate the determination division data E3 after normalizing the determination data E1, but after generating the determination division data E3, the determination division data E3 is normalized. May be good.

１ 学習済みモデル
１０ 学習モジュール
１１ 学習用データ取得部
１２ 前処理部
１２ａ 正規化部
１２ｂ 分割部
１２ｃ 分割データ記憶部
１３ モデル学習部
１３ａ 特徴抽出部
１３ｂ 特性抽出部
１３ｃ 復元部
１３ｄ 調整部
１４ モデル記憶部
１５ 生産機械
１６ コントローラ
１７ 判定用データ取得部
１８ 前処理部
１８ａ 正規化部
１８ｂ 分割部
１８ｃ 分割データ記憶部
１９ 判定部
２０ 生産システム
３０ 通知部 1 Learned model 10 Learning module 11 Learning data acquisition unit 12 Preprocessing unit 12a Normalization unit 12b Division unit 12c Division data storage unit 13 Model learning unit 13a Feature extraction unit 13b Characteristic extraction unit 13c Restoration unit 13d Adjustment unit 14 Model storage Unit 15 Production machine 16 Controller 17 Judgment data acquisition unit 18 Preprocessing unit 18a Normalization unit 18b Divided unit 18c Divided data storage unit 19 Judgment unit 20 Production system 30 Notification unit

Claims (7)

生産機械による生産作業の異常を判定するための学習済みモデルの製造方法であって、
前記生産機械による正常な生産作業における前記生産機械の状態を示す複数のパラメータに関する学習用データを時間方向において分割することによって、所定時間長の学習用分割データを生成する工程と、
前記学習用分割データを時間方向のみに圧縮することによって、前記複数のパラメータそれぞれに関する特徴量を抽出する工程と、
前記複数のパラメータそれぞれに関して抽出された前記特徴量を互いに結合することによって、前記学習用分割データ全体の特性量を抽出する工程と、
前記特性量を時間方向のみに展開することによって、学習用分割復元データを復元する工程と、
前記学習用分割データと前記学習用分割復元データとの差を小さくする工程と、
を備える学習済みモデルの製造方法。 A method of manufacturing a trained model for determining abnormalities in production work by a production machine.
A step of generating learning division data having a predetermined time length by dividing learning data regarding a plurality of parameters indicating the state of the production machine in a normal production operation by the production machine in the time direction.
A step of extracting features related to each of the plurality of parameters by compressing the learning division data only in the time direction, and a step of extracting the features.
A step of extracting the characteristic quantity of the entire learning divided data by combining the feature quantities extracted for each of the plurality of parameters with each other.
A process of restoring the learning division restoration data by expanding the characteristic quantity only in the time direction, and
A step of reducing the difference between the learning division data and the learning division restoration data,
How to make a trained model with. 生産機械と、
前記生産機械による生産作業の異常を判定するコントローラと、
学習済みモデルを記憶する記憶部と、
を備え、
前記コントローラは、
前記生産機械による生産作業における前記生産機械の状態を示す複数のパラメータに関する判定用データを時間方向に分割することによって、所定時間長の判定用分割データを生成する分割部と、
前記学習済みモデルを用いて、前記判定用分割データから前記生産作業の異常を判定する判定部と、
を有する、
生産システム。 With production machines
A controller that determines an abnormality in production work by the production machine,
A storage unit that stores the trained model and
With
The controller
A division unit that generates determination division data having a predetermined time length by dividing determination data relating to a plurality of parameters indicating the state of the production machine in the production operation by the production machine in the time direction.
Using the trained model, a determination unit that determines an abnormality in the production operation from the determination division data,
Have,
Production system. 前記判定部は、前記判定用分割データを前記学習済みモデルに入力することで、前記判定用分割データを復元した判定用分割復元データを取得し、前記判定用分割データと前記判定用分割復元データとの差に基づいて前記生産作業の異常を判定する、
請求項２に記載の生産システム。 The determination unit acquires the determination division / restoration data obtained by restoring the determination division data by inputting the determination division data into the trained model, and obtains the determination division data and the determination division / restoration data. Judging the abnormality of the production work based on the difference with
The production system according to claim 2. 前記コントローラは、前記判定用データ及び前記判定用分割データのいずれかを正規化する正規化部を有する、
請求項２又は３に記載の生産システム。 The controller has a normalization unit that normalizes either the determination data or the determination division data.
The production system according to claim 2 or 3. 前記生産機械は、工作機械、溶接機械及び作業機械のいずれかである、
請求項２乃至４のいずれかに記載の生産システム。 The production machine is either a machine tool, a welding machine or a work machine.
The production system according to any one of claims 2 to 4. 生産機械による生産作業の異常を判定するための異常判定装置であって、
学習済みモデルを記憶する記憶部と、
前記生産機械による生産作業における前記生産機械の状態を示す複数のパラメータに関する判定用データを時間方向に分割することによって、所定時間長の判定用分割データを生成する分割部と、
前記学習済みモデルを用いて、前記判定用分割データから前記生産作業の異常を判定する判定部と、
を備える異常判定装置。 It is an abnormality determination device for determining an abnormality in production work by a production machine.
A storage unit that stores the trained model and
A division unit that generates determination division data having a predetermined time length by dividing determination data relating to a plurality of parameters indicating the state of the production machine in the production operation by the production machine in the time direction.
Using the trained model, a determination unit that determines an abnormality in the production operation from the determination division data,
An abnormality determination device including. コンピュータによって実行される異常判定方法であって、
生産機械による生産作業における前記生産機械の状態を示す複数のパラメータに関する判定用データを時間方向に分割することによって、所定時間長の判定用分割データを生成する工程と、
請求項１に記載の製造方法によって製造された学習済みモデルを用いて、前記判定用分割データから前記生産作業の異常を判定する工程と、
を備える異常判定方法。 Anomaly determination method executed by a computer
A step of generating determination division data having a predetermined time length by dividing determination data relating to a plurality of parameters indicating the state of the production machine in a production operation by the production machine in the time direction.
A step of determining an abnormality in the production operation from the determination division data using the trained model manufactured by the manufacturing method according to claim 1.
Abnormality determination method including.
JP2019160162A 2019-09-03 2019-09-03 Trained model manufacturing method, production system, abnormality determination device, and abnormality determination method Active JP7263185B2 (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2019160162A JP7263185B2 (en) 2019-09-03 2019-09-03 Trained model manufacturing method, production system, abnormality determination device, and abnormality determination method
DE102020120512.0A DE102020120512A1 (en) 2019-09-03 2020-08-04 Learned model creation method, production system, anomaly detection device, and anomaly detection method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019160162A JP7263185B2 (en) 2019-09-03 2019-09-03 Trained model manufacturing method, production system, abnormality determination device, and abnormality determination method

Publications (2)

Publication Number Publication Date
JP2021039529A true JP2021039529A (en) 2021-03-11
JP7263185B2 JP7263185B2 (en) 2023-04-24

Family

ID=74565461

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019160162A Active JP7263185B2 (en) 2019-09-03 2019-09-03 Trained model manufacturing method, production system, abnormality determination device, and abnormality determination method

Country Status (2)

Country Link
JP (1) JP7263185B2 (en)
DE (1) DE102020120512A1 (en)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017207904A (en) * 2016-05-18 2017-11-24 エヌ・ティ・ティ・コミュニケーションズ株式会社 Abnormality detection system, model generation device, abnormality detection device, abnormality detection method, model generation program, and abnormality detection program
JP2018005773A (en) * 2016-07-07 2018-01-11 株式会社リコー Abnormality determination device and abnormality determination method
JP2019040431A (en) * 2017-08-25 2019-03-14 三菱重工業株式会社 Abnormality determination system, abnormality determination method, program, learnt model, and learnt model production method
JP2019061565A (en) * 2017-09-27 2019-04-18 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ Abnormality diagnostic method and abnormality diagnostic device

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017207904A (en) * 2016-05-18 2017-11-24 エヌ・ティ・ティ・コミュニケーションズ株式会社 Abnormality detection system, model generation device, abnormality detection device, abnormality detection method, model generation program, and abnormality detection program
JP2018005773A (en) * 2016-07-07 2018-01-11 株式会社リコー Abnormality determination device and abnormality determination method
JP2019040431A (en) * 2017-08-25 2019-03-14 三菱重工業株式会社 Abnormality determination system, abnormality determination method, program, learnt model, and learnt model production method
JP2019061565A (en) * 2017-09-27 2019-04-18 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ Abnormality diagnostic method and abnormality diagnostic device

Also Published As

Publication number Publication date
DE102020120512A1 (en) 2021-03-04
JP7263185B2 (en) 2023-04-24

Similar Documents

Publication Publication Date Title
CN108227634B (en) Machine learning device, CNC device, and machine learning method
US10695884B2 (en) Tool wear monitoring and predicting method
US20180264613A1 (en) Abnormality detection apparatus and machine learning apparatus
US20190041808A1 (en) Controller and machine learning device
CN113128561A (en) Machine tool bearing fault diagnosis method
Haber et al. Intelligent process supervision for predicting tool wear in machining processes
CN106392772A (en) Machine learning unit, spindle replacement judging device, controller and machine tool
US20060230313A1 (en) Diagnostic and prognostic method and system
JP6333868B2 (en) Cell control device and production system for managing the operating status of a plurality of manufacturing machines in a manufacturing cell
JP2018181216A (en) Processing defective factor estimation device
TWI518469B (en) Monitoring system and method for machining
US10761063B2 (en) Apparatus and method for presuming abnormality occurrence for telescopic cover
Brecher et al. Use of NC kernel data for surface roughness monitoring in milling operations
US20230115878A1 (en) Machine learning method for anomaly detection in an electrical system
CN110807245B (en) Automatic modeling method and system for equipment fault early warning
KR20180014364A (en) Apparatus and method for tool wear compensation of cnc
CN108388237B (en) Fault diagnosis method, device, equipment and medium for discrete manufacturing equipment
Pan et al. Milling force coefficients-based tool wear monitoring for variable parameter milling
JP2018025936A (en) Machine tool
CN111695582A (en) Flutter texture detection method and device
JP2021039529A (en) Learned model manufacturing method, production system, abnormality determination device, and abnormality determination method
US20200103845A1 (en) Tool monitoring system and tool monitoring method
CN114227378B (en) Clamp state detection method and device, terminal and storage medium
US11487275B2 (en) Analyzer
JP2020086786A (en) Detection device and machine learning method

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220808

TRDD Decision of grant or rejection written
A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230331

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20230404

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230412

R150 Certificate of patent or registration of utility model

Ref document number: 7263185

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150