JP6810097B2

JP6810097B2 - 異常検出器

Info

Publication number: JP6810097B2
Application number: JP2018097018A
Authority: JP
Inventors: 弘智吉田; 伸幸大竹
Original assignee: FANUC Corp
Current assignee: FANUC Corp
Priority date: 2018-05-21
Filing date: 2018-05-21
Publication date: 2021-01-06
Anticipated expiration: 2038-05-21
Also published as: CN110515351B; US20190354080A1; US11592800B2; CN110515351A; JP2019204155A; DE102019003382A1

Description

本発明は、製造機械の異常の予兆を検出する異常検出器に関する。

ロボットや工作機械等の製造機械が故障する前に装置の動作を停止させるための異常を示す信号（アラーム）を発生する検出器において、異常を示す信号（アラーム）が発生する前に該製造機械乃至該製造機械の周辺において検知される物理量の値乃至値の変化に基づいて異常の予兆を検知して、警告（ウォーニング）を発生する異常検出器が知られている。警告（ウォーニング）の発生条件としては、検知された物理量の変動量の大きさが所定量を超えた場合や、検知された値の符号が反転した場合、予め定めた所定の規定値から外れた場合等が例示され、この様な条件が製造時に一律に設定されていた（例えば、特許文献１，２等）。

また、簡単な条件では検出できない異常を検出するために、異常時に検知された物理量の値乃至値の変化を教師付きデータとして用い、ニューラルネットワークの各層間の結合重み係数を学習する機能を有する制御装置も知られている（例えば、特許文献３等）。

特開２００５−２３３７２０号公報特開２００８−０７６４１４号公報特開平０７−０２８５０２号公報

一般に、製造機械の使用環境は、製造機械が設置された地域、電源事情、装置の種類、機械軸、工場、季節、使用年数等に違いがあり、この様な動作環境の違いにより、該製造機械乃至該製造機械の周辺において検知される物理量の値、該物理量の値の変化、該物理量の値に対する統計的処理をして求めた判定値が異なる場合がある。そして、製造機械の使用環境によって異常の検知に用いている物理量の物理量の値、該物理量の値の変化、該物理量の値に対する統計的処理をして求めた判定値が異なってくると、異常時に検知される予兆も一律ではないため、従来技術のように、警告（ウォーニング）の発生条件を製造時に一律に規定した場合、必ずしも正確に異常を予知することができないという課題があった。

また、異常時に検知される物理量の値乃至値の変化を教師データに用いて制御装置が結合重み係数を学習する場合は、常時検知される物理量の物理量の値、該物理量の値の変化、該物理量の値に対する統計的処理をして求めた判定値を異常の予兆として誤って学習して、誤った重み付けをしてしまい、その誤った学習済みモデルに基づく誤った異常の検出を行ってしまうという課題があった。

そこで本発明の目的は、製造機械の動作環境によって変化する製造機械の異常の予兆を検出することが可能な異常検出器を提供することである。

本発明の異常検出器は、異常検出器の出荷後に異常の予兆を学習することで、使用環境に応じた異常の予兆が異常検出器ごとに規定されて、使用環境に応じた正確な異常の予知をすることができる。本発明の異常検出器は、異常時に製造機械乃至製造機械の周辺で検出される物理量と、その後正常になった場合に製造機械乃至製造機械の周辺で検出される物理量との、両方を教師データとして正と負の報酬で学習することで、異常の予兆となる物理量の波形、安定を示す物理量の波形、異常とは無関係な物理量の波形の３つの波形に分類し、正確に異常の予兆を捉えることができる。

そして、本発明の一態様は、製造機械の異常の予兆を検出したことを示す信号を出力する異常検出器であって、前記製造機械又は該製造機械乃至該製造機械の近傍に設置されたセンサから取得された物理量に基づいて前記製造機械の異常の予兆を検出し、前記製造機械の異常の予兆を検出した場合に信号を出力する信号出力部と、前記製造機械の動作状態を学習する機械学習装置と、を備え、前記機械学習装置は、前記製造機械又は該製造機械乃至該製造機械の近傍に設置されたセンサから前記製造機械の動作に係る物理量を示す物理量データを、環境の現在状態を表す状態変数として観測する状態観測部と、前記製造機械の動作状態を示す動作状態データを、ラベルデータとして取得するラベルデータ取得部と、前記状態変数及び前記ラベルデータを用いて、製造機械の動作に係る物理量に対する該製造機械の動作状態を学習する学習部と、前記状態観測部が観測した製造機械の動作に係る物理量に基づいて、前記学習部による学習結果を用いて該製造機械の動作状態を推定し、その推定結果を出力する推定結果出力部と、を備え、前記製造機械の構成要素毎に異常の予兆を検出する前記異常検出器が設けられており、前記学習部は、異常の予兆の検出対象としている構成要素又は該構成要素乃至該構成要素の近傍に設置されたセンサから取得された物理量に対する該構成要素の動作状態を学習すると共に、異常の予兆の検出対象としている構成要素又は該構成要素乃至該構成要素の近傍に設置されたセンサから取得された物理量に対する他の構成要素の動作状態を学習し、前記推定結果出力部は、前記状態観測部が観測した製造機械の動作に係る物理量に基づいて、前記学習部による学習結果を用いて異常の予兆の検出対象としている構成要素及び他の構成要素の動作状態を推定し、その推定結果を出力し、前記信号出力部は、前記製造機械の異常の予兆を検出した際に、前記推定結果出力部が出力した製造機械の動作状態の推定結果と、他の異常検出器が備える推定結果出力部が出力した製造機械の動作状態の推定結果とに応じて前記信号の出力を保留する、異常検出器である。

本発明により、製造機械の動作環境によって変化する製造機械の異常の予兆を検出することが可能となる。

第１の実施形態による異常検出器の概略的なハードウェア構成図である。第１の実施形態による異常検出器の概略的な機能ブロック図である。異常検出器の一形態を示す概略的な機能ブロック図である。他の実施形態による異常検出器の概略的な機能ブロック図である。

以下、本発明の実施形態を図面と共に説明する。
図１は第１の実施形態による異常検出器の要部を示す概略的なハードウェア構成図である。異常検出器１は、例えばロボットや工作機械等の製造機械を制御する制御装置として実装することができる。また、異常検出器１は、例えば製造機械を制御する制御装置に併設されたパソコンや、制御装置に有線／無線のネットワークを介して接続されたセルコンピュータ、ホストコンピュータ、エッジサーバ、クラウドサーバ等のコンピュータとして実装することができる。本実施形態では、異常検出器１を、製造機械２を制御する制御装置として実装した場合の例を示す。

本実施形態による異常検出器１が備えるＣＰＵ１１は、異常検出器１を全体的に制御するプロセッサである。ＣＰＵ１１は、ＲＯＭ１２に格納されたシステム・プログラムをバス２０を介して読み出し、該システム・プログラムに従って異常検出器１の全体を制御する。ＲＡＭ１３には一時的な計算データや表示データ、図示しない入力部を介してオペレータが入力した各種データ等が一時的に格納される。

不揮発性メモリ１４は、例えば図示しないバッテリでバックアップされるなどして、異常検出器１の電源がオフされても記憶状態が保持されるメモリとして構成される。不揮発性メモリ１４には、外部から読み込まれたプログラムや表示器／ＭＤＩユニット７０を介して入力されたプログラム、異常検出器１の各部や製造機械２から取得された各種データ（例えば、製造機械２から取得されたモータの電圧／電流、製造機械２が備える軸の位置の変位、速度、加速度、製造機械２乃至製造機械２の周辺に設置されたセンサ３で検出された温度、湿度、電磁場、音、光量等）が記憶される。不揮発性メモリ１４に記憶されたプログラムや各種データは、実行時／利用時にはＲＡＭ１３に展開されても良い。また、ＲＯＭ１２には、公知の解析プログラムなどの各種のシステム・プログラム（後述する機械学習装置１００とのやりとりを制御するためのシステム・プログラムを含む）があらかじめ書き込まれている。

表示器／ＭＤＩユニット７０はディスプレイやキーボード等を備えた手動データ入力装置であり、インタフェース１８は表示器／ＭＤＩユニット７０のキーボードからの指令，データを受けてＣＰＵ１１に渡す。インタフェース１９は各軸を手動で駆動させる際に用いる手動パルス発生器等を備えた操作盤７１に接続されている。

インタフェース２１は、異常検出器１と機械学習装置１００とを接続するためのインタフェースである。機械学習装置１００は、機械学習装置１００全体を統御するプロセッサ１０１と、システム・プログラム等を記憶したＲＯＭ１０２、機械学習に係る各処理における一時的な記憶を行うためのＲＡＭ１０３、及び学習モデル等の記憶に用いられる不揮発性メモリ１０４を備える。機械学習装置１００は、インタフェース２１を介して異常検出器１で取得可能な各情報（例えば、製造機械２から取得されたモータの電圧／電流、製造機械２が備える軸の位置の変位、速度、加速度、製造機械２乃至製造機械２の周辺に設置されたセンサ３で検出された温度、湿度、電磁場、音、光量等）を観測することができる。また、異常検出器１は、機械学習装置１００から出力される製造機械２の動作状態の推定結果を取得して異常の予兆の検出制御を行う。

図２は、第１の実施形態による異常検出器１と機械学習装置１００の概略的な機能ブロック図である。図２に示した各機能ブロックは、図１に示した異常検出器１が備えるＣＰＵ１１、及び機械学習装置１００のプロセッサ１０１が、それぞれのシステム・プログラムを実行し、異常検出器１及び機械学習装置１００の各部の動作を制御することにより実現される。

本実施形態の異常検出器１は、製造機械２から取得されたモータの電圧／電流、製造機械２が備える軸の位置の変位、速度、加速度、製造機械２乃至製造機械２の周辺に設置されたセンサ３で検出された温度、湿度、電磁場、音、光量等の物理量の値、該物理量の値の変化又は該物理量の値に対する統計的処理をして求めた判定値が予め定めた所定の閾値を超えている場合に製造機械２に異常の予兆が発生していると判定し、異常の予兆を検出したことを示す信号として出力する信号出力部３４を備える。信号出力部３４は、製造機械２乃至センサ３から検出された１つの物理量について異常の予兆が発生していると判定するようにしても良いし、複数の物量に基づいて複合的に異常の予兆が発生していると判定するようにしても良い。信号出力部３４が出力する異常の予兆を検出したことを示す信号は、例えば表示器／ＭＤＩユニット７０への警告表示や、製造機械２や該製造機械２の周辺装置に対するアラート信号の出力、図示しないネットワークを介して接続されるセルコンピュータ、ホストコンピュータ等へのアラート出力に用いられる。

信号出力部３４は、上記したように、基本的には製造機械２乃至センサ３から取得された物理量の値、該物理量の値の変化又は該物理量の値に対する統計的処理をして求めた判定値が予め定めた所定の閾値を超えている場合に異常の予兆を検出したことを示す信号を出力するが、物理量の値、該物理量の値の変化又は該物理量の値に対する統計的処理をして求めた判定値が予め定めた所定の閾値を越えている場合であっても、機械学習装置１００から製造機械２が規定の動作の範囲内であるという推定結果が出力されている場合には、該異常の予兆を検出したことを示す信号を保留する。なお、機械学習装置１００からの出力が、製造機械２が規定の動作の範囲内である確率を推定結果として出力している場合には、その確率に応じて（例えば、出力された確率が予め定めた所定の閾値を超える場合や、異常の予兆を示す物理量の値、該物理量の値の変化又は該物理量の値に対する統計的処理をして求めた判定値の閾値からのずれ量と、製造機械２が規定の動作の範囲内である確率と大きさに応じた判定を行う等）該異常の予兆を検出したことを示す信号を保留するようにしても良い。

一方、異常検出器１が備える機械学習装置１００は、製造機械乃至製造機械の周辺で検出される物理量に対する製造機械２の動作状態の推定を、いわゆる機械学習により自ら学習するためのソフトウェア（学習アルゴリズム等）及びハードウェア（プロセッサ１０１等）を含む。異常検出器１が備える機械学習装置１００が学習するものは製造機械乃至製造機械の周辺で検出される物理量と、製造機械２の動作状態の推定との、相関性を表すモデル構造に相当する。

図２に機能ブロックで示すように、異常検出器１が備える機械学習装置１００は、製造機械２乃至センサ３から取得された物理量を示す物理量データＳ１を環境の現在状態を表す状態変数Ｓとして観測する状態観測部１０６と、製造機械２の動作状態を示す動作状態データＬ１を含むラベルデータＬを取得するラベルデータ取得部１０８と、状態変数ＳとラベルデータＬとを用いて、製造機械乃至製造機械の周辺で検出される物理量と、製造機械２の動作状態の推定とを関連付けて学習する学習部１１０とを備える。

状態観測部１０６が観測する状態変数Ｓのうち、物理量データＳ１は、製造機械２乃至センサ３から取得された物理量の時系列データとして取得することができる。製造機械２乃至センサ３から取得された物理量の時系列データは、図２に示すように、製造機械２乃至センサ３から所定の周期毎に取得される物理量の値の履歴を不揮発性メモリ１４等のメモリに一時的に記憶しておき、そこから該物理量の所定の期間分の時系列データを取得するようにしても良い。物理量データＳ１として取得する物理量は、製造機械２から取得されたモータの電圧／電流、製造機械２が備える軸の位置の変位、速度、加速度、製造機械２乃至製造機械２の周辺に設置されたセンサ３で検出された温度、湿度、電磁場、音、光量等が例示され、これらの物理量の内の１つの時系列データを学習・推定の対象とする状態変数としても良いし、複数の物理量の時系列データの組を学習・推定の対象とする状態変数としても良い。

ラベルデータ取得部１０８は、学習部１１０の学習時において、例えば作業者により表示器／ＭＤＩユニット７０から入力された製造機械２の動作状況に係る情報を動作状態データＬ１として取得することができる。ラベルデータ取得部１０８は、例えば、信号出力部３４が製造機械２の異常の予兆を検出したことを示す信号を出力し、自動乃至作業者の操作により製造機械２の動作を中断し、作業者やメンテナンス要員が製造機械２の状態を確認した上で入力した確認結果（製造機械２に異常が有ったか無かったかを示す情報）を動作状態データＬ１として取得する。また、ラベルデータ取得部１０８は、例えば、製造機械２になんらかの異常が発生して製造機械２の動作が中断し、作業者やメンテナンス要員が製造機械２の状態を確認した上で入力した確認結果（製造機械２に異常が有ったことを示す情報）を動作状態データＬ１として取得する。なお、ラベルデータ取得部１０８は、学習部１１０による学習時において利用されるものであり、学習部１１０による学習が完了した後は機械学習装置１００の必須の構成とする必要は無い。

学習部１１０は、機械学習と総称される任意の学習アルゴリズムに従い、状態変数Ｓ（製造機械２乃至センサ３から取得された物理量を示す物理量データＳ１）に対するラベルデータＬ（製造機械２の動作状態を示す動作状態データＬ１）を学習する。学習部１１０は、例えば状態変数Ｓに含まれる物理量データＳ１と、ラベルデータＬに含まれる動作状態データＬ１との相関性を学習することができる。学習部１１０は、状態変数ＳとラベルデータＬとを含むデータ集合に基づく学習を反復実行することができる。

学習部１１０は、ラベルデータ取得部１０８がラベルデータＬとしての動作状態データＬ１を取得した時点で、その直前までに状態変数Ｓとして観測されていた物理量データＳ１を用いて機械学習を行う。ラベルデータ取得部１０８は、例えば上記したように作業者やメンテナンス要員が製造機械２の動作状態を入力した際に動作状態データＬ１を取得するため、学習部１１０は、少なくとも（１）信号出力部３４が製造機械２の異常の予兆を検出し、製造機械２に実際に異常が有った場合、（２）信号出力部３４が製造機械２の異常の予兆を検出し、製造機械２に異常が無かった場合に、その直前までに状態変数Ｓとして観測されていた物理量の時系列データから特徴的な部分を抽出して物理量データＳ１とし、これと動作状態データＬ１とを用いた機械学習を実行する。ここで言うところの特徴的な部分としては、該物理量の波形の変動量や振幅、変動時間、変動回数、周波数、異常を示す信号を出力する規定値からのずれ量、のうち１つ又は２つ以上を、波形を特徴付けるものと規定して良い。例えば、（ａ）変動量が一定の大きさを超えた部分、（ｂ）異常を示す信号を出力する規定値からのずれ量が一定の割合になった部分、（ｃ）異常を示す信号を出力する規定値からのずれ量が一定の割合になった部分であって一定の時間経過した部分、（ｄ）一定の振幅が一定の時間内に一定の回数発生した部分、（ｅ）一定の周波数が一定の時間発生した部分、（ｆ）一定の時間内における波形の傾きや傾きの変化が一定の数値よりも大きい部分、（ｇ）上記実施例の組合せ、等が特徴的な部分として例示される。

また、必要に応じて更に（３）信号出力部３４が製造機械２の異常の予兆を検出しなかったにも関わらず、製造機械２に異常が有った場合、（４）信号出力部３４が製造機械２の異常の予兆を検出せず、製造機械２にも異常が無かった場合に、その直前までに状態変数Ｓとして観測されていた物理量データＳ１と、動作状態データＬ１とを用いた機械学習を実行する。なお、（４）については、例えば不揮発性メモリ１４に記憶されている製造機械２乃至センサ３から取得された物理量の履歴の中に、製造機械２に異常が確認されておらず、且つ、製造機械２に異常が有ったことが確認される直前に取得されている物理量の時系列データの波形と類似する波形が存在している場合に、その部分の波形を物理量データＳ１として観測して機械学習に用いるようにすると良い。（４）の学習は、当該物理量の時系列データの波形が、必ずしも異常の予兆を示すものではないことを学習部１１０に学習させるために有用である。この様な学習を繰り返すことにより、学習部１１０は、いわば製造機械２が設置された環境における信号出力部３４による製造機械２の異常の予兆の検出結果の正誤を学習することになる。

このような学習サイクルを繰り返すことにより、学習部１１０は、製造機械２乃至センサ３から取得された物理量（物理量データＳ１）と、製造機械２の動作状態（動作状態データＬ１）との相関性を自動的に解釈する。学習アルゴリズムの開始時には物理量データＳ１に対する動作状態データＬ１の相関性は実質的に未知であるが、学習部１１０が学習を進めるに従い徐々に物理量データＳ１に対する動作状態データＬ１との関係を徐々に解釈し、その結果として得られた学習済みモデルを用いることで物理量データＳ１に対する動作状態データＬ１の相関性を解釈可能になる。

推定結果出力部１２２は、学習部１１０が学習した結果（学習済みモデル）を用いて、製造機械２乃至センサ３から取得された物理量に基づいて製造機械２の動作状態を推定し、推定した製造機械２の動作状態を出力する。推定結果出力部１２２は、少なくとも信号出力部３４が製造機械２の異常の予兆を検出した際に、機械学習装置１００として推定される製造機械２の動作状態を出力する。つまり、推定結果出力部１２２は、いわば信号出力部３４による製造機械２の異常の予兆の検出結果の正誤の推定を出力することになる。なお推定結果出力部１２２は、学習部１１０による学習結果を用いて製造機械２の動作状態の確率（例えば正常に動作している確率等）を出力するようにしても良い。

上記構成を有する機械学習装置１００では、学習部１１０が実行する学習アルゴリズムは特に限定されず、機械学習として公知の学習アルゴリズムを採用できる。図３は、図２に示す異常検出器１の他の形態であって、学習アルゴリズムの他の例として教師あり学習を実行する学習部１１０を備えた構成を示す。教師あり学習は、入力とそれに対応する出力との既知のデータセット（教師データと称する）が与えられ、それら教師データから入力と出力との相関性を暗示する特徴を識別することで、新たな入力に対する所要の出力を推定するための相関性モデルを学習する手法である。

図３に示す異常検出器１が備える機械学習装置１００において、学習部１１０は、製造機械２乃至センサ３から取得された物理量に基づいて製造機械２の動作状態を推定する相関性モデルＭと過去に取得された製造機械２乃至センサ３から取得された物理量及びその時の製造機械２の動作状態の確認結果から得られた教師データＴから識別される相関性特徴との誤差Ｅを計算する誤差計算部１１２と、誤差Ｅを縮小するように相関性モデルＭを更新するモデル更新部１１４とを備える。学習部１１０は、モデル更新部１１４が相関性モデルＭの更新を繰り返すことによって製造機械２乃至センサ３から取得された物理量に基づいた製造機械２の動作状態の推定を学習する。

相関性モデルＭの初期値は、例えば、状態変数ＳとラベルデータＬとの相関性を単純化して（例えば一次関数で）表現したものであり、教師あり学習の開始前に学習部１１０に与えられる。教師データＴは、本発明では上述したように過去に取得された製造機械２乃至センサ３から取得された物理量のデータと製造機械２の動作状態の確認結果のデータとを利用することができ、異常検出器１の運用時に随時学習部１１０に与えられる。誤差計算部１１２は、学習部１１０に随時与えられた教師データＴにより、製造機械２乃至センサ３から取得された物理量と製造機械２の動作状態との相関性を暗示する相関性特徴を識別し、この相関性特徴と、現在状態における状態変数Ｓ及びラベルデータＬに対応する相関性モデルＭとの誤差Ｅを求める。モデル更新部１１４は、例えば予め定めた更新ルールに従い、誤差Ｅが小さくなる方向へ相関性モデルＭを更新する。

次の学習サイクルでは、誤差計算部１１２は、更新後の相関性モデルＭに従って状態変数Ｓを用いて製造機械２の動作状態の推定が行われ、該推定の結果と実際に取得されたラベルデータＬの誤差Ｅを求め、モデル更新部１１４が再び相関性モデルＭを更新する。このようにして、未知であった環境の現在状態とそれに対する推定との相関性が徐々に明らかになる。

前述した教師あり学習を進める際に、ニューラルネットワークを用いることができる。ニューラルネットワークとしては、入力層、中間層、出力層の三層を備えたニューラルネットワークを用いても良いが、三層以上の層を為すニューラルネットワークを用いた、いわゆるディープラーニングの手法を用いることで、より効果的な学習及び推論を行うように構成することも可能である。
また、時系列で入力されるデータを、過去の入力を考慮して学習及び推論するリカレントニューラルネットワークを用いることも可能である。

上記した機械学習装置１００の構成は、プロセッサ１０１が各々実行する機械学習方法（或いはソフトウェア）として記述できる。この機械学習方法は、製造機械２乃至センサ３から取得された物理量から製造機械２の動作状態の推定を学習する機械学習方法であって、プロセッサ１０１が、製造機械２乃至センサ３から取得された物理量（物理量データＳ１）を現在状態を表す状態変数Ｓとして観測するステップと、製造機械２の動作状態（動作状態データＬ１）をラベルデータＬとして取得するステップと、状態変数ＳとラベルデータＬとを用いて、製造機械２乃至センサ３から取得された物理量と、製造機械２の動作状態とを関連付けて学習するステップとを有する。

図４は、他の実施形態による異常検出器と機械学習装置の概略的な機能ブロック図である。本実施形態では、製造機械が備えるモータや電源等の構成要素毎に、それぞれの構成要素の異常の予兆を検出する異常検出器を複数備えた場合の例を示す。なお、図４には示されていないが、本実施形態による異常検出器は、図２で説明した実施形態と同様に信号出力部等の機能手段を備え、また、機械学習装置は状態観測部、ラベル取得部等の各機能手段を備えているものとする。

本実施形態の異常検出器１Ａは、製造機械２が備える構成要素４Ａの異常の予兆を検出するために設置され、構成要素４Ａ及び該構成要素４Ａの近傍に設置されるセンサ３Ａから物理量を取得する。また、異常検出器１Ａが備える機械学習装置１００Ａは、学習部１１０Ａ内に、構成要素４Ａの動作状態の学習及び推定のための学習モデルＡａと、構成要素４Ｂの動作状態の学習及び推定のための学習モデルＡｂとを備える。
異常検出器１Ａは、直接又はネットワーク上に配置されたコンピュータ等を介して異常検出器１Ｂと通信可能に構成される。

この様な構成を備えた異常検出器１Ａは、第１の実施形態と同様に、構成要素４Ａ及びセンサ３Ａから取得された物理量と、構成要素４Ａの動作状態とを関連付けた学習を学習モデルＡａを用いて行い、一方で、構成要素４Ａ及びセンサ３Ａから取得された物理量と、構成要素４Ｂの動作状態とを関連付けた学習を学習モデルＡｂを用いて行う。この時、構成要素４Ｂの動作状態については、異常検出器１Ｂから直接又はネットワーク上に配置されたコンピュータ等を介して取得するようにすれば良い。

一方、本実施形態の異常検出器１Ｂは、製造機械２が備える構成要素４Ｂの異常の予兆を検出するために設置され、構成要素４Ｂ及び該構成要素４Ｂの近傍に設置されるセンサ３Ｂから物理量を取得する。また、異常検出器１Ｂが備える機械学習装置１００Ｂは、学習部１１０Ｂ内に、構成要素４Ｂの動作状態の学習及び推定のための学習モデルＢｂと、構成要素４Ａの動作状態の学習及び推定のための学習モデルＢａとを備える。
異常検出器１Ａは、直接又はネットワーク上に配置されたコンピュータ等を介して異常検出器１Ｂと通信可能に構成される。

この様な構成を備えた異常検出器１Ｂは、第１の実施形態と同様に、構成要素４Ｂ及びセンサ３Ｂから取得された物理量と、構成要素４Ｂの動作状態とを関連付けた学習を学習モデルＢｂを用いて行い、一方で、構成要素４Ｂ及びセンサ３Ｂから取得された物理量と、構成要素４Ａの動作状態とを関連付けた学習を学習モデルＡａを用いて行う。この時、構成要素４Ａの動作状態については、異常検出器１Ａから直接又はネットワーク上に配置されたコンピュータ等を介して取得するようにすれば良い。

そして、異常検出器１Ａ，１Ｂが備える機械学習装置１００Ａ，１００Ｂは、第１の実施形態と同様に、それぞれ構成要素４Ａ，４Ｂの異常の予兆を検出する際に構成要素４Ａ，４Ｂの動作状態を推定する一方で、構成要素４Ａに異常が検出された時は機械学習装置１００Ｂが構成要素４Ｂ及びセンサ３Ｂから取得された物理量に基づいて構成要素４Ａの動作状態を推定し、構成要素４Ｂに異常が検出された時は機械学習装置１００Ａが構成要素４Ａ及びセンサ３Ａから取得された物理量に基づいて構成要素４Ｂの動作状態を推定する。そして、その推定結果を他方の異常検出器に対して補助的な推定結果として送信する。

そして、各々の異常検出器は、自身が検出対象としている構成要素（及びセンサ）から取得された物理量に基づく構成要素の動作状態の推定結果と、他の異常検出器から受信した構成要素の動作状態の推定結果とを考慮して、自己の信号出力部による構成要素の異常の予兆の検出結果の正誤を判定する。この判定では、例えばそれぞれの異常検出器が備える機械学習装置が推定した構成要素の動作状態が、すべて信号出力部の判定を肯定する場合にのみ、信号出力部は自己の判定に対して肯定的な出力をするようにしても良いし、それぞれの異常検出器が備える機械学習装置が推定した構成要素の動作状態を所定の重みを付けた判定を行うようにしても良い。

なお、図４では、２つの構成要素に対してそれぞれ異常検出器を設けた例を示しているが、更に多くの構成要素に対してそれぞれ異常検出器を設け、各異常検出器が備える機械学習装置に、それぞれの構成要素の動作状態を学習する学習モデルを設け、各異常検出器が備える機械学習装置による、それぞれの構成要素の動作状態の推定結果をお互いに交換して利用するように構成しても良い。

以上、本発明の実施の形態について説明したが、本発明は上述した実施の形態の例のみに限定されることなく、適宜の変更を加えることにより様々な態様で実施することができる。

例えば、上記した実施形態の異常検出器１は、単に製造機械２の異常の予兆を検出するためだけに用いるだけでなく、異常検出器１が備える機械学習装置１００により機械学習が行われた学習済みモデルを解析することで、製造機械２が設置された地域、製造機械２に供給される電源の電源事情、製造機械２の種類、機械軸、工場、季節、年数、といった製造機械２の設置環境による異常の予兆の条件（行動）を分析し、異常の真原因の特定を容易にすることができる。
また、当該学習済みモデルを他の異常検出器１に入力して利用することで、同一の使用環境で使用される異常検出器１を、機械学習を行わせること無く高い精度で利用することができるようになる。

１，１Ａ，１Ｂ異常検出器
２製造機械
３，３Ａ，３Ｂセンサ
４Ａ，４Ｂ構成要素
１１ＣＰＵ
１２ＲＯＭ
１３ＲＡＭ
１４不揮発性メモリ
１７，１８，１９インタフェース
２０バス
２１インタフェース
３４信号出力部
７０表示器／ＭＤＩユニット
７１操作盤
１００，１００Ａ，１００Ｂ機械学習装置
１０１プロセッサ
１０２ＲＯＭ
１０３ＲＡＭ
１０４不揮発性メモリ
１０６状態観測部
１０８ラベルデータ取得部
１１０，１１０Ａ，１１０Ｂ学習部
１１２誤差計算部
１１４モデル更新部
１２２推定結果出力部

Claims

製造機械の異常の予兆を検出したことを示す信号を出力する異常検出器であって、
前記製造機械又は該製造機械乃至該製造機械の近傍に設置されたセンサから取得された物理量に基づいて前記製造機械の異常の予兆を検出し、前記製造機械の異常の予兆を検出した場合に信号を出力する信号出力部と、
前記製造機械の動作状態を学習する機械学習装置と、を備え、
前記機械学習装置は、
前記製造機械又は該製造機械乃至該製造機械の近傍に設置されたセンサから前記製造機械の動作に係る物理量を示す物理量データを、環境の現在状態を表す状態変数として観測する状態観測部と、
前記製造機械の動作状態を示す動作状態データを、ラベルデータとして取得するラベルデータ取得部と、
前記状態変数及び前記ラベルデータを用いて、製造機械の動作に係る物理量に対する該製造機械の動作状態を学習する学習部と、
前記状態観測部が観測した製造機械の動作に係る物理量に基づいて、前記学習部による学習結果を用いて該製造機械の動作状態を推定し、その推定結果を出力する推定結果出力部と、
を備え、
前記製造機械の構成要素毎に異常の予兆を検出する前記異常検出器が設けられており、
前記学習部は、異常の予兆の検出対象としている構成要素又は該構成要素乃至該構成要素の近傍に設置されたセンサから取得された物理量に対する該構成要素の動作状態を学習すると共に、異常の予兆の検出対象としている構成要素又は該構成要素乃至該構成要素の近傍に設置されたセンサから取得された物理量に対する他の構成要素の動作状態を学習し、前記推定結果出力部は、前記状態観測部が観測した製造機械の動作に係る物理量に基づいて、前記学習部による学習結果を用いて異常の予兆の検出対象としている構成要素及び他の構成要素の動作状態を推定し、その推定結果を出力し、
前記信号出力部は、前記製造機械の異常の予兆を検出した際に、前記推定結果出力部が出力した製造機械の動作状態の推定結果と、他の異常検出器が備える推定結果出力部が出力した製造機械の動作状態の推定結果とに応じて前記信号の出力を保留する、
異常検出器。
前記学習部は、製造機械の動作に係る物理量から、該物理量の変動量、振幅、変動時間、変動回数、周波数、異常を示す信号を出力する規定値からのずれ量の少なくとも１つに基づいて抽出された該物理量の特徴的な部分を学習に用いる、
請求項１に記載の異常検出器。