JP7012871B2 - システムを制御する装置及び方法 - Google Patents
システムを制御する装置及び方法 Download PDFInfo
- Publication number
- JP7012871B2 JP7012871B2 JP2020556367A JP2020556367A JP7012871B2 JP 7012871 B2 JP7012871 B2 JP 7012871B2 JP 2020556367 A JP2020556367 A JP 2020556367A JP 2020556367 A JP2020556367 A JP 2020556367A JP 7012871 B2 JP7012871 B2 JP 7012871B2
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- event
- signal
- signal sources
- time
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 70
- 238000013528 artificial neural network Methods 0.000 claims description 200
- 238000004519 manufacturing process Methods 0.000 claims description 84
- 230000008878 coupling Effects 0.000 claims description 29
- 238000010168 coupling process Methods 0.000 claims description 29
- 238000005859 coupling reaction Methods 0.000 claims description 29
- 230000008569 process Effects 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 description 54
- 238000012549 training Methods 0.000 description 43
- 238000001514 detection method Methods 0.000 description 36
- 238000010801 machine learning Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 14
- 230000008859 change Effects 0.000 description 12
- 238000012360 testing method Methods 0.000 description 11
- 230000002159 abnormal effect Effects 0.000 description 10
- 238000013138 pruning Methods 0.000 description 9
- 230000005856 abnormality Effects 0.000 description 5
- 230000002547 anomalous effect Effects 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 238000003745 diagnosis Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000001537 neural effect Effects 0.000 description 4
- 230000004913 activation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000003340 mental effect Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000003208 petroleum Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000593 degrading effect Effects 0.000 description 1
- 230000007274 generation of a signal involved in cell-cell signaling Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000000746 purification Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000005476 soldering Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 210000003813 thumb Anatomy 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
- G05B13/027—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion using neural networks only
-
- 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
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31263—Imbedded learning for planner, executor, monitor, controller and evaluator
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31483—Verify monitored data if valid or not by comparing with reference value
-
- 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32335—Use of ann, neural network
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
図1は、いくつかの実施形態による製造異常検出システム100の構成要素を示す概略図である。システム100は、製造生産ライン110、トレーニングデータプール120、機械学習モデル130及び異常検出モデル140を備える。生産ライン110は、センサーを用いてデータを収集する。センサーは、デジタルセンサー、アナログセンサー、及びそれらの組合せとすることができる。収集データは、2つの目的を果たす。すなわち、データの一部は、トレーニングデータプール120に記憶され、機械学習モデル130をトレーニングするためのトレーニングデータとして使用され、データの一部は、異常検出モデル140により、異常を検出するために動作時間データとして使用される。機械学習モデル130及び異常検出モデル140によって同じデータを使用することができる。
ニューラルネットワークを採用して、教師あり学習及び教師なし学習の両方を通して異常を検出することができる。いくつかの実施形態は、製造システムにおいて異常を検出するために時間遅延ニューラルネットワーク(TDNN)を適用する。時間遅延ニューラルネットワークを使用することにより、ニューラルネットワークへの入力として現データのみでなく履歴データも使用される。時間遅延ステップの数は、使用すべき履歴データ測定値の数を指定するパラメーターであり、例えば、時間遅延ステップの数が3である場合、現時点tにおけるデータ、時点t-1におけるデータ、及び時点t-2におけるデータが使用される。したがって、時間遅延ニューラルネットワークのサイズは、時間遅延ステップの数によって決まる。時間遅延ニューラルネットワークアーキテクチャは、時間領域においてデータ信号の関係を探索する。製造システムにおいて、データ信号の履歴は、重要な将来予測を提供することができる。
製造システムでは、データを収集するために、何十から何百又は何千ものセンサーが使用され、それは、データの量が莫大であることを示す。その結果、異常を検出するために適用されるニューラルネットワークのサイズは非常に大きい可能性がある。したがって、ニューラルネットワークの適切なサイズを決定するという問題が重要である。
図9は、いくつかの実施形態による、複数のイベントをもたらす複数の信号源を含むシステムを制御する装置900のブロック図を示す。システムの一例は製造生産ラインである。装置900は、記憶された命令を実行するように構成されたプロセッサ920とともに、プロセッサによって実行可能である命令を記憶するメモリ940を備える。プロセッサ920は、シングルコアプロセッサ、マルチコアプロセッサ、コンピューティングクラスター、又は任意の数の他の構成とすることができる。メモリ940としては、ランダムアクセスメモリ(RAM)、リードオンリーメモリ(ROM)、フラッシュメモリ、又は他の任意の好適なメモリシステムを挙げることができる。プロセッサ920は、バス906を介して1つ以上の入出力デバイスに接続されている。
Claims (16)
- 複数のイベントをもたらす複数の信号源を備えるシステムを制御する装置であって、
前記信号源から信号を受信する入力インターフェースと、
前記システムの制御状態を診断するようにトレーニングされたニューラルネットワークを記憶するメモリであって、該ニューラルネットワークは一連の層を含み、各層は一組のノードを含み、入力層と該入力層に続く第1の隠れ層との各ノードは前記システムにおける信号源に対応し、一対の異なる信号源に対応する隣接する層からの一対のノードは、前記ニューラルネットワークにおいて、該一対の異なる信号源における前記イベントが続いて発生する確率が閾値を上回る場合にのみ、結合され、前記ニューラルネットワークは部分結合ニューラルネットワークである、メモリと、
前記システムの前記制御状態を生成するように前記ニューラルネットワーク内に前記信号を提示するプロセッサと、
前記システムの前記制御状態に従って選択された制御動作を実行するコントローラーと、
を備え、
前記入力層におけるノードの数は、前記システムにおける前記信号源の数の倍数に等しく、前記入力層に続く前記第1の隠れ層におけるノードの数は、前記信号源の前記数に等しく、前記入力層は、異なる信号源における前記イベントが続いて発生する確率に基づいて、前記第1の隠れ層に部分的に結合され、
信号Sjのイベントが信号Siのイベントの後に続いて発生する前記確率は、
- 前記ニューラルネットワークは時間遅延ニューラルネットワーク(TDNN)であり、前記入力層におけるノードの前記数に対する前記倍数は、前記TDNNの遅延の時間ステップの数に等しい、請求項1に記載の装置。
- 前記TDNNは、教師あり学習に基づいてトレーニングされた時間遅延フィードフォワードニューラルネットワーク、又は、教師なし学習に基づいてトレーニングされた時間遅延オートエンコーダーニューラルネットワークである、請求項2に記載の装置。
- 前記一対の異なる信号源における前記イベントが続いて発生する前記確率は、或る期間にわたって収集された信号におけるイベントが続いて発生する頻度の関数である、請求項1に記載の装置。
- 或る期間にわたって収集された、前記信号源からの前記信号を評価して、信号源の対の異なる組合せに対する前記期間内のイベントが続いて発生する頻度を求め、
前記期間内のイベントが続いて発生する前記頻度に基づき、前記信号源の対の異なる組合せに対してイベントが続いて発生する確率を求め、
信号源の対の異なる組合せに対するイベントが続いて発生する前記確率を前記閾値と比較して、前記ニューラルネットワークの結合性構造を求め、
前記入力層におけるノードの数が前記システムにおける前記信号源の数の第1の倍数に等しく、前記入力層に続く前記第1の隠れ層におけるノードの数が前記信号源の前記数の第2の倍数に等しく、前記入力層が前記結合性構造に従って前記第1の隠れ層に部分的に結合されるように、前記ニューラルネットワークの前記結合性構造に従って該ニューラルネットワークを形成し、
前記期間にわたって収集された前記信号を使用して前記ニューラルネットワークをトレーニングする、
ように構成されたニューラルネットワークトレーナーを更に備える、請求項1に記載の装置。 - 或る期間にわたって収集された、前記信号源からの信号を評価して、信号源の対の異なる組合せに対する前記期間内のイベントが続いて発生する頻度を求め、
信号源の対の異なる組合せに対する前記イベントが続いて発生する前記頻度を前記閾値と比較して、前記ニューラルネットワークの結合性構造を求め、
前記入力層におけるノードの数が前記システムにおける前記信号源の数の第1の倍数に等しく、前記入力層に続く前記第1の隠れ層におけるノードの数が前記信号源の前記数の第2の倍数に等しく、前記入力層が前記結合性構造に従って前記第1の隠れ層に部分的に結合されるように、前記ニューラルネットワークの前記結合性構造に従って該ニューラルネットワークを形成し、
前記期間にわたって収集された前記信号を使用して前記ニューラルネットワークをトレーニングする、
ように構成されたニューラルネットワークトレーナーを更に備える、請求項1に記載の装置。 - 前記ニューラルネットワークトレーナーは、前記イベントが続いて発生する前記頻度を表す信号結合行列を形成する、請求項6に記載の装置。
- 前記システムは、プロセス型製造及びディスクリート型製造のうちの一方又はそれらの組合せを含む製造生産ラインである、請求項1に記載の装置。
- 前記一対の異なる信号源における前記イベントの後の発生は、前記システムの全てのイベントの時系列におけるイベントの連続した発生である、請求項1に記載の装置。
- 複数のイベントをもたらす複数の信号源を備えるシステムを制御する方法であって、該方法は、前記システムの制御状態を診断するようにトレーニングされたニューラルネットワークを記憶するメモリに結合されたプロセッサを使用し、該プロセッサは、該方法を実施する記憶された命令に結合され、該命令は、前記プロセッサによって実行されると該方法のステップを実行し、該方法は、
前記信号源から信号を受信することと、
前記システムの前記制御状態を生成するように前記メモリから引き出された前記ニューラルネットワーク内に前記信号を提示することであって、前記ニューラルネットワークは一連の層を含み、各層は一組のノードを含み、入力層と該入力層に続く第1の隠れ層との各ノードは前記システムにおける信号源に対応し、一対の異なる信号源に対応する隣接する層からの一対のノードは、前記ニューラルネットワークにおいて、該一対の異なる信号源における前記イベントが続いて発生する確率が閾値を上回る場合にのみ、結合される、提示することと、
前記システムの前記制御状態に従って選択された制御動作を実行することと、
を含み、
前記一対の異なる信号源における前記イベントが続いて発生する前記確率は、或る期間にわたって収集された信号におけるイベントが続いて発生する頻度の関数である、方法。 - 前記入力層におけるノードの数は、前記システムにおける前記信号源の数の倍数に等しく、前記入力層に続く前記第1の隠れ層におけるノードの数は、前記信号源の前記数に等しく、前記入力層は、異なる信号源における前記イベントが続いて発生する確率に基づいて、前記第1の隠れ層に部分的に結合される、請求項10に記載の方法。
- 前記ニューラルネットワークは時間遅延ニューラルネットワーク(TDNN)であり、前記入力層におけるノードの前記数に対する前記倍数は、前記TDNNの遅延の時間ステップの数に等しく、前記TDNNは、教師あり学習に基づいてトレーニングされた時間遅延フィードフォワードニューラルネットワーク、又は、教師なし学習に基づいてトレーニングされた時間遅延オートエンコーダーニューラルネットワークである、請求項11に記載の方法。
- 前記一対の異なる信号源における前記イベントの後の発生は、前記システムにおける前記イベントの時系列におけるイベントの連続した発生である、請求項10に記載の方法。
- 複数のイベントをもたらす複数の信号源を備えるシステムを制御する方法を実行するプロセッサによって実行可能なプログラムが具現化されている非一時的コンピューター可読媒体であって、前記方法は、
前記信号源から信号を受信することと、
前記システムの制御状態を診断して該システムの該制御状態を生成するようにトレーニングされたニューラルネットワーク内に、前記信号を提示することであって、前記ニューラルネットワークは一連の層を含み、各層は一組のノードを含み、入力層と該入力層に続く第1の隠れ層との各ノードは前記システムにおける信号源に対応し、一対の異なる信号源に対応する隣接する層からの一対のノードは、前記ニューラルネットワークにおいて、該一対の異なる信号源における前記イベントが続いて発生する確率が閾値を上回る場合にのみ、結合される、提示することと、
前記システムの前記制御状態に従って選択された制御動作を実行することと、
を含み、
前記一対の異なる信号源における前記イベントの後の発生は、前記システムの前記イベントの時系列におけるイベントの連続した発生である、媒体。 - 前記ニューラルネットワークは時間遅延ニューラルネットワーク(TDNN)であり、前記入力層におけるノードの数は、前記システムにおける前記信号源の数の倍数に等しく、前記倍数は、前記TDNNの遅延の時間ステップの数に等しく、前記TDNNは、教師あり学習に基づいてトレーニングされた時間遅延フィードフォワードニューラルネットワーク、又は、教師なし学習に基づいてトレーニングされた時間遅延オートエンコーダーニューラルネットワークである、請求項14に記載の媒体。
- 前記一対の異なる信号源における前記イベントが続いて発生する前記確率は、期間にわたって収集された信号におけるイベントが続いて発生する頻度の関数である、請求項14に記載の媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/938,411 | 2018-03-28 | ||
US15/938,411 US20190302707A1 (en) | 2018-03-28 | 2018-03-28 | Anomaly Detection in Manufacturing Systems Using Structured Neural Networks |
PCT/JP2018/040785 WO2019187297A1 (en) | 2018-03-28 | 2018-10-26 | Apparatus and method for controlling system |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021509995A JP2021509995A (ja) | 2021-04-08 |
JP7012871B2 true JP7012871B2 (ja) | 2022-01-28 |
Family
ID=64500420
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020556367A Active JP7012871B2 (ja) | 2018-03-28 | 2018-10-26 | システムを制御する装置及び方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20190302707A1 (ja) |
EP (1) | EP3776113B1 (ja) |
JP (1) | JP7012871B2 (ja) |
CN (1) | CN111902781B (ja) |
TW (1) | TWI682257B (ja) |
WO (1) | WO2019187297A1 (ja) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11640152B2 (en) | 2017-09-28 | 2023-05-02 | Siemens Aktiengesellschaft | Method and device for providing service for a programmable logic controller |
CN111295625B (zh) * | 2017-12-29 | 2023-12-12 | 西门子股份公司 | 过程仪表的异常检测方法、***及存储介质 |
US11354320B2 (en) * | 2018-10-11 | 2022-06-07 | International Business Machines Corporation | Determining causes of events in data |
FR3095878B1 (fr) * | 2019-05-10 | 2021-10-08 | Univ De Brest | Procédé d'analyse automatique d'images pour reconnaître automatiquement au moins une caractéristique rare |
DE102019206858A1 (de) * | 2019-05-13 | 2020-11-19 | Zf Friedrichshafen Ag | Prokuttestverfahren, Produkttestvorrichtung und Produkttestsystem zum Test elektronischer Baugruppen |
KR20200141812A (ko) * | 2019-06-11 | 2020-12-21 | 삼성전자주식회사 | 뉴럴 네트워크를 이용하여 이상 신호를 감지하는 방법 및 장치 |
US11100221B2 (en) * | 2019-10-08 | 2021-08-24 | Nanotronics Imaging, Inc. | Dynamic monitoring and securing of factory processes, equipment and automated systems |
CN110929849B (zh) * | 2019-11-22 | 2023-09-01 | 迪爱斯信息技术股份有限公司 | 一种基于神经网络模型压缩的视频检测方法和装置 |
EP4088233A4 (en) * | 2020-01-12 | 2024-02-21 | Neurala, Inc. | SYSTEMS AND METHODS FOR ANORMAL DETECTION AND DETECTION USING LIFE-LONG DEEP NEURONAL NETWORKS |
EP3876054A1 (en) * | 2020-03-05 | 2021-09-08 | Siemens Aktiengesellschaft | Methods and systems for workpiece quality control |
CN111813593B (zh) * | 2020-07-23 | 2023-08-18 | 平安银行股份有限公司 | 一种数据处理方法、设备、服务器及存储介质 |
JP7318612B2 (ja) * | 2020-08-27 | 2023-08-01 | 横河電機株式会社 | 監視装置、監視方法、および監視プログラム |
CN115335785B (zh) * | 2020-10-14 | 2024-06-18 | 三菱电机株式会社 | 外部信号输入输出单元、控制***、机器学习装置及推断装置 |
TWI749925B (zh) * | 2020-12-01 | 2021-12-11 | 英業達股份有限公司 | 製造設備製造參數調整控制系統及其方法 |
US11068786B1 (en) * | 2020-12-17 | 2021-07-20 | Moffett Technologies Co., Limited | System and method for domain specific neural network pruning |
JPWO2022196175A1 (ja) * | 2021-03-16 | 2022-09-22 | ||
US20220398525A1 (en) * | 2021-06-10 | 2022-12-15 | Samsung Display Co., Ltd. | Systems and methods for concept intervals clustering for defect visibility regression |
US12007760B2 (en) * | 2021-09-02 | 2024-06-11 | Mitsubishi Electric Research Laboratories, Inc. | Anomaly detection and diagnosis in factory automation system using pre-processed time-delay neural network with loss function adaptation |
US11669617B2 (en) | 2021-09-15 | 2023-06-06 | Nanotronics Imaging, Inc. | Method, systems and apparatus for intelligently emulating factory control systems and simulating response data |
EP4220321A1 (de) * | 2022-01-26 | 2023-08-02 | Siemens Aktiengesellschaft | Computer-implementiertes verfahren zur erkennung von abweichungen in einem herstellungsprozess |
TWI795282B (zh) * | 2022-04-29 | 2023-03-01 | 陳健如 | 機器人焊接方法 |
TWI822068B (zh) * | 2022-05-31 | 2023-11-11 | 大陸商寧波弘訊科技股份有限公司 | 一種橡膠機控制方法、系統、設備以及存儲介質 |
US20240241508A1 (en) * | 2023-01-13 | 2024-07-18 | Anoop Cherian | System and Method for Anomaly Detection using an Attention Model |
CN117707101B (zh) * | 2024-02-06 | 2024-04-30 | 青岛超瑞纳米新材料科技有限公司 | 碳纳米管规模化加工的生产线监管控制*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016173843A (ja) | 2016-05-11 | 2016-09-29 | 三菱電機株式会社 | 処理装置、判別方法およびプログラム |
US20170031329A1 (en) | 2015-07-31 | 2017-02-02 | Fanuc Corporation | Machine learning method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device |
Family Cites Families (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5386373A (en) * | 1993-08-05 | 1995-01-31 | Pavilion Technologies, Inc. | Virtual continuous emission monitoring system with sensor validation |
US6047221A (en) * | 1997-10-03 | 2000-04-04 | Pavilion Technologies, Inc. | Method for steady-state identification based upon identified dynamics |
US6278899B1 (en) * | 1996-05-06 | 2001-08-21 | Pavilion Technologies, Inc. | Method for on-line optimization of a plant |
US6381504B1 (en) * | 1996-05-06 | 2002-04-30 | Pavilion Technologies, Inc. | Method for optimizing a plant with multiple inputs |
EP1022632A1 (en) * | 1999-01-21 | 2000-07-26 | ABB Research Ltd. | Monitoring diagnostic apparatus with neural network modelling the normal or abnormal functionality of an electrical device |
JP2005309616A (ja) * | 2004-04-19 | 2005-11-04 | Mitsubishi Electric Corp | 設備機器故障診断システム及び故障診断ルール作成方法 |
DE102006059037A1 (de) * | 2006-12-14 | 2008-06-19 | Volkswagen Ag | Verfahren und Vorrichtung zum Diagnostizieren von Funktionen und Fahrzeugsystemen |
US8352216B2 (en) * | 2008-05-29 | 2013-01-08 | General Electric Company | System and method for advanced condition monitoring of an asset system |
CN101697079B (zh) * | 2009-09-27 | 2011-07-20 | 华中科技大学 | 用于航天器实时信号处理的盲***故障检测与隔离方法 |
US9009530B1 (en) * | 2010-06-30 | 2015-04-14 | Purdue Research Foundation | Interactive, constraint-network prognostics and diagnostics to control errors and conflicts (IPDN) |
AT511577B1 (de) * | 2011-05-31 | 2015-05-15 | Avl List Gmbh | Maschinell umgesetztes verfahren zum erhalten von daten aus einem nicht linearen dynamischen echtsystem während eines testlaufs |
US9147155B2 (en) * | 2011-08-16 | 2015-09-29 | Qualcomm Incorporated | Method and apparatus for neural temporal coding, learning and recognition |
US8484022B1 (en) * | 2012-07-27 | 2013-07-09 | Google Inc. | Adaptive auto-encoders |
JP6111057B2 (ja) * | 2012-12-05 | 2017-04-05 | 学校法人中部大学 | エネルギーマネージメントシステム |
CN103257921B (zh) * | 2013-04-16 | 2015-07-22 | 西安电子科技大学 | 一种基于改进随机森林算法的软件故障预测***及其方法 |
US9892238B2 (en) * | 2013-06-07 | 2018-02-13 | Scientific Design Company, Inc. | System and method for monitoring a process |
US20150277416A1 (en) | 2014-03-31 | 2015-10-01 | Mitsubishi Electric Research Laboratories, Inc. | Method for Anomaly Detection in Discrete Manufacturing Processes |
RU2580786C2 (ru) * | 2014-05-22 | 2016-04-10 | Максим Сергеевич Слетнев | Способ мониторинга состояния узлов автоматизированных технологических комплексов производств непрерывного типа |
CN104238545B (zh) * | 2014-07-10 | 2017-02-01 | 中国石油大学(北京) | 一种石油炼化生产过程故障诊断和预警***及其建立方法 |
US11340602B2 (en) * | 2014-12-19 | 2022-05-24 | Raytheon Technologies Corporation | Sensor data fusion for prognostics and health monitoring |
CN104914851B (zh) * | 2015-05-21 | 2017-05-24 | 北京航空航天大学 | 一种基于深度学习的飞机旋转作动器驱动装置自适应故障检测方法 |
US10332028B2 (en) * | 2015-08-25 | 2019-06-25 | Qualcomm Incorporated | Method for improving performance of a trained machine learning model |
JP6603182B2 (ja) * | 2016-07-22 | 2019-11-06 | ファナック株式会社 | 機械学習モデル構築装置、数値制御装置、機械学習モデル構築方法、機械学習モデル構築プログラム、及び記録媒体 |
US20180053086A1 (en) * | 2016-08-22 | 2018-02-22 | Kneron Inc. | Artificial neuron and controlling method thereof |
CN106650918B (zh) * | 2016-11-25 | 2019-08-30 | 东软集团股份有限公司 | 构建***模型的方法和装置 |
US10515302B2 (en) * | 2016-12-08 | 2019-12-24 | Via Alliance Semiconductor Co., Ltd. | Neural network unit with mixed data and weight size computation capability |
CN106618551B (zh) * | 2016-12-09 | 2017-12-12 | 浙江铭众科技有限公司 | 一种用于三导联心电电极连接判别的智能终端 |
CN106650919A (zh) * | 2016-12-23 | 2017-05-10 | 国家电网公司信息通信分公司 | 一种基于卷积神经网络的信息***故障诊断方法及装置 |
CN107479368B (zh) * | 2017-06-30 | 2021-09-21 | 北京百度网讯科技有限公司 | 一种基于人工智能的训练无人机控制模型的方法及*** |
-
2018
- 2018-03-28 US US15/938,411 patent/US20190302707A1/en not_active Abandoned
- 2018-10-26 CN CN201880091662.0A patent/CN111902781B/zh active Active
- 2018-10-26 JP JP2020556367A patent/JP7012871B2/ja active Active
- 2018-10-26 WO PCT/JP2018/040785 patent/WO2019187297A1/en unknown
- 2018-10-26 EP EP18811076.1A patent/EP3776113B1/en active Active
-
2019
- 2019-03-20 TW TW108109451A patent/TWI682257B/zh active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170031329A1 (en) | 2015-07-31 | 2017-02-02 | Fanuc Corporation | Machine learning method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device |
JP2016173843A (ja) | 2016-05-11 | 2016-09-29 | 三菱電機株式会社 | 処理装置、判別方法およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
US20190302707A1 (en) | 2019-10-03 |
TWI682257B (zh) | 2020-01-11 |
CN111902781B (zh) | 2023-07-07 |
EP3776113B1 (en) | 2023-06-07 |
CN111902781A (zh) | 2020-11-06 |
WO2019187297A1 (en) | 2019-10-03 |
EP3776113A1 (en) | 2021-02-17 |
JP2021509995A (ja) | 2021-04-08 |
TW201942695A (zh) | 2019-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7012871B2 (ja) | システムを制御する装置及び方法 | |
Helbing et al. | Deep Learning for fault detection in wind turbines | |
Lade et al. | Manufacturing analytics and industrial internet of things | |
Wang et al. | Remaining useful life estimation using functional data analysis | |
JP7017861B2 (ja) | 異常検知システムおよび異常検知方法 | |
EP3454289B1 (en) | Plant abnormality detection method and system | |
JP6740247B2 (ja) | 異常検出システム、異常検出方法、異常検出プログラム及び学習済モデル生成方法 | |
Liu et al. | Anomaly detection in manufacturing systems using structured neural networks | |
JP5306902B2 (ja) | 資産システムの高性能条件監視のためのシステムおよび方法 | |
Javadpour et al. | A fuzzy neural network approach to machine condition monitoring | |
US10810508B1 (en) | Methods and apparatus for classifying and discovering historical and future operational states based on Boolean and numerical sensor data | |
Wei et al. | A novel deep learning model based on target transformer for fault diagnosis of chemical process | |
KR102005138B1 (ko) | 기기 이상징후 사전감지 방법 및 시스템 | |
Xu et al. | A novel dual-stream self-attention neural network for remaining useful life estimation of mechanical systems | |
CN110757510B (zh) | 一种机器人剩余寿命预测方法及*** | |
Gao et al. | Dual channel feature attention-based approach for RUL prediction considering the spatiotemporal difference of multisensor data | |
Xu et al. | Global attention mechanism based deep learning for remaining useful life prediction of aero-engine | |
KR101995026B1 (ko) | 대상 시스템의 상태 진단 및 원인 분석 시스템 및 방법 | |
JP2022028620A (ja) | 製造プロセスにおける因果推論のためのシステム及び方法 | |
RU2559401C1 (ru) | Способ диагностирования технического состояния служебных систем летательного аппарата | |
Aremu et al. | Kullback-leibler divergence constructed health indicator for data-driven predictive maintenance of multi-sensor systems | |
JP2018014093A (ja) | プロセスの状態診断方法及び状態診断装置 | |
Basulaiman et al. | Sequence-to-sequence forecasting-aided state estimation for power systems | |
Soni et al. | Predictive maintenance of gas turbine using prognosis approach | |
Costa et al. | Remaining useful life estimation using a recurrent variational autoencoder |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200701 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200701 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210831 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211007 |
|
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: 20211221 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220118 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7012871 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |