JP7108577B2 - Diagnostic device, diagnostic method and processing device - Google Patents

Diagnostic device, diagnostic method and processing device Download PDF

Info

Publication number
JP7108577B2
JP7108577B2 JP2019091012A JP2019091012A JP7108577B2 JP 7108577 B2 JP7108577 B2 JP 7108577B2 JP 2019091012 A JP2019091012 A JP 2019091012A JP 2019091012 A JP2019091012 A JP 2019091012A JP 7108577 B2 JP7108577 B2 JP 7108577B2
Authority
JP
Japan
Prior art keywords
diagnostic
data
unit
similarity
measurement data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2019091012A
Other languages
Japanese (ja)
Other versions
JP2020187502A (en
Inventor
見多 出口
明博 中村
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.)
Hitachi Ltd
Original Assignee
Hitachi 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 Hitachi Ltd filed Critical Hitachi Ltd
Priority to JP2019091012A priority Critical patent/JP7108577B2/en
Priority to DE112020001792.3T priority patent/DE112020001792T5/en
Priority to PCT/JP2020/010972 priority patent/WO2020230436A1/en
Publication of JP2020187502A publication Critical patent/JP2020187502A/en
Application granted granted Critical
Publication of JP7108577B2 publication Critical patent/JP7108577B2/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

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Description

本発明は、診断対象を診断する診断装置と診断方法および加工装置に関する。 The present invention relates to a diagnostic device, a diagnostic method, and a processing device for diagnosing a diagnostic target.

近年、製造現場における多品種少量生産や混流生産のニーズが高まっている。そのため、タレットパンチやマシニングセンタなどの複合加工機を用いた製造が盛んになっている。これらの複合加工機は、1台の機器のなかに複数種類のツール（タレットパンチの場合はダイ・パンチ、マシニングセンタの場合はスピンドル）が設置されており、指令コードに基づいて、これらのツールを適宜交換して加工することができる。そのため、製品ごとに形状や材料が異なる多品種少量生産や混流生産に適している。 In recent years, the need for high-mix low-volume production and mixed-flow production at manufacturing sites has increased. Therefore, manufacturing using multitasking machines such as turret punches and machining centers has become popular. These multitasking machines are equipped with multiple types of tools (die and punch for turret punches, spindles for machining centers) in one machine, and these tools can be controlled based on command codes. It can be processed by exchanging it as appropriate. Therefore, it is suitable for high-mix low-volume production and mixed-flow production, in which each product has different shapes and materials.

この種の複合加工機においては、加工を繰り返すうちにツールが劣化して加工対象の仕上がり品質が低下することがあり、生産におけるロスコストを抑制するためには、ツールの劣化を早期に発見し、不良品の発生を最小限に抑えることが重要となる。ツールの劣化を検知する手法としては、ツールの劣化に起因して発生する物理量（電圧・電流、振動、温度など）の変動をセンサで取得して検知する手法がある。 In this type of multitasking machine, the tool deteriorates during repeated machining and the finish quality of the machined object deteriorates. It is important to minimize the occurrence of defective products. As a method of detecting tool deterioration, there is a method of acquiring and detecting changes in physical quantities (voltage/current, vibration, temperature, etc.) caused by tool deterioration with a sensor.

一方で、複合加工機の場合、ツールごとに使用頻度が異なるため、ツールごとに劣化の進展具合も異なる。そのため、ツールの劣化を検知する前処理として、センサで連続的に取得したデータの中から、対象となるツールで加工しているときのデータを抽出する必要がある。すなわち、対象となるツールを特定するために、測定した波形から加工ツールを精度よく推定することが重要となる。 On the other hand, in the case of a multitasking machine, since the frequency of use differs for each tool, the progress of deterioration also differs for each tool. Therefore, as a preprocessing for detecting deterioration of the tool, it is necessary to extract data during machining with the target tool from the data continuously acquired by the sensor. That is, in order to specify the target tool, it is important to accurately estimate the machining tool from the measured waveform.

そのため、特許文献１には、「電気機器１ａ及び１ｂに供給されている電圧、電流及び電力のうち少なくとも１つの計測結果を取得し、計測結果に基づいて、電気機器１ａ及び１ｂの電気的特徴量を計算する、特徴量計算部１０ａ及び１０ｂと、電気的特徴量を、電気機器の種類毎に予め設定されている電気的特徴量に照合して、電気機器の種類の候補を選出する、候補選出部２０と、候補の中から、電気機器における状況毎の出現の可能性を示す出現係数に基づいて、電気機器１ａ及び１ｂの種類を判別する、機器判別部３０を、を備えている電気機器判別装置１０１。」に関する技術が記載されている。 Therefore, in Patent Document 1, "At least one measurement result of the voltage, current, and power supplied to the electrical devices 1a and 1b is obtained, and based on the measurement result, the electrical characteristics of the electrical devices 1a and 1b are obtained. The feature amount calculation units 10a and 10b that calculate the amount, and the electrical feature amount are compared with the electrical feature amount preset for each type of electrical equipment to select candidates for the type of electrical equipment. A candidate selection unit 20, and a device determination unit 30 that determines the types of the electrical devices 1a and 1b from among the candidates based on the appearance coefficient that indicates the possibility of appearance for each situation in the electrical device. Electric equipment discrimination device 101.” is described.

特開２０１４－３７４９号公報JP 2014-3749 A

しかしながら、特許文献１では、特徴量計算部が、判別対象となる電気機器に供給される電圧、電流、及び電力のうち少なくとも１つの計測結果（最大値・最小値・実効値）に基づいて特徴量を計算しているので、特徴量が瞬時値となる。このため、計測結果にノイズが重畳した場合、計測結果から得られる特徴量が、電気信号に重畳するノイズの影響を受け、外れ値となる可能性がある。 However, in Patent Document 1, the feature amount calculation unit is characterized based on the measurement result (maximum value, minimum value, effective value) of at least one of the voltage, current, and power supplied to the electrical device to be determined. Since the amount is calculated, the feature amount becomes the instantaneous value. Therefore, when noise is superimposed on the measurement result, the feature quantity obtained from the measurement result may become an outlier due to the influence of the noise superimposed on the electrical signal.

本発明の目的は、診断対象から得られた時系列データにノイズが重畳しても、診断対象の種類を正確に推定することにある。 An object of the present invention is to accurately estimate the type of a diagnostic target even when noise is superimposed on the time-series data obtained from the diagnostic target.

上記課題を解決するために、本発明は、複数の診断対象のうちいずれか一つの状態を示す時系列データを測定データとして取得するデータ取得部と、前記複数の診断対象の各々の種類を特定する時系列データとして管理された複数の参照データを格納するデータ記憶部と、前記データ取得部の取得による前記測定データと前記データ記憶部に格納された前記参照データとを基に前記測定データと前記参照データとの類似度を設定時刻毎に演算する類似度演算部と、前記測定データと前記参照データとの類似度で管理される特徴量を前記複数の診断対象の各々の種類に対応づけて記憶する特徴量記憶部と、前記類似度演算部の演算結果を基に前記特徴量記憶部を参照して、前記複数の診断対象のうち前記測定データの取得先となる診断対象の種類を推定する診断対象推定部と、を備えることを特徴とする。 In order to solve the above problems, the present invention provides a data acquisition unit that acquires time-series data indicating the state of any one of a plurality of diagnosis targets as measurement data, and a type of each of the plurality of diagnosis targets that is specified. a data storage unit for storing a plurality of reference data managed as time-series data; and the measurement data obtained by the data acquisition unit and the reference data stored in the data storage unit. A similarity calculation unit that calculates the degree of similarity with the reference data at each set time, and a feature amount managed by the degree of similarity between the measurement data and the reference data is associated with each type of the plurality of diagnosis targets. and a type of diagnosis target from which the measurement data is obtained from among the plurality of diagnosis targets by referring to the feature quantity storage unit based on the calculation result of the similarity calculation unit. and a diagnostic object estimating unit for estimating.

本発明によれば、診断対象から得られた時系列データにノイズが重畳しても、診断対象の種類を正確に推定することができる。 ADVANTAGE OF THE INVENTION According to this invention, even if noise is superimposed on the time-series data obtained from the diagnostic object, the kind of diagnostic object can be estimated correctly.

本発明を適用した診断装置の実施例１を示す構成図である。1 is a configuration diagram showing a first embodiment of a diagnostic device to which the present invention is applied; FIG. 測定データと参照データとから類似度を演算する処理を説明するための説明図である。FIG. 10 is an explanatory diagram for explaining a process of calculating a degree of similarity from measurement data and reference data; 実施例１に係る管理テーブルの構成図である。4 is a configuration diagram of a management table according to the first embodiment; FIG. 本発明を適用した診断装置の実施例２を示す構成図である。It is a block diagram which shows Example 2 of the diagnostic apparatus to which this invention is applied. 実施例２に係る管理テーブルの構成図であって、（ａ）は、再学習前における管理テーブルの構成図であり、（ｂ）は、再学習後における管理テーブルの構成図である。FIG. 11 is a configuration diagram of a management table according to Example 2, where (a) is a configuration diagram of the management table before relearning, and (b) is a configuration diagram of the management table after relearning; 実施例３に係る診断装置の処理を説明するための図であって、（ａ）は、全工程の測定データを用いたツール推定方法を説明するための説明図であり、（ｂ）は、加工工程の測定データを用いたツール推定方法を説明するための説明図である。FIG. 11 is a diagram for explaining the processing of the diagnostic apparatus according to the third embodiment, where (a) is an explanatory diagram for explaining a tool estimation method using measurement data of all processes, and (b) is FIG. 4 is an explanatory diagram for explaining a tool estimation method using measurement data of a machining process; 本発明を適用した診断装置の実施例４を示す構成図である。It is a block diagram which shows Example 4 of the diagnostic apparatus to which this invention is applied. 本発明を適用した診断装置の実施例５を示す構成図である。It is a block diagram which shows Example 5 of the diagnostic apparatus to which this invention is applied.

以下、本発明の実施例について図面を用いて説明する。 Hereinafter, embodiments of the present invention will be described with reference to the drawings.

図１は、本発明を適用した診断装置の実施例１を示す構成図である。図１において、診断装置１００は、データ取得部１０１、診断部１０２、データ記憶部１０３、類似度演算部１０４、特徴量記憶部１０５、ツール推定部１０６、診断モデル選択部１０７、出力部１０８を備え、データ取得部１０１が、機器５０に接続される。機器５０には、診断装置１００の診断対象となる複数種類のツール５１が配置される。機器５０は、例えば、加工装置、工作機械、加工機械、複合加工機で構成される。各ツール５１としては、機器５０が、モータを含む複合加工機の場合、例えば、ダイ・パンチ、スピンドルなどの加工ツールが用いられる。 FIG. 1 is a block diagram showing Embodiment 1 of a diagnostic apparatus to which the present invention is applied. In FIG. 1, the diagnostic apparatus 100 includes a data acquisition unit 101, a diagnostic unit 102, a data storage unit 103, a similarity calculation unit 104, a feature amount storage unit 105, a tool estimation unit 106, a diagnostic model selection unit 107, and an output unit 108. In addition, the data acquisition unit 101 is connected to the device 50 . A plurality of types of tools 51 to be diagnosed by the diagnostic apparatus 100 are arranged in the device 50 . The device 50 is configured by, for example, a processing device, a machine tool, a processing machine, and a multitasking machine. As each tool 51, if the device 50 is a multitasking machine including a motor, for example, a working tool such as a die/punch or a spindle is used.

データ取得部１０１は、機器５０から、複数のツール（診断対象）のうちいずれか一つの状態を示す時系列データとして、例えば、あるツール５１を駆動するためのモータの電流波形を示す測定データ（機器５０で測定された測定データ）を取得し、取得した測定データを診断部１０２に出力すると共に、データ記憶部１０３を介して類似度演算部１０４に出力する。データ記憶部１０３は、複数のツール５１に関するデータを格納するデータベースである。このデータ記憶部１０３には、例えば、各ツール５１が正常状態にあるときに、各ツール５１をモータが駆動したときのモータの出力信号を基に予め生成された、複数の参照データＤ１、・・・、Ｄｎが格納される。各参照データＤ１、・・・、Ｄｎには、機器５０からの時系列データ（測定データ）に対応したデータであって、診断対象（ツール５１）の種類を特定する時系列データとして管理されたデータが用いられる。例えば、時系列データ（測定データ）が、モータの電流波形を示すデータである場合、各参照データＤ１、・・・、Ｄｎとして、モータの電流波形に対応した時系列データが用いられる。なお、時系列データとしては、モータの電流に関するデータの他に、モータの電圧・電力に関するデータや、制御指令値を示すデータを用いることができる。また、時系列データとして、モータの電流、電圧、電力などの電気信号を示すデータを用いることで、時系列データを容易に測定することができる。 The data acquisition unit 101 receives from the device 50 , as time-series data indicating the state of any one of a plurality of tools (diagnostic targets), for example, measurement data indicating a current waveform of a motor for driving a certain tool 51 ( Measured data measured by the device 50 ) is acquired, and the acquired measurement data is output to the diagnostic unit 102 and output to the similarity calculation unit 104 via the data storage unit 103 . The data storage unit 103 is a database that stores data regarding a plurality of tools 51 . The data storage unit 103 stores, for example, a plurality of reference data D1 generated in advance based on the output signal of the motor when each tool 51 is driven by the motor when each tool 51 is in a normal state. , Dn are stored. Each of the reference data D1, . data is used. For example, when the time-series data (measurement data) is data representing the current waveform of the motor, the time-series data corresponding to the current waveform of the motor is used as each of the reference data D1, . . . , Dn. In addition to the data regarding the current of the motor, data regarding the voltage/power of the motor and data indicating the control command value can be used as the time-series data. In addition, by using data indicating electrical signals such as motor current, voltage, and power as the time-series data, the time-series data can be easily measured.

類似度演算部１０４は、データ取得部１０１の取得による測定データとデータ記憶部１０３に格納された各参照データとを基に測定データと各参照データＤ１、・・・、Ｄｎとの類似度Ｒ１、・・・、Ｒｎを設定時刻毎にそれぞれ演算し、各演算結果をそれぞれ特徴量の一要素として特徴量記憶部１０５に格納する。ツール推定部１０６は、特徴量記憶部１０５に格納された各演算結果の情報を基に管理テーブル（複数のツール５１の種類に応じた特徴量を管理するデータベース・図示せず）を参照し、参照結果から、ツール５１の種類を推定し、推定結果を診断モデル選択部１０７に出力する。 Based on the measurement data acquired by the data acquisition unit 101 and each reference data stored in the data storage unit 103, the similarity calculation unit 104 calculates the similarity R1 between the measurement data and each reference data D1, . . . , Dn. , . The tool estimating unit 106 refers to a management table (database for managing feature amounts corresponding to the types of the plurality of tools 51, not shown) based on the information of each calculation result stored in the feature amount storage unit 105, Based on the reference result, the type of tool 51 is estimated, and the estimation result is output to diagnostic model selection section 107 .

診断モデル選択部１０７は、複数のツール５１の種類（クラスタ）に対応した複数の診断モデルに関する情報を保持し、ツール推定部１０６の推定結果（ツール５１の種類）を基に、複数の診断モデルの中から、ツール推定部１０６で推定したツール５１の種類に対応した診断モデルを選択し、選択した診断モデルの情報を診断部１０２に出力する。各診断モデルの情報は、例えば、時系列データとして、モータの電流波形を示すデータである場合、各ツール５１が正常状態にあるときに、各ツール５１をモータが駆動したときのモータの電流波形に相当するデータであって、各ツール５１の状態を診断するときの基準値となるデータで構成される。 The diagnostic model selection unit 107 holds information about a plurality of diagnostic models corresponding to the types (clusters) of a plurality of tools 51, and selects a plurality of diagnostic models based on the estimation results (types of tools 51) of the tool estimation unit 106. A diagnostic model corresponding to the type of the tool 51 estimated by the tool estimation unit 106 is selected from among them, and information of the selected diagnostic model is output to the diagnostic unit 102 . If the information of each diagnostic model is, for example, data indicating the current waveform of the motor as time-series data, the current waveform of the motor when each tool 51 is driven by the motor when each tool 51 is in a normal state. and is composed of data serving as a reference value when diagnosing the state of each tool 51 .

診断部１０２は、データ取得部１０１が取得した測定データと診断モデル選択部１０７が選択した診断モデルの情報とを基に、測定データの取得先となるツール５１に関する診断を行い、診断結果を出力部１０８に出力する。例えば、診断部１０２は、データ取得部１０１が取得した測定データと診断モデル選択部１０７が選択した診断モデルの情報とを比較し、比較結果を基に、測定データの取得先となるツール５１の劣化状態や稼働状況（稼働率）の診断を行う。 Based on the measurement data acquired by the data acquisition unit 101 and the diagnostic model information selected by the diagnostic model selection unit 107, the diagnostic unit 102 diagnoses the tool 51 from which the measurement data is acquired, and outputs the diagnostic result. Output to unit 108 . For example, the diagnosis unit 102 compares the measurement data acquired by the data acquisition unit 101 with the diagnostic model information selected by the diagnostic model selection unit 107, and based on the comparison result, determines the tool 51 from which the measurement data is acquired. Diagnose the deterioration state and operating status (operating rate).

出力部１０８は、診断部１０２の診断結果を出力する。例えば、出力部１０８が表示装置としての機能を有する場合、出力部１０８は、診断部１０２の診断結果を画面上に表示する。この際、ツール推定部１０６で推定した、ツール５１の種類に対応した診断モデルが、診断モデル選択部１０７によって選択されるので、診断部１０２で利用する診断モデルの情報は、データ取得部１０１が取得した測定データに対応した、最適な診断モデルの情報として自動で更新される。このため、診断部１０２は、最適な診断モデルを用いたときの診断結果を出力部１０８に表示することができる。 The output unit 108 outputs the diagnostic result of the diagnostic unit 102 . For example, when the output unit 108 has a function as a display device, the output unit 108 displays the diagnosis result of the diagnosis unit 102 on the screen. At this time, since the diagnostic model corresponding to the type of tool 51 estimated by the tool estimation unit 106 is selected by the diagnostic model selection unit 107, the information of the diagnostic model used by the diagnosis unit 102 is It is automatically updated as the optimal diagnostic model information corresponding to the acquired measurement data. Therefore, the diagnosis unit 102 can display the diagnosis result when using the optimum diagnosis model on the output unit 108 .

なお、診断装置１００は、例えば、ＣＰＵ（Central Processing Unit）、入力装置、出力装置、通信装置および記憶装置を備えたコンピュータ装置で構成される。 The diagnostic device 100 is configured by a computer device including, for example, a CPU (Central Processing Unit), an input device, an output device, a communication device, and a storage device.

ＣＰＵは、装置全体の動作を統括的に制御する中央処理装置として構成される。入力装置は、キーボードまたはマウスから構成され、出力装置は、ディスプレイまたはプリンタから構成される。また通信装置は、無線ＬＡＮ又は有線ＬＡＮに接続するためのＮＩＣ（Network Interface Card）を備えて構成される。さらに記憶装置は、ＲＡＭ（Random Access Memory）およびＲＯＭ（Read Only Memory）などの記憶媒体から構成される。 The CPU is configured as a central processing unit that centrally controls the operation of the entire device. An input device consists of a keyboard or a mouse, and an output device consists of a display or a printer. The communication device also includes a NIC (Network Interface Card) for connecting to a wireless LAN or wired LAN. Further, the storage device is composed of storage media such as RAM (Random Access Memory) and ROM (Read Only Memory).

記憶装置には、各種プログラムが格納される。この際、ＣＰＵは、記憶装置に格納された各種プログラムを実行することで、その機能を実現することができる。本実施例では、例えば、プログラムとして、データ取得部１０１、診断部１０２、類似度演算部１０４、ツール推定部１０６、診断モデル選択部１０７、出力部１０８を備えている。 Various programs are stored in the storage device. At this time, the CPU can realize the function by executing various programs stored in the storage device. In the present embodiment, for example, a data acquisition unit 101, a diagnosis unit 102, a similarity calculation unit 104, a tool estimation unit 106, a diagnosis model selection unit 107, and an output unit 108 are provided as programs.

図２は、測定データと参照データとから類似度を演算する処理を説明するための説明図である。図２において、データ取得部１０１により、時系列データとして、例えば、モータの電流波形を示すデータが測定データｄ１として取得された場合、測定データｄ１は、類似度演算部１０４に転送される。類似度演算部１０４は、測定データｄ１と、データ格納部１０３に格納された各参照データＤ１、・・・、Ｄｎとを基に両者の類似度Ｒ１、・・・、Ｒｎを設定時間ｔ毎にそれぞれ演算し、各演算結果を特徴量の一要素として特徴量記憶部１０５に格納する。例えば、類似度演算部１０４は、時間ｔ１に、時間ｔ１における測定データｄ１と参照データＤ１とを基に両者の類似度Ｒ１を演算し、演算結果（＝０．５８）を特徴量の一要素として特徴量記憶部１０５に格納し、時間ｔ２に、時間ｔ２における測定データｄ１と参照データＤ２とを基に両者の類似度Ｒ２を演算し、演算結果（＝０．７９）を特徴量の一要素として特徴量記憶部１０５に格納する。 FIG. 2 is an explanatory diagram for explaining the process of calculating the degree of similarity from the measurement data and the reference data. In FIG. 2 , when the data acquisition unit 101 acquires, for example, the data representing the current waveform of the motor as the time-series data as the measurement data d1, the measurement data d1 is transferred to the similarity calculation unit 104 . Based on the measurement data d1 and each of the reference data D1, . , and each calculation result is stored in the feature amount storage unit 105 as one element of the feature amount. For example, at time t1, the similarity calculation unit 104 calculates the similarity R1 between the measured data d1 and the reference data D1 at time t1, and uses the calculation result (=0.58) as one element of the feature quantity. at time t2, the similarity R2 between the measured data d1 and the reference data D2 at time t2 is calculated, and the calculation result (=0.79) is one of the feature quantities It is stored in the feature amount storage unit 105 as an element.

次に、測定データと参照データから類似度を演算する手法について代表的な方法を説明する。 Next, a representative method of calculating the degree of similarity from measured data and reference data will be described.

まず、１つめの手法は、測定データｄ１と参照データＤｉ（Ｄ１、・・・、Ｄｎ）の各時間ｔにおける差分の二乗和を用いてデータの類似度（ＳＳＤ）を評価する方法である。データの類似度（ＳＳＤ）は、次の数１で計算することができる。なお、数１では、電流のデータを扱うため、測定データｄ１をＩａとし、参照データＤｉをＩｂとしている。

Figure 0007108577000001
First, the first method is a method of evaluating the degree of similarity (SSD) of data using the sum of squares of the differences between the measured data d1 and the reference data Di (D1, . . . , Dn) at each time t. The data similarity (SSD) can be calculated by Equation 1 below. In Equation 1, since the current data is handled, the measurement data d1 is Ia and the reference data Di is Ib.
Figure 0007108577000001

類似度を計算する時系列データの時間幅は、ｔ＝０からｔ＝ｔｅｎｄまでである。また、Ｉａ（ｔ）は、測定データＩａの時刻ｔにおける測定値、Ｉｂ（ｔ）は、参照データＩｂの時刻ｔにおける値である。計算で得られた類似度（ＳＳＤ）の値が小さいほど、測定データＩａと参照データＩｂとの類似度が高いと評価することができる。 The time width of the time-series data for calculating the degree of similarity is from t=0 to t=t end . Also, Ia(t) is the measured value of the measurement data Ia at time t, and Ib(t) is the value of the reference data Ib at time t. It can be evaluated that the smaller the calculated similarity (SSD) value, the higher the similarity between the measurement data Ia and the reference data Ib.

次に、２つめの手法は、測定データｄ１と参照データＤｉ（Ｄ１、・・・、Ｄｎ）の各時間ｔにおける差分の絶対値和を用いてデータの類似度（ＳＡＤ）を評価する方法である。データの類似度（ＳＡＤ）は、次の数２で計算することができる。なお、数２では、電流のデータを扱うため、測定データｄ１をＩａとし、参照データＤｉをＩｂとしている。

Figure 0007108577000002
Next, the second method is a method of evaluating the degree of similarity (SAD) of data using the sum of the absolute values of the differences between the measured data d1 and the reference data Di (D1, . . . , Dn) at each time t. be. Data similarity (SAD) can be calculated by Equation 2 below. In Equation 2, since the current data is handled, the measurement data d1 is Ia and the reference data Di is Ib.
Figure 0007108577000002

上記の数２では、時系列データの時間ｔ＝０からｔ＝ｔｅｎｄの区間における測定データＩａ（ｔ）と参照データＩｂ（ｔ）の時刻ｔにおける差分の絶対値の和を計算している。計算で得られた類似度(ＳＡＤ)の値が小さいほど、測定データＩａと参照データＩｂとの類似度が高いと評価することができる。 Equation 2 above calculates the sum of the absolute values of the differences at time t between the measured data Ia(t) and the reference data Ib(t) in the interval from time t=0 to t= tend of the time-series data. . It can be evaluated that the smaller the calculated similarity (SAD) value, the higher the similarity between the measurement data Ia and the reference data Ib.

次に、３つめの手法は、測定データｄ１と参照データＤｉ（Ｄ１、・・・、Ｄｎ）の各時間ｔにおける相互相関を用いてデータの類似度（ＮＣＣ）を評価する方法である。データの類似度（ＮＣＣ）は、次の数３で計算することができる。なお、数３では、電流のデータを扱うため、測定データｄ１をＩａとし、参照データＤｉをＩｂとしている。

Figure 0007108577000003
Next, the third technique is a method of evaluating data similarity (NCC) using the cross-correlation at each time t between the measurement data d1 and the reference data Di (D1, . . . , Dn). Data similarity (NCC) can be calculated by the following equation (3). In Equation 3, since the current data is handled, the measurement data d1 is Ia and the reference data Di is Ib.
Figure 0007108577000003

上記の数３では、時系列データの時間ｔ＝０からｔ＝ｔｅｎｄの区間における測定データＩａ（ｔ）と参照データＩｂ（ｔ）の相互相関を計算している。計算で得られた類似度（ＮＣＣ）は、－１～１の値をとり、類似度（ＮＣＣ）＝１で、測定データＩａ（ｔ）と参照データＩｂ（ｔ）の値が完全に一致する。また、類似度（ＮＣＣ）が１に近い方が、測定データＩａと参照データＩｂとの類似度が高いと評価することができる。 Equation 3 above calculates the cross-correlation between the measured data Ia(t) and the reference data Ib(t) in the interval from time t=0 to t= tend of the time-series data. The similarity (NCC) obtained by calculation takes a value of -1 to 1, and when the similarity (NCC) = 1, the values of the measured data Ia(t) and the reference data Ib(t) are completely the same. . Also, it can be evaluated that the closer the similarity (NCC) is to 1, the higher the similarity between the measurement data Ia and the reference data Ib.

なお、図２では、類似度演算部１０４で類似度（ＮＣＣ）を特徴量として計算した例を示している。この場合、類似度Ｒ１＝０．５８で、類似度Ｒ２＝０．７９であるので、測定データｄ１は、参照データＤ１よりも参照データＤ２との類似度が高いと評価ができる。また、特徴量としては、類似度（ＮＣＣ）のみでなく、前述の類似度（ＳＳＤ）や類似度（ＳＡＤ）の値を併用しても構わない。また、これ以外にも、測定データｄ１を画像の形でパターン認識した結果を類似度として使用しても構わない。 Note that FIG. 2 shows an example in which the similarity degree (NCC) is calculated as a feature amount by the similarity degree calculation unit 104 . In this case, since the similarity R1=0.58 and the similarity R2=0.79, it can be evaluated that the measurement data d1 has a higher similarity with the reference data D2 than with the reference data D1. Further, as the feature amount, not only the similarity (NCC) but also the similarity (SSD) and the similarity (SAD) values described above may be used in combination. Alternatively, the result of pattern recognition of the measurement data d1 in the form of an image may be used as the degree of similarity.

図３は、実施例１に係る管理テーブルの構成図である。図３において、管理テーブル２００は、複数のツール５１の特徴量を２次元座標で管理するためのテーブルであって、記憶装置に格納される。管理テーブル２００は、例えば、測定データｄ１と参照データＤ１との類似度Ｒ１を横軸（Ｘ軸）として、測定データｄ１と参照データＤ２との類似度Ｒ２を縦軸（Ｙ軸）として構成される。 FIG. 3 is a configuration diagram of a management table according to the first embodiment. In FIG. 3, a management table 200 is a table for managing feature amounts of a plurality of tools 51 in two-dimensional coordinates, and is stored in a storage device. The management table 200 is configured, for example, with the similarity R1 between the measurement data d1 and the reference data D1 on the horizontal axis (X-axis) and the similarity R2 between the measurement data d1 and the reference data D2 on the vertical axis (Y-axis). be.

この管理テーブル２００には、事前の学習で得られたクラスタに関する情報であって、例えば、第１～第５の５種類のツール５１を特定するためのクラスタＣ１、Ｃ２、Ｃ３、Ｃ４、Ｃ５の情報が、類似度Ｒ１と類似度Ｒ２に対応して格納されている。この際、クラスタＣ１、Ｃ２、Ｃ３、Ｃ４、Ｃ５の情報は、例えば、横軸（Ｘ軸）と縦軸（Ｙ軸）を２次元の座標軸とする２次元座標で管理される。第１のツール５１を特定するためのクラスタＣ１は、類似度Ｒ１（Ｘ軸）が、「０．９」～「１．０」の範囲に設定され、類似度Ｒ２（Ｙ軸）が、「０．０５」～「０．６」の範囲に設定される。第２のツール５１を特定するためのクラスタＣ２は、類似度Ｒ１が、「０．０５」～「０．５」の範囲に設定され、類似度Ｒ２が、「０．９５」～「１．０」の範囲に設定される。第３のツール５１を特定するためのクラスタＣ３は、類似度Ｒ１が、「０．４５」～「０．７５」の範囲に設定され、類似度Ｒ２が、「０．４５」～「０・８５」の範囲に設定される。第４のツール５１を特定するためのクラスタＣ４は、類似度Ｒ１が、「０．０５」～「０．４」の範囲に設定され、類似度Ｒ２が、「０．４５」～「０・９」の範囲に設定される。第５のツール５１を特定するためのクラスタＣ５は、類似度Ｒ１が、「０．５」～「０．８５」の範囲に設定され、類似度Ｒ２が、「０．０５」～「０・４５」の範囲に設定される。 This management table 200 contains information about clusters obtained by prior learning, such as clusters C1, C2, C3, C4, and C5 for specifying five types of tools 51, 1st to 5th. Information is stored corresponding to similarity R1 and similarity R2. At this time, the information of the clusters C1, C2, C3, C4, and C5 is managed by two-dimensional coordinates with the horizontal axis (X-axis) and the vertical axis (Y-axis) as two-dimensional coordinate axes, for example. The cluster C1 for identifying the first tool 51 has a similarity R1 (X axis) set in the range of "0.9" to "1.0" and a similarity R2 (Y axis) set to " It is set in the range from 0.05” to “0.6”. The cluster C2 for specifying the second tool 51 has a similarity R1 set in the range of "0.05" to "0.5" and a similarity R2 set in the range of "0.95" to "1. 0” range. The cluster C3 for identifying the third tool 51 has a similarity R1 set in the range of "0.45" to "0.75" and a similarity R2 set in the range of "0.45" to "0. 85” range. The cluster C4 for identifying the fourth tool 51 has a similarity R1 set in the range of "0.05" to "0.4" and a similarity R2 set in the range of "0.45" to "0. 9” range. The cluster C5 for identifying the fifth tool 51 has a similarity R1 set in the range of "0.5" to "0.85" and a similarity R2 set in the range of "0.05" to "0.05". 45” range.

なお、図３に示す管理テーブル２００は、一例であって、管理テーブル２００としては、類似度Ｒ２と類似度Ｒ３との関係を示す管理テーブル、類似度Ｒ３と類似度Ｒ４との関係を示す管理テーブルなど、複数の管理テーブルが用意されている。 The management table 200 shown in FIG. 3 is an example, and the management table 200 includes a management table showing the relationship between the similarity R2 and the similarity R3, and a management table showing the relationship between the similarity R3 and the similarity R4. Multiple management tables such as table are prepared.

ここで、データ取得部１０１で時系列データとして、測定データｄ１を得た場合、類似度演算部１０４において、測定データｄ１と参照データＤ１とを基に両者の類似度Ｒ１を演算し、演算結果（＝０．５８）をＸ軸の値として特徴量記憶部１０５に格納し、測定データｄ１と参照データＤ２とを基に両者の類似度Ｒ２を演算し、演算結果（＝０．７９）をＹ軸の値として特徴量記憶部１０５に格納する。この際、ツール推定部１０６は、特徴量記憶部１０５に格納された演算結果「（０．５８）,（０．７８）」＝特徴量ｆ１として管理し、特徴量ｆ１を基に管理テーブル２００を参照し、特徴量ｆ１が、クラスタＣ３の範囲に属するとの参照結果から、測定データｄ１を得るために使用したツール５１は、測定データｄ１の取得先となる、第３のツール５１であると推定する。 Here, when the data acquisition unit 101 obtains the measured data d1 as time-series data, the similarity calculation unit 104 calculates the similarity R1 between the measured data d1 and the reference data D1 based on the calculation result (=0.58) is stored in the feature amount storage unit 105 as the value of the X axis, the similarity R2 between the measured data d1 and the reference data D2 is calculated, and the calculation result (=0.79) is It is stored in the feature amount storage unit 105 as the Y-axis value. At this time, the tool estimating unit 106 manages the calculation result "(0.58), (0.78)" stored in the feature amount storage unit 105 as the feature amount f1. and from the reference result that the feature quantity f1 belongs to the range of the cluster C3, the tool 51 used to obtain the measurement data d1 is the third tool 51 from which the measurement data d1 is obtained. We estimate that

診断モデル選択部１０７は、第３のツール５１を診断するのに最適な診断モデルを選択し、選択した診断モデルの情報を診断部１０２に出力する。診断部１０２は、診断モデル選択部１０７で選択された診断モデルの情報を基に診断モデルの情報を更新し、更新された診断モデルの情報と測定データｄ１とを基に第３のツール５１に関する診断を実行する。 The diagnostic model selection unit 107 selects the optimal diagnostic model for diagnosing the third tool 51 and outputs information on the selected diagnostic model to the diagnostic unit 102 . The diagnosis unit 102 updates the information of the diagnostic model based on the information of the diagnostic model selected by the diagnostic model selection unit 107, and determines the third tool 51 based on the updated information of the diagnostic model and the measurement data d1. Run diagnostics.

本実施例において、特徴量記憶部１０５は、測定データと参照データとの類似度で管理される特徴量を診断対象（ツール５１）の種類に応じた複数のクラスタに対応づけて記憶するデータベースであって、管理テーブル２００の情報を保持することができる。ツール推定部１０６は、類似度演算部１０４の演算結果を基に特徴量記憶部１０５の参照テーブル２００を参照して、測定データの取得先となる診断対象（ツール５１）の種類を推定する診断対象推定部として機能する。 In this embodiment, the feature amount storage unit 105 is a database that stores feature amounts managed by the degree of similarity between the measurement data and the reference data in association with a plurality of clusters according to the type of diagnosis target (tool 51). Therefore, the information of the management table 200 can be held. The tool estimation unit 106 refers to the reference table 200 of the feature amount storage unit 105 based on the calculation result of the similarity calculation unit 104, and estimates the type of diagnosis target (tool 51) from which the measurement data is acquired. It functions as an object estimator.

また、診断モデル選択部１０７は、複数のクラスタＣ１～Ｃ５に対応した複数の診断モデルを管理し、複数の診断モデルの中から、診断対象推定部（ツール推定部１０６）の推定結果に対応した診断モデルを選択することができる。また、診断部１０２は、データ取得部１０１の取得による測定データと診断モデル選択部１０７の選択による診断モデルとを比較し、比較結果から、測定データの取得先となる診断対象（ツール５１）の状態を診断することができる。 Further, the diagnostic model selection unit 107 manages a plurality of diagnostic models corresponding to a plurality of clusters C1 to C5, and selects, from among the plurality of diagnostic models, the estimation result of the diagnosis target estimation unit (tool estimation unit 106). A diagnostic model can be selected. Further, the diagnosis unit 102 compares the measurement data acquired by the data acquisition unit 101 and the diagnostic model selected by the diagnostic model selection unit 107, and from the comparison result, determines the diagnosis target (tool 51) from which the measurement data is acquired. condition can be diagnosed.

本実施例によれば、診断対象から得られた時系列データにノイズが重畳しても、診断対象の種類を正確に推定することができ、結果として、瞬時的な測定値のノイズや外れ値による誤推定を抑制することが可能となる。特に、類似度演算部１０４においては、測定データと参照データを基に数１～数３のいずれかを用いて類似度を演算しているので、類似度が瞬時値になることはなく、測定データにノイズが重畳しても、ノイズの影響を受けない特徴量を求めることができ、結果として、診断対象の種類を正確に推定することができる。また、本実施例によれば、機器５０で複数のツール５１が使用されても、各ツール５１の種類を正確に推定したり、各ツール５１に対応した診断モデルを自動で更新したりすることができる。さらに、本実施例によれば、機器５０で複数のツール５１が使用されても、各ツール５１の状態を正確に診断することができる。 According to this embodiment, even if noise is superimposed on the time-series data obtained from the diagnostic target, the type of the diagnostic target can be accurately estimated. It is possible to suppress erroneous estimation due to In particular, since the similarity calculation unit 104 calculates the similarity using any one of Equations 1 to 3 based on the measured data and the reference data, the similarity does not become an instantaneous value. Even if noise is superimposed on the data, it is possible to obtain a feature amount that is not affected by the noise, and as a result, it is possible to accurately estimate the type of diagnosis target. Further, according to this embodiment, even if a plurality of tools 51 are used in the device 50, the type of each tool 51 can be accurately estimated, and the diagnostic model corresponding to each tool 51 can be automatically updated. can be done. Furthermore, according to this embodiment, even if a plurality of tools 51 are used in the equipment 50, the state of each tool 51 can be accurately diagnosed.

図４は、本発明を適用した診断装置の実施例２を示す構成図である。図４において、本実施例は、実施例１に対して、該当ツール判定部１０９、再学習部１１０を追加したものであり、他の構成は、実施例１と同様である。図４において、該当ツール判定部１０９は、ツール推定部１０６の推定結果を基に該当ツールが存在するか否かを判定する。該当ツール判定部１０９は、該当ツールが存在すると判定した場合、該当ツールが存在する旨の情報とツール推定部１０６の推定結果を診断モデル選択部１０７に出力する。この場合、診断モデル選択部１０７は、ツール推定部１０６の推定結果に従って診断モデルを選択する。一方、該当ツール判定部１０９は、該当ツールが存在しないと判定した場合、該当ツールが存在しない旨の情報（未知のツール５１が存在する旨の情報）とツール推定部１０６の推定結果を再学習部１１０に出力する。 FIG. 4 is a configuration diagram showing a second embodiment of a diagnostic apparatus to which the present invention is applied. In FIG. 4, the present embodiment is obtained by adding a relevant tool determination unit 109 and a re-learning unit 110 to the first embodiment, and other configurations are the same as those of the first embodiment. In FIG. 4 , the relevant tool determination unit 109 determines whether or not the relevant tool exists based on the estimation result of the tool estimation unit 106 . When determining that the applicable tool exists, the applicable tool determination unit 109 outputs information indicating that the applicable tool exists and the estimation result of the tool estimation unit 106 to the diagnostic model selection unit 107 . In this case, diagnostic model selection section 107 selects a diagnostic model according to the estimation result of tool estimation section 106 . On the other hand, when the applicable tool determination unit 109 determines that the applicable tool does not exist, the information indicating that the applicable tool does not exist (information indicating that an unknown tool 51 exists) and the estimation result of the tool estimating unit 106 are re-learned. Output to unit 110 .

再学習部１１０は、ツール推定部１０６の推定結果を測定データｄ１に対応した特徴量として順次蓄積し、蓄積した特徴量の情報を基に再学習を実行する。再学習部１１０は、再学習の結果として、例えば、新たなツール５１を含むクラスタを作成するのに必要な学習結果が得られた場合、ツール推定部１０６に対して、新たなツール５１を特定するための特徴量に関する情報を転送し、管理テーブル２００の情報を更新する。また、再学習部１１０は、再学習の結果として、例えば、新たな診断モデルを選択するために必要な学習結果が得られた場合、診断モデル選択部１０７に対して、新たな診断モデルを選択するための特徴量に関する情報を転送し、診断モデル選択部１０７の情報を更新する。 The relearning unit 110 sequentially accumulates the estimation results of the tool estimating unit 106 as feature amounts corresponding to the measurement data d1, and performs relearning based on the information of the accumulated feature amounts. Re-learning unit 110 specifies new tool 51 to tool estimating unit 106 when, for example, a learning result necessary for creating a cluster including new tool 51 is obtained as a result of re-learning. The information on the feature amount to be used is transferred, and the information in the management table 200 is updated. Further, when the relearning unit 110 obtains a learning result necessary for selecting a new diagnostic model as a result of the relearning, for example, the relearning unit 110 instructs the diagnostic model selecting unit 107 to select a new diagnostic model. The information on the feature amount to be used is transferred, and the information in the diagnostic model selection unit 107 is updated.

図５は、実施例２に係る管理テーブルの構成図であって、図５（ａ）は、再学習前における管理テーブルの構成図であり、図５（ｂ）は、再学習後における管理テーブルの構成図である。図５（ａ）において、管理テーブル２０１は、管理テーブル２００と同様に、複数のツール５１の特徴量を２次元座標で管理するためのテーブルであって、記憶装置に格納される。管理テーブル２０１は、測定データｄ１と参照データＤ１との類似度Ｒ１を横軸（Ｘ軸）として、測定データｄ１と参照データＤ２との類似度Ｒ２を縦軸（Ｙ軸）として構成される。 FIG. 5 is a configuration diagram of a management table according to the second embodiment, FIG. 5(a) is a configuration diagram of the management table before relearning, and FIG. 5(b) is a configuration diagram of the management table after relearning. It is a block diagram of. In FIG. 5A, a management table 201 is a table for managing feature amounts of a plurality of tools 51 in two-dimensional coordinates, similar to the management table 200, and is stored in a storage device. The management table 201 has a horizontal axis (X-axis) representing the similarity R1 between the measurement data d1 and the reference data D1, and a vertical axis (Y-axis) representing the similarity R2 between the measurement data d1 and the reference data D2.

この管理テーブル２０１には、複数のツール５１について、事前の学習で得られたクラスタの情報として、例えば、第１～第５のツール５１を特定するためのクラスタＣ１～Ｃ５の情報が、類似度Ｒ１と類似度Ｒ２に対応して格納されている。この際、クラスタＣ１、Ｃ２、Ｃ３、Ｃ４、Ｃ５の情報は、例えば、横軸（Ｘ軸）と縦軸（Ｙ軸）を２次元の座標軸とする２次元座標で管理される。 In this management table 201, information on clusters C1 to C5 for specifying the first to fifth tools 51, for example, information on clusters C1 to C5 for specifying the first to fifth tools 51, is stored as information on clusters obtained by prior learning for a plurality of tools 51. It is stored corresponding to R1 and similarity R2. At this time, the information of the clusters C1, C2, C3, C4, and C5 is managed by two-dimensional coordinates with the horizontal axis (X-axis) and the vertical axis (Y-axis) as two-dimensional coordinate axes, for example.

ここで、データ取得部１０１で時系列データとして、測定データｄ１を得た場合、類似度演算部１０４において、測定データｄ１と参照データＤ１とを基に両者の類似度Ｒ１を演算し、演算結果（＝０．３５）をＸ軸の値として特徴量記憶部１０５に格納し、測定データｄ１と参照データＤ２とを基に両者の類似度Ｒ２を演算し、演算結果（＝０．３）をＹ軸の値として特徴量記憶部１０５に格納する。この際、ツール推定部１０６は、特徴量記憶部１０５に格納された演算結果「（０．３５）,（０．３）」＝特徴量ｆ２として管理し、特徴量ｆ２を基に管理テーブル２０１を参照し、特徴量ｆ２が、５つのクラスタＣ１～Ｃ５のいずれの範囲にも属さないとの参照結果を得た場合、測定データｄ１を得るために使用したツール５１は、存在しない旨の推定結果を該当ツール判定部１０９に出力する。これにより、該当ツール判定部１０９は、該当するツールは存在しない旨の情報と、演算結果「（０．３５）,（０．３）」＝特徴量ｆ２に関する情報を再学習部１１０に出力する。 Here, when the data acquisition unit 101 obtains the measured data d1 as time-series data, the similarity calculation unit 104 calculates the similarity R1 between the measured data d1 and the reference data D1 based on the calculation result (=0.35) is stored in the feature amount storage unit 105 as the value of the X axis, the similarity R2 between the measured data d1 and the reference data D2 is calculated, and the calculation result (=0.3) is It is stored in the feature amount storage unit 105 as the Y-axis value. At this time, the tool estimating unit 106 manages the calculation result "(0.35), (0.3)" stored in the feature amount storage unit 105 as the feature amount f2. , and the feature value f2 does not belong to any of the five clusters C1 to C5, the tool 51 used to obtain the measurement data d1 does not exist. The result is output to the applicable tool determination unit 109 . As a result, the applicable tool determination unit 109 outputs information to the effect that the applicable tool does not exist and information regarding the calculation result "(0.35), (0.3)"=feature value f2 to the relearning unit 110. .

この際、再学習部１１０は、演算結果「（０．３５）,（０．３）」＝特徴量ｆ２に関する情報を学習値として蓄積し、蓄積した特徴量の情報を基に再学習を実行する。再学習部１１０は、再学習の結果として、例えば、新たなツール５１を含むクラスタを作成するに必要な学習結果が得られた場合、ツール推定部１０６に対して、新たなツール５１を特定するための特徴量に関する情報を転送する。 At this time, the re-learning unit 110 accumulates the information regarding the feature amount f2 as the calculation result "(0.35), (0.3)" = the learning value, and executes re-learning based on the accumulated information of the feature amount. do. Re-learning unit 110 specifies new tool 51 to tool estimating unit 106 when, for example, a learning result necessary for creating a cluster including new tool 51 is obtained as a result of re-learning. Transfers information about features for

図５（ｂ）において、再学習後における管理テーブル２０２は、管理テーブル２００と同様に、複数のツール５１の特徴量を２次元座標で管理するためのテーブルであって、記憶装置に格納される。管理テーブル２０２は、測定データｄ１と参照データＤ１との類似度Ｒ１を横軸（Ｘ軸）として、測定データｄ１と参照データＤ２との類似度Ｒ２を縦軸（Ｙ軸）として構成される。 In FIG. 5(b), the management table 202 after re-learning is a table for managing feature amounts of a plurality of tools 51 in two-dimensional coordinates, similar to the management table 200, and is stored in the storage device. . The management table 202 has a horizontal axis (X-axis) representing the similarity R1 between the measurement data d1 and the reference data D1, and a vertical axis (Y-axis) representing the similarity R2 between the measurement data d1 and the reference data D2.

この管理テーブル２０２には、複数のツール５１について、事前の学習で得られたクラスタの情報として、例えば、第１～第５のツール５１を特定するためのクラスタＣ１～Ｃ５の情報が、類似度Ｒ１と類似度Ｒ２に対応して格納されている。この際、クラスタＣ１、Ｃ２、Ｃ３、Ｃ４、Ｃ５の情報は、例えば、横軸（Ｘ軸）と縦軸（Ｙ軸）を２次元の座標軸とする２次元座標で管理される。 In this management table 202, information on clusters C1 to C5 for specifying the first to fifth tools 51, for example, information on clusters C1 to C5 for specifying the first to fifth tools 51, is stored as information on clusters obtained by prior learning for the plurality of tools 51. It is stored corresponding to R1 and similarity R2. At this time, the information of the clusters C1, C2, C3, C4, and C5 is managed by two-dimensional coordinates with the horizontal axis (X-axis) and the vertical axis (Y-axis) as two-dimensional coordinate axes, for example.

ここで、再学習部１１０から、ツール推定部１０６に対して、新たなツール５１を特定するための特徴量に関する情報が転送された場合、ツール推定部１０６は、再学習部１１０から転送された情報を基に管理テーブル２０２の情報を更新する。この際、ツール推定部１０６は、新たなツール５１として、第６のツール５１を特定するためのクラスタＣ６の範囲を管理テーブル２０２に設定する。例えば、ツール推定部１０６は、第６のツール５１を特定するためのクラスタＣ６の範囲として、類似度Ｒ１が、「０．２５」～「０．４８」となる範囲に設定し、類似度Ｒ２が、「０．２」～「０．４」となる範囲に設定する。 Here, when the information on the feature amount for specifying the new tool 51 is transferred from the relearning unit 110 to the tool estimating unit 106 , the tool estimating unit 106 receives the Information in the management table 202 is updated based on the information. At this time, the tool estimation unit 106 sets the range of the cluster C<b>6 for specifying the sixth tool 51 as the new tool 51 in the management table 202 . For example, the tool estimating unit 106 sets the range of the cluster C6 for identifying the sixth tool 51 to a range where the similarity R1 is from "0.25" to "0.48", and the similarity R2 is set in the range of "0.2" to "0.4".

これにより、その後、データ取得部１０１で時系列データとして、測定データｄ１を得た場合、類似度演算部１０４において、測定データｄ１と参照データＤ１とを基に両者の類似度Ｒ１を演算し、演算結果（＝０．３５）をＸ軸の値として特徴量記憶部１０５に格納し、測定データｄ１と参照データＤ２とを基に両者の類似度Ｒ２を演算し、演算結果（＝０．３）をＹ軸の値として特徴量記憶部１０５に格納する。この際、ツール推定部１０６は、特徴量記憶部１０５に格納された演算結果「（０．３５）,（０．３）」＝特徴量ｆ３として管理し、特徴量ｆ３を基に管理テーブル２０２を参照し、特徴量ｆ３が、クラスタＣ６の範囲に属するとの参照結果から、測定データｄ１を得るために使用したツール５１は、第６のツール５１であると推定することができる。 As a result, after that, when the data acquisition unit 101 obtains the measurement data d1 as time-series data, the similarity calculation unit 104 calculates the similarity R1 between the measurement data d1 and the reference data D1 based on the measurement data d1 and the reference data D1, The calculation result (=0.35) is stored in the feature amount storage unit 105 as the value of the X axis, and the similarity R2 between the measurement data d1 and the reference data D2 is calculated, and the calculation result (=0.3 ) is stored in the feature amount storage unit 105 as the Y-axis value. At this time, the tool estimating unit 106 manages the calculation result "(0.35), (0.3)" stored in the feature amount storage unit 105 as the feature amount f3. , and from the reference result that the feature quantity f3 belongs to the range of the cluster C6, it can be estimated that the tool 51 used to obtain the measurement data d1 is the sixth tool 51.

本実施例において、該当ツール判定部１０９は、ツール推定部（診断対象推定部）１０６の推定結果を基に、測定データの取得先となる診断対象（ツール５１）が存在するか否かを判定する診断対象判定部として機能する。この際、再学習部１１０は、該当ツール判定部（診断対象判定部）１０９から否定の判定結果（該当するツールが存在しない旨の判定結果）を受けた場合、その後の類似度演算部１０４の演算結果を取り込み、類似度演算部１０４の演算結果を特徴量として蓄積し、蓄積された特徴量が、新たなクラスタＣ６（新たな診断対象）を特定する特徴量となったことを条件に、新たなクラスタＣ６（新たな診断対象）を特定する特徴量で特徴量記憶部１０５を更新する特徴量更新部として機能する。例えば、再学習部１１０は、新たなクラスタＣ６を特定する特徴量で特徴量記憶部１０５を更新するに際して、管理テーブル２０１を管理テーブル２０２に更新する。 In this embodiment, the applicable tool determination unit 109 determines whether or not there is a diagnostic target (tool 51) from which measurement data is acquired, based on the estimation result of the tool estimating unit (diagnostic target estimating unit) 106. It functions as a diagnostic target determination unit. At this time, if the relearning unit 110 receives a negative determination result (a determination result indicating that the corresponding tool does not exist) from the applicable tool determination unit (diagnosis target determination unit) 109, the similarity calculation unit 104 The calculation result is taken in, the calculation result of the similarity calculation unit 104 is accumulated as a feature amount, and the accumulated feature amount becomes a feature amount for specifying a new cluster C6 (new diagnosis target). It functions as a feature quantity updating unit that updates the feature quantity storage unit 105 with a feature quantity specifying a new cluster C6 (new diagnosis target). For example, the relearning unit 110 updates the management table 201 to the management table 202 when updating the feature amount storage unit 105 with the feature amount specifying the new cluster C6.

また、再学習部１１０は、蓄積された特徴量が複数のクラスタＣ１～Ｃ５とは異なる新たなクラスタＣ６（新たな診断対象）を特定する特徴量となったことを条件に、新たなクラスタＣ６（新たな診断対象）を特定する特徴量を基に診断モデル選択部１０７で管理される複数の診断モデルを更新する特徴量更新部として機能する。 In addition, the re-learning unit 110, on the condition that the accumulated feature amount becomes a feature amount specifying a new cluster C6 (new diagnosis target) different from the plurality of clusters C1 to C5, a new cluster C6 It functions as a feature amount updating unit that updates a plurality of diagnostic models managed by the diagnostic model selection unit 107 based on the feature amount that specifies (a new diagnosis target).

本実施例によれば、測定データの取得先となる診断対象のツール５１が存在しない場合、その後の類似度演算部１０４の演算結果を特徴量として蓄積し、蓄積された特徴量が、新たなクラスタＣ６を特定する特徴量となったことを条件に、新たなクラスタＣ６を特定する特徴量で特徴量記憶部１０５と診断モデル選択部１０７の情報を更新しているので、診断対象のツール５１が未知であっても、蓄積された特徴量が、新たなクラスタＣ６を特定する特徴量となったことを条件に、診断モデルを新たなクラスタＣ６に対応する診断モデルに更新することができると共に、管理テーブル２０１を、新たなクラスタＣ６を含む管理テーブル２０２に更新することができる。このため、診断モデルと管理テーブルが更新された後は、診断対象のツール５１が未知と判定されるのを抑制することが可能になる。また、従来技術のように、未知のツールに対応した参照データを新たに追加する必要がないので、ツールが未知であっても、参照データを追加する作業、例えば、未知のツールの特徴量を新たにデータベース化する手間を軽減できる。さらに、診断モデルと管理テーブルが更新された後、新たなクラスタＣ６に属するツール５１を診断対象とした場合、この診断対象の種類を正確に推定したり、この診断対象の状態を正確に診断したり、することができる。 According to the present embodiment, when there is no diagnosis target tool 51 from which measurement data is acquired, the calculation result of the similarity calculation unit 104 after that is accumulated as a feature amount, and the accumulated feature amount is used as a new feature amount. Since the information in the feature amount storage unit 105 and the diagnostic model selection unit 107 is updated with the new feature amount specifying the cluster C6 on the condition that the feature amount specifying the cluster C6 has been obtained, the diagnosis target tool 51 is unknown, the diagnostic model can be updated to a diagnostic model corresponding to the new cluster C6 on the condition that the accumulated feature quantity becomes the feature quantity specifying the new cluster C6, and , the management table 201 can be updated to the management table 202 including the new cluster C6. Therefore, after the diagnostic model and the management table are updated, it is possible to prevent the tool 51 to be diagnosed from being determined to be unknown. In addition, unlike the conventional technology, there is no need to newly add reference data corresponding to an unknown tool. It is possible to reduce the time and effort required to create a new database. Furthermore, after the diagnostic model and the management table are updated, when the tool 51 belonging to the new cluster C6 is made the diagnostic target, the type of the diagnostic target can be accurately estimated or the state of the diagnostic target can be accurately diagnosed. can be

図６は、実施例３に係る診断装置の処理を説明するための図であって、図６（ａ）は、全工程の測定データを用いたツール推定方法を説明するための説明図であり、図６（ｂ）は、加工工程の測定データを用いたツール推定方法を説明するための説明図である。なお、実施例３に係る診断装置１００の構成は、実施例１と同様である。 FIG. 6 is a diagram for explaining the processing of the diagnostic device according to the third embodiment, and FIG. 6(a) is an explanatory diagram for explaining a tool estimation method using measurement data of all processes. 6(b) is an explanatory diagram for explaining the tool estimation method using the measurement data of the machining process. The configuration of the diagnostic apparatus 100 according to the third embodiment is the same as that of the first embodiment.

図６（ａ）において、機器５０が、あるツール５１に対して、時間ｔ１～時間ｔ６の間に、起動工程Ｐ１、加工工程Ｐ２、原点復帰工程Ｐ３を実行する過程で得られた測定データｄ１のうち、全ての測定データｄ１を用いてツールを推定するに際して、例えば、起動工程Ｐ１における測定データｄ１と参照データＤ１とを基に類似度Ｒ３を計算したところ、類似度Ｒ３の値として、「０．５５」が得られた。また、機器５０が、他のツール５１に対して、時間ｔ１１～時間ｔ１６の間に、起動工程Ｐ１１、加工工程Ｐ１２、原点復帰工程Ｐ１３を実行する過程で得られた測定データｄ１のうち、全ての測定データｄ１を用いてツールを推定するに際して、例えば、起動工程Ｐ１１における測定データｄ１と参照データＤ１を基に類似度Ｒ４を計算したところ、類似度Ｒ４の値として、「０．８１」が得られた。類似度Ｒ３の値「０．５５」と、類似度Ｒ４の値「０．８１」を含む情報（２次元座標＝「（０．５５）,（０．８１）」）を特徴量ｆ４として、管理テーブル２０３にプロットすると、特徴量ｆ４は、クラスタＣ３とクラスタＣ４との間に位置することになる。この場合、特徴量ｆ４が、クラスタＣ３とクラスタＣ４のうちいずれのクラスタに属するかを判定することが困難となる。 In FIG. 6(a), the measurement data d1 obtained while the device 50 executes the starting process P1, the machining process P2, and the return-to-origin process P3 for a certain tool 51 between time t1 and time t6. Of these, when estimating the tool using all the measurement data d1, for example, when the similarity R3 is calculated based on the measurement data d1 and the reference data D1 in the startup process P1, the value of the similarity R3 is " 0.55" was obtained. In addition, all of the measurement data d1 obtained while the equipment 50 executes the starting process P11, the machining process P12, and the return-to-origin process P13 for the other tool 51 during the period from time t11 to time t16. When estimating the tool using the measurement data d1 of, for example, when the similarity R4 is calculated based on the measurement data d1 and the reference data D1 in the startup process P11, the value of the similarity R4 is "0.81" Got. Information containing the value of similarity R3 "0.55" and the value of similarity R4 "0.81" (two-dimensional coordinates = "(0.55), (0.81)") is defined as feature amount f4, When plotted on the management table 203, the feature quantity f4 is located between cluster C3 and cluster C4. In this case, it becomes difficult to determine to which cluster, out of cluster C3 and cluster C4, the feature amount f4 belongs.

すなわち、起動工程Ｐ１、Ｐ１１における参照データＤ１は、ツール５１の種類が異なっても一致し易いため、起動工程Ｐ１、Ｐ１１における参照データＤ１を基に管理テーブル２０３の情報を生成すると、クラスタ間の間隔、例えば、クラスタＣ３とクラスタＣ４との間隔が近くなる。このため、特徴量ｆ４を基に管理テーブル２０３を参照しても、特徴量ｆ４が、クラスタＣ３とクラスタＣ４のうちいずれのクラスタに属するかを判定することが困難となる。なお、原点復帰工程Ｐ３、Ｐ１３における参照データＤ１が、ツール５１が異なっても一致し易い場合、原点復帰工程Ｐ３、Ｐ１３における参照データＤ１を基に管理テーブル２０３の情報を生成しても、クラスタ間の間隔、例えば、クラスタＣ３とクラスタＣ４との間隔が近くなる。 That is, since the reference data D1 in the startup processes P1 and P11 are likely to match even if the types of tools 51 are different, if the information in the management table 203 is generated based on the reference data D1 in the startup processes P1 and P11, The spacing, for example the spacing between clusters C3 and C4, is reduced. Therefore, even if the management table 203 is referred to based on the feature amount f4, it is difficult to determine to which cluster the feature amount f4 belongs, the cluster C3 or the cluster C4. Note that if the reference data D1 in the origin return processes P3 and P13 are likely to match even if the tools 51 are different, even if the information of the management table 203 is generated based on the reference data D1 in the origin return processes P3 and P13, cluster The distance between clusters, for example cluster C3 and cluster C4, is reduced.

図６（ｂ）において、機器５０が、あるツール５１に対して、時間ｔ３～時間ｔ４の間に、加工工程Ｐ２を実行する過程で得られた測定データｄ１と、参照データＤ１とを基に類似度Ｒ１１を数３で計算したところ、類似度Ｒ１１の値として、「０．４８」が得られた。また、機器５０が、他のツール５１に対して、時間ｔ１３～時間ｔ１４の間に、加工工程Ｐ１２を実行する過程で得られた測定データｄ１と、参照データＤ１とを基に類似度Ｒ１２を数３で計算したところ、類似度Ｒ１２の値として、「０．６２」が得られた。類似度Ｒ１１の値「０．４８」と、類似度Ｒ１２の値「０．６２」を含む情報（２次元座標＝「（０．４８）,（０．６２）」）を特徴量ｆ５として、管理テーブル２０４にプロットすると、特徴量ｆ５は、クラスタＣ４に属すると判定することができる。 In FIG. 6B, the device 50 performs the machining process P2 on a certain tool 51 between time t3 and time t4, based on the measurement data d1 and the reference data D1. When the similarity R11 was calculated using Equation 3, "0.48" was obtained as the value of the similarity R11. In addition, the device 50 calculates the similarity R12 based on the measurement data d1 obtained in the process of executing the processing process P12 for the other tool 51 between time t13 and time t14 and the reference data D1. As a result of calculation using Equation 3, "0.62" was obtained as the value of the degree of similarity R12. Information containing the value of similarity R11 "0.48" and the value of similarity R12 "0.62" (two-dimensional coordinates = "(0.48), (0.62)") is used as feature quantity f5, When plotted on the management table 204, it can be determined that the feature amount f5 belongs to cluster C4.

すなわち、加工工程Ｐ２、Ｐ１２における参照データＤ１は、ツール５１毎に異なるため、加工工程Ｐ２、Ｐ１２における参照データＤ１を基に管理テーブル２０４の情報を生成すると、各クラスタ（クラスタＣ１～Ｃ５）間の間隔が大きくなる。この場合、各クラスタ（クラスタＣ１～Ｃ５）は、各クラスタの各々の境界が互いに離れた値の特徴量で分類されたクラスタであって、ツール５１に対して実施される複数の工程のうち指定の加工工程に対応した参照データを基に分類された複数の分散用クラスタとして構成される。このため、特徴量ｆ５を基に管理テーブル２０４を参照することで、特徴量ｆ５は、クラスタＣ４に属すると容易に判定することができ、誤分類の確率（ツール５１がいずれかのクラスタに誤って分類される確率）を下げることが可能になる。 That is, since the reference data D1 in the machining processes P2 and P12 are different for each tool 51, when the information of the management table 204 is generated based on the reference data D1 in the machining processes P2 and P12, each cluster (clusters C1 to C5) interval becomes larger. In this case, each cluster (clusters C1 to C5) is a cluster classified by feature amounts with mutually separated values at the boundaries of each cluster, and is specified among a plurality of steps to be performed on the tool 51. are configured as a plurality of distribution clusters classified based on the reference data corresponding to the processing steps of . Therefore, by referring to the management table 204 based on the feature amount f5, it can be easily determined that the feature amount f5 belongs to cluster C4. It is possible to reduce the probability of being classified as

本実施例によれば、加工工程における参照データを基に生成された管理テーブル２０４を参照して特徴量を判定することで、ツール５１がどのクラスタ（どの種類）に属するかを正確に判定することができ、結果として、ツール５１をクラスタ別に分類する際の誤分類の確率を下げることができる。このため、使用ツールの種類を推定する精度を向上させることが可能となる。 According to the present embodiment, it is accurately determined to which cluster (what type) the tool 51 belongs by referring to the management table 204 generated based on the reference data in the machining process and determining the feature amount. As a result, the probability of misclassification when classifying the tools 51 into clusters can be reduced. Therefore, it is possible to improve the accuracy of estimating the type of tool used.

図７は、本発明を適用した診断装置の実施例４を示す構成図である。図７において、本実施例は、実施例１に対して、条件補正部１１１を追加したものであり、他の構成は、実施例１と同様である。図７において、条件補正部１１１は、機器５０に接続され、機器５０からの設定情報１１２を基に参照データＤ１～Ｄｎを補正し、補正された参照データを類似度演算部１０４に転送する。例えば、条件補正部１１１は、設定情報１１２で、ツール５１の加工対象の板厚が２倍になったことが指定された場合、加工工程における参照データＤ１～Ｄｎの値を２倍にする補正を行う。また、条件補正部１１１は、設定情報１１２で、ツール５１の加工対象の材質が変更されたことが指定された場合、加工工程における参照データＤ１～Ｄｎの値を、変更された材質に応じて補正する。 FIG. 7 is a block diagram showing Embodiment 4 of a diagnostic apparatus to which the present invention is applied. In FIG. 7, the present embodiment is obtained by adding a condition correction unit 111 to the first embodiment, and other configurations are the same as those of the first embodiment. In FIG. 7, the condition correction unit 111 is connected to the device 50, corrects the reference data D1 to Dn based on the setting information 112 from the device 50, and transfers the corrected reference data to the similarity calculation unit 104. For example, when the setting information 112 specifies that the plate thickness of the object to be processed by the tool 51 is doubled, the condition correction unit 111 performs correction to double the values of the reference data D1 to Dn in the processing process. I do. Further, when the setting information 112 specifies that the material to be machined by the tool 51 has been changed, the condition correction unit 111 changes the values of the reference data D1 to Dn in the machining process according to the changed material. to correct.

この際、類似度演算部１０４は、ツール５１の加工対象の材質や板厚ごとに管理テーブル２００の情報を変更・増加することなく、条件補正部１１１で補正された参照データＤ１～Ｄｎを用いて類似度の計算を実行することができる。 At this time, the similarity calculation unit 104 uses the reference data D1 to Dn corrected by the condition correction unit 111 without changing or increasing the information in the management table 200 for each material or plate thickness to be processed by the tool 51. can perform similarity calculations.

本実施例によれば、ツール５１の加工対象の材質や板厚が設定情報１１２で変更されても、ツール５１の加工対象の材質や板厚ごとに管理テーブル２００の情報を変更・増加することなく、ツール５１の種類を精度よく推定（分類）することができる。 According to this embodiment, even if the material or thickness of the object to be processed by the tool 51 is changed in the setting information 112, the information in the management table 200 can be changed or increased for each material or thickness to be processed by the tool 51. Therefore, it is possible to estimate (classify) the type of the tool 51 with high accuracy.

図８は、本発明を適用した診断装置の実施例５を示す構成図である。図８において、本実施例は、例えば、工場内に同一機器５０が複数台ある場合を想定したときの診断装置であって、実施例４に対して、コンピュータ装置で構成されるクラウドサーバ１２０を追加し、機器５０を複数台配置したものであり、他の構成は、実施例４と同様である。 FIG. 8 is a configuration diagram showing a fifth embodiment of a diagnostic apparatus to which the present invention is applied. In FIG. 8, the present embodiment is a diagnostic apparatus assuming, for example, a case where there are a plurality of identical devices 50 in a factory. In addition, a plurality of devices 50 are arranged, and other configurations are the same as those of the fourth embodiment.

図８において、複数台の機器５０は、それぞれクラウドサーバ１２０に接続されている。また、診断装置１００のうちデータ記憶部１０３、ツール推定部１０６、条件補正部１１１は、それぞれクラウドサーバ１２０に接続されている。この際、各機器５０とクラウドサーバ１２０との間で情報（機器５０やツール５１の情報）の送受信が実行され、データ記憶部１０３とクラウドサーバ１２０との間で情報（参照データ）の送受信が実行され、ツール推定部１０６とクラウドサーバ１２０との間で情報（推定モデルや管理テーブルの情報）の送受信が実行され、条件補正部１１１とクラウドサーバ１２０との間で情報（参照データを補正するための情報や補正された参照データの情報）の送受信が実行される。 In FIG. 8 , a plurality of devices 50 are each connected to a cloud server 120 . Also, the data storage unit 103 , the tool estimation unit 106 , and the condition correction unit 111 of the diagnostic device 100 are each connected to the cloud server 120 . At this time, information (information on the device 50 and the tool 51) is transmitted and received between each device 50 and the cloud server 120, and information (reference data) is transmitted and received between the data storage unit 103 and the cloud server 120. Information (estimation model and management table information) is transmitted and received between the tool estimation unit 106 and the cloud server 120, and information (reference data is corrected) is transmitted between the condition correction unit 111 and the cloud server 120. and information of corrected reference data) are transmitted and received.

本実施例によれば、いずれかの機器５０から、クラウドサーバ１２０を介して診断装置１００と情報の送受信を行うことができる。この際、例えば、ある機器５０又はクラウドサーバ１２０で設定された設定条件を示す設定情報（加工対象の材質や板厚を変更する設定情報）を、クラウドサーバ１２０を介して診断装置１００で受信した場合、診断装置１００における条件補正部１１１は、データ記憶部１０３に格納された複数の参照データを補正し、補正された複数の参照データを類似度演算部１０４の演算時に用いるデータとして類似度演算部１０４に転送することができる。条件補正部１１１は、クラウドサーバ１２０からの設定情報で、ツール５１の加工対象の板厚が２倍になったことが指定された場合、加工工程における参照データＤ１～Ｄｎの値を２倍にする補正することができる。この際、条件補正部１１１は、機器５０、又はクラウドサーバ１２０で設定された設定条件を示す設定情報を基にデータ記憶部１０３に格納された複数の参照データを、類似度演算部１０４の演算時に用いるデータとして補正することができる。 According to the present embodiment, information can be transmitted and received from any device 50 to and from the diagnostic device 100 via the cloud server 120 . At this time, for example, the diagnostic device 100 receives setting information (setting information for changing the material or plate thickness of the processing target) indicating setting conditions set by a certain device 50 or the cloud server 120 via the cloud server 120. In this case, the condition correction unit 111 in the diagnostic apparatus 100 corrects the plurality of reference data stored in the data storage unit 103, and uses the corrected plurality of reference data as data used in the similarity calculation unit 104 for similarity calculation. It can be forwarded to unit 104 . When the setting information from the cloud server 120 specifies that the plate thickness of the object to be processed by the tool 51 has doubled, the condition correction unit 111 doubles the values of the reference data D1 to Dn in the processing process. can be corrected. At this time, the condition correction unit 111 applies the plurality of reference data stored in the data storage unit 103 based on the setting information indicating the setting conditions set by the device 50 or the cloud server 120 to the similarity calculation unit 104. It can be corrected as data used at times.

また、ある機器５０が、他の機器５０の状態を基に生成した情報を、クラウドサーバ１２０を介して診断装置１００に送信することで、データベース（管理テーブル２００）や診断モデルの情報を最新のものに更新したり、最適化したりすることができる。さらに、ある機器５０からの時系列データ（測定データ）を基に診断装置１００で未知のツール５１が存在することを判定した場合、診断装置１００は、再学習を実施する前に、他の機器５０で管理するツール５１の中に、未知のツール５１に対応するツール５１が存在するか否かをクラウドサーバ１２０に確認することができる。また、ある機器５０からの時系列データ（測定データ）を基に診断装置１００でツール５１が属するクラスタを誤って推定した場合、クラスタを誤って推定した情報を診断装置１００からクラウドサーバ１２０に送信し、この情報を、クラウドサーバ１２０を介して各機器５０が共有することで、他の機器５０が、ツール５１が属するクラスタを誤って推定することを抑制することが可能になる。 In addition, a device 50 transmits information generated based on the state of another device 50 to the diagnostic device 100 via the cloud server 120, so that the database (management table 200) and diagnostic model information are updated. It can be updated and optimized. Furthermore, when the diagnosis device 100 determines that an unknown tool 51 exists based on the time-series data (measurement data) from a certain device 50, the diagnosis device 100 detects the presence of another device before performing re-learning. It is possible to confirm with the cloud server 120 whether or not there is a tool 51 corresponding to an unknown tool 51 among the tools 51 managed by 50 . In addition, when the diagnostic device 100 incorrectly estimates the cluster to which the tool 51 belongs based on the time-series data (measurement data) from a certain device 50, the diagnostic device 100 transmits the incorrectly estimated cluster information to the cloud server 120. By sharing this information with each device 50 via the cloud server 120, it is possible to prevent other devices 50 from erroneously estimating the cluster to which the tool 51 belongs.

なお、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、複数のツール５１を用いて加工対象を加工する加工部を含む機器５０と、診断装置１００とを一体化して加工装置として構成することができる。この際、加工装置において、各ツール５１の種類と推定したり、各ツール５１の状態を診断したりすることができる。また、本発明は、自動車等の部品、例えば、動力伝達用ベルトの劣化を診断する診断装置や、鉄道車両のレールの劣化を診断する診断装置に適用することができる。上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。 In addition, the present invention is not limited to the above-described embodiments, and includes various modifications. For example, the diagnostic device 100 can be integrated with the device 50 including a processing unit that processes a processing target using a plurality of tools 51 to form a processing device. At this time, the processing apparatus can estimate the type of each tool 51 and diagnose the state of each tool 51 . Further, the present invention can be applied to a diagnosis device for diagnosing deterioration of parts of automobiles, for example, a power transmission belt, and a diagnosis device for diagnosing deterioration of rails of railway vehicles. The above-described embodiments have been described in detail in order to explain the present invention in an easy-to-understand manner, and are not necessarily limited to those having all the configurations described. In addition, it is possible to replace part of the configuration of one embodiment with the configuration of another embodiment, and it is also possible to add the configuration of another embodiment to the configuration of one embodiment. Moreover, it is possible to add, delete, or replace a part of the configuration of each embodiment with another configuration.

また、上記の各構成、機能等は、それらの一部又は全部を、例えば、集積回路で設計する等によりハードウェアで実現してもよい。また、上記の各構成、機能等は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現してもよい。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリや、ハードディスク、ＳＳＤ（Solid State Drive）等の記録装置、または、ＩＣ（Integrated Circuit）カード、ＳＤ（Secure Digital）メモリカード、ＤＶＤ（Digital Versatile Disc）等の記録媒体に記録して置くことができる。 Moreover, each of the above configurations, functions, and the like may be implemented by hardware, for example, by designing a part or all of them using an integrated circuit. Moreover, each of the above configurations, functions, etc. may be realized by software by a processor interpreting and executing a program for realizing each function. Information such as programs, tables, and files that realize each function can be stored in memory, hard disks, SSD (Solid State Drives) and other recording devices, IC (Integrated Circuit) cards, SD (Secure Digital) memory cards, DVD ( It can be recorded on a recording medium such as Digital Versatile Disc).

５０ 機器、５１ ツール、１００ 診断装置、１０１ データ取得部、１０２ 診断部、１０３ データ記憶部、１０４ 類似度演算部、１０５ 特徴量記憶部、１０６ ツール推定部、１０７ 診断モデル選択部、１０８ 出力部、１０９ 該当ツール判定部、１１０ 再学習部、１１１ 条件補正部、１２０ クラウドサーバ 50 device, 51 tool, 100 diagnosis device, 101 data acquisition unit, 102 diagnosis unit, 103 data storage unit, 104 similarity calculation unit, 105 feature amount storage unit, 106 tool estimation unit, 107 diagnosis model selection unit, 108 output unit , 109 applicable tool determination unit, 110 relearning unit, 111 condition correction unit, 120 cloud server

Claims (15)

複数の診断対象のうちいずれか一つの診断対象の状態を示す時系列データを測定データとして取得するデータ取得部と、
前記複数の診断対象の各々の種類を特定する時系列データとして管理された複数の参照データを格納するデータ記憶部と、
前記データ取得部の取得による前記測定データと前記データ記憶部に格納された前記参照データとを基に前記測定データと前記参照データとの類似度を設定時刻毎に演算する類似度演算部と、
前記測定データと前記参照データとの類似度で管理される特徴量を前記複数の診断対象の各々の種類に対応づけて記憶する特徴量記憶部と、
前記類似度演算部の演算結果を基に前記特徴量記憶部を参照して、前記複数の診断対象のうち前記測定データの取得先となる診断対象の種類を推定する診断対象推定部と、を備えることを特徴とする診断装置。 a data acquisition unit that acquires, as measurement data, time-series data indicating the state of any one of a plurality of diagnostic targets;
a data storage unit storing a plurality of reference data managed as time-series data specifying the types of each of the plurality of diagnosis targets;
a similarity calculation unit that calculates the similarity between the measurement data obtained by the data acquisition unit and the reference data stored in the data storage unit at each set time, based on the measurement data obtained by the data acquisition unit and the reference data;
a feature quantity storage unit that stores a feature quantity managed by the degree of similarity between the measurement data and the reference data in association with each type of the plurality of diagnosis targets;
a diagnostic object estimating unit for estimating the type of the diagnostic object from which the measurement data is obtained, among the plurality of diagnostic objects, by referring to the feature amount storage unit based on the calculation result of the similarity calculation unit; A diagnostic device comprising: 請求項１に記載の診断装置において、
前記複数の診断対象の各々に対応した複数の診断モデルを管理し、前記複数の診断モデルの中から、前記診断対象推定部の推定結果に対応した診断モデルを選択する診断モデル選択部と、
前記データ取得部の取得による前記測定データと前記診断モデル選択部の選択による前記診断モデルとを比較して、前記複数の診断対象のうち前記測定データの取得先となる前記診断対象の状態を診断する診断部と、を更に備えることを特徴とする診断装置。 The diagnostic device of claim 1, wherein
a diagnostic model selection unit that manages a plurality of diagnostic models corresponding to each of the plurality of diagnostic targets and selects, from among the plurality of diagnostic models, a diagnostic model corresponding to an estimation result of the diagnostic target estimation unit;
comparing the measurement data acquired by the data acquisition unit and the diagnostic model selected by the diagnostic model selection unit to diagnose the state of the diagnosis target from which the measurement data is acquired among the plurality of diagnosis targets; and a diagnostic unit for performing diagnostics. 請求項２に記載の診断装置において、
前記診断対象推定部の推定結果を基に、前記測定データの取得先となる前記診断対象が存在するか否かを判定する診断対象判定部と、
前記診断対象判定部から否定の判定結果を受けた場合、前記類似度演算部の演算結果を前記特徴量として蓄積し、蓄積された前記特徴量が新たな診断対象を特定する特徴量となったことを条件に、前記新たな診断対象を特定する前記特徴量で前記特徴量記憶部を更新する特徴量更新部と、を更に備えることを特徴とする診断装置。 The diagnostic device of claim 2, wherein
a diagnosis target determination unit that determines whether or not the diagnosis target from which the measurement data is to be obtained exists, based on the estimation result of the diagnosis target estimation unit;
When a negative determination result is received from the diagnosis target determination unit, the calculation result of the similarity calculation unit is accumulated as the feature quantity, and the accumulated feature quantity becomes the feature quantity for specifying a new diagnosis target. A diagnostic apparatus, further comprising: a feature amount updating unit that updates the feature amount storage unit with the feature amount specifying the new diagnosis target. 請求項３に記載の診断装置において、
前記特徴量更新部は、
前記蓄積された前記特徴量が、前記新たな診断対象を特定する前記特徴量となったことを条件に、前記新たな診断対象を特定する前記特徴量を基に前記診断モデル選択部で管理される前記複数の診断モデルを更新することを特徴とする診断装置。 A diagnostic device according to claim 3, wherein
The feature update unit is
managed by the diagnostic model selection unit based on the feature quantity specifying the new diagnostic target on condition that the accumulated feature quantity becomes the feature quantity specifying the new diagnostic target; and updating the plurality of diagnostic models. 請求項１又は２に記載の診断装置において、
前記診断対象を管理する１又は２以上の機器、又は前記機器と情報の送受信を行うクラウドサーバで設定された設定条件を示す設定情報を基に前記データ記憶部に格納された前記複数の参照データを、前記類似度演算部の演算時に用いるデータとして補正する条件補正部を、さらに備えることを特徴とする診断装置。 A diagnostic device according to claim 1 or 2,
The plurality of reference data stored in the data storage unit based on setting information indicating setting conditions set by one or more devices that manage the diagnosis target or by a cloud server that transmits and receives information to and from the device. as data used in the calculation of the similarity calculation unit, the diagnosis apparatus further comprising a condition correction unit. 請求項１に記載の診断装置において、
前記特徴量記憶部は、
前記複数の診断対象の種類に対応した情報であって、その各々の境界が互いに離れた値の特徴量で分類された複数の分散用クラスタと、前記測定データと前記参照データとの類似度で管理される前記特徴量とを関連づけて記憶し、
前記類似度演算部は、
前記データ取得部の取得による前記測定データのうち前記複数の診断対象に対して実施例される複数の工程のうち指定の工程で取得された測定データと前記参照データのうち前記指定の工程に対応した前記参照データとの類似度を演算し、
前記診断対象推定部は、
前記類似度演算部の演算結果を基に前記特徴量記憶部を参照して、前記類似度演算部の演算結果が、前記複数の分散用クラスタのいずれか一つに属する場合、前記測定データの取得先となる前記診断対象の種類を、前記いずれか一つの分散用クラスタに対応した種類であると推定することを特徴とする診断装置。 The diagnostic device of claim 1, wherein
The feature amount storage unit is
Information corresponding to the types of the plurality of diagnosis targets, wherein each boundary is a plurality of clusters for distribution classified by feature amounts having values separated from each other, and a similarity between the measurement data and the reference data. store in association with the feature amount to be managed;
The similarity calculation unit is
Among the measurement data acquired by the data acquisition unit, the measurement data acquired in a specified step among the plurality of steps implemented for the plurality of diagnosis targets and the reference data corresponding to the specified step among the reference data Calculate the similarity with the reference data obtained by
The diagnosis target estimating unit
The feature amount storage unit is referred to based on the calculation result of the similarity calculation unit, and if the calculation result of the similarity calculation unit belongs to any one of the plurality of clusters for distribution, the measurement data A diagnostic apparatus characterized by estimating that the type of the diagnosis target to be acquired is a type corresponding to any one of the distribution clusters. 請求項１又は２に記載の診断装置において、
前記測定データは、前記複数の診断対象の各々を駆動するモータの電気信号を示すデータであることを特徴とする診断装置。 The diagnostic device according to claim 1 or 2,
A diagnostic apparatus according to claim 1, wherein said measurement data is data indicating an electric signal of a motor driving each of said plurality of diagnostic targets. 複数の診断対象のうちいずれか一つの診断対象の状態を示す時系列データを測定データとして取得するデータ取得ステップと、
前記複数の診断対象の各々の種類を特定する時系列データとして管理された複数の参照データを格納するデータ記憶ステップと、
前記データ取得ステップでの取得による前記測定データと前記データ記憶ステップで格納された前記参照データとを基に前記測定データと前記参照データとの類似度を設定時刻毎に演算する類似度演算ステップと、
前記測定データと前記参照データとの類似度で管理される特徴量を前記複数の診断対象の各々の種類に対応づけて記憶する特徴量記憶ステップと、
前記類似度演算ステップでの演算結果を基に前記特徴量記憶ステップで格納された前記特徴量を参照して、前記複数の診断対象のうち前記測定データの取得先となる診断対象の種類を推定する診断対象推定ステップと、を備えることを特徴とする診断方法。 a data acquisition step of acquiring, as measurement data, time-series data indicating the state of any one of a plurality of diagnostic targets;
a data storage step of storing a plurality of reference data managed as time-series data specifying the types of each of the plurality of diagnosis targets;
a similarity calculating step of calculating a similarity between the measured data obtained in the data obtaining step and the reference data stored in the data storing step at each set time based on the measured data obtained in the data obtaining step and the reference data stored in the data storing step; ,
a feature quantity storage step of storing a feature quantity managed by the degree of similarity between the measurement data and the reference data in association with each type of the plurality of diagnosis targets;
Based on the calculation result of the similarity calculating step, the feature quantity stored in the feature quantity storage step is referenced to estimate the type of diagnosis target from which the measurement data is acquired, among the plurality of diagnosis targets. and a diagnostic target estimation step. 請求項８に記載の診断方法において、
前記複数の診断対象の各々に対応した複数の診断モデルを管理し、前記複数の診断モデルの中から、前記診断対象推定ステップでの推定結果に対応した診断モデルを選択する診断モデル選択ステップと、
前記データ取得ステップでの取得による前記測定データと前記診断モデル選択ステップでの選択による前記診断モデルとを比較して、前記複数の診断対象のうち前記測定データの取得先となる前記診断対象の状態を診断する診断ステップと、を更に備えることを特徴とする診断方法。 In the diagnostic method according to claim 8,
a diagnostic model selection step of managing a plurality of diagnostic models corresponding to each of the plurality of diagnostic targets, and selecting, from among the plurality of diagnostic models, a diagnostic model corresponding to the estimation result of the diagnostic target estimation step;
comparing the measurement data acquired in the data acquisition step and the diagnostic model selected in the diagnostic model selection step, and comparing the state of the diagnostic target from which the measured data is acquired among the plurality of diagnostic targets; and a diagnostic step of diagnosing. 請求項９に記載の診断方法において、
前記診断対象推定ステップでの推定結果を基に、前記測定データの取得先となる前記診断対象が存在するか否かを判定する診断対象判定ステップと、
前記診断対象判定ステップでの処理結果として否定の判定結果を受けた場合、前記類似度演算ステップでの演算結果を前記特徴量として蓄積し、蓄積された前記特徴量が新たな診断対象を特定する特徴量となったことを条件に、前記新たな診断対象を特定する前記特徴量を基に前記特徴量記憶ステップで記憶された前記特徴量を更新する特徴量更新ステップと、を更に備えることを特徴とする診断方法。 In the diagnostic method according to claim 9,
a diagnostic target determination step of determining whether or not the diagnostic target from which the measurement data is obtained exists, based on the estimation result of the diagnostic target estimation step;
When a negative determination result is received as a processing result in the diagnosis target determination step, the calculation result in the similarity calculation step is accumulated as the feature quantity, and the accumulated feature quantity specifies a new diagnosis target. A feature amount update step of updating the feature amount stored in the feature amount storage step based on the feature amount specifying the new diagnostic target on the condition that the feature amount is determined. A diagnostic method characterized. 請求項１０に記載の診断方法において、
前記特徴量更新ステップでは、
前記蓄積された前記特徴量が、前記新たな診断対象を特定する前記特徴量となったことを条件に、前記新たな診断対象を特定する前記特徴量を基に前記診断モデル選択ステップで管理される前記複数の診断モデルを更新することを特徴とする診断方法。 In the diagnostic method of claim 10,
In the feature update step,
managed in the diagnostic model selection step based on the feature quantity specifying the new diagnostic target on condition that the accumulated feature quantity becomes the feature quantity specifying the new diagnostic target; updating said plurality of diagnostic models. 請求項８又は９に記載の診断方法において、
前記診断対象を管理する１又は２以上の機器、又は前記機器と情報の送受信を行うクラウドサーバで設定された設定条件を示す設定情報を基に前記データ記憶ステップで格納された前記複数の参照データを、前記類似度演算ステップでの演算時に用いるデータとして補正する条件補正ステップを、さらに備えることを特徴とする診断方法。 In the diagnostic method according to claim 8 or 9,
The plurality of reference data stored in the data storage step based on setting information indicating setting conditions set by one or more devices that manage the diagnosis target, or by a cloud server that transmits and receives information to and from the device. as data used in the calculation in the similarity calculation step, further comprising a condition correction step. 請求項８に記載の診断方法において、
前記特徴量記憶ステップでは、
前記複数の診断対象の種類に対応した情報であって、その各々の境界が互いに離れた値の特徴量で分類された複数の分散用クラスタと、前記測定データと前記参照データとの類似度で管理される前記特徴量とを関連づけて記憶し、
前記類似度演算ステップでは、
前記データ取得ステップでの取得による前記測定データのうち前記複数の診断対象に対して実施される複数の工程のうち指定の工程で取得された測定データと前記参照データのうち前記指定の工程に対応した前記参照データとの類似度を演算し、
前記診断対象推定ステップでは、
前記類似度演算ステップでの演算結果を基に前記特徴量記憶ステップで記憶された前記特徴量を参照して、前記類似度演算ステップでの演算結果が、前記複数の分散用クラスタのいずれか一つに属する場合、前記測定データの取得先となる前記診断対象の種類を、前記いずれか一つの分散用クラスタに対応した種類であると推定することを特徴とする診断方法。 In the diagnostic method according to claim 8,
In the feature amount storage step,
Information corresponding to the types of the plurality of diagnosis targets, wherein each boundary is a plurality of clusters for distribution classified by feature amounts having values separated from each other, and a similarity between the measurement data and the reference data. store in association with the feature amount to be managed;
In the similarity calculation step,
Corresponding to the specified step among the measured data acquired in the data acquisition step and the specified step among the plurality of steps performed on the plurality of diagnostic targets and the reference data Calculate the similarity with the reference data obtained by
In the diagnosis target estimation step,
By referring to the feature quantity stored in the feature quantity storage step based on the calculation result in the similarity calculation step, the calculation result in the similarity calculation step is any one of the plurality of distribution clusters. and estimating that the type of the diagnosis target from which the measurement data is acquired is a type corresponding to any one of the dispersing clusters. 請求項８又は９に記載の診断方法において、
前記測定データは、前記複数の診断対象の各々を駆動するモータの電気信号を示すデータであることを特徴とする診断方法。 In the diagnostic method according to claim 8 or 9,
A diagnostic method, wherein the measurement data is data representing an electrical signal of a motor driving each of the plurality of diagnostic targets. 複数のツールを用いて加工対象を加工する加工部と、
前記複数のツールのうちいずれか一つのツールの状態を示す時系列データを測定データとして取得するデータ取得部と、
前記複数のツールの各々を特定する時系列データとして管理された複数の参照データを格納するデータ記憶部と、
前記データ取得部の取得による前記測定データと前記データ記憶部に格納された前記参照データとを基に前記測定データと前記参照データとの類似度を設定時刻毎に演算する類似度演算部と、
前記測定データと前記参照データとの類似度で管理される特徴量を前記複数のツールの各々の種類に対応づけて記憶する特徴量記憶部と、
前記類似度演算部の演算結果を基に前記特徴量記憶部を参照して、前記複数のツールのうち前記測定データの取得先となるツールの種類を推定する診断対象推定部と、を備えることを特徴とする加工装置。 a processing unit that processes an object to be processed using a plurality of tools;
a data acquisition unit that acquires, as measurement data, time-series data indicating the state of any one of the plurality of tools;
a data storage unit storing a plurality of reference data managed as time-series data specifying each of the plurality of tools;
a similarity calculation unit that calculates the similarity between the measurement data obtained by the data acquisition unit and the reference data stored in the data storage unit at each set time, based on the measurement data obtained by the data acquisition unit and the reference data;
a feature amount storage unit that stores a feature amount managed by the degree of similarity between the measurement data and the reference data in association with each type of the plurality of tools;
a diagnostic object estimating unit that estimates the type of a tool from which the measurement data is obtained from among the plurality of tools by referring to the feature amount storage unit based on the calculation result of the similarity calculating unit. A processing device characterized by:
JP2019091012A 2019-05-13 2019-05-13 Diagnostic device, diagnostic method and processing device Active JP7108577B2 (en)

Priority Applications (3)

Application Number Priority Date Filing Date Title
JP2019091012A JP7108577B2 (en) 2019-05-13 2019-05-13 Diagnostic device, diagnostic method and processing device
DE112020001792.3T DE112020001792T5 (en) 2019-05-13 2020-03-12 DIAGNOSTIC DEVICE, DIAGNOSTIC METHOD AND PROCESSING DEVICE
PCT/JP2020/010972 WO2020230436A1 (en) 2019-05-13 2020-03-12 Diagnosis device, diagnosis method, and machining device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019091012A JP7108577B2 (en) 2019-05-13 2019-05-13 Diagnostic device, diagnostic method and processing device

Publications (2)

Publication Number Publication Date
JP2020187502A JP2020187502A (en) 2020-11-19
JP7108577B2 true JP7108577B2 (en) 2022-07-28

Family

ID=73223468

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019091012A Active JP7108577B2 (en) 2019-05-13 2019-05-13 Diagnostic device, diagnostic method and processing device

Country Status (3)

Country Link
JP (1) JP7108577B2 (en)
DE (1) DE112020001792T5 (en)
WO (1) WO2020230436A1 (en)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102022205534A1 (en) 2022-05-31 2023-11-30 Kuka Deutschland Gmbh Monitoring a multi-axis machine using interpretable time series classification

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015162096A (en) 2014-02-27 2015-09-07 三菱電機ビルテクノサービス株式会社 tool analysis support apparatus and program
JP2016152039A (en) 2015-02-19 2016-08-22 富士通株式会社 Data output method, data output program and data output device
JP2017170578A (en) 2016-03-24 2017-09-28 長崎県 Machine tool monitoring prediction control device with tool recognition function

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4501918B2 (en) * 2006-09-29 2010-07-14 パナソニック電工株式会社 Tool mounting abnormality detection device
JP5793961B2 (en) * 2010-07-26 2015-10-14 日本電気株式会社 Electromagnetic wave identification device, electromagnetic wave identification method and program
JP5641584B2 (en) * 2012-06-15 2014-12-17 Ｎｅｃソリューションイノベータ株式会社 Electric device discriminating apparatus, electric device discriminating system, electric device discriminating method, and program
JP6830414B2 (en) * 2017-06-28 2021-02-17 株式会社日立製作所 Diagnostic device and diagnostic method

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2015162096A (en) 2014-02-27 2015-09-07 三菱電機ビルテクノサービス株式会社 tool analysis support apparatus and program
JP2016152039A (en) 2015-02-19 2016-08-22 富士通株式会社 Data output method, data output program and data output device
JP2017170578A (en) 2016-03-24 2017-09-28 長崎県 Machine tool monitoring prediction control device with tool recognition function

Also Published As

Publication number Publication date
WO2020230436A1 (en) 2020-11-19
JP2020187502A (en) 2020-11-19
DE112020001792T5 (en) 2022-01-27

Similar Documents

Publication Publication Date Title
US9336484B1 (en) System and method for outlier detection via estimating clusters
Fathy et al. Learning with imbalanced data in smart manufacturing: A comparative analysis
CN110352389B (en) Information processing apparatus and information processing method
JP6929494B2 (en) State estimation device and state estimation method
EP1960853A1 (en) Evaluating anomaly for one-class classifiers in machine condition monitoring
US11105855B2 (en) Tester and method for testing a device under test and tester and method for determining a single decision function
JP2021125266A (en) State estimation device, system, and production method
WO2021084623A1 (en) Degradation suppression program, degradation suppression method, and information processing device
JP7354421B2 (en) Error factor estimation device and estimation method
JP7108577B2 (en) Diagnostic device, diagnostic method and processing device
CN113254693A (en) Image recognition and retrieval for component failure analysis
WO2020152889A1 (en) Device diagnosis device, plasma processing device, and device diagnosis method
US20220187787A1 (en) Method for determining a property of a machine, in particular a machine tool, without metrologically capturing the property
CN112673325B (en) Workpiece surface quality problem detection
JP2021149315A (en) Information processing device, information processing method, and information processing program
TW202147051A (en) Systems, methods, and media for manufacturing processes
JP2021124886A (en) Information processing device, information processing method and information processing program
US20210118248A1 (en) Methods and systems for continuously determining remaining useful lives of vehicle components
CN112348120A (en) Numerical control machine tool degradation track mode identification method and device
CN112907079A (en) Recognizable performance evaluation method and system suitable for 3D printing and storage medium
TWI704973B (en) Management device, management method, and program
Herrero et al. aDBF: an autonomous electromagnetic noise filtering mechanism for industrial environments
Pang et al. Tool wear forecast using Dominant Feature Identification of acoustic emissions
JP7311820B1 (en) Abnormality determination method, abnormality determination device, and program
WO2023073941A1 (en) Error factor estimation device, error factor estimation method, and computer-readable medium

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220107

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220705

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220715

R150 Certificate of patent or registration of utility model

Ref document number: 7108577

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150