JP2020107248A - Abnormality determination device and abnormality determination method - Google Patents
Abnormality determination device and abnormality determination method Download PDFInfo
- Publication number
- JP2020107248A JP2020107248A JP2018248059A JP2018248059A JP2020107248A JP 2020107248 A JP2020107248 A JP 2020107248A JP 2018248059 A JP2018248059 A JP 2018248059A JP 2018248059 A JP2018248059 A JP 2018248059A JP 2020107248 A JP2020107248 A JP 2020107248A
- Authority
- JP
- Japan
- Prior art keywords
- abnormality
- score
- equipment data
- data
- sensor 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.)
- Pending
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
本発明は、異常判定技術に関する。 The present invention relates to abnormality determination technology.
工作機械などの、所定のプロセスを反復して実行する機械設備について、センサデータに基づいて異常判定を行う技術がある。例えば、特許文献１に記載の装置では、設備が正常に稼働している期間におけるセンサデータによって機械学習を行い、構築した正常モデルを用いて異常発生の予兆を検知している。 BACKGROUND ART There is a technique for making an abnormality determination based on sensor data for mechanical equipment such as a machine tool that repeatedly executes a predetermined process. For example, in the device described in Patent Document 1, machine learning is performed using sensor data during a period in which the equipment is normally operating, and a sign of an abnormality is detected using a constructed normal model.
特許文献１に記載の技術では、センサデータが示す波形の極値点を特徴点として抽出するため、同一形態の波形が反復して出力されることを前提としないシステムに適用することができない。また、予兆に影響を及ぼす要因を特定することができない。 Since the technique described in Patent Document 1 extracts the extreme point of the waveform indicated by the sensor data as a feature point, it cannot be applied to a system that does not assume that the waveform of the same form is repeatedly output. In addition, it is not possible to identify the factors that affect the sign.
本発明は上記の問題点を考慮してなされたものであり、機械に発生する動作異常の要因を精度よく判定できる異常判定装置を提供することを目的とする。 The present invention has been made in consideration of the above problems, and an object of the present invention is to provide an abnormality determination device capable of accurately determining the cause of an operation abnormality occurring in a machine.
本発明に係る異常判定装置は、
複数の動作プロセスを実行可能である機械に備えられた複数の装置から、時系列の設備データをそれぞれ取得する取得手段と、所定の期間における複数の前記設備データを特徴量に変換する変換手段と、前記機械が正常稼働しているか否かが明確な状況下で取得した前記設備データを用いて学習させた機械学習モデルと、前記機械学習モデルを用いて、評価対象である複数の設備データから、前記設備データのそれぞれ、または、前記動作プロセスのそれぞれに対応する異常度を示す第一のスコアを算出する第一の算出手段と、前記第一のスコアが異常を示している場合に、第一の設備データと、第二の設備データとの組からなる複合設備データの異常度を示す第二のスコアを算出する第二の算出手段と、前記第二のスコアが異常を示している場合に、前記複合設備データに含まれる第一の設備データと第二の設備データの組を出力する出力手段と、を有する。
The abnormality determination device according to the present invention,
Acquiring means for respectively acquiring time-series equipment data from a plurality of devices provided in a machine capable of executing a plurality of operation processes, and conversion means for converting a plurality of the equipment data in a predetermined period into feature quantities. , A machine learning model learned using the equipment data acquired under a clear situation whether the machine is operating normally, and using the machine learning model, from a plurality of equipment data to be evaluated , A first calculation means for calculating a first score indicating an abnormality degree corresponding to each of the equipment data or each of the operation processes, and a first score when the first score indicates abnormality, In the case where the second score indicates an abnormality, the second calculation means for calculating a second score indicating the degree of abnormality of the complex equipment data composed of one equipment data set and a second equipment data set. And output means for outputting a set of first equipment data and second equipment data included in the complex equipment data.
また、本発明に係る異常判定方法は、
複数の動作プロセスを実行可能である機械が有する複数の装置から取得した、時系列の設備データに基づいて前記機械の異常動作を判定する異常判定方法であって、所定の期間における複数の前記設備データを特徴量に変換する変換ステップと、前記機械が正常稼働しているか否かが明確な状況下で取得した前記設備データを用いて学習させた機械学習モデルを用いて、評価対象である複数の設備データから、前記設備データのそれぞれ、または、前記動作プロセスのそれぞれに対応する異常度を示す第一のスコアを算出する第一の算出ステップと、前記第一のスコアが異常を示している場合に、第一の設備データと、第二の設備データとの組からなる複合設備データの異常度を示す第二のスコアを算出する第二の算出ステップと、前記第二のスコアが異常を示している場合に、前記複合設備データに含まれる第一の設備データと第二の設備データの組を出力する出力ステップと、を含む。
Further, the abnormality determination method according to the present invention,
A method for determining an abnormal operation of the machine based on time-series equipment data acquired from a plurality of devices included in a machine capable of executing a plurality of operation processes, the plurality of the equipment in a predetermined period. Using a conversion step of converting data into a feature quantity and a machine learning model learned using the equipment data acquired under a situation where it is clear whether the machine is operating normally, a plurality of evaluation targets From the equipment data, a first calculation step of calculating a first score indicating an abnormality degree corresponding to each of the equipment data or each of the operation processes, and the first score indicates abnormality In this case, the first equipment data, a second calculation step of calculating a second score indicating the abnormality degree of the composite equipment data consisting of a set of the second equipment data, and the second score is abnormal. In the case of showing, the output step which outputs the group of the 1st equipment data and 2nd equipment data contained in the said composite equipment data is included.
本発明によれば、機械に発生する動作異常の要因を精度よく判定できる異常判定装置を提供することができる。 According to the present invention, it is possible to provide an abnormality determination device that can accurately determine a cause of an operation abnormality that occurs in a machine.
本発明に係る異常判定装置は、複数の動作プロセスを実行可能である機械に備えられた複数の装置から、時系列の設備データをそれぞれ取得し、当該設備データに基づいて、前記機械の異常動作の要因を判定する装置である。機械とは、例えば、所定の加工プロセスを反復する工作機械などであるが、これに限られない。
設備データとは、対象の機械の動作状況に関するデータであり、典型的にはセンサによって取得されたセンサデータであるが、これに限られない。例えば、対象の機械を制御するコントローラが出力するデータであってもよい。
An abnormality determination device according to the present invention acquires time-series equipment data from a plurality of devices provided in a machine capable of executing a plurality of operation processes, and based on the equipment data, an abnormal operation of the machine. This is a device for determining the factor of. The machine is, for example, a machine tool that repeats a predetermined machining process, but is not limited to this.
The equipment data is data relating to the operating status of the target machine, and is typically sensor data acquired by a sensor, but is not limited to this. For example, it may be data output by a controller that controls the target machine.
一般的に、複数のセンサから時系列のセンサデータをそれぞれ取得し、所定の期間における複数の前記センサデータを特徴量に変換することが知られている。そして、前記機械が正常稼働しているか否かが明確な状況下で取得した前記センサデータを用いて学習させた識別器を用いて、機械の異常動作を判定することが知られている。
例えば、複数のセンサが出力するセンサデータを識別器に入力し、得られた結果に基づいて、対象の機械に異常動作（またはその予兆）が発生していることを検知することができる。
It is generally known that time-series sensor data is acquired from each of a plurality of sensors and the plurality of sensor data in a predetermined period is converted into a feature amount. Then, it is known to determine an abnormal operation of a machine by using a discriminator learned using the sensor data acquired under a situation where it is clear whether or not the machine is operating normally.
For example, sensor data output from a plurality of sensors can be input to a discriminator, and based on the obtained result, it can be detected that an abnormal operation (or a sign thereof) has occurred in a target machine.
ところで、かかる装置においては、異常動作の要因を特定することが容易ではないという課題がある。特に、複数のパラメータによって動作する機械においては、パラメータ同士が関連し合うケースが多く、単一のパラメータを特定するだけでは、根本的な要因の特定とならないケースがある。 By the way, in such a device, there is a problem that it is not easy to identify the cause of abnormal operation. In particular, in a machine that operates with a plurality of parameters, there are many cases where the parameters are related to each other, and in some cases, specifying a single parameter does not identify the fundamental factor.
かかる課題に対応するため、本発明に係る異常判定装置は、（１）学習済みの機械学習モデルを用いて、評価対象である複数の設備データから、前記設備データのそれぞれ、または、前記動作プロセスのそれぞれに対応する異常度を示す第一のスコアを算出し、（２）前記第一のスコアが異常を示している場合に、第一の設備データと、第二の設備データとの組からなる複合設備データの異常度を示す第二のスコアを算出する。そして、第二のスコアが異常を示している場合に、前記複合設備データに含まれる第一の設備データと第二の設備データの組を出力する。 In order to address such a problem, the abnormality determination device according to the present invention uses (1) a machine learning model that has already been learned, from a plurality of pieces of equipment data to be evaluated, each piece of equipment data, or the operation process. Calculating a first score indicating the degree of abnormality corresponding to each of (2), and (2) when the first score indicates abnormality, from the set of the first equipment data and the second equipment data, A second score indicating the degree of abnormality of the complex equipment data is calculated. Then, when the second score indicates abnormality, the set of the first equipment data and the second equipment data included in the composite equipment data is output.
このように、ある単一の設備データ、あるいは、動作プロセス自体に異常が見られた場合に、さらに複合設備データを生成して評価を行うことにより、あるパラメータに影響を及ぼす他のパラメータを特定することができ、詳細な要因解析を行うことができる。 In this way, when a single piece of equipment data or an abnormality is found in the operating process itself, composite equipment data is generated and evaluated to identify other parameters that affect a certain parameter. Therefore, detailed factor analysis can be performed.
なお、前記出力手段は、前記第一のスコアが異常を示しており、前記第二のスコアが異
常を示していない場合に、前記第一のスコアの異常要因である第一の設備データのみを出力することを特徴としてもよい。
Incidentally, the output means, the first score indicates an abnormality, when the second score does not indicate an abnormality, only the first equipment data that is an abnormality factor of the first score. It may be characterized by outputting.
かかる構成によると、観測された異常が、単一の要因に起因したものであるか、複合的な要因に起因したものであるかによって、適切な結果を提示することができる。 According to such a configuration, it is possible to present an appropriate result depending on whether the observed abnormality is due to a single factor or a multiple factor.
また、前記第二の算出手段は、前記機械に備えられた前記複数の装置の全ての組み合わせについて前記第二のスコアを生成することを特徴としてもよい。
かかる構成によると、互いに影響を及ぼしている要因を特定することが容易になる。
Further, the second calculating means may generate the second score for all combinations of the plurality of devices provided in the machine.
With this configuration, it is easy to identify the factors that influence each other.
また、前記第二の算出手段は、前記第一のスコアが異常を示している場合に、当該異常が発生した動作プロセスに対応する前記複合設備データに対して前記第二のスコアを算出することを特徴としてもよい。
このように、第二のスコアの算出は、何らかの異常が認められた動作プロセスに限って行うようにしてもよい。
Further, the second calculation means, when the first score indicates an abnormality, calculates the second score for the combined facility data corresponding to the operation process in which the abnormality has occurred. May be a feature.
As described above, the calculation of the second score may be performed only in the operation process in which some abnormality is recognized.
また、前記第一のスコアは、前記設備データのそれぞれ、および、前記動作プロセスのそれぞれに対応する異常度を算出して得られたスコアであることを特徴としてもよい。
このように、個々の設備データについて異常度を算出するとともに、個々の動作プロセスについても異常度を算出してもよい。これらを併用することで、異常の要因特定がより容易になる。
Further, the first score may be a score obtained by calculating an abnormality degree corresponding to each of the facility data and each of the operation processes.
In this way, the degree of abnormality may be calculated for each piece of equipment data, and the degree of abnormality may also be calculated for each operation process. By using these together, it becomes easier to identify the cause of the abnormality.
また、前記変換手段は、前記複数の設備データのうち少なくともいずれかが所定の条件を満たしたタイミングから所定の期間遡った時系列データを取得し、前記特徴量に変換することを特徴としてもよい。 Further, the conversion means may acquire time-series data that is traced back for a predetermined period from the timing when at least one of the plurality of facility data satisfies a predetermined condition, and converts the time-series data into the characteristic amount. ..
設備データが時系列データとして取得される場合、特徴量生成のためにどの部分を切り出すべきかは対象の機械によって異なる。そこで、複数の設備データに対して設定したトリガに基づいて特徴量の抽出を行うことが好ましい。 When the equipment data is acquired as time-series data, which part should be cut out to generate the feature amount depends on the target machine. Therefore, it is preferable to extract the feature amount based on the trigger set for a plurality of equipment data.
以下、本発明の具体的な実施形態について図面に基づいて説明する。各実施形態に記載されているハードウェア構成、モジュール構成、機能構成等は、特に記載がない限りは発明の技術的範囲をそれらのみに限定する趣旨のものではない。 Hereinafter, specific embodiments of the present invention will be described with reference to the drawings. The hardware configuration, module configuration, functional configuration, and the like described in each embodiment are not intended to limit the technical scope of the invention to these unless otherwise specified.
（実施形態の説明）
本発明の好ましい実施形態に関して、図面を参照して説明する。図１は、第一の実施形態に係る異常判定装置１０の機能構成を示すブロック図である。
本実施形態に係る異常判定装置１０は、対象の工作機械からセンサデータ（設備データ）を取得し、当該センサデータに基づいて学習および評価を行い、当該工作機械において発生する動作異常の要因を推定して出力する装置である。
(Description of the embodiment)
A preferred embodiment of the present invention will be described with reference to the drawings. FIG. 1 is a block diagram showing a functional configuration of an abnormality determination device 10 according to the first embodiment.
The abnormality determination device 10 according to the present embodiment acquires sensor data (equipment data) from a target machine tool, performs learning and evaluation based on the sensor data, and estimates a cause of an operation abnormality that occurs in the machine tool. It is a device for outputting.
異常判定装置１０は、機械学習モデルによって判定を行う判定器（識別器）を有しており、当該判定器を学習させる学習モードと、学習の結果に基づいて評価を行う評価モードに切り替え可能に構成される。以降の説明において、判定器を学習させる処理を学習処理と称し、学習した判定器を用いて異常の有無を評価する処理を評価処理と称する。また、学習に用いるセンサデータを学習用データと称し、評価に用いるセンサデータを評価用データと称する。学習用データは、工作機械が正常に動作しているか否かが明確な期間に取得されたセンサデータであり、評価用データは、工作機械が正常に動作しているか否かが不明な期間に取得されたセンサデータである。 The abnormality determination device 10 has a determiner (discriminator) that makes a determination by a machine learning model, and can switch between a learning mode for learning the determiner and an evaluation mode for performing an evaluation based on the learning result. Composed. In the following description, the process of learning the determiner is referred to as a learning process, and the process of evaluating the presence/absence of abnormality using the learned determiner is referred to as an evaluation process. The sensor data used for learning is referred to as learning data, and the sensor data used for evaluation is referred to as evaluation data. The learning data is sensor data acquired during a clear period whether the machine tool is operating normally, and the evaluation data is during the period when it is unknown whether the machine tool is operating normally. It is the acquired sensor data.
本実施形態に係る異常判定装置１０は、半導体集積回路（ＬＳＩ）を用いて実現できる。異常判定装置１０は、センサデータ取得部１１、特徴量算出部１２、異常度算出部１３、画像生成部１４を有して構成される。これらの構成要素はソフトウェアモジュールによって実現され、異常判定装置１０が果たす機能にそれぞれ対応している。 The abnormality determination device 10 according to the present embodiment can be realized by using a semiconductor integrated circuit (LSI). The abnormality determination device 10 includes a sensor data acquisition unit 11, a feature amount calculation unit 12, an abnormality degree calculation unit 13, and an image generation unit 14. These components are realized by software modules and correspond to the functions of the abnormality determination device 10, respectively.
センサデータ取得部１１は、対象の工作機械が出力する複数のセンサデータを取得する手段である。本実施形態では、センサデータ取得部１１は、対象である工作機械が有する複数のセンサからそれぞれセンサデータを取得する。センサデータは、時系列データとして所定のタイムステップごとに収集されたデータである。センサデータは、有線接続によって取得してもよいし、無線接続によって取得してもよい。 The sensor data acquisition unit 11 is a unit that acquires a plurality of sensor data output by the target machine tool. In the present embodiment, the sensor data acquisition unit 11 acquires sensor data from each of the plurality of sensors included in the target machine tool. The sensor data is data collected at predetermined time steps as time series data. The sensor data may be acquired by a wired connection or a wireless connection.
特徴量算出部１２は、センサデータ取得部１１が取得したセンサデータを特徴量に変換する手段である。本実施形態では、センサデータ取得部１１から、時系列形式の複数のセンサデータ（すなわちデータ列）が特徴量算出部１２に供給され、特徴量算出部１２が、当該データ列を切り出して特徴量を生成する。本実施形態では、特徴量は多次元ベクトルである。特徴量の具体的な生成方法については後述する。 The feature amount calculation unit 12 is a unit that converts the sensor data acquired by the sensor data acquisition unit 11 into a feature amount. In the present embodiment, the sensor data acquisition unit 11 supplies a plurality of sensor data (that is, a data string) in a time series format to the feature amount calculation unit 12, and the feature amount calculation unit 12 cuts out the data string and outputs the feature amount. To generate. In the present embodiment, the feature amount is a multidimensional vector. A specific method of generating the characteristic amount will be described later.
異常度算出部１３は、判定器を有して構成され、学習用の特徴量に基づいて判定器を学習させる処理と、学習済みの判定器を用いて評価用の特徴量を評価する処理を行う。異常度算出部１３は、異常の有無が明確な状況下において生成されたセンサデータに基づいて生成された特徴量を学習データとして学習を行い、当該学習結果に基づいて、異常が発生しているか否かが不明な状況下において生成されたセンサデータを評価し、異常度（すなわち、正常な状況との解離度）を算出する。センサデータの評価方法、および、異常度の生成方法については後述する。 The abnormality degree calculation unit 13 is configured to include a determiner, and performs a process of learning the determiner based on the learning feature amount and a process of evaluating the evaluation feature amount using the learned determiner. To do. The abnormality degree calculation unit 13 learns the feature amount generated based on the sensor data generated under the situation where the presence or absence of an abnormality is clear as learning data, and whether an abnormality has occurred based on the learning result. The sensor data generated under the situation where it is unclear whether or not it is unknown is calculated, and the abnormality degree (that is, the degree of dissociation from the normal situation) is calculated. The sensor data evaluation method and the abnormality degree generation method will be described later.
画像生成部１４は、異常度算出部１３が算出した異常度に基づいて、装置のユーザに提供する画像データを生成する手段である。画像生成部１４は、生成した画像データを、装置の外部に出力してもよい。生成した画像は、例えば、画像表示装置に出力してもよいし、ネットワークを介して接続された装置に送信してもよい。 The image generation unit 14 is means for generating image data to be provided to the user of the device based on the abnormality degree calculated by the abnormality degree calculation unit 13. The image generation unit 14 may output the generated image data to the outside of the device. The generated image may be output to, for example, an image display device or may be transmitted to a device connected via a network.
次に、装置が取得した複数のセンサデータを特徴量に変換する処理について説明する。図２は、時系列形式で取得した複数のセンサデータを例示する図である。本例では、工作機械が、センサをＭ個有しており、それぞれのセンサがセンサデータを出力するものとする。すなわち、センサデータ１〜Ｍの、Ｍ個のセンサデータが取得される。 Next, a process of converting a plurality of sensor data acquired by the device into feature quantities will be described. FIG. 2 is a diagram illustrating a plurality of sensor data acquired in a time series format. In this example, the machine tool has M sensors, and each sensor outputs sensor data. That is, M pieces of sensor data of the sensor data 1 to M are acquired.
特徴量算出部１２が行う特徴量生成方法には、二種類の方法がある。
第一の方法は、それぞれのセンサデータから任意の区間を抽出し、その値を積分する方法である。例えば、図２に示したように、時刻ｔsからｔeまでの区間を特定し、各センサデータについて、該当する区間におけるセンサ値を積分し、Ｍ次元のベクトルの要素としたものを特徴量とする。この場合、時刻ｔsおよびｔeは、対象の工作機械における特徴が現れている区間をユーザが指定することで生成してもよいし、試行錯誤的に求めた値を用いてもよい。
There are two types of feature amount generation methods performed by the feature amount calculation unit 12.
The first method is a method of extracting an arbitrary section from each sensor data and integrating the value. For example, as shown in FIG. 2, the section from time t s to t e is specified, the sensor value in each section is integrated for each sensor data, and the feature value is the element of the M-dimensional vector. And In this case, the times t s and t e may be generated by the user designating the section in which the characteristics of the target machine tool appear, or may be the values obtained by trial and error.
第二の方法は、センサデータにおけるトリガの発生を監視し、トリガの発生から遡って取得した時系列データを特徴量とする方法である。図３を参照して詳しく説明する。
本方法においては、センサデータごとに閾値ｙ1 th〜ｙM thを設定し、センサ値が閾値を満たしたセンサデータが発生したことをトリガとして、特徴量の生成を開始する。図示した例では、Ｍ番目のセンサデータが閾値ｙM thを超過したタイミングｔ*を特定し、さらに、Ｔステップだけ遡った区間を抽出する。図示した例では、５つのセンサ値がそれぞれセンサごとに抽出されるため、これらをＭ×Ｔ次元のベクトルの要素としたものを特徴量と
する。遡るステップ数Ｔは、設計値としてもよいし、動的に決定してもよい。
The second method is a method of monitoring the occurrence of a trigger in sensor data and using time-series data acquired retroactively from the occurrence of the trigger as a feature amount. This will be described in detail with reference to FIG.
In this method, the threshold values y 1 th to y M th are set for each sensor data, and the generation of the feature amount is started with the occurrence of the sensor data whose sensor value satisfies the threshold value as a trigger. In the illustrated example, the timing t * at which the M- th sensor data exceeds the threshold y M th is specified, and the section traced back by T steps is extracted. In the illustrated example, five sensor values are extracted for each sensor, so that these elements are M×T-dimensional vector elements to be used as the feature amount. The number of steps T to be traced back may be a design value or may be dynamically determined.
なお、生成した特徴量は、必要に応じて、任意の手法によって正規化してもよい。正規化は、例えば、分散正規化により行ってもよいし、最小最大正規化により行ってもよい。また、時系列データを特徴量に変換するものであれば、例示した方法以外を採用することも可能である。 In addition, the generated feature amount may be normalized by an arbitrary method as necessary. The normalization may be performed by, for example, variance normalization or minimum/maximum normalization. Further, as long as the time series data is converted into the feature amount, it is possible to adopt a method other than the exemplified method.
次に、異常判定装置１０が行う学習処理について説明する。図４は、センサデータに基づいて異常度算出部１３を学習させる処理の流れを示すフローチャートである。
異常度算出部１３の学習は、学習用データを用いて行われる。学習用データは、異常が発生しているか否かが明確な状況下において生成されたセンサデータである。
Next, the learning process performed by the abnormality determination device 10 will be described. FIG. 4 is a flowchart showing a flow of processing for learning the abnormality degree calculating unit 13 based on the sensor data.
The learning of the abnormality degree calculation unit 13 is performed using the learning data. The learning data is sensor data generated under a situation where it is clear whether or not an abnormality has occurred.
まず、ステップＳ１１において、センサデータの入力インターフェースであるセンサデータ取得部１１が、対象の工作機械からセンサデータを取得する。本ステップでは、工作機械が行う複数の動作プロセスにおいて発生する複数のセンサデータを、動作プロセスごとに取得する。動作プロセスとは、例えば、対象の工作機械が製品を加工する機械である場合、一個の製品を加工するプロセスとすることができる。
前述したように、センサデータ取得部１１は、対象の工作機械から複数のセンサデータを取得し、特徴量算出部１２へ出力する。
First, in step S11, the sensor data acquisition unit 11, which is an input interface for sensor data, acquires sensor data from the target machine tool. In this step, a plurality of sensor data generated in a plurality of operation processes performed by the machine tool are acquired for each operation process. The operation process can be, for example, a process for processing one product when the target machine tool is a machine for processing the product.
As described above, the sensor data acquisition unit 11 acquires a plurality of sensor data from the target machine tool and outputs the sensor data to the feature amount calculation unit 12.
ところで、特徴量に基づいて判定器を学習させるためには、（１）対象の工作機械が正常稼働している状況下で取得したセンサデータか、（２）対象の工作機械の稼働状況（正常／異常）を示すラベルとセンサデータとの組み合わせ、のいずれかを用意する必要がある。ステップＳ１２は、後者を採用する場合において必要となるステップである。 By the way, in order to learn the determiner based on the feature amount, (1) sensor data acquired under the condition that the target machine tool is operating normally, or (2) operation status of the target machine tool (normal /Abnormality) label and sensor data in combination. Step S12 is a step required when adopting the latter.
具体的には、対象の工作機械の稼働状況を示すラベル（正常／異常）を付与する。ラベルは装置のユーザが付与してもよいし、装置の外部から与えてもよい。付与されたラベルは、異常度算出部１３へ入力され、後述する学習処理において用いられる。なお、ステップＳ１２では、ラベルを付与する代わりに、正常な稼働状況下で得られなかったセンサデータを削除する処理を行ってもよい。 Specifically, a label (normal/abnormal) indicating the operating status of the target machine tool is attached. The label may be given by the user of the device or may be given from outside the device. The given label is input to the abnormality degree calculation unit 13 and used in the learning process described later. In addition, in step S12, instead of attaching the label, a process of deleting the sensor data that was not obtained under the normal operating condition may be performed.
ステップＳ１３では、特徴量算出部１２が、ステップＳ１１で取得した複数のセンサデータに対して、前述した方法で特徴量を生成する。
生成されたＭ組の特徴量は異常度算出部１３に入力され、ステップＳ１４で学習が行われる。具体的には、教師なし学習を行う場合、対象の工作機械が正常稼働している状況下で取得したセンサデータから得られた特徴量を用いて学習を行う。また、教師あり学習を行う場合、対象の工作機械の稼働状況（正常／異常）を示すラベルと特徴量の組み合わせを用いて学習を行う。これにより、異常判定を行うためのモデルを構築することができる。
図５は、学習に利用される特徴量を例示した図である。図５（Ａ）が、教師なし学習を行う場合の学習データであり、図５（Ｂ）が、教師あり学習を行う場合の学習データである。
In step S13, the characteristic amount calculation unit 12 generates a characteristic amount for the plurality of sensor data acquired in step S11 by the method described above.
The generated M sets of feature quantities are input to the abnormality degree calculation unit 13, and learning is performed in step S14. Specifically, when performing unsupervised learning, the learning is performed using the feature amount obtained from the sensor data acquired under the situation where the target machine tool is operating normally. In the case of performing supervised learning, the learning is performed using a combination of a label indicating the operating status (normal/abnormal) of the target machine tool and a feature amount. Thereby, a model for making an abnormality determination can be constructed.
FIG. 5 is a diagram exemplifying the feature amount used for learning. FIG. 5A shows learning data when performing unsupervised learning, and FIG. 5B shows learning data when performing supervised learning.
教師なし学習を行う場合、判定器として、ガウシアングラフィカルモデル（ＧＧＭ）、変文オートエンコーダ（ＶＡＥ）、単クラスサポートベクタマシン等を利用することができる。
また、教師あり学習を行う場合、判定器として、サポートベクタマシン（ＳＶＭ）、ランダムフォレスト、畳み込みニューラルネットワーク（ＣＮＮ）等を利用することができる。
When performing unsupervised learning, Gaussian graphical model (GGM), metamorphic automatic encoder (VAE), single class support vector machine, etc. can be used as a determiner.
When performing supervised learning, a support vector machine (SVM), a random forest, a convolutional neural network (CNN), or the like can be used as a determiner.
次に、学習済みの異常度算出部１３が、評価用データに対して行う異常判定の方法について説明する。図６は、異常度算出部１３が、評価用データに対して行う異常判定処理（評価処理）のフローチャートである。
評価処理は、複数の動作プロセスについてセンサデータが収集および蓄積されたタイミングで実行される。
Next, the abnormality determination method performed by the learned abnormality degree calculation unit 13 on the evaluation data will be described. FIG. 6 is a flowchart of the abnormality determination processing (evaluation processing) performed by the abnormality degree calculation unit 13 on the evaluation data.
The evaluation process is executed at the timing when sensor data is collected and accumulated for a plurality of operation processes.
まず、ステップＳ２１で、センサデータまたは動作プロセスを対象として異常スコアを算出する。本ステップで算出する異常スコアが、本発明における第一のスコアである。
ここで、識別機としてガウシアングラフィカルモデルを用いた場合の、異常スコアの算出方法について説明する。
First, in step S21, an abnormality score is calculated for the sensor data or the operation process. The abnormality score calculated in this step is the first score in the present invention.
Here, a method of calculating an abnormality score when a Gaussian graphical model is used as an identifier will be described.
ステップＳ２１では、まず、動作プロセス自体の異常スコアを算出する。
以下の説明において、ｔは動作プロセスの番号、αtは動作プロセスｔにおける異常ス
コアである。また、Λは判定器の学習によって得られた精度行列であり、ｘは動作プロセスｔにおける特徴量ベクトルである。また、μは特徴量ベクトルｘの平均である。
In the following description, t is the operation process number, and α t is the abnormality score in the operation process t. Further, Λ is an accuracy matrix obtained by learning of the determiner, and x is a feature amount vector in the operation process t. Further, μ is the average of the feature amount vector x.
次に、各動作プロセスにおける各センサデータの異常スコアを算出する。
ここでは、動作プロセスｔ，センサデータｉの異常スコアをαt,iとし、以下の式（２
）によって算出する。
Here, the abnormality score of the operation process t and the sensor data i is α t,i , and the following equation (2
).
なお、各センサデータの異常スコアを算出してから、動作プロセスの異常スコアを算出することも可能である。例えば、式（３）に示したように、各センサデータの異常スコアαt,iを算出したのち、動作プロセスｔにおいて異常スコアが最大を示しているセンサデ
ータｉを特定し、当該センサデータの異常スコアを、動作プロセスｔに対応する異常スコアαtとしてもよい。このように、センサデータの異常スコアの代表値を動作プロセスご
とに求め、当該代表値を、動作プロセスに対応する異常スコアとしてもよい。
次に、ステップＳ２２で、異常を示しているセンサデータ、または、異常を示している動作プロセスがあるか否かを判定する。例えば、ある動作プロセスにおいて算出した異常スコアαt,iが閾値を超えている場合、動作プロセスｔにおいてセンサデータｉが異常を
示していると判定できる。また、ある動作プロセスに対応する異常スコアαtが閾値を超
えている場合、動作プロセスｔ自体が何らかの異常を示していると判定できる。
ステップＳ２２で肯定判定となった場合、処理はステップＳ２３へ遷移する。
Next, in step S22, it is determined whether or not there is sensor data indicating an abnormality or an operation process indicating an abnormality. For example, when the abnormality score α t,i calculated in a certain operation process exceeds the threshold value, it can be determined that the sensor data i indicates an abnormality in the operation process t. Further, when the abnormality score α t corresponding to a certain operation process exceeds the threshold value, it can be determined that the operation process t itself indicates some abnormality.
If an affirmative decision is made in step S22, then the processing transitions to step S23.
ステップＳ２３では、該当する動作プロセスについて、センサデータのペア（複合センサデータ）を生成し、全てのペアにおける異常スコアを算出する。式（４）は、異常スコアの算出式である。なお、ｉおよびｊはセンサデータを表す。また、各変数の意味は以下の通りである。
ｘ{i,j}：特徴量ベクトルｘのうち、ｉ，ｊのみを残した２個の成分のベクトル
ｘ-{i,j}：特徴量ベクトルｘのうち、ｉ，ｊ以外を残したＤ−２個の成分のベクトル
Λ{i,j},{i,j}：学習された精度行列のうち、行および列ともにｉ，ｊのみを残した２×
２の行列
Λ{i,j},-{i,j}：学習された精度行列のうち、行ｉ，ｊのみを残し、列はｉ，ｊ以外を残した、２×（Ｄ−２）の行列
Ｎ（ｘ｜μ，Λ）：平均μ、精度行列Λの多変量正規分布の確率密度関数
x {i,j} : A vector of two components in which only i,j of the feature amount vector x are left x- {i,j} : D of the feature amount vector x other than i,j -Vector of two components Λ {i,j},{i,j} : 2× in which only i and j are left for both rows and columns in the learned precision matrix
2 matrix Λ {i,j},-{i,j} : Of the learned precision matrix, only rows i and j are left, and columns other than i and j are left 2×(D-2) Matrix N(x|μ, Λ): mean μ, probability density function of multivariate normal distribution of precision matrix Λ
なお、本ステップでは、ステップＳ２２において異常が認められた動作プロセスのみに対して異常スコアを算出するものとするが、他の動作プロセスに対しても異常スコアの算出処理を行ってもよい。本ステップで算出する異常スコアが、本発明における第二のスコアである。 In this step, the abnormality score is calculated only for the operation process in which the abnormality is recognized in step S22, but the abnormality score calculation process may be performed for other operation processes. The abnormality score calculated in this step is the second score in the present invention.
次に、ステップＳ２４で、算出された異常スコアのうち、閾値を超えているものが存在するか否かを判定する。ここで肯定判定であった場合、処理はステップＳ２６へ遷移し、異常度算出部１３が、該当するセンサデータの組み合わせを画像生成部１４に出力する。 Next, in step S24, it is determined whether or not any of the calculated abnormality scores exceeds the threshold. If an affirmative determination is made here, the process proceeds to step S26, and the abnormality degree calculation unit 13 outputs the combination of the relevant sensor data to the image generation unit 14.
ステップＳ２４で否定判定となった場合、センサデータの組み合わせは異常を示しておらず、ステップＳ２２の判定の根拠となったセンサデータのみに異常が見られることを意味するため、異常度算出部１３が、当該センサデータを単体で画像生成部１４に出力する。 When a negative determination is made in step S24, the combination of sensor data does not indicate abnormality, which means that only the sensor data that is the basis of the determination in step S22 has abnormality. Therefore, the abnormality degree calculation unit 13 Outputs the sensor data alone to the image generation unit 14.
次いで、画像生成部１４が、取得したセンサデータに基づいて画像を生成する。
図７は、画像生成部１４が生成する画像の例である。本例では、画像生成部１４が、動作プロセス単位で算出した異常スコアと、センサデータ単位で算出した異常スコアをそれぞれ異なる領域に配置した画像を生成する。
Next, the image generation unit 14 generates an image based on the acquired sensor data.
FIG. 7 is an example of an image generated by the image generation unit 14. In this example, the image generation unit 14 generates an image in which the abnormality score calculated for each operation process and the abnormality score calculated for each sensor data are arranged in different regions.
領域７０１は、動作プロセス単位で算出した異常スコアを表示する領域である。横軸が動作プロセスを表し、縦軸が異常スコアを表す。これにより、異常が認められた動作プロセスを視覚化することができる。
領域７０２は、センサデータ単位で算出した異常スコアを表示する領域である。横軸が動作プロセスを表し、色相や明度によって異常スコアを表す。すなわち、領域７０２にはヒートマップが表示される。これにより、異常が認められたセンサデータを視覚化することができる。
The area 701 is an area for displaying the abnormality score calculated for each operation process. The horizontal axis represents the operation process, and the vertical axis represents the abnormality score. Thereby, it is possible to visualize the operation process in which the abnormality is recognized.
The area 702 is an area for displaying the abnormality score calculated for each sensor data. The horizontal axis represents the operation process, and the anomaly score is represented by hue and lightness. That is, the heat map is displayed in the area 702. Thereby, the sensor data in which the abnormality is recognized can be visualized.
ここで、異常スコアが閾値を超えているセンサデータ（ないし動作プロセス）がある場合、該当する部分を強調表示してもよい。強調は、色相や明度によって行ってもよいし、符号７０３のように図形を重畳することで行ってもよい。
さらに、複合センサデータの異常スコアが閾値を超えている場合、その旨を強調表示してもよい。例えば、「ｔ番目の動作プロセスにおいて、センサデータ１とセンサデータ３の組み合わせに異常が見られる」といった情報を提示することもできる。
Here, if there is sensor data (or an operation process) whose abnormality score exceeds the threshold value, the corresponding portion may be highlighted. The enhancement may be performed by the hue or the brightness, or may be performed by superimposing a figure as indicated by
Further, when the abnormality score of the composite sensor data exceeds the threshold value, that effect may be highlighted. For example, information such as "abnormality is found in the combination of the sensor data 1 and the sensor data 3 in the t-th operation process" can be presented.
さらに、特定のセンサデータを指定した場合に、複合センサデータ（すなわち、当該センサデータと、他のセンサデータとの組み合わせ）に係る異常スコアを閲覧できるようにしてもよい。図８は、複合センサデータの異常スコアを閲覧する画面の例である。例えば、特定のセンサデータ（本例では、センサデータ１）を選択することで、当該センサデータと、他のセンサデータの組み合わせに係る異常スコアの遷移を示すことができる。図示した例では、センサデータ１とセンサデータ３を組み合わせた場合に、異常スコアが高くなる傾向があることがわかる。 Furthermore, when specific sensor data is designated, the abnormality score related to the composite sensor data (that is, the combination of the sensor data and other sensor data) may be browsed. FIG. 8 is an example of a screen for browsing the abnormality score of the composite sensor data. For example, by selecting specific sensor data (sensor data 1 in this example), it is possible to indicate the transition of the abnormality score related to the combination of the sensor data and other sensor data. In the illustrated example, it can be seen that the anomaly score tends to increase when the sensor data 1 and the sensor data 3 are combined.
なお、図７および図８に示した画像は一例であり、画像生成部１４は、他の形式の画像を生成してもよい。例えば、「異常が認められた動作プロセスを識別する情報」、「異常が認められたセンサデータ（または関連付いたセンサ）を識別する情報」、「異常が認められた複合センサデータ（または関連付いたセンサの組み合わせ）を識別する情報」などを出力すればよい。 The images shown in FIGS. 7 and 8 are examples, and the image generation unit 14 may generate images in other formats. For example, "information that identifies an operating process in which an anomaly has been recognized", "information that identifies sensor data that has an anomaly (or associated sensor)", "composite sensor data that has an anomaly (or associated information)" Information for identifying the sensor combination)” and the like.
以上に説明したように、本実施形態に係る異常判定装置によると、複数のセンサデータのうちのいずれか、または、複数の動作プロセスのうちのいずれかに異常が認められた場合に、センサデータのペアを生成し、複合的要因に係る異常スコアを算出する。これにより、あるパラメータに影響を及ぼす他のパラメータを特定することができ、詳細な要因解析を行うことができる。
さらに、所定のルールに従って時系列データを切り出して特徴量を生成するため、ユーザが検出したい事象に合わせて特徴量を柔軟に設計することができる。
As described above, according to the abnormality determination device according to the present embodiment, when an abnormality is detected in any of the plurality of sensor data or in the plurality of operation processes, the sensor data And generate an anomaly score related to a composite factor. As a result, other parameters that influence a certain parameter can be specified, and detailed factor analysis can be performed.
Furthermore, since the time series data is cut out according to a predetermined rule to generate the feature amount, the feature amount can be flexibly designed according to the event that the user wants to detect.
（変形例）
上記の実施形態はあくまでも一例であって、本発明はその要旨を逸脱しない範囲内で適宜変更して実施しうる。
(Modification)
The above-described embodiment is merely an example, and the present invention can be implemented with appropriate modifications without departing from the scope of the invention.
例えば、実施形態の説明では、異常判定の対象を工作機械としているが、対象はこれに限られない。複数の動作プロセスによって動作する機械であれば、工作機械、加工機械、検査装置などに適用することができる。動作プロセスとは、例えば、製品を製造／加工／検査するプロセスとすることができる。 For example, in the description of the embodiment, the target of the abnormality determination is the machine tool, but the target is not limited to this. A machine that operates by a plurality of operation processes can be applied to a machine tool, a processing machine, an inspection device, or the like. The operation process can be, for example, a process of manufacturing/processing/inspecting a product.
さらに、対象を自動車としてもよい。例えば、対象が自動車である場合、車両によって収集される各種データ（ＣＡＮデータ、ナビプローブデータ、ＥＣＵデータ等）をセンサデータとして扱うこともできる。また、対象が自動車である場合、異常動作として、エンジンストップやガス欠といった事象（ないしその予兆）を検出することができる。対象が自動車である場合、一回のトリップ、一トリップ内における加減速シーケンス、特定区間の走行などを一動作プロセスとすることができる。 Further, the target may be an automobile. For example, when the target is an automobile, various data collected by the vehicle (CAN data, navigation probe data, ECU data, etc.) can be treated as sensor data. Further, when the target is a car, an event (or a sign thereof) such as engine stop or gas shortage can be detected as an abnormal operation. When the target is a vehicle, one operation process may be one trip, an acceleration/deceleration sequence within one trip, traveling in a specific section, or the like.
また、実施形態の説明では、センサおよびセンサデータという語を用いたが、機械が動作する際のパラメータ（変数）に関連付いたものであれば、センサデータは必ずしもセンシング結果を示すものでなくてもよい。例えば、サーボモータのコントローラに蓄積される電流値や位置情報などを用いてもよい。 Although the terms sensor and sensor data are used in the description of the embodiments, the sensor data does not necessarily indicate the sensing result as long as it is associated with a parameter (variable) when the machine operates. Good. For example, a current value or position information accumulated in the controller of the servo motor may be used.
本発明における異常判定装置１０は、半導体集積回路（ＬＳＩ）による実装に限定されず、汎用的なマイクロプロセッサやメモリを有するコンピュータがプログラムを実行することによって実現されても構わない。 The abnormality determination device 10 in the present invention is not limited to mounting by a semiconductor integrated circuit (LSI), and may be realized by a computer having a general-purpose microprocessor or memory executing a program.
また、実施形態の説明では、同一の装置が学習処理と評価処理の双方を行ったが、学習処理を行う装置と、評価処理を行う装置が分かれていてもよい。さらに、異常判定装置１０から、学習処理に関連した手段を省いてもよい。例えば、例示した異常判定装置１０から、学習に関する手段を省略し、評価処理のみを行う装置として実施してもよい。
この場合、学習済みの異常度算出部１３（または、異常度算出部１３が有する判定器）を装置から論理的に切り離し、別の装置に組み込み可能に構成してもよい。例えば、実施形態に係る異常判定装置１０によって学習された異常度算出部１３を、評価処理のみを行う装置に組み込めるようにしてもよい。
また、反対に、学習処理のみを行う装置として発明を実施してもよい。
Further, in the description of the embodiments, the same device performs both the learning process and the evaluation process, but the device that performs the learning process and the device that performs the evaluation process may be separated. Further, means related to the learning process may be omitted from the abnormality determination device 10. For example, the abnormality determination device 10 may be implemented as a device that performs only the evaluation process by omitting the learning-related means.
In this case, the learned degree-of-abnormality calculation unit 13 (or the determiner included in the degree-of-abnormality calculation unit 13) may be logically separated from the device so that it can be incorporated into another device. For example, the abnormality degree calculation unit 13 learned by the abnormality determination device 10 according to the embodiment may be incorporated in a device that performs only evaluation processing.
On the contrary, the invention may be implemented as a device that performs only the learning process.
１０・・・異常判定装置
１１・・・センサデータ取得部
１２・・・特徴量算出部
１３・・・異常度算出部
１４・・・画像生成部
10... Abnormality determination device 11... Sensor data acquisition unit 12... Feature amount calculation unit 13... Abnormality degree calculation unit 14... Image generation unit
Claims (7)
所定の期間における複数の前記設備データを特徴量に変換する変換手段と、
前記機械が正常稼働しているか否かが明確な状況下で取得した前記設備データを用いて学習させた機械学習モデルと、
前記機械学習モデルを用いて、評価対象である複数の設備データから、前記設備データのそれぞれ、または、前記動作プロセスのそれぞれに対応する異常度を示す第一のスコアを算出する第一の算出手段と、
前記第一のスコアが異常を示している場合に、第一の設備データと、第二の設備データとの組からなる複合設備データの異常度を示す第二のスコアを算出する第二の算出手段と、
前記第二のスコアが異常を示している場合に、前記複合設備データに含まれる第一の設備データと第二の設備データの組を出力する出力手段と、
を有する、異常判定装置。 Acquiring means for respectively acquiring time-series equipment data from a plurality of devices provided in the machine capable of executing a plurality of operation processes,
A conversion unit that converts a plurality of the facility data in a predetermined period into a feature amount,
A machine learning model trained using the equipment data acquired under clear circumstances whether the machine is operating normally,
Using the machine learning model, first calculating means for calculating a first score indicating an abnormality degree corresponding to each of the equipment data or each of the operation processes from a plurality of equipment data to be evaluated. When,
When the first score indicates an abnormality, a second calculation for calculating a second score indicating the abnormality degree of the combined equipment data that is a combination of the first equipment data and the second equipment data. Means and
When the second score indicates an abnormality, output means for outputting a set of first equipment data and second equipment data included in the complex equipment data,
An abnormality determination device having:
請求項１に記載の異常判定装置。 The output means outputs only the first facility data that is an abnormal factor of the first score when the first score indicates an abnormality and the second score does not indicate an abnormality. ,
The abnormality determination device according to claim 1.
請求項１または２に記載の異常判定装置。 The second calculation means generates the second score for all combinations of the plurality of devices provided in the machine,
The abnormality determination device according to claim 1.
請求項３に記載の異常判定装置。 The second calculation means, when the first score indicates an abnormality, calculates the second score for the composite facility data corresponding to the operation process in which the abnormality has occurred,
The abnormality determination device according to claim 3.
請求項１から４のいずれかに記載の異常判定装置。 The first score, each of the equipment data, and is a score obtained by calculating the degree of abnormality corresponding to each of the operation process,
The abnormality determination device according to claim 1.
請求項１から５のいずれかに記載の異常判定装置。 The conversion means acquires time-series data that is traced back for a predetermined period from the timing when at least one of the plurality of facility data satisfies a predetermined condition, and converts the time-series data into the feature amount.
The abnormality determination device according to claim 1.
所定の期間における複数の前記設備データを特徴量に変換する変換ステップと、
前記機械が正常稼働しているか否かが明確な状況下で取得した前記設備データを用いて学習させた機械学習モデルを用いて、評価対象である複数の設備データから、前記設備データのそれぞれ、または、前記動作プロセスのそれぞれに対応する異常度を示す第一のスコアを算出する第一の算出ステップと、
前記第一のスコアが異常を示している場合に、第一の設備データと、第二の設備データとの組からなる複合設備データの異常度を示す第二のスコアを算出する第二の算出ステップと、
前記第二のスコアが異常を示している場合に、前記複合設備データに含まれる第一の設備データと第二の設備データの組を出力する出力ステップと、
を含む、異常判定方法。
An abnormality determination method for determining an abnormal operation of the machine based on time-series equipment data, obtained from a plurality of devices having a machine capable of executing a plurality of operation processes,
A conversion step of converting the plurality of facility data in a predetermined period into a feature amount,
Whether the machine is operating normally or not, using a machine learning model learned using the equipment data acquired under a clear situation, from a plurality of equipment data that is an evaluation target, each of the equipment data, Alternatively, a first calculation step of calculating a first score indicating an abnormality degree corresponding to each of the operation processes,
When the first score indicates an abnormality, a second calculation for calculating a second score indicating the abnormality degree of the combined equipment data that is a combination of the first equipment data and the second equipment data. Steps,
When the second score indicates an abnormality, an output step of outputting a pair of first equipment data and second equipment data included in the composite equipment data,
An abnormality determination method including.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018248059A JP2020107248A (en) | 2018-12-28 | 2018-12-28 | Abnormality determination device and abnormality determination method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018248059A JP2020107248A (en) | 2018-12-28 | 2018-12-28 | Abnormality determination device and abnormality determination method |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2020107248A true JP2020107248A (en) | 2020-07-09 |
Family
ID=71449219
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018248059A Pending JP2020107248A (en) | 2018-12-28 | 2018-12-28 | Abnormality determination device and abnormality determination method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2020107248A (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022224632A1 (en) * | 2021-04-20 | 2022-10-27 | パナソニックＩｐマネジメント株式会社 | Data processing system, data processing method, and program |
| WO2022269690A1 (en) * | 2021-06-21 | 2022-12-29 | 日本電信電話株式会社 | Abnormality detection device, abnormality detection method, and abnormality detection program |
| JP7586322B2 (en) | 2021-06-21 | 2024-11-19 | 日本電信電話株式会社 | Anomaly detection device, anomaly detection method, and anomaly detection program |
-
2018
- 2018-12-28 JP JP2018248059A patent/JP2020107248A/en active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022224632A1 (en) * | 2021-04-20 | 2022-10-27 | パナソニックＩｐマネジメント株式会社 | Data processing system, data processing method, and program |
| EP4328688A4 (en) * | 2021-04-20 | 2024-10-16 | Panasonic Ip Man Co Ltd | Data processing system, data processing method, and program |
| WO2022269690A1 (en) * | 2021-06-21 | 2022-12-29 | 日本電信電話株式会社 | Abnormality detection device, abnormality detection method, and abnormality detection program |
| JP7586322B2 (en) | 2021-06-21 | 2024-11-19 | 日本電信電話株式会社 | Anomaly detection device, anomaly detection method, and anomaly detection program |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101842347B1 (en) | Plant system, and fault detecting method thereof | |
| JP6693938B2 (en) | Appearance inspection device | |
| CN109397703B (en) | Fault detection method and device | |
| JP5301310B2 (en) | Anomaly detection method and anomaly detection system | |
| US8040247B2 (en) | System for rapid detection of drowsiness in a machine operator | |
| KR102427205B1 (en) | Apparatus and method for generating training data of artificial intelligence model | |
| KR101316486B1 (en) | Error detection method and system | |
| JP5573743B2 (en) | Vehicle data analysis device, vehicle data analysis method, and failure diagnosis device | |
| JP5161829B2 (en) | Diagnostic device for supporting failure reproduction and output method of failure reproduction data | |
| US20150346066A1 (en) | Asset Condition Monitoring | |
| JP2018156151A (en) | Abnormality detecting apparatus and machine learning device | |
| JP7040851B2 (en) | Anomaly detection device, anomaly detection method and anomaly detection program | |
| JP2013218725A (en) | Abnormality detecting method and abnormality detecting system | |
| US11544554B2 (en) | Additional learning method for deterioration diagnosis system | |
| JP2014048697A (en) | Facility state monitoring method, and facility state monitoring device | |
| JP2009064407A (en) | Process analysis apparatus, process analysis method, and process analysis program | |
| US20210348985A1 (en) | Abnormality diagnostic device, abnormality diagnostic method, and program | |
| CN113485302A (en) | Vehicle operation process fault diagnosis method and system based on multivariate time sequence data | |
| CN110597235A (en) | Universal intelligent fault diagnosis method | |
| JP2020107248A (en) | Abnormality determination device and abnormality determination method | |
| JP6323121B2 (en) | Unknown data analyzer | |
| US12045156B2 (en) | Method for testing a product | |
| JP7396361B2 (en) | Abnormality determination device and abnormality determination method | |
| CN114450647B (en) | Diagnosis of technical systems | |
| JP5050551B2 (en) | Estimation result evaluation method, estimation result evaluation program, and estimation result evaluation apparatus |