JP6499737B2 - Telescopic cover abnormality occurrence estimation device and abnormality occurrence estimation method - Google Patents
Telescopic cover abnormality occurrence estimation device and abnormality occurrence estimation method Download PDFInfo
- Publication number
- JP6499737B2 JP6499737B2 JP2017174459A JP2017174459A JP6499737B2 JP 6499737 B2 JP6499737 B2 JP 6499737B2 JP 2017174459 A JP2017174459 A JP 2017174459A JP 2017174459 A JP2017174459 A JP 2017174459A JP 6499737 B2 JP6499737 B2 JP 6499737B2
- Authority
- JP
- Japan
- Prior art keywords
- abnormality
- physical quantity
- telescopic cover
- learning
- feature
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Description
本発明は、テレスコピックカバーの異常発生推定装置及び異常発生推定方法に関し、特にテレスコピックカバーの破断やクッション部品の摩耗/破損等の異常の発生を予知する技術に関する。 The present invention relates to a telescopic cover abnormality occurrence estimation apparatus and abnormality occurrence estimation method, and more particularly to a technique for predicting the occurrence of abnormality such as breakage of a telescopic cover and wear / breakage of cushion parts.
テレスコピックカバーは、工作機械が加工を行う際に発生する切粉や切削液から、工作機械の内部機構を保護するためのカバーである。このテレスコピックカバーは、パンタグラフ等の伸縮部材によって多段式の金属製カバーを駆動することにより、カバーを開閉させる構造を有している。 The telescopic cover is a cover for protecting the internal mechanism of the machine tool from chips and cutting fluid generated when the machine tool performs machining. This telescopic cover has a structure in which the cover is opened and closed by driving a multi-stage metal cover with an extensible member such as a pantograph.
テレスコピックカバーは、長期にわたり使用すると様々な状態で破損することがある。図1に、テレスコピックカバーの典型的な破損状態を示す。破線で囲われた箇所が破損個所である。図1の上図は、金属製カバーの表面が破損した状態である。中図は、金属製カバーを駆動するためのパンタグラフが破断した状態である。下図は、脱落した金属製カバーが他の金属製カバーに引っかかり、破損した状態である。このような破損は、例えば各部の疲労や摩耗による経年劣化、固定ネジの緩みや脱落、ワークの落下による変形、操作ミス等、様々な要因により発生する。 The telescopic cover may be damaged in various states when used for a long time. FIG. 1 shows a typical broken state of the telescopic cover. The part surrounded by the broken line is the damaged part. The upper view of FIG. 1 shows a state where the surface of the metal cover is damaged. The middle figure shows a state in which the pantograph for driving the metal cover is broken. In the figure below, the dropped metal cover is caught by another metal cover and damaged. Such breakage occurs due to various factors such as aging deterioration due to fatigue or wear of each part, loosening or dropping off of fixing screws, deformation due to dropping of a workpiece, operation mistakes, and the like.
また、テレスコピックカバーを構成するテレスコピック状の板金カバーは、固定部と可動部とからなり、可動部の動作開始時や動作停止時の衝撃を緩和するために、ゴムや樹脂、スポンジなどのクッション部品が使用され、それらのクッション部品が板金カバー内部に取り付けられることが一般的である。テレスコピックカバーのクッション部品は、テレスコピックカバーの可動部が動作している間は常に衝撃を受けるため摩耗や破損が発生する。このクッション部品は、通常は消耗品として交換することを前提に設計されているため、定期的な点検や部品交換が必要となるが、使用環境上、また板金カバーの構造上の制約から、前記の通り板金カバー内部に取り付けられることが一般的である。 In addition, the telescopic sheet metal cover that constitutes the telescopic cover consists of a fixed part and a movable part, and cushion parts such as rubber, resin, and sponge to alleviate the impact when the movable part starts and stops. Are generally used, and the cushion parts are mounted inside the sheet metal cover. Since the cushion part of the telescopic cover is always subjected to an impact while the movable part of the telescopic cover is operating, wear and breakage occur. Since this cushion part is usually designed on the assumption that it will be replaced as a consumable part, periodic inspections and parts replacement are required. However, due to restrictions in the usage environment and the structure of the sheet metal cover, It is common to be attached inside the sheet metal cover.
図2に、クッション部品が取り付けられたテレスコピックカバーの一例を示す。図2の上図は、工作機械のテーブルの四辺にテレスコピックカバーが取り付けられている状態を示している。また、図2の下図は、テレスコピックカバー内部のクッション部品の取り付け状態を示す図である(点線で表した部分は、他の板金カバーの下に入り込んで見えない部分を透過させたものである)。図2の下図に示すように、クッション部品はテレスコピックカバーが伸縮した際に衝突する部分に取り付けられる。その為、クッション部品に摩耗や破損が生じると、テレスコピックカバーの伸縮時に板金カバー同士が衝突して板金カバー自体が破損する。クッション部品の破損や摩耗は、定期的な点検や部品交換で回避できるものの、クッション部品の状態確認や部品交換は板金カバーを外して行う必要があるなど、簡単には出来ないため、ユーザの中には点検作業を怠って使用を続ける場合もあり、そのような場合には結果的にクッション部品の摩耗や破損だけではなく、板金カバー本体も破損に至ることがある。 FIG. 2 shows an example of a telescopic cover to which a cushion component is attached. The upper diagram of FIG. 2 shows a state where telescopic covers are attached to the four sides of the table of the machine tool. Moreover, the lower figure of FIG. 2 is a figure which shows the attachment state of the cushion components inside a telescopic cover (the part shown with the dotted line penetrated the other sheet-metal cover, and the part which cannot be seen is permeate | transmitted) . As shown in the lower diagram of FIG. 2, the cushion component is attached to a portion that collides when the telescopic cover expands and contracts. For this reason, when the cushion part is worn or damaged, the sheet metal covers collide with each other when the telescopic cover expands and contracts, and the sheet metal cover itself is damaged. Although damage and wear of the cushion parts can be avoided by periodic inspections and parts replacement, it is not easy to check the condition of the cushion parts or replace the parts with the sheet metal cover removed. In some cases, the inspection operation may be neglected and the use may be continued. In such a case, not only the wear and damage of the cushion parts but also the sheet metal cover main body may be damaged.
このような破損が発生してしまうと、工作機械の安全かつ安定した稼働に支障が生じるばかりか、修理に多大な時間とコストを要する。そこで、特許文献1には、テレスコピックカバーの伸縮動作に異常が生じた場合に早急にその状態を検知する方法が記載されている。この方法では、テレスコピックカバー内部に発光部と受光部とを設け、発光部が発生した光が板体により遮断されて受光部に受光されない場合に、異常が発生したと判断する。 If such damage occurs, not only will the safe and stable operation of the machine tool be disturbed, but it will also take a lot of time and cost for repair. Therefore, Patent Document 1 describes a method of detecting the state immediately when an abnormality occurs in the telescopic cover extending and contracting operation. In this method, a light emitting unit and a light receiving unit are provided inside the telescopic cover, and it is determined that an abnormality has occurred when light generated by the light emitting unit is blocked by the plate and is not received by the light receiving unit.
しかしながら、特許文献1記載の方法では、予め想定された部材の、予め想定された態様の変形等の異常のみしか検出することができない。また、あくまでも異常が発生したときにそれを早期に検出できるという効果が得られるに過ぎず、異常の発生につながる事象を捉えて異常の発生事態を予知するという効果を得ることはできない。 However, the method described in Patent Document 1 can detect only abnormalities such as deformation of a previously assumed member of a previously assumed member. Moreover, it is only possible to obtain an effect that an abnormality can be detected at an early stage, and it is not possible to obtain an effect of predicting the occurrence of an abnormality by capturing an event that leads to the occurrence of the abnormality.
本発明は、このような問題点を解決するためになされたものであり、テレスコピックカバーの破断やクッション部品の摩耗/破損等の異常の発生を予知することができる異常発生推定装置及び異常発生推定方法を提供することを目的とする。 The present invention has been made to solve such problems, and an abnormality occurrence estimation apparatus and an abnormality occurrence estimation capable of predicting the occurrence of abnormality such as breakage of a telescopic cover and wear / breakage of cushion parts. It aims to provide a method.
本発明の一実施の形態にかかるテレスコピックカバーの異常発生推定装置は、装置に取り付けられたテレスコピックカバーに関する異常の発生を推定する異常発生推定装置であって、前記装置の稼働時に取得された少なくとも前記装置が発する音又は前記装置の電流値のいずれかを含む物理量から抽出された特徴量と、前記テレスコピックカバーに発生した少なくとも異常発生箇所を含む異常に関する情報とに基づいて教師あり学習した学習結果を記憶する学習結果記憶部と、前記装置の稼働時に少なくとも前記装置が発する音又は前記装置の電流値のいずれかを含む物理量を取得する物理量取得部と、前記物理量取得部が取得した前記物理量に基づいて、前記物理量の特徴量を抽出する特徴量抽出部と、前記学習結果記憶部に記憶された前記学習結果と、前記特徴量抽出部が抽出した前記特徴量とに基づいて、前記装置の稼働時に前記テレスコピックカバーに発生しうる少なくとも異常発生箇所を含む異常を推定する異常推定部と、前記異常推定部が推定した前記異常を出力する推定結果出力部と、を備える。 An abnormality occurrence estimation device for a telescopic cover according to an embodiment of the present invention is an abnormality occurrence estimation device for estimating the occurrence of an abnormality relating to a telescopic cover attached to the device, and is obtained at least when the device is operated. A supervised learning result based on a feature quantity extracted from a physical quantity including either a sound emitted from the apparatus or a current value of the apparatus, and information on an abnormality including at least an abnormality occurrence position generated in the telescopic cover. Based on the learning result storage unit that stores, the physical quantity acquisition unit that acquires at least the sound generated by the device or the current value of the device when the device is in operation, and the physical quantity acquired by the physical quantity acquisition unit A feature quantity extraction unit that extracts the feature quantity of the physical quantity, and a previous stored in the learning result storage unit Learning result and, on the basis of said feature quantity the feature extraction unit has extracted, and the abnormality estimating unit for estimating the abnormalities including at least abnormality occurrence position may occur on the telescopic cover during operation of the apparatus, the abnormality estimation an estimation result output unit for outputting the abnormality section is estimated, Ru comprising a.
他の実施の形態にかかるテレスコピックカバーの異常発生推定装置は、前記装置の稼働時に取得された前記物理量から抽出された特徴量と、前記テレスコピックカバーに発生した異常に関する情報とに基づいて教師あり学習をし、当該学習の結果を前記学習結果記憶部に記憶する教師あり学習部を更に備える。 A telescopic cover abnormality occurrence estimation device according to another embodiment is a supervised learning based on a feature amount extracted from the physical quantity acquired during operation of the device and information on an abnormality occurring in the telescopic cover. was further Ru comprising a supervised learning unit for storing the result of the learning to the learning result storage unit.
他の実施の形態にかかるテレスコピックカバーの異常発生推定装置は、前記物理量の特徴量は、前記物理量の特徴を示す数値である。 Abnormality estimation apparatus of the telescopic cover according to another embodiment, the feature amount of the physical quantity, Ru numerical der showing a characteristic of the physical quantity.
他の実施の形態にかかるテレスコピックカバーの異常発生推定装置は、前記物理量取得部は、加工プログラムによる前記装置の稼動時に前記物理量を取得する。 Abnormality estimation apparatus of the telescopic cover according to another embodiment, the physical quantity acquisition unit, get the physical quantity during operation of the device according to the machining program.
他の実施の形態にかかるテレスコピックカバーの異常発生推定装置は、前記物理量取得部は、前記加工プログラムのブロックの内、予め定めた所定のブロックによる前記装置の稼動時に前記物理量を取得する。 Abnormality estimation apparatus of the telescopic cover according to another embodiment, the physical quantity acquisition unit, among the blocks of the machining program, obtain the physical quantity during operation of the device according to the preset predetermined block.
他の実施の形態にかかるテレスコピックカバーの異常発生推定装置は、前記物理量取得部は、判定用プログラムによる前記装置の稼動時に前記物理量を取得する。 Abnormality estimation apparatus of the telescopic cover according to another embodiment, the physical quantity acquisition unit, get the physical quantity during operation of the device by the determining program.
他の実施の形態にかかるテレスコピックカバーの異常発生推定方法は、装置に取り付けられたテレスコピックカバーに関する異常発生推定方法であって、前記テレスコピックカバーを取り付けた状態で前記装置を稼働させる手順と、前記装置が稼働している際に少なくとも前記装置が発する音又は前記装置の電流値のいずれかを含む物理量を取得する手順と、前記取得した物理量の特徴量を抽出する手順と、前記テレスコピックカバーに発生した少なくとも異常発生箇所を含む異常に関する情報である正解情報、及び前記抽出された特徴量を入力とする教師あり学習を行なう手順と、前記教師あり学習の学習結果に基づいて前記装置が稼働している際に取得された少なくとも前記装置が発する音又は前記装置の電流値のいずれかを含む物理量の任意の特徴量が入力されたときに前記テレスコピックカバーに発生しうる少なくとも異常発生箇所を含む異常を推定する手順と、を含む。 Other abnormality estimation method of the telescopic cover according to the embodiment, a abnormality estimating method for telescopic cover attached to the apparatus, and procedures for operating the device in a state fitted with the telescopic cover, wherein the device Occurred in the telescopic cover, a procedure for acquiring a physical quantity including at least either a sound emitted from the device or a current value of the device, and a feature quantity of the acquired physical quantity when The apparatus is operated based on the correct answer information, which is information relating to an abnormality including at least an abnormality occurrence location, a procedure for performing supervised learning using the extracted feature amount as input, and the learning result of the supervised learning physical quantity comprising one of a current value of at least said device the sound or the device emits obtained when Wherein the steps of estimating the abnormalities including at least abnormality occurrence position can occur telescopic cover, the including when any feature quantity is input.
他の実施の形態にかかるテレスコピックカバーの異常発生推定方法は、前記物理量の特徴量は、該物理量の特徴を示す数値である。 Abnormality estimation method of the telescopic cover according to another embodiment, the feature amount of the physical quantity, Ru numerical der showing the characteristics of the physical quantity.
他の実施の形態にかかるテレスコピックカバーの異常発生推定方法は、加工プログラムによる前記装置の稼動時に前記物理量を取得する。 Abnormality estimation method of the telescopic cover according to another embodiment, obtain the physical quantity during operation of the device according to the machining program.
他の実施の形態にかかるテレスコピックカバーの異常発生推定方法は、前記加工プログラムのブロックの内、予め定めた所定のブロックによる前記装置の稼動時に前記物理量を取得する。 Abnormality estimation method of the telescopic cover according to another embodiment, the blocks of the machining program, obtain the physical quantity during operation of the device according to the preset predetermined block.
他の実施の形態にかかるテレスコピックカバーの異常発生推定方法は、判定用プログラムによる前記装置の稼動時に前記物理量を取得する。 Abnormality estimation method of the telescopic cover according to another embodiment, obtain the physical quantity during operation of the device by the determining program.
本発明によれば、テレスコピックカバーの破断やクッション部品の摩耗/破損等の異常の発生を予知することができる異常発生推定装置及び異常発生推定方法を提供することができる。本発明の異常発生推定装置を導入することにより、工作機械のユーザは定期的な点検や部品交換を行うことなく、テレスコピックカバーそのものや、該テレスコピックカバーに取り付けられたクッション部品が摩耗や破損して、板金カバーの保守が必要であることを認識することができ、機械が突然に破損・停止する前に、計画的に予防保全を実施することが可能になり、稼働率の向上や安定した生産の維持に繋がる。また、クッション部品が摩耗や破損した時点で、クッション部品などの消耗品のみの部品交換を行うことが出来るため、その後板金カバー自体が破損に至ることが防止でき、保守費用の低減や保守時間の削減に繋がる。 ADVANTAGE OF THE INVENTION According to this invention, the abnormality generation estimation apparatus and abnormality generation estimation method which can predict generation | occurrence | production of abnormality, such as a fracture | rupture of a telescopic cover and wear / breakage of cushion parts, can be provided. By introducing the abnormality estimation device of the present invention, the user of the machine tool wears and breaks the telescopic cover itself and the cushion parts attached to the telescopic cover without performing periodic inspections and replacement of parts. It is possible to recognize that the maintenance of the sheet metal cover is necessary, and it is possible to carry out preventive maintenance systematically before the machine suddenly breaks or stops, improving the operating rate and stable production Leading to maintenance. In addition, when the cushion parts are worn or damaged, it is possible to replace only consumable parts such as cushion parts, so that the sheet metal cover itself can be prevented from being damaged thereafter, reducing maintenance costs and reducing maintenance time. It leads to reduction.
以下、本発明の実施の形態を図面と共に説明する。
本発明では、機械学習を利用することによって、テレスコピックカバーにおける異常の発生を高精度に推定する。本発明の機械学習では、異常発生時及び正常時に発生する様々な物理量(振動、音、電流など)から特徴抽出を行い、抽出された特徴量と発生した異常(テレスコピックカバーの破損の位置や状態、クッション部品の摩耗状態/破損箇所、など)との関係を機械学習する。
Embodiments of the present invention will be described below with reference to the drawings.
In the present invention, the occurrence of abnormality in the telescopic cover is estimated with high accuracy by using machine learning. In the machine learning of the present invention, feature extraction is performed from various physical quantities (vibration, sound, current, etc.) that occur at the time of occurrence of abnormality and normality, and the extracted feature quantity and the generated abnormality (the position and state of the telescopic cover breakage) , Machine learning of the relationship between the cushion part wear state / breakage point, etc.).
まず、本発明で用いる機械学習について簡単に説明する。
<1.機械学習>
機械学習は、機械学習を行う装置(以下、機械学習器)に入力されるデータの集合から、その中にある有用な規則や知識表現、判断基準などを解析により抽出し、その判断結果を出力すると共に、知識の学習を行うことで実現される。機械学習の手法は様々であるが、大別すれば「教師あり学習」、「教師なし学習」、「強化学習」に分けられる。さらに、これらの手法を実現する上で、特徴量そのものの抽出を学習する、「深層学習」と呼ばれる手法がある。
First, machine learning used in the present invention will be briefly described.
<1. Machine learning>
In machine learning, useful rules, knowledge expressions, judgment criteria, etc. are extracted from a set of data input to a machine learning machine (hereinafter referred to as a machine learning device), and the judgment results are output. This is realized by learning knowledge. There are various methods of machine learning, but they can be roughly classified into “supervised learning”, “unsupervised learning”, and “reinforcement learning”. Furthermore, when realizing these methods, there is a method called “deep learning” that learns the extraction of the feature quantity itself.
「教師あり学習」とは、ある入力と結果(ラベル)のデータの組を大量に機械学習器に与えることで、それらのデータセットにある特徴を学習し、入力から結果を推定するモデル、即ち、その関係性を帰納的に獲得することができる。これは後述のニューラルネットワークなどのアルゴリズムを用いて実現することができる。 “Supervised learning” refers to a model that learns features in these data sets and estimates the results from the inputs by giving a large number of data sets of certain inputs and results (labels) to the machine learner. , You can acquire the relationship inductively. This can be realized using an algorithm such as a neural network described later.
「教師なし学習」とは、入力データのみを大量に学習装置に与えることで、入力データがどのような分布をしているか学習し、対応する教師出力データを与えなくても、入力データに対して圧縮、分類、整形などを行う装置を学習する手法である。それらのデータセットにある特徴を似た者どうしにクラスタリングすることなどができる。この結果を使って、何らかの基準を設けてそれを最適にするような出力の割り当てを行うことで、出力の予測を実現することができる。また「教師なし学習」と「教師あり学習」との中間的な問題設定として、「半教師あり学習」と呼ばれるものもあり、これは一部のみ入力と出力のデータの組が存在し、それ以外は入力のみのデータである場合がこれに当たる。本実施形態においては、実際に加工機を動作させなくても取得することが出来るデータを教師なし学習で利用し、学習を効率的に行うことが出来る。 “Unsupervised learning” means that the input data is given to the learning device in large quantities, so that the distribution of the input data is learned and the corresponding teacher output data is not given. This method learns a device that performs compression, classification, shaping, and the like. It is possible to cluster the features in those datasets among similar people. Using this result, output can be predicted by assigning an output so as to optimize it by setting a certain criterion. In addition, there is an intermediate problem setting between “unsupervised learning” and “supervised learning” called “semi-supervised learning”, in which only a part of input and output data sets exist. This is the case when the data is input only. In this embodiment, data that can be acquired without actually operating the processing machine is used in unsupervised learning, and learning can be performed efficiently.
「強化学習」とは、判定や分類だけではなく、行動を学習することにより、環境に行動が与える相互作用を踏まえて適切な行動を学習、即ち、将来的に得られる報酬を最大にするために学習する方法である。強化学習においては、機械学習器は行動が引き起こす結果を全く知らない状態から、または不完全にしか知らない状態から学習をスタートすることができる。また、人間の動作を真似るように事前学習(逆強化学習や、前述の教師あり学習といった手法)した状態を初期状態として、良いスタート地点から学習をスタートさせることもできる。 “Reinforcement learning” is not only judgment and classification, but also learning behavior to learn appropriate behavior based on the interaction that behavior gives to the environment, that is, to maximize the rewards that can be obtained in the future. Is a way to learn. In reinforcement learning, a machine learner can start learning from a state that does not know the consequences of the action at all, or from a state that only knows incompletely. It is also possible to start learning from a good starting point, with the initial state being a state of prior learning (a method such as reverse reinforcement learning or the above-described supervised learning) that imitates human movement.
本発明ではテレスコピックカバーの動作時に取得された物理量から抽出された特徴量と、テレスコピックカバーに発生する異常(テレスコピックカバーの破損やクッション部品の摩耗/破損等が発生した位置や破損の状態など)との相関性を学習することを目的としており、明示されるデータに基づく学習が可能であること、学習結果に基づいてテレスコピックカバーの異常状態を判定する必要があることなどを考慮して、教師あり学習のアルゴリズムを採用する。 In the present invention, the feature amount extracted from the physical quantity acquired during the operation of the telescopic cover, the abnormality occurring in the telescopic cover (the position where the telescopic cover is damaged, the wear / damage of the cushion parts, the state of the damage, etc.) Supervised, considering that it is possible to learn based on explicit data and that it is necessary to determine the abnormal state of the telescopic cover based on the learning result. Adopt learning algorithm.
図3は、教師あり学習を行う機械学習器の動作の概略を説明する図である。教師あり学習を行う機械学習器の動作は大きく学習段階と予測段階の2つの段階に分けることができる。教師あり学習を行う機械学習器は、学習段階(図3(a))において、入力データとして用いられる状態変数(説明変数、図3(a)におけるx1,x2,x3,…)の値と、出力データとして用いられる目的変数(図3(a)におけるy)の値とを含む教師データを与えると、該状態変数の値が入力された時に、該目的変数の値を出力することを学習する。そして、このような教師データをいくつも与えることにより、機械学習器は状態変数の値に対する目的変数の値を出力するための予測モデル(写像を行う関数f)を構築する。 FIG. 3 is a diagram for explaining the outline of the operation of the machine learner that performs supervised learning. The operation of a machine learning device that performs supervised learning can be roughly divided into two stages, a learning stage and a prediction stage. A machine learning device that performs supervised learning uses state variables (explanatory variables, x 1 , x 2 , x 3 ,...) Used as input data in the learning stage (FIG. 3A). When teacher data including a value and a value of an objective variable (y in FIG. 3A) used as output data is given, the value of the objective variable is output when the value of the state variable is input To learn. Then, by giving a lot of such teacher data, the machine learner constructs a prediction model (function f for performing mapping) for outputting the value of the objective variable with respect to the value of the state variable.
また、教師あり学習を行う機械学習器は、予測段階(図3(b))において、新しい入力データ(状態変数)が与えられたとき、学習結果(構築された予測モデル)に従って、出力データ(目的変数)を予測して出力する。 In addition, the machine learner that performs supervised learning, when new input data (state variable) is given in the prediction stage (FIG. 3B), outputs data (according to the built prediction model) according to the learning result (constructed prediction model). (Objective variable) is predicted and output.
教師あり学習を行う機械学習器の学習の一例として、例えば以下の数1式に示すような回帰式を予測モデル(写像を行う関数f)として用いる方法がある。回帰式を用いる方法では、学習の過程において数1式における各状態変数x1,x2,x3,…が取る値を回帰式に当てはめた時に、目的変数(正解情報)yの値が得られるように、各係数a0,a1,a2,a3,…の値を調整することにより学習が進められる。 As an example of learning by a machine learning device that performs supervised learning, there is a method of using, for example, a regression equation as shown in the following equation 1 as a prediction model (function f for mapping). In the method using the regression equation, the value of the objective variable (correct information) y is obtained when the values taken by the state variables x 1 , x 2 , x 3 ,. As shown, the learning proceeds by adjusting the values of the coefficients a 0 , a 1 , a 2 , a 3 ,.
また、教師あり学習を行う機械学習器の学習の他の例としては、例えば、ニューラルネットワークを予測モデル(写像を行う関数f)として用いる方法がある。ニューラルネットワークは、たとえば図3に示すようなニューロンのモデルを模したニューラルネットワークを実現する演算装置及びメモリ等で構成される。図4は、ニューロンのモデルを示す模式図である。 As another example of learning by a machine learner that performs supervised learning, there is, for example, a method of using a neural network as a prediction model (function f for mapping). The neural network is composed of, for example, an arithmetic unit and a memory that realize a neural network imitating a neuron model as shown in FIG. FIG. 4 is a schematic diagram showing a neuron model.
図4に示すように、ニューロンは、入力x(ここでは一例として、複数の入力x1〜入力x3)に対する正解情報yを出力するものである。各入力x1〜x3には、この入力xに対応する重みw(w1〜w3)が掛けられる。これにより、ニューロンは、次の数2式により表現される正解情報yを出力する。なお、数2式において、入力x、正解情報y及び重みwは、すべてベクトルである。また、θはバイアスであり、fkは活性化関数である。
As shown in FIG. 4, the neuron outputs the correct answer information y for the input x (here, a plurality of inputs x 1 to x 3 as an example). Each input x 1 ~x 3, the weight w corresponding to the input x (w 1 ~w 3) is multiplied. Thereby, the neuron outputs the correct answer information y expressed by the following equation (2). In
更に、教師あり学習を行う機械学習器の学習にニューラルネットワークを用いる方法の応用として、上述したニューロンを組み合わせた3層の重みを有するニューラルネットワークを予測モデル(写像を行う関数f)として用いる方法がある。図5は、D1〜D3の3層の重みを有するニューラルネットワークを示す模式図である。図5に示す例では、ニューラルネットワークの左側から入力x(ここでは一例として、複数の入力x1〜入力x3)が入力され、右側から正解情報y(ここでは一例として、複数の正解情報y1〜正解情報y3)が出力される。 Furthermore, as an application of a method using a neural network for learning of a machine learner that performs supervised learning, there is a method that uses a neural network having three-layer weights combined with neurons as a prediction model (function f for mapping). is there. FIG. 5 is a schematic diagram showing a neural network having three-layer weights D1 to D3. In the example shown in FIG. 5, an input x (in this example, a plurality of inputs x 1 to x 3 ) is input from the left side of the neural network, and correct answer information y (in this example, a plurality of correct answer information y is used as an example). 1 to correct answer information y 3 ) is output.
具体的には、入力x1〜入力x3は、3つのニューロンN11〜N13の各々に対して対応する重みが掛けられて入力される。図5では、これらの入力に掛けられる重み(それぞれのニューロンに入力される入力x1〜入力x3のそれぞれに掛けられる重み)はまとめて行列w1として標記されている。ニューロンN11〜N13は、それぞれ、z11〜z13を出力する。これらのz11〜z13はまとめて特徴ベクトルz1と標記され、入力ベクトルの特徴量を抽出したベクトルとみなすことができる。この特徴ベクトルz1は、重みw1と重みw2との間の特徴ベクトルである。 Specifically, the inputs x 1 to x 3 are input with corresponding weights applied to each of the three neurons N 11 to N 13 . In FIG. 5, the weights applied to these inputs (the weights applied to each of the inputs x 1 to x 3 input to each neuron) are collectively denoted as a matrix w 1 . Neuron N 11 to N 13, respectively, and outputs the z 11 to z 13. These z 11 to z 13 are collectively described as a feature vector z 1 and can be regarded as a vector obtained by extracting the feature amount of the input vector. This feature vector z 1 is a feature vector between the weight w 1 and the weight w 2 .
z11〜z13は、2つのニューロンN21、N22の各々に対して対応する重みが掛けられて入力される。図5では、これらの特徴ベクトルに掛けられる重み(それぞれのニューロンに入力される特徴ベクトルのそれぞれの要素に掛けられる重み)は、まとめて行列w2として標記されている。ニューロンN21、N22は、それぞれ、z21、z22を出力する。これらは、まとめて特徴ベクトルz2と標記されている。この特徴ベクトルz2は、重みw2と重みw3との間の特徴ベクトルである。 z 11 to z 13 are inputted with corresponding weights applied to each of the two neurons N 21 and N 22 . In FIG. 5, the weights applied to these feature vectors (weights applied to the elements of the feature vectors input to the respective neurons) are collectively represented as a matrix w 2 . The neurons N 21 and N 22 output z 21 and z 22 , respectively. These are collectively denoted as feature vector z 2 . This feature vector z 2 is a feature vector between the weight w 2 and the weight w 3 .
特徴ベクトルz21、z22は、3つのニューロンN31〜N33の各々に対して対応する重みが掛けられて入力される。図5では、これらの特徴ベクトルに掛けられる重み(それぞれのニューロンに入力される特徴ベクトルのそれぞれの要素に掛けられる重み)は、まとめて行列w3として標記されている。
最後に、ニューロンN31〜N33は、それぞれ、正解情報y1〜正解情報y3を出力する。
The feature vectors z 21 and z 22 are input with corresponding weights applied to each of the three neurons N 31 to N 33 . In FIG. 5, the weights applied to these feature vectors (weights applied to the elements of the feature vectors input to the respective neurons) are collectively denoted as a matrix w 3 .
Finally, the neurons N 31 to N 33 output correct answer information y 1 to correct answer information y 3 , respectively.
図4、図5に示されるニューラルネットワークの動作には、学習モード(図3の学習段階に対応)と予測モード(図3の予測段階に対応)とがあり、学習モードにおいて学習データセットを用いてそれぞれの重みwを学習し、そのパラメータを用いて予測モードにおいてテレスコピックカバーの異常予測を行う(便宜上、予測と書いたが、検出、分類、推論など多様なタスクが可能である)。 The operation of the neural network shown in FIGS. 4 and 5 includes a learning mode (corresponding to the learning stage in FIG. 3) and a prediction mode (corresponding to the prediction stage in FIG. 3), and a learning data set is used in the learning mode. Then, each weight w is learned, and an abnormal prediction of the telescopic cover is performed in the prediction mode using the parameters (for convenience, although written as prediction, various tasks such as detection, classification, and inference are possible).
なお、予測モードで実際にテレスコピックカバーを動かして得られたデータを即時学習し、次の行動に反映させる(オンライン学習)ことも、あらかじめ収集しておいたデータ群を用いてまとめた学習を行い、以降はずっとそのパラメータで検知モードを行う(バッチ学習)ことも可能である。その中間的な、ある程度データが溜まるたびに学習モードを挟むということも可能である。 It is also possible to immediately learn the data obtained by actually moving the telescopic cover in the prediction mode and reflect it in the next action (online learning). From then on, it is possible to perform the detection mode with that parameter all the time (batch learning). It is also possible to interpose a learning mode every time data accumulates to some extent.
重みw1〜w3は、誤差逆伝搬法(バックプロパゲーション)により学習可能なものである。誤差の情報は、右側から入り左側に流れる。誤差逆伝搬法は、各ニューロンについて、入力xが入力されたときに出力される正解情報yと真の正解情報y(教師)との差分を小さくするように、それぞれの重みを調整(学習)する手法である。 The weights w 1 to w 3 can be learned by the error back propagation method (back propagation). Error information enters from the right and flows to the left. In the back propagation method, for each neuron, each weight is adjusted (learning) so as to reduce the difference between the correct answer information y output when the input x is input and the true correct answer information y (teacher). It is a technique to do.
ニューラルネットワークは、3層以上にさらに層を増やすことも可能である(深層学習と称される)。入力の特徴抽出を段階的に行い、結果を回帰する演算装置を、教師データのみから自動的に獲得することが可能である。 The neural network can be further increased to three or more layers (referred to as deep learning). It is possible to automatically acquire an arithmetic unit that performs input feature extraction step by step and returns the result from only teacher data.
なお、教師あり学習のアルゴリズムとしては、他にも最小二乗法、ステップワイズ法、SVM、決定木学習など様々な手法が周知となっているが、本発明に適用する方法としていずれの教師あり学習アルゴリズムを採用してもよい。これらの他の教師あり学習アルゴリズム、上記した回帰式を用いる方法、ニューラルネットワークを用いる方法など、それぞれの教師あり学習アルゴリズムは周知なので、本明細書における各アルゴリズムのより詳細な説明は省略する。 As supervised learning algorithms, various other methods such as least square method, stepwise method, SVM, and decision tree learning are well known, but any supervised learning method can be applied to the present invention. An algorithm may be adopted. Since each supervised learning algorithm such as these other supervised learning algorithms, a method using the above-described regression equation, and a method using a neural network is well known, more detailed description of each algorithm in this specification is omitted.
次に、上記した教師あり学習を用いた本発明のテレスコピックカバーの異常発生推定装置及び異常検知方法について具体的に説明する。
<2.実施形態>
図6は、本発明の一実施形態におけるテレスコピックカバーの異常発生推定装置1の概略構成を示すブロック図である。異常発生推定装置1は、典型的には、後述するセンサ2と通信回線や信号線などを介して接続されたコンピュータ等の情報処理装置として実装することができる。異常発生推定装置1は、教師あり機械学習器10(図中における点線枠)、物理量取得部20、特徴量抽出部30、推定結果出力部40を有する。
Next, the abnormality detection apparatus and abnormality detection method for the telescopic cover of the present invention using the supervised learning described above will be specifically described.
<2. Embodiment>
FIG. 6 is a block diagram illustrating a schematic configuration of the telescopic cover abnormality occurrence estimation apparatus 1 according to an embodiment of the present invention. The abnormality occurrence estimation apparatus 1 can be typically implemented as an information processing apparatus such as a computer connected to a
センサ2は、工作機械やテレスコピックカバーに装着された振動センサや音センサ等の各種センサ、上記各種センサに接続された図示しない測定器、又は工作機械の各軸を駆動するモータの位置、速度、加速度や負荷(電流値)等を取得可能な数値制御装置等を含む。すなわち、センサ2は、工作機械やテレスコピックカバーに関する種々の物理量を取得し、異常発生推定装置1に対しセンサ値として出力可能なあらゆる技術的手段を含む。
The
物理量取得部20は、センサ2が出力するセンサ値を異常発生推定装置1内に取得する機能手段である。センサ値の一例としては、工作機械の各軸移動時(早送り時及び切削送り時)に工作機械又はテレスコピックカバーが発生する音又は振動、工作機械の各軸を駆動するモータの位置、速度、加速度や負荷(電流値)等の実測データが含まれる。なお、物理量取得部20は、教師あり機械学習器10が学習段階で動作している場合に、センサ2からセンサ値を取得するようにしても良い。
The physical
特徴量抽出部30は、物理量取得部20が取得したセンサ値から特徴量を抽出する機能手段である。特徴量抽出部30が抽出する特徴量としては、例えば、音、振動及び工作機械の各軸を駆動するモータの電流の波形データの最大値、最小値、平均値、分散値、波形データの傾きが変化するタイミング及び当該タイミングでの物理量の値(時刻や位置)等、従来の一般的な統計的な手法を用いて数値化することができるものであっても良い。又は、一定期間におけるセンサ値の変化パターンのパターン形状そのものを特徴としてもよい。あるいは、複数の物理量の組ごとに特徴を抽出しても良い。
The feature
例えば、以下の参考文献1に示すように、特徴量抽出部30は、音圧の変化を表す波形データを時間軸で複数の区間に等分する。すなわち、所定のレートでサンプリングされた波形データを、所定のサンプル数を1区間として分割する。そして、該区間の音圧の合計値を区間音圧とし、それぞれの区間音圧に対してFFT(高速フーリエ変換)処理を行う。最後に、得られた複数の周波数特性に関して、各周波数における最大値を特徴量とすることができる。さらに、特徴量抽出部30は、以降の計算量を削減するため、このようにして求めた所定の複数個の特徴量の平均値を計算し、該平均値を次元数が削減された特徴量として用いることもできる。さらに、特徴量抽出部30は、これらの特徴量を0乃至1の範囲に収まるように正規化して、教師あり機械学習器10に対する最終的な入力とすることもできる。
(参考文献1:下滝亜里,外5名,「ニューラルネットを用いた集団学習による交差点内環境音の識別方法」,第47回自動制御連合講演会講演論文集,2005年1月11日)
For example, as shown in Reference Document 1 below, the feature
(Reference 1: Ari Shimotaki, 5 others, “A method for identifying environmental sounds in intersections by group learning using a neural network”, Proceedings of the 47th Automatic Control Joint Lecture Meeting, January 11, 2005)
また、特徴量抽出部30は、上述の特徴量抽出手法を振動及び電流等の波形データにも適用し、それぞれの物理量の特徴量を抽出しても良い。なお、上述の物理量および特徴量は一例であり、物理量の特徴を表すことができる値であればどのような値を特徴量として用いるようにしても良い。
The feature
異常発生推定装置1は教師あり機械学習器10(図中における点線枠)を備えている。異常発生推定装置1には、センサ2から出力された種々の物理量が送信されている。教師あり機械学習器10が備える教師あり学習部11、学習結果記憶部12、異常推定部13は、教師あり機械学習器10の主要部分を構成する機能手段である。
The abnormality occurrence estimation apparatus 1 includes a supervised machine learner 10 (dotted line frame in the figure). Various physical quantities output from the
教師あり学習部11は、教師あり機械学習器10が学習段階に設定されている場合に教師あり学習を行い、学習結果を学習結果記憶部12に記憶する。本実施形態の教師あり学習部11は、図7の上図に示すように、特徴量抽出部30が抽出した特徴量、及び教師データである正解情報yを入力として教師あり学習を進める。正解情報yは、テレスコピックカバーに生じた異常の内容を示す情報である。
The supervised learning unit 11 performs supervised learning when the supervised
教師あり学習部11の学習においては、通常の加工プログラムの指令によりテレスコピックカバーが動作した際に取得された物理量から抽出された特徴量を使用するようにしても良いが、そのようにした場合、加工時に生じる様々な外乱が学習の精度を落とす可能性もある。そこで、このような事態を避けたい場合には、例えばテレスコピックカバーの破損やクッション部品の摩耗/破損の状態を判定し易い動作パターン(例えば、テーブルを前後左右に交互に限界位置まで射動させる動作パターン等)で工作機械を動作させる判定用プログラムを予め用意しておき、(例えば加工を始める前などに)該判定用プログラムを動作させた際に取得された物理量から抽出された特徴量を学習に使用するようにしても良い。また、教師あり学習部11の学習に加工プログラムを実行した際に取得された物理量から抽出された特徴量を使用する場合であっても、テレスコピックカバーの破損やクッション部品の摩耗/破損の状態を判定し易い動作を指令するブロックの前後に信号等の出力を指令するブロックを予め入れておいて、該信号が検出された範囲の動作時に取得された物理量から抽出された特徴量を学習に使用するようにすることも考えられる。 In the learning of the supervised learning unit 11, a feature amount extracted from a physical amount acquired when the telescopic cover is operated by a command of a normal processing program may be used. Various disturbances that occur during processing may reduce the accuracy of learning. Therefore, if you want to avoid such a situation, for example, an operation pattern that makes it easy to determine whether the telescopic cover is broken or the cushion parts are worn / damaged (for example, an operation that shoots the table alternately back and forth and left and right to the limit position) Prepare a judgment program to operate the machine tool in advance (for example, before starting machining), and learn feature quantities extracted from physical quantities acquired when the judgment program is run. You may make it use for. Even when the feature quantity extracted from the physical quantity acquired when the machining program is executed for the learning of the supervised learning unit 11 is used, the state of the telescopic cover breakage or the wear / damage of the cushion part is detected. A block that commands output of a signal or the like is placed in front of and behind a block that commands an operation that is easy to determine, and a feature value extracted from a physical quantity acquired during operation in the range in which the signal is detected is used for learning. It is also conceivable to do so.
図8に、正解情報yの一例を示す。テレスコピックカバーに異常が発生した際、修理等の対応を行った作業者は、異常発生時刻、異常発生箇所、異常の内容、実施した措置等をメンテナンス情報として工作機械の入力装置等に入力する。入力されたメンテナンス情報は、異常発生推定装置1内又は外部の装置の図示しない記憶領域に格納される。図8に示す正解情報yは、これらのメンテナンス情報のうち、文字データである異常発生箇所、異常の内容、実施した措置等をコード化したものである。コードは、作業者がメンテナンス情報を作成する際に入力しても良いし、メンテナンス情報を解析して事後的に生成しても良い。 FIG. 8 shows an example of the correct answer information y. When an abnormality occurs in the telescopic cover, an operator who has performed repairs or the like inputs the abnormality occurrence time, the abnormality occurrence location, the content of the abnormality, the measures taken, etc. as maintenance information to the input device of the machine tool or the like. The inputted maintenance information is stored in a storage area (not shown) of the abnormality occurrence estimation apparatus 1 or an external apparatus. The correct answer information y shown in FIG. 8 is obtained by encoding the abnormality occurrence location, the content of the abnormality, the measures taken, etc., among the maintenance information. The code may be input when the operator creates the maintenance information, or may be generated after the maintenance information is analyzed.
教師あり学習部11は、1つの正解情報y(すなわち図8に示すテーブルのうち1つのレコード)と、該正解情報yに対応する異常が発生した際に取得された物理量から生成された特徴量とを組にして入力とする。より具体的には、該正解情報yの異常発生時刻前後の所定の期間に取得された物理量のうち、該物理量のレベル(音圧レベル等)が予め定められた値以上になった区間に対応する特徴量を、該正解情報と組とすることができる。 The supervised learning unit 11 uses one correct information y (that is, one record in the table shown in FIG. 8) and a feature quantity generated from a physical quantity acquired when an abnormality corresponding to the correct answer information y occurs. And the input. More specifically, among physical quantities acquired in a predetermined period before and after the occurrence of an abnormality in the correct answer information y, it corresponds to a section in which the level of the physical quantity (sound pressure level, etc.) is a predetermined value or more. The feature amount to be set can be paired with the correct answer information.
また、教師あり学習部11は、異常が発生していない際に取得された物理量から生成された特徴量を、異常発生なしを意味する正解情報y(図8参照)と組にして入力する。教師あり学習部11は、上述の異常発生時の区間前後の区間に対応する特徴量を入力としても良いし、定期的又はランダムな時刻に生成した特徴量であって上述の異常発生時の区間に生成された特徴量でないものを入力としても良い。 In addition, the supervised learning unit 11 inputs a feature quantity generated from a physical quantity acquired when no abnormality has occurred, in combination with correct answer information y (see FIG. 8) that means no abnormality has occurred. The supervised learning unit 11 may receive feature amounts corresponding to the sections before and after the above-described abnormality occurrence, or may be a feature amount generated at a regular or random time and includes the above-described abnormality occurrence section. It is also possible to use an input that is not the feature quantity generated in the above.
このように特徴量および正解情報yを入力する場合、識別型の教師あり学習方法を採用することで実装可能であり、この場合、ニューラルネットワークを使用して、入力xに基づいて正解情報yを識別する非線形識別面を生成して関数fとすればよい。 In this way, when the feature amount and the correct answer information y are input, it can be implemented by adopting a discriminative supervised learning method. In this case, the correct answer information y is obtained based on the input x using a neural network. What is necessary is just to produce | generate the function non-linear discrimination surface to identify.
学習結果記憶部12は、教師あり学習部11が教師データに基づいて学習した結果を記憶する機能手段である。学習結果記憶部12は、例えば予測モデルとして上記した回帰式を用いている場合には学習結果として得られた回帰式を記憶し、予測モデルとして上記したニューラルネットワークを用いた学習方法を用いている場合には学習結果として得られたニューラルネットワークのパラメータを記憶する。学習結果記憶部12は、外部からの要求により記憶している学習結果を出力する。この機能により、学習結果記憶部12が記憶している学習結果を他の異常発生推定装置などに対して転送して利用することも可能である。
The learning
異常推定部13は、図7の下図に示すように、教師あり機械学習器10が予測段階にある場合に、学習結果記憶部12に記憶される学習結果に基づいて、物理量取得部20が取得した物理量および特徴量抽出部30が抽出した特徴量を用いて異常発生箇所、異常の内容、実施すべき措置等を推定する。
As shown in the lower diagram of FIG. 7, the
異常推定部13による異常の推定においては、通常の加工プログラムの指令によりテレスコピックカバーが動作した際に取得された物理量から抽出された特徴量を使用するようにしても良いが、学習時と同様に、例えばテレスコピックカバーの破損やクッション部品の摩耗/破損の状態を判定し易い動作パターン(例えば、テーブルを前後左右に交互に限界位置まで射動させる動作パターン等)で工作機械を動作させる判定用プログラムを予め用意しておき、(例えば加工を始める前などに)該判定用プログラムを動作させた際に取得された物理量から抽出された特徴量に基づいてテレスコピックカバーの異常を推定するようにしても良く、また、異常推定部13による異常の推定に加工プログラムを実行した際に取得された物理量から抽出された特徴量を使用する場合であっても、テレスコピックカバーの破損やクッション部品の摩耗/破損の状態を判定し易い動作を指令するブロックの前後に信号等の出力を指令するブロックを予め入れておいて、該信号が検出された範囲の動作時に取得された物理量から抽出された特徴量をテレスコピックカバーの異常の推定に使用するようにしても良い。
In the estimation of the abnormality by the
そして、推定結果出力部40は、異常推定部13が推定した異常発生箇所、異常の内容、実施すべき措置等を図示しない表示装置などに対して出力する。推定結果出力部40は、異常発生が推定された場合にはその旨を警告として出力するようにしても良く、オペレータは警告された内容に基づいて異常発生を予防するための措置を講ずることができる。
Then, the estimation
以上、ここまで本発明の実施の形態について説明したが、本発明は上記した実施の形態の例にのみ限定されるものでなく、適宜の要素を追加、変更又は削除することにより様々な態様で実施することができる。例えば、上記した実施形態で列挙した物理量、特徴量及び教師データはあくまで一例であり、テレスコピックカバーの稼働状態や異常状態を示す物理量、特徴量及び教師データを採用することが可能である。 As mentioned above, although embodiment of this invention was described so far, this invention is not limited only to the example of above-described embodiment, In various aspects by adding an appropriate element, changing or deleting. Can be implemented. For example, the physical quantities, feature quantities, and teacher data listed in the above-described embodiments are merely examples, and physical quantities, feature quantities, and teacher data indicating the operating state and abnormal state of the telescopic cover can be employed.
また、上述の実施形態では、便宜上、1つのテレスコピックカバーにかかる物理量、特徴量及び教師データを用いて学習及び推定を行う態様を示しているが、本発明はこれに限定されるものでない。例えば、異常発生推定装置1は、工場内又は複数の拠点内にある複数の同タイプのテレスコピックカバーにかかる物理量、特徴量及び教師データを収集し、学習及び推定を行うことで、効率的に学習を進めることが可能である。 In the above-described embodiment, for the sake of convenience, a mode in which learning and estimation are performed using a physical quantity, a feature quantity, and teacher data for one telescopic cover is shown, but the present invention is not limited to this. For example, the abnormality occurrence estimation device 1 collects physical quantities, feature quantities, and teacher data related to a plurality of telescopic covers of the same type in a factory or a plurality of bases, and learns and estimates efficiently to perform learning. It is possible to proceed.
更に、上記した実施形態では異常発生推定装置1に教師あり学習部11を備えたものとしているが、例えば、他の異常発生推定装置1で学習した学習結果を学習結果記憶部12にコピーして用いることを想定している場合には教師あり学習部11を実装する必要はない。このように構成した場合、新たなテレスコピックカバーの特徴を学習することはできないが、同じタイプのテレスコピックカバーに適用する場合には、学習のための機構を組み込むことなく既存の学習結果を用いることで好適な異常推定を行うことができる。
Furthermore, in the above-described embodiment, the abnormality occurrence estimation apparatus 1 includes the supervised learning unit 11. For example, the learning result learned by another abnormality occurrence estimation apparatus 1 is copied to the learning
1 異常発生推定装置
2 センサ
10 教師あり機械学習器
11 教師あり学習部
12 学習結果記憶部
13 異常推定部
20 物理量取得部
30 特徴量抽出部
40 推定結果出力部
DESCRIPTION OF SYMBOLS 1
Claims (11)
前記装置の稼働時に取得された少なくとも前記装置が発する音又は前記装置の電流値のいずれかを含む物理量から抽出された特徴量と、前記テレスコピックカバーに発生した少なくとも異常発生箇所を含む異常に関する情報とに基づいて教師あり学習した学習結果を記憶する学習結果記憶部と、
前記装置の稼働時に少なくとも前記装置が発する音又は前記装置の電流値のいずれかを含む物理量を取得する物理量取得部と、
前記物理量取得部が取得した前記物理量に基づいて、前記物理量の特徴量を抽出する特徴量抽出部と、
前記学習結果記憶部に記憶された前記学習結果と、前記特徴量抽出部が抽出した前記特徴量とに基づいて、前記装置の稼働時に前記テレスコピックカバーに発生しうる少なくとも異常発生箇所を含む異常を推定する異常推定部と、
前記異常推定部が推定した前記異常を出力する推定結果出力部と、
を備えるテレスコピックカバーの異常発生推定装置。 An abnormality occurrence estimation device for estimating the occurrence of an abnormality related to a telescopic cover attached to the device,
A feature amount extracted from a physical quantity including at least either a sound emitted from the device or a current value of the device acquired during operation of the device, and information relating to an abnormality including at least an abnormality occurrence location generated in the telescopic cover; A learning result storage unit for storing a learning result of supervised learning based on
A physical quantity acquisition unit that acquires a physical quantity including at least one of a sound generated by the device or a current value of the device during operation of the device;
A feature quantity extraction unit that extracts a feature quantity of the physical quantity based on the physical quantity acquired by the physical quantity acquisition unit;
Based on the learning result stored in the learning result storage unit and the feature amount extracted by the feature amount extraction unit , an abnormality including at least an abnormality occurrence point that may occur in the telescopic cover during operation of the device is detected. An anomaly estimation unit to estimate;
An estimation result output unit that outputs the abnormality estimated by the abnormality estimation unit;
Abnormality estimation apparatus of Rute less Copic cover with a.
請求項1に記載のテレスコピックカバーの異常発生推定装置。 The supervised learning is performed based on the feature amount extracted from the physical quantity acquired during operation of the device and the information related to the abnormality occurring in the telescopic cover, and the learning result is stored in the learning result storage unit. The telescopic cover abnormality occurrence estimation device according to claim 1, further comprising a supervised learning unit.
請求項1または2に記載のテレスコピックカバーの異常発生推定装置。 3. The telescopic cover abnormality occurrence estimation device according to claim 1, wherein the feature quantity of the physical quantity is a numerical value indicating the feature of the physical quantity.
請求項1乃至3いずれか1つに記載のテレスコピックカバーの異常発生推定装置。 The abnormality detection apparatus for a telescopic cover according to any one of claims 1 to 3.
請求項4に記載のテレスコピックカバーの異常発生推定装置。 The telescopic cover abnormality occurrence estimation device according to claim 4.
請求項1乃至3いずれか1つに記載のテレスコピックカバーの異常発生推定装置。 The abnormality detection apparatus for a telescopic cover according to any one of claims 1 to 3.
前記テレスコピックカバーを取り付けた状態で前記装置を稼働させる手順と、 A procedure for operating the device with the telescopic cover attached;
前記装置が稼働している際に少なくとも前記装置が発する音又は前記装置の電流値のいずれかを含む物理量を取得する手順と、 A procedure for obtaining a physical quantity including at least either a sound emitted by the device or a current value of the device when the device is operating;
前記取得した物理量の特徴量を抽出する手順と、 A procedure for extracting a feature quantity of the acquired physical quantity;
前記テレスコピックカバーに発生した少なくとも異常発生箇所を含む異常に関する情報である正解情報、及び前記抽出された特徴量を入力とする教師あり学習を行なう手順と、 A procedure for performing supervised learning using as input the correct answer information that is information relating to an abnormality including at least an abnormality occurrence location that has occurred in the telescopic cover, and the extracted feature amount;
前記教師あり学習の学習結果に基づいて前記装置が稼働している際に取得された少なくとも前記装置が発する音又は前記装置の電流値のいずれかを含む物理量の任意の特徴量が入力されたときに前記テレスコピックカバーに発生しうる少なくとも異常発生箇所を含む異常を推定する手順と、 When an arbitrary feature quantity of a physical quantity including at least one of the sound generated by the apparatus or the current value of the apparatus acquired when the apparatus is operating based on the learning result of the supervised learning is input A procedure for estimating an abnormality including at least an abnormality occurrence location that may occur in the telescopic cover;
を含むテレスコピックカバーの異常発生推定方法。Method for estimating the occurrence of abnormalities in a telescopic cover including
請求項7に記載のテレスコピックカバーの異常発生推定方法。 The method for estimating the occurrence of abnormality in the telescopic cover according to claim 7.
請求項7又は8に記載のテレスコピックカバーの異常発生推定方法。 The method for estimating the occurrence of an abnormality in a telescopic cover according to claim 7 or 8.
請求項9に記載のテレスコピックカバーの異常発生推定方法。 The method for estimating the occurrence of an abnormality in a telescopic cover according to claim 9.
請求項7又は8に記載のテレスコピックカバーの異常発生推定方法。 The method for estimating the occurrence of an abnormality in a telescopic cover according to claim 7 or 8.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102017127098.1A DE102017127098B8 (en) | 2016-11-24 | 2017-11-17 | Apparatus and method for assuming abnormality occurrence for telescope coverage |
US15/819,001 US10761063B2 (en) | 2016-11-24 | 2017-11-21 | Apparatus and method for presuming abnormality occurrence for telescopic cover |
CN201711176139.1A CN108108516B (en) | 2016-11-24 | 2017-11-22 | Device and method for estimating abnormality occurrence in retractable cover |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016227720 | 2016-11-24 | ||
JP2016227720 | 2016-11-24 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018086715A JP2018086715A (en) | 2018-06-07 |
JP6499737B2 true JP6499737B2 (en) | 2019-04-10 |
Family
ID=62494128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017174459A Active JP6499737B2 (en) | 2016-11-24 | 2017-09-12 | Telescopic cover abnormality occurrence estimation device and abnormality occurrence estimation method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6499737B2 (en) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6698724B2 (en) | 2018-03-06 | 2020-05-27 | ファナック株式会社 | Collision position estimation device and machine learning device |
JP2020082304A (en) * | 2018-11-29 | 2020-06-04 | 三菱電機株式会社 | Chattering vibration detection device, chattering vibration detection method, chattering vibration detection program and chattering vibration restraining device |
JP7289596B2 (en) * | 2019-05-28 | 2023-06-12 | 株式会社ディスコ | Processing equipment and processing method |
JP7414498B2 (en) * | 2019-12-05 | 2024-01-16 | ファナック株式会社 | Machine tool telescopic cover |
JP7442704B1 (en) | 2023-02-09 | 2024-03-04 | Dmg森精機株式会社 | Machine tools, information processing equipment and control programs |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000052183A (en) * | 1998-08-11 | 2000-02-22 | Okuma Corp | Damage preventing device for cover device |
JP3905405B2 (en) * | 2002-03-22 | 2007-04-18 | 株式会社ジェイテクト | Chip accumulation detection method and apparatus |
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 |
JP2016068183A (en) * | 2014-09-29 | 2016-05-09 | 株式会社ナベル | Shield device for machine tool |
JP6778547B2 (en) * | 2016-08-15 | 2020-11-04 | オークマ株式会社 | Telescopic cover device |
-
2017
- 2017-09-12 JP JP2017174459A patent/JP6499737B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
JP2018086715A (en) | 2018-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6499737B2 (en) | Telescopic cover abnormality occurrence estimation device and abnormality occurrence estimation method | |
JP7104121B2 (en) | Failure prediction device, failure prediction system and failure prediction method | |
US10618202B2 (en) | Failure cause diagnostic device for injection molding machine | |
JP6523379B2 (en) | Information processing device | |
CN108108516B (en) | Device and method for estimating abnormality occurrence in retractable cover | |
JP6557272B2 (en) | State determination device | |
US20180373233A1 (en) | Failure predicting apparatus and machine learning device | |
JP6140331B1 (en) | Machine learning device and machine learning method for learning failure prediction of main shaft or motor driving main shaft, and failure prediction device and failure prediction system provided with machine learning device | |
US20180264613A1 (en) | Abnormality detection apparatus and machine learning apparatus | |
CN109693354B (en) | State determination device | |
US20180307198A1 (en) | Machined surface quality evaluation device | |
JP6571741B2 (en) | Worker management device | |
JP2017202632A (en) | Abrasion loss estimation device of check valve of injection molding machine and abrasion loss estimation method | |
JP7201844B2 (en) | Fault prediction using gradient-based sensor identification | |
US10802476B2 (en) | Numerical controller with learned pressure estimation | |
JP6333868B2 (en) | Cell control device and production system for managing the operating status of a plurality of manufacturing machines in a manufacturing cell | |
US20190332936A1 (en) | Additional learning method for deterioration diagnosis system | |
CN110125955B (en) | Control device and machine learning device | |
US10962957B2 (en) | Collision position estimation device and machine learning device | |
EP3674946B1 (en) | System and method for detecting anomalies in cyber-physical system with determined characteristics | |
JP7457752B2 (en) | Data analysis system, data analysis method, and program | |
JP2024153964A (en) | Social Infrastructure Control Systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20180419 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20180528 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180612 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20181120 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190118 |
|
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: 20190219 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190315 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6499737 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |