诊断装置的制作方法

本发明涉及一种诊断装置。

背景技术：

在工厂等制造现场，导入了一种监视设置在生产线上的机器人、机床等工业机械的运行状态并对工业机械的运行状态进行诊断以防止生产线停止并且在生产线停止的情况下可以使其迅速恢复的装置。

作为对工业机械的运行状态进行诊断的装置，例如其经由网络对在各个工业机械中检测出的马达的位置、速度、转矩等数据、由安装在工业机械上的传感器检测出的声音、图像等数据进行监视，并在该数据存在表示异常的倾向时，诊断为工业机械的运行中出现异常(例如，日本专利第6453504号公报以及日本特开2019-012473号公报)。为了使诊断装置进行这样的诊断，需要预先创建规定的模型来判定工业机械的运行是正常还是异常。

作为用于对工业机械运行的正常/异常进行判定的模型的示例，可以列举出：(1)对于有怎样程度接近在工业机械进行异常运行的状态下检测出的数据组进行判定的模型；(2)对于以怎样程度向哪一方远离在正常运行/异常运行时分别获取的数据组的边界进行判定的模型；(3)对于距离在工业机械进行普通运行的状态下检测出的数据组多远进行判定的模型。在上述模型(1)及模型(2)的情况下，需要将工业机械设定为进行异常运行的状态并检测出数据进行存储，但工业机械的异常运行多与故障相关，难以收集用于创建判定用模型的必要数据。另一方面，在上述模型(3)的情况下，只要在工业机械进行正常运行的状态下检测出数据进行存储即可，因此，诊断装置可以比较轻松地收集数据。

当在工业机械进行正常运行的状态下由诊断装置基于数据组进行运行判定时，为了设定判定模型而收集的数据组必须在某种程度上涵盖工业机械进行正常运行的整个范围。图8a及图8b示出并说明了简单的示例。例如，考虑设定使用在工业机械进行正常运行时获取到的马达的位置数据和转矩数据来判定工业机械的正常/异常的模型。此外，在图8中，通过诊断装置在正常运行时检测出的数据用圆点d1表示，在正常运行时检测出的数据的原始范围表示在实线d2框内，在正常运行时检测出的数据的预期范围表示在虚线d3框内。

这里，如图8的各图所例示的那样，当从某个工业机械的马达检测出的位置数据和转矩数据的组合处于实线圆内时，该工业机械的运行正常。为了基于在正常运行时获取到的数据通过机械创建这样的模型，收集工业机械进行正常运行时马达的位置数据和转矩数据的组合。其结果，如图8a所例示的那样，只要能够以涵盖整个原始范围的方式获取数据，则可以通过机械预测与在正常运行时检测出的数据d1的原始范围d2接近的模型。但是，如图8b所例示的那样，当只能获取偏离原始范围的数据时，则只能通过机械预测到如图8b的虚线圆所示那样与在正常运行时检测出的数据的原始范围相距甚远的条件(即范围d3)。

图8中示出了比较简单的示例，但实际上，在诊断装置基于位置、转矩、声音等时间序列数据的变化模式判定工业机械运行的正常/异常等情况下，会导致更为复杂的问题。另外，例如在使用了作为机器学习方法的无监督学习的情况下，同样的问题也会以过度学习或收敛于局部解的形式出现。

为了解决这种问题，可以考虑下述方法：对创建的模型的妥当性进行验证，在创建了不具妥当性的模型时，重新选择数据并再次创建模型。这里，当收集到在工业机械正常运行时及异常运行时检测出的数据时，可以将收集到的数据分为模型创建用数据和验证用数据，并使用验证用数据对使用模型创建用数据创建的模型进行验证。但是，当仅收集到在工业机械正常运行时检测出的数据时，即使分割为模型创建用数据和验证用数据，该分割的妥当性也会按照一定概率而成为问题。另外，由于不存在异常运行时的数据，因此无法验证所创建的模型对异常数据的响应。

技术实现要素：

因此，期待一种对使用在正常运行时检测出的正常数据而创建的模型的妥当性进行验证的方法。

为了验证使用正常数据创建的模型的妥当性，本发明的诊断装置通过创建对正常数据加入设定的变化所得到的异常数据并使用所创建的异常数据来验证模型的妥当性，从而解决了上述课题。

而且，本发明所涉及的诊断装置，用于对工业机械的运行状态进行诊断，上述诊断装置具备：数据获取部，其获取与上述工业机械正常运行时的运行状态有关的正常数据；获取数据存储部，其存储上述数据获取部所获取的正常数据；学习部，其通过基于存储在上述获取数据存储部中的正常数据进行学习来创建学习模型；推定部，其使用上述学习模型对上述工业机械运行的正常或异常进行推定处理；验证数据创建部，其基于存储在上述获取数据存储部中的正常数据，创建包含至少一种异常数据的验证数据；以及验证部，其根据上述推定部基于上述验证数据并使用上述学习模型进行推定处理所得到的结果，验证上述学习模型的妥当性。

根据本发明，能够使用在正常运行时检测出的正常数据对创建的模型的妥当性进行验证。

附图说明

通过参照附图的以下实施例的说明，本发明的上述及其它目的和特征将更加明确。

图1是示意性地示出本申请发明所涉及的诊断装置的硬件配置示例的图。

图2是本发明的第1实施方式的诊断装置的示意性功能框图。

图3a及图3b是表示通过追加脉冲(impulse)来创建异常数据的示例的图。

图4a及图4b是表示通过追加固定值分量来创建异常数据的示例的图。

图5a及图5b是表示通过追加ax+b分量来创建异常数据的示例的图。

图6a及图6b是表示通过缺损数据值来创建异常数据的示例的图。

图7a及图7b是表示通过缺损采样导致来创建异常数据的示例的图。

图8是用于对工业机械运行诊断的模型创建的问题进行说明的图。

具体实施方式

下面，参考附图来说明本发明的实施方式。

图1是示意性地示出表示本发明所涉及的诊断装置的主要部分的硬件配置示例的图。本发明的诊断装置1例如可以作为基于控制用程序控制工业机械的控制装置来安装。另外，本发明的诊断装置1可以安装在并设于基于控制用程序控制工业机械的控制装置上的个人计算机、经由有线/无线网络与控制装置连接的个人计算机、单元计算机、雾计算机6、云服务器7上。在本实施方式中，示出的是将诊断装置1安装在经由网络与控制装置连接的个人计算机上的示例。

本实施方式的诊断装置1所具备的cpu(centralprocessingunit；中央处理器)11是对诊断装置1进行整体控制的处理器。cpu11经由总线22读出存储在rom(readonlymemory；只读存储器)12中的系统程序，并根据该系统程序控制整个诊断装置1。在ram(randomaccessmemory；随机存取存储器)13中，临时存储有临时性计算数据、显示数据、以及从外部输入的各种数据等。

非易失性存储器14可以由通过未图示的电池备份的存储器、ssd(solidstatedrive；固态硬盘)等构成，即使诊断装置1的电源被关断也可以保持存储状态。在非易失性存储器14中，存储有经由接口15从外部设备72读入的数据、经由输入装置71输入的数据、经由网络5从工业机械获取的数据等。作为非易失性存储器14中存储的数据，可以在执行时/使用时在ram13中展开。另外，在rom12中预先写入了公知的解析程序等各种系统程序。

接口15是用于将诊断装置1的cpu11与usb装置等外部设备72连接的构成要素。可以从外部设备72侧读入例如与各工业机械的运行有关的数据。另外，在诊断装置1内编辑的程序、设定数据等可以经由外部设备72存储在外部存储单元中。

接口20是用于将诊断装置1的cpu与有线或无线网络5连接的构成要素。网络5连接有工业机械3、雾计算机、云服务器等，与诊断装置1之间相互进行数据交换。

被读入到存储器的各数据、作为程序等的执行结果而得到的数据、从后述的机器学习装置100输出的数据等经由接口17输出并显示在显示装置70上。另外，由键盘、指示设备等构成的输入装置71经由接口18将基于操作者的操作的指令、数据等传递给cpu11。

接口21是用于将cpu11与机器学习装置100连接的构成要素。机器学习装置100具备：用于统控整个机器学习装置100的处理器101；存储有系统程序等的rom102；用于进行与机器学习相关的各处理中的临时性存储的ram103；以及用于存储学习模型等的非易失性存储器104。机器学习装置100可以经由接口21观测可由诊断装置1获取的各种信息(例如表示工业机械3的运行状态的数据)。另外，诊断装置1可以经由接口21获取从机器学习装置100输出的处理结果，并对获取的结果进行存储、显示或者经由网络5等发送给其它装置。

图2将本发明的第1实施方式的诊断装置1所具有的功能作为示意性框图进行显示的图。作为本实施方式的诊断装置1所具有的各功能，是通过由图1所示的诊断装置1所具备的cpu11和机器学习装置100所具备的处理器101来执行系统程序并控制诊断装置1和机器学习装置100的各部分的运行而实现的。

本实施方式的诊断装置1具备：数据获取部110、模型创建指令部120、验证数据创建部130、以及验证部140。另外，诊断装置1所具备的机器学习装置100具备学习部106和推定部108。进而，在诊断装置1的ram13及非易失性存储器14中，作为用于存储数据获取部110从工业机械3等获取的数据的区域而预先准备有获取数据存储部210，在机器学习装置100的ram103及非易失性存储器104中，作为用于存储学习部106所创建的学习模型的区域而预先准备有学习模型存储部109。

数据获取部110执行由图1所示的诊断装置1所具备的cpu11从rom12中读出的系统程序。关于这种程序的执行，主要是通过进行由cpu11使用ram13和非易失性存储器14进行的运算处理以及通过接口15、18或20进行的输入控制处理来实现的。数据获取部110获取在工业机械3正常运行时检测出的数据。数据获取部110获取工业机械3的马达的位置数据、速度数据、加速度数据、转矩数据、由安装在工业机械3上的未图示的传感器检测出的声音数据、图像数据等各种数据。数据获取部110所获取的数据可以是时间序列数据。数据获取部110也可以经由网络5直接从工业机械3获取数据。数据获取部110也可以获取外部设备72、雾计算机6、云服务器7等获取并存储的数据。

模型创建指令部120执行由图1所示的诊断装置1所具备的cpu11从rom12中读出的系统程序。关于这种程序的执行，主要是通过进行由cpu11使用ram13和非易失性存储器14进行的运算处理以及通过接口21进行的输入输出控制处理来实现的。模型创建指令部120根据经由输入装置71输入的来自操作者的指示，使用存储在获取数据存储部210中的数据的全部或者一部分数据，来创建学习数据。模型创建指令部120还指示机器学习装置100基于所创建的学习数据来创建学习模型。模型创建指令部120可以指示机器学习装置100创建1个学习模型。另外，模型创建指令部120也可以指示机器学习装置100创建多个学习模型。此时，模型创建指令部120也可以通过反复执行使用例如随机数从存储在获取数据存储部210中的数据中提取出规定数量的数据，从而创建多个不同的数据集合。当模型创建指令部120使用随机数等创建出多个不同的数据集合时，模型创建指令部120可以进一步指示机器学习装置100使用所创建的多个不同的数据集合来创建多个学习模型。

机器学习装置100所具备的学习部106执行由图1所示的机器学习装置100所具备的处理器101从rom102中读出的系统程序。关于这种程序的执行，主要是通过处理器101使用ram103和非易失性存储器104进行的运算处理来实现的。学习部106通过使用从模型创建指令部120接收到的学习数据进行机器学习来创建学习模型，并将所创建的学习模型存储到学习模型存储部109中。学习部106所进行的机器学习是公知的无监督学习。学习部106所创建的学习模型学习在工业机械3正常运行时获取到的正常数据的趋势。作为学习部106所创建的学习模型，例如可以列举出自编码器(autoencoder)等。

机器学习装置100所具备的推定部108执行由图1所示的机器学习装置100所具备的处理器101从rom102中读出的系统程序。关于这种程序的执行，主要是通过处理器101使用ram103和非易失性存储器104进行的运算处理来实现的。推定部108基于来自验证部140的指令，关于存储在学习模型存储部109中的学习模型，使用验证数据执行推定处理，并输出推定结果。推定部108可以通过公知的无监督学习执行推定处理，并输出例如正常度或异常度等的得分来作为推定结果。

另外，推定部108也可以输出表示正常度或异常度等的向量值来作为推定结果。

验证数据创建部130执行由图1所示的诊断装置1所具备的cpu11从rom12中读出的系统程序。关于这种程序的执行，主要是通过cpu11使用ram13和非易失性存储器14进行的运算处理来实现的。验证数据创建部130基于存储在获取数据存储部210中的数据输出至少包含规定数量的异常数据的验证数据。如上文所述，获取数据存储部210中存储有数据获取部110在工业机械3正常运行时检测出的数据即正常数据。验证数据创建部130通过对该正常数据施加规定的变化来创建异常数据。作为验证数据创建部130所创建的验证数据，可以仅仅是异常数据的集合，也可以是按照规定的比例包含正常数据和异常数据的集合。

验证数据创建部130可以通过对正常数据施加规定的脉冲来创建异常数据。图3是通过对正常数据(图3a)即时间序列数据追加脉冲创建出异常数据(图3b)的示例。如图3所例示的那样，验证数据创建部130可以通过对1个时间序列数据追加1个脉冲来创建异常数据，也可以通过对其追加多个脉冲来创建异常数据。关于施加脉冲的位置，可以由操作者指示，也可以随机决定。另外，关于脉冲的大小、宽度，可以基于使用工业机械3的操作者的经验设定预期为超过进行正常运行的范围的大小。脉冲也可以是负值。此外，当异常数据的创建对象是图像数据时，通过规定的颜色对规定的位置加入规定尺寸的点即可。

验证数据创建部130也可以通过对正常数据施加规定的固定值(直流值)分量来创建异常数据。图4是通过对正常数据(图4a)即时间序列数据追加固定值分量创建出异常数据(图4b)的示例。关于验证数据创建部130对时间序列数据施加的固定值分量的大小，可以基于使用工业机械3的操作者的经验设定预期为超过进行正常运行的范围的大小。验证数据创建部130对时间序列数据施加的固定值分量也可以是负值。此外，当异常数据的创建对象是图像数据时，按照规定量改变整个图像数据的颜色分量即可。

验证数据创建部130也可以通过对正常数据施加规定的ax+b分量来创建异常数据。图5是通过对正常数据(图5a)即时间序列数据追加ax+b分量创建出异常数据(图5b)的示例。关于验证数据创建部130对时间序列数据施加的ax+b分量的系数a、b，可以基于使用工业机械3的操作者的经验设定预期超过进行正常运行的范围的大小。此外，当异常数据的创建对象是图像数据时，可以在灰度(gradation)上改变整个图像数据的颜色分量。

验证数据创建部130也可以通过对正常数据施加规定的频率分量来创建异常数据。验证数据创建部130可以通过对1个时间序列数据追加1个频率分量来创建异常数据，也可以通过对其追加多个频率分量来创建异常数据。关于频率分量的频率值、大小，可以基于使用工业机械3的操作者的经验可设定预期超过进行正常运行的范围的大小。此外，当异常数据的创建对象是图像数据时，针对整个图像数据施加规定的二维频率分量来进行转换即可。

验证数据创建部130也可以通过对正常数据施加规定的数据值缺损来创建异常数据。图6是通过对正常数据(图6a)即时间序列数据追加数据值缺损创建出异常数据(图6b)的示例。如图6所例示的那样，验证数据创建部130可以通过对1个时间序列数据追加1个数据值缺损来创建异常数据，也可以通过对其追加多个数据值缺损来创建异常数据。关于施加数据值缺损的位置，可以由操作者指示，也可以随机决定。另外，关于数据值缺损的宽度，可以基于使用工业机械3的操作者的经验设定预期超过进行正常运行的范围的大小。此外，当异常数据的创建对象是图像数据时，通过黑色或白色对规定的位置加入规定尺寸的点即可。

验证数据创建部130也可以通过对正常数据施加规定的采样缺损来创建异常数据。图7是通过对正常数据(图7a)即时间序列数据追加采样缺损创建出异常数据(图7b)的示例。如图7所例示的那样，验证数据创建部130可以通过对1个时间序列数据追加1个采样缺损来创建异常数据，也可以通过对其追加多个采样缺损来创建异常数据。关于施加采样缺损的位置，可以由操作者指示，也可以随机决定。另外，关于采样缺损的宽度，可以基于使用工业机械3的操作者的经验设定预期超过进行正常运行的范围的大小。

验证数据创建部130也可以将通过上述多种方法创建出的异常数据包含在1组验证数据中。另外，验证数据创建部130也可以组合上述多种方法来创建异常数据。

验证部140执行由图1所示的诊断装置1所具备的cpu11从rom12中读出的系统程序，主要是通过进行由cpu11使用ram13和非易失性存储器14进行的运算处理来实现的。验证部140使用由验证数据创建部130所创建的验证数据，对存储在学习模型存储部109中的学习模型进行妥当性的验证，并输出该验证的结果。

例如，当学习模型存储部109中存储有1个学习模型时，验证部140指示推定部108使用该学习模型并基于验证数据进行推定，并将该推定的结果输出到例如显示装置70中。操作者观察输出到显示装置70中的推定结果来判断该学习模型的妥当性。此时，可以预先设定规定的条件式，当不满足该条件式时，验证部140判定为学习模型不妥当，并指示模型创建指令部重新创建学习模型。另外，验证部140可以算出roc曲线、auc值等公知的机器学习评估值并对显示装置70进行显示。操作者可以观察该验证结果的显示，若判断为创建的是妥当的学习模型，则在实际的工业机械状态判定中使用存储在学习模型存储部109中的学习模型。另一方面，若操作者判断为没有创建出妥当的学习模型时，则可以再次指示模型创建指令部120重新创建学习模型。

例如，当学习模型存储部109中存储有多个学习模型时，验证部140指示推定部108使用各个学习模型并基于验证数据进行推定，并将该推定的结果中可推定出平均结果的学习模型选择为妥当的学习模型。推定结果是平均的是指：表示通过对学习模型输入验证数据所得到的推定结果与使用其它学习模型所得到的推定结果相比并未发生较大偏离的中央值。验证部140也可以将例如使用学习模型并使用多个验证数据所得到的多个推定结果表现为多维向量，对通过各个学习模型所得到的多个多维向量的推定结果进行公知的离群值检测，将推定出离群值的学习模型以外的学习模型作为推定出比较平均的结果的妥当学习模型。另外，验证部140也可以将例如使用学习模型并使用多个验证数据所得到的多个推定结果表现为多维向量。验证部140也可以将推定出与通过各个学习模型所得到的多个多维向量的推论结果的平均向量的距离较小的结果的学习模型作为推定出比较平均的结果的妥当学习模型。验证部140可以自动地将推定出最平均的结果的学习模型选择为妥当学习模型，关于表示比较平均的推定结果的一部分学习模型，也可以对显示装置70进行输出，并使操作者选择妥当学习模型。

下面，将示意性地说明本实施方式的诊断装置可以采用的变形例。作为诊断装置1的变形例所具备的验证数据创建部130，除了将根据正常数据创建异常数据时的脉冲、固定值分量的大小、频率分量的频率值、大小等值设定为基于操作者的经验的值之外，例如在雾计算机、云服务器等中存储有少量异常数据时，也可以对该异常数据进行解析，确定并使用应检测为异常的脉冲数据、固定值数据的大小、频率分量的频率值、大小等。虽然收集大量异常数据是很困难的，但可以在连接有较多工业机械3的网络上收集少量异常数据。因此，通过解析并使用从少量异常数据检测为异常的脉冲、固定值分量、频率分量的趋势，可以不再需要基于操作者的经验进行设定。

具备上述配置的本实施方式的诊断装置1通过对在工业机械3正常运行时获取到的正常数据施加规定的变更来创建异常数据，创建出用于验证学习模型的数据。因此，不再需要收集规定数量的难以收集的异常数据，因此能够容易地验证学习模型的妥当性。

以上，关于本发明的一种实施方式进行了说明，但本发明并不仅限于上述实施方式的示例，可以通过施加适当的变更从而以各种样态进行实施。