[发明专利]异常判定辅助装置

说明书

本发明提供一种异常判定辅助装置，具备分析对象数据制作部、一次判定部以及二次判定部。分析对象数据制作部从制造设备的数据采集装置取得表示制造设备的状态或产品品质中的至少一方的时间序列信号，从时间序列信号提取分析对象数据。一次判定部通过对提取出的分析对象数据应用多种不同的分析方法而从共同的分析对象数据导出多个一次判定结果。二次判定部具有将由一次判定部得到的一次判定结果和作为与该一次判定结果对应的正解的异常判定结果以及异常原因的对作为示教信号来进行学习的机器学习装置，该二次判定部将在一次判定部中从共同的分析对象数据得到的多个一次判定结果输入到机器学习装置，将从机器学习装置输出的二次判定结果以及推定异常原因作为判断材料而输出。

技术领域

本发明涉及在与制造产品相关的制造设备中对判定制造设备本身、产品品质是正常还是异常进行辅助的装置。

背景技术

作为制造业中的制造设备，存在轧机、加工机、组装机等多种设备。例如，制造板材的轧机为，通过对钢铁材料、或者铝、铜等非铁材料的块进行轧制而使其变薄，由此容易加工成汽车、电气产品。在轧机中，例如，存在2台粗轧机、7台精轧机，用于驱动上下的轧辊的大容量电动机、连结辊与电动机的轴等细微的规格不同，但装置的构成相似的情况较多。

对于这些制造设备，强烈要求稳定且高速地制造产品，为了避免因制造设备的故障而导致的生产阻碍，要求事先通知制造设备的不良情况、异常的技术。因此，通常对作为对象的设备的信号进行收集并根据该信号来判定是正常还是异常。作为与这种技术相关的公知文献，能够例示下述的专利文献1、专利文献2、专利文献3。

在专利文献1中记载了使用回转机械的电流的振幅，根据两个指标来确定有无异常的方法。根据专利文献1所记载的方法，根据是否超过了预先设定的判定基准来进行是否异常的判定。但是，未记载基于机器学习等学习的判断力的强化。

在专利文献2中记载了使用回转机械的电流来诊断异常的方法。但是，与专利文献1同样，该诊断方法是判定某个指标是否超过了阈值的方法。此外，虽然具有还能够应用机器学习这样的记载，但并未提及具体的方法。

在专利文献3中记载了如下内容：通过使用了正常时的数据的回归分析等来预先制作诊断对象的模型，并对其与根据当前的数据制作的模型之差进行评价，来判定是否异常。专利文献3所记载的方法也是通过是否超过了预先设定的阈值来判定是否异常的方法。

在是正常还是异常的判定中，在现实中最难的一点在于，存在如何设定正常与异常的边界、即是否异常的阈值这样的问题。根据阈值的设定，有可能发生正常被判定为异常或者异常被判定为正常的情况。一旦决定了阈值并判断出正常或异常，由于之后变更阈值而会导致正常或异常的判定结果变化。

此外，为了判定是正常还是异常而使用几种分析方法。例如，存在基本的统计量(平均、最大最小、标准偏差、失真度、峭度等)、概率密度函数的形式的识别等。此外，也能够通过快速傅里叶变换(FFT)、小波变换对振动的幅度(振幅)与频率之间的关系进行定量化。

但是，由于这些分析方法存在多种，因此会产生根据上述阈值的决定方法而无法确定判定结果这样的问题。即，有时会产生如下的相反的判定结果：虽然根据通过某种分析方法而输出的指标和为此设定的阈值判定为正常，但是根据通过另一种分析方法而输出的指标和为此设定的阈值判定为异常。

此外，在一般情况下，与正常数据的数量和种类相比，异常数据的数量和种类非常少，通常为了收集表示异常的事例而需要花费大量的时间。

现有技术文献

专利文献

专利文献1：日本专利第5828948号公报

专利文献2：日本特开2019-020278号公报

专利文献3：日本特开2019-016039号公报

发明内容