[发明专利]运行状态分类系统和运行状态分类方法

说明书

本发明实现了运行状态分类系统，其分类精度在追加学习中不断提高，并且还适当地防止分类功能的非法复制。运行状态分类系统通过通信网络连接边缘设备和服务器，向神经网络输入传感器数据并输出状态标签，所述边缘设备包括：保存所述神经网络的前级侧的第一保存部；以及将所述传感器数据输入所述神经网络的前级侧并输出中间数据的维度压缩部，所述服务器包括：保存所述神经网络的后级侧的第二保存部；向所述神经网络的后级侧输入所述中间数据并输出所述状态标签的推理执行部；以及通过追加学习来更新所述神经网络的后级侧的学习部。

技术领域

本发明涉及对边缘设备等的运行状态进行分类的运行状态分类系统和运行状态分类方法。

背景技术

在检测工厂设备等的异常上的课题之一，是适当的判定基准的设定。例如，在对机床进行诊断时，由于工序的类别不同，驱动电动机所承受的负载也不同(例如，加工中负载大，怠速中负载小)，如果不对每道工序设定不同的判定基准，就会出现很多误报和失报。或者为了提高异常检测的精度，可以考虑只使用特定工序的数据，或者只使用负载变动小的时间段的数据。因此，需要能够在异常检测之前对目标设备的运行状态进行分类的运行状态分类系统。

另一方面，最近，在功率转换装置和工业用控制器等边缘设备上配备深度学习的推理执行功能(神经网络)逐渐成为可能。因此，利用这一功能，如果在边缘设备上搭载运行状态分类功能，就可以通过边缘设备判别运行状态，并将异常检测所使用的数据发送给服务器，不仅可以减少通信数据量，还可以进行更高精度的异常检测。

这种现有技术的概念图在图15中示出。首先，在边缘设备中，将来自各种传感器的数据与表示各运行状态的状态标签L(例如L₁、L₂、L₃)相关联地保存。然后以某种方式将其回收到学习用服务器中，利用学习用服务器来学习神经网络。然后将得到的完成学习神经网络安装到边缘设备上。这样一来，单凭边缘设备就能实现状态分类的自动化。之后，根据分类结果执行处理，如仅用特定的运行状态数据进行诊断等。

但是，现在的边缘设备、特别是各种控制用设备，比如功率转换装置或工业用控制器，而不是像工业用PC那样的假设了边缘计算的设备，由于搭载的微机性能低、存储空间小，通常很难执行神经网络的学习。

因此，如上述那样基于现有技术的运行状态分类系统的情况下，存在固定于实际运用开始时的功能，难以通过实际运用提高分类精度的问题。并且，边缘设备本身就会关闭功能，因此，通过监视输入和输出，神经网络功能也有可能被非法复制。

因此，有人提出了一种技术，将神经网络分割装载在边缘设备和服务器上，从而充分利用边缘设备和服务器两者的计算能力。例如，专利文献1中，在智能手机上执行神经网络的前半部分(从输入层到中间层前半部分)的处理，将其结果输出给服务器，由服务器执行后半部分(从中间层后半部分到输出层)的处理的技术被公开。不仅是推理执行，学习也是由智能手机和服务器协同执行的。

现有技术文献

专利文献

专利文献1：国际公开WO2018/011842号公报

发明内容

发明所要解决的技术问题

然而，在功率转换装置和工业用控制器等各种控制用设备中，由于微机的性能和存储能力不如智能手机，因此存在难以利用专利文献1所公开的技术执行神经网络的学习的问题。

本发明是为了解决上述现有技术存在的问题而完成的，其目的是提供一种运行状态分类系统，在边缘设备和服务器协作时，可以减轻边缘设备侧的负担，同时通过追加学习持续提高运行状态分类的精度。

解决技术问题所采用的技术方案