JP2019079160A

JP2019079160A - 状態判定装置

Info

Publication number: JP2019079160A
Application number: JP2017204174A
Authority: JP
Inventors: 裕泰浅岡; Hiroyasu Asaoka; 淳史堀内; Atsushi Horiuchi; 顕次郎清水; Kenjiro Shimizu
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2017-10-23
Filing date: 2017-10-23
Publication date: 2019-05-23
Anticipated expiration: 2037-10-23
Also published as: US20190118443A1; US10981315B2; JP6616375B2; CN109693354A; CN109693354B; DE102018125389A1; DE102018125389B4

Abstract

【課題】製造装置の状態を高い精度で判定することが可能な状態判定装置及び機械学習装置を提供すること。【解決手段】本発明の状態判定装置１は、製造装置６０による製品の製造動作から取得した状態変数に基づいて、製造装置６０の状態の概要を学習した１次判定学習モデル１１２と、予め定めた所定の動作パターンから取得した状態変数及びメンテナンス情報とに基づいて、製造装置６０の状態を学習した２次判定学習モデル１１４と、製品の製造動作から取得した状態変数に基づいて、１次判定学習モデルを用いて製造装置の状態の概要を１次判定し、予め定めた動作パターンから取得した状態変数に基づいて、２次判定学習モデルを用いて製造装置の状態を２次判定する判定結果出力部１２２を備える。【選択図】図２

Description

本発明は、製造装置の状態判定装置に関する。

射出成形機等の製造装置の保守は定期的あるいは異常発生時に行っている。製造装置の保守に際して製造装置の状態を判定する方法の一例として、製造装置の可動部やセンサから取得されたデータを記録し、通常動作時の前記可動部やセンサから取得されるデータと比較して、その偏差が予め設定された閾値を超えたか否かで製造装置の動作が正常であるか異常を判定する方法等が知られている。このように、製造装置を保守する際には、製造装置の動作時に記録しておいた動作状態を示す物理量を用いることにより、製造装置による動作の状態を判定することが行われる。

製造装置の状態を判定する従来技術として、例えば特許文献１〜２には、製造装置としての射出成形機の動作について、正常な型開閉動作や突き出し動作が行われた少なくとも過去の１回分の負荷或いは複数回の動作の移動平均値を算出することにより得られた負荷を、基準負荷として設定する技術が開示されている。また、特許文献３には、製造装置としての射出成形機による製品の製造の動作に係るデータを入力として、機械学習器を用いて射出成形機の異常を診断する技術が開示されている。

特開２０１４−２０３１２５号公報特開２０１２−０１４５８４号公報特開２０１７−０３０２２１号公報

しかしながら、例えば射出成形機のような多くの品種を製造する製造装置では、製品の製造に於ける条件、例えば射出成形機であれば、製品の製造に用いる材料や金型、製造時の温度条件、型締条件、射出条件等の加工条件がそれぞれの品種によって異なるという特徴がある。その為、特許文献１，２に開示される技術を用いたとしても、それぞれの条件に応じた正確な異常原因の推定が困難であるという問題がある。

一方、特許文献３に開示されるように異常の検出に機械学習器を用いる場合、判定に用いるデータには不確定要素が少ない方が異常原因等の判定時の精度を上げやすく、機械学習モデルの構成もシンプルなもので構築できる。例えば構成要素の負荷を基に損耗状態を判定するような機械学習の場合、判定用の動作パターンを固定した方が、正常／異常の区別がしやすいという傾向がある。しかしながら、例えば製造装置としての射出成形機の実際の成形では、上記したように材料や金型、加工条件等が様々であり、実際の成形中に、全ての成形に共通な動作を行わせる事が現実問題として難しい。また、射出成形機のように、製造時の条件（温度バランス等）を一定に保ちながら同じ製品の製造を続ける製造装置では、動作状態の判定を行うために製造の為の動作を中断すると、製造動作を再開するのに時間が掛かり、製造工程が大幅に遅れるという問題がある。結果として、製造装置における精度の高い異常原因の判定を製造の動作中に行う事に制約が存在するという問題が生じる。

そこで本発明の目的は、製造装置の状態を高い精度で判定することが可能な状態判定装置及び機械学習装置を提供することである。

本発明では、製造装置の状態判定装置に対して複数の機械学習器を導入し、該複数の機械学習器により段階的な状態判定（１次判定、２次判定）を行う事で、より詳細な稼働状態の判定あるいは総合的な判定を行うようにすることにより、上記課題を解決する。

本発明の状態判定装置による１次判定では、製造装置の通常の運転中（製品の製造中）の動作から取得される製造装置の動作に係る状態量に基づいて、製造装置の概略的な状態を判定する。上記したように、製品の製造中の製造装置の動作から取得されるデータからは、製造装置の厳密な動作状態を判定することが難しいが、製造装置の動作が正常か異常か、異常である場合にどの部分に異常が生じた可能性があるのか、程度のことであれば判定できる可能性が有る。本発明の状態判定装置による１次判定では、製造装置の状態を１次切り分けする。

一方で、本発明の状態判定装置による２次判定では、例えば製造装置の運転を中断し、判定用のセンサを追加で設置したり、製造装置を判定用の動作パターンで動作させてデータを取得したりして、より詳細な製造装置の状態の判定を行う。

そして、本発明の一態様は、製造装置の動作から取得した内的外的な状態変数に基づいて該製造装置の状態を判定する状態判定装置において、前記製造装置による製品の製造動作から取得した前記状態変数に基づいて、前記製造装置の状態の概要を学習した１次判定学習モデルと、前記製造装置による予め定めた所定の動作パターンから取得した前記状態変数と、前記製造装置のメンテナンスに係る情報とに基づいて、前記製造装置の状態を学習した２次判定学習モデルと、前記製造装置により製品の製造動作から取得した前記状態変数に基づいて、前記１次判定学習モデルを用いて前記製造装置の状態の概要を１次判定し、所定の機会において実行された前記製造装置による予め定めた動作パターンから取得した前記状態変数に基づいて、前記２次判定学習モデルを用いて前記製造装置の状態を２次判定する判定結果出力部と、を備える状態判定装置である。

本発明の状態判定装置では、製品の製造中に停止させると効率が悪い製造装置の動作中に１次判定により製造装置の状態をある程度把握し、必要があれば適切なタイミングで製造装置による製品の製造を一旦中断し、２次判定でより詳細に状態判定装置の状態を判定することが出来るようになる。その為、製品の製造のサイクルタイムを無駄に長くすること無く効率的に且つ高い精度で製造装置の状態を判定することが出来るようになる。

また、一般に詳細な動作状態を検出するためのセンサは高価なものが多く、このようなセンサを工場に設置された全ての製造装置の数だけ用意するとなるとコスト面での問題が生じる。しかしながら、本発明の状態判定装置では、製造装置による製品の製造中は１次判定による概略的な製造装置の状態の切り分けを行うだけあり、このような１次判定には多くの場合に高価なセンサを必要としないので、普段はセンサを設置することなく製造装置を運転しておき、２次判定が必要となったときに当該製造装置にセンサを取り付ければよくなるので、例えばセンサを１つだけ用意しておいて使いまわすことが出来るようになる。

即ち、本発明により、不確定要素が多い製造装置の製品の製造中の動作に基づいて、製造機械の状態を概略的に切り分けることが出来るようになり、必要に応じて更に詳細な状態判定を行うことで異常の原因を判定できるようになるため、効率的且つ高い精度で該製造装置の異常原因を判定することが出来る。

第１の実施形態による状態判定装置の概略的なハードウェア構成図である。第１の実施形態による状態判定装置の概略的な機能ブロック図である。状態判定装置による１次判定学習モデルの学習について説明する図である。

以下、本発明の実施形態を図面と共に説明する。
図１は第１の実施形態による状態判定装置の要部を示す概略的なハードウェア構成図である。状態判定装置１は、例えば製造装置の制御装置の一部として実装することができる。また、状態判定装置１は、例えば製造装置の制御装置に併設されるパソコン等のコンピュータの一部として実装することができる。また、状態判定装置１は、例えば複数の製造装置の制御装置とネットワークを介して接続されたセルコンピュータやホストコンピュータ、クラウドサーバ等のコンピュータの一部として実装することができる。本実施形態による状態判定装置１が備えるＣＰＵ１１は、状態判定装置１を全体的に制御するプロセッサである。ＣＰＵ１１は、ＲＯＭ１２に格納されたシステム・プログラムをバス２０を介して読み出し、該システム・プログラムに従って状態判定装置１全体を制御する。ＲＡＭ１３には一時的な計算データや表示データ、図示しない入力部を介してオペレータが入力した各種データ等が一時的に格納される。

不揮発性メモリ１４は、例えば図示しないバッテリでバックアップされるなどして、状態判定装置１の電源がオフされても記憶状態が保持されるメモリとして構成される。不揮発性メモリ１４には、図示しない入力部を介してオペレータが入力した各種データや、インタフェース１９を介して製造装置６０から取得された各種データ（例えば、製造装置６０の型番や各パラメータの設定値、製造装置６０の動作に係る情報等）、インタフェース１８を介してセンサ７０から取得された各種検出値データ（例えば、センサ７０が温度センサである場合には温度値、センサ７０が距離センサである場合には距離値等）、図示しないインタフェースを介して入力されたプログラム等が記憶されている。不揮発性メモリ１４に記憶されたプログラムや各種データ等は、実行時／利用時にはＲＡＭ１３に展開されても良い。また、ＲＯＭ１２には、公知の解析プログラムなどの各種のシステム・プログラム（後述する機械学習装置１００とのやりとりを制御するためのシステム・プログラムを含む）があらかじめ書き込まれている。

センサ７０は、製造装置６０を外部から観測するために設けられる。センサ７０としては、例えば視覚センサや音声センサ、温度センサ、距離センサなどを用いても良い。センサ７０は、製造装置６０自身では検出できない製造装置６０の動作に係る情報を検出し、インタフェース１８を介してＣＰＵ１１へと通知する。センサ７０は必ずしも必須の構成ではないが、状態判定装置１による２次判定などでセンサ７０を用いることで異常の判定の精度を向上させることができる。

製造装置６０は、状態を判定する対象となる機械である。製造装置６０は、例えばロボットや工作機械、放電加工機、射出成形機等の加工機であっても良い。製造装置６０は、ＣＰＵ１１からの動作指令をインタフェース１９を介して信号等により受けて各部を制御することが出来るようになっている。また、製造装置６０は、各部に設けられたセンサやモータ等に供給される電流値などを検出してインタフェース１９を介してＣＰＵ１１へと通知する。

インタフェース２１は、状態判定装置１と機械学習装置１００とを接続するためのインタフェースである。機械学習装置１００は、機械学習装置１００全体を統御するプロセッサ１０１と、システム・プログラム等を記憶したＲＯＭ１０２、機械学習に係る各処理における一時的な記憶を行うためのＲＡＭ１０３、及び学習モデル等の記憶に用いられる不揮発性メモリ１０４を備える。機械学習装置１００は、インタフェース２１を介して状態判定装置１で取得可能な各情報（製造装置６０の型番や各パラメータの設定値、製造装置６０やセンサ７０から取得した製造装置６０の動作に係るデータ等）を観測することができる。また、状態判定装置１は、機械学習装置１００から出力される製造装置６０の状態の判定結果を受けて、該判定結果に基づくメッセージ等を表示器８０に表示したり、製造装置６０の動作を制御したりする。

図２は、第１の実施形態による状態判定装置１と機械学習装置１００の概略的な機能ブロック図である。図２に示した各機能ブロックは、図１に示した状態判定装置１が備えるＣＰＵ１１、及び機械学習装置１００のプロセッサ１０１が、それぞれのシステム・プログラムを実行し、状態判定装置１及び機械学習装置１００の各部の動作を制御することにより実現される。

本実施形態の状態判定装置１は、機械学習装置１００から出力された製造装置６０の状態判定の結果に基づいて製造装置６０の動作を制御する指令を出力する制御部３４を備える。制御部３４が出力する指令は、例えば、１次判定で製造装置６０になんらかの異常が発生していると判定された時点から、予め定めた所定の期間以内に、製造装置６０による製品の製造動作が予め定めた回数行われた時点で、製造装置６０による所定の動作が予め定めた回数行われた時点で、又は製造装置６０が現在実行している一連の製造工程が完了した時点で、製造装置６０を２次判定のモードへと切り替える制御や、製造装置６０が現在実行している製造工程を中断して強制的に２次判定のモードへと切り替える制御などが例示される。

本実施形態の状態判定装置１は、機械学習装置１００から出力された製造装置６０の状態判定の結果に基づいて表示器８０に対してガイダンス等を表示する表示部３６を備える。表示部３６は、例えば、１次判定で製造装置６０になんらかの異常が発生していると判定された時点から、予め定めた所定の期間以内に、製造装置６０による製品の製造動作が予め定めた回数行われた時点で、製造装置６０による所定の動作が予め定めた回数行われた時点で、又は現在実行している一連の製造工程が完了した時点で、製造装置６０を２次判定のための動作モードへと切り替えることを表示器８０に表示したり、製造装置６０が現在実行している製造工程を中断して強制的に２次判定ための動作モードへと切り替える旨を表示器８０に表示したりする。また、表示部３６は、２次判定のための動作モードへと切り替えた後に、追加のセンサ７０を製造装置６０に対して取り付けるガイダンスを表示器８０に表示しても良い。

本実施形態の状態判定装置１が備える機械学習装置１００は、製造装置６０の動作に対する、該製造装置６０の状態を、いわゆる機械学習により自ら学習するためのソフトウェア（学習アルゴリズム等）及びハードウェア（プロセッサ１０１等）を含む。状態判定装置１が備える機械学習装置１００が学習するものは、製造装置６０の動作と、該製造装置６０の状態との、相関性を表すモデル構造に相当する。

図２に機能ブロックで示すように、状態判定装置１が備える機械学習装置１００は、製造装置６０の製品の製造時の動作に係るデータである製造動作データＳ１と、製造装置６０の２次判定用の動作に係るデータである２次判定動作データＳ２を含む製造装置６０の内的外的な状態変数Ｓとして観測する状態観測部１０６と、製造装置６０の状態を示す状態ラベルデータＬ１を含む判定データＬを取得するラベルデータ取得部１０８と、製造動作データＳ１に基づく１次判定に係る学習と、状態変数ＳとラベルデータＬとを用いて２次判定に係る学習とを行う学習部１１０とを備える。

状態観測部１０６は、状態判定装置１が１次判定をするモードにある場合、製造装置６０の製品の製造時の動作に係るデータである製造動作データＳ１を状態変数Ｓとして観測する。製造動作データＳ１は、製造装置６０が製品の製造をしている際に取得される製造装置６０の動作に係るデータであり、一例として、製造装置６０が射出成形機である場合、射出成形機の成形動作における可塑化スクリュ駆動用モータのトルク（電流、電圧）、可塑化スクリュの動作速度・位置、駆動部への指令値、材料の圧力、型締力、温度、成形サイクル毎の物理量、成形条件、成形材料、成形品、射出成形機の構成部品の形状、射出成形機の構成部品のひずみ、動作音、射出成形機の動作画像等が例示される。製造動作データＳ１は、製造装置６０の標準的な製造動作時に取得可能なデータであって、製造装置６０の動作の正常／異常の判定に利用できるデータであれば、どのようなデータを取得するようにしても良い。また、製造装置６０に標準的に取り付けられているものであれば、センサ７０による検出値を製造動作データＳ１として用いるようにしても良い。製造動作データＳ１として取得される各データは、ある時点におけるデータ値としても良く、また、製造装置６０の１動作に渡って連続して取得された値を所定の周期でサンプリングしたデータ列であっても良い。

状態観測部１０６は、状態判定装置１が２次判定をするモードにある場合において、製造装置６０の２次判定用の動作に係るデータである２次判定動作データＳ２を状態変数Ｓとして観測する。２次判定動作データＳ２は、製造装置６０が２次判定用の動作パターンで動作している際に取得される製造装置６０の動作に係るデータであり、一例として、製造装置６０が射出成形機である場合、射出成形機の成形動作における可塑化スクリュ駆動用モータのトルク（電流、電圧）、可塑化スクリュの動作速度・位置、駆動部への指令値、材料の圧力、型締力、温度、成形サイクル毎の物理量、成形条件、成形材料、成形品、射出成形機の構成部品の形状、射出成形機の構成部品のひずみ、動作音、射出成形機の動作画像等が例示される。２次判定動作データＳ２は、製造装置６０が２次判定用の動作をしている時に取得可能なデータであって、製造装置６０の動作の正常／異常の判定に利用できるデータであれば、どのようなデータを取得するようにしても良い。また、２次判定動作データＳ２には、製造装置６０に標準的に取り付けられていないセンサ７０を２次判定時に取り付けて、該センサ７０で検出された検出値を用いるようにしても良い。２次判定動作データＳ２として取得される各データは、ある時点におけるデータ値としても良く、また、製造装置６０の１動作に渡って連続して取得された値を所定の周期でサンプリングしたデータ列であっても良い。

ラベルデータ取得部１０８は、状態判定装置１が２次判定を学習するモードにある場合に、ラベルデータＬとして、製造装置６０の状態を示す状態ラベルデータＬ１を取得する。ラベルデータ取得部１０８は、製造装置６０のメンテナンス時において図示しない入力装置を介して作業者が入力して不揮発性メモリ１４等のメモリに記憶された製造装置６０のメンテナンス情報の中から、製造装置６０の不具合の発生部分と不具合の内容を状態ラベルデータＬ１として取得する。

学習部１１０は、機械学習と総称される任意の学習アルゴリズムに従い、製造装置６０の動作に対する製造装置６０の状態の概要を１次判定学習モデル１１２として、製造装置６０の２次判定用の動作に対する製造装置６０の状態を２次判定学習モデル１１４として、それぞれ学習する。学習部１１０は、前述した状態変数ＳとラベルデータＬとを含むデータ集合に基づく学習を反復実行することができる。

学習部１１０が行う１次判定学習モデル１１２の学習は、例えば製造装置６０の動作に対する製造装置６０の動作の正常／異常の程度を所謂教師なし学習により行われする。図３は、教師なし学習を用いた１次判定学習モデル１１２の学習方法について説明する図である。なお、図３の例では、説明を簡単にするために、製造動作データＳ１として、可塑化スクリュ駆動用モータのトルク値、可塑化スクリュモータの動作速度、及び材料の圧力のそれぞれを、ある時点でのデータ値として取得している例で説明している。学習部１１０は、１次判定学習モデル１１２の学習において、製造装置６０（及びセンサ７０）から取得した製造動作データＳ１に対してクラスタ分析を行って１乃至複数のクラスタを形成する。状態判定装置１は、例えば、所定の条件下での製造装置６０による製品の製造が開始されると、予め定められた所定の数の動作が行われるまで製造動作データＳ１を収集して、不揮発性メモリ１４等のメモリに蓄積する。そして、予め定められた所定の数のデータ数（クラスタ分析を行うために充分なデータ数）の製造動作データＳ１が収集されると、収集された製造動作データＳ１を状態観測部１０６が観測し、学習部１１０による１次判定学習モデル１１２（クラスタ集合）の構築（学習）が実行される。所定の条件化での製造装置６０による製品の製造の初期においては、製造装置６０の状態は正常であることが期待できるため、この段階で製造動作データＳ１をクラスタ分析して作成されるクラスタは、製造装置６０の状態が正常な場合のデータのクラスタであることが期待できる。学習部１１０による１次判定学習モデル１１２の学習は、通常はこのように所定の条件下での製造装置６０による製品の製造の初期において実行される。なお、教師なし学習の学習アルゴリズムとしては、例えば公知の階層型クラスタリングや非階層型クラスタリング等を用いることができる。

学習部１１０が行う２次判定学習モデル１１４の学習は、例えば製造装置６０において問題が生じた際にメンテナンスを行う作業者により実行される２次判定用の動作パターンの実行時に取得される２次判定動作データＳ２、及び作業者により入力されたメンテナンス作業の結果のデータから取得される状態ラベルデータＬ１を、製造装置６０の状態が異常である時の教師データと用いた所謂教師あり学習で行われる。学習部１１０が行う２次判定学習モデル１１４の学習では、作業者は更にメンテナンス後の製造装置６０に対して２次判定用の動作パターンを実行させ、この時に取得された２次判定動作データＳ２と、正常を示す状態ラベルデータＬ１とを、製造装置６０の状態が正常である時の教師データとして用いるようにしても良い。なお、教師あり学習の学習アルゴリズムとしては、例えば公知の多層ニューラルネットワーク、ベイジアンネットワークやサポートベクタマシン、混合ガウスモデル等を用いることができる。

判定結果出力部１２２は、１次判定時においては、製造動作データＳ１に基づいて、学習部１１０が学習した結果（１次判定学習モデル１１２）を用いた製造装置６０の状態の概要の判定を行い、該推論結果を制御部３４へと出力する。判定結果出力部１２２は、１次判定時において、例えば、製造装置６０の製品の製造の動作から取得した製造動作データＳ１と、図３で説明した製造装置６０の正常な動作から取得したデータの各クラスタとの距離を算出し、算出された距離の内で最も短い距離が予め定めた第１の閾値以上である場合に、製造装置６０に何らかの異常が生じた可能性がある旨を判定結果として出力しても良く、更に、算出された距離の内で最も短い距離が予め定めた第２の閾値（＞第１の閾値）以上である場合には、製造装置６０に何らかの緊急の異常が生じた可能性がある旨を判定結果として出力しても良い。

判定結果出力部１２２は、２次判定時においては、２次判定動作データＳ２に基づいて、学習部１１０が学習した結果（２次判定学習モデル１１４）を用いた製造装置６０の状態の判定を行い、該推論結果を制御部３４へと出力する。判定結果出力部１２２が出力する２次判定時における判定の結果には、例えば製造装置６０の不具合の発生部分と不具合の内容が含まれる。

状態判定装置１の一変形例として、学習部１１０は、１次判定において、製造装置６０を構成するそれぞれの部分のいずれに異常が発生しているのかを確率等で出力するように、１次判定学習モデル１１２を構築（学習）するようにしても良い。このようにする場合、１次判定学習モデル１１２として、例えば学習部１１０を周知のＣＮＮ（ＣｏｎｖｏｌｕｔｉｏｎａｌＮｅｕｒａｌＮｅｔｗｏｒｋ：畳み込みニューラルネットワーク）等の学習アルゴリズムを用い、製造装置６０による製品の製造動作により取得した製造動作データＳ１を不揮発性メモリ１４等のメモリに蓄積して、作業者によるメンテナンス等が行われた際に作業者により入力された情報から製造装置６０の異常発生部分を示す異常個所データＬ２をラベルデータＬとして取得し、１次判定学習モデル１１２の出力側を各クラスに属する確率が出力されるように機械学習させることで、製造装置６０のそれぞれの部分の異常が発生した確率を出力させることも可能となる。このように構成すると、作業者は状態判定装置１からの出力に基づいて、最も高い確率の部分に異常があるとあたりをつけて、それに合わせて２次判定を行うことができるようになる。また、２次判定にＶＡＥ（ＶａｒｉａｔｉｏｎａｌＡｕｔｏＥｎｃｏｄｅｒ）等のオートエンコーダを用いて、１次判定による異常個所候補に対して、それぞれ異常・正常を判定していくことも可能である。

上記に加えて、更に２次判定に用いる２次判定学習モデル１１４を製造装置６０のそれぞれの部分毎に作成し、それぞれの部分の異常を判定するために適切な２次判定用の動作パターンに基づいて製造装置６０の部分に関する２次判定を行うように構成することもできる。この場合、２次判定動作データＳ２のデータ項目を選択することで、それぞれの２次判定学習モデル１１４をシンプルな構造で構成することが出来るため、学習の速度が上昇すると共に過学習等の公知の問題を防止することも出来るようになり、更に、２次判定における異常の判定精度を高めることも可能となる。

状態判定装置１の他の変形例として、学習部１１０は、異常が発生した箇所について１次判定で大まかな判定を行い、２次判定において更に細分化した判定を行うようにすることもできる。本変形例では、例えば１次判定学習モデル、２判定学習モデルの両方を成形機の駆動用モータのトルクの変化を示す波形をクラス分けする多層パーセプトロンの分類器を構成する学習モデルとし、例えば、前記駆動用モータによる駆動部を構成する摺動部品の摩耗量を１次判定において大まかな精度（例えば、最小分解能１ｍｍ単位）で判定し、２次判定においてより細やかな精度（例えば、最小分解能０．５ｍｍ単位）で判定するようにそれぞれの学習モデルを構築する。射出成形機における製品の成形中は、金型や成形条件等の影響を受けるため不確定要素が大きく厳密な状態判定は難しいが、ここで大まかな状態の判定を行った上で、２次判定では金型や成形条件による制約を切り離した動作を規定動作とした精密判定を行うようにすることで、状態判定の精度を容易に向上させることができる。

以上、本発明の実施の形態について説明したが、本発明は上述した実施の形態の例のみに限定されることなく、適宜の変更を加え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、機械学習装置１００が実行する学習アルゴリズムや演算アルゴリズム、状態判定装置１が実行する制御アルゴリズム等は、上述したものに限定されず、様々なアルゴリズムを採用できる。

また、上記した実施形態では状態判定装置１と機械学習装置１００が異なるＣＰＵを有する装置として説明しているが、機械学習装置１００は状態判定装置１が備えるＣＰＵ１１と、ＲＯＭ１２に記憶されるシステム・プログラムにより実現するようにしても良い。

更に、上記した実施形態では状態判定装置１による判定を、１次判定と２次判定の２つの段階に分割したが、例えば、複数の製造装置により構成される製造システムに対して本発明の状態判定装置１を適用するにあたり、全体の製造システムから取得されたデータに基づいて１次判定を行うことでどの装置で異常が発生しているのかを特定する１次判定を行い、１次判定で異常が発生しているとされた装置から取得されたデータに基づいて２次判定を行い、更に製造の工程を中断した上で当該装置のいずれの部分にどのような異常が発生しているのかを判定する３次判定を行う、と言ったような、３段階以上に分割した状態判定を行わせるようにしても良い。

１状態判定装置
１１ＣＰＵ
１２ＲＯＭ
１３ＲＡＭ
１４不揮発性メモリ
１８，１９，２１インタフェース
２０バス
３４制御部
３６表示部
６０製造装置
７０センサ
８０表示器
１００機械学習装置
１０１プロセッサ
１０２ＲＯＭ
１０３ＲＡＭ
１０４不揮発性メモリ
１０６状態観測部
１０８ラベルデータ取得部
１１０学習部
１１２１次判定学習モデル
１１４２次判定学習モデル
１２２判定結果出力部

Claims

製造装置の動作から取得した内的外的な状態変数に基づいて該製造装置の状態を判定する状態判定装置において、
前記製造装置による製品の製造動作から取得した前記状態変数に基づいて、前記製造装置の状態の概要を学習した１次判定学習モデルと、
前記製造装置による予め定めた所定の動作パターンから取得した前記状態変数と、前記製造装置のメンテナンスに係る情報とに基づいて、前記製造装置の状態を学習した２次判定学習モデルと、
前記製造装置により製品の製造動作から取得した前記状態変数に基づいて、前記１次判定学習モデルを用いて前記製造装置の状態の概要を１次判定し、所定の機会において実行された前記製造装置による予め定めた動作パターンから取得した前記状態変数に基づいて、前記２次判定学習モデルを用いて前記製造装置の状態を２次判定する判定結果出力部と、
を備える状態判定装置。
前記所定の機会とは、前記１次判定を行った時点から所定の期間以内、前記製造装置による所定の製品製造動作回数以内、又は前記製造装置による所定の動作回数以内の少なくともいずれかである、
請求項１に記載の状態判定装置。
前記２次判定に用いる状態変数は、前記１次判定に用いる状態変数には含まれないセンサによる検出値を含む、
請求項１又は２に記載の状態判定装置。
前記状態判定装置は前記製造装置の制御装置の一部として構成されている、
請求項１〜３のいずれか１つに記載の状態判定装置。
前記状態判定装置は複数の前記製造装置とネットワークを介して接続されるコンピュータの一部として構成されている、
請求項１〜４のいずれか１つに記載の状態判定装置。