JP2022510858A - 機械学習手法に基づく機械のエラーデータを検出するためのアルゴリズム及び方法 - Google Patents

Abstract

本発明は、時系列的な閾値データをサーバにおいて機械学習手法に基づき自動で検出し、それを基に全ての時間領域で動作データを比較することができる。これにより、作業者が手書きで閾値データを入力する必要がない。また、本発明は、従来の閾値（絶対値）設定の際に発見できなかった機械の欠陥や製品不良を精密に検出することができる。

Description

本発明は、機械学習手法に基づく機械のエラーデータを検出するためのアルゴリズム及び方法に関する。

インターネットが急速に普及し、インターネットをベースにした全てのモノ間の連結技術が発達することにより、第４次産業革命が台頭している。このような第４次産業革命を引張っている様々な技術分野のうち一つは、スマートファクトリーに関する技術である。

スマートファクトリーとは、工場の機械及び施設を連結し、容易に管理できるようにする総体的な技術を称する。このようなスマートファクトリーをなす様々な技術のうち一つは、機械を管理する技術である。つまり、機械が正常に動作しているか否かをモニタリングし、エラーの発生を予め予測して管理できるようにするものである。

従来の場合、機械の誤作動を予測するために、時間とは関係ない絶対値の形に定義される閾値を設定し、機械の動作データを随時に収集して、閾値を超える動作データが発生した場合に特定のエラーが発生したと判断している。従来の閾値は、生産のための機械の設定許容値に関するものであり、言い換えれば、生産される製品の不良を生じさせない動作の上限値と下限値の組み合わせである。そして、従来の閾値は、工場の作業者が直接設定する固定値（作業者が設定した各区間内で時間とは関係なく固定されている絶対値）である。それゆえ、作業者が任意に製品の品質を低下させて不良率を下げようとすれば、閾値の上限と下限を広く設定すれば良く、その反対の場合は、閾値の上限と下限を狭く設定すれば良い。また、機械が動作する１つのサイクルに対応する周期の間に製品を製造する時区間に対して閾値が設定され、製品の製造と関係ない時区間に対しては別途の閾値が設定されない。よって、製品の不良発生有無については判断できるものの、機械のエラー有無については正確に判断することが難しい。

本発明は、上述した従来技術の問題点を解決するためのものであり、機械学習手法に基づきリアルタイムで収集された機械の動作データから時系列的な閾値データを自動で抽出することによって、作業者が手書きで閾値を設定したため把握できなかった機械のエラーデータを精密に予測及び検出できるようにすることにその目的がある。

また、本発明は、時系列的な閾値データを超えるエラーデータを作業者端末で容易に確認できるように提供することにその目的がある。

本発明の一実施例に係る、機械学習手法に基づく機械のエラーデータ検出方法は、（ａ）少なくとも１つの機械の時系列的な動作データを収集するステップと、（ｂ）当該動作データを所定の時間間隔に分割し、当該分割された動作データを同じ時間領域上に重なるようにマッピングするステップと、（ｃ）当該マッピングされた動作データの集合に対する時系列的な標準データを機械学習に基づき導出することで時系列的な閾値データを生成するステップと、（ｄ）リアルタイムで収集される動作データが当該閾値データを超えればエラーイベントと判断し、当該エラーイベントに関する情報を作業者端末へ提供するステップとを含む。

本発明の他の実施例に係る、機械学習手法に基づく機械のエラーデータを検出するサーバは、機械学習手法に基づく機械のエラーデータを検出するためのプログラムを格納するメモリと、当該プログラムを実行するためのプロセッサとを含み、当該プロセッサは、当該プログラムの実行により、少なくとも１つの機械の時系列的な動作データを収集し、当該動作データを所定の時間間隔に分割し、当該分割された動作データを同じ時間領域上に重なるようにマッピングし、当該マッピングされた動作データの集合に対する時系列的な標準データを機械学習に基づき導出することで時系列的な閾値データを生成し、リアルタイムで収集される動作データが当該閾値データを超えればエラーイベントと判断し、当該エラーイベントに関する情報を作業者端末へ提供する。

本発明は、時系列的な閾値データをサーバにおいて自動で検出し、それを基に全ての時間領域で動作データを比較するので、従来の閾値（絶対値）設定の際に発見できなかった機械の欠陥や製品不良を精密に検出することができる。

これにより、本発明は、従来に比べてより精巧に製品と品質の異常有無をチェックすることができるので、精密な予知保全が可能である。

また、閾値を全ての時間領域に対して時系列的に精密に生成するため、機械や製品の不良／誤動作検出の正確度が非常に高くなり、これにより、機械の工程能力指数（Ｃｐ）を非常に向上させることができ、正確な工程能力指数の検出が可能である。

また、作業者端末のユーザインターフェースを、作業者が各機械の状態を容易に確認できるように提供することで、作業者の便宜性を向上させることができる。

本発明の一実施例に係るシステムの構造図である。 本発明の一実施例に係るセンサアセンブリの構造に関するブロック図である。 機械から測定される動作データの代表的な３つの類型に関するグラフである。 本発明の一実施例に係るサーバの構造に関するブロック図である。 本発明の一実施例に係る前処理された動作データに関するグラフである。 本発明の一実施例に係る、６０秒単位で動作データを分割した後、各分割領域が６０秒単位内で重なるようにマッピングしたグラフである。 本発明の一実施例により収集された動作データから機械学習に基づいて検出された標準データに関するグラフである。 本発明の一実施例に係る時系列的な閾値データに関するグラフである。 本発明の一実施例に係る、閾値データを検証するために任意の動作データが入力された場合のグラフである。 本発明の一実施例に係る、エラーデータが発生した場合のグラフである。 本発明の一実施例に係るユーザインターフェースの一例である。 本発明の一実施例と従来技術による閾値データを比較するためのグラフである。 本発明の一実施例に係る、機械学習に基づいて機械のエラーデータを検出するための方法を説明するためのフローチャートである。

以下では、添付した図面を参照しながら、本発明の属する技術分野において通常の知識を有する者が容易に実施できるように本発明の実施例を詳しく説明する。ところが、本発明は様々な異なる形態に具現されることができ、ここで説明する実施例に限定されるものではない。そして、図面において、本発明を明確に説明するために、説明とは関係ない部分は省略しており、明細書全体に亘って類似した部分に対しては類似した図面符号を付けている。

明細書全体において、ある部分が他の部分と「連結」されているという場合、これは「直接的に連結」されている場合だけでなく、その中間に他の素子を挟んで「電気的に連結」されている場合も含む。また、ある部分がある構成要素を「含む」という場合、これは、特に反対の記載がない限り、他の構成要素を除くのではなく、他の構成要素をさらに含み得ることを意味する。

本明細書において「部」とは、ハードウェアによって実現されるユニット（ｕｎｉｔ）、ソフトウェアによって実現されるユニット、両方を利用して実現されるユニットを含む。また、１つのユニットが２つ以上のハードウェアを利用して実現されても良く、２つ以上のユニットが１つのハードウェアによって実現されても良い。一方、「～部」は、ソフトウェア又はハードウェアに限定される意味ではなく、「～部」は、アドレッシングできる格納媒体にあるように構成されても良く、１つ又はそれ以上のプロセッサを再生するように構成されても良い。従って、一例としての「～部」は、ソフトウェア構成要素、オブジェクト指向のソフトウェア構成要素、クラス構成要素、及びタスク構成要素のような構成要素と、プロセス、関数、属性、プロシージャ、サブルーチン、プログラムコードのセグメント、ドライバー、ファームウェア、マイクロコード、回路、データ、データベース、データ構造、テーブル、アレイ及び変数を含む。構成要素と「～部」の中で提供される機能は、より小さい数の構成要素及び「～部」に結合されたり、追加の構成要素と「～部」にさらに分離されても良い。それだけでなく、構成要素及び「～部」は、デバイス又は保安マルチメディアカード内の１つ又はそれ以上のＣＰＵを再生するように具現されても良い。

以下に言及される「端末」は、ネットワークを介してサーバや他の端末に接続できるコンピュータや携帯用端末に具現されても良い。ここで、コンピュータは、例えば、ウェブブラウザ（ＷＥＢ Ｂｒｏｗｓｅｒ）が搭載されたノートパンコン、デスクトップ（ｄｅｓｋｔｏｐ）、ラップトップ（ｌａｐｔｏｐ）、ＶＲ ＨＭＤ（例えば、ＨＴＣ ＶＩＶＥ、Ｏｃｕｌｕｓ Ｒｉｆｔ、ＧｅａｒＶＲ、ＤａｙＤｒｅａｍ、ＰＳＶＲなど）などを含んでいても良い。ここで、ＶＲ ＨＭＤは、ＰＣ用（例えば、ＨＴＣ ＶＩＶＥ、Ｏｃｕｌｕｓ Ｒｉｆｔ、ＦＯＶＥ、Ｄｅｅｐｏｎなど）とモバイル用（例えば、ＧｅａｒＶＲ、ＤａｙＤｒｅａｍ、暴風魔鏡、グーグルカードボードなど）、並びにコンソール用（ＰＳＶＲ）と独立的に具現されるＳｔａｎｄ Ａｌｏｎｅモデル（例えば、Ｄｅｅｐｏｎ、ＰＩＣＯなど）などを全て含む。携帯用端末は、例えば、携帯性と移動性が保障される無線通信装置であり、スマートフォーン（ｓｍａｒｔ ｐｈｏｎｅ）、タブレットＰＣ、ウェアラブルデバイスだけでなく、ブルートゥース（ＢＬＥ、Ｂｌｕｅｔｏｏｔｈ Ｌｏｗ Ｅｎｅｒｇｙ）、ＮＦＣ、ＲＦＩＤ、超音波（Ｕｌｔｒａｓｏｎｉｃ）、赤外線、ワイファイ（ＷｉＦｉ）、ライファイ（ＬｉＦｉ）などの通信モジュールを搭載した各種デバイスを含んでいても良い。また、「ネットワーク」は、端末及びサーバのようなそれぞれのノードの相互間に情報交換が可能な連結構造を意味するものであり、構内通信網（ＬＡＮ：Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、広域通信網（ＷＡＮ：Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、インターネット（ＷＷＷ：Ｗｏｒｌｄ Ｗｉｄｅ Ｗｅｂ）、有無線データ通信網、電話網、有無線テレビ通信網などを含む。無線データ通信網の一例には、３Ｇ、４Ｇ、５Ｇ、３ＧＰＰ（３ｒｄ Ｇｅｎｅｒａｔｉｏｎ Ｐａｒｔｎｅｒｓｈｉｐ Ｐｒｏｊｅｃｔ）、ＬＴＥ（Ｌｏｎｇ Ｔｅｒｍ Ｅｖｏｌｕｔｉｏｎ）、ＷＩＭＡＸ（Ｗｏｒｌｄ Ｉｎｔｅｒｏｐｅｒａｂｉｌｉｔｙ ｆｏｒ Ｍｉｃｒｏｗａｖｅ Ａｃｃｅｓｓ）、ワイファイ（Ｗｉ－Ｆｉ）、ブルートゥース通信、赤外線通信、超音波通信、可視光通信（ＶＬＣ：Ｖｉｓｉｂｌｅ Ｌｉｇｈｔ Ｃｏｍｍｕｎｉｃａｔｉｏｎ）、ライファイ（ＬｉＦｉ）などが含まれるが、これに限定されるものではない。

以下において、「動作データ」とは、機械の動作を直接的あるいは間接的に示すことのできるデータを意味するものであり、例えば、機械の温度、湿度、圧力、電力などのような情報を意味しても良い。

また、「オブジェクト」とは、工場で生産される部品あるいはその部品の下位構成要素を意味するものであり、１つの機械が製作／生産する対象を意味する。

また、「エラーデータ」とは、機械のエラー及び機械が製作するオブジェクトの不良のうち少なくとも１つに関するデータを意味する。

図１を参照すると、本発明の一実施例に係るシステムは、工場内の機械１０の付近に設けられたセンサアセンブリ１００と、勤労者端末１５０と、サーバ２００と、管理者端末３００とを含む。ここで、勤労者端末１５０は、工場内のライン設備のうち何れか１つの工程を担当する勤労者に割り当てられる端末を意味し、管理者端末３００は、ライン責任者あるいは工場責任者に割り当てられる端末を意味しても良い。勤労者端末１５０と管理者端末３００とをまとめて作業者端末と称しても良い。

本発明の一実施例に係るシステムは、スマート工場サービスを提供することのできるシステムである。このようなスマート工場サービスは、工場内の機械設備１０の動作現況をリアルタイムでモニタリングし、誤動作の発生可能性が高いか、誤動作が発生した場合に、それを即座に管理者に知らせることによって、管理者に機械１０管理の効率性及び便宜性を提供することができる。特に、センサアセンブリ１００によりＩＯＴ（Ｉｎｔｅｒｎｅｔ Ｏｆ Ｔｈｉｎｇｓ）技術ベースのサービスを提供することで、工場管理者がいちいち機械１０を尋ねて問題有無を抜け目なく調べる不便さを除去することができ、センサアセンブリ１００で測定した値に対する機械学習を行い、閾値データを自動でサーバに設定することによって、精密な機械異常有無又は製品異常有無を判断することもできる。

センサアセンブリ１００は、少なくとも１つのセンサにより構成されたＩＯＴ統合モジュール端末である。センサアセンブリ１００は、工場内の機械１０の付近に設けられるものであり、機械１０の何れか一面に付着される形態に構成されても良い。センサアセンブリ１００は、機械１０の動作データを測定するためのセンサと、それをサーバ２００へ送信するためのセンサとを含む。

具体的に、図２を参照すると、センサアセンブリ１００は、センサコントローラ１１０と、通信モジュール１２０と、測定センサ１３０と、コネクタ１４０とを含む。

センサコントローラー乃至測定センサ１１０乃至１３０は、それぞれ物理的に独立した形態に具現されても良い。つまり、図１のように、それぞれのセンサが六面体状に類似あるいは同一な物理的規格を有するように形成されても良く、必要なモジュール別に取り替えることが非常に容易である。例えば、センサコントローラ１１０、通信モジュール１２０、測定センサ１３０のうち何れか１つに故障が発生したり、用途の変更が必要となった場合、当該センサを取り替えることで問題を容易に解決することもできる。また、センサアセンブリ１００は、置き台をさらに含んでいても良い。置き台は、センサコントローラ１１０と通信モジュール１２０とを共に支持する機能を行う。置き台は、センサコントローラ１１０と通信モジュール１２０の面積をカバーできる面積に形成され、縁領域に隔壁が形成されることによってセンサコントローラ１１０と通信モジュール１２０が外部へずれないように固定する機能をしても良い。このとき、センサコントローラ１１０と通信モジュール１２０は、置き台上において互いに積層される形態に配置されても良い。

センサコントローラ１１０は、測定センサ１３０から測定センサ１３０が測定した電気信号値（電流又は電圧値）を受信し、電気信号値がサーバ２００へ送信されて収集されるよう通信モジュール１２０に伝達する。このとき、センサコントローラ１１０は、少なくとも１つの測定センサ１３０と連結される。もし測定センサ１３０の取り替え又は付加により既存に連結されていた測定センサ１３０が他の種類の測定センサ１３０に取り替えられても、センサコントローラ１１０は現在連結されている測定センサ１３０の電気信号値を受信して認識することができる。

例えば、温度センサ、圧力センサ、湿度センサ、電流／電圧センサ、電力センサなど、様々なセンサとセンサコントローラ１１０が連結されても良い。また、ファームウェアがサーバ２００に搭載されている場合、センサコントローラ１１０は、単に測定センサ１３０の電気信号値（即ち、Ａ／Ｄ信号値：アナログからデジタルに変換された信号）をサーバ２００へ伝達する役割を果たし、センサコントローラ１１０に全てのセンサに対するファームウェアがダウンロードされてインストールされている場合、各センサが互いに異なる機器と互換されないモノであるとしても、センサコントローラ１１０は当該センサの信号を認知することができる。

センサコントローラ１１０は、測定センサ１３０から受信した動作データを規格化されたデジタル信号に変換して通信モジュール１２０へ伝達する。例えば、温度センサと圧力センサからセンサコントローラ１１０へ伝達された信号は、互いに異なるフォーマットの電気信号である。これをそのままサーバ２００へ伝達する場合、サーバ２００がどのような情報を含んでいるのか正確に認知できない可能性がある。そこで、センサコントローラ１１０は、アナールログ信号又はデジタル信号を規格化されたデジタル信号に変換することで、サーバ２００で認知できる形態に変換する役割を果たしても良い。

通信モジュール１２０は、センサコントローラ１１０とサーバ２００又はユーザ端末３００との間で情報伝達を行う。通信モジュール１２０によりサーバ２００へ送信された電気信号値は、サーバ２００に格納されているファームウェアにより動作データとして認識されることができる。つまり、単なる電流値又は電圧値としてサーバ２００へ送信されるが、サーバ２００内にファームウェアがあるため、それが温度、圧力、湿度のような動作データに関する値に認識されることができる。

測定センサ１３０は、機械１０の動作データを測定するセンサである。例えば、測定センサ１３０は、温度、圧力、湿度、電圧、電力、及び振動のうち何れか１つを測定するセンサであっても良い。これは一例に過ぎず、他の様々な動作データを測定するセンサを含んでいても良い。

センサコントローラ１１０、通信モジュール１２０、測定センサ１３０は、コネクタ１４０を介して互いに連結及び固定されても良い。コネクタ１４０は、電線や配線の形態に具現されても良い。あるいは、コネクタ１４０は、各センサの一領域に形成された複数のピン（ｐｉｎ）の形態に具現されても良い。ピン形態に具現される場合、それぞれのセンサに形成されたコネクタ１４０が互いに噛み合って配置されて連結されることにより、センサが互いに連結されても良い。また、コネクタ１４０間で互いに固定結合され得る形態に備えられる場合、コネクタ１４０間の連結だけでなくセンサ間の位置固定の効果まで提供することができる。

サーバ２００は、各機械１０毎に設けられたセンサアセンブリ１００から機械１０の動作データに関する電気信号値を受信し、どの動作データに関するものであるかをファームウェアに基づいて認知することができる。また、ビッグデータ分析及び機械学習に基づく分析手法により収集した動作データを基に機械の時系列的な閾値データを自動で生成することにより、作業者が手書きで絶対値に当たる閾値データを入力しなくて済むようにし、機械学習に基づく閾値データであるため、正確な閾値の設定が可能となり、機械のエラーや製品の不良有無を正確に判断することができる。

サーバ２００、１００の動作データに関する情報は、勤労者端末１５０、１５０と管理者端末３００、３００へ提供されても良い。

勤労者端末１５０、１５０は、機械１０に設けられたり、機械１０付近に配置される端末であって、一工程を担当する勤労者が自ら担当している機械１０の現況を直接モニタリングしてチェックできるよう、該機械１０に対するリアルタイム動作データを表示しても良い。

管理者端末３００、３００には、スマート工場サービスを提供するアプリケーションがインストールされていても良い。アプリケーションは、サーバ２００、２００から情報を受信し、ユーザが理解し易い形態に加工してユーザに機械１０設備１０の運営現況に関する情報を提供し、工場内の機械１０全体に対する動作データを一目で照会できるように表示されても良い。

以下、本発明に係るサーバ２００の機械学習に基づく機械１０のエラー検出手法について具体的に説明する。

機械１０の動作データの代表的な類型は、図３のように３種類程度に要約される。つまり、１のように時間に応じて異なる振幅を有し、特定の周期で繰り返される動作データ、２のように時間に応じて同一な振幅と周期を有し、周波数が変わる動作データ、３のように機械１０が動作して一定時間が経過した後にはｓａｔｕｒａｔｉｏｎとなる動作データに要約され得る。

従来の機械１０のエラーあるいは製品のエラー検出方式は、閾値を作業者が手書きで入力し、その閾値を超える動作データが発見されればエラーイベントとして認知する方式である。このとき、閾値は、時間とは関係なく定義される絶対値である。よって、３のようにｓａｔｕｒａｔｉｏｎとなる値に対する閾値を設定し、正常に動作しているか否かを判断する際は従来の方式が適切であるものの、１、２のように時間に応じて振幅が変わったり、周波数が変わる場合は、既存の方式では正確なエラーイベントを認知することができない。それにより、従来の方式を１に適用する場合は、全ての時間領域のうち製品の生産に直結する一定の時区間領域に対してのみ絶対値閾値を適用している。従って、絶対値閾値が適用されない他の時区間領域におけるエラーイベントを感知することができない。

後述する本発明の一実施例は、機械１０の動作データがどの類型であるかを問わず、機械学習手法に基づき、その動作データのパターンに合う時系列的な閾値データを生成するため、全ての類型の動作データに係わる機械１０に対して適用可能な機械１０のエラー検出手法であると言える。以下では、機械１０の動作データが類型１であると仮定して述べることとする。

図４を参照すると、サーバ２００は、機械学習手法に基づく機械１０のエラーデータを検出するための方法を行うプログラム（又はアプリケーション）が格納されたメモリと上記プログラムを実行するプロセッサを含んで構成されても良い。ここで、プロセッサは、メモリに格納されたプログラムを実行することで様々な機能を行っても良く、各機能によりプロセッサに含まれる詳細な構成要素を、データ前処理部２１０、データ分析部２２０、閾値データ検出部２３０、エラー検出及び判断部２４０及び動作データ提供部２５０に表しても良い。

データ前処理部２１０は、過去から現在までの機械１０の動作データを収集して前処理を行う。

機械１０の動作データが上述した図３の類型１であると仮定すると、動作データは、機械１０が１つのオブジェクトを製作する度に１つのパターンに形成される。つまり、機械１０が６０秒間１つのオブジェクトを製作する場合、動作データは、６０秒単位で同一あるいは類似した振幅（温度、圧力、電圧などに関する値）を有する。このとき、機械１０がオブジェクトを製作するために動作している間に収集された動作データが有意味なデータであるので、機械１０が動作していない時間の間のデータは排除し、動作する時間の間のデータを収集して、収集されたデータに対する圧縮を行っても良い。それにより、前処理された動作データは、図５のような形態のグラフに示されても良い。

このとき、収集された動作データのパターンからずれたパターンを有するイベントデータ４１０が検出されることがある。具体的に、収集された動作データがなす平均的なパターン（例えば、グラフ形状）からずれたパターンを有するイベントデータ４１０が検出されることがあるが、図５においては、特定の時区間で振幅値が他の動作データに比べて遥かに高く表れるイベントデータ４１０が示されている。

このようなイベントデータ４１０は、機械１０のエラーあるいはオブジェクトのエラーに関するデータである。このとき、実際の作業現場で記録された作業データを基に、そのイベントデータ４１０が検出された瞬間の作業情報（即ち、機械１０のエラー有無あるいはオブジェクトの不良有無に関する情報）を検索し、その作業情報とイベントデータ４１０がマッチングされてサーバ２００に格納されても良い。イベントデータ４１０に対してマッチング格納される情報は、機械１０エラー及びオブジェクト不良を示す情報、機械１０エラー及びオブジェクト正常を示す情報、機械１０正常及びオブジェクト不良を示す情報、並びに機械１０正常及びオブジェクト正常を示す情報のうち何れか１つであっても良い。

データ分析部２２０は、前処理された動作データに対して機械学習手法を行うことで、動作データに対する標準データを導出しても良い。

具体的に、データ分析部２２０は、動作データを所定の時間間隔に分割し、その所定の時間間隔に対応する長さの時間領域上に分割された動作データをマッピングしても良い。例えば、所定の時間間隔は、動作データの一周期（例えば、６０秒）であっても良い。一周期は、機械１０が１つのオブジェクトを製造するのに要される時間であっても良い。データ分析部２２０は、収集された全ての時系列的な動作データに対して一周期を単位に分割し、分割された動作データを構成する値を一周期の長さを有するグラフ上にマッピングする場合、図６のようなグラフが導出され得る。つまり、分割された動作データを構成する全ての点をグラフ上にマッピングしたものである。図６のグラフによると、動作データは特定のパターンで繰り返されることが分かる。

データ分析部２２０は、機械学習手法に基づき、上記マッピングされた動作データの集合から平均値あるいはメジアン（ｍｅｄｉａｎ）値に基づく少なくとも１つの時系列的な標準データを抽出し、Ｋ指数が最も高い標準データを検出しても良い。データ分析部２２０がメジアン値に基づいて標準データを抽出する場合、図６のグラフ上に重ねられた全ての分割された動作データのうち最も頻繁に表れる分割された動作データを標準データとして検出しても良い。ここで、Ｋ指数は、統計的指数であるか、平均値あるいはメジアン値を意味しても良い。特定グラフのＫ指数が１に近づくほど、動作データの標準値に非常に近いグラフであることを表す。つまり、データ分析部２２０は、収集された動作データに対し繰り返して標準データを検出し、Ｋ指数を測定しながら機械１０学習を行い、最も高いＫ指数を有する標準データを検出する。例えば、図７のような標準データに関するグラフが導出され得る。

閾値データ検出部２３０は、標準データに基づいて時系列的な閾値データを検出する。具体的に、図６のグラフ上にマッピングされた動作データのうち標準データよりも高いＹ軸値（振幅値）を有する動作データに対し、データ分析部２２０が行った機械学習過程を行うことで上限閾値データ４２２を検出する。そして、閾値データ検出部２３０は、図６のグラフ上にマッピングされた動作データのうち標準データよりも低いＹ軸値（振幅値）を有する動作データに対し、同一な機械学習過程を行うことで下限閾値データ４２３を検出する。このとき、上限閾値データ４２２と下限閾値データ４２３の組み合わせが閾値データとなる。

図８を参照すると、上限閾値データ４２２と下限閾値データ４２３の間に標準データ４２１がマッピングされていることが分かる。閾値データは、時間に応じて異なる値を有するように構成されることが分かる。つまり、動作データの類型が図３の類型１であったため、機械学習に基づいて導出した閾値データも類型１になるのである。図８において、上限閾値データ４２２と下限閾値データ４２３が標準データに対して＋１０又は－１０の差を有すると表記されてはいるものの、これは例示に過ぎず、他の差値を有するように構成されても良い。

エラー検出及び判断部２４０は、リアルタイムで収集される動作データと閾値データとを比較してエラーを検出し、どの類型のエラーであるかを判断する。

もしリアルタイム動作データが図９のように閾値データの上限と下限の間に分布するように構成されれば、エラー検出及び判断部２４０は、機械１０及びオブジェクトが正常状態であると見なしても良い。

しかし、リアルタイム動作データ４２５が図１０のように何れか１つの時区間において上限又は下限の何れか１つを超えるように構成されれば、エラー検出及び判断部２４０はエラーデータ４２５として検出しても良い。図１０のエラーデータ４２５は、約２５秒までは正常なデータパターンの形態を有しているが、約２５秒から約５０秒の間の時区間ｄにおいて閾値データを超える非正常なパターンを有している。

次いで、エラー検出及び判断部２４０は、エラーデータ４２５のパターンをイベントデータ４１０のパターンと比較する。エラー検出及び判断部２４０は、比較結果に従い、エラーデータ４２５と対応するパターンを有するイベントデータ４１０の機械１０のエラー有無及びオブジェクトの不良有無に関する情報を上記エラーデータ４２５に関する情報として判断する。つまり、イベントデータ４１０は、上述した４つの類型（機械１０正常及びオブジェクト正常の類型、機械１０正常及びオブジェクト不良の類型、機械１０エラー及びオブジェクト正常の類型、機械１０エラー及びオブジェクトエラーの類型）に構成され、エラーデータ４２５がこれらの４つの類型のうちどの類型に該当するのか判断しても良い。

動作データ提供部２５０は、エラーイベントに関する情報を作業者端末へ提供しても良い。

このとき、作業者端末へ提供されるユーザインターフェースは、図１１のような形態であっても良い。具体的に、ユーザインターフェースは、作業現場に含まれた複数の機械１０に関する識別情報（例えば、図１１のＷＦ－１１、ＷＦ－１２、ＷＦ－２１、ＷＦ－２２、ＷＦ－３１、ＷＦ－３２）と、各機械１０に関する識別情報毎にマッチングされて表示される機械１０及び上記機械１０が製作するオブジェクトの状態情報とを含む。つまり、各機械１０毎のブロックに区分されて状態情報が提供されても良い。図１１のように、機械１０の現在の状態情報は、各状態値（機械１０誤作動、機械１０正常、製品不良、製品正常）に対して色や明暗の表示を異ならせることで表現されても良い。また、追加実施例において、ユーザインターフェースは、複数の機械１０が配置された構造に関する絵を提示し、各機械１０に関する識別情報と状態情報をその絵上に提示することによって、地図の形態で作業者に各機械１０別の状態情報を一目で容易に確認できるように提供しても良い。

また、ユーザインターフェースにおいて何れか１つの機械１０に関する識別情報への作業者の入力（タッチあるいはクリックなど）が発生した場合、機械１０に対する複数の時系列的な動作データに関するリアルタイム収集情報が提供されても良い。例えば、機械１０の温度、湿度、圧力などに関するリアルタイムグラフが提供されても良い。

また、ユーザインターフェースは、リアルタイムグラフが拡大される場合、リアルタイム動作データグラフと閾値データに関するグラフを重ねて表示するように作業者に提供しても良い。

一方、閾値データは、上述した機械学習及びビッグデータ分析過程を通じて一度生成された後でも、持続的に動作データが収集及び累積されるため、その後の動作データを含めて同じ機械学習及びビッグデータ分析過程を再び行うことでアップデートされても良い。

図１２によると、従来技術による作業者が設定した閾値データは、ＵＳＬ（Ｕｐｐｅｒ Ｓｐｅｃ Ｌｉｍｉｔ）’とＬＳＬ（Ｌｏｗｅｒ Ｓｐｅｃ Ｌｉｍｉｔ）’のような絶対値に規定される。この場合、約１０秒から約３０秒までの範囲内の動作データに対してのみエラーの判断が可能である。つまり、図１２の領域Ｅ２のみにおいて機械１０のエラーあるいは製品の不良有無を判断することができる。しかし、本発明の一実施例によると、閾値データは、時系列的に変化する上限閾値データ４２２と下限閾値データ４２３とにより構成される。これにより、従来技術では検出できなかった領域Ｅ１のエラーデータを検出することができる。

以下、図１３を参照しながら、本発明の一実施例に係る機械学習に基づく機械１０のエラー検出方法について具体的に説明する。以下の方法は、上述したサーバ２００によって行われるものであるので、省略された部分があるとしても上述した内容に代えられると見なす。

サーバ２００は、先ず、機械１０の時系列的な動作データを収集し、前処理を行う（Ｓ１１０）。

サーバ２００は、前処理を行った動作データから複数のエラーパターンを抽出する（Ｓ１２０）。動作データが示す平均的なパターンからずれたパターンが発見されればエラーパターンとして検出し、各エラーパターンと作業日誌上の情報とをマッチングして、そのエラーパターンが機械１０あるいはオブジェクトのどの異常有無を表すのかを把握する。

次いで、サーバ２００は、機械学習に基づき収集された全ての動作データから時系列的な閾値データを検出する（Ｓ１３０）。Ｋ指数が最も高い標準データを検出し、標準データに基づいて閾値データを検出する。

サーバ２００は、閾値データを超えるエラーデータを検出する（Ｓ１４０）。

このとき、サーバ２００は、エラーデータと複数のエラーパターンとを比較してエラー状態を検出する（Ｓ１５０）。つまり、エラーデータと既に検出されているイベントデータ４１０とを比較してエラー状態を検出する。

サーバ２００は、作業者端末へ既に設定されたユーザインターフェースに従ってエラー状態情報を提供する（Ｓ１６０）。

本発明の一実施例は、コンピュータにより実行されるプログラムモジュールのようなコンピュータにより実行可能な命令語を含む記録媒体の形態に具現されても良い。コンピュータ読み取り可能な媒体は、コンピュータによりアクセスできる任意の可用媒体であっても良く、揮発性及び非揮発性の媒体、分離型及び非分離型の媒体を全て含む。また、コンピュータ読み取り可能な媒体は、コンピュータ格納媒体を全て含んでいても良い。コンピュータ格納媒体は、コンピュータ読み取り可能な命令語、データ構造、プログラムモジュール、又はその他のデータのような情報格納のための任意の方法又は技術に具現された揮発性及び非揮発性、分離型及び非分離型の媒体を全て含む。

本発明の方法及びシステムは特定実施例と係わって説明されたが、それらの構成要素又は動作の一部又は全部は、汎用ハードウェアアーキテクチャーを有するコンピュータシステムを使用して具現されても良い。

上述した本発明の説明は例示のためのものであり、本発明の属する技術分野において通常の知識を有する者であれば、本発明の技術的思想や必須の特徴を変更せずに他の具体的な形態に容易に変形可能であるということを理解できるはずである。それゆえ、上記した実施例は全ての面において例示的なものであり、限定的なものではないと理解すべきである。例えば、単一型で説明されている各構成要素は分散して実施されても良く、同様に、分散したものと説明されている構成要素も結合された形態で実施されても良い。

本発明の範囲は、上記詳細な説明よりは後述する特許請求の範囲によって示され、特許請求の範囲の意味及び範囲、並びにその均等概念から導出される全ての変更又は変形された形態が本発明の範囲に含まれると解釈されなければならない。

１０：機械
１００：センサアセンブリ
１５０：勤労者端末
２００：サーバ
３００：管理者端末

Claims (17)

1. サーバによって行われる、機械学習手法に基づく機械のエラーデータ検出方法において、
   （ａ）少なくとも１つの機械の時系列的な動作データを収集するステップと、
   （ｂ）前記動作データを所定の時間間隔に分割し、前記分割された動作データを同じ時間領域上に重なるようにマッピングするステップと、
   （ｃ）前記マッピングされた動作データの集合に対する時系列的な標準データを機械学習に基づき導出することで時系列的な閾値データを生成するステップと、
   （ｄ）リアルタイムで収集される動作データが前記閾値データを超えればエラーイベントと判断し、前記エラーイベントに関する情報を作業者端末へ提供するステップとを含む、機械学習手法に基づく機械のエラーデータ検出方法。
2. 前記ステップ（ａ）は、
   前記機械が動作して指定されたオブジェクトを製作する過程を行う際の動作データを収集するステップを含む、請求項１に記載の機械学習手法に基づく機械のエラーデータ検出方法。
3. 前記ステップ（ａ）は、
   前記収集された動作データのパターンからずれたパターンを有するイベントデータを検出するステップと、
   前記イベントデータに対して機械のエラー有無及び前記機械によって製作されるオブジェクトの不良有無に関する情報をマッチングして格納するステップとを含む、請求項１に記載の機械学習手法に基づく機械のエラーデータ検出方法。
4. 前記イベントデータに対してマッチング格納される情報は、機械エラー及びオブジェクト不良を示す情報、機械エラー及びオブジェクト正常を示す情報、並びに機械正常及びオブジェクト不良を示す情報のうち何れか１つである、請求項３に記載の機械学習手法に基づく機械のエラーデータ検出方法。
5. 前記ステップ（ｂ）は、
   前記動作データの一周期を前記所定の時間間隔に指定して前記収集された動作データを分割し、前記一周期に対応する長さの前記時間領域上に前記分割された動作データをマッピングするステップを含む、請求項１に記載の機械学習手法に基づく機械のエラーデータ検出方法。
6. 前記動作データの一周期は、前記機械が１つのオブジェクトを製造するのに要される時間である、請求項５に記載の機械学習手法に基づく機械のエラーデータ検出方法。
7. 前記ステップ（ｃ）は、
   （ｃ－１）機械学習手法に基づき、前記マッピングされた動作データの集合からメジアン（ｍｅｄｉａｎ）値に基づく少なくとも１つの時系列的な標準データを抽出し、統計指数であるＫ指数が最も高い標準データを検出するステップを含む、請求項１に記載の機械学習手法に基づく機械のエラーデータ検出方法。
8. 前記ステップ（ｃ）は、
   （ｃ－２）前記ステップ（ｃ－１）の後、前記マッピングされた動作データのうち前記標準データよりも高い値を有する動作データに対し、前記ステップ（ｃ－１）を行うことで上限閾値データを検出するステップと、
   （ｃ－３）前記マッピングされた動作データのうち前記標準データよりも低い値を有する動作データに対し、前記ステップ（ｃ－１）を行うことで下限閾値データを検出するステップとを含む、請求項７に記載の機械学習手法に基づく機械のエラーデータ検出方法。
9. 前記標準データは、前記上限閾値データと前記下限閾値データの間の値により構成され、
   前記時系列的な閾値データは、前記上限閾値データと前記下限閾値データの組み合わせにより構成され、時間に応じて異なる値を有するように構成される、請求項８に記載の機械学習手法に基づく機械のエラーデータ検出方法。
10. 前記ステップ（ｄ）は、
    リアルタイムで収集される動作データのうち何れか一時点において前記閾値データを超えるエラーデータが検出される場合、前記エラーデータのパターンを前記イベントデータのパターンと比較するステップと、
    比較結果に従い、前記エラーデータと対応するパターンを有するイベントデータの機械のエラー有無及びオブジェクトの不良有無に関する情報を前記エラーデータに関する情報として前記作業者端末へ提供するステップとを含む、請求項４に記載の機械学習手法に基づく機械のエラーデータ検出方法。
11. 前記作業者端末へ提供されるユーザインターフェースは、
    作業現場に含まれた複数の機械に関する識別情報と、
    各機械に関する識別情報毎にマッチングされて表示される機械及び前記機械が製作するオブジェクトの状態情報とを含み、
    機械及びオブジェクトのエラーデータに関する情報は、前記エラーイベントが発生した場合に、前記状態情報として提供される、請求項１に記載の機械学習手法に基づく機械のエラーデータ検出方法。
12. 前記状態情報は、
    機械正常及びオブジェクト正常に関する状態、機械正常及びオブジェクト不良に関する状態、機械エラー及びオブジェクト正常に関する状態、並びに機械エラー及びオブジェクトエラーに関する状態を含む、請求項１１に記載の機械学習手法に基づく機械のエラーデータ検出方法。
13. 前記ユーザインターフェースにおいて何れか１つの機械に関する識別情報への作業者の入力が発生した場合、前記機械に対する複数の時系列的な動作データに関するリアルタイム収集情報が提供される、請求項１２に記載の機械学習手法に基づく機械のエラーデータ検出方法。
14. 前記時系列的な閾値データは、
    前記動作データがリアルタイムで収集され、累積されることによってアップデートされる、請求項１に記載の機械学習手法に基づく機械のエラーデータ検出方法。
15. 前記作業者端末へ提供されるユーザインターフェースは、
    リアルタイムで収集される時系列的な動作データに関するグラフ、及び前記グラフ上に重ねて表示された前記閾値データを含む、請求項１に記載の機械学習手法に基づく機械のエラーデータ検出方法。
16. 機械学習手法に基づく機械のエラーデータを検出するサーバにおいて、
    機械学習手法に基づく機械のエラーデータを検出するためのプログラムを格納するメモリと、
    前記プログラムを実行するためのプロセッサとを含み、
    前記プロセッサは、前記プログラムの実行により、
    少なくとも１つの機械の時系列的な動作データを収集し、
    前記動作データを所定の時間間隔に分割し、前記分割された動作データを同じ時間領域上に重なるようにマッピングし、
    前記マッピングされた動作データの集合に対する時系列的な標準データを機械学習に基づき導出することで時系列的な閾値データを生成し、
    リアルタイムで収集される動作データが前記閾値データを超えればエラーイベントと判断し、前記エラーイベントに関する情報を作業者端末へ提供する、機械学習手法に基づく機械のエラーデータを検出するサーバ。
17. 請求項１による機械学習手法に基づく機械のエラーデータ検出方法を実行するためのコンピュータプログラムが格納されたコンピュータ読み取り可能な記録媒体。

Images