JP6828300B2 - 異常解析システム及び解析装置 - Google Patents

Description

本発明は、異常解析システム及び異常解析システムに用いられる解析装置に関するものである。

特許文献１には、工作物の研削焼けを監視する方法が記載されている。工作物の研削中に、砥石車の研削負荷及び工作物の回転速度を検出し、回転速度に応じた研削負荷についての閾値と比較することで、研削焼けの発生の有無を判定する。ここで、閾値は、工作物の研削焼けが発生するときの工作物の回転速度に対する砥石車の研削負荷に基づいて設定される。

特許文献２には、試し研削を行い、試し研削における研削負荷に基づいて閾値を設定することが記載されている。その後、本番研削において検出される研削負荷と閾値とを比較することで、研削異常の発生の有無を判定する。

また、特許文献３には、以下のような品質傾向パターンに基づいて、生産物の品質異常を予測することが記載されている。例えば、工作物の外周面の研削を砥石車により行う場合において、工作物の数が増加するほど、寸法精度が悪化する傾向にある（特許文献３の図４参照）。また、１個の工作物における研削時間と研削抵抗の関係から、工作物の数と研削抵抗の平均値との関係を得る（特許文献３の図５及び図１０参照）。そして、工作物の数と寸法精度との関係を考慮することで、工作物の数と研削抵抗の平均値との関係を示す品質傾向パターンにおいて、研削抵抗の平均値に対する閾値を設定することができる。つまり、研削抵抗及び工作物の数を把握することで、上記品質傾向パターン及び閾値に基づいて、生産物の異常の予測を行うことができる。

特開２０１３−１２９０２７号公報 国際公開第２０１２／０９８８０５号 特開２０１４−１５４０９４号公報

近年、ＩｏＴ（Internet of Things）時代と言われ、多数のものをインターネットに接続して取得したビッグデータの活用が期待されている。生産設備においても、生産設備から得られる多数の情報に基づいて、生産対象物の異常解析を行うことも期待されている。

また、近年では、クラウドコンピューティングが知られている。クラウドコンピューティングとは、インターネット等を介して接続されたコンピュータを利用する形態である。例えば、手元のコンピュータに記憶されているデータやアプリケーションを利用するのではなく、手元のコンピュータで、インターネット等を介して接続されたコンピュータに記憶されたデータを利用したり、当該コンピュータのアプリケーションを利用したりする。

クラウドコンピューティングを利用して生産設備のビッグデータの活用が考えられる。しかし、クラウドコンピューティングでは、あまりにも巨大なデータが通信されているため、通信渋滞が発生することがある。さらに、クラウドサーバまでの距離が遠い場合には、通信時間が長くなる。これらの理由により、クラウドコンピューティングを使用した場合には、迅速性に欠ける。

生産設備の異常解析を行った場合に、解析結果を生産設備に早期にフィードバックできれば、生産対象物の異常発生の抑制効果が期待できる。そのためクラウドコンピューティングをそのまま生産設備の異常解析システムとして利用することは、十分ではない。

本発明は、多数の生産設備の情報に基づいて解析し、解析結果を早期に生産設備にフィードバックすることができる異常解析システム及びそれに用いる解析装置を提供することを目的とする。

（１．異常解析システム）
本発明に係る異常解析システムは、生産対象物を生産する設備であって、１又は複数の検出器をそれぞれ備える複数の生産設備と、前記複数の生産設備に接続され、フォグコンピューティングを構築する所定領域内に設置された第一ネットワークと、前記第一ネットワークに接続され、前記第一ネットワークを介して取得した前記検出器の検出情報に基づいてデータ解析を行い、かつ、前記データ解析の結果に基づいて前記複数の生産設備のそれぞれの異常又は前記生産対象物の異常に関する判定情報を生成する解析装置とを備える。前記複数の生産設備のそれぞれは、前記解析装置に生成された前記判定情報に基づいて前記複数の生産設備のそれぞれの異常又は前記生産対象物の異常の判定を行う異常判定装置を備える。

複数の生産設備における検出器と解析装置とは、フォグコンピューティングを構築する所定領域内に設置された第一ネットワークを介して接続されている。フォグコンピューティングとは、クラウドコンピューティングと比較して、狭い領域でのネットワーク接続されたシステムである。つまり、フォグコンピューティングを構築する第一ネットワークは、クラウドコンピューティングを構築する領域より狭い所定領域内に設置されているネットワークである。そのため、検出器と解析装置との間におけるデータ通信において、通信渋滞の発生は抑制される。また、第一ネットワークは狭い所定領域内に構築されているため、生産設備と解析装置との間の通信時間を短くすることができる。従って、解析装置は、検出器による検出情報を高速で受信できる。

解析装置は、複数の生産設備における検出情報を早期に取得でき、解析を行うことができるため、解析装置による結果を早期に生産設備にフィードバックすることができる。解析結果を生産設備に早期にフィードバックできるため、生産対象物の異常発生をより早期に且つ確実に抑制できる。

（２．解析装置）
本発明に係る解析装置は、上述した異常解析システムに用いられる前記解析装置である。解析装置によれば、上述した異常解析システムによる効果を得ることができる。

異常解析システムを示す図である。 図１の生産設備の一例として研削盤の構成を示す図である。 生産設備のブロック図である。 １個の生産対象物の研削開始からの経過時間に対する砥石車のモータの動力の挙動を示す図である。 図１の解析装置の構成を示す図である。 第一実施形態において、異常判定装置、解析装置及び上位解析装置の詳細処理の流れを示す。 第二実施形態において、異常判定装置、解析装置及び上位解析装置の詳細処理の流れを示す。 第二実施形態において、異常判定装置による周波数解析の結果を示すグラフである。 第二実施形態において、異常判定装置による異常判定の第一例を示す図であって、１日の時間帯（規定パラメータ）における振動の振幅のピーク値（評価パラメータ）についての図である。 第二実施形態において、異常判定装置による異常判定の第二例を示す図であって、１年の時期（規定パラメータ）における振動の振幅のピーク値（評価パラメータ）についての図である。 第二実施形態において、解析装置による第一例における判定情報のパターンの生成を説明する図である。 第二実施形態において、解析装置による第二例における判定情報のパターンの生成を説明する図である。 第三実施形態において、異常判定装置、解析装置及び上位解析装置の詳細処理の流れを示す。 第三実施形態において、異常判定装置による異常判定を示す図であって、環境温度（規定パラメータ）におけるモータの動力の電流値（評価パラメータ）についての図である。 第三実施形態において、解析装置による判定情報のパターンの生成を説明する図である。

＜１．第一実施形態＞
（１−１．異常解析システムの構成）
本実施形態の異常解析システム１の構成について図１を参照して説明する。図１に示すように、異常解析システム１は、生産設備１１〜１３と、他の生産設備２１〜２３と、生産設備１１〜１３に接続されるフォグネットワーク３１と、他の生産設備２１〜２３に接続される他のフォグネットワーク３２と、フォグネットワーク３１，３２に接続されるクラウドネットワーク４０と、解析装置５０と、他の解析装置６０と、上位解析装置７０とを備える。ここで、解析装置５０，６０及び上位解析装置７０は、例えば、ＰＬＣ（Programmable Logic Controller）やＣＮＣ（Computerized Numerical Control）装置などの組み込みシステムとすることもでき、パーソナルコンピュータやサーバなどとすることもできる。

生産設備１１〜１３（本発明の生産設備に相当する）は、所定の生産対象物を生産する設備である。他の生産設備２１〜２３（本発明の他の生産設備に相当する）は、所定の生産対象物を生産する設備である。なお、生産設備１１〜１３が生産する生産対象物と他の生産設備２１〜２３が生産する生産対象物とは、同種でも異種でもよい。

生産設備１１，２１は、例えば、生産ラインにおける第一加工工程を担当する工作機械であって、クランクシャフトを研削する研削盤などである。生産設備１３，２３は、第二加工工程を担当する工作機械であって、上記同様にクランクシャフトを研削する研削盤などである。生産設備１２，２２は、生産設備１１，１３の間、又は、生産設備２１，２３の間にて、生産対象物を搬送する搬送機などである。

また、生産設備１１〜１３は、同一の建物内又は近隣の建物内に設置されている。他の生産設備２１〜２３は、同一の建物内又は近隣の建物内に設置されており、生産設備１１〜１３とは異なる場所の建物内に設置されている。例えば、生産設備１１〜１３は、日本に設置され、他の生産設備２１〜２３は、日本以外の国に設置されている場合や、生産設備１１〜１３と他の生産設備２１〜２３とは、共に日本に設置されているが、遠く離れた地域に設置されている場合などがある。

つまり、生産設備１１〜１３は、後述するフォグコンピューティングを構築することができる所定領域内に設置されている。また、他の生産設備２１〜２３も、同様に、フォグコンピューティングを構築することができる所定領域内に設置されている。ただし、生産設備１１〜１３と他の生産設備２１〜２３とは、フォグコンピューティングを構築することができない領域に設置されている。

ここで、フォグコンピューティングとは、クラウドコンピューティングと比較して、狭い領域でのネットワーク接続されたシステムである。つまり、フォグコンピューティングを構築するネットワークは、クラウドコンピューティングを構築する領域より狭い所定領域内に設置されているネットワークである。なお、フォグコンピューティングは、エッジコンピューティングと称されることもある。

フォグネットワーク３１（本発明の第一ネットワークに相当する）は、生産設備１１〜１３に接続されており、フォグコンピューティングを構築する所定領域内に設置されたネットワークである。フォグネットワーク３１は、生産設備１１〜１３が設置されている建物と同一の建物内に設置されているか、生産設備１１〜１３の何れかが設置されている建物と近隣の建物内に設置されている。

他のフォグネットワーク３２は、他の生産設備２１〜２３に接続されており、フォグコンピューティングを構築する所定領域内に設置されたネットワークである。他のフォグネットワーク３２は、他の生産設備２１〜２３が設置されている建物と同一の建物内に設置されているか、他の生産設備２１〜２３の何れかが設置されている建物と近隣の建物内に設置されている。また、他のフォグネットワーク３２は、フォグネットワーク３１とは直接接続されていない。ここで、フォグネットワーク３１，３２は、インターネット、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）などを適用できる。

クラウドネットワーク４０（本発明の第二ネットワークに相当する）は、フォグネットワーク３１，３２に接続されるネットワークである。クラウドネットワーク４０は、フォグネットワーク３１，３２に比べて広域のネットワークであり、例えばインターネットである。そのため、クラウドネットワーク４０は、生産設備１１〜１３と他の生産設備２１〜２３とを接続するネットワークとなる。

解析装置５０は、フォグネットワーク３１に直接接続されており、生産設備１１〜１３が設置されている建物と同一又は近隣の建物内に設置される。解析装置５０は、生産設備１１〜１３から取得した検出情報に基づいてデータ解析を行う。解析装置５０は、例えば、生産設備１１〜１３の１日分の検出情報を取得して、毎日データ解析を行う。データ解析は、何度も繰り返すことにより、学習することもできる。そして、解析装置５０は、生産設備１１〜１３の異常又は生産設備１１〜１３による生産対象物の異常に関する判定情報を、データ解析の結果として記憶する。また、解析装置５０は、後述する上位解析装置７０による上位データ解析の結果を取得することで、解析装置５０によるデータ解析の結果及び上位解析装置７０による上位データ解析の結果に基づいて、判定情報を決定し記憶する。

他の解析装置６０は、フォグネットワーク３２に直接接続されており、生産設備２１〜２３が設置されている建物と同一又は近隣の建物内に設置される。他の解析装置６０は、他の生産設備２１〜２３から取得した検出情報に基づいてデータ解析を行う。他の解析装置６０は、対象を他の生産設備２１〜２３として、上述した解析装置５０と同様の処理を行う。

上位解析装置７０は、クラウドネットワーク４０に接続され、取得した情報に基づいて上位データ解析を行う。つまり、上位解析装置７０は、クラウドネットワーク４０及びそれぞれのフォグネットワーク３１，３２を介して、生産設備１１〜１３から情報を取得すると共に、他の生産設備２１〜２３から情報を取得する。上位解析装置７０は、解析装置５０，６０によるデータ解析に比べて長時間を要する上位データ解析を対象とし、多数の情報を利用する上位データ解析を対象とする。上位解析装置７０は、例えば、１週間分、数週間分、１か月分又は数か月分の生産設備１１〜１３及び他の生産設備２１〜２３の検出情報を取得して、取得期間に応じたデータ解析を行う。上位データ解析は、何度も繰り返すことにより、学習することもできる。

（１−２．生産設備１１の構成）
次に、生産設備１１の構成の一例について、図２〜図４を参照して説明する。本実施形態においては、生産設備１１は、例えば研削盤とする。研削盤１１の一例として、砥石台１１４をベッド１１１に対してトラバース（Ｚ軸方向への移動）を行う砥石台トラバース型研削盤を例に挙げて説明する。ただし、研削盤１１は、主軸装置１１２がベッド１１１に対してトラバース（Ｚ軸方向への移動）を行うテーブルトラバース型研削盤にも適用できる。

研削盤１１による生産対象物（工作物）は、例えばクランクシャフトＷである。研削盤１１による研削部位は、クランクシャフトのクランクジャーナル及びクランクピン等である。

研削盤１１は、以下のように構成される。設置面にベッド１１１が固定され、ベッド１１１には、クランクシャフトＷを回転可能に両端支持する主軸装置１１２及び心押装置１１３が取り付けられる。クランクシャフトＷは、クランクジャーナルを中心に回転するように、主軸装置１１２及び心押装置１１３に支持される。主軸装置１１２は、クランクシャフトＷを回転駆動するモータ１１２ａを備える。主軸装置１１２には、主軸の振動を検出する検出器（振動センサ）１１２ｂが取り付けられている。

さらに、ベッド１１１上には、Ｚ軸方向（クランクシャフトＷの軸線方向）及びＸ軸方向（クランクシャフトＷの軸線に直交する方向）に移動可能な砥石台１１４が設けられる。砥石台１１４は、モータ１１４ａによってＺ軸方向に移動し、モータ１１４ｂによってＸ軸方向に移動する。さらに、砥石台１１４には、砥石台１１４のＺ方向位置を検出する検出器１１４ｃ、及び、砥石台１１４のＸ方向位置を検出する検出器１１４ｄが設けられる。検出器１１４ｃ，１１４ｄは、モータ１１４ｂの回転などを測定するロータリエンコーダなどであり、リニアスケールなどの直線位置検出器とすることもできる。

砥石台１１４には、クランクピン又はクランクジャーナルを研削する砥石車１１５が回転可能に設けられる。砥石車１１５は、モータ１１５ａによって回転駆動される。さらに、砥石台１１４には、モータ１１５ａの動力などを検出する検出器１１５ｂが設けられる。検出器１１５ｂは、例えばモータ電力計であるが、モータ１１５ａの電圧や電流を測定する電圧計や電流計などとすることもできる。なお、砥石車１１５のモータ１１５ａの電力、電圧、電流などは、間接的に、研削抵抗を得ることができる。上記の他に、検出器１１５ｂは、主軸装置１１２や砥石台１１４に設けられる負荷検出器として、研削抵抗を直接的に得るようにすることもできる。

さらに、ベッド１１１には、クランクシャフトＷの研削部位であるクランクピン又はクランクジャーナルの外径を計測する定寸装置１１６が設けられる。さらに、ベッド１１１には、環境温度（外気温度）を検出する検出器１１７が設けられる。さらに、ベッド１１１には、研削部位にクーラントを供給するためのポンプ１１８ａ、クーラントの供給のＯＮ／ＯＦＦを切り替える弁１１８ｂ、及び、弁１１８ｂの状態を検出する検出器１１８ｃを備える。検出器１１８ｃは、クーラントの流量計であるが、クーラントの圧力を検出する圧力センサなどとしてもよい。

さらに、研削盤１１は、ＣＮＣ装置１２１、ＰＬＣ１２２、異常判定装置１２３、及び、操作盤１２４を備える。ここで、異常判定装置１２３は、ＣＮＣ装置１２１又はＰＬＣ１２２の組み込みシステムとすることもでき、さらにパーソナルコンピュータやサーバなどとすることもできる。

ＣＮＣ装置１２１は、図３に示すように、主軸装置１１２及び砥石車１１５を回転するモータ１１２ａ，１１５ａを制御し、且つ、クランクシャフトＷに対する砥石車１１５の相対移動するモータ１１４ａ，１１４ｂを制御する。ＣＮＣ装置１２１は、制御に際して、砥石台１１４の位置の検出器１１４ｃ，１１４ｄ、モータ１１５ａの動力の検出器１１５ｂを取得する。

ＰＬＣ１２２は、定寸装置１１６からの検出情報を取得する。また、ＰＬＣ１２２は、ポンプ１１８ａ及び弁１１８ｂを制御することで、クーラントの供給を制御する。この制御に際して、ＰＬＣ１２２は、弁１１８ｂの状態を検出する検出器１１８ｃの検出情報を取得する。さらに、ＰＬＣ１２２は、環境温度を検出する検出器１１７の検出情報を取得する。

ここで、各検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃのサンプリング周期は、全てが同一ではなく、少なくとも一部が異なる。例えば、モータ１１５ａの動力の検出器１１５ｂのサンプリング周期は、数ｍｓｅｃであり、定寸装置１１６のサンプリング周期は、数ｍｓｅｃであり、弁状態の検出器１１８ｃのサンプリング周期は、数十ｍｓｅｃであり、温度の検出器１１７のサンプリング周期は、数十ｍｓｅｃである。それぞれのサンプリング周期は、制御方法によって適宜調整される。

異常判定装置１２３は、研削盤１１の異常又は生産対象物（工作物）の異常を判定する。異常判定装置１２３は、判定対象に応じた閾値を記憶しており、各検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃによる検出情報と対応する閾値とを比較することで、異常判定を行う。

例えば、異常判定装置１２３は、図４に示すように、１個の生産対象物（工作物）について、モータ１１５ａの動力の検出器１１５ｂによる検出情報と比較するための閾値Ｔｈ１１，Ｔｈ１２を予め記憶している。閾値Ｔｈ１１，Ｔｈ１２は、１個の生産対象物（工作物）について、研削開始からの経過時間に対するモータ１１５ａの動力の挙動に応じて変化するように設定されている。閾値Ｔｈ１１が上限値であり、閾値Ｔｈ１２が下限値である。

異常判定装置１２３は、モータ１１５ａの動力と閾値Ｔｈ１１，Ｔｈ１２とを比較することで、生産対象物の異常を判定する。具体的には、異常判定装置１２３は、モータ１１５ａの動力が上限閾値Ｔｈ１１を超えた場合又は下限閾値Ｔｈ１２を下回った場合には、生産対象物に研削焼けや形状精度を満たしていない状態が発生しているとして、当該生産対象物は異常であると判定する。なお、砥石車１１５のモータ１１５ａの動力は、研削抵抗に相当する。そこで、砥石車１１５のモータ１１５ａの動力に代えて、他の検出方法により検出される研削抵抗を採用することもできる。研削抵抗と閾値との比較により生産対象物に研削焼け等が生じているかの判定については、例えば、特開２０１３−１２９０２７号公報に記載されている。

また、異常判定装置１２３は、ＣＮＣ装置１２１及びＰＬＣ１２２による制御対象の駆動装置１１２ａ，１１４ａ，１１４ｂ，１１５ａ，１１８ａ，１１８ｂの異常を判定する。例えば、異常判定装置１２３は、モータ１１４ａ，１１４ｂの使用状態及び使用履歴などの情報から得られる使用実績値と、予め記憶されている閾値とを比較することで、駆動機構に用いられるボールねじや軸受等の異常の判定を行う。また、異常判定装置１２３は、弁１１８ｂの使用状態及び使用履歴などの情報から得られる使用実績値と、予め記憶されている閾値とを比較することで、弁１１８ｂの異常の判定を行う。なお、駆動機構の異常や弁１１８ｂの異常は、駆動機構及び弁１１８ｂの故障のみならず、寿命、メンテナンスが必要となる状態を含む意味で用いる。

ここで、異常判定装置１２３が記憶する閾値は、対象となる研削盤１１に応じて異なる値である。仮に、図１において、生産設備１１と他の生産設備２１が同一の対象物を生産する場合であっても、使用環境が異なっていたり、生産対象物の材料配合が異なっていたりする。また、生産設備１１，２１に個体差がある場合もある。そこで、同一の対象物を生産する場合であっても、生産設備１１の閾値と他の生産設備２１の閾値は異なる値に設定されることがある。

また、上記においては、生産設備１１について説明したが、研削盤としての生産設備１３，２１，２３についても同様である。さらに、搬送装置としての生産設備１２，２２についても、同様に、異常判定装置１２３を備える。この場合、異常判定装置１２３は、搬送装置としての生産設備１２，２２の使用状態及び使用履歴などの情報から得られる使用実績値と、予め記憶されている閾値とを比較することで、例えば搬送路を構成する部品の異常（故障、寿命、メンテナンスが必要となる状態）の判定を行うことができる。なお、異常判定装置１２３は、図２に示すように生産設備１１内に設けたが、解析装置５０内に設けるようにしてもよい。

（１−３．解析装置５０の構成）
次に、解析装置５０の構成について、図５を参照して説明する。解析装置５０は、フォグネットワーク３１を介して、生産設備１１〜１３の各検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃに接続されている。解析装置５０は、生産設備１１〜１３の各検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報を、フォグネットワーク３１を介して取得する。さらに、解析装置５０は、生産設備１１〜１３のＣＮＣ装置１２１及びＰＬＣ１２２にも接続されている。解析装置５０は、各種制御パラメータを、フォグネットワーク３１を介して取得する。

フォグネットワーク３１は、クラウドネットワーク４０に比べて狭い領域に構築されている。従って、解析装置５０は、生産設備１１〜１３の各検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報を、検出時点から早期に取得することができる。

解析装置５０は、図５に示すように、解析部５１と、表示部５２と、入力部５３とを備える。解析部５１は、生産設備１１〜１３の各検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報を取得する。ここで、解析部５１は、検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃのそれぞれが検出する検出情報の全てを取得する。つまり、各検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃのサンプリング周期に関わりなく、解析部５１は、検出情報の全てを取得する。ここで、解析部５１は、検出情報の全てを取得するため、膨大なデータ量となるが、フォグネットワーク３１を介するため、通信時間の遅延は問題にならない。

さらに、解析部５１は、各検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報に加えて、生産設備１１〜１３における各種制御パラメータを取得する。例えば、生産設備１１，１３における制御パラメータには、生産対象物としてのクランクシャフトＷの形状及び材質、砥石車１１５の形状及び材質、研削切込量及びクーラントの流量等の研削工程情報が含まれる。

解析部５１は、取得した検出情報及び各種制御パラメータに基づいてデータ解析を行う。データ解析は、いわゆるデータマイニングである。特に、解析部５１は、１つの生産設備１１における各検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報等のみではなく、複数の生産設備１１〜１３における各検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報等を取得する。

そして、解析部５１は、データ解析により生産対象物の異常に関する判定情報を生成することができ、この判定情報を記憶する。例えば、解析部５１は、データ解析により生産対象物の研削焼けの有無を判定するための閾値Ｔｈ１１，Ｔｈ１２（図４に示す）を、判定情報の一つとして生成する。また、解析部５１は、データ解析により生産設備１１〜１３のそれぞれの部品の異常を判定するための閾値を、判定情報の他の一つとして生成する。さらに、解析部５１は、一旦判定情報を生成した後において、新たな検出情報を取得することにより判定情報を更新する。

表示部５２は、解析部５１によるデータ解析の結果としての判定情報を表示し、オペレータにデータ解析の結果を確認させることができる。また、表示部５２は、解析部５１が取得した検出情報及び各種制御パラメータを表示することもできる。例えば、表示部５２は、解析部５１により得られる研削焼けの有無を判定するための閾値、生産設備１１におけるモータ１１５ａの動力の検出器１１５ｂによる検出情報、及び、生産設備１３におけるモータ１１５ａの動力の検出器１１５ｂによる検出情報を重ねて表示する。

入力部５３は、オペレータによる判定情報等の入力を受け付ける。入力部５３は、生産設備１１〜１３のそれぞれに応じた判定情報を設定できる。解析部５１は、生産設備１１〜１３のそれぞれに応じた判定情報を得ることができるが、オペレータは、得られた判定情報を参照しながらさらに任意に編集することができる。編集された判定情報は、解析部５１に記憶される。

そして、生産設備１１〜１３は、解析部５１に記憶された判定情報を、フォグネットワーク３１を介して取得し記憶する。生産設備１１〜１３の異常判定装置１２３は、取得した判定情報に基づいて、生産設備１１〜１３の異常又は生産対象物の異常を判定する。

（１−４．異常判定装置１２３、解析装置５０，６０及び上位解析装置７０の詳細処理）
次に、異常判定装置１２３、解析装置５０，６０及び上位解析装置７０の詳細処理について、図６を参照して説明する。解析装置５０，６０及び上位解析装置７０は、検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報を取得して、各種の判定情報を生成する。ただし、説明の容易化のため、以下では、検出器１１５ｂの検出情報を用いる場合の処理を例にあげて説明する。

検出器１１５ｂが、生産対象物（工作物）が研削されるたびに、モータ１１５ａの動力を検出する（Ｓ１）。続いて、異常判定装置１２３は、１個分の生産対象物についてのデータを収集する（Ｓ２）。このデータは、例えば、図４の実線で示す挙動である。そして、異常判定装置１２３に既に判定情報としての閾値Ｔｈ１１，Ｔｈ１２が記憶されていれば、異常判定装置１２３は、異常判定を行う（Ｓ３）。つまり、異常判定装置１２３は、１個分の生産対象物についてのデータと、既に記憶されている閾値Ｔｈ１１，Ｔｈ１２とを比較することにより、当該生産対象物が異常であるか否かを判定する。

さらに、異常判定装置１２３は、複数個分の生産対象物のデータを収集する（Ｓ４）。異常判定装置１２３は、例えば、１日分の生産対象物のデータを収集する。異常判定装置１２３が収集した複数個分の生産対象物のデータは、例えば１日に１回、フォグネットワーク３１，３２を介して、解析装置５０，６０に送信される。そして、解析装置５０，６０は、例えば１日に１回、複数個分の生産対象物について、検出器１１５ｂの検出情報を取得する（Ｓ５）。ここで、解析装置５０，６０は、検出器１１５ｂの検出情報の全てを取得する。

解析装置５０，６０は、複数個分の生産対象物についての検出器１１５ｂの検出情報に基づいて、データ解析を行う（Ｓ６）。そして、解析装置５０，６０は、データ解析により、判定情報としての閾値Ｔｈ１１，Ｔｈ１２を生成する（Ｓ７）。さらに、解析装置５０，６０は、新たに検出器１１５ｂの検出情報を取得した場合には、再びデータ解析を行うことにより、判定情報としての閾値Ｔｈ１１，Ｔｈ１２を更新する（Ｓ７）。そうすると、解析装置５０，６０は、フォグネットワーク３１，３２を介して、判定情報としての閾値Ｔｈ１１，Ｔｈ１２を異常判定装置１２３に送信する。そして、異常判定装置１２３は、判定情報としての閾値Ｔｈ１１，Ｔｈ１２を逐次更新しながら記憶する（Ｓ８）。

ところで、解析装置５０，６０は、判定情報としての閾値Ｔｈ１１，Ｔｈ１２を生成するためのデータ解析と並行して、取得した検出器１１５ｂの検出情報のうち一部の情報のみを抽出する（Ｓ９）。例えば、解析装置５０，６０は、図４において、定常加工を行っているときのモータ１１５ａの動力Ｐを抽出する。解析装置５０，６０は、抽出した情報を、クラウドネットワーク４０を介して、上位解析装置７０に送信される。当該送信は、例えば、１日に１回でもよいし、１月に１回でもよい。

そうすると、上位解析装置７０は、クラウドネットワーク４０を介して、検出器１１５ｂの検出情報の一部を取得することになる（Ｓ１０）。また、上位解析装置７０は、必要に応じて、解析装置５０，６０から、各種制御パラメータを取得する。各種制御パラメータは、検出情報に比べてデータ量が小さい。

クラウドネットワーク４０におけるデータ通信量は、フォグネットワーク３１，３２におけるデータ通信量に比べて、格段に少ない。解析装置５０及び他の解析装置６０と上位解析装置７０とが遠方に位置していたとしても、クラウドネットワーク４０を介する通信速度の遅延の問題は生じない。

上位解析装置７０は、解析装置５０，６０から取得した検出情報の一部及び各種制御パラメータに基づいて上位データ解析を行う（Ｓ１１）。上位データ解析は、いわゆるデータマイニングである。上位解析装置７０は、異なる領域に設置される生産設備１１〜１３と生産設備２１〜２３のそれぞれの情報を用いて上位データ解析を行う。従って、上位解析装置７０は、多数の情報を利用する上位データ解析を行うことができる。

生産設備１１〜１３と他の生産設備２１〜２３の設置場所が異なるのであれば、両者の環境温度が異なることがある。例えば、上位解析装置７０は、環境温度の影響をより詳細に上位データ解析することができる。

解析装置５０，６０は、クラウドネットワーク４０を介して、上位解析装置７０による上位データ解析の結果を取得することができる。従って、解析装置５０，６０は、自身のデータ解析によって生成した判定情報としての閾値Ｔｈ１１，Ｔｈ１２について、上位データ解析の結果を参照して更新する（Ｓ７）。そうすると、解析装置５０，６０は、フォグネットワーク３１，３２を介して、更新された判定情報としての閾値Ｔｈ１１，Ｔｈ１２を異常判定装置１２３に送信する。このようにして、異常判定装置１２３は、上位データ解析の結果を考慮した判定情報としての閾値Ｔｈ１１，Ｔｈ１２を逐次更新しながら記憶する（Ｓ８）。

ここで、解析装置５０の表示部５２は、解析装置５０自身のデータ解析の結果としての判定情報を表示すると共に、上位解析装置７０の上位データ解析の結果としての判定情報を重ねて表示することができる。オペレータは、両者の判定情報を確認しながら、入力部５３により生産設備１１〜１３で使用する判定情報の設定を行うことができる。なお、解析装置６０においても同様である。

解析装置５０，６０は、収集したデータの一部又は全部を上位解析装置７０へ送信可能である。解析装置５０，６０が送信するデータの範囲（値の大きさや時間などで設定される範囲）は、解析装置５０，６０自身、又は、オペレータの操作との協働によって、生産設備１１〜１３の近いところで決めることができる。

＜２．第二実施形態＞
第二実施形態における、異常判定装置１２３、解析装置５０，６０及び上位解析装置７０の詳細処理について、図７〜図１２を参照して説明する。第二実施形態においては、検出器１１２ｂの検出情報を用いる場合を例にあげて説明する。

図７に示すように、検出器１１２ｂが、生産対象物（工作物）が研削されるたびに、主軸の振動を検出する（Ｓ２１）。続いて、異常判定装置１２３は、１個分の生産対象物についてのデータを収集する（Ｓ２２）。続いて、異常判定装置１２３は、１個分の生産対象物についての振動データに対して周波数解析（本発明の所定処理に相当する）を行う（Ｓ２３）。周波数解析の結果は、図８に示す。そして、異常判定装置１２３は、周波数解析によって得られる振動データの所定周波数帯のピーク値（本発明の処理後データに相当する）を取得する。

ここで、図８に示すように、周波数解析の結果は、複数の周波数帯において、ピーク値（図８の丸印で囲む）を有する。これらの周波数帯は、主軸の振動原因に対応する。例えば、主軸装置１１２の軸受の外輪に損傷がある場合、内輪に損傷がある場合、転動体に損傷がある場合などに応じて、周波数帯が異なる。そこで、異常判定装置１２３は、振動原因毎に対応する周波数帯のピーク値を取得する。

そして、異常判定装置１２３は、既に判定情報のパターンとしての閾値Ｔｈ２１，Ｔｈ２２が記憶されている場合には、異常判定装置１２３は、異常判定を行う（Ｓ２４）。判定情報のパターンとしての閾値Ｔｈ２１，Ｔｈ２２は、例えば、図９に示すように、１日の時間帯（規定パラメータ）に対する振動データの周波数解析のピーク値（評価パラメータ）のパターンである。ここで、１日においても、生産設備１１〜１３を起動してからの経過時間や、環境温度などによって、振動の大きさが異なる。そこで、図９に示すように、判定情報のパターンとしての閾値Ｔｈ２１，Ｔｈ２２は、横軸を１日の時間帯（規定パラメータ）とし、縦軸を振動データの周波数解析のピーク値（評価パラメータ）として表す。

つまり、異常判定装置１２３は、現在取得された実際の時間帯（規定パラメータ）と、現在取得された実際のピーク値（評価パラメータ）と、記憶されている判定情報のパターンとに基づいて、異常の判定を行う。ここで、図９において、マーク■が、現在取得された実際の時間帯に対するピーク値である。マーク■は、上限の閾値Ｔｈ２１以下であり、下限の閾値Ｔｈ２２以上であるため、正常であると判定される。

また、異常判定装置１２３は、他の判定情報のパターンとしての閾値Ｔｈ３１，Ｔｈ３２は、例えば、図１０に示すように、１年の時期（規定パラメータ）に対する振動データの周波数解析のピーク値（評価パラメータ）のパターンを記憶している。ここで、１年においても、環境温度の違いの影響によって、振動の大きさが異なる。そこで、図１０に示すように、他の判定情報のパターンとしての閾値Ｔｈ３１，Ｔｈ３２は、横軸を１年の時期（規定パラメータ）とし、縦軸を振動データの周波数解析のピーク値（評価パラメータ）として表す。

つまり、異常判定装置１２３は、現在取得された実際の時期（規定パラメータ）と、現在取得された実際のピーク値（評価パラメータ）と、記憶されている判定情報のパターンとに基づいて、異常の判定を行う。ここで、図１０において、マーク▲が、現在取得された実際の時期に対するピーク値である。マーク▲は、上限の閾値Ｔｈ３１以下であり、下限の閾値Ｔｈ３２以上であるため、正常であると判定される。

さらに、異常判定装置１２３は、複数個分の生産対象物のピーク値（処理後データ）を収集する（Ｓ２５）。異常判定装置１２３は、例えば、１日分の生産対象物のピーク値を収集する。異常判定装置１２３が収集した複数個分の生産対象物のピーク値は、例えば１日に１回、フォグネットワーク３１，３２を介して、解析装置５０，６０に送信される。そして、解析装置５０，６０は、例えば１日に１回、複数個分の生産対象物について、振動データの周波数解析のピーク値を取得する（Ｓ２６）。ここで、解析装置５０，６０は、検出器１１２ｂの検出情報に比べて、遥かに小さなデータ量のピーク値を取得する。

解析装置５０，６０は、複数個分の生産対象物についてのピーク値に基づいて、データ解析を行う（Ｓ２７）。例えば、２日分のピーク値の分布は、図１１に示すようになる。そして、解析装置５０，６０は、複数日分のピーク値から、正常傾向パターンを解析する。正常傾向パターンとは、分布されたデータの近似曲線（例えば最小二乗近似曲線）としてもよいし、分布されたデータ全てを含む幅を持った曲線としてもよい。そして、解析装置５０，６０は、正常傾向パターンに基づいて、図１１の破線にて示すように、判定情報のパターンとしての閾値Ｔｈ２１，Ｔｈ２２を生成する（Ｓ２８）。

さらに、解析装置５０，６０は、新たに検出器１１２ｂの検出情報を取得した場合には、再びデータ解析を行うことにより、判定情報のパターンとしての閾値Ｔｈ２１，Ｔｈ２２を更新する（Ｓ２８）。そうすると、解析装置５０，６０は、フォグネットワーク３１，３２を介して、判定情報のパターンとしての閾値Ｔｈ２１，Ｔｈ２２を異常判定装置１２３に送信する。そして、異常判定装置１２３は、判定情報のパターンとしての閾値Ｔｈ２１，Ｔｈ２２を逐次更新しながら記憶する（Ｓ２９）。

また、解析装置５０，６０は、１年分の生産対象物についてのピーク値に基づいて、データ解析を行う（Ｓ２７）。例えば、１年分のピーク値の分布は、図１２に示すようになる。そして、解析装置５０，６０は、１年分のピーク値から、正常傾向パターンを解析する。そして、解析装置５０，６０は、正常傾向パターンに基づいて、図１２の破線にて示すように、判定情報のパターンとしての閾値Ｔｈ３１，Ｔｈ３２を生成する（Ｓ２８）。

この場合も同様に、解析装置５０，６０は、新たに検出器１１２ｂの検出情報を取得した場合には、再びデータ解析を行うことにより、判定情報のパターンとしての閾値Ｔｈ３１，Ｔｈ３２を更新する（Ｓ２８）。そうすると、解析装置５０，６０は、フォグネットワーク３１，３２を介して、判定情報のパターンとしての閾値Ｔｈ３１，Ｔｈ３２を異常判定装置１２３に送信する。そして、異常判定装置１２３は、判定情報のパターンとしての閾値Ｔｈ３１，Ｔｈ３２を逐次更新しながら記憶する（Ｓ２９）。

ところで、解析装置５０，６０は、判定情報としての閾値Ｔｈ２１，Ｔｈ２２，Ｔｈ３１，Ｔｈ３２を生成するためのデータ解析と並行して、取得したピーク値のうち一部の情報のみを抽出する（Ｓ３０）。例えば、解析装置５０，６０は、全ての生産対象物のピーク値ではなく、一部の生産対象物のピーク値を抽出する。解析装置５０，６０は、例えば、同一ロットの中から１個の生産対象物のピーク値を抽出する。解析装置５０，６０は、抽出した情報を、クラウドネットワーク４０を介して、上位解析装置７０に送信される。当該送信は、例えば、１週間に１回でもよいし、１月に１回でもよい。

そうすると、上位解析装置７０は、クラウドネットワーク４０を介して、ピーク値の一部の情報を取得することになる（Ｓ３１）。また、上位解析装置７０は、必要に応じて、解析装置５０，６０から、各種制御パラメータを取得する。各種制御パラメータは、検出情報に比べてデータ量が小さい。

上位解析装置７０は、解析装置５０，６０から取得したピーク値の一部及び各種制御パラメータに基づいて上位データ解析を行う（Ｓ３２）。上位データ解析は、いわゆるデータマイニングである。上位解析装置７０は、異なる領域に設置される生産設備１１〜１３と生産設備２１〜２３のそれぞれの情報を用いて上位データ解析を行う。従って、上位解析装置７０は、多数の情報を利用する上位データ解析を行うことができる。

解析装置５０，６０は、クラウドネットワーク４０を介して、上位解析装置７０による上位データ解析の結果を取得することができる。従って、解析装置５０，６０は、自身のデータ解析によって生成した判定情報のパターンとしての閾値Ｔｈ２１，Ｔｈ２２，Ｔｈ３１，Ｔｈ３２について、上位データ解析の結果を参照して更新する（Ｓ２８）。そうすると、解析装置５０，６０は、フォグネットワーク３１，３２を介して、更新された判定情報としての閾値Ｔｈ２１，Ｔｈ２２，Ｔｈ３１，Ｔｈ３２を異常判定装置１２３に送信する。このようにして、異常判定装置１２３は、上位データ解析の結果を考慮した判定情報としての閾値Ｔｈ２１，Ｔｈ２２，Ｔｈ３１，Ｔｈ３２を逐次更新しながら記憶する（Ｓ２９）。

＜３．第三実施形態＞
第三実施形態における、異常判定装置１２３、解析装置５０，６０及び上位解析装置７０の詳細処理について、図１３〜図１５を参照して説明する。第三実施形態においては、検出器１１５ｂ，１１７の検出情報を用いる場合を例にあげて説明する。

図１３に示すように、検出器１１５ｂが、生産対象物（工作物）が研削されるたびに、モータ１１５ａの動力の電流値を検出する（Ｓ４１）。また、検出器１１７が、生産対象物が研削されるたびに、環境温度を検出する（Ｓ４２）。続いて、異常判定装置１２３は、１個分の生産対象物についてのそれぞれのデータを収集する（Ｓ４３）。

続いて、異常判定装置１２３は、１個分の生産対象物についてのモータ１１５ａの動力データの中から、定常加工を行っているときのデータを抽出する（本発明の所定処理に相当する）（Ｓ４４）。例えば、図４において、定常加工を行っているときのモータ１１５ａの動力の電流値はＰである。そして、異常判定装置１２３は、抽出処理により得られた動力の電流値Ｐのデータ及び環境温度のデータ（本発明の処理後データに相当する）を取得する。

そして、異常判定装置１２３は、既に判定情報のパターンとしての閾値Ｔｈ４１，Ｔｈ４２が記憶されている場合には、異常判定装置１２３は、異常判定を行う（Ｓ４５）。判定情報のパターンとしての閾値Ｔｈ４１，Ｔｈ４２は、例えば、図１４に示すように、環境温度（規定パラメータ）に対するモータ１１５ａの動力の電流値（評価パラメータ）のパターンである。ここで、環境温度によって、モータ１１５ａの動力の電流値は変化する。そこで、図１４に示すように、判定情報のパターンとしての閾値Ｔｈ４１，Ｔｈ４２は、横軸を環境温度（規定パラメータ）とし、縦軸をモータ１１５ａの動力の電流値Ｐ（評価パラメータ）として表す。

つまり、異常判定装置１２３は、現在取得された実際の環境温度（規定パラメータ）と、現在取得された実際の動力の電流値Ｐ（評価パラメータ）と、記憶されている判定情報のパターンとに基づいて、異常の判定を行う。ここで、図１４において、マーク■が、現在取得された実際の環境温度に対する動力の電流値Ｐである。マーク■は、上限の閾値Ｔｈ４１以下であり、下限の閾値Ｔｈ４２以上であるため、正常であると判定される。

さらに、異常判定装置１２３は、複数個分の動力の電流値Ｐのデータ及び環境温度データ（処理後データ）を収集する（Ｓ４６）。異常判定装置１２３は、例えば、１日分の生産対象物の動力の電流値Ｐのデータ及び環境温度のデータを収集する。異常判定装置１２３が収集した複数個分のデータは、例えば１日に１回、フォグネットワーク３１，３２を介して、解析装置５０，６０に送信される。そして、解析装置５０，６０は、例えば１日に１回、複数個分の生産対象物について、動力の電流値Ｐのデータ及び環境温度のデータを取得する（Ｓ４７）。ここで、解析装置５０，６０は、検出器１１５ｂ，１１７の全ての検出情報に比べて、遥かに小さなデータ量のデータを取得する。

解析装置５０，６０は、複数個分の生産対象物についてのデータに基づいて、データ解析を行う（Ｓ４８）。例えば、環境温度が異なる複数日分のデータの分布は、図１５に示すようになる。そして、解析装置５０，６０は、複数日分のデータから、正常傾向パターンを解析する。そして、解析装置５０，６０は、正常傾向パターンに基づいて、図１４，図１５の破線にて示すように、判定情報のパターンとしての閾値Ｔｈ４１，Ｔｈ４２を生成する（Ｓ４９）。

さらに、解析装置５０，６０は、新たに検出器１１５ｂ，１１７の検出情報を取得した場合には、再びデータ解析を行うことにより、判定情報のパターンとしての閾値Ｔｈ４１，Ｔｈ４２を更新する（Ｓ４９）。そうすると、解析装置５０，６０は、フォグネットワーク３１，３２を介して、判定情報のパターンとしての閾値Ｔｈ４１，Ｔｈ４２を異常判定装置１２３に送信する。そして、異常判定装置１２３は、判定情報のパターンとしての閾値Ｔｈ４１，Ｔｈ４２を逐次更新しながら記憶する（Ｓ５０）。

ところで、解析装置５０，６０は、判定情報としての閾値Ｔｈ４１，Ｔｈ４２を生成するためのデータ解析と並行して、取得したデータのうち一部の情報のみを抽出する（Ｓ５１）。例えば、解析装置５０，６０は、全ての生産対象物のデータではなく、一部の生産対象物のデータを抽出する。解析装置５０，６０は、例えば、同一ロットの中から１個の生産対象物のデータを抽出する。解析装置５０，６０は、抽出した情報を、クラウドネットワーク４０を介して、上位解析装置７０に送信される。当該送信は、例えば、１週間に１回でもよいし、１月に１回でもよい。

そうすると、上位解析装置７０は、クラウドネットワーク４０を介して、データの一部の情報を取得することになる（Ｓ５２）。また、上位解析装置７０は、必要に応じて、解析装置５０，６０から、各種制御パラメータを取得する。各種制御パラメータは、検出情報に比べてデータ量が小さい。

上位解析装置７０は、解析装置５０，６０から取得したデータの一部及び各種制御パラメータに基づいて上位データ解析を行う（Ｓ５３）。上位データ解析は、いわゆるデータマイニングである。上位解析装置７０は、異なる領域に設置される生産設備１１〜１３と生産設備２１〜２３のそれぞれの情報を用いて上位データ解析を行う。従って、上位解析装置７０は、多数の情報を利用する上位データ解析を行うことができる。

解析装置５０，６０は、クラウドネットワーク４０を介して、上位解析装置７０による上位データ解析の結果を取得することができる。従って、解析装置５０，６０は、自身のデータ解析によって生成した判定情報のパターンとしての閾値Ｔｈ４１，Ｔｈ４２について、上位データ解析の結果を参照して更新する（Ｓ４９）。そうすると、解析装置５０，６０は、フォグネットワーク３１，３２を介して、更新された判定情報としての閾値Ｔｈ４１，Ｔｈ４２を異常判定装置１２３に送信する。このようにして、異常判定装置１２３は、上位データ解析の結果を考慮した判定情報としての閾値Ｔｈ４１，Ｔｈ４２を逐次更新しながら記憶する（Ｓ５０）。

＜４．実施形態の効果＞
第一実施形態から第三実施形態において、異常解析システム１は、生産対象物を生産する設備であって、１又は複数の検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃをそれぞれ備える複数の生産設備１１〜１３と、複数の生産設備１１〜１３に接続され、フォグコンピューティングを構築する所定領域内に設置されたフォグネットワーク（第一ネットワークに相当）３１と、フォグネットワークに３１接続され、フォグネットワーク３１を介して取得した検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報に基づいてデータ解析を行い、且つ、データ解析の結果に基づいて複数の生産設備１１〜１３のそれぞれの異常又は生産対象物の異常に関する判定情報を生成する解析装置５０とを備える。複数の生産設備１１〜１３のそれぞれは、解析装置５０にて生成された判定情報に基づいて複数の生産設備１１〜１３のそれぞれの異常又は生産対象物の異常の判定を行う。

複数の生産設備１１〜１３における検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃと解析装置５０とは、フォグコンピューティングを構築する所定領域内に設置されたフォグネットワーク３１を介して接続されている。フォグコンピューティングとは、クラウドコンピューティングと比較して、狭い領域でのネットワーク接続されたシステムである。つまり、フォグコンピューティングを構築するフォグネットワーク３１は、クラウドコンピューティングを構築する領域より狭い所定領域内に設置されているネットワークである。そのため、検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃと解析装置５０との間におけるデータ通信において、通信渋滞の発生は抑制される。また、フォグネットワーク３１は狭い所定領域内に構築されているため、生産設備１１〜１３と解析装置５０との間の通信時間を短くすることができる。従って、解析装置５０は、検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃによる検出情報を高速で受信できる。

解析装置５０は、複数の生産設備１１〜１３における検出情報を早期に取得でき、データ解析を行うことができるため、解析装置５０による結果を早期に生産設備１１〜１３にフィードバックすることができる。解析結果を生産設備１１〜１３に早期にフィードバックできるため、生産対象物の異常発生をより早期に且つ確実に抑制できる。

また、第一実施形態においては、解析装置５０は、検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報の全てをフォグネットワーク３１を介して取得し、検出情報の全てに基づいてデータ解析を行う。特に、複数の検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃは、それぞれ異なるサンプリング周期で検出情報を取得し、解析装置５０は、複数の検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃのそれぞれにおける検出情報の全てを取得し、検出情報の全てに基づいてデータ解析を行う。フォグネットワーク３１にて、多量のデータ通信を行ったとしても、通信遅延の問題は生じない。そこで、解析装置５０は、検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報の全てを取得するようにしている。従って、解析装置５０は、高精度に且つリアルタイムにデータ解析を行うことができる。

また、第二実施形態及び第三実施形態においては、異常判定装置１２３は、検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報に所定処理を施して処理後データを生成すると共に、判定情報に基づいて異常の判定を行っている。そして、解析装置５０，６０は、処理後データをフォグネットワーク３１を介して取得し、処理後データに基づいてデータ解析を行い、データ解析の結果に基づいて判定情報を更新する。

異常判定装置１２３が異常判定を行っており、解析装置５０，６０が判定情報の更新を行っている。ここで、解析装置５０，６０は、検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報に所定処理を施した処理後データを用いている。つまり、解析装置５０，６０は、検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報そのもの全てに基づいて、判定情報を更新している訳ではない。従って、解析装置５０，６０は、判定情報を更新するに際して、検出情報そのもの全てを用いる場合に比べて高速に処理することができる。以上より、異常解析システム１は、異常判定をしながら、判定情報の更新を確実に行うことができる。

特に、異常判定装置１２３による所定処理が施された処理後データのデータ容量は、処理前の検出情報に比べて小さくなるようにされている。そのため、フォグネットワーク３１の通信量を少なくすることができるため、解析装置５０，６０は、例えば１日分のデータを取得するための時間を短時間にすることができる。その結果、解析装置５０，６０は、解析を行う時間に十分な時間を確保できる。

また、第二実施形態において、異常判定装置１２３は、生成した処理後データと判定情報とに基づいて異常の判定を行い、解析装置５０，６０は、異常判定装置１２３で判定に用いた処理後データに基づいて判定情報を更新している。つまり、処理後データは、異常判定装置１２３及び解析装置５０，６０にて共用される。

特に、第二実施形態において、検出器１１２ｂは、振動検出センサであり、異常判定装置１２３による所定処理は、検出器１１２ｂの検出情報に対する周波数解析としている。従って、異常判定装置１２３は、解析装置５０，６０にて用いるための専用のデータを生成するのではなく、自身で用いるデータを生成するだけとなる。従って、異常判定装置１２３は、専用の処理を必要としないため、異常判定装置１２３自身の処理の高速化を図りつつ、フォグネットワーク３１の通信量の低減効果を図ることができる。

また、第三実施形態において、異常判定装置１２３による所定処理は、検出器１１５ｂ，１１７の検出情報から特定情報を抽出する処理としている。この場合も、異常判定装置１２３は、解析装置５０，６０にて用いるための専用のデータを生成するのではなく、自身で用いるデータを生成するだけとなる。従って、異常判定装置１２３は、専用の処理を必要としないため、異常判定装置１２３自身の処理の高速化を図りつつ、フォグネットワーク３１の通信量の低減効果を図ることができる。

また、第二実施形態及び第三実施形態において、解析装置５０，６０は、データ解析により、規定パラメータに対する評価パラメータについての正常傾向パターンを解析し、正常傾向パターンに基づいて、規定パラメータに対する評価パラメータについての判定情報のパターンを更新している。そして、異常判定装置１２３は、実際の規定パラメータと実際の評価パラメータを取得し、判定情報のパターンと実際の規定パラメータと実際の評価パラメータとに基づいて、異常の判定を行っている。

例えば、第二実施形態においては、第一例として、規定パラメータは、１日における時間帯であり、評価パラメータは、１日における時間帯に応じて変化するパラメータとしている。また、第二実施形態において、第二例として、規定パラメータは、１年における時期であり、評価パラメータは、１年における時期に応じて変化するパラメータとしている。

生産設備１１〜１３の構成部品の状態又は生産対象物の状態は、例えば生産設備１１〜１３を起動してからの経過時間や環境温度などによって変化する。環境温度は、１日における時間帯によって、又は、１年における時期によって変化する。また、生産設備１１〜１３を起動してからの経過時間は、１日に１回起動するような場合には、１日における時間帯によって変化する。そこで、規定パラメータ及び評価パラメータを上記のように設定することで、確実に、生産設備１１〜１３の状態又は生産対象物の状態を評価することができる。

特に、検出器１１２ｂは、生産設備１１〜１３又は生産対象物の振動を検出するものとし、評価パラメータは、振動における所定周波数帯のピーク値としている。振動の振幅は、例えば生産設備１１〜１３を起動してからの経過時間や環境温度などによって変化するパラメータである。つまり、ピーク値は、生産設備１１〜１３を起動してからの経過時間や環境温度などによって変化するパラメータである。そこで、評価パラメータをピーク値とすることで、確実に、生産設備１１〜１３の状態又は生産対象物の状態を評価することができる。

また、第三実施形態においては、規定パラメータは、環境温度であり、評価パラメータは、環境温度に応じて変化するパラメータとしている。この場合、環境温度そのものを規定パラメータとすることで、環境温度に応じて変化するパラメータを評価することにより、生産設備１１〜１３の状態又は生産対象物の状態を評価することができる。

また、第二実施形態及び第三実施形態において、解析装置５０，６０は、異常判定装置１２３による所定処理が複数回行われた後に、異常判定装置１２３による複数回分の処理結果をまとめて取得している。つまり、解析装置５０，６０は、異常判定装置１２３が検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃから検出情報を取得するたびに、異常判定装置１２３からデータを取得する訳ではない。

ここで、第二実施形態及び第三実施形態においては、異常判定装置１２３は、検出情報に対して所定処理を施しており、解析装置５０，６０は、所定処理によりデータ量を小さくされた処理後データを取得している。従って、解析装置５０，６０が、複数回分の結果をまとめて取得したとしても、フォグネットワーク３１の通信量は十分に小さく済む。

また、第一実施形態から第三実施形態において、フォグネットワーク３１が構築される所定領域は、複数の生産設備１１〜１３の何れかが設置されている建物と同一の建物内、又は、生産設備１１〜１３が設置されている建物と近隣の建物内である。従って、確実に、生産設備１１〜１３と解析装置５０とを、フォグネットワーク３１により構成できる。

また、第一実施形態から第三実施形態において、生産設備１１〜１３に近いところで解析がなされるので、オペレータは、生産対象物や生産設備１１〜１３の状態を確認しながら異常や正常などを判定する値（判定情報）を決めることが可能となる。また、生産設備１１〜１３又は生産対象物に突発的な異常が発生したときに、生産設備１１〜１３の近いところで解析がなされるので、オペレータと解析装置５０との協働によって、データの解析が即時に行うことができ、その結果を対象の生産設備１１〜１３に対する判定情報へ即座に反映することも可能となる。また、解析装置５０の解析結果によって異常判定又は異常判定の前段階（異常ではないが異常に近い状態）において、生産設備１１〜１３又は解析装置５０は、オペレータに異常状態を伝えたり、自動で生産設備１１〜１３の動作を止めたりすることが可能となる。

また、第一実施形態から第三実施形態において、解析装置５０は、データ解析の結果を表示する表示部５２と、オペレータによる判定情報の入力を受け付ける入力部５３とを備える。オペレータにより、手動で、生産設備１１〜１３に対する判定情報の設定が可能となる。なお、オペレータによる手動設定に限られず、システムによる自動設定も可能である。

また、第一実施形態から第三実施形態において、異常解析システム１は、フォグネットワーク３１に直接接続されておらず、他の検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃを備える他の生産設備２１〜２３と、複数の生産設備１１〜１３及び他の生産設備２１〜２３に接続され、フォグネットワーク３１の所定領域より広域のクラウドコンピューティングを構築するクラウドネットワーク４０（第二ネットワークに相当）と、クラウドネットワーク４０に接続され、クラウドネットワーク４０を介して取得した検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報及び他の検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報に基づいて上位データ解析を行う上位解析装置７０とを備える。

解析装置５０は、解析装置５０によるデータ解析の結果及び上位解析装置７０による上位データ解析の結果に基づいて、判定情報を決定し記憶することもできる。従って、生産設備１１〜１３では得られない情報を用いた上位データ解析を行い、生産設備１１〜１３にフィードバックすることで、より良い判定情報を得ることができる。

また、第一実施形態から第三実施形態において、解析装置５０は、検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報の全てを取得し、且つ、データ解析を行う。一方、上位解析装置７０は、生産設備１１〜１３の検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの検出情報の一部及び他の生産設備２１〜２３の他の検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃ器の検出情報の一部を取得し、且つ、上位データ解析を行う。上位解析装置７０は、高速な処理を要求されるものではないとしても、仮に、検出器１１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃの全てをクラウドネットワーク４０を介して上位解析装置７０に送信したとすると、クラウドネットワーク４０の通信遅延の影響を他者へ与えるおそれがある。そこで、上記のように、クラウドネットワーク４０のデータ通信量を検出情報の一部となり、クラウドネットワーク４０における通信遅延の影響を与えることを抑制できる。

また、第一実施形態から第三実施形態において、複数の生産設備１１〜１３は、生産対象物を研削する研削盤を含み、判定情報は、例えば、生産対象物の研削異常に関する判定情報である。これにより、研削盤を含むシステムにおいて、確実に研削焼けなどの研削異常の発生を抑制できる。

また、第一実施形態から第三実施形態において、判定情報は、複数の生産設備１１〜１３の何れかの部品故障、部品寿命又は部品のメンテナンス要否に関する判定情報としてもよい。これにより、生産設備１１〜１３の部品故障の予測をすることができ、事前の交換部品の準備をすることができる。また、これまでは、部品の使用期間に基づいて部品交換を行うことが多かったが、各部品の寿命をより高精度に把握した上で、部品交換をできるため、部品の使用期間を長くすることができる。また、部品の性能が悪化する前に、適切な時期に部品のメンテナンスを行うことができる。これにより、部品の使用期間を長くすることができる。

１：異常解析システム、 １１−１３：生産設備（１１：研削盤）、 ２１−２３：他の生産設備、 ３１：フォグネットワーク（第一ネットワーク）、 ３２：フォグネットワーク、 ４０：クラウドネットワーク（第二ネットワーク）、 ５０：解析装置、 ５１：解析部、 ５２：表示部、 ５３：入力部、 ６０：他の解析装置、 ７０：上位解析装置、 １１２ｂ，１１４ｃ，１１４ｄ，１１５ｂ，１１６，１１７，１１８ｃ：検出器、 １２１：ＣＮＣ装置、 １２２：ＰＬＣ、 １２３：異常判定装置、 Ｔｈ１１，Ｔｈ１２，Ｔｈ２１，Ｔｈ２２，Ｔｈ３１，Ｔｈ３２：閾値、 Ｗ：クランクシャフト（生産対象物）

Claims (5)

1. 生産対象物を生産する設備であって、１又は複数の検出器をそれぞれ備える複数の生産設備と、
   前記複数の生産設備に接続され、フォグコンピューティングを構築する所定領域内に設置された第一ネットワークと、
   前記第一ネットワークに直接接続されておらず、他の検出器を備える他の生産設備と、
   前記複数の生産設備及び前記他の生産設備に接続され、前記所定領域より広域のクラウドコンピューティングを構築する第二ネットワークと、
   前記第一ネットワークに接続され、前記第一ネットワークを介して取得した前記検出器の検出情報に基づいてデータ解析を行う解析装置と、
   前記第二ネットワークに接続され、前記第二ネットワークを介して取得した前記検出器の検出情報及び前記他の検出器の検出情報に基づいて上位データ解析を行う上位解析装置と、
   を備え、
   前記解析装置は、前記解析装置による前記データ解析の結果及び前記上位解析装置による前記上位データ解析の結果に基づいて、前記複数の生産設備のそれぞれの異常又は前記生産対象物の異常に関する判定情報を生成し、
   前記複数の生産設備のそれぞれは、前記解析装置にて生成された前記判定情報に基づいて前記複数の生産設備のそれぞれの異常又は前記生産対象物の異常の判定を行う異常判定装置を備える、異常解析システム。
2. 前記解析装置は、前記検出器の検出情報の全てを取得し、且つ、前記データ解析を行い、
   前記上位解析装置は、前記検出器の検出情報の一部及び前記他の検出器の検出情報の一
   部を取得し、且つ、前記上位データ解析を行う、請求項１に記載の異常解析システム。
3. 前記複数の生産設備は、前記生産対象物を研削する研削盤を含み、
   前記判定情報は、前記生産対象物の研削異常に関する判定情報である、請求項１又は２に記載の異常解析システム。
4. 前記判定情報は、前記複数の生産設備の何れかの部品故障、部品寿命又は部品のメンテナンス要否に関する判定情報である、請求項１−３の何れか一項に記載の異常解析システム。
5. 請求項１−４の何れか一項に記載の異常解析システムに用いられる前記解析装置。

Images