JPWO2020162425A1 - 解析装置、解析方法、およびプログラム - Google Patents

Abstract

解析装置（１００）は、生産設備（１０）に設けられた振動センサの検出結果を画像化する画像処理部（１０２）と、画像化したデータを機械学習処理の対象にして判別器（１１０）を生成する生成部（１０４）と、判別器（１１０）を用いて生産設備（１０）の状態解析処理を行う解析部（１０６）と、を備える。

Description

本発明は、解析装置、解析方法、およびプログラムに関し、特に、設備の状態を監視するセンサのデータを解析する解析装置、解析方法、およびプログラム関する。

機械系設備を用いた生産材の製造品質管理に振動や音響センサを用いて状態監視する方法がある。例えば、生産材の加工時に加工機で生じた振動データを取得し、異常振動を捉えたときに生産材の加工をストップすることにより製造ロスを回避することや、生産設備の稼働状況を振動にて監視し、メンテナンスの効率化や、設備を長寿命化するための最適な稼働条件を見出すことなどにより、製造業の生産効率を向上させる技術として注目されている。

特許文献１には、監視対象の設備にセンサを取り付け、当該センサが測定した時系列データに基づきその設備の監視を行う方法が開示されている。

特開２００９−２７０８４３号公報

上述した特許文献１に記載されたシステムのように、センサで収集したデータに基づき設備の異常等を検出しようとすると、解析すべきデータの量が多くなり得る。また、ディープラーニングなどの機械学習により正常／異常状態モデルを構築することも考えられるが、この方法では、あくまで異常と推察される状態を抽出させるだけに留まり、稼働を停止するなどのアクションにしか適用できない。

本発明は上記事情に鑑みてなされたものであり、その目的とするところは、生産設備の状態監視を効率よく高精度に行う技術を提供することにある。

本発明の各側面では、上述した課題を解決するために、それぞれ以下の構成を採用する。

第一の側面は、解析装置に関する。
第一の側面に係る第１の解析装置は、
生産設備に設けられた振動センサの検出結果を画像化する画像処理手段と、
前記画像化したデータを機械学習処理の対象にして判別器を生成する生成手段と、
前記判別器を用いて前記生産設備の状態解析処理を行う解析手段と、を有する。
第一の側面に係る第２の解析装置は、
生産設備に設けられた振動センサの検出結果に基づいて当該生産設備の異常判定処理を第１の判別器を用いて行う判定手段と、
前記第１の判別器により正常か異常かの判別ができなかった前記検出結果を画像化する画像処理手段と、
前記画像化したデータを機械学習処理の対象として第２の判別器を生成する生成手段と、
前記第２の判別器を用いて前記生産設備の状態解析処理を行う解析手段と、を有する。

第二の側面は、少なくとも１つのコンピュータにより実行される解析方法に関する。
第二の側面に係る第１の解析方法は、
解析装置が、
生産設備に設けられた振動センサの検出結果を画像化し、
前記画像化したデータを機械学習処理の対象にして判別器を生成し、
前記判別器を用いて前記生産設備の状態解析処理を行う、ことを含む。
第二の側面に係る第２の解析方法は、
解析装置が、
生産設備に設けられた振動センサの検出結果に基づいて当該生産設備の異常判定処理を第１の判別器を用いて行い、
前記第１の判別器により正常か異常かの判別ができなかった前記検出結果を画像化し、
前記画像化したデータを機械学習処理の対象として第２の判別器を生成し、
前記第２の判別器を用いて前記生産設備の状態解析処理を行う、ことを含む。

なお、本発明の他の側面としては、上記第二の側面の方法を少なくとも１つのコンピュータに実行させるプログラムであってもよいし、このようなプログラムを記録したコンピュータが読み取り可能な記録媒体であってもよい。この記録媒体は、非一時的な有形の媒体を含む。
このコンピュータプログラムは、コンピュータにより実行されたとき、コンピュータに、解析装置上で、その解析方法を実施させるコンピュータプログラムコードを含む。

なお、以上の構成要素の任意の組合せ、本発明の表現を方法、装置、システム、記録媒体、コンピュータプログラムなどの間で変換したものもまた、本発明の態様として有効である。

また、本発明の各種の構成要素は、必ずしも個々に独立した存在である必要はなく、複数の構成要素が一個の部材として形成されていること、一つの構成要素が複数の部材で形成されていること、ある構成要素が他の構成要素の一部であること、ある構成要素の一部と他の構成要素の一部とが重複していること、等でもよい。

また、本発明の方法およびコンピュータプログラムには複数の手順を順番に記載してあるが、その記載の順番は複数の手順を実行する順番を限定するものではない。このため、本発明の方法およびコンピュータプログラムを実施するときには、その複数の手順の順番は内容的に支障のない範囲で変更することができる。

さらに、本発明の方法およびコンピュータプログラムの複数の手順は個々に相違するタイミングで実行されることに限定されない。このため、ある手順の実行中に他の手順が発生すること、ある手順の実行タイミングと他の手順の実行タイミングとの一部ないし全部が重複していること、等でもよい。

上記各側面によれば、生産設備の状態監視を効率よく高精度に行う技術を提供することができる。

上述した目的、およびその他の目的、特徴および利点は、以下に述べる好適な実施の形態、およびそれに付随する以下の図面によってさらに明らかになる。

本発明の実施の形態に係る解析装置を用いた設備監視システムのシステム構成を概念的に示す図である。 本実施形態の記憶装置が記憶する振動データと設備情報のデータ構造の一例を示す図である。 本実施形態の各装置のハードウェア構成を例示するブロック図である。 本実施形態の解析装置の論理的な構成を示す機能ブロック図である。 は画像化前の測定データの時系列データを示す図である。 画像処理部により画像化した画像データを示す図である。 本実施形態の解析装置の動作の一例を示すフローチャートである。 図７のステップＳ１０１の画像化処理の詳細フローの一例を示すフローチャートである。 本実施形態の解析装置の論理的な構成を示す機能ブロック図である。 本実施形態の解析装置の動作の一例を示すフローチャートである。 本実施形態の解析装置における異常判定処理の手順の一例を示すフローチャートである。 本実施形態の解析装置の画像処理部の論理的な構成を示す機能ブロック図である。 本実施形態の解析装置の画像処理部の動作の一例を示すフローチャートである。 本実施形態の解析装置の論理的な構成を示す機能ブロック図である。 補正情報３０のデータ構造の一例を示す図である。 解析部による判別処理の詳細フローの一例を示すフローチャートである。 図１６のステップＳ４０６で抽出されたデータを用いた判別器の更新処理手順の一例を示すフローチャートである。 図１６の状態解析処理のステップＳ４０１で正常と判別された場合の処理手順の一例を示すフローチャートである。 解析装置の不具合モデル構築処理の手順の一例を示すフローチャートである。 実施例１の解析装置を説明するためのフロー図である。 実施例２の解析装置を説明するためのフロー図である。

以下、本発明の実施の形態について、図面を用いて説明する。尚、すべての図面において、同様な構成要素には同様の符号を付し、適宜説明を省略する。

（第１の実施の形態）
図１は、本発明の実施の形態に係る解析装置を用いた設備監視システム１のシステム構成を概念的に示す図である。
設備監視システム１が監視対象とする設備は、生産設備１０であり、本実施形態では、ベルトコンベアを例として説明する。図の例では、ベルトコンベアを監視するための複数のセンサ１２がベルトコンベアの移動方向に沿って複数箇所に設置されている。各センサ１２は、例えば、振動センサである。また、一方向の振動を検知する振動センサの場合、複数方向の振動を検出するために１箇所につき複数の振動センサを設置してもよい。

振動センサから出力される測定データは、振動波形を示す時系列データである。
振動センサは、監視対象の生産設備１０に生じた振動を測定する。振動センサは、一軸方向の加速度を測定する一軸加速度センサであってもよいし、三軸方向の加速度を測定する三軸加速度センサであってもよいし、その他であってもよい。なお、複数の振動センサは、同種の振動センサであってもよいし、複数種類の振動センサが混在してもよい。

解析装置１００は、ネットワーク３を介してＧＷ（GateWay）５と接続され、生産設備１０に複数設けられているセンサ１２から検出結果を受信する。解析装置１００は、記憶装置２０に接続される。記憶装置２０は、解析装置１００が解析する振動データが格納される。記憶装置２０は、解析装置１００とは別体の装置であってもよいし、解析装置１００の内部に含まれる装置であってもよいし、これらの組み合わせであってもよい。

実施形態の各図において、本発明の本質に関わらない部分の構成については省略してあり、図示されていない。

図２は、本実施形態の記憶装置２０が記憶する振動データ２２と設備情報２４のデータ構造の一例を示す図である。
振動データ２２は、振動センサを識別するセンサＩＤ毎に、時刻情報と、測定データとが紐付けられている。設備情報２４は、設備を識別する設備ＩＤ毎に、少なくとも一つの振動センサのセンサＩＤが紐付けられている。

図３は、本実施形態の各装置のハードウェア構成を例示するブロック図である。各装置は、プロセッサ５０、メモリ５２、入出力インターフェイス（Ｉ／Ｆ）５４、周辺回路５６、バス５８を有する。周辺回路５６には、様々なモジュールが含まれる。処理装置は周辺回路５６を有さなくてもよい。

バス５８は、プロセッサ５０、メモリ５２、周辺回路５６及び入出力インターフェイス５４が相互にデータを伝送するためのデータ伝送路である。プロセッサ５０は、例えばＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）などの演算処理装置である。メモリ５２、例えばＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）などのメモリである。入出力インターフェイス５４は、入力装置、外部装置、外部サーバ、センサ等から情報を取得するためのインターフェイスや、出力装置、外部装置、外部サーバ等に情報を出力するためのインターフェイスなどを含む。入力装置は、例えばキーボード、マウス、マイク等である。出力装置は、例えばディスプレイ、スピーカ、プリンタ、メーラ等である。プロセッサ５０は、各モジュールに指令を出し、それらの演算結果をもとに演算を行うことができる。

後述する図４の本実施形態の解析装置１００の各構成要素は、図３に示すコンピュータのハードウェアとソフトウェアの任意の組合せによって実現される。そして、その実現方法、装置にはいろいろな変形例があることは、当業者には理解されるところである。以下説明する各実施形態の解析装置を示す機能ブロック図は、ハードウェア単位の構成ではなく、論理的な機能単位のブロックを示している。

プロセッサ５０が、プログラムをメモリ５２に読み出して実行することにより、図４の解析装置１００の各ユニットの各機能を実現することができる。

本実施形態のコンピュータプログラムは、解析装置１００を実現させるためのコンピュータ（図３のプロセッサ５０）に、生産設備１０に設けられた振動センサ１２の検出結果を画像化する手順、画像化したデータを機械学習処理の対象にして判別器を生成する手順、判別器を用いて生産設備１０の異常判定処理を行う手順、を実行させるように記述されている。

本実施形態のコンピュータプログラムは、コンピュータで読み取り可能な記録媒体に記録されてもよい。記録媒体は特に限定されず、様々な形態のものが考えられる。また、プログラムは、記録媒体からコンピュータのメモリ５２（図３）にロードされてもよいし、ネットワークを通じてコンピュータにダウンロードされ、メモリ５２にロードされてもよい。

コンピュータプログラムを記録する記録媒体は、非一時的な有形のコンピュータが使用可能な媒体を含み、その媒体に、コンピュータが読み取り可能なプログラムコードが埋め込まれる。コンピュータプログラムが、コンピュータ上で実行されたとき、コンピュータに、解析装置１００を実現する本実施形態の解析方法を実行させる。

図４は、本実施形態の解析装置１００の論理的な構成を示す機能ブロック図である。解析装置１００は、画像処理部１０２と、生成部１０４と、解析部１０６と、を備える。
画像処理部１０２は、生産設備１０に設けられた振動センサの検出結果を画像化する。生成部１０４は、画像化したデータを機械学習処理の対象にして判別器１１０を生成する。解析部１０６は、判別器１１０を用いて生産設備１０の状態解析処理を行う。

振動は、振幅、周波数、および位相の３つの要素からなり、測定データは、変位、速度、および加速度の３つのパラメータで示すことができる。振動センサの測定データは、複数のパラメータで示される複数の振動波形を含む時系列データであるため、そのまま機械学習にかけても特徴を捉えられず、適切な学習モデルを生成することができない。そこで、本実施形態では、画像処理部１０２により測定データを画像化する。図５は画像化前の測定データの時系列データを示す図である。図６は、画像処理部１０２により画像化した画像データを示す図である。

画像処理部１０２は、生産設備１０のセンサ１２の検出結果（以下、振動データとも呼ぶ）を取得する。そして、画像処理部１０２は、取得した振動データをＦＦＴ処理してから周波数分割し、そして、得られた振動スペクトラムデータを画像化して画像データを得る。これらの処理により、データ容量を圧縮することができ、機械学習処理および判別処理を高速化することができる。

実施形態において「取得」とは、自装置が他の装置や記憶媒体に格納されているデータまたは情報を取りに行くこと（能動的な取得）、および、自装置に他の装置から出力されるデータまたは情報を入力すること（受動的な取得）の少なくとも一方を含む。能動的な取得の例は、他の装置にリクエストまたは問い合わせしてその返信を受信すること、及び、他の装置や記憶媒体にアクセスして読み出すこと等がある。また、受動的な取得の例は、配信（または、送信、プッシュ通知等）される情報を受信すること等がある。さらに、「取得」とは、受信したデータまたは情報の中から選択して取得すること、または、配信されたデータまたは情報を選択して受信することであってもよい。

判別器１１０は、生成部１０４により、画像化されたデータを機械学習処理の対象にして生成される。解析部１０６は、この判別器１１０を用いて、生産設備１０の状態解析処理を行う。

機械学習は、例えば、ディープラーニング（深層学習）を用いることができるが、これに限定されない。判別器１１０が判別する生産設備１０の状態は、例えば、正常か、それ以外の状態である。以後、正常以外の状態は「Unknown」とも呼ぶ。本実施形態では、判別器１１０は異常状態の判別は行わない。判別器１１０の機械学習処理については後述する実施形態で詳細に説明する。

判別器１１０の判別結果はオペレータが参照できるように出力されてもよい。出力方法は、例えば、解析装置１００のディスプレイに表示してもよいし、解析装置１００からプリンタに印字出力されてもよいし、通信回線を介して他の装置（例えば、操作端末等）に送信されてもよい。

このように構成された本実施形態の解析装置１００の動作について説明する。図７は、本実施形態の解析装置１００の動作の一例を示すフローチャートである。
まず、画像処理部１０２は、生産設備１０に設けられた振動センサの検出結果を画像化する（ステップＳ１０１）。そして、生成部１０４は、画像化したデータを機械学習処理の対象にして判別器１１０を生成する（ステップＳ１０３）。そして、解析部１０６は、判別器１１０を用いて生産設備１０の状態解析処理を行う（ステップＳ１０５）。

図８は、図７のステップＳ１０１の画像化処理の詳細フローの一例を示すフローチャートである。まず、画像処理部１０２は、センサ１２の測定データをＦＦＴ処理してから周波数分割し（ステップＳ１１３）、得られた振動スペクトラムデータを画像化して画像データを出力する（ステップＳ１１５）。ステップＳ１１５で得られた画像データは、図７のステップＳ１０３で解析部１０６により判別器１１０を用いた生産設備１０の状態解析処理が行われる。

以上説明したように、本実施形態において、画像処理部１０２によりセンサ１２の測定データが画像化された後、生成部１０４により画像化された画像データを機械学習処理の対象にして判別器１１０が生成され、そして、この判別器１１０を用いて解析部１０６により生産設備１０の状態解析処理が行われる。このように、本実施形態によれば、振動センサの検出結果を機械学習する際に、機械学習処理の対象となる振動波形データを画像化することで、データ量を圧縮できるので、処理負荷を低減するとともに、処理速度を高速化できる。

（第２の実施の形態）
図９は、本実施形態の解析装置１００の論理的な構成を示す機能ブロック図である。解析装置１００は、図４の解析装置１００と同様な画像処理部１０２と、生成部１０４と、解析部１０６と、を備えるとともに、さらに、異常判定部１２０を備える。

異常判定部１２０は、生産設備１０に設けられた振動センサの検出結果に基づいて当該生産設備１０の異常判定処理を第１の判別器１２４を用いて行う。異常判定部１２０は、第１の判別器１２４を用いた異常判定処理の結果を出力する。出力された結果は、設備監視システム１において生産設備１０の監視処理に使用されてもよい。

また、本実施形態の画像処理部１０２は、画像化対象となる検出結果が、第１の判別器１２４により正常か異常かの判別ができなかった検出結果である点で上記実施形態の画像処理部１０２と相違する。生成部１０４は、このように閾値解析により正常か異常かの判別ができなかった測定データを機械学習処理するための第２の判別器１２６を生成する。

振動センサで計測される振動は、複数の要因からなる複数の振動波形が含まれる。一般に、振動センサから検出される測定データは、高速フーリエ変換（ＦＦＴ： Fast Fourie Transform）処理を行うことにより周波数解析が行われる。測定データをＦＦＴ処理することにより、特徴点な周波数（ピーク）が検出され、検出されたピークレベルを閾値により正常か異常かを判別することで異常診断することが可能になる。

しかし、この閾値解析により正常か異常かの判別ができない場合がある。生成部１０４は、このように閾値解析により正常か異常かの判別できなかった測定データを機械学習処理の対象として第２の判別器１２６を生成する。この第２の判別器１２６は、図４の判別器１１０に相当する。

「第１の判別器１２４で判別できない」場合とは、例えば、第１の判別モデル１２８に登録されている振動波形パターンと検出結果がマッチングしなかった場合、マッチング結果の尤度が所定値以上得られず、設備診断に必要とされる基準以上（例えば、検出率９０％以上）の信頼性が得られなかった場合、等である。

解析部１０６は、第２の判別器１２６を用いて生産設備１０の状態解析処理を行う。解析部１０６は、第１の判別器１２４により正常か異常かの判別ができなかった検出結果を画像化したデータについて第２の判別器１２６を用いて生産設備１０の状態解析処理を行う。

第１の判別器１２４は、第１の判別モデル１２８を用いて、正常か異常かを判別する。第１の判別モデル１２８は、例えば振動スペクトルのパターンマッチングや、閾値判定を用いたモデルである。

一例として、第１の判別器１２４は、振動センサの測定データをＦＦＴ処理して得られた周波数分布から、特定周波数のピークレベル、最大および平均ピークレベルの比、Ｓ／Ｎ比（Signal-to-Noise ratio）、および特定周波数の範囲でのピークレベルの積算値の少なくともいずれか一つについてそれぞれ求め、求めた値に閾値を設定し、閾値の範囲内か否かに基づいて異常判定処理を行う。そして閾値範囲内の場合は、正常と判別し、閾値範囲外の場合は異常と判別する。

第１の判別器１２４は複数の特定周波数を用いて上記した判定処理を行ってもよい。その場合は、第１の判別器１２４は特定周波数毎に判定結果を出力してもよい。また、第１の判別器１２４は、複数の特定周波数のうち１つでも閾値を外れた値があった場合に異常と判定してもよいし、複数の特定周波数のうちの所定数以上の特定周波数が閾値を外れた値があった場合に異常と判定してもよいし、複数の特定周波数のすべてが閾値を外れていた場合に異常と判定してもよいし、複数の特定周波数のすべてが閾値範囲内の場合に正常と判定してもよい。また、不具合事象毎に複数の特定周波数の値の組み合わせをモデル化して第１の判別モデル１２８に登録しておき、第１の判別器１２４は第１の判別モデル１２８とのパターンマッチングにより、不具合事象を判別してもよい。判別された不具合事象を、異常判定部１２０は、対応する不具合事象項目をオペレータに通知してもよい。

閾値は自動設定されてもよいし、オペレータによる手動設定で行われてもよい。自動設定の場合は、生成部１０４は、第１の判別モデル１２８に登録されている振動特性パターン（周波数分布）について、特定周波数のピークレベル、最大および平均ピークレベルの比、Ｓ／Ｎ比（Signal-to-Noise ratio）、および特定周波数の範囲でのピークレベルの積算値の少なくともいずれか一つについてそれぞれ求め、正常時と異常時の境界範囲を検出して閾値を設定してもよい。

手動設定の場合、生成部１０４は、第１の判別モデル１２８に登録されている振動特性パターン（周波数分布）について、特定周波数のピークレベル、最大および平均ピークレベルの比、Ｓ／Ｎ比（Signal-to-Noise ratio）、および特定周波数の範囲でのピークレベルの積算値の少なくともいずれか一つについてそれぞれ求めた結果をオペレータに提示して、第１の判別器１２４の閾値の設定をオペレータ操作によりそれぞれ受け付けてもよい。オペレータへの結果の提示方法は様々考えられるが、例として、解析装置１００のディスプレイに表示してもよいし、解析装置１００からプリンタに印字出力されてもよいし、通信回線を介して他の装置（例えば、操作端末等）に送信されてもよい。

第２の判別器１２６は、生成部１０４により生成され、上記実施形態の生成部１０４で生成される判別器１１０に相当する。生成部１０４は、第２の判別器１２６により正常と判別されたデータのみを機械学習させ、正常状態を正規化して第２の判別モデル１３０を更新する。ここで、正規化とは、正常時の振動センサの測定データの画像化データのパターンをモデル化することである。第２の判別器１２６は、第２の判別モデル１３０の範囲から外れたデータを、例えば、「Unknown」として抽出する。つまり、この第２の判別器１２６を用いて解析部１０６により、第１の判別器１２４で判別できなかった検出結果について、さらに、第２の判別モデル１３０に基づいて、生産設備１０の状態が、正常か「Unknown」かが判別される。第２の判別器１２６は、生産設備１０の異常状態は判別しない、正常以外の状態は「Unknown」と判別する。

この判別器１１０により「Unknown」と判別されたデータは、オペレータにより参照されて、分析されてもよい。オペレータにより分析された結果は、検出結果の異常判定処理の閾値に反映されてもよい。「Unknown」と判別されたデータの利用方法については後述する実施形態で詳細に説明する。

このように構成された本実施形態の解析装置１００の動作について説明する。図１０は、本実施形態の解析装置１００の動作の一例を示すフローチャートである。
まず、異常判定部１２０は、生産設備１０に設けられた振動センサの検出結果に基づいて当該生産設備１０の異常判定処理を第１の判別器１２４を用いて行う（ステップＳ１２１）。そして、画像処理部１０２は、第１の判別器１２４により正常か異常かの判別ができなかった検出結果を（ステップＳ１２３のＮＯ）、画像化する（ステップＳ１２５）。判別できた場合は（ステップＳ１２３のＹＥＳ）、本処理を終了する。

そして、生成部１０４は、画像化したデータを機械学習処理の対象にして第２の判別器１２６を生成する（ステップＳ１２７）。そして、解析部１０６は、第２の判別器１２６を用いて生産設備１０の状態解析処理を行う（ステップＳ１２９）。

また、本実施形態のコンピュータプログラムは、解析装置１００を実現させるためのコンピュータ（図３のプロセッサ５０）に、生産設備１０に設けられた振動センサ１２の検出結果に基づいて当該生産設備１０の異常判定処理を第１の判別器１２４を用いて行う手順、第１の判別器１２４により正常か異常かの判別ができなかった検出結果を画像化する手順、画像化したデータを機械学習処理の対象として第２の判別器１２６を生成する手順、第２の判別器１２６を用いて生産設備１０の状態解析処理を行う手順、を実行させるように記述されている。

以上説明したように、本実施形態において、異常判定部１２０により第１の判別器１２４を用いて振動センサの検出結果に基づく異常判定処理で判別結果が得られなかった場合に、そのときの振動センサの検出結果を画像処理部１０２により画像化し、第２の判別器１２６により正常か「Unknown」かが判別される。このように、本実施形態によれば、第２の判別器１２６には、正常状態に対応する振動センサの検出結果のみを機械学習させ、正常状態について正規化するので、少量多品種や変種変動生産などで、製造条件が常に流動的が不具合事象の情報が積み上がりにくい場合であっても、判別の精度を向上できる。

また、上記実施形態と同様に、振動センサの検出結果を機械学習する際に、機械学習処理の対象となる振動波形データを画像化することで、データ量を圧縮できるので、処理負荷を低減するとともに、処理速度を高速化できる。

（第３の実施の形態）
図１１は、本実施形態の解析装置１００における異常判定処理の手順の一例を示すフローチャートである。本実施形態は、第１の判別器１２４を用いた生産設備１０の異常判定処理の結果を出力する構成を有する点以外は図９の解析装置１００と同様である。

まず、異常判定部１２０は、生産設備１０に設けられた振動センサから振動データを取得する（ステップＳ３０１）。そして、異常判定部１２０は、第１の判別器１２４を用いて取得した振動データの異常判定処理を実行する（ステップＳ３０３）。ここで、振動データはＦＦＴ処理された後、異常判定部１２０の第１の判別モデル１２８によって正常か異常を判別される（ステップＳ３０５）。

異常判定部１２０は、ＦＦＴ処理して得られた周波数分布から、特定周波数のピークレベル、最大および平均ピークレベルの比、Ｓ／Ｎ比（Signal-to-Noise ratio）、および特定周波数の範囲でのピークレベルの積算値の少なくともいずれか一つについてそれぞれ求め、閾値を用いてこれらの値が正常か異常かを判別する（ステップＳ３０５）。閾値の範囲内の場合（ステップＳ３０５のＮＯ）、第１の判別器１２４は、生産設備１０は正常であると判定し（ステップＳ３０７）、異常判定部１２０は、生産設備１０は正常であることを示す判定結果を出力する（ステップＳ３１１）。

閾値の範囲外の場合（ステップＳ３０５のＹＥＳ）、第１の判別器１２４は、生産設備１０は異常状態であると判定し（ステップＳ３０９）、生産設備１０は異常状態であることを示す判定結果を出力する（ステップＳ３１１）。

また、第１の判別器１２４による正常か異常かの判別ができなかった場合（ステップＳ３０５の判別不可）、異常判定部１２０は、画像処理部１０２に振動データを出力し（ステップＳ３１３）、図１０のステップＳ１２５に進む。

本実施形態では、生産設備１０の異常判定処理に第１の判別器１２４を用い、第２の判別器１２６は異常判定処理には使用しない。また、第２の判別器１２６の判別結果は、第１の判別器１２４の第２の判別モデル１３０を更新するのに使用されるが、この構成については後述する実施形態で説明する。

以上説明したように、本実施形態において、異常判定部１２０により第１の判別器１２４を用いて生産設備１０の異常判定処理を行い、異常判定部１２０は第２の判別器１２６を生産設備１０の異常判定処理には使用しない。生成部１０４によって更新される第２の判別器１２６の判別結果を用いて第１の判別器１２４を更新することができる。この構成によれば、第２の判別器１２６の判別結果を反映した第１の判別器１２４を用いて異常判定処理を行うことができるので、判定結果の精度を向上できる。

（第４の実施の形態）
図１２は、本実施形態の解析装置１００の画像処理部１０２の論理的な構成を示す機能ブロック図である。本実施形態の解析装置１００は、画像処理部１０２において、測定データからノイズを除去する処理を行ってから、画像化処理を行う構成を有する点以外は上記実施形態と同様である。本実施形態の構成は、他のいずれの実施形態の構成と組み合わせてもよい。

画像処理部１０２は、ノイズ除去部１１２と、画像化処理部１１４とを含む。ノイズ除去部１１２は、検出結果に対してノイズ除去処理を行う。画像化処理部１１４は、ノイズ除去部１１２によるノイズ除去処理が行われた後の検出結果を画像化する。ノイズ除去により測定データの振動波形が鮮明になる。

ノイズ除去処理は、例えば、複数配置された振動センサからの環境ノイズを予め計測して記憶しておき、ノイズデータを元に差分処理することを含む。ただしノイズ除去処理は他の方法で行われてもよい。

図１３は、本実施形態の解析装置１００の画像処理部１０２の動作の一例を示すフローチャートである。図１３のフローチャートは、上記実施形態で説明した図８のフローチャートのステップＳ１１３およびステップＳ１１５に加え、さらにステップＳ１１１を含む。

ステップＳ１１１では、ノイズ除去部１１２は、測定データのノイズ除去処理を行う。そして、ステップＳ１１１でノイズ除去処理されたデータを画像化処理部１１４がＦＦＴ処理してから周波数分割処理し（ステップＳ１１３）、得られた振動スペクトラムデータを画像化して画像データを出力する（ステップＳ１１５）。ステップＳ１１５で得られた画像データは、図７のステップＳ１０３で解析部１０６により判別器１１０を用いた生産設備１０の状態解析処理が行われる。

以上説明したように、本実施形態において、ノイズ除去部１１２によりノイズ除去処理されたセンサ１２の測定データを、画像化処理部１１４により画像化する。この構成により本実施形態によれば、上記実施形態と同様に機械学習処理又は判別処理の高速化を図ることができるとともに、さらに、ノイズ除去により測定データの振動波形が鮮明になり、ＦＦＴ処理および画像化処理の精度が向上し、測定データの解析結果の精度および信頼性が向上する。

（第５の実施の形態）
図１４は、本実施形態の解析装置１００の論理的な構成を示す機能ブロック図である。本実施形態の解析装置１００は、上記実施形態とは、生産設備１０の状態解析処理により正常でないと判別されたデータを抽出し、そのデータに基づき第１の判別器１２４の第１の第１の判別モデル１２８を更新する構成を有する点以外は上記実施形態と同様である。

解析装置１００は、図９の解析装置１００と同様な画像処理部１０２と、生成部１０４と、解析部１０６と、異常判定部１２０と、を備えるとともに、さらに抽出部１４０を備える。

抽出部１４０は、第２の判別器１２６を用いた状態解析処理で正常でない（「Unknown」）と判定されたデータを抽出する。生成部１０４は、抽出されたデータに基づく補正情報を受け付け第１の判別器１２４の第１の判別モデル１２８を更新する。ここで、補正情報は、不具合事象と振動特性とを紐付けた情報を含む。

抽出されるデータとは、「Unknown」と判別された画像化データに対応する、画像処理部１０２が画像化処理する前の、振動センサから受信した生の振動波形データと、当該データの時刻情報を含む。この「Unknown」と判別された振動データが示す振動は、未だ特定されていない生産設備１０の不具合事象により引き起こされている可能性がある。

そこで、抽出された振動データを時刻情報とともに、設備監視システム１が有している生産設備１０の稼働情報、状態情報、加工物の情報等を用いて、オペレータが人手で分析を行い、当該振動の原因となった不具合事象を特定する。

そのため、解析装置１００は、抽出部１４０が抽出したデータを出力し、オペレータに提示する。オペレータへのデータの提示方法は様々考えられるが、例として、解析装置１００のディスプレイに表示してもよいし、解析装置１００からプリンタに印字出力されてもよいし、通信回線を介して他の装置（例えば、操作端末等）に送信されてもよい。

オペレータが特定した不具合情報に、対応する振動の振動特性情報を紐付けた図１５の補正情報３０を、オペレータは操作画面等を用いて解析装置１００に入力する。生成部１０４は、入力された補正情報３０を受け付け、第１の判別器１２４の第１の判別モデル１２８を更新する。

図１６は、解析部１０６による判別処理の詳細フローの一例を示すフローチャートである。解析部１０６は、図１３のステップＳ１１５で出力された画像データを第２の判別器１２６にかけ、生産設備１０の状態解析処理を行う（ステップＳ４０１）。第２の判別器１２６により正常と判別されたデータは（ステップＳ４０１の「正常」）、生成部１０４に受け渡され、正常データとして機械学習処理される（ステップＳ４０３）。一方、解析部１０６は、第２の判別器１２６により正規化の範囲から外れたデータを（ステップＳ４０１の「Unknown」）、抽出する（ステップＳ４０５）。

なお、図１６のフローを用いて、図８のステップＳ１１５で出力された画像データについても同様に処理してよい。

図１７は、図１６のステップＳ４０５で抽出されたデータを用いた判別器の更新処理手順の一例を示すフローチャートである。
まず、抽出部１４０は、ステップＳ４０５で抽出したデータ（振動データと時刻情報）を出力する（ステップＳ４１１）。ここでは、例えば、解析装置１００のディスプレイに表示する。そして、オペレータは、ステップＳ４１１で表示された振動データを時刻情報とともに、設備監視システム１が有している生産設備１０の稼働情報、状態情報、加工物の情報等を用いて分析を行い、当該振動の原因となった不具合事象を特定する。オペレータは、特定した不具合事象と、対応する振動特性情報とを紐付けた情報を作成し、解析装置１００の操作画面に従い、第１の判別器１２４の閾値の補正情報として入力する。

生成部１０４は、入力された補正情報を受け付け（ステップＳ４１３）、受け付けた補正情報を用いて第１の判別器１２４を更新する（ステップＳ４１５）。

具体的には、受け付けた補正情報に含まれる、振動特性情報と不具合事象とを第１の判別モデル１２８に登録し、特定周波数のピークレベル、最大および平均ピークレベルの比、Ｓ／Ｎ比（Signal-to-Noise ratio）、および特定周波数の範囲でのピークレベルの積算値の少なくともいずれか一つについてそれぞれ求め、正常時と異常時の境界範囲を検出して閾値を設定する。あるいは、オペレータが、上記特定した不具合事象に対応する振動特性情報から求められた各値を元に閾値をそれぞれ設定して操作画面を用いて入力してもよい。

以上説明したように、本実施形態において、抽出部１４０により第２の判別器１２６の「Unknown」データが抽出され、オペレータに提示され、生成部１０４によりオペレータにより分析された不具合事象と振動特性情報とを紐付けた補正情報が受け付けられ、補正情報に基づき第１の判別器１２４が更新される。このように、本実施形態によれば、第１の判別器１２４が判別できなかった測定データについて、さらに第２の判別器１２６により判別処理を行い、「Unknown」とされたデータを抽出してオペレータが解析し、その結果を第１の判別器１２４に反映するので、異常判定処理の精度を向上させることができる。

また、第２の判別器１２６には、正常時の情報のみを機械学習させるので、少量多品種や変種変動生産などで、製造条件が常に流動的が不具合事象の情報が積み上がりにくい場合であっても、第１の判別モデル１２８を更新できるので生産設備１０の異常状態の判定精度を向上させることができる。

（第５の実施の形態の変形態様）
図１４の解析装置１００は、図９の解析装置１００の構成に抽出部１４０を設けた構成としていた。その変形態様として、図４の解析装置１００において、抽出部１４０を設けた構成としてもよい。

解析装置１００は、異常判定部１２０と、抽出部１４０と、さらに備える。異常判定部１２０は、検出結果が示す振動センサの振動の特徴解析処理を行い、閾値を用いて生産設備１０の異常判定処理を行う。抽出部１４０は、状態解析処理で生産設備１０が正常状態でないと判定されたデータを抽出する。生成部１０４は、抽出されたデータに基づく補正情報を受け付け、閾値を更新する。補正情報は、不具合事象と振動特性とを紐付けた情報を含む。

以上、図面を参照して本発明の実施形態について述べたが、これらは本発明の例示であり、上記以外の様々な構成を採用することもできる。
たとえば、図１８は、図１６の状態解析処理のステップＳ４０１で正常と判別された場合の処理手順の一例を示すフローチャートである。この実施形態は、第２の判別器１２６により正常と判別された検出結果を第２の判別器１２６の教師データとする構成を有する点以外は上記実施形態と同様である。

生成部１０４は、第２の判別器１２６を用いた状態解析処理により、正常と判定された検出結果を（図１６のステップＳ４０１の正常）、生産設備１０の正常状態の教師データとして第２の判別器１２６の第２の判別モデル１３０を更新する（ステップＳ５０１）。

この構成によれば、第２の判別器１２６を用いた状態解析処理により、正常と判定された検出結果を生産設備１０の正常状態の教師データとして第２の判別モデル１３０が生成部１０４により更新される。このように、第１の判別器１２４による異常判定処理において判別できなかった測定データから正常状態の教師データを生成し、第２の判別モデル１３０を更新することができ、第２の判別器１２６の判別精度を向上することができる。

さらに、上記実施形態の第１の判別器１２４と、第２の判別器１２６に加え、解析装置１００は、第３の判別器（不図示）を備えてもよい。図１９は、解析装置１００が第３の判別器を用いて不具合モデルを構築し、不具合事象を識別する処理手順の一例を示すフローチャートである。第３の判別器は、第１の判別器１２４で正常と判別された測定データを取得する（ステップＳ６０１）。さらに、第３の判別器は、第２の判別器１２６でUnknownと判別された測定データを取得する（ステップＳ６０３）。そして、第３の判別器は、これらのデータを機械学習し、不具合事象を分類したモデルを構築する（ステップＳ６０５）。なお、第３の判別器が機械学習する各測定データについても、上記実施形態で説明したノイズ除去処理および画像化処理を行ってよい。

さらに、第３の判別器を用いて、生産設備１０のセンサ１２の測定データが正常か異常かを判定し、さらに、異常の場合に不具合事象を識別する（ステップＳ６０７）。

また、複数のセンサ１２の各々の位置情報を設備情報２４に記憶しておき、振動データと位置情報の関係をさらに、機械学習させ、分類モデル２０２、第１の判別モデル１２８、および第２の判別モデル１３０の少なくともいずれか一つに反映させてもよい。

さらに、複数のセンサ１２の測定データの測定条件（設備種別、環境（温度、湿度）等）等の情報を設備情報２４に記憶しておいてもよい。この測定条件、生産設備１０の稼働情報に含まれる稼働状態、稼働条件等から近い条件の測定データをグルーピングして、グループ毎に測定データを機械学習させ、分類モデル２０２、第１の判別モデル１２８、および第２の判別モデル１３０の少なくともいずれか一つに反映させてもよい。

（実施例１）
図２０は、実施例１の解析装置を説明するためのフロー図である。
まず、異常判定部１２０は、生産設備１０のセンサ１２から振動データが入力されると、第１の判別器１２４においてＦＦＴ処理を行う（ステップＳ１１）。このとき第１の判別モデル１２８を用いてパターンマッチング処理により振動特性を特定する。そして、第１の判別器１２４は振動特性が閾値の範囲内の場合は正常と判定し、閾値２１０の範囲を外れた場合は異常と判定する。異常判定部１２０はこの結果を設備監視システム１に生産設備１０の異常判定結果として出力する（不図示）。

さらに、異常判定部１２０は、ステップＳ１１で第１の判別器１２４により正常か否かの判別ができなかったデータを抽出し（ステップＳ１３）、第２の判別器１２６の機械学習処理の対象として解析部１０６に受け渡す。

解析部１０６は、第１の判別器１２４で判別できなかったセンサ１２の測定データについてノイズ除去処理を行い（ステップＳ１５）、周波数分析して画像化する（ステップＳ１７）。解析部１０６は、画像化されたデータを第２の判別器１２６を用いて判別し（ステップＳ１９）、生産設備１０の状態が正常か否かを判別する（ステップＳ２１）。正常と判別された場合（ステップＳ２１のＹＥＳ）、生成部１０４は、当該正常と判別された測定データを機械学習し第２の判別器１２６の第２の判別モデル１３０を更新する（ステップＳ２３）。

一方、正常と判別されなかった（「Unknown」）場合（ステップＳ２１のＮＯ）、抽出部１４０は、当該Unknownとなった測定データを抽出して出力する（ステップＳ３１）。オペレータは、この抽出されたUnknownなデータを参照し、生産設備１０の稼働情報等とともに分析して、不具合事象を特定する。そして、不具合事象と振動特性とを紐付けた補正情報を解析装置１００に入力する（ステップＳ３３）。

生成部１０４は、入力された補正情報を受け付け、受け付けた補正情報を元に第１の判別モデル１２８と閾値を更新する（ステップＳ３５）。

このようにして、解析装置１００により、第１の判別器１２４で異常判定できなかった測定データを、第２の判別器１２６により機械学習することで、正常でないUnknownなデータを抽出し、生産設備１０の稼働情報とともにオペレータが分析することで不具合事象を特定し、振動特性と不具合事象を紐付けた補正情報として解析装置１００に入力することで、補正情報を元に第１の判別器１２４の第１の判別モデル１２８と閾値を更新することができる。

（実施例２）
図２１は、実施例２の解析装置を説明するためのフロー図である。
この実施例の解析装置１００は、第１の判別器１２４と、第２の判別器１２６と、に加え、さらに、第３の判別器２００を備える。
第３の判別器２００は、第１の判別器１２４により正常と判別された測定データと、第２の判別器１２６によりUnknownと判別された測定データとを用いて機械学習する（ステップＳ４１）。第２の判別器１２６は、機械学習により、正常と異常の分類モデル２０２を構築する。分類モデル２０２は、不具合事象をクラス分けする。

第３の判別器２００は、この分類モデル２０２を用いて、測定データが正常か異常の判別を行うとともに、さらに、不具合事象を識別して特定することができる。

以上、実施形態および実施例を参照して本願発明を説明したが、本願発明は上記実施形態および実施例に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。
なお、本発明において利用者に関する情報を取得、利用する場合は、これを適法に行うものとする。

上記の実施形態の一部または全部は、以下の付記のようにも記載されうるが、以下に限られない。
１． 生産設備に設けられた振動センサの検出結果を画像化する画像処理手段と、
前記画像化したデータを機械学習処理の対象にして判別器を生成する生成手段と、
前記判別器を用いて前記生産設備の状態解析処理を行う解析手段と、を備える解析装置。
２． １．に記載の解析装置において、
前記検出結果が示す前記振動センサの振動の特徴解析処理を行い、閾値を用いて前記生産設備の異常判定処理を行う判定手段と、
前記状態解析処理で前記生産設備が正常状態でないと判定されたデータを抽出する抽出手段と、をさらに備え、
前記生成手段は、抽出された前記データに基づく補正情報を受け付け、前記閾値を更新し、
前記補正情報は、不具合事象と振動特性とを紐付けた情報を含む、解析装置。
３． 生産設備に設けられた振動センサの検出結果に基づいて当該生産設備の異常判定処理を第１の判別器を用いて行う判定手段と、
前記第１の判別器により正常か異常かの判別ができなかった前記検出結果を画像化する画像処理手段と、
前記画像化したデータを機械学習処理の対象として第２の判別器を生成する生成手段と、
前記第２の判別器を用いて前記生産設備の状態解析処理を行う解析手段と、
を備える、
解析装置。
４． ３．に記載の解析装置において、
前記状態解析処理で前記生産設備が正常状態でないと判定されたデータを抽出する抽出手段をさらに備え、
前記生成手段は、抽出された前記データに基づく補正情報を受け付け前記第１の判別器を更新し、
前記補正情報は、不具合事象と振動特性とを紐付けた情報を含む、解析装置。
５． １．から４．のいずれか一つに記載の解析装置において、
前記生成手段は、前記状態解析処理により正常と判定された前記データを前記機械学習処理の教師データとする、解析装置。
６． １．から５．のいずれか一つに記載の解析装置において、
前記検出結果に対してノイズ除去処理を行う処理手段をさらに備え、
前記画像処理手段は、前記処理手段による前記ノイズ除去処理が行われた後の前記検出結果を画像化する、解析装置。
７． １．から６．のいずれか一つに記載の解析装置において、
前記生産設備は、ベルトコンベアであり、
前記振動センサは、前記ベルトコンベアに設けられた複数の振動センサである、解析装置。

８． 解析装置が、
生産設備に設けられた振動センサの検出結果を画像化し、
前記画像化したデータを機械学習処理の対象にして判別器を生成し、
前記判別器を用いて前記生産設備の状態解析処理を行う、
解析方法。
９． ８．に記載の解析方法において、
前記解析装置が、さらに、
前記検出結果が示す前記振動センサの振動の特徴解析処理を行い、閾値を用いて前記生産設備の異常判定処理を行い、
前記状態解析処理で前記生産設備が正常状態でないと判定されたデータを抽出し、
抽出された前記データに基づく補正情報を受け付け、前記閾値を更新し、
前記補正情報は、不具合事象と振動特性とを紐付けた情報を含む、解析方法。
１０． 解析装置が、
生産設備に設けられた振動センサの検出結果に基づいて当該生産設備の異常判定処理を第１の判別器を用いて行い、
前記第１の判別器により正常か異常かの判別ができなかった前記検出結果を画像化し、
前記画像化したデータを機械学習処理の対象として第２の判別器を生成し、
前記第２の判別器を用いて前記生産設備の状態解析処理を行う、
解析方法。
１１． １０．に記載の解析方法において、
前記解析装置が、さらに、
前記状態解析処理で前記生産設備が正常状態でないと判定されたデータを抽出し、
抽出された前記データに基づく補正情報を受け付け前記第１の判別器を更新し、
前記補正情報は、不具合事象と振動特性とを紐付けた情報を含む、解析方法。
１２． ８．から１１．のいずれか一つに記載の解析方法において、
前記解析装置が、さらに、
前記状態解析処理により正常と判定された前記データを前記機械学習処理の教師データとする、解析方法。
１３． ８．から１２．のいずれか一つに記載の解析方法において、
前記解析装置が、さらに、
前記検出結果に対してノイズ除去処理を行い、
前記ノイズ除去処理が行われた後の前記検出結果を画像化する、解析方法。
１４． ８．から１３．のいずれか一つに記載の解析方法において、
前記生産設備は、ベルトコンベアであり、
前記振動センサは、前記ベルトコンベアに設けられた複数の振動センサである、解析方法。

１５． コンピュータに、
生産設備に設けられた振動センサの検出結果を画像化する手順、
前記画像化したデータを機械学習処理の対象にして判別器を生成する手順、
前記判別器を用いて前記生産設備の異常判定処理を行う手順、を実行させるためのプログラム。
１６． １５．に記載のプログラムにおいて、
前記検出結果が示す前記振動センサの振動の特徴解析処理を行い、閾値を用いて前記生産設備の異常判定処理を行う手順、
前記状態解析処理で前記生産設備が正常状態でないと判定されたデータを抽出する手順、
前記生成する手順において、抽出された前記データに基づく補正情報を受け付け、前記閾値を更新する手順、をさらにコンピュータに実行させ、
前記補正情報は、不具合事象と振動特性とを紐付けた情報を含む、プログラム。
１７． コンピュータに、
生産設備に設けられた振動センサの検出結果に基づいて当該生産設備の異常判定処理を第１の判別器を用いて行う手順、
前記第１の判別器により正常か異常かの判別ができなかった前記検出結果を画像化する手順、
前記画像化したデータを機械学習処理の対象として第２の判別器を生成する手順、
前記第２の判別器を用いて前記生産設備の状態解析処理を行う手順、を実行させるためのプログラム。
１８． １７．に記載のプログラムにおいて、
前記状態解析処理で前記生産設備が正常状態でないと判定されたデータを抽出する手順、
前記生成する手順において、抽出された前記データに基づく補正情報を受け付け前記第１の判別器を更新する手順、をさらにコンピュータに実行させ、
前記補正情報は、不具合事象と振動特性とを紐付けた情報を含む、プログラム。
１９． １５．から１８．のいずれか一つに記載のプログラムにおいて、
前記生成する手順において、前記状態解析処理により正常と判定された前記データを前記機械学習処理の教師データとする手順をさらにコンピュータに実行させるためのプログラム。
２０． １５．から１９．のいずれか一つに記載のプログラムにおいて、
前記検出結果に対してノイズ除去処理を行う手順、
前記画像化する手順において、前記ノイズ除去処理が行われた後の前記検出結果を画像化する手順、をさらにコンピュータに実行させるためのプログラム。
２１． １５．から２０．のいずれか一つに記載のプログラムにおいて、
前記生産設備は、ベルトコンベアであり、
前記振動センサは、前記ベルトコンベアに設けられた複数の振動センサである、プログラム。

この出願は、２０１９年２月５日に出願された日本出願特願２０１９−０１９０６８号を基礎とする優先権を主張し、その開示の全てをここに取り込む。

本発明の実施の形態に係る解析装置を用いた設備監視システムのシステム構成を概念的に示す図である。 本実施形態の記憶装置が記憶する振動データと設備情報のデータ構造の一例を示す図である。 本実施形態の各装置のハードウェア構成を例示するブロック図である。 本実施形態の解析装置の論理的な構成を示す機能ブロック図である。 は画像化前の測定データの時系列データを示す図である。 画像処理部により画像化した画像データを示す図である。 本実施形態の解析装置の動作の一例を示すフローチャートである。 図７のステップＳ１０１の画像化処理の詳細フローの一例を示すフローチャートである。 本実施形態の解析装置の論理的な構成を示す機能ブロック図である。 本実施形態の解析装置の動作の一例を示すフローチャートである。 本実施形態の解析装置における異常判定処理の手順の一例を示すフローチャートである。 本実施形態の解析装置の画像処理部の論理的な構成を示す機能ブロック図である。 本実施形態の解析装置の画像処理部の動作の一例を示すフローチャートである。 本実施形態の解析装置の論理的な構成を示す機能ブロック図である。 補正情報３０のデータ構造の一例を示す図である。 解析部による判別処理の詳細フローの一例を示すフローチャートである。 図１６のステップＳ４０５で抽出されたデータを用いた判別器の更新処理手順の一例を示すフローチャートである。 図１６の状態解析処理のステップＳ４０１で正常と判別された場合の処理手順の一例を示すフローチャートである。 解析装置の不具合モデル構築処理の手順の一例を示すフローチャートである。 実施例１の解析装置を説明するためのフロー図である。 実施例２の解析装置を説明するためのフロー図である。

バス５８は、プロセッサ５０、メモリ５２、周辺回路５６及び入出力インターフェイス５４が相互にデータを伝送するためのデータ伝送路である。プロセッサ５０は、例えばＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）などの演算処理装置である。メモリ５２は、例えばＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）などのメモリである。入出力インターフェイス５４は、入力装置、外部装置、外部サーバ、センサ等から情報を取得するためのインターフェイスや、出力装置、外部装置、外部サーバ等に情報を出力するためのインターフェイスなどを含む。入力装置は、例えばキーボード、マウス、マイク等である。出力装置は、例えばディスプレイ、スピーカ、プリンタ、メーラ等である。プロセッサ５０は、各モジュールに指令を出し、それらの演算結果をもとに演算を行うことができる。

画像処理部１０２は、生産設備１０のセンサ１２の検出結果（以下、振動データとも呼ぶ）を取得する。そして、画像処理部１０２は、取得した振動データをＦＦＴ処理してから周波数分割し、そして、得られた振動スペクトラムデータを画像化して画像データを得る。これらの処理により、データ量を圧縮することができ、機械学習処理および判別処理を高速化することができる。

図８は、図７のステップＳ１０１の画像化処理の詳細フローの一例を示すフローチャートである。まず、画像処理部１０２は、センサ１２の測定データをＦＦＴ処理してから周波数分割し（ステップＳ１１３）、得られた振動スペクトラムデータを画像化して画像データを出力する（ステップＳ１１５）。ステップＳ１１５で得られた画像データは、図７のステップＳ１０５で解析部１０６により判別器１１０を用いた生産設備１０の状態解析処理が行われる。

振動センサで計測される振動は、複数の要因からなる複数の振動波形が含まれる。一般に、振動センサから検出される測定データは、高速フーリエ変換（ＦＦＴ： Fast Fourie Transform）処理を行うことにより周波数解析が行われる。測定データをＦＦＴ処理することにより、特徴的な周波数（ピーク）が検出され、検出されたピークレベルを閾値により正常か異常かを判別することで異常診断することが可能になる。

一例として、第１の判別器１２４は、振動センサの測定データをＦＦＴ処理して得られた周波数分布から、特定周波数のピークレベル、最大および平均ピークレベルの比、Ｓ／Ｎ比（Signal-to-Noise ratio）、および特定周波数の範囲でのピークレベルの積算値の少なくともいずれか一つについてそれぞれ求め、求めた値に閾値を設定し、閾値の範囲内か否かに基づいて異常判定処理を行う。そして閾値範囲内の場合は、第１の判別器１２４は、正常と判別し、閾値範囲外の場合は異常と判別する。

この第２判別器１２６により「Unknown」と判別されたデータは、オペレータにより参照されて、分析されてもよい。オペレータにより分析された結果は、検出結果の異常判定処理の閾値に反映されてもよい。「Unknown」と判別されたデータの利用方法については後述する実施形態で詳細に説明する。

以上説明したように、本実施形態において、異常判定部１２０により第１の判別器１２４を用いて振動センサの検出結果に基づく異常判定処理で判別結果が得られなかった場合に、そのときの振動センサの検出結果を画像処理部１０２により画像化し、第２の判別器１２６により正常か「Unknown」かが判別される。このように、本実施形態によれば、第２の判別器１２６には、正常状態に対応する振動センサの検出結果のみを機械学習させ、正常状態について正規化するので、少量多品種や変種変動生産などで、製造条件が常に流動的で不具合事象の情報が積み上がりにくい場合であっても、判別の精度を向上できる。

本実施形態では、生産設備１０の異常判定処理に第１の判別器１２４を用い、第２の判別器１２６は異常判定処理には使用しない。また、第２の判別器１２６の判別結果は、第１の判別器１２４の第１の判別モデル１２８を更新するのに使用されるが、この構成については後述する実施形態で説明する。

（第５の実施の形態）
図１４は、本実施形態の解析装置１００の論理的な構成を示す機能ブロック図である。本実施形態の解析装置１００は、生産設備１０の状態解析処理により正常でないと判別されたデータを抽出し、そのデータに基づき第１の判別器１２４の第１の判別モデル１２８を更新する構成を有する点以外は上記実施形態と同様である。

オペレータが特定した不具合事象に、対応する振動の振動特性情報を紐付けた図１５の補正情報３０を、オペレータは操作画面等を用いて解析装置１００に入力する。生成部１０４は、入力された補正情報３０を受け付け、第１の判別器１２４の第１の判別モデル１２８を更新する。

また、第２の判別器１２６には、正常時の情報のみを機械学習させるので、少量多品種や変種変動生産などで、製造条件が常に流動的で不具合事象の情報が積み上がりにくい場合であっても、第１の判別モデル１２８を更新できるので生産設備１０の異常状態の判定精度を向上させることができる。

（実施例１）
図２０は、実施例１の解析装置を説明するためのフロー図である。
まず、異常判定部１２０は、生産設備１０のセンサ１２から振動データが入力されると、第１の判別器１２４においてＦＦＴ処理を行う（ステップＳ１１）。このとき第１の判別モデル１２８を用いてパターンマッチング処理により振動特性を特定する。そして、第１の判別器１２４は振動特性が閾値の範囲内の場合は正常と判定し、閾値の範囲を外れた場合は異常と判定する。異常判定部１２０はこの結果を設備監視システム１に生産設備１０の異常判定結果として出力する（不図示）。

１５． コンピュータに、
生産設備に設けられた振動センサの検出結果を画像化する手順、
前記画像化したデータを機械学習処理の対象にして判別器を生成する手順、
前記判別器を用いて前記生産設備の状態解析処理を行う手順、を実行させるためのプログラム。
１６． １５．に記載のプログラムにおいて、
前記検出結果が示す前記振動センサの振動の特徴解析処理を行い、閾値を用いて前記生産設備の異常判定処理を行う手順、
前記状態解析処理で前記生産設備が正常状態でないと判定されたデータを抽出する手順、
前記生成する手順において、抽出された前記データに基づく補正情報を受け付け、前記閾値を更新する手順、をさらにコンピュータに実行させ、
前記補正情報は、不具合事象と振動特性とを紐付けた情報を含む、プログラム。
１７． コンピュータに、
生産設備に設けられた振動センサの検出結果に基づいて当該生産設備の異常判定処理を第１の判別器を用いて行う手順、
前記第１の判別器により正常か異常かの判別ができなかった前記検出結果を画像化する手順、
前記画像化したデータを機械学習処理の対象として第２の判別器を生成する手順、
前記第２の判別器を用いて前記生産設備の状態解析処理を行う手順、を実行させるためのプログラム。
１８． １７．に記載のプログラムにおいて、
前記状態解析処理で前記生産設備が正常状態でないと判定されたデータを抽出する手順、
前記生成する手順において、抽出された前記データに基づく補正情報を受け付け前記第１の判別器を更新する手順、をさらにコンピュータに実行させ、
前記補正情報は、不具合事象と振動特性とを紐付けた情報を含む、プログラム。
１９． １５．から１８．のいずれか一つに記載のプログラムにおいて、
前記生成する手順において、前記状態解析処理により正常と判定された前記データを前記機械学習処理の教師データとする手順をさらにコンピュータに実行させるためのプログラム。
２０． １５．から１９．のいずれか一つに記載のプログラムにおいて、
前記検出結果に対してノイズ除去処理を行う手順、
前記画像化する手順において、前記ノイズ除去処理が行われた後の前記検出結果を画像化する手順、をさらにコンピュータに実行させるためのプログラム。
２１． １５．から２０．のいずれか一つに記載のプログラムにおいて、
前記生産設備は、ベルトコンベアであり、
前記振動センサは、前記ベルトコンベアに設けられた複数の振動センサである、プログラム。

Claims (21)

1. 生産設備に設けられた振動センサの検出結果を画像化する画像処理手段と、
   前記画像化したデータを機械学習処理の対象にして判別器を生成する生成手段と、
   前記判別器を用いて前記生産設備の状態解析処理を行う解析手段と、を備える解析装置。
2. 請求項１に記載の解析装置において、
   前記検出結果が示す前記振動センサの振動の特徴解析処理を行い、閾値を用いて前記生産設備の異常判定処理を行う判定手段と、
   前記状態解析処理で前記生産設備が正常状態でないと判定されたデータを抽出する抽出手段と、をさらに備え、
   前記生成手段は、抽出された前記データに基づく補正情報を受け付け、前記閾値を更新し、
   前記補正情報は、不具合事象と振動特性とを紐付けた情報を含む、解析装置。
3. 生産設備に設けられた振動センサの検出結果に基づいて当該生産設備の異常判定処理を第１の判別器を用いて行う判定手段と、
   前記第１の判別器により正常か異常かの判別ができなかった前記検出結果を画像化する画像処理手段と、
   前記画像化したデータを機械学習処理の対象として第２の判別器を生成する生成手段と、
   前記第２の判別器を用いて前記生産設備の状態解析処理を行う解析手段と、
   を備える、
   解析装置。
4. 請求項３に記載の解析装置において、
   前記状態解析処理で前記生産設備が正常状態でないと判定されたデータを抽出する抽出手段をさらに備え、
   前記生成手段は、抽出された前記データに基づく補正情報を受け付け前記第１の判別器を更新し、
   前記補正情報は、不具合事象と振動特性とを紐付けた情報を含む、解析装置。
5. 請求項１から４のいずれか一項に記載の解析装置において、
   前記生成手段は、前記状態解析処理により正常と判定された前記データを前記機械学習処理の教師データとする、解析装置。
6. 請求項１から５のいずれか一項に記載の解析装置において、
   前記検出結果に対してノイズ除去処理を行う処理手段をさらに備え、
   前記画像処理手段は、前記処理手段による前記ノイズ除去処理が行われた後の前記検出結果を画像化する、解析装置。
7. 請求項１から６のいずれか一項に記載の解析装置において、
   前記生産設備は、ベルトコンベアであり、
   前記振動センサは、前記ベルトコンベアに設けられた複数の振動センサである、解析装置。
8. 解析装置が、
   生産設備に設けられた振動センサの検出結果を画像化し、
   前記画像化したデータを機械学習処理の対象にして判別器を生成し、
   前記判別器を用いて前記生産設備の状態解析処理を行う、
   解析方法。
9. 請求項８に記載の解析方法において、
   前記解析装置が、さらに、
   前記検出結果が示す前記振動センサの振動の特徴解析処理を行い、閾値を用いて前記生産設備の異常判定処理を行い、
   前記状態解析処理で前記生産設備が正常状態でないと判定されたデータを抽出し、
   抽出された前記データに基づく補正情報を受け付け、前記閾値を更新し、
   前記補正情報は、不具合事象と振動特性とを紐付けた情報を含む、解析方法。
10. 解析装置が、
    生産設備に設けられた振動センサの検出結果に基づいて当該生産設備の異常判定処理を第１の判別器を用いて行い、
    前記第１の判別器により正常か異常かの判別ができなかった前記検出結果を画像化し、
    前記画像化したデータを機械学習処理の対象として第２の判別器を生成し、
    前記第２の判別器を用いて前記生産設備の状態解析処理を行う、
    解析方法。
11. 請求項１０に記載の解析方法において、
    前記解析装置が、さらに、
    前記状態解析処理で前記生産設備が正常状態でないと判定されたデータを抽出し、
    抽出された前記データに基づく補正情報を受け付け前記第１の判別器を更新し、
    前記補正情報は、不具合事象と振動特性とを紐付けた情報を含む、解析方法。
12. 請求項８から１１のいずれか一項に記載の解析方法において、
    前記解析装置が、さらに、
    前記状態解析処理により正常と判定された前記データを前記機械学習処理の教師データとする、解析方法。
13. 請求項８から１２のいずれか一項に記載の解析方法において、
    前記解析装置が、さらに、
    前記検出結果に対してノイズ除去処理を行い、
    前記ノイズ除去処理が行われた後の前記検出結果を画像化する、解析方法。
14. 請求項８から１３のいずれか一項に記載の解析方法において、
    前記生産設備は、ベルトコンベアであり、
    前記振動センサは、前記ベルトコンベアに設けられた複数の振動センサである、解析方法。
15. コンピュータに、
    生産設備に設けられた振動センサの検出結果を画像化する手順、
    前記画像化したデータを機械学習処理の対象にして判別器を生成する手順、
    前記判別器を用いて前記生産設備の異常判定処理を行う手順、を実行させるためのプログラム。
16. 請求項１５に記載のプログラムにおいて、
    前記検出結果が示す前記振動センサの振動の特徴解析処理を行い、閾値を用いて前記生産設備の異常判定処理を行う手順、
    前記状態解析処理で前記生産設備が正常状態でないと判定されたデータを抽出する手順、
    前記生成する手順において、抽出された前記データに基づく補正情報を受け付け、前記閾値を更新する手順、をさらにコンピュータに実行させ、
    前記補正情報は、不具合事象と振動特性とを紐付けた情報を含む、プログラム。
17. コンピュータに、
    生産設備に設けられた振動センサの検出結果に基づいて当該生産設備の異常判定処理を第１の判別器を用いて行う手順、
    前記第１の判別器により正常か異常かの判別ができなかった前記検出結果を画像化する手順、
    前記画像化したデータを機械学習処理の対象として第２の判別器を生成する手順、
    前記第２の判別器を用いて前記生産設備の状態解析処理を行う手順、を実行させるためのプログラム。
18. 請求項１７に記載のプログラムにおいて、
    前記状態解析処理で前記生産設備が正常状態でないと判定されたデータを抽出する手順、
    前記生成する手順において、抽出された前記データに基づく補正情報を受け付け前記第１の判別器を更新する手順、をさらにコンピュータに実行させ、
    前記補正情報は、不具合事象と振動特性とを紐付けた情報を含む、プログラム。
19. 請求項１５から１８のいずれか一項に記載のプログラムにおいて、
    前記生成する手順において、前記状態解析処理により正常と判定された前記データを前記機械学習処理の教師データとする手順をさらにコンピュータに実行させるためのプログラム。
20. 請求項１５から１９のいずれか一項に記載のプログラムにおいて、
    前記検出結果に対してノイズ除去処理を行う手順、
    前記画像化する手順において、前記ノイズ除去処理が行われた後の前記検出結果を画像化する手順、をさらにコンピュータに実行させるためのプログラム。
21. 請求項１５から２０のいずれか一項に記載のプログラムにおいて、
    前記生産設備は、ベルトコンベアであり、
    前記振動センサは、前記ベルトコンベアに設けられた複数の振動センサである、プログラム。

Images