JP6869605B2 - 事象分類装置、事象分類プログラム、故障・不良判定装置 - Google Patents

Description

この発明は、事象分類装置、事象分類プログラム、上記事象分類装置を用いて構成した故障・不良判定装置に関するものである。

製品製造の現場などでは、製造装置に設けられたセンサから得られるデータの分布や特性が日々変動することが生じ、装置の故障や不良を判定するためのルールや閾値が変動する。このようなセンサからのデータは、センサの数が多く、また、データ量も増大する傾向にある。従って、上記のような変動を考慮に入れて判定を行おうとすると、時間やコストがかかるため、リアルタイムでの判定が難しい。

そのため、センサから得られるデータを全て用いるのではなく、間引きしたデータについて判定を行う事が行われている。しかしながら、間引きしたデータを用いて判定を行うと当然のことながら精度の低下が生じ、場合によっては誤判定が発生することがある。

従来の故障予測システムとしては、特許文献１に記載のものが知られている。この特許文献１に記載のシステムは、故障予測装置と学習サーバとを設けて、上記故障予測装置は、対象装置に故障が生じた場合に、この故障が生じるまでの時系列のセンサデータを上記学習サーバに送信して、学習サーバによる、上記故障が生じるまでの時系列のセンサデータを教師データとした学習により対象装置の故障を予測する学習モデルの生成を行わせる。そして、この生成された学習モデルを上記故障予測装置に送信して、故障予測装置において学習モデルを動作させる。

故障予測装置の学習モデルは、対象装置のセンサから得られるデータに基づき、故障の確率を予測して動作する。これにより、対象装置の故障を事前に検知してクラウドやネットワークの保守品質を向上させることができるというものである。

また、広くデータ解析という観点からは、特許文献２に記載されたシステムを従来システムとして挙げることができる。このシステムは、コンピュータのプロセッサがメモリに記憶されたプログラムを実行することにより実現される。このプログラムの実行により、時系列パターンの各時系列データにおいて繰り返される回数と、時系列パターンの繰り返し回数が所定の回数以上となる時系列データの数である出現頻度を数える。

上記により、所定の繰り返し回数で、且つ所定の時系列データの数以上で所定の繰り返し回数以上となる時系列パターンを抽出する。更に、時系列データ各々に所定の間隔でチェックポイントを設け、各チェックポイントにおいて各時系列データにおける時系列パターンの繰り返し回数の上限値を算出し、この上限値を用いて出現頻度を算出することによって、繰り返し回数を数え上げる時系列パターンと時系列データの範囲を限定する。

更に、特許文献３には、カオス理論に基づく軌道平行測度法により監視対象の移行およびその予兆を検出する時系列データの異常監視装置が開示されている。軌道平行測度法は、時系列データを高次元空間へ埋め込むことにより構築される軌跡が、決定論的に規則性を持つのか確率論的なものであるのかを求めるものである。具体的には、軌道平行測度を評価値として算出することにより行う。評価値が０に近ければ決定論的に規則性を持つものとし、０．５に近いほど確率論的性質が大きいとする。

また、非特許文献１には、時系列データを高精度に分類する新たなＤｅｅｐ Ｌｅａｒｎｉｎｇ技術が開示されている。この非特許文献１の技術は、（１）センサにより得られる時系列データをカオス理論に基づき図形化し、（２）上記図形を位相幾何学に基づいた数値化により独自のベクトル表現とし、（３）上記で得られたベクトル表現を畳み込みニューラルネットワークによって学習するというものである。

特開２０１６−１７３７８２号公報 特開２０１１−１２３６５２号公報 特開２０１６−５７６４９号公報

株式会社富士通研究所、"時系列データを高度に分析する新たなDeep Learning技術を開発"、［online］、２０１６年２月１６日、ＰＲＥＳＳ ＲＥＬＥＡＳＥ、平成２９年１月２３日、インターネット＜URL:http://pr.fujitsu.com/jp/news/2016/02/16.html＞

しかしながら、特許文献１のものは複数のセンサからのセンサデータをまとめて学習データとし学習モデルを生成し、動作させるため、多大な時間を要し、高速な分類を行うことはできないものである。

また、特許文献２ものは、時系列パターンと時系列データの範囲を限定することにより効率化を図っているが、この手法が全ての事象分類に適用できるものではないという限界がある。

特許文献３のものや非特許文献１に記載のものは、演算処理が複雑であり、高速な分類を行うものには向かないという問題がある。

本発明は上記のような事象分類処理における現状に鑑みてなされたもので、その目的は、複数のセンサからのセンサデータに基づく分類を高速に精度良く行うことができる事象分類装置を提供することである。また、上記のような事象分類装置を実現する事象分類プログラム、上記事象分類装置を用いて構成した故障・不良判定装置を提供することを他の目的とする。

本発明に係る事象分類装置は、故障・不良の事象が発生したか否かについての事象分類を行う対象装置に設けられ、測定対象データの種別が異なる複数のセンサを含むＮ（２以上の整数）個のセンサと、前記Ｎ個のセンサに接続されるＮ個以下のＭ個のカオス尺度算出手段であって、接続されたセンサから得られるデータを１つのセンサ毎に時系列に所定時間単位毎に区分し、１区分のデータにおける同時確率分布に基づき１つのカオス尺度情報を算出して合計でＭ個のカオス尺度情報を算出するカオス尺度算出手段と、前記カオス尺度算出手段が算出したＭ個のカオス尺度情報について、パターンマイニング分類を行い、前記データに基づく分類結果を得る１つのパターンマイニング分類手段と、を具備することを特徴とする。

本発明に係る事象分類装置では、前記カオス尺度算出手段は前記センサの数と同数のＮ個設けられ、前記各カオス尺度算出手段は、対応する１つのセンサから得られる時系列データから１系列のカオス尺度情報を算出することを特徴とする。

本発明に係る事象分類装置では、前記カオス尺度算出手段は、Ｎ（２以上の整数）個のセンサ毎に対応して１つ設けられ、Ｎ個のセンサ毎に得られるＭの時系列データから１つのカオス尺度情報を算出することを特徴とする。

本発明に係る事象分類装置では、前記カオス尺度算出手段は１つ設けられ、前記Ｎ個のセンサから得られるＮの時系列のデータから１個のカオス尺度情報を算出することを特徴とする。

本発明に係る事象分類装置では、前記カオス尺度算出手段が算出したＭ個のカオス尺度情報に基づきパターンマイニング学習を行い、前記パターンマイニング分類手段が用いるパターンマイニング分類モデルを生成するパターンマイニング分類モデル生成手段と、を具備することを特徴とする。

本発明に係る事象分類装置では、前記パターンマイニング分類では、ランダムフォレストによる分類を用いることを特徴とする。

本発明に係る事象分類プログラムは、コンピュータを、故障・不良の事象が発生したか否かについての事象分類を行う対象装置に設けられ、測定対象データの種別が異なる複数のセンサを含むＮ（２以上の整数）個のセンサから前記データを受けるＮ個以下のＭ個のカオス尺度算出手段であって、前記センサからのデータを１つのセンサ毎に時系列に所定時間単位毎に区分し、１区分のデータにおける同時確率分布に基づき１つのカオス尺度情報を算出して合計でＭ個のカオス尺度情報を算出するカオス尺度算出手段、前記カオス尺度算出手段が算出したＭ個のカオス尺度情報について、パターンマイニング分類を行い、前記データに基づく分類結果を得る１つのパターンマイニング分類手段、として機能させることを特徴とする。

本発明に係る事象分類プログラムでは、前記コンピュータを前記センサの数と同数のＮ個設けられた前記カオス尺度算出手段として機能させ、対応する１つのセンサから得られる時系列データから１系列のカオス尺度情報を算出するように機能させることを特徴とする。

本発明に係る事象分類プログラムでは、前記コンピュータをＮ（２以上の整数）個のセンサ毎に対応して１つ設けられ、Ｎ個のセンサ毎に得られるＭの時系列データから１つのカオス尺度情報を算出する前記カオス尺度算出手段として、機能させることを特徴とすることを特徴とする。

本発明に係る事象分類プログラムでは、前記コンピュータを１つの前記カオス尺度算出手段として、前記Ｎ個のセンサから得られるＮの時系列のデータから１個のカオス尺度情報を算出するように機能させることを特徴とする。

本発明に係る事象分類プログラムでは、前記コンピュータを、更に、前記カオス尺度算出手段が算出したＭ個のカオス尺度情報に基づきパターンマイニング学習を行い、前記パターンマイニング分類手段が用いるパターンマイニング分類モデルを生成するパターンマイニング分類モデル生成手段、として機能させることを特徴とする。

本発明に係る事象分類プログラムでは、前記パターンマイニング分類では、ランダムフォレストによる分類を用いることを特徴とする。

本発明に係る故障・不良判定装置は、請求項１乃至６のいずれか１項に記載のセンサを、製造装置の所要位置に設けられたセンサとした、請求項１乃至６のいずれか１項に記載の事象分類装置と、前記センサから得られるデータに基づき、前記事象分類装置の故障或いは不良を判定する判定手段として用いることを特徴とする。

本発明によれば、複数のセンサから得られるデータから分類結果を得る前に、複数のセンサから得られるデータを時系列に所定時間単位毎に区分し、区分したデータからカオス尺度情報を算出することによりデータを圧縮するので、複数のセンサからのセンサデータに基づく分類を高速に精度良く行うことができる。

本発明に係る事象分類装置の第１の実施形態を示す構成図。 本発明に係る事象分類装置の要部であるパターンマイニング分類モデル生成手段の実施形態を示す構成図。 本発明に係る事象分類装置の動作を説明するためのフローチャート。 本発明に係る事象分類装置の動作を説明するためのフローチャート。 本発明に係る事象分類装置の第２の実施形態を示す構成図。 本発明に係る事象分類装置の第３の実施形態を示す構成図。 本発明に係る事象分類装置の第４の実施形態を示す構成図。

以下添付図面を参照して本発明に係る事象分類装置の実施形態を説明する。各図において同一の構成要素には同一の符号を付して重複する説明を省略する。図１に、本発明に係る事象分類装置の第１の実施形態のブロック図を示す。この実施形態では、製造装置などの対象装置１００の所要箇所にセンサ１１−１〜１１−Ｎが設けられている（Ｎ：２以上の整数）。センサ１１−１〜１１−Ｎは、製造工程等の温度や湿度、装置の速度、装置の部位に流れる電流や検出ポイントの電圧等を検出する構成を備える。

センサ１１−１〜１１−Ｎには、カオス尺度算出手段２０−１〜２０−Ｎが接続される。カオス尺度算出手段２０−１〜２０−Ｎは、対応するセンサ１１−１〜１１−Ｎから得られるデータを時系列に所定時間単位毎に区分し、区分したデータからカオス尺度情報を算出するものである。

カオス尺度算出手段２０−１〜２０−Ｎの構成は、同一である。そこで、代表としてカオス尺度算出手段２０−１の詳細構成を説明し、他のカオス尺度算出手段２０−２〜２０−Ｎにおける各系統の詳細構成を省略する。センサ１１ー１から連続してデータ（センサログ）が到来し、（式１）に示すように、データ長がｎ＋１の時系列データが与えられたものとする。

すると、上記のｘ_ｔが含まれる区間Ｉをｍ個の区間に分割する。ここで、分割区間をＸ_ｉ（ｉ＝１，２，・・・，ｍ）とすると、上記区間Ｉは、次の（式２）により表すことができる。

次に、ｘ_ｔ∈Ｘ_ｉとなる確率分布ｐ（ｉ）と、ｘ_ｔ∈Ｘ_ｉ，ｘ_ｔ＋１∈Ｘ_ｊとなる確率分布ｐ（ｉ，ｊ）を算出する。この結果は、次の（式３）となる。

次に、カオス尺度情報Ｈ_ＣＤは、上記のｐ（ｉ）とｐ（ｉ，ｊ）を用いて以下の（式４）によって求められる。

なお、カオス尺度情報Ｈ_ＣＤの最大値は、logｍである。

カオス尺度算出手段２０−１〜２０−Ｎの後段には、パターンマイニング分類手段４０が配置されている。カオス尺度算出手段２０−１〜２０−Ｎにより上記のようにして得られたカオス尺度情報をＨ_ＣＤ−１〜Ｈ_ＣＤ−Ｎとする。パターンマイニング分類手段４０は、カオス尺度算出手段２０−１〜２０−Ｎにより得られたＨ_ＣＤ−１〜Ｈ_ＣＤ−Ｎについて、パターンマイニング分類を行い、上記カオス尺度算出手段２０−１〜２０−Ｎの分類結果に基づく分類結果を得るものである。このパターンマイニング分類では、例えば、ランダムフォレストによる分類を用いることができる。

図２には、パターンマイニング分類手段４０の詳細構成図が示されている。パターンマイニング分類手段４０は、データセット生成部４１Ａとパターンマイニング分類モデル生成手段４１とパターンマイニング判定部４２により構成される。パターンマイニング分類モデル生成手段４１の前段には、上記カオス尺度算出手段２０−１〜２０−Ｎの演算結果から学習用のデータセットを生成するデータセット生成部４１Ａを設けるように構成する。ここではカオス尺度情報算出において算出されたカオス尺度情報Ｈ_ＣＤ−１〜Ｈ_ＣＤ−Ｎをａとｂに分類するため、ａに分類すべきカオス尺度情報とｂ分類すべきカオス尺度情報のデータセットを生成する。

データセット生成部４１Ａに示されるカオス尺度情報（データ）は、縦方向がセンサに対応している。ここでは、センサの数Ｎが４個である例を示している。データセット生成部４１Ａに示されるカオス尺度情報（データ）は、横方向が時間に対応している。前述の例では、データ長がｎ＋１について１つのカオス尺度情報が算出される。このため、ここでは時間経過により５個のカオス尺度情報が算出されたことを示している。

データセット生成部４１Ａにより生成されたデータセットは、パターンマイニング分類モデル生成手段４１へ与えられる。パターンマイニング分類モデル生成手段４１は、データセットを用いてパターンマイニング学習を行い、パターンマイニング分類モデルを生成する。このパターンマイニング分類モデルは、カオス尺度算出手段２０−１〜２０−Ｎから与えられるデータに対してパターンマイニング分類手段４０が分類に用いる分類モデルである。

パターンマイニング判定部４２は、カオス尺度算出手段２０−１〜２０−Ｎの後段に配置され、上記カオス尺度算出手段２０−１〜２０−Ｎが算出した上記複数のセンサ１１−１〜１１−ｎ毎のデータについて得られたカオス尺度情報Ｈ_ＣＤ−１〜Ｈ_ＣＤ−Ｎに対して、パターンマイニング分類を行う。つまり、パターンマイニング判定部４２は、パターンマイニング分類モデル生成手段４１により生成されたパターンマイニング分類モデルを用いてパターンマイニング分類を行い、結果を得る。このパターンマイニング分類による結果は、図示しない表示装置やプリント装置へ送って出力させることができる。

以上の事象分類装置は、センサ１１−１〜１１−Ｎを入力ポートに取り込み、ディジタル化してコンピュータ処理を行うサーバコンピュータなどにより構成することができ、各手段は、サーバコンピュータが事象分類プログラムを実行することによって実現することができる。

図３と図４は、上記事象分類プログラムに対応するフローチャートを示す。このフローチャートにより事象分類装置の動作を説明する。図３は、パターンマイニング分類モデルを生成する処理を示すものである。処理がスタートとなると、センサ１１−１〜１１−Ｎからのデータを取り込み、各センサ毎のデータを時系列に所定時間単位毎に区分し、区分したデータからそれぞれカオス尺度情報を算出する（Ｓ１１）。

次に、教師用のカオス尺度情報を事象でラベル付けする（Ｓ１２）。ここの事象とは、センサ１１−１〜１１−Ｎのセンシング対象としての、製造工程等の温度や湿度、装置の速度、装置の部位に流れる電流や検出ポイントの電圧等とすることができる。

次に、上記のラベル毎に、カオス尺度情報からデータセットを生成し、生成されたデータセットを用いてパターンマイニング学習を行う（Ｓ１３）。そして、上記パターンマイニング学習を行って、その結果パターンマイニング分類モデルを生成する（Ｓ１４）。

図４は、分類すべきカオス尺度情報の算出処理と上記図３のフローチャートのプログラムによって生成されたパターンマイニング分類モデルを用いた実際の分類処理を示すものである。処理がスタートとなると、センサ１１−１〜１１−Ｎからのデータを取り込み、各センサ毎のデータを時系列に所定時間単位毎に区分し、区分したデータからそれぞれカオス尺度情報を算出する（Ｓ２１）。

次に、Ｎ系列のカオス尺度情報を一体として、パターンマイニング分類モデルを用いて分類を行うことにより、分類を行う（Ｓ２２）。このステップＳ２２においては、図２に示したようにＮ系列のカオス尺度情報を一つとして扱い、所定時間単位毎にａとｂのいずれかに分類する処理が行われる。

以上のように、本実施形態では各系列毎にカオス尺度情報の算出を行い、この各系列毎のカオス尺度情報を１つに纏めてパターンマイニング分類モデルを用いて分類を行うので、カオス尺度情報を算出によって、各系列毎のデータを圧縮でき分類までの処理速度を速めることができる。

次に、本発明に係る事象分類装置の第２の実施形態を説明する。図５に、本発明に係る事象分類装置の第２の実施形態のブロック図を示す。この実施形態でも、製造装置などの対象装置１００の所要箇所にセンサ１１−１〜１１−Ｎが設けられている。センサ１１−１と１１−２の出力を２変量のカオス尺度算出手段３０−１に与え、センサ１１−３と１１−４の出力を２変量のカオス尺度算出手段３０−２に与え、・・・、センサ１１−（Ｎ−１）と１１−Ｎの出力を２変量のカオス尺度算出手段３０−ｓに与える。

カオス尺度算出手段３０−１〜３０−ｓの構成は、同一である。そこで、代表としてカオス尺度算出手段３０−１の詳細構成を説明し、他のカオス尺度算出手段３０−２〜３０−ｓにおける各系統の詳細構成を省略する。センサ１１ー１、１１−２から連続してデータ（センサログ）が到来し、（式５）に示すように、データ長がｎ＋１の時系列データが与えられたものとする。

上記において、ｘ_tとy_tはtの値が同一の場合には同一時刻のデータである。そこで、上記のｘ_ｔが含まれる区間Ｉ_xをｍ（ｘ）個の区間に分割し、ｙ_ｔが含まれる区間Ｉ_ｙをｍ（ｙ）個の区間に分割する。ここで、分割区間を、Ｘ_ｉ（ｉ＝１，２，・・・，ｍ（ｘ））とＹ_ｉ（ｉ＝１，２，・・・，ｍ（ｙ））とすると、上記区間Ｉは、次の（式６）により表すことができる。

次に、時刻ｔにおいてｘ_ｔ∈Ｘ_ｉ，ｙ_ｔ∈Ｙ_jとなる同時確率分布ｐ（ｉ，ｊ）と、時刻ｔと時刻ｔ＋１についてｘ_ｔ∈Ｘ_ｉ，ｙ_ｔ∈Ｙ_j，ｘ_ｔ＋１∈Ｘ_u，ｙ_ｔ+1∈Ｙ_vとなる同時確率分布ｐ（ｉ，ｊ，ｕ，ｖ）を算出する。この結果は、次の（式７）となる。

次に、カオス尺度情報Ｈ_ＣＤは、上記のｐ（ｉ，ｊ）とｐ（ｉ，ｊ，ｕ，ｖ）を用いて以下の（式８）によって求められる。

なお、上記計算によるカオス尺度情報Ｈ_ＣＤの最大値は、｛logｍ（ｘ）×ｍ（ｙ）｝である。

カオス尺度算出手段３０−１〜３０−ｓの後段には、パターンマイニング分類手段４０Ｂが配置されている。カオス尺度算出手段３０−１〜３０−ｓにより上記のようにして得られたカオス尺度情報をＨ_ＣＤ−１〜Ｈ_ＣＤ−ｓとする。パターンマイニング分類手段４０Ｂは、カオス尺度算出手段３０−１〜３０−ｓにより得られたＨ_ＣＤ−１〜Ｈ_ＣＤ−ｓについて、パターンマイニング分類を行い、上記カオス尺度算出手段３０−１〜３０−ｓの分類結果に基づく分類結果を得るものである。このパターンマイニング分類では、例えば、ランダムフォレストによる分類を用いることができる。この第２の実施形態におけるパターンマイニング分類手段４０Ｂは、入力がｓ系列である点を除き第１の実施形態のパターンマイニング分類手段４０と同様に処理を行うので、その詳細な説明を省略する。

以上説明した第２の実施形態に係る事象分類装置は、センサ１１−１〜１１−Ｎを入力ポートに取り込み、ディジタル化してコンピュータ処理を行うサーバコンピュータなどにより構成することができ、各種段は、サーバコンピュータが事象分類プログラムを実行することによって実現することができる。この第２の実施形態に係る事象分類プログラムに対応するフローチャートは、第１の実施形態のものと基本的に同じであるので、その説明を省略する。

次に、本発明に係る事象分類装置の第３の実施形態を説明する。図６に、本発明に係る事象分類装置の第３の実施形態のブロック図を示す。この実施形態でも、製造装置などの対象装置１００の所要箇所にセンサ１１−１〜１１−Ｎが設けられている。センサ１１−１と１１−２と１１−３の出力を３変量のカオス尺度算出手段５０−１に与え、センサ１１−４と１１−５と１１−６の出力を３変量のカオス尺度算出手段５０−２に与え、・・・、センサ１１−（Ｎ−２）と１１−（Ｎ−１）と１１−Ｎの出力を３変量のカオス尺度算出手段５０−ｒに与える。

カオス尺度算出手段５０−１〜５０−ｒの構成は、同一である。そこで、代表としてカオス尺度算出手段５０−１の詳細構成を説明し、他のカオス尺度算出手段５０−２〜５０−ｒにおける各系統の詳細構成を省略する。センサ１１ー１、１１−２、１１−３から連続してデータ（センサログ）が到来し、（式９）に示すように、データ長がｎ＋１の時系列データが与えられたものとする。

上記において、ｘ_tとy_tとｚ_tはtの値が同一の場合には同一時刻のデータである。そこで、上記のｘ_ｔが含まれる区間Ｉ_xをｍ（ｘ）個の区間に分割し、ｙ_ｔが含まれる区間Ｉ_ｙをｍ（ｙ）個の区間に分割し、ｚ_ｔが含まれる区間Ｉ_ｚをｍ（ｚ）個の区間に分割する。ここで、各分割区間を、Ｘ_ｉ（ｉ＝１，２，・・・，ｍ（ｘ））とＹ_ｉ（ｉ＝１，２，・・・，ｍ（ｙ））とＺ_ｉ（ｉ＝１，２，・・・，ｍ（ｚ））とすると、上記区間Ｉ_x，Ｉ_ｙ，Ｉ_ｚは、次の（式１０）により表すことができる。

次に、時刻ｔにおいてｘ_ｔ∈Ｘ_ｉ，ｙ_ｔ∈Ｙ_j，ｚ_ｔ∈Ｚ_ｋとなる同時確率分布ｐ（ｉ，ｊ，ｋ）と、時刻ｔと時刻ｔ＋１についてｘ_ｔ∈Ｘ_ｉ，ｙ_ｔ∈Ｙ_j，ｚ_ｔ∈Ｚ_ｋ，ｘ_ｔ＋１∈Ｘ_u，ｙ_ｔ+1∈Ｙ_v，ｚ_ｔ＋１∈Ｚ_ｗとなる同時確率分布ｐ（ｉ，ｊ，ｋ，ｕ，ｖ，ｗ）を算出する。この結果は、次の（式１１）となる。

次に、カオス尺度情報Ｈ_ＣＤは、上記のｐ（ｉ，ｊ）とｐ（ｉ，ｊ，ｕ，ｖ）を用いて以下の（式１２）によって求められる。

なお、上記計算によるカオス尺度情報Ｈ_ＣＤの最大値は、｛logｍ（ｘ）×ｍ（ｙ）｝である。

カオス尺度算出手段５０−１〜５０−ｒの後段には、パターンマイニング分類手段４０Ｃが配置されている。カオス尺度算出手段５０−１〜５０−ｒにより上記のようにして得られたカオス尺度情報をＨ_ＣＤ−１〜Ｈ_ＣＤ−ｒとする。パターンマイニング分類手段４０Ｃは、カオス尺度算出手段５０−１〜５０−ｒにより得られたＨ_ＣＤ−１〜Ｈ_ＣＤ−ｒについて、パターンマイニング分類を行い、上記カオス尺度算出手段５０−１〜５０−ｒの分類結果に基づく分類結果を得るものである。このパターンマイニング分類では、例えば、ランダムフォレストによる分類を用いることができる。この第３の実施形態におけるパターンマイニング分類手段４０Ｃは、入力がｒ系列である点を除き第１の実施形態のパターンマイニング分類手段４０と同様に処理を行うので、その詳細な説明を省略する。

以上説明した第３の実施形態に係る事象分類装置は、センサ１１−１〜１１−Ｎを入力ポートに取り込み、ディジタル化してコンピュータ処理を行うサーバコンピュータなどにより構成することができ、各手段は、サーバコンピュータが事象分類プログラムを実行することによって実現することができる。この第３の実施形態に係る事象分類プログラムに対応するフローチャートは、第１の実施形態のものと基本的に同じであるので、その説明を省略する。

次に、本発明に係る事象分類装置の第４の実施形態を説明する。図７に、本発明に係る事象分類装置の第４の実施形態のブロック図を示す。この実施形態でも、製造装置などの対象装置１００の所要箇所にセンサ１１−１〜１１−Ｎが設けられている。センサ１１−１〜１１−Ｎの出力をＮ（Ｎ≧４）変量のカオス尺度算出手段６０に与える。なお、本実施形態は、第１の実施形態から第３の実施形態から続いての説明であり、４変量以上の場合のものであるため、上記Ｎを４以上としたが、この実施形態の説明は、Ｎが１以上の場合について成立するものである。従って、１〜３変量の場合において、本実施形態による構成を採用して処理を行っても良いことは勿論である。

カオス尺度算出手段６０には、センサ１１−１〜１１−Ｎから連続してデータ（センサログ）が到来し、（式１３）に示すように、センサ１１−１〜１１−Ｎ毎にデータ長がｎ＋１の時系列データが与えられたものとする。

次にｉ（ｉ＝１，２，・・・，Ｎ）番目の時系列データが含まれる区間Ｉ_iをｍ（ｉ）個の区間に分割と、上記区間Ｉ_iは、次の（式１４）により表すことができる。

ここで、ある時刻ｔ（ｔ＝１，２，・・・，ｎ＋１）においてｉ番目の系列値ｘ_i,jが含まれる区間番号をＬ（ｉ）と表すと、系列値ｘ_i,jと（式１４）の区間は次の（式１５）の関係となる。

ここで、上記Ｌ（ｉ）は次の（式１６）の関係を有する。

上記Ｌ（ｉ）について、（式１６）の関係を有することを考慮し、全系列に対し次の（式１７）の変換を考える。

上記（式１７）から、ｕについては次の（式１８）の関係にあることが分かる。

上記ｕは、ある時刻ｔにおける値であるから、これを全時刻ｔ＝１，２，・・・，ｎ＋１について考え、｛ｕ₁，ｕ₂，・・・，ｕ_n+1｝系列を生成する。このような操作によって、Ｎ変量データが１変量の（式１９）に示す整数値系列に置き換えられたことになる。

これ以降は１変量の場合と同様に処理を行えばよい。即ち、ｕ_ｔ＝ｉ（１≦ｉ≦Ｍ）となる確率分布ｐ（ｉ）と、ｕ_ｔ＝ｉかつｕ_ｔ＋１＝ｊ（１≦ｉ,ｊ≦Ｍ）となる確率分布ｐ（ｉ,ｊ）を次の（式２０）により算出する。

次に、カオス尺度情報Ｈ_ＣＤは、上記のｐ（ｉ）とｐ（ｉ，ｊ）を用いて以下の（式２１）によって求められる。

なお、上記計算によるカオス尺度情報Ｈ_ＣＤの最大値は、次の（式２２）である。

カオス尺度算出手段６０の後段には、パターンマイニング分類手段４０Ｄが配置されている。カオス尺度算出手段６０により上記のようにして得られたカオス尺度情報をＨ_ＣＤとする。パターンマイニング分類手段４０Ｄは、カオス尺度算出手段６０により得られたＨ_ＣＤについて、パターンマイニング分類を行い、上記カオス尺度算出手段６０の分類結果に基づく分類結果を得るものである。このパターンマイニング分類では、例えば、ランダムフォレストによる分類を用いることができる。この第４の実施形態におけるパターンマイニング分類手段４０Ｄは、入力が１系列である点を除き第１の実施形態のパターンマイニング分類手段４０と同様に処理を行うので、その詳細な説明を省略する。

以上説明した第４の実施形態に係る事象分類装置は、センサ１１−１〜１１−Ｎを入力ポートに取り込み、ディジタル化してコンピュータ処理を行うサーバコンピュータなどにより構成することができ、各手段は、サーバコンピュータが事象分類プログラムを実行することによって実現することができる。この第４の実施形態に係る事象分類プログラムに対応するフローチャートは、第１の実施形態のものと基本的に同じであるので、その説明を省略する。

上記では事象分類装置の実施形態を示したが、これを故障・不良判定装置とすることができる。この場合には、上記センサ１１−１〜１１−Ｎを、製造装置の所要位置に設けられたセンサとし、他の構成を上記実施形態の事象分類装置と同一の構成とし、上記センサ１１−１〜１１−Ｎから得られるデータに基づき、上記事象分類装置を上記製造装置の故障或いは不良を判定する判定手段として用いる。これにより、多量のデータを用いた解析により誤差が少ない上記製造装置（或いは、この製造装置により製造された製品）の故障・不良判定を行う故障・不良判定装置を提供することができる。

なお、各実施形態では、全て同じ変量のカオス尺度算出手段を用いたが、例えば、センサの数が６である場合（６変量である場合）、第１の実施形態（１変量）のカオス尺度算出手段を１つ、第２の実施形態（２変量）のカオス尺度算出手段を１つ、第３の実施形態（３変量）のカオス尺度算出手段を１つ、というように、異なる変量のカオス尺度算出手段を混合して用いても良い。また、異なる変量のカオス尺度算出手段の数についても、適宜な数選択し、合計で所定数のセンサのデータを受けて分類するように構成することもできる。

１１−１〜１１−Ｎ センサ
２０−１〜２０−Ｎ カオス尺度算出手段
３０−１〜３０−ｓ カオス尺度算出手段
４０，４０Ａ，４０Ｂ，４０Ｃ．４０Ｄ パターンマイニング分類手段
４１ パターンマイニング分類モデル生成手段
４１Ａ データセット生成部
４２ パターンマイニング判定部
５０−１〜５０−ｒ カオス尺度算出手段
６０ カオス尺度算出手段
１００ 対象装置

Claims (13)

1. 故障・不良の事象が発生したか否かについての事象分類を行う対象装置に設けられ、測定対象データの種別が異なる複数のセンサを含むＮ（２以上の整数）個のセンサと、
   前記Ｎ個のセンサに接続されるＮ個以下のＭ個のカオス尺度算出手段であって、接続されたセンサから得られるデータを１つのセンサ毎に時系列に所定時間単位毎に区分し、１区分のデータにおける同時確率分布に基づき１つのカオス尺度情報を算出して合計でＭ個のカオス尺度情報を算出するカオス尺度算出手段と、
   前記カオス尺度算出手段が算出したＭ個のカオス尺度情報について、パターンマイニング分類を行い、前記データに基づく分類結果を得る１つのパターンマイニング分類手段と、
   を具備することを特徴とする事象分類装置。
2. 前記カオス尺度算出手段は前記センサの数と同数のＮ個設けられ、前記各カオス尺度算出手段は、対応する１つのセンサから得られる時系列データから１系列のカオス尺度情報を算出することを特徴とする請求項１に記載の事象分類装置。
3. 前記カオス尺度算出手段は、Ｎ（２以上の整数）個のセンサ毎に対応して１つ設けられ、Ｎ個のセンサ毎に得られるＭの時系列データから１つのカオス尺度情報を算出することを特徴とする請求項１に記載の事象分類装置。
4. 前記カオス尺度算出手段は１つ設けられ、前記Ｎ個のセンサから得られるＮの時系列のデータから１個のカオス尺度情報を算出することを特徴とする請求項１に記載の事象分類装置。
5. 前記カオス尺度算出手段が算出したＭ個のカオス尺度情報に基づきパターンマイニング学習を行い、前記パターンマイニング分類手段が用いるパターンマイニング分類モデルを生成するパターンマイニング分類モデル生成手段と、
   を具備することを特徴とする請求項１乃至４のいずれか１項に記載の事象分類装置。
6. 前記パターンマイニング分類では、ランダムフォレストによる分類を用いることを特徴とする請求項１乃至５のいずれか１項に記載の事象分類装置。
7. コンピュータを、
   故障・不良の事象が発生したか否かについての事象分類を行う対象装置に設けられ、測定対象データの種別が異なる複数のセンサを含むＮ（２以上の整数）個のセンサから前記データを受けるＮ個以下のＭ個のカオス尺度算出手段であって、前記センサからのデータを１つのセンサ毎に時系列に所定時間単位毎に区分し、１区分のデータにおける同時確率分布に基づき１つのカオス尺度情報を算出して合計でＭ個のカオス尺度情報を算出するカオス尺度算出手段、
   前記カオス尺度算出手段が算出したＭ個のカオス尺度情報について、パターンマイニング分類を行い、前記データに基づく分類結果を得る１つのパターンマイニング分類手段、
   として機能させることを特徴とする事象分類プログラム。
8. 前記コンピュータを前記センサの数と同数のＮ個設けられた前記カオス尺度算出手段として機能させ、対応する１つのセンサから得られる時系列データから１系列のカオス尺度情報を算出するように機能させることを特徴とする請求項７に記載の事象分類プログラム。
9. 前記コンピュータを、Ｎ（２以上の整数）個のセンサ毎に対応して１つ設けられ、Ｎ個のセンサ毎に得られるＭの時系列データから１つのカオス尺度情報を算出する前記カオス尺度算出手段として、機能させることを特徴とする請求項７に記載の事象分類プログラム。
10. 前記コンピュータを１つの前記カオス尺度算出手段として、前記Ｎ個のセンサから得られるＮの時系列のデータから１個のカオス尺度情報を算出するように機能させることを特徴とする請求項７に記載の事象分類プログラム。
11. 前記コンピュータを、更に、
    前記カオス尺度算出手段が算出したＭ個のカオス尺度情報に基づきパターンマイニング学習を行い、前記パターンマイニング分類手段が用いるパターンマイニング分類モデルを生成するパターンマイニング分類モデル生成手段、
    として機能させることを特徴とする請求項７乃至１０のいずれか１項に記載の事象分類
    プログラム。
12. 前記パターンマイニング分類では、ランダムフォレストによる分類を用いることを特徴とする請求項７乃至１１のいずれか１項に記載の事象分類プログラム。
13. 請求項１乃至６のいずれか１項に記載のセンサを、製造装置の所要位置に設けられたセンサとした、請求項１乃至６のいずれか１項に記載の事象分類装置と、
    前記センサから得られるデータに基づき、前記事象分類装置の故障或いは不良を判定する判定手段として用いる
    ことを特徴とする故障・不良判定装置。

Images