ホーム > 特許ランキング > 住友電気工業株式会社
知財求人 - 知財ポータルサイト「IP Force」
特開2024-99151データ生成装置、学習モデル生成装置、クラス分類装置、データ生成方法、学習モデル生成方法、クラス分類方法、およびコンピュータプログラム
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024099151
(43)【公開日】2024-07-25
(54)【発明の名称】データ生成装置、学習モデル生成装置、クラス分類装置、データ生成方法、学習モデル生成方法、クラス分類方法、およびコンピュータプログラム
(51)【国際特許分類】
G06N 20/00 20190101AFI20240718BHJP
G05B 23/02 20060101ALI20240718BHJP
【ＦＩ】
G06N20/00 130
G05B23/02 302Z
【審査請求】未請求
【請求項の数】13
【出願形態】ＯＬ
(21)【出願番号】P 2023002876
(22)【出願日】2023-01-12
(71)【出願人】
【識別番号】000002130
【氏名又は名称】住友電気工業株式会社
(74)【代理人】
【識別番号】100123021
【弁理士】
【氏名又は名称】渥美 元幸
(74)【代理人】
【識別番号】100126538
【弁理士】
【氏名又は名称】嶺 直道
(72)【発明者】
【氏名】雛田 浩生
(72)【発明者】
【氏名】吉田 圭吾
(72)【発明者】
【氏名】増川 京佑
(72)【発明者】
【氏名】相馬 大輔
【テーマコード（参考）】
3C223
【Ｆターム（参考）】
3C223AA12
3C223EA06
3C223EB02
3C223EB03
3C223FF03
3C223FF13
3C223FF16
3C223FF22
3C223FF26
(57)【要約】
【課題】現実的に発生し得る異常時のデータを生成することのできるデータ生成装置を提供する。
【解決手段】データ生成装置は、第１動作を行う対象機器から得られる正常データと、前記第１動作とは異なる第２動作を行う前記対象機器から得られる第１異常データとを取得する第１データ取得部と、前記第１データ取得部が取得した前記正常データおよび前記第１異常データに基づいて、前記正常データをクラス分類した場合に当該正常データが属する正常クラスおよび前記第１異常データをクラス分類した場合に当該第１異常データが属する第１異常クラスの双方のクラスと異なる第２異常クラスにクラス分類の結果属する第２異常データを生成するデータ生成部とを備える。
【選択図】図３
【解決手段】データ生成装置は、第１動作を行う対象機器から得られる正常データと、前記第１動作とは異なる第２動作を行う前記対象機器から得られる第１異常データとを取得する第１データ取得部と、前記第１データ取得部が取得した前記正常データおよび前記第１異常データに基づいて、前記正常データをクラス分類した場合に当該正常データが属する正常クラスおよび前記第１異常データをクラス分類した場合に当該第１異常データが属する第１異常クラスの双方のクラスと異なる第２異常クラスにクラス分類の結果属する第２異常データを生成するデータ生成部とを備える。
【選択図】図３
【特許請求の範囲】
【請求項1】
第１動作を行う対象機器から得られる正常データと、前記第１動作とは異なる第２動作を行う前記対象機器から得られる第１異常データとを取得する第１データ取得部と、
前記第１データ取得部が取得した前記正常データおよび前記第１異常データに基づいて、前記正常データをクラス分類した場合に当該正常データが属する正常クラスおよび前記第１異常データをクラス分類した場合に当該第１異常データが属する第１異常クラスの双方のクラスと異なる第２異常クラスにクラス分類の結果属する第２異常データを生成するデータ生成部とを備える、データ生成装置。
前記第１データ取得部が取得した前記正常データおよび前記第１異常データに基づいて、前記正常データをクラス分類した場合に当該正常データが属する正常クラスおよび前記第１異常データをクラス分類した場合に当該第１異常データが属する第１異常クラスの双方のクラスと異なる第２異常クラスにクラス分類の結果属する第２異常データを生成するデータ生成部とを備える、データ生成装置。
【請求項2】
前記データ生成部は、前記正常データおよび前記第１異常データに基づく補間処理により前記第２異常データを生成する、請求項１に記載のデータ生成装置。
【請求項3】
前記正常データおよび前記第１異常データの各々は時系列データであり、
前記データ生成部は、
各時刻の前記正常データと各時刻の前記第１異常データとを対応付けるデータ対応付け部と、
前記データ対応付け部により対応付けられたデータの組の各々に基づく補間処理により時系列の前記第２異常データを生成する第２異常データ生成部とを含む、請求項１または請求項２に記載のデータ生成装置。
前記データ生成部は、
各時刻の前記正常データと各時刻の前記第１異常データとを対応付けるデータ対応付け部と、
前記データ対応付け部により対応付けられたデータの組の各々に基づく補間処理により時系列の前記第２異常データを生成する第２異常データ生成部とを含む、請求項１または請求項２に記載のデータ生成装置。
【請求項4】
前記データ対応付け部は、Dynamic Time Warping、Derivative Dynamic Time Warping、または前記正常データおよび前記異常データの各々の時刻に基づいて、各時刻の前記正常データと各時刻の前記第１異常データとを対応付ける、請求項３に記載のデータ生成装置。
【請求項5】
前記対象機器は、ロボットアームを含み、
前記正常データ、前記第１異常データおよび前記第２異常データは、前記ロボットアームの加速度、角速度、位置、電圧、電流、速度、角度、磁場および温度の少なくとも１つを含む、請求項１または請求項２に記載のデータ生成装置。
前記正常データ、前記第１異常データおよび前記第２異常データは、前記ロボットアームの加速度、角速度、位置、電圧、電流、速度、角度、磁場および温度の少なくとも１つを含む、請求項１または請求項２に記載のデータ生成装置。
【請求項6】
請求項１または請求項２に記載のデータ生成装置から前記正常データ、前記第１異常データおよび第２異常データを取得する第２データ取得部と、
前記正常データ、前記第１異常データおよび前記第２異常データを教師データとして用いて、前記対象機器から得られる入力データを前記正常クラス、前記第１異常クラスおよび前記第２異常クラスのいずれかに分類する学習モデルを生成する学習モデル生成部とを備える、学習モデル生成装置。
前記正常データ、前記第１異常データおよび前記第２異常データを教師データとして用いて、前記対象機器から得られる入力データを前記正常クラス、前記第１異常クラスおよび前記第２異常クラスのいずれかに分類する学習モデルを生成する学習モデル生成部とを備える、学習モデル生成装置。
【請求項7】
対象機器から入力データを取得する入力データ取得部と、
前記入力データ取得部が取得した前記入力データを、請求項６に記載の学習モデル生成装置により生成された前記学習モデルに入力することにより、前記入力データを、前記正常クラス、前記第１異常クラスおよび前記第２異常クラスのいずれかに分類するクラス分類部とを備える、クラス分類装置。
前記入力データ取得部が取得した前記入力データを、請求項６に記載の学習モデル生成装置により生成された前記学習モデルに入力することにより、前記入力データを、前記正常クラス、前記第１異常クラスおよび前記第２異常クラスのいずれかに分類するクラス分類部とを備える、クラス分類装置。
【請求項8】
データ生成装置が、第１動作を行う対象機器から得られる正常データと、前記第１動作とは異なる第２動作を行う前記対象機器から得られる第１異常データとを取得するステップと、
前記データ生成装置が、前記正常データおよび前記第１異常データに基づいて、前記正常データをクラス分類した場合に当該正常データが属する正常クラスおよび前記第１異常データをクラス分類した場合に当該第１異常データが属する第１異常クラスの双方のクラスと異なる第２異常クラスにクラス分類の結果属する第２異常データを生成するステップとを含む、データ生成方法。
前記データ生成装置が、前記正常データおよび前記第１異常データに基づいて、前記正常データをクラス分類した場合に当該正常データが属する正常クラスおよび前記第１異常データをクラス分類した場合に当該第１異常データが属する第１異常クラスの双方のクラスと異なる第２異常クラスにクラス分類の結果属する第２異常データを生成するステップとを含む、データ生成方法。
【請求項9】
データ生成装置が、第１動作を行う対象機器から得られる正常データと、前記第１動作とは異なる第２動作を行う前記対象機器から得られる第１異常データとを取得するステップと、
前記データ生成装置が、前記正常データおよび前記第１異常データに基づいて、前記正常データをクラス分類した場合に当該正常データが属する正常クラスおよび前記第１異常データをクラス分類した場合に当該第１異常データが属する第１異常クラスの双方のクラスと異なる第２異常クラスにクラス分類の結果属する第２異常データを生成するステップと、
学習モデル生成装置が、前記正常データ、前記第１異常データおよび前記第２異常データを教師データとして用いて、前記対象機器から得られる入力データを前記正常クラス、前記第１異常クラスおよび前記第２異常クラスのいずれかに分類する学習モデルを生成するステップとを含む、学習モデル生成方法。
前記データ生成装置が、前記正常データおよび前記第１異常データに基づいて、前記正常データをクラス分類した場合に当該正常データが属する正常クラスおよび前記第１異常データをクラス分類した場合に当該第１異常データが属する第１異常クラスの双方のクラスと異なる第２異常クラスにクラス分類の結果属する第２異常データを生成するステップと、
学習モデル生成装置が、前記正常データ、前記第１異常データおよび前記第２異常データを教師データとして用いて、前記対象機器から得られる入力データを前記正常クラス、前記第１異常クラスおよび前記第２異常クラスのいずれかに分類する学習モデルを生成するステップとを含む、学習モデル生成方法。
【請求項10】
データ生成装置が、第１動作を行う対象機器から得られる正常データと、前記第１動作とは異なる第２動作を行う前記対象機器から得られる第１異常データとを取得するステップと、
前記データ生成装置が、前記正常データおよび前記第１異常データに基づいて、前記正常データをクラス分類した場合に当該正常データが属する正常クラスおよび前記第１異常データをクラス分類した場合に当該第１異常データが属する第１異常クラスの双方のクラスと異なる第２異常クラスにクラス分類の結果属する第２異常データを生成するステップと、
学習モデル生成装置が、前記正常データ、前記第１異常データおよび前記第２異常データを教師データとして用いて、前記対象機器から得られる入力データを前記正常クラス、前記第１異常クラスおよび前記第２異常クラスのいずれかに分類する学習モデルを生成するステップと、
クラス分類装置が、前記対象機器から前記入力データを取得するステップと、
前記クラス分類装置が、前記入力データを前記学習モデルに入力することにより、当該入力データを、前記正常クラス、前記第１異常クラスおよび前記第２異常クラスのいずれかに分類するステップとを含む、クラス分類方法。
前記データ生成装置が、前記正常データおよび前記第１異常データに基づいて、前記正常データをクラス分類した場合に当該正常データが属する正常クラスおよび前記第１異常データをクラス分類した場合に当該第１異常データが属する第１異常クラスの双方のクラスと異なる第２異常クラスにクラス分類の結果属する第２異常データを生成するステップと、
学習モデル生成装置が、前記正常データ、前記第１異常データおよび前記第２異常データを教師データとして用いて、前記対象機器から得られる入力データを前記正常クラス、前記第１異常クラスおよび前記第２異常クラスのいずれかに分類する学習モデルを生成するステップと、
クラス分類装置が、前記対象機器から前記入力データを取得するステップと、
前記クラス分類装置が、前記入力データを前記学習モデルに入力することにより、当該入力データを、前記正常クラス、前記第１異常クラスおよび前記第２異常クラスのいずれかに分類するステップとを含む、クラス分類方法。
【請求項11】
コンピュータを、
第１動作を行う対象機器から得られる正常データと、前記第１動作とは異なる第２動作を行う前記対象機器から得られる第１異常データとを取得する第１データ取得部、および、
前記第１データ取得部が取得した前記正常データおよび前記第１異常データに基づいて、前記正常データをクラス分類した場合に当該正常データが属する正常クラスおよび前記第１異常データをクラス分類した場合に当該第１異常データが属する第１異常クラスの双方のクラスと異なる第２異常クラスにクラス分類の結果属する第２異常データを生成するデータ生成部として機能させるための、コンピュータプログラム。
第１動作を行う対象機器から得られる正常データと、前記第１動作とは異なる第２動作を行う前記対象機器から得られる第１異常データとを取得する第１データ取得部、および、
前記第１データ取得部が取得した前記正常データおよび前記第１異常データに基づいて、前記正常データをクラス分類した場合に当該正常データが属する正常クラスおよび前記第１異常データをクラス分類した場合に当該第１異常データが属する第１異常クラスの双方のクラスと異なる第２異常クラスにクラス分類の結果属する第２異常データを生成するデータ生成部として機能させるための、コンピュータプログラム。
【請求項12】
コンピュータを、
請求項１または請求項２に記載のデータ生成装置から前記正常データ、前記第１異常データおよび第２異常データを取得する第２データ取得部、および、
前記正常データ、前記第１異常データおよび前記第２異常データを教師データとして用いて、前記対象機器から得られる入力データを前記正常クラス、前記第１異常クラスおよび前記第２異常クラスのいずれかに分類する学習モデルを生成する学習モデル生成部として機能させるための、コンピュータプログラム。
請求項１または請求項２に記載のデータ生成装置から前記正常データ、前記第１異常データおよび第２異常データを取得する第２データ取得部、および、
前記正常データ、前記第１異常データおよび前記第２異常データを教師データとして用いて、前記対象機器から得られる入力データを前記正常クラス、前記第１異常クラスおよび前記第２異常クラスのいずれかに分類する学習モデルを生成する学習モデル生成部として機能させるための、コンピュータプログラム。
【請求項13】
コンピュータを、
対象機器から入力データを取得する入力データ取得部、および、
前記入力データ取得部が取得した前記入力データを、請求項６に記載の学習モデル生成装置により生成された前記学習モデルに入力することにより、前記入力データを、前記正常クラス、前記第１異常クラスおよび前記第２異常クラスのいずれかに分類するクラス分類部として機能させるための、コンピュータプログラム。
対象機器から入力データを取得する入力データ取得部、および、
前記入力データ取得部が取得した前記入力データを、請求項６に記載の学習モデル生成装置により生成された前記学習モデルに入力することにより、前記入力データを、前記正常クラス、前記第１異常クラスおよび前記第２異常クラスのいずれかに分類するクラス分類部として機能させるための、コンピュータプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、データ生成装置、学習モデル生成装置、クラス分類装置、データ生成方法、学習モデル生成方法、クラス分類方法、およびコンピュータプログラムに関する。
【背景技術】
【0002】
近年の生産システムは、生産性を向上させるために、ネットワークと接続した形態が増えつつある。このため、生産システムがサイバー攻撃を受ける事例も増加しており、対策の必要性も認識されている。
【0003】
サイバー攻撃の対象は設備の操作プログラムやコントローラなど多岐にわたる。また、サイバー攻撃以外にも物理干渉や誤操作による異常も起こりうるため、設備の異常発生時に判定すべき異常の種類や程度は多岐にわたる。異常原因を特定するシステムを構築するためには、通常は判定したい全ての異常クラスに対するデータが必要となるが、多種類の異常動作のデータを網羅的に取得することはコストやリソースの面から困難である。
【0004】
特許文献１には、正常データに、周期的な変動、増加もしくは減少のトレンド、スパイク、移動のずれ、またはカラードノイズを加えることにより、異常データを生成する方法が開示されている。
【先行技術文献】
【特許文献】
【0005】
【特許文献1】特許第７０１５４０５号公報
【発明の概要】
【発明が解決しようとする課題】
【0006】
しかしながら、特許文献１に記載の方法によると、正常データを加工することにより異常データを生成しているが、加工方法は実際の異常データを反映して定められたものではない。このため、異常データには現実的に発生しにくいデータが含まれる。このような異常データを用いてデータの異常を判別する学習モデルを生成したとしても、当該学習モデルによっては、実際に発生した異常時のデータを正確に異常と判別することができない恐れがある。
【0007】
本開示は、このような課題を解決するためになされたものであり、現実的に発生し得る異常時のデータを生成することのできるデータ生成装置、データ生成方法、およびコンピュータプログラムを提供することを目的とする。
【0008】
また、本開示は、現実的に発生し得る異常時のデータを正確に分類することのできる学習モデル生成装置、クラス分類装置、学習モデル生成方法、クラス分類方法、およびコンピュータプログラムを提供することを目的とする。
【課題を解決するための手段】
【0009】
本開示の一態様に係るデータ生成装置は、第１動作を行う対象機器から得られる正常データと、前記第１動作とは異なる第２動作を行う前記対象機器から得られる第１異常データとを取得する第１データ取得部と、前記第１データ取得部が取得した前記正常データおよび前記第１異常データに基づいて、前記正常データをクラス分類した場合に当該正常データが属する正常クラスおよび前記第１異常データをクラス分類した場合に当該第１異常データが属する第１異常クラスの双方のクラスと異なる第２異常クラスにクラス分類の結果属する第２異常データを生成するデータ生成部とを備える。
【0010】
本発明は、このような特徴的な処理部を備えるデータ生成装置として実現することができるだけでなく、かかる特徴的な処理をステップとするデータ生成方法として実現したり、かかるステップをコンピュータに実行させるためのコンピュータプログラムとして実現したりすることができる。また、データ生成装置の一部または全部を実現する半導体集積回路として実現したり、データ生成装置を利用した学習モデル生成装置およびクラス分類装置として実現したり、データ生成装置を含むシステムとして実現したりすることができる。
【発明の効果】
【0011】
本開示によると、現実的に発生し得る異常時のデータを生成することができる。
【図面の簡単な説明】
【0012】
【発明を実施するための形態】
【0013】
［本開示の実施形態の概要］
最初に本開示の実施形態の概要を列記して説明する。
（１）本開示の一実施形態に係るデータ生成装置は、第１動作を行う対象機器から得られる正常データと、前記第１動作とは異なる第２動作を行う前記対象機器から得られる第１異常データとを取得する第１データ取得部と、前記第１データ取得部が取得した前記正常データおよび前記第１異常データに基づいて、前記正常データをクラス分類した場合に当該正常データが属する正常クラスおよび前記第１異常データをクラス分類した場合に当該第１異常データが属する第１異常クラスの双方のクラスと異なる第２異常クラスにクラス分類の結果属する第２異常データを生成するデータ生成部とを備える。
最初に本開示の実施形態の概要を列記して説明する。
（１）本開示の一実施形態に係るデータ生成装置は、第１動作を行う対象機器から得られる正常データと、前記第１動作とは異なる第２動作を行う前記対象機器から得られる第１異常データとを取得する第１データ取得部と、前記第１データ取得部が取得した前記正常データおよび前記第１異常データに基づいて、前記正常データをクラス分類した場合に当該正常データが属する正常クラスおよび前記第１異常データをクラス分類した場合に当該第１異常データが属する第１異常クラスの双方のクラスと異なる第２異常クラスにクラス分類の結果属する第２異常データを生成するデータ生成部とを備える。
【0014】
この構成によると、正常データに加えて現実に発生した第１異常データを利用して第２異常データを生成している。このため、現実的に発生し得る第２異常データを生成することができる。これにより、第１異常データとは異常レベルの異なる第２異常データを生成することができる。
【0015】
（２）上記（１）において、前記データ生成部は、前記正常データおよび前記第１異常データに基づく補間処理により前記第２異常データを生成してもよい。
【0016】
この構成によると、正常データおよび第１異常データの中間的なデータである第２異常データを生成することができる。これにより、例えば、正常動作および異常動作の中間的な動作に対応したデータを生成することができる。
【0017】
（３）上記（１）または（２）において、前記正常データおよび前記第１異常データの各々は時系列データであり、前記データ生成部は、各時刻の前記正常データと各時刻の前記第１異常データとを対応付けるデータ対応付け部と、前記データ対応付け部により対応付けられたデータの組の各々に基づく補間処理により時系列の前記第２異常データを生成する第２異常データ生成部とを含んでもよい。
【0018】
この構成によると、時系列の第２異常データを生成することができる。
【0019】
（４）上記（３）において、前記データ対応付け部は、Dynamic Time Warping、Derivative Dynamic Time Warping、または前記正常データおよび前記異常データの各々の時刻に基づいて、各時刻の前記正常データと各時刻の前記第１異常データとを対応付けてもよい。
【0020】
この構成によると、Dynamic Time WarpingまたはDerivative Dynamic Time Warpingを用いることにより、正常データおよび第１異常データの時間長や、正常データおよび第１異常データに含まれるデータ数が異なる場合でも、各時刻の正常データおよび第１異常データを正確に対応付けることができる。これにより、現実的に発生し得る第２異常データを生成することができる。また、例えば、同時刻の正常データおよび第１異常データを対応付けることもできる。これにより、簡便な方法により各時刻の正常データと各時刻の第１異常データを対応付けることができる。
【0021】
（５）上記（１）から（４）のいずれかにおいて、前記対象機器は、ロボットアームを含み、前記正常データ、前記第１異常データおよび前記第２異常データは、前記ロボットアームの加速度、角速度、位置、電圧、電流、速度、角度、磁場および温度の少なくとも１つを含んでもよい。
【0022】
この構成によると、ロボットアームの加速度、角速度、位置、電圧、電流、速度、角度、磁場および温度の少なくとも１つについて、現実的に発生し得る第２異常データを生成することができる。
【0023】
（６）本開示の他の実施形態に係る学習モデル生成装置は、上記（１）から（５）のいずれかに記載のデータ生成装置から前記正常データ、前記第１異常データおよび第２異常データを取得する第２データ取得部と、前記正常データ、前記第１異常データおよび前記第２異常データを教師データとして用いて、前記対象機器から得られる入力データを前記正常クラス、前記第１異常クラスおよび前記第２異常クラスのいずれかに分類する学習モデルを生成する学習モデル生成部とを備える。
【0024】
この構成によると、正常データと、第１異常データと、正常データおよび第１異常データから生成された第２異常データとを分類することのできる学習モデルを生成することができる。これにより、現実的に発生し得る異常時のデータを正確に分類することができる。また、複数の異常レベルの異常データを正確に分類することができる。
【0025】
（７）本開示の他の実施形態に係るクラス分類装置は、対象機器から入力データを取得する入力データ取得部と、前記入力データ取得部が取得した前記入力データを、上記（６）に記載の学習モデル生成装置により生成された前記学習モデルに入力することにより、前記入力データを、前記正常クラス、前記第１異常クラスおよび前記第２異常クラスのいずれかに分類するクラス分類部とを備える。
【0026】
この構成によると、正常データと、第１異常データと、正常データおよび第１異常データから生成された第２異常データとを分類することのできる学習モデルを用いて、入力データをいずれかのクラスに分類することができる。これにより、現実的に発生し得る異常時のデータを正確に分類することができる。また、複数の異常レベルの異常データを正確に分類することができる。
【0027】
（８）本開示の他の実施形態に係るデータ生成方法は、データ生成装置が、第１動作を行う対象機器から得られる正常データと、前記第１動作とは異なる第２動作を行う前記対象機器から得られる第１異常データとを取得するステップと、前記データ生成装置が、前記正常データおよび前記第１異常データに基づいて、前記正常データをクラス分類した場合に当該正常データが属する正常クラスおよび前記第１異常データをクラス分類した場合に当該第１異常データが属する第１異常クラスの双方のクラスと異なる第２異常クラスにクラス分類の結果属する第２異常データを生成するステップとを含む。
【0028】
この構成は、上述のデータ生成装置における特徴的な処理をステップとして含む。このため、上述のデータ生成装置と同様の作用および効果を奏することができる。
【0029】
（９）本開示の他の実施形態に係る学習モデル生成方法は、データ生成装置が、第１動作を行う対象機器から得られる正常データと、前記第１動作とは異なる第２動作を行う前記対象機器から得られる第１異常データとを取得するステップと、前記データ生成装置が、前記正常データおよび前記第１異常データに基づいて、前記正常データをクラス分類した場合に当該正常データが属する正常クラスおよび前記第１異常データをクラス分類した場合に当該第１異常データが属する第１異常クラスの双方のクラスと異なる第２異常クラスにクラス分類の結果属する第２異常データを生成するステップと、学習モデル生成装置が、前記正常データ、前記第１異常データおよび前記第２異常データを教師データとして用いて、前記対象機器から得られる入力データを前記正常クラス、前記第１異常クラスおよび前記第２異常クラスのいずれかに分類する学習モデルを生成するステップとを含む。
【0030】
この構成は、上述の学習モデル生成装置における特徴的な処理をステップとして含む。このため、上述の学習モデル生成装置と同様の作用および効果を奏することができる。
【0031】
（１０）本開示の他の実施形態に係るクラス分類方法は、データ生成装置が、第１動作を行う対象機器から得られる正常データと、前記第１動作とは異なる第２動作を行う前記対象機器から得られる第１異常データとを取得するステップと、前記データ生成装置が、前記正常データおよび前記第１異常データに基づいて、前記正常データをクラス分類した場合に当該正常データが属する正常クラスおよび前記第１異常データをクラス分類した場合に当該第１異常データが属する第１異常クラスの双方のクラスと異なる第２異常クラスにクラス分類の結果属する第２異常データを生成するステップと、学習モデル生成装置が、前記正常データ、前記第１異常データおよび前記第２異常データを教師データとして用いて、前記対象機器から得られる入力データを前記正常クラス、前記第１異常クラスおよび前記第２異常クラスのいずれかに分類する学習モデルを生成するステップと、クラス分類装置が、前記対象機器から前記入力データを取得するステップと、前記クラス分類装置が、前記入力データを前記学習モデルに入力することにより、当該入力データを、前記正常クラス、前記第１異常クラスおよび前記第２異常クラスのいずれかに分類するステップとを含む。
【0032】
この構成は、上述のクラス分類装置における特徴的な処理をステップとして含む。このため、上述のクラス分類装置と同様の作用および効果を奏することができる。
【0033】
（１１）本開示の他の実施形態に係るコンピュータプログラムは、コンピュータを、第１動作を行う対象機器から得られる正常データと、前記第１動作とは異なる第２動作を行う前記対象機器から得られる第１異常データとを取得する第１データ取得部、および、前記第１データ取得部が取得した前記正常データおよび前記第１異常データに基づいて、前記正常データをクラス分類した場合に当該正常データが属する正常クラスおよび前記第１異常データをクラス分類した場合に当該第１異常データが属する第１異常クラスの双方のクラスと異なる第２異常クラスにクラス分類の結果属する第２異常データを生成するデータ生成部として機能させる。
【0034】
この構成によると、コンピュータを、上述のデータ生成装置として機能させることができる。このため、上述のデータ生成装置と同様の作用および効果を奏することができる。
【0035】
（１２）本開示の他の実施形態に係るコンピュータプログラムは、コンピュータを、上記（１）から（５）のいずれかに記載のデータ生成装置から前記正常データ、前記第１異常データおよび第２異常データを取得する第２データ取得部、および、前記正常データ、前記第１異常データおよび前記第２異常データを教師データとして用いて、前記対象機器から得られる入力データを前記正常クラス、前記第１異常クラスおよび前記第２異常クラスのいずれかに分類する学習モデルを生成する学習モデル生成部として機能させる。
【0036】
この構成によると、コンピュータを、上述の学習モデル生成装置として機能させることができる。このため、上述の学習モデル生成装置と同様の作用および効果を奏することができる。
【0037】
（１３）本開示の他の実施形態に係るコンピュータプログラムは、コンピュータを、対象機器から入力データを取得する入力データ取得部、および、前記入力データ取得部が取得した前記入力データを、上記（６）に記載の学習モデル生成装置により生成された前記学習モデルに入力することにより、前記入力データを、前記正常クラス、前記第１異常クラスおよび前記第２異常クラスのいずれかに分類するクラス分類部として機能させる。
【0038】
この構成によると、コンピュータを、上述のクラス分類装置として機能させることができる。このため、上述のクラス分類装置と同様の作用および効果を奏することができる。
【0039】
［本開示の実施形態の詳細］
以下、本開示の実施形態について、図面を参照しながら説明する。なお、以下で説明する実施形態は、いずれも本開示の一具体例を示すものである。以下の実施形態で示される数値、形状、材料、構成要素、構成要素の配置位置および接続形態、ステップ、ステップの順序などは、一例であり、本開示を限定するものではない。また、以下の実施形態における構成要素のうち、独立請求項に記載されていない構成要素については、任意に付加可能な構成要素である。また、各図は、模式図であり、必ずしも厳密に図示されたものではない。
以下、本開示の実施形態について、図面を参照しながら説明する。なお、以下で説明する実施形態は、いずれも本開示の一具体例を示すものである。以下の実施形態で示される数値、形状、材料、構成要素、構成要素の配置位置および接続形態、ステップ、ステップの順序などは、一例であり、本開示を限定するものではない。また、以下の実施形態における構成要素のうち、独立請求項に記載されていない構成要素については、任意に付加可能な構成要素である。また、各図は、模式図であり、必ずしも厳密に図示されたものではない。
【0040】
また、同一の構成要素には同一の符号を付す。それらの機能および名称も同様であるため、それらの説明は適宜省略する。
【0041】
【0042】
ロボットアーム２００は、例えば、製品の製造ラインに設置され、制御装置からの指令に従い動作することによって、半製品に対する部品の取り付け、塗装または溶接等の作業を実行する。
【0043】
ロボットアーム２００は、ベース２０１と、ジョイント２０２，２０３，２０４と、リンク２１１，２１２，２１３と、エンドエフェクタ２１４と、加速度センサ２２１，２２２とを備える。
ベース２０１は、ロボットアーム２００を床等に固定するための部品である。
ベース２０１は、ロボットアーム２００を床等に固定するための部品である。
【0044】
ベース２０１、およびジョイント２０２，２０３，２０４は、それぞれ内部にサーボモータを備える。ベース２０１は水平面に固定されるものとする。ベース２０１内部に備えられたサーボモータは水平方向に回転する。また、ジョイント２０２，２０３，２０４のそれぞれの内部に備えられたサーボモータは鉛直方向に回転する。
【0045】
リンク２１１は、ベース２０１とジョイント２０２とを接続する。リンク２１２は、ジョイント２０２とジョイント２０３とを接続する。リンク２１３は、ジョイント２０３とジョイント２０４とを接続する。
【0046】
エンドエフェクタ２１４は、ロボットハンドとも呼ばれ、ジョイント２０４に接続され、部品の把持、加工、ネジ締め、塗装、溶接などの作業を行う。
【0047】
加速度センサ２２１は、リンク２１３に設けられる。
図１Ｂは、図１Ａの第１破線部２３１で示される領域の拡大図である。加速度センサ２２１の座標軸は、リンク２１３の軸の方向に平行なＸ軸と、Ｘ軸に直交するＹ軸およびＺ軸とから構成される。ここで、リンク２１３の軸の方向とは、例えば、リンク２１３の中心軸の方向であって、ジョイント２０３からジョイント２０４に向かう方向である。また、Ｚ軸は、リンク２１３から遠ざかる方向に配置される。加速度センサ２２１は、リンク２１３のＸ軸方向、Ｙ軸方向およびＺ軸方向の加速度を検出し、検出結果を出力する。
図１Ｂは、図１Ａの第１破線部２３１で示される領域の拡大図である。加速度センサ２２１の座標軸は、リンク２１３の軸の方向に平行なＸ軸と、Ｘ軸に直交するＹ軸およびＺ軸とから構成される。ここで、リンク２１３の軸の方向とは、例えば、リンク２１３の中心軸の方向であって、ジョイント２０３からジョイント２０４に向かう方向である。また、Ｚ軸は、リンク２１３から遠ざかる方向に配置される。加速度センサ２２１は、リンク２１３のＸ軸方向、Ｙ軸方向およびＺ軸方向の加速度を検出し、検出結果を出力する。
【0048】
加速度センサ２２２は、エンドエフェクタ２１４に設けられる。
図１Ｃは、図１Ａの第２破線部２３２で示される領域の拡大図である。加速度センサ２２２の座標軸は、エンドエフェクタ２１４の軸の方向に平行なＸ軸と、Ｘ軸に直交するＹ軸およびＺ軸とから構成される。ここで、エンドエフェクタ２１４の軸の方向とは、例えば、エンドエフェクタ２１４の根元部分（エンドエフェクタ２１４のジョイント２０４との接続部分）からエンドエフェクタ２１４の先端に向かう方向である。また、Ｚ軸は、エンドエフェクタ２１４から遠ざかる方向に配置される。加速度センサ２２２は、エンドエフェクタ２１４のＸ軸方向、Ｙ軸方向およびＺ軸方向の加速度を検出し、検出結果を出力する。加速度センサ２２１，２２２は、圧電型加速度センサ、サーボ型加速度センサ、ひずみゲージ式加速度センサ、または半導体式加速度センサなどから構成される。
図１Ｃは、図１Ａの第２破線部２３２で示される領域の拡大図である。加速度センサ２２２の座標軸は、エンドエフェクタ２１４の軸の方向に平行なＸ軸と、Ｘ軸に直交するＹ軸およびＺ軸とから構成される。ここで、エンドエフェクタ２１４の軸の方向とは、例えば、エンドエフェクタ２１４の根元部分（エンドエフェクタ２１４のジョイント２０４との接続部分）からエンドエフェクタ２１４の先端に向かう方向である。また、Ｚ軸は、エンドエフェクタ２１４から遠ざかる方向に配置される。加速度センサ２２２は、エンドエフェクタ２１４のＸ軸方向、Ｙ軸方向およびＺ軸方向の加速度を検出し、検出結果を出力する。加速度センサ２２１，２２２は、圧電型加速度センサ、サーボ型加速度センサ、ひずみゲージ式加速度センサ、または半導体式加速度センサなどから構成される。
【0049】
コンピュータ１００は、加速度センサ２２１，２２２と接続され、加速度センサ２２１，２２２からジョイント２０３およびエンドエフェクタ２１４の加速度をそれぞれ取得する。コンピュータ１００は、取得した加速度に基づいて、ロボットアーム２００が正常動作しているか、異常動作しているかを判定する。コンピュータ１００によるロボットアーム２００の動作判定処理については後述する。
【0050】
〔コンピュータ１００の構成〕
図２は、コンピュータ１００のハードウェア構成を示すブロック図である。
コンピュータ１００は、Ｉ／Ｆ（インタフェース）部１１０と、記憶装置１２０と、プロセッサ１３０と、バス１４０とを備える。
図２は、コンピュータ１００のハードウェア構成を示すブロック図である。
コンピュータ１００は、Ｉ／Ｆ（インタフェース）部１１０と、記憶装置１２０と、プロセッサ１３０と、バス１４０とを備える。
【0051】
Ｉ／Ｆ部１１０は、外部機器とコンピュータ１００とを接続する。ここでは、Ｉ／Ｆ部１１０は、図１Ａに示したロボットアーム２００の加速度センサ２２１，２２２と接続され、加速度センサ２２１，２２２から加速度データを受信する。
【0052】
記憶装置１２０は、ＳＲＡＭ（Static Random Access Memory）もしくはＤＲＡＭ（Dynamic Random Access Memory）などの揮発性のメモリ素子、フラッシュメモリもしくはＥＥＰＲＯＭ（Electrically Erasable Programmable Read-Only Memory）などの不揮発性のメモリ素子、または、ハードディスクなどの磁気記憶装置などにより構成される。
【0053】
記憶装置１２０は、プロセッサ１３０が実行するコンピュータプログラムである学習モデル生成プログラム１２１およびクラス分類プログラム１２２を記憶する。また、記憶装置１２０は、コンピュータプログラムの実行時に利用または生成されるデータを記憶する。当該データは、正常データ１２３、異常データ１２４、中間データ１２５および学習モデル１２６を含む。各データの詳細については後述する。
【0054】
プロセッサ１３０は、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＧＰＵ（Graphics Processing Unit）等のコンピュータ１００の制御に適合する種々のプロセッサより構成される。プロセッサ１３０は、記憶装置１２０に記憶された学習モデル生成プログラム１２１またはクラス分類プログラム１２２を読み出して実行する。なお、プロセッサ１３０は、学習モデル生成プログラム１２１またはクラス分類プログラム１２２が示す処理手順を実行するように構成されたＤＳＰ（Digital Signal Processor）、ＦＰＧＡ（Field Programmable Gate Array）、またはＡＳＩＣ（Application Specific Integrated Circuit）等であってもよい。
【0055】
〔学習モデル生成システムの機能的構成〕
図３は、学習モデル生成システムの機能的な構成を示すブロック図である。学習モデル生成システム２は、データ生成装置および学習モデル生成装置を備える。
図３は、学習モデル生成システムの機能的な構成を示すブロック図である。学習モデル生成システム２は、データ生成装置および学習モデル生成装置を備える。
【0056】
データ生成装置１０および学習モデル生成装置２０の各々を構成する各処理部は、プロセッサ１３０が学習モデル生成プログラム１２１を実行することにより機能的に実現される。
【0057】
学習モデル生成装置２０は、データ取得部１１と、データ生成部１２とを備える。
データ取得部１１は、ロボットアーム２００が正常動作している場合に加速度センサ２２１から出力されるＸ軸方向の加速度データを所定の時間間隔で取得する。データ取得部１１は、取得した時系列の当該加速度データに当該加速度データが正常動作時に得られたことを示す正常ラベルを付与した上で、正常データ１２３として記憶装置１２０に記憶する。つまり、正常データ１２３は、複数の計測時刻において計測された時系列の加速度データを含む。
データ取得部１１は、ロボットアーム２００が正常動作している場合に加速度センサ２２１から出力されるＸ軸方向の加速度データを所定の時間間隔で取得する。データ取得部１１は、取得した時系列の当該加速度データに当該加速度データが正常動作時に得られたことを示す正常ラベルを付与した上で、正常データ１２３として記憶装置１２０に記憶する。つまり、正常データ１２３は、複数の計測時刻において計測された時系列の加速度データを含む。
【0058】
また、データ取得部１１は、ロボットアーム２００が所定の異常動作をしている場合に加速度センサ２２１から出力されるＸ軸方向の加速度データを所定の時間間隔で取得する。データ取得部１１は、取得した時系列の当該加速度データに当該加速度データが異常動作時に得られたこと示す異常ラベルを付与した上で、異常データ１２４として記憶装置１２０に記憶する。つまり、異常データ１２４は、複数の計測時刻において計測された時系列の加速度データを含む。
【0059】
正常データ１２３および異常データ１２４は、後述する学習モデル１２６によって正常クラスおよび異常クラスにそれぞれクラス分類されるべきデータである。つまり、正常データ１２３は正常クラスに属し、異常データ１２４は異常クラスに属する。
【0060】
データ生成部１２は、データ取得部１１が取得した正常データ１２３および異常データ１２４に基づいて、正常クラスおよび異常クラス以外の中間クラスに分類されるべき中間データを生成する。つまり、生成された中間データは中間クラスに属する。以下、中間データの生成方法について詳細に説明する。
【0061】
データ生成部１２は、データ対応付け部１２Ａおよび中間データ生成部１２Ｂを含む。
データ対応付け部１２Ａは、正常データ１２３および異常データ１２４の対応付けを行う。
データ対応付け部１２Ａは、正常データ１２３および異常データ１２４の対応付けを行う。
【0062】
【0063】
正常データ１２３は、グラフ上で丸印で示される。折れ線３００は、正常データ１２３を示す各点を直線で結んだものである。
【0064】
異常データ１２４は、グラフ上でバツ印で示される。折れ線４００は、異常データ１２４を示す各点を直線で結んだものである。
【0065】
【0066】
データ対応付け部１２Ａは、対応点探索手法であるＤＴＷ（動的時間伸縮法：Dynamic Time Warping）を用いて正常データ１２３と異常データ１２４とを対応付ける。ＤＴＷは、２つの時系列データ間の対応点を探索し、時系列データ間の距離を求める手法である。
【0067】
ここで、正常データ１２３をＸ＝｛ｘ０，ｘ１，・・・,ｘＮ｝とする。ｘｉ（ｉ＝０～Ｎ）は正常データ１２３のデータ点であり、（Ｎ＋１）は正常データ１２３のデータ点の個数である。
【0068】
また、異常データ１２４をＹ＝｛ｙ０，ｙ１，…,ｙＭ｝とする。ｙｉ（ｉ＝０～Ｍ）は異常データ１２４のデータ点であり、（Ｍ＋１）は異常データ１２４のデータ点の個数である。
【0069】
以下の条件１および条件２を満たすワーピングパスｗ＝｛ｗ（０），…，ｗ（Ｐ）｝の集合をＷとする。
（条件１）ｗ（０）＝（ｘ０，ｙ０），ｗ（Ｐ）＝（ｘＮ，ｙＭ）
（条件２）ｗ（ｋ－１）＝（ｘｉ，ｙｊ）のとき：
（ｉ）ｉ＜Ｎ，ｊ＜Ｍのとき、ｗ（ｋ）は次のいずれかである。
（ｉｉ）ｉ＝Ｎ，ｊ＜Ｍのとき ｗ（ｋ－１）＝（ｘＮ，ｙ（ｊ＋１））
（ｉｉｉ）ｉ＜Ｎ，ｊ＝Ｍのとき ｗ（ｋ－１）＝（ｘ（ｉ＋１），ｙＭ）
（条件１）ｗ（０）＝（ｘ０，ｙ０），ｗ（Ｐ）＝（ｘＮ，ｙＭ）
（条件２）ｗ（ｋ－１）＝（ｘｉ，ｙｊ）のとき：
（ｉ）ｉ＜Ｎ，ｊ＜Ｍのとき、ｗ（ｋ）は次のいずれかである。
【数1】
（ｉｉｉ）ｉ＜Ｎ，ｊ＝Ｍのとき ｗ（ｋ－１）＝（ｘ（ｉ＋１），ｙＭ）
【0070】
このとき、ＤＴＷ距離は以下の式１で定義される。
ここで、δ（ｗ（ｋ））は、ｗ（ｋ）を構成するデータｘｋおよびデータｙｋ間の距離である。
【数2】
【0071】
データ対応付け部１２Ａは、式１で示されるＤＴＷ距離を最小にするワーピングパスｗ＝｛ｗ（０），…，ｗ（Ｐ）｝＝｛（ｘ０，ｙ０），…，（ｘＮ，ｘＭ）｝を求める。データ対応付け部１２Ａは、ＤＴＷ距離が最小のワーピングパスｗを求めることにより、ｗ（ｋ）を正常データ１２３と異常データ１２４との対応付けの結果として決定する。つまり、データ対応付け部１２Ａは、ｗ（ｋ）に示される正常データｘｋと異常データｙｋとを対応付ける。
【0072】
図５を参照して、例えば、直線６００で接続された正常データ１２３および異常データ１２４同士が、データ対応付け部１２Ａによって対応付けられる。
【0073】
中間データ生成部１２Ｂは、データ対応付け部１２Ａによって対応付けられたデータの組ごとに、当該組に基づく補間処理により中間データを生成する。
【0074】
【0075】
中間データ生成部１２Ｂは、データ対応付け部１２Ａによって対応付けられた正常データ１２３および異常データ１２４を接続する直線６００の中点を算出し、算出した中点を中間データ５０１として生成する。折れ線５００は、中間データ５０１を示す各点を直線で結んだものである。
【0076】
例えば、正常データ１２３によって示される加速度がαｘであり、加速度αｘの計測時刻がｔｘであるとする。また、異常データ１２４によって示される加速度がαｙであり、加速度αｙの計測時刻がｔｙであるとする。この場合、中間データ生成部１２Ｂは、以下の式２により中間データ５０１の加速度αＭを算出し、以下の式３により加速度αＭの計測時刻ｔＭを算出する。
αＭ＝（αｘ＋αｙ）／２ …（式２）
ｔＭ＝（ｔｘ＋ｔｙ）／２ …（式３）
αＭ＝（αｘ＋αｙ）／２ …（式２）
ｔＭ＝（ｔｘ＋ｔｙ）／２ …（式３）
【0077】
中間データ生成部１２Ｂは、算出した時系列の加速度αＭを計測時刻ｔＭとともに中間データ１２５として記憶装置１２０に記憶する。その際、中間データ生成部１２Ｂは、加速度αＭに、加速度αＭが正常データ１２３と異常データ１２４の中間的なデータであることを示す中間ラベルを付与して、記憶装置１２０に記憶する。
【0078】
中間データ１２５は、正常動作と異常動作との間の中間的な状態の動作をロボットアーム２００が行った場合の加速度センサ２２１のＹ軸方向の加速度と考えることができる。このため、中間データ１２５は、異常に準じる状態、つまり、ロボットアーム２００が異常の予兆を表す状態において動作を行った場合の加速度センサ２２１のＹ軸方向の加速度と考えることができる。別言すれば、中間データ１２５は、異常データ１２４と比較して異常レベルが低い異常状態を表すデータと考えることができる。ここで、異常レベルとは、異常の程度を表すものとする。例えば、正常データ１２３からの乖離が大きい（例えば、ＤＴＷ距離が大きい）データほど、異常レベルが高い（異常の程度が高い）ものとする。
【0079】
再び図３を参照して、学習モデル生成装置２０は、データ取得部２１と、学習モデル生成部２２とを備える。
データ取得部２１は、記憶装置１２０から正常データ１２３、異常データ１２４および中間データ１２５を読み出すことにより、これらのデータを取得する。
データ取得部２１は、記憶装置１２０から正常データ１２３、異常データ１２４および中間データ１２５を読み出すことにより、これらのデータを取得する。
【0080】
学習モデル生成部２２は、データ取得部２１が取得した正常データ１２３、異常データ１２４および中間データ１２５を教師データとして用いて、入力データを正常クラス、異常クラスおよび中間クラスのいずれかに分類する学習モデル１２６を生成する。
【0081】
学習モデル１２６は、例えば、ＴＳＦ（Time Series Forest）により学習された分類器である。ＴＳＦとは、ランダムフォレスト法により分類を行う教師あり学習手法である。なお、学習モデル１２６は、上記分類器に限定されるものではない。学習モデル１２６は、例えば、ディープラーニングなどの手法により機械学習されたＣＮＮ（Convolutional Neural Network）またはＲＮＮ（Recurrent Neural Network）であってもよいし、ＳＶＭ（Support Vector Machine）であってもよい。また、学習モデル１２６は、ｋ近傍法の機械学習モデルであってもよいし、Ｏｎｅ－ｃｌａｓｓ ＳＶＭであってもよい。
【0082】
学習モデル生成部２２は、分類した時系列の正常データ１２３、異常データ１２４および中間データ１２５の各々を所定の周期ごとに切り分ける。ここで、１周期は、例えば、ロボットアーム２００がホームポジションから動作を開始し、ホームポジションに戻るまでの時間としてもよいし、所定の時間幅としてもよい。学習モデル生成部２２は、時系列の正常データ１２３、異常データ１２４および中間データ１２５の各々について、１周期内から幅と開始時点をランダムに選んだウィンドウを複数個抽出し、各ウィンドウ内のデータ点の統計量（例えば、平均値、標準偏差、勾配（最小２乗法の傾き）、最大値、最小値、データの範囲、尖度、歪度）を求める。学習モデル生成部２２は、これらの統計量を特徴量として複数の決定木を作成し、各決定木から得られるクラス分類結果の多数決を求めるモデルを学習モデル１２６として生成し、生成した学習モデル１２６を記憶装置１２０に記憶する。
【0083】
〔クラス分類装置の機能的構成〕
図７は、クラス分類装置の機能的な構成を示すブロック図である。
クラス分類装置３０は、入力データ取得部３１と、クラス分類部３２とを備える。入力データ取得部３１およびクラス分類部３２は、プロセッサ１３０がクラス分類プログラム１２２を実行することにより機能的に実現される。
図７は、クラス分類装置の機能的な構成を示すブロック図である。
クラス分類装置３０は、入力データ取得部３１と、クラス分類部３２とを備える。入力データ取得部３１およびクラス分類部３２は、プロセッサ１３０がクラス分類プログラム１２２を実行することにより機能的に実現される。
【0084】
入力データ取得部３１は、学習モデル１２６に入力する入力データを取得する。具体的には、入力データ取得部３１は、加速度センサ２２１から、加速度センサ２２１から出力されるＹ軸方向の加速度データを所定の時間間隔で取得する。入力データ取得部３１は、１周期分の加速度データを取得する。ここで、１周期は、例えば、ロボットアーム２００がホームポジションから動作を開始し、ホームポジションに戻るまでの時間としてもよいし、所定の時間幅としてもよい。入力データ取得部３１は、時系列の加速度データから複数個のウィンドウを抽出し、各ウィンドウ内のデータ点の統計量（平均値、標準偏差、勾配（最小２乗法の傾き））を、入力データとして算出することにより、入力データを取得する。
【0085】
クラス分類部３２は、入力データ取得部３１が取得した入力データを、学習モデル１２６に入力することにより、入力データを、正常クラス、異常クラスおよび中間クラスのいずれかに分類する。
【0086】
〔学習モデル生成処理の手順〕
図８は、データ生成装置１０および学習モデル生成装置２０が実行する学習モデル生成処理の一例を示すフローチャートである。
図８は、データ生成装置１０および学習モデル生成装置２０が実行する学習モデル生成処理の一例を示すフローチャートである。
【0087】
データ生成装置１０は、ロボットアーム２００が正常動作を行った際に加速度センサ２２１から出力されるＹ軸方向の時系列の加速度を正常データ１２３として取得する（ステップＳ１１）。データ生成装置１０は、例えば、ロボットアーム２００がホームポジションから動作を開始し、ホームポジションに戻るまでの時間における正常データ１２３を取得する。
【0088】
データ生成装置１０は、ロボットアーム２００が異常動作を行った際に加速度センサ２２１から出力されるＹ軸方向の時系列の加速度を異常データ１２４として取得する（ステップＳ１２）。ここでの異常動作とは、例えば、ロボットアーム２００を制御する制御装置がサイバー攻撃を受けて、制御装置からの指令値が改ざんされた場合におけるロボットアーム２００の動作を指す。データ生成装置１０は、例えば、ロボットアーム２００がホームポジションから動作を開始し、ホームポジションに戻るまでの時間における異常データ１２４を取得する。
【0089】
データ生成装置１０は、ステップＳ１１において取得された正常データ１２３と、ステップＳ１２において取得された異常データ１２４とから、正常データ１２３および異常データ１２４の中間的なデータである中間データ１２５を生成する（ステップＳ１３）。中間データ１２５は、異常動作に準じる動作をロボットアーム２００が行った際の加速度データとも考えられるため、異常データ１２４を第１異常データとし、中間データ１２５を第２異常データとしてもよい。また、異常データ１２４（第１異常データ）が属するクラスを第１異常クラスとし、中間データ１２５（第２異常データ）が属するクラスを第２異常クラスとしてもよい。
【0090】
学習モデル生成装置２０は、ステップＳ１１からステップＳ１３においてそれぞれ取得された正常データ１２３、異常データ１２４および中間データ１２５を教師データとして用いて、入力データを正常クラス、異常クラスおよび中間クラスのいずれかに分類する学習モデル１２６を生成する（ステップＳ１４）。
【0091】
〔異常判定処理の手順〕
図９は、クラス分類装置３０が実行する異常判定処理の一例を示すフローチャートである。
クラス分類装置３０は、ロボットアーム２００の動作時に加速度センサ２２１から出力されるＹ軸方向の時系列の加速度を取得し、学習モデル１２６の入力データを算出することにより、入力データを取得する（ステップＳ２１）。クラス分類装置３０は、例えば、ロボットアーム２００がホームポジションから動作を開始し、ホームポジションに戻るまでの時間における加速度を取得し、上記入力データを算出する。
図９は、クラス分類装置３０が実行する異常判定処理の一例を示すフローチャートである。
クラス分類装置３０は、ロボットアーム２００の動作時に加速度センサ２２１から出力されるＹ軸方向の時系列の加速度を取得し、学習モデル１２６の入力データを算出することにより、入力データを取得する（ステップＳ２１）。クラス分類装置３０は、例えば、ロボットアーム２００がホームポジションから動作を開始し、ホームポジションに戻るまでの時間における加速度を取得し、上記入力データを算出する。
【0092】
クラス分類装置３０は、ステップＳ２１において取得された入力データを学習モデル１２６に入力し、入力データを、正常クラス、異常クラスおよび中間クラスのいずれかに分類する（ステップＳ２２）。入力データが正常クラスに分類された場合には、ロボットアーム２００が正常動作をしていると判断することができる。入力データが異常クラスに分類された場合には、サイバー攻撃によりロボットアーム２００が異常動作をしていると判断することができる。入力データが中間クラスに分類された場合には、ロボットアーム２００が異常動作に準ずる動作をしていると判断することができる。
【0093】
以上説明したように本開示の実施形態によると、正常データ１２３に加えて現実に発生した異常データ１２４を利用して中間データ１２５を生成している。このため、現実的に発生し得る中間データ１２５を生成することができる。これにより、異常データ１２４とは異常レベルの異なる中間データ１２５を生成することができる。
【0094】
また、正常データ１２３および異常データ１２４の中間的なデータである中間データ１２５を生成することができる。これにより、例えば、正常動作および異常動作の中間的な動作に対応したデータを生成することができる。
【0095】
また、データ生成装置１０はＤＴＷを用いて正常データ１２３と異常データ１２４とを対応付けている。このため、正常データ１２３および異常データ１２４の時間長や、正常データ１２３および異常データ１２４に含まれるデータ数が異なる場合でも、各時刻の正常データ１２３および異常データ１２４を正確に対応付けることができる。これにより、現実的に発生し得る中間データ１２５を生成することができる。
【0096】
また、正常データ１２３、異常データ１２４および中間データ１２５を分類することのできる学習モデル１２６を生成することができる。これにより、現実的に発生し得る中間データ１２５を正確に分類することができる。また、複数の異常レベルの異常データを正確に分類することができる。
【0097】
［変形例１］
上述の実施形態では、正常データ１２３および異常データ１２４として、加速度センサ２２１が出力するＹ軸方向の加速度データを用いたが、加速度センサ２２１が出力するＸ軸方向およびＺ軸方向の各々の加速度データについても同様に学習モデル１２６を生成することができる。また、加速度センサ２２２が出力するＸ軸方向、Ｙ軸方向およびＺ軸方向の各々の加速度データについても同様に学習モデル１２６を生成することができる。
上述の実施形態では、正常データ１２３および異常データ１２４として、加速度センサ２２１が出力するＹ軸方向の加速度データを用いたが、加速度センサ２２１が出力するＸ軸方向およびＺ軸方向の各々の加速度データについても同様に学習モデル１２６を生成することができる。また、加速度センサ２２２が出力するＸ軸方向、Ｙ軸方向およびＺ軸方向の各々の加速度データについても同様に学習モデル１２６を生成することができる。
【0098】
また、正常データ１２３および異常データ１２４は、これら複数の加速度データを組み合わせたベクトルデータとしてもよい。例えば、正常データ１２３および異常データ１２４は、加速度センサ２２１が出力する３つの軸方向の加速度データと加速度センサ２２２が出力する３つの軸方向の加速度データとをベクトルの要素とするベクトルデータであってもよい。
【0099】
また、加速度センサ２２１，２２２の代わりに、または、加速度センサ２２１，２２２とともに、ジャイロセンサ、位置センサ、電圧センサ、電流センサ、速度センサ、角度センサ、磁気センサまたは温度センサなどの他のセンサを用いてもよい。この場合、他のセンサの出力するセンサ値（例えば、ジャイロセンサの出力する角速度、位置センサの出力する位置、電圧センサの出力する電圧、電流センサの出力する電流、速度センサの出力する速度、角度センサの出力する角度、磁気センサの出力する磁場、温度センサの出力する温度）を加速度データと同様に取り扱い、学習モデル１２６を生成し、入力されたセンサ値から異常判定を行ってもよい。
【0100】
つまり、正常データ１２３、異常データ１２４および中間データ１２５は、ロボットアーム２００の加速度、角速度、位置、電圧、電流、速度、角度、磁場および温度の少なくとも１つを含んでもよい。
【0101】
本変形例によると、ロボットアーム２００の加速度、角速度、位置、電圧、電流、速度、角度、磁場および温度の少なくとも１つについて、現実的に発生し得る中間データ１２５を生成することができる。
【0102】
［変形例２］
上述の実施形態では、中間データ生成部１２Ｂは、データ対応付け部１２Ａによって対応付けられた正常データ１２３および異常データ１２４を接続する直線６００の中点を中間データ５０１として生成した。中間データ５０１の生成方法はこれに限定されるものではない。
上述の実施形態では、中間データ生成部１２Ｂは、データ対応付け部１２Ａによって対応付けられた正常データ１２３および異常データ１２４を接続する直線６００の中点を中間データ５０１として生成した。中間データ５０１の生成方法はこれに限定されるものではない。
【0103】
例えば、中間データ生成部１２Ｂは、直線６００上で正常データ１２３および異常データ１２４からの距離を１：２に内分する点を中間データ５０１としてもよい。また、内分の比率は１：２に限定されるものではない。
【0104】
さらに、中間データ生成部１２Ｂは、直線６００上で複数の内分点を求め、内分の比率ごとに中間データ５０１を生成してもよい。例えば、中間データ生成部１２Ｂは、正常データ１２３および異常データ１２４からの距離が１：２になるように直線６００を内分する点を第１中間データとして生成する。また、中間データ生成部１２Ｂは、正常データ１２３および異常データ１２４からの距離が２：１になるように直線６００を内分する点を第２中間データとして生成する。ここで、第１中間データが属するクラスを第１中間クラスとし、第２中間データが属するクラスを第２中間クラスとする。この場合、学習モデル生成部２２は、正常データ１２３、異常データ１２４、第１中間データおよび第２中間データを教師データとして用いて、入力データを正常クラス、異常クラス、第１中間クラスおよび第２中間クラスのいずれかに分類する学習モデル１２６を生成する。
【0105】
また、中間データ生成部１２Ｂは、中間データ５０１の代わりに、直線６００を外分する外分データを生成してもよい。例えば、中間データ生成部１２Ｂは、正常データ１２３および異常データ１２４からの距離が３：１になるように直線６００を外分する点を外分データとして生成する。ここで、外分データが属するクラスを外分クラスとする。この場合、学習モデル生成部２２は、正常データ１２３、異常データ１２４および外分データを教師データとして用いて、入力データを正常クラス、異常クラスおよび外分クラスのいずれかに分類する学習モデル１２６を生成する。外分クラスに分類される入力データは、異常クラスに分類される入力データに比べて異常のレベルが高い異常状態を表すデータと考えることができる。
【0106】
なお、中間データ生成部１２Ｂは、中間データ５０１とともに、直線６００を外分する外分データを生成するものであってもよい。この場合、上記と同様に、学習モデル生成部２２は、入力データを正常クラス、異常クラス、中間クラスおよび外分クラスのいずれかに分類する学習モデル１２６を生成する。
【0107】
［変形例３］
上述の実施形態ではデータ対応付け部１２Ａは、ＤＴＷを用いて正常データ１２３と異常データ１２４とを対応付けたが、他の対応点探索手法を用いて正常データ１２３と異常データ１２４とを対応付けてもよい。
上述の実施形態ではデータ対応付け部１２Ａは、ＤＴＷを用いて正常データ１２３と異常データ１２４とを対応付けたが、他の対応点探索手法を用いて正常データ１２３と異常データ１２４とを対応付けてもよい。
【0108】
例えば、ＤＴＷを改良したＤＤＴＷ（Derivative Dynamic Time Warping）を用いて対応付けを行ってもよい。ＤＤＴＷは、ＤＴＷでの対応点探索の際に増加または減少のトレンドを考慮したものである。
【0109】
ここで、正常データ１２３をＸ＝｛ｘ０，ｘ１，…,ｘＮ｝とする。ｘｉ（ｉ＝０～Ｎ）は正常データ１２３のデータ点であり、（Ｎ＋１）は正常データ１２３のデータ点の個数である。
【0110】
また、異常データ１２４をＹ＝｛ｙ０，ｙ１，…,ｙＭ｝とする。ｙｉ（ｉ＝０～Ｍ）は異常データ１２４のデータ点であり、（Ｍ＋１）は異常データ１２４のデータ点の個数である。
【0111】
データ対応付け部１２Ａは、以下の式４に従いｘ´ｉ（ｉ＝１～Ｎ－１）を算出することにより新しい正常データＸ´＝｛ｘ´１，ｘ´２，…,ｘ´Ｎ－１｝を生成する。また、データ対応付け部１２Ａは、以下の式５に従いｙ´ｉ（ｉ＝１～Ｍ－１）を算出することにより新しい異常データＹ´＝｛ｙ´１，ｙ´２，…,ｙ´Ｍ－１｝を生成する。
【数3】
【0112】
データ対応付け部１２Ａは、正常データＸ´および異常データＹ´に対して、ＤＴＷを用いて対応点を探索する。データ対応付け部１２Ａは、ｘ´ｉとｙ´ｉとが対応付けられた場合、元の正常データＸおよび異常データＹにおいてｘｉとｙｉとを対応付ける。なお、本変形例では、左端同士（ｘ０とｙ０）および右端同士（ｘＮとｙＭ）が対応しているものとする。
【0113】
［変形例４］
上述の実施形態ではデータ対応付け部１２Ａは、ＤＴＷを用いて正常データ１２３と異常データ１２４とを対応付けたが、他の対応点探索手法を用いて正常データ１２３と異常データ１２４とを対応付けてもよい。
上述の実施形態ではデータ対応付け部１２Ａは、ＤＴＷを用いて正常データ１２３と異常データ１２４とを対応付けたが、他の対応点探索手法を用いて正常データ１２３と異常データ１２４とを対応付けてもよい。
【0114】
例えば、データ対応付け部１２Ａは、同時刻の正常データ１２３および異常データ１２４を対応付けてもよい。
【0115】
ここで、正常データ１２３をＸ＝｛ｘ０，ｘ１，…,ｘＮ｝とする。ｘｉ（ｉ＝０～Ｎ）は正常データ１２３のデータ点であり、（Ｎ＋１）は正常データ１２３のデータ点の個数である。
【0116】
また、異常データ１２４をＹ＝｛ｙ０，ｙ１，…,ｙＮ｝とする。ｙｉ（ｉ＝０～Ｎ）は異常データ１２４のデータ点であり、（Ｎ＋１）は異常データ１２４のデータ点の個数である。つまり、正常データ１２３のデータ点の個数と異常データ１２４のデータ点の個数とは同じである。
【0117】
ｘｉの計測時刻とｙｉの計測時刻が同じであるとした場合、データ対応付け部１２Ａは、ｘｉとｙｉとを対応付ける（ｉ＝０～Ｎ）。なお、正常データ１２３のデータ点の個数と異常データ１２４のデータ点の個数とは異なる場合は、時間的に最も近い正常データ１２３のデータ点と異常データ１２４のデータ点とを対応付けてもよい。
【0118】
中間データ生成部１２Ｂは、データ対応付け部１２Ａによって対応付けられたデータの組ごとに、当該組に基づく補間処理により中間データを生成する。
【0119】
【0120】
正常データ１２３は、グラフ上で丸印で示される。折れ線３００は、正常データ１２３を示す各点を直線で結んだものである。
【0121】
異常データ１２４は、グラフ上でバツ印で示される。折れ線４００は、異常データ１２４を示す各点を直線で結んだものである。
データ対応付け部１２Ａによって、同時刻の正常データ１２３および異常データ１２４が対応付けられる。つまり、直線６００で接続された正常データ１２３および異常データ１２４同士が、データ対応付け部１２Ａによって対応付けられる。
データ対応付け部１２Ａによって、同時刻の正常データ１２３および異常データ１２４が対応付けられる。つまり、直線６００で接続された正常データ１２３および異常データ１２４同士が、データ対応付け部１２Ａによって対応付けられる。
【0122】
中間データ生成部１２Ｂは、データ対応付け部１２Ａによって対応付けられた正常データ１２３および異常データ１２４を接続する直線６００の中点を算出し、算出した中点を中間データ５０１として生成する。折れ線５００は、中間データ５０１を示す各点を直線で結んだものである。
【0123】
中間データ５０１の生成方法の一例は、式２および式３を用いて説明したとおりである。
【0124】
また、中間データ生成部１２Ｂは、直線６００を他の比率で内分する点を中間データ５０１として生成してもよいし、中間データ５０１の直線６００を外分する外分データを生成してもよい。これらのデータの生成方法については、上述したとおりである。
【0125】
変形例４によると、簡便な方法により各時刻の正常データ１２３と各時刻の異常データ１２４を対応付けることができる。
【0126】
［変形例５］
上述の実施形態では、ロボットアーム２００の異常動作の例として、ロボットアーム２００を制御する制御装置がサイバー攻撃を受けて、制御装置からの指令値が改ざんされた場合におけるロボットアーム２００の動作について説明した。ただし、異常動作の種類はこれに限定されるものではない。例えば、異常動作の種類は、ロボットアーム２００と他の物体との物理的な干渉、ロボットアーム２００の誤操作、ロボットアーム２００の故障などを含む。
上述の実施形態では、ロボットアーム２００の異常動作の例として、ロボットアーム２００を制御する制御装置がサイバー攻撃を受けて、制御装置からの指令値が改ざんされた場合におけるロボットアーム２００の動作について説明した。ただし、異常動作の種類はこれに限定されるものではない。例えば、異常動作の種類は、ロボットアーム２００と他の物体との物理的な干渉、ロボットアーム２００の誤操作、ロボットアーム２００の故障などを含む。
【0127】
データ生成装置１０は、異常動作の種類ごとに異常データ１２４を取得し、異常動作の種類ごとに中間データ１２５を生成する。学習モデル生成装置２０は、正常データ１２３と、複数種類の異常データ１２４と、複数種類の中間データ１２５とを教師データとして用いて、入力データを、正常クラス、複数種類の異常クラスおよび複数種類の中間クラスのうちのいずれか１つのクラスに分類する学習モデル１２６を生成する。
これにより、異常の有無のみならず、異常の種類を判定することができる。
これにより、異常の有無のみならず、異常の種類を判定することができる。
【0128】
［付記］
以上、本開示の実施形態に係る生産システム１について説明したが、本開示は、この実施形態に限定されるものではない。
以上、本開示の実施形態に係る生産システム１について説明したが、本開示は、この実施形態に限定されるものではない。
【0129】
例えば、ロボットアーム２００以外の他の装置（例えば、プラント制御装置またはベルトコンベア）についても本開示は適用可能である。つまり、データ生成装置１０は、他の装置から取得した正常データおよび異常データから中間データを生成する。学習モデル生成装置２０は、正常データ、異常データおよび中間データから学習モデルを生成する。これにより、他の装置から取得した入力データを学習モデルに入力することにより、当該装置が異常動作をしているかを判定することができる。
【0130】
また、上記の各装置を構成する構成要素の一部または全部は、１または複数のシステムＬＳＩ（Large Scale Integration）などの半導体装置から構成されていてもよい。
【0131】
また、上記したコンピュータプログラムを、コンピュータ読取可能な非一時的な記録媒体、例えば、ＨＤＤ、ＣＤ－ＲＯＭ、半導体メモリなどに記録して流通させてもよい。また、コンピュータプログラムを、電気通信回線、無線または有線通信回線、インターネットを代表とするネットワーク、データ放送等を経由して伝送して流通させてもよい。
また、上記各装置は、複数のコンピュータまたは複数のプロセッサにより実現されてもよい。
また、上記各装置は、複数のコンピュータまたは複数のプロセッサにより実現されてもよい。
【0132】
また、上記各装置の一部または全部の機能がクラウドコンピューティングによって提供されてもよい。つまり、各装置の一部または全部の機能がクラウドサーバにより実現されていてもよい。
さらに、上記実施形態および上記変形例の少なくとも一部を任意に組み合わせてもよい。
さらに、上記実施形態および上記変形例の少なくとも一部を任意に組み合わせてもよい。
【0133】
今回開示された実施形態はすべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した意味ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。
【符号の説明】
【0134】
１ 生産システム
２ 学習モデル生成システム
１０ データ生成装置
１１ データ取得部（第１データ取得部）
１２ データ生成部
１２Ａ データ対応付け部
１２Ｂ 中間データ生成部
２０ 学習モデル生成装置
２１ データ取得部（第２データ取得部）
２２ 学習モデル生成部
３０ クラス分類装置
３１ 入力データ取得部
３２ クラス分類部
１００ コンピュータ
１１０ Ｉ／Ｆ部
１２０ 記憶装置
１２１ 学習モデル生成プログラム
１２２ クラス分類プログラム
１２３ 正常データ
１２４ 異常データ
１２５ 中間データ
１２６ 学習モデル
１３０ プロセッサ
１４０ バス
２００ ロボットアーム
２０１ ベース
２０２ ジョイント
２０３ ジョイント
２０４ ジョイント
２１１ リンク
２１２ リンク
２１３ リンク
２１４ エンドエフェクタ
２２１ 加速度センサ
２２２ 加速度センサ
２３１ 第１破線部
２３２ 第２破線部
３００ 折れ線
４００ 折れ線
５００ 折れ線
５０１ 中間データ
６００ 直線
２ 学習モデル生成システム
１０ データ生成装置
１１ データ取得部（第１データ取得部）
１２ データ生成部
１２Ａ データ対応付け部
１２Ｂ 中間データ生成部
２０ 学習モデル生成装置
２１ データ取得部（第２データ取得部）
２２ 学習モデル生成部
３０ クラス分類装置
３１ 入力データ取得部
３２ クラス分類部
１００ コンピュータ
１１０ Ｉ／Ｆ部
１２０ 記憶装置
１２１ 学習モデル生成プログラム
１２２ クラス分類プログラム
１２３ 正常データ
１２４ 異常データ
１２５ 中間データ
１２６ 学習モデル
１３０ プロセッサ
１４０ バス
２００ ロボットアーム
２０１ ベース
２０２ ジョイント
２０３ ジョイント
２０４ ジョイント
２１１ リンク
２１２ リンク
２１３ リンク
２１４ エンドエフェクタ
２２１ 加速度センサ
２２２ 加速度センサ
２３１ 第１破線部
２３２ 第２破線部
３００ 折れ線
４００ 折れ線
５００ 折れ線
５０１ 中間データ
６００ 直線
【図1A】
【図1B】
【図1C】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】