知財求人 - 知財ポータルサイト「IP Force」
特開2025-3752コンピュータプログラム、異常検知方法、異常検知装置、成形機システム及び学習モデル生成方法
(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】P2025003752
(43)【公開日】2025-01-09
(54)【発明の名称】コンピュータプログラム、異常検知方法、異常検知装置、成形機システム及び学習モデル生成方法
(51)【国際特許分類】
G01M 99/00 20110101AFI20241226BHJP
【ＦＩ】
G01M99/00 A
【審査請求】有
【請求項の数】12
【出願形態】ＯＬ
(21)【出願番号】P 2024190962
(22)【出願日】2024-10-30
(62)【分割の表示】P 2021009824の分割
【原出願日】2021-01-25
(71)【出願人】
【識別番号】000004215
【氏名又は名称】株式会社日本製鋼所
(74)【代理人】
【識別番号】100114557
【弁理士】
【氏名又は名称】河野 英仁
(74)【代理人】
【識別番号】100078868
【弁理士】
【氏名又は名称】河野 登夫
(72)【発明者】
【氏名】大下 武諒
(72)【発明者】
【氏名】風呂川 幹央
(72)【発明者】
【氏名】平野 峻之
(57)【要約】
【課題】産業機械の可動部に係る物理量の時系列データを画像で表した時系列データ画像に変換し、当該時系列データ画像に基づいて産業機械の異常を判定することができるコンピュータプログラムを提供する異常検知装置を提供する。
【解決手段】可動部を有する産業機械の異常を検出する処理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であって、可動部の運動に係る物理量を検出するセンサから出力される時系列の物理量データを取得し、取得した時系列の物理量データを画像で表した時系列データ画像に変換し、正常な可動部に係る時系列データ画像の特徴を学習した学習モデルに、変換された時系列データ画像を入力することによって、時系列データ画像の特徴量を算出し、算出された特徴量に基づいて、産業機械の異常の有無を判定する処理をコンピュータに実行させる。
【選択図】図１
【解決手段】可動部を有する産業機械の異常を検出する処理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であって、可動部の運動に係る物理量を検出するセンサから出力される時系列の物理量データを取得し、取得した時系列の物理量データを画像で表した時系列データ画像に変換し、正常な可動部に係る時系列データ画像の特徴を学習した学習モデルに、変換された時系列データ画像を入力することによって、時系列データ画像の特徴量を算出し、算出された特徴量に基づいて、産業機械の異常の有無を判定する処理をコンピュータに実行させる。
【選択図】図１
【特許請求の範囲】
【請求項1】
回転軸を有する成形機の異常を検出する処理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であって、
前記回転軸の運動に係る物理量を検出するセンサから出力される時系列の物理量データであって、少なくとも前記回転軸のトルク及び変位を含む２つの数値それぞれの時間変化を示す時系列データを含む物理量データを取得し、
取得した時系列の前記物理量データに基づいて、交差するＸ軸方向及びＹ軸方向を座標軸として、時系列の各時点における前記２つの数値を描画してなる画像で表した時系列データ画像に変換し、
正常な前記回転軸に係る前記時系列データ画像の特徴を学習した学習モデルに、変換された前記時系列データ画像を入力することによって、前記時系列データ画像の特徴量を算出し、
算出された特徴量に基づいて、前記成形機の異常の有無を判定する
処理を前記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。
前記回転軸の運動に係る物理量を検出するセンサから出力される時系列の物理量データであって、少なくとも前記回転軸のトルク及び変位を含む２つの数値それぞれの時間変化を示す時系列データを含む物理量データを取得し、
取得した時系列の前記物理量データに基づいて、交差するＸ軸方向及びＹ軸方向を座標軸として、時系列の各時点における前記２つの数値を描画してなる画像で表した時系列データ画像に変換し、
正常な前記回転軸に係る前記時系列データ画像の特徴を学習した学習モデルに、変換された前記時系列データ画像を入力することによって、前記時系列データ画像の特徴量を算出し、
算出された特徴量に基づいて、前記成形機の異常の有無を判定する
処理を前記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。
【請求項2】
前記学習モデルは、機械学習により得られたモデルである
請求項１に記載のコンピュータプログラム。
請求項１に記載のコンピュータプログラム。
【請求項3】
前記学習モデルは機械学習により得られた１クラス分類モデルである
請求項１又は請求項２に記載のコンピュータプログラム。
請求項１又は請求項２に記載のコンピュータプログラム。
【請求項4】
前記物理量データは、第１の物理量を示す時系列データと、第２の物理量を示す時系列データとを含み、
前記時系列データ画像は、
前記第１の物理量を描画した第１画像と、前記第２の物理量を描画した第２画像とを一の画像に含む
請求項１から請求項３のいずれか１項に記載のコンピュータプログラム。
前記時系列データ画像は、
前記第１の物理量を描画した第１画像と、前記第２の物理量を描画した第２画像とを一の画像に含む
請求項１から請求項３のいずれか１項に記載のコンピュータプログラム。
【請求項5】
前記第１の物理量及び前記第２の物理量はそれぞれ２つの数値からなる２次元の物理量である
請求項４に記載のコンピュータプログラム。
請求項４に記載のコンピュータプログラム。
【請求項6】
前記時系列データ画像は、
前記第１の物理量を描画した第１画像と、前記第２の物理量を描画した第２画像とを変形することなく一の画像に含む
請求項４又は請求項５に記載のコンピュータプログラム。
前記第１の物理量を描画した第１画像と、前記第２の物理量を描画した第２画像とを変形することなく一の画像に含む
請求項４又は請求項５に記載のコンピュータプログラム。
【請求項7】
前記物理量データは成形機の回転軸の回転速度、又は回転加速度を示す時系列データを含む
請求項１から請求項６のいずれか１項に記載のコンピュータプログラム。
請求項１から請求項６のいずれか１項に記載のコンピュータプログラム。
【請求項8】
前記回転軸は前記成形機のスクリュである
請求項１から請求項７のいずれか１項に記載のコンピュータプログラム。
請求項１から請求項７のいずれか１項に記載のコンピュータプログラム。
【請求項9】
前記回転軸は二軸混練押出機の第１スクリュ及び第２スクリュであり、前記物理量データは、第１スクリュの回転中心軸に交差する第１軸方向及び第２軸方向の変位を示す時系列データと、第１スクリュ及び第２スクリュのトルクを示す時系列データを含み、
前記時系列データ画像は、
交差する第１軸方向及び第２軸方向を座標軸として第１スクリュの変位を描画した第１画像と、交差する第３軸方向及び第４軸方向を座標軸として第１スクリュ及び第２スクリュのトルクを描画した第２画像とを一の画像に含む
請求項１から請求項３のいずれか１項に記載のコンピュータプログラム。
前記時系列データ画像は、
交差する第１軸方向及び第２軸方向を座標軸として第１スクリュの変位を描画した第１画像と、交差する第３軸方向及び第４軸方向を座標軸として第１スクリュ及び第２スクリュのトルクを描画した第２画像とを一の画像に含む
請求項１から請求項３のいずれか１項に記載のコンピュータプログラム。
【請求項10】
回転軸を有する成形機の異常を検出する異常検知方法であって、
前記回転軸の運動に係る物理量を検出するセンサから出力される時系列の物理量データであって、少なくとも前記回転軸のトルク及び変位を含む２つの数値それぞれの時間変化を示す時系列データを含む物理量データを取得し、
取得した時系列の前記物理量データに基づいて、交差するＸ軸方向及びＹ軸方向を座標軸として、時系列の各時点における前記２つの数値を描画してなる画像で表した時系列データ画像に変換し、
正常な前記回転軸に係る前記時系列データ画像の特徴を学習した学習モデルに、変換された前記時系列データ画像を入力することによって、前記時系列データ画像の特徴量を算出し、
算出された特徴量に基づいて、前記成形機の異常の有無を判定する
異常検知方法。
前記回転軸の運動に係る物理量を検出するセンサから出力される時系列の物理量データであって、少なくとも前記回転軸のトルク及び変位を含む２つの数値それぞれの時間変化を示す時系列データを含む物理量データを取得し、
取得した時系列の前記物理量データに基づいて、交差するＸ軸方向及びＹ軸方向を座標軸として、時系列の各時点における前記２つの数値を描画してなる画像で表した時系列データ画像に変換し、
正常な前記回転軸に係る前記時系列データ画像の特徴を学習した学習モデルに、変換された前記時系列データ画像を入力することによって、前記時系列データ画像の特徴量を算出し、
算出された特徴量に基づいて、前記成形機の異常の有無を判定する
異常検知方法。
【請求項11】
回転軸を有する成形機の異常を検出する異常検知装置であって、
前記回転軸の運動に係る物理量を検出するセンサと、
該センサから出力される時系列の物理量データであって、少なくとも前記回転軸のトルク及び変位を含む２つの数値それぞれの時間変化を示す時系列データを含む物理量データを取得する取得部と、
該取得部にて取得した時系列の前記物理量データに基づいて、交差するＸ軸方向及びＹ軸方向を座標軸として、時系列の各時点における前記２つの数値を描画してなる画像で表した時系列データ画像に変換する変換部と、
正常な前記回転軸に係る前記時系列データ画像の特徴を学習した学習モデルに、変換された前記時系列データ画像を入力することによって、前記時系列データ画像の特徴量を算出する算出部と、
該算出部にて算出された特徴量に基づいて、前記成形機の異常の有無を判定する判定部と
を備える異常検知装置。
前記回転軸の運動に係る物理量を検出するセンサと、
該センサから出力される時系列の物理量データであって、少なくとも前記回転軸のトルク及び変位を含む２つの数値それぞれの時間変化を示す時系列データを含む物理量データを取得する取得部と、
該取得部にて取得した時系列の前記物理量データに基づいて、交差するＸ軸方向及びＹ軸方向を座標軸として、時系列の各時点における前記２つの数値を描画してなる画像で表した時系列データ画像に変換する変換部と、
正常な前記回転軸に係る前記時系列データ画像の特徴を学習した学習モデルに、変換された前記時系列データ画像を入力することによって、前記時系列データ画像の特徴量を算出する算出部と、
該算出部にて算出された特徴量に基づいて、前記成形機の異常の有無を判定する判定部と
を備える異常検知装置。
【請求項12】
請求項１１に記載の異常検知装置と、
成形機と
を備え、
前記異常検知装置は、前記成形機の異常を検出するようにしてある
成形機システム。
成形機と
を備え、
前記異常検知装置は、前記成形機の異常を検出するようにしてある
成形機システム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、可動部を有する産業機械の異常を検知するコンピュータプログラム、異常検知方法、異常検知装置、成形機システム及び学習モデル生成方法に関する。
【背景技術】
【0002】
特許文献１には、射出成形機の各可動部の振動を加速度センサにより監視し、成形工程の状態及び可動部の異常発生を検知する監視方法が開示されている。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開平５－５０４８０号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
しかしながら、特許文献１には、加速度データのような時系列データの具体的な解析方法及び異常検知方法は開示されていない。可動部の振動波形は複雑であり射出成形機の異常を判定することは必ずしも容易ではない。
【0005】
本開示の目的は、産業機械の可動部に係る物理量の時系列データを画像で表した時系列データ画像に変換し、当該時系列データ画像に基づいて産業機械の異常を判定することができるコンピュータプログラム、異常検知方法、異常検知装置、成形機システム及び学習モデル生成方法を提供することにある。
【課題を解決するための手段】
【0006】
本開示に係るコンピュータプログラムは、可動部を有する産業機械の異常を検出する処理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であって、前記可動部の運動に係る物理量を検出するセンサから出力される時系列の物理量データを取得し、取得した時系列の前記物理量データを画像で表した時系列データ画像に変換し、正常な前記可動部に係る前記時系列データ画像の特徴を学習した学習モデルに、変換された前記時系列データ画像を入力することによって、前記時系列データ画像の特徴量を算出し、算出された特徴量に基づいて、前記産業機械の異常の有無を判定する処理を前記コンピュータに実行させる。
【0007】
本開示に係る異常検知方法は、可動部を有する産業機械の異常を検出する異常検知方法であって、前記可動部の運動に係る物理量を検出するセンサから出力される時系列の物理量データを取得し、取得した時系列の前記物理量データを画像で表した時系列データ画像に変換し、正常な前記可動部に係る前記時系列データ画像の特徴を学習した学習モデルに、変換された前記時系列データ画像を入力することによって、前記時系列データ画像の特徴量を算出し、算出された特徴量に基づいて、前記産業機械の異常の有無を判定する。
【0008】
本開示に係る異常検知装置は、前記異常検知装置と、成形機とを備え、前記異常検知装置は、前記成形機の異常を検出するようにしてある。
【0009】
本開示に係る異常検知装置は、可動部を有する産業機械の異常を検出する異常検知装置であって、前記可動部の運動に係る物理量を検出するセンサと、該センサから出力される時系列の物理量データを取得する取得部と、該取得部にて取得した時系列の前記物理量データを画像で表した時系列データ画像に変換する変換部と、正常な前記可動部に係る前記時系列データ画像の特徴を学習した学習モデルに、変換された前記時系列データ画像を入力することによって、前記時系列データ画像の特徴量を算出する算出部と、該算出部にて算出された特徴量に基づいて、前記産業機械の異常の有無を判定する判定部とを備える。
【0010】
本開示に係る学習モデル生成方法は、第１スクリュ及び第２スクリュを有する二軸混練押出機の異常を検知するための学習モデルの生成方法であって、正常動作時の前記二軸混練押出機の第１スクリュの回転中心軸に交差する第１軸方向及び第２軸方向の変位を示す時系列データと、正常動作時の前記二軸混練押出機の第２スクリュの回転中心軸に交差する第３軸方向及び第４軸方向の変位を示す時系列データとに基づいて、第１スクリュの回転中心軸に交差する第１軸方向及び第２軸方向の変位を描画した第１画像と、第２スクリュの回転中心軸に交差する第３軸方向及び第４軸方向の変位を描画した第２画像とを一の画像に含む複数の時系列データ画像を生成し、生成した前記複数の時系列データ画像と、任意の特徴を有する複数の参考画像とを含む学習用データセットに基づいて、第１スクリュ及び第２スクリュの回転中心軸の変位を描画した第１画像及び第２画像を含む時系列データ画像が入力された場合に前記二軸混練押出機の正常動作及び異常動作に応じた特徴量を出力する学習モデルを生成する処理をコンピュータが実行する。
【発明の効果】
【0011】
本開示によれば、産業機械の可動部に係る物理量の時系列データを画像で表した時系列データ画像に変換し、当該時系列データ画像に基づいて産業機械の異常を判定することができる。
【図面の簡単な説明】
【0012】
【図1】本実施形態に係る成形機システムの構成例を示すブロック図である。
【図2】本実施形態に係る二軸混練押出機の構成例を示す模式図である。
【図3】変位センサの取り付け位置を示す模式図である。
【図4】本実施形態に係る異常検知装置の構成例を示すブロック図である。
【図5】本実施形態に係る異常検知処理手順を示すフローチャートである。
【図6】第１スクリュの変位を示す第１時系列データ画像である。
【図7】第１及び第２スクリュの変位を示す時系列データ画像である。
【図8】時系列データ画像の特徴量及び異常検知結果を示す概念図である。
【図9】学習モデルの生成方法の概要を示す概念図である。
【図10】学習フェーズにおける学習モデルを示す概念図である。
【図11】テストフェーズにおける学習モデルを示す概念図である。
【図12】時系列データ画像の特徴量を示す散布図である。
【図13】学習モデルを用いた異常検知の評価結果を示す図表である。
【発明を実施するための形態】
【0013】
本発明の実施形態に係るコンピュータプログラム、異常検知方法、異常検知装置、成形機システム及び学習モデル生成方法の具体例を、以下に図面を参照しつつ説明する。なお、本発明はこれらの例示に限定されるものではなく、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及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。また、以下に記載する実施形態及び変形例の少なくとも一部を任意に組み合わせてもよい。
【0014】
図１は本実施形態に係る成形機システムの構成例を示すブロック図である。成形機システムは、二軸混練押出機１と、変位センサ２と、異常検知装置３とを備える。
【0015】
＜二軸混練押出機１＞
図２は本実施形態に係る二軸混練押出機１の構成例を示す模式図である。二軸混練押出機１は、樹脂原料が投入されるホッパ１０ａを有するシリンダ１０と、第１スクリュ１１と、第２スクリュ１２とを備える。第１及び第２スクリュ１１，１２は、相互に噛み合わされた状態で略平行に配され、シリンダ１０の孔内に回転可能に挿入されており、ホッパ１０ａに投入された樹脂原料を押出方向（図２中右方向）へ搬送し、溶融及び混練する。
第１スクリュ１１は、複数種類のスクリュピースを組み合わせ、一体化することによって一本のスクリュとして構成されている。例えば、樹脂原料を順方向へ輸送するフライトスクリュ形状の順フライトピース、樹脂原料を逆方向へ輸送する逆フライトピース、樹脂原料を混練するニーディングピース等を、樹脂原料の特性に応じた順序及び位置に配して組み合わせることにより、第１スクリュ１１が構成される。第２スクリュ１２の構成も第１スクリュ１１と同様である。
図２は本実施形態に係る二軸混練押出機１の構成例を示す模式図である。二軸混練押出機１は、樹脂原料が投入されるホッパ１０ａを有するシリンダ１０と、第１スクリュ１１と、第２スクリュ１２とを備える。第１及び第２スクリュ１１，１２は、相互に噛み合わされた状態で略平行に配され、シリンダ１０の孔内に回転可能に挿入されており、ホッパ１０ａに投入された樹脂原料を押出方向（図２中右方向）へ搬送し、溶融及び混練する。
第１スクリュ１１は、複数種類のスクリュピースを組み合わせ、一体化することによって一本のスクリュとして構成されている。例えば、樹脂原料を順方向へ輸送するフライトスクリュ形状の順フライトピース、樹脂原料を逆方向へ輸送する逆フライトピース、樹脂原料を混練するニーディングピース等を、樹脂原料の特性に応じた順序及び位置に配して組み合わせることにより、第１スクリュ１１が構成される。第２スクリュ１２の構成も第１スクリュ１１と同様である。
【0016】
また、二軸混練押出機１は、第１及び第２スクリュ１１，１２を回転させるための駆動力を出力するモータ１３と、モータ１３の駆動力を減速伝達する減速機１４とを備える。第１及び第２スクリュ１１，１２の駆動軸１１ａ，１２ａは減速機１４の出力軸に接続されている。第１及び第２スクリュ１１，１２は、減速機１４によって減速伝達されたモータ１３の駆動力によって回転する。
【0017】
＜変位センサ２＞
変位センサ２は、回転する第１及び第２スクリュ１１，１２の回転中心軸の変位を検出するセンサである。変位センサ２は、好適には、減速機１４と、シリンダ１０との間の適宜箇所、具体的には、第１及び第２スクリュ１１，１２の駆動軸１１ａ，１２ａの近傍に配するとよい。
第１及び第２スクリュ１１，１２は、産業機械が有する可動部の一例である。より具体的には、第１及び第２スクリュ１１，１２は、産業機械の一例である二軸混練押出機１が有する回転軸の一例である。
変位センサ２は、回転する第１及び第２スクリュ１１，１２の回転中心軸の変位を検出するセンサである。変位センサ２は、好適には、減速機１４と、シリンダ１０との間の適宜箇所、具体的には、第１及び第２スクリュ１１，１２の駆動軸１１ａ，１２ａの近傍に配するとよい。
第１及び第２スクリュ１１，１２は、産業機械が有する可動部の一例である。より具体的には、第１及び第２スクリュ１１，１２は、産業機械の一例である二軸混練押出機１が有する回転軸の一例である。
【0018】
図３は、変位センサ２の取り付け位置を示す模式図である。変位センサ２は、第１スクリュ１１の回転中心軸に直交するＸ軸方向（第１方向）の変位を検出する第１変位センサ２１と、第１スクリュ１１の回転中心軸及び当該Ｘ軸に直交するＹ方向（第２軸方向）の変位を検出する第２変位センサ２２とを備える。第１変位センサ２１及び第２変位センサ２２は、第１スクリュ１１の駆動軸１１ａに対向するように配されている。Ｘ軸方向及びＹ軸方向は、例えば第１スクリュ１１の回転中心軸に直交する水平方向及び鉛直方向である。
また、変位センサ２は、第２スクリュ１２の回転中心軸に直交するＸ軸方向（第３方向）の変位を検出する第３変位センサ２３と、第２スクリュ１２の回転中心軸及び当該Ｘ軸に直交するＹ方向（第４軸方向）の変位を検出する第４変位センサ２４とを備える。第３変位センサ２３及び第４変位センサ２４は、第２スクリュ１２の駆動軸１２ａに対向するように配されている。Ｘ軸方向及びＹ軸方向は、例えば第２スクリュ１２の回転中心軸に直交する水平方向及び鉛直方向である。
第１～４変位センサ２１，２２，２３，２４は、回転する第１及び第２スクリュ１１，１２の回転中心軸の変位を常時検出し、検出された変位を示す時系列の変位データ（物理量データ）を異常検知装置３へ出力する。以下、第１～４変位センサ２１，２２，２３，２４を総称して適宜、変位センサ２と呼ぶ。
なお、第１及び第２変位センサ２１，２２が出力する変位データは、本開示に係る第１の物理量を示す時系列データに対応し、当該変位データは２つの数値からなる２次元の物理量である。第３及び第４変位センサ２３，２４が出力する変位データは、本開示に係る第２の物理量を示す時系列データに対応し、当該変位データは２つの数値からなる２次元の物理量である。
また、変位センサ２は、第２スクリュ１２の回転中心軸に直交するＸ軸方向（第３方向）の変位を検出する第３変位センサ２３と、第２スクリュ１２の回転中心軸及び当該Ｘ軸に直交するＹ方向（第４軸方向）の変位を検出する第４変位センサ２４とを備える。第３変位センサ２３及び第４変位センサ２４は、第２スクリュ１２の駆動軸１２ａに対向するように配されている。Ｘ軸方向及びＹ軸方向は、例えば第２スクリュ１２の回転中心軸に直交する水平方向及び鉛直方向である。
第１～４変位センサ２１，２２，２３，２４は、回転する第１及び第２スクリュ１１，１２の回転中心軸の変位を常時検出し、検出された変位を示す時系列の変位データ（物理量データ）を異常検知装置３へ出力する。以下、第１～４変位センサ２１，２２，２３，２４を総称して適宜、変位センサ２と呼ぶ。
なお、第１及び第２変位センサ２１，２２が出力する変位データは、本開示に係る第１の物理量を示す時系列データに対応し、当該変位データは２つの数値からなる２次元の物理量である。第３及び第４変位センサ２３，２４が出力する変位データは、本開示に係る第２の物理量を示す時系列データに対応し、当該変位データは２つの数値からなる２次元の物理量である。
【0019】
＜異常検知装置３＞
図４は、本実施形態に係る異常検知装置３の構成例を示すブロック図である。異常検知装置３は、コンピュータであり、処理部３１、記憶部３２、入力インタフェース３３（入力Ｉ／Ｆ）及び出力インタフェース３４（出力Ｉ／Ｆ）を備える。記憶部３２、入力インタフェース３３及び出力インタフェース３４は処理部３１に接続されている。
図４は、本実施形態に係る異常検知装置３の構成例を示すブロック図である。異常検知装置３は、コンピュータであり、処理部３１、記憶部３２、入力インタフェース３３（入力Ｉ／Ｆ）及び出力インタフェース３４（出力Ｉ／Ｆ）を備える。記憶部３２、入力インタフェース３３及び出力インタフェース３４は処理部３１に接続されている。
【0020】
処理部３１は、ＣＰＵ（Central Processing Unit）、マルチコアＣＰＵ、ＧＰＵ（Graphics Processing Unit）、ＧＰＧＰＵ（General-purpose computing on graphics processing units）、ＴＰＵ（Tensor Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）、ＮＰＵ（Neural Processing Unit）等の演算処理回路、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等の内部記憶装置、Ｉ／Ｏ端子等を有する。処理部３１は、後述の記憶部３２が記憶するコンピュータプログラムＰを実行することにより、本実施形態に係る異常検知装置３として機能する。なお、異常検知装置３の各機能部は、ソフトウェア的に実現してもよいし、一部又は全部をハードウェア的に実現してもよい。
【0021】
記憶部３２は、ハードディスク、ＥＥＰＲＯＭ（Electrically Erasable Programmable
ROM）、フラッシュメモリ等の不揮発性メモリである。記憶部３２は、本実施形態に係る異常検知方法をコンピュータに実施させるためのコンピュータプログラムＰと、学習モデル３５とを記憶している。学習モデル３５は、第１及び第２スクリュ１１，１２の変位を検出して得られる時系列データを画像で表した後述の時系列データ画像が入力された場合、当該時系列データ画像の特徴を抽出し、抽出された特徴量を出力する畳み込みニューラルネットワークモデルである。学習モデル３５は、ＣＮＮ（Convolutional Neural Network）の特徴抽出層を有するモデル、例えば１クラス分類モデルである。学習モデル３５の生成方法及び構成の詳細は後述する。
ROM）、フラッシュメモリ等の不揮発性メモリである。記憶部３２は、本実施形態に係る異常検知方法をコンピュータに実施させるためのコンピュータプログラムＰと、学習モデル３５とを記憶している。学習モデル３５は、第１及び第２スクリュ１１，１２の変位を検出して得られる時系列データを画像で表した後述の時系列データ画像が入力された場合、当該時系列データ画像の特徴を抽出し、抽出された特徴量を出力する畳み込みニューラルネットワークモデルである。学習モデル３５は、ＣＮＮ（Convolutional Neural Network）の特徴抽出層を有するモデル、例えば１クラス分類モデルである。学習モデル３５の生成方法及び構成の詳細は後述する。
【0022】
本実施形態に係るコンピュータプログラムＰ及び学習モデル３５は、記録媒体４にコンピュータ読み取り可能に記録されている態様でもよい。記憶部３２は、図示しない読出装置によって記録媒体４から読み出されたコンピュータプログラムＰ及び学習モデル３５を記憶する。記録媒体４はフラッシュメモリ等の半導体メモリである。また、記録媒体４はＣＤ（Compact Disc）－ＲＯＭ、ＤＶＤ（Digital Versatile Disc）－ＲＯＭ、ＢＤ（Blu-ray(登録商標)Disc）等の光ディスクでもよい。更に、記録媒体４は、フレキシブルディスク、ハードディスク等の磁気ディスク、磁気光ディスク等であってもよい。更にまた、図示しない通信網に接続されている図示しない外部サーバから本実施形態に係るコンピュータプログラムＰ及び学習モデル３５をダウンロードし、記憶部３２に記憶させてもよい。
【0023】
入力インタフェース３３には、第１～４変位センサ２１，２２，２３，２４が接続されており、第１～４変位センサ２１，２２，２３，２４から出力された時系列データである変位データが入力される。
【0024】
出力インタフェース３４には表示部３ａが接続されている。表示部３ａは、二軸混練押出機１の異常の有無等を表示する。
【0025】
＜異常検知処理＞
図５は、本実施形態に係る異常検知処理手順を示すフローチャートである。処理部３１は、変位センサ２から出力される時系列の変位データを取得する（ステップＳ１１）。処理部３１は、好ましくは第１及び第２スクリュ１１，１２が複数回、回転する時間にわたって変位データを取得するとよい。
図５は、本実施形態に係る異常検知処理手順を示すフローチャートである。処理部３１は、変位センサ２から出力される時系列の変位データを取得する（ステップＳ１１）。処理部３１は、好ましくは第１及び第２スクリュ１１，１２が複数回、回転する時間にわたって変位データを取得するとよい。
【0026】
次いで、処理部３１は、取得した変位データを、第１及び第２スクリュ１１，１２の回転中心軸の変位それぞれを画像で表した第１時系列データ画像（第１画像）及び第２時系列データ画像（第２画像）に変換する（ステップＳ１２）。
【0027】
図６は、第１スクリュ１１の変位を示す第１時系列データ画像である。第１時系列データ画像は略正方形の画像であり、当該画像のＸ軸及びＹ軸は、それぞれ図４に示すＸ軸方向（第１軸方向）及びＹ軸方向（第２軸方向）に対応し、Ｘ軸方向及びＹ軸方向の変位量が、Ｘ軸及びＹ軸の座標値として、プロットされる。第１時系列データ画像は、３回転分の変位をプロットしたものである。
【0028】
第２スクリュ１２の変位を示す第２時系列データ画像も、第１時系列データ画像同様、略正方形の画像であり、当該画像のＸ軸及びＹ軸は、それぞれ図４同様、Ｘ軸方向（第３軸方向）及びＹ軸方向（第４軸方向）に対応し、Ｘ軸方向及びＹ軸方向の変位量が、Ｘ軸及びＹ軸の座標値として、プロットされている。
【0029】
次いで、処理部３１は、第１時系列データ画像と、第２時系列データ画像とを１枚の時系列データ画像に合成する（ステップＳ１３）。
【0030】
図７は、第１及び第２スクリュ１１，１２の変位を示す時系列データ画像である。合成された時系列データ画像は、第１時系列データ画像の２倍の大きさ（面積は４倍）を有する略正方形の画像である。時系列データ画像は、第１及び第２時系列データ画像の縦横比を変更することなく、元の画像が有する情報をそのまま包含する。具体的には、時系列データ画像は、図７中上側左右に並べ配した第１及び第２時系列データ画像と、時系列データ画像を略正方形にするために下側に配したブランク画像とを有する。なお、第１及び第２時系列データ画像及びブランク画像の配置方法は特に限定されるものではなく、第１及び第２時系列データ画像をそのまま含む限り、その配置方法は特に限定されるものではない。
【0031】
次いで、処理部３１は、ステップＳ１３で合成した時系列データ画像を学習モデル３５に入力することによって、時系列データ画像の特徴量を算出する（ステップＳ１４）。特徴量は、例えば複数次元のベクトル量、例えば数百～千程度の数値で表される。
【0032】
そして、処理部３１は、ステップＳ１４で算出した時系列データ画像の特徴量の外れ値スコアを算出する（ステップＳ１５）。外れ値スコアは、正常な二軸混練押出機１の動作時に得られた時系列データ画像の特徴量（以下、サンプル特徴量と呼ぶ）に対する、ステップＳ１４で算出された時系列データ画像の特徴量の外れ値の度合いを評価して数値化したものである。外れ値スコアは、例えばＬＯＦ（Local Outlier Factor）である。ＬＯＦは、異常検知対象である特徴量の局所密度ｌｄ（Ｐ）と、当該特徴量の近傍群（当該特徴量に対する最近傍のｋ個のサンプル特徴量）の局所密度平均＜ｌｄ（Ｑ）＞との比＜ｌｄ（Ｑ）＞／ｌｄ（Ｐ）で表すことができる。ＬＯＦが１より大きい程、外れ値としての度合いが大きくなる。なお、Ｐは異常検知対象である特徴量を示し、Ｑは上記サンプル特徴量を示している。
【0033】
そして、処理部３１は、算出した外れ値スコアが所定の閾値以上であるか否かを判定することによって、二軸混練押出機１ないし第１及び第２スクリュ１１，１２が正常であるか否かを判定する（ステップＳ１６）。外れ値スコアが上記のＬＯＦである場合、閾値は１以上の値である。ＬＯＦが閾値以上である場合、処理部３１は異常ありと判定し、ＬＯＦが閾値未満である場合、正常と判定する。
【0034】
なお、上述したＬＯＦを用いた異常判定は一例でありｋ近傍法、ＳＶＭにより二軸混練押出機１が異常であるか否かを判定してもよい。また、ホテリング法により、異常検知対象の特徴量が、正常時のサンプル特徴量からかけ離れたものであるか否かを判定することにより、二軸混練押出機１が異常であるか否かを判定するように構成してもよい。
【0035】
図８は、時系列データ画像の特徴量及び異常検知結果を示す概念図である。図８は、時系列データ画像の高次元の特徴量を２次元の特徴量に次元削減して２次元平面にプロットしたものである。図８の横軸及び縦軸は、次元削減された時系列データ画像の第１特徴量及び第２特徴量を示している。なお、特徴量の次元圧縮は、例えばｔ－ＳＮＥ等の次元削減アルゴリズムによって行うことができる。
図８に示すように学習モデル３５は、当該学習モデル３５から出力される正常時の特徴量の局所密度が高くなるように学習されている。
破線の円は閾値のイメージを示したものである。異常検知対象である時系列データ画像の特徴量（例えば、星型六角形プロット）と、正常時の時系列データ画像の特徴量群との統計距離が短く（局所密度が相対的に高く）、ＬＯＦ値が小さい場合、二軸混練押出機１は正常な状態であると推定される。異常検知対象である時系列データ画像の特徴量（例えば、Ｘ印プロット）と、正常時の時系列データ画像の特徴量群との統計距離が長く（局所密度が相対的に低く）、ＬＯＦ値が大きい場合、二軸混練押出機１は異常な状態であると推定される。
図８に示すように学習モデル３５は、当該学習モデル３５から出力される正常時の特徴量の局所密度が高くなるように学習されている。
破線の円は閾値のイメージを示したものである。異常検知対象である時系列データ画像の特徴量（例えば、星型六角形プロット）と、正常時の時系列データ画像の特徴量群との統計距離が短く（局所密度が相対的に高く）、ＬＯＦ値が小さい場合、二軸混練押出機１は正常な状態であると推定される。異常検知対象である時系列データ画像の特徴量（例えば、Ｘ印プロット）と、正常時の時系列データ画像の特徴量群との統計距離が長く（局所密度が相対的に低く）、ＬＯＦ値が大きい場合、二軸混練押出機１は異常な状態であると推定される。
【0036】
二軸混練押出機１が正常であると判定した場合（ステップＳ１６：ＹＥＳ）、処理部３１は処理を終える。二軸混練押出機１が異常であると判定した場合（ステップＳ１６：ＮＯ）、処理部３１は、二軸混練押出機１に異常がある旨の警告を出力し（ステップＳ１７）、処理を終える。例えば、処理部３１は、二軸混練押出機１に異常があることを報知するための警告画面を表示部３ａに表示させる。また、処理部３１は、図８に示すように、評価対象である現在の時系列データ画像の特徴量と、正常時の時系列データの特徴量とを表した画像を表示部３ａに表示させるように構成してもよい。具体的には、処理部３１は、高次元の各特徴量を、ｔ－ＳＮＥ等の任意の次元削減アルゴリズムによって２次元に削減し、２次元で表現された各特徴量を２次元グラフにプロットすることにより、特徴量を表した画像を生成することができる。そして、処理部３１は、当該画像のデータを表示部３ａへ出力することにより、表示部３ａに評価対象である現在の時系列データ画像の特徴量と、正常時の時系列データの特徴量とを表した画像を表示させることができる。
【0037】
＜学習モデル生成方法＞
図９は学習モデル３５の生成方法の概要を示す概念図である。以下、異常検知装置３の処理部３１が学習モデル３５を機械学習させる例を説明する。
図９は学習モデル３５の生成方法の概要を示す概念図である。以下、異常検知装置３の処理部３１が学習モデル３５を機械学習させる例を説明する。
【0038】
まず１クラス分類モデルを生成するために必要な学習用データセットとして、二軸混練押出機１が正常に動作しているときに検出して得られた複数の時系列データ画像と、時系列データ画像と無関係な任意の複数の参考画像Ｒ０，Ｒ１，Ｒ２とを用意する。参考画像Ｒ０，Ｒ１，Ｒ２は、例えばＩｍａｇｅ Ｎｅｔ等の学習用データセットから選択した複数クラスの画像データである。図９に示す例では、ラベル０、ラベル１、ラベル２が付された参考画像Ｒ０，Ｒ１，Ｒ２が用意されている。
【0039】
そして、画像の特徴を抽出する複数の畳み込み層及びプーリング層からなる特徴抽出層を有する学習モデル３５に、正常動作時の時系列データ画像と、参考画像Ｒ０，Ｒ１，Ｒ２とを機械学習させる。具体的には処理部３１は、各画像の特徴を判別することが可能な特徴量、つまり、図９右図に示すように時系列データ画像の特徴量の局所密度が高く、しかも参考画像Ｒ０，Ｒ１，Ｒ２の特徴量との識別性が高くなるような特徴量を出力するように、学習モデル３５を学習させる。
以下、１クラス分類モデルの生成方法の詳細を説明する。
以下、１クラス分類モデルの生成方法の詳細を説明する。
【0040】
図１０は学習フェーズにおける学習モデル３５を示す概念図である。まず、第１のニューラルネットワーク（リファレンスネットワーク）３５ａと、第２のニューラルネットワーク（セカンダリネットワーク）３５ａとを用意する。
【0041】
第１のニューラルネットワーク３５ａは、入力層、特徴抽出層及び分類層を有するＣＮＮである。特徴抽出層は、複数の畳み込み層及びプーリング層の繰り返し構造を有する。分類層は、例えば一又は複数層の全結合層を有する。第１のニューラルネットワーク３５ａは、例えばＩｍａｇｅ Ｎｅｔ等の学習用データセットを用いて予備学習されている。
第２のニューラルネットワーク３５ａは第１のニューラルネットワーク３５ａと同じネットワーク構成であり、特徴抽出層及び分類層を特徴付ける各種パラメータ（重み係数）も同じである。以下、第１及び第２のニューラルネットワーク３５ａ，３５ａの学習フェーズにおいて、特徴抽出層及び分類層の各種パラメータは同じ値を共有する。
第２のニューラルネットワーク３５ａは第１のニューラルネットワーク３５ａと同じネットワーク構成であり、特徴抽出層及び分類層を特徴付ける各種パラメータ（重み係数）も同じである。以下、第１及び第２のニューラルネットワーク３５ａ，３５ａの学習フェーズにおいて、特徴抽出層及び分類層の各種パラメータは同じ値を共有する。
【0042】
そして、処理部３１は、第１のニューラルネットワーク３５ａに参考画像Ｒ０を入力し、損失関数である記述的ロス（descriptiveness loss）を算出する。一方で、処理部３１は、第２のニューラルネットワーク３５ａに正常時の時系列データ画像を入力し、損失関数であるコンパクトロス（compactness loss）を算出する。記述的ロスは、分類器の学習で一般的に使用される損失関数であり、例えば交差エントロピー誤差である。コンパクトロスは下記式（１）、（２）、（３）で表される。コンパクトロスは、バッチ内、つまり学習用データセットにおける第２のニューラルネットワーク３５ａの出力の分散に相当するような値である。
【0043】
【数1】
【0044】
そして、処理部３１は記述的ロスと、コンパクトロスに基づくトータルロスを算出する。トータルロスは、例えば下記式（４）で表される。
【0045】
【数2】
【0046】
処理部３１は、上記（４）で表されるトータルロスが小さくなるように誤差逆伝播法等を用いて第１及び第２のニューラルネットワーク３５ａ，３５ａの各種パラメータの最適化を行うことにより、第１及び第２のニューラルネットワーク３５ａ，３５ａを学習させる。なお、機械学習させる際、前段の各種パラメータを固定し、後段の複数層のパラメータを調整するとよい。
【0047】
このようにして学習された第１及び第２のニューラルネットワーク３５ａ，３５ａの特徴抽出層から出力される特徴量は、図９に示すように、二軸混練押出機１が正常時に得られる時系列データ画像の特徴量の局所密度が高くなり、他の任意画像の特徴量との局所密度が低くなる。
【0048】
図１１はテストフェーズにおける学習モデル３５を示す概念図である。図１１に示すように、本実施形態に係る学習モデル３５は、上記のように学習した第２のニューラルネットワーク３５ａの入力層及び特徴抽出層を用いて構成することができる。従って、図１０に示す分類層は、本実施形態に係る学習モデル３５の必須の構成ではない。ただし、図１０に示す第２のニューラルネットワーク３５ａをそのまま学習モデル３５として利用し、特徴抽出層から出力される特徴量を用いることもできる。
なお、図１１には、２つの学習モデル３５を図示しているが、検出対象である時系列データ画像と、サンプルである正常時の時系列データ画像とが入力されている状態を概念的に示したものであり、２つのモデルが存在することを示すものではない。
なお、図１１には、２つの学習モデル３５を図示しているが、検出対象である時系列データ画像と、サンプルである正常時の時系列データ画像とが入力されている状態を概念的に示したものであり、２つのモデルが存在することを示すものではない。
【0049】
テストフェーズにおいては、処理部３１は、正常時に得られる時系列データ画像をサンプルデータとして学習モデル３５に入力することによって、正常時の時系列データ画像の特徴量を出力させる。一方、異常検知対象の時系列データ画像を学習モデル３５に入力することによって、当該時系列データ画像の特徴量を出力させる。そして、処理部３１は、サンプルデータの特徴量に対する、異常検知対象の特徴量の外れ値スコアを算出し、算出された外れ値スコアと閾値とを比較することによって、異常検知対象の時系列データ画像が異常であるか否か、つまり二軸混練押出機１が異常であるか否かを判別する。
【0050】
なお、図１１では、サンプルデータを学習モデル３５に入力して当該サンプルデータの特徴量を算出する例を示しているが、予め算出され複数のサンプルデータの特徴量を記憶部３２に記憶しておき、異常検知処理においては、記憶部３２が記憶するサンプルデータの特徴量を用いて外れ値スコアを算出してもよい。
【0051】
図１２は時系列データ画像の特徴量を示す散布図である。図１２は、図８同様、時系列データ画像の高次元の特徴量を２次元の特徴量に次元削減して２次元平面にプロットした散布図である。当該散布図には、学習用データである正常時な二軸混練押出機１の動作時に得られる時系列データ画像の特徴量Ａと、テストデータである正常時の時系列データ画像の特徴量Ｂと、テストデータである異常時の時系列データ画像の特徴量Ｃとがプロットされている。図１２から分かるように、テストデータ（正常）の特徴量Ｂは、学習用データの特徴量Ａの近傍にあり、テストデータ（異常）の特徴量Ｃは、学習用データの特徴量Ａから判別可能に離隔している。
【0052】
図１３は学習モデル３５を用いた異常検知の評価結果を示す図表である。
図１３の表中「模擬異常」は異常の種類を示している。摩耗は、第１及び第２スクリュ１１，１２が摩耗した異常状態を示している。本実験においては、混練部手前のＦＦ（順リードフルフライト）ピースと、混練部最初のＦＫ（順ズラシニーディングディスク）の外径を小さくしたものを用いて摩耗状態を模擬的に再現し、第１及び第２スクリュ１１，１２の変位を検出して時系列データ画像を作成した。具体的には、スクリュ外径６８．０ｍｍが正常の場合において、外径６３．０ｍｍの上記各ピースを用いて、摩耗状態を模擬的に再現した。スクリュ不適合は、想定されている樹脂原料と異なる種類の樹脂原料を用いて二軸混練押出機１を動作させた異常状態を示している。本実験では、ポリプロピレン（ＰＰ）用の第１及び第２スクリュ１１，１２を用いてナイロン（ＰＡ）を樹脂原料として用いた異常状態を示している。
「正常データ」は、第１及び第２スクリュ１１，１２に摩耗がなく、適切な樹脂原料（ＰＰ）を用いて、回転数１００ｒｐｍ、２００ｒｐｍ、４００ｒｐｍで第１及び第２スクリュ１１，１２を回転させた状態で得られた時系列データ画像を示している。
「異常データ」は、「摩耗」については上記の摩耗異常の状態で、適切な樹脂原料（ＰＰ）を用いて、回転数１００ｒｐｍ、２００ｒｐｍ、４００ｒｐｍで第１及び第２スクリュ１１，１２を回転させた状態で得られた時系列データ画像を示している。「スクリュ不適合」については、第１及び第２スクリュ１１，１２に摩耗がなく、上記の不適な樹脂原料（ＰＡ）を用いて回転数１００ｒｐｍ、２００ｒｐｍ、４００ｒｐｍで第１及び第２スクリュ１１，１２を回転させた状態で得られた時系列データ画像を示している。
図１３の表中「模擬異常」は異常の種類を示している。摩耗は、第１及び第２スクリュ１１，１２が摩耗した異常状態を示している。本実験においては、混練部手前のＦＦ（順リードフルフライト）ピースと、混練部最初のＦＫ（順ズラシニーディングディスク）の外径を小さくしたものを用いて摩耗状態を模擬的に再現し、第１及び第２スクリュ１１，１２の変位を検出して時系列データ画像を作成した。具体的には、スクリュ外径６８．０ｍｍが正常の場合において、外径６３．０ｍｍの上記各ピースを用いて、摩耗状態を模擬的に再現した。スクリュ不適合は、想定されている樹脂原料と異なる種類の樹脂原料を用いて二軸混練押出機１を動作させた異常状態を示している。本実験では、ポリプロピレン（ＰＰ）用の第１及び第２スクリュ１１，１２を用いてナイロン（ＰＡ）を樹脂原料として用いた異常状態を示している。
「正常データ」は、第１及び第２スクリュ１１，１２に摩耗がなく、適切な樹脂原料（ＰＰ）を用いて、回転数１００ｒｐｍ、２００ｒｐｍ、４００ｒｐｍで第１及び第２スクリュ１１，１２を回転させた状態で得られた時系列データ画像を示している。
「異常データ」は、「摩耗」については上記の摩耗異常の状態で、適切な樹脂原料（ＰＰ）を用いて、回転数１００ｒｐｍ、２００ｒｐｍ、４００ｒｐｍで第１及び第２スクリュ１１，１２を回転させた状態で得られた時系列データ画像を示している。「スクリュ不適合」については、第１及び第２スクリュ１１，１２に摩耗がなく、上記の不適な樹脂原料（ＰＡ）を用いて回転数１００ｒｐｍ、２００ｒｐｍ、４００ｒｐｍで第１及び第２スクリュ１１，１２を回転させた状態で得られた時系列データ画像を示している。
【0053】
そして、図１３の表にある正常データの一部を学習用データセットとして用いて学習モデル３５を学習させ、残りの正常データと、異常データとの判別能をＡＵＣ（Area Under the Curve）で評価した。各正常データ及び異常データのＡＵＣは０．９６，１．００、０．９９、１．００、１．００、０．９４であり、高い判別能力を有することが確認できた。
【0054】
以上、本実施形態に係る異常検知装置３等によれば、二軸混練押出機１の第１及び第２スクリュ１１，１２の変位の時系列データを画像で表した時系列データ画像に変換し、当該時系列データ画像に基づいて二軸混練押出機１の異常を判定することができる。
【0055】
また、学習モデル３５を１クラス分類モデルで構成することにより、異常時の二軸混練押出機１の時系列データ画像を用いることなく、正常な二軸混練押出機１の動作時に得られる時系列データ画像を用いて当該学習モデル３５を機械学習させることができる。
【0056】
更に、第１及び第２スクリュ１１，１２軸それぞれのＸ軸方向及びＹ軸方向の変位の時系列変化を１枚の時系列データ画像で表現し、学習モデル３５を用いて当該時系列データ画像の特徴量を算出することによって、二軸混練押出機１の第１及び第２スクリュ１１，１２の状態を精度よく表した特徴量を簡易に得ることができる。このようにして得られた特徴量を用いることにより、二軸混練押出機１の異常を精度良く検出することができる。
【0057】
更にまた、第１及び第２スクリュ１１，１２軸それぞれの変位を表した第１及び第２時系列データ画像を変形することなく包含する時系列データ画像を用いることにより、二軸混練押出機１の異常を精度よく検出することができる。
第１及び第２時系列データ画像を上下又は左右に引き延ばした画像を用いると、第１及び第２スクリュ１１，１２の特徴に影響し、異常検知精度が低下することが確認されている。
第１及び第２時系列データ画像を上下又は左右に引き延ばした画像を用いると、第１及び第２スクリュ１１，１２の特徴に影響し、異常検知精度が低下することが確認されている。
【0058】
なお、本実施形態では、第１及び第２スクリュ１１，１２の駆動軸１１ａ，１２ａに変位センサ２を設ける例を説明したが、第１及び第２スクリュ１１，１２の異常を検知することができれば、他の部位に変位センサ２を設けてもよい。例えば、モータ１３の出力軸に変位センサ２を設けてもよい。出力軸は、成形機が有する回転軸の一例である。
【0059】
また、本実施形態では、第１及び第２スクリュ１１，１２それぞれに変位センサ２を設ける例を説明したが、第１及び第２スクリュ１１，１２のいずれか一方に変位センサ２を設けて、異常検知を行うように構成してもよい。
【0060】
更に、本実施形態では、第１及び第２スクリュ１１，１２の回転中心軸の変位を検出する例を説明したが、第１及び第２スクリュ１１，１２に加わるトルク、回転速度、又は回転加速度等の物理量を検出し、当該物理量の時系列データを用いて、二軸混練押出機１を検知するように構成してもよい。なお、異なる種類の物理量を描画した複数の画像を含む時系列データ画像を用いて、二軸混練押出機１の異常を検知するように構成してもよい。例えば、第１及び第２スクリュ１１，１２の回転中心軸の変位を描画した第１時系列データ画像と、第１及び第２スクリュ１１，１２に加わるトルク又は回転加速度を描画した時系列データ画像とを含む時系列データ画像を用いて、二軸混練押出機１の異常を検知するように構成してもよい。
同様にして可動部における任意の物理量を検出して産業機械の異常を検知するように構成してもよい。
同様にして可動部における任意の物理量を検出して産業機械の異常を検知するように構成してもよい。
【0061】
更にまた、本実施形態では、第１スクリュ１１の変位を２つの数値で示す２次元の第１時系列データ画像（第１画像）と、第２スクリュ１２の変位を２つの数値で示す２次元の第２時系列データ画像（第２画像）とを含む時系列データ画像を用いる例を説明したが、４種類の２次元物理量データを描画した４枚の画像を合成した時系列データ画像を用いて、二軸混練押出機１の異常を検知するように構成してもよい。また、時系列データを描画した５枚以上の画像を含む時系列データ画像を用いて、二軸混練押出機１の異常を検知するように構成してもよい。
【0062】
更にまた、本実施形態では、時系列的に変化する物理量をそのまま描画してなる時系列データ画像を用いる例を説明したが、検出した時系列の物理量を周波数変換し、物理量の周波数スペクトルを描画した時系列データ画像を用いて二軸混練押出機１又は産業機械の異常を検知するように構成してもよい。
【0063】
更にまた、本実施形態では、二軸混練押出機１の第１及び第２スクリュ１１，１２の異常を検知する例を説明したが、異常検知装置３を用いて他の可動部、単軸押出機、射出成形機、その他の産業機械の可動部の異常を検知するように構成してもよい。この場合、学習モデル３５は当該可動部の正常時の時系列データ画像を学習する。
産業機械の可動部の異常を検知する異常検知装置３においては、処理部３１は、本実施形態と同様、２つの数値からなる２次元の第１の物理量を示す時系列データと、２つの数値からなる２次元の第２の物理量を示す時系列データとを取得し、取得した第１の時系列データを第１の物理量を描画した第１画像に変換し、取得した第２の時系列データを第２の物理量を描画した第２画像に変換し、変換した第１画像及び第２画像を一の画像に含む時系列データ画像を合成する。そして、処理部３１は、合成した時系列データ画像を学習モデルに入力することによって、当該時系列データ画像の特徴量を算出し、正常時の時系列データ画像の特徴量に対する外れ値スコアを算出する。処理部３１は、外れ値スコアと、所定の閾値とを比較することによって、産業機械の異常を検出することができる。
なお、３種類以上の物理量を描画した３枚以上の画像を含む時系列データ画像を用いて、産業機械の異常を検知するように構成してもよい。
産業機械の可動部の異常を検知するための学習モデル３５の生成方法も実施形態と同様である。産業機械の正常動作時に生成した複数の時系列データ画像と、複数の参考画像を学習用データセットとして、図１０に示す方法で１クラス分類モデルの学習モデルを機械学習させるとよい。
産業機械の可動部の異常を検知する異常検知装置３においては、処理部３１は、本実施形態と同様、２つの数値からなる２次元の第１の物理量を示す時系列データと、２つの数値からなる２次元の第２の物理量を示す時系列データとを取得し、取得した第１の時系列データを第１の物理量を描画した第１画像に変換し、取得した第２の時系列データを第２の物理量を描画した第２画像に変換し、変換した第１画像及び第２画像を一の画像に含む時系列データ画像を合成する。そして、処理部３１は、合成した時系列データ画像を学習モデルに入力することによって、当該時系列データ画像の特徴量を算出し、正常時の時系列データ画像の特徴量に対する外れ値スコアを算出する。処理部３１は、外れ値スコアと、所定の閾値とを比較することによって、産業機械の異常を検出することができる。
なお、３種類以上の物理量を描画した３枚以上の画像を含む時系列データ画像を用いて、産業機械の異常を検知するように構成してもよい。
産業機械の可動部の異常を検知するための学習モデル３５の生成方法も実施形態と同様である。産業機械の正常動作時に生成した複数の時系列データ画像と、複数の参考画像を学習用データセットとして、図１０に示す方法で１クラス分類モデルの学習モデルを機械学習させるとよい。
【0064】
更にまた、本実施形態では異常検知装置３の処理部３１が学習モデル３５を機械学習させる例を説明したが、外部の他のコンピュータ又はサーバを用いて学習モデル３５を機械学習させてもよい。
【0065】
更にまた、学習モデル３５の一例として１クラス分類モデルを説明したが、一般的なＣＮＮ、Ｕ－Ｎｅｔ、ＲＮＮ（Recurrent Neural Network）等のニューラルネットワーク、その他のＳＶＭ（Support Vector Machine）、ベイジアンネットワーク、又は回帰木等を用いてもよい。
【0066】
更にまた、複数の１クラス分類モデルである学習モデル３５を用いて、典型的な異常時の時系列画像データを、その他の異常時の時系列データ画像と判別するように構成してもよい。例えば、異常検知装置３は、上記実施形態と同様、正常時の時系列データ画像を学習させた第１の学習モデルを備える。また、異常検知装置３は、正常時の時系列データ画像と、第１異常時の時系列データ画像とを学習させた第２の学習モデル３５を備える。異常検知装置３は、第１の学習モデル３５と、第２の学習モデル３５を用いることにより、正常時の時系列データ画像と、第１異常時の時系列データ画像と、その他の異常時の時系列データ画像とを判別することが可能である。同様にして、異常検知装置３に３つ以上の学習モデル３５を備えることにより、２つ以上の異常時の時系列データ画像を判別可能に構成することができる。また、機械学習された多クラス分類モデルを用いて、正常時の時系列画像データと、異常時の時系列画像データとを分類するように構成してもよい。
【0067】
更にまた、主にＣＮＮ、等のニューラルネットワークを用いて、機械学習する例を説明したが、学習済モデルの構成はＣＮＮ、ＲＮＮ等に限るものではなく、ＣＮＮ、ＲＮＮ以外のニューラルネットワーク、ＳＶＭ（Support Vector Machine）、ベイジアンネットワーク、又は、回帰木等で構成しても良い。
本開示の手段を付記する。
（付記１）
可動部を有する産業機械の異常を検出する処理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であって、
前記可動部の運動に係る物理量を検出するセンサから出力される時系列の物理量データを取得し、
取得した時系列の前記物理量データを画像で表した時系列データ画像に変換し、
正常な前記可動部に係る前記時系列データ画像の特徴を学習した学習モデルに、変換された前記時系列データ画像を入力することによって、前記時系列データ画像の特徴量を算出し、
算出された特徴量に基づいて、前記産業機械の異常の有無を判定する
処理を前記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。
（付記２）
前記学習モデルは、機械学習により得られたモデルである
付記１に記載のコンピュータプログラム。
（付記３）
前記学習モデルは機械学習により得られた１クラス分類モデルである
付記１又は付記２に記載のコンピュータプログラム。
（付記４）
前記物理量データは、第１の物理量を示す時系列データと、第２の物理量を示す時系列データとを含み、
前記時系列データ画像は、
前記第１の物理量を描画した第１画像と、前記第２の物理量を描画した第２画像とを一の画像に含む
付記１から付記３のいずれか１つに記載のコンピュータプログラム。
（付記５）
前記第１の物理量及び前記第２の物理量はそれぞれ２つの数値からなる２次元の物理量である
付記４に記載のコンピュータプログラム。
（付記６）
前記可動部は成形機の回転軸であり、前記物理量データは成形機の回転軸の変位、トルク、回転速度、又は回転加速度を示す時系列データを含む
付記１から付記５のいずれか１つに記載のコンピュータプログラム。
（付記７）
前記可動部は成形機のスクリュであり、前記物理量データは成形機のスクリュの変位、トルク、回転速度、又は回転加速度を示す時系列データを含む
付記１から付記６のいずれか１つに記載のコンピュータプログラム。
（付記８）
前記可動部は二軸混練押出機の第１スクリュ及び第２スクリュであり、前記物理量データは、第１スクリュの回転中心軸に交差する第１軸方向及び第２軸方向の変位を示す時系列データと、第２スクリュの回転中心軸に交差する第３軸方向及び第４軸方向の変位を示す時系列データを含み、
前記時系列データ画像は、
交差する第１軸方向及び第２軸方向を座標軸として第１スクリュの変位を描画した第１画像と、交差する第３軸方向及び第４軸方向を座標軸として第２スクリュの変位を描画した第２画像とを一の画像に含む
付記１から付記３のいずれか１つに記載のコンピュータプログラム。
（付記９）
前記時系列データ画像は略正方形の画像であり、
前記第１画像及び第２画像と、該第１画像及び第２画像以外の部分を補うブランク画像とを含む
付記８に記載のコンピュータプログラム。
（付記１０）
可動部を有する産業機械の異常を検出する異常検知方法であって、
前記可動部の運動に係る物理量を検出するセンサから出力される時系列の物理量データを取得し、
取得した時系列の前記物理量データを画像で表した時系列データ画像に変換し、
正常な前記可動部に係る前記時系列データ画像の特徴を学習した学習モデルに、変換された前記時系列データ画像を入力することによって、前記時系列データ画像の特徴量を算出し、
算出された特徴量に基づいて、前記産業機械の異常の有無を判定する
異常検知方法。
（付記１１）
可動部を有する産業機械の異常を検出する異常検知装置であって、
前記可動部の運動に係る物理量を検出するセンサと、
該センサから出力される時系列の物理量データを取得する取得部と、
該取得部にて取得した時系列の前記物理量データを画像で表した時系列データ画像に変換する変換部と、
正常な前記可動部に係る前記時系列データ画像の特徴を学習した学習モデルに、変換された前記時系列データ画像を入力することによって、前記時系列データ画像の特徴量を算出する算出部と、
該算出部にて算出された特徴量に基づいて、前記産業機械の異常の有無を判定する判定部と
を備える異常検知装置。
（付記１２）
付記１１に記載の異常検知装置と、
成形機と
を備え、
前記異常検知装置は、前記成形機の異常を検出するようにしてある
成形機システム。
（付記１３）
第１スクリュ及び第２スクリュを有する二軸混練押出機の異常を検知するための学習モデルの生成方法であって、
正常動作時の前記二軸混練押出機の第１スクリュの回転中心軸に交差する第１軸方向及び第２軸方向の変位を示す時系列データと、正常動作時の前記二軸混練押出機の第２スクリュの回転中心軸に交差する第３軸方向及び第４軸方向の変位を示す時系列データとに基づいて、第１スクリュの回転中心軸に交差する第１軸方向及び第２軸方向の変位を描画した第１画像と、第２スクリュの回転中心軸に交差する第３軸方向及び第４軸方向の変位を描画した第２画像とを一の画像に含む複数の時系列データ画像を生成し、
生成した前記複数の時系列データ画像と、任意の特徴を有する複数の参考画像とを含む学習用データセットに基づいて、第１スクリュ及び第２スクリュの回転中心軸の変位を描画した第１画像及び第２画像を含む時系列データ画像が入力された場合に前記二軸混練押出機の正常動作及び異常動作に応じた特徴量を出力する学習モデルを生成する
処理をコンピュータが実行する学習モデル生成方法。
本開示の手段を付記する。
（付記１）
可動部を有する産業機械の異常を検出する処理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であって、
前記可動部の運動に係る物理量を検出するセンサから出力される時系列の物理量データを取得し、
取得した時系列の前記物理量データを画像で表した時系列データ画像に変換し、
正常な前記可動部に係る前記時系列データ画像の特徴を学習した学習モデルに、変換された前記時系列データ画像を入力することによって、前記時系列データ画像の特徴量を算出し、
算出された特徴量に基づいて、前記産業機械の異常の有無を判定する
処理を前記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。
（付記２）
前記学習モデルは、機械学習により得られたモデルである
付記１に記載のコンピュータプログラム。
（付記３）
前記学習モデルは機械学習により得られた１クラス分類モデルである
付記１又は付記２に記載のコンピュータプログラム。
（付記４）
前記物理量データは、第１の物理量を示す時系列データと、第２の物理量を示す時系列データとを含み、
前記時系列データ画像は、
前記第１の物理量を描画した第１画像と、前記第２の物理量を描画した第２画像とを一の画像に含む
付記１から付記３のいずれか１つに記載のコンピュータプログラム。
（付記５）
前記第１の物理量及び前記第２の物理量はそれぞれ２つの数値からなる２次元の物理量である
付記４に記載のコンピュータプログラム。
（付記６）
前記可動部は成形機の回転軸であり、前記物理量データは成形機の回転軸の変位、トルク、回転速度、又は回転加速度を示す時系列データを含む
付記１から付記５のいずれか１つに記載のコンピュータプログラム。
（付記７）
前記可動部は成形機のスクリュであり、前記物理量データは成形機のスクリュの変位、トルク、回転速度、又は回転加速度を示す時系列データを含む
付記１から付記６のいずれか１つに記載のコンピュータプログラム。
（付記８）
前記可動部は二軸混練押出機の第１スクリュ及び第２スクリュであり、前記物理量データは、第１スクリュの回転中心軸に交差する第１軸方向及び第２軸方向の変位を示す時系列データと、第２スクリュの回転中心軸に交差する第３軸方向及び第４軸方向の変位を示す時系列データを含み、
前記時系列データ画像は、
交差する第１軸方向及び第２軸方向を座標軸として第１スクリュの変位を描画した第１画像と、交差する第３軸方向及び第４軸方向を座標軸として第２スクリュの変位を描画した第２画像とを一の画像に含む
付記１から付記３のいずれか１つに記載のコンピュータプログラム。
（付記９）
前記時系列データ画像は略正方形の画像であり、
前記第１画像及び第２画像と、該第１画像及び第２画像以外の部分を補うブランク画像とを含む
付記８に記載のコンピュータプログラム。
（付記１０）
可動部を有する産業機械の異常を検出する異常検知方法であって、
前記可動部の運動に係る物理量を検出するセンサから出力される時系列の物理量データを取得し、
取得した時系列の前記物理量データを画像で表した時系列データ画像に変換し、
正常な前記可動部に係る前記時系列データ画像の特徴を学習した学習モデルに、変換された前記時系列データ画像を入力することによって、前記時系列データ画像の特徴量を算出し、
算出された特徴量に基づいて、前記産業機械の異常の有無を判定する
異常検知方法。
（付記１１）
可動部を有する産業機械の異常を検出する異常検知装置であって、
前記可動部の運動に係る物理量を検出するセンサと、
該センサから出力される時系列の物理量データを取得する取得部と、
該取得部にて取得した時系列の前記物理量データを画像で表した時系列データ画像に変換する変換部と、
正常な前記可動部に係る前記時系列データ画像の特徴を学習した学習モデルに、変換された前記時系列データ画像を入力することによって、前記時系列データ画像の特徴量を算出する算出部と、
該算出部にて算出された特徴量に基づいて、前記産業機械の異常の有無を判定する判定部と
を備える異常検知装置。
（付記１２）
付記１１に記載の異常検知装置と、
成形機と
を備え、
前記異常検知装置は、前記成形機の異常を検出するようにしてある
成形機システム。
（付記１３）
第１スクリュ及び第２スクリュを有する二軸混練押出機の異常を検知するための学習モデルの生成方法であって、
正常動作時の前記二軸混練押出機の第１スクリュの回転中心軸に交差する第１軸方向及び第２軸方向の変位を示す時系列データと、正常動作時の前記二軸混練押出機の第２スクリュの回転中心軸に交差する第３軸方向及び第４軸方向の変位を示す時系列データとに基づいて、第１スクリュの回転中心軸に交差する第１軸方向及び第２軸方向の変位を描画した第１画像と、第２スクリュの回転中心軸に交差する第３軸方向及び第４軸方向の変位を描画した第２画像とを一の画像に含む複数の時系列データ画像を生成し、
生成した前記複数の時系列データ画像と、任意の特徴を有する複数の参考画像とを含む学習用データセットに基づいて、第１スクリュ及び第２スクリュの回転中心軸の変位を描画した第１画像及び第２画像を含む時系列データ画像が入力された場合に前記二軸混練押出機の正常動作及び異常動作に応じた特徴量を出力する学習モデルを生成する
処理をコンピュータが実行する学習モデル生成方法。
【符号の説明】
【0068】
１ 二軸混練押出機
２ 変位センサ
３ 異常検知装置
３ａ 表示部
４ 記録媒体
１０ シリンダ
１０ａ ホッパ
１１ 第１スクリュ
１１ａ 駆動軸
１２ 第２スクリュ
１２ａ 駆動軸
１３ モータ
１４ 減速機
２１ 第１変位センサ
２２ 第２変位センサ
２３ 第３変位センサ
２４ 第４変位センサ
３１ 処理部
３２ 記憶部
３３ 入力インタフェース
３４ 出力インタフェース
３５ 学習モデル
３５ａ ニューラルネットワーク
Ｐ コンピュータプログラム
２ 変位センサ
３ 異常検知装置
３ａ 表示部
４ 記録媒体
１０ シリンダ
１０ａ ホッパ
１１ 第１スクリュ
１１ａ 駆動軸
１２ 第２スクリュ
１２ａ 駆動軸
１３ モータ
１４ 減速機
２１ 第１変位センサ
２２ 第２変位センサ
２３ 第３変位センサ
２４ 第４変位センサ
３１ 処理部
３２ 記憶部
３３ 入力インタフェース
３４ 出力インタフェース
３５ 学習モデル
３５ａ ニューラルネットワーク
Ｐ コンピュータプログラム
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】