JP6374466B2 - センサインタフェース装置、測定情報通信システム、測定情報通信方法、及び測定情報通信プログラム - Google Patents

Description

本発明は、センサ等により測定された情報を送受信するための、センサインタフェース装置、測定情報通信システム、測定情報通信方法、及び測定情報通信プログラムを提供することを目的とする。

工作機械の振動等をセンサにて測定し、測定した情報を上位装置にて利用することが一般的に行われている。この場合、センサにて測定した情報を、ネットワークを介して上位装置に送信する必要がある。

この点、近年は、モノのインターネット（ＩｏＴ：Internet of Things）の普及に伴いセンサの数が増加している。また、ＡＥ（Acoustic Emission）を利用した故障予測のように、速い周期のセンサデータに対する取得ニーズが高まっている。これらの理由から、ＦＡ（Factory Automation）環境等においてネットワーク上を流れるセンサデータが増加し、通信帯域を圧迫することが予測される。

もっとも、センサデータを制御に用いるのではなく、センサデータから何らかの判断をする、または知見を得るなど（例えば、故障予測をするなど）を目的とした場合、センサにて測定したデータそのもの（いわゆる生データ）は必要なく、より抽象度の高い特徴量のみ得られれば良い場合が多い。

この点を鑑みて、センサにて測定したデータそのものではなく、このセンサにて測定したデータに基づいて生成したメタデータを送受信する技術が特許文献１に記載されている。
具体的に、特許文献１に記載のセンサノードは、物理量を測定するセンサと、センサが測定した物理量を所定の周波数でサンプリングして測定データを生成するデータ取得部と、データ取得部が生成した測定データに対して処理を行う制御部と、制御部の指令に基づいてデータを送信する無線通信部と、を備える。
このような構成において、制御部が、測定データの概要を抽出したメタデータを生成する。そして、生成したメタデータを、無線通信部より送信する。

特許文献１に記載の構成では、このようにして、センサにて測定したデータそのものではなく、概要を抽出したメタデータを送信することにより、送信されるデータ量を削減し、ネットワークでの通信帯域を確保することができる。

特開２００９−１６９８８８号公報

しかしながら、上述した特許文献１に記載の技術では、以下のような課題があった。

特許文献１に記載の技術では、測定データの特徴を表す特徴データ（メタデータ）の計算に、決め打ちの計算方法を用いている。
この点、有用な特徴データはセンサの種類によって異なると考えられる。そのため、センサの種類に応じて特徴データの計算方法を異ならせることが望ましい。もっとも、引用文献１では、前提としてセンサ、制御部、及び通信部などが一体となったセンサノードにおける処理について考えている。つまり、どのような種類のセンサについて特徴データを算出するのかは予め確定している。このような場合であれば、特徴データを計算する方法を予め決め打ちしておいても問題は生じない。

しかしながら、色々な種類のセンサに対して、汎用的に接続することを考えたセンサインタフェース装置では、決め打ちの特徴データを計算する方法では対応しきれないという課題が生じる。なぜならば、このセンサインタフェース装置にどのようなセンサが接続されるのかは分からず、接続されるセンサによっては、決め打ちの計算方法が適切な方法ではない場合も考えられるからである。

かといって、特徴データを抽出することなく、センサにて測定したデータそのものを送信するという方法では、冒頭に述べたように、通信帯域が圧迫されるという問題が生じてしまう。

そこで本発明は、センサによる測定データそのものではなく、測定データの特徴を表す特徴データを送信する場合において、接続されたセンサに応じた特徴データを送信することが可能な、センサインタフェース装置、測定情報通信システム、測定情報通信方法、及び測定情報通信プログラムを提供することを目的とする。

本発明のセンサインタフェース装置（例えば、後述のセンサインタフェース装置１００）は、測定手段（例えば、後述のセンサ２００）が測定した物理量に基づくデータである、測定データを取得するデータ取得手段（例えば、後述の測定データ取得部１１０）と、前記取得した測定データを記憶する記憶手段（例えば、後述の記憶部１２０）と、前記記憶手段が記憶した測定データ群を入力として機械学習を行うことにより、前記測定データ群の特徴を表すデータである、特徴データの抽出を行う学習手段（例えば、後述の学習部１３０）と、前記学習手段により抽出された前記特徴データを上位装置（例えば、後述の上位装置３００）に送信する通信手段（例えば、後述の通信部１４０）と、を備え、前記測定手段と前記上位装置との通信経路の間に接続される。

上記の本発明のセンサインタフェース装置においては、当該センサインタフェース装置と前記測定手段との間の通信経路を第１通信経路とし、当該センサインタフェース装置と前記上位装置との間の通信経路を第２通信経路とした場合に、前記通信手段は、前記データ取得手段が前記第１通信経路を介して前記測定データを取得する周期よりも遅い周期で、前記上位装置に前記第２通信経路を介して前記特徴データを送信するとしてもよい。

上記の本発明のセンサインタフェース装置においては、前記学習手段は、前記入力される測定データ群を異ならせながら前記機械学習を繰り返し行うことにより学習モデルを構築していき、該構築した学習モデルを用いて新たな測定データ群から前記特徴データの抽出を行うとしてもよい。

上記の本発明のセンサインタフェース装置においては、前記上位装置から周期的に受信する外部タイミング信号を逓倍することにより、内部タイミング信号を生成するタイミング生成手段（例えば、後述のタイミング生成部１４０）を更に備え、前記データ取得手段は、前記内部タイミング信号に基づいたタイミングで前記測定データを取得するとしてもよい。

上記の本発明のセンサインタフェース装置においては、前記データ取得手段を複数備え、前記複数のデータ取得手段の各々は、それぞれ異なる測定手段が測定した物理量に基づいて測定データを取得することを特徴とするとしてもよい。

上記の本発明のセンサインタフェース装置においては、前記データ取得手段は、前記測定手段が測定した物理量を表すアナログ信号をサンプリングして前記測定データを取得するための１つのアナログ−ディジタル変換回路（例えば、後述のＡ／Ｄコンバータ１７０）を備えており、前記データ取得手段は、複数の測定手段が測定した物理量を表すアナログ信号それぞれについて、前記１つのアナログ−ディジタル変換回路を時分割で利用することにより、前記測定データを取得することを特徴とするとしてもよい。

上記の本発明のセンサインタフェース装置においては、前記記憶手段が記憶した測定データ群に対してフーリエ変換を行う周波数解析手段（例えば、後述の周波数解析部１８０）を更に備え、前記学習手段は、前記周波数解析手段によりフーリエ変換後の前記測定データ群を入力として機械学習を行うことにより、前記特徴データの抽出を行うとしてもよい。

上記の本発明のセンサインタフェース装置においては、前記学習手段における前記特徴データの抽出に、自己符号化器（例えば、後述の学習部（自己符号化器）４０）を用いるとしてもよい。

本発明の測定情報通信システムは、上記の本発明のセンサインタフェース装置と、前記上位装置とを備えた測定情報通信システムであって、前記測定手段が測定する前記物理量とは、測定対象装置に関連する物理量であり、前記上位装置が、前記特徴データに基づいて前記測定対象装置の不具合又は故障の発生に関連する予測を行う。

本発明の測定情報通信方法は、測定手段（例えば、後述のセンサ２００）と上位装置（例えば、後述の上位装置３００）との通信経路の間に接続されるコンピュータ（例えば、後述のセンサインタフェース装置１００）により行われる測定情報通信方法であって、前記測定手段が測定した物理量に基づくデータである、測定データを取得するデータ取得ステップと、前記取得した測定データを記憶する記憶ステップと、前記記憶ステップが記憶した測定データ群を入力として機械学習を行うことにより、前記測定データ群の特徴を表すデータである、特徴データの抽出を行う学習ステップと、前記学習ステップにより抽出された前記特徴データを前記上位装置に送信する通信ステップと、を備える。

本発明の測定情報通信プログラムは、測定手段（例えば、後述のセンサ２００）と上位装置（例えば、後述の上位装置３００）との通信経路の間に接続されるコンピュータをセンサインタフェース装置（例えば、後述のセンサインタフェース装置１００）として機能させるための測定情報通信プログラムであって、前記測定手段が測定した物理量に基づくデータである、測定データを取得するデータ取得手段（例えば、後述の測定データ取得部１１０）と、前記取得した測定データを記憶する記憶手段（例えば、後述の記憶部１２０）と、前記記憶手段が記憶した測定データ群を入力として機械学習を行うことにより、前記測定データ群の特徴を表すデータである、特徴データの抽出を行う学習手段（例えば、後述の学習部１３０）と、前記学習手段により抽出された前記特徴データを前記上位装置に送信する通信手段（例えば、後述の通信部１４０）と、を備えたセンサインタフェース装置として前記コンピュータを機能させる。

本発明によれば、センサによる測定データそのものではなく、測定データの特徴を表す特徴データを送信する場合において、接続されたセンサに応じた特徴データを送信することが可能となる。

本発明の各実施形態の前提となる構成を表すブロック図である。 本発明の第１の実施形態の基本的構成を表すブロック図である。 本発明の第１の実施形態の基本的操作動作を表すフローチャートである。 本発明の第２の実施形態の基本的構成を表すブロック図である。 本発明の第２の実施形態におけるタイミング生成部の入出力情報について示す図である。 本発明の第３の実施形態の基本的構成を表すブロック図である。 本発明の第３の実施形態の変形例の基本的構成を表すブロック図である。 本発明の第４の実施形態の基本的構成を表すブロック図である。 本発明の第５の実施形態の基本的構成を表すブロック図である。

次に、本発明の実施形態について図面を参照して詳細に説明する。以下では、５つの実施形態について説明を行う。これら５つの実施形態の説明に先立って、まず各実施形態の前提となる測定情報通信システムセンサインタフェース装置１０００全体の構成について図１を参照して説明をする。

図１に示すように、測定情報通信システムセンサインタフェース装置１０００は、センサインタフェース装置１００、センサ２００及び上位装置３００を備える。
センサ２００は各種のセンサであり、測定対象とする装置等（図示省略）に関連する物理量を測定する。そして、センサ２００は、測定した物理量を表すアナログ信号を、センサインタフェース装置１００に対して出力する。

より詳細には、測定対象とする装置等とは、例えば工場に設置された工作機械や、この工作機械を制御する数値制御装置（ＣＮＣ：Computer Numerical Controller）や、工業用ロボットである。そして、センサ２００は、これらの測定対象に一つ又は複数個取り付けられる。例えば、工作機械の１つの軸受について２〜３個取り付けられる。

センサ２００は、例えば、工作機械がワークを加工する際に工作機械に生じる振動や、この振動が伝播することにより数値制御装置に与えられる振動や、工業用ロボットが駆動する際に工業用ロボットに生じる振動を測定するための加速度センサである。この場合、加速度センサは、一軸を測定するものであってもよいし、それぞれ互いに直交する、Ｘ軸、Ｙ軸及びＺ軸の三軸方向の加速度を測定可能な三軸加速度センサであってもよい。

また、センサ２００は、ＡＥセンサであってもよい。ＡＥセンサとは、測定対象が変形あるいは破壊する際に放出される超音波帯域の振動であるＡＥ波を捉えるセンサである。
例えば、工作機械等の装置の内部等において亀裂が発生した場合には、これに伴い、数１００ｋＨｚ〜数ＭＨｚの周波数成分に変化が生じる。ＡＥセンサにより、このような周波数成分の変化を観察することにより、装置の不具合や故障が表面化する前に亀裂が発生したことを検知することができる。

ここで、一般的に、加速度センサは、例えば数十ｋＨｚの周波数成分をもつ振動を検出するものである。対して、ＡＥセンサは、例えば数１００ｋＨｚ〜数ＭＨｚの周波数成分をもつＡＥ波を検出するものである。測定対象や破損の原因により、何れのセンサによる測定が適しているかが変わってくるので、例えば、１つの測定対象に対して、加速度センサによる測定とＡＥセンサによる測定の双方を行うようにしてもよい。

加速度センサやＡＥセンサであるセンサ２００により測定した振動やＡＥ波は、この振動やＡＥ波を表すアナログ振動波形信号として、センサインタフェース装置１００に対して出力される。

また、センサ２００は他にも例えば、音を電気信号に変換するマイクであってもよい。例えば、測定対象が工作機械である場合に、工作機械の軸受部分に塗られたグリスが少なくなってくると異音が発生するようになる。
この異音をマイクにより検出することにより、グリスが少なくなってきているという異常を検知することができる。

マイクであるセンサ２００が変換により生成した電気信号は、センサインタフェース装置１００に対して出力される。

なお、他にもセンサ２００は例えば温度センサであったり、湿度センサであったりしてもよく、それ以外のセンサであってもよい。

センサインタフェース装置１００は、センサ２００と接続されるインタフェース装置である。センサインタフェース装置１００は、センサ２００が測定した物理量に応じたデータをセンサ２００から受信する。センサ２００から受信するデータは上述した通りであり、例えば測定した振動を表すアナログ振動波形信号である。

センサインタフェース装置１００は、センサ２００から受信したデータに対してサンプリングを行う。そして、センサインタフェース装置１００は、サンプリングしたデータを入力とした機械学習により構築した学習モデルを用いて、サンプリングしたデータの特徴を表すデータである特徴データを抽出する。また、センサインタフェース装置１００は、機械学習により構築した学習モデルを用いて抽出した特徴データを、上位装置３００に対して送信する。
なお、センサインタフェース装置１００に含まれる具体的な機能ブロックや、センサインタフェース装置１００が行う機械学習により構築した学習モデルを用いた特徴データの抽出については、図２以降の図を参照して後述する。

上位装置３００は、センサインタフェース装置１００が送信した特徴データを受信し、受信した特徴データを利用する。例えば、受信した特徴データに基づいて、何らかの判断をする、あるいは知見を得る。より具体的には、例えば測定対象の装置について不具合や故障が既に発生していることを検知したり、これから不具合や故障が発生することを予測したりする。

センサ２００とセンサインタフェース装置１００の接続は、例えば、アナログ信号を伝達するためのケーブル等により実現される。
一方で、上位装置３００とセンサインタフェース装置１００の接続は、例えば、工場内に敷設されたＬＡＮ（Local Area Network）や、工場と遠隔地をつなぐインターネットにより実現される。かかる接続は、有線接続であってもよいが、その一部又は全部が無線接続であってもよい。

ここで、図１にも図示しているように、センサ２００からセンサインタフェース装置１００にアナログ信号が送信され、これをセンサインタフェース装置１００にてサンプリングする周期よりも、センサインタフェース装置１００から上位装置３００に特徴データが送信される周期の方が遅くなるようにする。
これにより、センサインタフェース装置１００から上位装置３００に特徴データを低周期に送信することが可能となる。そのため、センサインタフェース装置１００と上位装置３００との間の通信経路にて通信帯域が圧迫されることを防止できる、という効果を奏する。

また、サンプリングにより得られた測定データから、機械学習により構築した学習モデルを用いて特徴データを抽出する。そのため、単に決め打ちの方法で特徴データを抽出する場合に比較して、よりセンサの種類等に応じた特徴データを抽出することが可能となる、という効果も奏する。

次に、このような測定情報通信システムセンサインタフェース装置１０００を実現するための、５つの実施形態それぞれの概略に言及する。

第１の実施形態は、基本的な構成の実施形態である。
また、第２の実施形態は、基本的な構成に加えて、タイミング信号の生成について特徴を有する実施形態である。
更に、第３の実施形態は、基本的な構成に加えて、複数のセンサ２００を接続した点に特徴を有する実施形態である。
更に、第４の実施形態は、基本的な構成に加えて、周波数解析部を追加した実施形態である。
更に、第５の実施形態は、基本的な構成に加えて、自己符号化器を用いることを特徴とする実施形態である。

次に、各実施形態それぞれについて詳細な説明を行う。
＜実施形態１＞
図２に示すように、本実施形態は、図１のセンサインタフェース装置１００に相当する装置としてセンサインタフェース装置１０１を備える。
図中では図示を省略しているが、センサインタフェース装置１０１は、図１に示したセンサインタフェース装置１００と同様にセンサ２００及び上位装置３００と接続される。これは、後述する、センサインタフェース装置１０２、センサインタフェース装置１０３ａ、センサインタフェース装置１０３ｂ、及びセンサインタフェース装置１０４についても同様である。

センサインタフェース装置１０１は、測定データ取得部１１０、記憶部１２０、学習部１３０及び通信部１４０を備える。

測定データ取得部１１０は、センサ２００から入力される、センサ２００が測定した物理量を表すアナログ信号を（一般的にアナログの電圧又は電流値）を、所定の周期でサンプリングして、ディジタル信号に変換する。
以下の説明では、センサ２００が測定した物理量を表すアナログ信号を適宜「センサデータ」と呼ぶ。また、測定データ取得部１１０が、このようにしてサンプリングにより取得するディジタル信号を以下では適宜「測定データ」と呼ぶ。測定データ取得部１１０は、サンプリングにより取得した測定データを記憶部１２０に対して出力する。

ここで、測定データ取得部１１０は、アナログ信号からノイズ等を除去するためのフィルタや、アナログ−ディジタル変換回路により実現される。

また、測定データ取得部１１０のサンプリングレート（すなわち、サンプリング周期）は、例えば１００ｋＨｚである。また、測定データ取得部１１０の量子化ビット数（すなわち、分解能）は、例えば２ｂｙｔｅ（すなわち、１６ｂｉｔ）である。

記憶部１２０は、測定データ取得部１１０が出力した測定データを一時的に記憶するためのバッファとして機能する回路である。記憶部１２０は、例えばＤＲＡＭ（Dynamic Random Access Memory）により実現される。

本実施形態では、測定データ取得部１１０が取得した測定データを時系列に沿って所定量蓄えてから、後段の学習部１３０に出力するために、記憶部１２０を設ける。この点、一度学習部１３０に出力したデータについては上書きをしてしまってよい。そのため、記憶部１２０の記憶容量は上記所定量以上であれば足りる。
例えば所定量を、測定データ１秒分のデータ量とする。この場合に、上述したように、サンプリング周期が１００ｋＨｚであり、量子化ビット数（すなわち、分解能）が２ｂｙｔｅであれば下記の［数式１］に示すように、２００ｋｂｙｔｅが上記所定量となる。そのため、この場合には、記憶部１２０の記憶容量を２００ｋｂｙｔｅ以上とすればよい。

［数式１］
１［ｓｅｃ］×１０００００［Ｈｚ］×２［ｂｙｔｅ］＝２０００００［ｂｙｔｅ］＝２００［ｋｂｙｔｅ］

なお、以下では、この所定量の測定データを、適宜「測定データ群」と呼ぶ。

学習部１３０は、記憶部１２０に蓄えられた測定データ群を入力として機械学習を行う部分である。
学習部１３０は、ＣＰＵ（Central Processing Unit）等の演算処理装置を備える。また、学習部１３０は、各種のプログラムを格納したＮＡＮＤ型フラッシュメモリ等の補助記憶装置や、演算処理装置がプログラムを実行する上で一時的に必要とされるデータを格納するためのＲＡＭ（Random Access Memory）といった主記憶装置を備える。

そして、演算処理装置が補助記憶装置から各種のプログラムを読み込み、読み込んだ各種のプログラムを主記憶装置に展開させながら、これら各種のプログラムに基づいた演算処理を行なう。
また、この演算結果に基づいて、機械学習を行って学習モデルを構築したり、この構築した学習モデルにより特徴データを抽出したり、センサインタフェース装置１０１が備える各種のハードウェアを制御したりする。これにより、本実施形態は実現される。つまり、センサインタフェース１０１は、ハードウェアとソフトウェアが協働することにより実現することができる。なお、ハードウェアとソフトウェアが協働するという観点から、例えばＦＰＧＡ（field-programmable gate array）によりセンサインタフェース装置１０１を実現するようにしてもよい。

ここで、学習部１３０が行う機械学習としては、教師なし学習を想定する。教師なし学習とは、入力データと、出力すべきデータであるラベルとを含む教師データを与えて学習する教師あり学習とは異なり、入力データは与えるが、ラベルは与えないという学習方法である。教師なし学習では、入力データ（本実施形態では、測定データ群に相当）に含まれるパターンや特徴を学習してモデル化する。例えば、クラスタリングを行うために、ｋ−ｍｅａｎｓ法や、ウォード法といったアルゴリズムを用いて学習モデルを構築する。そして、構築した学習モデルを用いて、与えられた入力データを外的基準なしに自動的に分類するクラスタリングを行う。これにより、例えば不具合や故障の検知を行うようなことができる。また、一度構築した学習モデルに対して、この学習モデルを用いた機械学習を継続することによって、更に学習モデルの精度を向上させていくことができる。

より詳細に説明すると、工作機械の不具合や故障の検知の場合であれば、測定データ群を入力とした機械学習を継続することによって、測定データそれぞれの値の確率分布を推定する。そして、推定した確率分布を用いて、新たに入力された測定データの発生確率を導く。そして、導いた発生確率が、一定以下ならば、工作機械の協働が通常の挙動と異なるので、異常が発生していると判断する。つまり、工作機械の協働が通常の挙動と異なるので、工作機械に、不具合や故障が発生している又は不具合や故障が発生する兆候があるということを検知できる。

このような確率分布の推定に基づく異常検出の方法としては、例えば、外れ値検出が考えられる。外れ値検出では、推定した確率分布を用いて、過去に機械学習の対象とした推定データ群から値が大きく外れた珍しいものを検出する。例えば、振動の振幅の値が通常からかけ離れた大きな値であるような場合に、工作機械の挙動が通常の挙動と異なるので、工作機械に、不具合や故障が発生している又は不具合や故障が発生する兆候があるということを検知できる。

本実施形態における学習部１３０は、上述したようにして機械学習を継続することによって、測定データそれぞれの値の確率分布を推定する。また、推定した確率分布を用いて、新たに入力された測定データの発生確率を導く。そして、このようにして導いた発生確率を出力結果として、通信部１４０に対して入力する。

通信部１４０は、センサインタフェース装置１００と上位装置３００の間の通信を実現するための、ネットワークインタフェースである。通信部１４０に入力された学習部１３０による機械学習の出力結果は、通信部１４０から上位装置３００に対して送信される。
かかる送信の周期が、センサ２００からセンサインタフェース装置１００にセンサデータが送信され、これをセンサインタフェース装置１００にてサンプリングする周期よりも遅くなるようにする点については、上述した通りである。

上位装置３００は、受信した発生確率を用いて、上述したように外れ値検出等を行うことにより、工作機械に、不具合や故障が発生している又は不具合や故障が発生する兆候があるということを検知できる。

なお、学習部１３０がこのように機械学習を行うというのは、あくまで一例に過ぎない。学習部１３０は、測定データ群の特徴を表す特徴データを出力するために他の方法を用いて機械学習を行ってもよい。
また、学習部１３０が、自身が導いた発生確率を上位装置３００に送信するのではなく、学習部１３０が、自身が導いた発生確率を用いて外れ値検出等を行い、その外れ値検出の結果を上位装置３００に対して送信するようにしてもよい。

次に、図３のフローチャートを参照して、本実施形態の動作について説明をする。
まず、測定データ取得部１１０が所定周期でサンプリングを行うことにより測定データを取得する（ステップＳ１１）。

次に、記憶部１２０が、ステップＳ１１において取得された測定データを記憶する（ステップＳ１２）。
次に、記憶部１２０に測定データが所定量記憶されたか、すなわち、測定データが所定量蓄えられたかを判定する（ステップＳ１３）。ここで、所定量とは上述したように例えば、１秒分の測定データである。

所定量記憶されていないならば（ステップＳ１３にてＮｏ）、ステップＳ１１及びステップＳ１２を繰り返す。

一方で、所定量記憶されたならば（ステップＳ１３にてＹｅｓ）、ステップＳ１４に進む。そして、学習部１３０が記憶された所定量の測定データである測定データ群を用いて機械学習を行う（ステップＳ１４）。

そして、通信部１４０により機械学習の出力を上位装置３００に対して送信する（ステップＳ１５）。その後、ステップＳ１１に戻り処理を繰り返す。なお、ステップＳ１４及びステップＳ１５を行うのと並行して、次回の処理のためにステップＳ１１〜ステップＳ１３を行うようにしてもよい。また、ステップＳ１５終了後、所定の時間が経過してから再度ステップＳ１１からの処理を開始するようにしてもよい。つまり、所定のインターバルを設けて処理を行うようにしてもよい。

これにより、本実施形態では、センサインタフェース装置１００から上位装置３００に特徴データを低周期に送信することが可能となる。そのため、本実施形態では、センサインタフェース装置１００と上位装置３００との間の通信経路にて通信帯域が圧迫されることを防止できる、という効果を奏する。また、受信側となる上位装置３００の負荷が軽減する、という効果も奏する。

センサインタフェース装置１００と上位装置３００の間の通信経路にて通信帯域の圧迫を防止することができる。これに対して、センサインタフェース装置１００とセンサ２００の間の通信経路では、従来と同様の通信を行うこととなる。そのため、本実施形態を実装する際は、センサインタフェース装置１００を、なるべくセンサ２００の近くに接続するとよい。

また、本実施形態では、サンプリングにより得られた測定データに対して機械学習を行うことで構築される学習モデルを用いて特徴データを抽出する。そのため、本実施形態では、単に決め打ちの方法で特徴データを抽出する場合に比較して、よりセンサの種類等に応じた特徴データを抽出することが可能となる、という効果も奏する。

更に、本実施形態では、センサインタフェース装置１００において機械学習を行うことから、上位装置３００において機械学習を行う必要がない。そのため、機械学習の機能を新たに追加することが困難なレガシーな上位装置３００に対しても、低コストで機械学習の機能を追加することが可能となる、という効果も奏する。

更に、本実施形態では、教師なし学習を適用するため、入力データにラベルを付与して教師データを作成する必要がない。そのため、教師データを作成するための人的な手間等をなくすことができる、という効果も奏する。

＜第２の実施形態＞
次に、第２の実施形態について図４及び図５を参照して説明をする。なお、後述の第３の実施形態〜第５の実施形態の説明においても同様だが、第１の実施形態と共通する構成や機能については説明を省略し、各実施形態に特有の点について詳細に説明する。

本実施形態におけるセンサインタフェース装置１０２では、第１の実施形態のセンサインタフェース装置１０１の構成に追加して、タイミング生成部１５０を更に備える。タイミング生成部１５０は、周波数を逓倍するための部分であり、例えば、位相同期回路であるＰＬＬ（Phase locked loop）により実現される。
本実施形態では、上位装置３００が送信する外部タイミング信号を通信部１４０にて受信する。そして、この外部タイミング信号を利用することにより、上位装置３００とセンサインタフェース装置１００の間で同期を取った通信を実現する。なお、外部タイミング信号は、例えば上位装置３００から所定周期で送信されてくる特徴データの要求信号である。

ここで、上述したように、本実施形態では、センサインタフェース装置１０２が上位装置３００に対して特徴データを送信する周期よりも、センサ２００から受信したアナログ波形信号であるセンサデータに対して、センサインタフェース装置１０２がサンプリングを行う周期の方が早くなるようにする。
そのため、図５に示すように、通信部１４０で受信した外部タイミング信号を、タイミング生成部１５０でｎ倍（ｎは任意の自然数）に逓倍し、内部タイミング信号を生成する。そして、生成した内部タイミング信号を測定データ取得部１１０に出力する。

なお、図５は、説明を簡略とするために模式化した図であり、一例としてｎ＝３として逓倍している。しかしながら、実際の数値としてはｎの値を更に増加させるようにしてもよい。具体的には、外部タイミング信号を例えば１ミリ秒周期で受信するので、これをタイミング生成部１５０で、例えばｎ＝１００として１００倍に逓倍して、１０μ秒周期の内部タイミング信号を生成するようにしてもよい。

測定データ取得部１１０は、この内部タイミング信号に基づいたタイミングでサンプリングして測定データを取得する。これにより、センサインタフェース装置１０２は、上位装置３００と同期を取りながら、ｎ個の測定データを用いた機械学習の結果を上位装置３００に対して出力することができる。

＜第３の実施形態＞
次に、第３の実施形態について図６及び図７を参照して説明をする。本実施形態では、複数のセンサ２００を接続する。そこで、図６に示すセンサインタフェース装置１０３ａのように、各センサ２００に対応できるように測定データ取得部１１０を複数設け、並列的に記憶部１２０に対して出力を行う。また、図７に示すセンサインタフェース装置１０３ｂのように、チャンネル選択信号を用いることにより、各センサ２００から取得した測定データを、時分割で順番に記憶部１２０に対して出力を行う。なお、図中のｍ及びｋは何れも任意の自然数である。

このように、複数のセンサ２００を利用する理由であるが、１つのセンサ２００が測定する物理量のみに基づいて機械学習を行った場合に、異常等の検知ができない場合があり得るからである。例えば、Ｘ軸の振動だけに基づいて検知できない異常も、Ｘ軸の振動とＹ軸の振動等の双方に基づけば検知できるような場合がある。いわば、複数のセンサ２００の測定する物理量に相関関係があるような場合がある。このような場合を考慮して、本実施形態では、複数のセンサ２００を利用することとしている。複数のセンサ２００は、異なる場所に配置された同一のセンサ２００であってもよいし、異なる種類のセンサ２００の組み合わせであってもよい。

図６に示すセンサインタフェース装置１０３ａでは、各測定データ取得部１１０がそれぞれ異なるセンサ２００からセンサ２００データを受信し、それぞれがサンプリングを行うことにより測定データを取得する。取得した測定データは、記憶部１２０に記憶される。この場合に、各測定データ取得部１１０に対応するように記憶部１２０で論理的に領域を分けるようにするとよい。そして、各測定データ取得部１１０は自身に対応する領域に測定データを記憶するようにするとよい。また、論理的に領域を分けるのではなく、記憶部１２０を物理的に複数設けるようにしてもよい。
そして、学習部１３０は、各測定データ取得部１１０がサンプリングした測定データを含んだ測定データ群を入力として、機械学習を行うようにするとよい。

図７に示すセンサインタフェース装置１０３ｂは、上述のセンサインタフェース装置１０３ａを変形した例である。上述したように、測定データ取得部１１０は、アナログ信号からディジタルの値をサンプリングするためのアナログ−ディジタル変換回路（以下の説明では、適宜「Ａ／Ｄコンバータ１７０」と呼ぶ。）を内部に備えている。しかしながら、Ａ／Ｄコンバータ１７０は、比較的高価な回路要素である。そのため、図７に示すように、１つのＡ／Ｄコンバータ１７０を、複数のセンサ２００からの入力に対応する複数のチャンネルで共有する。これにより、Ａ／Ｄコンバータ１７０の数を１つに抑えることができ、低コストに本実施形態を実現することが可能となる。

実装方法としては、２つの方法が考えられる。まず１つ目の方法は、複数チャンネルの入力ピンを持つＡ／Ｄコンバータ１７０ＩＣを使用する方法である。この場合、入力チャンネルの切り替えはＩＣ内で行うことができる。

また、もう１つの方法は、Ａ／Ｄコンバータ１７０ＩＣの外側にチャンネル切り替え回路を配置し、このチャンネル切り替え回路でチャンネル切り替えを行う方法である。この場合には、例えば、チャンネル切り替え回路としてアナログマルチプレクサを使用して、Ａ／Ｄコンバータ１７０ＩＣの外側でチャンネル切り替えを行う。

図７に示すのは、前者の方法である。なお、安価な回路要素はチャンネルごとに実装するようにしてもよい。例えば、ノイズ除去のために挿入される低域通過フィルタ（ＬＰＦ：Low-pass filter）は、比較的安価な回路要素である。そのため、図７にＬＰＦ１６０として示すように、複数のセンサ２００からの入力に対応する複数のチャンネルそれぞれについて挿入するとよい。

なお、何れの実装方法においても、学習部１３０を実現するためのＣＰＵ等からなるプロセッサ１０がチャンネル選択信号を出力する。そして、Ａ／Ｄコンバータ１７０ＩＣもしくはチャンネル切り替え回路は、プロセッサ１０からのチャンネル選択信号を入力し、このチャンネル選択信号に基づいて入力チャネルを選択する。これにより、センサインタフェース装置１０３ｂは、複数チャンネルで１つのＡ／Ｄコンバータ１７０を時分割で使用することが可能となる。

本実施形態によれば、複数のセンサ２００がそれぞれ測定した、相関関係があると思われる物理量を用いて機械学習を行うことができる。また、センサインタフェース装置１０３ｂのような構成とすれば、比較的高価な回路要素であるＡ／Ｄコンバータ１７０の数を１つとすることができる。

＜第４の実施形態＞
次に、第４の実施形態について図８を参照して説明をする。本実施形態のセンサインタフェース装置１０４では、周波数解析部１８０を更に追加する。周波数解析部１８０は、記憶部１２０に記憶された測定データ群に対してフーリエ変換を行うことにより周波数スペクトルを抽出する。そして、学習部１３０はこの周波数スペクトルを用いて機械学習を行うことにより特徴データを抽出する。

周波数解析部１８０は、学習部１３０を実現するためのＣＰＵ等からなるプロセッサ３０や、周波数解析を行うためのプログラムにより実現することができる。ただし、周波数解析部１８０を専用回路等のハードウェアで実現するようにしてもよい。

本実施形態では、このようにして機械学習の前処理として、フーリエ変換を行って周波数スペクトルを抽出してから、機械学習を行う。これにより、センサ２００が測定する物理量の種類等にもよるが、機械学習を効率よく行うことが可能となる。なお、周波数スペクトルの所定の帯域（例えば、所定の値より高周波の帯域や、所定の値より低周波の帯域）を切り捨ててから機械学習を行うことも可能である。ただし、何れの帯域が測定データの特徴を表しているのかが不明確な場合には、このような処理を行うことなく、全ての帯域を入力として機械学習を実行し、機械学習による判断に任せるようにするとよい。

＜第５の実施形態＞
次に、第５の実施形態について図９を参照して説明をする。本実施形態は、上述した何れかの実施形態に含まれる学習部１３０を、自己符号化器を備えた学習部４０とするものである。なお、自己符号化器に関しては公知であり、例えば、次の文献（「非特許文献１」という）に記載の技術等を利用することにより実現できる。
［非特許文献１］ Ｇ．Ｅ．Ｈｉｎｔｏｎ、Ｒ．Ｒ．Ｓａｌａｋｈｕｔｄｉｎｏｖ、“Ｒｅｄｕｃｉｎｇ ｔｈｅ Ｄｉｍｅｎｓｉｏｎａｌｉｔｙ ｏｆ Ｄａｔａ ｗｉｔｈ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ”、［ｏｎｌｉｎｅ］、平成１８年７月２８日、ＳＣＩＥＮＣＥ、［平成２８年１１月１日検索］、インターネット〈ＵＲＬ：https://www.cs.toronto.edu/~hinton/science.pdf〉

図９に、本実施形態の特徴である学習部４０を示す。図９に示すように学習部４０は、入力層４１、隠れ層４２及び出力層４３を実現するためのパーセプトロンを含むニューラルネットワークにより実現される。

入力層４１と出力層４３の次元数は同数とされる。そして、第１隠れ層４２−１において層が進むにつれて次元数が減少するようにする。そして、第２隠れ層４２−２において次元数がもっとも少なくなるようにする。また、第３隠れ層４２−３において層が進むにつれて次元数が増加するようにする。そして、上述したように入力層４１と出力層４３の次元数は同数となる。

そして、学習部４０は、記憶部１２０から入力される測定データ群を入力データとして入力層４１に入力する。そして、隠れ層４２を経て出力層４３から出力される出力データが、入力データと同じとなるように、各層での重み付けを変更するというようにして機械学習を行う。

結果として、第２隠れ層４２−２の出力が、入力データである測定データ群の特徴を、少ないデータ量でよく示しているデータとなる。そこで、学習部４０は、出力層４３の出力ではなく、第２隠れ層４２−２の出力を特徴データとして、通信部１４０に対して出力する。そして、通信部１４０はこの特徴データを上位装置３００に対して送信する。

上位装置３００は、かかる特徴データを利用して、例えば不具合や故障の発生に関する予測等を行う。この場合には、例えば、クラスタリングの方法を用いる。
具体的には、測定対象の装置が通常に動作している場合の特徴データを蓄積し、この通常時の特徴データの分布を作成しておく。例えば、測定対象の装置が稼働して１年ぐらいの間は正常に動作しているとみなし、この１年間の特徴データにより通常時の特徴データの分布を作成しておく。

そしてその後、新たな特徴データがこの分布からかけ離れているデータであるか、かけ離れていないデータであるかの何れかに分類（すなわち、クラスタリング）をする。なお、このように２つに分類するのではなく、分布からかけ離れている程度に応じて更に細かくクラスタリングされるようにしてもよい。

また、このクラスタリングの結果に基づいて、測定対象の装置に異常が発生したか否かを判断する。例えば、このクラスタリングの結果に基づいて、分布からかけ離れているデータが、一定数存在したり一定時間連続して発生したりしている場合に異常が発生しており、測定対象の装置に不具合や故障が発生していると判断することができる。

以上説明した本実施形態によれば、自己符号化器を利用することにより、センサインタフェース装置１００から上位装置３００に送信されるデータ量をより減少させることが可能となる。

以上５つの実施形態について説明をした。これらの実施形態は、それぞれ組み合わせることも可能である。例えば、第１の実施形態、第２の実施形態及び第３の実施形態の何れかの実施形態における学習部１３０の前段に、第４の実施形態の周波数解析部１８０を追加するようなことが可能である。

また、上述した実施形態は、本発明の好適な実施形態ではあるが、上記実施形態のみに本発明の範囲を限定するものではなく、本発明の要旨を逸脱しない範囲において種々の変更を施した形態での実施が可能である。

例えば、上述した上位装置３００やセンサインタフェース装置１００は、例えば数値制御装置に搭載されていたり、数値制御装置により実現されていたりしてもよい。また、この数値制御装置が、センサ２００が測定対象とする工作機械を制御する数値制御装置であってもよい。

また、学習部１３０が上述したようにして教師なし学習により構築した学習モデルに対して、更に教師あり学習や、半教師あり学習や、強化学習を行うことにより、学習モデルの精度を向上させるようにしてもよい。

なお、上記のセンサインタフェース装置や上位装置は、ハードウェア、ソフトウェア又はこれらの組み合わせにより実現することができる。また、上記のセンサインタフェース装置や上位装置により行なわれる測定情報通信方法も、ハードウェア、ソフトウェア又はこれらの組み合わせにより実現することができる。ここで、ソフトウェアによって実現されるとは、コンピュータがプログラムを読み込んで実行することにより実現されることを意味する。

プログラムは、様々なタイプの非一時的なコンピュータ可読媒体(non-transitory computer readable medium)を用いて格納され、コンピュータに供給することができる。非一時的なコンピュータ可読媒体は、様々なタイプの実体のある記録媒体(tangible storage medium)を含む。非一時的なコンピュータ可読媒体の例は、磁気記録媒体（例えば、フレキシブルディスク、磁気テープ、ハードディスクドライブ）、光磁気記録媒体（例えば、光磁気ディスク）、ＣＤ−ＲＯＭ(Read Only Memory)、ＣＤ−Ｒ、ＣＤ−Ｒ／Ｗ、半導体メモリ（例えば、マスクＲＯＭ、ＰＲＯＭ(Programmable ROM)、ＥＰＲＯＭ(Erasable PROM)、フラッシュＲＯＭ、ＲＡＭ(random access memory）)を含む。また、プログラムは、様々なタイプの一時的なコンピュータ可読媒体(transitory computer readable medium)によってコンピュータに供給されてもよい。一時的なコンピュータ可読媒体の例は、電気信号、光信号、及び電磁波を含む。一時的なコンピュータ可読媒体は、電線及び光ファイバ等の有線通信路、又は無線通信路を介して、プログラムをコンピュータに供給できる。

１０、３０ プロセッサ
２０ 測定データ取得部
４０ 学習部（自己符号化器）
４１ 入力層
４２−１ 第１隠れ層
４２−２ 第２隠れ層
４２−３ 第３隠れ層
４３ 出力層
１００、１０１、１０２、１０３ａ、１０３ｂ、１０４ センサインタフェース装置
１１０ 測定データ取得部
１２０ 記憶部
１３０ 学習部
１４０ 通信部
１５０ タイミング生成部
１６０ ＬＰＦ
１７０ Ａ／Ｄコンバータ
１８０ 周波数解析部
２００ センサ
３００ 上位装置

Claims (12)

1. センサインタフェース装置であって、
   測定手段が測定した物理量に基づくデータである、測定データを取得するデータ取得手段と、
   前記取得した測定データを記憶する記憶手段と、
   前記記憶手段が記憶した測定データ群を入力として機械学習を行うことにより、前記測定データ群の特徴を表すデータである、特徴データの抽出を行う学習手段と、
   前記学習手段により抽出された前記特徴データを上位装置に送信する通信手段と、
   を備え、
   前記測定手段と前記上位装置との通信経路の間に接続されると共に、
   当該センサインタフェース装置と前記測定手段との間の通信経路を第１通信経路とし、当該センサインタフェース装置と前記上位装置との間の通信経路を第２通信経路とした場合に、
   前記通信手段は、前記データ取得手段が前記第１通信経路を介して前記測定データを取得する周期よりも遅い周期で、前記上位装置に前記第２通信経路を介して前記特徴データを送信するセンサインタフェース装置。
2. 測定手段が測定した物理量に基づくデータである、測定データを取得するデータ取得手段と、
   前記取得した測定データを記憶する記憶手段と、
   前記記憶手段が記憶した測定データ群を入力として機械学習を行うことにより、前記測定データ群の特徴を表すデータである、特徴データの抽出を行う学習手段と、
   前記学習手段により抽出された前記特徴データを上位装置に送信する通信手段と、
   前記上位装置から周期的に受信する外部タイミング信号を逓倍することにより、内部タイミング信号を生成するタイミング生成手段と、
   を備え、
   前記測定手段と前記上位装置との通信経路の間に接続されると共に、
   前記データ取得手段は、前記内部タイミング信号に基づいたタイミングで前記測定データを取得するセンサインタフェース装置。
3. 前記学習手段は、前記入力される測定データ群を異ならせながら前記機械学習を繰り返し行うことにより学習モデルを構築していき、該構築した学習モデルを用いて新たな測定データ群から前記特徴データの抽出を行う請求項１又は２に記載のセンサインタフェース装置。
4. 前記データ取得手段を複数備え、
   前記複数のデータ取得手段の各々は、それぞれ異なる測定手段が測定した物理量に基づいて測定データを取得することを特徴とする請求項１乃至３の何れか１項に記載のセンサインタフェース装置。
5. 前記データ取得手段は、前記測定手段が測定した物理量を表すアナログ信号をサンプリングして前記測定データを取得するための１つのアナログ−ディジタル変換回路を備えており、
   前記データ取得手段は、複数の測定手段が測定した物理量を表すアナログ信号それぞれについて、前記１つのアナログ−ディジタル変換回路を時分割で利用することにより、前記測定データを取得することを特徴とする請求項１乃至４の何れか１項に記載のセンサインタフェース装置。
6. 前記記憶手段が記憶した測定データ群に対してフーリエ変換を行う周波数解析手段を更に備え、
   前記学習手段は、前記周波数解析手段によりフーリエ変換後の前記測定データ群を入力として機械学習を行うことにより、前記特徴データの抽出を行う請求項１乃至５の何れか１項に記載のセンサインタフェース装置。
7. 前記学習手段における前記特徴データの抽出に、自己符号化器を用いる請求項１乃至６の何れか１項に記載のセンサインタフェース装置。
8. 請求項１乃至７の何れか１項に記載のセンサインタフェース装置と、前記上位装置とを備えた測定情報通信システムであって、
   前記測定手段が測定する前記物理量とは、測定対象装置に関連する物理量であり、
   前記上位装置が、前記特徴データに基づいて前記測定対象装置の不具合又は故障の発生に関連する予測を行う、測定情報通信システム。
9. 測定手段と上位装置との通信経路の間に接続されるコンピュータにより行われる測定情報通信方法であって、
   前記測定手段が測定した物理量に基づくデータである、測定データを取得するデータ取得ステップと、
   前記取得した測定データを記憶する記憶ステップと、
   前記記憶ステップが記憶した測定データ群を入力として機械学習を行うことにより、前記測定データ群の特徴を表すデータである、特徴データの抽出を行う学習ステップと、
   前記学習ステップにより抽出された前記特徴データを前記上位装置に送信する通信ステップと、
   を備え、
   当該コンピュータと前記測定手段との間の通信経路を第１通信経路とし、当該コンピュータと前記上位装置との間の通信経路を第２通信経路とした場合に、
   前記通信ステップでは、前記データ取得ステップにて前記第１通信経路を介して前記測定データを取得する周期よりも遅い周期で、前記上位装置に前記第２通信経路を介して前記特徴データを送信する測定情報通信方法。
10. 測定手段と上位装置との通信経路の間に接続されるコンピュータにより行われる測定情報通信方法であって、
    前記測定手段が測定した物理量に基づくデータである、測定データを取得するデータ取得ステップと、
    前記取得した測定データを記憶する記憶ステップと、
    前記記憶ステップが記憶した測定データ群を入力として機械学習を行うことにより、前記測定データ群の特徴を表すデータである、特徴データの抽出を行う学習ステップと、
    前記学習ステップにより抽出された前記特徴データを前記上位装置に送信する通信ステップと、
    前記上位装置から周期的に受信する外部タイミング信号を逓倍することにより、内部タイミング信号を生成するタイミング生成ステップと、
    を備え、
    前記データ取得ステップでは、前記内部タイミング信号に基づいたタイミングで前記測定データを取得する測定情報通信方法。
11. 測定手段と上位装置との通信経路の間に接続されるコンピュータをセンサインタフェース装置として機能させるための測定情報通信プログラムであって、
    前記測定手段が測定した物理量に基づくデータである、測定データを取得するデータ取得手段と、
    前記取得した測定データを記憶する記憶手段と、
    前記記憶手段が記憶した測定データ群を入力として機械学習を行うことにより、前記測定データ群の特徴を表すデータである、特徴データの抽出を行う学習手段と、
    前記学習手段により抽出された前記特徴データを前記上位装置に送信する通信手段と、
    を備えると共に、
    当該センサインタフェース装置と前記測定手段との間の通信経路を第１通信経路とし、当該センサインタフェース装置と前記上位装置との間の通信経路を第２通信経路とした場合に、
    前記通信手段は、前記データ取得手段が前記第１通信経路を介して前記測定データを取得する周期よりも遅い周期で、前記上位装置に前記第２通信経路を介して前記特徴データを送信するセンサインタフェース装置として前記コンピュータを機能させる測定情報通信プログラム。
12. 測定手段と上位装置との通信経路の間に接続されるコンピュータをセンサインタフェース装置として機能させるための測定情報通信プログラムであって、
    測定手段が測定した物理量に基づくデータである、測定データを取得するデータ取得手段と、
    前記取得した測定データを記憶する記憶手段と、
    前記記憶手段が記憶した測定データ群を入力として機械学習を行うことにより、前記測定データ群の特徴を表すデータである、特徴データの抽出を行う学習手段と、
    前記学習手段により抽出された前記特徴データを上位装置に送信する通信手段と、
    前記上位装置から周期的に受信する外部タイミング信号を逓倍することにより、内部タイミング信号を生成するタイミング生成手段と、
    を備え、
    前記測定手段と前記上位装置との通信経路の間に接続されると共に、
    前記データ取得手段は、前記内部タイミング信号に基づいたタイミングで前記測定データを取得するセンサインタフェース装置として前記コンピュータを機能させる測定情報通信プログラム。

Images