JP7407889B2 - 単一エッジデバイスにおける複数の機械学習モデルの実行の最適化 - Google Patents

Description

本発明は、一般に製造システムに関し、より詳細にはエッジデバイスにおける機械学習モデルの実行の最適化に関する。

製造された製品の良品質を確実にすることは、工場における重要な要件の１つである。品質検査プロセスは、製造の種類によって決定される。分散した製造の場合、製造対象の部品は、組み立てラインを通って、またはライン間を移動する。部品がラインを通って移動する場合、部品は様々なプロセスを通過し、各プロセスは、特定の製造タスクを実行する。各プロセスは、機械によって、または人間による手作業の動作によって実施されることが可能であり、各プロセスの出力時に品質問題（たとえば、不良またはエラー）が存在し得る。多くの種類の分散製造の場合、光学的検査、または何らかの類似の種類の画像分析ベースの品質検査によって、エラーが判断される。これは、通常、最終プロセス、または固定のいくつかの中間プロセスにおいて行われる。

このエラー検査の方法論は導入および動作が容易であるが、明らかな欠点を有する。プロセスにおいてエラーが発生した場合、そのエラーは、画像ベースの品質検査を有する後続のプロセス後にのみ検出される。しかしながら、エラーの早期の検出はより迅速な診断を実現する上で助けとなり、また、それ以降のラインでの欠陥部品の不必要な伝搬を防止し得る。

関連技術の品質検査システムにおける問題に対処するいくつかの直接的な手法が存在する。一方法は、各プロセス後にセンサ（カメラを含むがそれに限定されない）を導入することを含み、発生次第エラーを捕捉するようにデータの全てを分析するために、いくつかのエッジゲートウェイ（ＧＷ）またはクラウドソリューションを使用する場合がある。ただし、そのような実施は費用がかさむ。また、そのような実施は、エラーにつながるプロセスの事前確率などの詳細を考慮しない力任せのアプローチである。そのような情報は、オペレーショナルテクノロジー（ＯＴ）のドメイン知識の一部であり、入手されると、よりインテリジェントなソリューションにつながり得る。本明細書に記載の実施例は、そのようなプロセスの事前確率を考慮に入れたアプローチに関する。

本明細書に記載の実施例において、複数の製造プロセスを通過する部品を観察し、センサのサブセットによって監視された部品中にエラーが存在するが観察するためにそのセンサのサブセットをインテリジェントに選択する、センサを用いたシステムおよび方法が存在する。１つのプロセスでエラーを観察した場合、エラーが各プロセスで発生している確率を推定する。最終的に、特定のプロセスの異常の推定確率が所定の判断基準を上回ったとき、代わりとしてそのプロセスの観察を開始する。

本開示の態様は、複数のセンサを含むシステムのための方法を含み、複数のセンサは複数のプロセスステップを観察し、方法は、観察のための複数のセンサのサブセットを選択することと、複数のセンサのサブセットから提供されたデータからの異常検出を実行することと、センサのサブセットからのセンサからの異常の検出に対して、検出された異常に基づいて複数のプロセスステップのうちのプロセスステップを選択することと、複数のプロセスステップのうちの選択されたプロセスステップに対する異常発生の確率を推定することと、所定の判断基準を満たす異常発生の推定された確率に対して、観察のための複数のプロセスステップのうちの選択されたプロセスステップと関連した複数のセンサのうちのセンサを選択することとを含む。

本開示の態様は、複数のセンサを含むシステムのための命令を有するコンピュータプログラムを含み、複数のセンサは複数のプロセスステップを観察し、命令は、観察のための複数のセンサのサブセットを選択することと、複数のセンサのサブセットから提供されたデータからの異常検出を実行することと、センサのサブセットからのセンサからの異常の検出に対して、検出された異常に基づいて複数のプロセスステップのうちのプロセスステップを選択することと、複数のプロセスステップのうちの選択されたプロセスステップに対する異常発生の確率を推定することと、所定の判断基準を満たす異常発生の推定された確率に対して、観察のための複数のプロセスステップのうちの選択されたプロセスステップと関連した複数のセンサのうちのセンサを選択することとを含む。

本開示の態様は、複数のセンサを含むシステムを含み、複数のセンサは複数のプロセスステップを観察し、システムは、観察のための複数のセンサのサブセットを選択する手段と、複数のセンサのサブセットから提供されたデータからの異常検出を実行する手段と、センサのサブセットからのセンサからの異常の検出に対して、検出された異常に基づいて複数のプロセスステップのうちのプロセスステップを選択し、複数のプロセスステップのうちの選択されたプロセスステップに対する異常発生の確率を推定する手段と、所定の判断基準を満たす異常発生の推定された確率に対して、観察のための複数のプロセスステップのうちの選択されたプロセスステップと関連した複数のセンサのうちのセンサを選択する手段とを含む。

本開示の態様は、複数のセンサを含むシステムを管理する装置を含み、複数のセンサは複数のプロセスステップを観察し、装置は、メモリから命令をロードしてプロセスを実行するように構成されたプロセッサを含み、プロセスは、観察のための複数のセンサのサブセットを選択することと、複数のセンサのサブセットから提供されたデータからの異常検出を実行することと、センサのサブセットからのセンサからの異常の検出に対して、検出された異常に基づいて複数のプロセスステップのうちのプロセスステップを選択することと、複数のプロセスステップのうちの選択されたプロセスステップに対する異常発生の確率を推定することと、所定の判断基準を満たす異常発生の推定された確率に対して、観察のための複数のプロセスステップのうちの選択されたプロセスステップと関連した複数のセンサのうちのセンサを選択することとを含む。

一実施例による、提案されたシステムの配備概要を示す図である。 一実施例による、時間の経過にともなう様々なプロセスにおける部品の例示的な到着を示す図である。 一実施例による、提案されたシステムアーキテクチャの例示的なブロック図である。 一実施例による、ＭＬモデルリポジトリの一例を示す図である。 一実施例による、開始Ｔ０後のｎＴｓに開始する時間間隔におけるセンサデータベースのデータの一例を示す図である。 一実施例による、開始Ｔ０後の（ｎ＋１）Ｔｓに開始する時間間隔における例示的なセンサデータベースを示す図である。 一実施例による、初期化モジュールの詳細を示す図である。 一実施例による、プロセスエラー推定モジュールを示す図である。 一実施例による、プロセス選択モジュールのための例示的なフローを示す図である。 一実施例による、センサモジュールのフローを示す図である。 一実施例による、初期システムの例を示す図である。 一実施例による、初期システムの例を示す図である。 一実施例による、初期システムの例を示す図である。 一実施例による、プロセスエラー推定モジュールによる確率に対する例示的な更新を示す図である。 一実施例による、プロセス選択モジュールによる例示的な選択を示す図である。 一実施例による、管理装置にネットワーク接続された複数のアセットを含むシステムを示す図である。 いくつかの実施例での使用に適した例示的なコンピュータデバイスを有する例示的なコンピューティング環境を示す図である。

以下の詳細な説明は、本願の図および実施例の詳細を提供するものである。図間で重複している要素の参照番号および説明は、明確性のために省略される。説明全体で使用される語は例として提供されたものであり、限定することは意図されない。たとえば、「自動」という語の使用は、本願の実施を実践する当業者の所望の実施に応じて、実施の特定の態様に対するユーザまたは管理者の制御を含む、全自動または半自動の実施を含み得る。選択は、ユーザインターフェースまたは他の入力手段を介してユーザによって実行可能であり、または所望のアルゴリズムを介して実施され得る。本明細書に記載するような実施例は、単独で、または組み合わせによってのいずれかで利用可能であり、その実施例の機能は、所望の実施による任意の手段を介して実施され得る。

本明細書に記載の実施例において、複数のステップの結果のそれぞれを観察するセンサを有するシステムおよび方法が存在し、いくつかのセンサは、異常を観察するために選択される。選択されたセンサのうちの１つから異常が検出されると、システムおよび方法は、複数のプロセスステップのそれぞれの異常の確率を推定し、特定のステップの異常の推定確率が所定の判断基準を上回った場合に、システムおよび方法は、代わりとして、そのステップの観察を開始する。

図１は、一実施例による、提案されたシステムの配備概要を示す図である。製品１１のサンプル部品は、一連のプロセスＸ１１０１、Ｘ２１０２、Ｘ３１０３などを通過する。各プロセス後、対応する監視複合センサ（すなわち、プロセスＸ１１０１を監視するセンサ１２１、プロセスＸ２１０２を監視するセンサ１２２、プロセスＸ３１０３を監視するセンサ１２３）が存在する。なお、ここで、「センサ」という用語は、カメラを含むがこれに限定されない複数のセンサからの集約値を示すために使用されることに留意されたい。各プ
ロセスステップにおいて、製品１１の新しい部品が初期プロセスＸ１にＴＳ秒毎に到着し、プロセスに既に存在する部品が次のプロセスに移動するものとする。

一例が図２に示され、図２は、一実施例による、時間の経過にともなう様々なプロセスにおける部品の例示的な到着を示す。任意の時間間隔ＴＳ（プロセスステップ）において、全センサからのデータがエッジＧＷ１３で収集される。エッジＧＷ１３は、品質問題またはエラーを検出するために機械学習／人工知能（ＭＬ／ＡＩ）ベースの推論を実行し、これは、間隔ＴＳ中に完了される必要がある。たとえば、図２の時間３ＴＳに、エッジＧＷは、Ｘ１での部品００４からのセンサデータ、Ｘ２での部品００３からのセンサデータ、およびＸ３での部品００２からのセンサデータを有する。目標としては、費用有効な解決策を提供することであるため、この単一のエッジＧＷに多数のセンサが接続されることが仮定される。これは、さらに、エッジＧＷが同一の時間間隔において全センサからのデータを分析できないことを意味する。

この実施例によれば、エッジＧＷ１３は、全センサ１２１、１２２、１２３などからデータを受信し、エラー検査／異常検出を実行するなどのために、観察のためのセンサのサブセットを動的に選択する。たとえば、センサ１２２が選択された場合、これは、部品がプロセスＸ２にある時、センサ１２２から提供されたデータは、異常検出の実行によって、品質問題のために点検され得ることを意味する。いずれのプロセスがエラーを有する可能性が最も高いかの推定に基づいて、センサ（および対応するプロセス）が選択される。時間の経過にともなって、提案されるシステムおよび方法は、エラーの発生後の遅延を最小限としながらエラーが捕捉されることを確実にする。

本明細書に記載するような実施例では、センサのサブセットのうちの１つまたは複数のセンサから異常またはエラーが検出された場合、その異常と関連するプロセスステップが選択されるとすぐに、選択されたプロセスステップに対する異常発生の確率が推定される。そのような発生の推定確率が所定の判断基準を満たす場合、そのような選択されたプロセスステップ（たとえば、別のサブセット）と関連したセンサは、次の繰り返しにおいて観察のために使用される。本明細書に記載されるように、所望の実施により、所定の判断基準は、閾値に基づくことが可能であり、最も高い確率を有することに基づいて選択されることが可能である、等である。エッジＧＷ１２１が、所望の実施に応じて、限定されたコンピューティングリソースを有する傾向にあるため、エッジＧＷ１２１は、複数のセンサの前のサブセットからのデータの観察も停止することもでき、観察のためにセンサの他のサブセットを使用できる。

それによって、１つの処理エンティティ（エッジＧＷ）でも、エラーを有する可能性が最も高いプロセスではない場合がある固定プロセスにおいて点検をネイティブに実行する関連技術のシステムと比較して、より良好な性能が実現可能である。エラーを有する可能性が最も高いプロセスは静的ではなく、むしろ、そのようなプロセスは、単純に選択され得る。本明細書に記載の実施例は、ドメイン知識からの静的アプリオリ情報と、動的な製造管理条件（たとえば、機械不具合、シフトの変更、新人の未経験の作業者など）との組み合わせを利用して、エラーを有するプロセスを動的に評価する。

エッジＧＷ１３は、いずれのプロセスをエラー検査のために選択するかなど、重要な管理およびオーケストレーション命令を取得するために、リモート管理サーバ１４と定期的に通信する。高帯域幅センサデータは、ローカルとするためにエッジＧＷ１３に存在し、リモートサーバ１４への送信の必要性をなくし、それによって費用を節約する。

さらに、そのような実施例によって、センサの数を、観察のためにデータが処理されるセンサのサブセットに限定することによって、センサデータを処理するための必要なコンピューティングリソースが節約される。非選択センサは、所望の実施にしたがってアクティブ状態に維持されることが可能であり、または所望の実施にしたがってリソースを節約するために、アクティブなセンサの数を削減するようにオフ状態にされることが可能である。そのようにして、観察のためにエッジＧＷによって管理されるセンサの効率的なサブセットを利用しながら、エッジＧＷの限定されたリソースは適切に管理され得る。

図３は、一実施例による、提案されたシステムアーキテクチャの例示的なブロック図である。提案されたシステムのブロック図は図３に示され、管理サーバ１４とエッジＧＷ１３との間の相互作用をとらえたものである。管理サーバ１４は、以下のモジュールを含み得る。

初期化モジュール２０は、本明細書に説明される重要なシステムパラメータを初期化する。初期化モジュール２０は、ＭＬ／ＡＩベースのエラー検査がそれらのセンサデータに対して実行されるように、いずれのプロセスが選択されるべきかなど、起動時のシステムの挙動を定義する。

プロセスエラー推定モジュール２１は、時間間隔ＴＳ毎に、現在選択されている各プロセスに対する（エッジＧＷのＭＬモデル推論モジュール２７からの）推論結果を観察する。エラーが観察された場合、いずれのプロセス（エラーが観察されたプロセス以前のプロセス）においてエラーが発生した可能性が最も高いかを推定する。推論を実行するためのさらなるリソースがそのエッジＧＷに存在する場合、さらなるプロセスからのセンサ値が分析され得る。

プロセス選択モジュール２２は、ピックされるべき新規プロセスを選択し、それによって、それらのセンサデータに対してＭＬ／ＡＩモデルベースのエラー／異常検査が実行される。これは、プロセスエラー推定モジュール２１からの、いずれのプロセスがエラーを有する可能性が最も高いかについての推定に基づく。

サーバにおけるＭＬモデル更新モジュール２３は、対応モジュールであるエッジにおけるＭＬモデル更新モジュール２５に更新済みＭＬモデルを送信する。ＭＬモデルは、部品における品質エラーまたは異常を判断する推論を実行する。この動作を実現するアプローチは複数存在し得る。最も一般的なのは、ＫｕｂｅｒｎｅｔｅｓによるＭＬモデルオーケストレーションであり、ＭＬモデルは、ドッカーコンテナとしてパッケージングされ、サーバにおけるＭＬモデル更新モジュール２３からエッジにおけるＭＬモデル更新モジュール２５へ出荷される。

ＭＬモデルリポジトリ２４は、全ての可能なセンサ１２１、１２２、１２３などからのセンサデータに関して訓練されたいくつかの異なるＭＬモデルを格納する。この訓練は、本発明が属する分野で知られるように、任意の所望の実施にしたがって前もって行われると想定される。図４は、一実施例による、ＭＬモデルリポジトリの一例を示す図である。所望の実施に応じて、ＭＬモデルリポジトリは、各行が異なるＭＬモデルの識別子（ＩＤ）３０１であり各列がそのモデルの詳細を含む表形式を有し得る。そのような詳細は、データが訓練のために使用されているセンサを識別するそれぞれのデータソース３０２、生成プロセス中に割り当てられるコンテナのＩＤ３０３（なお、厳密に言えば、モデルリポジトリに格納されているものはコンテナ画像であり、実際に実行されているコンテナではないことに留意されたい）、監視しているデータソースまたはプロセスを識別するように説明的で有り得るコンテナの名称３０４、作成日３０５、コンテナが配備された時のサイズ３０６、および実際のコンテナ画像（ＭＬモデル）３０７である。

エッジＧＷ１３は、定期的な間隔でサーバにおけるＭＬモデル更新モジュール２３から１つまたは複数のＭＬモデル情報を受信し、３０２で識別されるデータソースのためにモデル３０７を実行する、エッジにおけるＭＬモデル更新モジュール２５を含む。

エッジＧＷ１３は、さらに、センサの切り換えを制御しセンサ１２１、１２２、１２３などからデータを取得するセンサモジュール２６を含む。このモジュールは、センサからのアナログデータへ接続し、そのデータをウィルス駆除し、機械学習のために後で分析され得る形式に変換するライブラリおよびデバイスドライバを有するものとする。

データベース２９は、図５および図６に示されるデータの形態で、時間間隔ＴＳ毎にセンサ値を一時的に格納するために使用される。図５は、一実施例による、開始Ｔ０後のｎＴｓに開始する時間間隔におけるセンサデータベース２９のデータの一例を示す図である。図５の例は、Ｔ０＋ｎＴｓからＴ０＋（ｎ＋１）ＴＳへの所与の時間間隔中にこのデータベース２９のデータがどのように見えるかに関するものであり、Ｔ０は、何らかの開始時点（たとえば、システムが動作を開始した時点）であり、ＴＳは、上述したように、その後に新規部品が組み立てラインに到着する時刻である。この表は、部品のＩＤ４０３および時間間隔４０４を含むキーフィールド４０１によってインデックスされる。表４０２のデータ部分は、部品４０３のデータを記録するデータソース４０５と、実際のセンサデータ４０６とを含む。なお、このデータベースは、ＴＳ毎に更新されることに留意されたい。

図６は、一実施例による、開始Ｔ０後の（ｎ＋１）ＴＳに開始する時間間隔における例示的なセンサデータベースを示す図である。特に、図６は、データベースが次の間隔でどのように進化するかを示す。

図６に示すように、それぞれの新しい時点において、現在のエントリを格納するために、古いエントリのうちのいくつかは削除され得る。これは、エッジＧＷにおけるリソースによって決まる。本明細書に記載の実施例は、リソースが制約を受けているエッジＧＷを対象としたものであり、したがって、エッジＧＷで大格納容量を有するデータベースを管理することは可能ではない場合があるものとする。また、データベースのためのリソースが全くない場合もあるが、本明細書に記載されるような実施例は、状況に応じて修正可能である。

ＭＬモデル推論モジュール２７は、入力としてデータベース２９からセンサデータ、およびエッジにおけるＭＬモデル更新モジュール２５から対応ＭＬモデルを取得し、推論を実行する。この推論の結果（すなわち、品質エラーの存否）は、管理サーバからプロセスエラー推定モジュール２１へ渡される。

部品決定モジュール２８は、ＭＬモデル推論モジュール２７に基づいて部品をどのように扱うかを決定する。品質問題が存在する場合、工場の方針にしたがって、又は所望の実施にしたがって、その部品は破棄されるか、または二次点検に進められる。問題がない場合、ＴＳの時間後に次のプロセスに進められる。

図７は、一実施例による、初期化モジュールの詳細を示す図である。初期化モジュール２０は、以下のフローを含む。

６０１で、製品情報を製造実行システム（ＭＥＳ）から取得する。これによって、いずれの間隔ＴＳで、その製品の部品が到着するかがわかる。これによって、その製品の品質問題を検出することに関連するＭＬモデルをどのように選択するかがわかる。また、６０２で説明するように、製品が通過しなければならないプロセスに関する情報を与える。

６０２で、６０１で識別された部品が通過するプロセスのセットが取得され、Ｘ１からＸＮまでインデックスされ、ここで、Ｎはその製品に対するプロセスの総数を示す。これらのプロセスは、製品によって異なり得る。

６０３で、フローは、１からＮまでの全てのＫに対する測度Ｐ（０）（ＸＫ）を初期化し、これによって、品質エラーが発生した場合はプロセスＸＫに起因する、という信条が取り込まれる。これは、工場のオペレータから取得されたドメイン知識に基づいて割り当てられ得る。ドメイン知識が存在しない場合、可能な一実施例は、その値を１／Ｎに設定する
。特別な場合において、Ｐ（０）（ＸＫ）が確率測度であると考えられる場合、０≦Ｐ（０）（ＸＫ）≦１であり、以下であることをさらに確実とする必要がある。

６０４で、フローは、プロセス選択モジュール２２で後に使用され得る基準分布Ｑ（Ｋ）を定義し、その詳細は本明細書において後述される。

６０５で、フローは、最初に監視され得るＮ個のプロセスからプロセスの数Ｍを決定する。これは、それらのセンサからの値がＭＬモデル推論モジュールに渡されることを意味する。前述した通り、本実施例は、時間間隔において全Ｎ個のセンサからのデータを分析できない、リソースが制約されたエッジＧＷを対象とするものである。また、プロセスの数Ｍの選択は、利用可能なコンピューティングリソースに基づいて規制され得る。

所望の実施に応じて、プロセスステップの数の選択は、利用可能なコンピューティングリソースに基づいて規制され得る。たとえば、そのエッジＧＷが利用可能なコンピューティングリソースに基づいて設定数のプロセスまでしか観察できない場合、プロセスの数Ｍは、所望の実施にしたがった数に設定され得る。同様に、そのエッジＧＷが、所定数のセンサまで観察するのに利用可能なコンピューティングリソースしか有さない場合、それらのＭ個のプロセスからのセンサは、所望の実施にしたがって特定の数まで規制され得る。

６０６で、それらのＭ個のプロセスの識別が決定され、ここで、Ｍは６０５で選択されたものである。エラーがこのプロセスで発生している場合は他の方法で検出されることができないため、最後のプロセスＮが選択される。さらに、大部分のベースラインの現在のシステムにおいて、これは選択されているプロセスであり、したがって、システムがどの程度良好に動作するかを評価するのがより単純である。残りのＭ－１個のプロセスは、測度Ｐ（０）（ＸＫ）のＭ－１個の上位エントリとして選択される。Ｐ（０）（ＸＫ）のＭ－１個の一意の値が存在しない場合（全てが１／Ｎに初期化された場合など）、Ｍ－１個のプロセスを無作為に選択する。

６０７で、フローは、６０１で識別された製品および６０６で識別されたＭ個のデータソースに対する適切なＭＬモデルを選択する。なお、６０６のフローは、データソースと直接対応関係を有する監視対象のプロセスを識別することに留意されたい。

図８は、一実施例による、プロセスエラー推定モジュール２１を示す図である。図８に示すようなプロセスエラー推定モジュール２１の詳細は以下の通りである。

７０１で、フローは、時刻ｔにおいて、プロセスＸＫ中の部品にエラーが発生したかを観察する。このフローは、ＭＬモデル推論モジュール２７からの推論結果を読み出すことによって、１からＮの全プロセスＫに対して（すなわち、それらの異なるプロセス中にある全ての異なる部品に対して）実行される。なお、ここで、ｔは、ＴＳの不連続のプロセスステップにおいて増加することに留意されたい。

エラーが存在しない場合、７０２で、フローは、前の間隔、すなわち、Ｐ（ｔ＋１）（ＸＫ）＝Ｐ（ｔ）（ＸＫ）における確率を単純に保持する。

時刻ｔにおいてプロセスＸＫ中における部品にエラーが観察された場合、時刻ｔにおいてプロセスＸＫでその部品にエラーが発生したことを意味しない。部品が前に何らかの他のプロセスにあった時にエラーが発生したが、全センサからのデータが分析されなかったために検出されなかった可能性がある。リソースが制約されたエッジＧＷの基本的な前提として、監視されているプロセスの数「Ｍ」は、６０５のフローで説明したように、プロセスの総数Ｎ未満である。

７０３で、フローは、まず、追加プロセスの数Ｌを決定し、そのデータは、新しい部品の到着前に、ＴＳの時間内にエラーの原因を求めて検査され得る。これは、エッジＧＷにおいて利用可能なリソースによって決まる。なお、リソースが追加処理をサポートしないエッジＧＷに対して、所望の実施を容易にするために、このフローは必要に応じて省略され得ることに留意されたい。

７０４で、フローは、データの分析が必要なＬ個のプロセスを選択する。最初に、フローは、全ての分析済みセンサ値にわたる可能性を連結することによって、エラーが発生した可能性のある全ての可能性のあるプロセスを検討する。フローは、エラーを有する部品のＩＤと、エラーが発生した可能性のある時刻とを決定する。フローは、さらに、センサデータベース２９に格納されたその時間間隔中のその部品ＩＤと対応するデータが存在するかをチェックする。その後、フローは、発見的方法に基づいて、Ｌ個の部品ＩＤおよび時間間隔を選択する。さらに、７０３で説明したように、リソースが追加処理をサポートしないエッジＧＷに対して、このフローは、所望の実施により残りの部分の動作に影響せずに省略され得ることができる。

７０５で、フローは、エラーが発生した可能性があるプロセスのセットＳ１を決定する。７０６で、フローは、エラーが発生した可能性がないプロセスのセットＳ２を決定する。７０７で、フローは、セットＳ１およびＳ２に対して個別に測度Ｐ（ｔ＋１）（ＸＫ）を更新する。このフローを実行する手法は複数存在し得る。第１の例では、測度Ｐ（ｔ＋１）（ＸＫ）は、セットＳ１におけるＸＫの値毎に増加される。たとえば、ＸＫがＳ１に属する場合Ｐ（ｔ＋１）（ＸＫ）＝Ｐ（ｔ）（ＸＫ）＋Ｄであり、またはＸＫがＳ１に属する場合Ｐ（ｔ＋１）（ＸＫ）＝ρ＊Ｐ（ｔ）（ＸＫ）であり、ここで、Ｄおよびρは、初期化段階２０において定義され得るシステム定数である。

第２の例では、Ｐ（ｔ）（ＸＫ）は、各時刻ｔにおける確率測度であると考えられる。この場合、本実施例は、０≦Ｐ（ｔ）（ＸＫ）≦１と、全ｔに対して以下を確実にする。

なお、６０３のフローは、最初の時間ステップに対しても同様であることを確実にすることに留意されたい。したがって、時刻ｔ＋１では、セットＳ１で確率Ｐ（ｔ）（ＸＫ）を増加するのに十分ではないが、その確率は、セットＳ２において同様に減少する必要もある。これを行うために、フローは、まず、セットＳ１からセットＳ２へ移動され得る適した確率塊Δを決定する。Δを決定するための判断基準は、移動後も、全確率が依然として０と１との間になければならないことである。以下の式によって実現され得ることがわかり、ただし、｜Ｓ｜は、セットＳにおける濃度（エントリの個数）である。

この後、フローは、新しい確率を以下の通り計算する。 セットＳ１の全ＸＫに対して、Ｐ（ｔ＋１）（Ｘｋ）＝Ｐ（ｔ）（Ｘｋ）＋Δ／｜Ｓ１｜ セットＳ２の全ＸＫに対して、Ｐ（ｔ＋１）（Ｘｋ）＝Ｐ（ｔ）（Ｘｋ）－Δ／｜Ｓ２｜

上記で説明したように、検出された異常に基づくプロセスステップの選択は、異常が検出されたセンサと関連するプロセスラインとともに、プロセスがどのように配備されたかに基づくプロセス順序に基づいて実行される。そのような関係は、工場のオペレータから提供されることが可能であり、または図２に示すような到着情報から導出されることが可能である。そのような要素のそれぞれの関連性は、統計的距離などの距離の形態で表される。次に、図９のプロセス選択モジュール２２の詳細は以下の通りである。

８０１で、時刻ｔにおいて、フローは、測度Ｑ（ｋ）と測度Ｐ（ｔ＋１）（ＸＫ）との間の距離を比較する。先行技術で言及される距離の計算方法は、数多く存在し得る。たとえば、そのような計算は、ベクトルＱ（ｋ）とベクトルＰ（ｔ）（ＸＫ）との間の平均二乗差を含み得るが、それに限定されない。確率測度に対する他の例は、カルバックライブラー距離の適用を含み得る。他の例は、距離計算の他の手法は、Ｐ（ｔ）（ＸＫ）の個々の値を参照し、「ｋ」の１つまたは複数の値を確認し、それらの全ての値「ｋ」の値｜Ｑ（ｋ）～Ｐ（ｔ）（ＸＫ）｜の関数として距離を計算することでもよい。これは、分布全体をともに参照することを含む他の例とは異なる。

８０２で、フローは、この距離が初期化モジュール２０で定義されたような所定の閾値を上回っているかを決定する。８０２に対する回答が「いいえ」の場合、フローは、８０３に示すように何もしない。８０２に対する回答が「はい」の場合、８０４で、フローは、基準分布をＱ（ｋ）＝Ｐ（ｔ＋１）（ＸＫ）に更新する。

８０５、８０６および８０７のフローは、初期化中に実行された６０５、６０６および６０７のフローと類似しているが、今回は時刻ｔで実行される。

８０５で、フローは、監視され得るＮ個のプロセスからプロセスの数Ｍを決定する。これは、それらのセンサからの値がＭＬモデル推論モジュールに渡されることを意味する。

８０６で、フローは、それらのＭ個のプロセスの識別を決定し、ここで、Ｍは８０５で選択されたものである。６０６のフローのように、最後または最終のプロセスＮが常に選択される。残りのＭ－１個のプロセスは、測度Ｐ（ｔ＋１）（ＸＫ）のＭ－１個の上位エントリとして選択される。Ｐ（ｔ＋１）（ＸＫ）のＭ－１個の一意の値が存在しない場合、フローは、Ｍ－１個のプロセスを無作為に選ぶ。

８０７で、フローは、６０１のフローで識別された製品と、８０６のフローで識別されたＭ個のデータソースとに対する適切なＭＬモデルを選択する。

図１０は、一実施例による、センサモジュールのフローを示す図である。図１０に示すようなセンサモジュール２６の例において、以下のフローが実行される。

信号９０１は、エッジにおけるＭＬモデル更新モジュール２５から来る。信号９０１は、いずれのセンサがアクティブあるかに関する情報を含む。センサは、そのセンサのデータに対して実行される、エッジにおけるＭＬモデル更新モジュール２５によって取得されたＭＬモデルが存在する場合に、アクティブであると判断される。センサのデータに対して実行される、エッジにおけるＭＬモデル更新モジュール２５にＭＬモデルが存在しない場合、そのセンサは、非アクティブであると判断される。

任意の時間において、フローに９０２で示されるセンサ切換モジュールは、その時間において非アクティブであるが前の時間にアクティブであったセンサのいくつか（または全部）をオフ状態に切り換え得る。同様に、その時間においてアクティブであるがその前の時間に非アクティブであったいくつかのセンサをオン状態に切り換え得る。

データ取得モジュール９０３は、その後、オン状態に切り換えられた全センサからのデータ取得を実行する。このモジュールは、センサからのアナログデータへ接続し、そのデータをウィルス駆除し、機械学習のために後で分析され得る形式に変換するライブラリおよびデバイスドライバを有するものとする。

図１１、図１２、および図１３は、一実施例による、初期システムの例を示す図である。提案されたシステムの動作を示すために、監視対象のプロセスが５個存在する図１１に示した単純な例を考える。様々なモジュールの動作は以下の通りに示され得る。

初期化モジュール２０はＰ（０）（ＸＫ）を初期化し、確率測度が仮定される。その後、図１２に示すように、全てのＫに対してＰ（０）（ＸＫ）＝０．２となる。Ｍ＝２と判断したとする。Ｘ５を選択し、その後、最初の監視のために残りのＭ－１＝１個のプロセスを選択する。全てのＰ（０）（ＸＫ）が同じであるため、この選択は無作為に行われる。Ｘ３が選択されたとする。これが、図１３の例において示される。本実施例は、プロセスＸ３およびＸ５で品質エラーを検出するために、Ｘ３およびＸ５におけるセンサからのデータに関して訓練されたＭＬモデルを選ぶ。サーバにおけるＭＬモデル更新モジュール２
３は、それらのモデルを、エッジにおけるＭＬモデル更新モジュール２５へ更新する。

エッジＧＷ１３は、データ取得および推論をＴＳ秒毎に定期的に実行する。推論の結果は、管理サーバのプロセスエラー推定モジュール２１に渡され、プロセスエラー推定モジュール２１は、どこでエラーが発生した可能性があるかの推定を試みる。たとえば、部品がＸ３にある時にその部品でエラーが観察されると、そのエラーは、部品がＸ１またはＸ２またはＸ３にあった時に発生した可能性がある。部品がＸ５にあった時に部品でエラーが観察された場合、そのエラーは、部品がＸ４またはＸ５にあった時に発生した可能性があるが、部品がＸ３にあった場合に部品がエラー検査を通過したため、Ｘ１からＸ３にあった時に発生した可能性はない。したがって、後者の例では、検出された異常またはエラーに基づいてプロセスステップを選択する際に、前に観察されたプロセスステップ（Ｘ３）まで、観察が行われなかった各非観察先行プロセスステップ（たとえば、そのプロセスの対応センサを監視しないため）（Ｘ４）とともに、エラーまたは異常が検出されたプロセスステップが選択される（Ｘ５）。

エッジＧＷ１３は、データ取得および推論をＴＳ秒毎に定期的に実行する。推論の結果は、管理サーバのプロセスエラー推定モジュール２１に渡され、プロセスエラー推定モジュール２１は、どこでエラーが発生した可能性があるかの推定を試みる。たとえば、部品がＸ３にある時にその部品でエラーが観察されると、そのエラーは、部品がＸ１またはＸ２またはＸ３にあった時に発生した可能性がある。部品がＸ５にあった時にその部品でエラーが観察された場合、そのエラーは、部品がＸ４またはＸ５にあった時に発生した可能性があるが、部品がＸ３にあった場合に部品がエラー検査を通過したため、Ｘ１からＸ３にあった時に発生した可能性はない。

追加処理の影響を理解するために、部品に対してエラーがＸ３で観察された場合を考えるとともに、Ｌ＝１がエッジＧＷにおける追加リソースであると考える。この場合、部品がＸ１またはＸ２にあった時に同一の部品の画像が格納されているかを確認するために、データベースに対する検査が行われる。格納されている場合、プロセスエラー推定モジュール２１は、存在する１つの画像を選択し（または両方が存在する時にそれらのうちの１つを無作為に選択し）、推論を実行する。それに応じて、メモリまたはデータベースの格納センサデータに対する異常検出に基づいてプロセスステップを選択することが可能である。そのような実施例は、たとえば、エッジＧＷにおいてディスクドライブへデステージされたデータ、低優先度のセンサデータ、キャッシュ中に格納されている未処理センサデータなど、所望の実施に応じて実行され得る。

プロセスエラー推定モジュール２１は時間の経過にともなって動作するため、確率Ｐ（ｔ）（ＸＫ）を更新する。時刻「ｔ」後に、その形態は、図１４に示す通りとなるものとする。図１４は、一実施例による、プロセスエラー推定モジュールによる確率に対する例示的な更新を示す図である。

プロセス選択モジュールは、その後、ＫＬダイバージェンスなどの距離測度を使用して、現在のＰ（ｔ）（ＸＫ）を、図１２に示すような基準分布Ｑ（ｋ）と比較する。時刻「ｔ」で距離が長いとみなされた場合、基準分布をＱ（ｋ）＝Ｐ（ｔ）（ＸＫ）に更新して新しいＱ（ｋ）に基づいて監視する新しいプロセスを選択することを決定する。この場合、実行される選択が図１５に示される。Ｐ（ｔ）（Ｘ２）が最も高い確率測度を有するためにプロセスＸ２が選択され、最後の確率測度であるためにプロセスＸ５が選択される。それに応じて、次の観察のためのプロセスステップの選択は、最後に観察されたプロセスステップとともに、異常またはエラー発生の最も高い推定確率を有するプロセスステップのうちのプロセスステップを含み得る。所望の実施に応じて、最も高いプロセスステップが選択されることが可能であり、または特定の閾値を上回るプロセスステップの全てが選択されることが可能である。

それによって、本明細書に記載の実施例は、時刻毎に各プロセスを分析する必要なく、複数の製造プロセスにおいてセンサデータ分析ベースの品質検査を同時に実行するためのインテリジェントな方法を容易にし得る。これは、工場に配備され得るリソースが制約されたＩｏＴエッジＧＷで上記ソリューションを実施できるようにし、それによってそのデジタル変換を容易にする。

図１６は、一実施例による、管理装置にネットワーク接続された複数のアセットを含むシステムを示す図である。１つまたは複数のアセットシステム１６０１は、管理装置１６０２に接続されたアセットシステム１６０１の対応オンボードコンピュータまたはモノのインターネット（ＩｏＴ）デバイスを介して、ネットワーク１６００（たとえばローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ））に通信可能に結合される。管理装置１６０２は、アセット１６０１から収集された履歴データを含むデータベース１６０３を管理し、さらに、アセットシステム１６０１中のアセットのそれぞれに対するリモート制御を容易にする。代替的な実施例では、アセットからのデータは、データを取り込む独自データベースなどの中央リポジトリまたは中央データベース、またはエンタープライズリソースプランニングシステムなどのシステムに格納されることが可能であり、管理装置１６０２は、中央リポジトリまたは中央データベースからのデータにアクセスしたり、データを取り出したりすることが可能である。アセットシステム１６０１は、所望の実施によるエアコンプレッサー、旋盤、ロボットアームなどであるが、それに限定されない、所望の実施にしたがって、組み立てラインまたは製造ラインなどの物理的プロセスで使用される物理的システムを含むことが可能であり、さらに、アセットシステム１６０１の基本アセットを管理するように構成されたエッジゲートウェイを含むことが可能である。そのようなアセット１６０１のセンサから提供されたデータは、分析が実行され得る、本明細書に記載するようなデータフローの役割を果たすことが可能であり、そのデータは、アセットシステム１６０１においてアセットのセンサからエッジゲートウェイへ送信されるとすぐに、そのようなデータは、管理装置１６０２による管理前に、本明細書の実施例に記載されるように、エッジ分析または異常検出で処理され得る。

図１７は、アセットシステム１６０１でアセットを管理するエッジゲートウェイおよび図１６に示すようなプロセスステップを監視する対応センサ、アセットシステム１６０１のアセットのオンボードコンピュータ、または管理装置１６０２など、いくつかの実施例での使用に適した例示的なコンピュータデバイスを有する例示的なコンピューティング環境を示す図である。コンピューティング環境１７００におけるコンピュータデバイス１７０５は、１つまたは複数の処理ユニット、コア、またはプロセッサ１７１０、メモリ１７１５（たとえばＲＡＭ、ＲＯＭ、および／または同様のもの）、内部ストレージ１７２０（たとえば磁気、光学、ソリッドステートのストレージ、および／または有機）、および／またはＩ／Ｏインターフェース１７２５を含むことが可能であり、そのいずれかは、情報を通信するための通信機構またはバス１７３０上で結合されることが可能であり、またはコンピュータデバイス１７０５に組み込まれ得る。Ｉ／Ｏインターフェース１７２５は、所望の実施に応じて、カメラから画像を受信する、またはプロジェクターまたはディスプレイに対して画像を提供するようにさらに構成される。

コンピュータデバイス１７０５は、入力／ユーザインターフェース１７３５および出力デバイス／インターフェース１７４０に通信可能に結合され得る。入力／ユーザインターフェース１７３５および出力デバイス／インターフェース１７４０の一方または両方のいずれかは、有線または無線インターフェースであることが可能であり、取り外し可能であることが可能である。入力／ユーザインターフェース１７３５は、入力を提供するために使用可能である、物理的または仮想的な任意のデバイス、コンポーネント、センサまたはインターフェース（たとえば、ボタン、タッチスクリーンインターフェース、キーボード、ポインティング／カーソルコントロール、マイクロフォン、カメラ、ブライユ、動きセンサ、光学読取装置、および／または同様のもの）を含み得る。出力デバイス／インターフェース１７４０は、ディスプレイ、テレビ、モニタ、プリンタ、スピーカー、ブライユ、または同様のものを含み得る。いくつかの実施例では、入力／ユーザインターフェース１７３５および出力デバイス／インターフェース１７４０は、コンピュータデバイス１７０５とともに組み込まれることが可能であり、またはそれと物理的に結合されることが可能である。他の実施例では、他のコンピュータデバイスが、コンピュータデバイス１７０５のための入力／ユーザインターフェース１７３５および出力デバイス／インターフェース１７４０として機能し得る、またはその機能を提供し得る。

コンピュータデバイス１７０５の例は、高移動性デバイス（たとえばスマートフォン、車両および他の機械に搭載されたデバイス、人または動物によって保持されるデバイス、および同様のもの）、モバイルデバイス（たとえばタブレット、ノートブック、ラップトップ、パーソナルコンピュータ、携帯型テレビ、ラジオ、および同様のもの）、および移動性のために設計されていないデバイス（たとえば、デスクトップコンピュータ、他のコンピュータ、情報キオスク、１つまたは複数のプロセッサが組み込まれたテレビおよび／または１つまたは複数のプロセッサが結合されたテレビ、ラジオ、および同様のもの）を含み得るが、それに限定されない。

コンピュータデバイス１７０５は、同一または異なる構成の１つまたは複数のコンピュータデバイスを含む、任意の数のネットワーク接続されたコンポーネント、デバイス、およびシステムとの通信のために、（たとえば、Ｉ／Ｏインターフェース１７２５を介して）外部ストレージ１７４５およびネットワーク１７５０へ通信可能に結合され得る。コンピュータデバイス１７０５または他の任意の接続済みコンピュータデバイスは、サーバ、クライアント、シンサーバ、汎用機械、専用機械、またはその他として機能し、そのサービスを提供し、またはそれらの名称で呼ばれることが可能である。

Ｉ／Ｏインターフェース１７２５は、コンピューティング環境１７００における少なくとも全ての接続済みコンポーネント、デバイス、およびネットワークへ、および／またはそこからの情報通信のために、任意の通信またはＩ／Ｏプロトコルまたは規約（たとえばＥｔｈｅｒｎｅｔ、８０２．１１ｘ、ユニバーサルシステムバス、ＷｉＭａｘ、モデム、セルラーネットワークプロトコル、および同様のもの）を使用する有線および／または無線インターフェースを含み得るが、それに限定されない。ネットワーク１７５０は、（たとえばインターネット、ローカルエリアネットワーク、ワイドエリアネットワーク、電話網、セルラーネットワーク、衛星ネットワーク、および同様のものなどの）任意のネットワークまたはネットワークの組み合わせであり得る。

コンピュータデバイス１７０５は、一時的媒体および非一時的媒体を含むコンピュータ使用可能媒体またはコンピュータ可読媒体を使用すること、および／またはそれを使用して通信することが可能である。一時的媒体は、伝送媒体（たとえば金属ケーブル、光ファイバー）、信号、搬送波、および同様のものを含む。非一時的媒体は、磁気媒体（たとえば、ディスクおよびテープ）、光学媒体（たとえばＣＤ ＲＯＭ、デジタルビデオディスク、Ｂｌｕ－ｒａｙ（登録商標）ディスク）、ソリッドステート媒体（たとえばＲＡＭ、ＲＯＭ、フラッシュメモリ、ソリッドス
テートストレージ）、および他の不揮発性ストレージまたはメモリを含む。

コンピュータデバイス１７０５は、いくつかの例示的なコンピューティング環境において技法、方法、アプリケーション、プロセス、またはコンピュータ実行可能命令を実施するために使用され得る。コンピュータ実行可能命令は、一時的媒体から取り出され、非一時的媒体に格納され、そこから取り出されることが可能である。実行可能命令は、任意のプログラミング言語、スクリプト言語、および機械言語（たとえばＣ、Ｃ＋＋、Ｃ＃、Ｊａｖａ、Ｖｉｓｕａｌ Ｂａｓｉｃ、Ｐｙｔｈｏｎ、Ｐｅｒｌ、ＪａｖａＳｃｒｉｐｔ、その他）のうちの１つまたは複数に由来し得る。

プロセッサ１７１０は、ネイティブな環境または仮想環境において、任意のオペレーティングシステム（ＯＳ）（不図示）の下で実行できる。論理ユニット１７６０と、アプリケーションプログラミングインターフェース（ＡＰＩ）ユニット１７６５と、入力ユニット１７７０と、出力ユニット１７７５と、異なるユニットが、相互、ＯＳ、および他のアプリケーション（不図示）と通信するためのユニット間通信機構１７９５とを含む１つまたは複数のアプリケーションが配備され得る。上述したユニットおよび要素は、設計、機能、構成、または実施において異なることが可能であり、上記説明に限定されない。プロセッサ１７１０は、中央演算処理装置（ＣＰＵ）などのハードウェアプロセッサの形態を有することができ、またはハードウェアユニットおよびソフトウェアユニットの組み合わせであり得る。

いくつかの実施例では、ＡＰＩユニット１７６５によって情報または実行命令が受信されると、それは、１つまたは複数の他のユニット（たとえば、論理ユニット１７６０、入力ユニット１７７０、出力ユニット１７７５）に伝えられ得る。いくつかの例において、論理ユニット１７６０は、ユニット間の情報フローを制御し、上述したいくつかの実施例において、ＡＰＩユニット１７６５、入力ユニット１７７０、出力ユニット１７７５によって提供されたサービスを指示するように構成され得る。たとえば、１つまたは複数のプロセスまたは実施のフローは、単独で、またはＡＰＩユニット１７６５と併せて、論理ユニット１７６０によって制御され得る。入力ユニット１７７０は、実施例で説明した計算に対する入力を取得するように構成されてもよく、出力ユニット１７７５は、実施例で説明した計算に基づく出力を提供するように構成されてもよい。

プロセッサ１７１０は、複数のセンサを含むシステムのための命令または方法を実行する命令をメモリ１７１５からロードするように構成されてもよく、複数のセンサは複数のプロセスステップを観察し、複数のプロセスステップは、図１から図３に示すように、観察のための複数のセンサのサブセットを選択することと、複数のセンサのサブセットから提供されたデータからの異常検出を実行することと、センサのサブセットからのセンサからの異常の検出に対して、検出された異常に基づいて複数のプロセスステップのうちのプロセスステップを選択することと、複数のプロセスステップのうちの選択されたプロセスステップに対する異常発生の確率を推定することと、所定の判断基準を満たす異常発生の推定された確率に対して、観察のための複数のプロセスステップのうちの選択されたプロセスステップと関連した複数のセンサのうちのセンサを選択することとを含む。

プロセッサ１７１０は、複数のセンサを含むシステムのための命令または方法を実行する命令をメモリ１７１５からロードするように構成されてもよく、複数のセンサは複数のプロセスステップを観察し、検出された異常に基づいて複数のプロセスステップのうちのプロセスステップを選択することは、図１１から図１５に示すように、異常が検出された複数のプロセスステップのうちのそれぞれのプロセスステップと、異常が検出された複数のプロセスステップのうちのそれぞれのプロセスステップと前に観察されたプロセスステップとの間の複数のプロセスステップのうちの全ての観察されていない前のプロセスステップとを選択することを含む。

プロセッサ１７１０は、複数のセンサを含むシステムのための命令または方法を実行するために、メモリ１７１５から命令をロードするように構成されてもよく、複数のセンサは複数のプロセスステップを観察し、観察のための複数のセンサのサブセットを選択することは、図９の８０６に示すように、複数のプロセスステップのうちの最終ステップと関連した複数のセンサのうちのセンサを選択することを含む。

プロセッサ１７１０は、複数のセンサを含むシステムのための命令または方法を実行するために、メモリ１７１５から命令をロードするように構成されてもよく、複数のセンサは複数のプロセスステップを観察し、異常検出を実行することは、図４および図６に示すように、複数のセンサのサブセットから提供されたデータに対して１つまたは複数の機械学習モデルを実行することを含む。

プロセッサ１７１０は、複数のセンサを含むシステムのための命令または方法を実行するために、メモリ１７１５から命令をロードするように構成されてもよく、複数のセンサは複数のプロセスステップを観察し、所定の判断基準は、図９および図１２に示すように、複数のプロセスステップのそれぞれに対する異常発生の確率を示す、基準確率分布からの距離の比較に基づく。所望の実施に応じて、この距離は、本明細書に記載するような統計的距離であり得る。

プロセッサ１７１０は、複数のセンサを含むシステムのための命令または方法を実行するために、メモリ１７１５から命令をロードするように構成されてもよく、複数のセンサは複数のプロセスステップを観察し、観察のための複数のプロセスステップのうちの選択されたプロセスステップと関連する複数のセンサのうちのセンサを選択することは、図１５に示すように、異常発生の最も高い推定確率を有する複数のプロセスステップのうちのプロセスステップと関連する複数のセンサのうちのセンサを選択することを含む。

プロセッサ１７１０は、複数のセンサを含むシステムのための命令または方法を実行するために、メモリ１７１５から命令をロードするように構成されてもよく、複数のセンサは複数のプロセスステップを観察し、観察のための複数のセンサのうちのセンサを選択すること、または複数のプロセスステップのうちのプロセスステップを選択することは、本明細書に記載するようなコンピューティングリソースに基づき得る。

プロセッサ１７１０は、複数のセンサを含むシステムのための命令または方法を実行するために、メモリ１７１５から命令をロードするように構成されてもよく、複数のセンサは複数のプロセスステップを観察し、検出された異常に基づいて複数のプロセスステップのうちのプロセスステップを選択することは、図１１から図１５に関して説明したように、メモリ１７１５の格納済みセンサデータにおける異常検出に基づく。

プロセッサ１７１０は、複数のセンサを含むシステムのための命令または方法を実行するために、メモリ１７１５から命令をロードするように構成されてもよく、複数のセンサは複数のプロセスステップを観察し、所定の判断基準を満たす異常発生の推定確率に対して、図１から図３に示すように、複数のセンサのサブセットからのデータの観察を停止する。

詳細な説明のいくつかの部分は、コンピュータ内の動作のアルゴリズムおよび記号的表現によって提示される。それらのアルゴリズムの記載および記号的表現は、それらの革新の本質を他の当業者に伝えるために、データ処理分野の当業者によって使用される手段である。アルゴリズムは、所望の最終状態または結果につながる一連の定義されたステップである。実施例では、実行されたステップは、有形の結果を実現するために有形の量の物理的な操作を必要とする。

特記しない限り、説明から明らかなように、本明細書全体を通して、「処理する」、「算出する」、「計算する」、「決定する」、「表示する」、または同様のものなどの語を利用する説明は、コンピュータシステムのレジスタおよびメモリ内で物理的（電気的）量として表されるデータを操作して、コンピュータシステムのメモリもしくはレジスタまたは他の情報ストレージ、伝送デバイスもしくは表示デバイス内の物理的量として同様に表される他のデータに変換するコンピュータシステムまたは他の情報処理デバイスのアクションおよびプロセスを含み得ることが理解される。

実施例は、本明細書において動作を実行するための装置にさらに関係してもよい。この装置は、求められた目的のために特別に構築されてもよく、あるいは１つまたは複数のコンピュータプログラムによって選択的にアクティブ化または再構成される１つまたは複数の汎用コンピュータを含んでもよい。そのようなコンピュータプログラムは、コンピュータ可読格納媒体またはコンピュータ可読信号媒体などのコンピュータ可読媒体に格納されてもよい。コンピュータ可読格納媒体は、光学ディスク、磁気ディスク、読出し専用メモリ、ランダムアクセスメモリ、ソリッドステートデバイスおよびドライブ、または電子情報を格納するのに適した任意の種類の有形または非一時的媒体などの有形の媒体を含み得るが、それに限定されない。コンピュータ可読信号媒体は、搬送波などの媒体を含み得る。本明細書で提示されたアルゴリズムおよび表示は、いずれかの特定のコンピュータまたは他の装置に本質的に関係しない。コンピュータプログラムは、所望の実施の動作を実行する命令を含む純粋なソフトウェアによる実施を含み得る。

様々な汎用システムは、本明細書の例によるプログラムおよびモジュールとともに使用されてもよく、または所望の方法のステップを実行することにより特化した装置を構築することが結果として都合がよいことがわかる場合がある。さらに、いずれかの特定のプログラミング言語を参照して実施例は説明されていない。本明細書に記載するような実施例の技法を実施するために、様々なプログラミング言語が使用され得ることが理解されるであろう。プログラミング言語の命令は、たとえば、中央演算装置（ＣＰＵ）、プロセッサ、またはコントローラなど、１つまたは複数の処理デバイスによって実行され得る。

本発明が属する分野で知られるように、上述された動作は、ハードウェア、ソフトウェア、またはソフトウェアとハードウェアとの何らかの組み合わせによって実行され得る。実施例の様々な態様は、回路および論理デバイス（ハードウェア）を使用して実施されてもよい一方、他の態様は、プロセッサによって実行されるとプロセッサに本願の実施を実行する方法を実行させる、機械可読媒体（ソフトウェア）上に格納された命令を使用して実施されてもよい。さらに、本願のいくつかの実施例はハードウェアのみで実行されてもよい一方、他の実施例はソフトウェアのみで実行されてもよい。さらに、説明された様々な機能は単体のユニットで実行されることが可能であり、または任意の数の手法で多数のコンポーネントにわたって分散され得る。ソフトウェアによって実行されると、方法は、コンピュータ可読媒体に格納された命令に基づいて、汎用コンピュータなどのプロセッサによって実行されてもよい。必要に応じて、命令は、圧縮形式および／または暗号化形式で媒体に格納され得る。

さらに、本願の他の実施は、本明細書の考慮および本願の技術の実践から、当業者とって明らかであろう。説明された実施例の様々な態様および／または構成要素は、単体または何らかの組み合わせで使用されてもよい。本明細書および実施例は例としてのみ考慮されることが意図され、本願の真の範囲および趣旨は、以下の特許請求の範囲によって示される。

１３ エッジＧＷ １４ 管理サーバ ２０ 初期化モジュール ２１ プロセスエラー推定モジュール ２２
プロセス選択モジュール ２３ サーバにおけるＭＬモデル更新モジュール ２４ ＭＬモデルリポジトリ ２５ エッジにおけるＭＬモデル更新モジュール ２６ センサモジュール ２７ ＭＬモデル推論モジュール ２８ 部品決定モジュール ２９ データベース

Claims (18)

1. 複数のセンサを備えるシステムが実行する方法であって、前記複数のセンサは、複数のプロセスステップを観察し、前記方法は、
   観察のための前記複数のセンサのサブセットを選択することと、
   前記複数のセンサの前記サブセットから提供されたデータからの異常検出を実行することと、
   前記センサの前記サブセットからのセンサからの異常の検出に対して、
   検出された前記異常に基づいて前記複数のプロセスステップのうちのプロセスステップを選択することと、
   前記複数のプロセスステップのうちの選択された前記プロセスステップに対する異常発生の確率を推定することと、
   所定の判断基準を満たす異常発生の推定された前記確率に対して、観察のための前記複数のプロセスステップのうちの選択された前記プロセスステップと関連した前記複数のセンサのうちのセンサを選択することと
   を有し、
   観察のための前記複数のセンサのサブセットを選択することは、前記複数のプロセスステップのうちの最終ステップと関連した前記複数のセンサのうちのセンサを選択することを含む方法。
2. 検出された前記異常に基づいて前記複数のプロセスステップのうちのプロセスステップを選択することは、
   前記異常が検出された前記複数のプロセスステップのうちのそれぞれのプロセスステップと、前記異常が検出された前記複数のプロセスステップのうちの前記それぞれのプロセスステップと前に観察されたプロセスステップとの間の前記複数のプロセスステップのうちの全ての観察されていない前のプロセスステップとを選択することを含む、
   請求項１に記載の方法。
3. 前記異常検出を実行することは、前記複数のセンサの前記サブセットから提供されたデータに対して１つまたは複数の機械学習モデルを実行することを含む、請求項１に記載の方法。
4. 前記所定の判断基準は、前記複数のプロセスステップ毎の前記異常発生の前記確率を示す基準確率分布からの距離の比較に基づく、請求項１に記載の方法。
5. 観察のための前記複数のプロセスステップのうちの選択された前記プロセスステップと関連した前記複数のセンサのうちのセンサを選択することは、前記異常発生の最も高い推定確率を有する前記複数のプロセスステップのうちのプロセスステップと関連した前記複数のセンサのうちのセンサを選択することを含む、請求項１に記載の方法。
6. 観察のための前記複数のセンサのうちのセンサを選択することは、コンピューティングリソースに基づく、請求項１に記載の方法。
7. 前記複数のプロセスステップのうちのプロセスステップを選択することは、コンピューティングリソースに基づく、請求項１に記載の方法。
8. 検出された前記異常に基づいて前記複数のプロセスステップのうちのプロセスステップを選択することは、メモリの格納センサデータにおける異常検出に基づく、請求項１に記載の方法。
9. 所定の判断基準を満たす前記異常発生の推定された前記確率に対して、前記複数のセンサの前記サブセットからのデータの前記観察を停止することをさらに含む、請求項１に記載の方法。
10. 複数のセンサを備えるシステムのためにプロセスを実行するための命令を格納する非一時的コンピュータ可読媒体であって、前記複数のセンサは複数のプロセスステップを観察し、前記命令は、
    観察のための前記複数のセンサのサブセットを選択することと、
    前記複数のセンサの前記サブセットから提供されたデータからの異常検出を実行することと、
    前記センサの前記サブセットからのセンサからの異常の検出に対して、
    検出された前記異常に基づいて前記複数のプロセスステップのうちのプロセスステップを選択することと、
    前記複数のプロセスステップのうちの選択された前記プロセスステップに対する異常発生の確率を推定することと、
    所定の判断基準を満たす異常発生の推定された前記確率に対して、観察のための前記複数のプロセスステップのうちの選択された前記プロセスステップと関連した前記複数のセンサのうちのセンサを選択することと
    を含み、
    観察のための前記複数のセンサのサブセットを選択することは、前記複数のプロセスステップのうちの最終ステップと関連した前記複数のセンサのうちのセンサを選択することを含む、非一時的コンピュータ可読媒体。
11. 検出された前記異常に基づいて前記複数のプロセスステップのうちのプロセスステップを選択することは、
    前記異常が検出された前記複数のプロセスステップのうちのそれぞれのプロセスステップと、前記異常が検出された前記複数のプロセスステップのうちの前記それぞれのプロセスステップと前に観察されたプロセスステップとの間の前記複数のプロセスステップの全ての観察されていない前のプロセスステップとを選択することを含む、
    請求項１０に記載の非一時的コンピュータ可読媒体。
12. 前記異常検出を実行することは、前記複数のセンサの前記サブセットから提供されたデータに対して１つまたは複数の機械学習モデルを実行することを含む、請求項１０に記載の非一時的コンピュータ可読媒体。
13. 前記所定の判断基準は、前記複数のプロセスステップのそれぞれに対する前記異常発生の前記確率を示す基準確率分布からの距離の比較に基づく、請求項１０に記載の非一時的コンピュータ可読媒体。
14. 観察のための前記複数のプロセスステップのうちの選択された前記プロセスステップと関連した前記複数のセンサのうちのセンサを選択することは、前記異常発生の最も高い推定確率を有する前記複数のプロセスステップのうちのプロセスステップと関連した前記複数のセンサのうちのセンサを選択することを含む、請求項１０に記載の非一時的コンピュータ可読媒体。
15. 観察のための前記複数のセンサのうちのセンサを選択することは、コンピューティングリソースに基づく、請求項１０に記載の非一時的コンピュータ可読媒体。
16. 前記複数のプロセスステップのうちのプロセスステップを選択することは、コンピューティングリソースに基づく、請求項１０に記載の非一時的コンピュータ可読媒体。
17. 検出された前記異常に基づいて前記複数のプロセスステップのうちのプロセスステップを選択することは、メモリの格納センサデータにおける異常検出に基づく、請求項１０に記載の非一時的コンピュータ可読媒体。
18. 複数のセンサを備えるシステムを管理するための装置であって、前記複数のセンサは複数のプロセスステップを観察し、前記装置は、
    命令を格納するように構成されたメモリと、
    メモリから前記命令をロードしてプロセスを実行するように構成された１つまたは複数のプロセッサとを備え、前記プロセスは、
    観察のための前記複数のセンサのサブセットを選択することと、
    前記複数のセンサの前記サブセットから提供されたデータからの異常検出を実行することと、
    前記センサの前記サブセットからのセンサからの異常の検出に対して、
    検出された前記異常に基づいて前記複数のプロセスステップのうちのプロセスステップを選択することと、
    前記複数のプロセスステップのうちの選択された前記プロセスステップに対する異常発生の確率を推定することと、
    所定の判断基準を満たす異常発生の推定された前記確率に対して、観察のための前記複数のプロセスステップのうちの選択された前記プロセスステップと関連した前記複数のセンサのうちのセンサを選択することと
    を含み、
    観察のための前記複数のセンサのサブセットを選択することは、前記複数のプロセスステップのうちの最終ステップと関連した前記複数のセンサのうちのセンサを選択することを含む、装置。

Images