異常分析系統及分析設備的製作方法

2023-09-15 05:37:25 2

本發明涉及一種異常分析系統及用在異常分析系統中的分析設備。

背景技術：

在專利文獻1中，描述了一種用於監視工件的磨削灼傷的方法。在該方法中，在工件的磨削期間，通過檢測磨削輪的磨削負荷和工件的旋轉速度並且根據旋轉速度將所檢測到的磨削負荷與磨削負荷的閾值進行比較來確定磨削灼傷發生與否。這裡，基於在工件的磨削灼傷發生時磨削輪相對於工件的旋轉速度的磨削負荷來設置閾值。

在專利文獻2中，描述了執行試磨，並且基於在試磨中所獲取的磨削負荷來設置閾值。此後，通過將實際磨削中檢測到的磨削負荷與閾值進行比較來確定磨削異常發生與否。

在專利文獻3中，描述了基於如下的質量趨勢圖案來預測產品的質量異常。例如，在使用磨削輪來磨削工件的外周面的情況下，隨著工件數目增加，尺寸精度傾向於惡化(參見專利文獻3中的圖4)。此外，基於一個工件的磨削時間與磨削阻力之間的關係來獲取工件的數目與磨削阻力的平均值之間的關係(參見專利文獻3中的圖5和圖10)。然後，在表示工件的數目與磨削阻力的平均值之間的關係的質量趨勢圖案中，可以通過考慮工件的數目與尺寸精度之間的關係來設置用於磨削阻力的平均值的閾值。換言之，通過獲取工件的磨削阻力和數目，可以基於質量趨勢圖案和閾值來預測產品的異常。

相關領域專利文獻的列表

[專利文獻1]：jp2013-129027a

[專利文獻2]：wo2012/098805

[專利文獻3]：jp2014-154094a

技術實現要素：

本發明要解決的問題

近年來，當今時代被稱為物聯網(iot)時代，並且預期使用通過將許多物品連接至網際網路而獲取的大數據。同樣，在生產設施中，還預期要基於從生產設施獲取到的大量信息來執行生產對象的異常分析。

此外，近年來，雲計算被獲知。雲計算採用使用通過網際網路等連接的計算機的形式。例如，通過使用所持有的計算機來使用存儲在通過網際網路等連接的計算機中的數據或所述計算機中的應用程式，而不是使用存儲在所持有的計算機中的數據和應用程式。

生產設施的大數據被認為要通過使用雲計算來被使用。然而，在雲計算中，由於傳送非常大的數據，因此存在發生通信擁塞的情況。此外，在到達雲伺服器的距離很長的情況下，通信時間變長。為此，在使用雲計算的情況下，速度不夠。

在執行生產設施的異常分析的情況下，通過將分析的結果較早反饋回到生產設施，可以預期對生產對象的異常發生的抑制效果。為此，如此使用雲計算作為生產設施的異常分析系統是不夠的。

本發明的目的是提供一種能夠基於大量生產設施的信息來執行分析並且將分析的結果較早反饋回到生產設施的異常分析系統以及在異常分析系統中使用的分析設備。

解決問題的裝置

(1.異常分析系統)

根據本發明的異常分析系統包括：多個生產設施，其各自是生產生產對象的設施並且包括一個或更多個檢測器；第一網絡，其連接至多個生產設施，並且安裝在構建霧計算的預定區域之內；以及分析設備，其連接至第一網絡，基於通過第一網絡所獲取的檢測器的檢測信息來執行數據分析，並且基於數據分析的結果來生成關於多個生產設施中的每一個的異常或生產對象的異常的確定信息。多個生產設施中的每一個包括：異常確定設備，其基於由分析設備生成的確定信息來確定多個生產設施中的每一個的異常或生產對象的異常。

多個生產設施中的每一個的檢測器與分析設備通過第一網絡連接，第一網絡安裝在構建霧計算的預定區域之內。與雲計算的區域相比，霧計算是連接至具有更窄的區域的網絡的系統。換言之，構建霧計算的第一網絡是安裝在比構建雲計算的區域更窄的預定區域之內的網絡。為此，在檢測器與分析設備之間的數據通信中，抑制了通信擁塞的發生。此外，由於第一網絡構建在較窄的預定區域之內，因此可以縮短生產設施與分析設備之間的通信時間。因此，分析設備可以以較高速度來接收由檢測器獲取的檢測信息。

分析設備可以獲取多個生產設施的檢測信息並且執行分析，因而可以將由分析設備獲取的結果較早反饋回到生產設施。由於分析結果可以較早反饋回到生產設施，因此可以在更早的時間可靠地抑制生產對象的異常發生。

(2.分析設備)

根據本發明內容的分析設備是用在上述異常分析系統中的上述分析設備。根據該分析設備，可以獲得根據上述異常分析系統的效果。

附圖說明

圖1是圖示了異常分析系統的示圖。

圖2是圖示了作為圖1中所圖示的生產設施的示例的磨床的配置的示圖。

圖3是生產設施的框圖。

圖4是圖示了磨削輪的馬達的功率相對於在一個生產對象的磨削開始之後經過的時間的行為的示圖。

圖5是圖示了圖1中所示的分析設備的配置的示圖。

圖6圖示了根據第一實施方式的異常確定設備、分析設備和高階分析設備的詳細處理流程。

圖7圖示了根據第二實施方式的異常確定設備、分析設備和高階分析設備的詳細處理流程。

圖8是圖示了根據第二實施方式的由異常確定設備執行的頻率分析的結果的圖表。

圖9是圖示了根據第二實施方式的由異常確定設備執行的異常確定的第一示例的示圖，並且是圖示了振動的幅度在一天的時間段(調節參數)內的峰值(估計參數)的示圖。

圖10是圖示了根據第二實施方式的由異常確定設備執行的異常確定的第二示例的示圖，並且是圖示了振動的幅度在一年的時間段(調節參數)內的峰值(估計參數)的示圖。

圖11是圖示了根據第二實施方式的根據由分析設備執行的第一示例的確定信息的圖案的生成的示圖。

圖12是圖示了根據第二實施方式的根據由分析設備執行的第二示例的確定信息的圖案的生成的示圖。

圖13圖示了根據第三實施方式的異常確定設備、分析設備和高階分析設備的詳細處理流程。

圖14是圖示了根據第三實施方式的由異常確定設備執行的異常確定的示圖，並且是圖示了馬達的功率在環境溫度(調節參數)下的當前值(估計參數)的示圖。

圖15是圖示了根據第三實施方式的由分析設備執行的確定信息的圖案生成的示圖。

具體實施方式

(1-1.異常分析系統的配置)

將參照圖1來描述根據本實施方式的異常分析系統1的配置。如圖1所示，異常分析系統1包括：生產設施11至13；其他生產設施21至23；霧網絡31，其連接至生產設施11至13；另一霧網絡32，其連接至其他生產設施21至23；雲網絡40，其連接至霧網絡31和霧網絡32；分析設備50；另一分析設備60；以及高階分析設備70。這裡，分析設備50和分析設備60以及高階分析設備70例如可以是可編程邏輯控制器(plc)、計算機數控(cnc)裝置等的內置系統，或者可以是個人計算機、伺服器等。

生產設施11至13(對應於根據本發明的生產設施)是生產預定生產對象的設施。其他生產設施21至23(對應於根據本發明的其他生產設施)是生產預定生產對象的設施。這裡，由生產設施11至13生產的生產對象和由其他生產設施21至23生產的生產對象可以是同一種類或不同種類。

生產設施11和生產設施21例如是用於生產線中的第一處理過程的工具機和磨削曲軸等的磨床。生產設施13和生產設施23是用於第二處理過程的工具機和磨削如上所述的曲軸等的磨床。生產設施12和生產設施22是在生產設施11與生產設施13之間或在生產設施21與生產設施23之間傳輸生產對象的輸送器。

生產設施11至13安裝在同一建築物內部或鄰近建築物內部。其他生產設施21至23安裝在同一建築物內部或鄰近建築物內部，並且安裝在位於與生產設施11至13的位置不同的位置處的建築物內部。例如，存在以下情況：生產設施11至13安裝在日本並且其他生產設施21至23安裝在除了日本之外的國家；生產設施11至13和其他生產設施21至23都安裝在日本但安裝在彼此遠離的區域等。

換言之，生產設施11至13安裝在可以構建霧計算的預定區域內部。另外，類似地，其他生產設施21至23安裝在可以構建霧計算的預定區域內部。然而，生產設施11至13與其他生產設施21至23安裝在不能構建霧計算的區域中。

這裡，與雲計算的區域相比，霧計算是連接至更窄的區域的網絡的系統。換言之，構建霧計算的網絡是安裝在比構建雲計算的區域更窄的預定區域內部的網絡。霧計算也被稱為邊緣計算。

霧網絡31(對應於根據本發明的第一網絡)是連接至生產設施11至13並且安裝在構建霧計算的預定區域內部的網絡。霧網絡31安裝在與安裝生產設施11至13的建築物相同的建築物內部，或者安裝在與安裝生產設施11至13中的任何一個的建築物鄰近的建築物內部。

其他霧網絡32是連接至其他生產設施21至23並且安裝在構建霧計算的預定區域內部的網絡。其他霧網絡32安裝在與安裝其他生產設施21至23的建築物相同的建築物內部，或者安裝在與安裝其他生產設施21至23中的任何一個的建築物鄰近的建築物內部。其他霧網絡32未直接連接至霧網絡31。這裡，可以將網際網路、區域網(lan)、廣域網(wan)等應用作為霧網絡31和霧網絡32。

雲網絡40(對應於根據本發明的第二網絡)是連接至霧網絡31和霧網絡32的網絡。與霧網絡31和霧網絡32的區域相比，雲網絡40是具有更廣的區域的廣域網，例如是網際網路。為此，雲網絡40成為連接生產設施11至13和其他生產設施21至23的網絡。

分析設備50直接連接至霧網絡31，並且安裝在與安裝生產設施11至13的建築物相同的或與該建築物鄰近的建築物中。分析設備50基於從生產設施11至13獲取到的檢測信息來執行數據分析。分析設備50例如獲取生產設施11至13對應於一天的檢測信息，並且每天執行數據分析。可以通過重複數次數據分析來進行學習。然後，分析設備50存儲關於生產設施11至13的異常或生產設施11至13的生產對象的異常的確定信息作為數據分析的結果。另外，通過獲取由下面要描述的高階分析設備70執行的高階數據分析的結果，分析設備50基於由分析設備50執行的數據分析的結果和由高階分析設備70執行的高階數據分析的結果來確定確定信息，並且存儲確定信息。

其他分析設備60直接連接至霧網絡32，並且安裝在與安裝生產設施21至23的建築物相同的建築物中，或者安裝在與安裝生產設施21至23的建築物鄰近的建築物內部。其他分析設備60基於從其他生產設施21至23獲取到的檢測信息來執行數據分析。其他分析設備60執行與上述分析設備50所執行的處理類似的處理，其中，將其他生產設施21至23設置為對象。

高階分析設備70連接至雲網絡40，並且基於所獲取的信息來執行高階數據分析。換言之，高階分析設備70通過雲網絡40以及霧網絡31和霧網絡32從生產設施11至13獲取信息以及從其他生產設施21至23獲取信息。與由分析設備50和分析設備60所執行的數據分析相比，高階分析設備70具有需要更長時間的高階數據分析作為其對象，並且具有使用大量信息的高階數據分析作為其對象。高階分析設備70例如獲取生產設施11至13和其他生產設施21至23對應於一周、數周、一個月或數個月的檢測信息，並且根據獲取周期來執行數據分析。可以通過重複數次高階數據分析來進行學習。

(1-2.生產設施11的配置)

接下來，將參照圖2至圖4來描述生產設施11的配置的示例。在該實施方式中，生產設施11例如是磨床。作為磨床11的示例，將描述磨削輪基座114相對於床身111橫移(沿z軸方向移動)的磨削輪基座橫移式的磨床來作為示例。然而，也可以將磨床11應用到工作檯橫移式的磨床，其中，主軸裝置112相對於床身111橫移(沿z軸方向移動)。

磨床11的生產對象(工件)例如是曲軸w。要由磨床11磨削的部分是曲軸的曲柄軸頸、曲柄銷等。

磨床11被配置如下。床身111固定至安裝面，並且支承曲軸w以在兩端可旋轉的主軸裝置112和尾架裝置113附接至床身111。曲軸w由主軸裝置112和尾架裝置113支承，以便可以以曲柄軸頸為中心旋轉。主軸裝置112包括馬達112a，馬達112a驅動曲軸w旋轉。檢測主軸的振動的檢測器(振動傳感器)112b附接至主軸裝置112。

此外，在床身111上設置有可以沿z軸方向(曲軸w的軸線方向)和x軸方向(與曲軸w的軸線垂直的方向)移動的磨削輪基座114。磨削輪基座114通過馬達114a沿z軸方向移動，並且通過馬達114b沿x軸方向移動。此外，在磨削輪基座114中設置有檢測器114c和檢測器114d，其中，檢測器114c檢測磨削輪基座114在z方向上的位置，檢測器114d檢測磨削輪基座114在x方向上的位置。檢測器114c和檢測器114d是測量馬達114b等的旋轉等的旋轉編碼器，並且可以被配置為線性刻度的線性位置檢測器等。

在磨削輪基座114中，磨削曲柄銷或曲柄軸頸的磨削輪115被設置成可旋轉的。磨削輪115由馬達115a驅動以旋轉。此外，在磨削輪基座114中設置有檢測馬達115a的功率等的檢測器115b。當檢測器115b例如是馬達瓦特計時，檢測器可以被配置為測量馬達115a等的電壓或電流的電壓計或電流計。這裡，可以通過使用磨削輪115的馬達115a的功率、電壓、電流等來間接獲得磨削阻力。替選地，檢測器115b可以被配置為設置在主軸裝置112或磨削輪基座114中的負荷檢測器，以便直接獲取磨削阻力。

此外，在床身111中設置有測量曲柄銷或曲柄軸頸(其為曲軸w的磨削部)的外直徑的尺寸測量(sizing)裝置116。此外，在床身111中設置有檢測環境溫度(外部空氣的溫度)的檢測器117。此外，在床身111中設置有：泵118a，其用於將冷卻劑供應到磨削部；閥118b，其執行對冷卻劑供應的接通/切斷；以及檢測器118c，其檢測閥118b的狀態。雖然檢測器118c是冷卻劑流量計，但是該檢測器可以被配置為檢測冷卻劑等的壓力的壓力傳感器。

此外，磨床11包括cnc裝置121、plc122、異常確定設備123和操作板124。這裡，異常確定設備123可以被配置為cnc裝置121或plc122的內置系統，或者被配置為個人計算機、伺服器等。

如圖3所示，cnc裝置121控制使主軸裝置112和磨削輪115旋轉的馬達112a和馬達115a，並且控制使磨削輪115相對於曲軸w相對運動的馬達114a和馬達114b。當執行控制處理時，cnc裝置121從檢測磨削輪基座114的位置的檢測器114c和檢測器114d以及檢測馬達115a的功率的檢測器115b獲取信息。

plc122從尺寸測量裝置116獲取檢測信息。此外，plc122控制泵118a和閥118b，由此控制冷卻劑的供應。當執行該控制處理時，plc122獲取檢測閥118b的狀態的檢測器118c的檢測信息。此外，plc122獲取檢測環境溫度的檢測器117的檢測信息。

這裡，檢測器112b、114c、114d、115b、116、117和118c的採樣周期並非都相同，而且其中的至少一些不同。例如，檢測馬達115a的功率的檢測器115b的採樣周期為數毫秒、尺寸測量裝置116的採樣周期為數毫秒、檢測閥的狀態的檢測器118c的採樣周期為數十毫秒並且檢測溫度的檢測器117的採樣周期為數十毫秒。根據控制方法來適當地調整每個採樣周期。

異常確定設備123確定磨床11的異常或生產對象(工件)的異常。異常確定設備123存儲與確定對象相對應的閾值，並且通過將由檢測器112b、114c、114d、115b、116、117和118c中的每一個獲取的檢測信息與相應閾值進行比較來執行異常確定。

例如，如圖4所示，異常確定設備123針對一個生產對象(工件)預先存儲閾值th11和閾值th12，所述閾值th11和閾值th12用於與由檢測器115b(其檢測馬達115a的功率)獲取的檢測信息進行比較。閾值th11和閾值th12被設置成根據馬達115a的功率相對於從開始對一個生產對象(工件)磨削經過的時間的行為而變化。閾值th11是上限值，而閾值th12是下限值。

異常確定設備123通過將馬達115a的功率與閾值th11和閾值th12進行比較來確定生產對象的異常。更具體地，在馬達115a的功率大於上限閾值th11或小於下限閾值th12的情況下，異常確定設備123確定磨削灼傷發生或不滿足生產對象的形狀精度的狀態，並且確定生產對象異常。這裡，磨削輪115的馬達115a的功率對應於磨削阻力。因此，替代磨削輪115的馬達115a的功率，可以使用採用另一檢測方法檢測的磨削阻力。例如，在jp2013-129027a中公開了通過在磨削阻力與閾值之間進行比較來確定生產對象是否發生磨削灼傷等。

此外，異常確定設備123確定cnc裝置121和plc122的控制對象的驅動裝置112a、114a、114b、115a、118a和118b的異常。例如，異常確定設備123將從信息(如馬達114a和馬達114b的使用狀態和使用歷史)中獲取到的使用結果值與預先存儲的閾值進行比較，由此確定用於驅動機構的滾珠絲槓、軸承等的異常。此外，異常確定設備123將從信息(如閥118b的使用狀態和使用歷史)中獲取到的使用結果值與預先存儲的閾值進行比較，由此確定閥118b的異常。這裡，驅動機構的異常和閥118b的異常表示的含義不僅包括驅動機構和閥118b的故障，而且還包括其壽命和需要維修的狀態。

這裡，在異常確定設備123中存儲的閾值根據目標磨床11而具有不同的值。在圖1所示的情況下，同樣在生產設施11和其他生產設施21生產同一種類的對象的情況下，其使用環境之間存在差異或生產對象的材料組成之間存在差異。此外，還存在以下情況：生產設施11和生產設施21存在個體差異。因此，同樣在生產同一種類的對象的情況下，存在生產設施11的閾值與生產設施21的閾值被設置成彼此不同的值的情況。

在上面提及的描述中，儘管已經描述了生產設施11，但是該描述類似地同樣適用於作為磨床的生產設施13、21和23。此外，作為傳輸裝置的生產設施12和生產設施22中的每一個類似地包括異常確定設備123。在該情況下，異常確定設備123例如可以通過將從信息(如作為傳輸裝置的生產設施12和生產設施22的使用狀態和使用歷史)中獲取到的使用結果值與預先存儲的閾值進行比較來確定構成傳輸路徑的部件的異常(故障、壽命或需要維修的狀態)。如圖2所示，雖然異常確定設備123被設置在生產設施11內部，但是異常確定設備可以被設置在分析設備50內部。

(1-3.分析設備50的配置)

接下來，將參照圖5來描述分析設備50的配置。分析設備50通過霧網絡31連接至生產設施11至13的檢測器112b、114c、114d、115b、116、117和118c。分析設備50通過霧網絡31來獲取由生產設施11至13的檢測器112b、114c、114d、115b、116、117和118c獲取的檢測信息。此外，分析設備50還連接至生產設施11至13的cnc裝置121和plc122。分析設備50通過霧網絡31來獲取各種控制參數。

霧網絡31被構建在比雲網絡40的區域更窄的區域中。因此，分析設備50可以較早地從檢測時間點獲取由生產設施11至13的檢測器112b、114c、114d、115b、116、117和118c獲取的檢測信息。

如圖5所示，分析設備50包括分析單元51、顯示單元52和輸入單元53。分析單元51獲取由生產設施11至13的檢測器112b、114c、114d、115b、116、117和118c獲取的檢測信息。這裡，分析單元51獲取由檢測器112b、114c、114d、115b、116、117和118c檢測到的所有檢測信息。換言之，分析單元51獲取所有檢測信息，而不論檢測器112b、114c、114d、115b、116、117和118c的採樣周期如何。這裡，由於分析單元51獲取所有檢測信息，因此數據量很大。然而，由於通過霧網絡31來獲取檢測信息，因此通信時間延遲不會引起任何問題。

此外，分析單元51除了獲取由檢測器112b、114c、114d、115b、116、117和118c獲取的檢測信息之外，還獲取生產設施11至13的各種控制參數。例如，生產設施11和生產設施13的控制參數包括作為生產對象的曲軸w的形狀和材料、磨削輪115的形狀和材料以及磨削工藝信息如磨削/切割深度和冷卻劑的流量。

分析單元51基於已經獲取的檢測信息和各種控制參數來執行數據分析。數據分析是所謂的數據挖掘。特別地，分析單元51不僅獲取由一個生產設施11的檢測器112b、114c、114d、115b、116、117和118c等獲取的檢測信息，還獲取由多個生產設施11至13等的檢測器112b、114c、114d、115b、116、117和118c獲取的檢測信息。

然後，分析單元51可以通過數據分析來生成關於生產對象的異常的確定信息，並且存儲確定信息。例如，分析單元51通過數據分析生成用於確定生產對象的磨削灼傷存在與否的閾值th11和th12(圖4所示)作為一條確定信息。此外，分析單元51通過數據分析生成用於確定生產設施11至13的部件的異常的閾值作為另一條確定信息。此外，在一經生成確定信息之後，分析單元51獲取新的檢測信息，由此更新確定信息。

顯示單元52可以通過顯示確定信息(其作為由分析單元51執行的數據分析的結果)來允許操作者檢查數據分析的結果。此外，顯示單元52還可以顯示由分析單元51獲取的檢測信息和各種控制參數。例如，顯示單元52以交疊的方式顯示：由分析單元51獲取的用於確定磨削灼傷存在與否的閾值；由檢測生產設施11的馬達115a的功率的檢測器115b獲取的檢測信息；以及由檢測生產設施13的馬達115a的功率的檢測器115b獲取的檢測信息。

輸入單元53從操作者接收確定信息等的輸入。輸入單元53可以設置與生產設施11至13中的每一個相對應的確定信息。分析單元51可以獲取與生產設施11至13中的每一個相對應的確定信息，並且操作者可以在參照所獲取的確定信息的同時任意編輯確定信息。經編輯的確定信息被存儲在分析單元51中。

然後，生產設施11至13通過霧網絡31獲取存儲在分析單元51中的確定信息，並且存儲所獲取的確定信息。生產設施11至13的異常確定設備123基於所獲取的確定信息來確定生產設施11至13的異常或生產對象的異常。

(1-4.異常確定設備123、分析設備50和分析設備60以及高階分析設備70的詳細處理)

接下來，將參照圖6來描述異常確定設備123、分析設備50和分析設備60以及高階分析設備70的詳細處理。分析設備50和分析設備60以及高階分析設備70獲取由檢測器112b、114c、114d、115b、116、117和118c獲取的檢測信息，並且生成各種確定信息。為了簡化描述，在下文中，將描述在使用由檢測器115b獲取的檢測信息的情況下執行的處理作為示例。

每當磨削生產對象(工件)時，檢測器115b檢測馬達115a的功率(s1)。隨後，異常確定設備123針對一個生產對象收集數據(s2)。該數據例如是使用圖4中的實線所表示的行為。然後，在作為確定信息的閾值th11和閾值th12被預先存儲在異常確定設備123中的情況下，異常確定設備123執行異常確定(s3)。換言之，異常確定設備123通過將用於一個生產對象的數據與預先存儲的閾值th11和th12進行比較來確定生產對象是否異常。

此外，異常確定設備123收集多個生產對象的數據(s4)。異常確定設備123例如收集生產對象對應於一天的數據。由異常確定設備123收集的多個生產對象的數據例如通過霧網絡31和霧網絡32例如一天一次地傳送到分析設備50和分析設備60。然後，分析設備50和分析設備60例如一天一次地獲取由檢測器115b針對多個生產對象獲取的檢測信息(s5)。這裡，分析設備50和分析設備60獲取由檢測器115b所獲取的所有檢測信息。

分析設備50和分析設備60基於由檢測器115b獲取的多個生產對象的檢測信息來執行數據分析(s6)。然後，分析設備50和分析設備60通過數據分析生成閾值th11和閾值th12作為確定信息(s7)。此外，在由檢測器115b新獲取的檢測信息被獲取的情況下，分析設備50和分析設備60再次執行數據分析，由此更新作為確定信息的閾值th11和閾值th12(s7)。然後，分析設備50和分析設備60通過霧網絡31和霧網絡32將作為確定信息的閾值th11和閾值th12傳送到異常確定設備123。然後，異常確定設備123存儲閾值th11和閾值th12作為確定信息，同時連續地更新閾值(s8)。

與用於生成作為確定信息的閾值th11和閾值th12的數據分析並行地，分析設備50和分析設備60從所獲取的由檢測器115b獲取的檢測信息中僅提取一部分信息(s9)。例如，在如圖4所示的情況下，分析設備50和分析設備60在執行正常處理時提取馬達115a的功率p。分析設備50和分析設備60通過雲網絡40將所提取的信息傳送到高階分析設備70。例如，可以一天一次或一個月一次地執行傳送。

然後，高階分析設備70通過雲網絡40獲取由檢測器115b獲取的檢測信息的一部分(s10)。此外，根據需要，高階分析設備70從分析設備50和分析設備60獲取各種控制參數。各種控制參數的數據量小於檢測信息的數據量。

雲網絡40的數據通信量顯著小於霧網絡31和霧網絡32的數據通信量。即使在分析設備50和其他分析設備60被定位成遠離高階分析設備70的情況下，也不會發生通過雲網絡40的通信速度延遲的問題。

高階分析設備70基於從分析設備50和分析設備60獲取的各種控制參數和檢測信息中的一部分來執行高階數據分析(s11)。高階數據分析是所謂的數據挖掘。高階數據分析設備70通過使用安裝在彼此不同的區域中的生產設施11至13和生產設施21至23的信息來執行高階數據分析。因此，高階分析設備70可以使用大量信息來執行高階數據分析。

在生產設施11至13和其他生產設施21至23的安裝位置彼此不同的情況下，存在兩個地方的環境溫度不同的情況。例如，高階分析設備70可以在更詳細地考慮環境溫度的影響的情況下執行高階數據分析。

分析設備50和分析設備60可以通過雲網絡40獲取由高階分析設備70執行的高階數據分析的結果。因此，分析設備50和分析設備60通過參照高階數據分析的結果來更新由其自身的數據分析生成的作為確定信息的閾值th11和閾值th12(s7)。然後，分析設備50和分析設備60通過霧網絡31和霧網絡32將作為更新的確定信息的閾值th11和閾值th12傳送到異常確定設備123。以該方式，異常確定設備123存儲閾值th11和閾值th12作為在考慮到高階數據分析的結果的情況下獲取的確定信息，同時連續地更新閾值(s8)。

這裡，分析設備50的顯示單元52可以以交疊的方式顯示：作為由分析設備50執行自身數據分析的結果的確定信息；以及作為由高階分析設備70執行高階數據分析的結果的確定信息。操作者可以通過使用輸入單元53來設置由生產設施11至13所使用的確定信息，同時檢查這兩個確定信息。這類似地也適用於分析設備60。

分析設備50和分析設備60可以將所收集數據的一部分或全部傳送到高階分析設備70。可以通過分析設備50和分析設備60或在操作者的操作配合下將由分析設備50和分析設備60傳送的數據的範圍(由值的大小、時間等來設置的範圍)確定為接近生產設施11至13的位置。

將參照圖7至圖12來描述根據第二實施方式的由異常確定設備123、分析設備50和分析設備60以及高階分析設備70執行的詳細處理。在第二實施方式中，將描述使用由檢測器112b獲取的檢測信息的情況作為示例。

如圖7所示，每當磨削生產對象(工件)時，檢測器112b檢測主軸的振動(s21)。隨後，異常確定設備123針對一個生產對象收集數據(s22)。隨後，異常確定設備123針對一個生產對象的振動數據執行頻率分析(對應於根據本發明的預定處理)(s23)。在圖8中圖示了頻率分析的結果。然後，異常確定設備123獲取通過頻率分析所獲取的振動數據的預定頻段的峰值(對應於根據本發明的後處理數據)。

這裡，如圖8所示，頻率分析的結果在多個頻段中具有峰值(其在圖8中由圓圈包圍)。這樣的頻段對應於主軸振動的原因。例如，頻段根據以下情況而不同：主軸裝置112的軸承的外圈存在損壞的情況；內圈存在損壞的情況；以及滾動元件存在損壞的情況等。因此，異常確定設備123獲取與每個振動原因相對應的頻段的峰值。

然後，在閾值th21和閾值th22被預先存儲作為確定信息的圖案的情況下，異常確定設備123執行異常確定(s24)。例如，如圖9所示，作為確定信息的圖案的閾值th21和閾值th22表示振動數據的頻率分析的峰值(估計參數)在一天的時間段(調節參數)內的圖案。這裡，同樣在一天期間，振動的大小根據生產設施11至13啟動之後經過的時間、環境溫度等而不同。因此，如圖9所示，作為確定信息的圖案的閾值th21和閾值th22在垂直軸上被表示為振動數據的頻率分析的峰值(估計參數)，其中，水平軸被設置成一天的時間段(調節參數)。

換言之，異常確定設備123基於當前所獲取的實際時間段(調節參數)、當前所獲取的實際峰值(估計參數)以及所存儲的確定信息的圖案來執行異常確定。這裡，圖9中所圖示的標記■是當前所獲取的實際時間段的峰值。標記■等於或小於上限閾值th21並且等於或大於下限閾值th22，並且因此確定為正常。

此外，例如，如圖10所示，異常確定設備123存儲振動數據的頻率分析的峰值(估計參數)在一年的時間段(調節參數)內的圖案作為閾值th31和閾值th32(其作為另一確定信息的圖案)。這裡，同樣在一年期間，振動的大小根據環境溫度的差異的影響而不同。因此，如圖10所示，作為另一確定信息的圖案的閾值th31和閾值th32在垂直軸上被表示為振動數據的頻率分析的峰值(估計參數)，其中，水平軸被設置為一年的時間段(調節參數)。

換言之，異常確定設備123基於當前所獲取的實際時間段(調節參數)、當前所獲取的實際峰值(估計參數)和所存儲的確定信息的圖案來執行異常確定。這裡，在圖10中，標記▲是當前所獲取的實際時間段的峰值。由於標記▲等於或小於上限閾值th31並且等於或大於下限閾值th32，因此確定為正常。

此外，異常確定設備123收集多個生產對象的峰值(後處理數據)(s25)。異常確定設備123例如收集生產對象對應於一天的峰值。由異常確定設備123收集的多個生產對象的峰值通過霧網絡31例如一天一次地傳送到分析設備50和分析設備60。然後，分析設備50和分析設備60例如一天一次地獲取用於多個生產對象的振動數據的頻率分析的峰值(s26)。這裡，與由檢測器112b獲取的檢測信息的數據量相比，分析設備50和分析設備60獲取更小的數據量的峰值。

分析設備50和分析設備60基於用於多個生產對象的峰值來執行數據分析(s27)。例如，在圖11中圖示了與兩天相對應的峰值的分布。然後，分析設備50和分析設備60基於與多天相對應的峰值來分析正常趨勢圖案。正常趨勢圖案可以是分布數據的近似曲線(例如最小二乘近似曲線)或具有包括所有分布數據的寬度的曲線。然後，如由圖11中的破折線表示的那樣，分析設備50和分析設備60基於正常趨勢圖案來生成閾值th21和閾值th21作為確定信息的圖案(s28)。

此外，在檢測器112b所獲取的檢測信息是新獲取的情況下，分析設備50和分析設備60再次執行數據分析，由此更新作為確定信息的圖案的閾值th21和閾值th22(s28)。然後，分析設備50和分析設備60通過霧網絡31和霧網絡32將作為確定信息的圖案的閾值th21和閾值th22傳送到異常確定設備123。然後，異常確定設備123存儲閾值th21和閾值th22作為確定信息的圖案，同時連續地更新閾值(s29)。

此外，分析設備50和分析設備60基於生產對象對應於一年的峰值來執行數據分析(s27)。例如，在圖12中圖示了與一年相對應的峰值的分布。然後，分析設備50和分析設備60基於與一年相對應的峰值來分析正常趨勢圖案。然後，如由圖12的破折線所表示的那樣，分析設備50和分析設備60基於正常趨勢圖案來生成閾值th31閾值th32作為確定信息的圖案(s28)。

同樣在該情況下，類似地，在檢測器112b所獲取的檢測信息是新獲得的情況下，分析設備50和分析設備60再次執行數據分析，由此更新作為確定信息的圖案的閾值th31和閾值th32(s28)。然後，分析設備50和分析設備60通過霧網絡31和霧網絡32將作為確定信息的圖案的閾值th31和閾值th32傳送到異常確定設備123。然後，異常確定設備123存儲閾值th31和閾值th32作為確定信息的圖案，同時連續地更新閾值(s29)。

與用於生成作為確定信息的閾值th21、th22、th31和th32的數據分析並行地，分析設備50和分析設備60僅從所獲取的峰值中提取信息的一部分(s30)。例如，分析設備50和分析設備60並非提取所有生產對象的峰值，而是提取一些生產對象的峰值。例如，分析設備50和分析設備60提取來自同一批次的一個生產對象的峰值。分析設備50和分析設備60通過雲網絡40將所提取的信息傳送到高階分析設備70。例如，可以一周一次或一個月一次地執行傳送。

然後，高階分析設備70通過雲網絡40獲取峰值信息的一部分(s31)。此外，根據需要，高階分析設備70從分析設備50和分析設備60獲取各種控制參數。各種控制參數的數據量小於檢測信息的數據量。

高階分析設備70基於從分析設備50和分析設備60所獲取的各種控制參數和峰值的一部分來執行高階數據分析(s32)。高階數據分析是所謂的數據挖掘。高階分析設備70通過使用安裝在彼此不同的區域中的生產設施11至13和生產設施21至23的信息來執行高階數據分析。因此，高階分析設備70可以使用大量信息來執行高階數據分析。

分析設備50和分析設備60可以通過雲網絡40獲取由高階分析設備70執行的高階數據分析的結果。因此，分析設備50和分析設備60通過參照高階數據分析的結果來更新由其自身數據分析所生成的作為確定信息的圖案的閾值th21、th22、th31和th32(s28)。然後，分析設備50和分析設備60通過霧網絡31和霧網絡32將作為更新的確定信息的閾值th21、th22、th31和th32傳送到異常確定設備123。以該方式，異常確定設備123存儲閾值th21、th22、th31和th32作為在考慮到高階數據分析的結果的情況下所獲取的確定信息，同時連續地更新閾值(s29)。

下面將參照圖13至圖15來描述根據第三實施方式的由異常確定設備123、分析設備50和分析設備60以及高階分析設備70執行的詳細處理。在第三實施方式中，將描述使用由檢測器115b和檢測器117獲取的檢測信息的情況作為示例。

如圖13所示，每當磨削生產對象(工件)時，檢測器115b檢測馬達115a的功率的當前值(s41)。此外，每當磨削生產對象時，檢測器117檢測環境溫度(s42)。隨後，異常確定設備123針對一個生產對象收集數據(s43)。

隨後，異常確定設備123在執行正常處理時針對一個生產對象從馬達115a的功率數據中提取數據(對應於根據本發明的預定處理)(s44)。例如，在圖4所示的情況下，在執行正常處理時，馬達115a的功率的當前值為p。然後，異常確定設備123獲取通過提取處理所獲取的功率的當前值p的數據和環境溫度的數據(對應於根據本發明的後處理數據)。

然後，在閾值th41和閾值th42被預先存儲作為確定信息的圖案的情況下，異常確定設備123執行異常確定(s45)。例如，如圖14所示，作為確定信息的圖案的閾值th41和閾值th42表示馬達115a的功率在該環境溫度(調節參數)下的當前值(估計參數)的圖案。這裡，馬達115a的功率的當前值根據環境溫度而被改變。因此，如圖14所示，作為確定信息的圖案的閾值th41和閾值th42在垂直軸上被表示為馬達115a的功率的當前值p(估計參數)，其中，水平軸被設置成環境溫度(調節參數)。

換言之，異常確定設備123基於當前所獲取的實際環境溫度(調節參數)、當前所獲取的功率的實際當前值p(估計參數)和所存儲的確定信息的圖案來執行異常確定。這裡，圖14中所圖示的標記■是當前所獲取的功率在實際環境溫度下的當前值p。標記■等於或小於上限閾值th41並且等於或大於下限閾值th42，因此，確定為正常。

此外，異常確定設備123收集多條功率的當前值p的數據和多個環境溫度的數據(後處理數據)(s46)。異常確定設備123例如收集與一天相對應的生產對象的功率的當前值p的數據和環境溫度的數據。由異常確定設備123收集的多條數據通過霧網絡31和霧網絡32例如一天一次地傳送到分析設備50和分析設備60。然後，分析設備50和分析設備60例如一天一次地獲取用於多個生產對象的功率的當前值p的數據和環境溫度的數據(s47)。這裡，與檢測器115b和檢測器117的所有檢測信息的數據量相比，分析設備50和分析設備60獲取具有小得多的數據量的數據。

分析設備50和分析設備60基於多個生產對象的數據來執行數據分析(s48)。例如，在圖15中圖示了與具有彼此不同的環境溫度的多天相對應的數據的分布。然後，分析設備50和分析設備60基於與多天相對應的數據來分析正常趨勢圖案。然後，如圖14和圖15中的破折線所表示的那樣，分析設備50和分析設備60基於正常趨勢圖案來生成閾值th41和閾值th42作為確定信息的圖案(s49)。

此外，在檢測器115b和檢測器117所獲取的檢測信息是新獲得的情況下，分析設備50和分析設備60再次執行數據分析，由此更新作為確定信息的圖案的閾值th41和閾值th42(s49)。然後，分析設備50和分析設備60通過霧網絡31和霧網絡32將作為確定信息的圖案的閾值th41和閾值th42傳送到異常確定設備123。然後，異常確定設備123存儲閾值th41和閾值th42作為確定信息的圖案，同時連續地更新閾值(s50)。

與用於生成作為確定信息的閾值th41和th42的數據分析並行地，分析設備50和分析設備60僅從所獲取的數據中提取信息的一部分(s51)。例如，分析設備50和分析設備60並非提取所有生產對象的數據，而是提取一些生產對象的數據。例如，分析設備50和分析設備60提取來自同一批次的一個生產對象的數據。分析設備50和分析設備60通過雲網絡40將所提取的信息傳送到高階分析設備70。例如，可以一周一次或一個月一次地執行傳送。

然後，高階分析設備70通過雲網絡40獲取數據信息的一部分(s52)。此外，根據需要，高階分析設備70從分析設備50和分析設備60獲取各種控制參數。各種控制參數的數據量小於檢測信息的數據量。

高階分析設備70基於從分析設備50和分析設備60所獲取的各種控制參數和數據中的一部分來執行高階數據分析(s53)。高階數據分析是所謂的數據挖掘。高階分析設備70通過使用安裝在彼此不同的區域中的生產設施11至13和生產設施21至23的信息來執行高階數據分析。因此，高階分析設備70可以使用大量信息來執行高階數據分析。

分析設備50和分析設備60可以通過雲網絡40來獲取由高階分析設備70執行的高階數據分析的結果。因此，分析設備50和分析設備60通過參照高階數據分析的結果來更新由其自身數據分析所生成的作為確定信息的圖案的閾值th41和th42(s49)。然後，分析設備50和分析設備60通過霧網絡31和霧網絡32將作為更新的確定信息的閾值th41和th42傳送到異常確定設備123。以該方式，異常確定設備123存儲閾值th41和th42作為在考慮到高階數據分析的結果的情況下獲取的確定信息，同時連續地更新閾值(s50)。

在第一實施方式至第三實施方式中，異常分析系統1包括：多個生產設施11至13，其是生產生產對象的生產設施，多個生產設施11至13中的每一個包括一個或更多個檢測器112b、114c、114d、115b、116、117和118c；霧網絡(對應於第一網絡)31，其連接至多個生產設施11至13並且安裝在構建霧計算的預定區域之內；以及分析設備50，其連接至霧網絡31，基於通過霧網絡31所獲取的由檢測器112b、114c、114d、115b、116、117和118c獲取的檢測信息來執行數據分析，並且基於數據分析的結果來生成關於多個生產設施11至13中的每一個的異常或生產對象的異常的確定信息。多個生產設施11至13中的每一個基於由分析設備50生成的確定信息來確定多個生產設施11至13中的每一個的異常或生產對象的異常。

多個生產設施11至13的檢測器112b、114c、114d、115b、116、117和118c與分析設備50通過安裝在構建霧計算的預定區域之內的霧網絡31而連接。與雲計算的區域相比，霧計算是連接至更窄的區域的網絡的系統。換言之，與構建雲計算的區域相比，構建霧計算的霧網絡31是安裝在更窄的預定區域之內的網絡。為此，在檢測器112b、114c、114d、115b、116、117和118c與分析設備50之間的數據通信中，抑制了通信擁塞的發生。此外，由於霧網絡31被構建在較窄的預定區域之內，因此可以縮短生產設施11至13與分析設備50之間的通信時間。因此，分析設備50可以以較高速度來接收由檢測器112b、114c、114d、115b、116、117和118c獲取的檢測信息。

由於分析設備50可以較早地獲取由多個生產設施11至13獲得的檢測信息並且執行數據分析，因此可以將由分析設備50獲得的結果較早反饋回到生產設施11至13。由於分析的結果可以被反饋回到生產設施11至13，因此可以以可靠的方式較早抑制生產對象的異常發生。

在第一實施方式中，分析設備50通過霧網絡31獲取由檢測器112b、114c、114d、115b、116、117和118c所獲取的所有檢測信息，並且基於所有檢測信息來執行數據分析。具體地，多個檢測器112b、114c、114d、115b、116、117和118c以彼此不同的採樣周期來獲取檢測信息，並且分析設備50獲取由多個檢測器112b、114c、114d、115b、116、117和118c所獲取的所有檢測信息並且基於所有檢測信息來執行數據分析。在霧網絡31中，即使在執行大量數據的數據通信時也不會發生通信延遲的問題。因此，分析設備50被配置成獲取由檢測器112b、114c、114d、115b、116、117和118c所獲取的所有檢測信息。因此，分析設備50可以以高精度實時地執行數據分析。

在第二實施方式和第三實施方式中，異常確定設備123通過對由檢測器112b、114c、114d、115b、116、117和118c所獲取的檢測信息執行預定處理來生成後處理數據，並且基於確定信息來執行異常確定。然後，分析設備50和分析設備60通過霧網絡31來獲取後處理數據，基於後處理數據來執行數據分析，並且基於數據分析的結果來更新確定信息。

異常確定設備123執行異常確定，並且分析設備50和分析設備60更新確定信息。這裡，分析設備50和分析設備60使用通過對(由檢測器112b、114c、114d、115b、116、117和118c所獲取的)檢測信息執行預定處理而獲取到的後處理數據。換言之，分析設備50和分析設備60並非基於由檢測器112b、114c、114d、115b、116、117和118c所獲取的所有檢測信息來更新確定信息。因此，當更新確定信息時，與使用所有檢測信息的情況相比，分析設備50和分析設備60可以以更高的速度來執行處理。如上所述，異常分析系統1能夠可靠地更新確定信息，同時執行異常確定。

具體地，後處理數據(異常確定設備123已經對其執行了預定處理)的數據量被配置成小於在處理之前的檢測信息的數據量。為此，可以減少霧網絡31的通信量，並且分析設備50和分析設備60例如可以縮短用於獲取與一天相對應的數據所需的時間。因此，分析設備50和分析設備60可以確保時間足以用於執行分析。

在第二實施方式中，異常確定設備123基於所生成的後處理數據和確定信息來執行異常確定，並且分析設備50和分析設備60基於用於由異常確定設備123進行確定的後處理數據來更新確定信息。換言之，異常確定設備123與分析設備50和分析設備60一起共享後處理數據。

具體地，在第二實施方式中，檢測器112b是振動檢測傳感器，並且由異常確定設備123執行的預定處理是對檢測器112b所獲取的檢測信息的頻率分析。因此，異常確定設備123僅生成由異常確定設備使用的數據，而不生成由分析設備50和分析設備60專用的數據。因此，由於異常確定設備123不需要專用處理，因此異常確定設備123能夠以較高速度來執行其自身的處理，並且獲得減少霧網絡31中的通信量的效果。

在第三實施方式中，由異常確定設備123執行的預定處理是從檢測器115b和檢測器117所獲取的檢測信息中提取指定信息的處理。同樣在該情況下，異常確定設備123僅生成由異常確定設備使用的數據，而不生成由分析設備50和分析設備60專用的數據。因此，由於異常確定設備123不需要專用處理，因此可以以較高速度來執行異常確定設備123的自身處理，並且獲得減少霧網絡31中的通信量的效果。

此外，在第二實施方式和第三實施方式中，分析設備50和分析設備60通過數據分析來分析估計參數相對於調節參數的正常趨勢圖案，並且基於正常趨勢圖案來更新估計參數相對於調節參數的確定信息的圖案。然後，異常確定設備123獲取實際調節參數和實際估計參數，並且基於確定信息的圖案、實際調節參數和實際估計參數來執行異常確定。

例如，在第二實施方式中，作為第一示例，調節參數是一天中的時間段，並且估計參數是根據一天中的時間段而變化的參數。此外，在第二實施方式中，作為第二示例，調節參數是一年中的時間段，並且估計參數是根據一年中的時間段而變化的參數。

生產設施11至13的組成部件中的每一個的狀態或生產對象的狀態例如根據在生產設施11至13啟動之後經過的時間、環境溫度等而變化。環境溫度根據一天中的時間段或一年中的時間段而變化。此外，在生產設施一天啟動一次的情況下，在生產設施11至13啟動之後經過的時間根據一天中的時間段而變化。因此，可以通過設置如上所述的調節參數和估計參數來可靠地估計生產設施11至13的狀態以及生產對象的狀態。

具體地，檢測器112b檢測生產設施11至13或生產對象的振動，並且估計參數被設置為振動中的預定頻段的峰值。振動的幅度例如是根據在生產設施11至13啟動之後經過的時間、環境溫度等而變化的參數。換言之，峰值是根據在生產設施11至13啟動之後經過的時間、環境溫度等而變化的參數。因此，可以通過將估計參數設置為峰值來可靠地估計生產設施11至13的狀態或生產對象的狀態。

在第三實施方式中，調節參數是環境溫度，並且估計參數是根據環境溫度而變化的參數。在該情況下，通過將環境溫度設置為調節參數，可以通過估計根據環境溫度而變化的參數來估計生產設施11至13的狀態或生產對象的狀態。

在第二實施方式和第三實施方式中，在通過異常確定設備123多次執行預定處理之後，分析設備50和分析設備60一起獲取與由異常確定設備123多次執行相對應的預定處理的結果。換言之，分析設備50和分析設備60並非每當異常確定設備123獲取由檢測器112b、114c、114d、115b、116、117和118c獲取的檢測信息時就從異常確定設備123獲取數據。

這裡，在第二實施方式和第三實施方式中，異常確定設備123對檢測信息執行預定處理，並且分析設備50和分析設備60獲取後處理數據，後處理數據的數據量通過預定處理而減少。因此，雖然分析設備50和分析設備60一起獲取與多次相對應的結果，但是霧網絡31中的通信量是足夠小的。

在第一實施方式至第三實施方式中，構建霧網絡31的預定區域處於與安裝多個生產設施11至13中的一個生產設施的建築物相同的建築物內部，或處於與安裝生產設施11至13的建築物鄰近的建築物內部。因此，可以使用霧網絡31來可靠地配置生產設施11至13和分析設備50。

在第一實施方式至第三實施方式中，由於在靠近生產設施11至13的位置處執行分析，因此操作者可以在檢查生產對象或生產設施11至13的狀態時確定用於確定該狀態是異常還是正常的值(確定信息)。此外，當在生產設施11至13或生產對象中發生突然異常時，在靠近生產設施11至13的位置處執行分析。因此，在操作者與分析設備50的配合下，可以立刻執行數據的分析，並且可以立即將分析的結果反映在目標生產設施11至13的確定信息上。此外，根據由分析設備50執行的分析的結果，在做出異常確定的階段或在異常確定之前的階段(尚未異常但接近異常的狀態)，生產設施11至13或分析設備50可以向操作者通知異常狀態或自動停止生產設施11至13的操作。

在第一實施方式至第三實施方式中，分析設備50包括：顯示單元52，其顯示數據分析的結果；以及輸入單元53，其接收操作者對確定信息的輸入。生產設施11至13的確定信息的設置可以由操作者手動地完成。設置不限於操作者的手動設置，而是可以由系統進行自動設置。

在第一實施方式至第三實施方式中，異常分析系統1包括：其他生產設施21至23，其不直接連接至霧網絡31，但是包括其他檢測器112b、114c、114d、115b、116、117和118c；雲網絡40(對應於第二網絡)，其連接至多個生產設施11至13和其他生產設施21至23，並且構建比霧網絡31的預定區域更寬的區域的雲計算；以及高階分析設備70，其連接至雲網絡40，並且基於通過雲網絡40由檢測器112b、114c、114d、115b、116、117和118c獲取的檢測信息和由其他檢測器112b、114c、114d、115b、116、117和118c獲取的檢測信息來執行高階數據分析。

分析設備50可以被配置成基於由分析設備50執行的數據分析的結果和由高階分析設備70執行的高階數據分析的結果來確定和存儲確定信息。因此，可以通過使用並非從生產設施11至13獲取的信息來執行高階數據分析並且將分析的結果反饋回到生產設施11至13來獲取更佳的確定信息。

在第一實施方式至第三實施方式中，分析設備50獲取由檢測器112b、114c、114d、115b、116、117和118c獲取的所有檢測信息，並且執行數據分析。另一方面，高階分析設備70獲取由生產設施11至13的檢測器112b、114c、114d、115b、116、117和118c獲取的檢測信息的一部分以及由其他生產設施21至23的其他檢測器112b、114c、114d、115b、116、117和118c的檢測信息的一部分，並且執行高階數據分析。即使在高階分析設備70不需要高速處理的情況下，在通過雲網絡40將由檢測器112b、114c、114d、115b、116、117和118c獲取的所有檢測信息傳送到高階分析設備70的情況下，存在以下關切：其他人可能會受雲網絡40的通信延遲的影響。因此，如上所述，雲網絡40中的數據通信量對應於檢測信息的一部分，並且可以抑制雲網絡40的通信延遲的影響。

在第一實施方式至第三實施方式中，多個生產設施11至13中的每一個包括磨削生產對象的磨床，並且確定信息例如是關於生產對象的磨削異常的確定信息。因此，在包括磨床的系統中，可以可靠地抑制磨削異常如磨削灼傷的發生。

在第一實施方式至第三實施方式中，確定信息可以是關於多個生產設施11至13中的任何一個的部件故障、部件壽命或部件維修的必要性/非必要性的確定信息。在這種情況下，可以預測生產設施11至13的部件故障，並且可以預先準備部件替換。至今，在基於部件的使用期來頻繁地執行部件替換時，高精度地獲取每個部件的壽命，然後可以執行部件的替換，由此可以延長部件的使用期。此外，可以在部件的性能惡化之前在適當時間段執行部件的維護。以該方式，可以延長部件的使用期。

附圖標記和符號說明

1：異常分析系統

11至13：生產設施(11:磨床)

21至23：其他生產設施

31：霧網絡(第一網絡)

32：霧網絡

40：雲網絡(第二網絡)

50：分析設備

51：分析單元

52：顯示單元

53：輸入單元

60：其他分析設備

70：高階分析設備

112b、114c、114d、115b、116、117和118c：檢測器

121：cnc裝置

122：plc

123：異常確定設備

th11、th12、th21、th22、th31和th32：閾值

w：曲軸(生產對象)