CN111316312A - 技能基础系统、技能模型化装置及技能流通方法 - Google Patents

技能基础系统、技能模型化装置及技能流通方法 Download PDF

Info

Publication number
CN111316312A
CN111316312A CN201880072427.9A CN201880072427A CN111316312A CN 111316312 A CN111316312 A CN 111316312A CN 201880072427 A CN201880072427 A CN 201880072427A CN 111316312 A CN111316312 A CN 111316312A
Authority
CN
China
Prior art keywords
skill
data
artisan
skilled worker
model
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201880072427.9A
Other languages
English (en)
Inventor
冈田光司
西川和彦
前河芳胜
藤卷升
岩崎隆
中村忠行
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toshiba Corp
Toshiba Digital Solutions Corp
Original Assignee
Toshiba Corp
Toshiba Digital Solutions Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Toshiba Corp, Toshiba Digital Solutions Corp filed Critical Toshiba Corp
Publication of CN111316312A publication Critical patent/CN111316312A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/20—Education
    • G06Q50/205—Education administration or guidance
    • G06Q50/2057—Career enhancement or continuing education service
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B19/00—Teaching not covered by other main groups of this subclass
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B9/00—Simulators for teaching or training purposes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Educational Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Manufacturing & Machinery (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

根据实施方式，技能基础系统具备数据取得部、模型生成部和技能提供部。所述数据取得部取得与第一据点的熟练工的作业相关的数据。所述模型生成部使用通过所述数据取得部取得的数据将所述熟练工的技能模型化。所述技能提供部使用通过所述模型生成部生成的模型，将所述熟练工的技能提供给第二据点。

Description

技能基础系统、技能模型化装置及技能流通方法
技术领域
本发明的实施方式涉及技能基础系统、技能模型化装置及技能流通方法。
背景技术
近年来，特别是在制造业中，由于少子高龄化等，熟练工的技能的传承者不足成为严重的问题。另一方面，在被预测生产人口的增加的新兴起国家等开展高质量的产品的生产据点的全球化的流程得到推进，这种现象也加速了熟练工的不足的问题。具有良好技能的熟练工被称为“匠人”等。
现有技术文献
专利文献
专利文献1：日本特开2010－267947号公报
发明内容
发明要解决的课题
特别是在处于前述状况下的制造业中，正在寻求如匠人的技能向下一代的传承、匠人的技能向海外的推广等，无论是在时间上还是空间上都能使匠人的技能流通的策略。
本发明要解决的课题是，提供能够使匠人的技能无论是在时间上还是空间上都能流通的技能基础系统、技能模型化装置及技能流通方法。
用于解决课题的手段
根据实施方式，技能基础系统具备数据取得部、模型生成部和技能提供部。所述数据取得部取得与第一据点的熟练工的作业相关的数据。所述模型生成部使用通过所述数据取得部取得的数据将所述熟练工的技能模型化。所述技能提供部使用通过所述模型生成部生成的模型，将所述熟练工的技能提供给第二据点。
附图说明
图1是用于说明实施方式的制造技能基础系统的概念的图。
图2是用于说明在实施方式的制造技能基础系统中可以模型化的匠人的技能的例子的图。
图3是用于说明深度学习的概要的图。
图4是用于说明实施方式的制造技能基础系统将匠人的技能模型化的一例的图。
图5是示意地表示实施方式的制造技能基础系统的图。
图6是表示实施方式的制造技能基础系统的一结构例的图。
图7是表示实施方式的制造技能基础系统的硬件结构的一例的图。
图8是表示实施方式的制造技能基础系统生成数字“匠人”30的阶段的动作的流程的流程图。
图9是表示实施方式的制造技能基础系统应用数字“匠人”30的阶段的动作的流程的流程图。
图10是用于说明在实施方式的制造技能基础系统中可以预设的第一使用状况的图。
图11是用于说明在实施方式的制造技能基础系统中可以预设的第二使用状况的图。
图12是用于说明在实施方式的制造技能基础系统中可以预设的第三使用状况的图。
图13是用于说明在实施方式的制造技能基础系统中可以预设的第四使用状况的图。
图14是表示实施方式的制造技能基础系统的一应用例(应用系统)的图。
图15是表示应用系统制造工序流程的图。
图16是表示在应用系统中收集与多个匠人的技能相关的数据，再构建更优异的匠人的技能的数据的理念的另一例的图。
图17是概略地表示在应用系统中根据环境区分使用多个匠人的技能的例子的图。
图18是用于说明应用系统中的数字匠人的信息(制造关联信息)的一生成例的图。
图19是表示利用了应用系统中的模拟器的匠人的技能的信息输入方法的一例的说明图。
图20是表示根据应用系统中的模拟式的“匠人的技能”的信息生成“数字匠人”的信息的一例的图。
图21是表示在应用系统的各模块中执行的处理方法的一例的图。
具体实施方式
下面，参照附图对实施方式进行说明。
图1是用于说明本实施方式的制造技能基础系统的概念的图。下面，将该制造技能基础系统称为“数字“匠人”平台”。
数字“匠人”平台例如是融合IoT(Internet of Things)技术和AI(ArtificialIntelligence)技术实现的系统。数字“匠人”平台大致划分包括生成后述的数字“匠人”30的阶段和应用数字“匠人”30的阶段。
首先，对生成数字“匠人”30的阶段的概要进行说明。
由数字“匠人”平台构建数字工具2，数字工具2在网络空间上再现例如生产线A等真实空间1中的作业者(包括具有良好技能的匠人10(实际存在的被称为“匠人”的作业者))的作业。另外，由数字“匠人”平台构建“匠人”数字工具3，“匠人”数字工具3使用为构建该数字工具2而取得的数据(a1)中与匠人10的作业相关的数据(a2)，在网络空间上再现真实空间1中的匠人10的作业。其中，匠人10的技能包括被称为技术诀窍(KnowHow)的不可见的技能。
另外，关于构建数字工具(2、3)的方法，不限定于特定的方法，可以采用已知的各种各样的方法。另外，在用于构建数字工具(2、3)的数据的取得中，可以适用IoT技术。
用于构建数字工具(2、3)的数据例如是与作业者通过观察、聆听、触摸等五感而认识的事件相关的信息、与作业者的视线和特定的部位的动作相关的信息、与作业者操作处理的装置的状态相关的信息、或者与作业者的作品(不限于生产品，包括计划等)相关的信息等。关于作业者的视线和特定的部位的动作，例如可以使作业者佩戴传感器进行检测，还可以根据由摄像机拍摄的作业者的图像进行检测。即，用于构建数字工具(2、3)的数据之一，可以是拍摄作业者的图像。另外，在根据图像检测作业者的视线的动作的情况下，还可以将拍摄该图像用的摄像机搭载于作业者佩戴的眼镜上。关于这样取得用于构建数字工具(2、3)的数据的方法，不限定于特定的方法，可以采用已知的各种各样的方法。另外，随着IoT技术的发展，还可以变更该方法。
另外，在为构建数字工具(2、3)而取得的数据中包含属于作业者的输入的数据和属于作业者的输出的数据。例如，对作业者通过观察、聆听、触摸等五感来认识某一事件并采取某种行动的情况进行说明。此时，与作业者通过观察、聆听、触摸等五感而认识的某一事件相关的信息，被作为属于作业者的输入的数据而取得。并行地，与作业者采取的某种行动相关的信息，被作为属于作业者的输出的数据而取得。这样取得的属于作业者的输入或者输出的数据，例如被附加可以识别生产据点和个人的识别信息等。该识别信息可以在例如从数字工具2的数据中抽取与(用于构建“匠人”数字工具3的)匠人10的作业相关的数据的处理等中使用。
另外，在图1中为了容易理解，示出了在一个生产据点(生产线A)具有匠人10的情况，然而匠人10可以位于多个生产据点。此外，还可以考虑多个匠人10位于一个生产据点的情况(图1并非意图表示在生产线A只有一个匠人10的情况)。关于这多个匠人10，例如混合了在“生产一线”、“质量管理”、“生产计划”、“库存管理”等各种各样的领域和工序中具有良好技能的人员。当然，存在这些良好技能源自于各种各样的作业者的情况，但也存在一个人就具有多种良好技能的作业者的情况。
“匠人”数字工具3上的匠人20(20-1、20-2、20-3、…、20-N)是与这多个匠人10的作业相关的数据的集合体。数字“匠人”平台例如通过把该“匠人”数字工具3上的匠人20的数据作为学习数据的深度学习，将这多个匠人10的技能分别模型化。数字“匠人”30是使用通过该模型化而生成的神经网络(“匠人”模型)使匠人10的技能流通用的模块。生成数字“匠人”30实质上是指将匠人10的技能模型化。换言之，是指生成“‘匠人’模型”。
例如，说明将在生产线A中进行作业的匠人10的技能模型化得到的“匠人”模型，即生成数字“匠人”30的情况。此时，在没有匠人10的生产线B中根据与作业者通过观察、聆听、触摸等五感而认识的某一事件相关的信息(输入)，估计如果是匠人10将会采取的某种行动(输出)，并能够将该估计结果反映在生产线B上。即，能够使匠人10的技能流通(a3)。另外，生产线B还能够理解为匠人10隐退后的未来的生产线A。并且，在匠人10的模型化中可以应用AI技术。
参照图2说明匠人10具有的良好技能的例子。
在图2中，(A)是与从事压铸制造(模具铸造)的匠人10的技能相关的图，(B)是与从事垃圾焚烧的匠人10的技能相关的图。更具体地，图2是表示匠人10通过视觉观察而认识的事件(图像)的图。
在压铸制造中，因模具温度的微妙变化而产生不良品。从事压铸制造的匠人10根据热成像仪发现热聚集并控制装置。另外，在垃圾焚烧中，因不完全燃烧而产生有害物质。从事垃圾焚烧的匠人10一面观察火焰的状态一面调整垃圾和空气的投入。
数字“匠人”平台将这样的匠人10的技能模型化，使得在压铸制造中即使不是匠人10也能发现热聚集，在垃圾焚烧中，即使是(不依赖于匠人10)进行远程监控的监视员也能够进行焚烧炉的控制。
另外，在此示出了经由数字工具2取得与匠人10的作业相关的数据的例子，数字工具2在网络空间上再现真实空间1中的作业，但与匠人10的作业相关的数据的取得不一定经由数字工具2。或者，也可以是，不经过数字工具2的构建，而直接构建限定性的数字工具即“匠人”数字工具3，使在网络空间上仅再现真实空间1中的匠人10的作业。
在此，参照图3及图4对匠人10的技能的模型化进行说明。图3是用于说明深度学习的概要的图。所谓深度学习是使用神经网络的机器学习法的总称。
例如，按照前面所述，从事压铸制造的匠人10根据热成像仪发现热聚集并控制装置。在这种情况下，将热成像仪图像捕捉为匠人10的输入，将装置的控制的内容(“匠人”的作业)捕捉为匠人10的输出，然后在深度学习中大量地使用该输入和输出的组合作为学习数据，优化神经网络的参数((A)学习)。其中，所谓参数是指神经元之间的连接权。即，在本实施方式中，所谓将匠人10的技能模型化，是指生成将神经元之间的连接权优化的神经网络。并且，将这样生成的优化了神经元之间的连接权的神经网络称为“‘匠人’模型”。
根据将从事压铸制造的匠人10的技能模型化得到的“匠人”模型，能够根据不被包含在学习数据中的热成像仪图像(未知的数据)估计如果是匠人10将会进行的装置的控制的内容((B)执行(估计))。因此，即使不是匠人10，也能够发现热聚集。另外，将针对“匠人”模型的估计结果的评价(评价数据)作为学习数据进行反馈并继续深度学习，由此“匠人”模型可以超过匠人10的技能的水平而发展。
另外，作为神经网络的组织结构，例如已知有全连接型(FC：Fully ConnectedNeural Network)、卷积型(CNN：Convolutional Neural Network)、复归型(RNN：RecurrentNeural Network)自编码型(AE：Auto Encoder)等。可以适用这些当中的一个，也可以组合适用两个以上。
另外，图4是表示将完成品的检查工序中的目视检查的匠人10的技能模型化的一例的图。在此，作为制造装置，假设是对印制基板进行配线的配线装置。
匠人10通过目视观察不仅判定完成品是良品还是不良品，而且能够正确判定配线装置的维护的时期(A)。如果不具备该匠人10的技能，则有可能导致维护延迟而使产生许多不良品，反之，还有可能因过度进行维护而使生产效率降低。
因此，把匠人10目视观察的完成品的图像作为输入，把匠人10的检查结果(包括完成品是良品还是不良品的判定结果、和是否是配线装置的维护的时期的判定结果)作为输出，通过大量地使用该输入和输出的组合作为学习数据的深度学习，将该匠人10的技能模型化。即，生成与该匠人10的技能对应的“匠人”模型。
在该“匠人”模型被生成时，能够根据完成品的图像判定该完成品是良品还是不良品，并且能够正确判定配线装置的维护的时期(B)。
下面，对应用数字“匠人”30的阶段的概要进行说明。
数字“匠人”平台利用作为数字“匠人”30用而生成的“匠人”模型来提供匠人10的技能，以便能够在没有匠人10的真实空间1中以与匠人10同等或者其以上的水平的技能(下面，简单地称为“匠人10的技能”)进行作业。例如，数字“匠人”平台根据与真实空间1的作业者通过观察、聆听、触摸等五感而认识的事件相关的信息，利用“匠人”模型估计该作业者应进行的作业，将此估计结果通知真实空间1的作业者。关于“匠人”模型的估计结果的通知，例如可以通过图像和声音向作业者发送输出指示用的数据等。
图5是示意地表示通过数字“匠人”30使匠人10的技能流通的数字“匠人”平台100的图。
如图5所示，数字“匠人”平台100连接国内的制造商200、装置商300及中小企业、乡镇工厂400、海外的生产据点(海外工厂)210及海外制造商250等，收集分散的匠人10的技能，通过模型化将其技能标准化(c1)。并且，数字“匠人”平台100实现能够跟踪匠人10的技能的发展(新的技能的出现)，并纳入此发展的架构(c2)。并且，数字“匠人”平台100发挥作为可以共享、应用匠人10的技能的基础的作用，例如使在生产据点之间相互融合匠人10的技能等(c3)。
图6是表示数字“匠人”平台100的一结构例的图。
数字“匠人”平台100是由例如被称为服务器等的计算机构建而成的系统，如图6所示，具有各处理部即数据取得部110、“匠人”模型生成部120及“匠人”技能提供部130、和数据部即数字“匠人”主机DB(DataBase，数据库)140及数字“匠人”本地DB150。数据取得部110及“匠人”模型生成部120作为技能模型化装置发挥作用，生成后述的“匠人”模型141并存储在数字“匠人”主机DB140中。数字“匠人”平台100可以是由一个计算机构建而成的系统，还可以是例如为了负荷分散等，由例如可以经由网络进行协作的多个计算机构建而成的系统。在由多个计算机构建而成的系统中，可以将图6所示的全部构成要素配置于多个计算机，也可以将图6所示的构成要素分散配置于多个计算机。另外，也可以是，例如将具有被称为文件服务器等的大容量的寄存器的计算机包含在多个计算机中，配置数字“匠人”平台100的数据部(数字“匠人”主机DB140、数字“匠人”本地DB150)。数字“匠人”平台100的处理部(数据取得部110、“匠人”模型生成部120、“匠人”技能提供部130)的一部分或者全部，可以通过使处理器执行被记述有各种处理步骤的程序来实现，还可以通过专用的电子电路来实现。图7表示数字“匠人”平台100的硬件结构的一例。
如图7所示，数字“匠人”平台100具有处理器51、主存储器52、外部存储装置53、通信装置54、输入装置55、显示装置56等。另外，如前面所述，数字“匠人”平台100还可以由多个计算机(服务器和文件服务器等)构建而成，图7只不过是概略地示出其硬件结构例。
在此，假设数字“匠人”平台100将在外部存储装置53存储的数字“匠人”程序100A从该外部存储装置53安装于主存储器52并通过处理器51来执行，由此实现图6所示的各处理部。并且，假设图6所示的数据部(数字“匠人”主机DB140、数字“匠人”本地DB150)被构建于外部存储装置53中。
通信装置54是执行例如与图6所示的工厂A、工厂B等之间的通信的装置。输入装置55是管理数字“匠人”平台100的操作者等进行包括指令的信息输入用的装置。显示装置56是向该操作者等进行信息输出用的装置。
返回到图6继续进行说明。
数据取得部110是取得与各生产据点的作业者的作业相关的数据的模块。在图6中，工厂A是匠人10所在的生产据点，工厂B是没有匠人10的生产据点。在图6中，将匠人10以外的作业者表述为普通作业者40。另外，在图6中，为了容易理解而示出了各一个的工厂A和工厂B，但实际上被表述为工厂A的匠人10所在的生产据点和被表述为工厂B的没有匠人10的生产据点分别存在多个。并且，工厂A和工厂B可以是同一的生产据点，还可以理解为(匠人10就职的)当前的生产据点和(匠人10隐退后的)未来的生产据点。并且，同样为了容易理解，在图6中示出了数据取得部110从各生产据点(工厂A、工厂B)直接取得数据，但数据取得部110是经由图1所示的数字工具2或者“匠人”数字工具3取得数据。数字工具(2、3)的数据被附加了例如可以识别生产据点和个人的识别信息等，数据取得部110根据该识别信息从数字工具(2、3)取得目的的数据。关于构建数字工具(2、3)的模块，在此省略其图示及其说明。数据取得部110也可以替代经由数字工具(2、3)取得数据，例如经由因特网等网络从各生产据点(工厂A、工厂B)直接取得数据。
“匠人”模型生成部120是通过将由数据取得部110取得的数据、具体地是与工厂A的匠人10的作业相关的数据作为学习数据的深度学习，将匠人10的技能模型化的模块。即，是生成“匠人”模型的模块。
“匠人”模型生成部120例如按照“质量”、“工序”、“库存管理”等各种各样的领域和工序的作业生成“匠人”数据。更具体地，“匠人”模型生成部120具有按照该各种各样的领域和工序的作业而设置的作业类别“匠人”模型生成部121(121-1、121-2、…、121-N)。这些作业类别“匠人”模型生成部121通过将与从数字工具3取得的匠人10的作业相关的数据(匠人20的数据)作为学习数据的深度学习，将匠人10的技能模型化并生成各种“匠人”模型。通过这些作业类别“匠人”模型生成部121所生成的“匠人”模型，作为“匠人”模型141(141-1、141-2、…、141-N)被存储在数字“匠人”主机DB140中。
另外，“匠人”模型生成部120能够自适应地增减作业类别“匠人”模型生成部121。更具体地，可以将与不需要的技能相关的作业类别“匠人”模型生成部121删除，或追加与生成新的“匠人”模型141所需要的技能相关的作业类别“匠人”模型生成部121。即，能够跟踪匠人10的技能的发展(新的技能的出现)并纳入其发展。
“匠人”技能提供部130是利用通过“匠人”模型生成部120所生成的“匠人”模型141提供匠人10的技能的模块。“匠人”技能提供部130例如能够按照“质量”、“工序”、“库存管理”等各种各样的领域和工序的作业单位提供匠人10的技能。因此，“匠人”技能提供部130具有按照该各种各样的领域和工序的作业而设置的作业类别“匠人”技能提供部131(131-1、131-2、…、131-N)。并且，这些作业类别“匠人”技能提供部131分别具有订制处理部131A(131A-1、131-2、…、131-N)。订制处理部131A具有与作业类别“匠人”模型生成部121相同的深度学习功能。作业类别“匠人”技能提供部131在开始对某一生产据点提供使用了“匠人”模型141的技能时，由数字“匠人”主机DB140读出该“匠人”模型141并生成复制品(“匠人”模型(本地)151)，将该复制品存储在数字“匠人”本地DB150中。作业类别“匠人”技能提供部131利用在数字“匠人”本地DB150存储的“匠人”模型(本地)151提供匠人10的技能。订制处理部131A经由数据取得部110取得与针对该“匠人”模型(本地)151的估计结果的评价相关的数据，将该数据作为学习数据继续深度学习，并订制适合该生产据点的“匠人”模型(本地)151。由此，例如能够使“匠人”模型(本地)151适合于各生产据点的环境等。其结果是，能够从各种作业的现场得到直接体现出所需要的技能、并按照生产据点而订制的最佳技能。
另外，“匠人”技能提供部130评价各生产据点的作业。“匠人”技能提供部130例如将“匠人”模型(本地)151的估计结果和通过数据取得部110取得的与生产据点的作业相关的数据进行比较，由此进行评价。通过该评价能够进行这样的判定，例如某一生产据点具有进行基于“匠人”模型(本地)151的作业的技能，但某一生产据点不具有进行基于“匠人”模型(本地)151的作业的技能等。
图8是表示数字“匠人”平台100生成数字“匠人”30的阶段的动作的流程的流程图。
数字“匠人”平台100首先取得与生产据点的作业相关的数据(步骤A1)。然后，数字“匠人”平台100由所取得的数据中收集与“匠人”10的作业相关的数据(步骤A2)。
并且，数字“匠人”平台100通过将所收集的与“匠人”10的作业相关的数据作为学习数据的深度学习，将“匠人”的技能模型化(步骤A3)。所谓“匠人”的技能的模型化，就是指数字“匠人”30的生成。
另外，图9是表示数字“匠人”平台100应用数字“匠人”30的阶段的动作的流程的流程图。
数字“匠人”平台100取得与(基于“匠人”模型141的技能的提供对象的)生产据点的作业相关的数据(步骤B1)，将所取得的数据输入“匠人”模型141(本地)，并取得估计结果(步骤B2)。数字“匠人”平台100将所取得的估计结果反映给生产据点(步骤B3)，并取得针对该估计结果的评价数据(步骤B4)。数字“匠人”平台100通过将所取得的评价数据作为学习数据的深度学习，进行使“匠人”模型141(本地)适合该生产据点的订制(步骤B5)。
这样，本实施方式的数字“匠人”平台100(制造技能基础系统)无论是在时间上还是空间上都能够使匠人的技能流通。
下面，对在该数字“匠人”平台100中可以预设的几种使用状况进行说明。
(第一种使用状况)
首先，参照图10对在该数字“匠人”平台100中可以预设的第一种使用状况进行说明。
第一种使用状况是制造商200为了在公司内的生产据点210之间使匠人10的技能流通而应用数字“匠人”平台100的状况。
例如，预设这样的情况，在“质量”方面具有良好技术的匠人10(10-1)、在“工序”方面具有良好技术的匠人10(10-2)、和在“库存管理”方面具有良好技术的匠人10(10-3)分散于公司内不同的生产据点210。
在这种情况下，在数字“匠人”平台100中共享这些匠人10的技能。更具体地，例如在数字“匠人”平台100中将在“质量”方面具有良好技术的匠人10的技能模型化成数字“匠人”30用的“匠人”模型141并进行蓄积。这对于“工序”和“库存管理”也一样。另外，如果关于“质量”、“工序”、“库存管理”分别已将匠人10的技能作为“匠人”模型141蓄积在平台100中，例如没有在“质量”方面具有良好技术的匠人10(“质量”的匠人10)的生产据点210，能够利用与“质量”的匠人10的技能对应的“匠人”模型141填补“质量”的匠人10的技能。这对于“工序”和“库存管理”也一样。
这样，通过数字“匠人”平台100使在公司内的生产据点210之间利用“匠人”模型141使匠人10的技能流通，由此能够实现该制造商200的产品的质量提高和均匀化、制造商200的生产性提高。并且，通过构建使匠人10的技能流通的数字“匠人”平台100，能够容易推进例如海外工厂等的(派遣匠人10困难的)新的生产据点210的起动、开展。
(第二种使用状况)
然后，参照图11对在该数字“匠人”平台100中可以预设的第二种使用状况进行说明。
第二种使用状况是制造商200为了和供应商(部件厂家、外包商等)220之间实现协作而应用数字“匠人”平台100的状况。
例如，在向多个供应商220进行订货的情况下，必须避免产品的质量在供应商220之间产生偏差。更具体地，所有的供应商220的产品的质量必须超过标准。作为其对策，有时从制造商200派遣匠人10，进行指导供应商220的作业者11。
通过构建数字“匠人”平台100，将该匠人10的技能模型化成数字“匠人”30用的“匠人”模型141并进行蓄积，利用“匠人”模型141对各供应商220提供匠人10的技能，除了在第一种状况中列举的产品的质量提高和均匀化以外，还能够削减针对供应商220的技能指导的成本。
并且，数字“匠人”平台100能够按照领域和工序的作业单位利用“匠人”模型141提供匠人10的技能，因而还能够实现例如将不想泄露到公司外部的技能从“匠人”模型141中去除，提供匠人10的技能等。另外，还能够根据所提供的技能的数量向供应商220进行收费等。
另外，在数字“匠人”平台100中能够对生产据点的作业进行监视、评价，因而还可以容易进行倾斜订货，例如针对具有根据“匠人”模型141进行作业的较高的技能、制造质量更高的产品的供应商220，增多订货数量等(A供应商<B供应商)。
(第三种使用状况)
然后，参照图12对在该数字“匠人”平台100中可以预设的第三种使用状况进行说明。
第三种使用状况是装置商300例如为了对海外制造商250等的促销而应用数字“匠人”平台100的状况。
例如，在想要向海外制造商250等销售装置时，如果该海外制造商250不具备使用装置(包括维护)的人才，将成为销售的障碍，这种情况并不少见。
如果构建数字“匠人”平台100，则能够利用“匠人”模型141对遥远地区的生产据点提供匠人10的技能，因而能够将匠人10的技能打包来销售装置。由此，能够增加装置的销售量。
另外，在数字“匠人”平台100中能够对遥远地区的生产据点的作业进行监视、评价，因而能够提供自适应地通知维护的时期和维护方法的实用的售后服务。这样的售后服务的提供还能够增加装置的销售量。
(第四种使用状况)
然后，参照图13对在该数字“匠人”平台100中可以预设的第四种使用状况进行说明。
第四种使用状况是为了如下目的而应用数字“匠人”平台100的状况，将因后继者不足等而危及技能的传承的中小企业、乡镇工厂400等小规模的生产据点的匠人10的技能，纳入到装置商300销售给制造商200的装置中。在此，所谓将匠人10的技能纳入装置中，是指装置商300在购买装置后的制造商200中被接受匠人10的技能的提供。即，将匠人10的技能模型化成数字“匠人”30用的“匠人”模型141，并蓄积在数字“匠人”平台100中。
在该第四种使用状况中，通过数字“匠人”平台100，中小企业、乡镇工厂400、装置商300及制造商200被连接起来，三者分别能够得到益处。更具体地，在中小企业、乡镇工厂400中，作为提供匠人10的技能的回报，能够获得许可收入，装置商300(由于能够将匠人10的技能打包来销售装置)能够增加装置的销售量，制造商200能够制造、销售(基于匠人10的技能的)高质量的产品。
除这些第一～第四种的使用状况以外，将匠人10的技能模型化成“匠人”模型141并进行蓄积，并能够在例如生产据点之间等使“匠人”模型141流通的数字“匠人”平台100，还能够实现各种各样的应用。
如上所述，本实施方式的数字“匠人”平台100(制造技能基础系统)无论是在时间上还是空间上都能够使匠人的技能流通。另外，关于在以上的说明中记述为“生产据点”的部分，不一定需要生产实体的产品，也可以是将匠人10的技能模型化成“匠人”模型141并进行蓄积的场所(虚拟工厂)，使在该虚拟工厂得到的“匠人”模型141向生产实体产品的工厂流通。此外，还可以考虑这样的事业形态，在这样的虚拟工厂中确保具有各种类型的技能的匠人10，作为利用将这些“匠人”的技能模型化得到的“匠人”模型141提供匠人10的技能的回报，可以获得许可收入。
以上对本发明的几个实施方式进行了说明，但这些实施方式是作为例子提示的，并非意图限定发明的范围。这些新的实施方式能够以其他各种各样的形态实施，在不脱离发明的主旨的范围内能够进行各种各样的省略、替换、变更等。这些实施方式及其变形包含在发明的范围或主旨中，并且包含在权利要求书所记载的发明和其等价的范围中。
例如，关于词语“生产据点”，不一定是进行“生产”，也可以是单纯地作为“据点”的意思。另外，关于“制造技能”，未必限定于“制造”，也可以是作为“技能”的意思。此外，关于“熟练工”，同样地也可以是“技能较高的人”的意思。因为，在以上的说明中“匠人”存在的状况不限于所谓工厂的生产线，只要是发挥出“匠人”在各种各样的作业中具有卓越技能的场所即足以，例如在呼叫中心的应对和在仓库的货物的分类等。
(制造技能基础系统的应用例)
然后，对本实施方式的制造技能基础系统的一应用例进行说明。图14是表示本实施方式的制造技能基础系统的一应用例(应用系统)的图。下面，将本应用例的制造技能基础系统称为应用系统。
许多的契约应对产品的截止到产品出厂的工序是按照“订单”→“筹备”→“制造”→“(出厂前)质量测试”的顺序进行的。因此，在图14中，按照此工序顺序配置有各种模块。
图14中的硬件结构例如由存储装置1000、和各种装置及对这些装置进行统一控制的处理器协作处理系统1200构成。在此，前述的“数字匠人”的信息被保存在存储装置1000中。在此，将各种的数字匠人的信息统称为制造关联信息1005。
处理器协作处理系统1200由一个以上的处理器(运算处理电路)、保存有控制处理器的处理的程序的记录部、及信息通信系统1210构成。在此，也可以是，多个处理器被分散配置，经由信息通信系统1210一面进行信息传递一面进行协作处理。特别是，在图14中清楚地示出了其中的程序结构(程序组织结构)。
控制各处理器(运算处理电路)的程序由按照功能而划分的各种模块构成。并且，在各种模块的处理由制造整合管理模块1500进行统一控制。
作为在制造和质量测试中使用的各种装置的配置例，在图14中，按照针对特定产品的制造工序顺序配置有制造装置A1010、制造装置B1020及制造装置C1030、和质量评价装置A1110及质量评价装置B1120。但是，本应用系统不限于此，可以按照任意的组合配置任意的制造装置和质量评价装置。
在本应用系统中，为了监视制造工序中的具体状态，对各制造装置A1010、B1020、C1030配置有监视器A1015、监视器B1025、监视器C1035。
并且，在本应用系统中，按照各制造装置A1010、B1020、C103的每一个内置有专用的处理器(运算处理电路)，作为控制各处理器的程序，分别被安装有装置A驱动模块1310、装置B驱动模块1320及装置C驱动模块1330，但没有图示。
产品的制造所需要的订货案件的信息从订货案件信息获取模块1410被输入。在此，所谓订货案件信息包含每个订货案件的规格、交货期、顾客信息等。并且，作为其规格，包含设计图纸和测试基准的规格书等。
在订货案件信息获取模块1410中被输入订单案件信息的频次，优选在平日(实际工作日)至少一天一次以上。但是，为了应对来自顾客的紧急订货，在本应用系统中按照一小时以内一次的频次进行订单案件的输入受理。
并且，在本应用系统中，作为订货案件信息的输入格式可以是任意格式的输入，如记述有必要信息的纸或Web样式(<form>)的输入信息、汇总了它们经由Web的输入信息的PHP(Hypertext Preprocessor)数据、XML(Extensible Markup Language)形式等。
在订单案件分析模块1420中自动识别针对以相互不同的格式被输入的订单案件信息的格式，并自动翻译成统一格式。另外，订单案件分析模块1420对订单案件的内容进行分析，还进行每个订单案件所需要的材料和部件、部分需要的外协工序的一览数据生成。
另外，不限于此，在订单案件分析模块1420中根据订单案件的分析结果，进行制造是否需要应用数字匠人的信息(制造关联信息1005)的判定，其判定结果经由信息通信系统1210被通知制造整合管理模块1500。
另外，作为需要应用数字匠人的信息1005的例子，不限于制造的产品的要求精度和要求性能非常高的情况，还有交货期非常短的情况。并且，不仅如此，在提高包括其它产品的制造在内的整体的制造效率、以利益提高为目标的情况下，也可以应用数字匠人的信息1005。不限于此，在数字匠人的信息1005的应用有用的所有场合都可以应用。
另外，订单案件的分析结果经由信息通信系统1210被通知筹备控制模块1430。在该筹备控制模块1430中进行制造所需要的材料和部件的“库存管理”、和“订货处理(包括材料和部件的订货、一部分的制造所需要的外协的外订管理等)”、“采购管理(包括交货期管理)”等。
具体地，在筹备控制模块1430中，根据从订单案件分析模块1420被输出的每个订单案件所需要的材料和部件的一览数据进行“库存确认”。并且，抽取需要“因从外部筹备而重新订货”的材料、部件和外协案件，并进行自动订货。在该自动订货时得到的交货期信息和价格信息被传递给制造整合管理模块1500、制造工序设计模块1440、制造工序管理模块1450。在筹备控制模块1430向外部自动订货的阶段，根据需要应用制造关联信息(数字匠人的信息)1005。
在被保存于存储装置1000的制造关联信息1005中筹备控制模块1430可以应用的信息，包含与向外部的新订货物品相关的“短交货期物品”和“要求高可靠性物品”、与“通常以上的低价物品”相关的信息。具体地，与需要订货的每个材料和部件、外协案件可以对应的供应商名称、最短交货期、最低价格的一览被数据库化。另外，每个供应商的过去的故障历史信息也被保存于存储装置1000中。
另外，作为制造关联信息1005，与筹备技术诀窍相关的信息被保存于存储装置1000。例如，订货对象供应商的销售担当者的过去的应对历史信息被数据库化。并且，在向该销售担当者委托订货前的事前报价时，通过将其回答内容(例如，是否进行过具有可信度的回答、或者好像存在若干不放心感等)与数据库内的信息进行比较，由此可以估计“要购买的预定物品的预测可靠性和购买预测日期”。在筹备控制模块1430中，能够利用该估计结果向最佳的外协供应商进行订货。这样通过应用制造关联信息(数字匠人的信息)1005，具有可以避免风险的效果，例如“比所指定的交货期大幅延迟的购入”和“购买物品的可靠性较低”等。
制造工序设计模块1440根据来自订单案件分析模块1420和筹备控制模块1430的输出信息，进行制造工序的最佳设计。并且，当在该阶段应用制造关联信息1005时，具有实现包括其它产品的制造工序在内的整体的制造工序的高效率、实现实质性的制造成本的降低的效果。
另外，根据该最佳设计结构，制造工序管理模块1450控制各装置驱动模块1310、1320、1330进入制造工序。在通常规格(Spec)级别的产品制造时，各装置驱动模块1310、1320、1330利用从各监视器A1015、B1025、C1035得到的信息单独操作各制造装置1010、1020、1030。
另一方面，在需要被要求较高的制造精度的高规格制造时，各装置驱动模块1310、1320、1330经由信息通信系统1210获取被存储于存储装置1000内的制造关联信息。并且，应用所获取的制造关联信息实施在各制造装置1010、1020、1030的制造。
并且，对在最终工序中经过制造装置C1030所完成的产品，通过质量评价装置A1110和质量评价装置B1120进行出厂前检查。在此得到的质量评价结果经由信息通信系统1210被传递给产品质量管理模块1130。并且，在该产品质量管理模块1130中进行所制造的每个产品的合格与否判定。作为其结果得到了合格品判定的最终产品被出厂发给顾客。
另一方面，不合格品判定的结果经由信息通信系统1210被通知制造整合管理模块1500。制造整合管理模块1500分析被通知的信息，并判断适合于合格品的最佳的再制造工序。其判断结果经由信息通信系统1210被通知制造工序设计模块1440。在此，作为不合格品判定时的再制造工序的选择肢，例如有(1)由材料和部件的筹备(安排订货)开始重新制造的方法、(2)利用已有的库存物品由制造的初始阶段开始重新制造的方法、(3)由制造中途阶段开始重新制造的方法。
图15表示图14所示的应用系统的制造工序流程图。当在步骤C1起动制造时，首先开始制造产品用的准备(步骤C2)。作为具体的制造准备，例如进行制造装置A1010～C1030的预热和制造参数的设定、或者材料和部件等的准备。
在从订货案件信息获取模块1410被输入订单案件信息并确定订单信息时(步骤C3)，订单案件分析模块1420分析订单案件信息(步骤C4)。并且，在步骤C5中进行是否需要高规格制造、或者是否需要参照制造关联信息1005的数据库进行制造的判定。
例如，在机加工部件图纸中记述的尺寸精度为“±0.2mm”、或直角度精度和平行度精度为约“±5分”的情况下，通过普通的机加工装置(制造装置A1010～C1030)的通常的部件加工(切削等)工序即可达到。但是，在要求精度超过这些范围的情况下(例如要求尺寸精度为“±0.05mm”、或直角度精度和平行度精度为“±30秒分”等)，部件加工需要特别的用心。在这种情况下，需要高规格制造，应用被保存于存储装置1000内的制造关联信息(数字匠人的信息)1005。
在这种情况下(步骤C5：是)，抽取被保存于存储装置1000内的制造关联信息1005的数据库(步骤C6)，在特殊加工方法中对制造管理员或者制造担当者进行提示(步骤C7)。并且，开始遵从该提示内容的制造(部件加工或切削等)(步骤C8)。另一方面，在进行通常的制造的情况下(步骤C5：否)，在开始制造时不参照制造关联信息1005(步骤C8)。
参照制造关联信息1005的数据库制造的产品可以提供制造精度和产品性能较高的高规格的产品。例如，在使用制造装置A1010～C1030中任一个装置作为切削加工设备制造精度较高的切削加工部件的情况下，需要放慢切削时的送进速度、延长切削加工时间。这样在进行高规格制造的情况下，往往花费比通常长的制造时间。因此，当在所有的制造工序中应用制造关联信息1005的数据库时，整体的制造时间变长，因而产生产品成本提高的问题。
与此相对，在本应用系统中使具备以下两种工序：
(1)参照着制造关联信息1005的数据库进行制造的工序
(2)不利用制造关联信息1005的数据库，以通常的条件进行制造的工序
根据订单案件分析模块1420的判定(步骤C5)的结果适当进行切换。由此，产生既可以进行高规格制造、而且可以使整体的制造成本相对较低的效果。
在制造装置A1010、B1020、C1030工作的制造工序中(步骤C9)，实施制造状况的实时监控(步骤C10)。即，与每个制造装置A1010、B1020、C1030对应的监视器A10156、B1025、C1035实时地收集制造工序的状态信息。该所收集的制造工序的状态信息被同时发送给各装置驱动模块1310、1320、1330和制造工序管理模块1450。
各装置驱动模块1310、1320、1330一面参照制造关联信息(数字匠人的信息)1005，一面利用由监视器A10156、B1025、C1035得到的制造工序的状态信息控制制造装置A1010、B1020、C1030，实施最佳的部件加工。
制造工序管理模块1450根据经由信息通信系统1210被发送的制造工序的状态信息，预测制造完成后的产品的最终精度和最终性能。并且，在所预测的产品的最终精度和最终性能被判定为偏离当初的规定范围的情况下，由制造工序管理模块1450向装置驱动模块1310、1320、1330发送警报通知，并且进行与加工条件的修正对应的新的制造关联信息1005的通知(步骤C11)。
在制造工序结束后，质量评价装置A1110、B1120进行产品的质量评价(步骤C12)。在得到了规定的精度和性能的情况下(步骤C13：是)，视为制造结束，进入产品出厂(步骤SX14)的阶段。另一方面，在不能得到规定的精度和性能的情况下(步骤C13：否)，再次返回到制造工序。
图16是表示收集与多个匠人的技能相关的数据，再构建更优异的匠人的技能的数据的理念的另一例的说明图。在该例中，收集材料选定数据、加工数据、状态数据、操作数据、组装数据、影像数据、环境数据等，作为评价匠人的技能用的数据。
材料选定数据1601例如是与在制造物品时所选定的该材料相关的数据。匠人在选定材料时将材料供应商、材料的成分、成分的配比、成分的制造年月日等作为参考选定材料。
加工数据1602是匠人进行加工作业时的数据，是指材料的切断位置、针对材料的切削量、切削材料的定时、材料的弯折量、将材料弯折的定时等数据。这些的数据收集采用监视摄像机、测量仪器、电子显微镜等所谓的传感器类设备。
状态数据1603是在匠人使例如部件或者材料变化成其他形状时、与时间轴一起测量该变化得到的数据。因此，在状态数据中，在加热数据中包含其温度变化特性、从作业开始到变化为规定的温度的时间等。另外，在加压数据中包含加压变化特性、从作业开始到规定的变化(移位)的时间等。在弯折量数据中，还包含从部件加工的作业开始时刻到得到规定的弯折量的时间。另外，在弯折定时的数据中，包含从部件加工的作业开始时刻到匠人开始弯折作业的时刻的时间。
在操作数据1604中包含例如加工装置的手柄的动作数据(变化数据及其特性数据)。
在组装数据1605中，包含从组装作业开始时刻到例如将第一、第二部件接合用的接合开始时刻的时间信息、接合时的安装部件相对于非安装部件的安装角度等数据。
影像数据1060例如包含监视匠人的动作，其腕部的动作、肩部的动作、视线方向等数据。
环境数据1607包含匠人进行作业时的室温、湿度、振动、及外气的温度、湿度、地域信息(包括国内、国外)、季节、年月日等数据。
在匠人的作业开始(1611)、作业结束(1612)时，评价各项目的取得数据。匠人的评价方法有各种各样的方法。例如，进行所完成的部件和装置的性能测试、检修。在该性能测试、检修中。进行所完成的部件和装置是否符合预先设定的部件规格、装置规格的判定。
在多个匠人进行相同作业的情况下，进行各匠人制作的部件和装置中哪个的部件和装置符合理想的标准规格的判定。假设有匠人A、匠人B制作的相同部件A、B，哪个都被判定为符合部件规格。在这种情况下，进行部件A1、B1中哪个符合理想的标准规格的判定。并且，在匠人A制作的部件A1被判定为优良的情况下，匠人A的数据被采用作为匠人的技能数据。
但是，根据环境数据1607，有时匠人B制作的部件B1被判定为优于部件A1。在这种情况下，可以根据环境区分使用匠人A、匠人B的技能。
因此，在本应用系统中，根据环境将多个匠人分类，在各种环境中，识别出被评价为优良的匠人。即，存在各匠人A、匠人B、匠人C的技能通过检修和测试被评价的结果，根据环境分别被判定为最好评价(评价A)的情况。
图17概略地表示在本应用系统中根据环境区分使用匠人11、匠人12、匠人13的技能的例子。在该例子中，例如关于加工数据1602，假设匠人11、匠人12、匠人13制作的部件满足规定的标准。但是，在第一种环境下，匠人11制作的部件优良，在第二种环境下，匠人12制作的部件优良，在第二种环境下，匠人13制作的部件优良。在这种情况下，在该例子中，在对于加工利用匠人的技能时，在各种环境下都可以采用最优良的匠人的技能。
在此，对有关加工的匠人的技能的利用方法进行了说明，但对于作为其他项目的材料选定、状态、操作、组装、影像，同样都能够利用具有高度技能的匠人的数据。
其结果是，本应用系统在对工厂、作业场所等进行地域变更或转移海外的情况时，都非常适合。
另外，在以上的说明中示出了本应用系统的应用方法的一部分的例子，然而本应用系统能够以各种各样的形态进行利用。例如，能够对各作业项目的数据(材料、加工、状态、操作、组装、环境的数据)进行组合，整体上模拟所完成的产品的性能。并且，能够在制作之前预设具有最佳的例如特性(强度、速度、耐性等)的假想产品。并且，因此还能够培育例如组合各作业项目的数据(材料、加工、状态、操作、组装、环境的数据)的技术人员(匠人)。
(数字匠人的信息的生成例)
然后，对前述的应用系统中的数字匠人的信息(制造关联信息)1005的一个生成例进行说明。
图18概略地表示在图14所示的应用系统的存储装置1000存储的制造关联信息(数字匠人的信息)1005的生成方法。基本上，由输入模拟的“匠人的技能”的信息的步骤D2、和后续的生成基于机器学习的数字匠人的信息的步骤D3构成。
作为步骤D2中的输入模拟的“匠人的技能”的信息的方法，在本应用系统中，使用利用模拟器的方法(步骤D21)和直接输入匠人的工作状况的观察结果的方法(步骤D22)中哪一种都可以。
作为直接输入匠人的工作状况的观察结果的方法(步骤D22)，例如一面使用多个摄像机录制时时刻刻变化的匠人的工作环境，一面拍摄匠人的动作。至少一台的摄像机一面拍摄匠人的瞳孔的移动，一面实时地监视匠人的视线(在观察什么？)。
在录制后(或者与录制同时并行地)分析录制内容，抽取“匠人的工作环境变化”和“匠人的视线(观察的对象物)”、“匠人的行动内容”的相关关系。即，通过基于机器学习的数字匠人的信息生成(步骤D3)，抽取其相关关系。
作为基于机器学习的数字匠人的信息生成的方法(步骤D3)，例如并用深度学习方法(步骤D31)和使用了基于实验计划法的统计分析(例如重回归分析等)的关联性抽取方法(步骤D32)。但是，不限于此，例如既可以仅利用其中一种方法，还可以利用其他的机器学习方法。
图19表示利用模拟器的方法(步骤D21)的一例。输入模拟的“匠人的技能”的信息的模拟器由以下部分构成：监控画面2010，对匠人2000显示动态图像2005；遥控器2020，用于匠人2000操作监控画面2010；触感供给模拟器2030，对匠人2000的手指(或者手掌)模拟地赋予触感；以及控制部2040，控制以上这些部分的动作。
作为“匠人的技能”得以发挥的场景，料理场景(料理也是制造的一种)比较容易理解，因而在图19中示出了动态图像2005的一例。例如，假设煤气灶2100将平底锅2110加热，在该平底锅2110中放入烹调中的鸡蛋2120和烹调中的汉堡2130的情况。匠人200一面观察汉堡2130的颜色的变化，一面在适当的定时加入盐2140和酱油2150进行调味，操作煤气灶的旋钮2105调节火力。此时，使动态图像2005内的汉堡2130的颜色适当变化，监视匠人2000的动作。
匠人2000的技能并非仅在料理顺利进行时生效，对产生失误时(例如冒出火时和烹调好像要失败时)的匠人2000的动作，“匠人的技能”也生效。因此，也可以不对匠人2000进行事前通告，使在动态图像2005上产生失误并记录匠人2000的动作。
图20表示使用图18所示的深度学习方法(步骤D31)，根据模拟的“匠人的技能”的信息生成“数字匠人”的信息的一例。在深度学习方法中(图18：步骤D31)，在输入层2210和输出层2220之间定义了隐藏层2230。
作为输入层2210中的多个输入内容，例如可以设定气温2310和湿度2320、在各个点的温度2340、2350和颜色变化2360、2370。另外，作为输出层2220中的多个输出内容，例如可以设定关火的动作2420和追加素材的投放动作2440、开始调味动作2460。并且，被配置在隐藏层2230中的节点(中继点)连接将输入层2210中的各输入内容2310～2370和输出层2220中的各输出内容2420～2460之间。并且，对连接各点之间的连接线(信息传递路径)2500实施与传递频次对应的加权。
首先，先暂且设定个连接线2500的加权。并且，根据该暂且的设定值进行与动态图像2005的设定画面变化对应的输出内容2420～2460的预测。根据该被预测的输出内容2420～2460与实际的匠人2000的执行内容的差分值，使用误差逆传递法反馈在各连接线(信息传递路径)2500的加权量中。通过反复进行此处理，进行深度学习的再学习。
通过反复进行该再学习，各连接线2500的加权量收敛。在图19中，用粗线表示信息传递频次较高的连接线(信息传递路径)2500。跟踪以某种程度收敛后的用粗线示出的连接线(信息传递路径)2500，由此抽取相关较高的输入层2210中的输入内容2310～2370和输出层2220中的输出内容2420～2460的关系。也可以将该抽取结果(粗线的跟踪所得到的相关关系信息)作为“数字匠人”的信息(制造关联信息)1005保存在存储装置1000中。并且，不限于此，还可以将图20所示的所有的信息作为学习结果记录在存储装置1000中。
与深度学习方法(图18：步骤D31)相比，在使用基于实验计划法的统计分析(重回归分析等)的关联性抽取学习方法中(图18：步骤D32)，不存在隐藏层2230。利用图19所示的模拟器的录制结果(重回归分析等的)统计分析，计算直接输入内容2310～2370和输出内容2420～2460之间的相关系数。另外，还可以如在通常的统计分析方法中所采用的那样，按照“风险率5％”的基准值判定来抽取相关部。
图14所示的筹备控制模块1430、制造工序设计模块1440、制造工序管理模块1450利用如上所述的机器学习结果所得到的数字匠人的信息(制造关联信息)1005。图21表示在该各模块中进行的处理方法的一例。
当在各模块中开始制造关联信息的应用时(步骤E1)，同时并行地执行使用深度学习方法的判定(步骤E2)和使用统计分析结果的判定(步骤E3)。并且，在步骤E4中验证这些判定结果的一致程度。在此，在两者一致的情况下(步骤E4：是)，视为判定结果正确，执行基于判定结果的处理(步骤E5)。
另一方面，在两者的结果不一致的情况下(步骤E4：否)，视为机器学习不够，再次进行机器学习(步骤E6)。然后，返回到步骤E1的制造关联信息的应用开始，反复进行判定。
在该例中，通过并用不同的多个机器学习方法，具有提高基于机器学习结果的判定精度，并且进行精度更高的机器学习的效果。
这样，本制造技能基础系统可以实现各种各样的应用。并且，对于匠人的技能的数字化，能够应用各种各样的方法。
标号说明
1…真实空间；2…数字工具；3…“匠人”数字工具；10…匠人；30…数字“匠人”；100…数字“匠人”平台；100A…数字“匠人”程序；110…数据取得部；120…“匠人”模型生成部；121…作业类别“匠人”模型生成部；130…“匠人”技能提供部；131…作业类别“匠人”技能提供部；131A…订制处理部；140…数字“匠人”主机DB；141…“匠人”模型；150…数字“匠人”本地DB；200…制造商；300…装置商；400…中小企业、乡镇工厂。

Claims (17)

1.一种技能基础系统，具备：
数据取得部，取得与第一据点的熟练工的作业相关的数据；
模型生成部，使用通过所述数据取得部取得的数据将所述熟练工的技能模型化；以及
技能提供部，使用通过所述模型生成部生成的模型，将所述熟练工的技能提供给第二据点。
2.根据权利要求1所述的技能基础系统，
所述技能基础系统具备订制部，该订制部根据表示在所述第二据点针对通过所述技能提供部所提供的所述熟练工的技能的评价的评价数据，订制对所述第二据点分配的所述模型。
3.根据权利要求1所述的技能基础系统，
所述技能提供部根据在所述第二据点的作业的输入信息，使用所述模型估计在所述第二据点应采取的行动。
4.根据权利要求1所述的技能基础系统，
所述模型生成部通过将与对所述熟练工的输入相关的数据和与来自所述熟练工的输出相关的数据作为学习数据的深度学习，生成优化了神经元之间的连接权的神经网络作为所述模型。
5.根据权利要求1所述的技能基础系统，
所述数据取得部从数字工具取得数据，所述数字工具在网络空间上再现真实空间上的作业。
6.根据权利要求1所述的技能基础系统，
所述技能提供部能够以领域单位或者工序单位提供所述熟练工的技能。
7.根据权利要求1所述的技能基础系统，
通过所述数据取得部所取得的数据是与所述熟练工借助五感而识别的事件相关的信息、所述熟练工的摄像图像、与所述熟练工的动作相关的信息、与所述熟练工操作的装置的状态相关的信息、或者与所述熟练工的作品相关的信息。
8.根据权利要求1所述的技能基础系统，
所述模型是按照每个领域或者工序而生成的，
与第一领域或者第一工序对应的第一模型是使用与从事所述第一领域或者所述第一工序的作业的第一熟练工的作业相关的数据而生成的，与第二领域或者第二工序对应的第二模型是根据与从事所述第二领域或者所述第二工序的作业的第二熟练工的作业相关的数据而生成的。
9.根据权利要求8所述的技能基础系统，
所述数据取得部取得包括所述第一据点的多个据点的数据，
所述第一熟练工和所述第二熟练工是不同的据点的作业者。
10.根据权利要求1所述的技能基础系统，
所述数据取得部通过模拟器取得数据。
11.根据权利要求10所述的技能基础系统，
所述模拟器包括对所述熟练工的手指或者手掌模拟地赋予触感的触感供给传感器。
12.根据权利要求10所述的技能基础系统，
所述数据取得部使所述模拟器上产生与所述作业相关的失误，并取得与应对所述失误的所述熟练工的动作相关的数据。
13.一种技能模型化装置，具备：
数据取得部，取得与熟练工的作业相关的数据；以及
模型生成部，使用通过所述数据取得部取得的数据将所述熟练工的技能模型化。
14.根据权利要求13所述的技能模型化装置，
所述数据取得部从数字工具取得数据，所述数字工具在网络空间上再现真实空间上的作业。
15.根据权利要求13所述的技能模型化装置，
所述数据取得部通过模拟器取得数据。
16.根据权利要求13～15中任一项所述的技能模型化装置，
所述模型生成部通过将与对所述熟练工的输入相关的数据和与来自所述熟练工的输出相关的数据作为学习数据的深度学习，生成优化了神经元之间的连接权的神经网络作为所述熟练工的技能的模型。
17.一种技能流通方法，通过计算机执行，包括：
取得与第一据点的熟练工的作业相关的数据；
使用取得的所述数据将所述熟练工的技能模型化；以及
使用通过所述模型化而生成的模型，将所述熟练工的技能提供给第二据点。
CN201880072427.9A 2017-11-08 2018-11-07 技能基础系统、技能模型化装置及技能流通方法 Pending CN111316312A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2017-215263 2017-11-08
JP2017215263 2017-11-08
PCT/JP2018/041383 WO2019093386A1 (ja) 2017-11-08 2018-11-07 技能基盤システム、技能モデル化装置および技能流通方法

Publications (1)

Publication Number Publication Date
CN111316312A true CN111316312A (zh) 2020-06-19

Family

ID=66437818

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880072427.9A Pending CN111316312A (zh) 2017-11-08 2018-11-07 技能基础系统、技能模型化装置及技能流通方法

Country Status (5)

Country Link
US (1) US20200265535A1 (zh)
EP (1) EP3709252A4 (zh)
JP (1) JP6926224B2 (zh)
CN (1) CN111316312A (zh)
WO (1) WO2019093386A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116469289A (zh) * 2023-04-25 2023-07-21 自考人网络科技(深圳)有限公司 基于虚拟现实的ots培训系统

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210157312A1 (en) * 2016-05-09 2021-05-27 Strong Force Iot Portfolio 2016, Llc Intelligent vibration digital twin systems and methods for industrial environments
JP7418973B2 (ja) * 2019-06-06 2024-01-22 株式会社東芝 制御システム及び制御方法
EP3809220B1 (en) * 2019-10-14 2023-01-18 Honda Research Institute Europe GmbH Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data
JP7052062B2 (ja) * 2019-10-21 2022-04-11 株式会社日立システムズ ナレッジ情報抽出システムおよびナレッジ情報抽出方法
EP4055551A4 (en) * 2019-11-05 2023-12-06 Strong Force VCN Portfolio 2019, LLC CONTROL TOWER AND BUSINESS MANAGEMENT PLATFORM FOR VALUE CHAIN NETWORKS
CN111400930B (zh) * 2020-04-09 2022-04-15 武汉大学 基于虚实孪生空间的电力设备小样本故障诊断方法及系统
CN112419799B (zh) * 2020-12-25 2023-05-23 山东盈先信息科技有限公司 一种装配式建筑智能感知虚实交互实训系统及方法
WO2022147287A1 (en) * 2020-12-31 2022-07-07 Schneider Electric Systems Usa, Inc. Systems and methods for benchmarking operator performance for an industrial operation
CN117043808A (zh) 2021-03-19 2023-11-10 株式会社东芝 对制造过程及服务进行自主控制的信息管理系统及方法
WO2023171379A1 (ja) * 2022-03-07 2023-09-14 ソニーグループ株式会社 情報秘匿方法、情報処理装置及び情報処理システム
CN117634932B (zh) * 2024-01-25 2024-04-30 深圳市微克科技股份有限公司 一种智能手表生产测试用平台的管理系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006171184A (ja) * 2004-12-14 2006-06-29 Toshiba Corp 技能評価システムおよび技能評価方法
US20170108834A1 (en) * 2015-10-15 2017-04-20 Siemens Aktiengesellschaft Human programming interfaces for machine-human interfaces
WO2017159562A1 (ja) * 2016-03-14 2017-09-21 オムロン株式会社 動作情報生成装置

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2533942B2 (ja) * 1989-03-13 1996-09-11 株式会社日立製作所 知識抽出方法およびプロセス運転支援システム
US7343296B2 (en) * 2001-03-14 2008-03-11 Puppetools, Inc. Puppetry based communication system, method and internet utility
US20040125120A1 (en) * 2001-06-08 2004-07-01 Michael Weiner Method and apparatus for interactive transmission and reception of tactile information
US7039622B2 (en) * 2001-09-12 2006-05-02 Sas Institute Inc. Computer-implemented knowledge repository interface system and method
US7117480B2 (en) * 2001-11-27 2006-10-03 3M Innovative Properties Company Reusable software components for invoking computational models
JP2004227193A (ja) * 2003-01-21 2004-08-12 Hitachi Ltd 技能伝承システム、技能伝承方法、および技能伝承のためのコンピュータプログラム
US7596416B1 (en) * 2004-08-25 2009-09-29 The United States Of America As Represented By The Administrator Of The National Aeronautics And Space Administration Project management tool
JP4663808B2 (ja) 2009-04-16 2011-04-06 シャープ株式会社 プロセスパラメータ選択装置、プロセスパラメータ選択方法、プロセスパラメータ選択プログラム、プログラム記録媒体、および、上記プロセスパラメータ選択装置を含む製造工程管理装置
US10064552B1 (en) * 2009-06-04 2018-09-04 Masoud Vaziri Method and apparatus for a compact and high resolution mind-view communicator
US9256711B2 (en) * 2011-07-05 2016-02-09 Saudi Arabian Oil Company Systems, computer medium and computer-implemented methods for providing health information to employees via augmented reality display
EP3268949B1 (en) * 2015-03-09 2021-05-26 Illinois Tool Works Inc. Methods and apparatus to provide visual information associated with welding operations
US10866631B2 (en) * 2016-11-09 2020-12-15 Rockwell Automation Technologies, Inc. Methods, systems, apparatuses, and techniques for employing augmented reality and virtual reality
US20180173853A1 (en) * 2016-12-15 2018-06-21 International Business Machines Corporation Cognitive adaptations for well-being management
US11315434B2 (en) * 2019-10-31 2022-04-26 Rockwell Collins, Inc. System and method to change SVS mode

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006171184A (ja) * 2004-12-14 2006-06-29 Toshiba Corp 技能評価システムおよび技能評価方法
US20170108834A1 (en) * 2015-10-15 2017-04-20 Siemens Aktiengesellschaft Human programming interfaces for machine-human interfaces
WO2017159562A1 (ja) * 2016-03-14 2017-09-21 オムロン株式会社 動作情報生成装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
FENG DUAN等: "Application of the Assembly Skill Transfer System in an Actual Cellular Manufacturing System", 《 IEEE TRANSACTIONS ON AUTOMATION SCIENCE AND ENGINEERING》, vol. 9, no. 1, 15 August 2011 (2011-08-15), pages 33 *
姜金贵主编: "《管理建模与仿真》", 31 October 2015, pages: 93 - 95 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116469289A (zh) * 2023-04-25 2023-07-21 自考人网络科技(深圳)有限公司 基于虚拟现实的ots培训系统
CN116469289B (zh) * 2023-04-25 2024-02-09 自考人(广东)教育发展集团有限公司 基于虚拟现实的ots培训系统

Also Published As

Publication number Publication date
WO2019093386A1 (ja) 2019-05-16
EP3709252A1 (en) 2020-09-16
JP6926224B2 (ja) 2021-08-25
EP3709252A4 (en) 2021-08-18
US20200265535A1 (en) 2020-08-20
JPWO2019093386A1 (ja) 2020-10-22

Similar Documents

Publication Publication Date Title
CN111316312A (zh) 技能基础系统、技能模型化装置及技能流通方法
Shao Use case scenarios for digital twin implementation based on ISO 23247
US7546225B2 (en) Methods and systems for electronics assembly system consultation and sales
Seo et al. Approximate estimation of the product life cycle cost using artificial neural networks in conceptual design
Khedher et al. Integration between MES and product lifecycle management
Koh et al. Translating knowledge of supply chain uncertainty into business strategy and actions
JP4479802B2 (ja) 受注管理装置、その受注管理方法、コンピュータプログラム
CN115623014A (zh) 数字工程安全远程访问
KR102183328B1 (ko) 클라우드 상에서 레이아웃을 기반으로 스마트 공장을 진단하고 개선 방안을 제안하기 위한 시스템
CN115617447A (zh) 数字工程虚拟机基础设施
Reiner Supply chain management research methodology using quantitative models based on empirical data
Agyapong-Kodua et al. Towards the derivation of an integrated design and manufacturing methodology
Eschemann et al. Towards digital twins for optimizing the factory of the future
Menghi et al. A methodology for energy efficiency redesign of smart production systems
AU2008320602A1 (en) Technology enterprise management apparatus and method therefor
US8812336B2 (en) Providing real-time test ahead work direction for manufacturing optimization
Yoon et al. Manufacturing information bus from the perspective of cyber physical manufacturing system (cpms)
Schäfer et al. A systematic approach for simulation-based dimensioning of production systems during the concept phase of factory planning
Nüßer et al. Performance Gaps of Machines
Tu et al. Rapid one-of-a-kind production
Slezáková Návrh IoT systému pro prediktivní údržbu v oblasti výroby
JP2022099377A (ja) 施策提案装置、施策提案システム、及び施策提案基板
Yüzgülec et al. Supply chain execution supported by logistics IT services
Linnamaa Manufacturing Execution System Functionalities in an Industry 4.0 Environment
US20220092499A1 (en) Apparatus and method for converting data from a digital customer interface of a computer network system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination