CN112099484B - 搬送控制装置 - Google Patents
搬送控制装置 Download PDFInfo
- Publication number
- CN112099484B CN112099484B CN202010400105.1A CN202010400105A CN112099484B CN 112099484 B CN112099484 B CN 112099484B CN 202010400105 A CN202010400105 A CN 202010400105A CN 112099484 B CN112099484 B CN 112099484B
- Authority
- CN
- China
- Prior art keywords
- conveyance
- period
- state
- information
- parameter
- 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.)
- Active
Links
- 238000010801 machine learning Methods 0.000 claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 238000012546 transfer Methods 0.000 description 63
- 238000012545 processing Methods 0.000 description 14
- 101100512898 Arabidopsis thaliana MES3 gene Proteins 0.000 description 12
- 238000012549 training Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000000034 method Methods 0.000 description 9
- 239000004065 semiconductor Substances 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000010845 search algorithm Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 5
- 235000012431 wafers Nutrition 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 101100512899 Caenorhabditis elegans mes-3 gene Proteins 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0291—Fleet control
- G05D1/0297—Fleet control by controlling means in a control room
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
- G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3605—Destination input or retrieval
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/0011—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots associated with a remote control arrangement
- G05D1/0027—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots associated with a remote control arrangement involving a plurality of vehicles, e.g. fleet or convoy travelling
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0217—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with energy consumption, time reduction or distance reduction criteria
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- 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
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
-
- 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
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/083—Shipping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Human Resources & Organizations (AREA)
- Multimedia (AREA)
- Electromagnetism (AREA)
- Health & Medical Sciences (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Control Of Conveyors (AREA)
- Electrical Discharge Machining, Electrochemical Machining, And Combined Machining (AREA)
- Container, Conveyance, Adherence, Positioning, Of Wafer (AREA)
Abstract
本发明提供能够更恰当地谋求搬送的最佳化的搬送控制装置。搬送控制装置控制搬送系统的动作。搬送控制装置具备状态预测部和决定部,状态预测部以如下方式进行机器学习:输入与第1期间相关联的搬送指令及表示搬送系统的状态的状态信息,并针对用于对搬送系统的动作进行控制的参数的设定值的每个候选输出与第1期间之后的第2期间相关联的表示搬送系统的预测状态的状态预测信息,决定部通过将与过去期间相关联的搬送指令及状态信息输入至状态预测部,而针对参数的设定值的每个候选获取与预测对象期间相关联的状态预测信息,并基于参数的设定值的每个候选的状态预测信息的评价结果来决定在预测对象期间内应用于搬送系统的参数的设定值。
Description
技术领域
本发明涉及搬送控制装置。
背景技术
以往,已知例如在半导体制造工厂等中对搬送收纳有半导体晶片的匣盒等物品的搬送车的行驶进行控制的搬送系统(参照专利文献1、2)。在这种搬送系统中,通过搬送车控制器将包含分别表示作为搬送对象的物品、装货位置(From地点)及卸货位置(To地点)的信息在内的搬送指令分配给搬送车。由此,能够实现基于搬送车的物品搬送。例如,在专利文献1中记载了一种在掌握拥堵状况的情况下检索搬送车的行驶路线的方法。在专利文献2中记载了一种基于与搬送车延误有关的事件的发生来预测拥堵的发生的方法。
现有技术文献
专利文献
专利文献1:日本专利第4441931号公报
专利文献2:日本特开2010-282567号公报
发明内容
在上述搬送系统中,要求谋求搬送的最佳化(例如每单位时间的搬送量的最大化等)。因此,例如要求尽可能抑制拥堵的发生等。根据上述专利文献1、2所记载的方法,能够抑制拥堵的发生。然而,在上述专利文献1所记载的方法中,不得不在拥堵发生之后进行事后应对。另外,为了恰当执行上述专利文献2所记载的方法,需要预先恰当定义与搬送车延误有关的事件的内容。
因此,本发明的目的为提供一种能够更恰当地谋求搬送的最佳化的搬送控制装置。
本发明的搬送控制装置对搬送系统的动作进行控制,该搬送系统包括搬送路、沿着搬送路行驶并搬送物品的多台搬送车、和向搬送车分配搬送指令的搬送车控制器,该搬送控制装置具备状态预测部和决定部,该状态预测部以如下方式进行机器学习:输入与第1期间相关联的搬送指令及表示搬送系统的状态的状态信息,并针对用于对搬送系统的动作进行控制的参数的设定值的每个候选,输出与第1期间之后的第2期间相关联的表示搬送系统的预测状态的状态预测信息,该决定部通过将与预测对象期间之前的过去期间相关联的搬送指令及状态信息输入至状态预测部,从而针对参数的设定值的每个候选获取与预测对象期间相关联的状态预测信息,并基于参数的设定值的每个候选的状态预测信息的评价结果来决定在预测对象期间内应用于搬送系统的参数的设定值。
在上述搬送控制装置中,通过如上述那样进行机器学习的状态预测部,根据过去期间的搬送指令及状态信息,针对参数的设定值的每个候选获取预测对象期间的搬送系统的预测状态。即,针对参数的设定值的每个候选,获取当将该参数的设定值应用于搬送系统时预测会在预测对象期间内产生的搬送系统的状态来作为状态预测信息。然后,基于像这样获取的参数的设定值的每个候选的状态预测信息的评价结果,来决定在预测对象期间内应用于搬送系统的参数的设定值。因此,根据上述搬送控制装置,能够基于搬送系统的将来状态的预测结果(状态预测信息)来决定最佳的参数的设定值,以使搬送系统的将来状态(即预测对象期间内的状态)成为尽可能好的状态(例如拥堵被抑制且搬送系统整体的搬送时间变短的状态)。由此,根据上述搬送控制装置能够更恰当地谋求搬送的最佳化。
也可以是,搬送系统的状态包括每个搬送指令的搬送时间、物品的搬送量、搬送车的运转率、搬送车的现状信息和位置信息、以及搬送车的速度信息中的至少一个。通过使用上述那样的信息作为搬送系统的状态,能够恰当地进行基于状态预测部的预测。另外,在决定部中,当决定在预测对象期间内应用于搬送系统的参数的设定值时,能够恰当地进行参数的设定值的每个候选的状态预测信息间的比较(评价)。
也可以是,上述搬送控制装置还具备搬送指令预测部,该搬送指令预测部以如下方式进行机器学习:输入与第1期间相关联的与搬送指令有关的信息,并输出预测会在第2期间内产生的与搬送指令有关的搬送指令预测信息,状态预测部以如下方式进行机器学习:还输入搬送指令预测信息,并输出与第2期间相关联的参数的设定值的每个候选的状态预测信息,决定部通过将与过去期间相关联的与搬送指令有关的信息输入至搬送指令预测部,来获取与预测对象期间相关联的搬送指令预测信息,并通过将与过去期间相关联的搬送指令及状态信息和与预测对象期间相关联的搬送指令预测信息输入至状态预测部,来针对参数的设定值的每个候选获取与预测对象期间相关联的状态预测信息。根据上述结构,能够基于由搬送指令预测部预测出的与预测对象期间的搬送指令有关的信息,更高精度地对预测对象期间内的搬送系统的将来状态(参数的设定值的每个候选的状态预测信息)进行预测。其结果是,在决定部中,能够从搬送最佳化的观点出发来决定更恰当的参数。
也可以是,参数包括在搬送路中确定的每个区域的、同时存在于区域内的空搬送车的台数的目标值。另外,也可以是,参数包括使搬送车使用在搬送路中确定的区域的多个入口及多个出口的比例。另外,也可以是,参数包括用于在决定被分配了搬送指令的搬送车的搬送路径时决定使用预先准备的多个路径选择算法中的哪个算法的规则。
发明效果
根据本发明,能够提供一种能够更恰当地谋求搬送的最佳化的搬送控制装置。
附图说明
图1是表示搬送系统的布局例的图。
图2是表示第1实施方式的搬送控制装置及搬送系统的功能构成的框图。
图3是表示搬送控制装置的硬件构成的一个例子的框图。
图4是表示搬送指令的一个例子的图。
图5是表示基于第1实施方式的搬送控制装置进行的调整参数的决定流程的图。
图6是表示第1实施方式的搬送控制装置的动作的流程图。
图7是表示第2实施方式的搬送控制装置及搬送系统的功能构成的框图。
图8是表示基于第2实施方式的搬送控制装置进行的调整参数的决定流程的图。
图9是表示第2实施方式的搬送控制装置的动作的流程图。
附图标记说明
1:搬送系统,2:搬送车,4:搬送路,12:搬送车控制器,20、20A:搬送控制装置,21、21A:状态预测部,22、22A:决定部,23:搬送指令预测部。
具体实施方式
以下,参照附图对本发明的一个实施方式进行说明。需要说明的是,在附图的说明中,有时对相同或等同的要素标注相同的附图标记并省略重复说明。
[第1实施方式]
如图1所示,本实施方式的搬送系统1包括搬送路4和能够沿着搬送路4行驶的多台搬送车2。搬送路4例如是铺设于工厂内的轨道(rail)等。搬送车2是搬送物品的无人搬送车。搬送车2例如是空中行驶车、有轨台车等。在本实施方式中,作为一个例子,搬送车2是以能够沿着搬送路4行驶的方式设置的空中搬送车。例如,搬送车2是空中行驶式无人搬送车(OHT:Overhead Hoist Transfer)。作为一个例子,由搬送车2搬送的物品是容纳多枚半导体晶片的匣盒(所谓的FOUP(Front Opening Unified Pod:正面开口标准箱))。
搬送路4分成多个(在图1的例子中为12个)分区(区划(bay))。搬送路4包括区划内的路线即区划内路线(intra-bay route)5、和连接不同区划之间的路线即区划间路线(inter-bay route)6。沿着搬送路4设有处理装置7及储料器8。处理装置7是执行针对半导体晶片的处理的装置。储料器8是搬送车2能够临时放置物品的地点,发挥作为缓冲部的作用。合流部9是在搬送路4上需要进行排除多台搬送车2同时进入的情况的排他控制的地点。
在处理装置7及储料器8上设有用于搬入物品的入库口(即用于供搬送车2卸载物品的地点)、和用于搬出物品的出库口(即用于供搬送车2装载物品的地点)。入库口及出库口配置于搬送路4的下方。入库口也可以兼用为出库口。储料器8具有载置物品的多个架子。另外,储料器8具有在储料器8内且在该多个架子、入库口及出库口之间搬送物品的堆垛起重机81(参照图2)。
如图2所示,搬送系统1具有MCS(Material Control System:物料控制系统)11、搬送车控制器12、储料器控制器13、作为搬送车控制器12的控制对象的搬送车2、和作为储料器控制器13的控制对象的堆垛起重机81。
MCS11获取来自上位控制器(在此是由制造商等管理的MES(ManufacturingExecution System:制造执行系统)3)的搬送请求。MES3能够与处理装置7通信。处理装置7将完成处理的物品的搬送请求(装货请求、卸货请求)发送至MES3。MES3将从处理装置7接收到的搬送请求发送至MCS11。
MCS11在从MES3收到搬送请求时,在需要进行储料器8处的入库或出库的情况下于规定定时将入库或出库的指令发送至储料器控制器13。储料器控制器13根据该指令将用于入库或出库的动作指令发送至相应的储料器8的堆垛起重机81。
另外,MCS11在从MES3收到搬送请求时,将该搬送请求转换成搬送指令,并将该搬送指令发送至搬送车控制器12。由此,经由搬送车控制器12将搬送指令分配给特定的搬送车2。搬送车控制器12基于预先确定的选择基准来决定成为搬送指令的分配目标的搬送车2。另外,搬送车控制器12通过执行预先确定的路线搜索算法(例如公知的最短路径检索算法等)来决定用于执行搬送指令的行驶路径,并将该行驶路径通知搬送车2。由此,搬送车2基于该行驶路径行驶。
搬送车控制器12及搬送车2存储有路线图。路线图是图1所示那样的布局的信息。具体而言,路线图是表示行驶路线的配置(即图1所示那样的搬送路4的配置)、被设定为原点的位置、以原点为基准的基准位置、移载位置(上述的入库口、出库口等)的坐标等的信息。另外,搬送车2保持有表示自身的当前位置的坐标的位置信息,并通过将路线图与位置信息进行比较来进行基于如上述那样决定的行驶路径的行驶。
图3是表示包含于搬送指令的信息(数据项目)的一个例子的图。在本实施方式中,搬送指令包括“命令ID”、“Fr”、“To”、“搬送优先级”及“载体ID”。“命令ID”是唯一确定搬送指令的ID信息。“Fr”是确定装货搬送口(相当于上述出库口)的信息。“To”是确定卸货搬送口(相当于上述入库口)的信息。“搬送优先级”是表示与搬送有关的优先度的信息(在此作为一个例子是1至99的数值)。例如,对于搬送优先度(使搬送早期完成的必要性)越高的搬送指令设定越小的数值作为搬送优先级。“载体ID”是对作为搬送对象的物品进行确定的ID信息。即,上述搬送指令是指示将根据“载体ID”确定的物品从根据“Fr”确定的装货搬送口(From地点)搬送到根据“To”确定的卸货搬送口(To地点)的信息。
搬送指令的分配基于预先确定的规则来执行。例如,作为分配对象的搬送指令被优先分配给未被分配其它搬送指令的一台以上搬送车2(空搬送车)中的、存在于距根据作为分配对象的搬送指令的“Fr”确定的地点近的位置处的搬送车2。
MCS11具有存储用于对搬送系统1的动作进行控制的参数的存储部11a。参数例如是用于规定或限制MCS11、搬送车控制器12、储料器控制器13、搬送车2及堆垛起重机81中的至少一个的动作的信息。参数能够包括限制搬送路4中的能够供搬送车2行驶的路径的信息、规定搬送车2的路径选择逻辑的信息等。例如,参数能够包括区域台数设定、区域的入口及出口的使用比例、路径选择逻辑等。关于参数的具体例详见后述。
在本实施方式中,作为一个例子,存储于存储部11a内的参数根据需要而经由MCS11被通知到搬送车控制器12、储料器控制器13、搬送车2及堆垛起重机81等。由此,在搬送系统1内共享上述参数,并基于上述参数来控制搬送系统1的动作。搬送系统1的动作是指根据由控制器组(MCS11、搬送车控制器12、储料器控制器13)执行的控制内容而确定的各搬送车2的行驶动作。例如,根据上述参数的设定值来决定搬送车控制器12分配搬送指令的定时(例如是立即分配从MCS11通知的搬送指令、还是以不超过预先设定的搬送指令的同时执行数的上限值的方式执行搬送指令的分配等)、搬送车控制器12为了决定搬送车2的行驶路径而执行的路线搜索算法的种类等。
搬送控制装置20通过调整上述参数的设定值来控制搬送系统1的动作。如图4所示,搬送控制装置20能够构成为计算机系统,该计算机系统包括:一个以上CPU(CentralProcessing Unit:中央处理单元)等处理器201、作为主存储装置的一个以上RAM(RandomAccess Memory:随机存取存储器)202及一个以上ROM(Read Only Memory:只读存储器)203、用于供操作员进行操作输入的键盘等输入装置204、向操作员提示信息的显示器等输出装置205、用于与搬送系统1(例如MCS11等)进行通信的通信模块206、和HDD及SSD等辅助存储装置207。搬送控制装置20可以构成为一台服务器装置,也可以构成为分散配置的多台服务器装置。另外,在本实施方式中,搬送控制装置20是不同于搬送系统1的控制器组的装置,但搬送控制装置20也可以并入到搬送系统1的控制器(例如MCS11)内。
后述的搬送控制装置20的各功能例如通过如下方式实现:在RAM202等存储器上读取规定的程序,在处理器201的控制下使输入装置204及输出装置205动作并且使通信模块206动作,并进行RAM202及辅助存储装置207内的数据的读取及写入。搬送控制装置20作为功能性的构成要素而具有状态预测部21和决定部22。
状态预测部21是以如下方式进行机器学习的预测模型:输入与第1期间相关联的搬送指令及表示搬送系统1的状态的状态信息,并输出与第1期间之后的第2期间相关联的表示搬送系统1的预测状态的状态预测信息。第1期间及第2期间例如是彼此连续的期间。第1期间及第2期间是分别预先确定的长度的期间。第1期间的长度既可以与第2期间的长度相同,也可以不同。
状态预测部21针对上述参数的设定值的每个候选输出与第2期间相关联的状态预测信息。例如,状态预测部21构成为针对预先确定的参数的设定值的多个候选的每一个输出与第2期间相关联的状态预测信息。在此,与某个参数的设定值α对应的与第2期间相关联的状态预测信息是指,当在第2期间内将该参数的设定值α应用于搬送系统1时预测会在第2期间内产生的搬送系统1的状态。
在此,与某个期间相关联的搬送系统1的状态包括在该期间内产生的每个搬送指令的搬送时间、该期间内的物品的搬送量、该期间内的搬送车的运转率、该期间内的搬送车的现状信息(待命中或搬送中等状态信息)和位置信息、以及该期间内的搬送车的速度信息中的至少一个。
搬送指令的搬送时间是指,从来自MES3的搬送请求的接收时间点到物品的卸载完成且向MES3发送搬送指令的完成通知为止的时间。具体而言,搬送指令的搬送时间是指,从MCS11接收到来自MES3的作为该搬送指令的基础的搬送请求的时间点t1到通过被分配了该搬送指令的搬送车2在根据该搬送指令的“To”确定的卸货搬送口完成根据该搬送指令的“载体ID”确定的物品的卸载的时间点t2为止的时间(t2-t1)。在此,关于在该期间内物品的卸载未完成的搬送指令,例如可以使用从MCS11接收到作为该搬送指令的基础的搬送请求的时间点t1到该期间的结束时间点t3为止的时间(t3-t1)作为暂定的搬送时间。该期间内的物品的搬送量是指在该期间内完成卸货的搬送总数。搬送车2的运转率是指被分配了搬送指令的搬送车2的台数(A2)相对于能够利用的搬送车2的总数(A1)的比例“A2/A1”。作为该期间内的搬送车2的运转率,例如能够使用该期间内的搬送车2的运转率的平均值、最大值等。该期间内的搬送车的位置信息及速度信息是指与各搬送车2的位置有关的信息及与各搬送车2的速度有关的信息。通过分析该期间内的各搬送车2的现状信息和位置信息、及/或各搬送车2的速度信息,能够获得例如将每个规定区域(例如区划)的拥堵程度数值化后的信息。
作为上述那种预测模型的状态预测部21例如通过执行以下这样的使用训练数据的机器学习而获得。即,在连续的过去的各个期间T1、T2内获取与期间T1相关联的搬送指令及状态信息,并且获取在期间T2内实际应用于搬送系统1的参数的设定值及与期间T2相关联的状态信息。然后,生成使与期间T1相关联的搬送指令及状态信息、和在期间T2内实际应用于搬送系统1的参数的设定值及与期间T2相关联的状态信息组对的训练数据。在此,期间T1与期间T2的关系和上述的第1期间与第2期间的关系相同。通过针对多个不同期间生成上述那样的训练数据并执行基于所生成的多个训练数据的机器学习,能够获得上述的状态预测部21。像这样获得的状态预测部21例如是包括神经网络的学习完毕模型。此外,机器学习的对象并不限于各种数值数据,也可以是搬送系统1的监控图像等图像数据。
决定部22将与预测对象期间Tn+1之前的过去期间Tn相关联的搬送指令及状态信息输入至状态预测部21,由此针对参数的设定值的每个候选获取与预测对象期间Tn+1相关联的状态预测信息。在此,过去期间Tn与预测对象期间Tn+1的关系和上述的第1期间与第2期间的关系相同。另外,基于决定部22的处理在过去期间Tn的结束时间点进行。即,预测对象期间Tn+1与基于决定部22的处理时间点相比是未来的期间。例如,在作为参数的设定值的候选而预先确定了设定值α、设定值β及设定值γ的情况下,能够获得与设定值α对应的状态预测信息、与设定值β对应的状态预测信息、及与设定值γ对应的状态预测信息。
然后,决定部22基于如上述那样获得的每个候选的状态预测信息的评价结果来决定用于在预测对象期间Tn+1内应用于搬送系统1的参数的设定值(调整参数)。例如,决定部22从由针对多个候选的每一个获得的状态预测信息表示的搬送系统1的预测状态中选择最优选的预测状态。例如,每个搬送指令的搬送时间最好尽可能短,物品的搬送量最好尽可能多,搬送车2的运转率最好在预先确定的适当范围(例如70%以下等)内,拥堵最好尽可能少。通过使用上述那样的确定了好坏判断的基准的信息中的至少一个作为搬送系统1的预测状态,能够恰当进行状态预测信息间的评价。然后,决定部22将与所选择的状态预测信息对应的候选决定为在预测对象期间Tn+1内应用于搬送系统1的调整参数。此外,也可以是,在决定部22中也通过执行与状态预测部21同样的机器学习,来获得用于从由针对多个候选的每一个获得的状态预测信息表示的搬送系统1的预测状态中选择最优选的预测状态的、好坏判断的基准信息等。
图5是表示基于搬送控制装置20进行的调整参数的决定流程的图。图6是表示搬送控制装置20的动作的流程图。如图5及图6所示,首先,通过将与过去期间Tn相关联的搬送指令和与过去期间Tn相关联的状态信息输入至状态预测部21,从而输出与预测对象期间Tn+1相关联的参数的设定值的每个候选的状态预测信息。由此,针对参数的设定值的每个候选获得预测对象期间Tn+1的状态预测信息(步骤S11)。此外,搬送控制装置20能够从例如生成搬送指令的MCS11中获得与过去期间Tn相关联的搬送指令。另外,搬送控制装置20能够从监视搬送系统1的状态的系统(未图示)等中获得与过去期间Tn相关联的状态信息。
接着,决定部22通过评价参数的设定值的每个候选的状态预测信息,而从多个候选中决定调整参数(步骤S12)。然后,决定部22将该调整参数应用于搬送系统1(步骤S13)。在本实施方式中,决定部22将调整参数发送至MCS11。由此,该调整参数被存储到MCS11的存储部11a内,并且在预测对象期间Tn+1内基于该调整参数来控制搬送系统1的动作。
接着,对在状态预测部21中使用的参数的例子和在使用了该参数的情况下获得的效果进行说明。
(第1实施例)
在第1实施例中,状态预测部21使用“区域台数设定”作为参数。即,状态预测部21输出区域台数设定的设定值的每个候选的状态预测信息。区域(area)是指在搬送路4(参照图1)中确定的分区。在本实施方式中,区域是以区划为单位的分区。能够以这种区域为单位设置对区域内的搬送车2进行控制的区域控制器(例如下属于搬送车控制器12的控制器)。区域台数设定是指每个区域的、同时存在于区域内的空搬送车的台数的目标值(规定台数)。例如,若存在三个区域A、B、C的话,则区域台数设定的设定值能够表达为{NA,NB,NC}。在此,“NK”(K=A、B、C)为区域K的规定台数。
例如,搬送车控制器12能够构成为基于区域台数设定对各区域进行如下所述的搬送车2的调配控制。此外,上述调配控制也可以经由上述区域控制器进行。搬送车控制器12在某个区域内的空搬送车的台数比规定台数多的情况下,以使该区域内的空搬送车的台数成为规定台数的方式使该区域内的空搬送车移动到区域外。另一方面,搬送车控制器12在某个区域内的空搬送车的台数比规定台数少的情况下,以使该区域内的空搬送车的台数成为规定台数的方式使存在于该区域外(其它区域)的空搬送车移动到该区域内。这样,搬送车控制器12在规定定时(或定期地)将区域台数设定与空搬送车的分布进行比较,并调整搬送系统1整体的空搬送车的分布。即,区域台数设定是影响基于搬送车控制器12进行的空搬送车的分布调整的参数。
在此,考虑如下情况:如上所述存在三个区域A、B、C,当前时间点(过去期间Tn与预测对象期间Tn+1的分界时间点)的区域台数设定的设定值为{2,2,5},当前时间点实际存在于各区域的空搬送车的台数也如上述设定值那样(即区域A内2台、区域B内2台、区域C内5台)。另外,设为预测会在预测对象期间Tn+1内产生的搬送指令(预想搬送指令)为9个,各个搬送指令的拾取地点(Fr)的分布为{4,4,1}(即,需要在区域A装货的搬送指令为4个,需要在区域B装货的搬送指令为4个,需要在区域C装货的搬送指令为1个)。在此,预想搬送指令的信息可以预先由操作员等确定,也可以基于与过去期间Tn相关联的搬送指令和预先确定的预测规则来预测。另外,在后述的第2实施方式中,能够从由搬送指令预测部23输出的搬送指令预测信息中获得上述预想搬送指令的信息。
在上述情况下,状态预测部21例如针对区域台数设定的设定值的多个候选(在此作为一个例子是设定值{4,4,1}、设定值{3,3,3}、设定值{2,2,5})的每一个输出状态预测信息。作为一个例子,状态预测部21针对设定值的每个候选输出每个预想搬送指令的搬送时间及每个区域的拥堵程度来作为状态预测信息。
作为一个例子,决定部22基于搬送优先度为基准以上(搬送优先级为预先确定的基准值以下)的预想搬送指令的搬送时间越短越好、且预先由操作员选定的一个以上特定区域(特定的区划)的拥堵程度越小越好这样的观点,对设定值的各候选进行评价。在此,特定区域是指多个区域(区划)中的、作为区域内的拥堵容易成为使搬送系统1整体的搬送效率下降的原因的区域而预先由操作员选定的区域等。例如,决定部22针对设定值的各候选i(在此为i=1、2、3)计算由下述式(1)求出的得分Si。在下述式(1)中,tj表示搬送优先级(预想值)为预先由操作员等确定的阈值γ以下的预想搬送指令j的搬送时间,ck表示与特定区域k有关的预想拥堵程度。αj及βk是预先由操作员确定的重要参数。
Si=∑j(αj×tj)+∑k(βk×ck)……(1)
在此,上述得分Si越小,则意味着在上述观点下越优异。因此,决定部22将具有多个设定值的候选的得分Si(在此为S1、S2、S3)中的最小得分的设定值的候选i,决定为在预测对象期间Tn+1内应用于搬送系统1的调整参数。根据上述评价例,能够在搬送系统1内抑制容易成为使搬送系统1的搬送效率下降的原因的拥堵发生,并同时尽可能缩短搬送优先度高的搬送指令的搬送时间。
此外,由状态预测部21输出的设定值的每个候选的状态预测信息并非必须限于上述例子(每个预想搬送指令的搬送时间及每个区域的拥堵程度)。例如,设定值的每个候选的状态预测信息也可以如下所述是全部预想搬送指令的预想搬送时间(平均值等统计值)及搬送系统整体的预想拥堵程度(区域平均值等统计值)。
<区域台数设定的设定值的每个候选的输出结果的其它例>
·设定值{4,4,1}→全部预想搬送指令的预想搬送时间(平均值30秒、方差10秒)+搬送系统整体的预想拥堵程度(区域平均值:大)
·设定值{3,3,3}→全部预想搬送指令的预想搬送时间(平均值40秒、方差20秒)+搬送系统整体的预想拥堵程度(区域平均值:中)
·设定值{2,2,5}→全部预想搬送指令的预想搬送时间(平均值60秒、方差60秒)+搬送系统整体的预想拥堵程度(区域平均值:小)
另外,在上述例子中仅针对搬送优先级为阈值γ以下的预想搬送指令加和“αj×tj”,但在未获得每个预想搬送指令的搬送优先级的预想值的情况下,也可以针对全部预想搬送指令加和“αj×ti”。
根据以上说明的第1实施例,决定部22基于状态预测部21的输出结果来动态地设定区域设定台数的设定值(调整参数),由此,能够谋求搬送的最佳化(在此作为一个例子是抑制所关注的特定区域的拥堵程度并同时尽可能缩短搬送优先度高的搬送指令的搬送时间)。
(第2实施例)
在第2实施例中,状态预测部21使用“区域的入口及出口的使用比例”作为参数。即,状态预测部21输出区域(在此作为一个例子是区划内)的入口及出口的使用比例的设定值的每个候选的状态预测信息。在此,入口(或出口)的使用比例是指在有多个入口(或出口)的情况下使搬送车2使用多个入口(或出口)的比例。在此,区域的入口是指搬送车2在搬送路4中为了从该区域外进入该区域内而能够通过的路径,区域的出口是指搬送车2在搬送路4中为了从该区域内去到该区域外而能够通过的路径。
例如,在图1的例子中,对于中央左端的区划内(区划内路径5)设有两个入口IN1、IN2和两个出口OUT1、OUT2。在该情况下,若想使搬送车2以均等的比例使用入口IN1和入口IN2的话,则该区划内的入口的使用比例的设定值能够规定为“入口IN1:入口IN2=1:1”等。另一方面,若想使搬送车2仅使用入口IN1的话,则该区划内的入口的使用比例的设定值能够规定为“入口IN1:入口IN2=1:0”等。该参数的设定值例如在搬送车控制器12决定搬送车2的行驶路径时被一并考虑。即,搬送车控制器12将该参数的设定值考虑在内而决定搬送车2的行驶路径。更具体而言,搬送车控制器12以使上述区划内的实际的入口或出口的使用比例接近由该参数的设定值规定的入口或出口的使用比例的方式决定各搬送车2的行驶路径。
在上述情况下,状态预测部21例如针对某个特定区域(例如由操作员等预先指定的区域)的入口的使用比例及出口的使用比例的设定值的多个候选的每一个输出状态预测信息。作为一个例子,状态预测部21针对设定值的每个候选与上述实施例1同样地输出每个预想搬送指令的搬送时间及每个区域的拥堵程度来作为状态预测信息。例如,在上述特定区域是图1所示的中央左端的区划内的情况下,作为多个设定值的候选例如能够使用以下候选1~候选3等。
候选1:入口IN1:入口IN2=0:1及出口OUT1:出口OUT2=0:1
候选2:入口IN1:入口IN2=1:1及出口OUT1:出口OUT2=1∶1
候选3:入口IN1:入口IN2=1:0及出口OUT1:出口OUT2=1∶0
作为一个例子,决定部22与上述实施例1同样地将具有由上述式(1)计算的多个设定值的候选的得分Sj(在此为候选1的得分S1、候选2的得分S2、候选3的得分S3)中的最小得分的设定值的候选i决定为在预测对象期间Tn+1内应用于搬送系统1的调整参数。
根据以上说明的第2实施例,决定部22基于状态预测部21的输出结果来动态地设定某个特定区域的入口及出口的使用比例的设定值(调整参数),由此,能够谋求搬送的最佳化(在此作为一个例子是抑制所关注的特定区域的拥堵程度并同时尽可能缩短搬送优先度高的搬送指令的搬送时间)。此外,在第2实施例中,特定区域的入口或出口也可以存在三个以上。另外,也可以将多个区域作为特定区域来使用。
(第3实施例)
在第3实施例中,状态预测部21使用“路径选择逻辑”作为参数。即,状态预测部21输出路径选择逻辑的设定值的每个候选的状态预测信息。在此,路径选择逻辑是指在决定被分配了搬送指令的搬送车2的搬送路径时用于决定从预先准备的多个路径选择算法中使用哪个算法的规则。
例如,考虑准备两个不同的算法作为路径搜索算法的情况。具体而言,作为一个例子,考虑准备最短时间路径探查(例如迪杰斯特拉算法(Dijkstra′s algorithm)等。以下称为“方式A”)和统计成本路径探查(例如使用统计成本求出最短时间路径的方法。以下称为“方式B”)作为路径搜索算法的情况。在该情况下,作为路径选择逻辑的设定值的多个候选例如能够使用如下所述的候选1~候选3等。
候选1:始终使用方式A。
候选2:若规定区域(例如区划间路径6等)的拥堵程度是预先确定的阈值以下则使用方式A,若并非如此则使用方式B。
候选3:若作为对象的搬送指令的搬送优先级是预先确定的阈值以下则使用方式A,若该搬送优先级大于该阈值则使用方式B。
作为一个例子,决定部22与上述实施例1、2同样地将具有由上述式(1)计算的多个设定值的候选的得分Sj(在此为候选1的得分S1、候选2的得分S2、候选3的得分S3)中的最小得分的设定值的候选i决定为在预测对象期间Tn+1内应用于搬送系统1的调整参数。
根据以上说明的第3实施例,决定部22基于状态预测部21的输出结果来动态地设定路径选择逻辑的设定值(调整参数),由此,能够谋求搬送的最佳化(在此作为一个例子是抑制所关注的特定区域的拥堵程度并同时尽可能缩短搬送优先度高的搬送指令的搬送时间)。
此外,上述第1实施例~第3实施例既可以单独实施也可以适当组合。例如,决定部22也可以基于第1实施例来决定与区域设定台数有关的调整参数,并且基于第2实施例来决定与区域的入口及出口的使用比例有关的调整参数。
在以上所述的搬送控制装置20中,通过如上述那样进行机器学习的状态预测部21,根据过去期间Tn的搬送指令及状态信息,针对参数的设定值的每个候选获取预测对象期间Tn+1的搬送系统1的预测状态。即,针对参数的设定值的每个候选,获取当将该参数的设定值应用于搬送系统1时预测会在预测对象期间Tn+1内产生的搬送系统1的状态来作为状态预测信息。然后,基于像这样获取的参数的设定值的每个候选的状态预测信息的评价结果,来决定在预测对象期间Tn+1内应用于搬送系统1的参数的设定值(调整参数)。因此,根据搬送控制装置20,能够基于搬送系统1的将来状态的预测结果(状态预测信息)来决定最佳的参数的设定值,以使搬送系统1的将来状态(即预测对象期间Tn+1内的状态)成为尽可能好的状态(例如拥堵被抑制且搬送系统整体的搬送时间变短的状态)。由此,根据搬送控制装置20能够更恰当地谋求搬送的最佳化。
另外,搬送系统1的状态包括每个搬送指令的搬送时间、物品的搬送量、搬送车2的运转率、搬送车2的现状信息和位置信息、以及搬送车2的速度信息中的至少一个。通过使用上述那样的信息作为搬送系统1的状态,能够恰当地进行基于状态预测部21的预测。另外,在决定部22中,当决定调整参数时,能够恰当地进行参数的设定值的每个候选的状态预测信息间的比较(评价)。
[第2实施方式]
接着,参照图7~图9对第2实施方式的搬送控制装置20A进行说明。如图7所示,搬送控制装置20A在还具备搬送指令预测部23这点、代替状态预测部21而具备状态预测部21A这点、以及代替决定部22而具备决定部22A这点上不同于搬送控制装置20,关于其它结构则与搬送控制装置20相同。
搬送指令预测部23是以如下方式进行机器学习的预测模型:输入与第1期间相关联的与搬送指令有关的信息,并输出预测会在第1期间之后的第2期间内产生的与搬送指令有关的搬送指令预测信息。与第1期间相关联的搬送指令是指在第1期间内产生的搬送指令(例如在第1期间内基于从MES3通知到MCS11的搬送请求而在MCS11中生成的搬送指令)。与第1期间相关联的搬送指令能够存在多个。
在此,作为搬送指令的基础的从MES3输出的搬送请求根据在一定期间内执行的规定的制造工艺流程而产生。因此,可以认为在某个期间内产生的搬送指令与在该期间的后续期间内产生的搬送指令之间具有相关性。因此,例如通过执行以下这样的使用了训练数据的机器学习,能够获得搬送指令预测部23。即,通过在连续的过去的各个期间T1、T2内分别合计搬送指令,来获取在期间T1内产生的每个区划的Fr数及To数,并且获取在期间T2内产生的每个区划的Fr数及To数。然后,生成使在期间T1内产生的每个区划的Fr数及To数与在期间T2内产生的每个区划的Fr数及To数组对的训练数据。通过针对多个不同期间合计搬送指令,能够生成多个上述那样的训练数据。然后,通过基于像这样生成的多个训练数据来执行机器学习,能够获得以如下方式构成的搬送指令预测部23:输入与第1期间相关联的与搬送指令有关的信息(在本实施方式中为第1期间内的每个区划的To数及Fr数),并输出预测会在第2期间内产生的与搬送指令有关的搬送指令预测信息(第2期间内的每个区划的To数及Fr数)。像这样获得的搬送指令预测部23例如是包括神经网络的学习完毕模型。
状态预测部21A在以还输入由搬送指令预测部23输出的搬送指令预测信息、并输出与第2期间相关联的每个候选的状态预测信息的方式进行机器学习的这点上不同于状态预测部21。状态预测部21A例如能够通过执行如下机器学习来获得,该机器学习使用在被用于状态预测部21的机器学习的训练数据(与期间T1相关联的搬送指令及状态信息、以及、在期间T2内实际应用于搬送系统1的参数的设定值及与期间T2相关联的状态信息)中增加与期间T2相关联的搬送指令而得到的训练数据。
状态预测部21A是以如下方式进行机器学习的预测模型:输入与第1期间相关联的搬送指令及表示搬送系统1的状态的状态信息、以及与第1期间相关联的与搬送指令有关的信息(即由上述搬送指令预测部23输出的信息),并输出与第2期间相关联的表示搬送系统1的预测状态的状态预测信息。状态预测部21A与状态预测部21同样地针对上述参数的设定值的每个候选输出与第2期间相关联的状态预测信息。
决定部22A通过将与过去期间Tn相关联的与搬送指令有关的信息输入至搬送指令预测部23,来获取与预测对象期间Tn+1相关联的搬送指令预测信息。然后,决定部22A通过将与过去期间Tn相关联的搬送指令及状态信息和与预测对象期间Tn+1相关联的搬送指令预测信息输入至状态预测部21A,来针对参数的设定值的每个候选获取与预测对象期间Tn+1相关联的状态预测信息。自此以后的决定部22A的处理与决定部22相同。
图8是表示基于搬送控制装置20A进行的调整参数的决定流程的图。图9是表示搬送控制装置20A的动作的流程图。如图8及图9所示,首先,通过将与过去期间Tn相关联的与搬送指令有关的信息(在本实施方式中为过去期间Tn内的每个区划的To数及Fr数)输入至搬送指令预测部23,从而输出搬送指令预测信息(在预测对象期间Tn+1内预测的每个区划的To数及Fr数)。由此,能够获得预测对象期间Tn+1的搬送指令预测信息(步骤S21)。此外,如图8中虚线所示,也可以向搬送指令预测部23输入状态信息、并将状态信息也一并考虑而输出搬送指令预测信息。
接着,将与过去期间Tn相关联的搬送指令、与过去期间Tn相关联的状态信息、和在步骤S21中由搬送指令预测部23输出的与预测对象期间Tn+1相关联的搬送指令预测信息输入至状态预测部21A。其结果是,通过状态预测部21A输出与预测对象期间Tn+1相关联的、参数的设定值的每个候选的状态预测信息。由此,能够针对参数的设定值的每个候选获得预测对象期间Tn+1的状态预测信息(步骤S22)。
步骤S23及步骤S24的处理与上述图6所示的流程图中的步骤S12及步骤S13的处理相同。
预测对象期间Tn+1内的搬送系统1的状态受在预测对象期间Tn+1产生的搬送指令的影响。因此,在搬送控制装置20A中,状态预测部21A能够基于由搬送指令预测部23预测出的与预测对象期间Tn+1的搬送指令有关的信息,而更高精度地对预测对象期间Tn+1内的搬送系统1的将来状态(参数的设定值的每个候选的状态预测信息)进行预测。其结果是,在决定部22A中,能够从搬送最佳化的观点出发来决定更恰当的调整参数。
以上,对本发明的实施方式进行了说明,但本发明并不限定于上述实施方式,在不脱离其要旨的范围内能够进行各种变更。
例如,第1实施方式的搬送控制装置20不具备搬送指令预测部23,未将与将来的搬送指令(预测会在预测对象期间内产生的搬送指令)有关的信息作为输入信息使用。但是,例如在能够从MES3事先向MCS11通知将来预定的搬送请求、并预先掌握预测将来会在MCS11中产生的搬送指令的情况下,状态预测部21也可以将像这样预测的与搬送指令有关的信息作为输入信息使用。
另外,由决定部22、22A决定的调整参数也可以还用于对MCS11等搬送系统1内的要素以外的动作进行控制。例如,调整参数也可以被通知到作为上位控制器的MES3,还可以根据该调整参数控制MES3的动作(例如向MCS11通知搬送请求的定时等)。
另外,用于在上述状态预测部21、21A或搬送指令预测部23的机器学习中使用的训练数据在运用搬送控制装置20、20A的过程(即反复执行图6或图9所示的流程图的动作的过程)中新生成及积累。因此,状态预测部21、21A或搬送指令预测部23也可以通过随时进行使用像这样新生成及积累的训练数据的机器学习而适当更新。这样,通过在运用搬送控制装置20、20A的同时更新作为预测模型的状态预测部21、21A或搬送指令预测部23,能够逐渐提高预测模型的精度。即,能够逐渐提高由决定部22、22A决定的调整参数的妥当性。
另外,在上述实施方式中,作为由搬送车2搬送的物品(被搬送物)例示了容纳有多个半导体晶片的FOUP,但物品并不限定于此,例如也可以是容纳有玻璃晶片、标线片等的其它容器或其它物品。另外,设置搬送系统1的场所并不限定于半导体制造工厂,搬送系统1也可以设于其它设施。
Claims (6)
1.一种搬送控制装置,其对搬送系统的动作进行控制,该搬送系统包括搬送路、沿着所述搬送路行驶并搬送物品的多台搬送车、和向所述搬送车分配搬送指令的搬送车控制器,
该搬送控制装置的特征在于,
具备状态预测部和决定部,
所述状态预测部以如下方式进行机器学习:输入与第1期间相关联的所述搬送指令及表示所述搬送系统的状态的状态信息,并针对用于对所述搬送系统的动作进行控制的参数的设定值的每个候选,输出与所述第1期间之后的第2期间相关联的表示所述搬送系统的预测状态的状态预测信息,
所述决定部通过将与预测对象期间之前的过去期间相关联的所述搬送指令及所述状态信息输入至所述状态预测部,从而针对所述参数的设定值的每个候选获取与所述预测对象期间相关联的所述状态预测信息,并基于所述参数的设定值的每个候选的所述状态预测信息的评价结果来决定在所述预测对象期间内应用于所述搬送系统的所述参数的设定值。
2.根据权利要求1所述的搬送控制装置,其特征在于,
所述搬送系统的状态包括每个所述搬送指令的搬送时间、所述物品的搬送量、所述搬送车的运转率、所述搬送车的现状信息和位置信息、以及所述搬送车的速度信息中的至少一个。
3.根据权利要求1或2所述的搬送控制装置,其特征在于,
还具备搬送指令预测部,该搬送指令预测部以如下方式进行机器学习:输入与所述第1期间相关联的与所述搬送指令有关的信息,并输出预测会在所述第2期间内产生的与所述搬送指令有关的搬送指令预测信息,
所述状态预测部以如下方式进行机器学习:还输入所述搬送指令预测信息,并输出与所述第2期间相关联的所述参数的设定值的每个候选的所述状态预测信息,
所述决定部通过将与所述过去期间相关联的与所述搬送指令有关的信息输入至所述搬送指令预测部,来获取与所述预测对象期间相关联的所述搬送指令预测信息,
并且所述决定部通过将与所述过去期间相关联的所述搬送指令及所述状态信息和与所述预测对象期间相关联的所述搬送指令预测信息输入至所述状态预测部,来针对所述参数的设定值的每个候选获取与所述预测对象期间相关联的所述状态预测信息。
4.根据权利要求1或2所述的搬送控制装置,其特征在于,
所述参数包括在所述搬送路中确定的每个区域的、同时存在于区域内的空搬送车的台数的目标值。
5.根据权利要求1或2所述的搬送控制装置,其特征在于,
所述参数包括使所述搬送车使用在所述搬送路中确定的区域的多个入口及多个出口的比例。
6.根据权利要求1或2所述的搬送控制装置,其特征在于,
所述参数包括用于在决定被分配了所述搬送指令的所述搬送车的搬送路径时决定使用预先准备的多个路径选择算法中的哪个算法的规则。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019099522A JP6885421B2 (ja) | 2019-05-28 | 2019-05-28 | 搬送制御装置 |
JP2019-099522 | 2019-05-28 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112099484A CN112099484A (zh) | 2020-12-18 |
CN112099484B true CN112099484B (zh) | 2024-02-23 |
Family
ID=73545889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010400105.1A Active CN112099484B (zh) | 2019-05-28 | 2020-05-12 | 搬送控制装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11599115B2 (zh) |
JP (1) | JP6885421B2 (zh) |
CN (1) | CN112099484B (zh) |
TW (1) | TWI817010B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7215257B2 (ja) * | 2019-03-15 | 2023-01-31 | トヨタ自動車株式会社 | 情報処理装置、情報処理方法、及び情報処理プログラム |
JP7453102B2 (ja) * | 2020-09-09 | 2024-03-19 | シャープ株式会社 | 移動時間予想装置および移動時間予想方法 |
JP7331883B2 (ja) * | 2021-04-23 | 2023-08-23 | 株式会社ダイフク | 物品搬送設備、経路設定方法、及び経路設定プログラム |
WO2022249551A1 (ja) * | 2021-05-28 | 2022-12-01 | 村田機械株式会社 | 予測装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05120256A (ja) * | 1991-10-29 | 1993-05-18 | Toshiba Corp | モデル予測制御装置 |
JPH09153098A (ja) * | 1995-11-30 | 1997-06-10 | Omron Corp | 車両需要予測システム |
CN101443717A (zh) * | 2006-05-12 | 2009-05-27 | 村田机械株式会社 | 搬送系统和搬送方法 |
JP2010282567A (ja) * | 2009-06-08 | 2010-12-16 | Murata Machinery Ltd | 搬送車システム |
TW201100307A (en) * | 2009-06-25 | 2011-01-01 | Ihi Corp | Unattended transporting apparatus and transporting route determining method for the same |
KR101440569B1 (ko) * | 2013-06-04 | 2014-09-17 | (주)엔스퀘어 | 무인반송차량 관리 시스템 |
CN107092974A (zh) * | 2016-11-29 | 2017-08-25 | 北京小度信息科技有限公司 | 配送压力预测方法及装置 |
CN108292134A (zh) * | 2015-11-04 | 2018-07-17 | 祖克斯有限公司 | 用于优化远程操作和/或规划器决策的机器学习系统和技术 |
CN108958257A (zh) * | 2018-07-25 | 2018-12-07 | 深圳市集大自动化有限公司 | 多台agv组合导航的协同路径规划方法 |
JP2019028489A (ja) * | 2017-07-25 | 2019-02-21 | ヤフー株式会社 | 予測装置、予測方法、予測プログラム、学習データ、及びモデル |
JP2019034836A (ja) * | 2017-08-18 | 2019-03-07 | ファナック株式会社 | 制御装置及び機械学習装置 |
CN109765915A (zh) * | 2019-03-13 | 2019-05-17 | 中南大学 | 一种基于计算机算法的仓储搬运机器人任务调度系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4441931B2 (ja) | 2005-05-06 | 2010-03-31 | 村田機械株式会社 | 搬送台車システム |
JP4811454B2 (ja) * | 2008-12-02 | 2011-11-09 | 村田機械株式会社 | 搬送台車システム及び搬送台車への走行経路の指示方法 |
JP2013050776A (ja) * | 2011-08-30 | 2013-03-14 | Murata Mach Ltd | 搬送車システムのシミュレーションシステムとシミュレーション方法 |
CN105923334B (zh) * | 2016-04-08 | 2018-01-30 | 浙江中烟工业有限责任公司 | 一种超高速卷烟机的辅料自动配送系统 |
US10551842B2 (en) * | 2017-06-19 | 2020-02-04 | Hitachi, Ltd. | Real-time vehicle state trajectory prediction for vehicle energy management and autonomous drive |
US20190101924A1 (en) * | 2017-10-03 | 2019-04-04 | Uber Technologies, Inc. | Anomaly Detection Systems and Methods for Autonomous Vehicles |
CN108520375B (zh) * | 2018-03-30 | 2022-02-01 | 陆英玮 | 一种基于基站的分布式物流系统和方法 |
-
2019
- 2019-05-28 JP JP2019099522A patent/JP6885421B2/ja active Active
-
2020
- 2020-04-03 US US16/839,149 patent/US11599115B2/en active Active
- 2020-05-12 CN CN202010400105.1A patent/CN112099484B/zh active Active
- 2020-05-18 TW TW109116352A patent/TWI817010B/zh active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05120256A (ja) * | 1991-10-29 | 1993-05-18 | Toshiba Corp | モデル予測制御装置 |
JPH09153098A (ja) * | 1995-11-30 | 1997-06-10 | Omron Corp | 車両需要予測システム |
CN101443717A (zh) * | 2006-05-12 | 2009-05-27 | 村田机械株式会社 | 搬送系统和搬送方法 |
JP2010282567A (ja) * | 2009-06-08 | 2010-12-16 | Murata Machinery Ltd | 搬送車システム |
TW201100307A (en) * | 2009-06-25 | 2011-01-01 | Ihi Corp | Unattended transporting apparatus and transporting route determining method for the same |
KR101440569B1 (ko) * | 2013-06-04 | 2014-09-17 | (주)엔스퀘어 | 무인반송차량 관리 시스템 |
CN108292134A (zh) * | 2015-11-04 | 2018-07-17 | 祖克斯有限公司 | 用于优化远程操作和/或规划器决策的机器学习系统和技术 |
CN107092974A (zh) * | 2016-11-29 | 2017-08-25 | 北京小度信息科技有限公司 | 配送压力预测方法及装置 |
JP2019028489A (ja) * | 2017-07-25 | 2019-02-21 | ヤフー株式会社 | 予測装置、予測方法、予測プログラム、学習データ、及びモデル |
JP2019034836A (ja) * | 2017-08-18 | 2019-03-07 | ファナック株式会社 | 制御装置及び機械学習装置 |
CN108958257A (zh) * | 2018-07-25 | 2018-12-07 | 深圳市集大自动化有限公司 | 多台agv组合导航的协同路径规划方法 |
CN109765915A (zh) * | 2019-03-13 | 2019-05-17 | 中南大学 | 一种基于计算机算法的仓储搬运机器人任务调度系统 |
Non-Patent Citations (4)
Title |
---|
Kazutoshi Sakakibara ; Yoshiro Fukui ; Ikuko Nishikawa.Genetics-Based Machine Learning Approach for Rule Acquisition in an AGV Transportation System.2008 Eighth International Conference on Intelligent Systems Design and Applications.2008,10413191115-120. * |
Tianfang Xue ; Peng Zeng ; Haibin Yu.A reinforcement learning method for multi-AGV scheduling in manufacturing. 2018 IEEE International Conference on Industrial Technology (ICIT).2018,177355611557-1561. * |
基于AGV的物流中心货物自动运输路径规划的研究;张坤;中国优秀硕士学位论文全文数据库工程科技II辑;第2018年(第07期);C029-118 * |
基于在线学习的自动化码头AGV调度方法研究;李静;中国优秀硕士学位论文全文数据库工程科技II辑;第2019年(第02期);C034-594 * |
Also Published As
Publication number | Publication date |
---|---|
CN112099484A (zh) | 2020-12-18 |
US11599115B2 (en) | 2023-03-07 |
US20200379466A1 (en) | 2020-12-03 |
TWI817010B (zh) | 2023-10-01 |
JP2020194345A (ja) | 2020-12-03 |
TW202101365A (zh) | 2021-01-01 |
JP6885421B2 (ja) | 2021-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112099484B (zh) | 搬送控制装置 | |
US9268328B2 (en) | Production efficiency improving apparatus, production efficiency improving method, and computer program | |
JP4746674B2 (ja) | 搬送システムと搬送方法 | |
WO2018168060A1 (ja) | ピッキング管理システム、およびピッキング管理方法 | |
JP4782194B2 (ja) | 搬送システム | |
US20150162180A1 (en) | Method, storage medium and system for controlling the processing of lots of workpieces | |
US7809466B2 (en) | Transportation system and transportation method | |
JP2008310467A (ja) | 搬送制御装置および搬送制御方法 | |
WO2020039699A1 (ja) | 走行車制御装置、走行車システム、及び走行車制御方法 | |
JP7263119B2 (ja) | 走行決定方法、コントローラ、及び当該コントローラを備える走行システム | |
CN114379972A (zh) | 输送系统 | |
KR20110091020A (ko) | 주행차 시스템 | |
US20200372427A1 (en) | Travel order allocation method, controller, and transport system comprising controller | |
JP4441914B2 (ja) | 搬送システム | |
JP5402943B2 (ja) | 搬送車システムおよび搬送車制御方法 | |
JP2020030723A (ja) | 走行車制御装置、走行車システム、及び走行車制御方法 | |
US10571927B2 (en) | Transport system and transport method | |
JP4389225B2 (ja) | 搬送システム | |
CN101183247A (zh) | 物件控制系统及其物件运送路径决定方法 | |
JP2003347388A (ja) | 搬送システム | |
US20230322486A1 (en) | Transport vehicle system and method of controlling transport vehicle | |
JP2010282567A (ja) | 搬送車システム | |
US20240242063A1 (en) | Prediction device | |
JP2010055158A (ja) | 搬送システム制御装置および搬送システム制御方法 | |
JP2011121656A (ja) | 搬送車システム |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |