CN112136087A - 作业分析装置 - Google Patents

作业分析装置 Download PDF

Info

Publication number
CN112136087A
CN112136087A CN201880093331.0A CN201880093331A CN112136087A CN 112136087 A CN112136087 A CN 112136087A CN 201880093331 A CN201880093331 A CN 201880093331A CN 112136087 A CN112136087 A CN 112136087A
Authority
CN
China
Prior art keywords
category
sensor
category data
data
sections
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
CN201880093331.0A
Other languages
English (en)
Inventor
八田俊之
川西亮辅
白土浩司
加藤健太
奥田晴久
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.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric 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 Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of CN112136087A publication Critical patent/CN112136087A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31449—Monitor workflow, to optimize business, industrial processes
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32293—Minimize work in progress, system at maximum productivity
    • 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
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • 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

Abstract

传感器数据输入装置(10)取得传感器数据序列，所述传感器数据序列表示通过由传感器检测作业主体的作业而生成的时序的传感器值，在作业主体多次反复地实施作业时所述传感器数据序列与各反复对应地生成。类别数据生成器(20)决定基于各传感器数据序列包含的传感器值将各传感器数据序列按时间分割而成的多个区间、和表示各区间包含的传感器值的时间变化的类型的各区间的类别，并针对各传感器数据序列，生成第一类别数据序列，所述第一类别数据序列表示该传感器数据序列的各区间及各类别。类别数据链接器(40)将在多个第一类别数据序列之间具有相同的类别并相互对应的各区间相互关联。判定器(50)算出相互关联的各区间的特性值。

Description

作业分析装置
技术领域
本发明涉及分析作业的作业分析装置，所述作业由通过规定的作业主体实施的一系列的多个动作构成。
背景技术
在制造业等中，通过改善作业工序来提高生产性是重要的课题，为此，有被称为IE(Industrial Engineering：工业工程)的工学方法。为了利用IE改善作业工序，首先，作为现状分析，需要检测作业所需的时间。在此，将作业主体反复进行由一系列的要素作业(具有目的的动作的一个段落)构成的循环的作业作为分析对象。分析者使用按要素作业检测得到的所需时间，算出每个要素作业的标准作业时间、多个循环间的所需时间的偏差等这样的特性值。由此，分析者通过判定需要改善的要素作业，并进行作业的修正或生产线的改善，从而能够实现生产性的提高。
通过检测所需时间来进行的作业分析一般来说通过分析者使用秒表和/或摄像机等来进行。由于分析者需要通过目视检测多个循环中的每个要素作业的所需时间，所以会花费大量的时间和劳力。对此，提出了以缩短作业分析所需的时间为目的的各种作业分析装置。
例如专利文献1公开了一种作业分析系统，其基于表示应执行作业的位置与作业的检测对象的位置的位置关系的参数，确定执行的作业的起点及终点。专利文献1的系统通过对预先定义了应执行作业的位置的作业位置信息(即，预先设计的模板)与从作业的检测对象的位置取得的位置信息(即，从作业主体的作业检测到的传感器数据)进行比较，从而将各时刻的要素作业分类。并且，专利文献1的系统通过确定要素作业的开始时刻和结束时刻，从而算出要素作业的作业时间。并且，专利文献1的系统通过对各要素作业的作业时间与预先设计的每个要素作业的标准作业时间进行比较，从而判定是否需要改善各要素作业。
在先技术文献
专利文献
专利文献1：日本特开2015-197847号公报
非专利文献
非专利文献1：Da-Fei Feng和Russell F.Doolittle,“Progressive sequencealignment as a prerequisite to correct phylogenetic trees”，Journal ofMolecular Evolution,vol.25，pp.351-360，1987
发明内容
发明要解决的课题
在专利文献1的系统中，需要预先设计用于对各时刻的要素作业进行分类的模板及用于判定是否需要改善各要素作业的标准作业时间等。即，由于专利文献1的系统不能够在模板及标准作业时间等为未知的状态下使用，所以事前的设计会花费时间和劳力。另外，存在如下问题：为了预先记录预先设计的模板及标准作业时间等，存储器的使用量增加。并且，存在如下问题：在作业主体弄错作业的步骤，重复要素作业或跳过要素作业等情况下，在多个循环间对应的要素作业变得不确定，不能够算出每个要素作业的标准作业时间及偏差等。
本发明的目的在于解决上述问题，提供一种作业分析装置，其不需要预先设计模板及标准作业时间等，另外，在作业主体弄错作业的步骤的情况下，也能够仅基于从作为分析对象的作业检测到的传感器数据，算出每个要素作业的标准作业时间及偏差这样的特性值。
用于解决课题的手段
根据本发明的一个方案的作业分析装置，
一种分析作业的作业分析装置，所述作业由通过规定的作业主体实施的一系列的多个动作构成，其中，所述作业分析装置具备：
传感器数据输入装置，所述传感器数据输入装置取得多个传感器数据序列，所述传感器数据序列表示通过由传感器检测所述作业主体的作业而生成的时序的传感器值，并且在所述作业主体多次反复地实施所述作业时与各反复对应地生成所述多个传感器数据序列；
类别数据生成器，所述类别数据生成器决定基于各所述传感器数据序列包含的所述传感器值将各所述传感器数据序列按时间分割而成的多个区间、和表示各所述区间包含的所述传感器值的时间变化的类型的各所述区间的类别，并针对所述多个传感器数据序列中的每一个，生成分别表示该传感器数据序列的各所述区间及各所述类别的多个第一类别数据序列；
类别数据链接器，所述类别数据链接器基于所述多个第一类别数据序列，将在所述多个第一类别数据序列之间具有相同的类别且相互对应的各所述区间相互关联；以及
判定器，所述判定器算出利用所述类别数据链接器相互关联的各所述区间的特性值。
发明的效果
根据本发明的一个方案的作业分析装置，不需要预先设计模板及标准作业时间等，另外，即使在作业主体弄错作业的步骤的情况下，也能够仅基于从作为分析对象的作业检测到的传感器数据，算出每个要素作业的标准作业时间及偏差这样的特性值。
附图说明
图1是示出本发明的实施方式1的作业分析装置的结构的一例的图。
图2是示出本发明的实施方式1的类别数据生成器的结构的一例的图。
图3是说明本发明的实施方式1的作业分析装置的使用例的图。
图4是示出利用本发明的实施方式1的传感器检测到的传感器值的一例的图。
图5是用于说明存储在本发明的实施方式1的传感器数据存储装置中的传感器数据序列的数据结构的图。
图6是用时序图示出存储在本发明的实施方式1的传感器数据存储装置中的传感器数据序列的图。
图7是用于说明利用本发明的实施方式1的第一分类器生成的类别数据序列的数据结构的图。
图8是用时序图示出利用本发明的实施方式1的第一分类器生成的类别数据序列的图。
图9是用于说明利用本发明的实施方式1的标准图案生成器生成的标准图案的数据结构的图。
图10是用时序图示出利用本发明的实施方式1的标准图案生成器生成的标准图案的图。
图11是用于说明利用本发明的实施方式1的第二分类器生成的类别数据序列的数据结构的图。
图12是用时序图示出利用本发明的实施方式1的第二分类器生成的类别数据序列的图。
图13是用于说明利用本发明的实施方式1的类别数据链接器生成的链接数据值的数据结构的图。
图14是用时序图示出利用本发明的实施方式1的类别数据链接器生成的链接数据值的图。
图15是用于说明利用本发明的实施方式1的判定器算出的特性值及判定数据的数据结构的图。
图16是用时序图示出利用本发明的实施方式1的判定器算出的判定数据的图。
图17是示出本发明的实施方式1的作业分析装置的动作的流程图。
图18是示出本发明的实施方式1的作业分析装置的硬件结构的一例的图。
图19是示出本发明的实施方式1的作业分析装置的硬件结构的另一例的图。
图20是示出本发明的实施方式2的作业分析装置的结构的一例的图。
图21是用于说明利用本发明的实施方式2的类别数据链接器生成的链接数据值的数据结构的图。
图22是用时序图示出利用本发明的实施方式2的类别数据链接器生成的链接数据值的图。
图23是用于说明利用本发明的实施方式2的判定器算出的特性值及判定数据的数据结构的图。
图24是用时序图示出利用本发明的实施方式2的判定器算出的判定数据的图。
具体实施方式
实施方式1.
图1是示出本发明的实施方式1中的作业分析装置1的结构的一例的图。作业分析装置1分析作业，所述作业由通过规定的作业主体实施的一系列的多个动作构成。在本说明书中，作业主体可以是一个或多个人、一个或多个机械或者它们的组合，在本说明书中，参照一个人的情况进行说明。作业分析装置1例如与传感器2及显示装置3一起搭载于工厂等中的某终端装置。
参照图1说明作业分析装置1的整体结构。作业分析装置1具备传感器数据输入装置10、传感器数据存储装置31、类别数据生成器20、类别数据链接器40及判定器50。并且，在作业分析装置1中，连接有传感器2和显示装置3。作业分析装置1使用由传感器2检测到的数据分析作业，并将分析的结果显示于显示装置3。
图2是示出本实施方式的类别数据生成器20的结构的一例的图。参照图2说明类别数据生成器20的结构。类别数据生成器20具备第一分类器21、类别数据存储装置32、标准图案生成器22、第二分类器23及类别数据评价器24。
图3是说明本实施方式的作业分析装置的使用例的图。在本实施方式中，作业主体100多次反复地实施循环作业，所述循环作业是由一系列的多个动作构成的作业。传感器2在循环区间中动作，所述循环区间是各一次循环作业开始到结束的时间。传感器2在循环区间中输出通过检测循环作业而生成(检测)的时序的传感器值。传感器2例如是深度传感器，配置成能够拍摄作业主体100的左手101和右手102的循环作业。传感器2例如具备以特定的图案发出红外线的光源并接收对象物反射出的红外线的拍摄元件，并生成深度图像数据，所述深度图像数据具有到对象物的深度作为像素值。并且，传感器2从深度图像数据分别检测出作业主体100的左手101及右手102的高度位置，每隔200毫秒输出这些高度位置作为传感器值。此外，作为深度传感器的具体例，可列举Kinect(注册商标)这样的已有的深度传感器。用于根据深度图像数据检测出手的位置的处理能够使用在深度传感器中利用的已有的处理。
图4是示出利用本实施方式的传感器2输出的传感器值的一例的图。在图4中，横轴表示取得传感器值的时刻，纵轴表示传感器值、即由传感器值表示的左手101及右手102的高度位置的坐标值。在本实施方式中，由于传感器值是作业主体100的左手101及右手102的高度位置，所以传感器值为二维的值。
此外，在本实施方式中，说明使用深度传感器作为传感器2的情况，但不限定于此，只要是能够检测作业主体的作业并生成传感器值的传感器即可。除深度传感器以外，例如还能够使用摄像机、三维加速度传感器及三维角速度传感器等。另外，在本实施方式中，将作业主体的右手及左手的位置作为检测对象，但不限定于此，可以将作业主体的头部位置、身体上的多个关节的角度或者作业主体的生物体信息(例如脉搏及呼吸)作为检测对象。
接着，说明本实施方式的作业分析装置1的各构成要素的动作。
传感器数据输入装置10在多个循环作业中取得分别示出从传感器2输出的时序的传感器值的传感器数据序列xd。各传感器数据序列xd分别示出通过由传感器2检测作业主体的循环作业从而生成的时序的传感器值，并且在作业主体多次反复地实施循环作业时与各反复对应地被生成。
在此，d是用于识别多个循环作业中的每一个的编号，是从1到D的整数。D是多个循环作业的反复次数。在本实施方式中，传感器数据序列xd＝{xd(1)，xd(2)，…，xd(N(d))}。在此，xd(n)是在循环作业d中第n个输出的传感器值。另外，N(d)是在循环作业d的循环区间中输出的传感器值的个数。
例如，在循环作业d的循环区间的长度为10秒的情况下，如上所述，在本实施方式中，由于传感器2每200毫秒输出传感器值，所以传感器值的个数N(d)为50个。
接着，说明本实施方式的传感器数据存储装置31。传感器数据存储装置31存储利用传感器数据输入装置10取得的多个传感器数据序列。图5是用于说明存储在本实施方式的传感器数据存储装置31中的传感器数据序列的数据结构的图。参照图5，传感器数据存储装置31存储有在D＝4次的循环作业中取得的传感器数据序列。如上所述，向各传感器数据序列分配取得了传感器数据序列的循环作业的编号d。在此，在本实施方式中，由于传感器值是二维的值，所以传感器数据存储装置31将传感器值xd(n)存储为两个值。图6是用时序图示出图5所示的多个传感器数据序列的图。在图6的各段(a)～(d)中，横轴表示在循环作业d中时序的传感器值被输出的编号n，纵轴表示传感器值。
接着，说明本实施方式的类别数据生成器20。类别数据生成器20基于在多个循环作业中利用传感器数据输入装置10取得的多个传感器数据序列xd，与多个传感器数据序列xd分别对应地生成满足规定的评价基准的多个类别数据序列sd并输出。详细而言，类别数据生成器20决定基于各传感器数据序列xd包含的传感器值将各传感器数据序列xd按时间分割而成的多个区间、和示出各区间包含的传感器值的时间变化的类型的各区间的类别。并且，类别数据生成器20针对多个传感器数据序列xd中的每一个生成分别示出该传感器数据序列xd的各区间及各类别的多个类别数据序列sd。
在类别数据序列sd中，与传感器数据序列xd同样地，d是用于识别多个循环作业中的每一个的编号，是从1到D的整数。在此，类别数据序列sd＝{sd，1，sd，2，…，sd，m，…，sd，M(d)}。M(d)是将传感器数据序列xd分割而成的区间的个数。m是用于识别分割得到的多个区间中的每一个的编号，是从1到M(d)的整数。sd，m是将传感器数据序列xd分割而成的第m个区间中的类别数据序列的要素，sd，m＝{ad，m，bd，m，cd，m}。ad，m是将传感器数据序列xd分割而成的第m个区间的开始编号，bd，m是将传感器数据序列xd分割而成的第m个区间的长度，cd，m是对将传感器数据序列xd分割而成的第m个区间进行分类得到的类别编号。通过使用类别数据序列sd，m＝{ad，m，bd，m，cd，m}，从而能够例如将传感器数据序列xd分割而成的第m个区间包含的时序的传感器值xd，m表示为xd，m＝{xd(ad，m)，xd(ad，m+1)，…，xd(ad，m+bd，m-1)}。即，传感器数据序列xd＝{xd，1，xd，2，…，xd，M(d)}，将传感器数据序列xd分割而成的最初的区间的开始编号ad，1＝1，将传感器数据序列xd分割而成的最后的区间的开始编号ad，M(d)＝N(d)-bd，M(d)+1。
如上所述，本实施方式的类别数据生成器20具备第一分类器21、类别数据存储装置32、标准图案生成器22、第二分类器23及类别数据评价器24。接着，说明类别数据生成器20的各构成要素。
首先，说明本实施方式的第一分类器21。第一分类器21针对多个传感器数据序列xd中的每一个算出类别数据序列sd的初始值，并存储于类别数据存储装置32。详细而言，第一分类器21将多个传感器数据序列xd中的每一个分割为多个区间，所述多个区间是个数与类别的个数J相等的区间并具有尽可能彼此相等的长度。即，将传感器数据序列xd分割而成的区间的个数M(d)＝J。另外，第一分类器21针对多个传感器数据序列xd中的每一个，基于各区间的时间顺序，将分割该传感器数据序列xd而成的多个区间分类为多个类别中的任一个。例如，向分割得到的第m个区间分配类别编号cd，m＝m的类别。因此，在本实施方式中，第一分类器21利用这些区间及类别生成类别数据序列的初始值。
图7是用于说明利用本实施方式的第一分类器21生成的类别数据序列的数据结构的图。图7示出基于在D＝4次的循环作业中取得的传感器数据序列生成的类别数据序列的初始值。另外，类别的个数J＝6，各传感器数据序列xd分割为尽可能彼此相等的长度的6个区间。图8是用时序图示出图7所示的类别数据序列的图。在图8的各段(a)～(d)中，与图6同样地，横轴是在循环作业d中时序的传感器值被输出的编号n，分别包含数字“1”～“6”的矩形表示将传感器数据序列xd分割而成的各区间[ad，m，ad，m+bd，m-1]。另外，记载于各区间的数字“1”～“6”表示对各区间分类得到的类别编号cd，m。由于第一分类器21将传感器数据序列xd分割为尽可能彼此相等的长度的6个区间，所以在各段(a)～(d)的图中包含6个矩形。另外，由于向分割而成的第m个区间分配类别编号cd，m＝m的类别，所以记载于各区间的类别编号依次成为“1”，“2”，…，“6”。
第一分类器21通过按这种方式生成类别数据序列的初始值，从而能够高精度地推定类别数据序列，并在短时间内使推定处理结束。
接着，说明本实施方式的标准图案生成器22。标准图案分别示出各区间包含的传感器值的标准时间变化，与多个类别中的一个对应。标准图案生成器22基于多个传感器数据序列xd和存储于类别数据存储装置32的多个类别数据序列sd，生成与多个类别j分别对应的多个标准图案gj。在此，j是用于识别多个类别的编号，是从1到J的整数。J是上述类别的个数，即标准图案的个数。
在本实施方式中，标准图案生成器22通过使用高斯过程回归，从而生成标准图案gj作为由各时刻的传感器值的高斯分布构成的集合。此时，标准图案gj作为被分类到类别j的区间中的传感器值的高斯分布的参数被求出。标准图案gj＝{gj(1)，gj(2)，…，gj(L)}。gj(i)是被分类到类别j的区间中的第i个传感器值的高斯分布的参数，gj(i)＝{μj(i)，σj 2(i)}。在此，μj(i)是高斯分布的平均值，σj 2(i)是高斯分布的方差。另外，L是标准图案的长度，即表示将传感器数据序列分割而成的各区间包含的传感器值的个数的最大值。
更具体地说明本实施方式的标准图案gj。如上所述，μj(i)是被分类到类别j的区间中的第i个传感器值的高斯分布的平均值。与传感器值同样地，μj(i)是二维的值。另外，σj 2(i)是被分类到类别j的区间中的第i个传感器值的高斯分布的方差。在本实施方式中，假定传感器值的高斯分布的方差在任意的维度中都相同，因此，σj 2(i)是一维的值。
能够使用根据类别数据序列被分类到类别j的区间中的传感器值的集合Xj和根据类别数据序列被分类到类别j的区间中传感器值被输出的编号的集合Ij，推定标准图案gj。在此，Xj＝{Xj(1)，Xj(2)，…，Xj(N2j)}，Ij＝{Ij(1)，Ij(2)，…，Ij(N2j)}。例如，Xj(1)是在被分类到类别j的区间中第Ij(1)个输出的传感器值。另外，N2j是集合Xj及Ij包含的要素的个数。即，N2j是将D个传感器数据序列分割而成的区间中的、分类到类别j的区间包含的传感器值的个数之和。在本实施方式中，利用式(1)及式(2)推定标准图案gj(i)＝{μj(i)，σj 2(i)}。在此，β是规定的参数，E表示单位矩阵。另外，Kj是利用式(3)计算的矩阵，vj，i是利用式(4)计算的矢量。另外，k是核函数，能够利用式(5)所示的高斯核。θ0、θ1、θ2、θ3是核函数k中的规定的参数。
[数学式1]
μj(i)＝vj，i T(Kj+β-1E)-1Xj
……式(1)
[数学式2]
Figure BDA0002770235300000101
[数学式3]
Figure BDA0002770235300000111
[数学式4]
Figure BDA0002770235300000112
[数学式5]
Figure BDA0002770235300000113
图9是用于说明利用本实施方式的标准图案生成器22生成的标准图案的数据结构的图。在图9的例子中，类别的个数J＝6。如上所述，j是用于识别类别的编号。另外，在图9的例子中，标准图案的长度L＝30。图10是用时序图示出图9所示的标准图案的图。在图10(a)～(l)中，横轴是被分类到各类别j的区间中的传感器值的编号i。纵轴是被分类到类别j的区间中的传感器值的高斯分布的平均值及方差。如上所述，与传感器值同样地，高斯分布的平均值是二维的值。另外，假定高斯分布的方差在任意的维度中都成为相同，因此是一维的值。
通过生成具有规定的方差的标准图案，从而能够高精度地推定类别数据序列。
接着，说明本实施方式的第二分类器23。第二分类器23使用利用标准图案生成器22生成的多个标准图案gj，针对多个传感器数据序列xd中的每一个生成类别数据序列sd。在本实施方式中，通过使用Forward filtering-Backward sampling(FF-BS：前向滤波-后向采样)，从而将传感器数据序列分割为多个区间，并将分割得到的区间中的每一个的时序的传感器值分类到多个类别中的任一个。FF-BS由FF步骤的概率计算和BS步骤的分割及分类这两个步骤构成。
首先，说明FF步骤。在FF步骤中，使用式(6)，计算从与类别j对应的标准图案的第i个高斯分布gj(i)生成传感器数据序列xd中的第n个传感器值xd(n)的概率P(xd(n)|Xj，Ij)作为高斯分布Normal。另外，在从已经分割了第1个至第n-i个区间的传感器数据序列xd进一步分割第n个区间时，使用式(7)，计算第n个区间的类别为j的概率αd[n][i][j]。此时，P(j|j')是类别转移概率，利用式(8)计算。另外，N3j'，j是在全部传感器数据序列中将传感器数据序列分割而成的第m个区间分类到类别j'并且第m+1个区间分类到类别j的次数。另外，N4j'是对分割传感器数据序列而成的区间进行分类得到的类别成为j的次数。γ是规定的参数。式(7)是递推式，能够从n＝1到n＝N(d)依次计算概率αd[n][i][j]。
[数学式6]
Figure BDA0002770235300000122
[数学式7]
Figure BDA0002770235300000121
[数学式8]
P(j|j′)＝(N3j′，j+γ)/(N4j′+Jγ)
……式(8)
接着，说明BS步骤。在BS步骤中，对于将传感器数据序列xd分割而成的区间，使用式(9)对类别数据序列进行取样。在式(9)中，第1行的bd，m'及cd，m'是从右边的概率分布得到的随机变量，第2行是变量ad，m'的递推式。根据式(9)，能够从m'＝1到m'＝M2(d)依次生成类别数据序列sd，m'＝{ad，m'，bd，m'，cd，m'}。在此，M2(d)是利用式(9)将传感器数据序列xd分割而成的区间的个数。另外，sd，m'是将传感器数据序列xd分割而成的从后面起第m'个区间中的类别数据序列。在式(9)中，从传感器数据序列xd的后方起依次计算将传感器数据序列xd分割而成的区间中的类别数据序列。即，将传感器数据序列xd分割而成的第m个区间中的类别数据序列sd，m＝{ad，m，bd，m，cd，m}＝{ad，M2(d)-m+1，bd，M2(d)-m+1，cd，M2(d)-m+1}。
[数学式9]
Figure BDA0002770235300000131
图11是用于说明利用本实施方式的第二分类器23生成的类别数据序列的数据结构的图。图11示出基于多个标准图案，根据在D＝4次的循环作业中取得的传感器数据序列生成的类别数据序列。另外，类别的个数J＝6。图12是用时序图示出图11所示的类别数据序列的图。在图12的各段(a)～(d)中，与图6同样地，横轴是在循环作业d中时序的传感器值被输出的编号n，分别包含数字“1”～“6”的矩形表示将传感器数据序列xd分割而成的各区间[ad，m，ad，m+bd，m-1]。另外，记载于各区间的数字“1”～“6”表示对各区间分类得到的类别编号cd，m。在图12的例子中，根据利用第一分类器21生成的类别数据序列的初始值(参照图7及图8)更新各区间的范围，例如传感器数据序列x4分割为M2(4)＝7个区间。另外，各区间的类别也根据初始值更新。
接着，说明本实施方式的类别数据评价器24。类别数据评价器24基于规定的评价基准，对利用第二分类器23生成的各类别数据序列进行评价。类别数据评价器24在利用第二分类器23生成的各类别数据序列不满足评价基准时，用利用第二分类器23生成的各类别数据序列更新存储在类别数据存储装置32中的各类别数据序列。另一方面，类别数据评价器24在利用第二分类器23生成的各类别数据序列满足评价基准时，向后述的类别数据链接器40输出利用第二分类器23生成的各类别数据序列。
在本实施方式中，类别数据评价器24例如对存储在类别数据存储装置32中的各类别数据序列和利用第二分类器23生成的各类别数据序列进行比较，并算出类似度，所述类似度示出在这些类别数据序列之间各时刻的类别的值一致的比例。在该情况下，类别数据评价器24可以在类似度超过预先决定的阈值(例如90％)时，决定为利用第二分类器23生成的各类别数据序列满足评价基准。作为代替，类别数据评价器24可以在利用类别数据评价器24进行的评价的次数超过规定的阈值时，决定为利用第二分类器23生成的各类别数据序列满足评价基准。
类别数据生成器20按以上方式反复进行利用标准图案生成器22生成标准图案、利用第二分类器23生成类别数据序列、利用类别数据评价器更新存储于类别数据存储装置32的类别数据序列，直到利用第二分类器23生成的类别数据序列满足规定的评价基准。类别数据生成器20在利用第二分类器23生成的类别数据序列满足评价基准时，输出类别数据序列并结束动作。
类别数据生成器20通过使用上述评价基准(类似度或评价的次数)，从而能够在适当的次数使反复处理结束并缩短其处理时间。
换句话说，类别数据生成器20使用多个传感器数据序列进行机器学习，以满足规定的评价基准的方式生成多个标准图案，使用生成的多个标准图案生成类别数据序列。
此外，将从类别数据生成器20输出的类别数据序列称为“第一类别数据序列”。另外，将存储于类别数据存储装置32的类别数据序列称为“第二类别数据序列”。此外，将在第二分类器23中生成的类别数据序列称为“第三类别数据序列”。
接着，说明本实施方式的类别数据链接器40。类别数据链接器40基于利用类别数据生成器20生成的多个类别数据序列，生成将在多个类别数据序列间具有相同的类别且相互对应的区间相互关联而成的链接数据值。类别数据链接器40例如通过对多个类别编号的系列{c1，1，c1，2，…，c1，M2(1)}，{c2，1，c2，2，…，c2，M2(2)}，…，{cD，1，cD，2，…，cD，M2(D)}使用多序列比对(例如参照非专利文献1)等多维的弹性匹配方法，从而生成链接数据值。即，类别数据链接器40基于各循环作业中的区间的顺序和分类而成的类别，将对应的区间相互关联。
图13是用于说明利用本实施方式的类别数据链接器生成的链接数据值的数据结构的图。图13排列示出图11所示的利用第二分类器23生成的类别数据序列sd，m和利用类别数据链接器40生成的链接数据值ld，m。另外，图14是用时序图示出图13所示的链接数据值的图。在图14的各段(a)～(d)中，与图6同样地，横轴是在循环作业d中时序的传感器值被输出的编号n，分别包含数字“1”～“7”的矩形表示将传感器数据序列xd分割而成的各区间[ad，m，ad，m+bd，m-1]。另外，记载于各区间的数字“1”～“7”表示链接数据值ld，m。
接着，说明本实施方式的判定器50。判定器50按利用链接数据值相互关联(即，具有相同的链接数据值)的多个区间算出各区间的特性值。判定器50算出计数值cntd，m和变动系数cvd，m作为各区间的特性值，所述计数值cntd，m示出利用链接数据值相互关联的多个区间的个数，所述变动系数cvd，m示出多个区间的长度的变动(偏差)。例如能够通过被分配同一链接数据值的区间的长度的集合的标准偏差除以这些区间的长度的平均值从而算出变动系数cvd，m。并且，判定器50能够基于按相互关联的多个区间算出的特性值，算出判定数据，所述判定数据示出判定了是否需要改善各区间中的作业主体的动作而得到的结果。判定器50基于计数值cntd，m和变动系数cvd，m，使用式(10)算出判定数据rd，m。在此，cntth和cvth是规定的阈值。
[数学式10]
Figure BDA0002770235300000151
在此，改善目标A是判定了在多次的循环作业中相互关联的区间较少的区间、即在一系列动作之中进行了非稳定的动作的区间的标签。另外，改善目标B是判定了在多次的循环作业中相互关联的区间的长度不成为恒定的区间、即不能稳定实施的作业的区间的标签。当存在具有低于阈值cntth的计数值的区间时，判定器50判定为需要改善该区间中的作业主体的动作。另外，当存在具有超过阈值cvth的变动系数的区间时，判定器50判定为需要改善该区间中的作业主体的动作。
图15是用于说明利用本实施方式的判定器50算出的特性值及判定数据的数据结构的图。参照图15，按链接数据值ld，m重新排序地示出利用第二分类器23生成的类别数据序列sd，m、利用类别数据链接器40算出的链接数据值ld，m、作为利用判定器50算出的特性值的计数值cntd，m及变动系数cvd，m以及判定数据rd，m。在图15的例子中，判定器50在式(10)中设定阈值cntth＝2，cvth＝0.15，判定是否需要改善作业主体的动作。
参照图15，例如，由于仅一个链接数据值l4，4具有值“4”，所以与链接数据值“4”关联的区间的计数值为cnt4，4＝1<cntth。因此，判定器50使用式(10)算出判定数据r4，4＝“改善目标A”。
另外，由于4个链接数据值{l1，4，l2，4，l3，4，l4，5}具有值“5”，所以与链接数据值“4”关联的区间的计数值为cnt1，4＝cnt2，4＝cnt3，4＝cnt4，4＝4>cntth。另外，与链接数据值“4”关联的区间的长度为{b1，4，b2，4，b3，4，b4，5}＝{22，17，16，24}，并具有平均值19.750及标准偏差3.862，所以其变动系数为cv1，4＝cv2，4＝cv3，4＝cv4，5＝0.196>cvth。因此，判定器50使用式(10)算出判定数据r1，4、r2，4、r3，4、r4，5＝“改善目标B”。
另外，由于4个链接数据值{l1，1，l2，1，l3，1，l4，1}具有值“1”，所以与链接数据值“1”关联的区间的计数值为cnt1，1＝cnt2，1＝cnt3，1＝cnt4，1＝4>cntth。另外，与链接数据值“1”关联的区间的长度为{b1，1，b2，1，b3，1，b4，1}＝{6，5，5，5}，并具有平均值5.25及标准偏差0.5，所以其变动系数为cv1，1＝cv2，1＝cv3，1＝cv4，1＝0.095<cvth。因此，判定器50使用式(10)算出判定数据r1，1，r2，1，r3，1，r4，1＝“正常”。
图16是用时序图示出图15所示的判定数据的图。图16示出对应的判定数据rd，m的内容代替记载于图14的各区间的表示链接数据值ld，m的数字“1”～“7”。由于判定数据r4，4作为“改善目标A”算出，所以在对应的区间[a4，4，a4，4+b4，4-1]中记载为“改善目标A”。另外，由于判定数据r1，4、r2，4、r3，4、r4，5作为“改善目标B”算出，所以在对应的区间[a1，4，a1，4+b1，4-1]、[a2，4，a2，4+b2，4-1]、[a3，4，a3，4+b3，4-1]、[a4，5，a4，5+b4，5-1]中记载为“改善目标B”。
在此，在图12中，在循环作业d＝1～3中的类别编号的系列中，仅第5个区间分类到类别编号5。与此相对，在循环作业d＝4中的类别编号的系列中，第4个和第6个区间分类到类别编号5。即，作业主体在循环作业d＝4中弄错作业的步骤，实施了两次通常仅实施一次的要素作业(被检测到与类别编号5的标准图案类似的传感器数据序列的要素作业)。在该状况下，各循环作业包含的区间的个数不同，另外，在一个循环作业中有分类到同一类别的多个区间。这样，由于在多个循环作业间对应的区间不明确，所以在现有技术中，认为不能按区间算出特性值。与此相对，在本实施方式的作业分析装置1中，通过类别数据链接器40算出将在多个循环间相互对应的区间相互关联而成的链接数据值，从而判定器50能够算出相互正确地关联的区间的特性值。
并且，判定器50向设置于作业分析装置1的外部的显示装置3输出作为判定结果的算出的特性值和判定数据。显示装置3是显示判定结果的液晶显示装置等图像形成装置。也可以具备存储判定结果的存储装置、发送判定结果的通信装置等代替显示装置3。本实施方式的作业分析装置1按以上方式动作。
并且，参照流程图说明本实施方式的作业分析装置1的动作。
图17是示出本实施方式的作业分析装置1的动作的流程图。首先，在步骤S101中，传感器数据输入装置10基于从传感器2输出的传感器值，针对多个循环作业取得传感器数据序列。接着，在步骤S102中，传感器数据存储装置31存储在步骤S101中取得的多个传感器数据序列。
接着，在步骤S103中，第一分类器21基于在步骤S102中存储于传感器数据存储装置31的多个传感器数据序列，生成多个类别数据序列的初始值。接着，在步骤S104中，类别数据存储装置32存储多个类别数据序列。接着，在步骤S105中，标准图案生成器22基于在步骤S102中存储于传感器数据存储装置的多个传感器数据序列、在步骤S104中存储于类别数据存储装置的多个类别数据序列，生成多个标准图案。接着，在步骤S106中，第二分类器23基于在步骤S102中存储于传感器数据存储装置的多个传感器数据序列、在步骤S105中生成的多个标准图案，生成多个类别数据序列。接着，在步骤S107中，类别数据评价器24以规定的评价基准对在步骤S106中生成的多个类别数据序列进行评价。在步骤S107中，在各类别数据序列不满足评价基准的情况下，作业分析装置1的动作返回步骤S104。另一方面，在步骤S107中，在各类别数据序列满足评价基准的情况下，作业分析装置1的动作进入步骤S108。
接着，在步骤S108中，类别数据链接器40基于在步骤S107中满足评价基准的多个类别数据序列，生成将类别数据序列间的对应的区间相互关联的链接数据值。接着，在步骤S109中，判定器50基于在步骤S108中生成的链接数据值，生成相互关联的多个区间中的每一个区间的特性值、判定数据。
当步骤S109结束时，作业分析装置1的动作结束。作业分析装置1按以上方式动作。
接着，说明实现本实施方式的作业分析装置1的硬件结构。作业分析装置1中的传感器数据输入装置10、第一分类器21、标准图案生成器22、第二分类器23、类别数据评价器24、类别数据链接器40及判定器50的各功能可以利用处理电路实现。处理电路可以是专用的硬件装置，也可以是执行存储在存储器中的程序的CPU(也称为Central ProcessingUnit、中央处理装置、处理装置、运算装置、微处理器、微型计算机、处理器、Digital SignalProcessor(数字信号处理器))等通用装置。另外，传感器数据存储装置31及类别数据存储装置32的各功能可以利用存储器实现。
在处理电路为专用的硬件装置的情况下，处理电路例如可以是单一电路、复合电路、程序化的处理器、并联程序化的处理器、ASIC(Application Specific IntegratedCircuit：专用集成电路)、FPGA(Field Programmable Gate Array：现场可编程门阵列)或将它们组合而成的电路。可以独立地用处理电路实现传感器数据输入装置10、第一分类器21、标准图案生成器22、第二分类器23、类别数据评价器24、类别数据链接器40及判定器50的各部分的功能，也可以将各部分的功能汇总地用处理电路实现。
在处理电路为CPU的情况下，传感器数据输入装置10、第一分类器21、标准图案生成器22、第二分类器23、类别数据评价器24、类别数据链接器40及判定器50的各功能可以利用软件、固件或者软件与固件的组合实现。软件和/或固件记载为程序，存储于存储器。处理电路通过读出并执行存储在存储器中的程序，从而实现各部分的功能。这些程序可以使计算机执行传感器数据输入装置10、第一分类器21、标准图案生成器22、第二分类器23、类别数据评价器24、类别数据链接器40及判定器50的动作的步骤和/或方法。在此，存储器例如可以是RAM(Random Access Memory：随机存储器)、ROM(Read Only Memory：只读存储器)、闪存、EPROM(Erasable Programmable ROM：可擦可编程只读存储器)、EEPROM(Electrically Erasable Programmable ROM：带电可擦可编程只读存储器)等非易失性或易失性的半导体存储器、磁盘、软盘、光盘、高密度磁盘、微盘或DVD(Digital VersatileDisc：数字多功能光盘)等。
此外，关于传感器数据输入装置10、第一分类器21、标准图案生成器22、第二分类器23、类别数据评价器24、类别数据链接器40及判定器50的各功能，可以用专用的硬件装置实现一部分，用软件或固件实现另一部分。例如，可以是，用作为专用的硬件装置的处理电路实现传感器数据输入装置10的功能，通过处理电路读出并执行存储在存储器中的程序从而实现第一分类器21、标准图案生成器22、第二分类器23、类别数据评价器24、类别数据链接器40及判定器50的各功能。
图18是示出本实施方式的作业分析装置1的硬件结构的一例的图。图18示出处理电路1001为专用的硬件装置的情况下的例子。在图18的例子中，传感器数据输入装置10、第一分类器21、标准图案生成器22、第二分类器23、类别数据评价器24、类别数据链接器40及判定器50的各功能用处理电路1001实现。另外，传感器数据存储装置31及类别数据存储装置32的各功能利用存储器1002实现。处理电路1001经由数据总线1003与存储器1002连接。
另外，图19是示出本实施方式的作业分析装置1的硬件结构的另一例的图。图19示出处理电路为CPU的情况下的硬件结构的例子。在图19的例子中，传感器数据输入装置10、第一分类器21、标准图案生成器22、第二分类器23、类别数据评价器24、类别数据链接器40及判定器50的各功能通过处理器1004执行储存于存储器1005的程序从而实现。另外，传感器数据存储装置31及类别数据存储装置32的各功能利用存储器1002实现。处理器1004经由数据总线1003而与存储器1002及存储器1005连接。
此外，在实施方式2的作业分析装置中，也能够用与实施方式1的作业分析装置1同样的硬件结构实现。
如以上那样，根据本实施方式的作业分析装置1，不需要预先设计模板及标准作业时间等，另外，在作业主体弄错作业的步骤的情况下，也能够仅基于从作为分析对象的作业检测到的传感器数据算出每个要素作业的特性值，并且判定需要改善的区间。
另外，根据本实施方式的作业分析装置1，由于无需存储预先设计的模板及标准作业时间等，所以能够削减需要的存储器区域。并且，由于不需要预先设计模板及标准作业时间所需的计算时间，所以具有能够使作业分析的事前的计算处理高速化的效果。
实施方式2.
作业主体实施了作业的结果是，有时会产生改善模式。改善模式是由于作业制造不良的产品、作业时间过长等各循环作业中的需要改善的事项的总称。作为改善模式，例如有“忘记拧紧螺钉”、“超过循环时间”等。在产生了“忘记拧紧螺钉”的循环作业中，有可能相对于通常的作业跳过了必要的作业。另外，在发生了“超过循环时间”的情况下，有可能相对于通常的作业实施了不需要的作业。本实施方式的作业分析装置通过用户输入改善模式，从而算出每个改善模式的作业的差异作为特性值。由此，其目的在于，能够容易地确定成为改善模式的原因的区间。
图20是示出本实施方式的作业分析装置1A的结构的一例的图。本实施方式的作业分析装置1A在如下点与实施方式1的作业分析装置1不同：用户判定作业的结果并输入作为作业的结果产生的改善模式，并确定包含成为该改善模式的原因的需要改善的动作的区间。
在本实施方式的作业分析装置1A连接有模式输入装置4。另外，作业分析装置1A与实施方式1的作业分析装置1相比，判定器50A的动作的一部分不同。结果，本实施方式的作业分析装置1A能够容易地确定包含成为改善模式的原因的需要改善的动作的区间。以下，以与实施方式1的作业分析装置1的差异为中心进行说明。
首先，说明本实施方式的模式输入装置4。模式输入装置4取得用户输入，该用户输入示出作为多次的循环作业中的每一次的结果产生的改善模式mdd。在本实施方式中，模式输入装置4取得用户输入作为改善模式，该用户输入示出与作业花费的循环时间相关的“通常”或“超过”。模式输入装置4由键盘或触摸面板、存储卡读取装置等能够从外部输入信息的装置构成。作为另一例，模式输入装置4可以取得示出与产品的质量相关的“良”或“不良”的用户输入作为改善模式。
接着，说明本实施方式的判定器50A。判定器50A基于从模式输入装置4输入的改善模式mdd、利用类别数据链接器40生成的链接数据值ld，m，算出每个相互关联的区间的特性值，并且将包含需要改善的动作的区间判定为判定数据，所述动作在产生了同一改善模式的循环作业中是共同的。
图21是用于说明利用本实施方式的类别数据链接器40生成的链接数据值的数据结构的图。图21排列示出根据在D＝5次的循环作业中取得的传感器数据序列，利用第二分类器23生成的类别数据序列sd，m和利用类别数据链接器40生成的链接数据值ld，m。图22是用时序图示出图21所示的链接数据值的图。参照图22，横轴是在循环作业d中时序的传感器值被输出的编号n，是传感器数据序列xd中的传感器值xd(n)的编号n，分别包含数字“1”～“8”的矩形表示将传感器数据序列xd分割而成的区间[ad，m，ad，m+bd，m-1]。另外，记载于各区间的数字“1”～“8”表示链接数据值ld，m。
判定器50A算出计数值cnt2d，m作为每个基于链接数据值ld，m相互关联的区间的特性值，所述计数值cnt2d，m是改善模式mdd＝“通常”且被分配同一链接编号的多个区间的个数。判定器50A进一步基于计数值cnt2d，m，使用式(11)算出判定数据r2d，m。在此，cnt2th是规定的阈值。
[数学式11]
Figure BDA0002770235300000221
在此，改善目标C是判定了在被输入改善模式“超过”的循环作业中特征性的区间、即在一系列动作之中进行了成为产生“超过”的原因的动作的区间的标签。
图23是用于说明利用本实施方式的判定器50A算出的特性值及判定数据的数据结构的图。在图23中，按链接数据值ld，m重新排序地示出利用第二分类器23生成的类别数据序列sd，m、利用类别数据链接器40生成的链接数据值ld，m、利用判定器50A算出的计数值cnt2d，m及判定数据r2d，m。在图23的例子中，判定器50A在式(11)中设定阈值cnt2th＝0，判定是否需要改善作业主体的动作。
参照图23，例如，两个链接数据值{l4，4，l5，4}具有值“4”。由于与之对应的改善模式md4和md5均为“超过”，所以计数值cnt24，4＝cnt25，4＝0≤cnt2th。因此，判定器50A使用式(11)算出判定数据r24，4＝r25，4＝“改善目标C”。
另外，仅一个链接数据值{l2，7}具有值“8”。由于与之对应的改善模式md2为“通常”，所以计数值cnt22，7＝1>cnt2th。因此，判定器50A使用式(11)算出判定数据r22，7＝“正常”。
图24是用时序图示出图23所示的判定数据的图。图24示出对应的判定数据r2d，m的内容代替记载于图22的各区间的表示链接数据值ld，m的数字“1”～“8”。由于判定数据r24，4、r25，4作为“改善目标C”算出，所以在对应的区间[a4，4，a4，4+b4，4-1]、[a5，4，a5，4+b5，4-1]中记载为“改善目标C”。
判定器50A还向设置于作业分析装置1A的外部的显示装置3输出作为判定结果的判定数据。显示装置3是显示判定数据的液晶显示装置等图像形成装置。也可以具备存储判定结果的存储装置、发送判定结果的通信装置等代替显示装置3。本实施方式的作业分析装置1A按以上方式动作。
如以上那样，根据本实施方式的作业分析装置1A，仅根据对作业主体的作业检测到的数据和作为作业的结果产生的改善模式，能够容易地确定成为改善模式的原因的作业的区间，而无需预先设计模板及标准作业时间等。
此外，在本实施方式中，作为改善模式，设定了与循环作业花费的循环时间相关的“通常”或“超过”等，但除此以外也可以设定与实施循环作业的作业主体相关的“初学者”或“熟练者”等。即，在作业主体为初学者的情况下、和作业主体为熟练者的情况下，作业花费的时间、产品的质量等产生不同。为了提高生产性，迅速地提高初学者的熟练度是重要的，因此，需要具体地示出在初学者的作业中需要改善的动作。在本实施方式的作业分析装置1A中，如上所述，能够算出输入的改善模式间的差异作为特性值。因此，通过输入“初学者”或“熟练者”作为改善模式，从而能够容易地确定产生“初学者”与“熟练者”的差异的区间。另外，在本实施方式的判定器50A中，算出计数值作为特性值，但不限于此，例如能够通过算出变动系数，从而容易地确定由于改善模式而不能稳定实施(产生偏差)的区间。
变形例.
此外，本发明的各实施方式能够应用于作业主体为人以外的情况。例如，在应用于对于外部环境使控制适应性地变化的作业机器人等控制内容不明的机械动作的情况下，可认为分析者对于循环作业的改善模式经常难以确定其主要原因，所以本发明的应用是有效的。
本发明的实施方式的标准图案生成器生成标准图案作为由各时刻的传感器值的高斯分布构成的集合，但也可以使用其他适当的概率分布代替高斯分布。
传感器数据输入装置可以具备能够拆装的存储介质的读取装置代替与传感器连接。由此，传感器数据输入装置可以从存储介质读出过去测定的传感器数据序列代替取得利用传感器检测出的实时的传感器数据序列。
产业上的可利用性
本发明能够应用于分析作业的作业分析装置，所述作业由通过规定的作业主体实施的一系列的多个动作构成。
附图标记的说明
1、1A作业分析装置，2传感器，3显示装置，4模式输入装置，10传感器数据输入装置，20类别数据生成器，21第一分类器，22标准图案生成器，23第二分类器，24类别数据评价器，31传感器数据存储装置，32类别数据存储装置，40类别数据链接器，50、50A判定器，100作业主体，101作业主体的左手，102作业主体的右手，1001处理电路，1002、1005存储器，1003数据总线，1004处理器。

Claims (11)

1.一种作业分析装置，其分析作业，所述作业由通过规定的作业主体实施的一系列的多个动作构成，其中，所述作业分析装置具备：
传感器数据输入装置，所述传感器数据输入装置取得多个传感器数据序列，所述传感器数据序列表示通过由传感器检测所述作业主体的作业而生成的时序的传感器值，在所述作业主体多次反复地实施所述作业时与各反复对应地生成所述多个传感器数据序列；
类别数据生成器，所述类别数据生成器决定基于各所述传感器数据序列包含的所述传感器值将各所述传感器数据序列按时间分割而成的多个区间、和表示各所述区间包含的所述传感器值的时间变化的类型的各所述区间的类别，并针对所述多个传感器数据序列中的每一个，生成多个第一类别数据序列，所述多个第一类别数据序列分别表示该传感器数据序列的各所述区间及各所述类别；
类别数据链接器，所述类别数据链接器基于所述多个第一类别数据序列，将在所述多个第一类别数据序列之间具有相同的类别而相互对应的各所述区间相互关联；以及
判定器，所述判定器算出利用所述类别数据链接器相互关联的各所述区间的特性值。
2.根据权利要求1所述的作业分析装置，其中，
所述类别数据生成器基于所述多个传感器数据序列，生成多个标准图案，所述多个标准图案分别表示各所述区间包含的所述传感器值的标准时间变化并与多个所述类别分别对应，
所述类别数据生成器使用所述多个标准图案生成所述多个第一类别数据序列。
3.根据权利要求2所述的作业分析装置，其中，
所述类别数据生成器使用所述多个传感器数据序列进行机器学习，以满足规定的评价基准的方式生成所述多个标准图案。
4.根据权利要求2所述的作业分析装置，其中，
所述类别数据生成器具备：
第一分类器，所述第一分类器针对所述多个传感器数据序列中的每一个，生成分别表示该传感器数据序列的各所述区间及各所述类别的多个第二类别数据序列的初始值；
标准图案生成器，所述标准图案生成器基于所述多个传感器数据序列及所述多个第二类别数据序列生成所述多个标准图案；
第二分类器，所述第二分类器使用所述多个标准图案，针对所述多个传感器数据序列中的每一个，生成分别表示该传感器数据序列的各所述区间及各所述类别的多个第三类别数据序列；以及
类别数据评价器，所述类别数据评价器在各所述第三类别数据序列不满足规定的评价基准时利用各所述第三类别数据序列更新各所述第二类别数据序列，另一方面，在各所述第三类别数据序列满足所述评价基准时生成各所述第三类别数据序列作为各所述第一类别数据序列，
所述类别数据生成器反复进行利用所述标准图案生成器生成所述多个标准图案、利用所述第二分类器生成各所述第三类别数据序列、并利用所述类别数据评价器更新各所述第二类别数据序列，直到各所述第三类别数据序列满足所述评价基准。
5.根据权利要求4所述的作业分析装置，其中，
所述第一分类器将所述多个传感器数据序列中的每一个分割为个数与所述类别的个数相等且具有彼此相等的长度的多个区间，
所述第一分类器针对所述多个传感器数据序列中的每一个，基于各所述区间的时间顺序，将分割该传感器数据序列而得到的多个区间分类为多个所述类别中的任一个，
由此，生成所述多个第二类别数据序列的初始值。
6.根据权利要求4或5所述的作业分析装置，其中，
所述类别数据评价器算出各所述第三类别数据序列与各所述第二类别数据序列的类似度，在所述类似度超过第一阈值时，决定为各所述第三类别数据序列满足所述规定的评价基准。
7.根据权利要求2～6中任一项所述的作业分析装置，其中，
所述类别数据生成器生成各所述标准图案作为各时刻的所述传感器值的概率分布。
8.根据权利要求1～7中任一项所述的作业分析装置，其中，
所述判定器基于各所述区间的特性值，判定是否需要改善各所述区间中的所述作业主体的动作。
9.根据权利要求8所述的作业分析装置，其中，
所述判定器算出计数值作为各所述区间的特性值，所述计数值表示利用所述类别数据链接器相互关联的所述区间的个数，
当存在具有低于第二阈值的所述计数值的区间时，所述判定器判定为需要改善该区间中的所述作业主体的动作。
10.根据权利要求8或9所述的作业分析装置，其中，
所述判定器算出变动系数作为各所述区间的特性值，所述变动系数表示利用所述类别数据链接器相互关联的各所述区间的长度的变动，
当存在具有超过第三阈值的所述变动系数的区间时，所述判定器判定为需要改善该区间中的所述作业主体的动作。
11.根据权利要求1～10中任一项所述的作业分析装置，其中，
所述作业分析装置具备输入所述作业的模式的模式输入装置，
所述判定器基于利用所述类别数据链接器相互关联的各所述区间和所述模式，算出各所述区间的特性值。
CN201880093331.0A 2018-05-31 2018-05-31 作业分析装置 Pending CN112136087A (zh)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/021006 WO2019229943A1 (ja) 2018-05-31 2018-05-31 作業分析装置

Publications (1)

Publication Number Publication Date
CN112136087A true CN112136087A (zh) 2020-12-25

Family

ID=68698743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880093331.0A Pending CN112136087A (zh) 2018-05-31 2018-05-31 作业分析装置

Country Status (5)

Country Link
US (1) US11599083B2 (zh)
JP (1) JP6779413B2 (zh)
CN (1) CN112136087A (zh)
DE (1) DE112018007522T5 (zh)
WO (1) WO2019229943A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021131806A (ja) * 2020-02-21 2021-09-09 オムロン株式会社 行動解析装置及び行動解析方法
JP7383152B2 (ja) 2020-06-18 2023-11-17 三菱電機株式会社 作業支援装置および作業支援方法

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004318273A (ja) * 2003-04-11 2004-11-11 Canon System Solutions Inc データ分析装置及びその制御方法、並びにコンピュータプログラム及びコンピュータ可読記憶媒体
JP2006338373A (ja) * 2005-06-02 2006-12-14 Toshiba Corp 多変数時系列データ分析装置、方法およびプログラム
EP2172820A1 (de) * 2008-10-06 2010-04-07 Basf Se Verfahren und System zur automatisierten Analyse von Prozessdaten
CN101909510A (zh) * 2008-01-08 2010-12-08 奥林巴斯株式会社 图像处理装置以及图像处理程序
US20120109637A1 (en) * 2010-11-01 2012-05-03 Yahoo! Inc. Extracting rich temporal context for business entities and events
JP2012221432A (ja) * 2011-04-13 2012-11-12 Toyota Motor East Japan Inc トレーシングシステム及びトレーシングシステム設定処理用プログラム
JP2013175108A (ja) * 2012-02-27 2013-09-05 Mitsubishi Electric Corp クラスタリング装置及びクラスタリングプログラム
CN104216349A (zh) * 2013-05-31 2014-12-17 三星Sds株式会社 利用制造设备的传感器数据的成品率分析系统及方法
CN104216941A (zh) * 2013-05-31 2014-12-17 三星Sds株式会社 数据分析装置和方法
CN105320269A (zh) * 2014-06-30 2016-02-10 卡西欧计算机株式会社 数据解析装置及数据解析方法
JP2017156978A (ja) * 2016-03-02 2017-09-07 株式会社日立製作所 作業動作認識システム
JP2017167878A (ja) * 2016-03-17 2017-09-21 国立研究開発法人産業技術総合研究所 行動分析システムおよびプログラム
JP2018019278A (ja) * 2016-07-28 2018-02-01 キヤノン株式会社 情報処理装置、情報処理方法、およびプログラム
US20180060729A1 (en) * 2016-09-01 2018-03-01 International Business Machines Corporation Apparatus and method for learning a model corresponding to time-series input data
CN107851097A (zh) * 2015-03-31 2018-03-27 株式会社Ｆｒｏｎｔｅｏ 数据分析系统、数据分析方法、数据分析程序及存储介质
JP2018081523A (ja) * 2016-11-17 2018-05-24 株式会社日立製作所 設備診断装置及び設備診断方法

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009157770A (ja) 2007-12-27 2009-07-16 Toshiba Corp 行動判定装置、行動判定方法および行動判定プログラム
JP5525202B2 (ja) 2009-07-30 2014-06-18 株式会社構造計画研究所 動作分析装置、動作分析方法及び動作分析プログラム
JP2015197847A (ja) 2014-04-02 2015-11-09 富士電機株式会社 作業分析システム、作業分析方法、及び作業分析プログラム
WO2017037839A1 (ja) * 2015-08-31 2017-03-09 株式会社日立製作所 情報処理装置及び情報処理方法
US10768076B1 (en) * 2016-09-30 2020-09-08 Sight Machine, Inc. System and method for monitoring manufacturing
JP6571741B2 (ja) 2017-11-29 2019-09-04 ファナック株式会社 作業者管理装置
DE102017221501A1 (de) 2017-11-30 2019-06-06 Bayerische Motoren Werke Aktiengesellschaft Vorrichtung zur automatischen Ermittlung von Zeitdaten für die Montage eines Produkts
US11763170B2 (en) * 2018-02-05 2023-09-19 Sony Group Corporation Method and system for predicting discrete sequences using deep context tree weighting

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004318273A (ja) * 2003-04-11 2004-11-11 Canon System Solutions Inc データ分析装置及びその制御方法、並びにコンピュータプログラム及びコンピュータ可読記憶媒体
JP2006338373A (ja) * 2005-06-02 2006-12-14 Toshiba Corp 多変数時系列データ分析装置、方法およびプログラム
CN101909510A (zh) * 2008-01-08 2010-12-08 奥林巴斯株式会社 图像处理装置以及图像处理程序
EP2172820A1 (de) * 2008-10-06 2010-04-07 Basf Se Verfahren und System zur automatisierten Analyse von Prozessdaten
US20120109637A1 (en) * 2010-11-01 2012-05-03 Yahoo! Inc. Extracting rich temporal context for business entities and events
JP2012221432A (ja) * 2011-04-13 2012-11-12 Toyota Motor East Japan Inc トレーシングシステム及びトレーシングシステム設定処理用プログラム
JP2013175108A (ja) * 2012-02-27 2013-09-05 Mitsubishi Electric Corp クラスタリング装置及びクラスタリングプログラム
CN104216941A (zh) * 2013-05-31 2014-12-17 三星Sds株式会社 数据分析装置和方法
CN104216349A (zh) * 2013-05-31 2014-12-17 三星Sds株式会社 利用制造设备的传感器数据的成品率分析系统及方法
CN105320269A (zh) * 2014-06-30 2016-02-10 卡西欧计算机株式会社 数据解析装置及数据解析方法
CN107851097A (zh) * 2015-03-31 2018-03-27 株式会社Ｆｒｏｎｔｅｏ 数据分析系统、数据分析方法、数据分析程序及存储介质
JP2017156978A (ja) * 2016-03-02 2017-09-07 株式会社日立製作所 作業動作認識システム
JP2017167878A (ja) * 2016-03-17 2017-09-21 国立研究開発法人産業技術総合研究所 行動分析システムおよびプログラム
JP2018019278A (ja) * 2016-07-28 2018-02-01 キヤノン株式会社 情報処理装置、情報処理方法、およびプログラム
US20180060729A1 (en) * 2016-09-01 2018-03-01 International Business Machines Corporation Apparatus and method for learning a model corresponding to time-series input data
JP2018081523A (ja) * 2016-11-17 2018-05-24 株式会社日立製作所 設備診断装置及び設備診断方法

Also Published As

Publication number Publication date
US20210080925A1 (en) 2021-03-18
DE112018007522T5 (de) 2021-01-14
JPWO2019229943A1 (ja) 2020-10-01
JP6779413B2 (ja) 2020-11-04
WO2019229943A1 (ja) 2019-12-05
US11599083B2 (en) 2023-03-07

Similar Documents

Publication Publication Date Title
JP5772821B2 (ja) 顔特徴点位置補正装置、顔特徴点位置補正方法および顔特徴点位置補正プログラム
US11631230B2 (en) Method, device, system and computer-program product for setting lighting condition and storage medium
JP6584250B2 (ja) 画像分類方法、分類器の構成方法および画像分類装置
JP6688962B2 (ja) 判定装置、判定方法、および判定プログラム
US8542912B2 (en) Determining the uniqueness of a model for machine vision
JP2018026122A5 (zh)
US11461584B2 (en) Discrimination device and machine learning method
JP2017102906A (ja) 情報処理装置、情報処理方法及びプログラム
JP2020198092A (ja) 教師なし異常検出及び高次元センサデータの多数決投票による原因説明のための方法及びシステム
CN112136087A (zh) 作业分析装置
JP2018106618A (ja) 画像データ分類装置、オブジェクト検出装置及びこれらのプログラム
CN112652071A (zh) 外轮廓点标注方法、装置、电子设备和可读存储介质
CN113424119A (zh) 作业效率评价方法、作业效率评价装置以及程序
CN113554645B (zh) 基于wgan的工业异常检测方法和装置
US11928591B2 (en) Information processing apparatus and information processing method
US9483827B2 (en) Method of object orientation detection
CN113706580B (zh) 一种基于相关滤波跟踪器的目标跟踪方法、系统、设备及介质
CN115398442A (zh) 用于评估传感器测量值的设备和自动化方法和该设备的应用
US20230075705A1 (en) Work support device and work support method
CN110658199A (zh) 检查结果提示装置、检查结果提示方法及存储介质
JP7099296B2 (ja) 評価方法、システム構築方法、及び評価システム
Skocaj et al. Incremental approach to robust learning of eigenspaces
WO2024048639A1 (ja) 方法、学習モデル評価システム、及びプログラム
JPH10206442A (ja) 時系列画像動き信頼度計測方法および装置
CN117274635A (zh) 图像标注方法、装置、电子设备及计算机可读存储介质

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