CN114556385A - 信息处理装置以及信息处理方法 - Google Patents

信息处理装置以及信息处理方法 Download PDF

Info

Publication number
CN114556385A
CN114556385A CN202080071279.6A CN202080071279A CN114556385A CN 114556385 A CN114556385 A CN 114556385A CN 202080071279 A CN202080071279 A CN 202080071279A CN 114556385 A CN114556385 A CN 114556385A
Authority
CN
China
Prior art keywords
simulation
job
sample data
information processing
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.)
Pending
Application number
CN202080071279.6A
Other languages
English (en)
Inventor
宇都木契
永田真斗
荒宏视
石桥尚也
守屋俊夫
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.)
Hitachi Ltd
Original Assignee
Hitachi Ltd
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 Hitachi Ltd filed Critical Hitachi Ltd
Publication of CN114556385A publication Critical patent/CN114556385A/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] or computer integrated manufacturing [CIM]
    • G05B19/41885—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] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1656—Programme controls characterised by programming, planning systems for manipulators
    • B25J9/1671—Programme controls characterised by programming, planning systems for manipulators characterised by simulation, either to verify existing program or to create and verify new program, CAD/CAM oriented, graphic oriented programming systems
    • 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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J13/00—Controls for manipulators
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/1653—Programme controls characterised by the control loop parameters identification, estimation, stiffness, accuracy, error analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F9/00—Arrangements for program control, e.g. control units
    • G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
    • G06F9/46—Multiprogramming arrangements
    • G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Robotics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Manufacturing & Machinery (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Evolutionary Computation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Automation & Control Theory (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)
  • Manipulator (AREA)

Abstract

本发明高效且高精度地进行针对通过具有分层结构的多个工序进行的作业的指标的预测。信息处理装置将包含通过执行基于针对下位工序设定的下位模型的下位模拟而生成的指标的样本数据与表示各个作业的参数对应起来进行存储，针对预测的作业，使用与表示预测作业的参数类似的参数所对应的样本数据来进行基于针对上位工序设定的上位模型的上位模拟，由此预测指标。在没有存储与表示预测作业的参数类似的参数所对应的样本数据的情况下，信息处理装置进行下位模拟来补充样本数据，使用补充后的样本数据来进行上位模拟。

Description

信息处理装置以及信息处理方法
技术领域
本发明涉及信息处理装置以及信息处理方法，特别涉及进行工序的模拟的技术。
背景技术
本申请主张基于2019年10月11日申请的日本专利申请2019-187444号的优先权，引用其公开整体并引入到本申请中。
在专利文献1中公开了一种以解决无法同步多个模拟器分别执行的模拟的问题为目标而构成的模拟器协作装置。模拟器协作装置从用户接受周期性地执行模拟的采样间隔，从第一模拟器取得第一模拟器的采样间隔量的第一执行结果，从针对被控制装置的第二模拟器取得采样间隔量的第二执行结果，将第一执行结果输出到第二模拟器，将第二执行结果输出到第一模拟器，使第一模拟器以及第二模拟器分别以采样间隔周期性地执行模拟，由此谋求解决上述课题。
现有技术文献
专利文献
专利文献1：日本特开2018-36945号公报
发明内容
发明所要解决的课题
关于通过具有分层结构的多个工序进行的作业，作为通过模拟来求出与作业效率等相关的指标的预测的方法，存在基于使用了针对上位工序设定的模型即上位模型的模拟(以下，称为“上位模拟”)的方法、以及基于使用了针对构成上位工序的下位工序的每一个而设定的模型即下位模型的模拟(以下，称为“下位模拟”)的方法。
在此，在上位模拟的情况下，处理负荷较小，能够迅速地得到结果，但无法期待较高的预测精度。另一方面，在下位模拟的情况下，与上位模拟相比，预测精度变高，但处理负荷大，直到得到结果为止的时间也变长。
上述专利文献1公开了使多个模拟器协作的方法，但在通过具有分层结构的多个工序进行的作业的模拟中，对于用于实现精度的提高、处理负荷的降低的结构，没有任何公开。
本发明是鉴于这样的背景而完成的，其目的在于提供一种能够高效且高精度地进行针对通过具有分层结构的多个工序进行的作业的指标的预测的信息处理装置以及信息处理方法。
用于解决课题的手段
用于实现上述目的的本发明之一是一种信息处理装置，其预测通过具有分层结构的多个工序进行作业时的指标，其中，所述信息处理装置执行如下处理：针对所述作业，将包含通过执行下位模拟而生成的指标的数据即样本数据与表示各个所述作业的参数对应起来进行存储，其中，所述下位模拟是基于下位模型的模拟，该下位模型是针对下位的所述工序即下位工序而设定的模型；以及针对预测的作业即预测作业，使用与表示所述预测作业的参数类似的参数所对应的所述样本数据来进行上位模拟，由此预测针对所述预测作业的指标，其中，所述上位模拟是基于上位模型的模拟，该上位模型是针对上位的所述工序即上位工序而设定的模型。
此外，本申请所公开的课题及其解决方法通过用于实施发明的方式的栏以及附图而变得明确。
发明效果
根据本发明，能够高效且高精度地进行针对通过具有分层结构的多个工序进行的作业的指标的预测。
附图说明
图1是通过具有分层结构的多个工序进行的作业的例子。
图2是表示预测装置的硬件结构的图。
图3是表示预测装置所具备的主要功能的图。
图4是作业信息的一例。
图5是设备信息的一例。
图6是作业者信息的一例。
图7是参数生成信息的一例。
图8的(a)是参数的一例，(b)是样本数据的一例。
图9是工序作业栈表的一例。
图10是虚拟工序进展表的一例。
图11是说明参数的每个要素的变化率的计算方法的流程图。
图12的(a)是机器人模拟器所显示的画面的例子，(b)是人工作业模拟器所显示的画面的例子。
图13的(a)是在执行RPA脚本时使用的画面信息的一例，(b)是用于自动执行模拟器的RPA脚本的一例。
图14是说明预测处理的流程图。
图15是预测结果提示画面的一例。
图16是作业信息的一例(第二实施方式)。
图17是参数的一例(第二实施方式)。
图18是说明预测处理的流程图(第二实施方式)。
图19是虚拟空间模型的一例(第三实施方式)。
图20是搬运机器人控制系统的一例(第三实施方式)。
图21是三维模拟影像的一例(第三实施方式)。
图22是参数的一例(第三实施方式)。
具体实施方式
以下，参照附图对实施方式进行说明。在以下的说明中，有时通过对具有相同或类似的功能的结构标注相同的符号而省略重复的说明。另外，在以下的说明中，在符号之前标注的“S”的字符意味着处理步骤。
[第一实施方式]
图1是通过具有分层结构的多个工序进行的作业(例如，仓库业务中的作业、产品制造业务中的作业等)的例子。如该图所示，例示的作业包括上位工序31(A1、A2、A3)和构成上位工序31的下位工序32(在该图中仅例示上位工序A1的下位工序32(A11、A12、A13))。各工序的输出经由缓冲器35(货物、产品的保管区域等)被输入到后续的工序。
在该图所示的作业中，例如，作为通过模拟来求出作业效率、作业品质、利润率等各种指标(KPI：Key Performance Indicator)的预测值的方法，有基于使用了针对上位工序31设定的模型即上位模型的模拟(以下，称为“上位模拟”)的方法、以及基于使用了针对构成上位工序31的下位工序32的每一个设定的模型即下位模型的模拟(以下，称为“下位模拟”)的方法。
例如，考虑求出将通过公知的作业量预测方法预测的作业(以下，称为“预测作业”)输入到上位工序31时的所需时间作为预测值的情况。在该情况下，在上位模拟中，例如，通过进行将预测作业的作业量除以平均处理数、平均生产数等估算处理的上位模型来求出上述所用时间。另一方面，在下位模拟中，例如，如果是人成为作业主体的情况，则将“作业的总量”、“参与的作业人数”、“阻碍作业那样的停滞因素的发生率”、“作业者的熟练度”、“疲劳引起的集中力降低”等设定为参数，另外，如果是机器人等机械成为作业主体的情况，则将“作业对象物的识别处理时间”、“识别成功率”等分别设定为参数，并输入到由机器学习模型等构成的下位模型，由此求出上述所用时间。
在此，在上位模拟的情况下，与后者的下位模拟的情况相比，不需要设定具有不定性的细致的参数，另外，由于处理负荷小，因此具有能够迅速地得到结果等优点。另一方面，在下位模拟的情况下，能够期待精度的提高，但通过处理详细的参数，处理容易变重，与上位模拟的情况相比，到得到结果为止的时间也变长。另外，对于无法确定的参数，需要通过由默认值、随机值求出的平均值、方差值等进行补充，导致精度的降低、处理负荷的增大。
因此，在以下所示的实施方式中，将针对所输入的各种作业实际测量出的数据(以下，称为“实测数据”)、通过下位模拟生成的数据(以下，称为“样本数据”)与表示作业特征的参数(特征量)对应起来进行存储，在存储有与表示预测作业的参数类似的参数所对应的样本数据的情况下，利用该样本数据进行上位模拟，由此求出针对上位工序31的预测值。
另外，在未存储与表示预测作业的参数类似的参数所对应的样本数据的情况下，通过对该上位工序31的下位工序32进行下位模拟来生成补充样本数据的数据(作为样本数据而追加的数据，以下称为“补充数据”)，使用样本数据和补充数据(或者仅补充数据)进行上位模拟，由此求出针对上位工序31的预测值。
这样，在存储有与表示预测作业的参数类似的参数所对应的样本数据的情况下，利用样本数据进行上位模拟，在未存储与表示预测作业的参数类似的参数所对应的样本数据的情况下，通过下位模拟生成需要的补充数据并进行上位模拟，由此能够高效且高精度地求出预测值。以下，以作业是仓库业务中的作业的情况为例进行说明。
图2示出了用于实现上述机制的信息处理装置(以下称为“预测装置100”)的硬件结构。如该图所示，预测装置100具备处理器11、主存储装置12、辅助存储装置13、输入装置14、输出装置15以及通信装置16。此外，预测装置100例如也可以如通过云系统(CloudSystem)提供的云服务器(Cloud Server)那样使用虚拟的信息处理资源来实现。另外，预测装置100也可以使用具有该图所示的结构的多个信息处理装置来构成。
处理器11例如使用CPU(Central Processing Unit：中央处理单元)、MPU(MicroProcessing Unit：微处理机)、GPU(Graphics Processing Unit：图形处理器)、FPGA(FieldProgrammable Gate Array：现场可编程门阵列)、ASIC(Application SpecificIntegrated Circuit：专用集成电路)、AI(Artificial Intelligence：人工智能)芯片等构成。
主存储装置12是存储程序、数据的装置，例如是ROM(Read Only Memory：只读存储器)、RAM(Random Access Memory：随机存取存储器)、非易失性存储器(NVRAM(NonVolatile RAM))等。
辅助存储装置13例如是SSD(Solid State Drive：固态驱动器)、硬盘驱动器、光学式存储装置(CD(Compact Disc：光盘)、DVD(Digital Versatile Disc：数字多功能光盘)等)、存储系统、IC卡、SD卡、光学式记录介质等记录介质的读取/写入装置、云服务器的存储区域等。在辅助存储装置13中，能够经由记录介质的读取装置、通信装置16读入程序、数据。存储在辅助存储装置13中的程序和数据随时被读入到主存储装置12中。
输入装置14是接受来自外部的输入的接口，例如是键盘、鼠标、触摸面板、读卡器、声音输入装置等。
输出装置15是输出处理经过、处理结果等各种信息的接口。输出装置15例如是使上述各种信息可视化的显示装置(液晶监视器、LCD(Liquid Crystal Display：液晶显示器)、图形卡等)、使上述各种信息声音化的装置(声音输出装置(扬声器等))、使上述各种信息文字化的装置(打印装置等)。此外，例如，预测装置100也可以构成为经由通信装置16在与其他装置之间进行信息的输入、输出。
通信装置16是实现与其他装置之间的通信的装置。通信装置16是实现经由通信网络的与其他装置(例如，在进行工序的现场设置的信息处理装置、用户终端(智能手机、平板电脑、便携电话机等))之间的通信的有线方式或者无线方式的通信接口，例如是NIC(Network Interface Card：网络接口卡)、无线通信模块(BLE模块、WiFi模块等)、USB模块、串行通信模块等。
预测装置100所具备的功能通过处理器11读出并执行存储于主存储装置12的程序，或者通过构成各自的硬件(FPGA、ASIC、AI芯片等)来实现。预测装置100可以包括例如操作系统、设备驱动器、文件系统、DBMS(DataBase Management System：数据库管理系统)(关系数据库、NoSQL等)等。
图3示出了预测装置100的主要功能。如该图所示，预测装置100具备存储部110、作业预测部130、设备信息管理部132、作业者信息管理部133、参数生成信息管理部134、参数生成部135、样本数据管理部140、预测处理部150以及进展管理部160的各功能。
存储部110存储上位模型信息111、下位模型信息112、作业信息113、设备信息114、作业者信息115、参数生成信息116、参数117、样本数据118、补充数据119、虚拟工序进展表121以及工序作业栈表120的各信息(数据)。存储部110例如存储这些信息作为DBMS提供的数据库的表、文件系统提供的文件。
上位模型信息111包含定义上位模型的数据(例如，进行线性预测的计算式、机器学习模型的定义信息)。上位模型针对作业预测部130所生成(预测)的作业，进行将参数生成部135所生成的参数117作为输入的上位模拟，由此输出预测值。
下位模型信息112包含定义下位模型的数据(例如，进行线性预测的计算式、机器学习模型的定义信息)。下位模型针对作业预测部130所生成的作业，将参数生成部135所生成的参数117、前级的下位模拟的输出作为输入进行下位模拟，由此输出预测值等结果。
作业信息113包含与作业预测部130预测出的预测作业相关的信息(预测作业的种类、作业量等)。
设备信息114是由设备信息管理部132管理的信息，包含与在实施工序的作业的现场存在的设备有关的信息。设备信息114被参数生成部135、补充数据生成部170参照。
作业者信息115是由作业者信息管理部133管理的数据，包含与实施工序的作业的作业者有关的信息。作业者信息115被参数生成部135、补充数据生成部170参照。
参数生成信息116是由参数生成信息管理部134管理的信息，包含与参数117的生成方法有关的信息。参数生成信息116在参数生成部135生成参数117时被参照。
参数117是基于作业信息113、设备信息114、作业者信息115以及参数生成信息116生成的、表示预测作业的特征的信息(特征量)，例如以矢量形式表现。参数117在执行模拟(上位模拟、下位模拟)时被输入到模型(上位模型、下位模型)。
样本数据118是由样本数据管理部140管理的信息，包含表示工序的指标的信息。样本数据118是基于在工序的各种状况下实测的信息、通过下位模拟得到的信息而生成的。
补充数据119是补充在上位模拟中在实施中不足的样本数据118的数据，由后述的补充数据生成部153生成。
虚拟工序进展表121是由进展管理部160管理的信息，包含与基于由预测处理部150生成的预测值的虚拟的工序的进展状况相关的信息。
工序作业栈表120是由进展管理部160管理的信息，包含与每个作业的虚拟的进展状况相关的信息。
作业预测部130通过公知的作业量预测方法预测向工序输入的作业(作业的种类、作业量等)，生成作业信息113。
图4表示作业信息113的一例。如该图所示，例示的作业信息113由一个以上的条目(记录)构成，该一个以上的条目(记录)由作业ID1131、品目1132、数量1133、重量1134、容积1135、最大长度1136、是否需要考虑上下1137、有无价格标注作业1138、检查作业形式1139、以及是否需要个别捆包1140的各项目构成。
在作业ID1131中设定作为作业的识别符的作业ID。在品目1132中，设定表示在该作业中处理的品目的信息(在本例中为品目名)。在数量1133中设定在该作业中处理的该品目的数量。在重量1134中设定每1个该品目的重量。在容积1135中设定每1个该品目的容积。在最大长度1136中设定该品目的最大长度。在是否需要考虑上下1137中，设定表示在该品目的处理时是否需要考虑使该品目的上下不颠倒的信息(在本例中，在需要的情况下为“○”，在不需要的情况下为“×”)。在有无价格标注作业1138中，设定表示在该品目的作业时是否需要标注价格的信息(在本例中，在需要的情况下为“○”，在不需要的情况下为“×”)。在检查作业形式1139中设定表示该商品的检查作业的形式的信息。在是否需要个别捆包1140中，设定表示该商品是否为个别包装对象的信息(在本例中，在需要的情况下为“○”，在不需要的情况下为“×”)。
返回到图3，设备信息管理部132对设备信息114进行管理。另外，作业者信息管理部133管理作业者信息115。此外，参数生成信息管理部134管理参数生成信息116。设备信息114、作业者信息115例如可以经由输入装置14输入，也可以经由通信装置16从进行工序的现场等自动取得。
参数生成部135参照作业信息113、设备信息114和作业者信息115中的至少任一个、以及参数生成信息116来生成参数117。
图5表示设备信息114的一例。例示的设备信息114是设备为货物整理机器人等作业机器人的情况下的例子。如该图所示，例示的设备信息114由一个以上的条目(记录)构成，该一个以上的条目(记录)具有设备ID1141、机械臂垂直移动最大速度1142、机械臂水平移动最大速度1143、识别模块平均性能值1144以及硬件性能劣化裕度1145的各项目。
在设备ID1141中设定作为设备的识别符的设备ID。机械臂垂直移动最大速度1142中，设定该设备所具备的机械臂的垂直移动最大速度。在机械臂水平移动最大速度1143中，设定该设备所具备的机械臂的水平移动最大速度。在识别模块平均性能值1144中，设定该设备所具备的物体识别装置取得在输送机中流动的物体的特征所需的平均时间。在硬件性能劣化裕度1145中，设定表示设备所具备的硬件(例如，电动机)的使用界限(劣化裕度)的信息。
图6表示作业者信息115的一例。在作业者信息115中，管理与在进行工序的现场进行作业的作业者相关的实时信息。如该图所示，例示的作业者信息115由一个以上的条目(记录)构成，该一个以上的条目(记录)具有商品特征量1151、环境特征量1152、作业内容1153、经验期间1154、所需时间1155以及连续从事时间1156的各项目。
在商品特征量1151中，设定表示作业者处理的商品的特征的信息(在本例中为要素z1～z3的组合)。在环境特征量1152中，设定表示作业者的作业环境的信息(在本例中为输送商品的输送机的长度)。在作业内容1153中，设定表示作业者进行的作业的内容的信息。在经验期间1154中，设定对进行该作业的作业者设想的该作业的经验期间。在所需时间1155中，设定作业者进行该作业所需的时间。在连续从事时间1156中，设定作业者能够连续从事该作业的上限时间。
图7表示参数生成信息116的一例。(a)是利用设备(机器人)进行工序作业的情况下的参数生成信息116，(b)是作业者进行工序作业的情况下的参数生成信息116。如该图所示，参数生成信息116由具有参数ID1161、取得目的地1162、利用项目1163以及计算式1164的各项目的一个以上的条目(记录)构成。
在参数ID1161中，设定作为参数(特征量)的标识符的参数ID。在取得目的地1162中，设定表示在该参数的计算中使用的信息(项目)的取得目的地的信息(“作业信息”(取得目的地为作业信息113的情况)、“设备信息”(取得目的地为设备信息114的情况)、“作业者信息”(取得目的地为作业者信息115的情况)等)。在利用项目1163中，设定确定从取得目的地取得的一个以上的项目的信息。在计算式1164中，设定用于求出该参数的计算式。
参数生成部135基于以上例示的作业信息113、设备信息114以及作业者信息115中的至少任一个和参数生成信息116，将例如以从作业信息113取得的参数即品目数(品目1132的种类的数量)、重量1134、最大长度1136、是否需要考虑上下1137、从设备信息114取得的能力或性能(机械臂垂直移动最大速度1142、机械臂水平移动最大速度1143、识别模块平均性能值1144以及硬件性能劣化裕度1145)等为要素的特征向量生成为参数117。
图8的(a)表示参数117的一例。例示的参数117由具有数据ID1171以及参数要素1172的各项目的一个以上的条目(记录)构成。在数据ID1171中，设定作为参数117的标识符的参数ID。在参数要素1172中，设置参数要素z1～z6)。
返回到图3，样本数据管理部145将从进行工序的现场等取得的样本数据作为样本数据118进行管理。
图8的(b)表示样本数据118的一例。例示的样本数据118由具有数据ID1181、参数要素1182、所用时间1183以及参数的每个要素的变化率1184的各项目的一个以上的条目(记录)构成。
在数据ID1181中，设定作为样本数据118的标识符的样本数据ID。在参数要素1182中，设置与样本数据118相对应的参数要素(z1～z6)。另外，参数要素1182成为检索与成为上位模拟的输入的参数117类似的样本数据118时的索引。在所用时间1183中，设定生产率指标(所用时间等)的实测值或下位模拟的结果。在参数的每个要素的变化率1184中，设定参数的每个要素的变化率的计算值。关于参数的每个要素的变化率的计算方法，在后面叙述。另外，补充数据119也具有与样本数据118相同的结构。
返回到图3，预测处理部150通过执行模拟(上位模拟、下位模拟)求出与作业的生产率有关的指标即预测值。预测处理部150在存储有与表示预测作业的参数117类似的参数所对应的样本数据118的情况下，通过使用该样本数据118进行上位模拟来求出关于上位工序31的预测值。
另外，预测处理部150在未存储与表示预测作业的参数117类似的参数所对应的样本数据118的情况下，通过对该上位工序31的下位工序32进行下位模拟来生成补充数据119，通过使用样本数据118和所生成的补充数据119(或者仅使用所生成的补充数据119)进行上位模拟来求出针对上位工序31的预测值。
如该图所示，预测处理部150包括样本数据提取部151、是否补充判定部152、补充数据生成部153以及预测值计算部154。
样本数据提取部151从存储部110所存储的样本数据118中提取与表示想要求出预测值的预测作业的参数117类似的参数所对应的样本数据118。关于样本数据118的提取方法的详细内容在后面叙述。
是否补充判定部152在执行上位模拟时，判定是否存储有与表示预测作业的参数117类似的参数所对应的样本数据118，由此判定是否生成补充数据119。关于是否生成补充数据119的判定方法的详细内容在后面叙述。
补充数据生成部153通过对构成上位工序的下位工序执行下位模拟来生成补充数据119。关于补充数据119的生成方法的详细内容在后面叙述。
预测值计算部154通过进行上位模拟来求出预测值。
返回到图3，进展管理部160基于各上位模拟的执行结果，管理各工序的进展状况。如该图所示，进展管理部160包括作业进展预测部161、作业进展管理部162以及工序进展管理部163。
作业进展预测部161基于上位模拟的执行结果，求出作业的进展量(进展度)。
作业进展管理部162在工序作业栈表120中管理作业的进展状况。
图9表示工序作业栈表120的一例。如该图所示，例示的工序作业栈表120由具有工序ID1201、作业ID1202、进展度1203、所用时间1204、虚拟开始时间1205的各项目的一个以上的条目(记录)构成。在工序ID1201中，设定工序的标识符即工序ID。在作业ID1202中设定作业ID。在进展度1203中设定工序的当前的进展度。在所用时间1204中设定到当前时刻为止该作业所需的时间。在虚拟开始时间1205中设定该作业的模拟上的虚拟的开始时间。另外，本例是模拟上的当前时刻为“上午10：00”时的例子。
图3所示的工序进展管理部163将基于工序作业栈表120的工序的进展状况(完成状况)反映到虚拟工序进展表121中。
图10表示虚拟工序进展表121的一例。例示的虚拟工序进展表121由具有作业ID1211、以及各工序的开始/结束时刻的设定栏1212～1213的各项目的一个以上的条目(记录)构成。在作业ID1211中设定作业ID。在各工序的开始/结束时刻的设定栏1212～1213中分别设定各工序的开始或结束时刻。另外，本例是当前时刻为“上午10：00”时的例子。
<参数的每个要素的变化率的计算方法>
图11是说明图8的(b)的样本数据118中的参数的每个要素的变化率1184的计算处理(以下，称为“参数的每个要素变化率计算处理S1100”)的流程图。以下，基于该图对参数的各要素变化率计算处理S1100进行说明。
样本数据管理部140例如以预测装置100存储了新的样本数据118为契机来执行该处理(S1111：是)。
首先，样本数据管理部140选择参数z的要素zi之一(S1112)，并且使所选择的要素zi微小地变化(z+Δzi)(S1113)。
接着，样本数据管理部140以z+Δzi执行上位模拟来求出预测值yi(S1114)。
接着，样本数据管理部140求出预测值yi相对于原来的预测值y0的变化量Δyi＝yi﹣y0(S1115)。
随后，样本数据管理部140对样本数据118设定预测值yi的变化率(＝Δyi/Δzi)作为变化率dy/dzi(S1116)。
接下来，样本数据管理部140确定是否已经在S1112中选择了所有要素zi(S1117)。如果选择了所有的要素zi(S1117：是)，则该处理结束。如果存在未选择的所有要素zi(S1117：否)，则处理返回到S1112。
<预测值的计算方法的例子>
预测值计算部154例如通过在上位模拟中进行基于下式的线性预测来生成预测值。
Figure BDA0003589339600000121
在上式中，左边的y(z+Δz)是要通过上位模拟求出的生产率的预测值。另外，右边第一项的y(z)是生产率指标的实测值(作业所用时间等)。另外，右边第二项的Δzi是预测作业的参数的每个要素zi 0与样本数据118或补充数据119的参数要素zi之差。右边第二项的偏微分是从样本数据118或补充数据119取得的生产率的每个参数要素zi的变化率(图8的参数的每个要素的变化率1184)。
<是否补充判定部152进行的是否补充的判定方法>
是否补充判定部152基于上位模拟下的预测作业的指标的预测值的变化量相对于与样本数据118对应起来的参数的变化量的大小，来判定是否补充。具体而言，例如，是否补充判定部152基于由下式定义的距离d(z0，z)来判定是否生成补充数据119。
Figure BDA0003589339600000131
Figure BDA0003589339600000132
在上式中，zi 0是预测作业的参数117的要素，zi是与样本数据118对应地存储的参数的要素。
这样，通过针对基于上位模拟的预测作业的指标的预测值的变化量相对于与样本数据118对应起来的参数的变化量的大小来判定是否需要补充，能够提高针对预测作业的指标的预测精度。
是否补充判定部152在距离d(z0，z)小的N个样本数据118存在于预测作业的参数117的附近的情况下，判定为不需要生成补充数据119，另一方面，在不存在的情况下，判定为需要生成补充数据119。具体而言，例如，是否补充判定部152在存在将w设为正的常数并满足下式的样本数据118的情况下，判定为不需要生成补充数据119，在不存在的情况下，判定为需要生成补充数据119。
Figure BDA0003589339600000133
<补充数据的生成方法>
补充数据生成部153生成输入到下位模拟的参数，使用所生成的参数执行下位模拟，由此生成补充数据119。补充数据生成部153例如通过生成按照从与样本数据118相对应的参数掌握的数据分布的随机值，来生成在下位模拟中使用的参数。另外，补充数据生成部153例如在下位工序32的作业主体为作业机器人的情况下，使用所生成的参数，一边参照设备信息114，一边执行模拟作业机器人的作业的模拟器(以下，称为“机器人模拟器”)，由此生成补充数据119。
图12的(a)表示机器人模拟器显示的画面的例子。例示的机器人模拟器例如经由用户接口，设定商品的尺寸、商品的重量、商品表面的摩擦系数、确定商品的形状的数据等作为参数，由此执行模拟，输出与补充数据119相当的信息。此外，通过使用RPA(RoboticProcess Automation：机器人流程自动化)等使从参数的设定到补充数据119的取得为止的一系列的处理自动化，能够使用机器人模拟器高效地生成补充数据119。
另外，补充数据生成部153例如在下位工序32的作业主体为作业者(人)的情况下，使用所生成的参数，补充数据生成部153参照作业者信息115，并执行模拟人的作业的模拟器(以下，称为“人工作业模拟器”)，由此生成补充数据119。
图12的(b)表示人工作业模拟器显示的画面的例子。例示的人工作业模拟器例如经由用户接口，作为参数，而设定用于确定商品的特征(商品的尺寸、商品的重量、商品表面的摩擦系数、商品的形状、包装材料的形状等)、作业环境的特征(输入用作业缓冲器、输入输送机、输出输送机、作业机、输送机操作盘、检查传感器等)、作业者的经验期间、作业内容等的数据等，由此执行模拟，输出相当于补充数据119的信息。此外，通过使用RPA等使从参数的设定到补充数据119的取得为止的一系列的处理自动化，能够使用人工作业模拟器高效地生成补充数据119。
图13表示自动执行模拟器时使用的RPA脚本的一例。(a)是执行RPA脚本时使用的画面信息的一例。另外，(b)是用于自动执行模拟器的RPA脚本的一例。
这样，通过使用现有的模拟器进行下位模拟，能够以低成本且简便地进行下位模拟。另外，通过利用RPA脚本自动执行模拟器，能够高效地进行下位模拟。
<预测处理>
图14是说明预测装置100在生成预测值时进行的处理(以下，称为“预测处理S1400”)的流程图。以下，与该图一起对预测处理S1400进行说明。
如该图所示，预测处理S1400包括成为模拟的对象的每个上位模型、预先设定的每个单位时间、以及由作业预测部130预测的每个作业的循环处理(依次为S1401S～S1401E、S1402S～S1402E、S1403S～S1403E)。此外，在预测处理S1400的开始时刻，通过作业预测部130已经生成了作业信息113。
在上述循环处理中，首先，参数生成部135参照作业信息113、设备信息114以及作业者信息115中的至少任一个、以及参数生成信息116来生成参数117(S1411)。
接着，预测处理部150的样本数据提取部151检索与所生成的参数117相对应的参数类似的样本数据118，是否补充判定部152判定是否能够提取与表示预测作业的参数117类似的参数相对应的样本数据118(S1412)。在能够提取样本数据118的情况下(S1412：是)，预测值计算部154使用提取出的样本数据118进行上位模拟来计算出预测值(S1420)。
另一方面，在无法提取样本数据118的情况下(S1412：否)，参数生成部135生成用于下位模拟的参数(S1415)，补充数据生成部153将所生成的上述参数作为输入进行下位模拟，由此生成并存储补充数据119(S1415、S1416)。然后，预测值计算部154使用所生成的采样数据118和所生成的补充数据119(或者仅生成的补充数据119)进行上位模拟，计算出预测值(S1420)。
接着，进展管理部160的作业进展预测部161基于上位模拟的执行结果，求出作业的进展度(S1430)。
接着，作业进展管理部162将求出的进展度反映到工序作业栈表120中(S1431)。
接着，工序进展管理部163基于工序作业栈表120掌握有无工序的完成，将所掌握的内容反映到虚拟工序进展表121中(S1432)。
<预测结果的提示>
图15是作为预测结果，预测装置100向用户提示的画面(以下，称为“预测结果提示画面1500”)的一例。如该图所示，预测结果提示画面1500将横轴设为参数z的任意要素(z1～z4)，将纵轴设为预测值y的大小，包含绘制了预测值、样本数据、最近邻的样本数据以及补充数据的图表的显示栏1511、用于使用户选择上述图表的横轴的内容的列表框1512、预测值(生产率推定值)的显示栏1513、Δy/y1514的值(相当于式1的右边第二项相对于右边第一项的比)的显示栏1514、上述的w的值(更新阈值)的显示栏1515、手动再计算按钮1516等。
用户通过操作列表框1512，能够选择上述图表的横轴的参数的要素(z1～z4)之一。另外，用户通过操作手动再计算按钮1516，能够使预测装置100再执行基于最新的样本数据118的预测处理S1400。例如，在Δy/y1514的值大于预先设定的阈值的情况下，用户操作手动再计算按钮1516，再执行基于最新的样本数据118的预测处理S1400。
用户通过参照预测结果提示画面1500，能够容易地确认通过预测处理S1400生成的预测值与样本数据或补充数据的关系、在预测处理S1400中使用的各种值。
[第二实施方式]
接着，作为第二实施方式，示出作业是与仓库的经营计划(周次预测计划)相关的作业的情况下的结构例。第二实施方式的预测装置100的基本结构与第一实施方式的预测装置100相同。以下，以与第一实施方式不同的部分为中心进行说明。
图16是第二实施方式的预测装置100的作业预测部130生成的作业信息113的一例。如该图所示，作业预测部130生成仓库的作业计划表作为作业信息113。作业信息113包含表示每日的作业计划的信息。例示的作业信息113包含针对作业、作业总品目数、作业种类数、作业总重量、作业预定人数、结束预定时刻以及利益指标预测的各项目设定的信息。
图17是第二实施方式的预测装置100的参数生成部135生成的参数117的一例。如该图所示，在本例中，按每个作业日1171，生成以作业总品目数、作业种类数、作业总重量、作业预定人数以及作业机器人数为要素(z1～z5)的参数。
图18是说明第二实施方式的预测装置100在生成预测值时进行的处理(以下，称为“预测处理S1800”)的流程图。以下，与该图一起对预测处理S1800进行说明。此外，在预测处理S1800的开始时刻，由作业预测部130已经生成了图16所示的作业信息113。
如该图所示，预测处理S1800包括作业信息113的每个作业日的循环处理(S181S～S181E)。
在上述循环处理中，首先，参数生成部135参照作业信息113、设备信息114以及作业者信息115中的至少任一个、以及参数生成信息116来生成参数117(图17所例示的参数117)(S1811)。
接着，预测处理部150的样本数据提取部151检索与所生成的参数117相对应的参数类似的样本数据118，是否补充判定部152判定是否能够提取与表示预测作业的参数117类似的参数相对应的样本数据118(S1812)。在能够提取样本数据118的情况下(S1812：是)，预测值计算部154通过使用提取出的样本数据118进行上位模拟来求出预测值(在本例中为作业的结束预定时刻、利益指标的预测值)(S1820)。
另一方面，在无法提取样本数据118的情况下(S1812：否)，补充数据生成部153生成用于下位模拟的参数(S1815)，将所生成的参数作为输入进行下位模拟，由此生成并存储补充数据119(S1815、S1816)，使用所生成的样本数据118和所生成的补充数据119(或者仅生成的补充数据119)进行上位模拟来求出预测值(S1820)。
当退出循环处理(S181S～S181E)时，接着，预测值计算部154计算月总利益的预测值(S1830)，并且生成并输出记载了计算出的各预测值(作业的结束预定时刻、利益指标的预测值、月总利益的预测值)的预定期间内的预定表(S1831)。
接着，预测处理部150判定是否从用户接受了确认日的追加输入(S1840)。在接受了追加输入的情况下(S1840：“是”)，将所接受的确认日加入到作业日，进行从S1801S起的处理。在未接受追加输入的情况下(S1840：否)，预测处理S1800结束。
这样，第一实施方式的结构也能够应用于预测仓库的经营计划中的作业的指标的情况，能够高效且高精度地进行与仓库的经营计划相关的作业的指标的预测。
[第三实施方式]
在第三实施方式中，示出将第一实施方式的预测装置100的结构应用于使用自主控制机器人进行与物流业务(检查、分类、捆包等)相关的作业的物流业务系统的应用事例。以下例示的物流业务系统包括：各个机器人自主地进行状况判断而动作的系统(以下，称为“自主行动系统”)；以及对多个机器人指示作业的概要来管理多个机器人的整体动作的系统(以下，称为“协调管理系统”)。
图19是在模拟物流业务系统时使用的作业现场的虚拟空间模型5。如该图所示，虚拟空间模型5包括：将成为作业对象的物品6搬入到作业区域20的、具有多个搬入口21a的搬入装置21；搬运从各搬入口21a搬入作业区域20的物品6的多个搬运机器人RT；对物品6进行作业(检查、分类、捆包等)的多个作业机器人RW；作业机器人RW对物品6进行作业的多个作业台22；搬运物品6的多个输送机BC(将物品6搬运至作业位置的输送机、将作业后的物品6搬出的输送机)；以及对载置于各输送机BC的物品6的数量(作业前的物品6的数量、作业后的物品6的数量)进行计数的多个物品计数装置CT。作业机器人RW能够更换附件A，能够通过更换附件A来变更对物品6进行的作业的种类。附件A的更换需要预定时间。
预测装置100对虚拟空间模型5进行协调管理系统的模拟作为上位模拟。另外，预测装置100对虚拟空间模型5进行自主行动系统的模拟作为下位模拟。例如，预测装置100以基于载置于输送机BC的作业前物品(未处理物品)的数量向搬运机器人RT发出作业指示的算法、基于载置于输送机BC的作业前物品的数量向作业机器人RW发出附件A的更换指示的算法的效率验证为目的，进行上位模拟。另外，例如，预测装置100以搬运机器人RT的碰撞避免的算法、进行作业物体的识别的算法的效率验证为目的，进行下位模拟。
在此，作为下位模拟的作业机器人RW的动作的模拟能够通过与在第一实施方式中说明的使用机器人模拟器的方法(图12的(a)等)同样的方法来进行。另一方面，关于搬运机器人RT的动作的模拟，例如通过以下说明的方法来进行。
图20是作为下位模拟而模拟搬运机器人RT的动作的信息处理系统(以下，称为“搬运机器人控制系统7”)的一例。搬运机器人控制系统7具备第一实施方式的预测装置100的功能。
如该图所示，搬运机器人控制系统7具备模拟处理部71、搬运机器人控制部72以及机器人行动判定部73。作为具有这样的结构的公知的机器人控制系统，例如有基于ROS(Robot Operating System：机器人操作系统)、Issac的机器人控制系统。
模拟处理部71具有对搬运机器人RT的物理行为进行模拟的物理行为模拟部711、生成与搬运机器人RT相关的三维模拟影像的三维影像绘制部712、以及接受来自机器人行动判定部73的控制指示的抽象化API713。此外，模拟处理部71能够取得存在于作业区域20的各搬运机器人RT的动作履历75。
如图20所示，搬运机器人控制部72具有：实际机器人控制部721，其控制实际的搬运机器人RT；传感器装置722(拍摄装置(照相机)、各种传感器)，其设置于搬运机器人RT、作业区域20；以及抽象化API723，其接受来自机器人行动判定部73的控制指示。
机器人行动判定部73基于预先设定的表示业务指示的数据和从模拟处理部71、搬运机器人控制部72输入的传感器数据(由拍摄装置拍摄到的影像数据、图像数据、由各种传感器取得的测量值)，判定搬运机器人RT应该采取的行动，将与判定结果对应的控制指示(电动机(致动器)的控制信号等)输入到模拟处理部71或搬运机器人控制部72。上述的判定例如使用通过基于搬运机器人RT的过去的动作履历等的学习数据而学习到的机器学习模型来进行。此外，图21示出了由三维影像绘制部712生成三维模拟影像作为传感器数据的一例。
上述的机器学习模型根据表示业务指示的数据，使搬运机器人RT移动到搬入装置21的搬入口21a之一来接收物品6，并输出将接收到的物品6搬运到被指示的输送机BC的控制指示。另外，学习机械学习模型，以便在搬运机器人RT有可能与其他搬运机器人RT、障碍物碰撞的情况下，进行动作控制(方向转换、速度调节等)来避免碰撞。此外，上述的动作控制的程度例如能够通过设定发生了碰撞的情况下的惩罚值(penalty value)来进行调节。
模拟处理部71对按照从机器人行动判定部73输入的控制指示来控制搬运机器人RT的情况下的搬运机器人RT的行为进行模拟，并将基于模拟的结果而生成的传感器数据输入到机器人行动判定部73。上述行为例如是控制指示的接收、向搬入装置21的搬入口21a之一的移动、物品6的接收、到搬送目的地的输送机BC的移动、物品6向输送机BC的载置等。模拟处理部71将模拟的结果(日志信息)作为样本数据118进行存储。另外，模拟处理部71计算出搬运机器人RT进行了按照控制指示的行动时的所需时间，生成并存储包含计算出的所需时间的样本数据118。
搬运机器人控制部72按照从机器人行动判定部73输入的控制指示来控制搬运机器人RT。另外，搬运机器人控制部72将传感器数据输入到机器人行动判定部73。
图22是预测装置100的参数生成部135生成的参数117的一例。如该图所示，在本例中，针对每个数据ID2111，生成以搬运源的自动仓库模型的搬出口的识别符、搬运目的地的输送机的识别符、移动中的搬运机器人的总数、输送机(1)的传感器的计数数、输送机(2)的传感器的计数数、输送机(3)的传感器的计数数、朝向输送机(1)移动的搬运机器人的数量、朝向输送机(2)移动的搬运机器人的数量、朝向输送机(3)移动的搬运机器人的数量、从输送机(1)返回的搬运机器人的数量、从输送机(2)返回的搬运机器人的数量、从输送机(3)返回的搬运机器人的数量、向对象的自主体赋予的碰撞惩罚的值(4)、以及对全部机器人赋予的碰撞惩罚的值的平均值为要素(z1～z14)的参数。
此外，关于在执行下位模拟时需要的、关注的搬运机器人RT以外的搬运机器人RT的动作，例如利用过去的搬运机器人RT的动作履历、使用已经实施的模拟的结果而事先保存的行动模式。另外，在有可能发生搬运机器人RT彼此的碰撞的情况下，也可以对有可能发生碰撞的各搬运机器人RT执行模拟。
这样，第一实施方式的结构也能够应用于预测使用自主控制机器人进行与物流业务(检查、分类、捆包等)相关的作业的、包含自主行动系统以及协调管理系统的物流业务系统中的作业指标的情况，由此，能够高效且高精度地进行物流业务系统中的作业指标的预测。
以上，对本发明的一实施方式进行了详细说明，但本发明并不限定于上述的实施方式，当然能够在不脱离其主旨的范围内进行各种变更。例如，上述的实施方式是为了易于理解地说明本发明而详细地进行了说明的实施方式，并不一定限定于具备所说明的全部结构的实施方式。另外，对于上述实施方式的结构的一部分，能够进行其他结构的追加、删除、置换。
另外，上述的各结构、功能部、处理部、处理单元等的一部分或者全部例如也可以通过在集成电路中设计等而由硬件实现。另外，上述的各结构、功能等也可以通过处理器解释并执行实现各个功能的程序而用软件实现。实现各功能的程序、表、文件等信息能够放置在存储器、硬盘、SSD(Solid State Drive：固态硬盘)等记录装置、IC卡、SD卡、DVD等记录介质中。
另外，在各图中，控制线、信息线示出了认为说明上需要的部分，未必示出了安装上的全部控制线、信息线。例如，也可以认为实际上几乎全部的结构相互连接。
另外，以上说明的各信息处理装置的各种功能部、各种处理部、各种数据库的配置方式只不过是一例。从这些装置所具备的硬件、软件的性能、处理效率、通信效率等观点出发，各种功能部、各种处理部、各种数据库的配置方式能够变更为最佳的配置方式。
另外，从资源的高效利用、处理效率提高、访问效率提高、检索效率提高等观点出发，能够灵活地变更上述存储各种数据的数据库的结构(方案(Schema)等)。
符号说明
31上位工序、32下位工序、35缓冲器、100预测装置、110存储部、111上位模型信息、112下位模型信息、113作业信息、114设备信息、115作业者信息、116参数生成信息、117参数、118样本数据、119补充数据、120工序作业栈表、121虚拟工序进展表、130作业预测部、132设备信息管理部、133作业者信息管理部、134参数生成信息管理部、135参数生成部、140样本数据管理部、150预测处理部、151样本数据提取部、152是否补充判定部、153补充数据生成部、154预测值计算部、160进展管理部、161作业进展预测部、162作业进展管理部、163工序进展管理部。

Claims (12)

1.一种信息处理装置，其预测通过具有分层结构的多个工序进行作业时的指标，其特征在于，
所述信息处理装置进行如下处理：
针对所述作业，将包含通过执行下位模拟而生成的指标的数据即样本数据与表示各个所述作业的参数对应起来进行存储，其中，所述下位模拟是基于下位模型的模拟，该下位模型是针对下位的所述工序即下位工序而设定的模型；以及
针对预测的作业即预测作业，使用与表示所述预测作业的参数类似的参数所对应的所述样本数据来进行上位模拟，由此预测针对所述预测作业的指标，其中，所述上位模拟是基于上位模型的模拟，该上位模型是针对上位的所述工序即上位工序而设定的模型。
2.根据权利要求1所述的信息处理装置，其特征在于，
在执行所述上位模拟时，判定是否存储有与表示所述预测作业的参数类似的参数所对应的所述样本数据，
在存储有与表示所述预测作业的参数类似的参数所对应的所述样本数据的情况下，使用该样本数据进行所述上位模拟来求出指标的预测值，
在未存储与表示所述预测作业的参数类似的参数所对应的所述样本数据的情况下，进行构成所述上位工序的所述下位工序的所述下位模拟，由此生成和与表示所述预测作业的参数类似的参数有关的所述样本数据，并使用所生成的所述样本数据进行所述上位模拟，由此求出针对所述预测作业的指标的预测值。
3.根据权利要求2所述的信息处理装置，其特征在于，
根据所述上位模拟中的针对所述预测作业的指标的预测值的变化量相对于所述样本数据的所述参数的变化量的大小，进行所述判定。
4.根据权利要求1至3中的任一项所述的信息处理装置，其特征在于，
使用对进行所述下位工序的作业的机器人的动作进行模拟的模拟器以及对进行所述下位工序的作业的作业者的动作进行模拟的模拟器中的至少任一个来进行所述下位模拟。
5.根据权利要求1至3中的任一项所述的信息处理装置，其特征在于，
所述信息处理装置以能够通信的方式与模拟器连接，其中，该模拟器将经由用户接口接受到的信息作为输入来进行相当于所述下位模拟的处理，
所述信息处理装置执行RPA的脚本，其中，所述RPA是机器人流程自动化，该RPA自动进行将输入到所述下位模型的参数输入到所述模拟器并通过所述模拟器进行模拟而取得该模拟的结果的一系列处理。
6.根据权利要求1至3中的任一项所述的信息处理装置，其特征在于，
所述作业包括使用能够进行自主控制的多个机器人进行的作业，
所述上位模拟是针对作为所述多个机器人的整体的协调动作的模拟，
所述下位模拟是针对所述多个机器人各自的自主动作的模拟。
7.一种信息处理方法，其预测通过具有分层结构的多个工序进行作业时的指标，其特征在于，
所述信息处理方法中，信息处理装置执行如下步骤：
针对所述作业，将包含通过执行下位模拟而生成的指标的数据即样本数据与表示各个所述作业的参数对应起来进行存储，其中，所述下位模拟是基于下位模型的模拟，该下位模型是针对下位的所述工序即下位工序而设定的模型；以及
针对预测的作业即预测作业，使用与表示所述预测作业的参数类似的参数所对应的所述样本数据来进行上位模拟，由此预测针对所述预测作业的指标，其中，所述上位模拟是基于上位模型的模拟，该上位模型是针对上位的所述工序即上位工序而设定的模型。
8.根据权利要求7所述的信息处理方法，其特征在于，
所述信息处理装置还执行如下步骤：
在执行所述上位模拟时，判定是否存储有与表示所述预测作业的参数类似的参数所对应的所述样本数据；
在存储有与表示所述预测作业的参数类似的参数所对应的所述样本数据的情况下，使用该样本数据进行所述上位模拟来求出指标的预测值；以及
在未存储与表示所述预测作业的参数类似的参数所对应的所述样本数据的情况下，进行构成所述上位工序的所述下位工序的所述下位模拟，由此生成和与表示所述预测作业的参数类似的参数有关的所述样本数据，并使用所生成的所述样本数据进行所述上位模拟，由此求出针对所述预测作业的指标的预测值。
9.根据权利要求8所述的信息处理方法，其特征在于，
所述信息处理装置还执行如下步骤：
根据所述上位模拟中的针对所述预测作业的指标的预测值的变化量相对于所述样本数据的所述参数的变化量的大小，进行所述判定。
10.根据权利要求7至9中的任一项所述的信息处理方法，其特征在于，
所述信息处理装置使用对进行所述下位工序的作业的机器人的动作进行模拟的模拟器以及对进行所述下位工序的作业的作业者的动作进行模拟的模拟器中的至少任一个来进行所述下位模拟。
11.根据权利要求7至9中的任一项所述的信息处理方法，其特征在于，
所述信息处理装置以能够通信的方式与模拟器连接，其中，该模拟器将经由用户接口接受到的信息作为输入来进行相当于所述下位模拟的处理，
所述信息处理装置还执行如下步骤：
执行RPA的脚本，其中，所述RPA是机器人流程自动化，该RPA自动进行将输入到所述下位模型的参数输入到所述模拟器并通过所述模拟器进行模拟而取得该模拟的结果的一系列处理。
12.根据权利要求7至9中的任一项所述的信息处理方法，其特征在于，
所述作业包括使用能够进行自主控制的多个机器人进行的作业，
所述上位模拟是针对作为所述多个机器人的整体的协调动作的模拟，
所述下位模拟是针对所述多个机器人各自的自主动作的模拟。
CN202080071279.6A 2019-10-11 2020-09-30 信息处理装置以及信息处理方法 Pending CN114556385A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2019187444A JP7416597B2 (ja) 2019-10-11 2019-10-11 情報処理装置、及び情報処理方法
JP2019-187444 2019-10-11
PCT/JP2020/037219 WO2021070711A1 (ja) 2019-10-11 2020-09-30 情報処理装置、及び情報処理方法

Publications (1)

Publication Number Publication Date
CN114556385A true CN114556385A (zh) 2022-05-27

Family

ID=75437906

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080071279.6A Pending CN114556385A (zh) 2019-10-11 2020-09-30 信息处理装置以及信息处理方法

Country Status (4)

Country Link
US (1) US20230219226A1 (zh)
JP (1) JP7416597B2 (zh)
CN (1) CN114556385A (zh)
WO (1) WO2021070711A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI806545B (zh) * 2022-04-12 2023-06-21 廖文岳 圖形模組化自動加工整合系統

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000317779A (ja) 1999-05-10 2000-11-21 Mitsubishi Heavy Ind Ltd 離散事象のシミュレーションシステム
JP2001356806A (ja) 2000-06-12 2001-12-26 Nippon Telegr & Teleph Corp <Ntt> 分散生産管理装置及び記録媒体
JP2003108220A (ja) 2001-09-28 2003-04-11 Omron Corp 制御プログラム開発支援方法及び装置
JP2012014386A (ja) 2010-06-30 2012-01-19 Canon It Solutions Inc 情報処理装置、情報処理方法、及びコンピュータプログラム
JP2018036945A (ja) 2016-09-01 2018-03-08 オムロン株式会社 シミュレータ連携装置、シミュレータ連携装置の制御方法、情報処理プログラム、および記録媒体

Also Published As

Publication number Publication date
US20230219226A1 (en) 2023-07-13
JP2021064081A (ja) 2021-04-22
JP7416597B2 (ja) 2024-01-17
WO2021070711A1 (ja) 2021-04-15

Similar Documents

Publication Publication Date Title
Wang et al. A proactive material handling method for CPS enabled shop-floor
Ruppert et al. Integration of real-time locating systems into digital twins
US20190138971A1 (en) Automated work chart systems and methods
Bangsow Manufacturing simulation with plant simulation and simtalk: usage and programming with examples and solutions
Prajapat et al. A review of assembly optimisation applications using discrete event simulation
KR20200138071A (ko) 패킹 메커니즘을 구비한 로봇 시스템
US10762468B2 (en) Adaptive process for guiding human-performed inventory tasks
Kokkas et al. An Augmented Reality approach to factory layout design embedding operation simulation
EP2711792A2 (en) Simulation apparatus, simulation method, and simulation program
TW201835821A (zh) 工作計劃最佳化裝置及工作計劃最佳化方法
WO2017168187A1 (en) Method and system for determining optimal positioning of a plurality of robots in a simulated production environment
WO2019167765A1 (ja) シミュレーション装置、方法、及びプログラム
Ojstersek et al. Use of simulation software environments for the purpose of production optimization
JPWO2019077658A1 (ja) 搬送作業制御装置、搬送作業制御方法、及び、搬送作業制御プログラム
Ostroukh et al. Life-cycle approaches in computerized vehicle design and additive technology
CN114556385A (zh) 信息处理装置以及信息处理方法
Vainio et al. Estimating printed circuit board assembly times using neural networks
JP6064038B2 (ja) 配置データの処理装置と処理方法、及び物品の入出庫作業方法
US11977370B2 (en) System and method for minimizing non-productive idle times within an automation process
Daneshjo et al. Software support for optimizing layout solution in lean production
JP6790165B2 (ja) 作業バッチ生成装置及び方法
JP6730091B2 (ja) 積載手順決定装置、および積載手順決定プログラム
Glatt et al. Combining physical simulation and discrete-event material flow simulation
Fredin et al. Holistic methodology using computer simulation for optimisation of machine tools
Ng et al. SFlex-WMS: a novel multi-expert system for flexible logistics and warehouse operation in the context of Industry 4.0

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