DE102018122695A1

DE102018122695A1 - Produktionssystem

Info

Publication number: DE102018122695A1
Application number: DE102018122695.0A
Authority: DE
Inventors: Taketsugu TSUDA; Shuntaro Toda
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2017-09-19
Filing date: 2018-09-17
Publication date: 2019-05-16
Also published as: US20190086980A1; JP6662830B2; JP2019053634A; CN109521734A; US11275421B2

Abstract

Eine Vorhersagevorrichtung eines Produktionssystems weist eine Maschinenlernvorrichtung, die die Beziehung zwischen einer Veränderung in Messdaten, die den Zustand einer Stromversorgung angeben, und einem Fehler, der in der Stromversorgung auftritt, lernt, auf. Die Maschinenlernvorrichtung lernt die Messdaten, die mindestens einen Messwert eines elektrischen Leistungsverbrauchs in einer Fabrik aufweisen, durch Korrelation einer Zustandsvariable, die den aktuellen Zustand einer Umgebung angibt, mit Bewertungsdaten, die eine Fehlerbenachrichtigung, die das Auftreten eines Fehlers angeben, angeben. Eine Steuervorrichtung des Produktionssystems weist einen Empfangsabschnitt, der eine Vorhersagebenachrichtigung über einen Fehler, der in der Stromversorgung auftritt, empfängt, wobei der Fehler basierend auf einer Veränderung in den Messdaten, die den Zustand der Stromversorgung angeben, vorhergesagt wird, und einen Einfahroperation-Steuerabschnitt, der die Arbeitsmaschine dazu veranlasst, in einen sicheren eingefahrenen Zustand überzugehen, wenn die Vorhersagebenachrichtigung empfangen wird, auf.

Description

HINTERGRUND DER ERFINDUNG
Gebiet der Erfindung
Die vorliegende Erfindung betrifft Produktionssysteme, die dazu dienen können, ein Problem zu vermeiden, indem eine Leistungsinstabilität vorhergesagt wird.
Beschreibung der verwandten Technik
An einem Ort oder in einem Bereich, wo Leistungsbedingungen instabil sind, wird ein Produktionssystem manchmal aufgrund eines plötzlichen Spannungsabfalls, einem sofortigen Stromausfall oder dergleichen ohne einen normalen Vorgang abgeschaltet. Dies kann verschiedene Probleme in dem Produktionssystem verursachen. Zum Beispiel treten Probleme bei der Widerherstellung auf, eine Maschine fällt aus oder wird beschädigt, ein Werkstück wird während dem Vorgang defekt oder ein Roboter lässt einen Artikel, den der Roboter hält, fallen.
Als eine Technik des Stands der Technik, die dieses Problem behandelt, ist die offengelegte japanische Patentanmeldung Nr. 07-028572 zu nennen. Die offengelegte japanische Patentanmeldung Nr. 07-028572 beschreibt eine Technik zum Schützen von Daten gegen Verlust, indem eine Ausgabe eines unterbrechungsfreien Stromversorgungssystems zu einem Unterbrechungssignal an eine CPU gemacht wird, wenn eine Unterbrechung einer Stromeingabe erfasst wird, um die CPU dazu zu veranlassen, Daten in einem Speicher zu speichern, für den Fall eines Stromausfalls (eines Abschaltens des unterbrechungsfreien Stromversorgungsystems).
Die Technik, die in der offengelegten japanischen Patentanmeldung Nr. 07-028572 beschrieben ist, benötigt das unterbrechungsfreie Stromversorgungssystem jedoch als ein unentbehrliches Komponentenelement und kann nicht in einer Umgebung ohne dem unterbrechungsfreien Stromversorgungssystem angewendet werden. Falls zum Beispiel viele Werkzeugmaschinen, Roboter und so weiter in einer Fabrik vorhanden sind, müssen alle Werkzeugmaschinen, Roboter und so weiter von dem unterbrechungsfreien Stromversorgungssystem gesichert werden, was hohe Kosten involviert. Darüber hinaus präsentiert die Beschreibung der offengelegten japanischen Patentanmeldung Nr. 07-028572 keine spezifischen Maßnahmen zum Vermeiden von Problemen, die entstehen, wenn die Leistungsversorgung in einem Produktionssystem, das Werkzeugmaschinen, Roboter und so weiter aufweist, instabil wird.
KURZFASSUNG DER ERFINDUNG
Die vorliegende Erfindung wurde gemacht, um solche Probleme zu lösen und dementsprechend ist es eine Aufgabe, ein Produktionssystem bereitzustellen, das dazu dienen kann, ein Problem zu vermeiden, indem Leistungsinstabilitäten vorhergesagt werden.
Eine Vorhersagevorrichtung gemäß einer Ausführungsform der vorliegenden Erfindung ist eine Vorhersagevorrichtung zum Vorhersagen einer Leistungsinstabilität und weist eine Maschinenlernvorrichtung auf, die die Beziehung zwischen einer Veränderung in Messdaten, die den Zustand einer Stromversorgung angeben, und einem Fehler, der in der Stromversorgung auftritt, lernt. Die Maschinenlernvorrichtung weist Folgendes auf: einen Zustandsbeobachtungsabschnitt, der die Messdaten beobachtet, die mindestens einen Messwert eines elektrischen Leistungsverbrauchs in einer Fabrik als eine Zustandsvariable, die den aktuellen Zustand einer Umgebung angibt, aufweisen; einen Bewertungsdatenerfassungsabschnitt, der eine Fehlerbenachrichtigung, die das Auftreten eines Fehlers angibt, als Bewertungsdaten erfasst; und einen Lernabschnitt, der eine Veränderung in den Messdaten und der Fehlerbenachrichtigung durch Korrelation einer Veränderung in den Messdaten mit der Fehlerbenachrichtigung unter Verwendung der Zustandsvariable und der Bewertungsdaten lernt.
Bei der Vorhersagevorrichtung gemäß der Ausführungsform der vorliegenden Erfindung berechnet der Lernabschnitt die Zustandsvariable und die Bewertungsdaten in einer mehrschichtigen Struktur.
Die Vorhersagevorrichtung gemäß der Ausführungsform der vorliegenden Erfindung weist ferner einen Bewertungsausgabeabschnitt auf, der das Auftreten des Fehlers gemäß den Messdaten basierend auf einem Lernergebnis von dem Lernabschnitt vorhersagt und, falls das Auftreten des Fehlers vorhergesagt wird, eine Fehlervorhersagebenachrichtigung ausgibt.
Bei der Vorhersagevorrichtung gemäß der Ausführungsform der vorliegenden Erfindung befindet sich die Maschinenlernvorrichtung in einer Cloud-, Fog-, und Edge-Computing Umgebung.
Eine Maschinenlernvorrichtung gemäß der Ausführungsform der vorliegenden Erfindung ist eine Maschinenlernvorrichtung, die die Beziehung zwischen einer Veränderung in Messdaten, die den Zustand einer Stromversorgung angeben, und einem Fehler, der in der Stromversorgung auftritt, lernt. Die Maschinenlernvorrichtung weist Folgendes auf: einen Zustandsbeobachtungsabschnitt, der die Messdaten beobachtet, die mindestens einen Messwert eines elektrischen Leistungsverbrauchs in einer Fabrik als eine Zustandsvariable, die den aktuellen Zustand einer Umgebung angibt, aufweisen; einen Bewertungsdatenerfassungsabschnitt, der eine Fehlerbenachrichtigung, die das Auftreten eines Fehlers angibt, als Bewertungsdaten erfasst; und einen Lernabschnitt, der eine Veränderung in den Messdaten und der Fehlerbenachrichtigung durch Korrelation einer Veränderung in den Messdaten mit der Fehlerbenachrichtigung unter Verwendung der Zustandsvariable und der Bewertungsdaten lernt.
Eine Steuervorrichtung gemäß der Ausführungsform der vorliegenden Erfindung ist eine Steuervorrichtung, die eine Arbeitsmaschine steuert. Die Steuervorrichtung weist Folgendes auf: einen Empfangsabschnitt, der eine Vorhersagebenachrichtigung über einen Fehler, der in einer Stromversorgung auftritt, empfängt, wobei der Fehler basierend auf einer Veränderung in Messdaten, die den Zustand der Stromversorgung angeben, vorhergesagt wird; und einen Einfahroperation-Steuerabschnitt, der die Arbeitsmaschine dazu veranlasst, in einen sicheren eingefahrenen Zustand überzugehen, wenn die Vorhersagebenachrichtigung empfangen wird.
Bei der Steuervorrichtung gemäß der Ausführungsform der vorliegenden Erfindung weist der Übergang in den sicheren eingefahrenen Zustand Bewegen der Position oder des Orts der Arbeitsmaschine an einen vorbestimmten Ort und das Unterbrechen eines Arbeitsvorgangs, der ausgeführt wird, nach dem Ausführen des Arbeitsvorgangs bis zu einer vorbestimmten Stufe, auf.
Ein Produktionssystem gemäß der Ausführungsform der vorliegenden Erfindung ist ein Produktionssystem, das eine Vorhersagevorrichtung zum Vorhersagen einer Leistungsinstabilität und ein Steuervorrichtung, die eine Arbeitsmaschine steuert, aufweist. Die Vorhersagevorrichtung weist eine Maschinenlernvorrichtung, die die Beziehung zwischen einer Veränderung in Messdaten, die den Zustand einer Stromversorgung angeben, und einem Fehler, der in der Stromversorgung auftritt, lernt, auf. Die Maschinenlernvorrichtung weist Folgendes auf: einen Zustandsbeobachtungsabschnitt, der die Messdaten beobachtet, die mindestens einen Messwert eines elektrischen Leistungsverbrauchs in einer Fabrik als eine Zustandsvariable, die den aktuellen Zustand einer Umgebung angibt, aufweisen; einen Bewertungsdatenerfassungsabschnitt, der eine Fehlerbenachrichtigung, die das Auftreten eines Fehlers angibt, als Bewertungsdaten erfasst; und einen Lernabschnitt, der eine Veränderung in den Messdaten und der Fehlerbenachrichtigung durch Korrelation einer Veränderung in den Messdaten mit der Fehlerbenachrichtigung unter Verwendung der Zustandsvariable und der Bewertungsdaten lernt. Die Steuervorrichtung weist Folgendes auf: einen Empfangsabschnitt, der eine Vorhersagebenachrichtigung über einen Fehler, der in der Stromversorgung auftritt, empfängt, wobei der Fehler basierend auf einer Veränderung in den Messdaten, die den Zustand der Stromversorgung angeben, vorhergesagt wird; und einen Einfahroperation-Steuerabschnitt, der die Arbeitsmaschine dazu veranlasst, in einen sicheren eingefahrenen Zustand überzugehen, wenn die Vorhersagebenachrichtigung empfangen wird.
Gemäß der vorliegenden Erfindung ist es möglich, ein Produktionssystem bereitzustellen, das dazu dienen kann, ein Problem zu vermeiden, indem Leistungsinstabilitäten vorhergesagt werden.
Figurenliste
Diese und weitere Aufgaben und Eigenschaften der vorliegenden Erfindung ergeben sich aus der folgenden Beschreibung von beispielhaften Ausführungsformen mit Bezug auf die beigefügten Zeichnungen, in denen:

1 ein Blockdiagramm ist, das eine schematische Hardware-Konfiguration darstellt, die Hauptabschnitte einer Vorhersagevorrichtung zeigt;
2 ein Blockdiagramm ist, das die schematische Konfiguration der Vorhersagevorrichtung und einer Maschinenlernvorrichtung gemäß der ersten Ausführungsform darstellt;
3 ein Blockdiagramm ist, das eine schematische Konfiguration darstellt, in der ein Lernabschnitt der Vorhersagevorrichtung die korrelative Beziehung zwischen einer Veränderung in Messdaten und einer Fehlerbenachrichtigung lernt;
4A ein Diagramm ist, das ein Neuron erklärt;
4B ein Diagramm ist, das ein neuronales Netzwerks erklärt;
5 ein Blockdiagramm ist, das die schematische Konfiguration einer Vorhersagevorrichtung und einer Maschinenlernvorrichtung gemäß einer zweiten Ausführungsform darstellt;
6 ein Flussdiagramm einer Operation der Vorhersagevorrichtung ist;
7 ein Flussdiagramm einer Operation der Vorhersagevorrichtung ist; und
8 ein Blockdiagramm ist, das die schematische Konfiguration einer Steuervorrichtung darstellt.

DETAILLIERTE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
Ausführungsformen der vorliegenden Erfindung werden mit Bezug auf die Zeichnungen beschrieben.
Ein Produktionssystem 1 gemäß der Ausführungsform der vorliegenden Erfindung weist eine Vorhersagevorrichtung 100 zum Vorhersagen einer Leistungsinstabilität und eine oder mehrere Steuervorrichtungen 200, die Arbeitsmaschinen, wie zum Beispiel verschiedene Werkzeugmaschinen und Roboter, steuert, auf. Wenn die Vorhersagevorrichtung 100 eine Leistungsinstabilität vorhersagt, steuern die Steuervorrichtungen 200 die Werkzeugmaschinen, die Roboter und so weiter derart, Operationen durchzuführen, um einen dadurch verursachten Fehler zu vermeiden. Die eine oder die mehreren Steuervorrichtungen 200 befinden sich in einer Fabrik und die Steuervorrichtungen 200 steuern die verschiedenen Werkzeugmaschinen, die Roboter und so weiter. Die Steuervorrichtungen 200 werden typischerweise von einer speicherprogrammierbaren Steuerung (SPS) in einer konzentrierten Weise gesteuert. Typischerweise ist die Vorhersagevorrichtung 100 in den Ausführungsformen mit dieser SPS derart verbunden, dass die Vorhersagevorrichtung 100 mit der SPS kommunizieren kann. Alternativ dazu kann die Vorhersagevorrichtung 100 als eine Funktion der SPS implementiert sein. Dies gestattet der Vorhersagevorrichtung 100 über die SPS mit den Steuervorrichtungen 200 zu kommunizieren und die Steuervorrichtungen 200 zu steuern. Alternativ dazu kann sich die Vorhersagevorrichtung 200 in einer Cloud-Computer-, Fog- und Edge-Computing-Umgebung befinden, zum Beispiel in der die Vorhersagevorrichtung 100 mit den Steuervorrichtungen 200 kommunizieren kann.
<Konfiguration und Operation der Vorhersagevorrichtung 100>
Die Vorhersagevorrichtung 100 sammelt Informationen über zum Beispiel elektrischen Leistungsverbrauch und eine Spannungsänderung in der Fabrik und Informationen über das Auftreten eines Stromausfalls, eines Spannungsabfalls und so weiter, und bildet die Beziehung zwischen diesen Informationen mittels Maschinenlernens ab (einen Lernprozess). Darüber hinaus sieht die Vorhersagevorrichtung 100 das Auftreten eines Stromausfalls, eines Spannungsabfalls und so weiter mittels Beobachtens zum Beispiel von elektrischem Leistungsverbrauch und einer Spannungsänderung in der Fabrik unter Verwendung des Modells, das von dem Lernprozess erzeugt wird, vorher (ein Vorhersageprozess).
1 ist ein schematisches Hardware-Konfigurations-Diagramm, das Hauptabschnitte der Vorhersagevorrichtung 100 zeigt; Eine CPU 11 ist ein Prozessor, der die Gesamtsteuerung der Vorhersagevorrichtung 100 durchgeführt. Die CPU 11 liest ein Systemprogramm, das in dem ROM 12 gespeichert ist, über einen Bus 20 aus und steuert die gesamte Vorhersagevorrichtung 100 gemäß dem Systemprogramm. Im RAM 13 werden temporäre Berechnungsdaten und Anzeigedaten und verschiedene Dateneingaben von außen temporär gespeichert.
Ein nichtflüchtiger Speicher 14 ist als ein Speicher ausgelegt, dessen Speicherzustand durch Sichern durch eine nicht dargestellte Batterie erhalten wird, selbst wenn zum Beispiel die Stromversorgung der Vorhersagevorrichtung 100 abgeschaltet wird. In dem Speicher sind verschiedene Programme und Dateneingaben über eine nicht dargestellte Schnittstelle gespeichert. Die Programme und Daten, die in dem nichtflüchtigen Speicher 14 gespeichert sind, können in das RAM 13 ausgeweitet werden, wenn die Programme und Daten ausgeführt/verwendet werden. Darüber hinaus werden verschiedene Systemprogramme im Voraus in das ROM 12 geschrieben.
Eine Messvorrichtung 60 misst den elektrischen Leistungsverbrauch in der Fabrik zu vorbestimmten Zeitintervallen und gibt die Ergebnisse aus. Zusätzlich kann die Messvorrichtung 60 die Spannung der Fabrik, elektrischen Leistungsverbrauch in einem Bereich und eine Zeit (eine Zeitperiode) messen und die Ergebnisse ausgeben. Der elektrische Leistungsverbrauch und die Spannung in der Fabrik können von einem Sensor oder dergleichen, der in einer Schalttafel der Fabrik installiert ist, erfasst werden. Als der elektrische Leistungsverbrauch in dem Bereich können elektrischer Leistungsverbrauch, der von einem Umspannwerk oder dergleichen, das für den Bereich, in dem sich die Fabrik befindet, zuständig ist, bereitgestellt wird, erfasst werden. Die Messvorrichtung 60 führt Abtasten der Messdaten zu vorbestimmten Zeitintervallen (bevorzugt in Sekundeneinheiten; dies kann jedoch gemäß Stromversorgungszuständen oder dergleichen angemessen angepasst werden) durch und überträgt die Messdaten an die Vorhersagevorrichtung 100. Die Vorhersagevorrichtung 100 empfängt die Messdaten von der Messvorrichtung 60 über eine Schnittstelle 18 und liefert die Messdaten an die CPU 11.
Eine Stromversorgungsfehlerbenachrichtigungsvorrichtung 70 erzeugt Informationen über einen Fehler der Stromversorgung. Die Stromversorgungsfehlerbenachrichtigungsvorrichtung 70 überwacht die Spannung zum Beispiel mittels des Sensors oder dergleichen, der in der Schalttafel der Fabrik installiert ist, und falls die Spannung unter einen vorbestimmten Schwellenwert abfällt, gibt sie ein Benachrichtigungssignal (im Folgenden als eine Fehlerbenachrichtigung bezeichnet), die eine Benachrichtigung über einen Fehler angibt, aus. Die Vorhersagevorrichtung 100 empfängt die Benachrichtigung von der Stromversorgungsfehlerbenachrichtigungsvorrichtung 70 über eine Schnittstelle 19 und liefert die Benachrichtigung an die CPU 11.
Eine Schnittstelle 21 ist eine Schnittstelle zum Verbinden der Vorhersagevorrichtung 100 und einer Maschinenlernvorrichtung 300. Die Maschinenlernvorrichtung 300 weist einen Prozessor 301, der die gesamte Maschinenlernvorrichtung 300 steuert, ein ROM 302, das ein Systemprogramm und so weiter speichert, ein RAM 303 zum Durchführen von temporärem Speichern bei jeder Verarbeitung bezüglich Maschinenlernen und einen nichtflüchtigen Speicher 104, der zum Speicher eines Lernmodells und so weiter verwendet wird, auf. Die Maschinenlernvorrichtung 300 kann die Informationen (die Messdaten, die Fehlerbenachrichtigung und so weiter), die von der Vorhersagevorrichtung 100 über die Schnittstelle 21 erhalten werden, beobachten.
2 ist ein schematisches Funktionsblockdiagramm der Vorhersagevorrichtung 100 und der Maschinenlernvorrichtung 300 gemäß einer ersten Ausführungsform. Die Maschinenlernvorrichtung 300 weist Software (wie zum Beispiel einen Lernalgorithmus) und Hardware (wie zum Beispiel den Prozessor 301) zum selbst Lernen der korrelativen Beziehung zwischen einer Veränderung in den Messdaten und der Fehlerbenachrichtigung durch sogenanntes Maschinenlernen auf. Die Maschinenlernvorrichtung 300 der Vorhersagevorrichtung 100 lernt eine Modellstruktur, die eine Korrelation zwischen einer Veränderung in den Messdaten und der Fehlerbenachrichtigung angibt.
Wie in 2 als Funktionsblock gezeigt, weist die Maschinenlernvorrichtung 300 der Vorhersagevorrichtung 100 Folgendes auf: einen Zustandsbeobachtungsabschnitt 306, der die Zeitreihen-Messdaten als eine Zustandsvariable S beobachtet, die den aktuellen Zustand einer Umgebung angibt; einen Bewertungsdatenerfassungsabschnitt 308, der die Fehlerbenachrichtigung als Bewertungsdaten D erfasst; und einen Lernabschnitt 310, der die Beziehung zwischen einer Veränderung in den Messdaten und der Fehlerbenachrichtigung unter Verwendung der Zustandsvariable S und der Bewertungsdaten D lernt. Der Zustandsbeobachtungsabschnitt 306 kann zum Beispiel als eine Funktion in dem Prozessor 301 ausgelegt sein. Alternativ dazu kann der Zustandsbeobachtungsabschnitt 306 zum Beispiel als Software, die in dem ROM 32 gespeichert ist, ausgelegt sein, um den Prozessor 301 zu veranlassen, zu arbeiten. Als die Zustandsvariable S, die von dem Zustandsbeobachtungsabschnitt 306 beobachtet wird, das heißt die Zeitreihen-Messdaten, kann die Messdatenausgabe von der Messvorrichtung 60 erfasst werden. Die Messvorrichtung 60 extrahiert die Zeitreihe-Messdaten, die für eine vorbestimmte Zeit erfasst werden, aus den Zeitreihen-Messdaten, die in einer vorbestimmten Abtastperiode erfasst werden, und gibt die extrahierten Zeitreihen-Messdaten als die Zustandsvariable S an den Zustandsbeobachtungsabschnitt 306 aus. Zum Beispiel erfasst die Messvorrichtung 60 die Messdaten zu allen Zeitpunkten und speichert die Messdaten während einer vorbestimmten festen Periode (zum Beispiel in den letzten zehn Minuten von dem Zeitpunkt, an dem die neuesten Messdaten erfasst wurden). Die Messvorrichtung 60 erkennt, dass die Stromversorgungsfehlerbenachrichtigungsvorrichtung 70 die Fehlerbenachrichtigung ausgegeben hat und gibt die Zeitreihen-Messdaten während einer vergangenen vorbestimmten festen Periode von einem Zeitpunkt, an dem die Fehlerbenachrichtigung bereitgestellt wurde (zum Beispiel während der letzten n Minuten von dem Zeitpunkt, an dem ein Fehler aufgetreten ist, oder der letzten n Minuten von dem Zeitpunkt m Minuten vor dem Auftreten eines Fehlers) als die Zustandsvariable S aus. Abhängig von der Periode, während der die Messdaten, die als die Zustandsvariable S genommen werden, ausgegeben werden, ist es möglich, eine kurzzeitige (in Sekunden- oder Minuteneinheiten), mittelfristige (in Einheiten von wenigen Stunden) oder langfristige (in Tageseinheiten) Vorhersage eines Stromversorgungsfehlers zu machen. Darüber hinaus ist es auch möglich, eine Zeit vorherzusagen, die vor dem Auftreten eines Stromversorgungsfehlers verstreicht. Zum Beispiel kann durch Erstellen eines Lernmodells unter Verwendung der Messdaten während der letzten n Minuten von dem Zeitpunkt m Minuten vor dem Auftreten eines Fehlers dieses Lernmodell eine Wahrscheinlichkeit, dass ein Stromversorgungsfehler in m Minuten auftritt, vorhersagen. Falls die Messvorrichtung 60 eine Vielzahl an Stücken von Messdaten S1, S2, S3, ..., erfasst, wird der Satz dieser Vielzahl an Stücken von Zeitreihen-Messdaten als die Zustandsvariable S ausgegeben.
Der Bewertungsdatenerfassungsabschnitt 308 kann zum Beispiel als eine Funktion des Prozessors 301 ausgelegt sein. Alternativ dazu kann der Bewertungsdatenerfassungsabschnitt 308 zum Beispiel als Software, die in dem ROM 32 gespeichert ist, ausgelegt sein, um den Prozessor 301 zu veranlassen, zu arbeiten. Als die Bewertungsdaten D, die von dem Bewertungsdatenerfassungsabschnitt 308 beobachtet werden, das heißt die Fehlerbenachrichtigung, kann die Ausgabe der Stromversorgungsfehlerbenachrichtigungsvorrichtung 70 erfasst werden.
Der Lernabschnitt 310 kann zum Beispiel als eine Funktion des Prozessors 301 ausgelegt sein. Alternativ dazu kann der Lernabschnitt 310 zum Beispiel als Software, die in dem ROM 32 gespeichert ist, ausgelegt sein, um den Prozessor 301 zu veranlassen, zu arbeiten. Der Lernabschnitt 310 lernt die korrelative Beziehung zwischen einer Veränderung in den Messdaten und der Fehlerbenachrichtigung gemäß einem beliebigen Lernalgorithmus, was generisch als Maschinenlernen bezeichnet wird. Der Lernabschnitt 310 kann wiederholt Lernen basierend auf dem Datensatz, der die oben beschriebene Zustandsvariable S und die Bewertungsdaten D aufweist, ausführen.
Durch das Wiederholen eines solchen Lernzyklus kann der Lernabschnitt 310 automatisch Merkmale identifizieren, die eine Korrelation zwischen einer Veränderung in den Messdaten und der Fehlerbenachrichtigung andeuten. Zu Beginn des Lernalgorithmus ist eine Korrelation zwischen einer Veränderung in den Messdaten und der Fehlerbenachrichtigung im Wesentlichen unbekannt; der Lernabschnitt 310 identifiziert jedoch allmählich Merkmale mit dem Lernfortschritt und interpretiert eine Korrelation. Wenn eine Korrelation zwischen einer Veränderung in den Messdaten und der Fehlerbenachrichtigung zu einem Niveau interpretiert wird, das zu einem gewissen Grad zuverlässig ist, kann das Lernergebnis, das wiederholt von dem Lernabschnitt 310 ausgegeben wird, verwendet werden, um eine Fehlerbenachrichtigung, die für den aktuellen Zustand bereitgestellt werden kann, zu schätzen (einen Trend einer Veränderung in den Messdaten). Das heißt, der Lernabschnitt 310 kann eine Korrelation zwischen einer Veränderung in den Messdaten und der Fehlerbenachrichtigung allmählich mit dem Fortschreiten des Lernalgorithmus näher an eine optimale Lösung bringen.
Wie oben beschrieben, lernt der Lernabschnitt 310 in der Maschinenlernvorrichtung 300 der Vorhersagevorrichtung 100 die Fehlerbenachrichtigung gemäß dem Maschinenlernalgorithmus unter Verwendung der Zustandsvariable S, die von dem Zustandsbeobachtungsabschnitt 306 beobachtet wird, und der Bewertungsdaten D, die von der Bewertungsdatenerfassungseinheit 108 erfasst werden. Die Zustandsvariable S ist aus Daten, die nicht leicht von Störung beeinträchtigt werden, konfiguriert und die Bewertungsdaten D sind einzigartig bestimmt. Somit ist es mit der Maschinenlernvorrichtung 300 der Vorhersagevorrichtung 100 unter Verwendung der Lernergebnisse des Lernabschnitts 310 möglich, die Fehlerbenachrichtigung entsprechend einer Veränderung in den Messdaten automatisch und genau, ohne Hilfe von Berechnung oder Schätzung, bereitzustellen.
In der Maschinenlernvorrichtung 100 mit der oben beschriebenen Konfiguration ist der Lernalgorithmus, der von dem Lernabschnitt 310 ausgeführt wird, nicht auf einen bestimmten Lernalgorithmus beschränkt, und es kann ein öffentlich bekannter Lernalgorithmus als Maschinenlernen angewendet werden. 3 zeigt eine Konfiguration, bei der es sich um einen Modus der Vorhersagevorrichtung 100, die in 2 gezeigt ist, handelt, die den Lernabschnitt 310, der überwachtes Lernen als ein Beispiel des Lernalgorithmus ausführt, aufweist. Überwachtes Lernen ist eine Technik des Lernens eines Korrelationsmodells zum Schätzen einer nötigen Ausgabe (der Fehlerbenachrichtigung für eine Veränderung in den Messdaten) für eine neue Eingabe, indem eine große Menge an bekannten Datensätzen von Eingaben und entsprechender Ausgaben (die als Lehrerdaten bezeichnet werden) bereitgestellt wird und Merkmale, die eine Korrelation zwischen einer Eingabe und einer Ausgabe von diesen Lehrerdaten andeuten, identifiziert werden.
Bei der Maschinenlernvorrichtung 300 der Vorhersagevorrichtung 100, die in 3 gezeigt ist, weist der Lernabschnitt 310 einen Fehlerberechnungsabschnitt 311, der einen Fehler E zwischen einem Korrelationsmodell M, das die Fehlerbenachrichtigung von der Zustandsvariable S bezieht, und einem Korrelationsmerkmal, das von den vorbereiteten Lehrerdaten T identifiziert wird, berechnet, und einen Modellaktualisierungsabschnitt 312 auf, der das Korrelationsmodell M derart aktualisiert, dass der Fehler E reduziert wird. Der Lernabschnitt 310 lernt die korrelative Beziehung zwischen einer Veränderung und der Fehlerbenachrichtigung als ein Ergebnis davon, dass der Modellaktualisierungsabschnitt 312 das Aktualisieren des Korrelationsmodells M wiederholt.
Das Korrelationsmodell M kann mittels Regressionsanalyse, verstärkendes Lernen, tiefes Lernen oder dergleichen erstellt werden. Ein Anfangswert des Korrelationsmodells M wird dem Lernabschnitt 310 zum Beispiel als ein vereinfachter Ausdruck einer Korrelation zwischen der Zustandsvariable S und Formdaten bereitgestellt, bevor das überwachte Lernen startet. Die Lehrerdaten T können zum Beispiel mit empirische Werten (bekannte Datensätze von Veränderungen in den Messdaten und die Fehlerbenachrichtigung) ausgelegt sein, die durch das Aufzeichnen eines vergangenen Zusammenhangs zwischen einer Veränderung in den Messdaten und der Fehlerbenachrichtigung gesammelt werden, und werden dem Lernabschnitt 310 vor dem Start des überwachten Lernens bereitgestellt. Der Fehlerberechnungsabschnitt 311 identifiziert ein Korrelationsmerkmal zwischen einer Veränderung in den Messdaten und der Fehlerbenachrichtigung aus einer großen Menge an Lehrerdaten T, die dem Lernabschnitt 310 bereitgestellt wird, und bestimmt den Fehler E zwischen diesem Korrelationsmerkmal und dem Korrelationsmodell M entsprechend der Zustandsvariable S in dem aktuellen Zustand. Der Modellaktualisierungsabschnitt 312 aktualisiert das Korrelationsmodell M dahingehend, den Fehler E zum Beispiel gemäß einer vorbestimmten Aktualisierungsregel zu reduzieren.
In einem nächsten Lernzyklus bestimmt der Fehlerberechnungsabschnitt 311 unter Verwendung der neu erhaltenen Zustandsvariable S den Fehler E für das Korrelationsmodell M entsprechend dieser Zustandsvariable S und den Bewertungsdaten D, und der Modellaktualisierungsabschnitt 312 aktualisiert das Korrelationsmodell M erneut. Auf diese Weise wird eine Korrelation zwischen dem aktuellen Zustand der Umgebung (einer Veränderung in den Messdaten) und dem Zustand, der dem entspricht, (der Fehlerbenachrichtigung), die unbekannt war, allmählich ersichtlich. Das heißt, die Beziehung zwischen einer Veränderung in den Messdaten und der Fehlerbenachrichtigung wird mittels Aktualisierens des Korrelationsmodells M allmählich näher einer optimalen Lösung gebracht.
Wenn das oben beschriebene überwachte Lernen fortgeschritten ist, kann zum Beispiel ein neuronales Netzwerk verwendet werden. 4A zeigt schematisch ein Modell eines Neurons. 4B zeigt schematisch ein Modell eines dreischichtigen neuronalen Netzwerks, das durch Kombinieren der Neuronen, die in 4A gezeigt sind, gebildet wird. Das neuronale Netzwerk kann zum Beispiel von einer Berechnungsvorrichtung, einem Speicher oder dergleichen, die bzw. der das Modell des Neurons imitiert, konfiguriert werden.
Das Neuron, das in 4A gezeigt ist, gibt ein Ergebnis y für eine Vielzahl an Eingaben x (hier zum Beispiel Eingaben x₁ bis x₃ ) aus. Die Eingaben x₁ bis x₃ werden mit Gewichten w (w₁ bis w₃ ), die diesen Eingaben x entsprechen, multipliziert. Als Ergebnis gibt das Neuron eine Ausgabe y, die durch Gleichung 1 unten ausgedrückt wird, aus. In Gleichung 1 sind alle der Eingaben x, der Ausgaben y und der Gewichte w Vektoren. Darüber hinaus ist θ eine Verzerrung und f_k ist eine Aktivierungsfunktion. $y = f_{k} (\sum_{i = 1}^{n} x_{i} w_{i} - θ)$
Eine Vielzahl an Eingaben x (hier zum Beispiel Eingaben x1 bis x3) wird in das dreischichtige neuronale Netzwerk, in 4B gezeigt, von der linken Seite davon eingegeben und die Ergebnisse y (hier zum Beispiel Ergebnisse y1 bis y3) werden von der rechten Seite davon ausgegeben. Bei einem Beispiel, das in den Zeichnungen gezeigt ist, wird jede der Eingaben x1, x2, x3 mit einem entsprechenden Gewicht (generisch als w1 ausgedrückt) multipliziert und jede der Eingaben x1, x2 und x3 wird in die drei Neuronen N11, N12 und N13 eingegeben.
In 4B werden die Ausgaben von den Neuronen N11 bis N13 generisch als z1 ausgedrückt. z1 kann als ein Merkmalsvektor gesehen werden, der die extrahierte Merkmalsmenge eines Eingabevektors ist. Bei dem Beispiel, das in den Zeichnungen gezeigt ist, wird jeder der Merkmalvektoren z1 mit einem entsprechenden Gewicht (generisch als w2 ausgedrückt) multipliziert und jeder der Merkmalvektoren z1 wird in zwei Neuronen N21 und N22 eingegeben. Der Merkmalvektor z1 gibt ein Merkmal zwischen dem Gewicht w1 und dem Gewicht w2 an.
In 4B werden die Ausgaben von den Neuronen N21 und N22 generisch als z2 ausgedrückt. z2 kann als ein Merkmalsvektor gesehen werden, der die extrahierte Merkmalsmenge des Merkmalsvektors z1 ist. Bei dem Beispiel, das in den Zeichnungen gezeigt ist, wird jeder der Merkmalvektoren z2 mit einem entsprechenden Gewicht (generisch als w3 ausgedrückt) multipliziert und jeder der Merkmalvektoren z2 wird in drei Neuronen N31, N31 und N33 eingegeben. Der Merkmalvektor z2 gibt ein Merkmal zwischen dem Gewicht w2 und dem Gewicht w3 an. Schließlich geben die Neuronen N31 bis N33 jeweils die Ergebnisse y1 bis y3 aus.
Bei der Maschinenlernvorrichtung 300 der Vorhersagevorrichtung 100 kann die Fehlerbenachrichtigung als ein Ergebnis davon, dass der Lernabschnitt 310 Berechnung einer mehrschichtigen Struktur gemäß dem oben beschriebenen neuronalen Netzwerk unter Verwendung der Zustandsvariable S als die Eingabe x durchführt, als ein geschätzter Wert (das Ergebnis y) ausgegeben werden. Operationsmodi des neuronalen Netzwerks weisen einen Lernmodus und einen Bewertungsmodus auf; zum Beispiel kann Lernen eines Gewichts W in dem Lernmodus unter Verwendung eines Lerndatensatzes durchgeführt werden und eine Bewertung der Formdaten kann in dem Bewertungsmodus unter Verwendung des gelernten Gewichts W gemacht werden. In dem Bewertungsmodus können ebenfalls Detektion, Klassifizierung, Inferenz und so weiter durchgeführt werden.
Die oben beschriebene Konfiguration der Vorhersagevorrichtung 100 und der Maschinenlernvorrichtung 300 kann als ein Maschinenlernverfahren (oder Software), das von der CPU 11 oder dem Prozessor 301 ausgeführt wird, beschrieben werden. Das Maschinenlernverfahren ist ein Maschinenlernverfahren des Lernens der Fehlerbenachrichtigung, die einer Veränderung in den Messdaten entspricht, und weist einen Schritt, bei dem die CPU 11 oder der Prozessor 301 eine Veränderung in den Messdaten als die Zustandsvariable S, die den aktuellen Zustand der Umgebung angibt, beobachten, einen Schritt, bei dem die CPU 11 oder der Prozessor 301 die Fehlerbenachrichtigung als die Bewertungsdaten D erhalten, und einen Schritt, bei dem die CPU 11 oder der Prozessor 301 eine Veränderung in den Messdaten und die Fehlerbenachrichtigung durch Korrelieren einer Veränderung in den Messdaten mit der Fehlerbenachrichtigung unter Verwendung der Zustandsvariable S und der Messdaten D lernt, auf.
Gemäß der vorliegenden Ausführungsform erstellt die Maschinenlernvorrichtung 300 ein Modell, das eine Korrelation zwischen einer Veränderung in den Messdaten und der Fehlerbenachrichtigung angibt. Als Ergebnis ist es, wenn das Lernmodell erstellt ist, selbst mitten während der Arbeit möglich, die Fehlerbenachrichtigung basierend auf einer Veränderung in den Messdaten, die zu diesem Zeitpunkt erfasst werden können, vorherzusagen.
5 zeigt eine Vorhersagevorrichtung 100 gemäß einer zweiten Ausführungsform. Die Vorhersagevorrichtung 100 weist einen Maschinenlernabschnitt 300 und einen Datenerfassungsabschnitt 330 auf. Der Datenerfassungsabschnitt 330 erfasst Zeitreihen-Messdaten und die Fehlerbenachrichtigung von der Messvorrichtung 60 und der Stromversorgungsfehlerbenachrichtigungsvorrichtung 70.
Die Maschinenlernvorrichtung 300 der Vorhersagevorrichtung 100 weist zusätzlich zu der Konfiguration der Maschinenlernvorrichtung 300 der ersten Ausführungsform einen Bewertungsausgabeabschnitt 320 auf, der die Fehlerbenachrichtigung, die von dem Lernabschnitt 310 basierend auf einer Veränderung in den Messdaten geschätzt wird, an die Steuervorrichtung 200 ausgibt.
Der Bewertungsausgabeabschnitt 320 kann zum Beispiel als eine Funktion des Prozessors 301 ausgelegt sein. Alternativ dazu kann der Bewertungsausgabeabschnitt 320 zum Beispiel als Software ausgelegt sein, um den Prozessor 301 zu veranlassen, zu arbeiten. Der Bewertungsausgabeabschnitt 320 gibt die Fehlerbenachrichtigung, die von dem Lernabschnitt 310 basierend auf einer Veränderung in den Messdaten geschätzt wird, an die Steuervorrichtung 200 aus.
Die Maschinenlernvorrichtung 300 der Vorhersagevorrichtung 100, die die oben beschriebene Konfiguration aufweist, hat die gleiche Wirkung wie die oben beschriebene Maschinenlernvorrichtung 300. Insbesondere kann die Maschinenlernvorrichtung 300 gemäß der zweiten Ausführungsform den Zustand der Umgebung durch die Ausgabe des Bewertungsausgabeabschnitts 320 ändern. Auf der anderen Seite kann die Maschinenlernvorrichtung 300 der ersten Ausführungsform eine externe Vorrichtung veranlassen, eine Funktion, die dem Bewertungsausgabeabschnitt 320 entspricht, zum Reflektieren des Lernergebnisses des Lernabschnitts 310 in der Umgebung durchzuführen.
Als nächstes wird als eine Ausführungsform der Vorhersagevorrichtung 100 Verarbeiten beschrieben, das von der Vorhersagevorrichtung 100 durgeführt wird, das heißt, Erstellen eines Lernmodells der korrelativen Beziehung zwischen einer Veränderung in den Messdaten und der Fehlerbenachrichtigung (der Lernprozess) und Vorhersagen, dass die Stromversorgung instabil wird, unter Verwendung des Lernmodells (der Vorhersageprozess).
Eine Operation der Vorhersagevorrichtung 100 in dem Lernprozess wird unter Verwendung eines Flussdiagramms in 6 beschrieben.
S1: Die verschiedenen Werkzeugmaschinen, Roboter und so weiter beginnen unter Steuerung der Steuervorrichtung 200 zu arbeiten. Zu Beginn des Arbeitens beginnt die Vorhersagevorrichtung 100 die Messdaten von der Messvorrichtung 60 zu sammeln. Die Vorhersagevorrichtung 100 erfasst die Messdaten in einer vorbestimmten Abtastperiode über eine vorbestimmte Zeit und speichert die Messdaten.
S2: Falls während des Arbeitens die Stromversorgung unterbrochen wird oder eine Spannung unter einen Schwellenwert abfällt, empfängt die Vorhersagevorrichtung 100 die Fehlerbenachrichtigung von der Stromversorgungsfehlerbenachrichtigungsvorrichtung 70.
S3: Die Vorhersagevorrichtung 100 gibt die Zeitreihen-Messdaten der Messdaten, die in Schritt S1 erhalten werden, als die Zustandsvariable S und die Fehlerbenachrichtigung, die in Schritt S2 erhalten wird, als die Bewertungsdaten D in die Maschinenlernvorrichtung 300 ein und erstellt ein Lernmodell, das die korrelative Beziehung zwischen der Zustandsvariable S und den Bewertungsdaten D angibt.
Die Vorhersagevorrichtung 100 wiederholt die Verarbeitung von Schritt S1 bis S3, bis die Vorhersagevorrichtung 100 eine ausreichende Anzahl an Zustandsvariablen S und Bewertungsdaten D erhält, um ein Lernmodell mit einem gewünschten Grad an Genauigkeit zu erhalten. Bei diesem Lernprozess wird ein Lernzyklus (die Verarbeitung von Schritt S1 bis S3) jedes Mal, wenn die Fehlerbenachrichtigung ausgegeben wird, durchgeführt.
Als nächstes wird eine Operation der Vorhersagevorrichtung 100 in dem Vorhersageprozess unter Verwendung eines Flussdiagramms in 7 beschrieben.
S11: Die verschiedenen Werkzeugmaschinen, Roboter und so weiter beginnen unter Steuerung der Steuervorrichtung 200 zu arbeiten. Dann wird die nachfolgende Verarbeitung fortlaufend ausgeführt, bis die Werkzeugmaschinen, die Roboter und die Steuervorrichtung 200 aufhören zu arbeiten.
S12: Zu Beginn des Arbeitens beginnt die Vorhersagevorrichtung 100 die Messdaten von der Messvorrichtung 60 zu sammeln. Die Vorhersagevorrichtung 100 erfasst die Messdaten in einer vorbestimmten Abtastperiode über eine vorbestimmte Zeit und speichert die Messdaten.
S13: Die Vorhersagevorrichtung 100 gibt die Zeitreihen-Messdaten, die in Schritt S12 erfasst werden, als die Zustandsvariable S in die Maschinenlernvorrichtung 300 ein. Die Maschinenlernvorrichtung 300 gibt die Zustandsvariable S in das gelernte Modell ein und gibt die Ausgabedaten D entsprechend der Zustandsvariable S als einen vorhergesagten Wert aus.
S14: Fall die Fehlerbenachrichtigung nicht als der vorhergesagte Wert ausgegeben wird, geht der Vorgang zu Schritt S11 zurück und Arbeit wird fortlaufend durchgeführt. Falls die Fehlerbenachrichtigung als der vorhergesagte Wert ausgegeben wird, schreitet der Vorgang mit Schritt S15 fort.
S15: Die Vorhersagevorrichtung 100 gibt eine Benachrichtigung (eine Fehlervorhersagebenachrichtigung), die eine Vorhersage des Auftretens eines Fehlers angibt, an die Steuervorrichtung 200 aus.
Bei der vorliegenden Ausführungsform erstellt die Maschinenlernvorrichtung 300 der Vorhersagevorrichtung 100 ein Lernmodell, das als Ergebnis des Lernens der korrelative Beziehung zwischen einer Veränderung in den Messdaten während einer bestimmten Zeit nach dem Start des Arbeitens und der Fehlerbenachrichtigung erzeugt wird. Mittels Verwendens dieses Lernmodells kann die Vorhersagevorrichtung 100 die Fehlerbenachrichtigung basierend auf einer Veränderung in den Messdaten während des Arbeitens vorhersagen und benachrichtigt die Steuervorrichtung 200 über das Vorhersageergebnis.
<Konfiguration und Operation der Steuervorrichtung 200>
Wenn die Steuervorrichtung 200 die Fehlerbenachrichtigungsvorrichtung von der Vorhersagevorrichtung 100 basierend auf einem vorbestimmten Programm empfängt, veranlasst die Steuervorrichtung 200 die Werkzeugmaschine, den Roboter und dergleichen, eine Einfahroperation auszuführen, um ein Problem zu verhindern, das entstehen kann.
8 ist ein schematisches Funktionsblockdiagramm der Steuervorrichtung 200. Die Steuervorrichtung 200 weist einen Empfangsabschnitt 210, der die Fehlervorhersagebenachrichtigung von der Vorhersagevorrichtung 100 empfängt, und einen Einfahroperation-Steuerabschnitt 220, der die Werkzeugmaschine, den Roboter und dergleichen veranlasst, die Einfahroperation auszuführen, auf. Die Steuervorrichtung 200 ist ein Informationsprozessor, der vorherbestimmtes Verarbeiten als Ergebnis davon, dass eine CPU verschiedene Programme, die in einem Speicher gespeichert sind, ausliest und ausführt, ausführt, und ist zum Beispiel eine nummerische Steuervorrichtung oder eine Robotersteuervorrichtung.
Der Einfahroperation-Steuerabschnitt 220 hält ein Operationsprogramm in einem nicht dargestellten Speicherbereich im Voraus, um die Werkzeugmaschine, den Roboter und dergleichen dazu veranlassen, in einen sicheren eingefahrenen Zustand überzugehen. Wen der Empfangsabschnitt 210 die Fehlervorhersagebenachrichtigung erkennt, unterbricht der Einfahroperation-Steuerabschnitt 220 ein Arbeitsprogramm oder dergleichen, das ausgeführt wird, und veranlasst das Operationsprogramm, den Übergang in den sicheren eingefahrenen Zustand auszuführen.
Hier bezieht sich der sichere eingefahrene Zustand auf einen Zustand, den die Werkzeugmaschine, der Roboter und dergleichen einnehmen müssen, um ein Problem, das entstehen kann, wenn die Stromversorgung der Werkzeugmaschine, des Roboters oder dergleichen unterbrochen wird, zu vermeiden oder zu unterdrücken. Zum Beispiel kann der sichere eingefahrene Zustand Operationen wie zum Beispiel Veranlassen, dass die Werkzeugmaschine, der Roboter und dergleichen nach dem Bewegen der Werkzeugmaschine, des Roboters und dergleichen an einer vorbestimmten Stelle anhalten, Zurückführen einer Werkzeugmaschine an eine vorbestimmte Stelle und Unterbrechen der Arbeit eines Werkstücks in einer vorbestimmten Stufe aufweisen.
Im Folgenden wird ein Beispiel einer Steuerung, die von der Steuervorrichtung 200 durchgeführt wird, um die Werkzeugmaschine, den Roboter und dergleichen zu veranlassen, in den sicheren eingefahrenen Zustand überzugehen, als eine Ausführungsform beschrieben.
<Beispiel 1>
Ein Beispiel einer Einfahraktion, die die Steuervorrichtung 200 ausführt, um zu veranlassen, dass ein Roboter ein Teil ladet oder entladet, und eine Werkzeugmaschine Bearbeiten eines Teils durchführt, wird beschrieben. Wenn der Empfangsabschnitt 210 die Fehlervorhersagebenachrichtigung empfängt, unterbricht der Einfahroperation-Steuerabschnitt 220 die Operation des Roboters, falls der Roboter arbeitet, und bewegt den Roboter an eine Stelle, wo kein Problem entsteht, auch falls die Stromversorgung an den Roboter unterbrochen wird. Zum Beispiel stoppt der Einfahroperation-Steuerabschnitt 220 die Operation des Roboters, nachdem sie den Roboter an eine vorbestimmte sichere Position bringt. Darüber hinaus bewegt der Einfahroperation-Steuerabschnitt 220, falls die Werkzeugmaschine Bearbeiten durchführt, eine Achse, die ein Werkstück beschädigen kann, falls die Stromversorgung unterbrochen wird, an eine vorbestimmte sichere Stelle. Zum Beispiel bewegt der Einfahroperation-Steuerabschnitt 220 ein Werkzeug in die Position am weitesten oben oder am weitesten unten. Des Weiteren, wenn Log-Daten, Programme, Benutzerdaten und so weiter, die sich auf die Arbeitsergebnisse beziehen, in einem flüchtigen Speicher in der Steuervorrichtung 200 gehalten werden, speichert der Einfahroperation-Steuerabschnitt 220 die Daten in einem nichtflüchtigen Speicher.
Gemäß der vorliegenden Ausführungsform fährt der Einfahroperation-Steuerabschnitt 220 bei Empfang der Fehlervorhersagebenachrichtigung den Roboter, die Werkzeugmaschine und dergleichen in eine sichere Position oder sicheren Ort ein. Dies ermöglicht es, zu vermeiden, dass ein Problem aufgrund einer unerwarteten Operation des Roboters, der Werkzeugmaschine und dergleichen entsteht, auch falls eine plötzliche Stromunterbrechung oder dergleichen auftritt.
<Beispiel 2>
Ein weiteres Beispiel einer Einfahraktion, die die Steuervorrichtung 200 ausführt, um zu veranlassen, dass ein Roboter ein Teil ladet oder entladet, und eine Werkzeugmaschine Bearbeiten eines Teils durchführt, wird beschrieben. Wenn der Empfangsabschnitt 210 die Fehlervorhersagebenachrichtigung empfängt, führt der Einfahroperation-Steuerabschnitt 220 eine Operation zum Minimieren der Wirkung, die von einer Unterbrechung der Stromversorgung verursacht wird, aus und stoppt dann den Roboter, die Werkzeugmaschine und dergleichen in einer Weise ähnlich Beispiel 1.
Zum Beispiel veranlasst der Einfahroperation-Steuerabschnitt 220, falls der Roboter ein Werkstück hält, den Roboter, eine Operation durchzuführen, um das Werkstück an einen vorbestimmten Ort zurückzuführen und stoppt dann die Operation. Falls die Werkzeugmaschine das Bearbeiten des Werkstücks durchführt, berechnet der Einfahroperation-Steuerabschnitt 220 einen Endzeitpunk des Bearbeitens, das ausgeführt wird, und bewertet, ob das Bearbeiten zu dem Zeitpunkt, an dem vorhergesagt wird, dass ein Stromversorgungsfehler auftritt, abgeschlossen ist oder nicht. Falls das Bearbeiten zu dem Zeitpunkt abgeschlossen ist, stoppt der Einfahroperation-Steuerabschnitt 220 die Operation, nachdem das Bearbeiten abgeschlossen ist. Falls das Bearbeiten nicht zu dem Zeitpunkt abgeschlossen werden kann, führt der Einfahroperation-Steuerabschnitt 220 das Bearbeiten aus, genau bis sich eine Schneidkante weg von dem Werkstück bewegt (zum Beispiel, wenn eine nächste schnelle Traversanweisung gestartet wird) und stoppt dann die Operation. Falls eine Drahterodiermaschine Bearbeiten eines Werkstücks durchführt, fährt die Steuervorrichtung 200 einen Draht an eine Position des ersten gebildeten Lochs ein und stoppt die Operation. Falls eine Spritzgießmaschine eine Spritzgussoperation durchführt, spült die Steuervorrichtung 200 das Material in eine Düse und stoppt die Operation.
Gemäß diesem Beispiel führt der Einfahroperation-Steuerabschnitt 220 bei Empfang der Fehlervorhersagebenachrichtigung eine Operation zum Minimieren der Wirkung, die von einer Unterbrechung der Stromversorgung verursacht wird, aus und fährt dann den Roboter, die Werkzeugmaschine und dergleichen in eine sichere Position oder einen sicheren Ort ein. Dies ermöglicht es, zu vermeiden, dass ein unerwartetes Problem entsteht, auch wenn eine plötzliche Stromunterbrechung oder dergleichen auftritt.
Auch wenn die Ausführungsformen der vorliegenden Erfindung beschrieben wurden, ist die vorliegende Erfindung nicht nur auf die Ausführungsformen, die oben beschrieben sind, beschränkt und kann durch angemessenes Ändern oder Modifizieren auf verschiedene Weise ausgeführt werden.
Zum Beispiel erstellt die Maschinenlernvorrichtung 300 in den oben beschriebenen Ausführungsformen ein Lernmodell mittels überwachten Lernens; die Maschinenlernvorrichtung 300 kann jedoch auch ein Lernmodell mittels unüberwachten Lernens erstellen. Dies wird zum Beispiel durch Eingeben des Inhalts (dem Vorhandensein oder Nichtvorhandensein des Auftretens eines Fehlers) der Fehlerbenachrichtigung als eine der Zustandsvariablen S ermöglicht.
Darüber hinaus basieren die oben beschriebenen Ausführungsformen auf der Maßgabe, dass Lem-, Vorhersage- und Einfahr-Verarbeitung von der Vorhersagevorrichtung 100, der Maschinenlernvorrichtung 300 und der Steuervorrichtung 200 bis zu dem Zeitpunkt, an dem vorhergesagt wird, dass ein Stromversorgungsfehler auftritt, abgeschlossen sind. Als Vorsichtsmaßnahme kann jedoch ein unterbrechungsfreies Stromversorgungssystem, das die Operationen der Vorhersagevorrichtung 100, der Maschinenlernvorrichtung 300 und der Steuervorrichtung 200 für mindestens eine gegebene Zeitdauer sichern kann, eingesetzt werden. Dies ermöglicht es, Lern-, Vorhersage- und Einfahrverarbeitung weiter auszuführen, auch wenn ein unvorhersehbarer Stromversorgungsfehler auftritt.
Auch wenn die Ausführungsformen der vorliegenden Erfindung beschrieben wurden, ist die vorliegende Erfindung nicht auf die Beispiele der Ausführungsformen, die oben beschrieben sind, beschränkt und kann durch angemessenes Ändern oder Modifizieren auf verschiedene Weise ausgeführt werden.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

JP 7028572 [0003, 0004]
JP 07028572 [0004]

Claims

Vorhersagevorrichtung zum Vorhersagen einer Leistungsinstabilität, umfassend: eine Maschinenlernvorrichtung, die eine Beziehung zwischen einer Veränderung in Messdaten, die einen Zustand einer Stromversorgung angeben, und einem Fehler, der in der Stromversorgung auftritt, lernt, wobei die Maschinenlernvorrichtung Folgendes aufweist: einen Zustandsbeobachtungsabschnitt, der die Messdaten beobachtet, die mindestens einen Messwert eines elektrischen Leistungsverbrauchs in einer Fabrik als eine Zustandsvariable, die den aktuellen Zustand einer Umgebung angibt, aufweisen, einen Bewertungsdatenerfassungsabschnitt, der eine Fehlerbenachrichtigung, die das Auftreten eines Fehlers angibt, als Bewertungsdaten erfasst, und einen Lernabschnitt, der eine Veränderung in den Messdaten und die Fehlerbenachrichtigung durch Korrelieren einer Veränderung in den Messdaten mit der Fehlerbenachrichtigung unter Verwendung der Zustandsvariable und der Bewertungsdaten lernt.
Vorhersagevorrichtung nach Anspruch 1, wobei der Lernabschnitt die Zustandsvariable und die Bewertungsdaten in einer mehrschichtigen Struktur berechnet.
Vorhersagevorrichtung nach Anspruch 1, die ferner Folgendes aufweist: einen Bewertungsausgabeabschnitt, der das Auftreten des Fehlers gemäß den Messdaten basierend auf einem Lernergebnis von dem Lernabschnitt vorhersagt und, falls das Auftreten des Fehlers vorhergesagt wird, eine Fehlervorhersagebenachrichtigung ausgibt.
Vorhersagevorrichtung nach Anspruch 1, wobei sich die Maschinenlernvorrichtung in einer Cloud-, Fog- und Edge-Computing-Umgebung befindet.
Maschinenlernvorrichtung, die eine Beziehung zwischen einer Veränderung in Messdaten, die einen Zustand einer Stromversorgung angeben, und einem Fehler, der in der Stromversorgung auftritt, lernt, wobei die Maschinenlernvorrichtung Folgendes aufweist: einen Zustandsbeobachtungsabschnitt, der die Messdaten beobachtet, die mindestens einen Messwert eines elektrischen Leistungsverbrauchs in einer Fabrik als eine Zustandsvariable, die den aktuellen Zustand einer Umgebung angibt, aufweisen; einen Bewertungsdatenerfassungsabschnitt, der eine Fehlerbenachrichtigung, die das Auftreten eines Fehlers angibt, als Bewertungsdaten erfasst; und einen Lernabschnitt, der eine Veränderung in den Messdaten und der Fehlerbenachrichtigung durch Korrelation einer Veränderung in den Messdaten mit der Fehlerbenachrichtigung unter Verwendung der Zustandsvariable und der Bewertungsdaten lernt.
Steuervorrichtung, die eine Arbeitsmaschine steuert, wobei die Steuervorrichtung Folgendes aufweist: einen Empfangsabschnitt, der eine Vorhersagebenachrichtigung über einen Fehler, der in einer Stromversorgung auftritt, empfängt, wobei der Fehler basierend auf einer Veränderung in Messdaten, die einen Zustand der Stromversorgung angeben, vorhergesagt wird; und einen Einfahroperation-Steuerabschnitt, der die Arbeitsmaschine veranlasst, in einen sicheren eingefahrenen Zustand überzugehen, wenn die Vorhersagebenachrichtigung empfangen wird.
Steuervorrichtung nach Anspruch 6, wobei der Übergang in den sicheren eingefahrenen Zustand Bewegen einer Position oder eines Orts der Arbeitsmaschine an einen vorbestimmten Ort und das Unterbrechen eines Arbeitsvorgangs, der ausgeführt wird, nach dem Ausführen des Arbeitsvorgangs bis zu einer vorbestimmten Stufe aufweist.
Produktionssystem, das eine Vorhersagevorrichtung, die eine Leistungsinstabilität vorhersagt, und eine Steuervorrichtung, die eine Arbeitsmaschine steuert, aufweist, wobei die Vorhersagevorrichtung eine Maschinenlernvorrichtung, die die Beziehung zwischen einer Veränderung in Messdaten, die einen Zustand einer Stromversorgung angeben, und einem Fehler, der in der Stromversorgung auftritt, lernt, aufweist, die Maschinenlernvorrichtung Folgendes aufweist: einen Zustandsbeobachtungsabschnitt, der die Messdaten beobachtet, die mindestens einen Messwert eines elektrischen Leistungsverbrauchs in einer Fabrik als eine Zustandsvariable, die den aktuellen Zustand einer Umgebung angibt, aufweisen, einen Bewertungsdatenerfassungsabschnitt, der eine Fehlerbenachrichtigung, die das Auftreten eines Fehlers angibt, als Bewertungsdaten erfasst, und einen Lernabschnitt, der eine Veränderung in den Messdaten und der Fehlerbenachrichtigung durch Korrelation einer Veränderung in den Messdaten mit der Fehlerbenachrichtigung unter Verwendung der Zustandsvariable und der Bewertungsdaten lernt, und die Steuervorrichtung Folgendes aufweist: einen Empfangsabschnitt, der eine Vorhersagebenachrichtigung über einen Fehler, der in einer Stromversorgung auftritt, empfängt, wobei der Fehler basierend auf einer Veränderung in Messdaten, die einen Zustand der Stromversorgung angeben, vorhergesagt wird, und einen Einfahroperation-Steuerabschnitt, der die Arbeitsmaschine veranlasst, in einen sicheren eingefahrenen Zustand überzugehen, wenn die Vorhersagebenachrichtigung empfangen wird.