DE102018129529A1

DE102018129529A1 - Vorrichtung zum Arbeitermanagement

Info

Publication number: DE102018129529A1
Application number: DE102018129529.4A
Authority: DE
Inventors: Wataru Shiraishi
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2017-11-29
Filing date: 2018-11-23
Publication date: 2019-05-29
Also published as: JP2019101516A; US11216757B2; JP6571741B2; CN109840672A; CN109840672B; US20190164110A1

Abstract

Eine Vorrichtung zum maschinellen Lernen, die in einer Vorrichtung zum Arbeitermanagement bereitgestellt ist, beobachtet, als Zustandsvariablen, die einen aktuellen Zustand einer Umgebung darstellen, externe Zustandsdaten des Arbeiters, die einen externen Zustand eines Arbeiters angeben und Zustandsdaten der Fertigungsmaschine, die einen Zustand einer Fertigungsmaschine angeben, und erfasst als Labeldaten Arbeiterzustandsdaten, die einen Zustand des Arbeiters angeben. Die Vorrichtung zum maschinellen Lernen lernt dann die externen Zustandsdaten des Arbeiters und die Zustandsdaten der Fertigungsmaschine in Assoziation mit den Arbeiterzustandsdaten, indem sie überwachtes Lernen unter Verwendung der beobachteten Zustandsvariablen und der erhaltenen Labeldaten durchführt.

Description

STAND DER TECHNIK
Gebiet der Erfindung
Die vorliegende Erfindung betrifft eine Vorrichtung zum Arbeitermanagement, und insbesondere eine Vorrichtung zum Arbeitermanagement, die automatisch Zustände wie Arbeitssituationen und Kompetenzniveaus von Arbeitern erfasst, wobei Messwerte wie die Gewährleistung der Sicherheit der Arbeiter, die Bewertung der Leistungen und die Verbesserung der Kompetenzen der Arbeiter und die Analyse des effektiven Betriebsfaktors der Fabrik leicht durchgeführt werden können.
Beschreibung des Standes der Technik
Ein Manager, der Arbeiter managt, die vor Ort arbeiten, ist in einer Fertigungsanlage anwesend. Der Manager überwacht die Arbeiter, um zu gewährleisten, dass die Arbeiter effizient arbeiten, dass die Arbeiter den Arbeitsinhalt ausreichend verstanden haben, bevor sie mit der Arbeit beginnen, dass die Arbeiter während gefährlichen Arbeiten ausreichende Vorsicht walten lassen, usw. Der Manager bietet den Arbeitern ebenso Anleitung und Beratung, wenn ein Problem auftritt, passt den Einsatz der Arbeiter vor Ort an, weist die Arbeiter an, Schulungen und Pausen wahrzunehmen, usw.
Als ein Beispiel wird eine Spritzgussfertigungsanlage beschrieben. Ein Spritzgusssystem besteht aus einer Spritzgussmaschine, einer Form, einem Temperaturregler für die Form, einem Trockner für Formstoff, einer Maschine, die die Formteile herausnimmt (einem Roboter), einem Einführroboter zum Einführen der Teile, einer Vorrichtung zum Prüfen der Formteile, einem Förderband, einer Verpackungsvorrichtung für Formteile, einer Überwachungskamera zum Überprüfen der Formoberfläche auf Fremdstoffe, ein Arbeitsplatzcomputer zum Managen der Formdaten usw. Die Arbeiter in der Fertigungsanlage führen die Wartung dieser Komponenten durch, und insbesondere eine regelmäßige Wartung der Schneckenzylinder, die in der Form installiert sind, und es ist von wesentlicher Bedeutung, in der Spritzgussmaschine Gas, Pech, Karbide und so weiter zu entfernen, die an den Schneckenzylindern anhaften und sich aufgrund der Zersetzung des hochtemperaturbeständigen Harzes darauf ansammeln. Jedoch werden die Form und die Schneckenzylinder bei hohen Temperaturen gesteuert und unter Verwendung von Metallkomponenten montiert, die komplizierte Formen aufweisen, daher birgt deren Wartung Gefahren. Aus diesem Grund führen die Arbeiter, als Schutzmaßnahme zum Vermindern der Risiken, Wartungsarbeiten durch, während sie verschiedene Arten von Schutzausrüstung, -kleidung usw. tragen, um die Sicherheit zu gewährleisten. Typischerweise ist Ausrüstung wie eine Schutzkappe, Arbeitskleidung, Handschuhe und Sicherheitsschuhe erforderlich, und abhängig von dem Inhalt der Wartungsarbeiten können Maßnahmen wie das Zurückbinden langer Haare, Entfernen von Halsketten, Krawatten usw. das Tragen von Schutzbrillen und das Tragen von hitzebeständigen Handschuhen oder Ähnlichem ebenso erforderlich sein. Der Manager überprüft die Arbeiter und bietet den Arbeitern Anleitung, wenn dies erforderlich ist, um zu gewährleisten, dass diese nicht mit den Arbeiten beginnen, ohne die Sicherheitsmaßnahmen befolgt zu haben.
Die Arbeit eines Standortmanagers in einer Fertigungsanlage ist daher wichtig, und dennoch ist es für eine kleine Anzahl an Managern in einer Fertigungsanlage sehr schwierig, die Situationen aller Arbeiter zu überprüfen, die am Standort arbeiten. Daher offenbart als konventionelle Technik für automatische Überprüfungen der Situationen von Arbeitern beispielsweise die japanische offengelegte Patentanmeldung Nr. 2008-146301 eine Technik zum Benachrichtigen eines Arbeiters über einen Zustand des Tragens von Schutzausrüstung, d. h. ob der Arbeiter vorbestimmte Schutzausrüstung an einem Arbeitsplatz trägt oder nicht, indem automatisch ein ID-Tag, das an der Schutzausrüstung befestigt ist, erfasst wird, wenn der Arbeiter den Arbeitsplatz betritt.
Ferner offenbart die offengelegte japanische Patentanmeldung Nr. 2015-95209 eine Überwachungstechnik zum Bestimmen, ob sich eine Person in einem angemessenen Zustand befindet oder nicht, der dem Arbeitsinhalt entspricht, indem eine vorbestimmte Stelle auf dem Körper der Person auf einem Bild erfasst wird, und eine Technik zum Schätzen einer Arbeitsumgebung oder des Inhalts der Arbeit durch Erkennen von Gegenständen, die an anderen Stellen als der vorbestimmten Stelle getragen werden, oder von peripheren Gegenständen.
Arbeiter führen Arbeiten an einem Arbeitsplatz in verschiedenen Situationen aus, und der Inhalt der durch den Manager durchzuführenden Prüfung unterscheidet sich je nach Situation, in der die Arbeiten durchgeführt werden (der Arbeiterzustand). Mit der in der offengelegten japanischen Patentanmeldung Nr. 2008-146301 offenbarten Technik ist es möglich, zu überprüfen, ob der Arbeiter die Schutzausrüstung trägt oder nicht, wenn der Arbeiter den Standort betritt, es ist jedoch nicht möglich, einen einzelnen Arbeiter an einem einzelnen Arbeitsplatz zu managen, wobei zwischen einer Situation unterschieden wird, in dem die Schutzausrüstung erforderlich ist, und einer Situation, in der die Schutzausrüstung nicht erforderlich ist.
Ferner ist es mit der in der offengelegten japanischen Patentanmeldung Nr. 2015-95209 offengelegten Technik schwierig, zwischen Fällen zu unterscheiden, die ähnlich zu sein scheinen, sich aber hinsichtlich des Arbeitsinhalts von dem Bild unterscheiden. Beispielsweise kann es schwierig sein, zwischen einem Fall zu unterscheiden, in dem ein Arbeiter zeitweise einen normalen Arbeitsschritt unterbricht und sich einem Werkzeug oder einem Werkstück nähert, um eine Sichtprüfung des Werkstücks u. ä. vorzunehmen, und einem Fall, in dem eine Unregelmäßigkeit auftritt und der Arbeiter sich dem Werkzeug oder dem Werkstück nähert, um eine Anpassung oder eine Wartung daran vorzunehmen. Des Weiteren werden in vielen Fertigungsanlagen Werkzeuge für die Wartung jederzeit um die Maschinen herum bereitgestellt, und es kann daher schwierig sein, den Arbeitsinhalt aufgrund der peripheren Gegenstände einzuschätzen. In diesem Fall kann fälschlicherweise eine Warnung oder ein Bericht an den Manager ausgegeben werden, wenn ein Arbeiter, der keine Wartungsarbeiten durchführt, sich einem Werkzeug oder einem Werkstück nähert.
Des Weiteren umfasst, wie oben beschrieben, das Management von Arbeitern durch einen Standortmanager eine breite Palette von Aufgaben, wie das Bestimmen aufgrund der Arbeitssituationen der Arbeiter, ob der Einsatz der Arbeiter umzustellen ist, ob die Arbeiter Schulungen oder Pausen benötigen oder nicht, usw. Jedoch wurde ein Verfahren zum Bewerten von Leistungen der Arbeiter und dem Quantifizieren von Zuständen wie der aktuellen Arbeitssituation und dem Kompetenzniveau des Arbeiters bisher noch nicht erstellt, und es ist daher nicht möglich, diese Elemente zu quantifizieren und die sich daraus ergebenden Werte während dem Arbeitermanagement, dem Fertigungsanlagenmanagement usw. zu verwenden.
ZUSAMMENFASSUNG DER ERFINDUNG
Daher ist eine Aufgabe der vorliegenden Erfindung, eine Vorrichtung zum Arbeitermanagement und eine Vorrichtung zum maschinellen Lernen bereitzustellen, die automatisch Zustände wie Arbeitssituationen und Kompetenzniveaus von Arbeitern erfassen, wobei Messungen wie die Gewährleistung der Sicherheit der Arbeiter und die Bewertung der Leistung und Verbesserung der Kompetenzen der Arbeiter leicht umgesetzt werden können.
Nach der vorliegenden Erfindung wird das oben beschriebene Problem durch das Erlernen physikalischer Mengen (Prozessüberwachungsdaten, eine Betriebshistorie, eine Alarmhistorie, eine Historie der Modifikationen einer Formbedingung usw.) gelöst, die sich auf Bilddaten der Arbeiter beziehen, und durch ein Formsystem, das durch maschinelles Lernen automatisch Zustände von Arbeitern erfasst und die erfassten Zustände managt.
Eine Vorrichtung zum Arbeitermanagement nach einem Aspekt der vorliegenden Erfindung managt einen Arbeiter, der an einer Fertigungsmaschine in einer Fertigungsanlage Arbeiten ausführt, und schließt eine Vorrichtung zum maschinellen Lernen ein, die eine Schätzung eines Zustands des Arbeiters in Bezug auf einen externen Zustand des Arbeiters und einen Zustand der Fertigungsmaschine lernt. Die Vorrichtung zum maschinellen Lernen schließt Folgendes ein: eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die einen aktuellen Zustand einer Umgebung darstellen, externe Zustandsdaten des Arbeiters beobachtet, die jeweils den externen Zustand des Arbeiters anzeigen, und Zustandsdaten der Fertigungsmaschine, die den Zustand der Fertigungsmaschine anzeigen, entsprechend auf der Grundlage von Bilddaten, die durch Fotografieren einer Arbeitssituation des Arbeiters erfasst werden, und von Daten, die von der Fertigungsmaschine erfasst werden; eine Labeldatenerfassungseinheit, die als Labeldaten Zustandsdaten des Arbeiters erfasst, die den Zustand des Arbeiters anzeigen; und eine Lerneinheit, die externe Zustandsdaten des Arbeiters und die Zustandsdaten der Fertigungsmaschine in Assoziation mit den Zustandsdaten des Arbeiters durch überwachtes Lernen lernt, unter Verwendung der Zustandsvariablen und der Labeldaten.
Die Lerneinheit kann eine Fehlerberechnungseinheit einschließen, die einen Fehler zwischen einem Korrelationsmodell, das verwendet wird, um einen aktuellen Zustand des Arbeiters aufgrund der Zustandsvariablen zu schätzen, und einem Fehlermerkmal zu berechnen, das von Lehrerdaten identifiziert wurde, die zuvor vorbereitet wurden, und eine Modellaktualisierungseinheit, die das Korrelationsmodell aktualisiert, so dass der Fehler reduziert wird.
Die Lerneinheit kann die Zustandsvariablen und die Labeldaten in einer mehrschichtigen Struktur berechnen.
Eine Vorrichtung zum Arbeitermanagement nach einem weiteren Aspekt der vorliegenden Erfindung managt einen Arbeiter, der Arbeiten an einer Fertigungsmaschine in einer Fertigungsanlage durchführt, und schließt eine Vorrichtung zum maschinellen Lernen ein, die eine Schätzung eines Zustands des Arbeiters in Bezug auf einen externen Zustand des Arbeiters und einen Zustand der Fertigungsmaschine gelernt hat. Die Vorrichtung zum maschinellen Lernen schließt Folgendes ein: eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die einen aktuellen Zustand einer Umgebung darstellen, externe Zustandsdaten des Arbeiters beobachtet, die den externen Zustand des Arbeiters angeben, und Zustandsdaten der Fertigungsmaschine, die den Zustand der Fertigungsmaschine angeben, entsprechend auf der Grundlage von Bilddaten, die durch Fotografieren einer Arbeitssituation des Arbeiters erfasst werden, und von Daten, die von der Fertigungsmaschine erfasst werden; eine Lerneinheit, die durch überwachtes Lernen den externen Zustand des Arbeiters und den Zustand der Fertigungsmaschine in Assoziation mit dem Zustand des Arbeiters gelernt hat; und eine Schätzungsergebnis-Ausgabeeinheit, die den Zustand des Arbeiters auf der Grundlage der Zustandsvariablen ausgibt, die durch die Zustandsbeobachtungseinheit beobachtet wurden, und ein Lernergebnis, das durch die Lerneinheit erhalten wurde.
Eine Vorrichtung zum Arbeitermanagement nach einem weiteren Aspekt der vorliegenden Erfindung managt einen Arbeiter, der Arbeiten an einer Fertigungsmaschine in einer Fertigungsanlage durchführt, und schließt eine Vorrichtung zum maschinellen Lernen ein, die eine Schätzung eines Zustands des Arbeiters in Bezug auf einen externen Zustand des Arbeiters und eines Zustands der Fertigungsmaschine lernt. Die Vorrichtung zum maschinellen Lernen schließt Folgendes ein: eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die einen aktuellen Zustand einer Umgebung darstellen, externe Zustandsdaten des Arbeiters beobachtet, die den externen Zustand des Arbeiters anzeigen, und Zustandsdaten der Fertigungsmaschine, die den Zustand der Fertigungsmaschine anzeigen, entsprechend auf der Grundlage von Bilddaten, die durch Fotografieren einer Arbeitssituation des Arbeiters erfasst werden, und Daten, die von der Fertigungsmaschine erfasst werden; und eine Lerneinheit, die den Zustand des Arbeiters durch nicht überwachtes Lernen unter Verwendung der Zustandsvariablen lernt.
Eine Vorrichtung zum Arbeitermanagement nach einem weiteren Aspekt der vorliegenden Erfindung managt einen Arbeiter, der Arbeiten an einer Fertigungsmaschine in einer Fertigungsanlage durchführt, und schließt eine Vorrichtung zum maschinellen Lernen ein, die eine Schätzung eines Zustands des Arbeiters in Bezug auf einen externen Zustand des Arbeiters und einen Zustand der Fertigungsmaschine gelernt hat. Die Vorrichtung zum maschinellen Lernen schließt Folgendes ein: eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die einen aktuellen Zustand einer Umgebung darstellen, externe Zustandsdaten des Arbeiters beobachtet, die den externen Zustand des Arbeiters angeben, und Zustandsdaten der Fertigungsmaschine, die den Zustand der Fertigungsmaschine angeben, entsprechend auf der Basis von Bilddaten, die durch Fotografieren einer Arbeitssituation des Arbeiters erfasst werden, und Daten, die von der Fertigungsmaschine erfasst werden; eine Lerneinheit, die durch nicht überwachtes Lernen den Zustand des Arbeiters gelernt hat, basierend auf dem externen Zustand des Arbeiters und dem Zustand der Fertigungsmaschine; und eine Schätzungsergebnis-Ausgabeeinheit, die den Zustand des Arbeiters auf der Grundlage der Zustandsvariablen, die durch die Zustandsbeobachtungseinheit beobachtet wurden, und einem Lernergebnis, dass durch die Lerneinheit erhalten wurde, ausgibt.
Eine Vorrichtung zum Arbeitermanagement nach einem weiteren Aspekt der vorliegenden Erfindung managt einen Arbeiter, der Arbeiten an einer Fertigungsmaschine in einer Fertigungsanlage durchführt, und schließt eine Vorrichtung zum maschinellen Lernen ein, die eine Schätzung eines Zustands des Arbeiters in Bezug auf einen externen Zustand des Arbeiters und einen Zustand der Fertigungsmaschine einschätzt. Die Vorrichtung zum maschinellen Lernen schließt folgendes ein: eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die einen aktuellen Zustand einer Umgebung darstellen, externe Zustandsdaten des Arbeiters beobachtet, die den externen Zustand des Arbeiters angeben, und Zustandsdaten der Fertigungsmaschine, die den Zustand der Fertigungsmaschine angeben, entsprechend auf der Grundlage von Bilddaten, die durch Fotografieren einer Arbeitssituation des Arbeiters erfasst werden, und Daten, die von der Fertigungsmaschine erhalten werden; eine Labeldatenerfassungseinheit, die als Labeldaten Zustandsdaten des Arbeiters erfasst, die den Zustand des Arbeiters angeben; eine erste Lerneinheit, die die externen Zustandsdaten des Arbeiters und die Zustandsdaten der Fertigungsmaschine in Assoziation mit den Zustandsdaten des Arbeiters durch überwachtes Lernen unter Verwendung der Zustandsvariablen und der Labeldaten lernt; und eine zweite Lerneinheit, die den Zustand des Arbeiters durch nicht überwachtes Lernen unter Verwendung der Zustandsvariablen lernt.
Eine Vorrichtung zum Arbeitermanagement nach einem weiteren Aspekt der vorliegenden Erfindung managt einen Arbeiter, der Arbeiten an einer Fertigungsmaschine in einer Fertigungsanlage durchführt, und schließt eine Vorrichtung zum maschinellen Lernen ein, die eine Schätzung eines Zustands des Arbeiters in Bezug auf einen externen Zustand des Arbeiters und einen Zustand der Fertigungsmaschine gelernt hat. Die Vorrichtung zum maschinellen Lernen schließt Folgendes ein: eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die einen aktuellen Zustand einer Umgebung darstellen, externe Zustandsdaten des Arbeiters beobachtet, die den externen Zustand des Arbeiters angeben, und Zustandsdaten der Fertigungsmaschine, die den Zustand der Fertigungsmaschine angeben, entsprechend auf der Grundlage von Bilddaten, die durch Fotografieren einer Arbeitssituation des Arbeiters erfasst werden, und Daten, die von der Fertigungsmaschine erhalten werden; eine erste Lerneinheit, die durch überwachtes Lernen den externen Zustand des Arbeiters und den Zustand der Fertigungsmaschine in Assoziation mit dem Zustand des Arbeiters gelernt hat; eine zweite Lerneinheit, die durch nicht überwachtes Lernen den Zustand des Arbeiters basierend auf dem externen Zustand des Arbeiters und dem Zustand der Fertigungsmaschine gelernt hat; und eine Schätzungsergebnis-Ausgabeeinheit, die den Zustand des Arbeiters auf der Grundlage der Zustandsvariablen, die durch die Zustandsbeobachtungseinheit beobachtet wurden, eines Lernergebnisses, das durch die erste Lerneinheit erhalten wurde, und eines Lernergebnisses, das durch die zweite Lerneinheit erhalten wurde, ausgibt.
Eine Vorrichtung zum maschinellen Lernen nach einem Aspekt der vorliegenden Erfindung lernt eine Schätzung eines Zustands des Arbeiters, der Arbeiten an einer Fertigungsmaschine in einer Fertigungsanlage ausführt, in Bezug auf einen externen Zustand des Arbeiters und einen Zustands der Fertigungsmaschine, und schließt folgendes ein: eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die einen aktuellen Zustand einer Umgebung darstellen, externe Zustandsdaten des Arbeiters beobachtet, die den externen Zustand des Arbeiters angeben, und Zustandsdaten der Fertigungsmaschine, die den Zustand der Fertigungsmaschine angeben, entsprechend auf der Grundlage von Bilddaten, die durch Fotografieren einer Arbeitssituation des Arbeiters erfasst werden, und Daten, die von der Fertigungsmaschine erhalten werden; eine Labeldatenerfassungseinheit, die als Labeldaten Zustandsdaten des Arbeiters angibt, die den Zustand des Arbeiters angeben; und eine Lerneinheit, die die externen Zustandsdaten des Arbeiters und die Zustandsdaten der Fertigungsmaschine in Assoziation mit den Zustandsdaten des Arbeiters durch überwachtes Lernen unter Verwendung der Zustandsvariablen und der Labeldaten lernt.
Eine Vorrichtung zum maschinellen Lernen nach einem weiteren Aspekt der vorliegenden Erfindung hat eine Schätzung eines Zustands eines Arbeiters gelernt, der Arbeiten an einer Fertigungsmaschine in einer Fertigungsanlage ausführt, in Bezug auf einen externen Zustand des Arbeiters und einen Zustand der Fertigungsmaschine, und schließt Folgendes ein: eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die einen aktuellen Zustand einer Umgebung darstellen, externe Zustandsdaten des Arbeiters beobachtet, die den externen Zustand des Arbeiters angeben, und Zustandsdaten der Fertigungsmaschine, die den Zustand der Fertigungsmaschine angeben, entsprechend auf der Grundlage von Bilddaten, die durch Fotografieren einer Arbeitssituation des Arbeiters erfasst werden, und Daten, die von der Fertigungsmaschine erfasst werden; eine Lerneinheit, die durch überwachtes Lernen den externen Zustand des Arbeiters und den Zustand der Fertigungsmaschine in Assoziation mit dem Zustand des Arbeiters gelernt hat; und eine Schätzungsergebnis-Ausgabeeinheit, die den Zustand des Arbeiters auf der Grundlage der Zustandsvariablen, die durch die Zustandsbeobachtungseinheit beobachtet wurden, und einem Lernergebnis, das durch die Lerneinheit erhalten wurde, ausgibt.
Eine Vorrichtung zum maschinellen Lernen nach einem weiteren Aspekt der vorliegenden Erfindung lernt eine Schätzung eines Zustands eines Arbeiters, der Arbeiten an einer Fertigungsmaschine in einer Fertigungsanlage durchführt, in Bezug auf einen externen Zustand des Arbeiters und einen Zustand der Fertigungsmaschine, und schließt Folgendes ein: eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die einen aktuellen Zustand einer Umgebung darstellen, externe Zustandsdaten des Arbeiters beobachtet, die den externen Zustand des Arbeiters angeben, und Zustandsdaten der Fertigungsmaschine, die den Zustand der Fertigungsmaschine angeben, entsprechend auf der Grundlage von Bilddaten, die durch Fotografieren einer Arbeitssituation des Arbeiters erfasst werden, und Daten, die von der Fertigungsmaschine erfasst werden; und eine Lerneinheit, die den Zustand des Arbeiters durch nicht überwachtes Lernen unter Verwendung der Zustandsvariablen lernt.
Eine Vorrichtung zum maschinellen Lernen nach einem weiteren Aspekt der vorliegenden Erfindung hat eine Schätzung eines Zustands eines Arbeiters gelernt, der Arbeiten an einer Fertigungsmaschine in einer Fertigungsanlage ausführt, in Bezug auf einen externen Zustand des Arbeiters und einen Zustand der Fertigungsmaschine, und schließt Folgendes ein: eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die einen aktuellen Zustand einer Umgebung darstellen, externe Zustandsdaten des Arbeiters beobachtet, die den externen Zustand des Arbeiter angeben, und Zustandsdaten der Fertigungsmaschine, die den Zustand der Fertigungsmaschine angeben, entsprechend auf der Grundlage von Bilddaten, die durch Fotografieren einer Arbeitssituation des Arbeiters erfasst werden, und Daten, die von der Fertigungsmaschine erhalten werden; eine Lerneinheit, die durch nicht überwachtes Lernen den Zustand des Arbeiters gelernt hat, basierend auf dem externen Zustand des Arbeiters und dem Zustand der Fertigungsmaschine; und einer Schätzungsergebnis-Ausgabeeinheit, die den Zustand des Arbeiters auf der Grundlage der Zustandsvariablen, die durch die Zustandsbeobachtungseinheit beobachtet wurden, und einem Lernergebnis, das durch die Lerneinheit erhalten wurde, ausgibt.
Eine Vorrichtung zum maschinellen Lernen nach einem weiteren Aspekt der vorliegenden Erfindung lernt eine Schätzung eines Zustands eines Arbeiters, der an einer Fertigungsmaschine in einer Fertigungsanlage Arbeiten durchführt, in Bezug auf einen externen Zustand des Arbeiters und einen Zustand der Fertigungsmaschine, und schließt Folgendes ein: eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die einen aktuellen Zustand einer Umgebung darstellen, externe Zustandsdaten des Arbeiters beobachtet, die den externen Zustand des Arbeiters angeben, und Zustandsdaten der Fertigungsmaschine, die den Zustand der Fertigungsmaschine angeben, entsprechend auf der Grundlage von Bilddaten, die durch Fotografieren einer Arbeitssituation des Arbeiters erfasst werden, und Daten, die von der Fertigungsmaschine erhalten werden; eine Labeldatenerfassungseinheit, die als Labeldaten Arbeiterzustandsdaten erfasst, die den Zustand des Arbeiters angeben; eine erste Lerneinheit, die die externen Zustandsdaten des Arbeiters und die Zustandsdaten der Fertigungsmaschine in Assoziation mit den Arbeiterzustandsdaten durch überwachtes Lernen unter Verwendung der Zustandsvariablen und der Labeldaten lernt; und eine zweite Lerneinheit, die den Zustand des Arbeiters durch nicht überwachtes Lernen unter Verwendung der Zustandsvariablen lernt.
Eine Vorrichtung zum maschinellen Lernen nach einem weiteren Aspekt der vorliegenden Erfindung hat eine Schätzung eines Zustands eines Arbeiters gelernt, der an einer Fertigungsmaschine in einer Fertigungsanlage Arbeiten durchführt, in Bezug auf einen externen Zustand des Arbeiters und einen Zustand der Fertigungsmaschine, und schließt Folgendes ein: eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die einen aktuellen Zustand einer Umgebung darstellen, externe Zustandsdaten des Arbeiters beobachtet, die den externen Zustand des Arbeiters angeben, und Zustandsdaten der Fertigungsmaschine, die den Zustand der Fertigungsmaschine angeben, entsprechend auf der Grundlage von Bilddaten, die durch Fotografieren einer Arbeitssituation des Arbeiters erfasst werden, und Daten, die von der Fertigungsmaschine erfasst werden; eine erste Lerneinheit, die durch überwachtes Lernen den externen Zustand des Arbeiters und den Zustand der Fertigungsmaschine in Assoziation mit dem Zustand des Arbeiters gelernt hat; eine zweite Lerneinheit, die durch nicht überwachtes Lernen den Zustand des Arbeiters basierend auf dem externen Zustand des Arbeiters und dem Zustand der Fertigungsmaschine gelernt hat; und eine Schätzungsergebnis-Ausgabeeinheit, die den Zustand des Arbeiters auf der Grundlage der Zustandsvariablen, die durch die Zustandsbeobachtungseinheit beobachtet wurden, eines Lernergebnisses, das durch die erste Lerneinheit erhalten wurde, und eines Lernergebnisses, das durch die zweite Lerneinheit erhalten wurde, ausgibt.
Nach der vorliegenden Erfindung kann die Arbeitersicherheit gewährleistet werden, und die Zustände der Arbeiter können einfach gemanagt werden, was eine Verbesserung des effektiven Betriebsfaktors einer Fertigungsanlage ermöglicht.
Figurenliste

1 ist eine schematische Ansicht, die eine Hardwarekonfiguration einer Vorrichtung zum Arbeitermanagement nach einer ersten Ausführungsform zeigt;
2 ist ein schematisches Funktionsblockdiagramm der Vorrichtung zum Arbeitermanagement nach der ersten Ausführungsform;
3 ist ein schematisches Funktionsblockdiagramm, das eine Ausführungsform der Vorrichtung zum Arbeitermanagement zeigt;
4A ist eine Ansicht, die ein Neuron bildlich darstellt;
4B ist eine Ansicht, die ein neuronales Netzwerk bildlich darstellt;
5 ist ein schematisches Funktionsblockdiagramm, das eine Vorrichtung zum Arbeitermanagement nach einer zweiten Ausführungsform zeigt;
6 ist ein schematisches Funktionsblockdiagramm, das eine Vorrichtung zum Arbeitermanagement nach einer dritten Ausführungsform zeigt.

DETAILLIERTE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
1 ist eine schematische Ansicht, die eine Hardwarekonfiguration von Hauptbestandteilen einer Vorrichtung zum Arbeitermanagement nach einer ersten Ausführungsform zeigt.
Eine Vorrichtung zum Arbeitermanagement 1 kann beispielsweise als eine Steuerung zum Steuern einer Fertigungsmaschine 70 umgesetzt sein, die in einer Fertigungsanlage installiert ist, oder als ein Arbeitsrechner, der an die Fertigungsmaschine 70 angeschlossen ist. Die Vorrichtung zum Arbeitermanagement 1 kann ebenso als ein Computer wie ein Zellencomputer, ein Hostcomputer oder ein Cloudserver umgesetzt sein, der mit der Fertigungsmaschine 70, die in der Fertigungsanlage installiert ist, über ein Netzwerk 2 verbunden ist. Es ist zu beachten, dass die Fertigungsmaschine 70 eine Maschine ist, die in einer Fertigungsanlage installiert ist, um einen Fertigungsprozess auszuführen, und in einer Spritzgussfertigungsanlage kann die Fertigungsmaschine 70 beispielsweise eine Spritzgussmaschine, ein Temperaturregler für die Form, ein Trockner für Formstoff, eine Maschine, die die Formteile herausnimmt (ein Roboter), ein Einführroboter zum Einführen der Teile, eine Vorrichtung zur Überprüfung der Formteile, ein Förderband, eine Verpackungsvorrichtung für Formteile usw. sein.
Eine CPU 11, die in der Vorrichtung zum Arbeitermanagement 1 nach dieser Ausführungsform bereitgestellt ist, dient als ein Prozessor zum Ausführen der Gesamtsteuerung der Vorrichtung zum Arbeitermanagement 1. Die CPU 11 liest ein Systemprogramm, das in einem ROM 12 gespeichert ist, über einen Bus 20 und führt die Gesamtsteuerung der Vorrichtung zum Arbeitermanagement 1 in Übereinstimmung mit dem Systemprogramm aus. Ein RAM 13 speichert temporäre Berechnungsdaten, verschiedene Daten, die durch einen Bediener über eine Eingabeeinheit eingegeben werden, die nicht in der Figur gezeigt wird, usw.
Ein nichtflüchtiger Speicher 14 ist beispielsweise durch eine Batterie gesichert, die nicht in der Figur gezeigt wird, oder Ähnliches, so dass ein Speicherzustand davon auch dann aufrecht erhalten bleibt, wenn die Energieversorgung der Vorrichtung zum Arbeitermanagement 1 auf AUS geschaltet wird. Der nichtflüchtige Speicher 14 speichert verschiedene Daten, die durch einen Bediener durch Bedienen einer Eingabevorrichtung 40 eingegeben werden, Daten (beispielsweise Bilder wie statische Bilder und bewegte Bilder, die Arbeitssituationen von Arbeitern zeigen, Zeiten, zu denen die Bilder aufgenommen wurden, usw.), die von einer Bilderfassungsvorrichtung 60 erfasst wurden, Daten (Informationen, die einen Betriebszustand der Fertigungsmaschine 70 angeben; wenn die Fertigungsmaschine 70 eine Spritzgussmaschine ist, sind dies beispielsweise die Formbedingungen, Daten zu physikalischen Eigenschaften in Bezug auf den Spritzguss, eine Arbeiter-Betriebshistorie, eine Historie der Modifikationen einer Formbedingung, eine Alarmhistorie, Formteil-Prüfdaten, Daten zur physikalischen Quantität, die sich auf periphere Geräte beziehen, usw.), die von der Fertigungsmaschine 70 über eine Schnittstelle 19 erfasst werden, eine Steuerprogrammeingabe über eine Schnittstelle, die nicht in der Figur gezeigt wird, usw. Das Programm und verschiedene Daten, die in dem nichtflüchtige Speicher 14 gespeichert sind, können zu dem RAM 13 erweitert werden, wenn sie ausgeführt/verwendet werden. Ferner werden Systemprogramme, die ein bekanntes Analyseprogramm zum Analysieren der von der Bilderfassungsvorrichtung 60 und der Fertigungsmaschine 70 erfassten Informationen, ein Systemprogramm zum Steuern der Kommunikation mit einer Vorrichtung zum maschinellen Lernen 100, das nachfolgend beschrieben wird, usw. einschließen, zuvor in den ROM 12 geschrieben.
Die Bilderfassungsvorrichtung 60 wird hauptsächlich verwendet, um Bilder der Arbeitssituationen von Arbeitern aufzunehmen. Eine Kamera oder Ähnliches, die auf einem Roboter, an der Decke der Fertigungsanlage oder auf ähnliche Weise montiert ist, um statische Bilder oder bewegte Bilder aufzunehmen, kann als die Bilderfassungsvorrichtung 60 verwendet werden. Die Arbeitssituationen der Arbeiter, die durch die Bilderfassungsvorrichtung 60 aufgenommen werden, werden in dem RAM 13 oder in dem nichtflüchtigen Speicher 14 über eine Schnittstelle 18 gespeichert, durch ein bekanntes Analyseprogramm oder Ähnliches analysiert, und dann verwendet.
Eine Schnittstelle 21 wird dann verwendet, um die Vorrichtung zum Arbeitermanagement 1 mit der Vorrichtung zum maschinellen Lernen 100 zu verbinden. Die Vorrichtung zum maschinellen Lernen 100 schließt einen Prozessor 101 zum Ausführen der Gesamtsteuerung der Vorrichtung zum maschinellen Lernen 100, einen ROM 102, der ein Systemprogramm usw. speichert, einen RAM 103 zum Durchführen einer temporären Speicherung während unterschiedlichen Verarbeitungen, die sich auf das maschinelle Lernen beziehen, und einen nichtflüchtigen Speicher 104 ein, der verwendet wird, um ein Lernmodell usw. zu speichern. Die Vorrichtung zum maschinellen Lernen 100 ist in der Lage, Informationen (die statischen und bewegten Bilder, die die Arbeitssituationen der Arbeiter anzeigen, Zustandsinformationen, die die Arbeitssituationen der Arbeiter angeben, die durch Analysieren der statischen und bewegten Bilder erhalten werden, Informationen, die den Betriebszustand der Fertigungsmaschine 70 angeben usw.) zu beobachten, die durch die Vorrichtung zum Arbeitermanagement 1 über die Schnittstelle 21 erfasst werden können. Ferner zeigt die Vorrichtung zum Arbeitermanagement 1 Managementinformationen an, die von der Vorrichtung zum maschinellen Lernen 100 auf einer Displayvorrichtung 50 über eine Schnittstelle 17 ausgegeben werden.
2 ist ein schematisches Funktionsblockdiagramm der Vorrichtung zum Arbeitermanagement 1 und der Vorrichtung zum maschinellen Lernen 100 nach der ersten Ausführungsform der vorliegenden Erfindung.
Die jeweiligen Funktionsblöcke, die in 2 gezeigt werden, sind so umgesetzt, dass sie die CPU 11 der Vorrichtung zum Arbeitermanagement 1 und den Prozessor 101 der Vorrichtung zum maschinellen Lernen 100 aufweisen, wie in 1 gezeigt, die jeweils Systemprogramme ausführen, um Arbeitsschritte der jeweiligen Teile der Vorrichtung zum Arbeitermanagement 1 und der Vorrichtung zum maschinellen Lernen 100 zu steuern.
Die Vorrichtung zum Arbeitermanagement 1 nach dieser Ausführungsform schließt ein Bildanalyseeinheit 32 zum Analysieren von Bildern ein, die von der Bilderfassungsvorrichtung 60 erfasst werden, und zum Generieren von Daten, die während dem Lernvorgang durch die Vorrichtung zum maschinellen Lernen 100 verwendet werden, und eine Displayeinheit 34 zum Anzeigen von Anweisungen, die von der Vorrichtung zum maschinellen Lernen 100 an die Arbeiter auf der Displayvorrichtung 50 ausgegeben werden.
Die Bildanalyseeinheit 32 generiert Daten, die während dem Lernvorgang der Vorrichtung zum maschinellen Lernen 100 verwendet werden, auf der Grundlage von Daten, die sich auf ein Bild beziehen, das von der Bilderfassungsvorrichtung 60 erfasst wird, in dem nichtflüchtigen Speicher 14 gespeichert wird, und die Arbeitssituation eines Arbeiters zeigt. Beispielsweise analysiert die Bildanalyseeinheit 32 einen Zustand des Tragens von Ausrüstung durch den Arbeiter (beispielsweise, ob der Arbeiter eine Sicherheitskappe, Handschuhe, eine Schutzbrille usw. trägt), die Handlungen des Arbeiters (beispielsweise die Fertigungsmaschine 70, in deren Nähe der Arbeiter arbeitet, die Art und Weise, auf die der Arbeiter handelt, die Art und Weise, auf die die Hände des Arbeiters ausgestreckt sind usw.), den Zustand der Fertigungsmaschine 70 in der Nähe des Arbeiters (beispielsweise der erleuchtete Zustand einer Leuchte auf der Fertigungsmaschine 70 in der Nähe des Arbeiters, die Zustände beweglicher Teile usw.), die Zeit, zu der das Bild aufgenommen wurde usw. und gibt diese Daten an die Vorrichtung zum maschinellen Lernen 100 aus.
Ein bekanntes, konventionelles Verfahren kann als das Bildanalyseverfahren verwendet werden, das durch die Bildanalyseeinheit 32 eingesetzt wird. Beispielsweise kann in Bezug auf den Zustand des Tragens von Ausrüstung ein Verfahren eingesetzt werden, das den Körper des Arbeiters auf einem Bild identifiziert und durch Identifizieren der Farben von Körperteilen wie Kopf, Händen, und Augen des Arbeiters bestimmt, ob der Arbeiter die Ausrüstung trägt oder nicht, oder durch Anbringen von Identifizierungskennzeichnungen an der Ausrüstung, und die Bestimmung, ob der Arbeiter die Ausrüstung trägt oder nicht, erfolgt dann durch die Erfassung der Kennzeichnungen. Ferner kann hinsichtlich der Handlungen des Arbeiters beispielsweise ein Verfahren eingesetzt werden, das den Körper des Arbeiters in einem bewegten Bild identifiziert und die Handlungen des Arbeiters identifiziert, indem dessen Bewegungen analysiert werden. Ein Datensatz, der auf diese Weise erstellt wird, wird durch die Vorrichtung zum maschinellen Lernen 100 zum Zweck des Lernens und Schätzens verwendet.
Die Displayeinheit 34 zeigt Schätzergebnisse an, die sich auf Zustände des Arbeiters beziehen, die von der Vorrichtung zum maschinellen Lernen 100 auf der Displayvorrichtung 50 ausgegeben werden. Die Displayeinheit 34 kann ebenso Warnungen, Hinweise, Anweisungen usw. anzeigen, die in den Arbeiterzuständen eingeschlossen sind, die von der Vorrichtung zum maschinellen Lernen 100 ausgegeben werden, während ein Alarm oder Ähnliches ertönen kann, um die Arbeiter darauf aufmerksam zu machen. Die Displayeinheit 34 kann ebenso die Zustände der Arbeiter, die von der Vorrichtung zum maschinellen Lernen 100 auf der Displayvorrichtung 50 ausgegeben werden, in unterschiedlichen Textfarben und Hintergrundfarben anzeigen, und mit unterschiedliche Zustandstiteln abhängig von der Art des Zustands des Arbeiters. Des Weiteren kann die Displayeinheit 34 die Zustände der Arbeiter ausgeben, die von der Vorrichtung zum maschinellen Lernen 100 an die Fertigungsmaschine 70 ausgegeben werden.
Gleichzeitig schließt die Vorrichtung zum maschinellen Lernen 100, die in der Vorrichtung zum Arbeitermanagement 1 bereitgestellt ist, Software (ein Lernalgorithmus usw.) und Hardware (den Prozessor 101 usw.) zum Selbstlernen, durch sogenanntes maschinelles Lernen, einer Schätzung des Arbeiterzustands jedes Arbeiters in Bezug auf den externen Zustand des Arbeiters und den Zustand der Fertigungsmaschine ein. Die Positionen, die durch die Vorrichtung zum maschinellen Lernen 100 gelernt werden, entsprechen einer Modellstruktur, die eine Korrelation zwischen dem Arbeiterzustand des Arbeiters einerseits und dem externen Zustand des Arbeiters und dem Zustand der Fertigungsmaschine andererseits ausdrückt.
Wie es durch die Funktionsblöcke, die in 2 aufgeführt sind, gezeigt wird, schließt die Vorrichtung zum maschinellen Lernen 100 der Vorrichtung zum Arbeitermanagement 1 eine Zustandsbeobachtungseinheit 106 ein, die als Zustandsvariablen S, die den aktuellen Zustand einer Umgebung anzeigen, externe Zustandsdaten des Arbeiters S1 beobachtet, die den externen Zustand des Arbeiters angeben, und Zustandsdaten der Fertigungsmaschine S2, die den Zustand der Fertigungsmaschine angeben, eine Labeldatenerfassungseinheit 108 zum Erfassen von Labeldaten L, die die Arbeiterzustandsdaten L1 einschließen, die den aktuellen Zustand des Arbeiter angeben, eine Lerneinheit 110, die die Zustandsvariablen S und die Labeldaten L verwendet, um den aktuellen Zustand des Arbeiters in Assoziation mit dem externen Zustand des Arbeiters und dem Zustand der Fertigungsmaschine zu erlernen, und eine Schätzungsergebnis-Ausgabeeinheit 122, die den aktuellen Zustand des Arbeiters ausgibt, der durch den externen Zustand des Arbeiters und den Zustand der Fertigungsmaschine geschätzt wurde, unter Verwendung eines Lernmodells, das durch die Lerneinheit 110 gelernt wurde.
Die Zustandsbeobachtungseinheit 106 erfasst die externen Zustandsdaten des Arbeiters S1 und Zustandsdaten der Fertigungsmaschine S2 als Zustandsvariablen S von der Bildanalyseeinheit 32 und der Fertigungsmaschine 70 während des Lernvorgangs durch die Lerneinheit 110. Ferner erfasst die Zustandsbeobachtungseinheit 106 die externen Zustandsdaten des Arbeiters S1 und die Zustandsdaten der Fertigungsmaschine S2 als Zustandsvariablen S von der Bildanalyseeinheit 32 und der Fertigungsmaschine 70 während der Schätzung des Arbeiterzustands des Arbeiters unter Verwendung des Lernergebnisses der Lerneinheit 110.
Von den Zustandsvariablen S, die durch die Zustandsbeobachtungseinheit 106 beobachtet werden, können die externen Zustandsdaten des Arbeiters S1 als ein Satz von Daten erfasst werden, der Zustände des Arbeiter angibt, die beispielsweise durch externe Beobachtung spezifiziert werden können. Beispiele von Daten, die Zustände des Arbeiters angeben können, die durch externe Beobachtung spezifiziert werden können, schließen Daten ein, die den Zustand des Tragens von Ausrüstung durch den Arbeiter angeben, Daten, die die Position des Arbeiters angeben (die Fertigungsmaschine 70, in deren Nähe der Arbeiter arbeitet usw.), Daten, die externe Handlungen des Arbeiters angeben (die Art und Weise, auf die der Arbeiter handelt, die Art und Weise, auf die die Hände des Arbeiter ausgestreckt sind, das positionelle Verhältnis der Hände, des Kopfes und des Rumpfs in Bezug auf die Fertigungsmaschine 70, die Dauer, für die Hände, Kopf, und Rumpf stillgehalten werden, usw.), die Betriebshistorie des Arbeiters in Bezug auf die Fertigungsmaschine 70, die Beobachtungszeit usw. Alle Daten, die zum Spezifizieren durch externe Beobachtung der Arbeit, die durch den Arbeiter ausgeführt wird, nützlich sind, können als die externen Zustandsdaten des Arbeiters S1 verwendet werden. Die Daten, die in den externen Zustandsdaten des Arbeiters S1 eingeschlossen sind, die den Zustand des Arbeiters angeben, können beispielsweise entweder aus einzelnen numerischen Werten oder Serien von Werten bestehen, die durch Stichprobenentnahme von Werten erhalten werden, die sich über eine vorbestimmte Dauer zu vorbestimmten regelmäßigen Intervallen verändern.
Die Zustandsdaten der Fertigungsmaschine S2 der Zustandsvariablen S können von jeder Fertigungsmaschine 70 als ein Datensatz erhalten werden, der den Zustand der Fertigungsmaschine 70 angibt. Die Zustandsdaten der Fertigungsmaschine S2 schließen beispielsweise Daten ein, die den Betriebszustand der Fertigungsmaschine 70 angeben, Daten, die den aktuellen Zustand eines beweglichen Teils der Fertigungsmaschine 70 angeben (ob eine Form offen ist oder Ähnliches), Bedingungen der maschinellen Bearbeitung, die in der Fertigungsmaschine 70 festgelegt sind, und Modifikationshistorien davon, Daten, die physikalische Eigenschaften eines Arbeitsschritts angeben, der durch die Fertigungsmaschine 70 durchgeführt wird, eine Alarmhistorie, Produktprüfdaten, die Beobachtungszeit usw. Daten, die sich auf den Zustand der Fertigungsmaschine 70 beziehen, können als Zustandsdaten der Fertigungsmaschine S2 verwendet werden. Die Daten, die in den Zustandsdaten der Fertigungsmaschine S2 eingeschlossen sind, die den Zustand der Fertigungsmaschine 70 angeben, können entweder aus einzelnen numerischen Werten bestehen oder aus Serien von Werten, die beispielsweise durch Stichprobenentnahme von Werten erhalten werden, die sich über eine vorbestimmte Dauer zu vorbestimmten regelmäßigen Intervallen verändern.
Während dem Lernvorgang durch die Lerneinheit 110 erfasst die Labeldatenerfassungseinheit 108 Zustandsdaten des Arbeiters L1, die den aktuellen Zustand des Arbeiters angeben, wie die Labeldaten L, auf der Grundlage von Eingaben durch einen Manager oder Ähnliches in die Eingabevorrichtung 40. Die Arbeiterzustandsdaten L1 sind Daten, die den Inhalt der Arbeit angeben, die aktuell durch den Arbeiter ausgeführt wird, und aktuelle Zustände eines Arbeiters in einer Spritzgussfertigungsanlage umfassen beispielsweise „Spülen“, „Schraubenwartung“, „Austausch der Form“, „Wartung der Form“, „Zuführen von Material“, usw. Die Arbeiterzustandsdaten L1 können ebenso Informationen einschließen, die sich auf Sicherheitshinweise und Warnungen beziehen, die an den Arbeiter ausgegeben werden. Sicherheitshinweise und Warnungen, die an einen Arbeiter in einer Spritzgussfertigungsanlage ausgegeben werden, schließen beispielsweise ein „Schraubenwartung (Warnung: keine Schutzkappe)“, „Austausch der Form (Sicherheitshinweis: Hand im Gefahrenbereich)“, usw. Die Arbeiterzustandsdaten L1 können ebenso Informationen einschließen, die sich auf Hinweise und Anweisungen beziehen, die an den Arbeiter ausgegeben werden. Hinweise und Anweisungen, die an einen Arbeiter in einer Spritzgussfertigungsanlage ausgegeben werden, schließen beispielsweise ein: „Schraubenwartung (Warnung: keine Schutzkappe. Anweisung: Schutzkappe aufsetzen)“, „Austausch der Form (Sicherheitshinweis: Hand im Gefahrenbereich. Hinweis: Hand nicht in den Gefahrenbereich bringen)“, usw. Die Arbeiterzustandsdaten L1 können beispielsweise durch vorheriges Erfassen eines Bilds des Arbeiters eingeholt werden, während dieser in der Fertigungsanlage arbeitet, und Daten, die den Zustand der Fertigungsmaschine 70 zu diesem Zeitpunkt angeben, Speichern des erfassten Bilds und der Daten in dem nichtflüchtigen Speicher 14 oder Ähnlichem, Anzeigen des Bilds dem Manager und Veranlassen, dass der Manager den aktuellen Zustand des Arbeiters in die Eingabevorrichtung 40 eingibt. Die Labeldatenerfassungseinheit 108 wird während dem Lernvorgang durch die Lerneinheit 110 verwendet, und nachdem der Lernvorgang durch die Lerneinheit 110 abgeschlossen ist, ist die Labeldatenerfassungseinheit 108 nicht länger eine wesentliche Komponente der Vorrichtung zum maschinellen Lernen 100.
Die Lerneinheit 110 lernt die Labeldaten L (die Arbeiterzustandsdaten L1, die den aktuellen Zustand des Arbeiters angeben) in Bezug auf die Zustandsvariablen S (die externen Zustandsdaten des Arbeiters S1, die den externen Zustand des Arbeiters angeben, und die Zustandsdaten der Fertigungsmaschine S2, die den Zustand der Fertigungsmaschine 70 angeben) in Übereinstimmung mit einem vorgegebenen Lernalgorithmus, der allgemein als maschinelles Lernen bezeichnet wird. Die Lerneinheit 110 kann beispielsweise die Korrelation zwischen den Arbeiterzustandsdaten L1, die in den Labeldaten L und den externen Zustandsdaten des Arbeiters S1 eingeschlossen sind, und den Zustandsdaten der Fertigungsmaschine S2, die in den Zustandsvariablen S eingeschlossen sind, lernen. Die Lerneinheit 110 kann den Lernvorgang iterativ auf der Grundlage eines Datensatzes ausführen, der die Zustandsvariablen S und die Labeldaten L einschließt.
Während dem Lernvorgang durch die Lerneinheit 110 wird eine Vielzahl von Lernzyklen bevorzugt auf der Grundlage von Daten durchgeführt, die jeweils von den Situationen erhalten wurden, in denen die Arbeiter arbeiten. Durch das wiederholte Umsetzen dieser Lernzyklen interpretiert die Lerneinheit 110 automatisch die Korrelationen zwischen den aktuellen Zuständen der Arbeiter (die Arbeiterzustandsdaten L1) einerseits und den externen Zuständen der Arbeiter (die externen Zustandsdaten der Arbeiter S1) und den Zuständen der Fertigungsmaschinen 70 (die Zustandsdaten der Fertigungsmaschine S2) andererseits. Zu Beginn des Lernalgorithmus ist die Korrelation zwischen den Arbeiterzustandsdaten L1 und den externen Zustandsdaten der Arbeiter S1 und den Zustandsdaten der Fertigungsmaschinen S2 im Wesentlichen unbekannt, aber die Lerneinheit 110 interpretiert schrittweise die Beziehung zwischen den Arbeiterzustandsdaten L1 und den externen Zustandsdaten des Arbeiters S1 und den Zustandsdaten der Fertigungsmaschine S2, während der Lernprozess voranschreitet, und unter Verwendung eines Modells, das als Ergebnis davon erhalten wurde, kann die Lerneinheit 110 die Korrelation zwischen den Arbeiterzustandsdaten L1 und den externen Zustandsdaten des Arbeiters S1 und den Zustandsdaten der Fertigungsmaschine S2 interpretieren.
Die Schätzungsergebnis-Ausgabeeinheit 122 schätzt den Arbeiterzustand jedes Arbeiters von dem externen Zustand des Arbeiters und dem Zustand der Fertigungsmaschine 70 auf der Grundlage des Lernergebnisses (dem gelernten Modell) ein, das durch die Lerneinheit 110 erarbeitet wurde, und gibt den geschätzten Arbeiterzustand des Arbeiters aus.
In der Vorrichtung zum maschinellen Lernen 100, die wie oben beschrieben konfiguriert ist, gibt es keine besonderen Einschränkungen hinsichtlich des Lernalgorithmus, der durch die Lerneinheit 110 ausgeführt wird, und ein Lernalgorithmus, der auf dem Gebiet des maschinellen Lernens bekannt ist, kann eingesetzt werden. 3 zeigt eine weitere Ausführungsform der Vorrichtung zum Arbeitermanagement 1 aus 2, bei der als ein weiteres Beispiel für den Lernalgorithmus die Lerneinheit 110 das überwachte Lernen ausführt. Überwachtes Lernen ist ein Verfahren, in dem ein bekannter Datensatz (Lehrerdaten genannt) einschließlich einer Eingabe und einer entsprechenden Ausgabe angewendet wird, und durch Identifizieren eines Merkmals, durch das Rückschlüsse auf eine Korrelation zwischen der Eingabe und der Ausgabe von den Lehrerdaten gezogen werden können, wird ein Korrelationsmodell zum Schätzen einer erforderlichen Ausgabe in Bezug auf eine neue Eingabe gelernt.
In der Vorrichtung zum maschinellen Lernen 100 der Vorrichtung zum Arbeitermanagement 1, die in 3 gezeigt wird, schließt die Lerneinheit 110 eine Fehlerberechnungseinheit 112 ein, die einen Fehler E zwischen einem Korrelationsmodell M, das verwendet wird, um den Arbeiterzustand des Arbeiters von dem externen Zustand des Arbeiters und dem Zustand der Fertigungsmaschine 70 zu schätzen, der von der Fertigungsmaschine 70 erfasst wird, und einem Korrelationsmerkmal , das von den Lehrerdaten T identifiziert wird, das von dem externen Zustand des Arbeiters und dem Zustand der Fertigungsmaschine 70 in der Vergangenheit erfasst wurde, und dem aktuellen Zustand des Arbeiters, wie er durch den Manager eingegeben wird, berechnet, und schließt ebenso eine Modellaktualisierungseinheit 114 ein, die das Korrelationsmodell M aktualisiert, um den Fehler E zu reduzieren. Indem die Modellaktualisierungseinheit 114 das Korrelationsmodell M wiederholt aktualisiert, lernt die Lerneinheit 110 eine Schätzung des Arbeiterzustands des Arbeiters von dem externen Zustand des Arbeiters und dem Zustand der Fertigungsmaschine 70.
Ein erster Wert des Korrelationsmodells M wird zum Beispiel als eine Vereinfachung (beispielsweise einer linearen Funktion) der Korrelation zwischen der Zustandsvariablen S und den Labeldaten L ausgedrückt, und wird auf die Lerneinheit 110 angewendet, bevor das überwachte Lernen beginnt. In der vorliegenden Erfindung wie oben beschrieben können der externe Zustand des Arbeiters und der Zustand der Fertigungsmaschine 70 in der Vergangenheit und der Arbeiterzustand des Arbeiters als Lehrerdaten T verwendet werden, und die Lehrerdaten T werden auf die Lerneinheit 110 während eines Arbeitsschritts der Vorrichtung zum Arbeitermanagement 1 angewendet. Die Fehlerberechnungseinheit 112 verwendet die Lehrerdaten T, die nach Bedarf auf die Lerneinheit 110 angewendet werden, um ein Korrelationsmerkmal zu identifizieren, das Rückschlüsse auf die Korrelation zwischen dem Arbeiterzustand des Arbeiters einerseits und dem externen Zustand des Arbeiter und dem Zustand der Fertigungsmaschine 70 andererseits ermöglicht, und bestimmt den Fehler E zwischen dem Korrelationsmerkmal und dem Korrelationsmodell M, das den Zustandsvariablen S und den Labeldaten L in dem aktuellen Zustand entspricht. Die Modellaktualisierungseinheit 114 aktualisiert das Korrelationsmodell M in einer Richtung, in der der Fehler E korrigiert wird, beispielsweise in Übereinstimmung mit einer vorbestimmten Aktualisierungsregel.
In dem nächsten Lernzyklus schätzt die Fehlerberechnungseinheit 112 den Arbeiterzustand des Arbeiters unter Verwendung der Zustandsvariablen S in Übereinstimmung mit dem aktualisierten Korrelationsmodell M und bestimmt den Fehler E zwischen dem Ergebnis der Schätzung und den tatsächlich erfassten Labeldaten L, woraufhin die Modellaktualisierungseinheit 114 das Korrelationsmodell M wieder aktualisiert. Als Ergebnis wird die zuvor unbekannte Korrelation zwischen dem aktuellen Zustand der Umgebung und der Einschätzung, die diese betrifft, stufenweise geklärt.
Um den Prozess des überwachten Lernens voranzubringen, kann ein neurales Netzwerk verwendet werden. 4A ist ein Antennendiagramm, das ein Modell eines Neurons zeigt, und 4B ist ein Antennendiagramm, das ein Modell eines dreischichtigen neuronalen Netzwerks zeigt, das durch Kombinieren einer Vielzahl der Neuronen gebildet wird, die in 4A gezeigt werden. Ein neuronales Netzwerk kann unter Verwendung von Rechenvorrichtungen, Speichervorrichtungen oder Ähnlichem konstruiert sein, die beispielsweise ein Modell eines Neurons imitieren.
Das in 4A gezeigte Neuron gibt ein Ergebnis y als Antwort auf eine Vielzahl Eingaben x (hier beispielsweise eine Eingabe x₁ bis x₃ ) aus. Jede der Eingaben x₁ bis x₃ wird mit einer entsprechenden Gewichtung w (w₁ bis w₃ ) multipliziert. Als Ergebnis gibt das Neuron das Ergebnis y wie nachfolgend in der Formel (1) gezeigt aus. Es ist zu beachten, dass in Formel (1) die Eingabe x, das Ergebnis y, und die Gewichtung w alle Vektoren sind. Ferner bezeichnet θ eine Tendenz und f_k bezeichnet eine Aktivierungsfunktion. $y = f_{k} (\sum_{i = 1}^{n} x_{i} w_{i} - θ)$
In dem dreischichtigen neuronalen Netzwerk, das in 4B gezeigt wird, wird eine Vielzahl von Eingaben x (hier beispielsweise die Eingaben x1, x2, x3) von der linken Seite eingegeben und die Ergebnisse y (hier beispielsweise die Ergebnisse y1, y2, y3) werden von der rechten Seite ausgegeben. In dem Beispiel in der Figur werden die Eingaben x1, x2, x3 jeweils mit entsprechenden Gewichtungen (gemeinsam als w1 ausgedrückt) multipliziert, so dass die einzelnen Eingaben x1, x2, x3 alle in drei Neuronen N11, N12, N13 eingegeben werden.
Die jeweiligen Ausgaben der Neuronen N11 bis N13 werden gemeinsam als z1 ausgedrückt. Die Ausgaben z1 können jeweils als ein Merkmalsvektor angesehen werden, der durch Extrahieren einer Merkmalmenge des entsprechenden Eingangsvektors erhalten wird. In dem Beispiel in 4B werden die Merkmalsvektoren z1 jeweils mit entsprechenden Gewichtungen multipliziert (gemeinsam als w2 ausgedrückt) so dass die individuellen Merkmalsvektoren z1 alle in zwei Neuronen N21, N22 eingegeben werden. Die Merkmalsvektoren z1 drücken Merkmale zwischen der Gewichtung w1 und der Gewichtung w2 aus.
Die jeweiligen Ausgaben der Neuronen N21 und N22 werden gemeinsam als z2 ausgedrückt. Die Ausgaben z2 können jeweils als Merkmalsvektor angesehen werden, der durch Extrahieren einer Merkmalsmenge des entsprechenden Merkmalsvektors z1 erhalten wird. In dem Beispiel in 4B werden die Merkmalsvektoren z2 jeweils mit den entsprechenden Gewichtungen multipliziert (gemeinsam ausgedrückt als w3), so dass die einzelnen Merkmalsvektoren z2 alle in drei Neuronen N31, N32, N33 eingegeben werden. Die Merkmalsvektoren z2 drücken Merkmale zwischen der Gewichtung w2 und der Gewichtung w3 aus. Schließlich geben die Neuronen N31 bis N33 jeweils die Ergebnisse y1 bis y3 aus.
Es ist zu beachten, dass das sogenannte Deep Learning-Verfahren ebenso verwendet werden kann, welches ein neuronales Netzwerk verwendet, das aus drei oder mehr Schichten gebildet ist.
In der Vorrichtung zum maschinellen Lernen 100, die in der Vorrichtung zum Arbeitermanagement 1 bereitgestellt ist, kann der aktuelle Zustand des Arbeiters (das Ergebnis y) von einem Wert (der Eingabe x) geschätzt werden, der den externen Zustand des Arbeiters und den Zustand der Fertigungsmaschine 70 darstellt, indem die Lerneinheit 110 eine mehrschichtige Strukturberechnung durchführt, die dem oben beschriebenen neuronales Netzwerk entspricht, unter Verwendung der Zustandsvariablen S als Eingabe x. Es ist zu beachten, dass das neuronale Netzwerk einen Lernmodus und einen Wertvorhersagemodus als Betriebsmodi einschließt. Beispielsweise wird in dem Lernmodus die Gewichtung w unter Verwendung eines Lerndatensatzes gelernt, und in dem Wertvoregersagemodus kann der Wert einer Handlung unter Verwendung der gelernten Gewichtung w bestimmt werden. Des Weiteren können in dem Wertvorhersagemodus die Klassifizierung, die Schlussfolgerung usw. ebenso durchgeführt werden.
Die Konfiguration der Vorrichtung zum maschinellen Lernen 100, die oben beschrieben wird, kann als ein Verfahren zum maschinellen Lernen (oder Software) beschrieben werden, das durch den Prozessor 101 ausgeführt wird. Dieses Verfahren zum maschinellen Lernen ist ein Lernverfahren zum Erlernen einer Schätzung des aktuellen Zustands des Arbeiters von dem externen Zustand des Arbeiters und dem Zustand der Fertigungsmaschine 70, wobei der Prozessor 101 einen Schritt des Beobachtens des externen Zustands des Arbeiters (der externen Zustandsdaten des Arbeiters S1) und des Zustands der Fertigungsmaschine 70 (der Zustandsdaten der Fertigungsmaschine S2) als Zustandsvariablen S durchführt, die den aktuellen Zustand darstellen, einen Schritt des Erfassens des aktuellen Zustands des Arbeiters (der Arbeiterzustandsdaten L1) als Labeldaten L, und einen Schritt des Lernens des aktuellen Zustands des Arbeiters in Assoziation mit den externen Zustandsdaten des Arbeiters S1 und den Zustandsdaten der Fertigungsmaschine S2 unter Verwendung der Zustandsvariablen S und der Labeldaten L.
Das gelernte Modell, das durch die Lerneinheit 110 der Vorrichtung zum maschinellen Lernen 100 während des Lernvorgangs gelernt wurde, kann als ein Programmmodul verwendet werden, das als Teil der Software dient, die das maschinelle Lernen betrifft. Das gelernte Modell nach der vorliegenden Erfindung kann in einem Computer verwendet werden, der einen Prozessor aufweist, wie eine CPU oder eine GPU und einen Speicher. Spezifischer arbeitet als Antwort auf einen Befehl des gelernten Modells, das in dem Speicher gespeichert ist, der Prozessor des Computers auf eine Weise, dass er eine Berechnung unter Verwendung des externen Zustands des Arbeiters und des Zustands der Fertigungsmaschine 70 als Eingabe durchführt und ein Schätzungsergebnis des aktuellen Zustands des Arbeiters auf der Grundlage des Berechnungsergebnisses ausgibt. Das gelernte Modell nach der vorliegenden Erfindung kann zu einem anderen Computer über ein externes Speichermedium, ein Netzwerk oder Ähnliches kopiert werden, und durch diesen verwendet werden.
Des Weiteren kann, wenn das gelernte Modell der vorliegenden Erfindung zu einem anderen Computer kopiert wird und in einer neuen Umgebung verwendet wird, ein weiterer Lernvorgang für das gelernte Modell auf der Grundlage neuer Zustandsvariablen und Labeldaten durchgeführt werden, die in der neuen Umgebung erfasst werden. In diesem Fall kann ein gelerntes Modell (nachfolgend als abgeleitetes Modell bezeichnet), das der neuen Umgebung entspricht, von dem gelernten Modell abgeleitet werden. Das abgeleitete Modell nach der vorliegenden Erfindung ist insofern identisch mit dem ursprünglichen gelernten Modell, als dass ein Schätzungsergebnis des aktuellen Zustands des Arbeiters von dem externen Zustand des Arbeiters und dem Zustand der Fertigungsmaschine 70 ausgegeben wird, unterscheidet sich aber insofern davon, als dass ein Ergebnis eher mit der neuen Umgebung übereinstimmt als mit der Ausgabe des ursprünglichen gelernten Modells. Das abgeleitete Modell kann ebenso über ein externes Speichermedium, ein Netzwerk oder Ähnliches auf einen anderen Computer kopiert und von diesem verwendet werden.
Des Weiteren kann ebenso ein gelerntes Modell (das nachfolgend als ein destilliertes Modell bezeichnet wird), das durch Durchführen eines Lernvorgangs von Grund auf in einer weiteren Vorrichtung zum maschinellen Lernen unter Verwendung der Ausgaben erhalten wird, die in Bezug auf Eingaben in eine Vorrichtung zum maschinellen Lernen erhalten wurden, auf der das gelernte Modell der vorliegenden Erfindung installiert ist, ebenso erstellt und verwendet werden (dieser Lernprozess ist als Destillation bekannt). Bei der Destillation ist das ursprüngliche gelernte Modell als Lehrermodell bekannt und das neu erstellte destillierte Modell ist als Schülermodell bekannt. Das destillierte Modell weist typischerweise eine geringere Größe als das ursprüngliche gelernte Modell auf, auch wenn derselbe Genauigkeitsgrad wie der des ursprünglichen gelernten Modells damit erreicht wird. Das destillierte Modell ist daher für die Verteilung an einen anderen Computer über ein externes Speichermedium, ein Netzwerk oder Ähnliches geeignet.
5 ist ein schematisches Funktionsblockdiagramm, das die Vorrichtung zum Arbeitermanagement 1 und die Vorrichtung zum maschinellen Lernen 100 nach einer zweiten Ausführungsform der vorliegenden Erfindung zeigt.
In der Vorrichtung zum Arbeitermanagement 1 und der Vorrichtung zum maschinellen Lernen 100 nach der ersten Ausführungsform werden die Zustandsinformationen, die die Arbeit angeben, die durch den Arbeiter ausgeführt wird, auf der Grundlage der Zustandsvariablen gelernt/geschätzt, die von den Bilddaten erfasst werden, die den Arbeiter bei der Arbeit zeigen, und von den Daten, die von der Fertigungsmaschine erfasst werden. In der Vorrichtung zum Arbeitermanagement 1 und der Vorrichtung zum maschinellen Lernen 100 nach dieser Ausführungsform wird andererseits ein Arbeiterzustand, der ein Kompetenzniveau des Arbeiters, einen physischen Zustand des Arbeiters usw. angibt, auf der Grundlage der Zustandsvariablen gelernt/geschätzt, die von den Bilddaten, die den Arbeiter bei der Arbeit zeigen, und den Daten, die von der Fertigungsmaschine erhalten werden, erfasst werden.
Jeweilige Funktionsblöcke, die in 5 gezeigt werden, wurden so umgesetzt, dass sie die CPU 11 der Vorrichtung zum Arbeitermanagement 1 und den Prozessor 101 der Vorrichtung zum maschinellen Lernen 100 aufweisen, wie in 1 gezeigt, die jeweils Systemprogramme ausführen, um die Arbeitsschritte der jeweiligen Teile der Vorrichtung zum Arbeitermanagement 1 und der Vorrichtung zum maschinellen Lernen 100 zu steuern.
Die Vorrichtung zum Arbeitermanagement 1 nach dieser Ausführungsform schließt die Bildanalyseeinheit 32 zum Analysieren von Bildern ein, die von der Bilderfassungsvorrichtung 60 erfasst werden, und zum Generieren von Daten, die während dem Lernvorgang durch die Vorrichtung zum maschinellen Lernen 100 verwendet werden, und die Displayeinheit 34 zum Anzeigen von Anweisungen, die durch die Vorrichtung zum maschinellen Lernen 100 an die Arbeiter auf der Displayvorrichtung 50 ausgegeben werden. Die Funktionen der Bildanalyseeinheit 32 und der Displayeinheit 34 sind identisch zu den in der ersten Ausführungsform beschriebenen.
Währenddessen schließt die Vorrichtung zum maschinellen Lernen 100, die in der Vorrichtung zum Arbeitermanagement 1 bereitgestellt wird, Software (einen Lernalgorithmus usw.) und Hardware (den Prozessor 101 usw.) zum Selbstlernen durch sogenanntes maschinelles Lernen einer Schätzung des Arbeiterzustands jedes Arbeiters in Bezug auf den externen Zustand des Arbeiters und des Zustands der Fertigungsmaschine ein. Die Positionen, die durch die Vorrichtung zum maschinellen Lernen 100 der Vorrichtung zum Arbeitermanagement 1 gelernt werden, entsprechen einer Modellstruktur, die die Korrelation zwischen dem Arbeiterzustand des Arbeiters einerseits und dem externen Zustand des Arbeiters und des Zustands der Fertigungsmaschine andererseits ausdrückt. Die Vorrichtung zum maschinellen Lernen 100 nach dieser Ausführungsform unterscheidet sich von der ersten Ausführungsform dahingehend, dass das Kompetenzniveau des Arbeiters, der physische Zustand des Arbeiters usw. als der Arbeiterzustand gelernt wird.
Wie durch die Funktionsblöcke dargestellt, die in 5 gezeigt werden, schließt die Vorrichtung zum maschinellen Lernen 100 der Vorrichtung zum Arbeitermanagement 1 die Zustandsbeobachtungseinheit 106 ein, zum Beobachten, als die Zustandsvariablen S, die den aktuellen Zustand der Umgebung darstellen, der externen Zustandsdaten des Arbeiters S1, die den externen Zustand des Arbeiters angeben und der Zustandsdaten der Fertigungsmaschine S2, die den Zustand der Fertigungsmaschine angeben, eine Lerneinheit 116, die die Zustandsvariablen S verwendet, um den aktuellen Zustand des Arbeiters auf der Grundlage des externen Zustands des Arbeiters und des Zustands der Fertigungsmaschine zu erlernen, und die Schätzungsergebnis-Ausgabeeinheit 122 zur Ausgabe des aktuellen Zustands des Arbeiters, der von dem externen Zustand des Arbeiters und dem Zustand der Fertigungsmaschine unter Verwendung des gelernten Modells geschätzt wird, das durch die Lerneinheit 116 gelernt wurde.
Die Zustandsbeobachtungseinheit 106 erfasst die externen Zustandsdaten des Arbeiters S1 und Zustandsdaten der Fertigungsmaschine S2, die als die Zustandsvariablen S dienen, von der Bildanalyseeinheit 32 und der Fertigungsmaschine 70 während dem Lernvorgang durch die Lerneinheit 116. Ferner erfasst die Zustandsbeobachtungseinheit 106 die externe Zustandsdaten des Arbeiters S1 und die Zustandsdaten der Fertigungsmaschine S2, die als die Zustandsvariablen S dienen, von der Bildanalyseeinheit 32 und der Fertigungsmaschine 70 während der Schätzung des Arbeiterzustands des Arbeiters unter Verwendung des Lernergebnisses der Lerneinheit 110.
Von den Zustandsvariablen S, die durch die Zustandsbeobachtungseinheit 106 beobachtet werden, können die externen Zustandsdaten des Arbeiters S1 als ein Satz von Daten erfasst werden, der Zustände des Arbeiters angibt, die beispielsweise durch externe Beobachtung spezifiziert werden können. Beispiele von Daten, die Zustände des Arbeiters angeben, die durch eine externe Beobachtung spezifiziert werden können, schließen Daten ein, die den Zustand des Tragens von Ausrüstung des Arbeiters angeben, Daten, die die Position des Arbeiters angeben (die Fertigungsmaschine 70, in deren Nähe der Arbeiter arbeitet usw.), Daten, die externe Handlungen durch den Arbeiter angeben (die Art und Weise, auf die der Arbeiter handelt, die Art und Weise, auf die die Hände des Arbeiters ausgestreckt sind, die positionellen Beziehungen der Hände, des Kopfes und des Rumpfes zu der Fertigungsmaschine 70, die Länge der Zeit, die Hände, Kopf, und Rumpf still gehalten werden usw.), die Zeit, die von dem Arbeiter mit einer externen Handlung verbracht wird, die Betriebshistorie des Arbeiters in Bezug auf die Fertigungsmaschine 70, die Beobachtungszeit usw. Alle Daten, die zur Spezifizierung von Daten durch externe Beobachtung hilfreich sind, die durch den Arbeiter ausgeführt werden, können als die externen Zustandsdaten des Arbeiters S1 verwendet werden. Die Daten, die in den externen Zustandsdaten des Arbeiters S1 eingeschlossen sind, die den Zustand des Arbeiters angeben, können entweder aus einzelnen numerischen Werten bestehen oder aus Serien von Werten, die durch Stichprobenentnahme von Werten erhalten werden, die sich beispielsweise über eine vorbestimmte Dauer zu vorbestimmten Zeitintervallen verändern.
Die Zustandsdaten der Fertigungsmaschine S2 der Zustandsvariablen S können von jeder Fertigungsmaschine 70 als ein Satz von Daten erhalten werden, der den Zustand der Fertigungsmaschine 70 angibt. Die Zustandsdaten der Fertigungsmaschine S2 schließen beispielsweise Daten ein, die den Betriebszustand der Fertigungsmaschine 70 angeben, Daten, die den aktuellen Zustand eines beweglichen Teils der Fertigungsmaschine 70 angeben (ob eine Form offen ist oder Ähnliches), Bedingungen der maschinellen Bearbeitung, die in der Fertigungsmaschine 70 eingestellt sind, und Modifizierungshistorien davon, Daten, die physische Quantitäten des Arbeitsschritts angeben, der durch die Fertigungsmaschine 70 durchgeführt wird, eine Alarmhistorie, Produktprüfdaten, eine Dauer vom Ertönen bis zum Abschalten eines Alarms, die Zeit, die für jeden Prozess aufgewendet wird, die Beobachtungszeit usw. Allen Daten, die sich auf den Zustand der Fertigungsmaschine 70 beziehen, können als Zustandsdaten der Fertigungsmaschine S2 verwendet werden. Die Daten, die in den Zustandsdaten der Fertigungsmaschine S2 eingeschlossen sind, die den Zustand der Fertigungsmaschine 70 angeben, können einzelne numerische Werte sein oder Serien von Werten, die durch Stichprobenentnahme von Werten erhalten werden, die sich beispielsweise über eine vorbestimmte Dauer zu vorbestimmten Zeitintervallen verändern.
Die Lerneinheit 116 lernt einen Satz der Zustandsvariablen S (die externen Zustandsdaten des Arbeiters S1, die den externen Zustand des Arbeiters angeben, und die Zustandsdaten der Fertigungsmaschine S2, die den Zustand der Fertigungsmaschine 70 angeben) in einem normalen Arbeitszustand durch sogenanntes nicht überwachtes Lernen, basierend auf den Zustandsvariablen S in Übereinstimmung mit einem gegebenen Lernalgorithmus, was im Allgemeinen als maschinelles Lernen bezeichnet wird. Die Lerneinheit 116 kann beispielsweise ein Cluster lernen, das auf der Grundlage der externen Zustandsdaten des Arbeiters S1 und Zustandsdaten der Fertigungsmaschine S2, die in den Zustandsvariablen S eingeschlossen sind, erstellt wird. Die Lerneinheit 116 kann den Lernvorgang iterativ auf der Grundlage eines Datensatzes ausführen, der die Zustandsvariablen S einschließt.
Während des Lernvorgangs durch die Lerneinheit 116 wird bevorzugt eine Vielzahl von Lernzyklen auf der Grundlage von Daten ausgeführt, die jeweils aus Situationen erhalten wurden, in denen eine Vielzahl von Arbeitern bei der Arbeit ist. Wenn beispielsweise die externen Zustandsdaten des Arbeiters S1, die den externen Zustand des Arbeiters angeben, und die Zustandsdaten der Fertigungsmaschine S2, die den Zustand der Fertigungsmaschine 70 angeben, die durch Beobachten der Arbeitssituationen der Arbeiter unter vorbestimmten Bedingungen erhalten wurden, in einer vorbestimmten Anzahl beobachtet wurden (eine ausreichende Menge von Daten für eine Clusteranalyse), wird ein gelerntes Modell (eine Clustergruppe) basierend auf den beobachteten externen Zustandsdaten der Arbeiter S1 und den Zustandsdaten der Fertigungsmaschine S2 konstruiert (gelernt). Als das gelernte Modell, das durch die Lerneinheit 116 konstruiert werden kann, kann beispielsweise ein einzelnes gelerntes Modell in Bezug auf Arbeiter konstruiert werden, die allgemeine Arbeiten ausführen, oder es kann ein gelerntes Modell für jeden Arbeiter konstruiert werden, unter Verwendung der Zustandsvariablen des jeweiligen Arbeiters in einem normalen Arbeitszustand. Ferner kann ein unterschiedliches gelerntes Modell für jede Art von Arbeit konstruiert werden, die durch die Arbeiter durchgeführt wird (Spülen, Schraubenwartung, usw.), oder die Arbeiter können je nach physischem Zustand und Kompetenzniveau aufgeteilt werden, und ein unterschiedliches gelerntes Modell kann für jeden physischen Zustand und jedes Kompetenzniveau konstruiert werden. Es ist zu beachten, dass das bekannte hierarchische Clustering, das nichthierarchische Clustering usw. beispielsweise als der Lernalgorithmus des nicht überwachten Lernens verwendet werden kann.
Die Schätzungsergebnis-Ausgabeeinheit 122 schätzt den Arbeiterzustand jedes Arbeiters von den externen Zuständen des Arbeiters und des Zustands der Fertigungsmaschine 70 auf der Grundlage des Lernergebnisses (des erlernten Modells), das durch die Lerneinheit 116 erhalten wurde, und gibt den geschätzten Arbeiterzustand des Arbeiters aus. Beispielsweise kann die Schätzungsergebnis-Ausgabeeinheit 122 das erlernte Modell (Cluster) bestimmen, das durch die Lerneinheit 116 erlernt wurde, zu dem der beobachtete externe Zustand des Arbeiters und der Zustand der Fertigungsmaschine 70 gehören, und schätzt den Arbeiterzustand in Übereinstimmung mit dem Ergebnis. Beispielsweise wird in einem Fall, in dem ein erlerntes Modell unter Verwendung der Zustandsvariablen in dem normalen Arbeitszustand des Arbeiters, dessen Arbeiterzustand geschätzt werden soll, konstruiert wird, geschätzt, dass der physische Zustand oder Ähnliches des Arbeiters schlecht sein kann, wenn der Abstand zwischen den Zustandsvariablen, die durch Beobachten desselben Arbeiters erhalten wurden, und den Zustandsvariablen in dem normalen Arbeitszustand des Arbeiters so groß ist, dass bestimmt wird, dass die beobachteten Zustandsvariablen nicht zu dem erlernten Modell gehören. Ferner kann in einem Fall, in dem ein unterschiedliches Lernmodell für jedes Kompetenzniveau konstruiert wird, das Kompetenzniveau eines Arbeiters durch Bestimmen des erlernten Modells geschätzt werden, zu dem die durch Beobachten des Arbeiters erhaltenen Zustandsvariablen gehören.
6 ist ein schematisches Funktionsblockdiagramm, das die Vorrichtung zum Arbeitermanagement 1 und die Vorrichtung zum maschinellen Lernen 100 nach einer dritten Ausführungsform der vorliegenden Erfindung zeigt.
Die Vorrichtung zum Arbeitermanagement 1 und die Vorrichtung zum maschinellen Lernen 100 nach dieser Ausführungsform schließen die Lerneinheit 110 der Vorrichtung zum maschinellen Lernen 100 nach der ersten Ausführungsform und die Lerneinheit 116 der Vorrichtung zum maschinellen Lernen 100 nach der zweiten Ausführungsform ein, und ein allgemeiner Arbeiterzustand wird auf der Grundlage der jeweiligen Ausgaben davon gelernt/geschätzt. Die jeweiligen Funktionsblöcke, die in 6 gezeigt werden, sind so umgesetzt, dass sie die CPU 11 der Vorrichtung zum Arbeitermanagement 1 und den Prozessor 101 der Vorrichtung zum maschinellen Lernen 100 aufweisen, wie in 1 gezeigt, die jeweils Systemprogramme ausführen, um Arbeitsschritte der jeweiligen Teile der Vorrichtung zum Arbeitermanagement 1 und der Vorrichtung zum maschinellen Lernen 100 zu steuern.
Außer der Schätzungsergebnis-Ausgabeeinheit 122 sind die Vorrichtung zum Arbeitermanagement 1 und die Vorrichtung zum maschinellen Lernen 100 nach dieser Ausführungsform identisch zu denen der ersten und zweiten Ausführungsform konfiguriert.
Die Schätzungsergebnis-Ausgabeeinheit 122 nach dieser Ausführungsform schätzt den aktuellen allgemeinen Arbeiterzustand jedes Arbeiters unter Verwendung des gelernten Modells, das durch die erste Lerneinheit gelernt wurde, und des gelernten Modells, das durch die zweite Lerneinheit 116 gelernt wurde. Die Schätzungsergebnis-Ausgabeeinheit 122 kann den gesamten Arbeiterzustand erstellen, indem zusätzliche Informationen dem Schätzergebnis des Arbeiterzustands zugefügt werden, einschließlich der Arbeitssituation des Arbeiters, die auf der Grundlage der ersten Lerneinheit 110 geschätzt wird, in Übereinstimmung mit dem Arbeiterzustand, der den physischen Zustand und das Kompetenzniveau des Arbeiters einschließt, der auf der Grundlage der zweiten Lerneinheit 116 geschätzt wurde. Beispielsweise kann, wenn auf der Grundlage der zweiten Lerneinheit 116 geschätzt wird, dass das Kompetenzniveau des Arbeiters niedrig ist und auf der Grundlage der ersten Lerneinheit 110 geschätzt wird, dass der Arbeiter eine Schraubenwartung durchführt, ohne Schutzausrüstung zu tragen, die Schätzungsergebnis-Ausgabeeinheit 122 Informationen zu dem Schätzergebnis zufügen, die anzeigen, dass der Arbeiter eine Schulung benötigt.
Ausführungsformen der vorliegenden Erfindung wurden oben beschrieben, jedoch ist die vorliegende Erfindung nicht nur auf die oben beschriebenen beispielhaften Ausführungsformen beschränkt und kann in verschiedenen anderen Ausführungsformen umgesetzt werden, indem entsprechende Modifikationen daran vorgenommen werden.
Beispielsweise sind der Lernalgorithmus und der Berechnungsalgorithmus, die durch die Vorrichtung zum maschinellen Lernen 100 ausgeführt werden, der Algorithmus, der durch die Vorrichtung zum Arbeitermanagement 1 ausgeführt wird usw., nicht auf die oben aufgeführten Beispiele beschränkt, und verschiedene andere Algorithmen können verwendet werden.
Ferner werden in der oben genannten Ausführungsformen die Vorrichtung zum Arbeitermanagement 1 und die Vorrichtung zum maschinellen Lernen 100 als Vorrichtungen beschrieben, die unterschiedliche CPUs aufweisen, jedoch kann die Vorrichtung zum maschinellen Lernen 100 durch die CPU 11 der Vorrichtung zum Arbeitermanagement 1 und dem Systemprogramm realisiert werden, das in dem ROM 12 gespeichert ist.
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 2008146301 [0004, 0006]
JP 2015095209 [0005, 0007]

Claims

Vorrichtung zum Arbeitermanagement, die einen Arbeiter managt, der Arbeiten an einer Fertigungsmaschine in einer Fertigungsanlage ausführt, wobei die Vorrichtung eine Vorrichtung zum maschinellen Lernen umfasst, die eine Schätzung eines Zustands des Arbeiters in Bezug auf einen externen Zustand des Arbeiters und einen Zustand der Fertigungsmaschine lernt, wobei die Vorrichtung zum maschinellen Lernen Folgendes einschließt: eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die einen aktuellen Zustand einer Umgebung darstellen, externe Zustandsdaten des Arbeiters, die den externen Zustand des Arbeiters angeben, und Zustandsdaten der Fertigungsmaschine, die den Zustand der Fertigungsmaschine angeben, entsprechend auf der Grundlage von Bilddaten, die durch Fotografieren einer Arbeitssituation des Arbeiters erfasst werden, und Daten, die von der Fertigungsmaschine erfasst werden, beobachtet; eine Labeldatenerfassungseinheit, die als Labeldaten Arbeiterzustandsdaten erfasst, die den Zustand des Arbeiters angeben; und eine Lerneinheit, die die externen Zustandsdaten des Arbeiters und die Zustandsdaten der Fertigungsmaschine in Assoziation mit den Arbeiterzustandsdaten durch überwachtes Lernen unter Verwendung der Zustandsvariablen und der Labeldaten lernt.
Vorrichtung zum Arbeitermanagement nach Anspruch 1, wobei die Lerneinheit Folgendes einschließt: eine Fehlerberechnungseinheit, die einen Fehler zwischen einem Korrelationsmodell, das zum Schätzen eines aktuellen Zustand des Arbeiters von den Zustandsvariablen ausgehend verwendet wird, und einem Korrelationsmerkmal berechnet, das von Lehrerdaten identifiziert wird, die zuvor vorbereitet wurden; und eine Modellaktualisierungseinheit, die das Korrelationsmodell aktualisiert, so dass der Fehler reduziert wird.
Vorrichtung zum Arbeitermanagement nach Anspruch 1 oder 2, wobei die Lerneinheit die Zustandsvariablen und die Labeldaten in einer mehrschichtigen Struktur berechnet.
Vorrichtung zum Arbeitermanagement, die einen Arbeiter managt, der Arbeiten an einer Fertigungsmaschine in einer Fertigungsanlage ausführt, wobei die Vorrichtung eine Vorrichtung zum maschinellen Lernen umfasst, die eine Schätzung eines Zustands des Arbeiters in Bezug auf einen externen Zustand des Arbeiters und einen Zustand der Fertigungsmaschine gelernt hat, wobei die Vorrichtung zum maschinellen Lernen Folgendes einschließt: eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die jeweils einen aktuellen Zustand einer Umgebung darstellen, externe Zustandsdaten des Arbeiters, die den externen Zustand des Arbeiters angeben, und Zustandsdaten der Fertigungsmaschine, die den Zustand der Fertigungsmaschine angeben, entsprechend auf der Grundlage von Bilddaten, die durch Fotografieren einer Arbeitssituation des Arbeiters erfasst werden, und Daten, die von der Fertigungsmaschine erfasst werden, beobachtet; eine Lerneinheit, die durch überwachtes Lernen den externen Zustand des Arbeiters und den Zustand der Fertigungsmaschine in Assoziation mit dem Zustand des Arbeiters gelernt hat; und eine Schätzungsergebnis-Ausgabeeinheit, die den Zustand des Arbeiters auf der Grundlage der Zustandsvariablen ausgibt, die von der Zustandsbeobachtungseinheit beobachtet wurden, und eines Lernergebnisses, das durch die Lerneinheit erhalten wurde.
Vorrichtung zum Arbeitermanagement, die einen Arbeiter managt, der Arbeiten an einer Fertigungsmaschine in einer Fertigungsanlage ausführt, wobei die Vorrichtung eine Vorrichtung zum maschinellen Lernen umfasst, die eine Schätzung eines Zustands des Arbeiters in Bezug auf einen externen Zustand des Arbeiters und einen Zustand der Fertigungsmaschine lernt, wobei die Vorrichtung zum maschinellen Lernen Folgendes einschließt: eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die einen aktuellen Zustand einer Umgebung darstellen, externe Zustandsdaten des Arbeiters, die den externen Zustand des Arbeiters angeben, und Zustandsdaten der Fertigungsmaschine, die den Zustand der Fertigungsmaschine angeben, entsprechend auf der Grundlage von Bilddaten, die durch Fotografieren einer Arbeitssituation des Arbeiters erfasst werden, und Daten, die von der Fertigungsmaschine erfasst werden, beobachtet; und eine Lerneinheit, die den Zustand des Arbeiters durch nicht überwachtes Lernen unter Verwendung der Zustandsvariablen lernt.
Vorrichtung zum Arbeitermanagement, die einen Arbeiter managt, der Arbeiten an einer Fertigungsmaschine in einer Fertigungsanlage ausführt, wobei die Vorrichtung eine Vorrichtung zum maschinellen Lernen umfasst, die eine Schätzung eines Zustands des Arbeiters in Bezug auf einen externen Zustand des Arbeiters und einen Zustand der Fertigungsmaschine gelernt hat, wobei die Vorrichtung zum maschinellen Lernen Folgendes einschließt: eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die einen aktuellen Zustand einer Umgebung darstellen, externe Zustandsdaten des Arbeiters, die den externen Zustand des Arbeiters angeben, und Zustandsdaten der Fertigungsmaschine, die den Zustand der Fertigungsmaschine angeben, entsprechend auf der Grundlage von Bilddaten, die durch Fotografieren einer Arbeitssituation des Arbeiters erfasst werden, und Daten, die von der Fertigungsmaschine erfasst werden, beobachtet; eine Lerneinheit, die durch nicht überwachtes Lernen den Zustand des Arbeiters basierend auf dem externen Zustand des Arbeiters und dem Zustand der Fertigungsmaschine gelernt hat; und einer Schätzungsergebnis-Ausgabeeinheit, die den Zustand des Arbeiters auf der Grundlage der Zustandsvariablen ausgibt, die durch die Zustandsbeobachtungseinheit beobachtet wurden, und eines Lernergebnisses, das durch die Lerneinheit erhalten wurde.
Vorrichtung zum Arbeitermanagement, die einen Arbeiter managt, der Arbeiten an einer Fertigungsmaschine in einer Fertigungsanlage ausführt, wobei die Vorrichtung eine Vorrichtung zum maschinellen Lernen umfasst, die eine Schätzung eines Zustands des Arbeiters in Bezug auf einen externen Zustand des Arbeiters und einen Zustand der Fertigungsmaschine lernt, wobei die Vorrichtung zum maschinellen Lernen Folgendes einschließt: eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die einen aktuellen Zustand einer Umgebung darstellen, externe Zustandsdaten des Arbeiters, die den externen Zustand des Arbeiters angeben, und Zustandsdaten der Fertigungsmaschine, die den Zustand der Fertigungsmaschine angeben, entsprechend auf der Grundlage von Bilddaten, die durch Fotografieren einer Arbeitssituation des Arbeiters erfasst werden, und Daten, die von der Fertigungsmaschine erhalten werden, beobachtet; eine Labeldatenerfassungseinheit, die als Labeldaten Arbeiterzustandsdaten erfasst, die den Zustand des Arbeiters angeben; eine erste Lerneinheit, die die externen Zustandsdaten des Arbeiters und die Zustandsdaten der Fertigungsmaschine in Assoziation mit den Arbeiterzustandsdaten durch überwachtes Lernen unter Verwendung der Zustandsvariablen und der Labeldaten lernt; und eine zweite Lerneinheit, die den Zustand des Arbeiters durch nicht überwachtes Lernen unter Verwendung der Zustandsvariablen lernt.
Vorrichtung zum Arbeitermanagement, die einen Arbeiter managt, der Arbeiten an einer Fertigungsmaschine in einer Fertigungsanlage ausführt, wobei die Vorrichtung eine Vorrichtung zum maschinellen Lernen umfasst, die eine Schätzung eines Zustands des Arbeiters in Bezug auf einen externen Zustand des Arbeiters und einen Zustand der Fertigungsmaschine gelernt hat, wobei die Vorrichtung zum maschinellen Lernen Folgendes einschließt: eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die einen aktuellen Zustand einer Umgebung darstellen, externe Zustandsdaten des Arbeiters, die den externen Zustand des Arbeiters angeben, und Zustandsdaten der Fertigungsmaschine, die den Zustand der Fertigungsmaschine angeben, entsprechend auf der Grundlage von Bilddaten, die durch Fotografieren einer Arbeitssituation des Arbeiters erfasst werden, und Daten, die von der Fertigungsmaschine erhalten werden, beobachtet; eine erste Lerneinheit, die durch überwachtes Lernen den externen Zustand des Arbeiters und den Zustand der Fertigungsmaschine in Assoziation mit dem Zustand des Arbeiters gelernt hat; eine zweite Lerneinheit, die durch nicht überwachtes Lernen den Zustand des Arbeiters basierend auf dem externen Zustand des Arbeiters und dem Zustand der Fertigungsmaschine gelernt hat; und eine Schätzungsergebnis-Ausgabeeinheit, die den Zustand des Arbeiters auf der Grundlage der Zustandsvariablen ausgibt, die durch die Zustandsbeobachtungseinheit beobachtet wurden, eines Lernergebnisses, das durch die erste Lerneinheit erhalten wurde, und eines Lernergebnisses, das durch die zweite Lerneinheit erhalten wurde.
Vorrichtung zum maschinellen Lernen, die eine Schätzung eines Zustands eines Arbeiters, der an einer Fertigungsmaschine in einer Fertigungsanlage Arbeiten durchführt, in Bezug auf einen externen Zustand des Arbeiters und einen Zustand der Fertigungsmaschine lernt, wobei die Vorrichtung Folgendes umfasst: eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die einen aktuellen Zustand einer Umgebung darstellen, externe Zustandsdaten des Arbeiters, die den externen Zustand des Arbeiters angeben, und Zustandsdaten der Fertigungsmaschine, die den Zustand der Fertigungsmaschine angeben, entsprechend auf der Grundlage von Bilddaten, die durch Fotografieren einer Arbeitssituation des Arbeiters erfasst werden, und Daten, die von der Fertigungsmaschine erhalten werden, beobachtet; eine Labeldatenerfassungseinheit, die als Labeldaten, Arbeiterzustandsdaten erfasst, die den Zustand des Arbeiters angeben; und eine Lerneinheit, die die externen Zustandsdaten des Arbeiters und die Zustandsdaten der Fertigungsmaschine in Assoziation mit den Arbeiterzustandsdaten durch überwachtes Lernen unter Verwendung der Zustandsvariablen und der Labeldaten lernt.
Vorrichtung zum maschinellen Lernen, die eine Schätzung eines Zustands eines Arbeiters, der an einer Fertigungsmaschine in einer Fertigungsanlage Arbeiten durchführt, in Bezug auf einen externen Zustand des Arbeiters und einen Zustand der Fertigungsmaschine gelernt hat, wobei die Vorrichtung Folgendes umfasst: eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die einen aktuellen Zustand einer Umgebung darstellen, externe Zustandsdaten des Arbeiters, die den externen Zustand des Arbeiters angeben, und Zustandsdaten der Fertigungsmaschine, die den Zustand der Fertigungsmaschine angeben, entsprechend auf der Grundlage von Bilddaten, die durch Fotografieren einer Arbeitssituation des Arbeiters erfasst werden, und Daten, die von der Fertigungsmaschine erhalten werden, beobachtet; eine Lerneinheit, die durch überwachtes Lernen den externen Zustand des Arbeiters und den Zustand der Fertigungsmaschine in Assoziation mit dem Zustand des Arbeiters gelernt hat; und eine Schätzungsergebnis-Ausgabeeinheit, die den Zustand des Arbeiters auf der Grundlage der Zustandsvariablen ausgibt, die durch die Zustandsbeobachtungseinheit beobachtet wurden, und eines Lernergebnisses, das durch die Lerneinheit erhalten wurde.
Vorrichtung zum maschinellen Lernen, die eine Schätzung eines Zustands eines Arbeiters, der an einer Fertigungsmaschine in einer Fertigungsanlage Arbeiten durchführt, in Bezug auf einen externen Zustand des Arbeiters und einen Zustand der Fertigungsmaschine lernt, wobei die Vorrichtung Folgendes umfasst: eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die einen aktuellen Zustand einer Umgebung darstellen, externe Zustandsdaten des Arbeiters, die den externen Zustand des Arbeiters angeben, und Zustandsdaten der Fertigungsmaschine, die den Zustand der Fertigungsmaschine angeben, entsprechend auf der Grundlage von Bilddaten, die durch Fotografieren einer Arbeitssituation des Arbeiters erfasst werden, und Daten, die von der Fertigungsmaschine erhalten werden, beobachtet; und eine Lerneinheit, die den Zustand des Arbeiters durch nicht überwachtes Lernen unter Verwendung der Zustandsvariablen lernt.
Vorrichtung zum maschinellen Lernen, die eine Schätzung eines Zustands eines Arbeiters, der an einer Fertigungsmaschine in einer Fertigungsanlage Arbeiten durchführt, in Bezug auf einen externen Zustand des Arbeiters und einen Zustand der Fertigungsmaschine gelernt hat, wobei die Vorrichtung Folgendes umfasst: eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die einen aktuellen Zustand einer Umgebung darstellen, externe Zustandsdaten des Arbeiters, die den externen Zustand des Arbeiters angeben, und Zustandsdaten der Fertigungsmaschine, die den Zustand der Fertigungsmaschine angeben, entsprechend auf der Grundlage von Bilddaten, die durch Fotografieren einer Arbeitssituation des Arbeiters erfasst werden, und Daten, die von der Fertigungsmaschine erhalten werden, beobachtet; eine Lerneinheit, die durch nicht überwachtes Lernen den Zustand des Arbeiters basierend auf dem externen Zustand des Arbeiters und dem Zustand der Fertigungsmaschine gelernt hat; und eine Schätzungsergebnis-Ausgabeeinheit, die den Zustand des Arbeiters auf der Grundlage der Zustandsvariablen ausgibt, die durch die Zustandsbeobachtungseinheit beobachtet wurden, und eines Lernergebnisses, das durch die Lerneinheit erhalten wurde.
Vorrichtung zum maschinellen Lernen, die eine Schätzung eines Zustands eines Arbeiters, der an einer Fertigungsmaschine in einer Fertigungsanlage Arbeiten durchführt, in Bezug auf einen externen Zustand des Arbeiters und einen Zustand der Fertigungsmaschine lernt, wobei die Vorrichtung Folgendes umfasst: eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die einen aktuellen Zustand einer Umgebung darstellen, externe Zustandsdaten des Arbeiters, die den externen Zustand des Arbeiters angeben, und Zustandsdaten der Fertigungsmaschine, die den Zustand der Fertigungsmaschine angeben, entsprechend auf der Grundlage von Bilddaten, die durch Fotografieren einer Arbeitssituation des Arbeiters erfasst werden, und Daten, die von der Fertigungsmaschine erhalten werden, beobachtet; eine Labeldatenerfassungseinheit, die als Labeldaten Arbeiterzustandsdaten erfasst, die den Zustand des Arbeiters angeben; eine erste Lerneinheit, die die externen Zustandsdaten des Arbeiters und die Zustandsdaten der Fertigungsmaschine in Assoziation mit den Arbeiterzustandsdaten durch überwachtes Lernen unter Verwendung der Zustandsvariablen und der Labeldaten lernt; und eine zweite Lerneinheit, die den Zustand des Arbeiters durch nicht überwachtes Lernen unter Verwendung der Zustandsvariablen lernt.
Vorrichtung zum maschinellen Lernen, die eine Schätzung eines Zustands eines Arbeiters, der an einer Fertigungsmaschine in einer Fertigungsanlage Arbeiten durchführt, in Bezug auf einen externen Zustand des Arbeiters und einen Zustand der Fertigungsmaschine gelernt hat, wobei die Vorrichtung Folgendes umfasst: eine Zustandsbeobachtungseinheit, die als Zustandsvariablen, die einen aktuellen Zustand einer Umgebung darstellen, externe Zustandsdaten des Arbeiters, die den externen Zustand des Arbeiters angeben, und Zustandsdaten der Fertigungsmaschine, die den Zustand der Fertigungsmaschine angeben, entsprechend auf der Grundlage von Bilddaten, die durch Fotografieren einer Arbeitssituation des Arbeiters erfasst werden, und Daten, die von der Fertigungsmaschine erhalten werden, beobachtet; eine erste Lerneinheit, die durch überwachtes Lernen den externen Zustand des Arbeiters und den Zustand der Fertigungsmaschine in Assoziation mit dem Zustand des Arbeiters gelernt hat; eine zweite Lerneinheit, die durch nicht überwachtes Lernen den Zustand des Arbeiters basierend auf dem externen Zustand des Arbeiters und dem Zustand der Fertigungsmaschine in Assoziation mit dem Zustand des Arbeiters gelernt hat; und eine Schätzungsergebnis-Ausgabeeinheit, die den Zustand des Arbeiters auf der Grundlage der Zustandsvariablen, die durch die Zustandsbeobachtungseinheit beobachtet wurden, eines Lernergebnisses, das durch die erste Lerneinheit erhalten wurde, und eines Lernergebnisses, das durch die zweite Lerneinheit erhalten wurde, ausgibt.