DE102018204135B4

DE102018204135B4 - Lernmodellkonstruktionsvorrichtung, Abnormalitätsdetektionssystem und Server

Info

Publication number: DE102018204135B4
Application number: DE102018204135.0A
Authority: DE
Inventors: Kenichiro Oguri
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2017-03-22
Filing date: 2018-03-19
Publication date: 2020-08-27
Anticipated expiration: 2038-03-20
Also published as: US20180276569A1; JP2018159991A; CN108630229B; DE102018204135A1; CN108630229A; JP6527187B2; US10592823B2

Abstract

Lernmodell-Konstruktionsvorrichtung (200), umfassend:eine Bedienerpositions-Erfassungseinheit zum Erfassen von Positionsinformation eines Bedieners;eine Einrichtungspositions-Speichereinheit, die Positionsinformation einer Fertigungseinrichtung speichert;eine Sprachdaten-Erfassungseinheit (220) zum Erfassen von Sprachdaten in einem Fall, in dem der Bediener in einer Umgebung der Fertigungseinrichtung lokalisiert ist, über eine Stimmempfangsvorrichtung (100), basierend auf der Positionsinformation des Bedieners, welche durch die Bedienerpositions-Erfassungseinheit erfasst ist, und der Positionsinformation der Fertigungseinrichtung, die in der Einrichtungspositions-Speichereinheit gespeichert ist;eine Labelerfassungseinheit (230) zum Erfassen eines Abnormalitätsgrades, der sich auf eine Fertigungslinie bezieht, welche die Fertigungseinrichtung beinhaltet, als ein Label; undeine Lerneinheit (240) zum Konstruieren eines Lernmodells für den Abnormalitätsgrad, mittels des Durchführens von überwachtem Lernen mit einer Gruppe der Sprachdaten und dem Label als Trainingsdaten,wobei die Sprachempfangsvorrichtung durch den Bediener tragbar ist.

Description

HINTERGRUND DER ERFINDUNG
Gebiet der Erfindung
Die vorliegende Erfindung bezieht sich auf eine Lernmodell-Konstruktionsvorrichtung, ein Abnormalitäts-Detektionssystem und einen Server.
Verwandter Stand der Technik
Konventioneller Weise wird eine Abnormalitätsdetektion in einer Fertigungseinrichtung unter Verwendung von Information durchgeführt, die durch Sensoren gesammelt wird, die zu der Fertigungseinrichtung gehören. Beispielsweise beinhaltet eine Fertigungseinrichtung, wie etwa ein Industrieroboter oder eine Werkzeugmaschine, die durch einen Servomotor angetrieben wird, üblicherweise Instrumente wie etwa einen Winkeldetektor und einen elektrischen Stromdetektor. Zusätzlich beinhaltet die Fertigungseinrichtung verschiedene Sensoren wie etwa einen Temperatursensor, einen Drehmomentsensor, einen Kraftsensor, einen Berührungssensor, abhängig von der Verwendung. Dann ist als Abnormalitätsdetektion unter Verwendung von Instrumenten und/oder Sensoren ein Verfahren des Detektierens von Kollisionen gemäß externen Kräften durchgeführt worden, die aus dem elektrischen Stromwert des Motors abgeschätzt werden, und Detektieren der Abnormalität bei den Reduktionsgetrieben durch Frequenzanalyse der abgeschätzten externen Kraft. Zusätzlich ist offenbart worden, eine Abnormalitätsdetektion einer Fertigungseinrichtung basierend auf den detektierten Vibrationen und/oder Geräuschen der Fertigungseinrichtung durchzuführen (siehe beispielsweise Patentdokumente 1 bis 5).

Patentdokument 1: Japanische ungeprüfte Patentanmeldungs-Veröffentlichung Nr. JP 2002 - 169 611 A
Patentdokument 2: Japanische ungeprüfte Patentanmeldung, Veröffentlichungs-Nr. JP H08 - 320 251 A
Patentdokument 3: Japanische ungeprüfte Patentanmeldungs-Veröffentlichungs-Nr. JP H06 - 4 789 A
Patentdokument 4: DE 10 2014 012 184 A1
Patentdokument 5: Japanische ungeprüfte Patentanmeldungs-Veröffentlichungs-Nr. JP 2014 - 182 092 A

ZUSAMMENFASSUNG DER ERFINDUNG
Hierin werden im Falle des Detektierens von Abnormalitäten in einer Fertigungseinrichtung oder einer Fertigungslinie, zu welcher die Fertigungseinrichtung gehört, durch Sammeln und Analysieren von aus der Fertigungseinrichtung emanierenden Geräusche gesammelt und mittels der Sensoren analysiert, die zu der Fertigungseinrichtung gehören. Jedoch sind Geräusche, die eine Abnormalität angeben, und Geräusche, welche die Symptome der Abnormalität in einer Fertigungslinie beinhalten, nicht auf jene beschränkt, die von der Fertigungseinrichtung herrühren.
Die vorliegende Erfindung ist gemacht worden unter Berücksichtigung solcher Probleme und hat als Aufgabe die Bereitstellung einer Lernmodell-Konstruktionsvorrichtung, eines Abnormalitäts-Detektionssystems und eines Servers zum Durchführen einer Abnormalitätsdetektion unter Verwendung von Geräuschinformation der Umgebung der Fertigungseinrichtung.
Eine Lernmodell-Konstruktionsvorrichtung (beispielsweise die später beschriebene Lernmodell-Konstruktionsvorrichtung 200 gemäß einem ersten Aspekt der vorliegenden Erfindung beinhaltet: eine Sprachdaten-Erfassungseinheit (zum Beispiel die später beschriebene Spracherfassungseinheit 220) zum Erfassen von Sprachdaten einschließlich des Sprechens eines Bedieners, der in einer Umgebung einer Fertigungseinrichtung lokalisiert ist, über eine Stimmempfangsvorrichtung (zum Beispiel das später beschriebene Mikrofon 100), eine Labelerfassungseinheit (zum Beispiel die später beschriebene Labelerfassungseinheit 230) zum Erfassen eines Abnormalitätsgrades, der sich auf eine Fertigungslinie bezieht, welche die Fertigungseinrichtung beinhaltet, als ein Label; und eine Lerneinheit (zum Beispiel die später beschriebene Lerneinheit 240) zum Konstruieren eines Lernmodells für den Abnormalitätsgrad, mittels des Durchführens von überwachtem Lernen mit einer Gruppe von Sprachdaten und dem Label als Trainingsdaten.
Gemäß einem zweiten Aspekt der vorliegenden Erfindung kann in der Lernmodell-Konstruktionsvorrichtung wie in dem ersten Aspekt beschrieben, die Sprachdaten-Erfassungseinheit (z.B. die später beschriebene Stimmerfassungseinheit 220) einen Merkmalswert erfassen, der aus dem Sprechen des Bedieners ermittelt wird, als die Sprachdaten.
Gemäß einem dritten Aspekt der vorliegenden Erfindung kann in der Lernmodell-Konstruktionsvorrichtung, wie in dem zweiten Aspekt beschrieben, der Merkmalswert ein Wert sein, der sich auf Sprachinhalte, Tonintervall und Lautstärke bezieht, die durch Analysieren des Sprechens des Bedieners ermittelt werden.
Gemäß einem vierten Aspekt der vorliegenden Erfindung kann in der Lernmodell-Konstruktionsvorrichtung, wie in einem der ersten bis dritten Aspekte beschrieben, die Sprachempfangsvorrichtung (zum Beispiel das später beschriebene Mikrofon 100) durch den Bediener tragbar sein und beinhalten: eine Bedienerpositions-Erfassungseinheit (zum Beispiel die später beschriebene Nachbarpositions-Bestimmungseinheit 210) zum Erfassen von Positionsinformation des Bedieners; und eine Einrichtungspositions-Speichereinheit (zum Beispiel die später beschriebene Einrichtungspositions-Speichereinheit 215), die Positionsinformation der Fertigungseinrichtung speichert, in welcher die Sprachdaten-Erfassungseinheit (zum Beispiel die später beschriebene Spracherfassungseinheit 220), die Sprachdaten in einem Fall erfasst, in dem der Bediener in einer Umgebung der Fertigungseinrichtung lokalisiert ist, basierend auf der Positionsinformation des Bedieners, welche durch die Bedienerpositions-Erfassungseinheit erfasst ist, und der Positionsinformation der Fertigungseinrichtung, die in der Einrichtungspositions-Speichereinheit gespeichert ist.
Gemäß einem fünfen Aspekt der vorliegenden Erfindung beinhaltet eine Abnormalitäts-Detektionsvorrichtung (zum Beispiel die später beschriebene Abnormalitäts-Detektionsvorrichtung 300, 2300), die konfiguriert wird unter Verwendung des Lernmodells, das durch die Lernmodell-Konstruktionsvorrichtung 200 irgendeines der ersten bis vierten Aspekte konstruiert ist: eine Abnormalitätsgrad-Bestimmungseinheit (zum Beispiel die später beschriebene Abnormalitätsgrad-Bestimmungseinheit 310) zum Bestimmen eines Abnormalitätsgrads relativ zu den Sprachdaten, basierend auf den durch die Sprachdaten-Erfassungseinheit (beispielsweise der später beschriebenen Spracherfassungseinheit 220) erfassten Sprachdaten und dem Lernmodell; und eine Mitteilungseinheit (zum Beispiel die später beschriebene Mitteilungseinheit 320) zum Durchführen einer Mitteilung, basierend auf den durch die Abnormalitätsgrad-Bestimmungseinheit bestimmten Abnormalitätsgrad.
Gemäß einem sechsten Aspekt der vorliegenden Erfindung kann die Abnormalitäts-Detektionsvorrichtung (zum Beispiel die später beschriebene Abnormalitäts-Detektionsvorrichtung 2300), wie in dem fünften Aspekt beschrieben, weiter beinhalten: eine Statusinformations-Erfassungseinheit (zum Beispiel die später beschriebene Statusdaten-Erfassungseinheit 2330) zum Erfassen von Statusinformation, die sich auf die in der Fertigungslinie vorgesehene Fertigungseinrichtung bezieht; und eine Statusinformations-Ausgabeeinheit (zum Beispiel die später beschriebene Datenausgabeeinheit 2350) zum Ausgeben der durch die Steuerinformations-Erfassungseinheit erfassten Statusinformation in einem Fall, dass der Abnormalitätsgrad durch die Abnormalitätsgrad-Bestimmungseinheit (zum Beispiel die später beschriebene Abnormalitätsgrad-Bestimmungseinheit 310) bestimmt wird, die eine Abnormalität angibt.
Gemäß einem siebten Aspekt der vorliegenden Erfindung kann in der Abnormalitäts-Detektionsvorrichtung, wie in dem sechsten Aspekt beschrieben, die Statusinformation Bildinformation, Oszillationsinformation und/oder Temperaturinformation enthalten.
Gemäß einem achten Aspekt der vorliegenden Erfindung kann die Abnormalitäts-Detektionsvorrichtung (zum Beispiel die später beschriebene Abnormalitäts-Detektionsvorrichtung 2300), wie in einem der ersten bis siebten Aspekte beschrieben, weiter beinhalten: eine Betriebsinformations-Erfassungseinheit (zum Beispiel die später beschriebene Betriebsdaten-Erfassungseinheit 2340) zum Erfassen von Betriebsinformation der Fertigungseinrichtung; und eine Betriebsinformations-Ausgabeeinheit (zum Beispiel die später beschriebene Datenausgabeeinheit 2350) zum Ausgeben der durch die Betriebsinformations-Erfassungseinheit (2340) erfassten Betriebsinformation in einem Fall, bei dem der durch die Abnormalitätsgrad-Bestimmungseinheit (zum Beispiel die später beschriebene Abnormalitätsgrad-Bestimmungseinheit 310) bestimmte Abnormalitätsgrad eine Abnormalität angibt.
Gemäß einem neunten Aspekt der vorliegenden Erfindung können in der Abnormalitäts-Detektionsvorrichtung, wie im achten Aspekt beschrieben, die Betriebsdaten Messdaten enthalten, die durch einen in der Fertigungseinrichtung installierten Sensor gemessen wurden.
Ein Abnormalitäts-Detektionssystem (zum Beispiel das später beschriebene Abnormalitäts-Detektionssystem 1000, 1000-2) gemäß einem zehnten Aspekt der vorliegenden Erfindung beinhaltet: die Lernmodell-Konstruktionsvorrichtung (zum Beispiel die später beschriebene Lernmodell-Konstruktionsvorrichtung 200), wie in einem der ersten bis vierten Aspekte beschrieben; und die Abnormalitäts-Detektionsvorrichtung (zum Beispiel die später beschriebene Abnormalitäts-Detektionsvorrichtung 300, 2300), wie in einem der fünften bis neunten Aspekte beschrieben.
Gemäß einem elften Aspekt der vorliegenden Erfindung kann im Abnormalitäts-Detektionssystem, wie in dem zehnten Aspekt beschrieben, die Lernmodell-Konstruktionsvorrichtung und die Abnormalitäts-Detektionsvorrichtung an der Fertigungseinrichtung vorgesehen sein.
Gemäß einem zwölften Aspekt der vorliegenden Erfindung beinhaltet ein Server, der eine Vielzahl von Lernmodell-Konstruktionsvorrichtungen (zum Beispiel die später beschriebene Lernmodell-Konstruktionsvorrichtung 200), wie in einem der ersten bis vierten Aspekte beschrieben, aufweist, und mit der Vielzahl von Lernmodell-Konstruktionsvorrichtungen über ein Kommunikationsnetzwerk (zum Beispiel das später beschriebene Netzwerk 500) verbunden ist: eine Datenübertragungseinheit zum Empfangen von Trainingsdaten, die aus einer Gruppe der Sprachdaten bestehen, welche durch die Sprachdaten-Erfassungseinheit erfasst sind, und das durch die Labelen-Erfassungseinheit einer der Lernmodell-Konstruktionsvorrichtungen erfasste Label, und zum Senden der empfangenen Trainingsdaten an eine andere der Lernmodell-Konstruktionsvorrichtungen.
Gemäß einem dreizehnten Aspekt der vorliegenden Erfindung beinhaltet ein Server, der eine Vielzahl von Lernmodell-Konstruktionsvorrichtungen (zum Beispiel der später beschriebenen Lernmodell-Konstruktionsvorrichtung 200), wie in einem der ersten bis vierten Aspekte beschrieben, aufweist und mit der Vielzahl von Lernmodell-Konstruktionsvorrichtungen über ein Kommunikationsnetzwerk (zum Beispiel das später beschriebene Netzwerk 500) verbunden ist: eine Datenempfangseinheit zum Empfangen von Trainingsdaten, die aus einer Gruppe der durch die Sprachdaten-Erfassungseinheit erfassten Sprachdaten besteht, und dem durch die Label-Erfassungseinheit jeder der Lernmodell-Konstruktionsvorrichtungen erfassten Label; eine Lerneinheit zum Konstruieren eines Lernmodells für den Abnormalitätsgrad mittels des Durchführens von supervidiertem Lernen unter Verwendung der durch die Datenempfangseinheit empfangenen Trainingsdaten; und einer Modellsendeeinheit zum Senden des durch die Lerneinheit konstruierten Lernmodells an jede der Lernmodell-Konstruktionsvorrichtungen.
Gemäß der vorliegenden Erfindung ist es möglich, eine Lernmodell-Konstruktionsvorrichtung, Abnormalitäts-Detektionsvorrichtung, ein Abnormalitäts-Detektionssystem und einen Server zum Durchführen von Abnormalitätsdetektion unter Verwendung von Geräuschinformation von Umgebung einer Fertigungseinrichtung bereitzustellen.
Figurenliste

1 ist ein Blockdiagramm, welches die Basiskonfiguration einer Gesamtausführungsform der vorliegenden Erfindung zeigt;
2 ist ein Blockdiagramm, welches Funktionsblöcke zeigt, die in jeder Vorrichtung der ersten Ausführungsform der vorliegenden Erfindung enthalten sind;
3 ist eine Tabelle, die Beispiele von Trainingsdaten in einer ersten Ausführungsform der vorliegenden Erfindung zeigt;
4 ist ein Flussdiagramm, das Operationen während des Maschinenlernens in der ersten Ausführungsform der vorliegenden Erfindung zeigt;
5 ist ein Flussdiagramm, welches Operationen während der Abnormalitätsdetektion in der ersten Ausführungsform der vorliegenden Erfindung zeigt;
6 ist ein Blockdiagramm, welches in einer Abnormalitäts-Detektionsvorrichtung einer zweiten Ausführungsform der vorliegenden Erfindung enthaltene Funktionsblöcke zeigt; und
7 ist ein Blockdiagramm, das eine Lernmodell-Konstruktionsvorrichtungs-Interaktion in einem modifizierten Beispiel der vorliegenden Erfindung zeigt.

DETAILLIERTE BESCHREIBUNG DER ERFINDUNG
(Erste Ausführungsform)
Zuerst wird ein Umriss einer Ausführungsform der vorliegenden Erfindung erläutert. Die vorliegende Ausführungsform bezieht sich auf ein System zum Bestimmen eines Abnormalitätsgrads in einer Fertigungslinie mit zumindest einer Fertigungseinrichtung, basierend auf der durch jeden Bediener, der Arbeit in der Nähe der Fertigungseinrichtung, wie etwa einem Roboter, einer Werkzeugmaschine und einer Spritzgussmaschine durchführt, erzeugten Sprache.
Jeder Operator wird beim Überwachen der Fertigungseinrichtungen in der Nähe der Fertigungseinrichtung etwas sagen wie etwa „Gefährlich“ oder „Stopp“ beispielsweise im Falle des Bestätigens einer gefährlichen Situation. Zusätzlich ist auch ein Ruf wie etwa ein Schrei von „Aaah“ oder dergleichen in dem Geräusch enthalten, das in jedem Bediener in einer gefährlichen Situation gemacht wird. Daher führt die vorliegende Ausführungsform ein Maschinenlernen mit Sprachdaten, die ein Ton sind, der durch Bediener, welche die Fertigungslinie überwachen, erzeugt wird, als Eingangsdaten durch. Dann detektiert die vorliegende Ausführungsform einen Fall, bei dem die Fertigungslinie abnormal ist, anhand der durch den Bediener erzeugten Sprache, unter Verwendung eines Lernmodells, das die Ergebnisdaten sind, die durch Maschinenlernen gemacht werden. Das Obige ist ein Umriss einer Ausführungsform der vorliegenden Erfindung.
Als Nächstes wird eine Erläuterung für die Konfiguration eines Abnormalitäts-Detektionssystems 1000, das die vorliegende Ausführungsform ist, unter Bezugnahme auf 1 gegeben. Wie in 1 gezeigt, beinhaltet das Abnormalitäts-Detektionssystem 1000 eine Anzahl m von Mikrofonen 100, eine Anzahl n von tragbaren Endgeräten 150, eine Lernmodell-Konstruktionsvorrichtung 200, eine Abnormalitäts-Detektionsvorrichtung 300 und ein Netzwerk 400. Es sollte angemerkt werden, dass n jegliche natürliche Zahl ist.
Die Verbindung zwischen diesen Vorrichtungen wird erläutert. Das Mikrofon 100 und das tragbare Endgerät 150 werden durch jeden Bediener besessen und das Mikrofon 100 ist kommunizierbar mit dem tragbaren Endgerät 150 mittels Kurzdistanz-Funkkommunikation verbunden, wie etwa beispielsweise Bluetooth Low Energy (registrierte Marke) oder dergleichen. Dann wird das tragbare Endgerät 150 kommunizierbar mit dem Netzwerk 400 verbunden.
Die Lernmodell-Konstruktionsvorrichtung 200 und die Abnormalitäts-Detektionsvorrichtung 300 sind jeweils mit dem Netzwerk 400 verbunden und sind in der Lage, Kommunikation wechselseitig über das Netzwerk 400 durchzuführen. Das Netzwerk 400 ist beispielsweise ein LAN (Lokalbereichsnetzwerk), das innerhalb einer Fabrik aufgebaut ist, das Internet, öffentliches Telefonnetzwerk oder eine Kombination von diesen. Das spezifische Kommunikationssystem des Netzwerks 400, ob eine verdrahtete Verbindung oder Funkverbindung etc. seiend, ist nicht besonders beschränkt.
Als Nächstes wird eine Erläuterung gegeben für die Funktion dieser Vorrichtungen, die im Abnormalitäts-Detektionssystem 1000 enthalten sind, durch Bezug nehmen auf 2. Hier ist 2 ein Blockdiagramm, das die in jeder Vorrichtung enthaltenen Funktionsblöcke zeigt. Es sollte angemerkt werden, dass, da die Mikrofone 100-1 bis 100-n äquivalente Funktionen aufweisen und die tragbaren Endgeräte 150-1 bis 150-n äquivalente Funktionen aufweisen, nur jeweils eines derselben in 2 illustriert ist. Zusätzlich wird die Illustration für das Netzwerk 400, das zwischen den jeweiligen Vorrichtungen existiert, weggelassen.
Das Mikrofon 100 ist beispielsweise der Tonsammelteil eines Headsets, das der Bediener auf dem Kopf trägt und ist eine Stimmaufnahmevorrichtung, welche das Sprechen des Bedieners aufnimmt. Das tragbare Endgerät 150 ist ein tragbares Endgerät, das durch den Bediener getragen wird. Das tragbare Endgerät 150 hat die Rolle, durch das Mikrofon 100 aufgenommene Sprachdaten an die Lernmodell-Konstruktionsvorrichtung 200 zu senden und die Rolle, Positionsinformationen des Bedieners zu erfassen. Das Mikrofon 100 beinhaltet normale Funktionsblöcke wie etwa einen Funktionsblock zu Steuern des Mikrofons 100 und eine Funktion zum Durchführen von Kommunikation. Ähnlich beinhaltet das tragbare Endgerät 150 normale Funktionsblöcke wie etwa einen Funktionsblock zum Steuern des tragbaren Endgeräts 150 und einen Funktionsblock zum Durchführen von Kommunikation. Da die normalen Funktionsblöcke von Diesen Fachleuten auf dem Gebiet bekannt sind, wird Illustration und Erläuterung derselben weggelassen. Ähnlich wird für die gemeinsamen Funktionsblöcke in einer Lernmodell-Konstruktionsvorrichtung 200 und einer Abnormalitäts-Detektionsvorrichtung 300, die später beschrieben werden, wie etwa einem Funktionsblock zum Durchführen von Kommunikation und einem Funktionsblock zum Akzeptieren von Manipulation von einem Bediener, Illustration und Erläuterung weggelassen.
Die Lernmodell-Konstruktionsvorrichtung 200 ist eine Vorrichtung, die Maschinenlernen unter Verwendung von durch das Mikrofon 100 empfangenen Sprachdaten durchführt. Dann konstruiert die Lernmodell-Konstruktionsvorrichtung 200 ein Lernmodell zum Durchführen einer Abnormalitätsdetektion durch Durchführen von Maschinenlernen. Die Lernmodell-Konstruktionsvorrichtung 200 beinhaltet eine Nachbarpositions-Bestimmungseinheit 210, eine Einrichtungspositions-Speichereinheit 215, eine Stimmerfassungseinheit 220, eine LAbelerfassungseinheit 230, eine Lerneinheit 240 und eine Lernmodellspeichereinheit 250.
Die Nachbarpositions-Bestimmungseinheit 210 spezifiziert die Position des Bedieners. Dann bestimmt die Nachbarpositions-Bestimmungseinheit 210, ob die spezifizierte Position des Bedieners in der Nähe der Fertigungseinrichtung ist. Hier ist es als Verfahren des Erfassens der Positionsinformation des Bedieners möglich, bekannte Technologie einzusetzen. Beispielsweise sendet jede der Vielzahl (zum Beispiel vier) von Funkbasisstationen (nicht illustriert), die Funkwellen empfängt, die aus dem tragbaren Endgeräts 150 gesendet werden, die Funkwellenankunftszeit, bei welcher sie an jeder Funkbasisstation eintreffen, an die Nachbarpositions-Bestimmungseinheit 210. Dann spezifiziert die Nachbarpositions-Bestimmungseinheit 210 die Position des tragbaren Endgeräts 150, basierend auf Dreipunktmessungen aus den Differenzen bei den Funkwellenankunftszeiten, bei welchen Ankunft an den empfangenden, jeweiligen Funkbasisstationen stattfindet (Zeitdifferenz von Ankunftsverfahren). Dann erfasst die Nachbarpositions-Bestimmungseinheit 210 Bediener-Identifikationsinformation entsprechend dem tragbaren Endgerät 150, zusammen mit der spezifizierten Positionsinformation.
Zusätzlich sendet die Funkbasisstation, welche die Funkwellen, die aus dem tragbaren Endgerät 150 gesendet werden, empfangen hat, die Intensität der empfangenen Funkwellen an die Nachbarpositions-Bestimmungseinheit 210. Dann spezifiziert die Nachbarpositions-Bestimmungseinheit 210 die Position des tragbaren Endgeräts 150, basierend auf der Intensität der empfangenen Funkwellen, einer zuvor ermittelten Funkwellen-Intensitätskarte oder Dreipunktmessungen (Empfangssignalstärken-Identifikationsverfahren). Dann erfasst die Nachbarpositions-Bestimmungseinheit 210 die Bediener-Identifikationsinformation zum Identifizieren des dem tragbaren Endgerät 150 entsprechenden Bedieners zusammen mit der spezifizierten Positionsinformation.
Weiterhin kann als ein Verfahren des Erfassens der Positionsinformation des Bedieners ein Barkenverfahren angewendet werden. In diesem Fall führt der Bediener eine Barke zusätzlich zum tragbaren Endgerät 150 mit sich oder es ist so konfiguriert, dass es eine Barkenfunktion im tragbaren Endgerät 150 aufweist, welches durch den Bediener mitgeführt wird. Dann wird durch die Barkeneinheit (nicht illustriert), die in der Fertigungslinie installiert ist, die Funkwellen, Infrarotstrahlen oder dergleichen empfängt, die aus der Barke emittiert werden, die Bediener-Identifikationsinformation entsprechend der Barke erfasst, wie auch die Messung der Position des Bedieners. Dann erfasst die Nachbarpositions-Bestimmungseinheit 210 die Positionsinformation des Bedieners aus der Barkeneinheit. Es sollte angemerkt werden, dass beispielsweise RFID (Funkfrequenz-Identifikation), Bluetooth (registrierte Marke) oder dergleichen als die Barke und Barkeneinheit exemplifiziert werden kann.
Auf diese Weise kann die Lernmodell-Konstruktionsvorrichtung 200 die Positionsinformation des Bedieners innerhalb der Fertigungslinie detektieren, zusammen mit der Bediener-Identifikationsinformation, durch Beinhalten einer bekannten Funktion der Positionsdetektion. Es sollte angemerkt werden, dass, getrennt von der Lernmodell-Konstruktionsvorrichtung, 200 so konfiguriert sein kann, dass ein Positionsdetektionssystem enthalten ist, das eine bekannte Funktion der Positionsdetektion aufweist, und das Positionsdetektionssystem die erfasste Positionsinformation des Bedieners an die Lernmodell-Konstruktionsvorrichtung 200 sendet.
Als Nächstes bestimmt die Nachbarpositions-Bestimmungseinheit 210, ob die Position des Bedieners in der Nähe der Fertigungseinrichtung ist, basierend auf der erfassten Positionsinformation des Bedieners, Bediener-Identifikationsinformation und Positionsinformation der Fertigungseinrichtung, die in der Einrichtungspositions-Speichereinheit 215 gespeichert sind. Falls beispielsweise die Differenz zwischen der Position des Bedieners und der Position der nächsten Fertigungseinrichtung bis zur Position des Bedieners innerhalb von 10 Metern ist, bestimmt die Nachbarpositions-Bestimmungseinheit 210, dass die Position des Bedieners in der Nähe der Fertigungseinrichtung ist.
Die Stimmerfassungseinheit 220 ist ein Bereich, der Sprachdaten über das tragbare Endgerät 150 aus dem Mikrofon 100 erfasst (nachfolgend vereinfacht und als „Erfasse Sprachdaten aus Mikrofon 100“ bezeichnet), und erzeugt Eingabedaten zum Erlernen der extrahierenden Merkmalswerte aus den erfassten Sprachdaten. Hier erhöht die Stimmerfassungseinheit 220 Merkmalswerte aus den Sprachdaten in dem Fall, bei dem bestimmt wird, dass der Bediener in der Nähe der Fertigungseinrichtung lokalisiert ist, vermittels der Nachbarpositions-Bestimmungseinheit 210. Zuerst analysiert die Stimmerfassungseinheit 220 die aus dem Mikrofon 100 erfassten Sprachdaten und spezifiziert die Sprachdaten als das Ziel der Spracherkennung. Spezifischer werden Sprachdaten in jedem vorbestimmten Abschnitt aufgenommen, werden die Amplitudenwerte der Sprachdaten in vorbestimmten Abtastzeiten integriert, wird dieser integrierte Betrag mit demjenigen eines vorherigen Abschnitts verglichen und wird ein Abschnitt, in welchem die Differenz einen Schwellenwert für Spracherkennungsstart übersteigt, als der Spracherkennungsstartabschnitt definiert. Dann wird eine Reihe einer Vielzahl von Abschnitten ab dem SpracherkennungsStartabschnitt als Spracheingabeabschnitt definiert und werden in diesem Spracheingabeabschnitt erfasste Sprachdaten als die Sprachdaten eines Verarbeitungsziels spezifiziert. Dann wendet die Stimmerfassungseinheit 220 einen vorbestimmten Spracherkennungs-Algorithmus auf die spezifizierten Sprachdaten an, um Merkmalswerte zu extrahieren. Beispielsweise, im Falle eines HMM (Hidden Markov Model) als dem Spracherkennungs-Algorithmus, extrahiert die Stimmerfassungseinheit 220 Mel-Cepstrum, den dynamischen Merkmalswert dieses Mel-Cepstrum (Variation in der Zeitregion von Mel-Cepstrum), dynamischen Merkmalswert des Logs von Leistung etc. mittels Mel-Cepstrum- Analyse als die Merkmalswerte.
Weiterhin führt die Stimmerfassungseinheit 220 Spracherkennungsverarbeitung basierend auf den Extraktionsergebnissen durch und kann den Sprachinhalt eines Bedieners, der in den Sprachdaten enthalten ist, erkennen. Dann extrahiert die Stimmerfassungseinheit 220 Wörter als Merkmalswerte von Stimme mittels morphologischer Analyse oder dergleichen aus den erkannten Sprachinhalten. Es sollte angemerkt werden, dass die Spracherkennungs-Verarbeitung unter Verwendung verschiedener bekannter Techniken durchgeführt werden kann. Hier, vor dem Durchführen von Spracherkennung, erhöht die Stimmerfassungseinheit 220 nur Sprachdaten mit einer Frequenz ähnlich zur Stimme, um als Erkennungsziel zu dienen, durch Durchführen von Frequenzanalyse unter Verwendung von beispielsweise FFT (Fast Fourier Transformation) oder dergleichen an den Sprachdaten. Durch Konfiguration auf diese Weise ist es möglich, so vorzugehen, dass Sprachdaten, die nur aus Geräuschen bestehen, die nicht das Sprechen des Bedieners enthalten, nicht beim Maschinenlernen verwendet werden. Dann erkennt die Stimmerfassungseinheit 220 das Tonintervall und/oder die Lautstärke aus der Wellenform.
Die Labelerfassungseinheit 230 akzeptiert eine Eingabeoperation eines Labels aus einer überwachenden Person, wodurch ein Label erfasst wird, mittels einer Bedienungsakzeptiereinheit (nicht illustriert) der Lernmodell-Konstruktionsvorrichtung 200. Hierin ist Label die korrekte Ausgabe, die der Eingabe beim Maschinenlernen entsprechen sollte. In der vorliegenden Ausführungsform bezieht sich das Label auf den Abnormalitätsgrad der Fertigungslinie. Spezifischer ist das Label das Ausmaß, in drei Stufen, in welchen der Abnormalitätsgrad von 0 bis 2 reicht. Hier gibt der Abnormalitätsgrad von 0 an, dass ein abnormaler Zustand nicht auftritt (das heißt normal). Zusätzlich gibt der Abnormalitätsgrad von 1 ein Abnormalitätsausmaß eines Achtungsniveaus an und der Abnormalitätsgrad von 2 gibt ein Abnormalitätsausmaß eines Warngrads an. Das Ausmaß des Achtungsgrads bezieht sich auf ein Label, das die Fertigungslinie validiert und das Ausmaß eines Warngrads bezieht sich auf einen Grad, der beispielsweise die Fertigungslinie stoppt.
Durch Konfiguration auf diese Weise werden der Merkmalswert der Sprachdaten des Bedieners, die als Lernziel dienen und das Label des Abnormalitätsgrads in der Fertigungslinie eine Gruppe und werden an der Lerneinheit 240 eingegeben. Diese Gruppe von Merkmalwert und Label entspricht Lehrdaten des Maschinenlernens. 3 ist eine Tabelle, die ein Beispiel der an der Lerneinheit 240 eingegebenen Lehrdaten 241 zeigt.
Hier ist es für mehrere Sätze von Lehrdaten wünschenswert, dass das Durchführen von Maschinenlernen vorbereitet wird. Daher können beispielsweise in der Praxis beim Erfassen der Sprachdaten des Bedieners während eines Abnormalitätsauftritts, während die Fertigungseinrichtung läuft und Akkumulieren der erfassten Sprachdaten die Sprachdaten von jedem Bediener für jede der Vielzahl von Fertigungslinien erfasst werden. Durch Konfiguration auf diese Weise ist es gut, weil es möglich ist, viele Sätze von Lehrdaten zu erzeugen, aus den, von den Mikrofonen 100, die durch die Bediener normal verwendet werden, erfassten Sprachdaten. Zusätzlich kann eine Probe, von der angenommen wird, dass sie während einer Abnormalität stattfindet, vorgenommen werden und können Sprachdaten des Bedieners während dieser Zeit erfasst werden.
Die Lerneinheit 240 konstruiert ein Lernmodell für den Abnormalitätsgrad der Fertigungslinie durch Durchführen von Maschinenlernen, basierend auf den auf diese Weise eingegebenen Trainingsdaten. Das durch die Lerneinheit 240 konstruierte Lernmodell wird an die Lernmodellspeichereinheit 250 und eine später beschriebene Abnormalitäts-Detektionsvorrichtung 300 ausgegeben.
Die Lernmodellspeichereinheit 250 ist eine Speichereinheit, die an die Lernmodellspeichereinheit 250 ausgegebene Lernmodelle mittels Lernen durch die Lerneinheit 240 speichert. Die durch die Lernmodellspeichereinheit 250 gespeicherten Lernmodelle werden durch die Abnormalitäts-Detektionsvorrichtung 300 verwendet. Es sollte angemerkt werden, dass nach Konstruieren des Lernmodells im Falle des Erfassens neuer Lehrdaten so konfiguriert werden kann, dass ein bereits konstruiertes Lernmodell aktualisiert wird, durch Durchführen weiterhin supervidierten Lernens am durch die Lernmodellspeichereinheit 250 gespeicherten Lernmodell. Zusätzlich kann so konfiguriert sein, dass ein durch die Lernmodellspeichereinheit 250 gespeichertes Lernmodell mit anderen Lernmodell-Konstruktionsvorrichtungen 200 geteilt wird. Falls so konfiguriert, dass die Lernmodelle mit einer Vielzahl von Lernmodell-Konstruktionsvorrichtungen 200 geteilt werden, da es möglich wird, zwischen einer Vielzahl von Lernmodell-Konstruktionsvorrichtungen 200 zu verteilen und weiter supervidiertes Lernen durchzuführen, kann die Effizienz und Genauigkeit des supervidierten Lernens verbessert werden.
Die Abnormalitäts-Detektionsvorrichtung 300 ist eine Vorrichtung, die eine Abnormalität der Fertigungslinie in der vorliegenden Ausführungsform detektiert. Die Abnormalitäts-Detektionsvorrichtung 300 beinhaltet eine Abnormalitätsgrad-Bestimmungseinheit 310 und eine Mitteilungseinheit 320. Die Abnormalitätsgrad-Bestimmungseinheit 310 bestimmt den Abnormalitätsgrad relativ zu den Bestimmungsdaten unter Verwendung des aus der Lerneinheit 240 eingegebenen Lernmodells und von außerhalb eingegebenen Bestimmungsdaten. Dann teilt die Abnormalitätsgrad-Bestimmungseinheit 310 im Falle, dass der Abnormalitätsgrad eine Abnormalität angibt, als Ergebnis einer unter Verwendung dieser Datensätze durchgeführten Bestimmung, der Mitteilungseinheit 320 dies mit.
Hier wird das aus der Lerneinheit 240 an die Abnormalitätsgrad-Bestimmungseinheit 310 eingegebene Lernmodell durch die Lerneinheit 240 wie oben erwähnt konstruiert. Zusätzlich sind die an die Abnormalitätsgrad-Bestimmungseinheit 310 eingegebenen Bestimmungsdaten, die zu den an der Lerneinheit 240 eingegebenen Merkmalswerten äquivalent sind. Es kann so konfiguriert sein, dass die Bestimmungsdaten aus der Stimmerfassungseinheit 220 der Lernmodell-Konstruktionsvorrichtung 200 eingegeben werden. Zusätzlich kann so konfiguriert sein, dass Funktionsblöcke, die äquivalent zu der Nachbarpositions-Bestimmungseinheit 210 und Stimmerfassungseinheit 220 innerhalb der Abnormalitäts-Detektionsvorrichtung 300 sind, wobei dieser Funktionsblock äquivalent zu der Nachbarpositions-Bestimmungseinheit 210 bestimmt, ob der Bediener in der Nähe der Fertigungseinrichtung lokalisiert ist, aus der, aus dem tragbaren Endgerät 150 erfassten Positionsinformation und dieser zur Stimmerfassungseinheit 220 äquivalente Funktionsblock extrahiert Merkmalswerte aus den, aus dem Mikrofon 100 erfassten Sprachdaten.
Die Mitteilungseinheit 320 ist ein Bereich, der basierend auf den aus der Abnormalitätsgrad-Bestimmungseinheit 310 eingegebenen Bestimmungsergebnissen ausgibt. Die Mitteilungseinheit 320 notifiziert beispielsweise durch Beleuchten einer Warnlampe oder Ausgeben eines Alarmtons, gemäß dem als das Bestimmungsergebnis ausgegebenen Abnormalitätsgrad. Ein anderer Bediener oder eine Überwachungsperson, die den Bediener ausschließt, der das Sprechen erzeugte, kann so wissen, dass eine Art von Abnormalität in der Fertigungslinie aufgetreten ist, mittels der Mitteilung durch die Mitteilungseinheit 320.
Die Funktionsblöcke des Mikrofons 100 des tragbaren Endgeräts 150, der Lernmodell-Konstruktionsvorrichtung 200 und der Abnormalitäts-Detektionsvorrichtung 300 sind oben erläutert worden. Als Nächstes werden Erläuterungen gegeben für die Implementationsverfahren für diese Funktionsblöcke. Um diese Funktionsblöcke zu realisieren, beinhalten alle vom tragbaren Endgerät 150, der Lernmodell-Konstruktionsvorrichtung 200 und der Abnormalitäts-Detektionsvorrichtung 300 eine arithmetische Verarbeitungseinheit wie etwa eine CPU (Zentraleinheit). Zusätzlich beinhalten alle vom tragbaren Endgerät 150, der Lernmodell-Konstruktionsvorrichtung 200 und der Abnormalitäts-Detektionsvorrichtung 300 eine Hilfsspeichervorrichtung wie etwa ein HDD (Festplattenlaufwerk), die verschiedene Steuerprogramme wie etwa Applikations-Software und das BS (Betriebssystem) speichert, und eine Hauptspeichereinheit wie etwa ein RAM (Wahlfreizugriffsspeicher) zum Speichern von Daten, die zeitweilig benötigt werden, wenn die arithmetische Verarbeitungseinheit Programme ausführt.
Dann liest in jeder Vorrichtung die Arithmetik-Verarbeitungseinheit die Applikation und/oder das Betriebssystem aus der Hilfsspeichereinheit und führt eine arithmetische Verarbeitung, basierend auf dieser Applikation und/oder dem BS (Betriebssystem) durch, während die gelesene Applikation und/oder das BS in die Hauptspeichervorrichtung expandiert wird. Zusätzlich, basierend auf diesen Rechenergebnissen, wird die durch die jeweiligen Vorrichtungen besessene verschiedene Hardware gesteuert. Die Funktionsblöcke der vorliegenden Ausführungsform werden dadurch realisiert. Mit anderen Worten kann die vorliegende Ausführungsform durch Hardware und Software, die kooperieren, realisiert werden. Als ein spezifisches Beispiel kann das tragbare Endgerät 150 beispielsweise durch ein Smartphone, ein mitführbares Endgerät oder dergleichen außer einem tragbaren Endgerät realisiert werden. Zusätzlich können die Lernmodell-Konstruktionsvorrichtung 200 und die Abnormalitäts-Detektionsvorrichtung 300 durch einen Computer wie etwa beispielsweise einen persönlichen Computer oder Server realisiert werden.
Da jedoch der Rechenbetrag mit dem Maschinenlernen für die Lernmodell-Konstruktionsvorrichtung 200 einhergehend ansteigt, falls beispielsweise so konfiguriert, dass GPUs (Graphikprozessoreinheiten) in einem persönlichen Computer installiert werden, und die GPUs in der arithmetischen Verarbeitung, die mit Maschinenlernen einhergeht, verwendet werden, ist dies gemäß einer Technik, die GPGPU (General Purpose Computing on Graphics Processing Units) genannt wird, gut, weil eine Hochgeschwindigkeitsverarbeitung möglich wird. Weiterhin, um Höhergeschwindigkeitsverarbeitung durchzuführen, kann konfiguriert sein, einen Computercluster zu konstituieren, der eine Vielzahl von Computern verwendet, die mit solchen GPUs ausgestattet sind, und Parallelverarbeitung mit der Vielzahl von Computern durchzuführen, die in diesen Computerclustern enthalten sind.
Als Nächstes wird eine Erläuterung für Operationen der Lernmodell-Konstruktionsvorrichtung 200 während des Maschinenlernens gegeben, unter Bezugnahme auf das Flussdiagramm von 4. Im Schritt (nachfolgend einfach als „S“ bezeichnet) S11 in 4 erfasst die Nachbarpositions-Bestimmungseinheit 210 der Lernmodell-Konstruktionsvorrichtung 200 Positionsinformation der durch den Bediener mitgeführten tragbaren Vorrichtung 150, als Positionsinformation des Bedieners. In S12 referenziert die Nachbarpositions-Bestimmungseinheit 210 die Einrichtungspositions-Speichereinheit 215 und bestimmt, ob die erfasste Positionsinformation eine Position nahe der Positionsinformation jeglicher Fertigungseinrichtung ist, die in der Einrichtungspositions-Speichereinheit 215 gespeichert ist. Im Fall, dass sie an einer nahen Position ist (S12: Ja), rückt die Nachbarpositions-Bestimmungseinheit 210 die Verarbeitung zu S13 vor. Ansonsten, in dem Fall, in dem sie nicht eine nahe Position ist (S12: Nein), beendet die Nachbarpositions-Bestimmungseinheit 210 die aktuelle Verarbeitung. Mit anderen Worten, in dem Fall, bei dem der Bediener nicht an einer Position nahe der Fertigungseinrichtung ist, wird erwogen, dass der Bediener nicht über die Fertigungseinrichtung spricht und kein Sprechen beinhaltet, welches sich auf die Fertigungslinie bezieht. Aus diesem Grunde, in dem Fall, bei dem der Bediener nicht an einer Position nahe der Fertigungseinrichtung ist, wird die durch den Bediener vorgenommene Sprache nicht zum Lernziel in der Lernmodell-Konstruktionsvorrichtung 200 gemacht.
In S13 erfasst die Stimmerfassungseinheit 220 Sprachdaten über das Mikrofon 100. In S14 erhöht die Stimmerfassungseinheit 220 Merkmalswerte aus den in S13 erfassten Sprachdaten. Die Merkmalswerte zur Extraktion hierin können als die Länge, mit der jedes Wort geäußert ist, aus dem Sprechen des Bedieners beispielsweise extrahieren. Mit anderen Worten ist in den Merkmalwerten, die aus den Sprachdaten extrahiert sind, ein Bereich, der das Sprechen des Bedieners beinhaltet, in welchem dieses Sprechen, das erzeugt ist, ein Wort ist, als der Merkmalswert von Trainingsdaten definiert. In S15 erfasst die Labelerfassungseinheit 230 ein Label. In S16 werden Trainingsdaten, welche den in S14 erhöhten Merkmalswert und das in S15 erfasste Label als eine Gruppe, an der Lerneinheit 240 eingegeben.
In S17 führt die Lerneinheit 240 ein Maschinenlernen unter Verwendung der eingegebenen Trainingsdaten aus. In der vorliegenden Ausführungsform wird supervidiertes Lernen durch ein neuronales Netzwerk, das durch das Verbinden von Perceptronen gebildet wird, durchgeführt. Spezifischer stellt die Lerneinheit 240 die Gruppe eines Merkmalswertes und Labels, welches die Eingabedaten sind, die in den Trainingsdaten enthalten sind, dem neuronalen Netzwerk bereit, und ändert die Gewichtung für jedes Perceptron, das im neuronalen Netzwerk enthalten ist, so dass die Ausgabe des neuronalen Netzwerks gleich wie das Label wird. Durch Konfiguration auf diese Weise erlernt die Lerneinheit 240 die Charakteristika von Trainingsdaten und erzielt rekursiv ein Lernmodell zum Abschätzen eines Ergebnisses aus Eingaben.
In S18 bestimmt die Lerneinheit 240, das supervidierte Lernen zu beenden oder das supervidierte Lernen zu wiederholen. Hier ist es möglich, beliebig über die Bedingungen zum Beenden des supervidierten Lernens zu entscheiden. Beispielsweise ist es gut, so zu konfigurieren, dass das supervidierte Lernen in dem Fall beendet wird, bei dem der Wert des Fehlers zwischen der Ausgabe des neuronalen Netzwerks und dem Label nicht größer als ein vorbestimmter Wert wird. Zusätzlich kann alternativ so konfiguriert sein, dass das supervidierte Lernen in dem Fall beendet wird, bei dem das wiederholte supervidierte Lernen nur eine Anzahl von Malen, über die vorab entschieden wird, stattfindet. In jeglicher Weise rückt in dem Fall, bei dem die Bedingung nicht erfüllt ist und das supervidierte Lernen nicht beendet wird (S18: NEIN) die Lerneinheit 240 die Verarbeitung zu S16 fort und wiederholt das supervidierte Lernen wieder mit neuen Trainingsdaten oder denselben Trainingsdaten als Ziel. Andererseits beendet in dem Fall, dass die Bedienung zum Beenden des supervidierten Lernens im Verlaufe des wiederholten supervidierten Lernens eingefügt ist (S18: JA) die Lerneinheit 240 das supervidierte Lernen.
In S19 veranlasst die Lerneinheit 240 das Lernmodell, das aufgebaut ist mittels supervidiertem Lernen bis zu diesem Moment, auszugeben und in der Lernmodellspeichereinheit 250 zu speichern. Falls in der Lernmodellspeichereinheit 250 auf diese Weise gespeichert, in dem Fall, bei dem das Lernmodell aus einer neu installierten Abnormalitäts-Detektionsvorrichtung 300 angefragt wird, kann die Lernmodell-Konstruktionsvorrichtung 200 das Lernmodell senden. Zusätzlich kann im Falle des Erfassens neuer Trainingsdaten die Lernmodell-Konstruktionsvorrichtung 200 weiter das Maschinenlernen am Lernmodell durchführen. Nachfolgend beendet die Lernmodell-Konstruktionsvorrichtung 200 die vorliegende Verarbeitung.
Es sollte angemerkt werden, dass das vorerwähnte Flussdiagramm das Bestimmen erläutert, ob die Position des Bedieners eine Position nahe der Fertigungseinrichtung ist und in dem Fall, bei dem es eine Position nahe der Fertigungseinrichtung ist, das Erfassen von Sprachdaten und Extrahieren von Merkmalswerten. Jedoch kann die Verarbeitung des Erfassens von der Positionsinformation des Bedieners und Bestimmen, ob der Bediener an einer Position nahe der Fertigungseinrichtung ist, nach Erfassung der Sprachdaten durchgeführt werden oder kann simultan mit der Erfassung von Sprachdaten durchgeführt werden. Zusätzlich kann sie simultan mit der Verarbeitung des Extrahierens von Merkmalswerten aus den Sprachdaten sein oder kann die Verarbeitung, welche sich auf die Position des Bedieners bezieht, nach dem Extrahieren von Merkmalswerten durchführen. Mit anderen Worten, solange wie konfiguriert wird, dass die Sprachdaten zur Eingabe an der Lerneinheit 240 durch den Bediener an einer Position nahe der Fertigungseinrichtung geäußertem Sprechen ist, kann die Verarbeitung in jeglicher Abfolge durchgeführt werden.
Gemäß den oben erläuterten Operationen übt die Lernmodell-Konstruktionsvorrichtung 200 einen Effekt aus, in der Lage zu sein, ein Lernmodell für den Abnormalitätsgrad einer Fertigungslinie unter Verwendung der Sprachdaten eines Bedieners zu konstruieren.
Das vorerwähnte supervidierte Lernen kann durch Online-Lernen durchgeführt werden oder kann durch Batch-Lernen durchgeführt werden oder kann durch Mini-Batch-Lernen durchgeführt werden. Online-Lernen ist ein Lernverfahren des Extrahierens von Merkmalswerten aus den Sprachdaten und Durchführen von supervidiertem Lernen unmittelbar jedes Mal, wenn ein Label eingegeben wird und Trainingsdaten erzeugt werden. Zusätzlich ist Batch-Lernen ein Lernverfahren des Extrahierens von Merkmalswerten aus Sprachdaten, und, während Label wiederholt eingegeben werden und Trainingsdaten erzeugt werden, Sammeln einer Vielzahl von Sätzen von Trainingsdaten in Reaktion auf die Wiederholung und Durchführen supervidierten Lernens unter Verwendung aller gesammelter Trainingsdaten. Weiterhin ist Mini-Batch-Lernen ein Lernverfahren zwischen dem Online-Lernen und dem Batch-Lernen des Durchführens von supervidiertem Lernen jedes Mal, wenn eine gewisse Menge an Trainingsdaten akkumuliert.
Eine Erläuterung ist oben für die Konstruktion eines Lernmodells durch die Lernmodell-Konstruktionsvorrichtung 200 gegeben worden. Als Nächstes wird eine Erläuterung für die Abnormalitätsdetektion in der Abnormalitäts-Detektionsvorrichtung 300 unter Verwendung des auf diese Weise konstruierten Lernmodells gegeben, durch Bezug nehmen auf das Flussdiagramm von 5.
In S21 von 5 erfasst die Abnormalitätsgrad-Bestimmungseinheit 310 der Abnormalitäts-Detektionsvorrichtung 300 ein Lernmodell durch Empfangen des durch die Lernmodell-Konstruktionsvorrichtung 200 gesendeten Lernmodells. In S22 bestimmt die Abnormalitätsgrad-Bestimmungseinheit 310, ob die Bestimmungsdaten aus der Stimmerfassungseinheit 220 erfasst worden sind. Es ist anzumerken, dass die Details des Erfassungsverfahrens für Bestimmungsdaten wie oben erwähnt sind, während der Erklärung für die Abnormalitätsgrad-Bestimmungseinheit 310, die gegeben wird unter Bezugnahme auf 2. Im Falle, dass Bestimmungsdaten aus der Stimmerfassungseinheit 220 erfasst worden sind (S22: JA), rückt die Abnormalitätsgrad-Bestimmungseinheit 310 die Verarbeitung zu S23 vor. Andererseits, in dem Fall, bei dem Bestimmungsdaten nicht aus der Stimmerfassungseinheit 220 erfasst worden sind (S22: NEIN), geht die Abnormalitätsgrad-Bestimmungseinheit 310 in einen Wartezustand, bis die Bestimmungsdaten erfasst werden.
In S23 führt Abnormalitätsgrad-Bestimmungseinheit 310 die Bestimmung des Abnormalitätsgrads anhand des erfassten Lernmodells und erfassten Bestimmungsdaten durch.
Spezifischer wird der Abnormalitätsgrad relativ zu dem Bestimmungsdaten basierend auf den Merkmalswerten bestimmt, die in den erfassten Bestimmungsdaten enthalten sind, und dem in S21 erfassten Lernmodell. Es sollte angemerkt werden, dass die Abnormalitäts-Detektionsvorrichtung 300 auch einen Fall einer Vielzahl von Bedienern berücksichtigen muss, die zur selben Zeit sprechen. Beispielsweise wird ein Fall einer Vielzahl von Bedienern, die eine Abnormalität in der Fertigungseinrichtung entdecken und Sprechen erzeugen, erwogen. In einem solchen Fall, obwohl es dazu kommen wird, eine Vielzahl von Sätzen von Bestimmungsdaten zu erfassen, kann die Abnormalitätsgrad-Bestimmungseinheit 310 den Abnormalitätsgrad relativ zu jedem Satz von Bestimmungsdaten in diesem Fall bestimmen und dann den Abnormalitätsgrad des höchsten Ausmaßes als den Abnormalitätsgrad zu diesem Moment setzen.
In S24 bewertet die Abnormalitätsgrad-Bestimmungseinheit 310, ob der bestimmte Abnormalitätsgrad eine Abnormalität angibt. Ein Fall, in dem der bestimmte Abnormalitätsgrad eine Abnormalität angibt, bezieht sich auf einen Fall, bei dem der Abnormalitätsgrad 2 (Warnniveau) oder 1 (Achtungsniveau) ist, gemäß dem vorstehend genannten Beispiel. In dem Fall, dass der Abnormalitätsgrad eine Abnormalität angibt (S24: JA), rückt die Abnormalitätsgrad-Bestimmungseinheit 310 die Verarbeitung zu S25 fort. Andererseits rückt im Falle, bei dem der Abnormalitätsgrad keine Abnormalität angibt (S24: NEIN) die Abnormalitätsgrad-Bestimmungseinheit 310 die Verarbeitung zu S22 vor, aufgrund dem, die nachfolgende Verarbeitung, die sich auf diese Bestimmungsdaten bezieht, nicht durchzuführen.
In S25 gibt die Abnormalitätsgrad-Bestimmungseinheit 310 Daten basierend auf dem Abnormalitätsgrad an die Mitteilungseinheit 320 aus. Auf dem Abnormalitätsgrad basierende Daten beziehen sich auf Daten, die Achtung angeben oder Daten, die eine Warnung angeben beispielsweise, und falls der Abnormalitätsgrad 1 ist, werden Daten, die eine Achtung angeben, ausgegeben und falls der Abnormalitätsgrad 2 ist, werden Daten, die eine Warnung angeben, ausgegeben. In S26 führt die Mitteilungseinheit 320 eine Mitteilung entsprechend den Daten, basierend auf dem Abnormalitätsgrad, durch. Beispielsweise in dem Fall, dass Daten vorliegen, die Achtung angeben, veranlasst die Mitteilungseinheit 320, dass eine Warnlampe leuchtet. Zusätzlich, in dem Fall, dass Daten vorliegen, die eine Warnung angeben, veranlasst beispielsweise die Mitteilungseinheit 320, dass die Warnlampe erleuchtet wird und gibt weiter einen Alarmton aus. Nachfolgend rückt die Abnormalitäts-Detektionsvorrichtung 300 die Verarbeitung zu S22 fort und geht in Bereitschaft, bis die nächsten Bestimmungsdaten erfasst werden.
Die vorliegende Ausführungsform, die oben erläutert ist, übt einen Effekt dahingehend aus, dass ein anderer Bediener oder eine Überwachungsperson eine Abnormalität in der Fertigungslinie gemäß der Ausgabe durch die Mitteilungseinheit 320 wissen kann. Dann, indem eine Assoziierung zwischen der durch den Bediener erzeugten Sprache und der Abnormalität der Fertigungslinie durchgeführt wird, ist es möglich, die Sicherheit der Fertigungseinrichtung und von Bedienern an der Fertigungslinie zu verbessern.
(Zweite Ausführungsform)
Als Nächstes wird eine zweite Ausführungsform erläutert. Weiter gibt gegenüber der ersten Ausführungsform in der zweiten Ausführungsform die Abnormalitäts-Detektionsvorrichtung Statusdaten, welche sich auf die Fertigungslinie beziehen, und Betriebsdaten der Fertigungseinrichtung aus, im Falle, dass der durch die Abnormalitäts-Detektionsvorrichtung bestimmte Abnormalitätsgrad eine Abnormalität angibt.
Konfigurationen eines Abnormalitäts-Detektionssystems 1000-2, welches die vorliegende Ausführungsform ist, sind die gleichen wie jene, die in 1 gezeigt sind, außer für den Punkt, dass eine Abnormalitäts-Detektionsvorrichtung 2300 anstelle der Abnormalitäts-Detektionsvorrichtung 300 vorhanden ist. Die Abnormalitäts-Detektionsvorrichtung 2300 des Abnormalitäts-Detektionssystems 1000-2 wird basierend auf 6 erläutert.
Die Abnormalitäts-Detektionsvorrichtung 2300 ist eine Vorrichtung, die Abnormalität in der Fertigungslinie der vorliegenden Ausführungsform detektiert. Die Abnormalitäts-Detektionsvorrichtung 2300 beinhaltet eine Statusdaten-Erfassungseinheit 2330, eine Betriebsinformations-Erfassungseinheit 2340 und eine Datenausgabeeinheit 2350, zusätzlich zu der Abnormalitätsgrad-Bestimmungseinheit 310 und der Mitteilungseinheit 320.
Die Statusdaten-Erfassungseinheit 2330 erfasst Statusdaten aus Instrumenten zum Bestätigen des Status, der sich auf die Fertigungslinie bezieht, wie etwa eine Kamera, ein Seismograph und ein Thermometer, die an der Fertigungslinie installiert sind, an welcher der Bediener anwesend ist, welche als Bestimmungsdaten erfasst wurden. Die Statusdaten sind Bilddaten im Falle, dass es eine Kamera ist, sind Oszillationsdaten im Fall, dass es ein Seismograph ist und sind Temperaturdaten im Falle, dass es ein Thermometer ist. Die Statusdaten-Erfassungseinheit 2330 kann immer Statusdaten aus jedem Instrument erfassen. Zusätzlich kann die Statusdaten-Erfassungseinheit 2330 im Falle des Erfassens von Bestimmungsdaten Statusdaten aus jedem Instrument ab einer Zeit, die eine vorbestimmte Zeit früher ist als der Zeitpunkt, zu welchem die Bestimmungsdaten zu erfassen sind, erfassen.
Die Betriebsinformations-Erfassungseinheit 2340 erfasst die Betriebsdaten aus der Fertigungseinrichtung in der Fertigungslinie, in welcher der Bediener vorhanden ist, welcher als Bestimmungsdaten erfasst wurden. Die Betriebsdaten beinhalten Verwendungsdaten, die durch in der Produktionsvorrichtung installierte Sensoren erzeugt werden, die messen. Spezifischer, im Falle, bei dem die Fertigungseinrichtung eine Spritzgussmaschine ist, sind die Betriebsdaten ein elektrischer Stromwert und Winkelinformation, die am Motor der Spritzgussmaschine gesammelt werden. Die Betriebsinformations-Erfassungseinheit 2340 kann immer Betriebsdaten aus jeder Fertigungseinrichtung erfassen oder kann Betriebsdaten aus jeder Fertigungseinrichtung im Falle des Erfassens von Bestimmungsdaten erfassen.
Die Datenausgabeeinheit 2350 gibt Statusdaten, welche durch die Statusdaten-Erfassungseinheit 2330 erfasst sind, und Betriebsdaten, welche durch die Betriebsdaten-Erfassungseinheit 2340 erfasst sind, basierend auf dem Bestimmungsergebnis, das aus der Abnormalitätsgrad-Bestimmungseinheit 310 eingegeben wird, aus. Die Ausgabe kann ein Überwachungsbildschirm (nicht illustriert) sein, der durch die Überwachungsperson überwacht wird, oder kann eine Anzeigevorrichtung (nicht illustriert), wie etwa eine an der Fertigungseinrichtung eingerüstete Anzeige sein.
Durch Ausrüsten einer solchen Konfiguration gibt die Abnormalitäts-Detektionsvorrichtung 2300 die Statusdaten und/oder die Betriebsdaten in dem Falle des Abnormalitätsgrads, der anhand der eine Abnormalität angebenden Bestimmungsdaten bestimmt wird, aus. Folglich kann der Bediener und/oder die Überwachungsperson den Status der Fertigungslinie und/oder den Betriebszustand von Fertigungseinrichtungen bestätigen, zusammen mit dem Gegenstand, dass eine Abnormalität in der Fertigungslinie auftritt. Als Ergebnis davon ist es möglich, Information zum Untersuchen der Ursache in dem Fall, dass eine Abnormalität bestimmt wird, leicht in einer frühen Stufe zu ermitteln.
(Modifizierte Beispiele)
Die vorstehenden Ausführungsformen sind bevorzugte Ausführungsformen der vorliegenden Erfindung; jedoch sollen sie den Schutzumfang der vorliegenden Erfindung nicht nur auf die oben erwähnten Ausführungsformen beschränken und eine Implementierung ist in Modi möglich, zu denen durch Durchführen verschiedener Modifikationen innerhalb eines Schutzumfangs gelangt wird, der nicht vom Geist der vorliegenden Erfindung abweicht.
Beispielsweise werden in den vorstehenden Ausführungsformen Merkmalswerte aus durch das Mikrofon 100 empfangenen Sprachdaten erhöht. Dann werden Trainingsdaten durch die extrahierten Merkmalswerte und Label erzeugt. Zusätzlich dazu kann konfiguriert sein, die Statusdaten und/oder die Betriebsdaten, die in der zweiten Ausführungsform erfasst sind, in die Trainingsdaten einzuschließen. Beispielsweise kann so konfiguriert sein, dass die durch ein Thermometer gemessenen Temperaturdaten oder durch einen Seismographen gemessene Oszillationsdaten in den Trainingsdaten als einer von Merkmalswerten beinhaltet ist. Zusätzlich kann so konfiguriert sein, dass der Merkmalswert aus den durch einen in der Fertigungseinrichtung installierten Sensor gemäß den Messdaten extrahiert wird und den Merkmalswert der Messdaten in den Trainingsdaten enthält. Durch Konfiguration auf diese Weise können die beim Lernen erforderlichen Daten zu verschiedenen Typen von Daten gemacht werden und kann die Präzision der Abnormalitätsdetektion angehoben werden.
Zusätzlich erläutern die vorstehend genannten Ausführungsformen Beispiele, in welchen die Lernmodell-Konstruktionsvorrichtung 200 supervidiertes Lernen mittels eines neuronalen Netzwerks durchführt. Jedoch kann konfiguriert sein, ein anderes Mustererkennungsmodell zu verwenden und Lernen unter Verwendung eines Algorithmus des anderen Maschinenlernens durchzuführen. Beispielsweise kann es eine Konfiguration derart sein, die dynamischen Tabellen zum Erläutern der in 3 gezeigten Trainingsdaten 241 mittels Erlernen erzeugt.
Zusätzlich führt in der Vorstehenden Ausführungsform die Abnormalitäts-Detektionsvorrichtung 300 eine Mitteilung mittels der Mitteilungseinheit 320 im Falle des Abnormalitätsgrads durch, der durch die Abnormalitätsgrad-Bestimmungseinheit 310 bestimmt wird, die eine Abnormalität angibt. Zusätzlich dazu kann so konfiguriert sein, dass an die Fertigungseinrichtung ein Signal ausgegeben wird, welches die Fertigungseinrichtung veranlasst, einen Notstopp in Reaktion auf den Abnormalitätsgrad im Falle des eine Abnormalität angebenden Abnormalitätsgrads durchzuführen . Dann im Fall, dass die Fertigungseinrichtung das Signal empfängt, das veranlasst, einen Notstopp durchzuführen, veranlasst die an der Fertigungseinrichtung eingerüstete Sicherheitsverarbeitungseinheit die Einrichtung, einen Notstopp durchzuführen. Durch Konfigurieren auf diese Weise, insbesondere im Fall, bei dem es eine Abnormalität ist, bei der Leben betroffen ist, ist es möglich, die Sicherheit des Bedieners zu verbessern.
Zusätzlich sammeln die vorgenannten Ausführungsformen das Sprechen des Bedieners von dem Mikrofon 100, das vom Bediener getragen wird und erfassten Positionsdaten des Bedieners unter Verwendung des tragbaren Endgeräts 150. Jedoch, in dem Fall, dass das Mikrofon 100 selbst eine Funktion als ein tragbares Endgerät aufweist, wird das tragbare Endgerät 150 unnötig. Weiterhin kann anstelle des Mikrofons 100 so konfiguriert sein, dass das Sprechen des Bedieners aus einem Mikrofon gesammelt wird, das an jeder Fertigungseinrichtung vorgesehen ist und das Sammeln von Tönen in der Umgebung der Produktionsvorrichtung. Bei dieser Gelegenheit kann beispielsweise so konfiguriert sein, dass die Sprachdaten im Frequenzbereich der menschlichen Stimme erfasst werden, unter Verwendung eines Tiefpassfilters, der Komponenten in einem Frequenzband nicht größer als beispielsweise eine vorbestimmte Frequenz abschwächt. Durch Sammeln von Ton aus einem an der Fertigungseinrichtung vorgesehenen Mikrofon auf diese Weise, da die Verarbeitung zum Bestimmen, ob ein Bediener nahe der Fertigungseinrichtung lokalisiert ist, unnötig wird, steigt die Verarbeitungseffizienz an.
Zusätzlich erläutern die vorerwähnten Ausführungsformen Konfigurationen, in welchen die Lernmodell-Konstruktionsvorrichtung 200 das Lernmodell konstruiert. In dieser Hinsicht kann das Abnormalitäts-Detektionssystem 1000-3 als ein System etabliert werden, das einen Server 600 beinhaltet, der mit einer Anzahl m von Lernmodell-Konstruktionsvorrichtungen über ein Netzwerk 500 verbunden ist, wie in 7 gezeigt. Beispielsweise im Falle, dass eine Lernmodell-Konstruktionsvorrichtung in jeder Fertigungslinie enthalten ist, ist m die Nummer der Fertigungslinie. Dann, durch Verbinden des Servers 600 über das Netzwerk 500 mit der Vielzahl von Lernmodell-Konstruktionsvorrichtungen 200-1 bis 200-m kann der Server 600 Trainingsdaten jeder der Lernmodell-Konstruktionsvorrichtungen 200 sammeln. Durch Konfiguration auf diese Weise kann der Server 600 ein Lernen unter Verwendung von mehr Trainingsdaten durchführen als das Lernen durch jede der Lernmodell-Konstruktionsvorrichtungen 200, und kann eine Verarbeitung effizient durch Einsetzen des Servers 600, der eine hohe Verarbeitungsleistung aufweist, durchführen. Dann ist es möglich, die Zeit zum Sammeln mehrerer Sätze von Trainingsdaten abzukürzen. Zusätzlich kann der Server konfiguriert sein, die Rolle des Sendens und Empfangens von Daten zwischen den Lernmodell-Konstruktionsvorrichtungen zu spielen. Durch eine solche Konfiguration kann jede der Lernmodell-Konstruktionsvorrichtungen ein Lernen unter Verwendung der Trainingsdaten anderer Lernmodell-Konstruktionsvorrichtungen durchführen.
Als noch ein anderes modifiziertes Beispiel kann so konfiguriert werden, dass die Lernmodell-Konstruktionsvorrichtung 200 und die Abnormalitäts-Detektionsvorrichtung 300 als eine integrierte Vorrichtung realisiert werden. Durch Etablieren der Lernmodell-Konstruktionsvorrichtung 200 und der Abnormalitäts-Detektionsvorrichtung 300 als eine integrierte Vorrichtung ist es möglich, die Hardware als eine Einheit zu etablieren, wie auch die Verarbeitung zu teilen, um eine Kostenreduktion hinsichtlich der Systemkonstruktion zu erzielen.
Zusätzlich kann konfiguriert sein, die Lernmodell-Konstruktionsvorrichtung 200 und die Abnormalitäts-Detektionsvorrichtung 300 innerhalb der Fertigungseinrichtung zu haben. Durch Konfigurieren derart, da es möglich ist, die Hardware der Fertigungseinrichtung einzusetzen, kann eine weitere Kostenreduktion bezüglich der Systemkonstruktion erzielt werden.
Es sollte angemerkt werden, dass jede in dem oben erwähnten Abnormalitäts-Detektionssystem enthaltene Vorrichtung jeweils durch Hardware, Software, oder eine Kombination dieser realisiert werden kann. Zusätzlich kann das durch jede in dem oben erwähnten Abnormalitäts-Detektionssystem enthaltene Vorrichtung durchgeführte Abnormalitäts-Detektionsverfahren auch durch Hardware, Software oder eine Kombination von diesen realisiert werden. Hier, durch Software realisiert werdend, gibt den Fall an, durch einen Computer realisiert zu werden, der Programme ausliest und ausführt.
Die Programme können unter Verwendung verschiedener Typen nicht transitorischer computerlesbarer Medien gespeichert und einem Computer zugeführt werden. Die nicht transitorischen computerlesbaren Medien beinhalten anfassbare Speichermedien. Beispiele von nicht transitorischen computerlesbaren Medien beinhalten Magnetmedien (beispielsweise flexible Disks, Magnetbänder, Festplattenlaufwerke), magnet-optische Aufzeichnungsmedien (beispielsweise magnet-optische Disk), CD-ROM (Nurlesespeicher), CR-R, CD-R/W und Halbleiterspeicher (beispielsweise Masken-ROM, PROM (Programmierbares ROM), EPROM (löschbares PROM), Flash-ROM, RAM (Wahlfreizugriffsspeicher)). Zusätzlich können diese Programme einem Computer mittels verschiedener Typen von transitorischen computerlesbaren Medien zugeführt werden. Beispiele von transitorischen computerlesbaren Medien beinhalten elektrische Signale, optische Signal und elektromagnetische Wellen. Die transitorischen computerlesbaren Medien können Programme einem Computer über drahtgebundene Kommunikationspfade wie elektrische Drähte und optische Fasern oder einen Funkkommunikationspfad zuführen.
Bezugszeichenliste

100: Mikrofon
150: Tragbares Endgerät
200: Lernmodell-Konstruktionsvorrichtung
210: Nachbarpositions-Bestimmungseinheit
220: Stimmerfassungseinheit
230: Labelerfassungseinheit
240: Lerneinheit
250: Lernmodellspeichereinheit
300, 2300: Abnormalitäts-Detektionsvorrichtung
310: Abnormalitätsgrad-Bestimmungseinheit
320: Mitteilungseinheit
600: Server
1000: Abnormalitäts-Detektionssystem
2330: Statusdaten-Erfassungseinheit
2340: Betriebsdaten-Erfassungseinheit
2350: Datenausgabeeinheit

Claims

Lernmodell-Konstruktionsvorrichtung (200), umfassend: eine Bedienerpositions-Erfassungseinheit zum Erfassen von Positionsinformation eines Bedieners; eine Einrichtungspositions-Speichereinheit, die Positionsinformation einer Fertigungseinrichtung speichert; eine Sprachdaten-Erfassungseinheit (220) zum Erfassen von Sprachdaten in einem Fall, in dem der Bediener in einer Umgebung der Fertigungseinrichtung lokalisiert ist, über eine Stimmempfangsvorrichtung (100), basierend auf der Positionsinformation des Bedieners, welche durch die Bedienerpositions-Erfassungseinheit erfasst ist, und der Positionsinformation der Fertigungseinrichtung, die in der Einrichtungspositions-Speichereinheit gespeichert ist; eine Labelerfassungseinheit (230) zum Erfassen eines Abnormalitätsgrades, der sich auf eine Fertigungslinie bezieht, welche die Fertigungseinrichtung beinhaltet, als ein Label; und eine Lerneinheit (240) zum Konstruieren eines Lernmodells für den Abnormalitätsgrad, mittels des Durchführens von überwachtem Lernen mit einer Gruppe der Sprachdaten und dem Label als Trainingsdaten, wobei die Sprachempfangsvorrichtung durch den Bediener tragbar ist.
Lernmodell-Konstruktionsvorrichtung (200) gemäß Anspruch 1, wobei die Sprachdaten-Erfassungseinheit (220) einen Merkmalswert erfasst, der aus dem Sprechen des Bedieners ermittelt wird, als die Sprachdaten.
Lernmodell-Konstruktionsvorrichtung (200) gemäß Anspruch 2, wobei der Merkmalswert ein Wert ist, der sich auf Sprachinhalte, Tonintervall und Lautstärke bezieht, die durch Analysieren des Sprechens des Bedieners ermittelt werden.
Lernmodell-Konstruktionsvorrichtung (200), umfassend: eine Bedienerpositions-Erfassungseinheit (210) zum Erfassen von Positionsinformation eines Bedieners; eine Einrichtungspositions-Speichereinheit (215), die eine Positionsinformation einer Fertigungseinrichtung speichert, eine Sprachdaten-Erfassungseinheit (220) zum Erfassen von Sprachdaten in einem Fall, in dem der Bediener in einer Umgebung der Fertigungseinrichtung lokalisiert ist, basierend auf der Positionsinformation des Bedieners, welche durch die Bedienerpositions-Erfassungseinheit (210) erfasst ist, und der Positionsinformation der Fertigungseinrichtung, die in der Einrichtungspositions-Speichereinheit (215) gespeichert ist; eine Labelerfassungseinheit (230) zum Erfassen eines Abnormalitätsgrades, der sich auf eine Fertigungslinie bezieht, welche die Fertigungseinrichtung beinhaltet, als ein Label; und eine Lerneinheit (240) zum Durchführen von überwachtem Lernen mit einer Gruppe der Sprachdaten und dem Label als Trainingsdaten.
Abnormalitäts-Detektionssystem (1000), umfassend: die Lernmodell-Konstruktionsvorrichtung (200) gemäß einem der Ansprüche 1 bis 4; und eine Abnormalitäts-Detektionsvorrichtung (300, 2300) umfassend: eine Abnormalitätsgrad-Bestimmungseinheit (310) zum Empfangen des Lernmodells von der Lernmodell-Konstruktionsvorrichtung (200) und Bestimmen eines Abnormalitätsgrads relativ zu den Sprachdaten, basierend auf den durch die Sprachdaten-Erfassungseinheit (220) erfassten Sprachdaten und dem von der Lerneinheit (240) konstruierten Lernmodell; und eine Mitteilungseinheit (320) zum Durchführen einer Mitteilung, basierend auf dem durch die Abnormalitätsgrad-Bestimmungseinheit (310) bestimmten Abnormalitätsgrad.
Abnormalitäts-Detektionssystem (1000) gemäß Anspruch 5, wobei die Abnormalitäts-Detektionsvorrichtung weiter umfasst: eine Statusinformations-Erfassungseinheit (2330) zum Erfassen von Statusinformation, die sich auf die in der Fertigungslinie vorgesehene Fertigungseinrichtung bezieht; und eine Statusinformations-Ausgabeeinheit (2350) zum Ausgeben der durch die Steuerinformations-Erfassungseinheit (2330) erfassten Statusinformation in einem Fall, dass der Abnormalitätsgrad durch die Abnormalitätsgrad-Bestimmungseinheit (310) bestimmt wird, die eine Abnormalität angibt.
Abnormalitäts-Detektionssystem (1000) gemäß Anspruch 6, wobei die Statusinformation Bildinformation, Oszillationsinformation und/oder Temperaturinformation enthält.
Abnormalitäts-Detektionssystem (1000) gemäß einem der Ansprüche 5 bis 7, wobei die Abnormalitäts-Detektionsvorrichtung weiter umfasst: eine Betriebsinformations-Erfassungseinheit (2340) zum Erfassen von Betriebsinformation der Fertigungseinrichtung; und eine Betriebsinformations-Ausgabeeinheit (2350) zum Ausgeben der durch die Betriebsinformations-Erfassungseinheit (2340) erfassten Betriebsinformation in einem Fall, bei dem der durch die Abnormalitätsgrad-Bestimmungseinheit (310) bestimmte Abnormalitätsgrad eine Abnormalität angibt.
Abnormalitäts-Detektionssystem (1000) gemäß Anspruch 8, wobei die Betriebsinformation Messdaten enthält, die durch einen in der Fertigungseinrichtung installierten Sensor gemessen wurden.
Abnormalitäts-Detektionssystem (1000, 1000-2) gemäß einem der Ansprüche 5-9, wobei die Lernmodell-Konstruktionsvorrichtung (200) und die Abnormalitäts-Detektionsvorrichtung (300, 2300) an der Fertigungseinrichtung vorgesehen sind.
Server (600), der eine Vielzahl von Lernmodell-Konstruktionsvorrichtungen (200) gemäß einem der Ansprüche 1 bis 4 aufweist, und mit der Vielzahl von Lernmodell-Konstruktionsvorrichtungen (200) über ein Kommunikationsnetzwerk (500) verbunden ist, wobei der Server (600) umfasst: eine Datenübertragungseinheit zum Empfangen von Trainingsdaten, die aus einer Gruppe der Sprachdaten, welche durch die Sprachdaten-Erfassungseinheit (220) erfasst sind, und dem durch die Labelerfassungseinheit (230) einer der Lernmodell-Konstruktionsvorrichtungen (200) erfassten Label bestehen, und zum Senden der empfangenen Trainingsdaten an eine andere der Lernmodell-Konstruktionsvorrichtungen (200).
Server (600), der eine Vielzahl von Lernmodell-Konstruktionsvorrichtungen (200) gemäß einem der Ansprüche 1 bis 4 aufweist, und mit der Vielzahl von Lernmodell-Konstruktionsvorrichtungen über ein Kommunikationsnetzwerk (500) verbunden ist, wobei der Server (600) umfasst: eine Datenempfangseinheit zum Empfangen von Trainingsdaten, die aus einer Gruppe der durch die Sprachdaten-Erfassungseinheit (220) erfassten Sprachdaten, und dem durch die Labelerfassungseinheit (230) jeder der Lernmodell-Konstruktionsvorrichtungen (200) erfassten Label besteht; eine Lerneinheit zum Konstruieren eines Lernmodells für den Abnormalitätsgrad mittels des Durchführens von überwachtem Lernen unter Verwendung der durch die Datenempfangseinheit empfangenen Trainingsdaten; und eine Modellsendeeinheit zum Senden des durch die Lerneinheit konstruierten Lernmodells an jede der Lernmodell-Konstruktionsvorrichtungen.