DE102019002506A1

DE102019002506A1 - Gerät zum Anpassen von Messvorgangsparametern, maschinelle Lernvorrichtung und System

Info

Publication number: DE102019002506A1
Application number: DE102019002506.7A
Authority: DE
Inventors: Hiroshi Abe
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2018-04-05
Filing date: 2019-04-04
Publication date: 2019-11-28
Also published as: JP6829271B2; JP2019184575A

Abstract

Ein Gerät zum Anpassen von Messvorgangsparametern, das eine effiziente Messung der Anordnungsposition eines Messobjekts selbst für den Fall, dass es Variationen der Anordnungspositionen, der Größen und der Produkttypen von Messobjekten gibt, ermöglicht, umfasst eine maschinelle Lernvorrichtung. Die maschinelle Lernvorrichtung beobachtet Messvorgangsparameterdaten, die den Messvorgangsparameter des Messvorgangs darstellen, und Messzeitdaten, welche die Zeit darstellen, die benötigt wird, um den Messvorgang auszuführen, als eine Zustandsvariable, die einen aktuellen Umgebungszustand darstellt, und führt unter Verwendung eines Lernmodells, das durch Modellieren der Anpassung der Messvorgangsparameter basierend auf der Zustandsvariablen erzielt wird, ein Lernen oder Entscheiden aus.

Description

HINTERGRUND DER ERFINDUNG
Gebiet der Erfindung
Die vorliegende Erfindung betrifft ein Gerät zum Anpassen von Messvorgangsparametern, eine maschinelle Lernvorrichtung und ein System.
Allgemeiner Stand der Technik
Wie in 11 abgebildet, wurde ein Sensor, wie etwa ein Kontaktberührungssensor oder ein kontaktloser visueller Sensor, der an einem mechanischen Arbeitsabschnitt angebracht ist, herkömmlicherweise verwendet, um die Position eines Messobjekts durch Bewegen des Arbeitsabschnitts, und somit Bewegen des Sensors, zu messen. Bei einem in 11 abgebildeten Beispiel, bei dem ein Kontaktsensor verwendet wird, kann die Position eines Messobjekts basierend auf einem Koordinatenwert eines Arbeitsabschnitts zu dem Zeitpunkt gemessen werden, zu dem detektiert wird, dass der Kontaktsensor mit einem Werkstück in Kontakt kommt. Bei einem in 11 abgebildeten Beispiel, bei dem ein kontaktloser Sensor verwendet wird, kann die Position eines Messobjekts basierend auf einem Koordinatenwert eines Arbeitsabschnitts zu dem Zeitpunkt gemessen werden, zu dem sich die Entfernung zwischen dem kontaktlosen Sensor und einem Objekt, das dem kontaktlosen Sensor gegenübersteht, ändert, d.h. zu dem Zeitpunkt, zu dem der kontaktlose Sensor einen Endabschnitt des Messobjekts erreicht.
Um die Position eines Messobjekts mit einem Sensor, der an einem mechanischen Arbeitsabschnitt angebracht ist, zu messen, müssen die Position des Arbeitsabschnitts zu Beginn des Messvorgangs und die Verfahrgeschwindigkeit des Arbeitsabschnitts während des Messvorgangs im Voraus bestimmt werden. Ein Beispiel einer früheren Technik zum Bestimmen einer derartigen Position und Geschwindigkeit wird in der japanischen Patent-Auslegeschrift Nr. 2010-217182 offenbart. Bei dieser früheren Technik wird ein Sensor mit einem Messobjekt vor der Messung in Kontakt gebracht, und basierend auf der Position des Messobjekts zu diesem Zeitpunkt werden die Position des Arbeitsabschnitts und dergleichen zu Beginn des Messvorgangs bestimmt.
Die Technik, die in der japanischen Patent-Auslegeschrift Nr. 2010-217182 offenbart wird, kann nützlich sein, wenn die Größe und die Anordnungsposition eines Messobjekts nicht variieren. In Wirklichkeit variieren die Position, in der ein Kontaktsensor ein Messobjekt berührt, und die Position, in der ein kontaktloser Sensor eine Entfernungsänderung detektiert, selbst zwischen Messobjekten eines gleichartigen Produkttyps. Beispielsweise im Fall einer Messung der Position eines Messobjekts, das ein Loch in seinem Bodenabschnitt aufweist und das auf einen Arbeitstisch gelegt wird, wobei das Loch zu einem Vorsprung passt, der auf dem Arbeitstisch bereitgestellt wird, geht man im Idealfall davon aus, dass das Messobjekt immer in der gleichen Position angeordnet wird. Tatsächlich kommt es zwischen dem Loch und dem Vorsprung zu einem gewissen Spiel, und die Anordnungsposition des Messobjekts variiert geringfügig. Manchmal variieren selbst die Formen von Messobjekten oder die Positionen von Messobjekten verschiedener Produkttypen werden mit dem gleichen Messmechanismus gemessen. Um diesen Umständen gerecht zu werden, muss die Technik, die in der japanischen Patent-Auslegeschrift Nr. 2010-217182 offenbart wird, für die größte Variation bereit sein, indem sie eine Startposition des Messvorgangs mit einem Spielraum einheitlich einstellt, und es ist schwierig, die Taktzeit gemäß den Umständen anzupassen.
Des Weiteren variiert die Zeitspanne von dem Zeitpunkt, zu dem ein Kontaktsensor mit einem Messobjekt in Kontakt kommt, bis zu dem Zeitpunkt, zu dem ein digitales Signal detektiert wird, oder die Zeitspanne von dem Zeitpunkt, zu dem ein kontaktloser Sensor einen Endabschnitt eines Messobjekts erreicht, bis zu dem Zeitpunkt, zu dem ein digitales Signal detektiert wird, selbst bei gleichartigen Sensoren auf Grund individueller Unterschiede. Solange eine derartige Variation nicht berücksichtigt wird, wenn die Verfahrgeschwindigkeit eines Sensors eingestellt wird, kann es sein, dass ein Zusammenstoß zwischen einem (Kontakt-) Sensor und einem Messobjekt den Sensor, den Arbeitsabschnitt oder das Messobjekt beschädigt oder die Anordnungsposition des Messobjekts verschiebt. Falls ferner die Verfahrgeschwindigkeit des Sensors während des Messvorgangs variiert, variiert die gemessene Position eines Messobjekts. Entsprechend muss die Verfahrgeschwindigkeit des Sensors während des Messvorgangs aus ganzheitlicher Sicht auf eine feste geringe Geschwindigkeit eingestellt werden. Dies verursacht jedoch ein anderes Problem, indem die Taktzeit zunimmt.
KURZDARSTELLUNG DER ERFINDUNG
Entsprechend sind ein Gerät zum Anpassen von Messvorgangsparametern, eine maschinelle Lernvorrichtung und ein System erwünscht, die eine effiziente Messung der Anordnungsposition eines Messobjekts ermöglichen, selbst für den Fall, dass es Variationen bei den Anordnungspositionen, den Größen und den Produkttypen der Messobjekte gibt.
Ein Aspekt der vorliegenden Erfindung ist ein Gerät zum Anpassen von Messvorgangsparametern, um einen Messvorgangsparameter eines Messvorgangs anzupassen, der durch eine Messvorrichtung ausgeführt wird, um eine Anordnungsposition eines Messobjekts zu messen. Das Gerät zum Anpassen von Messvorgangsparametern umfasst eine maschinelle Lernvorrichtung, um Messvorgangsparameterdaten, die den Messvorgangsparameter des Messvorgangs darstellen, und Messzeitdaten, welche die Zeit darstellen, die benötigt wird, um den Messvorgang auszuführen, als eine Zustandsvariable, die einen aktuellen Umgebungszustand darstellt, zu beobachten, und um unter Verwendung eines Lernmodells, das durch Modellieren der Anpassung des Messvorgangsparameters basierend auf der Zustandsvariablen erzielt wird, ein Lernen oder Entscheiden auszuführen.
Ein anderer Aspekt der vorliegenden Erfindung ist eine maschinelle Lernvorrichtung, um Messvorgangsparameterdaten, die einen Messvorgangsparameter eines Messvorgangs darstellen, der durch eine Messvorrichtung ausgeführt wird, um eine Anordnungsposition eines Messobjekts zu messen, und Messzeitdaten, welche die Zeit darstellen, die benötigt wird, um den Messvorgang auszuführen, als eine Zustandsvariable, die einen aktuellen Umgebungszustand darstellt, zu beobachten, und um unter Verwendung eines Lernmodells, das durch Modellieren der Anpassung des Messvorgangsparameters basierend auf der Zustandsvariablen erzielt wird, ein Lernen oder Entscheiden auszuführen.
Noch ein anderer Aspekt der vorliegenden Erfindung ist ein System, das eine Mehrzahl von Geräten umfasst, die über ein Netzwerk miteinander verbunden sind. Die Mehrzahl von Geräten umfasst mindestens ein erstes Gerät zum Anpassen von Messvorgangsparametern, das in dem ersten Aspekt beschrieben wird.
Noch ein anderer Aspekt der vorliegenden Erfindung ist ein Verfahren bezüglich des maschinellen Lernens der Anpassung eines Messvorgangsparameters eines Messvorgangs, der durch eine Messvorrichtung ausgeführt wird, um eine Anordnungsposition eines Messobjekts zu messen. Das Verfahren umfasst einen Schritt, der darin besteht, einen Prozess bezüglich des maschinellen Lernens der Anpassung des Messvorgangsparameters unter Verwendung eines Lernmodells, das durch Modellieren der Anpassung des Messvorgangsparameters erzielt wird, basierend auf Messvorgangsparameterdaten, die den Messvorgangsparameter des Messvorgangs darstellen, und auf Messzeitdaten, welche die Zeit, die benötigt wird, um den Messvorgang auszuführen, darstellen, auszuführen, wobei die Messvorgangsparameterdaten und die Messzeitdaten als eine Zustandsvariable, die einen aktuellen Umgebungszustand darstellt, beobachtet werden.
Gemäß der vorliegenden Erfindung kann selbst für den Fall, dass es Variationen bei den Anordnungspositionen, den Größen und den Produkttypen der Messobjekte gibt, die Anordnungsposition eines Messobjekts effizient gemessen werden, indem bewirkt wird, dass eine maschinelle Lernvorrichtung die Variationen lernt.
Figurenliste
Diese und andere Aufgaben und Merkmale der vorliegenden Erfindung werden aus der folgenden Beschreibung von Ausführungsbeispielen mit Bezug auf die beiliegenden Zeichnungen hervorgehen. Es zeigen:

1 ein Hardware-Konfigurationsdiagramm, das ein Gerät zum Anpassen von Messvorgangsparametern gemäß einer Ausführungsform schematisch abbildet;
2 ein Funktionsblockdiagramm, welches das Gerät zum Anpassen von Messvorgangsparametern gemäß der Ausführungsform schematisch abbildet;
3 ein Funktionsblockdiagramm, das einen Aspekt des Geräts zum Anpassen von Messvorgangsparametern schematisch abbildet;
4 ein Ablaufschema, das einen Aspekt eines maschinellen Lernverfahrens schematisch abbildet;
5A ein Diagramm zum Erklären eines Neurons;
5B ein Diagramm zum Erklären eines neuronalen Netzwerks;
6 ein Diagramm, das ein Beispiel eines Systems abbildet, das eine Struktur auf drei Ebenen aufweist, die einen Cloud-Server, Fog-Computer und Edge-Computer umfasst;
7 ein Funktionsblockdiagramm, das einen Aspekt eines Systems, welches das Gerät zum Anpassen von Messvorgangsparametern umfasst, schematisch abbildet;
8 ein Funktionsblockdiagramm, das einen anderen Aspekt des Systems, welches das Gerät zum Anpassen von Messvorgangsparametern umfasst, schematisch abbildet;
9 ein Hardware-Konfigurationsdiagramm, das einen in 8 abgebildeten Computer schematisch abbildet;
10 ein Funktionsblockdiagramm, das noch einen anderen Aspekt des Systems, welches das Gerät zum Anpassen von Messvorgangsparametern umfasst, schematisch abbildet; und
11 ein Diagramm zum Erklären eines Messvorgangs einer Messvorrichtung zum Messen der Anordnungsposition eines Messobjekts.

AUSFÜHRLICHE BESCHREIBUNG DER BEVORZUGTEN AUSFÜHRUNGSFORMEN
Nachstehend werden Ausführungsformen der vorliegenden Erfindung mit Bezug auf die Zeichnungen beschrieben.
1 ist ein Hardware-Konfigurationsdiagramm, das die Hauptabschnitte eines Geräts zum Anpassen von Messvorgangsparametern gemäß einer Ausführungsform schematisch abbildet. Ein Gerät 1 zum Anpassen von Messvorgangsparametern kann beispielsweise als eine Steuervorrichtung, um eine Fertigungsmaschine oder dergleichen, wie etwa einen Roboter, zu steuern, oder als ein PC, der an der Fertigungsmaschine oder dergleichen angebracht ist, umgesetzt sein. Alternativ kann das Gerät 1 zum Anpassen von Messvorgangsparametern als ein Computer, wie etwa ein Zellenrechner, ein Edge-Computer, ein Fog-Computer, ein Host-Computer oder ein Cloud-Server, der über ein drahtgebundenes/drahtloses Netzwerk an eine Fertigungsmaschine oder dergleichen angeschlossen ist, umgesetzt sein. Die vorliegende Ausführungsform ist ein Beispiel, bei dem das Gerät 1 zum Anpassen von Messvorgangsparametern als ein PC umgesetzt ist, der an einer Fertigungsmaschine oder dergleichen angebracht ist.
Eine CPU 11, die in dem Gerät 1 zum Anpassen von Messvorgangsparametern gemäß der vorliegenden Ausführungsform enthalten ist, ist ein Prozessor zum vollständigen Steuern des Geräts 1 zum Anpassen von Messvorgangsparametern. Die CPU 11 liest ein Systemprogramm, das in einem ROM 12 gespeichert ist, über einen Bus 20 aus und steuert das gesamte Gerät 1 zum Anpassen von Messvorgangsparametern gemäß dem Systemprogramm. Ein RAM 13 speichert zeitweilig Daten, wie etwa zeitweilige Rechendaten, Anzeigedaten, die an einer Anzeigevorrichtung 70, wie etwa einem Display, gezeigt werden, und diverse Arten von Daten, die durch einen Bediener über eine Eingabevorrichtung 71, wie etwa eine Tastatur, eine Maus, ein Berührungsfeld oder dergleichen, eingegeben werden.
Ein nicht flüchtiger Speicher 14 wird beispielsweise durch eine nicht gezeigte Batterie gesichert, und somit ist der nicht flüchtige Speicher 14 als ein Speicher konfiguriert, dessen Speicherzustand bestehen bleibt, selbst wenn das Gerät 1 zum Anpassen von Messvorgangsparametern ausgeschaltet wird. Der nicht flüchtige Speicher 14 speichert Programme, die über die Eingabevorrichtung 71 eingegeben werden, und diverse Arten von Daten, die von diversen Abschnitten des Geräts 1 zum Anpassen von Messvorgangsparametern und einer Messvorrichtung 2, die sich an einem Roboter oder dergleichen, der einen Sensor umfasst, befindet, erfasst werden (beispielsweise die Position der Messvorrichtung 2 in einem Koordinatensystem, in dem die Messvorrichtung 2 eine Messung ausführt, die Position eines Sensors der Messvorrichtung 2 zu Beginn eines Messvorgangs, die Verfahrgeschwindigkeit des Sensors der Messvorrichtung 2 während des Messvorgangs, die Zeitspanne von dem Zeitpunkt, zu dem ein Messvorgang begonnen hat, bis zu einem Zeitpunkt, zu dem der Sensor ein Messobjekt während des Messvorgangs detektiert hat, den Produkttyp des Messobjekts, Informationen über die Zustände des Sensors und des Messobjekts, die von einem Bediener eingegeben wurden, und dergleichen). Diese Programme und diverse Arten von Daten, die in dem nicht flüchtigen Speicher 14 gespeichert sind, können zum Zeitpunkt der Ausführung oder Verwendung in den RAM 13 geladen werden. Der ROM 12 verfügt über diverse Arten von im Voraus verfassten Systemprogrammen (einschließlich eines Systemprograms zum Steuern eines Datenaustauschs mit der maschinellen Lernvorrichtung 100, die noch beschrieben wird), wie etwa ein hinlänglich bekanntes Analyseprogramm.
Eine Schnittstelle 21 ist eine Schnittstelle, um das Gerät 1 zum Anpassen von Messvorgangsparametern mit der maschinellen Lernvorrichtung 100 zu verbinden. Die maschinelle Lernvorrichtung 100 umfasst einen Prozessor 101, der die maschinelle Lernvorrichtung 100 vollständig steuert, einen ROM 102, der Systemprogramme und dergleichen steuert, einen RAM 103, der eine zeitweilige Speicherung bei jeder Verarbeitung, die mit dem maschinellen Lernen zusammenhängt, ausführt, und einen nicht flüchtigen Speicher 104, der zum Speichern von Lernmodellen und dergleichen verwendet wird. Die maschinelle Lernvorrichtung 100 kann diverse Arten von Informationen beobachten, die das Gerät 1 zum Anpassen von Messvorgangsparametern über die Schnittstelle 21 erfassen kann (beispielsweise die Position der Messvorrichtung 2 in dem Koordinatensystem, in dem die Messvorrichtung 2 eine Messung ausführt, die Position des Sensors der Messvorrichtung 2 zu Beginn des Messvorgangs, die Verfahrgeschwindigkeit des Sensors der Messvorrichtung 2 während des Messvorgangs, die Zeitspanne von dem Zeitpunkt, zu dem ein Messvorgang begonnen hat, bis zu dem Zeitpunkt, zu dem der Sensor ein Messobjekt während des Messvorgangs detektiert hat, den Produkttyp des Messobjekts, Informationen über die Zustände des Sensors und des Messobjekts, die durch einen Bediener eingegeben wurden, und dergleichen). Beim Empfang eines Befehls zum Anpassen von Messvorgangsparametern, der von der maschinellen Lernvorrichtung 100 ausgegeben wird, stellt das Gerät 1 zum Anpassen von Messvorgangsparametern Messvorgangsparameter für die Messvorrichtung 2 ein.
2 ist ein Funktionsblockdiagramm, welches das Gerät 1 zum Anpassen von Messvorgangsparametern und die maschinelle Lernvorrichtung 100 gemäß einer Ausführungsform schematisch abbildet. Die in 2 abgebildeten Funktionsblöcke werden ausgebildet, wenn die CPU 11, die in dem Gerät 1 zum Anpassen von Messvorgangsparametern enthalten ist, und der Prozessor 101 der maschinellen Lernvorrichtung 100, die in 1 abgebildet sind, jeweilige Systemprogramme ausführen und jeweils eine Betätigung jedes Abschnitts des Geräts 1 zum Anpassen von Messvorgangsparametern und der maschinellen Lernvorrichtung 100 steuern.
Das Gerät 1 zum Anpassen von Messvorgangsparametern der vorliegenden Ausführungsform umfasst einen Abschnitt 34 zum Einstellen von Messvorgangsparametern, der die Messvorrichtung 2 basierend auf einem Befehl zum Anpassen von Messvorgangsparametern steuert, der von der maschinellen Lernvorrichtung 100 ausgegeben wird. Der Abschnitt 34 zum Einstellen von Messvorgangsparametern ist ein Funktionsmittel zum Anpassen von Messvorgangsparametern zur Verwendung bei dem Messvorgang durch die Messvorrichtung 2. Der Abschnitt 34 zum Einstellen von Messvorgangsparametern kann mindestens eine Startposition des Messvorgangs und eine Geschwindigkeit des Messvorgangs für die Messvorrichtung 2, welche die Position eines Messobjekts misst, einstellen.
Dabei umfasst die maschinelle Lernvorrichtung 100, die in dem Gerät 1 zum Anpassen von Messvorgangsparametern bereitgestellt wird, Software (wie etwa einen Lernalgorithmus) und Hardware (wie etwa den Prozessor 101), mit denen die maschinelle Lernvorrichtung 100 selber die Anpassung der Messvorgangsparameter des Messvorgangs mit Bezug auf die Zeit, die benötigt wird, um den Messvorgang auszuführen, durch so genanntes maschinelles Lernen lernt. Was die maschinelle Lernvorrichtung 100, die in dem Gerät 1 zum Anpassen von Messvorgangsparametern bereitgestellt wird, lernt, entspricht einer Modellstruktur, welche die Korrelation der Anpassung der Messvorgangsparameter des Messvorgangs mit der Zeit, die benötigt wird, um den Messvorgang auszuführen, modelliert.
Wie durch die Funktionsblöcke in 2 dargestellt, umfasst die maschinelle Lernvorrichtung 100, die in dem Gerät 1 zum Anpassen von Messvorgangsparametern bereitgestellt wird, einen Abschnitt 106 zum Beobachten eines Zustands, einen Abschnitt 108 zum Erfassen von Bestimmungsdaten und einen Lernabschnitt 110. Der Abschnitt 106 zum Beobachten eines Zustands beobachtet die Messvorgangsparameterdaten S1, welche die Messvorgangsparameter des Messvorgangs darstellen, und die Messzeitdaten S2, welche die Zeit darstellen, die benötigt wird, um den Messvorgang auszuführen, als Zustandsvariablen S, die einen aktuellen Umgebungszustand darstellen. Der Abschnitt 108 zum Erfassen von Bestimmungsdaten erfasst Bestimmungsdaten D, die Messvorgangsbestimmungsdaten D1 enthalten, um zu bestimmen, ob der Messvorgang, der basierend auf angepassten Messvorgangsparametern des Messvorgangs ausgeführt wird, richtig oder falsch ist. Der Lernabschnitt 110 lernt die Anpassung der Messvorgangsparameter des Messvorgangs mit Bezug auf die Zeit, die benötigt wird, um den Messvorgang auszuführen, unter Verwendung der Zustandsvariablen S und der Bestimmungsdaten D.
Aus den Zustandsvariablen S, die durch den Abschnitt 106 zum Beobachten eines Zustands beobachtet werden, können die Messvorgangsparameterdaten S1 als Messvorgangsparameter des Messvorgangs, der in der Messvorrichtung 2 ausgeführt wird, erfasst werden.
Beispiele der Messvorgangsparameter des Messvorgangs umfassen die Position des Sensors zu Beginn des Messvorgangs durch die Messvorrichtung 2, die Verfahrgeschwindigkeit des Sensors während des Messvorgangs durch die Messvorrichtung 2 und dergleichen. Die Messvorgangsparameter können aus aktuellen Parametern, die in der Messvorrichtung 2 eingestellt sind, aus Parametern, die durch Analysieren eines Programms zum Betätigen der Messvorrichtung 2 erzielt werden, aus den Messvorgangsparametern, die in dem Gerät 1 zum Anpassen von Messvorgangsparametern eingestellt sind und in einem Speicher, wie etwa dem nicht flüchtigen Speicher 14, als die Messvorgangsparameter gespeichert sind, die in der Messvorrichtung 2 in der letzten Lernperiode eingestellt wurden, und dergleichen erfasst werden.
Als Messvorgangsparameterdaten S1 können die Messvorgangsparameter des Messvorgangs, die durch die maschinelle Lernvorrichtung 100 in der letzten Lernperiode mit Bezug auf die Zeit, die benötigt wird, um den Messvorgang auszuführen, in der letzten Lernperiode basierend auf einem Ergebnis des Lernens durch den Lernabschnitt 110 angepasst wurden, unverändert verwendet werden. Für den Fall, dass ein derartiger Lösungsansatz verwendet wird, kann die maschinelle Lernvorrichtung 100 die Messvorgangsparameter des Messvorgangs in dem RAM 103 in jeder Lernperiode zeitweilig speichern, und der Abschnitt 106 zum Beobachten eines Zustands kann die Messvorgangsparameter des Messvorgangs in der letzten Lernperiode, die als Messvorgangsparameterdaten S1 in der aktuellen Lernperiode verwendet werden, aus dem RAM 103 erfassen.
Von den Zustandsvariablen S, die durch den Abschnitt 106 zum Beobachten eines Zustands beobachtet werden, können die Messzeitdaten S2 als die Zeitspanne von dem Zeitpunkt, zu dem der Messvorgang, der durch die Messvorrichtung 2 ausgeführt wird, begonnen hat, bis zu dem Zeitpunkt, zu dem der Sensor ein Messobjekt detektiert hat, erfasst werden, wobei die Zeitspanne in dem nicht flüchtigen Speicher 14 gespeichert wird.
Der Abschnitt 108 zum Erfassen von Bestimmungsdaten kann als die Messvorgangsbestimmungsdaten D1 ein Ergebnis der Bestimmung, ob der Messvorgang, der basierend auf den angepassten Messvorgangsparametern des Messvorgangs ausgeführt wird, geeignet oder ungeeignet ist, verwenden. Die Messvorgangsbestimmungsdaten D1, die durch den Abschnitt 108 zum Erfassen von Bestimmungsdaten verwendet werden, können beispielsweise aussagen, ob die Verfahrstrecke des Sensors, wenn der Messvorgang unter Verwendung von angepassten Messvorgangsparametern ausgeführt wurde, kleiner (geeignet) oder größer (ungeeignet) als eine vorbestimmte Schwelle ist, ob ein Messobjekt oder ein Arbeitsabschnitt oder der Sensor der Messvorrichtung 2 während des Messvorgangs beschädigt wurde (ungeeignet), oder ob ein Messobjekt während des Messvorgangs verschoben wurde (ungeeignet).
Es sei zu beachten, dass der Abschnitt 108 zum Erfassen von Bestimmungsdaten ein wesentlicher Bestandteil in einer Phase ist, in welcher der Lernabschnitt 110 gerade lernt, jedoch nicht unbedingt ein wesentlicher Bestandteil ist, nachdem der Lernabschnitt 110 das Lernen der Anpassung des Messvorgangsparameters des Messvorgangs mit Bezug auf die Zeit, die benötigt wird, um den Messvorgang auszuführen, beendet hat. Beispielsweise für den Fall, dass die maschinelle Lernvorrichtung 100, die das Lernen beendet hat, an einen Kunden versendet wird, kann die maschinelle Lernvorrichtung 100 versendet werden, nachdem der Abschnitt 108 zum Erfassen von Bestimmungsdaten entfernt wurde.
Im Hinblick auf die Lernperioden des Lernabschnitts 110 basieren die Zustandsvariablen S, die gleichzeitig in den Lernabschnitt 110 eingegeben werden, auf Daten, die in der letzten Lernperiode, während der die Bestimmungsdaten D erfasst wurden, erfasst werden. Somit wird während einer Periode, in der die maschinelle Lernvorrichtung 100, die in dem Gerät 1 zum Anpassen von Messvorgangsparametern bereitgestellt wird, gerade lernt, in der Umgebung Folgendes wiederholt ausgeführt: die Erfassung der Messzeitdaten S2, die Durchführung des Messvorgangs durch die Messvorrichtung 2 basierend auf den Messvorgangsparameterdaten S1, die basierend auf jedem erfassten Datenelement angepasst werden, und die Erfassung der Bestimmungsdaten D.
Der Lernabschnitt 110 lernt die Anpassung der Messvorgangsparameter des Messvorgangs mit Bezug auf die Zeit, die benötigt wird, um den Messvorgang auszuführen, gemäß einem frei ausgewählten Lernalgorithmus, der gattungsgemäß als maschinelles Lernen bezeichnet wird. Der Lernabschnitt 110 kann das Lernen basierend auf einer Datensammlung, welche die zuvor beschriebenen Zustandsvariablen S und die Bestimmungsdaten D enthält, wiederholt durchführen. Während der Wiederholung eines Lernzyklus, in dem die Messvorgangsparameter des Messvorgangs mit Bezug auf die Zeit, die benötigt wird, um den Messvorgang auszuführen, erlernt werden, werden die Zustandsvariablen S von der Zeit, die benötigt wird, um den Messvorgang auszuführen, in der letzten Lernperiode und aus den Messvorgangsparametern des Messvorgangs, die in der letzten Lernperiode angepasst wurden, wie zuvor beschrieben, erfasst, und die Bestimmungsdaten D sind Ergebnisse einer Bestimmung, ob der Messvorgang, der basierend auf den angepassten Messvorgangsparametern des Messvorgangs ausgeführt wird, geeignet oder ungeeignet ist.
Durch das Wiederholen des zuvor beschriebenen Lernzyklus ist der Lernabschnitt 110 in der Lage, Merkmale zu identifizieren, die auf die Korrelation zwischen der Zeit, die benötigt wird, um den Messvorgang auszuführen, und der Anpassung der Messvorgangsparameter des Messvorgangs schließen lassen. Wenn der Lernalgorithmus beginnt, ist die Korrelation zwischen der Zeit, die benötigt wird, um den Messvorgang auszuführen, und der Anpassung der Messvorgangsparameter des Messvorgangs im Wesentlichen unbekannt. Der Lernabschnitt 110 identifiziert jedoch allmählich Merkmale und interpretiert die Korrelation, wenn das Lernen fortschreitet. Wenn die Korrelation zwischen der Zeit, die benötigt wird, um den Messvorgang auszuführen, und der Anpassung der Messvorgangsparameter des Messvorgangs einigermaßen zuverlässig interpretiert wird, können die Lernergebnisse, die durch den Lernabschnitt 110 wiederholt ausgegeben werden, verwendet werden, um eine Aktion auszuwählen (d.h. eine Entscheidung zu treffen), wie die Messvorgangsparameter des Messvorgangs mit Bezug auf den aktuellen Zustand (d.h. der Zeit, die benötigt wird, um den Messvorgang auszuführen) anzupassen sind. Insbesondere kann, während der Lernalgorithmus fortschreitet, der Lernabschnitt 110 die Korrelation zwischen der Zeit, die benötigt wird, um den Messvorgang auszuführen, und der Anpassung der Messvorgangsparameter des Messvorgangs, d.h. eine Aktion, wie die Messvorgangsparameter des Messvorgangs mit Bezug auf die Zeit, die benötigt wird, um den Messvorgang auszuführen, anzupassen sind, der optimalen Lösung näherbringen.
Ein Entscheidungsabschnitt 122 passt die Messvorgangsparameter des Messvorgangs basierend auf einem Lernergebnis des Lernabschnitts 110 an und gibt die angepassten Messvorgangsparameter des Messvorgangs an den Abschnitt 34 zum Einstellen von Messvorgangsparametern aus. Nachdem das Lernen durch den Lernabschnitt 110 verwendet werden kann, um die Messvorgangsparameter anzupassen, wenn die Zeit, die benötigt wird, um den Messvorgang auszuführen, in die maschinelle Lernvorrichtung 100 eingegeben wird, gibt der Entscheidungsabschnitt 122 die Messvorgangsparameter des Messvorgangs aus (beispielsweise mindestens entweder die Position des Sensors zu Beginn des Messvorgangs oder die Verfahrgeschwindigkeit des Sensors). Der Entscheidungsabschnitt 122 passt geeignet die Messvorgangsparameter des Messvorgangs basierend auf der Zustandsvariablen S und dem Lernergebnis des Lernabschnitts 110 an.
Wie zuvor beschrieben, lernt bei der maschinellen Lernvorrichtung 100, die in dem Gerät 1 zum Anpassen von Messvorgangsparametern bereitgestellt wird, der Lernabschnitt 110 die Anpassung der Messvorgangsparameter des Messvorgangs mit Bezug auf die Zeit, die benötigt wird, um den Messvorgang auszuführen, gemäß einem maschinellen Lernalgorithmus unter Verwendung der Zustandsvariablen S, die durch den Abschnitt 106 zum Beobachten eines Zustands beobachtet werden, und der Bestimmungsdaten D, die durch den Abschnitt 108 zum Erfassen von Bestimmungsdaten erfasst werden. Die Zustandsvariablen S enthalten Daten, wie etwa die Messvorgangsparameterdaten S1 und die Messzeitdaten S2. Die Bestimmungsdaten D werden eindeutig aus Informationen gefunden, die erfasst werden, wenn die Messvorrichtung 2 den Messvorgang ausführt. Entsprechend können mit der maschinellen Lernvorrichtung 100, die in dem Gerät 1 zum Anpassen von Messvorgangsparametern bereitgestellt wird, die Messvorgangsparameter des Messvorgangs automatisch und genau gemäß der Zeit angepasst werden, die benötigt wird, um den Messvorgang unter Verwendung eines Lernergebnisses des Lernabschnitts 110 auszuführen.
Falls ferner die Messvorgangsparameter des Messvorgangs automatisch angepasst werden können, können die Messvorgangsparameter des Messvorgangs schnell an geeignete Werte angepasst werden, indem nur die Zeit (Messzeitdaten S2) erzielt wird, die benötigt wird, um den Messvorgang auszuführen. Somit können die Messvorgangsparameter des Messvorgangs effizient angepasst werden.
Bei einer Beispielvariante der maschinellen Lernvorrichtung 100, die in dem Gerät 1 zum Anpassen von Messvorgangsparametern bereitgestellt wird, kann der Abschnitt 106 zum Beobachten eines Zustands als Zustandsvariable S, Produkttypdaten S3, die eine Information über den Produkttyp eines Messobjekts darstellen, zusätzlich zu den Messvorgangsparameterdaten S1 und den Messzeitdaten S2 beobachten. Ein Beispiel der Produkttypdaten S3 umfasst eine Identifizierungsnummer, die einem Messobjekt erteilt wird, so dass der Typ des Messobjekts einzigartig identifiziert ist. Unter Verwendung der Produkttypdaten S3 als Zustandsvariable S, können die Position des Sensors zu Beginn des Messvorgangs und die Verfahrgeschwindigkeit des Sensors gemäß dem Produkttyp eines Messobjekts erlernt werden, und ein Ergebnis des Lernens kann auf die Anpassung der Messvorgangsparameter reflektiert werden.
Bei einer anderen Beispielvariante der maschinellen Lernvorrichtung 100, die in dem Gerät 1 zum Anpassen von Messvorgangsparametern bereitgestellt wird, kann der Abschnitt 106 zum Beobachten eines Zustands als Zustandsvariable S, Messumgebungsdaten S4, die eine Messumgebung, wie etwa die Uhrzeit, die Jahreszeit, die Temperatur und die Feuchtigkeit einer Umgebung, in welcher der Messvorgang durchgeführt wird, darstellen, zusätzlich zu den Messvorgangsparameterdaten S1 und den Messzeitdaten S2 beobachten. Einige Typen von Messobjekten (verarbeitete Lebensmittelprodukte, wie etwa Brot und Reiskuchen, Obst, Gemüse und dergleichen) weisen Variationen von Größe und Festigkeit auf, die sich in Abhängigkeit von Temperatur, Feuchtigkeit, Jahreszeit oder dergleichen ändern. Bei einem Messvorgang, bei dem ein derartiges Messobjekt beobachtet wird, macht die Verwendung der Zustandsvariablen S die Messumgebungsdaten S4, die beobachtet werden, die Anpassung der Messvorgangsparameter besser geeignet.
Bei der maschinellen Lernvorrichtung 100, welche die zuvor beschriebene Konfiguration aufweist, ist der Lernalgorithmus, der durch den Lernabschnitt 110 ausgeführt wird, nicht besonders eingeschränkt, und es kann ein beliebiger Lernalgorithmus, der hinlänglich als maschinelles Lernen bekannt ist, verwendet werden. 3 bildet einen Aspekt des in 2 abgebildeten Geräts 1 zum Anpassen von Messvorgangsparametern ab, das die Konfiguration aufweist, die den Lernabschnitt 110 umfasst, der ein Verstärkungslernen als ein Beispiel des Lernalgorithmus ausführt. Das Verstärkungslernen ist ein Lösungsansatz, bei dem ein Zyklus, der darin besteht, den aktuellen Zustand (d.h. eine Eingabe) einer Umgebung, in der ein Lernobjekt existiert, zu beobachten, eine vorbestimmte Aktion (d.h. eine Ausgabe) in dem aktuellen Zustand auszuführen und eine gewisse Belohnung für die Aktion zu erteilen, heuristisch wiederholt wird und eine Strategie (bei der maschinellen Lernvorrichtung der vorliegenden Anmeldung die Messvorgangsparameter des Messvorgangs), welche die Summe der Belohnungen maximiert, als eine optimale Lösung erlernt wird.
Bei der maschinellen Lernvorrichtung 100, die in dem in 3 abgebildeten Gerät 1 zum Anpassen von Messvorgangsparametern bereitgestellt wird, umfasst der Lernabschnitt 110 einen Abschnitt 112 zum Berechnen einer Belohnung und einen Abschnitt 114 zum Aktualisieren einer Wertfunktion. Der Abschnitt 112 zum Berechnen einer Belohnung findet eine Belohnung R bezüglich eines Ergebnisses (das den Bestimmungsdaten D entspricht, die in einer Lernperiode neben der Lernperiode, in der die Zustandsvariable S erfasst wird, zu verwenden ist) der Bestimmung, ob der Messvorgang durch die Messvorrichtung 2 basierend auf den Messvorgangsparametern des Messvorgangs, die basierend auf der Zustandsvariablen S angepasst wurden, geeignet oder ungeeignet ist. Der Abschnitt 114 zum Aktualisieren einer Wertfunktion aktualisiert eine Funktion Q, die Werte der Messvorgangsparameter des Messvorgangs unter Verwendung der Belohnung R aktualisiert. Der Lernabschnitt 110 lernt die Anpassung der Messvorgangsparameter des Messvorgangs mit Bezug auf die Zeit, die benötigt wird, um den Messvorgang auszuführen, dadurch, dass der Abschnitt 114 zum Aktualisieren einer Wertfunktion die Aktualisierung der Funktion Q wiederholt.
Es wird ein Beispiel eines Verstärkungslernalgorithmus, den der Lernabschnitt 110 ausführt, beschrieben. Der Algorithmus gemäß diesem Beispiel wird als Q-Lernen bezeichnet und ist ein Lösungsansatz, bei dem unter Verwendung des Zustands s eines Agenten und einer Aktion a, die der Agent in dem Zustand s auswählen kann, als unabhängige Variablen eine Funktion Q(s,a) erlernt wird, die den Wert der Aktion für den Fall darstellt, dass die Aktion a in dem Zustand s ausgewählt wird. Das Auswählen einer Aktion a, so dass die Wertfunktion Q in dem Zustand s maximal wird, ist die optimale Lösung. Dadurch dass das Q-Lernen in einem Zustand beginnt, in dem die Korrelation zwischen dem Zustand s und der Aktion a unbekannt ist, und das Ausprobieren wiederholt wird, bei dem diverse Aktionen a in beliebigen Zuständen s ausgewählt werden, wird die Wertfunktion Q wiederholt aktualisiert, um der optimalen Lösung nähergebracht zu werden. Die Wertfunktion Q kann der optimalen Lösung relativ kurzfristig nähergebracht werden, indem eine Konfiguration verwendet wird, bei der, wenn sich eine Umgebung (d.h. der Zustand s) als Ergebnis des Auswählens der Aktion a in dem Zustand s ändert, eine Belohnung r (d.h. eine Gewichtung, die der Aktion a erteilt wird), die der Änderung entspricht, erzielt werden kann, und indem das Lernen derart geführt wird, dass eine Aktion a, die eine höhere Belohnung r ergibt, ausgewählt werden kann.
Eine Aktualisierungsformel für die Wertfunktion Q wird im Allgemeinen wie die folgende Formel 1 dargestellt. In der Formel 1, sind s_t und a_t jeweils ein Zustand und eine Aktion zu einem Zeitpunkt t. Die Aktion a_t ändert den Zustand auf s_t+1. r_t+1 ist eine Belohnung, die als Reaktion auf eine Änderung des Zustands von s_t auf s_t+1 erzielt wird. Der Term maxQ bedeutet einen Wert Q, der erzielt wird, wenn eine Aktion a, die einen maximalen Wert Q bereitstellt (die zu dem Zeitpunkt t einen maximalen Wert Q bereitzustellen scheint), zu dem Zeitpunkt t+1 erfolgt. α und γ sind jeweils ein Lernkoeffizient und eine Ermäßigungsrate und werden wie gewünscht in dem Bereich von 0 < a ≤ 1 und 0 < γ ≤ 1 eingestellt. $Q (s_{t}, a_{t}) \leftarrow Q (s_{t}, a_{t}) + α (r_{t + 1} + γ max_{a} Q (s_{t + 1}, a) - Q (s_{t}, a_{t}))$
Für den Fall, dass der Lernabschnitt 110 ein Q-Lernen ausführt, entsprechen die Zustandsvariable S, die durch den Abschnitt 106 zum Beobachten eines Zustands beobachtet wird, und die Bestimmungsdaten D, die durch den Abschnitt 108 zum Erfassen von Bestimmungsdaten erfasst werden, dem Zustand s in der Aktualisierungsformel, entspricht eine Aktion, wie die Messvorgangsparameter des Messvorgangs mit Bezug auf den aktuellen Zustand (d.h. die Zeit, die benötigt wird, um den Messvorgang auszuführen) angepasst werden sollen, der Aktion a in der Aktualisierungsformel, und entspricht die Belohnung R, die durch den Abschnitt 112 zum Berechnen einer Belohnung gefunden wird, der Belohnung r in der Aktualisierungsformel. Entsprechend aktualisiert der Abschnitt 114 zum Aktualisieren einer Wertfunktion wiederholt die Funktion Q, die Werte der Messvorgangsparameter des Messvorgangs mit Bezug auf den aktuellen Zustand darstellen, durch Q-Lernen unter Verwendung der Belohnung R.
Die Belohnung R, die durch den Abschnitt 112 zum Berechnen einer Belohnung gefunden wird, kann wie folgt eingestellt werden: falls beispielsweise der Messvorgang, der ausgeführt wird, nachdem die Messvorgangsparameter des Messvorgangs angepasst wurden, basierend auf den angepassten Messvorgangsparametern des Messvorgangs als „geeignet“ bestimmt wird (beispielsweise für den Fall, dass die Zeit, die benötigt wird, um den Messvorgang auszuführen, nicht größer als eine vorbestimmte Schwelle ist, oder dergleichen), ist die Belohnung R positiv (Plus); und falls der Messvorgang, der ausgeführt wird, nachdem die Messvorgangsparameter des Messvorgangs angepasst wurden, basierend auf den angepassten Messvorgangsparametern des Messvorgangs als „ungeeignet“ bestimmt wird (beispielsweise für den Fall, dass die Zeit, die benötigt wird, um den Messvorgang auszuführen, die vorbestimmte Schwelle überschreitet, den Fall, dass der Sensor mit einem Messobjekt zusammenstößt, den Fall, dass ein Messobjekt verschoben wird, oder dergleichen), ist die Belohnung R negativ (Minus). Die absoluten Werte der positiven und negativen Belohnungen R können gleich oder unterschiedlich sein. Im Hinblick auf die Kriterien für die Bestimmung kann eine Mehrzahl von Werten, die in den Bestimmungsdaten D enthalten sind, kombiniert werden, um eine Bestimmung vorzunehmen.
Des Weiteren können die Ergebnisse der Bestimmung, ob der Messvorgang basierend auf den angepassten Messvorgangsparametern geeignet oder ungeeignet ist, in eine Mehrzahl von Klassen, nicht nur in zwei Klassen, die „geeignet“ und „ungeeignet“ sind, eingestuft werden. Beispielsweise für den Fall, dass eine Schwelle der Zeit, die benötigt wird, um den Messvorgang auszuführen, T_max ist, und wobei T die Zeit ist, die benötigt wird, um den Messvorgang auszuführen, können die Belohnungen wie folgt eingestellt werden: die Belohnung R = 5 wird erteilt, wenn 0 ≤ T < T_max/5, die Belohnung R = 3 wird erteilt, wenn T_max/5 ≤ T < T_max/2, die Belohnung R = 1 wird erteilt, wenn T_max/2 ≤ T < T_max, und die Belohnung R = -3 (Minusbelohnung) wird erteilt, wenn T_max ≤ T.
Ferner kann eine Schwelle zur Verwendung bei der Bestimmung in der Anfangsphase des Lernens relativ groß eingestellt werden und kann im Verlauf des Lernens abnehmen.
Der Abschnitt 114 zum Aktualisieren einer Wertfunktion kann eine Aktionswerttabelle aufweisen, in der die Zustandsvariablen S, die Bestimmungsdaten D und die Belohnung R mit Bezug auf Aktionswerte (beispielsweise Zahlenwerte), die durch die Funktion Q dargestellt werden, organisiert sind. In diesem Fall ist die Aktion, dass der Abschnitt 114 zum Aktualisieren einer Wertfunktion die Funktion Q aktualisiert, gleichbedeutend mit der Aktion, dass der Abschnitt 114 zum Aktualisieren einer Wertfunktion die Aktionswerttabelle aktualisiert. Wenn das Q-Lernen beginnt, ist die Korrelation zwischen dem aktuellen Zustand der Umgebung und der Anpassung der Messvorgangsparameter des Messvorgangs unbekannt. Entsprechend werden in der Aktionswerttabelle diverse Zustandsvariablen S, die Bestimmungsdaten D und die Belohnung R in einer Form vorbereitet, die mit zufällig bestimmten Werten (Funktion Q) des Aktionswertes verknüpft ist. Es sei zu beachten, dass falls die Bestimmungsdaten D bekannt sind, der Abschnitt 112 zum Berechnen einer Belohnung sofort eine Belohnung R berechnen kann, die den Bestimmungsdaten D entspricht, und der berechnete Wert R in die Aktionswerttabelle eingetragen wird.
Während das Q-Lernen unter Verwendung der Belohnung R, die dem Bestimmungsergebnis geeignet/ungeeignet für den Messvorgang der Messvorrichtung 2 entspricht, fortschreitet, wird das Lernen in die Richtung geführt, in der eine Aktion, die eine höhere Belohnung R ergibt, ausgewählt wird, und der Wert (Funktion Q) des Aktionswertes einer Aktion, die in dem aktuellen Zustand erfolgt, wird gemäß dem Zustand (d.h. den Zustandsvariablen S und den Bestimmungsdaten D) der Umgebung, der sich infolge der Durchführung der ausgewählten Aktion in dem aktuellen Zustand ändert, überschrieben, wodurch die Aktionswerttabelle aktualisiert wird. Durch das Wiederholen dieser Aktualisierung werden die Werte (Funktion Q) der Aktionswerte, die in der Aktionswerttabelle angezeigt werden, überschrieben, um mit zunehmender Eignung der Aktionen zuzunehmen (bei der vorliegenden Erfindung sind geeignete Aktionen Aktionen zum Anpassen der Messvorgangsparameter des Messvorgangs, wie etwa das Näherbringen der Position des Sensors zu Beginn des Messvorgangs an ein Messobjekt oder das Erhöhen der Verfahrgeschwindigkeit des Sensors, ohne das Messobjekt, den Arbeitsabschnitt der Messvorrichtung 2 oder den Sensor zu beschädigen oder das Messobjekt zu verschieben). Dies macht allmählich die Korrelation zwischen dem aktuellen Umgebungszustand (der Zeit, die benötigt wird, um den Messvorgang auszuführen) und einer Aktion (der Anpassung der Messvorgangsparameter des Messvorgangs) mit Bezug auf den aktuellen Umgebungszustand, die unbekannt war, deutlich. Mit anderen Worten wird durch das Aktualisieren der Aktionswerttabelle die Beziehung zwischen der Zeit, die benötigt wird, um den Messvorgang auszuführen, und der Anpassung der Messvorgangsparameter des Messvorgangs allmählich der optimalen Lösung nähergebracht.
Mit Bezug auf 4 wird der Ablauf (d.h. ein Aspekt des maschinellen Lernverfahrens) des zuvor beschriebenen Q-Lernens, das der Lernabschnitt 110 ausführt, näher beschrieben. Zuerst wählt der Abschnitt 114 zum Aktualisieren einer Wertfunktion in Schritt SA01 eine Aktion, um die Messvorgangsparameter des Messvorgangs anzupassen, als eine Aktion, die in dem aktuellen Zustand erfolgt, der durch die Zustandsvariable S dargestellt wird, die durch den Abschnitt 106 zum Beobachten eines Zustands beobachtet wird, mit Bezug auf die Aktionswerttabelle zu diesem Zeitpunkt zufällig aus. Als Nächstes übernimmt der Abschnitt 114 zum Aktualisieren einer Wertfunktion die Zustandsvariable S des aktuellen Zustands, den der Abschnitt 106 zum Beobachten eines Zustands beobachtet. Dann übernimmt der Abschnitt 114 zum Aktualisieren einer Wertfunktion in Schritt SA03 den Bestimmungsdaten D den aktuellen Zustand, den der Abschnitt 108 zum Erfassen von Bestimmungsdaten erfasst hat. Als Nächstes bestimmt der Abschnitt 114 zum Aktualisieren einer Wertfunktion in Schritt SA04 basierend auf den Bestimmungsdaten D, ob der Messvorgang basierend auf den angepassten Messvorgangsparametern des Messvorgangs geeignet war. Falls bestimmt wurde, dass der Messvorgang geeignet war, wendet der Abschnitt 114 zum Aktualisieren einer Wertfunktion in Schritt SA05 eine positive Belohnung R, die durch den Abschnitt 112 zum Berechnen einer Belohnung gefunden wurde, auf die Aktualisierungsformel für die Funktion Q an, und aktualisiert dann in Schritt SA06 die Aktionswerttabelle unter Verwendung der Zustandsvariablen S und der Bestimmungsdaten D in dem aktuellen Zustand, der Belohnung R und des Wertes (Funktion Q nach der Aktualisierung) des Aktionswertes. Falls in Schritt SA04 bestimmt wurde, dass der Messvorgang basierend auf den angepassten Messvorgangsparametern des Messvorgangs nicht geeignet war, wendet der Abschnitt 114 zum Aktualisieren einer Wertfunktion in Schritt SA07 eine negative Belohnung R, die durch den Abschnitt 112 zum Berechnen einer Belohnung gefunden wurde, auf die Aktualisierungsformel für die Funktion Q an, und aktualisiert dann in Schritt SA06 die Aktionswerttabelle unter Verwendung der Zustandsvariablen S und der Bestimmungsdaten D in dem aktuellen Zustand, der Belohnung R und des Wertes (Funktion Q nach der Aktualisierung) des Aktionswertes. Der Lernabschnitt 110 aktualisiert wiederholt die Aktionswerttabelle, indem er die Schritte SA01 bis SA07 wiederholt, wodurch er mit dem Lernen der Anpassung der Messvorgangsparameter des Messvorgangs fortfährt. Es sei zu beachten, dass der Prozess zum Finden der Belohnung R und des Aktualisierens der Wertfunktion von Schritt SA04 bis Schritt SA07 für jedes Datenelement, das in den Bestimmungsdaten D enthalten ist, ausgeführt wird.
Um mit dem zuvor erwähnten Verstärkungslernen fortzufahren, kann beispielsweise ein neuronales Netzwerk angewendet werden. 5A bildet schematisch ein Modell eines Neurons ab. 5B bildet schematisch ein Modell eines neuronalen Netzwerks auf drei Ebenen ab, das durch Kombinieren der in 5A abgebildeten Neuronen konfiguriert wird. Das neuronale Netzwerk kann aus arithmetischen Vorrichtungen, Speichervorrichtungen oder dergleichen als Nachahmung des Neuronenmodells bestehen.
Das in 5A abgebildete Neuron gibt ein Ergebnis y mit Bezug auf eine Mehrzahl von Eingaben x (hier beispielsweise Eingabe x₁ bis Eingabe x₃) aus. Die Eingaben x₁ bis x₃ werden jeweils mit Gewichtungen w (w₁ bis w₃) multipliziert, die diesen Eingaben x entsprechen. Entsprechend gibt das Neuron die Ausgabe y aus, die durch die nachstehende Formel 2 ausgedrückt wird. Dabei sind in der Formel 2 die Eingabe x, die Ausgabe y und die Gewichtung w allesamt Vektoren. Ferner bezeichnet θ eine systematische Abweichung, und f_k bezeichnet eine Aktivierungsfunktion. $y = f_{k} (\sum_{i = 1}^{n} x_{i} w_{i} - θ)$
Bei dem in 5B abgebildeten neuronalen Netzwerk auf drei Ebenen wird eine Mehrzahl von Eingaben x (hier beispielsweise Eingabe x₁ bis Eingabe x₃) von der linken Seite aus eingegeben, und die Ergebnisse y (hier beispielsweise Ergebnis y₁ bis Ergebnis y₃) werden von der rechten Seite aus ausgegeben. Bei dem in 5B abgebildeten Beispiel werden die Eingaben x1, x2, x3 jeweils mit entsprechenden Gewichtungen (insgesamt mit W1 bezeichnet) multipliziert, und jede der Eingaben x1, x2, x3 wird in drei Neuronen N11, N12, N13 eingegeben.
In 5B ist eine Ausgabe jedes der Neuronen N11, N12, N13 insgesamt mit z1 bezeichnet. z1 kann als ein Merkmalsvektor angesehen werden, der erzielt wird, indem ein Merkmalsbetrag eines Eingangsvektors entnommen wird. Bei dem in 5B abgebildeten Beispiel werden die Merkmalsvektoren z1 jeweils mit entsprechenden Gewichtungen (insgesamt mit W2 bezeichnet) multipliziert, und jeder der Merkmalsvektoren z1 wird in zwei Neuronen N21, N22 eingegeben. Der Merkmalsvektor z1 stellt ein Merkmal zwischen der Gewichtung W1 und der Gewichtung W2 dar.
In 5B ist eine Ausgabe jedes der Neuronen N21, N22 insgesamt mit z2 bezeichnet. z2 kann als ein Merkmalsvektor angesehen werden, der erzielt wird, indem ein Merkmalsbetrag des Merkmalsvektors z1 entnommen wird. Bei dem in 5B abgebildeten Beispiel werden die Merkmalsvektoren z2 jeweils mit entsprechenden Gewichtungen (insgesamt mit W3 bezeichnet) multipliziert, und jeder der Merkmalsvektoren z2 wird in drei Neuronen N31, N32, N33 eingegeben. Der Merkmalsvektor z2 stellt ein Merkmal zwischen der Gewichtung W2 und der Gewichtung W3 dar. Schließlich geben die Neuronen N31 bis N33 jeweils die Ergebnisse y1 bis y3 aus.
Dabei kann auch das Verfahren des so genannten tiefgehenden Lernens verwendet werden, bei dem ein neuronales Netzwerk verwendet wird, das drei oder mehrere Ebenen aufweist.
In der maschinellen Lernvorrichtung 100, die in dem Gerät 1 zum Anpassen von Messvorgangsparametern bereitgestellt wird, kann der Lernabschnitt 110 ein neuronales Netzwerk als Wertfunktion beim Q-Lernen verwenden, um eine mehrschichtige Berechnung auszuführen, die dem zuvor beschriebenen neuronalen Netzwerk unter Verwendung der Zustandsvariablen S und der Aktion a als Eingabe x folgt, wodurch der Wert (Ergebnis y) der Aktion in dem Zustand ausgegeben wird. Es sei zu beachten, dass die Betriebsmodi des neuronalen Netzwerks einen Lernmodus und einen Wertvorhersagemodus umfassen. Beispielsweise werden die Gewichtungen w unter Verwendung eines Lerndatensatzes im Lernmodus erlernt, und der Wert einer Aktion unter Verwendung der erlernten Gewichtungen w im Wertvorhersagemodus bestimmt werden. Es sei zu beachten, dass im Wertvorhersagemodus auch eine Detektion, Klassifizierung, Inferenz oder dergleichen erfolgen kann.
Die zuvor beschriebene Konfiguration des Geräts 1 zum Anpassen von Messvorgangsparametern kann als ein maschinelles Lernverfahren (oder Software) beschrieben werden, das der Prozessor 101 ausführt. Dieses maschinelle Lernverfahren ist ein maschinelles Lernverfahren zum Lernen der Anpassung der Messvorgangsparameter des Messvorgangs. Das maschinelle Lernverfahren umfasst: einen Schritt, der darin besteht, die Messvorgangsparameterdaten S1 und die Messzeitdaten S2 als die Zustandsvariablen S, die den aktuellen Zustand der Umgebung darstellen, in der die Messvorrichtung 2 funktioniert, zu beobachten; einen Schritt, der darin besteht, die Bestimmungsdaten D zu erfassen, die ein Ergebnis der Bestimmung, ob der Messvorgang basierend auf den angepassten Messvorgangsparametern des Messvorgangs geeignet ist, darstellen; und einen Schritt, der darin besteht, die Anpassung der Messvorgangsparameter des Messvorgangs mit Bezug auf die Messzeitdaten S2 unter Verwendung der Zustandsvariablen S und der Bestimmungsdaten D zu lernen. Bei diesem Verfahren werden die Schritte durch eine CPU eines Computers ausgeführt.
Bei den folgenden zweiten bis vierten Ausführungsformen werden Ausführungsformen beschrieben, bei denen das Gerät 1 zum Anpassen von Messvorgangsparametern gemäß der ersten Ausführungsform an eine Mehrzahl von Geräten, die einen Cloud-Server, einen Host-Computer, einen Fog-Computer und einen Edge-Computer (wie etwa einen Roboter-Controller oder eine Steuervorrichtung) umfassen, über ein drahtgebundenes/ drahtloses Netzwerk angeschlossen ist. Wie in 6 abgebildet, umfassen die Systeme, die bei den folgenden zweiten bis vierten Ausführungsformen vorausgesetzt werden, eine Mehrzahl von Geräten, wobei jedes der Geräte an ein Netzwerk angeschlossen ist und logisch auf eine der folgenden drei Ebenen angeordnet wird: eine Ebene, die einen Cloud-Server 6 und dergleichen umfasst, eine Ebene, die Fog-Computer 7 und dergleichen umfasst, und eine Ebene, die Edge-Computer 8 (wie etwa einen Roboter-Controller oder eine Steuervorrichtung, die in einer Zelle 9 enthalten ist) und dergleichen umfasst. Bei einem derartigen System kann das Gerät 1 zum Anpassen von Messvorgangsparametern auf einem von einem Cloud-Server 6, einem Fog-Computer 7 und einem Edge-Computer 8 umgesetzt werden. Die Mehrzahl von Geräten kann Lerndaten über ein Netzwerk teilen, um ein verteiltes Lernen auszuführen. Die erzeugten Lernmodelle können in dem Fog-Computer 7 oder dem Cloud-Server 6 gesammelt werden, um eine groß angelegte Analyse auszuführen. Eine gegenseitige Wiederverwendung oder dergleichen von erzeugten Lernmodellen kann ebenfalls ausgeführt werden. Bei dem in 6 abgebildeten System wird eine Mehrzahl von Zellen 9 in jedem der Werke an diversen Stellen bereitgestellt, und die Zellen 9 werden auf einer vorbestimmten Ebene (wie etwa auf einer Werksebene, oder auf einer Ebene, die eine Mehrzahl von Werken des gleichen Herstellers umfasst) durch Fog-Computer 7 auf einer höheren Ebene verwaltet. Daten, die durch die Fog-Computer 7 erhoben und analysiert werden, werden ferner durch den Cloud-Server 6 auf einer noch höheren Ebene erhoben, analysiert und dergleichen, und die somit erzielten Informationen können bei der Steuerung und dergleichen jedes Edge-Computers verwendet werden.
7 bildet ein System 170 gemäß einer zweiten Ausführungsform ab, welches das Gerät 1 zum Anpassen von Messvorgangsparametern umfasst. Das System 170 umfasst mindestens ein Gerät 1 zum Anpassen von Messvorgangsparametern, das als Teil eines Computers, wie etwa eines Edge-Computers, eines Fog-Computers, eines Host-Computers oder eines Cloud-Servers umgesetzt wird, eine Mehrzahl von Messvorrichtungen 2, für welche die Messvorgangsparameter angepasst werden, und ein drahtgebundenes/drahtloses Netzwerk 172, welches das Gerät 1 zum Anpassen von Messvorgangsparametern und die Messvorrichtungen 2 verbindet.
Bei dem System 170, das die zuvor beschriebene Konfiguration aufweist, kann das Gerät 1 zum Anpassen von Messvorgangsparametern, das die maschinelle Lernvorrichtung 100 umfasst, die Anpassung der Messvorgangsparameter des Messvorgangs mit Bezug auf die Zeit, die benötigt wird, um den Messvorgang auszuführen, für jede der Messvorrichtungen 2 unter Verwendung eines Ergebnisses des Lernens durch den Lernabschnitt 110 automatisch und genau finden. Das System 170 kann derart konfiguriert sein, dass die maschinelle Lernvorrichtung 100 des Geräts 1 zum Anpassen von Messvorgangsparametern die Anpassung der Messvorgangsparameter des Messvorgangs, die allen Messvorrichtungen 2 gemeinsam sind, basierend auf der Zustandsvariablen S und den Bestimmungsdaten D, die für jede der Messvorrichtungen 2 erzielt werden, lernen kann, und dass ein Ergebnis des Lernens mit allen Messvorrichtungen 2 kann während ihres Betriebs geteilt werden. Mit dem System 170 können die Geschwindigkeit und Zuverlässigkeit des Lernens der Anpassung der Messvorgangsparameter des Messvorgangs unter Verwendung von unterschiedlicheren Datensammlungen (wozu die Zustandsvariable S und die Bestimmungsdaten D gehören) als Eingaben verbessert werden.
8 bildet ein System 170 gemäß einer dritten Ausführungsform ab, welches das Gerät 1 zum Anpassen von Messvorgangsparametern umfasst. Das System 170 umfasst mindestens eine maschinelle Lernvorrichtung 100', die an einem Computer 5, wie etwa einem Zellenrechner, einem Fog-Computer, einem Host-Computer oder einem Cloud-Server, umgesetzt ist, mindestens ein Gerät 1 zum Anpassen von Messvorgangsparametern, das als eine Steuervorrichtung (Edge-Computer) zum Steuern einer Maschine 3, auf der die Messvorrichtung 2 angeordnet ist, umgesetzt ist, und ein drahtgebundenes/ drahtloses Netzwerk 172, das den oder die Computer 5 und das oder die Geräte zum Anpassen von Messvorgangsparametern 1 verbindet.
Bei dem System 170, das die zuvor beschriebene Konfiguration aufweist, erfasst der Computer 5, der die maschinelle Lernvorrichtung 100' umfasst, von dem Gerät 1 zum Anpassen von Messvorgangsparametern (Steuervorrichtung) zum Steuern jeder Maschine 3 ein Lernmodell, das als Ergebnis des maschinellen Lernens durch die maschinelle Lernvorrichtung 100 erzielt wird, die in dem Gerät 1 zum Anpassen von Messvorgangsparametern bereitgestellt wird. Die maschinelle Lernvorrichtung 100', die in dem Computer 5 bereitgestellt wird, führt eine Verarbeitung zur Wissensoptimierung und Rationalisierung basierend auf den Lernmodellen aus, um ein optimiertes oder rationalisiertes Lernmodell neu zu erzeugen, und installiert das erzeugte Lernmodell auf dem Gerät 1 zum Anpassen von Messvorgangsparametern zum Steuern jeder Maschine 3 (Messvorrichtung 2).
Ein Beispiel der Optimierung oder Rationalisierung eines Lernmodells, die durch die maschinelle Lernvorrichtung 100' ausgeführt wird, besteht darin, basierend auf einer Mehrzahl von Lernmodellen, die von dem Gerät 1 zum Anpassen von Messvorgangsparametern erfasst wird, ein destilliertes Modell zu erzeugen. In diesem Fall erstellt die maschinelle Lernvorrichtung 100' gemäß der vorliegenden Ausführungsform Eingangsdaten, die in die Lernmodelle eingegeben werden, und führt das Lernen unter Verwendung von Ausgaben, die durch Eingeben der Eingangsdaten in die Lernmodelle erzielt werden, von Anfang an aus, wodurch ein Lernmodell (destilliertes Modell) neu erzeugt wird. Das somit erzeugte destillierte Modell ist zur Installation auf anderen Geräten über externe Speichermedien, Netzwerke und dergleichen, wie etwa zuvor beschrieben, besser geeignet.
Ein anderes Beispiel der Optimierung oder Rationalisierung eines Lernmodells, die durch die maschinelle Lernvorrichtung 100' ausgeführt wird, besteht darin, bei dem Prozess des Destillierens der Mehrzahl von Lernmodellen, die von dem jeweiligen Gerät 1 zum Anpassen von Messvorgangsparametern erfasst wird, die Verteilung der Ausgaben jedes Lernmodells mit Bezug auf Eingangsdaten unter Verwendung eines allgemeinen statistischen Lösungsansatzes zu analysieren, Ausreißer aus Kombinationen von Eingangsdaten und Ausgangsdaten zu entnehmen, und eine Destillation unter Verwendung von Kombinationen von Eingangsdaten und Ausgangsdaten mit Ausnahme der Ausreißer auszuführen. Mit einem derartigen Prozess können ungewöhnliche Schätzungsergebnisse aus den Kombinationen von Eingangsdaten und Ausgangsdaten, die von den jeweiligen Lernmodellen erzielt werden, entfernt werden, und ein destilliertes Modell kann unter Verwendung von Kombinationen von Eingangsdaten und Ausgangsdaten, die durch Entfernen der ungewöhnlichen Schätzungsergebnisse erzielt werden, erzeugt werden. Somit kann aus Lernmodellen, die durch die Mehrzahl von Geräten 1 zum Anpassen von Messvorgangsparametern erzeugt werden, ein destilliertes Modell erzeugt werden, wobei das destillierte Modell im Allgemeinen für die Maschinen 3 (Messvorrichtungen 2) verwendet wird, die durch das Gerät 1 zum Anpassen von Messvorgangsparametern gesteuert werden.
Es sei zu beachten, dass ein anderer allgemeiner Lösungsansatz für die Optimierung oder Rationalisierung eines Lernmodells (beispielsweise das Analysieren der Lernmodelle und das Optimieren von Hyperparametern der Lernmodelle basierend auf Ergebnissen der Analyse) geeignet eingeführt werden kann.
Bei einem Beispiel des Systems gemäß der vorliegenden Ausführungsform kann die maschinelle Lernvorrichtung 100' an dem Computer 5 als ein Fog-Computer angeordnet sein, der bereitgestellt wird, um eine Mehrzahl von Geräten 1 zum Anpassen von Messvorgangsparametern als Edge-Computer zu verwalten, und Lernmodelle, die durch die jeweiligen Geräte 1 zum Anpassen von Messvorgangsparametern erzeugt werden, können an dem Fog-Computer zusammengestellt und gespeichert werden. Nachdem die Optimierung oder Rationalisierung basierend auf den gespeicherten Lernmodellen ausgeführt wurde, kann ein optimiertes oder rationalisiertes Lernmodell auf dem Gerät 1 zum Anpassen von Messvorgangsparametern je nach Bedarf neu installiert werden.
Bei einem anderen Beispiel des Systems gemäß der vorliegenden Ausführungsform können Lernmodelle, die auf dem Computer 5 als Fog-Computer zusammengefasst und gespeichert werden, und Lernmodelle, die an dem Fog-Computer optimiert oder rationalisiert werden, an einem Host-Computer oder einem Cloud-Server auf einer höheren Ebene erhoben werden. Diese Lernmodelle können auf intellektuelle Aufgaben (Konstruieren und Neuinstallieren eines allgemeineren Lernmodells auf einem übergeordneten Server, Unterstützen von Wartungsarbeiten der Messvorrichtungen 2 basierend auf einem Ergebnis der Analyse der Lernmodelle, Analysieren der Leistung und dergleichen jeder Messvorrichtung 2, Anwenden der Lernmodelle auf die Entwicklung einer neuen Maschine und dergleichen) in Werken oder bei einem Hersteller der Messvorrichtungen 2 angewendet werden.
9 ist ein Hardware-Konfigurationsdiagramm, das den in 8 abgebildeten Computer 5 schematisch abbildet.
Eine CPU 511, die in dem Computer 5 bereitgestellt wird, ist ein Prozessor, der den Computer 5 vollständig steuert. Die CPU 511 ruft ein Systemprogramm, das in einem ROM 512 gespeichert ist, über einen Bus 520 ab und steuert den gesamten Computer 5 gemäß dem Systemprogramm. Ein RAM 513 speichert zeitweilig zeitweilige Rechendaten, diverse Arten von Daten, die durch einen Bediener über eine Eingabevorrichtung 531 eingegeben werden, und dergleichen.
Ein nicht flüchtiger Speicher 514 ist als ein Speicher konfiguriert, der beispielsweise eine nicht abgebildete Batterie zur Speichersicherung, ein Solid-State-Laufwerk (SSD) oder dergleichen verwendet, um den Zustand des Speichers zu bewahren, selbst wenn die Energie des Computers 5 ausgeschaltet wird. Der nicht flüchtige Speicher 514 speichert Einstellbereiche, die Einstellungsinformationen bezüglich der Betätigung des Computers 5 speichern, Daten, die von der Eingabevorrichtung 531 eingegeben werden, Lernmodelle, die von dem Gerät 1 zum Anpassen von Messvorgangsparametern erfasst werden, Daten, die über eine nicht abgebildete externe Speichervorrichtung oder ein Netzwerk gelesen werden, und dergleichen. Diese Programme und diverse Arten von Daten, die in dem nicht flüchtigen Speicher 514 gespeichert werden, können bei der Durchführung oder Verwendung in den RAM 513 geladen werden. Der ROM 512 weist Systemprogramme auf, die darin im Voraus geschrieben wurden, wie etwa ein hinlänglich bekanntes Analyseprogramm zum Analysieren diverser Datenarten.
Der Computer 5 ist über eine Schnittstelle 516 an das Netzwerk 172 angeschlossen. Mindestens ein Gerät 1 zum Anpassen von Messvorgangsparametern, ein anderer Computer und dergleichen können an das Netzwerk 172 angeschlossen werden, um Daten an den Computer 5 zu senden und davon zu empfangen.
Eine Anzeigevorrichtung 530 empfängt Daten, wie etwa diverse Datenarten, die in einen Speicher geladen werden, und Daten, die infolge der Durchführung eines Programms oder dergleichen über eine Schnittstelle 517 erzielt werden, und zeigt diese Daten an. Die Eingabevorrichtung 531, die eine Tastatur, eine Zeigevorrichtung und dergleichen umfasst, übermittelt einen Befehl, Daten oder dergleichen basierend auf einer Betätigung durch einen Bediener über eine Schnittstelle 518 an die CPU 511.
Es sei zu beachten, dass die maschinelle Lernvorrichtung 100 die gleiche Hardware-Konfiguration aufweist wie die in 1, außer dass sie für die Optimierung oder Rationalisierung eines Lernmodells in Zusammenwirkung mit der CPU 511 des Computers 5 verwendet wird.
10 bildet ein System 170 gemäß einer vierten Ausführungsform ab, welches das Gerät 1 zum Anpassen von Messvorgangsparametern umfasst. Das System 170 umfasst mindestens ein Gerät 1 zum Anpassen von Messvorgangsparametern, das als eine Steuervorrichtung (Edge-Computer) zum Steuern einer Maschine 3, an der eine Messvorrichtung 2 angeordnet ist, umgesetzt ist, eine Mehrzahl von Steuervorrichtungen 4 zum Steuern von Maschinen 3, an denen andere Messvorrichtungen 2 angeordnet sind, und ein drahtgebundenes/drahtloses Netzwerk 172 zum Verbinden des Geräts 1 zum Anpassen von Messvorgangsparametern und der Steuervorrichtungen 4.
Bei dem System 170, das die zuvor beschriebene Konfiguration aufweist, führt das Gerät 1 zum Anpassen von Messvorgangsparametern, das die maschinelle Lernvorrichtung 100 umfasst, basierend auf Zustandsdaten und Bestimmungsdaten, die von der Maschine 3 (Messvorrichtung 2) erfasst werden, die durch das Gerät 1 zum Anpassen von Messvorgangsparametern gesteuert wird, und auf Zustandsdaten und Bestimmungsdaten, die von den anderen Steuervorrichtungen 4 (ohne die maschinelle Lernvorrichtung 100) erfasst werden, ein maschinelles Lernen aus und erzeugt ein Lernmodell. Das somit erzeugte Lernmodell wird verwendet, um die Messvorgangsparameter des Messvorgangs der Maschine (Messvorrichtung 2), die durch das Gerät 1 zum Anpassen von Messvorgangsparametern selber gesteuert wird, anzupassen, und wird ebenfalls verwendet, um die Messvorgangsparameter in den anderen Maschinen 3 (Messvorrichtungen 2) als Reaktion auf Anfragen von den Steuervorrichtungen 4, welche die anderen Maschinen 3 (Messvorrichtungen 2) steuern, die keine maschinelle Lernvorrichtung 100 aufweisen, anzupassen. Wenn ein Gerät 1 zum Anpassen von Messvorgangsparametern, das eine maschinelle Lernvorrichtung 100 umfasst, die noch kein Lernmodell erzeugt hat, neu eingeführt wird, kann das neu eingeführte Gerät 1 zum Anpassen von Messvorgangsparametern auch ein Lernmodell verwenden, das von einem anderen Gerät 1 zum Anpassen von Messvorgangsparametern, welches das Lernmodell aufweist, über das Netzwerk 172 erfasst wird.
Bei dem System gemäß der vorliegenden Ausführungsform können Daten zur Verwendung beim Lernen und Lernmodelle von einer Mehrzahl von Geräten 1 zum Anpassen von Messvorgangsparametern und Steuervorrichtungen 4, als so genannte Edge-Computer, geteilt und verwendet werden. Entsprechend kann die Effizienz des maschinellen Lernens verbessert werden, und die Kosten des maschinellen Lernens können reduziert werden (wobei beispielsweise die maschinelle Lernvorrichtung 100 nur bei einer Steuervorrichtung (Gerät 1 zum Anpassen von Messvorgangsparametern) eingeführt wird und die maschinelle Lernvorrichtung 100 mit anderen Steuervorrichtungen 4 geteilt wird).
Die Ausführungsformen der vorliegenden Erfindung wurden zuvor beschrieben, doch kann die vorliegende Erfindung in diversen Aspekten durch das Hinzufügen von beliebigen Änderungen ausgebildet sein, ohne nur auf die Beispiele der zuvor beschriebenen Ausführungsformen eingeschränkt zu sein.
Beispielsweise sind die Lernalgorithmen und der arithmetische Algorithmus, welche die maschinelle Lernvorrichtung 100 ausführt, der Steueralgorithmus, den das Gerät 1 zum Anpassen von Messvorgangsparametern ausführt, und dergleichen nicht auf die zuvor beschriebenen eingeschränkt, und es können diverse Algorithmen verwendet werden.
Die zuvor beschriebenen Ausführungsformen umfassen die Beschreibung, dass das Gerät 1 zum Anpassen von Messvorgangsparametern und die maschinelle Lernvorrichtung 100 Vorrichtungen sind, die unterschiedliche CPUs umfassen, doch kann die maschinelle Lernvorrichtung 100 durch die CPU 11, die in dem Gerät 1 zum Anpassen von Messvorgangsparametern enthalten ist, und das Systemprogramm, das in dem ROM 12 gespeichert ist, ausgebildet sein.
Die Ausführungsformen der vorliegenden Erfindung wurden zuvor beschrieben, doch kann die vorliegende Erfindung in anderen Aspekten durch das Hinzufügen beliebiger Änderungen ausgebildet sein, ohne auf die Beispiele der zuvor beschriebenen Ausführungsformen eingeschränkt zu sein.
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 2010217182 [0003, 0004]

Claims

Gerät zum Anpassen von Messvorgangsparametern, um einen Messvorgangsparameter eines Messvorgangs anzupassen, der durch eine Messvorrichtung ausgeführt wird, um eine Anordnungsposition eines Messobjekts zu messen, wobei das Gerät zum Anpassen von Messvorgangsparametern umfasst: eine maschinelle Lernvorrichtung, um Messvorgangsparameterdaten, die den Messvorgangsparameter des Messvorgangs darstellen, und Messzeitdaten, welche die Zeit darstellen, die benötigt wird, um den Messvorgang auszuführen, als eine Zustandsvariable, die einen aktuellen Umgebungszustand darstellt, zu beobachten, und um unter Verwendung eines Lernmodells, das durch Modellieren der Anpassung der Messvorgangsparameter basierend auf der Zustandsvariablen erzielt wird, ein Lernen oder Entscheiden auszuführen.
Gerät zum Anpassen von Messvorgangsparametern nach Anspruch 1, wobei die maschinelle Lernvorrichtung umfasst: einen Abschnitt zum Beobachten eines Zustands, um die Messvorgangsparameterdaten, die den Messvorgangsparameter des Messvorgangs darstellen, und die Messzeitdaten, welche die Zeit darstellen, die benötigt wird, um den Messvorgang auszuführen, als die Zustandsvariable, die den aktuellen Umgebungszustand darstellt, zu beobachten, einen Abschnitt zum Erfassen von Bestimmungsdaten, um Messvorgangsbestimmungsdaten, um zu bestimmen, ob der Messvorgang, der basierend auf dem Messvorgangsparameter des Messvorgangs ausgeführt wird, geeignet ist, als Bestimmungsdaten, die ein Bestimmungsergebnis geeignet/ungeeignet für den Messvorgang darstellen, zu erfassen, und einen Lernabschnitt, um das Lernmodell, das durch Lernen der Anpassung des Messvorgangsparameters des Messvorgangs erzielt wird, mit Bezug auf die Zeit, die benötigt wird, um den Messvorgang auszuführen, unter Verwendung der Zustandsvariablen und der Bestimmungsdaten zu erzeugen.
Gerät zum Anpassen von Messvorgangsparametern nach Anspruch 2, wobei der Abschnitt zum Beobachten eines Zustands ferner Produkttypdaten, die Produkttypinformationen über das Messobjekt darstellen, als die Zustandsvariable, die den aktuellen Umgebungszustand darstellt, weiter beobachtet, und der Lernabschnitt die Anpassung des Messvorgangsparameters des Messvorgangs mit Bezug auf die Zeit, die benötigt wird, um den Messvorgang auszuführen, und auf die Produkttypinformationen über das Messobjekt erlernt.
Gerät zum Anpassen von Messvorgangsparametern nach Anspruch 2 oder 3, wobei der Lernabschnitt umfasst: einen Abschnitt zum Berechnen einer Belohnung, um eine Belohnung bezüglich des Bestimmungsergebnisses geeignet/ungeeignet zu finden, und einen Abschnitt zum Aktualisieren einer Wertfunktion, um unter Verwendung der Belohnung eine Funktion zu aktualisieren, die einen Wert einer Aktion darstellt, um den Messvorgangsparameter des Messvorgangs mit Bezug auf die Zeit, die benötigt wird, um den Messvorgang auszuführen, anzupassen, und der Abschnitt zum Berechnen einer Belohnung höhere Belohnungen für den Fall, dass die Zeit, die benötigt wird, um den Messvorgang auszuführen, kürzer ist, und niedrigere Belohnungen für den Fall, dass die Zeit, die benötigt wird, um den Messvorgang auszuführen, länger ist, dass das Messobjekt oder die Messvorrichtung beschädigt wurde, oder dass das Messobjekt bewegt wurde, erteilt.
Gerät zum Anpassen von Messvorgangsparametern nach einem der Ansprüche 1 bis 3, wobei der Lernabschnitt eine Berechnung der Zustandsvariablen und der Bestimmungsdaten auf mehreren Ebenen ausführt.
Gerät zum Anpassen von Messvorgangsparametern nach Anspruch 1, wobei die maschinelle Lernvorrichtung umfasst: einen Abschnitt zum Beobachten eines Zustands, um die Messvorgangsparameterdaten, die den Messvorgangsparameter des Messvorgangs darstellen, und die Messzeitdaten, welche die Zeit darstellen, die benötigt wird, um den Messvorgang auszuführen, als die Zustandsvariable, die den aktuellen Umgebungszustand darstellt, zu beobachten, einen Lernabschnitt, der das Lernmodell umfasst, das durch Lernen der Anpassung des Messvorgangsparameters des Messvorgangs mit Bezug auf die Zeit, die benötigt wird, um den Messvorgang auszuführen, erzielt wird, und einen Entscheidungsabschnitt, um die Anpassung des Messvorgangsparameters des Messvorgangs basierend auf der Zustandsvariablen, die durch den Abschnitt zum Beobachten eines Zustands beobachtet wird, und auf dem Lernmodell zu bestimmen.
Gerät zum Anpassen von Messvorgangsparametern nach einem der Ansprüche 1 bis 6, wobei sich die maschinelle Lernvorrichtung auf einem Cloud-Server befindet.
Maschinelle Lernvorrichtung, um Messvorgangsparameterdaten, die einen Messvorgangsparameter eines Messvorgangs darstellen, der durch eine Messvorrichtung ausgeführt wird, um eine Anordnungsposition eines Messobjekts zu messen, und Messzeitdaten, welche die Zeit darstellen, die benötigt wird, um den Messvorgang auszuführen, als eine Zustandsvariable, die einen aktuellen Umgebungszustand darstellt, zu beobachten, und um unter Verwendung eines Lernmodells, das durch Modellieren der Anpassung der Messvorgangsparameter basierend auf der Zustandsvariablen erzielt wird, ein Lernen oder Entscheiden auszuführen.
Maschinelle Lernvorrichtung nach Anspruch 8, umfassend: einen Abschnitt zum Beobachten eines Zustands, um die Messvorgangsparameterdaten, die den Messvorgangsparameter des Messvorgangs darstellen, und die Messzeitdaten, welche die Zeit darstellen, die benötigt wird, um den Messvorgang auszuführen, als die Zustandsvariable, die den aktuellen Umgebungszustand darstellt, zu beobachten; einen Abschnitt zum Erfassen von Bestimmungsdaten, um Messvorgangsbestimmungsdaten, um zu bestimmen, ob der Messvorgang, der basierend auf dem Messvorgangsparameter des Messvorgangs ausgeführt wird, geeignet ist, als Bestimmungsdaten, die ein Bestimmungsergebnis geeignet/ungeeignet für den Messvorgang darstellen, zu erfassen; und einen Lernabschnitt zum Erzeugen des Lernmodells, das durch Lernen der Anpassung des Messvorgangsparameters des Messvorgangs mit Bezug auf die Zeit, die benötigt wird, um den Messvorgang auszuführen, unter Verwendung der Zustandsvariablen und der Bestimmungsdaten erzielt wird.
Maschinelle Lernvorrichtung nach Anspruch 8, umfassend: einen Abschnitt zum Beobachten eines Zustands, um die Messvorgangsparameterdaten, die den Messvorgangsparameter des Messvorgangs darstellen, und die Messzeitdaten, welche die Zeit darstellen, die benötigt wird, um den Messvorgang auszuführen, als die Zustandsvariable, die den aktuellen Umgebungszustand darstellt, zu beobachten; einen Lernabschnitt, der das Lernmodell umfasst, das durch Lernen der Anpassung des Messvorgangsparameters des Messvorgangs mit Bezug auf die Zeit, die benötigt wird, um den Messvorgang auszuführen, erzielt wird; und einen Entscheidungsabschnitt, um die Anpassung des Messvorgangsparameters des Messvorgangs basierend auf der Zustandsvariablen, die durch den Abschnitt zum Beobachten eines Zustands und das Lernmodell beobachtet wird, zu bestimmen.
System, umfassend: eine Mehrzahl von Geräten, die über ein Netzwerk miteinander verbunden sind, wobei die Mehrzahl von Geräten mindestens ein erstes Gerät zum Anpassen von Messvorgangsparametern nach Anspruch 2 umfasst.
System nach Anspruch 11, wobei die Mehrzahl von Geräten einen Computer umfasst, der eine maschinelle Lernvorrichtung umfasst, der Computer mindestens ein Lernmodell erfasst, das durch Lernen in dem Lernabschnitt des ersten Geräts zum Anpassen von Messvorgangsparametern erzeugt wird, und die maschinelle Lernvorrichtung in dem Computer eine Optimierung oder Rationalisierung basierend auf dem erfassten Lernmodell ausführt.
System nach Anspruch 11, wobei die Mehrzahl von Geräten ein zweites Gerät zum Anpassen von Messvorgangsparametern, das anders als das erste Gerät zum Anpassen von Messvorgangsparametern ist, umfasst, und ein Lernmodell, das durch den Lernabschnitt in dem ersten Gerät zum Anpassen von Messvorgangsparametern erzeugt wird, mit dem zweiten Gerät zum Anpassen von Messvorgangsparametern geteilt wird.
System nach Anspruch 11, wobei die Mehrzahl von Geräten eine Steuervorrichtung zum Steuern einer Messvorrichtung umfasst, und Daten bezüglich der Messvorrichtung zum Lernen durch den Lernabschnitt in dem ersten Gerät zum Anpassen von Messvorgangsparametern über das Netzwerk verfügbar sind, wobei die Daten in der Steuervorrichtung erfasst werden.
Verfahren zum Ausführen eines Lernens oder Entscheidens bezüglich der Anpassung eines Messvorgangsparameters eines Messvorgangs, der durch eine Messvorrichtung ausgeführt wird, um eine Anordnungsposition eines Messobjekts zu messen, wobei das Verfahren umfasst: einen Schritt, der darin besteht, Messvorgangsparameterdaten, die den Messvorgangsparameter des Messvorgangs darstellen, und Messzeitdaten, welche die Zeit darstellen, die benötigt wird, um den Messvorgang auszuführen, als eine Zustandsvariable, die einen aktuellen Umgebungszustand darstellt, zu beobachten, und um unter Verwendung eines Lernmodells, das durch Modellieren der Anpassung des Messvorgangsparameters basierend auf der Zustandsvariablen erzielt wird, ein Lernen oder Entscheiden auszuführen.
Verfahren bezüglich des maschinellen Lernens der Anpassung eines Messvorgangsparameters eines Messvorgangs, der durch eine Messvorrichtung ausgeführt wird, um eine Anordnungsposition eines Messobjekts zu messen, wobei das Verfahren umfasst: einen Schritt, der darin besteht, einen Prozess bezüglich des maschinellen Lernens der Anpassung des Messvorgangsparameters unter Verwendung eines Lernmodells, das durch Modellieren der Anpassung des Messvorgangsparameters basierend auf Messvorgangsparameterdaten, die den Messvorgangsparameter des Messvorgangs darstellen, und auf Messzeitdaten, welche die Zeit darstellen, die benötigt wird, um den Messvorgang auszuführen, erzielt wird, auszuführen, wobei die Messvorgangsparameterdaten und die Messzeitdaten als eine Zustandsvariable, die einen aktuellen Umgebungszustand darstellt, beobachtet werden.
Verfahren nach Anspruch 16, wobei der Schritt des Ausführens eines Lernens oder Entscheidens unter Verwendung des Lernmodells umfasst einen Schritt, der darin besteht, die Messvorgangsparameterdaten, die den Messvorgangsparameter des Messvorgangs darstellen, und die Messzeitdaten, welche die Zeit darstellen, die benötigt wird, um den Messvorgang auszuführen, als die Zustandsvariable, die den aktuellen Umgebungszustand darstellt, zu beobachten, einen Schritt, der darin besteht, Messvorgangsbestimmungsdaten, um zu bestimmen, ob der Messvorgang, der basierend auf dem Messvorgangsparameter des Messvorgangs ausgeführt wird, geeignet ist, als Bestimmungsdaten, die ein Bestimmungsergebnis geeignet/ungeeignet für den Messvorgang darstellen, zu erfassen, und einen Schritt, der darin besteht, die Anpassung des Messvorgangsparameters des Messvorgangs mit Bezug auf die Zeit, die benötigt wird, um den Messvorgang auszuführen, unter Verwendung der Zustandsvariablen und der Bestimmungsdaten zu lernen.
Verfahren nach Anspruch 16, wobei der Schritt zum Ausführen des Lernens oder Entscheidens unter Verwendung des Lernmodells umfasst: einen Schritt, der darin besteht, die Messvorgangsparameterdaten, die den Messvorgangsparameter des Messvorgangs darstellen, und die Messzeitdaten, welche die Zeit darstellen, die benötigt wird, um den Messvorgang auszuführen, als die Zustandsvariable, die den aktuellen Umgebungszustand darstellt, zu beobachten, und einen Schritt, der darin besteht, die Anpassung des Messvorgangsparameters des Messvorgangs basierend auf der beobachteten Zustandsvariablen und einem Ergebnis des Lernens der Anpassung des Messvorgangsparameters des Messvorgangs mit Bezug auf die Zeit, die benötigt wird, um den Messvorgang auszuführen, zu bestimmen.