DE102020121172A1

DE102020121172A1 - Verfahren für maschinelles Lernen und Vorrichtung für maschinelles Lernen, die ein Lernen in Bezug auf einen Arbeitsprozess durchführen

Info

Publication number: DE102020121172A1
Application number: DE102020121172.4A
Authority: DE
Inventors: Yuusuke SUGIYAMA
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2019-08-19
Filing date: 2020-08-12
Publication date: 2021-02-25
Also published as: JP7339063B2; CN112418430A; US11443266B2; US20210056488A1; JP2021033418A

Abstract

Verfahren für maschinelles Lernen und Vorrichtung für maschinelles Lernen, die ein Lernen in Bezug auf einen Arbeitsprozess durchführen. Eine Vorrichtung für maschinelles Lernen summiert sämtliche der Einheitsarbeitsvorgänge, die in der Mehrzahl von unterschiedlichen Arbeitsprozessen beinhaltet sind, und beurteilt, ob die Mehrzahl von Einheitsarbeitsvorgängen desselben Typs einander ähnlich ist. Die Vorrichtung für maschinelles Lernen definiert einen ähnlichen ersten Einheitsarbeitsvorgang und zweiten Einheitsarbeitsvorgang als einen Satz von ähnlichen Arbeitsvorgängen, verwendet einen gemeinsamen Algorithmus für maschinelles Lernen, um ein Modell zum Lernen ähnlicher Arbeiten zu erzeugen, und führt ein Lernen in Bezug auf einen ersten Arbeitsprozess , der den ersten Einheitsarbeitsvorgang beinhaltet, und auf einen zweiten Arbeitsprozess, der den zweiten Einheitsarbeitsvorgang beinhaltet, auf Grundlage des Modells zum Lernen ähnlicher Arbeiten durch.

Description

HINTERGRUND DER ERFINDUNG
Gebiet der Erfindung
Die vorliegende Erfindung bezieht sich auf ein Verfahren für maschinelles Lernen und auf eine Vorrichtung für maschinelles Lernen, die ein Lernen in Bezug auf einen Arbeitsprozess durchführen.
Beschreibung der verwandten Technik
Wenn eine Person eine Art von Arbeitsprozess (z. B. einen Montageprozess, einen Inspektionsprozess, einen Waschprozess, einen Verpackungsprozess, einen Verwaltungsprozess usw.) durchführt, beispielsweise unter dem Gesichtspunkt einer Arbeitsunterstützung oder einer Qualitätskontrolle, ist es bisweilen wünschenswert, die Merkmale des Arbeitsprozesses (Arbeitsinhalt, Arbeitskraft, Arbeitszeit, Arbeitsdatum und -uhrzeit usw.) zu erfassen. Auf Grundlage der erfassten Merkmale des Arbeitsprozesses ist es zum Beispiel möglich, eine Arbeitskraft nach Bedarf durch Video oder Audio im korrekten Arbeitsablauf zu unterrichten oder Ursachen von Prozessfehlern zu analysieren.
Die ungeprüfte japanische Patentveröffentlichung Nr. 2014-155207A offenbart eine am Kopf befestigte Anzeigevorrichtung, die einen aktuellen Ablauf durch Bilderkennung eines Bildes einer äußeren Szene vorschlägt und eine Textfolge, die den Inhalt von Anweisungen darstellt, oder Graphiken anzeigt, die Dinge darstellen, die durch einen Benutzer durchzuführen sind.
Das japanische Patent Nr. 6224873B offenbart ein Informationsverarbeitungssystem, das graphische Anweisungen in Bezug auf eine Korrektur einer Arbeit anzeigt, die in den tatsächlichen Raum eingeblendet werden, wenn eine Differenz von für die Arbeit registrierten Standarddaten und erfassten Arbeitsdaten ein Schwellenwert oder höher ist.
Die internationale Veröffentlichung Nr. WO 2010/143361A1 offenbart eine Arbeitserkennungsvorrichtung unter Verwendung einer Ausgabe eines Geschwindigkeitssensors und einer Ausgabe eines Bildgebungsteils, um eine Arbeit eines Benutzers zu spezifizieren.
Die ungeprüfte japanische Patentveröffentlichung Nr. 2017-131335A offenbart ein Endoskop-Waschmanagementsystem zum Ermitteln von Arbeitsablaufinformationen, die gemäß einem Qualifikationsniveau einer Arbeitskraft vorgesehen sind.
ÜBERSICHT ÜBER DIE ERFINDUNG
Durch Sammeln und Speichern der Merkmale eines Arbeitsprozesses (Arbeitsinhalt, Arbeitskraft, Arbeitszeit, Arbeitsdatum und -uhrzeit usw.) als bekannte Informationen, die zum Beispiel mit Bedingungen verknüpft sind, die für eine Arbeitsunterstützung oder eine Qualitätskontrolle (einer Bedingung für ein Unterrichten eines Arbeitsablaufs, einer Bedingung für ein Analysieren von Ursachen von Prozessfehlern usw.) erforderlich sind, ist es möglich, die Bedingungen effizient neu festzulegen, zu korrigieren, zu ändern usw. In diesem Fall ist es wünschenswert, Informationen schnell und präzise zu sammeln und zu speichern, die Zuverlässigkeit der gespeicherten Informationen zu verbessern usw.
Ein Aspekt der vorliegenden Offenbarung ist ein Verfahren für maschinelles Lernen zum Durchführen eines Lernens in Bezug auf eine Mehrzahl von unterschiedlichen Arbeitsprozessen, die jeweils mindestens einzelne Typen von Einheitsarbeitsvorgängen beinhalten, wobei das Verfahren für maschinelles Lernen ein Summieren sämtlicher der Einheitsarbeitsvorgänge, die in der Mehrzahl von unterschiedlichen Arbeitsprozessen beinhaltet sind, um das Vorhandensein einer Mehrzahl von Einheitsarbeitsvorgängen desselben Typs zu bewerten, ein Beurteilen, ob die Mehrzahl von Einheitsarbeitsvorgängen desselben Typs einander ähnlich ist, ein Definieren eines ersten Einheitsarbeitsvorgangs und eines zweiten Einheitsarbeitsvorgangs, die einander ähnlich sind, als einen Satz von ähnlichen Arbeitsvorgängen und ein Verwenden eines gemeinsamen Algorithmus für maschinelles Lernen, um ein Modell zum Lernen ähnlicher Arbeiten, das Merkmale des Satzes von ähnlichen Arbeitsvorgängen als Eingabedaten verwendet, zu erzeugen, und ein Durchführen eines Lernens in Bezug auf einen ersten Arbeitsprozess, der den ersten Einheitsarbeitsvorgang beinhaltet, und auf einen zweiten Arbeitsprozess, der den zweiten Einheitsarbeitsvorgang beinhaltet, auf Grundlage des Modells zum Lernen ähnlicher Arbeiten aufweist.
Ein weiterer Aspekt der vorliegenden Offenbarung ist eine Vorrichtung für maschinelles Lernen zum Durchführen eines Lernens in Bezug auf eine Mehrzahl von unterschiedlichen Arbeitsprozessen, die jeweils mindestens einzelne Typen von Einheitsarbeitsvorgängen beinhalten, wobei die Vorrichtung für maschinelles Lernen einen Arbeitssummierungsteil zum Summieren sämtlicher der Einheitsarbeitsvorgänge, die in der Mehrzahl von unterschiedlichen Arbeitsprozessen beinhaltet sind, um das Vorhandensein einer Mehrzahl von Einheitsarbeitsvorgängen desselben Typs zu bewerten, einen Ähnlichkeitsbeurteilungsteil zum Beurteilen, ob die Mehrzahl von Einheitsarbeitsvorgängen desselben Typs einander ähnlich ist, einen ersten Lernteil zum Definieren eines ersten Einheitsarbeitsvorgangs und eines zweiten Einheitsarbeitsvorgangs, die einander ähnlich sind, als einen Satz von ähnlichen Arbeitsvorgängen und zum Verwenden eines gemeinsamen Algorithmus für maschinelles Lernen, um ein Modell zum Lernen ähnlicher Arbeiten, das Merkmale des Satzes von ähnlichen Arbeitsvorgängen als Eingabedaten verwendet, zu erzeugen, und einen zweiten Lernteil zum Durchführen eines Lernens in Bezug auf einen ersten Arbeitsprozess, der den ersten Einheitsarbeitsvorgang beinhaltet, und auf einen zweiten Arbeitsprozess, der den zweiten Einheitsarbeitsvorgang beinhaltet, auf Grundlage des Modells zum Lernen ähnlicher Arbeiten aufweist.
Figurenliste

1 ist eine graphische Darstellung von Funktionsblöcken, die eine Vorrichtung für maschinelles Lernen gemäß einer Ausführungsform darstellt.
2 ist ein Ablaufplan, der ein Verfahren für maschinelles Lernen gemäß einer Ausführungsform darstellt.
3 ist eine Ansicht, die ein spezifisches Beispiel für das Verfahren für maschinelles Lernen von 2 schematisch darstellt.
4 ist eine graphische Darstellung von Funktionsblöcken, die ein Beispiel für einen Lernteil darstellt, der durch die Vorrichtung für maschinelles Lernen von 1 vorgesehen ist.
5 ist ein Ablaufplan, der ein Beispiel für einen Algorithmus für maschinelles Lernen darstellt, der durch den Lernteil von 4 angewendet wird.
6 ist eine graphische Darstellung von Funktionsblöcken, die ein Anzeigesystem darstellt, das mit einer Vorrichtung für maschinelles Lernen des Lernteils von 4 ausgestattet ist.
7 ist ein Ablaufplan, der ein Beispiel für eine Anzeigeverarbeitung in dem Anzeigesystem von 6 darstellt.

AUSFÜHRLICHE BESCHREIBUNG
Im Folgenden werden Ausführungsformen der vorliegenden Offenbarung unter Bezugnahme auf die beigefügten Zeichnungen erläutert. In allen Zeichnungen werden entsprechenden Bestandteilen gemeinsame Bezugszeichen zugewiesen.
1 stellt eine Vorrichtung 10 für maschinelles Lernen gemäß einer Ausführungsform durch Funktionsblöcke dar. 2 stellt ein Verfahren für maschinelles Lernen gemäß einer Ausführungsform dar, das die Vorrichtung 10 für maschinelles Lernen durchführt.
Die Vorrichtung 10 für maschinelles Lernen lernt selbstständig durch sogenanntes maschinelles Lernen verschiedene Dinge in Bezug auf die Merkmale eines Arbeitsprozesses (Arbeitsinhalt, Arbeitskraft, Arbeitszeit, Arbeitsdatum und -uhrzeit usw.), wenn jemand eine Art von Arbeitsprozess (zum Beispiel einen Montageprozess, einen Inspektionsprozess, einen Waschprozess, einen Verpackungsprozess, einen Verwaltungsprozess usw.) durchführt. Sie ist mit einem Prozessor eines Computers (zum Beispiel einer Zentraleinheit (central processing unit, CPU)) oder anderer Hardware zum Ausführen von Software ausgestattet, die verschiedene Lernalgorithmen definiert. Beispielsweise kann die Vorrichtung 10 für maschinelles Lernen Merkmale eines Arbeitsprozesses lernen, der mit Bedingungen verknüpft ist, die für eine Arbeitsunterstützung oder eine Qualitätskontrolle (einer Bedingung für ein Unterrichten eines Arbeitsablaufs, einer Bedingung für ein Analysieren von Ursachen von Prozessfehlern usw.) erforderlich sind. Mithilfe eines Lernmodells, das die Vorrichtung 10 für maschinelles Lernen durch Lernen erzeugt, ist es möglich, die obigen Bedingungen effizient neu festzulegen, zu korrigieren, zu ändern usw.
Wie in 1 dargestellt, ist die Vorrichtung 10 für maschinelles Lernen mit einem Prozessor 12 ausgestattet, der ein Lernen in Bezug auf eine Mehrzahl von unterschiedlichen Arbeitsprozessen durchführt, die jeweils mindestens einzelne Typen von Einheitsarbeitsvorgängen beinhalten. Der Prozessor 12 ist mit einem Arbeitssummierungsteil 14 zum Summieren sämtlicher der Einheitsarbeitsvorgänge, die in der Mehrzahl von unterschiedlichen Arbeitsprozessen beinhaltet sind, um das Vorhandensein einer Mehrzahl von Einheitsarbeitsvorgängen desselben Typs zu bewerten, einem Ähnlichkeitsbeurteilungsteil 16 zum Beurteilen, ob die Mehrzahl von Einheitsarbeitsvorgängen desselben Typs einander ähnlich ist, einem ersten Lernteil 18 zum Definieren eines ersten Einheitsarbeitsvorgangs und eines zweiten Einheitsarbeitsvorgangs, die einander ähnlich sind, als einen Satz von ähnlichen Arbeitsvorgängen und zum Verwenden eines gemeinsamen Algorithmus für maschinelles Lernen, um ein Modell zum Lernen ähnlicher Arbeiten, das Merkmale des Satzes von ähnlichen Arbeitsvorgängen als Eingabedaten verwendet, zu erzeugen, und einem zweiten Lernteil 20 zum Durchführen eines Lernens in Bezug auf einen ersten Arbeitsprozess, der den ersten Einheitsarbeitsvorgang beinhaltet, und auf einen zweiten Arbeitsprozess, der den zweiten Einheitsarbeitsvorgang beinhaltet, auf Grundlage des Modells zum Lernen ähnlicher Arbeiten ausgestattet. Hier kann ein Satz ähnlicher Arbeitsvorgänge durch eine Anzahl von „n“ (n≥2) Einheitsarbeitsvorgängen (das heißt, von einem ersten bis zu einem n-ten Einheitsarbeitsvorgang) ausgebildet sein, wobei der erste Lernteil 18 ein Modell zum Lernen ähnlicher Arbeiten durch einen Lernalgorithmus erzeugen kann, der dem ersten bis n-ten Einheitsarbeitsvorgang gemeinsam ist, und der zweite Lernteil 20 ein Lernen in Bezug auf den ersten bis n-ten Arbeitsprozess, die jeweils den ersten bis n-ten Einheitsarbeitsvorgang beinhalten, auf Grundlage des Modells zum Lernen ähnlicher Arbeiten durchführen kann.
Der Prozessor 12 kann zum Beispiel durch eine CPU, eine ASIC (application specific integrated circuit, anwendungsspezifische integrierte Schaltung), ein FPGA (Field Programmable Gate Array, feldprogrammierbares Gate-Array) usw. ausgebildet sein. Der Arbeitssummierungsteil 14, der Ähnlichkeitsbeurteilungsteil 16, der erste Lernteil 18 und der zweite Lernteil 20 können jeweils durch einzelne Funktionsblöcke des Prozessors 12 ausgebildet sein oder können als Programm, um den Prozessor 12 funktionsfähig zu machen, oder als Speichermedium (als computerlesbares nichtflüchtiges Aufzeichnungsmedium) ausgebildet sein. Wenn es sich bei dem Arbeitsprozess zum Beispiel um einen Montageprozess von Ausrüstungsgegenständen handelt, können als Einheitsarbeitsvorgänge, die in dem Arbeitsprozess beinhaltet sind, nach Typ Kabeibefestigungsarbeiten, Blechbefestigungsarbeiten, Schraubenbefestigungsarbeiten, Plattenbefestigungsarbeiten, Einheitsbefestigungsarbeiten, Klemmarbeiten usw. dargestellt werden. Wenn es sich bei dem Arbeitsprozess zum Beispiel um einen Inspektionsprozess einer Vorrichtung handelt, können als Einheitsarbeitsvorgänge, die in dem Arbeitsprozess beinhaltet sind, nach Typ Arbeiten, die das Erscheinungsbild der montierten Vorrichtung prüfen, Arbeiten, die den festsitzenden Zustand der montierten Teile prüfen, usw. dargestellt werden.
Das Verfahren für maschinelles Lernen, das die Vorrichtung 10 für maschinelles Lernen durchführt, wie in 2 dargestellt, führt ein Lernen in Bezug auf eine Mehrzahl von unterschiedlichen Arbeitsprozessen durch, die jeweils mindestens einen Typ von Einheitsarbeitsvorgängen beinhalten. Es führt einen Schritt zum Summieren sämtlicher der Einheitsarbeitsvorgänge, die in der Mehrzahl von unterschiedlichen Arbeitsprozessen beinhaltet sind, um das Vorhandensein einer Mehrzahl von Einheitsarbeitsvorgängen desselben Typs zu bewerten (Schritte S1 bis S3: ein Vorgang des Arbeitssummierungsteils 14), einen Schritt zum Beurteilen, ob die Mehrzahl von Einheitsarbeitsvorgängen desselben Typs einander ähnlich ist (Schritte S4 bis S6: ein Vorgang des Ähnlichkeitsbeurteilungsteils 16), einen Schritt zum Definieren eines ähnlichen ersten Einheitsarbeitsvorgangs und zweiten Einheitsarbeitsvorgangs als einen Satz von ähnlichen Arbeitsvorgängen und zum Verwenden eines gemeinsamen Algorithmus für maschinelles Lernen, um ein Modell zum Lernen ähnlicher Arbeiten, das Merkmale des Satzes von ähnlichen Arbeitsvorgängen als Eingabedaten verwendet, zu erzeugen (Schritt S7: ein Vorgang des ersten Lernteils 18), und einen Schritt zum Durchführen eines Lernens in Bezug auf einen ersten Arbeitsprozess, der den ersten Einheitsarbeitsvorgang beinhaltet, und auf einen zweiten Arbeitsprozess, der den zweiten Einheitsarbeitsvorgang beinhaltet, auf Grundlage des Modells zum Lernen ähnlicher Arbeiten (Schritt S8: ein Vorgang des zweiten Lernteils 20) durch.
3 stellt ein spezifisches Beispiel für das Verfahren für maschinelles Lernen schematisch dar, das die Vorrichtung 10 für maschinelles Lernen durchführt. Im Folgenden werden unter Bezugnahme auf 1, 2 und 3 die Ausführungen der Vorrichtung 10 für maschinelles Lernen und des Verfahrens für maschinelles Lernen auf Grundlage spezifischer Beispiele ausführlich erläutert. In dem spezifischen Beispiel von 3 ist der Arbeitsprozess ein Montageprozess von Ausrüstungsgegenständen. Die Vorrichtung 10 für maschinelles Lernen lernt drei unterschiedliche Montageprozesse A bis C. Der Montageprozess A beinhaltet drei Typen von Einheitsarbeitsvorgängen einer Kabelbefestigung A, einer Blechbefestigung A und einer Schraubenbefestigung A. Der Montageprozess B beinhaltet drei Typen von Einheitsarbeitsvorgängen einer Kabelbefestigung B, einer Blechbefestigung B und einer Plattenbefestigung B. Der Montageprozess C beinhaltet drei Typen von Einheitsarbeitsvorgängen einer Kabelbefestigung C, einer Einheitsbefestigung C und einer Klemmenbefestigung C.
Wie in 2 dargestellt, wird ein Lernen dadurch gestartet, dass die einzelnen Montageprozesse A bis C durch eine beliebige Arbeitskraft an einem beliebigen Datum und zu einer beliebigen Uhrzeit in einer beliebigen Arbeitsumgebung gestartet werden. Zuerst extrahiert der Arbeitssummierungsteil 14 in Schritt S1 sämtliche der Einheitsarbeitsvorgänge, die in den drei Montageprozessen A bis C beinhaltet sind. Als ein Beispiel für die Extraktionstechnik kann eine Technik eines Verwendens einer Kamera oder eines Strichcodelesers oder einer anderen Merkmalerkennungsvorrichtung, die in der Arbeitsumgebung (das heißt, der Lernumgebung) vorgesehen ist, um die Merkmale der Montageprozesse A bis C zu erkennen, eingesetzt werden. Beispielsweise ist es unter Verwendung einer Kamera zum Erfassen eines anfänglichen Einheitsarbeitsvorgangs jedes Montageprozesses oder unter Verwendung eines Strichcodelesers zum Lesen eines Strichcodes eines anfänglichen Werkstücks jedes Montageprozesses möglich, eine Reihe von Einheitsarbeitsvorgängen, die die anfänglichen Einheitsarbeitsvorgänge beinhalten, durch Bezugnahme auf eine im Voraus erstellte Datenbank zu extrahieren.
Als Nächstes klassifiziert der Arbeitssummierungsteil 14 in Schritt S2 sämtliche der extrahierten Einheitsarbeitsvorgänge nach Typ, um eine Mehrzahl von Arbeitstypen zu definieren. In dem spezifischen Beispiel von 3 werden sämtliche der Einheitsarbeitsvorgänge in den Arbeitstyp 22 desselben Typs einer Kabelbefestigung A bis C, den Arbeitstyp 24 desselben Typs einer Blechbefestigung A und B, den Arbeitstyp 26 nur einer Schraubenbefestigung A, den Arbeitstyp 28 nur einer Plattenbefestigung B, den Arbeitstyp 30 nur einer Einheitsbefestigung C und den Arbeitstyp 32 nur der Klemme C klassifiziert.
Als Nächstes beurteilt der Arbeitssummierungsteil 14 in Schritt S3, ob eine Mehrzahl von Einheitsarbeitsvorgängen desselben Typs in sämtlichen der Einheitsarbeitsvorgänge vorhanden ist, im Besonderen ob ein Arbeitstyp, der eine Mehrzahl von Einheitsarbeitsvorgängen beinhaltet, in der Mehrzahl von Arbeitstypen 22 bis 32, die in Schritt S2 definiert worden sind, vorhanden ist, und bewertet das Vorhandensein desselben Typs von Einheitsarbeitsvorgängen durch diese Beurteilung. In dem spezifischen Beispiel von 3 wird aufgrund des Vorhandenseins der Arbeitstypen 22 und 24, die Mehrzahlen von Einheitsarbeitsvorgängen beinhalten, bewertet, dass dieselben Typen von Einheitsarbeitsvorgängen vorhanden sind.
Wenn Einheitsarbeitsvorgänge desselben Typs vorhanden sind (wenn die Beurteilung in Schritt S3 JA ist), beurteilt der Ähnlichkeitsbeurteilungsteil 16 in Schritt S4 bis S6, ob diese Einheitsarbeitsvorgänge desselben Typs einander ähnlich sind. In dem spezifischen Beispiel von 3 wird beurteilt, ob die Kabelbefestigung A bis C, die in den Arbeitstyp 22 fallen, einander ähnlich sind und ob die Blechbefestigung A und B, die in den Arbeitstyp 24 fallen, einander ähnlich sind.
Um eine Ähnlichkeit von Einheitsarbeitsvorgängen zu beurteilen, ist es wirkungsvoll, die Gemeinsamkeit der Arbeitselemente zu bewerten, die die Einheitsarbeitsvorgänge ausbilden. Die „Arbeitselemente“ bedeuten die einzelnen Dinge der Mehrzahl von festgelegten Dingen, die erforderlich sind, damit eine Person die Einheitsarbeitsvorgänge durchführen kann. Wenn es sich bei den Einheitsarbeitsvorgängen zum Beispiel um Kabelbefestigungsarbeiten handelt, können die Befestigungsposition des Kabels, die Form des Kabelverbinders, die Länge des Kabels usw. als Arbeitselemente dargestellt werden. Wenn es sich ferner bei den Einheitsarbeitsvorgängen um Blechbefestigungsarbeiten handelt, können die Befestigungsposition des Blechmaterials, die Abmessungen und die Form des Blechmaterials, die Positionen der Montagelöcher, die in dem Blechmaterial vorgesehen sind, usw. als Arbeitselemente dargestellt werden. In dem spezifischen Beispiel von 3 werden in dem Arbeitstyp 22 als Arbeitselemente der Kabelbefestigung A die Befestigungsposition 1, die äußere Form 1 des Verbinders und die Kabellänge 1 dargestellt, werden als Arbeitselemente der Kabelbefestigung B die Befestigungsposition 1, die äußere Form 1 des Verbinders und die Kabellänge 2 dargestellt und werden als Arbeitselemente der Kabelbefestigung C die Befestigungsposition 1, die äußere Form 3 des Verbinders und die Kabellänge 3 dargestellt (die Ziffern 1 bis 3 stellen Unterschiede in den Einstellungen dar).
Der Ähnlichkeitsbeurteilungsteil 16 kann als ein Beispiel für das Verarbeiten einer Beurteilung einer Ähnlichkeit in den Schritten S4 bis S6 auf Grundlage der Anzahl von gemeinsamen Arbeitselementen in diesen Einheitsarbeitsvorgängen unter den Arbeitselementen, die die Mehrzahl von Einheitsarbeitsvorgängen desselben Typs ausbilden, beurteilen, ob eine Mehrzahl von Einheitsarbeitsvorgängen einander ähnlich ist. Zuerst extrahiert der Ähnlichkeitsbeurteilungsteil 16 in Schritt S4 sämtliche der Arbeitselemente, die die Einheitsarbeitsvorgänge derselben Typen ausbilden, und berechnet die Anzahlen von gemeinsamen Arbeitselementen unter diesen Einheitsarbeitsvorgängen (die Anzahlen von sich überschneidenden Arbeitselementen). Als Extraktionstechnik kann zum Beispiel die oben erwähnte Technik eines Verwendens einer Kamera oder eines Strichcodelesers oder einer weiteren Merkmalerkennungsvorrichtung eingesetzt werden. In dem spezifischen Beispiel von 3 werden in dem Arbeitstyp 22 die Befestigungsposition 1, die äußere Form 1 des Verbinders und die Kabellänge 1 der Kabelbefestigung A, die Befestigungsposition 1, die äußere Form 1 des Verbinders und die Kabellänge 2 der Kabelbefestigung B und die Befestigungsposition 1, die äußere Form 3 des Verbinders und die Kabellänge 3 der Kabelbefestigung C extrahiert. Die Befestigungsposition 1 und die äußere Form 1 des Verbinders sind der Kabelbefestigung A und der Kabelbefestigung B gemeinsam, so dass die Anzahl von sich überschneidenden Arbeitselementen der Kabelbefestigungen A und B als „2“ berechnet wird. In ähnlicher Weise wird die Anzahl von sich überschneidenden Arbeitselementen der Kabelbefestigungen B und C als „1“ berechnet und wird die Anzahl von sich überschneidenden Arbeitselementen der Kabelbefestigungen C und A als „1“ berechnet.
Als Nächstes wird in Schritt S5 auf Grundlage der Anzahl von sich überschneidenden Arbeitselementen die Ähnlichkeit zwischen Einheitsarbeitsvorgängen desselben Typs zum Beispiel gemäß der folgenden Formel 1 berechnet. Die Formel 1 entspricht einer Funktion zum Umwandeln der obigen Anzahl von sich überschneidenden Arbeitselementen in einen Wert An, der die Gewichtungen der einzelnen Arbeitselemente (das heißt, die Ähnlichkeit) berücksichtigt: $An = X \cdot x + Y \cdot y + Z \cdot z + \dots$
In Formel 1 stellen X, Y, Z und die Variablen hinter Z jeweils Arbeitselemente dar, die Einheitsarbeitsvorgänge ausbilden (ohne Berücksichtigung der Einstellungen). Die unter Einheitsarbeitsvorgängen desselben Typs gemeinsamen Arbeitselemente erhalten dieselben Argumente mit der Bedeutung „gemeinsam“, wohingegen Arbeitselemente, die nicht gemeinsam sind, null als Argumente erhalten. x, y, z und die Variablen hinter z stellen jeweils die Gewichtungen von Arbeitselementen dar. Beispielsweise werden diese gemäß einer Faustregel des Entwicklers der Vorrichtung 10 für maschinelles Lernen festgelegt. In dem spezifischen Beispiel von 3 stellt X die Befestigungsposition dar, stellt Y die äußere Form des Verbinders dar und stellt Z die Kabellänge dar. Die Ähnlichkeit der Kabelbefestigungen A und B der Anzahl von sich überschneidenden Arbeitselementen „2“ wird als An=X·x+Y·y unter Berücksichtigung der jeweiligen Gewichtungen der Befestigungsposition 1 und der äußeren Form 1 des Verbinders berechnet. In ähnlicher Weise wird die Ähnlichkeit der Kabelbefestigungen B und C der Anzahl von sich überschneidenden Arbeitselementen „1“ als An=X·x berechnet, wohingegen die Ähnlichkeit der Kabelbefestigungen C und A der Anzahl von sich überschneidenden Arbeitselementen „1“ als An=X·x berechnet wird.
Als Nächstes wird in Schritt S6 beurteilt, ob die Ähnlichkeit An ein vorgegebener Schwellenwert oder höher ist. Der Schwellenwert ist ein Wert, der zu dem Kriterium einer Beurteilung wird, ob Einheitsarbeitsvorgänge desselben Typs ähnlich sind, und wird gemäß dem Typ der Einheitsarbeitsvorgänge usw., zum Beispiel der Faustregel des Entwicklers der Vorrichtung 10 für maschinelles Lernen usw. festgelegt. In dem spezifischen Beispiel von 3 wird der Schwellenwert der Ähnlichkeit An der Kabelbefestigungsarbeiten auf einen Wert größer als X·x und kleiner als (X·x+Y·y) festgelegt. Als Ergebnis wird in dem Arbeitstyp 22 beurteilt, dass die Kabelbefestigung A und die Kabelbefestigung B ähnlich sind. Hier wird in dem Arbeitstyp 24 auf dieselbe Weise beurteilt, dass die Blechbefestigung A und die Blechbefestigung B ähnlich sind.
Wenn die Mehrzahl von Einheitsarbeitsvorgängen desselben Typs ähnlich ist (wenn die Beurteilung in Schritt S6 JA ist), gruppiert der erste Lernteil 18 in Schritt S7 einander ähnliche Einheitsarbeitsvorgänge als einen Satz von ähnlichen Arbeitsvorgängen und erzeugt ein Modell zum Lernen ähnlicher Arbeiten, das Merkmale des Satzes von ähnlichen Arbeitsvorgängen (das heißt, die einzelnen Merkmale der Mehrzahl von Einheitsarbeitsvorgängen, die in dem Satz von ähnlichen Arbeitsvorgängen beinhaltet ist) als Eingabedaten verwendet, durch einen gemeinsamen Algorithmus für maschinelles Lernen. In dem spezifischen Beispiel von 3 werden die Kabelbefestigung A und die Kabelbefestigung B als ein Satz von ähnlichen Arbeitsvorgängen behandelt, und es wird ein einzelnes (das heißt, den Blechbefestigungen A und B gemeinsames) Modell zum Lernen ähnlicher Arbeiten erzeugt, das Merkmale der Kabelbefestigung A (Arbeitsinhalt, Arbeitskraft, Arbeitszeit, Arbeitsdatum und -uhrzeit usw.) und Merkmale der Kabelbefestigung B (Arbeitsinhalt, Arbeitskraft, Arbeitszeit, Arbeitsdatum und -uhrzeit usw.) als Eingabedaten verwendet. Gemeinsame Modelle zum Lernen ähnlicher Arbeiten werden auf dieselbe Weise für die Blechbefestigung A und B erzeugt.
Wenn Einheitsarbeitsvorgänge vorhanden sind, die anderen Einheitsarbeitsvorgängen unter Einheitsarbeitsvorgängen desselben Typs nicht ähnlich sind, die in jeden der Mehrzahl von Arbeitstypen fallen, wendet der erste Lernteil 18 in Schritt S7 einzeln Algorithmen für maschinelles Lernen auf die nicht ähnlichen Einheitsarbeitsvorgänge an und erzeugt Modelle zum Lernen unähnlicher Arbeiten, die die Merkmale der unähnlichen Einheitsarbeitsvorgänge als Eingabedaten verwenden. Die Algorithmen für maschinelles Lernen zum Erzeugen der Modelle zum Lernen unähnlicher Arbeiten können dieselben wie oder andere als der Algorithmus für maschinelles Lernen zum Erzeugen der Modelle zum Lernen ähnlicher Arbeiten sein. In dem spezifischen Beispiel von 3 ist in dem Arbeitstyp 22 die Kabelbefestigung C ein Einheitsarbeitsvorgang, der anderen Einheitsarbeitsvorgängen nicht ähnlich ist, so dass ein Modell zum Lernen unähnlicher Arbeiten, das Merkmale der Kabelbefestigung C (Arbeitsinhalt, Arbeitskraft, Arbeitszeit, Arbeitsdatum und -uhrzeit usw.) als Eingabedaten verwendet, erzeugt wird. Demgegenüber sind für den Arbeitstyp 24 keine Einheitsarbeitsvorgänge vorhanden, die anderen Einheitsarbeitsvorgängen nicht ähnlich sind, so dass kein Modell zum Lernen unähnlicher Arbeiten erzeugt wird.
In Schritt S7 wird ferner auf dieselbe Weise wie oben eine Verarbeitung für Einheitsarbeitsvorgänge, die anderen Einheitsarbeitsvorgängen nicht ähnlich sind, für Arbeitstypen durchgeführt, die nur einzelne Einheitsarbeitsvorgänge beinhalten, um Modelle zum Lernen unähnlicher Arbeiten zu erzeugen. In einem spezifischen Beispiel von 3 wird ein Modell zum Lernen unähnlicher Arbeiten jeweils für die Schraubenbefestigung A, die in den Arbeitstyp 26 fällt, die Plattenbefestigung B, die in den Arbeitstyp 28 fällt, die Einheitsbefestigung C, die in den Arbeitstyp 30 fällt, und die Klemme C, die in den Arbeitstyp 32 fällt, erzeugt.
Wenn Modelle zum Lernen ähnlicher Arbeiten oder Modelle zum Lernen unähnlicher Arbeiten für sämtliche der in Schritt S4 extrahierten Einheitsarbeitsvorgänge erzeugt werden, führt der zweite Lernteil 20 in Schritt S8 ein Lernen in Bezug auf die Mehrzahl von unterschiedlichen Arbeitsprozessen (die Montageprozesse A bis C) auf Grundlage der Modelle zum Lernen ähnlicher Arbeiten und der Modelle zum Lernen unähnlicher Arbeiten (auf Grundlage mindestens der Modelle zum Lernen ähnlicher Arbeiten) durch. Das Durchführen eines Lernens in Bezug auf die Arbeitsprozesse ist im Wesentlichen gleichbedeutend mit einem Erzeugen von Modellen zum Lernen ähnlicher Arbeiten oder von Modellen zum Lernen unähnlicher Arbeiten für die einzelnen Einheitsarbeitsvorgänge, die in den Arbeitsprozessen beinhaltet sind, der zweite Lernteil 20 wählt und selektiert jedoch die Modelle zum Lernen ähnlicher Arbeiten oder die Modelle zum Lernen unähnlicher Arbeiten (mindestens die Modelle zum Lernen ähnlicher Arbeiten), die der erste Lernteil 18 für die Einheitsarbeitsvorgänge erzeugt, in geeigneter Weise und fährt mit dem Lernen für die Arbeitsprozesse fort. Daher wird das Lernen der Arbeitsprozesse durch den zweiten Lernteil 20 dadurch beendet, dass die Modelle zum Lernen ähnlicher Arbeiten oder die Modelle zum Lernen unähnlicher Arbeiten (das heißt, eine Zuverlässigkeit einer Korrelation von Eingabe und Ausgabe) für die einzelnen Einheitsarbeitsvorgänge gewünschte Zuverlässigkeitsgrade erreichen.
In dem spezifischen Beispiel von 3 wird ein Lernen in Bezug auf den Montageprozess A auf Grundlage des Modells zum Lernen ähnlicher Arbeiten, das für die Kabelbefestigung A erzeugt wird, des Modells zum Lernen ähnlicher Arbeiten, das für die Blechbefestigung A erzeugt wird, und des Modells zum Lernen unähnlicher Arbeiten, das für die Schraubenbefestigung A erzeugt wird, durchgeführt. Ferner wird ein Lernen in Bezug auf den Montageprozess B auf Grundlage des Modells zum Lernen ähnlicher Arbeiten, das für die Kabelbefestigung B erzeugt wird, des Modells zum Lernen ähnlicher Arbeiten, das für die Blechbefestigung B erzeugt wird, und des Modells zum Lernen unähnlicher Arbeiten, das für die Plattenbefestigung B erzeugt wird, durchgeführt. Ferner wird ein Lernen in Bezug auf den Montageprozess C auf Grundlage des Modells zum Lernen unähnlicher Arbeiten, das für die Kabelbefestigung C erzeugt wird, des Modells zum Lernen unähnlicher Arbeiten, das für die Einheitsbefestigung C erzeugt wird, und des Modells zum Lernen unähnlicher Arbeiten, das für die Klemme C erzeugt wird, durchgeführt.
Wenn keine der Mehrzahl von Einheitsarbeitsvorgängen desselben Typs einander ähnlich sind (wenn die Beurteilung in Schritt S6 NEIN ist), wendet der zweite Lernteil 20 in Schritt S9 Algorithmen für maschinelles Lernen einzeln auf die Mehrzahl von unterschiedlichen Arbeitsprozessen (die Montageprozesse A bis C) an und erzeugt Lernmodelle, die Merkmale der einzelnen Arbeitsprozesse als Eingabedaten verwenden. Der Algorithmus für maschinelles Lernen zum Erzeugen eines Lernmodells für jeden Arbeitsprozess kann derselbe wie oder ein anderer als ein Algorithmus für maschinelles Lernen zum Erzeugen eines Modells zum Lernen ähnlicher Arbeiten sein. Ferner kann es sich bei dem Lernmodell jedes Arbeitsprozesses um ein einzelnes Lernmodell, das durch den fraglichen Arbeitsprozess als Ganzes erzeugt wird, oder um eine Kombination einer Mehrzahl von Modellen zum Lernen unähnlicher Arbeiten handeln, die der erste Lernteil 18 für jeden der Einheitsarbeitsvorgänge erzeugt, die in dem Arbeitsprozess beinhaltet sind. Das Lernen in Bezug auf die Arbeitsprozesse wird dadurch beendet, dass die Lernmodelle in Bezug auf einzelne Arbeitsprozesse (das heißt, eine Zuverlässigkeit einer Korrelation von Eingabe und Ausgabe) einen gewünschten Zuverlässigkeitsgrad erreichen.
Wenn sämtliche der Einheitsarbeitsvorgänge, die in der Mehrzahl von unterschiedlichen Arbeitsprozessen beinhaltet sind, voneinander unterschiedliche Typen sind (wenn die Beurteilung in Schritt S3 NEIN ist), wendet der zweite Lernteil 20 in Schritt S10 einzeln Algorithmen für maschinelles Lernen auf die Mehrzahl von unterschiedlichen Arbeitsprozessen (die Montageprozesse A bis C) an und erzeugt Lernmodelle, die die Merkmale der einzelnen Arbeitsprozesse als Eingabedaten verwenden. Der Algorithmus für maschinelles Lernen zum Erzeugen des Lernmodells für jeden Arbeitsprozess kann derselbe wie oder ein anderer als der Algorithmus für maschinelles Lernen zum Erzeugen der Modelle zum Lernen ähnlicher Arbeiten sein. Das Lernen in Bezug auf die Arbeitsprozesse wird dadurch beendet, dass die Lernmodelle in Bezug auf einzelne Arbeitsprozesse (das heißt, eine Zuverlässigkeit einer Korrelation von Eingabe und Ausgabe) einen gewünschten Zuverlässigkeitsgrad erreichen.
Auf diese Weise wird ein Lernen in Bezug auf die Mehrzahl von unterschiedlichen Arbeitsprozessen (die Montageprozesse A bis C) durchgeführt. Der Arbeitsprozess zum Lernen wird auf der Stufe beendet, auf der sich die Zuverlässigkeit der Lernmodelle in Bezug auf die Arbeitsprozesse (Modelle zum Lernen ähnlicher Arbeiten und Modelle zum Lernen unähnlicher Arbeiten) auf das gewünschte Niveau vertieft.
Wie oben erläutert, wird in der Vorrichtung 10 für maschinelles Lernen und in dem Verfahren für maschinelles Lernen gemäß einer Ausführungsform ein Lernen in Bezug auf die Mehrzahl von unterschiedlichen Arbeitsprozessen durch Erzeugen eines Modells zum Lernen ähnlicher Arbeiten durchgeführt, das einander ähnlichen Einheitsarbeitsvorgängen unter den Einheitsarbeitsvorgängen, die in den einzelnen Arbeitsprozessen beinhaltet sind, gemeinsam ist. Die Eingabedaten des Modells zum Lernen ähnlicher Arbeiten sind Daten in Bezug auf die Merkmale des Satzes von ähnlichen Arbeitsvorgängen (das heißt, einzelne Merkmale der Mehrzahl von Einheitsarbeitsvorgängen, die in dem Satz von ähnlichen Arbeitsvorgängen beinhaltet ist). Im Vergleich mit einer Ausführung, die ein Lernen einzeln für eine Mehrzahl von Arbeitsprozessen (oder eine Mehrzahl von Einheitsarbeitsvorgängen) durchführt, steigt die Anzahl von Daten (das heißt, die Anzahl von Lernvorgängen). Daher wird ein Modell zum Lernen ähnlicher Arbeiten für ähnliche Einheitsarbeitsvorgänge in der Zuverlässigkeit verbessert. Damit zusammen werden die Präzision und die Zuverlässigkeit eines Lernens in Bezug auf einzelne Arbeitsprozesse verbessert.
Beispielsweise ist es in einer Anwendung, die Merkmale eines Arbeitsprozesses (Arbeitsinhalt, Arbeitskraft, Arbeitszeit, Arbeitsdatum und -uhrzeit usw.) als bekannte Informationen, die mit Bedingungen verknüpft sind, die für eine Arbeitsunterstützung oder eine Qualitätskontrolle (einer Bedingung für ein Unterrichten eines Arbeitsablaufs, einer Bedingung für ein Analysieren von Ursachen von Prozessfehlern usw.) erforderlich sind, gemäß der Vorrichtung 10 für maschinelles Lernen und dem Verfahren für maschinelles Lernen gemäß einer Ausführungsform sammelt und speichert, nicht nur möglich, solche Informationen schnell und präzise zu sammeln und zu speichern und Lernmodelle zu erzeugen, sondern ist es außerdem möglich, die Zuverlässigkeit der gespeicherten Informationen, das heißt, Lernmodelle zu verbessern. Infolgedessen wird es möglich, die Bedingungen, die für eine Arbeitsunterstützung oder eine Qualitätskontrolle erforderlich sind, mit einer hohen Effizienz und einer großen Präzision neu festzulegen, zu korrigieren, zu ändern oder auf andere Weise zu verarbeiten.
In der Vorrichtung 10 für maschinelles Lernen und dem Verfahren für maschinelles Lernen mit der obigen Ausführung unterliegt die Lerntechnik (der Algorithmus für maschinelles Lernen), die der erste Lernteil 18 durchführt, keiner besonderen Beschränkung. Beispielsweise kann überwachtes Lernen, unüberwachtes Lernen, bestärkendes Lernen oder eine weitere Lerntechnik, die als maschinelles Lernen bekannt ist, eingesetzt werden. Bei überwachtem Lernen ist im Voraus eine große Menge von bekannten Lerndatensätzen von Eingabedaten und entsprechenden Ausgabedaten (die im Wesentlichen als „Trainingsdaten“ oder „Kennzeichnungen“ usw. bezeichnet werden) vorgesehen. Es handelt sich um eine Technik, die aus diesen bekannten Lerndatensätzen Merkmale erkennt, die eine Korrelation mit Eingabedaten und Ausgabedaten implizieren, um ein Korrelationsmodell zum Schätzen der erforderlichen Ausgabe im Hinblick auf eine neue Eingabe (in der Vorrichtung 10 für maschinelles Lernen ein Modell zum Lernen ähnlicher Arbeiten) zu erzeugen. Demgegenüber wird beim unüberwachten Lernen und beim bestärkenden Lernen ein Lernen aus einem Zustand gestartet, in dem die Beziehung zu der Eingabe und der Ausgabe unbekannt ist.
Ein Beispiel für einen Algorithmus für maschinelles Lernen, den der erste Lernteil 18 in der Vorrichtung 10 für maschinelles Lernen (das heißt, bei einem Verarbeiten zum Erzeugen eines Modells zum Lernen ähnlicher Arbeiten) anwendet, wird unter Bezugnahme auf 4 und 5 erläutert. 4 stellt die Ausführung des ersten Lernteils 18 durch Funktionsblöcke dar. 5 stellt einen Algorithmus für maschinelles Lernen dar, den der erste Lernteil 18 durchführt.
Der erste Lernteil 18 ist mit einem Datenerfassungsteil 34, der als einen Lerndatensatz DS Statusdaten D1, die Inhaltsinformationen von Einheitsarbeitsvorgängen beinhalten, die Merkmale der Einheitsarbeitsvorgänge darstellen, und Kennzeichnungsdaten D2 erfasst, die darstellen, ob die Aktionen von Einheitsarbeitsvorgängen, die den Statusdaten D1 entsprechen, anomal sind, einem Schwellenwert-Berechnungsteil 36, der einen Schwellenwert T zum Beurteilen, ob die Aktionen von Einheitsarbeitsvorgängen anfällig für eine Anomalie sind, auf Grundlage des Lerndatensatzes DS berechnet, und einem Lernmodell-Erzeugungsteil 38 ausgestattet, der den Lerndatensatz DS verwendet und ein Modell M zum Lernen ähnlicher Arbeiten erzeugt, das eine Korrelation zwischen den Inhaltsinformationen (den Statusdaten D1) und dem Schwellenwert T darstellt.
Der Algorithmus für maschinelles Lernen, den der erste Lernteil 18 durchführt, entspricht dem oben erwähnten überwachten Lernen und weist einen Schritt U1 zum Erfassen von Statusdaten D1 und Kennzeichnungsdaten D2 als einen Lerndatensatz DS (ein Vorgang des Datenerfassungsteils 34), einen Schritt U2 zum Berechnen eines Schwellenwerts T auf Grundlage des Lerndatensatzes DS (ein Vorgang des Schwellenwert-Berechnungsteils 36) und einen Schritt U3 zum Verwenden des Lerndatensatzes DS, um ein Modell M zum Lernen ähnlicher Arbeiten zu erzeugen (ein Vorgang des Lernmodell-Erzeugungsteils 38) auf.
6 stellt die Ausführung des Anzeigesystems 40 durch Funktionsblöcke als spezifisches Beispiel für eine Anwendung einer Vorrichtung 10 für maschinelles Lernen dar, die den in 4 dargestellten ersten Lernteil 18 aufweist. Im Folgenden wird unter Bezugnahme auf 6 auf Grundlage des spezifischen Beispiels die Ausführung eines Algorithmus für maschinelles Lernen, den der erste Lernteil 18 durchführt, ausführlich erläutert. Wie in 6 dargestellt, beinhaltet das Anzeigesystem 40 eine Umgebung 42, in der der oben erwähnte Arbeitsprozess durchgeführt wird, ein Werkstück 44, das in dieser Umgebung 42 platziert ist, und eine Arbeitskraft 46 zum Durchführen eines vorgegebenen Arbeitsprozesses an dem Werkstück 44. Das Anzeigesystem 40 hat die Funktion, Informationen anzuzeigen, die die Arbeitskraft 46 in einem Arbeitsprozess unterstützen.
Das Anzeigesystem 40 ist mit einer Vorrichtung 10 für maschinelles Lernen und einer Anzeigevorrichtung 48 ausgestattet. Die Vorrichtung 10 für maschinelles Lernen und die Anzeigevorrichtung 48 sind durch ein drahtgebundenes oder ein drahtloses Netzwerk usw. so verbunden, dass sie in der Lage sind, Daten miteinander auszutauschen. Die Vorrichtung 10 für maschinelles Lernen ist als PC (Personal-Computer) und Server usw. ausgebildet. Die Anzeigevorrichtung 48 ist als Laptop, PDA (persönlicher digitaler Assistent), Smartphone, Wearable-Vorrichtung (am Körper tragbare Vorrichtung) usw. ausgebildet, der/die/das in der Umgebung 42 platziert ist. Das Anzeigesystem 40 kann mit einer Mehrzahl von Anzeigevorrichtungen 48 ausgestattet sein. In diesem Fall ist jede der Anzeigevorrichtungen 48 in derselben Umgebung oder in getrennten Umgebungen angeordnet.
Das Anzeigesystem 40 weist einen ersten Lernteil 18 der Vorrichtung 10 für maschinelles Lernen als einen ersten Prozessor und einen zweiten Prozessor 50 der Anzeigevorrichtung 48 auf. Der zweite Prozessor 50 weist eine Anzeigesteuereinheit 52 auf. Die Anzeigesteuereinheit 52 steuert den Takt zum Anzeigen von Informationen über normale Arbeiten auf dem Anzeigeteil 54 der Anzeigevorrichtung 48 auf Grundlage des Schwellenwerts T, den der Schwellenwert-Berechnungsteil 36 des ersten Lernteils 18 berechnet. Der zweite Prozessor 50 kann ferner die Funktion zum Beurteilen, ob es sich bei dem Werkstück 44 um ein normales Stück handelt, die Funktion zum Anzeigen einer fehlerhaften Stelle des Werkstücks 44 und zum Anweisen eines Austausches und die Funktion zum Beurteilen, ob die Einheitsarbeitsvorgänge normal waren, aufweisen.
Bei den „Informationen über normale Arbeiten“ kann es sich um einen normalen Arbeitsablauf in Bezug auf den Einheitsarbeitsvorgang oder ein normales Arbeitsergebnis handeln. Der Anzeigeteil 54 ist als Flüssigkristallanzeige oder als Berührungsfeldanzeige oder als eine andere bekannte Anzeige ausgebildet. Der Anzeigeteil 54 zeigt Arbeitsunterstützungsinformationen gemäß den Anweisungen der Anzeigesteuereinheit 52 an und zeigt im Besonderen Informationen über normale Arbeiten gemäß dem Anzeigetakt an, den die Anzeigesteuereinheit 52 steuert. Der Anzeigeteil 54 kann als Vorrichtung für eine erweiterte Realität ausgebildet sein. In diesem Fall können Informationen über normale Arbeiten in ein Bild eines realen Raums eingeblendet werden.
Der Datenerfassungsteil 34 des ersten Lernteils 18 erfasst die Statusdaten D1 und die Kennzeichnungsdaten D2 als Lerndatensatz DS aus der Umgebung 42. Die Statusdaten D1 können zusätzlich zu den Inhaltsinformationen von Einheitsarbeitsvorgängen ferner mindestens eine zusätzliche Information in den Arbeitskraftinformationen, den Arbeitszeitinformationen und den Arbeitsdatum- und - uhrzeitinformationen der Einheitsarbeitsvorgänge beinhalten. In diesem Fall stellt das Modell M zum Lernen ähnlicher Arbeiten, das der Lernmodell-Erzeugungsteil 38 des ersten Lernteils 18 erzeugt, die Korrelation der Inhaltsinformationen und zusätzlichen Informationen mit dem Schwellenwert T dar.
Die „Inhaltsinformationen“ sind als Informationen definiert, die darstellen, welche Art von Einheitsarbeitsvorgang die Arbeitskraft 46 in der Umgebung 42 an dem Werkstück 44 durchgeführt hat. Die Inhaltsinformationen beinhalten zum Beispiel einen Arbeitstypcode und einen Grad einer Arbeitsschwierigkeit usw. Die Inhaltsinformationen werden zum Beispiel unter Verwendung einer Kamera oder eines Strichcodelesers oder einer anderen Merkmalerkennungsvorrichtung ermittelt. Die Merkmalerkennungsvorrichtung kann an der Anzeigevorrichtung 48 vorgesehen sein oder kann getrennt vorgesehen sein. Die Inhaltsinformationen können zum Beispiel auf Grundlage einer ID oder eines Bildes des Werkstücks 44 ermittelt werden. Bei einer Montagearbeit zum Montieren einer Mehrzahl von Teilen aneinander können zum Beispiel IDs von einzelnen Teilen mit im Voraus gespeicherten Bezugsdaten abgeglichen werden, um die Inhaltsinformationen zu ermitteln. Ferner können die Inhaltsinformationen für eine Beurteilung, ob die Arbeit normal ist, verwendet werden. Der Inhalt eines Einheitsarbeitsvorgangs weist eine direkte Beziehung zu dem Arbeitsergebnis oder einer Notwendigkeit einer Arbeitsunterstützung usw. auf, so dass die Statusdaten D1 mindestens Inhaltsinformationen beinhalten.
Die „Arbeitskraftinformationen“ sind als Informationen definiert, die das Qualifikationsniveau der Arbeitskraft 46 darstellen. Beispielsweise beinhalten die Arbeitskraftinformationen eine ID, das Alter, die Anzahl von Beschäftigungsjahren, die Anzahl von Arbeitsjahren usw. einer Arbeitskraft. Die Arbeitskraftinformationen werden zum Beispiel auf Grundlage der ID der Arbeitskraft 46 ermittelt, die eingegeben wird, wenn eine Berechtigung, die Umgebung 42 zu betreten oder zu verlassen, oder eine Berechtigung, auf die Anzeigevorrichtung 48 zuzugreifen, überprüft wird. Bisweilen wird eine Beziehung zwischen dem Qualifikationsniveau der Arbeitskraft 46 und einem Arbeitsergebnis oder der Notwendigkeit einer Arbeitsunterstützung usw. festgestellt.
Die „Arbeitszeitinformationen“ sind als Informationen definiert, die die Zeit darstellen, die vom Start bis zum Ende eines Einheitsarbeitsvorgangs in Anspruch genommen wird. Die Arbeitszeitinformationen werden zum Beispiel unter Verwendung einer Kamera oder eines Strichcodelesers oder einer anderen Merkmalerkennungsvorrichtung ermittelt. Alternativ werden die Arbeitszeitinformationen unter Verwendung eines Systemtakts oder eines anderen Taktgebers ermittelt. Die Arbeitsstartzeit kann die Zeit sein, zu der die ID des Werkstücks 44 erfasst wird, kann die Zeit sein, zu der die Stromversorgung der Anzeigevorrichtung 48 eingeschaltet wird, oder kann die Zeit sein, zu der die Arbeitskraft 46 den Start der Arbeit an der Anzeigevorrichtung 48 eingibt. Die Arbeitsendezeit kann die Zeit sein, zu der ein Bild eines Stempels eines Arbeitsendes aufgenommen wird, mit dem das Werkstück 44 versehen wird, kann die Zeit sein, zu der die Stromversorgung der Anzeigevorrichtung 48 ausgeschaltet wird, oder kann die Zeit sein, zu der die Arbeitskraft 46 das Arbeitsende in die Anzeigevorrichtung 48 eingibt. Bisweilen wird eine Beziehung zwischen der Arbeitszeit und Arbeitsergebnissen und der Notwendigkeit einer Arbeitsunterstützung usw. festgestellt.
Die „Arbeitsdatums- und -uhrzeitinformationen“ sind als Informationen definiert, die das Datum, die Uhrzeit und den Tag darstellen, an denen eine Arbeitskraft 46 einen Einheitsarbeitsvorgang durchgeführt hat. Beispielsweise können die Arbeitsdatums- und -uhrzeitinformationen die Uhrzeit des Arbeitsstarts sein, können die Uhrzeit des Arbeitsendes sein oder können ein Datum und eine Uhrzeit zwischen dem Datum und der Uhrzeit des Arbeitsstarts und dem Datum und der Uhrzeit des Arbeitsendes sein. Die Arbeitsdatums- und -uhrzeitinformationen werden zum Beispiel unter Verwendung einer Kamera oder eines Strichcodelesers oder einer anderen Merkmalerkennungsvorrichtung ermittelt. Alternativ werden die Arbeitsdatums- und -uhrzeitinformationen unter Verwendung eines Systemtakts oder eines anderen Taktgebers ermittelt. Bisweilen wird eine Beziehung zwischen Arbeitsdatum und -uhrzeit und Arbeitsergebnissen oder der Notwendigkeit einer Arbeitsunterstützung usw. festgestellt, zum Beispiel, dass die Präzision der Arbeit beeinträchtigt wird, wenn die Arbeitsstunden oder Arbeitstage usw. einen vorgegebenen Wert oder mehr erreichen.
Die Kennzeichnungsdaten D2 werden zum Beispiel unter Verwendung einer Kamera oder eines Strichcodelesers oder einer anderen Merkmalerkennungsvorrichtung ermittelt. In diesem Fall können die Kennzeichnungsdaten D2 zum Beispiel auf Grundlage einer ID oder eines Bildes usw. des Werkstücks 44 ermittelt werden. Bei einer Montagearbeit zum Montieren einer Mehrzahl von Teilen aneinander können zum Beispiel IDs von einzelnen Teilen oder ein Bild des montierten Werkstücks 44 mit im Voraus gespeicherten Bezugsdaten abgeglichen werden, um die Kennzeichnungsdaten D2 zu ermitteln. Wenn Bilddaten als Bezugsdaten verwendet werden, kann ein Bild entweder von normalen Arbeiten oder von anomalen Arbeiten verwendet werden. Welche Art von Einheitsarbeitsvorgang normal ist, wird zum Beispiel durch eine Faustregel des Entwicklers der Vorrichtung 10 für maschinelles Lernen usw. ermittelt.
Als Nächstes wird ein Beispiel für Vorgänge des Schwellenwert-Berechnungsteils 36 und des Lernmodell-Erzeugungsteils 38 erläutert. Die folgende Formel 2 ist ein Beispiel für eine Funktion, die die Beziehung der Markierung F für anomale Arbeiten und der Statusdaten D1 modelliert. Die Markierung F für anomale Arbeiten zeigt, ob die Aktionen von Einheitsarbeitsvorgängen, die den Statusdaten D1 entsprechen, anfällig für eine Anomalie sind: $F = G \cdot g 0 + H \cdot h 0 + I \cdot i 0 + J \cdot j 0$
In Formel 2 stellen G, H, I und J jeweils Inhaltsinformationen, Arbeitskraftinformationen, Arbeitszeitinformationen und Arbeitsdatums- und -uhrzeitinformationen dar. g0, h0, i0 und j0 stellen jeweils die Gewichtung der Inhaltsinformationen, die Gewichtung der Arbeitskraftinformationen, die Gewichtung der Arbeitszeitinformationen und die Gewichtung der Arbeitsdatums- und -uhrzeitinformationen dar. Die Anfangswerte dieser Gewichtungen können durch Regressionsanalyse usw. festgestellt werden, nachdem die Statusdaten D1 in einem gewissen Umfang gespeichert worden sind.
Die folgende Formel 3 ist ein Beispiel für eine Funktion zum Modellieren der Beziehung der Gewichtungen 11, l2 der Kennzeichnungsdaten D2 und der Gewichtungen g0, h0, i0, j0 der Statusdaten D1: $\begin{array}{l} g 1 = g 0 \cdot I 1, h1 = h0 \cdot I 1, i1 = i0 \cdot I 1, j 1 = j 0 \cdot I 1 \\ g2 = g 0 \cdot I2, h2 = h0 \cdot I2, i2 = i0 \cdot I2, j2 = j 0 \cdot I2 \end{array}$
In Formel 3 stellt die Gewichtung l1 die Gewichtung der Kennzeichnungsdaten L1 von normalen Arbeiten in den Kennzeichnungsdaten D2 dar, wohingegen die Gewichtung l2 die Gewichtung der Kennzeichnungsdaten L2 von anomalen Arbeiten in den Kennzeichnungsdaten D2 darstellt. g1, h1, i1 und j1 stellen jeweils die Gewichtungen der Statusdaten D1 zum Zeitpunkt der Erfassung von L1 dar, und g2, h2, i2 und j2 stellen jeweils die Gewichtungen der Statusdaten D1 zum Zeitpunkt der Erfassung L2 dar.
Die folgende Formel 4 ist eine Funktion zum Modellieren der Beziehung zwischen der Markierung F für anomale Arbeiten und dem Schwellenwert T zum Zeitpunkt der Erfassung von L1 und zum Zeitpunkt der Erfassung von L2: $\begin{array}{l} Zum Zeitpunkt der Erfassung von L1: \\ T = T' + (G \cdot g 1 + H \cdot h 1 + I \cdot i 1 + J \cdot j 1) \\ Zum Zeitpunkt der Erfassung von L2: \\ T = T' + (G \cdot g2 + H \cdot h2 + I \cdot i 2 + J \cdot j2) \end{array}$
In Formel 4 ist T der Schwellenwert, wenn die Kennzeichnungsdaten D2 beim vorherigen Mal erfasst werden. Der Anfangswert von T kann null sein. Wie in Formel 4 dargestellt, wird der Schwellenwert T zum Zeitpunkt der Erfassung von L1 erhöht, wohingegen der Schwellenwert T zum Zeitpunkt der Erfassung von L2 gesenkt wird.
Auf diese Weise wird der Schwellenwert T jedes Mal aktualisiert, wenn der Datenerfassungsteil 34 die Statusdaten D1 und die Kennzeichnungsdaten D2 erfasst. Auf diese Weise berechnet der Schwellenwert-Berechnungsteil 36 den Schwellenwert T, wohingegen der Lernmodell-Erzeugungsteil 38 ein Modell M zum Lernen ähnlicher Arbeiten erzeugt, das die Korrelation zwischen den Statusdaten D1 und dem Schwellenwert T darstellt.
Die folgende Formel 5 ist eine Funktion zum Beurteilen, ob die Aktionen eines Einheitsarbeitsvorgangs, die den Statusdaten D1 entsprechen, leicht anomal werden können, wenn eine Verarbeitung zum Anzeigen einer Arbeitsunterstützung durchgeführt wird, die vor Ort mithilfe von Lernergebnissen der Vorrichtung 10 für maschinelles Lernen (eines Lernmodells eines Arbeitsprozesses) durchgeführt wird. $\begin{array}{l} Wenn F \geq T: zeige Informationen ber normale Arbeiten vor einer Arbeit an \\ Wenn F<T: zeige keine Informationen ber normale Arbeiten vor einer Arbeit an \end{array}$
Wie in Formel 5 dargestellt, ist ein Einheitsarbeitsvorgang anfällig für eine Anomalie, wenn die Markierung F für anomale Arbeiten der Schwellenwert T oder höher ist, so dass „Informationen über normale Arbeiten“ auf dem Anzeigeteil 54 angezeigt werden, bevor die Arbeitskraft 46 den Einheitsarbeitsvorgang durchführt. Wenn demgegenüber die Markierung F für anomale Arbeiten kleiner als der Schwellenwert T ist, ist ein Einheitsarbeitsvorgang unempfindlich gegenüber einer Anomalie, so dass „Informationen über normale Arbeiten“ nur dann auf dem Anzeigeteil 54 angezeigt werden, wenn der Einheitsarbeitsvorgang, den die Arbeitskraft 46 tatsächlich durchführt, nicht normal war.
7 stellt ein Beispiel für den Ablauf einer Verarbeitung zum Anzeigen einer vor Ort durchgeführten Arbeitsunterstützung mithilfe von Lernergebnissen (eines Lernmodells eines Arbeitsprozesses) der Vorrichtung 10 für maschinelles Lernen in dem Anzeigesystem 40 dar, das mit der Vorrichtung 10 für maschinelles Lernen ausgestattet ist. Zuerst erfasst der Datenerfassungsteil 34 in Schritt P1 die Statusdaten D1. In dem dargestellten Beispiel beinhalten die Statusdaten D1 zusätzlich zu den Inhaltsinformationen Arbeitskraftinformationen, Arbeitszeitinformationen und Arbeitsdatums- und -uhrzeitinformationen.
Als Nächstes beurteilt zum Beispiel der zweite Prozessor 50 in Schritt P2, ob das Werkstück 44 normal ist. Ob das Werkstück 44 normal ist, kann durch Bilderkennung usw. ermittelt werden. Bei einer Montagearbeit zum Montieren einer Mehrzahl von Teilen kann zum Beispiel durch Abgleichen von Bildern der einzelnen Teile mit Bezugsdaten ermittelt werden, ob die Teile normal sind. Wenn das Werkstück 44 nicht normal ist (wenn die Beurteilung in Schritt P2 NEIN ist), zeigt die Anzeigesteuereinheit 52 in Schritt P3 die fehlerhafte Stelle auf dem Anzeigeteil 54 an, weist einen Austausch des Werkstücks 44 an und kehrt dann zu Schritt P1 zurück. Wenn das Werkstück 44 normal ist (wenn die Beurteilung in Schritt P2 JA ist), geht die Steuereinheit zu Schritt P4 über.
In Schritt P4 beurteilt zum Beispiel der zweite Prozessor 50, ob die Aktionen in dem Einheitsarbeitsvorgang, die den erfassten Statusdaten D1 entsprechen, anfällig für eine Anomalie sind, das heißt, ob die Markierung F für anomale Arbeiten (Formel 2) der Schwellenwert T oder höher ist (Formel 5). Wenn der Einheitsarbeitsvorgang unempfindlich gegenüber einer Anomalie ist (wenn die Beurteilung in Schritt P4 NEIN ist), führt die Arbeitskraft 46 den Einheitsarbeitsvorgang durch, dann beurteilt zum Beispiel der zweite Prozessor 50 in Schritt P5, ob die Aktionen in dem Einheitsarbeitsvorgang normal waren.
Wenn die Aktionen in dem Einheitsarbeitsvorgang nicht normal waren (wenn die Beurteilung in Schritt P5 NEIN ist), zeigt die Anzeigesteuereinheit 52 in Schritt P6 die Informationen über normale Arbeiten auf dem Anzeigeteil 54 an und zeigt eine fehlerhafte Stelle an und weist nach Bedarf einen Austausch des Werkstücks 44 an. Durch eine solche Verarbeitung kann zum Beispiel eine gelernte Arbeitskraft 46 die Informationen über normale Arbeiten nur bestätigen, wenn sie tatsächlich eine falsche Arbeit usw. durchführt. Als Nächstes erhöht zum Beispiel der zweite Prozessor 50 in Schritt P7 die Markierung F für anomale Arbeiten und kehrt zu Schritt P1 zurück.
Wenn die Aktionen in dem Einheitsarbeitsvorgang normal waren (wenn die Beurteilung in Schritt P5 JA ist), verringert zum Beispiel der zweite Prozessor 50 in Schritt P8 die Markierung F für anomale Arbeiten und beurteilt in Schritt P9, ob der Einheitsarbeitsvorgang beendet ist. Wenn das Lernen während der Verarbeitung zum Anzeigen einer Arbeitsunterstützung vor Ort fortgesetzt wird, wird in den Schritten P7 und P8 der Schwellenwert T aktualisiert (Formel 4).
Wenn die Aktionen in dem Einheitsarbeitsvorgang, die den erfassten Statusdaten D1 entsprechen, anfällig für eine Anomalie sind (wenn die Beurteilung in Schritt P4 JA ist), zeigt die Anzeigesteuereinheit 52 in Schritt P10 die Informationen über normale Arbeiten auf dem Anzeigeteil 54 an, bevor die Arbeitskraft 46 den Einheitsarbeitsvorgang durchführt. Aufgrund dessen können falsche Arbeiten oder Prozessfehler im Voraus verhindert werden, selbst wenn die Statusdaten D1 die Eigenschaft darstellen, dass die Arbeitskraft 46 ungelernt ist, dass der Arbeitsinhalt kompliziert ist, dass die Arbeitszeit lang ist oder dass die Arbeitsstunden oder die Arbeitstage der Arbeitskraft 46 lang sind.
Nachdem die Arbeitskraft 46 den Einheitsarbeitsvorgang mithilfe der Anzeige der Arbeitsunterstützung durchgeführt hat, beurteilt zum Beispiel der zweite Prozessor 50 in Schritt P11, ob die Aktionen in dem Einheitsarbeitsvorgang normal waren. Wenn die Aktionen in dem Einheitsarbeitsvorgang nicht normal waren (wenn die Beurteilung in Schritt P11 NEIN ist), zeigt die Anzeigesteuereinheit 52 in Schritt P12 erneut die Informationen über normale Arbeiten auf dem Anzeigeteil 54 an, zeigt eine fehlerhafte Stelle an und weist nach Bedarf einen Austausch des Werkstücks 44 an. Aufgrund einer solchen Verarbeitung kann die Häufigkeit falscher Arbeiten oder von Prozessfehlern verringert werden, wenn unabhängig davon, dass vor der Arbeit die Informationen über normale Arbeiten angezeigt worden waren, der Einheitsarbeitsvorgang anomal war. Als Nächstes erhöht zum Beispiel der zweite Prozessor 50 in Schritt P13 die Markierung F für anomale Arbeiten und kehrt zu Schritt P1 zurück.
Wenn die Aktionen eines Einheitsarbeitsvorgangs normal sind (wenn die Beurteilung in Schritt P11 JA ist), verringert zum Beispiel der zweite Prozessor 50 in Schritt P14 die Markierung F für anomale Arbeiten und beurteilt in Schritt P9, ob der Einheitsarbeitsvorgang beendet ist. Wenn das Lernen während der Verarbeitung zum Anzeigen einer Arbeitsunterstützung vor Ort fortgesetzt wird, wird in den Schritten P13 und P14 der Schwellenwert T aktualisiert (Formel 4).
Wenn der Einheitsarbeitsvorgang nicht beendet ist (wenn die Beurteilung in Schritt P9 NEIN ist), wird zu Schritt P1 zurückgekehrt. Wenn der Einheitsarbeitsvorgang beendet ist (wenn die Beurteilung in Schritt P9 JA ist), wird der Ablauf der Anzeigeverarbeitung als Ende der Arbeit beendet.
Die Vorrichtung für maschinelles Lernen und das Verfahren für maschinelles Lernen der vorliegenden Offenbarung sind nicht auf die obigen Ausführungen und auf die dargestellten Ausführungsformen beschränkt. Beispielsweise sind die Arbeitsprozesse und Merkmale der Einheitsarbeitsvorgänge (das heißt, die Eingabedaten), die durch das maschinelle Lernen abgedeckt werden, nicht auf die obigen und auf die dargestellten Ausführungsformen beschränkt. Es ist möglich, verschiedene Merkmale entsprechend einem Bedarf der Benutzer als Eingabedaten zu verwenden. Ferner sind die Algorithmen für maschinelles Lernen nicht auf die obigen und die dargestellte Ausführungsform beschränkt. Verschiedene Algorithmen können entsprechend einem Bedarf der Benutzer eingesetzt werden. Als Anwendung der Vorrichtung für maschinelles Lernen kann zusätzlich zu dem oben erwähnten Anzeigesystem zum Beispiel ein System dargestellt werden, das in dem Prozesshandbuch beschriebene Dinge gemäß dem Lernmodell des Arbeitsprozesses, das die Vorrichtung für maschinelles Lernen erzeugt, neu festlegt oder ändert.
Gemäß dem Verfahren für maschinelles Lernen gemäß einem Aspekt wird ein Lernen in Bezug auf eine Mehrzahl von unterschiedlichen Arbeitsprozessen durch Erzeugen eines gemeinsamen Modells zum Lernen ähnlicher Arbeiten für ähnliche Einheitsarbeitsvorgänge unter den Einheitsarbeitsvorgängen, die in den einzelnen Arbeitsprozessen beinhaltet sind, durchgeführt, so dass im Vergleich mit einer Ausführung, die ein Lernen einzeln für eine Mehrzahl von Arbeitsprozessen (alternativ die Mehrzahl von Einheitsarbeitsvorgängen) durchführt, die Anzahl von Daten (das heißt, die Anzahl von Lernvorgängen) steigt und die Präzision und die Zuverlässigkeit eines Lernens in Bezug auf die einzelnen Arbeitsprozesse verbessert werden. Beispielsweise ist es nicht nur möglich, Merkmale des Arbeitsprozesses (Arbeitsinhalt, Arbeitskraft, Arbeitszeit, Arbeitsdatum und -uhrzeit usw.) mit Bedingungen zu verknüpfen, die für eine Arbeitsunterstützung oder eine Qualitätskontrolle (einer Bedingung für ein Unterrichten eines Arbeitsablaufs, einer Bedingung für ein Analysieren von Ursachen von Prozessfehlern usw.) erforderlich sind, um schnell und präzise ein Lernmodell zu erstellen, sondern es ist außerdem möglich, die Zuverlässigkeit des Lernmodells zu verbessern, so dass es möglich wird, die Bedingung, die für eine Arbeitsunterstützung oder eine Qualitätskontrolle erforderlich ist, mit einer hohen Effizienz und einer großen Präzision neu festzulegen, zu korrigieren, zu ändern usw.
Gemäß der Vorrichtung für maschinelles Lernen gemäß dem anderen Aspekt nimmt eine Wirkung, die der obigen Wirkung gemäß dem Verfahren für maschinelles Lernen ähnlich ist, zu.
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 6224873 B [0004]
WO 2010/143361 A1 [0005]

Claims

Verfahren für maschinelles Lernen zum Durchführen eines Lernens in Bezug auf eine Mehrzahl von unterschiedlichen Arbeitsprozessen, die jeweils mindestens einzelne Typen von Einheitsarbeitsvorgängen beinhalten, umfassend: Summieren sämtlicher der Einheitsarbeitsvorgänge, die in der Mehrzahl von unterschiedlichen Arbeitsprozessen beinhaltet sind, um das Vorhandensein einer Mehrzahl von Einheitsarbeitsvorgängen desselben Typs zu bewerten; Beurteilen, ob die Mehrzahl von Einheitsarbeitsvorgängen desselben Typs einander ähnlich ist; Definieren eines ersten Einheitsarbeitsvorgangs und eines zweiten Einheitsarbeitsvorgangs, die einander ähnlich sind, als einen Satz von ähnlichen Arbeitsvorgängen und Verwenden eines gemeinsamen Algorithmus für maschinelles Lernen, um ein Modell (M) zum Lernen ähnlicher Arbeiten, das Merkmale des Satzes von ähnlichen Arbeitsvorgängen als Eingabedaten verwendet, zu erzeugen; und Durchführen eines Lernens in Bezug auf einen ersten Arbeitsprozess, der den ersten Einheitsarbeitsvorgang beinhaltet, und auf einen zweiten Arbeitsprozess, der den zweiten Einheitsarbeitsvorgang beinhaltet, auf Grundlage des Modells zum Lernen ähnlicher Arbeiten.
Verfahren für maschinelles Lernen nach Anspruch 1, das ferner ein Bewerten des Vorhandenseins einer Mehrzahl von Einheitsarbeitsvorgängen desselben Typs durch Klassifizieren sämtlicher der Einheitsarbeitsvorgänge, die in der Mehrzahl von unterschiedlichen Arbeitsprozessen beinhaltet sind, in einzelne Typen, um eine Mehrzahl von Arbeitstypen (22, 24, 26, 28, 30, 32) zu definieren, und Beurteilen des Vorhandenseins eines beliebigen Arbeitstyps, der eine Mehrzahl von Einheitsarbeitsvorgängen beinhaltet, umfasst.
Verfahren für maschinelles Lernen nach Anspruch 1 oder 2, das ferner ein Beurteilen, ob eine Mehrzahl von Einheitsarbeitsvorgängen einander ähnlich ist, auf Grundlage einer Anzahl von gemeinsamen Arbeitselementen unter der Mehrzahl von Einheitsarbeitsvorgängen desselben Typs unter den Arbeitselementen, die die Mehrzahl von Einheitsarbeitsvorgängen bilden, umfasst.
Verfahren für maschinelles Lernen nach einem beliebigen der Ansprüche 1 bis 3, das ferner umfasst: Anwenden von Algorithmen für maschinelles Lernen einzeln auf Einheitsarbeitsvorgänge, die anderen Einheitsarbeitsvorgängen nicht ähnlich sind, und Erzeugen eines Modells zum Lernen unähnlicher Arbeiten, das nicht ähnliche Merkmale der Einheitsarbeitsvorgänge als Eingabedaten verwendet, und Durchführen des Lernens in Bezug auf die Mehrzahl von unterschiedlichen Arbeitsprozessen auf Grundlage des Modells zum Lernen ähnlicher Arbeiten und des Modells zum Lernen unähnlicher Arbeiten.
Verfahren für maschinelles Lernen nach einem beliebigen der Ansprüche 1 bis 4, das ferner, wenn keine der Mehrzahl von Einheitsarbeitsvorgängen desselben Typs einander ähnlich sind, ein Anwenden von Algorithmen für maschinelles Lernen einzeln auf die Mehrzahl von unterschiedlichen Arbeitsprozessen und ein Erzeugen eines Lernmodells umfasst, das Merkmale der einzelnen Arbeitsprozesse als Eingabedaten aufweist.
Verfahren für maschinelles Lernen nach einem beliebigen der Ansprüche 1 bis 5, das ferner, wenn sämtliche der Einheitsarbeitsvorgänge, die in der Mehrzahl von unterschiedlichen Arbeitsprozessen beinhaltet sind, voneinander unterschiedliche Typen sind, ein Anwenden von Algorithmen für maschinelles Lernen einzeln auf die Mehrzahl von unterschiedlichen Arbeitsprozessen und ein Erzeugen eines Lernmodells umfasst, das Merkmale der einzelnen Arbeitsprozesse als Eingabedaten aufweist.
Verfahren für maschinelles Lernen nach einem beliebigen der Ansprüche 1 bis 6, wobei der gemeinsame Algorithmus für maschinelles Lernen ein Bewirken umfasst, dass ein Prozessor Folgendes durchführt: einen Schritt zum Erfassen von Statusdaten (D1) von Daten, die die Inhaltsinformationen von Einheitsarbeitsvorgängen beinhalten und die Merkmale darstellen, und von Kennzeichnungsdaten (D2), die darstellen, ob die Aktionen der Einheitsarbeitsvorgänge, die den Statusdaten entsprechen, anomal sind, als einen Lerndatensatz (DS), einen Schritt zum Berechnen eines Schwellenwerts (T) zum Beurteilen, ob die Aktionen der Einheitsarbeitsvorgänge anfällig für eine Anomalie sind, auf Grundlage des Lerndatensatzes, und einen Schritt zum Erzeugen des Modells zum Lernen ähnlicher Arbeiten, das eine Korrelation zwischen den Inhaltsinformationen und dem Schwellenwert darstellt, mithilfe des Lerndatensatzes.
Verfahren für maschinelles Lernen nach Anspruch 7, wobei die Statusdaten mindestens eine zusätzliche Information unter Arbeitskraftinformationen, Arbeitszeitinformationen und Arbeitsdatum- und -uhrzeitinformationen der Einheitsarbeitsvorgänge beinhalten und das Modell zum Lernen ähnlicher Arbeiten eine Korrelation zwischen den Inhaltsinformationen und den zusätzlichen Informationen mit dem Schwellenwert darstellt.
Vorrichtung (10) für maschinelles Lernen zum Durchführen eines Lernens in Bezug auf eine Mehrzahl von unterschiedlichen Arbeitsprozessen, die jeweils mindestens einzelne Typen von Einheitsarbeitsvorgängen beinhalten, die aufweist: einen Arbeitssummierungsteil (14) zum Summieren sämtlicher der Einheitsarbeitsvorgänge, die in der Mehrzahl von unterschiedlichen Arbeitsprozessen beinhaltet sind, um das Vorhandensein einer Mehrzahl von Einheitsarbeitsvorgängen desselben Typs zu bewerten; einen Ähnlichkeitsbeurteilungsteil (16) zum Beurteilen, ob die Mehrzahl von Einheitsarbeitsvorgängen desselben Typs einander ähnlich ist; einen ersten Lernteil (18) zum Definieren eines ersten Einheitsarbeitsvorgangs und eines zweiten Einheitsarbeitsvorgangs, die einander ähnlich sind, als einen Satz von ähnlichen Arbeitsvorgängen und zum Verwenden eines gemeinsamen Algorithmus für maschinelles Lernen, um ein Modell (M) zum Lernen ähnlicher Arbeiten, das Merkmale des Satzes von ähnlichen Arbeitsvorgängen als Eingabedaten verwendet, zu erzeugen; und einen zweiten Lernteil (20) zum Durchführen eines Lernens in Bezug auf einen ersten Arbeitsprozess, der den ersten Einheitsarbeitsvorgang beinhaltet, und auf einen zweiten Arbeitsprozess, der den zweiten Einheitsarbeitsvorgang beinhaltet, auf Grundlage des Modells zum Lernen ähnlicher Arbeiten.
Vorrichtung für maschinelles Lernen nach Anspruch 9, wobei der Arbeitssummierungsteil das Vorhandensein einer Mehrzahl von Einheitsarbeitsvorgängen desselben Typs durch Klassifizieren sämtlicher der Einheitsarbeitsvorgänge, die in der Mehrzahl von unterschiedlichen Arbeitsprozessen beinhaltet sind, in unterschiedliche Typen, um eine Mehrzahl von Arbeitstypen (22, 24, 26, 28, 30, 32) zu definieren, und Beurteilen des Vorhandenseins eines beliebigen Arbeitstyps, der eine Mehrzahl von Einheitsarbeitsvorgängen beinhaltet, bewertet.
Vorrichtung für maschinelles Lernen nach Anspruch 9 oder 10, wobei der Ähnlichkeitsbeurteilungsteil auf Grundlage einer Anzahl von gemeinsamen Arbeitselementen unter der Mehrzahl von Einheitsarbeitsvorgängen desselben Typs unter den Arbeitselementen, die die Mehrzahl von Einheitsarbeitsvorgängen ausbilden, beurteilt, ob eine Mehrzahl von Einheitsarbeitsvorgängen einander ähnlich ist.
Vorrichtung für maschinelles Lernen nach einem beliebigen der Ansprüche 9 bis 11, wobei der erste Lernteil einzeln Algorithmen für maschinelles Lernen auf Einheitsarbeitsvorgänge anwendet, die anderen Einheitsarbeitsvorgängen nicht ähnlich sind, und ein Modell zum Lernen unähnlicher Arbeiten erzeugt, das nicht ähnliche Merkmale der Einheitsarbeitsvorgänge als Eingabedaten verwendet, und der zweite Lernteil das Lernen in Bezug auf die Mehrzahl von unterschiedlichen Arbeitsprozessen auf Grundlage des Modells zum Lernen ähnlicher Arbeiten und des Modells zum Lernen unähnlicher Arbeiten durchführt.
Vorrichtung für maschinelles Lernen nach einem beliebigen der Ansprüche 9 bis 12, wobei der erste Lernteil beinhaltet einen Datenerfassungsteil (34) zum Erfassen von Statusdaten (D1) von Daten, die die Inhaltsinformationen von Einheitsarbeitsvorgängen beinhalten und die Merkmale darstellen, und von Kennzeichnungsdaten (D2), die darstellen, ob die Aktionen der Einheitsarbeitsvorgänge, die den Statusdaten entsprechen, anomal sind, als einen Lerndatensatz (DS), einen Schwellenwert-Berechnungsteil (36), der einen Schwellenwert (T) zum Beurteilen, ob die Aktionen von Einheitsarbeitsvorgängen anfällig für eine Anomalie sind, auf Grundlage des Lerndatensatzes berechnet, und einen Lernmodell-Erzeugungsteil (38) zum Erzeugen des Modells zum Lernen ähnlicher Arbeiten, das eine Korrelation zwischen den Inhaltsinformationen und dem Schwellenwert darstellt, mithilfe des Lerndatensatzes.
Vorrichtung für maschinelles Lernen nach Anspruch 13, wobei die Statusdaten ferner mindestens eine zusätzliche Information unter Arbeitskraftinformationen, Arbeitszeitinformationen und Arbeitsdatum- und -uhrzeitinformationen der Einheitsarbeitsvorgänge beinhalten und das Modell zum Lernen ähnlicher Arbeiten eine Korrelation zwischen den Inhaltsinformationen und den zusätzlichen Informationen mit dem Schwellenwert darstellt.