JP2018169933A

JP2018169933A - 作業支援方法及び作業支援装置

Info

Publication number: JP2018169933A
Application number: JP2017068517A
Authority: JP
Inventors: 政紀近藤; Masanori Kondo
Original assignee: Azbil Corp
Current assignee: Azbil Corp
Priority date: 2017-03-30
Filing date: 2017-03-30
Publication date: 2018-11-01
Anticipated expiration: 2037-03-30
Also published as: JP6836447B2; WO2018180722A1

Abstract

【課題】作業者が行う作業を簡便に支援する。【解決手段】過去に実施した作業手順を、所定の機械学習アルゴリズムを用いて時系列に学習して作業予測情報を生成する学習部１５と、作業の対象となる工程を識別するための工程識別コードを読み込む読込部１１と、読込部１１により読み込まれた工程識別コードに対応付けて記憶されている、これから予定されている作業手順を含む作業予定情報、及び作業予測情報を取得する作業情報取得部１２と、作業予定情報に含まれる作業手順と作業予測情報に含まれる作業手順とを比較し、作業内容が相違する作業項目を検出する相違検出部１３と、検出された作業項目を、作業者に注意を促す必要がある作業項目として通知する通知部１４と、を備える。【選択図】図１

Description

本発明は、作業支援方法及び作業支援装置に関する。

製品を組み立てる工場等では、製品を組み立てる際に、作業の手順等を示す指図書に基づいて作業員が組み立て作業を進めることが一般に行われている。組み立て作業では、部品を間違えることや、部品の取り付け方向を間違える等の組み立てミスが発生する。このような組み立てミスは、その後の人手による検査等により組立不良が発見され、組み立て作業をやり直すことになる。しかしながら、人手による検査では、全ての組立不良を発見することは難しく、一部の組立不良品が出荷されてしまうことも起こり得る。

下記特許文献１には、樹脂製品を製造する際に、未熟練作業者であっても適正な成形条件を導き出して作業できるように支援する支援装置が開示されている。

特開２００８−１１０４８６号公報

特許文献１の支援装置では、作業員が作業を行う際に成形条件や目標品質値等を入力する必要があるため、製品の製造作業を行う前の準備作業に手間がかかる。

本発明は、作業者が行う作業を簡便に支援することができる作業支援方法及び作業支援装置を提供することを目的とする。

本発明の一態様に係る作業支援方法は、プロセッサにより制御される方法であって、過去に実施した作業手順を、所定の機械学習アルゴリズムを用いて時系列に学習して作業予測情報を生成する学習ステップと、作業の対象となる工程を識別するための工程識別コードを読み込む読込ステップと、前記読込ステップにおいて読み込まれた前記工程識別コードに対応付けて記憶されている、これから予定されている作業手順を含む作業予定情報、及び前記作業予測情報を取得する取得ステップと、前記作業予定情報に含まれる作業手順と前記作業予測情報に含まれる作業手順とを比較し、作業内容が相違する作業項目を検出する検出ステップと、前記検出された作業項目を、作業者に注意を促す必要がある作業項目として通知する通知ステップと、を含む。

上記態様において、前記作業予定情報に基づく作業手順を学習用の教師データとし、前記機械学習アルゴリズムを実行することにより、前記作業予測情報を更新する第２学習ステップを、さらに含むこととしてもよい。

上記態様において、前記検出ステップは、前記比較する作業手順に含まれる作業項目間の相違の度合いに基づいて、作業項目ごとの相違スコアを算出し、相違スコアが最大となる作業項目を検出することとしてもよい。

上記態様において、前記通知ステップは、前記検出された作業項目に対応する相違スコアが所定値以上である場合に、当該作業項目を通知することとしてもよい。

上記態様において、前記検出ステップは、前記比較する作業手順に含まれる作業項目間の相違の度合いに基づいて、作業項目ごとの相違スコアを算出し、相違スコアが所定値以上となる作業項目を検出することとしてもよい。

上記態様において、前記機械学習アルゴリズムは、ＲＮＮ（Recurrent Neural Network）又はＬＳＴＭ(Long short term memory)のいずれかであることとしてもよい。

本発明の他の態様に係る作業支援装置は、過去に実施した作業手順を、所定の機械学習アルゴリズムを用いて時系列に学習して作業予測情報を生成する学習部と、作業の対象となる工程を識別するための工程識別コードを読み込む読込部と、前記読込部により読み込まれた前記工程識別コードに対応付けて記憶されている、これから予定されている作業手順を含む作業予定情報、及び前記作業予測情報を取得する取得部と、前記作業予定情報に含まれる作業手順と前記作業予測情報に含まれる作業手順とを比較し、作業内容が相違する作業項目を検出する検出部と、前記検出された作業項目を、作業者に注意を促す必要がある作業項目として通知する通知部と、を備える。

本発明によれば、作業者が行う作業を簡便に支援することができる作業支援方法及び作業支援装置を提供することができる。

実施形態における作業支援装置の構成を例示する図である。図１に示す作業情報ＤＢに格納される作業情報の基本的なデータ項目を例示する図である。過去に実施した作業手順に基づいて作業予測情報を生成する際の概念を示す図である。作業手順を比較して作業内容が相違する作業項目を検出する際の概念を示す図である。作業情報ＤＢに格納される作業予測情報を更新する際の概念を示す図である。図１に示す作業支援装置の動作の一例を説明するためのフローチャートである。

添付図面を参照して、本発明の好適な実施形態について説明する。なお、各図において、同一の符号を付したものは、同一又は同様の構成を有する。

図１は、実施形態における作業支援装置の概略構成を例示するブロック図である。作業支援装置１は、機能構成として、例えば、読込部１１と、作業情報取得部１２と、相違検出部１３と、通知部１４と、学習部１５とを有する。これら各部の詳細については後述する。

作業支援装置１は、物理構成として、例えば、ＣＰＵ（Central Processing Unit）と、メモリと、入出力インターフェースとを含んで構成される。メモリには、例えば、ＣＰＵで処理されるプログラムやデータを記憶するＲＯＭ（Read Only Memory）やＨＤＤ（Hard Disk Drive）、主として制御処理のための各種作業領域として使用されるＲＡＭ（Random Access Memory）等の要素が含まれる。これらの要素は、互いにバスを介して接続される。ＣＰＵが、ＲＯＭに記憶されたプログラムを実行し、入出力インターフェースを介して受信されるデータや、ＲＡＭに展開されるデータを処理することで、作業支援装置１の各部機能が発現する。

図１に示す作業情報ＤＢ３は、例えば、作業予定情報及び作業予測情報を記憶するデータベースである。作業予定情報及び作業予測情報は、作業の対象となる工程を識別するための工程番号（工程識別コード）に対応付けて記憶されている。作業予定情報は、これから予定されている作業手順を含む作業情報である。作業予測情報は、過去に実施した作業手順を、機械学習アルゴリズムを用いて時系列に学習することで生成される作業情報である。機械学習アルゴリズムとして、例えば、時系列的な重みを考慮する、ＲＮＮ（Recurrent Neural Network）、ＬＳＴＭ(Long short term memory)等に代表されるニューラルネットワークを用いたディープラーニングのアルゴリズムを用いることが望ましい。

図２を参照し、作業情報ＤＢ３に格納される作業情報の基本的なデータ項目について説明する。作業情報は、例えば、工程番号項目、作業時刻項目、作業手順項目を含む。工程番号項目は、工程番号を格納する。作業時刻項目は、作業開始時刻及び／又は作業終了時刻を格納する。作業手順項目は、作業手順の内容を格納する。作業手順は、例えば複数の作業番号及び作業項目の組み合わせにより構成される。作業項目は、作業手順に含まれる個々の作業の内容を個別に格納する。

図３を参照し、作業予測情報を生成する際の概念について説明する。作業予測情報３２は、後述する学習部１５により生成される。学習部１５は、機械学習アルゴリズムを実行することで作業予測情報３２を生成する。この機械学習アルゴリズムには、入力データとして、過去に実施した複数の作業予定情報３１が入力される。

図３に示す作業予測情報３２は、作業項目“プロセス接続方向”には、過去に実施した全て（１００％）の作業予定情報３１で“Ｂｏｔｔｏｍ”が設定されていたことを例示する。同様に、作業項目“禁油処理”には、過去に実施した９０％の作業予定情報３１で“無”が設定され、作業項目“ボルト・ナット”には、過去に実施した全て（１００％）の作業予定情報３１で“ＸＸＸＸ・ＸＸＸＸ”が設定され、作業項目“ハウジング”には、過去に実施した全て（１００％）の作業予定情報３１で“ＸＸＸＸ”が設定されていたことを例示する。なお、ニューラルネットワークでは、単なる統計処理による割合（％）とは異なる割合（％）が算出され、用いられる。

図１の説明に戻る。同図に示す作業支援装置１の読込部１１は、読取装置４により読み取られた工程番号を読み込む。工程番号は、例えば、今回の作業に対応する指図書にバーコードで表示されている。指図書は、作業の手順等を示す書類である。読取装置４は、例えば、バーコードリーダである。なお、工程番号を表示する識別コードは、バーコードに限定されず、例えばＱＲコード(登録商標)等の二次元コードであってもよい。その場合、読取装置４は、二次元コードに対応する二次元コードリーダを用いる。

作業情報取得部１２は、読込部１１により読み込まれた工程番号に対応付けて記憶されている作業予定情報及び作業予測情報を、作業情報ＤＢ３から取得する。

相違検出部１３は、作業情報取得部１２により取得された作業予定情報に含まれる作業手順と、作業情報取得部１２により取得された作業予測情報に含まれる作業手順と、を比較する。相違検出部１３は、比較する作業手順に含まれる作業項目間の相違の度合いに基づいて、作業項目ごとの相違スコアを算出する。相違検出部１３は、相違スコアが最大となる作業項目を検出する。

図４を参照し、作業手順を比較して作業内容が相違する作業項目を検出する際の概念について説明する。同図には、工程番号が“Ｘ−ＸＸＸ−ＸＸ”である今回の作業予定情報３３及び作業予測情報３２が例示されている。相違検出部１３は、それぞれの作業手順に含まれる作業項目である“プロセス接続方向”、“禁油処理”、“ボルト・ナット”及び“ハウジング”同士を比較する。

作業項目“プロセス接続方向”は、今回の作業予定情報３３の内容である“Ｂｏｔｔｏｍ”と作業予測情報３２の内容である“Ｂｏｔｔｏｍ”とが一致するため、相違スコアは、最小スコアの“０”となる。作業項目“禁油処理”は、今回の作業予定情報３３の内容である“有”と作業予測情報３２の内容である“無”とが一致しないため、相違スコアは、最大スコアの“１００”となる。

作業項目“ボルト・ナット”は、今回の作業予定情報３３の内容である“ＸＸＸＸ・ＸＸＸＸ”と作業予測情報３２の内容である“ＸＸＸＸ・ＸＸＸＸ”とが一致するため、相違スコアは、最小スコアの“０”となる。作業項目“ハウジング”は、今回の作業予定情報３３の内容である“ＸＸＸＸ”と作業予測情報３２の内容である“ＸＸＸＸ”とが一致するため、相違スコアは、最小スコアの“０”となる。

この結果、相違検出部１３は、相違スコアが最大となる作業項目として“禁油処理”を検出する。なお、本実施形態における相違スコアは、合計が１００となるように正規化されている。

図１の説明に戻る。同図に示す通知部１４は、相違検出部１３により検出された作業項目を、作業者に注意を促す必要がある作業項目として通知する。通知は、ディスプレイ５にメッセージを表示することとしてもよいし、音声を出力することとしてもよいし、作業者宛てにメールを送信することとしてもよい。

学習部１５は、作業予定情報に基づく作業手順を学習用の教師データとし、機械学習アルゴリズムを実行することで、作業情報ＤＢ３の作業予測情報を更新する。

図５を参照し、機械学習アルゴリズムを実行して作業予測情報を更新する際の概念について説明する。学習部１５が実行する機械学習アルゴリズムには、アルゴリズム自体を学習させる学習機能がさらに含まれている。この学習機能では、学習用の教師データとして、図５に示す今回の作業で実施した作業予定情報３３（図４の作業予定情報３３と同一の内容）が入力される。学習用の教師データは、機械学習アルゴリズムのパラメータを更新するためのデータである。具体的に説明すると、図５に示す作業予定情報３３を教師データとして学習機能を実行した場合には、図４に示す作業予測情報３２の作業項目“禁油処理”の内容（９０％が“無”）が、図５に示す作業予測情報３４の作業項目“禁油処理”の内容（８６％が“無”）に更新される。

学習部１５は、学習機能によりパラメータが更新された後の機械学習アルゴリズムに対し、入力データとして今回の作業で実施した作業予定情報３３を入力し、機械学習アルゴリズムを実行する。これにより、作業予測情報が更新され、更新後の作業予測情報が、次回の作業内容を予測する情報として用いられることになる。

次に、図６を参照して、作業支援装置１の動作の一例について説明する。

最初に、読込部１１は、読取装置４を用いて読み取られた工程番号を読み込む（ステップＳ１０１）。

続いて、作業情報取得部１２は、上記ステップＳ１０１で読み込まれた工程番号に基づいて、作業情報ＤＢ３から、作業予定情報及び作業予測情報を取得する（ステップＳ１０２）。

続いて、相違検出部１３は、上記ステップＳ１０２で取得された作業予定情報に含まれる作業手順と作業予測情報に含まれる作業手順とを比較する（ステップＳ１０３）。

続いて、相違検出部１３は、上記ステップＳ１０３で比較した作業手順に含まれる作業項目間の相違の度合いに基づいて、作業項目ごとの相違スコアを算出する（ステップＳ１０４）。

続いて、相違検出部１３は、上記ステップＳ１０４で算出した相違スコアのうち、最大の相違スコアに対応する作業項目を検出する（ステップＳ１０５）。

続いて、通知部１４は、上記ステップＳ１０５で検出された作業項目を、作業者に注意を促す必要がある作業項目として通知する（ステップＳ１０６）。

続いて、学習部１５は、作業予定情報に含まれる作業手順を学習用の教師データとし、機械学習アルゴリズムを実行することで、機械学習アルゴリズムのパラメータを更新する（ステップＳ１０７）。

続いて、学習部１５は、作業予定情報を入力データとして機械学習アルゴリズムを実行することで、作業予測情報を更新する（ステップＳ１０８）。そして、本動作を終了する。

前述したように、実施形態における作業支援装置１によれば、工程番号を読み込み、読み込んだ工程番号に対応付けて記憶されている作業予定情報及び作業予測情報を作業情報ＤＢ３から取得し、作業予定情報に含まれる作業手順と作業予測情報に含まれる作業手順とを比較して、作業内容が相違する作業項目を検出し、その検出した作業項目を、作業者に注意を促す必要がある作業項目として作業者に通知することができる。

これにより、作業者は、作業を行う前の準備作業をする必要がなく、さらに、通常の作業パターンと異なり、うっかり間違えてしまう可能性がある作業項目が存在する場合に、その作業項目を、要注意の作業項目として通知を受けることができる。それゆえ、実施形態における作業支援装置１によれば、作業者が行う作業を簡便に支援することが可能となる。

また、実施形態における作業支援装置１によれば、作業予定情報に基づく作業手順を学習用の教師データとして機械学習アルゴリズムを実行し、機械学習アルゴリズムのパラメータを更新することができるため、作業予測情報の精度を高めることが可能となる。

また、実施形態における作業支援装置１によれば、比較する作業手順に含まれる作業項目間の相違の度合いに基づいて、作業項目ごとの相違スコアを算出し、相違スコアが最大となる作業項目を検出することができるため、作業手順の中で最も間違える可能性が高い作業項目について、作業者に注意を喚起することが可能となる。

[変形例]
なお、本発明は、前述した実施形態に限定されるものではなく、本発明の要旨を逸脱しない範囲内において、他の様々な形で実施することができる。このため、上記実施形態はあらゆる点で単なる例示にすぎず、限定的に解釈されるものではない。例えば、前述した各処理（ステップ）は処理内容に矛盾を生じない範囲で任意に順番を変更し、または並列に実行することができる。

また、前述した実施形態における相違検出部１３は、相違スコアが最大となる作業項目を検出しているが、相違スコアが最大となる作業項目であることには限定されない。例えば、相違スコアが所定値以上となる作業項目を検出することとしてもよい。

これにより、作業手順の中に間違える可能性が高い作業項目が複数ある場合に、その複数の作業項目について、作業者に注意を喚起することが可能となる。

また、前述した実施形態における通知部１４は、相違検出部１３により検出された作業項目を通知しているが、通知対象はこれに限定されない。例えば、相違検出部１３により検出された作業項目のうち、相違スコアが所定値以上となる作業項目を通知することとしてもよい。

これにより、相違スコアが最大であっても、間違える可能性が低い作業項目については、通知を差し控えることが可能となる。

１…作業支援装置、３…作業情報ＤＢ、４…読取装置、５…ディスプレイ、１１…読込部、１２…作業情報取得部、１３…相違検出部、１４…通知部、１５…学習部

Claims

プロセッサにより制御される方法であって、
過去に実施した作業手順を、所定の機械学習アルゴリズムを用いて時系列に学習して作業予測情報を生成する学習ステップと、
作業の対象となる工程を識別するための工程識別コードを読み込む読込ステップと、
前記読込ステップにおいて読み込まれた前記工程識別コードに対応付けて記憶されている、これから予定されている作業手順を含む作業予定情報、及び前記作業予測情報を取得する取得ステップと、
前記作業予定情報に含まれる作業手順と前記作業予測情報に含まれる作業手順とを比較し、作業内容が相違する作業項目を検出する検出ステップと、
前記検出された作業項目を、作業者に注意を促す必要がある作業項目として通知する通知ステップと、
を含む作業支援方法。
前記作業予定情報に基づく作業手順を学習用の教師データとし、前記機械学習アルゴリズムを実行することにより、前記機械学習アルゴリズムのパラメータを更新する第２学習ステップを、
さらに含む請求項１記載の作業支援方法。
前記検出ステップは、前記比較する作業手順に含まれる作業項目間の相違の度合いに基づいて、作業項目ごとの相違スコアを算出し、相違スコアが最大となる作業項目を検出する、
請求項１又は２記載の作業支援方法。
前記通知ステップは、前記検出された作業項目に対応する相違スコアが所定値以上である場合に、当該作業項目を通知する、
請求項３記載の作業支援方法。
前記検出ステップは、前記比較する作業手順に含まれる作業項目間の相違の度合いに基づいて、作業項目ごとの相違スコアを算出し、相違スコアが所定値以上となる作業項目を検出する、
請求項１又は２記載の作業支援方法。
前記機械学習アルゴリズムは、ＲＮＮ（Recurrent Neural Network）又はＬＳＴＭ(Long short term memory)のいずれかである、
請求項１から５のいずれか１項に記載の作業支援方法。
過去に実施した作業手順を、所定の機械学習アルゴリズムを用いて時系列に学習して作業予測情報を生成する学習部と、
作業の対象となる工程を識別するための工程識別コードを読み込む読込部と、
前記読込部により読み込まれた前記工程識別コードに対応付けて記憶されている、これから予定されている作業手順を含む作業予定情報、及び前記作業予測情報を取得する取得部と、
前記作業予定情報に含まれる作業手順と前記作業予測情報に含まれる作業手順とを比較し、作業内容が相違する作業項目を検出する検出部と、
前記検出された作業項目を、作業者に注意を促す必要がある作業項目として通知する通知部と、
を備える作業支援装置。