JP2020091653A - センサシステム - Google Patents

Abstract

【課題】学習モデルの性能の悪化を抑制することが可能な制御装置を提供する。【解決手段】本発明の一態様に係る制御装置は、センサが出力するセンシングデータを取得する取得部と、センシングデータを第１学習モデルに入力することにより得られる出力値を用いて所定の判定を行う判定部と、センシングデータに基づいて生成された学習用データを用いた機械学習により第２学習モデルを生成し、該第２学習モデルを記憶部に格納する学習部と、第１学習モデルの性能、及び第２学習モデルの性能のいずれが優れているかを判定する学習モデル判定部と、第２学習モデルの性能が第１学習モデルの性能より優れていると学習モデル判定部が判定した場合、第２学習モデルによって第１学習モデルを代替する代替部と、を備える。【選択図】図２

Description

本発明は、センサシステムに関する。

従来から、センサ等の機器の精度を向上させるために、機械学習の手法を用いて生成した学習モデルによってノイズを予測し、当該機器が出力するデータからノイズを除去することが行われている。

例えば、特許文献１には、自動的に学習モデルを取替えた上で、新たに学習訓練し、新しい判定システムを形成するエキスパート診断方法が開示されている。当該エキスパート診断方法には、自動的に学習モデルを取り換えてエキスパートシステムを更新するステップが含まれている。

また、特許文献２には、消費電力推定装置となる学習・分類器１２、及び学習モデルを他の学習モデルと交換するデータ交換部１５を備えた消費電力推定装置が開示されている。当該消費電力推定装置は、ネットワークトラフィックパターンがどの学習パターンに最も近いかを判別して、適切な学習モデルに交換する。

特表２０１０−５１９６９１号公報 特開２０１３−９７７１３号公報

しかしながら、学習モデルは学習によって常に改善される訳ではない。例えば、学習により性能が悪化する過学習が生じる場合もある。そして、性能の悪化した学習モデルをセンサ等の所定の機器へ適用すると、当該所定の機器を用いたシステム全体に悪影響が及ぶ。そのため、学習モデルの評価が必要となる場合がある。

そこで、本発明は、このような実情を鑑みてなされたものであり、その目的とするところは、学習モデルの性能の悪化を抑制することが可能なセンサシステムを提供することである。

本発明の一態様に係るセンサシステムは、センサが出力するセンシングデータを取得する取得部と、センシングデータを第１学習モデルに入力することにより得られる出力値を用いて所定の判定を行う判定部と、センシングデータを用いた機械学習により第２学習モデルを生成する学習部と、第１学習モデルの性能、及び第２学習モデルの性能のいずれが優れているかを判定する学習モデル判定部と、第２学習モデルの性能が第１学習モデルの性能より優れていると学習モデル判定部が判定した場合、第２学習モデルによって第１学習モデルを代替する代替部と、を備える。

この態様によれば、第１学習モデルによってセンシングデータによる判定が行われ、更に、当該センシングデータによって第２学習モデルが生成される。そして、第２学習モデルの性能が第１学習モデルの性能より優れていると判定された場合にのみ、第１学習モデルが第２学習モデルによって代替される。したがって、過学習等によって学習モデルが劣化することが抑制される。

本発明によれば、学習モデルの性能の悪化を抑制することが可能なセンサシステムを提供することが可能になる。

第１実施形態に係るセンサシステム１の概要を示す図である。 第１実施形態に係るマスタユニット１０の機能ブロックを示す図である。 第１実施形態に係るセンサシステム１による学習モデルの生成処理を説明するための図である。 第１実施形態に係るセンサシステム１による学習モデルの性能判定処理を説明するための図である。 センサシステム１による学習モデルの性能判定処理を説明するための図である。 第２実施形態に係る噛み込み検知部９１の構成を説明するための概略図である。 第２実施形態に係るマスタユニット１０の機能ブロックを示す図である。 第２実施形態に係るセンサシステム１による学習モデルの生成処理及び性能判定処理を説明するための動作フロー図である。 Ｓ２０７の学習処理を説明するための動作フロー図である。 Ｓ３０３の学習モデル判定処理を説明するための動作フロー図である。 第３実施形態に係るセンサシステム１の概要を示す図である。 第３実施形態に係るマスタユニット１０の機能ブロックを示す図である。 第３実施形態に係るセンサシステム１による学習モデルの生成処理等の動作フロー図である。 学習進捗表示の画面の一例である。 学習完了通知の表示画面の一例である。 学習進捗表示の画面の他の一例を示す図である。 複数のセンサを用いた連結構成によるシステムの一例を示す図である。 複数のセンサを用いた連結構成によるシステムにおける学習区間を説明するための図である。

以下において、本発明の一側面に係る実施の形態（以下、「本実施形態」とも表記する）を、図面に基づいて説明する。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。

［第１実施形態］
＜センサシステム１＞
図１は、第１実施形態に係るセンサシステム１の概要を示す図である。センサシステム１は、マスタユニット１０、第１スレーブユニット２０ａ、第２スレーブユニット２０ｂ、第３スレーブユニット２０ｃ、第１センサ３０ａ、第２センサ３０ｂ、第３センサ３０ｃ及びＰＬＣ４０を備える。第１センサ３０ａ、第２センサ３０ｂ及び第３センサ３０ｃは、ラインＬに沿って配置され、ラインＬ上を搬送されるワークの通過状況を示すデータを測定する。第１センサ３０ａ、第２センサ３０ｂ、及び第３センサ３０ｃはそれぞれ、例えばファイバーセンサにより構成されてもよい。或いは、これらセンサ３０は、透過型又は回帰反射型の光電センサであってもよい。或いは、これらセンサ３０は、対象物にレーザビームを投光し、三角測距の原理に基づいて対象物までの距離に対応する信号値を得る変位センサであってもよい。或いは、これらセンサ３０は、対象物で反射される光の往復時間に基づいて対象物までの距離に対応する信号値を得る測距センサであってもよい。

第１スレーブユニット２０ａ、第２スレーブユニット２０ｂ、第３スレーブユニット２０ｃは、複数のセンサ３０それぞれに接続され、複数のセンサ３０により測定されるデータを取得する。より具体的には、第１スレーブユニット２０ａは第１センサ３０ａに接続され、第２スレーブユニット２０ｂは第２センサ３０ｂに接続され、第３スレーブユニット２０ｃは第３センサ３０ｃに接続されている。

ＰＬＣ４０は、制御装置である。そして、マスタユニット１０は、複数のスレーブユニット２０ａ及び制御装置と接続されている。本明細書では、第１スレーブユニット２０ａ、第２スレーブユニット２０ｂ、第３スレーブユニット２０ｃをスレーブユニット２０と総称し、第１センサ３０ａ、第２センサ３０ｂ、第３センサ３０ｃをセンサ３０と総称する。なお、本実施形態に係るセンサシステム１の構成は一例であり、センサシステム１が備える複数のセンサ３０の数、複数のスレーブユニット２０ａの数は任意である。また、制御装置は、必ずしもＰＬＣ４０でなくてもよい。

マスタユニット１０は、ＬＡＮ（Local Area Network）等の通信ネットワークを介してＰＬＣ４０に接続されてよい。スレーブユニット２０は、マスタユニット１０に物理的かつ電気的に接続される。本実施形態において、マスタユニット１０は、スレーブユニット２０から受信した情報を記憶部に記憶し、記憶された情報をＰＬＣ４０に送信する。従って、スレーブユニット２０により取得されたデータは、マスタユニット１０によって一元化されてＰＬＣ４０に伝送される。

一例として、スレーブユニット２０からマスタユニット１０には、判定信号及び検出情報が伝送される。判定信号とは、センサ３０により測定されたデータに基づき、スレーブユニット２０によって判定された、ワークに関する判定結果を示す信号である。例えばセンサ３０が光電センサである場合、判定信号は、センサ３０により測定された受光量と閾値とを、スレーブユニット２０によって比較して得られるオン信号又はオフ信号であってよい。検出情報は、スレーブユニット２０の検出動作によって得られる検出値である。例えばセンサ３０が光電センサである場合、検出動作は、投光及び受光の動作であり、検出情報は、受光量であってよい。

スレーブユニット２０は、マスタユニット１０の側面に取り付けられてよい。マスタユニット１０とスレーブユニット２０との通信には、パラレル通信又はシリアル通信が用いられてよい。すなわち、マスタユニット１０と、スレーブユニット２０とがシリアル伝送路及びパラレル伝送路で物理的に接続されてよい。例えば、パラレル伝送路上でスレーブユニット２０からマスタユニット１０に判定信号が送信され、シリアル伝送路上で、スレーブユニット２０からマスタユニット１０に検出情報が送信されてよい。なお、マスタユニット１０とスレーブユニット２０とを、シリアル伝送路及びパラレル伝送路のうちのいずれか一方で接続してもよい。

＜マスタユニット１０＞
図２は、第１実施形態に係るマスタユニット１０の機能ブロックを示す図である。マスタユニット１０は、制御装置の一例であって、学習進捗表示部１１、学習モデル判定部１２、通信部１４、判定部１５、判定表示部１６、出力部１７、入力部１８とを備える。これらは、マスタユニット１０が備える１つのプロセッサによって実現されてもよく、或いは、複数のプロセッサによって実現されてもよい。

学習進捗表示部１１は、学習モデル２の学習の進捗度合いや、学習モデル１が代替されたことを表示するための手段であって、例えば、LEDや液晶などで構成される。

学習モデル判定部１２は、学習モデル１の性能と学習モデル２の性能とを比較して、いずれの性能が良いかを判定する。学習モデルの性能の判定方法は任意の方法を採用しても良い。例えば、当該判定方法は、所定の期間におけるセンシングデータと予測データとの差分の分散値が小さいほど良い学習モデルであると定義しても良い。或いは、当該判定方法は、所定の期間におけるセンシングデータと予測データとの差分の最大値及び最小値の絶対値が小さいほど良い学習モデルであると定義してもよい。或いは、当該判定方法は、所定の期間におけるセンシングデータと予測データとの差分の平均値が小さいほど良い学習モデルであると定義してもよい。

また、学習モデル判定部１２は、学習モデルの性能の判定結果を学習進捗表示部１１や、通信部１４を介してＰＬＣ４０等の上位ユニットに送信してもよい。また、学習モデル判定部１２は、例えば一定期間毎に学習モデルの性能の判定を行っても良い。

学習部１３は、センシングの合間にセンシングデータを学習用データとする機械学習を行い、学習モデル２を生成し、当該学習モデル２を記憶部２０に格納する。通信部１４は、ＰＬＣ４０との通信を行うインターフェースである。通信部１４は、ＰＬＣ４０以外の上位ユニットとの通信を行うものであってもよい。通信部１４は、フィールドバスなどの有線通信が可能な通信モジュール、或いは、無線通信が可能な通信モジュールであってもよい。

判定部１５は、学習モデル１を用いて、センシングデータに基づいてワークに関する判定を行う。判定表示部１６は、判定結果を表示する。表示の態様は特に限定されない。出力部１７は、判定結果をＰＬＣ４０等の外部装置へ出力する。出力値は、On/Offの２値でも、エンコードした複数bit信号でも良い。入力部１８は、ユーザの操作を受け付けるボタンなどで構成される。入力部１８は、例えば、学習データをロールバックするための入力を受け付けてもよい。

センシング部１９は、スレーブユニット２０ａ、加工部１９ａ、及び取得部１９ｂにより構成される。加工部１９ａ、及び取得部１９ｂは、例えば、マスタユニット１０に含まれていてもよく、或いは、マスタユニット１０に含まれていなくても良い。加工部１９ａは、スレーブユニット２０ａから受信したデータを加工する。加工の態様は特に限定されない。取得部１９ｂは、加工部１９ａが加工したデータを取得し、記憶部２０にセンシングデータとして格納する。

記憶部２０は、１つ又は複数のメモリから構成される。記憶部のアクセスバスは１つでも、複数であってもよい。記憶部２０は、例えば、センシングデータと、データ処理方法と、学習モデル１と、学習モデル２と、旧学習モデルと、学習判定方法と、モデル１判定結果とを格納する。

センシングデータは、センサ３０が測定したデータを加工しないでも、加工部１９ａにより加工されたデータであってもよい。データ処理方法は、センシングデータを学習データに加工する処理を規定した方法である。当該加工の方法は特に限定されず、また、「加工しない」（センサ３０が測定したデータをそのまま用いる）場合を含んでもよい。学習モデル１（第１学習モデル）は、ワークの判定に使用する学習モデルである。学習モデル２（第２学習モデル）は、学習部１３が生成する学習モデルである。旧学習モデルは、学習モデル１が学習モデル２によって代替される前の学習モデル１に係る学習モデルである。学習判定方法は、学習モデルの性能を判定するための判定方法を規定したデータである。モデル１判定結果は、学習モデル１の性能に関する判定結果を示すデータである。

なお、マスタユニット１０は、スレーブユニット毎に異なる学習モデルのペアを有していてもよい。この場合、例えば、第１スレーブユニット２０ａには学習モデル１及び学習モデル２が対応し、第２スレーブユニット２０ｂには学習モデル３（第３学習モデル）及び学習モデル４（第４学習モデル）が対応する。

＜学習モデルの生成処理＞
図３は、第１実施形態に係るセンサシステム１による学習モデルの生成処理を説明するための図である。

まず、学習部１３は、記憶部２０に格納されたデータ処理方法を読み込む。データ処理方法は、特に限定されないが、例えば、平均処理、ＦＦＴ（高速フーリエ変換）処理、平滑化処理等を含んでよい。次に、学習部１３は、記憶部２０に格納されたセンシングデータを取得し、上記データ処理方法によってセンシングデータを加工することにより、学習用データを生成する。次に、学習部１３は、生成された学習用データを用いて機械学習を行い、学習モデルを生成する。次に、学習部１３は、生成された学習モデルを学習モデル２として記憶部２０に格納する。以上で、学習モデルの生成処理が終了する。

＜学習モデルの性能判定処理＞
図４Ａ及び図４Ｂは、第１実施形態に係るセンサシステム１による学習モデルの性能判定処理を説明するための図である。

まず、学習モデル判定部１２は、記憶部２０からセンシングデータを取得し、学習判定方法に基づく後処理部１、後処理部２等によりセンシングデータの後処理を行う。当該後処理の内容は特に限定されないが、例えば、平均処理、ＦＦＴ処理、減算・加算処理等を含んでもよい。次に、学習モデル判定部１２は、学習モデル２に基づいて、予測処理を行う。次に、学習モデル判定部１２は、判定結果計算部により、判定結果を算出する。判定結果の算出方法の内容は特に限定されないが、例えば、上述したとおり、分散値、最大値・最小値、及び平均値等を用いて判定結果を算出してもよい。次に、学習モデル判定部１２は、判定結果比較・反映部により、判定結果の比較を行う。このとき、学習モデル２の性能が学習モデル１の性能より優れているとの判定結果が算出された場合は、学習モデル２によって学習モデル１を代替する。以上で、学習モデルの性能判定処理が終了する。

［第２実施形態］
以下、第２実施形態について説明する。第２実施形態は、本発明を包装装置の噛み込み検知部９１に適用した例である。以下では、第２実施形態のうち、第１実施形態と異なる部分について説明し、第１実施形態と同様の構成については適宜説明を省略する。

＜噛み込み検知部９１＞
図５は、第２実施形態に係る噛み込み検知部９１の構成を説明するための概略図である。シール部６１，６２には、Ａ１及びＢ１、Ａ２及びＢ２の２組の溶着切断部が設けられ、これら溶着切断部の組毎に、溶着切断処理が行われるタイミングに応じたサンプリング期間が設定される。フィルム材１０１を溶着する時にヒータ部８１ａ、８１ｂ、８２ａ、８２ｂとカッター部８３、８４との間に異物を噛み混むと、シール部６１、６２の回転軸は軸に対して垂直方向へずれる。そして、当該回転軸のずれに応じて金属板９０が変位するため、当該変位を近接センサ９１で計測することにより、噛み込みを検知することができる。

図６は、第２実施形態に係るマスタユニット１０の機能ブロックを示す図である。第２実施形態に係るマスタユニット１０は、複数のスレーブユニット２０ａに代えて、噛み込み検知部９１からセンシングデータを取得する。

＜学習モデルの生成及び学習モデルの性能判定処理＞
図７は、第２実施形態に係るセンサシステム１による学習モデルの生成処理及び性能判定処理を説明するための動作フロー図である。

まず、上位ユニットによりデータ処理方法をマスタユニット１０にアップロードする（Ｓ２０１）。データ処理方法は特に限定されないが、例えば、「データは加工せず、ｔ−ｎ、ｔ−ｎ＋１、…、ｔ（ｔ：計測時間、ｎ：整数）のｎ次元のデータを学習モデルへの入力とする」という設定をデータ処理方法としてアップロードしてもよい。次に、上位ユニットにより学習判定方法をマスタユニット１０にアップロードする（Ｓ２０２）。学習判定方法は特に限定されないが、例えば、「一定時間の分散値Σ｜ｆ（ｔ）−ｐ｜２（ｆ（ｔ）：時間ｔの学習モデルによる予測値、ｐ：計測値）が小さいほど学習モデルの性能が優れている」という設定を学習判定方法としてアップロードしてもよい。

次に、上位ユニットによりモデル１判定結果を最悪値である「０％」にセットする（Ｓ２０３）。次に、噛み込み検知部９１の動作を開始する（Ｓ２０４）。次に、上位ユニットによりマスタユニット１０の学習を開始する（Ｓ２０５）。次に、終了フラグを０に、時間を１に、それぞれセットする（Ｓ２０６）。次に、学習処理を実行する（Ｓ２０６）。学習処理の実行（Ｓ２０６）は、終了フラグが１になるまで繰り返す（Ｓ２０８）。

図８は、Ｓ２０７の学習処理を説明するための動作フロー図である。まず、所定の学習インターバルとして定めた期間が経過したか否かを判定する（Ｓ３０１）。具体的には、時間を学習インターバルで除した余りが０であるか否かを判定し、当該判定結果がＹｅｓになるまでこれを繰り返す。Ｓ３０１の判定結果がＹｅｓとなった場合、記憶部２０に記憶されたデータ処理方法にしたがって、学習モデル２を生成・代替する。次に、学習モデル判定処理を行う（Ｓ３０３）。

図９は、Ｓ３０３の学習モデル判定処理を説明するための動作フロー図である。まず、所定の判定インターバルとして定めた期間が経過したか否かを判定する（Ｓ４０１）。具体的には、時間を判定インターバルで除した余りが０であるか否かを判定し、当該判定結果がＹｅｓになるまでこれを繰り返す。Ｓ４０１の判定結果がＹｅｓとなった場合、記憶部２０に記憶された学習判定方法にしたがって学習モデル２の性能を評価する。次に、学習モデル２の性能が学習モデル１の性能より優れているか否かを判定する（Ｓ４０３）。
当該判定結果がＮｏである場合、処理を終了する。一方、当該判定結果がＹｅｓである場合、記憶部２０に記憶された学習モデル１に学習モデル２をコピーする（Ｓ４０４）。次に、学習モデル２の結果をモデル１判定結果に格納する（Ｓ４０５）。以上で学習モデルの生成処理及び性能判定処理が終了する。

［第３実施形態］
＜センサシステム１＞
図１０は、第３実施形態に係るセンサシステム１の概要を示す図である。以下では、第３実施形態のうち第１実施形態と異なる部分について説明すると共に、両実施形態に共通する部分は適宜説明を省略する。センサシステム１は、マスタユニット１０、第１スレーブユニット２０ａ、第２スレーブユニット２０ｂ、第３スレーブユニット２０ｃ、第１センサ３０ａ、第２センサ３０ｂ、第３センサ３０ｃ、ＰＬＣ４０及び外部記憶媒体５０を備える。外部記憶媒体５０は、例えば、ＰＣやＵＳＢメモリ等であってよい。センサシステム１は、外部記憶媒体５０に記憶された以前の学習モデルやサンプルデータを利用することができる。また、センサシステム１は、別のシステムで取得されたデータをコピーして使用することができる。マスタユニット１０は、表示部６０を備えている。表示部６０は、例えば、現在の学習の進行度と学習完了判定を表示する。これにより、ユーザは、現在の学習の進行度と学習完了判定を確認することができる。

＜マスタユニット１０＞
図１１は、第３実施形態に係るマスタユニット１０の機能ブロックを示す図である。マスタユニット１０は、制御装置の一例であって、通信部１４、判定部１５、取得部１９ｂ、補正部１９ｃ、タイマ２１、表示部６０を備える。これらは、マスタユニット１０が備える１つのプロセッサによって実現されてもよく、或いは、複数のプロセッサによって実現されてもよい。また、マスタユニット１０が有する記憶部２０は、例えば、センシングデータ、測定タイミング、及び学習済モデルを記憶する。

図１２は、第３実施形態に係るセンサシステム１による学習モデルの生成処理等の動作フロー図である。まず、マスタユニット１０は、学習の開始に係る所定の設定処理を実行する（Ｓ５０１）。次に、マスタユニット１０は、サンプルデータの入力を受け付ける（Ｓ５０２）。次に、マスタユニット１０は、表示部６０を介して、学習進捗表示の画面を表示する（Ｓ５０３）。次に、マスタユニット１０は、学習が終了すると、表示部６０を介して学習完了通知の画面を表示する（Ｓ５０４）。

図１３は、学習進捗表示の画面の一例である。学習進捗表示の画面は、目標とする精度（目標精度）に対して現在のモデル判定精度がどの程度の割合であるかを示す表示画面である。ユーザは、学習進捗表示の画面によって、学習進捗状態を把握できる。センサシステム１は、サンプルデータの入力によって、モデルの判定精度と学習のステータス（進捗）を表示する。モデルの判定精度は、判定率分析のためのテストデータに対する正答率を用いてもよい。具体的には、入力済みのサンプルデータに対する交差検証結果（hold-out法やLeave-One-Out法など）や、ユーザが指定した特定のデータに対する正答率であってもよい。また、目標とする学習モデルの正答率（目標精度）はユーザが任意に設定できるようにしてもよい。また、過去の学習サンプル数とモデル判定精度の推移から回帰曲線を求めることにより、予測必要サンプル数を算出できるようにしてもよい。

図１４は、学習完了通知の表示画面の一例である。学習完了通知の表示画面は、モデル判定の精度が目標精度に到達したことを示す表示画面である。学習完了後、学習モデルを更新するかキャンセルするか選択できるようにしてもよい。具体的には、図１４に示すとおり、学習完了通知の表示画面には、学習モデル更新と、キャンセルとを選択する選択部が表示される。学習モデル更新が選択されると、学習が完了したモデルによって旧学習モデルが更新される。キャンセルが選択されると、学習モデルの更新がキャンセルされる。また、センサシステム１は、過去の学習モデルの判定精度と現在の学習モデルの判定精度を比較し、性能が向上した場合に自動更新するようにしてもよい。また、センサシステム１において、モデル更新のたびに学習モデルがバックアップされ、任意のタイミングでバックアップされた学習モデルに復元されるようにしてもよい。

図１５は、学習進捗表示の画面の他の一例を示す図である。図１５に示すとおり、学習進捗表示の画面は、目標判別精度、モデル判別精度、学習進捗率の各数値や、学習進捗率を示した表示バーを含んでいてもよい。

＜連結アンプでの学習状態表示＞
図１６は、複数のセンサを用いた連結構成によるシステムの一例を示す図である。当該システムにでは、一部のスレーブユニットの出力信号をトリガ入力用センサとして利用し、他の一部のスレーブユニットの出力信号をデータ取得用センサとして利用している。具体的には、当該システムは、複数のスレーブユニット２０を有している。各スレーブユニット２０は、学習用のデータ取得用センサ１と、開始を指定するトリガセンサ１と、終了を指定するトリガセンサ２と、学習用のデータ取得用センサ２と、開始を指定するトリガセンサ３と、終了を指定するトリガセンサ４とに対応する。各スレーブユニット２０はは、表示灯を有している。表示灯は、例えば図１６に示す表示態様によって、学習中、トリガ、学習完了、及びＡＩ無効等の状態を示すことが可能である。この構成により、センサ状態を個別に表示灯色等によって表示することにより、センサごとの役割（状態）と学習完了したかどうかを一目で把握することができる。センサ状態は、スレーブユニットに表示灯色で表示するほか、表示灯の点滅パターンによる表示や７セグメント表示、ドットマトリクス表示によって各状態を識別できる形で表示しても良い。なお、スレーブユニットに代えて、或いはスレーブユニットと共に、マスタユニットに表示灯を設けてもよい。

図１７は、複数のセンサを用いた連結構成によるシステムにおける学習区間を説明するための図である。図１７に示すとおり、データ取得用センサ１は、トリガセンサ１の信号がＨｉｇｈとなった時点で学習を開始し、トリガセンサ２の信号がＨｉｇｈとなった時点で学習を終了する。同様に、データ取得用センサ２は、トリガセンサ３の信号がＨｉｇｈとなった時点で学習を開始し、トリガセンサ４の信号がＨｉｇｈとなった時点で学習を終了する。このように、スレーブユニットをトリガセンサとして利用する場合は、当該信号に紐づくデータ取得用センサを指定することにより、その信号の学習区間を指定することができる。

以上説明したとおり、上述した実施形態では特に、以下の２つのケースにおいて有利な効果を奏する。
（１）初期学習
最初の学習時においては、随時センシングデータを学習データとして学習モデルをアップデートするため、従来技術においては、過学習によって学習モデルの性能が劣化する場合がある。しかしながら、上述した実施形態では、学習モデル２のみが随時更新（アップデート）され、学習モデル１は、学習モデル２の性能が学習モデル１の性能よりも「良い」と判定された時のみしか更新されない。したがって、マスタユニット１０の学習モデル１は常に最良の結果となる。

（２）リアルタイム学習（半教師なし学習）
学習モデルが２つあることによりセンサとして動作させながら学習モデルの随時更新（リアルタイム学習）が可能になる。包装装置のカッター部などは摩耗するなどして、時間経過とともにその状態が変化するため、近接センサで取得できる計測波形も変化していく。ただし、この変化は急激なものでなく緩やかなものである。このとき、学習モデル１により予測されたデータと計測値の一定時間の分散値がモデル１判定結果以内である時、つまり噛み込みではないと判定される時のデータを学習データとして学習モデルをアップデートさせる。これにより計測しながらでも学習モデル２はカッター部などの環境変化にも対応できる学習モデルへとアップデートされる。さらに、学習判定方法により学習モデルの良し悪しを判定して、学習モデル１をアップデートするため悪くなるということはない。よって、学習モデルが２つあることにより計測しながら、環境変化に対応した学習モデルへと進化させることが可能となる。

１ センサシステム
１０ マスタユニット
１１ 学習進捗表示部
１２ 学習モデル判定部
１３ 学習部
１４ 通信部
１５ 判定部
１６ 判定表示部
１７ 出力部
１８ 入力部
１９ センシング部
１９ａ 加工部
１９ｂ 取得部
２０記憶部
２０ａ 第１スレーブユニット
２０ｂ 第２スレーブユニット
２０ｃ 第３スレーブユニット
３０ センサ
３０ａ 第１センサ
３０ｂ 第２センサ
３０ｃ 第３センサ
４０ ＰＬＣ
９１ 噛み込み検知部

Claims (10)

1. センサに接続され、前記センサを制御する制御装置であって、
   前記センサが出力するセンシングデータを取得する取得部と、
   前記センシングデータを第１学習モデルに入力することにより得られる出力値を用いて所定の判定を行う判定部と、
   前記センシングデータを用いた機械学習により第２学習モデルを生成する学習部と、
   前記第１学習モデルの性能、及び前記第２学習モデルの性能のいずれが優れているかを判定する学習モデル判定部と、
   前記第２学習モデルの性能が前記第１学習モデルの性能より優れていると前記学習モデル判定部が判定した場合、前記第２学習モデルによって前記第１学習モデルを代替する代替部と、
   を備えることを特徴とする制御装置。
2. 前記学習モデル判定部は、前記センシングデータと、前記センシングデータを前記第１学習モデルに入力することにより得られる出力値との第１の差分、及び、前記センシングデータと、前記センシングデータを前記第２学習モデルに入力することにより得られる出力値との第２の差分に基づいて、前記第１学習モデルの性能、及び前記第２学習モデルの性能のいずれが優れているかを判定する、請求項１に記載の制御装置。
3. 前記学習モデル判定部は、所定の期間における前記第１の差分、及び前記第２の差分それぞれの分散値、最大値、最小値、及び平均値の少なくともいずれかを用いて、前記第１学習モデルの性能、及び前記第２学習モデルの性能のいずれが優れているかを判定する、請求項２に記載の制御装置。
4. 前記所定のセンサは、近接センサ又は噛み込み検知部である、請求項１から３のいずれか一項に記載の制御装置。
5. 前記所定のセンサが出力する前記センシングデータを加工する加工部を更に備える、請求項１から４のいずれか一項に記載の制御装置。
6. 前記学習モデル判定部による判定の進捗を表示する学習進捗表示部を更に備える、請求項１から５のいずれか一項に記載の制御装置。
7. 前記学習モデル判定部による判定の結果を表示する表示部を更に備える、請求項１から６のいずれか一項に記載の制御装置。
8. 前記表示部は、前記判定の結果を、第１の評価方法による態様で、及び／又は、第２の評価方法による態様で、表示する、請求項７に記載の制御装置。
9. 学習モデルの代替の指示を生成するための操作部を更に備え、
   前記代替部は、前記第２学習モデルの性能が前記第１学習モデルの性能より優れていると前記学習モデル判定部が判定した場合であって、且つ前記操作部によって前記指示が生成された場合に、前記第２学習モデルによって前記第１学習モデルを代替する、請求項１から８のいずれか一項に記載の制御装置。
10. 前記取得部は更に、第２のセンサが出力する第２のセンシングデータを取得し、
    前記判定部は更に、前記第２のセンシングデータを第３学習モデルに入力することにより得られる出力値を用いて他の所定の判定を行い、
    前記学習部は更に、前記第２のセンシングデータを用いた機械学習により第４学習モデルを生成し、
    前記学習モデル判定部は更に、前記第３学習モデルの性能、及び前記第４学習モデルの性能のいずれが優れているかを判定し、
    前記代替部は更に、前記第４学習モデルの性能が前記第３学習モデルの性能より優れていると前記学習モデル判定部が判定した場合、前記第４学習モデルによって前記第３学習モデルを代替する、
    請求項１に記載の制御装置。