JP2022118239A - センサシステム - Google Patents
センサシステム Download PDFInfo
- Publication number
- JP2022118239A JP2022118239A JP2022101934A JP2022101934A JP2022118239A JP 2022118239 A JP2022118239 A JP 2022118239A JP 2022101934 A JP2022101934 A JP 2022101934A JP 2022101934 A JP2022101934 A JP 2022101934A JP 2022118239 A JP2022118239 A JP 2022118239A
- Authority
- JP
- Japan
- Prior art keywords
- learning model
- learning
- unit
- performance
- determination
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000010801 machine learning Methods 0.000 claims abstract description 7
- 238000006467 substitution reaction Methods 0.000 claims abstract 2
- 238000012545 processing Methods 0.000 claims description 37
- 238000000034 method Methods 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims 2
- 238000003860 storage Methods 0.000 abstract description 19
- 230000006866 deterioration Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 28
- 238000004891 communication Methods 0.000 description 15
- 238000003672 processing method Methods 0.000 description 9
- 230000005540 biological transmission Effects 0.000 description 6
- 238000005520 cutting process Methods 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000003466 welding Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000013215 result calculation Methods 0.000 description 2
- 240000001973 Ficus microcarpa Species 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Arrangements For Transmission Of Measured Signals (AREA)
Abstract
Description
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。
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。
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。
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。
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。
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。
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。
供することが可能になる。
)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。
<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30
c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。
0c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。
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。
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。
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。
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。
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1
2、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。
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。
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。
、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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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1
2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。
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。
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。
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。
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。
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。
203)。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)。
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)。
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。
<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。
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。
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)。
(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。
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。
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。
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。
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。
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。
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。
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)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022101934A JP7432161B2 (ja) | 2018-12-05 | 2022-06-24 | センサシステム |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018228364A JP7097006B2 (ja) | 2018-12-05 | 2018-12-05 | センサシステム |
JP2022101934A JP7432161B2 (ja) | 2018-12-05 | 2022-06-24 | センサシステム |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018228364A Division JP7097006B2 (ja) | 2018-12-05 | 2018-12-05 | センサシステム |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2022118239A true JP2022118239A (ja) | 2022-08-12 |
JP2022118239A5 JP2022118239A5 (ja) | 2022-11-17 |
JP7432161B2 JP7432161B2 (ja) | 2024-02-16 |
Family
ID=71013790
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018228364A Active JP7097006B2 (ja) | 2018-12-05 | 2018-12-05 | センサシステム |
JP2022101934A Active JP7432161B2 (ja) | 2018-12-05 | 2022-06-24 | センサシステム |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018228364A Active JP7097006B2 (ja) | 2018-12-05 | 2018-12-05 | センサシステム |
Country Status (1)
Country | Link |
---|---|
JP (2) | JP7097006B2 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021187211A (ja) | 2020-05-26 | 2021-12-13 | Toyo Tire株式会社 | 空気入りタイヤ |
JP7407152B2 (ja) * | 2021-08-20 | 2023-12-28 | Lineヤフー株式会社 | 情報処理装置、情報処理方法及び情報処理プログラム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09113351A (ja) * | 1995-08-15 | 1997-05-02 | Omron Corp | 振動監視装置及び振動監視条件決定装置 |
JP2000276460A (ja) * | 1999-03-24 | 2000-10-06 | Fuji Electric Co Ltd | 電力需要量予測方法 |
JP2005239198A (ja) * | 2004-02-26 | 2005-09-08 | Sanko Kikai Kk | L型シール金具タイプ自動包装機の噛み込み検知装置 |
JP2010152482A (ja) * | 2008-12-24 | 2010-07-08 | Fuji Xerox Co Ltd | 故障診断システム、故障診断装置およびプログラム、ならびに情報更新装置およびプログラム |
US20180296281A1 (en) * | 2017-04-12 | 2018-10-18 | Bio-Medical Engineering (HK) Limited | Automated steering systems and methods for a robotic endoscope |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06119291A (ja) * | 1992-10-06 | 1994-04-28 | Toshiba Corp | 配水量予測装置 |
JP2010216093A (ja) * | 2009-03-13 | 2010-09-30 | Omron Corp | 開閉体挟み込み検知装置 |
US9990587B2 (en) * | 2015-01-22 | 2018-06-05 | Preferred Networks, Inc. | Machine learning heterogeneous edge device, method, and system |
JP2017182114A (ja) * | 2016-03-28 | 2017-10-05 | ソニー株式会社 | 情報処理装置、情報処理方法および情報提供方法 |
JP6744208B2 (ja) * | 2016-12-27 | 2020-08-19 | 株式会社日立製作所 | 制御装置及び制御方法 |
JP6917004B2 (ja) * | 2017-04-20 | 2021-08-11 | オムロン株式会社 | 評価装置、評価方法及びそのプログラム |
-
2018
- 2018-12-05 JP JP2018228364A patent/JP7097006B2/ja active Active
-
2022
- 2022-06-24 JP JP2022101934A patent/JP7432161B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09113351A (ja) * | 1995-08-15 | 1997-05-02 | Omron Corp | 振動監視装置及び振動監視条件決定装置 |
JP2000276460A (ja) * | 1999-03-24 | 2000-10-06 | Fuji Electric Co Ltd | 電力需要量予測方法 |
JP2005239198A (ja) * | 2004-02-26 | 2005-09-08 | Sanko Kikai Kk | L型シール金具タイプ自動包装機の噛み込み検知装置 |
JP2010152482A (ja) * | 2008-12-24 | 2010-07-08 | Fuji Xerox Co Ltd | 故障診断システム、故障診断装置およびプログラム、ならびに情報更新装置およびプログラム |
US20180296281A1 (en) * | 2017-04-12 | 2018-10-18 | Bio-Medical Engineering (HK) Limited | Automated steering systems and methods for a robotic endoscope |
Also Published As
Publication number | Publication date |
---|---|
JP7432161B2 (ja) | 2024-02-16 |
JP2020091653A (ja) | 2020-06-11 |
JP7097006B2 (ja) | 2022-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2022118239A (ja) | センサシステム | |
JP6837848B2 (ja) | 診断装置 | |
JP6592039B2 (ja) | 熱変位補正装置 | |
JP4408921B2 (ja) | 電子機器 | |
JP2009020892A (ja) | 表示画像の計算方法 | |
JPH1195833A (ja) | プラント監視装置 | |
JP2012162037A5 (ja) | システム、画像形成装置、制御方法及びプログラム | |
JP2008107089A (ja) | 熱電対温度センサの温度ドリフト診断装置 | |
US10067105B2 (en) | Method for operating a measuring site | |
US20190033820A1 (en) | Numerical controller | |
KR101997217B1 (ko) | 장치 진단 시스템 | |
JP7382015B2 (ja) | センサシステム | |
JP5312475B2 (ja) | 機械装置のエネルギ消費量の分析方法および機械装置 | |
CN112560974B (zh) | 一种信息融合、车辆信息获取方法及装置 | |
JP7029647B2 (ja) | コントローラ、システム、方法及びプログラム | |
JP2008134068A (ja) | 魚群探知機 | |
JP6428357B2 (ja) | 診断装置、補正装置および出力装置 | |
WO2021241069A1 (ja) | 表示装置、水質計管理システム及び表示方法 | |
WO2024080087A1 (ja) | 検査条件決定システム | |
JP5422582B2 (ja) | 制御装置 | |
CN117171663A (zh) | 盾尾变形预测方法、装置、设备及可读存储介质 | |
CN113804332A (zh) | 基于超声成像系统的温感元件阵列故障诊断方法及其应用 | |
JP2021077274A (ja) | 故障予測システム及び故障予測方法 | |
JP2020151893A (ja) | 混練異常度学習装置、混練異常度推定装置、混練異常度学習方法、混練異常度推定方法及びプログラム | |
JPH04273260A (ja) | 自己診断修復システムを備えた画像形成装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220725 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221109 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230531 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230623 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230822 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231006 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231128 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240105 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240118 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7432161 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |