JP2022127675A - モデル生成装置、モデル生成方法、モデル生成プログラム、推定装置、推定方法、及び推定プログラム - Google Patents
モデル生成装置、モデル生成方法、モデル生成プログラム、推定装置、推定方法、及び推定プログラム Download PDFInfo
- Publication number
- JP2022127675A JP2022127675A JP2021025798A JP2021025798A JP2022127675A JP 2022127675 A JP2022127675 A JP 2022127675A JP 2021025798 A JP2021025798 A JP 2021025798A JP 2021025798 A JP2021025798 A JP 2021025798A JP 2022127675 A JP2022127675 A JP 2022127675A
- Authority
- JP
- Japan
- Prior art keywords
- target
- correction amount
- servo motor
- temperature
- estimation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000004519 manufacturing process Methods 0.000 claims abstract description 201
- 238000012937 correction Methods 0.000 claims abstract description 139
- 230000007613 environmental effect Effects 0.000 claims abstract description 103
- 238000012549 training Methods 0.000 claims abstract description 88
- 230000007246 mechanism Effects 0.000 claims abstract description 42
- 238000010801 machine learning Methods 0.000 claims description 57
- 238000004806 packaging method and process Methods 0.000 claims description 42
- 230000008569 process Effects 0.000 claims description 40
- 238000012545 processing Methods 0.000 claims description 32
- 238000000465 moulding Methods 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 description 53
- 229920006280 packaging film Polymers 0.000 description 23
- 239000012785 packaging film Substances 0.000 description 23
- 238000004891 communication Methods 0.000 description 17
- 230000010365 information processing Effects 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 10
- 230000000052 comparative effect Effects 0.000 description 9
- 238000011156 evaluation Methods 0.000 description 9
- 238000000611 regression analysis Methods 0.000 description 6
- 238000004088 simulation Methods 0.000 description 6
- 230000032258 transport Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000012706 support-vector machine Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 238000004804 winding Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 239000004698 Polyethylene Substances 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000010687 lubricating oil Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 235000012149 noodles Nutrition 0.000 description 1
- -1 polyethylene Polymers 0.000 description 1
- 229920000573 polyethylene Polymers 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
【課題】複数の機構を備える生産設備のサーボモータの駆動に関する補正量を比較的に低コストでかつ精度よく推定する技術を提供する。【解決手段】本発明の一側面に係るモデル生成装置1は、サーボモータ46を含む複数の機構を備える生産設備45から収集された複数の学習データセット3を取得し、取得された複数の学習データセット3を使用して、推定モデルの機械学習を実施する。各学習データセット3は、訓練データ31及び正解ラベル32の組み合わせにより構成される。機械学習では、モデル生成装置1は、訓練データ31により示されるサーボモータ46の温度、環境温度、及び環境湿度からサーボモータ46の駆動に関する補正量を推定した結果が正解ラベル32により示される真値に適合するように推定モデル5を訓練する。【選択図】図1
Description
本発明は、モデル生成装置、モデル生成方法、モデル生成プログラム、推定装置、推定方法、及び推定プログラムに関する。
包装機等のサーボモータを備える生産設備において、サーボモータの温度からサーボモータの状態を推定(予測を含む)し、推定される状態からサーボモータの駆動(例えば、トルク)を補正する方法が採用されることがある。近年、この方法に関して、サーボモータの温度以外の情報を更に利用して、サーボモータの動作をより精度よく補正する様々な方法が提案されている。
例えば、特許文献1では、回転体の温度に加えて、記録媒体の搬送速度を検出し、検出された回転体の温度及び記録媒体の搬送速度の少なくとも一方に基づいて、モータにより回転体に伝達されるトルクを補正する方法が提案されている。特許文献2では、生産設備に備えられた駆動装置の回転構造の軸受けから排出される潤滑油の配管における排気の温度を検出し、検出された排気の温度に基づいて、生産設備の状態を判定する方法が提案されている。
本件発明者らは、上記従来の方法には、次のような問題点があることを見出した。すなわち、例えば、包装機、ウェブ搬送機、成形機、レンズアライメント機、組立機等の生産設備は、サーボモータを含む複数の機構を備える。生産設備が包装機の場合、機構は、例えば、フィルム搬送部、内容物搬送部、製袋部等である。従来の方法によれば、各機構の状態を個別にセンサで監視することにより、サーボモータの駆動に関する補正量を精度よく推定することができる。しかしながら、生産設備の備える機構が多くなればなるほど、設置するセンサの数が多くなってしまう。また、各機構の状態を測定するためのセンサは、生産設備が構築された後に設置されることが多い。そのため、従来の方法では、センサの設置コストが高くなってしまう。更に、生産設備を変更する際に、センサの変更も検討することになり、当該変更にかかるコストが高くなってしまう。
本発明は、一側面では、このような事情を鑑みてなされたものであり、その目的は、複数の機構を備える生産設備のサーボモータの駆動に関する補正量を比較的に低コストでかつ精度よく推定する技術を提供することである。
本発明は、上述した課題を解決するために、以下の構成を採用する。
すなわち、本発明の一側面に係るモデル生成装置は、サーボモータを含む複数の機構を備える生産設備から収集された複数の学習データセットを取得するように構成されたデータ取得部であって、前記各学習データセットは、訓練データ及び正解ラベルの組み合わせにより構成され、前記訓練データは、前記サーボモータの温度、前記生産設備を代表する位置の環境温度、及び前記代表する位置の環境湿度を示すように構成され、並びに前記正解ラベルは、対応する前記訓練データに示される状況の際に前記生産設備を適正に稼働するための前記サーボモータの駆動に関する補正量の真値を示すように構成される、データ取得部と、取得された複数の学習データセットを使用して、推定モデルの機械学習を実施するように構成された学習処理部であって、前記機械学習は、前記各学習データセットについて、前記訓練データにより示される前記サーボモータの温度、前記環境温度、及び前記環境湿度から前記サーボモータの駆動に関する補正量を推定した結果が前記正解ラベルにより示される前記真値に適合するように前記推定モデルを訓練することにより構成される、学習処理部と、を備える。
後述する実験例に示されるとおり、本件発明者らは、複数の機構を備える生産設備について、サーボモータの温度の他に、生産設備の代表する位置で観測された環境温度及び環境湿度を説明変数に用いることで、各機構個々の情報を用いなくても、サーボモータの駆動に関する補正量(例えば、トルクの補正量等)を比較的に高精度に推定可能であることを見出した。代表する位置の環境温度及び環境湿度は、測定箇所及び測定項目の数の観点から、生産設備の個々の機構を監視するのに比べて簡単でかつ低コストに測定可能である。したがって、当該構成によれば、生産設備の個々の機構の状態を観測するのにかかるコストを低減することができる。よって、複数の機構を備える生産設備のサーボモータの駆動に関する補正量を比較的に低コストでかつ精度よく推定可能な訓練済みの推定モデルを生成することができる。
上記一側面に係るモデル生成装置において、前記訓練データは、前記生産設備の連続稼働時間を更に示すように構成されてよい。前記機械学習は、前記各学習データセットについて、前記訓練データにより示される前記サーボモータの温度、前記環境温度、前記環境湿度、及び前記連続稼働時間から前記サーボモータの駆動に関する補正量を推定した結果が前記正解ラベルにより示される前記真値に適合するように前記推定モデルを訓練することにより構成されてよい。後述する実験例に示されるとおり、本件発明者らは、生産設備の連続稼働時間を説明変数に更に利用することで、サーボモータの駆動に関する補正量を推定する精度の向上を図ることができることを見出した。連続稼働時間は、生産設備の稼働を開始した時刻を保持していれば特定することができるため、生産設備の個々の機構を監視するのに比べて明らかに簡単でかつ低コストに測定可能である。したがって、当該構成によれば、複数の機構を備える生産設備のサーボモータの駆動に関する補正量を比較的に低コストでかつより精度よく推定可能な訓練済みの推定モデルを生成することができる。
上記一側面に係るモデル生成装置において、前記サーボモータの駆動に関する補正量は、前記サーボモータのトルクの補正量、前記サーボモータの速度(回転速度、回転数)の補正量、前記サーボモータの位置(回転角度)の補正量、前記サーボモータの駆動電力(消費電力)の補正量及び前記サーボモータに対する電流値の補正量の少なくともいずれかであってよい。当該構成によれば、サーボモータのトルク、速度、位置、駆動電力、及び電流値の少なくともいずれかを比較的に低コストでかつ精度よく推定可能な訓練済みの推定モデルを生成することができる。
上記一側面に係るモデル生成装置において、前記代表する位置は、前記生産設備の操作パネルの周囲、前記生産設備の空間的な中心位置付近、及び前記生産設備の中間工程又は要の工程付近の少なくともいずれかであってよい。当該構成によれば、生産設備の主要な駆動に関与する部分の温度及び湿度を環境温度及び環境湿度として得ることができ、これにより、複数の機構を備える生産設備のサーボモータの駆動に関する補正量を比較的に低コストでかつ精度よく推定可能な訓練済みの推定モデルを生成することができる。
上記一側面に係るモデル生成装置において、前記生産設備は、包装機、ウェブ搬送機、成形機、レンズアライメント機、又は組立機であってよい。当該構成によれば、包装機、ウェブ搬送機、成形機、レンズアライメント機、又は組立機のサーボモータの駆動に関する補正量を比較的に低コストでかつより精度よく推定可能な訓練済みの推定モデルを生成することができる。
また、本発明の形態は、上記モデル生成装置に限られなくてよい。本発明の一側面は、上記いずれかの形態に係るモデル生成装置で生成された訓練済みの推定モデルを使用して、生産設備の対象のサーボモータの駆動に関する補正量を推定するように構成された推定装置であってもよい。
例えば、本発明の一側面に係る推定装置は、対象のサーボモータを含む複数の機構を備える対象の生産設備から対象データを取得するように構成されたデータ取得部であって、前記対象データは、前記対象のサーボモータの温度、前記対象の生産設備を代表する位置の対象環境温度、及び前記代表する位置の対象環境湿度を示すように構成される、データ取得部と、機械学習により生成された訓練済みの推定モデルを使用して、取得された前記対象データにより示される前記対象のサーボモータの温度、前記対象環境温度、及び前記対象環境湿度から前記対象の生産設備を適正に稼働するための前記対象のサーボモータの駆動に関する補正量を推定するように構成された推定部と、前記補正量を推定した結果(推定値)に関する情報を出力するように構成された出力部と、を備える。当該構成によれば、訓練済みの推定モデルを使用ことで、複数の機構を備える生産設備のサーボモータの駆動に関する補正量を比較的に低コストでかつ精度よく推定することができる。
上記一側面に係る推定装置において、前記対象データは、前記対象の生産設備の連続稼働時間を更に示すように構成されてよく、前記推定部は、前記訓練済みの推定モデルを使用して、取得された前記対象データにより示される前記対象のサーボモータの温度、前記対象環境温度、前記対象環境湿度及び前記連続稼働時間から前記対象のサーボモータの駆動に関する補正量を推定するように構成されてよい。前記対象のサーボモータの駆動に関する補正量は、前記サーボモータのトルクの補正量、前記サーボモータの速度(回転速度、回転数)の補正量、前記サーボモータの位置(回転角度)の補正量、前記サーボモータの駆動電力(消費電力)の補正量及び前記サーボモータに対する電流値の補正量の少なくともいずれかであってよい。前記対象の生産設備を代表する位置は、前記生産設備の操作パネルの周囲、前記生産設備の空間的な中心位置付近、及び前記生産設備の中間工程又は要の工程付近の少なくともいずれかであってよい。前記対象の生産設備は、包装機、ウェブ搬送機、成形機、レンズアライメント機、又は組立機であってよい。
また、上記各形態に係るモデル生成装置及び推定装置それぞれの別の態様として、本発明の一側面は、以上の各構成の全部又はその一部を実現する情報処理方法であってもよいし、プログラムであってもよいし、このようなプログラムを記憶した、コンピュータその他装置、機械等が読み取り可能な記憶媒体であってもよい。ここで、コンピュータ等が読み取り可能な記憶媒体とは、プログラム等の情報を、電気的、磁気的、光学的、機械的、又は、化学的作用によって蓄積する媒体である。また、本発明の一側面は、上記いずれかの形態に係るモデル生成装置及び推定装置により構成される推定システムであってもよい。
例えば、本発明の一側面に係るモデル生成方法は、コンピュータが、サーボモータを含む複数の機構を備える生産設備から収集された複数の学習データセットを取得するステップであって、前記各学習データセットは、訓練データ及び正解ラベルの組み合わせにより構成され、前記訓練データは、前記サーボモータの温度、前記生産設備を代表する位置の環境温度、及び前記代表する位置の環境湿度を示すように構成され、並びに前記正解ラベルは、対応する前記訓練データに示される状況の際に前記生産設備を適正に稼働するための前記サーボモータの駆動に関する補正量の真値を示すように構成される、ステップと、取得された複数の学習データセットを使用して、推定モデルの機械学習を実施するステップであって、前記機械学習は、前記各学習データセットについて、前記訓練データにより示される前記サーボモータの温度、前記環境温度、及び前記環境湿度から前記サーボモータの駆動に関する補正量を推定した結果が前記正解ラベルにより示される前記真値に適合するように前記推定モデルを訓練することにより構成される、ステップと、を実行する、情報処理方法である。
また、例えば、本発明の一側面に係るモデル生成プログラムは、コンピュータに、サーボモータを含む複数の機構を備える生産設備から収集された複数の学習データセットを取得するステップであって、前記各学習データセットは、訓練データ及び正解ラベルの組み合わせにより構成され、前記訓練データは、前記サーボモータの温度、前記生産設備を代表する位置の環境温度、及び前記代表する位置の環境湿度を示すように構成され、並びに前記正解ラベルは、対応する前記訓練データに示される状況の際に前記生産設備を適正に稼働するための前記サーボモータの駆動に関する補正量の真値を示すように構成される、ステップと、取得された複数の学習データセットを使用して、推定モデルの機械学習を実施するステップであって、前記機械学習は、前記各学習データセットについて、前記訓練データにより示される前記サーボモータの温度、前記環境温度、及び前記環境湿度から前記サーボモータの駆動に関する補正量を推定した結果が前記正解ラベルにより示される前記真値に適合するように前記推定モデルを訓練することにより構成される、ステップと、を実行させるための、プログラムである。
また、例えば、本発明の一側面に係る推定方法は、コンピュータが、対象のサーボモータを含む複数の機構を備える対象の生産設備から対象データを取得するステップであって、前記対象データは、前記対象のサーボモータの温度、前記対象の生産設備を代表する位置の対象環境温度、及び前記代表する位置の対象環境湿度を示すように構成される、ステップと、機械学習により生成された訓練済みの推定モデルを使用して、取得された前記対象データにより示される前記対象のサーボモータの温度、前記対象環境温度、及び前記対象環境湿度から前記対象の生産設備を適正に稼働するための前記対象のサーボモータの駆動に関する補正量を推定するステップと、前記補正量を推定した結果に関する情報を出力するステップと、を実行する、情報処理方法である。
また、例えば、本発明の一側面に係る推定プログラムは、コンピュータに、対象のサーボモータを含む複数の機構を備える対象の生産設備から対象データを取得するステップであって、前記対象データは、前記対象のサーボモータの温度、前記対象の生産設備を代表する位置の対象環境温度、及び前記代表する位置の対象環境湿度を示すように構成される、ステップと、機械学習により生成された訓練済みの推定モデルを使用して、取得された前記対象データにより示される前記対象のサーボモータの温度、前記対象環境温度、及び前記対象環境湿度から前記対象の生産設備を適正に稼働するための前記対象のサーボモータの駆動に関する補正量を推定するステップと、前記補正量を推定した結果に関する情報を出力するステップと、を実行させるための、プログラムである。
本発明によれば、複数の機構を備える生産設備のサーボモータの駆動に関する補正量を比較的に低コストでかつ精度よく推定することができる。
以下、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。ただし、以下で説明する本実施形態は、あらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良や変形を行うことができることは言うまでもない。つまり、本発明の実施にあたって、実施形態に応じた具体的構成が適宜採用されてもよい。なお、本実施形態において登場するデータを自然言語により説明しているが、より具体的には、コンピュータが認識可能な疑似言語、コマンド、パラメータ、マシン語等で指定される。
§1 適用例
図1は、本発明を適用した場面の一例を模式的に例示する。図1に示されるとおり、本実施形態に係る推定システム100は、モデル生成装置1及び推定装置2を備えている。
図1は、本発明を適用した場面の一例を模式的に例示する。図1に示されるとおり、本実施形態に係る推定システム100は、モデル生成装置1及び推定装置2を備えている。
本実施形態に係るモデル生成装置1は、機械学習により訓練済みの推定モデル5を生成するように構成されたコンピュータである。本実施形態では、モデル生成装置1は、サーボモータ41を含む複数の機構を備える生産設備40から収集された複数の学習データセット3を取得する。各学習データセット3は、訓練データ31及び正解ラベル32の組み合わせにより構成される。訓練データ31は、サーボモータ41の温度、生産設備40を代表する位置の環境温度、及び代表する位置の環境湿度を示すように構成される。正解ラベル32は、対応する訓練データ31に示される状況の際に生産設備40を適正に稼働するためのサーボモータ41の駆動に関する補正量の真値を示すように構成される。
モデル生成装置1は、取得された複数の学習データセット3を使用して、推定モデル5の機械学習を実施する。機械学習は、各学習データセット3について、訓練データ31により示されるサーボモータ41の温度、環境温度、及び環境湿度からサーボモータ41の駆動に関する補正量を推定した結果が正解ラベル32により示される真値に適合するように推定モデル5を訓練することにより構成される。これにより、機械学習に使用した複数の学習データセット3の範囲で、サーボモータの温度、生産設備における環境温度、及び環境湿度からサーボモータの駆動に関する補正量を適切に推定する能力を獲得した訓練済みの推定モデル5を生成することができる。
一方、推定装置2は、訓練済みの推定モデル5を使用して、推定タスクを遂行するように構成されたコンピュータである。本実施形態では、推定装置2は、対象のサーボモータ46を含む複数の機構を備える対象の生産設備45から対象データ221を取得する。対象データ221は、対象のサーボモータ46の温度、対象の生産設備45を代表する位置の対象環境温度、及び代表する位置の対象環境湿度を示すように構成される。対象環境温度は、対象の生産設備45における環境温度であり、対象環境湿度は、対象の生産設備45における環境湿度である。
推定装置2は、上記機械学習により生成された訓練済みの推定モデル5を使用して、取得された対象データ221により示される対象のサーボモータ46の温度、対象環境温度、及び対象環境湿度から対象の生産設備45を適正に稼働するための対象のサーボモータ46の駆動に関する補正量を推定する。そして、推定装置2は、補正量を推定した結果に関する情報を出力する。
なお、一例では、互いに同種であれば、対象の生産設備45は、機械学習の段階における生産設備40と異なる装置であってもよい。他の一例では、対象の生産設備45は、機械学習の段階における生産設備40と同一であってもよい。サーボモータ(41、46)の数は、実施の形態に応じて適宜決定されてよい。サーボモータ(41、46)の数は、1つであってもよいし、或いは複数であってもよい。
サーボモータ(41、46)の駆動に関する補正量(すなわち、推定モデル5の目的変数)は、現在又は未来におけるサーボモータ(41、46)の動作の状態を修正するものであれば、特に限定されなくてよく、その対象は、実施の形態に応じて適宜選択されてよい。一例では、サーボモータ(41、46)の駆動に関する補正量は、サーボモータ(41、46)のトルクの補正量、サーボモータ(41、46)の速度(回転速度又は回転数)の補正量、サーボモータ(41、46)の位置(回転角度)の補正量、サーボモータ(41、46)の駆動電力(消費電力)の補正量、及びサーボモータ(41、46)に対する電流値の補正量の少なくともいずれかであってよい。なお、サーボモータのトルクの値は電流で規定される。そのため、サーボモータ(41、46)に対する電流値の補正量は、サーボモータ(41、46)のトルクの補正量と同等に取り扱われてもよい。また、各補正量は、現在又は未来に適用されるものであってよい。
生産設備(40、45)は、複数の機構を備え、サーボモータにより駆動されるように構成されていれば、その種類は、特に限定されなくてよく、実施の形態に応じて選択されてよい。一例では、生産設備(40、45)は、包装機、ウェブ搬送機、成形機、レンズアライメント機、又は組立機であってよい。本実施形態では、後述するとおり、説明の便宜上、生産設備(40、45)の一例として包装機を採用する。生産設備(40、45)により生産される製品は、生産設備(40、45)の種類に応じて適宜決定されてよい。
生産設備(40、45)のサーボモータ(41、46)の駆動に関する補正量を適切に推定するためには、代表する位置は、生産設備(40、45)の主要な駆動に関与する部分の温度及び湿度を測定可能であることが好ましい。また、代表する位置は、生産設備(40、45)内での工程(例えば、包装機におけるセンターシール部、トップシール部等)で発生する熱の影響を受けにくい位置であることが好ましい。一例では、代表する位置は、生産設備(40、45)の操作パネルの周囲、生産設備(40、45)の空間的な中心位置付近、及び生産設備(40、45)の中間工程又は要の工程付近の少なくともいずれかであってよい。中間工程は、ワークが生産設備に投入されてから、複数の工程を経て処理(加工)が終了するまでの間における(A)総工程数の真ん中(半分)に該当する工程、及び(B)総時間の半分の時間に実行される工程の少なくとも一方である。要の工程は、製品品質に及ぼす影響が最も大きいと想定される工程である。
訓練データ31及び対象データ221に含まれる環境温度及び環境湿度の測定には、代表する位置に配置された任意のセンサが用いられてよい。一例では、環境温度及び環境湿度は、1つのセンサ(温湿度センサ)により測定されてもよい。他の一例では、環境温度及び環境湿度は、別々のセンサ(温度センサ及び湿度センサ)により測定されてよい。環境温度は、代表する位置で測定された環境の温度を示す。環境湿度は、代表する位置で測定された環境の湿度を示す。なお、サーボモータ(41、46)の温度、環境温度、及び環境湿度の表現形式(例えば、単位等)は、特に限定されなくてよく、実施の形態に応じて適宜選択されてよい。
推定モデル5は、複数のパラメータを備える機械学習モデルにより構成される。機械学習モデルの種類は、特に限定されなくてよく、実施の形態に応じて適宜選択されてよい。推定モデル5には、例えば、ニューラルネットワーク、サポートベクタマシン、回帰モデル等が採用されてよい。機械学習の方法は、採用される機械学習モデルの種類に応じて適宜決定されてよい。機械学習の方法には、例えば、誤差逆伝播法、最適化問題を解く、回帰分析を実行する等の方法が採用されてよい。
以上のとおり、本実施形態では、複数の機構を備える生産設備(40、45)について、サーボモータ(41、46)の温度の他に、生産設備(40、45)の代表する位置で測定された環境温度及び環境湿度を説明変数に採用する。代表する位置の環境温度及び環境湿度は、生産設備(40、45)全体に影響を及ぼし得る。そのため、代表する位置の環境温度及び環境湿度を説明変数に用いることで、サーボモータの駆動に関する補正量を比較的に高精度に推定可能である。加えて、生産設備(40、45)の個々の機構の状態を監視しなくて済み、測定箇所及び項目の点数を減らすことができる。したがって、本実施形態によれば、モデル生成装置1において、複数の機構を備える生産設備40のサーボモータ41の駆動に関する補正量を比較的に低コストでかつ精度よく推定可能な訓練済みの推定モデル5を生成することができる。推定装置2では、訓練済みの推定モデル5を用いることで、対象の生産設備45における対象のサーボモータ46の駆動に関する補正量を比較的に低コストでかつ精度よく推定することができる。
なお、図1の例では、モデル生成装置1及び推定装置2は、ネットワークを介して互いに接続されている。ネットワークの種類は、例えば、インターネット、無線通信網、移動通信網、電話網、専用網等から適宜選択されてよい。ただし、モデル生成装置1及び推定装置2の間でデータをやり取りする方法は、このような例に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。例えば、モデル生成装置1及び推定装置2の間では、記憶媒体を利用して、データがやり取りされてよい。
また、図1の例では、モデル生成装置1及び推定装置2は、それぞれ別個のコンピュータにより構成されている。しかしながら、本実施形態に係る推定システム100の構成は、このような例に限定されなくてもよく、実施の形態に応じて適宜決定されてよい。たとえば、モデル生成装置1及び推定装置2は一体のコンピュータであってもよい。また、例えば、モデル生成装置1及び推定装置2のうちの少なくとも一方は、複数台のコンピュータにより構成されてもよい。
また、図1の例では、モデル生成装置1及び推定装置2は、生産設備(40、45)に直接的に接続されている。しかしながら、各装置(1、2)と生産設備(40、45)との間の関係は、このような例に限定されなくてよい。他の一例では、各装置(1、2)は、例えば、他のコンピュータ、ネットワーク等を介して、生産設備(40、45)と間接的に接続されてよい。この場合、生産設備(40、35)は、生産設備(40、35)の動作を制御するように構成された制御装置(不図示)を備えてよく、各装置(1、2)は、当該制御装置に接続されてよい。更に他の一例では、各装置(1、2)は、生産設備(40、45)に接続されていなくてもよい。この場合、各装置(1、2)は、例えば、記憶媒体、外部記憶装置等を介して、生産設備(40、45)の情報を取得してもよい。なお、生産設備(40、45)に直接的に接続される場合、各装置(1、2)は、生産設備(40、45)の制御装置として動作してもよい。
§2 構成例
[ハードウェア構成]
<モデル生成装置>
図2は、本実施形態に係るモデル生成装置1のハードウェア構成の一例を模式的に例示する。図2に示されるとおり、本実施形態に係るモデル生成装置1は、制御部11、記憶部12、通信インタフェース13、外部インタフェース14、入力装置15、出力装置16、及びドライブ17が電気的に接続されたコンピュータである。なお、図2では、通信インタフェース及び外部インタフェースを「通信I/F」及び「外部I/F」と記載している。
[ハードウェア構成]
<モデル生成装置>
図2は、本実施形態に係るモデル生成装置1のハードウェア構成の一例を模式的に例示する。図2に示されるとおり、本実施形態に係るモデル生成装置1は、制御部11、記憶部12、通信インタフェース13、外部インタフェース14、入力装置15、出力装置16、及びドライブ17が電気的に接続されたコンピュータである。なお、図2では、通信インタフェース及び外部インタフェースを「通信I/F」及び「外部I/F」と記載している。
制御部11は、ハードウェアプロセッサ(プロセッサリソース)であるCPU(Central Processing Unit)、RAM(Random Access Memory)、ROM(Read Only Memory)等を含み、プログラム及び各種データに基づいて情報処理を実行するように構成される。記憶部12は、メモリの一例であり、例えば、ハードディスクドライブ、ソリッドステートドライブ等で構成される。本実施形態では、記憶部12は、モデル生成プログラム81、複数の学習データセット3、学習結果データ125等の各種情報を記憶する。
モデル生成プログラム81は、訓練済みの推定モデル5を生成する後述の機械学習の情報処理(図8)をモデル生成装置1に実行させるためのプログラムである。モデル生成プログラム81は、当該情報処理の一連の命令を含む。複数の学習データセット3は、訓練済みの推定モデル5の生成に使用される。学習結果データ125は、生成された訓練済みの推定モデル5に関する情報を示す。本実施形態では、学習結果データ125は、モデル生成プログラム81を実行した結果として生成される。詳細は後述する。
通信インタフェース13は、例えば、有線LAN(Local Area Network)モジュール、無線LANモジュール等であり、ネットワークを介した有線又は無線通信を行うためのインタフェースである。モデル生成装置1は、通信インタフェース13を利用して、他の情報処理装置との間で、ネットワークを介したデータ通信を実行することができる。外部インタフェース14は、例えば、USB(Universal Serial Bus)ポート、専用ポート等であり、外部装置と接続するためのインタフェースである。外部インタフェース14の種類及び数は任意に選択されてよい。モデル生成装置1は、通信インタフェース13及び外部インタフェース14の少なくとも一方を介して、各学習データセット3を得るためのデバイス(例えば、生産設備40、サーボモータ41、温湿度センサ、温度センサ、湿度センサ等)に接続されてよい。
入力装置15は、例えば、マウス、キーボード等の入力を行うための装置である。また、出力装置16は、例えば、ディスプレイ、スピーカ等の出力を行うための装置である。ユーザ等のオペレータは、入力装置15及び出力装置16を利用することで、モデル生成装置1を操作することができる。
ドライブ17は、例えば、CDドライブ、DVDドライブ等であり、記憶媒体91に記憶されたプログラム等の各種情報を読み込むためのドライブ装置である。記憶媒体91は、コンピュータその他装置、機械等が、記憶されたプログラム等の各種情報を読み取り可能なように、当該プログラム等の情報を、電気的、磁気的、光学的、機械的又は化学的作用によって蓄積する媒体である。上記モデル生成プログラム81及び複数の学習データセット3の少なくともいずれかは、記憶媒体91に記憶されていてもよい。モデル生成装置1は、この記憶媒体91から、上記モデル生成プログラム81及び複数の学習データセット3の少なくともいずれかを取得してもよい。なお、図2では、記憶媒体91の一例として、CD、DVD等のディスク型の記憶媒体を例示している。しかしながら、記憶媒体91の種類は、ディスク型に限られなくてもよく、ディスク型以外であってもよい。ディスク型以外の記憶媒体として、例えば、フラッシュメモリ等の半導体メモリを挙げることができる。ドライブ17の種類は、記憶媒体91の種類に応じて任意に選択されてよい。
なお、モデル生成装置1の具体的なハードウェア構成に関して、実施形態に応じて、適宜、構成要素の省略、置換及び追加が可能である。例えば、制御部11は、複数のハードウェアプロセッサを含んでもよい。ハードウェアプロセッサは、マイクロプロセッサ、FPGA(field-programmable gate array)、DSP(digital signal processor)等で構成されてよい。記憶部12は、制御部11に含まれるRAM及びROMにより構成されてもよい。通信インタフェース13、外部インタフェース14、入力装置15、出力装置16及びドライブ17の少なくともいずれかは省略されてもよい。モデル生成装置1は、複数台のコンピュータで構成されてもよい。この場合、各コンピュータのハードウェア構成は、一致していてもよいし、一致していなくてもよい。また、モデル生成装置1は、提供されるサービス専用に設計された情報処理装置の他、汎用のサーバ装置、PC(Personal Computer)、産業用PC(IPC)等であってもよい。
<推定装置>
図3は、本実施形態に係る推定装置2のハードウェア構成の一例を模式的に例示する。図3に示されるとおり、本実施形態に係る推定装置2は、制御部21、記憶部22、通信インタフェース23、外部インタフェース24、入力装置25、出力装置26、及びドライブ27が電気的に接続されたコンピュータである。
図3は、本実施形態に係る推定装置2のハードウェア構成の一例を模式的に例示する。図3に示されるとおり、本実施形態に係る推定装置2は、制御部21、記憶部22、通信インタフェース23、外部インタフェース24、入力装置25、出力装置26、及びドライブ27が電気的に接続されたコンピュータである。
推定装置2の制御部21~ドライブ27及び記憶媒体92はそれぞれ、上記モデル生成装置1の制御部11~ドライブ17及び記憶媒体91それぞれと同様に構成されてよい。制御部21は、ハードウェアプロセッサであるCPU、RAM、ROM等を含み、プログラム及びデータに基づいて各種情報処理を実行するように構成される。記憶部22は、例えば、ハードディスクドライブ、ソリッドステートドライブ等で構成される。本実施形態では、記憶部22は、推定プログラム82、学習結果データ125等の各種情報を記憶する。
推定プログラム82は、訓練済みの推定モデル5を使用して推定タスク(補正量の推定)を遂行する後述の情報処理(図9)を推定装置2に実行させるためのプログラムである。推定プログラム82は、当該情報処理の一連の命令を含む。推定は、予測を含んでよい。推定プログラム82及び学習結果データ125の少なくともいずれかは、記憶媒体92に記憶されていてもよい。また、推定装置2は、推定プログラム82及び学習結果データ125の少なくともいずれかを記憶媒体92から取得してもよい。
推定装置2は、通信インタフェース23及び外部インタフェース24の少なくともいずれかを介して、対象データ221を取得するためのデバイス(例えば、対象の生産設備45、対象のサーボモータ46、温湿度センサ、温度センサ、湿度センサ等)に接続されてよい。推定装置2は、入力装置25及び出力装置26の利用により、ユーザ等のオペレータからの操作及び入力を受け付けてよい。
なお、推定装置2の具体的なハードウェア構成に関して、実施形態に応じて、適宜、構成要素の省略、置換及び追加が可能である。例えば、制御部21は、複数のハードウェアプロセッサを含んでもよい。ハードウェアプロセッサは、マイクロプロセッサ、FPGA、DSP等で構成されてよい。記憶部22は、制御部21に含まれるRAM及びROMにより構成されてもよい。通信インタフェース23、外部インタフェース24、入力装置25、出力装置26、及びドライブ27の少なくともいずれかは省略されてもよい。推定装置2は、複数台のコンピュータで構成されてもよい。この場合、各コンピュータのハードウェア構成は、一致していてもよいし、一致していなくてもよい。また、推定装置2は、提供されるサービス専用に設計された情報処理装置の他、汎用のサーバ装置、汎用のPC、産業用PC、PLC(programmable logic controller)等であってもよい。
<生産設備の一例>
図4は、包装機400の構成の一例を模式的に示す。包装機400は、生産設備(40、45)の一例である。図4に例示される包装機400は、いわゆる横ピロー包装機である。この包装機400は、包装フィルムが巻き取られたフィルムロール410、包装フィルムを搬送するフィルム搬送部420、内容物WAを搬送する内容物搬送部430、内容物を包装フィルムで包装する製袋部440、及び操作パネル450を備えている。
図4は、包装機400の構成の一例を模式的に示す。包装機400は、生産設備(40、45)の一例である。図4に例示される包装機400は、いわゆる横ピロー包装機である。この包装機400は、包装フィルムが巻き取られたフィルムロール410、包装フィルムを搬送するフィルム搬送部420、内容物WAを搬送する内容物搬送部430、内容物を包装フィルムで包装する製袋部440、及び操作パネル450を備えている。
包装フィルムは、例えば、ポリエチレンフィルム等の樹脂フィルムである。フィルムロール410は巻き芯を備えており、包装フィルムはその巻き芯に巻き取られている。巻き芯は軸周りに回転可能に支持されており、これにより、フィルムロール410は、回転しながら包装フィルムを繰り出すことができるように構成されている。
フィルム搬送部420は、サーボモータ421により駆動される駆動ローラ、この駆動ローラから回転力を付与される受動ローラ422、及び包装フィルムにテンションをかけながらガイドする複数のプーリ423、を備えている。これにより、フィルム搬送部420は、フィルムロール410から包装フィルムを繰り出し、繰り出した包装フィルムを弛ませることなく製袋部440に搬送するように構成されている。
内容物搬送部430は、包装対象となる内容物WAを搬送するコンベア431、及びコンベア431を駆動するサーボモータ432、を備えている。図4に例示されるように、内容物搬送部430は、フィルム搬送部420の下方を経て、製袋部440に連結している。これにより、内容物搬送部430により搬送される内容物WAは、製袋部440に供給されると共に、フィルム搬送部420から供給された包装フィルムにより包装される。なお、内容物WAの種類は、実施の形態に応じて適宜選択可能である。例えば、内容物WAは、食品(乾燥麺等)、文房具(消しゴム等)等であってよい。
製袋部440は、コンベア441、コンベア441を駆動するサーボモータ442、包装フィルムを搬送方向にシールするセンターシール部443、及び包装フィルムを搬送方向の両端側で切断し、各端部でシールするエンドシール部444、を備えている。
コンベア441は、内容物搬送部430から搬送された内容物WAとフィルム搬送部420から供給された包装フィルムとを搬送する。フィルム搬送部420から供給された包装フィルムは、幅方向の両側端縁部同士が重なるように適宜折り曲げられつつ、センターシール部443に供給される。センターシール部443は、例えば、左右一対の加熱ローラにより構成されており、折り曲げられた包装フィルムの両側端縁部を加熱により搬送方向に沿ってシールする。これにより、包装フィルムは、筒状に形成される。内容物WAは、この筒状に形成された包装フィルム内に投入される。
一方、エンドシール部444は、例えば、サーボモータ445により駆動されるローラと、ローラの回転によって開閉する一対のカッタと、各カッタの両側に設けられるヒータと、を有している。これらにより、エンドシール部444は、搬送方向に直交する方向に筒状の包装フィルムをカットすると共に、カットした部分で加熱によりシールすることができるように構成されている。このエンドシール部444を通過すると、筒状に形成された包装フィルムの先端部分は、搬送方向の両側でシールされ、後続から分離されて、内容物WAを内包する包装体WBとなる。
操作パネル450は、包装機400に対する操作の入力を受け付け、包装機400に関する情報を出力するように構成される。操作パネル450の種類は、特に限定されなくてよい。操作パネル450は、例えば、タッチパネルディスプレイ、操作ボタン及びディスプレイ等により構成されてよい。一例では、推定装置2が、包装機400の動作を制御するように構成されてよい。この場合、操作パネル450は、入力装置25及び出力装置26の一例であってよい。モデル生成装置1についても同様である。他の一例では、包装機400は、各部(420、430、440)の動作を制御するように構成された制御装置(不図示)を備えてよい。制御装置は、例えば、PLC等であってよい。この場合、操作パネル450は、制御装置に接続されてよく、これにより、制御装置の入力装置及び出力装置を構成してもよい。
操作パネル450は、包装機400の操作に適した位置に適宜配置されてよい。操作パネル450は、包装機400の代表的な位置に配置されてもよい。図4の例では、操作パネル450は、フィルムロール410及びフィルム搬送部420の近傍であって、製袋部440の上方に配置されている。
以上の包装機400は、次のような工程で、内容物WAの包装を行うことができる。すなわち、フィルム搬送部420によって、フィルムロール410から包装フィルムを繰り出す。また、内容物搬送部430によって、包装対象となる内容物WAを搬送する。次に、製袋部440のセンターシール部443によって、繰り出された包装フィルムを筒状に形成する。そして、形成した筒状の包装フィルムに内容物WAを投入した上で、エンドシール部444によって、搬送方向に直交する方向に筒状の包装フィルムをカットすると共に、カットした部分の搬送方向の両側で加熱によりシールする。これにより、内容物WAを内包する横ピロー型の包装体WBが形成される。すなわち、内容物WAの包装が完了する。
この包装機400において、フィルム搬送部420、内容物搬送部430、及び製袋部440は、生産設備(40、45)の機構の一例である。各サーボモータ(421、432、442、445)は、生産設備(40、45)のサーボモータ(41、46)の一例である。
包装機400における環境温度及び環境湿度の測定には、センサSAが用いられてよい。センサSAは、温度及び湿度を測定可能に適宜構成されてよい。一例では、センサSAは、温湿度センサにより構成されてよい。他の一例では、センサSAは、温度センサ及び湿度センサにより構成されてよい。
センサSAは、包装機400の代表的な位置に適宜配置されてよい。一例では、図4に示されるとおり、センサSAは、例えば、操作パネル450の側面等の操作パネル450の周囲に配置されてよい。他の一例では、センサSAは、包装機400の空間的な中心位置付近に配置されてよい。図4の例では、操作パネル450は、センターシール部443の上方に配置されており、センサSAは、操作パネル450の右側面に配置されている。その他、センサSAは、製袋部440の上方に配置されてよい。更にその他の一例では、センサSAは、包装機400の中間工程又は要の工程付近の少なくともいずれかであってよい。上記包装機400の中間工程の一例は、上記製袋の工程及びセンターシール部443の工程のいずれか一方又はその移行段階である。包装機400の要の工程の一例は、製袋途中のフィルムにワークが投入される(合流する)上記センターシール部443の工程である。そのため、センサSAは、製袋部440付近(例えば、製袋部440の上方)又はセンターシール部443付近の少なくともいずれかに配置されてよい。
なお、包装機400の構成は、このような例に限定されなくてよい。包装機400の具体的な構成に関して、実施形態に応じて、適宜、構成要素の省略、置換及び追加が可能である。
[ソフトウェア構成]
<モデル生成装置>
図5は、本実施形態に係るモデル生成装置1のソフトウェア構成の一例を模式的に例示する。モデル生成装置1の制御部11は、記憶部12に記憶されたモデル生成プログラム81をRAMに展開する。そして、制御部11は、RAMに展開されたモデル生成プログラム81に含まれる命令をCPUにより解釈及び実行して、各構成要素を制御する。これにより、図5に示されるとおり、本実施形態に係るモデル生成装置1は、データ取得部111、学習処理部112、及び保存処理部113をソフトウェアモジュールとして備えるコンピュータとして動作する。すなわち、本実施形態では、モデル生成装置1の各ソフトウェアモジュールは、制御部11(CPU)により実現される。
<モデル生成装置>
図5は、本実施形態に係るモデル生成装置1のソフトウェア構成の一例を模式的に例示する。モデル生成装置1の制御部11は、記憶部12に記憶されたモデル生成プログラム81をRAMに展開する。そして、制御部11は、RAMに展開されたモデル生成プログラム81に含まれる命令をCPUにより解釈及び実行して、各構成要素を制御する。これにより、図5に示されるとおり、本実施形態に係るモデル生成装置1は、データ取得部111、学習処理部112、及び保存処理部113をソフトウェアモジュールとして備えるコンピュータとして動作する。すなわち、本実施形態では、モデル生成装置1の各ソフトウェアモジュールは、制御部11(CPU)により実現される。
データ取得部111は、サーボモータ41を含む複数の機構を備える生産設備40から収集された複数の学習データセット3を取得するように構成される。各学習データセット3は、訓練データ31及び正解ラベル32の組み合わせにより構成される。訓練データ31は、サーボモータ41の温度、生産設備40を代表する位置の環境温度、及び代表する位置の環境湿度を示すように構成される。正解ラベル32は、対応する訓練データ31に示される状況の際に生産設備40を適正に稼働するためのサーボモータ41の駆動に関する補正量の真値を示すように構成される。
学習処理部112は、取得された複数の学習データセット3を使用して、推定モデル5の機械学習を実施するように構成される。機械学習は、各学習データセット3について、訓練データ31により示されるサーボモータ41の温度、環境温度、及び環境湿度からサーボモータ41の駆動に関する補正量を推定した結果が正解ラベル32により示される真値に適合するように推定モデル5を訓練することにより構成される。
保存処理部113は、機械学習により生成された訓練済みの推定モデル5に関する情報を学習結果データ125として生成し、生成された学習結果データ125を所定の記憶領域に保存するように構成される。学習結果データ125は、訓練済みの推定モデル5を再生するための情報を含むように適宜構成されてよい。
本実施形態では、各学習データセット3の訓練データ31は、生産設備40の連続稼働時間を更に示すように構成されてよい。これに応じて、上記機械学習は、各学習データセット3について、訓練データ31により示されるサーボモータ41の温度、環境温度、環境湿度、及び連続稼働時間からサーボモータ41の駆動に関する補正量を推定した結果が正解ラベル32により示される真値に適合するように推定モデル5を訓練することにより構成されてよい。
図6は、本実施形態に係る学習データセット3の構成の一例を模式的に示す。図6で例示される学習データセット3は、テーブル形式のデータ構造を有している。1つのレコード(行データ)は、生産設備40を適正に稼働するように、サーボモータ41の駆動に関する補正量を与える(すなわち、サーボモータ41の動作を補正する)ことで得られる1つのサンプル(1件の学習データセット3)に対応する。各学習データセット3は、生産設備40の運用又は実験の結果から得られてよい。図6の例では、各レコードは、サーボモータ41の温度、環境温度、環境湿度、連続稼働時間、及び補正量それぞれを格納するフィールドを有している。これにより、本実施形態では、訓練データ31及び正解ラベル32が互いに関連付けられている。そして、各学習データセット3は、サーボモータ41の温度、環境温度、環境湿度、及び連続稼働時間により特定される状況(訓練データ31)とその状況の際に生産設備40を適正に稼働するための補正量の真値(正解ラベル32)との間の対応関係を示すように構成されている。ただし、推定モデル5の機械学習に使用可能であれば、学習データセット3のデータ構造は、このような例に限定されなくてよく、実施の形態に応じて適宜決定されてよい。
<推定装置>
図7は、本実施形態に係る推定装置2のソフトウェア構成の一例を模式的に例示する。推定装置2の制御部21は、記憶部22に記憶された推定プログラム82をRAMに展開する。そして、制御部21は、RAMに展開された推定プログラム82に含まれる命令をCPUにより解釈及び実行して、各構成要素を制御する。これにより、図7に示されるとおり、本実施形態に係る推定装置2は、データ取得部211、推定部212、及び出力部213をソフトウェアモジュールとして備えるコンピュータとして動作する。すなわち、本実施形態では、推定装置2の各ソフトウェアモジュールも、モデル生成装置1と同様に、制御部21(CPU)により実現される。
図7は、本実施形態に係る推定装置2のソフトウェア構成の一例を模式的に例示する。推定装置2の制御部21は、記憶部22に記憶された推定プログラム82をRAMに展開する。そして、制御部21は、RAMに展開された推定プログラム82に含まれる命令をCPUにより解釈及び実行して、各構成要素を制御する。これにより、図7に示されるとおり、本実施形態に係る推定装置2は、データ取得部211、推定部212、及び出力部213をソフトウェアモジュールとして備えるコンピュータとして動作する。すなわち、本実施形態では、推定装置2の各ソフトウェアモジュールも、モデル生成装置1と同様に、制御部21(CPU)により実現される。
データ取得部211は、対象のサーボモータ46を含む複数の機構を備える対象の生産設備45から対象データ221を取得するように構成される。対象データ221は、対象のサーボモータ46の温度、対象の生産設備45を代表する位置の対象環境温度、及び代表する位置の対象環境湿度を示すように構成される。推定部212は、学習結果データ125を保持していることで、機械学習により訓練済みの推定モデル5を備えている。推定部212は、機械学習により生成された訓練済みの推定モデル5を使用して、取得された対象データ221により示される対象のサーボモータ46の温度、対象環境温度、及び対象環境湿度から対象の生産設備45を適正に稼働するための対象のサーボモータ46の駆動に関する補正量を推定するように構成される。出力部213は、補正量を推定した結果に関する情報を出力するように構成される。
本実施形態では、連続稼働時間を含む訓練データ31が機械学習に用いられたことに応じて、データ取得部211は、対象の生産設備45の連続稼働時間を更に示すように構成された対象データ221を取得するように構成されてよい。この場合、推定部212は、訓練済みの推定モデル5を使用して、取得された対象データ221により示される対象のサーボモータ46の温度、対象環境温度、対象環境湿度、及び対象の生産設備45の連続稼働時間から対象のサーボモータ46の駆動に関する補正量を推定するように構成されてよい。
<その他>
モデル生成装置1及び推定装置2の各ソフトウェアモジュールに関しては後述する動作例で詳細に説明する。なお、本実施形態では、モデル生成装置1及び推定装置2の各ソフトウェアモジュールがいずれも汎用のCPUによって実現される例について説明している。しかしながら、上記ソフトウェアモジュールの一部又は全部が、1又は複数の専用のプロセッサにより実現されてもよい。上記各モジュールは、ハードウェアモジュールとして実現されてもよい。また、モデル生成装置1及び推定装置2それぞれのソフトウェア構成に関して、実施形態に応じて、適宜、ソフトウェアモジュールの省略、置換及び追加が行われてもよい。
モデル生成装置1及び推定装置2の各ソフトウェアモジュールに関しては後述する動作例で詳細に説明する。なお、本実施形態では、モデル生成装置1及び推定装置2の各ソフトウェアモジュールがいずれも汎用のCPUによって実現される例について説明している。しかしながら、上記ソフトウェアモジュールの一部又は全部が、1又は複数の専用のプロセッサにより実現されてもよい。上記各モジュールは、ハードウェアモジュールとして実現されてもよい。また、モデル生成装置1及び推定装置2それぞれのソフトウェア構成に関して、実施形態に応じて、適宜、ソフトウェアモジュールの省略、置換及び追加が行われてもよい。
§3 動作例
[モデル生成装置]
図8は、本実施形態に係るモデル生成装置1による機械学習に関する処理手順の一例を示すフローチャートである。以下で説明するモデル生成装置1の処理手順は、モデル生成方法の一例である。ただし、以下で説明するモデル生成装置1の処理手順は一例に過ぎず、各ステップは可能な限り変更されてよい。また、以下の処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が行われてよい。
[モデル生成装置]
図8は、本実施形態に係るモデル生成装置1による機械学習に関する処理手順の一例を示すフローチャートである。以下で説明するモデル生成装置1の処理手順は、モデル生成方法の一例である。ただし、以下で説明するモデル生成装置1の処理手順は一例に過ぎず、各ステップは可能な限り変更されてよい。また、以下の処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が行われてよい。
(ステップS101)
ステップS101では、制御部11は、データ取得部111として動作し、生産設備40から収集された複数の学習データセット3を取得する。
ステップS101では、制御部11は、データ取得部111として動作し、生産設備40から収集された複数の学習データセット3を取得する。
各学習データセット3は、適宜収集されてよい。各学習データセット3は、実環境において生産設備40の動作を試験又は運用することで得られてよい。或いは、各学習データセット3は、シミュレーションにより得られてもよい。典型的には、サーボモータ41の駆動に関する補正量を生産設備40に与えた結果、生産設備40が適正に稼働した場合に、与えた補正量を示す情報を正解ラベル32として得ることができ、その状況(サーボモータ41の温度、環境温度、及び環境湿度)を示す情報を訓練データ31として得ることができる。得られた訓練データ31及び正解ラベル32を関連付けることで、各学習データセット3を生成することができる。
正解ラベル32により示される補正量の真値は、オペレータの操作により手動的に与えられてもよいし、或いは任意のモデルを用いたコンピュータ制御により自動的に与えられてもよい。環境温度及び環境湿度は、代表的な位置に配置したセンサにより測定されてよい。サーボモータ41の温度は、サーボモータ41に取り付けられた温度センサにより測定されてよい。シミュレーション環境で各学習データセット3を生成する場合、サーボモータ41の温度、環境温度、及び環境湿度は、シミュレーションの条件から特定されてよい。
上記のとおり、一例では、生産設備40の代表的な位置は、生産設備40の操作パネル(図4の例では、操作パネル450)の周囲、生産設備40の空間的な中心位置付近、及び生産設備40の中間工程又は要の工程付近の少なくともいずれかであってよい。一例では、生産設備40は、包装機、ウェブ搬送機、成形機、レンズアライメント機、又は組立機であってよい。一例では、サーボモータ41の駆動に関する補正量は、サーボモータ41のトルクの補正量、サーボモータ41の速度の補正量、サーボモータ41の位置の補正量、サーボモータ41の駆動電力の補正量、及びサーボモータ41に対する電流値の補正量の少なくともいずれかであってよい。
連続稼働時間を更に示すように訓練データ31を構成する場合、上記各学習データセット3を生成する工程において、連続稼働時間を示す情報を更に取得してもよい。連続稼働時間を取得する方法は、特に限定されなくてよく、実施の形態に応じて適宜選択されてよい。一例では、生産設備40が連続的な稼働を開始した時刻(開始時刻)及び訓練データ31に示される状況の時刻(現時刻)を示す情報をタイマから取得し、開始時刻及び現時刻の間の差分を算出することで連続稼働時間が得られてよい。タイマは、例えば、生産設備40の制御装置、モデル生成装置1、外部装置等の任意の装置に設けられてよい。他の一例では、生産設備40の連続稼働時間を継続的に監視する装置(例えば、生産設備40の制御装置)が存在する場合、連続稼働時間を示す情報は、当該装置から得られてよい。シミュレーション環境で各学習データセット3を生成する場合、連続稼働時間は、他の情報と同様に、シミュレーションの条件から特定されてよい。なお、生産設備が連続的に稼働した時間を少なくとも大まかに示すことができれば、連続稼働時間の表現形式は、特に限定されなくてよく、実施の形態に応じて適宜決定されてよい。一例では、連続稼働時間は、「時間」、「分」、「秒」等の時間単位で表現されてもよいし、或いは、時間に応じた指数で表現されてもよい。
各学習データセット3は、コンピュータの動作により自動的に生成されてもよいし、或いは少なくとも部分的にオペレータの操作を含むことで手動的に生成されてもよい。また、各学習データセット3の生成は、モデル生成装置1により行われてもよいし、モデル生成装置1以外の他のコンピュータにより行われてもよい。各学習データセット3をモデル生成装置1が生成する場合、制御部11は、自動的に又は入力装置15を介したオペレータの操作により手動的に上記一連の生成処理を実行することで、複数の学習データセット3を取得してよい。この場合、モデル生成装置1は、生産設備40に直接的に接続されてよく、制御部11は、各学習データセット3の生成に用いる各種情報を生産設備40から直接的に取得してもよい。或いは、制御部11は、例えば、ネットワーク、記憶媒体91等を介して生産設備40から各種情報を取得してもよい。一方、各学習データセット3を他のコンピュータが生成する場合、制御部11は、例えば、ネットワーク、記憶媒体91等を介して、他のコンピュータにより生成された複数の学習データセット3を取得してよい。一部の学習データセット3がモデル生成装置1により生成され、その他の学習データセット3が1又は複数の他のコンピュータにより生成されてもよい。
取得する学習データセット3の件数は任意に選択されてよい。複数の学習データセット3を取得すると、制御部11は、次のステップS102に処理を進める。
(ステップS102)
ステップS102では、制御部11は、学習処理部112として動作し、取得された複数の学習データセット3を使用して、推定モデル5の機械学習を実施する。機械学習は、各学習データセット3について、訓練データ31により示される生産設備40の状況からサーボモータ41の駆動に関する補正量を推定した結果が正解ラベル32により示される真値に適合するように推定モデル5を訓練することにより構成される。
ステップS102では、制御部11は、学習処理部112として動作し、取得された複数の学習データセット3を使用して、推定モデル5の機械学習を実施する。機械学習は、各学習データセット3について、訓練データ31により示される生産設備40の状況からサーボモータ41の駆動に関する補正量を推定した結果が正解ラベル32により示される真値に適合するように推定モデル5を訓練することにより構成される。
推定モデル5は、推定結果(補正量)を導出するための1つ以上の演算パラメータを備える機械学習モデルにより構成される。推定モデル5を訓練することは、推定モデル5の演算パラメータの値を調整することにより構成される。機械学習モデルの種類は、特に限定されなくてよく、実施の形態に応じて適宜選択されてよい。また、機械学習の方法は、採用された機械学習モデルの種類に応じて適宜選択されてよい。一例として、推定モデル5は、ニューラルネットワーク、サポートベクタマシン、又は回帰モデルにより構成されてよい。
推定モデル5の構成にニューラルネットワークを採用する場合、各ニューロン間の結合の重み、各ニューロンの閾値等が、上記演算パラメータの一例である。制御部11は、機械学習の処理として、誤差逆伝播法により、各学習データセット3の訓練データ31を入力したときに得られる補正量の推定値と対応する正解ラベル32により示される真値との間の誤差が小さくなるように演算パラメータの値を調整する。
推定モデル5の構成にサポートベクタマシンを採用する場合、サポートベクタマシンを構成する回帰式のパラメータが、上記演算パラメータの一例である。制御部11は、機械学習の処理として、最適化問題を解くことで、各学習データセット3の訓練データ31を入力したときに得られる補正量の推定値と対応する正解ラベル32により示される真値との間の誤差が小さくなるように演算パラメータの値を調整する。
推定モデル5の構成に回帰モデル(例えば、重回帰モデル)を採用する場合、回帰モデル(回帰式)を構成するパラメータが、上記演算パラメータの一例である。制御部11は、機械学習の処理として、重回帰分析等の回帰分析を行うことで、各学習データセット3の訓練データ31を入力したときに得られる補正量の推定値と対応する正解ラベル32により示される真値との間の誤差が小さくなるように演算パラメータの値を調整する。その他の一例では、回帰モデルは、ガウス過程回帰の演算を実行するように構成されてよい。この場合、制御部11は、機械学習の処理の一例として、最尤推定に基づいて事後確率が最大になるようにパラメータの値を特定してよい。この場合、推定モデル5は、事後確率分布における平均値の分布により構成される。
上記機械学習の結果、生産設備(図4の例では、包装機400)の状況からサーボモータの駆動に関する補正量を適切に推定する能力を獲得した訓練済みの推定モデル5を生成することができる。上記のとおり、生産設備の状況は、サーボモータの温度、環境温度、及び環境湿度により規定される。訓練データ31が連続稼働時間を示す情報を含む場合、生産設備の状況は、連続稼働時間により更に規定される。機械学習の処理が完了すると、制御部11は、次のステップS103に処理を進める。
(ステップS103)
ステップS103では、制御部11は、保存処理部113として動作し、機械学習により生成された訓練済みの推定モデル5に関する情報を学習結果データ125として生成する。上記推定タスク(補正量の推定)の演算に実行するための情報を保持可能であれば、学習結果データ125の構成は、特に限定されなくてよく、実施の形態に応じて適宜決定されてよい。一例として、学習結果データ125は、推定モデル5の構成(例えば、ニューラルネットワークの構造等)及び上記調整により得られた演算パラメータの値を示す情報により構成されてよい。制御部11は、生成された学習結果データ125を所定の記憶領域に保存する。
ステップS103では、制御部11は、保存処理部113として動作し、機械学習により生成された訓練済みの推定モデル5に関する情報を学習結果データ125として生成する。上記推定タスク(補正量の推定)の演算に実行するための情報を保持可能であれば、学習結果データ125の構成は、特に限定されなくてよく、実施の形態に応じて適宜決定されてよい。一例として、学習結果データ125は、推定モデル5の構成(例えば、ニューラルネットワークの構造等)及び上記調整により得られた演算パラメータの値を示す情報により構成されてよい。制御部11は、生成された学習結果データ125を所定の記憶領域に保存する。
所定の記憶領域は、例えば、制御部11内のRAM、記憶部12、外部記憶装置、記憶メディア又はこれらの組み合わせであってよい。記憶メディアは、例えば、CD、DVD等であってよく、制御部11は、ドライブ17を介して記憶メディアに学習結果データ125を格納してもよい。外部記憶装置は、例えば、NAS(Network Attached Storage)等のデータサーバであってよい。この場合、制御部11は、通信インタフェース13を利用して、ネットワークを介してデータサーバに学習結果データ125を格納してもよい。また、外部記憶装置は、例えば、外部インタフェース14を介してモデル生成装置1に接続された外付けの記憶装置であってもよい。
学習結果データ125の保存が完了すると、制御部11は、本動作例に係るモデル生成装置1の処理手順を終了する。
なお、生成された学習結果データ125は、任意のタイミングで推定装置2に提供されてよい。例えば、制御部11は、ステップS103の処理として又はステップS103の処理とは別に、学習結果データ125を推定装置2に転送してもよい。推定装置2は、この転送を受信することで、学習結果データ125を取得してもよい。また、例えば、推定装置2は、通信インタフェース23を利用して、モデル生成装置1又はデータサーバにネットワークを介してアクセスすることで、学習結果データ125を取得してもよい。また、例えば、推定装置2は、記憶媒体92を介して、学習結果データ125を取得してもよい。また、例えば、学習結果データ125は、推定装置2に予め組み込まれてもよい。
更に、制御部11は、上記ステップS101~ステップS103の処理を定期又は不定期に繰り返すことで、学習結果データ125を更新又は新たに生成してもよい。この繰り返しの際に、機械学習に使用する学習データセット3の少なくとも一部の変更、修正、追加、削除等が適宜実行されてよい。そして、制御部11は、更新した又は新たに生成した学習結果データ125を任意の方法で推定装置2に提供することで、推定装置2の保持する学習結果データ125を更新してもよい。
[推定装置]
図9は、本実施形態に係る推定装置2による推定タスクの遂行に関する処理手順の一例を示すフローチャートである。以下で説明する推定装置2の処理手順は、推定方法の一例である。ただし、以下で説明する推定装置2の処理手順は一例に過ぎず、各ステップは可能な限り変更されてよい。また、以下の処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が行われてよい。
図9は、本実施形態に係る推定装置2による推定タスクの遂行に関する処理手順の一例を示すフローチャートである。以下で説明する推定装置2の処理手順は、推定方法の一例である。ただし、以下で説明する推定装置2の処理手順は一例に過ぎず、各ステップは可能な限り変更されてよい。また、以下の処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が行われてよい。
(ステップS201)
ステップS201では、制御部21は、データ取得部211として動作し、対象の生産設備45から対象データ221を取得する。
ステップS201では、制御部21は、データ取得部211として動作し、対象の生産設備45から対象データ221を取得する。
対象データ221は、対象のサーボモータ46の温度、対象の生産設備45を代表する位置の対象環境温度、及び代表する位置の対象環境湿度を示すように構成される。上記機械学習の段階において、連続稼働時間を示す情報を更に含む訓練データ31が推定モデル5の訓練に用いられた場合、対象データ221は、対象の生産設備45の連続稼働時間を更に示すように構成されてよい。
対象データ221を構成する各種情報を取得する方法は、特に限定されなくてよく、実施の形態に応じて適宜決定されてよい。各種情報を取得する方法には、上記訓練データ31を取得する方法のいずれかが採用されてよい。対象の生産設備45の動作をシミュレートする際に訓練済みの推定モデル5を用いる場合、対象データ221は、シミュレーションの条件から得られてよい。対象の生産設備45及び対象の生産設備45の代表的な位置は、上記機械学習の段階における生産設備40及び生産設備40の代表的な位置に対応する。
対象データ221を取得する経路も、実施の形態に応じて適宜決定されてよい。一例では、推定装置2は、対象の生産設備45に直接的に接続されてよく、制御部21は、対象の生産設備45から対象データ221を直接的に取得してもよい。他の一例では、制御部21は、例えば、ネットワーク、記憶媒体92、他のコンピュータ等を介して対象の生産設備45から対象データ221を間接的に取得してもよい。対象データ221を取得すると、制御部21は、次のステップS202に処理を進める。
(ステップS202)
ステップS202では、制御部21は、推定部212として動作し、学習結果データ125を参照して、訓練済みの推定モデル5の設定を行う。そして、制御部21は、訓練済みの推定モデル5を使用して、取得された対象データ221に示される状況から対象の生産設備45を適正に稼働するための対象のサーボモータ46の駆動に関する補正量を推定する。具体的には、制御部21は、対象データ221により示される各種情報を訓練済みの推定モデル5に入力し、訓練済みの推定モデル5の演算を実行する。この演算処理の結果として、制御部21は、対象のサーボモータ46の駆動に関する補正量の推定値を取得する。なお、対象のサーボモータ46の駆動に関する補正量は、上記機械学習の段階におけるサーボモータ41の駆動に関する補正量に対応する。推定処理が完了すると、制御部21は、次のステップS203に処理を進める。
ステップS202では、制御部21は、推定部212として動作し、学習結果データ125を参照して、訓練済みの推定モデル5の設定を行う。そして、制御部21は、訓練済みの推定モデル5を使用して、取得された対象データ221に示される状況から対象の生産設備45を適正に稼働するための対象のサーボモータ46の駆動に関する補正量を推定する。具体的には、制御部21は、対象データ221により示される各種情報を訓練済みの推定モデル5に入力し、訓練済みの推定モデル5の演算を実行する。この演算処理の結果として、制御部21は、対象のサーボモータ46の駆動に関する補正量の推定値を取得する。なお、対象のサーボモータ46の駆動に関する補正量は、上記機械学習の段階におけるサーボモータ41の駆動に関する補正量に対応する。推定処理が完了すると、制御部21は、次のステップS203に処理を進める。
(ステップS203)
ステップS203では、制御部21は、出力部213として動作し、補正量を推定した結果(補正量の推定値)に関する情報を出力する。
ステップS203では、制御部21は、出力部213として動作し、補正量を推定した結果(補正量の推定値)に関する情報を出力する。
出力先及び出力する情報の内容はそれぞれ、実施の形態に応じて適宜決定されてよい。一例では、制御部21は、例えば、出力装置26、対象の生産設備45の操作パネル、他のコンピュータの出力装置等の任意の出力先に補正量の推定値をそのまま出力してもよい。この情報の出力は、出力された補正量に基づく対象の生産設備45の操作をオペレータに促すために行われてよい。
他の一例では、制御部21は、対象の生産設備45に補正量の推定値を出力することで、補正量の推定結果に応じて、対象の生産設備45における対象のサーボモータ46の駆動を制御してもよい。つまり、補正量の推定は、対象の生産設備45の動作を制御する目的で行われてよい。この場合、推定装置2は、制御装置と称されてよい。
他の一例では、補正量に基づいて、対象の生産設備45の状態を推測することができる。例えば、補正量の推定値が大きいことは、対象の生産設備45(対象のサーボモータ46)における劣化の発生、異常の発生、寿命が迫っている、生産される製品の品質の悪化等の不具合発生の可能性が高いことを示し得る。そのため、補正量の推定は、対象の生産設備45の状態を監視する目的で行われてよい。この場合、推定装置2は、監視装置と称されてよい。制御部21は、上記と同様に、任意の出力先に補正量の推定値をそのまま出力してもよい。或いは、制御部21は、例えば、閾値判定等の方法で、補正量の推定値に基づいて不具合発生の可能性を評価してもよい。そして、制御部21は、その評価の結果を上記任意の出力先に出力してもよい。この評価の結果の出力は、不具合発生の可能性が高いと評価される場合に、そのことを知らせるための警告を出力することを含んでよい。
補正量を推定した結果に関する情報の出力が完了すると、制御部21は、本動作例に係る推定装置2の処理手順を終了する。なお、制御部21は、ステップS201~ステップS203の一連の情報処理を継続的に繰り返し実行してもよい。繰り返すタイミングは、実施の形態に応じて適宜決定されてよい。これにより、推定装置2は、上記推定タスクを継続的に繰り返し遂行するように構成されてよい。
推定装置2は、対象の生産設備45の現在又は未来の動作を補正するために、ステップS201~ステップS203の処理をリアルタイムに実行してもよい。或いは、推定装置2は、対象の生産設備45の過去の動作を検証するために、ステップS201において過去の状況を示す対象データ221を取得し、取得された対象データ221に基づいて、ステップS202及びステップS203の処理を実行してもよい。
[特徴]
以上のとおり、本実施形態では、複数の機構を備える生産設備(40、45)について、サーボモータ(41、46)の駆動に関する補正量に対する説明変数として、サーボモータ(41、46)の温度の他に、生産設備(40、45)の代表する位置で測定された環境温度及び環境湿度を採用する。これにより、サーボモータ(41、46)の駆動に関する補正量を比較的に高精度に推定可能である。加えて、生産設備(40、45)の個々の機構の状態を監視しなくて済み、測定箇所及び項目の点数を減らすことができる。したがって、本実施形態によれば、モデル生成装置1において、ステップS101及びステップS102の処理により、複数の機構を備える生産設備40のサーボモータ41の駆動に関する補正量を比較的に低コストでかつ精度よく推定可能な訓練済みの推定モデル5を生成することができる。推定装置2では、ステップS202の処理において、訓練済みの推定モデル5を用いることで、対象の生産設備45における対象のサーボモータ46の駆動に関する補正量を比較的に低コストでかつ精度よく推定することができる。
以上のとおり、本実施形態では、複数の機構を備える生産設備(40、45)について、サーボモータ(41、46)の駆動に関する補正量に対する説明変数として、サーボモータ(41、46)の温度の他に、生産設備(40、45)の代表する位置で測定された環境温度及び環境湿度を採用する。これにより、サーボモータ(41、46)の駆動に関する補正量を比較的に高精度に推定可能である。加えて、生産設備(40、45)の個々の機構の状態を監視しなくて済み、測定箇所及び項目の点数を減らすことができる。したがって、本実施形態によれば、モデル生成装置1において、ステップS101及びステップS102の処理により、複数の機構を備える生産設備40のサーボモータ41の駆動に関する補正量を比較的に低コストでかつ精度よく推定可能な訓練済みの推定モデル5を生成することができる。推定装置2では、ステップS202の処理において、訓練済みの推定モデル5を用いることで、対象の生産設備45における対象のサーボモータ46の駆動に関する補正量を比較的に低コストでかつ精度よく推定することができる。
また、本実施形態では、訓練データ31及び対象データ221は、生産設備(40、45)の連続稼働時間を更に示すように構成されてよい。すなわち、連続稼働時間を説明変数として更に採用してもよい。これにより、モデル生成装置1では、サーボモータ41の駆動に関する補正量を比較的に低コストでかつより精度よく推定可能な訓練済みの推定モデル5を生成することができる。推定装置2では、訓練済みの推定モデル5を用いることで、対象の生産設備45における対象のサーボモータ46の駆動に関する補正量を比較的に低コストでかつより精度よく推定することができる。
§4 変形例
以上、本発明の実施の形態を詳細に説明してきたが、前述までの説明はあらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良又は変形を行うことができることは言うまでもない。例えば、上記実施形態において、訓練データ31及び対象データ221から連続稼働時間を示す情報は省略されてよい。訓練データ31及び対象データ221は、上記以外の情報を含んでもよい。
以上、本発明の実施の形態を詳細に説明してきたが、前述までの説明はあらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良又は変形を行うことができることは言うまでもない。例えば、上記実施形態において、訓練データ31及び対象データ221から連続稼働時間を示す情報は省略されてよい。訓練データ31及び対象データ221は、上記以外の情報を含んでもよい。
§5 実施例
上記実施形態に係るモデル生成方法及び推定方法の有効性を検証するため、以下の実施例及び比較例に係る訓練済みの推定モデルを生成した。ただし、本発明は、以下の実施例に限定されるものではない。
上記実施形態に係るモデル生成方法及び推定方法の有効性を検証するため、以下の実施例及び比較例に係る訓練済みの推定モデルを生成した。ただし、本発明は、以下の実施例に限定されるものではない。
まず、生産設備として横ピロー包装機を運用し、78382件の学習データセットを収集した。学習データセットの収集において、K熱電対により、サーボモータの温度を測定した。包装機の操作パネルの側面に温湿度センサ(オムロン社製、型番:ZN-THX21-S)を設置し、当該温湿度センサにより、環境温度及び環境湿度を測定した。すなわち、代表する位置(センターシール部等の製品を加工する工程で発生する熱の影響のない位置)として操作パネルの側面を採用した。また、横ピロー包装機のPLC内部の時刻及び稼働開始信号により、連続稼働時間を測定した。サーボモータの補正対象としてトルクを採用した。すなわち、サーボモータのトルクの補正量を推定モデルの目的変数に設定した。
第1実施例では、推定モデルの構成として重回帰モデルを採用した。重回帰モデルは、各説明変数の1乗の項、2乗の項、及び交差積の項を備える回帰式により構成した。第1実施例では、サーボモータの温度、環境温度、及び環境湿度を説明変数として採用し、重回帰分析を行うことで、訓練済みの推定モデルを生成した。第2実施例では、連続稼働時間を説明変数に追加した。すなわち、第2実施例では、サーボモータの温度、環境温度、環境湿度、及び連続稼働時間を説明変数として採用した。一方、比較例では、サーボモータの温度のみを説明変数として採用した。その他、第2実施例及び比較例では、第1実施例と同様の構成を採用した。つまり、第2実施例及び比較例でも、第1実施例と同様の重回帰モデルを推定モデルの構成に採用し、重回帰分析を行うことで、訓練済みの推定モデルを生成した。そして、生成された訓練済みの推定モデルの精度を評価するため、第1実施例、第2実施例、及び比較例について、重回帰分析に使用した学習データセットに対する訓練済みの推定モデルのあてはまりの程度(R2乗)を算出した。なお、第1実施例、第2実施例、及び比較例の各演算には、市販のPCを用いた。
なお、上記評価結果では、サーボモータのトルクの補正量に関して推定精度の向上を図れることが分かった。サーボモータのトルクは、制御対象の一例であり、サーボモータの速度、サーボモータの位置、サーボモータの駆動電力、サーボモータに対する電流値等の他の制御対象も、トルクと同様の動作原理である。したがって、上記評価結果から、サーボモータの他の制御対象の補正量に関しても推定精度の向上を図れることが推察された。
また、上記評価結果から、生産設備の操作パネルの周囲が代表する位置として有効であることが分かった。操作パネルは、生産設備の空間的に中央の位置に配置されることが多く(各実施例及び比較例で採用した包装機でも操作パネルは空間的に中央に位置に配置されていた)、操作パネルの周囲の位置によれば、生産設備の主要な駆動に関与する部分の温度及び湿度を測定することができた。そして、このような主要な駆動に関与する部分の温度及び湿度を説明変数として用いることで、サーボモータの駆動に関する補正量を比較的に精度よく推定できたと推察された。したがって、上記評価結果から、操作パネルの周囲と同様に、生産設備の主要な駆動に関与する部分の温度及び湿度を測定可能な、生産設備の空間的な中心位置付近及び生産設備の中間工程又は要の工程付近も代表する位置として有効であると推察された。
また、サーボモータの駆動原理は、基本的には、各設備で共通である。そのため、本発明を適用可能な生産設備は上記評価結果で証明された包装機に限られず、包装機と同様にサーボモータを含む複数の機構を備える生産設備であれば、包装機以外の生産設備にも本発明を適用可能であると推察された。このような生産設備の例として、包装機の他に、ウェブ搬送機、成形機、レンズアライメント機、及び組立機を挙げることができる。したがって、上記評価結果から、生産設備は、包装機、ウェブ搬送機、成形機、レンズアライメント機、又は組立機であってよいと推察された。
1…モデル生成装置、
11…制御部、12…記憶部、13…通信インタフェース、
14…外部インタフェース、
15…入力装置、16…出力装置、17…ドライブ、
81…モデル生成プログラム、91…記憶媒体、
111…データ取得部、112…学習処理部、
113…保存処理部、125…学習結果データ、
2…推定装置、
21…制御部、22…記憶部、23…通信インタフェース、
24…外部インタフェース、
25…入力装置、26…出力装置、27…ドライブ、
82…推定プログラム、92…記憶媒体、
211…データ取得部、212…推定部、213…出力部、
221…対象データ、
3…学習データセット、
31…訓練データ、32…正解ラベル、
40…生産設備、41…サーボモータ、
45…対象の生産設備、46…対象のサーボモータ、
5…推定モデル
11…制御部、12…記憶部、13…通信インタフェース、
14…外部インタフェース、
15…入力装置、16…出力装置、17…ドライブ、
81…モデル生成プログラム、91…記憶媒体、
111…データ取得部、112…学習処理部、
113…保存処理部、125…学習結果データ、
2…推定装置、
21…制御部、22…記憶部、23…通信インタフェース、
24…外部インタフェース、
25…入力装置、26…出力装置、27…ドライブ、
82…推定プログラム、92…記憶媒体、
211…データ取得部、212…推定部、213…出力部、
221…対象データ、
3…学習データセット、
31…訓練データ、32…正解ラベル、
40…生産設備、41…サーボモータ、
45…対象の生産設備、46…対象のサーボモータ、
5…推定モデル
Claims (14)
- サーボモータを含む複数の機構を備える生産設備から収集された複数の学習データセットを取得するように構成されたデータ取得部であって、
前記各学習データセットは、訓練データ及び正解ラベルの組み合わせにより構成され、
前記訓練データは、前記サーボモータの温度、前記生産設備を代表する位置の環境温度、及び前記代表する位置の環境湿度を示すように構成され、並びに
前記正解ラベルは、対応する前記訓練データに示される状況の際に前記生産設備を適正に稼働するための前記サーボモータの駆動に関する補正量の真値を示すように構成される、
データ取得部と、
取得された複数の学習データセットを使用して、推定モデルの機械学習を実施するように構成された学習処理部であって、前記機械学習は、前記各学習データセットについて、前記訓練データにより示される前記サーボモータの温度、前記環境温度、及び前記環境湿度から前記サーボモータの駆動に関する補正量を推定した結果が前記正解ラベルにより示される前記真値に適合するように前記推定モデルを訓練することにより構成される、学習処理部と、
を備える、
モデル生成装置。 - 前記訓練データは、前記生産設備の連続稼働時間を更に示すように構成され、
前記機械学習は、前記各学習データセットについて、前記訓練データにより示される前記サーボモータの温度、前記環境温度、前記環境湿度、及び前記連続稼働時間から前記サーボモータの駆動に関する補正量を推定した結果が前記正解ラベルにより示される前記真値に適合するように前記推定モデルを訓練することにより構成される、
請求項1に記載のモデル生成装置。 - 前記サーボモータの駆動に関する補正量は、前記サーボモータのトルクの補正量、前記サーボモータの速度の補正量、前記サーボモータの位置の補正量、前記サーボモータの駆動電力の補正量及び前記サーボモータに対する電流値の補正量の少なくともいずれかである、
請求項1又は2に記載のモデル生成装置。 - 前記代表する位置は、前記生産設備の操作パネルの周囲、前記生産設備の空間的な中心位置付近、及び前記生産設備の中間工程又は要の工程付近の少なくともいずれかである、
請求項1から3のいずれか1項に記載のモデル生成装置。 - 前記生産設備は、包装機、ウェブ搬送機、成形機、レンズアライメント機、又は組立機である、
請求項1から4のいずれか1項に記載のモデル生成装置。 - 対象のサーボモータを含む複数の機構を備える対象の生産設備から対象データを取得するように構成されたデータ取得部であって、前記対象データは、前記対象のサーボモータの温度、前記対象の生産設備を代表する位置の対象環境温度、及び前記代表する位置の対象環境湿度を示すように構成される、データ取得部と、
機械学習により生成された訓練済みの推定モデルを使用して、取得された前記対象データにより示される前記対象のサーボモータの温度、前記対象環境温度、及び前記対象環境湿度から前記対象の生産設備を適正に稼働するための前記対象のサーボモータの駆動に関する補正量を推定するように構成された推定部と、
前記補正量を推定した結果に関する情報を出力するように構成された出力部と、
を備える、
推定装置。 - 前記対象データは、前記対象の生産設備の連続稼働時間を更に示すように構成され、
前記推定部は、前記訓練済みの推定モデルを使用して、取得された前記対象データにより示される前記対象のサーボモータの温度、前記対象環境温度、前記対象環境湿度及び前記連続稼働時間から前記対象のサーボモータの駆動に関する補正量を推定するように構成される、
請求項6に記載の推定装置。 - 前記対象のサーボモータの駆動に関する補正量は、前記サーボモータのトルクの補正量、前記サーボモータの速度の補正量、前記サーボモータの位置の補正量、前記サーボモータの駆動電力の補正量及び前記サーボモータに対する電流値の補正量の少なくともいずれかである、
請求項6又は7に記載の推定装置。 - 前記対象の生産設備を代表する位置は、前記生産設備の操作パネルの周囲、前記生産設備の空間的な中心位置付近、及び前記生産設備の中間工程又は要の工程付近の少なくともいずれかである、
請求項6から8のいずれか1項に記載の推定装置。 - 前記対象の生産設備は、包装機、ウェブ搬送機、成形機、レンズアライメント機、又は組立機である、
請求項6から9のいずれか1項に記載の推定装置。 - コンピュータが、
サーボモータを含む複数の機構を備える生産設備から収集された複数の学習データセットを取得するステップであって、
前記各学習データセットは、訓練データ及び正解ラベルの組み合わせにより構成され、
前記訓練データは、前記サーボモータの温度、前記生産設備を代表する位置の環境温度、及び前記代表する位置の環境湿度を示すように構成され、並びに
前記正解ラベルは、対応する前記訓練データに示される状況の際に前記生産設備を適正に稼働するための前記サーボモータの駆動に関する補正量の真値を示すように構成される、
ステップと、
取得された複数の学習データセットを使用して、推定モデルの機械学習を実施するステップであって、前記機械学習は、前記各学習データセットについて、前記訓練データにより示される前記サーボモータの温度、前記環境温度、及び前記環境湿度から前記サーボモータの駆動に関する補正量を推定した結果が前記正解ラベルにより示される前記真値に適合するように前記推定モデルを訓練することにより構成される、ステップと、
を実行する、
モデル生成方法。 - コンピュータが、
対象のサーボモータを含む複数の機構を備える対象の生産設備から対象データを取得するステップであって、前記対象データは、前記対象のサーボモータの温度、前記対象の生産設備を代表する位置の対象環境温度、及び前記代表する位置の対象環境湿度を示すように構成される、ステップと、
機械学習により生成された訓練済みの推定モデルを使用して、取得された前記対象データにより示される前記対象のサーボモータの温度、前記対象環境温度、及び前記対象環境湿度から前記対象の生産設備を適正に稼働するための前記対象のサーボモータの駆動に関する補正量を推定するステップと、
前記補正量を推定した結果に関する情報を出力するステップと、
を実行する、
推定方法。 - コンピュータに、
サーボモータを含む複数の機構を備える生産設備から収集された複数の学習データセットを取得するステップであって、
前記各学習データセットは、訓練データ及び正解ラベルの組み合わせにより構成され、
前記訓練データは、前記サーボモータの温度、前記生産設備を代表する位置の環境温度、及び前記代表する位置の環境湿度を示すように構成され、並びに
前記正解ラベルは、対応する前記訓練データに示される状況の際に前記生産設備を適正に稼働するための前記サーボモータの駆動に関する補正量の真値を示すように構成される、
ステップと、
取得された複数の学習データセットを使用して、推定モデルの機械学習を実施するステップであって、前記機械学習は、前記各学習データセットについて、前記訓練データにより示される前記サーボモータの温度、前記環境温度、及び前記環境湿度から前記サーボモータの駆動に関する補正量を推定した結果が前記正解ラベルにより示される前記真値に適合するように前記推定モデルを訓練することにより構成される、ステップと、
を実行させるための、
モデル生成プログラム。 - コンピュータに、
対象のサーボモータを含む複数の機構を備える対象の生産設備から対象データを取得するステップであって、前記対象データは、前記対象のサーボモータの温度、前記対象の生産設備を代表する位置の対象環境温度、及び前記代表する位置の対象環境湿度を示すように構成される、ステップと、
機械学習により生成された訓練済みの推定モデルを使用して、取得された前記対象データにより示される前記対象のサーボモータの温度、前記対象環境温度、及び前記対象環境湿度から前記対象の生産設備を適正に稼働するための前記対象のサーボモータの駆動に関する補正量を推定するステップと、
前記補正量を推定した結果に関する情報を出力するステップと、
を実行させるための、
推定プログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021025798A JP2022127675A (ja) | 2021-02-22 | 2021-02-22 | モデル生成装置、モデル生成方法、モデル生成プログラム、推定装置、推定方法、及び推定プログラム |
PCT/JP2022/005288 WO2022176760A1 (ja) | 2021-02-22 | 2022-02-10 | モデル生成装置、モデル生成方法、モデル生成プログラム、推定装置、推定方法、及び推定プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021025798A JP2022127675A (ja) | 2021-02-22 | 2021-02-22 | モデル生成装置、モデル生成方法、モデル生成プログラム、推定装置、推定方法、及び推定プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022127675A true JP2022127675A (ja) | 2022-09-01 |
Family
ID=82931619
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021025798A Pending JP2022127675A (ja) | 2021-02-22 | 2021-02-22 | モデル生成装置、モデル生成方法、モデル生成プログラム、推定装置、推定方法、及び推定プログラム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP2022127675A (ja) |
WO (1) | WO2022176760A1 (ja) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6924628B2 (ja) * | 2017-06-30 | 2021-08-25 | 株式会社東京自働機械製作所 | 包装機のシール制御装置 |
JP7031502B2 (ja) * | 2018-06-07 | 2022-03-08 | オムロン株式会社 | 制御システム、制御方法、学習装置、制御装置、学習方法及び学習プログラム |
JP2020149289A (ja) * | 2019-03-13 | 2020-09-17 | オムロン株式会社 | 表示システム、表示方法、及び表示プログラム |
US12007753B2 (en) * | 2019-06-14 | 2024-06-11 | One Tech, Inc | System and method for predicting industrial equipment motor behavior |
-
2021
- 2021-02-22 JP JP2021025798A patent/JP2022127675A/ja active Pending
-
2022
- 2022-02-10 WO PCT/JP2022/005288 patent/WO2022176760A1/ja active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2022176760A1 (ja) | 2022-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11106197B2 (en) | Prediction model creation apparatus, production facility monitoring system, and production facility monitoring method | |
US10782664B2 (en) | Production system that sets determination value of variable relating to abnormality of product | |
CN108628256B (zh) | 机械学习装置以及热位移修正装置 | |
JP4952025B2 (ja) | 運転制御方法,運転制御装置及び運転制御システム | |
JP7031502B2 (ja) | 制御システム、制御方法、学習装置、制御装置、学習方法及び学習プログラム | |
US20210174227A1 (en) | Machine learning apparatus, control device, machining system, and machine learning method for learning correction amount of workpiece model | |
JP7187673B2 (ja) | 機械の残存耐用寿命を予測するための装置および方法 | |
US20210191380A1 (en) | Display system, display method, and non-transitory computer-readable recording medium recording display program | |
JP6542738B2 (ja) | 対象物の出荷時検査情報と稼働時アラーム情報の相関関係を学習する機械学習装置および機械学習方法 | |
US11762344B2 (en) | Control device, control method, and control program | |
US11579000B2 (en) | Measurement operation parameter adjustment apparatus, machine learning device, and system | |
WO2022176760A1 (ja) | モデル生成装置、モデル生成方法、モデル生成プログラム、推定装置、推定方法、及び推定プログラム | |
JP6806384B2 (ja) | 故障予測システム | |
JP7006640B2 (ja) | 制御装置、制御方法、及び制御プログラム | |
Jedermann et al. | Digital twin concepts for linking live sensor data with real-time models | |
US20190033820A1 (en) | Numerical controller | |
WO2020183975A1 (ja) | 表示システム | |
WO2021256215A1 (ja) | 制御装置、上位コントローラ、制御方法、及び制御プログラム | |
Chen et al. | Machine assisted manual torch operation: system design, response modeling, and speed control | |
CN116224778A (zh) | 线材的矫正机的控制装置、控制系统以及控制方法 | |
CN112513761B (zh) | 显示系统、显示方法及显示程序的记录介质 | |
JP6909616B2 (ja) | 製造システムおよび製造方法 | |
WO2021053782A1 (ja) | 生産設備に生じ得る事象の解析装置 | |
WO2021044500A1 (ja) | 異常に対する処理の支援装置 | |
WO2022209057A1 (ja) | 情報処理装置、情報処理方法および情報処理プログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20231212 |