JP6055058B1 - 機械学習器及び組み立て・試験器を備えた生産設備 - Google Patents

Abstract

【課題】本発明は、人手による工数を掛けず、回路特性のバラツキが少ない生産設備を提供することを目的とする。【解決手段】本発明の一実施例に係る生産設備は、機械学習器と、組み立て・試験器と、を備えた生産設備であって、組み立て・試験器が、特性が異なる複数の部品群の中から複数の部品を選択し、選択した複数の部品を使用して製品の組み立てを行い、組み立てた製品の試験を行い、機械学習器が、製品の試験の結果と複数の部品群についての部品の特性毎の在庫量を観測する状態観測部と、試験の結果、及び在庫量に基づいて報酬を計算する報酬計算部と、状態観測部での観測結果、及び報酬計算部での報酬に基づいて行動の価値を判断する人工知能と、人工知能での判断結果に基づいて、次回の製品の組み立てに使用する複数の部品を複数の部品群から選択する意思決定部と、を有することを特徴とする。【選択図】図１

Description

本発明は、機械学習器及び組み立て・試験器を備えた生産設備に関し、特に、複数の部品を使用して組み立てた製品の性能が目標値に近く、かつ、部品の特性毎の部品の在庫量の偏りが小さくなるように製品を生産する機能を有する機械学習器及び組み立て・試験器を備えた生産設備に関する。

組立工程の多くを自動化して、生産性および品質の安定性がよく、低コストなモータを大量生産することができるモータの組立装置が知られている（例えば、特許文献１）。

従来のモータやモータ駆動装置などの組立装置においては、複数の部品の選択自体は、人手により行われていた。複数の部品はそれぞれの特性に誤差を持ち、製品の特性は複数の部品の誤差によって決まる。従って、ランダムに部品を選択して組み立てると、出来上がった製品の特性は部品ごとの特性の和になってしまうという問題があった。さらに、人手による部品の選別には、多くの労力と時間を要するという問題があった。

特開２００３−３２４９０９号公報

本発明は、人手による工数を掛けず、回路特性のバラツキが少ない製品を生産する生産設備を提供することを目的とする。

本発明の一実施例に係る生産設備は、機械学習器と、組み立て・試験器と、を備えた生産設備であって、組み立て・試験器が、特性が異なる複数の部品群の中から複数の部品を選択し、選択した複数の部品を使用して製品の組み立てを行い、組み立てた製品の試験を行い、機械学習器が、製品の試験の結果と複数の部品群についての部品の特性毎の在庫量を観測する状態観測部と、試験の結果、及び在庫量に基づいて報酬を計算する報酬計算部と、状態観測部での観測結果、及び報酬計算部での報酬に基づいて行動の価値を判断する人工知能と、人工知能での判断結果に基づいて、次回の製品の組み立てに使用する複数の部品を複数の部品群から選択する意思決定部と、を有することを特徴とする。

本発明の一実施例に係る生産設備によれば、人手による工数を掛けずに、回路特性のバラツキが小さい回路を生産することができる。

本発明の実施例に係る生産設備の構成図である。 本発明の実施例に係る生産設備を用いて、複数の部品群から複数の部品を選択して回路を生産する工程の概念図である。 ニューロンのモデルを示す模式図である。 ３層のニューラルネットワークモデルを示す模式図である。 本発明の実施例に係る生産設備の動作手順を説明するためのフローチャートである。

以下、図面を参照して、本発明に係る生産設備について説明する。

図１は、本発明の実施例に係る生産設備の構成図である。本発明の実施例に係る生産設備１００は、機械学習器１０と、組み立て・試験器２０と、を備えている。機械学習器１０は、状態観測部１と、報酬計算部２と、人口知能（以下、「学習部」ともいう）３と、意思決定部４と、を備える。

図２は、本発明の実施例に係る生産設備を用いて、複数の部品群から複数の部品を選択して回路を生産する工程の概念図である。組み立て・試験器２０は、特性が異なる複数の部品群（Ａ１，Ａ２，Ａ３，Ｂ１，Ｂ２，Ｂ３）の中から複数の部品（１１，１２）を選択し、選択した複数の部品（１１，１２）を使用して製品２００の組み立てを行い、組み立てた製品の試験を行う。

部品の特性として、部品の抵抗値等の誤差を例に挙げることができるが、これには限られない。例えば、部品の特性は、電圧などの電気的な特性でも、寸法などの機械的な特性でもよい。

図２において、部品Ａ（１１）は、部品Ａ第１ロットＡ１から部品Ａ第３ロットＡ３までの３つのロットから選択される。同様に、部品Ｂ（１２）は、部品Ｂ第１ロットＢ１から部品Ｂ第３ロットＢ３までの３つのロットから選択される。ただし、ロット数はこのような例には限られず、２つまたは４つ以上でもよい。

また各ロットには特性がほぼ均一な複数の部品が含まれているものとする。例えば、部品Ａ第１ロットＡ１には、部品の特性の基準値からの誤差が＋１％付近である１０００個の部品が含まれ、部品Ａ第２ロットＡ２には、部品の特性の基準値からの誤差が＋０．５％付近である１０００個の部品が含まれるものとする。同様に、例えば、部品Ｂ第１ロットＢ１には、部品の特性の基準値からの誤差が＋０．５％である７００個の部品が含まれ、部品Ｂ第２ロットＢ２には、部品の特性の基準値からの誤差が−１％である７００個の部品が含まれるものとする。ただし、上記の部品の種類、ロット数、各ロットに含まれる部品数、各ロットの部品の特性等は一例であって、このような例には限られない。

生産設備１００は、図２に示すように、例えば、部品Ａの第１ロットＡ１から１つの部品Ａ（１１）を選択し、部品Ｂの第２ロットＢ２から１つの部品Ｂ（１２）を選択して、製品（回路）２００を生産する。このとき、部品Ａの第１ロットＡ１に含まれる複数の部品の特性の誤差が＋１％であり、部品Ｂの第２ロットＢ２に含まれる複数の部品の特性の誤差が−１％であるとすると、製品２００の性能である回路出力の目標値からの誤差は±０％となるものと考えられる。

一般に、数十〜数百の部品で構成される回路では、部品の誤差の和が回路出力の誤差となって現れてしまう。ロット毎で誤差に偏りがある部品を使って回路を組み立てる際、出来る限り回路出力は「誤差±０％」としたい。一方で、誤差の大きいロットが、使われずにずっと残ってしまう事態は避けたい。

そこで、本発明の実施例に係る生産設備は、部品をうまく使って、回路出力を±０％に近づけつつ、特性の基準値からの誤差が偏ったロットが在庫として残るのも避けるように学習する。機械学習器１０は、最初は各部品の各ロットの誤差がいくらであるかは知らないが、組み合わされた回路出力を測定することで、各ロットの誤差を学習していく。回路出力を誤差０％に近づけるために、誤差の小さいロットを優先的に使いたくなるが、誤差の大きいロットが在庫として残る場合は報酬を低くすることで、特性毎の部品の在庫が偏らないようにする。

状態観測部１は、製品２００の試験の結果と複数の部品群（Ａ１，Ａ２，Ａ３，Ｂ１，Ｂ２，Ｂ３）についての部品の特性毎の在庫量を観測する。製品２００の試験の結果の例として、部品Ａ（１１）として、部品Ａの部品群である部品Ａ第１ロットＡ１（誤差＋１％）から１つの部品を選択し、部品Ｂ（１２）として、部品Ｂの部品群である部品Ｂ第１ロットＢ１（誤差＋０．５％）から１つの部品を選択した場合、製品２００の性能の誤差は１．５％程度となるものと考えられる。また、部品の特性毎の在庫量の例として、部品Ａ第１ロットＡ１には当初１０００個の部品が含まれていたものと仮定すると、１００個の部品を使用した後には、部品の特性が誤差＋１％である部品の在庫量は９００個となる。

報酬計算部２は、試験の結果、及び在庫量に基づいて報酬を計算する。報酬の計算方法については後述する。

人工知能（学習部）３は、状態観測部１での観測結果、及び報酬計算部２での報酬に基づいて行動の価値を判断する。行動の価値の判断方法については後述する。

意思決定部４は、人工知能３での判断結果に基づいて、次回の製品の組み立てに使用する複数の部品（部品Ａ，部品Ｂ）を複数の部品群（Ａ１，Ａ２，Ａ３，Ｂ１，Ｂ２，Ｂ３）から選択する。

次に、報酬の計算方法について説明する。一例として、報酬計算部２は、試験の結果である製品２００の性能が目標値に近いほど高い報酬を算出し、在庫量が部品の特性毎に偏っているほど低い報酬を算出するようにしてもよい。例えば、試験の結果に関して、目標とする性能の誤差を±０％とする。このとき、得られた製品の誤差が＋０．５％であれば、＋１％の場合よりも高い報酬を与えるようにすることができる。また、得られた製品の誤差が、所定の値（例えば、２％）を超えているような場合にはマイナスの報酬を与えるようにしてもよい。一方、在庫量に関して、部品Ａ第１ロットＡ１、部品Ａ第２ロットＡ２、部品Ａ第３ロットＡ３の各在庫量の偏り、即ち、各ロット内の部品の在庫量の最大個数と最小個数の差が２０個の場合は１０個の場合よりも低い報酬を与えるようにすることができる。なお、製品の特性は、電圧などの電気的な特性でも、寸法などの機械的な特性でもよい。

人工知能３が、状態観測部１で観測された状態変数を多層構造で演算し、行動の価値を判断するための行動価値テーブルをリアルタイムで更新することが好ましい。ここで、状態変数を多層構造で演算する方法として、例えば、図４に示すような多層ニューラルネットワークを用いることができる。

ここで、図１に示される機械学習器１０について詳細に説明する。機械学習器１０は、装置に入力されるデータの集合から、その中にある有用な規則や知識表現、判断基準などを解析により抽出し、その判断結果を出力するとともに、知識の学習を行う機能を有する。その手法は様々であるが、大別すれば「教師あり学習」、「教師なし学習」、及び「強化学習」に分けられる。さらに、これらの手法を実現するうえで、特徴量そのものの抽出を学習する、「深層学習」と呼ばれる手法がある。

「教師あり学習」は、ある入力と結果（ラベル）のデータの組を大量に学習装置に与えることで、それらのデータセットにある特徴を学習し、入力から結果を推定するモデル、即ち、その関係性を帰納的に獲得することができる。本実施形態においては、製品の試験の結果及び部品の各特性毎の在庫量の偏りである状態観測部での観測結果並びに報酬計算部での報酬に基づいて、次回組み立てに使用する各部品ロットを推定する部分などに用いることが出来る。後述のニューラルネットワークなどのアルゴリズムを用いて実現することができる。

「教師なし学習」とは、入力データのみを大量に学習装置に与えることで、入力データがどのような分布をしているか学習し、対応する教師出力データを与えなくても、入力データに対して圧縮、分類、整形などを行う装置を学習する手法である。それらのデータセットにある特徴を似た者どうしにクラスタリングすることなどができる。この結果を使って、何らかの基準を設けてそれを最適にするような出力の割り当てを行うことで、出力の予測を実現することができる。また「教師なし学習」と「教師あり学習」との中間的な問題設定として、「半教師あり学習」と呼ばれるものもあり、これは一部のみ入力と出力のデータの組が存在し、それ以外は入力のみのデータである場合がこれに当たる。本実施形態においては、実際に組み立て・試験器を動作させなくても取得することが出来るデータを教師なし学習で利用し、学習を効率的に行うことが出来る。

強化学習の問題を以下のように設定する。
・組み立て・試験器は環境の状態を観測し、行動を決定する。
・環境は何らかの規則に従って変化し、さらに自分の行動が、環境に変化を与えることもある。
・行動するたびに報酬信号が帰ってくる。
・最大化したいのは将来にわたっての（割引）報酬の合計である。
・行動が引き起こす結果を全く知らない、または不完全にしか知らない状態から学習はスタートする。組み立て・試験器は実際に動作して初めて、その結果をデータとして得ることが出来る。つまり、試行錯誤しながら最適な行動を探索する必要がある。
・人間の動作を真似るように事前学習（前述の教師あり学習や、逆強化学習といった手法）した状態を初期状態として、良いスタート地点から学習をスタートさせることもできる。

「強化学習」とは、判定や分類だけではなく、行動を学習することにより、環境に行動が与える相互作用を踏まえて適切な行動を学習、即ち、将来的に得られる報酬を最大にするために学習する方法である。このことは、本実施形態において、未来に影響を及ぼすような行動を獲得できることを表している。例えばＱ学習の場合で説明を続けるが、それに限るものではない。

Ｑ学習は、或る環境状態ｓの下で、行動ａを選択する価値Ｑ（ｓ，ａ）を学習する方法である。つまり、或る状態ｓのとき、価値Ｑ（ｓ，ａ）の最も高い行動ａを最適な行動として選択すればよい。しかし、最初は状態ｓと行動ａとの組合せについて、価値Ｑ（ｓ，ａ）の正しい値は全く分かっていない。そこで、エージェント（行動主体）は、或る状態ｓの下で様々な行動ａを選択し、その時の行動ａに対して報酬が与えられる。それにより、エージェントはより良い行動の選択、すなわち正しい価値Ｑ（ｓ，ａ）を学習していく。

行動の結果、将来にわたって得られる報酬の合計を最大化したい。そこで、最終的に、Ｑ（ｓ，ａ）＝Ｅ［Σγ^tｒ_t］（報酬の割引期待値。γ：割引率）となるようにすることを目指す（期待値は最適な行動に従って状態変化したときについてとる。もちろん、それは分かっていないので、探索しながら学習しなければならない）。そのような価値Ｑ（ｓ，ａ）の更新式は、例えば次式により表すことができる。

ここで、ｓ_tは時刻ｔにおける環境の状態を表し、ａ_tは時刻ｔにおける行動を表す。行動ａ_tにより、状態はｓ_t+1に変化する。ｒ_t+1は、その状態の変化により貰える報酬を表している。また、ｍａｘの付いた項は、状態ｓ_t+1の下で、その時に分かっている最もＱ値の高い行動ａを選択した場合のＱ値にγを乗じたものになる。γは、０＜γ≦１のパラメータで、割引率と呼ばれる。αは学習係数で、０＜α≦１の範囲とする。

この式は、試行ａ_tの結果帰ってきた報酬ｒ_t+1を元に、状態ｓ_tにおける行動ａ_tの評価値Ｑ（ｓ_t，ａ_t）を更新する方法を表している。状態ｓにおける行動ａの評価値Ｑ（ｓ_t，ａ_t）よりも、報酬ｒ_t+1＋行動ａによる次の状態における最良の行動ｍａｘ ａの評価値Ｑ（ｓ_t+1，ｍａｘ ａ_t+1）の方が大きければ、Ｑ（ｓ_t，ａ_t）を大きくするし、反対に小さければ、Ｑ（ｓ_t，ａ_t）も小さくする事を示している。つまり、或る状態における或る行動の価値を、結果として即時帰ってくる報酬と、その行動による次の状態における最良の行動の価値に近付けるようにしている。

Ｑ（ｓ，ａ）の計算機上での表現方法は、全ての状態行動ペア（ｓ，ａ）に対して、その値をテーブル（行動価値テーブル）として保持しておく方法と、Ｑ（ｓ，ａ）を近似するような関数を用意する方法がある。後者の方法では、前述の更新式は、確率勾配降下法などの手法で近似関数のパラメータを調整していくことで実現することが出来る。近似関数としては、後述のニューラルネットワークを用いることが出来る。

教師あり学習、教師なし学習、及び強化学習での価値関数の近似アルゴリズムとして、ニューラルネットワークを用いることができる。ニューラルネットワークは、例えば図３に示すようなニューロンのモデルを模したニューラルネットワークを実現する演算装置及びメモリ等で構成される。図３は、ニューロンのモデルを示す模式図である。

図３に示すように、ニューロンは、複数の入力ｘ（ここでは一例として、入力ｘ₁〜入力ｘ₃）に対する出力ｙを出力するものである。各入力ｘ₁〜ｘ₃には、この入力ｘに対応する重みｗ（ｗ₁〜ｗ₃）が掛けられる。これにより、ニューロンは、次の式により表現される出力ｙを出力する。なお、入力ｘ、出力ｙ、及び重みｗは、全てベクトルである。

ここで、θはバイアスであり、ｆ_kは活性化関数である。

次に、上述したニューロンを組み合わせた３層の重みを有するニューラルネットワークについて、図４を参照して説明する。図４は、Ｄ１〜Ｄ３の３層の重みを有するニューラルネットワークを示す模式図である。

図４に示すように、ニューラルネットワークの左側から複数の入力ｘ（ここでは一例として、入力ｘ１〜入力ｘ３）が入力され、右側から結果ｙ（ここでは一例として、結果ｙ１〜結果ｙ３）が出力される。

具体的には、入力ｘ１〜入力ｘ３は、３つのニューロンＮ１１〜Ｎ１３の各々に対して対応する重みが掛けられて入力される。これらの入力に掛けられる重みは、まとめてＷ１と標記されている。

ニューロンＮ１１〜Ｎ１３は、それぞれ、Ｚ１１〜Ｚ１３を出力する。これらのＺ１１〜Ｚ１３はまとめて特徴ベクトルＺ１と標記され、入力ベクトルの特徴量を抽出したベクトルとみなすことができる。この特徴ベクトルＺ１は、重みＷ１と重みＷ２との間の特徴ベクトルである。

Ｚ１１〜Ｚ１３は、２つのニューロンＮ２１，Ｎ２２の各々に対して対応する重みが掛けられて入力される。これらの特徴ベクトルに掛けられる重みは、まとめてＷ２と標記されている。

ニューロンＮ２１，Ｎ２２は、それぞれ、Ｚ２１，Ｚ２２を出力する。これらは、まとめて特徴ベクトルＺ２と標記されている。この特徴ベクトルＺ２は、重みＷ２と重みＷ３との間の特徴ベクトルである。

特徴ベクトルＺ２１，Ｚ２２は、３つのニューロンＮ３１〜Ｎ３３の各々に対して対応する重みが掛けられて入力される。これらの特徴ベクトルに掛けられる重みは、まとめてＷ３と標記されている。

最後に、ニューロンＮ３１〜Ｎ３３は、それぞれ、結果ｙ１〜結果ｙ３を出力する。

ニューラルネットワークの動作には、学習モードと価値予測モードとがあり、学習モードにおいて学習データセットを用いて重みＷを学習し、そのパラメータを用いて予測モードにおいて組み立て・試験器の行動判断を行う（便宜上、予測と書いたが、検出、分類、推論など多様なタスクが可能である）。

予測モードで実際に組み立て・試験器を動かして得られたデータを即時学習し、次の行動に反映させる（オンライン学習）ことも、あらかじめ収集しておいたデータ群を用いてまとめた学習を行い、以降はずっとそのパラメータで検知モードを行う（バッチ学習）こともできる。その中間的な、ある程度データが溜まるたびに学習モードを挟むということも可能である。

重みＷ１〜Ｗ３は、誤差逆伝搬法（バックプロパゲーション）により学習可能なものである。誤差の情報は、右側から入り左側に流れる。誤差逆伝搬法は、各ニューロンについて、入力ｘが入力されたときの出力ｙと真の出力ｙ（教師）との差分を小さくするように、それぞれの重みを調整（学習）する手法である。

このようなニューラルネットワークは、３層以上にさらに層を増やすことも可能である（深層学習と称される）。入力の特徴抽出を段階的に行い、結果を回帰する演算装置を、教師データのみから自動的に獲得することが可能である。

そこで、本実施形態の機械学習器１０は、上述のＱ学習を実施すべく、図１に示されるように状態観測部１、人口知能３、及び意思決定部４を備えている。但し、本発明に適用される機械学習方法は、Ｑ学習に限定されるものではない。例えば教師あり学習を適用する場合において、価値関数は学習モデル、報酬は誤差にそれぞれ対応する。

図１に示すように、組み立て・試験器２０における状態には、行動で間接的に変化する状態と、行動で直接的に変化する状態とがある。行動で間接的に変化する状態には、各試験結果が含まれる。行動で直接的に変化する状態には、次回組み立てに使用する各部品ロット、及びロット毎の部品在庫量が含まれる。

人工知能３は、更新式及び報酬に基づいて、行動価値テーブルの中から現在の状態変数及び取り得る行動に対応する行動価値を更新する。

機械学習器１０がネットワークを介して組み立て・試験器２０に接続されるようにし、状態観測部１は、ネットワークを介して、現在の状態変数を取得するように構成してもよい。また、機械学習器１０は、クラウドサーバに存在することが好ましい。

機械学習器１０は、生産設備１００に内蔵されていてもよい。即ち、生産設備１００が、機械学習器１０と、組み立て・試験器２０と、を具備するようにしてもよい。

また、図１に示した例では、自己の機械学習器の人工知能で更新された行動価値テーブルを用いて自己の行動価値テーブルを更新する例を示したが、このような例には限られない。即ち、自己の機械学習器とは別の他の機械学習器の人工知能で更新された行動価値テーブルを用いて自己の行動価値テーブルを更新するようにしてもよい。

次に、本発明の実施例に係る生産設備に含まれる機械学習器の動作について説明する。図５に本発明の実施例に係る機械学習器の動作手順を説明するためのフローチャートを示す。

まず、ステップＳ１０１において、組み立て・試験器２０の各種状態を状態観測部１で観測する。即ち、状態観測部１は、組み立て・試験器２０が生産した製品の試験結果、及び製品の生産後の各特性の部品の在庫量を観測する。

次に、ステップＳ１０２において、報酬計算部２が観測した状態から報酬を計算する。例えば、報酬計算部２は、試験の結果である製品の性能が目標値に近いほど高い報酬を算出し、在庫量が部品の特性毎に偏っているほど低い報酬を算出する。

次に、ステップＳ１０３において、人工知能３が、観測した状態と報酬から行動価値を学習する。

次に、ステップＳ１０４において、状態及び行動価値に基づいて、意思決定部４で最適なパラメータ（行動）を決定する。例えば、所望の製品性能及び在庫量の偏りを得るためのパラメータ（次回組み立てに使用する各部品ロット）を決定する。

次に、ステップＳ１０５において、パラメータ（行動）により状態が変化する。即ち、組み立て・試験器２０が、所望の製品所望の性能及び在庫量の偏りを得るために次回組み立てに使用する各部品ロットを決定する。

本実施例の生産設備が生産する製品の少なくとも一部にはモータ駆動装置が含まれていてもよい。ただし、これは一例であって他の製品にも本発明を適用することができる。

本実施例の生産設備が製品の組み立てに使用する複数の部品には、モータ駆動装置の電流検出回路における電流センサ及びＡＤコンバータの少なくとも一方が含まれてもよい。

また、部品の特性には、オフセット電圧が含まれてもよく、試験の結果には、モータ駆動装置の電流検出回路のオフセット値が含まれてもよい。

以上説明したように、本発明の実施例に係る生産設備によれば、機械学習によって、所望の製品性能及び在庫量の偏りに対して、組み立て・試験器のパラメータを自動調整することができ、製品性能を向上させ、在庫量の偏りを回避することができる。その結果、誤差のある部品を使いつつ、回路出力は理想値（誤差±０％）に近い商品が生産でき、偏った誤差の部品が在庫として残るのを防ぐことができる。

１ 状態観測部
２ 報酬計算部
３ 人工知能
４ 意思決定部
１０ 機械学習器
２０ 組み立て・試験器
１００ 生産設備

Claims (5)

1. 機械学習器と、組み立て・試験器と、を備えた生産設備であって、
   前記組み立て・試験器が、特性が異なる複数の部品群の中から複数の部品を選択し、選択した前記複数の部品を使用して製品の組み立てを行い、組み立てた前記製品の試験を行い、
   前記機械学習器が、
   前記製品の試験の結果と前記複数の部品群についての部品の特性毎の在庫量を観測する状態観測部と、
   前記試験の結果、及び前記在庫量に基づいて報酬を計算する報酬計算部と、
   前記状態観測部での観測結果、及び前記報酬計算部での報酬に基づいて行動の価値を判断する人工知能と、
   前記人工知能での判断結果に基づいて、次回の製品の組み立てに使用する複数の部品を前記複数の部品群から選択する意思決定部と、
   を有することを特徴とする生産設備。
2. 前記報酬計算部が、前記試験の結果である製品の性能が目標値に近いほど高い報酬を算出し、前記在庫量が部品の特性毎に偏っているほど低い報酬を算出する、請求項１に記載の生産設備。
3. 前記人工知能が、前記生産設備の構成と同一の構成を含む他の生産設備の状態観測部での観測結果、及び報酬計算部での報酬に基づいて、自己の行動の価値を判断する、請求項１または２に記載の生産設備。
4. 前記製品の少なくとも一部にはモータ駆動装置が含まれ、
   前記複数の部品には、前記モータ駆動装置の電流検出回路における電流センサ及びＡＤコンバータの少なくとも一方が含まれる、請求項１乃至３のいずれか一項に記載の生産設備。
5. 前記部品の特性には、オフセット電圧が含まれ、
   前記試験の結果には、モータ駆動装置の電流検出回路のオフセット値が含まれる、請求項１乃至４のいずれか一項に記載の生産設備。

Images