JP6386523B2 - Ｎａｎｄフラッシュメモリの寿命を予測する機械学習装置、寿命予測装置、数値制御装置、生産システム、及び機械学習方法 - Google Patents

Ｎａｎｄフラッシュメモリの寿命を予測する機械学習装置、寿命予測装置、数値制御装置、生産システム、及び機械学習方法 Download PDF

Info

Publication number
JP6386523B2
JP6386523B2 JP2016243357A JP2016243357A JP6386523B2 JP 6386523 B2 JP6386523 B2 JP 6386523B2 JP 2016243357 A JP2016243357 A JP 2016243357A JP 2016243357 A JP2016243357 A JP 2016243357A JP 6386523 B2 JP6386523 B2 JP 6386523B2
Authority
JP
Japan
Prior art keywords
nand flash
flash memory
machine learning
numerical control
learning
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.)
Active
Application number
JP2016243357A
Other languages
English (en)
Other versions
JP2018097723A (ja
Inventor
和哉 菊池
和哉 菊池
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
FANUC Corp
Original Assignee
FANUC Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by FANUC Corp filed Critical FANUC Corp
Priority to JP2016243357A priority Critical patent/JP6386523B2/ja
Priority to DE102017011350.5A priority patent/DE102017011350A1/de
Priority to US15/838,731 priority patent/US20180174658A1/en
Priority to CN201711338643.7A priority patent/CN108228371B/zh
Publication of JP2018097723A publication Critical patent/JP2018097723A/ja
Application granted granted Critical
Publication of JP6386523B2 publication Critical patent/JP6386523B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/008—Reliability or availability analysis
    • G—PHYSICS
    • G11—INFORMATION STORAGE
    • G11C—STATIC STORES
    • G11C16/00—Erasable programmable read-only memories
    • G11C16/02—Erasable programmable read-only memories electrically programmable
    • G11C16/06—Auxiliary circuits, e.g. for writing into memory
    • G11C16/34—Determination of programming status, e.g. threshold voltage, overprogramming or underprogramming, retention
    • G11C16/349—Arrangements for evaluating degradation, retention or wearout, e.g. by counting erase cycles
    • G11C16/3495—Circuits or methods to detect or delay wearout of nonvolatile EPROM or EEPROM memory devices, e.g. by counting numbers of erase or reprogram cycles, by using multiple memory areas serially or cyclically
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
    • G05B19/4063—Monitoring general control system
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/08—Error detection or correction by redundancy in data representation, e.g. by using checking codes
    • G06F11/10—Adding special bits or symbols to the coded information, e.g. parity check, casting out 9's or 11's
    • G06F11/1008—Adding special bits or symbols to the coded information, e.g. parity check, casting out 9's or 11's in individual solid state devices
    • G06F11/1068—Adding special bits or symbols to the coded information, e.g. parity check, casting out 9's or 11's in individual solid state devices in sector programmable memories, e.g. flash disk
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/06—Digital input from, or digital output to, record carriers, e.g. RAID, emulated record carriers or networked record carriers
    • G06F3/0601—Interfaces specially adapted for storage systems
    • G06F3/0668—Interfaces specially adapted for storage systems adopting a particular infrastructure
    • G06F3/0671—In-line storage system
    • G06F3/0673—Single storage device
    • G06F3/0679—Non-volatile semiconductor memory device, e.g. flash memory, one time programmable memory [OTP]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G—PHYSICS
    • G11—INFORMATION STORAGE
    • G11C—STATIC STORES
    • G11C29/00—Checking stores for correct operation ; Subsequent repair; Testing stores during standby or offline operation
    • G11C29/02—Detection or location of defective auxiliary circuits, e.g. defective refresh counters
    • G11C29/028—Detection or location of defective auxiliary circuits, e.g. defective refresh counters with adaption or trimming of parameters
    • 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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34477—Fault prediction, analyzing signal trends
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/36—Nc in input of data, input key till input tape
    • G05B2219/36109—Flash memory
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G11—INFORMATION STORAGE
    • G11C—STATIC STORES
    • G11C29/00—Checking stores for correct operation ; Subsequent repair; Testing stores during standby or offline operation
    • G11C29/04—Detection or location of defective memory elements, e.g. cell constructio details, timing of test signals
    • G11C2029/0411—Online error correction
    • G—PHYSICS
    • G11—INFORMATION STORAGE
    • G11C—STATIC STORES
    • G11C29/00—Checking stores for correct operation ; Subsequent repair; Testing stores during standby or offline operation
    • G11C29/04—Detection or location of defective memory elements, e.g. cell constructio details, timing of test signals
    • G11C29/50—Marginal testing, e.g. race, voltage or current testing
    • G11C29/50016—Marginal testing, e.g. race, voltage or current testing of retention

Description

本発明は、ＮＡＮＤフラッシュメモリの寿命を予測する機械学習装置、寿命予測装置、数値制御装置及び生産システムに関する。
工作機械の数値制御（Ｎｕｍｅｒｉｃａｌ Ｃｏｎｔｒｏｌ：ＮＣ）装置においては、各種データや加工プログラムを記憶するためにＮＡＮＤフラッシュメモリが複数設けられている。なお、本明細書において、数値制御装置(ＮＣ装置)には、コンピュータ数値制御（Ｃｏｍｐｕｔｅｒｉｚｅｄ Ｎｕｍｅｒｉｃａｌ Ｃｏｎｔｒｏｌ：ＣＮＣ）装置も含まれる。
ＮＡＮＤフラッシュメモリにおいては、情報の消去及び書き込みからなる書き換え動作の回数が増加するにつれ、保持データが反転するビットエラーの発生量が増加する。発生したビットエラーについては誤り訂正符号化（ＥＣＣ：Ｅｒｒｏｒ Ｃｏｒｒｅｃｔｉｏｎ ＣｏｄｉｎｇもしくはＥｒｒｏｒ Ｃｈｅｃｋ ａｎｄ Ｃｏｒｒｅｃｔ）処理を行うことである程度訂正することはできる。ＮＡＮＤフラッシュメモリに対するＥＣＣ処理はＮＡＮＤフラッシュメモリに接続されたコントローラによって行われる。ＥＣＣ処理を行うコントローラについて、本開示では、後述のセルコントローラと区別するために、「メモリコントローラ」と称する。メモリコントローラによるＥＣＣ処理の訂正処理能力には限界があり、最終的には寿命に至る。また、ＮＡＮＤフラッシュメモリの書き換え回数及び書き換えの間隔以外にも、ＮＡＮＤフラッシュメモリの読み出し回数や使用環境における温度も寿命に影響する。また、ＮＡＮＤフラッシュメモリの製造メーカや製造ロットによっても寿命が異なる。また、ＥＣＣ処理の訂正能力もＮＡＮＤフラッシュメモリの寿命に影響する。また、ＮＡＮＤフラッシュメモリと当該ＮＡＮＤフラッシュメモリに対してＥＣＣ処理を行うコントローラとの組合せ如何によっても、ＮＡＮＤフラッシュメモリの寿命は変化する。
例えば、車載電子機器のデータ保持用デバイスとして使用されるフラッシュＲＯＭに記憶されているデータを管理する装置であって、フラッシュＲＯＭのデバイス特性及び／または使用状況に基づいて、当該ＲＯＭに記憶されているデータの保持可能時間を予測する時間予測手段と、保持可能時間が経過する以前に、フラッシュＲＯＭに記憶されているデータの再書き込みを行う再書き込み手段とを備えたフラッシュＲＯＭのデータ管理装置が知られている（例えば、特許文献１参照。）。
また例えば、フラッシュメモリの交換を保守員に明示的に知らせる技術が知られている（例えば、特許文献２参照。）。
また例えば、フラッシュメモリのエラー率を予め予測し、エラー訂正アルゴリズムにエラー予測を提供する技術が知られている（例えば、特許文献３参照。）。
特開２００９−００３８４３号公報 特開２００９−２３０６６０号公報 特開２０１４−５１７９７０号公報
工作機械の数値制御装置に設けられるＮＡＮＤフラッシュメモリの寿命は、書き換え回数、書き換えの間隔、読み出し回数、使用環境における温度、製造メーカ、製造ロット、ＥＣＣの訂正能力などによって変化するので、正確に予測するのは容易ではない。数値制御装置に設けられるＮＡＮＤフラッシュメモリの寿命を正確に予測できなければ、ＮＡＮＤフラッシュメモリの交換の適切なタイミングを逸してしまうことになりかねない。例えば、寿命が到来した（あるいは寿命到来に起因する故障が発生した）ＮＡＮＤフラッシュメモリをそのまま使い続けると、工作機械及びこれを含む生産ラインが停止してしまったり、工作機械により製造した製品に不良が発生したり、深刻な事故が発生する可能性がある。また例えば、予測したＮＡＮＤフラッシュメモリの寿命が実際の寿命よりも短かった（早かった）場合は、まだ寿命のあるＮＡＮＤフラッシュメモリを不必要に早く交換してしまうことになり、不経済である。このため、工作機械の数値制御装置に設けられるＮＡＮＤフラッシュメモリの寿命を正確に把握し寿命が到来したか否かを的確かつ容易に判断できるようにすることが望まれている。
本開示の一態様は、工作機械の数値制御装置に設けられるＮＡＮＤフラッシュメモリの予測寿命を学習する機械学習装置であって、ＮＡＮＤフラッシュメモリの、製造メーカに関する情報及び製造ロットに関する情報、並びに、ＮＡＮＤフラッシュメモリに対して誤り訂正符号化（ＥＣＣ）処理を行うメモリコントローラの、ＥＣＣ性能に関する情報、製造メーカに関する情報及び製造ロットに関する情報、のうちの少なくとも１つに基づいて得られる状態変数を観測する状態観測部と、状態観測部の出力及びＮＡＮＤフラッシュメモリの寿命に関連するデータから作成される訓練データ、並びに、教師データに基づいて、ＮＡＮＤフラッシュメモリの予測寿命を学習する学習部と、を備える機械学習装置である。
また、本開示の一態様は、工作機械の数値制御装置に設けられるＮＡＮＤフラッシュメモリの予測寿命を学習する機械学習方法であって、ＮＡＮＤフラッシュメモリの、製造メーカに関する情報及び製造ロットに関する情報、並びに、ＮＡＮＤフラッシュメモリに対して誤り訂正符号化（ＥＣＣ）処理を行うメモリコントローラの、ＥＣＣ性能に関する情報、製造メーカに関する情報及び製造ロットに関する情報、のうちの少なくとも１つに基づいて得られる状態変数を観測するステップと、状態変数及びＮＡＮＤフラッシュメモリの寿命に関連するデータから作成される訓練データ、並びに、教師データに基づいて、ＮＡＮＤフラッシュメモリの予測寿命を学習するステップと、を備える機械学習方法である。
一態様によれば、工作機械の数値制御装置に設けられるＮＡＮＤフラッシュメモリの寿命を正確に把握し寿命が到来したか否かを的確かつ容易に判断することができる。
工作機械を制御する数値制御装置の一例を概略的に示すブロック図である。 一実施形態による機械学習装置を示すブロック図である。 一実施形態による機械学習方法の動作フローを示すフローチャートである。 一実施形態による、教師あり学習を適用した機械学習装置を示すブロック図である。 一実施形態による、教師あり学習を適用した機械学習方法の動作フローを示すフローチャートである。 ニューロンのモデルを示す模式図である。 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。 一実施形態による教師あり学習を適用した機械学習装置における学習モードの一例を説明するための図である。 一実施形態による教師あり学習を適用した機械学習装置における予測モードの一例を説明するための図である。 複数のＮＡＮＤフラッシュメモリ及び／またはメモリコントローラに対して取得される訓練データに基づいて学習する機械学習装置を示すブロック図である。 一実施形態による寿命予測装置を示すブロック図である。 一実施形態による、通信ネットワークに接続された寿命予測装置を示すブロック図である。 一実施形態による、寿命予測装置を備える数値制御装置を示すブロック図である。 寿命予測装置を有する生産システムの第１の実施形態を示すブロック図である。 寿命予測装置を有する生産システムの第２の実施形態を示すブロック図である。 寿命予測装置を有する生産システムの第３の実施形態を示すブロック図である。
以下図面を参照して、機械学習装置、寿命予測装置、数値制御装置、生産システム、及び機械学習方法について説明する。各図面において、同様の部材には同様の参照符号が付けられている。また、異なる図面において同じ参照符号が付されたものは同じ機能を有する構成要素であることを意味するものとする。なお、理解を容易にするために、これらの図面は縮尺を適宜変更している。
図１は、工作機械を制御する数値制御装置の一例を概略的に示すブロック図である。
図１に示すように、数値制御装置４０は、例えば、バス１００９により繋がれたＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１００１、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１００２、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１００３、Ｉ／Ｏ（Ｉｎｐｕｔ/Ｏｕｔｐｕｔ）１００４、ＮＡＮＤフラッシュメモリ１００５、軸制御回路１００６、ＰＭＣ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｍａｃｈｉｎｅ Ｃｏｎｔｒｏｌｌｅｒ）１００７、及び表示装置／ＭＤＩ（Ｍａｎｕａｌ Ｄａｔａ Ｉｎｐｕｔ）パネル１００８などを含む。ＣＰＵ１００１は、ＲＯＭ１００２に格納されたシステムプログラムに従って数値制御装置４０全体を制御する。軸制御回路１００６は、ＣＰＵ１００１から各軸の移動指令を受け取って、軸の指令をサーボアンプ１５２に出力し、サーボアンプ１５２は、軸制御回路１００６からの移動指令に基づいて、工作機械５０に設けられたサーボモータ１５１を駆動する。
工作機械５０を制御する数値制御装置４０に設けられるＮＡＮＤフラッシュメモリ１００５には、各種プログラム、各種データ、及び各種入出力信号が格納される。一例を挙げると次の通りである。
例えば、ＮＡＮＤフラッシュメモリ１００５には、工作機械５０を制御するための加工プログラムが格納される。ユーザは、例えば、表示装置／ＭＤＩパネル１００８に設けられたコネクタに、加工プログラムが格納されたＵＳＢメモリやＣＦカード（コンパクトフラッシュ（登録商標）カード）などを差し込み、加工プログラムをＮＡＮＤフラッシュメモリ１００５にロードする。また例えば、ユーザは、表示装置／ＭＤＩパネル１００８に設けられたコネクタに、ＵＳＢメモリやＣＦカードを差し込み、ＮＡＮＤフラッシュメモリ１００５に格納されていた加工プログラムを読み出して当該ＵＳＢメモリやＣＦカードに取り込む。加工プログラムは、工作機械５０が所定の作業を行うためのコマンド処理をプログラミングした情報である。例えば、任意の信号を外部に通知するコマンド、任意の信号の状態を読取るコマンドなどの情報も加工プログラムに含まれる。また、例えば、加工プログラムには、作業位置の位置情報や、操作する信号の番号も含まれる。もちろん、プログラム上に登録可能なコマンドであれば何でもよい。
また例えば、ＮＡＮＤフラッシュメモリ１００５には、工作機械メーカ（Ｍａｃｈｉｎｅ Ｔｏｏｌ Ｂｕｉｌｄｅｒ：ＭＴＢ）により提供されるＯＳ（オペレーティングシステム）及び各種アプリケーションに関するプログラム、並びに、工作機械５０及び数値制御装置４０についての操作履歴や故障履歴などに関するログデータ、などが格納される。また、ＮＡＮＤフラッシュメモリ１００５は、例えば、工作機械５０の加工内容を加工プログラムにフィードバックする際に、当該加工内容に関するデータを一時的に格納するためのメモリとしても用いられる。また、ＮＡＮＤフラッシュメモリ１００５は、例えば、数値制御装置４０内のＲＯＭ１００２やＲＡＭ１００３内に格納された設定パラメータや各種データなどのバックアップのためのメモリとしても用いられる。
一実施形態による機械学習装置は、工作機械の数値制御装置に設けられるＮＡＮＤフラッシュメモリの予測寿命を学習するものとして構成される。数値制御（Ｎｕｍｅｒｉｃａｌ Ｃｏｎｔｒｏｌ：ＮＣ）装置には、コンピュータ数値制御（Ｃｏｍｐｕｔｅｒｉｚｅｄ Ｎｕｍｅｒｉｃａｌ Ｃｏｎｔｒｏｌ：ＣＮＣ）装置も含まれる。工作機械の例としては、例えば、旋盤、ボール盤、中ぐり盤、フライス盤、研削盤、歯切り盤・歯車仕上げ機械、マシニングセンタ、放電加工機、パンチプレス、レーザ加工機、搬送機及びプラスチック射出成形機などといった様々なものが含まれるが、これら以外のものを工作機械に含めてもよい。
図２は、一実施形態による機械学習装置を示すブロック図である。機械学習装置１は、状態観測部１１及び学習部１２を備える。機械学習装置１は、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共に、知識の学習を行う機能を有する。本開示の一実施形態では、機械学習装置１は、教師あり学習を適用したものであり、工作機械の数値制御装置に設けられるＮＡＮＤフラッシュメモリの予測寿命を学習する。教師あり学習とは、教師データ、すなわち、ある入力と結果(ラベル)のデータの組を大量に機械学習装置１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(学習モデル)、すなわち、その関係性を帰納的に獲得するものである。
本開示の一実施形態では、機械学習装置１は、ＮＡＮＤフラッシュメモリの、書き換え回数、書き換え間隔、読み出し回数、使用環境における温度、エラー率、製造メーカに関する情報及び製造ロットに関する情報、並びに、ＮＡＮＤフラッシュメモリに対して誤り訂正符号化（ＥＣＣ）処理を行うメモリコントローラの、ＥＣＣ性能に関する情報、製造メーカに関する情報及び製造ロットに関する情報、のうちの少なくとも１つに基づいて得られる状態変数を観測し、これら状態変数を用いてＮＡＮＤフラッシュメモリの予測寿命を学習する。上述の状態変数を観測してＮＡＮＤフラッシュメモリの予測寿命を学習する理由は、ＮＡＮＤフラッシュメモリの寿命は、ＮＡＮＤフラッシュメモリの書き換え回数、ＮＡＮＤフラッシュメモリの書き換え間隔、ＮＡＮＤフラッシュメモリの読み出し回数、ＮＡＮＤフラッシュメモリの使用環境における温度、ＮＡＮＤフラッシュメモリのエラー率、ＮＡＮＤフラッシュメモリの製造メーカに関する情報、ＮＡＮＤフラッシュメモリのび製造ロットに関する情報、メモリコントローラのＥＣＣ性能に関する情報、メモリコントローラの製造メーカに関する情報、メモリコントローラの製造ロットに関する情報、及び、ＮＡＮＤフラッシュメモリとＥＣＣ処理を行うメモリコントローラとの組合せに依存するからである。
状態観測部１１は、ＮＡＮＤフラッシュメモリの、書き換え回数、書き換え間隔、読み出し回数、使用環境における温度、エラー率、製造メーカに関する情報及び製造ロットに関する情報、並びに、ＮＡＮＤフラッシュメモリに対して誤り訂正符号化（ＥＣＣ）処理を行うメモリコントローラの、ＥＣＣ性能に関する情報、製造メーカに関する情報及び製造ロットに関する情報、のうちの少なくとも１つに基づいて得られる状態変数を観測する。
ＮＡＮＤフラッシュメモリの書き換え処理は情報の消去及び書き込みからなる。状態観測部１１は、数値制御装置内のＮＡＮＤフラッシュメモリの書き換え処理を常時観測し、書き換え回数及び書き換え間隔に関するデータを取得する。同様に、状態観測部１１は、数値制御装置内のＮＡＮＤフラッシュメモリの読み出し処理を常時観測し、読み出し回数に関するデータを取得する。また、数値制御装置内のＮＡＮＤフラッシュメモリの近傍に温度センサを配置しておき、状態観測部１１は、温度センサからＮＡＮＤフラッシュメモリの使用環境における温度に関するデータを取得する。このように、ＮＡＮＤフラッシュメモリの書き換え回数、書き換え間隔、読み出し回数、使用環境における温度の各データは、状態観測部１１が数値制御装置から取得するものであるが、数値制御装置の動作として、ＮＡＮＤフラッシュメモリの書き換え回数、書き換え間隔、読み出し回数、使用環境における温度の各データを状態観測部１１に対して送るようプログラムされていてもよい。
ＮＡＮＤフラッシュメモリのエラー率は、書き換え動作の回数が増加するにつれ徐々に高くなることが知られている。ＮＡＮＤフラッシュメモリの製造メーカからエラー率に関する情報が得られるのであれば、当該情報を状態観測部１１に入力してもよい。あるいは、ＮＡＮＤフラッシュメモリのエラー率を実験により知ることができるのであれば、この実験結果を状態観測部１１に入力してもよい。あるいは、ＮＡＮＤフラッシュメモリのエラー率が不明であるのならば、時間の経過とともにエラー率が増加する増加関数を適宜定義し、これを状態観測部１１に入力してもよい。
ＮＡＮＤフラッシュメモリ製造メーカに関する情報及び製造ロットに関する情報は、当該ＮＡＮＤフラッシュメモリに関して予め規定されているので、例えばユーザが自ら入力装置を操作してＮＡＮＤフラッシュメモリ製造メーカに関する情報及び製造ロットに関する情報を状態観測部１１へ入力する。
ＮＡＮＤフラッシュメモリに対する誤り訂正符号化（ＥＣＣ）処理は、メモリコントローラによって行われる。ＥＣＣ処理を行うコントローラについて、本開示では、後述のセルコントローラと区別するために、「メモリコントローラ」と称する。ＮＡＮＤフラッシュメモリに対するＥＣＣ処理を行うメモリコントローラの、ＥＣＣ性能に関する情報、製造メーカに関する情報及び製造ロットに関する情報は、当該ＥＣＣ処理を行うメモリコントローラに関して予め規定されているので、例えばユーザが自ら入力装置を操作してＥＣＣ性能に関する情報、製造メーカに関する情報及び製造ロットに関する情報を状態観測部１１へ入力する。
なお、状態観測部１１が観測する状態変数は、ＮＡＮＤフラッシュメモリの書き換え回数、ＮＡＮＤフラッシュメモリの書き換え間隔、ＮＡＮＤフラッシュメモリの読み出し回数、ＮＡＮＤフラッシュメモリの使用環境における温度、ＮＡＮＤフラッシュメモリのエラー率、ＮＡＮＤフラッシュメモリの製造メーカに関する情報、ＮＡＮＤフラッシュメモリのび製造ロットに関する情報、メモリコントローラのＥＣＣ性能に関する情報、メモリコントローラの製造メーカに関する情報、及び、メモリコントローラの製造ロットに関する情報、のうちの少なくとも１つ含んでいればよい。また、観測される状態変数（もしくはこれらの組み合せ）は、状況に応じて適宜設定すればよい。例えば、数値制御装置の動作環境に応じて設定してもよく、数値制御装置が制御する工作機械に応じて設定してもよく、数値制御装置（もしくは工作機械）の動作時期（例えば繁盛期や閑散期などの違い）に応じて設定してもよい。
学習部１２は、状態観測部１１の出力及びＮＡＮＤフラッシュメモリの寿命に関連するデータから作成される訓練データ、及び、教師データに基づいて、ＮＡＮＤフラッシュメモリの予測寿命を学習する。学習部１２の学習アルゴリズムとして、教師あり学習が適用される。教師あり学習に用いられる教師データは、ＮＡＮＤフラッシュメモリの寿命を実際に測定した実測寿命に関連したデータである。例えば、既に寿命に至った（換言すれば、既に故障した）ＮＡＮＤフラッシュメモリについての新品状態から寿命に至るまでの実際の期間（年単位、月単位、日単位、もしくは時間単位）は、当該ＮＡＮＤフラッシュメモリについての、書き換え回数、書き換え間隔、読み出し回数、使用環境における温度、エラー率、製造メーカに関する情報及び製造ロットに関する情報、並びに、ＮＡＮＤフラッシュメモリに対して誤り訂正符号化（ＥＣＣ）処理を行うメモリコントローラの、ＥＣＣ性能に関する情報、製造メーカに関する情報及び製造ロットに関する情報を少なくとも１つ含むデータと関連付けられる。なお、教師あり学習の詳細については後述する。
機械学習装置１は、例えば、数値制御装置内に設けることができる。また、機械学習装置１を、例えば、通信ネットワークを介したクラウドサーバ上に設けてもよく、複数の数値制御装置を制御するセルコントローラ上に設けてもよく、あるいは、セルコントローラのさらに上位の生産管理装置上に設けてもよい。
図３は、一実施形態による機械学習方法の動作フローを示すフローチャートである。工作機械の数値制御装置に設けられるＮＡＮＤフラッシュメモリの予測寿命を学習する機械学習方法は、大きく分けて次の２つを備える。
まず、ステップＳ１０１において、状態観測部１１は、ＮＡＮＤフラッシュメモリの、書き換え回数、書き換え間隔、読み出し回数、使用環境における温度、エラー率、製造メーカに関する情報及び製造ロットに関する情報、並びに、ＮＡＮＤフラッシュメモリに対して誤り訂正符号化（ＥＣＣ）処理を行うメモリコントローラの、ＥＣＣ性能に関する情報、製造メーカに関する情報及び製造ロットに関する情報、のうちの少なくとも１つに基づいて得られる状態変数を観測する。
次いで、ステップＳ１０２において、状態観測部１１によって観測された状態変数とＮＡＮＤフラッシュメモリの寿命に関連するデータとから作成される訓練データ、及び、教師データに基づいて、ＮＡＮＤフラッシュメモリの予測寿命を学習する。ここで、教師データとは、ＮＡＮＤフラッシュメモリの寿命を実際に測定した実測寿命に関連したデータである。
図４は、一実施形態による、教師あり学習を適用した機械学習装置を示すブロック図である。学習部１２は、訓練データと教師データとの誤差を計算する誤差計算部２１と、状態観測部１１の出力及び誤差計算部２１の出力に基づいて、ＮＡＮＤフラッシュメモリの予測寿命を学習するための学習モデルを更新する学習モデル更新部２２とを備える。なお、誤差計算部２１及び学習モデル更新部２２以外の構成要素については図１に示す構成要素と同様であるので、同一の構成要素には同一符号を付して当該構成要素についての詳細な説明は省略する。
誤差計算部２１には、結果（ラベル）提供部２３から教師データ（ラベル付きデータ）が入力されるようになっている。結果（ラベル）提供部２３は、教師データを学習部１２の誤差計算部２１に提供（入力）する。誤差計算部２１は、状態観測部１１からの訓練データと結果（ラベル）提供部２３からの教師データとを用いて誤差計算を行う。学習モデル更新部２２は、状態観測部１１の出力及び誤差計算部２１の出力に基づいて、ＮＡＮＤフラッシュメモリの予測寿命を学習するための学習モデルを更新する。ここで、結果（ラベル）提供部２３は、例えば、数値制御装置による処理が同一の場合には、例えば、数値制御装置を稼働させる所定日の前日までに得られた教師データを保持し、その所定日に、結果（ラベル）提供部２３に保持された教師データを誤差計算部２１に提供することができる。
あるいは、数値制御装置の外部で行われたシミュレーション等により得られた教師データ、または、他の数値制御装置の教師データを、メモリカードや通信回線により、その誤差計算部２１に提供することも可能である。あるいは、結果（ラベル）提供部２３を学習部１２に内蔵し、その結果（ラベル）提供部２３に保持された教師データを、そのまま学習部１２で使用することもできる。
図５は、一実施形態による、教師あり学習を適用した機械学習方法の動作フローを示すフローチャートである。
まず、ステップＳ１０１において、状態観測部１１は、ＮＡＮＤフラッシュメモリの、書き換え回数、書き換え間隔、読み出し回数、使用環境における温度、エラー率、製造メーカに関する情報及び製造ロットに関する情報、並びに、ＮＡＮＤフラッシュメモリに対して誤り訂正符号化（ＥＣＣ）処理を行うメモリコントローラの、ＥＣＣ性能に関する情報、製造メーカに関する情報及び製造ロットに関する情報、のうちの少なくとも１つに基づいて得られる状態変数を観測する。
次いで、ステップＳ１０２−１において、誤差計算部２１は、状態観測部１１によって観測された状態変数及びＮＡＮＤフラッシュメモリの寿命に関連するデータから作成される訓練データと、結果（ラベル）提供部２３から入力された教師データと、の誤差を計算する。
次いで、ステップＳ１０２−２において、学習モデル更新部２２は、状態観測部１１によって観測された状態変数及び誤差計算部２１によって計算された誤差に基づいて、ＮＡＮＤフラッシュメモリの予測寿命を学習するための学習モデルを更新する。
教師あり学習が適用される機械学習装置１は、例えば、ニューラルネットワーク、サポートベクターマシン（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ：ＳＶＭ）、決定木（Ｄｅｃｉｓｉｏｎ Ｔｒｅｅ）、ロジスティック回帰などのアルゴリズムを用いて実現する。また、教師あり学習が適用される機械学習装置１は、ＧＰＧＰＵ（Ｇｅｎｅｒａｌ−Ｐｕｒｐｏｓｅ ｃｏｍｐｕｔｉｎｇ ｏｎ Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔｓ）や大規模ＰＣクラスター等を適用すると、より高速な処理を実現することができる。
ここで、ニューラルネットワークについて説明する。ニューラルネットワークは、たとえば図６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６は、ニューロンのモデルを示す模式図である。
図６に示すように、ニューロンは、複数の入力ｘ（図６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、式１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、すべてベクトルである。また、下記の式１において、θはバイアスであり、ｆkは活性化関数である。
Figure 0006386523
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７を参照して説明する。図７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７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。図７において、これら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。図７において、これらｚ２１、ｚ２２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、学習モードと予測モードとがある。例えば、学習モードにおいて訓練データ及び教師データを用いて重み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数値制御装置に設けられるＮＡＮＤフラッシュメモリの寿命予測を行う。
ここで、予測モードで実際に数値制御装置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。あるいは、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。
また、重みｗ１〜ｗ３は、誤差逆伝搬法（バックプロパゲーション：Ｂａｃｋｐｒｏｐａｇａｔｉｏｎ）により学習可能なものでもよい。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（深層学習とも称される）。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。
図８は、一実施形態による、教師あり学習を適用した機械学習装置における学習モードの一例を説明するための図であり、図９は、一実施形態による、教師あり学習を適用した機械学習装置における予測モードの一例を説明するための図である。図８及び図９を参照して、学習モードによりＮＡＮＤフラッシュメモリの予測寿命（の学習モデル）を学習し、その学習結果を実際の予測モードで使用して、ＮＡＮＤフラッシュメモリの寿命を予測する例を説明する。なお、図８及び図９において、ニューラルネットワーク３００は、簡略化のために３層として描かれているが、はるかに多層化されていてもよい。
まず、図８に示すように、学習モードでは、ＮＡＮＤフラッシュメモリの書き換え回数、ＮＡＮＤフラッシュメモリの書き換え間隔、ＮＡＮＤフラッシュメモリの読み出し回数、ＮＡＮＤフラッシュメモリの使用環境における温度、ＮＡＮＤフラッシュメモリのエラー率、ＮＡＮＤフラッシュメモリの製造メーカに関する情報、ＮＡＮＤフラッシュメモリのび製造ロットに関する情報、メモリコントローラのＥＣＣ性能に関する情報、メモリコントローラの製造メーカに関する情報、及び、メモリコントローラの製造ロットに関する情報、のうちの少なくとも１つ含む状態変数が入力される。なお、ニューラルネットワーク３００に与える状態変数としては、上記のものに限定されず、例えば、工作機械やワークなどに関連する他のデータを含んでもよい。図８に示す例では、一例として、これら状態変数のうちの６つを入力Ｘ１〜Ｘ６として用いている。例えば、数秒〜数分の周期で、ニューラルネットワーク３００で構成される機械学習装置１に与える。
また、ニューラルネットワーク３００に与える状態変数(状態量)としては、上記Ｘ１〜Ｘ６の全てを与える必要はなく、それらの少なくとも１つを与えればよい。さらに、ニューラルネットワーク３００に与える状態変数としては、上記Ｘ１〜Ｘ６に限定されず、例えば、工作機械や工作物（製品）などに関連する他のデータを含んでもよい。
学習モードにおいて、機械学習装置１では、ＮＡＮＤフラッシュメモリの予測寿命に関連する訓練データが、ＮＡＮＤフラッシュメモリの寿命を実際に測定した実測寿命に関連したデータである教師データＤに一致するように学習が行われる。すなわち、損失関数を、ｙ(Ｘn，Ｗ)，Ｄとすると、この損失関数が一定値に収束するまで、学習モードの処理が行われる。
予測モードでは、図５に示すように、上述した学習モードと同様に、例えば、ニューラルネットワーク３００に対して入力Ｘ１〜Ｘ６が入力として与えられる。ここで、ニューラルネットワーク３００は、学習モードにより学習済になっており、ニューラルネットワーク３００からは、入力Ｘ１〜Ｘ６に対応するＮＡＮＤフラッシュメモリの予測寿命Ｗ’として出力される。
以上において、学習モードで行うＮＡＮＤフラッシュメモリの予測寿命の学習は、予測モードにおいても行うことができるのはもちろんである。また、機械学習装置１に与える教師データとしては、例えば、ＮＡＮＤフラッシュメモリの寿命を実際に測定した実測寿命そのものであってもよいが、入力Ｘ１〜Ｘ６に対するＮＡＮＤフラッシュメモリの実測寿命を数値制御装置の外部で行われたシミュレーション等により得られたデータ、あるいは、他の数値制御装置の教師データ等を使用することも可能である。
上述の一実施形態の機械学習装置１及び機械学習方法によれば、工作機械の数値制御装置に設けられるＮＡＮＤフラッシュメモリの寿命を正確に把握し寿命が到来したか否かを的確かつ容易に判断することができる。
なお、機械学習装置１内の学習部１２は、複数のＮＡＮＤフラッシュメモリ及び／またはメモリコントローラに対して取得される訓練データに従って、ＮＡＮＤフラッシュメモリの予測寿命を学習するように構成されてもよい。図１０は、複数のＮＡＮＤフラッシュメモリ及び／またはメモリコントローラに対して取得される訓練データに基づいて学習する機械学習装置を示すブロック図である。本実施形態では、状態観測部１１は、複数のＮＡＮＤフラッシュメモリ及び／またはメモリコントローラに対して状態変数を取得する。ここで、「複数のＮＡＮＤフラッシュメモリ及び／またはメモリコントローラ」は、同一の数値制御装置内における複数のＮＡＮＤフラッシュメモリ及び／またはメモリコントローラ、並びに、複数の数値制御装置内における複数のＮＡＮＤフラッシュメモリ及び／またはメモリコントローラ、の両方の意味を含む。機械学習装置１内の状態観測部１１による観測対象であるＮＡＮＤフラッシュメモリ及びメモリコントローラの数が多いほど、機械学習装置１の学習効果が向上する。
なお、機械学習装置１は、少なくとも１つの他の機械学習装置と接続可能であり、少なくとも１つの他の機械学習装置との間で機械学習の結果を相互に交換または共有するようにしてもよい。複数の機械学習装置１を接続する実施形態の詳細については後述する。
上述の機械学習装置１を用いてＮＡＮＤフラッシュメモリの予測寿命を計算する寿命予測装置を構成することができる。図１１は、一実施形態による寿命予測装置を示すブロック図である。
一実施形態による寿命予測装置３０は、機械学習装置１と、意思決定部１３と、出力部１４と、結果（ラベル）提供部２３とを備える。
状態観測部１１は、ＮＡＮＤフラッシュメモリの、書き換え回数、書き換え間隔、読み出し回数、使用環境における温度、エラー率、製造メーカに関する情報及び製造ロットに関する情報、並びに、ＮＡＮＤフラッシュメモリに対して誤り訂正符号化（ＥＣＣ）処理を行うメモリコントローラの、ＥＣＣ性能に関する情報、製造メーカに関する情報及び製造ロットに関する情報、のうちの少なくとも１つに基づいて得られる状態変数を観測する。
結果（ラベル）提供部２３は、教師データを学習部１２内の誤差計算部２１に提供（入力）する。
学習部１２内の誤差計算部２１は、状態観測部１１からの訓練データと結果（ラベル）提供部２３からの教師データとの誤差を計算する。
学習部１２内の学習モデル更新部２２は、状態観測部１１の出力及び誤差計算部２１の出力に基づいて、ＮＡＮＤフラッシュメモリの予測寿命を学習するための学習モデルを更新する。
意思決定部１３は、学習部１２が学習した結果に基づいて、現在の状態変数の入力に応答して、ＮＡＮＤフラッシュメモリの予測寿命を計算する。
出力部１４は、意思決定部１３により計算されたＮＡＮＤフラッシュメモリの予測寿命に関するデータを出力する。出力部１４により出力されたＮＡＮＤフラッシュメモリの予測寿命に関するデータに基づいて、ユーザに対し、予測寿命を報知することができ、あるいはＮＡＮＤフラッシュメモリの交換要求を報知することができる。出力部１４にはこのための報知部（図示せず）を接続してもよい。報知部の例としては、パソコン、携帯端末、タッチパネルなどのディスプレイや数値制御装置に付属のディスプレイ（図１の表示装置／ＭＤＩパネル１００８）などがあり、例えば予測寿命を文字や絵柄でディスプレイに表示することができる。また例えば、報知部を、スピーカ、ブザー、チャイムなどのような音を発する音響機器にて実現してもよい。またあるいは、報知部について、プリンタを用いて紙面等にプリントアウトして表示させる形態をとってもよい。またあるいは、これらを適宜組み合わせて報知部を実現してもよい。なお、出力部１４によって出力されたＮＡＮＤフラッシュメモリの予測寿命に関するデータを、記憶装置に格納し、当該データを何らかの用途に使用してもよい。
寿命予測装置３０により、ユーザは、ＮＡＮＤフラッシュメモリの予測寿命を知ることができるので、ＮＡＮＤフラッシュメモリが稼働不能になる前にＮＡＮＤフラッシュメモリを交換することができる。ＮＡＮＤフラッシュメモリの交換を適切な時期に行うことができるようになることで、ＮＡＮＤフラッシュメモリの在庫を減らすこともできる。またあるいは、報知部の通知内容として、予測寿命の計算に際して得られたＮＡＮＤフラッシュメモリの寿命に大きな影響を与える稼働状態を併せて通知するようにしてもよい。これにより、ユーザは、ＮＡＮＤフラッシュメモリの寿命に影響を及ぼす稼働状態を変更する対応をとることができる。例えば、ユーザは、ＮＡＮＤフラッシュメモリの寿命を延ばす適切な温度になるよう数値制御装置の周辺環境を整えるといった対応や、工作機械の稼働条件を変更するといった対応をとることができる。
なお、上述した状態観測部１１、誤差計算部２１及び学習モデル更新部２２を備える学習部１２、並びに意思決定部１３は、例えばソフトウェアプログラム形式で構築されてもよく、あるいは各種電子回路とソフトウェアプログラムとの組み合わせで構築されてもよい。例えばこれらをソフトウェアプログラム形式で構築する場合は、このソフトウェアプログラムに従って動作させるための演算処理装置を設けたり、クラウドサーバ上においてこのソフトウェアプログラムを動作させたりすることで、上述の各部の機能を実現することができる。またあるいは、状態観測部１１及び学習部１２を備える機械学習装置１を、各部の機能を実現するソフトウェアプログラムを書き込んだ半導体集積回路として実現してもよい。またあるいは、状態観測部１１及び学習部１２を備える機械学習装置１のみならず意思決定部１３も含めた形で、各部の機能を実現するソフトウェアプログラムを書き込んだ半導体集積回路を実現してもよい。
上述の寿命予測装置３０は、通信ネットワークを介して数値制御装置に接続されてもよい。図１２は、一実施形態による、通信ネットワークに接続された寿命予測装置を示すブロック図である。一実施形態によれば、寿命予測装置３０内の機械学習装置１は、通信ネットワーク９０を介して複数の数値制御装置４０に通信可能に接続され、状態観測部１１は、通信ネットワーク９０を介して状態変数を観測する。またさらに、機械学習装置１をクラウドサーバ上に設けてもよい。なお、この場合、意思決定部１３については、機械学習装置１に付随してクラウドサーバ上に設けてもよく、あるいは、通信ネットワーク９０を介して接続されるクラウドサーバ以外の独立の装置として設けてもよい。
また、上述の寿命予測装置３０を、数値制御装置内に設けてもよい。図１３は、一実施形態による、寿命予測装置を備える数値制御装置を示すブロック図である。一実施形態によれば、数値制御装置４１は、寿命予測装置３０を備える。数値制御装置４１による工作機械５０に対する数値制御処理を実行する数値制御部４０’の構成自体は、図１を参照して説明した数値制御装置４０の構成と同じであるので説明は省略する。状態観測部１１は、数値制御部４０’内の、ＮＡＮＤフラッシュメモリの、書き換え回数、書き換え間隔、読み出し回数、使用環境における温度、エラー率、製造メーカに関する情報及び製造ロットに関する情報、並びに、ＮＡＮＤフラッシュメモリに対して誤り訂正符号化（ＥＣＣ）処理を行うメモリコントローラの、ＥＣＣ性能に関する情報、製造メーカに関する情報及び製造ロットに関する情報、のうちの少なくとも１つに基づいて得られる状態変数を観測する。学習部１２、意思決定部１３、出力部１４及び結果（ラベル）提供部２３については、既に説明した通りであるので説明は省略する。
続いて、製造セル、セルコントローラ及び生産管理装置を備える生産システムに上述の寿命予測装置３０を設けた実施形態について、図１４〜図１６を参照して説明する。以下で説明する図１４〜図１６の生産システムにおける製造セル及びセルコントローラの各個数は一例であり、その他の個数であってもよい。
製造セルは、製品を製造する複数の工作機械をフレキシブルに組合せた集合である。製造セルは、例えば複数個もしくは複数種類の工作機械により構築されているが、製造セルにおける工作機械の個数は限定されない。例えば、製造セルは、あるワークが複数の工作機械により順次に処理されることによって最終的な製品となる製造ラインでありうる。また例えば、製造セルは、２つ以上の工作機械の各々により処理された２つ以上の工作物（部品）を製造工程の途中で別の工作機械によって組み合せることにより最終的な工作物（製品）を完成させる製造ラインであってもよい。また例えば、２以上の製造セルにより処理された２つ以上の工作物を組み合せることにより、最終的な工作物（製品）を完成させてもよい。製造セルとセルコントローラとは、例えばイントラネットなどのような通信ネットワークを介して通信可能に相互接続される。製造セルは、製品を製造する工場に配置されている。これに対して、セルコントローラは、製造セルが配置された工場に配置されてもよく、あるいは工場とは異なる建屋に配置されてもよい。例えば、セルコントローラは、製造セルが配置された工場の敷地にある別の建屋に配置されていてもよい。
また、セルコントローラの上位には生産管理装置が設けられる。生産管理装置は、セル制御装置と相互通信可能に接続され、セル制御装置に生産計画を指示する。生産管理装置は、例えば、工場から遠隔地にある事務所に配置されていてもよい。この場合には、セル制御装置と生産管理装置とは、例えばインターネットの通信ネットワークを介して通信可能に相互接続される。
このような生産システムについて、寿命予測装置３０を、各数値制御装置内に設けた場合を第１の実施形態（図１４）とし、各セルコントローラ内に設けた場合を第２の実施形態（図１５）とし、生産管理装置内に設けた場合を第３の実施形態（図１６）として説明する。なお、これら各実施形態は適宜組み合わせて実施されてもよい。
図１４は、寿命予測装置を有する生産システムの第１の実施形態を示すブロック図である。第１の実施形態では、生産システムにおいて、図１１に示した寿命予測装置３０が各数値制御装置内に設けられる。
第１の実施形態による生産システム１０１は、複数の製造セル６０Ａ、６０Ｂ、６０Ｃ、・・・と、セルコントローラ７０Ａ、７０Ｂ、７０Ｃ、・・・と、生産管理装置８０とを備える。
製造セル６０Ａは、複数の工作機械５０Ａ−１、５０Ａ−２、・・・と、これら各工作機械に対応して設けられる数値制御装置４１Ａ−１、４１Ａ−２、・・・とで構成される。同様に、製造セル６０Ｂは、複数の工作機械５０Ｂ−１、５０Ｂ−２、・・・と、これら各工作機械に対応して設けられる数値制御装置４１Ｂ−１、４１Ｂ−２、・・・とで構成される。製造セル６０Ｃは、複数の工作機械５０Ｃ−１、５０Ｃ−２、・・・と、これら各工作機械に対応して設けられる数値制御装置４１Ｃ−１、４１Ｃ−２、・・・とで構成される。
数値制御装置４１Ａ−１、４１Ａ−２、・・・、４１Ｂ−１、４１Ｂ−２、・・・、４１Ｃ−１、４１Ｃ−２、・・・は、それぞれ、図１１を参照して説明した寿命予測装置３０を備える。すなわち、各数値制御装置４１Ａ−１、４１Ａ−２、・・・、４１Ｂ−１、４１Ｂ−２、・・・、４１Ｃ−１、４１Ｃ−２、・・・を単体で見れば、図１３を参照して説明した寿命予測装置３０を備える数値制御装置４１と同一といえる。各数値制御装置４１Ａ−１、４１Ａ−２、・・・、４１Ｂ−１、４１Ｂ−２、・・・、４１Ｃ−１、４１Ｃ−２、・・・内に設けられた機械学習装置１における状態観測部１１（図１４では図示せず）は、当該数値制御装置内の、ＮＡＮＤフラッシュメモリの、書き換え回数、書き換え間隔、読み出し回数、使用環境における温度、エラー率、製造メーカに関する情報及び製造ロットに関する情報、並びに、ＮＡＮＤフラッシュメモリに対して誤り訂正符号化（ＥＣＣ）処理を行うメモリコントローラの、ＥＣＣ性能に関する情報、製造メーカに関する情報及び製造ロットに関する情報、のうちの少なくとも１つに基づいて得られる状態変数を観測する。各数値制御装置４１Ａ−１、４１Ａ−２、・・・、４１Ｂ−１、４１Ｂ−２、・・・、４１Ｃ−１、４１Ｃ−２、・・・内に設けられた機械学習装置１における出力部１４（図１４では図示せず）は、意思決定部１３（図１４では図示せず）により計算された当該数値制御装置に設けられたＮＡＮＤフラッシュメモリの予測寿命に関するデータを、当該数値制御装置を制御するために設けられた対応するセルコントローラ７０Ａ、７０Ｂ、７０Ｃ、・・・へ出力する。
各製造セル６０Ａ、６０Ｂ及び６０Ｃは、セルコントローラ７０Ａ、７０Ｂ及び７０Ｃと通信ネットワークを介して相互通信可能に接続される。セルコントローラ７０Ａは、製造セル６０Ａ内の数値制御装置４１Ａ−１、４１Ａ−２、・・・を制御する。セルコントローラ７０Ｂは、製造セル６０Ｂ内の数値制御装置４１Ｂ−１、４１Ｂ−２、・・・を制御する。セルコントローラ７０Ｃは、製造セル６０Ｃ内の数値制御装置４１Ｃ−１、４１Ｃ−２、・・・を制御する。
生産管理装置８０は、通信ネットワークを介してセルコントローラ７０Ａ、７０Ｂ、７０Ｃ、・・・と相互通信可能に接続され、セルコントローラ７０Ａ、７０Ｂ、７０Ｃ、・・・に生産計画を指示する。
第１の実施形態による生産システム１０１において、セルコントローラ７０Ａ、７０Ｂ、７０Ｃ、・・・、またはセルコントローラ７０Ａ、７０Ｂ、７０Ｃ、・・・の上位にある生産管理装置８０は、各機械学習装置１の出力部１４から出力された予測寿命に係るデータに基づいて、各セルコントローラ７０Ａ、７０Ｂ、７０Ｃ、・・・または生産管理装置に設けられたディスプレイ装置にＮＡＮＤフラッシュメモリの予測寿命を表示させる。またあるいは、ディスプレイ装置に代えてあるいはディスプレイ装置と共に、音響機器にて警報音やブザーを発生させてＮＡＮＤフラッシュメモリの予測寿命をユーザ報知してもよい。これにより、工場で働くユーザは容易に、ＮＡＮＤフラッシュメモリの予測寿命を知ることができ、ＮＡＮＤフラッシュメモリを交換すべき時期が到来したことを知ることができる。また、生産管理装置８０は、ＮＡＮＤフラッシュメモリの予測寿命を、生産計画の立案に利用してもよい。
また、第１の実施形態による生産システム１０１によれば、各数値制御装置４１Ａ−１、４１Ａ−２、・・・、４１Ｂ−１、４１Ｂ−２、・・・、４１Ｃ−１、４１Ｃ−２、・・・に設けられた機械学習装置１より、当該数値制御装置に設けられるＮＡＮＤフラッシュメモリの予測寿命が分散学習される。同一製造セル内において、機械学習装置１は、当該製造セルのためのセルコントローラを介して他の機械学習装置と相互通信可能に接続されているので、当該他の機械学習装置との間で機械学習の結果を相互に交換または共有してもよい。またあるいは、機械学習装置１は、セルコントローラ７０Ａ、７０Ｂ、７０Ｃ、・・・の上位にある生産管理装置８０を介して他の機械学習装置と相互通信可能に接続されているので、当該他の機械学習装置との間で機械学習の結果を相互に交換または共有してもよい。機械学習装置間で機械学習の結果を相互に交換または共有することで、学習効果をさらに向上させることができる。
図１５は、寿命予測装置を有する生産システムの第２の実施形態を示すブロック図である。第２の実施形態では、生産システムにおいて、図１１に示した寿命予測装置３０が各セルコントローラ内に設けられる。
第２の実施形態による生産システム１０２は、複数の製造セル６１Ａ、６１Ｂ、６１Ｃ、・・・と、セルコントローラ７１Ａ、７１Ｂ、７１Ｃ、・・・と、生産管理装置８０とを備える。
製造セル６１Ａは、複数の工作機械５０Ａ−１、５０Ａ−２、・・・と、これら各工作機械に対応して設けられる数値制御装置４０Ａ−１、４０Ａ−２、・・・とで構成される。同様に、製造セル６１Ｂは、複数の工作機械５０Ｂ−１、５０Ｂ−２、・・・と、これら各工作機械に対応して設けられる数値制御装置４０Ｂ−１、４０Ｂ−２、・・・とで構成される。製造セル６１Ｃは、複数の工作機械５０Ｃ−１、５０Ｃ−２、・・・と、これら各工作機械に対応して設けられる数値制御装置４０Ｃ−１、４０Ｃ−２、・・・とで構成される。数値制御装置４０Ａ−１、４０Ａ−２、・・・、４０Ｂ−１、４０Ｂ−２、・・・、４０Ｃ−１、４０Ｃ−２、・・・の構成は、図１を参照して説明した数値制御装置４０の構成と同じである。
各製造セル６１Ａ、６１Ｂ及び６１Ｃは、セルコントローラ７１Ａ、７１Ｂ及び７１Ｃと通信ネットワークを介して相互通信可能に接続される。セルコントローラ７１Ａは、製造セル６１Ａ内の数値制御装置４０Ａ−１、４０Ａ−２、・・・を制御する。セルコントローラ７１Ｂは、製造セル６１Ｂ内の数値制御装置４０Ｂ−１、４０Ｂ−２、・・・を制御する。セルコントローラ７１Ｃは、製造セル６１Ｃ内の数値制御装置４０Ｃ−１、４０Ｃ−２、・・・を制御する。セルコントローラ７１Ａ、７１Ｂ、７１Ｃ，・・・は、それぞれ、図１１を参照して説明した寿命予測装置３０を備える。セルコントローラ７１Ａ、７１Ｂ、７１Ｃ、・・・内に設けられた機械学習装置１における状態観測部１１（図１５では図示せず）は、当該セルコントローラが制御する数値制御装置内の、ＮＡＮＤフラッシュメモリの、書き換え回数、書き換え間隔、読み出し回数、使用環境における温度、エラー率、製造メーカに関する情報及び製造ロットに関する情報、並びに、ＮＡＮＤフラッシュメモリに対して誤り訂正符号化（ＥＣＣ）処理を行うメモリコントローラの、ＥＣＣ性能に関する情報、製造メーカに関する情報及び製造ロットに関する情報、のうちの少なくとも１つに基づいて得られる状態変数を観測する。セルコントローラ７１Ａ、７１Ｂ、７１Ｃ、・・・内に設けられた機械学習装置１における出力部１４（図１５では図示せず）は、意思決定部１３（図１５では図示せず）により計算された当該セルコントローラが制御する数値制御装置に設けられたＮＡＮＤフラッシュメモリの予測寿命に関するデータを、生産管理装置８０へ出力する。
生産管理装置８０は、通信ネットワークを介してセルコントローラ７１Ａ、７１Ｂ、７１Ｃ、・・・と相互通信可能に接続され、セルコントローラ７１Ａ、７１Ｂ、７１Ｃ、・・・に生産計画を指示する。
第２の実施形態による生産システム１０２において、セルコントローラ７１Ａ、７１Ｂ、７１Ｃ、・・・、またはセルコントローラ７１Ａ、７１Ｂ、７１Ｃ、・・・の上位にある生産管理装置８０は、各機械学習装置１の出力部１４から出力された予測寿命に係るデータに基づいて、各セルコントローラ７１Ａ、７１Ｂ、７１Ｃ、・・・または生産管理装置に設けられたディスプレイ装置にＮＡＮＤフラッシュメモリの予測寿命を表示させる。またあるいは、ディスプレイ装置に代えてあるいはディスプレイ装置と共に、音響機器にて警報音やブザーを発生させてＮＡＮＤフラッシュメモリの予測寿命をユーザ報知してもよい。これにより、工場で働くユーザは容易に、ＮＡＮＤフラッシュメモリの予測寿命を知ることができ、ＮＡＮＤフラッシュメモリを交換すべき時期が到来したことを知ることができる。また、生産管理装置８０は、ＮＡＮＤフラッシュメモリの予測寿命を、生産計画の立案に利用してもよい。
また、第２の実施形態による生産システム１０２によれば、各セルコントローラ７１Ａ、７１Ｂ、７１Ｃ、・・・内に設けられた機械学習装置１により、当該セルコントローラにより制御される数値制御装置に設けられるＮＡＮＤフラッシュメモリの予測寿命が分散学習される。機械学習装置１は、セルコントローラ７１Ａ、７１Ｂ、７１Ｃ、・・・の上位にある生産管理装置８０を介して他の機械学習装置と相互通信可能に接続されているので、当該他の機械学習装置との間で機械学習の結果を相互に交換または共有してもよい。機械学習装置間で機械学習の結果を相互に交換または共有することで、学習効果をさらに向上させることができる。
図１６は、寿命予測装置を有する生産システムの第３の実施形態を示すブロック図である。第３の実施形態では、生産システムにおいて、図１１に示した寿命予測装置３０が各数値制御装置内に設けられる。
第３の実施形態による生産システム１０３は、複数の製造セル６１Ａ、６１Ｂ、６１Ｃ、・・・と、セルコントローラ７０Ａ、７０Ｂ、７０Ｃ、・・・と、生産管理装置８１とを備える。
製造セル６１Ａは、複数の工作機械５０Ａ−１、５０Ａ−２、・・・と、これら各工作機械に対応して設けられる数値制御装置４０Ａ−１、４０Ａ−２、・・・とで構成される。同様に、製造セル６１Ｂは、複数の工作機械５０Ｂ−１、５０Ｂ−２、・・・と、これら各工作機械に対応して設けられる数値制御装置４０Ｂ−１、４０Ｂ−２、・・・とで構成される。製造セル６１Ｃは、複数の工作機械５０Ｃ−１、５０Ｃ−２、・・・と、これら各工作機械に対応して設けられる数値制御装置４０Ｃ−１、４０Ｃ−２、・・・とで構成される。数値制御装置４０Ａ−１、４０Ａ−２、・・・、４０Ｂ−１、４０Ｂ−２、・・・、４０Ｃ−１、４０Ｃ−２、・・・の構成は、図１を参照して説明した数値制御装置４０の構成と同じである。
各製造セル６１Ａ、６１Ｂ及び６１Ｃは、セルコントローラ７０Ａ、７０Ｂ及び７０Ｃと通信ネットワークを介して相互通信可能に接続される。セルコントローラ７０Ａは、製造セル６１Ａ内の数値制御装置４０Ａ−１、４０Ａ−２、・・・を制御する。セルコントローラ７０Ｂは、製造セル６１Ｂ内の数値制御装置４０Ｂ−１、４０Ｂ−２、・・・を制御する。セルコントローラ７０Ｃは、製造セル６１Ｃ内の数値制御装置４０Ｃ−１、４０Ｃ−２、・・・を制御する。
生産管理装置８１は、通信ネットワークを介してセルコントローラ７０Ａ、７０Ｂ、７０Ｃ、・・・と相互通信可能に接続され、セルコントローラ７０Ａ、７０Ｂ、７０Ｃ、・・・に生産計画を指示する。生産管理装置８１は、図１１を参照して説明した寿命予測装置３０を備える。生産管理装置８１内に設けられた機械学習装置１における状態観測部１１（図１６では図示せず）は、各数値制御装置内の、ＮＡＮＤフラッシュメモリの、書き換え回数、書き換え間隔、読み出し回数、使用環境における温度、エラー率、製造メーカに関する情報及び製造ロットに関する情報、並びに、ＮＡＮＤフラッシュメモリに対して誤り訂正符号化（ＥＣＣ）処理を行うメモリコントローラの、ＥＣＣ性能に関する情報、製造メーカに関する情報及び製造ロットに関する情報、のうちの少なくとも１つに基づいて得られる状態変数を観測する。生産管理装置８１内に設けられた機械学習装置１における出力部１４（図１６では図示せず）は、意思決定部１３（図１６では図示せず）により計算された当該セルコントローラが制御する数値制御装置に設けられたＮＡＮＤフラッシュメモリの予測寿命に関するデータを出力する。
第３の実施形態による生産システム１０３において、生産管理装置８１は、機械学習装置１の出力部１４から出力された予測寿命に係るデータに基づいて、生産管理装置８１に設けられたディスプレイ装置にＮＡＮＤフラッシュメモリの予測寿命を表示させる。またあるいは、ディスプレイ装置に代えてあるいはディスプレイ装置と共に、音響機器にて警報音やブザーを発生させてＮＡＮＤフラッシュメモリの予測寿命をユーザ報知してもよい。これにより、工場で働くユーザは容易に、ＮＡＮＤフラッシュメモリの予測寿命を知ることができ、ＮＡＮＤフラッシュメモリを交換すべき時期が到来したことを知ることができる。また、生産管理装置８１は、ＮＡＮＤフラッシュメモリの予測寿命を、生産計画の立案に利用してもよい。またあるいは、生産管理装置８１内の機械学習装置１の出力部１４から出力された予測寿命に係るデータを、各セルコントローラ７１Ａ、７１Ｂ、７１Ｃ、・・・に転送し、各セルコントローラ７１Ａ、７１Ｂ、７１Ｃ、・・・に設けられたディスプレイ装置にＮＡＮＤフラッシュメモリの予測寿命を表示させたり、ディスプレイ装置に代えてあるいはディスプレイ装置と共に、音響機器にて警報音やブザーを発生させてＮＡＮＤフラッシュメモリの予測寿命をユーザ報知してもよい。
第３の実施形態による生産システム１０３によれば、生産管理装置８１内に設けられた機械学習装置１により、数値制御装置に設けられるＮＡＮＤフラッシュメモリの予測寿命が学習される。機械学習装置１は、数多くの数値制御装置に設けられたＮＡＮＤフラッシュメモリの予測寿命を学習するので、学習効果が向上する。
以上説明した生産システムは、製造セル、セルコントローラ、及び生産管理システムの３層のネットワークシステムで構成されたものである。この変形として、生産管理システムを省略し、製造セル及びセルコントローラで構成される２層のネットワークシステムにて生産システムを構成してもよく、この場合は、寿命予測装置３０は製造セル内の数値制御装置またはセルコントローラに設ければよい。またあるいは、４層以上のネットワークシステムにて生産システムを構成してもよく、この場合は、寿命予測装置３０は、製造セル内の数値制御装置、セルコントローラ、生産管理装置、またはさらに上位の装置に設ければよい。またあるいは、生産システムをさらに外部の通信ネットワークに接続してもよく、この場合、寿命予測装置３０を、通信ネットワークを介したクラウドサーバ上に設けてもよい。
以上説明したように、一実施形態による、工作機械の数値制御装置に設けられるＮＡＮＤフラッシュメモリの予測寿命を学習する機械学習装置によれば、工作機械の数値制御装置に設けられるＮＡＮＤフラッシュメモリの寿命を正確に把握し寿命が到来したか否かを的確かつ容易に判断することができる。教師あり学習が適用される機械学習装置は、例えば、ニューラルネットワーク、サポートベクターマシン（ＳＶＭ）、決定木、ロジスティック回帰などのアルゴリズムを用いて実現される。
また、一実施形態による寿命予測装置は、機械学習装置と、ＮＡＮＤフラッシュメモリの予測寿命を計算する意思決定部と、意思決定部により計算されたＮＡＮＤフラッシュメモリの予測寿命を出力する出力部と、を備える。寿命予測装置により、ユーザは、ＮＡＮＤフラッシュメモリの予測寿命を知ることができるので、ＮＡＮＤフラッシュメモリが稼働不能になる前にＮＡＮＤフラッシュメモリを交換することができる。ＮＡＮＤフラッシュメモリの交換を適切な時期に行うことができるようになることで、ＮＡＮＤフラッシュメモリの在庫を減らすこともできる。またあるいは、報知部の通知内容として、予測寿命の計算に際して得られたＮＡＮＤフラッシュメモリの寿命に大きな影響を与える稼働状態を併せて通知するようにしてもよく、これにより、ユーザは、ＮＡＮＤフラッシュメモリの寿命に影響を及ぼす稼働状態を変更する対応をとることができる。例えば、ユーザは、ＮＡＮＤフラッシュメモリの寿命を延ばす適切な温度になるよう数値制御装置の周辺環境を整えるといった対応や、工作機械の稼働条件を変更するといった対応をとることができる。
また、機械学習装置は、少なくとも１つの他の機械学習装置と接続可能であり、少なくとも１つの他の機械学習装置との間で機械学習の結果を相互に交換または共有するようにしてもよい。これにより、機械学習装置間で機械学習の結果を相互に交換または共有することで、学習効果をさらに向上させることができる。
また、機械学習装置内の学習部は、複数のＮＡＮＤフラッシュメモリ及び／またはメモリコントローラに対して取得される訓練データに従って、ＮＡＮＤフラッシュメモリの予測寿命を学習するように構成されてもよい。機械学習装置１内の状態観測部１１による観測対象であるＮＡＮＤフラッシュメモリ及びメモリコントローラの数が多いほど、機械学習装置１の学習効果が向上する。
また、機械学習装置は、通信ネットワークを介して数値制御装置に通信可能に接続されてもよく、機械学習装置はクラウドサーバ上に存在してもよい。このような機械学習装置と数値制御装置とのネットワーク接続構成は、数値制御装置の増減に対応し易く、また、機械学習装置間で機械学習の結果を相互に交換または共有するのも容易である。
また、寿命予測装置を、数値制御装置内に、当該数値制御装置を制御するセルコントローラ内に、あるいはセルコントローラに生産計画を指示する生産管理装置内に、設けてもよい。これにより、数値制御装置が接続された工作機械を備える工場で働くユーザは、容易に、数値制御装置に設けられたＮＡＮＤフラッシュメモリの予測寿命を知ることができ、ＮＡＮＤフラッシュメモリを交換すべき時期が到来したことを知ることができる。また、生産管理装置は、ＮＡＮＤフラッシュメモリの予測寿命を、生産計画の立案に利用してもよく、経済性が向上する。
１ 機械学習装置
１１ 状態観測部
１２ 学習部
１３ 意思決定部
１４ 出力部
２１ 誤差計算部
２２ 学習モデル更新部
２３ 結果（ラベル）提供部
３０ 寿命予測装置
４０、４１ 数値制御装置
４０’ 数値制御部
４１Ａ−１、４１Ａ−２ 数値制御装置
４１Ｂ−１、４１Ｂ−２ 数値制御装置
４１Ｃ−１、４１Ｃ−２ 数値制御装置
５０ 工作機械
５０Ａ−１、５０Ａ−２ 工作機械
５０Ｂ−１、５０Ｂ−２ 工作機械
５０Ｃ−１、５０Ｃ−２ 工作機械
６０Ａ、６０Ｂ、６０Ｃ 製造セル
６１Ａ、６１Ｂ、６１Ｃ 製造セル
７０Ａ、７０Ｂ、７０Ｃ セルコントローラ
７１Ａ、７１Ｂ、７１Ｃ セルコントローラ
８０、８１ 生産管理装置
９０ 通信ネットワーク
１０１、１０２、１０３ 生産システム
１５１ サーボモータ
１５２ サーボアンプ
１００１ ＣＰＵ
１００２ ＲＯＭ
１００３ ＲＡＭ
１００４ Ｉ／Ｏ
１００５ ＮＡＮＤフラッシュメモリ
１００６ 軸制御回路
１００７ ＰＭＣ
１００８ 表示装置／ＭＤＩパネル
１００９ バス

Claims (15)

  1. 工作機械の数値制御装置に設けられるＮＡＮＤフラッシュメモリの予測寿命を学習する機械学習装置であって、
    前記ＮＡＮＤフラッシュメモリの、製造メーカに関する情報及び製造ロットに関する情報、並びに、前記ＮＡＮＤフラッシュメモリに対して誤り訂正符号化（ＥＣＣ）処理を行うメモリコントローラの、ＥＣＣ性能に関する情報、製造メーカに関する情報及び製造ロットに関する情報、のうちの少なくとも１つに基づいて得られる状態変数を観測する状態観測部と、
    前記状態観測部の出力及び前記ＮＡＮＤフラッシュメモリの寿命に関連するデータから作成される訓練データ、並びに、教師データに基づいて、前記ＮＡＮＤフラッシュメモリの予測寿命を学習する学習部と、
    を備える機械学習装置。
  2. 前記学習部は、
    前記訓練データと前記教師データとの誤差を計算する誤差計算部と、
    前記状態観測部の出力及び前記誤差計算部の出力に基づいて、前記ＮＡＮＤフラッシュメモリの予測寿命を学習するための学習モデルを更新する学習モデル更新部と、
    を備える、請求項１に記載の機械学習装置。
  3. 前記教師データは、前記ＮＡＮＤフラッシュメモリの寿命を実際に測定した実測寿命に関連したデータである、請求項１または２に記載の機械学習装置。
  4. 前記機械学習装置は、少なくとも１つの他の機械学習装置と接続可能であり、少なくとも１つの前記他の機械学習装置との間で機械学習の結果を相互に交換または共有する、請求項１〜３のいずれか一項に記載の機械学習装置。
  5. 前記学習部は、複数のＮＡＮＤフラッシュメモリ及び／またはメモリコントローラに対して取得される前記訓練データに従って、前記ＮＡＮＤフラッシュメモリの予測寿命を学習するように構成される、請求項１〜４のいずれか一項に記載の機械学習装置。
  6. 請求項１〜５のいずれか一項に記載の機械学習装置と、
    前記学習部が学習した結果に基づいて、現在の前記状態変数の入力に応答して、前記ＮＡＮＤフラッシュメモリの予測寿命を計算する意思決定部と、
    前記意思決定部により計算された前記ＮＡＮＤフラッシュメモリの予測寿命を出力する出力部と、
    を備える寿命予測装置。
  7. 前記機械学習装置は、通信ネットワークを介して前記数値制御装置に通信可能に接続され、
    前記状態観測部は、前記通信ネットワークを介して前記状態変数を観測する、
    請求項６に記載の寿命予測装置。
  8. 請求項６に記載の寿命予測装置を備える数値制御装置。
  9. 工作機械と前記工作機械に対応して設けられる請求項８に記載の数値制御装置とからなる組を複数含んで構成される製造セルと、
    前記製造セルと通信ネットワークを介して通信可能に接続され、各前記数値制御装置を制御するセルコントローラと、
    を備える生産システム。
  10. 工作機械と前記工作機械に対応して設けられる数値制御装置とからなる組を複数含んで構成される製造セルと、
    前記製造セルと通信ネットワークを介して通信可能に接続され、各前記数値制御装置を制御するセルコントローラと、
    を備え、
    前記セルコントローラは、請求項６に記載の寿命予測装置を有する、生産システム。
  11. 前記セルコントローラと通信ネットワークを介して通信可能に接続され、前記セルコントローラに生産計画を指示する生産管理装置をさらに備える、請求項９または１０に記載の生産システム。
  12. 工作機械と前記工作機械に対応して設けられる数値制御装置とからなる組を複数含んで構成される製造セルと、
    前記製造セルと通信ネットワークを介して通信可能に接続され、各前記数値制御装置を制御するセルコントローラと、
    前記セルコントローラと通信ネットワークを介して通信可能に接続され、前記セルコントローラに生産計画を指示する生産管理装置と、
    を備え、
    前記生産管理装置は、請求項６に記載の寿命予測装置を有する、生産システム。
  13. 工作機械の数値制御装置に設けられるＮＡＮＤフラッシュメモリの予測寿命を学習する機械学習方法であって、
    前記ＮＡＮＤフラッシュメモリの、製造メーカに関する情報及び製造ロットに関する情報、並びに、前記ＮＡＮＤフラッシュメモリに対して誤り訂正符号化（ＥＣＣ）処理を行うメモリコントローラの、ＥＣＣ性能に関する情報、製造メーカに関する情報及び製造ロットに関する情報、のうちの少なくとも１つに基づいて得られる状態変数を観測するステップと、
    前記状態変数及び前記ＮＡＮＤフラッシュメモリの寿命に関連するデータから作成される訓練データ、並びに、教師データに基づいて、前記ＮＡＮＤフラッシュメモリの予測寿命を学習するステップと、
    を備える機械学習方法。
  14. 前記ＮＡＮＤフラッシュメモリの予測寿命を学習するステップは、
    前記訓練データと前記教師データとの誤差を計算するステップと、
    前記状態変数及び計算された前記訓練データと前記教師データとの誤差に基づいて、前記ＮＡＮＤフラッシュメモリの予測寿命を学習するための学習モデルを更新するステップと、
    を備える、請求項１３に記載の機械学習方法。
  15. 前記教師データは、前記ＮＡＮＤフラッシュメモリの寿命を実際に測定した実測寿命に関連したデータである、請求項１３または１４に記載の機械学習方法。
JP2016243357A 2016-12-15 2016-12-15 Ｎａｎｄフラッシュメモリの寿命を予測する機械学習装置、寿命予測装置、数値制御装置、生産システム、及び機械学習方法 Active JP6386523B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2016243357A JP6386523B2 (ja) 2016-12-15 2016-12-15 Ｎａｎｄフラッシュメモリの寿命を予測する機械学習装置、寿命予測装置、数値制御装置、生産システム、及び機械学習方法
DE102017011350.5A DE102017011350A1 (de) 2016-12-15 2017-12-08 Maschinenlernvorrichtung, lebensdauerprognosevorrichtung, numerische steuereinrichtung, produktionssystem und maschinenlernverfahren zum prognostizieren einer lebensdauer eines nand-flash-speichers
US15/838,731 US20180174658A1 (en) 2016-12-15 2017-12-12 Machine learning apparatus, life prediction apparatus, numerical control device, production system, and machine learning method for predicting life of nand flash memory
CN201711338643.7A CN108228371B (zh) 2016-12-15 2017-12-14 机器学习装置和方法、寿命预测装置、数值控制装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2016243357A JP6386523B2 (ja) 2016-12-15 2016-12-15 Ｎａｎｄフラッシュメモリの寿命を予測する機械学習装置、寿命予測装置、数値制御装置、生産システム、及び機械学習方法

Publications (2)

Publication Number Publication Date
JP2018097723A JP2018097723A (ja) 2018-06-21
JP6386523B2 true JP6386523B2 (ja) 2018-09-05

Family

ID=62251231

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016243357A Active JP6386523B2 (ja) 2016-12-15 2016-12-15 Ｎａｎｄフラッシュメモリの寿命を予測する機械学習装置、寿命予測装置、数値制御装置、生産システム、及び機械学習方法

Country Status (4)

Country Link
US (1) US20180174658A1 (ja)
JP (1) JP6386523B2 (ja)
CN (1) CN108228371B (ja)
DE (1) DE102017011350A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109817267A (zh) * 2018-12-17 2019-05-28 武汉忆数存储技术有限公司 一种基于深度学习的闪存寿命预测方法、系统及计算机可读存取介质
US11500753B2 (en) 2020-09-02 2022-11-15 Samsung Electronics Co., Ltd. Multi-non-volatile memory solid state drive block-level failure prediction with unified device log
US11567670B2 (en) 2019-10-25 2023-01-31 Samsung Electronics Co., Ltd. Firmware-based SSD block failure prediction and avoidance scheme

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE112018000122T8 (de) 2018-06-14 2020-04-09 Mitsubishi Electric Corporation Maschinelles-Lernen-Vorrichtung, Korrekturparameter-Anpassungssystem und Maschinelles-Lernen-Verfahren
US11099743B2 (en) 2018-06-29 2021-08-24 International Business Machines Corporation Determining when to replace a storage device using a machine learning module
US11119850B2 (en) * 2018-06-29 2021-09-14 International Business Machines Corporation Determining when to perform error checking of a storage unit by using a machine learning module
US11119662B2 (en) 2018-06-29 2021-09-14 International Business Machines Corporation Determining when to perform a data integrity check of copies of a data set using a machine learning module
DE102019210169A1 (de) * 2018-07-20 2020-01-23 Fanuc Corporation Nachbearbeitungsverfahren für ein Werkstück, Bearbeitungssystem sowie Managementsystem
JP6985307B2 (ja) * 2018-07-20 2021-12-22 ファナック株式会社 ワークの後処理方法、加工システムおよび管理システム
JP6856591B2 (ja) * 2018-09-11 2021-04-07 ファナック株式会社 制御装置、ｃｎｃ装置及び制御装置の制御方法
CN109375869A (zh) * 2018-09-17 2019-02-22 至誉科技（武汉）有限公司 实现数据可靠读写的方法以及系统、存储介质
CN110952973A (zh) * 2018-09-26 2020-04-03 北京国双科技有限公司 油气开采监测方法、寿命确定模型获得方法及相关设备
JP6860540B2 (ja) * 2018-10-25 2021-04-14 ファナック株式会社 出力装置、制御装置、及び学習パラメータの出力方法
CN109830254A (zh) * 2018-12-17 2019-05-31 武汉忆数存储技术有限公司 一种闪存寿命预测方法、系统、存储介质
CN109830255B (zh) * 2018-12-17 2020-11-17 武汉忆数存储技术有限公司 一种基于特征量的闪存寿命预测方法、系统及存储介质
CN111427713B (zh) * 2019-01-10 2023-08-22 深圳衡宇芯片科技有限公司 训练人工智能估测存储装置的使用寿命的方法
CN113261166B (zh) 2019-02-07 2023-07-14 极光先进雷射株式会社 机器学习方法、消耗品管理装置和计算机可读介质
JPWO2020170304A1 (ja) * 2019-02-18 2021-12-02 日本電気株式会社 学習装置及び方法、予測装置及び方法、並びにプログラム
US10930365B2 (en) * 2019-02-21 2021-02-23 Intel Corporation Artificial intelligence based monitoring of solid state drives and dual in-line memory modules
CN109947588B (zh) * 2019-02-22 2021-01-12 哈尔滨工业大学 一种基于支持向量回归法的NAND Flash位错误率预测方法
JP7248495B2 (ja) * 2019-05-15 2023-03-29 ファナック株式会社 数値制御測装置、数値制御システム、及びプログラム
CN110287640B (zh) * 2019-07-03 2023-10-13 辽宁艾特斯智能交通技术有限公司 照明设备的寿命预估方法、装置、存储介质及电子设备
KR20210031220A (ko) 2019-09-11 2021-03-19 삼성전자주식회사 스토리지 장치 및 스토리지 장치의 동작 방법
US11157380B2 (en) 2019-10-28 2021-10-26 Dell Products L.P. Device temperature impact management using machine learning techniques
WO2021126520A1 (en) 2019-12-18 2021-06-24 Cymer, Llc Predictive apparatus in a gas discharge light source
KR20210082875A (ko) 2019-12-26 2021-07-06 삼성전자주식회사 머신 러닝을 이용한 비휘발성 메모리 장치의 동작 제어 방법 및 스토리지 시스템
KR20210100790A (ko) 2020-02-06 2021-08-18 삼성전자주식회사 스토리지 장치 및 스토리지 장치의 동작 방법
CN111859791B (zh) * 2020-07-08 2023-12-26 上海威固信息技术股份有限公司 一种闪存数据保存错误率仿真方法
KR20220090885A (ko) 2020-12-23 2022-06-30 삼성전자주식회사 비휘발성 메모리 장치의 잔여 수명 예측 방법 및 이를 수행하는 스토리지 장치
CN112817524A (zh) * 2021-01-19 2021-05-18 置富科技（深圳）股份有限公司 基于动态神经网络的闪存可靠性等级在线预测方法和装置
KR102332589B1 (ko) * 2021-08-18 2021-12-01 에스비유코리아 주식회사 디스크 세트의 상태 정보 관리 및 제어 방법, 장치 및 시스템
US11687252B2 (en) 2021-10-18 2023-06-27 Western Digital Technologies, Inc. Non-volatile memory with pre-trained model and inference circuit
WO2024069880A1 (ja) * 2022-09-29 2024-04-04 ファナック株式会社 携帯型操作装置、機械システムおよび携帯型操作装置のメモリ制御プログラム

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6488893A (en) * 1987-09-30 1989-04-03 Toshiba Corp Trouble forecaster
US7356442B1 (en) * 2006-10-05 2008-04-08 International Business Machines Corporation End of life prediction of flash memory
JP2009003843A (ja) 2007-06-25 2009-01-08 Denso Corp フラッシュｒｏｍのデータ管理装置及びフラッシュｒｏｍのデータ管理方法
CN101266840B (zh) * 2008-04-17 2012-05-23 北京航空航天大学 一种闪存类电子产品的寿命预测方法
US7975193B2 (en) * 2009-06-01 2011-07-05 Lsi Corporation Solid state storage end of life prediction with correction history
JP2013047913A (ja) * 2011-08-29 2013-03-07 Toshiba Corp 情報処理装置、情報処理装置の制御方法、制御ツール、及びホスト装置
US9316699B2 (en) * 2012-04-05 2016-04-19 Samsung Sdi Co., Ltd. System for predicting lifetime of battery
JP5642748B2 (ja) * 2012-09-18 2014-12-17 ファナック株式会社 放電加工機のデータ収集システム
JP2018008316A (ja) * 2014-11-21 2018-01-18 ヴイストン株式会社 学習型ロボット、学習型ロボットシステム、及び学習型ロボット用プログラム
JP6010204B1 (ja) * 2015-10-26 2016-10-19 ファナック株式会社 パワー素子の予測寿命を学習する機械学習装置及び方法並びに該機械学習装置を備えた寿命予測装置及びモータ駆動装置
JP5992087B1 (ja) * 2015-12-28 2016-09-14 ファナック株式会社 機械の保全計画を作成する予防保全管理システム

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109817267A (zh) * 2018-12-17 2019-05-28 武汉忆数存储技术有限公司 一种基于深度学习的闪存寿命预测方法、系统及计算机可读存取介质
CN109817267B (zh) * 2018-12-17 2021-02-26 武汉忆数存储技术有限公司 一种基于深度学习的闪存寿命预测方法、系统及计算机可读存取介质
US11567670B2 (en) 2019-10-25 2023-01-31 Samsung Electronics Co., Ltd. Firmware-based SSD block failure prediction and avoidance scheme
US11500753B2 (en) 2020-09-02 2022-11-15 Samsung Electronics Co., Ltd. Multi-non-volatile memory solid state drive block-level failure prediction with unified device log
US11500752B2 (en) 2020-09-02 2022-11-15 Samsung Electronics Co., Ltd. Multi-non-volatile memory solid state drive block-level failure prediction with separate log per non-volatile memory

Also Published As

Publication number Publication date
CN108228371A (zh) 2018-06-29
US20180174658A1 (en) 2018-06-21
DE102017011350A1 (de) 2018-06-21
JP2018097723A (ja) 2018-06-21
CN108228371B (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
JP6386523B2 (ja) Ｎａｎｄフラッシュメモリの寿命を予測する機械学習装置、寿命予測装置、数値制御装置、生産システム、及び機械学習方法
US10585417B2 (en) Machine learning device, numerical control device and machine learning method for learning threshold value of detecting abnormal load
US10949740B2 (en) Machine learning device, numerical controller, machine tool system, manufacturing system, and machine learning method for learning display of operation menu
US11036191B2 (en) Machine learning device, industrial machine cell, manufacturing system, and machine learning method for learning task sharing among plurality of industrial machines
CN106392772B (zh) 机械学习装置、主轴更换判定装置、控制装置、机床
US20180373233A1 (en) Failure predicting apparatus and machine learning device
US10782664B2 (en) Production system that sets determination value of variable relating to abnormality of product
CN107024917A (zh) 发现制造机械的异常的原因的单元控制装置
US20170344909A1 (en) Machine learning device, failure prediction device, machine system and machine learning method for learning end-of-life failure condition
Saglam et al. Tool condition monitoring in milling based on cutting forces by a neural network
US20180003588A1 (en) Machine learning device which learns estimated lifetime of bearing, lifetime estimation device, and machine learning method
JP6174669B2 (ja) 複数の製造機械を有する製造セルを制御するセルコントロールシステム、生産システム、制御方法及び制御プログラム
CN107045330A (zh) 生产控制系统及综合生产控制系统
CN106557069A (zh) 机械学习装置和方法以及具有该机械学习装置的机床
CN107301489A (zh) 实施生产计划的生产系统
JP6333868B2 (ja) セル制御装置、及び製造セルにおける複数の製造機械の稼働状況を管理する生産システム
US20170031335A1 (en) Cell control system, manufacturing system, and control method which control manufacturing cell including plurality of manufacturing machines
CN110347120A (zh) 控制装置以及机器学习装置
Kang et al. Flexible preventative maintenance for serial production lines with multi-stage degrading machines and finite buffers
CN110340884A (zh) 测定动作参数调整装置、机器学习装置以及系统
US20180059655A1 (en) Production system having function of indicating inspection time for production machine
CN110174871A (zh) 控制装置、机器学习装置以及系统
JP6898479B2 (ja) 操作メニューの表示を学習する機械学習器，数値制御装置，工作機械システム，製造システムおよび機械学習方法
CN113811905A (zh) 用于提供复杂制造系统的关键性能指标的预测的方法和设备
US11407104B2 (en) Tooth contact position adjustment amount estimation device, machine learning device, and robot system

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180417

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20180508

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20180629

A911 Transfer to examiner for re-examination before appeal (zenchi)

Free format text: JAPANESE INTERMEDIATE CODE: A911

Effective date: 20180706

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: 20180724

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20180809

R150 Certificate of patent or registration of utility model

Ref document number: 6386523

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150