JP6650468B2 - 自動化システムを動作させる方法及び装置 - Google Patents
自動化システムを動作させる方法及び装置 Download PDFInfo
- Publication number
- JP6650468B2 JP6650468B2 JP2017554377A JP2017554377A JP6650468B2 JP 6650468 B2 JP6650468 B2 JP 6650468B2 JP 2017554377 A JP2017554377 A JP 2017554377A JP 2017554377 A JP2017554377 A JP 2017554377A JP 6650468 B2 JP6650468 B2 JP 6650468B2
- Authority
- JP
- Japan
- Prior art keywords
- context
- drift
- model
- concept drift
- process data
- 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
Links
- 238000000034 method Methods 0.000 title claims description 67
- 238000012545 processing Methods 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 5
- 238000004519 manufacturing process Methods 0.000 description 33
- 238000004458 analytical method Methods 0.000 description 27
- 108700002783 roundabout Proteins 0.000 description 17
- 238000009826 distribution Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000007477 logistic regression Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 3
- 230000003252 repetitive effect Effects 0.000 description 3
- 238000003466 welding Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000013072 incoming material Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
-
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31368—MAP manufacturing automation protocol
-
- 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
- G05B2219/33—Director till display
- G05B2219/33002—Artificial intelligence AI, expert, knowledge, rule based system KBS
-
- 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
- G05B2219/34351—Knowledge acquisition of environment
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Automation & Control Theory (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
本発明は、概して、自動化システムを動作させる（運転）方法及び装置に関する。
今日の市場における高いボラティリティ（変動性）とダイナミクスにより、メーカーは、環境変化（例えば、製品の頻繁な切り替え）に対しより迅速に反応し、更に効率的な製造計画と正確な処理量推定を保証することが必要とされる。一般に、機械の処理時間は一定ではなくて、製品タイプや材料品質などの幾つかの変量に依存するので、製造計画を実施するための基礎として、そのような時間の正確な推定ができなければならない。したがって、製造に関係する全ての活動の処理時間の高精度な推定値を計算することは、重要なタスクである。
最近のインダストリー４．０ビジョンにおける価値創成プロセスに関連した全てのインスタンスの相互関連性によって、関連データを実時間で利用できるようになりつつあるので、製造システムが、製造プロセス、ビジネスプロセス及び製品ライフサイクルプロセス全体を統合する必要がある。同様に、製造オペレーション管理（ＭＯＭ）に関して最近現れつつある議論は、完全に統合された製造の要件、即ち製品ライフサイクル管理（ＰＬＭ）とエンタープライズリソースプランニング（ＥＲＰ）にシームレスに繋がる製造実行システム（ＭＥＳ）への拡張も強調している。「ＯＰＣ ＵＡ」、「Ｂ２ＭＭＬ」及び「ＡｕｔｏｍａｔｉｏｎＭＬ」のような新しい情報モデル標準の出現によって、ＭＯＭシステムは既に、標準化されたメタデータ記述によってコンテキスト情報を提供できる。
機械の一定又は不変の分散処理時間を使用する可能な解析的手法又はシミュレーションモデルと対照的に、そのような時間のオンライン推定（例えば、統計的学習モデルによる）は困難であり、その理由は、状況依存性（例えば、切り替え、保守事象、支給材料品質）が、機械の処理時間に著しい影響を及ぼし得るからである。したがって、このような評価モデルの使用法は、製造プロセス全体にわたるこれらの依存性（いわゆる、コンテキスト）をアウェアしなければならず、そうしないと、製造計画及びスケジューリングが非効率的になる。当該コンテキストは、例えば、構成要素（例えば、センサ構成要素）の位置と、製造プロセスの他の変量への依存性であり得る。
機械の処理時間などのプロセス変量を監視し、慎重な処理を必要とする事象の種類を手動で指定することを技術者に依頼することは簡単に思えるが、以下のように考慮すべき幾つかの落とし穴がある。
予測不能な事象：解析に影響を及ぼすが、分野専門家でも予知できず意志決定を悪化させる可能性のある事象。従って、そのような事象は、ボトムアップ（原因状況から意志決定）で学習されなければならない。
動的／柔軟な製造：頻繁に変化する環境（注文変動、サプライヤ変更、装置交換）では、解析の手動再構成は非効率的になる。
繰り返し状況：幾つかの状況変化は何度も繰り返して再発する可能性がある。例えば、製造が２つの製品変形物の間で前後に切り替わる可能性がある。したがって、以前の事象発生に関する知識は、そのような事象が再び起きたらすぐに利用できなければならない。
以前の全てのシナリオにおいて、コンテキストに関する知識（即ち、製造プロセス全体にわたって相互関連付けられたデータ）は、解析アプリケーションを改善し、その結果の適用可能性を保証するのに役立ち得る。
動的環境の問題を取り扱う機械学習法（即ち、適応学習）があり、この場合、基礎となるデータ生成プロセスが、コンセプトドリフトと呼ばれる傾向がある。ほとんどのポテンシャル手法の共通のマイナス面は、そのような手法が、オフライン解析用であり、あらかじめ定義されたシミュレーションモデルを必要とするか、製造システムのコンテキストに依存する基礎データ生成プロセスにおけるコンセプトドリフトの存在（例えば、機械の処理時間の非定常分布）を無視することである。
本発明の目的は、コンテキスト情報を、柔軟な製造計画及びスケジューリングシナリオに統合する手法を提供することである。
上記目的は、独立形式請求項の特徴を備えた自動化システムを動作させる方法及び１つ以上の装置によって達成される。本発明の好ましい態様について引用形式請求項に記載される。
本発明の一態様は、ＭＯＭシステムのコンテキスト知識及びヒストリの動的統合である。解析モデルとも呼ばれる予測モデルが、メーカー側から提供される。詳細には、予測モデルは、不具合予測に使用され得る。
本提案に係る自動化システムを動作させる方法は、
ａ） 自動化プロセスのコンテキストを含むプロセスデータによってトレーニングされた自動化システムのための学習ベース予測モデルを用意するステップと、
ｂ） 自動化プロセスのカレント（現行）コンテキストに関する情報を受け取るステップと、
ｃ） 前記カレントコンテキストを前記プロセスデータのコンテキストと比較することによってコンテキスト変化を検証するステップと、
ｄ） コンテキスト変化がある場合、プレ（前の）ドリフトプロセスデータとポスト（後の）ドリフトプロセスデータとを比較することによってコンセプトドリフトを検証するステップと、
ｅ） コンセプトドリフトがある場合に、前記モデルをポストドリフトプロセスデータで再トレーニングするステップと、
ｆ） コンテキスト変化がない場合に、コンテキスト変化の検証では検出されないランダムコンセプトドリフトを検査するステップと、
ｇ） ランダムコンセプトドリフトがある場合に、前のコンテキスト変化を含むデータを使用することによって前記カレントコンテキストを拡張することで、当該カレントコンテキストが、処理時間の推定に対する前記コンテキストの影響に基づいて自動的に拡張される、ステップと、
ｈ） コンセプトドリフトがない場合及びランダムコンセプトドリフトがない場合に、既存の前記モデルを使用するステップとを含む。
ａ） 自動化プロセスのコンテキストを含むプロセスデータによってトレーニングされた自動化システムのための学習ベース予測モデルを用意するステップと、
ｂ） 自動化プロセスのカレント（現行）コンテキストに関する情報を受け取るステップと、
ｃ） 前記カレントコンテキストを前記プロセスデータのコンテキストと比較することによってコンテキスト変化を検証するステップと、
ｄ） コンテキスト変化がある場合、プレ（前の）ドリフトプロセスデータとポスト（後の）ドリフトプロセスデータとを比較することによってコンセプトドリフトを検証するステップと、
ｅ） コンセプトドリフトがある場合に、前記モデルをポストドリフトプロセスデータで再トレーニングするステップと、
ｆ） コンテキスト変化がない場合に、コンテキスト変化の検証では検出されないランダムコンセプトドリフトを検査するステップと、
ｇ） ランダムコンセプトドリフトがある場合に、前のコンテキスト変化を含むデータを使用することによって前記カレントコンテキストを拡張することで、当該カレントコンテキストが、処理時間の推定に対する前記コンテキストの影響に基づいて自動的に拡張される、ステップと、
ｈ） コンセプトドリフトがない場合及びランダムコンセプトドリフトがない場合に、既存の前記モデルを使用するステップとを含む。
本発明の一態様は、自動化システムを動作させる装置であり、
ａ） 自動化プロセスのコンテキストを含むプロセスデータによってトレーニングされた自動化システムのための学習ベース予測モデルを取得する手段と、
ｂ） 自動化プロセスのカレントコンテキストに関する情報を受け取る手段と、
ｃ） 前記カレントコンテキストを前記プロセスデータのコンテキストと比較することによってコンテキスト変化を検証する手段と、
ｄ） コンテキスト変化がある場合に、プレドリフトプロセスデータとポストドリフトプロセスデータを比較することによってコンセプトドリフトを検証する手段と、
ｅ） コンセプトドリフトがある場合に、前記モデルを再トレーニングするポストドリフトプロセスデータを提供する手段と、
ｆ） コンテキスト変化がない場合に、コンテキスト変化の検証では検出されないランダムコンセプトドリフトの検査を行う手段と、
ｇ） ランダムコンセプトドリフトがある場合に、前のコンテキスト変化を含むデータを使用することによって前記カレントコンテキストを拡張することで、当該カレントコンテキストが、処理時間の推定に対する前記コンテキストの影響に基づいて自動的に拡張される、手段と、
ｈ） コンセプトドリフトがない場合及びランダムコンセプトドリフトがない場合に、既存の前記モデルを使用する手段とを含む。
ａ） 自動化プロセスのコンテキストを含むプロセスデータによってトレーニングされた自動化システムのための学習ベース予測モデルを取得する手段と、
ｂ） 自動化プロセスのカレントコンテキストに関する情報を受け取る手段と、
ｃ） 前記カレントコンテキストを前記プロセスデータのコンテキストと比較することによってコンテキスト変化を検証する手段と、
ｄ） コンテキスト変化がある場合に、プレドリフトプロセスデータとポストドリフトプロセスデータを比較することによってコンセプトドリフトを検証する手段と、
ｅ） コンセプトドリフトがある場合に、前記モデルを再トレーニングするポストドリフトプロセスデータを提供する手段と、
ｆ） コンテキスト変化がない場合に、コンテキスト変化の検証では検出されないランダムコンセプトドリフトの検査を行う手段と、
ｇ） ランダムコンセプトドリフトがある場合に、前のコンテキスト変化を含むデータを使用することによって前記カレントコンテキストを拡張することで、当該カレントコンテキストが、処理時間の推定に対する前記コンテキストの影響に基づいて自動的に拡張される、手段と、
ｈ） コンセプトドリフトがない場合及びランダムコンセプトドリフトがない場合に、既存の前記モデルを使用する手段とを含む。
本発明の一態様は、自動化システムの学習ベース予測モデルをトレーニングする装置であり、
ａ）自動化プロセスのコンテキストを含むプロセスデータによってトレーニングされた自動化システムの学習ベース予測モデルを提供する手段と、
ｂ）上記の装置によって検査されたコンセプトドリフトがある場合に、前記モデルを再トレーニングするポストドリフトプロセスデータを受け取る手段とを含む。
ａ）自動化プロセスのコンテキストを含むプロセスデータによってトレーニングされた自動化システムの学習ベース予測モデルを提供する手段と、
ｂ）上記の装置によって検査されたコンセプトドリフトがある場合に、前記モデルを再トレーニングするポストドリフトプロセスデータを受け取る手段とを含む。
本発明の一態様は、コンピュータの内部メモリに直接ロード可能なコンピュータプログラム（製品）であって、該コンピュータプログラムがコンピュータで実行されるときに上記方法に係るステップを実行させるソフトウェアコード部分を含む。
コンテキスト変化なしで上記ランダムコンセプトドリフトが検出された場合、カレントコンテキストは、コンテキスト知識ベースに記憶された隣接三つ組で拡張される。この隣接三つ組は、三つ組＜ｓ；ｐ；ｏ＞であり、ｓが三つ組のサブジェクト、ｐが三つ組のプロパティ、そしてｏが三つ組のオブジェクトであって、ｓ又はｏがカレントコンテキストで追跡される。
コンテキスト知識ベースは、コンテキスト知識ヒストリ（履歴）を含み得る。
コンテキストは、製品、自動化プロセスステップ、及び前記自動化プロセスに使用される装置のいずれか１つ以上の特徴によって表わすことが可能である。
モデルは、１組のコンテキストの指定サブセットを追跡でき、最初に追跡された指定サブセットは、そのトレーニングに使用されるプロセスデータと直接関連付けられたコンテキストインスタンスだけを含み得る。
本発明の一態様は、正確な処理時間推定の必要性によって動機付けられた、フレキシブルな生産システム内のコンテキストアウェア（context-aware）解析のためのフレームワークでよい。これは、最先端技術の適応学習モデルと比較して、首尾よく適用でき、発生する予測間違いが少ない。処理時間のより正確な推定値は、製造システムの処理スループット時間とサイクルタイムの信頼性に影響を及ぼし、これは、最適化された製造計画及びスケジューリングの基礎である。
この手法の更に他の利点は、以下の通りである。
・解析モデルは、特定の状況に自動的に適応し、そこで最適に機能し、したがって、最適化された意志決定を確実に支援する。
・繰り返し及び類似状況に関する知識を使用して、既に利用可能な最適解析モデルを、新しいものを指定しトレーニングすることなく選択できる。
・データ科学者を導き支援できる解析プロセスにおけるコンテキスト固有の専門知識の統合の自動化。
・当該手法によって、ＭＯＭ関連のキーパフォーマンスインジケータを改善する正確で信頼できる解析的モデルが得られる。
・解析モデルは、特定の状況に自動的に適応し、そこで最適に機能し、したがって、最適化された意志決定を確実に支援する。
・繰り返し及び類似状況に関する知識を使用して、既に利用可能な最適解析モデルを、新しいものを指定しトレーニングすることなく選択できる。
・データ科学者を導き支援できる解析プロセスにおけるコンテキスト固有の専門知識の統合の自動化。
・当該手法によって、ＭＯＭ関連のキーパフォーマンスインジケータを改善する正確で信頼できる解析的モデルが得られる。
本発明の一態様は、コンセプトドリフト検出とコンテキスト知識の組み合わせである。コンセプトドリフト検出とコンテキスト知識は、メーカー及びサプライヤ側から提供され得る。
更なる利点は、以下の通りである。
・全てのデータストリームアイテムを継続的に監視することなく、ビジネス、自動化及び製品ライフサイクルコンテキストに関する知識に基づくデータ生成プロセスの変化の効率的検出。
・解析に適応させたコンテキストアウェアネスを提供する、コンセプトドリフトのフィードバックに基づくセマンティックデータ統合のためのコンテキストの動的拡張。
・解析モデルは、基礎となる物理的又はＩＴシステムが変化した後で自動的に更新される。これにより、ＭＯＭシステムの保守作業が減少する。
・全てのデータストリームアイテムを継続的に監視することなく、ビジネス、自動化及び製品ライフサイクルコンテキストに関する知識に基づくデータ生成プロセスの変化の効率的検出。
・解析に適応させたコンテキストアウェアネスを提供する、コンセプトドリフトのフィードバックに基づくセマンティックデータ統合のためのコンテキストの動的拡張。
・解析モデルは、基礎となる物理的又はＩＴシステムが変化した後で自動的に更新される。これにより、ＭＯＭシステムの保守作業が減少する。
本発明の以上及び他の態様は、添付図面と関連させて提示する以下の詳細な説明から最もよく理解される。本発明を説明するために、図面には現時点で好ましい実施形態を示してあるが、本発明が、ここに開示する特定の手段に限定されないことは当然である。図面には以下の図が含まれている。
図１は、標準的な自動化ピラミッドにおいてＭＯＭシステム及び解析のコンテキストを概略的に示す。自動化ピラミッドは、様々な層／構成要素からなる。フィールド層は、ビジネス層と通信するＭＯＭ管理に関連した制御層の下にある。ＭＯＭシステム間にコンテキスト知識ベースＯとコンテキストアウェア層とがあり、これらが、
１）専用コンテキスト知識ベース内のセマンティックレベルの様々なデータソースを統合し、
２）データ生成のコンテキストの変化を追跡し、
３）最適かつ状況に応じた意志決定を支援するために解析のコンテキストアウェアネスを保証する。
１）専用コンテキスト知識ベース内のセマンティックレベルの様々なデータソースを統合し、
２）データ生成のコンテキストの変化を追跡し、
３）最適かつ状況に応じた意志決定を支援するために解析のコンテキストアウェアネスを保証する。
図２は、セマンティックデータ統合及び配布のためのフレームワークのコンテキストブローカアーキテクチャを示す。図示のフレームワークは、セマンティックコンテキスト情報を製造プロセスにおける解析モデルの展開に統合する。統一されたコンテキスト知識ベースが存在し、データソースが既に統合されていると仮定する。アーキテクチャは、例えば、以下の構成要素からなる。
・ コンテキストブローカＣＢ：この構成要素は、コンテキスト知識ベース、コンセプトドリフト検証及びコンテキスト知識ヒストリからなる。これは、基礎となる製造オペレーション管理システムＭＯＭ（製品ライフサイクル管理ＰＬＭ及びエンタープライズリソースプランニングＥＲＰ）と製造実行システムＭＥＳの全体論的視野を統合し、その標準化された情報モデルを一般知識ベースにマッピングする。更に、コンテキストブローカは、現在のコンテキスト情報とヒストリコンテキストを、解析モデルと、場合によっては他の（サプライヤの）コンテキストブローカ（例えば、ＣＢ’、ＣＢ’’、ＣＢ’’’）とに伝達する責任がある。換言すると、カレントグローバルコンテキスト知識ベースを保持し、またコンテキスト変化（例えば、ある製品から別の製品への製造切り替え）を解析モデルに伝える。
・ コンテキストアウェア解析ＣＡ：データセットに基づいてトレーニングされた全ての解析モデルＭ（例えば、監督機械学習アルゴリズム）が、ＭＯＭコンテキストブローカの上に展開され、これは、モデルが常に最新になるように維持され現状に従った結果を提供することを保証する。
・ コンテキスト知識ベース：この知識ベースは、本質的に、製造プロセス全体にわたる様々なシステム（例えば、ＰＬＭ、ＭＥＳ、ＥＲＰ）からのデータを統合するグローバルセマンティックデータモデルＯである。この知識ベースは、カレントコンテキスト情報モデルを、セマンティックリフティングを介して幾つかの情報モデル（Ｂ２ＭＭＬ、ＯＰＣ ＵＡ、ＡｕｔｏｍａｔｉｏｎＭＬ）を統合する存在論の形で、表現する。
・ コンセプトドリフト検証Ｅ：この構成要素は、ドリフトするコンセプト、即ち基礎データ生成プロセスにおける異常性を検出する。例えば、処理時間エスティメータの誤りの急増である。これは、特定のコンテキスト変化がそのコンセプトドリフトの原因であったことを検証するために使用される。データセットの配布におけるコンセプトドリフトを検査する幾つかの手法がある（例えば、仮説検定及び分類［６，７］）。コンセプトドリフト検証は、実質的に特定解析モデルのコンセプトドリフトとなる著しいコンテキスト変化を追跡するために使用される。
・ コンテキスト知識ヒストリＨ：ある期間にわたるコンテキスト知識ベースの変化は、コンテキスト知識ヒストリに記憶され、それにより、後の時点と参照され比較され得る。これは、主に、繰り返し又は類似の状況が、解析モデルによって既に実質的に処理されたかどうかを確かめるために使用される。
・ データソース（Ｄ）：コンテキスト情報は、主として３つのタイプのシステム（ＰＬＭ、ＭＥＳ及びＥＲＰ）から来る。それらのデータは、ＡｕｔｏｍａｔｉｏｎＭＬ、Ｂ２ＭＭＬ及びＯＰＣ ＵＡのような標準化された情報モデルによって統合される必要がある。このデータは、統一グローバル知識ベースにマッピングされる。
・ コンテキストアウェア解析ＣＡ：データセットに基づいてトレーニングされた全ての解析モデルＭ（例えば、監督機械学習アルゴリズム）が、ＭＯＭコンテキストブローカの上に展開され、これは、モデルが常に最新になるように維持され現状に従った結果を提供することを保証する。
・ コンテキスト知識ベース：この知識ベースは、本質的に、製造プロセス全体にわたる様々なシステム（例えば、ＰＬＭ、ＭＥＳ、ＥＲＰ）からのデータを統合するグローバルセマンティックデータモデルＯである。この知識ベースは、カレントコンテキスト情報モデルを、セマンティックリフティングを介して幾つかの情報モデル（Ｂ２ＭＭＬ、ＯＰＣ ＵＡ、ＡｕｔｏｍａｔｉｏｎＭＬ）を統合する存在論の形で、表現する。
・ コンセプトドリフト検証Ｅ：この構成要素は、ドリフトするコンセプト、即ち基礎データ生成プロセスにおける異常性を検出する。例えば、処理時間エスティメータの誤りの急増である。これは、特定のコンテキスト変化がそのコンセプトドリフトの原因であったことを検証するために使用される。データセットの配布におけるコンセプトドリフトを検査する幾つかの手法がある（例えば、仮説検定及び分類［６，７］）。コンセプトドリフト検証は、実質的に特定解析モデルのコンセプトドリフトとなる著しいコンテキスト変化を追跡するために使用される。
・ コンテキスト知識ヒストリＨ：ある期間にわたるコンテキスト知識ベースの変化は、コンテキスト知識ヒストリに記憶され、それにより、後の時点と参照され比較され得る。これは、主に、繰り返し又は類似の状況が、解析モデルによって既に実質的に処理されたかどうかを確かめるために使用される。
・ データソース（Ｄ）：コンテキスト情報は、主として３つのタイプのシステム（ＰＬＭ、ＭＥＳ及びＥＲＰ）から来る。それらのデータは、ＡｕｔｏｍａｔｉｏｎＭＬ、Ｂ２ＭＭＬ及びＯＰＣ ＵＡのような標準化された情報モデルによって統合される必要がある。このデータは、統一グローバル知識ベースにマッピングされる。
データ解析のための相互に連結されたインスタンス、データ及びプロセスの一般観念並びにそれらの値について以下に述べる。
製造におけるコンテキストアウェア解析は、［３］のコンテキスト定義、即ち、エンティティの状況を特徴付けるために使用可能な情報を使用できる。エンティティは、解析モデル、より具体的にはモデルのトレーニングデータの基礎となるデータ配布に影響を及ぼすものである。グローバルセマンティックデータモデルのようなコンテキスト、即ち、次のように示される用語及び断定知識を含む（記述論理型）知識ベースが導入される。
Ｏ＝＜Ｔ；Ａ＞
これは、製造プロセスに含まれる全てのシステムからのデータを統合する。
Ｏ＝＜Ｔ；Ａ＞
これは、製造プロセスに含まれる全てのシステムからのデータを統合する。
このような記述論理は図４に示され、この図は、コンテキスト知識ベースにおけるコンセプトと関連を示す。コンテキスト知識ベースは、製造機器からのデータ（ＯＰＣ ＵＡから）と、製品及びプロセスデータ（ＡｕｔｏｍａｔｉｏｎＭＬから）と、更に材料及びサプライヤ情報（Ｂ２ＭＭＬから）を統合する。
ここで、ＴＢｏｘ Ｔは、共通用語を定義し、例えば、製造装置の階層に関する知識を保持する。図４に、コンテキスト知識ベース内のコンセプトと関連が示される。いわゆる従来使用されているリソースディスクリプションフレームワーク（ＲＤＦ［１］）を使用できる。例えば、タイプＲｏｂｏｔの一つ一つは、タイプＥｑｕｉｐｍｅｎｔの一つ一つでもある。セマンティック三つ組形式で次のように表される。
＜Ｒｏｂｏｔ；ｓｕｂｃｌａｓｓＯｆ；Ｅｑｕｉｐｍｅｎｔ＞
ここで、Ｒｏｂｏｔがサブジェクトの場合、ｓｕｂｃｌａｓｓＯｆがプロパティであり、Ｅｑｕｉｐｍｅｎｔが三つ組のオブジェクトである。
＜Ｒｏｂｏｔ；ｓｕｂｃｌａｓｓＯｆ；Ｅｑｕｉｐｍｅｎｔ＞
ここで、Ｒｏｂｏｔがサブジェクトの場合、ｓｕｂｃｌａｓｓＯｆがプロパティであり、Ｅｑｕｉｐｍｅｎｔが三つ組のオブジェクトである。
ＡＢｏｘ Ａは、Ｔで定義されたタイプの具体的インスタンス（concrete instance）に関するアサーションを指定する。例えば、以下のようなプラントトポロジー情報である。
＜Ｒｏｂｏ−１；ｔｙｐｅ；Ｒｏｂｏｔ＞，＜Ｒｏｂｏ−１；ｕｓｅｄＩｎ；ＢｏｄｙＷｅｌｄｉｎｇ＞
これらの３つの三つ組は、プロパティｕｓｅｄＩｎを介して具体的個体Ｒｏｂｏ−１を具体的プロセスＢｏｄｙＷｅｌｄｉｎｇと関連付ける。
＜Ｒｏｂｏ−１；ｔｙｐｅ；Ｒｏｂｏｔ＞，＜Ｒｏｂｏ−１；ｕｓｅｄＩｎ；ＢｏｄｙＷｅｌｄｉｎｇ＞
これらの３つの三つ組は、プロパティｕｓｅｄＩｎを介して具体的個体Ｒｏｂｏ−１を具体的プロセスＢｏｄｙＷｅｌｄｉｎｇと関連付ける。
図５に、製造コンテキストモデルを例示する。コンテキストタイプ（クラス）は、円で示され、具体的な個々は、菱形で示される。ＢｏｄｙＷｅｌｄｉｎｇからＲｏｂｏ−１への×印が付けられた関係ｕｓｅｄＩｎは、コンテキスト変化、例えば、Ｒｏｂｏ−１が新しいロボットＲｏｂｏ−２によって置き換えられたことを示す。このような機器変更の情報は、例えば、情報モデル変更を配布するＯＰＣ ＵＡクライアントサーバアーキテクチャによって得られる。
以上、製造プロセスにおけるコンテキストの概念について述べた。以下では、コンテキストにおける解析モデルについて説明する。
形式的に、次のような１組の解析モデルがあると仮定する。
Ａ＝｛Ｍ１；Ｍ２；…；Ｍｋ｝
これは同じタスクに使用でき、各モデルは、ＯＭ１；ＯＭ２；…；ＯＭｋと示されたローカルコンテキストが割り当てられる。それにより、可能な全てのコンテキストから解析モデルへのマッピングＦを見つけなければならない。
Ａ＝｛Ｍ１；Ｍ２；…；Ｍｋ｝
これは同じタスクに使用でき、各モデルは、ＯＭ１；ＯＭ２；…；ＯＭｋと示されたローカルコンテキストが割り当てられる。それにより、可能な全てのコンテキストから解析モデルへのマッピングＦを見つけなければならない。
Ｆ；２°→Ａ （１）
この関数は、例えば、基礎グローバルコンテキストＯに基づいてサンプリングされた新しい未知の入力ベクトルｘ’を分類したい場合に、所定の状況の最適解析モデルを見つけるのに必要である。式（２）は、この状況を示す。
この関数は、例えば、基礎グローバルコンテキストＯに基づいてサンプリングされた新しい未知の入力ベクトルｘ’を分類したい場合に、所定の状況の最適解析モデルを見つけるのに必要である。式（２）は、この状況を示す。
Ｆ（Ｏ）＝Ｍ＊ （２）
ここで、Ｍ＊は、なんらかのパフォーマンス基準に対する最適解析モデルであり、Ｏは、カレントグローバルコンテキストである。
ここで、Ｍ＊は、なんらかのパフォーマンス基準に対する最適解析モデルであり、Ｏは、カレントグローバルコンテキストである。
ＭＯＭ内のコンテキストアウェア解析モデルの問題設定は、より詳細には［２］に述べられている。
物事をより分かりやすくするために、ジョブショップ生産環境で幾つかの機械を制御するＭＥＳシステムからなる自動化製造プロセスを検討する。機械の処理時間が一定ではないので、ＭＥＳは、ジョブショップスケジューリング及びディスパッチングに機械の平均処理時間の単純な推定値を使用する。
しかしながら、頻繁な切り替え、保守事象及び様々な製品タイプの材料の高い多様性によって、これらの平均推定値は不正確であり、これにより、最終的に、スケジューリング計画が非効率的で最適でなくなる。
この欠点を克服するため、処理時間エスティメータ（解析モデル）は、切り替え、保守事象など（いわゆる、コンテキスト）をアウェアしなければならない。例えば、コンテキストＡＢｏｘは、次のように指定できる。
Ａ＝＜ＭＥＳ；ｃｏｎｔｒｏｌｓ；Ｒｏｂｏ−１＞，＜Ｒｏｂｏ−１；ｐｒｏｄｕｃｅｓ；Ｐ１＞；…
これは、Ｐ１が作成されるときの状況を示す。製造プロセスのコンテキストが変化し次第、それに応じて解析モデル、例えば状況ごとに異なるエスティメータを適応させなければならない。
Ａ＝＜ＭＥＳ；ｃｏｎｔｒｏｌｓ；Ｒｏｂｏ−１＞，＜Ｒｏｂｏ−１；ｐｒｏｄｕｃｅｓ；Ｐ１＞；…
これは、Ｐ１が作成されるときの状況を示す。製造プロセスのコンテキストが変化し次第、それに応じて解析モデル、例えば状況ごとに異なるエスティメータを適応させなければならない。
ＭＯＭ環境で動作するシステムの莫大な量のデータを考えると、情報の全ての変更ビットを追跡するのは非効率的である。しかしながら、特定の状況で関連する変更を追跡することは有用である。全ての解析モデルＭは、グローバルコンテキストの指定サブセットを追跡する。この背後にある概念は、コンテキストの小さな初期指定サブセットから始まって、解析モデルＭが、そのコンテキストをパフォーマンスへのコンテキストの影響に基づいて連続かつ自動的に拡張しなければならないということである。まず、モデルの最初に追跡されたコンテキストだけが、その入力変量と直接関連付けられたコンテキストインスタンスを含む。
機械番号１の処理時間エスティメータモデルＭ１の初期コンテキストは、次の通りでよい。
｛＜ＭＥＳ；ｍｏｎｉｔｏｒｓ；Ｒｏｂｏ−１＞｝
｛＜ＭＥＳ；ｍｏｎｉｔｏｒｓ；Ｒｏｂｏ−１＞｝
製品Ｐ１から製品Ｐ２に切り替わった後、Ｍ１によって作成される誤りが著しく増大する。したがって、そのコンテキストは、次のように、関連付けられた前の状況によって拡張されるべきである。
｛＜Ｒｏｂｏ−１；ｐｒｏｄｕｃｅｓ；Ｐ１＞｝
｛＜Ｒｏｂｏ−１；ｐｒｏｄｕｃｅｓ；Ｐ１＞｝
更に、製品Ｐ２が作成される状況では新しいエスティメータモデルＭ１’が導入される。したがって、これは次のようにコンテキストと関連付けられる。
｛＜Ｒｏｂｏ−１；ｐｒｏｄｕｃｅｓ；Ｐ２＞｝
｛＜Ｒｏｂｏ−１；ｐｒｏｄｕｃｅｓ；Ｐ２＞｝
このような発展的なコンテキスト情報の追跡は、主に、次のような２つの目的に役立つ。
１）繰り返し状況の検出。特定の解析モデルが適切に機能することを知る。
２）コンセプトドリフトを引き起こした予測不能な事象を説明し未知の依存性を明らかにする。
１）繰り返し状況の検出。特定の解析モデルが適切に機能することを知る。
２）コンセプトドリフトを引き起こした予測不能な事象を説明し未知の依存性を明らかにする。
突然のコンセプトドリフトは、コンテキストが変化するとすぐに、処理時間の推定量に影響を及ぼし、したがって、最適なスケジューリングソリューションを保証するには、そのような変化を検出しなければならない。
一般に、コンテキストアウェア解析は、状況依存性を考慮する必要があり、これにより、より同等で均一なデータをより少ない原因不明ノイズで使用できる。この概念を実現するため、システムアーキテクチャは、図３に示された以下のステップ１）〜６）を含む決定樹のような手順を定義できる。
１） 開始決定ノードで、コンテキストブローカは、カレントコンテキストを以前のコンテキストと比較することによってコンテキスト変化について通知し、全てのモデルは、変更により影響を受けるエンティティを現在追跡しているかどうか確認する。
２） コンテキスト変化が起きた場合、コンセプトドリフト検証は、モデルのトレーニングデータをコンテキスト変化が起きた後でサンプリング又はブートストラップされたデータと比較することによって、モデルのトレーニングデータのデータ配布の変化を検査する。例えば、コンセプトドリフト検証は、Ｐａｇｅ−Ｈｉｎｋｌｅｙ検査［４］を使用できる。この検査の利点は、メモリ内に我々のモデルの誤差（平均二乗誤差）を維持するだけでよく、したがって、コンセプトドリフト検査を行うために大量のヒストリデータポイントを必要としないことである。
３） コンセプトドリフトが検証されその結果モデルが適応され、即ち、ポストコンセプトドリフトデータに基づいて再トレーニングされ、ヒストリのコンテキスト変化が追跡される。新しい解析モデルが、初期追跡コンテキストとしてそれぞれのコンテキスト変化と共に導入され得る。最後に、グローバルコンテキスト知識ベースも変更を認める。
４） 知識ベース及びヒストリに応じてコンテキスト変化が起きない場合、コンテキスト変化によって検出されないランダムコンセプトドリフトのための検査が採用される。
５） コンセプトドリフトが検証されその結果モデルが適応され、即ち、ポストコンセプトドリフトデータに基づいて再トレーニングされ、ヒストリのコンテキスト変化が追跡される。コンセプトドリフトが、コンテキストの前の変化（「ランダム」ドリフト）なしに検出された場合は、現在追跡されているコンテキストは不完全である。例えば、コンテキストは、グローバルコンテキスト知識ベースＯの隣接コンテキストにより拡張できる。コンテキストは、この場合もコンセプトドリフトフィードバック、即ち、変量が異常又は制御不能な挙動を示すかどうかを決定する統計的検定を使用して、動的に拡張されなければならない。即ち、モデルは、事前に説明されない／「ランダム」コンセプトドリフトを正当化するコンテキストを探そうとする。各モデルの初期コンテキストを拡張するため、インターバルベースの「ランダム」コンセプトドリフト検出が実行される。そのようなドリフトが、モデルＭの追跡コンテキストの事前変化なしに検出された場合は、グローバルコンテキスト知識ベースの隣接三つ組で拡張される。隣接三つ組とは、グローバルコンテキスト知識ベースにおける三つ組＜ｓ；ｐ；ｏ＞であり、ここで、ｓ又はｏがローカルコンテキストで追跡される。
６） コンセプトドリフトを検証できず検出できない場合は、既存モデルをまだ使用できる。
１） 開始決定ノードで、コンテキストブローカは、カレントコンテキストを以前のコンテキストと比較することによってコンテキスト変化について通知し、全てのモデルは、変更により影響を受けるエンティティを現在追跡しているかどうか確認する。
２） コンテキスト変化が起きた場合、コンセプトドリフト検証は、モデルのトレーニングデータをコンテキスト変化が起きた後でサンプリング又はブートストラップされたデータと比較することによって、モデルのトレーニングデータのデータ配布の変化を検査する。例えば、コンセプトドリフト検証は、Ｐａｇｅ−Ｈｉｎｋｌｅｙ検査［４］を使用できる。この検査の利点は、メモリ内に我々のモデルの誤差（平均二乗誤差）を維持するだけでよく、したがって、コンセプトドリフト検査を行うために大量のヒストリデータポイントを必要としないことである。
３） コンセプトドリフトが検証されその結果モデルが適応され、即ち、ポストコンセプトドリフトデータに基づいて再トレーニングされ、ヒストリのコンテキスト変化が追跡される。新しい解析モデルが、初期追跡コンテキストとしてそれぞれのコンテキスト変化と共に導入され得る。最後に、グローバルコンテキスト知識ベースも変更を認める。
４） 知識ベース及びヒストリに応じてコンテキスト変化が起きない場合、コンテキスト変化によって検出されないランダムコンセプトドリフトのための検査が採用される。
５） コンセプトドリフトが検証されその結果モデルが適応され、即ち、ポストコンセプトドリフトデータに基づいて再トレーニングされ、ヒストリのコンテキスト変化が追跡される。コンセプトドリフトが、コンテキストの前の変化（「ランダム」ドリフト）なしに検出された場合は、現在追跡されているコンテキストは不完全である。例えば、コンテキストは、グローバルコンテキスト知識ベースＯの隣接コンテキストにより拡張できる。コンテキストは、この場合もコンセプトドリフトフィードバック、即ち、変量が異常又は制御不能な挙動を示すかどうかを決定する統計的検定を使用して、動的に拡張されなければならない。即ち、モデルは、事前に説明されない／「ランダム」コンセプトドリフトを正当化するコンテキストを探そうとする。各モデルの初期コンテキストを拡張するため、インターバルベースの「ランダム」コンセプトドリフト検出が実行される。そのようなドリフトが、モデルＭの追跡コンテキストの事前変化なしに検出された場合は、グローバルコンテキスト知識ベースの隣接三つ組で拡張される。隣接三つ組とは、グローバルコンテキスト知識ベースにおける三つ組＜ｓ；ｐ；ｏ＞であり、ここで、ｓ又はｏがローカルコンテキストで追跡される。
６） コンセプトドリフトを検証できず検出できない場合は、既存モデルをまだ使用できる。
前述のコンテキスト変化「Ｒｏｂｏ−１が新しいＲｏｂｏｔ Ｒｏｂｏ−２と置き換えられた」は、次のように考えられる。
メーカーの２つの異なる製品タイプＰ１及びＰ２が、両方とも支給材料アルミニウムから作成される。また、同じ溶接ロボット（Ｒｏｂｏ−１）が、両方の製品の組み立て（本体溶接）に使用される。メーカーは、受入材料（アルミニウム加工片）が欠陥製品の原因にならないかどうかを到着時に予測したい。予測ロジスティック回帰モデルでよい解析モデルをトレーニングするため、その品質管理センサが、受入材料の寸法を測定し、不具合製品ができたかどうか監視する。トレーニングデータは、以下のように見える。
表の太字は変更コンテキストを表わし、この場合、溶接ロボットＲｏｂｏ−１が新しいＲｏｂｏ−２予測モデルと置き換えられている。予測は、いわゆるロジスティック回帰モデルによって行われる。次のようにプレコンテキスト変化データセットＸ１に基づいてトレーニングされた１つの既存モデルがある。
ロジスティック回帰：ＬＲ（Ｘ１）＝ｙ
ここで、Ｘ１は独立変数（製品のタイプ、高さ、長さ、幅）からなり、ｙは従属変数（不具合）である。
ロジスティック回帰：ＬＲ（Ｘ１）＝ｙ
ここで、Ｘ１は独立変数（製品のタイプ、高さ、長さ、幅）からなり、ｙは従属変数（不具合）である。
コンテキスト知識ベースは、エンジニアが現場でＲｏｂｏ−１をＲｏｂｏ−２と置き換えるときに新しいＯＰＣ ＵＡ情報により更新される。図５を参照されたい。ここで、新しく導入された「Ｒｏｂｏ−２」と、「ＢｏｄｙＷｅｌｄｉｎｇ」プロセスに対するシフト関係が示される。
コンセプトドリフト検証：
コンセプトドリフト検証（例えば、［５］に述べられている）は、コンテキストを表わすプレドリフト及びポストドリフトデータセット（前に示した表を参照）を比較することによって、モデルのトレーニングデータのデータ配布の変化を試験する。コンテキスト変化が、実際に、データセット配布における統計的に有意なコンセプトドリフトを意味する場合は、次の２つの可能性がある。
１．コンセプトドリフトが検証された場合、ロジスティック回帰モデルＬＲが最新データにより再トレーニングされ、即ち、ＬＲ（Ｘ２）＝ｙ。
２．あるいは、既存モデルＬＲ（Ｘ１）＝ｙをそのまま使用でき、再トレーニングは必要ない。
コンセプトドリフト検証（例えば、［５］に述べられている）は、コンテキストを表わすプレドリフト及びポストドリフトデータセット（前に示した表を参照）を比較することによって、モデルのトレーニングデータのデータ配布の変化を試験する。コンテキスト変化が、実際に、データセット配布における統計的に有意なコンセプトドリフトを意味する場合は、次の２つの可能性がある。
１．コンセプトドリフトが検証された場合、ロジスティック回帰モデルＬＲが最新データにより再トレーニングされ、即ち、ＬＲ（Ｘ２）＝ｙ。
２．あるいは、既存モデルＬＲ（Ｘ１）＝ｙをそのまま使用でき、再トレーニングは必要ない。
最初のケースでは、コンテキスト変化の影響がきわめて大きかったので、コンテキスト知識ヒストリＨは、以下のような変更された公理を追跡する。
Ｒｅｍｏｖｅｄ：＝｛Ｒｏｂｏｔ（Ｒｏｂｏ−１），ｕｓｅｓ（ＢｏｄｙＷｅｌｄｉｎｇ，Ｒｏｂｏ−１）｝
Ａｄｄｅｄ：＝｛Ｒｏｂｏｔ（Ｒｏｂｏ−２），ｕｓｅｓ（ＢｏｄｙＷｅｌｄｉｎｇ，Ｒｏｂｏ−２）｝
Ｒｅｍｏｖｅｄ：＝｛Ｒｏｂｏｔ（Ｒｏｂｏ−１），ｕｓｅｓ（ＢｏｄｙＷｅｌｄｉｎｇ，Ｒｏｂｏ−１）｝
Ａｄｄｅｄ：＝｛Ｒｏｂｏｔ（Ｒｏｂｏ−２），ｕｓｅｓ（ＢｏｄｙＷｅｌｄｉｎｇ，Ｒｏｂｏ−２）｝
元のコンテキストが復元される場合、即ち、保守により、従前のロボットＲｏｂｏ−１がＲｏｂｏ−２の代わりに一時的に使用される場合は、コンテキストヒストリが、この繰り返し状況を検出し、解析が予測モデルＬＲ（Ｘ１）に自動的に切り替わる。
当然のことながら、添付した特許請求の範囲に列挙された要素及び特徴は様々な方法で組み合わせることができ、同じく本発明の範囲内にある新しい請求項を生み出し得る。すなわち、引用形式請求項は、１つの独立又は引用形式請求項を引用するが、これに限らず、引用形式請求項は、先行する又は後続の請求項を、それが独立形式であっても引用形式であっても、引用するように作成することもでき、そのような新しい組み合わせは、本明細書の一部を構成すると解釈されるべきである。
−参考文献−
［１］ http://www.w3.org/RDF/
［２］ Ringsquandl, M., Lamparter, S., and Lepratti, R. (2014). Context-aware Analytics in MOM Applications.6th International Workshop on Acquisition, Representation and Reasoning about Context with Logic (EKAW14).
［３］ Dey, A.K. (2001). Understanding and using context. Personal and ubiquitous computing.
［４］ Page, E. (1954).Continuous Inspection Schemes. Biometrika, 41(1), 100-115.
［５］ Jerome H. Friedman and Lawrence C. Rafsky. Multivariate generalizations of the Wald-Wolfowitz and Smirnov two-sample tests. Annals of Statistics, 7 (4): 697{717, 1979
［６］ Arthur Gretton, Karsten M. Borgwardt, Malte Rasch, Bern- hard Scholkopf, and Alexander J. Smola. A kernel method for the two- sample-problem. In NIPS, 2006
［７］ K.O. Stanley. Learning Concept Drift with a Commitee of Decision Trees. Technical Report AI-03-302, Department of Computer Sciences, University of Texas at Austin, 2003.
［１］ http://www.w3.org/RDF/
［２］ Ringsquandl, M., Lamparter, S., and Lepratti, R. (2014). Context-aware Analytics in MOM Applications.6th International Workshop on Acquisition, Representation and Reasoning about Context with Logic (EKAW14).
［３］ Dey, A.K. (2001). Understanding and using context. Personal and ubiquitous computing.
［４］ Page, E. (1954).Continuous Inspection Schemes. Biometrika, 41(1), 100-115.
［５］ Jerome H. Friedman and Lawrence C. Rafsky. Multivariate generalizations of the Wald-Wolfowitz and Smirnov two-sample tests. Annals of Statistics, 7 (4): 697{717, 1979
［６］ Arthur Gretton, Karsten M. Borgwardt, Malte Rasch, Bern- hard Scholkopf, and Alexander J. Smola. A kernel method for the two- sample-problem. In NIPS, 2006
［７］ K.O. Stanley. Learning Concept Drift with a Commitee of Decision Trees. Technical Report AI-03-302, Department of Computer Sciences, University of Texas at Austin, 2003.
Claims (13)
- 自動化システムを動作させる方法であって、
ａ） 自動化プロセスのコンテキストを含むプロセスデータ（Ｄ）によってトレーニングされる前記自動化システムのための学習ベース予測モデル（Ｍ）を用意するステップと、
ｂ） 前記自動化プロセスのカレントコンテキストに関する情報を受け取るステップと、
ｃ） 前記カレントコンテキストを前記プロセスデータのコンテキストと比較することによってコンテキスト変化を検証するステップと、
ｄ） コンテキスト変化がある場合に、プレドリフトプロセスデータとポストドリフトプロセスデータを比較することによってコンセプトドリフトを検証するステップと、
ｅ） コンセプトドリフトがある場合に、前記モデル（Ｍ）をポストドリフトプロセスデータで再トレーニングするステップと、
ｆ） コンテキスト変化がない場合に、コンテキスト変化の検証で検出されないランダムコンセプトドリフトを検査するステップと、
ｇ） ランダムコンセプトドリフトがある場合に、前のコンテキスト変化を含むデータを使用することによって前記カレントコンテキストを拡張することで、当該カレントコンテキストが、処理時間の推定に対する前記コンテキストの影響に基づいて自動的に拡張される、ステップと、
ｈ） コンセプトドリフトがない場合及びランダムコンセプトドリフトがない場合に、既存の前記モデル（Ｍ）を使用するステップとを含む、方法。 - コンテキスト変化なしでランダムコンセプトドリフトが検出された場合に、前記カレントコンテキストが、コンテキスト知識ベース（Ｏ）に記憶された隣接三つ組で拡張され、該隣接三つ組は、三つ組＜ｓ；ｐ；ｏ＞であり、ｓが三つ組のサブジェクト、ｐが三つ組のプロパティ、そしてｏが三つ組のオブジェクトであって、ｓ又はｏが前記カレントコンテキストで追跡される、請求項１に記載の方法。
- 前記コンテキスト知識ベースが、コンテキスト知識ヒストリ（Ｈ）を含む、請求項２に記載の方法。
- コンテキストが、製品、自動化プロセスステップ、及び前記自動化プロセスに使用される装置のいずれか１つ以上の特徴によって表わされる、請求項１〜３のいずれか１項に記載の方法。
- 前記モデル（Ｍ）が、１組のコンテキストの指定サブセットを追跡する、請求項１〜４のいずれか１項に記載の方法。
- 最初に追跡された前記指定サブセットが、そのトレーニングに使用されるプロセスデータと直接関連付けられたコンテキストインスタンスのみを含む、請求項５に記載の方法。
- 前記予測モデル（Ｍ）が、不具合予測モデルを表わす、請求項１〜６のいずれか１項に記載の方法。
- 自動化システムを動作させる装置（ＣＢ）であって、
ａ） 自動化プロセスのコンテキストを含むプロセスデータによってトレーニングされた前記自動化システムのための学習ベース予測モデル（Ｍ）を取得する手段と、
ｂ） 前記自動化プロセスのカレントコンテキストに関する情報を受け取る手段と、
ｃ） 前記カレントコンテキストを前記プロセスデータのコンテキストと比較することによってコンテキスト変化を検証する手段と、
ｄ） コンテキスト変化がある場合に、プレドリフトプロセスデータとポストドリフトプロセスデータを比較することによってコンセプトドリフトを検証する手段と、
ｅ） コンセプトドリフトがある場合に、前記モデル（Ｍ）を再トレーニングするポストドリフトプロセスデータを提供する手段と、
ｆ） コンテキスト変化がない場合に、コンテキスト変化の検証で検出されないランダムコンセプトドリフトを検査する手段と、
ｇ） ランダムコンセプトドリフトがある場合に、前のコンテキスト変化を含むデータを使用することによって前記カレントコンテキストを拡張することで、当該カレントコンテキストが、処理時間の推定に対する前記コンテキストの影響に基づいて自動的に拡張される、手段と、
ｈ） コンセプトドリフトがない場合及びランダムコンセプトドリフトがない場合に、既存の前記モデル（Ｍ）を使用する手段とを含む装置。 - コンテキスト知識ベースを含む、請求項８に記載の装置。
- 前記コンテキスト知識ベースが、コンテキスト知識ヒストリ（Ｈ）を含む、請求項９に記載の装置。
- 自動化システムのための学習ベース予測モデルをトレーニングする装置（ＣＡ）であって、
ａ） 自動化プロセスのコンテキストを含むプロセスデータによってトレーニングされた前記自動化システムのための学習ベース予測モデル（Ｍ）を提供する手段と、
ｂ） 請求項８，９又は１０に記載の装置によって検査されたコンセプトドリフトがある場合に、前記モデル（Ｍ）を再トレーニングするためのポストドリフトプロセスデータを受け取る手段とを含む装置。 - 前記予測モデル（Ｍ）が、不具合予測モデルを表わす、請求項８〜１１のいずれか１項に記載の装置。
- コンピュータの内部メモリに直接ロード可能なコンピュータプログラムであって、該コンピュータプログラムがコンピュータで実行されるときに請求項１〜７のいずれか１項に記載の方法に係るステップを実行させるソフトウェアコード部分を含む、コンピュータプログラム。
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102015206913.3 | 2015-04-16 | ||
| DE102015206913 | 2015-04-16 | ||
| PCT/EP2016/056512 WO2016165923A1 (en) | 2015-04-16 | 2016-03-24 | Method and apparatus for operating an automation system |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2018513490A JP2018513490A (ja) | 2018-05-24 |
| JP6650468B2 true JP6650468B2 (ja) | 2020-02-19 |
Family
ID=55699613
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017554377A Active JP6650468B2 (ja) | 2015-04-16 | 2016-03-24 | 自動化システムを動作させる方法及び装置 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US11030536B2 (ja) |
| EP (1) | EP3256993B1 (ja) |
| JP (1) | JP6650468B2 (ja) |
| CN (1) | CN107430711B (ja) |
| WO (1) | WO2016165923A1 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11754985B2 (en) | 2020-04-20 | 2023-09-12 | Kabushiki Kaisha Toshiba | Information processing apparatus, information processing method and computer program product |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP3432236A1 (en) * | 2017-07-18 | 2019-01-23 | Siemens Aktiengesellschaft | Method and system for automatic maintenance of a machine |
| EP3514742A1 (en) * | 2018-01-19 | 2019-07-24 | Siemens Aktiengesellschaft | Collecting data from a data-source into a mom data warehouse |
| KR102662252B1 (ko) * | 2018-11-20 | 2024-04-29 | 지멘스 악티엔게젤샤프트 | 자동화 목적들을 위한 데이터 모델을 타겟 온톨로지로 변환하기 위한 방법 |
| JP7109346B2 (ja) * | 2018-11-29 | 2022-07-29 | 株式会社日立製作所 | 実績データ管理装置 |
| US11410052B2 (en) | 2019-01-24 | 2022-08-09 | International Business Machines Corporation | System for minimizing reevaluation of a ground truth corpus in response to concept drift |
| EP3736754A1 (en) * | 2019-05-09 | 2020-11-11 | Siemens Aktiengesellschaft | A method and apparatus for providing predictions of key performance indicators of a complex manufacturing system |
| US20210133632A1 (en) * | 2019-11-04 | 2021-05-06 | Domino Data Lab, Inc. | Systems and methods for model monitoring |
| KR102295100B1 (ko) * | 2019-11-12 | 2021-08-31 | 한국전자기술연구원 | AutomationML 데이터 모델을 OPC UA 정보 모델로 변환하는 방법 및 그 장치 |
| US20210374635A1 (en) * | 2020-05-29 | 2021-12-02 | Zebra Technologies Corporation | Scalable assistive data generation and delivery |
| CN111652379B (zh) * | 2020-05-29 | 2024-04-16 | 京东城市(北京)数字科技有限公司 | 模型管理方法、装置、电子设备及存储介质 |
| CN111756809B (zh) * | 2020-05-29 | 2021-06-08 | 华南理工大学 | 一种面向智能制造的即插即生产工业适配器及其应用 |
| JP7434073B2 (ja) | 2020-06-16 | 2024-02-20 | 株式会社日立製作所 | モデル運用支援システム及び方法 |
| DE102021125887A1 (de) | 2020-10-06 | 2022-04-07 | Hochschule für Technik und Wirtschaft Dresden, Körperschaft des öffentlichen Rechts | Computerimplementiertes Regelsystem zur adaptiven, regelbasierten Entscheidungsunterstützung für modular aufgebaute, industrielle Fertigungsumgebungen |
| WO2023058433A1 (ja) * | 2021-10-06 | 2023-04-13 | ソニーグループ株式会社 | 学習装置、学習方法、センシングデバイス及びデータ収集方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6915172B2 (en) | 2001-11-21 | 2005-07-05 | General Electric | Method, system and storage medium for enhancing process control |
| CN1776730A (zh) * | 2004-11-19 | 2006-05-24 | 西门子公司 | 技术过程任务作业管理的权限上下文的产生和管理 |
| US7280885B1 (en) * | 2004-12-01 | 2007-10-09 | Advanced Micro Devices, Inc. | Method and apparatus to reconcile recipe manager and manufacturing execution system context configurations |
| US8650539B2 (en) * | 2006-12-21 | 2014-02-11 | Siemens Aktiengesellschaft | Method for mapping the structure of a complex software product |
| KR100868331B1 (ko) * | 2007-02-23 | 2008-11-11 | 성균관대학교산학협력단 | 상황인식을 위한 온톨로지 시스템과 그 온톨로지 관리 방법및 이를 기록한 기록매체 |
| WO2013097892A1 (en) * | 2011-12-28 | 2013-07-04 | Siemens Aktiengesellschaft | Processing a technical system |
| US8922579B2 (en) * | 2012-03-05 | 2014-12-30 | Microsoft Corporation | Deterministic visual indication of user data context |
| US20150364051A1 (en) * | 2014-06-12 | 2015-12-17 | Apollo Education Group, Inc. | Generating a comprehension indicator that indicates how well an individual understood the subject matter covered by a test |
-
2016
- 2016-03-24 CN CN201680022052.6A patent/CN107430711B/zh active Active
- 2016-03-24 EP EP16715260.2A patent/EP3256993B1/en active Active
- 2016-03-24 JP JP2017554377A patent/JP6650468B2/ja active Active
- 2016-03-24 US US15/565,795 patent/US11030536B2/en active Active
- 2016-03-24 WO PCT/EP2016/056512 patent/WO2016165923A1/en active Application Filing
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11754985B2 (en) | 2020-04-20 | 2023-09-12 | Kabushiki Kaisha Toshiba | Information processing apparatus, information processing method and computer program product |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3256993A1 (en) | 2017-12-20 |
| CN107430711B (zh) | 2022-02-08 |
| US11030536B2 (en) | 2021-06-08 |
| CN107430711A (zh) | 2017-12-01 |
| US20180121815A1 (en) | 2018-05-03 |
| EP3256993B1 (en) | 2021-06-16 |
| WO2016165923A1 (en) | 2016-10-20 |
| JP2018513490A (ja) | 2018-05-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6650468B2 (ja) | 自動化システムを動作させる方法及び装置 | |
| Ademujimi et al. | A review of current machine learning techniques used in manufacturing diagnosis | |
| US11029359B2 (en) | Failure detection and classsification using sensor data and/or measurement data | |
| JP6716297B2 (ja) | 予測信頼性マイニングのためのシステム及び方法 | |
| US9262255B2 (en) | Multi-stage failure analysis and prediction | |
| US10776706B2 (en) | Cost-driven system and method for predictive equipment failure detection | |
| US11900275B2 (en) | Proactively detecting and predicting potential breakage or support issues for impending code changes | |
| US20230176562A1 (en) | Providing an alarm relating to anomaly scores assigned to input data method and system | |
| Lechevalier et al. | A methodology for the semi-automatic generation of analytical models in manufacturing | |
| US11775714B2 (en) | Rational decision-making tool for semiconductor processes | |
| US20230289568A1 (en) | Providing an alarm relating to an accuracy of a trained function method and system | |
| Jin et al. | A comprehensive framework of factory-to-factory dynamic fleet-level prognostics and operation management for geographically distributed assets | |
| Gopalakrishnan et al. | IIoT Framework Based ML Model to Improve Automobile Industry Product. | |
| Kaur et al. | Various techniques to detect and predict faults in software system: survey | |
| US11928047B2 (en) | Contextual data generation for application testing in mixed reality simulations | |
| KR20180096834A (ko) | Ｓｖｒ을 이용한 제조 공정의 최적 작업 조건을 예측하기 위한 작업 조건 예측 방법 및 시스템 | |
| Simeu-Abazi et al. | Monitoring and predictive maintenance: Modeling and analyse of fault latency | |
| Filz et al. | Systematic planning of quality inspection strategies in manufacturing systems | |
| GB2590414A (en) | Anomaly detection for code management | |
| GB2590416A (en) | Logistic model for code management | |
| US20240311275A1 (en) | Automatic impact assessment of bugs on operations and change requests (cr) | |
| Cinar et al. | Cost-sensitive optimization of automated inspection | |
| Catti et al. | Data Analytics and AI for Quality Assurance in Manufacturing: Challenges and Opportunities | |
| Tong et al. | A Fine-grained Semi-supervised Anomaly Detection Framework for Predictive Maintenance of Industrial Assets | |
| EP3839728A1 (en) | Logistic model for code management |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180122 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190110 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190205 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20190422 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20190704 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190722 |
|
| 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: 20191224 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200120 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6650468 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |