JP6662830B2

JP6662830B2 - 予測装置、機械学習装置、制御装置、及び生産システム

Info

Publication number: JP6662830B2
Application number: JP2017178513A
Authority: JP
Inventors: 丈嗣津田; 戸田　俊太郎; 俊太郎戸田
Original assignee: FANUC Corp
Current assignee: FANUC Corp
Priority date: 2017-09-19
Filing date: 2017-09-19
Publication date: 2020-03-11
Anticipated expiration: 2037-09-19
Also published as: CN109521734A; US20190086980A1; DE102018122695A1; JP2019053634A; US11275421B2

Description

本発明は生産システムに関し、特に電力が不安定になることを予測して問題を回避する行動をとることが可能な生産システムに関する。

電源事情が不安定な場所や地域では、急な電圧降下や瞬間的な停電等により、生産システムが正常な手順を経ずに電源を断たれることがある。これにより、生産システムには様々な問題が生じうる。例えば復旧に支障が生じたり、機械が故障又は破損したり、加工途中のワークが不良となったり、ロボットが把持していた物を落としてしまったりするなどである。

このような問題に取り組んだ先行技術として特許文献１がある。特許文献１には、無停電電源装置が電力の入力断を検知するとＣＰＵに対して割り込み信号を出力し、ＣＰＵが停電（無停電電源装置の停止）に備えてデータを記憶装置に退避させることで、データを破壊から保護することが記載されている。

特開平０７−０２８５７２号公報

しかしながら、特許文献１記載の手法は無停電電源装置を必須構成要素とするものであり、無停電電源装置の無い環境には適用できない。例えば工場内に多数の工作機械やロボット等がある場合、全ての工作機械やロボット等が無停電電源装置でバックアップされていなければならないが、これには多大なコストを要する。また特許文献１記載は、工作機械やロボット等を含む生産システムにおける、電力が不安定になった際の問題回避策を具体的に提示していない。

本発明はこのような問題点を解決するためになされたものであって、電力が不安定になることを予測して問題を回避する行動をとることが可能な予測装置、機械学習装置、制御装置、及び生産システムを提供することを目的とする。

本発明の一実施の形態にかかる予測装置は、電力が不安定になることを予測する予測装置であって、電源の状態を示す計測データの変化と、電源に発生する障害との関係を学習する機械学習装置を備え、前記機械学習装置は、工場内の電力消費量の計測値を少なくとも含む前記計測データを、環境の現在状態を表す状態変数として観測する状態観測部と、前記障害の発生を示す障害通知を判定データとして取得する判定データ取得部と、前記状態変数と前記判定データとを用いて、計測データの変化と、障害通知と、を関連付けて学習する学習部と、を備える。
本発明の一実施の形態にかかる予測装置は、前記学習部は、前記状態変数と前記判定データとを多層構造で演算する。
本発明の一実施の形態にかかる予測装置は、前記学習部による学習結果に基づいて、前記計測データに応じ前記障害の発生を予測し、前記障害が発生することが予測される場合に、障害予測通知を出力する判定出力部を更に備える。
本発明の一実施の形態にかかる予測装置は、前記機械学習装置は、クラウド、フォグ、エッジコンピューティング環境に配置される。
本発明の一実施の形態にかかる機械学習装置は、電源の状態を示す計測データの変化と、電源に発生する障害との関係を学習する機械学習装置であって、工場内の電力消費量の計測値を少なくとも含む前記計測データを、環境の現在状態を表す状態変数として観測する状態観測部と、前記障害の発生を示す障害通知を判定データとして取得する判定データ取得部と、前記状態変数と前記判定データとを用いて、計測データの変化と、障害通知と、を関連付けて学習する学習部と、を備える。
本発明の一実施の形態にかかる生産システムは、電力が不安定になることを予測する予測装置と、加工機械を制御する制御装置とを含む生産システムであって、前記予測装置は、電源の状態を示す計測データの変化と、電源に発生する障害との関係を学習する機械学習装置を備え、前記機械学習装置は、工場内の電力消費量の計測値を少なくとも含む前記計測データを、環境の現在状態を表す状態変数として観測する状態観測部と、前記障害の発生を示す障害通知を判定データとして取得する判定データ取得部と、前記状態変数と前記判定データとを用いて、計測データの変化と、障害通知と、を関連付けて学習する学習部とを備え、前記制御装置は、電源の状態を示す計測データの変化に基づいて予測された、電源に発生する障害の予測通知を受信する受信部と、前記予測通知を受信したとき、前記加工機械を安全退避状態まで移行させる退避動作制御部とを備える。

本発明によれば、電力が不安定になることを予測して問題を回避する行動をとることが可能な予測装置、機械学習装置、制御装置、及び生産システムを提供することができる。

予測装置１００の構成を示すブロック図である。予測装置１００の構成を示すブロック図である。予測装置１００の構成を示すブロック図である。ニューロンを説明する図である。ニューラルネットワークを説明する図である。予測装置１００の構成を示すブロック図である。予測装置１００の動作を示すフローチャートである。予測装置１００の動作を示すフローチャートである。制御装置２００の構成を示すブロック図である。

本発明の実施の形態について、図面を用いて説明する。
本発明の実施の形態にかかる生産システム１は、電力が不安定になることを予測する予測装置１００、各種工作機械やロボット等の加工機械を制御する１以上の制御装置２００を含む。制御装置２００は、予測装置１００が電力が不安定になることを予測したときに、それによる障害を回避するための行動を取るよう工作機械やロボット等を制御する。

工場内には１以上の制御装置２００が配置され、各制御装置２００が各種工作機械やロボット等を制御する。各制御装置２００は典型的にはＰＬＣ（プログラマブルロジックコントローラ）により集中的に制御される。典型的には、本実施の形態における予測装置１００はこのＰＬＣと通信可能に接続される。又は、予測装置１００はＰＬＣの一機能として実装できる。これにより予測装置１００は、ＰＬＣを介して各制御装置２００と通信を行い、各制御装置２００を制御することができる。あるいは、予測装置１００は、各制御装置２００と通信可能なクラウドコンピューティング、フォグコンピューティング、エッジコンピューティング環境等に配置されても良い。

＜予測装置１００の構成と動作＞
予測装置１００は、工場内の電力消費量や電圧変化等の情報と、停電や電圧低下等の発生情報とを収集し、両者の関係を機械学習によりモデル化する処理を行う（学習過程）。また、学習過程で作成したモデルを使用して、工場内の電力消費量や電圧変化等を観測して停電や電圧低下等の発生を予測する処理を行う（予測過程）。

図１は予測装置１００の要部を示す概略的なハードウェア構成図である。ＣＰＵ１１は、予測装置１００を全体的に制御するプロセッサである。ＣＰＵ１１は、ＲＯＭ１２に格納されたシステム・プログラムをバス２０を介して読み出し、該システム・プログラムに従って予測装置１００全体を制御する。ＲＡＭ１３には一時的な計算データや表示データ及び外部から入力された各種データ等が一時的に格納される。

不揮発性メモリ１４は、例えば図示しないバッテリでバックアップされるなどして、予測装置１００の電源がオフされても記憶状態が保持されるメモリとして構成される。図示しないインタフェースを介して入力された各種プログラムやデータが記憶されている。不揮発性メモリ１４に記憶されたプログラムやデータは、実行時／利用時にはＲＡＭ１３に展開されても良い。また、ＲＯＭ１２には、各種のシステム・プログラムがあらかじめ書き込まれている。

測定装置６０は、工場内の電力消費量を所定の時間間隔で計測、出力する。加えて、測定装置６０は、工場の電圧、地域内の電力消費量、時刻（時間帯）を計測、出力しても良い。工場内の電力消費量、電圧は、工場の配電盤に設置されたセンサ等により取得できる。地域内の電力消費量は、工場の所在地域を所管する変電所等から提供されるものを取得することができる。測定装置６０は、所定の時間間隔（好ましくは秒単位であるが、電源事情等に応じて適宜調整し得る）でこれらの計測データをサンプリングし、予測装置１００に送信する。予測装置１００は、インタフェース１８を介して測定装置６０から計測データを受信し、ＣＰＵ１１に渡す。

電源障害通知装置７０は、電源の障害に関する情報を生成する。電源障害通知装置７０は例えば工場の配電盤に設置されたセンサ等により電圧を監視し、電圧が所定のしきい値より低下した場合に、障害を知らせる通知信号（以下、障害通知）を出力する。予測装置１００は、インタフェース１９を介して電源障害通知装置７０から通知を受信し、ＣＰＵ１１に渡す。

インタフェース２１は、予測装置１００と機械学習装置３００とを接続するためのインタフェースである。機械学習装置３００は、機械学習装置３００全体を統御するプロセッサ３０１と、システム・プログラム等を記憶したＲＯＭ３０２、機械学習に係る各処理における一時的な記憶を行うためのＲＡＭ３０３、及び学習モデル等の記憶に用いられる不揮発性メモリ３０４を備える。機械学習装置３００は、インタフェース２１を介して予測装置１００で取得可能な各情報（計測データ、障害通知等）を観測することができる。

図２は、予測装置１００と機械学習装置３００の概略的な機能ブロック図である。機械学習装置３００は、計測データの変化と障害通知との相関関係を、いわゆる機械学習により自ら学習するためのソフトウェア（学習アルゴリズム等）及びハードウェア（プロセッサ３０１等）を含む。予測装置１００が備える機械学習装置３００が学習するものは、計測データの変化と障害通知との相関性を表すモデル構造に相当する。

図２に機能ブロックで示すように、予測装置１００が備える機械学習装置３００は、時系列の計測データを環境の現在状態を表す状態変数Ｓとして観測する状態観測部３０６と、障害通知を判定データＤとして取得する判定データ取得部３０８と、状態変数Ｓと判定データＤとを用いて、計測データの変化と障害通知とを関連付けて学習する学習部３１０とを備える。

状態観測部３０６は、例えばプロセッサ３０１の一機能として構成できる。或いは状態観測部３０６は、例えばプロセッサ３０１を機能させるためのＲＯＭ３０２に記憶されたソフトウェアとして構成できる。状態観測部３０６が観測する状態変数Ｓすなわち時系列の計測データは、測定装置６０が出力するものを取得することができる。測定装置６０は、所定のサンプリング周期で取得された時系列の計測データから、所定の時間にわたって取得された時系列の計測データを抽出し、状態変数Ｓとして状態観測部３０６に出力する。例えば測定装置６０は、計測データを常時取得するとともに、予め定められた一定期間中（例えば最新の計測データの取得時刻から過去１０分間）の計測データを保存する。測定装置６０は、電源障害通知装置７０が障害通知を出力したことを検知し、障害通知がされた時点より過去の、予め定められた一定期間（例えば障害発生時点から過去ｎ分間、又は障害発生のｍ分前から過去ｎ分間など）にわたる時系列の計測データを状態変数Ｓとして出力する。ここでどのような期間の計測データを状態変数Ｓとして採用するかに応じて、電源障害を短期（秒ないし分単位）、中期（数時間単位）又は長期（日単位）で予測できるようになる。また、電源障害が発生するまでの時間を予測することも可能である。例えば障害発生のｍ分前から過去ｎ分間の計測データ用いて学習モデルを作成すれば、当該学習モデルはｍ分後に電源障害が発生する可能性を予測できる。なお測定装置６０が複数の計測データＳ１，Ｓ２，Ｓ３・・・を取得している場合は、これらの複数の時系列の計測データのセットが状態変数Ｓとして出力される。

判定データ取得部３０８は、例えばプロセッサ３０１の一機能として構成できる。或いは判定データ取得部３０８は、例えばプロセッサ３０１を機能させるためのＲＯＭ３０２に記憶されたソフトウェアとして構成できる。判定データ取得部３０８が観測する判定データＤすなわち障害通知は、電源障害通知装置７０が出力するものを取得することができる。

学習部３１０は、例えばプロセッサ３０１の一機能として構成できる。或いは学習部３１０は、例えばプロセッサ３０１を機能させるためのＲＯＭ３０２に記憶されたソフトウェアとして構成できる。学習部３１０は、機械学習と総称される任意の学習アルゴリズムに従い、計測データの変化と障害通知との相関関係を学習する。学習部３１０は、前述した状態変数Ｓと判定データＤとを含むデータ集合に基づく学習を反復実行することができる。

このような学習サイクルを繰り返すことにより、学習部３１０は計測データの変化と障害通知との相関性を暗示する特徴を自動的に識別することができる。学習アルゴリズムの開始時には計測データの変化と障害通知との相関性は実質的に未知であるが、学習部３１０は、学習を進めるに従い徐々に特徴を識別して相関性を解釈する。計測データの変化と障害通知との相関性が、ある程度信頼できる水準まで解釈されると、学習部３１０が反復出力する学習結果は、現在状態（計測データの変化傾向）に対して、障害通知がどのようなものとなるべきかという推定を行うために使用できるものとなる。つまり学習部３１０は、学習アルゴリズムの進行に伴い、計測データの変化と障害通知との相関性を最適解に徐々に近づけることができる。

上記したように、予測装置１００が備える機械学習装置３００は、状態観測部３０６が観測した状態変数Ｓと判定データ取得部３０８が取得した判定データＤとを用いて、学習部３１０が機械学習アルゴリズムに従い、障害通知を学習するものである。状態変数Ｓは外乱の影響を受け難いデータで構成され、また判定データＤは一義的に求められる。したがって、予測装置１００が備える機械学習装置３００によれば、学習部３１０の学習結果を用いることで、計測データの変化に対応する障害通知を、演算や目算によらずに自動的に、しかも正確に求めることができるようになる。

上記構成を有する機械学習装置３００では、学習部３１０が実行する学習アルゴリズムは特に限定されず、機械学習として公知の学習アルゴリズムを採用できる。図３は、図２に示す予測装置１００の一形態であって、学習アルゴリズムの一例として教師あり学習を実行する学習部３１０を備えた構成を示す。教師あり学習は、入力とそれに対応する出力との既知のデータセット（教師データと称する）が予め大量に与えられ、それら教師データから入力と出力との相関性を暗示する特徴を識別することで、新たな入力に対する所要の出力（計測データの変化に対する障害通知）を推定するための相関性モデルを学習する手法である。

図３に示す予測装置１００が備える機械学習装置３００において、学習部３１０は、状態変数Ｓから障害通知を導く相関性モデルＭと予め用意された教師データＴから識別される相関性特徴との誤差Ｅを計算する誤差計算部３１１と、誤差Ｅを縮小するように相関性モデルＭを更新するモデル更新部３１２とを備える。学習部３１０は、モデル更新部３１２が相関性モデルＭの更新を繰り返すことによって計測データの変化と障害通知との相関関係を学習する。

相関性モデルＭは、回帰分析、強化学習、深層学習などで構築することができる。相関性モデルＭの初期値は、例えば、状態変数Ｓと形状データとの相関性を単純化して表現したものとして、教師あり学習の開始前に学習部３１０に与えられる。教師データＴは、例えば、過去の計測データの変化と障害通知との対応関係を記録することで蓄積された経験値（計測データの変化と障害通知との既知のデータセット）によって構成でき、教師あり学習の開始前に学習部３１０に与えられる。誤差計算部３１１は、学習部３１０に与えられた大量の教師データＴから計測データの変化と障害通知との相関性を暗示する相関性特徴を識別し、この相関性特徴と、現在状態における状態変数Ｓに対応する相関性モデルＭとの誤差Ｅを求める。モデル更新部３１２は、例えば予め定めた更新ルールに従い、誤差Ｅが小さくなる方向へ相関性モデルＭを更新する。

次の学習サイクルでは、誤差計算部３１１は、新たに得られた状態変数Ｓ及び判定データＤを用いて、それら状態変数Ｓ及び判定データＤに対応する相関性モデルＭに関し誤差Ｅを求め、モデル更新部３１２が再び相関性モデルＭを更新する。このようにして、未知であった環境の現在状態（計測データの変化）とそれに対応する状態（障害通知）との相関性が徐々に明らかになる。つまり相関性モデルＭの更新により、計測データの変化と障害通知との関係が、最適解に徐々に近づけられる。

前述した教師あり学習を進める際に、例えばニューラルネットワークを用いることができる。図４Ａは、ニューロンのモデルを模式的に示す。図４Ｂは、図４Ａに示すニューロンを組み合わせて構成した三層のニューラルネットワークのモデルを模式的に示す。ニューラルネットワークは、例えば、ニューロンのモデルを模した演算装置や記憶装置等によって構成できる。

図４Ａに示すニューロンは、複数の入力ｘ（ここでは一例として、入力ｘ_１〜入力ｘ_３）に対する結果ｙを出力するものである。各入力ｘ_１〜ｘ_３には、この入力ｘに対応する重みｗ（ｗ_１〜ｗ_３）が掛けられる。これにより、ニューロンは、次の数１式により表現される出力ｙを出力する。なお、数２式において、入力ｘ、出力ｙ及び重みｗは、すべてベクトルである。また、θはバイアスであり、ｆ_ｋは活性化関数である。

図４Ｂに示す三層のニューラルネットワークは、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。図示の例では、入力ｘ１、ｘ２、ｘ３のそれぞれに対応の重み（総称してｗ１で表す）が乗算されて、個々の入力ｘ１、ｘ２、ｘ３がいずれも３つのニューロンＮ１１、Ｎ１２、Ｎ１３に入力されている。

図４Ｂでは、ニューロンＮ１１〜Ｎ１３の各々の出力を、総称してｚ１で表す。ｚ１は、入カベクトルの特徴量を抽出した特徴ベクトルと見なすことができる。図示の例では、特徴ベクトルｚ１のそれぞれに対応の重み（総称してＷ２で表す）が乗算されて、個々の特徴ベクトルｚ１がいずれも２つのニューロンＮ２１、Ｎ２２に入力されている。特徴ベクトルｚ１は、重みＷ１と重みＷ２との間の特徴を表す。

図４Ｂでは、ニューロンＮ２１〜Ｎ２２の各々の出力を、総称してｚ２で表す。ｚ２は、特徴ベクトルｚ１の特徴量を抽出した特徴ベクトルと見なすことができる。図示の例では、特徴ベクトルｚ２のそれぞれに対応の重み（総称してＷ３で表す）が乗算されて、個々の特徴ベクトルｚ２がいずれも３つのニューロンＮ３１、Ｎ３２、Ｎ３３に入力されている。特徴ベクトルｚ２は、重みＷ２と重みＷ３との間の特徴を表す。最後にニューロンＮ３１〜Ｎ３３は、それぞれ結果ｙ１〜ｙ３を出力する。

予測装置１００が備える機械学習装置３００においては、状態変数Ｓを入力ｘとして、学習部３１０が上記したニューラルネットワークに従う多層構造の演算を行うことで、障害通知を推定値（結果ｙ）として出力することができる。なおニューラルネットワークの動作モードには、学習モードと判定モードとがあり、例えば学習モードで学習データセットを用いて重みＷを学習し、学習した重みＷを用いて判定モードで形状データの判定を行うことができる。なお判定モードでは、検出、分類、推論等を行うこともできる。

上記した予測装置１００及び機械学習装置３００の構成は、ＣＰＵ１１又はプロセッサ３０１が実行する機械学習方法（或いはソフトウェア）として記述できる。この機械学習方法は、計測データの変化に対応する障害通知を学習する機械学習方法であって、ＣＰＵ１１又はプロセッサ３０１が、計測データの変化を環境の現在状態を表す状態変数Ｓとして観測するステップと、障害通知を判定データＤとして取得するステップと、状態変数Ｓと判定データＤとを用いて、計測データの変化と障害通知とを関連付けて学習するステップとを有する。

本実施形態によれば、機械学習装置３００が、計測データの変化と障害通知との相関性を示すモデルを生成する。これにより、一度学習モデルを作成してしまえば、加工途中であっても、その時点までに取得できた計測データの変化に基づいて、障害通知を予測することが可能となる。

図５は、第２の実施の形態による予測装置１００を示す。予測装置１００は、機械学習装置３００と、データ取得部３３０とを備える。データ取得部２３０は、測定装置６０や電源障害通知装置７０から、時系列の計測データと障害通知とを取得する。

予測装置１００が有する機械学習装置３００は、第１の実施形態の機械学習装置３００が備える構成に加えて、学習部３１０が計測データの変化に基づいて推定した障害通知を制御装置２００に対して出力する判定出力部３２０を含む。

判定出力部３２０は、例えばプロセッサ３０１の一機能として構成できる。或いは判定出力部３２０は、例えばプロセッサ３０１を機能させるためのソフトウェアとして構成できる。判定出力部３２０は、学習部３１０が計測データの変化に基づいて推定した障害通知を制御装置２００に対して出力する。

上記構成を有する予測装置１００が備える機械学習装置３００は、前述した機械学習装置３００と同等の効果を奏する。特に第２の実施形態における機械学習装置３００は、判定出力部３２０の出力によって環境の状態を変化させることができる。他方、第１の実施形態の機械学習装置３００では、学習部１１０の学習結果を環境に反映させるための判定出力部３２０に相当する機能を、外部装置に求めることができる。

続いて、予測装置１００の実施例として、予測装置１００が計測データの変化と障害通知との相関関係の学習モデルを生成し（学習過程）、当該学習モデルを用いて電源が不安定になることを予測する（予測過程）処理について説明する。

図６のフローチャートを用いて、予測装置１００の学習過程における動作について説明する。
Ｓ１：各種工作機械及びロボット等が、制御装置２００の制御のもと加工を開始する。予測装置１００は、加工開始と同時に測定装置６０からの計測データの収集を開始する。予測装置１００は、所定の時間にわたって、所定のサンプリング周期で計測データを取得し記憶する。
Ｓ２：加工中、電源が遮断、もしくはしきい値を超える電圧の低下が発生する。予測装置１００は、電源障害通知装置７０から障害通知を受信する。
Ｓ３：予測装置１００は、ステップＳ１で取得した計測データの時系列データを状態変数Ｓとし、ステップＳ２で取得した障害通知を判定データＤとして機械学習装置３００に入力し、状態変数Ｓと判定データＤとの相関関係を示す学習モデルを作成する。
予測装置１００は、所望の精度の学習モデルを得るのに十分な数の状態変数Ｓと判定データＤとが得られるまで、ステップＳ１乃至Ｓ３までの処理を繰り返す。なおこの学習過程においては、障害通知が発行される毎に１回の学習サイクル（ステップＳ１乃至Ｓ３の処理）が実施されることになる。

続いて、図７のフローチャートを用いて、予測装置１００の予測過程における動作について説明する。
Ｓ１１：各種工作機械及びロボット等が、制御装置２００の制御のもと加工を開始する。以降、工作機械、ロボット、制御装置２００の稼働が終了するまで以下の処理を継続的に実行する。
Ｓ１２：予測装置１００は、加工開始と同時に測定装置６０からの計測データの収集を開始する。予測装置１００は、所定の時間にわたって、所定のサンプリング周期で計測データを取得し記憶する。
Ｓ１３：予測装置１００は、ステップＳ１２で取得した時系列の計測データを状態変数Ｓとして機械学習装置３００に入力する。機械学習装置３００は、状態変数Ｓを学習済みモデルに入力し、状態変数Ｓに対応する判定データＤを予測値として出力する。
Ｓ１４：予測値として障害通知が出力されなければ、ステップＳ１１に戻り加工を継続する。予測値として障害通知が出力される場合、ステップＳ１５に遷移する。
Ｓ１５：予測装置１００は、制御装置２００に対し、障害発生が予測されることを示す通知（障害予測通知）を出力する。

本実施例では、予測装置１００の機械学習装置３００が、加工開始後一定時間における計測データの変化と、障害通知と、の相関関係を学習した学習モデルを生成する。この学習モデルを用いることにより、予測装置１００は、加工中の計測データの変化に基づいて、障害通知を予測し、予測結果を制御装置２００に通知することができる。

＜制御装置２００の構成と動作＞
制御装置２００は、予測装置１００から障害予測通知を受信すると、予め定められたプログラムに基づいて、生じうる問題を回避するための退避動作を工作機械やロボット等に実行させる。

図８は、制御装置２００の概略的な機能ブロック図である。制御装置２００は、予測装置１００から障害予測通知を受信する受信部２１０、退避動作を工作機械やロボット等に実行させる退避動作制御部２２０を有する。なお制御装置２００は、ＣＰＵが記憶装置に格納された各種プログラムを読み出して実行することにより所定の処理を実行する情報処理装置であり、例えば数値制御装置やロボット制御装置である。

退避動作制御部２２０は、図示しない記憶領域に、工作機械やロボット等を安全退避状態に移行させるための動作プログラムを予め保持している。受信部２１０が障害予測通知を検知すると、退避動作制御部２２０は、実行中の加工プログラム等に対して割り込みを行い、安全退避状態に移行させるための動作プログラムを実行させる。

ここで安全退避状態とは、工作機械やロボット等に対する電源供給が遮断された際に生じ得る問題を防止又は抑制するために、工作機械やロボット等がとるべき状態を言う。例えば、工作機械やロボット等が所定の位置に移動した後に停止する、ワークを所定の位置に戻す、ワークの加工を所定の段階で中断する、等の動作が安全退避状態に含まれ得る。以下、実施例として制御装置２００が工作機械やロボット等を安全退避状態に移行させる制御の一例について説明する。

＜実施例１＞
制御装置２００が、部品のロード及びアンロードを行うロボットと、部品の加工を行う工作機械と、に実行させる退避行動の一例について説明する。受信部２１０が障害予測通知を受信すると、退避動作制御部２２０は、ロボットが作業中であれば、ロボットの作業を中断させ、ロボットに対する電源供給が遮断されても問題が生じない位置にロボットを移動させる。例えば、予め定められた安全な姿勢を取らせてから、動作を停止させる。また退避動作制御部２２０は、工作機械が加工中であれば、電源供給が遮断されるとワークを破損させる可能性がある軸については、予め定められた安全な位置まで軸を移動させる。例えば工具を一番上又は一番下の位置まで移動させる。さらに、退避動作制御部２２０は、制御装置２００内の揮発性記憶装置内に加工実績に関するログデータ、プログラム、ユーザデータ等が保持されているならば、当該データを不揮発性記憶装置に退避させる。

本実施例によれば、退避動作制御部２２０は、障害予測通知を受けてロボットや工作機械等を安全な姿勢又配置まで退避させる。これにより、急な電源遮断等が生じても、予期せぬ動作により問題が生じることを防止できる。

＜実施例２＞
制御装置２００が、部品のロード及びアンロードを行うロボットと、部品の加工を行う工作機械と、に実行させる退避行動の他の例について説明する。受信部２１０が障害予測通知を受信すると、退避動作制御部２２０は、電源が遮断されることによる問題を最小限に抑制するための動作を実行後、実施例１と同様にロボットや工作機械等を停止させる。

例えば退避動作制御部２２０は、ロボットがワークを把持しているならば、当該ワークを所定の置き場に戻す動作を行わせてから、動作を停止する。工作機械がワークを加工しているならば、退避動作制御部２２０は、実行中の加工の終了時刻を計算し、電源障害が予測される時刻までに当該加工が終了するか否かを判定する。終了する場合は、当該加工を終えてから動作を停止させる。終了できない場合は、ワークから刃先が離れる直近のタイミング（例えば次の早送り指令の開始時点）まで加工を実行してから動作を停止させる。ワイヤ放電加工機がワークを加工しているならば、制御装置２００は、最初の加工穴の位置までワイヤを退避させ、動作を停止させる。射出成形機が成形動作中であれば、制御装置２００は、ノズル内の材料をパージさせ、動作を停止させる。

本実施例によれば、退避動作制御部２２０は、障害予測通知を受けて、電源が遮断されることによる問題を最小限に抑制するための動作を実行後、ロボットや工作機械等を安全な姿勢又配置まで退避させる。これにより、急な電源遮断等が生じても、予期せぬ問題が生じることを防止できる。

以上、本発明の実施の形態について説明したが、本発明は上述した実施の形態の例のみに限定されることなく、適宜の変更を加えることにより様々な態様で実施することができる。

例えば、上述の実施の形態では、機械学習装置３００は教師あり学習により学習モデルを作成したが、教師なし学習により学習モデルを作成することも可能である。これが例えば障害通知の内容（障害発生の有無）を状態変数Ｓの１つとして入力することにより実現できる。

また上述の実施の形態では、予測装置１００、機械学習装置３００及び制御装置２００による学習、予測、及び退避処理は、電源障害が予測される時刻までに全て完了することを前提としている。しかしながら、万一に備えて、予測装置１００、機械学習装置３００及び制御装置２００の動作を一定時間バックアップできる程度の無停電電源装置を導入しても良い。これにより、予測し得ない電源障害が発生した場合にも学習、予測、及び退避処理を継続することができる。

１生産システム
１００予測装置
１１ＣＰＵ
１２ＲＯＭ
１３ＲＡＭ
１４不揮発性メモリ
１８，１９，２１インタフェース
２０バス
６０測定装置
７０電源障害通知装置
３００機械学習装置
３０１プロセッサ
３０２ＲＯＭ
３０３ＲＡＭ
３０４不揮発性メモリ
３０６状態観測部
３０８判定データ取得部
３１０学習部
３１１誤差計算部
３１２モデル更新部
３２０判定出力部
３３０データ取得部
２００制御装置
２１０受信部
２２０退避動作制御部

Claims

電力が不安定になることを予測する予測装置であって、
電源の状態を示す計測データの変化と、電源に発生する障害との関係を学習する機械学習装置を備え、
前記機械学習装置は、
工場内の電力消費量の計測値を少なくとも含む前記計測データを、環境の現在状態を表す状態変数として観測する状態観測部と、
前記障害の発生を示す障害通知を判定データとして取得する判定データ取得部と、
前記状態変数と前記判定データとを用いて、計測データの変化と、障害通知と、を関連付けて学習する学習部と、
を備える予測装置。
前記学習部は、前記状態変数と前記判定データとを多層構造で演算する、
請求項１記載の予測装置。
前記学習部による学習結果に基づいて、前記計測データに応じ前記障害の発生を予測し、前記障害が発生することが予測される場合に、障害予測通知を出力する判定出力部を更に備える、
請求項１記載の予測装置。
前記機械学習装置は、クラウド、フォグ、エッジコンピューティング環境に配置される、
請求項１記載の予測装置。
電源の状態を示す計測データの変化と、電源に発生する障害との関係を学習する機械学習装置であって、
工場内の電力消費量の計測値を少なくとも含む前記計測データを、環境の現在状態を表す状態変数として観測する状態観測部と、
前記障害の発生を示す障害通知を判定データとして取得する判定データ取得部と、
前記状態変数と前記判定データとを用いて、計測データの変化と、障害通知と、を関連付けて学習する学習部と、
を備える機械学習装置。
電力が不安定になることを予測する予測装置と、加工機械を制御する制御装置とを含む生産システムであって、
前記予測装置は、
電源の状態を示す計測データの変化と、電源に発生する障害との関係を学習する機械学習装置を備え、
前記機械学習装置は、
工場内の電力消費量の計測値を少なくとも含む前記計測データを、環境の現在状態を表す状態変数として観測する状態観測部と、
前記障害の発生を示す障害通知を判定データとして取得する判定データ取得部と、
前記状態変数と前記判定データとを用いて、計測データの変化と、障害通知と、を関連付けて学習する学習部とを備え、
前記制御装置は、
電源の状態を示す計測データの変化に基づいて予測された、電源に発生する障害の予測通知を受信する受信部と、
前記予測通知を受信したとき、前記加工機械を安全退避状態まで移行させる退避動作制御部とを備える
生産システム。