JP6779413B2 - 作業分析装置 - Google Patents

作業分析装置 Download PDF

Info

Publication number
JP6779413B2
JP6779413B2 JP2020522512A JP2020522512A JP6779413B2 JP 6779413 B2 JP6779413 B2 JP 6779413B2 JP 2020522512 A JP2020522512 A JP 2020522512A JP 2020522512 A JP2020522512 A JP 2020522512A JP 6779413 B2 JP6779413 B2 JP 6779413B2
Authority
JP
Japan
Prior art keywords
work
class
class data
sensor
section
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
JP2020522512A
Other languages
English (en)
Other versions
JPWO2019229943A1 (ja
Inventor
俊之 八田
俊之 八田
亮輔 川西
亮輔 川西
浩司 白土
浩司 白土
加藤 健太
健太 加藤
奥田 晴久
晴久 奥田
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.)
Mitsubishi Electric Corp
Original Assignee
Mitsubishi Electric 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 Mitsubishi Electric Corp filed Critical Mitsubishi Electric Corp
Publication of JPWO2019229943A1 publication Critical patent/JPWO2019229943A1/ja
Application granted granted Critical
Publication of JP6779413B2 publication Critical patent/JP6779413B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/418Total 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]
    • G05B19/41865Total 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
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00Programme-control systems
    • G05B19/02Programme-control systems electric
    • G05B19/18Numerical 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
    • G05B19/406Numerical 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
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/31From computer integrated manufacturing till monitoring
    • G05B2219/31449Monitor workflow, to optimize business, industrial processes
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05BCONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00Program-control systems
    • G05B2219/30Nc systems
    • G05B2219/32Operator till task planning
    • G05B2219/32293Minimize work in progress, system at maximum productivity
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • General Factory Administration (AREA)
  • Image Analysis (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Description

本発明は、所定の作業主体によって実施される一連の複数の動作からなる作業を分析する作業分析装置に関する。
製造業などにおいて、作業工程の改善による生産性の向上は重要な課題であり、そのためにIE(Industrial Engineering)と呼ばれる工学的手法がある。IEにより作業工程を改善するためには、まず現状分析として作業の所要時間を計測することが必要である。ここでは、作業主体が一連の要素作業(目的をもった動作のひと区切り)からなるサイクルを繰り返し行う作業を分析対象とする。分析者は、要素作業ごとに計測した所要時間を用いて、要素作業ごとの標準作業時間、複数のサイクル間での所要時間のばらつき、などといった特性値を算出する。これにより、分析者は、改善を要する要素作業を判定し、作業の見直し又は製造ラインの改善を行うことで、生産性の向上を図ることができる。
所要時間を計測することによる作業分析は、一般的には、分析者がストップウォッチ及び/又はビデオカメラなどを用いることで行われている。分析者は複数のサイクルにおける要素作業ごとの所要時間を目視で計測する必要があるので、膨大な時間と労力がかかる。これに対して、作業分析に要する時間を短縮することを目的とした様々な作業分析装置が提案されている。
例えば特許文献1は、作業が実行されるべき位置と作業の検出対象の位置との位置関係を表すパラメータに基づいて、実行された作業の始点及び終点を特定する作業分析システムを開示している。特許文献1のシステムは、作業が実行されるべき位置を予め定義した作業位置情報(すなわち、予め設計されたテンプレート)と、作業の検出対象の位置から取得された位置情報(すなわち、作業主体の作業から計測されたセンサデータ)とを比較することで、各時刻での要素作業を分類する。さらに、特許文献1のシステムは、要素作業の開始時刻と終了時刻とを特定することで、要素作業の作業時間を算出する。さらに、特許文献1のシステムは、各要素作業の作業時間と、予め設計された要素作業ごとの標準作業時間とを比較することで、各要素作業が改善を要するか否かを判定する。
特開2015−197847号公報
Da-Fei Feng and Russell F. Doolittle, "Progressive sequence alignment as a prerequisite to correct phylogenetic trees", Journal of Molecular Evolution, vol. 25, pp. 351-360, 1987
特許文献1のシステムでは、各時刻における要素作業を分類するためのテンプレート、及び、各要素作業が改善を要するか否かを判定するための標準作業時間、などを予め設計する必要があった。すなわち、特許文献1のシステムは、テンプレート及び標準作業時間などが未知の状態では使用することができないので、事前の設計に時間と労力がかかる。また、予め設計したテンプレート及び標準的な作業時間などを記録しておくために、メモリの使用量が増加するという問題がある。さらに、作業主体が作業の手順を誤り、要素作業を繰り返した場合又はスキップした場合などに、複数のサイクル間で対応する要素作業が不定となり、要素作業ごとの標準作業時間及びばらつきなどを算出できなくなるという問題がある。
本発明の目的は、上述の問題を解決し、予めテンプレート及び標準作業時間などを設計することを必要とせず、また、作業主体が作業の手順を誤った場合にも、分析対象の作業から計測されたセンサデータのみに基づいて要素作業ごとの標準作業時間及びばらつきといった特性値を算出できる作業分析装置を提供することにある。
本発明の一態様に係る作業分析装置によれば、
所定の作業主体によって実施される一連の複数の動作からなる作業を分析する作業分析装置であって、
前記作業主体の作業をセンサで計測することによって生成される時系列のセンサ値を示すセンサデータ列であって、前記作業主体が前記作業を複数回にわたって反復的に実施するときに各反復に対応して生成される複数のセンサデータ列を取得するセンサデータ入力装置と、
前記各センサデータ列に含まれる前記センサ値に基づいて前記各センサデータ列を時間的に分割した複数の区間と、前記各区間に含まれる前記センサ値の時間的変化のタイプを示す前記各区間のクラスとを決定し、前記複数のセンサデータ列のそれぞれに対して、当該センサデータ列の前記各区間及び前記各クラスをそれぞれ示す複数の第1のクラスデータ列を生成するクラスデータ生成器と、
前記複数の第1のクラスデータ列に基づいて、前記複数の第1のクラスデータ列の間で同じクラスを有して互いに対応する前記各区間を互いに関連付けるクラスデータリンカと、
前記クラスデータリンカによって互いに関連付けられた前記各区間の特性値を算出する判定器とを備える。
本発明の一態様に係る作業分析装置によれば、予めテンプレート及び標準作業時間などを設計することを必要とせず、また、作業主体が作業の手順を誤った場合にも、分析対象の作業から計測されたセンサデータのみに基づいて要素作業ごとの標準作業時間及びばらつきといった特性値を算出することができる。
本発明の実施の形態1に係る作業分析装置の構成の一例を示す図である。 本発明の実施の形態1に係るクラスデータ生成器の構成の一例を示す図である。 本発明の実施の形態1に係る作業分析装置の使用例を説明する図である。 本発明の実施の形態1に係るセンサによって計測されるセンサ値の一例を示す図である。 本発明の実施の形態1に係るセンサデータ記憶装置に記憶されるセンサデータ列のデータ構造を説明するための図である。 本発明の実施の形態1に係るセンサデータ記憶装置に記憶されるセンサデータ列を時系列グラフで示す図である。 本発明の実施の形態1に係る第1分類器により生成されるクラスデータ列のデータ構造を説明するための図である。 本発明の実施の形態1に係る第1分類器により生成されるクラスデータ列を時系列グラフで示す図である。 本発明の実施の形態1に係る標準パターン生成器により生成される標準パターンのデータ構造を説明するための図である。 本発明の実施の形態1に係る標準パターン生成器により生成される標準パターンを時系列グラフで示す図である。 本発明の実施の形態1に係る第2分類器により生成されるクラスデータ列のデータ構造を説明するための図である。 本発明の実施の形態1に係る第2分類器により生成されるクラスデータ列を時系列グラフで示す図である。 本発明の実施の形態1に係るクラスデータリンカにより生成されるリンクデータ値のデータ構造を説明するための図である。 本発明の実施の形態1に係るクラスデータリンカにより生成されるリンクデータ値を時系列グラフで示す図である。 本発明の実施の形態1に係る判定器により算出される特性値及び判定データのデータ構造を説明するための図である。 本発明の実施の形態1に係る判定器により算出される判定データを時系列グラフで示す図である。 本発明の実施の形態1に係る作業分析装置の動作を示すフローチャートである。 本発明の実施の形態1に係る作業分析装置のハードウェア構成の一例を示す図である。 本発明の実施の形態1に係る作業分析装置のハードウェア構成の別の例を示す図である。 本発明の実施の形態2に係る作業分析装置の構成の一例を示す図である。 本発明の実施の形態2に係るクラスデータリンカにより生成されるリンクデータ値のデータ構造を説明するための図である。 本発明の実施の形態2に係るクラスデータリンカにより生成されるリンクデータ値を時系列グラフで示す図である。 本発明の実施の形態2に係る判定器により算出される特性値及び判定データのデータ構造を説明するための図である。 本発明の実施の形態2に係る判定器により算出される判定データを時系列グラフで示す図である。
実施の形態1.
図1は、本発明の実施の形態1における作業分析装置1の構成の一例を示す図である。作業分析装置1は、所定の作業主体によって実施される一連の複数の動作からなる作業を分析する。本明細書において、作業主体は、1人もしくは複数人の人物、1つもしくは複数の機械、又はそれらの組み合わせであってもよく、本明細書では、1人の人物の場合を参照して説明する。作業分析装置1は、例えば、センサ2及び表示装置3とともに、工場などにおける何らかの端末装置に搭載される。
図1を参照して、作業分析装置1の全体構成について述べる。作業分析装置1は、センサデータ入力装置10と、センサデータ記憶装置31と、クラスデータ生成器20と、クラスデータリンカ40と、判定器50とを備える。さらに、作業分析装置1には、センサ2と、表示装置3とが接続される。作業分析装置1は、センサ2によって計測されたデータを用いて作業を分析し、分析した結果を表示装置3に表示する。
図2は、本実施の形態に係るクラスデータ生成器20の構成の一例を示す図である。図2を参照して、クラスデータ生成器20の構成について述べる。クラスデータ生成器20は、第1分類器21と、クラスデータ記憶装置32と、標準パターン生成器22と、第2分類器23と、クラスデータ評価器24とを備える。
図3は、本実施の形態に係る作業分析装置の使用例を説明する図である。本実施の形態において、作業主体100は、一連の複数の動作からなる作業であるサイクル作業を複数回にわたって反復的に実施する。センサ2は、各1回のサイクル作業が開始されてから終了されるまでの時間であるサイクル区間において動作する。センサ2は、サイクル区間においてサイクル作業を計測することによって生成(検出)される時系列のセンサ値を出力する。センサ2は例えばデプスセンサであり、作業主体100の左手101と右手102とによるサイクル作業を撮影できるように配置される。センサ2は、例えば、特定のパターンで赤外線を発光する光源と、対象物が反射した赤外線を受光する撮像素子とを備え、対象物までの深度を画素値として有する深度画像データを生成する。さらに、センサ2は、深度画像データから、作業主体100の左手101及び右手102の高さ位置をそれぞれ検出し、これらの高さ位置をセンサ値として200ミリ秒毎に出力する。なお、デプスセンサの具体例としては、Kinect(登録商標)といった既存のデプスセンサが挙げられる。深度画像データから手の位置を検出するための処理は、デプスセンサで利用される既存の処理を用いることができる。
図4は、本実施の形態に係るセンサ2によって出力されるセンサ値の一例を示す図である。図4において、横軸は、センサ値を取得した時刻を示し、縦軸は、センサ値、すなわち、センサ値によって表される左手101及び右手102の高さ位置の座標値を示す。本実施の形態では、センサ値は、作業主体100の左手101及び右手102の高さ位置であるので、2次元の値となる。
なお、本実施の形態においては、センサ2としてデプスセンサを使用した場合について説明するが、これに限定されるものではなく、作業主体の作業を計測してセンサ値を生成できるセンサであればよい。デプスセンサ以外であれば、例えば、ビデオカメラ、3次元加速度センサ、3次元角速度センサ、などを使用可能である。また、本実施の形態においては、作業主体の右手及び左手の位置を検出対象とするが、これに限定されるものではなく、作業主体の頭部位置、身体における複数の関節の角度、あるいは作業主体の生態情報(例えば心拍及び呼吸)を検出対象としてもよい。
次に、本実施の形態に係る作業分析装置1の各構成要素の動作について述べる。
センサデータ入力装置10は、複数のサイクル作業において、センサ2から出力される時系列のセンサ値をそれぞれ示すセンサデータ列xを取得する。各センサデータ列xは、作業主体のサイクル作業をセンサ2で計測することによって生成される時系列のセンサ値をそれぞれ示し、作業主体がサイクル作業を複数回にわたって反復的に実施するときに各反復に対応して生成される。
ここで、dは、複数のサイクル作業のそれぞれを識別するための番号であり、1からDまでの整数である。Dは、複数のサイクル作業の反復回数である。本実施の形態において、センサデータ列x={x(1),x(2),…,x(N(d))}である。ここで、x(n)は、サイクル作業dにおいてn番目に出力されたセンサ値である。また、N(d)は、サイクル作業dのサイクル区間において出力されたセンサ値の個数である。
例えば、サイクル作業dのサイクル区間の長さが10秒であった場合、上述したように、本実施の形態では、センサ2は200ミリ秒毎にセンサ値を出力するので、センサ値の個数N(d)は50個となる。
次に、本実施の形態に係るセンサデータ記憶装置31について述べる。センサデータ記憶装置31は、センサデータ入力装置10によって取得された複数のセンサデータ列を記憶する。図5は、本実施の形態に係るセンサデータ記憶装置31に記憶されたセンサデータ列のデータ構造を説明するための図である。図5を参照すると、センサデータ記憶装置31は、D=4回のサイクル作業で取得されたセンサデータ列を記憶している。上述したように、各センサデータ列には、センサデータ列が取得されたサイクル作業の番号dが割り当てられている。ここで、本実施の形態ではセンサ値は2次元の値であるので、センサデータ記憶装置31はセンサ値x(n)を2個の値として記憶している。図6は、図5に示した複数のセンサデータ列を時系列グラフで示す図である。図6の各段(a)〜(d)において、横軸は、サイクル作業dにおいて時系列のセンサ値が出力された番号nを示し、縦軸はセンサ値を示す。
次に、本実施の形態に係るクラスデータ生成器20について述べる。クラスデータ生成器20は、複数のサイクル作業においてセンサデータ入力装置10によって取得された複数のセンサデータ列xに基づいて、複数のセンサデータ列xにそれぞれ対応し、所定の評価基準を満たす複数のクラスデータ列sを生成して出力する。詳しくは、クラスデータ生成器20は、各センサデータ列xに含まれるセンサ値に基づいて各センサデータ列xを時間的に分割した複数の区間と、各区間に含まれるセンサ値の時間的変化のタイプを示す各区間のクラスとを決定する。さらに、クラスデータ生成器20は、複数のセンサデータ列xのそれぞれに対して、当該センサデータ列xの各区間及び各クラスをそれぞれ示す複数のクラスデータ列sを生成する。
クラスデータ列sにおいて、センサデータ列xと同様に、dは複数のサイクル作業のそれぞれを識別するための番号であり、1からDまでの整数である。ここで、クラスデータ列s={sd,1,sd,2,…,sd,m,…,sM(d)}である。M(d)は、センサデータ列xを分割した区間の個数である。mは、分割された複数の区間のそれぞれを識別するための番号であり、1からM(d)までの整数である。sd,mは、センサデータ列xを分割したm番目の区間におけるクラスデータ列の要素であり、sd,m={ad,m,bd,m,cd,m}である。ad,mは、センサデータ列xを分割したm番目の区間の開始番号であり、bd,mは、センサデータ列xを分割したm番目の区間の長さであり、cd,mは、センサデータ列xを分割したm番目の区間を分類したクラス番号である。クラスデータ列sd,m={ad,m,bd,m,cd,m}を用いることで、例えば、センサデータ列xを分割したm番目の区間に含まれる時系列のセンサ値xd,mは、xd,m={x(ad,m),x(ad,m+1),…,x(ad,m+bd,m−1)}と表すことができる。すなわち、センサデータ列x={xd,1,xd,2,…,xd,M(d)}であり、センサデータ列xを分割した最初の区間の開始番号ad,1=1であり、センサデータ列xを分割した最後の区間の開始番号ad,M(d)=N(d)−bd,M(d)+1である。
前述したように、本実施の形態に係るクラスデータ生成器20は、第1分類器21と、クラスデータ記憶装置32と、標準パターン生成器22と、第2分類器23と、クラスデータ評価器24とを備える。次に、クラスデータ生成器20の各構成要素について説明する。
まず、本実施の形態に係る第1分類器21について述べる。第1分類器21は、複数のセンサデータ列xのそれぞれに対して、クラスデータ列sの初期値を算出してクラスデータ記憶装置32に記憶する。詳しくは、第1分類器21は、複数のセンサデータ列xのそれぞれを、クラスの個数Jに等しい個数の区間であって、可能な限り互いに等しい長さを有する複数の区間に分割する。すなわち、センサデータ列xを分割した区間の個数M(d)=Jである。また、第1分類器21は、複数のセンサデータ列xのそれぞれについて、当該センサデータ列xを分割した複数の区間を、各区間の時間的な順序に基づいて、複数のクラスのうちのいずれか1つに分類する。例えば、分割されたm番目の区間にクラス番号cd,m=mのクラスが割り当てられる。従って、本実施の形態では、第1分類器21は、これらの区間及びクラスにより、クラスデータ列の初期値を生成する。
図7は、本実施の形態に係る第1分類器21により生成されるクラスデータ列のデータ構造を説明するための図である。図7は、D=4回のサイクル作業で取得されたセンサデータ列に基づいて生成されたクラスデータ列の初期値を示す。また、クラスの個数J=6であり、各センサデータ列xは、可能な限り互いに等しい長さの6個の区間に分割されている。図8は、図7で示したクラスデータ列を時系列グラフで示す図である。図8の各段(a)〜(d)において、横軸は、図6と同様に、サイクル作業dにおいて時系列のセンサ値が出力された番号nであり、数字「1」〜「6」をそれぞれ含む矩形は、センサデータ列xを分割した各区間[ad,m,ad,m+bd,m−1]を表す。また、各区間に記述された数字「1」〜「6」は、各区間を分類したクラス番号cd,mを表す。第1分類器21は、センサデータ列xを可能な限り互いに等しい長さの6個の区間に分割したので、各段(a)〜(d)のグラフには6個の矩形が含まれている。また、分割したm番目の区間にクラス番号cd,m=mのクラスを割り当てるので、各区間に記述されたクラス番号は順に「1」,「2」,…,「6」となっている。
第1分類器21は、このようにクラスデータ列の初期値を生成することにより、クラスデータ列を高精度に推定し、推定処理を短時間で収束させることができる。
次に、本実施の形態に係る標準パターン生成器22について述べる。標準パターンは、各区間に含まれるセンサ値の標準的な時間的変化をそれぞれ示し、複数のクラスのうちの1つに対応する。標準パターン生成器22は、複数のセンサデータ列xと、クラスデータ記憶装置32に記憶された複数のクラスデータ列sとに基づいて、複数のクラスjにそれぞれ対応する複数の標準パターンgを生成する。ここで、jは、複数のクラスを識別するための番号であり、1からJまでの整数である。Jは、上述したクラスの個数であり、すなわち、標準パターンの個数である。
本実施の形態では、標準パターン生成器22は、ガウス過程回帰を用いることで、各時刻におけるセンサ値のガウス分布からなる集合として標準パターンgを生成する。このとき、標準パターンgは、クラスjに分類された区間におけるセンサ値のガウス分布のパラメータとして求められる。標準パターンg={g(1),g(2),…,g(L)}である。g(i)は、クラスjに分類された区間におけるi番目のセンサ値のガウス分布のパラメータであり、g(i)={μ(i),σ (i)}である。ここで、μ(i)は、ガウス分布の平均であり、σ (i)は、ガウス分布の分散である。また、Lは標準パターンの長さであり、すなわちセンサデータ列を分割した各区間に含まれるセンサ値の個数の最大値を表す。
本実施の形態に係る標準パターンgについて、より具体的に説明する。上述したように、μ(i)は、クラスjに分類された区間におけるi番目のセンサ値のガウス分布の平均である。μ(i)は、センサ値と同様に、2次元の値である。また、σ (i)は、クラスjに分類された区間におけるi番目のセンサ値のガウス分布の分散である。本実施の形態では、センサ値のガウス分布の分散はいずれの次元においても同様となることを仮定し、従って、σ (i)は1次元の値である。
標準パターンgは、クラスデータ列によってクラスjに分類された区間におけるセンサ値の集合Xと、クラスデータ列によってクラスjに分類された区間においてセンサ値が出力された番号の集合Iとを用いて推定できる。ここで、X={X(1),X(2),…,X(N2)}、I={I(1),I(2),…,I(N2)}である。例えば、X(1)は、クラスjに分類された区間においてI(1)番目に出力されたセンサ値である。また、N2は、集合X及びIに含まれる要素の個数である。すなわちN2は、D個のセンサデータ列を分割した区間のうち、クラスjに分類した区間に含まれるセンサ値の個数の和である。本実施の形態では、式(1)及び式(2)により、標準パターンg(i)={μ(i),σ (i)}を推定する。ここで、βは所定のパラメータであり、Eは単位行列を表す。また、Kは式(3)により計算される行列であり、vj,iは式(4)により計算されるベクトルである。また、kはカーネル関数であり、式(5)で示すガウスカーネルを利用することができる。θ、θ、θ、θはカーネル関数kにおける所定のパラメータである。
Figure 0006779413
・・・・・式(1)
Figure 0006779413
・・・・・式(2)
Figure 0006779413
・・・・・式(3)
Figure 0006779413
・・・・・式(4)
Figure 0006779413
・・・・・式(5)
図9は、本実施の形態に係る標準パターン生成器22により生成される標準パターンのデータ構造を説明するための図である。図9の例では、クラスの個数J=6である。上述したように、jはクラスを識別するための番号である。また、図9の例では、標準パターンの長さL=30である。図10は、図9で示した標準パターンを時系列グラフで示す図である。図10(a)〜(l)において、横軸は、各クラスjに分類された区間におけるセンサ値の番号iである。縦軸は、クラスjに分類された区間におけるセンサ値のガウス分布の平均及び分散である。前述したように、ガウス分布の平均はセンサ値と同様に2次元の値である。また、ガウス分布の分散はいずれの次元においても同様となることを仮定し、従って、1次元の値である。
所定の分散を有する標準パターンを生成することで、クラスデータ列を高精度に推定することができる。
次に、本実施の形態に係る第2分類器23について述べる。第2分類器23は、標準パターン生成器22により生成された複数の標準パターンgを用いて、複数のセンサデータ列xのそれぞれに対してクラスデータ列sを生成する。本実施の形態では、Forward filtering−Backward sampling(FF−BS)を用いることで、センサデータ列を複数の区間に分割し、分割された区間のそれぞれにおける時系列のセンサ値を複数のクラスのいずれか1つに分類する。FF−BSは、FFステップに係る確率計算と、BSステップに係る分割及び分類の2つのステップから構成される。
まず、FFステップについて述べる。FFステップでは、センサデータ列xにおけるn番目のセンサ値x(n)が、クラスjに対応する標準パターンのi番目のガウス分布g(i)から生成される確率P(x(n)|X,I)を、式(6)を用いてガウス分布Normalとして計算する。また、1番目からn−i番目の区間を既に分割したセンサデータ列xから、さらにn番目の区間を分割するとき、式(7)を用いて、n番目の区間のクラスがjである確率α[n][i][j]を計算する。このとき、P(j|j’)はクラス遷移確率であり、式(8)によって計算する。また、N3j’,jは、全てのセンサデータ列において、センサデータ列を分割したm番目の区間がクラスj’に分類され、かつ、m+1番目の区間がクラスjに分類される回数である。また、N4j’は、センサデータ列を分割した区間を分類したクラスがjとなる回数である。γは、所定のパラメータである。式(7)は漸化式であり、n=1からn=N(d)まで順番に確率α[n][i][j]を計算することができる。
Figure 0006779413
・・・・・式(6)
Figure 0006779413
・・・・・式(7)
Figure 0006779413
・・・・・式(8)
次に、BSステップについて述べる。BSステップでは、センサデータ列xを分割した区間について、式(9)を用いてクラスデータ列をサンプリングする。式(9)において、1行目のbd,m’及びcd,m’は、右辺の確率分布から得られるランダム変数であり、2行目は変数ad,m’の漸化式である。式(9)によれば、m’=1からm’=M2(d)まで順番にクラスデータ列sd,m’={ad,m’,bd,m’,cd,m’}を生成することができる。ここで、M2(d)は、式(9)によってセンサデータ列xを分割した区間の個数である。また、sd,m’は、センサデータ列xを分割した後ろからm’番目の区間におけるクラスデータ列である。式(9)では、センサデータ列xを分割した区間におけるクラスデータ列を、センサデータ列xの後方から順に計算している。すなわち、センサデータ列xを分割したm番目の区間におけるクラスデータ列sd,m={ad,m,bd,m,cd,m}={ad,M2(d)−m+1,bd,M2(d)−m+1,cd,M2(d)−m+1}である。
Figure 0006779413
・・・・・式(9)
図11は、本実施の形態に係る第2分類器23により生成されるクラスデータ列のデータ構造を説明するための図である。図11は、D=4回のサイクル作業で取得されたセンサデータ列から、複数の標準パターンに基づいて生成されたクラスデータ列を示す。また、クラスの個数J=6である。図12は、図11で示したクラスデータ列を時系列グラフで示す図である。図12の各段(a)〜(d)において、横軸は、図6と同様に、サイクル作業dにおいて時系列のセンサ値が出力された番号nであり、数字「1」〜「6」をそれぞれ含む矩形は、センサデータ列xを分割した各区間[ad,m,ad,m+bd,m−1]を表す。また、各区間に記述された数字「1」〜「6」は、各区間を分類したクラス番号cd,mを表す。図12の例では、各区間の範囲は、第1分類器21によって生成されたクラスデータ列の初期値(図7及び図8を参照)から更新され、例えばセンサデータ列xはM2(4)=7個の区間に分割されている。また、各区間のクラスも初期値から更新されている。
次に、本実施の形態に係るクラスデータ評価器24について述べる。クラスデータ評価器24は、所定の評価基準に基づいて、第2分類器23によって生成された各クラスデータ列を評価する。クラスデータ評価器24は、第2分類器23によって生成された各クラスデータ列が評価基準を満たさないとき、第2分類器23によって生成された各クラスデータ列で、クラスデータ記憶装置32に記憶された各クラスデータ列を更新する。一方、クラスデータ評価器24は、第2分類器23によって生成された各クラスデータ列が評価基準を満たすとき、第2分類器23によって生成された各クラスデータ列を、後述するクラスデータリンカ40へ出力する。
本実施の形態では、クラスデータ評価器24は、例えば、クラスデータ記憶装置32に記憶された各クラスデータ列と、第2分類器23によって生成された各クラスデータ列と比較し、これらのクラスデータ列の間で各時刻におけるクラスの値が一致する割合を示す類似度を算出する。この場合、クラスデータ評価器24は、類似度が予め決められたしきい値(例えば90%)を上回るとき、第2分類器23によって生成された各クラスデータ列が評価基準を満たすと決定してもよい。代替として、クラスデータ評価器24は、クラスデータ評価器24による評価の回数が所定のしきい値を越えたとき、第2分類器23によって生成された各クラスデータ列が評価基準を満たしたと決定してもよい。
クラスデータ生成器20は、以上のように、第2分類器23によって生成されたクラスデータ列が所定の評価基準を満たすまで、標準パターン生成器22による標準パターンの生成と、第2分類器23によるクラスデータ列の生成と、クラスデータ評価器によるクラスデータ記憶装置32に記憶されるクラスデータ列の更新と反復する。クラスデータ生成器20は、第2分類器23によって生成されたクラスデータ列が評価基準を満たしたとき、クラスデータ列を出力し、動作を終了する。
クラスデータ生成器20は、前述の評価基準(類似度又は評価の回数)を用いることにより、反復処理を適切な回数で終了し、その処理時間を短縮することができる。
言い換えると、クラスデータ生成器20は、複数のセンサデータ列を用いて機械学習を行い、所定の評価基準を満たすように複数の標準パターンを生成し、生成された複数の標準パターンを用いてクラスデータ列を生成する。
なお、クラスデータ生成器20から出力されるクラスデータ列を「第1のクラスデータ列」と呼ぶ。また、クラスデータ記憶装置32に記憶されるクラスデータ列を「第2のクラスデータ列」と呼ぶ。なお、第2分類器23で生成されるクラスデータ列を「第3のクラスデータ列」と呼ぶ。
次に、本実施の形態に係るクラスデータリンカ40について述べる。クラスデータリンカ40は、クラスデータ生成器20によって生成された複数のクラスデータ列に基づき、複数のクラスデータ列間で同じクラスを有して互いに対応する区間を互いに関連付けたリンクデータ値を生成する。クラスデータリンカ40は、例えば、複数のクラス番号の系列{c1,1,c1,2,…,c1,M2(1)},{c2,1,c2,2,…,c2,M2(2)},…,{cD,1,cD,2,…,cD,M2(D)}に対して、多重シーケンス整列(例えば、非特許文献1を参照)などの多次元の弾性マッチング手法を用いることで、リンクデータ値を生成する。すなわち、クラスデータリンカ40は、各サイクル作業における区間の順序と、分類されたクラスとに基づいて、対応する区間を互いに関連付ける。
図13は、本実施の形態に係るクラスデータリンカにより生成されるリンクデータ値のデータ構造を説明するための図である。図13は、図11で示した第2分類器23によって生成されたクラスデータ列sd,mと、クラスデータリンカ40によって生成されたリンクデータ値ld,mとを並べて示す。また図14は、図13で示したリンクデータ値を時系列グラフで示す図である。図14の各段(a)〜(d)において、横軸は、図6と同様に、サイクル作業dにおいて時系列のセンサ値が出力された番号nであり、数字「1」〜「7」をそれぞれ含む矩形は、センサデータ列xを分割した各区間[ad,m,ad,m+bd,m−1]を表す。また、各区間に記述された数字「1」〜「7」はリンクデータ値ld,mを表す。
次に、本実施の形態に係る判定器50について述べる。判定器50は、リンクデータ値によって互いに関連付けられた(すなわち、同じリンクデータ値を有する)複数の区間ごとに各区間の特性値を算出する。判定器50は、各区間の特性値として、リンクデータ値によって互いに関連付けられた複数の区間の個数を示すカウント値cntd,mと、複数の区間の長さの変動(ばらつき)を示す変動係数cvd,mとを算出する。変動係数cvd,mは、例えば、同一のリンクデータ値が割り当てられた区間の長さの集合の標準偏差を、これらの区間の長さの平均で除算することで算出できる。さらに、判定器50は、互いに関連付けられた複数の区間ごとに算出された特性値に基づいて、各区間における作業主体の動作を改善する必要があるか否かを判定した結果を示す判定データを算出することができる。判定器50は、カウント値cntd,mと変動係数cvd,mとに基づいて、式(10)を用いて、判定データrd,mを算出する。ここで、cntthとcvthは所定のしきい値である。
Figure 0006779413
・・・・・式(10)
ここで、改善目標Aは、複数回のサイクル作業において互いに関連付けられた区間が少ない区間、すなわち、一連の動作の中で非定常的な動作が行われた区間を判定したラベルである。また、改善目標Bは、複数回のサイクル作業において互いに関連付けられた区間の長さが一定とならない区間、すなわち、安定して実施できない作業の区間を判定したラベルである。判定器50は、しきい値cntthを下回るカウント値を有する区間が存在するとき、当該区間における作業主体の動作を改善する必要があると判定する。また、判定器50は、しきい値cvthを上回る変動係数を有する区間が存在するとき、当該区間における作業主体の動作を改善する必要があると判定する。
図15は、本実施の形態に係る判定器50により算出される特性値及び判定データのデータ構造を説明するための図である。図15を参照すると、第2分類器23によって生成されたクラスデータ列sd,mと、クラスデータリンカ40によって算出されたリンクデータ値ld,mと、判定器50によって算出された特性値であるカウント値cntd,m及び変動係数cvd,mと、判定データrd,mとを、リンクデータ値ld,mごとに並べ替えて示している。図15の例では、判定器50は、式(10)にしきい値cntth=2、cvth=0.15を設定して、作業主体の動作を改善する必要があるか否かを判定している。
図15を参照すると、例えば、1つのリンクデータ値l4,4のみが値「4」を有するので、リンクデータ値「4」に関連付けられた区間のカウント値は、cnt4,4=1<cntthである。従って、判定器50は、式(10)を用いて、判定データr4,4=「改善目標A」を算出する。
また、4つのリンクデータ値{l1,4,l2,4,l3,4,l4,5}が値「5」を有するので、リンクデータ値「4」に関連付けられた区間のカウント値は、cnt1,4=cnt2,4=cnt3,4=cnt4,4=4>cntthである。また、リンクデータ値「4」に関連付けられた区間の長さは、{b1,4,b2,4、b3,4,b4,5}={22,17,16,24}であり、平均19.750及び標準偏差3.862を有するので、その変動係数は、cv1,4=cv2,4=cv3,4=cv4,5=0.196>cvthである。従って、判定器50は、式(10)を用いて、判定データr1,4、r2,4、r3,4、r4,5=「改善目標B」を算出する。
また、4つのリンクデータ値{l1,1,l2,1,l3,1,l4,1}が値「1」を有するので、リンクデータ値「1」に関連付けられた区間のカウント値は、cnt1,1=cnt2,1=cnt3,1=cnt4,1=4>cntthである。また、リンクデータ値「1」に関連付けられた区間の長さは、{b1,1,b2,1、b3,1,b4,1}={6,5,5,5}であり、平均5.25及び標準偏差0.5を有するので、その変動係数は、cv1,1=cv2,1=cv3,1=cv4,1=0.095<cvthである。従って、判定器50は、式(10)を用いて、判定データr1,1、r2,1、r3,1、r4,1=「正常」を算出する。
図16は、図15で示した判定データを時系列グラフで示す図である。図16は、図14の各区間に記述されたリンクデータ値ld,mを表す数字「1」〜「7」に代えて、対応する判定データrd,mの内容を示す。判定データr4,4は「改善目標A」として算出されたので、対応する区間[a4,4,a4,4+b4,4−1]に、「改善目標A」と記述されている。また、判定データr1,4、r2,4、r3,4、r4,5は「改善目標B」として算出されたので、対応する区間[a1,4,a1,4+b1,4−1]、[a2,4,a2,4+b2,4−1]、[a3,4,a3,4+b3,4−1]、[a4,5,a4,5+b4,5−1]に、「改善目標B」と記述されている。
ここで、図12において、サイクル作業d=1〜3におけるクラス番号の系列では、5番目の区間のみがクラス番号5に分類されている。これに対して、サイクル作業d=4におけるクラス番号の系列では、4番目と6番目の区間がクラス番号5に分類されている。すなわち、作業主体がサイクル作業d=4において作業の手順を誤り、通常は1回のみ実施する要素作業(クラス番号5の標準パターンに類似したセンサデータ列が計測される要素作業)を2回実施している。この状況においては、各サイクル作業に含まれる区間の個数が異なり、また、1つのサイクル作業において同一のクラスに分類された複数の区間がある。このように、複数のサイクル作業間で対応する区間が明確でないので、従来技術では、区間ごとに特性値を算出できないと考えられる。これに対して、本実施の形態に係る作業分析装置1では、クラスデータリンカ40が複数のサイクル間で互いに対応する区間を互いに関連付けたリンクデータ値を算出することで、判定器50は、互いに正しく関連付けられた区間の特性値を算出することができる。
さらに、判定器50は、判定結果である算出した特性値と判定データとを、作業分析装置1の外部に備える表示装置3へ出力する。表示装置3は、判定結果を表示する液晶表示装置などの画像形成装置である。表示装置3の代わりに、判定結果を記憶する記憶装置、判定結果を送信する通信装置、などを備えてもよい。本実施の形態に係る作業分析装置1は、以上のように動作する。
さらに、本実施の形態に係る作業分析装置1の動作について、フローチャートを参照して説明する。
図17は、本実施の形態に係る作業分析装置1の動作を示すフローチャートである。まずステップS101において、センサデータ入力装置10が、複数のサイクル作業に対して、センサ2から出力されるセンサ値に基づいて、センサデータ列を取得する。次にステップS102において、センサデータ記憶装置31が、ステップS101で取得された複数のセンサデータ列を記憶する。
次にステップS103において、第1分類器21が、ステップS102でセンサデータ記憶装置31に記憶された複数のセンサデータ列に基づいて、複数のクラスデータ列の初期値を生成する。次にステップS104において、クラスデータ記憶装置32が、複数のクラスデータ列を記憶する。次にステップS105において、標準パターン生成器22が、ステップS102でセンサデータ記憶装置に記憶された複数のセンサデータ列と、ステップS104でクラスデータ記憶装置に記憶された複数のクラスデータ列とに基づいて、複数の標準パターンを生成する。次にステップS106において、第2分類器23が、ステップS102でセンサデータ記憶装置に記憶された複数のセンサデータ列と、ステップS105で生成された複数の標準パターンとに基づいて、複数のクラスデータ列を生成する。次にステップS107において、クラスデータ評価器24が、ステップS106で生成された複数のクラスデータ列を所定の評価基準で評価する。ステップS107において、各クラスデータ列が評価基準を満たさなかった場合、作業分析装置1の動作はステップS104に戻る。一方、ステップS107において、各クラスデータ列が評価基準を満たした場合、作業分析装置1の動作はステップS108へと進む。
次にステップS108において、クラスデータリンカ40が、ステップS107で評価基準を満たした複数のクラスデータ列に基づき、クラスデータ列間の対応する区間を互いに関連付けたリンクデータ値を生成する。次にステップS109において、判定器50が、ステップS108で生成されたリンクデータ値に基づいて、互いに関連付けられた複数の区間ごとの特性値と、判定データとを生成する。
ステップS109が終了すると、作業分析装置1の動作は終了する。作業分析装置1は、以上のように動作する。
次に、本実施の形態に係る作業分析装置1を実現するハードウェア構成について述べる。作業分析装置1におけるセンサデータ入力装置10、第1分類器21、標準パターン生成器22、第2分類器23、クラスデータ評価器24、クラスデータリンカ40、及び判定器50の各機能は、処理回路により実現されてもよい。処理回路は、専用のハードウェア装置であっても、メモリに格納されるプログラムを実行するCPU(Central Processing Unit、中央処理装置、処理装置、演算装置、マイクロプロセッサ、マイクロコンピュータ、プロセッサ、Digital Signal Processorともいう)などの汎用装置であってもよい。また、センサデータ記憶装置31及びクラスデータ記憶装置32の各機能は、メモリにより実現されてもよい。
処理回路が専用のハードウェア装置である場合、処理回路は、例えば、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ASIC(Application Specific Integrated Circuit)、FPGA(Field Programmable Gate Array)、又はこれらを組み合わせたものであってもよい。センサデータ入力装置10、第1分類器21、標準パターン生成器22、第2分類器23、クラスデータ評価器24、クラスデータリンカ40、及び判定器50の各部の機能を個別に処理回路で実現してもよく、各部の機能をまとめて処理回路で実現してもよい。
処理回路がCPUである場合、センサデータ入力装置10、第1分類器21、標準パターン生成器22、第2分類器23、クラスデータ評価器24、クラスデータリンカ40、及び判定器50の各機能は、ソフトウェア、ファームウェア、又はソフトウェアとファームウェアとの組み合わせにより実現される。ソフトウェア及び/又はファームウェアはフログラムとして記述され、メモリに格納される。処理回路は、メモリに記憶されたフログラムを読み出して実行することにより、各部の機能を実現する。これらのフログラムは、センサデータ入力装置10、第1分類器21、標準パターン生成器22、第2分類器23、クラスデータ評価器24、クラスデータリンカ40、及び判定器50の動作の手順及び/又は方法をコンビュータに実行させるものであってもよい。ここで、メモリとは、例えば、RAM(Random Access Memory)、ROM(Read Only Memory)、フラッシュメモリ、EPROM(Erasable Programmable ROM)、EEPROM(Electrically Erasable Programmable ROM)などの、不揮発性又は揮発性の半導体メモリ、磁気ディスク、フレキシブルディスク、光ディスク、コンパク卜ディスク、ミニディスク、DVD(Digital Versatile Disc)などであってもよい。
なお、センサデータ入力装置10、第1分類器21、標準パターン生成器22、第2分類器23、クラスデータ評価器24、クラスデータリンカ40、及び判定器50の各機能について、一部を専用のハードウェア装置で実現し、他の一部をソフトウェア又はファームウェアで実現するようにしてもよい。例えば、センサデータ入力装置10の機能については専用のハードウェア装置としての処理回路で実現し、第1分類器21、標準パターン生成器22、第2分類器23、クラスデータ評価器24、クラスデータリンカ40、及び判定器50の各機能については、処理回路がメモリに格納されたフログラムを読み出して実行することによって実現してもよい。
図18は、本実施の形態に係る作業分析装置1のハードウェア構成の一例を示す図である。図18は、処理回路1001が専用のハードウェア装置である場合の例を示している。図18の例では、センサデータ入力装置10、第1分類器21、標準パターン生成器22、第2分類器23、クラスデータ評価器24、クラスデータリンカ40、及び判定器50の各機能は、処理回路1001で実現される。また、センサデータ記憶装置31及びクラスデータ記憶装置32の各機能は、メモリ1002により実現される。処理回路1001は、データバス1003を介してメモリ1002と接続される。
また、図19は、本実施の形態に係る作業分析装置1のハードウェア構成の別の例を示す図である。図19は、処理回路がCPUである場合のハードウェア構成の例を示している。図19の例では、センサデータ入力装置10、第1分類器21、標準パターン生成器22、第2分類器23、クラスデータ評価器24、クラスデータリンカ40、及び判定器50の各機能は、メモリ1005に格納されるプログラムをプロセッサ1004が実行することで実現される。また、センサデータ記憶装置31及びクラスデータ記憶装置32の各機能は、メモリ1002により実現される。プロセッサ1004は、データバス1003を介してメモリ1002及びメモリ1005と接続される。
なお、実施の形態2に係る作業分析装置においても、実施の形態1に係る作業分析装置1と同様のハードウェア構成で実現することができる。
以上のように、本実施の形態に係る作業分析装置1によれば、予めテンプレート及び標準作業時間などを設計することを必要とせず、また、作業主体が作業の手順を誤った場合にも、分析対象の作業から計測されたセンサデータのみに基づいて、要素作業ごとの特性値を算出するとともに、改善を要する区間を判定することができる。
また、本実施の形態に係る作業分析装置1によれば、予め設計したテンプレート及び標準作業時間などを記憶する必要がないので、必要なメモリ領域を削減することができる。さらには、予めテンプレート及び標準作業時間を設計するために必要だった計算時間が不要となるので、作業分析の事前の計算処理を高速化できるという効果がある。
実施の形態2.
作業主体が作業を実施した結果、改善モードが生じる場合がある。改善モードとは、作業により不良な製品が製造されること、作業時間が長すぎること、など、各サイクル作業における改善を要する事項を総称したものである。改善モードとして、例えば、「ねじの締め忘れ」、「サイクル時間の超過」、などがある。「ねじの締め忘れ」が生じたサイクル作業では、通常の作業に対して必要な作業をスキップしている可能性がある。また、「サイクル時間の超過」が発生した場合には、通常の作業に対して不要な作業を実施している可能性がある。本実施の形態に係る作業分析装置は、ユーザが改善モードを入力することで、改善モードごとの作業の差異を特性値として算出する。これにより、改善モードの原因となった区間を容易に特定できるようにすることを目的とする。
図20は、本実施の形態に係る作業分析装置1Aの構成の一例を示す図である。本実施の形態に係る作業分析装置1Aは、ユーザが作業の結果を判定して作業の結果として生じた改善モードを入力し、その改善モードの原因となった改善を要する動作を含む区間を特定するという点で、実施の形態1に係る作業分析装置1と異なる。
本実施の形態に係る作業分析装置1Aには、モード入力装置4が接続される。また、作業分析装置1Aは、実施の形態1に係る作業分析装置1と比較して、判定器50Aの動作の一部が異なる。この結果、本実施の形態に係る作業分析装置1Aは、改善モードの原因となった改善を要する動作を含む区間を容易に特定することができる。以下、実施の形態1に係る作業分析装置1との差異を中心に説明する。
まず、本実施の形態に係るモード入力装置4について述べる。モード入力装置4は、複数回のサイクル作業のそれぞれの結果として生じた改善モードmdを示すユーザ入力を取得する。本実施の形態では、モード入力装置4は、改善モードとして、作業にかかったサイクル時間に関する「通常」又は「超過」を示すユーザ入力を取得する。モード入力装置4は、キーボード又はタッチパネル、メモリカード読み取り装置、など、外部から情報を入力できる装置で構成される。ほかの例としては、モード入力装置4は、改善モードとして、製品の品質に関する「良」又は「不良」を示すユーザ入力を取得してもよい。
次に、本実施の形態に係る判定器50Aについて述べる。判定器50Aは、モード入力装置4から入力された改善モードmdと、クラスデータリンカ40によって生成されたリンクデータ値ld,mとに基づいて、互いに関連付けられた区間ごとの特性値を算出するとともに、同一の改善モードが生じたサイクル作業に共通する改善を要する動作を含む区間を判定データとして判定する。
図21は、本実施の形態に係るクラスデータリンカ40により生成されるリンクデータ値のデータ構造を説明するための図である。図21は、D=5回のサイクル作業で取得されたセンサデータ列から、第2分類器23によって生成されたクラスデータ列sd,mと、クラスデータリンカ40によって生成されたリンクデータ値ld,mとを並べて示す。図22は、図21で示したリンクデータ値を時系列グラフで示す図である。図22を参照すると、横軸は、サイクル作業dにおいて時系列のセンサ値が出力された番号nであり、センサデータ列xにおけるセンサ値x(n)の番号nであり、数字「1」〜「8」をそれぞれ含む矩形は、センサデータ列xを分割した区間[ad,m,ad,m+bd,m−1]を表す。また、各区間に記述された数字「1」〜「8」はリンクデータ値ld,mを表す。
判定器50Aは、リンクデータ値ld,mに基づいて互いに関連付けられた区間ごとの特性値として、改善モードmd=「通常」であり、かつ、同一のリンク番号が割り当てられた複数の区間の個数であるカウント値cnt2d,mを算出する。判定器50Aは、さらに、カウント値cnt2d,mに基づいて、式(11)を用いて、判定データr2d,mを算出する。ここで、cnt2thは所定のしきい値である。
Figure 0006779413
・・・・・式(11)
ここで、改善目標Cは、改善モード「超過」が入力されたサイクル作業に特徴的な区間、すなわち、一連の動作の中で「超過」を生じさせる原因となる動作が行われた区間を判定したラベルである。
図23は、本実施の形態に係る判定器50Aにより算出される特性値及び判定データのデータ構造を説明するための図である。図23において、第2分類器23によって生成されたクラスデータ列sd,mと、クラスデータリンカ40によって生成されたリンクデータ値ld,mと、判定器50Aによって算出されたカウント値cnt2d,m及び判定データr2d,mとを、リンクデータ値ld,mごとに並べ替えて示している。図23の例では、判定器50Aは、式(11)にしきい値cnt2th=0を設定して、作業主体の動作を改善する必要があるか否かを判定している。
図23を参照すると、例えば、2つのリンクデータ値{l4,4,l5,4}が値「4」を有する。これに対応する改善モードmdとmdとはいずれも「超過」であるので、カウント値cnt24,4=cnt25,4=0≦cnt2thである。従って、判定器50Aは、式(11)を用いて、判定データr24,4=r25,4=「改善目標C」を算出する。
また、1つのリンクデータ値{l2,7}のみが値「8」を有する。これに対応する改善モードmdは「通常」であるので、カウント値cnt22,7=1>cnt2thである。従って、判定器50Aは、式(11)を用いて、判定データr22,7=「正常」を算出する。
図24は、図23で示した判定データを時系列グラフで示す図である。図24は、図22の各区間に記述されたリンクデータ値ld,mを表す数字「1」〜「8」に代えて、対応する判定データr2d,mの内容を示す。判定データr24,4、r25,4は「改善目標C」として算出されたので、対応する区間[a4,4,a4,4+b4,4−1]、[a5,4,a5,4+b5,4−1]に、「改善目標C」と記述されている。
判定器50Aは、さらに、判定結果である判定データを、作業分析装置1Aの外部に備える表示装置3へ出力する。表示装置3は、判定データを表示する液晶表示装置などの画像形成装置である。表示装置3の代わりに、判定結果を記憶する記憶装置、判定結果を送信する通信装置、などを備えてもよい。本実施の形態に係る作業分析装置1Aは、以上のように動作する。
以上のように、本実施の形態に係る作業分析装置1Aによれば、予めテンプレート及び標準的な作業時間などを設計することなく、作業主体の作業に対して計測されたデータと、作業の結果として生じた改善モードのみから、改善モードの原因となった作業の区間を容易に特定できる。
なお、本実施の形態では、改善モードとして、サイクル作業にかかったサイクル時間に関する「通常」又は「超過」などを設定したが、その他にも、サイクル作業を実施した作業主体に関する「初心者」又は「熟練者」などを設定してもよい。すなわち、作業主体が初心者である場合と、熟練者である場合とでは、作業に係る時間、製品の品質、などに違いが生じる。生産性の向上のためには、初心者の熟練度を速やかに向上することが重要であり、そのためには、初心者の作業において改善を要する動作を具体的に示すことが必要である。本実施の形態に係る作業分析装置1Aでは、前述したように、入力された改善モード間の差異を特性値として算出できる。したがって、改善モードとして「初心者」又は「熟練者」を入力することで、「初心者」と「熟練者」との差異が生じる区間を容易に特定することができる。また、本実施の形態に係る判定器50Aでは、特性値としてカウント値を算出したが、これに限らず、例えば変動係数を算出することで、改善モードによって、安定して実施できない(バラツキが生じる)区間を容易に特定することができる。
変形例.
なお、本発明の各実施の形態は、作業主体が人以外の場合に対しても適用することができる。例えば、外部環境に対して制御を適応的に変化させる作業ロボットなど、制御内容が不明な機械の動作に対して適用する場合、分析者は、サイクル作業の改善モードに対して、その要因を特定することが困難な場合が多いと考えられるので、本発明の適用が効果的となる。
本発明の核実施の形態に係る標準パターン生成器は、各時刻におけるセンサ値のガウス分布からなる集合として標準パターンを生成したが、ガウス分布に代えて、他の適切な確率分布を用いてもよい。
センサデータ入力装置は、センサに接続されることに代えて、着脱可能な記憶媒体の読み取り装置を備えてもよい。これにより、センサデータ入力装置は、センサにより検出されたリアルタイムのセンサデータ列を取得することに代えて、過去に測定されたセンサデータ列を記憶媒体から読み出してもよい。
本発明は、所定の作業主体によって実施される一連の複数の動作からなる作業を分析する作業分析装置に適用可能である。
1,1A 作業分析装置、 2 センサ、 3 表示装置、 4 モード入力装置、 10 センサデータ入力装置、 20 クラスデータ生成器、 21 第1分類器、 22 標準パターン生成器、 23 第2分類器、 24 クラスデータ評価器、 31 センサデータ記憶装置、 32 クラスデータ記憶装置、 40 クラスデータリンカ、 50,50A 判定器、 100 作業主体、 101 作業主体の左手、 102 作業主体の右手、 1001 処理回路、 1002,1005 メモリ、 1003 データバス、 1004 プロセッサ。

Claims (11)

  1. 所定の作業主体によって実施される一連の複数の動作からなる作業を分析する作業分析装置であって、
    前記作業主体の作業をセンサで計測することによって生成される時系列のセンサ値を示すセンサデータ列であって、前記作業主体が前記作業を複数回にわたって反復的に実施するときに各反復に対応して生成される複数のセンサデータ列を取得するセンサデータ入力装置と、
    前記各センサデータ列に含まれる前記センサ値に基づいて前記各センサデータ列を時間的に分割した複数の区間と、前記各区間に含まれる前記センサ値の時間的変化のタイプを示す前記各区間のクラスとを決定し、前記複数のセンサデータ列のそれぞれに対して、当該センサデータ列の前記各区間及び前記各クラスをそれぞれ示す複数の第1のクラスデータ列を生成するクラスデータ生成器と、
    前記複数の第1のクラスデータ列に基づいて、前記複数の第1のクラスデータ列の間で同じクラスを有して互いに対応する前記各区間を互いに関連付けるクラスデータリンカと、
    前記クラスデータリンカによって互いに関連付けられた前記各区間の特性値を算出する判定器とを備えた、
    作業分析装置。
  2. 前記クラスデータ生成器は、
    前記複数のセンサデータ列に基づいて、前記各区間に含まれる前記センサ値の標準的な時間的変化をそれぞれ示し、複数の前記クラスにそれぞれ対応する複数の標準パターンを生成し、
    前記複数の標準パターンを用いて前記複数の第1のクラスデータ列を生成する、
    請求項1記載の作業分析装置。
  3. 前記クラスデータ生成器は、前記複数のセンサデータ列を用いて機械学習を行い、所定の評価基準を満たすように前記複数の標準パターンを生成する、
    請求項2記載の作業分析装置。
  4. 前記クラスデータ生成器は、
    前記複数のセンサデータ列のそれぞれに対して、当該センサデータ列の前記各区間及び前記各クラスをそれぞれ示す複数の第2のクラスデータ列の初期値を生成する第1分類器と、
    前記複数のセンサデータ列及び前記複数の第2のクラスデータ列に基づいて前記複数の標準パターンを生成する標準パターン生成器と、
    前記複数の標準パターンを用いて、前記複数のセンサデータ列のそれぞれに対して、当該センサデータ列の前記各区間及び前記各クラスをそれぞれ示す複数の第3のクラスデータ列を生成する第2分類器と、
    前記各第3のクラスデータ列が所定の評価基準を満たさないとき、前記各第3のクラスデータ列で前記各第2のクラスデータ列を更新する一方、前記各第3のクラスデータ列が前記評価基準を満たすとき、前記各第3のクラスデータ列を前記各第1のクラスデータ列として生成するクラスデータ評価器とを備え、
    前記クラスデータ生成器は、前記各第3のクラスデータ列が前記評価基準を満たすまで、前記標準パターン生成器による前記複数の標準パターンの生成と、前記第2分類器による前記各第3のクラスデータ列の生成と、前記クラスデータ評価器による前記各第2のクラスデータ列の更新とを繰り返す、
    請求項2記載の作業分析装置。
  5. 前記第1分類器は、
    前記複数のセンサデータ列のそれぞれを、前記クラスの個数に等しい個数の区間であって、互いに等しい長さを有する複数の区間に分割し、
    前記複数のセンサデータ列のそれぞれについて、当該センサデータ列を分割した複数の区間を、前記各区間の時間的な順序に基づいて、複数の前記クラスのうちのいずれか1つに分類し、
    これにより、前記複数の第2のクラスデータ列の初期値を生成する、
    請求項4記載の作業分析装置。
  6. 前記クラスデータ評価器は、前記各第3のクラスデータ列と前記各第2のクラスデータ列との類似度を算出し、前記類似度が第1のしきい値を上回るとき、前記各第3のクラスデータ列が前記所定の評価基準を満たすと決定する、
    請求項4又は5記載の作業分析装置。
  7. 前記クラスデータ生成器は、各時刻における前記センサ値の確率分布として前記各標準パターンを生成する、
    請求項2〜6のいずれか1つに記載の作業分析装置。
  8. 前記判定器は、前記各区間の特性値に基づいて、前記各区間における前記作業主体の動作を改善する必要があるか否かを判定する、
    請求項1〜7のいずれか1つに記載の作業分析装置。
  9. 前記判定器は、
    前記各区間の特性値として、前記クラスデータリンカによって互いに関連付けられた前記区間の個数を示すカウント値を算出し、
    第2のしきい値を下回る前記カウント値を有する区間が存在するとき、当該区間における前記作業主体の動作を改善する必要があると判定する、
    請求項8記載の作業分析装置。
  10. 前記判定器は、
    前記各区間の特性値として、前記クラスデータリンカによって互いに関連付けられた前記各区間の長さの変動を示す変動係数を算出し、
    第3のしきい値を上回る前記変動係数を有する区間が存在するとき、当該区間における前記作業主体の動作を改善する必要があると判定する、
    請求項8又は9記載の作業分析装置。
  11. 前記作業分析装置は、前記作業のモードを入力するモード入力装置を備え、
    前記判定器は、前記クラスデータリンカによって互いに関連付けられた前記各区間と、前記モードとに基づいて、前記各区間の特性値を算出する、
    請求項1〜10のいずれか1つに記載の作業分析装置。
JP2020522512A 2018-05-31 2018-05-31 作業分析装置 Active JP6779413B2 (ja)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2018/021006 WO2019229943A1 (ja) 2018-05-31 2018-05-31 作業分析装置

Publications (2)

Publication Number Publication Date
JPWO2019229943A1 JPWO2019229943A1 (ja) 2020-10-01
JP6779413B2 true JP6779413B2 (ja) 2020-11-04

Family

ID=68698743

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020522512A Active JP6779413B2 (ja) 2018-05-31 2018-05-31 作業分析装置

Country Status (5)

Country Link
US (1) US11599083B2 (ja)
JP (1) JP6779413B2 (ja)
CN (1) CN112136087B (ja)
DE (1) DE112018007522T5 (ja)
WO (1) WO2019229943A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021131806A (ja) * 2020-02-21 2021-09-09 オムロン株式会社 行動解析装置及び行動解析方法
US20230075705A1 (en) 2020-06-18 2023-03-09 Mitsubishi Electric Corporation Work support device and work support method

Family Cites Families (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4180960B2 (ja) * 2003-04-11 2008-11-12 キヤノンItソリューションズ株式会社 データ分析装置及びその制御方法、並びにコンピュータプログラム及びコンピュータ可読記憶媒体
JP2006338373A (ja) * 2005-06-02 2006-12-14 Toshiba Corp 多変数時系列データ分析装置、方法およびプログラム
JP2009157770A (ja) 2007-12-27 2009-07-16 Toshiba Corp 行動判定装置、行動判定方法および行動判定プログラム
JP5312807B2 (ja) * 2008-01-08 2013-10-09 オリンパス株式会社 画像処理装置および画像処理プログラム
EP2172820A1 (de) * 2008-10-06 2010-04-07 Basf Se Verfahren und System zur automatisierten Analyse von Prozessdaten
JP5525202B2 (ja) 2009-07-30 2014-06-18 株式会社構造計画研究所 動作分析装置、動作分析方法及び動作分析プログラム
US8606564B2 (en) * 2010-11-01 2013-12-10 Yahoo! Inc. Extracting rich temporal context for business entities and events
JP2012221432A (ja) * 2011-04-13 2012-11-12 Toyota Motor East Japan Inc トレーシングシステム及びトレーシングシステム設定処理用プログラム
JP5868216B2 (ja) * 2012-02-27 2016-02-24 三菱電機株式会社 クラスタリング装置及びクラスタリングプログラム
KR101560274B1 (ko) * 2013-05-31 2015-10-14 삼성에스디에스 주식회사 데이터 분석 장치 및 방법
KR101538843B1 (ko) * 2013-05-31 2015-07-22 삼성에스디에스 주식회사 제조 설비의 센서 데이터를 활용한 수율 분석 시스템 및 방법
JP2015197847A (ja) 2014-04-02 2015-11-09 富士電機株式会社 作業分析システム、作業分析方法、及び作業分析プログラム
JP6421475B2 (ja) * 2014-06-30 2018-11-14 カシオ計算機株式会社 データ解析装置及びデータ解析方法、データ解析プログラム
KR101981075B1 (ko) * 2015-03-31 2019-05-22 가부시키가이샤 프론테오 데이터 분석 시스템, 데이터 분석 방법, 데이터 분석 프로그램, 및 기록매체
WO2017037839A1 (ja) * 2015-08-31 2017-03-09 株式会社日立製作所 情報処理装置及び情報処理方法
JP6849312B2 (ja) * 2016-03-02 2021-03-24 株式会社日立製作所 作業動作認識システム
JP6650305B2 (ja) * 2016-03-17 2020-02-19 国立研究開発法人産業技術総合研究所 行動分析システムおよびプログラム
JP6720010B2 (ja) * 2016-07-28 2020-07-08 キヤノン株式会社 情報処理装置、情報処理方法、およびプログラム
US10909451B2 (en) * 2016-09-01 2021-02-02 International Business Machines Corporation Apparatus and method for learning a model corresponding to time-series input data
US10768076B1 (en) * 2016-09-30 2020-09-08 Sight Machine, Inc. System and method for monitoring manufacturing
JP6714498B2 (ja) * 2016-11-17 2020-06-24 株式会社日立製作所 設備診断装置及び設備診断方法
JP6571741B2 (ja) 2017-11-29 2019-09-04 ファナック株式会社 作業者管理装置
DE102017221501A1 (de) 2017-11-30 2019-06-06 Bayerische Motoren Werke Aktiengesellschaft Vorrichtung zur automatischen Ermittlung von Zeitdaten für die Montage eines Produkts
US11763170B2 (en) * 2018-02-05 2023-09-19 Sony Group Corporation Method and system for predicting discrete sequences using deep context tree weighting

Also Published As

Publication number Publication date
WO2019229943A1 (ja) 2019-12-05
CN112136087B (zh) 2024-05-28
CN112136087A (zh) 2020-12-25
DE112018007522T5 (de) 2021-01-14
US20210080925A1 (en) 2021-03-18
JPWO2019229943A1 (ja) 2020-10-01
US11599083B2 (en) 2023-03-07

Similar Documents

Publication Publication Date Title
US11763603B2 (en) Physical activity quantification and monitoring
US11631230B2 (en) Method, device, system and computer-program product for setting lighting condition and storage medium
JP6779413B2 (ja) 作業分析装置
JP5262705B2 (ja) 運動推定装置及びプログラム
US11461584B2 (en) Discrimination device and machine learning method
CN102622603A (zh) 用于评价人体姿势识别技术的方法和装置
JP2017102865A (ja) 情報処理装置、情報処理方法及びプログラム
JP2009032033A (ja) 動作境界検出方法および作業分析システム
US20200209277A1 (en) System and method for standardized evaluation of activity sequence
JP6786015B1 (ja) 動作分析システムおよび動作分析プログラム
US10996235B2 (en) System and method for cycle duration measurement in repeated activity sequences
CN111753599B (zh) 人员操作流程检测方法、装置、电子设备及存储介质
US9483827B2 (en) Method of object orientation detection
US10922823B2 (en) Motion analyis device, motion analysis method, and program recording medium
Senjaya et al. Ergonomic risk level prediction framework for multiclass imbalanced data
JP7254262B2 (ja) 作業推定装置、作業推定方法、及び、作業推定プログラム
US20220188307A1 (en) Data analysis apparatus, method and system
CN112508925B (zh) 电子锁面板质量检测方法、系统、计算机装置和存储介质
JP2019200241A (ja) 動作分析装置、動作分析方法、動作分析プログラム及び動作分析システム
JP2018128358A (ja) 異常監視方法および異常監視装置
JP7099296B2 (ja) 評価方法、システム構築方法、及び評価システム
CN114041160A (zh) 应力分布图像处理装置
US20230075705A1 (en) Work support device and work support method
Zhang et al. Efficient auto-refocusing of iris images for light-field cameras
JP7449248B2 (ja) 支援装置、支援方法及び支援プログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200610

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20200610

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20200713

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: 20200915

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20201013

R150 Certificate of patent or registration of utility model

Ref document number: 6779413

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250