JPWO2019093386A1 - 技能基盤システム、技能モデル化装置および技能流通方法 - Google Patents

Abstract

実施形態によれば、技能基盤システムは、データ取得部と、モデル作成部と、技能提供部とを具備する。前記データ取得部は、第１拠点における熟練工による作業に関するデータを取得する。前記モデル作成部は、前記データ取得部によって取得されたデータを用いて前記熟練工の技能をモデル化する。前記技能提供部は、前記モデル作成部によって作成されたモデルを用いて前記熟練工の技能を第２拠点に提供する。

Description

本発明の実施形態は、技能基盤システム、技能モデル化装置および技能流通方法に関する。

近年、特に製造業においては、少子高齢化などに起因して、熟練工の技能の後継者不足が深刻な問題となっている。その一方で、高品質の製品の生産拠点を、生産人口の増加が予測される新興国などに展開するグローバル化の流れが進んでおり、この現象も、熟練工の不足の問題に拍車をかけている。優れた技能を有する熟練工は、「匠」などと称されている。

特開２０１０−２６７９４７号公報

特に、前述のような状況下にある製造業においては、匠の技能の次世代への継承や、匠の技能の海外への伝達など、匠の技能を時間的にも空間的にも流通させるための方策が求められている。

本発明が解決しようとする課題は、匠の技能を時間的にも空間的にも流通させることができる技能基盤システム、技能モデル化装置および技能流通方法を提供することである。

実施形態によれば、技能基盤システムは、データ取得部と、モデル作成部と、技能提供部とを具備する。前記データ取得部は、第１拠点での熟練工による作業に関するデータを取得する。前記モデル作成部は、前記データ取得部によって取得されたデータを用いて前記熟練工の技能をモデル化する。前記技能提供部は、前記モデル作成部によって作成されたモデルを用いて前記熟練工の技能を第２拠点に提供する。

実施形態の製造技能基盤システムの概念を説明するための図。 実施形態の製造技能基盤システムにおいてモデル化され得る匠の技能の例を説明するための図。 ディープラーニングの概要を説明するための図。 実施形態の製造技能基盤システムにおける匠の技能のモデル化の一例を説明するための図。 実施形態の製造技能基盤システムを模式的に示す図。 実施形態の製造技能基盤システムの一構成例を示す図。 実施形態の製造技能基盤システムのハードウェア構成の一例を示す図。 実施形態の製造技能基盤システムのデジタル「匠」３０を作成するフェーズにおける動作の流れを示すフローチャート。 実施形態の製造技能基盤システムのデジタル「匠」３０を活用するフェーズにおける動作の流れを示すフローチャート。 実施形態の製造技能基盤システムにおいて想定され得る第１のユースケースを説明するための図。 実施形態の製造技能基盤システムにおいて想定され得る第２のユースケースを説明するための図。 実施形態の製造技能基盤システムにおいて想定され得る第３のユースケースを説明するための図。 実施形態の製造技能基盤システムにおいて想定され得る第４のユースケースを説明するための図。 実施形態の製造技能基盤システムの一応用例（応用システム）を示す図。 応用システムにおける製造工程フローを示す図。 応用システムにおいて、複数の匠の技に関するデータを収集して、さらにすぐれた匠の技のデータを構築する考え方の他の例を示す説明図。 応用システムにおいて、複数の匠の技を環境に応じて使い分ける例を概略的に示す図。 応用システムにおけるデジタル匠の情報（製造関連情報）の一生成例を説明するための図。 応用システムにおけるシミュレータを利用した匠の技の情報入力方法の一例を示す説明図。 応用システムにおけるアナログ的な“匠の技”の情報から“デジタル匠”の情報を生成する一例を示す図。 応用システムの各モジュールで行われる処理方法の一例を示す図。

以下、実施形態について図面を参照して説明する。

図１は、本実施形態の製造技能基盤システムの概念を説明するための図である。この製造技能基盤システムを、以下、『デジタル「匠」プラットフォーム』と称する。

デジタル「匠」プラットフォームは、たとえば、ＩｏＴ（Internet of Things）技術とＡＩ（Artificial Intelligence）技術とを融合させて実現するシステムである。デジタル「匠」プラットフォームには、大きく分けて、後述するデジタル「匠」３０を作成するフェーズと、デジタル「匠」３０を活用するフェーズとが存在する。

まず、デジタル「匠」３０を作成するフェーズの概要について説明する。

デジタル「匠」プラットフォームは、たとえば製造ラインＡなどのリアル空間１における作業員（優れた技能を有する匠１０（実在の「匠」と称される作業員）を含む）による作業をサイバー空間上において再現するデジタルツイン２を構築する。更に、デジタル「匠」プラットフォームは、このデジタルツイン２の構築のために取得されるデータ（ａ１）の中の匠１０による作業に関するデータ（ａ２）を用いて、リアル空間１における匠１０による作業をサイバー空間上において再現する「匠」デジタルツイン３を構築する。ここで、匠１０の技能は、ノウハウとも称される可視化されていないものを含む。

なお、デジタルツイン（２，３）を構築する手法については、特定の手法に限定されず、既知の種々の手法を採用し得る。また、デジタルツイン（２，３）を構築するためのデータの取得において、ＩｏＴ技術を適用し得る。

デジタルツイン（２，３）を構築するためのデータは、たとえば、作業員が視たり聴いたり触ったりなど五感によって認識する事象に関する情報、作業員の視線や特定の部位の動きに関する情報、作業員が扱う装置の状態に関する情報または作業員の成果物（生産品に限らず、計画などを含む）に関する情報などである。作業員の視線や特定の部位の動きは、たとえば、作業員にセンサを装着して検知してもよいし、カメラによって撮像した作業員の画像から検知してもよい。つまり、デジタルツイン（２，３）を構築するためのデータの１つは、作業員を撮像した画像であってもよい。また、作業員の視線の動きを画像から検知する場合、その画像を撮像するためのカメラを作業員に装着させるメガネに搭載してもよい。これらのように、デジタルツイン（２，３）を構築するためのデータを取得する手法については、特定の手法に限定されず、既知の種々の手法を採用し得る。また、ＩｏＴ技術の進化に伴って、その手法を変更していくことも可能である。

また、デジタルツイン（２，３）を構築するために取得されるデータには、作業員の入力に属するデータと、作業員の出力に属するデータとが含まれる。たとえば作業員が視たり聴いたり触ったりなど五感によって何らかの事象を認識して何らかの行動を執ったとした場合を考える。その際、作業員が視たり聴いたり触ったりなど五感によって認識した何らかの事象に関する情報が、作業員の入力に属するデータとして取得される。並行して、作業員が執った何らかの行動に関する情報が、作業員の出力に属するデータとして取得される。このように取得される作業員の入力または出力に属するデータには、たとえば生産拠点や個人を識別可能な識別情報などが付加される。この識別情報は、たとえばデジタルツイン２のデータの中から（「匠」デジタルツイン３を構築するための）匠１０による作業に関するデータを抽出する処理などで利用され得る。

なお、図１においては、判り易くするために、１つの生産拠点（製造ラインＡ）に匠１０が存在している様子を示しているが、匠１０は複数の生産拠点に点在し得る。また、１つの生産拠点に複数の匠１０が存在することも考えられる（図１は、製造ラインＡに匠１０が１人のみ存在することを示すことを意図していない）。これら複数の匠１０は、たとえば、「稼働」、「品質」、「生産計画」、「在庫」などの様々な分野や工程において優れた技能を有する者が混在している。もちろん、これらの優れた技能が各々の作業者に由来する場合はあるが、一人で複数の優れた技能を有する作業者の場合もある。

「匠」デジタルツイン３上の匠２０（２０−１，２０−２，２０−３，…，２０−Ｎ）は、これら複数の匠１０による作業に関するデータの集合体である。デジタル「匠」プラットフォームは、たとえば、この「匠」デジタルツイン３上の匠２０のデータを学習データとするディープラーニングによって、これら複数の匠１０の技能を各々モデル化する。デジタル「匠」３０は、このモデル化によって作成されるニューラルネットワーク（「匠」モデル）を使って匠１０の技能を流通させるためのモジュールである。デジタル「匠」３０を作成することは、実質的には、匠１０の技能をモデル化することである。換言すれば、『「匠」モデル』を作成することである。

たとえば、製造ラインＡで作業する匠１０の技能をモデル化した「匠」モデル、つまり、デジタル匠３０を作成するときを考える。その際、匠１０が不在の製造ラインＢにおいて作業員が視たり聴いたり触ったりなど五感によって認識した何らかの事象に関する情報（入力）から、匠１０ならば執るであろう何らかの行動（出力）を推定し、その推定結果を製造ラインＢへ反映させることができる。つまり、匠１０の技能を流通させることができる（ａ３）。なお、製造ラインＢは、匠１０が引退後の将来の製造ラインＡと捉えることもできる。また、匠１０の技能のモデル化において、ＡＩ技術を適用し得る。

図２を参照して、匠１０が有する優れた技能の例を説明する。

図２中、（Ａ）は、ダイカスト製造（金型鋳造）に携わる匠１０の技能に関する図であり、（Ｂ）は、ごみ焼却に携わる匠１０の技能に関する図である。より詳しくは、図２は匠１０が視覚で認識する事象（画像）を示す図である。

ダイカスト製造においては、金型温度の微妙な変化で不良品が発生する。ダイカスト製造に携わる匠１０は、サーモグラフィで熱たまりを発見し、装置を制御する。また、ごみ焼却においては、不完全燃焼により有害物質が発生する。ごみ焼却に携わる匠１０は、炎の状態を視ながら、ごみや空気の投入を調整する。

デジタル「匠」プラットフォームは、このような匠１０の技能をモデル化し、ダイカスト製造においては、匠１０でなくても熱たまりを発見できるようにし、ごみ焼却においては、（匠１０に頼らず）遠隔監視する監視員でも焼却炉の制御を行えるようにする。

なお、ここでは、リアル空間１における作業をサイバー空間上において再現するデジタルツイン２経由で匠１０による作業に関するデータを取得する例を示したが、匠１０による作業に関するデータの取得は、必ずしもデジタルツイン２経由でなくとも構わない。または、リアル空間１における匠１０による作業のみをサイバー空間上において再現する限定的なデジタルツイン、つまり「匠」デジタルツイン３を、デジタルツイン２の構築を経ずに直接的に構築するようにしてもよい。

ここで、図３および図４を参照して、匠１０の技能のモデル化について説明する。図３は、ディープラーニングの概要を説明するための図である。ディープラーニングとは、ニューラルネットワークを用いた機械学習法の総称である。

たとえば、前述したように、ダイカスト製造に携わる匠１０は、サーモグラフィで熱たまりを発見し、装置を制御する。この場合、サーモグラフィ画像を匠１０の入力、装置の制御の内容（「匠」の作業）を匠１０の出力と捉えると、ディープラーニングでは、この入力と出力との組み合わせを学習データとして大量に用いて、ニューラルネットワークのパラメータを最適化する（（Ａ）学習）。ここで、パラメータとは、ニューロン間の結合荷重である。つまり、本実施形態において匠１０の技能をモデル化するとは、ニューロン間の結合荷重を最適化したニューラルネットワークを作成することである。そして、このように作成される、ニューロン間の結合荷重を最適化したニューラルネットワークを『「匠」モデル』と称する。

ダイカスト製造に携わる匠１０の技能をモデル化した「匠」モデルによれば、学習データには含まれないサーモグラフィ画像（未知のデータ）から、匠１０ならば行うであろう装置の制御の内容を推定することが可能となる（（Ｂ）実行（推定））。したがって、匠１０でなくても熱たまりを発見できるようになる。また、「匠」モデルの推定結果に対する評価（評価データ）を学習データとしてフィードバックし、ディープラーニングを継続することによって、「匠」モデルは、匠１０の技能のレベルを超えて進化し得る。

なお、ニューラルネットワークのアーキテクチャとしては、たとえば、全結合型（ＦＣ：Fully Connected Neural Network）、畳み込み型（ＣＮＮ：Convolutional Neural Network）、再帰型（ＲＮＮ：Recurrent Neural Network）、自己符号化型（ＡＥ：Auto Encoder）などが知られている。これらの中の１つを適用してもよいし、２以上を組み合わせて適用してもよい。

また、図４は、完成品の検査工程における目視検査の匠１０の技能をモデル化する例を示す図である。ここでは、製造装置として、プリント基板に配線を施す配線装置を想定している。

匠１０は、目視で完成品が良品か不良品かを判定するのみならず、配線装置のメンテナンスの時期を的確に判定することができる（Ａ）。この匠１０の技能がなければ、メンテナンスが遅れて不良品を多数発生させてしまうおそれがあるし、逆に、過度にメンテナンスを行うことによって生産効率を低下させてしまうおそれもある。

そこで、匠１０が目視する完成品の画像を入力とし、匠１０の検査結果（完成品が良品か不良品かの判定結果と、配線装置のメンテナンスの時期か否かの判定結果とを含む）を出力として、当該入力と出力との組み合わせを大量の学習データとして用いたディープラーニングによって、この匠１０の技能をモデル化する。つまり、この匠１０の技能に対応する「匠」モデルを作成する。

この「匠」モデルが作成されると、完成品の画像から、その完成品が良品か不良品かを判定することが可能となり、また、配線装置のメンテナンスの時期を的確に判定することが可能となる（Ｂ）。

次に、デジタル「匠」３０を活用するフェーズの概要について説明する。

デジタル「匠」プラットフォームは、匠１０が不在のリアル空間１において匠１０と同等またはそれ以上のレベルの技能（以下、単に「匠１０の技能」と称する）で作業を行えるようにするために、デジタル「匠」３０用に作成されている「匠」モデルによって、匠１０の技能を提供する。たとえば、デジタル「匠」プラットフォームは、リアル空間１の作業員が視たり聴いたり触ったりなど五感によって認識する事象に関する情報から、「匠」モデルによって当該作業員が行うべき作業を推定し、その推定結果をリアル空間１の作業員へ通知する。「匠」モデルの推定結果の通知は、たとえば、画像や音声によって作業員に指示を出すためのデータを送信するといったことなどでもよい。

図５は、匠１０の技能をデジタル「匠」３０によって流通させるためのデジタル「匠」プラットフォーム１００を模式的に示す図である。

図５に示すように、デジタル「匠」プラットフォーム１００は、国内の製造メーカ２００、装置メーカ３００および中小企業・町工場４００、海外の生産拠点（海外工場）２１０および海外製造メーカ２５０などを結んで、点在する匠１０の技能を収集し、モデル化によってその技能を標準化する（ｃ１）。また、デジタル「匠」プラットフォーム１００は、匠１０の技能の進化（新たな技能の出現）に追従して、その進化を取り込んでいくことができる仕組みを実現する（ｃ２）。そして、デジタル「匠」プラットフォーム１００は、たとえば生産拠点間で匠１０の技能を融通し合うなどの匠１０の技能を共有・利活用できる基盤としての役割を果たす（ｃ３）。

図６は、デジタル「匠」プラットフォーム１００の一構成例を示す図である。

デジタル「匠」プラットフォーム１００は、たとえばサーバなどと称されるコンピュータによって構築されるシステムであって、図６に示されるように、データ取得部１１０、「匠」モデル作成部１２０および「匠」技能提供部１３０の各処理部と、デジタル「匠」マスタＤＢ（DataBase）１４０およびデジタル「匠」ローカルＤＢ１５０のデータ部とを有している。データ取得部１１０および「匠」モデル作成部１２０は、後述する「匠」モデル１４１を作成してデジタル「匠」マスタＤＢ１４０に格納する技能モデル化装置として機能する。デジタル「匠」プラットフォーム１００は、１つのコンピュータによって構築されるシステムであってもよいし、たとえば負荷分散などのために、たとえばネットワークを介して協働可能な複数のコンピュータによって構築されるシステムであってもよい。複数のコンピュータによって構築されるシステムの場合、図６に示されるすべての構成要素を複数のコンピュータに配置してもよいし、図６に示される構成を複数のコンピュータに分散させて配置してもよい。また、たとえばファイルサーバなどと称される大容量のストレージを有するコンピュータを複数のコンピュータの中に含めて、デジタル「匠」プラットフォーム１００のデータ部（デジタル「匠」マスタＤＢ１４０，デジタル「匠」ローカルＤＢ１５０）を配置してもよい。デジタル「匠」プラットフォーム１００の処理部（データ取得部１１０，「匠」モデル作成部１２０，「匠」技能提供部１３０）の一部または全部は、各々の処理手順が記述されたプログラムをプロセッサに実行させることによって実現されるものであってもよいし、専用の電子回路によって実現されるものであってもよい。図７に、デジタル「匠」プラットフォーム１００のハードウェア構成の一例を示す。

図７に示されるように、デジタル「匠」プラットフォーム１００は、プロセッサ５１、主メモリ５２、外部記憶装置５３、通信装置５４、入力装置５５、表示装置５６などを備える。なお、前述したように、デジタル「匠」プラットフォーム１００は、複数のコンピュータ（サーバとファイルサーバなど）によって構築されてもよく、図７は、そのハードウェア構成例を概略的に示しているに過ぎない。

ここでは、デジタル「匠」プラットフォーム１００は、外部記憶装置５３に格納されるデジタル「匠」プログラム１００Ａが当該外部記憶装置５３から主メモリ５２にロードされてプロセッサ５１によって実行されることによって、図６に示される各処理部が実現されるものとする。また、図６に示されるデータ部（デジタル「匠」マスタＤＢ１４０，デジタル「匠」ローカルＤＢ１５０）は、外部記憶装置５３内に構築されるものとする。

通信装置５４は、たとえば図６に示される工場Ａ，工場Ｂなどとの間の通信を実行する装置である。入力装置５５は、デジタル「匠」プラットフォーム１００を管理するオペレータなどが指令を含む情報入力を行うための装置である。表示装置５６は、当該オペレータなどへ情報出力を行うための装置である。

図６に戻って説明を続ける。

データ取得部１１０は、各生産拠点における作業員の作業に関するデータを取得するモジュールである。図６中、工場Ａは、匠１０が存在する生産拠点であり、工場Ｂは、匠１０が不在の生産拠点である。図６においては、匠１０以外の作業員を一般作業員４０と表している。なお、図６においては、判り易くするために、工場Ａと工場Ｂとを１つずつ示しているが、実際には、工場Ａとして表される匠１０が存在する生産拠点と工場Ｂとして表される匠１０が不在の生産拠点とは、それぞれが複数存在する。また、工場Ａと工場Ｂとは、同一の生産拠点であって、（匠１０が現役の）現在の生産拠点と（匠１０が引退後の）将来の生産拠点と捉えることもできる。そして、同じく判り易くするために、図６においては、データ取得部１１０が、各生産拠点（工場Ａ，工場Ｂ）から直接的にデータを取得するように示されているが、データ取得部１１０は、図１に示されるデジタルツイン２または「匠」デジタルツイン３経由でデータを取得する。デジタルツイン（２，３）のデータには、たとえば生産拠点や個人を識別可能な識別情報などが付加されており、データ取得部１１０は、この識別情報に基づき、デジタルツイン（２，３）から目的のデータを取得する。デジタルツイン（２、３）を構築するモジュールについては、ここでは、その図示およびその説明を省略する。データ取得部１１０は、デジタルツイン（２，３）経由でデータを取得することに代えて、たとえば、インターネットなどのネットワークを介して各生産拠点（工場Ａ，工場Ｂ）から直接的にデータを取得してもよい。

「匠」モデル作成部１２０は、データ取得部１１０によって取得されるデータ、より詳しくは、工場Ａでの匠１０による作業に関するデータ、を学習データとするディープラーニングによって、匠１０の技能をモデル化するモジュールである。つまり、「匠」モデルを作成するモジュールである。

「匠」モデル作成部１２０は、たとえば、「品質」、「工程」、「在庫管理」などの様々な分野や工程の作業ごとに「匠」データを作成する。より詳しくは、「匠」モデル作成部１２０は、当該様々な分野や工程の作業ごとに設けられる作業別「匠」モデル作成部１２１（１２１−１，１２１−２，…，１２１−Ｎ）を有している。これら作業別「匠」モデル作成部１２１は、デジタルツイン３から取得される匠１０による作業に関するデータ（匠２０のデータ）を学習データとするディープラーニングによって匠１０の技能をモデル化し、各々「匠」モデルを作成する。これら作業別「匠」モデル作成部１２１によって作成される「匠」モデルは、「匠」モデル１４１（１４１−１，１４１−２，…，１４１−Ｎ）としてデジタル「匠」マスタＤＢ１４０に格納される。

また、「匠」モデル作成部１２０は、作業別「匠」モデル作成部１２１を適応的に増減させることができる。より詳しくは、不要となった技能に関する作業別「匠」モデル作成部１２１を削除したり、新たに「匠」モデル１４１の作成が必要となった技能に関する作業別「匠」モデル作成部１２１を追加したり、といったことが可能である。つまり、匠１０の技能の進化（新たな技能の出現）に追従して、その進化を取り込んでいくことができる。

「匠」技能提供部１３０は、「匠」モデル作成部１２０によって作成された「匠」モデル１４１によって、匠１０の技能を提供するモジュールである。「匠」技能提供部１３０は、たとえば、「品質」、「工程」、「在庫管理」などの様々な分野や工程の作業単位に「匠」１０の技能を提供することができる。そのために、「匠」技能提供部１３０は、当該様々な分野や工程の作業ごとに設けられる作業別「匠」技能提供部１３１（１３１−１，１３１−２，…，１３１−Ｎ）を有している。また、これら作業別「匠」技能提供部１３１は、それぞれカスタマイズ処理部１３１Ａ（１３１Ａ−１，１３１−２，…,１３１−Ｎ）を有している。カスタマイズ処理部１３１Ａは、作業別「匠」モデル作成部１２１と同等のディープラーニング機能を有している。作業別「匠」技能提供部１３１は、ある生産拠点に対して「匠」モデル１４１を用いた技能の提供を開始する際、その「匠」モデル１４１をデジタル「匠」マスタＤＢ１４０から読み出して複製を作成し（「匠」モデル（ローカル）１５１）、その複製をデジタル「匠」ローカルＤＢ１５０に格納する。作業別「匠」技能提供部１３１は、デジタル「匠」ローカルＤＢ１５０に格納した「匠」モデル（ローカル）１５１によって、匠１０の技能を提供する。カスタマイズ処理部１３１Ａは、この「匠」モデル（ローカル）１５１の推定結果に対する評価に関するデータをデータ取得部１１０経由で取得し、このデータを学習データとしてディープラーニングを継続し、「匠」モデル（ローカル）１５１をその生産拠点向けにカスタマイズしていく。これにより、たとえば、各生産拠点の環境などに「匠」モデル（ローカル）１５１を適合させることができる。その結果、各作業の現場から、必要な技能を直接的に反映させて、生産拠点毎にカスタマイズされた最適なスキルを得ることができる。

また、作業別「匠」技能提供部１３０は、各生産拠点における作業を評価する。作業別「匠」技能提供部１３０は、たとえば、「匠」モデル（ローカル）１５１の推定結果と、データ取得部１１０によって取得される生産拠点における作業に関するデータとを比較することによって評価を行う。この評価によって、たとえば、ある生産拠点は「匠」モデル（ローカル）１５１に基づく作業を行うスキルを有しているが、ある生産拠点は「匠」モデル（ローカル）１５１に基づく作業を行うスキルを有していない、などといった判定を行うことができる。

図８は、デジタル「匠」プラットフォーム１００のデジタル「匠」３０を作成するフェーズにおける動作の流れを示すフローチャートである。

デジタル「匠」プラットフォーム１００は、まず、生産拠点における作業に関するデータを取得する（ステップＡ１）。次に、デジタル「匠」プラットフォーム１００は、取得したデータの中から「匠」１０による作業に関するデータを収集する（ステップＡ２）。

そして、デジタル「匠」プラットフォーム１００は、収集した「匠」１０による作業に関するデータを学習データとするディープラーニングによって「匠」の技能をモデル化する（ステップＡ３）。「匠」の技能のモデル化とは、つまり、デジタル「匠」３０の作成である。

また、図９は、デジタル「匠」プラットフォーム１００のデジタル「匠」３０を活用するフェーズにおける動作の流れを示すフローチャートである。

デジタル「匠」プラットフォーム１００は、（「匠」モデル１４１による技能の提供先の）生産拠点における作業に関するデータを取得し（ステップＢ１）、取得したデータを「匠」モデル１４１（ローカル）へ入力して推定結果を取得する（ステップＢ２）。デジタル「匠」プラットフォーム１００は、取得した推定結果を生産拠点へ反映し（ステップＢ３）、また、その推定結果に対する評価データを取得する（ステップＢ４）。デジタル「匠」プラットフォーム１００は、取得した評価データを学習データとするディープラーニングによって「匠」モデル１４１（ローカル）を当該生産拠点向けのカスタマイズを行う（ステップＢ５）。

このように、本実施形態のデジタル「匠」プラットフォーム１００（製造技能基盤システム）は、匠の技能を時間的にも空間的にも流通させることができる。

次に、このデジタル「匠」プラットフォーム１００において想定され得るユースケースについていくつか説明する。

（第１のユースケース）
まず、図１０を参照して、デジタル「匠」プラットフォーム１００において想定され得る第１のユースケースについて説明する。

第１のユースケースは、製造メーカ２００が社内の生産拠点２１０間で匠１０の技能を流通するためにデジタル「匠」プラットフォーム１００を適用するケースである。

たとえば、「品質」において優れた技術を有する匠１０（１０−１）と、「工程」において優れた技術を有する匠１０（１０−２）と、「在庫管理」において優れた技術を有する匠１０（１０−３）とが、社内の異なる生産拠点２１０に点在する場合を想定する。

このような場合、これらの匠１０の技能をデジタル「匠」プラットフォーム１００で共有する。より詳しくは、たとえば「品質」において優れた技術を有する匠１０の技能をデジタル「匠」プラットフォーム１００上においてデジタル「匠」３０用の「匠」モデル１４１としてモデル化して蓄積する。「工程」や「在庫管理」についても同様である。そして、「品質」、「工程」、「在庫管理」のそれぞれについて、匠１０の技能が「匠」モデル１４１としてプラットフォーム１００上に蓄積されたならば、たとえば「品質」において優れた技術を有する匠１０（「品質」の匠１０）が不在の生産拠点２１０は、「品質」の匠１０の技能に対応する「匠」モデル１４１によって、「品質」の匠１０の技能を補うことができる。「工程」や「在庫管理」についても同様である。

このように、デジタル「匠」プラットフォーム１００によって、社内の生産拠点２１０間で匠１０の技能を「匠」モデル１４１を通じて流通することによって、当該製造メーカ２００の製品の品質向上や均一化、製造メーカ２００の生産性向上を実現することができる。また、匠１０の技能を流通するデジタル「匠」プラットフォーム１００を構築することによって、たとえば海外工場などの（匠１０を派遣することが困難な）新たな生産拠点２１０の立ち上げ・展開を簡易化することができる。

（第２のユースケース）
次に、図１１を参照して、デジタル「匠」プラットフォーム１００において想定され得る第２のユースケースについて説明する。

第２のユースケースは、製造メーカ２００がサプライヤ（部品メーカ、アウトソーシング先など）２２０との間で連携を図るためにデジタル「匠」プラットフォーム１００を適用するケースである。

たとえば複数のサプライヤ２２０へ発注を行う場合、サプライヤ２２０間で製品の品質にばらつきが生じることは避けなければならない。より詳しくは、すべてのサプライヤ２２０の製品の品質が基準を超えていなければならない。その対策として、製造メーカ２００から匠１０を派遣して、サプライヤ２２０の作業員１１を指導するといったことが行われることがある。

デジタル「匠」プラットフォーム１００を構築し、この匠１０の技能をデジタル「匠」３０用の「匠」モデル１４１としてモデル化して蓄積して、各サプライヤ２２０に「匠」モデル１４１を通じて匠１０の技能を提供することによって、第１のユースケースでも挙げた製品の品質向上や均一化に加えて、サプライヤ２２０に対する技能の指導のコストを削減することができる。

また、デジタル「匠」プラットフォーム１００は、分野や工程の作業単位に「匠」モデル１４１を通じて匠１０の技能を提供することができるので、たとえば、社外に流出させたくない技能は「匠」モデル１４１から除いて、匠１０の技能を提供することなども可能である。さらには、提供する技能の数に応じてサプライヤ２２０へ課金するなどといったことなども可能である。

また、デジタル「匠」プラットフォーム１００では、生産拠点における作業を監視・評価することができるので、たとえば、「匠」モデル１４１に基づく作業を行う高いスキルを有し、より品質の高い製品を製造することのできるサプライヤ２２０への発注数を多くする（Ａサプライヤ＜Ｂサプライヤ）などといった傾斜発注も簡単に行えるようになる。

（第３のユースケース）
次に、図１２を参照して、デジタル「匠」プラットフォーム１００において想定され得る第３のユースケースについて説明する。

第３のユースケースは、装置メーカ３００がたとえば海外製造メーカ２５０などへの販売促進のためにデジタル「匠」プラットフォーム１００を適用するケースである。

たとえば海外製造メーカ２５０などへ装置を販売しようとしても、その海外製造メーカ２５０側に装置を使いこなせる（メンテナンスを含む）人材がいないことが、販売の障害になる場合が少なくない。

デジタル「匠」プラットフォーム１００を構築すれば、「匠」モデル１４１を通じて匠１０の技能を遠隔地の生産拠点に提供することができるので、匠１０の技能をセットで装置を販売することが可能となる。これにより、装置の販売数を増加させることができる。

なお、デジタル「匠」プラットフォーム１００では、遠隔地の生産拠点における作業を監視・評価することができるので、メンテナンスの時期やメンテナンス方法を適応的に通知するといった充実したアフターサービスを提供することが可能である。このようなアフターサービスの提供も、装置の販売数を増加させることができる。

（第４のユースケース）
次に、図１３を参照して、デジタル「匠」プラットフォーム１００において想定され得る第４のユースケースについて説明する。

第４のユースケースは、後継者不足などで技能の継承が危ぶまれる中小企業・町工場４００などの小規模の生産拠点における匠１０の技能を、装置メーカ３００が製造メーカ２００へ販売する装置に取り込むためにデジタル「匠」プラットフォーム１００を適用するケースである。ここで、匠１０の技能を装置に取り込むとは、装置メーカ３００が装置を納入後の製造メーカ２００において匠１０の技能の提供を受けられるようにすることである。つまり、匠１０の技能をデジタル「匠」３０用の「匠」モデル１４１としてモデル化してデジタル「匠」プラットフォーム１００に蓄積することである。

この第４のユースケースにおいては、デジタル「匠」プラットフォーム１００によって中小企業・町工場４００、装置メーカ３００および製造メーカ２００が結ばれ、三者が各々メリットを得ることができる。より詳しくは、中小企業・町工場４００においては、匠１０の技能を提供する対価としてライセンス収入を得ることができ、装置メーカ３００においては、（匠１０の技能をセットで装置を販売することが可能となるので）装置の販売数を増加させることができ、製造メーカ２００においては、（匠１０の技能による）高品質な製品を製造・販売することができる。

これら第１乃至第４のユースケースのほか、匠１０の技能を「匠」モデル１４１としてモデル化して蓄積し、たとえば、生産拠点間などで「匠」モデル１４１を流通することができるデジタル「匠」プラットフォーム１００は、様々に適用が可能である。

以上のように、本実施形態のデジタル「匠」プラットフォーム１００（製造技能基盤システム）は、匠の技能を時間的にも空間的にも流通させることができる。なお、以上の説明で「生産拠点」と記している箇所については、必ずしも実際の製品を生産している必要はなく、匠１０の技能を「匠」モデル１４１としてモデル化して蓄積するための場（擬似工場）であってもよい。そこで得られた「匠」モデル１４１を実際の製品を生産している工場へ流通させるのである。加えて、このような擬似工場で様々な種類の技能を有する匠１０を確保しておき、これら「匠」の技能をモデル化した「匠」モデル１４１を通じて匠１０の技能を提供する対価としてライセンス収入を得るような事業形態も考えられる。

以上では、本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

たとえば、「生産拠点」という文言については、必ずしも“生産”は行なわずとも良く、単なる『拠点』としての意味で構わない。また、「製造技能」についても、必ずしも“製造”には限定されず『技能』としての意味で構わない。そして、「熟練工」についても同様に『技能が高い者』という意味である。なぜならば、以上の説明における「匠」が存在する状況は、いわゆる工場の生産ラインには限定されず、たとえば、コールセンターでの応対や倉庫での荷物の仕分けなど、「匠」が様々な作業で卓越した技能を有していることが発揮される場所であれば足りるからである。

（製造技能基盤システムの応用例）
次に、本実施形態の製造技能基盤システムの一応用例について説明する。図１４は、本実施形態の製造技能基盤システムの一応用例を示す図である。以下、本応用例の製造技能基盤システムを、応用システムと称する。

多くのインデント対応製品の製品出荷までの工程は、“受注”→“調達”→“製造”→“（出荷前）品質試験”の手順で進められる。従って、図１４では、その工程手順に沿って各種モジュールが配置されている。

図１４におけるハード構成は、例えば、記憶装置１０００と、各種装置およびそれらを統合的に制御するプロセッサ連携処理系１２００とから構成される。ここで、前述した“デジタル匠”の情報が、記憶装置１０００内に保存されている。ここでは、各種のデジタル匠の情報を総称して、製造関連情報１００５と呼ぶ。

プロセッサ連携処理系１２００は、１個以上のプロセッサ（演算処理回路）、その処理を制御するプログラムが保存された記録部および情報通信系１２１０から構成される。ここでは、複数個のプロセッサが分散配置され、情報通信系１２１０を介して情報交換しながら連携処理を行っても良い。特に、その中のプログラム構成（プログラムアーキテクチャー）を、図１４では明示している。

各プロセッサ（演算処理回路）を制御するプログラムは、機能毎に分けられた各種モジュールから構成される。そして、各種モジュールでの処理は、製造統合管理モジュール１５００で統合的に制御される。

製造や品質試験に使用される各種装置の配列例として、図１４では、特定製品に対する製造工程順に従い、製造装置Ａ１０１０、製造装置Ｂ１０２０および製造装置Ｃ１０３０と、品質評価装置Ａ１１１０および品質評価装置Ｂ１１２０とが配置されている。しかしながら、本応用システムはそれに限らず、任意の製造装置や品質評価装置が任意の組み合わせで配置されても良い。

本応用システムでは、製造課程での詳細な状態をモニタするため、各製造装置Ａ１０１０、Ｂ１０２０、Ｃ１０３毎に、モニタＡ１０１５、モニタＢ１０２５、モニタＣ１０３５が設置されている。

また、本応用システムでは、図示して無いが、各製造装置Ａ１０１０、Ｂ１０２０、Ｃ１０３毎に専用のプロセッサ（演算処理回路）が内蔵されており、各プロセッサを制御するプログラムとして、装置Ａドライブモジュール１３１０、装置Ｂドライブモジュール１３２０および装置Ｃドライブモジュール１３３０がそれぞれインストールされている。

製品の製造に必要な発注案件の情報は、発注案件情報入手モジュール１４１０から入力される。ここで、発注案件情報とは、発注案件毎の仕様、要求納期、顧客情報などが含まれる。また、その仕様としては、設計図面やテキストベースの仕様書などが含まれる。

発注案件情報入手モジュール１４１０で受注案件情報が入力される頻度は、平日（実稼働日）では少なくとも１日に１回以上が望まれる。しかし、顧客からの緊急発注に対応するために本応用システムでは、１時間以内に１回の頻度で受注案件の入力受付を行う。

また、本応用システムでは、発注案件情報の入力フォーマットとして、必要情報が記載された紙やＷｅｂのフォーム（<form>）での入力情報やそれらのＷｅｂ経由での入力情報をまとめたＰＨＰ（Hypertext Preprocessor）データやＸＭＬ（Extensible Markup Language）形式など任意のフォーマットの入力が可能となっている。

受注案件解析モジュール１４２０内では、この互いに異なるフォーマットで入力された受注案件情報に対するフォーマットを自動認識し、統一フォーマットに自動翻訳する。さらに、受注案件解析モジュール１４２０は、受注案件の内容を解析し、受注案件毎に必要な材料や部品、部分的に必要な外作工程の一覧データ作成も行う。

また、それに限らず、受注案件解析モジュール１４２０内では、受注案件の解析結果に基付き、製造にデジタル匠の情報（製造関連情報）１００５の活用が必要か否かの判定を行う。その判定結果は、情報通信系１２１０を経由して製造統合管理モジュール１５００に通知される。

ところで、デジタル匠の情報１００５の活用が必要な例として、製造する製品の要求精度や要求性能が非常に高い場合に限らず、要求納期が非常に短いもある。また、それだけでなく、他の製品の製造を含めた全体の製造効率を高めて利益向上を目指す場合にも、デジタル匠の情報１００５を活用しても良い。それに限らず、デジタル匠の情報１００５の活用が有用なあらゆる場面で活用しても良い。

また、受注案件の解析結果は、情報通信系１２１０を経由して調達制御モジュール１４３０に通知される。この調達制御モジュール１４３０内では、製造に必要な材料や部品の“在庫管理”や、“発注処理（材料や部品の発注、製造一部に必要な外作の外注管理などを含む）”、“納品管理（納期管理を含む）”などを行う。

具体的には、調達制御モジュール１４３０内で、受注案件解析モジュール１４２０から出力される受注案件毎に必要な材料や部品の一覧データを基に、“在庫確認”を行う。そして、“外部から調達するために新規発注”が必要な材料、部品や外作案件を抽出し、自動発注を行う。この自動発注時に得られる納期情報や価格情報は、製造統合管理モジュール１５００や製造工程設計モジュール１４４０、製造工程管理モジュール１４５０に伝達される。調達制御モジュール１４３０が外部に自動発注する段階で、必要に応じて、製造関連情報（デジタル匠の情報）１００５を活用する。

記憶装置１０００内に保存されている製造関連情報１００５の中で調達制御モジュール１４３０が活用可能な情報には、外部への新規発注品に関係した“短納期品”や“高信頼性要求品”、“通常以上の低価格品”に関係した情報が含まれる。具体的には、発注が必要な材料や部品、外作案件毎に対応可能な業者名、最短納期、最低価格の一覧がデータベース化されている。さらに、業者毎の過去のトラブル履歴情報も記憶装置１０００内に保存されている。

また、さらに、製造関連情報１００５として、調達ノウハウに関連した情報が記憶装置１０００内に保存されている。例えば発注対象業者の営業担当者の過去の対応履歴情報がデータベース化されている。そして、その営業担当者に発注前の事前見積もりを依頼した時、その回答内容（例えば、確信を持った回答をしたか、または、若干不安そうなそぶりがあるか、など）をデータベース内の情報と比較する事で、「納入される予定品の予想信頼性や納入予想日」が推定可能となる。調達制御モジュール１４３０では、この推定結果を利用して最適な外部業者への発注が可能となる。このように製造関連情報（デジタル匠の情報）１００５を活用する事で、例えば“指定した納期より大幅に遅れた納入”や“納入品の信頼性が低い”などのリスクを回避できる効果がある。

製造工程設計モジュール１４４０は、受注案件解析モジュール１４２０と調達制御モジュール１４３０からの出力情報を基に、製造工程の最適設計を行う。また、この段階で製造関連情報１００５を活用すると、他製品の製造工程を含めた全体の製造工程の効率化が図れて実質的な製造コストの低下を実現できる効果がある。

そして、この最適設計結果に基づき、製造工程管理モジュール１４５０が各種装置ドライブモジュール１３１０、１３２０、１３３０を制御して製造工程に入る。通常仕様（スペック）レベルの製品製造時には各装置ドライブモジュール１３１０、１３２０、１３３０は、各モニタ１０１５、１０２５、１０３５から得られる情報を利用しながら、単独で各製造装置１０１０、１０２０、１０３０を操作する。

一方、高い製造精度が要求されるハイスペック製造が必要な時は、各装置ドライブモジュール１３１０、１３２０、１３３０は、情報通信系１２１０を介して記憶装置１０００内に格納されている製造関連情報を取り込む。そして、取り込んだ製造関連情報を活用して各製造装置１０１０、１０２０、１０３０での製造を実施する。

そして、最終工程において製造装置Ｃ１０３０を経て完成した製品に対し、品質評価装置Ａ１１１０と品質評価装置Ｂ１１２０とで出荷前検査が行われる。ここで得られた品質評価結果は、情報通信系１２１０を経由して製品品質管理モジュール１１３０に伝達される。そして、この製品品質管理モジュール１１３０内で製造された製品毎の良否判定が行われる。その結果として良品判定が得られた最終製品は、顧客宛に出荷される。

一方、不良品判定の結果は、情報通信系１２１０を経由して製造統合管理モジュール１５００に通知される。製造統合管理モジュール１５００は、通知された情報を解析し、良品へ向けた最良の再製造工程を判断する。その判断結果は、情報通信系１２１０を経由して製造工程設計モジュール１４４０に通知される。ここで、不良品判定時の再製造工程の選択肢としては、例えば、（１）材料や部品の調達（発注手配）からやり直す方法、（２）既存の在庫品を活用して製造の初期段階からやり直す方法、（３）製造途中段階からやり直す方法などがある。

図１４に示す応用システムにおける製造工程フローを、図１５に示す。ステップＣ１で製造をスタートすると、始めに製品を製造するための準備を開始する（ステップＣ２）。具体的な製造準備としては、例えば、製造装置Ａ１０１０〜Ｃ１０３０のウォームアップや製造パラメータの設定、あるいは材料や部品などの準備を行う。

受注案件情報入手モジュール１４１０から受注案件情報が入力されて受注情報を確定すると（ステップＣ３）、受注案件解析モジュール１４２０が受注案件情報を解析する（ステップＣ４）。そして、ステップＣ５において、ハイスペック製造を行う必要があるか、または、製造関連情報１００５のデータベースを参照して製造する必要があるか、の判定を行う。

例えば、機械部品図面中に記載された寸法精度が“±０．２ｍｍ”や直角度精度や平行度精度が“±５分”程度の場合には、一般の機械加工装置（製造装置Ａ１０１０〜Ｃ１０３０）の通常の部品加工（切削など）工程で作成が可能となる。しかし、要求精度がこれらの範囲を超える場合（例えば要求寸法精度が“±０．０５ｍｍ”や直角度精度や平行度精度が“±３０秒”など）には、部品加工に特別の配慮が必要となる。この場合には、ハイスペック製造が必要となり、記憶装置１０００内に保存されている製造関連情報（デジタル匠の情報）１００５を活用する。

この場合には（ステップＣ５：Ｙｅｓ）、記憶装置１０００内に保存された製造関連情報１００５のデータベースを抽出し（ステップＣ６）、特別な加工方法に付いて製造管理者または製造担当者へ提案する（ステップＣ７）。そして、その提案内容に沿った製造（部品加工や切削など）が開始される（ステップＣ８）。一方、通常の製造を行う場合には（ステップＣ５：Ｎｏ）、製造関連情報１００５を参照せずに製造を開始する（ステップＣ８）。

製造関連情報１００５のデータベースを参照して製造した製品は、製造精度や製品性能の高いハイスペックな製品を提供できる。例えば切削加工機械として製造装置Ａ１０１０〜Ｃ１０３０のいずれかの装置を用いて精度の高い切削加工部品を製造する場合には、切削時の送り速度を遅くして切削加工時間を長くする必要がある。このようにハイスペック製造を行う場合には、通常より製造時間が長く掛かる場合が多い。従って全ての製造工程で製造関連情報１００５のデータベースを活用すると、全体の製造時間が長くなるため製品コストが高くなる問題が生じる。

それに対して、本応用システムでは、
（１）製造関連情報１００５のデータベースを参照しながら製造する工程
（２）製造関連情報１００５のデータベースを利用せずに通常の条件で製造する工程
の２種類を持たせ、受注案件解析モジュール１４２０の判定（ステップＣ５）の結果に基付いて適宜切り替えている。それにより、ハイスペック製造が可能になるとともに、全体の製造コストを相対的に安価にできる効果が生まれる。

製造装置Ａ１０１０、Ｂ１０２０、Ｃ１０３０が稼働する製造工程中（ステップＣ９）は、製造状況のリアルタイムモニタリングが実施される（ステップＣ１０）。すなわち、製造装置Ａ１０１０、Ｂ１０２０、Ｃ１０３０毎に対応するモニタＡ１０１５６、Ｂ１０２５、Ｃ１０３５がリアルタイムで製造工程の状態を情報収集する。この収集された製造工程の状態情報は、各装置ドライブモジュール１３１０、１３２０、１３３０と製造工程管理モジュール１４５０に同時に配信される。

各装置ドライブモジュール１３１０、１３２０、１３３０は、製造関連情報（デジタル匠の情報）１００５を参照しながら、モニタＡ１０１５６、Ｂ１０２５、Ｃ１０３５から得られる製造工程の状態情報を利用して製造装置Ａ１０１０、Ｂ１０２０、Ｃ１０３０を制御し、最適な部品加工を実施する。

製造工程管理モジュール１４５０は、情報通信系１２１０を経由して送信される製造工程の状態情報から製造完了後の製品の最終精度や最終性能を予測する。そして、予測した製品の最終精度や最終性能が当初の所定範囲から外れると判断した場合には、製造工程管理モジュール１４５０から装置ドライブモジュール１３１０、１３２０、１３３０に対して、警告通知を送信するとともに、加工条件の修正に対応した新たな製造関連情報１００５の通知を行う（ステップＣ１１）。

製造工程が完了した後、品質評価装置Ａ１１１０、Ｂ１１２０は、製品の品質評価を行う（ステップＣ１２）。所定の精度や性能が得られた場合（ステップＣ１３：Ｙｅｓ）、製造が完了したとみなして製品出荷（ステップＳＸ１４）の段階に入る。一方、所定の精度や性能が得られなかった場合には（ステップＣ１３：Ｎｏ）、再度製造工程に戻る。

図１６は、複数の匠の技に関するデータを収集して、さらにすぐれた匠の技のデータを構築する考え方の他の例を示す説明図である。この例では、匠の技を評価するためのデータとして、材料選定データ、加工データ、状態データ、操作データ、組立データ、映像データ、環境データなどを収集する。

材料選定データ１６０１は、例えば、物を製造しようとする場合に選定されるその材料に関するデータである。匠は、材料を選定する場合、材料提供メーカ、材料の成分、成分の配合、成分の製造年月日などを参考にして、材料を選定する。

加工データ１６０２は、匠が加工作業を行うときのデータであり、材料のカット位置、材料に対する削り量、材料を削るタイミング、材料の曲げ量、材料を曲げるタイミングなどのデータである。これらのデータ収集は、監視カメラ、測定器、電子顕微鏡などのいわゆるセンサ類が用いられる。

状態データ１６０３は、匠が例えば部品、あるいは材料を別の形に変化させる場合、その変化を時間軸と共に測定したデータである。このために、状態データにおいて、加熱データには、その温度変化特性、作業開始から所定の温度に変化するまでの時間などが含まれる。また、加圧データには、加圧変化特性、作業開始から所定の変化（変位）までの時間などが含まれる。曲げ量データにも、部品加工の作業開始時点から所定の曲げ量が得られるまでの時間が含まれる。さらに、曲げタイミングのデータには、部品加工の作業開始時点から、匠が曲げ作業を開始する時点までの時間が含まれる。

操作データ１６０４には、例えば加工装置のハンドルの動きデータ（変化データ及びその特性データ）が含まれる。

組立てデータ１６０５には、組立作業開始時点から、例えば第１、第２の部品を結合するための結合開始時点までの時間情報、結合するときの装着部品の非装着部品に対する装着角度などのデータが含まれる。

映像データ１６０６は、例えば、匠の動きを監視し、その腕の動き、肩の動き、視線方向などのデータを含む。

環境データ１６０７は、匠が作業を行うときの室温、湿度、振動、さらには、外気の温度、湿度、地域情報（国内、外国も含む）、季節、年月日などのデータを含む。

匠による作業がスタート（１６１１）し、作業が終了（１６１２）すると、各項目の取得データが評価される。匠の評価方法は、各種存在する。例えば、出来上がった部品や装置の性能テスト、点検がなされる。この性能テスト、点検においては、出来上がった部品や装置が、予め設定されている部品規格、装置規格に適合しているかどうかの判断がなされる。

複数の匠が同じ作業を行った場合、各匠が制作した部品や装置のいずれの部品や装置が理想の規格に適合しているかどうかの判断がなされる。もし、匠Ａ，匠Ｂが制作した同じ部品Ａ，Ｂがあり、いずれも部品規格に適合していると判断されたとする。このような場合、部品Ａ１，Ｂ１のいずれが理想の規格に適合しているかどうかの判断がなされる。そして、匠Ａが制作した部品Ａ１が優れていると判断された場合、匠Ａのデータが匠の技データとして採用される。

しかし、環境データ１６０７によっては、匠Ｂが制作した部品Ｂ１のほうが部品Ａ１より優れていると判断されることもある。この場合は、環境に応じて匠Ａ，匠Ｂの技を使い分けるほうがよい。

そのため、本応用システムでは、環境に応じて複数の匠が分類され、各環境において、優れていると評価された匠も識別されている。つまり、各匠Ａ，匠Ｂ，匠Ｃの技が、点検やテストにより評価された結果、環境に応じて、それぞれがベスト評価（評価Ａ）と判断される場合がある。

図１７は、本応用システムにおいて、匠１１、匠１２、匠１３の技を環境に応じて使い分ける例を概略的に示している。この例では、例えば加工データ１６０２に関して、匠１１、匠１２、匠１３が制作した部品は規定の基準を満たしているものとする。しかし、第１の環境では匠１１が制作した部品が優れており、第２の環境では匠１２が制作した部品が優れており、第２の環境では匠１３が制作した部品が優れているものとする。このような場合、この例では、加工に関して匠の技を利用するにあたり、各環境において、最も優れている匠の技を採用できる。

ここでは、加工に関する匠の技の利用方法を説明したが、他の項目である材料選定、状態、操作、組立、映像に関しても同様に、高度な技を持つ匠のデータを利用することができる。

この結果、本応用システムは、工場、作業所などを、地域変更したり、海外移植したりする場合も好都合となる。

なお、以上の説明では、本応用システムの活用方法の一部の例を示しているが、本応用システムは、各種の形態で利用することができる。例えば、各作業項目のデータ（材料、加工、状態、操作、組立、環境のデータ）を組み合わせて、全体として出来上がる製品の性能をシミュレーションすることが可能である。そして、最良の例えば特性（強度、速度、耐性など）を備える仮想製品を、制作する事前に想定することが可能となる。また、このために、例えば各作業項目のデータ（材料、加工、状態、操作、組立、環境のデータ）を組み合わる技術者（匠）を育成することも可能である。

（デジタル匠の情報の生成例）
続いて、前述した応用システムにおけるデジタル匠の情報（製造関連情報）１００５の一生成例について説明する。

図１４に示した応用システムの記憶装置１０００内に格納された製造関連情報（デジタル匠の情報）１００５の生成方法の概略を図１８に示す。基本的には、アナログ的な“匠の技”の情報を入力するステップＤ２と、後続する、機械学習に基づくデジタル匠の情報を生成するステップＤ３とから構成される。

ステップＤ２におけるアナログ的な“匠の技”の情報を入力する方法として、本応用システムでは、シミュレータを利用する方法（ステップＤ２１）と、匠の実働状況の観察結果を直接入力する方法（ステップＤ２２）とのいずれを使用しても良い。

匠の実働状況の観察結果を直接入力する方法（ステップＤ２２）としては、例えば、複数のカメラを用いて、時々刻々変化する匠の実働環境を録画しながら、匠の動きを撮影する。少なくとも１台のカメラは、匠の瞳の動きを撮影しながら、匠の視線（何を見ているか？）をリアルタイムでモニタリングする。

録画後に（または録画と同時並行的に）録画内容を解析し、“匠の実働環境変化”と“匠の視線（見ている対象物）”／“匠の行動内容”との相関関係を抽出する。つまり、機械学習に基づくデジタル匠の情報生成（ステップＤ３）により、その相関関係を抽出する。

機械学習に基づくデジタル匠の情報生成の方法（ステップＤ３）として、例えば、ディープラーニング手法（ステップＤ３１）と、実験計画法に基づく統計解析（例えば重回帰分析など）を用いた関連性抽出方法（ステップＤ３２）を併用する。しかし、それに限らず、例えば、一方のみを使用したり、さらに他の機械学習手法を利用したりしても良い。

シミュレータを利用する方法（ステップＤ２１）の一例を、図１９に示す。アナログ的な“匠の技”の情報を入力するシミュレータは、匠２０００に対してアニメ動画２００５を表示するモニタ画面２０１０と、匠２０００がモニタ画面２０１０を操作するためのリモートコントローラ２０２０、匠２０００の指（または手の平）に模擬的に触感を与える触感供給シミュレータ２０３０、およびそれらの動作を制御する制御部２０４０から構成される。

“匠の技”が発揮される場面としては、料理場面（料理も製造の一種）が分かり易いので、図１９では、アニメ動画２００５の一例を示した。例えばガスコンロ２１００がフライパン２１１０を温め、このフライパン２１１０内に調理中の卵２１２０と調理中のハンバーグ２１３０が入っている場合を想定する。匠２００は、ハンバーグ２１３０の色の変わり目を見ながら適正なタイミングで、塩２１４０や醤油２１５０を入れて味付けをしたり、ガスコンロのつまみ２１０５を操作して火力を調節したりする。この時にアニメ動画２００５内のハンバーグ２１３０の色を適宜変化させて匠２０００の動作をモニタする。

料理が順調に進む場合のみ匠２０００の技が生きる訳ではなく、トラブル発生時（たとえば出火時や調理が失敗しそうな時）の匠２０００の動作にも“匠の技”が生きる。従って匠２０００への事前通告なしにアニメ動画２００５上でトラブルを発生させて匠２０００の動作を記録しても良い。

図１８に示したディープラーニング手法（ステップＤ３１）を用いてアナログ的な“匠の技”の情報から“デジタル匠”の情報を生成する一例を、図２０に示す。ディープラーニング手法（図１８：ステップＤ３１）では、入力層２２１０と出力層２２２０との間に隠れ層２２３０が定義されている。

入力層２２１０内の複数の入力内容としては、例えば、気温２３１０や湿度２３２０、各点での温度２３４０、２３５０や色変化２３６０、２３７０を設定しても良い。また、出力層２２２０内の複数の出力内容として、例えば、火を止める動作２４２０や追加素材の投入動作２４４０、味付け開始動作２４６０を設定しても良い。そして、入力層２２１０内の各入力内容２３１０〜２３７０と出力層２２２０内の各出力内容２４２０〜２４６０との間を隠れ層２２３０内に配置されたノード（中継点）が接続する。また、各点間を連結する連結線（情報伝達経路）２５００には伝達頻度に応じた重み付けがなされる。

まず始めに、各連結線２５００の重み付けを暫定的に設定する。そして、その暫定的な設定値に基づき、アニメ動画２００５の設定画面変化に応じた出力内容２４２０〜２４６０の予測を行う。その予測された出力内容２４２０〜２４６０と実際の匠２０００の実行内容との差分値から、誤差逆伝搬法を用いて各連結線（情報伝達経路）２５００の重み付け量にフィードバックする。それを繰り返す事で、ディープラーニングの再学習が行われる。

その再学習を繰り返す事で、各連結線２５００の重み付け量が収束する。図１９では、情報伝達頻度の高い連結線（情報伝達経路）２５００を太線で示した。ある程度収束した後の太線で示した連結線（情報伝達経路）２５００をトレースする事で、相関の高い入力層２２１０内の入力内容２３１０〜２３７０と出力層２２２０内の出力内容２４２０〜２４６０との関係が抽出できる。この抽出結果（太線のトレースで得られた相関関係情報）を、“デジタル匠”の情報（製造関連情報）１００５として記憶装置１０００内に保存しても良い。またそれに限らず、図２０に示した全ての情報を学習結果として記憶情報１０００内に記録しても良い。

ディープラーニング手法（図１８：ステップＤ３１）と比べて、実験計画法に基づく統計解析（重回帰分析など）を用いた関連性抽出学習法（図１８：ステップＤ３２）では、隠れ層２２３０は存在しない。図１９に示すシミュレータでの録画結果を利用して（重回帰分析などの）統計解析を行い、直接入力内容２３１０〜２３７０と出力内容２４２０〜２４６０間の相関係数を算出する。さらに、一般的な統計解析手法で用いられているように、“危険率５％”の基準値判定で相関部を抽出しても良い。

図１４に示した調達制御モジュール１４３０、製造工程設計モジュール１４４０、製造工程管理モジュール１４５０は、以上のように機械学習結果で得られたデジタル匠の情報（製造関連情報）１００５を利用する。この各モジュール内で行われる処理方法の一例を図２１に示す。

各モジュール内で製造関連情報の活用を開始すると（ステップＥ１）、ディープラーニング手法を用いた判定（ステップＥ２）と、統計解析結果を用いた判定（ステップＥ３）とが同時並行的に実施される。そして、ステップＥ４において、それらの判定結果の一致度を検証する。ここで、両者が一致する場合には（ステップＥ４：Ｙｅｓ）、判定結果が正しいと見なし、判定結果に基づいた処理を実行する（ステップＥ５）。

一方、両者の結果が一致しない場合には（ステップＥ４：Ｎｏ）、機械学習が不十分と見なして、再度機械学習を行う（ステップＥ６）。その後は、ステップＥ１の製造関連情報の活用開始に戻り、判定を繰り返す。

この例では、異なる複数の機械学習方法を併用する事で機械学習結果に基付く判定精度を向上させると共に、より精度の高い機械学習を進行させられる効果がある。

このように、本製造技能基盤システムは、様々な応用が可能である。また、匠の技のデジタル化についても、種々の方法を適用することができる。

１…リアル空間、２…デジタルツイン、３…「匠」デジタルツイン、１０…匠、３０…デジタル匠、１００…デジタル「匠」プラットフォーム、１００Ａ…デジタル「匠」プログラム、１１０…データ取得部、１２０…「匠」モデル作成部、１２１…作業別「匠」モデル作成部、１３０…「匠」技能提供部、１３１…作業別「匠」技能提供部、１３１Ａ…カスタマイズ処理部、１４０…デジタル「匠」マスタＤＢ、１４１…「匠」モデル、１５０…デジタル「匠」ローカルＤＢ、２００…製造メーカ、２１０…生産拠点、２２０…サプライヤ、２５０…海外製造メーカ、３００…装置メーカ、４００…中小企業・町工場。

Claims (17)

1. 第１拠点での熟練工による作業に関するデータを取得するデータ取得部と、
   前記データ取得部によって取得されたデータを用いて前記熟練工の技能をモデル化するモデル作成部と、
   前記モデル作成部によって作成されたモデルを用いて前記熟練工の技能を第２拠点に提供する技能提供部と、
   を具備する技能基盤システム。
2. 前記技能提供部によって提供された前記熟練工の技能に対する前記第２拠点での評価を示す評価データに基づき、前記第２拠点に割り当てられる前記モデルをカスタマイズするカスタマイズ部を具備する請求項１に記載の技能基盤システム。
3. 前記技能提供部は、前記第２拠点での作業の入力情報から前記モデルを用いて前記第２拠点で執られるべき行動を推定する請求項１に記載の技能基盤システム。
4. 前記モデル作成部は、前記熟練工への入力に関するデータと前記熟練工からの出力に関するデータとを学習データとするディープラーニングによってニューロン間の結合荷重を最適化したニューラルネットワークを前記モデルとして作成する請求項１に記載の技能基盤システム。
5. 前記データ取得部は、リアル空間上における作業をサイバー空間上において再現するデジタルツインからデータを取得する請求項１に記載の技能基盤システム。
6. 前記技能提供部は、前記熟練工の技能を分野単位または工程単位に提供可能である請求項１に記載の技能基盤システム。
7. 前記データ取得部によって取得されるデータは、前記熟練工が五感によって認識する事象に関する情報、前記熟練工の撮像画像、前記熟練工の動きに関する情報、前記熟練工が扱う装置の状態に関する情報または前記熟練工の成果物に関する情報である請求項１に記載の技能基盤システム。
8. 前記モデルは、分野または工程ごとに作成され、
   第１分野または第１工程に対応する第１モデルは、前記第１分野または前記第１工程の作業に携わる第１熟練工の作業に関するデータを用いて作成され、第２分野または第２工程に対応する第２モデルは、前記第２分野または前記第２工程の作業に携わる第２熟練工の作業に関するデータに基づいて作成される、
   請求項１に記載の技能基盤システム。
9. 前記データ取得部は、前記第１拠点を含む複数の拠点のデータを取得し、
   前記第１熟練工と前記第２熟練工とは、異なる拠点の作業員である、
   請求項８に記載の技能基盤システム。
10. 前記データ取得部は、シミュレータによってデータを取得する請求項１に記載の技能基盤システム。
11. 前記シミュレータは、前記熟練工の指または掌に模擬的に触感を与える触感供給シミュレータを含む請求項１０に記載の技能基盤システム。
12. 前記データ取得部は、前記シミュレータ上で前記作業に関わるトラブルを発生させ、前記トラブルに対処する前記熟練工の動作に関するデータを取得する請求項１０に記載の技能基盤システム。
13. 熟練工による作業に関するデータを取得するデータ取得部と、
    前記データ取得部によって取得されたデータを用いて前記熟練工の技能をモデル化するモデル作成部と、
    を具備する技能モデル化装置。
14. 前記データ取得部は、リアル空間上における作業をサイバー空間上において再現するデジタルツインからデータを取得する請求項１３に記載の技能モデル化装置。
15. 前記データ取得部は、シミュレータによってデータを取得する請求項１３に記載の技能モデル化装置。
16. 前記モデル作成部は、前記熟練工への入力に関するデータと前記熟練工からの出力に関するデータとを学習データとするディープラーニングによってニューロン間の結合荷重を最適化したニューラルネットワークを、前記熟練工の技能のモデルとして作成する請求項１３〜１５のいずれか１項に記載の技能モデル化装置。
17. コンピュータによって実行される技能流通方法であって、
    第１拠点での熟練工による作業に関するデータを取得することと、
    前記取得されたデータを用いて前記熟練工の技能をモデル化することと、
    前記モデル化によって作成されたモデルを用いて前記熟練工の技能を第２拠点に提供することと、
    を具備する技能流通方法。