KR102242476B1 - 관리 시스템 및 그를 위한 기계 학습 장치 및 관리 방법 - Google Patents

Abstract

관리 대상 항목과 복수의 요인의 관련에 대한 전문가 지식에 따라 특성요인도를 작성한다. 이 특성요인도에서, 복수의 요인은 관리 대상 항목이 설정된 제조 또는 서비스의 현장에서 취득되는 데이터이며, 복수의 요인 각각에는 관리 대상 항목에 대한 중요도가 부여되어 있다. 기계 학습에서는, 먼저 특성요인도의 관리 대상 항목과 복수의 요인의 관계에 따라 확률 모델의 링크 구조를 설정하고, 복수의 요인의 각각에 부여된 중요도에 따라 확률 모델의 각 노드 치를 설정한다. 그리고, 제조 또는 서비스의 현장에서 취득된 데이터를 이용하여 링크 구조 또는 각 노드 치를 학습한다.

Description

관리 시스템 및 그를 위한 기계 학습 장치 및 관리 방법

본 발명은, 제조 또는 서비스의 현장에서 다양한 요인으로부터 영향을 받을 수 있는 항목의 관리에 이용하여, 적합한 관리 시스템 및 그를 위한 기계 학습 장치 및 관리 방법에 관한 것이다.

본 발명에 관련된 선행 기술이 개시된 선행 기술 문헌으로서, 예를 들면, 국제 공개 제 2016/170574 호를 들 수 있다. 국제 공개 제 2016/170574 호에 개시된 시스템에서는, 분산된 다수의 대상 거점의 가동 데이터(빅 데이터)가 중앙 거점에 집약되어, 가동 데이터를 활용하여 이상 징조의 검지가 이루어진다. 가동 데이터는, 다양한 센서에 의해 취득된 센서 데이터이다. 이 시스템에서는, 수집한 학습용의 센서 데이터를 토대로 이상의 징조 검지를 향한 모델이 구축된다. 그리고 구축한 모델 및 징조 분석용의 센서 데이터를 활용하여 이상의 징조 분석이 실행됨과 동시에, 이상 분석용의 센서 데이터를 토대로 이상의 원인 분석이 실행된다.

특허 문헌 1 : 국제 공개 제2016/170574호

오늘날, 제조 또는 서비스의 현장에서는, 다양한 관리 대상 항목이 설정되어 있다. 예를 들어 상기 선행 기술에서 징조의 검지가 실행되고 있는 이상(비정상)도 하나의 관리 대상 항목이다. 관리 대상 항목이 어떤 요인의 영향을 받는 경우, 관리 대상 항목과 요인의 관련이 미리 파악되어 있으면, 요인의 변화에서 관리 대상 항목의 상태나 수치의 변화를 예측할 수 있으며, 반대로, 관리 대상 항목의 상태나 수치의 변화에서 그 원인이 되고 있는 요인을 추정 할 수 있다. 상기 선행 기술에서는, 관리 대상 항목과 복수의 요인과의 관련이 모델화되어, 요인에 상당하는 학습용 센서 데이터와 모델을 이용하여, 관리 대상 항목인 이상의 징조가 검지되고 있다.

그러나, 관리 대상 항목과 복수의 요인의 관련을 나타내는 모델의 구축에는 많은 시간이 걸리는 것으로 알려져 있다. 관리 대상 항목의 상태나 수치 변화의 원인이 될 수 있는 요인의 수가 많을수록, 모델의 구축에 소요되는 시간은 길어진다. 오늘날, 이 같은 모델의 구축에는 기계 학습이 이용되고 있지만, 모델의 구축에 소요되는 시간과 모델의 정밀도는 기계 학습에 이용하는 컴퓨터 자원의 규모에 크게 의존한다. 대규모 컴퓨터 자원을 이용할 수 없는 환경에서는, 관리 대상 항목과 복수의 요인의 관련이 얻어질 때까지 많은 시간이 걸린다. 또한, 정밀도 높은 모델을 구축하는 데는 대규모 데이터가 필요하며, 그 대규모 데이터를 처리하기 위해서는 아무래도 대규모 컴퓨팅 자원이 필요하다.

그러나, 대규모 컴퓨팅 자원을 준비하는 데는 막대한 비용이 필요하다. 제조 또는 서비스의 현장에 따라서는 비용상의 제약에 의해 소규모 컴퓨터 자원 밖에 준비 할 수 없는 경우가 많이 있고, 동일한 결과를 얻을 수 있다면 컴퓨터 자원을 투입하는 비용은 적어지도록 억제하고 싶다. 이 때문에, 소규모 컴퓨터 자원이라 해도, 짧은 시간과 적은 데이터에서 성과를 얻을 수 있도록 하는 것이, 제조 또는 서비스의 현장에서의 관리 대상 항목과 복수의 요인의 관련에 관한 기계 학습에서 요구되고 있다.

본 발명은, 상기 과제를 감안하여 이루어진 것이며, 제조 또는 서비스의 현장에서의 관리 대상 항목과 복수의 요인의 관련을 효율적으로 기계 학습 가능하게 하는 것을 목적으로 한다.

상기 목적을 달성하기 위한 수단으로서, 본 발명에서는, 관리 대상 항목과 복수의 요인의 관련 부여를 위한 기계 학습에서, 그 초기 모델링에 관리 대상 항목과 복수의 요인의 관련에 대한 전문가 지식을 활용한다. 전문가 지식이란, 관리 대상 항목이 설정된 제조 또는 서비스의 현장에 정통한 전문가의 지식이며, 후술하는 방법으로 형식지화 된 지식이다. 본 발명은, 관리 시스템 및 그를 위한 기계 학습 장치 및 관리 방법을 제공한다. 본 발명이 제공하는 관리 시스템은, 기계 학습으로의 전문가 지식의 활용을 가능하게 한 시스템이며, 본 발명이 제공하는 관리 시스템을 위한 기계 학습 장치는, 전문가 지식을 활용하여 기계 학습을 실행하는 장치이며, 본 발명이 제공하는 관리 방법은, 기계 학습으로 전문가 지식의 활용을 가능하게 하는 방법이다.

본 발명이 제공하는 관리 시스템은, 데이터 취득 수단과 특성요인도 작성 수단과 확률 모델 초기 설정 수단과 확률 모델 학습 수단을 구비한다. 데이터 취득 수단은, 관리 대상 항목이 설정된 제조 또는 서비스의 현장에서 데이터를 취득한다. 특성요인도 작성 수단은, 관리 대상 항목과 그것에 영향을 주는 것으로 추측되는 복수의 요인의 관련을 나타내는 특성요인도를, 관리 대상 항목과 복수의 요인의 관련에 대한 전문가 지식에 따라 작성한다. 단, 특성요인도에서 복수의 요인은 데이터 취득 수단에 의해 취득된 데이터의 적어도 일부이며, 또한, 복수의 요인의 각각에는 관리 대상 항목에 대한 중요도가 부여되어 있다.

확률 모델 초기 설정 수단은, 특성요인도에서 관리 대상 항목과 복수의 요인의 관계에 따라 확률 모델의 링크 구조를 설정하며, 복수의 요인의 각각에 부여된 중요도에 따라 확률 모델의 각 노드 치를 설정한다. 확률 모델 학습 수단은, 데이터 취득 수단에 의해 취득된 데이터를 이용하여 확률 모델의 링크 구조 또는 각 노드 치를 학습한다.

또한, 관리 시스템은, 학습된 확률 모델의 링크 구조 또는 각 노드 치에 따라 특성요인도를 갱신하는 특성요인도 갱신 수단을 더 구비 할 수도 있다. 또한, 관리 시스템은, 관리 대상 항목에 이상이 검지된 경우, 관리 대상 항목의 이상의 원인으로 추정되는 요인을 확률 모델에 따라 특정하고, 특정한 요인을 오퍼레이터에게 통지하는 감시 수단을 더 구비할 수도 있다.

다른 실시의 형태에서는, 관리 시스템은, 관리 대상 항목이 설정된 제조 또는 서비스의 현장에서 데이터를 취득하는 데이터 취득 장치와, 전술의 특성요인도를 전문가 지식에 따라 작성하기 위한 단말과, 관리 대상 항목과 복수의 요인의 관계에 관한 확률 모델을 데이터 취득 장치에 의해 취득된 데이터를 이용하여 학습하는 기계 학습 장치로 구성해도 좋다. 단, 기계 학습 장치는, 특성요인도에서의 관리 대상 항목과 복수의 요인의 관계에 따라 확률 모델의 링크 구조를 초기화하고, 복수의 요인의 각각에 부여된 중요도에 따라 확률 모델 각 노드 치를 초기화하도록 구성되어 있다.

본 발명이 제공하는 관리 시스템을 위한 기계 학습 장치는, 관리 대상 항목이 설정된 제조 또는 서비스의 현장에서 취득된 데이터가 입력되는 데이터 입력부와, 전술의 특성요인도가 설정되는 특성요인도 설정부와, 확률 모델의 초기 설정을 실행할 확률 모델 초기 설정부와, 확률 모델을 학습하는 확률 모델 학습부를 구비한다. 확률 모델 초기 설정부는, 특성요인도에서 관리 대상 항목과 복수의 요인의 관계에 따라 확률 모델의 링크 구조를 설정하고, 복수의 요인의 각각에 부여된 중요도에 따라 확률 모델의 각 노드 치를 설정하도록 구성된다. 확률 모델 학습부는, 데이터 입력부에 입력된 데이터를 이용하여 링크 구조 또는 각 노드 치를 학습하도록 구성된다.

본 발명이 제공하는 관리 방법은, 이하의 제1～제4 스텝을 포함한다. 제1 스텝은, 관리 대상 항목이 설정된 제조 또는 서비스의 현장에서 데이터를 취득하는 스텝이다. 제2 스텝은, 전술의 특성요인도를 관리 대상 항목 및 복수의 요인의 관련에 대한 전문가 지식에 따라 작성하는 스텝이다. 제3 스텝은, 특성요인도에서 관리 대상 항목과 복수의 요인의 관계에 따라 확률 모델의 링크 구조를 설정하고, 복수의 요인의 각각에 부여된 중요도에 따라 확률 모델의 각 노드 치를 설정하는 스텝이다. 그리고, 제 4 스텝은, 획득된 데이터를 이용하여 확률 모델의 링크 구조 또는 각 노드 치를 학습하는 스텝이다.

본 발명에 의하면, 제조 또는 서비스의 현장에서 관리 대상 항목과 복수의 요인의 관계를 확률 모델로 표현함과 동시에, 관리 대상 항목과 복수의 요인의 관련에 대한 전문가 지식을 형식지화 한 특성요인도를 확률 모델의 초기 모델링에 활용함으로써, 관리 대상 항목과 복수의 요인의 관련을 효율적으로 기계 학습할 수 있다. 효과의 상세에 대해서는, 이하에 간단히 설명하는 도면과, 그것에 관련하여 상세하게 설명되는 실시의 형태에서 밝혀질 것이다.

[도 1] 본 발명의 실시의 형태에 관련된 관리 시스템의 전체 구성을 나타내는 도면.
[도 2] 피쉬 본 다이어그램의 구조를 설명하기 위한 도면.
[도 3] 피쉬 본 다이어그램의 작성 방법을 설명하기 위한 도면.
[도 4] 피쉬 본 다이어그램의 작성 방법을 설명하기 위한 도면.
[도 5] 피쉬 본 다이어그램의 작성 방법을 설명하기 위한 도면.
[도 6] 기계 학습의 개요를 설명하기 위한 도면.
[도 7] 잠재 요인의 탐색 방법을 설명하기 위한 도면.
[도 8] 베이지안 네트워크 학습 방법을 설명하기 위한 도면.
[도 9] 기계 학습용 데이터의 작성 방법을 설명하기 위한 도면.
[도 10] 본 발명의 실시의 형태에서 실행되는 기계 학습의 전체의 흐름을 이미지로 나타낸 도면.
[도 11] 피쉬 본 다이어그램의 갱신 방법을 설명하기 위한 도면.
[도 12] 피쉬 본 다이어그램의 갱신 예를 설명하기 위한 도면.
[도 13] 피쉬 본 다이어그램의 갱신 예를 설명하기 위한 도면.

이하, 도면을 참조하여 본 발명의 실시의 형태에 대해 설명한다. 단, 이하에 나타내는 실시의 형태에서 각 요소의 개수, 수량, 양, 범위 등의 수에 언급한 경우, 특히 명시한 경우나 원리적으로 명백히 그 수에 특정된 경우를 제외하고, 그 언급 한 수에 본 발명이 한정되는 것은 아니다. 또한, 이하에 나타내는 실시의 형태에서 설명하는 구조나 공정은, 특히 명시한 경우나 명백히 원리적으로 그것에 특정되는 경우를 제외하고, 본 발명에 반드시 필수는 아니다.

1. 관리 시스템의 구성

본 발명은 다양한 제조 및 서비스의 현장에 적용 가능하다. 제조 현장에는, 예를 들어, 식품이나 기계의 제조 라인이나, 도장 라인이나, 화학 플랜트 등이 포함된다. 서비스의 현장에는, 예를 들어, 배송 센터나, 클리닝 공장이나, 레스토랑 등이 포함된다. 즉, 본 발명을 이용해서 적합한 현장은, 적어도 하나의 관리 대상 항목이 존재하고, 또한, 관리 대상 항목에 영향을 줄 수 있는 복수의 요인이 존재할 수 있는 현장이다. 본 실시의 형태에서는, 이러한 현장 중, 특히 도장 라인에 본 발명을 적용한 예에 대해 설명한다.

도 1은 본 실시의 형태에 관련된 관리 시스템의 전체 구성을 나타내는 도면이다. 관리 시스템 1은, 도장 라인(10)에 적용된다. 도장 라인(10)은, 제품(11)에 대해 전처리를 실행하는 전처리 장치(12), 제품(11)에 도장을 실시하는 도장 장치(14), 도장한 제품(11)을 건조시키는 건조 장치(16), 전처리 장치(12)에서 도장 장치(14)로 제품(11)을 반송하는 반송 장치(13), 도장 장치(14)에서 건조 장치(16)으로 제품(11)을 반송하는 반송 장치(15), 유틸리티 설비(17) 및 도료의 혼합을 실행하는 혼합실(18)을 구비한다.

도장 라인(10)을 구성하는 설비(11)-(18)에는, 각각 1 또는 복수의 센서(도시 생략)가 배치되어 있다. 센서에는, 온도 센서, 압력 센서, 유량 센서, 중량 센서, 대기압 센서, 외기온 센서, 풍속 센서 등의 다양한 센서를 포함한다. 각 설비(11)-(18)에서는, 이러한 센서에 의해 데이터가 취득된다. 단, 데이터 취득 수단은, 센서 만은 아니다. 적어도 일부 설비(11)-(18)에서는, 예를 들어 모터의 회전수 등의 디바이스 데이터가 취득된다. 또한, 현장을 관리하는 오퍼레이터가 태블릿 단말 등에 입력함에 따라 수작업 입력 데이터가 취득되는 경우도 있다. 도면 중의 [X_i]는 도장 라인(10)의 각처에서 취득된 각종 데이터(센서 데이터와 디바이스 데이터 및 수작업 입력 데이터를 포함)를 나타내고 있다.

관리 시스템(1)은, 전술한 각종 데이터를 취득하는 데이터 취득 장치에 더해, FBD 작성 단말(2)와 기계 학습 장치(3)과 감시 장치(4)를 구비한다. FBD 작성 단말(2)는, 전문가 지식에 따라 후술하는 피쉬 본 다이어그램(FBD)을 만들기 위한 단말이다. 기계 학습 장치(3)은, 도장 라인(10)에서 데이터 취득 장치에 의해 취득된 데이터와 고객 과제의 사이에 관련을 찾아 내기 위한 기계 학습을 실행하는 장치이다. 도장 라인(10)에서 취득된 데이터는 기계 학습 장치(3)에 입력된다. 그 때, 동일 시각 및 동일 공간에서 얻어진 데이터는 그룹핑 되며, 그룹 단위로 데이터의 관리가 이루어진다. 기계 학습의 상세에 대해서는 후술한다.

감시 장치(4)는, 기계 학습에서 얻은 데이터와 고객 과제의 관련을 이용하여, 이상 발생 원인이 된 요인을 특정하는 장치이다. 감시 장치 4는 모니터를 구비하고, 이 모니터에 이상 발생 개소나 내용, 그 원인이 된 요인을 동적으로 표시한다. 단, 감시 장치(4)는 필수가 아니라, FBD 작성 단말(2)과 기계 학습 장치(3)으로 구성되는 시스템을 관리 시스템(1)이라 부를 수도 있다.

2. 피쉬 본 다이어그램의 구조 및 작성 방법

본 실시의 형태에서는, 전문가가 갖는 지식을 형식지화 하는 도구로서 피시 본 다이어그램(이하, FBD로 표기한다), 즉, 특성요인도를 이용한다. FBD는, 과제(특성)와, 그것에 영향을 주는 것으로 추측되는 복수의 요인의 관계를 정리하고, 체계적으로 정리한 도면이다. 도 2에 나타내듯, FBD에서는, 과제를 나타내는 등뼈에 대해 비스듬히 큰 뼈가 그려진다. 큰 뼈는 요인의 대분류를 의미한다. 본 실시 형태에서는 4M1E의 5 개, 즉, MEN(사람), MAC(기계 설비), MAT(재료), MET(작업 방법) 및 ENV(환경)의 5 개의 큰 뼈가 그려져 있다. MEN, MAC MAT, MET는 현장 작업 조건이며, ENV는 현장의 환경 조건이다.

도장 라인(10)에서 취득되는 데이터는, 상기 4M1E의 어느 것에 분류된다. 예를 들어, 도 2의 예에서는, MEN의 큰 뼈에 3 개의 중간 뼈가 그려져 있다. 이러한 중간 뼈는, MEN에 영향을 주는 요인을 의미하며, 중간 뼈마다에 대응하는 데이터가 주어지고 있다. 어느 데이터(요인)가 4M1E의 어느 것에 분류되는지는, 전문가가 자신의 지식에 따라 판단한다.

또한, 전문가는, 각각의 데이터의 중요도를 결정한다. 중요도는, 각 데이터의 과제에 대한 영향의 크기이며, 주는 영향이 클수록 큰 숫자가 부여된다. 본 실시의 형태에서는, 중요도의 랭크로서 0에서 5까지의 숫자와 X가 설정되어 있다. 랭크 1에서 5까지는 숫자가 클수록 중요도가 크다는 것을 의미한다. 랭크 0은 중요도가 불명한 것을 의미하고, 랭크 X는 전문가에 의해 중요도가 제로라고 판단된 것을 의미한다. 단, 랭크 X 데이터에 대해서는 FBD에는 표시되지 않는다. 도 2에 나타내는 예에서는, 데이터(2nd_3rd_4th_5th_001)에 랭크 5의 중요도가 부여되고, 데이터(2nd_3rd_4th_5th_002)에는 랭크 3의 중요도가 부여되어 있다. FBD 작성 단말 2에서는, 각 요소에 대해 랭크 부여가 이루어진 FBD, 즉, 랭크 부여 FBD(R-FBD)가 작성된다.

랭크 부여 FBD에서, 과제는, 크게는, 도장 품질, 안전, 설비 보전, 도료 및 약품, 생산성 등이며, 그 큰 과제의 아래에 세분화된 구체적인 과제가 설정되어 있다.

예를 들어, 도 3에 나타내듯, 도장 품질이라는 큰 과제의 아래에는, 막 두께, 도장방법NV, 분진 이물질이라는 구체적인 과제가 설정되어 있다. 이러한 구체적인 과제가 관리 시스템(1)에 의한 관리 대상 항목이다. 랭크 부여 FBD는, 과제마다 작성된다. 도 3에 나타내는 예에서는, 막 두께, 도장방법 NV, 분진 이물질의 각각에 대해 랭크 부여 FBD가 작성되는 것을 나타내고 있다. 또한, 과제가 설비마다 독립해서 발생하는 과제인 경우에는, 랭크 부여 FBD는, 설비마다 또한 과제마다에 작성된다. 도 2에 나타내는 예에서는, 3 개의 설비 PT11, PT31, PT01의 각각에 대해, 예방 보전을 과제로 하는 랭크 부여 FBD가 작성되는 것을 나타내고 있다.

도 4 및 도 5에는, 랭크 부여 FBD의 중간 뼈의 구체적 예를 나타내고 있다. 도 4의 예에서는, MET의 큰 뼈에 대해 2 개의 중간 뼈가 그려져 있다. 이러한 중간 뼈는, 전문가가 MET에 대해 영향을 주는 것으로 판단한 요인이다. 여기에서는, 설비 PT11의 예비 탈지 장치의 용액의 약품명과, 설비 PT11의 예비 탈지 장치의 용액의 유리 알칼리도가, MET에 대한 요인으로 들 수 있다. 한편, 도 5에 나타내는 예에서는, MEN의 큰 뼈에 대해 2 개의 중간 뼈가 그려져 있다. 그리고, 중간 뼈에 대해 비스듬히 작은 뼈가 그려져 있다. 중간 뼈에 대응하는 데이터(PT01-1410)는 막힘이며, 작은 뼈에 대응하는 데이터(PT01-1210)는 압력이다. 표에 나타내듯, 막힘과 압력은, 결과와 요인의 관계에 있다고 전문가가 판단한 경우, 이러한 랭크 부여 FBD가 작성된다.

전술한 것처럼, 본 실시의 형태에서는, 랭크 부여 FBD 작성은 FBD 작성 단말(2)에서 실행된다. 청구항과의 대응 관계에서, FBD 작성 단말(2)는 청구항에 기재의 특성요인도(特性要因圖) 작성 수단에 상당한다.

3. 기계 학습 내용

본 실시 형태의 기계 학습에서는, 시공간에 따라 인과 관계를 탐색하는 방법이 이용된다. 도 6은, 기계 학습의 개요를 설명하기 위한 도면이다. 여기에서 제품 j에 대응하는 과제를 Y_j, 도장 라인(10)에서 취득되는 데이터의 집합을 X_i 로 표기하고, 데이터의 개수를 100 개로 하면, 과제 Y_j는 집합 X_i = {X₁, X₂, X₃ ... X₃₅ , X₃₆ ... X₉₉, X₁₀₀}로 구성된다. 과제 Y_j은 수치화되어 있다. 과제 Y_j에 대응하는 집합 X_i는, 과제 Y_j와 같은 시각에서 취득된 데이터가 그룹핑 된 것이다.

기계 학습에서는, 과제 Y의 변화를 나타내는 파라미터 ΔY 및 각 데이터 X의 변화를 나타내는 파라미터 ΔX가 계산된다. 파라미터 ΔY 및 ΔX의 계산 방법으로서는, [수학식 1]에 나타내는 미분 치를 계산하는 방법과, [수학식 2]에 나타내는 변화율을 계산하는 방법이 있다. 어느 쪽의 계산 방법을 이용해도 좋다.

도 6의 상단에 나타내듯, ΔY_j와 ΔX_i는 제품마다 계산되어 그룹화된다. 제품은 도장 라인 상을 일정한 간격으로 흐르고 있으므로, 제품마다 계산을 실행하는 것은 일정의 시각마다 계산을 실행하는 것과 같다. 도면에서, Z표에 둘러싸인 파라미터는, 그 값이 한계치를 넘은 것을 의미하고 있다. 예를 들어, 19 번 제품에 대해서는 ΔX₂가 한계치를 넘고 있다. 한편, 20 번 제품에서는, ΔY₂₀, ΔX₂, ΔX₃, ΔX₁₀₀이 한계치를 넘고 있다. ΔX₃와 ΔX₁₀₀이 한계치를 넘었을 때에는 ΔY₂₀이 한계치를 넘고 있기 때문에, X₃와 X₁₀₀은 과제 Y에 영향을 주고 있는 것을 추정할 수 있다.

도 6의 하단에는 도장 라인(10)의 물리 구조가 그려져 있다. 도장 라인(10)에서 취득된 데이터는, 취득된 공간에 의해서도 분류된다. 예를 들어, X₁, X₂, X₃는 도장 장비에서 얻은 데이터, X₇, X₈, X₉은 혼합실에서 얻은 데이터, X₁₁은 도장 장치 및 건조 장치 사이의 반송 장치에서 얻은 데이터와 같이 분류된다. 또한, 도 6 중에서 설비 간을 연결하고 있는 화살표 선은, 데이터 상에서 공간의 중첩을 나타내고 있다. 도 6에 나타내는 예에서는, 도장 장치(14)와 혼합실(18)은 데이터 상 동일 공간으로 간주한다. 전술한 것처럼, 본 실시 형태의 기계 학습에서는, 동일 시각 및 동일 공간에서 얻은 데이터의 집합이 작성되고, 그 집합의 단위로 기계 학습이 실행된다.

도 6의 중단에는 도장 라인(10)의 논리 구조가 그려져 있다. 논리 구조에서, {Pro ○○, Pro △△}는 하나의 배치에 포함된 제품의 집합이며, 예를 들어 {Pro19, Pro20}은 19 번과 20 번 제품의 집합을 나타내고 있다. 점선으로 그려진 테두리는, 과제 Y에 변화가 생겼을 때 변화가 있었던 데이터 X의 분류를 나타내고 있다. 도 6에 나타내는 예의 경우, {Pro19, Pro20}에서는 집합 {X₁, X₂, X₃}와 집합 {X₇, X₈, X₉}과 집합 {X₁₁}에 변화가 발생하고, {Pro44, Pro45}에서는 집합 {X₁, X₂, X₃}와 집합 {X₇, X₈, X₉}과 집합 {X₁₁}에 변화가 발생하며, {Pro102, Pro103}에서는 집합 {X₇, X₈, X₉}과 집합 {X₁₁}에 변화가 발생하고 있다. 도 6에 나타내는 예에서는, 집합 {X₁, X₂, X₃}와 집합 {X₇, X₈, X₉}과 집합 {X₁₁}의 각각은 반복하여 발생하는 원인이며, 또한, 집합 {X₁, X₂, X₃}와 집합 {X₇, X₈, X₉}은 동일한 공간에서 중첩하는 원인인 것을 알 수 있다.

이상과 같은 기계 학습을 도장 라인(10)에서 얻은 데이터에 대해 실행함으로써, 과제와 복수의 요인의 관련이 정리되어 가며, 문제에 대한 원인이 되어 있는 요인을 탐색할 수가 있다. 여기서, 기계 학습에서의 확률 모델의 학습 방법과 잠재 요인의 탐색 방법에 대하여 도 7을 이용하여 보다 상세하게 설명한다. 도 7에서 나타내고 있는 것은, ΔY_j와 그것에 대응하는 집합 {ΔX₁, ΔX₂ ... ΔX₃₀, ΔX₃₁, ΔX₃₂ ... ΔX₉₉, ΔX₁₀₀}의 시계열 데이터이다. 기계 학습에서는, 시각마다 ΔY_j의 변화를 판정한다. ΔY_j가 불(Boolean) 데이터인 경우는, 참에서 거짓으로의 변화를 ΔY_j의 변화로서 판정한다. ΔY_j가 수치인 경우는, 그 수치(측정치)에 한계 이상의 차이가 발생한 것을 ΔY_j의 변화로서 판정한다.

ΔY_j에 변화가 생겼을 경우, 그 시각의 집합 {ΔX₁, ΔX₂ ... ΔX₃₀, ΔX₃₁, ΔX₃₂ ... ΔX₉₉, ΔX₁₀₀}중에서 한계치 이상의 차이가 발생한 X_i를 찾아 계산하고, 그 계산 결과 Count(X_i | Y_j)를 얻는다. 그리고 Count(X_i | Y_j)를 이산 데이터로 변환하고, 그에 따라 확률 모델을 학습한다. 본 실시 형태에서는 확률 모델로서 베이지안 네트워크 모델이 이용된다. 베이지안 네트워크 모델에서의 링크 구조와 각 노드 치를 구하는 문제는 정수 계획법으로 풀 수 있다. 또한, 기계 학습에서는, 베이지안 네트워크 모델을 이용한 잠재적 요인의 탐색이 실행된다. 이 경우 공간에 따른 타임 랙 효과에 따라, 확률 전반법에 의해 신규 요인(변수)이 탐색된다.

다음은, 기계 학습 장치(3)에 의한 베이지안 네트워크의 학습 방법에 대해 도 8을 이용하여 설명한다. 베이지안 패턴 인식 알고리즘 란에 기재되어 있는 것처럼, 베이지안 네트워크는, 무한대의 경우의 수를 갖는 물리적 / 화학적인 실제 현상을, 경우의 수를 유한으로 하여 컴퓨터가 이해 가능한 구조로 나타낸 모델이다. 구체적으로는, 도장 라인(10)에서의 실제 현상에는 관측 가능한 요인 X_i와 관측 할 수 없는 요인 ω_i 가 존재하지만, 베이지안 네트워크에서는 관측 가능한 요인 X_i에 대해, 결과와 요인의 인과 관계 및 요인 간의 인과 관계가 링크 구조로 표현되어 있다.

도 8에는, 재귀형 뉴럴 네트워크의 그래픽컬 통계 모델이 그려져 있다. 이 그래픽컬 통계 모델에서의 갱신 구조화 모델은, 베이지안 네트워크의 구조, 즉, 링크 구조와 각 노드 치를 갱신하기 위한 모델이다. 갱신 구조화 모델에는, 도장 라인(10)에서 이번 시각에 얻은 데이터의 집합과, 이전 시각에서의 갱신 구조화 모델의 출력이 입력된다. 갱신 구조화 모델의 출력은 전술의 관측 할 수 없는 요인의 이전 값이다. 갱신 구조화 모델에서의 학습에는 전술한 확률 전반법이 이용된다.

기계 학습 장치 3은, 이상과 같은 방법으로 기계 학습을 실행한다. 그러나, 여기서는 데이터 수를 100으로 설명했지만 실제 데이터 수는 많고 크며, 또한, 관리 대상 항목인 과제도 많기 때문에, 소규모 컴퓨터 자원으로는 계산에 긴 시간이 소요된다. 그래서 활용되는 것이, 전문가에 의해 작성된 전술의 랭크 부여 FBD이다. 기계 학습 장치(3)은, 도 9에 나타내듯, FBD 작성 단말(2)에서 작성된 랭크 부여 FBD를 직교표로 변환한다. 또는, 미리 선정된 FBD를 직교표로 변환해 두고, 직교표를 기계 학습 장치(3)에 입력해도 좋다. 직교표에는, 과제(결과)와 요인(원인)의 관련 외에도, 각 요인의 중요도와 요인 간의 인과 관계도 입력된다.

기계 학습 장치(3)은, 직교표에 따라 베이지안 네트워크를 초기 설정한다. 직교 표는 랭크 부여 FBD로부터 변환 된 것이므로, 랭크 부여 FBD에서 과제와 복수의 요인의 관계에 따라 베이지안 네트워크의 링크 구조가 초기 설정되고, 복수의 요인의 각각에 부여 된 중요도에 따라 베이지안 네트워크의 각 노드 치가 초기 설정된다. 과제에 영향을 줄 수 있는 요인은 다수 존재하지만, 전문가가 전혀 영향은 없다고 판단한 요인에 대해서는 랭크 부여 FBD에는 표시되지 않고, 베이지안 네트워크에도 반영되지 않는다. 결과, 그 요인에 대해서는 기계 학습 대상에서 제외 되기 때문에, 기계 학습을 효율적으로 실행 가능하게 되며, 소규모 컴퓨터 자원에서도 처리가 가능해진다.

학습된 베이지안 네트워크는, 감시장치(4)에서 이용된다. 감시 장치(4)는, 관리 대상 항목(과제)에 이상이 검지된 경우, 관리 대상 항목의 이상의 원인으로 추정되는 요인을 학습 완료된 베이지안 네트워크에 따라 특정하고, 특정한 요인을 오퍼레이터에게 통지한다. 청구항과의 대응 관계에서는, 감시 장치(4)는, 청구항에 기재의 감시 수단에 상당한다.

4. 피쉬 본 다이어그램의 갱신

이상 설명한 것처럼, 본 실시의 형태에서는, 전문가 지식이 형식지화 된 랭크 부여 FBD가 베이지안 네트워크를 이용한 기계 학습에 적용된다. 기계 학습에 의해 관리 대상 항목인 과제와 다양한 요인의 관련이 명백해짐과 동시에, 기계 학습의 결과를 랭크 부여 FBD에 피드백 함으로서, 랭크 부여 FBD의 정밀도를 더 향상시키는 것도 가능하다. 도 10은, 본 실시의 형태에서 실행되는 기계 학습의 전체의 흐름을 이미지로 나타낸 도면이다.

전문가는, 도장 라인(10)에서 얻은 관측 가능한 데이터(요인)와 과제의 관계를 지식으로서 축적한다(스텝 S1). 그리고, 그 지식에 따라 랭크 부여 FBD를 작성한다. 랭크 부여 FBD의 중간 뼈 및 작은 뼈에는, 도장 라인(10)에서 얻은 관측 가능한 데이터가 대응하여 부여된다(스텝 S2).

기계 학습 장치(3)에서는, 전문가에 의해 작성된 랭크 부여 FBD에 따라, 베이지안 네트워크의 링크 구조와 각 노드 치가 초기 설정된다(스텝 S3). 또한, 도장 라인(10)에서 얻은 관측 가능한 데이터에 따라 학습이 이루어진다(스텝 S4). 학습은 재귀형 뉴럴 네트워크에 의해 실행되고, 관측 할 수 없는 데이터는 은폐 층으로 사용된다. 학습 결과는 베이지안 네트워크에 반영되고, 학습 결과에 따라 각 노드 치가 변화하거나 링크 구조가 변화하거나 한다(스텝 S5). 또한, 학습 결과는 베이지안 네트워크를 통해 랭크 부여 FBD에 반영되고, 학습된 링크 구조 또는 각 노드 치에 따라 뼈 구조나 각 요인의 중요도가 갱신된다(스텝 S6).

여기서, 랭크 부여 FBD의 갱신 방법에 대해 도 11를 이용하여 구체적으로 설명한다. 과제 Y에 변화가 생긴 소정 시간에서의 합계로 총 100 개의 데이터에 변화가 있고, 그 중 데이터 X₁은 4 개, 데이터 X₂는 3 개, 데이터 X₃는 10 개, 데이터 X₄는 3 개 포함되어 있었다고 하자. 과제 Y와의 관련을 고려하지 않으면, 데이터 X₃의 확률 쪽이 데이터 X₂ 확률보다도 높기 때문에, 일반적으로, 데이터 X₃의 중요도의 쪽이 데이터 X₂의 중요도 보다도 높다고 판단된다. 또한, 데이터 X₄ 의 확률은 높지 않기 때문에, 일반적으로는, 데이터 X₄의 중요도는 낮다고 판단된다. 여기서는, 이러한 판단에 따라 전문가에 의한 랭크 부여 FBD 작성이 실행되고 있다고 한다.

그러나, 베이지안 네트워크를 이용한 기계 학습에서는, 과제 Y와 각 데이터의 관련이 통계적으로 계산된다. 도 11에 의하면, 데이터 X₂가 변화한 때에 과제 Y가 변화한 확률 P(Y | X₂)는 1/3 인데 대해, 데이터 X₃가 변화한 때 과제 Y가 변화한 확률 P(Y | X₃)은 2/10이다. 따라서, 기계 학습 장치 3은 데이터 X₂의 중요도의 쪽이 데이터 X₃의 중요도보다도 높다고 판단한다. 이 판단에 따라, 베이지안 네트워크에서는 데이터 X₂, X₃에 대응하는 노드 치가 변경된다. 또한, 베이지안 네트워크의 변경은 랭크 부여 FBD에도 반영되어, 데이터 X₂, X₃에 대응하는 요인의 중요도가 변경된다.

또한, 데이터 X₄가 변화한 때에 과제 Y가 변화한 확률 P(Y | X₄)는, 통계적으로는, 데이터 X₂가 변화한 때에 과제 Y가 변화한 확률 P(Y | X₂)와, 데이터 X₄가 변화한 때에 데이터 X₂가 변화한 확률 P(X₂ | X₄)의 곱으로 나타낼 수 있다.

따라서, 확률 P(Y | X₄)는, 0이 아닌 1/9로 된다. 이 판단에 따라, 베이지안 네트워크에서는 데이터 X₄에 해당하는 노드를 추가하도록 링크 구조가 변경된다. 또한, 베이지안 네트워크의 변경은 랭크 부여 FBD에도 반영되며, 데이터 X₄에 대응하는 작은 뼈가 새롭게 추가된다.

도 12는, 랭크 부여 FBD의 갱신 예, 상세히는, 요인의 중요도가 변화하는 예를 보다 구체적으로 설명하기 위한 도면이다. 베이지안 네트워크의 학습에서는, 도장 라인(10)에서 얻은 데이터 X_i의 각각의 변화의 이력과 관리 대상 항목인 과제 Y_j의 평가 결과의 이력에 따라, 데이터 X_i의 각각과 과제 Y_j의 관련 정도가 조사되고, 그 관련 정도에 따라 각 노드 치가 재검토된다.

도 12의 예에서는, 학습의 전후에서, 데이터 X₂ 노드의 위치와 데이터 X₃의 노드의 위치가 바뀌어 있다. 이것은, 학습의 전후에서, 데이터 X₂와 데이터 X₃ 사이의 노드의 대소 관계가 변화한 것을 의미한다. 베이지안 네트워크에서 노드 치가 재검토된 경우, 랭크 부여 FBD에서는, 그 노드에 대응하는 요인에 부여된 중요도가 수정된다. 도 12의 예에서는, 학습의 전후에서, 중간 뼈에 대응하는 데이터(1st_2nd_3rd_4th_5th_003)의 중요도가 랭크 5에서 랭크 3으로 변경되고, 결과 랭크 4의 데이터(1st_2nd_3rd_4th_5th_002)보다도 중요도가 떨어져 있다.

도 13은, 랭크 부여 FBD의 갱신 예, 자세히는, 결과 - 요인의 관계가 변화하는 예를 보다 구체적으로 설명하기 위한 도면이다. 베이지안 네트워크의 학습에서는, 도장 라인(10)에서 얻은 데이터 X_i의 각각의 변화의 이력과 관리 대상 항목인 과제 Y_j 평가 결과의 이력에 따라, 데이터 X_i의 각각과 과제 Y_j의 관련 정도가 조사된다. 그리고, 관련 정도가 높은 데이터에 대응하는 노드가 베이지안 네트워크의 연결 구조에 존재하지 않는 경우, 해당 노드가 링크 구조에 새롭게 추가된다.

도 13의 예에서는, 학습 후, 데이터 X₂의 노드의 하위에 데이터 X₄의 노드가 새롭게 추가되어 있다. 이것은, 데이터 X₂에 대한 결과와 요인의 관계에 있는 데이터 X₄가 기계 학습에 의해 새로 발견된 것을 의미한다. 링크 구조에 새로운 노드가 추가된 경우, 해당 노드에 대응하는 요인이 랭크 부여 FBD에 새롭게 추가된다. 도 13의 예에서는, 학습 후, 데이터(1st_2nd_3rd_4th_5th_002)에 대응하는 중간 뼈에 대해, 데이터(1st_2nd_3rd_4th_5th_004)에 대응하는 작은 뼈가 새롭게 추가되어 있다.

이상 설명한 처리는 기계 학습 장치(3)에 의해 실행된다. 청구항과의 대응 관계에서는, 기계 학습 장치(3)가 도장 라인(10)에서 데이터를 취득하는 기능은, 청구항에 기재의 데이터 입력부로서의 기능에 상당한다. 또한, 기계 학습 장치(3)가 FBD 작성 단말(2)에서 작성된 랭크 부여 FBD를 받아들이는 기능은, 청구항에 기재의 특성요인도 설정부로서의 기능에 상당한다. 랭크 부여 FBD에 따라 베이지안 네트워크의 링크 구조 및 각 노드 치를 초기 설정하는 기능은, 청구항에 기재의 확률 모델 초기 설정수단에 상당하고, 또한, 청구항에 기재의 확률 모델 초기 설정부에 상당한다. 도장 라인(10)에서 취득된 데이터에 따라 베이지안 네트워크의 링크 구조 및 각 노드 치를 학습하는 기능은, 청구항에 기재의 확률 모델 학습 수단에 상당하고, 또한, 청구항에 기재의 확률 모델 학습부에 상당한다. 또한, 학습후의 베이지안 네트워크에 따라 랭크 부여 FBD를 갱신하는 기능은, 청구항에 기재의 특성요인도 갱신 수단에 상당한다.

5. 그 외의 실시의 형태

상기 실시의 형태에서 기계 학습 장치(3)가 구비하는 기능의 일부를 다른 컴퓨터로 옮길 수도 있다. 또한, 기계 학습 장치(3)가 구비하는 기능의 일부 또는 전부를 클라우드 상에 있는 서버에 전송할 수도 있다.

1 관리 시스템
2 FBD 작성 단말
3 기계 학습 장치
4 감시 장치
10 도장 라인

Claims (10)

1. 관리 대상 항목이 설정된 제조 또는 서비스 현장에서 데이터를 취득하는 데이터 취득 수단과,
   상기 관리 대상 항목과 그것에 영향을 미치는 것으로 추측되는 복수의 요인에 대한 관련을 나타내고, 상기 복수의 요인은 상기 데이터 취득 수단에 의해 취득된 상기 데이터의 적어도 일부이고, 한편, 상기 복수의 요인 각각은 상기 관리 대상 항목에 대한 중요도가 부여되어 있는, 특성요인도를 상기 관리 대상 항목과 상기 복수의 요인의 관계에 대한 전문가 지식에 따라 작성하기 위한 특성요인도 작성수단과,
   상기 특성요인도에서 상기 관리 대상 항목과 상기 복수의 요인의 관계에 따라 확률 모델의 링크 구조를 설정하고, 상기 복수의 요인의 각각에 부여된 상기 중요도에 따라 상기 확률 모델의 각 노드 치를 설정하는 확률 모델 초기 설정 수단과,
   상기 데이터 취득 수단에 의해 취득된 상기 데이터를 이용하여 상기 링크 구조 또는 상기 각 노드 치를 학습하는 확률 모델 학습 수단과,
   학습된 상기 링크 구조 또는 상기 각 노드 치에 따라 상기 특성요인도를 갱신하는 특성요인도 갱신 수단을 구비하고,
   상기 확률 모델 학습 수단은,
   재귀형 뉴럴 네트워크에 의한 학습을 포함하고,
   상기 재귀형 뉴럴 네트워크는,
   입력 값으로서 각 시각에서 얻은 데이터 변화들의 집합 및 이전 시각에서의 갱신구조화 모델의 출력을 사용하는 것을 특징으로 하는 관리 시스템.
   
2. 제1항에 있어서,
   상기 확률 모델 학습 수단은, 상기 데이터 취득 수단에 의해 취득된 상기 데이터의 각각의 변화의 이력과 상기 관리 대상 항목의 평가 결과의 이력에 따라 상기 데이터의 각각과 상기 관리 대상 항목의 관련 정도를 조사하여, 상기 관련 정도에 따라 상기 각 노드 치를 재검토하도록 구성되며,
   상기 특성요인도 갱신 수단은, 상기 각 노드 치가 재검토된 경우, 재검토된 상기 각 노드 치에 따라 상기 복수의 요인의 각각에 부여된 상기 중요도를 수정하도록 구성되어 있는
   것을 특징으로 하는 관리 시스템.
   
3. 제1항 또는 제2항에 있어서,
   상기 확률 모델 학습 수단은, 상기 데이터 취득 수단에 의해 취득된 상기 데이터의 각각의 변화의 이력과 상기 관리 대상 항목의 평가 결과의 이력에 따라 상기 데이터의 서로 간의 관련 정도와 상기 데이터의 각각과 상기 관리 대상 항목의 관련 정도를 조사하여, 상기 관련 정도가 높은 데이터에 대응하는 노드가 상기 링크 구조에 존재하지 않는 경우, 해당 노드를 상기 링크 구조에 새롭게 추가하도록 구성되며,
   상기 특성요인도 갱신 수단은, 상기 링크 구조에 새로운 노드가 추가된 경우, 해당 노드에 대응하는 요인을 상기 특성요인도에 새롭게 추가하도록 구성되어 있는
   것을 특징으로 하는 관리 시스템.
   
4. 삭제
5. 삭제
6. 삭제
7. 삭제
8. 삭제
9. 삭제
10. 삭제

Images