KR20180103002A

KR20180103002A - 마무리 가공량 예측 장치 및 기계 학습 장치

Info

Publication number: KR20180103002A
Application number: KR1020180026352A
Authority: KR
Inventors: 히로미츠 가도쿠라
Original assignee: 화낙 코퍼레이션
Priority date: 2017-03-08
Filing date: 2018-03-06
Publication date: 2018-09-18
Also published as: TW201843620A; CN108573310B; US20180259946A1; JP2018144207A; CN108573310A; EP3372342A1; US10921789B2; EP3372342B1; JP6499689B2; TWI709089B

Abstract

가공량 예측 장치가 구비하는 기계 학습 장치는, 부품의 각 부분의 마무리 가공량을 나타내는 마무리 가공량 데이터와, 그 부품이 장착된 기계의 각 부분의 정밀도를 나타내는 정밀도 데이터를, 환경의 현재 상태를 나타내는 상태 변수로서 관측하고, 추가로 마무리 가공 후의 부품이 장착된 기계의 각 부분의 정밀도의 적부 판정 결과를 나타내는 판정 데이터를 취득하고, 그렇게 하여, 그것들 상태 변수와 판정 데이터를 사용하여, 부품의 각 부분의 마무리 가공량을 정밀도 데이터와 관련지어 학습한다.

Description

마무리 가공량 예측 장치 및 기계 학습 장치{FINISH-MACHINING AMOUNT PREDICTION APPARATUS AND MACHINE LEARNING DEVICE}

본 발명은 마무리 가공량 예측 장치 및 기계 학습 장치에 관한 것이다.

극단의 고정밀도가 필요한 부품의 마무리를 실시할 때에, 숙련된 작업원에 의해 손 가공이 행해지는 경우가 있다.

그 일례로서, 와이어 방전 가공기의 예를 나타낸다. 도 9 는 와이어 방전 가공기의 가공조 (1) 의 단면도이다. 와이어 방전 가공기를 설치할 때에, 가공조 (1) 내에 배치된 워크를 재치하는 테이블 (2) 의 상면은 가능한 한 평면 또한 수평으로 되어 있는 것이 바람직한데, 공장의 플로어면의 경사나 그 밖의 요인에 의해, 그대로 설치했을 때에는 테이블 (2) 의 상면이 수평이나 평면도를 유지할 수 없는 경우가 있다. 이와 같은 경우, 테이블 (2) 의 상부를 떼어내고, 테이블 (2) 의 하부에 장착했을 때에 테이블 (2) 의 상면이 수평이 되도록 그 테이블 (2) 의 상부의 장착면을 연마한다.

이 때, 작업자는 테이블 (2) 의 상면의 각 부에 대하여 미리 정한 기준 위치로부터의 어긋남량을 거리 센서 등의 측정 장치를 사용하여 계측하고, 그 계측 결과를 본 작업원이 경험에 기초하여 테이블 (2) 의 상부의 장착면의 각 부분을 어느 정도 연마하면 되는지를 판단하고, 판단한 결과에 기초하여 테이블 (2) 의 상부의 장착면의 각 부분을 연마한다. 도 10a 는 측정 장치에 의해 계측된 테이블 (2) 의 상면의 각 부분의 기준 위치로부터의 어긋남량을 예시하고, 또 도 10b 는 그 테이블 (2) 의 상부의 장착면의 각 부분을 연마하는 횟수를 예시하는 도면이다.

또, 다른 예로서, 공작 기계의 가이드의 키사게 (스크레이핑 ; scraping) 의 예를 나타낸다. 일반적으로 공작 기계는, 베드 상에 적어도 1 개의 이동대가 직교 2 축 방향이나 직교 3 축 방향으로 이동 가능하게 형성되어 있다. 한편, 공작 기계를 구성하는 각 구조물은, 안정적인 가공을 실현하기 위해서 상당한 중량을 갖고 있어, 각 구조물을 조립했을 때에, 각 구조물의 자중이나 각 구조물의 사이에 작용하는 힘에 의해 이들이 변형된다는 현상을 일으킨다.

예를 들어, 도 11 에 나타내는 바와 같이, 베드 (3) 상에 형성된 테이블 (5) 을 레일 (4) 을 따라 X 축 방향으로 이동시키면, 레일 (4) 의 단부가 테이블 (5) 과 테이블 (5) 상에 재치된 워크 (도시 생략) 의 무게로 레일 (4) 이 탄성 변형되어, 테이블 (5) 이 똑바로 이동하지 않는다는 사태가 발생한다.

그래서, 작업자는 테이블 (5) 을 이동시켰을 때의 테이블의 Z 축 방향에서의 미리 정한 기준 위치로부터의 어긋남량을 거리 센서 등의 측정 장치를 사용하여 계측하고, 그 계측 결과를 본 작업원이 경험에 기초하여 레일 (4) 의 상부의 각 부분을 어느 정도 스크레이핑하면 되는지를 판단하고, 도 12 에 나타내는 바와 같이 레일 (4) 의 상부의 각 부분을 연마한다 (일본 공개특허공보 평10-156715호 등). 이 스크레이핑에 의해, 테이블 (5) 은 똑바로 이동하게 된다.

상기한 바와 같은 연마나 스크레이핑 등의 마무리 가공을 실시하는 경우, 단순히 측정 장치로 계측한 기준 위치로부터의 어긋남량분만큼 각 부분의 마무리 가공을 실시하였다고 해도, 각 부분이 기계의 구성이나 다른 부분에 이루어진 마무리 가공의 영향을 받기 때문에, 상정하고 있는 정밀도에 의한 마무리 가공을 실현할 수 없다는 문제가 있다.

그래서 본 발명의 목적은, 가공면의 정밀도 개선을 하는 마무리 가공에 있어서 계측 결과에 기초하여 마무리 가공량을 예측하는 마무리 가공량 예측 장치 및 기계 학습 장치를 제공하는 것이다.

본 발명의 일 양태에 의한 마무리 가공량 예측 장치는, 기계에 장착되는 부품의 각 부분의 마무리 가공을 실시하는 경우의 그 부품의 각 부분의 마무리 가공량을 예측하는 것으로서, 상기 마무리 가공에 있어서의 부품의 각 부분의 마무리 가공량을 학습하는 기계 학습 장치를 구비한다. 그 기계 학습 장치는, 상기 마무리 가공에 있어서의 부품의 각 부분의 마무리 가공량을 나타내는 마무리 가공량 데이터, 및 그 마무리 가공의 개시 전에 측정되는 그 부품을 장착한 기계의 각 부분의 정밀도를 나타내는 정밀도 데이터를, 환경의 현재 상태를 나타내는 상태 변수로서 관측하는 상태 관측부와, 상기 마무리 가공 후의 부품이 장착된 기계의 각 부분의 정밀도의 적부 판정 결과를 나타내는 판정 데이터를 취득하는 판정 데이터 취득부와, 상기 상태 변수와 상기 판정 데이터를 사용하여, 상기 마무리 가공에 있어서의 부품의 각 부분의 마무리 가공량을 상기 정밀도 데이터와 관련지어 학습하는 학습부를 구비한다.

상기 상태 관측부는, 상기 상태 변수로서 추가로 상기 부품의 품종을 식별하는 품종 정보를 관측하고, 상기 학습부는, 상기 마무리 가공에 있어서의 부품의 각 부분의 마무리 가공량을 상기 정밀도 데이터 및 상기 품종 정보의 쌍방과 관련지어 학습할 수 있다.

상기 학습부는, 상기 적부 판정 결과에 관련되는 보수를 구하는 보수 계산부와, 상기 보수를 이용하여, 상기 마무리 가공에 있어서의 부품의 각 부분의 마무리 가공량의 가치를 나타내는 함수를 갱신하는 가치 함수 갱신부를 구비할 수 있다.

상기 학습부는, 상기 상태 변수 및 상기 판정 데이터로부터 상기 마무리 가공에 있어서의 부품의 각 부분의 마무리 가공량을 유도하는 상관성 모델과 미리 준비된 교사 데이터로부터 식별되는 상관성 특징과의 오차를 계산하는 오차 계산부와, 상기 오차를 축소하도록 상기 상관성 모델을 갱신하는 모델 갱신부를 구비할 수 있다.

상기 학습부는, 상기 상태 변수와 상기 판정 데이터를 다층 구조로 연산해도 된다.

상기 마무리 가공량 예측 장치는, 추가로 상기 학습부에 의한 학습 결과에 기초하여 상기 마무리 가공에 있어서의 부품의 각 부분의 마무리 가공량을 표시 또는 출력하는 의사 결정부를 구비할 수 있다.

상기 학습부는, 복수의 산업 기계의 각각에 대하여 얻어진 상기 상태 변수 및 상기 판정 데이터를 사용하여, 그 복수의 산업 기계의 각각에 있어서의 상기 마무리 가공에 있어서의 부품의 각 부분의 마무리 가공량을 학습할 수 있다.

본 발명의 일 양태에 의한 기계 학습 장치는, 기계에 장착되는 부품의 각 부분의 마무리 가공을 실시하는 경우의 그 부품의 각 부분의 마무리 가공량을 학습하는 것으로서, 상기 마무리 가공에 있어서의 부품의 각 부분의 마무리 가공량을 나타내는 마무리 가공량 데이터, 및 그 마무리 가공의 개시 전에 측정되는 그 부품을 장착한 기계의 각 부분의 정밀도를 나타내는 정밀도 데이터를, 환경의 현재 상태를 나타내는 상태 변수로서 관측하는 상태 관측부와, 상기 마무리 가공 후의 부품이 장착된 기계의 각 부분의 정밀도의 적부 판정 결과를 나타내는 판정 데이터를 취득하는 판정 데이터 취득부와, 상기 상태 변수와 상기 판정 데이터를 사용하여, 상기 마무리 가공에 있어서의 부품의 각 부분의 마무리 가공량을 상기 정밀도 데이터와 관련지어 학습하는 학습부를 구비한다.

본 발명에 의해, 가공면의 정밀도 개선을 하는 마무리 가공에 있어서 계측 결과에 기초하여 각 부분의 마무리 가공량을 자동적으로 예측하는 것이 가능해진다.

도 1 은 제 1 실시형태에 의한 마무리 가공량 예측 장치의 개략적인 기능 블록도이다.
도 2 는 마무리 가공량 예측 장치의 일 형태를 나타내는 개략적인 기능 블록도이다.
도 3 은 기계 학습 방법의 일 형태를 나타내는 개략적인 플로우 차트이다.
도 4 는 마무리 가공량 예측 장치의 다른 형태를 나타내는 개략적인 기능 블록도이다.
도 5a 는 뉴런을 설명하는 도면이다.
도 5b 는 뉴럴 네트워크를 설명하는 도면이다.
도 6 은 제 2 실시형태에 의한 마무리 가공량 예측 장치의 개략적인 기능 블록도이다.
도 7 은 조립 시스템의 일 형태를 나타내는 개략적인 기능 블록도이다.
도 8 은 조립 시스템의 다른 형태를 나타내는 개략적인 기능 블록도이다.
도 9 는 와이어 방전 가공기의 가공조의 단면도이다.
도 10a 는 측정 장치에 의해 계측된 테이블의 상면의 각 부분의 기준 위치로부터의 어긋남량을 예시하는 도면이다.
도 10b 는 테이블의 상부의 장착면의 각 부분을 연마하는 횟수를 예시하는 도면이다.
도 11 은 공작 기계의 테이블의 이동의 어긋남을 예시하는 도면이다.
도 12 는 스크레이핑에 의해 어긋남이 보정된 공작 기계의 테이블의 이동을 예시하는 도면이다.

도 1 은 제 1 실시형태에 의한 마무리 가공량 예측 장치 (10) 의 개략적인 기능 블록도이다.

마무리 가공량 예측 장치 (10) 는, 극단의 고정밀도가 필요한 부품의 마무리를 실시할 때의, 그 부품의 각 부에 대한 마무리 가공량 (연마 횟수, 연마량, 스크레이핑 횟수 등) 을, 이른바 기계 학습에 의해 스스로 학습하기 위한 소프트웨어 (학습 알고리즘 등) 및 하드웨어 (컴퓨터의 CPU 등) 를 포함하는 기계 학습 장치 (20) 를 구비한다. 마무리 가공량 예측 장치 (10) 가 구비하는 기계 학습 장치 (20) 가 학습하는 부품의 각 부에 대한 마무리 가공량은, 그 부품이 장착되어 사용되는 기계의 각 부분의 정밀도 (기준 위치와의 어긋남) 와, 그 부품의 각 부에 대한 마무리 가공량의 상관성을 나타내는 모델 구조에 상당한다.

도 1 에 기능 블록으로 나타내는 바와 같이, 마무리 가공량 예측 장치 (10) 가 구비하는 기계 학습 장치 (20) 는, 상태 관측부 (22) 와 판정 데이터 취득부 (24) 와 학습부 (26) 를 구비한다. 상태 관측부 (22) 는, 마무리 가공의 대상이 되는 부품 (도시 생략) 에 대하여 이루어지는 그 부품의 각 부분의 마무리 가공량을 나타내는 마무리 가공량 데이터 S1 과, 마무리 가공의 대상이 되는 부품 (도시 생략) 이 장착된 기계 (도시 생략) 의 각 부분의 정밀도 데이터 S2 를, 환경의 현재 상태를 나타내는 상태 변수 S 로서 관측한다. 판정 데이터 취득부 (24) 는, 마무리 가공이 이루어진 부품이 기계에 장착된 상태에서의 그 기계의 각 부분의 정밀도의 적부 판정 결과를 나타내는 판정 데이터 D 를 취득한다. 학습부 (26) 는, 상태 변수 S 와 판정 데이터 D 를 사용하여, 마무리 가공량 데이터 S1 이 나타내는 부품의 각 부분의 마무리 가공량을 정밀도 데이터 S2 와 관련지어 학습한다.

상태 관측부 (22) 는, 예를 들어 컴퓨터의 CPU 의 한 기능으로서 구성할 수 있다. 혹은 상태 관측부 (22) 는, 예를 들어 컴퓨터의 CPU 를 기능시키기 위한 소프트웨어로서 구성할 수 있다. 상태 관측부 (22) 가 관측하는 상태 변수 S 중, 마무리 가공량 데이터 S1 은, 예를 들어 숙련된 작업자에 의해 신고되어 마무리 가공량 예측 장치 (10) 에 부여되는 마무리 가공량의 신고 데이터로부터 취득할 수 있다. 그 마무리 가공량 데이터 S1 은, 예를 들어 부품의 각 부에 대한 연마 횟수, 연마량, 스크레이핑 횟수 등의 마무리 가공량을 포함한다.

또 상태 변수 S 중, 정밀도 데이터 S2 는, 마무리 가공의 대상이 되는 부품을 기계에 장착한 상태로, 예를 들어 그 기계에 부설되는 제 1 측정 장치 (도시 생략) 에 의해 실측함으로써 취득할 수 있다.

제 1 측정 장치는 예를 들어, 마무리 가공의 대상이 되는 부품이 와이어 방전 가공기의 테이블인 경우에는, 그 테이블이 장착된 상태로 그 테이블의 상면에 형성되어 있는 복수의 마크의 위치를 측정하거나, 그 테이블의 네 귀퉁이의 위치를 측정하거나, 그 테이블의 상면에 존재하는 다른 복수의 착안 가능점 (기존 또는 후기) 의 위치를 측정하거나 할 수 있다. 또, 제 1 측정 장치는, 예를 들어 마무리 가공의 대상이 되는 부품이 공작 기계의 테이블을 슬라이딩시키는 레일인 경우에는, 그 레일에 테이블이 재치된 상태로 그 테이블을 복수의 좌표 위치로 이동시켜, 각각의 좌표 위치에 있어서의 테이블의 위치를 측정하거나 할 수 있다. 제 1 측정 장치는, 그것들 측정 지점의 실측 위치와 그 측정 지점의 미리 정한 기준 위치의 차이를 구하고, 그 구한 차이로부터, 마무리 가공의 대상이 되는 부품 (도시 생략) 이 장착된 기계의 각 부분의 정밀도 데이터 S2 를 연산할 수 있다. 이 연산은, 예를 들어 마무리 가공량 예측 장치 (10) 가 실시하거나, 상태 관측부 (22) 자체가 실시하거나 할 수도 있다. 이 제 1 측정 장치로는, 적외선 레이저, 초음파, 정전 용량 등을 사용한 비접촉식 변위계나, 접촉자를 갖는 접촉식 변위계 등을 채용할 수 있다.

판정 데이터 취득부 (24) 는, 예를 들어 컴퓨터의 CPU 의 한 기능으로서 구성할 수 있다. 혹은 판정 데이터 취득부 (24) 는, 예를 들어 컴퓨터의 CPU 를 기능시키기 위한 소프트웨어로서 구성할 수 있다. 판정 데이터 취득부 (24) 가 취득하는 판정 데이터 D 는, 부품에 대하여 마무리 가공이 이루어진 후에 그 부품을 기계에 대하여 장착한 상태로, 예를 들어 그 기계에 부설되는 제 1 측정 장치에 의해 실측함으로써 취득할 수 있다. 판정 데이터 D 는, 상태 변수 S 하에서 마무리 가공을 실행했을 때의 결과를 나타내는 지표로서, 마무리 가공이 실시된 환경의 현재 상태를 간접적으로 나타내는 것이다.

이와 같이, 마무리 가공량 예측 장치 (10) 가 구비하는 기계 학습 장치 (20) 가 기계 학습을 진행시키는 동안, 환경에 있어서는, 제 1 측정 장치에 의한 마무리 가공의 대상이 되는 부품이 장착된 기계의 각 부분의 정밀도의 측정, 그 부품에 대한 마무리 가공의 실시, 및 제 1 측정 장치에 의한 마무리 가공 후의 부품이 장착된 기계의 각 부분의 정밀도의 재측정이 실시된다.

학습부 (26) 는, 예를 들어 컴퓨터의 CPU 의 한 기능으로서 구성할 수 있다. 혹은 학습부 (26) 는, 예를 들어 컴퓨터의 CPU 를 기능시키기 위한 소프트웨어로서 구성할 수 있다. 학습부 (26) 는, 기계 학습으로 총칭되는 임의의 학습 알고리즘에 따라, 마무리 가공의 대상이 되는 부품에 대하여 이루어지는 그 부품의 각 부분의 마무리 가공량을 학습한다. 학습부 (26) 는, 마무리 가공의 대상이 되는 복수의 부품에 대하여, 전술한 상태 변수 S 와 판정 데이터 D 를 포함하는 데이터 집합에 기초하는 학습을 반복 실행할 수 있다. 복수의 부품에 대한 학습 사이클의 반복 중, 상태 변수 S 중 마무리 가공량 데이터 S1 은, 전회까지의 학습 사이클로 얻은 마무리 가공량의 값으로 하고, 또 판정 데이터 D 는, 그 학습 사이클로 얻은 마무리 가공량에 기초하는 마무리 가공에 대한 적부 판정 결과로 한다.

이와 같은 학습 사이클을 반복함으로써, 학습부 (26) 는, 기계의 각 부분의 정밀도 (정밀도 데이터 S2) 와 부품의 각 부에 대한 마무리 가공량의 상관성을 암시하는 특징을 자동적으로 식별할 수 있다.

학습 알고리즘의 개시시에는 정밀도 데이터 S2 와 부품의 각 부분의 마무리 가공량의 상관성은 실질적으로 아직 알려지지 않았지만, 학습부 (26) 는, 학습을 진행시킴에 따라 서서히 특징을 식별하여 상관성을 해석한다. 정밀도 데이터 S2 와 부품의 각 부분의 마무리 가공량의 상관성이 어느 정도 신뢰할 수 있는 수준까지 해석되면, 학습부 (26) 가 반복 출력하는 학습 결과는, 현재 상태의 (요컨대 기준 위치로부터의 어긋남을 갖는다) 기계의 부품에 대하여 그 부품의 각 부분의 마무리 가공량을 어느 정도로 해야 할 것인가라는 행동의 선택 (요컨대 의사 결정) 을 실시하기 위해서 사용할 수 있는 것이 된다. 요컨대 학습부 (26) 는, 학습 알고리즘의 진행에 수반하여, 마무리 가공의 대상이 되는 부품의 현재 상태와, 그 현재 상태의 부품에 각 부분에 대하여 어느 정도의 가공량의 마무리 가공을 해야 할 것인가라는 행동의, 상관성을 최적해 (最適解) 에 서서히 가깝게 할 수 있다.

상기한 바와 같이, 마무리 가공량 예측 장치 (10) 가 구비하는 기계 학습 장치 (20) 에 있어서, 상태 관측부 (22) 가 관측한 상태 변수 S 와, 판정 데이터 취득부 (24) 가 취득한 판정 데이터 D 를 사용하여, 학습부 (26) 가 기계 학습 알고리즘에 따라, 마무리 가공의 대상이 되는 부품의 각 부분의 마무리 가공량을 학습하는 것이다. 상태 변수 S 는, 마무리 가공량 데이터 S1 및 정밀도 데이터 S2 와 같은, 외란의 영향을 잘 받지 않는 데이터로 구성된다. 또, 판정 데이터 D 는, 마무리 가공 후의 부품을 기계에 장착함으로써 일의적으로 구해진다. 정밀도 데이터 S2 는, 예를 들어 제 1 측정 장치의 능력으로서의 기계의 각 부의 측정 정밀도에 의존하지만, 그 자체 고정밀도의 정밀도 데이터 S2 를 관측할 수 있는 것이 기대된다. 또 판정 데이터 D 도 마찬가지로, 제 1 측정 장치의 측정 정밀도에 의존하여, 고정밀도의 판정 데이터 D 를 취득할 수 있는 것이 기대된다. 따라서, 마무리 가공량 예측 장치 (10) 가 구비하는 기계 학습 장치 (20) 에 의하면, 학습부 (26) 의 학습 결과를 사용함으로써, 부품이 장착된 기계의 각 부분의 정밀도에 따른 그 부품의 각 부분의 마무리 가공량을, 연산이나 목산에 의하지 않고 자동적으로, 게다가 정확하게 구할 수 있게 된다.

부품의 각 부분의 마무리 가공량을, 연산이나 목산에 의하지 않고 자동적으로 구할 수 있으면, 부품의 마무리 가공의 개시 전에 그 부품을 장착한 기계의 각 부분의 위치를 실측하여 기준 위치로부터의 어긋남 (정밀도 데이터 S2) 을 취득하는 것만으로, 부품의 각 부분의 마무리 가공량을 신속하게 결정할 수 있다. 따라서, 부품에 대한 마무리 가공의 속도를 향상시킬 수 있다.

마무리 가공량 예측 장치 (10) 가 구비하는 기계 학습 장치 (20) 의 일 변형예로서, 상태 관측부 (22) 는, 상태 변수 S 중의 하나로서, 대상이 되는 부품의 품종을 식별하는 품종 정보 S3 을 추가로 관측할 수 있다. 품종 정보 S3 은 예를 들어, 기계의 종류, 부품의 종류 등의 정보를 포함할 수 있다. 품종 정보 S3 은, 추가로 부품의 제조 로트 번호나 제조 기업의 식별 정보를 포함할 수도 있다. 예를 들어 품종 정보 S3 을 바코드 등의 식별자로 부품에 표시하거나 할 수 있다. 상태 관측부 (22) 는, 예를 들어 바코드 리더의 출력으로부터 품종 정보 S3 을 취득할 수 있다. 학습부 (26) 는, 부품의 각 부분의 마무리 가공량을, 정밀도 데이터 S2 및 품종 정보 S3 의 쌍방과 관련지어 학습할 수 있다.

상기 변형예에 의하면, 부품을 장착한 기계의 각 부분의 기준 위치로부터의 어긋남과 품종의 쌍방에 따른 최적인 부품의 각 부분의 마무리 가공량을 학습할 수 있다. 예를 들어 2 개의 부품에 관한 기계의 각 부분의 기준 위치로부터의 어긋남 (정밀도 데이터 S2) 이 동일해도 그 부품의 재료 등 (품종 정보 S3) 이 상이한 경우, 부품의 각 부분의 마무리 가공량의 정도가, 미묘하게 상이한 상황이 생길 수 있다. 상기 구성에 의하면, 이와 같은 상황에 있어서도 재료 등 (품종 정보 S3) 에 따라 부품의 각 부분의 마무리 가공량을 최적화할 수 있다. 혹은, 학습을 진행시키는 동안에 기계의 각 부분의 기준 위치로부터의 어긋남 (정밀도 데이터 S2) 과 부품의 재료 등 (품종 정보 S3) 의 상관성을 찾아낼 수 있는 경우도 있다. 이 경우에는, 품종 정보 S3 으로부터 정밀도 데이터 S2 를 어느 정도 예측할 수 있게 되므로, 제 1 측정 장치에 의한 기계의 각 부분의 측정 정밀도가 낮은 경우라도, 학습을 적정하게 수속시켜 부품의 각 부분의 마무리 가공량을 최적화할 수 있다.

마무리 가공량 예측 장치 (10) 가 구비하는 기계 학습 장치 (20) 의 다른 변형예로서, 학습부 (26) 는, 동일한 기계 구성을 갖는 복수의 기계의 각각에 대하여 얻어진 상태 변수 S 및 판정 데이터 D 를 사용하여, 그것들 기계의 각각에 있어서의 부품의 각 부분의 마무리 가공량을 학습할 수 있다. 이 구성에 의하면, 일정 시간으로 얻어지는 상태 변수 S 와 판정 데이터 D 를 포함하는 데이터 집합의 양을 증가시킬 수 있으므로, 보다 다양한 데이터 집합을 입력으로 하여, 부품의 각 부분의 마무리 가공량의 학습 속도나 신뢰성을 향상시킬 수 있다.

상기 구성을 갖는 기계 학습 장치 (20) 에서는, 학습부 (26) 가 실행하는 학습 알고리즘은 특별히 한정되지 않고, 예를 들어 교사 있는 학습, 교사 없는 학습, 강화 학습, 뉴럴 네트워크 등의, 기계 학습으로서 공지된 학습 알고리즘을 채용할 수 있다.

도 2 는 도 1 에 나타내는 마무리 가공량 예측 장치 (10) 의 일 형태로서, 학습 알고리즘의 일례로서 강화 학습을 실행하는 학습부 (26) 를 구비한 구성을 나타낸다. 강화 학습은, 학습 대상이 존재하는 환경의 현재 상태 (요컨대 입력) 를 관측함과 함께 현재 상태로 소정의 행동 (요컨대 출력) 을 실행하고, 그 행동에 대하여 어떠한 보수를 준다는 사이클을 시행 착오적으로 반복하여, 보수의 총계가 최대화되는 방책 (본원의 기계 학습 장치에서는 부품의 각 부분의 마무리 가공량) 을 최적해로서 학습하는 수법이다.

도 2 에 나타내는 마무리 가공량 예측 장치 (10) 가 구비하는 기계 학습 장치 (20) 에 있어서, 학습부 (26) 는, 상태 변수 S 에 기초하여 마무리 가공을 함으로써 얻어지는 마무리 가공된 부품이 장착된 기계의 각 부분의 정밀도의 적부 판정 결과 (다음의 학습 사이클에서 사용되는 판정 데이터 D 에 상당) 에 관련되는 보수 R 을 구하는 보수 계산부 (28) 와, 보수 R 을 사용하여, 마무리 가공의 실행시에 채용되는 부품의 각 부분의 마무리 가공량의 가치를 나타내는 함수 Q 를 갱신하는 가치 함수 갱신부 (30) 를 구비한다. 학습부 (26) 는, 가치 함수 갱신부 (30) 가 함수 Q 의 갱신을 반복함으로써 부품의 각 부분의 마무리 가공량을 학습한다.

학습부 (26) 가 실행하는 강화 학습의 알고리즘의 일례를 설명한다. 이 예에 의한 알고리즘은, Q 학습 (Q-learning) 으로서 알려지는 것으로서, 행동 주체 상태 s 와, 그 상태 s 에서 행동 주체가 선택할 수 있는 행동 a 를 독립 변수로 하여, 상태 s 에서 행동 a 를 선택했을 경우의 행동의 가치를 나타내는 함수 Q (s, a) 를 학습하는 수법이다. 상태 s 에서 가치 함수 Q 가 가장 높아지는 행동 a 를 선택하는 것이 최적해가 된다. 상태 s 와 행동 a 의 상관성이 아직 알려지지 않은 상태에서 Q 학습을 개시하고, 임의 상태 s 에서 다양한 행동 a 를 선택하는 시행 착오를 반복함으로써, 가치 함수 Q 를 반복 갱신하여, 최적해에 가깝게 한다. 여기서, 상태 s 에서 행동 a 를 선택한 결과로서 환경 (요컨대 상태 s) 이 변화했을 때에, 그 변화에 따른 보수 (요컨대 행동 a 의 가중) r 이 얻어지도록 구성하고, 보다 높은 보수 r 이 얻어지는 행동 a 를 선택하도록 학습을 유도함으로써, 가치 함수 Q 를 비교적 단시간에 최적해에 가깝게 할 수 있다.

가치 함수 Q 의 갱신식은, 일반적으로 하기의 (1) 식과 같이 나타낼 수 있다. (1) 식에 있어서, s_t 및 a_t 는 각각 시각 t 에 있어서의 상태 및 행동으로, 행동 a_t 에 의해 상태는 s_t+1 로 변화한다. r_t+1 은, 상태가 s_t 로부터 s_t+1 로 변화함으로써 얻어지는 보수이다. maxQ 의 항은, 시각 t＋1 에서 최대의 가치 Q 가 되는 (시각 t 로 여겨지고 있다) 행동 a 를 실시했을 때의 Q 를 의미한다. α 및 γ 는 각각 학습 계수 및 할인율이며, 0＜α≤1, 0＜γ≤1 로 임의 설정된다.

학습부 (16) 가 Q 학습을 실행하는 경우, 상태 관측부 (22) 가 관측한 상태 변수 S 및 판정 데이터 취득부 (24) 가 취득한 판정 데이터 D 는, 갱신식의 상태 s 에 해당하고, 현재 상태의 (요컨대 기준 위치로부터의 어긋남을 갖는다) 기계의 부품에 대하여 그 부품의 각 부분의 마무리 가공량을 어떻게 변경해야 할 것인가라는 행동은, 갱신식의 행동 a 에 해당하고, 보수 계산부 (28) 가 구하는 보수 R 은, 갱신식의 보수 r 에 해당한다. 따라서 가치 함수 갱신부 (30) 는, 현재 상태의 부품의 각 부분의 마무리 가공량의 가치를 나타내는 함수 Q 를, 보수 R 을 사용한 Q 학습에 의해 반복 갱신한다.

보수 계산부 (28) 가 구하는 보수 R 은, 예를 들어 부품의 각 부분의 마무리 가공량 결정 후에 그 마무리 가공량에 기초하여 마무리 가공을 실행했을 때에, 마무리 가공 후의 부품을 장착한 기계의 각 부분의 정밀도가 「적합」이라고 판정되는 경우 (요컨대, 마무리 가공 후의 부품을 장착한 기계의 각 부분의 기준 위치로부터의 어긋남이 허용 범위에 들어가는 경우) 에 정 (플러스) 의 보수 R 로 하고, 부품의 각 부분의 마무리 가공량 결정에 그 마무리 가공량에 기초하여 마무리 가공을 실행했을 때에, 마무리 가공 후의 부품을 장착한 기계의 각 부분의 정밀도가 「부적합」이라고 판정되는 경우 (요컨대, 마무리 가공 후의 부품을 장착한 기계의 각 부분의 기준 위치로부터의 어긋남이 허용 범위를 초과하는 경우) 에 부 (마이너스) 의 보수 R 로 할 수 있다. 정부의 보수 R 의 절대값은, 서로 동일해도 되고 상이해도 된다.

이 때, 마무리 가공 후의 부품을 장착한 기계의 각 부분의 각각에 대하여, 기준 위치로부터의 어긋남이 허용 범위에 들어가는지 아닌지를 판정하여, 모든 부분에 대하여 기준 위치로부터의 어긋남이 허용 범위에 들어가는 경우에 「적합」이라고 판정하도록 해도 되고, 기계의 각 부분의 기준 위치로부터의 어긋남의 총합이 허용 범위에 들어가는 경우에 「적합」이라고 판정하도록 해도 된다. 또, 이들을 조합하여 판정하도록 해도 된다.

또, 부품을 장착한 기계의 각 부분의 정밀도의 적부 판정 결과를, 「적합」및 「부적합」의 두 가지뿐만 아니라, 위치 어긋남의 크기에 따라 복수 단계로 설정할 수 있다. 예로서, 허용 범위의 최대값이 Tmax 인 경우, 마무리 가공을 한 후의 부품을 장착한 기계의 각 부분의 기준 위치로부터의 어긋남 U 가, 0≤U＜Tmax/5 일 때는 보수 R=5 를 부여하고, Tmax/5≤U＜Tmax/2 일 때는 보수 R=2 를 부여하고, Tmax/2≤U≤Tmax 일 때는 보수 R=1 을 부여하는 구성으로 할 수 있다. 또한, 학습의 초기 단계는 Tmax 를 비교적 크게 설정하고, 학습이 진행됨에 따라 Tmax 를 축소하는 구성으로 할 수도 있다.

가치 함수 갱신부 (30) 는, 상태 변수 S 와 판정 데이터 D 와 보수 R 을, 함수 Q 로 나타내는 행동 가치 (예를 들어 수치) 와 관련지어 정리한 행동 가치 테이블을 가질 수 있다. 이 경우, 가치 함수 갱신부 (30) 가 함수 Q 를 갱신한다는 행위는, 가치 함수 갱신부 (30) 가 행동 가치 테이블을 갱신한다는 행위와 동일한 의미이다. Q 학습의 개시시에는 환경의 현재 상태와 부품의 각 부분의 마무리 가공량의 상관성은 아직 알려지지 않았기 때문에, 행동 가치 테이블에 있어서는, 다양한 상태 변수 S 와 판정 데이터 D 와 보수 R 이, 무작위로 정한 행동 가치의 값 (함수 Q) 과 관련지은 형태로 준비되어 있다. 또한 보수 계산부 (28) 는, 판정 데이터 D 를 알 수 있으면 이에 대응하는 보수 R 을 즉시 산출할 수 있고, 그 산출한 값 R 이 행동 가치 테이블에 기입된다.

부품을 장착한 기계의 각 부분의 정밀도의 적부 판정 결과에 따른 보수 R 을 사용하여 Q 학습을 진행시키면, 보다 높은 보수 R 이 얻어지는 행동을 선택하는 방향으로 학습이 유도되고, 선택한 행동을 현재 상태로 실행한 결과로 하여 변화하는 환경의 상태 (요컨대 상태 변수 S 및 판정 데이터 D) 에 따라, 현재 상태로 실시하는 행동에 대한 행동 가치의 값 (함수 Q) 이 재기록되어 행동 가치 테이블이 갱신된다. 이 갱신을 반복함으로써, 행동 가치 테이블에 표시되는 행동 가치의 값 (함수 Q) 은, 적정한 행동일수록 큰 값이 되도록 재기록된다. 이와 같이 하여, 아직 알려지지 않은 환경의 현재 상태 (부품을 장착한 기계의 각 부분의 정밀도) 와 그에 대한 행동 (부품의 각 부분의 마무리 가공량의 결정) 의 상관성이 서서히 명확해진다. 요컨대 행동 가치 테이블의 갱신에 의해, 부품의 마무리 가공의 개시 전에 부품을 장착한 기계의 각 부분에 생긴 어긋남의 상태와, 부품의 각 부분의 마무리 가공량의 관계가 최적해에 서서히 가까워진다.

도 3 을 참조하여, 학습부 (26) 가 실행하는 상기한 Q 학습의 플로우 (요컨대 기계 학습 방법의 일 형태) 를 추가로 설명한다.

먼저 스텝 SA01 에서, 가치 함수 갱신부 (30) 는, 그 시점에서의 행동 가치 테이블을 참조하면서, 상태 관측부 (22) 가 관측한 상태 변수 S 가 나타내는 현재 상태로 실시하는 행동으로서 부품의 각 부분의 마무리 가공량을 무작위로 선택한다. 다음으로 가치 함수 갱신부 (30) 는, 스텝 SA02 에서, 상태 관측부 (22) 가 관측하고 있는 현재 상태의 상태 변수 S 를 도입하고, 스텝 SA03 에서, 판정 데이터 취득부 (24) 가 취득하고 있는 현재 상태의 판정 데이터 D 를 도입한다.

다음으로, 가치 함수 갱신부 (30) 는, 스텝 SA04 에서, 판정 데이터 D 에 기초하여, 마무리 가공에 있어서의 부품의 각 부분의 마무리 가공량이 적당한지 아닌지를 판단하고, 적당할 경우, 스텝 SA05 에서, 보수 계산부 (28) 가 구한 정의 보수 R 을 함수 Q 의 갱신식에 적용하고, 이어서 스텝 SA06 에서, 현재 상태에 있어서의 상태 변수 S 및 판정 데이터 D 와 보수 R 과 행동 가치의 값 (갱신 후의 함수 Q) 을 사용하여 행동 가치 테이블을 갱신한다. 스텝 SA04 에서, 마무리 가공에 있어서의 부품의 각 부분의 마무리 가공량이 적당하지 않다고 판단한 경우, 스텝 SA07 에서, 보수 계산부 (28) 가 구한 부의 보수 R 을 함수 Q 의 갱신식에 적용하고, 이어서 스텝 SA06 에서, 현재 상태에 있어서의 상태 변수 S 및 판정 데이터 D 와 보수 R 과 행동 가치의 값 (갱신 후의 함수 Q) 을 사용하여 행동 가치 테이블을 갱신한다.

학습부 (26) 는, 스텝 SA01 ∼ SA07 에서의 처리를 반복함으로써 행동 가치 테이블을 반복 갱신하고, 부품의 각 부분의 마무리 가공량의 학습을 진행시킨다.

도 4 는 도 1 에 나타내는 마무리 가공량 예측 장치 (10) 의 다른 형태로서, 학습 알고리즘의 다른 예로서 교사 있는 학습을 실행하는 학습부 (26) 를 구비한 구성을 나타낸다.

교사 있는 학습은, 입력과 출력의 관계가 아직 알려지지 않은 상태로 학습을 개시하는 전술한 강화 학습과 달리, 입력과 그에 대응하는 출력의 이미 알려진 데이터 세트 (교사 데이터라고 칭한다) 가 미리 대량으로 부여되고, 그것들 교사 데이터로부터 입력과 출력의 상관성을 암시하는 특징을 식별함으로써, 새로운 입력에 대한 소요 출력을 추정하기 위한 상관성 모델 (본원의 기계 학습 장치 (20) 에서는 부품의 각 부분의 마무리 가공량) 을 학습하는 수법이다.

도 4 에 나타내는 마무리 가공량 예측 장치 (10) 가 구비하는 기계 학습 장치 (20) 에 있어서, 학습부 (26) 는, 상태 변수 S 및 판정 데이터 D 로부터 부품의 각 부분의 마무리 가공량을 유도하는 상관성 모델 M 과, 미리 준비된 교사 데이터 T 로부터 식별되는 상관성 특징과의 오차 E 를 계산하는 오차 계산부 (32) 와, 그 오차 E 를 축소하도록 상관성 모델 M 을 갱신하는 모델 갱신부 (34) 를 구비한다. 학습부 (26) 는, 모델 갱신부 (34) 가 상관성 모델 M 의 갱신을 반복함으로써 부품의 각 부분의 마무리 가공량을 학습한다.

상관성 모델 M 의 초기값은, 예를 들어 상태 변수 S 및 판정 데이터 D 와 부품의 각 부분의 마무리 가공량의 상관성을 단순화하여 (예를 들어 일차 함수로) 표현한 것으로, 교사 있는 학습의 개시 전에 학습부 (26) 에 부여된다. 교사 데이터 T 는, 예를 들어 과거의 부품에 대한 마무리 가공에 있어서 숙련된 작업자가 결정한 부품의 각 부분의 마무리 가공량을 기록함으로써 축적된 경험치 (부품을 장착한 기계의 각 부분의 정밀도와 대응하는 부품의 각 부분의 마무리 가공량의 이미 알려진 데이터 세트) 에 의해 구성할 수 있고, 교사 있는 학습의 개시 전에 학습부 (26) 에 부여된다.

오차 계산부 (32) 는, 학습부 (26) 에 부여된 대량의 교사 데이터 T 로부터 부품을 장착한 기계의 각 부분의 정밀도와, 부품의 각 부분의 마무리 가공량의 상관성을 암시하는 상관성 특징을 식별하고, 이 상관성 특징과, 현재 상태에 있어서의 상태 변수 S 및 판정 데이터 D 에 대응하는 상관성 모델 M 과의 오차 E 를 구한다. 모델 갱신부 (34) 는, 예를 들어 미리 정한 갱신 룰에 따라, 오차 E 가 작아지는 방향으로 상관성 모델 M 을 갱신한다.

다음의 학습 사이클에서는, 오차 계산부 (32) 는, 갱신 후의 상관성 모델 M 에 따라 실장 공정을 시행함으로써 변화한 상태 변수 S 및 판정 데이터 D 를 사용하여, 그것들 변화한 상태 변수 S 및 판정 데이터 D 에 대응하는 상관성 모델 M 에 관하여 오차 E 를 구하고, 모델 갱신부 (34) 가 다시 상관성 모델 M 을 갱신한다. 이와 같이 하여, 아직 알려지지 않은 환경의 현재 상태 (부품을 장착한 기계의 각 부분의 정밀도) 와 그에 대한 행동 (부품의 각 부분의 마무리 가공량) 의 상관성이 서서히 명확해진다. 요컨대 상관성 모델 M 의 갱신에 의해, 부품에 대한 마무리 가공의 개시 전에 그 부품을 장착한 기계의 각 부에 생긴 기준 위치로부터의 어긋남 상태와, 그 기준 위치로부터의 어긋남을 해소하기 위해 그 부품에 대하여 이루어지는 마무리 가공에 있어서의 부품의 각 부분의 마무리 가공량의 관계가, 최적해에 서서히 가까워진다.

또한, 마무리 가공량 예측 장치 (10) 가 구비하는 기계 학습 장치 (20) 에서는, 학습의 초기 단계는 학습부 (26) 가 교사 있는 학습을 실행하고, 학습이 어느 정도 진행한 단계에서, 교사 있는 학습으로 얻은 부품의 각 부분의 마무리 가공량을 초기값으로 하여 학습부 (26) 가 강화 학습을 실행하도록 구성할 수도 있다. 강화 학습에 있어서의 초기값이 어느 정도의 신뢰성을 갖고 있으므로, 전술한 바와 같은 고정밀도의 마무리 가공이 요구되는 경우에도 비교적 신속하게 최적해에 도달할 수 있다.

전술한 강화 학습이나 교사 있는 학습을 진행시킬 때에, 예를 들어 Q 학습대신에 뉴럴 네트워크를 사용할 수 있다. 도 5a 는 뉴런의 모델을 모식적으로 나타낸다. 도 5b 는 도 5a 에 나타내는 뉴런을 조합하여 구성한 3 층의 뉴럴 네트워크의 모델을 모식적으로 나타낸다. 뉴럴 네트워크는, 예를 들어 뉴런의 모델을 모방한 연산 장치나 기억 장치 등에 의해 구성할 수 있다.

도 5a 에 나타내는 뉴런은, 복수의 입력 x (여기에서는 일례로서, 입력 x₁ ∼ 입력 x₃) 에 대한 결과 y 를 출력하는 것이다. 각 입력 x₁ ∼ x₃ 에는, 이 입력 x 에 대응하는 무게 w (w₁ ∼ w₃) 가 가해진다. 이로써, 뉴런은, 다음의 (2) 식에 의해 표현되는 출력 y 를 출력한다. 또한, (2) 식에 있어서, 입력 x, 출력 y 및 무게 w 는, 모두 벡터이다. 또, θ 는 바이어스이고, f_k 는 활성화 함수이다.

도 5b 에 나타내는 3 층의 뉴럴 네트워크는, 좌측으로부터 복수의 입력 x (여기에서는 일례로서, 입력 x1 ∼ 입력 x3) 가 입력되고, 우측으로부터 결과 y (여기에서는 일례로서, 결과 y1 ∼ 결과 y3) 가 출력된다. 도시하는 예에서는, 입력 x1, x2, x3 의 각각에 대응하는 무게 (총칭하여 w1 로 나타낸다) 가 곱셈되어, 개개의 입력 x1, x2, x3 이 모두 3 개의 뉴런 N11, N12, N13 에 입력되어 있다.

도 5b 에서는 뉴런 N11 ∼ N13 의 각각의 출력을 총칭하여 z1 로 나타낸다. z1 은 입력 벡터의 특징량을 추출한 특징 벡터라고 볼 수 있다. 도시하는 예에서는, 특징 벡터 z1 의 각각에 대응하는 무게 (총칭하여 w2 로 나타낸다) 가 곱셈되어, 개개의 특징 벡터 z1 이 모두 2 개의 뉴런 N21, N22 에 입력되어 있다. 특징 벡터 z1 은 무게 w1 과 무게 w2 의 사이의 특징을 나타낸다.

도 5b 에서는 뉴런 N21 ∼ N22 의 각각의 출력을 총칭하여 z2 로 나타낸다. z2 는 특징 벡터 z1 의 특징량을 추출한 특징 벡터라고 볼 수 있다. 도시하는 예에서는, 특징 벡터 z2 의 각각에 대응하는 무게 (총칭하여 w3 으로 나타낸다) 가 곱셈되어, 개개의 특징 벡터 z2 가 모두 3 개의 뉴런 N31, N32, N33 에 입력되어 있다. 특징 벡터 z2 는 무게 w2 와 무게 w3 의 사이의 특징을 나타낸다. 마지막으로 뉴런 N31 ∼ N33 은, 각각 결과 y1 ∼ y3 을 출력한다.

마무리 가공량 예측 장치 (10) 가 구비하는 기계 학습 장치 (20) 에 있어서는, 상태 변수 S 와 판정 데이터 D 를 입력 x 로 하여, 학습부 (26) 가 상기한 뉴럴 네트워크에 따른 다층 구조의 연산을 실시함으로써, 부품의 각 부분의 마무리 가공량 (결과 y) 을 출력할 수 있다.

또한 뉴럴 네트워크의 동작 모드에는, 학습 모드와 가치 예측 모드가 있고, 예를 들어 학습 모드로 학습 데이터 세트를 사용하여 무게 w 를 학습하고, 그 학습한 무게 w 를 사용하여 가치 예측 모드로 행동의 가치 판단을 실시할 수 있다. 또, 가치 예측 모드에서는, 검출, 분류, 추론 등을 실시할 수도 있다.

상기한 마무리 가공량 예측 장치 (10) 의 구성은, 컴퓨터의 CPU 가 실행하는 기계 학습 방법 (혹은 소프트웨어) 으로서 기술할 수 있다. 이 기계 학습 방법은, 부품의 마무리 가공을 실시할 때의, 그 부품의 각 부분의 마무리 가공량을 학습하는 기계 학습 방법으로서, 컴퓨터의 CPU 가, 부품에 대한 마무리 가공에 있어서의 그 부품의 각 부분의 마무리 가공량을 나타내는 마무리 가공량 데이터 S1, 및 마무리 가공의 대상이 되는 부품을 장착한 기계의 각 부분의 정밀도를 나타내는 정밀도 데이터 S2 를, 부품의 마무리 가공이 실행되는 환경의 현재 상태를 나타내는 상태 변수 S 로서 관측하는 스텝과, 마무리 가공 후의 부품이 장착된 기계의 각 부분의 정밀도의 적부 판정 결과를 나타내는 판정 데이터 D 를 취득하는 스텝과, 상태 변수 S 와 판정 데이터 D 를 사용하여, 부품의 각 부분의 마무리 가공량을 정밀도 데이터 S2 와 관련지어 학습하는 스텝을 갖는다.

도 6 은 제 2 실시형태에 의한 마무리 가공량 예측 장치 (40) 를 나타낸다.

마무리 가공량 예측 장치 (40) 는, 기계 학습 장치 (50) 와, 상태 관측부 (22) 가 관측하는 상태 변수 S 의 마무리 가공량 데이터 S1 및 정밀도 데이터 S2 를 상태 데이터 S0 으로서 취득하는 상태 데이터 취득부 (42) 를 구비한다. 상태 데이터 취득부 (42) 가 취득하는 상태 데이터 S0 은, 품종 정보 S3 을 포함할 수도 있다. 상태 데이터 취득부 (42) 는, 기계에 부설되는 전술한 제 1 측정 장치나, 작업자에 의한 적절한 데이터 입력으로부터 상태 데이터 S0 을 취득할 수 있다.

마무리 가공량 예측 장치 (40) 가 갖는 기계 학습 장치 (50) 는, 부품에 대한 마무리 가공에 있어서의 그 부품의 각 부분의 마무리 가공량을 기계 학습에 의해 스스로 학습하기 위한 소프트웨어 (학습 알고리즘 등) 및 하드웨어 (컴퓨터의 CPU 등) 에 추가적으로, 학습한 부품의 각 부분의 마무리 가공량을 표시하기 위해, 또는 그 마무리 가공을 실시하는 산업 기계에 대한 지령으로서 출력하기 위한 소프트웨어 (연산 알고리즘 등) 및 하드웨어 (컴퓨터의 CPU 등) 를 포함하는 것이다. 마무리 가공량 예측 장치 (40) 가 포함하는 기계 학습 장치 (50) 는, 1 개의 공통의 CPU 가, 학습 알고리즘, 연산 알고리즘 등의 모든 소프트웨어를 실행하는 구성으로 할 수도 있다.

의사 결정부 (52) 는, 예를 들어 컴퓨터의 CPU 의 한 기능으로서 구성할 수 있다. 혹은 의사 결정부 (52) 는, 예를 들어 컴퓨터의 CPU 를 기능시키기 위한 소프트웨어로서 구성할 수 있다. 의사 결정부 (52) 는, 학습부 (26) 가 학습한 부품의 각 부분의 마무리 가공량을, 예를 들어 도 10b 에 예시한 스크레이핑량 등으로 하여 작업자에게 표시하거나, 또는 학습부 (26) 가 학습한 부품의 각 부분의 마무리 가공량에 기초하여 마무리 가공을 실시하는 산업 기계에 대한 지령값 C 를 생성하고, 그 생성한 지령값 C 로서 출력한다. 의사 결정부 (52) 가 부품의 각 부분의 마무리 가공량을 표시하고, 이에 기초한 작업자에 의한 마무리 가공이 실시된 경우, 또 의사 결정부 (52) 가 산업 기계에 대하여 지령값 C 를 출력했을 경우, 이에 따라 환경의 상태 (마무리 가공량 데이터 S1) 가 변화한다.

상태 관측부 (22) 는, 의사 결정부 (52) 에 의한 환경에 대한 부품의 각 부분의 마무리 가공량의 표시 후에 또는 출력 후에 변화한 마무리 가공량 데이터 S1 을 포함하는 상태 변수 S 를 다음의 학습 사이클에 있어서 관측한다. 학습부 (26) 는, 변화한 상태 변수 S 를 사용하여, 예를 들어 가치 함수 Q (즉 행동 가치 테이블) 를 갱신함으로써, 부품의 각 부분의 마무리 가공량을 학습한다.

의사 결정부 (52) 는, 학습한 부품의 각 부분의 마무리 가공량 하에서 상태 변수 S 에 따라 부품의 각 부분의 마무리 가공량의 표시, 또는 산업 기계에 대한 지령값 C 의 출력을 실시한다. 이 사이클을 반복함으로써, 기계 학습 장치 (50) 는 부품의 각 부분의 마무리 가공량의 학습을 진행시켜, 부품의 각 부분의 마무리 가공량의 신뢰성을 서서히 향상시킨다.

상기 구성을 갖는 마무리 가공량 예측 장치 (40) 가 구비하는 기계 학습 장치 (50) 는, 전술한 기계 학습 장치 (20) 와 동등한 효과를 발휘한다. 특히 기계 학습 장치 (50) 는, 의사 결정부 (52) 의 출력에 의해 환경의 상태를 변화시킬 수 있다. 한편, 기계 학습 장치 (20) 에서는, 학습부 (26) 의 학습 결과를 환경에 반영시키기 위한 의사 결정부에 상당하는 기능을 외부 장치 (예를 들어 산업 기계의 제어 장치) 에 구할 수 있다.

도 7 은 산업 기계 (60) 를 구비한 일 실시형태에 의한 조립 시스템 (70) 을 나타낸다. 조립 시스템 (70) 은, 동일한 기계 구성을 갖는 복수의 산업 기계 (60, 60') 와, 그것들 산업 기계 (60, 60') 를 서로 접속하는 네트워크 (72) 를 구비하고, 복수의 산업 기계 (60, 60') 중 적어도 1 개가, 상기한 마무리 가공량 예측 장치 (40) 를 구비하는 산업 기계 (60) 로서 구성된다. 또 조립 시스템 (70) 은, 마무리 가공량 예측 장치 (40) 를 구비하지 않는 산업 기계 (60') 를 포함할 수 있다. 산업 기계 (60, 60') 는, 기계가 제공하는 부품에 대한 마무리 가공에 필요하게 되는 일반적인 산업 기계가 구비하는 구성을 갖는다.

상기 구성을 갖는 조립 시스템 (70) 은, 복수의 산업 기계 (60, 60') 중에서 마무리 가공량 예측 장치 (40) 를 구비하는 산업 기계 (60) 가, 학습부 (26) 의 학습 결과를 사용하여, 마무리 가공의 대상이 되는 부품이 장착된 기계의 각 부분의 정밀도에 따른 그 부품의 각 부분의 마무리 가공량을, 연산이나 목산에 의하지 않고 자동적으로, 게다가 정확하게 구할 수 있다. 또, 적어도 1 개의 산업 기계 (60) 의 마무리 가공량 예측 장치 (40) 가, 다른 복수의 산업 기계 (60, 60') 의 각각에 대하여 얻어진 상태 변수 S 및 판정 데이터 D 에 기초하여, 모든 산업 기계 (60, 60') 에 공통되는 부품의 각 부분의 마무리 가공량을 학습하고, 그 학습 결과를 모든 산업 기계 (60, 60') 가 공유하도록 구성할 수 있다. 따라서 조립 시스템 (70) 에 의하면, 보다 다양한 데이터 집합 (상태 변수 S 및 판정 데이터 D 를 포함한다) 을 입력으로 하여, 부품의 각 부분의 마무리 가공량의 학습 속도나 신뢰성을 향상시킬 수 있다.

도 8 은 산업 기계 (60') 를 구비한 다른 실시형태에 의한 조립 시스템 (70') 을 나타낸다. 이 조립 시스템 (70') 은, 기계 학습 장치 (50) (또는 (20)) 와, 동일한 기계 구성을 갖는 복수의 산업 기계 (60') 와, 그것들 산업 기계 (60') 와 기계 학습 장치 (50) (또는 (20)) 를 서로 접속하는 네트워크 (72) 를 구비한다.

상기 구성을 갖는 조립 시스템 (70') 은, 기계 학습 장치 (50) (또는 (20)) 가, 복수의 산업 기계 (60') 의 각각에 대하여 얻어진 상태 변수 S 및 판정 데이터 D 에 기초하여, 모든 산업 기계 (60') 에 공통되는 부품의 각 부분의 마무리 가공량을 학습하고, 그 학습 결과를 사용하여, 마무리 가공의 대상이 되는 부품이 장착된 기계의 각 부의 정밀도에 따른 부품의 각 부분의 마무리 가공량을, 연산이나 목산에 의하지 않고 자동적으로, 게다가 정확하게 구할 수 있다.

조립 시스템 (70') 은, 기계 학습 장치 (50) (또는 (20)) 가, 네트워크 (72) 에 준비된 클라우드 서버에 존재하는 구성을 가질 수 있다. 이 구성에 의하면, 복수의 산업 기계 (60') 의 각각이 존재하는 장소나 시기에 관계없이, 필요한 때에 필요한 수의 산업 기계 (60') 를 기계 학습 장치 (50) (또는 (20)) 에 접속할 수 있다.

조립 시스템 (70, 70') 에 종사하는 작업자는, 기계 학습 장치 (50) (또는 (20)) 에 의한 학습 개시 후의 적당한 시기에, 기계 학습 장치 (50) (또는 (20)) 에 의한 부품의 각 부분의 마무리 가공량의 학습 도달도 (즉 부품의 각 부분의 마무리 가공량의 신뢰성) 가 요구 레벨에 이르렀는지 아닌지의 판단을 실행할 수 있다.

이상, 본 발명의 실시형태에 대하여 설명했는데, 본 발명은 상기 서술한 실시형태의 예에만 한정되지 않고, 적절한 변경을 가함으로써 다양한 양태로 실시할 수 있다.

예를 들어, 기계 학습 장치 (20, 50) 가 실행하는 학습 알고리즘, 기계 학습 장치 (50) 가 실행하는 연산 알고리즘, 마무리 가공량 예측 장치 (10, 40) 가 실행하는 제어 알고리즘 등은, 상기 서술한 것에 한정되지 않고, 다양한 알고리즘을 채용할 수 있다.

Claims

기계에 장착되는 부품의 각 부분의 마무리 가공을 실시하는 경우의 그 부품의 각 부분의 마무리 가공량을 예측하는 마무리 가공량 예측 장치로서,
상기 마무리 가공에 있어서의 부품의 각 부분의 마무리 가공량을 학습하는 기계 학습 장치를 구비하고,
상기 기계 학습 장치는,
상기 마무리 가공에 있어서의 부품의 각 부분의 마무리 가공량을 나타내는 마무리 가공량 데이터, 및 그 마무리 가공의 개시 전에 측정되는 그 부품을 장착한 기계의 각 부분의 정밀도를 나타내는 정밀도 데이터를, 환경의 현재 상태를 나타내는 상태 변수로서 관측하는 상태 관측부와,
상기 마무리 가공 후의 부품이 장착된 기계의 각 부분의 정밀도의 적부 판정 결과를 나타내는 판정 데이터를 취득하는 판정 데이터 취득부와,
상기 상태 변수와 상기 판정 데이터를 사용하여, 상기 마무리 가공에 있어서의 부품의 각 부분의 마무리 가공량을 상기 정밀도 데이터와 관련지어 학습하는 학습부를 구비하는, 마무리 가공량 예측 장치.
제 1 항에 있어서,
상기 상태 관측부는, 상기 상태 변수로서 추가로 상기 부품의 품종을 식별하는 품종 정보를 관측하고,
상기 학습부는, 상기 마무리 가공에 있어서의 부품의 각 부분의 마무리 가공량을 상기 정밀도 데이터 및 상기 품종 정보의 쌍방과 관련지어 학습하는, 마무리 가공량 예측 장치.
제 1 항 또는 제 2 항에 있어서,
상기 학습부는,
상기 적부 판정 결과에 관련되는 보수를 구하는 보수 계산부와,
상기 보수를 이용하여, 상기 마무리 가공에 있어서의 부품의 각 부분의 마무리 가공량의 가치를 나타내는 함수를 갱신하는 가치 함수 갱신부를 구비하는, 마무리 가공량 예측 장치.
제 1 항 또는 제 2 항에 있어서,
상기 학습부는,
상기 상태 변수 및 상기 판정 데이터로부터 상기 마무리 가공에 있어서의 부품의 각 부분의 마무리 가공량을 유도하는 상관성 모델과 미리 준비된 교사 데이터로부터 식별되는 상관성 특징과의 오차를 계산하는 오차 계산부와,
상기 오차를 축소하도록 상기 상관성 모델을 갱신하는 모델 갱신부를 구비하는, 마무리 가공량 예측 장치.
제 1 항에 있어서,
상기 학습부는, 상기 상태 변수와 상기 판정 데이터를 다층 구조로 연산하는, 마무리 가공량 예측 장치.
제 1 항에 있어서,
추가로, 상기 학습부에 의한 학습 결과에 기초하여 상기 마무리 가공에 있어서의 부품의 각 부분의 마무리 가공량을 표시 또는 출력하는 의사 결정부를 구비하는, 마무리 가공량 예측 장치.
제 1 항에 있어서,
상기 학습부는, 복수의 산업 기계의 각각에 대하여 얻어진 상기 상태 변수 및 상기 판정 데이터를 사용하여, 그 복수의 산업 기계의 각각에 있어서의 상기 마무리 가공에 있어서의 부품의 각 부분의 마무리 가공량을 학습하는, 마무리 가공량 예측 장치.
기계에 장착되는 부품의 각 부분의 마무리 가공을 실시하는 경우의 그 부품의 각 부분의 마무리 가공량을 학습하는 기계 학습 장치로서,
상기 마무리 가공에 있어서의 부품의 각 부분의 마무리 가공량을 나타내는 마무리 가공량 데이터, 및 그 마무리 가공의 개시 전에 측정되는 그 부품을 장착한 기계의 각 부분의 정밀도를 나타내는 정밀도 데이터를, 환경의 현재 상태를 나타내는 상태 변수로서 관측하는 상태 관측부와,
상기 마무리 가공 후의 부품이 장착된 기계의 각 부분의 정밀도의 적부 판정 결과를 나타내는 판정 데이터를 취득하는 판정 데이터 취득부와,
상기 상태 변수와 상기 판정 데이터를 사용하여, 상기 마무리 가공에 있어서의 부품의 각 부분의 마무리 가공량을 상기 정밀도 데이터와 관련지어 학습하는 학습부를 구비하는, 기계 학습 장치.