TW202303817A - 預測裝置 - Google Patents
預測裝置 Download PDFInfo
- Publication number
- TW202303817A TW202303817A TW111118301A TW111118301A TW202303817A TW 202303817 A TW202303817 A TW 202303817A TW 111118301 A TW111118301 A TW 111118301A TW 111118301 A TW111118301 A TW 111118301A TW 202303817 A TW202303817 A TW 202303817A
- Authority
- TW
- Taiwan
- Prior art keywords
- prediction
- period
- transport
- mentioned
- target area
- Prior art date
Links
- 230000007423 decrease Effects 0.000 claims abstract description 46
- 238000003860 storage Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims description 44
- 238000012549 training Methods 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 19
- 238000010801 machine learning Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 7
- 230000032258 transport Effects 0.000 description 434
- 238000012546 transfer Methods 0.000 description 27
- 238000010586 diagram Methods 0.000 description 24
- 230000008569 process Effects 0.000 description 14
- 239000004065 semiconductor Substances 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 235000012431 wafers Nutrition 0.000 description 5
- 101100512899 Caenorhabditis elegans mes-3 gene Proteins 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 101100512901 Caenorhabditis elegans mes-4 gene Proteins 0.000 description 1
- 101100512902 Drosophila melanogaster Mes-4 gene Proteins 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000004941 influx Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B61—RAILWAYS
- B61B—RAILWAY SYSTEMS; EQUIPMENT THEREFOR NOT OTHERWISE PROVIDED FOR
- B61B13/00—Other railway systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65G—TRANSPORT OR STORAGE DEVICES, e.g. CONVEYORS FOR LOADING OR TIPPING, SHOP CONVEYOR SYSTEMS OR PNEUMATIC TUBE CONVEYORS
- B65G49/00—Conveying systems characterised by their application for specified purposes not otherwise provided for
- B65G49/05—Conveying systems characterised by their application for specified purposes not otherwise provided for for fragile or damageable materials or articles
- B65G49/07—Conveying systems characterised by their application for specified purposes not otherwise provided for for fragile or damageable materials or articles for semiconductor wafers Not used, see H01L21/677
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Computing Systems (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Traffic Control Systems (AREA)
Abstract
本發明之預測裝置20具備有:儲存部22,其儲存預測模型30,該預測模型30係以輸入根據與在較基準時間點更早之第1期間中之搬送指令之分配狀況及複數個搬送車2之位置之至少一者相關之日誌資訊的輸入資料,而輸出表示在較基準時間點更晚之第2期間中之對象區域Mx之搬送車數量之增減程度之預測結果的輸出資料之方式被機器學習而得者;取得部23,其根據在較預測執行時間點更早且與第1期間相同長度之過去期間中之日誌資訊,來取得與輸入資料相對應的預測用資料;以及預測部24,其藉由將預測用資料輸入預測模型30,來取得表示在較預測執行時間點更晚且與第2期間相同長度之未來期間中之對象區域Mx之搬送車數量之增減程度之預測結果的預測資訊。
Description
本發明係關於預測搬送系統未來之狀態的預測裝置。
過去以來,已知有例如在半導體製造工廠等之中,對搬送收納有半導體晶圓之匣盒等之物品之搬送車之移行進行控制的搬送系統(參照專利文獻1)。於如此之搬送系統中,包含表示成為搬送對象之物品、抓貨位置(From地點)、及卸貨位置(To地點)之各者之資訊的搬送指令,會藉由搬送車控制器被分配至搬送車。藉此,可實現利用搬送車之物品的搬送。例如,於專利文獻1中記載有根據關於搬送車之搬送作業之延遲之事件的發生來預測塞車之發生的方法。
[先前技術文獻]
[專利文獻]
[專利文獻1]日本專利特開2010-282567號公報
(發明所欲解決之問題)
於上述專利文獻1所記載之方法中,塞車預測係以發生關於預先所定義之搬送車之搬送作業之延遲的事件為契機而被執行。因此,於未發生事件之狀況下,便無法進行未來之塞車程度的預測。另一方面,關於搬送系統之塞車程度之預測資訊由於在進行最佳之搬送控制(例如,成為搬送指令之分配目標之搬送車的選定、搬送車之移行路線的選定等)上很有用,因此存在欲於任意的時序容易地得到如此之預測資訊的需求。
本發明之目的,在於提供在任意的時序均可容易地預測搬送系統之未來之塞車程度的預測裝置。
(解決問題之技術手段)
本發明之預測裝置係對搬送系統中既定之對象區域之未來的狀態進行預測者,該搬送系統包含有被劃分為複數個區域之搬送路徑、沿著搬送路徑移行而搬送物品之複數個搬送車、及對搬送車分配搬送指令之搬送車控制器;其具備有:儲存部,其儲存預測模型,該預測模型以輸入根據與在較既定之基準時間點更早之第1期間中之搬送指令之分配狀況及複數個搬送車之位置之至少一者相關之日誌資訊的輸入資料,而輸出表示在較基準時間點更晚之第2期間中之對象區域之搬送車數量之增減程度之預測結果的輸出資料之方式被機器學習而得者;取得部,其根據在較預測執行時間點更早且與第1期間相同長度之過去期間中之日誌資訊,來取得與輸入資料相對應的預測用資料;以及預測部,其藉由將由取得部所取得之預測用資料輸入預測模型,來取得表示在較預測執行時間點更晚且與第2期間相同長度之未來期間中之對象區域之搬送車數量之增減程度之預測結果的預測資訊。
於上述預測裝置中準備了預測模型,該預測模型被構成為輸入基於第1期間中之日誌資訊(與搬送指令之分配狀況及複數個搬送車之位置之至少一者相關之資訊)的輸入資料,而輸出表示第2期間中之對象區域之搬送車數量之增減程度之預測結果的輸出資料。藉此,於任意之預測執行時間點,只要將自較該預測執行時間點更早之過去期間中之日誌資訊可得到的預測用資料輸入預測模型,便可得到較該預測執行時間點更晚之未來期間中之對象區域之搬送車數量之增減程度的預測結果。因此,根據上述預測裝置,可於任意的時序容易地預測搬送系統之未來的塞車程度。
輸入資料亦可包含表示在第1期間所觀測到之第1搬送車之數量的資料,預測用資料亦可包含表示在過去期間所觀測到之第1搬送車之數量的資料,第1搬送車亦可為存在於對象區域內之搬送車。根據上述構成,可算入在過去期間中存在於對象區域內之搬送車的數量,而精準度佳地預測未來期間中之對象區域之搬送車數量的增減程度。
輸入資料亦可包含表示在第1期間所觀測到之第2搬送車之數量的資料,預測用資料亦可包含表示在過去期間所觀測到之第2搬送車之數量的資料,第2搬送車亦可為根據搬送指令而朝向對象區域內之載貨位置移行中的搬送車。根據上述構成,可算入在過去期間中朝向對象區域內之載貨位置移行中之搬送車的數量,而精準度佳地預測未來期間中之對象區域之搬送車數量的增減程度。
輸入資料亦可包含表示在第1期間所觀測到之第3搬送車之數量的資料,預測用資料亦可包含表示在過去期間所觀測到之第3搬送車之數量的資料,第3搬送車亦可為根據搬送指令而朝向對象區域內之卸貨位置移行中的搬送車。根據上述構成,可算入在過去期間中朝向對象區域內之卸貨位置移行中之搬送車的數量,而精準度佳地預測未來期間中之對象區域之搬送車數量的增減程度。
輸入資料亦可包含表示在第1期間所觀測到之第4搬送車之數量的資料,預測用資料亦可包含表示在過去期間所觀測到之第4搬送車之數量的資料,第4搬送車亦可為自對象區域朝向其他區域移行中的搬送車。根據上述構成,可算入在過去期間中自對象區域朝向其他區域移行中之搬送車的數量,而精準度佳地預測未來期間中之對象區域之搬送車數量的增減程度。
輸入資料亦可包含表示在第1期間所觀測到之第5搬送車之數量的資料,預測用資料亦可包含表示在過去期間所觀測到之第5搬送車之數量的資料,第5搬送車亦可為根據搬送指令而朝向對象區域內之特定地點移行中的搬送車。根據上述構成,可算入在過去期間中朝向對象區域內之特定地點移行中之搬送車之數量,而精準度佳地預測未來期間中之對象區域之搬送車數量的增減程度。
輸入資料及預測用資料亦可包含:表示藉由針對每個第5搬送車所移行中之區域與對象區域之接近程度,對第5搬送車進行加總所得到之每個接近程度的搬送車數量之資料。根據上述構成,可算入因與對象區域之接近程度而對對象區域內之搬送車數量所造成之影響度的差,而更精準度佳地預測未來期間中之對象區域之搬送車數量的增減程度。
輸入資料及預測用資料亦可進一步包含與第5搬送車之速度相關的資料。根據上述構成,可將會成為與被假設為對象區域內之搬送車數量會因第5搬送車之流入而增加之時期相關之線索的資訊增加至輸入資料中。其結果,可更精準度佳地預測未來期間中之對象區域之搬送車數量的增減程度。
上述預測裝置亦可進一步具備有生成預測模型的模型生成部。模型生成部既可藉由互不相同之複數個時間點作為基準時間點來使用而生成複數個訓練資料(Training data),該等複數個訓練資料包含第1期間中之輸入資料及表示第2期間中之對象區域之搬送車數量之增減程度之正確答案標籤,亦可藉由使用所生成之複數個訓練資料來執行機器學習而生成預測模型。根據上述構成,可藉由模型生成部適當地生成使用於預測處理的預測模型。
模型生成部既可將基準時間點之對象區域內之搬送車數量作為基準值,來設定與來自基準值之搬送車數量之增減程度相對應的複數個等級,亦可藉由將互不相同之複數個時間點作為基準時間點來使用而生成複數個訓練資料,該等複數個訓練資料包含第1期間中之輸入資料及表示第2期間中之對象區域之平均搬送車數量所屬之等級的正確答案標籤。預測部亦可藉由將預測用資料輸入預測模型,作為預測資訊而取得將預測執行時間點之對象區域內之搬送車數量作為基準值來表示,未來期間中之對象區域內之平均搬送車數量所屬之等級之預測結果的資訊。根據上述構成,可根據等級的預測結果而容易地掌握,以預測執行時間點之對象區域內之搬送車數量為基準,對象區域內之搬送車數量會朝向增加方向、或朝向減少方向。
模型生成部既可將第2期間沿時間序列劃分為複數個小期間,亦可藉由將互不相同之複數個時間點作為基準時間點來使用而生成複數個訓練資料,該等複數個訓練資料包含第1期間中之輸入資料及表示複數個小期間之各者中之對象區域之平均搬送車數量所屬之等級的正確答案標籤。預測部亦可藉由將預測用資料輸入預測模型,作為預測資訊而取得表示未來期間所包含之複數個小期間之各者中之對象區域內之平均搬送車數量所屬的等級之預測結果的資訊。根據上述構成,由於針對未來期間所包含之每個小期間可得到等級的預測結果,因此可預測對象區域內之未來之搬送車數量之變化的傾向(例如為持續增加的傾向、持續減少的傾向、減少後轉為增加的傾向、增加後轉為減少的傾向等之中的哪個傾向)。
模型生成部亦可被構成為在每個既定之學習執行週期生成預測模型。模型生成部既可藉由將自前次之預測模型之生成時序至此次之預測模型之生成時序為止的對象期間所包含之複數個時間點作為基準時間點來使用,而生成複數個訓練資料,亦可藉由使用所生成之複數個訓練資料來執行機器學習而生成此次之預測模型。儲存部並不刪除由模型生成部在過去所生成之預測模型,而將由模型生成部所生成之此次之預測模型與對象期間建立關聯並加以儲存。根據上述構成,可在每個對象期間生成及保存與對象期間之特徵(搬送系統之運用狀況等)對應的預測模型。藉此可確保可利用於預測之預測模型的變化(variation)。
預測部亦可被構成為可自被儲存於儲存部之複數個預測模型中任意地選擇為了使用於預測之預測模型。
預測部亦可自被儲存於儲存部之複數個預測模型中,選擇與最接近之對象期間建立關聯之預測模型。根據上述構成,藉由使用對最接近之對象期間所生成之最新的預測模型來進行預測,可在與最接近之時段之運用狀況相同之運用狀況會被繼續之可能性較高的情形等時,精準度佳地進行預測。
預測部亦可自被儲存於儲存部之複數個預測模型中,選擇與過去之對象期間建立關聯之預測模型,而該過去之對象期間對應於包含預測執行時間點的期間。根據上述構成,藉由使用與對應於包含預測執行時間點之期間之過去之對象期間建立關聯的預測模型來進行預測,可在星期週期性(例如搬送系統之運用狀況在星期幾及時段相同時大致會相同的傾向)等較高的情形等時,精準度佳地進行預測。
預測部亦可藉由在每個較第2期間短之預測執行週期,執行使用預測模型之預測處理來取得預測資訊,並將預測資訊通知給搬送車控制器。根據上述構成,可使搬送車控制器隨時掌握與對象區域內之搬送車數量相關的預測結果。其結果,可使搬送車控制器持續地執行考量到預測結果之最佳的搬送控制(例如,成為搬送指令之分配目標之搬送車的選定、及搬送車之移行路線之選定等中之至少一者)。
(對照先前技術之功效)
根據本發明,可提供可在任意之時序容易地預測搬送系統之未來之塞車程度的預測裝置。
以下,參照圖式對本發明一實施形態進行說明。再者,於圖式之說明中,存在有對相同或同等之元件標示相同之符號並省略重複之說明的情形。
如圖1所示,本實施形態之搬送系統1包含有搬送路徑4、及可沿著搬送路徑4移行之複數個搬送車2。搬送路徑4例如係被鋪設於工廠內之軌條(軌道)等。搬送車2係搬送物品之無人搬送車。搬送車2例如係高架移行車、有軌道台車等。作為一例,搬送車2係被設為可沿著搬送路徑4移行之高架搬送車。例如,搬送車2係高架移行式無人搬送車(OHT:Overhead Hoist Transfer)。作為一例,藉由搬送車2所搬送之物品係供複數片半導體晶圓收容之匣盒(所謂的FOUP(前開式晶圓傳送盒;Front Opening Unified Pod))。
搬送路徑4被劃分為複數個(圖1之例子為12個)區塊(灣區)。搬送路徑4包含有作為灣區內之路線的灣區內輸送路線5、及作為將不同之灣區間加以連接之路線的跨灣區輸送路線6。沿著搬送路徑4設有處理裝置7及倉儲8。處理裝置7係執行對半導體晶圓之處理的裝置。倉儲8係可供搬送車2暫時放置物品的地點,而發揮作為緩衝區之作用。合流部9係於搬送路徑4上,必須進行排除複數個搬送車2同時進入之情形之排他控制的地點。
搬送路徑4被劃分為複數個區域M。於圖1中,僅一部分的區域M由虛框線所顯示。區域亦存在有被稱為模組的情形。再者,圖1所示之區域M雖與上述之區塊(灣區)一致,但區域M亦可不一定要與上述的區塊(灣區)一致。例如,既可為1個區塊(灣區)內之一部分的區域被設定為區域M,亦可為複數個區塊(灣區)所合併而得之區域被設定為區域M。
於處理裝置7及倉儲8,設有用以搬入物品之入庫埠(即搬送車2用以將物品進行卸貨的地點)、及用以搬出物品之出庫埠(即搬送車2用以對物品進行抓貨(載貨)的地點)。入庫埠及出庫埠被配置於搬送路徑4的下方。入庫埠亦可兼作為出庫埠使用。倉儲8具有供物品載置的複數個棚架。
如圖2所示,搬送系統1具有MCS(物料控制系統;Material Control System)11、搬送車控制器12、日誌DB(Data Base;資料庫)13、及作為搬送車控制器12之控制對象的複數個搬送車2。
MCS 11取得來自上位控制器之搬送請求。於本實施形態中作為一例,上位控制器係由製造業者等所管理的MES(製造執行系統;Manufacturing Execution System)3)。MES 3被設為可與處理裝置7進行通信。處理裝置7將完成處理之物品的搬送請求(抓貨請求、及卸貨請求)發送至MES 3。MES 3將自處理裝置7所接收之搬送請求發送至MCS 11。
MCS 11若自MES 3接收到搬送請求,便將該搬送請求轉換為搬送指令,並將該搬送指令發送至搬送車控制器12。藉此,搬送指令經由搬送車控制器12被分配至特定的搬送車2。搬送車控制器12根據預先所決定之選擇基準,來決定成為搬送指令之分配目標的搬送車2。又,搬送車控制器12藉由執行預先所決定之路線探索運算法(例如周知之最短路徑檢索運算法等),來決定用以執行搬送指令之移行路徑,並將該移行路徑通知給搬送車2。藉此,搬送車2根據該移行路徑而進行移行。
搬送車控制器12及搬送車2儲存有路線圖。路線圖係如圖1所示般之佈局的資訊。具體而言,路線圖係表示移行路線之配置(即,如圖1所示般之搬送路徑4的配置)、被設定為原點之位置、預先所設定之基準位置、及移載位置(上述之入庫埠、出庫埠等的位置)之座標等的資訊。又,搬送車2保持表示本身之當下位置之座標的位置資訊,並藉由比較路線圖與位置資訊,來進行基於如上述般所決定之移行路徑的移行。
於搬送指令中包含有表示用以對搬送對象之物品進行抓貨之出庫埠(From埠)的資訊、及表示用以對搬送對象之物品進行卸貨之入庫埠(To埠)的資訊。被分配搬送指令之搬送車2朝向From埠移行。然後,該搬送車2於From埠對搬送對象之物品進行抓貨之後,將該物品朝向To埠搬送,並於To埠對該物品進行卸貨。
日誌DB 13係儲存表示搬送系統1之狀態之各種日誌的資料庫。日誌DB 13既可由單一個資料庫裝置所構成,亦可由複數個資料庫裝置所構成。於本實施形態中,日誌DB 13貯存有搬送指令日誌、及搬送車資訊日誌。
圖3(A)係表示搬送指令日誌之一例的圖。搬送指令日誌包含每個搬送指令個別的記錄資訊(1行量的資訊)。例如,每當搬送車控制器12對搬送車2之搬送指令的分配被進行時,與該搬送指令相關之記錄會被追加至搬送指令日誌中。作為一例,搬送指令日誌藉由執行搬送指令之分配的搬送車控制器12所輸出。或者,搬送指令日誌之一部分或全部的資訊,亦可藉由搬送車控制器12以外的裝置所輸出。
搬送指令日誌可包含搬送車ID(identifier;識別碼)、指令執行開始時刻、From埠抵達時刻、搬送完成時刻、From埠區域名、及To埠區域名的資訊。「搬送車ID」係用來特定出被分配搬送指令之搬送車2的識別資訊。「指令執行開始時刻」係搬送車2開始搬送指令之執行(即朝向From埠之移行)的時刻。「From埠抵達時刻」係搬送車2抵達From埠的時刻。「搬送完成時刻」係搬送車2所進行之搬送(即搬送對象之物品朝向To埠之入庫(卸貨))完成的時刻。「From埠區域名」係表示From埠所在之區域的資訊。「To埠區域名」係表示To埠所在之區域的資訊。再者,搬送指令日誌中之「指令執行開始時刻」、「From埠抵達時刻」、及「搬送完成時刻」,只要在各自的時刻確定之後被寫入搬送指令日誌即可。亦即,「指令執行開始時刻」、「From埠抵達時刻」、及「搬送完成時刻」,亦可在各自的時刻確定之前被設為空白欄(或顯示為未確定的資訊)。
圖3(B)係表示搬送車資訊日誌之一例的圖。搬送車資訊日誌係每預先所決定之單位時間將會搬送系統1所包含的所有搬送車2被通知之資訊匯集而得的資訊。以下,將該「單位時間」稱為時間戳記(ts)。於本實施形態中,作為一例,1ts(1單位時間)為4秒鐘。
搬送車資訊日誌可包含時間戳記、搬送車ID、區域名、及預定通過區域的資訊。「時間戳記」係表示資訊自搬送車2被通知之時間點(例如,以某個時間點為基準(0ts)之情形時之時間戳記數)的資訊。「搬送車ID」與搬送指令日誌中包含之搬送車ID相同。「區域名」係表示於時間戳記所示之時間點,搬送車ID所顯示之搬送車2在移行中之區域的資訊。「預定通過區域」係搬送車ID所示之搬送車2被分配搬送指令之情形時所貯存的資訊。具體而言,「預定通過區域」係將搬送車2之預定移行路線所包含之區域依照預定通過之順序排列而得的資訊。例如,於搬送車2依照區域M1、區域M3、區域M2的順序預定通過該等之情形時,「預定通過區域」係表示「區域M1→區域M3→區域M2」的資訊。
預測裝置20對搬送系統1中既定之對象區域Mx之未來的狀態進行預測(推論)。更具體而言,預測裝置20於任意之時間點(預測執行時間點),對較預測執行時間點更晚之未來期間中之對象區域Mx之搬送車數量的增減程度進行預測。
如圖4所示,預測裝置20可被構成為電腦系統,該電腦系統包含有一個以上之CPU(中央處理單元;Central Processing Unit)等之處理器201、作為主儲存裝置之一個以上之RAM(隨機存取記憶體;Random Access Memory)202及一個以上之ROM(唯讀記憶體;Read Only Memory)203、用於操作員進行操作輸入之鍵盤等的輸入裝置204、對操作員提示資訊之顯示器等的輸出裝置205、用以與搬送系統1(例如MCS 11、搬送車控制器12等)進行通信之通信模組206、以及HDD(硬碟驅動機;Hard Disk Drive)及SSD(固態驅動機;Solid State Drive)等之輔助儲存裝置207。預測裝置20既可由單一個伺服器裝置所構成,亦可由複數個伺服器裝置所構成。又,於本實施形態中,預測裝置20被構成為與搬送系統1之控制器群不同的裝置。於如此之預測處理藉由位於控制器群之外部之預測裝置20所執行之情形時,存在有控制器群無須負擔預測處理之計算負荷的優點。亦即,存在有控制器群之處理負荷不會因預測處理之執行而增大的優點。然而,預測裝置20亦可被組入搬送系統1之控制器(例如MCS 11、搬送車控制器12等)。
預測裝置20之各功能例如藉由如下的內容而被實現:使既定之程式被讀入RAM 202等之記憶體上,在處理器201之控制下使輸入裝置204及輸出裝置205動作並且使通信模組206動作,進行RAM 202及輔助儲存裝置207之資料的讀出及寫入。
如圖2所示,預測裝置20作為功能構成元件,具有模型生成部21、儲存部22、取得部23、及預測部24。於本實施形態中,預測裝置20具有執行模型生成處理的功能、及執行預測處理的功能。
模型生成處理係生成為了預測對象區域Mx之搬送車數量的增減程度所使用之預測模型30的處理。預測處理係使用由模型生成處理所生成之預測模型30而實際地預測未來之對象區域Mx之搬送車數量之增減程度的處理。以下,對模型生成處理及預測處理詳細地進行說明。
(模型生成處理)
模型生成處理主要由模型生成部21所執行。由模型生成部21所生成之預測模型30,被儲存於儲存部22。圖5係用以說明模型生成處理的圖。於圖5中,T0表示基準時間點,P1表示第1期間,而P2表示第2期間。以下,一邊適當地參照圖5一邊對模型生成處理進行說明。
預測模型30係以輸入既定之輸入資料(說明變數(explanatory variable))並輸出既定之輸出資料(反應變數(response variable))之方式而被機器學習的模型。預測模型30例如可由多層神經網路等所構成,而該多層神經網路係由神經網路、或藉由深層學習(deep learning)所構建。作為一例,預測模型30可由作為深層學習之一的RNN(循環類神經網路;Recurrent Neural Network)所構建。
預測模型30之輸入資料係基於日誌資訊(於本實施形態中為搬送指令日誌及搬送車資訊日誌)的資料,該日誌資訊與較既定之基準時間點T0更早之第1期間P1內之搬送指令之分配狀況及複數個搬送車2之位置之至少一者相關。作為一例,第1期間P1之長度為6小時。例如,於基準時間點T0為「12:00」之情形時,第1期間P1為「6:00~12:00」。
預測模型30之輸出資料係表示基準時間點T0之後之第2期間P2中之對象區域Mx之搬送車數量之增減程度之預測值的資料。作為一例,第2期間P2之長度為5分鐘。例如,於基準時間點T0為「12:00」之情形時,第2期間P2為「12:00~12:05」。
模型生成部21藉由使用作為資料集之訓練資料(訓練資料)來執行機器學習而生成預測模型30,該資料集包含上述輸入資料及與上述輸出資料對應之正確答案標籤。
於本實施形態中,搬送指令日誌(參照圖3(A))作為成為輸入資料之基礎的日誌資訊(與搬送指令之分配狀況相關的日誌資訊)而被使用。又,搬送車資訊日誌(參照圖3(B))作為成為輸入資料之基礎的日誌資訊(與複數個搬送車2之位置相關的日誌資訊)而被使用。亦即,於本實施形態中,對預測模型30之輸入資料,係藉由對可自搬送指令日誌及搬送車資訊日誌得到之資訊進行加工所生成。
圖6係表示輸入資料之一例的圖。圖6所示之各資料(Mx_VHL、Mx_Fm、Mx_To、Mx_Dec、Mx_Inc)係將在第1期間P1內每1ts所加總之各時間點之搬送車數量依照時間順序排列而得的時間序列資料(向量資料)。於第1期間P1之長度為6小時且1ts為4秒鐘之情形時,第1期間P1的長度相當於5400ts。於該情形時,圖6所示之各資料可被表現為5400次元的向量。再者,亦可不一次性總括地輸入所有資料,而細分為複數個批次來輸入。
Mx_VHL係表示在第1期間P1所觀測到之第1搬送車之數量的資料。第1搬送車係存在於對象區域Mx內的搬送車2。例如,Mx_VHL係表示每1ts所觀測到之第1搬送車之數量的時間序列資料。Mx_VHL係根據第1期間P1內之搬送車資訊日誌(亦即,「時間戳記」表示第1期間P1內之時間點的搬送車資訊日誌)所製作而得。例如,模型生成部21可藉由加總在各時間點「區域名」為對象區域Mx之搬送車資訊日誌的數量(記錄數),來算出各時間點的第1搬送車數量。模型生成部21可藉由將如此所算出之各時間點的第1搬送車數量依照時間順序來排列而製作Mx_VHL。
Mx_Fm係表示在第1期間P1所觀測到之第2搬送車之數量的資料。第2搬送車係根據搬送指令而朝向對象區域Mx內之From埠(載貨位置)移行中的搬送車2。例如,Mx_Fm係表示每1ts所觀測到之第2搬送車之數量的時間序列資料。Mx_Fm可根據搬送指令日誌所製作而得。例如,針對與被分配給在某個時間點tp符合第2搬送車之搬送車2之搬送指令對應的搬送指令日誌進行思考。於如此之搬送指令日誌中,「指令執行開始時刻」係較時間點tp更早的時刻,「From埠抵達時刻」及「搬送完成時刻」係較時間點tp更晚的時刻(或空白欄),而「From埠區域名」係對象區域Mx。因此,模型生成部21可藉由加總在各時間點符合上述條件之搬送指令日誌的記錄數,來算出各時間點的第2搬送車數量。模型生成部21可藉由將如此所算出之各時間點的第2搬送車數量,依照時間順序來排列而製作Mx_Fm。
Mx_To係表示在第1期間P1所觀測到之第3搬送車之數量的資料。第3搬送車係根據搬送指令而朝向對象區域Mx內之To埠(卸貨位置)移行中的搬送車2。例如,Mx_To係表示每1ts所觀測到之第3搬送車之數量的時間序列資料。Mx_To可根據搬送指令日誌所製作而得。例如,針對與被分配給在某個時間點tp符合第3搬送車之搬送車2之搬送指令對應的搬送指令日誌進行思考。於如此之搬送指令日誌中,「指令執行開始時刻」及「From埠抵達時刻」係較時間點tp更早的時刻,「搬送完成時刻」係較時間點tp更晚的時刻(或空白欄),而「To埠區域名」係對象區域Mx。因此,模型生成部21可藉由加總在各時間點符合上述條件之搬送指令日誌的記錄數,來算出各時間點的第3搬送車數量。模型生成部21可藉由將如此所算出之各時間點的第3搬送車數量,依照時間順序來排列而製作Mx_To。
Mx_Dec係表示在第1期間P1所觀測到之第4搬送車之數量的資料。第4搬送車係自對象區域Mx朝向其他區域移行中的搬送車2。例如,Mx_Dec係表示每1ts所觀測到之第4搬送車之數量的時間序列資料。如此之第4搬送車被分類為:在對象區域Mx載貨後,朝向其他區域之To埠移行中的搬送車(以下稱為「To搬送車」);及在對象區域Mx內巡迴待命後,被分配搬送指令而朝向其他區域之From埠移行中的搬送車(以下稱為「From搬送車」)。
各時間點之To搬送車的數量,可根據搬送指令日誌所算出。例如,針對與被分配給在某個時間點tp符合To搬送車之搬送車2之搬送指令對應的搬送指令日誌進行思考。於如此之搬送指令日誌中,「搬送執行開始時刻」及「From埠抵達時刻」係較時間點tp更早的時刻,「搬送完成時刻」係較時間點tp更晚的時刻(或空白欄),「From埠區域名」係對象區域Mx,而「To埠區域名」係其他區域。因此,模型生成部21可藉由加總在各時間點符合上述條件之搬送指令日誌的記錄數,來算出各時間點的To搬送車數量。
各時間點之From搬送車的數量,可根據搬送指令日誌及搬送車資訊日誌所算出。例如,針對與在某個時間點tp符合From搬送車之搬送車2對應的搬送車資訊日誌進行思考。於如此之搬送車資訊日誌(亦即,作為「時間戳記」貯存有時間點tp且作為「搬送車ID」貯存有表示該搬送車2之ID的日誌)中,「區域名」係對象區域Mx。又,針對與被分配給在某個時間點tp符合From搬送車之搬送車2之搬送指令對應的搬送指令日誌進行思考。於如此之搬送指令日誌中,「搬送車ID」係表示滿足上述之搬送車資訊日誌之要件之搬送車2的ID,「搬送執行開始時刻」係較時間點tp更早的時刻,「From埠抵達時刻」及「搬送完成時刻」係較時間點tp更晚的時刻(或空白欄),而「From埠區域名」係其他區域。因此,模型生成部21可藉由加總在各時間點符合上述條件之搬送指令日誌的記錄數,來算出各時間點的From搬送車數量。
模型生成部21可藉由將如上述般所算出之各時間點之To搬送車數量與From搬送車數量相加,來算出各時間點的第4搬送車數量。模型生成部21可藉由將如此所算出之各時間點的第4搬送車數量,依照時間順序來排列而製作Mx_Dec。
Mx_Inc係表示在第1期間所觀測到之第5搬送車之數量的資料。第5搬送車係根據搬送指令而朝向對象區域Mx內之特定地點移行中的搬送車2。特定地點可由預測裝置20之操作員等所任意地設定。作為一例,特定地點包含From埠及To埠的雙方。於該情形時,第5搬送車包含上述之第2搬送車及第3搬送車的雙方。亦即,模型生成部21可藉由將Mx_Fm與Mx_To相加來製作Mx_Inc。
圖7係表示某個時間點之對象區域Mx與複數個搬送車2a~2f之一例的圖。關於該例子,對上述之輸入資料(Mx_VHL、Mx_Fm、Mx_to、Mx_Dec、Mx_Inc) 具體地進行說明。
搬送車2a係根據搬送指令而朝向對象區域Mx內之From埠移行中的搬送車2。因此,搬送車2a符合上述之第2搬送車,而成為Mx_Fm及Mx_Inc之加總對象。又,在搬送車2a進入對象區域Mx內之後,搬送車2a亦符合上述之第1搬送車,而亦成為Mx_VHL之加總對象。
搬送車2b係根據搬送指令而自第1其他區域內之From埠朝向第2其他區域內之To埠移行中的搬送車2。搬送車2b包含對象區域Mx而將其作為預定通過區域。於該情形時,僅搬送車2b在對象區域Mx內移行中的期間,搬送車2b才符合上述之第1搬送車,而成為Mx_VHL的加總對象。
搬送車2c係根據搬送指令而朝向對象區域Mx內之From埠移行中的搬送車2。因此,搬送車2c符合上述之第2搬送車,而成為Mx_Fm及Mx_Inc的加總對象。又,搬送車2c由於在對象區域Mx內移行中,因此亦符合上述之第1搬送車,而亦成為Mx_VHL的加總對象。
搬送車2d係根據搬送指令而朝向對象區域Mx內之To埠移行中的搬送車2。因此,搬送車2d符合上述之第3搬送車,而成為Mx_To及Mx_Inc的加總對象。又,在搬送車2d進入對象區域Mx內之後,搬送車2d亦符合上述之第1搬送車,而亦成為Mx_VHL的加總對象。
搬送車2e係根據搬送指令而於對象區域Mx載貨後,朝向其他區域之To埠移行中的搬送車2。因此,搬送車2e符合上述之第4搬送車(To搬送車),而成為Mx_Dec的加總對象。又,於搬送車2e在對象區域Mx內移行中的期間,搬送車2e亦符合上述之第1搬送車,而亦成為Mx_VHL的加總對象。
搬送車2f係在對象區域Mx內巡迴待命之後被分配搬送指令而朝向其他區域之From埠移行中的搬送車2。因此,搬送車2f符合上述之第4搬送車(From搬送車),而成為Mx_Dec的加總對象。又,於搬送車2f在對象區域Mx內移行中的期間,搬送車2f亦符合上述之第1搬送車,而亦成為Mx_VHL的加總對象。
此處,朝向對象區域Mx移行中的第5搬送車(即,符合第2搬送車及第3搬送車之任一者的搬送車2)無論是否在與對象區域Mx距離多少的位置移行中,均同樣成為Mx_Fm、Mx_To、及Mx_Inc的加總對象。然而,於與對象區域Mx相對較遠之位置移行中的第5搬送車(以下稱為「遠處搬送車」),抵達對象區域Mx的時間相對較長。又,遠處搬送車在抵達對象區域Mx之前之期間容易受到陷入其他區域內之塞車等之外在干擾的影響。相對於此,於與對象區域Mx相對較近之位置移行中的第5搬送車(以下稱為「近處搬送車」),抵達對象區域Mx的時間相對較短,而不易受到如上述般之外在干擾的影響。因此,對象區域Mx內之未來之搬送車數量會造成的影響度,在近處搬送車與遠處搬送車之間可能會不同。另一方面,由於上述之Mx_Fm、Mx_To、及Mx_Inc並非考量到與對象區域Mx之距離便對搬送車數量進行加總而得者,因此並未算入如上述般之近處搬送車與遠處搬送車之間之影響度的不同。
因此,模型生成部21亦可進一步製作圖8所示之輸入資料。圖8所示之Mx_Inc1~Mx_Inc3及Mx_Spd1~Mx_Spd3係與圖6所示之各資料相同的時間序列資料。
Mx_Inc1~Mx_Inc3係表示可藉由針對第5搬送車在所移行中的區域與對象區域Mx之每個接近程度對第5搬送車進行加總而得到之每個接近程度之搬送車數量的資料。具體而言,Mx_Inc1係僅加總自與對象區域Mx離開1個區域之距離的其他區域(即,與對象區域Mx直接鄰接之其他區域)朝向對象區域Mx移行中的第5搬送車而可得到的時間序列資料。Mx_Inc2係僅加總自與對象區域Mx離開2個區域之距離的其他區域朝向對象區域Mx移行中的第5搬送車而可得到的時間序列資料。Mx_Inc3係僅加總自與對象區域Mx離開3個區域之距離的其他區域朝向對象區域Mx移行中的第5搬送車而可得到的時間序列資料。
模型生成部21可以如下的方式,算出Mx_Inc1之各時間點的值。首先,模型生成部21以如下的方式,提取在與對象區域Mx離開1個區域之距離的其他區域移行中的第5搬送車(以下稱為「近距離搬送車」)。亦即,模型生成部21參照與各第5搬送車對應之搬送車資訊日誌之「區域名」及「預定通過區域」。此處,在「預定通過區域」中一定包含對象區域Mx。模型生成部21藉由參照搬送車資訊日誌之「區域名」及「預定通過區域」,來判定各第5搬送車是否正在較對象區域Mx早1個通過之預定的區域中移行。模型生成部21將在上述判定處理中被判定為正在較對象區域Mx早1個通過之預定的區域中移行的第5搬送車,作為近距離搬送車而加以提取。模型生成部21可在各時間點對如此所提取之近距離搬送車數量進行加總,藉此算出Mx_Inc1之各時間點的值。
關於Mx_Inc2及Mx_Inc3之各時間點之值,亦可藉由與上述之方法相同的方法得到。具體而言,模型生成部21可藉由執行將上述處理中之「判定各第5搬送車是否正在較對象區域Mx早1個通過之預定的區域移行中」之處理中之「早1個」置換為「早2個」(或「早3個」)的處理,來得到Mx_Inc2(或「Mx_Inc3」)之各時間點的值。
Mx_Spd1~Mx_Spd3係與第5搬送車之速度相關的資料。具體而言,Mx_Spd1係於各時間點被設為Mx_Inc1之加總對象之搬送車2之平均速度的時間序列資料。Mx_Spd2係於各時間點被設為Mx_Inc2之加總對象之搬送車2之平均速度的時間序列資料。Mx_Spd3係於各時間點被設為Mx_Inc3之加總對象之搬送車2之平均速度的時間序列資料。例如,各搬送車2可被構成為每1ts對上位控制器(搬送車控制器12等)通知各搬送車2之詳細的位置資訊(例如位置座標)。例如,藉由將如此所通知之位置資訊包含在搬送車資訊日誌中,模型生成部21可以如下的方式算出各時間點之各搬送車2的速度。亦即,模型生成部21可藉由對自某個搬送車2在某個時間點被通知之位置座標與自該搬送車2在較該時間點早1個時間點被通知之位置座標進行比較,來掌握搬送車2於1ts之期間所移動的距離。模型生成部21可藉由將該距離除以1ts(於本實施形態中為4秒鐘),來算出某個時間點之該搬送車2的速度。模型生成部21可藉由算出以如此的方式所算出之各搬送車2之速度的平均值,來算出Mx_Spd1~Mx_Spd3之各時間點的值。
圖9係表示某個時間點之對象區域Mx與複數個搬送車2g~2o之一例的圖。關於該例子,對上述之輸入資料(Mx_Inc1~Mx_Inc3及Mx_Spd1~Mx_Spd3)具體地進行說明。
於該例子中,與對象區域Mx直接鄰接之4個區域Ma1~Ma4,分別符合與對象區域Mx離開1個區域之距離的其他區域。因此,在該等區域Ma1~Ma4之任一者移行中的搬送車2g、2h、及2i,在該時間點成為Mx_Inc1的加總對象。又,該等搬送車2g、2h、及2i之平均速度成為Mx_Spd1的值(與該時間點對應的值)。
又,5個區域Mb1~Mb5分別符合與對象區域Mx離開2個區域之距離的其他區域。區域Mb1及Mb2隔著區域Ma1而與對象區域Mx鄰接。區域Mb3隔著區域Ma2而與對象區域Mx鄰接。區域Mb4隔著區域Ma3而與對象區域Mx鄰接。區域Mb5隔著區域Ma4而與對象區域Mx鄰接。因此,在該等區域Mb1~Mb5之任一者移行中的搬送車2j、2k、2l、及2m,於該時間點成為Mx_Inc2的加總對象。又,該等搬送車2j、2k、2l、及2m之平均速度成為Mx_Spd2的值(與該時間點對應的值)。
又,2個區域Mc1及Mc2符合與對象區域Mx離開3個區域之距離的其他區域。區域Mc1隔著區域Ma4及Mb5而與對象區域Mx鄰接。區域Mc2隔著區域Ma3及Mb4而與對象區域Mx鄰接。因此,在該等區域Mc1及Mc2之任一者移行中的搬送車2n及2o,於該時間點成為Mx_Inc3的加總對象。又,該等搬送車2n及2o之平均速度成為Mx_Spd3的值(與該時間點對應的值)。
再者,於本實施形態中,雖將進行與對象區域Mx之每個接近程度之加總的範圍設為與對象區域Mx離開3個區域之距離的範圍內,但針對與對象區域Mx離開4個區域之距離以上之範圍的加總資料,亦可作為輸入資料來使用。
其次,對用以取得訓練資料之正確答案標籤之處理進行說明。於本實施形態中,模型生成部21將基準時間點T0之對象區域Mx內的搬送車數量作為基準值n,來設定與搬送車數量自基準值n之增減程度對應的複數個等級。然後,模型生成部21將第2期間P2內之對象區域Mx之平均搬送車數量所屬的等級設定為正確答案標籤。第2期間P2內之對象區域Mx的平均搬送車數量,可以如下方式得到。例如,模型生成部21可藉由生成第2期間P2內之Mx_VHL來得到第2期間P2內之每單位時間(每1ts)之對象區域Mx內的搬送車數量。模型生成部21可藉由取如此所得到之第2期間P2內之每單位時間之對象區域Mx內之搬送車數量的平均值,來算出第2期間P2內之對象區域Mx的平均搬送車數量。
再者,於本實施形態中,如圖5所示般,模型生成部21將第2期間P2沿著時間序列劃分為複數個小期間P21~P25,算出各小期間P21~P25內之對象區域Mx之平均搬送車數量,而特定出每個小期間P21~P25的等級。作為一例,模型生成部21藉由將第2期間(5分鐘(75ts))以每1分鐘(15ts)進行劃分,而設定5個小期間P21~P25。例如,於第2期間P2為「12:00~12:05」之情形時,小期間P21為「12:00~12:01」,小期間P22為「12:01~12:02」,小期間P23為「12:02~12:03」,小期間P24為「12:03~12:04」,而小期間P25為「12:04~12:05」。
圖10係表示上述等級之一例的圖。於本實施形態中,作為搬送車數量相較於基準值n會變少之情形時的等級,設定有與減少程度對應之等級1(Lv.1)及等級2(Lv.2)。又,作為搬送車數量相較於基準值n會變多時之情形時的等級,設定有與增加程度對應之等級3(Lv.3)及等級4(Lv.4)。
等級1係與小期間中之平均搬送車數量符合「0≦平均搬送車數量≦基準值n-N」之情形對應的等級。等級2係與小期間中之平均搬送車數量符合「基準值n-N<平均搬送車數量≦基準值n」之情形對應的等級。等級3係與小期間中之平均搬送車數量符合「基準值n<平均搬送車數量≦基準值n+N」之情形對應的等級。等級4係與小期間中之平均搬送車數量符合「基準值n+N<平均搬送車數量≦Nmax」之情形對應的等級。此處,「N」係預先被任意地設定之步級寬度(step width)。「Nmax」係對象區域Mx內之最大容許搬送車數量(亦即,可同時存在於對象區域Mx內的最大搬送車數量)。
例如,於基準值n為「30」,N為「10」,且Nmax為「60」之情形時,在圖10的例子中,平均搬送車數量為「0~20」之情形時符合等級1,平均搬送車數量為「21~30」之情形時符合等級2,平均搬送車數量為「31~40」之情形時符合等級3,而平均搬送車數量為「41~60」之情形時符合等級4。
如以上所述般,模型生成部21作為預測模型30之輸入資料,取得可根據搬送指令日誌及搬送車資訊日誌所得到之第1期間P1內的各種時間序列資料(Mx_VHL、MX_Fm、MX_To、MX_Dec、Mx_Inc、Mx_Inc1~Mx_Inc3、Mx_Spd1~Mx_Spd3)。
又,模型生成部21作為正確答案標籤,取得第2期間P2內之對象區域Mx內之平均搬送車數量所屬之等級。於本實施形態中,模型生成部21取得各小期間P21~P25內之對象區域Mx內之平均搬送車數量所屬之等級作為正確答案標籤。作為一例,正確答案標籤係由各小期間P21~P25與各等級(等級1~等級4)之各個組合的機率值所表示。於圖5之例子中,由於小期間數為「5」,等級數為「4」,因此正確答案標籤可被表現為包含與各個組合對應之20個(=5×4)值(機率值)之20次元的向量。於圖5之例子中,小期間P21內之平均搬送車數量屬於等級2,小期間P22內之平均搬送車數量屬於等級3,小期間P23內之平均搬送車數量屬於等級3,小期間P24內之平均搬送車數量屬於等級4,而小期間P25內之平均搬送車數量屬於等級4。於該情形時,正確答案標籤會成為如下的資料:作為小期間P21與等級2之組合、小期間P22與等級3之組合、小期間P23與等級3之組合、小期間P24與等級4之組合、及小期間P25與等級4之組合之各個組合的機率值會被設定為「1」,而作為上述以外之組合的機率值會被設定「0」。
模型生成部21作為1個訓練資料,生成針對某個基準時間點T0以如上述般之方式所得到之輸入資料及正確答案標籤的組(資料組)。模型生成部21可將互不相同之複數個時間點作為基準時間點使用來生成與各基準時間點對應之訓練資料,藉此生成複數個訓練資料。模型生成部21可藉由使用如此所生成之複數個訓練資料來執行機器學習,而生成預測模型30。藉由模型生成部21所生成之預測模型30,會被儲存(保存)於儲存部22。
上述之模型生成處理亦可每個既定之學習執行週期被執行。學習執行週期例如為6小時。例如,模型生成部21藉由將自前一次之預測模型30之生成時序(例如6:00)至此次之預測模型30之生成時序(例如12:00)為止之對象期間所包含的複數個時間點(例如將6:00至12:00以每1ts(4秒鐘)分割為5400個之各時間點)作為基準時間點而使用,來生成複數個(該例中為5400個)訓練資料。模型生成部21藉由使用如此所生成之複數個訓練資料來執行機器學習,而生成此次之預測模型30。然後,儲存部22在不刪除過去由模型生成部21所生成之預測模型30的狀態下,將由模型生成部21所生成之此次之預測模型30與上述對象期間建立關聯並加以儲存。根據上述構成,可於每一個對象期間生成及保存與對象期間之特徵(搬送系統1之運用狀況等)對應的預測模型30。藉此,可確保可利用於預測之預測模型30的變化。
再者,與自預測模型30之生成時序(例如12:00)起5分鐘以內之期間(11:55~12:00)所包含之基準時間點對應的訓練資料(正確答案標籤),無法在上述生成時序得到。例如,以生成時序(12:00)作為基準時間點之訓練資料的正確答案標籤,只有在自生成時序起經過第2期間P2(於本實施形態中為5分鐘)之後(即「12:05」之後)才能得到。因此,模型生成部21亦可為了於生成時序立即開始進行預測模型30的生成,而僅使用可在生成時序之時間點得到正確答案標籤之訓練資料(例如,與自6:00至11:55為止之期間所包含之基準時間點對應之訓練資料)而進行機器學習。
圖11係表示儲存於儲存部22之預測模型30之一例的圖。表中之「MX-DW_No.h5」的標示,係預測模型30之檔案名之一例。於該例子中,上述標示中之「X」表示時段。具體而言,「0」表示「0:00~6:00」,「1」表示「6:00~12:00」,「2」表示「12:00~18:00」,而「3」表示「18:00~24:00」。上述標示中之「D」表示星期幾。上述標示中之「W」表示以既定時間點為基準(第0週)時預測模型30是在第幾週被生成。上述標示中之「No」表示預測模型30的編號。例如,「No」可被使用於在使用輸入資料或後述之超參數之內容互不相同之複數個預測模型來進行集成式學習(Ensemble Learning)之情形等時,用來特定出各預測模型的種類。上述標示中之「.h5」係被設定為使用Tensor Flow(註冊商標)所生成之模型的延伸名(filename extension)。於圖11之例子中,當下時間點為第10週(w10)之星期一(Mon)的6:00~12:00,生成及保存有至前一個時段為止的預測模型30。
圖12係表示預測模型30之基本構造之一例的圖。如圖12所示,作為一例,預測模型30可被構成為包含輸入層L1(Input Layer)、卷積層L2(Convolution Layer)、LSTM(長短期記憶;Long short-term memory)層L3、及Dense(密集)層L4。輸入層L1係受理相對於預測模型30之輸入資料的層。Dense層L4係將由卷積層L2及LSTM層L3所處理之結果加以結合,並生成及輸出用以最終自預測模型30輸出的資料(於本實施形態中,與各等級(等級1~4)和各小期間之所有組合對應的20個機率值)的層。該等各層L1~L4包含在上述之使用訓練資料之機器學習之框架中不會被調整(變更)之外部參數(超參數)。例如,輸入層L1作為外部參數,可包含輸入資料之大小(Input_dim、Input_length)、Batch(批量)大小(batch_size)等。再者,括弧內所記載之變數名係Tensor Flow(註冊商標)所定義之API(應用程式介面;Application Programming Interface)變數名。於以下之說明中亦相同。卷積層L2作為外部參數,可包含層之使用之有無(Conv1D)、Filter(濾波器)數(filters)、Kernel(卷積核)大小(kernel_size)、Strides(步幅)寬度(strides)、Max Pooling(最大值池化)之使用之有無(MaxPooling1D)、Max Pooling之pool(池)大小(pool_size)、及Dropout(丟棄)比例(Dropout)等。LSTM層L3作為外部參數,可包含Layer(層)數(LSTM)、Node(節點)數(units)、輸出正規化(activity_regularizer)、權重正規化(recurrent_regularizer)、Dropout比例(Dropout)等。Dense層L4作為外部參數,可包含Layer數(Dense)、Node數(units)、輸出正規化(activity_regularizer)、Dropout比例(Dropout)等。該等超參數可藉由預測裝置20之操作員等而任意地被調整。
圖13係表示模型生成處理之一例的流程圖。模型生成部21若根據既定之學習執行週期所規定之生成時序(於本實施形態中為0:00、6:00、12:00、18:00之任一者)到來(步驟S11:YES),便生成訓練資料(步驟S12)。例如,模型生成部21將自前一次之預測模型30之生成時序至此次之預測模型30之生成時序為止之對象期間所包含的複數個時間點設為基準時間點T0(參照圖5),而生成與各基準時間點對應的訓練資料,藉此生成複數個訓練資料。再者,複數個訓練資料中之可於上述生成時序到來以前生成的訓練資料,亦可於生成時序到來之前預先被生成。接著,模型生成部21執行使用所生成之複數個訓練資料的機器學習,來生成預測模型30(步驟S13)。如圖11所示,由模型生成部21所生成之預測模型30,與上述對象期間建立關聯並被儲存於儲存部22(步驟S14)。
(預測處理)
預測處理主要由取得部23及預測部24所執行。圖14係用以說明預測處理的圖。於圖14中,T1表示預測執行時間點,P3表示過去期間(例如6小時),而P4表示未來期間(例如5分鐘)。P41~P45表示藉由將未來期間P4以每1分鐘(15ts)進行劃分而可得到的小期間。
取得部23取得較任意之預測執行時間點T1更早的過去期間P3之預測用資料。預測用資料係與自預測模型30之學習所使用之訓練資料去除正確答案標籤後之部分(輸入資料)對應的資料。過去期間P3係與第1期間P1(參照圖5)相同長度之期間。亦即,過去期間P3係在將預測執行時間點T1設為模型生成處理中之基準時間點T0(參照圖5)之情形時與第1期間P1對應的期間。取得部23藉由執行上述之與模型生成部21相同的處理,作為預測用資料而取得根據搬送指令日誌及搬送車資訊日誌而可得到之過去期間P3內的各種時間序列資料(Mx_VHL、MX_Fm、MX_To、MX_Dec、Mx_Inc、Mx_Inc1~Mx_Inc3、Mx_Spd1~Mx_Spd3)。
預測部24將藉由取得部23所取得之預測用資料輸入預測模型30,藉此取得表示較預測執行時間點T1更晚之未來期間P4內之對象區域Mx之搬送車數量之增減程度之預測值的預測資訊R。於本實施形態中,預測資訊R係表示以預測執行時間點T1之對象區域Mx內之搬送車數量為基準值n,未來期間P4之對象區域Mx內之平均搬送車數量所屬之等級之預測結果的資訊。更具體而言,預測資訊R顯示藉由將未來期間P4以每1分鐘(15ts)進行劃分而可得到之每個小期間P41~P45的預測結果。亦即,預測資訊R係表示未來期間P4所包含之複數個小期間P41~P45之各者之對象區域Mx內的平均搬送車數量所屬之等級之預測結果的資訊。
預測資訊R係與預測模型30之學習所使用之訓練資料之正確答案標籤對應的資料。亦即,預測資訊R係未來期間P4所包含之5個小期間P41~P45與各等級(等級1~4)之各組合(20種)的機率值(預測值)。例如,預測部24可在各小期間P41~P45內,將機率值最高的等級作為被預測為對象區域Mx內之平均搬送車數量所屬的等級(預測結果)而得到。
預測部24亦可被構成為可自被儲存於儲存部22之複數個預測模型30(參照圖11)中任意地選擇用於預測的預測模型30。
例如,預測部24亦可自被儲存於儲存部22之複數個預測模型30中,選擇與最接近之對象期間建立關聯的預測模型30。於圖11之例子中,在預測執行時間點T1為第10週(w10)之星期一(Mon)之6:00~12:00之情形時,預測部24亦可選擇與最接近之對象期間建立關聯之最新的預測模型30(M0-Mon10_1.h5)。藉由如此使用針對最接近之對象期間所生成之最新的預測模型30來進行預測,可於與最接近之時段之運用狀況相同之運用狀況被持續之可能性較高之情形等時,精準度佳地進行預測。
或者,預測部24亦可自被儲存於儲存部22之複數個預測模型30(參照圖11)中,選擇與對應於包含預測執行時間點之期間之過去之對象期間建立關聯的預測模型30。於圖11之例子中,在預測執行時間點T1為第10週(w10)之星期一(Mon)之6:00~12:00之情形時,預測部24亦可選擇例如與和預測執行時間點T同一個星期幾之同一個時段即過去之對象期間建立關聯的預測模型30(M1-Mon9_1.h5)。藉由如此使用與對應於包含預測執行時間點T1之期間之過去之對象期間建立關聯的預測模型30來進行預測,而可於星期週期性(例如,在星期幾及時段為同一個之情形時搬送系統1之運用狀況會大致相同的傾向)較高之情形等時,精準度佳地進行預測。又,作為另一例,於月度週期性(例如,於每月中日期及時段為同一個之情形時搬送系統1之運用狀況會大致相同的傾向)較高之情形等時,預測部24亦可選擇與預測執行時間點T1之前一個月之同一天之同一個時段建立關聯的預測模型30。例如,於預測執行時間點T1為5月1日之6:00~12:00之情形時,亦可選擇與4月1日之6:00~12:00建立關聯之預測模型30。又,作為又一例,於年度週期性(例如,於每年中月份與日期及時段為同一個之情形時搬送系統1之運用狀況會大致相同的傾向)較高之情形等時,預測部24亦可選擇與預測執行時間點T1之前一年之同一個月份與日期之同一個時段建立關聯的預測模型30。例如,於預測執行時間點T1為2021年5月1日之6:00~12:00之情形時,亦可選擇與2020年5月1日之6:00~12:00建立關聯的預測模型30。
預測部24亦可於較第2期間P2(亦即,作為預測對象期間之未來期間P4)短之每個預測執行週期執行使用預測模型30之預測處理,藉此取得預測資訊R,並將預測資訊R通知給搬送車控制器12。預測執行週期例如為1分鐘(15ts)。根據上述構成,可使搬送車控制器12隨時掌握與對象區域Mx內之搬送車數量相關的預測結果。其結果,可使搬送車控制器12持續地執行考量到預測結果之最佳的搬送控制(例如,成為搬送指令之分配目標之搬送車2的選定、搬送車2之移行路線的選定等)。其結果,可抑制搬送系統1中塞車的發生,而謀求搬送效率的提升。
圖15係表示預測處理之一例的流程圖。取得部23若根據既定之預測執行週期所規定之生成時序(於本實施形態中,每1分鐘的時序)到來(步驟S21:YES),便取得(生成)預測用資料(步驟S22)。再者,如本實施形態般,在以相對較短之預測執行週期反覆執行預測處理之情形時,於每次的預測時序,取得部23只要全新取得(生成)與自前一次之預測時序至此次之預測時序之期間對應的預測用資料即可。因此,取得部23可在相對較短之時間內使步驟S22之預測用資料之取得處理完成。接著,預測部24自被儲存於儲存部22之複數個預測模型30(參照圖11)中,根據如上述般之判斷基準,來選擇用於預測處理的預測模型30(步驟S23)。接著,預測部24藉由將預測用資料輸入所選擇之預測模型30,來取得自預測模型30所輸出的預測資訊R(步驟S24)。預測部24將所取得之預測資訊R通知給搬送車控制器12(步驟S25)。
於以上所述之預測裝置20中準備有預測模型30,該預測模型30被構成為輸入根據第1期間P1(參照圖5)內之日誌資訊(與搬送指令之分配狀況及複數個搬送車2之位置之至少一者相關之資訊)的輸入資料(參照圖6及圖8),並輸出表示第2期間P2(參照圖5)內之對象區域Mx之搬送車數量之增減程度之預測結果的輸出資料。藉此,於任意之預測執行時間點T1(參照圖14),只要將可自較該預測執行時間點T1更早之過去期間P3(參照圖14)內之日誌資訊得到的預測用資料輸入預測模型30,便可得到較該預測執行時間點T1更晚之未來期間P4(參照圖14)內之對象區域Mx之搬送車數量之增減程度的預測結果(預測資訊R)。因此,根據預測裝置20,可於任意之時序容易地預測搬送系統1之未來的塞車程度。
又,藉由將Mx_VHL(參照圖6)包含於預測模型30之輸入資料(預測用資料)中,可算入在過去期間P3存在於對象區域Mx內之搬送車2(第1搬送車)的數量,而精準度佳地預測未來期間P4內之對象區域Mx之搬送車數量的增減程度。
又,藉由將Mx_Fm(參照圖6)包含於預測模型30之輸入資料(預測用資料)中,可算入在過去期間P3朝向對象區域Mx內之載貨位置(From埠)移行中之搬送車2(第2搬送車)的數量,而精準度佳地預測未來期間P4內之對象區域Mx之搬送車數量的增減程度。
又,藉由將Mx_To(參照圖6)包含於預測模型30之輸入資料(預測用資料)中,可算入在過去期間P3朝向對象區域Mx內之卸貨位置(To埠)移行中之搬送車2(第3搬送車)的數量,而精準度佳地預測未來期間P4內之對象區域Mx之搬送車數量的增減程度。
又,藉由將Mx_Dec(參照圖6)包含於預測模型30之輸入資料(預測用資料)中,可算入在過去期間P3自對象區域Mx朝向其他區域移行中之搬送車2(第4搬送車)的數量,而精準度佳地預測未來期間P4內之對象區域Mx之搬送車數量的增減程度。
又,藉由將Mx_Inc(參照圖6)包含於預測模型30之輸入資料(預測用資料)中,可算入在過去期間P3朝向對象區域Mx內之特定地點(於本實施形態中為From埠及To埠)移行中之搬送車2(第5搬送車)的數量,而精準度佳地預測未來期間P4內之對象區域Mx之搬送車數量的增減程度。
又,藉由將Mx_Inc1~Mx_Inc3(參照圖8)包含於預測模型30之輸入資料(預測用資料)中,可算入與對象區域Mx之接近程度給對象區域Mx內之搬送車數量造成之影響度的差,而更精準度佳地預測未來期間中之對象區域之搬送車數量的增減程度。亦即,將各第5搬送車根據其在距離對象區域Mx多少程度之位置移行來進行分組,並將與依照群組區分而被加總之第5搬送車數量相關的資訊提供給預測模型30,藉此可算入因上述接近程度所造成之影響度的差而進行預測。
例如,於搬送系統1中可存在主要配置有處理裝置7之製程區域、主要配置有倉儲8之倉儲區域、主要作為旁路(繞行路)而發揮功能之旁路區域等之各種類別之區域。依照對象區域Mx為該等中之哪個類別的區域,直接鄰接於對象區域Mx之一個以上之其他區域所屬之主要的類別也會不同。而且,依照區域的類別,搬送車2用以通過該區域所需要的平均時間也會不同。例如,關於旁路區域,搬送車2由於基本上只通過該區域,因此存在有以相對較短的時間通過該區域之可能性。另一方面,關於製程區域,藉由搬送車2進行物品之抓貨或卸貨等,而存在有通過該區域需要相對較長的時間之可能性。因此,於在鄰接於對象區域Mx之旁路區域有相對較多之搬送車2存在之情形與在鄰接於對象區域Mx之製程區域有相對較多之搬送車2存在之情形時,存在有對對象區域Mx之未來之搬送車數量之增減造成之影響度會不同的可能性。藉由如上述般將表示與對象區域Mx之每個接近程度之搬送車數量的Mx_Inc1~Mx_Inc3作為預測模型30之輸入資料來使用,可次要地在算入對象區域Mx為何種區域(即接近對象區域Mx之區域主要為什麼種類的區域)等之特徵後再進行預測。
又,藉由將Mx_Spd1~Mx_Spd3(參照圖8)包含於預測模型30之輸入資料(預測用資料)中,可將會成為與被假設為對象區域Mx內之搬送車數量會因為第5搬送車之流入而增加之時期相關之線索的資訊,加入輸入資料中。其結果,可更精準度佳地預測未來期間P4內之對象區域Mx之搬送車數量的增減程度。
又,預測裝置20可藉由具備上述之模型生成部21,適當地生成用以使用於預測處理的預測模型30。
又,模型生成部21將基準時間點T0之對象區域Mx內之搬送車數量作為基準值n,來設定與搬送車數量自基準值n之增減程度對應的複數個等級。模型生成部21藉由將互不相同之複數個時間點作為基準時間點T0來使用而生成複數個訓練資料,該等複數個訓練資料包含第1期間P1內之輸入資料及表示第2期間P2內之對象區域Mx之平均搬送車數量所屬之等級的正確答案標籤。然後,模型生成部21藉由使用如此之複數個訓練資料來執行機器學習,而生成預測模型30。預測部24藉由將預測用資料輸入預測模型30,作為預測資訊R來取得表示將預測執行時間點T1時之對象區域Mx內之搬送車數量作為基準值n,而未來期間P4內之對象區域Mx內之平均搬送車數量所屬之等級之預測結果的資訊。藉由上述構成,可根據等級之預測結果而容易地掌握,以預測執行時間點T1之對象區域Mx內之搬送車數量為基準,對象區域Mx內之搬送車數量會朝向增加方向、或者會朝向減少方向。
又,模型生成部21將第2期間P2沿著時間序列劃分為複數個小期間P21~P25,並藉由將互不相同之複數個時間點作為基準時間點T0來使用而生成複數個訓練資料,該等複數個訓練資料包含第1期間P1之輸入資料及表示複數個小期間P21~P25之各者之對象區域Mx之平均搬送車數量所屬之等級的正確答案標籤。然後,模型生成部21藉由使用如此之複數個訓練資料來執行機器學習,而生成預測模型30。預測部24藉由將預測用資料輸入預測模型30,作為預測資訊R而取得表示未來期間P4所包含之複數個小期間P41~P45之各者之對象區域Mx內之平均搬送車數量所屬之等級之預測結果的資訊。根據上述構成,由於可針對未來期間P4所包含之每個小期間P41~P45得到等級的預測結果,因此可預測對象區域Mx內之未來之搬送車數量之變化的傾向(例如為持續增加的傾向、持續減少的傾向、減少後轉為增加的傾向、增加後轉為減少的傾向等之中的哪個傾向)。
以上,雖已對本發明之實施形態進行說明,但本發明並非被限定於上述之實施形態者,可於不脫離其主旨之範圍內進行各種變更。
例如,於上述實施形態中,雖將圖6及圖8所示之所有時間序列資料(Mx_VHL、MX_Fm、MX_To、MX_Dec、Mx_Inc、Mx_Inc1~Mx_Inc3、Mx_Spd1~Mx_Spd3)作為預測模型30之輸入資料(預測用資料)而使用,但亦可將該等時間序列資料之一部分作為預測模型30之輸入資料而使用。又,預測模型30之輸入資料(預測用資料)中亦可包含圖6及圖8所示之時間序列資料以外的資料。
又,於上述實施形態中,雖然自預測模型30,5個小期間P41~P45之各者的預測結果被輸出,但小期間的數量既可為4個以下,亦可為6個以上。又,成為預測對象期間之未來期間P4亦可不被分割為複數個小期間。亦即,預測模型30亦可被構成為輸出關於單一個未來期間P4的預測結果(各等級的機率值)。
又,於上述實施形態中,雖然設定有與未來之對象區域Mx內之平均搬送車對應的4個等級,但既可設定3個以下的等級,亦可設定5個以上的等級。例如,於上述實施形態中,朝自基準時間點T0(預測執行時間點T1)之對象區域Mx內之搬送車數量(基準值n)增加的方向設定2個等級(等級3、等級4),並朝減少的方向設定2個等級(等級1、等級2),但亦可更簡單地僅設定表示較基準值n增加之等級及表示較基準值n減少之等級的2個等級。
又,預測部24亦可於各小期間P41~P45內,對「等級1之機率+等級2之機率」與「等級3之機率+等級4之機率」的大小進行比較,並於前者較大之情形時取得表示搬送車數量會較當下減少之可能性高的預測結果,而於後者較大之情形時取得表示搬送車數量會較當下增大之可能性高的預測結果。再者,於基準值n接近Nmax且等級4不存在之情形時,預測部24只要針對各小期間P41~P45,對「等級1之機率+等級2之機率」與「等級3之機率」的大小進行比較即可。同樣地,於基準值n接近0且等級1不存在之情形時,預測部24只要針對各小期間P41~P45,對「等級2之機率」與「等級3之機率+等級4之機率」的大小進行比較即可。
又,於上述實施形態中,雖已著眼於1個對象區域Mx而對預測裝置20之處理之一例進行說明,但預測裝置20亦可對搬送系統1內之複數個對象區域執行預測處理。例如,模型生成部21對每個對象區域生成預測模型30,預測部24使用對每個對象區域所生成之預測模型30而對各對象區域執行預測處理即可。
又,於上述實施形態中,雖使用輸入資料之種類及超參數之設定內容固定之單一個預測模型30,但模型生成部21作為某對象區域Mx用之預測模型,亦可生成輸入資料之種類及超參數之設定內容之至少一者互不相同之複數個預測模型30。而且,預測部24亦可藉由將與各預測模型30對應之預測用資料分別輸入該等複數個預測模型30,來取得自各預測模型30所輸出的預測結果(預測資訊R)。亦即,預測裝置20亦可藉由使用如上述般之複數個預測模型30之集成學習,來進行對象區域Mx之未來之搬送車數量的預測。於上述之情形時,在各小期間P41~P45內,各等級之機率可得到與預測模型30之數量相同的數量。預測部24可藉由將各預測模型30之輸出結果(機率值)分別和小期間與等級之每一個相同的組合相加,來得到各組合之值(各預測模型30之機率值的和)。預測部24作為最終之預測結果,亦可在各小期間P41~P45內取得具有最大值的等級(或具有預先所決定之閾值以上之值的等級),並將其通知給搬送車控制器12。
又,於上述實施形態中,作為由搬送車2所搬送之物品(被搬送物),雖已例示收容有複數個半導體晶圓之FOUP,但物品並不限定於此,例如亦可為收容有玻璃晶圓、光罩等之其他容器或其他物品。又,設置搬送系統1之場所並不限定於半導體製造工廠,搬送系統1亦可設置於其他設施。
1:搬送系統
2,2a~2o:搬送車
3:MES
4:搬送路徑
5:灣區內輸送路線
6:跨灣區輸送路線
7:處理裝置
8:倉儲
9:合流部
11:MCS
12:搬送車控制器
13:日誌DB
20:預測裝置
21:模型生成部
22:儲存部
23:取得部
24:預測部
30:預測模型
201:處理器
202:RAM
203:ROM
204:輸入裝置
205:輸出裝置
206:通信模組
207:輔助儲存裝置
L1:輸入層
L2:卷積層
L3:長短期儲存層
L4:Dense層
M,Ma1~Ma4,Mb1~Mb5,Mc1~Mc2:區域
Mx:對象區域
T0:基準時間點
T1:預測執行時間點
P1:第1期間
P2:第2期間
P3:過去期間
P4:未來期間
P21~P25,P41~P45:小期間
R:預測資訊
S11~S14,S21~S25:步驟
圖1係表示搬送系統之佈局例的圖。
圖2係表示一實施形態之預測裝置及搬送系統之功能構成的方塊圖。
圖3(A)係表示搬送指令日誌之一例的圖,而圖3(B)係表示搬送車資訊日誌之一例的圖。
圖4係表示預測裝置之硬體構成之一例的方塊圖。
圖5係用以說明模型生成處理的圖。
圖6係表示輸入資料之一例的圖。
圖7係表示某個時間點之對象區域與複數個搬送車之一例的圖。
圖8係表示輸入資料之另一例的圖。
圖9係表示某個時間點之對象區域與複數個搬送車之一例的圖。
圖10係表示等級之一例的圖。
圖11係表示被儲存於儲存部之複數個預測模型之一例的圖。
圖12係表示預測模型之基本構造之一例的圖。
圖13係表示模型生成處理之一例的流程圖。
圖14係用以說明預測處理的圖。
圖15係表示預測處理之一例的流程圖。
1:搬送系統
2:搬送車
3:MES
11:MCS
12:搬送車控制器
13:日誌DB
20:預測裝置
21:模型生成部
22:儲存部
23:取得部
24:預測部
30:預測模型
Claims (16)
- 一種預測裝置,係對搬送系統中既定之對象區域之未來的狀態進行預測者,該搬送系統包含有被劃分為複數個區域之搬送路徑、沿著上述搬送路徑移行而搬送物品之複數個搬送車、及對上述搬送車分配搬送指令之搬送車控制器;其具備有: 儲存部,其儲存預測模型,該預測模型係以輸入根據與在較既定之基準時間點更早之第1期間中之上述搬送指令之分配狀況及上述複數個搬送車之位置之至少一者相關之日誌資訊的輸入資料,而輸出表示在較上述基準時間點更晚之第2期間中之上述對象區域之搬送車數量之增減程度之預測結果的輸出資料之方式被機器學習而得者; 取得部,其根據在較預測執行時間點更早且與上述第1期間相同長度之過去期間中之上述日誌資訊,來取得與上述輸入資料相對應的預測用資料;以及 預測部,其藉由將由上述取得部所取得之上述預測用資料輸入上述預測模型,來取得表示在較上述預測執行時間點更晚且與上述第2期間相同長度之未來期間中之上述對象區域之搬送車數量之增減程度之預測結果的預測資訊。
- 如請求項1之預測裝置,其中, 上述輸入資料包含表示在上述第1期間所觀測到之第1搬送車之數量的資料, 上述預測用資料包含表示在上述過去期間所觀測到之上述第1搬送車之數量的資料,且 上述第1搬送車係存在於上述對象區域內之上述搬送車。
- 如請求項2之預測裝置,其中, 上述輸入資料包含表示在上述第1期間所觀測到之第2搬送車之數量的資料, 上述預測用資料包含表示在上述過去期間所觀測到之上述第2搬送車之數量的資料,且 上述第2搬送車係根據上述搬送指令而朝向上述對象區域內之載貨位置移行中的上述搬送車。
- 如請求項3之預測裝置,其中, 上述輸入資料包含表示在上述第1期間所觀測到之第3搬送車之數量的資料, 上述預測用資料包含表示在上述過去期間所觀測到之上述第3搬送車之數量的資料,且 上述第3搬送車係根據上述搬送指令而朝向上述對象區域內之卸貨位置移行中的上述搬送車。
- 如請求項4之預測裝置,其中, 上述輸入資料包含表示在上述第1期間所觀測到之第4搬送車之數量的資料, 上述預測用資料包含表示在上述過去期間所觀測到之上述第4搬送車之數量的資料,且 上述第4搬送車係自上述對象區域朝向其他區域移行中的上述搬送車。
- 如請求項5之預測裝置,其中, 上述輸入資料包含表示在上述第1期間所觀測到之第5搬送車之數量的資料, 上述預測用資料包含表示在上述過去期間所觀測到之上述第5搬送車之數量的資料,且 上述第5搬送車係根據上述搬送指令而朝向上述對象區域內之特定地點移行中的上述搬送車。
- 如請求項6之預測裝置,其中, 上述輸入資料及上述預測用資料包含:表示藉由針對每個上述第5搬送車所移行中之區域與上述對象區域之接近程度,對上述第5搬送車進行加總所得到之每個上述接近程度的搬送車數量之資料。
- 如請求項7之預測裝置,其中, 上述輸入資料及上述預測用資料進一步包含與上述第5搬送車之速度相關的資料。
- 如請求項8之預測裝置,其中, 其進一步具備有生成上述預測模型的模型生成部, 上述模型生成部藉由將互不相同之複數個時間點作為上述基準時間點來使用而生成複數個訓練資料,該等複數個訓練資料包含上述第1期間中之上述輸入資料及表示上述第2期間中之上述對象區域之搬送車數量之增減程度之正確答案標籤, 並藉由使用所生成之上述複數個訓練資料來執行機器學習而生成上述預測模型。
- 如請求項9之預測裝置,其中, 上述模型生成部將上述基準時間點之上述對象區域內之搬送車數量作為基準值,來設定與來自上述基準值之搬送車數量之增減程度相對應的複數個等級, 藉由將互不相同之複數個時間點作為上述基準時間點來使用而生成複數個訓練資料,該等複數個訓練資料包含上述第1期間中之上述輸入資料及表示上述第2期間中之上述對象區域之平均搬送車數量所屬之上述等級的正確答案標籤; 上述預測部藉由將上述預測用資料輸入上述預測模型作為上述預測資訊,而取得將上述預測執行時間點之上述對象區域內之搬送車數量作為上述基準值來表示上述未來期間中之上述對象區域內之平均搬送車數量所屬之等級之預測結果的資訊。
- 如請求項10之預測裝置,其中, 上述模型生成部將上述第2期間沿著時間序列劃分為複數個小期間, 藉由將互不相同之複數個時間點作為上述基準時間點來使用而生成複數個訓練資料,該等複數個訓練資料包含上述第1期間中之上述輸入資料及表示上述複數個小期間之各者中之上述對象區域之平均搬送車數量所屬之上述等級的正確答案標籤; 上述預測部藉由將上述預測用資料輸入上述預測模型,作為上述預測資訊而取得表示上述未來期間所包含之複數個小期間之各者中之上述對象區域內之平均搬送車數量所屬的等級之預測結果的資訊。
- 如請求項11之預測裝置,其中, 上述模型生成部被構成為在每個既定之學習執行週期生成上述預測模型, 上述模型生成部藉由將自前次之預測模型之生成時序至此次之預測模型之生成時序為止的對象期間所包含之複數個時間點作為上述基準時間點來使用,而生成複數個訓練資料, 並藉由使用所生成之上述複數個訓練資料來執行機器學習而生成此次之預測模型; 上述儲存部並不刪除由上述模型生成部在過去所生成之預測模型,而將由上述模型生成部所生成之上述此次之預測模型與上述對象期間建立關聯並加以儲存。
- 如請求項12之預測裝置,其中, 上述預測部被構成為可自被儲存於上述儲存部之複數個上述預測模型中任意地選擇為了使用於預測之上述預測模型。
- 如請求項13之預測裝置,其中, 上述預測部自被儲存於上述儲存部之複數個上述預測模型中,選擇與最接近之上述對象期間建立關聯之上述預測模型。
- 如請求項13之預測裝置,其中, 上述預測部自被儲存於上述儲存部之複數個上述預測模型中,選擇與過去之上述對象期間建立關聯之上述預測模型,而該過去之上述對象期間對應於包含上述預測執行時間點的期間。
- 如請求項14或15之預測裝置,其中, 上述預測部藉由在每個較上述第2期間短之預測執行週期,執行使用上述預測模型之預測處理來取得上述預測資訊,並將上述預測資訊通知給上述搬送車控制器。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021-089952 | 2021-05-28 | ||
JP2021089952 | 2021-05-28 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202303817A true TW202303817A (zh) | 2023-01-16 |
Family
ID=84229694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111118301A TW202303817A (zh) | 2021-05-28 | 2022-05-17 | 預測裝置 |
Country Status (4)
Country | Link |
---|---|
JP (1) | JP7501791B2 (zh) |
CN (1) | CN117015750A (zh) |
TW (1) | TW202303817A (zh) |
WO (1) | WO2022249551A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6831280B2 (ja) | 2017-03-24 | 2021-02-17 | 株式会社日立製作所 | 予測システム、及び、予測方法 |
WO2019087526A1 (ja) | 2017-11-02 | 2019-05-09 | 日本電気株式会社 | 評価システム、評価方法および評価用プログラム |
JP7087946B2 (ja) * | 2018-11-19 | 2022-06-21 | 日本電信電話株式会社 | 救急需要予測装置、救急需要予測方法およびプログラム |
JP6885421B2 (ja) | 2019-05-28 | 2021-06-16 | 村田機械株式会社 | 搬送制御装置 |
-
2022
- 2022-02-03 CN CN202280020190.6A patent/CN117015750A/zh active Pending
- 2022-02-03 WO PCT/JP2022/004203 patent/WO2022249551A1/ja active Application Filing
- 2022-02-03 JP JP2023523975A patent/JP7501791B2/ja active Active
- 2022-05-17 TW TW111118301A patent/TW202303817A/zh unknown
Also Published As
Publication number | Publication date |
---|---|
JP7501791B2 (ja) | 2024-06-18 |
WO2022249551A1 (ja) | 2022-12-01 |
CN117015750A (zh) | 2023-11-07 |
JPWO2022249551A1 (zh) | 2022-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A proactive material handling method for CPS enabled shop-floor | |
Pourvaziri et al. | Dynamic facility layout problem based on open queuing network theory | |
KR102468339B1 (ko) | 이행 센터들의 계층구조로부터의 전자 상거래 주문을 이행하는 시스템 및 방법 | |
JP2023116453A (ja) | 搬送デバイスの移動を制御する方法、システムおよび装置 | |
TWI817010B (zh) | 搬送控制裝置 | |
Rimélé et al. | Robotic mobile fulfillment systems: a mathematical modelling framework for e-commerce applications | |
Qin et al. | Multiple-objective scheduling for interbay AMHS by using genetic-programming-based composite dispatching rules generator | |
Hu et al. | Conflict-free scheduling of large-scale multi-load AGVs in material transportation network | |
KR20210008261A (ko) | 반도체 제조에서의 물류 자동화 시스템을 위한 동적 할당 장치, 및 그것을 이용하는 물류 자동화 시스템 | |
Hsieh et al. | Simulation study for a proposed segmented automated material handling system design for 300-mm semiconductor fabs | |
Teck et al. | A bi-level memetic algorithm for the integrated order and vehicle scheduling in a RMFS | |
US11537977B1 (en) | Method and system for optimizing delivery of consignments | |
Cai et al. | Variable neighborhood search for a new practical dynamic pickup and delivery problem | |
Emde et al. | Routing automated lane-guided transport vehicles in a warehouse handling returns | |
Fazlollahtabar | Lagrangian relaxation method for optimizing delay of multiple autonomous guided vehicles | |
Amjath et al. | Fleet sizing of trucks for an inter-facility material handling system using closed queueing networks | |
Azimi et al. | The Selection of the Best Control Rule for a Multiple‐Load AGV System Using Simulation and Fuzzy MADM in a Flexible Manufacturing System | |
TW202303817A (zh) | 預測裝置 | |
Cai et al. | An efficient multi-objective evolutionary algorithm for a practical dynamic pickup and delivery problem | |
US20220292434A1 (en) | Resource planning for delivery of goods | |
Sartangi et al. | A Mixed Integer Linear Formulation and a Grouping League Championship Algorithm for a Multiperiod-Multitrip Order Picking System with Product Replenishment to Minimize Total Tardiness | |
JP2021156684A (ja) | 配送最適化装置 | |
Huang et al. | A pre-dispatching vehicle method for a diffusion area in a 300 mm wafer fab | |
Ozaki et al. | Design of AVS/RS under group constraint | |
JP4923444B2 (ja) | 運搬作業の計画立案装置及び方法 |