TWI846861B - 生產設計支援裝置、生產設計支援方法及生產設計支援程式 - Google Patents
生產設計支援裝置、生產設計支援方法及生產設計支援程式 Download PDFInfo
- Publication number
- TWI846861B TWI846861B TW109112904A TW109112904A TWI846861B TW I846861 B TWI846861 B TW I846861B TW 109112904 A TW109112904 A TW 109112904A TW 109112904 A TW109112904 A TW 109112904A TW I846861 B TWI846861 B TW I846861B
- Authority
- TW
- Taiwan
- Prior art keywords
- information
- mentioned
- equipment
- element information
- problem space
- Prior art date
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 411
- 238000013461 design Methods 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims description 55
- 238000012545 processing Methods 0.000 claims abstract description 247
- 238000003860 storage Methods 0.000 claims description 156
- 238000004088 simulation Methods 0.000 claims description 130
- 239000000470 constituent Substances 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 4
- 238000013473 artificial intelligence Methods 0.000 abstract description 30
- 230000000875 corresponding effect Effects 0.000 description 85
- 230000008569 process Effects 0.000 description 38
- 238000004364 calculation method Methods 0.000 description 31
- 239000000047 product Substances 0.000 description 31
- 230000008859 change Effects 0.000 description 22
- 230000009471 action Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 16
- 238000003466 welding Methods 0.000 description 16
- 230000002787 reinforcement Effects 0.000 description 13
- 238000013500 data storage Methods 0.000 description 11
- 238000011156 evaluation Methods 0.000 description 9
- 238000005242 forging Methods 0.000 description 8
- 239000013067 intermediate product Substances 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 5
- 230000007704 transition Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 230000006835 compression Effects 0.000 description 3
- 238000007906 compression Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 101100233916 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) KAR5 gene Proteins 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 101001121408 Homo sapiens L-amino-acid oxidase Proteins 0.000 description 1
- 101000827703 Homo sapiens Polyphosphoinositide phosphatase Proteins 0.000 description 1
- 102100026388 L-amino-acid oxidase Human genes 0.000 description 1
- 102100023591 Polyphosphoinositide phosphatase Human genes 0.000 description 1
- 101100012902 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) FIG2 gene Proteins 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Abstract
本發明之課題,在於容易地且準確地定義生產線之問題空間,並藉由利用人工智能之學習來得到更準確之最佳解、最佳解群。
本發明之生產設計支援裝置1,其儲存由設備要素之規格所構成之設備要素資訊、由包含必要之作業要素之觸發條件與作業完成後之輸出目的地之作業要素之規格所構成的作業要素資訊、以及以由將設備要素與作業要素建立關聯所得之聯結資訊、設備要素資訊及作業要素資訊所構成之構成要素之組合所定義之生產線模型、或包含可設定聯結資訊之作業要素與設備要素之組合的生產線模型之基礎資料,而將設備要素資訊中可變更之規格、作業要素資訊中可變更之規格、及可變更之聯結資訊中之複數種作為複數個自變數之變動參數,來生成由對應之次元軸所構成之問題空間,學習處理部將問題空間作為邊界條件而取得生產設計之最佳解或最佳解群。
Description
本發明係以例如由如與製造業之生產相關者、製造機械、製造作業人員、與物流相關之搬送作業人員、堆高機等之搬送手段般之要素所構成之生產線的設計為代表,涉及土木工程、建築作業、化工廠、植物工廠、連鎖餐廳、倉庫業務等之與複數個要素相關聯而被實施之複規定之多樣之作業之可創造有形或無形之產品的業務,而關於支援最佳生產設計之辨識與執行的生產設計支援裝置、生產設計支援方法及生產設計支援程式。
過去以來,作為支援最佳之生產設計之支援裝置,存在有專利文獻1之生產系統模擬裝置。該裝置係模擬基於離散地發生之現象之連鎖之狀態推移的裝置,儲存作為設備要素之規格之設備要素資訊、包含作業要素之觸發條件與作業完成後之輸出目的地之作業要素資訊、以及設備要素與作業要素之聯結資訊,且以如下之方式進行模擬處理:依據藉由聯結資訊與設備要素所聯結之作業要素之作業要素資訊之觸發條件的滿足,設備要素執行作業並對作業要素之作業要素資訊之作業完成後之輸出目的地進行輸出。
專利文獻1之裝置可無關於設備要素之能力、數量而獨
立於設備要素資訊地設定不變之作業要素之作業要素資訊,並設定所期望之聯結而進行模擬處理,藉此可容易地且靈活地對承擔作業之設備要素進行設定、變更,從而以低成本迅速地進行多樣之模擬、最佳步驟條件之探求。
[專利文獻1]日本專利第5688864號公報
然而,近年來,雖然嘗試著使用被稱為人工智能(AI)之機械學習、強化學習、深層強化學習之技術而欲在各種領域導出最佳解,但為了應用利用該人工智能之學習技術,便必須定義問題空間。所謂問題空間,係作為問題之框架之邊界條件、運用規則、及各要素之特徵資料等。由於若無問題空間,便無法應用利用人工智能之學習,因此到目前為止,被稱為資料科學家之工程師會在彌補問題空間之資訊之後,才使其執行學習之處理。
於問題空間被明確化之情形時,容易藉由利用人工智能之學習技術來處理該問題。例如,作為可先行開發出有名之「阿爾法圍棋」之理由,在於所謂「棋盤格」之圍棋世界的邊界、作為運用規則之「依序放置棋子」、「對手之棋子與自己之棋子有被區分」、「可利用包圍對手之棋子來吃掉對手之棋子」、「若形成眼點,對手之棋子便無法
侵入而該圍成眼的棋子成為活棋」等的定義,最初便賦予了圍棋世界的框架。亦即,原本就提供了為了解決將該問題搭載於學習系統時所需要的解之問題空間。
然而,於製造業之生產線中,問題空間於各企業、或各生產線通常都不一致。又,由於問題空間最初並未被定義,因此若欲將人工智能之學習技術應用於製造業之生產線問題,便必須藉由資料科學家之人為的處理來重新定義問題空間。該等問題於人工智能技術中被稱為「框架問題」。因此,於製造業中,利用人工智能之學習系統之導入,問題空間便停留在根據成為對象之機械設備之動作履歷來進行故障預測之預測性維修等,容易被定義之限定性範圍。
本發明係鑒於上述課題所提案者,其目的在於提供一種生產設計支援裝置、生產設計支援方法及生產設計支援程式,其可不依靠資料科學家之人為的定義處理而容易地且準確地對通常未被定義之生產線之問題空間進行定義,而可藉由基於問題空間之利用人工智能之學習來得到更準確之最佳解或最佳解群。
本發明之生產設計支援裝置,其特徵在於具備有:設備要素資訊儲存部,其儲存由設備要素之規格所構成之設備要素資訊;作業要素資訊儲存部,其儲存由包含必要之作業要素之觸發條件與作業完成後之輸出目的地之作業要素之規格所構成的作業要素資訊;以及生產線模型儲存部,其儲存生產線模型或上述生產線模型之基礎資料,該生產線模型係以由將上述設備要素與上述作業要素建立關聯所得之聯結資
訊、上述設備要素資訊及上述作業要素資訊所構成之構成要素之組合所定義,而該生產線模型之基礎資料包含作為上述構成要素而可設定聯結資訊之作業要素與設備要素之組合;且將上述設備要素資訊中可變更之規格、上述作業要素資訊中可變更之規格、可變更之上述聯結資訊中之任意複數種作為複數個自變數之變動參數(fluctuating parameter),來生成由與上述變動參數之各者對應之次元軸(dimensional axis)所構成之問題空間;執行學習處理部將上述問題空間作為邊界條件而取得生產設計之最佳解或最佳解群的解析處理。
藉此,可不依靠資料科學家之人為的定義處理而容易地且準確地對通常未被定義之生產線之問題空間進行定義,而可藉由基於問題空間之利用人工智能之學習來得到更準確之最佳解或最佳解群。又,可高靈活性地且適當地對應而定義個別性較高之生產線之問題空間,通用性優異。例如,設備要素之能力、數量而獨立於設備要素資訊地設定不變之作業要素之作業要素資訊,並動態地設定所期望之聯結資訊使其聯合而構成構成要素,所以即便於設備要素之數量不同之情形時,亦可容易地且靈活地設定承擔作業要素之作業之設備要素、構成要素,並使其反映至問題空間。
本發明之生產設計支援裝置,其特徵在於,上述生產線模型儲存部僅對應於可作為生產線而執行之上述設備要素與上述作業要素之組合方式而儲存複數個由上述構成要素之組合所定義的生產線模型,且將上述設備要素資訊中可變更之規格作為上述複數個自變數之變動參數、或者將上述作業要素資訊中可變更之規格作為上述複數個自變
數之變動參數、或者將該二者作為上述複數個自變數之變動參數,來生成由與上述變動參數之各者對應之次元軸所構成之問題空間。
藉此,可涵蓋在複數個工廠聯合地被執行之生產線、在單獨之整個工廠被執行之生產線、或在單獨之工廠之一部分被執行之生產線等,可在生產線被執行之生產線模型來設定問題空間,而可在考量到多樣之可能性或所有之可能性更準確地定義相對於生產線之問題空間,從而可藉由基於問題空間之利用人工智能之學習來得到更準確之最佳解或最佳解群。又,可藉由在考量到多樣之可能性或所有之可能性之內容,來設定非常準確地反映出生產線之個別性之問題空間。例如,對於構成構成要素之設備要素資訊、作業要素資訊,可設定各種可變更之規格、變動參數(設備之數量、設備之能力、要素作業之時間、與該作業相關之作業人員之數量等),而可設定非常準確地反映出對象生產線之個別性之問題空間。
本發明之生產設計支援裝置,其特徵在於,將上述設備要素資訊中可變更之規格、上述作業要素資訊中可變更之規格、及可變更之上述聯結資訊之各者作為複數個自變數之變動參數,來生成由與上述變動參數之各者對應之次元軸所構成之問題空間。
藉此,可涵蓋在複數個工廠聯合地被執行之生產線、在單獨之整個工廠被執行之生產線、或在單獨之工廠之一部分被執行之生產線等,可在生產線被執行之生產線模型來設定問題空間,而可在考量到多樣之可能性更準確地定義相對於生產線之問題空間,從而可藉由基於問題空間之利用人工智能之學習來得到更準確之最佳解或最佳解群。此外,可藉
由在考量到多樣之可能性之內容,來設定非常準確地反映出生產線之個別性之問題空間。例如,對於構成構成要素之設備要素資訊、作業要素資訊,可設定各種可變更之規格、變動參數(設備之數量、設備之能力、要素作業之時間、與該作業相關之作業人員之數量等),而可設定非常準確地反映出對象生產線之個別性之問題空間。又,例如亦可設定僅對應於超過既定之生產性基準之生產線模型之聯結資訊,來生成並設定問題空間等,而可在要取得最佳解、最佳解群時生成並設定效率較高之問題空間。
本發明之生產設計支援裝置,其特徵在於,將成品之資訊及具有可變更之規格之生產計劃資訊儲存於儲存部,且將上述生產計劃資訊之可變更之規格作為變動參數,來生成由與上述生產計劃資訊之變動參數之各者對應之次元軸所構成之問題空間。
藉此,具有生產計劃資訊之問題空間亦可作為學習處理之對象來處理,而可根據作為學習處理之結果之最佳解或最佳解群,來謀求生產計劃之可變更之規格、及變動參數之最佳化,並且可謀求以適當之生產計劃為前提之生產計劃資訊、設備要素資訊、作業要素資訊、及設備要素與作業要素之聯結資訊之各變動參數之最佳化。又,可生成與適當或特定之生產計劃對應之問題空間,而可取得與其對應之非常準確之最佳解或最佳解群。
本發明之生產設計支援裝置,其特徵在於,對上述設備要素資訊中所需要之可變更之規格設定解析度,且將已被設定上述解析度之上述設備要素資訊中可變更之規格作為自變數之變動參數,來生成作
為附加資訊而具有上述設備要素資訊中可變更之規格之解析度之上述問題空間。
藉此,藉由生成作為附加資訊而具有設備要素資訊中可變更之規格之解析度之問題空間,可減少取得最佳解、最佳解群之運算處理量,並且可避免在取得最佳解、最佳解群時所進行之不必要、無用之運算處理。
本發明之生產設計支援裝置,其特徵在於,對上述作業要素資訊中所需要之可變更之規格設定解析度,且將已被設定上述解析度之上述作業要素資訊中可變更之規格作為自變數之變動參數,來生成作為附加資訊而具有上述作業要素資訊中可變更之規格之解析度之上述問題空間。
藉此,藉由生成作為附加資訊而具有作業要素資訊中可變更之規格之解析度之問題空間,可減少取得最佳解、最佳解群之運算處理量,並且可避免在取得最佳解、最佳解群時所進行之不必要、無用之運算處理。
本發明之生產設計支援裝置,其特徵在於,上述學習處理部將上述問題空間作為邊界條件而取得最佳解或最佳解群,並對使用者提示上述最佳解或上述最佳解群,並且對於作為上述問題空間之基礎之上述生產線模型之上述構成要素,以如下之方式執行模擬處理:依據藉由上述聯結資訊與上述設備要素被建立關聯之上述作業要素之上述作業要素資訊之觸發條件的滿足,上述設備要素執行作業,並對上述作業要素之上述作業要素資訊之作業完成後之輸出目的地進行輸出;並對使用者提示與上述問題空間對應之上述模擬處理的結果。
藉此,可處理習知之AI處理中成為問題之「因為黑箱化(最終解不
清楚是以哪種背景所導出)而難以接受該結果」之問題,而可使使用者經由模擬結果來理解最佳解群提取的根據,提供使用者充分之判斷材料,而使使用者可以自身所擁有之確定的判斷基準來決定最終之最佳解。
本發明之生產設計支援裝置,其特徵在於,上述學習處理部將上述問題空間作為邊界條件而取得最佳解群,並且對於作為上述問題空間之基礎之上述生產線模型之上述構成要素,以如下之方式執行模擬處理:依據藉由上述聯結資訊與上述設備要素被建立關聯之上述作業要素之上述作業要素資訊之觸發條件的滿足,上述設備要素執行作業,並對上述作業要素之上述作業要素資訊之作業完成後之輸出目的地進行輸出;並執行上述學習處理部將上述問題空間作為邊界條件且依據與上述模擬處理結果對應之追加條件而取得縮小範圍之最佳解或縮小範圍之最佳解群的處理。
藉此,可彌補人工智能之學習處理部之精度,而可得到更高精度之縮小範圍之最佳解或縮小範圍之最佳解群。又,於進行學習處理之情形時,藉由利用考量到作業要素資訊之觸發條件之滿足等之生產條件之生產模擬、模擬處理,來假想地實現未實際實施之生產活動,可使其重新地學習與生產相關之沒有實績的條件。又,於機械學習、強化學習、及深層強化學習中,在要導出解答之候補群時,使用經驗值或評價值,並根據以經驗值或評價值為基礎之執行結果(輸出)來導出解答之候補群,雖然該等資訊並未分析性地反映在生產線中之複雜之動作(物品之流程或各種生產條件等),但可藉由學習處理部將問題空間作為邊界條件,並依據與模擬處理之結果對應之追加條件來取得縮小範圍之最佳解或縮
小範圍之最佳解群,而可重新評價生產線之構成或內部之動作,來提高精度從而得到值得信賴之縮小範圍之最佳解或縮小範圍之最佳解群。
本發明之生產設計支援裝置,其特徵在於,對於作為上述問題空間之基礎之上述生產線模型之上述構成要素,以如下之方式執行模擬處理:依據藉由上述聯結資訊與上述設備要素被建立關聯之上述作業要素之上述作業要素資訊之觸發條件的滿足,上述設備要素執行作業,並對上述作業要素之上述作業要素資訊之作業完成後之輸出目的地進行輸出;並根據與上述問題空間之至少一部分對應之上述模擬處理之結果,取得上述問題空間之特性條件;執行學習處理部將上述問題空間作為邊界條件且依據上述特性條件而取得生產設計之最佳解或最佳解群的解析處理。
藉此,可事先地藉由考量到作業要素資訊之觸發條件之滿足等之生產條件之生產模擬來分析問題空間的框架,而將學習處理部之解析處理之條件設為更佳者,從而提高人工智能之學習之效率及準確性。又,於機械學習、強化學習、及深層強化學習中,在要導出解答之候補或解答之候補群時,使用經驗值或評價值,並根據以經驗值或評價值為基礎之執行結果(輸出)來導出解答之候補群組,雖然該等資訊並未分析性地反映在生產線中之複雜之動作(物品之流程或各種生產條件等),但可藉由學習處理部將問題空間及藉由模擬處理所得之問題空間之特性設為條件來取得最佳解或最佳解群,而可重新評價生產線之構成或內部之動作,來提高最佳解或最佳解群之精度從而得到值得信賴之最佳解或最佳解群。
本發明之生產設計支援方法係由電腦所執行者;其特徵在於,其根據:由設備要素之規格所構成之設備要素資訊;由包含必要之作業要素之觸發條件與作業完成後之輸出目的地之作業要素之規格所構成的作業要素資訊;以及以由將上述設備要素與上述作業要素建立關聯所得之聯結資訊、上述設備要素資訊及上述作業要素資訊所構成之構成要素之組合所定義之生產線模型、或包含作為上述構成要素而可設定聯結資訊之作業要素與設備要素之組合的上述生產線模型之基礎資料;將上述設備要素資訊中可變更之規格、上述作業要素資訊中可變更之規格、可變更之上述聯結資訊中之任意複數種作為複數個自變數之變動參數,來生成由與上述變動參數之各者對應之次元軸所構成之問題空間;並且執行學習處理部將上述問題空間作為邊界條件而取得生產設計之最佳解或最佳解群之解析處理。再者,在與生產設計支援裝置之各發明中所應用之構成對應的內容,亦可作為本發明之生產設計支援方法之構成而適當地加以應用。
藉此,可不依靠資料科學家之人為的定義處理而容易地且準確地對通常未被定義之生產線之問題空間進行定義,而可藉由基於問題空間之利用人工智能之學習來得到更準確之最佳解或最佳解群。又,可較高靈活性地且適當地對應而定義個別性較高之生產線之問題空間,通用性優異。例如,因為可無關於設備要素之能力、數量而獨立於設備要素資訊地設定不變之作業要素之作業要素資訊,並動態地設定所期望之聯結資訊使其聯合而構成構成要素,所以即便於設備要素之數量不同之情形時,亦可容易地且靈活地設定承擔作業要素之作業之設備要素、構成要
素,並反映至問題空間。
本發明之生產設計支援程式係使電腦作為生產設計支援裝置而發揮功能者;其特徵在於,使上述電腦:儲存由設備要素之規格所構成之設備要素資訊;儲存由包含必要之作業要素之觸發條件與作業完成後之輸出目的地之作業要素之規格所構成的作業要素資訊;儲存以由將上述設備要素與上述作業要素建立關聯所得之聯結資訊、上述設備要素資訊及上述作業要素資訊所構成之構成要素之組合所定義之生產線模型、或包含作為上述構成要素而可設定聯結資訊之作業要素與設備要素之組合的上述生產線模型之基礎資料;而將上述設備要素資訊中可變更之規格、上述作業要素資訊中可變更之規格、及可變更之上述聯結資訊中之任意複數種作為複數個自變數之變動參數,來生成由與上述變動參數之各者對應之次元軸所構成之問題空間;執行學習處理部將上述問題空間作為邊界條件而取得生產設計之最佳解或最佳解群的解析處理。再者,在與生產設計支援裝置之各發明中所應用之構成對應的內容,亦可作為本發明之生產設計支援程式之構成而適當地加以應用。
藉此,可不依靠資料科學家之人為的定義處理而容易地且準確地對通常未被定義之生產線之問題空間進行定義,而可藉由基於問題空間之利用人工智能之學習來得到更準確之最佳解或最佳解群。又,可以較高靈活性地且適當地對應而定義個別性較高之生產線之問題空間,通用性優異。例如,因為可無關於設備要素之能力、數量而獨立於設備要素資訊地設定不變之作業要素之作業要素資訊,並動態地設定所期望之聯結資訊使其聯合而構成構成要素,所以即便於設備要素之數量不同之情形
時,亦可容易地且靈活地設定承擔作業要素之作業之設備要素、構成要素,並反映至問題空間。
根據本發明,可不依靠資料科學家之人為的定義處理而容易地且準確地對通常未被定義之生產線之問題空間進行定義,而可藉由基於問題空間之利用人工智能之學習來得到更準確之最佳解或最佳解群。
1:生產設計支援裝置
2:運算控制部
3:儲存部
4:輸入部
5:輸出部
21:生產設計支援處理部
31:生產設計支援程式儲存部
32:設備要素資訊儲存部
33:作業要素資訊儲存部
34:生產線模型儲存部
35:問題空間儲存部
36:學習資料儲存部
37:畫面資料儲存部
38:動作記錄資料庫
39:特性條件儲存部
211:問題空間生成部
212:學習處理部
213:模擬處理部
214:特性條件取得部
311:問題空間生成程式儲存部
312:學習處理程式儲存部
313:模擬處理程式儲存部
314:特性條件取得程式儲存部
α,β:壓縮空間
圖1係表示本發明第1實施形態之生產設計支援裝置之整體構成的方塊圖。
圖2係表示利用第1實施形態之生產設計支援裝置所進行之生產設計支援處理之流程圖。
圖3係表示利用第2實施形態之生產設計支援裝置所進行之生產設計支援處理之流程圖。
圖4係表示本發明第3實施形態之生產設計支援裝置之整體構成的方塊圖。
圖5係表示利用第3實施形態之生產設計支援裝置所進行之生產設計支援處理之流程圖。
圖6(a)係表示第1實施形態之實施例之產品例之說明圖,而圖6(b)係表示該實施例之生產步驟之流程之說明圖。
圖7(a)係表示第1實施形態之實施例之設備要素之說明圖,而圖
7(b)係表示該實施例之作業要素之生產步驟之流程的流程圖。
圖8係表示被儲存於第1實施形態之實施例之設備要素資訊儲存部之設備要素資訊之例子的圖。
圖9係表示被儲存於第1實施形態之實施例之作業要素資訊儲存部之作業要素資訊之例子的圖。
圖10(a)係表示被儲存於第1實施形態之實施例之生產線模型儲存部之生產線模型之基礎資料之例子的圖,而圖10(b)係表示該生產線模型之例子的圖。
圖11係第1實施形態之實施例之問題空間之說明圖。
圖12係表示藉由第1實施形態之實施例之學習處理部之解析處理所求出之最佳解群之例子的圖。
圖13(a)至(c)係表示將被記錄於動作記錄資料庫之記錄之中間庫存之隨著時間經過之推移加以曲線圖化之例子的說明圖。
圖14係第2實施形態之實施例之壓縮空間之說明圖。
圖15係第3實施形態之實施例之壓縮空間之說明圖。
如圖1所示,本發明之第1實施形態之生產設計支援裝置1具備有:MPU(主處理單元;main processing unit)、CPU(中央處理單元;Central Processing Unit)等之運算控制部2;由HDD(硬式磁碟機;hard disk drive)、快閃記憶體、EEPROM(可電氣抹除可程式唯讀記憶體;
electrically erasable programmable read-only memory)、ROM(唯讀記憶體;Read-Only Memory)、RAM(隨機存取記憶體;Random Access Memory)等所構成之儲存部3;滑鼠、鍵盤、觸控面板等之輸入部4;以及顯示器、印表機等之輸出部5;並藉由單獨之電腦或複數個電腦終端之集合體所構成的電腦來實現,而該複數個電腦終端係由通訊連接之網路所連接。
儲存部3具有儲存使運算控制部2執行既定處理之生產設計支援程式等之控制程式並儲存生產設計支援程式之生產設計支援程式儲存部31。生產設計支援程式係由問題空間生成程式、學習處理程式及模擬處理程式所構成,且分別被貯存於以功能被區分之生產設計支援程式儲存部31之問題空間生成程式儲存部311、學習處理程式儲存部312、及模擬處理程式儲存部313。再者,亦可設為由問題空間生成程式及模擬處理程式來構成生產設計支援程式、或者僅由問題空間生成程式來構成生產設計支援程式,且與不同於該等生產設計支援程式之學習處理程式併用,來執行本發明之生產設計支援之處理。
運算控制部2依照生產設計支援程式儲存部31之生產設計支援程式來執行既定處理。第1實施形態之運算控制部2依照儲存部3之問題空間生成程式來執行作為問題空間生成部211之處理,依照學習處理程式來執行作為學習處理部212之處理,並依照模擬處理程式來執行作為模擬處理部213之既定處理。
儲存部3具備有:設備要素資訊儲存部32,其儲存由設備要素之規格所構成之設備要素資訊;作業要素資訊儲存部33,其儲存
由包含作業要素之觸發條件及作業完成後之輸出目的地之作業要素之規格所構成的作業要素資訊;以及生產線模型儲存部34,其儲存以由將設備要素與作業要素建立關聯所得之聯結資訊、設備要素資訊及作業要素資訊所構成之構成要素之組合所定義之生產線模型。
對於作為設備要素資訊所設定之設備要素之規格,可設定起因於設備要素本身或與設備要素本身相關之適當之規格,例如可設定生產設備要素之週期時間、位置資訊等之規格。設備要素資訊之規格之一部分或全部係作為可變更之變動參數而被設定,例如生產設備要素之位置資訊等之規格係作為可變更之規格、變動參數而被設定。設備要素資訊之可變更之規格或可變更之變動參數較佳係作為該規格或該變動參數之可變更之範圍而被設定。又,亦可以追加、刪除、變更設備要素本身,換言之,以追加、刪除、變更設備要素資訊本身之方式來記述、修正被儲存於設備要素資訊儲存部32之資料,且於追加、變更設備要素之情形時,追加與其對應之設備要素之規格、或者變更為設備要素之規格並將設備要素資訊儲存於設備要素資訊儲存部32。亦即,所存在之設備要素及與其對應之設備要素資訊之定義本身亦作為可變更資訊或變動參數而被設定。又,較佳係對設備要素資訊中之全部或所需要之可變更之規格對應設定解析度,並將其儲存於設備要素資訊儲存部32(參照圖8)。
於作業要素資訊,設定有不依存於設備要素之資訊且與特定作業相關之適當規格,例如作為與生產特定之產品之作業相關之規格,而設定有作為作業要素之觸發條件之必要之零件數、作業完成後之
輸出目的地與所要輸出之零件數等。再者,於與作業要素資訊對應之特定作業,雖包含有生產特定之產品之一系列之作業之一部分或一系列之作業之整體,而可對應於設備要素之設備要素資訊之內容等,作為作業要素資訊而設定生產特定產品之一系列之作業之一部分或一系列之作業之整體,但較佳係作為生產特定之產品之一系列之作業之一部分。作業要素資訊之規格之一部分或全部係作為可變更之變動參數而被設定,例如作業完成後之輸出目的地等之規格係作為可變更之規格、變動參數而被設定。作業要素資訊之可變更之規格或可變更之變動參數,較佳係作為該規格或該變動參數之可變更之範圍而被設定。又,亦可以追加、刪除、變更作業要素本身,換言之,以作業要素資訊本身之方式來記述、修正被儲存於作業要素資訊儲存部33之資料,且於追加、變更作業要素之情形時,追加與其對應之作業要素之規格、或者變更為作業要素之規格並將作業要素資訊儲存於作業要素資訊儲存部33。亦即,作業要素及與其對應之作業要素資訊之定義本身亦作為可變更資訊或變動參數而被設定。又,較佳係對作業要素資訊中之全部或所需要之可變更之規格對應設定解析度,並將其儲存於作業要素資訊儲存部33(參照圖9)。再者,於整個生產步驟等之整個步驟中,於所有作業要素之作業要素資訊中,亦可包含有幾個例如,於最初之步驟之作業要素中,開始輸入相當於觸發條件者等之未被設定儲存觸發條件之作業要素之作業要素資訊。
被儲存於生產線模型儲存部34等之生產線模型係以將由設備要素之設備要素資訊、作業要素之作業要素資訊、及將該設備要素
與該作業要素建立關聯而得之聯結資訊所構成之構成要素加以組合所定義(參照圖10),而構成生產線模型之設備要素與作業要素之聯結資訊係以將設備要素與作業要素建立關聯之方式所設定。將設備要素與作業要素建立關聯所得之聯結資訊、或將設備要素與作業要素建立關聯所得之初始條件之聯結資訊,例如可藉由與生產設計支援程式協同動作之運算控制部2之控制,而由輸出部5之顯示器顯示既定之設定畫面,並依據該設定畫面中之來自輸入部4之輸入而設定,隨此,生產線模型會被生成並被儲存。於利用該設定畫面中之輸入來設定聯結資訊之情形時,若藉由顯示二維配置有設備要素之畫面、及構成生產程序、網路之作業要素被配置為網路之畫面,選擇2個畫面各自之要素並藉由建立關聯之指令之執行或拖放(Drag-and-drop)等來建立關聯,而將聯結資訊設為可輸入設定,便可將聯結設定設為直觀地且易於使用者,因而較佳。
又,作為另一構成例,可構成為:與生產設計支援程式協同動作之運算控制部2依據設定畫面中之來自輸入部4之輸入,作為基礎資料而使生產線模型儲存部34儲存作為構成要素而可設定聯結資訊之作業要素與設備要素之組合,並藉由來自輸入部4之「所有組合之生產線模型之生成」按鈕之指定輸入等,運算控制部2使用作為生產線模型儲存部34之構成要素之可設定聯結資訊之作業要素與設備要素之組合,僅對應於可作為生產線來執行之設備要素與作業要素之組合而生成以構成要素之組合所定義的複數個生產線模型,並使其儲存於生產線模型儲存部34或儲存部3之既定儲存區域。
於僅對應於可作為生產線來執行之設備要素與作業要素
之組合而生成以構成要素之組合所定義的生產線模型並儲存之情形時,被儲存於生產線模型儲存部34之生產線模型,較佳係對應於可作為由複數個工廠之聯合所執行之生產線、由單獨之整個工廠所執行之生產線、由單獨之工廠之一部分所執行之生產線來執行之設備要素與作業要素之組合而進行設定、儲存。
又,作為又一構成例,亦可構成為:與生產設計支援程式協同動作之運算控制部2依據設定畫面中之來自輸入部4之輸入,作為基礎資料而使生產線模型儲存部34儲存作為構成要素而可設定聯結資訊之作業要素與設備要素之組合,並藉由來自輸入部4之「聯結資訊之設定」或「問題空間之產生」等之既定輸入,運算控制部2使可變更之聯結資訊作為變動參數變動而進行設定,藉此生成生產線模型PL1、PL2、…等,並將所生成之生產線模型一次性或持續性地儲存於儲存部3之既定儲存區域。此時,較佳亦可構成為,例如僅生成或提取未產生會成為閒置設備之設備要素之組合之生產線模型等,生產設計支援裝置1或其運算控制部2僅生成或提取超過既定之生產性基準之生產線模型。於該構成例中,聯結資訊可變更,換言之,被建立關聯之設備要素與作業要素可變更。
儲存部3具備有儲存由問題空間生成部211所生成之問題空間(多維解空間)之問題空間儲存部35。與問題空間生成程式協同動作之運算控制部2之問題空間生成部211,根據被儲存於生產線模型儲存部34之1個或複數個生產線模型、或者包含作為構成要素而可設定聯結資訊之作業要素與設備要素之組合之生產線模型之基礎資料,來生
成並使問題空間儲存部35儲存與作為構成生產線模型之構成要素之設備要素資訊之可變更之規格之自變數的變動參數、及作為作業要素資訊之可變更之規格之自變數之變動參數之各者對應之次元軸所構成的問題空間;或者由與作為構成生產線模型之構成要素之設備要素資訊之可變更之規格之自變數的變動參數、作為作業要素資訊之可變更之規格之自變數之變動參數、及將設備要素和作業要素可變更地建立關聯所得之聯結資訊之自變數之變動參數之各者對應之次元軸所構成的問題空間。
儲存部3具備有學習資料儲存部36,該學習資料儲存部36儲存例如藉由包含運轉率提高、製造時間縮短等之資料之與生產線相關之資料所學習之學習完畢模型或學習模型的資料。該學習完畢模型或學習模型係由使用強化學習(Q學習、深度Q學習等)或集成學習等之機械學習、或深層學習等方法而進行人工智能之適當學習後的模型、或要進行學習之模型所構成。
與學習處理程式協同動作之運算控制部2之學習處理部212,藉由使用學習資料儲存部36之學習完畢模型或學習模型來執行利用人工智能之學習,將問題空間作為邊界條件,而對學習資料儲存部36之學習完畢模型進行修正、更新,或一邊生成修正、更新學習模型,一邊執行取得生產設計之最佳解或最佳解群之解析處理。例如,於學習處理部212中之人工智能之學習為強化學習之Q學習的情形時,根據針對與邊界條件之問題空間對應之生產線模型之模擬生產(Q學習之學習處理中之模擬生產)之結果所取得之評價值(Q值)來算出報酬,將該等積存於被稱為代理器之Q網路,並以所積存之累積報酬為基準,一邊修正、
更新學習完畢模型或學習模型,一邊執行取得生產設計之最佳解或最佳解群之解析處理。例如於學習處理部212中之人工智能之學習為深層強化學習之深度Q學習的情形時,使用利用由輸入層、中間層(卷積層、池化層)、全連接層、及輸出層所構成之多層構造之神經網路之卷積神經網路之深度學習,根據針對與邊界條件之問題空間對應之生產線模型之模擬生產(深度Q學習之學習處理中之模擬生產)的結果來算出報酬並加積存,並以所積存之累積報酬為基準,一邊生成修正、更新學習資料儲存部36之學習完畢模型或學習模型,一邊執行取得生產設計之最佳解或最佳解群之解析處理。再者,於藉由該等處理來取得由複數個最佳解所構成之最佳解群之情形時,例如可設為僅提取自所積存之累積報酬較高者起依序被設定儲存於儲存部3之設定個數之解,並作為該等之最佳解群而取得之處理等。又,利用前述之學習處理部212所進行之Q學習或深度Q學習之學習處理中之模擬生產的處理,亦可以對後述之模擬處理部213執行與模擬生產之處理相同之處理、或藉由例如不使既定之一部分變動參數變動等來執行將其簡易化之模擬生產之處理。
又,亦可構成為:使生產設計支援裝置1藉由來自輸入部4之輸入等,例如將成品之類別等資訊、及具有成品之生產順序、生產開始時日等之可變更之規格之生產計劃資訊儲存於問題空間生成程式儲存部311等之儲存部3之既定儲存區域,問題空間生成部211將生產計劃資訊之可變更之規格作為變動參數,來生成具有與生產計劃資訊之變動參數之各者對應之次元軸所構成之問題空間,學習處理部212將該問題空間作為邊界條件而執行學習處理。藉此,具有生產計劃資訊之
問題空間亦可作為學習處理之對象來處理,而可根據作為學習處理之結果之最佳解或最佳解群,來謀求生產計劃之可變更之規格、變動參數之最佳化,並且可謀求以適當之生產計劃為前提之生產計劃資訊、設備要素資訊、作業要素資訊、設備要素與作業要素之聯結資訊之各變動參數之最佳化。又,可生成與適當或特定之生產計劃對應之問題空間,來取得與其對應之非常準確之最佳解或最佳解群。
再者,於學習處理部212對問題空間執行學習處理之情形時,較佳雖設為使各變動參數變動以藉由針對每個既定數值範圍之各變動參數分別被對應設定之解析度所分割之粒度(細度)來執行學習處理、或者針對每個粒度使針對每個以既定之解析度所分割之每個粒度(細度)分別被設定儲存於儲存部3之既定儲存區域之數值的各變動參數變動而執行學習處理之構成,但亦可設為:對所有或複數個變動參數設定並應用相同之解析度,來執行學習處理。又,亦可設為:將根據過去被判斷為有效之值之基準值作為相對於所需要變動參數之基準值而儲存於問題空間儲存部35等之儲存部3的既定儲存區域,並且將對應於該基準值之解析度與以該基準值為中心之前後的數值範圍儲存於問題空間儲存部35等之儲存部3之既定儲存區域,當學習處理部212對具有該基準值之變動參數執行學習處理時,優先應用與該基準值對應之解析度、前後數值範圍,而執行利用相對於該變動參數以基準值之前後數值範圍所對應設定之解析度的運算處理。藉此,可藉由將過去所實施而被判斷為有效之值作為基準值來使用,而可作為探索問題空間時之有效的手段、線索來使用,而可一邊縮小由學習處理部212所要處理之問題
空間之範圍從而而削減處理量,一邊有效地得到最佳解、最佳解群。
儲存部3具有儲存由輸出部5之顯示器所要顯示之既定畫面之資料的畫面資料儲存部37、及利用與時刻對應而儲存各設備要素中之狀態變化之動作記錄之動作記錄資料庫38,更具備有儲存進行以下處理所必要之資料之區域:利用問題空間生成部211所進行之問題空間生成處理、利用學習處理部212所進行之學習處理、及利用模擬處理部213所進行之離散模擬之既定模擬處理。
與模擬處理程式協同動作之運算控制部2之模擬處理部213,係對基於離散地發生之現象連鎖之狀態推移模擬地進行運算處理者,而對於構成被儲存於問題空間儲存部35之作為問題空間之基礎之生產線模型之構成要素(將設備要素與作業要素建立關聯所得之聯結資訊、該設備要素之設備要素資訊、及該作業要素之作業要素資訊),以如下之方式來執行模擬處理:依據藉由聯結資訊而與設備要素被建立關聯之作業要素之作業要素資訊之觸發條件的滿足,設備要素執行作業並對作業要素之作業要素資訊之作業完成後之輸出目的地進行輸出。亦即,以觸發條件及作業完成後之輸出目的地作為作業要素之作業要素資訊被設定為前提,模擬處理部213依據藉由聯結資訊而與設備要素被建立關聯之作業要素之作業要素資訊之觸發條件的滿足,以該設備要素執行由該作業要素之作業要素資訊所規定之作業之方式來觸發該設備要素之動作,而對該作業要素資訊之輸出目的地輸出作業完成後之中間品並進行運算。
在該模擬處理部213之運算處理時,可設為以如下之方
式進行演算等:參照例如於運算中與設備要素被建立關聯之作業要素之作業要素資訊之觸發條件與輸出目的地,依據觸發條件之滿足觸發並輸出該設備要素之動作;或者在運算前使儲存部3作為設備要素的附加資訊而儲存與該設備要素被建立關聯之作業要素之作業要素資訊之觸發條件與輸出目的地,依據被設為附加資訊之作業要素資訊之觸發條件之滿足觸發並輸出該設備要素之動作。又,模擬處理部213對生產之模擬性之運算處理,對於包含作為問題空間之基礎之一個或複數個生產線模型的構成要素或作為該構成要素而可設定聯結資訊之作業要素與設備要素之組合之基礎資料,於可變更之範圍內且設定有解析度之情形時,就準確性之觀點而言雖較佳係依據解析度而使作為設備要素資訊之可變更之規格、或作業要素資訊之可變更之規格的各變動參數、或者使設備要素資訊之可變更之規格、作業要素資訊之可變更之規格、及將可變更之將設備要素與作業要素建立關聯所得之聯結資訊之各變動參數變動,而對於可執行之生產全面地執行模擬處理,但於問題空間之基礎存在有複數個生產線模型之情形時,則即便僅對應於一部分生產線模型來執行等之對應於問題空間之一部來執行,就運算處理之效率性與對應於模擬處理之目的之處理之效率性的觀點而言,仍較佳。
此外,作為設備要素之規格而將設備要素之位置資訊儲存於設備要素資訊儲存部32,於模擬處理部213之運算處理中,若以如下之方式模擬地進行處理,便可得到有考量到搬送時間之更正確之步驟之模擬結果而較佳:取得根據作為第1設備要素之位置資訊及第1設備要素之輸出目的地之第2設備要素之位置資訊之自第1設備要素至第
2設備要素之搬送時間,於自第1設備要素之作業完成時刻起經過搬送時間後之時刻,將第1設備要素之作業完成後之中間品輸出至第2設備要素。
該搬送時間之取得可設為:例如對儲存部3之既定區域儲存要規定生產工廠等之整個區域之座標系及設定速度,而於模擬處理部213之運算處理中,自第1設備要素之位置資訊、第2設備要素之位置資訊及設定速度運算取得搬送時間;或者利用既存之路徑推測技術,使用被儲存於儲存部3之既定區域之既定資料,而於模擬處理部213之運算處理中推測移動路徑,並根據該移動路徑來運算取得自第1設備要素至第2設備要素為止之搬送時間。
於利用第1實施形態之生產設計支援裝置1所進行之生產設計支援處理中,如圖2所示,使生產線模型儲存部34,作為以由將設備要素與作業要素建立關聯所得之聯結資訊、設備要素資訊及作業要素資訊所構成之構成要素之組合所定義之生產線模型之基礎資料,而儲存作為構成要素而可設定聯結資訊之作業要素與設備要素之組合(S11)。然後,與生產設計支援程式協同動作之運算控制部2,使用該基礎資料,來生成並儲存以由設備要素之設備要素資訊、作業要素之作業要素資訊、及將該設備要素與該作業要素建立關聯所得之聯結資訊所構成之構成要素之組合所定義的生產線模型(S12)。該處理例如可作為如下之處理等來執行:運算控制部2或問題空間生成部211僅對應於可於生產線執行之設備要素與作業要素之組合方式而生成並使生產線模型儲存部34等之儲存部3儲存複數個由構成要素之組合所定義的生產線
模型;或者藉由使可變更之聯結資訊作為變動參數變動來設定,而生成生產線模型,並將其一次性或持續地儲存於儲存部3之既定儲存區域。
於該處理之後或與該處理並行地,問題空間生成部211根據被儲存於生產線模型儲存部34之1個或複數個生產線模型、或包含作為構成要素而可設定聯結資訊之作業要素與設備要素之組合之生產線模型之基礎資料來生成並使問題空間儲存部35儲存由與作為構成生產線模型之構成要素之設備要素資訊之可變更之規格之自變數的變動參數、及作為作業要素資訊之可變更之規格之自變數之變動參數之各者對應之次元軸所構成的問題空間;或者由與作為構成生產線模型之構成要素之設備要素資訊之可變更之規格之自變數的變動參數、作為作業要素資訊之可變更之規格之自變數之變動參數、及將設備要素與作業要素可變更地建立關聯所得之聯結資訊之自變數之變動參數之各者對應之次元軸所構成的問題空間(S13)。此時,於對設備要素資訊、作業要素資訊中之全部或所需要之可變更之規格對應設定解析度且被儲存於設備要素資訊儲存部32、作業要素資訊儲存部33之情形時,生成作為附加資訊而具有設備要素資訊、作業要素資訊中之可變更之規格之解析度之問題空間,將解析度之附加資訊對應設定於對應之變動參數之次元軸並使問題空間儲存部35加以儲存。然後,學習處理部212將所生成之被儲存於問題空間儲存部35之問題空間作為邊界條件,一邊修正、更新學習完畢模型,一邊執行取得生產設計之最佳解或最佳解群之解析處理,並將所取得之最佳解或最佳解群儲存於儲存部3之既定儲存區域(S14)。運算控制部2將所取得之最佳解或最佳解群自輸出部5輸出而
對使用者提示(S15)。
又,模擬處理部213對於作為問題空間之基礎之一個或複數個生產線模型之構成要素,以如下之方式來執行模擬處理:依據藉由聯結資訊而與設備要素被建立關聯之作業要素之作業要素資訊之觸發條件的滿足,設備要素執行作業並對作業要素之上述作業要素資訊之作業完成後之輸出目的地進行輸出,來取得模擬處理之結果,並將其儲存於儲存部3之既定儲存區域(S16),而運算控制部2或模擬處理部213將與問題空間對應之模擬處理之結果自輸出部5輸出而對使用者提示(S17)。
根據第1實施形態,可不依靠資料科學家之人為的定義處理而容易地且準確地對通常未被定義之生產線之問題空間進行定義,而可藉由基於問題空間之利用人工智能之學習來得到更準確之最佳解或最佳解群。又,可高靈活性地且適當地對應而定義個別性較高之生產線之問題空間,通用性優異。例如,因為可無關於設備要素之能力、數量而獨立於設備要素資訊地設定不變之作業要素之作業要素資訊,並動態地設定所期望之聯結資訊使其聯合而構成構成要素,所以即便於設備要素之數量不同之情形時,亦可容易地且靈活地設定承擔作業之設備要素、構成要素,並使其反映至問題空間。
又,可涵蓋在複數個工廠聯合地被執行之生產線、在單獨之整個工廠被執行之生產線、或在單獨之工廠之一部分被執行之生產線等,可在生產線被執行之生產線模型來設定問題空間,而可在考量到多樣之可能性或所有之可能性更準確地定義相對於生產線之問題空間,從
而可藉由基於問題空間之利用人工智能之學習來得到更準確之最佳解或最佳解群。又,可藉由在考量到多樣之可能性或所有可能性之內容,來設定非常準確地反映出生產線之個別性之問題空間。例如,對於構成構成要素之設備要素資訊、作業要素資訊,可設定各種可變更之規格、變動參數(設備之數量、設備之能力、要素作業之時間、與該作業相關之作業人員之數量等),而可設定非常準確地反映出對象生產線之個別性之問題空間。又,於將聯結資訊作為變動參數來生成問題空間之情形時,例如亦可設定僅與超過既定生產性基準之生產線模型對應之聯結資訊,而在生成、設定問題空間等之取得最佳解、最佳解群時,生成、設定效率性較高之問題空間。
又,藉由生成作為附加資訊而具有設備要素資訊、作業要素資訊中可變更之規格之解析度之問題空間,可減少取得最佳解、最佳解群之運算處理量,並且可避免在取得最佳解、最佳解群時所進行之不必要、無用之運算處理。又,可處理「因為黑箱化(最終解不清楚是以哪種背景所導出)而難以接受該結果」之問題,而可使使用者經由模擬結果來理解最佳解群提取的根據,提供使用者充分之判斷材料,而使使用者可以自身所擁有之確定的判斷基準來決定最終之最佳解。
本發明之第2實施形態之生產設計支援裝置1之基本構成雖與第1實施形態相同(參照圖1),但與學習處理程式協同動作之運算控制部2之學習處理部212,使用與第1實施形態相同之深度Q學習等之適當之
利用人工智能之學習技術,將基於一個或複數個生產線模型之問題空間作為邊界條件,一邊學習完畢模型進行修正、更新,一邊執行取得作為生產設計之解答之候補群組之最佳解群的解析處理,來取得最佳解群。該學習處理部212取得由複數個最佳解所構成之最佳解群之處理,基本上進行與第1實施形態相同之學習處理的運算,例如藉由僅提取自所積存之累積報酬較高者起依序被設定儲存於儲存部3之設定個數之解答,或者提取所積存之累積報酬會超過被設定儲存於儲存部3之閾值之解答,而將該等作為最佳解群來取得。此外,學習處理部212基本上與第1實施形態相同之學習處理之運算,將問題空間設為邊界條件且將模擬處理結果設為追加條件,來執行取得縮小範圍之最佳解或縮小範圍之最佳解群之處理。
於利用第2實施形態之生產設計支援裝置1所進行之生產設計支援處理中,如圖3所示,與生產設計支援程式協同動作之運算控制部2生成並儲存問題空間,將問題空間設為邊界條件而執行取得作為生產設計之解答之候補群組之最佳解群之解析處理,將其儲存於儲存部3之既定儲存區域(S21),並進行對使用者提示所取得之最佳解群之處理(S22)。到此為此之利用運算控制部2所進行之生產設計支援處理係藉由與第1實施形態相同之處理進行,而成為其前提之硬體資源之構成亦與第1實施形態相同。
又,模擬處理部213與第1實施形態之模擬處理相同地,對於作為問題空間之基礎之一個或複數個生產線模型之構成要素,以如下之方式執行模擬處理:依據藉由聯結資訊與設備要素被建立關聯之作
業要素之作業要素資訊之觸發條件的滿足,設備要素執行作業並對作業要素之上述作業要素資訊之作業完成後之輸出目的地進行輸出,來取得模擬處理之結果,並將其儲存於儲存部3之既定儲存區域(S23),而運算控制部2或模擬處理部213將與問題空間對應之模擬處理之結果自輸出部5輸出而對使用者提示(S24)。再者,成為該模擬處理之前提之硬體資源之構成亦與第1實施形態相同。
其後,學習處理部212將問題空間設為邊界條件且依據與模擬處理結果對應之追加條件,一邊對學習完畢模型或學習完畢模型進行修正、更新,一邊執行取得縮小範圍之最佳解或縮小範圍之最佳解群之處理,將其儲存於儲存部3之既定儲存區域(S25)。運算控制部2將所取得之縮小範圍之最佳解或縮小範圍之最佳解群自輸出部5輸出而對使用者提示(S26)。與該模擬處理結果對應之追加條件,較佳雖例如可根據模擬處理結果,並藉由來自輸入部4之輸入等來設定於生產設計支援裝置1之儲存部3之既定儲存區域,但亦可為;事先將有上限與下限閾值、或每單位時間之上限與下限閾值設定於生產設計支援裝置1之儲存部3之既定儲存區域設定,而在與生產設計支援裝置1之生產設計支援程式協同動作之運算控制部2超過或低於該閾值之設備運轉率、中間庫存之變動、中間庫存之變動之時間推移等之指標藉由模擬處理結果所檢測出之情形時,作為追加條件而設定該指標在閾值以內之情形等,而生產設計支援裝置1之運算控制部2自動地設定與模擬處理結果對應之追加條件。於自動地設定追加條件之情形時,較佳亦可省略對使用者之最佳解群及模擬處理結果之提示、或對使用者之模擬處理結果之提示。再
者,運算取得由複數個縮小範圍之最佳解所構成之縮小範圍之最佳解群並進行提示之處理及成為其前提之硬體構成,可使用與運算取得最佳解群並進行提示之處理及成為其前提之硬體構成對應之學習處理、構成。又,縮小範圍之最佳解、縮小範圍之最佳解群既可為不存在與模擬處理結果對應之追加條件時之最佳解群中的解答,亦可為其一部分或全部為最佳解群之外側的解答。
根據第2實施形態,可自與第1實施形態對應之構成得到對應之效果,並且彌補人工智能之學習處理部212之精度,而獲得精度更高之縮小範圍之最佳解或縮小範圍之最佳解群。又,於進行學習處理之情形時,利用考量到作業要素資訊之觸發條件之滿足等之生產條件之生產模擬、模擬處理而假想地實現實際上未實施之生產活動,藉此可重新地學習與生產相關之沒有實績之條件。又,於機械學習、強化學習、深層強化學習中,在要導出解答之候補群組之情形時使用經驗值或評價值,並根據以經驗值或評價值為基礎之執行結果(輸出)來導出解答之候補群組,而該等資訊雖未分析性地反映出生產線上之複雜之動作(物品之流程或各種生產條件等),但藉由學習處理部212將問題空間設為邊界條件且佔據與模擬處理結果對應之追加條件來取得縮小範圍之最佳解或縮小範圍之最佳解群,可重新評價生產線之構成或內部之動作,而可提高精度從而獲得值得信賴之縮小範圍之最佳解或縮小範圍之最佳解群。
本發明之第3實施形態之生產設計支援裝置1之基本構成與第1實施形態相同,但如圖4所示,生產設計支援程式係由問題空間生成程式、學習處理程式、模擬處理程式及特性條件取得程式所構成,且分別被貯存於以功能被區分之生產設計支援程式儲存部31之問題空間生成程式儲存部311、學習處理程式儲存部312、模擬處理程式儲存部313、及特性條件取得程式儲存部314,並且於儲存部3設置有特性條件儲存部39。再者,亦可由問題空間生成程式、模擬處理程式及特性條件取得程式來構成生產設計支援程式,且與不同於該生產設計支援程式之學習處理程式併用,來執行本發明之生產設計支援之處理。
運算控制部2依照生產設計支援程式儲存部31之生產設計支援程式來執行既定處理。第3實施形態之運算控制部2可執行與第1實施形態相同之處理,並且依照特性產生程式來執行作為特性條件取得部214之既定處理。而且,模擬處理部213對於作為與問題空間之至少一部分對應之問題空間之基礎之一個或複數個生產線模型的構成要素,以如下之方式執行模擬處理:依據藉由聯結資訊與設備要素被建立關聯之作業要素之作業要素資訊之觸發條件的滿足,設備要素執行作業並對作業要素之上述作業要素資訊之作業完成後之輸出目的地進行輸出,來取得模擬處理之結果,並將模擬處理結果儲存於儲存部3之既定儲存區域。再者,於該模擬處理中,亦可為,例如將設備要素資訊之可變更之規格、作業要素資訊之可變更之規格中之任意變動參數設為固定狀態,並使剩餘之變動參數變動而執行模擬處理等,來對問題空間之部分區域執行模擬處理。
此外,與特性條件取得程式協同動作之運算控制部2之特性條件取得部214根據與問題空間之至少一部分對應的模擬處理之結果,來生成並使特性條件儲存部39儲存問題空間之特性條件。在基於模擬處理之結果之問題空間之特性的生成時,可設為如下之構成等:例如於生產設計支援裝置1之儲存部3之既定儲存區域事先設定上限與下限閾值、或每單位時間之上限與下限閾值,並於特性條件取得部214超過或低於該閾值之設備運轉率、中間庫存之變動、及中間庫存之變動之時間推移等之指標藉由模擬處理之結果所檢測出之情形時,將該指標在閾值以內之情形設為特性條件來取得,並將其儲存於特性條件儲存部39。
又,作為另一例,亦可設為如下之構成等:例如於生產設計支援裝置1之儲存部3之既定儲存區域事先設定相對於模擬處理之結果之所需指標的差異度或變動率之閾值範圍,並藉由模擬處理部213來取得階段性地變更設備要素資訊之可變更之規格或作業要素資訊之可變更之規格之變動參數後的複數個模擬處理之結果,而特性條件取得部214取得複數個模擬處理結果中中間庫存之變動之時間推移之曲線圖之差異度等所需指標之差異度或變動率成為閾值以內,且變動參數之數值最接近之2個分別與模擬處理結果對應之變動參數的組合,將該2個變動參數之組合之變動參數之值之差異設為各個變動參數之解析度的特性條件來取得,將其設定儲存於特性條件儲存部39,並將解析度之特性條件設為問題空間之附加資訊。又,亦可視需要而構成為:將基於模擬處理之結果之前述之各特性條件等所必要之特性條件自輸入部4輸入,
特性條件取得部214辨識並取得所輸入之特性條件,並使特性條件儲存部39儲存該特性條件。
與學習處理程式協同動作之運算控制部2之學習處理部212,藉由使用學習資料儲存部36之學習完畢模型來執行人工智能之學習,而將問題空間設為邊界條件且依據特性條件,一邊對學習資料儲存部36之學習完畢模型或學習完畢模型進行修正、更新,一邊執行取得生產設計之最佳解或最佳解群之解析處理。學習處理部212除了依據特性條件而執行解析處理以外,執行與第1實施形態相同之處理。
於利用第3實施形態之生產設計支援裝置1所進行之生產設計支援處理中,如圖5所示,進行與第1、第2實施形態相同之處理,問題空間生成部211生成並使問題空間儲存部35儲存於問題空間(S31)。而且,模擬處理部213對於作為與問題空間之至少一部分對應之問題空間之基礎之一個或複數個生產線模型的構成要素,以如下之方式執行模擬處理:依據藉由聯結資訊與設備要素被建立關聯之作業要素之作業要素資訊之觸發條件的滿足,設備要素執行作業並對作業要素之上述作業要素資訊之作業完成後之輸出目的地進行輸出,來取得模擬處理之結果,並將模擬處理之結果儲存於儲存部3之既定儲存區域(S32)。該模擬處理之方法可藉由與第1實施形態相同之處理來執行。
其後,特性條件取得部214根據與問題空間之至少一部分對應之模擬處理之結果來取得問題空間的特性條件,並使特性條件儲存部39加以儲存(S33)。然後,學習處理部212將問題空間設為邊界條件一邊且依據特性條件對學習資料儲存部36之學習完畢模型進行修正、
更新,一邊執行取得生產設計之最佳解或最佳解群之解析處理,並將所取得之最佳解或最佳解群儲存於儲存部3之既定儲存區域(S34)。取得最佳解群之處理,可執行與第1實施形態相同之處理。此外,運算控制部2將所取得之最佳解或最佳解群自輸出部5輸出而對使用者提示(S35)。
根據第3實施形態,可自與第1實施形態對應之構成得到對應之效果,並且事先藉由生產模擬來分析問題空間之框架,將學習處理部212之解析處理之條件設為更佳者,而可提高利用人工智能之學習之效率及準確性。又,於機械學習、強化學習、深層強化學習中,在要導出解答之候補或解答之候補群組之情形時使用經驗值或評價值,並根據以經驗值或評價值為基礎之執行結果(輸出)來導出解答之候補群組,而該等資訊雖未分析性地反映出生產線上之複雜之動作(物品之流程或各種生產條件等),但藉由學習處理部212將問題空間及利用模擬處理所得之問題空間之特性設為條件來取得最佳解或最佳解群,可重新評價生產線之構成或內部之動作,而可提高最佳解或最佳解群之精度從而獲得值得信賴之最佳解或最佳解群。
其次,對將第1實施形態之生產設計支援裝置1應用於將高壓氣體容器作為產品來製造之生產步驟、生產作業之實施例進行說明。如圖6所示,於實施例中,高壓氣體容器係固接本體(Body)與兩側之側部
(Side)所構成,完成高壓氣體容器之生產步驟之順序,係於分別鍛造本體(Body)與兩側之側部(Side)之後,將本體(Body)與兩側之側部(Side)熔接,並於實施耐壓檢查之後進行塗裝。
於該生產中之生產步驟、生產要素中,設備要素與作業要素如圖7般定義。亦即,對設備要素A~C定義各鍛造機,對設備要素D、E定義各熔接機,對設備要素F、G定義各耐壓檢查機,而對設備要素H定義塗裝機,並且對作業要素WE1定義本體(Body)鍛造步驟,對作業要素WE2定義側部(Side)鍛造步驟,對作業要素WE3定義熔接步驟,對作業要素WE4定義耐壓檢查步驟,而對作業要素WE5定義塗裝步驟。再者,於圖7中,示意性地顯示工廠配置中之作為各設備要素之站之位置及通路(圖示之虛線)。
於生產設計支援裝置1中,藉由來自輸入部4之輸入等,針對每個設備要素分別使設備要素資訊儲存部32儲存作為設備要素之規格之設備要素資訊。本實施例之設備要素資訊之規格中之一部分被設為可變更之規格、變動參數,可變更之設備要素資訊之規格、變動參數作為可變更之範圍而被設定,並被儲存於設備要素資訊儲存部32。再者,可視需要將設備要素資訊之所有規格設為可變更之規格、變動參數,而且可將與設備要素對應之設備要素資訊本身之存在設為變更對象。
於圖8中,顯示被設定於各設備要素且被儲存於設備要素資訊儲存部32之設備要素資訊之例子。於該例子中,對各設備要素,作為設備要素資訊而設定有作為固定值之各產品個別之週期時間CT[min]、作為變動參數之工廠配置之座標系中之位置座標、作為固定
值之供設備要素佔有之縱橫之大小、作為變動參數之設備要素之零件緩衝區之零件之可收容量、及作為變動參數之利用設備要素來承擔作業之作業人員數等。於設備要素係必要之複數個類別之零件者之情形時,零件緩衝區之可收容量可針對每個零件類別個別地設定。於圖8之設備要素A之例子中,位置座標之X座標被設為可於Xa1-Xa2之範圍內變更,Y座標被設為可於Ya1-Ya2之範圍內變更,零件緩衝區之零件之可收容量被設為可於Va1-Va2之範圍內變更,利用設備要素來承擔作業之作業人員數被設為可於Ha1-Ha2之範圍內變更。
於圖8中,對於可變更之規格、變動參數,於可變更之範圍內所應用之解析度、分割數被設定於設備要素資訊儲存部32,例如設備要素A之位置座標之X座標於Xa1-Xa2之可變更之範圍內,會針對每個所應用之解析度、分割數XRa變動,設備要素A之位置座標之Y座標於Ya1-Ya2之可變更之範圍內,會針對每個所應用之解析度、分割數YRa變動,設備要素A之零件之可收容量於Va1-Va2之可變更之範圍內,會針對每個所應用之解析度、分割數VRa變動,而承擔設備要素A之作業之作業人員數於Ha1-Ha2之可變更之範圍內,會針對每個所應用之解析度、分割數HRa變動。假設於設備要素A之XRa、YRa、VRa、HRa之解析度全部為既定數之「1」的情形時,設備要素A之位置座標之X座標於Xa1-Xa2之可變更之範圍內會每隔「1」變動,設備要素A之位置座標之Y座標於Ya1-Ya2之可變更之範圍內會每隔「1」變動,設備要素A之零件之可收容量於Va1-Va2之可變更之範圍內會每隔「1」變動,而承擔設備要素A之作業之作業人員數於Ha1-Ha2之
可變更之範圍內會每隔「1」變動,而執行生產設計支援裝置1或運算控制部2之運算處理。該解析度之既定數例如視需要而與設備要素A之零件之可收容量(可收容個數)、承擔設備要素A之作業之作業人員數等、規格、變動參數之內容對應並以整數值所設定。再者,被應用於設備要素資訊中之所必要之變動參數之解析度、分割數,亦可設定為既定數值範圍,而應用自該數值範圍中所指定之數值之解析度、分割數,而且亦可設定為每既定間隔之數值範圍,而應用自該數值範圍中所指定之數值之解析度、分割數或者應用每既定間隔之所有數值來作為解析度,而執行生產設計支援裝置1或運算控制部2之運算處理。
於生產設計支援裝置1中,藉由來自輸入部4之輸入等,針對每個作業要素,分別使作業要素資訊儲存部33儲存作為作業要素之規格之作業要素資訊。本實施例之作業要素資訊之規格中之一部分被設為可變更之規格、變動參數,而可變更之作業要素資訊之規格、變動參數作為可變更之範圍而被設定,並被儲存於作業要素資訊儲存部33。再者,可視需要將作業要素資訊之所有規格設為可變更之規格、變動參數,而且可將與作業要素對應之作業要素資訊本身之存在設為變更對象。
於圖9中,顯示被設定於各作業要素且被儲存於作業要素資訊儲存部33之作業要素資訊之例子。於該例子中,對各作業要素,作為作業要素資訊而設定有:作為固定值或固定資料之作業要素之必要之零件之類別;各必要零件之必要數量;及各必要零件之單價、作為固定值或固定資料之作業要素之輸出目的地、作為固定值或固定資料之作
業要素之輸出品之類別、作為可變更之規格、變動參數之作業要素之輸出品之數量等。於成為最初之作業步驟之作業要素WE1、WE2中,不設定作業要素之觸發條件、或者設定金屬材等零件we0等之作業要素之觸發條件,而對與最初之作業步驟以外之下一步驟之作業步驟對應之作業要素WE3、WE4、WE5設定作業要素之觸發條件。圖9之例子之與下一步驟之作業步驟對應之作業要素WE3、WE4、WE5之作業要素之觸發條件,對應於作為變動參數之作業要素WE3、WE4、WE5之輸出品的數量而成為必要之零件之類別及數量,該必要之零件之數量係作為從屬於作業要素WE3、WE4、WE5之輸出品之數量的變動參數而被設定。於圖9之作業要素WE3之例子中,作為變動參數之輸出品之零件we3之數量被設為可於N31-N32個之範圍內變更,從屬於其之作業要素WE3之觸發條件之必要之零件we1之數量及必要之零件we2之數量分別可於N31-N32、2(N31-N32)之範圍內變更。又,於圖9之作業要素WE5之例子中,成品之輸出品數量雖為N51個之固定值,而其所必要之零件we4之數量為從屬於輸出品數量N51個之N51個,但亦可為:成品之輸出品數量亦設為變動參數,而將其所必要之零件數設為從屬於變動參數之成品之輸出品數量的變動參數。
於圖9中,對於可變更之規格、變動參數,於可變更之範圍內所應用之解析度、分割數被設定於作業要素資訊儲存部33,例如作業要素WE3之輸出品之數量於N31-N32之可變更之範圍內,會針對每個所應用之解析度、分割數NR3變動。假設於作業要素WE1~WE4之解析度NR1~NR4全部為既定數之「1」之情形時,各作業要素WE1、
WE2、WE3、WE4之輸出品之數量分別於N11-N12、N21-N22、N31-N32、N41-N42之可變更之範圍內會每隔「1」變動,而執行生產設計支援裝置1或運算控制部2之運算處理。該解析度之既定數視需要而與規格、變動參數之內容對應並以整數值所設定。再者,被應用於作業要素資訊中之所必要之變動參數之解析度、分割數,亦可設定為既定數值範圍,而應用自該數值範圍中所指定之數值之解析度、分割數,而且亦可設定為每既定間隔之數值範圍,而應用自該數值範圍中所指定之數值之解析度、分割數或者應用每既定間隔之所有數值來作為解析度,而執行生產設計支援裝置1或運算控制部2之運算處理。
此外,於生產設計支援裝置1中,例如藉由來自輸入部4之「所有組合之生產線模型之產生」按鈕之指定輸入等,運算控制部2僅對應於可於生產線執行之設備要素與作業要素之組合而生成並使生產線模型儲存部34儲存由構成要素之組合定義的複數個生產線模型。再者,亦可依據來自輸入部4之設備要素與作業要素之聯結資訊的設定輸入,生產設計支援裝置1之運算控制部2僅生成並使生產線模型儲存部34等儲存所需要之一個或複數個生產線模型。
於圖10中,顯示被儲存於生產線模型儲存部34之生產線模型之例子。於生產線模型儲存部34儲存有作為構成要素而可設定聯結資訊之作業要素與設備要素之組合。而且,被儲存於生產線模型儲存部34之生產線模型,係將由設備要素之設備要素資訊、作業要素之作業要素資訊、及將該設備要素與該作業要素建立關聯所得之聯結資訊所構成之構成要素加以組合所定義。於圖10之例子中,設定有可在與
對應於圖7之整個工廠執行之生產線對應之所有生產線模型PL1、PL2、…,並使生產線模型儲存部34加以儲存。
又,亦可設為如下之構成以取代上述圖10之生產線模型之構成例,將圖10(a)之作為構成要素而可設定聯結資訊之作業要素與設備要素之組合,作為以由將設備要素與作業要素建立關聯所得之聯結資訊、設備要素資訊及作業要素資訊所構成之構成要素之組合所定義的生產線模型之基礎資料而儲存於生產線模型儲存部34,生產設計支援裝置1或運算控制部2將可變更之聯結資訊作為變動參數使其變動而設定,藉此生成生產線模型PL1、PL2、…等,並將其一次性地或持續地儲存於儲存部3之既定儲存區域。於該情形時,亦可構成為:例如僅生成或提取未產生成為閒置設備之設備要素之組合之生產線模型等,而生產設計支援裝置1或其運算控制部2僅生成或提取超過既定之生產性基準之生產線模型。
而且,問題空間生成部211根據被儲存於生產線模型儲存部34之1個或複數個生產線模型、或包含作為構成要素而可設定聯結資訊之作業要素與設備要素之組合之生產線模型之基礎資料,來生成並使問題空間儲存部35儲存由與作為構成生產線模型之構成要素之設備要素資訊之可變更之規格之自變數的變動參數、及作為作業要素資訊之可變更之規格之自變數之變動參數之各者對應之次元軸所構成的問題空間、或者由與作為構成生產線模型之構成要素之設備要素資訊之可變更之規格之自變數的變動參數、作為作業要素資訊之可變更之規格之自變數之變動參數、及將設備要素和作業要素可變更地建立關聯所得之
聯結資訊之自變數之變動參數之各者對應之次元軸所構成的問題空間。
於圖8至圖10之例子中,生成並使問題空間儲存部35儲存由與作為作業要素資訊之可變更之規格之工廠佈局之座標系中的位置座標、設備要素之零件緩衝區之零件之可收容量、藉設備要素來承擔作業之作業人員數等之自變數之變動參數、及作為作業要素資訊之可變更之規格之作業要素之輸出品之數量等之自變數之變動參數之各者對應的次元軸所構成之問題空間,或者生成並使問題空間儲存部35儲存由與作業要素資訊之可變更之規格之工廠配置之座標系中的位置座標、設備要素之零件緩衝區之零件之可收容量、藉由設備要素來承擔作業之作業人員數等之自變數之變動參數、作為作業要素資訊之可變更之規格之作業要素之輸出品之數量等之自變數之變動參數、及作為將設備要素和作業要素可變更地建立關聯所得之聯結資訊之自變數之變動參數之各者對應的次元軸所構成之問題空間。此時,解析度對應設定於對設備要素資訊、作業要素資訊中之全部或所需要之可變更之規格且被儲存於設備要素資訊儲存部32、作業要素資訊儲存部33之情形時,生成作為附加資訊而具有設備要素資訊、作業要素資訊中之可變更之規格之解析度之問題空間,將解析度之附加資訊對應設定於對應之變動參數之次元軸並使問題空間儲存部35加以儲存(參照圖11)。
其後,學習處理部212將生成且被儲存於問題空間儲存部35之問題空間設為邊界條件,一邊對學習完畢模型或學習模型進行修正、更新,一邊執行取得生產設計之最佳解或最佳解群之解析處理,而且與生產設計支援程式協同動作之運算控制部2,將所取得之最佳解
或最佳解群自輸出部5輸出並對使用者提示。本實施例之學習處理部212例如以材料庫存或庫存缺乏之程度成為累積報酬之多寡之程度的方式來進行解析處理,而且例如除此以外,以與個別接單對應之準時交貨率及生產線之運轉率之程度成為累積報酬之多寡之程度的方式來進行解析處理,並對於成品N51個之製造,執行以下之處理:運算而取得生產線模型與該生產線模型中各變動參數之值之組合的庫存成本,且作為最佳解群而取得被設定於儲存部3之既定儲存區域之既定個數等之庫存成本更低之上位的複數個該組合;或者運算而取得生產線模型與該生產線模型中各變動參數之值之組合之庫存成本,且與被儲存於儲存部3之既定儲存區域之閾值進行比較,作為最佳解群而取得庫存成本低於閾值之庫存成本之複數個該組合;或者運算而取得生產線模型與該生產線模型中各變動參數之值的組合之庫存成本,且作為最佳解而取得庫存成本最低之該組合。然後,運算控制部2例如以如圖12般之內容,將取得之最佳解或最佳解群自輸出部5輸出而對使用者提示。
又,模擬處理部213對於作為問題空間之基礎之一個或複數個生產線模型之構成要素,以如下之方式來執行模擬處理,而取得模擬處理之結果:依據藉由聯結資訊與設備要素被建立關聯之作業要素之作業要素資訊之觸發條件的滿足,設備要素執行作業並對作業要素之上述作業要素資訊之作業完成後之輸出目的地進行輸出,而取得模擬處理之結果,而且與生產設計支援程式協同動作之運算控制部2或模擬處理部213,會將與問題空間對應之模擬處理之結果自輸出部5輸出而對使用者提示。本實施例之模擬處理部213例如相對於圖12之生產線模
型PL3及該生產線模型PL3中各變動參數之值之組合、或生產線模型PL4及該生產線模型PL4中各變動參數之值之組合、或在圖12所提取出之組合,對於藉由來自輸入部4之輸入等而將設備要素資訊之變動參數或作業要素資訊之變動參數或該二者變更為既定值之組合,如專利文獻1,以如下之方式執行模擬處理:依據藉由聯結資訊與各設備要素被建立關聯之作業要素之作業要素資訊之觸發條件的滿足,利用各設備要素且所需要之零件來執行作業,並作為該設備要素之處理結果,而將經加工之作業成品輸出至作業要素之上述作業要素資訊之作業完成後之輸出目的地。
於該模擬處理之運算中,例如以如下之方式模擬並進行運算處理:將藉由設備要素A(鍛造機)所鍛造之零件we1即本體(Body)貯存於設備要素D、E(熔接機)之零件緩衝區,將藉由設備要素B、C(鍛造機)所鍛造之零件we2即側部(Side)貯存於設備要素D、E(熔接機)之零件緩衝區,而以於設備要素D(熔接機)或設備要素E(熔接機)之觸發條件被滿足之時刻(零件we2即2個側部及零件we1之1個本體被貯存於零件緩衝區之時刻)消耗所需要零件(零件we2之2個側部及零件we1即1個本體)之方式,設備要素D(熔接機)或設備要素E(熔接機)執行作業(熔接作業)而生成將側部(Side)與本體(Body)被熔接而成之中間品(零件we3),並將該中間品(零件we3、產生品)輸出至被定義為下一步驟之設備要素F、G(耐壓檢查機)。再者,於在同一作業要素中設定有複數個設備要素之情形時,個別地判斷各設備要素中之各個觸發條件,例如以優先輸出至各設備要素之零件之可收容量(零件緩衝區)之空容量較
大者之方式來進行處理,並自達到觸發條件之設備要素起運轉而輸出。藉由以各設備要素並列地執行如此之處理之方式來進行運算,而可模擬生產。
而且,於該模擬處理之運算中,藉由將各設備要素中之狀態變化與自模擬開始時刻起之經過時刻等之時刻對應並記錄於動作記錄資料庫38,而可進行各種分析。於本例子中,例如將以下之時刻等對應於各自之狀態而記錄、貯存於動作記錄資料庫38:藉由設備要素A(鍛造機)所鍛造之零件we1即本體(Body)被貯存於設備要素D、E(熔接機)之零件緩衝區之時刻、藉由設備要素B、C(鍛造機)所鍛造之零件we2即側部(Side)被貯存於設備要素D、E(熔接機)之零件緩衝區之時刻、設備要素D(熔接機)或設備要素E(熔接機)消耗兩個零件we2(側部)及1個零件we1(本體)並開始零件we3(中間品)之生成之時刻;以及設備要素D(熔接機)或設備要素E(熔接機)完成零件we3(中間品)之生成之時刻。圖13顯示將被記錄於動作記錄資料庫38之記錄之中間庫存之時間推移加以曲線圖化者。該圖13之曲線圖相當於與生產設計支援程式協同動作之運算控制部2或模擬處理部213作為與問題空間對應之模擬處理之結果而自輸出部5輸出而對使用者提示之內容。藉此,可對於隨著時間經過之、時間性之推移,掌握各設備要素所要保持之零件緩衝區中之零件數、即中間庫存之隨著時間經過之、時間性之推移,而且作為另一例,該記錄之各設備要素之運轉率等之時間性之推移亦可藉由相同之曲線圖化來掌握。
如此,對使用者提示基於學習處理之最佳解或最佳解群,
並且對使用者提示與問題空間對應之模擬處理之結果,藉此例如對於基於學習處理之庫存成本減少之解答,使用者可明確地掌握相關之庫存狀態、庫存推移。亦即,可消除基於人工智能之學習處理之解答之黑箱化,並對於該解答而對使用者提供充分之判斷材料。
其次,對將第2實施形態之生產設計支援裝置1應用於將高壓氣體容器作為產品來製造之生產步驟的實施例進行說明。該實施例基本上與圖6至圖13所示之第1實施形態之實施例相同。亦即,根據與第1實施形態之實施例相同之構成及處理,學習處理部212將所生成且被儲存於問題空間儲存部35之問題空間設為邊界條件,一邊對學習完畢模型進行修正、更新,一邊執行取得生產設計之最佳解群之解析處理,並將所取得之最佳解群自輸出部5輸出而對使用者提示,並且模擬處理部213對於作為問題空間之基礎之一個或複數個生產線模型之構成要素,以如下之方式來執行模擬處理:依藉由聯結資訊與設備要素被建立關聯之作業要素之作業要素資訊之觸發條件的滿足,設備要素執行作業,且輸出至作業要素之上述作業要素資訊之作業完成後之輸出目的地進行輸出;而取得模擬處理之結果,並將與問題空間對應之模擬處理之結果自輸出部5輸出而對使用者提示。
而且,於模擬處理結果為例如在有零件we1之中間庫存之隨著時間經過之變動較大之生產線模型及該生產線模型中各變動參數之值之組合存在的情形時,為了抑制與運轉資金之急增對應之庫存之
急增,藉由來自輸入部4之輸入等,對包含零件we1或零件we1之複數個零件設定每固定期間、每固定時間之庫存變動率之上限的閾值,並將其設定儲存於生產設計支援裝置1之儲存部3之既定儲存區域。該閾值相當於與模擬處理之結果對應之追加條件。學習處理部212將被儲存於問題空間儲存部35之問題空間設為邊界條件,且依據與模擬處理之結果對應之追加條件,來執行取得基於低於每固定期間、每固定時間之庫存變動率之上限之閾值之生產線模型與該生產線模型中各變動參數之值的組合之縮小範圍之最佳解或縮小範圍之最佳解群之處理。此時,藉由與模擬處理之結果對應之追加條件,多維解空間之問題空間中之壓縮空間α,會成為在取得縮小範圍之最佳解或縮小範圍之最佳解群之處理時之實質的問題空間或實質的邊界條件(參照圖14)。學習處理部212例如藉由圖12之生產線模型PL3與該生產線模型PL3中各變動參數之值的組合等之內容,對使用者提示所取得之縮小範圍之最佳解或縮小範圍之最佳解群。
藉此,可重新評價生產線之構成與內部之動作,彌補人工智能之學習處理部212之精度,來得到精度更高之縮小範圍之最佳解或縮小範圍之最佳解群。
其次,對將第3實施形態之生產設計支援裝置1應用於將高壓氣體容器作為產品來製造之生產步驟的實施例進行說明。該實施例基本上係與圖6至圖11所示之第1實施形態之實施例對應之內容,在問題空間
生成部211生成並使問題空間儲存部35儲存問題空間之前,執行與第1實施形態之實施例相同之處理。
而且,模擬處理部213對於作為與問題空間之一部分對應之問題空間之基礎之生產線模型之構成要素,以如下之方式來執行模擬處理:依據藉由聯結資訊與設備要素被建立關聯之作業要素之作業要素資訊之觸發條件的滿足,設備要素執行作業並對作業要素之上述作業要素資訊之作業完成後之輸出目的地進行輸出;而取得模擬處理之結果,並將模擬處理結果儲存於儲存部3之既定儲存區域。
此外,在對於零件we1、…等之中間零件將每固定期間、每固定時間之庫存變動率之上限閾值設定於生產設計支援裝置1之儲存部3之既定儲存區域之狀態下,特性條件取得部214檢測出超過該閾值之中間庫存之庫存變動率之情形時,作為特性條件而取得零件we1等之相應之零件之庫存變動率在閾值以內之情形,並將其儲存於特性條件儲存部39(參照圖13)。
或者,作為另一例,以所需要之設備要素資訊之可變更之規格在圖8之設備要素資訊之例子中解析度未被設定的例子、所需要之作業要素資訊之可變更之規格在圖9之作業要素資訊之例子中解析度未被設定的例子、或該雙方之例子作為前提,而在將中間庫存之變動之時間推移之曲線圖(參照圖13)的差異度等模擬處理之結果之所需指標之差異度或變動率之閾值範圍設定於生產設計支援裝置1之儲存部3之既定儲存區域之狀態下,特性條件取得部214取得複數個模擬處理結果中中間庫存之變動之時間推移之曲線圖之差異度等所需指標之差異度或
變動率成為閾值以內,且變動參數之數值最接近之2個分別與模擬處理結果對應之變動參數的組合,將該2個變動參數之組合之變動參數之值之差異設為各個變動參數之解析度的特性條件來取得,並將其設定儲存於特性條件儲存部39。亦即,藉由該取得特性條件之處理,可取得成為問題空間之附加資訊之所需解析度XRa、YRa、NR1等(參照圖8、圖9)。
而且,學習處理部212將問題空間設為邊界條件且依據特性條件,一邊對學習資料儲存部36之學習完畢模型或學習模型進行修正、更新,一邊執行取得生產設計之最佳解或最佳解群之解析處理。此時,藉由與模擬處理之結果對應之特性條件,多維解空間之問題空間中之壓縮空間β,會成為在取得最佳解或最佳解群之處理時之實質之問題空間或實質之邊界條件(參照圖15)。學習處理部212例如藉由圖12之生產線模型PL3與該生產線模型PL3中各變動參數之值的組合等內容,對使用者提示所取得之最佳解或最佳解群。
藉此,可重新評價生產線之構成或內部之動作,而有效率地得到值得信賴之最佳解或最佳解群。
本說明書所揭示之發明,除了作為發明所記載之各發明、各實施形態、各實施例以外,於可應用之範圍內,還包含將該等之部分內容變更為本說明書所揭示之其他內容而加以特定者、或對該等內容附加本說明書所揭示之其他內容而加以特定者、或在可獲得部分作用效果之限度內
刪除該等之部分內容並加以上位概念化而加以特定者。而且,本說明書所揭示之發明亦包含下述之變形例與所追記之內容。
例如於第1至第3實施形態中,運算控制部2雖構成為將所取得之最佳解、最佳解群、縮小範圍之最佳解群、或模擬處理之結果自輸出部5輸出而對使用者提示,但亦可構成為於生產設計支援裝置1設置通訊部,而運算控制部2對被通訊連接之電腦終端發送所取得之最佳解、最佳解群、縮小範圍之最佳解群、或模擬處理之結果,並經由電腦終端對使用者提示該等結果,或者亦可併用二者。
又,亦可設為將第1實施形態與第2實施形態加以組合之構成、將第2實施形態與第3實施形態加以組合之構成、將第1實施形態與第3實施形態組合之構成、或將第1、第2、第3實施形態加以組合之構成之生產設計支援裝置1、生產設計支援方法、生產設計支援程式及搭載有該等之記錄媒體或非暫時性(non-transitory)之記錄媒體。
又,本發明之生產設計支援裝置、生產設計支援方法或生產設計支援程式及搭載有該等之記錄媒體,雖可使用於支援有形物之生產設計,但亦可應用於將由利用如下被規定之多樣之作業與複數個要素相關聯地被實施之業務,而將價值鏈等具有附加價值之無形產品作為對象來創造之情形:土木作業程序設計、管理、排程;建築程序設計、管理;卡車運輸之排程;航空管制;食品製造程序設計、監管;農產品加工程序;水產加工程序設計;畜產加工程序設計;連鎖餐廳之菜單設計;倉庫操作作業計劃;及辦公事務處理作業等。
本發明例如可利用於要謀求製造業之工廠等中之生產線之設計的最佳化時。
Claims (11)
- 一種生產設計支援裝置,其特徵在於,其具備有: 設備要素資訊儲存部,其儲存由設備要素之規格所構成之設備要素資訊; 作業要素資訊儲存部,其儲存由包含必要之作業要素之觸發條件與作業完成後之輸出目的地之作業要素之規格所構成的作業要素資訊;以及 生產線模型儲存部,其儲存生產線模型或上述生產線模型之基礎資料;該生產線模型係以由將上述設備要素與上述作業要素建立關聯所得之聯結資訊、上述設備要素資訊及上述作業要素資訊所構成之構成要素之組合所定義;而該生產線模型之基礎資料包含作為上述構成要素而可設定聯結資訊之作業要素與設備要素之組合;且 將上述設備要素資訊中可變更之規格、上述作業要素資訊中可變更之規格、及可變更之上述聯結資訊中之任意複數種作為複數個自變數之變動參數,來生成由與上述變動參數之各者對應之次元軸所構成之問題空間; 執行學習處理部將上述問題空間作為邊界條件而取得生產設計之最佳解或最佳解群的解析處理。
- 如請求項1之生產設計支援裝置,其中, 上述生產線模型儲存部僅對應於可作為生產線而執行之上述設備要素與上述作業要素之組合方式而儲存複數個由上述構成要素之組合所定義的生產線模型,且 將上述設備要素資訊中可變更之規格作為上述複數個自變數之變動參數、或者將上述作業要素資訊中可變更之規格作為上述複數個自變數之變動參數、或者將該二者作為上述複數個自變數之變動參數,來生成由與上述變動參數之各者對應之次元軸所構成之問題空間。
- 如請求項1之生產設計支援裝置,其中, 將上述設備要素資訊中可變更之規格、上述作業要素資訊中可變更之規格、及可變更之上述聯結資訊之各者作為複數個自變數之變動參數,來生成由與上述變動參數之各者對應之次元軸所構成之問題空間。
- 如請求項1之生產設計支援裝置,其中, 將成品之資訊及具有可變更之規格之生產計劃資訊儲存於儲存部,且 將上述生產計劃資訊之可變更之規格作為變動參數,來生成由與上述生產計劃資訊之變動參數之各者對應之次元軸所構成之問題空間。
- 如請求項1之生產設計支援裝置,其中, 對上述設備要素資訊中所需要之可變更之規格設定解析度,且 將已被設定上述解析度之上述設備要素資訊中可變更之規格作為自變數之變動參數,來生成作為附加資訊而具有上述設備要素資訊中可變更之規格之解析度之上述問題空間。
- 如請求項1之生產設計支援裝置,其中, 對上述作業要素資訊中所需要之可變更之規格設定解析度,且 將已被設定上述解析度之上述作業要素資訊中可變更之規格作為自變數之變動參數,來生成作為附加資訊而具有上述作業要素資訊中可變更之規格之解析度之上述問題空間。
- 如請求項1之生產設計支援裝置,其中, 上述學習處理部將上述問題空間作為邊界條件而取得最佳解或最佳解群,並對使用者提示上述最佳解或上述最佳解群,並且 對於作為上述問題空間之基礎之上述生產線模型之上述構成要素,以如下之方式執行模擬處理:依據藉由上述聯結資訊與上述設備要素被建立關聯之上述作業要素之上述作業要素資訊之觸發條件的滿足,上述設備要素執行作業,並對上述作業要素之上述作業要素資訊之作業完成後之輸出目的地進行輸出;並 對使用者提示與上述問題空間對應之上述模擬處理的結果。
- 如請求項1之生產設計支援裝置,其中, 上述學習處理部將上述問題空間作為邊界條件而取得最佳解群,並且 對於作為上述問題空間之基礎之上述生產線模型之上述構成要素,以如下之方式執行模擬處理:依藉由上述聯結資訊與上述設備要素被建立關聯之上述作業要素之上述作業要素資訊之觸發條件的滿足,上述設備要素執行作業,並對上述作業要素之上述作業要素資訊之作業完成後之輸出目的地進行輸出;並 執行上述學習處理部將上述問題空間作為邊界條件且依據與上述模擬處理結果對應之追加條件而取得縮小範圍之最佳解或縮小範圍之最佳解群的處理。
- 如請求項1至8中任一項之生產設計支援裝置,其中, 對於作為上述問題空間之基礎之上述生產線模型之上述構成要素,以如下之方式執行模擬處理:依據藉由上述聯結資訊與上述設備要素被建立關聯之上述作業要素之上述作業要素資訊之觸發條件的滿足,上述設備要素執行作業,並對上述作業要素之上述作業要素資訊之作業完成後之輸出目的地進行輸出;並 根據與上述問題空間之至少一部分對應之上述模擬處理之結果,取得上述問題空間之特性條件; 執行學習處理部將上述問題空間作為邊界條件且依據上述特性條件而取得生產設計之最佳解或最佳解群的解析處理。
- 一種生產設計支援方法,係由電腦所執行者;其特徵在於,其根據: 由設備要素之規格所構成之設備要素資訊; 由包含必要之作業要素之觸發條件與作業完成後之輸出目的地之作業要素之規格所構成的作業要素資訊;以及 以由將上述設備要素與上述作業要素建立關聯所得之聯結資訊、上述設備要素資訊及上述作業要素資訊所構成之構成要素之組合所定義之生產線模型、或包含作為上述構成要素而可設定聯結資訊之作業要素與設備要素之組合的上述生產線模型之基礎資料;而 將上述設備要素資訊中可變更之規格、上述作業要素資訊中可變更之規格、及可變更之上述聯結資訊中之任意複數種作為複數個自變數之變動參數,來生成由與上述變動參數之各者對應之次元軸所構成之問題空間; 執行學習處理部將上述問題空間作為邊界條件而取得生產設計之最佳解或最佳解群的解析處理。
- 一種生產設計支援程式,係使電腦作為生產設計支援裝置而發揮功能者;其特徵在於,使上述電腦: 儲存由設備要素之規格所構成之設備要素資訊; 儲存由包含必要之作業要素之觸發條件與作業完成後之輸出目的地之作業要素之規格所構成的作業要素資訊; 儲存以由將上述設備要素與上述作業要素建立關聯所得之聯結資訊、上述設備要素資訊及上述作業要素資訊所構成之構成要素之組合所定義之生產線模型、或包含作為上述構成要素而可設定聯結資訊之作業要素與設備要素之組合的上述生產線模型之基礎資料; 將上述設備要素資訊中可變更之規格、上述作業要素資訊中可變更之規格、可變更之上述聯結資訊中之任意複數種作為複數個自變數之變動參數,來生成由與上述變動參數之各者對應之次元軸所構成之問題空間;並且, 執行學習處理部將上述問題空間作為邊界條件而取得生產設計之最佳解或最佳解群的解析處理。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019108281A JP6998064B2 (ja) | 2019-06-10 | 2019-06-10 | 生産設計支援装置、生産設計支援方法及び生産設計支援プログラム |
JP2019-108281 | 2019-06-10 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202046034A TW202046034A (zh) | 2020-12-16 |
TWI846861B true TWI846861B (zh) | 2024-07-01 |
Family
ID=
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019084151A1 (en) | 2017-10-24 | 2019-05-02 | Baker Hughes, A Ge Company, Llc | CONSULTING SYSTEM FOR INDUSTRIAL SITES |
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019084151A1 (en) | 2017-10-24 | 2019-05-02 | Baker Hughes, A Ge Company, Llc | CONSULTING SYSTEM FOR INDUSTRIAL SITES |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI808961B (zh) | 工作計劃最佳化方法 | |
Cardiel-Ortega et al. | Development of a system dynamics model based on Six Sigma methodology | |
JPWO2018220885A1 (ja) | 生産計画作成装置、生産計画作成方法及び生産計画作成プログラム | |
US20210073695A1 (en) | Production scheduling system and method | |
CN111191871A (zh) | 项目基线数据生成方法、装置、计算机设备和存储介质 | |
CN113344473B (zh) | 海洋目标协同探测设备的优化方法及设备 | |
CN117391641A (zh) | 一种生发剂生产流程管理方法及系统 | |
CN109800144A (zh) | 应用程序的测试方法、系统及装置 | |
CN115689415A (zh) | 一种基于数字孪生的物流监视与仿真系统 | |
KR20180115144A (ko) | 인공지능 기반의 핵심성과지표 시뮬레이션 시스템 및 방법 | |
Martell et al. | Evaluation of the degree of automation and digitalization using a diagnostic and analysis tool for a methodological implementation of Industry 4.0 | |
US20230153651A1 (en) | Enterprise management system and execution method thereof | |
JP6998064B2 (ja) | 生産設計支援装置、生産設計支援方法及び生産設計支援プログラム | |
TWI846861B (zh) | 生產設計支援裝置、生產設計支援方法及生產設計支援程式 | |
CN117541272A (zh) | 数字工程碳排放数据确定方法、系统、设备及存储介质 | |
CN105911965A (zh) | 一种在数据监测系统中实现数据分析的方法 | |
La Scalia | Solving type-2 assembly line balancing problem with fuzzy binary linear programming | |
KR20210042709A (ko) | 기업 관계 데이터를 이용한 주가 예측 방법 및 서버 | |
US7778807B2 (en) | Simulation model generator of causality phenomena and events | |
Fall et al. | SELES: A spatially explicit landscape event simulator | |
Friederich et al. | A Framework for Validating Data-Driven Discrete-Event Simulation Models of Cyber-Physical Production Systems | |
CN115564343A (zh) | 一种应用于生产制造的供应链模型优化方法 | |
Pramodhini et al. | E-Commerce Inventory Management System Using Machine Learning Approach | |
KR20230052010A (ko) | Ai 기반 모델 선택 알고리즘을 이용한 수요 예측 방법 | |
Pawlewski et al. | Relational database template in the simulation modeling of manufacturing systems |