WO2019235236A1 - センサシステム - Google Patents

センサシステム Download PDF

Info

Publication number
WO2019235236A1
WO2019235236A1 PCT/JP2019/020464 JP2019020464W WO2019235236A1 WO 2019235236 A1 WO2019235236 A1 WO 2019235236A1 JP 2019020464 W JP2019020464 W JP 2019020464W WO 2019235236 A1 WO2019235236 A1 WO 2019235236A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
unit
learning
slave units
input
Prior art date
Application number
PCT/JP2019/020464
Other languages
English (en)
French (fr)
Inventor
雄介 飯田
清司 今井
典大 蓬郷
Original Assignee
オムロン株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by オムロン株式会社 filed Critical オムロン株式会社
Publication of WO2019235236A1 publication Critical patent/WO2019235236A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F13/00—Interconnection of, or transfer of information or other signals between, memories, input/output devices or central processing units
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning

Definitions

  • This disclosure relates to a sensor system.
  • a plurality of sensors are arranged along a line to measure the presence or absence of a workpiece conveyed on the line.
  • Data measured by a plurality of sensors may be acquired by a plurality of slave units, transferred to a master unit, and collected in a control device such as a PLC (Programmable Logic Controller) connected to the master unit.
  • a control device such as a PLC (Programmable Logic Controller) connected to the master unit.
  • Patent Document 1 describes a sensor system including a plurality of sensor units and a communication device that transmits information received from each sensor unit to a control device.
  • Each sensor unit transmits detection information such as sensing data to the communication device after a standby time determined for each sensor unit has elapsed with a synchronization signal transmitted from one of the sensor units as a starting point.
  • the standby time of each sensor unit is determined to be different from the standby time of the other sensor units.
  • the present inventors In order to generate learning data to be used for supervised machine learning based on data collected by the sensor system, the present inventors transfer data acquired by a plurality of slave units to the master unit, from the master unit to the PLC, etc. The data was collected in the control device, and the data for learning was generated by labeling the collected data by the control device. However, when the present inventors perform learning data generation processing by the control device, the learning data generation processing is performed in addition to the processing conventionally performed by the control device. We found that the load would increase.
  • the present invention provides a sensor system capable of accumulating learning data for supervised machine learning without increasing the processing load of a control device.
  • a sensor system includes a plurality of sensors, a plurality of slave units that are connected to each of the plurality of sensors and acquire data measured by the plurality of sensors, and a plurality of slave units and a control device.
  • a master setting unit configured to set data acquired by some of the plurality of slave units as input data, and another of the plurality of slave units.
  • a second setting unit that sets data acquired by some slave units as label data that represents the nature of the input data, and includes input data and label data, and generates learning data used for machine learning of the learning model And a generation unit.
  • data acquired by some slave units among the plurality of slave units is set as input data of the learning model, and data acquired by some other slave units among the plurality of slave units.
  • data acquired by some other slave units among the plurality of slave units Is set as label data used in supervised learning of the learning model, and learning data is generated, so that the learning data for machine learning can be accumulated without increasing the processing load of the control device.
  • the master unit further includes a determination unit that determines whether to include the input data and the label data in the learning data based on data acquired by any one of the plurality of slave units. May be.
  • the master unit may further include an input unit that receives input of label data from the outside.
  • the learning data can be generated more flexibly by accepting the label data used in supervised learning of the learning model from the outside, and various learning uses can be performed without increasing the processing load of the control device. Data can be accumulated.
  • the master unit may further include an input unit that accepts designation as to whether or not the input data and label data are included in the learning data from the outside.
  • input can be received from the outside so that appropriate input data and label data are included in the learning data, and the prediction accuracy of the learned model can be improved.
  • the master unit may further include a learning unit that performs machine learning of the learning model using the learning data and generates a learned model.
  • a learned model can be generated without increasing the processing load of the control device by executing machine learning of the learning model using the accumulated learning data.
  • the master unit may further include a prediction unit that inputs data acquired by at least one of the plurality of slave units to the learned model and outputs a predicted value using the learned model.
  • a sensor system capable of accumulating learning data for supervised machine learning without increasing the processing load of a control device is provided.
  • FIG. 1 is a diagram showing an outline of a sensor system 1 according to an embodiment of the present invention.
  • the sensor system 1 includes a master unit 10, a first slave unit 20a, a second slave unit 20b, a third slave unit 20c, a first sensor 30a, a second sensor 30b, a third sensor 30c, and a PLC 40.
  • the 1st sensor 30a, the 2nd sensor 30b, and the 3rd sensor 30c are equivalent to a plurality of sensors, are arranged along line L, and measure the data which shows the passage situation of the work conveyed on line L To do.
  • the first slave unit 20a, the second slave unit 20b, and the third slave unit 20c are connected to a plurality of sensors, and correspond to a plurality of slave units that acquire data measured by the plurality of sensors. More specifically, the first slave unit 20a is connected to the first sensor 30a, the second slave unit 20b is connected to the second sensor 30b, and the third slave unit 20c is connected to the third sensor 30c.
  • the PLC 40 corresponds to a control device.
  • the master unit 10 corresponds to a master unit connected to a plurality of slave units and a control device.
  • the first slave unit 20a, the second slave unit 20b, and the third slave unit 20c are collectively referred to as the slave unit 20, and the first sensor 30a, the second sensor 30b, and the third sensor 30c are collectively referred to as the sensor 30. .
  • the configuration of the sensor system 1 according to the present embodiment is an example, and the number of the plurality of sensors and the number of the plurality of slave units included in the sensor system 1 are arbitrary. Further, the control device is not necessarily the PLC 40.
  • the master unit 10 may be connected to the PLC 40 via a communication network such as a LAN (Local Area Network).
  • the slave unit 20 is physically and electrically connected to the master unit 10.
  • the master unit 10 stores the information received from the slave unit 20 in the storage unit, and transmits the stored information to the PLC 40. Therefore, the data acquired by the slave unit 20 is unified by the master unit 10 and transmitted to the PLC 40.
  • a determination signal and detection information are transmitted from the slave unit 20 to the master unit 10.
  • the determination signal is a signal indicating a determination result regarding the work determined by the slave unit 20 based on the data measured by the sensor 30.
  • the determination signal may be an on signal or an off signal obtained by comparing the received light amount measured by the sensor 30 with a threshold value by the slave unit 20.
  • the detection information is a detection value obtained by the detection operation of the slave unit 20.
  • the detection operation may be a light projection and light reception operation, and the detection information may be a received light amount.
  • the slave unit 20 may be attached to the side surface of the master unit 10.
  • parallel communication or serial communication may be used. That is, the master unit 10 and the slave unit 20 may be physically connected by a serial transmission path and a parallel transmission path.
  • the determination signal may be transmitted from the slave unit 20 to the master unit 10 on the parallel transmission path, and the detection information may be transmitted from the slave unit 20 to the master unit 10 on the serial transmission path.
  • FIG. 2 is a diagram showing functional blocks of the master unit 10 according to the present embodiment.
  • the master unit 10 includes an acquisition unit 11, a first setting unit 12a, a second setting unit 12b, a determination unit 13, a generation unit 14, a storage unit 15, an input unit 16, a learning unit 17, a prediction unit 18, and a communication unit 19. .
  • the acquisition unit 11 acquires data from the plurality of slave units 20.
  • the acquisition unit 11 may acquire a determination signal indicating the passage of the workpiece from the slave unit 20 through the parallel transmission path, or may acquire detection information measured by the plurality of sensors 30 from the slave unit 20 through the serial transmission path. .
  • the first setting unit 12a sets data acquired by some of the slave units 20 as input data.
  • the input data is data input to the learning model at the time of machine learning of the learning model.
  • the input data may be numerical data, but may be data in other formats.
  • the second setting unit 12b sets the data acquired by some other slave units among the plurality of slave units 20 as label data representing the nature of the input data.
  • the property of the input data is a property predicted from the input data, and may be, for example, the presence or absence of an abnormality related to the line L or the type of work transported through the line L.
  • the label data is data to be output by the learning model when the learning model is machine-learned, and is data that is a learning target.
  • the label data may be numerical data, but may be data in other formats.
  • the determining unit 13 determines whether to include the input data and the label data in the learning data based on the data acquired by any one of the plurality of slave units 20. For example, the determination unit 13 includes the input data and the label data in the learning data over a period in which the on signal is transmitted from a specific slave unit, and the input data for the period in which the off signal is transmitted from the specific slave unit.
  • the label data may be determined not to be included in the learning data. In this way, by determining whether to accept input data and label data based on data acquired by a certain slave unit, appropriate input data and label data are included in the learning data, and prediction of the learned model is performed. Accuracy can be improved.
  • the generating unit 14 includes input data and label data, and generates learning data used for machine learning of the learning model.
  • the learning data is data used for supervised learning of the learning model.
  • the sensor system 1 sets data acquired by some slave units among the plurality of slave units 20 as input data of the learning model, and some other slaves among the plurality of slave units 20 By storing data acquired by the unit as label data used in supervised learning of a learning model and generating learning data, machine learning learning data is accumulated without increasing the processing load of a control device such as PLC 40 can do.
  • the storage unit 15 stores the learning data 15a generated by the generation unit 14 and the learned model 15b.
  • the storage unit 15 stores information that specifies which of the plurality of slave units 20 the data acquired from the plurality of slave units 20 is set as input data and label data by the first setting unit 12a and the second setting unit 12b.
  • the determination unit 13 may store a condition for determining whether to include the input data and the label data in the learning data.
  • the input unit 16 receives input of label data from the outside.
  • the input unit 16 may be configured with an external terminal that receives an input of a signal from an external device, or may be configured with a push button.
  • the input unit 16 receives an ON signal input, In some cases, an input of an off signal may be accepted.
  • learning data including detection signals of the plurality of sensors 30 that measure the state of the workpiece and information indicating whether or not the workpiece is defective can be generated, and learning for predicting the failure of the workpiece Completed models can be generated.
  • learning data can be generated more flexibly, and various learning data can be obtained without increasing the processing load on the control device. Can be accumulated.
  • the input unit 16 may accept designation of whether to include the input data and label data in the learning data from the outside.
  • the input unit 16 may be configured by an external terminal that receives a signal input from an external device or may be configured by a push button.
  • the input signal is input.
  • an off signal input may be received. In this way, input can be received from the outside so that appropriate input data and label data are included in the learning data, and the prediction accuracy of the learned model can be improved.
  • the learning unit 17 performs machine learning of the learning model using the learning data 15a, and generates a learned model 15b.
  • the learning unit 17 inputs the input data of the learning data 15a to the neural network and, based on the difference between the output and the label data, the weight of the neural network by the error back propagation method. May be updated.
  • the learning model is not limited to a neural network, and may be a regression model or a decision tree, and the learning unit 17 may perform machine learning of the learning model using an arbitrary algorithm.
  • the sensor system 1 according to the present embodiment can generate a learned model without increasing the processing load of the control device by performing machine learning of the learning model using the accumulated learning data.
  • the prediction unit 18 inputs data acquired by at least one of the plurality of slave units 20 to the learned model 15b, and causes the learned model 15b to output a predicted value.
  • the prediction unit 18 may not use the output of the learned model 15b as it is as a prediction value, and may perform arbitrary post-processing. By outputting the predicted value using the learned model, it is possible to perform prediction using the learned model without increasing the processing load on the control device.
  • the communication unit 19 is an interface that performs communication with the PLC 40.
  • the communication unit 19 may communicate with an external device other than the PLC 40.
  • FIG. 3 is a diagram showing a physical configuration of the sensor system 1 according to the present embodiment.
  • the master unit 10 includes input / output connectors 101 and 102 used for connection to the PLC 40, a connection connector 106 used for connection to the slave unit 20, and a power input connector.
  • the master unit 10 also includes an MPU (Micro Processing Unit) 110, a communication ASIC (Application Specific Integrated Circuit) 112, a parallel communication circuit 116, a serial communication circuit 118, a Flash ROM 120, and a power supply circuit.
  • MPU Micro Processing Unit
  • ASIC Application Specific Integrated Circuit
  • the MPU 110 operates so as to control and execute all processes in the master unit 10.
  • the communication ASIC 112 manages communication with the PLC 40.
  • the parallel communication circuit 116 is used for parallel communication between the master unit 10 and the slave unit 20.
  • the serial communication circuit 118 is used for serial communication between the master unit 10 and the slave unit 20.
  • the flash ROM 120 is a non-volatile memory and stores a learning model. For example, when the learning model is a neural network, the flash ROM 120 may store the weight parameters and network structure of the neural network. When the learning model is a regression model or a decision tree, the flash ROM 120 may store a regression parameter or a hyperparameter of the decision tree.
  • the slave unit 20 is provided with connectors 304 and 306 for connection with the master unit 10 or other slave units 20 on both side wall portions.
  • a plurality of slave units 20 can be connected to the master unit 10 in a row. Signals from the plurality of slave units 20 are transmitted to the adjacent slave units 20 and transmitted to the master unit 10.
  • Windows for both sides of the slave unit 20 are provided with windows for optical communication by infrared rays.
  • the plurality of slave units 20 are connected one by one using the connection connectors 304 and 306, they are arranged in a row.
  • the communication window enables bidirectional optical communication using infrared rays between adjacent slave units 20.
  • the slave unit 20 has various processing functions realized by a CPU (Central Processing Unit) 400 and various processing functions realized by a dedicated circuit.
  • a CPU Central Processing Unit
  • the CPU 400 controls the light projection control unit 403 to emit infrared rays from the light emitting element (LED) 401.
  • a signal generated when the light receiving element (PD) 402 receives light is amplified through the amplifier circuit 404, converted into a digital signal through the A / D converter 405, and taken into the CPU 400.
  • the CPU 400 transmits the received light data, that is, the received light amount as it is to the master unit 10 as detection information. Further, the CPU 400 transmits an on signal or an off signal obtained by determining whether or not the amount of received light is larger than a preset threshold value as a determination signal to the master unit 10.
  • the CPU 400 controls the left and right light projecting circuits 411 and 413 to emit infrared rays from the left and right communication light emitting elements (LEDs) 407 and 409 to the adjacent slave unit 20.
  • LEDs light emitting elements
  • Infrared rays coming from the adjacent left and right slave units 20 are received by the left and right light receiving elements (PD) 406 and 408, and then arrive at the CPU 400 via the light receiving circuits 410 and 412.
  • the CPU 400 performs optical communication with the left and right adjacent slave units 20 by controlling transmission / reception signals based on a predetermined protocol.
  • the light receiving element 406, the communication light emitting element 409, the light receiving circuit 410, and the light projecting circuit 413 are used for transmitting and receiving a synchronization signal for preventing mutual interference between the slave units 20. Specifically, in each slave unit 20, the light receiving circuit 410 and the light projecting circuit 413 are directly connected. With this configuration, the received synchronization signal is promptly transmitted from the communication light emitting element 409 to another adjacent slave unit 20 via the light projecting circuit 413 without being subjected to delay processing by the CPU 400.
  • CPU 400 further controls lighting of display unit 414. Further, the CPU 400 processes a signal from the setting switch 415. Various data necessary for the operation of the CPU 400 is stored in a recording medium such as an EEPROM (ElectricallyrErasable Programmable Read Only Memory) 416. The signal obtained from the reset unit 417 is sent to the CPU 400, and the measurement control is reset. A reference clock is input from the oscillator (OSC) 418 to the CPU 400.
  • OSC oscillator
  • the output circuit 419 performs transmission processing of a determination signal obtained by comparing the amount of received light with a threshold value. As described above, in the present embodiment, the determination signal is transmitted toward the master unit 10 by parallel communication.
  • the transmission path for parallel communication is a transmission path in which the master unit 10 and each slave unit 20 are individually connected.
  • each of the plurality of slave units 20 is connected to the master unit 10 by separate parallel communication lines.
  • the parallel communication line that connects the master unit 10 and the slave unit 20 other than the slave unit 20 adjacent to the master unit 10 can pass through the other slave units 20.
  • the serial communication driver 420 performs processing for receiving commands and the like transmitted from the master unit 10 and processing for transmitting detection information (amount of received light).
  • the RS-422 protocol is used for serial communication.
  • the RS-485 protocol may be used for serial communication.
  • the serial communication transmission line is a transmission line to which the master unit 10 and all the slave units 20 are connected. That is, all the slave units 20 are connected to the master unit 10 so as to be able to transmit signals in a bus format via the serial communication line.
  • FIG. 4 is a flowchart of learning data collection processing executed by the master unit 10 according to the present embodiment.
  • the master unit 10 has a learning data collection mode for collecting learning data and a prediction mode for performing prediction using a learned model.
  • the master unit 10 may accept switching between the learning data collection mode and the prediction mode, for example, by the input unit 16.
  • the master unit 10 determines whether or not the current mode is the learning data collection mode (S10).
  • the current mode is not the learning data collection mode (S10: NO)
  • the process proceeds to the processing of “A” shown in the next figure.
  • the master unit 10 acquires data measured by the plurality of sensors 30 from the plurality of slave units 20 (S11).
  • the master unit 10 determines whether or not to start collection of learning data (S12). Whether or not to start collecting learning data may be determined based on input from the input unit 16, may be determined based on data acquired by a specific slave unit, or may be determined at a predetermined time. It may be determined on the basis of whether or not a predetermined condition is satisfied, such as the arrival of.
  • the master unit 10 sets a part of the acquired data as input data (S13), and uses the other part of the acquired data as label data.
  • it may be determined based on the input from the input unit 16 which data from which slave unit the data acquired is set as input data or label data.
  • the master unit 10 determines whether or not to end the collection of learning data (S15).
  • S15 a process for setting a part of the acquired data as input data (S13), and a process for setting another part of the acquired data as label data And (S14) are repeated.
  • S15: YES the master unit 10 generates learning data based on the collected data (S16). Whether or not to end the collection of learning data may be determined based on input from the input unit 16, may be determined based on data acquired by a specific slave unit, or may be determined at a predetermined time. It may be determined on the basis of whether or not a predetermined condition is satisfied, such as the arrival of.
  • the master unit 10 generates a learned model by machine learning using the generated learning data (S17). Note that the generation of the learned model is not necessarily performed immediately after the generation of the learning data, and may be performed at an arbitrary timing after the learning data is generated.
  • the master unit 10 transmits the generated learning data and the generated learned model to the PLC 40 (S18).
  • learning data for supervised machine learning can be accumulated without increasing the processing load of the PLC 40, and a learned model can be generated.
  • FIG. 5 is a flowchart of the prediction process executed by the master unit 10 according to this embodiment.
  • the master unit 10 determines whether or not the current mode is a prediction mode (S20). When the current mode is not the prediction mode (S20: NO), that is, when the current mode is the learning data collection mode, the process proceeds to “B” shown in FIG. On the other hand, when the current mode is the prediction mode (S20: YES), the master unit 10 acquires data measured by the plurality of sensors 30 from the plurality of slave units 20 (S21).
  • the master unit 10 determines whether or not to start storing data (S22). Whether to start storing data may be determined based on an input from the input unit 16, may be determined based on data acquired by a specific slave unit, or a predetermined time arrives It may be determined based on whether or not a predetermined condition is satisfied.
  • the master unit 10 When starting to accumulate data (S22: YES), the master unit 10 stores the acquired data at least temporarily (S23). Thereafter, the master unit 10 determines whether or not to end the data accumulation (S24). If the data accumulation is not finished (S24: NO), the storage of the acquired data (S23) is continued. On the other hand, when the accumulation of data is finished (S24: YES), the master unit 10 inputs the data accumulated in the learned model (S25). Whether or not to end the accumulation of data may be determined based on an input from the input unit 16, may be determined based on data acquired by a specific slave unit, or a predetermined time has arrived It may be determined based on whether or not a predetermined condition is satisfied.
  • the master unit 10 outputs a predicted value from the learned model, and transmits the predicted value to the PLC 40 (S26). In this way, prediction using the learned model can be performed without increasing the processing load of the PLC 40.
  • [Appendix 1] A plurality of sensors (30a, 30b, 30c); A plurality of slave units (20a, 20b, 20c) connected to each of the plurality of sensors (30a, 30b, 30c) and acquiring data measured by the plurality of sensors (30a, 30b, 30c); A master unit (10) connected to the plurality of slave units (20a, 20b, 20c) and the control device (40), The master unit (10) A first setting unit (12a) for setting data acquired by some of the plurality of slave units (20a, 20b, 20c) as input data; A second setting unit (12b) that sets data acquired by some other slave units among the plurality of slave units (20a, 20b, 20c) as label data representing the nature of the input data; A generation unit (14) for generating learning data including the input data and the label data, Sensor system (1).

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Programmable Controllers (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Computer And Data Communications (AREA)

Abstract

制御機器の処理負荷を増やさずに教師有り機械学習の学習用データを蓄積することができるセンサシステムを提供する。センサシステムは、複数のセンサと、複数のセンサそれぞれに接続され、複数のセンサにより測定されるデータを取得する複数のスレーブユニットと、複数のスレーブユニット及び制御装置と接続されているマスタユニットと、を備え、マスタユニットは、複数のスレーブユニットのうち一部のスレーブユニットにより取得されたデータを入力データとして設定する第１設定部と、複数のスレーブユニットのうち他の一部のスレーブユニットにより取得されたデータを、入力データの性質を表すラベルデータとして設定する第２設定部と、入力データ及びラベルデータを含み、学習モデルの機械学習に用いる学習用データを生成する生成部と、を有する。

Description

センサシステム
　本開示は、センサシステムに関する。
　従来、ラインに沿って複数のセンサを配置して、ライン上を搬送されるワークの有無を測定することがある。複数のセンサにより測定されたデータは、複数のスレーブユニットにより取得されてマスタユニットに転送され、マスタユニットに接続されたＰＬＣ（Programmable Logic Controller）等の制御装置に集約されることがある。
　下記特許文献１には、複数のセンサユニットと、各々のセンサユニットから受信した情報を制御装置に向けて送信する通信装置とを備えるセンサシステムが記載されている。各センサユニットは、いずれかのセンサユニットから発信される同期信号を起点として、センサユニット毎に定められる待機時間が経過してから、センシングデータ等の検出情報を通信装置に送信する。ここで、各センサユニットの待機時間は、他のセンサユニットの待機時間とは異なるように定められている。特許文献１に記載の技術によって、複数のセンサにより測定したデータを制御装置に集約する場合に、制御装置からのコマンドを待たずにデータを送信することができ、通信速度を向上させることができる。
特開２０１４－９６０３６号公報
　近年、複数のセンサにより測定されたデータを学習モデルの機械学習に用いて学習済みモデルを生成し、学習済みモデルによってより高度な判定を行うセンサシステムを構築する研究が行われている。
　センサシステムにより収集したデータに基づき教師有り機械学習に用いる学習用データを生成するため、本発明者らは、複数台のスレーブユニットにより取得されたデータをマスタユニットに転送し、マスタユニットからＰＬＣ等の制御装置にデータを集約して、集約したデータに対して制御装置によってラベル付け等を行って学習用データを生成することを検討した。しかしながら、本発明者らは、学習用データの生成処理を制御装置で行うこととすると、制御装置により従来行っていた処理に加えて、学習用データの生成処理を行うこととなり、制御装置の処理負荷が増大してしまうことを見出した。
　そこで、本発明は、制御機器の処理負荷を増やさずに教師有り機械学習の学習用データを蓄積することができるセンサシステムを提供する。
　本開示の一態様に係るセンサシステムは、複数のセンサと、複数のセンサそれぞれに接続され、複数のセンサにより測定されるデータを取得する複数のスレーブユニットと、複数のスレーブユニット及び制御装置と接続されているマスタユニットと、を備え、マスタユニットは、複数のスレーブユニットのうち一部のスレーブユニットにより取得されたデータを入力データとして設定する第１設定部と、複数のスレーブユニットのうち他の一部のスレーブユニットにより取得されたデータを、入力データの性質を表すラベルデータとして設定する第２設定部と、入力データ及びラベルデータを含み、学習モデルの機械学習に用いる学習用データを生成する生成部と、を有する。
　この態様によれば、複数のスレーブユニットのうち一部のスレーブユニットにより取得されたデータを学習モデルの入力データとして設定し、複数のスレーブユニットのうち他の一部のスレーブユニットにより取得されたデータを学習モデルの教師有り学習で用いるラベルデータとして設定して学習用データを生成することで、制御機器の処理負荷を増やさずに機械学習の学習用データを蓄積することができる。
　上記態様において、マスタユニットは、複数のスレーブユニットのうちいずれかのスレーブユニットにより取得されたデータに基づいて、入力データ及びラベルデータを学習用データに含めるか否かを決定する決定部をさらに有してもよい。
　この態様によれば、適切な入力データ及びラベルデータが学習用データに含まれることとなり、学習済みモデルの予測精度を向上させることができる。
　上記態様において、マスタユニットは、外部からラベルデータの入力を受け付ける入力部をさらに有してもよい。
　この態様によれば、学習モデルの教師有り学習で用いるラベルデータを外部から受け付けることで、学習用データの生成をより柔軟に行うことができ、制御機器の処理負荷を増やさずに多様な学習用データを蓄積することができる。
　上記態様において、マスタユニットは、入力データ及びラベルデータを学習用データに含めるか否かの指定を外部から受け付ける入力部をさらに有してもよい。
　この態様によれば、適切な入力データ及びラベルデータが学習用データに含まれるように外部から入力を受け付けることができ、学習済みモデルの予測精度を向上させることができる。
　上記態様において、マスタユニットは、学習用データを用いて学習モデルの機械学習を実行し、学習済みモデルを生成する学習部をさらに有してもよい。
　この態様によれば、蓄積した学習用データを用いて学習モデルの機械学習を実行することで、制御機器の処理負荷を増やさずに学習済みモデルを生成することができる。
　上記態様において、マスタユニットは、複数のスレーブユニットのうち少なくともいずれかにより取得されたデータを学習済みモデルに入力し、学習済みモデルにより予測値を出力させる予測部をさらに有してもよい。
　この態様によれば、学習済みモデルにより予測値を出力させることで、制御機器の処理負荷を増やさずに学習済みモデルによる予測を行うことができる。
　本発明によれば、制御機器の処理負荷を増やさずに教師有り機械学習の学習用データを蓄積することができるセンサシステムが提供される。
本発明の実施形態に係るセンサシステムの概要を示す図である。 本実施形態に係るマスタユニットの機能ブロックを示す図である。 本実施形態に係るセンサシステムの物理的構成を示す図である。 本実施形態に係るマスタユニットにより実行される学習用データ収集処理のフローチャートである。 本実施形態に係るマスタユニットにより実行される予測処理のフローチャートである。
　以下、本発明の一側面に係る実施の形態（以下、「本実施形態」と表記する。）を、図面に基づいて説明する。なお、各図において、同一の符号を付したものは、同一又は同様の構成を有する。
　図１は、本発明の実施形態に係るセンサシステム１の概要を示す図である。センサシステム１は、マスタユニット１０、第１スレーブユニット２０ａ、第２スレーブユニット２０ｂ、第３スレーブユニット２０ｃ、第１センサ３０ａ、第２センサ３０ｂ、第３センサ３０ｃ及びＰＬＣ４０を備える。ここで、第１センサ３０ａ、第２センサ３０ｂ及び第３センサ３０ｃは、複数のセンサに相当し、ラインＬに沿って配置され、ラインＬ上を搬送されるワークの通過状況を示すデータを測定する。また、第１スレーブユニット２０ａ、第２スレーブユニット２０ｂ、第３スレーブユニット２０ｃは、複数のセンサそれぞれに接続され、複数のセンサにより測定されるデータを取得する複数のスレーブユニットに相当する。より具体的には、第１スレーブユニット２０ａは第１センサ３０ａに接続され、第２スレーブユニット２０ｂは第２センサ３０ｂに接続され、第３スレーブユニット２０ｃは第３センサ３０ｃに接続されている。ＰＬＣ４０は、制御装置に相当する。そして、マスタユニット１０は、複数のスレーブユニット及び制御装置と接続されているマスタユニットに相当する。本明細書では、第１スレーブユニット２０ａ、第２スレーブユニット２０ｂ、第３スレーブユニット２０ｃをスレーブユニット２０と総称し、第１センサ３０ａ、第２センサ３０ｂ、第３センサ３０ｃをセンサ３０と総称する。
　なお、本実施形態に係るセンサシステム１の構成は一例であり、センサシステム１が備える複数のセンサの数、複数のスレーブユニットの数は任意である。また、制御装置は、必ずしもＰＬＣ４０でなくてもよい。
　マスタユニット１０は、ＬＡＮ（Local Area Network）等の通信ネットワークを介してＰＬＣ４０に接続されてよい。スレーブユニット２０は、マスタユニット１０に物理的かつ電気的に接続される。本実施形態において、マスタユニット１０は、スレーブユニット２０から受信した情報を記憶部に記憶し、記憶された情報をＰＬＣ４０に送信する。従って、スレーブユニット２０により取得されたデータは、マスタユニット１０によって一元化されてＰＬＣ４０に伝送される。
　一例として、スレーブユニット２０からマスタユニット１０には、判定信号及び検出情報が伝送される。判定信号とは、センサ３０により測定されたデータに基づき、スレーブユニット２０によって判定された、ワークに関する判定結果を示す信号である。例えばセンサ３０が光電センサである場合、判定信号は、センサ３０により測定された受光量と閾値とを、スレーブユニット２０によって比較して得られるオン信号又はオフ信号であってよい。検出情報は、スレーブユニット２０の検出動作によって得られる検出値である。例えばセンサ３０が光電センサである場合、検出動作は、投光及び受光の動作であり、検出情報は、受光量であってよい。
　スレーブユニット２０は、マスタユニット１０の側面に取り付けられてよい。マスタユニット１０とスレーブユニット２０との通信には、パラレル通信又はシリアル通信が用いられてよい。すなわち、マスタユニット１０と、スレーブユニット２０とがシリアル伝送路及びパラレル伝送路で物理的に接続されてよい。例えば、パラレル伝送路上でスレーブユニット２０からマスタユニット１０に判定信号が送信され、シリアル伝送路上で、スレーブユニット２０からマスタユニット１０に検出情報が送信されてよい。なお、マスタユニット１０とスレーブユニット２０とを、シリアル伝送路及びパラレル伝送路のうちのいずれか一方で接続してもよい。
　図２は、本実施形態に係るマスタユニット１０の機能ブロックを示す図である。マスタユニット１０は、取得部１１、第１設定部１２ａ、第２設定部１２ｂ、決定部１３、生成部１４、記憶部１５、入力部１６、学習部１７、予測部１８及び通信部１９を備える。
　取得部１１は、複数のスレーブユニット２０からデータを取得する。取得部１１は、パラレル伝送路によってスレーブユニット２０からワークの通過を示す判定信号を取得したり、シリアル伝送路によってスレーブユニット２０から複数のセンサ３０により測定された検出情報を取得したりしてよい。
　第１設定部１２ａは、複数のスレーブユニット２０のうち一部のスレーブユニットにより取得されたデータを入力データとして設定する。ここで、入力データとは、学習モデルの機械学習の際に、学習モデルに入力するデータである。入力データは、数値データであってよいが、その他の形式のデータであってもよい。
　第２設定部１２ｂは、複数のスレーブユニット２０のうち他の一部のスレーブユニットにより取得されたデータを、入力データの性質を表すラベルデータとして設定する。ここで、入力データの性質とは、入力データから予測される性質であり、例えば、ラインＬに関する異常の有無であったり、ラインＬを搬送されるワークの種類であったりしてよい。ラベルデータは、学習モデルの機械学習の際に、学習モデルが出力すべきデータであり、学習の目標とされるデータである。ラベルデータは、数値データであってよいが、その他の形式のデータであってもよい。
　決定部１３は、複数のスレーブユニット２０のうちいずれかのスレーブユニットにより取得されたデータに基づいて、入力データ及びラベルデータを学習用データに含めるか否かを決定する。例えば、決定部１３は、特定のスレーブユニットからオン信号が送信されている期間にわたって入力データ及びラベルデータを学習用データに含め、特定のスレーブユニットからオフ信号が送信されている期間については入力データ及びラベルデータを学習用データに含めないように決定してよい。このように、あるスレーブユニットにより取得されたデータを基準として入力データ及びラベルデータの採否を決定することで、適切な入力データ及びラベルデータが学習用データに含まれることとなり、学習済みモデルの予測精度を向上させることができる。
　生成部１４は、入力データ及びラベルデータを含み、学習モデルの機械学習に用いる学習用データを生成する。学習用データは、学習モデルの教師有り学習に用いるデータである。本実施形態に係るセンサシステム１は、複数のスレーブユニット２０のうち一部のスレーブユニットにより取得されたデータを学習モデルの入力データとして設定し、複数のスレーブユニット２０のうち他の一部のスレーブユニットにより取得されたデータを学習モデルの教師有り学習で用いるラベルデータとして設定して学習用データを生成することで、ＰＬＣ４０等の制御機器の処理負荷を増やさずに機械学習の学習用データを蓄積することができる。
　記憶部１５は、生成部１４により生成された学習用データ１５ａと、学習済みモデル１５ｂとを記憶する。記憶部１５は、第１設定部１２ａ及び第２設定部１２ｂによって複数のスレーブユニット２０のうちいずれのスレーブユニットから取得したデータを入力データ及びラベルデータとして設定するかを指定する情報を記憶したり、決定部１３によって入力データ及びラベルデータを学習用データに含めるか否かを決定するための条件を記憶したりしてよい。
　入力部１６は、外部からラベルデータの入力を受け付ける。入力部１６は、例えば、外部機器から信号の入力を受け付ける外部端子で構成されたり、プッシュボタンで構成されたりしてよく、ワークが不良品の場合にオン信号の入力を受け付け、ワークが良品の場合にオフ信号の入力を受け付けてよい。これにより、ワークの状態を測定する複数のセンサ３０の検出信号と、ワークが不良品であるか否かを示す情報とを含む学習用データを生成することができ、ワークの不良を予測する学習済みモデルを生成することができる。入力部１６によって、学習モデルの教師有り学習で用いるラベルデータを外部から受け付けることで、学習用データの生成をより柔軟に行うことができ、制御機器の処理負荷を増やさずに多様な学習用データを蓄積することができる。
　入力部１６は、入力データ及びラベルデータを学習用データに含めるか否かの指定を外部から受け付けてよい。入力部１６は、例えば、外部機器から信号の入力を受け付ける外部端子で構成されたり、プッシュボタンで構成されたりしてよく、入力データ及びラベルデータを学習用データに含める場合にオン信号の入力を受け付け、入力データ及びラベルデータを学習用データに含めない場合にオフ信号の入力を受け付けてよい。このようにして、適切な入力データ及びラベルデータが学習用データに含まれるように外部から入力を受け付けることができ、学習済みモデルの予測精度を向上させることができる。
　学習部１７は、学習用データ１５ａを用いて学習モデルの機械学習を実行し、学習済みモデル１５ｂを生成する。例えば、学習モデルがニューラルネットワークの場合、学習部１７は、学習用データ１５ａの入力データをニューラルネットワークに入力し、その出力とラベルデータとの差に基づいて、誤差逆伝播法によりニューラルネットワークの重みを更新してよい。なお、学習モデルは、ニューラルネットワークに限られず、回帰モデルであったり、決定木であったりしてよく、学習部１７は、任意のアルゴリズムによって学習モデルの機械学習を実行してよい。本実施形態に係るセンサシステム１は、蓄積した学習用データを用いて学習モデルの機械学習を実行することで、制御機器の処理負荷を増やさずに学習済みモデルを生成することができる。
　予測部１８は、複数のスレーブユニット２０のうち少なくともいずれかにより取得されたデータを学習済みモデル１５ｂに入力し、学習済みモデル１５ｂにより予測値を出力させる。なお、予測部１８は、学習済みモデル１５ｂの出力をそのまま予測値として用いなくてもよく、任意の後処理を行ってよい。学習済みモデルにより予測値を出力させることで、制御機器の処理負荷を増やさずに学習済みモデルによる予測を行うことができる。
　通信部１９は、ＰＬＣ４０との通信を行うインターフェースである。通信部１９は、ＰＬＣ４０以外の外部機器との通信を行うものであってもよい。
　図３は、本実施形態に係るセンサシステム１の物理的構成を示す図である。マスタユニット１０は、ＰＬＣ４０との接続に用いられる入力／出力コネクタ１０１，１０２と、スレーブユニット２０との接続に用いられる接続コネクタ１０６と、電源入力コネクタとを備える。
　また、マスタユニット１０は、ＭＰＵ（Micro Processing Unit）１１０、通信ＡＳＩＣ（Application Specific Integrated Circuit）１１２、パラレル通信回路１１６、シリアル通信回路１１８、Ｆｌａｓｈ　ＲＯＭ１２０及び電源回路を備える。
　ＭＰＵ１１０は、マスタユニット１０における全ての処理を統括して実行するように動作する。通信ＡＳＩＣ１１２は、ＰＬＣ４０との通信を管理する。パラレル通信回路１１６は、マスタユニット１０とスレーブユニット２０との間でのパラレル通信に用いられる。同様に、シリアル通信回路１１８は、マスタユニット１０とスレーブユニット２０との間でのシリアル通信に用いられる。Ｆｌａｓｈ　ＲＯＭ１２０は、不揮発メモリであり、学習モデルを記憶する。例えば、学習モデルがニューラルネットワークの場合、Ｆｌａｓｈ　ＲＯＭ１２０は、ニューラルネットワークの重みパラメータやネットワーク構造を記憶してよい。また、学習モデルが回帰モデルであったり、決定木であったりする場合、Ｆｌａｓｈ　ＲＯＭ１２０は、回帰パラメータや決定木のハイパーパラメータを記憶してよい。
　スレーブユニット２０は、両側壁部分に、マスタユニット１０又は他のスレーブユニット２０との接続コネクタ３０４，３０６が設けられている。スレーブユニット２０は、マスタユニット１０に対して一列に複数接続することが可能である。複数のスレーブユニット２０からの信号は、隣り合うスレーブユニット２０に伝送され、マスタユニット１０に伝送される。
　スレーブユニット２０の両側面には、赤外線による光通信用の窓が設けられ、接続コネクタ３０４，３０６を利用して複数のスレーブユニット２０を一つずつ連結して一列に配置すると、互いに対向する光通信用の窓により、隣り合うスレーブユニット２０間で赤外線を利用した双方向光通信が可能となる。
　スレーブユニット２０は、ＣＰＵ（Central Processing Unit）４００によって実現される各種の処理機能と、専用の回路によって実現される各種の処理機能とを有する。
　ＣＰＵ４００は、投光制御部４０３を制御し、発光素子（ＬＥＤ）４０１から赤外線を放出させる。受光素子（ＰＤ）４０２が受光することによって生じた信号は、増幅回路４０４を介して増幅された後、Ａ／Ｄコンバータ４０５を介してデジタル信号に変換されて、ＣＰＵ４００に取り込まれる。ＣＰＵ４００では、受光データ、すなわち受光量をそのまま検出情報としてマスタユニット１０に向けて送信する。また、ＣＰＵ４００では、受光量が予め設定された閾値よりも大きいか否かを判定することによって得られるオン信号又はオフ信号を、判定信号としてマスタユニット１０に向けて送信する。
　さらにＣＰＵ４００は、左右の投光回路４１１，４１３を制御することにより、左右の通信用発光素子（ＬＥＤ）４０７，４０９から隣接するスレーブユニット２０に対して赤外線を放出する。隣接する左右のスレーブユニット２０から到来する赤外線は左右の受光素子（ＰＤ）４０６，４０８で受光された後、受光回路４１０，４１２を介しＣＰＵ４００へと到来する。ＣＰＵ４００では、所定のプロトコルに基づいて、送受信信号を制御することにより、左右の隣接するスレーブユニット２０との間で光通信を行なう。
　受光素子４０６、通信用発光素子４０９、受光回路４１０、投光回路４１３は、スレーブユニット２０間の相互干渉を防止するための同期信号を送受信するために利用される。具体的には、各スレーブユニット２０において、受光回路４１０と投光回路４１３とは直接結線される。この構成により、受信した同期信号が、ＣＰＵ４００による遅延処理が施されずに速やかに投光回路４１３を経て通信用発光素子４０９から隣接する別のスレーブユニット２０に送信される。
　ＣＰＵ４００は、さらに、表示部４１４を点灯制御する。また、ＣＰＵ４００は、設定スイッチ４１５からの信号を処理する。ＣＰＵ４００の動作に必要な各種のデータは、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）４１６等の記録媒体に記憶される。リセット部４１７から得られた信号は、ＣＰＵ４００へと送られ、計測制御のリセットが行われる。発振器（ＯＳＣ）４１８からＣＰＵ４００には、基準クロックが入力される。
　出力回路４１９は、受光量を閾値と比較して得られた判定信号の送信処理を行なう。前述したように、本実施の形態において、判定信号はパラレル通信によってマスタユニット１０に向けて送信される。
　パラレル通信用の伝送路は、マスタユニット１０と各スレーブユニット２０とが個別に接続された伝送路である。すなわち、複数のスレーブユニット２０は、それぞれ、別々のパラレル通信線によって、マスタユニット１０に接続される。ただし、マスタユニット１０に隣接するスレーブユニット２０以外のスレーブユニット２０と、マスタユニット１０とを接続するパラレル通信線は、他のスレーブユニット２０を通過し得る。
　シリアル通信ドライバ４２０は、マスタユニット１０から送信されたコマンド等の受信処理、検出情報（受光量）の送信処理を行なう。本実施形態においては、シリアル通信にＲＳ－４２２プロトコルが用いられる。シリアル通信にＲＳ－４８５プロトコルを利用してもよい。
　シリアル通信用の伝送路は、マスタユニット１０及び全てのスレーブユニット２０が接続された伝送路である。すなわち、全てのスレーブユニット２０は、マスタユニット１０に対して、シリアル通信線によってバス形式で信号伝達可能に接続される。
　図４は、本実施形態に係るマスタユニット１０により実行される学習用データ収集処理のフローチャートである。マスタユニット１０は、学習用データを収集する学習用データ収集モードと、学習済みモデルによって予測を行う予測モードとを有する。マスタユニット１０は、例えば入力部１６によって、学習用データ収集モードと、予測モードとの切り替えを受け付けてよい。
　はじめに、マスタユニット１０は、現在のモードが学習用データ収集モードであるか否かを判定する（Ｓ１０）。現在のモードが学習用データ収集モードでない場合（Ｓ１０：ＮＯ）、すなわち現在のモードが予測モードである場合、次図に示す「Ａ」の処理に進む。一方、現在のモードが学習用データ収集モードである場合（Ｓ１０：ＹＥＳ）、マスタユニット１０は、複数のスレーブユニット２０から、複数のセンサ３０により測定されたデータを取得する（Ｓ１１）。
　その後、マスタユニット１０は、学習用データの収集を開始するか否かを判定する（Ｓ１２）。学習用データの収集を開始するか否かは、入力部１６による入力に基づいて決定してもよいし、特定のスレーブユニットにより取得されたデータに基づいて決定してもよいし、所定の時刻が到来したこと等、予め定められた条件を満たすか否かに基づいて決定してもよい。
　学習用データの収集を開始する場合（Ｓ１２：ＹＥＳ）、マスタユニット１０は、取得されたデータの一部を入力データとして設定し（Ｓ１３）、取得されたデータの他の一部をラベルデータとして設定する（Ｓ１４）。ここで、いずれのスレーブユニットから取得されたデータを入力データ又はラベルデータとして設定するかは、入力部１６による入力に基づいて決定してもよい。
　その後、マスタユニット１０は、学習用データの収集を終了するか否かを判定する（Ｓ１５）。学習用データの収集を終了しない場合（Ｓ１５：ＮＯ）、取得されたデータの一部を入力データとして設定する処理と（Ｓ１３）、取得されたデータの他の一部をラベルデータとして設定する処理と（Ｓ１４）を繰り返す。一方、学習用データの収集を終了する場合（Ｓ１５：ＹＥＳ）、マスタユニット１０は、収取したデータに基づいて、学習用データを生成する（Ｓ１６）。学習用データの収集を終了するか否かは、入力部１６による入力に基づいて決定してもよいし、特定のスレーブユニットにより取得されたデータに基づいて決定してもよいし、所定の時刻が到来したこと等、予め定められた条件を満たすか否かに基づいて決定してもよい。
　さらに、マスタユニット１０は、生成した学習用データを用いた機械学習により、学習済みモデルを生成する（Ｓ１７）。なお、学習済みモデルの生成は、必ずしも学習用データの生成の直後に行われなくてもよく、学習用データを生成した後、任意のタイミングで実行されてよい。
　最後に、マスタユニット１０は、生成した学習用データと、生成した学習済みモデルとをＰＬＣ４０に送信する（Ｓ１８）。このようにして、ＰＬＣ４０の処理負荷を増やさずに教師有り機械学習の学習用データを蓄積し、学習済みモデルを生成することができる。
　図５は、本実施形態に係るマスタユニット１０により実行される予測処理のフローチャートである。はじめに、マスタユニット１０は、現在のモードが予測モードであるか否かを判定する（Ｓ２０）。現在のモードが予測モードでない場合（Ｓ２０：ＮＯ）、すなわち現在のモードが学習用データ収集モードである場合、図４に示す「Ｂ」の処理に進む。一方、現在のモードが予測モードである場合（Ｓ２０：ＹＥＳ）、マスタユニット１０は、複数のスレーブユニット２０から、複数のセンサ３０により測定されたデータを取得する（Ｓ２１）。
　その後、マスタユニット１０は、データの蓄積を開始するか否かを判定する（Ｓ２２）。データの蓄積を開始するか否かは、入力部１６による入力に基づいて決定してもよいし、特定のスレーブユニットにより取得されたデータに基づいて決定してもよいし、所定の時刻が到来したこと等、予め定められた条件を満たすか否かに基づいて決定してもよい。
　データの蓄積を開始する場合（Ｓ２２：ＹＥＳ）、マスタユニット１０は、取得されたデータを少なくとも一時的に記憶する（Ｓ２３）。その後、マスタユニット１０は、データの蓄積を終了するか否かを判定する（Ｓ２４）。データの蓄積を終了しない場合（Ｓ２４：ＮＯ）、取得されたデータの記憶（Ｓ２３）を継続する。一方、データの蓄積を終了する場合（Ｓ２４：ＹＥＳ）、マスタユニット１０は、学習済みモデルに蓄積したデータを入力する（Ｓ２５）。データの蓄積を終了するか否かは、入力部１６による入力に基づいて決定してもよいし、特定のスレーブユニットにより取得されたデータに基づいて決定してもよいし、所定の時刻が到来したこと等、予め定められた条件を満たすか否かに基づいて決定してもよい。
　さらに、マスタユニット１０は、学習済みモデルから予測値を出力させて、予測値をＰＬＣ４０に送信する（Ｓ２６）。このようにして、ＰＬＣ４０の処理負荷を増やさずに学習済みモデルによる予測を行うことができる。
　以上説明した実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。実施形態が備える各要素並びにその配置、材料、条件、形状及びサイズ等は、例示したものに限定されるわけではなく適宜変更することができる。また、異なる実施形態で示した構成同士を部分的に置換し又は組み合わせることが可能である。
　［附記１］
　複数のセンサ（３０ａ，３０ｂ，３０ｃ）と、
　前記複数のセンサ（３０ａ，３０ｂ，３０ｃ）それぞれに接続され、前記複数のセンサ（３０ａ，３０ｂ，３０ｃ）により測定されるデータを取得する複数のスレーブユニット（２０ａ，２０ｂ，２０ｃ）と、
　前記複数のスレーブユニット（２０ａ，２０ｂ，２０ｃ）及び制御装置（４０）と接続されているマスタユニット（１０）と、を備え、
　前記マスタユニット（１０）は、
　前記複数のスレーブユニット（２０ａ，２０ｂ，２０ｃ）のうち一部のスレーブユニットにより取得されたデータを入力データとして設定する第１設定部（１２ａ）と、
　前記複数のスレーブユニット（２０ａ，２０ｂ，２０ｃ）のうち他の一部のスレーブユニットにより取得されたデータを、前記入力データの性質を表すラベルデータとして設定する第２設定部（１２ｂ）と、
　前記入力データ及び前記ラベルデータを含む学習用データを生成する生成部（１４）と、を有する、
　センサシステム（１）。

Claims (6)

  1. 　複数のセンサと、
    　前記複数のセンサそれぞれに接続され、前記複数のセンサにより測定されるデータを取得する複数のスレーブユニットと、
    　前記複数のスレーブユニット及び制御装置と接続されているマスタユニットと、を備え、
    　前記マスタユニットは、
    　前記複数のスレーブユニットのうち一部のスレーブユニットにより取得されたデータを入力データとして設定する第１設定部と、
    　前記複数のスレーブユニットのうち他の一部のスレーブユニットにより取得されたデータを、前記入力データの性質を表すラベルデータとして設定する第２設定部と、
    　前記入力データ及び前記ラベルデータを含み、学習モデルの機械学習に用いる学習用データを生成する生成部と、を有する、
    　センサシステム。
  2. 　前記マスタユニットは、前記複数のスレーブユニットのうちいずれかのスレーブユニットにより取得されたデータに基づいて、前記入力データ及び前記ラベルデータを前記学習用データに含めるか否かを決定する決定部をさらに有する、
    　請求項１に記載のセンサシステム。
  3. 　前記マスタユニットは、外部から前記ラベルデータの入力を受け付ける入力部をさらに有する、
    　請求項１又は２に記載のセンサシステム。
  4. 　前記マスタユニットは、前記入力データ及び前記ラベルデータを前記学習用データに含めるか否かの指定を外部から受け付ける入力部をさらに有する、
    　請求項１から３のいずれか一項に記載のセンサシステム。
  5. 　前記マスタユニットは、前記学習用データを用いて学習モデルの機械学習を実行し、学習済みモデルを生成する学習部をさらに有する、
    　請求項１から４のいずれか一項に記載のセンサシステム。
  6. 　前記マスタユニットは、前記複数のスレーブユニットのうち少なくともいずれかにより取得されたデータを前記学習済みモデルに入力し、前記学習済みモデルにより予測値を出力させる予測部をさらに有する、
    　請求項５に記載のセンサシステム。
PCT/JP2019/020464 2018-06-07 2019-05-23 センサシステム WO2019235236A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018109147A JP7068654B2 (ja) 2018-06-07 2018-06-07 センサシステム
JP2018-109147 2018-06-07

Publications (1)

Publication Number Publication Date
WO2019235236A1 true WO2019235236A1 (ja) 2019-12-12

Family

ID=68770714

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/020464 WO2019235236A1 (ja) 2018-06-07 2019-05-23 センサシステム

Country Status (3)

Country Link
JP (1) JP7068654B2 (ja)
TW (1) TWI688925B (ja)
WO (1) WO2019235236A1 (ja)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4068394A4 (en) 2019-11-25 2024-01-03 Agc Inc SOLAR CELL MODULE, PRODUCTION METHOD THEREFOR AND EXTERNAL WALL CONSTRUCTION MATERIAL USING SAME

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014096698A (ja) * 2012-11-09 2014-05-22 Omron Corp 通信装置
JP2015187759A (ja) * 2014-03-26 2015-10-29 キヤノン株式会社 画像検索装置、画像検索方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3477709B2 (ja) * 1999-10-29 2003-12-10 オムロン株式会社 センサシステム
US7233830B1 (en) * 2005-05-31 2007-06-19 Rockwell Automation Technologies, Inc. Application and service management for industrial control devices
JP6142507B2 (ja) * 2012-11-09 2017-06-07 オムロン株式会社 センサシステム
US9796457B2 (en) * 2012-11-28 2017-10-24 Jonathan Rayner Tacon Buoyant element
EP3116166B1 (en) * 2014-03-04 2018-09-05 Omron Corporation Control system, control device, and control method
JP2016167650A (ja) * 2015-03-09 2016-09-15 オムロン株式会社 無線機、およびスレーブ制御装置
DE112017003157T5 (de) * 2016-06-22 2019-03-14 Soraa, Inc. Intelligente Module für intelligente Netzwerke

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014096698A (ja) * 2012-11-09 2014-05-22 Omron Corp 通信装置
JP2015187759A (ja) * 2014-03-26 2015-10-29 キヤノン株式会社 画像検索装置、画像検索方法

Also Published As

Publication number Publication date
TWI688925B (zh) 2020-03-21
JP2019212142A (ja) 2019-12-12
TW202001459A (zh) 2020-01-01
JP7068654B2 (ja) 2022-05-17

Similar Documents

Publication Publication Date Title
US7793017B2 (en) Connection module for sensors
US8346510B2 (en) Continuously-arranged sensor system, network unit, and sensor unit
WO2013121881A1 (ja) 通信システム、中継装置及び電源制御方法
US20130211552A1 (en) Method for electing an active master device from two redundant master devices
TWI702574B (zh) 感測系統
JP7372607B2 (ja) センサシステム
WO2019235236A1 (ja) センサシステム
JP2014085803A (ja) 通信装置
JP2017167593A (ja) 中継装置、中継装置の制御方法、制御プログラム、および記録媒体
EP3016351B1 (en) Method for operating a sensor arrangement with multiple sensor devices, sensor device, sensor arrangement and sensor system
WO2021033236A1 (ja) 無線電力伝送システム
JP6142507B2 (ja) センサシステム
US20220390925A1 (en) Sensor system, master unit, prediction device, and prediction method
JP6894043B2 (ja) Ｄｓｉプロトコルに基づいて自動車両におけるセンサ装置を動作させるための方法
KR101336373B1 (ko) 아날로그 입력 시스템, 아날로그 출력 시스템, 및 아날로그 입출력 시스템
JP6098106B2 (ja) センサシステムおよび通信装置
JP7382015B2 (ja) センサシステム
CN113557692B (zh) 管理装置、管理方法以及记录介质
JP5008764B2 (ja) 伝送制御システム
JP2014096698A (ja) 通信装置
JP7027228B2 (ja) 検出センサ、検出センサシステム
US20190245774A1 (en) Communication device and communication network
BE1023348B1 (nl) Een verbeterd gebouwbeheersysteem en werkwijze voor het opereren daarvan
JP7021631B2 (ja) 光電センサ
JP4836925B2 (ja) 端末電子機器、端末電子機器の透過状態制御方法、および端末制御システム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19815272

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19815272

Country of ref document: EP

Kind code of ref document: A1