WO2022030061A1 - 非稼働要因特定装置、方法、及び、プログラム - Google Patents

非稼働要因特定装置、方法、及び、プログラム Download PDF

Info

Publication number
WO2022030061A1
WO2022030061A1 PCT/JP2021/017874 JP2021017874W WO2022030061A1 WO 2022030061 A1 WO2022030061 A1 WO 2022030061A1 JP 2021017874 W JP2021017874 W JP 2021017874W WO 2022030061 A1 WO2022030061 A1 WO 2022030061A1
Authority
WO
WIPO (PCT)
Prior art keywords
equipment
data
factor
unit
operating
Prior art date
Application number
PCT/JP2021/017874
Other languages
English (en)
French (fr)
Inventor
雅也 平田
喜子夫 奥平
健一 小林
雄太 井上
裕介 国分
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Publication of WO2022030061A1 publication Critical patent/WO2022030061A1/ja

Links

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
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • 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
    • G06Q10/00—Administration; Management

Definitions

  • Peripheral device usage record data 844 is data that summarizes the usage status of peripheral devices such as a wrench 4 and a vacuum cleaner 6 in chronological order.
  • the worker's position information data 845 is data in which the position information of the worker 2 is summarized in time series. The position information of the worker 2 is acquired based on the position of the worker 2 that changes on the image taken by the camera 3 shown in FIG.
  • the user input data 846 is data input by the operator 2 from the data input unit 83 of the non-operating factor identification device 8 shown in FIG.
  • the trained model 847 is generated by learning the production plan data 841 and the operation record data 842 by the learning unit 851 of the processing unit 85 shown in FIG.
  • the identification unit 852 of the non-operating factor specifying device 8 shown in FIG. 6 separates each data stored in the storage unit 84 for each time, and the equipment device 1 is not operated for each time. The cause shall be identified.
  • the result of the identification unit 852 identifying the non-operation factor of the equipment 1 for each time is displayed on the first display unit 86 and the second display unit 87 shown in FIG. 13A to 13D show an example of the result of the specifying unit 852 identifying the non-operating factor of the equipment 1 at each time.
  • the result of specifying the non-operating factor of the equipment 1 for each time by the specifying unit 852 includes the time, the judgment factor, and the non-operating factor.
  • the time is a time corresponding to the time included in each data stored in the storage unit 84.
  • Judgment factors include the operation record of the equipment 1, the operation plan of the equipment 1, and the usage status of the peripheral equipment.
  • the operation record of the equipment 1 is data based on the operation record data 842 shown in FIG.
  • the operation plan of the equipment 1 is data based on the production plan data 841 shown in FIG.
  • the usage status of the peripheral device is data based on the usage record data 844 of the peripheral device shown in FIG.
  • the judgment factors include the data based on the progress data 843 of the previous process shown in FIG. 10 and the data based on the position information data 845 of the worker shown in FIG. It may be displayed.
  • the learning unit 851 of the processing unit 85 shown in FIG. 2 learns the learning data stored in the storage unit 84 and generates a trained model 847.
  • the learning unit 851 updates the trained model 847 stored in the storage unit 84 shown in FIG. 3 with the generated trained model 847 (step 6).
  • the learning of the learning data and the generation of the learned model 847 in the learning unit 851 will be described below with reference to the flowchart of the learning process shown in FIG.
  • the non-operating factor identification device 8 is derived from various peripheral devices such as an equipment device 1 that processes work, polishing, etc., a wrench 4 used by a worker 2, and a vacuum cleaner 6. Based on the acquired information, the non-operation factor of the equipment 1 can be identified by the neural network. Further, when there is an error in the specified non-operating factor, the accuracy of identifying the non-operating factor can be improved by re-learning the neural network with the corrected information. As a result, the non-operating factor identification device 8 can easily identify the non-operating factor with high accuracy.
  • each data stored in the storage unit 84 of the non-operating factor identification device 8 is collected by the data collection unit 82 via the communication unit 81.
  • the storage unit 84 may autonomously collect and store each data.

Landscapes

  • Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • General Factory Administration (AREA)

Abstract

非稼働要因特定装置８は、データ収集部と、特定部と、学習部とを備える。データ収集部は、監視対象の設備装置における稼働実績である稼働実績データ、設備装置で行われる生産予定を管理するため生産計画データ、および、設備装置の周辺で使用される周辺機器の使用実績である使用実績データを収集する。特定部は、設備装置の非稼働要因を特定するためのニューラルネットワークを構築し、構築したニューラルネットワークにデータ収集部で収集された稼働実績データ、生産計画データ、使用実績データを入力し、設備装置の非稼働要因を特定する。学習部は、特定部で特定された設備装置の非稼働要因に誤りがある場合に、誤りが訂正された学習用のデータに基づいてニューラルネットワークに学習をし直させる。

Description

非稼働要因特定装置、方法、及び、プログラム
　本開示は、非稼働要因特定装置、方法、及び、プログラムに関する。
　製造業において、設備の稼働効率を高めるために、設備の非稼働要因を分析し改善することが行われている。例えば、特許文献１には、設備からオンライン経由で取得した稼働および非稼働のデータを分析することにより、設備の非稼働要因を分析する技術が開示されている。
特開平３－２９０７８４号公報
　特許文献１に開示された技術では、作業者が初期設定として、設備の停止理由に名称を与えている。しかしながら、設備の停止理由が、作業者から名称を与えられていない未知のものである場合、作業者へのヒアリング、設備の動作状況の解析等、各種調査を行い、設備の停止理由を特定する必要が生じるという課題がある。また、精度の高い設備の非稼働要因の特定を行うには、設備から取得可能な稼働状況の情報と作業者の目視による監視情報とでは、不具合の生じた状況の解析に必要な情報が不足しているため、ノウハウを持った経験者による長期的な調査が必要となるという課題がある。
　本開示は、上述の課題を解決するためになされたものであり、精度の高い設備の非稼働要因の特定を簡易に行うことができる非稼働要因特定装置、方法、及び、プログラムを提供することを目的とする。
　上述の目的を達成するために、本開示に係る非稼働要因特定装置は、データ収集部と、特定部と、学習部とを備える。データ収集部は、監視対象の設備装置における稼働実績である稼働実績データ、設備装置で行われる生産予定を管理するため生産計画データ、および、設備装置の周辺で使用される周辺機器の使用実績である使用実績データを収集する。特定部は、設備装置の非稼働要因を特定するためのニューラルネットワークを構築し、構築したニューラルネットワークにデータ収集部で収集された稼働実績データ、生産計画データ、使用実績データを入力し、設備装置の非稼働要因を特定する。学習部は、特定部で特定された設備装置の非稼働要因に誤りがある場合に、誤りが訂正された学習用のデータに基づいてニューラルネットワークに学習をし直させる。
　本開示によれば、設備装置、周辺機器等から収集した情報、作業者の状況に関する情報に基づいて、ニューラルネットワークにより設備装置の非稼働要因を特定し、特定した非稼働要因に誤りがある場合には、訂正した情報によりニューラルネットワークを学習し直させることにより、精度の高い設備の非稼働要因の特定を簡易に行うことができる非稼働要因特定装置を提供することができる。
本開示の実施の形態に係る非稼働要因特定システムの構成を示す図 本開示の実施の形態に係る非稼働要因特定装置の構成を示す図 図２に示した非稼働要因特定装置の保存部の構成を示す図 図２に示した非稼働要因特定装置の学習部の構成を示す図 図４に示した学習部に構築されるニューラルネットワークの概要を示す図 図２に示した非稼働要因特定装置の特定部の構成を示す図 図２に示した非稼働要因特定装置のハードウエア構成の一例を示す図 本開示の実施の形態に係る生産計画データのテーブルを示す図 本開示の実施の形態に係る稼働実績データのテーブルを示す図 本開示の実施の形態に係る前工程の進捗データのテーブルを示す図 本開示の実施の形態に係る周辺機器の使用実績データのテーブルを示す図 本開示の実施の形態に係る作業者の位置情報データのテーブルを示す図 本開示の実施の形態に係る設備装置の非稼働要因を特定した結果の一例を示す図の右上半分を示す図 本開示の実施の形態に係る設備装置の非稼働要因を特定した結果の一例を示す図の左上半分を示す図 本開示の実施の形態に係る設備装置の非稼働要因を特定した結果の一例を示す図の右下半分を示す図 本開示の実施の形態に係る設備装置の非稼働要因を特定した結果の一例を示す図の左下半分を示す図 本開示の実施の形態に係る非稼働要因特定システムにおける非稼働要因の特定処理のフローチャート 本開示の実施の形態に係る特定処理のフローチャート 本開示の実施の形態に係る学習処理のフローチャート
　以下、本開示の実施の形態に係る非稼働要因特定装置８および、非稼働要因特定装置８を含む非稼働要因特定システム１００について、図面を参照しつつ説明する。なお、同一または同等の部分に同一の符号を付す。
　非稼働要因特定装置８は、ワークの加工、研磨等の処理を行うＦＡ（Ｆａｃｔｏｒｙ　Ａｕｔｏｍａｔｉｏｎ）装置、作業者の用いるレンチ、掃除機等の各種周辺機器から取得した情報に基づいて、ニューラルネットワークによりＦＡ機器の非稼働要因を特定し、特定した非稼働要因に誤りがある場合には、訂正した情報によりニューラルネットワークを学習し直させることにより、特定の精度を向上させることができる装置である。非稼働要因特定システム１００は、非稼働要因特定装置８を含むシステムである。
　非稼働要因特定システム１００の構成を、図１に示す。非稼働要因特定システム１００は、ワークの加工、研磨等の処理を行うＦＡ装置である第１設備装置１ａおよび第２設備装置１ｂと、第１作業者２ａ～第４作業者２ｄを撮影する第１カメラ３ａ、第２カメラ３ｂ、および第３カメラ３ｃと、メンテナンスに用いられるレンチ４と、第１作業者２ａの履く第１シューズ５ａ、第２作業者２ｂの履く第２シューズ５ｂ、第３作業者２ｃの履く第３シューズ５ｃ、および第４作業者２ｄの履く第４シューズ５ｄと、作業環境の清掃に用いられる掃除機６と、第１設備装置１ａおよび第２設備装置１ｂの生産を管理する生産管理装置７と、非稼働要因を特定する非稼働要因特定装置８と、を備えている。
　第１設備装置１ａおよび第２設備装置１ｂと、カメラ３と、レンチ４と、第１シューズ５ａ、第２シューズ５ｂ、第３シューズ５ｃ、および第４シューズ５ｄと、掃除機６と、生産管理装置７と、非稼働要因特定装置８とは、無線通信により相互に接続されている。なお、以下では、第１作業者２ａ、第２作業者２ｂ、第３作業者２ｃ、および第４作業者２ｄを総称して、作業者２と称する。また、以下では、第１カメラ３ａ、第２カメラ３ｂ、および第３カメラ３ｃを総称して、カメラ３と称する。
　第１設備装置１ａおよび第２設備装置１ｂは、ワークの加工、研磨等の処理を行うＦＡ装置である。第１設備装置１ａおよび第２設備装置１ｂは、後述する生産計画データ８４１に基づいて運用される。非稼働要因特定装置８は、第１設備装置１ａおよび第２設備装置１ｂの稼働状況を監視し、非稼働要因を特定する装置である。カメラ３は、作業者２を撮影する。非稼働要因特定装置８は、カメラ３で撮影された画像から作業者２の位置、動作内容を取得する。カメラ３は、例えば、ＣＣＤ（Ｃｈａｒｇｅ　Ｃｏｕｐｌｅｄ　Ｄｅｖｉｃｅ）、ＣＭＯＳ（Ｃｏｍｐｌｅｍｅｎｔａｒｙ　Ｍｅｔａｌ　Ｏｘｉｄｅ　Ｓｅｍｉｃｏｎｄｕｃｔｏｒ）イメージセンサ等の撮像素子を用いたカメラ、ビデオカメラ等、静止画または動画を撮影し、撮影した静止画または動画を取得することが可能な各種カメラを用いることができる。なお、以下では、第１設備装置１ａおよび第２設備装置１ｂを総称して、設備装置１と称する。
　レンチ４は、設備装置１のメンテナンスに用いられる工作器具である。レンチ４は、器具の稼働状態、位置、使用者等の各種情報を取得することができるＩｏＴ（Ｉｎｔｅｒｎｅｔ　ｏｆ　Ｔｈｉｎｇｓ）機能を備えたレンチとして構成されている。第１シューズ５ａ、第２シューズ５ｂ、第３シューズ５ｃ、および第４シューズ５ｄは、作業者２それぞれの位置、移動距離等を取得することができるＩｏＴ機能を備えたシューズである。第１シューズ５ａ、第２シューズ５ｂ、第３シューズ５ｃ、および第４シューズ５ｄは、ＩｏＴ機能を備えたシューズとして構成されている。なお、第１シューズ５ａ、第２シューズ５ｂ、第３シューズ５ｃ、および第４シューズ５ｄを総称して、以下では、シューズ５と称する。
　掃除機６は、設備装置１の配置された作業環境を清掃するための掃除機である。掃除機６は、使用された位置、使用者、稼働時間等の取得することができるＩｏＴ機能を備えた掃除機として構成されている。生産管理装置７は、設備装置１の生産を管理するための装置である。生産管理装置７には、第１設備装置１ａおよび第２設備装置１ｂそれぞれの生産予定を管理するための生産計画データを備えている。第１設備装置１ａおよび第２設備装置１ｂはそれぞれ、生産管理装置７から生産計画データを取得し、生産計画データに設定された生産計画にのっとって動作を制御する。
　非稼働要因特定装置８は、監視対象である設備装置１の非稼働要因を特定するための装置である。具体的には、非稼働要因特定装置８は、設備装置１と、カメラ３と、レンチ４と、シューズ５と、掃除機６と、生産管理装置７とから取得した各種情報に基づいて、設備装置１の非稼働要因を特定する。
　非稼働要因特定装置８の構成を、図２に示す。非稼働要因特定装置８は、設備装置１、カメラ３等と各種情報およびデータを送受信するための通信部８１と、通信部８１を介して各種情報およびデータを収集するデータ収集部８２と、データを入力するためのデータ入力部８３と、各種の情報およびデータを保存する保存部８４と、各種の情報およびデータを処理する処理部８５と、処理部８５による処理結果を表示する第１表示部８６および第２表示部８７とを含む。
　通信部８１は、設備装置１と、カメラ３と、レンチ４と、シューズ５と、掃除機６とそれぞれ、位置情報、使用状態、稼働情報等の各種情報およびデータを送受信する。また、通信部８１は、生産管理装置７から設備装置１の生産計画データを受信する。ここでは、通信部８１は、無線で設備装置１、カメラ３等と通信できるものとする。
　データ収集部８２は、通信部８１で受信した各種情報およびデータを収集し、保存部８４に保存する各種データを生成する。データ収集部８２は、生成した各種データを保存部８４に送信し、保存させる。データ入力部８３は、作業者２からデータを入力させるための入力部である。保存部８４は、データ収集部８２で生成された各種データ、および、データ入力部８３から入力されたデータを保存する。また、保存部８４は、非稼働要因特定装置８で実行される各種プログラムを保存している。
　処理部８５は、保存部８４に保存された各データに基づいて、設備装置１の非稼働要因を特定する処理を実行する。処理部８５は、各種の情報およびデータに基づいて非稼働要因を学習する学習部８５１と、各種の情報およびデータに基づいて非稼働要因を特定する特定部８５２とを備えている。学習部８５１は、保存部８４に保存されている各種の情報およびデータを、自身に構築されたニューラルネットワークに学習させ、非稼働要因を特定するための学習済モデルを生成する。特定部８５２は、学習部８５１で生成された学習済モデルを、自身に構築されたニューラルネットワークに設定し、非稼働要因を特定する。
　処理部８５では、まず、設備装置１の稼働実績データから、設備装置１が稼働状態か、非稼働状態かを判定する。この際、設備装置１が稼働状態であれば、非稼働要因の特定を終了する。設備装置１が非稼働状態であれば、非稼働要因の特定を実行する。非稼働要因の特定は、例えば、以下のとおりである。
　設備装置１が、自身に生じたトラブルにより停止している場合は、非稼働要因を異常停止と特定する。また、設備装置１の製造する製品の品質異常による停止、製造措置が完了までの間に生じた生産中断の場合は、非稼働要因を品質異常とする。設備装置１の稼働計画から、非稼働状態が計画的な停止と判断できた場合は、非稼働要因を計画的な停止とする。
　設備装置１に関連する前工程における進捗状況から、前工程の遅れに由来する停止と判断できた場合は、非稼働要因を前工程の遅れとする。また、設備装置１に関連する後工程トラブルの影響による停止と判断できた場合は、非稼働要因を後工程のトラブルとする。
　設備装置１に関連する後工程の処理中による搬送待ち、次工程のタクトタイムにより処理の停止と判断できた場合は、非稼働要因を後工程処理による搬送待ちとする。また、レンチ４、掃除機６等の周辺機器の稼働状況から、付帯作業に伴う停止と判断できた場合は、設備装置１の非稼働要因を付帯作業とする。
　作業者の位置情報から作業者の不在に伴う停止と判断できた場合は、設備装置１の非稼働要因を作業者不在とする。また、上述のいずれの場合にも当てはまらない場合には、特定部８５２に構築されたニューラルネットワークにより、非稼働要因を特定する。
　第１表示部８６および第２表示部８７は、処理部８５の特定部８５２により特定された非稼働要因を表示する。第１表示部８６は、第１設備装置１ａで作業する作業者２が表示を目視可能な位置に配置される。また、第２表示部８７は、第２設備装置１ｂで作業する作業者２が表示を目視可能な位置に配置される。なお、第１表示部８６および第２表示部８７は、特許請求の範囲における表示部の一例である。
　続いて、保存部８４に保存される各種情報およびデータについて、図３に示す。保存部８４には、設備装置１の生産計画である生産計画データ８４１と、設備装置１の稼働情報である稼働実績データ８４２と、設備装置１の前工程における進捗状況を示す前工程の進捗データ８４３と、レンチ４、掃除機６等の周辺機器の使用状況を示す周辺機器の使用実績データ８４４と、作業者２の位置を示す作業者の位置情報データ８４５と、作業者２から入力されたデータであるユーザ入力データ８４６と、図２に示した処理部８５の学習部８５１で生成された学習済モデル８４７と、が保存されている。
　生産計画データ８４１は、図１に示した生産管理装置７から取得された、設備装置１の生産計画のデータである。稼働実績データ８４２は、設備装置１の稼働実績を時系列でまとめたデータである。前工程の進捗データ８４３は、設備装置１の前工程の進捗状況について時系列でまとめたデータである。例えば、前工程において、予定どおり処理が行われている、処理に遅延が生じている等のデータが含まれている。
　周辺機器の使用実績データ８４４は、レンチ４、掃除機６等の周辺機器の使用状況を、時系列でまとめたデータである。作業者の位置情報データ８４５は、作業者２の位置情報を時系列でまとめたデータである。作業者２の位置情報は、図１に示したカメラ３により撮影された画像上で変化する作業者２の位置に基づいて取得される。ユーザ入力データ８４６は、図２に示した非稼働要因特定装置８のデータ入力部８３から、作業者２が入力したデータである。学習済モデル８４７は、図２に示した処理部８５の学習部８５１で生産計画データ８４１と、稼働実績データ８４２等が学習され、生成される。
　続いて、図２に示した処理部８５の学習部８５１の構成を、図４に示す。学習部８５１は、学習用データ取得部８５５と、学習済モデル生成部８５６とを備える。学習用データ取得部８５５は、保存部８４に保存された生産計画データ８４１と、稼働実績データ８４２と、前工程の進捗データ８４３と、周辺機器の使用実績データ８４４と、作業者の位置情報データ８４５と、ユーザ入力データ８４６とを取得する。学習用データ取得部８５５は、取得した各データを、学習済モデル生成部８５６に送信する。学習済モデル生成部８５６は、学習用データ取得部８５５から受信した各データを、自身に構築されたニューラルネットワークで学習し、学習済モデル８４７を生成する。学習済モデル生成部８５６は、生成した学習済モデル８４７を、保存部８４に保存する。
　ここで、学習済モデル生成部８５６に構築されるニューラルネットワークの一例を、図５に示す。ニューラルネットワークは、複数のニューロンを含む、入力層と、中間層と、出力層とで構成されている。ここで、本実施の形態においては、中間層を１層とする。例えば、図５に示す３層のニューラルネットワークであれば、複数の入力が入力層Ｘ１～Ｘｎに入力されると、その値に重みＷ１１～Ｗｎｍを掛けて中間層Ｙ１～Ｙｍに入力される。中間層Ｙ１～Ｙｍに入力された結果に、さらに重みＶ１１～Ｖｋｍを掛け、出力層Ｚ１～Ｚｋから出力される。出力層Ｚ１～Ｚｋからの出力結果は、重みＷ１１～Ｗｎｍと、重みＶ１１～Ｖｋｍの値によって変わる。なお、ここでは、ｎ、ｋは４以上の整数とし、ｍは３以上の整数とする。
　まず、出力層Ｚ１～Ｚｋの各ニューロンに、設備装置１の非稼働要因のデータであるユーザ入力データ８４６を設定する。続いて、入力層Ｘ１～Ｘｎの各ニューロンに、図４に示した学習部８５１の学習用データ取得部８５５が、保存部８４から取得した各データをそれぞれ入力し、出力層Ｚ１～Ｚｋから出力される結果が、ユーザ入力データ８４６に近づく状態に、重みＷ１１～Ｗｎｍと、重みＶ１１～Ｖｋｍとを調整させる。重みＷ１１～Ｗｎｍと、重みＶ１１～Ｖｋｍの調整は、例えば、誤差伝搬（Ｂａｃｋ　Ｐｒｏｐａｇａｔｉｏｎ）法を用いて行う。重みＷ１１～Ｗｎｍと、重みＶ１１～Ｖｋｍを調整することは、ニューラルネットワークにおける学習である。また、以下では、重みＷ１１～Ｗｎｍと、重みＶ１１～Ｖｋｍを調整することを、学習済モデル生成部８５６における学習とする。学習済モデル生成部８５６は、調整された重みＷ１１～Ｗｎｍと、重みＶ１１～Ｖｋｍとを、学習済モデル８４７として、図４に示した保存部８４に保存させる。
　次に、図２に示した処理部８５の特定部８５２の構成を、図６に示す。特定部８５２は、特定用データ取得部８５７と、特定処理部８５８とを備える。特定用データ取得部８５７は、保存部８４に保存された生産計画データ８４１と、稼働実績データ８４２と、前工程の進捗データ８４３と、周辺機器の使用実績データ８４４と、作業者の位置情報データ８４５とを取得する。特定用データ取得部８５７は、取得した各データを、特定処理部８５８に送信する。特定処理部８５８は、保存部８４から学習済モデル８４７を取得し、自身に構築したニューラルネットワークに設定する。特定処理部８５８は、ニューラルネットワークに特定用データ取得部８５７から受信した各データを入力し、設備装置１の非稼働要因を特定する。
　例えば、特定処理部８５８に構築されるニューラルネットワークが、図５に示したニューラルネットワークとした場合、学習済モデル８４７である重みＷ１１～Ｗｎｍと、重みＶ１１～Ｖｋｍとが、ニューラルネットワークに設定される。特定処理部８５８に構築されたニューラルネットワークは、入力層Ｘ１～Ｘｎの各ニューロンに、特定用データ取得部８５７から受信した各データが入力されると、出力層Ｚ１～Ｚｋから、入力内容と一番関連の高い設備装置１の非稼働要因を出力することができる。特定処理部８５８は、特定された非稼働要因を第１表示部８６および第２表示部８７に表示させる。これにより、作業者２に対して設備装置１における非稼働要因を提示することができる。
　本実施の形態では、図２に示した非稼働要因特定装置８で実行される各機能と、非稼働要因特定装置８の処理部８５に含まれる学習部８５１および特定部８５２で実行される各機能とは、ソフトウェアにより実現される機能である。非稼働要因特定装置８の各機能を実現するためのソフトウェアを、非稼働要因特定処理プログラムとする。また、学習部８５１の各機能を実現するための処理を実行するソフトウェアを学習処理プログラムとする。特定部８５２の各機能を実現するための処理を実行するソフトウェアを特定処理プログラムとする。非稼働要因特定処理プログラムと、学習処理プログラムと、特定処理プログラムとを実行するためのハードウエア構成の一例を、図７に示す。
　非稼働要因特定装置８は、図１に示した設備装置１、カメラ３、レンチ４等とデータを送受信するための通信機器８０１と、作業者２からの入力を受け付ける入力機器８０２と、各種プログラム及び各データを保存する保存機器８０３と、各種プログラムを展開するためのメモリ８０４と、各種プログラムを実行するプロセッサ８０５と、第１表示装置８０６および第２表示装置８０７に表示用データを出力する表示コントローラ８０８とを備える。通信機器８０１と、入力機器８０２と、保存機器８０３と、メモリ８０４と、プロセッサ８０５と、表示コントローラ８０８とは、データバス８０９により相互に接続されている。
　通信機器８０１は、設備装置１、カメラ３、レンチ４等と無線通信によりテータを送受信することができる機器である。通信機器８０１は、図２に示した非稼働要因特定装置８の通信部８１として機能する。通信機器８０１は、例えば、無線ＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、Ｗｉｆｉ等の各種通信方式による機器により構成することができる。
　入力機器８０２は、作業者２からの入力を受け付ける機器である。入力機器８０２は、図２に示した非稼働要因特定装置８のデータ入力部８３として機能する。入力機器８０２は、例えば、キーボード、タッチパネル等の機器により構成することができる。保存機器８０３は、図２に示した非稼働要因特定装置８の保存部８４として機能する機器である。保存機器８０３は、例えば、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）等の記憶装置を用いて構成することができる。
　メモリ８０４は、保存機器８０３に記憶された各種プログラムを展開するための機器である。メモリ８０４は、例えば、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、フラッシュメモリ等の揮発性または不揮発性の半導体メモリといった記憶素子および記憶媒体を用いて構成することができる。プロセッサ８０５は、保存機器８０３に記憶された各種プログラムを読み出してメモリ８０４に展開し、実行する。プロセッサ８０５は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＭＰＵ（Ｍｉｃｒｏ－ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）等の処理装置を用いて構成することができる。
　第１表示装置８０６は、図２に示した非稼働要因特定装置８の第１表示部８６として機能する表示装置である。また、第２表示装置８０７は、図２に示した非稼働要因特定装置８の第２表示部８７として機能する表示装置である。第１表示装置８０６および第２表示装置８０７は、例えば、ＬＣＤ（Ｌｉｑｕｉｄ　Ｃｒｙｓｔａｌ　Ｄｉｓｐｌａｙ）、有機ＥＬ（Ｅｌｅｃｔｒｏ－Ｌｕｍｉｎｅｓｃｅｎｃｅ）パネル等の表示インターフェース装置を用いて構成することができる。また、表示コントローラ８０８は、第１表示装置８０６および第２表示装置８０７に対して、文字及び画像により構成される表示用データを表示させるための映像信号を出力するコントローラである。表示コントローラ８０８は、例えば、ビデオカード、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、グラフィックボード等の映像信号出力装置を用いて構成することができる。
　ここで、図３に示した非稼働要因特定装置８の保存部８４に保存される各データについて、図８から図１２を参照しつつ、以下に説明する。図８に示すのは、設備装置１の生産計画である生産計画データ８４１のテーブルである。生産計画データ８４１は、第１設備装置１ａおよび第２設備装置１ｂの生産計画を時系列にまとめたデータである。なお、第１設備装置１ａおよび第２設備装置１ｂは、図８では「第１装置」および「第２装置」と表記するものとする。
　例えば、図８に示すとおり、第１設備装置１ａおよび第２設備装置１ｂには、時刻８：３０から８：４５まで、稼働前作業が行われる。その後、第１設備装置１ａおよび第２設備装置１ｂには、時刻８：４５から９：００まで付帯作業が行われる。そして、第１設備装置１ａおよび第２設備装置１ｂは、時刻９：００から稼働する。
　図９に示すのは、設備装置１の稼働情報である稼働実績データ８４２のテーブルである。稼働実績データ８４２は、第１設備装置１ａおよび第２設備装置１ｂの稼働実績を時系列にまとめたデータである。なお、第１設備装置１ａおよび第２設備装置１ｂは、図９では「第１装置」および「第２装置」と表記するものとする。
　例えば、図９に示すとおり、第１設備装置１ａおよび第２設備装置１ｂは、時刻８：３０から８：４５まで停止している。停止は、第１設備装置１ａおよび第２設備装置の電源をオフした状態のことをいう。その後、第１設備装置１ａおよび第２設備装置１ｂには、時刻８：４５から９：００まで非稼働である。非稼働は、第１設備装置１ａおよび第２設備装置の電源をオンしているが、動作していない状態のことをいう。そして、第１設備装置１ａおよび第２設備装置１ｂは、時刻９：００から稼働する。稼働は、第１設備装置１ａおよび第２設備装置１ｂの電源をオンし、かつ、動作している状態のことをいう。
　図１０に示すのは、前工程の進捗データ８４３のテーブルである。前工程の進捗データ８４３は、第１設備装置１ａおよび第２設備装置１ｂの前工程における進捗状況を時系列にまとめたデータである。前工程は、例えば、設備装置１で加工するワークのエッチング処理、洗浄処理、搬送処理等が挙げられる。図１０に示す第１工程は、第１設備装置１ａで処理する前に行われる工程を示し、第２工程は、第２設備装置１ｂで処理する前に行われる工程を示している。例えば、図１０に示すとおり、第１工程では、時刻８：００から８：２０まで処理中であり、時刻８：２０に処理が終了している。その後、第１工程では、時刻８：４５に次の処理が開始されている。また、第２工程では、時刻８：００から８：２０まで処理中であり、時刻８：２０に処理が遅延している。その後、第２工程では、時刻８：４５に処理が終了している。
　図１１に示すのは、周辺機器の使用実績データ８４４のテーブルである。周辺機器の使用実績データ８４４は、レンチ４、掃除機６、作業者２の履いているシューズ５といった周辺機器の使用状況を時系列にまとめたデータである。なお、第１設備装置１ａおよび第２設備装置１ｂは、図１１では「第１装置」および「第２装置」と表記するものとする。
　例えば、図１１に示すとおり、時刻８：３０から８：４５まで、レンチ４は第１設備装置１ａの周辺で使用されており、掃除機６は第２設備装置１ｂの周辺で使用されている。また、第１作業者２ａの履いている第１シューズ５ａと、第２作業者２ｂの履いている第２シューズ５ｂとは、第１設備装置１ａの周辺で使用されている。第３作業者２ｃの履いている第３シューズ５ｃと、第４作業者２ｄの履いている第４シューズ５ｄとは、第２設備装置１ｂの周辺で使用されている。
　時刻８：４５から９：００までは、レンチ４が未使用となっている。また、掃除機６は、第１設備装置１ａの周辺で使用されている。作業者２の履いているシューズ５には、変化は無い。時刻９：００以降は、レンチ４と掃除機６とが未使用になっている。また、第１作業者２ａの履いている第１シューズ５ａと、第３作業者２ｃの履いている第３シューズ５ｃとは、不在となっている。これは、設備装置１の配置された作業環境に、第１シューズ５ａと第３シューズ５ｃとが無いことを示している。また、第２作業者２ｂの履いている第２シューズ５ｂは、第２設備装置１ｂの周辺で使用されている。第４作業者２ｄの履いている第４シューズ５ｄとは、第１設備装置１ａの周辺で使用されている。
　図１２に示すのは、作業者の位置情報データ８４５のテーブルである。作業者の位置情報データ８４５は、カメラ３で撮影した画像から取得された作業者２の位置を時系列にまとめたデータである。なお、第１設備装置１ａおよび第２設備装置１ｂは、図１２では「第１装置」および「第２装置」と表記するものとする。
　例えば、時刻８：３０から９：００までは、第１作業者２ａと第２作業者２ｂとは、第１設備装置１ａの周辺に居ることが示されている。また、第３作業者２ｃと、第４作業者２ｄとは、第２設備装置１ｂの周辺に居ることが示されている。時刻９：００以降は、第１作業者２ａと、第３作業者２ｃとは、不在となっている。また、第２作業者２ｂは、第２設備装置１ｂの周辺に居ることが示されている。第４作業者２ｄは、第１設備装置１ａの周辺に居ることが示されている。
　ここで、本実施の形態において、図６に示した非稼働要因特定装置８の特定部８５２は、保存部８４に保存された各データを時刻毎に切り分け、時刻毎に設備装置１の非稼働要因を特定するものとする。特定部８５２が時刻毎に設備装置１の非稼働要因を特定した結果は、図２に示した第１表示部８６および第２表示部８７に表示される。特定部８５２が時刻毎に設備装置１の非稼働要因を特定した結果の一例を、図１３Ａ～図１３Ｄに示す。
　図１３Ａは、設備装置の非稼働要因を特定した結果の一例を示す図の右上半分を示す図である。また、図１３Ｂは、同図の左上半分を示す図である。図１３Ｃは、同図の右下半分を示す図である。図１３Ｄは、同図の左下半分を示す図である。なお、第１設備装置１ａおよび第２設備装置１ｂは、図１３Ａ～図１３Ｄでは「第１装置」および「第２装置」と表記するものとする。
　特定部８５２が時刻毎に設備装置１の非稼働要因を特定した結果は、時刻と、判断要因と非稼働要因の項目を含んでいる。時刻は、保存部８４に保存された各データに含まれた時刻に対応する時刻である。判断要因には、設備装置１の稼働実績と、設備装置１の稼働計画と、周辺機器の使用状況とが含まれている。設備装置１の稼働実績は、図９に示した稼働実績データ８４２に基づくデータである。設備装置１の稼働計画は、図８に示した生産計画データ８４１に基づくデータである。周辺機器の使用状況は、図１１に示した周辺機器の使用実績データ８４４に基づくデータである。なお、判断要因には、これらのデータに加えて、図１０に示した前工程の進捗データ８４３に基づくデータ、および、図１２に示した作業者の位置情報データ８４５に基づくデータを、併せて表示させてもよい。
　非稼働要因は、判断要因に基づいて図６に示した特定部８５２の特定処理部８５８により特定された非稼働要因である。例えば、図１３Ａおよび図１３Ｂに示すとおり、時刻８：３０では、判断要因の稼働実績において、第１設備装置１ａおよび第２設備装置１ｂは停止している。判断要因の稼働計画では、第１設備装置１ａおよび第２設備装置１ｂは、稼働前作業となっている。このため、特定部８５２の特定処理部８５８は、第１設備装置１ａおよび第２設備装置１ｂを、稼働計画に基づく稼働前作業と特定している。
　また、図１３Ｃおよび図１３Ｄに示すとおり、時刻１３：０５では、判断要因の稼働実績において、第１設備装置１ａは稼働しているが、第２設備装置１ｂでは部材不足が生じている。このとき、判断要因の稼働計画では、第１設備装置１ａおよび第２設備装置１ｂは、稼働となっている。周辺機器の使用状況では、第１シューズ５ａ～第４シューズ５ｄが全て不在になっている。第１シューズ５ａ～第４シューズ５ｄが全て不在ということは、すなわち、第１シューズ５ａ～第４シューズ５ｄを履く第１作業者２ａ～第４作業者２ｄが全員、第１設備装置１ａおよび第２設備装置１ｂの配置された作業環境に居ないことを示している。このため、特定部８５２の特定処理部８５８は、第１シューズ５ａ～第４シューズ５ｄの不在に基づいて、第２設備装置１ｂの非稼働要因を作業者不在と特定している。
　続いて、非稼働要因特定装置８における非稼働要因の特定処理について、図１４に示すフローチャートを参照しつつ、以下に説明する。図１４に示すフローチャートの処理は、非稼働要因特定処理プログラムとして、図２に示した保存部８４に保存されている。非稼働要因特定処理プログラムは、非稼働要因特定装置８の起動時に図７に示したプロセッサ８０５により保存機器８０３からメモリ８０４に読み出され、実行される。非稼働要因特定装置８は、非稼働要因特定処理プログラムを予め定められた一定時間毎に実行することにより、非稼働要因を特定する。なお、第１設備装置１ａおよび第２設備装置１ｂは、図１４では「第１装置」および「第２装置」と表記するものとする。
　図１４において、図２に示した非稼働要因特定装置８のデータ収集部８２は、通信部８１を介して、図１に示した第１設備装置１ａおよび第２設備装置１ｂと、カメラ３、レンチ４、掃除機６等の周辺機器、生産管理装置７から各データと収集する（ステップＳ１）。ここで、非稼働要因特定装置８のデータ収集部８２の収集する各データは、生産計画データ８４１、稼働実績データ８４２、前工程の進捗データ８４３、周辺機器の使用実績データ８４４、および作業者の位置情報データ８４５である。
　非稼働要因特定装置８のデータ収集部８２は、図２に示した保存部８４に、収集した各データを保存させる（ステップＳ２）。図２に示した処理部８５は、保存部８４に保存した各データに基づいて、非稼働要因を特定する（ステップＳ３）。具体的には、処理部８５では、まず、設備装置１の稼働実績データから、設備装置１が稼働状態か、非稼働状態かを判定する。この際、設備装置１が稼働状態であれば、非稼働要因の特定を終了する。設備装置１が非稼働状態であれば、非稼働要因の特定を実行する。
　処理部８５は、生産計画データ８４１、稼働実績データ８４２、前工程の進捗データ８４３、周辺機器の使用実績データ８４４、および作業者の位置情報データ８４５に含まれる各データから設備装置１の非稼働要因が特定できる場合、各データから非稼働要因を特定する。また、処理部８５は、各データから設備装置１の非稼働要因が特定できない場合、特定部８５２に非稼働要因を特定させる。ここで、特定部８５２における非稼働要因を特定について、図１５に示した特定処理のフローチャートを参照しつつ、以下に説明する。
　図６に示した処理部８５の特定部８５２における特定処理部８５８は、保存部８４から学習済モデル８４７を取得する。特定処理部８５８は、自身にニューラルネットワークを構築し、学習済モデル８４７を設定する（ステップＳ１１）。学習済モデル８４７は、上述したとおり、ニューラルネットワークの中間層および出力層の各ニューロンに設定される重みである。なお、ここでニューラルネットワークに設定される学習済モデル８４７は、予め図４に示した学習部８５１の学習済モデル生成部８５６で生成されたものである。
　特定処理部８５８は、ニューラルネットワークの入力層の各ニューロンに、保存部８４から取得した生産計画データ８４１、稼働実績データ８４２、前工程の進捗データ８４３、周辺機器の使用実績データ８４４、および作業者の位置情報データ８４５に含まれる各データを入力する（ステップＳ１２）。特定処理部８５８は、ニューラルネットワークの入力層に入力された各データに基づいて、非稼働要因を特定する（ステップＳ１３）。
　ここで、図１４に戻る。非稼働要因特定装置８の処理部８５または特定処理部８５８は、第１表示部８６および第２表示部８７に、非稼働要因を表示させる（ステップＳ４）。非稼働要因の表示は、例えば、図１３に示した非稼働要因の特定の結果である。
　ここで、特定処理部８５８により特定され、第１表示部８６および第２表示部８７に表示された非稼働要因に誤りがあった場合、作業者２は、図２に示したデータ入力部８３を介して、特定された非稼働要因の誤りを訂正する。続いて、作業者２は、図２に示した処理部８５の学習部８５１で学習される学習用のデータを生成する。生成された学習用のデータは、生産計画データ８４１、稼働実績データ８４２、前工程の進捗データ８４３、周辺機器の使用実績データ８４４、および作業者の位置情報データ８４５と、非稼働要因であるユーザ入力データ８４６とを含むデータである。作業者２は、データ入力部８３を介して、非稼働要因特定装置８に、学習用のデータの生成を通知する。
　非稼働要因特定装置８の処理部８５は、作業者２からの通知を受信すると、生成された学習用のデータを受信する。処理部８５は、受信した学習用のデータを保存部８４に保存させる（ステップＳ５）。
　図２に示した処理部８５の学習部８５１は、保存部８４に保存された学習用のデータを学習し、学習済モデル８４７を生成する。学習部８５１は、図３に示した保存部８４に保存された学習済モデル８４７を、生成した学習済モデル８４７により更新する（ステップ６）。学習部８５１における学習用のデータの学習と、学習済モデル８４７の生成について、図１６に示す学習処理のフローチャートを参照しつつ、以下に説明する。
　図４に示した学習部８５１の学習用データ取得部８５５は、保存部８４から生産計画データ８４１、稼働実績データ８４２、前工程の進捗データ８４３、周辺機器の使用実績データ８４４、作業者の位置情報データ８４５、および、ユーザ入力データ８４６を取得する（ステップＳ２１）。図４に示した学習部８５１の学習済モデル生成部８５６は、自身に構築したニューラルネットワークの出力層の各ニューロンに、ユーザ入力データ８４６に含まれる非稼働要因のデータを設定する（ステップＳ２２）。
　学習済モデル生成部８５６は、ニューラルネットワークの入力層の各ニューロンに、ステップＳ２１で取得した、生産計画データ８４１、稼働実績データ８４２、前工程の進捗データ８４３、周辺機器の使用実績データ８４４、および作業者の位置情報データ８４５を入力する（ステップＳ２３）。学習済モデル生成部８５６は、ニューラルネットワークの出力層から出力される結果が、ユーザ入力データ８４６に近づく状態に、中間層および出力層の重みを調整させる。調整された中間層および出力層の重みに基づいて、学習済モデル８４７を生成する（ステップＳ２４）。学習済モデル生成部８５６は、生成した学習済モデル８４７を保存部８４に保存させる（ステップＳ２５）。学習済モデル生成部８５６は、学習処理を終了する。
　以上のとおり、実施の形態によれば、非稼働要因特定装置８は、ワークの加工、研磨等の処理を行う設備装置１、作業者２の用いるレンチ４、掃除機６等の各種周辺機器から取得した情報に基づいて、ニューラルネットワークにより設備装置１の非稼働要因を特定することができる。また、特定した非稼働要因に誤りがある場合には、訂正した情報によりニューラルネットワークを学習し直させることにより、非稼働要因を特定する精度を向上させることができる。これにより、非稼働要因特定装置８は、精度の高い非稼働要因の特定を簡易に行うことができる。
　また、本開示の実施の形態では、非稼働要因特定装置８を、専用のシステムとして実現できるものとした。しかしながら、専用のシステムによらず、通常のコンピュータシステムを用いて実現可能である。例えば、上述の非稼働要因特定装置８における各機能を実現するためのプログラムを、コンピュータが読み取り可能なＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ　Ｄｉｓｃ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ　Ｖｅｒｓａｔｉｌｅ　Ｄｉｓｃ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）などの記録媒体に格納して配布し、このプログラムをコンピュータにインストールすることにより、上述の各機能を実現することができるコンピュータを構成してもよい。そして、各機能をＯＳ（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）とアプリケーションとの分担、またはＯＳとアプリケーションとの協同により実現する場合には、アプリケーションのみを記録媒体に格納してもよい。
（変形例１）
　上記の実施の形態においては、非稼働要因特定装置８の保存部８４に保存される各データは、通信部８１を介してデータ収集部８２が収集するものとした。これに限らず、保存部８４が自律的に各データを収集し、保存してもよい。
（変形例２）
　上記の実施の形態において、非稼働要因特定装置８により特定された非稼働要因に誤りがあった場合、訂正した学習用データから、同一時間軸における非稼働要因と、保存部８４から取得した生産計画データ８４１、稼働実績データ８４２等の各データとの相関関係を求め、非稼働要因に対して強い相関関係を持つ各データの組合せをもとに非稼働要因を特定できるものとしてもよい。例えば、レンチ４が使用中であれば「設備装置１のメンテナンス中」、シューズ５が設備装置１から離れた位置に存在する場合は、「作業者不在に伴う停止」とする。
　また、訂正した学習用データから、別時間軸における非稼働要因と、保存部８４から取得した生産計画データ８４１、稼働実績データ８４２等の各データとの相関関係を求め、非稼働要因に対して強い相関関係を持つ各データの組合せをもとに非稼働要因を特定できるものとしてもよい。例えば、設備装置１の前工程の機器が臨時メンテナンスに入ったことに伴い、１５分後に設備装置１が停止した場合、「前工程の機器のメンテナンスに伴う停止」とする。
（変形例３）
　上記の実施の形態において、設備装置１の稼働状況の情報として稼働および非稼働の情報を取得できるものとした。これに限らず、設備装置１の稼働状況の情報として、電流または電圧の値、振動数、設備装置１の内部または外部の温湿度、設備装置１内で稼働するロボットの加速度、ネジ締めトルク、検査設備の判定結果等、を含んでもよい。
（変形例４）
　上記の実施の形態において、周辺機器としてレンチ４、掃除機６等を用いるものとした。これに限らず、周辺機器は、電動の各種工具類、台車、パレット、箱等の搬送機器、温湿度計、振動計、光度計等の測定器等、ネットワークに接続できる機器であれば種類を問わない。また、周辺機器は、作業者の位置情報、周辺機器自体の稼働状況、設備装置１に関連する周辺機器の稼働状況等を取得可能であれば、機器の種類、台数、組み合わせ等は問わない。さらに、周辺機器は、作業者の挙動、周辺機器の位置情報、設備装置１の稼働状況等を取得できるものとしてもよい。なお、作業者の挙動とは、作業者の位置、作業者の手足の位置、視線、脳波、心拍数等の生理的情報等を時系列でまとめた情報である。
（変形例５）
　上記の実施の形態において、非稼働要因特定装置８と、設備装置１、周辺機器等とは、無線通信によりデータを送受信するものとした。これに限らず、非稼働要因特定装置８と、設備装置１、周辺機器等とは、有線通信によりデータを送受信するものとしてもよい。
（変形例６）
　上記の実施の形態において、非稼働要因特定装置８には、特定された非稼働要因を表示するための第１表示部８６と第２表示部８７とを備えるものとした。これに限らず、第１表示部８６と第２表示部８７は、設備装置１の外部に配置される表示装置であってもよい。なお、この場合、特許請求の範囲における表示部は、非稼働要因特定装置８から外部に配置された第１表示部８６と第２表示部８７に特定された非稼働要因を表示させるための出力信号を出力する出力端子が相当する。
　本開示は、本開示の広義の精神と範囲を逸脱することなく、様々な実施の形態及び変形が可能とされるものである。また、上述した実施の形態は、この開示を説明するためのものであり、本開示の範囲を限定するものではない。すなわち、本開示の範囲は、実施の形態ではなく、請求の範囲によって示される。そして請求の範囲内及びそれと同等の開示の意義の範囲内で施される様々な変形が、この開示の範囲内とみなされる。
　本出願は、２０２０年８月４日に出願された、日本国特許出願特願２０２０－１３２５２０号に基づく。本明細書中に日本国特許出願特願２０２０－１３２５２０号の明細書、特許請求の範囲、図面全体を参照として取り込むものとする。
　本開示は、非稼働要因特定装置に好適に利用することができる。
　１　設備装置、１ａ　第１設備装置、１ｂ　第２設備装置、２　作業者、２ａ　第１作業者、２ｂ　第２作業者、２ｃ　第３作業者、２ｄ　第４作業者、３　カメラ、３ａ　第１カメラ、３ｂ　第２カメラ、３ｃ　第３カメラ、４　レンチ、５　シューズ、５ａ　第１シューズ、５ｂ　第２シューズ、５ｃ　第３シューズ、５ｄ　第４シューズ、６　掃除機、７　生産管理装置、８　非稼働要因特定装置、８１　通信部、８２　データ収集部、８３　データ入力部、８４　保存部、８５　処理部、８６　第１表示部、８７　第２表示部、１００　非稼働要因特定システム、８０１　通信機器、８０２　入力機器、８０３　保存機器、８０４　メモリ、８０５　プロセッサ、８０６　第１表示装置、８０７　第２表示装置、８０８　表示コントローラ、８０９　データバス、８４１　生産計画データ、８４２　稼働実績データ、８４３　前工程の進捗データ、８４４　周辺器機の使用実績データ、８４５　作業者の位置情報データ、８４６　ユーザ入力データ、８４７　学習済モデル、８５１　学習部、８５２　特定部、８５５　学習用データ取得部、８５６　学習済モデル生成部、８５７　特定用データ取得部、８５８　特定処理部。

Claims (7)

  1. 　監視対象の設備装置における稼働実績である稼働実績データ、前記設備装置で行われる生産予定を管理するため生産計画データ、および、前記設備装置の周辺で使用される周辺機器の使用実績である使用実績データを収集するデータ収集部と、
    　前記設備装置の非稼働要因を特定するためのニューラルネットワークを構築し、構築したニューラルネットワークに前記データ収集部で収集された前記稼働実績データ、前記生産計画データ、前記使用実績データを入力し、前記設備装置の非稼働要因を特定する特定部と、
    　前記特定部で特定された前記設備装置の非稼働要因に誤りがある場合に、誤りが訂正された学習用のデータに基づいて前記ニューラルネットワークに学習をし直させる学習部と、
    　を備える非稼働要因特定装置。
  2. 　前記設備装置の非稼働要因を表示するための表示部をさらに備え、
    　前記特定部は、前記表示部に特定した前記設備装置の非稼働要因と、前記データ収集部で収集された前記稼働実績データ、前記生産計画データ、および前記使用実績データに基づく判断要因とを、時系列に並べた特定の結果を前記表示部に表示させる、
    　請求項１に記載の非稼働要因特定装置。
  3. 　前記周辺機器は、稼働状態、位置、使用者を含む各種情報を取得することができるＩｏＴ機能を備える機器である、
    　請求項１または２に記載の非稼働要因特定装置。
  4. 　前記周辺機器は、前記設備装置のメンテナンスに用いられるレンチ、前記設備装置の配置された作業環境を清掃するための掃除機、または、前記設備装置で作業する作業者の履くシューズを含む、
    　請求項３に記載の非稼働要因特定装置。
  5. 　前記特定部が特定する前記設備装置の非稼働要因は、トラブルにより停止した場合を示す異常停止、製造する製品の品質異常による停止または前記製品の製造を中断した場合を示す品質異常、および、前記生産計画データに基づく稼働計画から非稼働状態が計画的な停止と判断できた場合を示す計画的な停止を含む、
    　請求項１に記載の非稼働要因特定装置。
  6. 　監視対象の設備装置における非稼働要因を特定する非稼働要因特定装置が実行する方法であって、
    　前記設備装置の稼働実績である稼働実績データ、前記設備装置で行われる生産予定を管理するため生産計画データ、および、前記設備装置の周辺で使用される周辺機器の使用実績である使用実績データを収集し、
    　前記設備装置の非稼働要因を特定するためのニューラルネットワークを構築し、構築したニューラルネットワークに収集された前記稼働実績データ、前記生産計画データ、前記使用実績データを入力して、前記設備装置の非稼働要因を特定し、
    　特定された前記設備装置の非稼働要因に誤りがある場合に、誤りが訂正された学習用のデータに基づいて前記ニューラルネットワークに学習をし直させる、
    　方法。
  7. 　コンピュータに、
    　設備装置の稼働実績である稼働実績データ、前記設備装置で行われる生産予定を管理するため生産計画データ、および、前記設備装置の周辺で使用される周辺機器の使用実績である使用実績データを収集する処理、
    　前記設備装置の非稼働要因を特定するためのニューラルネットワークを構築し、構築したニューラルネットワークに収集された前記稼働実績データ、前記生産計画データ、前記使用実績データを入力して、前記設備装置の非稼働要因を特定する処理、
    　特定された前記設備装置の非稼働要因に誤りがある場合に、誤りが訂正された学習用のデータに基づいて前記ニューラルネットワークに学習をし直させる処理、
    　を実行させるためのプログラム。
PCT/JP2021/017874 2020-08-04 2021-05-11 非稼働要因特定装置、方法、及び、プログラム WO2022030061A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-132520 2020-08-04
JP2020132520 2020-08-04

Publications (1)

Publication Number Publication Date
WO2022030061A1 true WO2022030061A1 (ja) 2022-02-10

Family

ID=80117838

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/017874 WO2022030061A1 (ja) 2020-08-04 2021-05-11 非稼働要因特定装置、方法、及び、プログラム

Country Status (1)

Country Link
WO (1) WO2022030061A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07104838A (ja) * 1993-10-08 1995-04-21 Mazda Motor Corp 稼動管理システム
JP2004326297A (ja) * 2003-04-23 2004-11-18 Matsushita Electric Ind Co Ltd 生産工程における稼働分析方法及び稼動分析システム
JP2018198042A (ja) * 2017-05-22 2018-12-13 オークマ株式会社 稼働モニタリング装置、および、稼働モニタリング装置の制御プログラム
JP2019095879A (ja) * 2017-11-20 2019-06-20 オークマ株式会社 稼働モニタリング装置及びプログラム
JP2020067776A (ja) * 2018-10-23 2020-04-30 オークマ株式会社 工作機械の異常診断システム、異常診断方法、異常診断プログラム

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07104838A (ja) * 1993-10-08 1995-04-21 Mazda Motor Corp 稼動管理システム
JP2004326297A (ja) * 2003-04-23 2004-11-18 Matsushita Electric Ind Co Ltd 生産工程における稼働分析方法及び稼動分析システム
JP2018198042A (ja) * 2017-05-22 2018-12-13 オークマ株式会社 稼働モニタリング装置、および、稼働モニタリング装置の制御プログラム
JP2019095879A (ja) * 2017-11-20 2019-06-20 オークマ株式会社 稼働モニタリング装置及びプログラム
JP2020067776A (ja) * 2018-10-23 2020-04-30 オークマ株式会社 工作機械の異常診断システム、異常診断方法、異常診断プログラム

Similar Documents

Publication Publication Date Title
JP7166767B2 (ja) 機器、製造方法、およびシステム
JP6996833B2 (ja) ロボットの状態を診断するためのシステム及び方法
Ou et al. Simulation study on reward function of reinforcement learning in gantry work cell scheduling
Alves et al. Deployment of a smart and predictive maintenance system in an industrial case study
EP3835902B1 (en) Control system and control device
US11348033B2 (en) Computational analysis of observations for determination of feedback
Helu et al. The current state of sensing, health management, and control for small-to-medium-sized manufacturers
JP6850689B2 (ja) 生産ライン構成変更システムおよび生産ライン構成変更方法
US20220137609A1 (en) Production information management system and production information management method
US8687213B2 (en) Data filtering for print service providers
WO2022030061A1 (ja) 非稼働要因特定装置、方法、及び、プログラム
JP2020064390A (ja) データ収集システム及びデータ収集方法
Lee A framework for web-enabled e-maintenance systems
CN102540873B (zh) 车间控制系统、等同化数据选择装置以及等同化数据选择方法
JPH03251351A (ja) 生産進捗管理装置
JP7428769B2 (ja) 柔軟で適応的なロボット学習のための人間ロボット協働
CN111768080A (zh) 一种在制产品完工进度的评估方法与系统
US9897127B1 (en) Fastening device with integrated sensor
WO2020031805A1 (ja) 整備管理装置、整備管理方法及びプログラム
WO2023233745A1 (ja) 生産システム、生産ライン分析方法、学習装置、推論装置、学習済モデルおよび学習済モデルの生成方法
TWM582628U (zh) Processing system and device for dynamically adjusting manufacturing orders and information collection
KR20200072069A (ko) 모터 정보 기반 로봇 상태 정보 제공 시스템
JP7208254B2 (ja) 作業最適化システムおよび作業最適化装置
KR20190070428A (ko) 클라우드 기반 상황인지 융합처리엔진을 이용한 산업용 공정장비 시스템 관리 방법
US11407104B2 (en) Tooth contact position adjustment amount estimation device, machine learning device, and robot system

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: 21854596

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: 21854596

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP