WO2022176760A1 - モデル生成装置、モデル生成方法、モデル生成プログラム、推定装置、推定方法、及び推定プログラム - Google Patents

モデル生成装置、モデル生成方法、モデル生成プログラム、推定装置、推定方法、及び推定プログラム Download PDF

Info

Publication number
WO2022176760A1
WO2022176760A1 PCT/JP2022/005288 JP2022005288W WO2022176760A1 WO 2022176760 A1 WO2022176760 A1 WO 2022176760A1 JP 2022005288 W JP2022005288 W JP 2022005288W WO 2022176760 A1 WO2022176760 A1 WO 2022176760A1
Authority
WO
WIPO (PCT)
Prior art keywords
target
correction amount
temperature
servo motor
servomotor
Prior art date
Application number
PCT/JP2022/005288
Other languages
English (en)
French (fr)
Inventor
玲子 服部
徹 藤井
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 WO2022176760A1 publication Critical patent/WO2022176760A1/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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring

Definitions

  • the present invention relates to a model generation device, a model generation method, a model generation program, an estimation device, an estimation method, and an estimation program.
  • a method is adopted in which the state of the servo motor is estimated (including prediction) from the temperature of the servo motor, and the drive (for example, torque) of the servo motor is corrected from the estimated state.
  • various methods have been proposed for more accurately correcting the operation of the servomotor by using information other than the temperature of the servomotor.
  • Patent Document 1 in addition to the temperature of the rotating body, the conveying speed of the recording medium is detected, and based on at least one of the detected temperature of the rotating body and the conveying speed of the recording medium, the temperature is transmitted to the rotating body by a motor. Methods have been proposed to compensate for the applied torque.
  • Patent Document 2 the temperature of the exhaust gas in the lubricating oil pipe discharged from the bearing of the rotating structure of the drive device provided in the production equipment is detected, and the state of the production equipment is determined based on the detected temperature of the exhaust gas. A method to do so is proposed.
  • the inventors have found that the above conventional method has the following problems. That is, for example, production equipment such as packaging machines, web transfer machines, molding machines, lens alignment machines, and assembly machines are equipped with a plurality of mechanisms including servomotors.
  • the mechanism is, for example, a film conveying section, a content conveying section, a bag making section, and the like.
  • the conventional method by individually monitoring the state of each mechanism with a sensor, it is possible to accurately estimate the correction amount for driving the servomotor.
  • the conventional method increases the cost of installing the sensor.
  • the present invention has been made in view of such circumstances, and an object of the present invention is to provide a relatively low-cost, high-accuracy correction amount for driving a servomotor of a production facility having a plurality of mechanisms. It is to provide the technology to estimate.
  • the present invention adopts the following configuration in order to solve the above-mentioned problems.
  • a model generation device is a data acquisition unit configured to acquire a plurality of learning data sets collected from a production facility having a plurality of mechanisms including servo motors, Each learning data set is composed of a combination of training data and correct labels, and the training data indicates the temperature of the servo motor, the environmental temperature of the representative location of the production facility, and the environmental humidity of the representative location. and the correct label is configured to indicate the true value of the correction amount relating to the drive of the servo motor for properly operating the production equipment in the situation indicated by the corresponding training data.
  • a data acquisition unit, and a learning processing unit configured to perform machine learning of an inference model using a plurality of acquired learning data sets, wherein the machine learning comprises: , the result of estimating a correction amount relating to driving of the servo motor from the temperature of the servo motor, the environmental temperature, and the environmental humidity indicated by the training data is adapted to the true value indicated by the correct label.
  • a learning processor configured by training the estimation model.
  • the inventors of the present invention used the environmental temperature and environmental humidity observed at representative positions of the production facility as explanatory variables in addition to the temperature of the servomotor for the production facility having a plurality of mechanisms. , it is possible to estimate the correction amount (for example, the torque correction amount) related to the drive of the servomotor with relatively high accuracy without using the individual information of each mechanism. Ambient temperature and humidity at representative locations can be measured more easily and at a lower cost than monitoring individual mechanisms of a production facility, in terms of the number of measurement points and items to be measured. Therefore, according to this configuration, it is possible to reduce the cost of observing the state of each mechanism of the production equipment. Therefore, it is possible to generate a trained estimation model capable of accurately estimating the amount of correction related to the drive of the servomotor of the production facility having a plurality of mechanisms at relatively low cost.
  • the training data may be configured to further indicate the continuous operating time of the production facility.
  • the machine learning is a result of estimating a correction amount for driving the servo motor from the temperature of the servo motor, the environmental temperature, the environmental humidity, and the continuous operation time indicated by the training data for each learning data set. may be constructed by training the estimation model to fit the true value indicated by the correct answer label.
  • the inventors of the present invention have found that the accuracy of estimating the correction amount related to the drive of the servo motor can be improved by further using the continuous operation time of the production equipment as an explanatory variable. Found it.
  • the continuous operation time can be determined by keeping the time when the production equipment started to operate, so it is obviously easier and can be measured at a lower cost than monitoring individual mechanisms of the production equipment. be. Therefore, according to this configuration, it is possible to generate a trained estimation model capable of more accurately estimating the correction amount for driving the servomotor of the production equipment having a plurality of mechanisms at a relatively low cost.
  • the correction amount for driving the servomotor includes a correction amount for the torque of the servomotor, a correction amount for the speed (rotational speed, number of rotations) of the servomotor, and a position of the servomotor. It may be at least one of a correction amount of (rotational angle), a correction amount of drive power (power consumption) of the servomotor, and a correction amount of a current value for the servomotor. According to this configuration, it is possible to generate a trained estimation model capable of accurately estimating at least one of the torque, speed, position, drive power, and current value of the servomotor at relatively low cost.
  • the representative positions are at least around an operation panel of the production equipment, near a spatial center position of the production equipment, and near an intermediate process or a main process of the production equipment. It can be either.
  • the temperature and humidity of the part involved in the main drive of the production facility can be obtained as the environmental temperature and the environmental humidity, and thereby the correction amount related to the drive of the servo motor of the production facility equipped with a plurality of mechanisms. can be generated at a relatively low cost and with high accuracy.
  • the production equipment may be a packaging machine, a web transfer machine, a molding machine, a lens alignment machine, or an assembly machine.
  • a trained estimation model capable of estimating the amount of correction related to the driving of the servo motors of the packaging machine, the web conveying machine, the molding machine, the lens alignment machine, or the assembling machine at relatively low cost and with high accuracy. can be generated.
  • a trained estimation model generated by the model generation device is used to estimate a correction amount for driving a target servomotor of production equipment. It may be an estimating device.
  • an estimating device is a data acquisition unit configured to acquire target data from a target production facility having a plurality of mechanisms including a target servomotor, wherein the target data is , a data acquisition unit configured to indicate the temperature of the target servo motor, the target environmental temperature at a representative position of the target production facility, and the target environmental humidity at the representative position; To properly operate the target production equipment from the target servo motor temperature, the target environmental temperature, and the target environmental humidity indicated by the acquired target data using the trained estimation model and an output unit configured to output information about a result (estimated value) of estimating the correction amount.
  • a trained estimation model it is possible to accurately estimate the correction amount for driving the servomotor of the production facility having a plurality of mechanisms at relatively low cost.
  • the target data may be configured to further indicate continuous operation time of the target production facility
  • the estimation unit uses the trained estimation model to acquire and estimating a correction amount for driving the target servo motor from the temperature of the target servo motor, the target environmental temperature, the target environmental humidity, and the continuous operation time indicated by the target data.
  • the correction amount regarding the drive of the target servo motor includes the correction amount of the torque of the servo motor, the correction amount of the speed (rotation speed, number of revolutions) of the servo motor, the correction amount of the position (rotation angle) of the servo motor, It may be at least one of a correction amount of driving power (power consumption) of the servomotor and a correction amount of a current value for the servomotor.
  • the position representing the target production facility is at least one of the periphery of the operation panel of the production facility, the vicinity of the spatial center position of the production facility, and the vicinity of an intermediate process or a key process of the production facility. good.
  • the target production equipment may be a packaging machine, a web transporter, a molding machine, a lens alignment machine, or an assembly machine.
  • one aspect of the present invention may be an information processing method that realizes all or part of each of the above configurations, It may be a program, or a storage medium that stores such a program and is readable by a computer, other device, machine, or the like.
  • a computer-readable storage medium is a medium that stores information such as a program by electrical, magnetic, optical, mechanical, or chemical action.
  • one aspect of the present invention may be an estimation system configured by the model generation device and the estimation device according to any one of the above aspects.
  • a model generation method is a step in which a computer acquires a plurality of learning data sets collected from production equipment having a plurality of mechanisms including servo motors, wherein each learning data set is composed of a combination of training data and correct labels, wherein the training data is configured to indicate the temperature of the servo motor, the environmental temperature of a representative location of the production facility, and the environmental humidity of the representative location; and said correct label is configured to indicate a true value of a correction amount relating to driving of said servo motor for properly operating said production facility in the situation indicated by said corresponding training data; performing machine learning of an estimation model using the obtained plurality of training data sets, wherein for each training data set, the temperature of the servo motor indicated by the training data; training the estimation model so that a result of estimating a correction amount for driving the servo motor from the environmental temperature and the environmental humidity matches the true value indicated by the correct label; , is an information processing method.
  • the model generation program is a step of obtaining, in a computer, a plurality of learning data sets collected from production equipment having a plurality of mechanisms including servo motors,
  • a data set is composed of a combination of training data and correct labels, wherein the training data is configured to indicate the temperature of the servo motor, the ambient temperature of the location representative of the production facility, and the ambient humidity of the location representative.
  • the correct label is configured to indicate a true value of a correction amount relating to driving of the servo motor for properly operating the production facility under the conditions indicated by the corresponding training data.
  • an estimation method is a step in which a computer acquires target data from a target production facility having a plurality of mechanisms including a target servomotor, wherein the target data is the a machine learning generated trained machine learning generated Using an estimation model, the temperature of the target servomotor indicated by the acquired target data, the target environmental temperature, and the target environmental humidity for properly operating the target production facility
  • An information processing method comprising: estimating a correction amount for driving a servomotor; and outputting information about a result of estimating the correction amount.
  • an estimation program is a step of acquiring target data from a target production facility having a plurality of mechanisms including a target servomotor in a computer, wherein the target data is the a machine learning generated trained machine learning generated Using an estimation model, the temperature of the target servomotor indicated by the acquired target data, the target environmental temperature, and the target environmental humidity for properly operating the target production facility
  • the present invention it is possible to estimate, at relatively low cost and with high accuracy, the amount of correction relating to the drive of servo motors in production equipment having a plurality of mechanisms.
  • FIG. 1 schematically shows an example of a scene to which the present invention is applied.
  • FIG. 2 schematically shows an example of the hardware configuration of the model generation device according to the embodiment.
  • FIG. 3 schematically shows an example of the hardware configuration of the estimation device according to the embodiment.
  • FIG. 4 schematically shows an example of production equipment according to the embodiment.
  • FIG. 5 schematically shows an example of the software configuration of the model generation device according to the embodiment.
  • FIG. 6 schematically shows an example of the configuration of a learning data set according to the embodiment.
  • FIG. 7 schematically shows an example of the software configuration of the estimation device according to the embodiment.
  • 8 is a flowchart illustrating an example of a processing procedure of the model generation device according to the embodiment;
  • FIG. 9 is a flowchart illustrating an example of a processing procedure of the estimation device according to the embodiment;
  • FIG. 9 is a flowchart illustrating an example of a processing procedure of the estimation device according to the embodiment;
  • this embodiment An embodiment (hereinafter also referred to as "this embodiment") according to one aspect of the present invention will be described below with reference to the drawings.
  • this embodiment described below is merely an example of the present invention in every respect.
  • various modifications and variations can be made without departing from the scope of the invention. That is, in implementing the present invention, a specific configuration according to the embodiment may be appropriately employed.
  • the data appearing in this embodiment are explained in terms of natural language, more specifically, they are specified in computer-recognizable pseudo-language, commands, parameters, machine language, and the like.
  • FIG. 1 schematically illustrates an example of a scene to which the present invention is applied.
  • an estimation system 100 includes a model generation device 1 and an estimation device 2 .
  • the model generation device 1 is a computer configured to generate a trained estimation model 5 by machine learning.
  • the model generation device 1 acquires multiple learning data sets 3 collected from a production facility 40 having multiple mechanisms including a servomotor 41 .
  • Each learning data set 3 is composed of a combination of training data 31 and correct labels 32 .
  • the training data 31 is configured to indicate the temperature of the servomotor 41, the ambient temperature at representative locations of the production facility 40, and the ambient humidity at the representative locations.
  • the correct label 32 is configured to indicate the true value of the correction amount regarding the drive of the servo motor 41 for properly operating the production facility 40 under the conditions indicated by the corresponding training data 31 .
  • the model generation device 1 performs machine learning of the estimation model 5 using the acquired multiple learning data sets 3 .
  • machine learning for each learning data set 3, the result of estimating the correction amount for driving the servomotor 41 from the temperature of the servomotor 41, the environmental temperature, and the environmental humidity indicated by the training data 31 is the truth indicated by the correct answer label 32. It is constructed by training an estimation model 5 to fit the values.
  • the training acquired the ability to appropriately estimate the correction amount related to the drive of the servo motor from the temperature of the servo motor, the environmental temperature in the production equipment, and the environmental humidity.
  • a presumed model 5 can be generated.
  • the estimation device 2 is a computer configured to perform an estimation task using a trained estimation model 5.
  • the estimating device 2 acquires the target data 221 from the target production facility 45 having a plurality of mechanisms including the target servo motor 46 .
  • the target data 221 is configured to indicate the temperature of the target servo motor 46, the target environmental temperature at the representative location of the target production facility 45, and the target environmental humidity at the representative location.
  • the target environmental temperature is the environmental temperature in the target production facility 45
  • the target environmental humidity is the environmental humidity in the target production facility 45 .
  • the estimating device 2 uses the trained estimation model 5 generated by the machine learning to determine the target from the temperature of the target servo motor 46, the target environmental temperature, and the target environmental humidity indicated by the acquired target data 221 A correction amount for driving the target servomotor 46 for properly operating the production facility 45 is estimated. Then, the estimation device 2 outputs information about the result of estimating the correction amount.
  • the target production equipment 45 may be a device different from the production equipment 40 in the machine learning stage, as long as they are of the same type.
  • the production facility 45 of interest may be the same as the production facility 40 during the machine learning stage.
  • the number of servo motors (41, 46) may be appropriately determined according to the embodiment.
  • the number of servomotors (41, 46) may be one or plural.
  • the amount of correction for driving the servo motors (41, 46) (that is, the objective variable of the estimation model 5) is particularly limited as long as it corrects the state of operation of the servo motors (41, 46) at present or in the future. It may not be necessary, and its target may be appropriately selected according to the embodiment.
  • the correction amount for driving the servo motors (41, 46) is the correction amount for the torque of the servo motors (41, 46), the correction amount for the speed (rotational speed or number of revolutions) of the servo motors (41, 46), The correction amount of the position (rotational angle) of the servo motors (41, 46), the correction amount of the drive power (power consumption) of the servo motors (41, 46), and the correction amount of the current value for the servo motors (41, 46) It may be at least one. Note that the torque value of the servomotor is defined by the current.
  • the amount of correction of the current value for the servomotors (41, 46) may be handled in the same way as the amount of correction of the torque of the servomotors (41, 46). Also, each correction amount may be applied to the present or the future.
  • the type of the production equipment (40, 45) is not particularly limited as long as it has a plurality of mechanisms and is configured to be driven by a servomotor, and may be selected according to the embodiment. .
  • the production equipment (40, 45) may be a packaging machine, web transporter, molding machine, lens alignment machine, or assembly machine.
  • a packaging machine is adopted as an example of the production equipment (40, 45) for convenience of explanation. Products to be produced by the production equipment (40, 45) may be appropriately determined according to the type of the production equipment (40, 45).
  • the representative positions should It is preferable to be able to measure temperature and humidity.
  • the representative position is preferably a position that is less susceptible to the heat generated in the processes within the production equipment (40, 45) (for example, the center seal portion, top seal portion, etc. of the packaging machine).
  • the representative positions are around the operation panel of the production facility (40, 45), near the spatial center position of the production facility (40, 45), and in an intermediate process or pivot of the production facility (40, 45). It may be at least one near the process.
  • Intermediate processes are (A) the process that corresponds to the middle (half) of the total number of processes, and (B) the process from when the workpiece is put into the production facility until the processing (processing) is completed through multiple processes. At least one of the steps performed half the total time.
  • the critical process is the process that is assumed to have the greatest impact on product quality.
  • ambient temperature and ambient humidity may be measured by one sensor (temperature and humidity sensor). In another example, ambient temperature and ambient humidity may be measured by separate sensors (a temperature sensor and a humidity sensor). Ambient temperature indicates the temperature of the environment measured at a representative location. Ambient humidity indicates the humidity of the environment measured at a representative location. Note that the expression format (for example, units) of the temperature of the servo motors (41, 46), the environmental temperature, and the environmental humidity may not be particularly limited, and may be appropriately selected according to the embodiment.
  • the estimation model 5 is composed of a machine learning model with multiple parameters.
  • the type of machine learning model may not be particularly limited, and may be appropriately selected according to the embodiment.
  • a neural network, a support vector machine, a regression model, or the like, for example, may be adopted as the estimation model 5 .
  • the machine learning method may be appropriately determined according to the type of machine learning model employed.
  • Machine learning methods may employ, for example, methods such as backpropagation, solving optimization problems, performing regression analysis, and the like.
  • the temperatures are measured at representative positions of the production equipment (40, 45).
  • the environmental temperature and humidity are used as explanatory variables.
  • the ambient temperature and humidity of a representative location can affect the entire production facility (40, 45). Therefore, by using the environmental temperature and environmental humidity of the representative position as explanatory variables, it is possible to estimate the correction amount related to the drive of the servomotor with relatively high accuracy. In addition, there is no need to monitor the status of individual mechanisms in the production equipment (40, 45), reducing the number of measurement points and items.
  • a trained estimation model capable of relatively low-cost and highly accurate estimation of the correction amount for driving the servomotor 41 of the production facility 40 having a plurality of mechanisms. 5 can be generated.
  • the estimation device 2 can accurately estimate the correction amount for driving the target servomotor 46 in the target production facility 45 at relatively low cost.
  • the model generation device 1 and the estimation device 2 are connected to each other via a network.
  • the type of network may be appropriately selected from, for example, the Internet, wireless communication network, mobile communication network, telephone network, dedicated network, and the like.
  • the method of exchanging data between the model generating device 1 and the estimating device 2 is not limited to such an example, and may be appropriately selected according to the embodiment.
  • data may be exchanged between the model generating device 1 and the estimating device 2 using a storage medium.
  • the model generating device 1 and the estimating device 2 are configured by separate computers.
  • the configuration of the estimation system 100 according to this embodiment does not have to be limited to such an example, and may be determined as appropriate according to the embodiment.
  • the model generating device 1 and the estimating device 2 may be an integrated computer.
  • at least one of the model generating device 1 and the estimating device 2 may be configured by a plurality of computers.
  • each device (1, 2) may be indirectly connected to the production facility (40, 45), eg, via other computers, networks, or the like.
  • the production facility (40, 35) may comprise a controller (not shown) configured to control the operation of the production facility (40, 35), each device (1, 2) It may be connected to a controller.
  • each device (1, 2) may not be connected to a production facility (40, 45).
  • each device (1, 2) may acquire information on the production equipment (40, 45) via, for example, a storage medium, an external storage device, or the like.
  • each device (1, 2) may operate as a control device for the production equipment (40, 45).
  • FIG. 2 schematically illustrates an example of the hardware configuration of the model generating device 1 according to this embodiment.
  • the model generation device 1 includes a control unit 11, a storage unit 12, a communication interface 13, an external interface 14, an input device 15, an output device 16, and a drive 17 which are electrically connected. It is a computer that has been
  • the communication interface and the external interface are described as "communication I/F" and "external I/F.”
  • the control unit 11 includes a CPU (Central Processing Unit), which is a hardware processor (processor resource), RAM (Random Access Memory), ROM (Read Only Memory), etc., and executes information processing based on programs and various data.
  • the storage unit 12 is an example of memory, and is configured by, for example, a hard disk drive, a solid state drive, or the like. In this embodiment, the storage unit 12 stores various information such as the model generation program 81, the plurality of learning data sets 3, the learning result data 125, and the like.
  • the model generation program 81 is a program for causing the model generation device 1 to execute machine learning information processing (FIG. 8) for generating a trained estimation model 5, which will be described later.
  • the model generation program 81 includes a series of instructions for the information processing. Multiple learning data sets 3 are used to generate a trained estimation model 5 .
  • the learning result data 125 indicates information about the generated trained estimation model 5 . In this embodiment, the learning result data 125 is generated as a result of executing the model generation program 81. FIG. Details will be described later.
  • the communication interface 13 is, for example, a wired LAN (Local Area Network) module, a wireless LAN module, or the like, and is an interface for performing wired or wireless communication via a network.
  • the model generation device 1 can use the communication interface 13 to perform data communication with other information processing devices via a network.
  • the external interface 14 is, for example, a USB (Universal Serial Bus) port, a dedicated port, or the like, and is an interface for connecting with an external device.
  • the type and number of external interfaces 14 may be arbitrarily selected.
  • the model generation device 1 uses at least one of the communication interface 13 and the external interface 14 to obtain each learning data set 3 (for example, production facility 40, servo motor 41, temperature and humidity sensor, temperature sensor, humidity sensor etc.).
  • the input device 15 is, for example, a device for performing input such as a mouse and keyboard.
  • the output device 16 is, for example, a device for outputting such as a display and a speaker. An operator such as a user can operate the model generation device 1 by using the input device 15 and the output device 16 .
  • the drive 17 is, for example, a CD drive, a DVD drive, etc., and is a drive device for reading various information such as programs stored in the storage medium 91 .
  • the storage medium 91 stores information such as programs by electrical, magnetic, optical, mechanical or chemical action so that computers, other devices, machines, etc. can read various information such as programs. It is a medium that accumulates by At least one of the model generation program 81 and the plurality of learning data sets 3 may be stored in the storage medium 91 .
  • the model generation device 1 may acquire at least one of the model generation program 81 and the plurality of learning data sets 3 from the storage medium 91 .
  • a disk-type storage medium such as a CD or DVD is illustrated.
  • the type of storage medium 91 is not limited to the disk type, and may be other than the disk type.
  • a storage medium other than the disk type for example, a semiconductor memory such as a flash memory can be cited.
  • the type of drive 17 may be arbitrarily selected according to the type of storage medium 91 .
  • control unit 11 may include multiple hardware processors.
  • the hardware processor may consist of a microprocessor, a field-programmable gate array (FPGA), a digital signal processor (DSP), or the like.
  • the storage unit 12 may be configured by RAM and ROM included in the control unit 11 .
  • At least one of the communication interface 13, the external interface 14, the input device 15, the output device 16 and the drive 17 may be omitted.
  • the model generation device 1 may be composed of a plurality of computers. In this case, the hardware configuration of each computer may or may not match.
  • the model generation device 1 may be an information processing device designed exclusively for the service provided, or may be a general-purpose server device, a PC (Personal Computer), an industrial PC (IPC), or the like.
  • FIG. 3 schematically illustrates an example of the hardware configuration of the estimation device 2 according to this embodiment.
  • the estimating device 2 according to the present embodiment is electrically connected to a control unit 21, a storage unit 22, a communication interface 23, an external interface 24, an input device 25, an output device 26, and a drive 27. computer.
  • the control units 21 to 27 and the storage medium 92 of the estimation device 2 may be configured similarly to the control units 11 to 17 and the storage medium 91 of the model generation device 1, respectively.
  • the control unit 21 includes a hardware processor such as a CPU, a RAM, and a ROM, and is configured to execute various types of information processing based on programs and data.
  • the storage unit 22 is composed of, for example, a hard disk drive, a solid state drive, or the like. In this embodiment, the storage unit 22 stores various information such as the estimation program 82 and the learning result data 125 .
  • the estimation program 82 is a program for causing the estimation device 2 to execute the information processing ( FIG. 9 ) described later for performing the estimation task (estimation of correction amount) using the trained estimation model 5 .
  • Estimation program 82 includes a series of instructions for the information processing. Estimates may include predictions. At least one of the estimation program 82 and the learning result data 125 may be stored in the storage medium 92 . Also, the estimation device 2 may acquire at least one of the estimation program 82 and the learning result data 125 from the storage medium 92 .
  • the estimating device 2 uses at least one of the communication interface 23 and the external interface 24 to acquire the target data 221 (for example, the target production equipment 45, the target servo motor 46, the temperature and humidity sensor, the temperature sensor , humidity sensor, etc.).
  • the estimation device 2 may receive operations and inputs from an operator such as a user by using the input device 25 and the output device 26 .
  • the controller 21 may include multiple hardware processors.
  • a hardware processor may comprise a microprocessor, FPGA, DSP, or the like.
  • the storage unit 22 may be configured by RAM and ROM included in the control unit 21 .
  • At least one of the communication interface 23, the external interface 24, the input device 25, the output device 26, and the drive 27 may be omitted.
  • the estimation device 2 may be composed of a plurality of computers. In this case, the hardware configuration of each computer may or may not match.
  • the estimation device 2 may be an information processing device designed exclusively for the service provided, or may be a general-purpose server device, a general-purpose PC, an industrial PC, a PLC (programmable logic controller), or the like.
  • FIG. 4 schematically shows an example of the configuration of the packaging machine 400.
  • the packaging machine 400 is an example of production equipment (40, 45).
  • the packaging machine 400 illustrated in FIG. 4 is a so-called horizontal pillow packaging machine.
  • This packaging machine 400 includes a film roll 410 wound with a packaging film, a film transport section 420 that transports the packaging film, a content transport section 430 that transports the contents WA, and a bag making section that packages the contents with the packaging film. 440 and an operation panel 450 .
  • the packaging film is, for example, a resin film such as a polyethylene film.
  • the film roll 410 has a winding core, and the packaging film is wound on the winding core.
  • the winding core is rotatably supported around an axis, so that the film roll 410 can roll out the packaging film while rotating.
  • the film transport section 420 includes a drive roller driven by a servomotor 421, a passive roller 422 to which a rotational force is applied from the drive roller, and a plurality of pulleys 423 that guide the packaging film while applying tension.
  • the film conveying section 420 is configured to feed out the packaging film from the film roll 410 and convey the fed out packaging film to the bag making section 440 without slackening it.
  • the contents conveying unit 430 includes a conveyor 431 that conveys the contents WA to be packaged, and a servo motor 432 that drives the conveyor 431 .
  • the contents conveying section 430 is connected to the bag making section 440 via below the film conveying section 420 .
  • the contents WA conveyed by the contents conveying section 430 are supplied to the bag making section 440 and packaged with the packaging film supplied from the film conveying section 420 .
  • the type of content WA can be appropriately selected according to the embodiment.
  • the content WA may be food (dried noodles, etc.), stationery (eraser, etc.), or the like.
  • the bag making unit 440 includes a conveyor 441, a servo motor 442 that drives the conveyor 441, a center seal unit 443 that seals the packaging film in the conveying direction, and a packaging film that is cut at both ends in the conveying direction and sealed at each end.
  • An end seal portion 444 is provided.
  • the conveyor 441 conveys the contents WA conveyed from the contents conveying section 430 and the packaging film supplied from the film conveying section 420 .
  • the packaging film supplied from the film conveying unit 420 is supplied to the center seal unit 443 while being appropriately folded so that both side edge portions in the width direction overlap each other.
  • the center seal portion 443 is composed of, for example, a pair of left and right heating rollers, and heats and seals both side edge portions of the folded packaging film along the conveying direction. Thereby, the packaging film is formed into a tubular shape.
  • the contents WA are put into the tubular packaging film.
  • the end seal portion 444 has, for example, rollers driven by a servomotor 445, a pair of cutters that open and close by the rotation of the rollers, and heaters provided on both sides of each cutter.
  • the end seal portion 444 is configured to cut the cylindrical packaging film in the direction perpendicular to the transport direction and to heat and seal the cut portion. After passing through the end seal portion 444, the leading end of the tubular packaging film is sealed on both sides in the conveying direction and separated from the following to form the package WB containing the contents WA.
  • the operation panel 450 is configured to receive an operation input to the packaging machine 400 and output information on the packaging machine 400 .
  • the type of operation panel 450 may not be particularly limited.
  • the operation panel 450 may be composed of, for example, a touch panel display, operation buttons and a display.
  • the estimating device 2 may be configured to control the operation of the packaging machine 400 .
  • the operation panel 450 may be an example of the input device 25 and the output device 26 .
  • packaging machine 400 may include a controller (not shown) configured to control the operation of each section (420, 430, 440).
  • the controller may be, for example, a PLC or the like.
  • the operation panel 450 may be connected to the control device, thereby constituting an input device and an output device of the control device.
  • the operation panel 450 may be appropriately arranged at a position suitable for operating the packaging machine 400.
  • the operation panel 450 may be arranged at a representative position of the packaging machine 400 .
  • the operation panel 450 is arranged near the film roll 410 and the film conveying section 420 and above the bag making section 440 .
  • the packaging machine 400 described above can package the contents WA in the following steps. That is, the film conveying section 420 feeds out the packaging film from the film roll 410 . In addition, the content conveying unit 430 conveys the content WA to be packaged. Next, the center seal portion 443 of the bag making portion 440 forms the delivered packaging film into a tubular shape. Then, after the content WA is put into the formed tubular packaging film, the tubular packaging film is cut in a direction orthogonal to the conveying direction by the end seal part 444, and both sides of the cut part in the conveying direction are cut. Seal by heating with As a result, a horizontal pillow type package WB containing the contents WA is formed. That is, the packaging of the contents WA is completed.
  • the film conveying section 420, the contents conveying section 430, and the bag making section 440 are examples of the mechanism of the production equipment (40, 45).
  • Each servomotor (421, 432, 442, 445) is an example of the servomotor (41, 46) of the production facility (40, 45).
  • a sensor SA may be used to measure the environmental temperature and humidity in the packaging machine 400.
  • Sensor SA may be appropriately configured to be able to measure temperature and humidity.
  • the sensor SA may be configured by a temperature/humidity sensor.
  • the sensor SA may consist of a temperature sensor and a humidity sensor.
  • the sensor SA may be appropriately arranged at a representative position of the packaging machine 400.
  • sensors SA may be positioned around operation panel 450 , such as on the side of operation panel 450 .
  • sensor SA may be located near the spatial center of packaging machine 400 .
  • the operation panel 450 is arranged above the center seal portion 443 and the sensor SA is arranged on the right side surface of the operation panel 450 .
  • the sensor SA may be arranged above the bag making section 440 .
  • the sensor SA may be in the middle of the packaging machine 400 and/or near the main stage.
  • An example of the intermediate process of the packaging machine 400 is either one of the bag-making process and the process of the center seal portion 443 or a transitional stage therebetween.
  • An example of the essential process of the packaging machine 400 is the process of the center seal portion 443 in which the works are put into (merged into) the film during bag making. Therefore, the sensor SA may be arranged at least either near the bag-making section 440 (for example, above the bag-making section 440) or near the center seal section 443.
  • the configuration of the packaging machine 400 need not be limited to this example. Regarding the specific configuration of the packaging machine 400, it is possible to omit, replace, and add components as appropriate according to the embodiment.
  • FIG. 5 schematically illustrates an example of the software configuration of the model generating device 1 according to this embodiment.
  • the control unit 11 of the model generation device 1 develops the model generation program 81 stored in the storage unit 12 in RAM. Then, the control unit 11 causes the CPU to interpret and execute instructions included in the model generation program 81 developed in the RAM, and controls each component.
  • the model generation device 1 operates as a computer having a data acquisition unit 111, a learning processing unit 112, and a storage processing unit 113 as software modules. That is, in this embodiment, each software module of the model generation device 1 is implemented by the control unit 11 (CPU).
  • the data acquisition unit 111 is configured to acquire a plurality of learning data sets 3 collected from production equipment 40 having a plurality of mechanisms including servo motors 41 .
  • Each learning data set 3 is composed of a combination of training data 31 and correct labels 32 .
  • the training data 31 is configured to indicate the temperature of the servomotor 41, the ambient temperature at representative locations of the production facility 40, and the ambient humidity at the representative locations.
  • the correct label 32 is configured to indicate the true value of the correction amount regarding the drive of the servo motor 41 for properly operating the production facility 40 under the conditions indicated by the corresponding training data 31 .
  • the learning processing unit 112 is configured to perform machine learning of the estimation model 5 using the acquired multiple learning data sets 3 .
  • machine learning for each learning data set 3, the result of estimating the correction amount for driving the servomotor 41 from the temperature of the servomotor 41, the environmental temperature, and the environmental humidity indicated by the training data 31 is the truth indicated by the correct answer label 32. It is constructed by training an estimation model 5 to fit the values.
  • the storage processing unit 113 is configured to generate information on the trained estimation model 5 generated by machine learning as the learning result data 125 and to store the generated learning result data 125 in a predetermined storage area.
  • Learning result data 125 may be configured as appropriate to include information for reproducing trained estimation model 5 .
  • the training data 31 of each learning data set 3 may be configured to further indicate the continuous operating time of the production equipment 40 .
  • the machine learning estimates a correction amount for driving the servomotor 41 from the temperature, environmental temperature, environmental humidity, and continuous operation time of the servomotor 41 indicated by the training data 31 for each learning data set 3. training the estimating model 5 so that the result obtained fits the true value indicated by the correct answer label 32 .
  • FIG. 6 schematically shows an example of the configuration of the learning data set 3 according to this embodiment.
  • the learning data set 3 exemplified in FIG. 6 has a data structure in a table format.
  • One record (row data) is one sample obtained by giving a correction amount for driving the servomotor 41 (that is, correcting the operation of the servomotor 41) so that the production equipment 40 can operate properly. It corresponds to one learning data set 3).
  • Each learning data set 3 may be obtained from the operation of the production equipment 40 or the results of experiments.
  • each record has fields for storing the temperature of the servomotor 41, environmental temperature, environmental humidity, continuous operation time, and correction amount.
  • the training data 31 and the correct label 32 are associated with each other.
  • Each learning data set 3 is a situation (training data 31) specified by the temperature of the servomotor 41, the environmental temperature, the environmental humidity, and the continuous operating time, and for properly operating the production facility 40 in that situation. and the true value of the correction amount (correct label 32).
  • the data structure of the learning data set 3 need not be limited to such an example as long as it can be used for machine learning of the estimation model 5, and may be appropriately determined according to the embodiment.
  • FIG. 7 schematically illustrates an example of the software configuration of the estimation device 2 according to this embodiment.
  • the control unit 21 of the estimation device 2 develops the estimation program 82 stored in the storage unit 22 in RAM. Then, the control unit 21 causes the CPU to interpret and execute instructions included in the estimation program 82 developed in the RAM, and controls each component.
  • the estimation device 2 according to the present embodiment operates as a computer having a data acquisition unit 211, an estimation unit 212, and an output unit 213 as software modules. That is, in the present embodiment, each software module of the estimation device 2 is realized by the control unit 21 (CPU) as well as the model generation device 1 .
  • the data acquisition unit 211 is configured to acquire the target data 221 from the target production facility 45 having a plurality of mechanisms including the target servo motor 46 .
  • the target data 221 is configured to indicate the temperature of the target servo motor 46, the target environmental temperature at the representative location of the target production facility 45, and the target environmental humidity at the representative location.
  • the estimating unit 212 has the estimating model 5 trained by machine learning by holding the learning result data 125 .
  • the estimating unit 212 uses the trained estimation model 5 generated by machine learning to determine the target from the temperature of the target servo motor 46, the target environmental temperature, and the target environmental humidity indicated by the acquired target data 221. It is configured to estimate a correction amount relating to the drive of the target servo motor 46 for properly operating the production equipment 45 .
  • the output unit 213 is configured to output information about the result of estimating the correction amount.
  • the data acquisition unit 211 acquires target data configured to further indicate the continuous operating time of the target production equipment 45. H.221.
  • the estimation unit 212 uses the trained estimation model 5 to determine the temperature of the target servomotor 46, the target environmental temperature, the target environmental humidity, and the target production equipment 45 indicated by the acquired target data 221. may be configured to estimate a correction amount for driving the target servomotor 46 from the continuous operation time of .
  • each software module of the model generating device 1 and the estimating device 2 will be described in detail in operation examples described later.
  • an example in which each software module of the model generating device 1 and the estimating device 2 is realized by a general-purpose CPU is described.
  • some or all of the software modules may be implemented by one or more dedicated processors.
  • Each module described above may be implemented as a hardware module.
  • omission, replacement, and addition of software modules may be performed as appropriate according to the embodiment.
  • FIG. 8 is a flowchart showing an example of a processing procedure regarding machine learning by the model generation device 1 according to this embodiment.
  • the processing procedure of the model generation device 1 described below is an example of the model generation method.
  • the processing procedure of the model generation device 1 described below is merely an example, and each step may be changed as much as possible. Further, in the following processing procedures, steps may be omitted, replaced, or added as appropriate according to the embodiment.
  • Step S101 In step S ⁇ b>101 , the control unit 11 operates as the data acquisition unit 111 and acquires a plurality of learning data sets 3 collected from the production equipment 40 .
  • Each learning data set 3 may be collected as appropriate. Each learning data set 3 may be obtained by testing or operating the operation of the production facility 40 in a real environment. Alternatively, each learning data set 3 may be obtained by simulation. Typically, when the production equipment 40 operates properly as a result of giving the production equipment 40 a correction amount for driving the servomotor 41, information indicating the applied correction amount can be obtained as the correct label 32. Information indicating the situation (the temperature of the servomotor 41, the environmental temperature, and the environmental humidity) can be obtained as the training data 31. FIG. Each learning data set 3 can be generated by associating the obtained training data 31 and correct label 32 .
  • the true value of the correction amount indicated by the correct label 32 may be given manually by an operator's operation, or may be given automatically by computer control using an arbitrary model.
  • Environmental temperature and humidity may be measured by sensors placed at representative locations.
  • the temperature of the servomotor 41 may be measured by a temperature sensor attached to the servomotor 41 .
  • the temperature of the servomotor 41, the environmental temperature, and the environmental humidity may be specified from the simulation conditions.
  • representative positions of the production equipment 40 are the periphery of the operation panel of the production equipment 40 (the operation panel 450 in the example of FIG. 4), the vicinity of the spatial center position of the production equipment 40, and the production It may be at least one of an intermediate step of facility 40 and/or near a key step.
  • production equipment 40 may be a packaging machine, web transporter, molding machine, lens alignment machine, or assembly machine.
  • the correction amount related to the driving of the servo motor 41 includes the torque correction amount of the servo motor 41, the speed correction amount of the servo motor 41, the position correction amount of the servo motor 41, the driving power correction amount of the servo motor 41, and at least one of the correction amount of the current value for the servo motor 41 .
  • information indicating the continuous operating time may be further acquired in the step of generating each learning data set 3 described above.
  • a method for acquiring the continuous operating time is not particularly limited, and may be appropriately selected according to the embodiment.
  • information indicating the time (start time) when the production equipment 40 started continuous operation and the time (current time) of the situation indicated in the training data 31 is obtained from the timer, and the time between the start time and the current time is obtained.
  • Continuous operation time may be obtained by calculating the difference.
  • the timer may be provided in any device such as, for example, the control device of the production facility 40, the model generation device 1, or an external device.
  • the continuous operating time may be obtained from the device.
  • the continuous operating time may be specified from the conditions of the simulation, as well as other information.
  • the expression format of the continuous operation time is not particularly limited, and may be appropriately determined according to the embodiment.
  • the continuous operating time may be expressed in units of time such as “hours”, “minutes”, “seconds”, etc., or may be expressed as an index according to time.
  • Each learning data set 3 may be generated automatically by the operation of a computer, or may be generated manually by including at least part of the operation of an operator. Moreover, the generation of each learning data set 3 may be performed by the model generation device 1 or may be performed by a computer other than the model generation device 1 .
  • the control unit 11 executes the above series of generation processes automatically or manually by an operator's operation via the input device 15, so that a plurality of A training data set 3 may be obtained.
  • the model generation device 1 may be directly connected to the production equipment 40, and the control unit 11 may directly acquire various information used for generating each learning data set 3 from the production equipment 40. .
  • control unit 11 may acquire various types of information from the production equipment 40 via the network, the storage medium 91, or the like, for example.
  • control unit 11 acquires a plurality of learning data sets 3 generated by the other computer, for example, via a network, a storage medium 91, etc. good.
  • Some of the learning data sets 3 may be generated by the model generating device 1, and other learning data sets 3 may be generated by one or more other computers.
  • the number of acquired learning data sets 3 may be arbitrarily selected. After acquiring the plurality of learning data sets 3, the control unit 11 proceeds to the next step S102.
  • Step S102 In step S ⁇ b>102 , the control unit 11 operates as the learning processing unit 112 and performs machine learning of the estimation model 5 using the acquired plurality of learning data sets 3 .
  • the machine learning estimates the correction amount for driving the servo motor 41 from the situation of the production facility 40 indicated by the training data 31 so that the result matches the true value indicated by the correct label 32. It is constructed by training model 5.
  • the estimation model 5 is composed of a machine learning model with one or more calculation parameters for deriving the estimation result (correction amount). Training the estimation model 5 consists of adjusting the values of the computational parameters of the estimation model 5 .
  • the type of machine learning model may not be particularly limited, and may be appropriately selected according to the embodiment. Also, the machine learning method may be appropriately selected according to the type of machine learning model employed.
  • the estimation model 5 may consist of a neural network, a support vector machine, or a regression model.
  • the control unit 11 uses the error backpropagation method to calculate the estimated value of the correction amount obtained when the training data 31 of each learning data set 3 is input and the true value indicated by the corresponding correct label 32. Adjust the values of the calculation parameters so that the error between
  • the parameter of the regression equation that configures the support vector machine is an example of the above calculation parameter.
  • the control unit 11 solves an optimization problem to obtain the estimated value of the correction amount obtained when the training data 31 of each learning data set 3 is input, and the truth indicated by the corresponding correct label 32. Adjust the value of the calculation parameter so that the error between the value and the value becomes small.
  • the parameters that make up the regression model are an example of the above calculation parameters.
  • the control unit 11 performs regression analysis such as multiple regression analysis to obtain the correction amount estimated value and the corresponding correct label 32 when the training data 31 of each learning data set 3 is input. Adjust the value of the calculation parameter so that the error between it and the true value indicated by is small.
  • the regression model may be configured to perform Gaussian process regression operations.
  • the control unit 11 may specify a parameter value so as to maximize the posterior probability based on maximum likelihood estimation.
  • the estimation model 5 is configured by the mean value distribution in the posterior probability distribution.
  • the control unit 11 advances the process to the next step S103.
  • Step S103 the control unit 11 operates as the storage processing unit 113 and generates information on the trained estimation model 5 generated by machine learning as the learning result data 125 .
  • the configuration of the learning result data 125 is not particularly limited as long as it is possible to hold information to be executed in the calculation of the estimation task (estimation of the correction amount), and may be appropriately determined according to the embodiment.
  • the learning result data 125 may be composed of information indicating the configuration of the estimation model 5 (for example, the structure of the neural network, etc.) and the values of the calculation parameters obtained by the above adjustment.
  • the control unit 11 saves the generated learning result data 125 in a predetermined storage area.
  • the predetermined storage area may be, for example, the RAM in the control unit 11, the storage unit 12, an external storage device, a storage medium, or a combination thereof.
  • the storage medium may be, for example, a CD, DVD, or the like, and the control section 11 may store the learning result data 125 in the storage medium via the drive 17 .
  • the external storage device may be, for example, a data server such as NAS (Network Attached Storage).
  • the control unit 11 may use the communication interface 13 to store the learning result data 125 in the data server via the network.
  • the external storage device may be, for example, an external storage device connected to the model generation device 1 via the external interface 14 .
  • control unit 11 terminates the processing procedure of the model generation device 1 according to this operation example.
  • the generated learning result data 125 may be provided to the estimation device 2 at any timing.
  • the control unit 11 may transfer the learning result data 125 to the estimation device 2 as the process of step S103 or separately from the process of step S103.
  • the estimating device 2 may acquire the learning result data 125 by receiving this transfer.
  • the estimating device 2 may acquire the learning result data 125 by accessing the model generating device 1 or the data server via the network using the communication interface 23 .
  • the estimation device 2 may acquire the learning result data 125 via the storage medium 92 .
  • the learning result data 125 may be pre-installed in the estimation device 2 .
  • control unit 11 may update or newly generate the learning result data 125 by repeating the processing of steps S101 to S103 on a regular or irregular basis. During this repetition, at least part of the learning data set 3 used for machine learning may be changed, corrected, added, deleted, etc., as appropriate. Then, the control unit 11 may update the learning result data 125 held by the estimating device 2 by providing the estimating device 2 with the updated or newly generated learning result data 125 by any method.
  • FIG. 9 is a flowchart showing an example of a processing procedure for performing an estimation task by the estimation device 2 according to this embodiment.
  • the processing procedure of the estimation device 2 described below is an example of the estimation method.
  • the processing procedure of the estimation device 2 described below is merely an example, and each step may be changed as much as possible. Further, in the following processing procedures, steps may be omitted, replaced, or added as appropriate according to the embodiment.
  • Step S201 In step S ⁇ b>201 , the control unit 21 operates as the data acquisition unit 211 and acquires the target data 221 from the target production equipment 45 .
  • the target data 221 is configured to indicate the temperature of the target servo motor 46, the target environmental temperature at the representative position of the target production facility 45, and the target environmental humidity at the representative position.
  • the target data 221 further indicates the continuous operating time of the target production facility 45. may be configured.
  • the method of acquiring the various information that constitutes the target data 221 is not particularly limited, and may be determined as appropriate according to the embodiment. Any of the above-described methods for acquiring the training data 31 may be employed as the method for acquiring various types of information.
  • the target data 221 may be obtained from the conditions of the simulation.
  • the target production facility 45 and the representative positions of the target production facility 45 correspond to the production facility 40 and the representative positions of the production facility 40 in the machine learning stage described above.
  • the route for acquiring the target data 221 may also be determined as appropriate according to the embodiment.
  • the estimation device 2 may be directly connected to the target production facility 45 , and the control unit 21 may directly acquire the target data 221 from the target production facility 45 .
  • the control unit 21 may indirectly acquire the target data 221 from the target production equipment 45 via, for example, a network, the storage medium 92, another computer, or the like. After acquiring the target data 221, the control unit 21 advances the process to the next step S202.
  • Step S202 In step S ⁇ b>202 , the control unit 21 operates as the estimation unit 212 and refers to the learning result data 125 to set the trained estimation model 5 . Then, using the trained estimation model 5, the control unit 21 corrects the drive of the target servo motor 46 for properly operating the target production facility 45 from the situation indicated by the acquired target data 221. Estimate quantity. Specifically, the control unit 21 inputs various information indicated by the target data 221 to the trained estimation model 5 , and executes the computation of the trained estimation model 5 . As a result of this arithmetic processing, the control unit 21 acquires an estimated value of the correction amount for driving the target servomotor 46 . The correction amount for driving the target servomotor 46 corresponds to the correction amount for driving the servomotor 41 in the machine learning stage. When the estimation process is completed, the control unit 21 advances the process to the next step S203.
  • Step S203 the control unit 21 operates as the output unit 213, and outputs information about the result of estimating the correction amount (estimated value of the correction amount).
  • the output destination and the content of the information to be output may be determined as appropriate according to the embodiment.
  • the control unit 21 may directly output the estimated value of the correction amount to an arbitrary output destination such as the output device 26, the operation panel of the target production facility 45, or the output device of another computer. This information may be output to prompt the operator to operate the target production facility 45 based on the output correction amount.
  • control unit 21 outputs an estimated value of the correction amount to the target production facility 45, and drives the target servo motor 46 in the target production facility 45 according to the correction amount estimation result.
  • the estimation of the correction amount may be performed for the purpose of controlling the operation of the target production equipment 45 .
  • the estimation device 2 may be referred to as a control device.
  • the state of the target production facility 45 can be estimated based on the correction amount.
  • the estimated value of the correction amount is large, it means that the target production equipment 45 (target servomotor 46) is degraded, abnormal, nearing the end of its life, or causing defects such as deterioration of the quality of the produced product. It can indicate that the probability of occurrence is high. Therefore, estimation of the correction amount may be performed for the purpose of monitoring the state of the target production equipment 45 .
  • the estimating device 2 may be referred to as a monitoring device.
  • the control unit 21 may output the estimated value of the correction amount as it is to an arbitrary output destination in the same manner as described above.
  • control unit 21 may evaluate the possibility of malfunction occurrence based on the estimated value of the correction amount, for example, by a method such as threshold determination. Then, the control unit 21 may output the result of the evaluation to the arbitrary output destination. The output of the result of this evaluation may include outputting a warning to inform the user when it is evaluated that there is a high possibility of occurrence of a problem.
  • control unit 21 terminates the processing procedure of the estimation device 2 according to this operation example.
  • the control unit 21 may continuously and repeatedly execute a series of information processing from step S201 to step S203. The timing of repetition may be appropriately determined according to the embodiment.
  • the estimating device 2 may be configured to continuously and repeatedly perform the above estimation task.
  • the estimating device 2 may execute the processing of steps S201 to S203 in real time in order to correct the current or future operation of the target production facility 45. Alternatively, in order to verify the past operation of the target production equipment 45, the estimating device 2 acquires the target data 221 indicating the past situation in step S201, and based on the acquired target data 221, steps S202 and You may perform the process of step S203.
  • the temperature of the servo motors (41, 46) is used as an explanatory variable for the correction amount for driving the servo motors (41, 46).
  • ambient temperature and humidity measured at representative locations of the production facility (40, 45) are employed.
  • the correction amount for driving the servo motor 41 of the production facility 40 having a plurality of mechanisms can be obtained at a relatively low cost and with high accuracy through the processing of steps S101 and S102.
  • a well-estimable trained estimation model 5 can be generated.
  • the estimation device 2 uses the trained estimation model 5 to estimate the correction amount for driving the target servomotor 46 in the target production facility 45 at relatively low cost and with high accuracy. be able to.
  • the training data 31 and the target data 221 may be configured to further indicate the continuous operating time of the production equipment (40, 45). That is, the continuous operating time may be further adopted as an explanatory variable.
  • the model generating device 1 can generate the trained estimation model 5 capable of estimating the correction amount for driving the servomotor 41 at relatively low cost and with high accuracy.
  • the estimation device 2 can estimate the correction amount for driving the target servomotor 46 in the target production equipment 45 at relatively low cost and with high accuracy.
  • the K thermocouple measured the temperature of the servomotor.
  • a temperature and humidity sensor manufactured by Omron, model number: ZN-THX21-S
  • the side surface of the operation panel was adopted as a representative position (a position that is not affected by heat generated in the process of processing the product, such as the center seal portion).
  • the continuous operation time was measured from the time inside the PLC of the horizontal pillow packaging machine and the operation start signal. Torque was adopted as the correction target of the servo motor. That is, the torque correction amount of the servomotor was set as the objective variable of the estimation model.
  • a multiple regression model was adopted as the configuration of the estimation model.
  • a multiple regression model was constructed from a regression equation comprising a first power term, a square term, and a cross product term for each explanatory variable.
  • the temperature of the servomotor, the environmental temperature, and the environmental humidity were adopted as explanatory variables, and a trained estimation model was generated by performing multiple regression analysis.
  • the continuous operating time was added to the explanatory variables. That is, in the second embodiment, the temperature of the servomotor, the environmental temperature, the environmental humidity, and the continuous operating time are used as explanatory variables.
  • the comparative example only the temperature of the servomotor was used as an explanatory variable.
  • the second embodiment and the comparative example employ the same configuration as the first embodiment.
  • the same multiple regression model as in the first example was used for the configuration of the estimation model, and multiple regression analysis was performed to generate a trained estimation model.
  • the fit of the trained estimation model to the learning data set used for the multiple regression analysis The extent (R-squared) was calculated.
  • a commercially available PC was used for each calculation in the first example, the second example, and the comparative example.
  • Table 1 above shows the results of calculating the R-squared values for the trained estimation models according to the first example, the second example, and the comparative example. From the comparison of the R-squared values of the comparative example and the first embodiment, it can be seen that the accuracy of estimating the torque correction amount of the servomotor can be improved by using not only the temperature of the servomotor but also the environmental temperature and humidity as explanatory variables. I have found that it is possible. In addition, from a comparison of the first and second embodiments, it was found that further improvement in the accuracy of estimating the torque correction amount of the servomotor can be expected by further using the continuous operation time as an explanatory variable. rice field. Based on these evaluation results, the effectiveness of the model generation method and estimation method according to the above embodiments could be verified.
  • Servomotor torque is an example of a controlled object, and other controlled objects such as servomotor speed, servomotor position, servomotor drive power, and servomotor current value have the same principle of operation as torque. . Therefore, from the above evaluation results, it is conjectured that the estimation accuracy can be improved for correction amounts of other controlled objects of the servomotor.
  • the area around the operation panel of the production equipment is an effective representative position.
  • the operation panel is often placed in the spatial center of the production equipment (the operation panel was also placed in the spatial center of the packaging machine used in each example and comparative example), and the operation The position around the panel allowed the measurement of the temperature and humidity of the main driving part of the production facility.
  • the correction amount for the drive of the servomotor could be estimated with relatively high accuracy.
  • the drive principle of the servo motor is basically common to each facility. Therefore, the production equipment to which the present invention can be applied is not limited to the packaging machine proven by the above evaluation results. It was speculated that the present invention can also be applied to Examples of such production equipment include web conveyers, molding machines, lens alignment machines, and assembly machines, in addition to packaging machines. Therefore, from the above evaluation results, it was inferred that the production equipment may be a packaging machine, a web transfer machine, a molding machine, a lens alignment machine, or an assembly machine.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本発明の一側面に係るモデル生成装置は、サーボモータを含む複数の機構を備える生産設備から収集された複数の学習データセットを取得し、取得された複数の学習データセットを使用して、推定モデルの機械学習を実施する。各学習データセットは、訓練データ及び正解ラベルの組み合わせにより構成される。機械学習では、モデル生成装置は、訓練データにより示されるサーボモータの温度、環境温度、及び環境湿度からサーボモータの駆動に関する補正量を推定した結果が正解ラベルにより示される真値に適合するように推定モデルを訓練する。

Description

モデル生成装置、モデル生成方法、モデル生成プログラム、推定装置、推定方法、及び推定プログラム
　本発明は、モデル生成装置、モデル生成方法、モデル生成プログラム、推定装置、推定方法、及び推定プログラムに関する。
　包装機等のサーボモータを備える生産設備において、サーボモータの温度からサーボモータの状態を推定（予測を含む）し、推定される状態からサーボモータの駆動（例えば、トルク）を補正する方法が採用されることがある。近年、この方法に関して、サーボモータの温度以外の情報を更に利用して、サーボモータの動作をより精度よく補正する様々な方法が提案されている。
　例えば、特許文献１では、回転体の温度に加えて、記録媒体の搬送速度を検出し、検出された回転体の温度及び記録媒体の搬送速度の少なくとも一方に基づいて、モータにより回転体に伝達されるトルクを補正する方法が提案されている。特許文献２では、生産設備に備えられた駆動装置の回転構造の軸受けから排出される潤滑油の配管における排気の温度を検出し、検出された排気の温度に基づいて、生産設備の状態を判定する方法が提案されている。
特開２０１９－１５９０９３号公報 特開２０１９－０３６０７６号公報
　本件発明者らは、上記従来の方法には、次のような問題点があることを見出した。すなわち、例えば、包装機、ウェブ搬送機、成形機、レンズアライメント機、組立機等の生産設備は、サーボモータを含む複数の機構を備える。生産設備が包装機の場合、機構は、例えば、フィルム搬送部、内容物搬送部、製袋部等である。従来の方法によれば、各機構の状態を個別にセンサで監視することにより、サーボモータの駆動に関する補正量を精度よく推定することができる。しかしながら、生産設備の備える機構が多くなればなるほど、設置するセンサの数が多くなってしまう。また、各機構の状態を測定するためのセンサは、生産設備が構築された後に設置されることが多い。そのため、従来の方法では、センサの設置コストが高くなってしまう。更に、生産設備を変更する際に、センサの変更も検討することになり、当該変更にかかるコストが高くなってしまう。
　本発明は、一側面では、このような事情を鑑みてなされたものであり、その目的は、複数の機構を備える生産設備のサーボモータの駆動に関する補正量を比較的に低コストでかつ精度よく推定する技術を提供することである。
　本発明は、上述した課題を解決するために、以下の構成を採用する。
　すなわち、本発明の一側面に係るモデル生成装置は、サーボモータを含む複数の機構を備える生産設備から収集された複数の学習データセットを取得するように構成されたデータ取得部であって、前記各学習データセットは、訓練データ及び正解ラベルの組み合わせにより構成され、前記訓練データは、前記サーボモータの温度、前記生産設備を代表する位置の環境温度、及び前記代表する位置の環境湿度を示すように構成され、並びに前記正解ラベルは、対応する前記訓練データに示される状況の際に前記生産設備を適正に稼働するための前記サーボモータの駆動に関する補正量の真値を示すように構成される、データ取得部と、取得された複数の学習データセットを使用して、推定モデルの機械学習を実施するように構成された学習処理部であって、前記機械学習は、前記各学習データセットについて、前記訓練データにより示される前記サーボモータの温度、前記環境温度、及び前記環境湿度から前記サーボモータの駆動に関する補正量を推定した結果が前記正解ラベルにより示される前記真値に適合するように前記推定モデルを訓練することにより構成される、学習処理部と、を備える。
　後述する実験例に示されるとおり、本件発明者らは、複数の機構を備える生産設備について、サーボモータの温度の他に、生産設備の代表する位置で観測された環境温度及び環境湿度を説明変数に用いることで、各機構個々の情報を用いなくても、サーボモータの駆動に関する補正量（例えば、トルクの補正量等）を比較的に高精度に推定可能であることを見出した。代表する位置の環境温度及び環境湿度は、測定箇所及び測定項目の数の観点から、生産設備の個々の機構を監視するのに比べて簡単でかつ低コストに測定可能である。したがって、当該構成によれば、生産設備の個々の機構の状態を観測するのにかかるコストを低減することができる。よって、複数の機構を備える生産設備のサーボモータの駆動に関する補正量を比較的に低コストでかつ精度よく推定可能な訓練済みの推定モデルを生成することができる。
　上記一側面に係るモデル生成装置において、前記訓練データは、前記生産設備の連続稼働時間を更に示すように構成されてよい。前記機械学習は、前記各学習データセットについて、前記訓練データにより示される前記サーボモータの温度、前記環境温度、前記環境湿度、及び前記連続稼働時間から前記サーボモータの駆動に関する補正量を推定した結果が前記正解ラベルにより示される前記真値に適合するように前記推定モデルを訓練することにより構成されてよい。後述する実験例に示されるとおり、本件発明者らは、生産設備の連続稼働時間を説明変数に更に利用することで、サーボモータの駆動に関する補正量を推定する精度の向上を図ることができることを見出した。連続稼働時間は、生産設備の稼働を開始した時刻を保持していれば特定することができるため、生産設備の個々の機構を監視するのに比べて明らかに簡単でかつ低コストに測定可能である。したがって、当該構成によれば、複数の機構を備える生産設備のサーボモータの駆動に関する補正量を比較的に低コストでかつより精度よく推定可能な訓練済みの推定モデルを生成することができる。
　上記一側面に係るモデル生成装置において、前記サーボモータの駆動に関する補正量は、前記サーボモータのトルクの補正量、前記サーボモータの速度（回転速度、回転数）の補正量、前記サーボモータの位置（回転角度）の補正量、前記サーボモータの駆動電力（消費電力）の補正量及び前記サーボモータに対する電流値の補正量の少なくともいずれかであってよい。当該構成によれば、サーボモータのトルク、速度、位置、駆動電力、及び電流値の少なくともいずれかを比較的に低コストでかつ精度よく推定可能な訓練済みの推定モデルを生成することができる。
　上記一側面に係るモデル生成装置において、前記代表する位置は、前記生産設備の操作パネルの周囲、前記生産設備の空間的な中心位置付近、及び前記生産設備の中間工程又は要の工程付近の少なくともいずれかであってよい。当該構成によれば、生産設備の主要な駆動に関与する部分の温度及び湿度を環境温度及び環境湿度として得ることができ、これにより、複数の機構を備える生産設備のサーボモータの駆動に関する補正量を比較的に低コストでかつ精度よく推定可能な訓練済みの推定モデルを生成することができる。
　上記一側面に係るモデル生成装置において、前記生産設備は、包装機、ウェブ搬送機、成形機、レンズアライメント機、又は組立機であってよい。当該構成によれば、包装機、ウェブ搬送機、成形機、レンズアライメント機、又は組立機のサーボモータの駆動に関する補正量を比較的に低コストでかつより精度よく推定可能な訓練済みの推定モデルを生成することができる。
　また、本発明の形態は、上記モデル生成装置に限られなくてよい。本発明の一側面は、上記いずれかの形態に係るモデル生成装置で生成された訓練済みの推定モデルを使用して、生産設備の対象のサーボモータの駆動に関する補正量を推定するように構成された推定装置であってもよい。
　例えば、本発明の一側面に係る推定装置は、対象のサーボモータを含む複数の機構を備える対象の生産設備から対象データを取得するように構成されたデータ取得部であって、前記対象データは、前記対象のサーボモータの温度、前記対象の生産設備を代表する位置の対象環境温度、及び前記代表する位置の対象環境湿度を示すように構成される、データ取得部と、機械学習により生成された訓練済みの推定モデルを使用して、取得された前記対象データにより示される前記対象のサーボモータの温度、前記対象環境温度、及び前記対象環境湿度から前記対象の生産設備を適正に稼働するための前記対象のサーボモータの駆動に関する補正量を推定するように構成された推定部と、前記補正量を推定した結果（推定値）に関する情報を出力するように構成された出力部と、を備える。当該構成によれば、訓練済みの推定モデルを使用ことで、複数の機構を備える生産設備のサーボモータの駆動に関する補正量を比較的に低コストでかつ精度よく推定することができる。
　上記一側面に係る推定装置において、前記対象データは、前記対象の生産設備の連続稼働時間を更に示すように構成されてよく、前記推定部は、前記訓練済みの推定モデルを使用して、取得された前記対象データにより示される前記対象のサーボモータの温度、前記対象環境温度、前記対象環境湿度及び前記連続稼働時間から前記対象のサーボモータの駆動に関する補正量を推定するように構成されてよい。前記対象のサーボモータの駆動に関する補正量は、前記サーボモータのトルクの補正量、前記サーボモータの速度（回転速度、回転数）の補正量、前記サーボモータの位置（回転角度）の補正量、前記サーボモータの駆動電力（消費電力）の補正量及び前記サーボモータに対する電流値の補正量の少なくともいずれかであってよい。前記対象の生産設備を代表する位置は、前記生産設備の操作パネルの周囲、前記生産設備の空間的な中心位置付近、及び前記生産設備の中間工程又は要の工程付近の少なくともいずれかであってよい。前記対象の生産設備は、包装機、ウェブ搬送機、成形機、レンズアライメント機、又は組立機であってよい。
　また、上記各形態に係るモデル生成装置及び推定装置それぞれの別の態様として、本発明の一側面は、以上の各構成の全部又はその一部を実現する情報処理方法であってもよいし、プログラムであってもよいし、このようなプログラムを記憶した、コンピュータその他装置、機械等が読み取り可能な記憶媒体であってもよい。ここで、コンピュータ等が読み取り可能な記憶媒体とは、プログラム等の情報を、電気的、磁気的、光学的、機械的、又は、化学的作用によって蓄積する媒体である。また、本発明の一側面は、上記いずれかの形態に係るモデル生成装置及び推定装置により構成される推定システムであってもよい。
　例えば、本発明の一側面に係るモデル生成方法は、コンピュータが、サーボモータを含む複数の機構を備える生産設備から収集された複数の学習データセットを取得するステップであって、前記各学習データセットは、訓練データ及び正解ラベルの組み合わせにより構成され、前記訓練データは、前記サーボモータの温度、前記生産設備を代表する位置の環境温度、及び前記代表する位置の環境湿度を示すように構成され、並びに前記正解ラベルは、対応する前記訓練データに示される状況の際に前記生産設備を適正に稼働するための前記サーボモータの駆動に関する補正量の真値を示すように構成される、ステップと、取得された複数の学習データセットを使用して、推定モデルの機械学習を実施するステップであって、前記機械学習は、前記各学習データセットについて、前記訓練データにより示される前記サーボモータの温度、前記環境温度、及び前記環境湿度から前記サーボモータの駆動に関する補正量を推定した結果が前記正解ラベルにより示される前記真値に適合するように前記推定モデルを訓練することにより構成される、ステップと、を実行する、情報処理方法である。
　また、例えば、本発明の一側面に係るモデル生成プログラムは、コンピュータに、サーボモータを含む複数の機構を備える生産設備から収集された複数の学習データセットを取得するステップであって、前記各学習データセットは、訓練データ及び正解ラベルの組み合わせにより構成され、前記訓練データは、前記サーボモータの温度、前記生産設備を代表する位置の環境温度、及び前記代表する位置の環境湿度を示すように構成され、並びに前記正解ラベルは、対応する前記訓練データに示される状況の際に前記生産設備を適正に稼働するための前記サーボモータの駆動に関する補正量の真値を示すように構成される、ステップと、取得された複数の学習データセットを使用して、推定モデルの機械学習を実施するステップであって、前記機械学習は、前記各学習データセットについて、前記訓練データにより示される前記サーボモータの温度、前記環境温度、及び前記環境湿度から前記サーボモータの駆動に関する補正量を推定した結果が前記正解ラベルにより示される前記真値に適合するように前記推定モデルを訓練することにより構成される、ステップと、を実行させるための、プログラムである。
　また、例えば、本発明の一側面に係る推定方法は、コンピュータが、対象のサーボモータを含む複数の機構を備える対象の生産設備から対象データを取得するステップであって、前記対象データは、前記対象のサーボモータの温度、前記対象の生産設備を代表する位置の対象環境温度、及び前記代表する位置の対象環境湿度を示すように構成される、ステップと、機械学習により生成された訓練済みの推定モデルを使用して、取得された前記対象データにより示される前記対象のサーボモータの温度、前記対象環境温度、及び前記対象環境湿度から前記対象の生産設備を適正に稼働するための前記対象のサーボモータの駆動に関する補正量を推定するステップと、前記補正量を推定した結果に関する情報を出力するステップと、を実行する、情報処理方法である。
　また、例えば、本発明の一側面に係る推定プログラムは、コンピュータに、対象のサーボモータを含む複数の機構を備える対象の生産設備から対象データを取得するステップであって、前記対象データは、前記対象のサーボモータの温度、前記対象の生産設備を代表する位置の対象環境温度、及び前記代表する位置の対象環境湿度を示すように構成される、ステップと、機械学習により生成された訓練済みの推定モデルを使用して、取得された前記対象データにより示される前記対象のサーボモータの温度、前記対象環境温度、及び前記対象環境湿度から前記対象の生産設備を適正に稼働するための前記対象のサーボモータの駆動に関する補正量を推定するステップと、前記補正量を推定した結果に関する情報を出力するステップと、を実行させるための、プログラムである。
　本発明によれば、複数の機構を備える生産設備のサーボモータの駆動に関する補正量を比較的に低コストでかつ精度よく推定することができる。
図１は、本発明が適用される場面の一例を模式的に示す。 図２は、実施の形態に係るモデル生成装置のハードウェア構成の一例を模式的に示す。 図３は、実施の形態に係る推定装置のハードウェア構成の一例を模式的に示す。 図４は、実施の形態に係る生産設備の一例を模式的に示す。 図５は、実施の形態に係るモデル生成装置のソフトウェア構成の一例を模式的に示す。 図６は、実施の形態に係る学習データセットの構成の一例を模式的に示す。 図７は、実施の形態に係る推定装置のソフトウェア構成の一例を模式的に示す。 図８は、実施の形態に係るモデル生成装置の処理手順の一例を示すフローチャートである。 図９は、実施の形態に係る推定装置の処理手順の一例を示す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」とも表記する）を、図面に基づいて説明する。ただし、以下で説明する本実施形態は、あらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良や変形を行うことができることは言うまでもない。つまり、本発明の実施にあたって、実施形態に応じた具体的構成が適宜採用されてもよい。なお、本実施形態において登場するデータを自然言語により説明しているが、より具体的には、コンピュータが認識可能な疑似言語、コマンド、パラメータ、マシン語等で指定される。
　§１　適用例
　図１は、本発明を適用した場面の一例を模式的に例示する。図１に示されるとおり、本実施形態に係る推定システム１００は、モデル生成装置１及び推定装置２を備えている。
　本実施形態に係るモデル生成装置１は、機械学習により訓練済みの推定モデル５を生成するように構成されたコンピュータである。本実施形態では、モデル生成装置１は、サーボモータ４１を含む複数の機構を備える生産設備４０から収集された複数の学習データセット３を取得する。各学習データセット３は、訓練データ３１及び正解ラベル３２の組み合わせにより構成される。訓練データ３１は、サーボモータ４１の温度、生産設備４０を代表する位置の環境温度、及び代表する位置の環境湿度を示すように構成される。正解ラベル３２は、対応する訓練データ３１に示される状況の際に生産設備４０を適正に稼働するためのサーボモータ４１の駆動に関する補正量の真値を示すように構成される。
　モデル生成装置１は、取得された複数の学習データセット３を使用して、推定モデル５の機械学習を実施する。機械学習は、各学習データセット３について、訓練データ３１により示されるサーボモータ４１の温度、環境温度、及び環境湿度からサーボモータ４１の駆動に関する補正量を推定した結果が正解ラベル３２により示される真値に適合するように推定モデル５を訓練することにより構成される。これにより、機械学習に使用した複数の学習データセット３の範囲で、サーボモータの温度、生産設備における環境温度、及び環境湿度からサーボモータの駆動に関する補正量を適切に推定する能力を獲得した訓練済みの推定モデル５を生成することができる。
　一方、推定装置２は、訓練済みの推定モデル５を使用して、推定タスクを遂行するように構成されたコンピュータである。本実施形態では、推定装置２は、対象のサーボモータ４６を含む複数の機構を備える対象の生産設備４５から対象データ２２１を取得する。対象データ２２１は、対象のサーボモータ４６の温度、対象の生産設備４５を代表する位置の対象環境温度、及び代表する位置の対象環境湿度を示すように構成される。対象環境温度は、対象の生産設備４５における環境温度であり、対象環境湿度は、対象の生産設備４５における環境湿度である。
　推定装置２は、上記機械学習により生成された訓練済みの推定モデル５を使用して、取得された対象データ２２１により示される対象のサーボモータ４６の温度、対象環境温度、及び対象環境湿度から対象の生産設備４５を適正に稼働するための対象のサーボモータ４６の駆動に関する補正量を推定する。そして、推定装置２は、補正量を推定した結果に関する情報を出力する。
　なお、一例では、互いに同種であれば、対象の生産設備４５は、機械学習の段階における生産設備４０と異なる装置であってもよい。他の一例では、対象の生産設備４５は、機械学習の段階における生産設備４０と同一であってもよい。サーボモータ（４１、４６）の数は、実施の形態に応じて適宜決定されてよい。サーボモータ（４１、４６）の数は、１つであってもよいし、或いは複数であってもよい。
　サーボモータ（４１、４６）の駆動に関する補正量（すなわち、推定モデル５の目的変数）は、現在又は未来におけるサーボモータ（４１、４６）の動作の状態を修正するものであれば、特に限定されなくてよく、その対象は、実施の形態に応じて適宜選択されてよい。一例では、サーボモータ（４１、４６）の駆動に関する補正量は、サーボモータ（４１、４６）のトルクの補正量、サーボモータ（４１、４６）の速度（回転速度又は回転数）の補正量、サーボモータ（４１、４６）の位置（回転角度）の補正量、サーボモータ（４１、４６）の駆動電力（消費電力）の補正量、及びサーボモータ（４１、４６）に対する電流値の補正量の少なくともいずれかであってよい。なお、サーボモータのトルクの値は電流で規定される。そのため、サーボモータ（４１、４６）に対する電流値の補正量は、サーボモータ（４１、４６）のトルクの補正量と同等に取り扱われてもよい。また、各補正量は、現在又は未来に適用されるものであってよい。
　生産設備（４０、４５）は、複数の機構を備え、サーボモータにより駆動されるように構成されていれば、その種類は、特に限定されなくてよく、実施の形態に応じて選択されてよい。一例では、生産設備（４０、４５）は、包装機、ウェブ搬送機、成形機、レンズアライメント機、又は組立機であってよい。本実施形態では、後述するとおり、説明の便宜上、生産設備（４０、４５）の一例として包装機を採用する。生産設備（４０、４５）により生産される製品は、生産設備（４０、４５）の種類に応じて適宜決定されてよい。
　生産設備（４０、４５）のサーボモータ（４１、４６）の駆動に関する補正量を適切に推定するためには、代表する位置は、生産設備（４０、４５）の主要な駆動に関与する部分の温度及び湿度を測定可能であることが好ましい。また、代表する位置は、生産設備（４０、４５）内での工程（例えば、包装機におけるセンターシール部、トップシール部等）で発生する熱の影響を受けにくい位置であることが好ましい。一例では、代表する位置は、生産設備（４０、４５）の操作パネルの周囲、生産設備（４０、４５）の空間的な中心位置付近、及び生産設備（４０、４５）の中間工程又は要の工程付近の少なくともいずれかであってよい。中間工程は、ワークが生産設備に投入されてから、複数の工程を経て処理（加工）が終了するまでの間における（Ａ）総工程数の真ん中（半分）に該当する工程、及び（Ｂ）総時間の半分の時間に実行される工程の少なくとも一方である。要の工程は、製品品質に及ぼす影響が最も大きいと想定される工程である。
　訓練データ３１及び対象データ２２１に含まれる環境温度及び環境湿度の測定には、代表する位置に配置された任意のセンサが用いられてよい。一例では、環境温度及び環境湿度は、１つのセンサ（温湿度センサ）により測定されてもよい。他の一例では、環境温度及び環境湿度は、別々のセンサ（温度センサ及び湿度センサ）により測定されてよい。環境温度は、代表する位置で測定された環境の温度を示す。環境湿度は、代表する位置で測定された環境の湿度を示す。なお、サーボモータ（４１、４６）の温度、環境温度、及び環境湿度の表現形式（例えば、単位等）は、特に限定されなくてよく、実施の形態に応じて適宜選択されてよい。
　推定モデル５は、複数のパラメータを備える機械学習モデルにより構成される。機械学習モデルの種類は、特に限定されなくてよく、実施の形態に応じて適宜選択されてよい。推定モデル５には、例えば、ニューラルネットワーク、サポートベクタマシン、回帰モデル等が採用されてよい。機械学習の方法は、採用される機械学習モデルの種類に応じて適宜決定されてよい。機械学習の方法には、例えば、誤差逆伝播法、最適化問題を解く、回帰分析を実行する等の方法が採用されてよい。
　以上のとおり、本実施形態では、複数の機構を備える生産設備（４０、４５）について、サーボモータ（４１、４６）の温度の他に、生産設備（４０、４５）の代表する位置で測定された環境温度及び環境湿度を説明変数に採用する。代表する位置の環境温度及び環境湿度は、生産設備（４０、４５）全体に影響を及ぼし得る。そのため、代表する位置の環境温度及び環境湿度を説明変数に用いることで、サーボモータの駆動に関する補正量を比較的に高精度に推定可能である。加えて、生産設備（４０、４５）の個々の機構の状態を監視しなくて済み、測定箇所及び項目の点数を減らすことができる。したがって、本実施形態によれば、モデル生成装置１において、複数の機構を備える生産設備４０のサーボモータ４１の駆動に関する補正量を比較的に低コストでかつ精度よく推定可能な訓練済みの推定モデル５を生成することができる。推定装置２では、訓練済みの推定モデル５を用いることで、対象の生産設備４５における対象のサーボモータ４６の駆動に関する補正量を比較的に低コストでかつ精度よく推定することができる。
　なお、図１の例では、モデル生成装置１及び推定装置２は、ネットワークを介して互いに接続されている。ネットワークの種類は、例えば、インターネット、無線通信網、移動通信網、電話網、専用網等から適宜選択されてよい。ただし、モデル生成装置１及び推定装置２の間でデータをやり取りする方法は、このような例に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。例えば、モデル生成装置１及び推定装置２の間では、記憶媒体を利用して、データがやり取りされてよい。
　また、図１の例では、モデル生成装置１及び推定装置２は、それぞれ別個のコンピュータにより構成されている。しかしながら、本実施形態に係る推定システム１００の構成は、このような例に限定されなくてもよく、実施の形態に応じて適宜決定されてよい。たとえば、モデル生成装置１及び推定装置２は一体のコンピュータであってもよい。また、例えば、モデル生成装置１及び推定装置２のうちの少なくとも一方は、複数台のコンピュータにより構成されてもよい。
　また、図１の例では、モデル生成装置１及び推定装置２は、生産設備（４０、４５）に直接的に接続されている。しかしながら、各装置（１、２）と生産設備（４０、４５）との間の関係は、このような例に限定されなくてよい。他の一例では、各装置（１、２）は、例えば、他のコンピュータ、ネットワーク等を介して、生産設備（４０、４５）と間接的に接続されてよい。この場合、生産設備（４０、３５）は、生産設備（４０、３５）の動作を制御するように構成された制御装置（不図示）を備えてよく、各装置（１、２）は、当該制御装置に接続されてよい。更に他の一例では、各装置（１、２）は、生産設備（４０、４５）に接続されていなくてもよい。この場合、各装置（１、２）は、例えば、記憶媒体、外部記憶装置等を介して、生産設備（４０、４５）の情報を取得してもよい。なお、生産設備（４０、４５）に直接的に接続される場合、各装置（１、２）は、生産設備（４０、４５）の制御装置として動作してもよい。
　§２　構成例
　［ハードウェア構成］
　＜モデル生成装置＞
　図２は、本実施形態に係るモデル生成装置１のハードウェア構成の一例を模式的に例示する。図２に示されるとおり、本実施形態に係るモデル生成装置１は、制御部１１、記憶部１２、通信インタフェース１３、外部インタフェース１４、入力装置１５、出力装置１６、及びドライブ１７が電気的に接続されたコンピュータである。なお、図２では、通信インタフェース及び外部インタフェースを「通信Ｉ／Ｆ」及び「外部Ｉ／Ｆ」と記載している。
　制御部１１は、ハードウェアプロセッサ（プロセッサリソース）であるＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等を含み、プログラム及び各種データに基づいて情報処理を実行するように構成される。記憶部１２は、メモリの一例であり、例えば、ハードディスクドライブ、ソリッドステートドライブ等で構成される。本実施形態では、記憶部１２は、モデル生成プログラム８１、複数の学習データセット３、学習結果データ１２５等の各種情報を記憶する。
　モデル生成プログラム８１は、訓練済みの推定モデル５を生成する後述の機械学習の情報処理（図８）をモデル生成装置１に実行させるためのプログラムである。モデル生成プログラム８１は、当該情報処理の一連の命令を含む。複数の学習データセット３は、訓練済みの推定モデル５の生成に使用される。学習結果データ１２５は、生成された訓練済みの推定モデル５に関する情報を示す。本実施形態では、学習結果データ１２５は、モデル生成プログラム８１を実行した結果として生成される。詳細は後述する。
　通信インタフェース１３は、例えば、有線ＬＡＮ（Local Area Network）モジュール、無線ＬＡＮモジュール等であり、ネットワークを介した有線又は無線通信を行うためのインタフェースである。モデル生成装置１は、通信インタフェース１３を利用して、他の情報処理装置との間で、ネットワークを介したデータ通信を実行することができる。外部インタフェース１４は、例えば、ＵＳＢ（Universal Serial Bus）ポート、専用ポート等であり、外部装置と接続するためのインタフェースである。外部インタフェース１４の種類及び数は任意に選択されてよい。モデル生成装置１は、通信インタフェース１３及び外部インタフェース１４の少なくとも一方を介して、各学習データセット３を得るためのデバイス（例えば、生産設備４０、サーボモータ４１、温湿度センサ、温度センサ、湿度センサ等）に接続されてよい。
　入力装置１５は、例えば、マウス、キーボード等の入力を行うための装置である。また、出力装置１６は、例えば、ディスプレイ、スピーカ等の出力を行うための装置である。ユーザ等のオペレータは、入力装置１５及び出力装置１６を利用することで、モデル生成装置１を操作することができる。
　ドライブ１７は、例えば、ＣＤドライブ、ＤＶＤドライブ等であり、記憶媒体９１に記憶されたプログラム等の各種情報を読み込むためのドライブ装置である。記憶媒体９１は、コンピュータその他装置、機械等が、記憶されたプログラム等の各種情報を読み取り可能なように、当該プログラム等の情報を、電気的、磁気的、光学的、機械的又は化学的作用によって蓄積する媒体である。上記モデル生成プログラム８１及び複数の学習データセット３の少なくともいずれかは、記憶媒体９１に記憶されていてもよい。モデル生成装置１は、この記憶媒体９１から、上記モデル生成プログラム８１及び複数の学習データセット３の少なくともいずれかを取得してもよい。なお、図２では、記憶媒体９１の一例として、ＣＤ、ＤＶＤ等のディスク型の記憶媒体を例示している。しかしながら、記憶媒体９１の種類は、ディスク型に限られなくてもよく、ディスク型以外であってもよい。ディスク型以外の記憶媒体として、例えば、フラッシュメモリ等の半導体メモリを挙げることができる。ドライブ１７の種類は、記憶媒体９１の種類に応じて任意に選択されてよい。
　なお、モデル生成装置１の具体的なハードウェア構成に関して、実施形態に応じて、適宜、構成要素の省略、置換及び追加が可能である。例えば、制御部１１は、複数のハードウェアプロセッサを含んでもよい。ハードウェアプロセッサは、マイクロプロセッサ、ＦＰＧＡ（field-programmable gate array）、ＤＳＰ（digital signal processor）等で構成されてよい。記憶部１２は、制御部１１に含まれるＲＡＭ及びＲＯＭにより構成されてもよい。通信インタフェース１３、外部インタフェース１４、入力装置１５、出力装置１６及びドライブ１７の少なくともいずれかは省略されてもよい。モデル生成装置１は、複数台のコンピュータで構成されてもよい。この場合、各コンピュータのハードウェア構成は、一致していてもよいし、一致していなくてもよい。また、モデル生成装置１は、提供されるサービス専用に設計された情報処理装置の他、汎用のサーバ装置、ＰＣ（Personal Computer）、産業用ＰＣ（ＩＰＣ）等であってもよい。
　＜推定装置＞
　図３は、本実施形態に係る推定装置２のハードウェア構成の一例を模式的に例示する。図３に示されるとおり、本実施形態に係る推定装置２は、制御部２１、記憶部２２、通信インタフェース２３、外部インタフェース２４、入力装置２５、出力装置２６、及びドライブ２７が電気的に接続されたコンピュータである。
　推定装置２の制御部２１～ドライブ２７及び記憶媒体９２はそれぞれ、上記モデル生成装置１の制御部１１～ドライブ１７及び記憶媒体９１それぞれと同様に構成されてよい。制御部２１は、ハードウェアプロセッサであるＣＰＵ、ＲＡＭ、ＲＯＭ等を含み、プログラム及びデータに基づいて各種情報処理を実行するように構成される。記憶部２２は、例えば、ハードディスクドライブ、ソリッドステートドライブ等で構成される。本実施形態では、記憶部２２は、推定プログラム８２、学習結果データ１２５等の各種情報を記憶する。
　推定プログラム８２は、訓練済みの推定モデル５を使用して推定タスク（補正量の推定）を遂行する後述の情報処理（図９）を推定装置２に実行させるためのプログラムである。推定プログラム８２は、当該情報処理の一連の命令を含む。推定は、予測を含んでよい。推定プログラム８２及び学習結果データ１２５の少なくともいずれかは、記憶媒体９２に記憶されていてもよい。また、推定装置２は、推定プログラム８２及び学習結果データ１２５の少なくともいずれかを記憶媒体９２から取得してもよい。
　推定装置２は、通信インタフェース２３及び外部インタフェース２４の少なくともいずれかを介して、対象データ２２１を取得するためのデバイス（例えば、対象の生産設備４５、対象のサーボモータ４６、温湿度センサ、温度センサ、湿度センサ等）に接続されてよい。推定装置２は、入力装置２５及び出力装置２６の利用により、ユーザ等のオペレータからの操作及び入力を受け付けてよい。
　なお、推定装置２の具体的なハードウェア構成に関して、実施形態に応じて、適宜、構成要素の省略、置換及び追加が可能である。例えば、制御部２１は、複数のハードウェアプロセッサを含んでもよい。ハードウェアプロセッサは、マイクロプロセッサ、ＦＰＧＡ、ＤＳＰ等で構成されてよい。記憶部２２は、制御部２１に含まれるＲＡＭ及びＲＯＭにより構成されてもよい。通信インタフェース２３、外部インタフェース２４、入力装置２５、出力装置２６、及びドライブ２７の少なくともいずれかは省略されてもよい。推定装置２は、複数台のコンピュータで構成されてもよい。この場合、各コンピュータのハードウェア構成は、一致していてもよいし、一致していなくてもよい。また、推定装置２は、提供されるサービス専用に設計された情報処理装置の他、汎用のサーバ装置、汎用のＰＣ、産業用ＰＣ、ＰＬＣ（programmable logic controller）等であってもよい。
　＜生産設備の一例＞
　図４は、包装機４００の構成の一例を模式的に示す。包装機４００は、生産設備（４０、４５）の一例である。図４に例示される包装機４００は、いわゆる横ピロー包装機である。この包装機４００は、包装フィルムが巻き取られたフィルムロール４１０、包装フィルムを搬送するフィルム搬送部４２０、内容物ＷＡを搬送する内容物搬送部４３０、内容物を包装フィルムで包装する製袋部４４０、及び操作パネル４５０を備えている。
　包装フィルムは、例えば、ポリエチレンフィルム等の樹脂フィルムである。フィルムロール４１０は巻き芯を備えており、包装フィルムはその巻き芯に巻き取られている。巻き芯は軸周りに回転可能に支持されており、これにより、フィルムロール４１０は、回転しながら包装フィルムを繰り出すことができるように構成されている。
　フィルム搬送部４２０は、サーボモータ４２１により駆動される駆動ローラ、この駆動ローラから回転力を付与される受動ローラ４２２、及び包装フィルムにテンションをかけながらガイドする複数のプーリ４２３、を備えている。これにより、フィルム搬送部４２０は、フィルムロール４１０から包装フィルムを繰り出し、繰り出した包装フィルムを弛ませることなく製袋部４４０に搬送するように構成されている。
　内容物搬送部４３０は、包装対象となる内容物ＷＡを搬送するコンベア４３１、及びコンベア４３１を駆動するサーボモータ４３２、を備えている。図４に例示されるように、内容物搬送部４３０は、フィルム搬送部４２０の下方を経て、製袋部４４０に連結している。これにより、内容物搬送部４３０により搬送される内容物ＷＡは、製袋部４４０に供給されると共に、フィルム搬送部４２０から供給された包装フィルムにより包装される。なお、内容物ＷＡの種類は、実施の形態に応じて適宜選択可能である。例えば、内容物ＷＡは、食品（乾燥麺等）、文房具（消しゴム等）等であってよい。
　製袋部４４０は、コンベア４４１、コンベア４４１を駆動するサーボモータ４４２、包装フィルムを搬送方向にシールするセンターシール部４４３、及び包装フィルムを搬送方向の両端側で切断し、各端部でシールするエンドシール部４４４、を備えている。
　コンベア４４１は、内容物搬送部４３０から搬送された内容物ＷＡとフィルム搬送部４２０から供給された包装フィルムとを搬送する。フィルム搬送部４２０から供給された包装フィルムは、幅方向の両側端縁部同士が重なるように適宜折り曲げられつつ、センターシール部４４３に供給される。センターシール部４４３は、例えば、左右一対の加熱ローラにより構成されており、折り曲げられた包装フィルムの両側端縁部を加熱により搬送方向に沿ってシールする。これにより、包装フィルムは、筒状に形成される。内容物ＷＡは、この筒状に形成された包装フィルム内に投入される。
　一方、エンドシール部４４４は、例えば、サーボモータ４４５により駆動されるローラと、ローラの回転によって開閉する一対のカッタと、各カッタの両側に設けられるヒータと、を有している。これらにより、エンドシール部４４４は、搬送方向に直交する方向に筒状の包装フィルムをカットすると共に、カットした部分で加熱によりシールすることができるように構成されている。このエンドシール部４４４を通過すると、筒状に形成された包装フィルムの先端部分は、搬送方向の両側でシールされ、後続から分離されて、内容物ＷＡを内包する包装体ＷＢとなる。
　操作パネル４５０は、包装機４００に対する操作の入力を受け付け、包装機４００に関する情報を出力するように構成される。操作パネル４５０の種類は、特に限定されなくてよい。操作パネル４５０は、例えば、タッチパネルディスプレイ、操作ボタン及びディスプレイ等により構成されてよい。一例では、推定装置２が、包装機４００の動作を制御するように構成されてよい。この場合、操作パネル４５０は、入力装置２５及び出力装置２６の一例であってよい。モデル生成装置１についても同様である。他の一例では、包装機４００は、各部（４２０、４３０、４４０）の動作を制御するように構成された制御装置（不図示）を備えてよい。制御装置は、例えば、ＰＬＣ等であってよい。この場合、操作パネル４５０は、制御装置に接続されてよく、これにより、制御装置の入力装置及び出力装置を構成してもよい。
　操作パネル４５０は、包装機４００の操作に適した位置に適宜配置されてよい。操作パネル４５０は、包装機４００の代表的な位置に配置されてもよい。図４の例では、操作パネル４５０は、フィルムロール４１０及びフィルム搬送部４２０の近傍であって、製袋部４４０の上方に配置されている。
　以上の包装機４００は、次のような工程で、内容物ＷＡの包装を行うことができる。すなわち、フィルム搬送部４２０によって、フィルムロール４１０から包装フィルムを繰り出す。また、内容物搬送部４３０によって、包装対象となる内容物ＷＡを搬送する。次に、製袋部４４０のセンターシール部４４３によって、繰り出された包装フィルムを筒状に形成する。そして、形成した筒状の包装フィルムに内容物ＷＡを投入した上で、エンドシール部４４４によって、搬送方向に直交する方向に筒状の包装フィルムをカットすると共に、カットした部分の搬送方向の両側で加熱によりシールする。これにより、内容物ＷＡを内包する横ピロー型の包装体ＷＢが形成される。すなわち、内容物ＷＡの包装が完了する。
　この包装機４００において、フィルム搬送部４２０、内容物搬送部４３０、及び製袋部４４０は、生産設備（４０、４５）の機構の一例である。各サーボモータ（４２１、４３２、４４２、４４５）は、生産設備（４０、４５）のサーボモータ（４１、４６）の一例である。
　包装機４００における環境温度及び環境湿度の測定には、センサＳＡが用いられてよい。センサＳＡは、温度及び湿度を測定可能に適宜構成されてよい。一例では、センサＳＡは、温湿度センサにより構成されてよい。他の一例では、センサＳＡは、温度センサ及び湿度センサにより構成されてよい。
　センサＳＡは、包装機４００の代表的な位置に適宜配置されてよい。一例では、図４に示されるとおり、センサＳＡは、例えば、操作パネル４５０の側面等の操作パネル４５０の周囲に配置されてよい。他の一例では、センサＳＡは、包装機４００の空間的な中心位置付近に配置されてよい。図４の例では、操作パネル４５０は、センターシール部４４３の上方に配置されており、センサＳＡは、操作パネル４５０の右側面に配置されている。その他、センサＳＡは、製袋部４４０の上方に配置されてよい。更にその他の一例では、センサＳＡは、包装機４００の中間工程又は要の工程付近の少なくともいずれかであってよい。上記包装機４００の中間工程の一例は、上記製袋の工程及びセンターシール部４４３の工程のいずれか一方又はその移行段階である。包装機４００の要の工程の一例は、製袋途中のフィルムにワークが投入される（合流する）上記センターシール部４４３の工程である。そのため、センサＳＡは、製袋部４４０付近（例えば、製袋部４４０の上方）又はセンターシール部４４３付近の少なくともいずれかに配置されてよい。
　なお、包装機４００の構成は、このような例に限定されなくてよい。包装機４００の具体的な構成に関して、実施形態に応じて、適宜、構成要素の省略、置換及び追加が可能である。
　［ソフトウェア構成］
　＜モデル生成装置＞
　図５は、本実施形態に係るモデル生成装置１のソフトウェア構成の一例を模式的に例示する。モデル生成装置１の制御部１１は、記憶部１２に記憶されたモデル生成プログラム８１をＲＡＭに展開する。そして、制御部１１は、ＲＡＭに展開されたモデル生成プログラム８１に含まれる命令をＣＰＵにより解釈及び実行して、各構成要素を制御する。これにより、図５に示されるとおり、本実施形態に係るモデル生成装置１は、データ取得部１１１、学習処理部１１２、及び保存処理部１１３をソフトウェアモジュールとして備えるコンピュータとして動作する。すなわち、本実施形態では、モデル生成装置１の各ソフトウェアモジュールは、制御部１１（ＣＰＵ）により実現される。
　データ取得部１１１は、サーボモータ４１を含む複数の機構を備える生産設備４０から収集された複数の学習データセット３を取得するように構成される。各学習データセット３は、訓練データ３１及び正解ラベル３２の組み合わせにより構成される。訓練データ３１は、サーボモータ４１の温度、生産設備４０を代表する位置の環境温度、及び代表する位置の環境湿度を示すように構成される。正解ラベル３２は、対応する訓練データ３１に示される状況の際に生産設備４０を適正に稼働するためのサーボモータ４１の駆動に関する補正量の真値を示すように構成される。
　学習処理部１１２は、取得された複数の学習データセット３を使用して、推定モデル５の機械学習を実施するように構成される。機械学習は、各学習データセット３について、訓練データ３１により示されるサーボモータ４１の温度、環境温度、及び環境湿度からサーボモータ４１の駆動に関する補正量を推定した結果が正解ラベル３２により示される真値に適合するように推定モデル５を訓練することにより構成される。
　保存処理部１１３は、機械学習により生成された訓練済みの推定モデル５に関する情報を学習結果データ１２５として生成し、生成された学習結果データ１２５を所定の記憶領域に保存するように構成される。学習結果データ１２５は、訓練済みの推定モデル５を再生するための情報を含むように適宜構成されてよい。
　本実施形態では、各学習データセット３の訓練データ３１は、生産設備４０の連続稼働時間を更に示すように構成されてよい。これに応じて、上記機械学習は、各学習データセット３について、訓練データ３１により示されるサーボモータ４１の温度、環境温度、環境湿度、及び連続稼働時間からサーボモータ４１の駆動に関する補正量を推定した結果が正解ラベル３２により示される真値に適合するように推定モデル５を訓練することにより構成されてよい。
　図６は、本実施形態に係る学習データセット３の構成の一例を模式的に示す。図６で例示される学習データセット３は、テーブル形式のデータ構造を有している。１つのレコード（行データ）は、生産設備４０を適正に稼働するように、サーボモータ４１の駆動に関する補正量を与える（すなわち、サーボモータ４１の動作を補正する）ことで得られる１つのサンプル（１件の学習データセット３）に対応する。各学習データセット３は、生産設備４０の運用又は実験の結果から得られてよい。図６の例では、各レコードは、サーボモータ４１の温度、環境温度、環境湿度、連続稼働時間、及び補正量それぞれを格納するフィールドを有している。これにより、本実施形態では、訓練データ３１及び正解ラベル３２が互いに関連付けられている。そして、各学習データセット３は、サーボモータ４１の温度、環境温度、環境湿度、及び連続稼働時間により特定される状況（訓練データ３１）とその状況の際に生産設備４０を適正に稼働するための補正量の真値（正解ラベル３２）との間の対応関係を示すように構成されている。ただし、推定モデル５の機械学習に使用可能であれば、学習データセット３のデータ構造は、このような例に限定されなくてよく、実施の形態に応じて適宜決定されてよい。
　＜推定装置＞
　図７は、本実施形態に係る推定装置２のソフトウェア構成の一例を模式的に例示する。推定装置２の制御部２１は、記憶部２２に記憶された推定プログラム８２をＲＡＭに展開する。そして、制御部２１は、ＲＡＭに展開された推定プログラム８２に含まれる命令をＣＰＵにより解釈及び実行して、各構成要素を制御する。これにより、図７に示されるとおり、本実施形態に係る推定装置２は、データ取得部２１１、推定部２１２、及び出力部２１３をソフトウェアモジュールとして備えるコンピュータとして動作する。すなわち、本実施形態では、推定装置２の各ソフトウェアモジュールも、モデル生成装置１と同様に、制御部２１（ＣＰＵ）により実現される。
　データ取得部２１１は、対象のサーボモータ４６を含む複数の機構を備える対象の生産設備４５から対象データ２２１を取得するように構成される。対象データ２２１は、対象のサーボモータ４６の温度、対象の生産設備４５を代表する位置の対象環境温度、及び代表する位置の対象環境湿度を示すように構成される。推定部２１２は、学習結果データ１２５を保持していることで、機械学習により訓練済みの推定モデル５を備えている。推定部２１２は、機械学習により生成された訓練済みの推定モデル５を使用して、取得された対象データ２２１により示される対象のサーボモータ４６の温度、対象環境温度、及び対象環境湿度から対象の生産設備４５を適正に稼働するための対象のサーボモータ４６の駆動に関する補正量を推定するように構成される。出力部２１３は、補正量を推定した結果に関する情報を出力するように構成される。
　本実施形態では、連続稼働時間を含む訓練データ３１が機械学習に用いられたことに応じて、データ取得部２１１は、対象の生産設備４５の連続稼働時間を更に示すように構成された対象データ２２１を取得するように構成されてよい。この場合、推定部２１２は、訓練済みの推定モデル５を使用して、取得された対象データ２２１により示される対象のサーボモータ４６の温度、対象環境温度、対象環境湿度、及び対象の生産設備４５の連続稼働時間から対象のサーボモータ４６の駆動に関する補正量を推定するように構成されてよい。
　＜その他＞
　モデル生成装置１及び推定装置２の各ソフトウェアモジュールに関しては後述する動作例で詳細に説明する。なお、本実施形態では、モデル生成装置１及び推定装置２の各ソフトウェアモジュールがいずれも汎用のＣＰＵによって実現される例について説明している。しかしながら、上記ソフトウェアモジュールの一部又は全部が、１又は複数の専用のプロセッサにより実現されてもよい。上記各モジュールは、ハードウェアモジュールとして実現されてもよい。また、モデル生成装置１及び推定装置２それぞれのソフトウェア構成に関して、実施形態に応じて、適宜、ソフトウェアモジュールの省略、置換及び追加が行われてもよい。
　§３　動作例
　［モデル生成装置］
　図８は、本実施形態に係るモデル生成装置１による機械学習に関する処理手順の一例を示すフローチャートである。以下で説明するモデル生成装置１の処理手順は、モデル生成方法の一例である。ただし、以下で説明するモデル生成装置１の処理手順は一例に過ぎず、各ステップは可能な限り変更されてよい。また、以下の処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が行われてよい。
　（ステップＳ１０１）
　ステップＳ１０１では、制御部１１は、データ取得部１１１として動作し、生産設備４０から収集された複数の学習データセット３を取得する。
　各学習データセット３は、適宜収集されてよい。各学習データセット３は、実環境において生産設備４０の動作を試験又は運用することで得られてよい。或いは、各学習データセット３は、シミュレーションにより得られてもよい。典型的には、サーボモータ４１の駆動に関する補正量を生産設備４０に与えた結果、生産設備４０が適正に稼働した場合に、与えた補正量を示す情報を正解ラベル３２として得ることができ、その状況（サーボモータ４１の温度、環境温度、及び環境湿度）を示す情報を訓練データ３１として得ることができる。得られた訓練データ３１及び正解ラベル３２を関連付けることで、各学習データセット３を生成することができる。
　正解ラベル３２により示される補正量の真値は、オペレータの操作により手動的に与えられてもよいし、或いは任意のモデルを用いたコンピュータ制御により自動的に与えられてもよい。環境温度及び環境湿度は、代表的な位置に配置したセンサにより測定されてよい。サーボモータ４１の温度は、サーボモータ４１に取り付けられた温度センサにより測定されてよい。シミュレーション環境で各学習データセット３を生成する場合、サーボモータ４１の温度、環境温度、及び環境湿度は、シミュレーションの条件から特定されてよい。
　上記のとおり、一例では、生産設備４０の代表的な位置は、生産設備４０の操作パネル（図４の例では、操作パネル４５０）の周囲、生産設備４０の空間的な中心位置付近、及び生産設備４０の中間工程又は要の工程付近の少なくともいずれかであってよい。一例では、生産設備４０は、包装機、ウェブ搬送機、成形機、レンズアライメント機、又は組立機であってよい。一例では、サーボモータ４１の駆動に関する補正量は、サーボモータ４１のトルクの補正量、サーボモータ４１の速度の補正量、サーボモータ４１の位置の補正量、サーボモータ４１の駆動電力の補正量、及びサーボモータ４１に対する電流値の補正量の少なくともいずれかであってよい。
　連続稼働時間を更に示すように訓練データ３１を構成する場合、上記各学習データセット３を生成する工程において、連続稼働時間を示す情報を更に取得してもよい。連続稼働時間を取得する方法は、特に限定されなくてよく、実施の形態に応じて適宜選択されてよい。一例では、生産設備４０が連続的な稼働を開始した時刻（開始時刻）及び訓練データ３１に示される状況の時刻（現時刻）を示す情報をタイマから取得し、開始時刻及び現時刻の間の差分を算出することで連続稼働時間が得られてよい。タイマは、例えば、生産設備４０の制御装置、モデル生成装置１、外部装置等の任意の装置に設けられてよい。他の一例では、生産設備４０の連続稼働時間を継続的に監視する装置（例えば、生産設備４０の制御装置）が存在する場合、連続稼働時間を示す情報は、当該装置から得られてよい。シミュレーション環境で各学習データセット３を生成する場合、連続稼働時間は、他の情報と同様に、シミュレーションの条件から特定されてよい。なお、生産設備が連続的に稼働した時間を少なくとも大まかに示すことができれば、連続稼働時間の表現形式は、特に限定されなくてよく、実施の形態に応じて適宜決定されてよい。一例では、連続稼働時間は、「時間」、「分」、「秒」等の時間単位で表現されてもよいし、或いは、時間に応じた指数で表現されてもよい。
　各学習データセット３は、コンピュータの動作により自動的に生成されてもよいし、或いは少なくとも部分的にオペレータの操作を含むことで手動的に生成されてもよい。また、各学習データセット３の生成は、モデル生成装置１により行われてもよいし、モデル生成装置１以外の他のコンピュータにより行われてもよい。各学習データセット３をモデル生成装置１が生成する場合、制御部１１は、自動的に又は入力装置１５を介したオペレータの操作により手動的に上記一連の生成処理を実行することで、複数の学習データセット３を取得してよい。この場合、モデル生成装置１は、生産設備４０に直接的に接続されてよく、制御部１１は、各学習データセット３の生成に用いる各種情報を生産設備４０から直接的に取得してもよい。或いは、制御部１１は、例えば、ネットワーク、記憶媒体９１等を介して生産設備４０から各種情報を取得してもよい。一方、各学習データセット３を他のコンピュータが生成する場合、制御部１１は、例えば、ネットワーク、記憶媒体９１等を介して、他のコンピュータにより生成された複数の学習データセット３を取得してよい。一部の学習データセット３がモデル生成装置１により生成され、その他の学習データセット３が１又は複数の他のコンピュータにより生成されてもよい。
　取得する学習データセット３の件数は任意に選択されてよい。複数の学習データセット３を取得すると、制御部１１は、次のステップＳ１０２に処理を進める。
　（ステップＳ１０２）
　ステップＳ１０２では、制御部１１は、学習処理部１１２として動作し、取得された複数の学習データセット３を使用して、推定モデル５の機械学習を実施する。機械学習は、各学習データセット３について、訓練データ３１により示される生産設備４０の状況からサーボモータ４１の駆動に関する補正量を推定した結果が正解ラベル３２により示される真値に適合するように推定モデル５を訓練することにより構成される。
　推定モデル５は、推定結果（補正量）を導出するための１つ以上の演算パラメータを備える機械学習モデルにより構成される。推定モデル５を訓練することは、推定モデル５の演算パラメータの値を調整することにより構成される。機械学習モデルの種類は、特に限定されなくてよく、実施の形態に応じて適宜選択されてよい。また、機械学習の方法は、採用された機械学習モデルの種類に応じて適宜選択されてよい。一例として、推定モデル５は、ニューラルネットワーク、サポートベクタマシン、又は回帰モデルにより構成されてよい。
　推定モデル５の構成にニューラルネットワークを採用する場合、各ニューロン間の結合の重み、各ニューロンの閾値等が、上記演算パラメータの一例である。制御部１１は、機械学習の処理として、誤差逆伝播法により、各学習データセット３の訓練データ３１を入力したときに得られる補正量の推定値と対応する正解ラベル３２により示される真値との間の誤差が小さくなるように演算パラメータの値を調整する。
　推定モデル５の構成にサポートベクタマシンを採用する場合、サポートベクタマシンを構成する回帰式のパラメータが、上記演算パラメータの一例である。制御部１１は、機械学習の処理として、最適化問題を解くことで、各学習データセット３の訓練データ３１を入力したときに得られる補正量の推定値と対応する正解ラベル３２により示される真値との間の誤差が小さくなるように演算パラメータの値を調整する。
　推定モデル５の構成に回帰モデル（例えば、重回帰モデル）を採用する場合、回帰モデル（回帰式）を構成するパラメータが、上記演算パラメータの一例である。制御部１１は、機械学習の処理として、重回帰分析等の回帰分析を行うことで、各学習データセット３の訓練データ３１を入力したときに得られる補正量の推定値と対応する正解ラベル３２により示される真値との間の誤差が小さくなるように演算パラメータの値を調整する。その他の一例では、回帰モデルは、ガウス過程回帰の演算を実行するように構成されてよい。この場合、制御部１１は、機械学習の処理の一例として、最尤推定に基づいて事後確率が最大になるようにパラメータの値を特定してよい。この場合、推定モデル５は、事後確率分布における平均値の分布により構成される。
　上記機械学習の結果、生産設備（図４の例では、包装機４００）の状況からサーボモータの駆動に関する補正量を適切に推定する能力を獲得した訓練済みの推定モデル５を生成することができる。上記のとおり、生産設備の状況は、サーボモータの温度、環境温度、及び環境湿度により規定される。訓練データ３１が連続稼働時間を示す情報を含む場合、生産設備の状況は、連続稼働時間により更に規定される。機械学習の処理が完了すると、制御部１１は、次のステップＳ１０３に処理を進める。
　（ステップＳ１０３）
　ステップＳ１０３では、制御部１１は、保存処理部１１３として動作し、機械学習により生成された訓練済みの推定モデル５に関する情報を学習結果データ１２５として生成する。上記推定タスク（補正量の推定）の演算に実行するための情報を保持可能であれば、学習結果データ１２５の構成は、特に限定されなくてよく、実施の形態に応じて適宜決定されてよい。一例として、学習結果データ１２５は、推定モデル５の構成（例えば、ニューラルネットワークの構造等）及び上記調整により得られた演算パラメータの値を示す情報により構成されてよい。制御部１１は、生成された学習結果データ１２５を所定の記憶領域に保存する。
　所定の記憶領域は、例えば、制御部１１内のＲＡＭ、記憶部１２、外部記憶装置、記憶メディア又はこれらの組み合わせであってよい。記憶メディアは、例えば、ＣＤ、ＤＶＤ等であってよく、制御部１１は、ドライブ１７を介して記憶メディアに学習結果データ１２５を格納してもよい。外部記憶装置は、例えば、ＮＡＳ（Network Attached Storage）等のデータサーバであってよい。この場合、制御部１１は、通信インタフェース１３を利用して、ネットワークを介してデータサーバに学習結果データ１２５を格納してもよい。また、外部記憶装置は、例えば、外部インタフェース１４を介してモデル生成装置１に接続された外付けの記憶装置であってもよい。
　学習結果データ１２５の保存が完了すると、制御部１１は、本動作例に係るモデル生成装置１の処理手順を終了する。
　なお、生成された学習結果データ１２５は、任意のタイミングで推定装置２に提供されてよい。例えば、制御部１１は、ステップＳ１０３の処理として又はステップＳ１０３の処理とは別に、学習結果データ１２５を推定装置２に転送してもよい。推定装置２は、この転送を受信することで、学習結果データ１２５を取得してもよい。また、例えば、推定装置２は、通信インタフェース２３を利用して、モデル生成装置１又はデータサーバにネットワークを介してアクセスすることで、学習結果データ１２５を取得してもよい。また、例えば、推定装置２は、記憶媒体９２を介して、学習結果データ１２５を取得してもよい。また、例えば、学習結果データ１２５は、推定装置２に予め組み込まれてもよい。
　更に、制御部１１は、上記ステップＳ１０１～ステップＳ１０３の処理を定期又は不定期に繰り返すことで、学習結果データ１２５を更新又は新たに生成してもよい。この繰り返しの際に、機械学習に使用する学習データセット３の少なくとも一部の変更、修正、追加、削除等が適宜実行されてよい。そして、制御部１１は、更新した又は新たに生成した学習結果データ１２５を任意の方法で推定装置２に提供することで、推定装置２の保持する学習結果データ１２５を更新してもよい。
　［推定装置］
　図９は、本実施形態に係る推定装置２による推定タスクの遂行に関する処理手順の一例を示すフローチャートである。以下で説明する推定装置２の処理手順は、推定方法の一例である。ただし、以下で説明する推定装置２の処理手順は一例に過ぎず、各ステップは可能な限り変更されてよい。また、以下の処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が行われてよい。
　（ステップＳ２０１）
　ステップＳ２０１では、制御部２１は、データ取得部２１１として動作し、対象の生産設備４５から対象データ２２１を取得する。
　対象データ２２１は、対象のサーボモータ４６の温度、対象の生産設備４５を代表する位置の対象環境温度、及び代表する位置の対象環境湿度を示すように構成される。上記機械学習の段階において、連続稼働時間を示す情報を更に含む訓練データ３１が推定モデル５の訓練に用いられた場合、対象データ２２１は、対象の生産設備４５の連続稼働時間を更に示すように構成されてよい。
　対象データ２２１を構成する各種情報を取得する方法は、特に限定されなくてよく、実施の形態に応じて適宜決定されてよい。各種情報を取得する方法には、上記訓練データ３１を取得する方法のいずれかが採用されてよい。対象の生産設備４５の動作をシミュレートする際に訓練済みの推定モデル５を用いる場合、対象データ２２１は、シミュレーションの条件から得られてよい。対象の生産設備４５及び対象の生産設備４５の代表的な位置は、上記機械学習の段階における生産設備４０及び生産設備４０の代表的な位置に対応する。
　対象データ２２１を取得する経路も、実施の形態に応じて適宜決定されてよい。一例では、推定装置２は、対象の生産設備４５に直接的に接続されてよく、制御部２１は、対象の生産設備４５から対象データ２２１を直接的に取得してもよい。他の一例では、制御部２１は、例えば、ネットワーク、記憶媒体９２、他のコンピュータ等を介して対象の生産設備４５から対象データ２２１を間接的に取得してもよい。対象データ２２１を取得すると、制御部２１は、次のステップＳ２０２に処理を進める。
　（ステップＳ２０２）
　ステップＳ２０２では、制御部２１は、推定部２１２として動作し、学習結果データ１２５を参照して、訓練済みの推定モデル５の設定を行う。そして、制御部２１は、訓練済みの推定モデル５を使用して、取得された対象データ２２１に示される状況から対象の生産設備４５を適正に稼働するための対象のサーボモータ４６の駆動に関する補正量を推定する。具体的には、制御部２１は、対象データ２２１により示される各種情報を訓練済みの推定モデル５に入力し、訓練済みの推定モデル５の演算を実行する。この演算処理の結果として、制御部２１は、対象のサーボモータ４６の駆動に関する補正量の推定値を取得する。なお、対象のサーボモータ４６の駆動に関する補正量は、上記機械学習の段階におけるサーボモータ４１の駆動に関する補正量に対応する。推定処理が完了すると、制御部２１は、次のステップＳ２０３に処理を進める。
　（ステップＳ２０３）
　ステップＳ２０３では、制御部２１は、出力部２１３として動作し、補正量を推定した結果（補正量の推定値）に関する情報を出力する。
　出力先及び出力する情報の内容はそれぞれ、実施の形態に応じて適宜決定されてよい。一例では、制御部２１は、例えば、出力装置２６、対象の生産設備４５の操作パネル、他のコンピュータの出力装置等の任意の出力先に補正量の推定値をそのまま出力してもよい。この情報の出力は、出力された補正量に基づく対象の生産設備４５の操作をオペレータに促すために行われてよい。
　他の一例では、制御部２１は、対象の生産設備４５に補正量の推定値を出力することで、補正量の推定結果に応じて、対象の生産設備４５における対象のサーボモータ４６の駆動を制御してもよい。つまり、補正量の推定は、対象の生産設備４５の動作を制御する目的で行われてよい。この場合、推定装置２は、制御装置と称されてよい。
　他の一例では、補正量に基づいて、対象の生産設備４５の状態を推測することができる。例えば、補正量の推定値が大きいことは、対象の生産設備４５（対象のサーボモータ４６）における劣化の発生、異常の発生、寿命が迫っている、生産される製品の品質の悪化等の不具合発生の可能性が高いことを示し得る。そのため、補正量の推定は、対象の生産設備４５の状態を監視する目的で行われてよい。この場合、推定装置２は、監視装置と称されてよい。制御部２１は、上記と同様に、任意の出力先に補正量の推定値をそのまま出力してもよい。或いは、制御部２１は、例えば、閾値判定等の方法で、補正量の推定値に基づいて不具合発生の可能性を評価してもよい。そして、制御部２１は、その評価の結果を上記任意の出力先に出力してもよい。この評価の結果の出力は、不具合発生の可能性が高いと評価される場合に、そのことを知らせるための警告を出力することを含んでよい。
　補正量を推定した結果に関する情報の出力が完了すると、制御部２１は、本動作例に係る推定装置２の処理手順を終了する。なお、制御部２１は、ステップＳ２０１～ステップＳ２０３の一連の情報処理を継続的に繰り返し実行してもよい。繰り返すタイミングは、実施の形態に応じて適宜決定されてよい。これにより、推定装置２は、上記推定タスクを継続的に繰り返し遂行するように構成されてよい。
　推定装置２は、対象の生産設備４５の現在又は未来の動作を補正するために、ステップＳ２０１～ステップＳ２０３の処理をリアルタイムに実行してもよい。或いは、推定装置２は、対象の生産設備４５の過去の動作を検証するために、ステップＳ２０１において過去の状況を示す対象データ２２１を取得し、取得された対象データ２２１に基づいて、ステップＳ２０２及びステップＳ２０３の処理を実行してもよい。
　［特徴］
　以上のとおり、本実施形態では、複数の機構を備える生産設備（４０、４５）について、サーボモータ（４１、４６）の駆動に関する補正量に対する説明変数として、サーボモータ（４１、４６）の温度の他に、生産設備（４０、４５）の代表する位置で測定された環境温度及び環境湿度を採用する。これにより、サーボモータ（４１、４６）の駆動に関する補正量を比較的に高精度に推定可能である。加えて、生産設備（４０、４５）の個々の機構の状態を監視しなくて済み、測定箇所及び項目の点数を減らすことができる。したがって、本実施形態によれば、モデル生成装置１において、ステップＳ１０１及びステップＳ１０２の処理により、複数の機構を備える生産設備４０のサーボモータ４１の駆動に関する補正量を比較的に低コストでかつ精度よく推定可能な訓練済みの推定モデル５を生成することができる。推定装置２では、ステップＳ２０２の処理において、訓練済みの推定モデル５を用いることで、対象の生産設備４５における対象のサーボモータ４６の駆動に関する補正量を比較的に低コストでかつ精度よく推定することができる。
　また、本実施形態では、訓練データ３１及び対象データ２２１は、生産設備（４０、４５）の連続稼働時間を更に示すように構成されてよい。すなわち、連続稼働時間を説明変数として更に採用してもよい。これにより、モデル生成装置１では、サーボモータ４１の駆動に関する補正量を比較的に低コストでかつより精度よく推定可能な訓練済みの推定モデル５を生成することができる。推定装置２では、訓練済みの推定モデル５を用いることで、対象の生産設備４５における対象のサーボモータ４６の駆動に関する補正量を比較的に低コストでかつより精度よく推定することができる。
　§４　変形例
　以上、本発明の実施の形態を詳細に説明してきたが、前述までの説明はあらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良又は変形を行うことができることは言うまでもない。例えば、上記実施形態において、訓練データ３１及び対象データ２２１から連続稼働時間を示す情報は省略されてよい。訓練データ３１及び対象データ２２１は、上記以外の情報を含んでもよい。
　§５　実施例
　上記実施形態に係るモデル生成方法及び推定方法の有効性を検証するため、以下の実施例及び比較例に係る訓練済みの推定モデルを生成した。ただし、本発明は、以下の実施例に限定されるものではない。
　まず、生産設備として横ピロー包装機を運用し、７８３８２件の学習データセットを収集した。学習データセットの収集において、Ｋ熱電対により、サーボモータの温度を測定した。包装機の操作パネルの側面に温湿度センサ（オムロン社製、型番：ZN-THX21-S）を設置し、当該温湿度センサにより、環境温度及び環境湿度を測定した。すなわち、代表する位置（センターシール部等の製品を加工する工程で発生する熱の影響のない位置）として操作パネルの側面を採用した。また、横ピロー包装機のＰＬＣ内部の時刻及び稼働開始信号により、連続稼働時間を測定した。サーボモータの補正対象としてトルクを採用した。すなわち、サーボモータのトルクの補正量を推定モデルの目的変数に設定した。
　第１実施例では、推定モデルの構成として重回帰モデルを採用した。重回帰モデルは、各説明変数の１乗の項、２乗の項、及び交差積の項を備える回帰式により構成した。第１実施例では、サーボモータの温度、環境温度、及び環境湿度を説明変数として採用し、重回帰分析を行うことで、訓練済みの推定モデルを生成した。第２実施例では、連続稼働時間を説明変数に追加した。すなわち、第２実施例では、サーボモータの温度、環境温度、環境湿度、及び連続稼働時間を説明変数として採用した。一方、比較例では、サーボモータの温度のみを説明変数として採用した。その他、第２実施例及び比較例では、第１実施例と同様の構成を採用した。つまり、第２実施例及び比較例でも、第１実施例と同様の重回帰モデルを推定モデルの構成に採用し、重回帰分析を行うことで、訓練済みの推定モデルを生成した。そして、生成された訓練済みの推定モデルの精度を評価するため、第１実施例、第２実施例、及び比較例について、重回帰分析に使用した学習データセットに対する訓練済みの推定モデルのあてはまりの程度（Ｒ２乗）を算出した。なお、第１実施例、第２実施例、及び比較例の各演算には、市販のＰＣを用いた。
Figure JPOXMLDOC01-appb-T000001
 　上記表１は、第１実施例、第２実施例、及び比較例に係る訓練済みの推定モデルに対するＲ２乗の値を算出した結果を示す。比較例及び第１実施例のＲ２乗値の比較から、サーボモータの温度だけでなく、環境温度及び環境湿度を説明変数として用いることで、サーボモータのトルクの補正量を推定する精度の向上を見込むことができることが分かった。加えて、第１実施例及び第２実施例の比較から、連続稼働時間を説明変数として更に用いることで、サーボモータのトルクの補正量を推定する精度の更なる向上を見込むことができることが分かった。これらの評価結果から、上記実施形態に係るモデル生成方法及び推定方法の有効性を検証することができた。
　なお、上記評価結果では、サーボモータのトルクの補正量に関して推定精度の向上を図れることが分かった。サーボモータのトルクは、制御対象の一例であり、サーボモータの速度、サーボモータの位置、サーボモータの駆動電力、サーボモータに対する電流値等の他の制御対象も、トルクと同様の動作原理である。したがって、上記評価結果から、サーボモータの他の制御対象の補正量に関しても推定精度の向上を図れることが推察された。
　また、上記評価結果から、生産設備の操作パネルの周囲が代表する位置として有効であることが分かった。操作パネルは、生産設備の空間的に中央の位置に配置されることが多く（各実施例及び比較例で採用した包装機でも操作パネルは空間的に中央に位置に配置されていた）、操作パネルの周囲の位置によれば、生産設備の主要な駆動に関与する部分の温度及び湿度を測定することができた。そして、このような主要な駆動に関与する部分の温度及び湿度を説明変数として用いることで、サーボモータの駆動に関する補正量を比較的に精度よく推定できたと推察された。したがって、上記評価結果から、操作パネルの周囲と同様に、生産設備の主要な駆動に関与する部分の温度及び湿度を測定可能な、生産設備の空間的な中心位置付近及び生産設備の中間工程又は要の工程付近も代表する位置として有効であると推察された。
　また、サーボモータの駆動原理は、基本的には、各設備で共通である。そのため、本発明を適用可能な生産設備は上記評価結果で証明された包装機に限られず、包装機と同様にサーボモータを含む複数の機構を備える生産設備であれば、包装機以外の生産設備にも本発明を適用可能であると推察された。このような生産設備の例として、包装機の他に、ウェブ搬送機、成形機、レンズアライメント機、及び組立機を挙げることができる。したがって、上記評価結果から、生産設備は、包装機、ウェブ搬送機、成形機、レンズアライメント機、又は組立機であってよいと推察された。
　１…モデル生成装置、
　１１…制御部、１２…記憶部、１３…通信インタフェース、
　１４…外部インタフェース、
　１５…入力装置、１６…出力装置、１７…ドライブ、
　８１…モデル生成プログラム、９１…記憶媒体、
　１１１…データ取得部、１１２…学習処理部、
　１１３…保存処理部、１２５…学習結果データ、
　２…推定装置、
　２１…制御部、２２…記憶部、２３…通信インタフェース、
　２４…外部インタフェース、
　２５…入力装置、２６…出力装置、２７…ドライブ、
　８２…推定プログラム、９２…記憶媒体、
　２１１…データ取得部、２１２…推定部、２１３…出力部、
　２２１…対象データ、
　３…学習データセット、
　３１…訓練データ、３２…正解ラベル、
　４０…生産設備、４１…サーボモータ、
　４５…対象の生産設備、４６…対象のサーボモータ、
　５…推定モデル

Claims (14)

  1. 　サーボモータを含む複数の機構を備える生産設備から収集された複数の学習データセットを取得するように構成されたデータ取得部であって、
    　　前記各学習データセットは、訓練データ及び正解ラベルの組み合わせにより構成され、
    　　前記訓練データは、前記サーボモータの温度、前記生産設備を代表する位置の環境温度、及び前記代表する位置の環境湿度を示すように構成され、並びに
    　　前記正解ラベルは、対応する前記訓練データに示される状況の際に前記生産設備を適正に稼働するための前記サーボモータの駆動に関する補正量の真値を示すように構成される、
    データ取得部と、
    　取得された複数の学習データセットを使用して、推定モデルの機械学習を実施するように構成された学習処理部であって、前記機械学習は、前記各学習データセットについて、前記訓練データにより示される前記サーボモータの温度、前記環境温度、及び前記環境湿度から前記サーボモータの駆動に関する補正量を推定した結果が前記正解ラベルにより示される前記真値に適合するように前記推定モデルを訓練することにより構成される、学習処理部と、
    を備える、
    モデル生成装置。
  2. 　前記訓練データは、前記生産設備の連続稼働時間を更に示すように構成され、
    　前記機械学習は、前記各学習データセットについて、前記訓練データにより示される前記サーボモータの温度、前記環境温度、前記環境湿度、及び前記連続稼働時間から前記サーボモータの駆動に関する補正量を推定した結果が前記正解ラベルにより示される前記真値に適合するように前記推定モデルを訓練することにより構成される、
    請求項１に記載のモデル生成装置。
  3. 　前記サーボモータの駆動に関する補正量は、前記サーボモータのトルクの補正量、前記サーボモータの速度の補正量、前記サーボモータの位置の補正量、前記サーボモータの駆動電力の補正量及び前記サーボモータに対する電流値の補正量の少なくともいずれかである、
    請求項１又は２に記載のモデル生成装置。
  4. 　前記代表する位置は、前記生産設備の操作パネルの周囲、前記生産設備の空間的な中心位置付近、及び前記生産設備の中間工程又は要の工程付近の少なくともいずれかである、請求項１から３のいずれか１項に記載のモデル生成装置。
  5. 　前記生産設備は、包装機、ウェブ搬送機、成形機、レンズアライメント機、又は組立機である、
    請求項１から４のいずれか１項に記載のモデル生成装置。
  6. 　対象のサーボモータを含む複数の機構を備える対象の生産設備から対象データを取得するように構成されたデータ取得部であって、前記対象データは、前記対象のサーボモータの温度、前記対象の生産設備を代表する位置の対象環境温度、及び前記代表する位置の対象環境湿度を示すように構成される、データ取得部と、
    　機械学習により生成された訓練済みの推定モデルを使用して、取得された前記対象データにより示される前記対象のサーボモータの温度、前記対象環境温度、及び前記対象環境湿度から前記対象の生産設備を適正に稼働するための前記対象のサーボモータの駆動に関する補正量を推定するように構成された推定部と、
    　前記補正量を推定した結果に関する情報を出力するように構成された出力部と、
    を備える、
    推定装置。
  7. 　前記対象データは、前記対象の生産設備の連続稼働時間を更に示すように構成され、
    　前記推定部は、前記訓練済みの推定モデルを使用して、取得された前記対象データにより示される前記対象のサーボモータの温度、前記対象環境温度、前記対象環境湿度及び前記連続稼働時間から前記対象のサーボモータの駆動に関する補正量を推定するように構成される、
    請求項６に記載の推定装置。
  8. 　前記対象のサーボモータの駆動に関する補正量は、前記サーボモータのトルクの補正量、前記サーボモータの速度の補正量、前記サーボモータの位置の補正量、前記サーボモータの駆動電力の補正量及び前記サーボモータに対する電流値の補正量の少なくともいずれかである、
    請求項６又は７に記載の推定装置。
  9. 　前記対象の生産設備を代表する位置は、前記生産設備の操作パネルの周囲、前記生産設備の空間的な中心位置付近、及び前記生産設備の中間工程又は要の工程付近の少なくともいずれかである、
    請求項６から８のいずれか１項に記載の推定装置。
  10. 　前記対象の生産設備は、包装機、ウェブ搬送機、成形機、レンズアライメント機、又は組立機である、
    請求項６から９のいずれか１項に記載の推定装置。
  11. 　コンピュータが、
    　サーボモータを含む複数の機構を備える生産設備から収集された複数の学習データセットを取得するステップであって、
    　　前記各学習データセットは、訓練データ及び正解ラベルの組み合わせにより構成され、
    　　前記訓練データは、前記サーボモータの温度、前記生産設備を代表する位置の環境温度、及び前記代表する位置の環境湿度を示すように構成され、並びに
    　　前記正解ラベルは、対応する前記訓練データに示される状況の際に前記生産設備を適正に稼働するための前記サーボモータの駆動に関する補正量の真値を示すように構成される、
    ステップと、
    　取得された複数の学習データセットを使用して、推定モデルの機械学習を実施するステップであって、前記機械学習は、前記各学習データセットについて、前記訓練データにより示される前記サーボモータの温度、前記環境温度、及び前記環境湿度から前記サーボモータの駆動に関する補正量を推定した結果が前記正解ラベルにより示される前記真値に適合するように前記推定モデルを訓練することにより構成される、ステップと、
    を実行する、
    モデル生成方法。
  12. 　コンピュータが、
    　対象のサーボモータを含む複数の機構を備える対象の生産設備から対象データを取得するステップであって、前記対象データは、前記対象のサーボモータの温度、前記対象の生産設備を代表する位置の対象環境温度、及び前記代表する位置の対象環境湿度を示すように構成される、ステップと、
    　機械学習により生成された訓練済みの推定モデルを使用して、取得された前記対象データにより示される前記対象のサーボモータの温度、前記対象環境温度、及び前記対象環境湿度から前記対象の生産設備を適正に稼働するための前記対象のサーボモータの駆動に関する補正量を推定するステップと、
    　前記補正量を推定した結果に関する情報を出力するステップと、
    を実行する、
    推定方法。
  13. 　コンピュータに、
    　サーボモータを含む複数の機構を備える生産設備から収集された複数の学習データセットを取得するステップであって、
    　　前記各学習データセットは、訓練データ及び正解ラベルの組み合わせにより構成され、
    　　前記訓練データは、前記サーボモータの温度、前記生産設備を代表する位置の環境温度、及び前記代表する位置の環境湿度を示すように構成され、並びに
    　　前記正解ラベルは、対応する前記訓練データに示される状況の際に前記生産設備を適正に稼働するための前記サーボモータの駆動に関する補正量の真値を示すように構成される、
    ステップと、
    　取得された複数の学習データセットを使用して、推定モデルの機械学習を実施するステップであって、前記機械学習は、前記各学習データセットについて、前記訓練データにより示される前記サーボモータの温度、前記環境温度、及び前記環境湿度から前記サーボモータの駆動に関する補正量を推定した結果が前記正解ラベルにより示される前記真値に適合するように前記推定モデルを訓練することにより構成される、ステップと、
    を実行させるための、
    モデル生成プログラム。
  14. 　コンピュータに、
    　対象のサーボモータを含む複数の機構を備える対象の生産設備から対象データを取得するステップであって、前記対象データは、前記対象のサーボモータの温度、前記対象の生産設備を代表する位置の対象環境温度、及び前記代表する位置の対象環境湿度を示すように構成される、ステップと、
    　機械学習により生成された訓練済みの推定モデルを使用して、取得された前記対象データにより示される前記対象のサーボモータの温度、前記対象環境温度、及び前記対象環境湿度から前記対象の生産設備を適正に稼働するための前記対象のサーボモータの駆動に関する補正量を推定するステップと、
    　前記補正量を推定した結果に関する情報を出力するステップと、
    を実行させるための、
    推定プログラム。
PCT/JP2022/005288 2021-02-22 2022-02-10 モデル生成装置、モデル生成方法、モデル生成プログラム、推定装置、推定方法、及び推定プログラム WO2022176760A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-025798 2021-02-22
JP2021025798A JP2022127675A (ja) 2021-02-22 2021-02-22 モデル生成装置、モデル生成方法、モデル生成プログラム、推定装置、推定方法、及び推定プログラム

Publications (1)

Publication Number Publication Date
WO2022176760A1 true WO2022176760A1 (ja) 2022-08-25

Family

ID=82931619

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/005288 WO2022176760A1 (ja) 2021-02-22 2022-02-10 モデル生成装置、モデル生成方法、モデル生成プログラム、推定装置、推定方法、及び推定プログラム

Country Status (2)

Country Link
JP (1) JP2022127675A (ja)
WO (1) WO2022176760A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019011091A (ja) * 2017-06-30 2019-01-24 株式会社東京自働機械製作所 包装機のシール制御装置
JP2019212164A (ja) * 2018-06-07 2019-12-12 オムロン株式会社 制御システム、制御方法、学習装置、制御装置、学習方法及び学習プログラム
JP2020149289A (ja) * 2019-03-13 2020-09-17 オムロン株式会社 表示システム、表示方法、及び表示プログラム
JP2020205046A (ja) * 2019-06-14 2020-12-24 ワン テック, インク.One Tech, Inc. 産業機器モータ挙動を予測するためのシステムおよび方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019011091A (ja) * 2017-06-30 2019-01-24 株式会社東京自働機械製作所 包装機のシール制御装置
JP2019212164A (ja) * 2018-06-07 2019-12-12 オムロン株式会社 制御システム、制御方法、学習装置、制御装置、学習方法及び学習プログラム
JP2020149289A (ja) * 2019-03-13 2020-09-17 オムロン株式会社 表示システム、表示方法、及び表示プログラム
JP2020205046A (ja) * 2019-06-14 2020-12-24 ワン テック, インク.One Tech, Inc. 産業機器モータ挙動を予測するためのシステムおよび方法

Also Published As

Publication number Publication date
JP2022127675A (ja) 2022-09-01

Similar Documents

Publication Publication Date Title
US11106197B2 (en) Prediction model creation apparatus, production facility monitoring system, and production facility monitoring method
CN108628256B (zh) 机械学习装置以及热位移修正装置
US10782664B2 (en) Production system that sets determination value of variable relating to abnormality of product
JP7151547B2 (ja) 予測制御開発装置、予測制御開発方法、及び予測制御開発プログラム
JP4952025B2 (ja) 運転制御方法，運転制御装置及び運転制御システム
WO2020183973A1 (ja) 表示システム、表示方法、及び表示プログラム
JP7031502B2 (ja) 制御システム、制御方法、学習装置、制御装置、学習方法及び学習プログラム
KR102480354B1 (ko) 기계의 잔여 사용 수명을 예측하기 위한 어셈블리 및 방법
JP6542738B2 (ja) 対象物の出荷時検査情報と稼働時アラーム情報の相関関係を学習する機械学習装置および機械学習方法
WO2022176760A1 (ja) モデル生成装置、モデル生成方法、モデル生成プログラム、推定装置、推定方法、及び推定プログラム
US11579000B2 (en) Measurement operation parameter adjustment apparatus, machine learning device, and system
Abeykoon Modelling and control of melt temperature in polymer extrusion
JP7006640B2 (ja) 制御装置、制御方法、及び制御プログラム
WO2020183975A1 (ja) 表示システム
CN112513761B (zh) 显示系统、显示方法及显示程序的记录介质
WO2021256215A1 (ja) 制御装置、上位コントローラ、制御方法、及び制御プログラム
JP2024504470A (ja) 技術システムを制御するための制御装置、及び、その制御装置を構成するための方法
JP6909616B2 (ja) 製造システムおよび製造方法
WO2021044500A1 (ja) 異常に対する処理の支援装置
WO2022209057A1 (ja) 情報処理装置、情報処理方法および情報処理プログラム
JP6459686B2 (ja) 制御装置、システム、およびライブラリプログラム
EP4286822A1 (en) Virtual sensing system for condition monitoring of a container packaging machine
JP2023127346A (ja) 制御パラメータ調整方法、プログラムおよび記録媒体
JP2024130335A (ja) 制御装置、制御方法およびプログラム
Gusel et al. Genetic modeling of electrical conductivity of formed material

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: 22756080

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: 22756080

Country of ref document: EP

Kind code of ref document: A1