WO2023047545A1

WO2023047545A1 - 追加学習データ選定装置及びコンピュータ読み取り可能な記録媒体

Info

Publication number: WO2023047545A1
Application number: PCT/JP2021/035160
Authority: WO
Inventors: 啓太羽田
Original assignee: ファナック株式会社
Priority date: 2021-09-24
Filing date: 2021-09-24
Publication date: 2023-03-30
Also published as: JPWO2023047545A1

Abstract

１つ以上の説明変数と目的変数との間の関係を機械学習したモデルを作成し、該モデルを用いて説明変数に対応する目的変数を推定する追加学習データ選定装置において、追加学習に用いる説明変数の組の候補である追加学習候補データを生成する追加学習候補生成部と、モデルを作成するために利用した学習用データにおける説明変数の組の集合と、追加学習候補データとの間の乖離度を求める乖離度計算部と、乖離度に基づいて追加学習候補データの中から追加学習に用いるデータを選定する追加学習データ選定部と、選定されたデータと、該データに対応する目的変数とを用いて、前記モデルの追加学習を行う学習部と、を備える。

Description

追加学習データ選定装置及びコンピュータ読み取り可能な記録媒体

　本発明は、追加学習データ選定装置及びコンピュータ読み取り可能な記録媒体に関する。

　工場などの製造現場では、工作機械やロボットなどの産業機械を複数設置し、これらを稼働させることにより製品を製造している。産業機械の稼働状況は、センサ等で検知されたデータを解析することで管理される。これらのデータは、産業機械を制御する制御装置や、該制御装置に有線／無線のネットワークを介して接続されたホストコンピュータにおいて解析される。

　産業機械の稼働状況を機械学習の技術を用いて推定する場合がある。例えば、産業機械の稼働状況を推定するモデルを機械学習の技術により生成し、生成したモデルに産業機械で検知されたデータを適用することで産業機械の稼働状況を推定することができる。この推定は、例えば稼働状況の正常又は異常の推定、異常箇所の推定、産業機械の構成部品の状態の推定等がある。産業機械の構成部品の状態の推定の具体的な例として、熱変位量の推定が挙げられる。これは、産業機械の周辺温度の変化や産業機械の稼働による発熱等による産業機械の各部の熱変位量を推定するものである。産業機械の各部の温度と熱変位量との関係を機械学習でモデル化し、実際に稼働させている際の産業機械の温度データを検知し、検知したデータに基づいて産業機械の各部の熱変位量を推定する。推定した熱変位量に基づいて、ワークと工具の相対位置を補正することで加工の精度を向上させることができる（例えば、特許文献１など）。

　機械学習の技術を用いてモデルを作成した際には、そのモデルの妥当性を検証する作業を行う。検証作業には、産業機械から検知されたデータ（説明変数。入力データ、状態データとも称する）と、推定したい事象を示すデータ（目的変数。出力データ、ラベルデータとも称する）との関係が把握できている複数の検証用データ（以下、検証用データ群とする）を用いる。検証用データ群をモデルに対して適用し、推定値を出力させる。そして、出力させた推定値がそれぞれ検証用データの目的変数と一致するかを検証し、その結果に基づいてモデルの性能を評価する。

　検証作業に用いる検証用データ群は、（１）機械の仕様などから想定される説明変数のパターンを網羅しており、（２）すべての検証用データに対して、モデルに適用して出力された推定値と検証用データの目的変数とが略一致すればモデルの性能が保証される、という要求を満たすものを予め用意しておく。例えば、上記した熱変位量を推定するためのモデルを検証する検証用データ群は、機械仕様の最低温度～最高温度まで変化させた温度パターンの検証用データを含み、ユーザの工場などの想定される使用環境で測定した温度パターンの検証用データを含んでいる必要がある。
　このように用意した検証用データセットを用いて検証作業を行う。検証データをモデルに適用して出力された推定値が検証データの目的変数と略一致しなかった場合、作成したモデルの性能が不十分だということになり、追加学習を行いモデルを作り直すことになる。

　追加学習する場合は、新しく説明変数の組と目的変数との組を追加学習データとして用意する。そして、この追加学習データを既存の学習に用いたデータに加えて学習することで、モデルを更新する。新たにモデルを作成した後は、再度同じ検証用データにかけて評価を行い、モデルの性能が保証されるまで繰り返す。

特許第６７５３８９３号公報

　ここで、追加学習に用いる追加学習データが不適切だと、新たに作成したモデルは、追加学習前のモデルに対して性能が改善しないという課題がある。一方で、学習に用いるデータを取得する際に、説明変数の範囲を網羅的に実験するとモデルの性能は良くなるが、工数がかかり効率が悪い。
　そこで、学習に用いたデータを補完する適切な説明変数の組を事前に把握し、効率的に追加学習に用いるデータを用意できる技術が望まれている。

　本開示による追加データ選定装置では、既存の学習に用いたデータで学習不足になっている範囲の説明変数を追加学習に用いるデータとして選定することで、上記課題を解決する。そのために、追加データ選定装置は、候補として挙げた複数の説明変数の組の中から、既存の学習に用いたデータにおける説明変数の組の分布との乖離度が大きい説明変数の組を持つものを、追加学習に用いるデータとして選定する。

　そして、本開示の一態様は、１つ以上の説明変数と目的変数との間の関係を機械学習したモデルを作成し、該モデルを用いて説明変数に対応する目的変数を推定する追加学習データ選定装置において、追加学習に用いる説明変数の組の候補である追加学習候補データを生成する追加学習候補生成部と、前記モデルを作成するために利用した学習用データにおける説明変数の組の集合と、追加学習候補データとの間の乖離度を求める乖離度計算部と、前記乖離度に基づいて前記追加学習候補データの中から追加学習に用いるデータを選定する追加学習データ選定部と、前記選定されたデータと、該データに対応する目的変数とを用いて、前記モデルの追加学習を行う学習部と、を備えた追加学習データ選定装置である。

　本開示の他の態様は、１つ以上の説明変数と目的変数との間の関係を機械学習したモデルを作成し、該モデルを用いて説明変数に対応する目的変数を推定する追加学習データ選定装置としてコンピュータを動作させるプログラムを記録したコンピュータ読み取り可能な記録媒体であって、追加学習に用いる説明変数の組の候補である追加学習候補データを生成する追加学習候補生成部と、前記モデルを作成するために利用した学習用データにおける説明変数の組の集合と、追加学習候補データとの間の乖離度を求める乖離度計算部と、前記乖離度に基づいて前記追加学習候補データの中から追加学習に用いるデータを選定する追加学習データ選定部と、前記選定されたデータと、該データに対応する目的変数とを用いて、前記モデルの追加学習を行う学習部、としてコンピュータを機能させるプログラムを記録したコンピュータ読み取り可能な記録媒体である。

　本開示の一態様により、モデルの性能を効率的に改善できると見込まれるデータを追加学習のために用意することができるため、効率的に追加学習を行うことが可能となる。

追加学習データ選定装置のハードウェア構成図である。追加学習データ選定装置の機能を示すブロック図である。工作機械の側面図である。追加学習候補データの例を示す図である。追加学習候補データの例をプロットした図である。追加学習候補データの他の例をプロットした図である。学習用データの説明変数の組の例をプロットした図である。

　以下、本発明の実施形態を図面と共に説明する。
　図１は本発明の一実施形態による追加学習データ選定装置の要部を示す概略的なハードウェア構成図である。本発明の追加学習データ選定装置１は、例えば制御用のプログラムに基づいて工作機械などの産業機械を制御する制御装置として実装することができる。また、本発明の追加学習データ選定装置１は、制御用プログラムに基づいて産業機械を制御する制御装置に併設されたパソコンや、有線／無線のネットワークを介して制御装置と接続されたパソコン、セルコンピュータ、フォグコンピュータ６、クラウドサーバ７などのコンピュータ上に実装することができる。本実施形態では、追加学習データ選定装置１を、ネットワーク介して産業機械を制御する制御装置と接続されたパソコンの上に実装した例を示す。

　本実施形態による追加学習データ選定装置１が備えるＣＰＵ１１は、追加学習データ選定装置１を全体的に制御するプロセッサである。ＣＰＵ１１は、バス２２を介してＲＯＭ１２に格納されたシステム・プログラムを読み出し、該システム・プログラムに従って追加学習データ選定装置１全体を制御する。ＲＡＭ１３には一時的な計算データや表示データ、及び外部から入力された各種データなどが一時的に格納される。

　不揮発性メモリ１４は、例えば図示しないバッテリでバックアップされたメモリやＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）などで構成され、追加学習データ選定装置１の電源がオフされても記憶状態が保持される。不揮発性メモリ１４には、インタフェース１５を介して外部機器７２から読み込まれたデータ、入力装置７１を介して入力されたデータ、産業機械３から取得されたデータ（センサ４により検出されたデータを含む）などが記憶される。不揮発性メモリ１４に記憶されたデータは、実行時／利用時にはＲＡＭ１３に展開されても良い。また、ＲＯＭ１２には、公知の解析プログラムなどの各種システム・プログラムがあらかじめ書き込まれている。

　産業機械３には、産業機械３の動作時において各部の電流、電圧、振動、温度などの物理量を検出するセンサ４が取り付けられている。産業機械３としては、マシニングセンタや旋盤、放電加工機などが例示される。産業機械３は追加学習データ選定装置１からの要求に応じて、稼働時の各軸の位置、速度、加速度、加加速度、モータの回転数、振動、各部の温度、周辺温度などのデータを、ネットワーク５を介し送信する。

　インタフェース１５は、追加学習データ選定装置１のＣＰＵ１１とＵＳＢ装置などの外部機器７２と接続するためのインタフェースである。外部機器７２側からは、例えば予め記憶されている制御用プログラムや各産業機械３の動作に係るデータなどを読み込むことができる。また、追加学習データ選定装置１内で編集した制御用プログラムや設定データなどは、外部機器７２を介して外部記憶手段に記憶させることができる。

　インタフェース２０は、追加学習データ選定装置１のＣＰＵと有線乃至無線のネットワーク５とを接続するためのインタフェースである。ネットワーク５には、産業機械３やフォグコンピュータ６、クラウドサーバ７などが接続され、追加学習データ選定装置１との間で相互にデータのやり取りを行っている。

　表示装置７０には、メモリ上に読み込まれた各データ、プログラムなどが実行された結果として得られたデータ、後述する機械学習装置１００から出力されたデータなどがインタフェース１７を介して出力されて表示される。また、キーボードやポインティングデバイスなどから構成される入力装置７１は、作業者による操作に基づく指令，データなどをインタフェース１８を介してＣＰＵ１１に渡す。

　インタフェース２１は、ＣＰＵ１１と機械学習装置１００とを接続するためのインタフェースである。機械学習装置１００は、機械学習装置１００全体を統御するプロセッサ１０１と、システム・プログラムなどを記憶したＲＯＭ１０２、機械学習に係る各処理における一時的な記憶を行うためのＲＡＭ１０３、及びモデルなどの記憶に用いられる不揮発性メモリ１０４を備える。機械学習装置１００は、インタフェース２１を介して追加学習データ選定装置１で取得可能な各情報（例えば、産業機械３の稼働時に検出されたデータ）を観測することができる。また、追加学習データ選定装置１は、インタフェース２１を介して機械学習装置１００から出力される処理結果を取得し、取得した結果を記憶したり、表示したり、他の装置に対してネットワーク５などを介して送信する。

　図２は、本発明の第１実施形態による追加学習データ選定装置１が備える機能を概略的なブロック図として示したものである。本実施形態による追加学習データ選定装置１が備える各機能は、図１に示した追加学習データ選定装置１のＣＰＵ１１と、機械学習装置１００のプロセッサ１０１とがシステム・プログラムを実行し、追加学習データ選定装置１及び機械学習装置１００の各部の動作を制御することにより実現される。

　本実施形態の追加学習データ選定装置１は、データ取得部１１０、データ選別部１２０、学習部１３０、推定部１４０、検証部１５０、追加学習候補生成部１６０、乖離度計算部１７０、追加学習データ選定部１８０を備える。また、追加学習データ選定装置１のＲＡＭ１３乃至不揮発性メモリ１４上には、データ取得部１１０が取得したデータを記憶するための領域であるデータ記憶部２１０、データ選別部１２０により選別された学習用データ及び検証用データをそれぞれ記憶するための領域である学習用データ記憶部２２０及び検証用データ記憶部２３０があらかじめ用意されている。更に、機械学習装置１００のＲＡＭ１０３乃至不揮発性メモリ１０４上には、学習部１３０が機械学習することにより作成したモデルを記憶するための領域であるモデル記憶部２４０が予め用意されている。

　データ取得部１１０は、産業機械３の動作時にセンサ４等で検知された産業機械３の動作状況を示すデータを取得する。データ取得部１１０が取得するデータは、例えば産業機械３の動作状況を示す各軸の位置、速度、加速度、加加速度、モータの回転数、振動、各部の温度、周辺温度などを含む。データ取得部１１０は、ネットワーク５を介して産業機械３から直接データを取得してもよいし、外部機器７２や、フォグコンピュータ６、クラウドサーバ７等を介してデータを取得してもよい。これらのデータは、主としてモデルの学習作業及び検証作業における説明変数の組として用いられる。

　また、データ取得部１１０は、産業機械３の正常／異常の状態を示すデータや、異常箇所に係るデータ、産業機械の構成部品の状態を示すデータを取得してもよい。これらのデータは、産業機械３の動作状況を示す各軸の位置、速度、加速度、加加速度、モータの回転数、振動、各部の温度、周辺温度などを含む。データ取得部１１０は、ネットワーク５を介して産業機械３から直接データを取得してもよいし、外部機器７２や、フォグコンピュータ６、クラウドサーバ７等を介してデータを取得してもよい。また、所定の説明変数の組に対してラベルを付けることを目的として、オペレータが入力装置７１から入力したデータを取得してもよい。これらのデータは、主としてモデルの学習作業及び検証作業における目的変数として用いられる。

　データ取得部１１０は、説明変数の組として用いるために取得したデータと、これに対応する目的変数として取得したデータとを関連付けて、データ記憶部２１０に記憶する。

　データ選別部１２０は、データ記憶部２１０に記憶された説明変数の組と目的変数とがセットになったデータをモデルの学習に用いるデータと、モデルの検証に用いるデータとに選別する。データ選別部１２０は、例えば予め定めた所定の数のデータを学習用のデータへと選別し、残ったデータの中から、予め定めた所定の数のデータを評価用のデータのグループへと選別するようにしてもよい。または、予め所定の選別ルールを定めておき、その選別ルールに従って学習用のデータと検証用のデータとを選別してもよい。選別ルールの例としては、乱数などを用いてそれぞれのデータの選別を決定するものであってもよいし、学習用及び検証用に選別されるデータの偏りをある程度防ぐことを目的として、それぞれの説明変数の取る値がまんべんなく分布するように選別するルールを用いてよい。データ選別部１２０は、学習用に選別したデータを学習用データ記憶部２２０に、検証用に選別したデータを検証用データ記憶部２３０に、それぞれ記憶する。

　学習部１３０は、学習用データ記憶部２２０に記憶されている学習用のデータを用いた機械学習を行う。学習部１３０は、公知の機械学習の手法により、学習用データで示される説明変数の組と目的変数との相関性を学習したモデルを作成し、作成したモデルをモデル記憶部２４０に記憶する。学習部１３０が行う機械学習の手法としては、例えば線形回帰、ニューラルネットワーク、多層パーセプトロン、サポートベクタマシンなどの公知の手法であってよい。

　推定部１４０は、学習部１３０が作成したモデルに対して推定対象として入力された説明変数の組を適用して目的変数の推定値を出力する。

　検証部１５０は、検証用データ記憶部２３０に記憶される検証用のデータを用いて学習部１３０が作成したモデルの性能を検証する。検証部１５０は、推定部１４０に検証用データ記憶部２３０に記憶される検証用のデータの説明変数の組を出力して目的変数の推定値を取得する。そして、取得した目的変数の推定値が、検証用データの目的変数と一致するかを検証する。検証部１５０は、検証用データ記憶部２３０に記憶された検証用のデータのすべてについて、推定部１４０が推定した目的変数の推定値と検証用データの目的変数との誤差が予め定めた所定の閾値の範囲内である場合には、学習部１３０が作成したモデルの性能が優良であると評価する。また、１以上の検証用データについて、推定部１４０が推定した目的変数の推定値と検証用データの目的変数とが予め定めた所定の閾値を超える誤差がある場合には、学習部１３０が作成したモデルの性能が不良であると評価する。追加学習データ選定装置１は、検証部１５０により学習部１３０が作成したモデルの性能が不良であると評価された場合、追加学習を行うと決定する。

　追加学習候補生成部１６０は、追加学習を行うと決定された場合に、追加学習の候補となるデータを作成する。追加学習の候補となるデータは、少なくとも説明変数の組が規定されたデータである。追加学習候補生成部１６０は、例えばそれぞれの説明変数がとり得る値を組み合わせることで、追加学習の候補となるデータを生成する。

　図３～６を用いて、産業機械３としての工作機械における熱変位補正量の推定を例として、追加学習候補生成部１６０による追加学習候補データの生成について説明する。
　図３は、工作機械の側面図である。この例では、工作機械の台座にセンサ４ａ、コラムにセンサ４ｂ、主軸にセンサ４ｃがそれぞれ取り付けられており、各部の温度を検知している。各センサで検知した温度は、工作機械の制御装置により追加学習データ選定装置１に送信される。このデータは説明変数の組として用いられる。また、オペレータは工作機械における熱変位量を計測し、これを追加学習データ選定装置１に入力する。このデータは目的変数として用いられる。このような実験を繰り返し、追加学習データ選定装置１のデータ記憶部２１０には、モデルの生成と検証をするのに十分な数のデータ（説明変数の組と目的変数のセット）が記憶される。このデータは、データ選別部１２０により、学習用のデータと検証用のデータとに選別される。そして、学習部１３０が学習用のデータに基づいた機械学習を行い、工作機械の各部の温度と、熱変位量と、の相関性を学習したモデルが作成され、モデル記憶部２４０に記憶される。そして、検証部１５０が、検証用データを用いたモデルの検証を行い、モデルの性能が不良であると評価した時、追加学習を行うことが決定される。

　図４は、追加学習候補生成部１６０が生成する追加学習候補データの例を示している。図４の例では、温度Ａはセンサ４ａが検知する温度、温度Ｂはセンサ４ｂが検知する温度、温度Ｃはセンサ４ｃが検知する温度をそれぞれ示している。図４の例示するように、追加学習候補生成部１６０は、説明変数となる１以上の温度Ａ、温度Ｂ、温度Ｃの組を生成する。各説明変数の値は、その説明変数が取り得る最小値から最大値の間で乱数を生成し、その値を用いるようにしてもよい。例えば温度Ａの最小値がＴＡ_min、最大値がＴＡ_maxである場合には、ＴＡ_min～ＴＡ_maxの範囲で乱数を生成し、これを温度Ａの説明変数の値とする。図５は、乱数を用いて生成した追加学習候補データをプロットした例を示している。

　また、追加学習候補生成部１６０は、説明変数の組が取り得る値空間に略均一に分布するように追加学習の候補となるデータを生成するようにしてもよい。図６は、説明変数の組が取り得る値空間に略均一に分布するように生成した追加学習候補データをプロットした例を示している。このようにする場合には、例えば温度ＡについてＴＡ_min～ＴＡ_maxの間に所定の増分ＴＡ_div刻みで値を生成する。また、温度Ｂ、温度Ｃについても同様に値を生成する。そして、生成した値を組み合わせて説明変数の組を生成すればよい。

　乖離度計算部１７０は、モデルの生成に用いた学習用データにおける説明変数の組の集合と、追加学習候補生成部１６０が生成したそれぞれの追加学習候補データとの間の乖離度を計算する。乖離度の計算には、クラスタ分析や、ＭＴ法（Mahalanobis Taguchi Method）等の公知の手法を用いてもよい。例えばＭＴ法を用いる場合、以下の数１式を用いて学習用データにおける説明変数の組の集合と、追加学習候補データとの乖離度ｄを計算することができる。なお、数１式において、ｘは追加学習候補データの説明変数を並べたベクトル、μは学習用データにおける各説明変数の平均値を並べたベクトル、Σは学習用データにおける説明変数に対する分散共分散行列を示している。

　追加学習データ選定部１８０は、乖離度計算部１７０が計算したそれぞれの追加学習候補データの乖離度に基づいて、追加学習候補データの中から追加学習に利用するデータを選定する。追加学習データ選定部１８０は、追加学習候補データの乖離度が最も大きい追加学習候補データを追加学習に利用するデータとして選定してもよい。また、追加学習候補データの乖離度が大きいものから予め定めた所定数の追加学習候補データを追加学習に利用するデータとして選定してもよい。更に、追加学習候補データの乖離度が予め定めた所定の閾値以上の追加学習候補データを追加学習に利用するデータとして選定してもよい。

　図７は、学習用データにおける説明変数の組をプロットした例を示している。図７において、白丸が学習用データにおける説明変数の組をプロットしたものである。また、黒三角、黒丸は、それぞれ追加学習候補データをプロットしたものである。図７からみて明らかなように、黒三角の追加学習候補データは、学習用データにおける説明変数の組の集合との乖離が小さい。このようなデータは既存の学習用データで学習できた範囲を超える情報を与える可能性が小さいため、追加学習に利用したとしても学習効果が低いと考えられる。これに対して、黒丸の追加学習候補データは、学習用データにおける説明変数の組の集合との乖離が大きい。このようなデータは既存の学習用データでは学習できなかった範囲の情報を与える可能性が高いため、追加学習に利用することで学習効果が高くなる可能性がある。このような考え方に基づいて、本実施形態による追加学習データ選定装置１では、乖離度が高い追加学習候補データを追加学習に用いている。

　追加学習データ選定部１８０が選定したデータは、例えば表示装置７０に表示される。または、ネットワーク５を介して産業機械３に送信され、該産業機械３が備える図示しない表示装置に表示される。オペレータは、表示された選定されたデータに基づいて産業機械３において実験を行い、表示されたデータに対応する目的変数を取得する。そして、取得した目的変数が追加学習データ選定装置１に入力され、追加学習に利用するデータと関連付けて追加学習用の学習用データが作成され、学習用データ記憶部２２０に記憶される。そして、学習部１３０は、このデータを用いた追加学習を行い、モデルを更新した上でモデル記憶部２４０に記憶する。

　上記構成を備えた追加学習データ選定装置１は、モデルの性能を効率的に改善できると見込まれるデータを追加学習のために用意することができるようになる。オペレータは、追加学習データ選定装置１により提示されたデータについてのみ追加の実験を行うことで、効率よく追加学習用のためのデータを集めることが可能となる。無駄な実験をする労力を削減できる。本実施形態では、温度センサが検知した工作機械の各部の温度を説明変数、そのような温度分布の状態における工作機械の熱変位量を目的変数とし、これらの相関関係を学習したモデルを作成している。作成したモデルによる熱変位量の推定値に基づいて、工作機械において熱変位の補正が行われる。このようなモデルの学習には、様々な温度分布において熱変位量を計測したデータが必要とされ、実験回数も必然的に多くなる。また、モデルを作成する際には、優良なモデルが作成できるまで、何度も追加実験が必要となる場合もある。本実施形態による追加学習データ選定装置１は、適切な追加学習用のデータを選定することで、追加実験の回数を大幅に削減することができる。

　本実施形態による追加学習データ選定装置１の一変形例として、追加学習候補生成部１６０は、データ記憶部２１０に学習用データや検証用データとして選別されなかったデータが残っている場合には、そのデータの説明変数の組を追加学習候補データとして用いてもよい。または、検証用データ記憶部２３０に記憶される検証用データの内で、モデルを不良と判定する原因となった検証用データ（推定値の誤差が予め定めた閾値を超える検証用データ）の説明変数の組を追加学習候補データとして用いてもよい。そして、このようにして生成された追加学習候補データが追加学習データ選定部１８０により追加学習に用いるデータとして選定された場合、目的変数を含む元のデータを学習用データに追加するようにしてよい。このように構成することで、追加学習に適したデータが既に目的変数も含めて存在する場合に、そのデータについては改めて追加の実験をすることなく追加学習を行うことが可能となり、やはり無駄な実験をする労力を削減できる。

　以上、本発明の実施の形態について説明したが、本発明は上述した実施の形態の例のみに限定されることなく、適宜の変更を加えることにより様々な態様で実施することができる。
　例えば、上記した実施形態では、説明変数として工作機械の３か所で検知された温度の値を用いて目的変数として熱変位量を推定するモデルを学習する例を示した。しかしながら、説明変数の数は３つに限らない。例えば２つの説明変数を用いて目的変数を推定する場合や、４つ以上の説明変数を用いて目的変数を推定する場合にも、本願発明は適用することができる。

　また、熱変位量を推定するモデルの学習を対象とする場合、温度センサで取得した温度値を用いる以外にも、熱変位に影響を及ぼす状態を示すデータであれば説明変数として用いることができる。例えば、工作機械の発熱はモータの回転速度や連続回転時間などに影響を受けることが知られている。そのため、主軸モータの動作パターンや送り軸モータの動作パターンなどをデータとして取得し、熱変位量を推定するための説明変数として用いることも可能である。

　熱変位量を推定するモデルの学習を対象とする場合、現在の温度以外にも、過去の所定の時刻における温度値を説明変数として用いてもよい。この時、現在時刻の温度と、過去の時刻における温度を組み合わせて説明変数として用いてもよい。

　上記した実施形態では、工作機械の熱変位量を推定するモデルを対象とした例を示した。しかしながら、稼働状況の正常又は異常の推定、異常箇所の推定、産業機械の構成部品の状態の推定等、その他の推定モデルの学習を対象とした場合にも、本発明の追加学習データ選定装置１は好適に動作する。例えば、モータの故障診断をするモデルの学習等にも適用可能である。このようなモデルは、モータに取り付けられたセンサの測定値から、モータが故障しているかどうかを示す異常度を推定する。説明変数としては、モータの電流値、モータの回転数、トルク指令値、モータの温度、部屋の気温、モータが発生させる音をセンサが検出した値を用いることが可能である。

　　１　　　追加学習データ選定装置
　　３　　　産業機械
　　４　　　センサ
　　５　　　ネットワーク
　　６　　　フォグコンピュータ
　　７　　　クラウドサーバ
　　１１　　ＣＰＵ
　　１２　　ＲＯＭ
　　１３　　ＲＡＭ
　　１４　　不揮発性メモリ
　　１５　　インタフェース
　　１７，１８，２０，２１　インタフェース
　　２２　　バス
　　７０　　表示装置
　　７１　　入力装置
　　７２　　外部機器
　１００　　機械学習装置
　１０１　　プロセッサ
　１０２　　ＲＯＭ
　１０３　　ＲＡＭ
　１０４　　不揮発性メモリ
　１１０　　データ取得部
　１２０　　データ選別部
　１３０　　学習部
　１４０　　推定部
　１５０　　検証部
　１６０　　追加学習候補生成部
　１７０　　乖離度計算部
　１８０　　追加学習データ選定部
　２１０　　データ記憶部
　２２０　　学習用データ記憶部
　２３０　　検証用データ記憶部
　２４０　　モデル記憶部

Claims

　１つ以上の説明変数と目的変数との間の関係を機械学習したモデルを作成し、該モデルを用いて説明変数に対応する目的変数を推定する追加学習データ選定装置において、
　追加学習に用いる説明変数の組の候補である追加学習候補データを生成する追加学習候補生成部と、
　前記モデルを作成するために利用した学習用データにおける説明変数の組の集合と、追加学習候補データとの間の乖離度を求める乖離度計算部と、
　前記乖離度に基づいて前記追加学習候補データの中から追加学習に用いるデータを選定する追加学習データ選定部と、
　前記選定されたデータと、該データに対応する目的変数とを用いて、前記モデルの追加学習を行う学習部と、
を備えた追加学習データ選定装置。
　産業機械の熱変位に影響を及ぼす状態を示すデータを説明変数、該産業機械の熱変位量を目的変数とし、推定された機械の熱変位量を用いて前記産業機械の熱変位を補正する、
請求項1に記載の追加学習データ選定装置。
　前記状態を示すデータは、機械の温度、機械周辺の温度、主軸の動作パターン、送り軸の動作パターンのうち1つ以上を含むデータである、
請求項２に記載の追加学習データ選定装置。
　前記状態を示すデータは、複数の異なる時刻において取得したデータを含む、
請求項２に記載の追加学習データ選定装置。
　１つ以上の説明変数と目的変数との間の関係を機械学習したモデルを作成し、該モデルを用いて説明変数に対応する目的変数を推定する追加学習データ選定装置としてコンピュータを動作させるプログラムを記録したコンピュータ読み取り可能な記録媒体であって、
　追加学習に用いる説明変数の組の候補である追加学習候補データを生成する追加学習候補生成部と、
　前記モデルを作成するために利用した学習用データにおける説明変数の組の集合と、追加学習候補データとの間の乖離度を求める乖離度計算部と、
　前記乖離度に基づいて前記追加学習候補データの中から追加学習に用いるデータを選定する追加学習データ選定部と、
　前記選定されたデータと、該データに対応する目的変数とを用いて、前記モデルの追加学習を行う学習部、
としてコンピュータを機能させるプログラムを記録したコンピュータ読み取り可能な記録媒体。