JP2019160176A - 部品供給量推定装置及び機械学習装置 - Google Patents

部品供給量推定装置及び機械学習装置 Download PDF

Info

Publication number
JP2019160176A
JP2019160176A JP2018049551A JP2018049551A JP2019160176A JP 2019160176 A JP2019160176 A JP 2019160176A JP 2018049551 A JP2018049551 A JP 2018049551A JP 2018049551 A JP2018049551 A JP 2018049551A JP 2019160176 A JP2019160176 A JP 2019160176A
Authority
JP
Japan
Prior art keywords
manufacturing
manufactured product
margin
manufactured
unit
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
JP2018049551A
Other languages
English (en)
Inventor
優輝 大西
Yuki Onishi
優輝 大西
将隆 小池
Masataka Koike
将隆 小池
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fanuc Corp
Original Assignee
Fanuc Corp
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 Fanuc Corp filed Critical Fanuc Corp
Priority to JP2018049551A priority Critical patent/JP2019160176A/ja
Priority to US15/937,998 priority patent/US10279595B2/en
Priority to US16/296,576 priority patent/US20190287189A1/en
Priority to DE102019106062.1A priority patent/DE102019106062A1/de
Priority to CN201910199291.4A priority patent/CN110275490A/zh
Publication of JP2019160176A publication Critical patent/JP2019160176A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/408—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by data handling or data format, e.g. reading, buffering or conversion of data
    • G05B19/4083—Adapting programme, configuration
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/35—Nc in input of data, input till input file format
    • G05B2219/35356—Data handling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Software Systems (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Computational Linguistics (AREA)
  • Game Theory and Decision Science (AREA)
  • Automation & Control Theory (AREA)
  • Development Economics (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Human Computer Interaction (AREA)
  • Molecular Biology (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

【課題】製造品の製造に適正な部品の数を推定することが可能な部品供給量推定装置及び機械学習装置を提供すること。【解決手段】本発明の部品供給量推定装置１が備える機械学習装置１００は、製造品に係る情報を示す製造品データ、及び該製造品を製造する加工環境に係る情報を示す製造環境データを、環境の現在状態を表す状態変数として観測する状態観測部１０６と、製造品の製造に必要な部品のマージンを、ラベルデータとして取得するラベルデータ取得部１０８と、状態変数とラベルデータとを用いて、製造品に係る情報及び該製造品を製造する加工環境に係る情報と、製造品の製造に必要な部品のマージンとを関連付けて学習する学習部１１０と、を備える。【選択図】図２

Description

本発明は、部品供給量推定装置及び機械学習装置に関する。
工場では、工作機械やロボット等の複数の製造機械を配置した製造設備で製造品を製造している。製造設備での製造品の製造に使用される部品は、製造設備毎に管理されており、作業者が製造品を目標とする数だけ製造するために必要となる数の部品を調達して製造設備に補充している。特許文献１等でも説明されるように、調達した部品には不良部品が混ざっていることがあり、また、製造した製造品に不合格品が出ることもあるため、作業者は、不良部品の割合や不合格品が出る割合を予想して、最終的に目標とする数だけの製造品（合格品）が製造できるように、調達する部品の数を多めに決定している。
上記について、図６，７を用いて説明する。例えば、１台の製造品を製造するために部品が１０個必要であるとした場合、図６に示すように、注文した部品に不良部品が混ざっておらず、製造した製造品に不合格品が無いという理想的な状況では、部品を１０００個調達すれば１００台の製造品を製造することができる。しかし、図７に示すように、注文した部品に２％弱の不良品が混ざる可能性があり、また製造時に３％弱の不合格品がでる可能性がある場合には、予め不良部品や不合格品の数を考慮して少し多めに１０５０個の部品を調達しておく必要がある。
特開２００５−２５１０５９号公報
製造品の製造に必要な部品は、製造品の製造が完了して余ってしまうと、同じ部品を用いる製造品を製造していない限りは余剰在庫となる。そのため、作業者はできるだけ余剰在庫を出さないようにしつつ、目標数の製造品を製造するのに十分な数の部品を調達する必要があるが、不良部品や不合格品の発生確率は製造品の製造方法や環境等に依存するため、部品数のマージンの決定には経験則が必要となり、適切な部品数のマージンが判明するまでの間に、調達、製造に係る情報の管理や部品在庫の管理等の手間が発生し、これが作業者の負担となる。その為、経験が少ない作業者であっても、最初から適正な部品数を調達できるようにしたいという要望がある。
そこで本発明の目的は、製造品の製造に適正な部品の数を推定することが可能な部品供給量推定装置及び機械学習装置を提供することである。
本発明では、機械学習の手法を用いることにより、製造品の種類や加工環境に応じた不良部品の割合や不合格品の割合を学習し、高い精度で製造品の製造に必要となる部品のマージンを推定できるようにすることで、上記課題を解決する。
そして、本発明の一態様は、製造品を製造する際に用いる部品のマージンを推定する部品供給量推定装置であって、製造品を製造する際に用いる部品のマージンを学習する機械学習装置を備え、前記機械学習装置は、前記製造品に係る情報を示す製造品データ、及び該製造品を製造する加工環境に係る情報を示す製造環境データを、環境の現在状態を表す状態変数として観測する状態観測部と、前記製造品の製造に必要な部品のマージンを、ラベルデータとして取得するラベルデータ取得部と、前記状態変数と前記ラベルデータとを用いて、前記製造品に係る情報及び該製造品を製造する加工環境に係る情報と、前記製造品の製造に必要な部品のマージンとを関連付けて学習する学習部と、を備える部品供給量推定装置である。
本発明の他の態様は、製造品を製造する際に用いる部品のマージンを推定する部品供給量推定装置であって、製造品を製造する際に用いる部品のマージンを学習した機械学習装置を備え、前記機械学習装置は、前記製造品に係る情報を示す製造品データ、及び該製造品を製造する加工環境に係る情報を示す製造環境データを、環境の現在状態を表す状態変数として観測する状態観測部と、製造品に係る情報及び該製造品を製造する加工環境に係る情報と、該製造品の製造に必要な部品のマージンとを関連付けて学習した学習部と、前記状態観測部が観測した状態変数と、前記学習部による学習結果に基づいて、前記製造品の製造に必要な部品のマージンを推定した結果を出力する推定結果出力部と、を備える部品供給量推定装置である。
本発明の他の態様は、製造品を製造する際に用いる部品のマージンを学習する機械学習装置であって、前記製造品に係る情報を示す製造品データ、及び該製造品を製造する加工環境に係る情報を示す製造環境データを、環境の現在状態を表す状態変数として観測する状態観測部と、前記製造品の製造に必要な部品のマージンを、ラベルデータとして取得するラベルデータ取得部と、前記状態変数と前記ラベルデータとを用いて、前記製造品に係る情報及び該製造品を製造する加工環境に係る情報と、前記製造品の製造に必要な部品のマージンとを関連付けて学習する学習部と、を備える機械学習装置である。
本発明の他の態様は、製造品を製造する際に用いる部品のマージンを学習した機械学習装置であって、前記製造品に係る情報を示す製造品データ、及び該製造品を製造する加工環境に係る情報を示す製造環境データを、環境の現在状態を表す状態変数として観測する状態観測部と、製造品に係る情報及び該製造品を製造する加工環境に係る情報と、該製造品の製造に必要な部品のマージンとを関連付けて学習した学習部と、前記状態観測部が観測した状態変数と、前記学習部による学習結果に基づいて、前記製造品の製造に必要な部品のマージンを推定した結果を出力する推定結果出力部と、を備える機械学習装置である。
本発明により、製造品に係る情報及び製造環境に掛かる情報に基づいて、該製造品の製造に適正な部品の数を精度良く推定することが可能となる。
一実施形態による部品供給量推定装置の概略的なハードウェア構成図である。 一実施形態による部品供給量推定装置の概略的な機能ブロック図である。 部品供給量推定装置の一形態を示す概略的な機能ブロック図である。 ニューロンを説明する図である。 ニューラルネットワークを説明する図である。 他の実施形態による部品供給量推定装置の概略的な機能ブロック図である。 理想的な製造品の製造工程の例を示す図である。 実際の製造品の製造工程の例を示す図である。
以下、本発明の実施形態を図面と共に説明する。
図１は第１の実施形態による部品供給量推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。部品供給量推定装置１は、例えば工作機械等の製造機械７０を制御する制御装置に併設されたパソコンとして実装することができる。また、部品供給量推定装置１は、例えばセルコンピュータ、ホストコンピュータ、エッジサーバ、クラウドサーバ等のコンピュータとして実装することができる。本実施形態では、部品供給量推定装置１を、工場に設置された製造機械７０を制御する制御装置と有線／無線のネットワークを介して接続されたコンピュータとして実装した場合の例を示す。
本実施形態による部品供給量推定装置１が備えるＣＰＵ１１は、部品供給量推定装置１を全体的に制御するプロセッサである。ＣＰＵ１１は、ＲＯＭ１２に格納されたシステム・プログラムをバス２０を介して読み出し、該システム・プログラムに従って部品供給量推定装置１全体を制御する。ＲＡＭ１３には一時的な計算データ、図示しない入力部を介してオペレータが入力した各種データ等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るなどして、部品供給量推定装置１の電源がオフされても記憶状態が保持されるメモリとして構成される。不揮発性メモリ１４には入力装置４０を操作してオペレータが入力した各種データやインタフェース１９を介して製造機械７０から取得したデータ、図示しないインタフェースを介して入力されたプログラム等が記憶されている。不揮発性メモリ１４に記憶されたプログラムや各種データは、実行時／利用時にはＲＡＭ１３に展開されても良い。また、ＲＯＭ１２には、製造機械７０から取得した情報を解析する公知の解析プログラムや後述する機械学習装置１００とのやりとりを制御するためのシステム・プログラムなどを含むシステム・プログラムがあらかじめ書き込まれている。
インタフェース２１は、部品供給量推定装置１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・プログラム等を記憶した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、及び学習モデル等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を介して部品供給量推定装置１で取得可能な各情報を観測することができる。また、部品供給量推定装置１は、機械学習装置１００から出力される情報をインタフェース１７を介して表示装置５０に表示する。
図２は、第１の実施形態による部品供給量推定装置１と機械学習装置１００の概略的な機能ブロック図である。図２に示した各機能ブロックは、図１に示した部品供給量推定装置１が備えるＣＰＵ１１、及び機械学習装置１００のプロセッサ１０１が、それぞれのシステム・プログラムを実行し、部品供給量推定装置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。
本実施形態の部品供給量推定装置１は、機械学習装置１００から出力された作業者に対する指示を表示装置５０へと表示する表示部３４を備える。
表示部３４は、機械学習装置１００から出力された製造品の製造に必要な部品のマージンの推定の結果を表示装置５０に表示する機能手段である。表示部３４は、機械学習装置１００から出力された製造品の製造に必要な部品のマージンをそのまま表示装置５０に表示しても良いし、予め製造品の製造数や該製造品に必要な部品数が入力されている場合には、これらの数値と部品のマージンの推定とに基づいて調達するべき部品数を算出して表示装置５０に表示するようにしても良い。
一方、部品供給量推定装置１が備える機械学習装置１００は、製造品に係る情報及び該製造品を製造する製造環境に係る情報に対する、製造品の製造に必要な部品のマージンの推定を、いわゆる機械学習により自ら学習するためのソフトウェア（学習アルゴリズム等）及びハードウェア（プロセッサ１０１等）を含む。部品供給量推定装置１が備える機械学習装置１００が学習するものは、製造品に係る情報及び該製造品を製造する製造環境に係る情報と、製造品の製造に必要な部品のマージンとの、相関性を表すモデル構造に相当する。
図２に機能ブロックで示すように、部品供給量推定装置１が備える機械学習装置１００は、製造品に係る情報を示す製造品データＳ１及び製造品を製造する製造環境に係る情報を示す製造環境データＳ２を含む環境の現在状態を表す状態変数Ｓとして観測する状態観測部１０６と、製造品の製造に必要な部品のマージンを示す部品マージンデータＬ１を含むラベルデータＬを取得するラベルデータ取得部１０８と、状態変数ＳとラベルデータＬとを用いて、製造品に係る情報及び該製造品を製造する製造環境に係る情報に、製造品の製造に必要な部品のマージンを関連付けて学習する学習部１１０と、学習部１１０による学習済みモデルを用いて製造品に係る情報及び該製造品を製造する製造環境に係る情報から推定した製造品の製造に必要な部品のマージンを出力する推定結果出力部１２２と、を備える。
状態観測部１０６は、学習部１１０による学習時において、状態変数Ｓとしての製造品データＳ１及び製造環境データＳ２を入力装置４０及び製造機械７０から取得する。また、状態観測部１０６は、学習部１１０の学習結果を用いた製造品の製造に必要な部品のマージンの推定時において、状態変数Ｓとしての製造品データＳ１及び製造環境データＳ２を入力装置４０及び製造機械７０から取得する。なお、いずれの場合も、直接的に入力装置４０及び製造機械７０からデータを取得する代わりに、部品供給量推定装置１が備える不揮発性メモリ１４等を経由してデータを取得するようにしても良い。
状態観測部１０６が観測する状態変数Ｓのうち、製造品データＳ１は、シンプルに構成する場合には、例えば製造品の製造に使用する部品の種類、それぞれの部品の数、求められる精度（又は公差）を用いることができる。製造品の製造に使用する部品の種類、それぞれの部品の数、求められる精度（又は公差）は、入力装置４０から作業者に入力させるようにしても良いし、作業者の指示に基づいて製造機械７０から取得した製造に係るデータから抽出するようにしても良い。
一方、状態観測部１０６が観測する状態変数Ｓのうち、製造環境データＳ２は、シンプルに構成する場合には、例えば製造品を製造する際の製造機械７０の加工条件（使用機械、送り速度、主軸回転数、トルク、ストローク、温度等）、工具情報（工具種類、工具材質、工具摩耗量等）を用いることができる。また、製造環境データＳ２としては、立地条件や製造時期（夏、冬等）、製造時間帯（昼、夜中等）等を採用しても良い。製造機械７０の製造品を製造する製造環境に係る情報は、入力装置４０から作業者に入力させるようにしても良いし、作業者の指示により製造機械７０から取得するようにしても良い。
ラベルデータ取得部１０８は、学習部１１０の学習時において、ラベルデータＬとして、製造品の製造に必要な部品のマージンを示す部品マージンデータＬ１を含むラベルデータＬを取得する。部品マージンデータＬ１は、例えば製造品を製造するために調達する部品のマージン（余分に調達する割合）として定義できる。製造品の製造に必要な部品のマージンは、作業者が入力装置４０から作業者に入力させるようにしても良いし、作業者の指示に基づいてネットワーク２を介して図示しない生産管理装置等から取得するようにしても良い。
なお、ラベルデータ取得部１０８は、学習部１１０による学習の段階では必須の構成となるが、学習部１１０による製造品に係る情報及び該製造品を製造する製造環境に係る情報と製造品の製造に必要な部品のマージンとを関連付けた学習が完了した後には必ずしも必須の構成ではない。例えば、学習が完了した機械学習装置１００を顧客に出荷する場合等には、ラベルデータ取得部１０８を取り外して出荷するようにしても良い。
学習部１１０は、機械学習と総称される任意の学習アルゴリズムに従い、状態変数Ｓ（製造品に係る情報を示す製造品データＳ１及び製造品を製造する製造環境に係る情報を示す製造環境データＳ２）に対するラベルデータＬ（製造品の製造に必要な部品のマージンを示す部品マージンデータＬ１）を学習する。学習部１１０は、例えば状態変数Ｓに含まれる製造品データＳ１及び製造環境データＳ２と、ラベルデータＬに含まれる部品マージンデータＬ１との相関性を学習することができる。学習部１１０は、状態変数ＳとラベルデータＬとを含むデータ集合に基づく学習を反復実行することができる。
学習部１１０による学習においては、多くの製造品の製造において得られたデータに基づいた複数の学習サイクルを実行することが望ましい。このような学習サイクルを繰り返すことにより、学習部１１０は、製造品に係る情報（製造品データＳ１）及び該製造品を製造する製造環境に係る情報（製造環境データＳ２）と、製造品の製造に必要な部品のマージン（部品マージンデータＬ１）との相関性を自動的に解釈する。学習アルゴリズムの開始時には製造品データＳ１及び製造環境データＳ２に対する部品マージンデータＬ１の相関性は実質的に未知であるが、学習部１１０が学習を進めるに従い徐々に製造品データＳ１及び製造環境データＳ２に対する部品マージンデータＬ１との関係を徐々に解釈し、その結果として得られた学習済みモデルを用いることで製造品データＳ１及び製造環境データＳ２に対する部品マージンデータＬ１の相関性を解釈可能になる。
推定結果出力部１２２は、学習部１１０が学習した結果（学習済みモデル）に基づいて、製造品に係る情報及び該製造品を製造する製造環境に係る情報に基づいて製造品の製造に必要な部品のマージンを推定し、推定した製造品の製造に必要な部品のマージンを出力する。学習部１１０が製造品に係る情報を示す製造品データＳ１及び該製造品を製造する製造環境に係る情報を示す製造環境データＳ２に関連付けて学習した製造品の製造に必要な部品のマージンを示すに部品マージンデータＬ１は、新たに製造品を製造する際に、該製造品の製造に必要な部品のマージンを推定するために用いられる。
上記構成を有する機械学習装置１００では、学習部１１０が実行する学習アルゴリズムは特に限定されず、機械学習として公知の学習アルゴリズムを採用できる。図３は、図２に示す部品供給量推定装置１の他の形態であって、学習アルゴリズムの他の例として教師あり学習を実行する学習部１１０を備えた構成を示す。教師あり学習は、入力とそれに対応する出力との既知のデータセット（教師データと称する）が与えられ、それら教師データから入力と出力との相関性を暗示する特徴を識別することで、新たな入力に対する所要の出力を推定するための相関性モデルを学習する手法である。
図３に示す部品供給量推定装置１が備える機械学習装置１００において、学習部１１０は、製造品に係る情報から製造品の製造に必要な部品のマージンを推定する相関性モデルＭと過去に取得された製造品に係る情報及び製造品を製造する製造環境に係る情報と、センサ等で検出された製造品に係る情報から製造品の製造に必要な部品のマージンの結果から得られた教師データＴから識別される相関性特徴との誤差Ｅを計算する誤差計算部１１２と、誤差Ｅを縮小するように相関性モデルＭを更新するモデル更新部１１４とを備える。学習部１１０は、モデル更新部１１４が相関性モデルＭの更新を繰り返すことによって製造品に係る情報及び該製造品を製造する製造環境に係る情報から製造品の製造に必要な部品のマージンの推定を学習する。
相関性モデルＭの初期値は、例えば、状態変数ＳとラベルデータＬとの相関性を単純化して（例えばＮ次関数で）表現したものであり、教師あり学習の開始前に学習部１１０に与えられる。教師データＴは、本発明では上述したように過去に取得された製造品に係る情報及び該製造品を製造する製造環境に係る情報と該製造品の製造に必要な部品のマージンの情報とを利用することができ、部品供給量推定装置１の運用時に随時学習部１１０に与えられる。誤差計算部１１２は、学習部１１０に随時与えられた教師データＴにより、製造品に係る情報及び該製造品を製造する製造環境に係る情報と製造品の製造に必要な部品のマージンとの相関性を暗示する相関性特徴を識別し、この相関性特徴と、現在状態における状態変数Ｓ及びラベルデータＬに対応する相関性モデルＭとの誤差Ｅを求める。モデル更新部１１４は、例えば予め定めた更新ルールに従い、誤差Ｅが小さくなる方向へ相関性モデルＭを更新する。
次の学習サイクルでは、誤差計算部１１２は、更新後の相関性モデルＭに従って状態変数Ｓを用いて製造品の製造に必要な部品のマージンの推定が行われ、該推定の結果と実際に取得されたラベルデータＬの誤差Ｅを求め、モデル更新部１１４が再び相関性モデルＭを更新する。このようにして、未知であった環境の現在状態とそれに対する推定との相関性が徐々に明らかになる。
前述した教師あり学習を進める際に、ニューラルネットワークを用いることができる。図４Ａは、ニューロンのモデルを模式的に示す。図４Ｂは、図４Ａに示すニューロンを組み合わせて構成した三層のニューラルネットワークのモデルを模式的に示す。ニューラルネットワークは、例えば、ニューロンのモデルを模した演算装置や記憶装置等によって構成できる。
図４Ａに示すニューロンは、複数の入力ｘ（ここでは一例として、入力ｘ1〜入力ｘ3）に対する結果ｙを出力するものである。各入力ｘ1〜ｘ3には、この入力ｘに対応する重みｗ（ｗ1〜ｗ3）が掛けられる。これにより、ニューロンは、次の数１式により表現される出力ｙを出力する。なお、数１式において、入力ｘ、出力ｙ及び重みｗは、すべてベクトルである。また、θはバイアスであり、ｆkは活性化関数である。
Figure 2019160176
図４Ｂに示す三層のニューラルネットワークは、左側から複数の入力ｘ（ここでは一例として、入力ｘ１〜入力ｘ３）が入力され、右側から結果ｙ（ここでは一例として、結果ｙ１〜結果ｙ３）が出力される。図示の例では、入力ｘ１、ｘ２、ｘ３のそれぞれに対応の重み（総称してｗ１で表す）が乗算されて、個々の入力ｘ１、ｘ２、ｘ３がいずれも３つのニューロンＮ１１、Ｎ１２、Ｎ１３に入力されている。
図４Ｂでは、ニューロンＮ１１〜Ｎ１３の各々の出力を、総称してｚ１で表す。ｚ１は、入カベクトルの特徴量を抽出した特徴ベクトルと見なすことができる。図示の例では、特徴ベクトルｚ１のそれぞれに対応の重み（総称してｗ２で表す）が乗算されて、個々の特徴ベクトルｚ１がいずれも２つのニューロンＮ２１、Ｎ２２に入力されている。特徴ベクトルｚ１は、重みＷ１と重みＷ２との間の特徴を表す。
図４Ｂでは、ニューロンＮ２１〜Ｎ２２の各々の出力を、総称してｚ２で表す。ｚ２は、特徴ベクトルｚ１の特徴量を抽出した特徴ベクトルと見なすことができる。図示の例では、特徴ベクトルｚ２のそれぞれに対応の重み（総称してｗ３で表す）が乗算されて、個々の特徴ベクトルｚ２がいずれも３つのニューロンＮ３１、Ｎ３２、Ｎ３３に入力されている。特徴ベクトルｚ２は、重みＷ２と重みＷ３との間の特徴を表す。最後にニューロンＮ３１〜Ｎ３３は、それぞれ結果ｙ１〜ｙ３を出力する。
なお、三層以上の層を為すニューラルネットワークを用いた、いわゆるディープラーニングの手法を用いることも可能である。
部品供給量推定装置１が備える機械学習装置１００においては、状態変数Ｓを入力ｘとして、学習部１１０が上記したニューラルネットワークに従う多層構造の演算を行うことで、製造品に係る情報及び該製造品を製造する製造環境に係る情報（入力ｘ）から製造品の製造に必要な部品のマージン（出力ｙ）を推定することができる。なお、ニューラルネットワークの動作モードには、学習モードと価値予測モードとがあり、例えば学習モードで学習データセットを用いて重みｗを学習し、学習した重みｗを用いて価値予測モードで行動の価値判断を行うことができる。なお価値予測モードでは、検出、分類、推論等を行うこともできる。
上記した機械学習装置１００の構成は、プロセッサ１０１が各々実行する機械学習方法（或いはソフトウェア）として記述できる。この機械学習方法は、製造品に係る情報及び該製造品を製造する製造環境に係る情報から製造品の製造に必要な部品のマージン（の推定）を学習する機械学習方法であって、プロセッサ１０１が、製造品に係る情報（製造品データＳ１）及び該製造品を製造する製造環境に係る情報（製造環境データＳ２）を現在状態を表す状態変数Ｓとして観測するステップと、製造品の製造に必要な部品のマージン（部品マージンデータＬ１）をラベルデータＬとして取得するステップと、状態変数ＳとラベルデータＬとを用いて、製造品データＳ１及び製造環境データＳ２と、製造品の製造に必要な部品のマージンとを関連付けて学習するステップとを有する。
機械学習装置１００の学習部１１０により学習されて得られた学習済みモデルは機械学習に係るソフトウェアの一部であるプログラムモジュールとしての利用することが可能である。本発明の学習済みモデルは、ＣＰＵやＧＰＵ等のプロセッサとメモリを備えるコンピュータにて用いることができる。より具体的には、コンピュータのプロセッサが、メモリに記憶された学習済みモデルからの指令に従って、製造品に係る情報及び該製造品を製造する製造環境に係る情報を入力として演算を行い、演算結果に基づいて製造品の製造に必要な部品のマージンの推定結果を出力するように動作する。本発明の学習済みモデルは、外部記憶媒体やネットワーク等を介して他のコンピュータに対して複製して利用することが可能である。
また、本発明の学習済みモデルを他のコンピュータに対して複製して新しい環境で利用する際に、当該環境で得られた新たな状態変数やラベルデータに基づいて当該学習済みモデルに対して更なる学習を行わせることもできる。このようにした場合、当該環境による学習済みモデルから派生した学習済みモデル（以下、派生モデルとする）を得ることが可能である。本発明の派生モデルは、製造品に係る情報及び該製造品を製造する製造環境に係る情報から製造品の製造に必要な部品のマージンの推定結果を出力するという点では元の学習済みモデルと同じだが、元の学習済みモデルよりも新しい環境に適合した結果を出力するという点で異なる。この派生モデルもまた、外部記憶媒体やネットワーク等を介して他のコンピュータに対して複製して利用することが可能である。
更に、本発明の学習済みモデルを組み込んだ機械学習装置に対する入力に対して得られる出力を用いて、他の機械学習装置において１から学習を行うことで得られる学習済みモデル（以下、蒸留モデルとする）を作成し、これを利用することも可能である（このような学習工程を蒸留と言う）。蒸留において、元の学習済みモデルを教師モデル、新たに作成する蒸留モデルを生徒モデルとも言う。一般に、蒸留モデルは元の学習済みモデルよりもサイズが小さく、それでいて元の学習済みモデルと同等の正確度を出せるため、外部記憶媒体やネットワーク等を介した他のコンピュータに対する配布により適している。
本実施形態による部品供給量推定装置１の使用目的は、最も典型的には製造品の製造を行う前に、これから行う製造の製造品に係る情報と製造環境に係る情報とに基づいて、該製造品の製造に必要な部品のマージンを推定することであるが、その他の目的で使用することも可能である
例えば、部品供給量推定装置１が推定した製造品の製造に必要な部品のマージンを考慮して部品の調達を行い、製造品の製造を行った結果、部品が大幅に足りなくなった場合は、部品の調達先や製造に用いた製造機械に問題があると判断することができ、更に不良部品の量や不合格品の量を確認することで、今後の対策（部品調達先の変更、製造に用いる製造機械の変更）を立てることができる。図５に示すブロック図における判定部３６に、ネットワーク２を介して取得した製造に係るデータに基づいて上記判定を行わせ、表示装置５０に表示させることも可能である。
また、図５に示すブロック図における判定部３６に、ネットワーク２を介して調達された部品数を取得させ、推定結果出力部１２２から出力された製造品の製造に必要な部品のマージンから算出される部品数とかけ離れている場合に、調達ミスの可能性があることを表示装置５０に表示するように表示部３４に指令するようにしても良い。
ある製造品を製造するに際して、部品供給量推定装置１において、複数の製造機械７０のそれぞれで製造した場合の該製造品の製造に必要な部品のマージンを推定し、最も少ないと予測される製造機械７０を使用して製造品の製造を行うという判定も行うことができる。
複数の工程を経て製造される製造品について、各製造工程における部品のマージンをそれぞれの製造機械について推定し、その推定結果に基づいて各工程に用いる製造機械を選択するといった応用も可能である。例えば、第１工程に対して、製造機械αにおいて製造した場合の部品のマージンが少なく、製造機械βにおいて製造した場合の部品のマージンが多いと推定され、第２工程に対して、製造機械αにおいて製造した場合の部品のマージンが多く、製造機械βにおいて製造した場合の部品のマージンが少ないと推定された場合には、第１工程に製造機械αを、第２工程に製造機械βを使用する、等の判断を行うことが可能となる。
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、機械学習装置１００が実行する学習アルゴリズムや演算アルゴリズム、部品供給量推定装置１が実行する制御アルゴリズム等は、上述したものに限定されず、様々なアルゴリズムを採用できる。
また、上記した実施形態では部品供給量推定装置１と機械学習装置１００が異なるＣＰＵを有する装置として説明しているが、機械学習装置１００は部品供給量推定装置１が備えるＣＰＵ１１と、ＲＯＭ１２に記憶されるシステム・プログラムにより実現するようにしても良い。
１ 部品供給量推定装置
２ ネットワーク
１１ ＣＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
１４ 不揮発性メモリ
１６，１７，１９，２１ インタフェース
２０ バス
３４ 表示部
３６ 判定部
４０ 入力装置
５０ 表示装置
７０ 製造機械
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
１０６ 状態観測部
１０８ ラベルデータ取得部
１１０ 学習部
１１２ 誤差計算部
１１４ モデル更新部
１２２ 推定結果出力部

Claims (7)

  1. 製造品を製造する際に用いる部品のマージンを推定する部品供給量推定装置であって、
    製造品を製造する際に用いる部品のマージンを学習する機械学習装置を備え、
    前記機械学習装置は、
    前記製造品に係る情報を示す製造品データ、及び該製造品を製造する加工環境に係る情報を示す製造環境データを、環境の現在状態を表す状態変数として観測する状態観測部と、
    前記製造品の製造に必要な部品のマージンを、ラベルデータとして取得するラベルデータ取得部と、
    前記状態変数と前記ラベルデータとを用いて、前記製造品に係る情報及び該製造品を製造する加工環境に係る情報と、前記製造品の製造に必要な部品のマージンとを関連付けて学習する学習部と、
    を備える部品供給量推定装置。
  2. 前記学習部は、
    前記状態変数から前記製造品の製造に必要な部品のマージンを推定する相関性モデルと、予め用意された教師データから識別される相関性特徴との誤差を計算する誤差計算部と、
    前記誤差を縮小するように前記相関性モデルを更新するモデル更新部とを備える、
    請求項１に記載の部品供給量推定装置。
  3. 前記学習部は、前記状態変数と前記ラベルデータとを多層構造で演算する、
    請求項１又は２に記載の部品供給量推定装置。
  4. 製造品を製造する際に用いる部品のマージンを推定する部品供給量推定装置であって、
    製造品を製造する際に用いる部品のマージンを学習した機械学習装置を備え、
    前記機械学習装置は、
    前記製造品に係る情報を示す製造品データ、及び該製造品を製造する加工環境に係る情報を示す製造環境データを、環境の現在状態を表す状態変数として観測する状態観測部と、
    製造品に係る情報及び該製造品を製造する加工環境に係る情報と、該製造品の製造に必要な部品のマージンとを関連付けて学習した学習部と、
    前記状態観測部が観測した状態変数と、前記学習部による学習結果に基づいて、前記製造品の製造に必要な部品のマージンを推定した結果を出力する推定結果出力部と、
    を備える部品供給量推定装置。
  5. 前記機械学習装置は、クラウドサーバに存在する、
    請求項１〜４のいずれか１つに記載の部品供給量推定装置。
  6. 製造品を製造する際に用いる部品のマージンを学習する機械学習装置であって、
    前記製造品に係る情報を示す製造品データ、及び該製造品を製造する加工環境に係る情報を示す製造環境データを、環境の現在状態を表す状態変数として観測する状態観測部と、
    前記製造品の製造に必要な部品のマージンを、ラベルデータとして取得するラベルデータ取得部と、
    前記状態変数と前記ラベルデータとを用いて、前記製造品に係る情報及び該製造品を製造する加工環境に係る情報と、前記製造品の製造に必要な部品のマージンとを関連付けて学習する学習部と、
    を備える機械学習装置。
  7. 製造品を製造する際に用いる部品のマージンを学習した機械学習装置であって、
    前記製造品に係る情報を示す製造品データ、及び該製造品を製造する加工環境に係る情報を示す製造環境データを、環境の現在状態を表す状態変数として観測する状態観測部と、
    製造品に係る情報及び該製造品を製造する加工環境に係る情報と、該製造品の製造に必要な部品のマージンとを関連付けて学習した学習部と、
    前記状態観測部が観測した状態変数と、前記学習部による学習結果に基づいて、前記製造品の製造に必要な部品のマージンを推定した結果を出力する推定結果出力部と、
    を備える機械学習装置。
JP2018049551A 2017-03-31 2018-03-16 部品供給量推定装置及び機械学習装置 Pending JP2019160176A (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2018049551A JP2019160176A (ja) 2018-03-16 2018-03-16 部品供給量推定装置及び機械学習装置
US15/937,998 US10279595B2 (en) 2017-03-31 2018-03-28 Liquid discharge apparatus
US16/296,576 US20190287189A1 (en) 2018-03-16 2019-03-08 Part supply amount estimating device and machine learning device
DE102019106062.1A DE102019106062A1 (de) 2018-03-16 2019-03-11 Fertigungsteilliefermenge-schätzvorrichtung und maschinenlernvorrichtung
CN201910199291.4A CN110275490A (zh) 2018-03-16 2019-03-15 部件供给量推定装置以及机器学习装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018049551A JP2019160176A (ja) 2018-03-16 2018-03-16 部品供給量推定装置及び機械学習装置

Publications (1)

Publication Number Publication Date
JP2019160176A true JP2019160176A (ja) 2019-09-19

Family

ID=67774261

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018049551A Pending JP2019160176A (ja) 2017-03-31 2018-03-16 部品供給量推定装置及び機械学習装置

Country Status (4)

Country Link
US (1) US20190287189A1 (ja)
JP (1) JP2019160176A (ja)
CN (1) CN110275490A (ja)
DE (1) DE102019106062A1 (ja)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10258376A (ja) * 1997-03-14 1998-09-29 Amada Co Ltd レーザー加工不良状態検出方法および装置
JP2001273025A (ja) * 2000-03-23 2001-10-05 Hitachi Ltd 作業不良発生度評価方法並びに製造職場の不良の起こし易さ評価方法及びその装置
JP2003328030A (ja) * 2002-03-08 2003-11-19 Jfe Steel Kk 鋼材の製品品質設計装置及び最適品質設計支援装置
JP2005216198A (ja) * 2004-02-02 2005-08-11 Hitachi Ltd 材料支給における材料発注数量の調整方法
JP2010029925A (ja) * 2008-07-30 2010-02-12 Honda Motor Co Ltd 品質予測方法
JP2012226511A (ja) * 2011-04-19 2012-11-15 Hitachi Ltd 歩留まり予測システムおよび歩留まり予測プログラム
JP2014067121A (ja) * 2012-09-25 2014-04-17 Fuji Mach Mfg Co Ltd 部品管理装置、部品管理方法及びそのプログラム
JP2014238666A (ja) * 2013-06-06 2014-12-18 株式会社神戸製鋼所 予測式生成方法、予測式生成装置、及び、予測式生成プログラム
JP2016181204A (ja) * 2015-03-25 2016-10-13 東芝情報システム株式会社 数量予測システム及び数量予測用プログラム
JP2017119425A (ja) * 2015-12-28 2017-07-06 日精樹脂工業株式会社 射出成形機の成形最適化方法
JP2017191567A (ja) * 2016-04-15 2017-10-19 ファナック株式会社 生産計画を実施する生産システム
JP2017536584A (ja) * 2014-11-25 2017-12-07 ストリーム モザイク，インコーポレイテッド 半導体製造プロセスのための改善されたプロセス制御技術

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6568831B2 (ja) 2016-09-23 2019-08-28 三菱重工業株式会社 航空機の部品支援システム、部品支援方法及び部品支援プログラム

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10258376A (ja) * 1997-03-14 1998-09-29 Amada Co Ltd レーザー加工不良状態検出方法および装置
JP2001273025A (ja) * 2000-03-23 2001-10-05 Hitachi Ltd 作業不良発生度評価方法並びに製造職場の不良の起こし易さ評価方法及びその装置
JP2003328030A (ja) * 2002-03-08 2003-11-19 Jfe Steel Kk 鋼材の製品品質設計装置及び最適品質設計支援装置
JP2005216198A (ja) * 2004-02-02 2005-08-11 Hitachi Ltd 材料支給における材料発注数量の調整方法
JP2010029925A (ja) * 2008-07-30 2010-02-12 Honda Motor Co Ltd 品質予測方法
JP2012226511A (ja) * 2011-04-19 2012-11-15 Hitachi Ltd 歩留まり予測システムおよび歩留まり予測プログラム
JP2014067121A (ja) * 2012-09-25 2014-04-17 Fuji Mach Mfg Co Ltd 部品管理装置、部品管理方法及びそのプログラム
JP2014238666A (ja) * 2013-06-06 2014-12-18 株式会社神戸製鋼所 予測式生成方法、予測式生成装置、及び、予測式生成プログラム
JP2017536584A (ja) * 2014-11-25 2017-12-07 ストリーム モザイク，インコーポレイテッド 半導体製造プロセスのための改善されたプロセス制御技術
JP2016181204A (ja) * 2015-03-25 2016-10-13 東芝情報システム株式会社 数量予測システム及び数量予測用プログラム
JP2017119425A (ja) * 2015-12-28 2017-07-06 日精樹脂工業株式会社 射出成形機の成形最適化方法
JP2017191567A (ja) * 2016-04-15 2017-10-19 ファナック株式会社 生産計画を実施する生産システム

Also Published As

Publication number Publication date
US20190287189A1 (en) 2019-09-19
CN110275490A (zh) 2019-09-24
DE102019106062A1 (de) 2019-09-19

Similar Documents

Publication Publication Date Title
CN109382838B (zh) 控制装置以及机器学习装置
CN109816624B (zh) 外观检查装置
JP6956028B2 (ja) 故障診断装置及び機械学習装置
US20180373233A1 (en) Failure predicting apparatus and machine learning device
JP6836577B2 (ja) 研磨工具摩耗量予測装置、機械学習装置及びシステム
JP6571741B2 (ja) 作業者管理装置
CN110116371B (zh) 研磨工具磨损量预测装置、机器学习装置以及***
US20170344909A1 (en) Machine learning device, failure prediction device, machine system and machine learning method for learning end-of-life failure condition
Balta et al. A digital twin framework for performance monitoring and anomaly detection in fused deposition modeling
JP6629815B2 (ja) 寿命推定装置及び機械学習装置
JP2015011722A (ja) プロセス制御システムにおける非侵入的データ分析
JP2019162712A (ja) 制御装置、機械学習装置及びシステム
JP2019111637A (ja) 切粉除去装置及び情報処理装置
JP6659652B2 (ja) 加工条件調整装置及び機械学習装置
JP2019093472A (ja) 制御装置及び機械学習装置
CN110125955B (zh) 控制装置以及机器学习装置
CN110501972B (zh) 热位移校正装置
JP6538772B2 (ja) 数値制御装置
US20190351520A1 (en) Simulation apparatus
JP2020135758A (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
US20180314242A1 (en) Numerical controller
JP2019160176A (ja) 部品供給量推定装置及び機械学習装置
JP6829271B2 (ja) 測定動作パラメータ調整装置、機械学習装置及びシステム
JP6637021B2 (ja) 切削液供給タイミング制御装置及び機械学習装置
JP7060546B2 (ja) 歯当たり位置調整量推定装置、機械学習装置、ロボットシステム及び歯当たり位置調整量推定システム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190808

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20191021

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20191118

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200303

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20200228

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20200714

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20201110