JP2021089661A - センサシステム、マスタユニット、予測装置、及び予測方法 - Google Patents

Abstract

【課題】早期にワークの異常又は異常予兆を検知することができる。【解決手段】センサシステム１は、ワークを測定する第１センサ３０ａと、相対的に第１センサ３０ａよりも長い周期でワークを測定する第２センサ３０ｂと、マスタユニット１０と、を備え、マスタユニット１０は、第１センサ３０ａによって測定されたデータと第２センサ３０ｂによって測定されたデータとを取得する取得部１１と、学習モデルの機械学習に用いられ、取得された第１センサ３０ａのデータを入力データとし、取得された第２センサ３０ｂのデータを入力データの性質を表すラベルデータとする学習用データを生成する生成部１２と、を含む。【選択図】図３

Description

本開示は、センサシステム、マスタユニット、予測装置、及び予測方法に関する。

従来、ラインに沿って複数のセンサを配置して、ライン上を搬送されるワークの有無を測定することがある。複数のセンサにより測定されたデータは、複数のスレーブユニットにより取得されてマスタユニットに転送され、マスタユニットに接続されたＰＬＣ（Programmable Logic Controller）等の制御装置に集約されることがある。

下記特許文献１には、複数のセンサユニットと、各々のセンサユニットから受信した情報を制御装置に向けて送信する通信装置とを備えるセンサシステムが記載されている。各センサユニットは、いずれかのセンサユニットから発信される同期信号を起点として、センサユニット毎に定められる待機時間が経過してから、センシングデータ等の検出情報を通信装置に送信する。ここで、各センサユニットの待機時間は、他のセンサユニットの待機時間とは異なるように定められている。特許文献１に記載の技術によって、複数のセンサにより測定したデータを制御装置に集約する場合に、制御装置からのコマンドを待たずにデータを送信することができ、通信速度を向上させることができる。

特開２０１４−９６０３６号公報

近年、複数のセンサにより測定されたデータを学習モデルの機械学習に用いて学習済モデルを生成し、学習済モデルによってより高度な判定を行うセンサシステムを構築する研究が行われている。

従来、学習済モデルを用いたセンサシステムとして、ラインに配置された複数のセンサにより測定されたデータから生成された学習済モデルを用い、当該ライン上を搬送されるワークの異常又は異常の予兆若しくは兆候を検知するものが提案されている。

しかしながら、このようなセンサシステムでは、なるべく早くワークの異常又は異常の予兆若しくは兆候を検知して異常のあるワークの製造や生成を抑制したい、という要望があった。

そこで、本発明は、早期にワークの異常又は異常予兆を検知することのできるセンサシステム、マスタユニット、予測装置、及び予測方法を提供することを目的の一つとする。

本開示の一態様に係るセンサシステムは、ワークを測定する第１センサと、第１センサよりも長い周期でワークを測定する第２センサと、マスタユニットと、を備え、マスタユニットは、第１センサによって測定されたデータと第２センサによって測定されたデータとを取得する取得部と、学習モデルの機械学習に用いられ、取得された第１センサのデータを入力データとし、取得された第２センサのデータを入力データの性質を表すラベルデータとする学習用データを生成する生成部と、を含む。

この態様によれば、学習モデルの機械学習に用いられ、取得された第１センサのデータを入力データとし、取得された第２センサのデータを入力データの性質を表すラベルデータとする学習用データが生成される。これにより、当該学習用データを用いて生成される学習済モデルは、測定周期が第２センサよりも短い第１センサのデータを入力として値（予測値）を出力することが可能となる。従って、当該学習済モデルを用いることで、従来よりも早期にワークの異常又は異常予兆を検知することができる。

前述した態様において、生成部は、ワークの移動速度及び第１センサと第２センサとの間の距離から算出される時間差と、第１センサの測定周期と、第２センサの測定周期とに基づいて、入力データとラベルデータとを対応付け、学習用データを生成してもよい。

この態様によれば、時間差と第１センサの測定周期と第２センサの測定周期とに基づいて、入力データとラベルデータとを対応付け、学習用データが生成される。これにより、同一又は近似のワークに対して測定されたデータ同士を対応付けて学習用データが生成されるので、学習済モデルの予測精度を向上させることができる。

前述した態様において、第１センサは、ワークが移動するラインにおいて、第２センサに対して上流側に配置されていてもよい。

この態様によれば、第１センサは、ワークが移動するラインにおいて、第２センサに対して上流側に配置される。これにより、第２センサに対して下流側に配置される場合と比較して、生成される学習済モデルは、ラインにおける相対的に早い段階のワークに対して測定したデータが入力データとなるので、早期にワークの異常又は異常予兆を予測することができる。

前述した態様において、マスタユニットは、学習用データを用いて学習モデルの機械学習を実行し、学習済モデルを生成する学習部をさらに含んでもよい。

この態様によれば、学習用データを用いて学習モデルの機械学習を実行し、学習済モデルが生成される。これにより、早期にワークの異常又は異常予兆を検知する学習済モデルを容易に生成することができる。

前述した態様において、マスタユニットは、取得された第１センサのデータを学習済モデルに入力し、該学習済モデルに予測値を出力させる予測部をさらに含んでもよい。

この態様によれば、取得した第１センサのデータを入力し、学習済モデルに予測値を出力させる。これにより、当該予測値によって早期にワークの異常又は異常予兆を予測することができる。

前述した態様において、複数の第１センサを備え、マスタユニットは、複数の第１センサのうちの１つについて、取得された該第１センサのデータと取得した第２センサのデータとの相関係数を算出する選定部をさらに含んでもよい。

この態様によれば、複数の第１センサのうちの１つについて、取得された第１センサのデータと取得された第２センサのデータとの相関係数が算出される。これにより、複数の第１センサのうち、第２センサのデータと、線形関係又は線形関係に近いにあるデータを測定する第１センサを選定することができる。

前述した態様において、複数の第１センサを備え、生成部は、複数の第１センサのうちの少なくとも１つから取得されたデータを入力データとする学習用データを生成し、マスタユニットは、取得された第２センサのデータと、学習用データを用いて学習モデルの機械学習を実行して生成される学習済モデルに入力データを入力して出力させた予測値とに基づいて、該学習済モデルの学習進捗の割合を表す学習進捗値を算出する選定部をさらに含んでもよい。

この態様によれば、取得された第２センサのデータと、学習用データを用いて学習モデルの機械学習を実行して生成される学習済モデルに入力データを入力して出力させた予測値とに基づいて、学習進捗値が算出される。これにより、学習進捗値に基づいて、複数の第１センサ３０ａから少なくとも１つを選定することで、当該第１センサのデータから生成される学習済モデルの予測値が第２センサのデータの値に近いものを選ぶことが可能となる。

本開示の他の態様に係るマスタユニットは、ワークを測定する第１センサと第１センサよりも長い周期でワークを測定する第２センサとを含むセンサシステムに用いられるマスタユニットであって、第１センサによって測定されたデータと第２センサによって測定されたデータとを取得する取得部と、学習モデルの機械学習に用いられ、取得された第１センサのデータを入力データとし、取得された第２センサのデータを入力データの性質を表すラベルデータとする学習用データを生成する生成部と、を備える。

この態様によれば、学習モデルの機械学習に用いられ、取得された第１センサのデータを入力データとし、取得された第２センサのデータを入力データの性質を表すラベルデータとする学習用データが生成される。これにより、当該学習用データを用いて生成される学習済モデルは、測定周期が第２センサよりも短い第１センサのデータを入力として値（予測値）を出力することが可能となる。従って、当該学習済モデルを用いることで、従来よりも早期にワークの異常又は異常予兆を検知することができる。

前述した態様において、生成部は、ワークの移動速度及び第１センサと第２センサとの間の距離から算出される時間差と、第１センサの測定周期と、第２センサの測定周期とに基づいて、入力データとラベルデータとを対応付け、学習用データを生成してもよい。

この態様によれば、時間差と第１センサの測定周期と第２センサの測定周期とに基づいて、入力データとラベルデータとを対応付け、学習用データが生成される。これにより、同一又は近似のワークに対して測定されたデータ同士を対応付けて学習用データが生成されるので、学習済モデルの予測精度を向上させることができる。

前述した態様において、学習用データを用いて学習モデルの機械学習を実行し、学習済モデルを生成する学習部をさらに備えてもよい。

この態様によれば、学習用データを用いて学習モデルの機械学習を実行し、学習済モデルが生成される。これにより、早期にワークの異常又は異常予兆を検知する学習済モデルを容易に生成することができる。

前述した態様において、取得された第１センサのデータを学習済モデルに入力し、該学習済モデルに予測値を出力させる予測部をさらに備えてもよい。

この態様によれば、取得した第１センサのデータを入力し、学習済モデルに予測値を出力させる。これにより、当該予測値によって早期にワークの異常又は異常予兆を予測することができる。

前述した態様において、センサシステムは複数の第１センサを含み、複数の第１センサのうちの１つについて、取得された該第１センサのデータと取得した第２センサのデータとの相関係数を算出する選定部をさらに備えてもよい。

この態様によれば、複数の第１センサのうちの１つについて、取得された第１センサのデータと取得された第２センサのデータとの相関係数が算出される。これにより、複数の第１センサのうち、第２センサのデータと、線形関係又は線形関係に近いにあるデータを測定する第１センサを選定することができる。

前述した態様において、センサシステムは複数の第１センサを含み、生成部は、複数の第１センサのうちの少なくとも１つから取得されたデータを入力データとする学習用データを生成し、取得された第２センサのデータと、学習用データを用いて学習モデルの機械学習を実行して生成される学習済モデルに入力データを入力して出力させた予測値とに基づいて、該学習済モデルの学習進捗の割合を表す学習進捗値を算出する選定部をさらに備えてもよい。

この態様によれば、取得された第２センサのデータと、学習用データを用いて学習モデルの機械学習を実行して生成される学習済モデルに入力データを入力して出力させた予測値とに基づいて、学習進捗値が算出される。これにより、学習進捗値に基づいて、複数の第１センサ３０ａから少なくとも１つを選定することで、当該第１センサのデータから生成される学習済モデルの予測値が第２センサのデータの値に近いものを選ぶことが可能となる。

本開示の他の態様に係る予測装置は、ワークの異常又は異常予兆を予測する予測装置であって、ワークを測定する第１センサによって測定されたデータを取得する取得部と、取得された第１センサのデータを学習済モデルに入力し、該学習済モデルに予測値を出力させる予測部と、を備え、学習済モデルは、第１センサのデータを入力データとし、第１センサよりも長い周期でワークを測定する第２センサのデータを、入力データの性質を表すラベルデータとして生成された学習用データを用い、学習モデルの機械学習を実行して生成されたものである。

この態様によれば、取得した第１センサのデータを学習済モデルに入力し、該学習済モデルに予測値を出力させる。ここで、学習済モデルは、第１センサのデータを入力データとし、第２センサのデータを入力データの性質を表すラベルデータとして生成された学習用データを用いて生成されたものなので、測定周期が第２センサよりも短い第１センサのデータを入力として予測値を出力することができる。従って、当該予測値によって早期にワークの異常又は異常予兆を予測することができる。

本開示の他の態様に係る予測方法は、ワークの異常又は異常予兆を予測する予測方法であって、ワークを測定する第１センサによって測定されたデータを取得するステップと、取得された前記第１センサのデータを学習済モデルに入力し、該学習済モデルに予測値を出力させるステップと、を含み、学習済モデルは、第１センサのデータを入力データとし、第１センサよりも長い周期で前記ワークを測定する第２センサのデータを、入力データの性質を表すラベルデータとして生成された学習用データを用い、学習モデルの機械学習を実行して生成されたものである。

この態様によれば、取得した第１センサのデータを学習済モデルに入力し、該学習済モデルに予測値を出力させる。ここで、学習済モデルは、第１センサのデータを入力データとし、第２センサのデータを入力データの性質を表すラベルデータとして生成された学習用データを用いて生成されたものなので、測定周期が第２センサよりも短い第１センサのデータを入力として予測値を出力することができる。従って、当該予測値によって早期にワークの異常又は異常予兆を予測することができる。

本発明によれば、早期にワークの異常又は異常予兆を検知することができる。

図１は、一実施形態に係る光学計測装置の概略構成を例示する構成図である。 図２は、一実施形態におけるマスタユニット及びスレーブユニットの物理的構成を例示する構成図である。 図３は、一実施形態におけるマスタユニットの機能ブロックの構成を例示する構成図である。 図４は、一実施形態におけるラインの第１例の概略構成を例示する構成図である。 図５は、一実施形態におけるマスタユニットの設定モード処理の概略動作を例示するフローチャートである。 図６は、一実施形態におけるマスタユニットの予測学習処理の概略動作を例示するフローチャートである。 図７は、生成部による入力データとラベルデータとの対応付けを説明ための概念図である。 図８は、一実施形態におけるマスタユニットの選定学習処理の概略動作を例示するフローチャートである。 図９は、一実施形態におけるマスタユニットの第１センサ選定モード処理の概略動作を例示するフローチャートである。 図１０は、一実施形態におけるマスタユニットの予測モード処理の概略動作を例示するフローチャートである。 図１１は、一実施形態におけるラインの第２例の概略構成を例示する構成図である。

以下に本発明の実施形態を説明する。以下の図面の記載において、同一または類似の部分には同一または類似の符号で表している。但し、図面は模式的なものである。従って、具体的な寸法等は以下の説明を照らし合わせて判断するべきものである。また、図面相互間においても互いの寸法の関係や比率が異なる部分が含まれていることは勿論である。さらに、本発明の技術的範囲は、当該実施形態に限定して解するべきではない。

まず、図１を参照しつつ、一実施形態に従うセンサシステムの構成について説明する。図１は、一実施形態におけるセンサシステム１の概略構成を例示する構成図である。

図１に示すように、センサシステム１は、例えば、マスタユニット１０、第１スレーブユニット２０ａ、第２スレーブユニット２０ｂ、第１センサ３０ａ、第２センサ３０ｂ、及びＰＬＣ４０を備える。なお、本実施形態のマスタユニット１０は、「予測装置」の一例にも相当する。

第１センサ３０ａ及び第２センサ３０ｂは、ラインＬに沿って配置される。ラインＬ上には、図１において左から右（紙面手前から奥）の方向に、ワークＷが搬送されている。第１センサ３０ａ及び第２センサ３０ｂは、ラインＬ上を搬送されるワークＷに関するデータ、例えば通過状況を示すデータを測定する。第１センサ３０ａ及び第２センサ３０ｂの測定周期は、互いに異なっており、第２センサ３０ｂは、第１センサ３０ａよりも長い周期でワークＷを測定する。すなわち、第１センサ３０ａは、第２センサ３０ｂよりも短い周期でワークＷを測定している。

なお、ラインＬは、図１に示した例に限定されるものではない。ラインＬは、ワークＷが移動するものであればよい。例えば、ラインＬは、ワークＷを搬送するための搬送ライン、ワークＷを製造するための製造ライン、ワークＷを生産するための生産ライン等、その種類を問わない。また、ワークＷは、最終製品である場合に限定されず、例えば、中間製品、半製品、部品、材料等であってもよい。

第１スレーブユニット２０ａは第１センサ３０ａに接続され、第２スレーブユニット２０ｂは第２センサ３０ｂに接続されている。また、マスタユニット１０は、第１スレーブユニット２０ａ及び第２スレーブユニット２０ｂと、ＰＬＣ４０とに接続されている。本明細書では、第１スレーブユニット２０ａ、第２スレーブユニット２０ｂを総称してスレーブユニット２０といい、第１センサ３０ａ、第２センサ３０ｂを総称してセンサ３０という。

なお、本実施形態では、センサシステム１が１つの第１センサ３０ａと、１つの第２センサ３０ｂと、２つのスレーブユニットを備える例を示したが、これに限定されるものではない。センサシステム１が備える第１センサの数、第２センサの数、スレーブユニットの数は任意であり、適宜変更してもよい。また、センサシステム１は、必ずしもＰＬＣ４０を備えていなくてもよい。

マスタユニット１０は、ＬＡＮ（Local Area Network）等の通信ネットワークを介してＰＬＣ４０に接続されている。スレーブユニット２０は、マスタユニット１０に物理的かつ電気的に接続される。本実施形態において、マスタユニット１０は、スレーブユニット２０から受信した情報を記憶部に記憶し、記憶された情報をＰＬＣ４０に送信する。従って、スレーブユニット２０により取得されたデータは、マスタユニット１０によって一元化されてＰＬＣ４０に伝送される。

具体的には、スレーブユニット２０からマスタユニット１０に、判定信号及び検出情報が伝送される。判定信号とは、例えば第２センサ３０ｂにより測定されたデータに基づき、第２スレーブユニット２０ｂによって判定された、ワークに関する判定結果を示す信号である。例えば、第２センサ３０ｂが光電センサである場合、判定信号は、第２センサ３０ｂにより測定された受光量と閾値とを、第２スレーブユニット２０ｂによって比較して得られるオン信号又はオフ信号である。検出情報は、例えば第１スレーブユニット２０ａの検出動作によって得られる検出値である。例えば、第１センサ３０ａが光電センサである場合、検出動作は、投光及び受光の動作であり、検出情報は、受光量である。

スレーブユニット２０は、マスタユニット１０の側面に取り付けられている。マスタユニット１０とスレーブユニット２０との通信には、パラレル通信又はシリアル通信が用いられる。すなわち、マスタユニット１０と、スレーブユニット２０とがシリアル伝送路及びパラレル伝送路で物理的に接続される。例えば、パラレル伝送路上でスレーブユニット２０からマスタユニット１０に判定信号が送信され、シリアル伝送路上で、スレーブユニット２０からマスタユニット１０に検出情報が送信されてもよい。なお、マスタユニット１０とスレーブユニット２０とは、シリアル伝送路及びパラレル伝送路のうちのいずれか一方で接続されていてもよい。

次に、図２を参照しつつ、一実施形態に従うマスタユニット及びスレーブユニットの物理的構成について説明する。図２は、一実施形態におけるマスタユニット１０及びスレーブユニット２０の物理的構成を例示する構成図である。

図２に示すように、マスタユニット１０は、ＰＬＣ４０との接続に用いられる入力／出力コネクタ１０１，１０２と、スレーブユニット２０との接続に用いられる接続コネクタ１０６と、図示しない電源入力コネクタとを備える。

また、マスタユニット１０は、ＭＰＵ（Micro Processing Unit）１１０、通信ＡＳＩＣ（Application Specific Integrated Circuit）１１２、パラレル通信回路１１６、シリアル通信回路１１８、Ｆｌａｓｈ ＲＯＭ１２０、表示装置１２２、及び図示しない電源回路を備える。

ＭＰＵ１１０は、マスタユニット１０における全ての処理を統括して実行するように動作する。通信ＡＳＩＣ１１２は、ＰＬＣ４０との通信を管理する。パラレル通信回路１１６は、マスタユニット１０とスレーブユニット２０との間でのパラレル通信に用いられる。同様に、シリアル通信回路１１８は、マスタユニット１０とスレーブユニット２０との間でのシリアル通信に用いられる。Ｆｌａｓｈ ＲＯＭ１２０は、不揮発メモリであり、学習モデルを記憶する。例えば、学習モデルがニューラルネットワークの場合、Ｆｌａｓｈ ＲＯＭ１２０は、ニューラルネットワークの重みパラメータやネットワーク構造を記憶してよい。また、学習モデルが回帰モデルであったり、決定木であったりする場合、Ｆｌａｓｈ ＲＯＭ１２０は、回帰パラメータや決定木のハイパーパラメータを記憶してよい。表示装置１２２は、有機ＥＬ（Ｅｌｅｃｔｒｏ Ｌｕｍｉｎｅｓｃｅｎｃｅ）等のディスプレイであり、文字情報や状態を表示する。

スレーブユニット２０は、両側壁部分に、マスタユニット１０又は他のスレーブユニット２０との接続コネクタ３０４，３０６が設けられている。スレーブユニット２０は、マスタユニット１０に対して一列に複数接続することが可能である。複数のスレーブユニット２０からの信号は、隣り合うスレーブユニット２０に伝送され、マスタユニット１０に伝送される。

スレーブユニット２０の両側面には、赤外線による光通信用の窓が設けられ、接続コネクタ３０４，３０６を利用して複数のスレーブユニット２０を一つずつ連結して一列に配置すると、互いに対向する光通信用の窓により、隣り合うスレーブユニット２０間で赤外線を利用した双方向光通信が可能となる。

スレーブユニット２０は、ＣＰＵ（Central Processing Unit）４００によって実現される各種の処理機能と、専用の回路によって実現される各種の処理機能とを備える。

ＣＰＵ４００は、投光制御部４０３を制御し、発光素子（ＬＥＤ）４０１から赤外線を放出させる。受光素子（ＰＤ）４０２が受光することによって生じた信号は、増幅回路４０４を介して増幅された後、Ａ／Ｄコンバータ４０５を介してデジタル信号に変換されて、ＣＰＵ４００に取り込まれる。ＣＰＵ４００では、受光データ、すなわち受光量をそのまま検出情報としてマスタユニット１０に向けて送信する。また、ＣＰＵ４００では、受光量が予め設定された閾値よりも大きいか否かを判定することによって得られるオン信号又はオフ信号を、判定信号としてマスタユニット１０に向けて送信する。

さらにＣＰＵ４００は、左右の投光回路４１１，４１３を制御することにより、左右の通信用発光素子（ＬＥＤ）４０７，４０９から隣接するスレーブユニット２０に対して赤外線を放出する。隣接する左右のスレーブユニット２０から到来する赤外線は左右の受光素子（ＰＤ）４０６，４０８で受光された後、受光回路４１０，４１２を介しＣＰＵ４００へと到来する。ＣＰＵ４００では、所定のプロトコルに基づいて、送受信信号を制御することにより、左右の隣接するスレーブユニット２０との間で光通信を行なう。

受光素子４０６、通信用発光素子４０９、受光回路４１０、投光回路４１３は、スレーブユニット２０間の相互干渉を防止するための同期信号を送受信するために利用される。具体的には、各スレーブユニット２０において、受光回路４１０と投光回路４１３とは直接結線される。この構成により、受信した同期信号が、ＣＰＵ４００による遅延処理が施されずに速やかに投光回路４１３を経て通信用発光素子４０９から隣接する別のスレーブユニット２０に送信される。

ＣＰＵ４００は、さらに、表示器４１４を点灯制御する。また、ＣＰＵ４００は、設定スイッチ４１５からの信号を処理する。ＣＰＵ４００の動作に必要な各種のデータは、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）４１６等の記録媒体に記憶される。リセット部４１７から得られた信号は、ＣＰＵ４００へと送られ、計測制御のリセットが行われる。発振器（ＯＳＣ）４１８からＣＰＵ４００には、基準クロックが入力される。

出力回路４１９は、受光量を閾値と比較して得られた判定信号の送信処理を行なう。前述したように、本実施の形態において、判定信号はパラレル通信によってマスタユニット１０に向けて送信される。

パラレル通信用の伝送路は、マスタユニット１０と各スレーブユニット２０とが個別に接続された伝送路である。すなわち、複数のスレーブユニット２０は、それぞれ、別々のパラレル通信線によって、マスタユニット１０に接続される。ただし、マスタユニット１０に隣接するスレーブユニット２０以外のスレーブユニット２０と、マスタユニット１０とを接続するパラレル通信線は、他のスレーブユニット２０を通過し得る。

シリアル通信ドライバ４２０は、マスタユニット１０から送信されたコマンド等の受信処理、検出情報（受光量）の送信処理を行なう。本実施形態においては、シリアル通信にＲＳ−４２２プロトコルが用いられる。シリアル通信にＲＳ−４８５プロトコルを利用してもよい。

シリアル通信用の伝送路は、マスタユニット１０及び全てのスレーブユニット２０が接続された伝送路である。すなわち、全てのスレーブユニット２０は、マスタユニット１０に対して、シリアル通信線によってバス形式で信号伝達可能に接続される。

次に、図３を参照しつつ、一実施形態に従うマスタユニットの機能ブロックの構成について説明する。図３は、一実施形態におけるマスタユニット１０の機能ブロックの構成を例示する構成図である。

図３に示すように、マスタユニット１０は、機能ブロックとして、取得部１１、生成部１２、記憶部１３、学習部１４、選定部１５、予測部１６、通信部１７、及び表示部１８を備える。

取得部１１は、スレーブユニット２０を介して、第１センサ３０ａによって測定されたデータと第２センサ３０ｂによって測定されたデータとを取得するように構成されている。具体的には、取得部１１は、シリアル伝送路によってスレーブユニット２０から複数のセンサ３０により測定された検出情報を取得する。

生成部１２は、学習モデルの機械学習に用いられる学習用データ１３ａを生成するように構成されている。学習用データ１３ａは、学習モデルの教師有り学習に用いられるデータであり、入力データ及びラベルデータを含む。ここで、入力データとは、学習モデルの機械学習の際に、学習モデルに入力するデータである。入力データは、数値データであってよいが、その他の形式のデータであってもよい。ラベルデータは、入力データの性質を表す。入力データの性質とは、入力データから予測される性質であり、例えば、ラインＬを搬送されるワークＷの異常又は異常予兆の有無であったり、ワークＷの種類であったり、ワークＷの寸法であったり、ワークＷの位置ズレであったりしてよい。ラベルデータは、学習モデルの機械学習の際に、学習モデルが出力すべきデータであり、学習の目標とされるデータである。ラベルデータは、数値データであってよいが、その他の形式のデータであってもよい。

より詳細には、生成部１２は、取得された第１センサ３０ａのデータを学習モデルの入力データとして設定し、取得された第２センサ３０ｂのデータを学習モデルの教師有り学習で用いるラベルデータとして設定し、入力データ及びラベルデータを含む学習用データ１３ａを生成するように構成されている。このように、取得された第１センサ３０ａのデータを入力データとし、取得された第２センサ３０ｂのデータをラベルデータとする学習用データ１３ａを生成することにより、当該学習用データ１３ａを用いて生成される学習済モデルは、測定周期が相対的に短い第１センサ３０ａのデータを入力として値（予測値）を出力することが可能となる。従って、当該学習済モデルを用いることで、従来よりも早期にワークＷの異常又は異常予兆を検知することができる。

記憶部１３は、生成部１２によって生成された学習用データ１３ａと、学習済モデル１３ｂとを記憶する。

学習部１４は、学習用データ１３ａを用いて学習モデルの機械学習を実行し、学習済モデル１３ｂを生成するように構成されている。例えば、学習モデルがニューラルネットワークの場合、学習部１４は、学習用データ１３ａの入力データをニューラルネットワークに入力し、その出力とラベルデータとの差に基づいて、誤差逆伝播法によりニューラルネットワークの重みを更新してよい。なお、学習モデルは、ニューラルネットワークに限られず、回帰モデルであったり、決定木であったりしてよい。学習部１４は、任意のアルゴリズムによって学習モデルの機械学習を実行してよい。このように、学習用データ１３ａを用いて学習モデルの機械学習を実行し、学習済モデル１３ｂを生成することにより、早期にワークＷの異常又は異常予兆を検知する学習済モデル１３ｂを容易に生成することができる。

選定部１５は、複数の第１センサ３０ａから１つ又は複数の第１センサ３０ａを選定するためのものである。ここで、ラインＬに複数の第１センサ３０ａが設置される場合、学習済モデルの予測精度を向上させるために、入力データとすべきデータを限定したい状況が存在する。そのため、選定部１５は、第１センサ３０ａのデータを選定する際に指標となる値を算出し、当該値に基づいて１つ又は複数の第１センサ３０ａを選定したり、当該値を利用者（ユーザ）に通知し、１つ又は複数の第１センサ３０ａを選定させたりする。

より詳細には、選定部１５は、複数の第１センサ３０ａのうちの１つについて、取得された当該第１センサ３０ａのデータと取得された第２センサ３０ｂのデータとの相関係数を算出するように構成されている。一般に、２つのセンサ３０が測定するデータ間には、相関関係が存在する。よって、第１センサ３０ａのデータと第２センサ３０ｂとの間の相関係数において、絶対値が所定値以上である場合、当該第１センサ３０ａのデータを入力データとしてよい。また、各第１センサ３０ａのデータと第２センサ３０ｂとの相関係数のうち、その絶対値が最大となる第１センサ３０ａのデータを、入力データとしてもよい。このように、取得された第１センサ３０ａのデータと取得された第２センサ３０ｂのデータとの相関係数を算出することにより、複数の第１センサ３０ａのうち、第２センサ３０ｂのデータと、線形関係又は線形関係に近いにあるデータを測定する第１センサ３０ａを選定することができる。

また、選定部１５は、取得した第２センサ３０ｂのデータと、学習用データ１３ａを用いて学習モデルの機械学習を実行して生成される学習済モデル１３ｂに入力データを入力して出力させた予測値とに基づいて、学習進捗値を算出するように構成されている。ここで、選定部１５が学習進捗値を算出するために使用する学習用データ１３ａは、複数の第１センサ３０ａのうちの少なくとも１つから取得されたデータを入力データとするものであり、生成部１２によって生成される。選定部１５は、この学習用データ１３ａを用いて学習済モデル１３ｂを生成し、生成した学習済モデル１３ｂに、前述した入力データを入力して出力させた予測値に基づいて、当該学習済モデル１３ｂの学習進捗の割合を表す学習進捗値を算出する。なお、学習進捗値の詳細については、後述する。

予測部１６は、取得された第１センサ３０ａのデータを学習済モデル１３ｂに入力し、当該学習済モデル１３ｂに予測値を出力させるように構成されている。なお、予測部１６は、学習済モデル１３ｂの出力をそのまま予測値として用いる場合に限定されるものではない。予測部１６は、例えば、学習済モデル１３ｂの出力に、任意の後処理を行って予測値としてもよい。このように、第１センサ３０ａのデータを入力して学習済モデル１３ｂに予測値を出力させることにより、当該予測値によって早期にワークＷの異常又は異常予兆を予測することができる。

通信部１７は、ＰＬＣ４０との通信を行うインターフェースである。通信部１７は、ＰＬＣ４０以外の外部機器との通信を行うものであってもよい。

表示部１８は、文字情報や状態を表示してユーザに通知するためのものである。表示部１８の表示対象は、例えば、予測値、学習進捗率等の数値データとその意味づけ、判定結果、予測可能通知、現在のモード等の状態、他、マスタユニット１０の設定値等である。

本実施形態では、マスタユニット１０が図３に示す機能ブロックを備える例を説明したが、これに限定されるものでない。例えば、マスタユニット１０がワークＷの異常又は異常予兆を予測する予測装置としての役割を果たす場合、当該マスタユニット１０は、第１センサ３０ａによって測定されたデータを取得する取得部１１と、取得された第１センサ３０ａのデータを学習済モデル１３ｂに入力し、該学習済モデル１３ｂに予測値を出力させる予測部１６とを備える。これにより、取得した第１センサ３０ａのデータを学習済モデル１３ｂに入力し、該学習済モデル１３ｂに予測値を出力させる。ここで、学習済モデル１３ｂは、第１センサ３０ａのデータを入力データとし、第２センサ３０ｂのデータを入力データの性質を表すラベルデータとして生成された学習用データ１３ａを用いて生成されたものなので、測定周期が第２センサ３０ｂよりも短い第１センサ３０ａのデータを入力として予測値を出力することができる。従って、当該予測値によって早期にワークＷの異常又は異常予兆を予測することができる。

なお、マスタユニット１０がワークＷの異常又は異常予兆を予測する予測装置である場合、予測部１６が用いる学習済モデル１３ｂ、及び、当該学習済モデル１３ｂの生成に用いる学習用データ１３ａは、外部機器等の他の装置によって生成されたものであってもよい。また、当該センサユニット１０は、学習済モデル１３ｂを記憶する記憶部１３を備える必要はなく、例えば、学習済モデル１３ｂは外部機器等の他の装置に記憶されており、予測部１６は、取得された第１センサ３０ａのデータを通信部１７を介して当該他の装置に送信し、当該他の装置から通信部１７を介して予測値を受信してもよい。

次に、図４を参照しつつ、一実施形態に従う第１センサ及び第２センサが設置されるラインの第１例について説明する。図４は、一実施形態におけるラインＬの第１例の概略構成を例示する構成図である。

図４に示すように、第１センサ３０ａ及び第２センサ３０ｂが設置されるラインＬ１０は、例えば材料ＭＡを加熱しながら制御された速度で押し出し、ワークＷ１０を成型するためのものである。ラインＬ１０は、ホッパーＬ１１、加熱シリンダＬ１２、ダイＬ１５、冷却装置Ｌ１６、引取装置Ｌ１７、及び切断装置Ｌ１８を備える。

ホッパーＬ１１は、ワークＷ１０の材料ＭＡを収容する容器である。排出口から加熱シリンダＬ１２の内部に材料ＭＡを供給する。材料ＭＡは、例えば樹脂である。加熱シリンダＬ１２は、スクリューＬ１３及びヒータＬ１４を含む。加熱シリンダＬ１２は、ヒータ１４の熱が材料ＭＡに均一に加わるように、内部に供給された材料ＭＡをスクリューＬ１３によって攪拌しながら押し出す。なお、スクリューＬ１３の押出速度及びヒータＬ１４の温度は、一定であってもよいし、可変であってもよい。

加熱シリンダＬ１２から押し出された材料ＭＡは、ダイＬ１５を介して所定の厚さ（太さ）のワークＷ１０として排出される。このワークＷ１０は、次に冷却装置Ｌ１６に供給される。冷却装置Ｌ１６は、ワークＷ１０からヒータ１４による熱を奪い、ワークＷ１０を所定の温度に冷却する。なお、冷却装置Ｌ１６は、ワークＷ１０を冷却するための式を問わず、例えば空冷式であってもよいし、水冷式であってもよい。

冷却装置Ｌ１６から排出されたワークＷ１０は、引取装置Ｌ１７に供給され、次いで切断装置Ｌ１８に供給される。切断装置Ｌ１８は、制御されたタイミングでワークＷ１０を切断する。これにより、所定の厚さ（太さ）で所定の長さのワークＷ１０が成型される。

このようなラインＬ１０において、例えば、第１センサ３０ａはダイＬ１５と冷却装置Ｌ１６との間の位置に配置され、第２センサ３０ｂは引取装置Ｌ１７と切断装置Ｌ１８との間の位置に配置されている。

ラインＬ１０における第１センサ３０ａは、例えば透過型の光電センサであり、投光器及び受光器がワークＷ１０を挟んで対向する位置に設置される。投光器から放射された光は、ワークＷ１０の厚さ（太さ）に応じて遮断され、遮断されなかった光は受光器によってその光量が測定される。第１センサ３０ａは、測定された受光量をワークＷ１０の受光量データとして出力する。第１センサ３０ａは、相対的に短い周期で受光量を測定可能であり、例えば１０［μｓ］ごとにワークＷ１０の受光量データを出力する。

ラインＬ１０における第２センサ３０ｂは、例えばレーザ式の測長センサであり、投光器及び受光器がワークＷ１０を挟んで対向する位置に設置される。投光器から放射されたレーザ光は、ワークＷ１０の厚さ（太さ）に応じて遮断され、遮断されずに受光器に入射したレーザ光に基づいてワークＷ１０の厚さ（太さ）が測定される。第２センサ３０ｂは、ワークＷ１０の厚さ（太さ）データを出力する。第２センサ３０ｂが出力する厚さ（太さ）データの分解能は、例えば１０［μｍ］である。第２センサ３０ｂは、相対的に長い周期でワークＷ１０の厚さ（太さ）を測定可能であり、例えば５００［μｓ］ごとにワークＷ１０の厚さ（太さ）データを出力する。

第１センサ３０ａは、ワークＷ１０が移動するラインＬ１０において、第２センサ３０ｂに対して上流側（図４における左側）に、配置されている。これにより、第２センサ３０ｂに対して下流側（図４における右側）に配置される場合と比較して、生成される学習済モデル１３ｂは、ラインＬ１０における相対的に早い段階のワークＷ１０に対して測定したデータが入力データとなるので、早期にワークＷ１０の異常又は異常予兆を予測することができる。

次に、図５から図１０を参照しつつ、一実施形態に従うマスタユニットの動作の一例について説明する。図５は、一実施形態におけるマスタユニット１０の設定モード処理Ｓ２００の概略動作を例示するフローチャートである。図６は、一実施形態におけるマスタユニット１０の予測学習処理Ｓ２２０の概略動作を例示するフローチャートである。図７は、生成部１２による入力データとラベルデータとの対応付けを説明ための概念図である。
図８は、一実施形態におけるマスタユニット１０の選定学習処理Ｓ２４０の概略動作を例示するフローチャートである。図９は、一実施形態におけるマスタユニット１０の第１センサ選定モード処理Ｓ２６０の概略動作を例示するフローチャートである。図１０は、一実施形態におけるマスタユニット１０の予測モード処理Ｓ２８０の概略動作を例示するフローチャートである。

マスタユニット１０は、複数のモードを備えており、例えば、各モードを実行するために必要な設定を行う設定モードと、学習済モデルを生成する学習モードと、学習済モデルを用いて予測を行う予測モードと、を備える。ラインＬに複数の第１センサ３０ａが設置される場合、マスタユニット１０は、さらに第１センサ選定モードを備えてもよい。利用者（ユーザ）は、操作により、マスタユニット１０が備えるモードを選択することができる。

マスタユニット１０は、例えば、利用者（ユーザ）の操作によってモードが変更されると、図５に示す設定モード処理Ｓ２００を実行する。なお、以下において、特に明記する場合を除き、第１センサ３０ａ及び第２センサ３０ｂは、図４に示したラインＬ１０に設置される例を用いて説明する。

＜設定モード処理＞
図５に示すように、最初に、マスタユニット１０は、利用者（ユーザ）の操作により入力された各種の設定値に、現在の値から変更が有るか否かを判定する（Ｓ２０１）。各種の設定値とは、例えば、第１センサ３０ａのための設定値、第２センサ３０ｂのための設定値、及び、マスタユニット１０が使用するための、後述する、センサ間の時間差Δｔ、判定値、上限しきい値、下限しきい値、並びに、学習済モデルの生成の際に追加学習を行うか否かの設定等である。

ステップＳ２０１の判定の結果、各種の設定値のいずれかに、現在の値から変更が有る場合、マスタユニット１０は、当該設定値の変更後の内容を反映させる（Ｓ２０２）。ステップＳ２０２の後、マスタユニット１０は、学習条件に変更が有るか否かを判定する（Ｓ２０３）。例えば、第１センサ３０ａ及び第２センサ３０ｂの少なくとも一方が複数設置されており、設定によってある第１センサ３０ａから別の第１センサ３０ａへ変更した場合、及び／又は、ある第２センサ３０ｂから別の第２センサ３０ｂへ変更した場合、学習条件に変更が有ると判定される。

ステップＳ２０３の判定の結果、学習条件に変更が有る場合、マスタユニット１０は、記憶部１３に記憶された学習済モデル１３ｂを消去する（Ｓ２０４）。なお、マスタユニット１０は、学習済モデル１３ｂを消去するとともに、又は、消去することに代えて、記憶部１３に記憶された学習済モデル１３ｂを外部の機器、例えばＰＬＣ４０に送信したり、他の記憶装置に書き出し、一時的に退避させたりしてもよい。

ステップＳ２０１の判定の結果、設定値に変更がない場合、ステップＳ２０３の判定の結果、学習条件に変更がない場合、又は、ステップＳ２０４の後、マスタユニット１０は、現在のモードが学習モードであるか否かを判定する（Ｓ２０５）。

ステップＳ２０５の判定の結果、現在のモードが学習モードである場合、マスタユニット１０は、後述する予測学習処理Ｓ２２０及び選定学習処理Ｓ２４０を行う。マスタユニット１０は、予測学習処理Ｓ２２０及び選定学習処理Ｓ２４０の後、設定モード処理Ｓ２００を終了する。

なお、選定学習処理Ｓ２４０の実行は、予測学習処理Ｓ２２０の後である場合に限定されるものではない。選定学習処理Ｓ２４０は、予測学習処理Ｓ２２０の前に行われてもよいし、予測学習処理Ｓ２２０と並行して行われてもよい。また、第１センサ３０ａが１つのみである場合、あるいは、第１センサ３０ａが複数であって、当該複数の第１センサ３０ａのデータを全て使用する場合、マスタユニット１０は、選定学習処理Ｓ２４０を行わなくてもよい。

一方、ステップＳ２０５の判定の結果、現在のモードが学習モードでない場合、マスタユニット１０は、現在のモードが第１センサ選定モードであるか否かを判定する（Ｓ２０６）。

ステップＳ２０６の判定の結果、現在のモードが第１センサ選定モードである場合、マスタユニット１０は、後述する第１センサ選定モード処理Ｓ２６０を行う。マスタユニット１０は、第１センサ選定モード処理Ｓ２６０の後、設定モード処理Ｓ２００を終了する。

なお、第１センサ３０ａが複数であって、当該複数の第１センサ３０ａのうちの少なくとも１つを選定する必要がある場合、マスタユニット１０は、選定学習処理Ｓ２４０及び第１センサ選定モード処理Ｓ２６０の少なくとも一方を行ってもよい。また、ユーザの操作により、複数の第１センサ３０ａの中から任意の第１センサ３０ａを選択してもよい。この場合、ユーザによって従前の第１センサ３０ａとは異なる第１センサ３０ａが選択されると、ステップＳ２０３の判定において、マスタユニット１０は、学習条件に変更が有ると判定する。

一方、ステップＳ２０６の判定の結果、現在のモードが第１センサ選定モードでない場合、マスタユニット１０は、現在のモードが予測モードであるか否かを判定する（Ｓ２０７）。

ステップＳ２０７の判定の結果、現在のモードが予測モードである場合、マスタユニット１０は、記憶部１３を参照して学習済モデル１３ｂが有るか否かを判定する（Ｓ２０８）。

ステップＳ２０８の判定の結果、学習済モデル１３ｂが有る場合、マスタユニット１０は、後述する予測モード処理Ｓ２８０を行う。マスタユニット１０は、予測モード処理Ｓ２８０の後、設定モード処理Ｓ２００を終了する。

一方、ステップＳ２０８の判定の結果、学習済モデル１３ｂがない場合、マスタユニット１０は、通信部１７を介してＰＬＣ４０又は外部機器にエラー信号を送信するとともに、表示部１８にエラー表示し、ユーザ（利用者）にエラーを通知する（Ｓ２０９）。マスタユニット１０は、ステップＳ２０９の後、設定モード処理Ｓ２００を終了する。

＜予測学習処理＞
予測学習処理Ｓ２２０が開始されると、図６に示すように、取得部１１は、スレーブユニット２０を介してセンサ３０からデータを取得する（Ｓ２２１）。

次に、生成部１２は、取得されたデータのうちのいずれかが更新されたか否かを判定する（Ｓ２２２）。

ステップＳ２２２の判定の結果、取得されたデータのうちのいずれかが更新された場合、生成部１２は、学習用データ１３ａを生成する（Ｓ２２３）。生成された学習用データ１３ａは、記憶部１３に記憶される。次に、学習部１４は、学習用データ１３ａを用いて学習モデルの機械学習を実行し、学習済モデル１３ｂを生成する（Ｓ２２４）。生成された学習済モデル１３ｂは、入力データが入力されると予測値を出力するようになっている。学習済モデルが既に存在する場合、学習部１４は、学習用データ１３ａを用いて追加学習を行い、更新された学習済モデル１３ｂを生成する。

なお、生成される学習済モデル１３ｂは、１回の入力データを用いて１回の予測値を出力する場合に限定されるものではない。例えば、学習済モデル１３ｂは、タイミングの異なる複数回の入力データを用いて予測値を出力するものであってもよい。この場合であっても、測定周期が十分に短い場合には、早期に予測を早くするという効果は維持される。

一方、ステップＳ２２２の判定の結果、取得されたデータのうちのいずれも更新されていない場合、マスタユニット１０は、取得されたデータのうちのいずれかが更新されるまで、ステップＳ２２１及びステップＳ２２２を繰り返す。

ステップＳ２２４の後、予測部１６は、取得された第１センサ３０ａのデータを入力データとして学習済モデル１３ｂに入力し、予測値を出力させる（Ｓ２２５）。次に、学習部１４は、出力された予測値に基づいて、学習済モデル１３ｂの学習進捗値を算出する（Ｓ２２６）。学習進捗値は、学習モデルの機械学習における進捗状態を示す指標であって、例えば、学習済モデル１３ｂの学習進捗の割合（％）を表すものである。学習進捗値は、第２センサ３０ｂのデータである測定値Ａと学習済モデル１３ｂの予測値Ａ’とを用いて以下の式（１）のように表される。
学習進捗値＝１００−｜Ａ−Ａ’｜／Ａ×１００ …（１）

学習進捗値の表し方は、式（１）に限定されるものではない。例えば、学習進捗値は、｜Ａ−Ａ’｜のように測定値と予測値の差の絶対値であってもよい。この場合、学習進捗値は、値が小さいほど進捗が良い、つまり、予測が正しく行われていることを示す。

次に、学習部１４は、算出された学習進捗値と所定の判定値とを比較し、学習進捗値が判定値より大きいか否かを判定する（Ｓ２２７）。

ステップＳ２２７の判定の結果、学習進捗値が判定値より大きい場合、学習部１４は、通信部１７を介してＰＬＣ４０又は外部機器に信号を送信するとともに、表示部１８にその旨を表示し、ユーザ（利用者）に予測モードによる予測が可能である旨を通知する（Ｓ２２８）。この際、学習部１４は、予測可能である旨とともに、学習進捗値を通知してもよい。これにより、ユーザ（利用者）は、ワークＷ１０の状態を予測可能な学習済モデル１３ｂが生成されたことを知ることができる。

一方、ステップＳ２２７の判定の結果、学習進捗値が判定値以下である場合、又は、ステップＳ２２８の後、学習部１４は、利用者（ユーザ）の操作に基づいて、学習を完了させるか否かを判定する（Ｓ２２９）。

ステップＳ２２９の判定の結果、学習を完了させる場合、学習部１４は、ステップＳ２２４で生成した学習済モデルを記憶部１３に記憶させて保存し（Ｓ２３０）、予測学習処理Ｓ２２０を終了する。

一方、ステップＳ２２９の判定の結果、学習を完了させない場合、マスタユニット１０は、学習を完了させるまで、ステップＳ２２１からステップＳ２２９までを繰り返す。

ステップＳ２２３において学習用データ１３ａを生成する際、入力データとラベルデータとの組合せは、様々な態様が考え得られる。ここで、図７に示すように、第１センサ３０ａの測定周期は１００［μｓ］、第２センサ３０ｂの測定周期は５００［μｓ］、第１センサ３０ａと第２センサ３０ｂとは距離ｄだけ離れており、ワークＷ１０は速度ｖで移動している場合を考える。第２センサ３０ｂの測定周期は、第１センサ３０ａの測定周期の５倍であり、第２センサ３０ｂは、データａｋを測定してから次のデータａｋ＋１を測定するまでの間、データａｋを出力し続ける（図７において括弧で示す）。

なお、距離ｄは、第１センサ３０ａの設置位置と第２センサ３０ｂの設置位置との距離である場合に限定されるものではない。例えば、ワークＷ１０がＸ軸方向に移動し、第１センサ３０ａの光軸がＹ軸に平行であり、第２センサ３０ｂの光軸がＺ軸に平行である場合を想定すると、各センサ３０の設置位置の距離ではなく、ワークＷ１０上での測定ポイントの距離に意味がある。この場合、距離ｄは、第１センサ３０ａの測定ポイントと第２センサ３０ｂの測定ポイントとの距離となる。

例えば、時間差Δｔ（＝距離ｄ／速度ｖ）が７００［μｓ］のとき、生成部１２は、第２センサ３０ｂのデータａｋをラベルデータとし、第１センサ３０ａのデータｂｋ−７を入力データとして対応付ける。同様に、生成部１２は、第２センサ３０ｂのデータａｋ＋１をラベルデータとし、第１センサ３０ａのデータｂｋ−２を入力データとして対応付ける。このように、時間差Δｔと第１センサ３０ａの測定周期と第２センサ３０ｂの測定周期とに基づいて、入力データとラベルデータとを対応付け、学習用データ１３ａを生成することにより、同一又は近似のワークＷ１０に対して測定されたデータ同士を対応付けて学習用データ１３ａが生成されるので、学習済モデル１３ｂの予測精度を向上させることができる。

なお、速度ｖは、あらかじめ設定させた値を用いてもよいし、装置の送り機構、例えばモータ等に取り付けたロータリエンコーダによって取得してもよい。特に、速度ｖが一定でない場合に、生成部１２は、入力データとラベルデータとを精度良く対応付けることができる。

図７に示す例では、生成部１２は、第２センサ３０ｂのデータが更新されたときに、これをラベルデータとし、時間差Δｔと第２センサ３０ｂの測定周期と第２センサ３０ｂの測定周期とに基づいて、対応する第１センサ３０ａのデータを入力データとして対応付け、学習用データ１３ａを生成する例を示したが、これに限定されるものではない。例えば、生成部１２は、第１センサ３０ａのデータが更新されたときに、これを入力データとし、時間差Δｔと第１センサ３０ａの測定周期と第２センサ３０ｂの測定周期とに基づいて、対応する第２センサ３０ｂのデータをラベルデータとして対応付け、学習用データ１３ａを生成してもよい。

第１センサ３０ａ及び第２センサ３０ｂの少なくとも一方は、測定周期が一定でなくてもよい。この場合、センサ３０の測定時刻、つまり、タイムスタンプを測定結果と紐付けて記録しておき、生成部１２は、時間差Δｔを考慮して第１センサ３０ａと第２センサ３０ｂの計測時刻を照合することにより、入力データとラベルデータとを対応付けることが可能となる。

以下において、複数の第１センサ３０ａについて言及する場合、ラインＬ１０の同じ又は略同一の位置にｎ台（ｎは２以上の整数）の第１センサ３０ａを設置する例を用いて説明する。

＜選定学習処理＞
選定学習処理Ｓ２４０が開始されると、図８に示すように、取得部１１は、スレーブユニット２０を介してセンサ３０からデータを取得する（Ｓ２４１）。次に、選定部１５は、添字ｉに“１”を設定する（Ｓ２４２）。なお、添字ｉは、ｎ台の第１センサ３０ａの番号を表ものであり、“１”から“ｎ”までの整数の値をとる。

次に、生成部１２は、取得したデータのうち、第２センサ３０ｂのデータが更新されたか否かを判定する（Ｓ２４３）。

ステップＳ２４３の判定の結果、第２センサ３０ｂのデータが更新された場合、生成部１２は、学習用データを生成する（Ｓ２４４）。生成された学習用データは、記憶部１３に記憶される。次に、選定部１５は、学習用データ１３ａを用いた機械学習により、ｉ番目の第１センサ３０ａの学習済モデルを生成する（Ｓ２４５）。このように、学習済モデルは、各第１センサ３０ａに対して生成される。生成された学習済モデルは、ｉ番目の第１センサ３０ａのデータが入力データとして入力されると予測値を出力するようになっている。ｉ番目の第１センサ３０ａの学習済モデルが既に存在する場合、選定部１５は、学習用データ１３ａを用いて追加学習を行い、更新された学習済モデルを生成する。

一方、ステップＳ２４３の判定の結果、第２センサ３０ｂのデータが更新されていない場合、マスタユニット１０は、第２センサ３０ｂのデータ更新されるまで、ステップＳ２４１からステップＳ２４３までを繰り返す。

ステップＳ２４５の後、選定部１５は、ｉ番目の第１センサ３０ａから取得したデータを入力データとして、ｉ番目の第１センサ３０ａの学習済モデルに入力し、予測値を出力させる（Ｓ２４６）。次に、選定部１５は、出力された予測値に基づいて、ｉ番目の第１センサ３０ａの学習済モデルの学習進捗値を算出する（Ｓ２４７）。学習進捗値は、前述したものと同様であり、式（１）を用いて算出することができる。このように、取得した第２センサ３０ｂのデータと、ｉ番目の第１センサ３０ａの学習済モデルにｉ番目の第１センサ３０ａから取得したデータを入力して出力させた予測値とに基づいて、学習進捗値を算出することにより、学習進捗値に基づいて、複数の第１センサ３０ａから少なくとも１つを選定することで、当該第１センサ３０ａのデータから生成される学習済モデルの予測値が第２センサ３０ｂのデータの値に近いものを選ぶことが可能となる。

次に、選定部１５は、添字ｉの値が第１センサ３０ａの台数ｎに等しいか否かを判定する（Ｓ２４８）。

ステップＳ２４８の判定の結果、添字ｉの値が第１センサ３０ａの台数ｎに等しい場合、選定部１５は、通信部１７を介して、ＰＬＣ４０又は外部機器に信号を送信し、ユーザ（利用者）に全ての第１センサ３０ａにおける学習済モデルの学習進捗値を通知する（Ｓ２４９）。これにより、ユーザ（利用者）は、各第１センサ３０ａの学習済モデルの学習進捗値を知ることができる。

一方、ステップＳ２４９の判定の結果、添字ｉの値が第１センサ３０ａの台数ｎに等しくない場合、選定部１５は、添字ｉに“１”を加算する（Ｓ２５０）。そして、マスタユニット１０は、添字ｉの値が第１センサ３０ａの台数ｎに等しくなるまで、ステップＳ２４４からステップＳ２４８、及びステップＳ２５０を繰り返す。

ステップＳ２４９の後、選定部１５は、利用者（ユーザ）の操作に基づいて、学習を完了させるか否かを判定する（Ｓ２５１）。

ステップＳ２５１の判定の結果、学習を完了させる場合、選定部１５は、利用者（ユーザ）の操作に基づいて、複数の中から少なくとも１つの第１センサ３０ａを選定する（Ｓ２５２）。この場合、全ての第１センサ３０ａのうち、学習済モデルの学習進捗値が最大となるものを利用者（ユーザ）に通知して選択させたり、学習済モデルの学習進捗値が所定値、例えば８０［％］以上であるものを利用者（ユーザ）に通知して選択させたりしてよい。

次に、選定部１５は、選定された第１センサ３０ａの学習済モデルを記憶部１３に記憶させて保存し（Ｓ２５３）、選定学習処理Ｓ２４０を終了する。なお、選定されなかった第１センサ３０ａの学習済モデルは、記憶部１３に記憶させてもよいし、消去してもよいし、他の記憶装置に退避させてもよい。

一方、ステップＳ２５１の判定の結果、学習を完了させない場合、マスタユニット１０は、学習を完了させるまで、ステップＳ２４１からステップＳ２５１までを繰り返す。

図８に示す例では、選定部１５は、各第１センサ３０ａについて、学習済モデルを生成して学習進捗値を算出する例を示したが、これに限定されるものではない。例えば、選定部１５は、ｎ台の第１センサ３０ａのうちの任意のｍ台（ｍは２以上、かつ、ｎより小さい整数）をグループとし、グループごとに学習済モデルを生成し、該グループの学習済モデルの学習進捗値を算出してもよい。この場合、入力データは、当該グループに含まれる全ての第１センサ３０ａのデータとなる。また、選定される第１センサ３０ａは、各第１センサ３０ａではなく、グループ単位となる。

＜第１センサ選定モード処理＞
第１センサ選定モード処理Ｓ２６０が開始されると、図９に示すように、取得部１１は、スレーブユニット２０を介してセンサ３０から所定数のデータを取得する（Ｓ２６１）。所定数のデータは、例えば２５５組のデータセットである。次に、選定部１５は、添字ｊに“１”を設定する（Ｓ２６２）。なお、添字ｊは、ｎ台の第１センサ３０ａの番号を表ものであり、“１”から“ｎ”までの整数の値をとる。

次に、選定部１５は、ｊ番目の第１センサ３０ａのデータ群及び第２センサ３０ｂのデータ群を用いて、ｊ番目の第１センサ３０ａと第２センサ３０ｂとの相関係数を算出する（Ｓ２６３）。

次に、選定部１５は、添字ｊの値が第１センサ３０ａの台数ｎに等しいか否かを判定する（Ｓ２６４）。

ステップＳ２６４の判定の結果、添字ｊの値が第１センサ３０ａの台数ｎに等しい場合、選定部１５は、通信部１７を介して、ＰＬＣ４０又は外部機器に信号を送信し、ユーザ（利用者）に、第２センサ３０ｂのデータに対する全ての第１センサ３０ａのデータの相関係数を通知する（Ｓ２６５）。

一方、ステップＳ２６４の判定の結果、添字ｊの値が第１センサ３０ａの台数ｎに等しくない場合、選定部１５は、添字ｊに“１”を加算する（Ｓ２６６）。そして、マスタユニット１０は、添字ｊの値が第１センサ３０ａの台数ｎに等しくなるまで、ステップＳ２６３、ステップＳ２６４、及びステップＳ２６６を繰り返す。

ステップＳ２６７の後、選定部１５は、利用者（ユーザ）の操作に基づいて、第１センサ３０ａの選定を完了させるか否かを判定する（Ｓ２６７）。

ステップＳ２６７の判定の結果、第１センサ３０ａの選定を完了させる場合、選定部１５は、利用者（ユーザ）の操作に基づいて、複数の中から少なくとも１つの第１センサ３０ａを選定し（Ｓ２６８）、第１センサ選定モード処理Ｓ２６０を終了する。この場合、全ての第１センサ３０ａのうち、第２センサ３０ｂのデータとの相関係数の絶対値が最大となるものを利用者（ユーザ）に通知して選択させたり、第２センサ３０ｂのデータとの相関係数の絶対値が所定値以上であるものを利用者（ユーザ）に通知して選択させたりしてよい。

一方、ステップＳ２６７の判定の結果、第１センサ３０ａの選定を完了させない場合、マスタユニット１０は、第１センサ３０ａの選定を完了させるまで、ステップＳ２６１からステップＳ２６７までを繰り返す。

＜予測モード処理＞
予測モード処理Ｓ２８０が開始されると、図１０に示すように、取得部１１は、スレーブユニット２０を介して第１センサ３０ａからデータを取得する（Ｓ２８１）。

次に、予測部１６は、記憶部１３に記憶された学習済モデル１３ｂを読み出し、当該学習済モデル１３ｂに、取得した第１センサ３０ａのデータを入力データとして入力し、予測値を出力させる（Ｓ２８２）。

次に、予測部１６は、出力させた予測値が上限しきい値より大きいか、又は、下限しきい値より小さいか否かを判定する（Ｓ２８３）。例えば、ワークＷ１０の厚さ（太さ）は、規定値が２０［ｍｍ］であり、許容範囲が±１［ｍｍ］であるときに、上限しきい値は２１［ｍｍ］に、下限しきい値は１９［ｍｍ］に、それぞれ設定される。

ステップＳ２８３の判定の結果、予測値が上限しきい値より大きい、又は、下限しきい値より小さい場合、予測部１６は、判定結果に“ＯＮ”を設定する（Ｓ２８４）。一方、ステップＳ２８３の判定の結果、予測値が上限しきい値以下、かつ、下限しきい値以上である場合、予測部１６は、判定結果に“ＯＦＦ”を設定する（Ｓ２８５）。

ステップＳ２８４の後、又は、ステップＳ２８５の後、予測部１６は、通信部１７を介してＰＬＣ４０又は外部機器に信号を送信するとともに、表示部１８に表示し、ユーザ（利用者）に予測値及び判定結果を通知する（Ｓ２８６）。これにより、ユーザ（利用者）は、第１センサ３０ａのデータから予測されるワークＷ１０の厚さ（太さ）と、予測されるワークＷ１０の厚さ（太さ）が規定値の許容範囲内であるか又は許容範囲外であるかと、を知ることができる。

ステップＳ２８６の後、予測部１６は、利用者（ユーザ）の操作に基づいて、予測を中断させるか否かを判定する（Ｓ２８７）。

ステップＳ２８７の判定の結果、予測を中断させる場合、予測モード処理Ｓ２８０を終了する。

一方、ステップＳ２８７の判定の結果、予測を中断させない場合、マスタユニット１０は、予測を中断させるまで、ステップＳ２８１からステップＳ２８７までを繰り返す。

本実施形態では、センサシステム１及びマスタユニット１０が、図４に示した例に適用された場合を説明したが、これに限定されるものでない。センサシステム１及びマスタユニット１０は、他の形態のライン、他の配置の第１センサ及び第２センサに適用してもよい。

次に、図１１を参照しつつ、一実施形態に従う第１センサ及び第２センサが設置されるラインの第２例について説明する。図１１は、一実施形態におけるラインＬの第２例の概略構成を例示する構成図である。

図１１に示すように、ラインＬ２０は、図１１における右上から左下（紙面奥から手前）の方向に、複数のワークＷ２１，Ｗ２２を搬送している。
ラインＬ２０の搬送方向における同一、又は略同一の位置に、３つの第１センサ３０ａと、１つの第２センサ３０ｂとが配置されている。３つの第１センサ３０ａは、それぞれ、ラインＬ２０の幅方向（図１における左右方向）に、所定の間隔を空けて配置されている。

各第１センサ３０ａは、例えば反射型の光電センサであり、投光器及び受光器は一体に形成される。投光器から放射された光は、ワークＷ２１，Ｗ２２又は背景によって反射され、受光器はその反射光の光量を測定する。各第１センサ３０ａは、測定された受光量をワークＷ２１，Ｗ２２の受光量データとして出力する。第１センサ３０ａは、図４に示した例と同様に、第２センサ３０ｂよりも短い周期で受光量を測定する。

第２センサ３０ｂは、例えば変位センサであり、投光器及び受光器は一体に形成される。投光器から放射された光がワークＷ２１，Ｗ２２によって反射されると、受光器に入射した反射光に基づいて、ワークＷ２１，Ｗ２２までの距離が測定される。第２センサ３０ｂは、ワークＷ２１，Ｗ２２までの距離データを出力する。第２センサ３０ｂは、図４に示した例と同様に、第１センサ３０ａよりも長い周期でワークＷ２１，Ｗ２２までの距離を測定する。

図４に示した例と同様に、図１１に示す例においても、マスタユニット１０は、３つの第１センサ３０ａのデータを入力データとし、第２センサ３０ｂのデータをラベルデータとする学習用データを生成することが可能である。

図１１に示す例では、第１センサ３０ａは受光量データを出力し、第２センサ３０ｂは距離データを出力しており、両者の物理量は異なっている。すなわち、生成された学習用データを用いて学習モデルの機械学習を実行し、生成される学習済モデルは、予測において物理量の変換を行っていることになる。

なお、学習用データの入力データは、第１センサ３０ａの出力データをそのまま使用する場合に限定されるものではない。例えば、複数の第１センサ３０ａの測定値を演算することによって得られるデータ（情報）を、学習用データの入力データとして使用してもよい。

また、学習用データのラベルデータは、第２センサ３０ｂの出力データをそのまま使用する場合に限定されるものではない。例えば、第２センサ３０ｂとして、距離（変位）や三次元位置を測定するセンサを用いる場合、第２センサ３０ｂを２個以上用いてそれぞれの測定値について減算や加算等の演算を行うことにより、ワークＷ２１，Ｗ２２の幅や高さを求めることが可能となる。この場合、これらの演算結果を学習用データのラベルデータとして使用してもよい。

学習モデルの機械学習を実行し、学習進捗が十分であると判断された場合、マスタユニット１０は、第２センサ３０ｂを取り外して運用、つまり、ワークＷの異常又は異常予兆を予測してもよい。この場合、設備のコストを節約することができる。

以上、本発明の例示的な実施形態について説明した。本発明の一実施形態に係るセンサシステム１及びマスタユニット１０によれば、取得された第１センサ３０ａのデータを入力データとし、取得された第２センサ３０ｂのデータをラベルデータとする学習用データ１３ａが生成される。これにより、当該学習用データ１３ａを用いて生成される学習済モデル１３ｂは、測定周期が第２センサ３０ｂよりも短い第１センサ３０ａのデータを入力として値（予測値）を出力することが可能となる。従って、当該学習済モデル１３ｂを用いることで、従来よりも早期にワークＷの異常又は異常予兆を検知することができる。

また、本発明の一実施形態に係るマスタユニット１０及び予測方法によれば、取得した第１センサ３０ａのデータを学習済モデル１３ｂに入力し、該学習済モデル１３ｂに予測値を出力させる。ここで、学習済モデル１３ｂは、第１センサ３０ａのデータを入力データとし、第２センサ３０ｂのデータを入力データの性質を表すラベルデータとして生成された学習用データ１３ａを用いて生成されたものなので、測定周期が第２センサ３０ｂよりも短い第１センサ３０ａのデータを入力として予測値を出力することができる。従って、当該予測値によって早期にワークＷの異常又は異常予兆を予測することができる。

以上説明した実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。実施形態が備える各要素並びにその配置、材料、条件、形状及びサイズ等は、例示したものに限定されるわけではなく適宜変更することができる。また、異なる実施形態で示した構成同士を部分的に置換し又は組み合わせることが可能である。

（附記１）
ワークを測定する第１センサ（３０ａ）と、
第１センサ（３０ａ）よりも長い周期でワークを測定する第２センサ（３０ｂ）と、
マスタユニット（１０）と、を備え、
マスタユニット（１０）は、
第１センサ（３０ａ）によって測定されたデータと第２センサ（３０ｂ）によって測定されたデータとを取得する取得部（１１）と、
学習モデルの機械学習に用いられ、取得された第１センサ（３０ａ）のデータを入力データとし、取得された第２センサ（３０ｂ）のデータを入力データの性質を表すラベルデータとする学習用データを生成する生成部（１２）と、を含む、
センサシステム（１）。
（附記８）
ワークを測定する第１センサ（３０ａ）と第１センサ（３０ａ）よりも長い周期でワークを測定する第２センサ（３０ｂ）とを含むセンサシステム（１）に用いられるマスタユニット（１０）であって、
第１センサ（３０ａ）によって測定されたデータと第２センサ（３０ｂ）によって測定されたデータとを取得する取得部（１１）と、
学習モデルの機械学習に用いられ、取得された第１センサ（３０ａ）のデータを入力データとし、取得された第２センサ（３０ｂ）のデータを前記入力データの性質を表すラベルデータとする学習用データを生成する生成部（１２）と、を備える、
マスタユニット（１０）。
（附記１４）
ワークの異常又は異常予兆を予測する予測装置（１０）であって、
ワークを測定する第１センサ（３０ａ）によって測定されたデータを取得する取得部（１１）と、
取得された第１センサ（３０ａ）のデータを学習済モデルに入力し、該学習済モデルに予測値を出力させる予測部（１６）と、を備え、
学習済モデルは、第１センサ（３０ａ）のデータを入力データとし、第１センサ（３０ａ）よりも長い周期でワークを測定する第２センサ（３０ｂ）のデータを、入力データの性質を表すラベルデータとして生成された学習用データを用い、学習モデルの機械学習を実行して生成されたものである、
予測装置（１０）。
（附記１５）
ワークの異常又は異常予兆を予測する予測方法であって、
ワークを測定する第１センサ（３０ａ）によって測定されたデータを取得するステップ（Ｓ２８１）と、
取得された第１センサ（３０ａ）のデータを学習済モデルに入力し、該学習済モデルに予測値を出力させるステップ（Ｓ２８２）と、を含み、
学習済モデルは、第１センサ（３０ａ）のデータを入力データとし、第１センサ（３０ａ）よりも長い周期でワークを測定する第２センサ（３０ｂ）のデータを、入力データの性質を表すラベルデータとして生成された学習用データを用い、学習モデルの機械学習を実行して生成されたものである、
予測方法。

１…センサシステム、１０…マスタユニット、１１…取得部、１２…生成部、１３…記憶部、１３ａ…学習用データ、１３ｂ…学習済モデル、１４…学習部、１５…選定部、１６…予測部、１７…通信部、１８…表示部、２０…スレーブユニット、２０ａ…第１スレーブユニット、２０ｂ…第２スレーブユニット、３０…センサ、３０ａ…第１センサ、３０ｂ…第２センサ、ｄ…距離、Ｌ，Ｌ１０，Ｌ２０…ライン、Ｌ１１…ホッパー、Ｌ１２…加熱シリンダ、Ｌ１３…スクリュー、Ｌ１４…ヒータ、Ｌ１５…ダイ、Ｌ１６…冷却装置、Ｌ１７…引取装置、Ｌ１８…切断装置、ＭＡ…材料、Ｓ２００…設定モード処理、Ｓ２２０…予測学習処理、Ｓ２４０…選定学習処理、Ｓ２６０…第１センサ選定モード処理、Ｓ２８０…予測モード処理、ｖ…速度、Ｗ，Ｗ１０，Ｗ２１，Ｗ２２…ワーク、Δｔ…時間差。

Claims (15)

1. ワークを測定する第１センサと、
   前記第１センサよりも長い周期で前記ワークを測定する第２センサと、
   マスタユニットと、を備え、
   前記マスタユニットは、
   前記第１センサによって測定されたデータと前記第２センサによって測定されたデータとを取得する取得部と、
   学習モデルの機械学習に用いられ、取得された前記第１センサのデータを入力データとし、取得された前記第２センサのデータを前記入力データの性質を表すラベルデータとする学習用データを生成する生成部と、を含む、
   センサシステム。
2. 前記生成部は、前記ワークの移動速度及び前記第１センサと前記第２センサとの間の距離から算出される時間差と、前記第１センサの測定周期と、前記第２センサの測定周期とに基づいて、前記入力データと前記ラベルデータとを対応付け、前記学習用データを生成する、
   請求項１に記載のセンサシステム。
3. 前記第１センサは、前記ワークが移動するラインにおいて、前記第２センサに対して上流側に配置されている、
   請求項１又は２に記載のセンサシステム。
4. 前記マスタユニットは、前記学習用データを用いて学習モデルの機械学習を実行し、学習済モデルを生成する学習部をさらに含む、
   請求項１から３のいずれか一項に記載のセンサシステム。
5. 前記マスタユニットは、取得された前記第１センサのデータを前記学習済モデルに入力し、該学習済モデルに予測値を出力させる予測部をさらに含む、
   請求項４に記載のセンサシステム。
6. 複数の前記第１センサを備え、
   前記マスタユニットは、前記複数の第１センサのうちの１つについて、取得された該第１センサのデータと取得した前記第２センサのデータとの相関係数を算出する選定部をさらに含む、
   請求項１から５のいずれか一項に記載のセンサシステム。
7. 複数の前記第１センサを備え、
   前記生成部は、前記複数の第１センサのうちの少なくとも１つから取得されたデータを入力データとする学習用データを生成し、
   前記マスタユニットは、取得された前記第２センサのデータと、前記学習用データを用いて学習モデルの機械学習を実行して生成される学習済モデルに前記入力データを入力して出力させた予測値とに基づいて、該学習済モデルの学習進捗の割合を表す学習進捗値を算出する選定部をさらに含む、
   請求項１から５のいずれか一項に記載のセンサシステム。
8. ワークを測定する第１センサと前記第１センサよりも長い周期で前記ワークを測定する第２センサとを含むセンサシステムに用いられるマスタユニットであって、
   前記第１センサによって測定されたデータと前記第２センサによって測定されたデータとを取得する取得部と、
   学習モデルの機械学習に用いられ、取得された前記第１センサのデータを入力データとし、取得された前記第２センサのデータを前記入力データの性質を表すラベルデータとする学習用データを生成する生成部と、を備える、
   マスタユニット。
9. 前記生成部は、前記ワークの移動速度及び前記第１センサと前記第２センサとの間の距離から算出される時間差と、前記第１センサの測定周期と、前記第２センサの測定周期とに基づいて、前記入力データと前記ラベルデータとを対応付け、前記学習用データを生成する、
   請求項８に記載のマスタユニット。
10. 前記学習用データを用いて学習モデルの機械学習を実行し、学習済モデルを生成する学習部をさらに備える、
    請求項８又は９に記載のマスタユニット。
11. 取得された前記第１センサのデータを前記学習済モデルに入力し、該学習済モデルに予測値を出力させる予測部をさらに備える、
    請求項１０に記載のマスタユニット。
12. 前記センサシステムは複数の前記第１センサを含み、
    前記複数の第１センサのうちの1つについて、取得された該第1センサのデータと取得された前記第２センサのデータとの相関係数を算出する選定部をさらに備える、
    請求項８から１１のいずれか一項に記載のマスタユニット。
13. 前記センサシステムは複数の前記第１センサを含み、
    前記生成部は、前記複数の第１センサのうちの少なくとも１つから取得されたデータを入力データとする学習用データを生成し、
    取得された前記第２センサのデータと、前記学習用データを用いて学習モデルの機械学習を実行して生成される学習済モデルに前記入力データを入力して出力させた予測値とに基づいて、該学習済モデルの学習進捗の割合を表す学習進捗値を算出する選定部をさらに備える、
    請求項８から１１のいずれか一項に記載のマスタユニット。
14. ワークの異常又は異常予兆を予測する予測装置であって、
    前記ワークを測定する第１センサによって測定されたデータを取得する取得部と、
    取得された前記第１センサのデータを学習済モデルに入力し、該学習済モデルに予測値を出力させる予測部と、を備え、
    前記学習済モデルは、前記第１センサのデータを入力データとし、前記第１センサよりも長い周期で前記ワークを測定する第２センサのデータを、前記入力データの性質を表すラベルデータとして生成された学習用データを用い、学習モデルの機械学習を実行して生成されたものである、
    予測装置。
15. ワークの異常又は異常予兆を予測する予測方法であって、
    前記ワークを測定する第１センサによって測定されたデータを取得するステップと、
    取得された前記第１センサのデータを学習済モデルに入力し、該学習済モデルに予測値を出力させるステップと、を含み、
    前記学習済モデルは、前記第１センサのデータを入力データとし、前記第１センサよりも長い周期で前記ワークを測定する第２センサのデータを、前記入力データの性質を表すラベルデータとして生成された学習用データを用い、学習モデルの機械学習を実行して生成されたものである、
    予測方法。

Images