JP2021516387A - 機械装置の動作を制御する方法とデータの信頼性を判定する方法及び装置 - Google Patents

Abstract

機械装置の動作を制御する方法並びにデータの信頼性を判定する方法及び装置が提供され、データの信頼性を判定する方法は、訓練データのデータ領域から入力データに対応するデータ領域を判定することと、入力データに対応するデータ領域のデータ分布特性に基づいて出力データの信頼性を判定することとを含む。本開示は、従来の機械装置の制御パラメータの信頼性を判定するという課題を解決し、機械装置の制御パラメータの信頼性を判定することができるという有益な効果を奏する。

Description

本開示は、機械工学における自動制御の分野に関し、具体的には、機械装置の動作を制御する方法と、機械学習モデルの出力データの信頼性を判定する方法、装置及びシステムと、訓練データを処理する方法及び装置に関する。

機械制御分野では、昨今、様々な機械制御パラメータに基づいて最適な制御を行う技術が驚異的なスピードで開発されている。例えば、文献１（ＪＰ２０１７‐３２５）では、機械装置の各軸の加減速動作をニューラルネットワークを利用して生成するという技術的解決策がある。但し、文献１は、各シャフトの動きが機械学習によって判定されることを開示しているのみであり、その動きの信頼性は不明である。

関連技術において機械装置の制御パラメータの信頼性を判定できないという問題に対して、有効な解決策は提案されていなかった。

本開示の実施形態において、機械装置の動作を制御する方法と、データの信頼性を判定する方法、装置及びシステムと、訓練データを処理する方法及び装置を提供し、少なくとも、従来技術で機械装置の制御パラメータの信頼性をユーザが判定することができないという技術課題を解決する。

本開示の実施形態の一態様によれば、機械装置の動作を制御する方法が提供され、前記方法は、機械装置の少なくとも１つの測定パラメータを含む入力データを受信することと、訓練データのデータ領域から入力データに対応するデータ領域を判定することと、入力データに対応するデータ領域のデータ分布特性に基づいて、入力データに対応する出力データの信頼性を判定することと、出力データの信頼性に基づいて機械装置の動作を制御することとを含む。

前記方法では、入力データに対応するデータ領域の分布に基づいて、訓練された機械学習モデルの出力データの信頼性を判定することができる。従って、機械装置は、機械学習モデルの出力データの信頼性を知ることができ、それにより、信頼性に応じて対応する動作を実行し、出力データを使用する判定又は制御のエラー率を低減することができ、機械装置のロバスト性を向上させることができる。

本開示の一実施形態では、訓練データのデータ領域から入力データに対応するデータ領域を判定することは、訓練データのデータ領域を複数のデータ領域に分割し、複数のデータ領域から入力データに対応するデータ領域を判定すること、又は、近接学習により訓練データのデータ領域から近接領域を判定し、近接領域を入力データに対応するデータ領域とすることを含む。従って、入力データに対応するデータ領域をすばやく判定することができる。

本開示の一実施形態では、出力データの信頼性に応じて機械装置の動作を制御することは、出力データの信頼性に応じて機械装置の下死点を制御することを含み、機械装置はプレス機械である。従って、下死点の動的精度が向上する。

本開示の一実施形態では、出力データの信頼性は、訓練データによって訓練された機械学習モデルが入力データを使用することによって所望の出力データを生成する確率である。

本開示の一実施形態では、入力データは、出力データを判定するために機械訓練によって得られた機械学習モデルに入力されるデータであり、訓練データは、機械学習モデルを訓練するためのデータである。

本開示の一実施形態では、データ分布特性は、入力データに対応するデータ領域内の訓練データの量又は強度を含む。

本開示の一実施形態では、入力データに対応するデータ領域のデータ分布特性に基づいて出力データの信頼性を判定することは、入力データに対応するデータ領域内の訓練データの量又は強度が、第１所定閾値よりも大きい場合、信頼性が高いと判定し、そうでない場合、信頼性が低いと判定すること、又は、入力データに対応するデータ領域内の訓練データの部分間の距離が全て第２所定閾値未満である場合、信頼性が高いと判定し、そうでない場合、信頼性が低いと判定することを含む。従って、前述のデータ領域を分割することにより、入力データに対応する出力データの信頼性を容易に知ることができ、複雑なアルゴリズムを使用して各入力データに対する出力データの正確な信頼性を算出する必要がなく、システムの動作負荷を減少させる。

本開示の一実施形態では、出力データの信頼性に応じて機械装置の動作を制御することは、信頼性が高い場合、出力データに基づいて機械装置の動作を制御することと、信頼性が低い場合、出力データを所定データに設定し、設定された出力データに基づいて機械装置の動作を制御することを含み、ここで、所定データは、機械装置の動作に適用可能な動作パラメータであるか、又は、機械装置に動作の終了を指示するデータである。従って、機械装置をより確実に制御し、システム全体のロバスト性を向上させることができる。

本開示の一実施形態では、機械装置の動作を制御することは、出力データに基づいてログを書き込み、機械装置の動作履歴を追跡することと、出力データに基づいて、機械装置における機械制御又はプロセス制御を実行するか、又は人工制御（Ｈｕｍａｎ ｃｏｎｔｒｏｌ）に切り替え、ここで、機械制御は、停止、減速及び開始の少なくとも１つを含むことと、追加の学習によって機械装置の制御を向上させるために出力データに基づいて訓練データを生成することとである。

本開示の実施形態の一態様によれば、データの信頼性を判定する方法が提供され、前記方法は、訓練データのデータ領域から入力データに対応するデータ領域を判定することと、入力データに対応するデータ領域のデータ分布特性に基づいて入力データに対応する出力データの信頼性を判定することと、を含む。従って、オペレータ又は操作装置は、機械学習モデルの出力データの信頼性を知ることができ、それにより、信頼性に応じて対応する動作を実行し、その結果、出力データを使用する判定又は制御のエラー率を低減することができ、システム全体のロバスト性を向上させることができる。

本開示の実施形態の別の態様によれば、訓練データを処理する方法が更に提供され、前記方法は、訓練データを取得することと、取得された訓練データを複数の領域に分割し、各訓練データは対応するデータ領域内に含まれることと、複数のデータ領域における各データ領域に対するデータ分布特性を生成し、データ分布特性は、複数のデータ領域の１つに含まれる入力データに対応する出力データの信頼性を判定するために使用されることと、を含む。

訓練データを複数のデータ領域に分割することにより、機械学習モデルの訓練プロセスで訓練データの分布を知ることができるため、訓練データの分布に基づいて出力データの信頼性を判定することができ、訓練された機械学習モデルが使用される時、それにより後続の動作の基礎が提供される。

本開示の一実施形態では、各データ領域のデータ分布特性は、各データ領域内の訓練データの量又は強度を含む。

本開示の一実施形態では、複数のデータ領域内の１つのデータ領域内の訓練データの量又は強度が第１所定閾値よりも大きいかどうかを判定して出力データの信頼性を判定する。

本開示の一実施形態では、前記方法は、更に、複数のデータ領域内の１つのデータ領域内の訓練データの部分間の距離が全て第２閾値未満であるかどうかを判定して出力データの信頼性を判定することを含む。

本開示の実施形態の更に別の態様によれば、データの信頼性を判定する装置が更に提供され、前記装置は、入力データを受け取るように構成された入力部と、訓練データのデータ領域から入力データに対応するデータ領域を判定するように構成された算出部と、入力データに対応するデータ領域のデータ分布特性に基づいて入力データに対応する出力データの信頼性を判定するように構成された推定部と、を含む。

従って、オペレータ又は操作装置は、機械学習モデルの出力データの信頼性を知ることができ、それにより、信頼性に応じて対応する動作を実行し、その結果、出力データを使用する判定又は制御のエラー率を低減することができ、システム全体のロバスト性を向上させることができる。

本開示の一実施形態では、装置は更に制御部を含み、制御部は出力データの信頼性に応じて制御対象の動作を制御するように構成される。

本開示の一実施形態では、データ分布特性は、入力データに対応するデータ領域内の訓練データの量又は強度を含み、推定部は、更に、入力領域に対応するデータ領域内の訓練データの量又は強度が第１所定閾値よりも大きい場合、信頼性が高いと判定し、そうでない場合、信頼性が低いと判定するか、又は、入力データに対応するデータ領域内の訓練データの部分間の距離が全て第２閾値未満である場合、信頼性が高いと判定し、そうでない場合、信頼性が低いと判定するように構成される。

本開示の実施形態の更に別の態様によれば、訓練データを処理する装置が更に提供され、前記装置は、訓練データを取得するように構成された取得部と、取得された訓練データを複数の領域に分割するように構成され、各訓練データは、対応するデータ領域内に含まれる分割部と、複数のデータ領域の各データ領域に対するデータ分布特性を生成するように構成され、データ分布特性が複数のデータ領域の１つに含まれる入力データに対応する出力データの信頼性を判定するために使用される生成部と、を含む。

訓練データを分割することにより、機械学習モデルの訓練プロセスで訓練データの分布を知ることができ、訓練された機械学習モデルが使用される時、訓練データの分布に基づいて出力データの信頼性を判定することができ、それによって後続の動作の基礎が提供される。

本開示の実施形態の更に別の態様によれば、上述の技術的解決策の何れか１つのデータの信頼性を判定する装置と、上述の技術的解決策の訓練データを処理する装置と、を含むシステムが本開示の実施形態において提供される。

本開示の更に別の態様によれば、コンピュータプログラムが更に提供され、前記コンピュータプログラムは、プロセッサによって実行される時、技術的解決策のいずれか１つの方法を実行する。

本開示の更に別の態様によれば、コンピュータ可読記憶媒体が更に提供され、前記コンピュータ可読記憶媒体は、プロセッサによって実行される時、上記の技術的解決策のいずれか１つの方法を実行するコンピュータプログラムを記憶する。

本開示の実施形態によって提供される機械の動作を制御する方法では、入力データに対応する出力データの信頼性は、入力データ及び訓練データのデータ分布特性に基づいて判定され、機械装置の動作は、信頼性に基づいて制御され、それにより、従来は機械装置の制御パラメータの信頼性を判定することができなかったという課題を解決し、機械装置の制御パラメータの信頼性を向上させることができるという効果を有する。

更に、訓練された機械学習モデルの出力データを用いて制御を行う装置では、制御の基礎となる出力データの信頼性がわかるため、信頼性の高い制御を行うことができ、所定の範囲を超える動作が発生せず、制御の効率とロバスト性を向上させることができる。

本開示の実施形態によるプレス機械の動作を制御する方法のフローチャートである。 本開示の一実施形態による出力データの信頼性が適用されるプレス機械制御システムを示す構造概略図である。 図２に示すプレス機械の制御システムの制御動作の推移を示す概略図である。 本開示の実施形態による図２に示すプレス機械を制御するためのシステムの測定されたパラメータ及び目標パラメータに対応する３次元概略図である。 本開示の実施形態による測定されたパラメータ及び標的パラメータの二次元概略図である。 図２に示すプレス機械の制御システムの制御動作の推移を示す概略図である。 本開示の一実施形態によるデータの信頼性を判定するシステムのハードウェア構成の一部としてのＰＣ（Ｐｅｒｓｏｎｎｅｌ Ｃｏｍｐｕｔｅｒ）６００の一例の概略図である。 本開示の実施形態によるデータの信頼性を判定する装置を示す構造概略図である。 本開示の一実施形態による訓練データを処理する装置を示す構造概略図である。 本開示の実施形態によるデータの信頼性を判定するシステムを示す構造概略図である。

当業者が本開示をよりよく理解できるようにするために、本開示の実施形態を以下で本開示の図面と併せて明確かつ完全に説明する。当然、説明される実施形態は、本開示の実施形態の一部にすぎず、実施形態の全てではない。本開示の実施形態に基づいて、如何なる発明的努力も伴うことなく当業者が得ることができる他の全ての実施形態は、本開示によって示される範囲内に含まれる。

図１は、本開示の実施形態によるプレス機械の動作を制御する方法のフローチャートである。図１に示すように、この方法は、次のステップを含む。

ステップＳ１０では、測定されたトルクと測定された位置を含む入力データを受信する。

機械学習モデルは入力された入力データを受け取る。入力データは、出力データを判定するために機械訓練によって取得された機械学習モデルに入力されるデータである。

機械学習モデルの訓練プロセスは、機械学習アルゴリズムに学習させるための訓練データを提供することを含む。機械学習モデルという用語は、訓練プロセスによって作成されるモデルアーティファクト（ｍｏｄｅｌ ａｒｔｉｆａｃｔ）を指す。機械学習モデルを訓練するには、ユーザは、次のことを指定する必要がある。訓練データソースの入力、予測されるターゲットを含むデータ属性の名称、必要なデータ変換命令、及び機械学習アルゴリズムを制御するための訓練パラメータ。訓練プロセス中に、ユーザが訓練データソースで指定したターゲットのタイプに基づいて、自動又は手動で正しい学習アルゴリズムが選択される。

機械学習アルゴリズムは、監督有り学習、監督無し学習、強化学習の３つの大きなカテゴリに分類できる。本開示で採用する監督有り学習は、特定のデータセットに対してラベルが利用可能である場合に有用である。決定木、単純ベイズ分類、通常の最小二乗回帰、及びロジスティック回帰は、監督有り学習のアルゴリズムである。

本開示は、機械学習モデルをどのように訓練するかに重点を置かないため、これ以上の説明は行わない。

ステップＳ１２では、入力データに対応するデータ領域を訓練データのデータ領域から判定する。

機械学習モデルを訓練するための全ての訓練データは、十分な容量を有するメモリ装置に記憶される。訓練データは、機械学習モデルを訓練するためのデータである。

機械学習モデルを訓練するための記憶された訓練データは、複数のデータ領域に分割される。全ての訓練データは、複数のデータ領域を得るために、異なる分割戦略に従って分割されてもよい。例えば、訓練データは、相互に排他的なｎ個のサブセットにランダムに分割されることができる。或いは、訓練データが配置されている空間を、同じサイズ又は異なるサイズのｎ個の空間サブセットに分割することもできる。当然、他の実施形態では、訓練データを分割する他の方法が使用されてもよい。本開示の実施形態における訓練データをどのように分割するかの説明は、訓練データを分割する方法を限定することを意図していない。

入力データに基づき、入力データに対応するデータ領域が複数のデータ領域から判定される。ほとんどの場合、入力データは、訓練データに従って分割された複数のデータ領域の１つに必然的に含まれる。入力データが分割されたデータ領域内に含まれないという稀な場合では、入力データに対応する出力データの信頼性は直接低いと判定することができる。

一実施形態では、訓練データは、１つのデータ領域のみに分割され得る、即ち、全ての訓練データが１つのセットと見なされ、入力データは必然的にこのデータ領域内に含まれる。出力データの信頼性を算出する時、出力データの信頼性は、近接学習によって入力データに最も近い訓練データの量又は強度を計算することによって判定できる。

ステップＳ１４では、入力データに対応する出力データの信頼性を入力データに対応するデータ領域のデータ分布特性に基づいて判定する。

データ分布特性は、入力データに対応するデータ領域の訓練データの量又は強度を含む。入力データが入力される時、入力データに対応する出力データの信頼性は、入力データに対応するデータ領域内の訓練データの量又は強度に基づいて判定され得る。特に、入力データが含まれるデータ領域における訓練データの強度は、出力データの信頼性を推定するためにデータ分布テーブルを参照して算出することができる。或いは、出力データの信頼性は、入力データに最も近い訓練データから近接訓練データの部分までの距離に基づいて推定できる。

入力データに対応するデータ領域の訓練データの量又は強度が大きい場合、出力データの信頼性は高いと判定され、そうでない場合、出力データの信頼性は低いと判定される。或いは、入力データに対応するデータ領域の訓練データの部分間の距離が近い場合、出力データの信頼性は高いと判定され、そうでない場合、出力データの信頼性は低いと判定される。

ステップＳ１６では、出力データの信頼性に応じてプレス機械の動作を制御する。

出力データの信頼性が判定された後、出力データの信頼性に応じて、プレス機械に対して対応するプロセスを実行することができる。例えば、出力データの信頼性が高い場合は、現在の出力データに基づいてプレス機械の下死点を制御する。但し、信頼性が低い場合、即ち、現在の出力データにより後続のプロセスのエラー率が高くなる可能性があるため、出力データを所定データに置き換える必要があり、プレス機械の下死点は所定データに基づいて制御される。

プレス機械に限らず、様々な動作を出力データの信頼性を用いることで制御することができ、例えば、出力データに基づいてログを書き込み、制御対象の動作履歴を追跡すること、出力データに基づいて、制御対象に対して機械制御又はプロセス制御を実行するか、人工制御に切り替え、ここで、機械制御は、停止、減速、及び開始の少なくとも１つを含むこと、及び追加学習による制御対象の制御を向上させるために、出力データに基づいて訓練データを生成すること等である。

当然、他の多くのシナリオにおいても、出力データの信頼性が使用できる。例えば、ユーザがキーワードを検索する場合、検索エンジンは出力データの信頼性を使用して、どの結果がユーザに適しているかを判定し、どの広告がユーザに適しているかを判定することができる。オンラインショッピングの場合、オンラインショッピングウェブサイトは出力データの信頼性を使用して、選択のためにユーザに商品を推奨することができる。要約すると、出力データの信頼性は様々な分野に適用可能であり、出力データの信頼性の適用シナリオは、本開示では特に限定するものではない。

図２は、本開示の一実施形態による出力データの信頼性が適用されるプレス機械制御システムを示す構造概略図である。図３は、図２に示すプレス機械の制御システムの制御動作の推移を示す概略図である。図２に示すように、プレス機械を制御するためのシステムは、制御装置（ＰＬＣ）２０、トルク検出部２１、位置検出部２２、サーボドライバ２３、サーボモータ２４、プレス機構２５、及び訓練データ保存部２６を含み、制御装置２０は、入力データ信頼性算出部２０２を、信頼性推定部２０４、及び制御部２０６を含む。

ロードセルとすることができるトルク検出部２１は、プレス機械のトルクを検出して実際に測定されたトルクを得るように構成される。位置センサとすることができる位置検出部２２は、プレス機械の位置を検出して実際に測定された位置を得るように構成される。

トルク検出部２１と位置検出部２２は、それぞれ、取得された実際に測定されたトルクと実際に測定された位置を制御装置２０に送信する。

制御装置２０は、訓練データ保存部２６から訓練データを取得し、訓練データを複数のデータ領域に分割し、例えば、図４Ａに示すように、訓練データを複数のブロックに分割する。それから、制御装置２０が各データ領域に対してデータ分布特性を算出する。一実施形態では、制御装置２０の性能を向上させるために、データ領域を事前に分割することができ、データ分布特性を各データ領域に対して事前に算出することができる。

制御装置２０の入力データ信頼性算出部２０２は、実際に測定されたトルク及び実際に測定された位置を受け取った後、複数のデータ領域内の実際に測定されたトルク及び実際に測定された位置に対応するデータ領域は、即ち、マトリックス内の対応するブロックであり、更に、判定されたデータ領域のデータ分布特性を判定し、例えば、対応するブロック内の訓練データの強度を計算する。

信頼性推定部２０４は、判定されたデータ分布特性に基づいて目標トルクと目標位置（即ち、出力データ、目標パラメータとも称される）の信頼性を判定する。具体的には、図４Ａを参照し、Ｘ１軸は測定されたトルクを表し、Ｘ２軸は測定された位置を表し、Ｙ軸は目標パラメータｆ（ｘ１、ｘ２）を表す。制御部２０６は、機械学習モデルを使用して、下死点に到達した次の期間の目標パラメータｆ（ｘ１、ｘ２）、即ち目標トルクと目標位置を算出する。信頼性推定部２０４は、入力された測定トルクと測定位置に従って、Ｘ１Ｘ２平面内の対応する領域を判定する。判定領域内の訓練データの密度が所定値未満の場合、算出された対象パラメータｆ（ｘ１、ｘ２）の信頼性が低いと判定する。この場合、制御部２０６は、制御部２０６からの目標トルクと目標位置の代わりに、所定のトルクパラメータと位置パラメータ（例えば、トルクと位置のデフォルト値）を使用して、プレス機械を制御する。一実施形態では、信頼性が低い時に警報が提供されてもよい。別の実施形態では、機械学習モデルを向上させるために、実際に測定されたトルク及び実際に測定された位置が保存及び学習されてもよい。

本実施形態では、図４Ａに示すように、２つの測定されたパラメータ、即ち、測定されたトルク及び測定された位置がある。他の実施形態では、１つ又は２つ以上の測定されたパラメータがあり得る。図４Ｂに示すように、測定されたパラメータが１つだけの場合、Ｘ軸は測定されたパラメータを表し、Ｙ軸は目標パラメータを表し、Ｘ軸上の複数の間隔セグメントは複数の分割されたデータ領域を表す。目標パラメータｆ（ｘ）の信頼性は、入力された測定パラメータに対応する間隔セグメントにおける訓練データの密度に基づいて判定することができる。

目標トルクと目標位置の信頼性が低い場合、サーボドライバ２３はデフォルトのトルクパラメータと位置パラメータを使用してサーボモータ２４を制御する。それ以外の場合、サーボドライバ２３は、下死点に到達した次の期間の算出された目標トルクと目標位置を使用して、サーボモータ２４を制御する。サーボモータ２４は更にプレス機構２５を制御し、プレス機構２５の各周期の下死点と実際に測定された位置との差の値が０になるようにする（図３を参照）。ワークの精度に影響を与える下死点の精度は、プレス機械にとって重要な技術指標である。本実施形態では、目標トルクと目標位置の信頼性に応じて下死点の精度を確保することによって、プレス機械によって製造される製品の高い歩留まりを確保する。

出力データの信頼性を判定する方法は、プレス制御システムに加えて、他のシーンに適用できることに留意されたい。他の実施形態では、出力データの信頼性は、自動運転、ヘルスケア、小売、航空宇宙、及び交通などの複数の分野にも適用することができる。

本開示の例示的な実施形態では、出力データの信頼性は、自動運転システムに適用することができる。自動運転システムは、中央処理装置、ブレーキシステム、加速システム、ステアリングシステム、ナビゲーションシステム及び感知システムを含むことができる。ナビゲーションシステムは、地理的位置情報に関するデータを受信すること（例えば、ＧＰＳデータ、受信したデータを使用して車両の現在位置を特定することができる）、及び現在の車両の位置とユーザが設定した目標位置に基づいて車両の全体的な運転ラインを判定することに用いられる。感知システムは、車両の前後左右の障害物、車両前方の交通信号、及び車両の前方右側の道路標識等の感知情報を感知するように構成された１つ以上のセンサを含み、検出された感知情報を中央処理装置に送信する。中央処理装置は、受信したセンシング情報に基づいて制御命令を生成し、信頼性を判定する方法を使用して制御命令が信頼できるかどうかを判定する。制御命令の信頼性が比較的高い場合、中央処理装置は、制御命令を使用して、ブレーキシステム、ステアリングシステム、加速システムなどを制御する、即ち、信頼性の高い制御命令を使用して、車両の様々なパーツを制御し、車両の方向と速度を制御する。なお、本実施形態では車両であるが、自動車、船舶、飛行機、電車など、あらゆる種類の車両を含むことができる。本実施形態では、データの信頼性を判定する方法は、計算によって導出された結果に従って、車両をより正確に動作させることができる。

別の実施形態では、信頼性を判定する方法は、ヘルスケアの分野、例えば、創薬、遺伝子検査、個別化ヘルスケア、又は精密手術に適用することができる。本実施形態では、手術を例にとる。臨床手術では、手術前に完全な定量的三次元評価を行うために、画像を使用して人間の臓器の三次元ボリューム、距離、角度、血管径などにリアルタイムでインタラクティブな定量分析を行う必要がある。但し、実際には、このような３次元評価の精度に偏差が生じる場合がある。出力データの信頼性を判定する方法は、臓器の３次元評価に適用され、これにより、画像データを使用して出力された３次元データのどの部分の信頼性が比較的高く、どの部分の信頼性が比較的低いかを判定することができる。具体的には、画像を使用して取得した人間の臓器のデータ（即ち、入力データ）について、そのデータが含まれる領域の訓練データの密度が高い場合、出力データが異なる状況になることがほとんどなく、出力データの信頼性が高い。別の態様では、データが含まれる領域の訓練データが少ない場合、出力データが多くの異なる状況であり、即ち、出力データの信頼性が低い。信頼性が低い場合、機械（例えば、手術用ロボット）の出力が想定外となり得て、機械の動作としてその出力を使用することは危険となる。このようなリスクを回避するために、出力される３次元データの信頼性が低い場合、医師に最終的な判断を行うことを求め、それにより、正確な３次元データを生成し、手術をより迅速、正確、且つ安全に行うことができる。

ソフトウェア機能ユニットの形で実現され、個別の製品として販売又は使用される時、データの信頼性を判定する装置、訓練データを処理する装置、及びデータの信頼性を判定するシステム又はそれらの一部は、コンピュータ可読記憶媒体に記憶されることができる。この理解に基づいて、本開示の技術的解決策は本質的に、又は従来技術に貢献する技術的解決策の一部、又は技術的解決策全体又は技術的解決策の一部は、ソフトウェア製品の形式で具体化することができ、そのようなコンピュータソフトウェアプログラムは記憶媒体に記憶され、コンピュータ装置（ＰＣコンピュータ、サーバ、又はインターネット機器であることができる）に本開示の各実施形態に基づく方法のステップ全体又はステップの一部を実行可能にさせるいくつかの命令を含む。前記記憶媒体は、ＵＳＢフラッシュディスク、リードオンリーメモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、モバイルハードディスク、磁気ディスク又はコンパクトディスク等のプログラムコードを記憶することができる様々な媒体を含み、サーバ又はクラウドからダウンロードできるデータフローも含み得る。

図５は、本開示の一実施形態による訓練データを処理する方法、及び訓練データを使用することによってデータの信頼性を判定する方法のフローチャートである。図５に示すように、前記方法は、次のステップを含む。

ステップＳ５０では、データの訓練を取得する。

訓練データは、機械学習モデルを訓練するデータである。訓練データの特性と量は、訓練された機械学習モデルのパフォーマンスがどの程度優れているかを判定する主要な要素である。一般に、機械学習モデルを訓練するための全ての訓練データは、十分な容量を有するメモリ装置に記憶され、従って、全ての訓練データがメモリ装置から取得することができる。

ステップＳ５２では、訓練データを複数のデータ領域に分割する。

機械学習モデルを訓練するための記憶された訓練データを複数のデータ領域に分割する。全ての訓練データは、複数のデータ領域を得るために、異なる分割戦略に従って分割されてもよい。例えば、訓練データは、相互に排他的なｎ個のサブセットにランダムに分割することができる。或いは、訓練データが配置されている空間を、同じサイズ又は異なるサイズのｎ個の空間サブセットに分割することもできる。ここで、空間は、一次元空間、二次元空間、三次元空間を含む。

ステップＳ５４では、データ分布特性を各領域に対して算出する。

各データ領域に対してデータ分布テーブルを生成する。分割された複数のデータ領域における各データ領域のデータ分布特性は、各データ分布テーブルに従って算出することができる。データ分布特性は、次の側面によって定義することができる。データ領域の中心値に近い又はそれに向かって集約する各訓練データの範囲（ｅｘｔｅｎｔ）を反映する分布の中心傾向；データ領域の中心値から遠ざかる各訓練データの傾向を反映する分布の拡散程度（ｄｉｓｃｒｅｔｉｏｎ ｅｘｔｅｎｔ）；データ分布の歪度と尖度を反映する分布の形状。一実施形態では、データ分布特性は、データ領域における訓練データの量又は強度を更に含むことができる。

ステップＳ５６では、全てのデータ領域のデータ分布特性の算出が完了したかどうかを判定する。

全てのデータ領域のデータ分布特性の算出が完了したかどうかが判定し、完了した場合はステップ５８を実行し、完了していない場合はプロセスをステップ５６に戻す。

ステップＳ５８では、各領域の信頼性を保存する。

各領域の信頼性を、十分な容量を有する対応するメモリ装置に保存する。

ステップＳ６０では、入力データを取得する。

入力データは、出力データを判定するために機械訓練によって得られた機械学習モデルに入力されるデータである。一実施形態では、入力データは、モノのインターネット（略称「ＩＯＴ」）の装置から取得されたセンサデータであってもよい。

ステップＳ６２では、入力データに対応するデータ領域のデータ分布特性を判定する。

入力データが入力された後、入力データは、訓練データに従って分割された複数のデータ領域のうちの１つのデータ領域内に必然的に含まれ、入力データに対応するデータ領域を判定することができる。それから、入力データに対応するデータ領域のデータ分布特性を、ステップ２８に保存された各データ領域のデータ分布特性に基づいて判定する。

ステップＳ６４では、出力データの信頼性を推定する。

入力データに対応する出力データの信頼性は、入力データに対応するデータ領域の訓練データの量又は強度に基づいて判定される。入力データに対応するデータ領域の訓練データの量又は強度が大きい場合、出力データの信頼性が高いと判定する。そうでない場合、出力データの信頼性が低いと判定する。或いは、入力データに対応するデータ領域内の訓練データの部分間の距離が近い場合、出力データの信頼性が高いと判定する。そうでない場合、出力データの信頼性が低いと判定する。ＩＯＴに関する一実施形態では、出力データは、機械を適切に動作可能にさせるための入力データに関するパラメータである。

ステップ６６では、出力データの信頼性に応じて判定及び制御を行う。

出力データの信頼性が高い場合は、現在の出力データに基づいて直接制御することができる。但し、信頼性が低い場合は、デフォルトのパラメータで機械を制御するか、機械を停止する。

図６は、本開示の実施形態によるデータの信頼性を判定するシステムのハードウェア構成の一部としてのＰＣ（Ｐｅｒｓｏｎｎｅｌ Ｃｏｍｐｕｔｅｒ）６００の一例の概略図である。図６に示すように、ＰＣ６００は、全体的な制御を実行するためのＣＰＵ６１０、システムソフトウェアを記憶するためのリードオンリーメモリ（ＲＯＭ）６２０、書き込み／読み出しデータを記憶するためのランダムアクセスメモリ（ＲＡＭ）６３０、各種プログラム及びデータを記憶する記憶部６４０、入出力インタフェースとして使用される入出力部６５０、及び通信機能を実現する通信部６６０を含むことができる。或いは、ＣＰＵ６１０は、例えば、マイクロプロセッサＭＣＵ又はフィールドプログラマブルゲートアレイＦＲＧＡ等のプロセッサで置き換えることができる。入出力部６５０は、入出力インタフェース（Ｉ／Ｏインタフェース）、ユニバーサルシリアルバス（ＵＳＢ）ポート（Ｉ／Ｏインタフェースのポートのうち１つのポートとして含むことができる）、及びネットワーク等の様々なインタフェースを含むことができる。図６に示す構造は単なる例示であり、データの信頼性を判定するシステムのハードウェア構成を限定しないことを当業者は理解することができる。例えば、ＰＣ６００は、図６に示すものよりも多い又は少ない構成要素を更に含むことができ、又は図６に示すものとは異なる構成を有することができる。

留意すべきこととして、説明されるＣＰＵ６１０は、１つ又は複数のプロセッサを含むことができ、本開示における１つ又は複数のプロセッサ及び／又は他のデータ処理回路は、一般に「データ処理回路」を指すことができる。データ処理回路は、完全に又は部分的に、ソフトウェア、ハードウェア、ファームウェア又は他の任意の組み合わせとして具体化することができる。更に、データ処理回路は、単一の独立した処理モジュールであるか、又はＰＣ６００内の他のコンポーネントのいずれか１つに全体的又は部分的に統合することができる。

記憶部６４０は、本開示で後述するプログラム命令記憶装置／プログラムデータ記憶装置としてアプリケーションソフトウェア及びモジュールのソフトウェアプログラムを記憶することに使用することができ、プログラム命令記憶装置／プログラムデータ記憶装置は、データの信頼性を判定する方法に対応する。ＣＰＵ６１０は、記憶部６４０に記憶されたソフトウェアプログラム及びモジュールを動作させて、データの信頼性を判定する上述の方法を実施する。記憶部６４０は、１つ以上の磁気メモリ、フラッシュメモリ、又は他の不揮発性ソリッドステートメモリ等の不揮発性メモリを含むことができる。いくつかの例では、記憶部６４０は、ＣＰＵ６１０に対してリモートに提供されるメモリを更に含むことができ、これらのリモートメモリは、ネットワークによってＰＣ６００に接続することができる。前記ネットワークの例は、インターネット、イントラネット、ＬＡＮ、モバイル通信ネットワーク、及びそれらの組み合わせを含むが、これらに限定するものではない。

通信部６６０は、ネットワークを介してデータを受信又は送信することに使用される。前記ネットワークの具体例は、ＰＣ６００の通信プロバイダによって提供される無線ネットワークを含むことができる。一例では、通信部６６０は、ネットワークインタフェースコントローラ（ＮＩＣ）を含み、ＮＩＣは、インターネットと通信するように基地局によって他のネットワーク装置に接続することができる。一例では、通信部６６０は、無線方式でインターネットと通信する無線周波数（ＲＦ）モジュールとすることができる。

図７は、本開示の実施形態によるデータの信頼性を判定する装置を示す構造概略図である。前記装置は、入力データを受信するように構成された入力部７０と。訓練データのデータ領域から入力データに対応するデータ領域を判定するように構成された算出部７２と、入力データに対応するデータ領域のデータ分布特性に基づいて入力データに対応する出力データの信頼性を判定するように構成された推定部７４と、を含む。

図８は、本開示の実施形態による訓練データを処理する装置を示す構造概略図である。図８に示すように、前記装置は、取得された訓練データを複数のデータ領域に分割するように構成され、ここで各訓練データは対応するデータ領域に分割されるものである分割部８２と、複数のデータ領域内の対応するデータ領域内に含まれる入力データに対応する出力データの信頼性を判定するために、複数のデータ領域内の各データ領域に対してデータ分布特性を生成するように構成される生成部８４と、を含む。

図９は、本開示の実施形態によるデータの信頼性を判定するシステムを示す構造概略図である。図９に示すように、前記システムは、データの信頼性を判定する装置９０と、訓練データを処理する装置９２を含む。データの信頼性を判定する装置９０は、図７に基づく装置であることができ、訓練データを処理する装置９２は、図８に基づく装置であることができ、さらなる説明は必要ではない。

一実施形態では、図９に示すシステムにおいて訓練データを処理する装置９２は、更に機械学習モデルの品質を更に保証するために、機械学習によって入力データに対応する出力データを学習するように構成された学習部９２２と、訓練データと、訓練データに基づいて生成されたデータ分布テーブルを格納する格納部９２４と、を更に含む。一実施形態では、図９のシステムは、出力データの判定された信頼性に応じて制御対象を制御するように構成された制御部９４を更に含むことができる。

上記は、本開示の好ましい実施形態にすぎない。当業者にとって、本開示の原理から逸脱することなく、様々な改善及び変更を行うことができ、そのような改善及び変更は、本開示の保護の範囲内に含まれることが意図される。

７０ 入力部
７２ 算出部
７４ 推定部
８０ 取得部
８２ 分割部
８４ 生成部
９０ データの信頼性を判定する装置
９２ 訓練データを処理する装置
９２２ 学習部
９２４ 格納部
６００ ＰＣ
６１０ ＣＰＵ
６２０ ＲＯＭ
６３０ ＲＡＭ
６４０ 記憶部
６５０ 入出力部
６６０ 通信部
２０ 制御装置
２１ トルク検出部
２２ 位置検出部
２３ サーボドライバ
２４ サーボモータ
２５ プレス機構
２６ 訓練データ保存部
２０２ 入力データ信頼性算出部
２０４ 信頼性推定部
２０６ 制御部

機械制御分野では、昨今、様々な機械制御パラメータに基づいて最適な制御を行う技術が驚異的なスピードで開発されている。例えば、文献１（ＪＰ２０１７−６８３２５Ａ）では、機械装置の各軸の加減速動作をニューラルネットワークを利用して生成するという技術的解決策がある。但し、文献１は、各シャフトの動きが機械学習によって判定されることを開示しているのみであり、その動きの信頼性は不明である。

本開示の一実施形態では、データ分布特性は、入力データに対応するデータ領域内の訓練データの量又は強度を含み、推定部は、更に、入力データに対応するデータ領域内の訓練データの量又は強度が第１所定閾値よりも大きい場合、信頼性が高いと判定し、そうでない場合、信頼性が低いと判定するか、又は、入力データに対応するデータ領域内の訓練データの部分間の距離が全て第２閾値未満である場合、信頼性が高いと判定し、そうでない場合、信頼性が低いと判定するように構成される。

データ分布特性は、入力データに対応するデータ領域の訓練データの量又は強度を含む。入力データが入力される時、入力データに対応する出力データの信頼性は、入力データに対応するデータ領域内の訓練データの量又は強度に基づいて判定され得る。特に、入力データが含まれるデータ領域における訓練データの量又は強度は、出力データの信頼性を推定するためにデータ分布テーブルを参照して算出することができる。或いは、出力データの信頼性は、入力データに最も近い訓練データから近接訓練データの部分までの距離に基づいて推定できる。

ステップＳ６６では、出力データの信頼性に応じて判定及び制御を行う。

一実施形態では、図９に示すシステムにおいて訓練データを処理する装置９２は、更に機械学習モデルの品質を更に保証するために、機械学習によって入力データに対応する出力データを学習するように構成された学習部９２２と、訓練データと、訓練データに基づいて生成されたデータ分布テーブルを格納する格納部９２４と、を更に含む。一実施形態では、図９のシステムは、出力データの判定された信頼性に応じて制御対象を制御するように構成された制御部を更に含むことができる。

Claims (21)

1. 機械装置の動作を制御する方法であって、前記方法は、
   前記機械装置の少なくとも１つの測定されたパラメータを含む入力データを受信することと、
   訓練データのデータ領域から前記入力データに対応するデータ領域を判定することと、
   前記入力データに対応する前記データ領域のデータ分布特性に基づいて前記入力データに対応する出力データの信頼性を判定することと、
   前記出力データの信頼性に応じて前記機械装置の動作を制御することと、
   を含む、方法。
2. 前記訓練データのデータ領域から前記入力データに対応するデータ領域を判定することは、
   前記訓練データの前記データ領域を複数のデータ領域に分割し、前記複数のデータ領域から前記入力データに対応する前記データ領域を判定すること、又は
   近接学習により、前記訓練データの前記データ領域から近接領域を判定し、前記近接領域を前記入力データに対応する前記データ領域として取得すること
   を含む、請求項１に記載の方法。
3. 前記出力データの信頼性に応じて前記機械装置の動作を制御することは、
   前記出力データの信頼性に応じて前記機械装置の下死点を制御することを含み、前記機械装置はプレス機械である、請求項1に記載の方法。
4. 前記出力データの信頼性は、前記訓練データによって訓練された機械学習モデルが前記入力データを使用することによって所望の出力データを生成する確率である、請求項１に記載の方法。
5. 前記入力データは、前記出力データを判定するために機械訓練によって得られた機械学習モデルに入力されるデータであり、前記訓練データは、前記機械学習モデルを訓練するためのデータである、請求項１に記載の方法。
6. 前記データ分布特性は、前記入力データに対応する前記データ領域内の前記訓練データの量又は強度を含む、請求項１〜５のいずれか一項に記載の方法。
7. 前記入力データに対応する前記データ領域のデータ分布特性に基づいて前記出力データの信頼性を判定することは、
   前記入力データに対応する前記データ領域内の前記訓練データの量又は強度が第１所定閾値よりも大きい場合、信頼性が高いと判定し、そうでない場合、信頼性が低いと判定すること、又は、
   前記入力データに対応する前記データ領域内の前記訓練データの部分間の距離が全て第２所定閾値未満である場合、信頼性が高いと判定し、そうでない場合、信頼性が低いと判定すること
   を含む、請求項６に記載の方法。
8. 前記出力データの信頼性に応じて前記機械装置の動作を制御することは、
   信頼性が高い場合、前記出力データに基づいて前記機械装置の動作を制御することと、
   信頼性が低い場合、前記出力データを所定データに設定し、設定された出力データに基づいて前記機械装置の動作を制御することを含み、前記所定データは、前記機械装置の動作に適用可能な動作パラメータであるか、又は、機前記械装置に動作を終了させることを指示するデータである、請求項６に記載の方法。
9. 前記機械装置の動作を制御することは、
   前記出力データに基づいてログを書き込み、前記機械装置の動作履歴を追跡することと、
   前記出力データに基づいて前記機械装置における機械制御又はプロセス制御を実行するか、又は人工制御に切り替え、前記機械制御は、停止、減速及び開始の少なくとも1つを含むことと、
   追加の学習によって前記機械装置の制御を向上させるために前記出力データに基づいて前記訓練データを生成することと、
   の少なくとも１つを含む、請求項６に記載の方法。
10. 前記入力データを受け取ることと、
    訓練データのデータ領域から、前記入力データに対応するデータ領域を判定することと、
    前記入力データに対応するデータ領域のデータ分布特性に基づいて入力データに対応する出力データの信頼性を判定することと、
    を含む、データの信頼性を判定する方法。
11. 訓練データを取得することと、
    取得した訓練データを複数のデータ領域に分割し、各訓練データは対応するデータ領域内に含まれることと、
    前記複数のデータ領域の各データ領域に対するデータ分布特性を生成し、前記データ分布特性は、前記複数のデータ領域の１つに含まれる入力データに対応する出力データの信頼性を判定することに使用されることと、
    を含む、訓練データを処理する方法。
12. 前記各データ領域の前記データ分布特性は、前記各データ領域内の前記訓練データの量又は強度を含む、請求項１１に記載の方法。
13. 前記複数のデータ領域のうちの１つ内の前記訓練データの量又は強度が第１所定閾値よりも大きいかどうかを判定して前記出力データの信頼性を判定することを更に含む、請求項１２に記載の方法。
14. 前記複数のデータ領域のうちの１つのデータ領域内の前記訓練データの部分間の距離が全て第２閾値未満であるかどうかを判定して前記出力データの信頼性を判定することを更に含む、請求項１２に記載の方法。
15. 入力データを受け取るように構成された入力部と、
    訓練データのデータ領域から、前記入力データに対応するデータ領域を判定するように構成された算出部と、
    前記入力データに対応する前記データ領域のデータ分布特性に基づいて、前記入力データに対応する前記出力データの信頼性を判定するように構成された推定部と、
    を含む、データの信頼性を判定する装置。
16. 前記装置は、更に制御部を含み、前記制御部は前記出力データの信頼性に応じて制御対象の動作を制御するように構成される、請求項１５に記載の装置。
17. 前記データ分布特性は、前記入力データに対応する前記データ領域内の前記訓練データの量又は強度を含み、
    前記推定部は、更に、
    前記入力領域に対応するデータ領域内の前記訓練データの量又は強度が前記第１所定閾値よりも大きい場合、信頼性が高いと判定し、そうでない場合、信頼性が低いと判定するか、又は、
    前記入力データに対応する前記データ領域内の前記訓練データの部分間の距離が全て第２閾値未満である場合、信頼性が高いと判定し、そうでない場合、信頼性が低いと判定するように構成される、請求項１５又は１６に記載の装置。
18. 訓練データを取得するように構成された取得部と、
    取得された訓練データを複数の領域に分割するように構成され、各訓練データが対応するデータ領域内に含まれる分割部と、
    前記複数のデータ領域の各データ領域に対するデータ分布特性を生成するように構成され、前記データ分布特性が前記複数のデータ領域の１つに含まれる入力データに対応する出力データの信頼性を判定するために使用される生成部と、
    を含む、訓練データを処理する装置。
19. 請求項１５〜１７のいずれか一項に記載のデータの信頼性を判定する装置と、請求項１８の訓練データを処理する装置と、を含む、データの信頼性を判定するシステム。
20. プロセッサによって実行される時、請求項１〜１４のいずれか一項に記載の方法を実行するコンピュータプログラム。
21. プロセッサによって実行される時、請求項１〜１４のいずれか一項に記載の方法を実行するコンピュータプログラムを格納するコンピュータ可読記憶媒体。

Images