单元控制装置、以及生产系统的制作方法

本发明涉及控制制造单元的单元控制装置、以及对制造单元中的多个制造机械的运转状况进行管理的生产系统。

背景技术：

在机械工场中，通过机床和机器人等多个制造机械来构筑制造单元、例如生产线。在使用这样的制造单元来制造制品的情况下，若制造单元中的制造机械的运转率低下则制品的生产量也减少。因此，当在制造单元的制造机械发生了故障时，作业员需要查明制造机械故障的发生要因，尽可能快地使制造机械恢复。但是，存在如下问题：在作业员并非熟练人员时，需要花费时间来找出针对制造机械的故障的适当的处置方法，因此，使得制造机械的恢复延迟。

因此，日本专利第2934026号公报公开了如下生产系统：一边参照各制造机械的运转数据一边确定异常的制造机械，推论出针对异常的制造机械的处置方法，通过该推论结果进行自动修正。

此外，日本专利第4873267号公报公开了如下生产系统：在停止制造机械时对目前为止的制造机械的状态进行解析而分类为多种类型，对应于各类型将确定制造机械的状态的信息显示于画面上。

日本专利第5436460号公报公开了具有示教部、和程序库的生产系统，所述示教部根据对作为制造机械的机器人的示教操作历史记录，将发生错误状态的机器人的恢复作业自动示教给机器人，所述程序库对该恢复作业的内容进行保存。

然而，日本专利第2934026号公报所公开的生产系统不具有如下功能：将制造机械发生异常时的对该异常的处置方法作为数据进行储存、更新。因此，在日本专利第2934026号公报所公开的生产系统中，存在如下问题：即使发生与过去所发生的异常同样的异常，也需要再次推论对该异常的处置方法。

在日本专利第4873267号公报所公开的生产系统中，只是将确定制造机械停止时的状态的信息提示给作业员，而不具有将针对该停止的制造机械的故障所实施的恢复作业内容进行存储以及输出的功能。因此，存在如下问题：作业员在难以找出针对所提示的制造机械的状态进行处置的方法时，使得制造机械的恢复延迟。

此外，在日本专利第5436460号公报所公开的生产系统中，设想了作业员未介入的环境，而不具有如下功能：将制造机械发生错误状态时最适合于该错误状态的恢复作业内容提示给作业员。因此，日本专利第5436460号公报所公开的生产系统存在如下情况：在作业员必需的作业中，有时发生制造机械的恢复延迟。

技术实现要素：

本发明提供一种单元控制装置以及生产系统，能够使作业员容易地取得在制造单元的制造机械停止时最适合于该制造机械的恢复作业内容。

根据本发明的第一方式，提供一种单元控制装置，以能够相互通信的方式与具有数据库的上位计算机连接，来控制包含多个制造机械的制造单元，

所述单元控制装置具有：多个传感器，其分别对多个制造机械的状态进行检测；

状态存储部，其将由各传感器检测出的各制造机械的状态进行存储；

停止信息取得部，其从存储于状态存储部的各制造机械的状态信息取得各制造机械的停止信息；

输入部，其在各制造机械停止时输入恢复作业信息；

恢复作业信息存储部，其将由输入部输入的各制造机械的恢复作业信息进行存储；以及

相关数据生成部，其生成针对每个所述制造机械而将由停止信息取得部取得的停止信息与存储于恢复作业信息存储部的恢复作业信息相互关联起来而得的相关数据，并发送给数据库。

根据本发明的第二方式，提供一种单元控制装置，其在上述第一方式的单元控制装置基础上进一步具有：

恢复作业信息读出部，其对应于由停止信息取得部取得的停止信息，从数据库读出对应于该停止信息的恢复作业信息；以及

输出部，其输出由恢复作业信息读出部读出的恢复作业信息。

根据本发明的第三方式，提供一种单元控制装置，其在上述第一方式或第二方式的单元控制装置基础上，

相关数据生成部包含：学习器，其将各制造机械的警报发生率或者运转率作为回报来学习相关数据。

根据本发明的第四方式，提供一种单元控制装置，其在上述第一方式～第三方式中的某一方式的单元控制装置基础上进一步具有：

数据判别部，其将从输入部输入到恢复作业信息存储部的恢复作业信息与蓄积于数据库的多个相关数据进行比较，

数据判别部，在从蓄积于数据库的多个相关数据中发现与输入到恢复作业信息存储部的恢复作业信息类似的恢复作业信息时，将该类似的恢复作业信息和与该恢复作业信息关联的停止信息输出给输出部。

根据本发明的第五方式，提供一种单元控制装置，其在上述第一方式～第三方式中的某一方式的单元控制装置基础上，还具有：数据判别部，其将存储于状态存储部的各制造机械的状态信息与蓄积于数据库的多个相关数据进行比较，

数据判别部构成为：在从蓄积于数据库的多个相关数据中发现与存储于状态存储部的各制造机械的状态信息类似的停止信息时，将该类似的停止信息和与该停止信息关联的恢复作业信息输出给输出部。

根据本发明的第六方式，提供一种单元控制装置，其在上述第四方式的单元控制装置基础上，

数据判别部包含：学习器，其将各制造机械的警报发生率或者运转率作为回报，对判别数据库中的各相关数据所包含的恢复作业信息、和输入到恢复作业信息存储部的恢复作业信息间的类似性的基准进行学习。

根据本发明的第七方式，提供一种单元控制装置，其在上述第一方式的单元控制装置基础上，

数据判别部包含：学习器，其将各制造机械的警报发生率或者运转率作为回报，对判别数据库中的各相关数据所包含的停止信息、和存储于状态存储部的各制造机械的状态信息之间的类似性的基准进行学习。

根据本发明的第八方式，提供一种单元控制装置，其在上述第三、第六或者第七方式的单元控制装置基础上，还具有：

制造实绩信息存储部，其将各制造机械的制造实绩信息进行存储；以及

计算部，其根据存储于制造实绩信息存储部的各制造机械的制造实绩信息中计算出各制造机械的警报发生率或者运转率。

根据本发明的第九方式，提供一种对多个制造机械的运转状况进行管理的生产系统，所述生产系统具有：上述第一方式～第八方式中的某一单元控制装置，其对包含多个制造机械的至少一个制造单元进行控制；以及

具有数据库的上位计算机，其能够相互通信地与单元控制装置连接。

附图说明

根据附图所示的本发明的典型性的实施方式的详细说明，能够进一步明确本发明的这些目的、特征以及优点和其他目的、特征以及优点。

图1是表示一个实施方式的生产系统的结构的框图。

图2是表示通过图1所示的相关数据生成部而生成且储存于上位计算机的数据库的相关数据的结构例的图。

图3是表示相关数据的另一方式的图。

图4是表示生成由制造机械的停止信息和恢复作业信息构成的相关数据并存储于上位计算机的数据库的处理过程的流程图。

图5是表示从上位计算机的数据库读出并提示对应于制造机械的停止信息的恢复作业信息的处理过程的流程图。

图6是表示图1所示的生产系统的第一变形例的结构的框图。

图7是表示图1所示的生产系统的第二变形例的结构的框图。

图8是表示图1所示的生产系统的第三变形例的结构的框图。

图9是表示神经元模型的示意图。

图10是表示三层神经网络模型的示意图。

具体实施方式

接下来，参照附图对本发明的实施方式进行说明。在以下的附图中，对同样的部件标注同样的参照符号。为了便于理解，这些附图可以适当变更比例尺。此外，附图所示的方式是用于实施本发明的一个示例，本发明并非限定于图示的方式。

图1是表示本发明的一个实施方式的生产系统的结构的框图。

参照图1，生产系统10具有：至少一个制造单元11、控制制造单元11的单元控制装置12、以及具有数据库的上位计算机(主计算机)13。

制造单元11配置于制造制品的工场。与此相对地，单元控制装置12以及上位计算机13配置于与工场不同的建筑内。例如，单元控制装置12也可以配置于配置有制造单元11的工场的场地内的其他建筑内。该情况下，优选的是，制造单元11与制造控制装置12经由通信装置18例如互联网的网络能够通信地相互连接。

上位计算机13例如也可以配置于远离工场的办公室。该情况下，优选的是，单元控制装置12与上位计算机13经由通信装置17例如互联网的网络能够通信地相互连接。另外，对于本实施方式的上位计算机13，优选的是，在上述的办公室中使用对多个制造单元11或者各制造机械的运转状况进行管理的生产计划装置的计算机。

制造单元11是将制造制品的多个制造机械灵活地组合而得的集合。本实施方式的制造单元11如图1所示包含第一制造机械14、第二制造机械15、以及第三制造机械16，但是制造单元11中的制造机械的数量没有限定。此外，制造单元11可以是某个工件通过被多个制造机械依次处理而成为最终的制品的生产线。或者，制造单元11也可以是这样的生产线：将通过两个以上的制造机械各自处理而得的两个以上的工件(部件)在制造工序的过程中通过另一个制造机械进行组合，由此完成最终的制品。此外，在本申请发明中，也可以将通过两个以上的制造单元11而处理而得的两个以上的工件进行组合，从而完成最终的制品。

制造机械14～16的每一个例如是nc机床或者工业用机器人。当然，本发明所使用的各制造机械不限定于nc机床或者工业用机器人。作为各制造机械，例如也可以是plc、输送机、计测器、实验装置、压力机、压入机、印刷机、压铸机、注射成型机、食品机械、包装机、焊接机、洗净机、涂装机、组装装置、实装机、木工机械、密封装置、或者切断机等。

此外，优选的是，所述的单元控制装置12以及制造机械14～16分别使用计算机系统(未图示)而构成，所述计算机系统具有经由总线而相互连接的rom、ram等存储器、cpu以及通信控制部。通过这些通信控制部来控制在单元控制装置12与制造机械14～16各自之间的数据的交换。此外，优选的是，关于单元控制装置12以及制造机械14～16各自的功能和动作，通过各cpu来执行各自具有的rom中存储的程序来实现。

并且，对单元控制装置12的结构进行详细叙述。

如图1所示，单元控制装置12具有：传感器19、状态存储部20、停止信息取得部21、输入部22、恢复作业信息存储部23、相关数据生成部24、恢复作业信息读出部25、以及输出部26。以下，依次对这些结构要素的功能进行说明。

传感器19设置于制造机械14～16的每一个中，按预定时间来对运转中的制造机械14～16各自的状态进行检测。状态存储部20将由各传感器19按预定时间检测出的制造机械14～16各自的状态依次进行存储。另外，优选的是，在每一台制造机械中设置多个传感器19以便能够对制造机械14～16的每一个的各种状态进行检测。并且，优选的是，单元控制装置12构成为：能够同时对来自配置于各制造机械的传感器19的状态信息进行处理。

停止信息取得部21从依次存储于状态存储部20的制造机械14～16的每一个的状态信息中取得各制造机械的停止信息。并且，停止信息取得部21在取得了所述的停止信息之后发送给相关数据生成部24。

作为所述的状态信息，例如在制造机械14～16是机器人的情况下，列举出向驱动机器人的臂部的电动机供给的电流值、安装于该电动机的位置检测器的输出等相关的信息。该情况下，停止信息是包含机器人因故障而停止时的电动机电流值的降低、位置检测器的输出异常等的多个状态信息的信息组。并且，优选的是，这样的停止信息中不仅包含制造机械停止的时刻的制造机械的状态信息，还包含从制造机械的停止时刻追溯的预定期间的制造机械的状态信息。由此，能够将制造机械因故障而停止时的预兆状态也包含于停止信息中。

输入部22具有如下功能：将表示针对各制造机械14～16的基于故障的停止所实施的恢复作业内容的恢复作业信息输入到单元控制装置12。另外，恢复作业信息例如是恢复作业内容的一览表的作业代码。恢复作业内容的一览表是将多个不同的恢复作业内容与作业代码对应起来记载的表，所述作业代码由表示各个恢复作业内容的多位数字构成。将键盘或触摸面板等用于输入这样的作业代码的输入部22。此外，输入部22也可以设置于制造机械14～16的每一个。该情况下，优选的是，将进行机器人的示教作业的示教操作盘、和nc机床的控制盘等用作输入部22。

恢复作业信息存储部23一边存储由输入部22输入的恢复作业信息，并一边将其发送给相关数据生成部24。相关数据生成部24针对制造机械14～16的每一个，生成将由停止信息取得部21取得的停止信息和存储于恢复作业信息存储部23的恢复作业信息相互关联起来而得的相关数据。

并且，优选的是，在生成所述的相关数据时，将制造机械的识别信息(id)、从停止信息取得部21发送的停止信息、紧接着该停止信息从恢复作业信息存储部23发送的恢复作业信息相互对应。或者，也可以是，相关数据生成部24如后述的第一变形例(参照图6)那样，一边通过学习器27来学习所述的相关数据一边生成相关数据。以上述方式生成的相关数据从相关数据生成部24发送至上位计算机13，储存于上位计算机13的数据库。

恢复作业信息读出部25从所述的上位计算机13的数据库读出与由停止信息取得部21取得的停止信息对应的恢复作业信息。输出部26将由恢复作业信息读出部25读出的恢复作业信息连同与由停止信息取得部21取得的停止信息一起输出。作为输出部26，使用了显示与恢复作业信息对应的恢复作业内容的显示装置、和将对应于恢复作业信息的恢复作业内容印刷到纸等薄板上的印刷装置等。此外，输出部26也可以设置于制造机械14～16的每一个中。

这里，图2示出了如上所述地通过相关数据生成部24生成且储存于上位计算机13的数据库中的相关数据的结构例。如图2所示，通过按制造机械id而将各制造机械的停止信息与恢复作业信息相互关联起来而生成相关数据。这样的相关数据由图2所示的数据表格结构构成，在数据表格的各行中，制造机械id与停止信息以及恢复作业信息相互对应。

具体来说，制造机械14～16的每一个的识别号码(例如wf0005、rd002、sf011)被写入到图2所示的相关数据中的制造机械id的表格中。“wf005”是作为输送机器人的第一制造机械14的识别号码。“rd002”是作为钻孔加工机器人的第二制造机械15的识别号码。“sf011”是作为螺纹紧固(拧螺纹)机器人的第三制造机械16的识别号码。

然后，在图2所示的相关数据中的停止信息的表格中写入包含多个状态信息的信息组或者数据列，所述多个状态信息表示由各制造机械中的多个传感器19检测出的多个状态(状态1、状态2、…)。并且，图2所示的相关数据中的恢复作业信息的表格中写入包含多个恢复作业信息的信息组或者数据列，所述多个恢复作业信息表示恢复各制造机械时所实施的多个恢复作业(作业1、作业2、…)。例如，在具有制造机械id“wf005”的输送机器人的情况下，停止信息是包含电动机电流的降低、位置检测器的输出异常等多个状态信息的信息组。并且，对应于该停止作业的恢复作业信息是包含工件取出、力觉传感器调整等多个恢复作业信息的信息组。也就是说，在上述“wf005”的输送机器人的情况下，作为输送机器人的停止信息，同时取得表示电动机电流的降低状态(状态1)的状态信息、以及表示位置检测器的输出异常状态(状态2)的状态信息等。根据这些停止信息，作业员实施工件取出、力觉传感器调整等多个恢复作业(作业1、作业2等)，将分别表示这些恢复作业的多个恢复作业信息全部输入到输入部22。因此，在图2所示的停止信息的表格中写入有表示所述的状态1、状态2等的多个状态信息。并且，在图2所示的恢复作业信息的表格中写入有表示所述的作业1、作业2等的多个恢复作业信息。

此外，在图3中示出了相关数据的另一方式。从各制造机械的状态中提取出能够变为停止的状态(停止状态)，将各自的要因、与实际的恢复作业关联起来。只要是该方式，在特定的制造机械中产生的停止状态和恢复作业也能够应用于不同的生产线的不同机械。

另外，在图2中，停止信息所包含的各状态信息通过语言而被写入，但是优选的是，代替语言，例如写入由多位数字构成的错误代码，所述多位数字表示制造机械中可引起的各种状态。此外，关于恢复作业信息，优选的是，代替图2所记载的语言，写入由通过所述的输入部22输入的多位数字构成的作业代码。

接下来，对本实施方式的单元控制装置12的特征性动作进行说明。

在本实施方式的单元控制装置12中，存在如上所述地将由停止信息与恢复作业信息构成的相关数据储存于上位计算机13的数据库的动作。参照图1以及图4对该动作进行说明。

图4是表示生成由所述的停止信息和恢复作业信息构成的相关数据并存储于上位计算机13的数据库的处理过程的流程图。

单元控制装置12对制造单元11中的制造机械14～16进行控制而开始制品的制造。这样的制品制造过程中，一边通过传感器19按预定时间来检测制造机械14～16的每一个的状态，一边依次存储于状态存储部20(步骤s11)。

接下来，停止信息取得部21从依次存储于状态存储部20的制造机械14～16的每一个的状态信息中，实时检测某个制造机械的因故障造成的停止(步骤s12)。例如，通过搭载于某个制造机械的传感器19的输出比预定值低，由此检测出该制造机械的因故障造成的停止。与此相伴地，停止信息取得部21从依次存储于状态存储部20的制造机械14～16的每一个的状态信息中，取得因故障而停止的制造机械的停止信息(步骤s13)。

接下来，判断恢复作业信息是否已从输入部22输入到恢复作业信息存储部23(步骤s14)。在步骤s14中判断为输入了恢复作业信息之前不向下一步骤转移。因此，优选的是，在如上所述地停止信息取得部21取得了制造机械的停止信息后，单元控制装置12通过光源装置或音源装置将是恢复作业信息的输入等待的主旨报知给外部。

若在上述步骤s14中判断为输入了恢复作业信息，则相关数据生成部24生成相关数据(步骤s15)。该相关数据是将停止的制造机械的识别信息、如上所述取得的停止信息、以及输入的恢复作业信息相互关联起来的数据集。接下来，相关数据生成部24将所述的相关数据发送给上位计算机13而存储于上位计算机13的数据库(步骤s16)。

之后，在步骤s17中，判断是否存在对单元控制装置12的停止指令。当存在停止指令时，生成以及存储上述的相关数据的处理结束。另一方面，当不存在停止指令时，从步骤s17返回到步骤s11，再次进行步骤s11～步骤s16的处理。通过重复以上的处理，所述的相关数据被储存于上位计算机13的数据库中。

此外，在本实施方式的单元控制装置12中，还存在如下动作：在取得了所述的停止信息时，从上位计算机13的数据库读出对应于该停止信息的恢复作业信息并提示给作业员。参照图1以及图5对该动作进行说明。

图5是表示从上位计算机13的数据库读出并提示对应于所述的停止信息的恢复作业信息的处理过程的流程图。

图5所示的步骤s21～步骤s23与所述的图4的步骤s11～步骤s13相同。因此，通过进行步骤s21至步骤s23，取得因故障而停止的制造机械的停止信息。

之后，恢复作业信息读出部25从所述的上位计算机13的数据库中读出与在步骤s23中取得的停止信息对应的恢复作业信息(步骤s24)。接下来，输出部26将通过恢复作业信息读出部25读出的恢复作业信息输出(步骤s25)。在输出部26中，停止的制造机械的停止信息和与其对应的恢复作业信息例如被印刷在纸上或者显示于画面上。另外，上述的步骤s24～步骤s25的处理也可以在所述的图4的步骤s13与步骤s14之间进行。

之后，在步骤s26中，判断是否存在对单元控制装置12的停止指令。当存在停止指令时，通过输出部26输出上述那样的恢复作业信息的处理结束。另一方面，当不存在停止指令时，从步骤s26返回到步骤s21，再次进行步骤s21～步骤s26的处理。

如以上所说明那样，本实施方式的单元控制装置12构成为：生成相关数据，所述相关数据为按制造机械将表示因故障而停止的制造机械的状态的停止信息、和该制造机械的恢复作业信息关联起来而得的数据。并且，每当生成所述那样的相关数据时，发送并储存于上位计算机13的数据库。因此，在某个制造机械因故障而停止时，作业员能够从上位计算机13的数据库中取得恢复作业信息，所述恢复作业信息表示针对该制造机械的停止在过去所实施的恢复作业内容。也就是说，本实施方式的单元控制装置12能够使作业员容易地取得最适合于制造单元11的各制造机械的停止信息的恢复作业内容。

特别是，在本实施方式的单元控制装置12中，在取得制造机械的停止信息时，从上位计算机13的数据库中读出与该制造机械的停止信息对应的恢复作业信息并输出给输出部26。由此，作业员尤其是熟练度低的人员能够迅速地取得针对停止的制造机械的恢复作业内容，且能够适当地实施恢复作业。

接下来，对所述的单元控制装置12的第一变形例进行说明。图6是表示图1所示的单元控制装置12的第一变形例的结构的框图。

如图6所示，相对于图1所示的单元控制装置12，第一变形例的单元控制装置12a还具有：学习器27、制造实绩信息存储部28、以及计算部29。以下，依次对这些结构要素的功能进行说明。

在图6所示的单元控制装置12a中，学习器27设置于相关数据生成部24中。学习器27将各制造机械14～16的警报发生率或者运转率作为回报，对由所述的相关数据生成部24生成的相关数据进行学习。

具体来说，在针对因故障而停止的制造机械进行了恢复作业之后，学习器27取得该制造机械在恢复之后经过预定时间为止的警报发生率或者运转率。取得的警报发生率越小，或者运转率越大，能够判断为针对该制造机械的恢复作业是适当的。因此，学习器27针对由所述的停止信息和恢复作业信息构成的相关数据给予与制造机械的警报发生率或者运转率对应的回报，从而实施相关数据的最佳化。

使用制造实绩信息存储部28以及计算部29来取得上述的警报发生率或者运转率。即，制造实绩信息存储部28将按照来自单元控制装置12a的控制指令而运转的制造机械14～16的每一个的制造实绩信息进行存储。计算部29根据存储于制造实绩信息存储部28的制造实绩信息，来计算各制作机械14～16的警报发生率或者运转率。

上述的制造实绩信息是为了进行由制造单元11制造的制品的品质管理、工序管理等而使用的信息。例如，作为制造实绩信息，列举出：制造过程中的制造机械中的电动机的电流值、制造所需的时间、制造过程中发生的警报信息、在制造中使用的程序和参数值、在制造中使用的工具的识别号码、制造过程中的周围温度、制造后通过测定器测定出的制造误差等。

在本实施方式中，制造机械名称、制造时间、工件处理数、警报件数等包含于制造实绩信息。在制造机械名称中，使用对制造机械固有的识别号码。制造时间是该制造机械进行工件的处理所需的时间。工件处理数是由该制造机械处理的工件的数量。警报件数是制造机械的工件的处理中所发生的警报次数。另外，为了报知各制造机械的异常，在警报中使用设置于各制造机械的音源和光源等的输出。

在计算部29中例如以如下方式来计算警报发生率。通过将警报件数除以制造时间或者制造单元11中的制造机械的数量，能够求出警报发生率。此外，也可以是将因警报的发生使得制造机械停止的时间除以该制造机械的原本应该运转的时间而得的值，作为警报发生率。或者，也可以将因警报的发生使得制造机械停止的时间直接视为警报发生率。这样的警报发生率的计算方法是一个示例，本发明不限于此。并且，在计算部29中，也可以不使用所述的警报发生率，而计算出运转率。通过将制造机械实际运转的时间除以该制造机械的原本应该运转的时间，来求出运转率。

根据上述那样的第一变形例，能够通过学习器27来对储存于上位计算机13的数据库的相关数据中的、各制造机械的停止信息与恢复作业信息的关联性进行强化。

另外，作为上述的状态存储部20、恢复作业信息存储部23、以及制造实绩信息存储部28，例如能够使用ram(randomaccessmemory：随机存取存储器)这样的存储器装置。或者，在状态存储部20、恢复作业信息存储部23、以及制造实绩信息存储部28中能够使用硬盘等固定磁盘装置、或者软盘、光盘等可移动的存储装置等。

并且，对所述的单元控制装置12的第二变形例进行说明。图7是表示图1所示的单元控制装置的第二变形例的结构的框图。

如图7所示，相对于图6所示的单元控制装置12a，第二变形例的单元控制装置12b还具有数据判别部30以及学习器31。以下，依次对这些结构要素的功能进行说明。

数据判别部30将从输入部22输入到恢复作业信息存储部23的恢复作业信息，与如上所述地储存于上位计算器13的数据库的多个相关数据进行比较。并且，数据判别部30在从数据库中的多个相关数据中发现了类似于所输入的恢复作业信息的恢复作业信息时，将该类似的恢复作业信息和与其关联的停止信息输出给输出部26。此时，优选的是，恢复作业信息以及停止信息在输出部26中被印刷在纸上，或者显示于画面上，从而提示给作业员。

在这样的第二变形例的单元控制装置12b中，作业员预测针对停止的制造机械的恢复作业内容，将表示该恢复作业内容的恢复作业信息从输入部22输入到恢复作业信息存储部23。在类似于输入的恢复作业信息的恢复作业信息存在于上位计算机13的数据库中时，通过输出部26而输出该类似的恢复作业信息和与其关联的停止信息。由此，作业员能够知晓针对制造机械的哪一种停止状态实施了与预测出的恢复作业内容类似的恢复作业信息。换言之，关于第二变形例的单元控制装置12b，能够使作业员理解预测出的恢复作业内容针对当前发生的制造机械的停止状态是否适当。此外，作业员从产生了与预测出的恢复作业内容类似的恢复作业信息的制造机械的停止信息中，易于预测出更适当的恢复作业内容。

并且，对所述的单元控制装置12的第三变形例进行说明。图8是表示图1所示的单元控制装置的第三变形例的结构的框图。

如图8所示，相对于图6所示的单元控制装置12a，第三变形例的单元控制装置12c以与所述的第二变形例同样的方式还具有数据判别部30以及学习器31。但是，如下所述，这些结构要素的功能与所述的第二变形例不同。

如图8所示，数据判别部30将通过停止信息取得部21从状态存储部20取得的停止信息与如上所述储存于上位计算机13的数据库的多个相关数据进行比较。并且，数据判别部30从数据库中的多个相关数据中发现与所取得的停止信息类似的停止信息，并将该类似的停止信息输出给输出部26。此外，数据判别部30从所述的数据库调用与该类似的停止信息关联的恢复作业信息，输出给输出部26。此时，优选的是，恢复作业信息以及停止信息在输出部26中被印刷于纸上或者显示于画面上，由此来向作业员提示。此外，在实际的停止发生之前，发现类似的停止信息，即，可以预知停止。

在这样的第三变形例的单元控制装置12c中，能够根据状态存储部20内的制造机械的状态信息，判别类似于停止信息的状态。能够使用该类似的停止信息，从上位计算机13的数据库中读出与该类似的停止信息关联的恢复作业信息。此外，类似的停止信息和与其关联的恢复作业信息分别通过输出部26而被输出。由此，作业员能够知晓制造机械类似于特定的停止信息的状态，也就是停止的前兆。换言之，第三变形例的单元控制装置12c能够从制造机械的状态预知可能发生的机械的停止。此外，作业员通过预知预测出的停止信息，能够预防停止、进行恢复作业的准备等。

但是，当在所述的第二变形例以及第三变形例中各数据判别部30中的类似的判别精度降低时，输出与作业员预测出的恢复作业内容大不相同的恢复作业内容所关联的停止信息。该情况下，作业员有可能误解为预测出的恢复作业内容是适当的。因此，优选的是，在所述的各数据判别部30中设置有学习器31。即，优选的是，第二变形例的单元控制装置12c中的学习器31构成为：对判别所述的数据库中的各相关数据所包含的恢复作业信息、与输入到恢复作业信息存储部23的恢复作业信息之间的类似性的基准进行学习。另一方面，优选的是，第三变形例的单元控制装置12c中的学习器31构成为：对判别所述的数据库中的各相关数据所包含的停止信息、与输入到状态存储部20的制造机械的状态信息之间的类似性的基准进行学习。特别是，这些学习器31将各制造机械14～16的警报发生率或者运转率作为回报，来学习所述那样的类似性的判别基准，例如数据的一致率。

具体来说，在如上所述地作业员通过预测出的恢复作业内容而使制造机械恢复之后，学习器31取得该制造机械从恢复起直到经过预定时间为止的警报发生率或者运转率。取得的警报发生率越小，或者运转率越大，能够判断为该预测出的恢复作业内容是适当的。因此，学习器31针对所述的类似性的判别基准，例如数据的一致率给予与制造机械的警报发生率或者运转率对应的回报，由此学习最适合于数据判别部30的类似性判别的基准。另外，优选的是，与所述的第一变形例同样地，使用制造实绩信息存储部28以及计算部29来取得上述的警报发生率或者运转率。

如上所述，在第二变形例的单元控制装置12b以及第三变形例的单元控制装置12c中，通过将学习器31设置于数据判别部30，来实现数据判别部30中的类似的判别基准的最佳化。

并且，对上述的学习器27、31(以下，称为机械学习装置)进行详细说明。机械学习装置具有如下功能：通过解析而从输入到装置的数据集合中提取出其中有用的规则和知识表现、判断基准等，输出其判断结果，并且进行知识学习。该方法是多种多样的，但是大致分类为“有教师学习”、“无教师学习”、“强化学习”。并且，在实现这些方法的基础上，存在对特征量本身的提取进行学习的、称为“深度学习”的方法。

所谓“有教师学习”是通过将某种输入与结果(标签，label)的数据组大量地给予到机械学习装置，来学习这些数据集(dataset)中的特征，能够归纳性地获得从输入推定出结果的模型即其相关性。能够使用后述的神经网络等算法来实现。

所谓“无教师学习”是如下方法：通过只将输入数据大量地给予到机械学习装置，学习输入数据进行了怎样的分布，即使不给予对应的教师输出数据，也能通过针对输入数据进行压缩、分类、整形等的装置进行学习。能够将存在于这些数据集中的特征聚类于相似者之间等。使用该结果来设定某个基准而进行使其为最佳的这样的输出分配，由此，能够实现预测输出。此外，作为“无教师学习”和“有教师学习”中间的问题设定而被称为“半有教师学习”，其对应于如下情况：仅存在一部分输入和输出的数据组，除此之外仅有输入的数据。

以如下方式来设定强化学习的问题。

·机械学习装置观测环境的状态，决定行为。

·环境按照某种规则进行变化，并且自身行为有时也对环境赋予变化。

·每次进行行为时反馈回来回报信号。

·想要最大化的是到将来的(折扣)回报的总和。

·从完全不知道行为引起的结果或者只是不完全知道的状态起，开始学习。以机械学习装置实际动作开始，能够作为数据而获得其结果。也就是说，需要一边试错一边探索最佳的行为。

·可以将例如模仿人类动作这样事前学习(上述的称为有教师学习、逆强化学习这样的技术)了的状态设为初始状态，来从较好的开始点起开始学习。

所谓“强化学习”是不仅进行判定和分类，还学习行为，由此在行为给予环境的相互作用的基础上学习适当的行为，即，用于使将来获得的回报最大化的学习方法。在本实施方式中，其表示能够获得对未来造成影响的行为。例如，以q学习的情况继续说明，但是并非局限于此。

q学习是在某种环境状态s下学习选择行为a的价值q(s、a)的方法。也就是说，在某种状态s时，将价值q(s、a)最高的行为a选择为最佳行为。但是，最开始对于状态s与行为a的组合，完全不知道价值q(s、a)的正确值。因此，智能体(行为主体)在某种状态s下选择各种各样的行为a，并针对当时的行为a给予回报。由此，智能体不断学习更好的行为选择，即学习正确的价值q(s、a)。

行为的结果是想要使到将来获得的回报的总和最大化，所以目标是最终成为q(s、a)＝e[σγ^trt](按最佳行为而改变状态时得到期望值。当然，由于不知道期望值，因此不得不一边探索一边学习)。这样的价值q(s、a)的更新式例如可以通过如下式来表示。

这里，st表示时刻t的环境状态，at表示时刻t的行为。通过行为at，状态变化为st+1。rt+1表示通过该状态的变化而得到的回报。此外，带有max的项是：在状态st+1下，将γ乘以选择出当时知道的q值最高的行为a时的q值而得的值。γ是0＜γ≤1的参数，被称为折扣率。α是学习系数，设α的范围为0＜α≤1。

该式表示如下方法：根据试行at的结果而反馈回来的回报rt+1，更新状态st下的行为at的评价值q(st、at)。表示了：若基于回报rt+1+行为a的下一状态的最佳行为maxa的评价值q(st+1、maxat+1)比状态s下的行为a的评价值q(st、at)大，则增大q(st、at)，反之，如果小，则减小q(st、at)。也就是说，使某种状态下的某种行为价值，接近于在作为结果即时反馈回来的回报和基于该行为的下一状态下的最佳的行为价值。

q(s、a)在计算机上的表现方法有以下方法：针对所有的状态行为对(s、a)，将其值保存为表格(行为价值表)的方法、以及准备对q(s、a)进行近似的这样的函数的方法。在后者的方法中，可以通过随机梯度下降法等方法来调整近似函数的参数来实现上述的更新式。作为近似函数，可以使用后述的神经网络。

作为有教师学习、无教师学习以及强化学习中的价值函数的近似算法，可以使用神经网络。例如由实现模拟了图9所示那样的神经元模型的神经网络的运算装置以及存储器等来构成神经网络。图9是表示神经元模型的示意图。

如图9所示，神经元输出针对多个输入x(这里，作为一个示例，输入x1～输入x3)的输出y。对各输入x1～x3乘以与该输入x对应的权值w(w1～w3)。由此，神经元输出由如下式表现的输出y。另外，输入x、输出y以及权值w都是向量。

这里，θ是偏置，fk是激活函数。

接下来，参照图10对具有组合了上述的神经元而得的三层权值的神经网络进行说明。图10是表示具有d1～d3的三层权值的神经网络的示意图。

如图10所示，从神经元网络的左侧输入多个输入x(这里作为一例是输入x1～输入x3)，从右侧输出结果y(这里作为一例，结果y1～结果y3)。

具体来说，输入x1～输入x3乘以对应的权值而被输入到三个神经元n11～n13的每一个。与这些输入相乘的权值统一标记为w1。

神经元n11～n13分别输出z11～z13。这些z11～z13可以被统一标记为特征向量z1，看作是提取出输入向量的特征量而得的向量。该特征向量z1是权值w1与权值w2之间的特征向量。

z11～z13乘以对应的权值而被输入到两个神经元n21、n22的每一个。与这些特征向量相乘的权值被统一标记为w2。

神经元n21、n22分别输出z21、z22。其被统一标记为特征向量z2。该特征向量z2是权值w2与权值w3之间的特征向量。

特征向量z21、z22乘以对应的权值而被输入到三个神经元n31～n33的每一个。与这些特征向量相乘的权值被统一标记为w3。

最后，神经元n31～n33分别输出结果y1～结果y3。

在神经网络的动作中有学习模式和价值预测模式，在学习模式中使用学习数据集来学习权值w，在预测模式中使用其参数进行加工机的行为判断(为了方便而写为预测，但是也可以是检测、分类、推论等多种多样的任务)。

可以是在预测模式下对实际运行加工机而获得的数据进行即时学习，并反映到下一行为中(在线学习)，也可以是使用预先收集好的数据组来进行汇总学习，以后一直用该参数进行检测模式(批量学习)。也可以是中间性的，每当积攒了某种程度数据时，就可以插入学习模式。

可以通过误差反传播法(误差反向传播法：backpropagation)来学习权值w1～w3。误差信息从右侧进入流向左侧。误差反传播法是如下方法：针对各神经元，调整(学习)各自的权值，使得输入了输入x时的输出y与真实的输出y(教师)之间的差值减小。

这样的神经网络还可以在三层以上进一步增加层(称为深层学习)。可以阶段性地进行输入的特征提取，仅从教师数据自动地获得用于反馈(回归)结果的运算装置。

另外，在图6所示的学习器27、图7以及图8所示的学习器31中，分别采用了作为机械学习方法的一种的强化学习，例如采用了q学习。当然，适合于各学习器27、31的机械学习方法不局限于q学习。例如在将有教师学习应用于各学习器27、31时，价值函数对应于学习模型、回报对应于误差。

以上，使用典型的实施方式说明了本发明，但是本领域技术人员应当了解在不脱离本发明的范围的情况下能够对上述的实施方式进行变更以及各种其他的变更、省略、追加。

发明效果

根据上述的第一方式以及第九方式，在制造单元的制造机械停止时将最适合于该制造机械的恢复作业内容的信息进行存储，更新为最佳形态，由此，能够使作业员容易地取得恢复作业。并且，根据上述第二方式，作业员特别是熟练度低的人员能够迅速且适当地实施针对停止的制造机械的恢复作业。

并且，根据上述的第三方式以及第八方式，能够通过学习器来对储存于上位计算机的数据库的相关数据中的、各制造机械的停止信息和恢复作业信息之间的关联性进行强化。

此外，根据上述的第四方式，作业员能够根据所输出的相关数据所包含的恢复作业信息和与此对应的制造机械的停止信息，确认预测出的恢复作业内容是否是适合于制造机械的恢复的作业。

此外，根据上述的第五方式，作业员能够根据制造机械的停止信息和与此类似的制造机械的停止信息，事先预知机械的停止，能够为恢复作业做准备。

并且，根据上述的第六方式以及第七方式，通过将学习器设置于数据判别部，实现了数据判别部中的类似的判别基准的最佳化。