单元控制系统的制作方法

本发明涉及单元控制系统，特别是涉及对多个机械中的噪声的影响进行推断的单元控制系统。

背景技术：

图7是表示对由多个制造机械构成的制造单元进行管理的单元控制系统(制造管理系统)的图。单元控制系统通过一边对制造机械的使用状况进行管理、判断使用哪一制造机械，一边基于由生产计划装置指示的制造计划对各制造单元进行运转指示，从而提高制造单元整体的运转率。

在使制造单元按照制造计划运转时，若运转中的制造单元具备的制造机械产生警报而停止动作，则该制造单元的生产性会降低，结果，制造单元整体的运转率会降低。

作为用于对应制造机械的警报产生的现有技术，例如在日本特开2011－243118号公报中公开有一种监控诊断装置，其如下进行，即，将监控对象装置内的多个部件作为监控对象，收集被安装的传感器的时间序列物理量，进行异常检测和其原因诊断，根据传感器数据间的相关系数决定因果关系的有无。另外，在日本特开平8－320726号公报中公开有一种诊断解析装置，其对于从多个控制对象捕获的信号，对相关的组进行解析，且与正常时的相关信息进行比较，从而解析异常的有无，并根据异常的有无信息，输出故障部位的结论。

通常，为了防止警报的发生，进行对制造机械的噪声(电气干扰、物理振动)的应对措施。这样的应对措施通过以下的步骤进行。

步骤a1)测量各机械的噪声的状态。

步骤a2)根据步骤a1的测量结果，解析产生警报的可能性。

步骤a3)根据解析结果，指定警报的原因，进行遮断该原因的噪声应对措施。

但是，在类似于工厂等的多个制造机械持续运转的环境中，由于制造机械的配置、配线或者动作模式等多个条件复合关联而使噪声的影响变化，因此，即使进行了上述步骤，也多难以指定警报的原因。在这样的状况下，需要同时解析噪声和运转状况两者，但是，实际上多个制造机械同时运转，因此作为整体的动作模式变得复杂，原因的解析本身变得困难。

与此相对，在日本特开2011－243118号公报公开的技术中，仅用单一的装置内的传感器进行诊断，因此，即使在多个机械同时运转的制造单元中应用，效果也达不到预期。另外，在日本特开平8－320726号公报公开的技术中，虽然能够进行对包含多个控制装置的机械系统的异常诊断，但是仅能够对预先将异常登记于数据库的状况推断异常原因。

技术实现要素：

因此，本发明的目的在于提供一种通过推断多个机械中的噪声的影响能够进行警报主要原因的推断的单元控制系统。

在本发明中，将制造单元包含的机械的控制装置与单元控制器连接。各单元控制器对各制造机械监控并收集以下状况。

1.各测定部位(控制装置主体、放大器、电源、信号线等)中的噪声的值

2.制造单元的各机械的运转信息(各轴的速度、加速度、负荷、执行中线路编号等)

而且，单元控制器通过以下的步骤解析收集到的信息。

步骤b1)通过机器学习计算噪声的值与运转信息的相关关系。

步骤b2)根据相关关系，推断容易产生噪声的状况(＝运转信息的组合)。

步骤b3)根据相关关系，检测噪声水平容易变高的机械、相应部位。

单元控制器将推断出的结果通知至制造机械的操作人员、上位服务器。

以该推断结果为基础，操作人员能够集中在制造机械的特定部位进行噪声的应对措施。因此，能够以较少的工时有效地进行提高制造单元的运转率的应对措施。

而且，本发明的单元控制系统具备：至少一个制造单元，其具备至少一个制造机械；以及单元控制器，其基于从生产计划装置接收到的制造计划，对上述制造机械发送运转指示，该单元控制系统的特征在于，上述单元控制器具备：机械运转指示部，其基于上述制造计划对上述制造机械发送运转指示；噪声值收集部，其收集检测的噪声信息；运转信息收集部，其收集上述制造机械的运转信息；学习部，其进行将上述运转信息收集部收集到的运转信息作为输入信号且将上述噪声值收集部收集到的噪声信息作为教师信号的机器学习，生成学习模型；推断部，其对上述学习部所生成的学习模型进行解析，推断成为在上述制造机械检测的噪声的主要原因的运转信息；以及运转指示变更部，其基于上述推断部推断出的成为噪声主要原因的运转信息，对上述机械运转指示部发出指示内容的变更的指令。

本发明的上述单元控制系统的特征在于，上述推断部进行使用了上述学习部所生成的学习模型的预测，推断上述制造机械中的噪声耐性低的制造机械，上述运转指示变更部基于上述推断部推断出的噪声耐性的信息，对上述机械运转指示部发出指令，以便变更通信内容。

本发明的上述单元控制系统的特征在于，上述运转指示变更部对上述机械运转指示部发出指令，以便变更推断为对上述推断部推断出的噪声耐性低的制造机械产生影响的运转指示。

根据本发明，能够对各制造机械推断与噪声的相关关系大的运转信息。通过以推断结果为基础进行噪声应对措施，能够预防警报的发生。由此，能够提高制造机械的运转率。另外，能够检测制造机械间的噪声的相关关系，并且通过持续地进行监控，也能够检测制造机械自身的噪声耐性的劣化。

附图说明

根据参照附图的以下的实施例的说明，将明确本发明的上述的及其它目的及特征。在这些图中：

图1表示本发明的一实施方式的单元控制系统的概要结构图。

图2是表示使用了多层神经网络的学习部的例的图。

图3是说明推断部的推断成为噪声原因的运转信息的步骤的图。

图4是说明推断部的推断成为噪声原因的运转信息的步骤的图。

图5是说明推断部的推断成为噪声原因的运转信息的步骤的图。

图6是说明推断部的推断噪声耐性低的制造机械的步骤的图。

图7是表示管理由多个制造机械构成的制造单元的单元控制系统(制造管理系统)的图。

具体实施方式

以下，与附图一起对本发明的实施方式进行说明。

图1表示本发明的一实施方式的单元控制系统的概要结构图。此外，在图1中，虚线箭头表示现有技术中的信息流，实线箭头表示在本发明中导入的信息流。本实施方式的单元控制系统1通过经由网络等连接生产计划装置2、单元控制器3、以及至少一个制造单元4而构成。

生产计划装置2计划在至少一个各制造单元4进行的整体的制造作业，将计划出的制造作业作为制造计划发送到管理各个制造单元4的单元控制器3。

单元控制器3基于由生产计划装置2指示的制造计划，一边管理处于管理下的制造单元4具备的制造机械41的使用状况、判断使用哪一个制造机械41，一边对各制造单元进行运转指示。图1所示的单元控制器3管理着至少一个制造单元4。单元控制器3具备制造计划接收部30、机械运转指示部31、通信部32、噪声值收集部33、运转信息收集部34、学习部35、推断部36、以及运转指示变更部37。

制造计划接收部30接收由生产计划装置2指示的制造计划，并将接收到的制造计划输出到机械运转指示部31。

机械运转指示部31基于从制造计划接收部30输入的制造计划，将运转指示经由通信部32发送到处于单元控制器3的管理下的制造单元4具备的至少一以上的制造机械41。机械运转指示部31具备基于制造计划生成处于管理下的制造单元4具备的每一制造机械41的运转时间表的功能。

噪声值收集部33从处于管理下的制造单元4具备的制造机械41收集在该制造机械41检测出的噪声的值，且与时刻信息等一起存储于运转信息数据库38。噪声值收集部33收集的噪声值除了由制造机械41具备的噪声检测部42检测出的噪声值以外，还可以收集由设于工厂、外部的未图示的传感器等检测出的噪声值，也可以收集能够由单元控制系统1获取的所有噪声值。

运转信息收集部34从处于管理下的制造单元4具备的制造机械41收集表示该制造机械41的运转状态的运转信息，且与时刻信息等一起按照每个制造机械41存储于运转信息数据库38。运转信息收集部34除了表示制造机械41的运转状态的信息以外，例如，也可以收集时刻、工厂的电力状态等能够由单元控制系统1获取的所有信息作为运转信息。

学习部35基于存储于运转信息数据库38的噪声值和运转信息，机器学习从各制造机械收集到的运转信息与从各制造机械41检测出的噪声值的关系。而且，将学习部35学习到的模型用于后述的推断部36的推断。学习部35进行的学习使用的模型只要是能够推断由某运转信息的变化而引起的噪声值的变化趋势的模型，就可以使用任一种。

例如，能够使用后述的多层神经网络、贝叶斯网络等。

作为一例，例如在使用图2所示的多层神经网络作为学习部35的情况下，施加各制造机械41的运转信息作为输入信号，施加各制造机械41的噪声值作为教师信号，可以在中间层1，使各制造机械41的运转信息中相同的制造机械的运转信息相互学习，在全结合层，学习各制造机械41的工作信息与各制造机械的噪声的相关关系。

在推断部36中，使用学习部35学习到的模型，从运转信息中推断对噪声产生较大影响的噪声主要原因。成为噪声主要原因的运转信息例如能够通过以下的步骤来推断。

步骤c1)将作为对象的噪声信息设为噪声a。

步骤c2)从收集到的运转信息随机选择多个时刻的运转信息。

步骤c3)对于选出的各运转信息，使用学习到的模型计算输入值相当于噪声a的值的斜率。

步骤c4)计算斜率的平均值，将斜率特别大的输入信号推断为噪声主要原因的运转信息。但是，在与其它输入信号相比，斜率的差较小的情况下，不推断为噪声主要原因。

图3、4是表示上述的推断噪声主要原因的步骤的图像的图。在图3、4中，例如，将作为主要原因推断的对象的噪声值设为a，将w1设为运转信息的传送速度值，将w2设为运转信息的主轴速度值，x1表示传送速度与噪声值a(w)的相关系数，x2表示主轴速度与噪声值a(w)的相关系数，上标(n)表示对在上述的步骤c2所选择的多个运转信息标记的连续的编号n。通过机器学习而模型化的噪声值a视为运转信息w的函数，因此在图中书写为a(w)。

如图3(a－1)所示，解析学习部35学习到的模型，计算特定的运转信息w⁽¹⁾中的传送速度与噪声值a(w)的相关系数x1⁽¹⁾。同样，如图3(a－2)所示，解析学习部35学习到的模型，计算特定的运转信息w⁽²⁾中的传送速度与噪声值a(w)的相关系数x1⁽²⁾。这样地，如图4(b－1)所例示的那样，对于随机抽取的运转信息w⁽¹⁾～w⁽ⁿ⁾的每一个中的传送速度w1，解析学习部35学习到的模型，求出各相关系数x1⁽¹⁾～x1⁽ⁿ⁾，且计算对它们进行了平均的值。在这样计算出的相关系数的平均值(图4(b－1)中，0.5)比预先制定的规定的阈值(例如阈值0.1)大的情况下，由于该运转信息(图4(b－1)中，传送速度w1)的变动对噪声值a(w)产生较大的影响，因此能够推断为传送速度w1为噪声值a的噪声主要原因。此外，在图4(b－2)所示的例中，因为主轴速度w2的各相关系数x1⁽¹⁾～x1⁽ⁿ⁾的平均值(0.025)成为较小的值，所以主轴速度w2的变动不会对噪声值a(w)产生较大的影响，因此能够推断为主轴速度w2不是噪声值a的噪声主要原因。

此外，在上述的图3、4中，为简单地进行说明，用与噪声值的二维图表示出了各运转信息，并将斜率值作为相关系数而求出，而实际上，如图5所示，将与运转信息的输入数对应的多维函数中的各点的每个方向的斜率值作为相关系数而计算。

在推断部36中，也能够使用学习部35学习到的模型，推断噪声耐性低的机械。噪声耐性低的机械例如能够通过以下的步骤来推断。

步骤d1)从收集到的运转信息选择一件恰当时刻的数据。

步骤d2)将选出的运转信息作为输入值输入学习部35学习到的模型，计算供各输出值增加的输入值的斜率。

步骤d3)在计算出的斜率方向上使各输入值增减。

步骤d4)在任一输出超过预定的阈值或者收敛之前，重复进行步骤d2～d3。

步骤d5)步骤d4中超过了阈值的输出信号的制造机械推断为噪声耐性低。

图6是表示上述的推断低噪声耐性机械的步骤的图像的图。如图6(c－1)所示，在步骤d3中使输入值增减时，在噪声值a(w)超过了预定阈值的情况下，能够推断为在运转中能够产生噪声的制造机械，能够推断为该制造机械噪声耐性低。另外，如图6(c－2)所示，在步骤d3中使输入值增减时，在噪声值a(w)不会超过预定阈值而收敛(噪声值a(w)下降)的情况下，能够推断为在运转中不会产生成为问题的水平的噪声值a的制造机械，能够推断为该制造机械的噪声耐性没有问题。

运转指示变更部37基于推断部36的成为噪声主要原因的运转信息的推断结果、或推断部的噪声耐性低的制造机械的推断结果，对机械运转指示部31发出指令，以变更向各制造机械41发送的指示内容。作为运转指示变更部37向机械运转指示部31发送的指示的变更的例，例如，可以列举在实际上使成为被推断为噪声主要原因的运转信息的原因的制造机械、被推断为噪声耐性低的制造机械运转时，在该制造机械的控制面板的画面等显示催促信息，以便采取与被推断为噪声主要原因的运转信息相关联的噪声应对措施、发出警告，以便将被推断为噪声主要原因的运转信息变更为不产生噪声的程度的值(例如，推荐降低制造机械的传送速度等)等。而且，运转指示变更部37也可以向生产计划装置2等上位服务器通知被推断为噪声主要原因的运转信息、与被推断为噪声耐性低的制造机械相关的信息。

运转指示变更部37也可以基于推断部36的成为噪声主要原因的运转信息的推断结果、或噪声耐性低的制造机械的推断结果，为了不产生因噪声而引起的机械异常而对机械运转指示部31发出指令，以便变更向各制造机械41发送的运转指示内容。作为制造机械的运转指示内容的变更的例，对于成为被推断为噪声主要原因的运转信息的原因的制造机械，变更使用的程序，以便按照不成为这样的运转状态的方法进行运转，或者在使被推断为噪声耐性低的制造机械运转的期间，变更顺序，以便不指示类似于成为对该制造机械的噪声主要原因的制造机械的运转。除此之外，还可以考虑变更为使被推断为噪声主要原因的运转信息降低为不产生噪声的程度的值(例如，自动变更运转指示，以便降低制造机械的传送速度等)等。

制造单元4具备至少一个制造机械41。另外，各制造机械41具备噪声检测部42、运转信息发送部43。

噪声检测部42使用设置于制造机械41的各部的未图示的传感器等检测产生的噪声，并将检测出的噪声值发送至单元控制器3。另外，运转信息发送部43将未图示的制造机械41的控制部从制造机械41的各部收集到的信息作为运转信息发送至单元控制器3。

以上，至此对本发明的实施方式进行了说明，但本发明不仅限于上述的实施方式的例，通过施加恰当的变更，能够以各种方式实施。