ホーム > 特許ランキング > ＴＭＴマシナリー株式会社
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024125173
(43)【公開日】2024-09-13
(54)【発明の名称】異常判定装置、異常判定方法および異常判定プログラム
(51)【国際特許分類】
G01N 25/72 20060101AFI20240906BHJP
B65H 63/06 20060101ALI20240906BHJP
G01J 5/48 20220101ALI20240906BHJP
G06T 7/00 20170101ALI20240906BHJP
D06H 3/08 20060101ALI20240906BHJP
D01D 11/00 20060101ALI20240906BHJP
【ＦＩ】
G01N25/72 Z
B65H63/06 Z
G01J5/48 A
G06T7/00 350B
D06H3/08
G01J5/48 C
D01D11/00 Z
【審査請求】未請求
【請求項の数】28
【出願形態】ＯＬ
(21)【出願番号】P 2024014663
(22)【出願日】2024-02-02
(31)【優先権主張番号】P 2023032375
(32)【優先日】2023-03-03
(33)【優先権主張国・地域又は機関】JP
(71)【出願人】
【識別番号】502455511
【氏名又は名称】ＴＭＴマシナリー株式会社
(74)【代理人】
【識別番号】100185719
【弁理士】
【氏名又は名称】北原 悠樹
(72)【発明者】
【氏名】北川 重樹
(72)【発明者】
【氏名】橋本 欣三
(72)【発明者】
【氏名】吉田 一登
(72)【発明者】
【氏名】松田 涼
【テーマコード（参考）】
2G040
2G066
3B154
3F115
4L045
5L096
【Ｆターム（参考）】
2G040AA05
2G040AB12
2G040BA14
2G040BA25
2G040CA02
2G040DA06
2G040DA12
2G040DA22
2G040EA08
2G040GA05
2G040HA02
2G040HA03
2G040HA08
2G040HA13
2G040ZA08
2G066AC16
2G066BC15
2G066CA02
2G066CA04
3B154AB03
3B154BA53
3B154BB18
3B154BB76
3B154BC17
3B154BC42
3B154CA12
3B154CA16
3B154CA22
3B154DA21
3F115CA16
3F115CB08
3F115CC01
3F115CC08
3F115CC23
4L045AA05
4L045BA03
4L045DA52
4L045DB14
4L045DB17
4L045DC06
4L045DC40
5L096AA06
5L096BA18
5L096CA02
5L096DA02
5L096HA11
5L096KA04
(57)【要約】
【課題】糸の異常を精度良く判定できる異常判定装置を提供する。
【解決手段】制御装置は、入力部と、判定部と、出力部と、を備える。入力部には、紡糸引取機１が備える第１糸ガイド５ａの一部である糸道領域を含む熱画像が入力される。判定部は、入力部に入力された熱画像に基づいて、糸９３に関する異常の有無を判定する。出力部は、判定部の判定結果を出力する。
【選択図】図１
【解決手段】制御装置は、入力部と、判定部と、出力部と、を備える。入力部には、紡糸引取機１が備える第１糸ガイド５ａの一部である糸道領域を含む熱画像が入力される。判定部は、入力部に入力された熱画像に基づいて、糸９３に関する異常の有無を判定する。出力部は、判定部の判定結果を出力する。
【選択図】図１
【特許請求の範囲】
【請求項1】
合成繊維製造設備が備える糸ガイドの一部である糸道領域を含む熱画像が入力される入力部と、
前記入力部に入力された前記熱画像に基づいて、糸に関する異常の有無を判定する判定部と、
前記判定部の判定結果を出力する出力部と、を備えることを特徴とする異常判定装置。
前記入力部に入力された前記熱画像に基づいて、糸に関する異常の有無を判定する判定部と、
前記判定部の判定結果を出力する出力部と、を備えることを特徴とする異常判定装置。
【請求項2】
前記判定部は、前記入力部に入力された判定用の前記熱画像と、複数の学習用データを機械学習することにより生成されている判定モデルとに基づいて、前記異常の有無を判定し、
前記複数の学習用データの各々は、前記合成繊維製造設備または他の合成繊維製造設備が備える糸ガイドを写す学習用の熱画像に対して、当該糸ガイドを通過する糸に関する異常の有無をラベルとして関連付けている、請求項１に記載の異常判定装置。
前記複数の学習用データの各々は、前記合成繊維製造設備または他の合成繊維製造設備が備える糸ガイドを写す学習用の熱画像に対して、当該糸ガイドを通過する糸に関する異常の有無をラベルとして関連付けている、請求項１に記載の異常判定装置。
【請求項3】
前記複数の学習用データの各々は、前記学習用の熱画像に対して、前記異常の種別を前記ラベルとして関連付けている、請求項２に記載の異常判定装置。
【請求項4】
前記異常判定装置は、さらに、前記複数の学習用データから前記判定モデルを生成するための学習部を備える、請求項２または３に記載の異常判定装置。
【請求項5】
前記異常は、糸道の異常を含む、請求項１～４のいずれか１項に記載の異常判定装置。
【請求項6】
前記異常は、糸張力の異常を含む、請求項１～５のいずれか１項に記載の異常判定装置。
【請求項7】
前記異常は、糸に付与される油剤の付着量の異常を含む、請求項１～６のいずれか１項に記載の異常判定装置。
【請求項8】
前記異常判定装置は、類似する稼動条件別に学習された複数の前記判定モデルを備え、
前記判定部は、
複数の前記判定モデルの内から現在の稼動条件に応じた判定モデルを選択し、
当該選択された判定モデルと、前記入力部に入力された判定用の前記熱画像とに基づいて、前記異常の有無を判定する、請求項２～４のいずれか１項に記載の異常判定装置。
前記判定部は、
複数の前記判定モデルの内から現在の稼動条件に応じた判定モデルを選択し、
当該選択された判定モデルと、前記入力部に入力された判定用の前記熱画像とに基づいて、前記異常の有無を判定する、請求項２～４のいずれか１項に記載の異常判定装置。
【請求項9】
前記合成繊維製造設備は、さらに、前記糸ガイドを撮影可能に構成されている撮影装置を備え、
前記入力部に入力される前記熱画像は、前記撮影装置から取得される、請求項１～７のいずれか１項に記載の異常判定装置。
前記入力部に入力される前記熱画像は、前記撮影装置から取得される、請求項１～７のいずれか１項に記載の異常判定装置。
【請求項10】
前記異常判定装置は、前記合成繊維製造設備または他の合成繊維製造設備が備える糸ガイドと撮影装置との位置関係別に学習された複数の前記判定モデルを備え、
前記判定部は、
複数の前記判定モデルの内から、前記合成繊維製造設備が備える前記糸ガイドと前記撮影装置との位置関係に応じた判定モデルを選択し、
当該選択された判定モデルと、前記入力部に入力された判定用の前記熱画像とに基づいて、前記異常の有無を判定する、請求項９に記載の異常判定装置。
前記判定部は、
複数の前記判定モデルの内から、前記合成繊維製造設備が備える前記糸ガイドと前記撮影装置との位置関係に応じた判定モデルを選択し、
当該選択された判定モデルと、前記入力部に入力された判定用の前記熱画像とに基づいて、前記異常の有無を判定する、請求項９に記載の異常判定装置。
【請求項11】
前記合成繊維製造設備は、紡糸引取機である、請求項１～１０のいずれか１項に記載の異常判定装置。
【請求項12】
前記合成繊維製造設備は、仮撚加工機である、請求項１～１０のいずれか１項に記載の異常判定装置。
【請求項13】
合成繊維製造設備が備える糸ガイドの一部である糸道領域を含む熱画像を入力するステップと、
前記入力するステップで入力した前記熱画像に基づいて、糸に関する異常の有無を判定するステップと、
前記判定するステップの判定結果を出力するステップと、を含むことを特徴とする異常判定方法。
前記入力するステップで入力した前記熱画像に基づいて、糸に関する異常の有無を判定するステップと、
前記判定するステップの判定結果を出力するステップと、を含むことを特徴とする異常判定方法。
【請求項14】
前記判定するステップでは、前記入力するステップで入力された判定用の前記熱画像と、複数の学習用データを機械学習することにより生成されている判定モデルとに基づいて、前記異常の有無が判定され、
前記複数の学習用データの各々は、前記合成繊維製造設備または他の合成繊維製造設備が備える糸ガイドを写す学習用の熱画像に対して、当該糸ガイドを通過する糸に関する異常の有無をラベルとして関連付けている、請求項１３に記載の異常判定方法。
前記複数の学習用データの各々は、前記合成繊維製造設備または他の合成繊維製造設備が備える糸ガイドを写す学習用の熱画像に対して、当該糸ガイドを通過する糸に関する異常の有無をラベルとして関連付けている、請求項１３に記載の異常判定方法。
【請求項15】
前記複数の学習用データの各々は、前記学習用の熱画像に対して、前記異常の種別を前記ラベルとして関連付けている、請求項１４に記載の異常判定方法。
【請求項16】
前記異常判定方法は、さらに、前記複数の学習用データから前記判定モデルを生成するステップを備える、請求項１４または１５に記載の異常判定方法。
【請求項17】
前記異常は、糸道の異常を含む、請求項１３～１６のいずれか１項に記載の異常判定方法。
【請求項18】
前記異常判定方法は、さらに、類似する稼動条件別に学習された複数の前記判定モデルを取得するステップを備え、
前記判定するステップは、
複数の前記判定モデルの内から現在の稼動条件に応じた判定モデルを選択するステップと、
当該選択された判定モデルと、前記入力するステップで入力された判定用の前記熱画像とに基づいて、前記異常の有無を判定するステップとを含む、請求項１４～１６のいずれか１項に記載の異常判定方法。
前記判定するステップは、
複数の前記判定モデルの内から現在の稼動条件に応じた判定モデルを選択するステップと、
当該選択された判定モデルと、前記入力するステップで入力された判定用の前記熱画像とに基づいて、前記異常の有無を判定するステップとを含む、請求項１４～１６のいずれか１項に記載の異常判定方法。
【請求項19】
前記合成繊維製造設備は、さらに、前記糸ガイドを撮影可能に構成されている撮影装置を備え、
前記入力するステップで入力される前記熱画像は、前記撮影装置から取得される、請求項１３～１７のいずれか１項に記載の異常判定方法。
前記入力するステップで入力される前記熱画像は、前記撮影装置から取得される、請求項１３～１７のいずれか１項に記載の異常判定方法。
【請求項20】
前記異常判定方法は、さらに、前記合成繊維製造設備または他の合成繊維製造設備が備える糸ガイドと撮影装置との位置関係別に学習された複数の前記判定モデルを取得するステップを備え、
前記判定するステップは、
複数の前記判定モデルの内から、前記合成繊維製造設備が備える前記糸ガイドと前記撮影装置との位置関係に応じた判定モデルを選択するステップと、
当該選択された判定モデルと、前記入力するステップで入力された判定用の前記熱画像とに基づいて、前記異常の有無を判定するステップとを含む、請求項１９に記載の異常判定方法。
前記判定するステップは、
複数の前記判定モデルの内から、前記合成繊維製造設備が備える前記糸ガイドと前記撮影装置との位置関係に応じた判定モデルを選択するステップと、
当該選択された判定モデルと、前記入力するステップで入力された判定用の前記熱画像とに基づいて、前記異常の有無を判定するステップとを含む、請求項１９に記載の異常判定方法。
【請求項21】
異常判定プログラムであって、
前記異常判定プログラムは、異常判定装置に、
合成繊維製造設備が備える糸ガイドの一部である糸道領域を含む熱画像を入力するステップと、
前記入力するステップで入力した前記熱画像に基づいて、糸に関する異常の有無を判定するステップと、
前記判定するステップの判定結果を出力するステップとを実行させる、異常判定プログラム。
前記異常判定プログラムは、異常判定装置に、
合成繊維製造設備が備える糸ガイドの一部である糸道領域を含む熱画像を入力するステップと、
前記入力するステップで入力した前記熱画像に基づいて、糸に関する異常の有無を判定するステップと、
前記判定するステップの判定結果を出力するステップとを実行させる、異常判定プログラム。
【請求項22】
前記判定するステップでは、前記入力するステップで入力された判定用の前記熱画像と、複数の学習用データを機械学習することにより生成されている判定モデルとに基づいて、前記異常の有無が判定され、
前記複数の学習用データの各々は、前記合成繊維製造設備または他の合成繊維製造設備が備える糸ガイドを写す学習用の熱画像に対して、当該糸ガイドを通過する糸に関する異常の有無をラベルとして関連付けている、請求項２１に記載の異常判定プログラム。
前記複数の学習用データの各々は、前記合成繊維製造設備または他の合成繊維製造設備が備える糸ガイドを写す学習用の熱画像に対して、当該糸ガイドを通過する糸に関する異常の有無をラベルとして関連付けている、請求項２１に記載の異常判定プログラム。
【請求項23】
前記複数の学習用データの各々は、前記学習用の熱画像に対して、前記異常の種別を前記ラベルとして関連付けている、請求項２２に記載の異常判定プログラム。
【請求項24】
前記異常判定プログラムは、前記異常判定装置に、さらに、前記複数の学習用データから前記判定モデルを生成するステップを実行させる、請求項２２または２３に記載の異常判定プログラム。
【請求項25】
前記異常は、糸道の異常を含む、請求項２１～２４のいずれか１項に記載の異常判定プログラム。
【請求項26】
前記異常判定プログラムは、前記異常判定装置に、さらに、類似する稼動条件別に学習された複数の前記判定モデルを取得するステップを実行させ、
前記判定するステップは、
複数の前記判定モデルの内から現在の稼動条件に応じた判定モデルを選択するステップと、
当該選択された判定モデルと、前記入力するステップで入力された判定用の前記熱画像とに基づいて、前記異常の有無を判定するステップとを含む、請求項２２～２４のいずれか１項に記載の異常判定プログラム。
前記判定するステップは、
複数の前記判定モデルの内から現在の稼動条件に応じた判定モデルを選択するステップと、
当該選択された判定モデルと、前記入力するステップで入力された判定用の前記熱画像とに基づいて、前記異常の有無を判定するステップとを含む、請求項２２～２４のいずれか１項に記載の異常判定プログラム。
【請求項27】
前記合成繊維製造設備は、さらに、前記糸ガイドを撮影可能に構成されている撮影装置を備え、
前記入力するステップで入力される前記熱画像は、前記撮影装置から取得される、請求項２１～２５のいずれか１項に記載の異常判定プログラム。
前記入力するステップで入力される前記熱画像は、前記撮影装置から取得される、請求項２１～２５のいずれか１項に記載の異常判定プログラム。
【請求項28】
前記異常判定プログラムは、前記異常判定装置に、さらに、前記合成繊維製造設備または他の合成繊維製造設備が備える糸ガイドと撮影装置との位置関係別に学習された複数の前記判定モデルを取得するステップを実行させ、
前記判定するステップは、
複数の前記判定モデルの内から、前記合成繊維製造設備が備える前記糸ガイドと前記撮影装置との位置関係に応じた判定モデルを選択するステップと、
当該選択された判定モデルと、前記入力するステップで入力された判定用の前記熱画像とに基づいて、前記異常の有無を判定するステップとを含む、請求項２７に記載の異常判定プログラム。
前記判定するステップは、
複数の前記判定モデルの内から、前記合成繊維製造設備が備える前記糸ガイドと前記撮影装置との位置関係に応じた判定モデルを選択するステップと、
当該選択された判定モデルと、前記入力するステップで入力された判定用の前記熱画像とに基づいて、前記異常の有無を判定するステップとを含む、請求項２７に記載の異常判定プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、主として、合成繊維製造設備の糸に関する異常の判定結果を出力する異常判定装置、異常判定方法および異常判定プログラムに関する。
【背景技術】
【0002】
特許文献１は、複数の糸を列状に紡糸して製布する際の紡糸不良を検出する欠点検出装置を開示する。欠点検出装置は、ＣＣＤカメラと、データ処理部と、を備える。ＣＣＤカメラは、複数の糸を撮影して映像信号をデータ処理部に出力する。データ処理部は、映像信号に基づいて紡糸不良を検出する。具体的には、複数の糸がそれぞれ映像信号のどの位置（どの画素）に対応するかが事前に記憶されている。例えば糸の位置ズレ又は糸切れ等の異常が発生した場合、異常が発生した糸に対応する位置（画素）の検出強度が低下する。従って、データ処理部は、映像信号の画素毎の検出強度に基づいて、紡糸不良を検出する。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開平１１－２７９９２３号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
特許文献１では、糸が映像信号のどの画素に対応するかを事前に記憶する。しかし、一般的に糸の幅は細く、更に、糸の位置は容易に変化するため、糸が対応する画素に表示されない事態が頻繁に発生し得る。つまり、糸を含む可視画像を単純に解析するだけでは、糸に関する異常を精度良く検出できない可能性がある。
【0005】
本開示は以上の事情に鑑みてされたものであり、その主要な目的は、糸に関する異常を精度良く判定できる異常判定装置を提供することにある。
【課題を解決するための手段】
【0006】
本開示の一例では、異常判定装置が提供される。上記異常判定装置は、合成繊維製造設備が備える糸ガイドの一部である糸道領域を含む熱画像が入力される入力部と、上記入力部に入力された上記熱画像に基づいて、糸に関する異常の有無を判定する判定部と、上記判定部の判定結果を出力する出力部とを備える。
【0007】
本開示の一例では、上記判定部は、上記入力部に入力された判定用の上記熱画像と、複数の学習用データを機械学習することにより生成されている判定モデルとに基づいて、上記異常の有無を判定する。上記複数の学習用データの各々は、上記合成繊維製造設備または他の合成繊維製造設備が備える糸ガイドを写す学習用の熱画像に対して、当該糸ガイドを通過する糸に関する異常の有無をラベルとして関連付けている。
【0008】
本開示の一例では、上記異常判定装置は、さらに、上記複数の学習用データから上記判定モデルを生成するための学習部を備える。
【0009】
本開示の一例では、上記異常は、糸道の異常を含む。
【0010】
本開示の一例では、上記異常は、糸張力の異常を含む。
【0011】
本開示の一例では、上記異常は、糸に付与される油剤の付着量の異常を含む。
【0012】
本開示の一例では、上記異常判定装置は、類似する稼動条件別に学習された複数の上記判定モデルを備える。上記判定部は、複数の上記判定モデルの内から現在の稼動条件に応じた判定モデルを選択し、当該選択された判定モデルと、上記入力部に入力された判定用の上記熱画像とに基づいて、上記異常の有無を判定する。
【0013】
本開示の一例では、上記合成繊維製造設備は、さらに、上記糸ガイドを撮影可能に構成されている撮影装置を備える。上記入力部に入力される上記熱画像は、上記撮影装置から取得される。
【0014】
本開示の一例では、上記異常判定装置は、上記合成繊維製造設備または他の合成繊維製造設備が備える糸ガイドと撮影装置との位置関係別に学習された複数の上記判定モデルを備える。上記判定部は、複数の上記判定モデルの内から、上記合成繊維製造設備が備える上記糸ガイドと上記撮影装置との位置関係に応じた判定モデルを選択し、当該選択された判定モデルと、上記入力部に入力された判定用の上記熱画像とに基づいて、上記異常の有無を判定する。
【0015】
本開示の一例では、上記合成繊維製造設備は、紡糸引取機である。
【0016】
本開示の一例では、上記合成繊維製造設備は、仮撚加工機である。
【0017】
本開示の他の例では、異常判定方法が提供される。上記異常判定方法は、合成繊維製造設備が備える糸ガイドの一部である糸道領域を含む熱画像を入力するステップと、上記入力するステップで入力した上記熱画像に基づいて、糸に関する異常の有無を判定するステップと、上記判定するステップの判定結果を出力するステップとを備える。
【0018】
本開示の一例では、上記判定するステップでは、上記入力するステップで入力された判定用の上記熱画像と、複数の学習用データを機械学習することにより生成されている判定モデルとに基づいて、上記異常の有無が判定される。上記複数の学習用データの各々は、上記合成繊維製造設備または他の合成繊維製造設備が備える糸ガイドを写す学習用の熱画像に対して、当該糸ガイドを通過する糸に関する異常の有無をラベルとして関連付けている。
【0019】
本開示の一例では、上記異常判定方法は、さらに、上記複数の学習用データから上記判定モデルを生成するステップを備える。
【0020】
本開示の一例では、上記異常は、糸道の異常を含む。
【0021】
本開示の一例では、上記異常判定方法は、さらに、類似する稼動条件別に学習された複数の上記判定モデルを取得するステップを備える。上記判定するステップは、複数の上記判定モデルの内から現在の稼動条件に応じた判定モデルを選択するステップと、当該選択された判定モデルと、上記入力するステップで入力された判定用の上記熱画像とに基づいて、上記異常の有無を判定するステップとを含む。
【0022】
本開示の一例では、上記合成繊維製造設備は、さらに、上記糸ガイドを撮影可能に構成されている撮影装置を備える。上記入力するステップで入力される上記熱画像は、上記撮影装置から取得される。
【0023】
本開示の一例では、上記異常判定方法は、さらに、上記合成繊維製造設備または他の合成繊維製造設備が備える糸ガイドと撮影装置との位置関係別に学習された複数の上記判定モデルを取得するステップを備える。上記判定するステップは、複数の上記判定モデルの内から、上記合成繊維製造設備が備える上記糸ガイドと上記撮影装置との位置関係に応じた判定モデルを選択するステップと、当該選択された判定モデルと、上記入力するステップで入力された判定用の上記熱画像とに基づいて、上記異常の有無を判定するステップとを含む。
【0024】
本開示の他の例では、異常判定プログラムが提供される。上記異常判定プログラムは、異常判定装置に、合成繊維製造設備が備える糸ガイドの一部である糸道領域を含む熱画像を入力するステップと、上記入力するステップで入力した上記熱画像に基づいて、糸に関する異常の有無を判定するステップと、上記判定するステップの判定結果を出力するステップとを実行させる。
【0025】
本開示の一例では、上記判定するステップでは、上記入力するステップで入力された判定用の上記熱画像と、複数の学習用データを機械学習することにより生成されている判定モデルとに基づいて、上記異常の有無が判定される。上記複数の学習用データの各々は、上記合成繊維製造設備または他の合成繊維製造設備が備える糸ガイドを写す学習用の熱画像に対して、当該糸ガイドを通過する糸に関する異常の有無をラベルとして関連付けている。
【0026】
本開示の一例では、上記異常判定プログラムは、上記異常判定装置に、さらに、上記複数の学習用データから上記判定モデルを生成するステップを実行させる。
【0027】
本開示の一例では、上記異常は、糸道の異常を含む。
【0028】
本開示の一例では、上記異常判定プログラムは、上記異常判定装置に、さらに、類似する稼動条件別に学習された複数の上記判定モデルを取得するステップを実行させる。上記判定するステップは、複数の上記判定モデルの内から現在の稼動条件に応じた判定モデルを選択するステップと、当該選択された判定モデルと、上記入力するステップで入力された判定用の上記熱画像とに基づいて、上記異常の有無を判定するステップとを含む。
【0029】
本開示の一例では、上記合成繊維製造設備は、さらに、上記糸ガイドを撮影可能に構成されている撮影装置を備える。上記入力するステップで入力される上記熱画像は、上記撮影装置から取得される。
【0030】
本開示の一例では、上記異常判定プログラムは、上記異常判定装置に、さらに、上記合成繊維製造設備または他の合成繊維製造設備が備える糸ガイドと撮影装置との位置関係別に学習された複数の上記判定モデルを取得するステップを実行させる。上記判定するステップは、複数の上記判定モデルの内から、上記合成繊維製造設備が備える上記糸ガイドと上記撮影装置との位置関係に応じた判定モデルを選択するステップと、当該選択された判定モデルと、上記入力するステップで入力された判定用の上記熱画像とに基づいて、上記異常の有無を判定するステップとを含む。
【図面の簡単な説明】
【0031】
【図1】本発明の一実施形態に係る紡糸引取機の側面図を示す図である。
【図2】糸巻取機の正面図を示す図である。
【図3】糸巻取機のブロック図を示す図である。
【図4】機械学習により判定モデルを構築する処理を示す図である。
【図5】判定モデルを用いて判定結果を得る処理を示す図である。
【図6】糸及び糸ガイドが正常であるときの糸道領域及び糸ガイドの状況及び熱画像を示す図である。
【図7】糸又は糸ガイドが異常であるときの糸道領域及び糸ガイドの状況及び熱画像を示す図である。
【図8】判定モデルを用いた糸の異常判定に関するフローチャートを示す図である。
【図9】制御装置のハードウェア構成の一例を示す図である。
【図10】学習用データセットの一例を示す図である。
【図11】制御装置の機能構成の一例を示す図である。
【図12】学習部による学習処理を概念的に示す図である。
【図13】判定部による異常判定処理を概念的に示す図である。
【図14】異常判定システムの装置構成の一例を示す図である。
【図15】学習用データセットの一例を示す図である。
【図16】判定処理に係るフローチャートを示す図である。
【図17】学習用データセットの一例を示す図である。
【図18】判定処理に係るフローチャートを示す図である。
【図19】切り出し処理を概略的に示す図である。
【図20】仮撚加工機の側面図を示す図である。
【発明を実施するための形態】
【0032】
以下、図面を参照しつつ、本発明に従う各実施の形態について説明する。以下の説明では、同一の部品および構成要素には同一の符号を付してある。それらの名称および機能も同じである。したがって、これらについての詳細な説明は繰り返さない。なお、以下で説明される各実施の形態および各変形例は、適宜選択的に組み合わされてもよい。
【0033】
＜Ａ．紡糸引取機１＞
次に、図面を参照して本発明の実施形態を説明する。図１は、本発明の一実施形態に係る紡糸引取機（合成繊維製造設備）１の側面図である。
次に、図面を参照して本発明の実施形態を説明する。図１は、本発明の一実施形態に係る紡糸引取機（合成繊維製造設備）１の側面図である。
【0034】
図１に示す紡糸引取機１は、紡糸装置２と、糸巻取機９と、を備える。紡糸装置２は、紡糸口金２ａを備える。紡糸装置２には、図略の原料供給装置からナイロン又はポリエステル等の溶融繊維材料が供給される。紡糸装置２は、高温状態の溶融繊維材料を紡糸口金２ａから押し出す。これにより、紡糸口金２ａから複数の糸９３が紡出される。糸巻取機９は、紡糸装置２が紡出した糸９３を巻き取ってパッケージ９４を製造する。なお、糸９３は、例えばナイロン又はポリエステル等の合繊糸である。糸９３は、紡績糸等の短繊維糸ではなく、長繊維糸（フィラメント糸）である。また、糸９３は、スパンデックス等の弾性糸であってもよい。
【0035】
糸９３の走行方向において、紡糸装置２と糸巻取機９の間には、給油ガイド３と、糸切断吸引装置４と、第１糸ガイド５ａと、第１ゴデットローラ７と、第２糸ガイド５ｂと、第２ゴデットローラ８と、第３糸ガイド５ｃと、が配置される。
【0036】
給油ガイド３は、紡糸装置２から紡出された糸９３をガイドしつつ、糸９３に油剤を塗布する。糸切断吸引装置４は、給油ガイド３の下流に配置されている。糸切断吸引装置４には、駆動装置４ａと、吸引源４ｂと、が接続されている。駆動装置４ａの駆動力により、糸切断吸引装置４は糸９３に対して進退可能である。吸引源４ｂの負圧により、糸切断吸引装置４は糸９３を吸引可能である。第１糸ガイド５ａは、糸切断吸引装置４の下流に配置されている。第１糸ガイド５ａは、複数の糸９３を個別にガイドする。第１糸ガイド５ａの詳細な形状は後述する。
【0037】
第１糸ガイド５ａの周囲には、撮影装置６が設けられている。撮影装置６は、レンズが第１糸ガイド５ａを向くように配置されており、第１糸ガイド５ａを撮影して画像を生成する。撮影装置６は、サーマルカメラであり、物体から放射される遠赤外線の強度に基づいて、物体の温度を計測して、熱画像を生成する。熱画像とは、物体の温度に基づいて濃度、輝度、彩度等を異ならせて生成した画像である。なお、熱画像は、必ずしも、物体から放射される遠赤外線の強度に基づいて生成されたものである必要はなく、サーマルカメラから出力される生データであってもよい。当該生データは、たとえば、物体の各箇所の温度を配列で示す。また、熱画像は、必ずしも撮影装置６から取得される必要はなく、温度センサなどから取得されてもよい。撮影装置６は、糸道領域を撮影する。糸道領域とは、糸道（糸９３が通る経路）が通過する領域を示す。詳細には、正常時において糸道が通過することが想定される領域であり、異常時においては糸９３が糸道領域を通過するとは限らない。糸道領域は、設計時に想定される糸９３の経路であり、例えば、糸９３をガイドする様々な部材の位置から導かれる。詳細には、撮影装置６は、第１糸ガイド５ａの一部を含む糸道領域を撮影して熱画像を生成する。撮影装置６が生成した熱画像は、後述するように、糸９３に関する異常の判定に用いられる。
【0038】
第１ゴデットローラ７及び第２ゴデットローラ８は、図略のモータにより駆動される。第１ゴデットローラ７及び第２ゴデットローラ８は、糸９３を巻き付けて回転することにより、糸９３を引き取ることができる。また、糸９３の走行方向において、第１ゴデットローラ７と第２ゴデットローラ８の間には、第２糸ガイド５ｂが配置されている。第２糸ガイド５ｂは、第１ゴデットローラ７から第２ゴデットローラ８に向かう複数の糸９３を個別にガイドする。第１ゴデットローラ７は、第１糸ガイド５ａの下流に配置されている。第１ゴデットローラ７は、第１糸ガイド５ａから糸９３を引き取る。第２ゴデットローラ８は、第１ゴデットローラ７の下流に配置されている。第２ゴデットローラ８は、第１ゴデットローラ７から糸９３を引き取る。第２ゴデットローラ８の下流には、糸巻取機９が配置されている。第２ゴデットローラ８を通過した糸９３は、第３糸ガイド５ｃによってガイドされ、糸巻取機９に供給される。第３糸ガイド５ｃは、糸９３の走行方向において、第２ゴデットローラ８と後述のトラバース装置２１との間に配置されている。第３糸ガイド５ｃは、複数の糸９３を個別にガイドする。
【0039】
【0040】
フレーム１１は、糸巻取機９が備える各部を保持する部材である。フレーム１１には、第１ハウジング２０及び第２ハウジング３０が取り付けられている。第１ハウジング２０及び第２ハウジング３０は、フレーム１１に対して昇降可能である。
【0041】
第１ハウジング２０には、トラバース装置２１が取り付けられている。トラバース装置２１は、後述するトラバースガイド２３が糸９３と係合した状態で、後述する第１ボビンホルダ４１の軸方向に沿って、パッケージ９４の巻幅に往復動することにより、下流側に送られる糸９３をトラバースさせる。この糸９３のトラバース動作により、ボビン９１又はパッケージ９４に糸層が形成される。図３に示すように、トラバース装置２１は、トラバースカム２２と、トラバースガイド２３と、を備える。
【0042】
トラバースカム２２は、ボビン９１又はパッケージ９４と平行に配置されたローラ状の部材である。トラバースカム２２の外周面には、螺旋状のカム溝が形成されている。トラバースカム２２は、トラバースモータ５１により回転駆動される。
【0043】
トラバースモータ５１は、後述する制御装置５０によって制御される。トラバースガイド２３は、糸９３と係合する部分である。トラバースガイド２３の先端は例えば略Ｕ字状のガイド部を有しており、糸９３を巻幅方向で挟み込むようにして、糸９３と係合する。トラバースガイド２３の基端はトラバースカム２２のカム溝に位置している。この構成により、トラバースカム２２を回転駆動することで、トラバースガイド２３を巻幅方向に往復動させることができる。
【0044】
第２ハウジング３０には、接触ローラ３１が回転可能に取り付けられている。接触ローラ３１は、糸９３の巻取り時にパッケージ９４の糸層に所定の圧力で接触しながら従動回転することにより、トラバースガイド２３からの糸９３をパッケージ９４の糸層に送るとともにパッケージ９４の糸層形状を整える。なお、モータ等の駆動部を用いて接触ローラ３１を回転駆動してもよい。
【0045】
第２ハウジング３０には、操作パネル３２が設けられている。操作パネル３２は、オペレータによって操作される装置である。オペレータは、操作パネル３２を操作することにより、糸巻取機９に対して指示を行う。オペレータが行う指示としては、例えば、巻取りの開始、巻取りの停止、巻取条件の変更等である。
【0046】
ターレット板４０は、円板形状の部材である。ターレット板４０は、フレーム１１に回転可能に取り付けられている。ターレット板４０は、円板の中心を通る法線を回転軸として回転可能である。ターレット板４０は、図３に示すターレットモータ５３により回転駆動される。ターレットモータ５３は、後述する制御装置５０により制御される。
【0047】
ターレット板４０のうち、円板の中心を挟んで対向する２箇所には、それぞれ第１ボビンホルダ４１と第２ボビンホルダ４２が設けられている。第１ボビンホルダ４１には、第１ボビンホルダ４１の軸方向に並べて複数のボビン９１を装着可能である。第２ボビンホルダ４２には、第２ボビンホルダ４２の軸方向に並べて複数のボビン９１を装着可能である。ターレット板４０を回転させることにより、第１ボビンホルダ４１と第２ボビンホルダ４２の位置を変更することができる。なお、第１ボビンホルダ４１と第２ボビンホルダ４２の位置を変更可能であれば、ターレット板４０に代えて別の装置を用いてもよい。
【0048】
第１ボビンホルダ４１は、第１ボビンホルダ４１の軸位置を回転中心として、ターレット板４０に対して回転可能である。第１ボビンホルダ４１は、図３に示す第１ボビンホルダモータ５４により回転駆動される。同様に、第２ボビンホルダ４２は、第２ボビンホルダ４２の軸位置を回転中心として、ターレット板４０に対して回転可能である。第２ボビンホルダ４２は、図３に示す第２ボビンホルダモータ５５により回転駆動される。第１ボビンホルダモータ５４及び第２ボビンホルダモータ５５は、後述する制御装置５０により制御される。
【0049】
以下では、第１ボビンホルダ４１と第２ボビンホルダ４２をまとめて、ボビンホルダ４１，４２と称する。図２では、ボビンホルダ４１，４２が上下に並んだ状態が示されている。このとき、高い方にあるボビンホルダ４１，４２の位置が巻取位置であり、低い方にあるボビンホルダ４１，４２の位置が待機位置である。糸巻取機９は、巻取位置にあるボビンホルダ４１，４２のボビン９１に対して糸９３を巻き取ってパッケージ９４を製造する。
【0050】
また、所定量の糸９３を巻き取って、第１ボビンホルダ４１のパッケージ９４が満巻となった場合、ターレット板４０が回転することにより、第１ボビンホルダ４１と第２ボビンホルダ４２の位置が切り替わる。その後、満巻となって待機位置にある第１ボビンホルダ４１のパッケージ９４が回収され、巻取位置にある第２ボビンホルダ４２のボビン９１に対して糸９３が巻き取られる。パッケージ９４が回収された第１ボビンホルダ４１には、新たにボビン９１が装着される。
【0051】
制御装置５０は、制御部５０ａと、学習部５０ｂと、判定部５０ｃと、記憶部５０ｄと、入力部５０ｅと、出力部５０ｆと、を備える。具体的に説明すると、制御装置５０は公知のコンピュータとして構成されており、ＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）、ＳＳＤ（Solid State Drive）等を備える。ＣＰＵは、プロセッサの一種である。ＳＳＤには、糸巻取機９を制御するためのプログラム及びデータが予め記憶されている。ＣＰＵがプログラムをＲＡＭに読み出して実行することにより、制御装置５０を、制御部５０ａ、学習部５０ｂ、及び判定部５０ｃとして動作させることができる。また、ＳＳＤは記憶部５０ｄに相当する。なお、ＳＳＤに代えて、ＨＤＤ（Hard Disk Drive）又はフラッシュメモリを用いてもよい。あるいは、制御装置５０の外部に設けられ、制御装置５０と通信可能なストレージを記憶部として用いてもよい。入力部５０ｅ及び出力部５０ｆは、具体的には通信モジュールであり、入力部５０ｅは外部からのデータの入力を行い、出力部５０ｆは、外部へのデータの出力を行う。本実施形態では、制御装置５０が異常判定装置に相当する。つまり、本実施形態では、紡糸引取機１を制御する装置と、異常判定を行う装置と、が共通である。これに代えて、異常判定を行うとともに紡糸引取機１の制御を行わない装置を異常判定装置として設けてもよい。
【0052】
制御部５０ａは、制御装置５０が行う制御の全般を司る。制御部５０ａは、外部から制御装置５０の入力部５０ｅに入力されたデータ、又は、記憶部５０ｄに記憶されているデータを処理する。制御部５０ａは、この処理により得られたデータを記憶部５０ｄに記憶するか、制御装置５０の外部に出力する。学習部５０ｂは、機械学習を用いて判定モデルを構築する処理を行う。学習部５０ｂが構築する判定モデルの詳細は後述する。判定部５０ｃは、制御装置５０に外部から入力されたデータ（詳細には撮影装置６からの熱画像）と、学習部５０ｂが構築して記憶部５０ｄに記憶された判定モデルと、に基づいて、判定処理を行う。記憶部５０ｄは、制御部５０ａの処理に応じてデータを記憶する。
【0053】
図３には、報知部６５が示されている。報知部６５は、判定部５０ｃの判定結果をオペレータに報知する。報知部６５は、例えば、報知ランプ又は報知ブザーである。
【0054】
制御装置５０が判定可能な異常は、糸９３に関する異常である。具体的には、糸９３の糸道の異常、糸９３の糸張力の異常、又は、糸９３に塗布される油剤の付着量の異常である。本実施形態では、一例として、糸９３の糸道の異常を判定するが、それに代えて又は加えて、上記の少なくとも１つの異常を更に判定可能であってもよい。
【0055】
図６（ａ）には、糸道が正常であるときの糸道領域及び第１糸ガイド５ａの状況が示されている。図６（ａ）に示すように、第１糸ガイド５ａは櫛歯状の部材である。第１糸ガイド５ａには、複数の糸９３を個別にガイドする複数のガイド溝６１が形成されている。糸道が正常であるときは、図６（ａ）に示すように、１つのガイド溝６１に１つの正しい糸９３が入ってガイドされる。ここで、糸９３が第１糸ガイド５ａにガイドされる際には、糸９３と第１糸ガイド５ａが接触する。そのため、摩擦熱が発生する。図６（ｂ）には、この状況で生成される熱画像が示されている。図６（ｂ）に示すように、この熱画像では、糸９３と第１糸ガイド５ａの接触箇所及びその近傍の温度が、周囲の温度よりも高くなる。更に、全てのガイド溝６１に糸９３が入っているため、全てのガイド溝６１の温度が周囲よりも高い。
【0056】
一方、図７（ａ）には、糸道が異常であるときの糸道領域及び第１糸ガイド５ａの状況が示されている。図７（ａ）には、ある１つのガイド溝６１に２つの糸９３が入ってガイドされており、別の１つのガイド溝６１に糸９３が入っていない状況が示されている。つまり、ある糸９３が誤って隣のガイド溝６１にガイドされているため、糸道が異常である。この状況で生成された熱画像が図７（ｂ）に示されている。図７（ｂ）では、２つの糸９３が入っているガイド溝６１の周囲の温度は、他のガイド溝６１の温度よりも高い。更に、糸９３が入っていないガイド溝６１の周囲の温度は、他のガイド溝６１の温度よりも低い。このように、糸道の異常は熱画像に明確に表れる。一般的に糸９３は細いため、可視画像で的確に糸９３を特定することは困難である。しかし、糸９３とガイド溝６１で生じる摩擦熱は周囲に広がるため、熱画像を用いることにより糸道の異常（具体的には糸９３がガイド溝６１に入っているか否かに関する異常、または生産時における正常な糸道から糸９３が外れているか否かに関する異常）を的確に検出できる。
【0057】
図４には、学習部５０ｂが機械学習を用いて判定モデルを構築するための処理が概念的に示されている。図４に示すように、判定モデルを構築するための学習用データとしては、学習用熱画像とその正解データが用いられる。学習用熱画像とは、第１糸ガイド５ａを含む糸道領域を撮影して生成される熱画像であって、かつ、学習用データとして用いられる熱画像である。本実施形態では、撮影装置６を用いて、学習用熱画像を生成する。ただし、撮影装置６以外の装置を用いて学習用熱画像を生成してもよい。
【0058】
学習用データは、学習用熱画像と、学習用熱画像に写っている糸道が正常か異常かを示す正解データ（ラベル）と、を相互に対応付けたデータである。学習用データとしては、糸道が正常の熱画像だけを用いてもよいし、糸道が異常の熱画像だけを用いてもよいし、両方を用いてもよい。学習用データに含まれる学習用熱画像は複数であることが好ましい。例えば、糸道が正常の熱画像は撮影が容易である（即ち、学習用データの準備が容易である）。糸道が異常の熱画像は、糸道が異常である状況を意図的に作る必要があるため手間は掛かるが、これを学習することにより、同種の異常が発生しているか否かを精度良く判定できる。
【0059】
学習用熱画像は正解データとともに機械学習に用いられるため、本実施形態の機械学習は教師あり学習である。機械学習を行う具体的な手法は任意であるが、本実施形態では、深層学習が用いられる。これにより、学習部５０ｂは、学習用熱画像と、糸道が正常又は異常な状態に表れる熱画像上の特徴と、を抽出又は推定することにより、熱画像から糸道の異常を判定するための特徴を抽出できる。例えば、糸道が正常の複数の学習用熱画像を学習する場合は、複数の学習用熱画像に共通する熱画像上の特徴が学習される。この特徴は、例えば、第１糸ガイド５ａのそれぞれのガイド溝６１に糸９３が入っていることに起因して全てのガイド溝６１の温度が均一である、及び／又は第１糸ガイド５ａの最高温度が高い等の特徴である。また、糸道が異常の複数の学習用熱画像を学習する場合は、複数の学習用熱画像に共通する熱画像上の特徴が学習される。この特徴は、例えば、第１糸ガイド５ａのあるガイド溝６１に糸９３が入っていないことに起因して温度が低い、及び／又は第１糸ガイド５ａの最高温度が低い等の特徴である。以上により、学習部５０ｂは、判定モデルを構築する。学習部５０ｂが構築した判定モデルは記憶部５０ｄに記憶される。
【0060】
上述した判定モデルは一例であり、別の方法で判定モデルを構築してもよい。即ち、深層学習に代えて、糸道の異常に関連する特徴量を指定して機械学習を行ってもよい。また、上述したように、糸道領域を撮影して生成した熱画像を直接用いて機械学習を行ってもよいし、糸道領域を撮影して生成した熱画像に何らかの前処理を行った後に、機械学習を行ってもよい。前処理としては、例えば、熱画像に糸９３が鮮明に映るための画像調整、又は、糸９３と第１糸ガイド５ａ以外の物体の削除等が考えられる。
【0061】
図５に示すように、糸道の異常判定を行う段階では、判定部５０ｃは、判定モデルを用いて以下の処理を行う。即ち、判定モデルは、撮影装置６が生成した熱画像に基づいて、糸道の異常判定を行う。以下の説明では、糸道の異常判定を行う段階で撮影装置６が撮影した熱画像を「判定用熱画像」と称する。上述したように、判定モデルは、糸道が正常又は異常な状態に表れる画像上の特徴を学習して構築されている。そのため、判定モデルは、判定用熱画像にこれらの特徴があるか等に基づいて、糸道が正常か異常かを判定する。
【0062】
なお、糸道以外の異常を検出対象とする場合でも、糸道の異常を検出対象とする場合と同様の処理を行えばよい。以下では、糸道以外の異常を熱画像に基づいて判定できることを説明する。
【0063】
糸９３の糸張力が大幅に高い場合、糸９３と第１糸ガイド５ａが及ぼし合う力が大きくなるため、摩擦熱が大きくなり、ガイド溝６１の温度が高くなり易い。従って、熱画像を用いて、糸９３の糸張力の異常を検出できる。例えば、糸張力が正常の範囲にある正常状態で撮影された熱画像と、糸張力が正常という正解データと、を対応付けている学習用データが機械学習されてもよい。あるいは、糸張力が正常の範囲から外れた異常状態で撮影された熱画像と、糸張力が異常という正解データと、を対応付けている学習用データが機械学習されてもよい。
【0064】
また、糸９３に塗布される油剤の付着量が少な過ぎる場合、糸９３と第１糸ガイド５ａの間の摩擦係数が高くなるため、摩擦熱が大きくなり、ガイド溝６１の温度が高くなり易い。従って、熱画像を用いて、糸９３に塗布される油剤の付着量の異常を検出できる。例えば、油剤の付着量が正常の範囲にある正常状態で撮影された熱画像と、油剤の付着量が正常という正解データと、を対応付けている学習用データが機械学習されてもよい。あるいは、油剤の付着量が正常の範囲から外れた異常状態で撮影された熱画像と、油剤の付着量が異常という正解データと、を対応付けている学習用データが機械学習されてもよい。
【0065】
また、第１糸ガイド５ａの摩耗が進むと、第１糸ガイド５ａの摩擦係数が大きくなるため、ガイド溝６１の温度が高くなり易い。従って、熱画像を用いて、第１糸ガイド５ａの摩耗の異常を検出できる。例えば、第１糸ガイド５ａが摩耗していない正常状態で撮影された熱画像と、第１糸ガイド５ａが摩耗していないことを示す正解データと、を対応付けている学習用データが機械学習されてもよい。あるいは、第１糸ガイド５ａが摩耗している異常状態で撮影された熱画像と、第１糸ガイド５ａが摩耗していることを示す正解データと、を対応付けている学習用データが機械学習されてもよい。
【0066】
判定モデルは、上述した異常のうち１つの異常を判定できるように作成されたものである。ただし、判定モデルは、上述した異常のうち複数の異常を判定できるように作成されてもよい。この場合、判定モデルは、判定対象の複数の異常のうち少なくとも１つが発生しているか否かだけを判定してもよい（即ち、何れの異常が発生しているかまでは判定しない）。あるいは、判定モデルは、判定対象の異常のうち、何れの異常が発生しているかを含めて判定してもよい（この場合は個別の異常状態に応じた熱画像の学習が必要）。
【0067】
次に、主に図８を参照して、制御装置５０が行う異常判定について説明する。
【0068】
制御装置５０は、糸９３の異常判定タイミングか否かを判定する（Ｓ１０１）。糸９３の異常判定タイミングは、例えば、糸９３の巻取中における所定時間毎に設定されている。なお、これは一例であり、以下に示すように異なる設定がされていてもよい。例えば、糸９３の巻取りの開始時のみに、糸９３の異常判定タイミングが設定されていてもよい。あるいは、オペレータの指示があった場合に、糸９３の異常判定タイミングとなるように設定されていてもよい。
【0069】
制御装置５０の制御部５０ａは、糸９３の異常判定タイミングと判定した場合、撮影装置６に糸道領域の撮影を指示する（Ｓ１０２）。次に、判定部５０ｃは、制御装置５０が選択した判定モデルと、撮影装置６が撮影して入力部５０ｅに入力された判定用熱画像とに基づいて、上述したように、糸９３に関する異常を判定する（Ｓ１０４）。
【0070】
判定部５０ｃが糸９３に関する異常があると判定しなかった場合（Ｓ１０５）、制御装置５０は、再びステップＳ１０１の処理を行う。判定部５０ｃが糸９３に関する異常があると判定した場合（Ｓ１０５）、制御装置５０の制御部５０ａは、報知部６５を制御して、オペレータに異常を報知する（Ｓ１０６）。
【0071】
以上の処理を繰返し行うことにより、制御装置５０は、糸９３が異常か否かを判定する。特に、機械学習により構築した判定モデルを用いて検出を行うことにより、判定精度を高くすることができる。
【0072】
本実施形態では、撮影装置６は第１糸ガイド５ａを撮影して判定用熱画像を生成する。これに代えて、撮影装置６は、給油ガイド３、第２糸ガイド５ｂ、第３糸ガイド５ｃ、又は、トラバースガイド２３を撮影して、判定用熱画像を生成してもよい。また、判定対象の糸ガイドは１つであってもよいし、複数であってもよい。
【0073】
以下では、説明の便宜のために、第１糸ガイド５ａ、第２糸ガイド５ｂおよび第３糸ガイド５ｃを特に区別しない場合には、第１糸ガイド５ａ、第２糸ガイド５ｂまたは第３糸ガイド５ｃを「糸ガイド５」と称する。
【0074】
本実施形態では、判定部５０ｃは、糸道領域の判定用熱画像を用いて、異常の判定を行う。ただし、判定部５０ｃは、判定用熱画像に加え、糸道領域の判定用可視画像を用いて、異常の判定を行ってもよい。具体的には、可視光カメラを準備し、レンズが糸道領域（詳細には第１糸ガイド５ａを含む領域）を向くように配置する。特に、可視光カメラは、撮影装置６と画角が近いことが好ましい。可視光カメラは糸道領域を撮影して判定用可視画像を生成し、制御部５０ａへ出力する。
【0075】
図６（ｂ）に示すように、判定用熱画像では、糸９３とガイド溝６１の接触箇所の温度が最も高くなる。また、糸道が正常の場合、糸９３はガイド溝６１の所定領域を通る。所定領域は設計上の情報から特定可能である。以上により、判定用可視画像から得られる第１糸ガイド５ａの位置（特にガイド溝６１の位置）と、所定領域の情報と、を用いることにより、判定用可視画像において、糸道が正常の場合に糸９３が通る位置を特定可能である。その情報を判定用熱画像に適用することにより、糸道が正常の場合に高温となり易い領域を特定できる。例えば、糸道が正常の場合に判定用熱画像で最も高温となる領域（判定用熱画像上で糸９３とガイド溝６１が接触するべき領域）と、判定用熱画像の実際の温度分布と、を比較することにより、糸道が正常か否かを更に的確に判定できる。
【0076】
【0077】
制御装置５０は、上述の記憶部５０ｄ（図３参照）と、プロセッサ８１と、通信インターフェイス８４と、表示インターフェイス８５と、入力インターフェイス８７とを含む。これらのコンポーネントは、バスＢＳに接続される。記憶部５０ｄとしては、ＲＯＭ（Read Only Memory）８２、ＲＡＭ８３と、および補助記憶装置９０などが挙げられる。
【0078】
プロセッサ８１は、たとえば、少なくとも１つの集積回路によって構成される。集積回路は、たとえば、少なくとも１つのＣＰＵ、少なくとも１つのＧＰＵ（Graphics Processing Unit）、少なくとも１つのＡＳＩＣ（Application Specific Integrated Circuit）、少なくとも１つのＦＰＧＡ（Field Programmable Gate Array）、またはそれらの組み合わせなどによって構成され得る。
【0079】
プロセッサ８１は、各種プログラムを実行することで制御装置５０の動作を制御する。プロセッサ８１は、各種プログラムの実行命令を受け付けたことに基づいて、補助記憶装置９０またはＲＯＭ８２からＲＡＭ８３に実行対象のプログラムを読み出す。ＲＡＭ８３は、ワーキングメモリとして機能し、プログラムの実行に必要な各種データを一時的に格納する。
【0080】
通信インターフェイス８４には、ＬＡＮ（Local Area Network）やアンテナなどが接続される。制御装置５０は、通信インターフェイス８４を介して、外部機器との間でデータをやり取りする。当該外部機器は、たとえば、サーバーなどを含む。
【0081】
表示インターフェイス８５には、表示デバイス８６が接続される。表示インターフェイス８５は、プロセッサ８１などからの指令に従って、表示デバイス８６に対して、画像を表示するための画像信号を送出する。表示デバイス８６は、たとえば、液晶表示ディスプレイ、有機ＥＬ（Electro Luminescence）ディスプレイ、またはその他のディスプレイである。なお、表示デバイス８６は、制御装置５０と一体的に構成されてもよいし、制御装置５０とは別に構成されてもよい。
【0082】
入力インターフェイス８７には、入力デバイス８８が接続される。入力デバイス８８は、たとえば、マウス、キーボード、タッチパネル、またはユーザの操作を受け付けることが可能なその他の装置である。なお、入力デバイス８８は、制御装置５０と一体的に構成されてもよいし、制御装置５０とは別に構成されてもよい。
【0083】
補助記憶装置９０は、たとえば、ハードディスク、フラッシュメモリ、およびＳＳＤなどの記憶媒体である。補助記憶装置９０は、たとえば、学習用データセット１２２と、判定モデル１２４と、学習プログラム１２６と、異常判定プログラム１２８とを格納する。これらの格納場所は、補助記憶装置９０に限定されず、プロセッサ８１の記憶領域（たとえば、キャッシュメモリなど）、ＲＯＭ８２、ＲＡＭ８３、外部機器（たとえば、サーバー）などに格納されていてもよい。
【0084】
学習プログラム１２６は、学習用データセット１２２を用いて判定モデル１２４を生成するためのプログラムである。学習プログラム１２６は、単体のプログラムとしてではなく、任意のプログラムの一部に組み込まれて提供されてもよい。この場合、学習プログラム１２６による学習処理は、任意のプログラムと協働して実現される。このような一部のモジュールを含まないプログラムであっても、本実施の形態に従う学習プログラム１２６の趣旨を逸脱するものではない。さらに、学習プログラム１２６によって提供される機能の一部または全部は、専用のハードウェアによって実現されてもよい。さらに、少なくとも１つのサーバーが学習プログラム１２６の処理の一部を実行する所謂クラウドサービスのような形態で制御装置５０が構成されてもよい。
【0085】
異常判定プログラム１２８は、学習済みの判定モデル１２４を用いて、糸ガイド５を通過する糸に関して異常が発生しているか否かを判定するためのプログラムである。異常判定プログラム１２８は、単体のプログラムとしてではなく、任意のプログラムの一部に組み込まれて提供されてもよい。この場合、異常判定プログラム１２８による判定処理は、任意のプログラムと協働して実現される。このような一部のモジュールを含まないプログラムであっても、本実施の形態に従う異常判定プログラム１２８の趣旨を逸脱するものではない。さらに、異常判定プログラム１２８によって提供される機能の一部または全部は、専用のハードウェアによって実現されてもよい。さらに、少なくとも１つのサーバーが異常判定プログラム１２８の処理の一部を実行する所謂クラウドサービスのような形態で制御装置５０が構成されてもよい。
【0086】
＜Ｃ．学習用データセット１２２＞
次に、図１０を参照して、図９に示される判定モデル１２４を生成するために用いられる学習用データセット１２２について説明する。図１０は、学習用データセット１２２の一例を示す図である。
次に、図１０を参照して、図９に示される判定モデル１２４を生成するために用いられる学習用データセット１２２について説明する。図１０は、学習用データセット１２２の一例を示す図である。
【0087】
学習用データセット１２２は、複数の学習用データ１２３を含む。学習用データセット１２２に含まれる学習用データ１２３の数は、任意である。一例として、学習用データ１２３の数は、数十～数十万である。
【0088】
学習用データ１２３の各々は、上述の糸ガイド５の表面温度の分布を示す熱画像に対して、当該糸ガイドを通過する糸に係る異常の種別をラベル（正解値）として関連付けている。なお、学習用データ１２３は、１つの紡糸引取機１から取得されてもよいし、紡糸引取機１とは異なる他の紡糸引取機から取得されてもよい。
【0089】
学習用データセット１２２に規定されるラベルの種類は、１種類であってもよいし、複数種類であってもよい。図１０の例では、異常の種別を示すラベルとして、異常「Ａ」～「Ｄ」が示されている。異常「Ａ」は、糸９３が糸ガイド５上の正常な糸道領域から外れていることを示す糸道異常を示す。異常「Ｂ」は、糸ガイド５を通過する糸９３の張力が正常な範囲から外れていることを示す張力異常を示す。異常「Ｃ」は、糸ガイド５を通過する糸９３に付着する油剤の付着量が正常な範囲から外れていることを示す油剤付着量異常を示す。異常「Ｄ」は、糸ガイド５の摩耗量が正常な範囲から外れていることを示す摩耗異常を示す。なお、正常を示すラベルが熱画像に関連付けられていてもよい。
【0090】
【0091】
図１１に示されるように、制御装置５０は、機能構成として、学習部５０ｂと、判定部５０ｃと、入力部５０ｅと、出力部５０ｆとを含む。以下では、これらの機能構成について、学習部５０ｂ、入力部５０ｅ、判定部５０ｃ、および出力部５０ｆの順で説明する。
【0092】
【0093】
学習部５０ｂは、上述の学習用データセット１２２（図１０参照）を用いた学習処理を実行し、糸ガイド５を通過する糸９３に関して異常が発生しているか否かを判定するための判定モデル１２４を生成する。学習処理に採用される機械学習アルゴリズムは、特に限定されず、たとえば、ディープラーニング、コンボリューションニューラルネットワーク（ＣＮＮ）、全層畳み込みニューラルネットワーク（ＦＣＮ）、サポートベクターマシンなどが採用され得る。以下では、ディープラーニングを用いた学習処理について説明する。
【0094】
図１２に示されるように、判定モデル１２４は、入力層Ｘと、中間層Ｈと、出力層Ｙとで構成される。
【0095】
入力層Ｘは、学習用データ１２３である熱画像の入力を受け付けるように構成されている。入力層Ｘは、たとえば、Ｎ個のユニットｘ１～ｘＮで構成されている（Ｎは自然数）。入力層Ｘを構成するユニット数は、入力される情報の次元数と同数である。
【0096】
一例として、熱画像の画素数がＮピクセルであり、熱画像の各画素がそのまま入力層Ｘに入力される場合、入力層Ｘは、Ｎ個のユニットで構成される。他の例として、熱画像から特徴抽出された特徴量が入力層Ｘに入力されてもよい。この場合、入力層Ｘは、そのユニット数が特徴量の次元数と同数になるように構成される。入力層Ｘを構成する各ユニットは、入力されたデータを中間層Ｈの１層目の各ユニットに出力する。
【0097】
中間層Ｈは、１層または複数層で構成されている。図１２の例では、中間層Ｈは、Ｌ層で構成されている（Ｌは自然数）。中間層Ｈの各層は、複数のユニットを含む。中間層Ｈの各層におけるユニット数は、同数であってもよいし、異なっていてもよい。図１２の例では、中間層Ｈの１層目は、Ｑ個のユニットｈＡ１～ｈＡＱで構成されている（Ｑは自然数）。また、中間層Ｈの最終層は、Ｒ個のユニットｈＬ１～ｈＬＲで構成されている（Ｒは自然数）。
【0098】
中間層Ｈの各層を構成する各ユニットは、前の層の各ユニットと、次の層の各ユニットとに接続されている。各層の各ユニットは、前の層の各ユニットから出力値を受けて、各出力値に重みを乗算し、それらの乗算結果を積算し、その積算結果に対して所定のバイアスを加算（または減算）し、その加算結果（または減算結果）を所定の関数（たとえば、シグモイド関数）に入力し、その関数の出力値を次の層の各ユニットに出力する。
【0099】
出力層Ｙは、入力された熱画像に応じた推定結果を出力する。出力層Ｙは、たとえば、ユニットｙ１～ｙ４で構成される。以下では、ユニットｙ１～ｙ４をユニットｙとも称する。
【0100】
ユニットｙの各々は、中間層Ｈの最終層のユニットｈＬ１～ｈＬＲと接続されている。ユニットｙの各々は、中間層Ｈの最終層の各ユニットからの出力値を受けて、各出力値に重みを乗算し、それらの乗算結果を積算し、その積算結果に対して所定のバイアスを加算（または減算）し、その加算結果（または減算結果）を所定の関数（たとえば、シグモイド関数）に入力し、その関数の出力結果を出力値として出力する。
【0101】
出力層Ｙを構成するユニット数は、学習用データ１２３に規定される異常種別数に応じて決定される。一例として、異常「Ａ」～「Ｄ」を検出する場合、出力層Ｙを構成するユニット数は、ユニットｙ１～ｙ４の４つとなる。この場合、ユニットｙ１は、異常「Ａ」が発生している可能性を示すスコア「ｓａ」を出力するように構成される。ユニットｙ２は、異常「Ｂ」が発生している可能性を示すスコア「ｓｂ」を出力するように構成される。ユニットｙ３は、異常「Ｃ」が発生している可能性を示すスコア「ｓｃ」を出力するように構成される。ユニットｙ４は、異常「Ｄ」が発生している可能性を示すスコア「ｓｄ」を出力するように構成される。
【0102】
なお、図１２の例では、１つの判定モデル１２４が複数のスコアを出力するように構成されているが、１つの判定モデルが１つのスコアを出力するように構成されてもよい。一例として、第１の判定モデルが異常「Ａ」に係るスコア「ｓａ」を出力するように構成され、第２の判定モデルが異常「Ｂ」に係るスコア「ｓｂ」を出力するように構成され、第３の判定モデルが異常「Ｃ」に係るスコア「ｓｃ」を出力するように構成され、第４の判定モデルが異常「Ｄ」に係るスコア「ｓｄ」を出力するように構成されてもよい。
【0103】
次に、学習部５０ｂによる判定モデル１２４の内部パラメータの更新処理について説明する。
【0104】
学習部５０ｂは、１つ目の学習用データ１２３に規定されている熱画像を判定モデル１２４に入力する。次に、学習部５０ｂは、判定モデル１２４から出力された推定結果「ｓａ」～「ｓｄ」と、１つ目の学習用データ１２３に対応付けられている異常種別に応じた正解スコア「ｓａ'」～「ｓｄ'」とを比較する。
【0105】
一例として、学習用データ１２３に対応付けられている異常種別が異常「Ａ」である場合には、正解スコアは、（ｓａ'，ｓｂ'，ｓｃ'，ｓｄ'）＝（１，０，０，０）となる。学習用データ１２３に対応付けられている異常種別が異常「Ｂ」である場合には、正解スコアは、（ｓａ'，ｓｂ'，ｓｃ'，ｓｄ'）＝（０，１，０，０）となる。学習用データ１２３に対応付けられている異常種別が異常「Ｃ」である場合には、正解スコアは、（ｓａ'，ｓｂ'，ｓｃ' ，ｓｄ'）＝（０，０，１，０）となる。学習用データ１２３に対応付けられている異常種別が異常「Ｄ」である場合には、正解スコアは、（ｓａ'，ｓｂ'，ｓｃ' ，ｓｄ'）＝（０，０，０，１）となる。
【0106】
学習部５０ｂは、判定モデル１２４の出力結果「ｓａ」～「ｓｄ」と、正解スコア「ｓａ'」～「ｓｄ'」との間の誤差「Ｚ」を算出する。誤差「Ｚ」は、たとえば、下記の式（１）に基づいて算出される。
【0107】
Ｚ＝{（ｓａ－ｓａ'）２＋（ｓｂ－ｓｂ'）２＋（ｓｃ－ｓｃ'）２＋（ｓｄ－ｓｄ'）２}／４・・・（１）
次に、学習部５０ｂは、誤差「Ｚ」が小さくなるように、判定モデル１２４に含まれる各種のパラメータ（たとえば、重みやバイアス）を更新する。当該パラメータの更新は、たとえば、誤差逆伝播法により実現される。
次に、学習部５０ｂは、誤差「Ｚ」が小さくなるように、判定モデル１２４に含まれる各種のパラメータ（たとえば、重みやバイアス）を更新する。当該パラメータの更新は、たとえば、誤差逆伝播法により実現される。
【0108】
以上のように、学習部５０ｂは、学習用データ１２３に含まれている熱画像を判定モデル１２４に入力することで判定モデル１２４から出力される推定結果が、当該熱画像に関連付けられているラベルとしての異常の種別に近付くように、判定モデル１２４の内部パラメータを更新する。学習部５０ｂは、判定モデル１２４の内部パラメータの更新処理を、学習用データセット１２２に含まれる各学習用データ１２３について繰り返し行う。その結果、判定モデル１２４は、学習が進むにつれて正確な推定結果を出力するようになる。
【0109】
なお、学習部５０ｂは、学習用データセット１２２に含まれる全ての学習用データ１２３を学習処理に用いる必要はなく、学習用データセット１２２に含まれる一部の学習用データ１２３を用いて判定モデル１２４を生成してもよい。残りの学習用データ１２３は、たとえば、判定モデル１２４の評価などに用いられる。
【0110】
（Ｄ２．入力部５０ｅ）
次に、図１１に示される入力部５０ｅの機能について説明する。
次に、図１１に示される入力部５０ｅの機能について説明する。
【0111】
入力部５０ｅは、上述の撮影装置６との通信を実現するための通信モジュールである。制御装置５０と撮影装置６とは、有線で通信接続されてもよいし、無線で通信接続されてもよい。
【0112】
入力部５０ｅは、撮影装置６に撮影指示を出力することにより撮影装置６から判定用熱画像を取得し、当該判定用熱画像を判定モデル１２４に入力する。このとき、入力部５０ｅは、判定用熱画像の各画素をそのまま判定モデル１２４に入力してもよいし、判定用熱画像から特徴抽出された特徴量を判定モデル１２４に入力してもよい。これにより、判定モデル１２４は、糸ガイド５を通過している糸９３に関して異常が発生している可能性を示すスコアを異常の種別に出力する。
【0113】
【0114】
図１３に示されるように、判定モデル１２４は、たとえば、推定結果として、異常「Ａ」が発生している可能性を示すスコア「ｓａ」と、異常「Ｂ」が発生している可能性を示すスコア「ｓｂ」と、異常「Ｃ」が発生している可能性を示すスコア「ｓｃ」と、異常「Ｄ」が発生している可能性を示すスコア「ｓｄ」とを出力する。判定部５０ｃは、スコア「ｓａ」，「ｓｂ」，「ｓｃ」，「ｓｄ」に基づいて、発生している異常種別を判定する。
【0115】
判定部５０ｃは、スコア「ｓａ」が第１閾値を超えている場合には、異常「Ａ」が発生していると判定する。第１閾値は、予め設定されていてもよいし、ユーザによって任意に設定されてもよい。
【0116】
判定部５０ｃは、スコア「ｓｂ」が第２閾値を超えている場合には、異常「Ｂ」が発生していると判定する。第２閾値は、予め設定されていてもよいし、ユーザによって任意に設定されてもよい。また、第２閾値は、上記第１閾値と同じであってもよいし、上記第１閾値と異なっていてもよい。
【0117】
判定部５０ｃは、スコア「ｓｃ」が第３閾値を超えている場合には、異常「Ｃ」が発生していると判定する。第３閾値は、予め設定されていてもよいし、ユーザによって任意に設定されてもよい。また、第３閾値は、上記第１，第２閾値と同じであってもよいし、上記第１，第２閾値と異なっていてもよい。
【0118】
判定部５０ｃは、スコア「ｓｄ」が第４閾値を超えている場合には、異常「Ｄ」が発生していると判定する。第４閾値は、予め設定されていてもよいし、ユーザによって任意に設定されてもよい。また、第４閾値は、上記第１～第３閾値と同じであってもよいし、上記第１～第３閾値と異なっていてもよい。
【0119】
判定部５０ｃは、スコア「ｓａ」が第１閾値以下であり、かつスコア「ｓｂ」が第２閾値以下であり、かつスコア「ｓｃ」が第３閾値以下であり、かつスコア「ｓｄ」が第４閾値以下である場合、異常が発生していないと判定する。すなわち、この場合には、判定部５０ｃは、糸９３が糸ガイド５を正常に通過していると判定する。
【0120】
（Ｄ４．出力部５０ｆ）
次に、図１１に示される出力部５０ｆの機能について説明する。
次に、図１１に示される出力部５０ｆの機能について説明する。
【0121】
出力部５０ｆは、判定部５０ｃによる判定結果に応じた制御指令を所定の出力先に出力する。
【0122】
ある局面において、出力部５０ｆは、警告の表示指令を上述の表示デバイス８６（図９参照）に出力する。これにより、表示デバイス８６は、糸ガイド５に異常が発生していることを示す警告を表示する。表示デバイス８６に表示される警告は、たとえば、発生している異常種別と、異常を示す判定用熱画像とを含む。なお、警告の表示指令は、予め登録されている通信端末に送信されてもよい。これにより、担当者や管理者は、紡糸引取機１内の糸ガイド５に異常が発生していることを認識できる。
【0123】
他の局面において、出力部５０ｆは、警告の報知指令を上述の報知部６５（図３参照）に出力する。これにより、報知ランプとしての報知部６５は、発生している異常種別に応じた光を発する。また、報知ブザーとしての報知部６５は、発生している異常種別に応じた音を発する。
【0124】
一例として、判定結果が正常を示す場合、出力部５０ｆは、報知ランプを緑色に点灯させる。また、判定結果が糸道異常を示す場合、出力部５０ｆは、報知ランプを赤色に点滅させる。さらに、判定結果が油剤の付着量の異常を示す場合、出力部５０ｆは、報知ランプを赤色に点滅させる。さらに、判定結果が張力異常を示す場合、出力部５０ｆは、報知ランプを黄色に点滅させる。判定結果が糸ガイド５の摩耗異常を示す場合、出力部５０ｆは、報知ランプを黄色に点灯させる。
【0125】
また、出力部５０ｆは、判定結果が糸道異常、油剤の付着量の異常、張力異常、または摩耗異常を示す場合、報知ブザーに異常状態を報知させてもよい。好ましくは、出力部５０ｆは、異常の種別に応じた音を報知ブザーに出力させる。
【0126】
さらに、出力部５０ｆは、判定結果が糸道異常、油剤の付着量の異常、張力異常、または摩耗異常を示す場合、異常が発生していることを示す通知を出力してもよい。当該通知は、上述の表示デバイス８６に表示されてもよいし、外部機器に送信されてもよい。当該通知に含まれる内容は、たとえば、異常が発生している紡糸引取機の識別子（たとえば、機台ＩＤ）と、発生している異常の種別とを含む。
【0127】
さらに他の局面において、出力部５０ｆは、ログの記憶指令を上述の記憶部５０ｄ（図３参照）に出力する。これにより、記憶部５０ｄは、発生している異常種別に応じたログを記憶する。一例として、当該ログは、異常の発生時刻と、発生している異常の種別と、異常を示す判定用熱画像とを含む。
【0128】
＜Ｅ．第１変形例＞
次に、図１４を参照して、上記実施形態の第１変形例について説明する。なお、以後の説明においては、前述の実施形態と同一又は類似の部材には図面に同一の符号を付し、説明を省略する場合がある。
次に、図１４を参照して、上記実施形態の第１変形例について説明する。なお、以後の説明においては、前述の実施形態と同一又は類似の部材には図面に同一の符号を付し、説明を省略する場合がある。
【0129】
上述の図１１の例では、学習部５０ｂ、判定部５０ｃが同一の紡糸引取機１に実装されていた。しかしながら、学習部５０ｂおよび判定部５０ｃは、必ずしも同一の紡糸引取機１に実装される必要はない。一例として、学習部５０ｂは、異なる装置に実装されてもよい。
【0130】
図１４は、本変形例における異常判定システム５００の装置構成の一例を示す図である。図１４に示されるように、異常判定システム５００は、１つ以上の紡糸引取機１と、１つ以上の情報処理装置２００とを含む。図１４の例では、異常判定システム５００は、３つの紡糸引取機１Ａ～１Ｃと、１つの情報処理装置２００とで構成されている。
【0131】
紡糸引取機１Ａ～１Ｃおよび情報処理装置２００は、同一のネットワークＮＷに接続されており、互いに通信可能に構成される。紡糸引取機１および情報処理装置２００は、有線で通信接続されてもよいし、無線で通信接続されてもよい。
【0132】
情報処理装置２００は、デスクトップ型のパソコン、ノート型のパソコン、タブレット端末、または、その他の情報処理端末である。
【0133】
図１４の例では、学習部５０ｂは、情報処理装置２００に実装されている。また、判定部５０ｃは、紡糸引取機１Ｃに実装されている。
【0134】
情報処理装置２００は、ネットワークＮＷに接続されている紡糸引取機１（たとえば、紡糸引取機１Ａ，１Ｂ）から上述の学習用データ１２３（図１０参照）を収集する。次に、情報処理装置２００の学習部５０ｂは、あらゆる紡糸引取機１から収集した学習用データ１２３を用いて学習処理を実行し、上述の判定モデル１２４を生成する。学習部５０ｂの機能については上述の通りであるので、その説明については繰り返さない。
【0135】
その後、情報処理装置２００は、生成した判定モデル１２４を紡糸引取機１（たとえば、紡糸引取機１Ｃ）に送信する。判定部５０ｃは、当該判定モデル１２４を用いて、紡糸引取機１Ｃ内の糸ガイド５に関して異常が発生していないか否かを判定する。判定部５０ｃの機能については上述の通りであるので、その説明については繰り返さない。
【0136】
【0137】
糸９３と第１糸ガイド５ａの摩擦により発生する熱（温度）は、紡糸引取機１の稼動条件に応じて異なる。例えば、糸９３の走行速度が速くなるに連れて、第１糸ガイド５ａの温度が高くなる傾向にある。また、糸９３の材質に応じて摩擦係数が変化するので、第１糸ガイド５ａの温度が変化する。
【0138】
そこで、本変形例では、紡糸引取機１の稼動条件毎に上述した判定モデル１２４を作成する。ただし、稼動条件毎の判定モデルの作成は必須ではなく、稼動条件に関係なく１つの判定モデルを用いてもよい。
【0139】
【0140】
学習用データセット１２２Ａは、複数の学習用データ１２３Ａを含む。学習用データセット１２２Ａに含まれる学習用データ１２３Ａの数は、任意である。一例として、学習用データ１２３Ａの数は、数十～数十万である。
【0141】
上述の図１０に示される学習用データ１２３においては、糸ガイド５の表面温度の分布を示す熱画像に対して、糸９３に係る異常種別がラベル（正解値）として関連付けられていた。これに対して、本変形例に従う学習用データ１２３Ａにおいては、学習用熱画像に対して、紡糸引取機１または他の紡糸引取機の稼動条件がさらに関連付けられている。当該稼動条件としては、たとえば、糸９３の走行速度、および糸９３の材質などが挙げられる。
【0142】
上述の学習部５０ｂは、学習用データセット１２２Ａに含まれる学習用データ１２３Ａを、類似する稼動条件ごとに分類する。分類の手法には任意の方法が採用され得る。一例として、学習用データ１２３Ａは、クラスタリングにより分類される。クラス数（分類数）は、予め設定されていてもよいし、自動で決められてもよい。
【0143】
クラスタリングの手法は、特に限定されず、類似する稼動条件を分類できる手法であればいずれでもよい。たとえば、クラスタリングの手法は、階層的な手法と、非階層的な手法とを含む。階層的なクラスタリングの手法としては、糸９３の走行速度と、糸９３の材質との少なくとも１つを含む指標で示される空間上で距離の近い２点を順次結合し、当該距離が予め定められた値を越えるまで結合を行なう手法が挙げられる。また、非階層的なクラスタリングの手法としては、k-means法などが挙げられる。
【0144】
学習部５０ｂは、同一のクラスに属する学習用データ１２３Ａの集合ごとに上述の学習処理を実行する。学習処理については、上述の図１２で説明した通りであるので、その説明については繰り返さない。学習処理の結果として、紡糸引取機１の稼動条件範囲の別に判定モデル１２４が生成される。判定モデル１２４の各々は、稼動条件範囲が関連付けられた状態で記憶される。
【0145】
【0146】
図１６に示されるフローチャートでは、図８に示されるフローチャートと比較して、ステップＳ１０３の処理が追加されている。その他の点については図８で説明した通りであるので、それらの説明については繰り返さない。
【0147】
ステップＳ１０３において、上述の判定部５０ｃは、紡糸引取機１の現在の稼動条件を取得する。当該稼動条件としては、たとえば、糸９３の走行速度、および糸９３の材質などが挙げられる。当該稼動条件は、たとえば、上述の入力部５０ｅに入力される。
【0148】
次に、判定部５０ｃは、学習部５０ｂによって生成された判定モデル１２４の内から、紡糸引取機１の現在の稼動条件に応じた判定モデル１２４を取得する。より具体的には、判定部５０ｃは、判定モデル１２４の各々に関連付けられている稼動条件範囲の中から、現在の稼動条件が属する稼動条件範囲を特定し、当該稼動条件範囲に対応する判定モデル１２４を選択する。その後、判定部５０ｃは、選択した判定モデル１２４を用いて上述の異常判定処理を実行する。判定部５０ｃによる異常判定処理については、上述の図１３で説明した通りであるので、その説明については繰り返さない。
【0149】
（Ｆ３．その他）
なお、上述では、類似する稼動条件ごとに判定モデル１２４が生成される例について説明を行ったが、紡糸引取機１の稼動条件の用い方は、これに限定されない。一例として、上述の学習部５０ｂは、学習用データ１２３Ａに含まれる熱画像だけでなく、稼動条件も含めて学習処理を実行する。この場合、判定モデル１２４は、熱画像の入力だけでなく、稼動条件の入力を受け付けるように構成される。次に、上述の入力部５０ｅは、判定用熱画像だけでなく、紡糸引取機１の現在の稼動条件を判定モデル１２４に入力する。これにより、判定モデル１２４は、糸ガイド５を通過している糸９３に関して異常が発生している可能性を示すスコアをより正確に出力する。
なお、上述では、類似する稼動条件ごとに判定モデル１２４が生成される例について説明を行ったが、紡糸引取機１の稼動条件の用い方は、これに限定されない。一例として、上述の学習部５０ｂは、学習用データ１２３Ａに含まれる熱画像だけでなく、稼動条件も含めて学習処理を実行する。この場合、判定モデル１２４は、熱画像の入力だけでなく、稼動条件の入力を受け付けるように構成される。次に、上述の入力部５０ｅは、判定用熱画像だけでなく、紡糸引取機１の現在の稼動条件を判定モデル１２４に入力する。これにより、判定モデル１２４は、糸ガイド５を通過している糸９３に関して異常が発生している可能性を示すスコアをより正確に出力する。
【0150】
【0151】
上述の図１５および図１６では、類似する稼動条件ごとに判定モデル１２４を生成する例について説明を行ったが、判定モデル１２４は、稼動条件とは異なる別の情報ごとに生成されてもよい。一例として、判定モデル１２４は、撮影装置６による糸ガイド５の撮影条件の別に生成されてもよい。当該撮影条件は、たとえば、糸ガイド５に対する撮影装置６の相対的な位置関係を含む。
【0152】
以下では、判定モデル１２４が糸ガイド５に対する撮影装置６の相対的な位置関係の別に生成される例について説明する。
【0153】
【0154】
学習用データセット１２２Ｂは、複数の学習用データ１２３Ｂを含む。学習用データセット１２２Ｂに含まれる学習用データ１２３Ｂの数は、任意である。一例として、学習用データ１２３Ｂの数は、数十～数十万である。
【0155】
上述の図１０に示される学習用データ１２３においては、糸ガイド５の表面温度の分布を示す熱画像に対して、糸９３に係る異常種別がラベル（正解値）として関連付けられていた。これに対して、本変形例に従う学習用データ１２３Ｂにおいては、学習用熱画像に対して、糸ガイド５と撮影装置６との位置関係を示す情報がさらに関連付けられている。当該位置関係は、たとえば、糸ガイド５に対する撮影装置６の相対的な座標値と、糸ガイド５に対する撮影装置６の画角との少なくとも一方で規定される。学習用データ１２３に含まれる上記位置関係は、紡糸引取機１に備えられる糸ガイド５と撮影装置６との位置関係であってもよいし、紡糸引取機１とは異なる他機種に備えられる糸ガイド５と撮影装置６との位置関係であってもよい。
【0156】
上述の学習部５０ｂは、学習用データセット１２２Ｂに含まれる学習用データ１２３Ｂを、類似する位置関係ごとに分類する。分類の手法には任意の方法が採用され得る。一例として、学習用データ１２３Ｂは、クラスタリングにより分類される。クラス数（分類数）は、予め設定されていてもよいし、自動で決められてもよい。
【0157】
クラスタリングの手法は、特に限定されず、類似する位置関係を分類できる手法であればいずれでもよい。たとえば、クラスタリングの手法は、階層的な手法と、非階層的な手法とを含む。階層的なクラスタリングの手法としては、糸ガイド５に対する撮影装置６の相対的な座標値と、糸ガイド５に対する撮影装置６の画角との少なくとも１つを含む指標で示される空間上で距離の近い２点を順次結合し、当該距離が予め定められた値を越えるまで結合を行なう手法が挙げられる。また、非階層的なクラスタリングの手法としては、k-means法などが挙げられる。
【0158】
学習部５０ｂは、同一のクラスに属する学習用データ１２３Ｂの集合ごとに上述の学習処理を実行する。学習処理については、上述の図１２で説明した通りであるので、その説明については繰り返さない。学習処理の結果として、類似する位置関係の別に判定モデル１２４が生成される。判定モデル１２４の各々は、位置関係が関連付けられた状態で記憶される。
【0159】
【0160】
図１８に示されるフローチャートでは、図８に示されるフローチャートと比較して、ステップＳ１０３Ａの処理が追加されている。その他の点については図８で説明した通りであるので、それらの説明については繰り返さない。
【0161】
ステップＳ１０３Ａにおいて、上述の判定部５０ｃは、糸ガイド５と撮影装置６との位置関係を取得する。当該位置関係は、予め設定されていてもよいし、ユーザによって入力されてもよい。当該位置関係は、たとえば、上述の入力部５０ｅに入力される。以下、糸ガイド５と撮影装置６との位置関係を「入力位置関係」とも称する。
【0162】
次に、判定部５０ｃは、学習部５０ｂによって生成された判定モデル１２４の内から、上記入力位置関係に応じた判定モデル１２４を取得する。より具体的には、判定部５０ｃは、判定モデル１２４の各々に関連付けられている位置関係の中から、上記入力位置関係が属する位置関係を特定し、当該位置関係に対応する判定モデル１２４を選択する。その後、判定部５０ｃは、選択した判定モデル１２４を用いて上述の異常判定処理を実行する。判定部５０ｃによる異常判定処理については、上述の図１３で説明した通りであるので、その説明については繰り返さない。
【0163】
（Ｇ３．その他）
なお、上述では、類似する位置関係ごとに判定モデル１２４が生成される例について説明を行ったが、当該位置関係の用い方は、これに限定されない。一例として、上述の学習部５０ｂは、学習用データ１２３Ｂに含まれる熱画像だけでなく、上記位置関係も含めて学習処理を実行する。この場合、判定モデル１２４は、熱画像の入力だけでなく、上記位置関係の入力を受け付けるように構成される。次に、上述の入力部５０ｅは、判定用熱画像だけでなく、糸ガイド５と撮影装置６との位置関係を判定モデル１２４に入力する。これにより、判定モデル１２４は、糸ガイド５を通過している糸９３に関して異常が発生している可能性を示すスコアをより正確に出力する。
なお、上述では、類似する位置関係ごとに判定モデル１２４が生成される例について説明を行ったが、当該位置関係の用い方は、これに限定されない。一例として、上述の学習部５０ｂは、学習用データ１２３Ｂに含まれる熱画像だけでなく、上記位置関係も含めて学習処理を実行する。この場合、判定モデル１２４は、熱画像の入力だけでなく、上記位置関係の入力を受け付けるように構成される。次に、上述の入力部５０ｅは、判定用熱画像だけでなく、糸ガイド５と撮影装置６との位置関係を判定モデル１２４に入力する。これにより、判定モデル１２４は、糸ガイド５を通過している糸９３に関して異常が発生している可能性を示すスコアをより正確に出力する。
【0164】
【0165】
糸ガイド５と撮影装置６との相対的な位置関係が決まっている場合には、熱画像内に写る糸ガイド５の位置も一定となる。この場合には、制御装置５０は、熱画像内の予め定められた領域を切り出し、当該切り出し領域の画像情報を学習処理および判定処理に用いることで学習精度および判定精度を向上することができる。しかしながら、糸ガイド５に対する撮影装置６の位置は、紡糸引取機１の機種により変わる場合もある。そこで、本変形例に従う制御装置５０は、まず、熱画像内における糸ガイド５の領域を特定する。
【0166】
より具体的には、紡糸引取機１の内部には、サーマルカメラとしての撮影装置６の他に、可視光カメラ（図示しない）が設けられている。当該可視光カメラは、その撮影視野が糸ガイド５を含むように紡糸引取機１の内部に設けられている。好ましくは、当該可視光カメラは、撮影装置６に隣接するように設けられている。また、可視光カメラの光軸と、撮影装置６の光軸との成す角度は、所定角度以下（たとえば、１０°以下）である。一例として、当該所定角度は、０°である。この場合、可視光カメラの光軸は、撮影装置６の光軸と平行である。
【0167】
図１９には、可視光カメラから得られた可視画像ＩＭ１と、撮影装置６から得られた熱画像ＩＭ２とが示されている。制御装置５０は、予め定められた物体検出アルゴリズムを用いて、可視画像ＩＭ１から、糸ガイド５を写す画像領域Ｒ１を特定する。物体検出アルゴリズムには、既知の任意のアルゴリズムが採用され得る。
【0168】
次に、制御装置５０は、可視画像ＩＭ１内の画像領域Ｒ１の位置に基づいて、熱画像ＩＭ２内で糸ガイド５が写っている画像領域Ｒ２を特定する。このとき、撮影装置６と可視光カメラとの位置関係が既知であれば、熱画像ＩＭ２内における画像領域Ｒ２の位置は、可視画像ＩＭ１内の画像領域Ｒ１の位置から特定され得る。一例として、撮影装置６と可視光カメラとの設置位置が互いに略同じである場合には、制御装置５０は、熱画像ＩＭ２内における画像領域Ｒ２の位置を、可視画像ＩＭ１内の画像領域Ｒ１の位置と同じとする。他の局面において、制御装置５０は、予め決められた射影行列に基づいて、可視画像ＩＭ１内の画像領域Ｒ１を射影変換し、当該射影変換後の領域を熱画像ＩＭ２内における画像領域Ｒ２として特定する。なお、当該射影行列は、可視光カメラと撮影装置６との位置関係に基づいて予め決められている。
【0169】
その後、制御装置５０は、熱画像ＩＭ２内の画像領域Ｒ２を切り出し、切り出し画像ＩＭ３を生成する。切り出し画像ＩＭ３は、上述の学習部５０ｂによる学習処理に用いられ得る。また、切り出し画像ＩＭ３は、上述の判定部５０ｃによる判定処理に用いられ得る。
【0170】
【0171】
仮撚加工機１００は、合繊糸１０４を加工する。図２０に示すように、仮撚加工機１００は、給糸部１０１と、加工部１０２と、巻取部１０３と、を備える。
【0172】
給糸部１０１は、合繊糸１０４が巻かれた複数のパッケージを保持する機構を備える。給糸部１０１は、加工部１０２の加工対象である複数の合繊糸１０４を、加工部１０２に供給する。
【0173】
加工部１０２は、合繊糸１０４を仮撚加工する。加工部１０２は、合繊糸１０４の走行方向の上流側から順に、第１フィードローラ１０５と、糸ガイド１０６と、第１加熱装置１０７と、冷却装置１０８と、仮撚装置１０９と、第２フィードローラ１１０と、合糸装置１１１と、第３フィードローラ１１２と、第２加工装置１１３と、第４フィードローラ１１４と、を備える。
【0174】
第１フィードローラ１０５は対向するローラで構成されており、複数の合繊糸１０４を挟み込んで回転することにより、給糸部１０１の複数のパッケージからそれぞれ合繊糸１０４を引き出す。糸ガイド１０６は、第１フィードローラ１０５が引き出した複数の合繊糸１０４をそれぞれ個別にガイドする。第１加熱装置１０７は、例えばヒータを備えており、複数の合繊糸１０４を加熱する。また、第１加熱装置１０７の内部には、図略の糸ガイドが設けられている。冷却装置１０８は、例えば気流を用いて複数の合繊糸１０４を冷却する。また、冷却装置１０８の内部には、図略の糸ガイドが設けられている。仮撚装置１０９は、複数の合繊糸１０４を仮撚りする。第２フィードローラ１１０は、仮撚装置１０９により仮撚りが施された複数の合繊糸１０４を引き出す。合糸装置１１１は、２つの合繊糸１０４を合糸する。第３フィードローラ１１２は、合糸装置１１１により合糸された複数の合繊糸１０４を引き出す。第２加工装置１１３は、複数の合繊糸１０４を再び加熱する。第４フィードローラ１１４は、第２加工装置１１３により加熱された複数の合繊糸１０４を引き出す。
【0175】
巻取部１０３は、第４フィードローラ１１４によって引き出された複数の合繊糸１０４をそれぞれ巻き取って複数のパッケージを製造する。
【0176】
糸ガイド１０６の近傍には、上記実施形態と同等の撮影装置６が配置されている。撮影装置６は、レンズが糸ガイド１０６を向くように配置されており、糸ガイド１０６を撮影して判定用熱画像を生成する。糸ガイド１０６の近傍では合繊糸１０４に比較的高い糸張力が掛かるため、高い摩擦熱が発生し易い。従って、糸ガイド１０６の熱画像に基づいて、上記実施形態と同様の処理を行うことにより、糸道の異常を検出できる。
【0177】
撮影装置６は糸ガイド１０６以外を撮影して判定用熱画像を生成してもよい。例えば、第１加熱装置１０７の内部の糸ガイド、冷却装置１０８の内部の糸ガイド、又は、巻取部１０３に設けられるトラバースガイド等を撮影して判定用熱画像を生成してもよい。
【0178】
＜Ｊ．まとめ＞
以上に説明したように、本実施形態の制御装置５０は、入力部５０ｅと、判定部５０ｃと、出力部５０ｆと、を備える。入力部５０ｅには、紡糸引取機１（又は仮撚加工機１００、以下同じ）が備える第１糸ガイド５ａ（糸ガイド１０６、以下同じ）の一部である糸道領域を含む熱画像が入力される（入力工程、入力手段）。判定部５０ｃは、入力部５０ｅに入力された熱画像に基づいて、糸９３に関する異常の有無を判定する（判定工程、判定手段）。出力部５０ｆは、判定部５０ｃの判定結果を出力する（出力工程、出力手段）。また、制御装置５０は、入力工程、判定工程、出力工程を含む異常判定方法を行う。また、制御装置５０の記憶部５０ｄには、入力手段、判定手段、出力手段として制御装置５０を機能させるための異常判定プログラムが記憶されている。
以上に説明したように、本実施形態の制御装置５０は、入力部５０ｅと、判定部５０ｃと、出力部５０ｆと、を備える。入力部５０ｅには、紡糸引取機１（又は仮撚加工機１００、以下同じ）が備える第１糸ガイド５ａ（糸ガイド１０６、以下同じ）の一部である糸道領域を含む熱画像が入力される（入力工程、入力手段）。判定部５０ｃは、入力部５０ｅに入力された熱画像に基づいて、糸９３に関する異常の有無を判定する（判定工程、判定手段）。出力部５０ｆは、判定部５０ｃの判定結果を出力する（出力工程、出力手段）。また、制御装置５０は、入力工程、判定工程、出力工程を含む異常判定方法を行う。また、制御装置５０の記憶部５０ｄには、入力手段、判定手段、出力手段として制御装置５０を機能させるための異常判定プログラムが記憶されている。
【0179】
糸９３の正常時と糸９３の異常時では、第１糸ガイド５ａで生じる摩擦状況が異なるため、第１糸ガイド５ａの温度が異なる。また、糸９３が細過ぎて糸９３自体の検出が困難な場合であっても、摩擦熱は広がるため、熱画像であれば糸９３を間接的に検出できる。以上により、第１糸ガイド５ａの一部である糸道領域を含む熱画像に基づいて、糸９３に関する異常を精度良く判定できる。
【0180】
本実施形態の制御装置５０において、判定部５０ｃは、入力部５０ｅに入力された熱画像に基づいて、糸道の異常を判定する。
【0181】
糸道が異常である場合、第１糸ガイド５ａの温度が変化するため、糸道の異常の有無を精度良く判定できる。
【0182】
本実施形態の制御装置５０において、判定部５０ｃは、入力部５０ｅに入力された熱画像に基づいて、糸張力の異常を判定する。
【0183】
糸張力が異常である場合、第１糸ガイド５ａの温度が変化するため、糸張力の異常の有無を精度良く判定できる。
【0184】
本実施形態の制御装置５０において、判定部５０ｃは、入力部５０ｅに入力された熱画像に基づいて、糸９３に付与される油剤の付着量の異常を判定する。
【0185】
糸９３に付与される油剤の付着量が異常である場合、第１糸ガイド５ａの温度が変化するため、糸９３に付与される油剤の付着量の異常の有無を精度良く判定できる。
【0186】
本実施形態の制御装置５０は、稼動条件に応じた複数の判定モデルを記憶する。判定部５０ｃは、現在の稼動条件に応じて選択された判定モデルと、入力部５０ｅに入力された熱画像とに基づいて、糸９３に関する異常の有無を判定する。
【0187】
稼動条件に応じて第１糸ガイド５ａで発生し得る温度は変化するため、稼動条件に応じた判定モデルを用いることにより、糸９３に関する異常を精度良く判定できる。
【0188】
本実施形態の制御装置５０において、入力部５０ｅに入力される熱画像は、撮影装置６によって撮影される。
【0189】
これにより、糸道領域を含む熱画像を取得して、糸９３に関する異常の判定に用いることができる。
【0190】
本実施形態の制御装置５０は、合成繊維製造設備としての紡糸引取機１の糸９３に関する異常の判定結果を出力する。
【0191】
上記の別の実施形態の制御装置５０は、合成繊維製造設備としての仮撚加工機１００の合繊糸１０４の異常の判定結果を出力する。
【0192】
これにより、紡糸引取機１（又は仮撚加工機１００）の糸９３（又は合繊糸１０４）に関する異常を判定できる。
【0193】
本実施形態の制御装置５０において、判定モデルは、糸道領域を予め撮影して生成された学習用熱画像を学習用データとして機械学習を行うことにより構築される。判定モデルは、糸９３が異常か否かを判定するためのモデルである。
【0194】
以上に本発明の好適な実施の形態を説明したが、上記の構成は例えば以下のように変更することができる。
【0195】
上記実施形態では、判定部５０ｃは、判定用熱画像と判定モデルを用いて、糸９３に関する異常を判定する。この処理を２つのモデルを用いて行ってもよい。つまり、判定モデルの作成時では、学習部５０ｂは、学習用熱画像と温度判定箇所（具体的には正常時において糸９３と第１糸ガイド５ａが接触する箇所及びその近傍）を示す正解データを学習用データとして第１判定モデルを構築する。次に、学習部５０ｂは、温度判定箇所の温度分布と、糸９３又は第１糸ガイド５ａが異常か否かを示す正解データと、を学習用データとして第２判定モデルを構築する。そして、判定時では、判定部５０ｃは、判定用熱画像と第１判定モデルに基づいて、温度判定箇所の範囲を求める。次に、判定部５０ｃは、温度判定箇所の範囲と第２判定モデルに基づいて、糸９３又は第１糸ガイド５ａが異常か否かを判定し、判定結果を出力する。
【0196】
上記実施形態で示したフローチャートは一例であり、一部の処理を省略したり、一部の処理の内容を変更したり、新たな処理を追加したりしてもよい。例えば、図１６のフローチャートでは、制御装置５０からの指示があった場合に撮影装置６が糸道領域を撮影するが、撮影装置６が自発的に所定の時間間隔で撮影を行って判定用熱画像を制御装置５０に出力してもよい。
【0197】
＜Ｉ．付記＞
以上のように、本実施形態は以下のような開示を含む。
以上のように、本実施形態は以下のような開示を含む。
【0198】
本発明の解決しようとする課題は以上の如くであり、次にこの課題を解決するための手段とその効果を説明する。
【0199】
本発明の第１の観点によれば、以下の構成の異常判定装置が提供される。即ち、異常判定装置は、入力部と、判定部と、出力部と、を備える。前記入力部には、合成繊維製造設備が備える糸ガイドの一部である糸道領域を含む熱画像が入力される。前記判定部は、前記入力部に入力された前記熱画像に基づいて、糸に関する異常の有無を判定する。前記出力部は、前記判定部の判定結果を出力する。
【0200】
糸の正常時と異常時では、糸ガイドで生じる摩擦状況が異なるため、糸ガイドの温度が異なる。また、糸が細過ぎて糸自体の検出が困難な場合であっても、摩擦熱は広がるため、熱画像であれば糸を間接的に検出できる。以上により、糸ガイドの一部である糸道領域を含む熱画像に基づいて、糸に関する異常を精度良く判定できる。
【0201】
前記の異常判定装置においては、前記判定部は、前記入力部に入力された前記熱画像に基づいて、糸道の異常の有無を判定することが好ましい。
【0202】
糸道が異常である場合、糸ガイドの温度が変化するため、糸道の異常の有無を精度良く判定できる。
【0203】
前記の異常判定装置においては、前記判定部は、前記入力部に入力された前記熱画像に基づいて、糸張力の異常の有無を判定することが好ましい。
【0204】
糸張力が異常である場合、糸ガイドの温度が変化するため、糸張力の異常の有無を精度良く判定できる。
【0205】
前記の異常判定装置においては、前記判定部は、前記入力部に入力された前記熱画像に基づいて、糸に付与される油剤の付着量の異常の有無を判定することが好ましい。
【0206】
糸に付与される油剤の付着量が異常である場合、糸ガイドの温度が変化するため、油剤の付着量の異常を精度良く判定できる。
【0207】
前記の異常判定装置においては、以下の構成とすることが好ましい。即ち、異常判定装置は、稼動条件に応じた複数の前記判定モデルを備える。前記判定部は、現在の稼動条件に応じて選択された前記判定モデルと、前記入力部に入力された前記熱画像とに基づいて、糸に関する異常の有無を判定する。
【0208】
稼動条件に応じて糸ガイドで発生し得る温度は変化するため、稼動条件に応じた判定モデルを用いることにより、糸に関する異常を精度良く判定できる。
【0209】
前記の異常判定装置においては、前記入力部に入力される前記熱画像は、撮影装置によって撮影されることが好ましい。
【0210】
これにより、糸道領域を含む熱画像を取得して、糸に関する異常の判定に用いることができる。
【0211】
前記の異常判定装置においては、前記合成繊維製造設備としての紡糸引取機の糸に関する異常の判定結果を出力することが好ましい。
【0212】
前記の異常判定装置においては、前記合成繊維製造設備としての仮撚加工機の糸に関する異常の判定結果を出力することが好ましい。
【0213】
これにより、紡糸引取機又は仮撚加工機の糸に関する異常を判定できる。
【0214】
本発明の第２の観点によれば、以下の異常判定方法が提供される。即ち、異常判定方法は、入力工程と、判定工程と、出力工程と、を含む。前記入力工程では、合成繊維製造設備が備える糸ガイドの一部である糸道領域を含む熱画像を入力する。前記判定工程では、前記入力工程で入力した前記熱画像に基づいて、糸に関する異常の有無を判定する。前記出力工程では、前記判定工程での判定結果を出力する。
【0215】
本発明の第３の観点によれば、コンピュータに以下の手段として機能させるための異常判定プログラムが提供される。手段は、入力手段と、判定手段と、出力手段と、を含む。前記入力手段では、合成繊維製造設備が備える糸ガイドの一部である糸道領域を含む熱画像を入力する。前記判定手段では、前記入力手段で入力した前記熱画像に基づいて、糸に関する異常の有無を判定する。前記出力手段では、前記判定手段での判定結果を出力する。
【0216】
今回開示された実施の形態は全ての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は上記した説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内での全ての変更が含まれることが意図される。
【符号の説明】
【0217】
１ 紡糸引取機（合成繊維製造設備）
５ａ 第１糸ガイド（糸ガイド）
６ 撮影装置
９ 糸巻取機
５０ 制御装置
５０ａ 制御部
５０ｂ 学習部
５０ｃ 判定部
５０ｄ 記憶部
１００ 仮撚加工機（合成繊維製造設備）
１０６ 糸ガイド
５ａ 第１糸ガイド（糸ガイド）
６ 撮影装置
９ 糸巻取機
５０ 制御装置
５０ａ 制御部
５０ｂ 学習部
５０ｃ 判定部
５０ｄ 記憶部
１００ 仮撚加工機（合成繊維製造設備）
１０６ 糸ガイド
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】
