特開 2024-86544 張力異常検出装置、張力異常検出方法、および張力異常検出プログラム

(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】P2024086544

(43)【公開日】2024-06-27

(54)【発明の名称】張力異常検出装置、張力異常検出方法、および張力異常検出プログラム

(51)【国際特許分類】

   B65H 63/02 20060101AFI20240620BHJP

【ＦＩ】

B65H63/02

【審査請求】未請求

【請求項の数】9

【出願形態】ＯＬ

(21)【出願番号】P 2023104891

(22)【出願日】2023-06-27

(31)【優先権主張番号】P 2022201332

(32)【優先日】2022-12-16

(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

(74)【代理人】

【識別番号】100150072

【弁理士】

【氏名又は名称】藤原 賢司

(72)【発明者】

【氏名】藤井 貴明

(72)【発明者】

【氏名】吉田 一登

【テーマコード（参考）】

3F115

【Ｆターム（参考）】

3F115BA03

3F115CA21

3F115CA22

3F115CB08

3F115CC17

3F115CC22

3F115CD05

3F115CF39

3F115CF40

(57)【要約】

【課題】糸巻取機が巻き取る糸の張力に関する様々な異常を簡単な方法で精度良く検出可能な張力異常検出装置を提供する。
【解決手段】張力異常検出装置は、制御装置と、糸巻取機に巻き取られる糸の張力を検出するための張力センサとを備える。制御装置は、正常な張力波形を圧縮した後に当該正常な張力波形を復元するように学習された自己符号化器を取得する処理と、張力センサから得られる入力張力波形と、当該入力張力波形を自己符号化器に入力することで得られる出力張力波形との類似度に基づいて、糸巻取機に巻き取られる糸の張力の異常を検出する処理を実行する。
【選択図】図６

【特許請求の範囲】

【請求項1】

制御装置と、
糸巻取機に巻き取られる糸の張力を検出するための張力センサとを備え、
前記制御装置は、
正常な張力波形を圧縮した後に当該正常な張力波形を復元するように学習された自己符号化器を取得する処理と、
前記張力センサから得られる入力張力波形と、当該入力張力波形を前記自己符号化器に入力することで得られる出力張力波形との類似度に基づいて、前記糸巻取機に巻き取られる糸の張力の異常を検出する処理を実行する、張力異常検出装置。

【請求項2】

前記制御装置は、さらに、正常な張力波形を用いて前記自己符号化器を生成する学習する処理を実行する、請求項１に記載の張力異常検出装置。

【請求項3】

前記糸巻取機は、糸をトラバースしながらボビンに巻き取り、
前記張力センサは、糸のトラバースに応じて当該糸に断続的に接触して張力を検出するように構成されている、請求項１または２に記載の張力異常検出装置。

【請求項4】

前記検出する処理では、
前記類似度が予め定められた閾値以上である場合に張力の異常が検出され、
前記類似度が前記予め定められた閾値未満である場合に張力の正常が検出される、請求項１～３のいずれか１項に記載の張力異常検出装置。

【請求項5】

前記張力異常検出装置は、さらに、表示部を備え、
前記制御装置は、さらに、前記類似度の時間変化を示すグラフを作成して前記表示部に表示する処理を実行する、請求項１～４のいずれか１項に記載の張力異常検出装置。

【請求項6】

前記制御装置は、前記糸巻取機が糸を巻き取っている間に前記検出する処理を実行する、請求項１～５のいずれか１項に記載の張力異常検出装置。

【請求項7】

前記制御装置は、さらに、
張力波形の入力を受けて、前記異常の種別を出力するように学習された推定モデルを取得する処理と、
前記検出する処理で張力の異常が検出された場合に、前記入力張力波形と、前記推定モデルとに基づいて、前記異常の種別を判別する処理とを実行する、請求項１～６のいずれか１項に記載の張力異常検出装置。

【請求項8】

張力異常検出装置によって実行される張力異常検出方法であって、
前記張力異常検出装置は、糸巻取機に巻き取られる糸の張力を検出するための張力センサを備え、
前記張力異常検出方法は、
正常な張力波形を圧縮した後に当該正常な張力波形を復元するように学習された自己符号化器を取得するステップと、
前記張力センサから得られる入力張力波形と、当該入力張力波形を前記自己符号化器に入力することで得られる出力張力波形との類似度に基づいて、前記糸巻取機に巻き取られる糸の張力の異常を検出するステップを備える、張力異常検出方法。

【請求項9】

張力異常検出装置によって実行される張力異常検出プログラムであって、
前記張力異常検出装置は、糸巻取機に巻き取られる糸の張力を検出するための張力センサを備え、
前記張力異常検出プログラムは、前記張力異常検出装置に、
正常な張力波形を圧縮した後に当該正常な張力波形を復元するように学習された自己符号化器を取得するステップと、
前記張力センサから得られる入力張力波形と、当該入力張力波形を前記自己符号化器に入力することで得られる出力張力波形との類似度に基づいて、前記糸巻取機に巻き取られる糸の張力の異常を検出するステップを実行させる、張力異常検出プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、張力異常検出装置、張力異常検出方法、および張力異常検出プログラムに関する。

【背景技術】

【0002】

特許文献１は、紡糸装置から紡出された糸を巻取装置を用いて巻き取る工程における異常を検出する方法を開示する。糸経路には、張力測定手段が設けられている。張力測定手段は、糸の張力を測定し、所定のサンプリング期間の張力の平均値と張力の標準偏差を求める。特許文献１の方法では、求められた張力の平均値と、それに対する上限閾値及び下限閾値と、を比較し、更に、求められた張力の標準偏差と、それに対する上限閾値と、を比較することで異常の有無を検出する。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２００２－３０２８２４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の方法では、張力の平均値と張力の標準偏差とに基づいて画一的に異常が検出される。しかし、張力の異常には様々なパターンがあるため、張力の平均値と張力の標準偏差だけに基づいて、様々な張力の異常を精度良く検出することは容易ではない。

【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、糸巻取機が巻き取る糸の張力に関する様々な異常を精度良く検出可能な張力異常検出装置、張力異常検出方法、および張力異常検出プログラム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、張力異常検出装置が提供される。上記張力異常検出装置は、制御装置と、糸巻取機に巻き取られる糸の張力を検出するための張力センサとを備える。上記制御装置は、正常な張力波形を圧縮した後に当該正常な張力波形を復元するように学習された自己符号化器を取得する処理と、上記張力センサから得られる入力張力波形と、当該入力張力波形を上記自己符号化器に入力することで得られる出力張力波形との類似度に基づいて、上記糸巻取機に巻き取られる糸の張力の異常を検出する処理を実行する。

【0007】

この張力異常検出装置においては、張力が正常の張力波形に基づいて学習された自己符号化器が糸の張力の異常を検出するために用いられる。そのため、正常な張力から逸脱する様々な異常が検出され得る。たとえば、張力の大きさや変化の程度だけでは検出できない異常が検出される。

【0008】

本開示の一例では、上記制御装置は、さらに、正常な張力波形を用いて上記自己符号化器を生成する学習する処理を実行する。

【0009】

これにより、学習処理が張力異常検出装置で実行される。張力異常検出装置が学習機能を備えることで、張力異常検出装置は、自己符号化器を自装置で生成することができる。

【0010】

本開示の一例では、上記糸巻取機は、糸をトラバースしながらボビンに巻き取り、上記張力センサは、糸のトラバースに応じて当該糸に断続的に接触して張力を検出するように構成されている。

【0011】

これにより、糸に断続的に接触する張力センサが検出するデータには、張力の最大値だけでなく、張力が時間に応じてどのように変化するかを示す変化傾向が含まれる。これにより、張力波形に多数の特徴が含まれることになるため、糸の張力の異常度を精度良く検出するための自己符号化器が生成される。

【0012】

本開示の一例では、上記検出する処理では、上記類似度が予め定められた閾値以上である場合に張力の異常が検出される。上記類似度が上記予め定められた閾値未満である場合に張力の正常が検出される。

【0013】

これにより、張力異常検出装置は、閾値に応じて張力異常を検出することができる。

【0014】

本開示の一例では、上記張力異常検出装置は、さらに、表示部を備える。上記制御装置は、さらに、上記類似度の時間変化を示すグラフを作成して上記表示部に表示する処理を実行する。

【0015】

これにより、例えば管理者又はオペレータは、張力の異常度を直感的に把握することができる。

【0016】

本開示の一例では、上記制御装置は、上記糸巻取機が糸を巻き取っている間に上記検出する処理を実行する。

【0017】

これにより、張力異常検出装置は、張力の異常度をリアルタイム又はそれに近いタイミングで検出できる。そのため、管理者又はオペレータは、張力が異常である場合に、巻取りを中断する等の処理を行うこともできる。

【0018】

本開示の一例では、上記制御装置は、さらに、張力波形の入力を受けて、上記異常の種別を出力するように学習された推定モデルを取得する処理と、上記検出する処理で張力の異常が検出された場合に、上記入力張力波形と、上記推定モデルとに基づいて、上記異常の種別を判別する処理とを実行する。

【0019】

これにより、張力異常検出装置は、張力異常が発生していることを検出するだけでなく、発生している張力異常の種別を判別することができる。

【0020】

本開示の他の例では、張力異常検出装置によって実行される張力異常検出方法が提供される。上記張力異常検出装置は、糸巻取機に巻き取られる糸の張力を検出するための張力センサを備える。上記張力異常検出方法は、正常な張力波形を圧縮した後に当該正常な張力波形を復元するように学習された自己符号化器を取得するステップと、上記張力センサから得られる入力張力波形と、当該入力張力波形を上記自己符号化器に入力することで得られる出力張力波形との類似度に基づいて、上記糸巻取機に巻き取られる糸の張力の異常を検出するステップを備える。

【0021】

この張力異常検出方法においては、張力が正常の張力波形に基づいて学習された自己符号化器が糸の張力の異常を検出するために用いられる。そのため、正常な張力から逸脱する様々な異常が検出され得る。たとえば、張力の大きさや変化の程度だけでは検出できない異常が検出される。

【0022】

本開示の他の例では、張力異常検出装置によって実行される張力異常検出プログラムが提供される。上記張力異常検出装置は、糸巻取機に巻き取られる糸の張力を検出するための張力センサを備える。上記張力異常検出プログラムは、上記張力異常検出装置に、正常な張力波形を圧縮した後に当該正常な張力波形を復元するように学習された自己符号化器を取得するステップと、上記張力センサから得られる入力張力波形と、当該入力張力波形を上記自己符号化器に入力することで得られる出力張力波形との類似度に基づいて、上記糸巻取機に巻き取られる糸の張力の異常を検出するステップを実行させる。

【0023】

この張力異常検出プログラムにおいては、張力が正常の張力波形に基づいて学習された自己符号化器が糸の張力の異常を検出するために用いられる。そのため、正常な張力から逸脱する様々な異常が検出され得る。たとえば、張力の大きさや変化の程度だけでは検出できない異常が検出される。

【図面の簡単な説明】

【0024】

【図1】一実施形態に係る糸巻取機の正面図を示す図である。

【図2】糸巻取機の側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】変換モデルを用いて、入力張力波形から出力張力波形を得る方法を示す図である。

【図5】張力異常がない場合の入力張力波形、出力張力波形、及びスコアをグラフで示す図である。

【図6】張力異常がある場合の入力張力波形、出力張力波形、及びスコアをグラフで示す図である。

【図7】張力異常があるか否かを判定するフローチャートを示す図である。

【図8】張力異常があるか否かをオペレータに判定させるための処理を示す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】検出部による異常検出処理を概念的に示す図である。

【図14】異常検出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】制御装置の機能構成の一例を示す図である。

【図17】学習部による学習処理を概念的に示す図である。

【図18】判別部による異常種別の判別処理を概念的に示す図である。

【発明を実施するための形態】

【0025】

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。

【0026】

＜Ａ．糸巻取機１＞
次に、図面を参照して本開示の実施形態を説明する。図１は、本開示の一実施形態に係る糸巻取機１の正面図である。図２は、糸巻取機１の側面図である。図３は、糸巻取機１のブロック図である。以下の説明では、糸の走行方向の上流又は下流を単に上流又は下流と称することがある。

【0027】

図１に示す糸巻取機１の上流には、図略の紡糸機が配置されている。紡糸機は、糸９３を製造して糸巻取機１に供給する。糸巻取機１は、糸９３をボビン９１に巻き取ってパッケージ９４を製造する。図１に示すように、上側の巻取位置にあるボビン９１には、糸９３が巻き取られて糸層が形成されパッケージ９４が形成されている。一方、下側の待機位置にあるボビン９１には、糸９３が巻き取られていない。

【0028】

糸９３は、ナイロン又はポリエステル等の伸縮性に優れた合繊糸である。更に詳細には、糸９３は、例えばＦＤＹ（Fully Draw Yarn）又はＰＯＹ（Partially Oriented Yarn）である。ただし、糸９３の種類はこれらに限定されず、上述した種類以外の糸に対しても、後述の張力異常検出装置１０を適用可能である。

【0029】

また、図２に示すように、本実施形態では、紡糸機から糸巻取機１には、糸送りローラ１００から、第１ボビンホルダ４１（第２ボビンホルダ４２）の軸方向に並ぶ複数の糸９３が供給される。また、ボビン９１は、第１ボビンホルダ４１（第２ボビンホルダ４２）の軸方向に並べて複数設けられている。糸巻取機１は、複数の糸９３をそれぞれボビン９１に巻き取って、複数のパッケージ９４を製造する。

【0030】

以下、糸巻取機１の詳細について説明する。図１に示すように、糸巻取機１は、フレーム１１と、支点ガイド１２と、第１ハウジング２０と、第２ハウジング３０と、ターレット板（ボビンホルダ移動機構）４０と、を備える。

【0031】

フレーム１１は、糸巻取機１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。

【0032】

支点ガイド１２は、フレーム１１に配置されている。支点ガイド１２は、紡糸機から糸巻取機１に供給される糸９３をガイドする。詳細には、支点ガイド１２は糸９３に接触する壁部を有しており、糸９３が糸道から外れないように糸９３の位置を規制する。

【0033】

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。

【0034】

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。

【0035】

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、支点ガイド１２を支点として、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。

【0036】

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。

【0037】

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１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。

【0038】

紡糸機からトラバース装置２１に向かう糸道上には、張力センサ１３が設けられている。詳細には、張力センサ１３は、糸９３の走行方向において支点ガイド１２の下流であってトラバース装置２１の上流に設けられている。従って、張力センサ１３は、トラバース装置２１によって往復動する糸９３の張力を検出する。張力センサ１３は、図略の一対のアーム部を備える。一方のアーム部は、トラバースの一端において糸９３と接触する。他方のアーム部は、トラバースの他端において糸９３と接触する。つまり、張力センサ１３は、トラバースされる糸９３と断続的に接触する。また、アーム部には、歪みゲージが設けられており、歪みゲージが検出したアーム部の歪みは、糸９３の張力と相関性がある。従って、歪みゲージが出力する信号に基づいて、糸９３の張力を求めることができる。張力センサ１３が検出した張力の値を示す信号は、後述する制御装置５０に出力される。また、張力センサ１３が出力する信号には、時間の経過に応じた張力の変化を示す張力波形が含まれる。

【0039】

なお、上述した張力センサ１３は一例であり、本実施形態とは異なる構成の張力センサ１３を用いてもよい。例えば、張力センサ１３は、糸９３に断続的に接触する構成に限られず、糸９３に連続的に接触する構成であってもよい。また、張力センサ１３は、歪みゲージに代えて、バネ又は圧電素子を用いて張力を検出してもよい。

【0040】

図３に示すように、糸巻取機１は、表示部１４を備える。表示部１４は、情報を表示可能なディスプレイである。表示部１４は、例えば、液晶ディスプレイ又は有機ＥＬディスプレイである。表示部１４は、後述する制御装置５０が出力した画像を画面に表示する。

【0041】

ターレット板４０は、円板状の部材である。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。

【0042】

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。

【0043】

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。

【0044】

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１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１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。

【0045】

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。

【0046】

制御装置５０は、制御部５０ａと、学習部５０ｂと、検出部５０ｃと、記憶部５０ｄ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１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。また、ＳＳＤには、張力センサ１３から入力された張力が時系列で記憶されている。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、及び検出部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。

【0047】

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、機械学習を用いて変換モデルを構築する処理を行う。学習部５０ｂが構築する変換モデルの詳細は後述する。検出部５０ｃは、制御装置５０に外部から入力されたデータと、学習部５０ｂが構築して記憶部５０ｄに記憶された変換モデルと、に基づいて、異常を検出する検出処理を行う。記憶部５０ｄは、制御部５０ａの処理に応じてデータを記憶する。

【0048】

図３には、張力異常検出装置１０が示されている。張力異常検出装置１０は、糸巻取機１が巻き取る糸９３の張力の異常度を検出する。張力異常検出装置１０は、制御装置５０と、張力センサ１３と、表示部１４と、を備える。制御装置５０は、張力異常検出装置１０を構成する部分として、以下の処理を行う。

【0049】

即ち、制御部５０ａは、データを学習部５０ｂ及び検出部５０ｃに出力して、処理を行わせる。制御部５０ａは、学習部５０ｂ及び検出部５０ｃが処理を行うことで得られたデータを記憶部５０ｄに記憶させる。また、制御部５０ａは、張力センサ１３が検出した張力波形を記憶部５０ｄに記憶させる。なお、制御部５０ａの制御対象としては、更に、トラバースモータ５１、ターレットモータ５３、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が挙げられる。学習部５０ｂは、記憶部５０ｄに記憶された張力波形又は張力センサ１３から入力された張力の検出値に基づく張力波形に基づいて機械学習を行って変換モデルを構築する。検出部５０ｃは、制御装置５０に外部から入力されたデータ（具体的には張力センサ１３が検出した張力）と、学習部５０ｂが構築して記憶部５０ｄに記憶された変換モデルと、に基づいて、糸巻取機１が巻き取る糸９３の張力の異常度を検出し、異常か否かを判定する。検出部５０ｃの処理により得られた判定結果は、制御部５０ａにより、外部に出力されたり、記憶部５０ｄに記憶されたりする。記憶部５０ｄは、上述したように、制御部５０ａ、学習部５０ｂ、及び検出部５０ｃの処理により得られたデータを記憶する。

【0050】

変換モデルは自己符号化器であり、学習部５０ｂが以下の機械学習を行うことで構築される。初めに、オペレータ又は管理者は、学習部５０ｂに対して、機械学習の開始を指示する。学習部５０ｂは、この指示を受けて、張力センサ１３に張力の検出値を要求する。張力センサ１３は、張力の検出値を学習部５０ｂに出力する。学習部５０ｂは、張力センサ１３から入力された張力の検出値をバッファリングする。学習部５０ｂが張力の検出値を取得してバッファリングする処理は繰り返し行われる。その後、学習部５０ｂは、バッファリングした張力の検出値を機械学習して変換モデルを構築する。なお、学習部５０ｂの要求に基づいて張力センサ１３が出力した張力の検出値を記憶部５０ｄに記憶しておき、記憶部５０ｄの記憶内容に基づいて学習部５０ｂが機械学習を行って変換モデルを構築してもよい。学習部５０ｂが構築した変換モデルは記憶部５０ｄに記憶され、検出部５０ｃに設定される。これにより、機械学習が完了する。

【0051】

本実施形態の張力センサ１３は断続的に糸９３に接触する構成であるため、張力波形は、三角波状である。また、変換モデルを作成するための学習用データは、張力が正常の張力波形である。変換モデルの作成には、張力が正常の張力波形のみを用い、張力が異常の張力波形は用いない。一般的に張力の異常が発生する頻度は低いため、張力が正常の張力波形を準備することは容易である。

【0052】

変換モデルは、多層ニューラルネットワークにおいて、入力層、中間層、及び出力層に上記の学習用データを用いて教師なし学習をさせることで構築される。ここで行われる学習は深層学習であり、学習によって特徴量が特定されるため、特徴量の入力は不要である。この学習を行うことにより構築される変換モデルに対して、張力が正常の張力波形を設定することで、張力波形に含まれる重要な特徴量が抽出されて中間層（隠れ層）に圧縮され、その後に、特徴量に基づいて復元された張力波形が生成される。つまり、変換モデルは、入力張力波形が正常の張力波形であれば、出力張力波形が入力張力波形と同じような張力波形を生成するように用いられる。なお、本実施形態の変換モデルの構築方法は一例であり、別の手法を用いることもできる。

【0053】

図４に示すように、変換モデルは、検出部５０ｃにより用いられる。具体的には、検出部５０ｃは、入力張力波形と、変換モデルと、に基づいて出力張力波形を生成する。ここで、入力張力波形が正常の張力波形であれば、検出部５０ｃは入力張力波形と同じような張力波形を出力張力波形として生成する。そして、入力張力波形が正常でない張力波形であれば、検出部５０ｃは入力張力波形と異なる張力波形を出力張力波形として生成する。

【0054】

図５には、張力異常が発生していない張力波形（入力張力波形）と、入力張力波形と変換モデルに基づいて検出部５０ｃが生成する出力張力波形と、が示されている。入力張力波形には張力異常が含まれていないので、入力張力波形と出力張力波形は実質的に同じであり、類似度が高い。

【0055】

図６には、張力異常が発生している張力波形（入力張力波形）と、入力張力波形と変換モデルに基づいて検出部５０ｃが生成する出力張力波形と、が示されている。入力張力波形には張力異常が含まれているので、張力異常が発生している時間帯（鎖線の楕円で示した時間帯）において、入力張力波形と出力張力波形の類似度が低くなる。

【0056】

検出部５０ｃは、入力張力波形と出力張力波形を比較して、入力張力波形と出力張力波形の類似度に基づいて、糸９３の張力の異常度を検出する。入力張力波形と出力張力波形の比較には、２つのデータの相関性の高さを求める様々な手法を用いることができる。本実施形態では、マハラノビス距離が用いられる。マハラノビス距離は、相関関係を考慮して算出される仮想的な距離であり、相関性が高い場合は距離が小さくなる。なお、マハラノビス距離は公知であるため、詳細な説明は省略する。検出部５０ｃは、入力張力波形と出力張力波形に基づいて時間帯毎にマハラノビス距離を算出する。ここで、入力張力波形と出力張力波形の相関性は、波形の類似度を示す。即ち、張力が正常であれば、入力張力波形と出力張力波形の類似度が高くなり、マハラノビス距離は小さくなる。張力が異常であれば、入力張力波形と出力張力波形の類似度が低くなり、マハラノビス距離は大きくなる。従って、マハラノビス距離が大きくなることは、張力の異常度を示すこととなる。以下では、マハラノビス距離をスコアと称する。上述したように、マハラノビス距離以外の値をスコアとして用いることもできる。

【0057】

図５の入力張力波形には張力異常が含まれていないため、スコアは低くなる。一方、図６の入力張力波形には張力異常が含まれているため、張力異常が含まれている時間帯においてスコアが高くなる。スコアを用いることにより、入力張力波形と出力張力波形の類似度、言い換えれば張力の異常度を具体的な数値で示すことができる。

【0058】

また、図５及び図６に示すように、スコアには閾値を設定してもよい。この場合、閾値は予め検出部５０ｃに設定される。閾値は、実験的又は経験的に求めることができる。検出部５０ｃは、スコアが閾値以上か、閾値未満かに基づいて、張力が異常か否かを判定してもよい。

【0059】

図６に示す例では、張力異常が発生している時間帯は、他の時間帯と比較して張力が非常に大きい。これは張力異常の一例であり、張力異常には様々な種類がある。張力異常の種類によっては、張力の変化態様が他の時間帯と異なることもある。この種の張力異常では、張力の大きさだけを用いても張力異常を判定できない。しかし、本実施形態の方法を用いることにより、この種の張力異常であってもスコアが高くなるので、この種の張力異常を検出できる。

【0060】

次に、主に図７を参照して、張力異常検出装置１０が行う処理の流れについて説明する。

【0061】

オペレータ又は管理者は、上述した閾値を予め検出部５０ｃに設定する。その後、オペレータ又は管理者は、検出部５０ｃに対して、張力の異常を検出するよう指示を行う。また、検出部５０ｃは、張力異常の検出タイミングか否かを判定しており（Ｓ１０１）、オペレータ又は管理者の指示があった場合、検出タイミングが到来したと判定する。

【0062】

次に、検出部５０ｃは、出力張力波形を生成する（Ｓ１０２）。具体的には、検出部５０ｃは、検出タイミングと判定した場合、張力センサ１３に張力の検出値を要求する。張力センサ１３は、張力の検出値を検出部５０ｃに出力する。検出部５０ｃは、張力センサ１３から入力された張力の検出値をバッファリングする。その後、検出部５０ｃは、バッファリングした張力の検出値に基づく入力張力波形と、記憶部５０ｄに記憶された変換モデルと、に基づいて、出力張力波形を生成する。次に、検出部５０ｃは、入力張力波形と出力張力波形を比較して、上述したようにスコアを算出する（Ｓ１０３）。

【0063】

次に、検出部５０ｃは、スコアが閾値以上か否かを判定する（Ｓ１０４）。検出部５０ｃは、スコアが閾値以上と判定した場合、張力が異常と判定する（Ｓ１０５）。この場合、制御部５０ａ又は検出部５０ｃは、張力が異常であった時刻等を記憶してもよい。また、制御部５０ａ又は検出部５０ｃは、張力が異常である旨を表示部１４に表示することにより、オペレータに通知してもよい。あるいは、制御部５０ａは、糸９３の巻取りの中断を指示してもよい。一方、検出部５０ｃは、スコアが閾値未満と判定した場合、張力が正常と判定する（Ｓ１０６）。

【0064】

図７に示す例では、張力が異常か否かを検出部５０ｃが判定する。これに代えて、図８に示すように、検出部５０ｃがスコアを提示するだけであってもよい。この場合、オペレータ又は管理者は、検出部５０ｃが提示するスコアを見て張力が異常か否かを判定する。

【0065】

図８のフローチャートにおいて、Ｓ２０１からＳ２０３は、上述したＳ１０１からＳ１０３と同じ処理であるため、説明を省略する。検出部５０ｃは、スコアの算出後において、スコアを数値及びグラフで表示部１４に表示する（Ｓ２０４）。

【0066】

図７及び図８に示す処理では、糸巻取機１が糸９３を巻き取る間に、巻取中の糸９３の張力の異常度を検出する。言い換えれば、リアルタイムで張力の異常度を検出する。これに代えて、糸９３の巻取中は張力に関するデータを記憶しておき、糸９３の巻取後において、記憶しているデータに基づいて張力の異常度を検出してもよい。

【0067】

以上に説明したように、本実施形態の張力異常検出装置１０は、糸巻取機１が巻き取る糸９３の張力の異常度を検出する。張力異常検出装置１０は、張力センサ１３と、学習部５０ｂと、記憶部５０ｄと、検出部５０ｃと、を備える。張力センサ１３は、糸巻取機１が巻き取る糸９３の張力を検出する。学習部５０ｂは、張力が正常の張力波形を自己符号化器を用いて機械学習することにより、張力が正常の張力波形に基づいて同じ波形を生成する変換モデルを構築する。記憶部５０ｄは、学習部５０ｂが構築した変換モデルを記憶する。検出部５０ｃは、張力センサ１３が検出した張力に基づく入力張力波形と、張力波形を学習した変換モデルとに基づいて出力張力波形を生成し、入力張力波形と出力張力波形との類似度に基づいて、糸巻取機１に巻き取られる糸９３の張力の異常度を検出する。

【0068】

張力が正常の張力波形を学習して変換モデルを作成するため、正常な張力から逸脱する様々な異常を検出できる。特に、自己符号化器を用いた張力波形の機械学習により変換モデルを構築することにより、張力の大きさや変化の程度だけでは検出できない異常を検出できる。

【0069】

本実施形態の張力異常検出装置１０において、糸巻取機１は、糸９３をトラバースしながらパッケージ９４に巻き取る。張力センサ１３は、糸９３のトラバースに応じて糸９３に断続的に接触して張力を検出する。

【0070】

糸９３に断続的に接触する張力センサ１３が検出するデータには、張力の最大値だけでなく、張力が時間に応じてどのように変化するかを示す変化傾向を含む。そのため、張力波形に多数の特徴が含まれることになるため、糸９３の張力の異常度を精度良く検出するためのモデルを作成できる。

【0071】

本実施形態の張力異常検出装置１０において、検出部５０ｃは、入力張力波形と出力張力波形を比較して、異常度を数値化したスコアを算出する。

【0072】

これにより、張力の異常度を具体的に得ることができる。

【0073】

本実施形態の張力異常検出装置１０において、検出部５０ｃには予め閾値が設定されており、検出部５０ｃは、スコアが閾値以上である場合は張力が異常と判定し、スコアが閾値未満である場合は張力が正常と判定する。

【0074】

これにより、張力が異常か否かを判定することができる。

【0075】

本実施形態の張力異常検出装置１０は表示部１４を備え、検出部５０ｃは、スコアの時間変化を示すグラフを作成して表示部１４に表示する制御を行う。

【0076】

これにより、例えば管理者又はオペレータは、張力の異常度を直感的に把握することができる。

【0077】

本実施形態の張力異常検出装置１０において、検出部５０ｃは、糸巻取機１が糸９３を巻き取る間に、巻取中の糸９３の張力の異常度を検出する。

【0078】

これにより、張力の異常度をリアルタイム又はそれに近いタイミングで検出できる。そのため、例えば、張力が異常である場合に、巻取りを中断する等の処理を行うこともできる。

【0079】

以上に本開示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。

【0080】

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。

【0081】

上記実施形態のトラバース装置２１はカムドラム式であるが、トラバースガイド２３を巻幅方向に往復動させることが可能であれば異なる構成であってもよい。例えば、トラバース装置２１に代えて、回転羽根を用いたロータリ式トラバース装置、又は、トラバースガイドをベルトによって往復駆動するベルト式のトラバース装置を用いることもできる。

【0082】

上記実施形態では、紡糸機が製造した糸を巻き取る糸巻取機に本発明を適用する例を説明したが、この糸巻取機に代えて、仮撚加工機又は巻返し機にも本発明を適用できる。

【0083】

＜Ｂ．制御装置５０のハードウェア構成＞
次に、図９を参照して、図３に示される制御装置５０のハードウェア構成について説明する。図９は、制御装置５０のハードウェア構成の一例を示す図である。

【0084】

制御装置５０は、上述の記憶部５０ｄ（図３参照）と、プロセッサ１０１と、通信インターフェイス１０４と、表示インターフェイス１０５と、入力インターフェイス１０７とを含む。これらのコンポーネントは、バス１１５に接続される。記憶部５０ｄとしては、ＲＯＭ（Read Only Memory）１０２、ＲＡＭ１０３と、および補助記憶装置１２０などが挙げられる。

【0085】

プロセッサ１０１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。

【0086】

プロセッサ１０１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１０１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１２０またはＲＯＭ１０２からＲＡＭ１０３に実行対象のプログラムを読み出す。ＲＡＭ１０３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。

【0087】

通信インターフェイス１０４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１０４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。

【0088】

表示インターフェイス１０５には、上述の表示部１４（図３参照）が接続される。表示インターフェイス１０５は、プロセッサ１０１などからの指令に従って、表示部１４に対して、画像を表示するための画像信号を送出する。表示部１４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、表示部１４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。

【0089】

入力インターフェイス１０７には、入力デバイス１０８が接続される。入力デバイス１０８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１０８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。

【0090】

補助記憶装置１２０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１２０は、たとえば、学習用データセット１２２と、上述の変換モデル１２４と、学習プログラム１２６と、張力異常検出プログラム１２８とを格納する。これらの格納場所は、補助記憶装置１２０に限定されず、プロセッサ１０１の記憶領域（たとえば、キャッシュメモリなど）、ＲＯＭ１０２、ＲＡＭ１０３、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。

【0091】

学習プログラム１２６は、学習用データセット１２２を用いて変換モデル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。

【0092】

張力異常検出プログラム１２８は、学習済みの変換モデル１２４を用いて、糸巻取機１に巻き取られる糸の張力の異常を検出するためのプログラムである。張力異常検出プログラム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、張力異常検出プログラム１２８による異常検出処理は、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張力異常検出プログラム１２８の趣旨を逸脱するものではない。さらに、張力異常検出プログラム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つのサーバーが張力異常検出プログラム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。

【0093】

＜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。

【0094】

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。

【0095】

学習用データ１２３の各々において、データＩＤ（Identification）と、張力が正常な張力波形とが関連付けられている。データＩＤは、学習用データ１２３を一意に識別するための情報である。データＩＤは、たとえば、重複しないようにユーザによって入力される。

【0096】

学習用データ１２３に規定される張力波形は、糸巻取機１が糸を巻き取っている最中に
上述の張力センサ１３によって検出された張力が時系列に並べられているデータ群である。すなわち、１つの学習用データ１２３においては、時間ごとに張力が関連付けられている。学習用データセット１２２に規定される各張力波形の次元数は、互いに等しい。また、学習用データセット１２２は、正常な張力波形の学習用データ１２３のみで構成される。

【0097】

＜Ｄ．制御装置５０の機能構成＞
次に、図１１～図１３を参照して、制御装置５０の機能構成について説明する。図１１は、制御装置５０の機能構成の一例を示す図である。

【0098】

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、検出部５０ｃとを含む。以下では、これらの機能構成について順に説明する。

【0099】

（Ｄ１．学習部５０ｂ）
まず、図１２を参照して、図１１に示される学習部５０ｂの機能について説明する。図１２は、学習部５０ｂによる学習処理を概念的に示す図である。

【0100】

学習部５０ｂは、上述の学習用データセット１２２（図１０参照）を用いて学習処理を実行し、自己符号化器としての変換モデル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（深層学習）などのニューラルネットワークなどが採用され得る。以下では、ニューラルネットワークを用いた学習処理について説明する。

【0101】

図１２に示されるように、変換モデル１２４は、入力層Ｘと、中間層Ｈと、出力層Ｙとで構成される。

【0102】

入力層Ｘは、学習用データ１２３に規定されている正常な張力波形の入力を受けるように構成される。入力層Ｘは、たとえば、Ｎ個のユニットｘ_１～ｘ_Ｎ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、入力される張力波形の次元数と同数である。たとえば、入力される張力波形がＮ次元のデータである場合、入力層Ｘは、Ｎ個のユニットで構成される。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。

【0103】

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ｈ_Ａ１～ｈ_ＡＱ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ｈ_Ｌ１～ｈ_ＬＲで構成されている（Ｒは自然数）。

【0104】

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、シグモナイト関数）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。

【0105】

自己符号化器としての変換モデル１２４においては、中間層Ｈの各層を構成するユニット数は、入力層Ｘを構成するユニット数よりも少ない。その結果、張力波形の次元数は、入力層Ｘから中間層Ｈに伝達される過程で圧縮される。

【0106】

出力層Ｙは、中間層Ｈで圧縮された張力波形を復元するように構成される。より具体的には、出力層Ｙは、入力層Ｘと同数のユニットで構成される。一例として、入力層ＸがＮ個のユニットで構成されている場合、出力層Ｙは、Ｎ個のユニットで構成される。図１２の例では、出力層Ｙは、Ｎ個のユニットｙ_１～ｙ_Ｎで構成されている。以下では、ユニットｙ_１～ｙ_３をユニットｙとも称する。

【0107】

ユニットｙの各々は、中間層Ｈの最終層の各ユニットｈ_Ｌ１～ｈ_ＬＭ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、シグモナイト関数）に入力し、その関数の出力結果を出力値として出力する。

【0108】

次に、学習部５０ｂによる変換モデル１２４の内部パラメータの更新処理について説明する。

【0109】

学習部５０ｂは、１つ目の学習用データ１２３に規定されている正常な張力波形Ｔ（ｔ）を変換モデル１２４に入力する。これにより、変換モデル１２４は、張力波形Ｔ（ｔ）を圧縮し、当該張力波形Ｔ（ｔ）を同次元の張力波形Ｔ'（ｔ）に復元する。次に、学習部５０ｂは、入力された張力波形Ｔ（ｔ）と、出力された張力波形Ｔ'（ｔ）との誤差「Ｚ」を算出する。一例として、誤差「Ｚ」は、下記の式（１）に基づいて算出される。

【0110】

Ｚ＝{（Ｔ（ｔ_１）－Ｔ'（ｔ_１））^２＋・・・＋（Ｔ（ｔ_Ｎ）－Ｔ'（ｔ_Ｎ））^２}／Ｎ・・・（１）
次に、学習部５０ｂは、誤差「Ｚ」が小さくなるように、変換モデル１２４の内部パラメータ（たとえば、重みやバイアス）を更新する。内部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。

【0111】

学習部５０ｂは、変換モデル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。これにより、変換モデル１２４は、正常な張力波形を圧縮した後に当該正常な張力波形を復元するように学習される。すなわち、変換モデル１２４は、正常な張力波形が入力された場合には当該正常な張力波形と類似する張力波形を出力するようになり、異常な張力波形が入力された場合には当該異常な張力波形と異なる張力波形を出力するようになる。異なる言い方をすれば、変換モデル１２４は、正常な張力波形を通過させる一方で異常な正常な張力波形を通過させない一種のフィルターのように機能する。

【0112】

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を用いて変換モデル１２４を生成してもよい。残りの学習用データ１２３は、たとえば、変換モデル１２４の評価などに用いられる。

【0113】

（Ｄ２．検出部５０ｃ）
次に、図１３を参照して、図１１に示される検出部５０ｃの機能について説明する。図１３は、検出部５０ｃによる異常検出処理を概念的に示す図である。

【0114】

検出部５０ｃは、張力センサ１３から得られる入力張力波形と、当該入力張力波形を変換モデル１２４に入力することで得られる出力張力波形との類似度に基づいて、糸巻取機１に巻き取られる糸の張力の異常を検出する。

【0115】

より具体的には、まず、検出部５０ｃは、張力センサ１３から得られる入力張力波形を変換モデル１２４に入力し、変換モデル１２４から出力張力波形を取得する。変換モデル１２４の取得先は、上述の記憶部５０ｄであってもよいし、外部機器であってもよい。変換モデル１２４は、正常な張力波形が入力された場合には当該正常な張力波形と類似する張力波形を出力し、異常な張力波形が入力された場合には当該異常な張力波形と異なる張力波形を出力する。検出部５０ｃは、入力張力波形と出力張力波形との類似度に基づいて、糸巻取機１に巻き取られる糸の張力の異常を検出する。検出部５０ｃの機能については上述の通りであるので、その機能の詳細な説明については繰り返さない。

【0116】

＜Ｅ．変形例１＞
次に、図１４を参照して、糸巻取機１の機能配置に係る変形例について説明する。

【0117】

上述の図１１の例では、学習部５０ｂおよび検出部５０ｃが同一の糸巻取機１に実装されていた。しかしながら、学習部５０ｂおよび検出部５０ｃは、必ずしも同一の糸巻取機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。

【0118】

図１４は、本変形例における異常検出システム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、異常検出システム５００は、１つ以上の糸巻取機１と、１つ以上の情報処理装置２００とを含む。図１４の例では、異常検出システム５００は、３つの糸巻取機１Ａ～１Ｃと、１つの情報処理装置２００とで構成されている。

【0119】

糸巻取機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。糸巻取機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。

【0120】

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。

【0121】

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、検出部５０ｃは、糸巻取機１Ｃに実装されている。

【0122】

情報処理装置２００は、ネットワークＮＷに接続されている糸巻取機１（たとえば、糸巻取機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、あらゆる糸巻取機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、上述の変換モデル１２４を生成する。学習部５０ｂによる学習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。

【0123】

その後、情報処理装置２００は、生成した変換モデル１２４を糸巻取機１（たとえば、糸巻取機１Ｃ）に送信する。糸巻取機１Ｃの検出部５０ｃは、当該変換モデル１２４を用いて、糸巻取機１Ｃに発生した張力異常を検出する。検出部５０ｃによる異常検出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。

【0124】

＜Ｆ．変形例２＞

【0125】

（Ｆ１．概要）
次に、図１５～図１８を参照して、変形例に従う張力異常検出装置１０について説明する。

【0126】

上述の例では、張力異常検出装置１０は、張力センサ１３から得られる入力張力波形を変換モデル１２４に入力することで、張力の異常が発生しているか否かを判断していた。これに対して、本変形例に従う張力異常検出装置１０は、張力異常が発生していると判断した場合に、発生している張力異常の種別をさらに判別する。なお、張力異常検出装置１０のハードウェア構成などのその他の点については上述の通りであるので、それらの説明については繰り返さない。

【0127】

（Ｆ２．学習用データセット１３２）
次に、図１５を参照して、張力異常の種別を判別するための推定モデルを生成する際に用いられる学習用データセット１３２について説明する。図１５は、学習用データセット１３２の一例を示す図である。

【0128】

学習用データセット１３２は、複数の学習用データ１３３を含む。学習用データセット１３２に含まれる学習用データ１３３の数は、任意である。一例として、学習用データ１３３の数は、数十～数十万である。

【0129】

学習用データ１３３の各々において、データＩＤ（Identification）と、張力が異常な張力波形と、張力異常の種別とが関連付けられている。データＩＤは、学習用データ１３３を一意に識別するための情報である。データＩＤは、たとえば、重複しないようにユーザによって入力される。

【0130】

学習用データ１３３に規定される張力波形は、糸巻取機１が糸を巻き取っている最中に
上述の張力センサ１３によって検出された張力が時系列に並べられているデータ群である。学習用データセット１３２に規定される各張力波形の次元数は、互いに等しい。また、各張力波形には、異常種別がラベルとして対応付けられている。異常種別は、たとえば、上述の入力デバイス１０８などを介してユーザによって入力される。

【0131】

（Ｆ３．制御装置５０の機能構成）
次に、図１６～図１８を参照して、本変形例における制御装置５０の機能構成について説明する。図１６は、制御装置５０の機能構成の一例を示す図である。

【0132】

制御装置５０は、機能構成として、学習部５０ｂと、検出部５０ｃと、学習部５０ｅと、判別部５０ｆとを含む。図１６に示される制御装置５０は、学習部５０ｅと、判別部５０ｆとをさらに備える点で、図１１に示される制御装置５０とは異なる。学習部５０ｂおよび検出部５０ｃの機能説明については上述の通りであるので、それらの説明については繰り返さない。以下では、学習部５０ｅおよび判別部５０ｆの機能について順に説明する。

【0133】

なお、学習部５０ｂ、検出部５０ｃ、学習部５０ｅ、および判別部５０ｆの全てが制御装置５０に実装される必要はない。一例として、学習部５０ｂおよび学習部５０ｅの少なくとも一方は、上述の情報処理装置２００に実装されてもよい。

【0134】

（ａ）学習部５０ｅ
まず、図１７を参照して、図１６に示される学習部５０ｅの機能について説明する。図１７は、学習部５０ｅによる学習処理を概念的に示す図である。

【0135】

学習部５０ｅは、上述の学習用データセット１３２（図１５参照）を用いて学習処理を実行し、張力異常を判別するための推定モデル１３４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（深層学習）などのニューラルネットワーク、サポートベクターマシン、または決定木系などの種々の機械学習アルゴリズムが採用され得る。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。

【0136】

図１７に示されるように、推定モデル１３４は、入力層Ｘと、中間層Ｈと、出力層Ｙとで構成される。

【0137】

入力層Ｘは、学習用データ１３３に規定されている異常な張力波形の入力を受けるように構成される。入力層Ｘは、たとえば、Ｎ個のユニットｘ_１～ｘ_Ｎ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、入力される張力波形の次元数と同数である。たとえば、入力される張力波形がＮ次元のデータである場合、入力層Ｘは、Ｎ個のユニットで構成される。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。

【0138】

中間層Ｈは、１層または複数層で構成されている。図１７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１７の例では、中間層Ｈの１層目は、Ｑ個のユニットｈ_Ａ１～ｈ_ＡＱ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ｈ_Ｌ１～ｈ_ＬＲで構成されている（Ｒは自然数）。

【0139】

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、シグモナイト関数）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。

【0140】

出力層Ｙは、入力された張力波形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ｙ_１～ｙ_３で構成される。以下では、ユニットｙ_１～ｙ_３をユニットｙとも称する。

【0141】

ユニットｙの各々は、中間層Ｈの最終層のユニットｈ_Ｌ１～ｈ_ＬＲ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、シグモナイト関数）に入力し、その関数の出力結果を出力値として出力する。

【0142】

出力層Ｙを構成するユニット数は、学習用データ１３３に規定される張力異常の種別数に応じて決定される。一例として、張力異常「Ａ」～「Ｃ」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ｙ_１～ｙ_３の３つとなる。この場合、ユニットｙ_１は、張力異常「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ｙ_２は、張力異常「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ｙ_３は、張力異常「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。

【0143】

なお、図１７の例では、推定モデル１３４が複数のスコアを出力するように構成されているが、１つの推定モデルが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の推定モデルが異常種別「Ａ」に係るスコア「ｓａ」を出力するように構成され、第２の推定モデルが異常種別「Ｂ」に係るスコア「ｓｂ」を出力するように構成され、第３の推定モデルが異常種別「Ｃ」に係るスコア「ｓｃ」を出力するように構成されてもよい。

【0144】

次に、学習部５０ｅによる推定モデル１３４の内部パラメータの更新処理について説明する。

【0145】

学習部５０ｅは、１つ目の学習用データ１３３に規定されている張力波形Ｔ（ｔ）を推定モデル１３４に入力する。次に、学習部５０ｅは、推定モデル１３４から出力された推定結果「ｓａ」～「ｓｃ」と、１つ目の学習用データ１３３に対応付けられている異常種別に応じた正解スコア「ｓａ'」～「ｓｃ'」とを比較する。

【0146】

一例として、学習用データ１３３に対応付けられている異常種別が「Ａ」である場合には、正解スコアは、（ｓａ'，ｓｂ'，ｓｃ'）＝（１，０，０）となる。学習用データ１３３に対応付けられている異常種別が「Ｂ」である場合には、正解スコアは、（ｓａ'，ｓｂ'，ｓｃ'）＝（０，１，０）となる。学習用データ１３３に対応付けられている異常種別が「Ｃ」である場合には、正解スコアは、（ｓａ'，ｓｂ'，ｓｃ'）＝（０，０，１）となる。

【0147】

学習部５０ｅは、推定モデル１３４の出力結果「ｓａ」～「ｓｃ」と、正解スコア「ｓａ'」～「ｓｃ'」との間の誤差「Ｚ」を算出する。誤差「Ｚ」は、たとえば、下記の式（２）に基づいて算出される。

【0148】

Ｚ＝{（ｓａ－ｓａ'）^２＋（ｓｂ－ｓｂ'）^２＋（ｓｃ－ｓｃ'）^２}／３・・・（２）
次に、学習部５０ｅは、誤差「Ｚ」が小さくなるように、推定モデル１３４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。

【0149】

学習部５０ｅは、推定モデル１３４の内部パラメータの更新処理を、学習用データセット１３２に含まれる各学習用データ１３３について繰り返し行う。その結果、推定モデル１３４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。

【0150】

なお、学習部５０ｅは、学習用データセット１３２に含まれる全ての学習用データ１３３を学習処理に用いる必要はなく、学習用データセット１３２に含まれる一部の学習用データ１３３を用いて推定モデル１３４を生成してもよい。残りの学習用データ１３３は、たとえば、推定モデル１３４の評価などに用いられる。

【0151】

（ｂ）判別部５０ｆ
次に、図１８を参照して、図１６に示される判別部５０ｆの機能について説明する。図１８は、判別部５０ｆによる異常種別の判別処理を概念的に示す図である。

【0152】

まず、判別部５０ｆは、学習部５０ｅによって生成された推定モデル１３４を取得する。推定モデル１３４の取得先は、上述の記憶部５０ｄであってもよいし、外部機器であってもよい。判別部５０ｆは、上述の検出部５０ｃによって張力異常が検出された場合に、当該張力異常の検出に用いられた入力張力波形と、推定モデル１３４とに基づいて、発生している張力異常の種別を判別する。

【0153】

より具体的には、判別部５０ｆは、推定モデル１３４に対して、異常を示す入力張力波形を推定モデル１３４に入力する。これにより、推定モデル１３４は、張力異常が発生している可能性を示すスコアを異常種別に出力する。推定モデル１３４は、たとえば、推定結果として、張力異常「Ａ」が発生している可能性を示すスコア「ｓａ」と、張力異常「Ｂ」が発生している可能性を示すスコア「ｓｂ」と、張力異常「Ｃ」が発生している可能性を示すスコア「ｓａ」とを出力する。

【0154】

判別部５０ｆは、スコア「ｓａ」～「ｓｃ」に基づいて、発生している張力異常の種別を判別する。一例として、判別部５０ｆは、スコア「ｓａ」～「ｓｃ」のいずれかが所定閾値を超えている場合には、スコア「ｓａ」～「ｓｃ」の内の最大スコアに対応する張力異常を判別結果として出力する。一方で、判別部５０ｆは、スコア「ｓａ」～「ｓｃ」が全て所定閾値を超えていない場合には、不明の張力異常が発生していることを出力する。当該所定閾値は、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。

【0155】

なお、判別部５０ｆによる判別結果の出力態様は、特に限定されない。一例として、判別部５０ｆは、発生している張力異常の種別を含む警告を出力する。当該警告は、たとえば、上述の表示部１４においてメッセージとして表示されてもよいし、音声で出力されてもよいし、ログとして記憶部５０ｄに記憶されてもよい。

【0156】

＜Ｇ．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。

【0157】

本開示の観点によれば、以下の構成の張力異常検出装置が提供される。即ち、張力異常検出装置は、糸巻取機が巻き取る糸の張力の異常度を検出する。張力異常検出装置は、張力センサと、学習部と、記憶部と、検出部と、を備える。前記張力センサは、糸巻取機が巻き取る糸の張力を検出する。前記学習部は、張力が正常の張力波形を自己符号化器を用いて機械学習することにより、張力が正常の張力波形に基づいて同じ波形を生成する変換モデルを構築する。前記記憶部は、前記学習部が構築した前記変換モデルを記憶する。前記検出部は、前記張力センサが検出した張力に基づく入力張力波形と前記変換モデルとに基づいて出力張力波形を生成し、前記入力張力波形と前記出力張力波形との類似度に基づいて、糸巻取機に巻き取られる糸の張力の異常度を検出する。

【0158】

張力が正常の張力波形を学習して変換モデルを作成するため、正常な張力から逸脱する様々な異常を検出できる。特に、自己符号化器を用いた張力波形の機械学習によりモデルを構築することにより、張力の大きさや変化の程度だけでは検出できない異常を検出できる。

【0159】

前記の張力異常検出装置においては、以下の構成とすることが好ましい。即ち、前記糸巻取機は、糸をトラバースしながらボビンに巻き取る。前記張力センサは、糸のトラバースに応じて当該糸に断続的に接触して張力を検出する。

【0160】

糸に断続的に接触する張力センサが検出するデータには、張力の最大値だけでなく、張力が時間に応じてどのように変化するかを示す変化傾向を含む。そのため、張力波形に多数の特徴が含まれることになるため、糸の張力の異常度を精度良く検出するためのモデルを作成できる。

【0161】

前記の張力異常検出装置においては、前記検出部は、前記入力張力波形と前記出力張力波形を比較して、異常度を数値化したスコアを算出することが好ましい。

【0162】

これにより、張力の異常度を具体的に得ることができる。

【0163】

前記の張力異常検出装置においては、前記検出部には予め閾値が設定されており、前記検出部は、前記スコアが閾値以上である場合は張力が異常と判定し、前記スコアが閾値未満である場合は張力が正常と判定することが好ましい。

【0164】

これにより、張力が異常か否かを判定することができる。

【0165】

前記の張力異常検出装置においては、表示部を備え、前記検出部は、前記スコアの時間変化を示すグラフを作成して前記表示部に表示する制御を行うことが好ましい。

【0166】

これにより、例えば管理者又はオペレータは、張力の異常度を直感的に把握することができる。

【0167】

前記の張力異常検出装置においては、前記学習部及び前記検出部は、前記糸巻取機が糸を巻き取る間に、巻取中の糸の張力の異常度を検出することが好ましい。

【0168】

これにより、張力の異常度をリアルタイム又はそれに近いタイミングで検出できる。そのため、例えば、張力が異常である場合に、巻取りを中断する等の処理を行うこともできる。

【0169】

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】

【0170】

１ 糸巻取機
１０ 張力異常検出装置
１４ 表示部
１３ 張力センサ
５０ 制御装置
５０ｂ 学習部
５０ｃ 検出部
５０ｄ 記憶部
５０ｆ 判別部
１２４ 変換モデル
１３４ 推定モデル

【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】

【手続補正書】

【提出日】2023-10-02

【手続補正1】

【補正対象書類名】明細書

【補正対象項目名】０１０６

【補正方法】変更

【補正の内容】

【0106】

出力層Ｙは、中間層Ｈで圧縮された張力波形を復元するように構成される。より具体的には、出力層Ｙは、入力層Ｘと同数のユニットで構成される。一例として、入力層ＸがＮ個のユニットで構成されている場合、出力層Ｙは、Ｎ個のユニットで構成される。図１２の例では、出力層Ｙは、Ｎ個のユニットｙ_１～ｙ_Ｎで構成されている。以下では、ユニットｙ_１～ｙ _Ｎ をユニットｙとも称する。

【手続補正2】

【補正対象書類名】明細書

【補正対象項目名】０１０７

【補正方法】変更

【補正の内容】

【0107】

ユニットｙの各々は、中間層Ｈの最終層の各ユニットｈ_Ｌ１～ｈ_ＬＲ 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、シグモナイト関数）に入力し、その関数の出力結果を出力値として出力する。

【手続補正3】

【補正対象書類名】明細書

【補正対象項目名】０１１１

【補正方法】変更

【補正の内容】

【0111】

学習部５０ｂは、変換モデル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。これにより、変換モデル１２４は、正常な張力波形を圧縮した後に当該正常な張力波形を復元するように学習される。すなわち、変換モデル１２４は、正常な張力波形が入力された場合には当該正常な張力波形と類似する張力波形を出力するようになり、異常な張力波形が入力された場合には当該異常な張力波形と異なる張力波形を出力するようになる。異なる言い方をすれば、変換モデル１２４は、正常な張力波形を通過させる一方で異常な張力波形を通過させない一種のフィルターのように機能する。

【手続補正4】

【補正対象書類名】明細書

【補正対象項目名】０１５３

【補正方法】変更

【補正の内容】

【0153】

より具体的には、判別部５０ｆは、推定モデル１３４に対して、異常を示す入力張力波形を推定モデル１３４に入力する。これにより、推定モデル１３４は、張力異常が発生している可能性を示すスコアを異常種別に出力する。推定モデル１３４は、たとえば、推定結果として、張力異常「Ａ」が発生している可能性を示すスコア「ｓａ」と、張力異常「Ｂ」が発生している可能性を示すスコア「ｓｂ」と、張力異常「Ｃ」が発生している可能性を示すスコア「ｓｃ」とを出力する。

【手続補正5】

【補正対象書類名】図面

【補正対象項目名】図１７

【補正方法】変更

【補正の内容】

【図17】