特許 7339063 作業工程に関する学習を行う機械学習プログラム及び機械学習装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2023-08-28

(45)【発行日】2023-09-05

(54)【発明の名称】作業工程に関する学習を行う機械学習プログラム及び機械学習装置

(51)【国際特許分類】

   G06N 20/00 20190101AFI20230829BHJP

   G05B 19/418 20060101ALI20230829BHJP

   G06Q 10/0633 20230101ALI20230829BHJP

   G06Q 50/04 20120101ALI20230829BHJP

【ＦＩ】

G06N20/00 130

G05B19/418 Z

G06Q10/0633

G06Q50/04

【請求項の数】 10

(21)【出願番号】P 2019149818

(22)【出願日】2019-08-19

(65)【公開番号】P2021033418

(43)【公開日】2021-03-01

【審査請求日】2022-05-17

(73)【特許権者】

【識別番号】390008235

【氏名又は名称】ファナック株式会社

(74)【代理人】

【識別番号】100099759

【弁理士】

【氏名又は名称】青木 篤

(74)【代理人】

【識別番号】100123582

【弁理士】

【氏名又は名称】三橋 真二

(74)【代理人】

【識別番号】100112357

【弁理士】

【氏名又は名称】廣瀬 繁樹

(72)【発明者】

【氏名】杉山 裕亮

【審査官】北川 純次

(56)【参考文献】

【文献】特開２００６－３３１４２５（ＪＰ，Ａ）

【文献】特開２０１３－０７４６９５（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ ２０／００

Ｇ０６Ｎ ３／０２－３／１０

Ｇ０５Ｂ １９／４１８

Ｇ０６Ｑ １０／０６－１０／０６３３

Ｇ０６Ｑ ５０／０４

(57)【特許請求の範囲】

【請求項1】

それぞれが少なくとも１種類の単位作業を含む複数の異なる作業工程に関する学習を行う機械学習プログラムであって、
プロセッサに、
前記複数の異なる作業工程に含まれる全ての前記単位作業を集計して、同一種類の複数の単位作業の有無を判断する作業集計工程と、
前記同一種類の複数の単位作業の各々を構成する作業要素のうち、該複数の単位作業の間で共通する作業要素の個数に基づき、前記複数の単位作業が互いに類似するか否かを判断する類似判断工程と、
互いに類似する第１の前記単位作業と第２の前記単位作業とを類似作業セットとして、共通の機械学習アルゴリズムにより、該類似作業セットの特性を入力データとする類似作業学習モデルを生成する第１の学習工程と、
前記第１の単位作業を含む第１の前記作業工程及び前記第２の単位作業を含む第２の前記作業工程に関する学習を、前記類似作業学習モデルに基づいて行う第２の学習工程と、を実行させ、
前記第１の学習工程は、前記プロセッサに、
前記単位作業の内容情報を含む状態データであって前記特性を表す状態データと、前記状態データに対応する前記単位作業の行為が異常であるか否かを表すラベルデータとを、学習データセットとして取得するデータ取得工程と、
前記学習データセットに基づいて、前記単位作業の行為が異常になり易いか否かを判定するための閾値を算出する閾値算出工程と、
前記学習データセットを用いて、前記内容情報と前記閾値との相関性を表す前記類似作業学習モデルを生成する学習モデル生成工程と、を実行させる、
機械学習プログラム。

【請求項2】

前記作業集計工程は、前記複数の異なる作業工程に含まれる全ての前記単位作業を種類ごとに分類して複数の作業類を定義し、複数の前記単位作業を含む前記作業類が存在するか否かを判断する、請求項１に記載の機械学習プログラム。

【請求項3】

前記第１の学習工程は、他の単位作業とは類似しない単位作業に対し個別に機械学習アルゴリズムを実行して、該類似しない単位作業の特性を入力データとする非類似作業学習モデルを生成し、
前記第２の学習工程は、前記複数の異なる作業工程に関する前記学習を、前記類似作業学習モデルと前記非類似作業学習モデルとに基づいて行う、請求項１又は２に記載の機械学習プログラム。

【請求項4】

前記第１の学習工程又は前記第２の学習工程は、前記作業集計工程が前記同一種類の複数の単位作業の全てが互いに類似しないと判断した場合に、前記複数の異なる作業工程に対し個別に機械学習アルゴリズムを実行して、個々の前記作業工程の特性を入力データとする前記類似作業学習モデル又は前記非類似作業学習モデルを生成する、請求項１～３のいずれか１項に記載の機械学習プログラム。

【請求項5】

前記第１の学習工程又は前記第２の学習工程は、前記作業集計工程が前記複数の異なる作業工程に含まれる全ての前記単位作業が互いに異なる種類であると判断した場合に、前記複数の異なる作業工程に対し個別に機械学習アルゴリズムを実行して、個々の前記作業工程の特性を入力データとする前記類似作業学習モデル又は前記非類似作業学習モデルを生成する、請求項１～４のいずれか１項に記載の機械学習プログラム。

【請求項6】

前記状態データは、前記単位作業の作業者情報、作業時間情報及び作業日時情報のうち、少なくとも１つの追加情報をさらに含み、前記類似作業学習モデルは、前記内容情報及び前記追加情報と前記閾値との相関性を表す、請求項３～５のいずれか１項に記載の機械学習プログラム。

【請求項7】

それぞれが少なくとも１種類の単位作業を含む複数の異なる作業工程に関する学習を行う機械学習装置であって、
前記複数の異なる作業工程に含まれる全ての前記単位作業を集計して、同一種類の複数の単位作業の有無を判断する作業集計部と、
前記同一種類の複数の単位作業の各々を構成する作業要素のうち、該複数の単位作業の間で共通する作業要素の個数に基づき、前記複数の単位作業が互いに類似するか否かを判断する類似判断部と、
互いに類似する第１の前記単位作業と第２の前記単位作業とを類似作業セットとして、共通の機械学習アルゴリズムにより、該類似作業セットの特性を入力データとする類似作業学習モデルを生成する第１の学習部と、
前記第１の単位作業を含む第１の前記作業工程及び前記第２の単位作業を含む第２の前記作業工程に関する学習を、前記類似作業学習モデルに基づいて行う第２の学習部と、を備え、
前記第１の学習部は、
前記単位作業の内容情報を含む状態データであって前記特性を表す状態データと、前記状態データに対応する前記単位作業の行為が異常であるか否かを表すラベルデータとを、学習データセットとして取得するデータ取得部と、
前記学習データセットに基づいて、前記単位作業の行為が異常になり易いか否かを判定するための閾値を算出する閾値算出部と、
前記学習データセットを用いて、前記内容情報と前記閾値との相関性を表す前記類似作業学習モデルを生成する学習モデル生成部と、を備える機械学習装置。

【請求項8】

前記作業集計部は、前記複数の異なる作業工程に含まれる全ての前記単位作業を種類ごとに分類して複数の作業類を定義し、複数の前記単位作業を含む前記作業類が存在するか否かを判断することにより、前記同一種類の複数の単位作業の有無を判断する、請求項７に記載の機械学習装置。

【請求項9】

前記第１の学習部は、他の単位作業とは類似しない単位作業に対し個別に機械学習アルゴリズムを実行して、該類似しない単位作業の特性を入力データとする非類似作業学習モデルを生成し、
前記第２の学習部は、前記複数の異なる作業工程に関する前記学習を、前記類似作業学習モデルと前記非類似作業学習モデルとに基づいて行う、請求項７又は８に記載の機械学習装置。

【請求項10】

前記状態データは、前記単位作業の作業者情報、作業時間情報及び作業日時情報のうち、少なくとも１つの追加情報をさらに含み、前記類似作業学習モデルは、前記内容情報及び前記追加情報と前記閾値との相関性を表す、請求項９に記載の機械学習装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、作業工程に関する学習を行う機械学習方法及び機械学習装置に関する。

【背景技術】

【0002】

人が何らかの作業工程（例えば組立工程、検査工程、洗浄工程、梱包工程、事務工程等）を遂行する際に、例えば作業支援や品質管理の観点から、作業工程の特性（作業内容、作業者、作業時間、作業日時等）を把握することが求められる場合がある。把握した作業工程の特性に基づき、例えば、正しい作業手順を必要に応じて映像や音声により作業者に教示したり、工程不良の要因を分析したりすることができる。

【0003】

特許文献１には、外景画像を画像認識することによって現在の手順を推定し、指示内容を表す文字列や使用者が実施すべき内容を表す画像を表示する頭部装着型表示装置が開示されている。

【0004】

特許文献２には、作業を登録した標準データと、取得した作業データとの差異が閾値以上である場合に、作業の修正に関する指示画像を現実空間に重畳して表示する情報処理システムが開示されている。

【0005】

特許文献３には、速度センサの出力及び撮像部の出力を用いてユーザの作業を同定する作業認識装置が開示されている。

【0006】

特許文献４には、作業者のスキルレベルに応じて提供する作業手順情報を決定する内視鏡洗浄管理システムが開示されている。

【先行技術文献】

【特許文献】

【0007】

【文献】特開２０１４－１５５２０７号公報

【文献】特許第６２２４８７３号公報

【文献】国際公開第２０１０／１４３３６１号

【文献】特開２０１７－１３１３３５号公報

【発明の概要】

【発明が解決しようとする課題】

【0008】

作業工程の特性（作業内容、作業者、作業時間、作業日時等）を、例えば作業支援や品質管理のために必要な条件（作業手順を教示するための条件、工程不良要因を分析するための条件等）と関連付けて、既知の情報として収集し蓄積することで、当該条件の新規設定、修正、変更等を効率良く行うことができる。この場合、情報の収集や蓄積を迅速かつ正確に行うこと、蓄積される情報の信頼性を向上させること、等が所望される。

【課題を解決するための手段】

【0009】

本開示の一態様は、それぞれが少なくとも１種類の単位作業を含む複数の異なる作業工程に関する学習を行う機械学習プログラムであって、プロセッサに、複数の異なる作業工程に含まれる全ての単位作業を集計して、同一種類の複数の単位作業の有無を判断する作業集計工程と、同一種類の複数の単位作業の各々を構成する作業要素のうち、複数の単位作業の間で共通する作業要素の個数に基づき、複数の単位作業が互いに類似するか否かを判断する類似判断工程と、互いに類似する第１の単位作業と第２の単位作業とを類似作業セットとして、共通の機械学習アルゴリズムにより、類似作業セットの特性を入力データとする類似作業学習モデルを生成する第１の学習工程と、第１の単位作業を含む第１の作業工程及び第２の単位作業を含む第２の作業工程に関する学習を、類似作業学習モデルに基づいて行う第２の学習工程と、を実行させ、第１の学習工程は、プロセッサに、単位作業の内容情報を含む状態データであって特性を表す状態データと、状態データに対応する単位作業の行為が異常であるか否かを表すラベルデータとを、学習データセットとして取得するデータ取得工程と、学習データセットに基づいて、単位作業の行為が異常になり易いか否かを判定するための閾値を算出する閾値算出工程と、学習データセットを用いて、内容情報と閾値との相関性を表す類似作業学習モデルを生成する学習モデル生成工程と、を実行させる、機械学習プログラムである。

【0010】

本開示の他の態様は、それぞれが少なくとも１種類の単位作業を含む複数の異なる作業工程に関する学習を行う機械学習装置であって、複数の異なる作業工程に含まれる全ての単位作業を集計して、同一種類の複数の単位作業の有無を判断する作業集計部と、同一種類の複数の単位作業の各々を構成する作業要素のうち、複数の単位作業の間で共通する作業要素の個数に基づき、複数の単位作業が互いに類似するか否かを判断する類似判断部と、互いに類似する第１の単位作業と第２の単位作業とを類似作業セットとして、共通の機械学習アルゴリズムにより、類似作業セットの特性を入力データとする類似作業学習モデルを生成する第１の学習部と、第１の単位作業を含む第１の作業工程及び第２の単位作業を含む第２の作業工程に関する学習を、類似作業学習モデルに基づいて行う第２の学習部と、を備え、第１の学習部は、単位作業の内容情報を含む状態データであって特性を表す状態データと、状態データに対応する単位作業の行為が異常であるか否かを表すラベルデータとを、学習データセットとして取得するデータ取得部と、学習データセットに基づいて、単位作業の行為が異常になり易いか否かを判定するための閾値を算出する閾値算出部と、学習データセットを用いて、内容情報と閾値との相関性を表す類似作業学習モデルを生成する学習モデル生成部と、を備える機械学習装置である。

【発明の効果】

【0011】

一態様に係る機械学習方法によれば、複数の異なる作業工程に関する学習が、個々の作業工程に含まれる単位作業のうち互いに類似する単位作業について共通する類似作業学習モデルを生成することで行われるから、複数の作業工程（或いは複数の単位作業）に関し個別に学習を行う構成に比較してデータ数（つまり学習回数）が増加し、個々の作業工程に関する学習の精度及び確度が向上する。例えば、作業工程の特性（作業内容、作業者、作業時間、作業日時等）を、作業支援や品質管理のために必要な条件（作業手順を教示するための条件、工程不良要因を分析するための条件等）と関連付けて、迅速かつ正確に学習モデル化できるだけでなく、学習モデルの信頼性を向上させることができるから、作業支援や品質管理のために必要な条件の新規設定、修正、変更等を高効率かつ高精度で行うことが可能になる。

【0012】

他の態様に係る機械学習装置によれば、機械学習方法による上記効果と同等の効果が生じる。

【図面の簡単な説明】

【0013】

【図1】一実施形態による機械学習装置を示す機能ブロック図である。

【図2】一実施形態による機械学習方法を示すフローチャートである。

【図3】図２の機械学習方法の具体例を概念的に示す図である。

【図4】図１の機械学習装置が有する学習部の一例を示す機能ブロック図である。

【図5】図４の学習部が実行する機械学習アルゴリズムの一例を示すフローチャートである。

【図6】図４の学習部を有する機械学習装置を装備した表示システムを示す機能ブロック図である。

【図7】図６の表示システムにおける表示処理の一例を示すフローチャートである。

【発明を実施するための形態】

【0014】

以下、添付図面を参照して本開示の実施の形態を説明する。全図面に渡り、対応する構成要素には共通の参照符号を付す。

【0015】

図１は、一実施形態による機械学習装置１０を機能ブロックで示す。図２は、機械学習装置１０が実行する一実施形態による機械学習方法を示す。

【0016】

機械学習装置１０は、人が何らかの作業工程（例えば組立工程、検査工程、洗浄工程、梱包工程、事務工程等）を遂行するときの、作業工程の特性（作業内容、作業者、作業時間、作業日時等）に関連する様々な事項を、いわゆる機械学習により自ら学習するものであって、種々の学習アルゴリズムを定義するソフトウェアを実行するための、電算機のプロセッサ（例えば中央処理装置（ＣＰＵ））等のハードウェアを備える。例えば機械学習装置１０は、作業工程の特性を、作業支援や品質管理のために必要な条件（作業手順を教示するための条件、工程不良要因を分析するための条件等）と関連付けて学習することができる。機械学習装置１０が学習により生成した学習モデルを用いることで、上記条件の新規設定、修正、変更等を効率良く行うことができる。

【0017】

図１に示すように、機械学習装置１０は、それぞれが少なくとも１種類の単位作業を含む複数の異なる作業工程に関する学習を行うプロセッサ１２を備える。プロセッサ１２は、複数の異なる作業工程に含まれる全ての単位作業を集計して、同一種類の複数の単位作業の有無を解釈する作業集計部１４と、同一種類の複数の単位作業が互いに類似するか否かを判断する類似判断部１６と、互いに類似する第１の単位作業と第２の単位作業とを類似作業セットとして、共通の機械学習アルゴリズムにより、類似作業セットの特性を入力データとする類似作業学習モデルを生成する第１の学習部１８と、第１の単位作業を含む第１の作業工程及び第２の単位作業を含む第２の作業工程に関する学習を、類似作業学習モデルに基づいて行う第２の学習部２０とを備える。ここで、類似作業セットは、ｎ個（ｎ≧２）の単位作業（つまり第１～第ｎの単位作業）で構成でき、第１の学習部１８は、第１～第ｎの単位作業に対し共通の学習アルゴリズムにより類似作業学習モデルを生成でき、第２の学習部２０は、第１～第ｎの単位作業をそれぞれに含む第１～第ｎの作業工程に関する学習を類似作業学習モデルに基づいて行うことができる。

【0018】

プロセッサ１２は例えば、ＣＰＵ、ＡＳＩＣ（application specific integrated circuit）、ＦＰＧＡ（field programmable gate array）等の構成を有することができる。作業集計部１４、類似判断部１６、第１の学習部１８及び第２の学習部２０は、それぞれ、プロセッサ１２の一機能ブロックとして構成でき、或いはプロセッサ１２を機能させるためのプログラムや記録媒体（コンピュータ読取可能な非一時的記録媒体）として構成できる。作業工程が例えば機器の組立工程の場合、作業工程に含まれる単位作業としては、種類別に、ケーブル取付作業、板金取付作業、ねじ取付作業、基板取付作業、ユニット取付作業、クランプ作業等を例示できる。作業工程が例えば装置の検査工程の場合、作業工程に含まれる単位作業としては、種類別に、組み立てた装置の外観確認作業、組立部品の固定状態確認作業等を例示できる。

【0019】

機械学習装置１０が実行する機械学習方法は、図２に示すように、それぞれが少なくとも１種類の単位作業を含む複数の異なる作業工程に関する学習を行うものであって、複数の異なる作業工程に含まれる全ての単位作業を集計して、同一種類の複数の単位作業の有無を解釈するステップ（ステップＳ１～Ｓ３：作業集計部１４の動作）と、同一種類の複数の単位作業が互いに類似するか否かを判断するステップ（ステップＳ４～Ｓ６：類似判断部１６の動作）と、互いに類似する第１の単位作業と第２の単位作業とを類似作業セットとして、共通の機械学習アルゴリズムにより、類似作業セットの特性を入力データとする類似作業学習モデルを生成するステップ（ステップＳ７：第１の学習部１８の動作）と、第１の単位作業を含む第１の作業工程及び第２の単位作業を含む第２の作業工程に関する学習を、類似作業学習モデルに基づいて行うステップ（ステップＳ８：第２の学習部２０の動作）とを有する。

【0020】

図３は、機械学習装置１０が実行する機械学習方法の１つの具体例を概念的に示す。以下、図１、図２及び図３を参照して、具体例に基づき機械学習装置１０及び機械学習方法の構成を詳細に説明する。図３の具体例では、作業工程は機器の組立工程であり、機械学習装置１０の学習対象は３つの異なる組立工程Ａ～Ｃである。組立工程Ａは、ケーブル取付Ａ、板金取付Ａ及びねじ取付Ａの、３種類の単位作業を含む。組立工程Ｂは、ケーブル取付Ｂ、板金取付Ｂ及び基板取付Ｂの、３種類の単位作業を含む。組立工程Ｃは、ケーブル取付Ｃ、ユニット取付Ｃ及びクランプＣの、３種類の単位作業を含む。

【0021】

図２に示すように、個々の組立工程Ａ～Ｃを任意の作業者が任意の日時に任意の作業環境で開始することにより、学習がスタートする。まず作業集計部１４は、ステップＳ１で、３つの組立工程Ａ～Ｃに含まれる全ての単位作業を抽出する。抽出手法の一例として、作業環境（すなわち学習環境）に設けられるカメラやバーコードリーダ等の特徴識別装置を用いて、組立工程Ａ～Ｃの各々の特徴を識別する手法を採用できる。例えば、カメラにより各組立工程の最初の単位作業を撮像したり、バーコードリーダにより各組立工程の最初の作業対象物のバーコードを読み取ったりすることで、当該最初の単位作業を含む一連の単位作業を、予め用意したデータベースとの照合により抽出することができる。

【0022】

次にステップＳ２で、作業集計部１４は、抽出した全ての単位作業を種類ごとに分類して複数の作業類を定義する。図３の具体例では、全ての単位作業が、種類が同一であるケーブル取付Ａ～Ｃの作業類２２と、種類が同一である板金取付Ａ及びＢの作業類２４と、ねじ取付Ａのみの作業類２６と、基板取付Ｂのみの作業類２８と、ユニット取付Ｃのみの作業類３０と、クランプＣのみの作業類３２とに分類されている。

【0023】

次にステップＳ３で、作業集計部１４は、全ての単位作業の中に同一種類の複数の単位作業が有るか否か、具体的にはステップＳ２で定義した複数の作業類２２～３２の中に複数の単位作業を含む作業類が存在するか否かを判断し、この判断により同一種類の単位作業の有無を解釈する。図３の具体例では、複数の単位作業を含む作業類２２及び２４が存在するので、同一種類の単位作業が有ると解釈される。

【0024】

同一種類の単位作業が有る場合（ステップＳ３の判断がＹＥＳの場合）、類似判断部１６は、ステップＳ４～Ｓ６で、それら同一種類の単位作業が互いに類似するか否かを判断する。図３の具体例では、作業類２２に属するケーブル取付Ａ～Ｃが互いに類似するか否か、及び作業類２４に属する板金取付Ａ及びＢが互いに類似するか否かが判断される。

【0025】

単位作業の類似を判断するためには、単位作業を構成する作業要素の共通性を解釈することが有効である。作業要素は、人が単位作業を遂行するために必要な複数の設定事項の１つ１つを意味する。例えば単位作業がケーブル取付作業の場合、作業要素として、ケーブルの取付位置、ケーブルコネクタの形状、ケーブルの長さ等を例示できる。また単位作業が板金取付作業の場合、作業要素として、板金素材の取付位置、板金素材の寸法や形状、板金素材に設けた組付穴の位置等を例示できる。図３の具体例では、作業類２２において、ケーブル取付Ａの作業要素として取付位置１、コネクタ外形１、ケーブル線長１が示され、ケーブル取付Ｂの作業要素として取付位置１、コネクタ外形１、ケーブル線長２が示され、ケーブル取付Ｃの作業要素として取付位置１、コネクタ外形３、ケーブル線長３が示されている（数字１～３は設定値の相違を表す）。

【0026】

類似判断部１６は、ステップＳ４～Ｓ６における類似判断処理の一例として、同一種類の複数の単位作業の各々を構成する作業要素のうち、それら単位作業の間で共通する作業要素の個数に基づき、複数の単位作業が互いに類似するか否かを判断することができる。まずステップＳ４で、類似判断部１６は、同一種類の単位作業の各々を構成する全ての作業要素を抽出し、それら単位作業の間で共通する作業要素の個数（作業要素重複数）を算出する。抽出手法としては、例えば前述したカメラやバーコードリーダ等の特徴識別装置を用いる手法を採用できる。図３の具体例では、作業類２２において、ケーブル取付Ａの取付位置１、コネクタ外形１及びケーブル線長１、ケーブル取付Ｂの取付位置１、コネクタ外形１及びケーブル線長２、並びにケーブル取付Ｃの取付位置１、コネクタ外形３及びケーブル線長３が抽出される。ケーブル取付Ａとケーブル取付Ｂとの間で取付位置１及びコネクタ外形１が共通しているので、ケーブル取付Ａ及びＢの作業要素重複数は「２」と算出される。同様にして、ケーブル取付Ｂ及びＣの作業要素重複数は「１」と算出され、ケーブル取付Ｃ及びＡの作業要素重複数は「１」と算出される。

【0027】

次にステップＳ５で、作業要素重複数に基づき、同一種類の単位作業同士の類似度を、例えば以下の式１に従って算出する。式１は、上記した作業要素重複数を、個々の作業要素の重みを考慮した値（つまり類似度）Ａｎに変換するための関数に相当する。

【0028】

〔式１〕
Ａｎ＝Ｘ・ｘ＋Ｙ・ｙ＋Ｚ・ｚ＋…

【0029】

式１において、Ｘ、Ｙ、Ｚ、…はそれぞれ、単位作業を構成する作業要素（設定値は考慮しない）を表す。同一種類の単位作業の間で共通する作業要素には、「共通」を意味する同一の引数が与えられ、共通しない作業要素には、引数として零が与えられる。ｘ、ｙ、ｚ、…はそれぞれ作業要素の重みを表し、例えば機械学習装置１０の設計者の経験則等に従って設定される。図３の具体例では、Ｘは取付位置を表し、Ｙはコネクタ外形を表し、Ｚはケーブル線長を表す。作業要素重複数「２」のケーブル取付Ａ及びＢの類似度は、取付位置１及びコネクタ外形１のそれぞれの重みを加味して、Ａｎ＝Ｘ・ｘ＋Ｙ・ｙとして算出される。同様にして、作業要素重複数「１」のケーブル取付Ｂ及びＣの類似度はＡｎ＝Ｘ・ｘと算出され、作業要素重複数「１」のケーブル取付Ｃ及びＡの類似度はＡｎ＝Ｘ・ｘと算出される。

【0030】

次にステップＳ６で、類似度Ａｎが予め定めた閾値以上であるか否かを判断する。閾値は、同一種類の単位作業同士が類似しているか否かの判断基準となる値であって、単位作業の種類等に応じて、例えば機械学習装置１０の設計者の経験則等に従って設定される。図３の具体例では、ケーブル取付作業の類似度Ａｎの閾値が、Ｘ・ｘよりも大きく（Ｘ・ｘ＋Ｙ・ｙ）よりも小さい値に設定され、その結果、作業類２２の中でケーブル取付Ａとケーブル取付Ｂとが類似すると判断される。ここでは同様にして、作業類２４の中で板金取付Ａと板金取付Ｂとが類似すると判断されたものとする。

【0031】

同一種類の複数の単位作業が互いに類似する場合（ステップＳ６の判断がＹＥＳの場合）、第１の学習部１８は、ステップＳ７で、互いに類似する単位作業を類似作業セットとして、共通の機械学習アルゴリズムにより、類似作業セットの特性（つまり類似作業セットに含まれる複数の単位作業の各々の特性）を入力データとする類似作業学習モデルを生成する。図３の具体例では、ケーブル取付Ａとケーブル取付Ｂとが類似作業セットとして扱われ、ケーブル取付Ａの特性（作業内容、作業者、作業時間、作業日時等）及びケーブル取付Ｂの特性（作業内容、作業者、作業時間、作業日時等）を入力データとする１つの（つまりケーブル取付Ａ及びＢに共通の）類似作業学習モデルが生成される。板金取付Ａ及びＢについても同様にして、共通の類似作業学習モデルが生成される。

【0032】

複数の作業類の各々に属する同一種類の単位作業の中に、他の単位作業とは類似しない単位作業が有る場合、第１の学習部１８は、上記ステップＳ７で、類似しない単位作業に対し個別に機械学習アルゴリズムを実行して、当該類似しない単位作業の特性を入力データとする非類似作業学習モデルを生成する。非類似作業学習モデルを生成するための機械学習アルゴリズムは、類似作業学習モデルを生成する機械学習アルゴリズムと同じであってもよいし異なっていてもよい。図３の具体例では、作業類２２において、ケーブル取付Ｃが他の単位作業とは類似しない単位作業であるから、ケーブル取付Ｃの特性（作業内容、作業者、作業時間、作業日時等）を入力データとする非類似作業学習モデルが生成される。他方、作業類２４については、他の単位作業と類似しない単位作業が存在しないので、非類似作業学習モデルが生成されない。

【0033】

ステップＳ７ではさらに、単一の単位作業のみを含む作業類についても、他の単位作業とは類似しない単位作業に対する上記処理と同様にして、非類似作業学習モデルを生成する。図３の具体例では、作業類２６に属するねじ取付Ａ、作業類２８に属する基板取付Ｂ、作業類３０に属するユニット取付Ｃ、及び作業類３２に属するクランプＣの各々について、非類似作業学習モデルが生成される。

【0034】

ステップＳ４で抽出された全ての単位作業について類似作業学習モデル又は非類似作業学習モデルが生成されると、第２の学習部２０は、ステップＳ８で、複数の異なる作業工程（組立工程Ａ～Ｃ）に関する学習を、類似作業学習モデルと非類似作業学習モデルとに基づいて（少なくとも類似作業学習モデルに基づいて）行う。各作業工程に関する学習を行うことは、当該作業工程に含まれる個々の単位作業について類似作業学習モデル又は非類似作業学習モデルを生成することと実質的に同義であるが、第２の学習部２０は、第１の学習部１８が単位作業ごとに生成する類似作業学習モデル又は非類似作業学習モデル（少なくとも類似作業学習モデル）を、適宜に取捨選択して作業工程ごとの学習を進めることになる。したがって、個々の単位作業についての類似作業学習モデル又は非類似作業学習モデル（つまり入出力の相関性の確からしさ）が所望の信頼水準に到達することで、第２の学習部２０による各作業工程に関する学習が終了する。

【0035】

図３の具体例では、組立工程Ａに関する学習が、ケーブル取付Ａについて生成された類似作業学習モデルと、板金取付Ａについて生成された類似作業学習モデルと、ねじ取付Ａについて生成された非類似作業学習モデルとに基づいて行われる。また、組立工程Ｂに関する学習が、ケーブル取付Ｂについて生成された類似作業学習モデルと、板金取付Ｂについて生成された類似作業学習モデルと、基板取付Ｂについて生成された非類似作業学習モデルとに基づいて行われる。また、組立工程Ｃに関する学習が、ケーブル取付Ｃについて生成された非類似作業学習モデルと、ユニット取付Ｃについて生成された非類似作業学習モデルと、クランプＣについて生成された非類似作業学習モデルとに基づいて行われる。

【0036】

同一種類の複数の単位作業の全てが互いに類似しない場合（ステップＳ６の判断がＮＯの場合）、第２の学習部２０は、ステップＳ９で、複数の異なる作業工程（組立工程Ａ～Ｃ）に対し個別に機械学習アルゴリズムを実行して、個々の作業工程の特性を入力データとする学習モデルを生成する。作業工程ごとの学習モデルを生成するための機械学習アルゴリズムは、類似作業学習モデルを生成する機械学習アルゴリズムと同じであってもよいし異なっていてもよい。また各作業工程の学習モデルは、当該作業工程全体を通して生成した１つの学習モデルでもよいし、第１の学習部１８が当該作業工程に含まれる単位作業ごとに生成した複数の非類似作業学習モデルを組み合わせたものでもよい。個々の作業工程についての学習モデル（つまり入出力の相関性の確からしさ）が所望の信頼水準に到達することで、各作業工程に関する学習が終了する。

【0037】

また、複数の異なる作業工程に含まれる全ての単位作業が互いに異なる種類である場合（ステップＳ３の判断がＮＯの場合）、第２の学習部２０は、ステップＳ１０で、複数の異なる作業工程（組立工程Ａ～Ｃ）に対し個別に機械学習アルゴリズムを実行して、個々の作業工程の特性を入力データとする学習モデルを生成する。作業工程ごとの学習モデルを生成するための機械学習アルゴリズムは、類似作業学習モデルを生成する機械学習アルゴリズムと同じであってもよいし異なっていてもよい。個々の作業工程についての学習モデル（つまり入出力の相関性の確からしさ）が所望の信頼水準に到達することで、各作業工程に関する学習が終了する。

【0038】

このようにして、複数の異なる作業工程（組立工程Ａ～Ｃ）に関する学習が行われ、各作業工程に関する学習モデル（類似作業学習モデル及び非類似作業学習モデル）の信頼性が所望の水準まで深化した段階で、学習のための作業工程を終了する。

【0039】

上記したように、一実施形態による機械学習装置１０及び機械学習方法では、複数の異なる作業工程に関する学習が、個々の作業工程に含まれる単位作業のうち互いに類似する単位作業について共通する類似作業学習モデルを生成することで行われる。類似作業学習モデルの入力データは、類似作業セットの特性（つまり類似作業セットに含まれる複数の単位作業の各々の特性）に関するデータであるから、複数の作業工程（或いは複数の単位作業）に関し個別に学習を行う構成に比較してデータ数（つまり学習回数）が増加する。したがって、互いに類似する単位作業についての類似作業学習モデルの信頼性が向上し、それに伴い、個々の作業工程に関する学習の精度及び確度が向上する。

【0040】

例えば、作業工程の特性（作業内容、作業者、作業時間、作業日時等）を、作業支援や品質管理のために必要な条件（作業手順を教示するための条件、工程不良要因を分析するための条件等）と関連付けて、既知の情報として収集し蓄積するアプリケーションにおいて、一実施形態による機械学習装置１０及び機械学習方法によれば、そのような情報の収集や蓄積を迅速かつ正確に行って学習モデル化できるだけでなく、蓄積される情報すなわち学習モデルの信頼性を向上させることができる。その結果、作業支援や品質管理のために必要な条件の新規設定、修正、変更等を高効率かつ高精度で行うことが可能になる。

【0041】

上記構成を有する機械学習装置１０及び機械学習方法では、第１の学習部１８が実行する学習手法（機械学習アルゴリズム）は特に限定されず、例えば教師あり学習、教師なし学習、強化学習等の、機械学習として公知の学習手法を採用できる。教師あり学習は、入力データとそれに対応する出力データ（一般に教師データやラベル等と呼称される）との既知の学習データセットが予め大量に与えられ、それら既知の学習データセットから入力データと出力データとの相関性を暗示する特徴を識別することで、新たな入力に対する所要の出力を推定するための相関性モデル（機械学習装置１０では類似作業学習モデル）を生成する手法である。これに対し、教師なし学習や強化学習は、入力と出力との関係が未知の状態から学習が開始される。

【0042】

機械学習装置１０において第１の学習部１８が実行する機械学習アルゴリズム（つまり類似作業学習モデルの生成処理）の一例を、図４及び図５を参照して説明する。図４は、第１の学習部１８の構成を機能ブロックで示す。図５は、第１の学習部１８が実行する機械学習アルゴリズムを示す。

【0043】

第１の学習部１８は、単位作業の内容情報を含む状態データＤ１であって単位作業の特性を表す状態データＤ１と、状態データＤ１に対応する単位作業の行為が異常であるか否かを表すラベルデータＤ２とを、学習データセットＤＳとして取得するデータ取得部３４と、学習データセットＤＳに基づいて、単位作業の行為が異常になり易いか否かを判定するための閾値Ｔを算出する閾値算出部３６と、学習データセットＤＳを用いて、内容情報（状態データＤ１）と閾値Ｔとの相関性を表す類似作業学習モデルＭを生成する学習モデル生成部３８とを備える。

【0044】

第１の学習部１８が実行する機械学習アルゴリズムは、前述した教師あり学習に相当し、状態データＤ１とラベルデータＤ２とを学習データセットＤＳとして取得するステップＵ１（データ取得部３４の動作）と、学習データセットＤＳに基づいて閾値Ｔを算出するステップＵ２（閾値算出部３６の動作）と、学習データセットＤＳを用いて類似作業学習モデルＭを生成するステップＵ３（学習モデル生成部３８の動作）とを有する。

【0045】

図６は、図４に示す第１の学習部１８を有する機械学習装置１０のアプリケーションの具体例として、表示システム４０の構成を機能ブロックで示す。以下、図６を参照して、具体例に基づき第１の学習部１８が実行する機械学習アルゴリズムの構成を詳細に説明する。図６に示すように、表示システム４０は、前述した作業工程が遂行される環境４２と、環境４２に配置される作業対象４４と、作業対象４４に対して既定の作業工程を行う作業者４６とを含む。表示システム４０は、作業工程を支援する情報を作業者４６に対して表示する機能を有する。

【0046】

表示システム４０は、機械学習装置１０及び表示装置４８を備える。機械学習装置１０と表示装置４８とは、有線又は無線のネットワーク等を介して互いに通信可能に接続される。機械学習装置１０は、ＰＣ（personal computer）、サーバ等として構成される。表示装置４８は、環境４２の中に配置されるラップトップ、ＰＤＡ（personal digital assistant）、スマートフォン、ウェアラブルデバイス等として構成される。表示システム４０は、複数の表示装置４８を備えてもよく、この場合、表示装置４８の各々が同一環境又は別環境に配置される。

【0047】

表示システム４０は、第１プロセッサとしての機械学習装置１０の第１の学習部１８に加えて、表示装置４８の第２プロセッサ５０を有する。第２プロセッサ５０は表示制御部５２を有し、表示制御部５２は、第１の学習部１８の閾値算出部３６が算出した閾値Ｔに基づいて、表示装置４８の表示部５４に正常作業情報を表示するタイミングを制御する。第２プロセッサ５０はさらに、作業対象４４が正常品であるか否かを判定する機能、作業対象４４の不良箇所を表示して交換を指示する機能、及び単位作業が正常であったか否かを判定する機能を有することができる。

【0048】

「正常作業情報」は、単位作業に関する正常な作業手順でもよいし正常な作業結果でもよい。表示部５４は、液晶ディスプレイ、タッチパネルディスプレイ等の公知の表示ディスプレイとして構成される。表示部５４は、表示制御部５２の指令に従って作業支援情報を表示し、特に表示制御部５２が制御する表示タイミングに従って正常作業情報を表示する。表示部５４は、拡張現実機器として構成されてもよく、この場合、正常作業情報を現実空間の画像に重畳して表示することができる。

【0049】

第１の学習部１８のデータ取得部３４は、状態データＤ１及びラベルデータＤ２を学習データセットＤＳとして環境４２から取得する。状態データＤ１は、単位作業の内容情報に加えて、単位作業の作業者情報、作業時間情報及び作業日時情報のうち、少なくとも１つの追加情報をさらに含むことができる。この場合、第１の学習部１８の学習モデル生成部３８が生成する類似作業学習モデルＭは、内容情報及び追加情報と閾値Ｔとの相関性を表すものとなる。

【0050】

「内容情報」は、作業者４６が環境４２で作業対象４４に対しどのような単位作業を行っているかを表す情報として定義される。例えば内容情報は、作業種別コード、作業難易度等を含む。内容情報は、例えばカメラ、バーコードリーダ等の特徴識別装置を用いて特定される。特徴識別装置は、表示装置４８に設けたものでもよいし、又は別個に設けたものでもよい。内容情報は、例えば作業対象４４のＩＤ又は画像に基づき特定してもよい。例えば複数の部品を互いに組付ける組立作業の場合、個々の部品のＩＤを、予め記憶した基準データと照合することによって内容情報を特定できる。また内容情報は、作業が正常であったか否かの判定に用いることもできる。単位作業の内容は作業結果や作業支援の要否等と直接的な関連性を有するので、状態データＤ１は少なくとも内容情報を含むものとする。

【0051】

「作業者情報」は、作業者４６の熟練度を表す情報として定義される。例えば作業者情報は、作業者ＩＤ、年齢、勤務年数、作業年数等を含む。作業者情報は、例えば環境４２への入退室権限、表示装置４８へのアクセス権限を検証する際に入力される作業者４６のＩＤに基づき特定される。作業者４６の熟練度と作業結果や作業支援の要否等との間に関連性が見出される場合がある。

【0052】

「作業時間情報」は、単位作業の開始から終了までに掛かった時間を表す情報として定義される。作業時間情報は、例えばカメラ、バーコードリーダ等の特徴識別装置や内部時計等の計時装置を用いて特定される。作業開始時刻は、作業対象４４のＩＤを取得した時刻でもよいし、表示装置４８の電源を投入した時刻でもよいし、又は作業者４６が表示装置４８に作業開始を入力した時刻でもよい。作業終了時刻は、作業対象４４に付与される作業終了印の画像を取得した時刻でもよいし、表示装置４８の電源を切った時刻でもよいし、又は作業者４６が表示装置４８に作業終了を入力した時刻でもよい。作業時間と作業結果や作業支援の要否等との間に関連性が見出される場合がある。

【0053】

「作業日時情報」は、作業者４６が単位作業を行った日付、時刻及び曜日を表す情報として定義される。例えば作業日時情報は、作業開始日時でもよいし、作業終了日時でもよいし、又は作業開始日時と作業終了日時との間の中間の日時でもよい。作業日時情報は、例えばカメラ、バーコードリーダ等の特徴識別装置や内部時計等の計時装置を用いて特定される。勤務時間や勤務日数等が所定値以上になると作業の正確性が損なわれる等、作業日時と作業結果や作業支援の要否等との間に関連性が見出される場合がある。

【0054】

ラベルデータＤ２は、例えばカメラ、バーコードリーダ等の特徴識別装置を用いて特定される。この場合、ラベルデータＤ２は、例えば作業対象４４のＩＤや画像等に基づき特定できる。例えば複数の部品を互いに組付ける組立作業の場合、個々の部品のＩＤや組立後の作業対象４４の画像を、予め記憶した基準データと照合することによってラベルデータＤ２を特定できる。画像データを用いる場合、基準データとして正常作業及び異常作業のいずれの画像を用いてもよい。どのような単位作業が正常であるかについては、例えば機械学習装置１０の設計者の経験則等に従って定められる。

【0055】

次に、閾値算出部３６及び学習モデル生成部３８の動作の一例を説明する。以下の式２は、異常作業フラグＦと状態データＤ１との関係をモデル化した関数の一例である。異常作業フラグＦは、状態データＤ１に対応する単位作業の行為が異常になり易いか否かを表す。

【0056】

〔式２〕
Ｆ＝Ｇ・ｇ０＋Ｈ・ｈ０＋Ｉ・ｉ０＋Ｊ・ｊ０

【0057】

式２において、Ｇ、Ｈ、Ｉ、Ｊはそれぞれ、内容情報、作業者情報、作業時間情報、作業日時情報を表す。ｇ０、ｈ０、ｉ０、ｊ０はそれぞれ、内容情報の重み、作業者情報の重み、作業時間情報の重み、作業日時情報の重みを表す。これら重みの初期値は、状態データＤ１が一定以上蓄積された後に回帰分析等によって求めることができる。

【0058】

以下の式３は、ラベルデータＤ２の重みｌ１、ｌ２と、状態データＤ１の重みｇ０、ｈ０、ｉ０、ｊ０との関係をモデル化した関数の一例である。

【0059】

〔式３〕
ｇ１＝ｇ０・ｌ１、ｈ１＝ｈ０・ｌ１、ｉ１＝ｉ０・ｌ１、ｊ１＝ｊ０・ｌ１
ｇ２＝ｇ０・ｌ２、ｈ２＝ｈ０・ｌ２、ｉ２＝ｉ０・ｌ２、ｊ２＝ｊ０・ｌ２

【0060】

式３において、重みｌ１は、ラベルデータＤ２のうち正常作業ラベルデータＬ１の重みを表し、重みｌ２は、ラベルデータＤ２のうち異常作業ラベルデータＬ２の重みを表す。ｇ１、ｈ１、ｉ１、ｊ１はそれぞれ、Ｌ１取得時の各状態データＤ１の重みを表し、ｇ２、ｈ２、ｉ２、ｊ２はそれぞれ、Ｌ２取得時の各状態データＤ１の重みを表す。

【0061】

以下の式４は、Ｌ１取得時及びＬ２取得時の異常作業フラグＦと閾値Ｔとの関係をモデル化した関数である。

【0062】

〔式４〕
Ｌ１取得時：
Ｔ＝Ｔ′＋（Ｇ・ｇ１＋Ｈ・ｈ１＋Ｉ・ｉ１＋Ｊ・ｊ１）
Ｌ２取得時：
Ｔ＝Ｔ′－（Ｇ・ｇ２＋Ｈ・ｈ２＋Ｉ・ｉ２＋Ｊ・ｊ２）

【0063】

式４において、Ｔ′は前回ラベルデータＤ２を取得したときの閾値を表す。Ｔ′の初期値は零でよい。式４に示す通り、Ｌ１取得時には閾値Ｔが増加され、Ｌ２取得時には閾値Ｔが減少される。このように、データ取得部３４が状態データＤ１及びラベルデータＤ２を取得する度に、閾値Ｔが更新されることになる。このようにして、閾値算出部３６が閾値Ｔを算出し、学習モデル生成部３８が、状態データＤ１と閾値Ｔとの相関性を表す類似作業学習モデルＭを生成する。

【0064】

以下の式５は、機械学習装置１０による学習結果（作業工程の学習モデル）を用いて現場で実行される作業支援のための表示処理に際して、状態データＤ１に対応する単位作業の行為が異常になり易いか否かを判定する関数である。

【0065】

〔式５〕
Ｆ≧Ｔのとき：作業前に正常作業情報を表示する
Ｆ＜Ｔのとき：作業前に正常作業情報を表示しない

【0066】

式５に示す通り、異常作業フラグＦが閾値Ｔ以上の場合には、単位作業が異常になり易いため、作業者４６による単位作業の遂行前に「正常作業情報」が表示部５４に表示される。一方、異常作業フラグＦが閾値Ｔ未満の場合には、単位作業が異常になり難いため、作業者４６が実際に遂行した単位作業が正常でなかった場合にのみ「正常作業情報」が表示部５４に表示される。

【0067】

図７は、機械学習装置１０を備える表示システム４０において、機械学習装置１０による学習結果（作業工程の学習モデル）を用いて現場で実行される作業支援のための表示処理フローの一例を示す。まずステップＰ１で、データ取得部３４が状態データＤ１を取得する。図示の例では、状態データＤ１は内容情報に加えて作業者情報、作業時間情報及び作業日時情報を含む。

【0068】

次にステップＰ２で、例えば第２プロセッサ５０が、作業対象４４が正常品であるか否かを判断する。作業対象４４が正常品であるか否かは画像認識等によって特定できる。例えば複数の部品を互いに組付ける組立作業の場合、個々の部品の画像を基準データと照合することによって各部品が正常品であるか否かを特定できる。作業対象４４が正常品でない場合（ステップＰ２の判断がＮＯの場合）は、ステップＰ３で表示制御部５２が表示部５４に不良箇所を表示し、必要に応じて作業対象４４の交換を指示した後、ステップＰ１へ戻る。作業対象４４が正常品である場合（ステップＰ２の判断がＹＥＳの場合）は、ステップＰ４に進む。

【0069】

ステップＰ４で、例えば第２プロセッサ５０が、取得した状態データＤ１に対応する単位作業の行為が異常になり易いか否か、すなわち異常作業フラグＦ（式２）が閾値Ｔ以上であるか否か（式５）を判断する。単位作業が異常になり難い場合（ステップＰ４の判断がＮＯの場合）は、作業者４６が単位作業を遂行した後に、例えば第２プロセッサ５０が、ステップＰ５で当該単位作業の行為が正常であったか否かを判断する。

【0070】

単位作業の行為が正常でなかった場合（ステップＰ５の判断がＮＯの場合）は、ステップＰ６で表示制御部５２が表示部５４に正常作業情報を表示するとともに、不良箇所を表示して必要に応じ作業対象４４の交換を指示する。このような処理により、例えば熟練した作業者４６は、実際に誤作業等を行ったときだけ正常作業情報を確認できる。次いで、例えば第２プロセッサ５０が、ステップＰ７で異常作業フラグＦを増加し、ステップＰ１に戻る。

【0071】

単位作業の行為が正常であった場合（ステップＰ５の判断がＹＥＳの場合）は、例えば第２プロセッサ５０が、ステップＰ８で異常作業フラグＦを減少し、ステップＰ９で単位作業が終了したか否かを判断する。現場での作業支援表示処理の間も学習を進める場合は、ステップＰ７及びＰ８において閾値Ｔを更新する（式４）。

【0072】

取得した状態データＤ１に対応する単位作業の行為が異常になり易い場合（ステップＰ４の判断がＹＥＳの場合）は、ステップＰ１０で、作業者４６による単位作業の遂行前に表示制御部５２が表示部５４に正常作業情報を表示する。これにより、状態データＤ１が、作業者４６が未熟である、作業内容が複雑である、作業時間が長い、作業者４６の勤務時間や勤務日数が多いといった特性を表す場合であっても、誤作業や工程不良を未然に防止できる。

【0073】

作業者４６が作業支援表示の下で単位作業を遂行した後に、例えば第２プロセッサ５０が、ステップＰ１１で当該単位作業の行為が正常であったか否かを判断する。単位作業の行為が正常でなかった場合（ステップＰ１１の判断がＮＯの場合）は、ステップＰ１２で表示制御部５２が表示部５４に正常作業情報を再び表示するとともに、不良箇所を表示して必要に応じ作業対象４４の交換を指示する。このような処理により、作業前に正常作業情報を表示したにも拘わらず単位作業が異常であった場合に、誤作業や工程不良の頻度を低減できる。次いで、例えば第２プロセッサ５０が、ステップＰ１３で異常作業フラグＦを増加し、ステップＰ１に戻る。

【0074】

単位作業の行為が正常であった場合（ステップＰ１１の判断がＹＥＳの場合）は、例えば第２プロセッサ５０が、ステップＰ１４で異常作業フラグＦを減少し、ステップＰ９で単位作業が終了したか否かを判断する。現場での作業支援表示処理の間も学習を進める場合は、ステップＰ１３及びＰ１４において閾値Ｔを更新する（式４）。

【0075】

単位作業が終了していない場合（ステップＰ９の判断がＮＯの場合）は、ステップＰ１に戻る。単位作業が終了している場合（ステップＰ９の判断がＹＥＳの場合）は、作業終了として表示処理フローを終了する。

【0076】

本開示の機械学習装置及び機械学習方法は、上記及び図示の実施形態の構成に限定されない。例えば、機械学習の対象となる作業工程及び単位作業の特性（つまり入力データ）は、上記及び図示の実施形態に限定されず、ユーザの要求に応じた様々な特性を入力データとすることができる。また、機械学習アルゴリズムは、上記及び図示の実施形態に限定されず、ユーザの要求に応じた様々なアルゴリズムを採用できる。機械学習装置のアプリケーションとしては、前述した表示システム以外にも、例えば、機械学習装置が生成した作業工程の学習モデルに従って工程手順書の記載事項を新設したり変更したりするシステムを例示できる。

【符号の説明】

【0077】

１０ 機械学習装置
１２ プロセッサ
１４ 作業集計部
１６ 類似判断部
１８ 第１の学習部
２０ 第２の学習部
２２、２４、２６、２８、３０、３２ 作業類
３４ データ取得部
３６ 閾値算出部
３８ 学習モデル生成部
４０ 表示システム

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】