CN110703682A - 齿接触位置调整量推定装置、机器学习装置及机器人系统 - Google Patents

Abstract

本发明提供齿接触位置调整量推定装置、机器学习装置以及机器人系统。在进行针对构成动力传输机构的部件的尺寸数据的齿接触位置调整量的推定相关的处理的齿接触位置调整量推定装置中，具备用于进行针对构成动力传输机构的部件的尺寸数据的齿接触位置调整量的机器学习相关的处理的机器学习装置，上述机器学习装置将构成动力传输机构的部件的尺寸数据即部件尺寸数据作为表示环境的当前状态的状态变量进行观测，并执行基于观测到的状态变量的机器学习相关的处理，由此进行针对构成动力传输机构的部件的尺寸数据的该动力传输机构的组装中的齿接触位置调整量的推定相关的处理。

Description

齿接触位置调整量推定装置、机器学习装置及机器人系统

技术领域

本发明涉及齿接触位置调整量推定装置、机器学习装置以及机器人系统。本发明特别涉及推定经由轴线相互交叉的轴来传输动力的构造中所使用的齿轮的齿接触位置调整量的齿接触位置调整量推定装置、机器学习装置以及机器人系统。

背景技术

伞齿轮(Bevel gear锥齿轮)被用于经由轴线相互交叉的轴来传输动力的构造。另外蜗轮被用于经由具有相互不一致的轴线的轴来传输动力的构造。当被安装在各个轴上且相互咬合的齿轮的齿接触不适当时，可能会产生异响或振动、齿的异常磨损。为了使齿接触适当，重要的是将齿轮的形状最优化。另外，由于安装齿轮的部件的尺寸等的误差，齿轮的安装位置也会偏离。

图6是例示使用了伞齿轮的齿轮构造的图。图6中，输入侧的动力通过相互直角地配置了轴线的伞齿轮被传输给输出侧。伞齿轮被分别安装到减速机或托架上。进一步，减速机或托架被安装到外壳上。因此，伞齿轮之间的齿接触由于伞齿轮或托架等的安装所涉及的部件的尺寸误差而发生变化。例如，图6中，当安装输入侧的伞齿轮的轴的长度较短时，输入侧的伞齿轮与输出侧的伞齿轮的齿的咬合位置偏离。此时，会有产生异响或振动、齿的异常磨损的问题。这种情况下，需要调整齿接触。为了调整齿接触，在齿轮或托架等部件之间插入齿接触位置调整用的垫片(日本特开2016-142379号公报、日本特开2013-160361号公报)。

另外，作为与齿轮之间的齿接触情况的调整相关的现有技术，例如在日本专利第3586997号公报中公开一种通过图像处理来判别齿接触的调整情况的技术。

但是，在齿轮或托架等部件中有尺寸的波动。因此，最优的安装位置按照每个部件而不同。在上述齿接触位置调整方法中，最终根据安装作业人员的经验来决定齿接触为最优的调整量(垫片的厚度、片数等)。因此，如果作业人员的经验少，则会有到决定最优的齿接触位置调整量为止花费时间的问题。

另外，在日本特开2016-142379号公报中，使用图像来进行齿轮之间的齿接触的评价，但是实际需要在安装了齿轮的状态下进行齿接触的评价。当评价为齿接触的位置不适当时，会产生拆除临时安装好的部件而插入垫片的返工工序。因此，在日本特开2016-142379号公报公开的技术中，生产性或工作效率会下降。

发明内容

因此，本发明的目的为提供能够在组装动力传输机构之前决定所使用的垫片厚度或片数的齿接触位置调整量推定装置、机器学习装置以及机器人系统。

本发明的齿接触位置调整量推定装置、机器学习装置以及机器人系统解决上述问题的至少一部分。在本发明的一个实施方式中，进行将输入数据和与输入数据对应的输出数据作为训练数据使用的机器学习。输入数据是构成经由轴线相互交叉的轴来传输动力的构造的齿轮等部件的尺寸数据。输出数据是表示在安装部件时成为最优的齿接触位置调整量的数据。使用作为机器学习的结果而得到的学习完毕模型，根据部件的尺寸数据来推定齿接触位置调整量。根据推定出的齿接触位置调整量来决定垫片的厚度或数量。这样，减轻安装位置的再调整工序，有效地进行安装。

并且，本发明的一个方式为进行针对构成动力传输机构的部件的尺寸数据的齿接触位置调整量的推定相关的处理的齿接触位置调整量推定装置，其具备进行针对构成上述动力传输机构的部件的尺寸数据的齿接触位置调整量的机器学习相关的处理的机器学习装置，上述机器学习装置将构成上述动力传输机构的部件的尺寸数据即部件尺寸数据作为表示环境的当前状态的状态变量来进行观测，并执行基于观测到的状态变量的机器学习相关的处理，由此进行针对构成上述动力传输机构的部件的尺寸数据的该动力传输机构的组装中的齿接触位置调整量的推定相关的处理。

本发明的其他方式为进行针对构成动力传输机构的部件的尺寸数据的齿接触位置调整量的机器学习相关的处理的机器学习装置，将构成上述动力传输机构的部件的尺寸数据即部件尺寸数据作为表示环境的当前状态的状态变量来进行观测，并执行基于观测到的状态变量的机器学习相关的处理，由此进行针对构成上述动力传输机构的部件的尺寸数据的该动力传输机构的组装中的齿接触位置调整量的推定相关的处理。

本发明的其他方式为一种机器人系统，具备控制装置，该控制装置根据通过齿接触位置调整量推定装置推定出的齿接触位置调整量来决定动力传输机构的组装中所使用的垫片的数量，并指示机器人将决定好的数量的垫片安装在上述部件上。

本发明的其他方式为一种齿接触位置调整量推定系统，其是经由网络相互连接了多个装置而得的系统，上述多个装置至少包括具备学习部的齿接触位置调整量推定装置。

本发明中，根据推定出的齿接触位置调整量来预先决定垫片的厚度和数量。因此，减轻安装位置的再调整工序中的作业人员的负荷，有效地进行安装。

附图说明

参照附图根据以下实施例的说明来明确本发明的上述以及其他目的、特征。这些附图中：

图1是第一实施方式的齿接触位置调整量推定装置的概略硬件结构图。

图2表示机器人系统的概略结构。

图3是一个实施方式的齿接触位置调整量推定装置的概略功能框图。

图4例示部件尺寸数据。

图5是第二实施方式的齿接触位置调整量推定装置的概略功能框图。

图6例示动力传输机构。

图7表示包括云服务器、雾计算机、边缘计算机的3层结构的系统的例子。

图8是被安装在计算机上的齿接触位置调整量推定装置的概略硬件结构图。

图9是第三实施方式的齿接触位置调整量推定系统的概略结构图。

图10是第四实施方式的齿接触位置调整量推定系统的概略结构图。

图11是第五实施方式的齿接触位置调整量推定系统的概略结构图。

具体实施方式

以下根据附图说明本发明的实施方式。

图1是表示一个实施方式的齿接触位置调整量推定装置1的概略硬件结构图。齿接触位置调整量推定装置1例如被安装在与制造机械的机器人系统并列设置的个人电脑、通过有线/无线网络与该机器人系统连接的单元计算机、主计算机、边缘服务器、云服务器等计算机上。在本实施方式中，齿接触位置调整量推定装置1被安装在与机器人系统2并列设置的个人电脑上。

齿接触位置调整量推定装置1经由接口19与图2所例示的机器人系统2连接。机器人系统2具有控制装置2A以及被控制装置2A控制的机器人2B。机器人2B通过安装由部件供给装置等预先提供并排列好的部件来组装动力传输机构。机器人系统2在安装部件时，将齿轮调整用的垫片安装在必要的部件上。齿接触位置调整量推定装置1经由接口19取得被预先输入到控制装置2A中的各个部件的尺寸数据。齿接触位置调整量推定装置1将作为推定结果的齿接触位置调整量经由接口19输出给控制装置2A。控制装置2A根据从齿接触位置调整量推定装置1输入的齿接触位置调整量来决定安装在部件上的垫片的数量或者垫片的厚度。另外，关于组装动力传输机构的机器人系统2的详细结构已经公知，所以省略本说明书中的详细说明。

齿接触位置调整量推定装置1所具备的CPU(Central Processing Unit中央处理单元)11是整体控制齿接触位置调整量推定装置1的处理器。CPU11经由总线12读出存储在ROM(Read Only Memory只读存储器)12中的系统程序。CPU11按照系统程序控制齿接触位置调整量推定装置1整体。RAM(Random Access Memory随机存取存储器)13中暂时存储有临时的计算数据或显示数据、通过作业人员从输入装置71输入的各种数据等。

非易失性存储器14例如由未图示的电池进行备份供电。非易失性存储器14是即使齿接触位置调整量推定装置1的电源被切断也保持存储状态的存储器。非易失性存储器14具有存储齿接触位置调整量推定装置1的动作相关的设定信息的设定区域。非易失性存储器14存储从输入装置71输入的程序和从未图示的外部存储装置读入的程序、经由接口19从机器人系统2取得的各个部件的尺寸数据等。存储在非易失性存储器14中的程序和各种数据可以在执行时/使用时在RAM13中展开。另外，公知的分析程序等各种系统程序(包括用于控制与后述的机器学习装置100的交换的系统程序)被预先写入到ROM12中。

显示装置70显示作为执行被读入到存储器上的各数据、程序等的结果而得到的数据。从后述的机器学习装置100输出的数据等经由接口17被输入到显示装置70中。显示装置70显示被输入的数据等。输入装置71由键盘或指点设备等构成。输入装置71接受基于作业人员的操作的指令、数据等。输入装置71将接受到的指令、数据等经由接口18传给CPU11。

接口21在齿接触位置调整量推定装置1内将齿接触位置调整量推定装置1的各部与机器学习装置100连接。机器学习装置100具备处理器101、ROM102、RAM103、非易失性存储器104。处理器101控制机器学习装置100整体。ROM102存储系统程序等。RAM103存储机器学习的各个处理中的暂时性数据。非易失性存储器104存储学习模型等。机器学习装置100经由接口21观测由齿接触位置调整量推定装置1能够取得的各个信息(例如从机器人系统2取得的各个部件的尺寸数据等)。另外，齿接触位置调整量推定装置1使显示装置70显示表示由机器学习装置100推定出的齿接触位置调整量的信息。另外，齿接触位置调整量推定装置1将表示由机器学习装置100推定出的齿接触位置调整量的信息输出给机器人系统2。

图3是第一实施方式的齿接触位置调整量推定装置1的概略功能框图。图1所示的齿接触位置调整量推定装置1所具备的CPU11以及机器学习装置100的处理器101执行各自的系统程序，控制各部的动作，从而实现图3所示的功能框图的各个功能。

齿接触位置调整量推定装置1具备输出部34，输出部34将表示在机器学习装置100中推定出的齿接触位置调整量的信息输出给外部。输出部34例如可以将从机器学习装置100输出的齿接触位置调整量的推定结果输出给显示装置70。这种结构例如在需要作业人员在机器人系统2中设定动力传输机构的组装所使用的垫片数量的情况下使用。另外，输出部34例如可以将从机器学习装置100输出的齿接触位置调整量的推定结果直接输出给机器人系统2。这种结构例如在位置调整量推定装置1经由通信线在机器人系统2中设定被用于动力传输机构的组装的垫片数量的情况下使用。

另一方面，齿接触位置调整量推定装置1所具备的机器学习装置100为了推定针对构成机器人系统2所组装的动力传输机构的部件的尺寸数据的齿接触位置调整量，进行机器学习。机器学习装置100包括用于进行机器学习的软件(学习算法等)以及硬件(处理器101等)。机器学习装置100学习表示构成动力传输机构的部件的尺寸数据与齿接触位置调整量之间的相关的模型结构。

如图3所示，机器学习装置100具备状态观测部106、标签数据取得部108、学习部110以及推定结果输出部122。状态观测部106将表示构成机器人系统2所组装的动力传输机构的部件的尺寸的部件尺寸数据S1作为表示环境的当前状态的状态变量S来进行观测。标签数据取得部108取得包括齿接触位置调整量数据L1的标签数据L。学习部110使用状态变量S和标签数据L，将构成动力传输机构的部件的尺寸数据与齿接触位置调整量的推定关联起来学习。

状态观测部106所观测的状态变量S中的部件尺寸数据S1是从机器人系统2取得的构成动力传输机构的部件的尺寸数据。构成动力传输机构的部件的尺寸数据如图4例示那样，能够定义为将各个部件的尺寸数据设为要素的矩阵。在将部件提供给机器人系统2之前，使用三维测量器等来测量这些部件的尺寸。构成动力传输机构的部件的尺寸，也可以从由摄像装置预先拍摄到的各个部件的图像来进行测量。测量到的部件的尺寸数据经由网络或USB装置等外部装置被存储在机器人系统2的存储器上。当在机器人系统2中设置三维测量器或摄像装置等的传感器时，可以在将部件提供给机器人系统2的时间点测量各个部件的尺寸数据。

标签数据取得部108在学习时，取得表示从机器人系统2取得的动力传输机构的组装时的齿接触位置调整量的数据，作为调整量数据L1。标签数据取得部108可以取得表示作业人员从输入装置71输入的齿接触位置调整量的数据作为调整量数据L1。调整量数据L1例如可以是表示用于调整齿接触位置的成为基准的位置与齿轮的预定部分之间的距离的数据。另外，调整量数据L1可以是表示所插入的垫片的数量的数据。有时会从一个动力传输机构取得多个调整量数据L1。例如，在图6例示的动力传输机构的情况下，标签数据取得部108取得输入侧的调整量y1和输出侧的调整量y2这两个调整量作为调整量数据L1。标签数据取得部108在学习时被使用。因此，标签数据取得部108在学习结束后可以不是机器学习装置100的必需的结构。

学习部110根据任意的学习算法来学习状态变量S(表示构成动力传输机构的部件的尺寸的部件尺寸数据S1)和标签数据L(齿接触位置调整量数据L1)之间的相关。例如，学习部110学习状态变量S中包括的部件尺寸数据S1与标签数据L中包括的调整量数据L1之间的相关。学习部110反复执行基于包括状态变量S与标签数据L的数据集合的学习。学习部110使用标签数据取得部108取得的调整量数据L1和与该调整量数据L1对应的构成动力传输机构的部件的部件尺寸数据S1来进行机器学习。

学习部110在与机器人系统2连接的在线状态下进行机器学习。另外，学习部110可以经由未图示的USB装置等外部装置来取得在通过机器人系统2组装动力传输机构时所累积的数据。即，学习部可以在离线状态下进行学习。此时，在将例如从未图示的外部装置取得的数据存储在非易失性存储器14中后，状态观测部106、标签取得部108分别从所存储的数据取得状态变量S、标签数据L。学习部110根据所取得的这些数据来进行机器学习。

通过重复这样的学习循环，学习部110自动解释构成动力传输机构的部件的尺寸数据(部件尺寸数据S1)与齿接触位置调整量(调整量数据L1)之间的相关。在学习算法开始时，部件尺寸数据S1与调整量数据L1之间的相关实质上是未知的。学习部110随着推进学习慢慢解释部件尺寸数据S1与调整量数据L1之间的关系。其结果为，学习部110得到表示部件尺寸数据S1与调整量数据L1之间的相关的学习完毕模型。

推定结果输出部122使用学习部110学习到的结果(学习完毕模型)，根据构成动力传输机构的部件的尺寸数据来推定齿接触位置调整量。推定结果输出部122输出推定出的齿接触位置调整量。推定结果输出部122输出的齿接触位置调整量的推定结果由输出部34输出到显示装置70并显示。作业人员确认显示装置70所显示的推定结果并设定齿接触位置调整量。另外，输出部34可以将推定结果输出部122输出的齿接触位置调整量的推定结果直接输出给机器人系统2。此时，机器人系统2的控制装置2A根据所输入的齿接触位置调整量的推定结果，在动力传输机构的组装时决定要安装的垫片的数量。机器人系统2的控制装置2A将安装决定好的数量的垫片的控制指令赋予机器人2B。机器人2B根据控制指令来组装动力传输机构。另外，在推定齿接触位置调整量时使用推定结果输出部122。因此，推定结果输出部122在只进行学习部110的学习的阶段可以不是机器学习装置100的必需的结构。

学习部110执行的学习算法没有被特别限定，作为机器学习采用公知的学习算法。图5表示图3所示的齿接触位置调整量推定装置1的第二实施方式。学习部110使用进行有监督学习的算法来进行学习。在有监督学习中，表示输入和输入所对应的输出的已知数据集(称为训练数据)被赋予学习部110。训练数据例如是过去取得的多个部件的各个尺寸数据(输入)和表示对应于各个尺寸数据进行了调整的齿接触位置调整量的数据(输出)的数据集。学习部110根据训练数据来识别暗示输入和输出之间的相关的特征。这样，学习部110导出用于推定针对新的输入的输出的相关性模型。

学习部110具备误差计算部112、模型更新部114。误差计算部112计算推定齿接触位置调整量的相关性模型M与根据训练数据T识别出的相关性特征之间的误差E。模型更新部114更新相关性模型M使得缩小误差E。在学习部110中，通过由模型更新部114重复相关性模型M的更新来学习齿接触位置调整量的推定。即，学习部110进行机器学习，从而导出表示部件的尺寸数据与针对部件的尺寸数据的最优齿接触位置调整量之间的相关的相关性模型M。

学习开始时的相关性模型M例如是简化(例如通过一次函数)地表现了状态变量S与标签数据L之间的相关的模型。简化表现的相关性模型M在开始有监督学习之前被赋予学习部110。在本实施方式中，作为训练数据T使用过去取得的动力传输机构的部件尺寸数据和表示齿接触位置调整量的数据。在运用齿接触位置调整量推定装置1时，训练数据T随时被赋予学习部110。误差计算部112根据随时被赋予学习部110的训练数据T，识别暗示动力传输机构的部件尺寸数据与齿接触位置调整量之间的相关性的相关性特征。误差计算部112求出该识别出的相关性特征与当前状态下的状态变量S以及标签数据L所对应的相关性模型M之间的误差E。模型更新部114例如按照预先决定的更新规则，向误差E变小的方向更新相关性模型M。

在接下来的学习循环中，误差计算部112按照更新后的相关性模型M使用状态变量S来推定齿接触位置调整量。误差计算部112求出齿接触位置调整量的推定结果与实际取得的标签数据L之间的误差E。模型更新部114再次向误差变小的方向更新相关性模型M。如此，未知环境的当前状态和与其相对的推定之间的相关性逐渐变得明确。即，构成动力传输机构的部件尺寸数据与该尺寸数据所对应的齿接触位置调整量数据之间的相关性逐渐变得明确。

学习部110在推进上述有监督学习时，可以使用神经网络。作为神经网络例如可以使用具备输入层、中间层、输出层三层的神经网络。另外，学习部110可以进行使用了具备三层以上的层的神经网络的学习即深度学习。学习部110通过使用深度学习能够进行更有效的学习以及推论。

上述机器学习装置100的结构能够记述为处理器101执行的机器学习方法(或者软件)。该机器学习方法根据构成机器人系统2所组装的动力传输机构的部件的尺寸数据来学习齿接触位置调整量的推定，该方法具有以下步骤：处理器101观测构成机器人系统2所组装的动力传输机构的部件的尺寸数据(部件尺寸数据S1)来作为表示当前状态的状态变量S；处理器101取得齿接触位置调整量(调整量数据L1)来作为标签数据L；以及处理器101使用状态变量S与标签数据L，将构成机器人系统2所组装的动力传输机构的部件的尺寸数据与齿接触位置调整量关联起来进行学习。

在以下的第3～5实施方式中，说明第1、2实施方式的齿接触位置调整量推定装置1作为经由有线/无线网络与包括云服务器或主计算机、雾计算机、边缘计算机(机器人控制器、控制装置等)的多个装置相互连接而得的系统的一部分被安装的实施方式。如图7所例示那样，在以下的第3～5实施方式的系统中，构成为多个装置分别与网络连接的状态下在逻辑上分为包括云服务器6等的层、包括雾计算机7等的层、包括边缘计算机8(单元9中包括的机器人控制器、控制装置等)等的层共3层。在这样的系统中，本发明一个方式的齿接触位置调整量推定装置1可以都被安装在云服务器6、雾计算机7、边缘计算机8的任意一个中。另外，齿接触位置调整量推定装置1能够在与各自的多个装置之间经由网络相互共享机器学习的处理所使用的数据并进行分散学习。另外，齿接触位置调整量推定装置1能够将所生成的学习模型收集在雾计算机7或云服务器6中并进行大规模的分析。另外，齿接触位置调整量推定装置1能够相互再次使用所生成的学习模型。在图7所例示的系统中，在各地的工厂分别设置多个单元9。单元9的上位层的雾计算机7以预定的单位(工厂单位、相同制造商的多个工厂单位等)来管理各个单元9。并且，雾计算机7的上位层的云服务器6收集由这些雾计算机7收集、分析的数据，并进行分析等。作为分析结果而得到的信息被用于各个边缘计算机8中的控制等。

图8是在云服务器、雾计算机等计算机上安装了齿接触位置调整量推定装置时的概略硬件结构图。

本实施方式的被安装在计算机上的齿接触位置调整量推定装置1’所具备的CPU311是整体控制齿接触位置调整量推定装置1’的处理器。CPU311经由总线320读出存储在ROM312中的系统程序。CPU311根据该系统程序来控制齿接触位置调整量推定装置1’的整体。在RAM313中暂时存储暂时的计算数据和显示数据、操作员经由输入装置371输入的各种数据等。

非易失性存储器314例如由未图示的电池进行备份供电。非易失性存储器314是即使齿接触位置调整量推定装置1’的电源被切断也保持存储状态的存储器。非易失性存储器314中存储经由输入装置371输入的程序。另外，非易失性存储器314中存储经由齿接触位置调整量推定装置1’的各部和网络5从机器人系统2等取得的各种数据。存储在非易失性存储器314中的程序和各种数据可以在执行时/使用时在RAM313中展开。另外，公知的分析程序等各种系统程序(包括用于控制与后述的机器学习装置100的交换的系统程序)被预先写入到ROM312中。

齿接触位置调整量推定装置1’经由接口319与有线/无线网络5连接。网络5与至少一个机器人系统2、另外的齿接触位置调整量推定装置1、边缘计算机8、雾计算机7、云服务器6等连接。与网络5连接的这些装置在与齿接触位置调整量推定装置1’之间相互进行数据的交换。

作为执行被读入到存储器上的各个数据、程序等的结果而得到的数据等，经由接口317输出并显示于显示装置370。另外，由键盘或指点设备等构成的输入装置371将基于作业人员的操作的指令以及数据等经由接口318传给CPU311。

接口321是用于连接齿接触位置调整量推定装置1’的各部与机器学习装置100的接口。机器学习装置100与图1说明的内容相同。

这样，当在云服务器、雾计算机等计算机上安装齿接触位置调整量推定装置1’时，除了经由网络5交换从机器人系统2取得的信息、设定针对机器人系统2的齿接触位置调整量的指令以外，齿接触位置调整量推定装置1’所具备的功能与第1、2实施方式所说明的内容相同。

图9是具备齿接触位置调整量推定装置1’的第三实施方式的齿接触位置调整量推定系统的概略结构图。齿接触位置调整量推定系统500具备多个齿接触位置调整量推定装置1、1’、多个机器人系统2以及将这些齿接触位置调整量推定装置1、1’和机器人系统2相互连接的网络5。

在齿接触位置调整量推定系统500中，具备机器学习装置100的齿接触位置调整量推定装置1’使用学习部110的学习结果来推定机器人系统2进行的动力传输机构的组装中的齿接触位置调整量。另外，至少一个齿接触位置调整量推定装置1’根据通过其他多个齿接触位置调整量推定装置1、1’分别取得的状态变量S以及标签数据L，学习所有的齿接触位置调整量推定装置1、1’共通的、机器人系统2进行的动力传输机构的组装中的齿接触位置调整量。齿接触位置调整量推定装置1’构成为由所有的齿接触位置调整量推定装置1、1’共享该学习结果。因此，根据齿接触位置调整量推定系统500，能够将更多样的数据集合(包括状态变量S以及标签数据L)作为输入，提高学习的速度和可靠性。

图10是机器学习装置和齿接触位置调整量推定装置被安装在不同的装置中的第四实施方式的系统的概略结构图。齿接触位置调整量推定系统500’具备安装在云服务器、主计算机、雾计算机等计算机的一部分中的至少1台机器学习装置100(图10中表示作为雾计算机7的一部分被安装的例子)和多个齿接触位置调整量推定装置1”。另外，齿接触位置调整量推定系统500’具备将这些齿接触位置调整量推定装置1”和计算机相互连接的网络5。另外，计算机的硬件结构与图8所示的齿接触位置调整量推定装置1’的概略硬件结构同样，经由总线320连接CPU311、RAM313、非易失性存储器314等一般计算机所具备的硬件而构成。

在具有上述结构的齿接触位置调整量推定系统500’中，机器学习装置100根据关于多个齿接触位置调整量推定装置1”分别得到的状态变量S以及标签数据L，学习所有的齿接触位置调整量推定装置1”共通的、机器人系统2进行的动力传输机构的组装中的齿接触位置调整量。齿接触位置调整量推定系统500’能够使用该学习结果进行每个机器人系统2的动力传输机构的组装中的齿接触位置调整。根据本实施方式的齿接触位置调整量推定系统500’，多个齿接触位置调整量推定装置1”分别不管存在的场所和时期，在必要时与必要的数量的机器学习装置100连接。

图11是具备机器学习装置100’和齿接触位置调整量推定装置1的第五实施方式的齿接触位置调整量推定系统500”的概略结构图。齿接触位置调整量推定系统500”具备安装在边缘计算机或雾计算机、主计算机、云服务器等计算机上的至少1台机器学习装置100’(图11中表示作为雾计算机7的一部分被安装的例子)和多个齿接触位置调整量推定装置1。另外，齿接触位置调整量推定系统500”具备将这些齿接触位置调整量推定装置1和计算机相互连接的有线/无线的网络5。

在具有上述结构的齿接触位置调整量推定系统500”中，具备机器学习装置100’的雾计算机7从各自的齿接触位置调整量推定装置1取得作为该齿接触位置调整量推定装置1所具备的机器学习装置100进行的机器学习的结果而得到的学习模型。并且，雾计算机7所具备的机器学习装置100’进行基于这些多个学习模型的知识的最优化和效率化的处理，由此新生成最优化或者效率化的学习模型。机器学习装置100’将所生成的学习模型发布给每个齿接触位置调整量推定装置1。

作为机器学习装置100’进行的学习模型的最优化或者效率化的例子，列举基于从各个齿接触位置调整量推定装置1取得的多个学习模型的蒸馏模型的生成。本实施方式的机器学习装置100’生成对学习模型输入的输入数据，使用作为对每个学习模型输入了该输入数据的结果而得到的输出来进行学习，由此新生成学习模型(蒸馏模型)。这样生成的蒸馏模型与上述说明同样，经由外部存储介质或网络5被发布给齿接触位置调整量推定装置1或其他计算机并进行利用。

作为机器学习装置100’进行的学习模型的最优化或者效率化的另外的例子，列举以下内容。首先，在对从各个齿接触位置调整量推定装置1取得的多个学习模型进行蒸馏的过程中，通过一般的统计方法分析针对输入数据的各个学习模型的输出数据的分布。接着，提取输入数据和输出数据的组的偏离值，接着，使用排除了该偏离值的输入数据和输出数据的组来进行蒸馏。经过这种过程，在从各个学习模型得到的输入数据和输出数据的组中排除例外的推定结果。即，使用排除了例外的推定结果的输入数据和输出数据的组，从而生成蒸馏模型。这样生成的蒸馏模型与通过多个齿接触位置调整量推定装置1生成的学习模型相比，会作为更通用的学习模型被利用。

另外，也可以适当导入其他一般的学习模型的最优化或者效率化的方法(分析各个学习模型，并根据其分析结果将学习模型的超参数最优化等)。

在本实施方式的齿接触位置调整量推定系统500”中，例如在对作为边缘计算机的多个齿接触位置调整量推定装置1设置的雾计算机7上配置机器学习装置100’。通过各个齿接触位置调整量推定装置1生成的学习模型被汇总存储在雾计算机7上。并且，在进行了基于所存储的多个学习模型的最优化或者效率化的基础上，可以根据需要对各个齿接触位置调整量推定装置1再次发布最优化或者效率化的学习模型。

另外，在本实施方式的齿接触位置调整量推定系统500”中，例如可以将被汇总存储在雾计算机7上的学习模型和在雾计算机7上被最优化或者效率化后的学习模型集中在更上位的主计算机或云服务器上。此时，使用这些学习模型来进行对工厂或齿接触位置调整量推定装置1的厂家的智力活动的应用(在上位服务器中的更通用的学习模型的构筑以及再发布、基于学习模型的分析结果的维护作业的支持、对每个齿接触位置调整量推定装置1的性能等的分析、对新机械的开发的应用等)。

以上，说明了本发明的实施方式，但本发明不限于上述实施方式，通过增加适当的变更能够以各种方式来实施。

例如，机器学习装置100所执行的学习算法或运算算法、齿接触位置调整量推定装置1所执行的控制算法等不限于上述情况，而能够采用各种算法。

另外，在上述实施方式中，齿接触位置调整量推定装置1和机器学习装置100具有不同的CPU，但是也可以通过齿接触位置调整量推定装置1所具备的CPU11和存储在ROM12中的系统程序来实现机器学习装置100。

Claims (13)

1.一种齿接触位置调整量推定装置，进行针对构成动力传输机构的部件的尺寸数据的齿接触位置调整量的推定相关的处理，其特征在于，

该齿接触位置调整量推定装置具备用于进行针对构成动力传输机构的部件的尺寸数据的齿接触位置调整量的机器学习相关的处理的机器学习装置，

上述机器学习装置将构成动力传输机构的部件的尺寸数据即部件尺寸数据作为表示环境的当前状态的状态变量来进行观测，并执行基于观测到的状态变量的机器学习相关的处理，由此进行针对构成动力传输机构的部件的尺寸数据的该动力传输机构的组装中的齿接触位置调整量的推定相关的处理。

2.根据权利要求1所述的齿接触位置调整量推定装置，其特征在于，

上述机器学习装置具备：

状态观测部，其将构成动力传输机构的部件的尺寸数据即部件尺寸数据作为表示环境的当前状态的状态变量来进行观测；

标签数据取得部，其取得在上述动力传输机构的组装中被调整的齿接触位置调整量数据作为标签数据；以及

学习部，其使用上述状态变量以及上述标签数据，学习针对构成动力传输机构的部件的尺寸数据的该动力传输机构的组装中的齿接触位置调整量。

3.根据权利要求2所述的齿接触位置调整量推定装置，其特征在于，

上述学习部具备：

误差计算部，其计算根据上述状态变量推定上述动力传输机构的组装中的齿接触位置调整量的相关性模型与根据预先准备的训练数据识别出的相关性特征之间的误差；以及

模型更新部，其更新上述相关性模型以便缩小上述误差。

4.根据权利要求2或3所述的齿接触位置调整量推定装置，其特征在于，

上述学习部通过多层结构来运算上述状态变量和上述标签数据。

5.根据权利要求1所述的齿接触位置调整量推定装置，其特征在于，

上述机器学习装置具备：

状态观测部，其将构成动力传输机构的部件的尺寸数据即部件尺寸数据作为表示环境的当前状态的状态变量来进行观测；

学习部，其学习针对构成动力传输机构的部件的尺寸数据的该动力传输机构的组装中的齿接触位置调整量；以及

推定结果输出部，其根据上述状态观测部观测到的状态变量和上述学习部的学习结果来推定并输出动力传输机构的组装中的齿接触位置调整量。

6.一种机器学习装置，进行针对构成动力传输机构的部件的尺寸数据的齿接触位置调整量的机器学习相关的处理，其特征在于，

上述机器学习装置将构成动力传输机构的部件的尺寸数据即部件尺寸数据作为表示环境的当前状态的状态变量来进行观测，并执行基于观测到的状态变量的机器学习相关的处理，由此进行针对构成动力传输机构的部件的尺寸数据的该动力传输机构的组装中的齿接触位置调整量的推定相关的处理。

7.根据权利要求6所述的机器学习装置，其特征在于，

上述机器学习装置具备：

状态观测部，其将构成上述动力传输机构的部件的尺寸数据即部件尺寸数据作为表示环境的当前状态的状态变量来进行观测；

标签数据取得部，其取得在上述动力传输机构的组装中被调整的齿接触位置调整量数据作为标签数据；以及

学习部，其使用上述状态变量以及上述标签数据，学习针对构成动力传输机构的部件的尺寸数据的该动力传输机构的组装中的齿接触位置调整量。

8.根据权利要求6所述的机器学习装置，其特征在于，

上述机器学习装置具备：

状态观测部，其将构成上述动力传输机构的部件的尺寸数据即部件尺寸数据作为表示环境的当前状态的状态变量来进行观测；

学习部，其学习针对构成动力传输机构的部件的尺寸数据的该动力传输机构的组装中的齿接触位置调整量；以及

推定结果输出部，其根据上述状态观测部观测到的状态变量和上述学习部的学习结果来推定并输出动力传输机构的组装中的齿接触位置调整量。

9.一种机器人系统，其特征在于，

该机器人系统具备控制装置，上述控制装置根据通过权利要求5所述的齿接触位置调整量推定装置推定出的齿接触位置调整量来决定动力传输机构的组装中所使用的垫片的数量，并指示机器人将决定好的数量的垫片安装在上述部件上。

10.一种齿接触位置调整量推定系统，是经由网络相互连接多个装置而得的系统，其特征在于，

上述多个装置至少包括权利要求2～4中任意一项所述的齿接触位置调整量推定装置即第一齿接触位置调整量推定装置。

11.根据权利要求10所述的齿接触位置调整量推定系统，其特征在于，

上述多个装置包括具备机器学习装置的计算机，

上述计算机取得作为上述第一齿接触位置调整量推定装置的至少一个上述学习的结果的学习模型，

上述计算机所具备的机器学习装置进行基于所取得的上述学习模型的最优化或效率化。

12.根据权利要求10所述的齿接触位置调整量推定系统，其特征在于，

上述多个装置包括与上述第一齿接触位置调整量推定装置不同的第二齿接触位置调整量推定装置，

将上述第一齿接触位置调整量推定装置的学习结果与上述第二齿接触位置调整量推定装置共享。

13.根据权利要求10所述的齿接触位置调整量推定系统，其特征在于，

上述多个装置包括与上述第一齿接触位置调整量推定装置不同的第二齿接触位置调整量推定装置，

在上述第二齿接触位置调整量推定装置中观测到的数据能够经由上述网络用于上述第一齿接触位置调整量推定装置的学习中。

Images