人工知能やIoTを用いた生産技術の最適化 知能メカトロシステム研究室 Yamamoto & Yamada lab http://www1.gifu-u.ac.jp/~yamlab/index.html 研究内容 ものづくり自動化をめざす知能システム or 組立ロボットの研究 連絡先 岐阜大学 工学部 機械工学科 [email protected] Tel: 058-293-2550 教授：山本秀彦， 教授：山田貴孝 Ａ．組⽴セル⽣産の部品位置決定システム Yamamoto Lab Gifu Univ. →VACSシステム B. ⾃動⾞組み⽴てラインの ピッキング作業現場の部品配置最適化 →VAPERシステム C．⾃動組⽴機械の最適設計⽀援 →UNARMシステム D． IoT生産によるFMSへの応用 (Industry 4.0) E．IoT生産によるジョブショップ生産ラインへの応用 2 組み立てセル生産ライン Yamamoto Lab Gifu Univ. Yamamoto Lab Gifu Univ. [１]オペレータの周りに組み付け部品 [2] オペレータはテーブル上で組み付ける [3] 製品によって組み付け部品が異なる [4] 製品の組み立て比率が異なる [5] 部品の大小により，片手持ち，両手持ちがる A. 組立セル生産の 部品配置決定システム VACS S1 （Virtual Assembly Cell-production System） assembly table S5 S3 S2 S4 3 4 VACSの手順 Yamamoto Lab Gifu Univ. パソコン組み立てセル生産ライン Yamamoto Lab Gifu Univ. 1.仮生産ラインを製図（作成） by ヴァーチャルシステムGP4＋CAD assembly table A ・セル生産ライン ・組み立て机 ・棚 R B GP4 Q C P D O E N ・部品を組み込んだ製品図 CAD M F G H I J K L 5 1 6 適応度カーブの例 Yamamoto Lab Gifu Univ. 遺伝アルゴリズム（GA）を用いて部品配置を決定 歩⾏数の少ない度合い GA 条件 Fitness ・100 個体/世代 ・ルーレット選択で交叉する1ペア個体を選ぶ ・適応度 Æオペレータの移動距離 （the smaller the distance, the better the fitness） ・上位5個体は次世代に残す（エリート戦略） Yamamoto Lab Gifu Univ. 2.20E-06 Best fitness 2.10E-06 2.00E-06 1.90E-06 Average fitness 1.80E-06 1.70E-06 1.60E-06 1.50E-06 0 50 Locations Parts Parts number A motor 80 B case 80 C case fan 35 D card reader 49 E sound card 46 F TV tuner 13 G other card 31 H capture board 21 I LAN card 35 J other options 8 K FD drive 18 15 CPU 82 N memory 169 O hard disk 126 P mother board 80 Q video card 76 R CD/DVD 82 Yamamoto Lab Gifu Univ. 9 Yamamoto Lab Gifu Univ. B．⾃動⾞組み⽴てラインのピッキング 作業現場の部品配置最適化 10 ピッキング作業 作業者が注文票に基づいて、棚から部品を取り出す作業 特徴 Yamamoto Lab Gifu Univ. 組⽴ステーション 組立ライン ・ 組立ラインと連動しているピッキング ・ 多品種部品がある →使用頻度が高い部品 と低い部品が生まれる 必要な部品を 注文 素早く部品を 取得して、搬入 台車 棚 オペレータ VAPER 難しい点 （Virtual Assembly Picking Evaluation for Racks） ・ 使用頻度の高い部品を、どの棚に配置するか？ 使用頻度の低い部品を、どの棚に配置するか？ 11 2 8 へ転送 V-module CPU fan 200 この配置を 最高適応度の部品配置 L 150 One shot of highest fitness layout Yamamoto Lab Gifu Univ. M 100 Generations 7 →VAPERシステムを用い、良い部品配置の決定 このサイクル を何度も行う VAPER のできること VAPERの応用例 Yamamoto Lab Gifu Univ. ・ある企業で行われている、ハイエース組立ライン ・ピッキング作業にVAPERを応用 工場計画（設計）段階にピッキング作業の良い部品配 置決定を行う。 組立ライン 歩行距離と、上下屈伸運動などの作業難易度を評価 して部品配置決定。 注文 Yamamoto Lab Gifu Univ. 搬入 決定した部品配置を、仮想空間上で見える化。 ピッキング作業場 図2.ハイエース組立の生産現場 ヴァーチャル工場作成 ピッキング作業場を作成 部品を配置 強化学習を用いた部品配置の決定例 Yamamoto Lab Gifu Univ. 作業手順・動作の設定 Yamamoto Lab Gifu Univ. ルーレット選択で部品配置を選択 部品配置の作業難易度（価値）を計算 報酬 評価 報酬 評価 配置 優れた部品配置には報酬を与える A 価値 B C 5 ++55 5 10 部品 ① 15 D 5 E 5 D F 5 5 部品 ② 5 5 5 +5 10 5 5 5 +5 10 部品 ③ 5 5 +5 10 5 +5 10 5 5 5 部品 ④ 5 5 5 5 ++55 10 15 5 5 部品 ⑤ 5 5 +5 10 5 5 5 10 5 +5 この流れを規定回数繰り返すことによって、効率の良い部品配置の決定を行う 部品配置の作業難易度の計算 VAPER応用事例のピッキング作業場 Yamamoto Lab Gifu Univ. Yamamoto Lab Gifu Univ. ・歩行距離＋上下屈伸作業動作＝作業難易度 表1 各棚の高さ 歩く； W 歩行数×5 15m 取る; A(1) ~ t(5) 部品の高さ、手と部品との距離用いて定量化 上腕の動作 前腕の動作 20 40 B 20 80 t(2) C 20 80 t(3) D 20 E 20 50 F 20 50 t(1) 深く腰を曲げる動作 M 両手でつかむ：3 片手でつかむ：1 3 置きやすい：0 置きにくい：3 H G F E D C B A t(4) t(5) AA 置く; P(1) or P(2) L K J I ５m 中腰で取得する 棚の高さ A 伸ばしきった腕の動作 つかむ; *(1) or *(2) 番号 重力補正 Z Y X W V U T S R Q P O N AA 17 80 90 120 80 100 ・ ・ ・ 図3.ピッキング作業場 2kg~6Kg：1 60 20 40 100 強化学習の初期条件 VAPERのシミュレーション結果 Yamamoto Lab Gifu Univ. 初期評価値＝すべての部品配置について，均等に５ Yamamoto Lab Gifu Univ. 例 製品Ａ(品番：KDH206V RRPDY) の生産数 ：100個 Ｂ(品番：KDH206V SFMDY) の生産数 ：100個 Ｃ(品番：KDH222L LEMDYV )の生産数：100個 作業時間＝作業難易度×０．１ 報酬＝５ G工場の従来の部品配置 報酬を与える回数（学習回数）＝５０万回 23,800秒 （6時間36分40秒) 9,099m 作業時間 移動距離 シミュレーション＝１００回 （ルーレット選択で乱数係数） 17％減 VAPERで決定した部品配置（100回シミュレーションの Best） 19,660秒 （5時間27分40秒) 6,450m 作業時間 移動距離 19 Yamamoto Lab Gifu Univ. Yamamoto Lab Gifu Univ. C．自動組立機械の最適設計支援 Units-layout Nomination for Assembly with Robot Mechanism） UNARMシステム Profit Sharingを用いる 21 UNARM Yamamoto Lab Gifu Univ. ・双腕ロボットの左右の腕の仕事を決める ⇒両腕が干渉しないように， ◎ 右と左の腕の仕事を決める 強化学習 ◎ 組付け順番を決める ・最適なステーション位置を決定 配置可能領域の分割 価値の初期値代入 配置の仮決定 22 アーム干渉を考慮したサイクルタイムの計算 何故干渉するのか？ 左右アームが同時に動き、 共通の作業エリアに進入するから 左アーム 作業エリア →Lp(Look at point)、 P(Point)というタイムフラグを使用 P 4秒 左アーム ８秒 Lp 評価 4 報酬分配 右アーム 作業エリア 解決法 作業状況に応じて待機時間を発生させる サイクルタイムの計算 部品ステーション Yamamoto Lab Gifu Univ. 右アーム ２秒 4秒 ３秒 待機時間 ６秒発生 ２秒 ・・・ ・・・ 時間 応用事例 D．IoT⽣産によるFMSへの応⽤ (Industry4.0) Yamamoto Lab Gifu Univ. 双腕ロボットを使用した 実際の電気自動車（ＥＶ）用インラインモータ組立機械 に応用 ・部品数５２個 ・ハンド４種類 ・作業数１３５工程 ・腕同士の干渉を考慮した レイアウト決定 ＠機械に知識を持たせる 1.機械の情報を取得してCloudに送る ＠知識を交換して交渉や協調をする 2.Cloudデータを解析（人工知能） ＠工場全体で効率よい生産をする 3.解析結果を機械に送り意思決定 （M2M) Yamamoto Lab Gifu Univ. 工場をリアルタイムに稼動制御する →スケジューリング，ＡＧＶの行動制御 Cloud IoT⽣産の Data処理 →インテリジェント⽣産 UNARMは 適切なロボットの種類（双腕ロボ？多関節ロボ？）選択 組付け順番の決定できる 26 IoT⽣産のDATA処理 Cloud Yamamoto Lab Gifu Univ. ・多品種の部品を，1つの 工作機械群で加工する 生産スケジュール（部品の投 入順番）を決定 ・持ってる部品をどのMCに 持っていくか ・どのAGVがどのMCに 部品を取りに行くか ・AGVの移動経路 →干渉しない経路 送信するData ・MC→加工完了時間 ・MC→加工完了した＋部品名 ・部品→どういう工程が必要， 各加工時間 インテリジェント⽣産への必要技術 ・膨大な次行動組合の中から最適な行動を選ぶ ・ルールを用いたAGVの経路制御 ・心を用いたAGVの移動制御 ・嘘，正直な機械の判別とその対処 27 28 Yamamoto Lab Gifu Univ. R4 M1 R6 Ｅ ジョブショップ生産ライン ⽣産環境 →オペレータの動作を指⽰する ・あらかじめ，部品投⼊順番は決定（各部品の各機械での加⼯時間etc） ・実際の部品加⼯には，時間遅れや，機械のチョコ停など，あらかじめの 時間が変化する 5 M3 R 3 M4 R6 R 4 M6 ・どの部品をどの機械に持っていくか︖ ・どの部品を取りに⾏くか︖ R オペレータ M10 複数台持ち R 2 R5 R C R5 Ｄ M9 B M2 R A R 1 M3 Yamamoto Lab Gifu Univ. M1 ・加工終了時間 ・部品の次加工MC名 etc Cloud M5 R3 M4 M8 R2 M3 M2 R R1 M2 逐次 Up Date Cloud M7 M1 Yamamoto Lab Gifu Univ. Cloud Dataを使い 各MC,AGVへ知らせる情報 ■どのAGVがどこへ行くか ・AGV→今どこにいる （交叉点座標） ・AGV→どの部品を持っている or何も持っていない E. IoT生産によるジョブショップ生産ラインへの応用 Cloudからの 命令（M2H） ・どのMCの部品 が早く完了するか ・次にどこに持っ ていくかetc.を Operatorに指⽰ ・⼯具交換時期知 らせる etc ウエアラブル コンピュータ リアルタイムに作業指⽰ 30
© Copyright 2024 ExpyDoc
