JP7084907B2 - Quality measurement method and quality measurement device - Google Patents
Quality measurement method and quality measurement device Download PDFInfo
- Publication number
- JP7084907B2 JP7084907B2 JP2019215774A JP2019215774A JP7084907B2 JP 7084907 B2 JP7084907 B2 JP 7084907B2 JP 2019215774 A JP2019215774 A JP 2019215774A JP 2019215774 A JP2019215774 A JP 2019215774A JP 7084907 B2 JP7084907 B2 JP 7084907B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- quality measurement
- quality
- prediction model
- measurement method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000005259 measurement Methods 0.000 title claims description 121
- 238000000691 measurement method Methods 0.000 title claims description 56
- 238000000034 method Methods 0.000 claims description 268
- 230000008569 process Effects 0.000 claims description 247
- 238000004519 manufacturing process Methods 0.000 claims description 111
- 238000007405 data analysis Methods 0.000 claims description 63
- 238000012545 processing Methods 0.000 claims description 38
- 239000002131 composite material Substances 0.000 claims description 21
- 238000007689 inspection Methods 0.000 claims description 20
- 238000010276 construction Methods 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 12
- 238000007789 sealing Methods 0.000 claims description 9
- 239000012943 hotmelt Substances 0.000 claims description 3
- 238000003466 welding Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 description 74
- 238000004458 analytical method Methods 0.000 description 48
- 238000012360 testing method Methods 0.000 description 37
- 238000012549 training Methods 0.000 description 28
- 238000012790 confirmation Methods 0.000 description 17
- 239000000463 material Substances 0.000 description 15
- 239000004744 fabric Substances 0.000 description 12
- 238000000611 regression analysis Methods 0.000 description 10
- 239000000835 fiber Substances 0.000 description 9
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 8
- 239000003973 paint Substances 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 238000003756 stirring Methods 0.000 description 7
- 239000002250 absorbent Substances 0.000 description 6
- 230000002745 absorbent Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 238000013400 design of experiment Methods 0.000 description 5
- 230000001066 destructive effect Effects 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 4
- 238000013329 compounding Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000010521 absorption reaction Methods 0.000 description 3
- 239000002994 raw material Substances 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000003050 experimental design method Methods 0.000 description 2
- 238000010030 laminating Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000004745 nonwoven fabric Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
- A61F13/00—Bandages or dressings; Absorbent pads
- A61F13/15—Absorbent pads, e.g. sanitary towels, swabs or tampons for external or internal application to the body; Supporting or fastening means therefor; Tampon applicators
- A61F13/84—Accessories, not otherwise provided for, for absorbent pads
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Epidemiology (AREA)
- Vascular Medicine (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- General Factory Administration (AREA)
- Absorbent Articles And Supports Therefor (AREA)
Description
本発明は、品質計測方法及び品質計測装置に関する。 The present invention relates to a quality measuring method and a quality measuring device.
吸収性物品等のシート製品の品質を保証するために、従来から、製造工程においてインライン測定による全数検査や、オフライン測定での抜き取り検査等が行われてきた。
インライン測定による全数検査では、製造工程中に設けた画像センサ等で、材料表面の異物を検出したり、材料の寸法を計測したりして、製品に異常がないか確かめられる。
一方、インライン測定では測定困難な品質（例えば、シール強度や吸収性能）については、破壊検査等の抜き取り検査が行われ、製品に異常がないか確かめられる。
In order to guarantee the quality of sheet products such as absorbent articles, 100% inspection by in-line measurement and sampling inspection by offline measurement have been conventionally performed in the manufacturing process.
In the 100% inspection by in-line measurement, foreign matter on the surface of the material is detected by an image sensor or the like provided during the manufacturing process, and the dimensions of the material are measured to confirm that there is no abnormality in the product.
On the other hand, for qualities that are difficult to measure by in-line measurement (for example, seal strength and absorption performance), sampling inspection such as destructive inspection is performed to confirm that there is no abnormality in the product.
特許文献１には、製造プロセス変更に起因する変化量の算出方法が記載されている。この方法では、製造プラントの生産性の向上を目的として、制御機能や操業方法などの製造プロセス変更に起因する変化量を精度良く算出する。
また、特許文献２には、製造パラメータ及び性能フィードバックパラメータを、加工装置によって製造された個々の吸収性物品と相関させるように構成され得るシステム及びプロセスが開示されている。製品試験から得られた製品性能データは、製造業者が将来の加工機器を製造し、かつ／又は処理調整するためのツールとして使用され得る。
In addition,
さらに、特許文献３には、複数の製造工程を経て製品を製造する製造方法が記載されている。この方法は吸収性物品の製造にも用いられ、機械稼働率の向上、および製品良品率の向上を実現できる。
Further,
破壊検査等の抜き取り検査では、全製品の中から一部を抜き取って検査するため、全数検査をすることができない。そのため、仮に抜き取り検査で異常品を発見しても、その原因究明には多くの時間が掛かる。また、同一の品種を異なる製造ラインで作った場合でも、機差や材料物性の違い等により、適切な品質を得るための製造条件の範囲が大きく異なることもある。このような場合、品種や製造ライン毎に製造条件の検証を要し、多大な労力が掛かる。そのため、多大な労力を掛けなくても、インライン測定では測定困難な品質を推定することが求められている。 In sampling inspections such as destructive inspection, 100% inspection cannot be performed because a part of all products is sampled and inspected. Therefore, even if an abnormal product is found by sampling inspection, it takes a lot of time to investigate the cause. Further, even when the same product is manufactured on different production lines, the range of production conditions for obtaining appropriate quality may differ greatly due to differences in machine and material properties. In such a case, it is necessary to verify the manufacturing conditions for each product type and production line, which requires a great deal of labor. Therefore, it is required to estimate quality that is difficult to measure by in-line measurement without much effort.
本発明は、抜き取り検査を行うことなく、インライン測定では測定困難な品質を計測できる、品質計測方法及び品質計測装置に関する。 The present invention relates to a quality measurement method and a quality measurement device capable of measuring quality that is difficult to measure by in-line measurement without performing sampling inspection.
本発明は、複数の製造工程を経て製品を製造する工程における品質計測方法であって、品質データ及びプロセスデータの間で予測モデルを構築する工程と、前記予測モデルに基づき、インライン測定により取得する前記プロセスデータから、製造された製品の品質計測値を算出する工程とを有する、品質計測方法を提供する。 The present invention is a quality measurement method in a process of manufacturing a product through a plurality of manufacturing processes, and is acquired by in-line measurement based on a step of constructing a prediction model between quality data and process data and the prediction model. Provided is a quality measurement method including a step of calculating a quality measurement value of a manufactured product from the process data.
また、本発明は、複数の製造工程を経て製品を製造する装置に対して用いられる品質計測装置であって、前記品質計測装置が解析サーバを有し、前記解析サーバが品質データ及びプロセスデータの間で予測モデルを構築し、前記解析サーバが前記予測モデルに基づき、インライン測定により前記プロセスデータから品質計測値を算出する、品質計測装置を提供する。 Further, the present invention is a quality measuring device used for a device for manufacturing a product through a plurality of manufacturing processes, wherein the quality measuring device has an analysis server, and the analysis server has quality data and process data. Provided is a quality measurement device in which a prediction model is constructed between the two, and the analysis server calculates a quality measurement value from the process data by in-line measurement based on the prediction model.
本発明の品質計測方法及び品質計測装置によれば、抜き取り検査を行うことなく、インライン測定では測定困難な品質を計測できる。 According to the quality measurement method and the quality measurement device of the present invention, quality that is difficult to measure by in-line measurement can be measured without performing sampling inspection.
本発明の品質計測方法の好ましい一実施形態について、吸収性物品の品質計測方法を一例として、図１～４を参照しながら以下に説明する。まず、本発明の品質計測方法に用いられるデータの種類を説明する。 A preferred embodiment of the quality measurement method of the present invention will be described below with reference to FIGS. 1 to 4 by taking the quality measurement method of the absorbent article as an example. First, the types of data used in the quality measurement method of the present invention will be described.
（プロセスデータ）
プロセスデータとは、製品を製造する複数の工程において、インライン測定にて取得されるデータである。
プロセスデータは、製品の材料から取得される材料データと、装置から取得される装置データとに大別される。材料データ及び装置データは、製造工程におけるインライン測定にて時系列で取得され、時間とともに変化し得るデータである。
材料データの具体例としては、シート原反径、シート原反保存湿度、シート温度、シートテンション、シート厚み等が挙げられる。装置データの具体例としては、油圧、パターンロール温度、アンビルロール温度、ロール回転速度、モーター軸回転数、モーター軸負荷、ダンサー圧力、コンベア搬送速度等が挙げられる。
また、プロセスデータは、製造ラインのオペレータが設定値として適宜操作できるデータ（以下、「操作データ」という。）を含んでもよい。操作データの具体例として、装置データであれば油圧、パターンロール温度、アンビルロール温度、ダンサー圧力、コンベア搬送速度等が挙げられ、材料データであればシート原反保存湿度等が挙げられる。
プロセスデータは、材料データとして、シートテンション若しくはシート厚み、又はこれら両方を含むことが好ましい。
(Process data)
Process data is data acquired by in-line measurement in a plurality of processes for manufacturing a product.
Process data is roughly classified into material data acquired from the material of the product and equipment data acquired from the equipment. Material data and equipment data are data acquired in time series by in-line measurement in the manufacturing process and can change with time.
Specific examples of the material data include sheet raw fabric diameter, sheet raw fabric storage humidity, sheet temperature, sheet tension, sheet thickness and the like. Specific examples of the device data include hydraulic pressure, pattern roll temperature, anvil roll temperature, roll rotation speed, motor shaft rotation speed, motor shaft load, dancer pressure, conveyor transfer speed, and the like.
Further, the process data may include data that can be appropriately operated by the operator of the production line as a set value (hereinafter, referred to as “operation data”). Specific examples of the operation data include hydraulic pressure, pattern roll temperature, anvil roll temperature, dancer pressure, conveyor transfer speed, etc. in the case of device data, and sheet raw fabric storage humidity, etc. in the case of material data.
The process data preferably includes sheet tension, sheet thickness, or both as material data.
（品質データ）
品質データは、インライン測定では測定困難なデータである。例えば、破壊検査等の抜き取り検査で計測し、取得する（オフライン測定）。品質データの具体例として、おむつサイドシール、ナプキンエンボスシール、アイマスク耳掛シール、個装外周シール等のシール強度、液残り量、ウェットバック量、吸収速度、坪量分布等によって評価されるサニタリー製品の吸収性能、持続時間、最高温度、昇温速度等によって評価される発熱体の温熱性能、粘度、固形分量等によって評価される塗料の品質、肌触り、風合い、見た目といった官能評価や、透湿フィルムの透湿度が挙げられる。シール強度には、２枚以上のシートを結合した部分のシール強度が含まれる。
シール強度の測定は、引張試験機を用いて結合したシールを剥がしながら行う破壊検査により行われることが一般的である。故に、シール強度は品質データに該当する。
シートの結合には、種々の方法を用いることができる。具体的には、ヒートシール、超音波シール、レーザー溶着、ホットメルト接着等が挙げられる。
(Quality data)
Quality data is data that is difficult to measure by in-line measurement. For example, it is measured and acquired by sampling inspection such as destructive inspection (offline measurement). As specific examples of quality data, sanitary evaluated by seal strength, liquid remaining amount, wetback amount, absorption rate, basis weight distribution, etc. of diaper side seal, napkin embossed seal, eye mask ear hook seal, individual packaging outer peripheral seal, etc. Sensory evaluation such as paint quality, touch, texture, appearance, etc. evaluated by the thermal performance, viscosity, solid content, etc. of the heating element evaluated by the absorption performance, duration, maximum temperature, temperature rise rate, etc. of the product, and moisture permeability. The moisture permeability of the film can be mentioned. The seal strength includes the seal strength of the portion where two or more sheets are joined.
The measurement of the seal strength is generally performed by a destructive inspection performed while peeling off the bonded seal using a tensile tester. Therefore, the seal strength corresponds to the quality data.
Various methods can be used to bond the sheets. Specific examples thereof include heat sealing, ultrasonic sealing, laser welding, and hot melt adhesion.
本発明の品質計測方法は、複数の製造工程を経て製品を製造する場合に用いられる。本明細書における製品は、完成した製品（最終製品）だけでなく、製造工程の途中にある中間製品や半製品も含む意味である。
本発明の効果を奏するものであれば、製造される製品は特に限定されない。例えばシートを用いて製造した製品が挙げられ、典型的にはおむつ等に用いられる複合シートが挙げられる。シートには種々の素材のものが挙げられ、例えば不織布等の繊維シートが含まれる。
The quality measurement method of the present invention is used when a product is manufactured through a plurality of manufacturing steps. The product in the present specification means not only a finished product (final product) but also an intermediate product or a semi-finished product in the middle of the manufacturing process.
The product to be manufactured is not particularly limited as long as it exhibits the effect of the present invention. For example, a product manufactured by using a sheet can be mentioned, and a composite sheet used for a diaper or the like is typically mentioned. Examples of the sheet include those made of various materials, and include, for example, a fiber sheet such as a non-woven fabric.
また、製造される製品は、個々の製品が切り離された枚葉のものに限定されず、巻き取り紙のように連続状のものであってもよい。製品が連続状である場合、プロセスデータ及び品質データは、個々のデータを移動平均した値を用いてもよい。
移動平均の方法は、本発明の製造方法が効果を奏するものである限り、特に限定されない。例えば、図３（Ａ）において連続した１０個の値で移動平均を行う場合、データＸ１０に対応する移動平均値は、データＸ１０を含めて連続する直前の１０個のデータ（即ち、データＸ１～Ｘ１０）の総和を１０で除した値となる。製品の製造開始直後等、直前に連続するデータが１０個存在しない場合は、連続するデータを全て合計し、１０で除した値が移動平均値となる。具体的には、データＸ３に対応する移動平均値は、データＸ０～Ｘ３の４つの値の総和を１０で除した値となる。
Further, the manufactured product is not limited to a single-wafered product in which individual products are separated, and may be a continuous product such as a roll-up paper. If the product is continuous, the process data and quality data may be a moving average of the individual data.
The moving average method is not particularly limited as long as the production method of the present invention is effective. For example, when the moving average is performed with 10 consecutive values in FIG. 3A, the moving average value corresponding to the data X 10 is the 10 data immediately before the continuous including the data X 10 (that is, the data). It is the value obtained by dividing the sum of X 1 to X 10 ) by 10. If there are no 10 consecutive data immediately before, such as immediately after the start of manufacturing the product, the moving average value is the value obtained by summing all the continuous data and dividing by 10. Specifically, the moving average value corresponding to the data X 3 is a value obtained by dividing the sum of the four values of the data X 0 to X 3 by 10.
前述の繊維シートは、外力によって変形しやすく、形状が安定しにくいものである。故に、繊維シートは製造工程の中で条件によっては変形し得る。そのため本発明の品質計測方法においては、繊維シートに関するプロセスデータを時系列で取得することが好ましい。
その際、繊維シートの加工処理の前後におけるプロセスデータを取得することが好ましい。特に、シートテンションやシート厚みのプロセスデータは、複合シートを製造する際に、繊維シートに関する品質データ（例えば、繊維シート間のシールの品質）をより良く推定する材料として好ましい。
The fiber sheet described above is easily deformed by an external force, and its shape is difficult to stabilize. Therefore, the fiber sheet can be deformed in the manufacturing process depending on the conditions. Therefore, in the quality measurement method of the present invention, it is preferable to acquire process data related to the fiber sheet in chronological order.
At that time, it is preferable to acquire process data before and after the processing of the fiber sheet. In particular, the process data of the sheet tension and the sheet thickness are preferable as a material for better estimating the quality data (for example, the quality of the seal between the fiber sheets) regarding the fiber sheet when manufacturing the composite sheet.
本発明の品質計測方法は、品質データ及びプロセスデータの間で予測モデルを構築する工程（以下、「予測モデル構築工程」という。）と、予測モデルに基づき、インライン測定により取得するプロセスデータから、製造された製品の品質計測値を算出する工程（以下、「インライン品質計測工程」という。）とを有する。品質計測値とは、インライン測定によって算出される、前述の品質データと同種のデータである。従って、インライン品質計測工程では、オフライン測定によって製品の品質データを測定するのではなく、インライン測定によって製品の品質計測値を推定する。
以下、予測モデル構築工程から順に説明する。
The quality measurement method of the present invention is based on a process of constructing a predictive model between quality data and process data (hereinafter referred to as "predictive model construction process") and process data acquired by in-line measurement based on the predictive model. It has a process of calculating the quality measurement value of the manufactured product (hereinafter referred to as "in-line quality measurement process"). The quality measurement value is data of the same type as the above-mentioned quality data calculated by in-line measurement. Therefore, in the in-line quality measurement process, the quality measurement value of the product is estimated by the in-line measurement, instead of measuring the quality data of the product by the offline measurement.
Hereinafter, the process of constructing the prediction model will be described in order.
（予測モデル構築工程）
予測モデル構築工程は典型的には、図１に示すように、プロセスデータ取得工程６１、時系列処理工程６２、データ結合工程６３、終了判定工程６４、データ解析工程７１～７３、汎化性能確認工程８１～８３等からなる。
但し、本発明の効果を奏する限り、予測モデル構築工程は図１に示す形態に限定されない。
(Predictive model construction process)
As shown in FIG. 1, the prediction model construction process typically includes a process
However, as long as the effect of the present invention is achieved, the predictive model construction process is not limited to the form shown in FIG.
プロセスデータ取得工程６１～データ結合工程６３を繰り返して効率的且つ網羅的に予測モデル構築用のプロセスデータを取得するには、マトリックステスト、因子固定テスト、実験計画法等を利用することができる。取得するプロセスデータの値の組み合わせを少なくする観点から、実験計画法を利用することが好ましい。
実験計画法に用いる直交表は、特に制限されない。例えば、Ｌ１２直交表、Ｌ１８直交表、Ｌ３６直交表等を用いることができる。
また、実験計画法において直交表に割り付ける水準を調整することで、予測する品質計測値の変動の割合を変えることができる。例えば、直交表に割り付ける水準を大きくすると、予測する品質計測値の変動の割合は小さくなる。反対に、直交表に割り付ける水準を小さくすると、予測する品質計測値の変動の割合は大きくなる。
In order to acquire process data for constructing a predictive model efficiently and comprehensively by repeating the process
The orthogonal array used in the design of experiments is not particularly limited. For example, an L 12 orthogonal array, an L 18 orthogonal array, an L 36 orthogonal array, or the like can be used.
In addition, by adjusting the level assigned to the orthogonal array in the design of experiments, the rate of fluctuation of the predicted quality measurement value can be changed. For example, if the level assigned to the orthogonal array is increased, the rate of fluctuation in the predicted quality measurement value becomes smaller. On the contrary, if the level assigned to the orthogonal array is reduced, the rate of fluctuation of the predicted quality measurement value becomes large.
（プロセスデータ取得工程）
プロセスデータ取得工程６１では、製造ラインからインライン測定にて、予測モデル構築用のプロセスデータを取得する。この工程では、プロセスデータとして材料データと装置データとを合わせて取得する。
製造される製品に直接関係するプロセスデータを取得する観点から、プロセスデータの取得は製造ラインの稼働中に行うことが好ましい。
(Process data acquisition process)
In the process
From the viewpoint of acquiring process data directly related to the manufactured product, it is preferable to acquire the process data while the production line is in operation.
プロセスデータの取得は、データの種類に応じた各種センサを用いることができる。例えば、温度のプロセスデータを取得する場合には、放射温度計を用いることができる。シート厚みのプロセステータを取得する場合には、接触式変位計や、レーザー、超音波、静電容量等を利用した非接触式変位計を用いることができる。
本発明では、加工の前後の状態から製品の良否を判定する観点から、加工の前後それぞれにおいてプロセスデータを取得することが好ましい。加工の前後でプロセスデータを取得するには、製造装置の加工部分の前後に各種センサを設けることで、実現できる。
製造される製品が、繊維シートのように製造工程で厚み等が変化し得る不安定なものである場合、加工の前後でプロセスデータを取得することは、品質データを精度良く推定する観点から特に効果的である。
Various sensors according to the type of data can be used to acquire the process data. For example, a radiation thermometer can be used to acquire temperature process data. When acquiring the process data of the sheet thickness, a contact type displacement meter or a non-contact type displacement meter using a laser, ultrasonic waves, capacitance or the like can be used.
In the present invention, it is preferable to acquire process data before and after processing from the viewpoint of determining the quality of the product from the state before and after processing. To acquire process data before and after machining, it can be realized by providing various sensors before and after the machining part of the manufacturing equipment.
When the manufactured product is unstable such as a fiber sheet whose thickness etc. can change in the manufacturing process, acquiring process data before and after processing is particularly important from the viewpoint of accurately estimating quality data. It is effective.
（プロセスデータの時系列処理工程）
時系列処理工程６２は、プロセスデータ間の時間的遅れを補正して、解析サーバ等に格納する工程である。
プロセスデータを取得するためのセンサは、製品を製造する工程中に、多数設けることがある。そうすると、機械流れ方向の上流に設けたセンサと下流に設けたセンサとでは、同時刻に取得するプロセスデータは別々の製品に対して観測されたデータとなる。そのため、本発明においては、各プロセスデータを同じ製品に対応させるために、プロセスデータに時系列処理を行うことが好ましい。時系列処理として、機械流れの速度に応じて適切に時間的遅れ（タイムラグ）を補正する。具体的には、機械流れの速度に応じて、プロセスデータを取得するセンサ間の時間的遅れを補正してデータを格納する。これにより、個々の製品とプロセスデータとを対応させて整理することができ、データ解析が可能になる。加えて、後述するデータ結合工程６３において、プロセスデータと品質データとを対応させることもできる。
(Time-series processing process of process data)
The time-
A large number of sensors for acquiring process data may be provided during the process of manufacturing a product. Then, the process data acquired at the same time between the sensor provided upstream in the machine flow direction and the sensor provided downstream will be the data observed for different products. Therefore, in the present invention, it is preferable to perform time-series processing on the process data in order to make each process data correspond to the same product. As time-series processing, the time delay (time lag) is appropriately corrected according to the speed of the machine flow. Specifically, the data is stored by correcting the time delay between the sensors that acquire the process data according to the speed of the machine flow. As a result, individual products and process data can be associated and organized, and data analysis becomes possible. In addition, in the
時系列処理の具体的な方法を、図２に示す製造装置１１を用いて説明する。
製造装置１１には、本発明の品質計測方法に用いる各種センサが配されている。モーター２４Ｅから取得される軸回転数を他のプロセスデータと対応させる場合、モーター２４Ｅの位置と、他のセンサの位置までの距離を事前に確認しておく。他のセンサとして、図２では、シールユニット温度のプロセスデータを取得する温度センサ３３Ｂ、上軸シート原反径のプロセスデータを取得するシート原反センサ３４Ａ、等が挙げられる。ここで、それぞれの距離を、切断したシート枚数（製品の個数）に対応させる。一例として、温度センサ３３Ｂはモーター２４Ｅから３４枚目である。シート原反センサ３４Ａはモーター２４Ｅから４０枚目である。製造装置によって、上記距離に対応するシート枚数は変わる。このように、シート枚数と対応させることで、モーター２４Ｅから温度センサ３３Ｂやシート原反センサ３４Ａまでの距離を特定することができる。
従って、図３（Ａ）に示すように、モーター２４Ｅの軸回転数のデータＺ４０のタイミングにおけるプロセスデータとして、シールユニット温度＝データＹ４０、上軸シート原反径＝データＸ４０が取得される。しかし、これらのプロセスデータはデータＺ４０が観測された製品に対応するデータではない。モーター２４Ｅ（図２参照）から温度センサ３３Ｂ（図２参照）までの製品枚数は３４枚である。従って、機械流れの速度に応じて、３４枚分の時間を遡ったタイミングで温度センサ３３Ｂにて取得されるデータＹ６が、データＺ４０が観測された製品に対応するシールユニット温度のプロセスデータとなる。また、上軸シート原反径（図２参照）については、４０枚分の時間を遡ったデータＸ０が、データＺ４０が観測された製品に対応する上軸シート原反径のプロセスデータとなる。
このようにして、プロセスデータ同士を個々の製品毎に対応させ、時間的遅れを補正することができる。
A specific method of time-series processing will be described with reference to the
Various sensors used in the quality measurement method of the present invention are arranged in the
Therefore, as shown in FIG. 3A, the seal unit temperature = data Y 40 and the upper shaft sheet original diameter = data X 40 are acquired as process data at the timing of the shaft rotation speed data Z 40 of the
In this way, the process data can be associated with each other for each product, and the time delay can be corrected.
対応させたプロセスデータ同士は、個々の製品毎に表計算ソフトの同一の行又は同一の列に格納し、整理することが好ましい。上記の例では、同一の製品に対応するデータＸ０、データＹ６及びデータＺ４０を、図３（Ｂ）に示すように表計算ソフトの同一の行に格納することが好ましい。 It is preferable to store the associated process data in the same row or column of the spreadsheet software for each product and organize them. In the above example, it is preferable to store the data X 0 , the data Y 6 and the data Z 40 corresponding to the same product in the same row of the spreadsheet software as shown in FIG. 3 (B).
（データ結合工程）
データ結合工程６３は、個々の製品のプロセスデータと、個々の製品の品質データとを対応させ、結合する工程である。結合の方法は特に限定されないが、品質データもプロセスデータと同様に、個々の製品毎に表計算ソフトの同一の行又は同一の列に格納し、整理することが挙げられる。
予測モデル構築工程がデータ結合工程６３を有することで、品質データを多様なプロセスデータと対応させることができる。例えば、材料データ、装置データ、及び操作データを品質データと対応させ、組み合わせることができる。
データ解析を迅速に行う観点から、データ結合工程６３においては、時系列処理工程６２において時間的遅れが補正されたプロセスデータを用いることが好ましい。
１つの製品について、対応させたプロセスデータと品質データとは、一群のデータセットとして解析サーバ等に格納される。即ち、データセットは製品の数だけ取得できる。
(Data binding process)
The
Since the predictive model construction process has the
From the viewpoint of rapid data analysis, it is preferable to use the process data in which the time delay is corrected in the time
For one product, the corresponding process data and quality data are stored in an analysis server or the like as a group of data sets. That is, as many data sets as the number of products can be acquired.
終了判定工程６４は、プロセスデータ取得工程６１からデータ結合工程６３までを経て取得されたデータセットの数が、データ解析に用いるのに十分か否かを判断する工程である。データセットの数が十分な場合は、後述のデータ解析工程７１へと移る。一方、データセットの数が十分でない場合は、十分な数のデータセットを取得できるまで、プロセスデータの値の組み合わせを適宜変更しながら、プロセスデータ取得工程６１からデータ結合工程６３までを繰り返す。このとき、前述の実験計画法により、データセットを効率的に取得することが好ましい。
The
（１回目のデータ解析工程）
データ解析工程７１は、データセットの取得後に、１回目のデータ解析を行う工程である。
データ解析を行う際、取得したデータセットを２分割する。２分割したうちの一方を学習データ、もう一方をテストデータとする。学習データは、主に予測モデルの候補となり得るモデル（以下、「予測モデル候補」という。）を構築するためのデータである。テストデータは、主に学習データで構築した予測モデル候補を検証し、予測モデルを決定するためのデータである。
データ解析では、学習データ及びテストデータに対して各種の分析を行い、予測モデル候補を複数構築する。構築した複数の予測モデル候補については、後述のスコアを算出する。
データセットを学習データとテストデータとに分割することで、過学習を避けることができ、未知の品質データを予測しやすくなる。学習データとテストデータの分割割合は任意に決めてよいが、８：２や５：５等の比率で分割することが一般的である。また、学習データとテストデータの分割にはクロスバリデーションを用いてもよい。
予測モデル候補を判定し選出する方法は、特に限定されない。例えば、学習データ及びテストデータを用いた分析の結果が一定水準以上の予測モデルを、予測モデル候補として採用する方法が挙げられる。
(First data analysis process)
The
When performing data analysis, the acquired data set is divided into two. One of the two divisions is used as training data, and the other is used as test data. The training data is mainly data for constructing a model that can be a candidate for a predictive model (hereinafter referred to as "predictive model candidate"). The test data is data for verifying a prediction model candidate constructed mainly from training data and determining a prediction model.
In the data analysis, various analyzes are performed on the training data and the test data, and a plurality of prediction model candidates are constructed. For the constructed multiple predictive model candidates, the scores described later are calculated.
By dividing the dataset into training data and test data, overfitting can be avoided and unknown quality data can be easily predicted. The division ratio between the training data and the test data may be arbitrarily determined, but it is generally divided at a ratio such as 8: 2 or 5: 5. In addition, cross-validation may be used to divide the training data and the test data.
The method of determining and selecting a predictive model candidate is not particularly limited. For example, there is a method of adopting a prediction model whose analysis result using training data and test data is above a certain level as a prediction model candidate.
学習データ及びテストデータに対して行われる分析手法としては、本発明の効果を奏するものであれば、特に限定されない。例えば、各種の線形回帰や、各種の非線形回帰が挙げられる。
線形回帰の具体例として、重回帰分析、ＰＬＳ回帰分析、ラッソ回帰分析、リッジ回帰分析、エラスティックネット回帰分析、ｓｇｄ回帰分析、サポートベクター回帰分析等が挙げられる。
非線形回帰の具体例として、非線形サポートベクター回帰分析、カーネルリッジ回帰分析、ランダムフォレスト回帰分析、ＭＬＰ回帰分析等が挙げられる。
各分析手法においては、ハイパーパラメータの調整を行う必要がある。ハイパーパラメータの調整を行うことで、予測モデルの精度が向上する。ハイパーパラメータの調整方法も、本発明の効果を奏するものであれば、特に限定されない。
The analysis method performed on the training data and the test data is not particularly limited as long as it exhibits the effect of the present invention. For example, various linear regressions and various non-linear regressions can be mentioned.
Specific examples of linear regression include multiple regression analysis, PLS regression analysis, Lasso regression analysis, ridge regression analysis, elastic net regression analysis, sgd regression analysis, support vector regression analysis, and the like.
Specific examples of nonlinear regression include nonlinear support vector regression analysis, kernel ridge regression analysis, random forest regression analysis, MLP regression analysis and the like.
In each analysis method, it is necessary to adjust hyperparameters. By adjusting the hyperparameters, the accuracy of the predictive model is improved. The method for adjusting hyperparameters is also not particularly limited as long as it exhibits the effect of the present invention.
汎化性能確認工程８１は、データ解析工程７１の分析結果の汎化性能を確認する工程である。本明細書において汎化性能とは、構築した予測モデルが、インライン測定において品質の計測に用いることができる性能をいう。
汎化性能確認工程８１における具体的な判定の方法としては、構築した複数の予測モデル候補のうち、最も汎化性能が高い予測モデル候補を予測モデルとして決定することが好ましい。学習データの分析とテストデータの分析との２段階で判定を行うことで、予測モデル（最適予測モデル）を効率的に選び出すことができる。
汎化性能の高さについては、Ｒ２（決定係数）、Ｒ（相関係数）、ＭＳＥ（Ｍｅａｎ Ｓｑｕａｒｅ Ｅｒｒｏｒ）、ＲＭＳＥ（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅ Ｅｒｒｏｒ）、ＭＡＥ（Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｅｒｒｏｒ）、ＡＩＣ（Ａｋａｉｋｅ’ｓ Ｉｎｆｏｒｍａｔｉｏｎ Ｃｒｉｔｅｒｉｏｎ）、ＢＩＣ（Ｂａｙｅｓｉａｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｃｒｉｔｅｒｉｏｎ）等のスコアを算出し、スコアの高さで判断することができる。なお、Ｒ２のスコアを用いる場合、予測したい対象にもよるが、０．６を越えていれば予測モデルの精度が高いと判断することができる。
学習データから算出したスコア（以下、「学習データスコア」という。）及びテストデータに対するスコア（以下、「テストデータスコア」という。）は、データ解析工程７１にて算出してある。そのため汎化性能確認工程８１では、学習データスコア及びテストデータスコアが一定水準以上の予測モデル候補の内、テストデータスコアが最も高いものを予測モデルとして決定する。
学習データスコア及びテストデータスコアが一定の数値に達している予測モデル候補があれば、テストデータスコアが最も高いものを予測モデルとして決定して、予測モデル構築工程は終了する。そうでない場合は、後述のデータ解析工程７２に移る。
The generalization
As a specific determination method in the generalization
Regarding the high generalization performance, R 2 (coefficient of determination), R (correlation coefficient), MSE (Mean Squared Error), RMSE (Root Mean Squared Error), MAE (Mean Absolute Error), AIC (Akeike' The score of Information Criterion), BIC (Bayesian Information Criterion), etc. can be calculated and judged by the height of the score. When using the score of R 2 , it depends on the target to be predicted, but if it exceeds 0.6, it can be judged that the accuracy of the prediction model is high.
The score calculated from the training data (hereinafter referred to as "learning data score") and the score for the test data (hereinafter referred to as "test data score") are calculated in the
If there is a predictive model candidate whose training data score and test data score have reached a certain numerical value, the one with the highest test data score is determined as a predictive model, and the predictive model construction process is completed. If not, the process proceeds to the
（２回目のデータ解析工程）
データ解析工程７２は、データ解析工程７１の後に行う、２回目のデータ解析の工程である。
データ解析工程７２でデータ解析を行う際、データ解析工程７１とは異なるデータを用いるべく、データ解析工程７１に用いたデータセットの一部を削除するか、データセットを構成するプロセスデータの一部を削除（プロセスデータの種類を削減）して、データ解析工程７２を行う。即ち、データ解析工程７２で用いるデータの数は、データ解析工程７１に用いたデータの数よりも少なくなる。解析に用いるデータの数を減らすことで、計算時間が短くて済む。
データ解析工程７２の具体的な方法は、データ解析工程７１と同様である。即ち、分析対象のデータセットを２分割し、一方を学習データ、もう一方をテストデータとする。学習データ及びテストデータに対してデータ解析工程７１と同様に各種の分析を行い、予測モデル候補を複数構築する。構築した複数の予測モデル候補については、学習データスコア及びにテストデータスコアを算出する。
(Second data analysis process)
The
When performing data analysis in the
The specific method of the
汎化性能確認工程８２は、データ解析工程７２の分析結果の汎化性能を確認する工程である。汎化性能確認工程８２における具体的な方法は、汎化性能確認工程８１と同様である。
学習データスコア及びテストデータスコアが一定の数値に達している予測モデル候補があれば、テストデータスコアが最も高いものを予測モデルとして決定して、予測モデル構築工程は終了する。そうでない場合は、後述のデータ解析工程７３に移る。
The generalization
If there is a predictive model candidate whose training data score and test data score have reached a certain numerical value, the one with the highest test data score is determined as a predictive model, and the predictive model construction process is completed. If not, the process proceeds to the
（３回目以降のデータ解析工程）
データ解析工程７３は、データ解析工程７２の後に行う、３回目以降のデータ解析の工程である。
データ解析工程７３でデータ解析を行う際、これまでのデータ解析とは異なるデータセットを用いるべく、データ解析工程７１及び７２に用いたデータセットに対して適宜データの追加や削除を行った後、データ解析を行う。即ち、データ解析工程７３で用いるデータの数は、データ解析工程７１及び７２に用いたデータの数よりも、多くなる場合もあれば、少なくなる場合もある。
データを追加してデータ解析工程７３におけるデータ解析を行う場合は、適宜追加でデータを取得する。具体的には、プロセスデータ取得工程６１、時系列処理工程６２、及びデータ結合工程６３による一連の操作を、前述と同様に行う。
データ解析工程７３の具体的な方法は、データ解析工程７１及び７２と同様である。即ち、分析対象のデータセットを２分割し、一方を学習データ、もう一方をテストデータとする。学習データ及びテストデータに対してデータ解析工程７１及び７２と同様に各種の分析を行い、予測モデル候補を構築する。構築した複数の予測モデル候補については、学習データスコア及びテストデータスコアを算出する。
(Data analysis process from the third time onward)
The
When performing data analysis in the
When data is added and data analysis is performed in the
The specific method of the
汎化性能確認工程８３は、データ解析工程７３の分析結果の汎化性能を確認する工程である。汎化性能確認工程８３における具体的な判定方法は、汎化性能確認工程８１及び８２と同様である。
学習データスコア及びテストデータスコアが一定の数値に達している予測モデル候補があれば、テストデータスコアが最も高いものを予測モデルとして決定して、予測モデル構築工程は終了する。そうでない場合は、学習データスコア及びテストデータスコアが一定の数値に達した予測モデルが構築できるまで、データ解析工程７３及び汎化性能確認工程８３を繰り返す。
The generalization
If there is a predictive model candidate whose training data score and test data score have reached a certain numerical value, the one with the highest test data score is determined as a predictive model, and the predictive model construction process is completed. If not, the
予測モデル構築工程が終了すると、インライン品質計測工程に移る。以下、インライン品質計測工程について説明する。 When the predictive model construction process is completed, the process moves to the inline quality measurement process. Hereinafter, the in-line quality measurement process will be described.
（インライン品質計測工程）
インライン品質計測工程は、複数の製造工程を経て製品を製造する工程において、予測モデルに基づいて品質計測値を推定する工程である。品質計測値とは、予測モデルにプロセスデータを適用して算出した値であり、品質データの推定値に相当する。インライン品質計測工程で品質計測値を算出することで、シール強度等、インライン測定が困難な、目的とする品質の値を推定できる。
インライン品質計測工程は典型的には、図４に示すように、プロセスデータ取得工程９１、時系列処理工程９２、品質計測値推定工程９３、品質計測値送信工程９４、良否判定工程９５等からなる。但し、本発明の効果を奏する限り、インライン品質計測工程は図４に示す形態に限定されない。
(In-line quality measurement process)
The in-line quality measurement process is a process of estimating a quality measurement value based on a prediction model in a process of manufacturing a product through a plurality of manufacturing processes. The quality measurement value is a value calculated by applying process data to the prediction model, and corresponds to an estimated value of quality data. By calculating the quality measurement value in the in-line quality measurement process, it is possible to estimate the target quality value such as seal strength, which is difficult to measure in-line.
As shown in FIG. 4, the in-line quality measurement process typically includes a process
（プロセスデータ取得工程及び時系列処理工程）
インライン品質計測工程におけるプロセスデータ取得工程９１及び時系列処理工程９２では、予測モデル構築工程におけるプロセスデータ取得工程６１及び時系列処理工程６２と同様にして、プロセスデータの取得と時間的遅れの補正とを行う。その際、予測モデル構築工程で用いた製造装置と、同一の装置で製品を製造することが好ましい。同一の装置を用いることで、予測モデルをインライン品質計測工程に適用できる。
(Process data acquisition process and time series processing process)
In the process
（品質計測値推定工程）
品質計測値推定工程９３は、プロセスデータを予測モデルと組み合わせ、品質計測値を推定する工程である。具体的には、プロセスデータ取得工程９１で取得したプロセスデータを、予測モデル構築工程で決定した予測モデルに適用し、品質計測値を算出する。このようにして、インライン測定が困難な値を推定できる。
(Quality measurement value estimation process)
The quality measurement
（品質計測値送信工程）
品質計測値送信工程９４は、品質計測値推定工程９３において算出した品質計測値を、製造装置１１と直結するＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、例えば、後述の製造装置側ＣＰＵ１３）へ送信する工程である。製造装置１１と直結するＣＰＵへ品質計測値を送信することで、後述の良否判定工程９５において、製造装置１１と直結するＣＰＵが良否判定を行うことができる。
製造装置１１と直結するＣＰＵが品質計測値を算出する場合等、データのやり取りの形態によっては、品質計測値送信工程９４がなくても良い場合がある。データのやり取りの形態については後述する。
(Quality measurement value transmission process)
The quality measurement
Depending on the form of data exchange, such as when the CPU directly connected to the
（良否判定工程）
良否判定工程９５は、品質計測値を指標として、製造した製品が一定以上の品質を有しているか否かを判定する工程である。そのため、本発明においては、良否判定工程９５を設ける等の手段で、品質計測値の良否判定を行うことが好ましい。品質計測値が一定の数値範囲内であるかを確認することで、製品の抜き取り検査を行うことなく、製品が一定以上の品質を有しているか確認できる。
(Good / bad judgment process)
The
仮に、品質計測値が一定の数値範囲外の場合は、製造装置の設定値（操作データ等）を適宜変更することで、品質計測値を一定の数値範囲内に収めることができる。このようにして、オンライン測定の結果を受けて適宜フィードバックを行い、製品の品質を一定以上に安定化させ、製品の生産性を向上できるようになる。ひいては、製造ラインの自動運転も容易になる。 If the quality measurement value is outside a certain numerical range, the quality measurement value can be kept within a certain numerical range by appropriately changing the setting value (operation data, etc.) of the manufacturing apparatus. In this way, it becomes possible to receive the results of online measurement and provide appropriate feedback to stabilize the quality of the product above a certain level and improve the productivity of the product. As a result, the automatic operation of the production line will be facilitated.
製造装置は、品質計測値に基づいて制御指令を行うことが好ましい。
例えば、品質計測値が一定の数値範囲から大きく逸脱した場合に、製造装置に対して製造ラインの停止の指令を行うことで、不良品発生時に製造ラインを素早く自動的に停止することができる。加えて、製造ライン停止時にオペレータへの異常通知を早期に行うこともできる。異常発生時の早期対応を取ることで、製品の品質を一定に保つことができるようになる。
反対に、正常な品質計測値が算出されている間は、製造ラインの運転継続の指令を行うことができ、製造ラインの自動運転が可能になる。
It is preferable that the manufacturing apparatus issues a control command based on the quality measurement value.
For example, when the quality measurement value deviates significantly from a certain numerical range, the manufacturing apparatus can be instructed to stop the manufacturing line, so that the manufacturing line can be stopped quickly and automatically when a defective product occurs. In addition, it is possible to notify the operator of an abnormality at an early stage when the production line is stopped. By taking early action when an abnormality occurs, the quality of the product can be kept constant.
On the contrary, while the normal quality measurement value is calculated, it is possible to issue a command to continue the operation of the production line, and the automatic operation of the production line becomes possible.
本発明の品質計測方法は、複数の製造工程を経て製品を製造する装置に用いることができる。例えば、図２に示すような、複合シートの製造装置に適用することができる。
図２に示す製造装置１１は、２枚のシート４２，４３をシール結合で貼り合わせ、複合シート４１を製造する装置である。製造装置１１はシールユニット２１、パターンロール２２、アンビルロール２３、モーター２４Ａ～２４Ｅ、コンベア２５Ａ～２５Ｈ等から構成される。
製造装置１１は、複数の製造工程を経て、製品すなわち複合シート４１を製造する。製造工程の具体例として、シート原反４４，４５からシート４２，４３を送り出す工程、送り出したシート４２，４３をコンベア２５Ａ～２５Ｈで搬送する工程、搬送したシート４２，４３をシールユニット２１内部で貼り合わせて複合シート４１を形成する工程、複合シート４１を個々の製品毎にカッターで切断する工程等が挙げられる。
The quality measurement method of the present invention can be used in an apparatus for manufacturing a product through a plurality of manufacturing steps. For example, it can be applied to a composite sheet manufacturing apparatus as shown in FIG.
The
The
製造装置１１には、各種のセンサを設けることで、プロセスデータを取得することができる。製造装置１１には、プロセスデータをインライン測定で取得するためのセンサとして、厚みセンサ３１Ａ～３１Ｃ、テンションセンサ３２Ａ，３２Ｂ、温度センサ３３Ａ～３３Ｃ、シート原反センサ３４Ａ，３４Ｂ、カメラ３５等が配される。センサの数及び種類については、本発明の効果を奏する限り、特に限定されない。
この複合シートの製造装置１１においては、形状が不安定になりやすい繊維シートを加工する。そのため、シール加工を行うシールユニット２１の上流側と下流側とに、対となるセンサ（例えばテンションセンサ３２Ａ，３２Ｂ）が配されることが好ましい。また、図示しないが、厚みセンサ３１Ａ～３１Ｃの他に、シールユニット２１の下流側に別の厚みセンサが配されることが好ましい。
各種センサにて取得したプロセスデータを品質計測装置に送信し、前述の時系列処理、データ結合、データ解析等を行う。
Process data can be acquired by providing various sensors in the
In the composite
The process data acquired by various sensors is transmitted to the quality measurement device, and the above-mentioned time series processing, data combination, data analysis, etc. are performed.
本発明の品質計測方法は、複合シートの製造装置１１の他に、様々な製品の製造装置に用いることができる。例えば、塗料の原料である鉄粉、活性炭及び水を混ぜ合わせ、塗料を製造する装置（以下、「塗料製造装置」ともいう。）が挙げられる。
塗料製造装置は、配合槽、撹拌羽根、モーター等から構成され、複数の製造工程を経て塗料を製造する。製造工程の具体例として、鉄粉を配合槽に添加する工程、活性炭を配合槽に添加する工程、水を配合槽に添加する工程、撹拌羽根で原料を掻き混ぜる工程、製造した塗料を基材シートに塗工する工程等が挙げられる。これらの工程により、例えば好適な発熱特性を有するシート製品を製造することができる。
塗料製造装置では、鉄粉添加量、活性炭添加量、水添加量、鉄粉粒径、活性炭粒径、撹拌羽根回転速度、撹拌羽根停止時間等のプロセスデータから、塗料の粘度や固形分量等の品質計測値を算出することができる。
The quality measurement method of the present invention can be used for various product manufacturing devices in addition to the composite
The paint manufacturing apparatus is composed of a compounding tank, a stirring blade, a motor, and the like, and manufactures paint through a plurality of manufacturing processes. Specific examples of the manufacturing process include a step of adding iron powder to the compounding tank, a process of adding activated charcoal to the compounding tank, a process of adding water to the compounding tank, a process of stirring raw materials with a stirring blade, and a process of stirring the raw material with a stirring blade as a base material. Examples include the process of coating the sheet. By these steps, for example, a sheet product having suitable heat generation characteristics can be produced.
In the paint manufacturing equipment, the viscosity and solid content of the paint are determined from the process data such as the amount of iron powder added, the amount of activated charcoal added, the amount of water added, the iron powder particle size, the activated charcoal particle size, the stirring blade rotation speed, and the stirring blade stop time. Quality measurement values can be calculated.
次に、本発明の品質計測方法に用いられる品質計測装置の好ましい一例について、図５を参照して説明する。但し、本発明の効果を奏する限り、品質計測装置は図５に示す形態に限定されない。 Next, a preferred example of the quality measuring device used in the quality measuring method of the present invention will be described with reference to FIG. However, the quality measuring device is not limited to the form shown in FIG. 5 as long as the effect of the present invention is exhibited.
図５（Ａ）に示す品質計測装置１２は、製造装置側ＣＰＵ１３、データ収集ＣＰＵ１４及び解析サーバ１５を有する。品質計測装置１２は、インライン測定を行う手段として、製造装置１１に各種のセンサ（図示せず）を配している。製品を製造する工程において、製造装置側ＣＰＵ１３は、製造装置１１に配された各種センサから、プロセスデータ１を随時取得する。また製造装置側ＣＰＵ１３は、品質計測値３に基づいて、製造ラインの制御指令４を製造装置１１に対して行う。例えば、製造装置側ＣＰＵ１３で品質計測値３の閾値を設定しておき、品質計測値３が閾値の範囲外に達した場合に、製造装置側ＣＰＵ１３は製造装置１１に対して製品排出指令や設備停止指令等を送る。このようにして、製造装置１１と製造装置側ＣＰＵ１３とはデータのやり取りを行う。
製造装置側ＣＰＵ１３は、データ収集ＣＰＵ１４ともデータのやり取りを行う。具体的には、データ収集ＣＰＵ１４は、製造装置側ＣＰＵ１３からプロセスデータ１を取得する。また、データ収集ＣＰＵ１４は解析サーバ１５ともデータのやり取りを行い、プロセスデータ１等を解析サーバ１５に転送する。
解析サーバ１５では、プロセスデータ取得工程６１、時系列処理工程６２、データ結合工程６３、終了判定工程６４、データ解析工程７１～７３、汎化性能確認工程８１～８３、プロセスデータ取得工程９１、時系列処理工程９２、及び品質計測値推定工程９３を実行する。プロセスデータとの結合に用いる品質データ２は、引張試験機等の抜き取り検査装置１６にてオフライン測定し、解析サーバ１５に蓄積する。
予測モデル構築工程においては、解析サーバ１５は、品質データ２及びプロセスデータ１の間で予測モデルを構築する。また、インライン品質計測工程においては、解析サーバ１５は、予測モデルに基づき、インライン測定によりプロセスデータ１から品質計測値３を算出する。品質計測値３は、解析サーバ１５からデータ収集ＣＰＵ１４に転送され、更に製造装置側ＣＰＵ１３にも転送される。
The
The
In the
In the predictive model building step, the
図５（Ｂ）に示す形態は、図５（Ａ）に示す形態とは異なる形態であり、データ収集ＣＰＵ１４を有しない。即ち、図５（Ｂ）に示す形態では、解析サーバ１５がデータ収集ＣＰＵ１４の役割も果たす。その他の点は、図５（Ａ）に示す形態と同様である。
The form shown in FIG. 5B is different from the form shown in FIG. 5A and does not have the
図５（Ａ）に示す形態を採用すると、解析サーバ１５だけでなくデータ収集ＣＰＵ１４にもデータを蓄積できるようになるため、解析サーバ１５への負荷を小さくすることができる。
一方、図５（Ｂ）に示す形態を採用すると、製造装置側ＣＰＵ１３と解析サーバ１５とがデータ収集ＣＰＵ１４を介することなく直接データのやり取りをすることが可能になる。
When the mode shown in FIG. 5A is adopted, data can be stored not only in the
On the other hand, if the embodiment shown in FIG. 5B is adopted, the manufacturing
上述した実施形態に関し、本発明は更に以下の品質計測方法及び品質計測装置を開示する。 With respect to the above-described embodiment, the present invention further discloses the following quality measurement method and quality measurement device.
＜１＞
複数の製造工程を経て製品を製造する工程における品質計測方法であって、
品質データ及びプロセスデータの間で予測モデルを構築する工程と、
前記予測モデルに基づき、インライン測定により取得する前記プロセスデータから、製造された製品の品質計測値を算出する工程とを有する、品質計測方法。
<1>
It is a quality measurement method in the process of manufacturing a product through multiple manufacturing processes.
The process of building a predictive model between quality and process data,
A quality measurement method comprising a step of calculating a quality measurement value of a manufactured product from the process data acquired by in-line measurement based on the prediction model.
＜２＞
前記予測モデルの構築に実験計画法を利用する、＜１＞記載の品質計測方法。
＜３＞
前記予測モデルの構築において、予測モデル候補を複数構築し、最も汎化性能が高い予測モデル候補を前記予測モデルとして決定する、＜１＞又は＜２＞記載の品質計測方法。
＜４＞
前記予測モデルの構築において、前記プロセスデータに時系列処理を行う、＜１＞～＜３＞のいずれか１に記載の品質計測方法。
＜５＞
前記品質データは、抜き取り検査で計測される、＜１＞～＜４＞のいずれか１に記載の品質計測方法。
＜６＞
前記品質計測値の良否判定を行う、＜１＞～＜５＞のいずれか１に記載の品質計測方法。
＜７＞
前記品質計測値に基づいて制御指令を行う、＜１＞～＜６＞のいずれか１に記載の品質計測方法。
＜８＞
前記製品が複合シートである、＜１＞～＜７＞のいずれか１に記載の品質計測方法。
＜９＞
前記プロセスデータがシートテンション若しくはシート厚み、又はこれら両方を含む、＜１＞～＜８＞のいずれか１に記載の品質計測方法。
＜１０＞
前記品質計測値が、２枚以上のシートを結合した部分のシール強度である、＜１＞～＜９＞のいずれか１に記載の品質計測方法。
＜１１＞
前記結合が、ヒートシール、超音波シール、レーザー溶着、又はホットメルト接着により行われる、＜１０＞記載の品質計測方法。
<2>
The quality measurement method according to <1>, which uses an experimental design method for constructing the prediction model.
<3>
The quality measurement method according to <1> or <2>, wherein in the construction of the prediction model, a plurality of prediction model candidates are constructed and the prediction model candidate having the highest generalization performance is determined as the prediction model.
<4>
The quality measurement method according to any one of <1> to <3>, which performs time-series processing on the process data in the construction of the prediction model.
<5>
The quality measurement method according to any one of <1> to <4>, wherein the quality data is measured by sampling inspection.
<6>
The quality measurement method according to any one of <1> to <5>, which determines the quality of the quality measurement value.
<7>
The quality measurement method according to any one of <1> to <6>, wherein a control command is issued based on the quality measurement value.
<8>
The quality measurement method according to any one of <1> to <7>, wherein the product is a composite sheet.
<9>
The quality measurement method according to any one of <1> to <8>, wherein the process data includes sheet tension, sheet thickness, or both.
<10>
The quality measurement method according to any one of <1> to <9>, wherein the quality measurement value is the sealing strength of a portion where two or more sheets are joined.
<11>
The quality measuring method according to <10>, wherein the bonding is performed by heat sealing, ultrasonic sealing, laser welding, or hot melt bonding.
＜１２＞
製造装置側ＣＰＵが、製造装置に配されたセンサから前記プロセスデータを取得する、＜１＞～＜１１＞のいずれか１に記載の品質計測方法。
＜１３＞
前記製造装置側ＣＰＵが、前記品質計測値に基づいて、製造ラインの制御指令を製造装置に対して行う、＜１２＞記載の品質計測方法。
<12>
The quality measurement method according to any one of <1> to <11>, wherein the CPU on the manufacturing apparatus side acquires the process data from a sensor arranged in the manufacturing apparatus.
<13>
The quality measurement method according to <12>, wherein the CPU on the manufacturing apparatus side issues a control command for the manufacturing line to the manufacturing apparatus based on the quality measurement value.
＜１４＞
前記予測モデルを構築する工程が、プロセスデータ取得工程、時系列処理工程、データ結合工程、終了判定工程、データ解析工程、及び汎化性能確認工程からなる、＜１＞～＜１３＞のいずれか１に記載の品質計測方法。
＜１５＞
前記プロセスデータ取得工程では、前記プロセスデータとして材料データと装置データとを合わせて取得する、＜１４＞記載の品質計測方法。
＜１６＞
前記時系列処理工程が、前記プロセスデータ間の時間的遅れを補正して、解析サーバにデータを格納する工程である、＜１４＞又は＜１５＞記載の品質計測方法。
＜１７＞
前記データ結合工程が、個々の製品の前記プロセスデータと、個々の製品の品質データとを対応させ、結合する工程である、＜１４＞～＜１６＞のいずれか１に記載の品質計測方法。
＜１８＞
前記終了判定工程は、前記プロセスデータ取得工程、前記時系列処理工程、及び前記データ結合工程を経て取得されたデータの数が、データ解析に用いるのに十分か否かを判断する工程である、＜１４＞～＜１７＞のいずれか１に記載の品質計測方法。
＜１９＞
前記汎化性能確認工程では、学習データの分析とテストデータの分析との２段階で前記予測モデルの判定を行う、＜１４＞～＜１８＞のいずれか１に記載の品質計測方法。
<14>
Any one of <1> to <13>, wherein the process for constructing the prediction model includes a process data acquisition process, a time series processing process, a data coupling process, an end determination process, a data analysis process, and a generalization performance confirmation process. The quality measurement method according to 1.
<15>
The quality measurement method according to <14>, wherein in the process data acquisition step, material data and device data are acquired together as the process data.
<16>
The quality measurement method according to <14> or <15>, wherein the time-series processing step is a step of correcting the time delay between the process data and storing the data in the analysis server.
<17>
The quality measurement method according to any one of <14> to <16>, wherein the data combining step is a step of associating and combining the process data of each product with the quality data of each product.
<18>
The end determination step is a step of determining whether or not the number of data acquired through the process data acquisition step, the time series processing step, and the data combination step is sufficient for data analysis. The quality measurement method according to any one of <14> to <17>.
<19>
The quality measurement method according to any one of <14> to <18>, wherein in the generalization performance confirmation step, the prediction model is determined in two stages of analysis of learning data and analysis of test data.
＜２０＞
前記予測モデルを構築する工程が終了すると、前記品質計測値を算出する工程に移る、＜１＞～＜１９＞のいずれか１に記載の品質計測方法。
＜２１＞
前記品質計測値を算出する工程では、前記予測モデルに基づいて前記品質計測値を推定する、＜３＞～＜２０＞のいずれか１に記載の品質計測方法。
<20>
The quality measurement method according to any one of <1> to <19>, wherein when the step of constructing the prediction model is completed, the step of calculating the quality measurement value is started.
<21>
The quality measurement method according to any one of <3> to <20>, wherein in the step of calculating the quality measurement value, the quality measurement value is estimated based on the prediction model.
＜２２＞
前記品質計測値を算出する工程が、プロセスデータ取得工程、時系列処理工程、品質計測値推定工程、品質計測値送信工程、及び良否判定工程からなる、＜１＞～＜２１＞のいずれか１に記載の品質計測方法。
＜２３＞
前記プロセスデータ取得工程及び前記時系列処理工程では、前記プロセスデータの取得と時間的遅れの補正とを行う、＜２２＞記載の品質計測方法。
＜２４＞
前記品質計測値推定工程が、前記プロセスデータを前記予測モデルと組み合わせ、前記品質計測値を推定する工程である、＜２２＞又は＜２３＞記載の品質計測方法。
＜２５＞
前記品質計測値送信工程が、製造装置と直結するＣＰＵへ前記品質計測値を送信する工程である、＜２２＞～＜２４＞のいずれか１に記載の品質計測方法。
＜２６＞
前記良否判定工程が、前記品質計測値を指標として、前記製造された製品が一定以上の品質を有しているか否かを判定する工程である、＜２２＞～＜２５＞のいずれか１に記載の品質計測方法。
<22>
Any one of <1> to <21>, wherein the process of calculating the quality measurement value includes a process data acquisition process, a time series processing process, a quality measurement value estimation process, a quality measurement value transmission process, and a quality measurement value determination process. The quality measurement method described in.
<23>
The quality measurement method according to <22>, wherein in the process data acquisition step and the time-series processing step, the process data is acquired and the time delay is corrected.
<24>
The quality measurement method according to <22> or <23>, wherein the quality measurement value estimation step is a step of combining the process data with the prediction model and estimating the quality measurement value.
<25>
The quality measurement method according to any one of <22> to <24>, wherein the quality measurement value transmission step is a step of transmitting the quality measurement value to a CPU directly connected to a manufacturing apparatus.
<26>
The quality determination step is any one of <22> to <25>, which is a step of determining whether or not the manufactured product has a certain level of quality or not using the quality measurement value as an index. Described quality measurement method.
＜２７＞
複数の製造工程を経て製品を製造する装置に対して用いられる品質計測装置であって、
前記品質計測装置が解析サーバを有し、
前記解析サーバが品質データ及びプロセスデータの間で予測モデルを構築し、
前記解析サーバが前記予測モデルに基づき、インライン測定により前記プロセスデータから品質計測値を算出する、品質計測装置。
<27>
A quality measuring device used for equipment that manufactures products through multiple manufacturing processes.
The quality measuring device has an analysis server and has an analysis server.
The analysis server builds a predictive model between quality data and process data,
A quality measurement device in which the analysis server calculates a quality measurement value from the process data by in-line measurement based on the prediction model.
＜２８＞
制御装置側ＣＰＵ及びデータ収集ＣＰＵを有する、＜２７＞記載の品質計測装置。
＜２９＞
前記解析サーバが、プロセスデータ取得工程、時系列処理工程、データ結合工程、終了判定工程、データ解析工程、汎化性能確認工程、及び品質計測値推定工程を実行する、＜２７＞又は＜２８＞記載の品質計測装置。
<28>
The quality measuring device according to <27>, which has a CPU on the control device side and a CPU for collecting data.
<29>
The analysis server executes a process data acquisition process, a time-series processing process, a data combination process, an end determination process, a data analysis process, a generalization performance confirmation process, and a quality measurement value estimation process, <27> or <28>. The quality measuring device described.
以下、本発明を実施例に基づきさらに詳しく説明するが、本発明はこれにより限定して解釈されるものではない。 Hereinafter, the present invention will be described in more detail based on examples, but the present invention is not limited thereto.
図２に示す製造装置１１及び各種センサ、並びに図５（Ａ）に示す品質計測装置１２を用いて、複合シート４１を製造し、以下の実施例１～３の通りにシール強度を推定した。
操作データは、油圧、パターンロール温度、アンビルロール温度、ダンサー圧力、シート原反保存湿度、及びコンベア搬送速度とした。
操作データ以外のプロセスデータは、５か所のモーター軸回転数、５か所のモーター軸負荷、入側シート温度、出側シート温度、シールユニット温度、上軸シート原反径、下軸シート原反径、入側シートテンション、出側シートテンション、及び３か所のシート厚みとした。即ち、操作データを含めて全部で２６種類のプロセスデータを用いた。
品質データは、入側シール強度及び出側シール強度とした。
なお、「入側」とは、製造装置１１の機械流れ方向の下流の側をいい、「出側」とは、製造装置１１の機械流れ方向の上流の側をいう。
The
The operation data were hydraulic pressure, pattern roll temperature, anvil roll temperature, dancer pressure, sheet raw fabric storage humidity, and conveyor transfer speed.
Process data other than operation data includes motor shaft rotation speeds at 5 locations, motor shaft load at 5 locations, entry side seat temperature, exit side seat temperature, seal unit temperature, upper shaft seat original diameter, and lower shaft seat original. The counter-diameter, the entry-side seat tension, the exit-side seat tension, and the seat thickness at three locations were used. That is, a total of 26 types of process data including operation data were used.
The quality data are the inlet side seal strength and the outlet side seal strength.
The "entry side" refers to the downstream side of the
（データセットの取得）
図１に示す流れ図に従い、予測モデル候補の構築と、予測モデルの決定とを行った。
操作データを適宜設定後、図２に示す製造装置１１を用いて、プロセスデータを取得しながら吸収性物品用のシートを貼り合わせ、複合シートを製造した。取得したプロセスデータは、時系列処理を行い、センサ間の時間的遅れを補正した。一方、複合シートについては全て抜き取り検査を行い、品質データを測定した。品質データである入側シール強度及び出側シール強度の測定には、引張試験機を用いた。
時系列処理後のプロセスデータと品質データとを結合し、一度に４０組のデータセットを取得した。
上記の操作を１８回繰り返し、全部で７２０組のデータセットを取得した。繰り返しの際には実験計画法を利用し、プロセスデータをＬ１８直交表に割り付けた。
(Getting the data set)
According to the flow chart shown in FIG. 1, the prediction model candidates were constructed and the prediction model was determined.
After appropriately setting the operation data, the
By combining the process data and the quality data after the time series processing, 40 sets of data sets were acquired at one time.
The above operation was repeated 18 times, and a total of 720 sets of data sets were acquired. In the iterations, design of experiments was used and the process data was assigned to the L18 orthogonal array.
（１回目のデータ解析）
７２０組のデータセットを、３６０組の学習データと３６０組のテストデータに２分割し、それぞれに対して線形解析及び非線形解析を行い、予測モデル候補を複数構築した。予測モデル候補の汎化性能の確認には、学習データスコア及びテストデータスコアのＲ２を用いた。線形解析及び非線形解析は、以下のものを用いた。
■線形解析
重回帰
ＰＬＳ回帰
ラッソ回帰
リッジ回帰
エラスティックネット回帰
ｓｇｄ回帰
サポートベクター線形回帰
■非線形解析
非線形サポートベクター回帰
カーネルリッジ回帰
ランダムフォレスト回帰
ＭＬＰ回帰
構築したいずれの予測モデル候補においても、学習データ及びテストデータの両方のＲ２の値が０．６以下であったため、予測モデル候補の汎化性能が十分でないと判断し、２回目のデータ解析を行うこととした。
(First data analysis)
The 720 sets of data sets were divided into 360 sets of training data and 360 sets of test data, and linear analysis and non-linear analysis were performed on each, and a plurality of predictive model candidates were constructed. R2 of the training data score and the test data score was used to confirm the generalization performance of the predictive model candidates. The following were used for the linear analysis and the non-linear analysis.
■ Linear analysis Multiple regression PLS regression Lasso regression Ridge regression Elastic net regression sgd regression Support vector Linear regression ■ Non-linear analysis Non-linear support vector regression Kernel ridge regression Random forest regression MLP regression Training data and tests for any of the constructed predictive model candidates Since the R 2 values of both data were 0.6 or less, it was judged that the generalization performance of the prediction model candidates was not sufficient, and it was decided to perform the second data analysis.
（２回目のデータ解析）
１回目のデータ解析で用いたデータセットを構成するプロセスデータの一部を削除し、２６種類から１４種類に変更した。１４種類のプロセスデータからなるデータセットについて、１回目のデータ解析と同様に線形解析及び非線形解析を行い、予測モデル候補を複数構築した。
構築したいずれの予測モデル候補においても、学習データ及びテストデータの両方のＲ２の値が０．６以下であったため、予測モデル候補の汎化性能が十分でないと判断し、３回目のデータ解析を行うこととした。
(Second data analysis)
A part of the process data constituting the data set used in the first data analysis was deleted and changed from 26 types to 14 types. A data set consisting of 14 types of process data was subjected to linear analysis and non-linear analysis in the same manner as the first data analysis, and a plurality of predictive model candidates were constructed.
Since the R 2 values of both the training data and the test data were 0.6 or less in any of the constructed predictive model candidates, it was judged that the generalization performance of the predictive model candidates was not sufficient, and the third data analysis was performed. I decided to do.
（３回目のデータ解析）
データセットの取得の操作を更に３回繰り返し、１２０組のデータセットを追加で取得した。１回目のデータ解析で使用した７２０組のデータセットと併せ、全部で８４０組のデータセットを４２０組の学習データと４２０組のテストデータに２分割し、それぞれに対して１回目のデータ解析と同様に線形解析及び非線形解析を行い、予測モデル候補を複数構築した。
構築した予測モデル候補において、学習データ及びテストデータの両方のＲ２の値が０．６を越えていたものとしてラッソ回帰があったため、ラッソ回帰によるモデルは十分な汎化性能を有していると判断した。また、ラッソ回帰によるモデルではテストデータスコアのＲ２が他の予測モデル候補と比較して最も高かったため、ラッソ回帰によるモデルを予測モデルに決定した。
(Third data analysis)
The operation of acquiring the data set was repeated three more times, and 120 sets of data sets were additionally acquired. In addition to the 720 sets of data sets used in the first data analysis, a total of 840 sets of data sets were divided into 420 sets of training data and 420 sets of test data, and the first data analysis was performed for each. Similarly, linear analysis and non-linear analysis were performed, and multiple predictive model candidates were constructed.
In the constructed predictive model candidates, there was a lasso regression assuming that the R 2 values of both the training data and the test data exceeded 0.6, so the model by lasso regression has sufficient generalization performance. I decided. In addition, since the test data score R2 was the highest in the model by lasso regression compared with other predictive model candidates, the model by lasso regression was decided as the predictive model.
（実施例１）
図４に示す流れ図に従い、データセットの取得に用いた製造装置で、パターンロール温度１２５℃、アンビルロール温度１７０℃の条件で、吸収性物品用のシートを貼り合わせ、全部で１００個の複合シートを製造した。操作データは製造の途中で変更しなかった。
貼り合わせの際に取得したプロセスデータは、操作データとともに時系列処理を行い、センサ間の時間的遅れを補正した。
時系列処理後のプロセスデータに、予測モデルに決定したラッソ回帰を適用し、１００個の複合シートそれぞれについて、品質計測値として入側シール強度及び出側シール強度の値を推定した。入側シール強度及び出側シール強度それぞれについて、１００個の品質計測値の平均値を求めた。
(Example 1)
According to the flow chart shown in FIG. 4, in the manufacturing apparatus used for acquiring the data set, the sheets for absorbent articles were bonded under the conditions of the pattern roll temperature of 125 ° C. and the anvil roll temperature of 170 ° C., and a total of 100 composite sheets were attached. Manufactured. The operation data was not changed during manufacturing.
The process data acquired at the time of bonding was processed in time series together with the operation data to correct the time delay between the sensors.
The lasso regression determined in the prediction model was applied to the process data after the time-series processing, and the values of the entry-side seal strength and the exit-side seal strength were estimated as quality measurement values for each of the 100 composite sheets. The average value of 100 quality measurement values was calculated for each of the entry-side seal strength and the exit-side seal strength.
（実施例２）
パターンロール温度を１２０℃、アンビルロール温度を１６０℃とした以外は、実施例１と同様にして、入側シール強度及び出側シール強度それぞれについて１００個の品質計測値を推定し、平均値を求めた。
(Example 2)
Except for the pattern roll temperature of 120 ° C and the anvil roll temperature of 160 ° C, 100 quality measurement values were estimated for each of the entry-side seal strength and the exit-side seal strength in the same manner as in Example 1, and the average value was calculated. I asked.
（実施例３）
パターンロール温度を１１５℃、アンビルロール温度を１５０℃とした以外は、実施例１と同様にして、入側シール強度及び出側シール強度それぞれについて１００個の品質計測値を推定し、平均値を求めた。
(Example 3)
Except for the pattern roll temperature of 115 ° C and the anvil roll temperature of 150 ° C, 100 quality measurement values were estimated for each of the entry-side seal strength and the exit-side seal strength in the same manner as in Example 1, and the average value was calculated. I asked.
（品質データの確認）
上記実施例１～３において製造した複合シート全てについて、入側シール強度及び出側シール強度を、オフライン測定の一種である破壊検査により実測した。シール強度の測定には引張試験機を用いた。
実施例１～３それぞれにおいて、１００個の入側シール強度の実測値の平均値と、１００個の出側シール強度の実測値の平均値とを求めた。
入側シール強度の結果を図６に示す。
(Confirmation of quality data)
For all the composite sheets manufactured in Examples 1 to 3, the entry-side seal strength and the exit-side seal strength were measured by a destructive inspection, which is a kind of offline measurement. A tensile tester was used to measure the seal strength.
In each of Examples 1 to 3, the average value of the measured values of 100 entry-side seal strengths and the average value of the measured values of 100 exit-side seal strengths were obtained.
The result of the entry side seal strength is shown in FIG.
図６に示す通り、実施例１～３のいずれにおいても、入側シール強度の品質計測値の平均値と入側シール強度の実測値の平均値との差は０．３Ｎ／１５ｍｍ以内に抑えられ、予測モデルを用いることで入側シール強度を高い精度で推定できることが分かった。
また、パターンロール温度及びアンビルロール温度を比較的高温にして複合シートを製造した実施例１では、入側シール強度を比較的大きい値に保つことができた。一方、実施例２及び３の通り、パターンロール温度及びアンビルロール温度を徐々に低温にすることで、入側シール強度も徐々に小さくできた。このように、パターンロール温度及びアンビルロール温度を操作することで、製造される複合シートの入側シール強度を調節できることが分かった。
As shown in FIG. 6, in any of Examples 1 to 3, the difference between the average value of the quality measurement value of the entry side seal strength and the average value of the measured value of the entry side seal strength is suppressed to within 0.3 N / 15 mm. It was found that the inlet seal strength can be estimated with high accuracy by using the prediction model.
Further, in Example 1 in which the composite sheet was manufactured by setting the pattern roll temperature and the anvil roll temperature to relatively high temperatures, the inlet-side seal strength could be maintained at a relatively large value. On the other hand, as in Examples 2 and 3, the inlet seal strength could be gradually reduced by gradually lowering the pattern roll temperature and the anvil roll temperature. As described above, it was found that the entry-side seal strength of the manufactured composite sheet can be adjusted by manipulating the pattern roll temperature and the anvil roll temperature.
１ プロセスデータ
２ 品質データ
３ 品質計測値
４ 制御指令
１１ 製造装置
１２ 品質装置
１３ 製造装置側ＣＰＵ
１４ データ収集ＣＰＵ
１５ 解析サーバ
１６ 抜き取り検査装置
２１ シールユニット
２２ パターンロール
２３ アンビルロール
２４Ａ～２４Ｅ モーター
２５Ａ～２５Ｈ コンベア
３１Ａ～３１Ｃ 厚みセンサ
３２Ａ，３２Ｂ テンションセンサ
３３Ａ～３３Ｃ 温度センサ
３４Ａ，３４Ｂ シート原反センサ
３５ カメラ
４１ 複合シート
４２，４３ シート
４４，４５ シート原反
６１，９１ プロセスデータ取得工程
６２，９２ 時系列処理工程
６３ データ結合工程
６４ 終了判定工程
７１～７３ データ解析工程
８１～８３ 汎化性能確認工程
９３ 品質計測値推定工程
９４ 品質計測値送信工程
９５ 良否判定工程
1
14 Data acquisition CPU
15
Claims (10)
プロセスデータ取得工程、時系列処理工程及びデータ結合工程を含む予測モデルを構築する工程と、
前記予測モデルに基づき、インライン測定により取得する前記プロセスデータから、製造された製品の品質計測値を算出する工程とを行うにあたり、
前記予測モデルを構築する工程において、前記プロセスデータ取得工程では、加工の前後それぞれにおいてプロセスデータを取得し、前記データ結合工程では、前記プロセスデータと前記製品の品質データとを対応させ結合して一群のデータセットとし、直交表を用いた実験計画法を利用することにより、データ解析に十分な数の前記データセットを取得できるまで、前記プロセスデータの値の組み合わせを変更しながら、前記プロセスデータ取得工程と、前記時系列処理工程と、前記データ結合工程とを繰り返し、これにより取得した前記データセットに基づいて予測モデルの構築を行う、品質計測方法。 It is a quality measurement method in the process of manufacturing a product through multiple manufacturing processes.
A process to build a prediction model including a process data acquisition process, a time series processing process, and a data combination process, and
In performing the step of calculating the quality measurement value of the manufactured product from the process data acquired by the in-line measurement based on the prediction model.
In the process of constructing the prediction model, in the process data acquisition process, process data is acquired before and after processing, and in the data combination process, the process data and the quality data of the product are associated and combined to form a group. By using the experimental planning method using an orthogonal table, the process data acquisition is performed while changing the combination of the process data values until a sufficient number of the data sets can be acquired for data analysis. A quality measurement method in which a process, the time-series processing process, and the data combination process are repeated, and a prediction model is constructed based on the data set acquired by the process.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019215774A JP7084907B2 (en) | 2019-11-28 | 2019-11-28 | Quality measurement method and quality measurement device |
| PCT/JP2020/031469 WO2021106288A1 (en) | 2019-11-28 | 2020-08-20 | Quality measurement method and quality measurement device |
| CN202080082342.6A CN114760969B (en) | 2019-11-28 | 2020-08-20 | Quality measuring method and quality measuring device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019215774A JP7084907B2 (en) | 2019-11-28 | 2019-11-28 | Quality measurement method and quality measurement device |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JP2021086457A JP2021086457A (en) | 2021-06-03 |
| JP2021086457A5 JP2021086457A5 (en) | 2022-04-20 |
| JP7084907B2 true JP7084907B2 (en) | 2022-06-15 |
Family
ID=76087826
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019215774A Active JP7084907B2 (en) | 2019-11-28 | 2019-11-28 | Quality measurement method and quality measurement device |
Country Status (3)
| Country | Link |
|---|---|
| JP (1) | JP7084907B2 (en) |
| CN (1) | CN114760969B (en) |
| WO (1) | WO2021106288A1 (en) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114777714B (en) * | 2022-03-31 | 2024-03-01 | 广东康怡卫生用品有限公司 | Sanitary product thickness measuring method |
| CN115169745A (en) * | 2022-08-12 | 2022-10-11 | 芜湖云一新材料科技有限公司 | Production quality prediction method, system and computer readable medium |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006277370A (en) | 2005-03-29 | 2006-10-12 | Toshiba Corp | Method and system for analyzing quality of circuit board |
| JP2011242923A (en) | 2010-05-17 | 2011-12-01 | Fuji Electric Co Ltd | Model input variable adjustment device |
| JP2012220978A (en) | 2011-04-04 | 2012-11-12 | Sharp Corp | Abnormal factor specifying method and device, program for making computer execute the abnormal factor specifying method, and computer readable recording medium with the program recorded |
| JP2016538652A (en) | 2013-09-03 | 2016-12-08 | ザ プロクター アンド ギャンブル カンパニー | System and method for adjusting target manufacturing parameters of an absorbent product processing line |
| JP2018129030A (en) | 2016-11-25 | 2018-08-16 | 花王株式会社 | Product manufacturing method |
Family Cites Families (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2763495B2 (en) * | 1994-10-24 | 1998-06-11 | 三菱電機株式会社 | Rolling equipment |
| JP2000252179A (en) * | 1999-03-04 | 2000-09-14 | Hitachi Ltd | Semiconductor manufacturing process stabilization support system |
| TWI267012B (en) * | 2004-06-03 | 2006-11-21 | Univ Nat Cheng Kung | Quality prognostics system and method for manufacturing processes |
| JP2007258731A (en) * | 2007-04-23 | 2007-10-04 | Canon System Solutions Inc | Device and method for preparing model regarding relationship between process and quality |
| JP2009099745A (en) * | 2007-10-16 | 2009-05-07 | Toshiba Corp | Production management apparatus and production management method for semiconductor device |
| US8145338B2 (en) * | 2009-06-02 | 2012-03-27 | The Procter & Gamble Company | Systems and methods for detecting and rejecting defective absorbent articles from a converting line |
| US9110452B2 (en) * | 2011-09-19 | 2015-08-18 | Fisher-Rosemount Systems, Inc. | Inferential process modeling, quality prediction and fault detection using multi-stage data segregation |
| US8732627B2 (en) * | 2012-06-18 | 2014-05-20 | International Business Machines Corporation | Method and apparatus for hierarchical wafer quality predictive modeling |
| GB201512819D0 (en) * | 2015-07-21 | 2015-09-02 | Scaife Martin | Customised fast moving consumer goods production system |
| CN105136449B (en) * | 2015-08-24 | 2018-05-18 | 哈尔滨工程大学 | A kind of abrasion random process test Forecasting Methodology of the automobile-used transmission device based on abrasion mechanism |
| US10394973B2 (en) * | 2015-12-18 | 2019-08-27 | Fisher-Rosemount Systems, Inc. | Methods and apparatus for using analytical/statistical modeling for continued process verification (CPV) |
| JP6746139B2 (en) * | 2016-09-08 | 2020-08-26 | 公立大学法人会津大学 | Detection agent system using mobile terminal, machine learning method in detection agent system, and program for implementing the same |
| JP6953990B2 (en) * | 2017-10-17 | 2021-10-27 | 日本製鉄株式会社 | Quality prediction device and quality prediction method |
| TWI663569B (en) * | 2017-11-20 | 2019-06-21 | 財團法人資訊工業策進會 | Quality prediction method for multi-workstation system and system thereof |
| CN109472057B (en) * | 2018-10-16 | 2023-05-23 | 浙江大学 | Product processing quality prediction device and method based on cross-process implicit parameter memory |
| CN109659933B (en) * | 2018-12-20 | 2022-03-18 | 浙江工业大学 | Electric energy quality prediction method for power distribution network with distributed power supply based on deep learning model |
| CN109711714B (en) * | 2018-12-24 | 2023-01-10 | 浙江大学 | Manufacturing assembly product quality prediction method based on parallel long-term and short-term memory network |
| CN109483816A (en) * | 2018-12-27 | 2019-03-19 | 东莞市誉铭新精密技术股份有限公司 | A kind of mobile phone plastic casing Shooting Technique and injection moulding apparatus |
-
2019
- 2019-11-28 JP JP2019215774A patent/JP7084907B2/en active Active
-
2020
- 2020-08-20 CN CN202080082342.6A patent/CN114760969B/en active Active
- 2020-08-20 WO PCT/JP2020/031469 patent/WO2021106288A1/en active Application Filing
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006277370A (en) | 2005-03-29 | 2006-10-12 | Toshiba Corp | Method and system for analyzing quality of circuit board |
| JP2011242923A (en) | 2010-05-17 | 2011-12-01 | Fuji Electric Co Ltd | Model input variable adjustment device |
| JP2012220978A (en) | 2011-04-04 | 2012-11-12 | Sharp Corp | Abnormal factor specifying method and device, program for making computer execute the abnormal factor specifying method, and computer readable recording medium with the program recorded |
| JP2016538652A (en) | 2013-09-03 | 2016-12-08 | ザ プロクター アンド ギャンブル カンパニー | System and method for adjusting target manufacturing parameters of an absorbent product processing line |
| JP2018129030A (en) | 2016-11-25 | 2018-08-16 | 花王株式会社 | Product manufacturing method |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021086457A (en) | 2021-06-03 |
| WO2021106288A1 (en) | 2021-06-03 |
| CN114760969A (en) | 2022-07-15 |
| CN114760969B (en) | 2023-04-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7084907B2 (en) | Quality measurement method and quality measurement device | |
| US11628502B2 (en) | Method of feedback controlling 3D printing process in real-time and 3D printing system for the same | |
| US6600961B2 (en) | Intelligent control method for injection machine | |
| CN103212585B (en) | A control device of a hot mill used for thin plates and a control method of the hot mill used for thin plates | |
| EP2931447A1 (en) | Flatness measuring and measuring of residual stresses for a metallic flat product | |
| JP2021536063A (en) | Methods and electronic devices for monitoring the manufacture of metal products, related computer programs and equipment | |
| US20160327919A1 (en) | Energy consumption predicting device for rolling line | |
| CN115121626B (en) | Hot-rolled strip steel transient hot roll shape forecasting method based on error compensation | |
| JP7135962B2 (en) | Steel plate finishing delivery side temperature control method, steel plate finishing delivery side temperature control device, and steel plate manufacturing method | |
| KR101877341B1 (en) | Method for aligning a straightening roller of a straightening roller system | |
| CN117148809B (en) | Process optimization method and system for artificial leather production equipment | |
| Drossel et al. | Modular system to measure and control the force distribution in deep drawing processes to ensure part quality and process reliability | |
| Brik et al. | Assessing process capability index using sampling plan in the presence of measurement system errors | |
| JP6020263B2 (en) | Rolling load learning control device and learning control method, and metal plate manufacturing method using the same | |
| CN102601549B (en) | Apparatus, method and system for determining a filling ratio of flux | |
| CN105642676B (en) | A kind of method that width model control is carried out using flipper guide gap values between rollers | |
| TWI504872B (en) | Calibrating method for infrared thermometers and manufacturing controlling system using the same | |
| JP2021086457A5 (en) | ||
| JP6273794B2 (en) | Heat seal quality control device | |
| KR101449207B1 (en) | Method and Apparatus for Manufacturing Plate | |
| JP5310144B2 (en) | Thick steel plate surface temperature measuring device and material judgment method | |
| JP6036857B2 (en) | Rolling mill control method, rolling mill control device, and rolled material manufacturing method | |
| JP2022508735A (en) | How to make metal workpieces | |
| JP2000126809A (en) | Set up device of rolling mill | |
| JP4028786B2 (en) | Sheet shape control method in cold rolling |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220412 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220412 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220412 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220524 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220603 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 7084907 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |