CN100551223C - 主要原因推断装置、主要原因推断方法以及记录介质 - Google Patents
主要原因推断装置、主要原因推断方法以及记录介质 Download PDFInfo
- Publication number
- CN100551223C CN100551223C CNB2007100916111A CN200710091611A CN100551223C CN 100551223 C CN100551223 C CN 100551223C CN B2007100916111 A CNB2007100916111 A CN B2007100916111A CN 200710091611 A CN200710091611 A CN 200710091611A CN 100551223 C CN100551223 C CN 100551223C
- Authority
- CN
- China
- Prior art keywords
- input
- data
- main cause
- user
- characteristic quantity
- 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
Images
Classifications
-
- 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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K13/00—Apparatus or processes specially adapted for manufacturing or adjusting assemblages of electric components
- H05K13/08—Monitoring manufacture of assemblages
- H05K13/083—Quality monitoring using results from monitoring devices, e.g. feedback loops
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Operations Research (AREA)
- Manufacturing & Machinery (AREA)
- Microelectronics & Electronic Packaging (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Indication And Recording Devices For Special Purposes And Tariff Metering Devices (AREA)
Abstract
提供一种不花费成本而能够进行适当的主要原因推断的主要原因推断装置。推理引擎决定输入的特征(S11),并参照输入源定义表,决定使人进行特征的输入还是使传感器进行特征的输入(S12)。在使人输入时,在显示器上显示对用户提问的内容,并使其输入回答(S13、S14)。在使来自传感器的数据输入时,语言变换单元从传感器经由传感器数据输入单元取得信息,语言变换单元将来自传感器的数值数据变换成语言值(S15、S16)。根据任意一个的处理,基于输入的数据,推理引擎进行推理(S17)。将其进行到满足推理结束条件为止(在S18为“是”),(GUI)对用户显示推理结果(S19)。
Description
技术领域
本发明涉及主要原因推断装置(要因推定装置)、主要原因推断方法以及计算机可读取记录介质,特别地,涉及能进行适当的主要原因推断的主要原因推断装置、主要原因推断方法、程序以及计算机可读取记录介质。
背景技术
以往,众所周知诊断型专家系统,其使用推断在制造工序等方面的不良的主要原因的主要原因推断装置。这样的专家系统中,通过与用户的对话,即对用户进行规定的提问,并获得对该问题的用户的回答,由此,接受关于不良的数据的输入,使用知识库来推断其主要原因。但是,由于用户的技能,有时不能输入适当的回答。为了应对这样的情况,例如,在特许第3511632号公报(专利文献1)中,仅从检查机中进行数据的输入。
【专利文献1】日本特许第3511632号公报(段落号码0009以及图3等)
以往的使用了主要原因推断装置的专家系统如上述那样构成。根据专利文献1,从检查机上输入数据,但是,为此,存在需要传感器,并因此而花费成本的问题。另外,即使代替与用户的对话,在能够以来自检查机的数据代替的情况下,也因对象系统的不同、有无传感器或摄像机等数据检测装置,有时需要不同的知识库或特征提取运算。
发明内容
本发明着眼于上述的问题点,目的在于提供节约成本并能进行适当的主要原因推断的主要原因推断装置、主要原因推断方法、程序以及保存程序的计算机可读取记录介质。
本发明中的、基于对于与现象相关联的特征量的数据,来推断对于所述现象的主要原因的主要原因推断装置,包括:特征量决定部件,决定特征量;用户输入部件,接受来自用户的输入作为对于特征量决定部件决定的特征量的数据;装置数据输入部件,输入来自数据取得装置的数据来作为对于特征量决定部件决定的特征量的数据;输入源定义部件,预先决定从用户输入部件和装置数据输入部件的哪一个当中输入对于特征量的数据;以及推断部件,使用从输入源定义部件决定的输入部件输入的数据来推断所述主要原因。
由于预先决定从用户输入部件和装置数据输入部件的哪一个输入对于规定的特征量的数据,所以如果根据推断主要原因的对象系统的不同或进行诊断的用户的技能的不同等,适当地预先决定,则使用输入的数据能得到用于推断主要原因的适当的数据。
其结果,能够提供一种无需花费成本而能够进行适当的主要原因推断的主要原因推断装置。
理想的是,特征量存在多个,推断部件基于多个特征量来推断主要原因,输入源定义部件包含优先顺序决定部件,该优先顺序决定部件对于多个特征量,预先决定使来自用户输入部件和装置数据输入部件中的哪一个输入部件的数据输入优先。
进而,理想的是,优先顺序决定部件还包含可靠度判断部件,该可靠度判断部件判断两数据输入部件的各自的输入数据的可靠度,优先顺序决定部件根据可靠度判断部件的判断结果,决定使来自用户输入部件和装置数据输入部件的哪一个输入部件的输入数据优先。
可靠度判断部件根据用户的技能或职能来判断可靠度。
输入源定义部件对应于用于推断主要原因的对象系统,对于多个特征量,预先决定输入来自用户输入部件和装置数据输入部件的哪一个输入部件的数据。
根据本发明的一个实施方式,对象系统在多个运用阶段下运行,包含运用阶段输入部件,使用户输入对象系统中的运用阶段以及能够使用的所述数据取得装置,以及有效主要原因定义部件,将被运用阶段输入部件输入的运用阶段以及数据取得装置与现象对应来保存。
在本发明的进一步的其它的方案中,基于对于与现象相关联的特征量的数据来推断对于现象的主要原因的主要原因推断方法,包含以下步骤:预先决定从用户输入装置或者数据取得装置的哪一个输入对于特征量的数据的步骤;决定特征量的步骤;从预先决定的某一个当中输入对于特征量的数据的步骤;以及使用所输入的数据推断对于现象的主要原因的步骤。
在本发明的进一步的其它的方案中,使计算机执行上述的主要原因推断方法的程序,可以保存在计算机可读取记录介质中。
附图说明
图1是本发明一实施方式涉及的主要原因推断装置的功能方框图。
图2是表示基板安装线的图。
图3是表示一例用于确定基板安装线的不良原因的情况的知识库的图。
图4(A)~(D)是表示知识库的内容的图。
图5是表示输入源定义表的图。
图6是表示第1实施方式中的主要原因推断装置的动作的流程图。
图7是表示输入源定义表的图。
图8是表示第2实施方式中的主要原因推断装置的动作的流程图。
图9(A)~(C)是说明产生“桥接”的情况的推理方法的图。
图10(A)~(B)是表示确定一级主要原因的方法的图。
图11(A)~(B)是表示确定二级主要原因的方法的图。
图12(A)~(B)是表示输入源定义表的图。
图13是表示第3实施方式中的主要原因推断装置的动作的流程图。
图14是第4实施方式的主要原因推断装置的功能方框图。
图15(A)~(B)是表示有效主要原因定义表的图。
图16是表示第4实施方式的主要原因推断装置的动作的流程图。
图17(A)~(C)是用于说明特征量或者主要原因的切换的图。
图18(A)~(C)是表示有效主要原因定义表的图。
具体实施方式
(1)第1实施方式
以下,参照附图说明本发明的一实施方式。图1是表示本发明的一实施方式中的主要原因推断装置的主要单元的功能方框图。参照图1,主要原因推断装置10是例如使用对于与现象相关联的规定的特征量的数据来推断在制造工序等产生的不良等的主要原因的装置。参照图1,主要原因推断装置10具有接受来自用户以及设置在制造工序等的传感器23的数据的接口。
主要原因推断装置10包含:成为与用户的接口的GUI(Graphic UserInterface)12,连接到GUI 12的输入单元13,连接到输入单元13的推理引擎14,以及连接到推理引擎14的知识库16。输入单元13连接到输入源定义表17以及语言值变换单元18。推理引擎14基于知识库16进行在制造工序等中产生的不良的主要原因的推断。另一方面,来自传感器23的数据被输入传感器数据输入单元19,在语言值变换单元18变换后输入到输入单元13。
语言值变换单元18将被输入到传感器数据输入单元19的来自传感器23的数据变换成推理引擎14能进行推理的数据。具体地讲,例如,假设来自传感器23的数据是0.8,推理引擎14使用数据H(高)还是L(低)来进行推理。此时,语言值变换单元18具有规定的阈值,并将所输入的传感器数据0.8变换成H(高)或L(低)的某一个。
GUI 12包含:用于对用户显示图像的显示器等显示单元,以及用户看到显示后而用于输入的键盘、或鼠标这样的输入部件,并起到接受来自用户的输入的用户输入部件(用户输入装置)的作用。
输入源定义表(输入源定义部件)17为用于决定是经由GUI 12从用户那里接受被输入到输入单元13的数据,还是从传感器数据输入单元19接受的表。另外,GUI 12也可以接受上述以外的文件或者语音接口等的输入设备产生的输入。
主要原因推断装置10具体地说为具有CPU 11的计算机,推理引擎14和语言值变换单元18是程序,知识库16被保存在未图示的硬盘等的保存部件。另外,推理引擎14起到特征量决定部件以及推断部件的作用。
另外,在以下,将成为推断主要原因的对象的系统称为对象系统。另外,在这里,作为来自对象系统的输入,说明来自未图示的检查装置具有的传感器23的输入,但是不限于此,也可以输入来自包含拍摄检查对象的图像的摄像机等的、能够取得数据的任意的数据取得装置的数据。因此,传感器数据输入单元19作为装置数据输入部件起作用。
接着,使用图1所示的主要原因推断装置10来具体地说明推断主要原因的方法。主要原因推断装置10作为推断某些制造工序等中的不良主要原因的、所谓的专家系统动作。专家系统存在很多,在这里,说明确定电子零件安装装置的基板安装线中的不良原因的情况。
图2表示基板安装线。参照图2,基板安装线60包含:从被安装电子零件的基板的流动的上游侧开始朝着下游侧排列的印刷工序、装配(Mount)工序和回流(Reflow)工序。各工序间通过传送机、机器人、其它的搬运装置连接。各工序设置用于进行该工序的处理的装置。
在印刷工序中设置:用于在基板的焊盘上印刷焊锡的印刷机61,以及进行印刷后的检查的印刷后检查装置62。在装配工序中设置:用于在基板上装配零件的装配机63,以及进行装配后的检查的装配后检查装置64。在回流工序中设置:用于将零件的端子进行焊锡焊接到焊盘的回流炉65,以及进行焊锡焊接后的检查的回流后检查装置66。
印刷机61、印刷后检查装置62、装配机63、装配后检查装置64、回流炉65以及回流后检查装置66,分别经由LAN 67连接到主要原因推断装置10以及检查信息存储装置68。
来自印刷后检查装置62、装配后检查装置64、回流后检查装置66的各个工序中的检查结果包含检查图像,被发送到检查信息存储装置68并保存,并根据需要从主要原因推断装置10读出。
在这里,作为不良,有桥接(bridge)(粘附焊锡而使零件的电极间短路)、浸润不良(焊锡和焊盘或者焊锡和零件的电极之间的连接不合格)、焊脚(fillet)异常(焊锡量过多或者过少,从断面看焊锡时的轮廓线未成为漂亮的山型)、以及无零件(零件不存在)等。
即,在这里,使用户观看来自设置在基板安装线的检查装置的传感器23的数据,或者来自摄像机等的检查图像,输入其判断结果,进行主要原因的推断。
接着说明知识库16的内容。图3是表示一例在确定基板安装线中的不良原因的情况时使用的知识库16的图。参照图3,在这里,知识库16为3层构造,第一层表示作为不良的、通过生产线后的产品的不合格,在这里,被表示“桥接”。第二层表示作为不良的一级主要原因的生产过程中的产品的异常现象,第三层表现成为一级主要原因的原因的、作为二级主要原因的工序的装置或使用的材料的异常。
接着,说明知识库16的构造。图4(A)是表示知识库16具有的规则数据31的图,在这里,例如列举作为现象被判断为“桥接”(现象ID为P0001,参照图4(B))的情况的条件。如图4(A)所示,规则数据31具有IF~THEN规则,该IF~THEN规则包含其特征ID由T0001、T0002、T0003...等表示的特征量数据。即,根据某特征量的有无,能推断成为其主要原因的现象。在这里,所谓特征ID是用于确定与不良这样的现象相关联的特征量的。
图4(B)是表示现象数据32的图。该现象数据构成表示主要原因推断装置10中的因果关系的主要原因。图4(C)是表示在图4(A)所示的特征量数据的取得方法的图。
参照图4(C),各特征量以特征ID区分,对于每一个包含:表示特征ID内连号、取得方法、对用户显示的选择项、此时从用户输入的数据的对、以及用于将来自传感器23的数值输入变换成语言值的阈值。
关于特征ID内连号,1是利用与用户的对话进行各特征ID的数据的取得的情况,包含对用户的提问的选择项以及其输入。另外,该输入超过阈值时作为TRUE计算,未超过时作为FALSE计算。另外,特征ID内连号2表示为来自检查装置的传感器的数据输入的情况。
这样,对于一个特征量数据的取得,准备两种方法,即根据与用户的对话的输入和来自检查装置的数据输入的情况。
图4(D)是表示将作为图4(C)所示的取得方法的提问内容显示到未图示的显示器的情况的例子的图。在这里,表示在图4(C)中的特征ID为T0001的情况的提问画面。
图5是表示在图1中由17所示的输入源定义表17的内容的图。如图5所示,输入源定义表17对每个特征ID使用特征ID连号,从而预先决定作为输入源,是由用户(人)输入还是由传感器23输入的其中一个。
图6是说明该实施方式中的主要原因推断装置10的动作(具体地将,为CPU 11的动作)的流程图。参照图6,在主要原因推断装置10中,首先,推理引擎14决定接下来要输入的特征(步骤S11,以下,省略“步骤”)。因此,推理引擎14是作为特征量决定部件起作用。输入单元13参照输入源定义表17,决定使用户进行特征量的输入还是使传感器进行特征量的输入(S12)。
使用户输入时,GUI 12将对用户提问的内容显示到未图示的显示器(S13),对于提示给用户的特征量,使其输入回答(S14)。
输入来自传感器23的数据时,语言变换单元18从传感器23经由传感器数据输入单元19取得数据(S15),语言变换单元18将来自传感器23的数值数据变换成语言值(S16)。来自该传感器23的输入被自动地进行。
基于从任意一个当中输入的数据,推理引擎14进行推理(S17)。将其进行到满足推理结束条件为止(在S18为“是”),GUI 12将推理结果显示给用户(S19)。
这样,根据该实施方式,对应于输入源定义表17的内容,进行与来自用户或者传感器当中任意一个的特征量相关的数据的输入,并根据该输入,推理引擎14推断主要原因,因此,对应于对象系统的不同、或者用户的技能,如果预先决定要输入的数据,则能够输入恰当的特征量数据。其结果,能够减轻由不恰当的输入引起的诊断性能的低下,能够削减用于输入的成本。
另外,在该输入源定义表17的输入源的决定中,理想的是,在推断对象系统中的主要原因的情况下,考虑制造了的产品、材料、参数、操作者进行的调整、维护等来决定。
(2)第2实施方式
接下来说明本发明的第2实施方式。在该实施方式中,主要原因推断装置10的基本的结构与图1所示的第1实施方式相同。在该实施方式中,输入关于多个特征量的数据,并将其组合来推断主要原因。
图7表示此时的输入源定义表17的例子。参照图7,输入源定义表17对于每个特征ID具有由特征ID内连号规定的两个输入。特征ID内连号1规定人作为输入源,特征ID内连号2规定来自传感器23的传感器数据作为输入源。进而,在这里,利用优先级规定人和传感器当中哪一个优先。例如,如果特征ID为T0001,则传感器数据为优先级1,人为优先级2,所以传感器数据优先。
图8是表示在本实施方式中的CPU 11进行的动作的流程图。参照图8,在本实施方式中,如上所述,输入多个数据方面与先前的实施方式不同。因此,从图8的S21到S26为止的处理与图6所示的从S11到S16为止的处理相同,所以其说明省略。
在本实施方式中,处理从S24或者S26转移到S27时,为了得到多个输入,所以判断能否得到了需要的输入。未得到必要的输入时,处理移向S22,输入下面的数据。在S27中得到了需要的输入时,综合输入单元13输入的多个语言值(S28),推理引擎14进行推理(S29)。接着,判断是否满足推理结束条件(S30),并且GUI 22显示推理结果。
像这样,在该实施方式中,因使用多个特征量来推断主要原因而主要原因推断的精度提高。另外,因为预先规定来自人的数据的输入和来自传感器的数据的输入的优先级,所以,如果适当地预先设定优先级,就能进一步提高主要原因推断的精度。
接着,说明具体的主要原因的推断方法。图9是说明主要原因推断装置10的、作为在电子零件安装装置中的不良的一个例子的、产生“桥接”的情况下的推理方法的说明图。图9(A)是表示图2所示不良和一级主要原因的图,图9(B)是表示用于诊断(推断)一级主要原因的、提示给用户的提问句,以及该情况下的来自用户的回答的例子的图。图9(C)是与图9(B)所示的提问句一起显示的、在印刷工序等中的检查图像。该检查图像保存在图2所示的检查信息存储装置68中,根据需要被从那里取出。另外,也可以直接保存在知识库16中。这样,获得来自用户的信息时,与显示来自检查装置的检查图像等同时进行。由此,输入正确的信息,进行准确的推理。
参照图9(B),在这里,得到关于有关特征量的提问ID 2以及6的有意义的回答。从这些回答中,推理引擎14推理为对应于不良(桥接)的一级主要原因为在图9(A)中用粗线表示的原因。即,有桥接的主要原因的可能性的只是集中在产生了‘印刷后焊锡的渗出’或者‘按压安装后焊锡的压坏’这样的二级主要原因。
图10是表示用于确定二级主要原因的方法的图。图10(A)是表示作为有图9所示的主要原因的可能性的一个例子的、存在‘印刷后焊锡的渗出’的情况的特征量的图,图10(B)是表示在该阶段使用的、提示给用户的提问句、以及此时的来自用户的回答的例子的图。与图9的情况相同,用户根据检查图像,对于有关特征量的问题IDA~D的提问输入回答。从所输入的回答中可知问题IDA以及C关联。因此,这些关联的“印刷机掩膜有破损”“印刷机基板厚度设定有误”以及“印刷机印压设定高”被判断为二级主要原因。
图11是表示用于确定由图9所确定的另一个桥接的主要原因的可能性的、即“安装后焊锡压坏”的二级主要原因的方法的图。图11(A)是表示有“安装后焊锡压坏”的情况下的特征量(二级主要原因)的图,图11(B)是表示在该阶段使用的、提示给用户的提问句、以及此时的来自用户的回答的例子的图。与图10的情况相同,用户根据检查图像,输入对于有关特征量的问题IDF~J的问题的回答。从所输入的回答中可知问题IDF、I以及J相关,与这些关联的“装配机喷嘴堵塞”被判断为二级主要原因。
根据以上,推理引擎14推定为,“印刷机掩膜破损”、“印刷机基板厚度设定有误”、“印刷机印压设定高”、以及“装配机喷嘴堵塞”这五个成为“桥接”的主要原因的可能性高。
进而,不仅人的判断、传感器数据,例如有像由摄像机产生的图像判断这样3个以上的输入的情况下,对于各个输入规定优先级,采用优先级高的输入也可以。另外,不是利用优先级,而是利用这些输入数据的多数来判断,将多的一方的结果作为对于特征量的判断也可以。例如在上述中,对于印刷后的焊锡的错位(特征IDT0001),人的判断、变换传感器数据后的语言值当中隶属度(membership grade)最大的、由摄像机产生的图像判断分别表示“FALSE”、“TRUE”、“FALSE”的情况下,判断为“FALSE”。
进而,在传感器23设置多个,例如2个的情况下,从一个传感器中得到0.8这样一个值,从其它的传感器得到0.7这样一个值时,求这些数据的平均值并将其作为传感器数据也可以。即,对于多个数据,预定规定这些数据的综合方法(在该情况下为平均值),并按照该综合方法,将综合数据后的值作为输入数据也可以。
(3)第3实施方式
接着说明本发明的第3实施方式。在该实施方式中,主要原因推断装置10的基本的结构与图1所示的第1实施方式相同。在该实施方式中,基于从用户输入的信息或者从检查装置检测的信息,判断输入来自用户的数据还是输入传感器数据。
例如输入单元13对于用户询问用户的技能或者询问是否具备传感器或者摄像机等数据取得装置,根据其结果,对于具备数据取得装置的,自动地(或者优先地)从那里输入,在不具备数据取得装置时,设为从用户输入。此时,输入单元13起到优先顺序决定部件的作用。
图12(A)表示用于生成此时的输入源定义表17的、对于显示在显示器的询问画面。参照图12(A),对于用户显示“请输入能够利用的检查装置信息以及装置信息”,同时询问在基板安装线上是否设置了以下各检查装置。即,询问是否设置了印刷后检查装置(检查图像)、印刷后检查装置(检查数值数据)、装配后检查装置(检查图像)、装配后检查装置(检查数值数据)、回流后检查装置(检查图像)、回流后检查装置(检查数值数据)。另外,询问作为装置信息是否设置了装配机A、装配机B。在这里,各检查装置以带复选框方式显示,用户通过选择该复选框,来输入能够利用的检查装置信息以及装置信息。
这样,输入能够利用的检查装置等时,CPU 11基于此,生成图12(B)所示的、表示可利用数据的输入源定义表17。此时,对于具备检查装置这样的数据取得装置,优先地从那里输入,不具备检查装置时,设为从用户输入。此时,CPU 11起到优先顺序决定部件的功能。
参照图12(B),输入源定义表17对每个特征ID,显示特征ID内连号、优先顺序、以及输入源,同时用○标记显示在图12(A)输入的、能够利用的检查装置等。由此,能够利用的传感器数据等变得明了,根据设备构成,能够更加可靠地判断来自人的数据和来自传感器的数据当中哪一个应该被优先取入。
接着说明此时的动作。图13是表示该实施方式中的CPU 11进行的动作的流程图。参照图13,在该实施方式中,首先,输入单元13从GUI 12取得图12(A)所示的检查装置信息等(S41)。推理引擎14决定接着要输入的特征(S42)。输入单元13从输入源定义表17决定输入源(S43)。
输入单元13参照输入源定义表17,决定使人输入特征还是使传感器输入(S44)。如果为来自人的输入,则GUI 12对用户提示问题,并使用户输入关于提示的特征量的回答(S45、S46)。另一方面,如果为来自传感器23的输入,则语言变换单元18从传感器23取得信息,将来自传感器23的数值输入变换成语言值(S47、S48)。
根据来自任意一个的数据,推理引擎14进行推理。并且,如果满足推理结束条件(在S50为“是”),GUI 12显示推理结果(S51)。如果不满足推理结束条件(在S50为“否”),则转移到S43。
另外,在上述实施方式中,使用户输入检查装置的有无、装配机的信息,但不限于此,输入用户的技能也可以。
此时,例如能根据用户的技能变更优先级的设定。即,用户(人)如果为基板安装线的领导者等,则其技能充分值得信赖,所以使人的判断优先于传感器数据。另一方面,用户例如如果为仅承担制造线的一工序的操作者,则关于其技能,不太能够信赖,则使传感器数据优先。此时,CPU 11起到可靠度(信頼度)判断部件的作用。
另外,也可以根据用户的权限或者用户的职能(役割)等改变优先顺序。作为用户的权限,例如存在仅担当制造线的一工序的操作者权限或者制造线的领导者的权限等。作为用户的职能,存在设计担当者或者生产技术者。据此,其技能和知识不同。因此,预先输入这些数据,并根据该信息,决定哪个现象的判断是使来自用户的输入优先还是使来自检查装置的数据优先。
进而,输入主要原因推断装置10用于推断主要原因的对象系统的种类,并对应于此,组合多个输入也可以。
这样一来,能够根据用户的技能的水平或者对象系统的种类,能够改变输入目的地,所以能够进行更恰当的数据输入。
另外,对于能利用的检查装置等的信息,主要原因推断装置10自动地检测这些信息也可以。
(4)实施方式4
接着,说明本发明的第4实施方式。在上述各实施方式中,选择由人输入主要原因推断装置被输入的数据,还是从传感器输入数据,但是,在实施方式4中,为了该输入而切换对用户显示的内容。具体地讲,根据主要原因推断装置推断主要原因的对象系统的运用阶段(運用フエ一ズ),鉴于注重的主要原因不同这一点,根据运用阶段,切换对用户输出的内容。
图14是本发明的第4实施方式的主要原因推断装置20的主要单元的功能方框图。参照图14,本实施方式中的主要原因推断装置20对于图1所示的主要原因推断装置10,有效主要原因定义表15被附加到推理引擎14。除此之外,与图1所示的主要原因推断装置10基本相同,所以对于这之外的方面,对于同一部分赋予同一参照号码,省略其说明。
推断主要原因的对象系统在多个运用阶段下运行。有效主要原因定义表(有效主要原因定义部件)15具有在某个运用阶段时输出哪个主要原因等的数据。另外,所谓运用阶段在制造系统中指生产阶段,包含试制阶段、批量生产阶段等。
图15表示有效主要原因定义表15、以及用于生成它的、使用户输入对象系统中的运用阶段以及能够使用的数据取得装置的询问画面。图15(A)表示生产阶段等的输入画面。作为生产阶段等,用户能够预先通过该画面来决定。参照图15(A),该输入画面除了催促能够利用的生产阶段信息、装置信息的输入的显示之外,还显示选择复选框和各阶段。用户从该画面输入能够利用的阶段。
在这里,生产阶段有试制阶段、批量生产阶段,作为装配机的装置信息显示装配机A、装配机B。生产阶段中之所以包含装配机,是因为根据使用哪台装配机,能够使用的信息不同。
基于在图15(A)所输入的数据而生成图15(B)所示的有效主要原因定义表15。有效主要原因定义表15是将所输入的运用阶段以及数据取得装置与对象对应起来保存的表。
因此,GUI 12作为使用户输入对象系统中的运用阶段以及数据取得装置的运用阶段输入部件起作用。
另外,在这里,作为运用阶段,说明了在制造装置中的生产阶段,但是不限于此,根据推断主要原因的对象系统等而不同,可以包含各种运用阶段。
接着,说明本实施方式中的CPU 21的动作。图16是用于说明本该实施方式中的动作的流程图。参照图16,输入单元13从GUI 12取得系统的运用阶段等的信息(S61)。推理引擎14根据运用阶段等信息决定输出的主要原因(S62)。接着,推理引擎14决定下面要输入的特征(S63)。输入单元13根据输入源定义表17决定输入源(S64)。输入单元13参照输入源定义表17来决定使人输入特征还是使传感器23输入。在使人输入时,GUI 12对用户提示问题,使其输入对于提示给用户的特征量的回答(S66、S67)
在从传感器23输入的情况下,语言变换单元18从传感器23取得信息,并且,语言变换单元23将来自传感器23的数值输入变换成语言值(S68、S69)。
推理引擎14进行推理(S70),判断是否满足推理结束条件(S71),如果满足(在S71为“是”),GUI 12显示推理结果(S72)。在S71中,如果不满足推理结束条件(在S71为“否”),则返回S63,输入下面的数据。
并且,推理引擎14根据运用阶段等的信息决定输出的主要原因的处理(S62),在S70之后或者在S72之前进行都可以。
如上,根据该实施方式,根据系统的运用阶段来切换输出给用户的内容,所以能够进行对应于系统的运用阶段的用于主要原因推断的数据输入。
接着,说明在上述实施方式中在切换输出的主要原因的情况下注重的内容。
图17是用于说明有效主要原因定义表15中的特征量、或者主要原因的切换的图。图17(A)是表示有效主要原因定义表的一例43的数据结构的图。这与图15(B)所示的基本相同。在这里,有效主要原因定义表43对每个制造线和其阶段44中都包含信息45,该信息45包含生产阶段和装置信息。除此之外,还有以后要说明的现象ID、特征ID、优先顺序数据。
图17(B)为表示从图17(A)中取出现象ID、包含生产阶段和装置信息的信息45,从而生成表示现象和生产阶段、装置信息之间的关系的对应表的状态的图。该图与图15(B)对应。
另一方面,图17(C)对每个特征ID显示特征ID内连号、优先顺序、能取得的检查数据。即,在这里,特征ID和检查数据的对应在一览表中便可知地被显示着。
即,如图17(A)表示有效主要原因定义表43那样,其构成为含有多个关联信息,从其中,用于特征量或者主要原因的切换的信息根据需要取出共用的信息,从而能生成需要的有效主要原因定义表15。
通过如此进行,在由图15说明的例子当中,需要个别地选择存在能够利用的检查装置的生产阶段,但是,这里,从该表中取出关联的数据,从而能够容易地生成与图15(A)对应的表。
接着,说明使用有效主要原因定义表15来编辑规则数据、特征ID和检查数据的对应在一览中可知的表的方法。如图16所示,从GUI 12使用户输入例如生产阶段、检查装置信息、装置信息。生产阶段是试制阶段,具有印刷后检查装置(检查图像,这指能够检测检查图像的检查装置),使用装配机A时则作为已输入的信息。
根据所输入信息来切换输入源,集中成为最终的输出的主要原因。
图18(A)是表示该情况的有效主要原因定义表15的图,为与图15(B)一样的图。在图18(A)中,根据所输入的试制阶段、装配机A,具有这些信息的现象ID(P0301以及P0302)51a能够使用,但是,不具有这些信息的现象ID(P0303以及P0304)51b不能使用。因此,如图18(B)所示,在规则数据52中,导入能够使用的现象ID(P0301以及P0302)的规则52a能够使用而留下,导入不能使用的现象ID(P0303以及P0304)的规则52b因为不能使用而删除。
同样地,参照图18(C),具有印刷后检查装置(检查图像)的特征ID 53a(T0001,特征内连号1)以及特征ID54a(T0002,特征内连号1)是能够使用,但是不具有印刷后检查装置(检查图像)的特征ID 53b(T0001,特征内连号2)以及特征ID 54b(T0002,特征内连号2)因为不能使用而删除。
这样,使用户输入与进行主要原因推断的对象系统对应的、检查装置信息或装置信息,对应于此,能生成需要的有效主要原因定义表15。
另外,在上述实施方式中,说明了根据对象系统的运用阶段,切换要输出的主要原因,从而生成必要的有效主要原因定义表的例子,但是不限于此,也可以根据上述的用户的职能、权限,来切换要输出的主要原因。
另外,根据对应于主要原因的对策上所花费的成本,也可以切换。这例如作为某主要原因的对策,有需要一个小时的对策A和用5分钟能够处理的对策B时,根据主要原因对策上需要的时间或成本,可以切换要输出的主要原因。
并且,在上述实施方式中,说明了本发明的主要原因推断装置应用于推断基板安装装置中的不良内容的原因的装置的情况,但是不限于此,也可以应用在任意的装置中的所希望的主要原因的推断装置中。
另外,在上述实施方式中,说明了主要原因推断装置为其专用装置的情况,但是,不限于此,将装置作为通用的计算机,将上述动作完全程序化,利用该程序使计算机动作,从而作为主要原因推断装置使用也可以。此时,该程序,既可以由光盘或硬盘这样的记录介质来提供,也可以经由网络从网络上的服务器下载。
以上,参照附图说明了本发明的实施方式,但是,本发明不限于图示的实施方式的例子。对于图示的实施方式,在与本发明相同的范围内,或者在均等的范围内,能够加上各种修改或变形。
Claims (7)
1、一种主要原因推断装置,基于对于与现象相关联的特征量的数据,来推断产生所述现象的主要原因,包括:
特征量决定部件,决定所述特征量;
用户输入部件,接受来自用户的输入来作为对于所述特征量决定部件决定的特征量的数据;
装置数据输入部件,输入来自数据取得装置的数据来作为对于所述特征量决定部件决定的特征量的数据;
输入源定义部件,预先决定从所述用户输入部件和所述装置数据输入部件的哪一个输入对于所述特征量的数据;以及
推断部件,使用从所述输入源定义部件决定的输入部件输入的数据来推断所述主要原因。
2、如权利要求1所述的主要原因推断装置,
所述特征量存在多个,所述推断部件基于所述多个特征量来推断所述主要原因,
所述输入源定义部件包含优先顺序决定部件,该优先顺序决定部件对于所述多个特征量,预先决定使来自所述用户输入部件和所述装置数据输入部件中的哪一个输入部件的数据输入优先。
3、如权利要求2所述的主要原因推断装置,
所述优先顺序决定部件还包含可靠度判断部件,该可靠度判断部件判断所述用户输入部件和所述装置数据输入部件的各自的输入数据的可靠度,
所述优先顺序决定部件根据所述可靠度判断部件的判断结果,决定使来自所述用户输入部件和所述装置数据输入部件的哪一个输入部件的输入数据优先。
4、如权利要求3所述的主要原因推断装置,
所述可靠度判断部件根据用户的技能或职能来判断可靠度。
5、如权利要求1至4的任何一项所述的主要原因推断装置,
所述输入源定义部件根据用于推断所述主要原因的对象系统,对于所述特征量,预先决定输入来自所述用户输入部件和所述装置数据输入部件中的哪一个输入部件的数据。
6、如权利要求5所述的主要原因推断装置,
所述对象系统在多个运用阶段下运行,
包含运用阶段输入部件,使用户输入所述对象系统中的所述运用阶段以及能够使用的所述数据取得装置,
并包含有效主要原因定义部件,将被所述运用阶段输入部件输入的运用阶段以及所述数据取得装置与所述现象对应来保存。
7、一种主要原因推断方法,基于对于与现象相关联的特征量的数据,来推断产生所述现象的主要原因,包含:
预先决定从用户输入装置或者数据取得装置的哪一个输入对于特征量的数据的步骤;
决定特征量的步骤;
从预先决定的某一个输入对于特征量的数据的步骤;以及
使用所输入的数据推断对于现象的主要原因的步骤。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2006102239A JP5044968B2 (ja) | 2006-04-03 | 2006-04-03 | 要因推定装置、要因推定方法、プログラムおよびコンピュータ読取可能記録媒体 |
JP102239/06 | 2006-04-03 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101052294A CN101052294A (zh) | 2007-10-10 |
CN100551223C true CN100551223C (zh) | 2009-10-14 |
Family
ID=38576690
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2007100916111A Active CN100551223C (zh) | 2006-04-03 | 2007-04-03 | 主要原因推断装置、主要原因推断方法以及记录介质 |
Country Status (6)
Country | Link |
---|---|
US (1) | US8260727B2 (zh) |
EP (1) | EP1860512B1 (zh) |
JP (1) | JP5044968B2 (zh) |
KR (1) | KR20070099442A (zh) |
CN (1) | CN100551223C (zh) |
TW (1) | TWI361963B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8190543B2 (en) * | 2008-03-08 | 2012-05-29 | Tokyo Electron Limited | Autonomous biologically based learning tool |
JP2009223550A (ja) * | 2008-03-14 | 2009-10-01 | Omron Corp | 要因推定装置、要因推定方法、プログラムおよびコンピュータ読取可能記録媒体 |
WO2013190627A1 (ja) * | 2012-06-18 | 2013-12-27 | 株式会社日立製作所 | 相関分析装置及びその方法 |
JP6413246B2 (ja) * | 2014-01-29 | 2018-10-31 | オムロン株式会社 | 品質管理装置および品質管理装置の制御方法 |
JP6418260B2 (ja) * | 2017-03-08 | 2018-11-07 | オムロン株式会社 | 要因推定装置、要因推定システム、および要因推定方法 |
JP7161379B2 (ja) * | 2018-11-09 | 2022-10-26 | 日鉄ソリューションズ株式会社 | 推論装置 |
BR112021025599A2 (pt) * | 2019-06-19 | 2022-02-01 | Sumitomo Heavy Industries | Dispositivos de suporte para suportar a operação de uma planta, dispositivo de exibição para suportar a operação de uma planta, métodos de suporte para suportar a operação de uma planta e programas de suporte |
WO2023210252A1 (ja) * | 2022-04-28 | 2023-11-02 | 株式会社シーズ | 情報処理システム、情報処理方法、及びプログラム |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3511632B2 (ja) * | 1992-12-24 | 2004-03-29 | 松下電器産業株式会社 | 実装工程不良要因分析方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH085018B2 (ja) * | 1986-02-26 | 1996-01-24 | 株式会社日立製作所 | 遠隔マニピユレ−シヨン方法及び装置 |
JPH01224842A (ja) * | 1988-03-04 | 1989-09-07 | Nippon Telegr & Teleph Corp <Ntt> | 知識ベースシステムの推論制御方式 |
JPH04317132A (ja) * | 1991-04-16 | 1992-11-09 | Mitsubishi Heavy Ind Ltd | 対話型故障診断装置 |
FR2692377B1 (fr) * | 1992-06-11 | 1994-08-26 | Adersa | Procédé de régulation de qualité, système pour sa mise en Óoeuvre et clavier associé. |
JP2778888B2 (ja) * | 1992-12-07 | 1998-07-23 | 株式会社東芝 | プラント異常診断装置 |
US5544256A (en) * | 1993-10-22 | 1996-08-06 | International Business Machines Corporation | Automated defect classification system |
JPH09146631A (ja) * | 1995-11-24 | 1997-06-06 | Ishikawajima Harima Heavy Ind Co Ltd | 故障診断システム |
US6577757B1 (en) * | 1999-07-28 | 2003-06-10 | Intelligent Reasoning Systems, Inc. | System and method for dynamic image recognition |
JP2003004657A (ja) * | 2001-06-25 | 2003-01-08 | Hitachi Ltd | 観察作業支援システム |
JP2004118693A (ja) | 2002-09-27 | 2004-04-15 | Toshiba Corp | プラントの制御系異常診断システム及び異常診断方法 |
JP2005301582A (ja) | 2004-04-09 | 2005-10-27 | Toshiba Corp | プロセス管理装置 |
JP4699873B2 (ja) * | 2005-11-10 | 2011-06-15 | 株式会社日立ハイテクノロジーズ | 欠陥データ処理及びレビュー装置 |
-
2006
- 2006-04-03 JP JP2006102239A patent/JP5044968B2/ja active Active
-
2007
- 2007-03-30 KR KR1020070031334A patent/KR20070099442A/ko not_active Application Discontinuation
- 2007-04-02 TW TW096111533A patent/TWI361963B/zh not_active IP Right Cessation
- 2007-04-03 EP EP07006991.9A patent/EP1860512B1/en active Active
- 2007-04-03 US US11/695,926 patent/US8260727B2/en not_active Expired - Fee Related
- 2007-04-03 CN CNB2007100916111A patent/CN100551223C/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3511632B2 (ja) * | 1992-12-24 | 2004-03-29 | 松下電器産業株式会社 | 実装工程不良要因分析方法 |
Also Published As
Publication number | Publication date |
---|---|
TWI361963B (en) | 2012-04-11 |
CN101052294A (zh) | 2007-10-10 |
EP1860512A3 (en) | 2010-11-10 |
TW200817861A (en) | 2008-04-16 |
JP2007279840A (ja) | 2007-10-25 |
KR20070099442A (ko) | 2007-10-09 |
EP1860512B1 (en) | 2019-02-20 |
EP1860512A2 (en) | 2007-11-28 |
JP5044968B2 (ja) | 2012-10-10 |
US8260727B2 (en) | 2012-09-04 |
US20070239651A1 (en) | 2007-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN100551223C (zh) | 主要原因推断装置、主要原因推断方法以及记录介质 | |
KR102229594B1 (ko) | 디스플레이 스크린 품질 검출 방법, 장치, 전자기기 및 저장매체 | |
US7006878B2 (en) | Computer-implemented method for analyzing a problem statement based on an integration of Six Sigma, Lean Manufacturing, and Kaizen analysis techniques | |
CN111562458A (zh) | 一种电力变压器故障诊断方法与电力变压器故障诊断装置 | |
US8150895B2 (en) | Quality improvement system | |
KR20070076414A (ko) | 요인 추정 장치, 요인 추정 프로그램, 요인 추정프로그램을 기록한 기록 매체, 및 요인 추정 방법 | |
JP2004274844A (ja) | 保守計画立案支援方法及び装置 | |
US20080301073A1 (en) | Method for wafer analysis with artificial neural network and system thereof | |
JP2002312017A (ja) | 作業評価装置、作業評価方法および作業評価方法をコンピュータに実現させるプログラム | |
JP2009134623A (ja) | 工程改善支援装置、工程改善支援方法、工程改善支援用プログラム、および工程改善支援用プログラムを記録した記録媒体 | |
Chan et al. | On-line optimization of quality in a manufacturing system | |
CN117318069B (zh) | 一种供电系统故障自愈方法及系统 | |
JP2007334694A (ja) | 要因推定装置、要因推定プログラム、要因推定プログラムを記録した記録媒体、および要因推定方法 | |
CN105335266B (zh) | 用于确定被检测设备的故障的方法 | |
CN114862099B (zh) | 一种基于规则引擎的连铸质量预判模型在线系统 | |
JP2005326953A (ja) | ソフトウェア品質評価システム及び方法並びにソフトウェア品質評価用プログラム | |
JP4736613B2 (ja) | 工程管理装置、工程管理プログラム、工程管理プログラムを記録した記録媒体、および工程管理方法 | |
JP2758976B2 (ja) | 特性変化予測方法およびシステム | |
JPH0535751A (ja) | 工作機械の定期診断、故障診断ならびに故障修復方法 | |
CN112433801A (zh) | 一种示波器界面显示方法、装置、设备和介质 | |
JPH0750492B2 (ja) | 品質診断知識修正方法 | |
Verma et al. | Fuzzy logic based revised defect rating for software lifecycle performance prediction using GMR | |
WO2023234139A1 (ja) | 処理方法、生成装置、処理システム、プログラム、及び記憶媒体 | |
JP2009223550A (ja) | 要因推定装置、要因推定方法、プログラムおよびコンピュータ読取可能記録媒体 | |
Dimopoulos et al. | An Expert Network Analyzer: Knowledge Acquisition, Fault Diagnosis and Predi cti on |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |