CN113168170A - 制造条件输出装置、品质管理系统以及程序 - Google Patents

制造条件输出装置、品质管理系统以及程序 Download PDF

Info

Publication number
CN113168170A
CN113168170A CN202080006307.6A CN202080006307A CN113168170A CN 113168170 A CN113168170 A CN 113168170A CN 202080006307 A CN202080006307 A CN 202080006307A CN 113168170 A CN113168170 A CN 113168170A
Authority
CN
China
Prior art keywords
manufacturing
data
product
model
unit
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.)
Pending
Application number
CN202080006307.6A
Other languages
English (en)
Inventor
伊藤透
高桥信太郎
加藤利幸
早川留美
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toshiba Corp
Toshiba Digital Solutions Corp
Original Assignee
Toshiba Corp
Toshiba Digital Solutions Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Toshiba Corp, Toshiba Digital Solutions Corp filed Critical Toshiba Corp
Publication of CN113168170A publication Critical patent/CN113168170A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • 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], computer integrated manufacturing [CIM]
    • 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], computer integrated manufacturing [CIM]
    • G05B19/41875—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], computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • 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
    • G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—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 model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
    • 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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
    • G05B23/0294—Optimizing process, e.g. process efficiency, product quality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32187—Correlation between controlling parameters for influence on quality parameters
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32188—Teaching relation between controlling parameters and quality parameters
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32191—Real time statistical process monitoring
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32193—Ann, neural base quality management
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32224—Identify parameters with highest probability of failure
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Abstract

实施方式的制造条件输出装置输出产品的制造条件，该制造条件输出装置具有变化度信息输出部，该变化度信息输出部根据基于产品的制造数据及产品的检查结果数据通过机器学习生成的模型的模型信息，输出与产品的制造所涉及的多个变量所对应的不合格概率的相关值的变化度的相关信息即变化度信息作为制造条件。

Description

制造条件输出装置、品质管理系统以及程序
技术领域
本发明的实施方式涉及制造条件输出装置、品质管理系统以及程序。
背景技术
在各种产品的制造中，进行品质管理。为了改善产品的品质而提出了如下方法：对于制造条件的实际数据使用线性回归式来计算最佳的制造条件的目标值，并基于该目标值变更制造条件，从而控制产品的品质的方法；自动地提取对品质的改善有效的运转因素的组合，并自动地指引满足规定的品质等级的运转条件的组合，从而改善品质的方法。
但是，在使用线性回归式的方法中，只能适用于各变量具有线性关系的制造条件。另外，在自动地指引运转条件的组合的方法中，若运转因素的组合的数量变大，则与组合的数量相应的计算量庞大地增加，因此不能对维数较大的运转因素数据进行恰当的多变量分析。例如在制造压铸件等的情况下，制造条件相对于品质具有非线性关系，运转因素的数量也较多。另外，在这些方法中，没有考虑针对不合格概率如何设定制造条件以抑制产品不合格的产生。
现有技术文献
专利文献
专利文献1:日本特开2009－64054号公报
专利文献2:日本特开2008－146621号公报
发明内容
用于解决课题的手段
因此，本实施方式的目的在于提供能够提示针对不合格概率如何设定制造条件以抑制产品不合格的产生的制造条件输出装置、使用该制造条件输出装置的输出的品质管理系统以及具有输出上述的制造条件的功能的程序。
实施方式的制造条件输出装置输出产品的制造条件，其中，该制造条件输出装置具有变化度信息输出部，该变化度信息输出部根据基于所述产品的制造数据与所述产品的检查结果数据通过机器学习生成的模型的模型信息，输出变化度信息作为制造条件，该变化度信息是关于与所述产品的制造所涉及的多个变量的不合格概率相关的值的变化度的信息。
附图说明
图1是关于实施方式所涉及的铸造品的制造的品质管理系统的构成图。
图2是表示实施方式所涉及的制造数据的例子的图。
图3是表示实施方式所涉及的检查结果数据的例子的图。
图4是用于说明实施方式所涉及的决策树的例子的图。
图5是实施方式所涉及的推断结果输出部的功能框图。
图6是实施方式所涉及的模型分析部的框图。
图7是表示在实施方式所涉及的重要项目显示部中生成的显示数据的显示例的图。
图8是表示实施方式所涉及的、显示与变量的值相应的不合格率的变化度的图表的图。
图9是表示实施方式所涉及的模型学习部的处理的流程的例子的流程图。
图10是表示实施方式所涉及的推断结果输出部的处理的流程的例子的流程图。
图11是表示实施方式所涉及的模型分析部的处理的流程的例子的流程图。
图12是表示实施方式所涉及的设定画面的显示例的图。
具体实施方式
以下，参照附图对实施方式进行说明。
(系统构成)
图1是关于本实施方式所涉及的铸造品的制造的品质管理系统1的构成图。品质管理系统1是进行铝压铸件等铸造品的品质管理的铸造品质管理系统。品质管理系统1包含数据取得装置2、模型学习装置3及推断装置4。数据取得装置2连接于压铸机5与产品状态检查装置6。压铸机5是制造压铸件作为产品的制造装置。压铸机5具有使模具移动的机构、进行铝等金属熔液向模具腔室的注射的机构等制造机构(未图示)及控制压铸机5的动作的控制装置5a。
另外，推断装置4生成用于设定合格品的制造条件的设定画面并输出到显示装置4c。由此，推断装置4构成输出产品的制造条件的制造条件输出装置，品质管理系统1使用在此输出的制造条件进行品质管理。即，品质管理系统1的一部分成为制造条件输出装置。
另外，数据取得装置2、模型学习装置3以及推断装置4也可以为了收发数据而利用后述的信号线相互连接，例如配置于压铸机5的某一个工厂内。或者，模型学习装置3与推断装置4也可以是经由因特网等网络的云上的服务器。
(数据取得装置的构成)
数据取得装置2是包含处理器11的装置，例如是具有与压铸机5及产品状态检查装置6之间的输入输出接口的个人计算机(以下，称作PC)。处理器11包含制造数据取得部12、制造数据加工部13及检查结果数据取得部14。
处理器11包含中央处理装置(以下称作CPU)、ROM、RAM。处理器11也具有硬盘装置等非易失性存储器。CPU读出并执行存储于ROM以及非易失性存储器的各种软件程序，使得数据取得装置2能够从压铸机5以及产品状态检查装置6接收各种数据、向模型学习装置3以及推断装置4发送各种数据。
这里，制造数据取得部12、制造数据加工部13以及检查结果数据取得部14由软件程序构成。另外，制造数据取得部12与检查结果数据取得部14也可以全部或者一部分由电子电路构成。
制造数据取得部12经由通信线5b从压铸机5的控制装置5a取得制造数据。制造数据例如是压铸件的每次注射时的、时刻数据、制造注射编号及各种测量数据。
温度传感器、位置传感器、压力传感器等各种测量数据用的各种传感器安装于压铸机5，或者内置于压铸机5。制造注射编号是用于识别制造注射的注射识别信息。控制装置5a具有时钟，生成时刻数据。时刻数据包含年月日以及时间。压铸机5的控制装置5a在压铸件的每次注射时收集各种测量数据，与制造注射编号及时刻数据一起存储于缓冲器等存储器(未图示)。
制造数据取得部12包含各种接口电路和软件程序而构成，该各种接口电路取得暂时存储于压铸机5的存储器的制造数据，该软件程序进行将所取得的制造数据暂时存储于存储器(未图示)的处理。
制造数据加工部13对于存储于制造数据取得部12的制造数据进行数据位数的调整、数据缺损的补充等，以便能够在后述的模型学习装置3中恰当地执行模型学习处理。
对于在压铸机5中制造出的压铸件、例如铝压铸件，在其后的工序中进行各种加工。
对于在压铸机5中制造出的压铸件、或者在后续工序中加工出的压铸件进行压铸件的检查。检查结果数据是表示是合格品还是不合格品的数据。另外，检查结果数据也可以包括包含不合格品的不合格类别的数据。不合格的类别有充型不合格、铸孔等。而且，检查结果数据也可以是表示品质的数值。在该情况下，检查结果数据例如是表示表面的凹陷程度的数值，也可以以该数值的范围示出检查结果数据。
产品状态检查装置6例如是压铸件的检查装置，使用相机等装置检查压铸件，基于检查结果，判定压铸件是合格品还是不合格品。产品状态检查装置6基于判定结果，按照每个进行了检查的铸造品的注射编号，生成表示是合格品还是不合格品的检查结果数据并输出。检查结果数据取得部14经由通信线6a从该产品状态检查装置6取得检查结果数据。即，检查结果数据取得部14取得由压铸机5制造出的压铸件的检查结果数据。
另外，由检查员进行检查，产品状态检查装置6也可以是被输入了该检查员的判定结果、即压铸件是合格品还是不合格品的判定结果的装置，例如PC。
图2是表示制造数据的例子的图。制造数据包含时刻、注射编号、铸造温度A、铸造压力B、冷却量C等各种数据。一次注射与一个压铸件的制造对应，一个制造数据是关于一次注射的一个记录数据。在制造数据取得部12中取得多个制造数据。如后述那样，多个制造数据作为图2所示那样的表形式的数据储存于制造数据保存部25。
图3是表示检查结果数据的例子的图。检查结果数据包含检查结果、时刻数据以及注射编号的数据。时刻数据与由注射编号确定的制造数据中的时刻数据相同。如后述那样，多个检查结果数据作为图3所示那样的表形式的数据储存于检查结果数据保存部26。一个检查结果数据能够通过注射编号与一个制造数据建立关联。
(模型学习装置的构成)
模型学习装置3具有处理器21及存储装置22。模型学习装置3例如是PC，但也可以如上述那样为因特网上的服务器。处理器21与数据取得装置2利用通信线2a连接。处理器21包含CPU、ROM、RAM以及硬盘装置。模型学习装置3基于来自数据取得装置2的制造数据及检查结果数据进行机器学习，制作作为压铸件的合格/不合格的识别模型的模型M。
处理器21按照用户的指令或者规定的周期，经由通信线2a从数据取得装置2取得制造数据及检查结果数据。处理器21将取得的制造数据保存于存储装置22的制造数据保存部25。处理器21将取得的检查结果数据保存于存储装置22的检查结果数据保存部26。制造数据保存部25是用于存储制造数据的、存储装置22中的规定的记录区域。检查结果数据保存部26是用于存储检查结果数据的、存储装置22中的规定的记录区域。
处理器31包含模型条件设定部23及模型学习部24。模型条件设定部23是设定进行机器学习时的各种条件的参数数据、并对模型学习部24赋予所设定的参数数据的软件程序。
模型学习装置3具有未图示的键盘和鼠标等输入装置、以及未图示的显示装置等。由此，用户能够使用输入装置以及显示装置来设定用于在模型条件设定部23中设定的各种条件的参数数据。参数数据例如是在模型生成时使用的监督数据的数量或生成的决策树的数量等。
模型学习部24是将存储于存储装置22的制造数据及检查结果数据作为监督数据、通过机器学习来生成模型M的软件程序。即，模型学习部24基于制造数据及检查结果数据，通过机器学习来生成用于推断压铸机5中制造出的压铸件是合格品或者不合格品的模型。制造数据与检查结果数据能够利用注射编号建立关联，因此处理器31能够将建立关联的制造数据与检查结果数据作为一个监督数据，将多个监督数据赋予给模型学习部24。
这里，模型M是通过随机森林的机器学习算法生成的非线性模型。模型M是若被赋予制造数据则推断按照该制造数据制造出的压铸件产生不合格的概率即不合格概率并输出的不合格识别模型。随机森林是如下集团学习算法：根据随机选择的变量(制造数据)制作多个决策树，将各决策树作为弱识别器而进行将多个决策树平均化等的处理，从而进行整体学习。通过将制作出的各决策树的识别边界相加，从而制作精度高的识别边界。即，非线性的模型M是通过使用了多个决策树的随机森林等整体学习而学习过的模型。由此，根据作为弱识别器的多个决策树，通过整体学习最终被统合而生成稳健的识别边界。
另外，这里，模型学习部24为了生成模型M，作为进行整体学习的集团学习算法，使用了随机森林的机器学习算法，但也可以使用装袋法、提升法、自适应法、梯度提升法、极端梯度提升法、极端随机树法、正则化随机森林法等机器学习算法。
这里，模型M指的是图4所示那样的还使用学习数据(监督数据)而生成的决策树集合多个而成的模型。图4是用于说明决策树的例子的图。在图4中，在铸造温度A超过230度的情况下，压铸件被判定为合格品。另外，在铸造温度A为230度以下、且铸造压力B超过20的情况下，压铸件被判定为合格品。而且，在铸造温度A为230度以下、且铸造压力B为20以下的情况下，压铸件被判定为不合格品。
模型学习部24中生成的模型M的模型数据即模型信息MI储存于处理器21的存储器内，并且向推断装置4发送。模型信息MI将决策树作为列表形式的数据而表现。
(推断装置的构成)
推断装置4具有处理器31及存储装置32。处理器31连接于人-机接口(以下称作MMI)4a。MMI4a具有输入装置4b及显示装置4c。输入装置4b包含键盘、鼠标等。推断装置4若从数据取得装置2取得制造数据，则基于该制造数据，输出合格/不合格的推断结果而显示于显示装置4c。而且，推断装置4分析从模型学习装置3接收到的模型M的模型信息MI而输出与不合格概率的减少相关的信息，并显示于显示装置4c。
处理器31利用通信线2b而与数据取得装置2连接。而且，处理器31利用通信线5c而与压铸机5的控制装置5a连接。处理器31利用通信线3a而与模型学习装置3连接。处理器21包含CPU、ROM、RAM及硬盘装置。
处理器31包含推断结果输出部33及模型分析部34。存储装置32具有学习模型保存部35。处理器31若从模型学习装置3接收模型M的模型信息MI，则保存于学习模型保存部35。学习模型保存部35是储存接收到的模型M的模型信息MI的存储区域。
推断结果输出部33是基于制造数据输出合格/不合格的推断结果的软件程序。图5是推断结果输出部33的功能框图。推断结果输出部33包含推断不合格概率输出部41及合格/不合格判定部42。推断不合格概率输出部41使用储存于学习模型保存部35的模型M的模型信息MI，基于接收到的制造数据计算不合格概率，将不合格概率数据DP向合格/不合格判定部42输出。合格/不合格判定部42基于接收到的不合格概率数据DP，输出在与接收到的制造数据相关的注射中制造出的压铸件的合格/不合格的推断结果DR。由此，推断结果输出部33使用模型M，基于在数据取得装置2中取得的制造数据推断压铸件是合格品或者不合格品并输出推断结果。
在与在压铸机5中制造出的压铸件相关的制造数据从数据取得装置2向推断结果输出部33实时发送时，推断结果输出部33使用模型M的模型信息MI，基于该制造数据推断压铸件的合格/不合格，输出推断结果DR。即，推断结果输出部33能够对于由压铸机5制造出的压铸件，基于实时取得的制造数据，使用模型M推断合格/不合格。
另外，也可以通过批量处理对于多个制造数据汇总推断合格/不合格。在该情况下，如图5中虚线所示，在推断装置4设置累积来自制造数据加工部13的制造数据的制造数据储存部43。制造数据储存部43是能够储存规定的期间、例如一天或一周的制造数据的存储装置。推断不合格概率输出部41基于储存于制造数据储存部43的多个制造数据，使用模型M计算不合格概率。合格/不合格判定部42基于各不合格概率数据DP，判定各注射的合格/不合格，输出推断结果DR。
不合格概率数据DP是每次注射的不合格概率数据。合格/不合格判定部42具有规定的阈值，例如如果阈值是50，则在不合格概率为50％以上时，将该注射的压铸件判定为不合格品，在不合格概率小于50％时，将该注射的压铸件判定为合格品。换言之，合格/不合格判定部42基于不合格概率数据，判定压铸件的不合格或者合格。
而且，在不合格概率数据是根据多个不合格的种类而输出的情况下，合格/不合格判定部42按照规定的判定规则判定该注射的压铸件是合格品还是不合格品。
除此之外，推断结果输出部33也可以取代推断不合格概率输出部41而具有输出推断压铸件合格的概率的推断合格概率输出部，合格/不合格判定部42例如在合格概率小于50％时，将该注射的压铸件判定为不合格品。
图6是模型分析部34的框图。模型分析部34是包含重要项目提取部51、重要项目显示部52、不合格概率变化度输出部53及制造条件设定部54的软件程序。
重要项目提取部51计算模型M中的各变量的重要度，根据计算出的各变量的重要度提取重要项目。即，重要项目提取部51根据从模型信息MI计算出的重要度提取多个变量的变量名作为重要项目。
在随机森林中，根据在各决策树中使用的变量及该决策树的推断精度，计算各变量的重要度。换言之，计算出的重要度表示在与各决策树相关的变量之中对推断精度的影响的大小。由此，重要项目提取部51针对制造数据中的铸造温度、铸造压力、冷却量等多个变量计算重要度。重要度例如是随机森林中的基尼系数的变化度、MSE(均方误差)效果度。即，重要度表示在未使用的数据中基尼系数或者MSE效果度变化了何种程度。
这里，重要项目提取部51输出针对多个变量计算出的重要度的信息中的比所设定的值高的重要度的多个变量名作为重要项目。或者，重要项目提取部51也可以在针对多个变量计算出的重要度的信息之中按照重要度从高到低的顺序输出规定数量的变量名的信息。
重要项目显示部52生成将在重要项目提取部51中提取的重要项目显示于显示装置4c的显示数据IM。如上述那样，重要项目提取部51将重要度高的变量名的信息向重要项目显示部52输出。重要项目显示部52根据接收到的变量名的信息，生成显示重要度高的变量名的显示数据IM，并向显示装置4c输出。由此，重要项目显示部52构成输出由重要项目提取部51提取的重要项目的信息的重要项目输出部。
图7是表示在重要项目显示部52中生成的显示数据的显示例的图。在图7中，示出了六个变量的重要度。纵轴是变量名，横轴是重要度的值。重要度是基尼系数等规定的标准化后的值。如图7所示，铸造温度A的重要度最高，以下按照铸造压力B、冷却量C、铸造温度D、铸造压力E、冷却量F的顺序使重要度从高到低。重要度由各变量所对应的点所示。
图7所示那样的重要项目的变量名及重要度显示于显示装置4c，用户能够针对不合格概率识别重要的变量。
不合格概率变化度输出部53根据模型M的模型信息MI计算每个变量的不合格概率的变化度并输出。不合格概率变化度输出部53输出针对各变量的、不合格概率的变化度的函数数据。
图8是表示显示与变量的值相应的不合格率的变化度的图表的图。图8的图表是每个变量的图表，图8是显示相对于铸造温度A而言的不合格率的变化度的图表。在图8中，图表g的函数能够通过随机森林的部分依赖图而获得。图表g的各值与部分依赖图的值对应。即，根据模型M的模型信息MI计算每个变量的不合格概率的变化度。这里，使用随机森林的部分依赖图，计算每个变量的不合格概率的变化度。
另外，这里，不合格概率变化度输出部53输出针对各变量的、不合格概率的变化度的函数数据，但不合格概率的变化度信息只要包含与各变量的值所对应的不合格概率相关的值即可，也可以是离散的数据。
如后述那样，通过向用户提示图8的图表g，使得用户在观察图8的图表g时得知，不合格概率在铸造温度A超过36度时以及小于28度时大幅变化。换言之，可以说双点划线之间的空心箭头所示的温度范围是不合格概率较低的合格品区域。由此，用户能够定量地判定为只要使铸造温度A的设定例如为28度至36度的范围内就能够降低不合格概率。
由此，不合格概率变化度输出部53构成根据通过机器学习生成的模型的模型信息而输出变化度信息作为合格品条件即制造条件的变化度信息输出部，该变化度信息是关于与针对产品的制造所涉及的多个变量的不合格概率相关的值的变化度的信息。制造条件是压铸件根据不合格概率而成为合格品或者不合格品的、变量的值或者范围。
制造条件设定部54使用来自不合格概率变化度输出部53的不合格概率的变化度的函数数据，生成用于设定合格品的制造条件的设定画面的显示数据SI。该显示数据中包含图8的图表g。用户能够使用设定画面设定每个变量的合格品的制造条件。
如后述那样，推断装置4将图8所示那样的图表显示于显示装置4c，用户能够使用输入装置4b在显示于显示装置4c的画面上设定合格品区域。由此，制造条件设定部54输出用于将铸造温度等制造条件与压铸件成为合格品或者不合格品的概率建立对应地设定的显示数据。
另外，如图6中虚线所示，不合格概率变化度输出部53也可以从重要项目显示部52获得重要度较高的变量名的信息，仅对重要度较高的上位的规定数量的变量计算每个变量的不合格概率的变化度并输出。不合格概率变化度输出部53由于计算不合格概率的变化度的变量的数量变少，因此能够减少处理器31的负载。
(作用)
接下来，对品质管理系统1的动作进行说明。这里，对模型学习部24、推断结果输出部33及模型分析部34的处理进行说明。
图9是表示模型学习部24的处理的流程的例子的流程图。如上述那样，模型学习部24是软件程序，因此通过由处理器21的CPU从ROM等读出并执行模型学习部24的程序，使得处理器21进行模型的机器学习。
处理器21从数据取得装置2取得制造数据，记录于存储装置22的制造数据保存部25(步骤(以下简称为S)1)。处理器21从数据取得装置2取得检查结果数据，记录于存储装置22的检查结果数据保存部26(S2)。处理器21参照制造数据保存部25及检查结果数据保存部26中存储的数据，判定存储装置22中是否保存有与规定的注射数相当的数据(制造数据及该制造数据所对应的检查结果数据)(S3)。
在存储装置22中未保存有与规定的注射数相当的数据时(S3：NO)，处理返回S1。在存储装置22中保存有与规定的注射数相当的数据时(S3：YES)，处理器21读出记录于存储装置22的数据(制造数据及该制造数据所对应的检查结果数据)(S4)。
处理器21将读出的数据(制造数据及该制造数据所对应的检查结果数据)作为监督数据，通过机器学习来生成模型M(S5)。这里，机器学习是基于随机森林的整体学习。随机森林是将多个决策树作为弱识别器而对多个决策树的结果进行整体学习的算法，通过S5，生成通过随机森林而进行了学习的模型M(即最终的识别器)。处理器21将生成的模型M的模型信息MI向推断装置4发送并保存于学习模型保存部35(S6)。
用户将生成模型M所需的数据量设定为规定的注射数，从而能够生成与希望的数据量相应的模型M。
图10是表示推断结果输出部33的处理的流程的例子的流程图。如上述那样，推断结果输出部33为软件程序，因此通过由处理器31的CPU从ROM等读出并执行合格/不合格推断的程序，使得处理器31输出推断结果DR。在图10的处理之前，处理器31从学习模型保存部35读出模型信息MI。
处理器31从数据取得装置2取得推断对象的制造数据(S11)。例如在数据取得装置2实时取得压铸机5的制造数据时，处理器31取得该实时的制造数据。
处理器31使用保存于学习模型保存部35的模型M的模型信息MI，推断即计算按照在S11中取得的制造数据制造出的压铸件的不合格概率(S12)。S12的处理由推断不合格概率输出部41进行。
处理器31基于不合格概率，判定与制造数据相关的压铸件的合格/不合格(S13)。S13的处理由合格/不合格判定部42进行。推断结果DR被输出到显示装置4c，合格/不合格的判定结果被显示于显示装置4c。
图11是表示模型分析部34的处理的流程的例子的流程图。如上述那样，模型分析部34是软件程序，因此通过由处理器31的CPU从ROM等读出并执行该软件程序，使得处理器31进行模型分析。在图11的处理之前，处理器31也从学习模型保存部35读出模型信息MI。
处理器31从模型信息提取重要项目(S21)。S21的处理如上述那样，基于对于合格/不合格的推断精度的影响度，推断并提取作为重要项目的变量名。S21的处理由重要项目提取部51进行。
处理器31生成用于设定合格品的制造条件的设定画面，并向显示装置4c输出(S22)。S22的处理由制造条件设定部54进行。由此，推断装置4构成输出产品的制造条件的制造条件输出装置。
处理器31执行基于对设定画面进行的输入来设定变量的制造条件的设定处理(S23)。
图12是表示在S22中生成的设定画面的显示例的图。在显示装置4c的显示画面61显示有两个窗口62及63。窗口62显示了图7所示的、在重要项目显示部52中生成的显示数据。窗口63显示了图8所示的、在制造条件设定部54中生成的显示数据。
在窗口62中的各变量名的左侧显示有复选框62a。用户能够使用输入装置4b的鼠标等对各复选框62a进行选中。在图12中，与变量名“铸造温度A”对应的复选框62a被勾选。由此，在窗口63中显示与选中的变量名对应的设定画面。
由此，用户通过使用输入装置4b而例如点击“设定变更”按钮64，能够利用复选框62a选择希望的变量，针对该变量变更制造条件的设定。在图12中，两条虚线表示铸造温度的下限值及上限值。例如在用户希望变更制造条件的设定时，操作鼠标等使对合格品区域进行规定的虚线的位置移动，将一条虚线移动到28度的位置，将另一条虚线移动到36度的位置。
之后，用户通过操作输入装置4b而例如点击“登记”按钮64，能够如窗口63中设定那样登记并变更制造条件。例如对于图12的铸造温度A，能够设定以铸造温度A的上限为36度、以下限为28度的温度范围，以使制造出的压铸件的不合格概率成为10％以下。
设定信息经由信号线5c从处理器31向压铸机5的控制装置5a发送。接收到的设定信息储存于控制装置5a的存储器，被用于压铸机5的动作控制。在上述的例子中，控制装置5a基于接收到的设定信息控制铸造温度A。其结果，以利用两条虚线使制造时的铸造温度A成为28度至36度的范围内的方式控制与压铸机5的铸造温度A的控制相关的阀等设备，因此可减少不合格概率。
如上述那样，不合格概率变化度输出部53根据模型M的模型信息MI计算多个变量的不合格概率的变化度，因此用户对于其他希望的变量也能够同样设定制造条件。
即，由于向用户提示各变量的不合格概率的变化度，因此用户能够观察针对各变量的不合格概率的变化度而设定使压铸件成为合格品的各变量的条件。
另外，在上述的例子中，合格品区域的设定是由用户使用MMI4a来设定的，但也可以将不合格概率的阈值预先设定于处理器31的存储器，并基于该阈值自动地设定针对各变量的合格品区域。
而且，在上述的例子中，设定信息经由信号线5c向控制装置5a发送而被自动地设定，但制造条件设定部54也可以仅仅是将各变量的不合格概率的变化度显示于显示装置4c而向用户提示。用户能够基于该提示的设定信息手动地设定于控制装置5a。
除此之外，在设定信息是不能直接设定于控制装置5a的变量时，用户以与该设定信息一致的方式将与该设定信息相关的一个以上的变量设定于控制装置5a。
另外，如图6中双点划线所示，也可以实时地向制造条件设定部54供给制造数据，将制造数据中的希望的变量(这里是铸造温度A)的实测值重叠在画面上。在图12中，点MD表示铸造温度A的实测值。由此，用户能够根据重叠的实测值实时确认铸造温度A的控制状态，预测由压铸机5当前制造的压铸件是合格品还是不合格品。
如以上那样，根据上述的实施方式，通过模型分析部34，对于与压铸件的不合格产生有很大关系的变量，用户能够识别可抑制不合格产生那样的制造条件。而且，用户能够设定所希望的变量的制造条件以抑制不合格产生，因此能够抑制压铸件的不合格产生。
特别是，根据上述的实施方式，由于使用非线性的机器学习模型，因此能够对于维数较大的制造数据进行合格/不合格的推断，并且也提取出与合格/不合格相关的重要项目，因此用户容易进行用于可靠地减少不合格概率的制造条件的设定。
另外，在上述的实施方式中，品质管理的对象产品是压铸件，但是，关于压铸件，从压铸机取出的压铸件后续被加工、然后在后续工序中被发现内部有气孔等不合格的情况较多。根据上述的实施方式，在制造这样的压铸件时，能够设定不易产生不合格的制造条件。其结果，防止向后续工序供给不合格品的压铸件，从而抑制压铸件的不必要的加工处理。
而且，上述的实施方式中的品质管理的对象产品是压铸件，但也可以是在注射成形机中制造出的注射成形品等其他制造物，上述的实施方式也能够应用于除压铸件以外的其他制造物。
除此之外，上述的各装置的处理器也可以将一部分或者全部构成为电子电路，或者构成为FPGA(Field Programmable Gate Array)等集成电路中的电路模块。
如以上那样，根据上述的实施方式，能够提供能够提示针对不合格概率如何设定制造条件以抑制产品的不合格的产生的制造条件输出装置、使用该制造条件输出装置的输出的品质管理系统以及具有使上述的制造条件输出的功能的程序。
另外，在以上说明的各装置中执行的程序作为计算机程序产品，在软盘、CD－ROM等可移动介质、硬盘等存储介质中记录或者存储有其整体或者一部分。该程序由计算机读取而执行动作的全部或者一部分。或者，关于该程序的整体或者一部分，可以经由通信网络流通或者提供。利用者通过经由通信网络下载该程序并安装于计算机、或者从记录介质安装于计算机，能够容易地实现本实施方式的制造条件输出装置或者品质管理系统。
虽然说明了本发明的实施方式，但这些实施方式为例示，并不意图限定发明的范围。这些新的实施方式能够以其他各种方式实施，在不脱离发明的主旨的范围内能够进行各种省略、替换及变更。这些实施方式、其变形包含在发明的范围及主旨中，并且包含在权利要求书所记载的发明及其等效的范围中。
本申请以2019年5月22日在日本提出申请的特愿2019－96286号作为优先权主张的基础而申请，上述的公开内容被引用于本申请的说明书及权利要求书中。

Claims (10)

1.一种制造条件输出装置，输出产品的制造条件，其中，具有：
变化度信息输出部，根据基于所述产品的制造数据和所述产品的检查结果数据通过机器学习而生成的模型的模型信息，输出变化度信息作为制造条件，该变化度信息是关于与所述产品的制造所涉及的多个变量的不合格概率相关的值的变化度的信息。
2.根据权利要求1所述的制造条件输出装置，其中，
所述变化度信息包含与各变量的值所对应的所述不合格概率相关的值。
3.根据权利要求1或2所述的制造条件输出装置，其中，
所述模型是非线性模型。
4.根据权利要求3所述的制造条件输出装置，其中，
所述非线性模型是通过使用了多个决策树的随机森林等的整体学习而进行了学习的模型。
5.根据权利要求1或2所述的制造条件输出装置，其中，
所述制造条件是所述产品根据所述不合格概率而成为合格品或者不合格品的、变量的值或者范围。
6.根据权利要求5所述的制造条件输出装置，其中，
具有设定所述制造条件的制造条件设定部，
所述制造条件设定部输出用于将所述制造条件与所述产品成为所述合格品或者所述不合格品的概率建立对应地设定的显示数据。
7.根据权利要求1或2所述的制造条件输出装置，其中，
具有：
重要项目提取部，根据由所述模型信息计算出的重要度，提取所述多个变量的变量名作为重要项目；以及
重要项目输出部，输出由所述重要项目提取部提取出的所述重要项目的信息。
8.根据权利要求1或2所述的制造条件输出装置，其中，
所述产品是由压铸机制造出的压铸件。
9.一种品质管理系统，包含数据取得装置、模型学习装置及推断结果输出装置，其中，
所述数据取得装置具有：
制造数据取得部，从制造产品的制造装置取得制造数据；以及
检查结果数据取得部，取得由所述制造装置制造出的所述产品的检查结果数据，
所述模型学习装置具有：
制造数据保存部，保存从所述制造数据取得部取得的所述制造数据；
检查结果数据保存部，保存从所述检查结果数据取得部取得的所述检查结果数据；以及
模型学习部，基于所述制造数据保存部的所述制造数据和所述检查结果数据保存部的所述检查结果数据，通过机器学习而生成对在所述制造装置中制造出的所述产品是合格品或者不合格品进行推断的模型，
所述推断装置具有：
推断结果输出部，使用所述模型，基于在所述数据取得装置中取得的所述制造数据，推断所述产品是所述合格品或者所述不合格品，并输出推断结果；以及
变化度信息输出部，根据所述模型的模型信息，输出变化度信息作为制造条件，该变化度信息是关于与所述产品的制造条件所涉及的变量的不合格概率相关的值的变化度的信息。
10.一种程序，用于使计算机执行如下功能：
根据基于产品的制造数据和所述产品的检查结果数据通过机器学习而生成的模型的模型信息，输出变化度信息作为制造条件，该变化度信息是关于与所述产品的制造所涉及的多个变量的不合格概率相关的值的变化度的信息。
CN202080006307.6A 2019-05-22 2020-03-16 制造条件输出装置、品质管理系统以及程序 Pending CN113168170A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2019-096286 2019-05-22
JP2019096286A JP2020190956A (ja) 2019-05-22 2019-05-22 製造条件出力装置、品質管理システム及びプログラム
PCT/JP2020/011373 WO2020235194A1 (ja) 2019-05-22 2020-03-16 製造条件出力装置、品質管理システム及びプログラム

Publications (1)

Publication Number Publication Date
CN113168170A true CN113168170A (zh) 2021-07-23

Family

ID=73453731

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080006307.6A Pending CN113168170A (zh) 2019-05-22 2020-03-16 制造条件输出装置、品质管理系统以及程序

Country Status (6)

Country Link
US (1) US20220075360A1 (zh)
EP (1) EP3974926A4 (zh)
JP (2) JP2020190956A (zh)
KR (2) KR20210047955A (zh)
CN (1) CN113168170A (zh)
WO (1) WO2020235194A1 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11748668B2 (en) * 2020-07-08 2023-09-05 Vmware, Inc. Internal load balancer for tree-based ensemble classifiers
JP7188470B2 (ja) * 2021-01-28 2022-12-13 横河電機株式会社 分析方法、分析プログラムおよび情報処理装置
JP7438616B2 (ja) 2021-05-06 2024-02-27 三菱総研Ｄｃｓ株式会社 情報処理装置及びプログラム
JP7241149B1 (ja) * 2021-10-27 2023-03-16 本田技研工業株式会社 加工支援システム
WO2023166584A1 (ja) * 2022-03-02 2023-09-07 株式会社アドバンテスト 半導体試験結果分析装置、半導体試験結果分析方法およびコンピュータプログラム
JPWO2023189329A1 (zh) * 2022-03-28 2023-10-05

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001219262A (ja) * 2000-02-08 2001-08-14 Toshiba Mach Co Ltd ダイカストマシンの制御システム
CN103236382A (zh) * 2013-05-04 2013-08-07 四川虹欧显示器件有限公司 等离子显示屏制造过程工序并行合理化的确定方法
CN105023060A (zh) * 2015-07-10 2015-11-04 北京航空航天大学 融合制造设备退化信息的生产合格率预测方法
CN106769069A (zh) * 2016-12-21 2017-05-31 中国南方航空工业(集团)有限公司 发动机余转时间合格率控制方法和装置
CN107065811A (zh) * 2017-06-06 2017-08-18 北京洋浦伟业科技发展有限公司 引起产品生产合格率跳跃式行为的低相关因子确定方法和装置
CN107282907A (zh) * 2017-05-17 2017-10-24 河钢股份有限公司邯郸分公司 利用plc程序统计连铸结晶器液面波动合格率的方法
CN109472105A (zh) * 2018-11-22 2019-03-15 上海华力微电子有限公司 半导体产品良率上限分析方法
CN109523086A (zh) * 2018-11-26 2019-03-26 浙江蓝卓工业互联网信息技术有限公司 基于随机森林的化工产品的质量预测方法及系统
JP2019074969A (ja) * 2017-10-17 2019-05-16 新日鐵住金株式会社 品質予測装置及び品質予測方法

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6901560B1 (en) * 1999-07-01 2005-05-31 Honeywell Inc. Process variable generalized graphical device display and methods regarding same
JP2003228411A (ja) 2002-02-05 2003-08-15 Sumitomo Rubber Ind Ltd 生産制御方法
JP2007165721A (ja) * 2005-12-15 2007-06-28 Omron Corp プロセス異常分析装置及びプログラム
JP4855353B2 (ja) * 2006-11-14 2012-01-18 新日本製鐵株式会社 製品の品質改善条件解析装置、解析方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体
JP2008181341A (ja) * 2007-01-24 2008-08-07 Fuji Electric Holdings Co Ltd 製造不良要因分析支援装置
JP5003362B2 (ja) 2007-09-04 2012-08-15 住友金属工業株式会社 製品品質の制御方法及び制御装置
JP5232560B2 (ja) * 2008-07-30 2013-07-10 本田技研工業株式会社 品質予測方法
JP5434837B2 (ja) * 2010-07-23 2014-03-05 新日鐵住金株式会社 品質予測装置、品質予測方法、プログラムおよびコンピュータ読み取り可能な記録媒体
GB2496040B (en) * 2011-10-24 2019-04-03 Fisher Rosemount Systems Inc Predicted fault analysis
US9823652B2 (en) 2012-02-23 2017-11-21 Hitachi Kokusai Electric Inc. Substrate processing system, management device, and display method for facilitating trouble analysis
JP6458403B2 (ja) * 2014-08-25 2019-01-30 富士電機株式会社 予測モデル生成装置、予測モデル生成方法及びプログラム
JP5849167B1 (ja) * 2015-04-09 2016-01-27 株式会社日立パワーソリューションズ 異常検知方法およびその装置
JP6811018B2 (ja) * 2016-03-07 2021-01-13 三菱重工業株式会社 品質評価システム、品質評価方法及びプログラム
JP2018116545A (ja) * 2017-01-19 2018-07-26 オムロン株式会社 予測モデル作成装置、生産設備監視システム、及び生産設備監視方法
JP6861564B2 (ja) * 2017-04-06 2021-04-21 三菱電機株式会社 監視制御装置
JP6591509B2 (ja) * 2017-11-06 2019-10-16 株式会社東芝 金型温度異常予兆検知装置及びプログラム
JP6943224B2 (ja) 2017-11-24 2021-09-29 株式会社セガ ゲームシステム及びゲーム装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001219262A (ja) * 2000-02-08 2001-08-14 Toshiba Mach Co Ltd ダイカストマシンの制御システム
CN103236382A (zh) * 2013-05-04 2013-08-07 四川虹欧显示器件有限公司 等离子显示屏制造过程工序并行合理化的确定方法
CN105023060A (zh) * 2015-07-10 2015-11-04 北京航空航天大学 融合制造设备退化信息的生产合格率预测方法
CN106769069A (zh) * 2016-12-21 2017-05-31 中国南方航空工业(集团)有限公司 发动机余转时间合格率控制方法和装置
CN107282907A (zh) * 2017-05-17 2017-10-24 河钢股份有限公司邯郸分公司 利用plc程序统计连铸结晶器液面波动合格率的方法
CN107065811A (zh) * 2017-06-06 2017-08-18 北京洋浦伟业科技发展有限公司 引起产品生产合格率跳跃式行为的低相关因子确定方法和装置
JP2019074969A (ja) * 2017-10-17 2019-05-16 新日鐵住金株式会社 品質予測装置及び品質予測方法
CN109472105A (zh) * 2018-11-22 2019-03-15 上海华力微电子有限公司 半导体产品良率上限分析方法
CN109523086A (zh) * 2018-11-26 2019-03-26 浙江蓝卓工业互联网信息技术有限公司 基于随机森林的化工产品的质量预测方法及系统

Also Published As

Publication number Publication date
JP2022002111A (ja) 2022-01-06
KR20230135177A (ko) 2023-09-22
US20220075360A1 (en) 2022-03-10
KR20210047955A (ko) 2021-04-30
WO2020235194A1 (ja) 2020-11-26
EP3974926A1 (en) 2022-03-30
JP2020190956A (ja) 2020-11-26
EP3974926A4 (en) 2023-06-14
JP7297831B2 (ja) 2023-06-26

Similar Documents

Publication Publication Date Title
CN113168170A (zh) 制造条件输出装置、品质管理系统以及程序
CN109382838B (zh) 控制装置以及机器学习装置
JP6811018B2 (ja) 品質評価システム、品質評価方法及びプログラム
US7275018B2 (en) Method of condition monitoring
JP5157359B2 (ja) 時系列データ解析装置、時系列データ解析システム、時系列データ解析装置の制御方法、プログラム、および記録媒体
JP2017030221A (ja) 射出成形機の異常診断装置
JP7102941B2 (ja) 情報処理方法、情報処理装置、及びプログラム
US11157821B2 (en) Traceability system and method for traceability
JP2012226511A (ja) 歩留まり予測システムおよび歩留まり予測プログラム
US20220318667A1 (en) Intelligent real-time defect prediction, detection, and ai driven automated correction solution
US20210394247A1 (en) Method and system for forming a stamped component using a stamping simulation model
TW201945987A (zh) 製程異常狀態預判方法及預判系統
US20220121182A1 (en) Operation evaluation device, operation evaluation method, and program
US20170176985A1 (en) Method for predicting end of line quality of assembled product
US11645794B2 (en) Monitoring apparatus, monitoring method, and computer-readable medium having recorded thereon monitoring program
JP7374868B2 (ja) 情報処理装置、情報処理方法およびプログラム
JP2020140365A (ja) 製品品質不良予測システム
JP6832175B2 (ja) 処理フロー管理装置及び処理フロー管理方法
US20230097599A1 (en) Monitoring apparatus, monitoring method, and non-transitory computer readable medium
US20230152759A1 (en) Information processing apparatus, information processing method, and computer program product
WO2023243232A1 (ja) データ分析装置、データ分析方法およびプログラム
US20220391777A1 (en) Information processing device, information processing method, and computer program product
US20230316380A1 (en) System and method for recommending a recipe in a manufacturing process
WO2022158066A1 (ja) 製造条件最適化装置、プログラムおよび製造条件最適化方法
US20230288915A1 (en) Information processing device, information processing method, and computer program product

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination