CN113424119A - 作业效率评价方法、作业效率评价装置以及程序 - Google Patents
作业效率评价方法、作业效率评价装置以及程序 Download PDFInfo
- Publication number
- CN113424119A CN113424119A CN202080013840.5A CN202080013840A CN113424119A CN 113424119 A CN113424119 A CN 113424119A CN 202080013840 A CN202080013840 A CN 202080013840A CN 113424119 A CN113424119 A CN 113424119A
- Authority
- CN
- China
- Prior art keywords
- time
- work efficiency
- production
- job
- influence
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 114
- 230000009467 reduction Effects 0.000 claims abstract description 53
- 238000003860 storage Methods 0.000 claims abstract description 25
- 238000004519 manufacturing process Methods 0.000 claims description 345
- 238000009826 distribution Methods 0.000 claims description 115
- 238000000034 method Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 3
- 239000000047 product Substances 0.000 description 144
- 230000002950 deficient Effects 0.000 description 55
- 238000004364 calculation method Methods 0.000 description 44
- 238000001514 detection method Methods 0.000 description 26
- 238000010276 construction Methods 0.000 description 24
- 230000015556 catabolic process Effects 0.000 description 16
- 238000006731 degradation reaction Methods 0.000 description 16
- 230000014509 gene expression Effects 0.000 description 13
- 238000012545 processing Methods 0.000 description 12
- 239000000725 suspension Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000007476 Maximum Likelihood Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008439 repair process Effects 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 239000002904 solvent Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4065—Monitoring tool breakage, life or condition
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37242—Tool signature, compare pattern with detected signal
-
- 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]
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Human Computer Interaction (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
关于对象的作业,对作业效率的降低进行评价。作业效率评价方法包含:从存储部(13)读取基于包含规定的作业时间以及作业量的与作业有关的运行数据而生成的、用于对作业的效率进行评价的模型数据的步骤;通过模型数据,基于与作业所需的时间以及作业量有关的数据,计算作业效率的降低的影响度的步骤;和根据影响度,评价作业效率的降低的步骤。
Description
技术领域
本公开涉及作业效率评价方法、作业效率评价装置以及程序。
背景技术
专利文献1公开了在作为对象的装置的异常预兆的检测时或者异常的发生时对异常的预兆或原因进行推断。专利文献1的装置异常诊断方法将维护作业和与其相关的运行事件或者警报的至少一者之间的因果关系作为因果关系模型而生成,使用其来进行异常诊断处理。
在先技术文献
专利文献
专利文献1:JP专利第5129725号公报
发明内容
-发明要解决的课题-
本公开提供对产品的制造、修理、选择等基于机械、人的作业的效率进行评价的作业效率评价方法、作业效率评价装置以及程序。
-解决课题的手段-
本公开的作业效率评价方法包含:从存储部读取基于包含规定的作业时间以及作业量的与作业有关的运行数据而生成的、用于对作业的效率进行评价的模型数据的步骤;通过模型数据,基于与作业所需的时间以及作业量有关的数据,计算作业效率的降低的影响度的步骤;和根据影响度,评价作业效率的降低的步骤。
这些概括性并且特定的方式也可以通过系统、方法以及计算机程序、及其组合来实现。
-发明效果-
通过本公开的作业效率评价方法、作业效率评价装置以及程序,能够评价作业的效率的降低。
附图说明
图1是表示实施方式所涉及的生产性能评价装置的结构的框图。
图2A是对生产性能评价装置中利用的日志数据的一部分进行说明的图。
图2B是接续图2A而对生产性能评价装置中利用的日志数据的一部分进行说明的图。
图3A是对生产性能评价装置中从日志数据得到的值进行说明的图。
图3B是接续图3A而对生产性能评价装置中从日志数据得到的值进行说明的图。
图4是对理想生产时间模型、暂停时间模型、不合格产品制造时间模型以及实效生产时间模型的关系进行说明的图。
图5A是对通过点推断而求取的概率进行说明的图表。
图5B是对通过贝叶斯推断而求取的概率分布进行说明的图表。
图6A是对通过最大似然推断而求取的概率分布进行说明的图表。
图6B是相比于图6A来对通过贝叶斯推断而求取的概率分布进行说明的图表。
图7A是表示对数指数分布的一个例子的图表。
图7B是表示0超额指数分布的一个例子的图表。
图7C是表示指数分布的一个例子的图表。
图8A是通过图1的性能评价装置而生成的模型数据的一个例子。
图8B是从图8A的模型数据得到的分布。
图9是实效生产时间的概率分布的一个例子。
图10A是在不利用理想生产时间以及错误时间的情况下推断的实效生产时间的一个例子。
图10B是利用理想生产时间而推断的实效生产时间的一个例子。
图10C是利用错误时间而推断的实效生产时间的一个例子。
图11A是求取的各信息量的一个例子。
图11B是对来自图11A的信息量的性能降低的原因的评价进行说明的图。
图12A是对生产性能评价方法进行说明的流程图。
图12B是接续图12A来对生产性能评价方法进行说明的流程图。
具体实施方式
[作为本公开的基础的认识]
作为工厂的生产性能的指标之一,使用被称为生产时间(Tact time)的每一个生产的时间。然而,也可能利用一个生产设备,分别以不同的定时,对生产所需的时间不同的多种产品进行生产。即,也可能如果不考虑所制造的产品,则根据生产时间来评价生产性能是不适当的。
此外,在生产设备中,也可能由于各种理由而产生设备的运行的停止(以下,记为“暂停”。),由于其导致生产数量降低。针对各设备,成为暂停的原因的错误的数量非常多(例如,250种等),即使假设能够确定生产性能降低的设备,其降低原因也各种各样。此外,若不能确定生产性能降低的原因,则不能改善生产性能,因此也可能希望确定原因。
进一步地,在通常频繁发生的错误以通常的频率发生的情况、很少发生的错误发生了几次的情况下,难以简单地仅根据错误的时间、次数来判断哪个对生产性能的降低较强地影响。
此外,虽然认为产品的生产中产生的“成品率”也对产品的生产性能的降低有影响,但成品率是合格产品数/制造数即个数比率,因此难以简单地与暂停等的时间进行比较。
虽然除了产品的制造,也可能评价基于机械、人的各种作业的效率的降低,但难以确定该效率的降低的发生、效率的降低的重要因素。
本公开提供一种用于作业的效率的评价的作业效率评价方法、作业效率评价装置以及程序。另外,在以下的实施方式中,使用作为作业效率、以产品的生产为一个例子而对产品的生产性能的降低进行评价的生产性能评价方法、生产性能评价装置以及程序来进行说明。具体地说,推断与制造部件的种类等、作业内容相应的生产时间,将其与进行的作业的作业时间以及作业量进行比较从而评价作业效率的降低。此外,考虑基于错误的作业停止时间以及不合格产品的生产所涉及的损失时间,能够说明哪个重要因素导致推断的生产时间的降低,从而推断作业效率降低的重要因素。例如,本公开的生产性能评价方法、生产性能评价装置以及程序能够在生产产品的工厂中,早期发现并解决设备的问题。由此,在使用本公开的生产性能评价方法、生产性能评价装置以及程序的工厂中,能够实现产品的生产性能的提高。
另外,本公开所涉及的作业效率评价方法、作业效率评价装置以及程序中作为效率的评价方法的对象的“作业”,除了与产品的制造有关的生产效率,举例修理物品时的作业的效率、检查物品时的作业的效率、包装物品时的作业的效率、选择物品时的作业的效率等各种作业。此外,基于作业效率评价方法、作业效率评价装置以及程序的作业的对象并不限定于通过机械而进行作业,也可以通过夹具而进行作业、通过人而进行作业。
[实施方式]
实施方式所涉及的生产性能评价装置以及生产性能评价方法在生产产品的工厂中,评价用于生产的机械的性能。在此,生产性能评价装置通过有线或者无线来与作为评价的对象的机械连接。并且,生产性能评价装置获取连接的机械的操作中使用的参数、机械的测量值(观测值)、确定被生产的产品的构造的参数、产品的生产所需的时间、生产的产品的合格产品以及不合格产品的数量、即合格产品数/不合格产品数等的日志数据,使用获取的日志数据来评价机械的性能。以下,参照附图来对实施方式所涉及的生产性能评价装置、生产性能评价方法以及程序进行说明。
在本申请中,“生产时间”是指生产一个产品所需的时间。
“暂停”是指产品的生产中,产品的生产中利用的机械由于任何错误导致停止短时间(例如,1~30分钟左右)。此外,“暂停时间”是指发生错误导致机械停止某个时间,由操作员等恢复并重新运行机械为止的时间。
“批次”是指生产产品时,在相同条件下一起生产多个的生产单位。在以下的说明中,对每个批次赋予与生产有关的信息。
“成品率”是指产品的生产中,实际生产的合格产品数相对于从原料的投入量期待的产品的生产量的比率。
另外,在本申请中,利用“生产”和“制造”的用语,但是同样意思。
<生产性能评价装置>
如图1所示,生产性能评价装置1A具备获取部111、计算部112、模型构建部113、检测部114、评价部115以及输出处理部116。此外,生产性能评价装置1A是如下的计算机,即具备:执行数据的处理的CPU等的控制部11、经由网络来与外部的装置等之间执行数据的收发的通信部12、存储数据的RAM、ROM等的存储部13、利用于数据的输入的输入部14以及利用于数据的输出的输出部15。此外,存储部13对生产性能评价程序P、日志数据D1、模型数据D2进行存储。
例如,在生产性能评价装置1A中,通过存储部13中存储的生产性能评价程序P被读取并执行,从而控制部11执行作为获取部111、计算部112、模型构建部113、检测部114、评价部115以及输出处理部116的处理。
在此,生产性能评价装置1可以通过一台计算机实现,也可以通过经由网络而连接的多台计算机的组合来实现。例如,存储部13中存储的数据的一部分被存储于经由网络而连接的外部的存储介质,生产性能评价装置1A也可以构成为使用外部的存储介质中存储的数据。具体地说,也可以将后述的处理中使用的日志数据D1、模型数据D2存储于外部的存储介质。此外,也可以通过外部的装置来实现获取部111。
获取部111以规定的定时,从生产性能的评价的对象即机械获取确定机械的生产条件的参数、产品的生产所需的时间以及与生产的产品的合格产品/不合格产品数有关的信息等与生产有关的日志数据,蓄积并存储于存储部13。例如,获取部111可以按定期的定时获取日志数据,也可以在参数的值产生变化的定时获取日志数据,也可以在利用机械的期间一直获取日志数据。
图2A中表示日志数据D1的一部分即批次信息D11的一个例子。该批次信息D11是与产品的生产时的机械的运行、停止的时间、生产的产品的合格产品/不合格产品数等有关的数据。批次信息D11具体地说,是将生产对象的产品的批次的识别信息即“批次编号”、产品的生产中使用的机械的识别信息即“机械编号”、该批次中开始生产的时刻即“开始时刻”、该批次中制造的产品的制造参数的值即“参数l”以及“参数s”、该批次的产品的生产所需的时间即“运行时间”、运行时间之中除去实际机械停止的时间以外的时间即“制造时间”、运行时间之中机械停止的时间即“停止时间”、该批次中生产的产品的数量即“制造数”、该批次编号中生成的产品之中除不合格产品以外的合格产品的数量即“合格产品数”建立关联的数据。
图2B中表示日志数据D1的一部分即暂停信息D12的一个例子。该暂停信息D12是与产品的生产时的所谓的暂停有关的数据,包含某个批次中暂停发生的次数即停止次数、暂停的时间即停止时间等的信息。具体地说,暂停信息D12是“批次编号”、产品的生产中使用的机械的识别信息即“机械编号”、开始该批次编号的产品的生产的时刻即“开始时刻”、“参数l”、“参数s”、该批次编号中生成产品时发生的错误的识别信息即“错误代码”、由于该错误代码的错误而发生的暂停的总次数即“停止次数”、由于该错误代码的错误而发生的每个错误的暂停的总停止时间的合计即“错误停止时间”。
在一个批次编号中的生成中,也可能发生多种错误,因此图2B所示的暂停信息D12对一个批次编号具有多个记录。具体地说,根据图2B的暂停信息D12可知,在批次编号“A318701094”的生成中,错误代码“1”的错误发生1次,“21”的错误发生1次,“22”的错误发生1次,“25”的错误发生3次,“33”的错误发生1次,“55”的错误发生1次。
另外,图2A以及图2B所示的数据结构是一个例子,日志数据D1在生产性能评价装置1A中若包含生产性能的评价所需的各项目的数据则并不限定于该结构。
计算部112使用日志数据D1,计算实效生产时间t1、理想生产时间t0、错误时间tE、每个错误的每一个产品的暂停时间fi以及不合格产品制造时间y。另外,以下,在简记为“暂停时间fi”时,也是指“每个错误的每一个产品的暂停时间fi”。此外,计算部112将计算出的实效生产时间t1、理想生产时间t0、错误时间tE、每个错误的每一个产品的暂停时间fi以及不合格产品制造时间y输出给模型构建部113、检测部114以及评价部115。
“实效生产时间t1”是关于对象的批次,还包含暂停时间、不合格产品的生产所需的时间的生产时间。具体地说,是每个合格产品数的机械的运行时间。计算部112使用下述的式(1),计算实效生产时间t1。
实效生产时间t1=运行时间Mt/合格产品数Gc…(1)
“理想生产时间t0”是关于对象的批次,除去暂停时间而与全部产品的生产有关的生产时间。即,是关于对象的批次,假定为机械能够没有错误地生产也没有不合格产品的情况的生产时间。具体地说,是整体的制造数每一个的制造时间,整体的制造数包含生产的合格产品以及不合格产品,制造时间是从生产的开始到结束的时间。计算部112使用下述的式(2)来计算理想生产时间t0。
理想生产时间t0=制造时间Ot/制造数Pc…(2)
图3A中表示根据图2A的运行时间、制造时间、制造数以及合格产品数,通过式(1)而求取的实效生产时间t1、通过式(2)而求取的理想生产时间t0。具体地说,针对批次编号“A318701094”,根据903/1999(运行时间/合格产品数),求取实效生产时间t1“0.452”,根据798/2000(制造时间/制造数),求取理想生产时间t0“0.399”。另外,在图3A的例子中,将小数第四位四舍五入。此外,后面对图3A的数据的项目即“判断阈值”以及“判断结果”进行叙述。
图3A所示的数据用于说明的,计算部112不需要生成图3A所示的结构的数据。即,参照日志数据能够确定开始时刻等的信息,因此计算部112与批次编号建立关联,仅将求取的理想生产时间t0以及实效生产时间t1输出给模型构建部113、检测部114以及评价部115即可。
“错误时间tE”是将停止时间除以合格产品数的值。计算部112使用下述的式(3),计算错误时间tE。
错误时间tE=停止时间Et/合格产品数Gc…(3)
“每个错误的每一个产品的暂停时间fi”是针对对象的批次,将与对象的错误有关的暂停的错误停止时间除以合格产品数的值。计算部112使用下述的式(4),计算每个错误的每一个产品的暂停时间fi。
暂停时间fi=错误i的停止时间Eti/合格产品数Gc…(4)
此外,如式(5)所示,全部错误的“暂停时间fi”的合计为“错误时间tE”。
tE=∑fi…(5)
因此,计算部112也可以取代式(3),使用式(5)来计算错误时间tE。
图3B中表示根据图2B的错误停止时间以及制造数,通过式(4)而求取的每个错误的每一个产品的暂停时间fi。例如,针对批次编号“A318701094”的错误代码“1”的错误,根据11/1999(错误停止时间/合格产品数),求取了暂停时间fi“0.0055”。另外,后面对图3B的数据的项目即“信息量”进行叙述。
图3B所示的数据是用于说明的,因此计算部112不需要生成图3B所示的结构的数据。即,由于能够参照日志数据来确定开始时刻等的信息,因此计算部112与批次编号以及错误代码建立关联,仅将求取的暂停时间fi输出给模型构建部113、检测部114以及评价部115即可。
“不合格产品制造时间”是相当于基于不合格产品生产的损失时间的时间、即表示相对于一个合格产品的生产的不合格产品的生产时间的值。计算部112使用下述的式(6),计算不合格产品制造时间。该不合格产品制造时间将以个数比率所示的“成品率”置换为时间尺度,因此具有生产每一个不合格产品制造时间的意思。
不合格产品制造时间y=
制造时间Ot/{(制造数Pc-合格产品数Gc)/(制造数Pc/合格产品数Gc)}…(6)
模型构建部113构建用于基于与机械的运行、生产状况有关的数据即运行数据,来评价机械的生产性能的模型数据D2。模型构建部113构建的模型对针对使用机械、生产产品的产品编号等的生产条件的被期待的性能值的分布进行推断。所谓性能值,是指上述的“理想生产时间t0”、“实效生产时间t1”、“暂停时间fi”以及“不合格产品制造时间y”。这4个性能值中,以下的式(7)的关系成立。
实效生产时间t1=理想生产时间t0+各错误的暂停时间fi的合计+不合格产品制造时间y…(7)
模型构建部113推断用于表示这些性能值的推断分布的参数,作为模型数据D2而保存于存储部13。此外,该模型由各性能值的子模型构成。即,是用于推断理想生产时间的理想生产时间模型I、用于推断暂停时间的暂停时间模型II、用于推断不合格产品制造时间的不合格产品制造时间模型III、用于推断实效生产时间的实效生产时间模型IV。图4中对此进行表示。
模型I~IV是将生产时间等的性能值的变动获取为概率的现象的模型,图4通过被称为DAG的附带箭头的图表来表示各变量间的概率的依赖关系。图4中白圈中的黑字表示的参数K、Θ、ws、we、w1、γ、θ、σ0、σ1是模型数据D2中保存的参数,通过贝叶斯推断而推断。
图4所示的变量y、t0、fi、t1(黑圈中的白色文字的参数)是上述的性能值。如已经叙述那样,使用日志数据D1通过计算部112而计算的性能值作为具体测量的值,被称为“观测值”。通过计算部112而计算的观测值被输出到模型构建部113、检测部114以及评价部115。此外,变量y、t0、fi、t1通过模型构建部113构建的模型,推断在某个生产条件下能够取哪种值的分布。将这些设为变量y、t0、fi、t1的“推断值”。
图4所示的较小的黑圈的参数是从外部指定的参数,s、e、l是根据使用的机械、生产的产品等的条件而确定的参数。K0、Θ0、γ0、θ0、β0、β1是以被称为超参数的参数来控制模型的推断。这些例如经由通信部12而从机械、外部的装置输入,或者通过操作员经由输入部14而输入。在图4所示的例子中,参数s、l通过“被制造的产品的特性”而被确定,参数e通过“机械编号”而被确定。
在图4所示的例子中,值N是构建各模型时的学习数据的数量。此外,值M是对象的批次中作为暂停的原因的错误编号的种类的数目。
另外,在以下的说明以及式子中,关于理想生产时间t0、实效生产时间t1、暂停时间fi以及不合格产品制造时间y的各变量,为了方便而如以下那样表现。另外,在仅仅作为变量使用的情况下,作为t0、t1、fi、y,不使用装饰符号而表现。
《贝叶斯推断》
在模型构建部113中,通过贝叶斯推断来进行模型的构建。这里,对贝叶斯推断进行概述。贝叶斯推断将有兴趣的变量(例如生产时间)推断为值的分布。在贝叶斯推断中,通过推断表示分布的参数(若是正态分布则是平均、分散)来表示变量的分布。贝叶斯推断关于变量的值,若存在先验知识,则通过将其表现为先验分布能够控制推断结果。此外,在贝叶斯推断中,平均μ、标准偏差σ等的参数也推断为分布,因此能够区间推断。因此,具有能够进行不需要零假设的假设检验的特征。即,不是如图5A所示那样推断某个特定的平均值μ的点推断,而是通过推断图5B所示的平均μ的分布的分布推断(区间推断)来确定。
表示基于贝叶斯推断的参数推断的一个例子。存在某个希望推断的概率变量x,其根据由两个参数平均μ、分散σ表示的正态分布而变动。在贝叶斯推断中,对该参数μ、σ进行推断。此时,以下的关系成立。
[数学式1]
在式(8)中,左边是指在得到概率变量x的实际的观测值x1、x2、…xN的基础上,参数μ以及σ可取的值的概率分布,称为后验概率分布。右边分子第1项的p(x|μ,σ)是指根据基于参数μ、σ的正态分布而生成观测值x1至xN的情况下表示似然的指标,称为似然度。p(μ,σ)是与参数μ、σ有关的先验知识(先验分布),是在得到观测值x1、x2、…xN之前,针对概率变量μ、σ而预料的概率分布。此外,右边的分母p(x)固定,因此在模型构建部113中,除分母以外,设为式(8)所示的比例式。
基于上式(8)贝叶斯推断的参数μ以及σ的后验分布的推断能够通过马尔可夫连锁蒙特卡罗法(MCMC)等的采样法、VB-EM算法等的变分推断来求取。
若得到平均μ以及标准偏差σ的后验概率分布,则在得到观测值x的条件下,x的推断分布(后验概率分布)能够通过以下的式(9)来表示。
[数学式2]
在式(8)(9)以及以下的说明中,
式(9)的右边的p(x|μ,σ)表示观测值x从由平均μ以及标准偏差σ所示的分布新发生的概率,能够从假定的概率分布(在本例中为正态分布)直接求取。进一步地,右边的p(μ,σ|x)是通过贝叶斯推断而确定的概率分布。在式(9)中,通过用所有的平均μ以及标准偏差σ进行积分消去,求取观测值x的后验概率分布。
图6A是利用最大似然推断(最小二乘法)而求取的变量x的分布(实线)。此外,图6B是利用贝叶斯推断而求取的变量x的分布(实线)。另外,在图6A以及图6B中,虚线是变量x的实际的分布。假设实际的分布是由虚线所示的情况时,获取观测值x1、x2、x3,x4,则在最大似然推断中,不考虑先验分布,因此得到图6A的实线所示的概率分布的推断结果。另一方面,如图6B所示,在贝叶斯推断中,即使在实际的分布以及观测值x1,x2,x3,x4与图6A同样的情况下,也能够考虑先验分布,因此能够得到接近于实际的分布的概率分布。另外,本例是极端的例子,一般地,即使是最大似然推断法,若基于充分数量的观测值来进行参数推断,则能够得到表示接近于实际分布的分布的参数。因此与贝叶斯推断本质不同点在于,通过最大似然推断而得到的参数(μ,σ)仅仅是1组,与此相对地,在贝叶斯推断中,参数也作为分布而得到。
《理想生产时间模型》
对模型构建部113中的理想生产时间模型I的构建进行说明。理想生产时间模型I是表示图4所示的虚线部分的模型。该模型被用于对理想生产时间t0所取的值的分布进行推断。
理想生产时间模型I的构建通过推断参数ws、we、wl、σ0而进行。参数s、e、l相当于生产条件,指定为所给的值。模型构建部113中,使用根据日志数据D1通过计算部112而计算的过去的理想生产时间t0的观测值,通过以下的式(10),推断参数ws、we、wl、σ0的分布。
[数学式3]
在此,右边第2式第一项的LogN(x;μ,σ)表示x按照对数正态分布。
图7A中表示对数正态分布的一个例子。“对数指数分布”是取概率变量x的对数的(log(x))按照正态分布时的x的分布,在此,理想生产时间t0对应于观测值x。该对数正态分布与正态分布不同,能够利用于不取负值的变量。由于理想生产时间t0不取负值,在此,利用对数正态分布。如图7A所示,对数正态分布是分布在左边变厚。
式(10)是与上述的贝叶斯推断的说明的式(8)对应的式子,此后将基于此的参数推断记为以下的(11)。
[数学式4]
p(t0|e,s,l)~LogN(log(wee+wss+w1l),σ0)...(11)
若通过模型构建部113得到用于理想生产时间推断的参数ws、we、wl、σ0,则能够通过以下的式(12),推断理想生产时间t0的后验概率分布。
[数学式5]
这是与上述的贝叶斯推断的说明的式(9)对应的式子,该计算通过后述的检测部114来进行。
即,式(12)表示根据过去观测的(用于模型推断的)理想生产时间的观测值t0、s、e、l的生产条件而推断的理想生产时间的分布(后验概率分布)。由此,在某个批次的理想生产时间通过计算部112而(新)计算时,通过与上述概率分布对照,能够评价此时的性能是好还是坏。
《暂停时间模型》
接下来,对模型构建部113中的暂停时间模型II的构建进行说明。暂停时间模型II是表示图4所示的单点划线部分的模型。作为模型对象的每个错误的暂停时间fi的概率分布根据被观测值的暂停时间fi、基于生产条件e、l、超参数γ0、θ0而求取的参数γ、θ的分布来推断。另外,超参数γ0、θ0是用于表现参数γ、θ的先验分布的参数,一般对没有偏差的分布的值进行指定。另外,如图4所示,若对象的机械组中错误的种类数是M,则模型构建部113按照该M种类的每个错误,输入暂停时间fi。
对模型构建部113输入根据日志数据D1通过计算部112而计算的暂停时间fi的观测值,进一步地,使用生产条件e、l以及超参数γ0、θ0,通过以下的式(13),推断用于表示各M个错误的暂停时间fi的概率分布的参数γ、θ。
[数学式6]
在此,Exp0()是0超额指数分布。此外,γi以及θi是按照每个e、1以及i而推断的参数。即,γi以及θi为按每个i而e×l的组合的数量的参数,也可以使用NMF(非负值矩阵因素分解)等的矩阵分解的手法来进行参数的压缩,根据更少的参数来实质地求取e×l个参数。该情况下,除了能够减少模型数据D2的容量的优点,还具有针对模型构建时不存在的生产条件e、l的组合条件也能够推断参数的优点。i是对错误的种类进行识别的指数,例如与错误代码对应,取1~M的自然数。
图7B中表示0超额指数分布的一个例子,图7C中表示指数分布的一个例子。0超额指数分布是通常的指数分布与伯努利分布的合成分布,概率变量视为按照以下的式(14)而产生。
[数学式7]
由于通过上述的函数而求取,因此如图7B、图7C所示,0超额指数分布相比于通常的指数分布,为0较多发生的分布。
《不合格产品制造时间模型》
对模型构建部113中的不合格产品制造时间模型III的构建进行说明。不合格产品制造时间模型III是表示图4所示的双点划线部分的模型。在此,根据被观测的不合格产品制造时间y、生产条件e、l以及超参数K0、Θ0,通过以下的式(15)来推断参数K、Θ的分布。在此,K、Θ按照每个e、l而被推断。但是,与暂停时间模型中的γi以及θi同样地,也可以通过NMF等来进行参数的压缩。
[数学式8]
p(y|e,l)~Γ(y;κe,t,θe,l)…(15)
在此,Γ()表示伽马分布。
《实效生产时间模型》
对模型构建部113中的实效生产时间模型IV的构建进行说明。如图4所示,实效生产时间模型IV能够考虑为理想生产时间t0、每个错误的暂停时间fi、不合格产品制造时间y的总和,通过以下的式(16),推断参数σ1。
[数学式9]
p(t1|s,e,l)~LogNp(t1;t0+y+∑ifi,σ1)…(16)
模型构建部113使这样求取的理想生产时间模型I、暂停时间模型II、不合格产品制造时间模型III、实效生产时间模型IV的模型参数作为模型数据D2而存储于存储部13。图8A中表示由模型参数构成的模型数据D2的一个例子。这样,模型数据D2例如通过利用采样法等而得到的样本组,表现参数的概率分布。在图8A的例子中,是使用采样法等来分别得到S个推断值的例子。在图8A中,参数名“wl”的参数存在1~5(1后缀的数,5维),参数名“we”的参数存在1~6(6维),但这是一个例子。例如,图8A中,根据参数名wl[2]的样本组(横向),得到图8B所示的分布。
检测部114在作为新的观测值而在生产条件s、e、l下进行生产时的实效生产时间t1经由计算部112而被输入。检测部114使用存储部13中存储的模型数据D2的参数,推断针对该生产条件s、e、l的实效生产时间的后验概率分布p(t1|s,e,l)。进一步地,相比于被推断的后验概率分布p(t1|s,e,l),在观测的实效生产时间t1为规定条件的情况下,针对该机械检测性能的降低。
图9是对检测部114中的性能降低的检测进行说明的图。图9中的左侧的图表将纵轴设为生产时间,将横轴设为直方图的概率密度,表示根据模型数据D2推断的实效生产时间的后验概率分布p(t1|s,e,1)。此外,图9中的右侧的图表是将横轴设为时间(例如,日)、将纵轴设为生产时间时的被观测的实效生产时间t1的图表。此外,在该图表中,通过虚线来表示被推断的实效生产时间的概率分布p(t1|s,e,l)的95%点。所谓95%点,是指实效生产时间的概率分布中,从下侧起的累积概率为95%时的生产时间。此外,通过单点划线来表示累积概率为50%的生产时间(中央值)。例如,右侧的图表的Tx所示的时间点的95%点以及50%点的值从左侧的直方图得到。这样,根据各时间点的概率分布,确定右侧的图表所示的95%点以及50%点的值。生产时间的值越大,生产性能越低,因此在右图表中,越向上提升,性能越降低。另外,后面对实效生产时间的概率分布的计算方法进行叙述。
检测部114将根据被推断的实效生产时间t1的概率分布p(t1|s,e,l)而求取的95%点的值设为判断阈值,在被观测的实效生产时间t1小于该判断阈值的情况下判断为不存在性能的降低,在被观测的实效生产时间t1为大于95%点的值的情况下检测为性能降低。
这样,在本申请中,通过使用贝叶斯推断来进行实效生产时间的推断,能够相比于过去的性能分布,通过概率尺度来直接求取性能降低什么程度。
图3A的“判断阈值”是通过检测部114而求取的实效生产时间t1的阈值。此外,“判断结果”表示根据通过检测部114利用“判断阈值”而得到的性能的降低的检测的结果而判断的、有无警告的必要。在图3A所示的例子中,针对批次编号“A318701094”的批次,在作为理想生产时间t0得到“0.339”、作为实效生产时间t1得到“0.452”的情况下,通过检测部114,对判断阈值得到“0.463”。该情况下,实效生产时间t1“0.452”不大于判断阈值“0.463”,因此检测部114不检测为性能的降低,判断为“无警告”。
另一方面,在图3A所示的例子中,针对批次编号“A318701070”的批次,在作为理想生产时间t0得到“0.466”、作为实效生产时间得到“0.518”的情况下,通过检测部114,对判断阈值得到“0.501”。该情况下,实效生产时间t1“0.518”大于判断阈值“0.501”,检测部114检测为性能降低,判断为需要输出“警告”。
这样,检测部114使用实效生产时间的被推断的概率分布来求取判断阈值,相比于通过计算部112而得到的实效生产时间的观测值,检测性能的降低。
《实效生产时间的分布的计算》
图9左边所示的实效生产时间t1的概率分布能够使用图8A中例示的模型数据D2来求取。例如,检测部114通过以下的式(17i)~(17iv),生成n个理想生产时间t0、推断值的暂停时间fi以及推断值的实效生产时间t1。
[数学式10]
在此,“←”是指生成n个按照右边所示的概率分布的样本(以下,同样)。
即,由于从图8A中例示的S个模型参数的组分别采样n个推断值,因此整体上得到S×n个样本。该样本的集合整体表示各变量(理想生产时间等)的后验概率分布。这些计算与进行对应于贝叶斯推断的说明的式(9)的计算相等。另外,n的数也可以是1。
评价部115基于存储于存储部13的模型数据D2、经由计算部112而得到的机械的性能值的观测值,评价机械的生产性能的降低的每个重要因素的影响度。这是求取不考虑所关注的重要因素的观测值的情况下的实效生产时间的观测值的发生概率(第1概率)、考虑该重要因素的观测值的情况下的实效生产时间的观测值的发生概率(第2概率),将根据这些概率得到的信息量的差作为性能降低的影响度,来评价性能降低的重要因素。
使用图10A至图10C,说明利用“各错误的暂停时间”以及“实效生产时间”作为关注的重要因素来评价性能降低的重要因素的一个例子。图10A至图10C是将横轴设为时间、将纵轴设为生产时间来对观测值的实效生产时间t1与被推断的实效生产时间的分布进行比较的图表。在图10A至图10C中,实线的图表是观测值的实效生产时间t1。此外,虚线是根据被推断的实效生产时间的分布而求取的95%区间的范围,单点划线是实效生产时间t1的分布的中央值。
图10A表示通过不考虑利用理想生产时间t0、错误时间tE的实测值而得到的实效生产时间的分布的95%区间。图10B表示考虑理想生产时间t0的观测值而推断的实效生产时间的分布的95%区间。图10C表示考虑第i个错误的暂停时间fi的观测值而得到的实效生产时间的分布的95%区间。若对图10A至图10C进行比较可知,被推断的实效生产时间的分布的95%区间变化。这是由于实效生产时间的推断中通过考虑理想生产时间t0、暂停时间fi等的重要因素的实测值从而推断的精度提高。推断的精度提高是指该重要因素影响实效生产时间的变化(恶化)。即,对实效生产时间的推断分布与实效生产时间的观测值进行比较,将其差利用于性能降低的影响度的评价。另外,省略图示,但同样地在进行考虑了不合格产品制造时间y的实效生产时间的推断的情况下,也能够提高实效生产时间的推断的精度。
《每个错误的信息量的计算》
使用式(18)以及式(19)来对每个错误的信息量的计算进行说明。
[数学式11]
在此,
即,使用模型数据D2,如上所述,根据各参数的S组的值的组,可得到S×n组的理想生产时间t0、暂停时间fi、不合格产品制造时间y的样本。
如将此代入到式(18),则对观测值的实效生产时间能够得到S×n个上侧概率将这些平均值作为观测值的实效生产时间的上侧概率,设为同样地,若使用S×n组的理想生产时间t0、暂停时间fi、不合格产品制造时间y的样本和第i个错误所对应的观测值的暂停时间fi来代入到式(19),则对观测值的实效生产时间可得到S×n个的对此进行平均,作为考虑了观测值的暂停时间的观测值的实效生产时间的上侧概率,得到
或者,上述上侧概率也能够如以下那样求取。使用S×n组的理想生产时间t0、暂停时间fi、由不合格产品制造时间y的样本、S个的样本推断的参数σ1,得到基于S×n个的实效生产时间t1的后验概率分布的样本。该样本之中,将具有比观测值的实效生产时间t1大的值的样本的个数除以S×n的值设为,同样地,使用S×n组的理想生产时间t0、暂停时间fi、由不合格产品制造时间y的样本和S个的样本推断的参数σ1、以及观测值的第i个错误的暂停时间fi,得到第i个错误的暂停时间fi已知时的、基于S×n个的实效生产时间t1的后验概率分布的样本。该样本之中,将具有比观测值的实效生产时间t1大的值的样本的个数除以S×n的值设为,
使用得到的发生概率,利用以下的式(20)来求取每个错误的信息量I(fi),从而能够检测各错误对生产性能的降低带来的影响度。
[数学式12]
例如,在图10A中,在时间点B,观测值的实效生产时间从推断分布的95%区间跳出,观测值的实效生产时间的上侧概率为较小的值。因此,式(20)的右边第1项的信息量为较大的值。另一方面,在得到错误停止时间的观测值的暂停时间的图10C中,推断分布的95%区间在时间点B显著上升,上侧概率为较大的值。因此式(20)右边第2项的信息量为较小的值,式(20)的I(fi)为较大的值。
另一方面,在图10A中,在时间点A,观测值的实效生产时间在图10A和图10C中都比被推断的实效生产时间大,在任何情况下上侧概率都为较小的值。其结果是,在式(20)中,右边第1项和第2项都比较相似的值,因此I(fi)为较小的值。
由此,根据基于第i个错误的暂停时间fi,能够判断为第i个错误在图10A的时间点A对性能降低的影响较小,但在时间点B较大影响。
即,评价部115使用从计算部112输入的观测值的实效生产时间以及观测值的暂停时间、模型数据D2,根据推断值的理想生产时间、推断值的暂停时间、推断值的不合格产品制造时间、参数σ1,计算与每个错误的生产性能有关的信息量,评价作为性能降低重要因素的影响度。
《理想生产时间的信息量的计算》
使用式(18)以及式(21)来对理想生产时间的信息量的计算进行说明。
[数学式13]
到推断式(18)所示的观测值的实效生产时间的上侧概率的部分为止,与上述的《每个错误的信息量的计算》同样,因此省略。
在式(21)中,根据S×n组的暂停时间fi、不合格产品制造时间y的样本、观测值的理想生产时间,得到S×n个的观测值的实效生产时间的上侧概率通过将这些平均,作为考虑了观测值的理想生产时间t0的观测值的实效生产时间的上侧概率,得到在此,也可以不求取S×n个的上侧概率,而生成考虑了观测值的理想生产时间t0的S×n个的实效生产时间的样本,将比观测值的实效生产时间大的样本的比率设为
使用得到的发生概率,通过以下的式(22)来求取每个错误的信息量I(t0),从而能够检测理想生产时间对生产性能的降低带来的影响度。
[数学式14]
即评价部115根据从计算部112输入的观测值的实效生产时间以及观测值的理想生产时间、使用模型数据D2而推断的推断值的理想生产时间、推断值的暂停时间、推断值的不合格产品制造时间以及参数σ1,计算与理想生产时间的生产性能有关的信息量,评价作为性能降低重要因素的影响度。
《不合格产品制造时间的信息量的计算》
使用式(18)以及式(23)来对不合格产品制造时间的信息量的计算进行说明。
[数学式15]
到推断式(18)所示的观测值的实效生产时间的上侧概率的部分位置,与上述的《每个错误的信息量的计算》同样,因此省略。
在式(23)中,根据S×n组的理想生产时间t0、暂停时间fi的样本、观测值的不合格产品制造时间y,可得到S×n个的观测值的实效生产时间的上侧概率通过将这些平均,作为考虑了观测值的不合格产品制造时间y的观测值的实效生产时间的上侧概率,得到该上侧概率与其他信息量同样,在此也可以不使用S×n个的上侧概率的平均,而使用具有比观测值的生产时间大的值的生产时间的样本的比率来求取。
此外,通过使用得到的值,利用以下的式(24),求取不合格产品制造时间的信息量I(y),能够检测不合格产品制造时间对生产性能的降低带来的影响度。
[数学式16]
即,评价部115根据从计算部112输入的观测值的实效生产时间以及观测值的不合格产品制造时间、使用模型数据D2而推断的推断值的理想生产时间以及推断值的暂停时间、参数σ1,计算与不合格产品制造时间的生产性能有关的信息量,对作为性能降低重要因素的影响度进行评价。
使用上述方法而求取的信息量I(fi)、I(t0)以及I(y)越大,评价部115判断为对机械的性能降低的贡献越大。因此,评价部115例如也可以将信息量I(fi)、I(t0)以及I(y)降序排序,将信息量I(fi)、I(t0)以及I(y)较大的一者确定为生产性能的降低的原因。
这样,在本申请中,基于实效生产时间的上侧概率,对每个错误代码的暂停时间、不合格产品制造时间等与生产性能有关的每个重要因素的信息量进行比较。由此,能够以通用尺度来比较错误停止和成品率这样以往以不同的尺度分别评价的现象,具有针对生产性能降低的原因探究和对策变得容易的效果。
图11A表示通过式20、式22以及式25而求取的信息量I(fi)、I(t0)以及I(y)的一个例子。此外,图11B是这些各信息量I(fi)、I(t0)以及I(y)之中以降序排序的结果,确定为生产性能的降低的原因的8种信息量的一个例子。在图11B所示的例子中可知,评价部115将“错误代码223的错误”、“错误代码168的错误”、“不合格产品制造”、“错误代码156的错误”、“错误代码159的错误”、“错误代码147的错误”、“错误代码033的错误”以及“理想生产时间”评价为性能降低的原因。
<生产性能评价方法>
图12A以及图12B是对生产性能评价方法进行说明的流程图。如图12A所示,首先,获取部111经由通信部12来获取利用于生产性能的评价的批次信息以及暂停信息(S1)。另外,获取的批次信息以及暂停信息作为日志数据D1而存储于存储部13。
接下来,计算部112使用批次信息,对实效生产时间t1进行计算(S2)。
计算部112使用批次信息,对理想生产时间t0进行计算(S3)。计算部112根据暂停信息,对暂停时间fi进行计算(S4)。
计算部112根据批次信息,对错误时间tE进行计算(S5)。
计算部112根据批次信息,对不合格产品制造时间y进行计算(S6)。
另外,针对这些步骤S2~S6的处理,其顺序并不重要,例如,可以更换顺序,也可以对能够同时执行的处理同时执行。
此外,模型构建部113使用观测值的理想生产时间t0、参数s、e、l、β0,构建理想生产时间模型I(S7)。
模型构建部113使用观测值的暂停时间f、参数e、1、γ0、θ0,构建暂停时间模型II(S8)。
模型构建部113使用观测值的不合格产品制造时间y、参数K0、Θ0,构建不合格产品制造时间模型III(S9)。
模型构建部113使用理想生产时间模型I、暂停时间模型II以及不合格产品制造时间模型III、参数β1,构建实效生产时间模型IV(S10)。
模型构建部113将步骤S7~S10中构建的模型的参数作为模型数据D2而保存于存储部13(S11)。
另外,关于这些步骤S7~S11的处理,其顺序并不重要,例如,可以更换顺序,针对能够同时执行的处理,也可以同时执行。此外,模型数据D2的保存也可以在步骤S7~S11中每次构建各模型I~IV而执行。
接下来,如图12B所示,检测部114使用存储部13中存储的模型数据D2,推断实效生产时间的概率分布(S12)。
检测部114使用步骤S12中得到的概率分布,确定判断阈值(S13)。
检测部114对实效生产时间与判断阈值进行比较,检测生产性能的降低的发生(S14)。
此外,评价部115使用模型数据D2,对每个错误的信息量进行计算(S15)。
评价部115使用模型数据D2,对理想生产时间的信息量进行计算(S16)。
评价部115使用模型数据D2,对不合格产品制造时间的信息量进行计算(S17)。
评价部115对步骤S15~S17中计算的信息量进行排序(S18)。
评价部115根据步骤S18中排序的信息量,评价性能降低的原因(S19)。
另外,关于步骤S15~S17的处理,其顺序并不重要,例如可以更换顺序,针对能够同时执行的处理,也可以同时执行。
输出处理部116对步骤S14的检测结果以及步骤S19的评价结果进行输出(S20)。
[效果以及补充]
通过上述的结构的生产性能评价装置,使用对产品的生产影响的值来推断概率分布,使用由此得到的每个错误的与暂停时间有关的信息量、与理想生产时间有关的信息量以及基于成品率的与不合格产品制造时间有关的信息量,能够评价生产性能的原因。该情况下,针对从时间和个数比率这不同的观点而求取的值,关于个数比率即“成品率”,能够转换为时间从而一致地用于评价。此外,通过上述的生产性能评价装置,也能够使用该概率分布来检测生产性能的降低。因此,通过上述的生产性能评价装置,能够与生产对象的产品的种类无关地,检测生产性能降低的机械并且确定其原因。
此外,在上述的实施方式中,将评价生产性能的生产性能评价装置、生产性能评价方法以及程序作为一个例子来进行说明,但并不限定于此。例如,除了与产品的制造有关的生产效率,也能够实现为对修理物品时的作业的效率、检查物品时的作业的效率、包装物品时的作业的效率、选择物品时的作业的效率等各种作业效率进行评价的作业效率评价方法、作业效率评价装置以及程序。
例如,在评价物品修理的作业效率的情况下,上述的“生产时间”被置换为与修理有关的“进行单位作业量的作业的时间”,“暂停时间”被置换为修理的作业中某个“由于错误而停止的时间”,“不合格产品制造时间”被置换为修理失败的情况的“损失时间(失败时间)”而被处理。
(其他实施方式)
如以上那样,作为本申请中公开的技术示例,说明了上述实施方式。但是,本公开中的技术并不局限于此,也能够应用于适当进行了变更、置换、附加、省略等的实施方式。
(实施方式的概要)
(1)本公开的作业效率评价方法包含:从存储部读取基于包含规定的作业时间以及作业量的与作业有关的运行数据而生成的、用于对作业的效率进行评价的模型数据的步骤;通过模型数据,基于与作业所需的时间以及作业量有关的数据,计算作业效率的降低的影响度的步骤;和根据影响度,评价生产性能的降低的步骤。
由此,关于对象的作业,能够确定作业效率的降低的原因。
(2)在(1)的作业效率评价方法中,也可以模型数据是基于作业被理想地执行的情况下的指标即理想指标、作业被实际执行的情况下的指标即实效指标、作业停止的时间即停止时间、对通过作业而得到的不合格的结果所需的时间进行确定的不合格时间而生成的数据。
由此,在对作业效率的降低进行评价时,能够考虑理想指标、停止时间、不合格时间的影响。
(3)在(1)的作业效率评价方法中,也可以模型数据是基于作为产品的理想的生产指标而根据产品的制造时间以及制造数求取的理想指标、包含实际生产产品时的制造中使用的机械停止的情况在内的机械的运行时间以及作为合格产品而被制造出的产品的数量即合格产品数来求取的实效指标、机械停止的时间即停止时间、对被生产的产品之中的不合格产品的生产时间进行确定的不合格时间而生成的数据。
由此,在作为作业效率而评价生产性能的降低时,能够考虑理想指标、停止时间、不合格时间的影响。
(4)在(3)的作业效率评价方法中,在读取模型数据的步骤之前,能够还包含:从机械获取运行数据的步骤;根据运行数据来计算理想指标、实效指标、停止时间以及不合格时间的步骤;根据理想指标、实效指标、停止时间以及不合格时间来生成模型数据的步骤;和将模型数据保存于存储部的步骤。
由此,能够利用运行数据,根据特定的机械的运行数据来生成模型数据,能够提高产品的生产性能的评价的精度。
(5)在(4)的作业效率评价方法中,也可以运行数据是与对机械的生产条件进行确定的参数、产品的生产所需的时间以及被生产的产品的个数有关的信息。
由此,在作为作业效率而评价生产性能的降低时,使利用对生产条件进行确定的参数、生产所需的时间、生产的个数等明了。
(6)在(4)的作业效率评价方法中,也可以基于模型数据,根据从机械新获取的运行数据,检测机械的作业效率即生产性能的降低。
由此,在作为作业效率而评价生产性能的降低时,能够利用可掌握当前的状况的新的运行数据,依次更新模型数据,使产品的生产性能的评价的精度提高。
(7)在(3)的作业效率评价方法中,电可以作为影响度,求取对机械中的错误对作业效率的降低带来的影响进行确定的值。
由此,在作为作业效率而评价生产性能的降低时,能够评价错误对性能的降低带来的影响。
(8)在(3)的作业效率评价方法中,也可以作为影响度,求取对理想指标与作业效率的降低有关的影响进行确定的值。
由此,在评价作业效率的降低时,能够评价理想指标对性能的降低带来的影响。
(9)在(3)的作业效率评价方法中,也可以作为影响度,求取对不合格时间与作业效率的降低有关的影响进行确定的值。
由此,在评价作业效率的降低时,能够评价不合格时间对作业效率的降低带来的影响。
(10)在(3)的作业效率评价方法中,也可以在作为影响度而得到多个影响度的情况下,从多个影响度之中选择从值较高的规定的影响度对作业效率的降低带来的影响。
由此,在评价作业效率的降低时,能够从多个影响度中,确定实际对作业效率的降低带来的重要因素。
(11)在(1)的作业效率评价方法中,能够在生成模型数据的步骤中,通过贝叶斯推断,计算模型数据的变动的概率分布,设为模型数据。
(11)本公开的作业效率评价程序使计算机执行如下的作业效率评价方法,所述作业效率评价方法包含:从存储部读取基于包含规定的作业时间以及作业量的与作业有关的运行数据而生成的、用于对作业的效率进行评价的模型数据的步骤;通过模型数据,基于与作业所需的时间以及作业量有关的数据,计算作业效率的降低的影响度的步骤;和根据影响度,评价生产性能的降低的步骤。
由此,关于对象的作业,能够确定作业效率的降低的原因。
(12)本公开的作业效率评价装置具备:评价部,从存储部读取基于包含规定的作业时间以及作业量的与作业有关的运行数据而生成的对作业所需的时间以及作业量进行评价的模型数据,通过模型数据,基于与作业所需的时间以及作业有关的数据,计算作业效率的降低的影响度,根据影响度,评价作业效率的降低。
由此,关于对象的作业,能够确定作业效率的降低的原因。
本公开的全部权利要求所述的生产性能评价方法、生产性能评价装置以及程序可通过硬件资源、例如处理器、存储器以及与程序的配合等而实现。
产业上的可利用性
本公开的生产性能评价方法、生产性能评价装置以及程序例如对工厂等的设备中的生产性能的评价有用。
-符号说明-
1A 生产性能评价装置
11 控制部
111 获取部
112 计算部
113 模型构建部
114 检测部
115 评价部
116 输出处理部
12 通信部
13 存储部
14 输入部
15 输出部
D1 日志数据
D2 模型数据
P 生产性能评价程序。
Claims (13)
1.一种作业效率评价方法,包含:
从存储部读取基于包含规定的作业时间以及作业量的与作业有关的运行数据而生成的、用于对作业的效率进行评价的模型数据的步骤;
通过所述模型数据,基于与作业所需的时间以及作业量有关的数据,计算作业效率的降低的影响度的步骤;和
根据所述影响度,对作业效率的降低进行评价的步骤。
2.根据权利要求1所述的作业效率评价方法,其中,
所述模型数据是基于所述作业被理想地执行的情况下的指标即理想指标、所述作业被实际执行的情况下的指标即实效指标、所述作业停止的时间即停止时间、以及对通过所述作业而得到的不合格的结果所需的时间进行确定的不合格时间而生成的数据。
3.根据权利要求1或者2所述的作业效率评价方法,其中,
所述模型数据是基于作为产品的理想的生产指标而通过产品的制造时间以及制造数求取的理想指标、通过包含实际生产所述产品时的制造中使用的机械停止的情况在内的所述机械的运行时间以及作为合格产品而制造出的产品的数量即合格产品数来求取的实效指标、所述机械停止的时间即停止时间、以及对被生产的产品之中的不合格产品的生产时间进行确定的不合格时间而生成的数据。
4.根据权利要求3所述的作业效率评价方法,其中,
在读取所述模型数据的步骤之前,还包含:
从所述机械获取所述运行数据的步骤;
根据所述运行数据,来计算所述理想指标、所述实效指标、所述停止时间以及所述不合格时间的步骤;
根据所述理想指标、所述实效指标、所述停止时间以及所述不合格时间来生成所述模型数据的步骤;和
将所述模型数据保存于所述存储部的步骤。
5.根据权利要求4所述的作业效率评价方法,其中,
所述运行数据是与对所述机械的生产条件进行确定的参数、产品的生产所需的时间以及被生产的产品的个数有关的信息。
6.根据权利要求4或者5所述的作业效率评价方法,其中,
所述作业效率评价方法还包含:
基于所述模型数据,根据从所述机械新获取的运行数据,检测所述机械的作业效率即生产性能的降低的步骤。
7.根据权利要求3至6的任一项所述的作业效率评价方法,其中,
作为所述影响度,求取对所述机械中的错误对作业效率的降低带来的影响进行确定的值。
8.根据权利要求3至7的任一项所述的作业效率评价方法,其中,
作为所述影响度,求取对所述理想指标与作业效率的降低有关的影响进行确定的值。
9.根据权利要求3至8的任一项所述的作业效率评价方法,其中,
作为所述影响度,求取对所述不合格时间与作业效率的降低有关的影响进行确定的值。
10.根据权利要求3至9的任一项所述的作业效率评价方法,其中,
在作为所述影响度而得到多个影响度的情况下,从所述多个影响度之中选择从值较高的规定的影响度对作业效率的降低带来的影响。
11.根据权利要求1至10的任一项所述的作业效率评价方法,其中,
在生成所述模型数据的步骤中,通过贝叶斯推断,来计算模型数据的变动的概率分布,设为模型数据。
12.一种程序,使计算机执行权利要求1至11的任一项所述的作业效率评价方法。
13.一种作业效率评价装置,具备:评价部,从存储部读取基于包含规定的作业时间以及作业量的与作业有关的运行数据而生成的对作业所需的时间以及作业量进行评价的模型数据,通过所述模型数据,基于与作业所需的时间以及作业有关的数据,计算作业效率的降低的影响度,根据所述影响度,评价作业效率的降低。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019023823 | 2019-02-13 | ||
JP2019-023823 | 2019-02-13 | ||
PCT/JP2020/000450 WO2020166236A1 (ja) | 2019-02-13 | 2020-01-09 | 作業効率評価方法、作業効率評価装置、及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113424119A true CN113424119A (zh) | 2021-09-21 |
Family
ID=72045549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080013840.5A Pending CN113424119A (zh) | 2019-02-13 | 2020-01-09 | 作业效率评价方法、作业效率评价装置以及程序 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210374634A1 (zh) |
EP (1) | EP3926427A4 (zh) |
JP (1) | JP7296548B2 (zh) |
CN (1) | CN113424119A (zh) |
WO (1) | WO2020166236A1 (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7406441B2 (ja) | 2020-04-08 | 2023-12-27 | 株式会社日立製作所 | 製造不良要因探索方法、及び製造不良要因探索装置 |
WO2024090416A1 (ja) * | 2022-10-25 | 2024-05-02 | 京セラ株式会社 | 生産管理装置、生産管理方法、制御プログラム、および記録媒体 |
CN115860510B (zh) * | 2022-10-31 | 2023-08-15 | 浙江淏瀚信息科技有限公司 | 一种基于大数据的生产效率分析评估方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09205429A (ja) * | 1996-01-29 | 1997-08-05 | Toshiba Corp | ネットワーク故障診断装置及び故障予測装置並びにその診断及び予測方法 |
CN1665205A (zh) * | 2004-01-30 | 2005-09-07 | 微软公司 | 故障检测和诊断 |
JP2007025997A (ja) * | 2005-07-14 | 2007-02-01 | Matsushita Electric Ind Co Ltd | 稼働分析装置 |
US20070288306A1 (en) * | 2006-06-09 | 2007-12-13 | Satoshi Ohishi | Work Management Apparatus, Picking Carriage, Work Performance Collection System, Rework Measurement System, Workability Management System, Rework Measurement Measuring Method, Work Performance Collection Method, Workability Management Method and Workability Management Program |
KR100834187B1 (ko) * | 2007-01-17 | 2008-06-10 | 부산대학교 산학협력단 | 베이지안 네트워크를 이용한 하ㆍ폐수 처리공정의 진단시스템 |
JP2010153758A (ja) * | 2008-12-26 | 2010-07-08 | Panasonic Corp | 生産管理装置および生産管理方法 |
CN101960862A (zh) * | 2008-11-06 | 2011-01-26 | 松下电器产业株式会社 | 再现装置、再现方法、再现程序及集成电路 |
US20110276828A1 (en) * | 2009-01-14 | 2011-11-10 | Kenji Tamaki | Apparatus anomaly monitoring method and system |
JP2014092799A (ja) * | 2012-10-31 | 2014-05-19 | Sumitomo Heavy Ind Ltd | 異常原因特定システム |
JP2015170121A (ja) * | 2014-03-06 | 2015-09-28 | 株式会社豊田中央研究所 | 異常診断装置及びプログラム |
JP2017215908A (ja) * | 2016-06-02 | 2017-12-07 | 富士電機株式会社 | 監視装置及び監視方法 |
JP2017224181A (ja) * | 2016-06-16 | 2017-12-21 | 株式会社日立製作所 | 監視対象システムを監視する分析装置 |
CN107704723A (zh) * | 2017-10-30 | 2018-02-16 | 电子科技大学 | 一种基于斜率关联度的显著变量选择方法 |
CN108229754A (zh) * | 2018-01-31 | 2018-06-29 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
CN108416695A (zh) * | 2018-02-24 | 2018-08-17 | 合肥工业大学 | 基于深度学习的电力负荷概率密度预测方法和系统、介质 |
JP2018147406A (ja) * | 2017-03-08 | 2018-09-20 | 安川情報システム株式会社 | 品質異常検知方法、品質異常検知装置および品質異常検知プログラム |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5129725B2 (zh) | 1972-09-08 | 1976-08-27 | ||
JP2000123085A (ja) * | 1998-10-16 | 2000-04-28 | Omron Corp | データ集計処理装置およびデータ集計処理用プログラムが記録された記録媒体 |
US8145336B2 (en) * | 2008-08-05 | 2012-03-27 | International Business Machines Corporation | Real-time assembly and part validation and auto-disposition |
US8935136B2 (en) * | 2011-09-22 | 2015-01-13 | Microsoft Corporation | Multi-component model engineering |
US11853053B2 (en) * | 2014-10-10 | 2023-12-26 | Near-Miss Management Llc | Dynamic prediction of risk levels for manufacturing operations through leading risk indicators: dynamic exceedance probability method and system |
US11250366B2 (en) * | 2014-10-10 | 2022-02-15 | Near-Miss Management Llc | Dynamic prediction of risk levels for manufacturing operations through leading risk indicators: dynamic risk sloping trend method and system |
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 |
CN110892347A (zh) * | 2017-07-14 | 2020-03-17 | 松下知识产权经营株式会社 | 显示装置、制造系统以及显示方法 |
US11861739B2 (en) * | 2018-10-18 | 2024-01-02 | The Regents Of The University Of Michigan | Programmable manufacturing advisor for smart production systems |
-
2020
- 2020-01-09 JP JP2020572119A patent/JP7296548B2/ja active Active
- 2020-01-09 CN CN202080013840.5A patent/CN113424119A/zh active Pending
- 2020-01-09 WO PCT/JP2020/000450 patent/WO2020166236A1/ja active Search and Examination
- 2020-01-09 EP EP20756435.2A patent/EP3926427A4/en active Pending
-
2021
- 2021-08-12 US US17/400,463 patent/US20210374634A1/en active Pending
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09205429A (ja) * | 1996-01-29 | 1997-08-05 | Toshiba Corp | ネットワーク故障診断装置及び故障予測装置並びにその診断及び予測方法 |
CN1665205A (zh) * | 2004-01-30 | 2005-09-07 | 微软公司 | 故障检测和诊断 |
JP2007025997A (ja) * | 2005-07-14 | 2007-02-01 | Matsushita Electric Ind Co Ltd | 稼働分析装置 |
US20070288306A1 (en) * | 2006-06-09 | 2007-12-13 | Satoshi Ohishi | Work Management Apparatus, Picking Carriage, Work Performance Collection System, Rework Measurement System, Workability Management System, Rework Measurement Measuring Method, Work Performance Collection Method, Workability Management Method and Workability Management Program |
KR100834187B1 (ko) * | 2007-01-17 | 2008-06-10 | 부산대학교 산학협력단 | 베이지안 네트워크를 이용한 하ㆍ폐수 처리공정의 진단시스템 |
CN101960862A (zh) * | 2008-11-06 | 2011-01-26 | 松下电器产业株式会社 | 再现装置、再现方法、再现程序及集成电路 |
JP2010153758A (ja) * | 2008-12-26 | 2010-07-08 | Panasonic Corp | 生産管理装置および生産管理方法 |
US20110276828A1 (en) * | 2009-01-14 | 2011-11-10 | Kenji Tamaki | Apparatus anomaly monitoring method and system |
JP2014092799A (ja) * | 2012-10-31 | 2014-05-19 | Sumitomo Heavy Ind Ltd | 異常原因特定システム |
JP2015170121A (ja) * | 2014-03-06 | 2015-09-28 | 株式会社豊田中央研究所 | 異常診断装置及びプログラム |
JP2017215908A (ja) * | 2016-06-02 | 2017-12-07 | 富士電機株式会社 | 監視装置及び監視方法 |
JP2017224181A (ja) * | 2016-06-16 | 2017-12-21 | 株式会社日立製作所 | 監視対象システムを監視する分析装置 |
JP2018147406A (ja) * | 2017-03-08 | 2018-09-20 | 安川情報システム株式会社 | 品質異常検知方法、品質異常検知装置および品質異常検知プログラム |
CN107704723A (zh) * | 2017-10-30 | 2018-02-16 | 电子科技大学 | 一种基于斜率关联度的显著变量选择方法 |
CN108229754A (zh) * | 2018-01-31 | 2018-06-29 | 杭州电子科技大学 | 基于相似日分段和lm-bp网络的短期负荷预测方法 |
CN108416695A (zh) * | 2018-02-24 | 2018-08-17 | 合肥工业大学 | 基于深度学习的电力负荷概率密度预测方法和系统、介质 |
Also Published As
Publication number | Publication date |
---|---|
JP7296548B2 (ja) | 2023-06-23 |
JPWO2020166236A1 (zh) | 2020-08-20 |
EP3926427A4 (en) | 2022-04-20 |
WO2020166236A1 (ja) | 2020-08-20 |
EP3926427A1 (en) | 2021-12-22 |
US20210374634A1 (en) | 2021-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222290B (zh) | 一种基于多参数特征融合的大型设备剩余使用寿命预测方法 | |
CN111459778B (zh) | 运维系统异常指标检测模型优化方法、装置及存储介质 | |
US11921566B2 (en) | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model | |
WO2023071217A1 (zh) | 基于深度迁移学习的多工况流程工业故障检测诊断方法 | |
US20210374634A1 (en) | Work efficiency evaluation method, work efficiency evaluation apparatus, and program | |
US8090676B2 (en) | Systems and methods for real time classification and performance monitoring of batch processes | |
JP6711323B2 (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
CN110757510B (zh) | 一种机器人剩余寿命预测方法及系统 | |
CN112416662A (zh) | 多时间序列数据异常检测方法与装置 | |
CN113420061A (zh) | 炼油和化工生产装置的稳态工况分析方法、优化调试方法及系统 | |
US7813893B2 (en) | Method of process trend matching for identification of process variable | |
EP3712728A1 (en) | Apparatus for predicting equipment damage | |
Aremu et al. | Kullback-leibler divergence constructed health indicator for data-driven predictive maintenance of multi-sensor systems | |
JP6579163B2 (ja) | プロセスの状態診断方法及び状態診断装置 | |
KR20220135246A (ko) | 에러 요인의 추정 장치 및 추정 방법 | |
JP6885321B2 (ja) | プロセスの状態診断方法及び状態診断装置 | |
US11775512B2 (en) | Data analysis apparatus, method and system | |
WO2022059135A1 (ja) | エラー要因の推定装置及び推定方法 | |
CN114118844A (zh) | 一种汽车零部件质量分析系统 | |
JP7099296B2 (ja) | 評価方法、システム構築方法、及び評価システム | |
CN117335409B (zh) | 基于人工智能的电力用户负荷预测系统 | |
US12007745B2 (en) | Apparatus for predicting equipment damage | |
US20230297095A1 (en) | Monitoring device and method for detecting anomalies | |
US20230083876A1 (en) | Data analysis device and method | |
CN115062804A (zh) | 一种纺织设备的维护方法及相关装置 |
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 |