CN113449882A - 学习完毕模型的生成方法、装置及计算机可读取记录介质 - Google Patents

学习完毕模型的生成方法、装置及计算机可读取记录介质 Download PDF

Info

Publication number
CN113449882A
CN113449882A CN202110186762.5A CN202110186762A CN113449882A CN 113449882 A CN113449882 A CN 113449882A CN 202110186762 A CN202110186762 A CN 202110186762A CN 113449882 A CN113449882 A CN 113449882A
Authority
CN
China
Prior art keywords
maintenance
electrode sheet
winding
cause
group data
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
CN202110186762.5A
Other languages
English (en)
Inventor
畠中伸也
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.)
Panasonic Intellectual Property Management Co Ltd
Original Assignee
Panasonic Intellectual Property Management Co Ltd
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 Panasonic Intellectual Property Management Co Ltd filed Critical Panasonic Intellectual Property Management Co Ltd
Publication of CN113449882A publication Critical patent/CN113449882A/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
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65H—HANDLING THIN OR FILAMENTARY MATERIAL, e.g. SHEETS, WEBS, CABLES
    • B65H26/00—Warning or safety devices, e.g. automatic fault detectors, stop-motions, for web-advancing mechanisms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/04—Construction or manufacture in general
    • H01M10/0404—Machines for assembling batteries
    • H01M10/0409—Machines for assembling batteries for cells with wound electrodes
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01G—CAPACITORS; CAPACITORS, RECTIFIERS, DETECTORS, SWITCHING DEVICES, LIGHT-SENSITIVE OR TEMPERATURE-SENSITIVE DEVICES OF THE ELECTROLYTIC TYPE
    • H01G4/00—Fixed capacitors; Processes of their manufacture
    • H01G4/32—Wound capacitors
    • 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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries
    • 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
    • Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
    • Y02P70/50—Manufacturing or production processes characterised by the final manufactured product

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Chemical & Material Sciences (AREA)
  • General Chemical & Material Sciences (AREA)
  • Automation & Control Theory (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Medical Informatics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Secondary Cells (AREA)
  • Winding Of Webs (AREA)

Abstract

本公开提供一种学习完毕模型的生成方法、装置及计算机可读取记录介质。从检查机(207)获取表示第1片材(202)的第1端面的位置的第1组数据、以及表示第2片材(203)的第2端面的位置的第2组数据，基于第1组数据所表示的第1端面的位置的连续、第2组数据所表示的第2端面的位置的连续、以及基准线，将表示卷绕体(204)是否为不良、以及在为不良的情况下不良的原因为片材供给部(220)的结构的哪个结构的信息输出至显示部(132)用于维护。

Description

学习完毕模型的生成方法、装置及计算机可读取记录介质
技术领域
本公开涉及用于显示与生产设备的维护有关的信息的学习完毕模型的生成方法、装置、以及计算机可读取的记录介质。
背景技术
对于某个设备，为了预防劣化、故障等并维持正常的运转，一般进行的是设置维护系统。在专利文献1中公开了一种如下的维护系统，即，监视变电站中的排水泵故障、配电盘接地等异常的产生，在产生了异常的情况下，对设备有关人员进行通知，并存储与接收到通知的设备有关人员已进行的对异常的维修维护工作有关的信息。
在先技术文献
专利文献
专利文献1：日本特开2017-167708号公报
发明内容
本公开的一个方式涉及的学习完毕模型的生成方法是用于卷取装置的维护的学习完毕模型的生成方法，所述卷取装置具备：片材供给部，具有供给第1电极片的第1供给机构、供给第2电极片的第2供给机构、设置在所述第1电极片侧的第1贴合辊、以及设置在所述第2电极片侧并与所述第1贴合辊成对地使所述第1电极片和所述第2电极片贴合的第2贴合辊；第1卷芯；驱动机构，使所述第1卷芯移动到给定的缠绕位置，将所述第1电极片和所述第2电极片重叠缠绕于所述第1卷芯；和传感器，沿着在所述第1卷芯呈多圈重叠卷绕了所述第1电极片以及所述第2电极片的第1卷绕体的半径方向，读取所述第1电极片的第1端面以及所述第2电极片的第2端面，在所述学习完毕模型的生成方法中包括如下步骤：从所述传感器获取表示沿着所述第1卷绕体的半径方向读取的所述第1端面的位置的第1组数据、以及表示沿着所述第1卷绕体的半径方向读取的所述第2端面的位置的第2组数据；基于所述第1组数据所表示的所述第1端面的位置的连续、所述第2组数据所表示的所述第2端面的位置的连续、以及基准线的位置关系，判断所述第1卷绕体是否为不良，以及在为不良的情况下判断不良的原因是否为所述片材供给部；在判断为所述不良的原因为所述片材供给部的情况下，判断所述不良的原因为所述第1供给机构、所述第2供给机构、所述第1贴合辊、所述第2贴合辊之中的哪个；将通知所述不良的原因的信息输出至所述显示装置；和基于所述不良的原因被维护之前的所述第1卷绕体的不良的第1产生程度和所述不良的原因被维护之后的所述第1卷绕体的不良的第2产生程度，判断是否将在所述不良的原因被维护之前读取的所述第1组数据以及所述第2组数据用于生成所述学习完毕模型，在判断为用于的情况下，利用在所述不良的原因被维护之前读取的所述第1组数据以及所述第2组数据来生成所述学习完毕模型。
本公开的一个方式涉及的学习完毕模型的生成方法是用于卷取装置的维护的学习完毕模型的生成方法，所述卷取装置具备：片材供给部，具有供给第1电极片的第1供给机构、供给第2电极片的第2供给机构、设置在所述第1电极片侧的第1贴合辊、以及设置在所述第2电极片侧并与所述第1贴合辊成对地使所述第1电极片和所述第2电极片贴合的第2贴合辊；第1卷芯；驱动机构，使所述第1卷芯移动到给定的缠绕位置，将所述第1电极片和所述第2电极片重叠缠绕于所述第1卷芯；和传感器，沿着在所述第1卷芯呈多圈重叠卷绕了所述第1电极片以及所述第2电极片的第1卷绕体的半径方向，读取所述第1电极片的第1端面以及所述第2电极片的第2端面，在所述学习完毕模型的生成方法中包括如下步骤：从所述传感器获取表示沿着所述第1卷绕体的半径方向读取的所述第1端面的位置的第1组数据、以及表示沿着所述第1卷绕体的半径方向读取的所述第2端面的位置的第2组数据；基于所述第1组数据所表示的所述第1端面的位置的连续、所述第2组数据所表示的所述第2端面的位置的连续、以及基准线的位置关系，判断所述第1卷绕体是否为不良，以及在为不良的情况下判断不良的原因是否为所述片材供给部；在判断为所述不良的原因为所述片材供给部的情况下，判断所述不良的原因为所述片材供给部的哪个结构；将通知所述不良的原因的信息输出至所述显示装置；和在判断为将所述不良的原因被维护之前的所述第1组数据以及所述第2组数据输入至所述学习完毕模型而获得的所述第1卷绕体的不良被改善的第1概率、与将所述不良的原因被维护之后的所述第1组数据以及所述第2组数据输入至所述学习完毕模型而获得的所述第1卷绕体的不良被改善的第2概率的第2差分小于给定值的情况下，在所述不良的原因被维护之前读取的所述第1组数据以及所述第2组数据不用于更新所述学习完毕模型，另一方面，在判断为所述第2差分为所述给定值以上的情况下，利用所述不良的原因被维护之前的所述第1组数据以及所述第2组数据来更新所述学习完毕模型。
本公开的一个方式涉及的装置是输出信息的装置，用于显示与卷取装置的维护有关的信息，所述卷取装置具备：片材供给部，具有供给第1电极片的第1供给机构、供给第2电极片的第2供给机构、设置在所述第1电极片侧的第1贴合辊、以及设置在所述第2电极片侧并与所述第1贴合辊成对地使所述第1电极片和所述第2电极片贴合的第2贴合辊；第1卷芯；驱动机构，使所述第1卷芯移动到给定的缠绕位置，将所述第1电极片和所述第2电极片重叠缠绕于所述第1卷芯；和传感器，沿着在所述第1卷芯呈多圈重叠卷绕了所述第1电极片以及所述第2电极片的第1卷绕体的半径方向，读取所述第1电极片的第1端面以及所述第2电极片的第2端面，所述输出信息的装置具备：获取部，从所述传感器获取表示沿着所述第1卷绕体的半径方向读取的所述第1端面的位置的第1组数据、以及表示沿着所述第1卷绕体的半径方向读取的所述第2端面的位置的第2组数据；通知判定部，基于所述第1组数据所表示的所述第1端面的位置的连续、所述第2组数据所表示的所述第2端面的位置的连续、以及基准线的位置关系，判断所述第1卷绕体是否为不良，以及在为不良的情况下判断不良的原因是否为所述片材供给部，并且，在判断为所述不良的原因为所述片材供给部的情况下，判断所述不良的原因为所述片材供给部的哪个结构，将通知所述不良的原因的信息输出至所述显示装置用于维护；和模型生成部，基于所述不良的原因被维护之前的所述第1卷绕体的不良的第1产生程度和所述不良的原因被维护之后的所述第1卷绕体的不良的第2产生程度，判断是否将在所述不良的原因被维护之前读取的所述第1组数据以及所述第2组数据用于生成学习完毕模型，在判断为用于的情况下，利用在所述不良的原因被维护之前读取的所述第1组数据以及所述第2组数据来生成所述学习完毕模型。
本公开的一个方式涉及的装置是输出信息的装置，用于显示与卷取装置的维护有关的信息，所述卷取装置具备：片材供给部，具有供给第1电极片的第1供给机构、供给第2电极片的第2供给机构、设置在所述第1电极片侧的第1贴合辊、以及设置在所述第2电极片侧并与所述第1贴合辊成对地使所述第1电极片和所述第2电极片贴合的第2贴合辊；第1卷芯；驱动机构，使所述第1卷芯移动到给定的缠绕位置，将所述第1电极片和所述第2电极片重叠缠绕于所述第1卷芯；和传感器，沿着在所述第1卷芯呈多圈重叠卷绕了所述第1电极片以及所述第2电极片的第1卷绕体的半径方向，读取所述第1电极片的第1端面以及所述第2电极片的第2端面，所述输出信息的装置具备：获取部，从所述传感器获取表示沿着所述第1卷绕体的半径方向读取的所述第1端面的位置的第1组数据、以及表示沿着所述第1卷绕体的半径方向读取的所述第2端面的位置的第2组数据；通知判定部，基于所述第1组数据所表示的所述第1端面的位置的连续、所述第2组数据所表示的所述第2端面的位置的连续、以及基准线的位置关系，判断所述第1卷绕体是否为不良，以及在为不良的情况下判断不良的原因是否为所述片材供给部，并且，在判断为所述不良的原因为所述片材供给部的情况下，判断所述不良的原因为所述片材供给部的哪个结构，将通知所述不良的原因的信息输出至所述显示装置用于维护；和模型生成部，在判断为将所述不良的原因被维护之前的所述第1组数据以及所述第2组数据输入至学习完毕模型而获得的所述第1卷绕体的不良被改善的第1概率、与将所述不良的原因被维护之后的所述第1组数据以及所述第2组数据输入至所述学习完毕模型而获得的所述第1卷绕体的不良被改善的第2概率的第2差分小于给定值的情况下，在所述不良的原因被维护之前读取的所述第1组数据以及所述第2组数据不用于更新所述学习完毕模型，另一方面，在判断为所述第2差分为所述给定值以上的情况下，利用所述不良的原因被维护之前的所述第1组数据以及所述第2组数据来更新所述学习完毕模型。
本公开的一个方式涉及的计算机可读取的记录介质，记录了生成用于卷取装置的维护的学习完毕模型的计算机执行的程序，所述卷取装置具备：片材供给部，具有供给第1电极片的第1供给机构、供给第2电极片的第2供给机构、设置在所述第1电极片侧的第1贴合辊、以及设置在所述第2电极片侧并与所述第1贴合辊成对地使所述第1电极片和所述第2电极片贴合的第2贴合辊；第1卷芯；驱动机构，使所述第1卷芯移动到给定的缠绕位置，将所述第1电极片和所述第2电极片重叠缠绕于所述第1卷芯；和传感器，沿着在所述第1卷芯呈多圈重叠卷绕了所述第1电极片以及所述第2电极片的第1卷绕体的半径方向，读取所述第1电极片的第1端面以及所述第2电极片的第2端面，所述程序使所述计算机执行如下过程：从所述传感器获取表示沿着所述第1卷绕体的半径方向读取的所述第1端面的位置的第1组数据、以及表示沿着所述第1卷绕体的半径方向读取的所述第2端面的位置的第2组数据；基于所述第1组数据所表示的所述第1端面的位置的连续、所述第2组数据所表示的所述第2端面的位置的连续、以及基准线的位置关系，判断所述第1卷绕体是否为不良，以及在为不良的情况下判断不良的原因是否为所述片材供给部；在判断为所述不良的原因为所述片材供给部的情况下，判断所述不良的原因为所述片材供给部的哪个结构；将通知所述不良的原因的信息输出至所述显示装置；和基于所述不良的原因被维护之前的所述第1卷绕体的不良的第1产生程度和所述不良的原因被维护之后的所述第1卷绕体的不良的第2产生程度，判断是否将在所述不良的原因被维护之前读取的所述第1组数据以及所述第2组数据用于生成所述学习完毕模型，在判断为用于的情况下，利用在所述不良的原因被维护之前读取的所述第1组数据以及所述第2组数据来生成所述学习完毕模型。
本公开的一个方式涉及的计算机可读取的记录介质，记录了生成用于卷取装置的维护的学习完毕模型的计算机执行的程序，所述卷取装置具备：片材供给部，具有供给第1电极片的第1供给机构、供给第2电极片的第2供给机构、设置在所述第1电极片侧的第1贴合辊、以及设置在所述第2电极片侧并与所述第1贴合辊成对地使所述第1电极片和所述第2电极片贴合的第2贴合辊；第1卷芯；驱动机构，使所述第1卷芯移动到给定的缠绕位置，将所述第1电极片和所述第2电极片重叠缠绕于所述第1卷芯；和传感器，沿着在所述第1卷芯呈多圈重叠卷绕了所述第1电极片以及所述第2电极片的第1卷绕体的半径方向，读取所述第1电极片的第1端面以及所述第2电极片的第2端面，所述程序使所述计算机执行如下过程：从所述传感器获取表示沿着所述第1卷绕体的半径方向读取的所述第1端面的位置的第1组数据、以及表示沿着所述第1卷绕体的半径方向读取的所述第2端面的位置的第2组数据；基于所述第1组数据所表示的所述第1端面的位置的连续、所述第2组数据所表示的所述第2端面的位置的连续、以及基准线的位置关系，判断所述第1卷绕体是否为不良，以及在为不良的情况下判断不良的原因是否为所述片材供给部；在判断为所述不良的原因为所述片材供给部的情况下，判断所述不良的原因为所述片材供给部的哪个结构；将通知所述不良的原因的信息输出至所述显示装置；和在判断为将所述不良的原因被维护之前的所述第1组数据以及所述第2组数据输入至所述学习完毕模型而获得的所述第1卷绕体的不良被改善的第1概率、与将所述不良的原因被维护之后的所述第1组数据以及所述第2组数据输入至所述学习完毕模型而获得的所述第1卷绕体的不良被改善的第2概率的第2差分小于给定值的情况下，在所述不良的原因被维护之前读取的所述第1组数据以及所述第2组数据不用于更新所述学习完毕模型，另一方面，在判断为所述第2差分为所述给定值以上的情况下，利用所述不良的原因被维护之前的所述第1组数据以及所述第2组数据来更新所述学习完毕模型。
附图说明
图1是包含维护显示装置和应用维护显示装置的卷取装置的网络图。
图2是用于对维护显示装置的整体的处理工序进行说明的流程图。
图3A是例示了在卷取装置中生产卷绕体的卷绕部的结构的图。
图3B是例示了在卷绕部中生产的卷绕体的立体图。
图4A是例示了检查机检查卷绕体的样态的示意图。
图4B是例示了沿着卷绕体的半径方向的剖面形状的示意图。
图4C是例示了检查机扫描图4B所示的卷绕体的剖面而生成的图像的图。
图5是示出不良的原因为卷芯的情况下的卷绕体的剖面形状和形状数据的例子的示意图。
图6是示出不良的原因为第1贴合辊以及第2贴合辊的情况下的卷绕体的形状数据的例子的示意图。
图7是示出不良的原因为第1供给卷盘的情况下的卷绕体的形状数据的例子的示意图。
图8是示出不良的原因为滚筒的情况下的卷绕体的形状数据的例子的示意图。
图9是例示了第1实施方式涉及的维护显示装置的功能结构的框图。
图10A是对生产实际成果数据进行了例示的图。
图10B是对生产实际成果数据进行了例示的图。
图11是对维护实际成果数据进行了例示的图。
图12是概略性地说明维护显示装置中的处理的整体的流程的时序图。
图13是概略性地说明维护显示装置中的处理的整体的流程的时序图。
图14是用于对在学习处理中维护效果判定部执行的处理进行说明的流程图。
图15A是用于说明对学习处理中的维护作业的效果进行判定的样态的概念图。
图15B是用于说明对学习处理中的维护作业的效果进行判定的样态的概念图。
图16是用于对在学习处理中设备状态诊断模型生成部执行的处理进行说明的流程图。
图17是用于对在识别处理中设备状态诊断部执行的处理进行说明的流程图。
图18是用于对在识别处理中通知判定部执行的处理进行说明的流程图。
图19A是示出维护小组信息的具体例的图。
图19B是示出维护方案列表的具体例的图。
图20是用于对在更新处理中维护效果判定部执行的处理进行说明的流程图。
图21A是用于说明对更新处理中的维护作业的效果进行判定的样态的概念图。
图21B是用于说明对更新处理中的维护作业的效果进行判定的样态的概念图。
图22是用于对在更新处理中设备状态诊断模型生成部执行的处理进行说明的流程图。
图23是例示了第2实施方式涉及的维护显示装置的结构的图。
图24是用于对在第2实施方式中维护效果判定部执行的处理进行说明的流程图。
图25是例示了第3实施方式涉及的维护显示装置的结构的图。
图26是用于对在第3实施方式中设备状态诊断模型生成部执行的处理进行说明的流程图。
图27是用于对第3实施方式中的通知判定部执行的处理进行说明的流程图。
图28A是用于说明学习处理中的由维护效果判定部执行的维护作业有无效果的判定方法的变形例的图。
图28B是用于说明学习处理中的由维护效果判定部执行的维护作业有无效果的判定方法的变形例的图。
图29A是用于说明更新处理中的由维护效果判定部执行的维护作业有无效果的判定方法的变形例的图。
图29B是用于说明更新处理中的由维护效果判定部执行的维护作业有无效果的判定方法的变形例的图。
符号说明
10、10A、10B 服务器；
50 第1供给卷盘；
51 第2供给卷盘；
100、100A、100B 维护显示装置；
110、110B 存储部；
111 生产实际成果数据库；
112 设备状态诊断模型数据库；
113 维护实际成果数据库；
114 无效果设备状态诊断模型数据库；
120、120A、120B 控制部；
121 设备状态诊断部；
122、122B 通知判定部；
123、123A、123B 维护效果判定部；
124、124B 设备状态诊断模型生成部；
130 通知部；
131 警报部；
132 显示部；
200 卷取装置；
220 片材供给部；
201 卷绕部；
202 第1片材；
203 第2片材；
204、204α、204β、204γ 卷绕体；
205A 第1贴合辊；
205B 第2贴合辊；
206、206α、206β、206γ 卷芯；
206M 卷芯旋转驱动部；
207 检查机；
208 转台；
209 切断部；
210 按压部；
211 接头焊接部；
212 带粘贴部；
213 滚筒。
具体实施方式
在专利文献1所公开的技术中，在设备产生异常之后，进行对设备有关人员的通知。因而，实施基于设备有关人员的维护的时间成为异常产生之后。在异常产生后进行维护的情况下，需要停止设备的运转，因此希望在异常产生前在判断为需要维护的时间点进行通知。因而，需要探测设备产生的异常的预兆。
本公开的目的在于，提供一种用于探测异常的预兆的学习完毕模型的生成方法、装置、以及计算机可读取的记录介质。
以下，参照附图对本公开的各实施方式详细地进行说明。不过，有时省略必要以上的详细说明，例如，已经熟知的事项的详细说明、对实质上相同的结构的重复说明等。
另外，以下的说明以及参照的附图是为了使本领域技术人员理解本公开而提供的，并非用于限定本公开的技术方案。
(第1实施方式)
<维护显示装置100以及卷取装置200>
图1是包含本公开的第1实施方式涉及的维护显示装置100和应用维护显示装置100的卷取装置200的网络图。在本实施方式中说明的维护显示装置100是进行用于生产锂离子二次电池的卷取装置200的维护显示的装置。在图1所示的例子中，维护显示装置100针对一个卷取装置200进行了应用，但本公开并不限定于此，也可一个维护显示装置相对于多个卷取装置进行应用。此外，在本实施方式中，维护显示装置100作为装置进行说明，但本公开并不限定于此，也可以是各个结构经由网络而连接的维护显示系统。
维护显示装置100具备：服务器10，具有存储部110以及控制部120；以及通知部130。服务器10经由网络NT而与卷取装置200能够进行通信地连接。网络NT例如为因特网等公众网络、或者例如公司内部LAN(Local Area Network，局域网)等局域网络。
服务器10例如为通用的计算机，如图1所示，具有存储部110以及控制部120。
存储部110例如包含ROM(Read Only Memory，只读存储器)、RAM(Random AccessMemory，随机存取存储器)等主存储装置(未图示)、以及/或者例如HDD(Hard Disk Drive，硬盘驱动器)、SSD(Solid State Drive，固态硬盘)、闪存等辅助存储装置(未图示)。
控制部120例如为CPU(Central Processing Unit，中央处理单元)等硬件处理器(未图示)，通过将存储于存储部110的程序展开并执行，由此进行维护显示装置100整体的控制。
存储部110以及控制部120也可以不构成为一体的计算机。即，存储部110以及控制部120只要构成为能够相互通信即可，也可以构成为相互分体，配置在分离的位置。此外，维护显示装置100也可以具有在图1中未图示的操作部，受理来自外部的操作输入。关于存储部110以及控制部120的详情将后述。
在图1所示的例子中，通知部130包含在卷取装置200中，经由网络NT而与服务器10连接。通知部130基于控制部120的控制进行对维护显示装置100的用户的通知。另外，在本实施方式中，所谓维护显示装置100的用户，包含维护显示装置100的管理人员、或者利用卷取装置200进行卷绕体(参照后述的图3B)的生产的作业人员等。
如图1所示，通知部130具有警报部131以及显示部132。警报部131例如是蜂鸣器、灯等通过声音、光等对用户发出警报的结构。显示部132例如是液晶显示器、有机EL显示器等显示设备，是显示警告的内容的结构。另外，也可以是，通知部130除了警报部131以及显示部132以外，还包含对例如预先登记的用户的邮件地址发送包含警告的内容的邮件的发送部等。
在本实施方式中，卷取装置200是用于对正极片以及负极片进行卷取来生产锂离子二次电池的装置。如图1所示，卷取装置200具有卷绕部201以及检查机207。卷绕部201的详情将后述，对正极片以及负极片进行卷取来生产卷绕体。检查机207进行卷绕部201生产的卷绕体的检查。
另外，在图1所示的例子中，通知部130包含在卷取装置200中，但本公开并不限定于此，通知部130也可以设置在卷取装置200的外部。此外，在图1所示的例子中，通知部130经由网络NT而与服务器10连接，但本公开并不限定于此，也可服务器10和通知部130不经由网络NT而直接连接。
此外，在本实施方式中，对卷取装置200是用于卷取锂离子二次电池的正极片以及负极片的卷取装置的情况进行说明，但本公开并不限定于此。本公开的维护显示装置也可以应用于锂离子二次电池的卷取装置以外的生产设备。进而，本公开的维护显示装置还可以应用于生产设备以外的各种各样的设备。
图2是用于对维护显示装置100的整体的处理工序进行说明的流程图。
在步骤S1中，控制部120使得卷取装置200的卷绕部201生产卷绕体。
在步骤S2中，控制部120使检查机207进行所生产的卷绕体的检查。关于由检查机207执行的卷绕体的检查的详情将后述。
在步骤S3中，控制部120使存储部110存储基于检查机207的检查结果。与此同时，在步骤S4中，控制部120作为基于检查机207的检查的结果而判定卷绕体是否为不良品。在判定为不是不良品的情况下(步骤S4：否)，控制部120使处理前进到步骤S5，在判定为是不良品的情况下(步骤S4：是)，使处理前进到步骤S6。
在判定为不是不良品的情况下，在步骤S5中，控制部120使卷取装置200向下一个工序供给该卷绕体。
在判定为是不良品的情况下，在步骤S6中，控制部120通过通知部130通知探测到不良品。关于由通知部130执行的通知的详情将后述。
在步骤S7中，控制部120使卷取装置200废弃判定为不良品的卷绕体。
另外，在图2所示的流程图的步骤S5以及步骤S7中，控制部120使卷取装置200执行卷绕体向下一个工序的供给或者卷绕体的废弃，但本公开并不限定于此。例如也可以经由通知部130对维护显示装置100的用户进行使其进行如卷绕体向下一个工序的供给或者卷绕体的废弃那样的通知，由此使用户进行供给或者废弃。
下面，对卷取装置200的卷绕部201以及检查机207详细地进行说明。
<卷绕部201>
图3A是例示了卷绕部201的结构的图。
如图3A所示，卷绕部201具有第1供给卷盘50、第2供给卷盘51、第1贴合辊205A、第2贴合辊205B、卷芯206、卷芯旋转驱动部206M、转台(Index table)208、切断部209、按压部210、接头焊接部211、带粘贴部212、以及滚筒(Cylinder)213。卷绕部201是通过第1贴合辊205A以及第2贴合辊205B使从第1供给卷盘50供给的第1片材202和从第2供给卷盘51供给的第2片材203贴合并卷取于卷芯206从而生产卷绕体204的装置。卷芯旋转驱动部206M使卷芯206以希望的转速进行驱动。
在以下的说明中，有时将卷绕部201的结构之中作为向卷芯206供给卷绕体的材料的结构的第1供给卷盘50、第2供给卷盘51、第1贴合辊205A、第2贴合辊205B、切断部209、按压部210、接头焊接部211、带粘贴部212、以及滚筒213合起来记载为片材供给部220。
第1片材202例如是涂敷有正极材料的片状的构件(正极片)，第2片材203例如是涂敷有负极材料的片状的构件(负极片)。第1片材202为本公开的第1电极片的一例，第2片材203为本公开的第2电极片的一例。另外，在上述的例子中，第1片材202为正极片材，第2片材203为负极片材，但本公开并不限定于此，也可以是，第1片材202为负极片材，第2片材203为正极片材。
在图3A所示的例子中，转台208把持了3个卷芯206α、206β以及206γ。这3个卷芯206α、206β以及206γ的任一个为本公开的第2卷芯的一例，除此以外为本公开的第1卷芯的一例。另外，在以下的说明中，有时将3个卷芯206α、206β以及206γ合起来记载为卷芯206。
转台208一边每隔给定的角度逐步旋转，一边使卷芯206分别沿着圆形轨道旋转。由此，3个卷芯206中的一个配置在卷取位置。所谓卷取位置，是通过卷芯旋转驱动部206M能够使卷芯206旋转的位置。在图3A所示的例子中，卷芯206α配置在卷取位置。若对一个卷芯206的卷取结束，则通过转台208依次切换到下一个卷芯206。在以下的说明中，将卷取于卷芯206α的卷绕体记载为卷绕体204α，将卷取于卷芯206β的卷绕体记载为卷绕体204β，将卷取于卷芯206γ的卷绕体记载为卷绕体204γ。另外，在以下的说明中，有时将3个卷绕体204α、204β以及204γ合起来记载为卷绕体204。
另外，在图3A所示的例子中，对转台208依次切换3个卷芯的结构进行了示出，但本公开并不限定于此，由转台208保持的卷芯206的数目只要为两个以上即可，可以为几个。
切断部209在一个卷芯206中的卷取完成时切断第1片材202以及第2片材203。此时，按压部210对卷绕于卷芯206的卷绕体204进行按压，并对被切断后的第1片材202以及第2片材203的末端部的颤动进行按压。在图3A所示的例子中，切断部209配置在第1片材202以及第2片材203被贴合之前进行切断的位置，但也可以配置在第1片材202以及第2片材203被贴合之后进行切断的位置。
接头焊接部211对第1片材202焊接集电接头。带粘贴部212在卷芯206中的卷取完成后通过切断部209切断时，用带固定以使得卷绕体204不颤动。滚筒213对经由第2贴合辊205B向第1片材202以及第2片材203施加的张力进行调节。
图3B是例示了在卷绕部201中生产的卷绕体204的立体图。在图3B中，示出了构成卷绕体204的第1片材202以及第2片材203的终端部(被切断部209切断的端部)未被卷取的样态。如图3B所示，与第1片材202相比，第2片材203的宽度(沿着卷绕体204的轴方向的长度)形成得更大。
<检查机207>
检查机207进行所生产的卷绕体204的检查。检查机207例如是SS-OCT(SweptSource-Optical Coherence Tomography，扫频光学相干断层扫描)装置。检查机207为本公开的传感器的一例。
图4A是例示了检查机207检查卷绕体204的样态的示意图。如图4A所示，检查机207使照射到检查对象的卷绕体204的光L从卷绕体204的径向内侧朝向外侧移动地进行扫描，利用光L的相干性来生成表示卷绕体204的内部构造的形状的图像。
图4B是例示了沿着卷绕体204的半径方向的剖面形状的示意图。此外，图4C是例示了检查机207对图4B所示的卷绕体204的剖面进行扫描而生成的图像I的图。在图4B以及图4C中，分别地，上下方向对应于卷绕体204的轴方向，左右方向对应于卷绕体204的半径方向。
如图4B所示，在沿着卷绕体204的半径方向的剖面中，第1片材202和宽度比第1片材202大的第2片材203交替地层叠。检查机207提取卷绕体204的半径方向上的沿着第1片材202的轴方向的两端部、以及沿着第2片材203的轴方向的两端部的位置并进行图像化。在图4C所示的例子(图像I)中，分别地，菱形α对应于表示第1片材202的两端部的位置的第1片材端部位置数据组(本公开的第1组数据的一例)，黑圈β对应于表示第2片材203的两端部的位置的第2片材端部位置数据组(第2组数据的一例)。
在卷绕部201中的卷绕体204的生产时，有时会产生不良品。例如由于上述的卷绕部201的各结构的不良状况，有可能产生不良品。检查机207如上述那样生成表示沿着卷绕体204的半径方向的剖面形状的图像，并使其作为形状数据存储于存储部110。基于形状数据而进行的卷绕体204是否为不良品的判定的结果也同样地存储于存储部110。另外，基于形状数据的是否为不良品的判定既可以由图1所示的控制部120进行，也可以由检查机207进行，还可以由图1或者图3A中未图示的其他结构进行。以下，对控制部120基于形状数据进行是否为不良品的判定的情况加以说明。
凭经验可知，不良品的剖面形状根据生产出不良品的原因(以下记为不良的原因)而不同。例如，在卷芯206为不良的原因的情况、以及片材供给部220的结构的任一者为不良的原因的情况下，剖面形状如以下那样不同。
图5是示出不良的原因为卷芯206的情况下的卷绕体204的剖面形状与形状数据的例子的示意图。在图5的上部，例示了图3A所示的分别卷取于卷芯206α、206β、206γ的卷绕体204α、204β、204γ各自的剖面形状。在图5所示的例子中，在卷绕体204α、204β中，第1片材202以及第2片材203的两端部的高度一致，但在卷绕体204γ中，第1片材202以及第2片材203的两端部的高度变得倾斜。
在图5的下部，例示了分别基于在图5的上部例示的卷绕体204α、204β、204γ的剖面形状而生成的图像Iα、Iβ、Iγ。另外，所谓图5所示的基准线，是表示第1片材202以及第2片材203的两端部的应在位置的成为基准的线。如图5所示，在图像Iα、Iβ中，第1片材202以及第2片材203的两端部的位置的连续与基准线一致(与基准线平行)，但在图像Iγ中，第1片材202以及第2片材203的两端部的位置的连续变得从基准线倾斜。
如图5所示的卷绕体204α、204β那样，具有第1片材202以及第2片材203的两端部的位置的连续与基准线平行的剖面形状的卷绕体通过检查机207判断为检查结果“良”。另一方面，如图5所示的卷绕体204γ那样，具有第1片材202以及第2片材203的两端部的位置的连续相对于基准线变得倾斜的剖面形状的卷绕体通过检查机207判断为“不良”。
这样，第1片材202以及第2片材203的两端部的位置的连续从基准线倾斜的不良主要在卷芯206产生不良状况的情况下有可能产生。所谓卷芯206的不良状况，例如是卷芯206的单侧由于磨耗等被切削的状态等。可认为，在多个卷芯206的任一个产生不良状况的情况下，仅卷取于产生了不良的卷芯206的卷绕体204被判断为不良。
另一方面，图6、图7以及图8是示出不良的原因为片材供给部220的情况下的卷绕体204的形状数据的例子的示意图。
图6对应于不良的原因为第1贴合辊205A以及第2贴合辊205B的情况。与图5同样地，在图6的上部例示了卷绕体204α、204β、204γ各自的剖面形状，在图6的下部例示了基于卷绕体204α、204β、204γ的剖面形状各自生成的图像Iα、Iβ、Iγ。
在图6所示的例子中，在卷绕体204α、204β、204γ中，第1片材202以及第2片材203的两端部的位置的连续全部同样地相对于基准线变得倾斜。控制部120在从新生产的卷绕体204α、204β、204γ获得的形状数据包含如图6所示的图像Iα、Iβ、Iγ的情况下，将卷绕体204α、204β、204γ全部判断为“不良”(图2的步骤S4)。
而且，控制部120判断为不良的原因为第1贴合辊205A以及第2贴合辊205B。更具体地，可认为如图6所示的不良是在第1贴合辊205A以及第2贴合辊205B的安装轴由于随时间劣化等发生了倾斜那样的情况下产生的。另外，基于控制部120的不良的原因的判断与图2所示的步骤S4(是否为不良的判定)同时地进行即可。
图7对应于不良的原因为第1供给卷盘50的情况。在图7中，例示了片材更换前的图像Iαbefore、Iβbefore、Iγbefore、以及片材更换后的图像Iαafter、Iβafter、Iγafter。
在图7所示的例子中，在片材更换前的图像Iαbefore、Iβbefore、Iγbefore中，第1片材202的两端部的位置(图7所示的菱形α)以及第2片材203的两端部的位置(图7所示的黑圈β)的连续处于基准线上。而且，在片材更换后的图像Iαafter、Iβafter、Iγafter中，虽然第2片材203的两端部的位置(黑圈β)的连续仍在基准线上，但第1片材202的两端部的位置(菱形α)的连续成为与基准线平行且偏离基准线的位置。
控制部120在从新生产的卷绕体204α、204β、204γ获得的形状数据中如图7所示的片材更换后的图像Iαafter、Iβafter、Iγafter那样第1片材202的两端部的位置的连续处于与基准线平行且偏离基准线的位置的情况下，将卷绕体204α、204β、204γ全部判断为“不良”。而且，控制部120判断为不良的原因有可能是第1供给卷盘50中的第1片材202的安装的不良状况，从存储部110读出片材更换前的图像Iαbefore、Iβbefore、Iγbefore。
而且，控制部120在片材更换前的图像Iαbefore、Iβbefore、Iγbefore中第1片材202以及第2片材203的两端部的位置的连续均处于基准线上的情况下，判断为不良的原因为第1供给卷盘50中的第1片材202的安装的不良状况。另外，在片材更换前的图像Iαbefore、Iβbefore、Iγbefore中，控制部120还在第1片材202的两端部的位置的连续处于与基准线平行且偏离基准线的位置的情况下，判断为不良的原因为其他主要原因，例如为检查机207的不良。
另外，在图7所示的例子中，示出第1供给卷盘50为不良的原因的情况。在第2片材203相对第2供给卷盘51的安装未正确地进行的情况下，虽然第1片材202的两端部的位置的连续仍在基准线上，但第2片材203的两端部的位置的连续成为与基准线平行且偏离基准线的位置。
图8对应于不良的原因为滚筒213的情况。在图8所示的例子中，在图像Iα、Iβ、Iγ中，第1片材202以及第2片材203的两端部的位置的连续全部相对于基准线同样地弯曲。控制部120在从新生产的卷绕体204α、204β、204γ获得的形状数据包含如图8所示的图像Iα、Iβ、Iγ的情况下，将卷绕体204α、204β、204γ全部判断为“不良”。
而且，控制部120判断为不良的原因为滚筒213。更具体地，可认为如图8所示的不良是在例如由滚筒213对第1片材202以及第2片材203的至少任一者赋予的张力偏离了基准值那样的情况下产生的。
以上，对卷芯206为不良的原因的情况、和片材供给部220的结构的任一者为不良的原因的情况下的卷绕体204的剖面形状的差异进行了说明。如图5所示，在不良的原因为卷芯206的情况下，仅任一个卷芯206上卷绕的卷绕体204成为不良的可能性高。另一方面，如图6、图7、以及图8所示，在不良的原因为片材供给部220的任一个结构的情况下，全部的卷芯上卷绕的卷绕体204同样地成为不良的可能性变高。
这样，根据不良的原因，从卷绕体204获得的形状数据不同。根据这样的差异，通过维护显示装置100的控制部120判定卷绕体204产生的不良的原因是卷芯206还是片材供给部220的任一个结构。
另外，在上述的图5以及图6有关的说明中，通过第1片材202以及第2片材203的两端部的位置的连续是与基准线平行或从基准线倾斜，判断其卷绕体204是“良”还是“不良”。在本公开中，更详细地，在第1片材202以及第2片材203的两端部的位置的连续变得从基准线倾斜的情况下，也可以根据该连续的倾斜度的大小来分级地判断不良的程度。具体地，例如也可以是，在第1片材202以及第2片材203的两端部的位置的连续的倾斜角为给定值以下的情况下，判断为该卷绕体204为“及格”，在该倾斜角超过给定值的情况下，判断为该卷绕体204为“不良”。同样地，在如图7那样第1片材202或者第2片材203的两端部的位置的连续偏离基准线的情况下，也可以根据偏离的距离的大小来分级地判断不良的程度。进而，在如图8那样第1片材202或者第2片材203的两端部的位置的连续相对于基准线弯曲的情况下，也可以根据弯曲的大小来分级地判断不良的程度。
<维护显示装置100>
下面，关于显示对上述的卷取装置200应进行的维护作业有关的信息的维护显示装置100的功能结构和动作，详细地进行说明。另外，所谓本实施方式中的维护作业，意味着通过对卷取装置200适当进行各结构的调整、部件更换等，从而使得在由卷取装置200生产的卷绕体204中不产生不良的作业。在本公开中，所谓维护作业，尤其是指用于维护上述的卷芯206的不良状况的作业。维护作业通过实际操作卷取装置200的作业人员等来进行。
<存储部110>
图9是例示了第1实施方式涉及的维护显示装置100的功能结构的框图。如上所述，维护显示装置100具有存储部110、控制部120以及通知部130(参照图1)。
如图9所示，存储部110具有生产实际成果数据库111、设备状态诊断模型数据库112、以及维护实际成果数据库113。
生产实际成果数据库111是登记有与卷取装置200的生产实际成果有关的生产实际成果数据的数据库。生产实际成果数据中包含所生产的卷绕体204的生产日期时间和卷绕体204的形状数据。
图10A以及图10B是对生产实际成果数据PD进行了例示的图。在图10A中，生产实际成果数据PD的一部分以表格形式示出。如图10A所示，生产实际成果数据PD包含“生产日期时间”、“设备”、“检查结果”、“第1片材”、“第2片材”、“形状数据ID”等各数据。
“生产日期时间”数据是与生产出卷绕体204的生产日期时间有关的数据。“设备”数据是在存在多个卷取装置200的情况下用于识别给出生产实际成果的设备的数据。在图10A中，作为例子，示出相互不同的卷取装置200的识别符即“A”、“B”、“C”。
“检查结果”数据是表示在卷取装置200中生产的卷绕体204的检查结果(参照图5)的数据。在图10A中，作为例子，“良”或者“不良”作为检查结果而示出。
“第1片材”数据以及“第2片材”数据是与为了生产卷绕体204而使用的材料有关的数据。作为“第1片材”数据以及“第2片材”数据，存储有用于识别各自的材料的识别符。
“形状数据ID”是与表示卷绕体204的剖面形状的形状数据(参照图5的1α、Iβ、Iγ)建立了对应的识别编号。在图10B中，例示了形状数据ID和形状数据的对应关系。
这样的生产实际成果数据PD之中除了形状数据之外的各数据，例如每当在卷取装置200中生产卷绕体204时，自动地或者通过作业人员的手而被输入，登记到生产实际成果数据库111。形状数据在所生产的卷绕体204被检查机207(参照图1或者图4A)检查时生成，与形状数据ID建立对应地登记。即，生产实际成果数据PD中实质上包含卷绕体204的形状数据。由此，在生产实际成果数据库111中，每当生产卷绕体204时，登记所生产的卷绕体204的生产实际成果数据PD。
设备状态诊断模型数据库112是登记有多个设备状态诊断模型M的数据库。所谓设备状态诊断模型M，是为了诊断是否需要对卷取装置200进行维护作业而使用的成为诊断的基准的学习完毕模型。设备状态诊断模型M是在生产出不良品的卷取装置200通过维护作业被改善(不良品的生产比例下降了)的情况下学习了对何种的不良而言何种维护作业是有效的学习完毕模型。更具体地，设备状态诊断模型M是包括包含多个不良品的卷绕体的形状数据、和为了改善该不良品的不良而进行的维护作业的内容在内的数据的集合体。设备状态诊断模型M通过后述的设备状态诊断模型生成部124而生成。
设备状态诊断模型M每当在通过其维护作业使得在自此以后的卷绕体的生产时不良品的生产比例下降了的维护作业时生成。即，例如，昨天进行的维护作业涉及的设备状态诊断模型M、和今天进行的维护作业涉及的设备状态诊断模型M分别独立地生成。
此外，设备状态诊断模型M的形式没有特别限定，但为了进一步提高诊断精度，希望采用神经网络模型等机器学习模型。设备状态诊断模型M中采用的模型的选择既可以通过维护显示装置100的用户经由未图示的操作部等进行，也可以通过设备状态诊断模型生成部124进行。
维护实际成果数据库113是登记有与对卷取装置200实际进行的维护作业有关的维护实际成果数据MD的数据库。维护实际成果数据MD中例如包含用于识别卷取装置200的设备数据、与进行维护作业的日期时间(维护日期时间)有关的数据、表示进行的维护作业的内容的数据等。例如，在以几分钟等短时间结束的维护作业的情况下，维护日期时间既可以为维护作业的开始时刻，也可以为结束时刻。此外，在维护作业例如花费几小时等较长时间的情况下，维护日期时间优选设为维护作业的中央时刻。图11是对维护实际成果数据MD进行了例示的图。维护实际成果数据MD在刚刚执行维护作业之后例如通过实际进行了卷取装置200的维护作业的作业人员等的手经由图1中未图示的操作部等输入至维护显示装置100。
<控制部120>
如图9所示，控制部120具有设备状态诊断部121、通知判定部122、维护效果判定部123和设备状态诊断模型生成部124。
设备状态诊断部121利用在卷取装置200中新生产的卷绕体204的形状数据以及设备状态诊断模型M来诊断卷取装置200的状态。诊断结果作为表示新生产的卷绕体204的形状数据和设备状态诊断模型M中包含的过去的形状数据一致的程度的一致度C来计算。在此，设备状态诊断模型M中包含维护作业的内容和比进行该维护作业的时间点靠前的形状数据。这意味着：过去在产生了具有设备状态诊断模型M中包含的形状数据的卷绕体204的不良的情况下，通过进行设备状态诊断模型M中包含的维护作业，从而卷绕体204的不良降低了。即，新生产的卷绕体204的形状数据和设备状态诊断模型M中包含的形状数据的一致度C表示通过进行设备状态诊断模型M中包含的维护从而卷绕体204的不良被改善的概率。
另外，关于对新生产的卷绕体204的多个(m个)形状数据和设备状态诊断模型M中包含的过去的多个(n个)形状数据进行比较来计算一致度C的方法，能够适当利用的是模式匹配、或者利用了进行维数压缩的多个形状数据的特征量的深层学习等。此外，也可以基于从各形状数据获得的矢量间的距离来计算一致度。
通知判定部122基于一致度C来判定是否进行与卷取装置200的维护作业有关的通知。通知判定部122在一致度C为给定的阈值以上的情况下，判定为进行表示应进行维护作业的意思的通知，在一致度C小于给定的阈值的情况下，判定为不进行通知。与维护作业有关的通知包含用于引起用户的注意的警报、告知通过执行而可预见效果的维护作业的内容的显示等。
维护效果判定部123判定有无对卷取装置200的维护作业所带来的效果。维护效果判定部123例如基于维护作业前和后的不良率(不良品相对于生产总数的比例)或维护作业前和后的卷绕体204的形状数据(参照图5)，判定有无维护作业所带来的效果。
设备状态诊断模型生成部124基于判定为有效果的维护实际成果数据MD、和在进行该维护作业之前生产的不良品的形状数据，生成设备状态诊断模型M。设备状态诊断模型生成部124生成的设备状态诊断模型M登记到上述的设备状态诊断模型数据库112。
<维护显示装置100中的处理的整体的流程>
下面，参照图12以及图13对具有图9所示的功能结构的维护显示装置100中的处理的整体的流程进行说明。图12以及图13是概略性地说明维护显示装置100中的处理的整体的流程的时序图。
在图12中，示出维护显示装置100中的学习处理、以及利用了通过学习处理而生成的学习完毕模型的识别处理的概略。
[学习处理]
维护显示装置100中的学习处理是用于生成在由卷取装置200生产出不良品的情况下学习了何种的形状数据的不良品通过何种的维护作业而被改善的学习完毕模型(设备状态诊断模型M)的处理。因此，学习处理的前提是在其开始前进行维护作业。
在步骤S11中，维护效果判定部123获取在比学习处理的开始前进行的维护作业更靠前生产的多个卷绕体204的生产实际成果数据PD(参照图10B)中包含的形状数据(参照图5、图6、图7、以及图8)，并基于该数据来计算维护作业前的不良率Nfbefore。不良率Nfbefore例如是在维护作业前制造出的卷绕体204之中判定为不良的卷绕体204的数目除以维护作业前的生产总数而计算的。不良率Nfbefore是本公开的第1不良率的一例。
在步骤S12中，维护效果判定部123获取在比维护作业靠后生产的多个卷绕体204的生产实际成果数据PD中包含的形状数据，并基于该数据来计算维护作业后的不良率Nfafter。不良率Nfafter例如是在维护作业后制造出的卷绕体204之中判定为不良的卷绕体204的数目除以维护作业后的生产总数而计算的。不良率Nfafter是本公开的第2不良率的一例。
在步骤S13中，维护效果判定部123对维护作业前后的不良率Nfbefore和fafter进行比较，判定维护作业有无效果。关于学习处理中的由维护效果判定部123执行的维护作业的效果的判定处理的详情将后述。
在步骤S13中判定为维护作业有效果的情况下，维护效果判定部123在步骤S14中将表示在学习处理开始前进行的维护作业的内容的维护实际成果数据MD(参照图11)输出至设备状态诊断模型生成部124。
在步骤S15中，设备状态诊断模型生成部124利用判定为有效果的维护实际成果数据MD来生成设备状态诊断模型M。关于设备状态诊断模型M的详情将后述。
在步骤S16中，设备状态诊断模型生成部124将所生成的设备状态诊断模型M登记到设备状态诊断模型数据库112(参照图9)。
以上说明的步骤S11至步骤S16的处理是维护显示装置100的学习处理。
[识别处理]
以下说明的识别处理是基于表示新生产的多个卷绕体204的剖面形状的形状数据，利用通过学习处理生成的设备状态诊断模型M来识别卷取装置200是否产生了异常或者异常的预兆的处理。
在步骤S17中，设备状态诊断部121获取新生产的多个卷绕体的形状数据(以后记为新的形状数据)。
在步骤S18中，设备状态诊断部121利用新的形状数据以及设备状态诊断模型M来计算一致度C。一致度C是表示新的形状数据和设备状态诊断模型M中包含的过去的形状数据一致的程度的值。即，一致度C越大，在卷取装置200中产生异常或者异常的预兆、新生产的卷绕体204成为不良品的概率越高。
在步骤S19中，通知判定部122在一致度C为给定的阈值以上的情况下，判定为对于维护显示装置100的用户需要进行通知。一致度C为给定的阈值以上的情况对应于在卷取装置200产生异常或者异常的预兆而需要重新进行维护作业的情况。
在步骤S110中，通知判定部122对通知部130输出应通知给用户的维护作业的内容。应通知给用户的维护作业的内容基于一致度C为给定的阈值以上的设备状态诊断模型M来决定。
在步骤S111以及S112中，通知部130对用户进行表示应进行维护作业的意思的通知。在步骤S111中，警报部131发出警报。此外，在步骤S112中，显示部132显示应对用户通知的维护作业的内容等。另外，在图12中，虽然示出了进行步骤S111中的警报以及步骤S112中的维护作业的内容显示这两者的例子，但例如也可以不发布警报，仅进行维护作业的内容显示。
这样，通过步骤S111以及S112中的通知，接受到通知的作业人员基于所通知的维护作业的内容来执行对卷取装置200的维护作业。
以上说明的步骤S17至步骤S112的处理是利用了通过学习处理而生成的学习完毕模型的维护显示装置100的识别处理。
在图13中，示出维护显示装置100中的更新处理、以及利用了通过更新处理而更新的学习完毕模型的识别处理的概略。
[更新处理]
维护显示装置100中的更新处理是在比上述的学习处理靠后新进行了维护作业的情况下，基于该维护作业的维护作业的结果来更新学习完毕模型(设备状态诊断模型M)的处理。即，更新处理的前提是在其开始前进行维护作业。
在步骤S21中，维护效果判定部123利用在维护作业前生产的多个卷绕体204的生产实际成果数据PD(参照图10A)中包含的形状数据(参照图5)、以及设备状态诊断模型数据库112中登记的设备状态诊断模型M，计算维护作业前的一致度Cbefore。
在步骤S22中，维护效果判定部123利用在比维护作业靠后生产的多个卷绕体204的生产实际成果数据中包含的形状数据、以及设备状态诊断模型数据库112中登记的设备状态诊断模型M中包含的过去的形状数据，计算维护作业后的一致度Cafter。
在步骤S23中，维护效果判定部123对维护作业前后的一致度Cbefore和Cafter进行比较，判定维护作业有无效果。关于更新处理中的由维护效果判定部123执行的维护作业的效果的判定处理的详情将后述。
在通过步骤S23判定为维护作业有效果的情况下，维护效果判定部123在步骤S24中将表示在更新处理开始前进行的维护作业的内容的维护实际成果数据MD输出至设备状态诊断模型生成部124。
在步骤S25中，设备状态诊断模型生成部124利用判定为有效果的维护实际成果数据MD来更新设备状态诊断模型M。关于设备状态诊断模型M的更新处理的详情将后述。
在步骤S26中，设备状态诊断模型生成部124利用所生成的设备状态诊断模型M来更新设备状态诊断模型数据库112(参照图9)。
以上说明的步骤S21至步骤S26的处理是维护显示装置100的更新处理。
[识别处理]
以下说明的识别处理是基于表示新生产的多个卷绕体204的剖面形状的形状数据，利用通过更新处理更新的设备状态诊断模型M来识别卷取装置200是否产生异常或者异常的预兆的处理。
在步骤S27中，设备状态诊断部121获取新生产的多个卷绕体的形状数据(以后记为新的形状数据)。
在步骤S28中，设备状态诊断部121利用新的形状数据以及设备状态诊断模型M来计算一致度C。一致度C是表示新的形状数据和设备状态诊断模型M中包含的过去的形状数据一致的程度的值。
在步骤S29中，通知判定部122在一致度C为给定的阈值以上的情况下，判定为需要对维护显示装置100的用户进行通知。所谓一致度C为给定的阈值以上的情况，是在卷取装置200产生异常或者异常的预兆而需要重新进行维护作业的情况。
在步骤S210中，通知判定部122对通知部130输出应通知给用户的维护作业的内容。应通知给用户的维护作业的内容基于一致度C为给定的阈值以上的设备状态诊断模型M来决定。
在步骤S211以及S212中，通知部130对用户进行表示应进行维护作业的意思的通知。在步骤S211中，警报部131发出警报。此外，在步骤S212中，显示部132显示应对用户通知的维护作业的内容等。另外，在图13中，虽然示出了进行步骤S211中的警报以及步骤S212中的维护作业的内容显示这两者的例子，但例如也可以不发布警报，仅进行维护作业的内容显示。
接受到步骤S211以及S212中的通知的作业人员基于所通知的维护作业的内容来执行对卷取装置200的维护作业。
以上说明的步骤S27至步骤S212的处理是维护显示装置100的识别处理。另外，图13所示的步骤S27至步骤S212的识别处理是与图12所示的步骤S17至步骤S112的识别处理实质上相同的处理。
<各处理的详情>
以下，对图12以及图13所示的学习处理、识别处理以及更新处理分别详细地进行说明。
[学习处理]
首先，对由维护效果判定部123以及设备状态诊断模型生成部124执行的学习处理进行说明。
(维护效果判定部123的处理)
以下，对学习处理中的维护效果判定部123执行的处理(图12的步骤S11至步骤S14的处理)进行说明。图14是用于对在学习处理中维护效果判定部123执行的处理进行说明的流程图。
在步骤S31中，维护效果判定部123从生产实际成果数据库111读出包含生产实际成果数据库111所登记的生产实际成果数据之中、从在学习处理前进行维护作业的时刻起给定时间之内生产的卷绕体204的生产实际成果数据的全部在内的生产实际成果数据列表PLbefore。给定时间是预先设定的长度的时间，是为了制造某种程度以上的数目的卷绕体204而需要的时间。
在步骤S32中，维护效果判定部123基于生产实际成果数据列表PLbefore中包含的生产实际成果数据来计算维护前不良率Nfbefore。如上所述，维护前不良率Nfbefore是基于生产实际成果数据列表PLbefore中包含的生产实际成果数据的形状数据以及检查结果判定为不良的卷绕体204的数目除以维护作业前的生产总数而计算的。
在步骤S33中，维护效果判定部123从生产实际成果数据库111读出包含从进行维护的时刻起到之后给定时间为止生产的卷绕体204的生产实际成果数据的全部在内的生产实际成果数据列表PLafter。
在步骤S34中，维护效果判定部123基于生产实际成果数据列表PLafter中包含的生产实际成果数据来计算维护后不良率Nfafter。如上所述，维护后不良率Nfafter是基于生产实际成果数据列表PLafter中包含的生产实际成果数据的形状数据以及检查结果判定为不良的卷绕体204的数目除以维护作业后的生产总数而计算的。
在步骤S35中，维护效果判定部123取维护前不良率Nfbefore与维护后不良率Nfafter的差分，判定该差分是否大于给定的阈值ThN。在差分大于阈值ThN的情况下(步骤S35：是)，维护效果判定部123使处理前进至步骤S36，否则的情况下(步骤S35：否)，使处理前进至步骤S37。
在步骤S36中，由于与维护前不良率Nfbefore相比维护后不良率Nfafter变小，因此维护效果判定部123判定为维护作业有效果。在此提及的维护作业是指在学习处理前、即比图12的步骤S11靠前进行的维护作业。
另一方面，在步骤S37中，由于与维护前不良率Nfbefore相比维护后不良率Nfafter没有变小，因此维护效果判定部123判定为维护作业无效果或者效果非常小。
这样，维护效果判定部123在学习处理中判定在比学习处理靠前进行的维护作业是否有效果。
图15A以及图15是用于说明对学习处理中的维护作业的效果进行判定的样态的概念图。分别地，图15A示出判定为维护作业有效果的情况下的例子，图15B示出判定为维护作业无效果的情况下的例子。在图15A以及图15B中，示出卷取于多个卷芯206中的某一个卷芯206的5个卷绕体的形状数据。
在图15A以及图15B所示的例子中，在维护前，在卷取于某一个卷芯206的5个卷绕体之中，2个判定为不良。即，维护前不良率Nfbefore为40％。在图15A所示的例子中，在维护后，在卷取于某一个卷芯206的5个卷绕体之中，判定为不良的卷绕体成为0(维护后不良率Nfafter＝0)。另一方面，在图15B所示的例子中，在维护后，在卷取于某一个卷芯206的5个卷绕体之中，判定为不良的卷绕体与维护前相比没有改变，成为2个(维护后不良率Nfafter＝40％)。
因此，在图15A所示的例子中，维护前不良率Nfbefore与维护后不良率Nfafter的差分为40％。另一方面，在图15B所示的例子中，维护前不良率Nfbefore与维护后不良率Nfafter的差分为0。因此，例如在判定维护效果的有无的阈值ThN例如为20％的情况下，在图15A所示的例子中判定为维护作业有效果，在图15B所示的例子中判定为维护作业无效果。
另外，在图15A以及图15B中，作为判定为不良的形状数据的例子，采用了第1片材的两端部的位置(黑圈β)的连续以及第2片材的两端部的位置(菱形α)的连续变得从基准线倾斜的形状数据。然而，实际上，作为判定为不良的形状数据，还可能有第1片材或者第2片材的位置的连续偏离基准线的形状数据(参照图7)、或者第1片材以及第2片材的位置的连续相对于基准线弯曲的形状数据(参照图8)。在后述的图21、图28以及图29中也是同样的。
(设备状态诊断模型生成部124的处理)
下面，对学习处理中的设备状态诊断模型生成部124执行的处理(图12的步骤S15以及S16的处理)进行说明。图16是用于对在学习处理中设备状态诊断模型生成部124执行的处理进行说明的流程图。
在步骤S41中，设备状态诊断模型生成部124读出在维护效果判定部123中判定为有效果的维护作业的维护实际成果数据MD。
在步骤S42中，设备状态诊断模型生成部124从生产实际成果数据库111读出维护前生产实际成果数据列表PLbefore。另外，在此，由设备状态诊断模型生成部124读出的维护前生产实际成果数据列表PLbefore与在维护效果判定部123的处理中读出的维护前的生产实际成果数据列表PLbefore相同(参照图14的步骤S31)。
在步骤S43中，设备状态诊断模型生成部124利用所读出的维护实际成果数据MD和生产实际成果数据列表PLbefore中包含的生产实际成果数据PD，来生成设备状态诊断模型Mnew。
在步骤S44中，设备状态诊断模型生成部124将新生成的设备状态诊断模型Mnew登记到设备状态诊断模型数据库112。
这样，在学习处理中，新生成学习了何种的形状数据的不良品通过何种的维护作业而被改善的设备状态诊断模型Mnew，并登记到设备状态诊断模型数据库112。
[识别处理]
下面，对由设备状态诊断部121以及通知判定部122执行的识别处理进行说明。
(设备状态诊断部121的处理)
以下，对识别处理中的设备状态诊断部121执行的处理(图12的步骤S17以及步骤S18的处理)进行说明。图17是用于对在识别处理中设备状态诊断部121执行的处理进行说明的流程图。
在步骤S51中，设备状态诊断部121判定在生产实际成果数据库111中是否登记了新的生产实际成果数据PDnew。在未登记新的生产实际成果数据PDnew的情况下(步骤S51：否)，设备状态诊断部121反复执行步骤S51。在登记了新的生产实际成果数据PDnew的情况下(步骤S51：是)，设备状态诊断部121使处理前进至步骤S52。
在步骤S52中，设备状态诊断部121基于新登记的生产实际成果数据PDnew从生产实际成果数据库111提取生产实际成果数据列表PL。生产实际成果数据列表PL是将生产实际成果数据库111中登记的生产实际成果数据PD之中、从新登记的生产实际成果数据PDnew的生产日期时间起给定时间之内生产的卷绕体204的生产实际成果数据PD进行提取并列表化而成的。即，生产实际成果数据列表PL中至少包含新登记的生产实际成果数据PDnew。
在步骤S53中，设备状态诊断部121利用生产实际成果数据列表PL中包含的形状数据、和从设备状态诊断模型数据库112读出的设备状态诊断模型M中包含的过去的形状数据，来生成一致度C。
更详细地，设备状态诊断部121从生产实际成果数据列表PL中包含的一个以上的生产实际成果数据分别提取形状数据(参照图5、图6、图7以及图8)。另一方面，设备状态诊断部121提取设备状态诊断模型数据库112中登记的多个设备状态诊断模型M。多个设备状态诊断模型M分别对应于不同的维护作业。
设备状态诊断部121在从一个以上的生产实际成果数据提取出的形状数据和多个设备状态诊断模型M的全部的组合中，计算多个一致度C。
(通知判定部122的处理)
以下，对识别处理中的通知判定部122执行的处理(图12的步骤S19至步骤S112的处理)进行说明。图18是用于对在识别处理中通知判定部122执行的处理进行说明的流程图。
在步骤S61中，通知判定部122基于设备状态诊断部121生成的多个一致度C，按每个维护小组对一致度C进行合计。所谓维护小组，是与维护作业的内容对应的小组。例如，通知判定部122基于图19A所示的维护小组信息对所实施的维护作业进行小组化。如图19A所示，维护小组信息是维护小组和该维护小组中包含的实施的维护作业建立了对应的信息。如图19A所示，维护小组信息也可以进一步包含与维护小组对应的应实施的维护方案。另外，在本实施方式中，将按维护作业对象的每个构件划分的小组作为维护小组进行了说明，但本公开并不限定于此，维护小组例如也可以是按维护作业的每个内容划分、或者按在维护作业中更换的部件的每个型号等划分的小组。
在以下的说明中，将按每个维护小组对一致度C进行了合计的结果设为合计值A。生成合计值A的方法只要从多个种类的合计方法中适当决定即可。作为多个种类的合计方法的具体例，例如，可列举只是对一致度C进行合计的方法、取一致度C的平均的方法、从一致度C中选择最大值的方法、提取上级给定数目的一致度C并取平均的方法等。
在步骤S62中，通知判定部122生成维护方案列表ML。所谓维护方案列表ML，是维护小组的列表，例如维护小组按照合计值A从大到小的顺序排列。图19B是示出维护方案列表ML的具体例的图。
如图19B所示，维护方案列表ML中包含“维护方案ID”、“设备”、“维护方案”以及“合计值”等各数据。“维护方案ID”数据是按根据合计值的大小重新排列的每个维护小组赋予的识别符。作为“维护方案ID”数据，例如合计值越大，赋予越小的编号。“维护方案”数据是表示与维护小组对应的应实施的维护的内容的数据。通知判定部122参照图19A所示的维护小组信息，来确定与维护小组对应的维护方案。“合计值”数据是表示按每个维护小组合计的合计值A的值的数据。
在图19B所示的例子中，在维护方案列表ML中，在卷绕设备“A”中，多个卷芯206之一的第1卷芯的维护作为维护小组1登记，第1贴合辊205A的维护作为维护小组2登记。而且，第2供给卷盘51中的第2片材203的安装不良状况的维护作为维护小组3登记，滚筒213的维护作为维护小组4登记。
此外，所谓图19A、B所示的维护方案中的“第1卷芯的维护”，意味着至少包含第1卷芯的调整、第1卷芯的清扫、第1卷芯的更换等对第1卷芯的维护作业中的一种。“第1贴合辊的维护”以及“滚筒的维护”也是同样的。此外，所谓图19A、B所示的维护方案中的“第2片材的维护”，意味着至少包含第2片材203的安装调整、第2片材203的参数变更等对第2片材203的维护作业中的一种。
另外，图19B所示的维护方案列表ML中登记的维护小组1～4根据以下那样的理由而预先设定。
如参照图5以及图6说明的那样，在第1片材端部位置数据组所表示的第1片材202的上端面的位置的连续、和第2片材端部位置数据组所表示的第2片材203的上端面的位置的连续变得从基准线倾斜的情况下，该卷绕体204被判断为不良(或者及格)。而且，在仅卷绕于多个卷芯206的任一个卷芯的卷绕体204为不良的情况下，根据过去的经验可知，该卷绕体204的不良的原因是卷绕有该卷绕体204的卷芯206的可能性高。而且，在卷绕于多个卷芯206的全部的卷绕体204为不良的情况下，根据过去的经验可知，该卷绕体204的不良的原因是第1贴合辊205A或者第2贴合辊205B的可能性高。因而，在图19B所示的例子中，作为维护小组1而登记有第1卷芯的维护，作为维护小组2而登记有第1贴合辊205A的维护。另外，在图19B中虽然未图示，但希望在维护方案列表ML中，其他的卷芯的维护以及第2贴合辊205B的维护也作为其他的维护小组登记。
而且，如参照图7说明的那样，在第1片材端部位置数据组所表示的第1片材202的上端面的位置的连续、或者第2片材端部位置数据组所表示的第2片材203的上端面的位置的连续处于偏离基准线的位置的情况下，该卷绕体204被判断为不良。根据过去的经验可知，这样的卷绕体204的不良的原因是第1片材202相对第1供给卷盘50的安装、或者第2片材203相对第2供给卷盘51的安装的不良状况的可能性高。因而，在图19B所示的例子中，作为维护小组3而登记有第2供给卷盘51中的第2片材203的维护。另外，在图19B中虽然未图示，但希望在维护方案列表ML中，第1供给卷盘50中的第1片材202的维护也作为其他的维护小组登记。
进而，如参照图8说明的那样，在第1片材端部位置数据组所表示的第1片材202的上端面的位置的连续、或者第2片材端部位置数据组所表示的第2片材203的上端面的位置的连续相对于基准线弯曲的情况下，该卷绕体204被判断为不良。根据过去的经验可知，这样的卷绕体204的不良的原因是滚筒213对第1片材202或者第2片材203赋予的张力的不良状况的可能性高。因而，在图19B所示的例子中，作为维护小组4而登记有滚筒213的维护。
另外，在图19B中，合计值A是对一致度C进行了合计的值，因此具有与一致度C同样的性质。因而，合计值A越大，对于对象的卷取装置200进行其维护小组的维护内容的必要性越高。此外，维护方案列表ML是按合计值A从大到小的顺序排列的维护小组的列表，因此越是处于维护方案列表ML的上级的维护小组，对于对象的卷取装置200的维护的必要性越高。
返回到图18的说明。在步骤S63中，通知判定部122按每个维护小组判定合计值A是否大于给定的预兆阈值Thf。所谓给定的预兆阈值Thf，是假定在卷取装置200产生了异常的预兆的合计值的最小值。另外，在本实施方式中，所谓卷取装置200的异常，例如意味着卷取装置200生产给定比例以上的检查结果为“不良”的卷绕体204。此外，所谓卷取装置200的异常的预兆，例如意味着卷取装置200生产给定比例以上的检查结果为“及格”的卷绕体204。给定的预兆阈值Thf例如只要基于过去的维护实际成果数据MD等凭经验决定即可。
即便在维护方案列表ML中仅包含一个合计值A大于预兆阈值Thf的维护小组的情况下(步骤S63：是)，通知判定部122也使处理前进至步骤S64。在合计值A大于预兆阈值Thf的维护小组一个也不包含于维护方案列表ML的情况下(步骤S63：否)，通知判定部122视为无需进行表示应进行维护的意思的通知，结束处理。
在步骤S64中，通知判定部122判定维护方案列表ML中包含的维护小组之中是否有合计值A大于给定的异常阈值Tha的维护小组。所谓给定的异常阈值Tha，是指假定越过了预兆的阶段而在卷取装置200产生异常的合计值的最小值。因而，异常阈值Tha例如基于过去的维护实际成果数据MD等凭经验决定为大于预兆阈值Thf的值。在合计值A大于异常阈值Tha的维护小组包含于维护方案列表ML的情况下(步骤S64：是)，通知判定部122使处理前进至步骤S66。在合计值A大于异常阈值Tha的维护小组不包含于维护方案列表ML的情况下(步骤S64：否)，通知判定部122使处理前进至步骤S65。
在步骤S65中，通知判定部122使通知部130的显示部132通知在步骤S63中判定为合计值A大于预兆阈值Thf的维护小组所对应的维护内容。更详细地，通知判定部122例如使显示部132不仅显示“请执行以下的维护内容。”等的消息还显示推荐执行的维护作业的内容。另外，推荐执行的维护作业的内容是图19B所示的维护方案列表ML中包含的“维护方案”数据所对应的内容。
在此，通知判定部122在存在多个合计值A大于预兆阈值Thf的维护小组的情况下，也可以按合计值对多个维护作业的内容进行排序并显示。在该情况下，更详细地，通知判定部122显示“请执行以下的维护内容。在执行上级的维护内容也未改善的情况下，有时只要执行下级的维护内容就可改善。”等消息，并且将推荐执行的维护作业的内容按从上级到下级的顺序显示多个即可。
此外，通知判定部122不仅通知维护作业内容还通知与该维护内容的维护小组建立了对应的维护方案ID。在进行了维护作业的作业人员输入维护实际成果数据MD时，通过将维护实际成果数据MD和成为进行维护的契机的维护方案ID建立对应地输入，从而能够容易地判别所输入的维护实际成果数据MD是否为与以维护显示装置100的通知为契机执行的维护作业对应的数据。
在步骤S66中，通知判定部122与步骤S65同样地使显示部132显示维护作业的内容，并且，使警报部131发出用于通知在对象的卷取装置200产生异常的警报。在对象的卷取装置200产生异常而非异常的预兆的情况下，是需要进行紧急的维护作业的事态。因而，通知判定部122不仅进行基于显示部132的维护作业的内容显示，还通过警报部131发出警报，对维护显示装置100的用户迅速地通知异常的产生。
这样，在识别处理中，利用新生产的卷绕体的204的生产实际成果数据PD(尤其是形状数据)以及设备状态诊断模型M，来判定在卷取装置200中是否产生了异常(生产给定比例以上的不良品的事态)、异常的预兆。而且，在判定为产生了异常或者异常的预兆的情况下，对用户进行通知。由此，用户能够在卷取装置200产生了异常的情况下迅速地获知异常，并且能够获知为了改善异常而应进行的维护作业的内容。
另外，在本公开中，假定了卷绕体204的不良的原因是卷绕有卷绕体204的卷芯206、或者片材供给部220的结构(第1贴合辊205A、第2贴合辊205B、第1供给卷盘50、第2供给卷盘51、或者滚筒213)的任一者。在维护显示装置100中，如上所述，将多个卷芯206的任一个、或者片材供给部220的结构的任一个作为维护作业的对象，计算每个维护小组的合计值，根据合计值的大小来判断应进行何种的维护作业。通过这样的判断，在多个卷芯206的任一个、或者片材供给部220的结构的任一者之中，提取通过进行维护作业从而卷绕体204的不良被消除的可能性高的维护作业，并进行显示。
具体地，例如在卷绕于多个卷芯206的卷绕体204中仅一部分判断为发生了第1片材202或者第2片材203的两端部的位置的连续变得从基准线倾斜的不良的情况下，卷绕有判断为不良的卷绕体204的卷芯206的维护作业所对应的维护小组的合计值变高。例如，在卷绕于多个卷芯206的卷绕体204中全部判断为发生了第1片材202或者第2片材203的两端部的位置的连续变得从基准线倾斜的不良的情况下，第1贴合辊205A或者第2贴合辊205B的维护作业所对应的维护小组的合计值变高。
而且，例如在卷绕于多个卷芯206的卷绕体204中全部判断为发生了第1片材202或者第2片材203的两端部的位置的连续成为偏离基准线的位置的不良的情况下，针对第1供给卷盘50中的第1片材202的安装或者第2供给卷盘51中的第2片材203的安装的维护作业所对应的维护小组的合计值变高。
进而，例如在卷绕于多个卷芯206的卷绕体204中全部判断为发生了第1片材202或者第2片材203的两端部的位置的连续相对于基准线弯曲的不良的情况下，针对滚筒213的维护作业所对应的维护小组的合计值变高。
另外，卷绕于多个卷芯206的卷绕体204中全部判断为不良的事态不仅在第1贴合辊205A或者第2贴合辊205B产生了不良状况的情况下可能产生，在多个卷芯206全部同时产生了不良状况的情况下也可能产生。然而，假定在多个卷芯206全部同时产生不良状况的概率比在第1贴合辊205A或者第2贴合辊205B产生不良状况的概率足够低。因而，假定在基于通知判定部122的显示内容中，在更上级包含维护第1贴合辊205A或者第2贴合辊205B的维护内容，在更下级包含维护多个卷芯206的维护内容。
[更新处理]
下面，对由维护效果判定部123以及设备状态诊断模型生成部124执行的更新处理进行说明。
(维护效果判定部123的处理)
以下，对更新处理中的维护效果判定部123执行的处理(图13的步骤S21至步骤S24的处理)进行说明。图20是用于对在更新处理中维护效果判定部123执行的处理进行说明的流程图。
在步骤S71中，维护效果判定部123判定在存储部110的维护实际成果数据库113中是否登记了新的维护实际成果数据MDnew。在判定为未登记新的维护实际成果数据MDnew的情况下(步骤S71：否)，维护效果判定部123反复执行步骤S71。在判定为登记了新的维护实际成果数据MDnew的情况下(步骤S71：是)，维护效果判定部123使处理前进至步骤S72。
在步骤S72中，维护效果判定部123基于新登记的维护实际成果数据MDnew中包含的“维护日期时间”数据(参照图11)，判定从进行与新登记的维护实际成果数据MDnew对应的维护起到当前为止是否经过了给定时间。
在判定为从维护作业的执行时刻起经过了给定时间的情况下(步骤S72：是)，维护效果判定部123使处理前进至步骤S73。在判定为从维护作业的执行时刻起仍未经过给定时间的情况下(步骤S72：否)，维护效果判定部123反复执行步骤S72的处理。
在步骤S73中，维护效果判定部123从生产实际成果数据库111读出包含从维护作业起到之前给定时间为止生产的卷绕体204的生产实际成果数据PD的全部在内的维护前生产实际成果数据列表PLbefore。
在步骤S74中，维护效果判定部123从设备状态诊断模型数据库112读出属于与新的维护实际成果数据MDnew对应的维护内容的维护小组的设备状态诊断模型M，并基于读出的设备状态诊断模型M和生产实际成果数据列表PLbefore来生成维护前一致度Cbefore。关于维护前一致度Cbefore的生成方法，是与图17的步骤S53中的由设备状态诊断部121执行的一致度C的生成方法同样的。
在步骤S75中，维护效果判定部123从生产实际成果数据库111读出包含从维护作业起到之后给定时间为止生产的卷绕体204的生产实际成果数据PD的全部在内的生产实际成果数据列表PLafter。
在步骤S76中，维护效果判定部123从设备状态诊断模型数据库112读出属于与新的维护实际成果数据MDnew对应的维护内容的维护小组的设备状态诊断模型M，并基于读出的设备状态诊断模型M和生产实际成果数据列表PLafter来生成维护后的一致度Gafter。关于一致度Gafter的生成方法，是与图17的步骤S53中的由设备状态诊断部121执行的一致度C的生成方法同样的。
在步骤S77中，维护效果判定部123取维护前的一致度Cbefore与维护后的一致度Gafter的差分，判定该差分是否大于给定的阈值ThD。在差分大于阈值ThD的情况下(步骤S77：是)，维护效果判定部123使处理前进至步骤S78，否则的情况下(步骤S77：否)，使处理前进至步骤S79。给定的阈值ThD基于过去的维护作业的实际成果等适当决定即可。
在步骤S78中，由于与维护前的一致度Cbefore相比维护后的一致度Cafter变小，因此维护效果判定部123判定为基于由通知判定部122通知的维护内容进行的维护作业有效果。
在步骤S79中，由于与维护前的一致度Cbefore相比维护后的一致度Cafter变小，因此维护效果判定部123判定为基于由通知判定部122通知的维护内容进行的维护作业无效果、或者效果非常小。
图21A以及图21B是用于说明对更新处理中的维护作业的效果进行判定的样态的概念图。分别地，图21A示出判定为维护作业有效果的情况下的例子，图21B示出判定为维护作业无效果的情况下的例子。
在图21A以及图21B所示的例子中，通过在维护前生产的卷绕体204的形状数据以及设备状态诊断模型M，计算出维护前一致度Cbefore＝0.90。
而且，在图21A所示的例子中，通过在维护后生产的卷绕体204的形状数据以及设备状态诊断模型M，计算出维护后一致度Cafter＝0.20。另一方面，在图21B所示的例子中，通过在维护后生产的卷绕体204的形状数据以及设备状态诊断模型M，计算出维护后一致度Cafter＝0.90。
因此，在图21A所示的例子中，维护前一致度Cbefore与维护后一致度Cafter的差分成为0.70。另一方面，在图21B所示的例子中，维护前一致度Cbefore与维护后一致度Cafter的差分成为0。因此，例如在判定维护效果的有无的阈值ThD为0.30的情况下，在图21A所示的例子中判定为维护作业有效果，在图21B所示的例子中判定为维护作业无效果。
(设备状态诊断模型生成部124的处理)
下面，对更新处理中的设备状态诊断模型生成部124执行的处理(图13的步骤S25以及S26的处理)进行说明。图22是用于对在更新处理中设备状态诊断模型生成部124执行的处理进行说明的流程图。
在步骤S81中，设备状态诊断模型生成部124读出在维护效果判定部123中判定为有效果的维护作业的维护实际成果数据MDnew。
在步骤S82中，设备状态诊断模型生成部124从生产实际成果数据库111读出维护前生产实际成果数据列表PLbefore。另外，在此，由设备状态诊断模型生成部124读出的维护前生产实际成果数据列表PLbefore与在维护效果判定部123的处理中读出的维护前的生产实际成果数据列表PLbefore相同(参照图14的步骤S31)。
在步骤S83中，设备状态诊断模型生成部124利用所读出的维护实际成果数据MD和生产实际成果数据列表PLbefore中包含的生产实际成果数据PD，来生成新的设备状态诊断模型Mnew。
在步骤S84中，设备状态诊断模型生成部124将新的设备状态诊断模型Mnew追加到设备状态诊断模型数据库112中已经登记的设备状态诊断模型M进行更新。
这样，在更新处理中，利用在学习处理中生成的设备状态诊断模型M来生成新的设备状态诊断模型Mnew，并利用新的设备状态诊断模型Mnew来更新在设备状态诊断模型数据库112中已经登记的设备状态诊断模型M。这样，通过基于有效果的维护作业利用新的设备状态诊断模型Mnew来更新设备状态诊断模型数据库112的设备状态诊断模型M，从而设备状态诊断部121中的卷取装置200的设备状态的诊断精度逐渐提高。
本公开涉及的显示用于生产装置的维护的信息的显示方法在通过本公开涉及的学习完毕模型的生成方法而创建的学习完毕模型中，输入沿着在第1卷芯呈多圈重叠卷绕有第1电极片以及第2电极片的第1卷绕体的半径方向读取的表示第1电极片的第1端面的位置的第1组数据、沿着第1卷绕体的半径方向读取的表示第1电极片的第2端面的位置的第2组数据。而且，在判断为第1卷绕体为不良且不良的原因为片材供给部，并从学习完毕模型输出了表示不良的原因为第1卷芯的意思的信息的情况下，将表示第1卷绕体为不良且不良的原因为片材供给部的意思的信息输出至显示装置。
<第1实施方式的维护显示装置100的作用、效果>
如以上说明的那样，维护显示装置100的控制部120具有通知判定部122、和作为模型生成部的一例的设备状态诊断模型生成部124。通知判定部122从作为传感器的检查机207获取沿着卷绕体204的半径方向读取的表示第1端面的位置的第1组数据、以及表示第2端面的位置的第2组数据。而且，通知判定部122基于第1组数据所表示的第1端面的位置的连续、第2组数据所表示的第2端面的位置的连续、以及预先设定的基准线，判定卷绕体204是否为不良，以及在为不良的情况下判定不良的原因是否为片材供给部220。在卷绕体204为不良的情况下，通知判定部122判断不良的原因为片材供给部220具有的第1供给卷盘50、第2供给卷盘51、第1贴合辊205A、第2贴合辊205B、滚筒213中的哪个结构。而且，通知判定部122将与不良的原因有关的信息输出至显示部132用于维护。设备状态诊断模型生成部124基于不良的原因被维护前后的第1组数据以及第2组数据，计算不良的原因被维护之前的卷绕体204的第1不良率和不良的原因被维护之后的卷绕体204的第2不良率的第1差分。而且，设备状态诊断模型生成部124在判断为第1差分小于给定值的情况下，不将在不良的原因被维护之前读取的第1组数据以及第2组数据用于生成或者更新学习完毕模型。另一方面，在判断为第1差分为给定值以上的情况下，利用在不良的原因被维护之前读取的第1组数据以及第2组数据来生成或者更新学习完毕模型(设备状态诊断模型M)。
另一方面，设备状态诊断模型生成部124计算将不良的原因被维护之前的第1组数据以及第2组数据输入至学习完毕模型而获得的卷绕体204的不良被改善的第1概率(一致度)。此外，设备状态诊断模型生成部124计算将不良的原因被维护之后的第1组数据以及第2组数据输入至学习完毕模型而获得的卷绕体204的不良被改善的第2概率(一致度)。然后，设备状态诊断模型生成部124计算第1概率和第2概率的第2差分。在判断为第2差分小于给定值的情况下，在不良的原因被维护之前读取的第1组数据以及第2组数据不用于创建或者更新学习完毕模型。另一方面，在判断为第2差分为给定值以上的情况下，利用不良的原因被维护之前的第1组数据以及第2组数据来创建或者更新学习完毕模型。
如以上那样，根据第1实施方式涉及的维护显示装置100而能够执行：学习处理，通过学习来生成用于对卷取装置200的设备状态进行诊断的设备状态诊断模型M；识别处理，利用设备状态诊断模型M来识别在卷取装置200中是否产生了异常或者异常的预兆，在产生了异常或者异常的预兆的情况下通知该情况；和更新处理，根据与基于通知进行的维护作业对应的维护实际成果数据MD来更新设备状态诊断模型M。
更详细地，在学习处理中，维护显示装置100基于新登记的维护实际成果数据MD、和在维护作业的前后生产的卷绕体204的生产实际成果数据PD中包含的形状数据来判定维护作业有无效果，利用判定为有效果的维护作业所对应的维护实际成果数据MD和形状数据来生成设备状态诊断模型M。
此外，在识别处理中，维护显示装置100按每个维护小组来计算在维护作业后生产的卷绕体204的形状数据和设备状态诊断模型M的一致度C，并基于一致度C的大小来判定是进行警报的发布和维护作业的内容的通知、还是仅进行维护作业的内容的通知、还是不进行通知本身。
此外，在更新处理中，维护显示装置100基于新登记的维护实际成果数据MD、和在维护作业的前后生产的卷绕体204的生产实际成果数据PD中包含的形状数据来判定维护作业有无效果，利用判定为有效果的维护作业所对应的维护实际成果数据MD和形状数据来生成新的设备状态诊断模型Mnew，并利用新的设备状态诊断模型Mnew来更新设备状态诊断模型M。
根据这样的结构，能够利用基于实际进行的维护作业之中有效果的(不良率下降的)维护作业而生成的学习完毕模型(设备状态诊断模型M)来适当地诊断卷取装置200的状态。此外，由于随时更新学习完毕模型，因此能够提高诊断的精度。进而，在诊断为卷取装置200产生了异常的情况下，能够发出警报而使用户进行紧急的应对，并且在诊断为产生了异常的预兆的情况下，将可预见改善的维护作业的内容通知给用户，因此能够在卷取装置200中的不良品的产生率低的情况下执行维护作业。
在第1实施方式涉及的维护显示装置100中，作为在卷绕体204中产生的不良的原因，假定了片材供给部220的任一个结构即第1供给卷盘50、第2供给卷盘51、第1贴合辊205A、第2贴合辊205B、或者滚筒213。在第1实施方式涉及的维护显示装置100中，通知判定部122按每个维护小组合计一致度C，并基于合计值A的大小来决定多个通知给用户的维护作业的内容。因而，对用户通知片材供给部220的任一个结构之中通过维护实现的不良改善的可能性最高的维护作业。在存在多个可能性高的维护作业的情况下，以被排序了的状态来显示多个维护作业。由此，用户通过按位次从高到低的顺序依次进行被通知的维护作业，从而可适当改善卷绕体204的不良。
本实施方式涉及的维护显示装置具有通知部、维护效果判定部和设备状态诊断模型生成部。通知部基于在过去进行的每次维护作业时将维护作业的内容和比该维护作业靠前的生产实际成果数据建立关联地登记到数据库的设备状态诊断模型、和新输入的生产实际成果数据来通知维护作业的内容。维护效果判定部基于比进行维护作业的时间点靠前的生产实际成果数据、和比进行维护作业的时间点靠后的生产实际成果数据，判定维护作业是否有效果。设备状态诊断模型生成部基于比进行判定为有效果的维护作业的时间点靠前的生产实际成果数据、和判定为有效果的维护作业的内容，生成新的设备状态诊断模型。
本实施方式涉及的维护显示装置还具有：设备状态诊断部，生成设备状态诊断指标，该设备状态诊断指标是新登记的生产实际成果数据和设备状态诊断模型中包含的维护作业前的生产实际成果数据一致的程度。而且，通知部基于设备状态诊断指标来进行维护作业的内容的通知。
在本实施方式涉及的维护显示装置中，设备状态诊断模型生成部利用比进行判定为有效果的维护作业的时间点靠前的生产实际成果数据、和与该维护作业有关的维护实际成果数据，通过机器学习来生成设备状态诊断模型。
本实施方式涉及的维护显示装置执行不基于通知部通知的维护作业的内容的维护作业，在新输入了与该维护作业有关的维护实际成果数据的情况下，基于生产实际成果数据中包含的与生产设备的生产物的检查结果有关的数据，计算从进行新输入的维护实际成果数据的维护作业的时间点起到之前给定时间为止的期间的生产实际成果数据之中检查结果为不良的不良率。进而，计算从进行新输入的维护实际成果数据的维护作业的时间点起到之后给定时间为止的期间的生产实际成果数据之中检查结果为不良的不良率。然后，维护效果判定部计算维护作业前的不良率与维护作业后的不良率的差分，并基于差分的大小来判定维护作业是否有效果。
(第2实施方式)
以下，对本公开的第2实施方式进行说明。图23是例示了第2实施方式涉及的维护显示装置100A的结构的图。在第2实施方式涉及的维护显示装置100A中，服务器10A的控制部120A具有的维护效果判定部123A所进行的处理与上述说明的第1实施方式涉及的维护效果判定部123不同。
以下，对与第1实施方式的不同点进行说明。对于与第1实施方式同样的结构，标注与第1实施方式同样的符号来说明，对于与第1实施方式不同的结构，标注符号“A”来说明。
在第1实施方式中，关于维护显示装置100的用户进行由维护显示装置100通知的内容以外的维护作业并未假定。然而，实际上，在卷取装置200的运用上，通过现场的判断等，可能随时进行适当且必要的维护作业(维护显示装置100通知的维护内容以外的维护作业)。在本第2实施方式中，对也能够应对如这样进行维护显示装置100A通知的维护内容以外的维护作业的情况的维护显示装置100A进行说明。
图24是用于对在第2实施方式中维护效果判定部123A执行的处理进行说明的流程图。
在图24的步骤S91中，维护效果判定部123A判定在存储部110的维护实际成果数据库113中是否新登记了维护实际成果数据MDnew。在判定为未登记新的维护实际成果数据MDnew的情况下(步骤S91：否)，维护效果判定部123A反复执行步骤S91。在判定为登记了新的维护实际成果数据MDnew的情况下(步骤S91：是)，维护效果判定部123A使处理前进至步骤S92。
在步骤S92中，维护效果判定部123A基于新登记的维护实际成果数据MDnew中包含的维护日期时间数据，判定从新登记的维护实际成果数据MDnew所对应的维护作业起是否经过了给定时间。给定时间与在第1实施方式中说明的给定时间同样地，例如是从进行维护作业之后为了在对象的卷取装置200中制造某种程度以上的数目的卷绕体204而需要的时间。
在判定为从维护作业起经过了给定时间的情况下(步骤S92：是)，维护效果判定部123A使处理前进至步骤S93。在判定为从维护作业起未经过给定时间的情况下(步骤S92：否)，维护效果判定部123A反复执行步骤S92的处理。
在步骤S93中，维护效果判定部123A判定是否存在与新登记的维护实际成果数据MDnew建立了对应的维护方案ID。如在第1实施方式中说明的那样，通知判定部122不仅通知维护作业内容还通知与该维护内容的维护小组建立了对应的维护方案ID。作业人员实施被通知的维护方案ID所表示的维护作业。作业人员将所实施的维护作业和被通知的维护方案ID建立对应并输入维护实际成果数据MD。由此，维护实际成果数据MD和成为进行维护的契机的维护方案ID被建立对应。在本步骤S93中，这样来判定新登记的维护实际成果数据MDnew是否是以基于维护显示装置100A的通知为契机进行的维护。
在步骤S93中，存在与新登记的维护实际成果数据MDnew建立了对应的维护方案ID的情况下，判断为与该维护实际成果数据MDnew对应的维护作业以基于维护显示装置100A的维护内容的通知为契机。此外，不存在与新登记的维护实际成果数据MDnew建立了对应的维护方案ID的情况下，判断为与该维护实际成果数据MDnew对应的维护作业不以基于维护显示装置100A的维护内容的通知为契机。
在步骤S93中，判定为在新登记的维护实际成果数据MDnew中包含维护方案ID的情况下(步骤S93：是)，维护效果判定部123A使处理前进至步骤S94。另一方面，判定为在维护实际成果数据MDnew中不包含维护方案ID的情况下(步骤S93：否)，维护效果判定部123A使处理前进至步骤S95。
步骤S94是新登记的维护实际成果数据MDnew所对应的维护作业以基于维护显示装置100A的维护内容的通知为契机的情况下的处理。因而，在步骤S94中，维护效果判定部123A向判定以基于维护显示装置100A的维护内容的通知为契机的维护作业有无效果的处理转移。另外，对以基于维护显示装置100A的维护内容的通知为契机的维护的维护效果判定处理由于与在上述的第1实施方式中参照图20说明的处理大致相同，因此省略说明。
另一方面，步骤S95是维护实际成果数据MDnew所对应的维护作业不以基于维护显示装置100A的维护内容的通知为契机的情况下的处理。因而，维护效果判定部123A向判定不以维护显示装置100A为契机的维护作业有无效果的处理转移。另外，对不以基于维护显示装置100A的维护内容的通知为契机的维护的维护效果判定处理由于与在上述的第1实施方式中参照图14说明的处理大致相同，因此省略说明。
如以上说明的那样，根据第2实施方式涉及的维护显示装置100A，即便在进行不以基于维护显示装置100A的维护内容的通知为契机的维护作业的情况下，也能够适当地登记维护实际成果数据MDnew。另外，利用图24说明的维护效果判定部123A的处理在上述的学习处理或者更新处理中均能够执行。
本实施方式涉及的维护显示装置，基于从进行新登记的维护实际成果数据的维护作业的时间点起到之前给定时间为止的期间的生产实际成果数据、和与成为新输入的维护实际成果数据的维护作业的契机的通知中的维护作业的内容建立了关联的设备状态诊断模型，来生成维护作业前的设备状态诊断指标。而且，基于从进行新输入的维护实际成果数据的维护作业的时间点起到之后给定时间为止的期间的生产实际成果数据、和与成为新输入的维护实际成果数据的维护作业的契机的通知中的维护作业的内容建立了关联的设备状态诊断模型，来生成维护作业后的设备状态诊断指标。然后，维护效果判定部计算维护作业前的设备状态诊断指标与维护作业后的设备状态诊断指标的差分，并基于差分的大小来判定维护作业是否有效果。
(第3实施方式)
以下，对本公开的第3实施方式进行说明。图25是例示了第3实施方式涉及的维护显示装置100B的结构的图。第3实施方式涉及的维护显示装置100B与上述说明的第1实施方式涉及的维护显示装置100的不同点在于，服务器10B的存储部110B还具有无效果设备状态诊断模型数据库114，控制部120B具有通知判定部122B、维护效果判定部123B以及设备状态诊断模型生成部124B。
在上述的第1实施方式中，设备状态诊断模型生成部124利用判定为有效果的维护实际成果数据MD而生成了新的设备状态诊断模型Mnew(参照图16)。在第3实施方式中，设备状态诊断模型生成部124B还利用判定为维护无效果的维护实际成果数据MD来生成新的设备状态诊断模型Mnew。
图26是用于对在第3实施方式中设备状态诊断模型生成部124B执行的处理进行说明的流程图。另外，利用图26说明的处理在学习处理或者更新处理中均能够执行。
在步骤S101中，设备状态诊断模型生成部124B从维护实际成果数据库113读出新登记的维护实际成果数据MDnew。在此，设备状态诊断模型生成部124B与基于维护效果判定部123B的效果的判定结果无关地读出维护实际成果数据MDnew。
在步骤S102中，设备状态诊断模型生成部124B从生产实际成果数据库111读出维护作业前的生产实际成果数据列表PLbefore。
在步骤S103中，设备状态诊断模型生成部124B利用所读出的维护实际成果数据MDnew、和生产实际成果数据列表PLbefore中包含的生产实际成果数据PD，来生成设备状态诊断模型Mnew。
在步骤S104中，设备状态诊断模型生成部124B将新生成的设备状态诊断模型Mnew之中基于判定为无效果的维护实际成果数据MD而生成的模型登记到无效果设备状态诊断模型数据库114。另一方面，设备状态诊断模型生成部124B将新生成的设备状态诊断模型Mnew之中基于判定为有效果的维护实际成果数据MD而生成的模型登记到设备状态诊断模型数据库112。
这样，设备状态诊断模型生成部124B不仅生成利用了判定为有效果的维护的维护实际成果数据MD的设备状态诊断模型M，还生成利用了判定为无效果的维护的维护实际成果数据MD的设备状态诊断模型M。
利用这样生成的设备状态诊断模型M来执行基于设备状态诊断部121以及通知判定部122B的识别处理。对于设备状态诊断部121执行的处理，由于与在上述的第1实施方式中参照图17说明的处理大致相同，因此省略说明。
以下，对在第3实施方式的识别处理中通知判定部122B执行的处理进行说明。图27是用于对在第3实施方式中通知判定部122B执行的处理进行说明的流程图。
在步骤S111中，通知判定部122B利用设备状态诊断部121生成的一致度C，按每个维护小组对一致度C进行合计，生成合计值A。另外，在第3实施方式中，对于各维护小组，表示是否为判定为有效果的维护作业的信息(标记)被维护效果判定部123B建立了关联。
在步骤S112中，通知判定部122B生成维护方案列表ML，该维护方案列表ML是按合计值A从大到小的顺序排列的维护小组的列表。
在步骤S113中，通知判定部122B按维护方案列表ML中包含的每个维护小组，判定是否判定为有效果。如上所述，在第3实施方式中，通过设备状态诊断部121对每个维护小组而与表示是否有效果的标记建立了关联，因此通知判定部122B参照该标记来进行本步骤S113的处理。通知判定部122B关于判定为有效果的维护作业的维护小组(步骤S113：是)，使处理前进至步骤S114。另一方面，通知判定部122B关于判定为无效果的维护作业的维护小组(步骤S113：否)，使处理前进至步骤S117。
在步骤S114中，通知判定部122B按判定为有效果的每个维护小组，判定合计值A是否大于给定的预兆阈值Thf。即便仅存在一个合计值A大于预兆阈值Thf的维护小组的情况下(步骤S114：是)，通知判定部122B也使处理前进至步骤S115。在不存在合计值A大于预兆阈值Thf的维护小组的情况下(步骤S114：否)，通知判定部122B结束处理。
在步骤S115中，通知判定部122B判定在判定为有效果的维护小组之中是否存在合计值A大于给定的异常阈值Tha的维护小组。在存在合计值A大于异常阈值Tha的维护小组的情况下(步骤S115：是)，通知判定部122B使处理前进至步骤S116。在不存在合计值A大于异常阈值Tha的维护小组的情况下(步骤S115：否)，通知判定部122B使处理前进至步骤S118。
在步骤S116中，通知判定部122B通知在步骤S114中判定为合计值A大于预兆阈值Thf的维护小组所对应的维护内容，并且发出用于通知在对象的卷取装置200中产生了异常的警报。
在步骤S117中，通知判定部122B按判定为无效果的维护的每个维护小组，判定合计值A是否大于给定的无效果阈值Thie。无效果阈值Thie是假定应通知无效果的合计值的最小值。在存在合计值A大于无效果阈值Thie的维护小组的情况下(步骤S117：是)，通知判定部122B使处理前进至步骤S118。在不存在合计值A大于无效果阈值Thie的维护小组的情况下(步骤S117：否)，通知判定部122B结束处理。
在步骤S118中，通知判定部122B通知在步骤S114中判定为合计值A大于预兆阈值Thf的维护小组所对应的维护内容。同时，通知判定部122B通知在步骤S117中判定为合计值A大于无效果阈值Thie的维护小组所对应的维护内容。
通过这种结构，根据第3实施方式涉及的维护显示装置100B，不仅能够通知假定能够改善卷取装置200的维护内容，还能够向用户通知过去实施但却没有效果的维护作业的内容。由此，能够避免用户反复执行无效果的维护作业的事态，因此能够缩短维护所需要的时间，并且减轻维护所需要的劳力。
在本实施方式涉及的维护显示装置中，设备状态诊断模型生成部基于比进行判定为无效果的维护作业的时间点靠前的生产实际成果数据、和与该维护作业有关的维护实际成果数据，来生成新的设备状态诊断模型。通知部将判定为有效果的维护作业的内容作为有效果的维护作业来通知，并且将与基于判定为无效果的维护作业所有关的维护实际成果数据而生成的设备状态诊断模型建立了关联的维护作业的内容作为无效果的维护作业来通知。
(变形例)
以上，参照附图对本公开涉及的实施方式进行了说明，但本公开并不限定于该例。如果是本领域技术人员，则能够在技术方案记载的范围内想到各种的变更例或者修正例，这是不言而喻的，关于它们当然也可理解为属于本公开的技术范围。此外，也可以在不脱离公开的主旨的范围内任意组合上述实施方式中的各构成要素。
<变形例1>
在上述的实施方式中，在学习处理之中，在由维护效果判定部123进行的维护作业有无效果的判定处理中，通过维护作业前后的不良率的差分是否大于给定的阈值而判定了有无效果(参照图15A以及图15B)。
然而，维护效果判定部123也可以利用其他方法来判定维护作业有无效果。图28A以及图28B是用于说明学习处理中的由维护效果判定部123执行的维护作业有无效果的判定方法的变形例的图。
在图28A以及图28B所示的例子中，不参照维护前不良率，而基于维护后不良率Nfafter是否大于给定阈值(例如20％)来判定有无效果。在图28A所示的例子中，Nfafter＝0％，小于给定阈值20％，因此判定为有效果。另一方面，在图28B所示的例子中，Nfafter＝40％，大于给定阈值20％，因此判定为无效果。
同样地，即便在更新处理中，维护效果判定部123也可以利用与上述的实施方式不同的方法来判定维护作业有无效果。
此外，在上述的实施方式中，在更新处理之中，在由维护效果判定部123执行的维护作业有无效果的判定处理中，根据维护作业前后的一致度的差分是否大于给定的阈值而判定了有无效果(参照图21A以及图21B)。
图29A以及图29B是用于说明更新处理中的由维护效果判定部123执行的维护作业有无效果的判定方法的变形例的图。
在图29A以及图29B所示的例子中，不参照维护前一致度，而基于维护后一致度Cafter是否大于给定阈值(例如0.30)来判定有无效果。在图29A所示的例子中，Cafter＝0.20，小于给定阈值0.30，因此判定为有效果。另一方面，在图29B所示的例子中，Cafter＝0.90，大于给定阈值0.30，因此判定为无效果。
<变形例2>
在上述的实施方式中，设备状态诊断模型生成部124生成设备状态诊断模型M，该设备状态诊断模型M是学习了对于何种的不良而言何种的维护作业是有效的学习完毕模型，通知判定部122利用该模型判定了是否进行应进行维护作业的通知。然而，本公开并不限定于此，也可以只是基于所生产的卷绕体204的形状数据(参照图5)来进行卷绕体204是否为不良的判定。而且，在卷绕体204为不良的情况下，也可以进行通知，使得进行作为不良的原因的片材供给部220的任一个结构的维护作业。
在这样的变形例2中，维护显示装置的控制部进行如以下那样的控制。即，控制部在获取到新的卷绕体的形状数据时，判断第1片材以及第2片材的两端部的位置的连续是否偏离基准线。在判断为未偏离基准线的情况下，控制部不进行应进行维护作业这样的通知。在判断为偏离基准线的情况下，控制部基于形状数据来判断不良的原因。
在变形例2中，控制部也可以在偏离基准线的程度为给定程度以下的情况和大于给定程度的情况下变更通知方法。根据这样的结构，即使不生成设备状态诊断模型M，也能够判断应维护片材供给部220的哪一个结构并进行通知。然而，与本变形例2相比，在上述的实施方式1～3中判断不良的原因的精度更高，因此为了达到本公开的目的，上述的实施方式1～3比本变形例2更合适。
<变形例3>
在上述的实施方式中，为了说明，对维护显示装置100(100A、100B)具备存储部110(110B)、控制部120(120A、120B)以及通知部130的结构进行了说明，但本公开并不限定于此。虽然在上述的实施方式中进行了说明，但在本公开中，存储部以及控制部只要构成为能够相互通信即可，也可以相互分体地构成，配置在分离的位置。此外，通知部可以包含在生产装置中，也可以设置在生产装置的外部。此外，通知部可以经由网络而与存储部以及控制部连接，也可以直接连接。
这样，在本公开涉及的维护显示装置中，存储部、控制部以及通知部各自可以是相互独立的分体的装置且相互独立地动作的装置。此外，存储部、控制部以及通知部只要各自能够相互通信即可，关于被配置的场所没有特别限定。也可以是，通知装置例如配置在生产装置被配置的工厂等，存储部以及控制部例如包含在配置于云上的所谓的云服务器中。
此外，在上述的实施方式中，控制部120(120A、120B)进行了学习处理、更新处理以及识别处理的全部。另外，所谓学习处理是指生成设备状态诊断模型M的处理，所谓更新处理是指更新设备状态诊断模型M的处理。此外，所谓识别处理，是指使用设备状态诊断模型M来识别新生产的多个卷绕体204是否产生了异常或者异常的预兆的处理。而且，在识别处理中，控制部120(120A、120B)对通知部130进行控制来进行了通知处理。然而，本公开并不限定于此。
例如，也可以设为，控制部仅进行学习处理或者更新处理，通知部从控制部接收设备状态诊断模型，利用接收到的设备状态诊断模型来进行识别处理。根据这样的结构，能够抑制控制部和通知部的通信量的增大，并且即使在多个通知部与控制部连接的情况下，也能够将识别处理的负荷分散到各通知部，因此能够防止处理集中于控制部所引起的处理的延迟。
根据本公开，能够在设备中探测异常的预兆。
产业上的可利用性
本公开在显示与生产设备的维护有关的信息的维护显示装置中是有用的。

Claims (12)

1.一种学习完毕模型的生成方法，所述学习完毕模型用于卷取装置的维护，所述卷取装置具备：
片材供给部，具有供给第1电极片的第1供给机构、供给第2电极片的第2供给机构、设置在所述第1电极片侧的第1贴合辊、以及设置在所述第2电极片侧并与所述第1贴合辊成对地使所述第1电极片和所述第2电极片贴合的第2贴合辊；
第1卷芯；
驱动机构，使所述第1卷芯移动到给定的缠绕位置，将所述第1电极片和所述第2电极片重叠缠绕于所述第1卷芯；和
传感器，沿着在所述第1卷芯呈多圈重叠卷绕了所述第1电极片以及所述第2电极片的第1卷绕体的半径方向，读取所述第1电极片的第1端面以及所述第2电极片的第2端面，
在所述学习完毕模型的生成方法中包括如下步骤：
从所述传感器获取表示沿着所述第1卷绕体的半径方向读取的所述第1端面的位置的第1组数据、以及表示沿着所述第1卷绕体的半径方向读取的所述第2端面的位置的第2组数据；
基于所述第1组数据所表示的所述第1端面的位置的连续、所述第2组数据所表示的所述第2端面的位置的连续、以及基准线的位置关系，判断所述第1卷绕体是否为不良，以及在为不良的情况下判断不良的原因是否为所述片材供给部；
在判断为所述不良的原因为所述片材供给部的情况下，判断所述不良的原因为所述第1供给机构、所述第2供给机构、所述第1贴合辊、所述第2贴合辊之中的哪个；
将通知所述不良的原因的信息输出至显示装置；和
基于所述不良的原因被维护之前的所述第1卷绕体的不良的第1产生程度和所述不良的原因被维护之后的所述第1卷绕体的不良的第2产生程度，判断是否将在所述不良的原因被维护之前读取的所述第1组数据以及所述第2组数据用于生成所述学习完毕模型，在判断为用于的情况下，利用在所述不良的原因被维护之前读取的所述第1组数据以及所述第2组数据来生成所述学习完毕模型。
2.根据权利要求1所述的学习完毕模型的生成方法，其中，
所述第1电极片为电池的正极片，所述第2电极片为电池的负极片。
3.根据权利要求1所述的学习完毕模型的生成方法，其中，
所述第1电极片为电池的负极片，所述第2电极片为电池的正极片。
4.根据权利要求1至3中任一项所述的学习完毕模型的生成方法，其中，
在生成所述学习完毕模型时，
所述第1产生程度是表示所述不良的原因被维护之前的所述第1卷绕体的不良率的第1不良率，所述第2产生程度是表示所述不良的原因被维护之后的所述第1卷绕体的不良率的第2不良率，
在所述第1不良率和所述第2不良率的第1差分小于给定值的情况下，不将在所述不良的原因被维护之前读取的所述第1组数据以及所述第2组数据用于生成所述学习完毕模型，在所述第1差分为给定值以上的情况下，利用在所述不良的原因被维护之前读取的所述第1组数据以及所述第2组数据来生成所述学习完毕模型。
5.根据权利要求1至4中任一项所述的学习完毕模型的生成方法，其中，
在判断所述第1卷绕体是否为不良，以及在为不良的情况下判断不良的原因是否为所述片材供给部时，
在所述第1供给机构中进行了所述第1电极片的更换作业之后被卷取的更换后卷绕体的所述第1端面的位置的连续表现为在给定范围外的情况下，判断为所述第1卷绕体为不良，
获取更换前组数据，该更换前组数据表示在进行所述更换作业之前被卷取的更换前卷绕体的所述第1端面的位置，
在判断所述不良的原因为所述片材供给部的哪个结构时，
在所述更换前组数据所表示的所述更换前卷绕体的所述第1端面的位置的连续表现为在所述给定范围内的情况下，判断为所述不良的原因为所述第1供给机构。
6.根据权利要求1至5中任一项所述的学习完毕模型的生成方法，其中，
所述卷取装置还具备：第2卷芯，通过所述驱动机构在所述给定的缠绕位置重叠缠绕所述第1电极片和所述第2电极片来生成第2卷绕体，
所述传感器还沿着在所述第2卷芯呈多圈重叠卷绕了所述第1电极片以及所述第2电极片的第2卷绕体的半径方向，读取所述第1电极片的第3端面以及所述第2电极片的第4端面，
在所述学习模型的生成方法中，
从所述传感器获取表示沿着所述第1卷绕体的半径方向读取的所述第1端面的位置的第1组数据、表示沿着所述第1卷绕体的半径方向读取的所述第2端面的位置的第2组数据、表示沿着所述第2卷绕体的半径方向读取的所述第3端面的位置的第3组数据、以及表示沿着所述第2卷绕体的半径方向读取的所述第4端面的位置的第4组数据，
在所述第1组数据以及所述第2组数据所表示的所述第1端面的位置的连续以及所述第2端面的位置的连续表现为从基准线倾斜、且所述第3组数据以及所述第4组数据所表示的所述第3端面的位置的连续以及所述第4端面的位置的连续表现为从所述基准线倾斜的情况下，判断为所述第1卷绕体以及第2卷绕体为不良、且所述不良的原因为所述第1贴合辊或者所述第2贴合辊。
7.根据权利要求1至6中任一项所述的学习完毕模型的生成方法，其中，
在所述卷取装置中，所述片材供给部还具有：滚筒，在所述第1卷芯重叠缠绕所述第1电极片和所述第2电极片时，在所述第1卷芯与所述第1贴合辊以及所述第2贴合辊之间赋予张力，
在所述学习完毕模型的生成方法中，在所述卷绕体的所述第1端面的位置的连续以及所述卷绕体的所述第2端面的位置的连续中的至少一方表现为从所述基准线弯曲的情况下，判断为所述第1卷绕体为不良且所述不良的原因为所述滚筒。
8.一种学习完毕模型的生成方法，所述学习完毕模型用于卷取装置的维护，所述卷取装置具备：
片材供给部，具有供给第1电极片的第1供给机构、供给第2电极片的第2供给机构、设置在所述第1电极片侧的第1贴合辊、以及设置在所述第2电极片侧并与所述第1贴合辊成对地使所述第1电极片和所述第2电极片贴合的第2贴合辊；
第1卷芯；
驱动机构，使所述第1卷芯移动到给定的缠绕位置，将所述第1电极片和所述第2电极片重叠缠绕于所述第1卷芯；和
传感器，沿着在所述第1卷芯呈多圈重叠卷绕了所述第1电极片以及所述第2电极片的第1卷绕体的半径方向，读取所述第1电极片的第1端面以及所述第2电极片的第2端面，
在所述学习完毕模型的生成方法中包括如下步骤：
从所述传感器获取表示沿着所述第1卷绕体的半径方向读取的所述第1端面的位置的第1组数据、以及表示沿着所述第1卷绕体的半径方向读取的所述第2端面的位置的第2组数据；
基于所述第1组数据所表示的所述第1端面的位置的连续、所述第2组数据所表示的所述第2端面的位置的连续、以及基准线的位置关系，判断所述第1卷绕体是否为不良，以及在为不良的情况下判断不良的原因是否为所述片材供给部；
在判断为所述不良的原因为所述片材供给部的情况下，判断所述不良的原因为所述片材供给部的哪个结构；
将通知所述不良的原因的信息输出至显示装置；和
在判断为将所述不良的原因被维护之前的所述第1组数据以及所述第2组数据输入至所述学习完毕模型而获得的所述第1卷绕体的不良被改善的第1概率、与将所述不良的原因被维护之后的所述第1组数据以及所述第2组数据输入至所述学习完毕模型而获得的所述第1卷绕体的不良被改善的第2概率的第2差分小于给定值的情况下，在所述不良的原因被维护之前读取的所述第1组数据以及所述第2组数据不用于更新所述学习完毕模型，另一方面，在判断为所述第2差分为所述给定值以上的情况下，利用所述不良的原因被维护之前的所述第1组数据以及所述第2组数据来更新所述学习完毕模型。
9.一种输出信息的装置，用于显示与卷取装置的维护有关的信息，所述卷取装置具备：
片材供给部，具有供给第1电极片的第1供给机构、供给第2电极片的第2供给机构、设置在所述第1电极片侧的第1贴合辊、以及设置在所述第2电极片侧并与所述第1贴合辊成对地使所述第1电极片和所述第2电极片贴合的第2贴合辊；
第1卷芯；
驱动机构，使所述第1卷芯移动到给定的缠绕位置，将所述第1电极片和所述第2电极片重叠缠绕于所述第1卷芯；和
传感器，沿着在所述第1卷芯呈多圈重叠卷绕了所述第1电极片以及所述第2电极片的第1卷绕体的半径方向，读取所述第1电极片的第1端面以及所述第2电极片的第2端面，
所述输出信息的装置具备：
获取部，从所述传感器获取表示沿着所述第1卷绕体的半径方向读取的所述第1端面的位置的第1组数据、以及表示沿着所述第1卷绕体的半径方向读取的所述第2端面的位置的第2组数据；
通知判定部，基于所述第1组数据所表示的所述第1端面的位置的连续、所述第2组数据所表示的所述第2端面的位置的连续、以及基准线的位置关系，判断所述第1卷绕体是否为不良，以及在为不良的情况下判断不良的原因是否为所述片材供给部，并且，在判断为所述不良的原因为所述片材供给部的情况下，判断所述不良的原因为所述片材供给部的哪个结构，将通知所述不良的原因的信息输出至显示装置用于维护；和
模型生成部，基于所述不良的原因被维护之前的所述第1卷绕体的不良的第1产生程度和所述不良的原因被维护之后的所述第1卷绕体的不良的第2产生程度，判断是否将在所述不良的原因被维护之前读取的所述第1组数据以及所述第2组数据用于生成学习完毕模型，在判断为用于的情况下，利用在所述不良的原因被维护之前读取的所述第1组数据以及所述第2组数据来生成所述学习完毕模型。
10.一种输出信息的装置，用于显示与卷取装置的维护有关的信息，所述卷取装置具备：
片材供给部，具有供给第1电极片的第1供给机构、供给第2电极片的第2供给机构、设置在所述第1电极片侧的第1贴合辊、以及设置在所述第2电极片侧并与所述第1贴合辊成对地使所述第1电极片和所述第2电极片贴合的第2贴合辊；
第1卷芯；
驱动机构，使所述第1卷芯移动到给定的缠绕位置，将所述第1电极片和所述第2电极片重叠缠绕于所述第1卷芯；和
传感器，沿着在所述第1卷芯呈多圈重叠卷绕了所述第1电极片以及所述第2电极片的第1卷绕体的半径方向，读取所述第1电极片的第1端面以及所述第2电极片的第2端面，
所述输出信息的装置具备：
获取部，从所述传感器获取表示沿着所述第1卷绕体的半径方向读取的所述第1端面的位置的第1组数据、以及表示沿着所述第1卷绕体的半径方向读取的所述第2端面的位置的第2组数据；
通知判定部，基于所述第1组数据所表示的所述第1端面的位置的连续、所述第2组数据所表示的所述第2端面的位置的连续、以及基准线的位置关系，判断所述第1卷绕体是否为不良，以及在为不良的情况下判断不良的原因是否为所述片材供给部，并且，在判断为所述不良的原因为所述片材供给部的情况下，判断所述不良的原因为所述片材供给部的哪个结构，将通知所述不良的原因的信息输出至显示装置用于维护；和
模型生成部，在判断为将所述不良的原因被维护之前的所述第1组数据以及所述第2组数据输入至学习完毕模型而获得的所述第1卷绕体的不良被改善的第1概率、与将所述不良的原因被维护之后的所述第1组数据以及所述第2组数据输入至所述学习完毕模型而获得的所述第1卷绕体的不良被改善的第2概率的第2差分小于给定值的情况下，在所述不良的原因被维护之前读取的所述第1组数据以及所述第2组数据不用于更新所述学习完毕模型，另一方面，在判断为所述第2差分为所述给定值以上的情况下，利用所述不良的原因被维护之前的所述第1组数据以及所述第2组数据来更新所述学习完毕模型。
11.一种计算机可读取的记录介质，记录了生成用于卷取装置的维护的学习完毕模型的计算机执行的程序，所述卷取装置具备：
片材供给部，具有供给第1电极片的第1供给机构、供给第2电极片的第2供给机构、设置在所述第1电极片侧的第1贴合辊、以及设置在所述第2电极片侧并与所述第1贴合辊成对地使所述第1电极片和所述第2电极片贴合的第2贴合辊；
第1卷芯；
驱动机构，使所述第1卷芯移动到给定的缠绕位置，将所述第1电极片和所述第2电极片重叠缠绕于所述第1卷芯；和
传感器，沿着在所述第1卷芯呈多圈重叠卷绕了所述第1电极片以及所述第2电极片的第1卷绕体的半径方向，读取所述第1电极片的第1端面以及所述第2电极片的第2端面，
所述程序使所述计算机执行如下过程：
从所述传感器获取表示沿着所述第1卷绕体的半径方向读取的所述第1端面的位置的第1组数据、以及表示沿着所述第1卷绕体的半径方向读取的所述第2端面的位置的第2组数据；
基于所述第1组数据所表示的所述第1端面的位置的连续、所述第2组数据所表示的所述第2端面的位置的连续、以及基准线的位置关系，判断所述第1卷绕体是否为不良，以及在为不良的情况下判断不良的原因是否为所述片材供给部；
在判断为所述不良的原因为所述片材供给部的情况下，判断所述不良的原因为所述片材供给部的哪个结构；
将通知所述不良的原因的信息输出至显示装置；和
基于所述不良的原因被维护之前的所述第1卷绕体的不良的第1产生程度和所述不良的原因被维护之后的所述第1卷绕体的不良的第2产生程度，判断是否将在所述不良的原因被维护之前读取的所述第1组数据以及所述第2组数据用于生成所述学习完毕模型，在判断为用于的情况下，利用在所述不良的原因被维护之前读取的所述第1组数据以及所述第2组数据来生成所述学习完毕模型。
12.一种计算机可读取的记录介质，记录了生成用于卷取装置的维护的学习完毕模型的计算机执行的程序，所述卷取装置具备：
片材供给部，具有供给第1电极片的第1供给机构、供给第2电极片的第2供给机构、设置在所述第1电极片侧的第1贴合辊、以及设置在所述第2电极片侧并与所述第1贴合辊成对地使所述第1电极片和所述第2电极片贴合的第2贴合辊；
第1卷芯；
驱动机构，使所述第1卷芯移动到给定的缠绕位置，将所述第1电极片和所述第2电极片重叠缠绕于所述第1卷芯；和
传感器，沿着在所述第1卷芯呈多圈重叠卷绕了所述第1电极片以及所述第2电极片的第1卷绕体的半径方向，读取所述第1电极片的第1端面以及所述第2电极片的第2端面，
所述程序使所述计算机执行如下过程：
从所述传感器获取表示沿着所述第1卷绕体的半径方向读取的所述第1端面的位置的第1组数据、以及表示沿着所述第1卷绕体的半径方向读取的所述第2端面的位置的第2组数据；
基于所述第1组数据所表示的所述第1端面的位置的连续、所述第2组数据所表示的所述第2端面的位置的连续、以及基准线的位置关系，判断所述第1卷绕体是否为不良，以及在为不良的情况下判断不良的原因是否为所述片材供给部；
在判断为所述不良的原因为所述片材供给部的情况下，判断所述不良的原因为所述片材供给部的哪个结构；
将通知所述不良的原因的信息输出至显示装置；和
在判断为将所述不良的原因被维护之前的所述第1组数据以及所述第2组数据输入至所述学习完毕模型而获得的所述第1卷绕体的不良被改善的第1概率、与将所述不良的原因被维护之后的所述第1组数据以及所述第2组数据输入至所述学习完毕模型而获得的所述第1卷绕体的不良被改善的第2概率的第2差分小于给定值的情况下，在所述不良的原因被维护之前读取的所述第1组数据以及所述第2组数据不用于更新所述学习完毕模型，另一方面，在判断为所述第2差分为所述给定值以上的情况下，利用所述不良的原因被维护之前的所述第1组数据以及所述第2组数据来更新所述学习完毕模型。
CN202110186762.5A 2020-03-09 2021-02-10 学习完毕模型的生成方法、装置及计算机可读取记录介质 Pending CN113449882A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-040271 2020-03-09
JP2020040271A JP7462158B2 (ja) 2020-03-09 2020-03-09 学習済みモデルの生成方法、装置、及びプログラム

Publications (1)

Publication Number Publication Date
CN113449882A true CN113449882A (zh) 2021-09-28

Family

ID=77555088

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110186762.5A Pending CN113449882A (zh) 2020-03-09 2021-02-10 学习完毕模型的生成方法、装置及计算机可读取记录介质

Country Status (3)

Country Link
US (1) US20210280895A1 (zh)
JP (1) JP7462158B2 (zh)
CN (1) CN113449882A (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021082385A (ja) * 2019-11-14 2021-05-27 パナソニックＩｐマネジメント株式会社 表示方法、学習済みモデルの生成方法、装置、およびプログラム
JP2021082384A (ja) * 2019-11-14 2021-05-27 パナソニックＩｐマネジメント株式会社 学習済みモデルの生成方法、装置、およびプログラム
JP7457968B2 (ja) * 2020-03-09 2024-03-29 パナソニックＩｐマネジメント株式会社 情報処理方法、学習済みモデルの生成方法、装置、及びプログラム

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4595500B2 (ja) 2004-11-17 2010-12-08 ソニー株式会社 巻回装置および巻きずれ検査方法
JP6030311B2 (ja) 2012-02-13 2016-11-24 日産自動車株式会社 帯状の電池素材の搬送装置および搬送方法
JP6757201B2 (ja) 2016-08-01 2020-09-16 オー・エム・シー株式会社 原反加工方法とその装置並びに装置を使用したタブ抜き加工方法
JP6616339B2 (ja) 2017-01-13 2019-12-04 Ｃｋｄ株式会社 検査装置及び巻回装置
JP2021082384A (ja) 2019-11-14 2021-05-27 パナソニックＩｐマネジメント株式会社 学習済みモデルの生成方法、装置、およびプログラム

Also Published As

Publication number Publication date
US20210280895A1 (en) 2021-09-09
JP7462158B2 (ja) 2024-04-05
JP2021141029A (ja) 2021-09-16

Similar Documents

Publication Publication Date Title
CN113449882A (zh) 学习完毕模型的生成方法、装置及计算机可读取记录介质
CN113449883A (zh) 信息处理方法、学习完毕模型的生成方法以及装置
CN112799372A (zh) 显示方法、学习完毕模型的生成方法、装置以及程序
CN112799355A (zh) 学习完毕模型的生成方法、装置以及程序
CN113377011A (zh) 学习完毕模型的生成方法、装置及计算机可读取记录介质
JP5534313B2 (ja) 取引処理装置の予防保守システム及び予防保守サーバ
CN111340250A (zh) 设备检修装置、方法及计算机可读存储介质
JP2008258897A (ja) 故障予測診断装置及びこれを用いた故障予測診断システム
JP2008164336A (ja) 欠陥検査システムおよび方法
EP3712846A1 (en) Recoater automated monitoring systems and methods for additive manufacturing machines
CN117068692A (zh) 输送带健康诊断方法、装置、服务器及存储介质
CN113711149B (zh) 已学习模型的生成方法、维护显示装置及存储介质
CN112884212A (zh) 烟支单支克重偏差分析预测方法
JP5458800B2 (ja) 異常検出システム
JP7322560B2 (ja) プログラム、情報処理方法及び情報処理装置
CN117313019B (zh) 一种基于深度强化学习的数据异常检测方法
JPS62121550A (ja) 装置の自己診断方法
CN115668290A (zh) 使用深度学习来检查片材物品
US20240165731A1 (en) Welding data processing device and welding data processing method
JP2004213285A (ja) 品質管理システム及び品質管理サーバ
JPH0458145A (ja) 処理剤が付与された電線の欠点検査装置
US20020104047A1 (en) Financial document processing system and method of operating a financial document processing system
CN117252583A (zh) 一种巡检维修的运维方法、系统、设备及存储介质
JP2003169180A (ja) 作業指示方法及び作業指示装置並びに作業指示システム
CN117094698A (zh) 基于数据管理技术的检修维运操作监测管理方法及系统

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