CN113449883A - 信息处理方法、学习完毕模型的生成方法以及装置 - Google Patents

信息处理方法、学习完毕模型的生成方法以及装置 Download PDF

Info

Publication number
CN113449883A
CN113449883A CN202110186896.7A CN202110186896A CN113449883A CN 113449883 A CN113449883 A CN 113449883A CN 202110186896 A CN202110186896 A CN 202110186896A CN 113449883 A CN113449883 A CN 113449883A
Authority
CN
China
Prior art keywords
maintenance
winding
electrode sheet
end surface
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
CN202110186896.7A
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 CN113449883A publication Critical patent/CN113449883A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/05—Accumulators with non-aqueous electrolyte
    • H01M10/058—Construction or manufacture
    • H01M10/0587—Construction or manufacture of accumulators having only wound construction elements, i.e. wound positive electrodes, wound negative electrodes and wound separators
    • 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
    • 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
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M4/00—Electrodes
    • H01M4/02—Electrodes composed of, or comprising, active material
    • H01M4/13—Electrodes for accumulators with non-aqueous electrolyte, e.g. for lithium-accumulators; Processes of manufacture thereof
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M4/00—Electrodes
    • H01M4/02—Electrodes composed of, or comprising, active material
    • H01M4/64—Carriers or collectors
    • H01M4/70—Carriers or collectors characterised by shape or form
    • H01M4/75—Wires, rods or strips
    • 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
    • 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
    • G06N3/10—Interfaces, programming languages or software development kits, e.g. for simulating neural networks
    • G06N3/105—Shells for specifying net layout
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Human Resources & Organizations (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Materials Engineering (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Secondary Cells (AREA)
  • Controlling Rewinding, Feeding, Winding, Or Abnormalities Of Webs (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明提供一种信息处理方法、学习完毕模型的生成方法、装置及记录介质。通知判定部(122)基于第1组数据以及第2组数据所表示的第1端面以及第2端面的位置的连续是否从基准位置偏离给定距离以上来判定卷绕体(204)的检查结果是否为不良。在卷绕体(204)的检查结果为不良的情况下，通知判定部(122)通知表示基于检查机(207)的检查未正常进行的意思，并且将表示其原因为检查机(207)的取出夹(214)或者多个卷芯(206)中的任一个的意思的信息输出至显示部(132)用于维护。

Description

信息处理方法、学习完毕模型的生成方法以及装置
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信息处理方法、学习完毕模型的生成方法、装置以及记录介质。
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信息处理方法，用于将卷取装置的信息显示于显示装置，所述卷取装置具备：第1供给机构，供给第1电极片；第2供给机构，供给第2电极片；第1贴合辊，设置在所述第1电极片侧；第2贴合辊，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；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，所述信息处理方法包括如下步骤：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；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端面以及所述第2端面的位置的连续表现为从基准位置偏离给定距离以上的情况下，判定为所述传感器对所述第1卷绕体的检测未正常进行；和将表示由所述传感器未正常进行所述第1卷绕体的检测的意思的信息输出至所述显示装置。
本公开的一个方式涉及的学习完毕模型的生成方法，用于卷取装置的维护，所述卷取装置具备：第1供给机构，供给第1电极片；第2供给机构，供给第2电极片；第1贴合辊，设置在所述第1电极片侧；第2贴合辊，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；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，所述学习完毕模型的生成方法包括如下步骤：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；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端面以及所述第2端面的位置的连续表现为从基准位置偏离给定距离以上的情况下，判定为所述传感器对所述第1卷绕体的检测未正常进行；将表示通过所述传感器未正常进行所述第1卷绕体的检测的意思的信息输出至显示装置；和基于所述卷取装置被维护之前的所述第1卷绕体的不良的第1产生程度和所述卷取装置被维护之后的所述第1卷绕体的不良的第2产生程度，判断是否将在所述卷取装置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，利用在所述卷取装置被维护之前读取的所述第1组数据以及所述第2组数据来生成用于输出表示所述第1卷绕体的检测未正常进行的意思的信息的学习完毕模型。
本公开的一个方式涉及的装置是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：第1供给机构，供给第1电极片；第2供给机构，供给第2电极片；第1贴合辊，设置在所述第1电极片侧；第2贴合辊，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；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；和通知判定部，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端面以及所述第2端面的位置的连续表现为从基准位置偏离给定距离以上的情况下，判定为所述传感器对所述第1卷绕体的检测未正常进行，将表示通过所述传感器未正常进行所述第1卷绕体的检测的意思的信息输出至显示装置。
本公开的一个方式涉及的装置是一种生成学习完毕模型的装置，用于卷取装置的维护，所述卷取装置具备：第1供给机构，供给第1电极片；第2供给机构，供给第2电极片；第1贴合辊，设置在所述第1电极片侧；第2贴合辊，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；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，所述生成学习完毕模型的装置具备：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，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端面以及所述第2端面的位置的连续表现为从基准位置偏离给定距离以上的情况下，判定为所述传感器对所述第1卷绕体的检测未正常进行；和模型生成部，将表示通过所述传感器未正常进行所述第1卷绕体的检测的意思的信息输出至显示装置，基于所述卷取装置被维护之前的所述第1卷绕体的不良的第1产生程度和所述卷取装置被维护之后的所述第1卷绕体的不良的第2产生程度，判断是否将在所述卷取装置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，利用在所述卷取装置被维护之前读取的所述第1组数据以及所述第2组数据来生成用于输出表示所述第1卷绕体的检测未正常进行的意思的信息的所述学习完毕模型。
本公开的一个方式涉及的记录介质是一种计算机可读取的记录介质，记录了计算机执行的程序，输出用于对与卷取装置的维护有关的信息进行显示的信息，所述卷取装置具备：第1供给机构，供给第1电极片；第2供给机构，供给第2电极片；第1贴合辊，设置在所述第1电极片侧；第2贴合辊，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；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；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端面以及所述第2端面的位置的连续表现为从基准位置偏离给定距离以上的情况下，判定为所述传感器对所述第1卷绕体的检测未正常进行；和将表示通过所述传感器未正常进行所述第1卷绕体的检测的意思的信息输出至显示装置。
本公开的一个方式涉及的记录介质是一种计算机可读取的记录介质，记录了计算机执行的程序，生成用于卷取装置的维护的学习完毕模型，所述卷取装置具备：第1供给机构，供给第1电极片；第2供给机构，供给第2电极片；第1贴合辊，设置在所述第1电极片侧；第2贴合辊，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；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；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端面以及所述第2端面的位置的连续表现为从基准位置偏离给定距离以上的情况下，判定为所述传感器对所述第1卷绕体的检测未正常进行；和将表示通过所述传感器未正常进行所述第1卷绕体的检测的意思的信息输出至显示装置，基于所述卷取装置被维护之前的所述第1卷绕体的不良的第1产生程度和所述卷取装置被维护之后的所述第1卷绕体的不良的第2产生程度，判断是否将在所述卷取装置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，利用在所述卷取装置被维护之前读取的所述第1组数据以及所述第2组数据来生成用于输出表示所述第1卷绕体的检测未正常进行的意思的信息的所述学习完毕模型。
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是详细地示出通过取出夹从卷芯拔出了卷绕体之后移动的样态的图。
图4B是详细地示出通过取出夹从卷芯拔出了卷绕体之后移动的样态的图。
图4C是详细地示出通过取出夹从卷芯拔出了卷绕体之后移动的样态的图。
图5A是例示了检查机检查卷绕体的样态的示意图。
图5B是例示了沿着卷绕体的半径方向的剖面形状的示意图。
图5C是例示了检查机扫描图5B所示的卷绕体的剖面而生成的图像的图。
图6A是示出了检查结果为正常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6B是示出卷取于不同卷芯的卷绕体产生不良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7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8A是对生产实际成果数据进行了例示的图。
图8B是对生产实际成果数据进行了例示的图。
图9是对维护实际成果数据进行了例示的图。
图10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11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12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13A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13B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14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15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16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17A是示出维护小组信息的具体例的图。
图17B是示出维护方案列表的具体例的图。
图18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19A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19B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20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21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22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23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24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25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26A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26B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27A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27B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；
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；
214 取出夹。
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信息处理方法、学习完毕模型的生成方法、装置以及记录介质。
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判定基于检查机207的检查的结果是否为不良。在判定为检查结果不是不良的情况下(步骤S4：否)，控制部120使处理前进到步骤S5，在判定为是不良的情况下(步骤S4：是)，使处理前进到步骤S6。
在判定为检查结果不是不良的情况下，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。
在判定为检查结果是不良的情况下，在步骤S6中，控制部120通过通知部130通知在检查中发生了异常。关于由通知部130执行的通知的详情将后述。
另外，在图2所示的流程图的步骤S5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，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的用户进行如使卷绕体向下一个工序的供给那样的通知，由此使用户进行供给。
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(206α、206β、206γ)、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(204α、204β、204γ)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。卷绕体204α、204β、204γ的任一个为本公开的第1卷绕体的一例，除此以外为本公开的第2卷绕体的一例。
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1卷芯的一例，除此以外为本公开的第2卷芯的一例。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。另外，在图3B中，为了说明，卷绕体204的纵横比被夸张地示出。
<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。
在卷芯206的任一个中，如图3A所示，卷取完成而生产出的卷绕体204通过取出夹214从卷芯206拔出，并且被保持地移动到检查机207的检查位置P。在图3A中，卷取于卷芯206β的卷绕体204β通过取出夹214移动到检查位置P的样态以虚线的箭头例示。取出夹214为本公开的移动构件的一例。
图4A至图4C是更详细地示出通过取出夹214从卷芯206拔出了卷绕体204之后移动的样态的图。图4A是示出卷绕体204卷取于卷芯206的样态的图。若卷芯206中的卷绕体204的卷取完成，则通过取出夹214夹着保持卷绕体204。
如图4B所示，在取出夹214夹着保持了卷绕体204的状态下，取出夹214向卷芯206的一端侧移动，由此从卷芯206拔出卷绕体204。然后，如图4C所示，取出夹214以保持了卷绕体204的状态移动。由此，卷绕体204被移动到检查位置P。
图5A是例示了检查机207检查卷绕体204的样态的示意图。图5A中的卷绕体204的位置为上述的检查机207的检查位置P。如图5A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。另外，在图5A中，为了说明，卷绕体204的纵横比也被夸张地示出。
图5B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5C是例示了检查机207对图5B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5B以及图5C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5B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5C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组数据或者第3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组数据或者第4组数据的一例)。
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，并作为形状数据使其存储于存储部110。然后，基于形状数据来进行检查结果的判定。所谓检查结果的判定，是指判定所生产的卷绕体204的形状数据是否正常的行为。另外，检查结果的判定既可以由图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进行检查结果的判定的情况加以说明。
图6A以及图6B是用于对检查结果为正常的情况和为不良的情况进行说明的图。图6A对检查结果为正常的情况进行说明，图6B对检查结果为不良的情况进行说明。
在图6A以及图6B中，分别地，取出夹214夹着保持卷绕体204的样态示于图的左侧，被取出夹214保持的卷绕体204移动到检查位置P的样态示于图的中央，由检查机207生成的表示卷绕体204的剖面形状的形状数据的例子示于图的右侧。
取出夹214保持卷绕体204的位置预先规定。如图6A的左侧所示，在卷绕体204被取出夹214保持在预先规定的位置的情况下，如图6A的中央所示，例如向上下对置配置的两个检查机207之间(对应于图3A所示的检查位置P)移动，从而被正常地配置。在该状态下检查机207对卷绕体204进行扫描，从而生成如图6A的右侧所示的正常的图像Inornal。在生成了这样的图像Inornal的情况下，控制部120判定为该卷绕体204的检查结果为“良”。另外，在以下的说明中，将正常的图像Inornal中的第1片材202以及第2片材203的两端面的位置记载为基准位置。另外，在图6A以及图6B中，基准位置用线表示，但本公开并不限定于此，基准位置也可以是包含于在上下具有幅度的给定范围的位置。
另一方面，如图6B的左侧所示，有时取出夹214保持卷绕体204的位置会偏离正常的位置。在图6B的左侧以及中央，虚线表示卷绕体204的正常的位置，实线表示保持位置发生了偏离的卷绕体204的位置。这样的偏离有可能在如下等情况下产生，即，例如取出夹214保持卷绕体204的力较弱的情况；相对于卷芯206而卷绕体204紧紧地卷绕，在取出夹214保持了卷绕体204的状态下未顺利地从卷芯206拔出的情况。换言之，产生这样的偏离的原因为取出夹214或者卷芯206。
卷绕体204移动到检查位置时的、取出夹214和检查机207的位置关系是固定的，因此在取出夹214对卷绕体204的保持位置发生了偏离的情况下，如图6B的中央所示，检查位置P处的卷绕体204的位置成为从正常的位置偏离的状态。
若在这样的状态下通过检查机207进行卷绕体204的扫描，则如图6B的右侧所示，生成第1片材202以及第2片材203的两端面的位置从基准位置向上下发生了偏离的图像Ierror。在生成了这样的图像Ierror的情况下，控制部120判定为该卷绕体204的检查结果为“不良”。
如以上说明的那样，在所生产的卷绕体204从卷芯206拔出并移动到基于检查机207的检查位置时，取出夹214对卷绕体204的保持位置发生了偏离的情况下，从该卷绕体204生成的图像成为第1片材202以及第2片材203的两端面的位置从基准位置向上下发生了偏离的图像。控制部120在生成了这样的图像的情况下，判定为对应的卷绕体的检查结果为“不良”。
<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，从而使得所生产的卷绕体204的检查结果不会成为不良的作业。在本公开中，所谓维护作业，尤其是指用于维护上述的检查机207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7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7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8A以及图8B是对生产实际成果数据PD进行了例示的图。在图8A中，生产实际成果数据PD的一部分以表格形式示出。如图8A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8A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6A以及图6B)的数据。在图8A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建立了对应的识别编号。在图8B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5A)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是在产生了检查结果的不良的卷取装置200通过维护作业被改善(检查结果中的不良的比例下降了)的情况下学习了对何种的不良而言何种的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是包括判定为检查结果为不良的多个卷绕体的形状数据、和为了改善该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检查结果中的不良的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9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。在图9中，作为维护作业的内容，例示了“取出夹更换”、“第1卷芯更换”、“第3卷芯更换”。
作为维护作业的内容的“取出夹更换”是用于消除如图6B所示的取出夹214对卷绕体204的保持位置发生了偏离那样的事态的作业。具体地，作为“取出夹更换”，例如进行如下作业，即，更换由于磨损而抓握卷绕体204的力变弱的取出夹214。
另一方面，作为维护作业的内容的“第1卷芯更换”或者“第3卷芯更换”例如是如下那样的作业，即，更换由于磨损而卷绕体204变得不易拔出的卷芯206。
<控制部120>
如图7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的检查结果被判定为不良的情况下，通过进行设备状态诊断模型M中包含的维护作业，从而自此以后生产的卷绕体204的检查结果被判定为不良的比例降低了。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的检查结果被判定为不良的事态被改善的概率。
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5C)，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检查结果为不良的卷绕体的形状数据，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10以及图11对具有图7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10以及图11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10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中的学习处理是如下的处理，即，在判定为过去生产出的卷绕体的检查结果为不良之后，通过对卷取装置200进行维护作业从而检查结果成为不良的事态被消除了的情况下，生成包含该卷绕体的形状数据和维护作业的内容的学习完毕模型(设备状态诊断模型M)。更详细地，学习处理是用于生成学习了生产何种的形状数据的卷绕体的事态通过何种的维护作业被改善的学习完毕模型的处理。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8A)中包含的形状数据(参照图5C)，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之中判定为检查结果为不良的卷绕体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之中判定为检查结果为不良的卷绕体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9)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7)。
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利用新的卷绕体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是表示新的卷绕体的形状数据和设备状态诊断模型M中包含的过去的卷绕体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、判定为新生产的卷绕体204的检查结果为不良的概率越高。
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10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11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8A)中包含的形状数据(参照图5C)、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7)。
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，利用通过更新处理而更新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11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11所示的步骤S27至步骤S212的识别处理是与图10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10以及图11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10的步骤S11至步骤S14的处理)进行说明。图12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检查结果为不良的卷绕体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检查结果为不良的卷绕体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10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13A以及图13B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13A示出判定为维护作业有效果的情况下的例子，图13B示出判定为维护作业无效果的情况下的例子。在图13A以及图13B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。
在图13A以及图13B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，判定2个的检查结果为不良。即，维护前不良率Nfbefore为40％。在图13A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，判定为检查结果为不良的卷绕体成为0(维护后不良率Nfafter＝0)。另一方面，在图13B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，判定为检查结果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13A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13B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13A所示的例子中判定为维护作业有效果，在图13B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，对学习处理中的设备状态诊断模型生成部124执行的处理(图10的步骤S15以及S16的处理)进行说明。图14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12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，生产检查结果为不良的卷绕体的事态被改善了的情况下，新生成学习了检查结果为不良的卷绕体的形状数据、和所进行的维护作业的对应关系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10的步骤S17以及步骤S18的处理)进行说明。图15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5C)。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10的步骤S19至步骤S112的处理)进行说明。图16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17A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17A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17A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，但本发明并不限定于此，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17B是示出维护方案列表ML的具体例的图。
如图17B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17A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17B所示的例子中，在卷绕设备“A”中，检查机207的取出夹214的维护作为维护小组1登记，卷绕部201的第1卷芯的维护作为维护小组2登记。而且，卷绕部201的第3卷芯的维护作为维护小组3而登记到维护方案列表ML。
此外，所谓图17A、B所示的维护方案中的“取出夹的维护”，意味着至少包含取出夹214的调整、取出夹214的清扫、取出夹214的更换等对取出夹214的维护作业中的一种。“第1卷芯的维护”以及“第3卷芯的维护”也是同样的。
如参照图6A以及图6B说明的那样，在卷绕体204的形状数据中，第1片材202以及第2片材203的两端面的位置的连续在上下偏离基准位置的情况下，判定为该卷绕体204的检查结果为不良。而且，可知生成这样的形状数据的卷绕体204的检查结果成为不良的原因是检查机207的取出夹214、或者卷绕部201的卷芯206。
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。
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生产的卷绕体204的检查结果成为“不良”的比例为给定比例以上。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生产的卷绕体204的检查结果成为“及格”的比例为给定比例以上。因此，只要合计值A小于预兆阈值THf，就可期待以后生产的卷绕体204的检查结果成为“良”的比例为给定比例以上。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17B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(生产的卷绕体204的检查结果成为不良的比例为给定比例以上的事态)、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，如上所述，假定了卷绕体204的检查结果成为不良的事态的原因为检查机207的取出夹214、或者卷绕部201的卷芯206。关于卷绕体204的检查结果成为不良的事态的原因为取出夹214和卷芯206的哪一个，能够通过判定为检查结果为不良的卷绕体是否依赖于卷芯206来判别。
若具体地说明，则在取出夹214为原因的情况下，某个卷绕体204的检查结果是否为不良不取决于卷取于该卷绕体204的卷芯206。另一方面，在卷芯206为原因的情况下，多个卷芯206之中除了成为原因的卷芯206以外的卷芯206上卷取的卷绕体204的检查结果应该不是不良。因此，在卷取于全部的卷芯206的卷绕体的检查结果为不良的情况下，能够认为原因为取出夹214，在检查结果为不良的卷绕体204卷取于特定的卷芯206的情况下，能够认为原因在于该卷芯206。
如以上说明的那样，维护显示装置100将取出夹214或者多个卷芯206中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维护作业。通过这样的判断，在取出夹214或者多个卷芯206中的任一个中，可适当地提取通过进行维护作业从而判定为检查结果为不良的卷绕体204的生产被降低的可能性高的维护作业，并进行显示。
[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11的步骤S21至步骤S24的处理)进行说明。图18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9)，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15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Cafter。关于一致度Cafter的生成方法，是与图15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Cafter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19A以及图19B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19A示出判定为维护作业有效果的情况下的例子，图19B示出判定为维护作业无效果的情况下的例子。
在图19A以及图19B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19A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19B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19A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19B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19A所示的例子中判定为维护作业有效果，在图19B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11的步骤S25以及S26的处理)进行说明。图20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12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了第1电极片以及第2电极片的第1卷绕体的半径方向表示第1电极片的第1端面的位置的第1组数据、以及沿着第1卷绕体的半径方向表示第2电极片的第2端面的位置的第2组数据。而且，在从学习完毕模型输出了表示第1卷绕体的检测未正常进行的意思的信息的情况下，将表示第1卷绕体的检测未正常进行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获取表示沿着卷绕体204的半径方向读取的第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组数据以及第2组数据所表示的第1端面以及第2端面的位置的连续是否从基准位置偏离给定距离以上，来判定卷绕体204的检查结果是否为不良。在卷绕体204的检查结果为不良的情况下，通知判定部122通知表示基于检查机207的检查未正常进行的意思，并且将表示该原因为检查机207的取出夹214或者多个卷芯206中的任一个的意思的信息输出至显示部132用于维护。
通过这样的结构，即便所生产的卷绕体204中无异常，在通过检查机207未正常进行检查的情况下，也能够准确地检测并通知该情况。由此，能够促进检查机207的取出夹214或者多个卷芯206中的任一个的维护，因此能够适当地减少在卷取装置200中生产的卷绕体204的检查结果成为不良的比例。
此外，设备状态诊断模型生成部124基于取出夹214或者多个卷芯206中的任一个被维护前后的第1数据以及第2数据，计算取出夹214或者多个卷芯206中的任一个被维护之前的卷绕体204的第1不良率和第1供给卷盘50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，在取出夹214或者多个卷芯206中的任一个被维护之前读取的第1数据以及第2数据不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，利用在取出夹214或者多个卷芯206中的任一个被维护之前读取的第1数据以及第2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计算将取出夹214或者多个卷芯206中的任一个被维护之前的第1数据以及第2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3概率。此外，设备状态诊断模型生成部124计算将取出夹214或者多个卷芯206中的任一个被维护之后的第1数据以及第2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4概率。然后，设备状态诊断模型生成部124计算第3概率和第4概率的第2差分。在判断为第2差分小于给定值的情况下，不将在取出夹214或者多个卷芯206中的任一个被维护之前读取的第1数据以及第2数据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，利用在取出夹214或者多个卷芯206中的任一个被维护之前的第1数据以及第2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，作为卷绕体204的检查结果判定为不良的原因，假定了取出夹214或者多个卷芯206中的任一个。在第1实施方式涉及的维护显示装置100中，通知判定部122按每个维护小组对一致度C进行合计，并基于合计值A的大小来决定通知给用户的维护作业的内容。因而，对用户通知取出夹214或者多个卷芯206中的任一个当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没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21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22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22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18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12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22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23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14)。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24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24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15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25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13A以及图13B)。
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26A以及图26B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26A以及图26B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26A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26B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19A以及图19B)。
图27A以及图27B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27A以及图27B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27A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27B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5C)来进行检查结果是否为不良的判定。而且，在所生产的卷绕体204的检查结果为不良的情况下，也可以进行通知，使得进行作为其原因的取出夹214或者多个卷芯206中的任一个的维护作业。
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位置。在判断为第1片材以及第2片材的两端部的位置的连续不偏离基准位置、或者处于以基准位置为中心的给定范围内的情况下，控制部不进行应进行维护作业的通知。在判断为第1片材以及第2片材的两端部的位置的连续从基准位置偏离给定距离以上、或者处于以基准位置为中心的给定范围外的情况下，控制部判断仅是卷绕于多个卷芯的多个卷绕体的检查结果为不良、还是卷绕于多个卷芯的所有的卷绕体的检查结果为不良。
在仅是卷绕于多个卷芯的多个卷绕体的检查结果为不良的情况下，控制部进行应维护卷绕有判定为检查结果为不良的卷绕体的卷芯的通知。另一方面，在卷绕于多个卷芯的所有的卷绕体的检查结果为不良的情况下，控制部进行应维护取出夹214的通知。
在变形例2中，控制部也可以在第1片材以及第2片材的两端部的位置的连续距基准位置的距离为给定阈值以下的情况和大于阈值的情况下变更通知方法。
通过这样的变形例2，即便不生成设备状态诊断模型M，也能够判断应维护取出夹214或者多个卷芯206中的哪个并进行通知。然而，与本变形例2相比，在上述的实施方式1～3中确定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，设控制部120在表示一个卷绕体204的剖面形状的图像Ierror中的第1片材202以及第2片材203的两端部的位置的连续偏离正常的图像Inornal中的基准位置的情况下，判定为该卷绕体204的检查结果为不良，但本公开并不限定于此。在取出夹214对卷绕体204的保持位置偏离了正常的位置的情况下，有时在所生产的每个卷绕体204中取出夹214对卷绕体204的保持位置的偏离量不均匀。在这样的情况下，根据卷绕体204，在剖面形状中的第1片材202以及第2片材203的两端部的位置有可能产生上下方向的偏差。
在变形例3中，也可以是，考虑到这样的偏差，控制部120在卷取装置200中开始卷绕体204的生产之后，沿着时间序列收集从在给定时间内生产的多个卷绕体204生成的图像中的、与第1片材202以及第2片材203的两端部的位置有关的信息，并利用该信息来进行卷绕体204的检查。
<变形例4>
在上述的实施方式中，作为卷绕体的检查结果判定为不良的形状数据，例示了第1片材202以及第2片材203的两端部的位置的连续偏离基准位置的图像Ierror。然而，本公开中的卷绕体的检查结果判定为不良的形状数据并不限定于此。例如，在检查机207为了扫描卷绕体204而利用的摄像机(未图示)弄脏的情况等下，有时在所生成的图像中第1片材202以及第2片材203的两端部的位置会有一部分检测不到。在这样的情况下，生成第1片材202以及第2片材203的两端部的位置有一部分缺损的图像。即便在生成了这样的图像的情况下，与该图像对应的卷绕体的检查结果也应判定为不良。
在变形例4中，考虑到这样的情况，在生成了第1片材202以及第2片材203的两端部的位置有一部缺损的图像的情况下，判定为与该图像对应的卷绕体的检查结果为不良，并且判断为该原因为检查机207的摄像机即可。
<变形例5>
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来识别利用设备状态诊断模型M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进行控制并进行了通知处理。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，并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)

1.一种输出信息的信息处理方法，用于将卷取装置的信息显示于显示装置，所述卷取装置具备：
第1供给机构，供给第1电极片；
第2供给机构，供给第2电极片；
第1贴合辊，设置在所述第1电极片侧；
第2贴合辊，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；
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，
所述信息处理方法包括如下步骤：
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；
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端面以及所述第2端面的位置的连续表现为从基准位置偏离给定距离以上的情况下，判定为所述传感器对所述第1卷绕体的检测未正常进行；和
将表示由所述传感器未正常进行所述第1卷绕体的检测的意思的信息输出至所述显示装置。
2.根据权利要求1所述的信息处理方法，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所述的信息处理方法，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所述的信息处理方法，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，
所述信息处理方法还包括如下步骤：
在由所述第1卷芯卷绕的第1卷绕体的所述第1端面以及所述第2端面的位置的连续从基准位置偏离给定距离以上、且由所述第2卷芯卷绕的第2卷绕体的第3端面以及第4端面的位置的连续从基准位置偏离给定距离以上的情况下，
将表示所述传感器对所述第1卷绕体以及所述第2卷绕体的检测未正常进行的原因为移动构件的意思的信息输出至所述显示装置，所述移动构件使所述第1卷绕体以及所述第2卷绕体从所述第1卷芯以及所述第2卷芯移动到基于所述传感器的检查位置。
5.根据权利要求1所述的信息处理方法，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，
所述信息处理方法还包括如下步骤：
在由所述第1卷芯卷绕的第1卷绕体的所述第1端面以及所述第2端面的位置的连续从基准位置偏离给定距离以上、且由所述第2卷芯卷绕的第2卷绕体的第3端面以及第4端面的位置的连续未从基准位置偏离给定距离以上的情况下，将表示所述传感器对所述第1卷绕体的检测未正常进行的原因为所述第1卷芯的意思的信息输出至所述显示装置。
6.根据权利要求1至5中任一项所述的信息处理方法，其中，
所述信息处理方法还包括如下步骤：
判定在所述第1组数据以及所述第2组数据中的至少一方是否包含给定个数的表示所述第1端面或者所述第2端面的位置的信息；和
在未包含给定个数的表示所述第1端面或者所述第2端面的位置的信息的情况下，判定为所述传感器对所述第1卷绕体的检测未正常进行。
7.一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：
第1供给机构，供给第1电极片；
第2供给机构，供给第2电极片；
第1贴合辊，设置在所述第1电极片侧；
第2贴合辊，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；
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，
所述学习完毕模型的生成方法包括如下步骤：
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；
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端面以及所述第2端面的位置的连续表现为从基准位置偏离给定距离以上的情况下，判定为所述传感器对所述第1卷绕体的检测未正常进行；
将表示通过所述传感器未正常进行所述第1卷绕体的检测的意思的信息输出至显示装置；和
基于所述卷取装置被维护之前的所述第1卷绕体的不良的第1产生程度和所述卷取装置被维护之后的所述第1卷绕体的不良的第2产生程度，判断是否将在所述卷取装置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，利用在所述卷取装置被维护之前读取的所述第1组数据以及所述第2组数据来生成用于输出表示所述第1卷绕体的检测未正常进行的意思的信息的学习完毕模型。
8.根据权利要求7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。
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：
第1供给机构，供给第1电极片；
第2供给机构，供给第2电极片；
第1贴合辊，设置在所述第1电极片侧；
第2贴合辊，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；
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；和
通知判定部，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端面以及所述第2端面的位置的连续表现为从基准位置偏离给定距离以上的情况下，判定为所述传感器对所述第1卷绕体的检测未正常进行，将表示通过所述传感器未正常进行所述第1卷绕体的检测的意思的信息输出至显示装置。
10.一种生成学习完毕模型的装置，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：
第1供给机构，供给第1电极片；
第2供给机构，供给第2电极片；
第1贴合辊，设置在所述第1电极片侧；
第2贴合辊，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；
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，
所述生成学习完毕模型的装置具备：
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，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端面以及所述第2端面的位置的连续表现为从基准位置偏离给定距离以上的情况下，判定为所述传感器对所述第1卷绕体的检测未正常进行；和
模型生成部，将表示通过所述传感器未正常进行所述第1卷绕体的检测的意思的信息输出至显示装置，基于所述卷取装置被维护之前的所述第1卷绕体的不良的第1产生程度和所述卷取装置被维护之后的所述第1卷绕体的不良的第2产生程度，判断是否将在所述卷取装置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，利用在所述卷取装置被维护之前读取的所述第1组数据以及所述第2组数据来生成用于输出表示所述第1卷绕体的检测未正常进行的意思的信息的所述学习完毕模型。
11.一种计算机可读取的记录介质，记录了计算机执行的程序，所述计算机输出用于对与卷取装置的维护有关的信息进行显示的信息，所述卷取装置具备：
第1供给机构，供给第1电极片；
第2供给机构，供给第2电极片；
第1贴合辊，设置在所述第1电极片侧；
第2贴合辊，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；
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；
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端面以及所述第2端面的位置的连续表现为从基准位置偏离给定距离以上的情况下，判定为所述传感器对所述第1卷绕体的检测未正常进行；和
将表示通过所述传感器未正常进行所述第1卷绕体的检测的意思的信息输出至显示装置。
12.一种计算机可读取的记录介质，记录了计算机执行的程序，所述计算机生成用于卷取装置的维护的学习完毕模型，所述卷取装置具备：
第1供给机构，供给第1电极片；
第2供给机构，供给第2电极片；
第1贴合辊，设置在所述第1电极片侧；
第2贴合辊，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；
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；
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端面以及所述第2端面的位置的连续表现为从基准位置偏离给定距离以上的情况下，判定为所述传感器对所述第1卷绕体的检测未正常进行；和
将表示通过所述传感器未正常进行所述第1卷绕体的检测的意思的信息输出至显示装置，基于所述卷取装置被维护之前的所述第1卷绕体的不良的第1产生程度和所述卷取装置被维护之后的所述第1卷绕体的不良的第2产生程度，判断是否将在所述卷取装置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，利用在所述卷取装置被维护之前读取的所述第1组数据以及所述第2组数据来生成用于输出表示所述第1卷绕体的检测未正常进行的意思的信息的所述学习完毕模型。
CN202110186896.7A 2020-03-09 2021-02-10 信息处理方法、学习完毕模型的生成方法以及装置 Pending CN113449883A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020040269A JP7457968B2 (ja) 2020-03-09 2020-03-09 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
JP2020-040269 2020-03-09

Publications (1)

Publication Number Publication Date
CN113449883A true CN113449883A (zh) 2021-09-28

Family

ID=77556006

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110186896.7A Pending CN113449883A (zh) 2020-03-09 2021-02-10 信息处理方法、学习完毕模型的生成方法以及装置

Country Status (3)

Country Link
US (1) US11658346B2 (zh)
JP (1) JP7457968B2 (zh)
CN (1) CN113449883A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024087179A1 (zh) * 2022-10-28 2024-05-02 宁德时代新能源科技股份有限公司 极片检测方法、极片检测装置以及终端

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11972589B2 (en) * 2019-01-09 2024-04-30 Fuji Corporation Image processing device, work robot, substrate inspection device, and specimen inspection device
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
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
SE2250794A1 (en) * 2022-06-27 2023-12-28 Valmet Oy Method and system for monitoring the performance of a winding spool in the reel section of a paper machine

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002289251A (ja) 2001-03-27 2002-10-04 Toshiba Battery Co Ltd 電極体監視装置、及び、電極体監視方法
JP2004083266A (ja) 2002-08-29 2004-03-18 Nippei Toyama Corp 巻取り装置
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
KR101490665B1 (ko) 2012-05-11 2015-02-05 파나소닉 주식회사 권회 장치, 권회 방법, 검사 장치 및 구조물 제조 방법
JP2017167708A (ja) 2016-03-15 2017-09-21 三菱電機株式会社 保全システムおよび保全方法
JP6653307B2 (ja) 2016-11-25 2020-02-26 花王株式会社 製品の製造方法及び製品の製造装置
JP6670769B2 (ja) 2017-01-13 2020-03-25 Ckd株式会社 検査装置及び巻回装置
JP6616339B2 (ja) 2017-01-13 2019-12-04 Ｃｋｄ株式会社 検査装置及び巻回装置
JP6676572B2 (ja) 2017-03-29 2020-04-08 Ckd株式会社 検査装置及び巻回装置
JP2019101540A (ja) 2017-11-29 2019-06-24 大日本印刷株式会社 設備診断装置、設備診断方法、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
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
JP7462158B2 (ja) * 2020-03-09 2024-04-05 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、及びプログラム
JP7390617B2 (ja) * 2020-03-09 2023-12-04 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、及びプログラム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024087179A1 (zh) * 2022-10-28 2024-05-02 宁德时代新能源科技股份有限公司 极片检测方法、极片检测装置以及终端

Also Published As

Publication number Publication date
US11658346B2 (en) 2023-05-23
JP7457968B2 (ja) 2024-03-29
JP2021141028A (ja) 2021-09-16
US20210280918A1 (en) 2021-09-09

Similar Documents

Publication Publication Date Title
CN113449883A (zh) 信息处理方法、学习完毕模型的生成方法以及装置
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
CN112799372A (zh) 显示方法、学习完毕模型的生成方法、装置以及程序
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
CN111340250A (zh) 设备检修装置、方法及计算机可读存储介质
BR112020025409A2 (pt) Métodos de geração de certificado de qualidade e de monitoramento de processos e sistema de controle de qualidade
JP2008164336A (ja) 欠陥検査システムおよび方法
CN110597196A (zh) 数据采集系统及数据采集方法
EP3712846A1 (en) Recoater automated monitoring systems and methods for additive manufacturing machines
CN109828545B (zh) Ai智能过程异常识别闭环控制方法、主机及装备系统
CN117114412A (zh) 一种用于危险化学品生产企业的安全预控方法及装置
CN113711149B (zh) 已学习模型的生成方法、维护显示装置及存储介质
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
Camps et al. Data-Driven Analysis of Friction Stir Welding for Aerospace Applications
US20240165731A1 (en) Welding data processing device and welding data processing method
JP2007102732A (ja) 工程管理方法及び工程管理プログラム
JP2023023555A (ja) モデル生成装置、モデル生成方法、異常予兆検知装置、異常予兆検知方法及び異常予兆検知システム
JPH09211050A (ja) 機器／設備の診断システム
CN117252583A (zh) 一种巡检维修的运维方法、系统、设备及存储介质
JP2023183121A (ja) 情報処理装置
CN117732676A (zh) 隔膜涂覆设备运维方法和系统
JPH0927531A (ja) 歩留まり統計解析方法および装置
CN115760017A (zh) 用于企业资产管理的设备及备件管理方法

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