CN116457798A - 工序分析装置、工序分析方法、以及工序分析程序 - Google Patents
工序分析装置、工序分析方法、以及工序分析程序 Download PDFInfo
- Publication number
- CN116457798A CN116457798A CN202180071334.6A CN202180071334A CN116457798A CN 116457798 A CN116457798 A CN 116457798A CN 202180071334 A CN202180071334 A CN 202180071334A CN 116457798 A CN116457798 A CN 116457798A
- Authority
- CN
- China
- Prior art keywords
- mechanisms
- relationship
- cause
- manufacturing line
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 156
- 230000008569 process Effects 0.000 title claims abstract description 142
- 238000004458 analytical method Methods 0.000 title claims abstract description 120
- 230000007246 mechanism Effects 0.000 claims abstract description 249
- 238000004519 manufacturing process Methods 0.000 claims abstract description 122
- 230000000694 effects Effects 0.000 claims abstract description 77
- 230000005856 abnormality Effects 0.000 claims abstract description 58
- 230000002159 abnormal effect Effects 0.000 claims abstract description 18
- 230000001364 causal effect Effects 0.000 claims description 134
- 238000002474 experimental method Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000004378 air conditioning Methods 0.000 claims 7
- 238000012545 processing Methods 0.000 description 50
- 238000010586 diagram Methods 0.000 description 27
- 238000004891 communication Methods 0.000 description 17
- 101100190617 Arabidopsis thaliana PLC2 gene Proteins 0.000 description 13
- 101100408456 Arabidopsis thaliana PLC8 gene Proteins 0.000 description 13
- 101100464304 Caenorhabditis elegans plk-3 gene Proteins 0.000 description 13
- 101100093534 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) RPS1B gene Proteins 0.000 description 13
- 230000010365 information processing Effects 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 6
- 238000007619 statistical method Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 239000000470 constituent Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 230000002745 absorbent Effects 0.000 description 1
- 239000002250 absorbent Substances 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/406—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by monitoring or safety
- G05B19/4063—Monitoring general control system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/4184—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/34—Director, elements to supervisory
- G05B2219/34465—Safety, control of correct operation, abnormal states
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Human Computer Interaction (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Quality & Reliability (AREA)
- General Factory Administration (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的工序分析装置包括:正常数据获取部,获取与构成制造线的多个机构的正常时的状态相关的多件第一状态数据;异常数据获取部,获取与所述多个机构的异常发生时的状态相关的多件第二状态数据;正常时分析部,分析所获取的所述多件第一状态数据,由此确定所述多个机构间的连接状态作为第一连接状态;异常时分析部,分析所获取的所述多件第二状态数据,由此确定所述多个机构间的连接状态作为第二连接状态;正常时关系确定部,基于所述第一连接状态,确定所述制造线中所实施的工序中的所述多个机构间的因果关系作为正常时因果关系;异常时关系确定部,基于所述第二连接状态,确定所述制造线中所实施的工序中的所述多个机构间的因果关系作为异常时因果关系;及特别因果关系确定部,将所述正常时因果关系与所述异常时因果关系加以比较,确定与异常的发生相关联的多个所述机构间的因果关系作为特别因果关系。
Description
技术领域
本发明涉及一种工序分析装置、工序分析方法、以及工序分析程序。
背景技术
工厂等中的制造线包括输送器、机械臂等多个机构。若所述制造线的任一机构发生异常,则制品的制造停止,存在造成大的损害的可能性。因此,在工厂等中,维护员定期巡视制造线,确认有无异常的发生或其预兆。
于在制造线内探测到异常的发生或其预兆时,存在异常的真正原因存在于探测到异常的机构之前的机构的情况。因此,为了确定异常的真正原因,重要的是掌握制造线内的各机构的因果关系。但是,由于构成制造线的机构的数量多,且各机构的动作条件可能每天变化,因此难以准确地掌握全部机构的因果关系。
因此,以往,熟练的维护员会基于自身的经验以及调查,掌握构成制造线的多个机构间的因果关系,探测制造线内所发生的异常或其预兆。为了使不熟练的维护员能够进行这种维护业务,而期待开发出一种能够将构成制造线的多个机构的因果关系可视化的技术。
例如,在专利文献1所公开的系统中,在构建因果关系模型时获取领域知识。并且,将所构建的因果关系模型与领域知识加以比较,在两者之间存在矛盾的情况下,重新构建因果关系模型。
现有技术文献
专利文献
专利文献1:日本专利特开2018-181158号公报
发明内容
发明所要解决的问题
但是,在专利文献1所记载的系统中,前提是灵活使用领域知识,因此不熟练者难以利用,而且在针对新发生的现象时认为也难以利用。本发明是为了解决所述问题而完成,其目的在于提供一种例如即使为不熟练者也能够容易地确定制造线所发生的异常的因素的工序分析装置、工序分析方法、以及工序分析程序。
解决问题的技术手段
本发明的工序分析装置包括:正常数据获取部,获取与构成制造线的多个机构的正常时的状态相关的多件第一状态数据;异常数据获取部,获取与所述多个机构的异常发生时的状态相关的多件第二状态数据;正常时分析部,分析所获取的所述多件第一状态数据,由此确定所述多个机构间的连接状态作为第一连接状态;异常时分析部,分析所获取的所述多件第二状态数据,由此确定所述多个机构间的连接状态作为第二连接状态;正常时关系确定部,基于所述第一连接状态,确定所述制造线中所实施的工序中的所述多个机构间的因果关系作为正常时因果关系;异常时关系确定部,基于所述第二连接状态,确定所述制造线中所实施的工序中的所述多个机构间的因果关系作为异常时因果关系;及特别因果关系确定部,将所述正常时因果关系与所述异常时因果关系加以比较,确定与异常的发生相关联的多个所述机构间的因果关系作为特别因果关系。
可以如下方式构成:在所述工序分析装置中,所述正常时分析部以及所述异常时分析部分别通过以下工序确定所述多个机构间的连接状态:(1)根据所述各件状态数据算出特征量;(2)算出所述各特征量间的相关系数或偏相关系数,所述特别因果关系确定部算出所述正常时因果关系的所述各机构中的所述特征量与所述异常时因果关系的所述各机构中的所述特征量的背离度,选择所述背离度大于规定值的机构作为节点,在将所述正常时因果关系与所述异常时因果关系加以比较时,在所述机构间的连接状态满足规定条件时,选择所述机构间的连接作为边缘,通过所述所选择的节点以及边缘确定所述特别因果关系。
可以如下方式构成:所述工序分析装置可还包括:控制程序获取部,获取用来控制所述制造线的动作的控制程序;控制程序分析部,通过分析所获取的所述控制程序,确定所述多个机构的顺序关系;及限制模型生成部,基于所述多个机构的顺序关系,生成所述多个机构的限制模型,所述特别因果关系确定部基于所述限制模型确定所述特别因果关系。
在所述工序分析装置中,可还包括:机构数据获取部,获取与所述多个机构分别所含的装置的相对位置关系以及所述装置参与所述工序的顺序的至少一者相关的机构数据;及机构数据分析部,分析所获取的所述机构数据,将所述制造线中所实施的所述工序模型化,由此确定表示所述多个机构的顺序关系的工序模型,所述限制模型生成部可基于所述多个机构的顺序关系以及所述工序模型生成所述限制模型。
可以如下方式构成:在所述工序分析装置中,所述控制程序分析部基于通过利用所述控制程序使所述制造线运转所获得的日志数据,确定所述多个机构的顺序关系。
可以如下方式构成:在所述工序分析装置中,所述控制程序分析部通过以下工序确定所述多个机构的顺序关系:(1)根据所述控制程序构建抽象语法树;(2)从所构建的所述抽象语法树中提取与所述各机构相关的变量与条件分支;(3)获取利用所述控制程序使所述制造线正常运转时的日志数据;(4)参照所获取的所述日志数据,基于所述条件分支的执行结果进行所述各变量的排序。
在所述工序分析装置中,可还包括:第一实验计划数据获取部,在所述制造线运转时,获取用来决定用以达成规定的品质的所述制造线的调整项目的调整量的第一实验计划数据;及控制因果关系生成部,基于所述第一实验计划数据以及所述限制模型,生成所述调整项目与所述机构的因果关系、以及所述多个机构间的因果关系作为控制因果关系。
在所述工序分析装置中,可还包括:品质调整因果关系确定部,通过将所述控制因果关系与所述特别因果关系加以比较,确定品质调整因果关系,所述品质调整因果关系包括与异常的发生相关联的多个所述机构间的因果关系、以及所述机构与所述调整项目的因果关系。
在所述工序分析装置中,可还包括:第二实验计划数据获取部,获取用来决定由所述品质调整因果关系所确定的所述调整项目的调整量与所述品质的关系的第二实验计划数据;及品质预测模型生成部,基于所述第二实验计划数据,生成品质预测模型,所述品质预测模型确定所述制造线中的所述调整项目的调整量与所述品质的关系。
在所述工序分析装置中,可还包括:调整量计算部,基于所述品质预测模型,算出用来达成所期望的品质的所述调整项目的调整量。
在所述工序分析装置中,所述各件状态数据可表示扭矩、速度、加速度、温度、电流、电压、气压、压力、流量、位置、尺寸、面积、光量、开启/关闭状态的至少任一者。
本发明的工序分析方法是由计算机执行以下步骤:获取与构成制造线的多个机构的正常时的状态相关的多件第一状态数据的步骤;获取与所述多个机构的异常发生时的状态相关的多件第二状态数据的步骤;通过分析所获取的所述多件第一状态数据,而确定所述多个机构间的连接状态作为第一连接状态的步骤;通过分析所获取的所述多件第二状态数据,而确定所述多个机构间的连接状态作为第二连接状态的步骤;基于所述第一连接状态,确定所述制造线中所实施的工序中的所述多个机构间的因果关系作为正常时因果关系的步骤;基于所述第二连接状态,确定所述制造线中所实施的工序中的所述多个机构间的因果关系作为异常时因果关系的步骤;及将所述正常时因果关系与所述异常时因果关系加以比较,确定与异常的发生相关联的多个所述机构间的因果关系作为特别因果关系的步骤。
本发明的工序分析程序使计算机执行以下步骤:获取与构成制造线的多个机构的正常时的状态相关的多件第一状态数据的步骤;获取与所述多个机构的异常发生时的状态相关的多件第二状态数据的步骤;通过分析所获取的所述多件第一状态数据,而确定所述多个机构间的连接状态作为第一连接状态的步骤;通过分析所获取的所述多件第二状态数据,而确定所述多个机构间的连接状态作为第二连接状态的步骤;基于所述第一连接状态,确定所述制造线中所实施的工序中的所述多个机构间的因果关系作为正常时因果关系的步骤;基于所述第二连接状态,确定所述制造线中所实施的工序中的所述多个机构间的因果关系作为异常时因果关系的步骤;及将所述正常时因果关系与所述异常时因果关系加以比较,确定与异常的发生相关联的多个所述机构间的因果关系作为特别因果关系的步骤。
发明的效果
根据本发明,例如即使为不熟练者,也能够容易地确定制造线所发生的异常的因素。
附图说明
[图1]是表示本发明的一实施方式的工序分析装置的适用场景的一例的概略图。
[图2]是表示工序分析装置的硬件结构的框图的示例。
[图3]是表示PLC的硬件结构的框图的示例。
[图4]是表示工序分析装置的软件结构的框图的示例。
[图5]是表示限制模型生成模块的功能结构的框图的示例。
[图6]是表示限制模型生成模块的处理流程的流程图的示例。
[图7]是表示控制程序的分析处理的流程图的示例。
[图8]是由控制程序所构建的抽象语法树的一例。
[图9A]是进行各变量的排序的初始化的场景的一例。
[图9B]是由控制程序的分析所确定的多个机构间的顺序关系的一例。
[图10]是对机构数据进行分析的过程的一例。
[图11]是表示事件因果关系生成模块的功能结构的框图的示例。
[图12]是表示事件因果关系生成模块的处理流程的流程图的示例。
[图13]是表示对状态数据进行分析时的处理流程的流程图的示例。
[图14]是对正常时的状态数据进行分析的过程的一例。
[图15]是表示正常时的多个机构间的因果关系的有向图表信息的一例。
[图16]是对异常时的状态数据进行分析的过程的一例。
[图17]是表示正常时的多个机构间的因果关系的有向图表信息的一例。
[图18]是表示事件因果关系的生成的处理流程的流程图的示例。
[图19]是表示特征量的背离度的示例的表。
[图20]是事件因果关系的示例。
[图21]是表示控制因果关系生成模块的功能结构的框图的示例。
[图22]是表示控制因果关系生成模块的处理流程的流程图的示例。
[图23]是控制因果关系模型的示例。
[图24]是表示品质调整因果模型生成模块的功能结构的框图的示例。
[图25]是表示品质调整因果模型生成模块的处理流程的流程图。
[图26]是表示根据相对应的事件因果模型与控制因果关系模型制作品质调整因果模型的流程的图。
[图27]是表示根据相对应的事件因果模型与控制因果关系模型制作品质调整因果模型的流程的图。
[图28]是表示根据相对应的事件因果模型与控制因果关系模型制作品质调整因果模型的流程的图。
[图29]是表示根据相对应的事件因果模型与控制因果关系模型制作品质调整因果模型的流程的其他示例的图。
[图30]是表示根据相对应的事件因果模型与控制因果关系模型制作品质调整因果模型的流程的其他示例的图。
[图31]是表示品质预测模型生成模块的功能结构的框图的示例。
[图32]是表示品质预测模型生成模块的处理流程的流程图的示例。
[图33]是表示事件因果关系的生成的其他示例的图。
具体实施方式
以下,参照附图对本发明的工序分析装置的一实施方式进行说明。
<1.适用例>
首先,使用图1对适用本发明的场景的一例进行说明。图1示意性地例示本实施方式的工序分析装置1的利用场景的一例。
如图1所示,本实施方式的工序分析装置1获取与构成制造线3的多个机构31的状态相关的多件状态数据222以及机构数据223。制造线3只要能够制造任一物品即可,可包括多个装置,也可以包括包装机等一个装置。而且,各机构31只要能够实施制造工序的任一处理即可,可包括一个或多个装置,也可以包括装置的一部分。在一个机构31包括装置的一部分的情况下,多个机构31可包括一个装置。而且,在同一装置实施多个处理的情况下,可将其分别视为不同的机构31。例如,在同一装置实施第一处理与第二处理的情况下,可将进行第一处理的所述装置视为第一机构31,将进行第二处理的所述装置视为第二机构31。进而,状态数据222可包括与构成制造线3的各机构31的状态相关的所有种类的数据。
而且,本实施方式的工序分析装置1获取用来控制制造线3的动作的控制程序221。控制程序221可包括控制构成制造线3的各机构31的动作的所有种类的程序。控制程序221可包括一件程序,也可以包括多件程序。另外,在本实施方式中,制造线3的动作由可编程逻辑控制器(Programmable Logic Controller,PLC)2所控制。因此,工序分析装置1从PLC2获取多件状态数据222、机构数据223、以及控制程序221。
接下来,本实施方式的工序分析装置1对所获取的多件状态数据222进行统计学分析,由此确定制造线3内的多个机构31间的关系的强度。关系的强度是本发明的“连接状态”的一例。而且,本实施方式的工序分析装置1通过对所获取的控制程序221以及机构数据223进行分析,而确定制造线3内的多个机构31的顺序关系。并且,本实施方式的工序分析装置1分别基于所确定的关系的强度以及顺序关系,而确定制造线3中所执行的工序中的多个机构31间的因果关系。
如以上所述,在本实施方式中,在对多个机构31间的因果关系进行分析的过程中,为了确定多个机构31间的顺序关系,而利用控制程序221。控制程序221规定各机构31的动作,因此可通过利用控制程序221,而更准确地确定各机构31的顺序关系。因此,根据本实施方式,能够将构成制造线3的多个机构31间的因果关系准确地模型化。
进而,下文进行说明,在确定使用状态数据222的机构31间的关系的强度时,求出使用制造线3正常运转时的状态数据222时与使用以制造线3发生异常的状态运转时的状态数据222时的两个因果关系,通过这些因果关系的比较,而以生成仅提取与异常的发生相关联的机构31的事件因果关系模型作为特征。
<2.工序分析装置的硬件结构>
接下来,使用图2对本实施方式的工序分析装置1的硬件结构的一例进行说明。图2示意性地例示本实施方式的工序分析装置1的硬件结构的一例。
如图2所示,本实施方式的工序分析装置1是电连接有控制部11、存储部12、通信接口13、输入装置14、输出装置15、以及驱动器16的计算机。另外,在图2中,将通信接口记载为“通信I/F”。
控制部11包括作为硬件处理器的中央处理器(Central Processing Unit,CPU)、随机存取存储器(Random Access Memory,RAM)、只读存储器(Read Only Memory,ROM)等,根据信息处理进行各构成元件的控制。存储部12例如为硬盘驱动器、固态硬盘等辅助存储装置,存储由控制部11执行的工序分析程序121等。
工序分析程序121是用来使工序分析装置1执行利用多件状态数据222、机构数据223、以及控制程序221对制造线3所实施的制造工序中的多个机构31间的因果关系进行分析的下文所述的处理(图5)的程序。详细将后述。
通信接口13例如为有线局域网(Local Area Network,LAN)模块、无线LAN模块等,为用来进行经由网络的有线通信或无线通信的接口。工序分析装置1可通过所述通信接口13在PLC2之间进行经由网络的数据通信。另外,网络的种类例如可从国际互联网、无线通信网、移动通信网、电话网、专用网等中适当选择。
输入装置14例如为鼠标、键盘等用来进行输入的装置。而且,输出装置15例如为显示器、扬声器等用来进行输出的装置。操作员可经由输入装置14以及输出装置15操作工序分析装置1。
驱动器16例如为光盘(compact disc,CD)驱动器、数字多功能光盘(digitalversatile disc,DVD)驱动器等,为用来读取存储于存储介质91中的程序的驱动装置。驱动器16的种类可根据存储介质91的种类适当选择。所述工序分析程序121可存储于所述存储介质91中。
存储介质91是以计算机等装置、机械等能够读取所记录的程序等信息的方式,通过电性、磁性、光学、机械或化学作用积蓄所述程序等信息的介质。工序分析装置1可从所述存储介质91获取所述工序分析程序121。
此处,在图2中,作为存储介质91的一例,而例示CD、DVD等盘型的存储介质。但是,存储介质91的种类并不限定于盘型,也可以不为盘型。作为盘型以外的存储介质,例如可列举快闪存储器等半导体存储器。
另外,关于工序分析装置1的具体的硬件结构,可根据实施方式适当省略、置换以及追加构成元件。例如,控制部11可包括多个处理器。工序分析装置1可包括多台信息处理装置。而且,工序分析装置1除了设计为所提供的服务专用的信息处理装置以外,也可以为通用的服务器装置、个人计算机(Personal Computer,PC)等。
<3.PLC>
接下来,使用图3对控制制造线3的动作的PLC2的硬件结构的一例进行说明。图3示意性地例示本实施方式的PLC2的硬件结构的一例。
如图3所示,PLC2是电连接有控制部21、存储部22、输入/输出接口23、以及通信接口24的计算机。由此,PLC2以控制制造线3的各机构31的动作的方式构成。另外,在图3中,将输入/输出接口以及通信接口分别记载为“输入/输出I/F”以及“通信I/F”。
控制部21包括CPU、RAM、ROM等,以基于程序以及数据执行各种信息处理的方式构成。存储部22例如包括RAM、ROM等,存储控制程序221、状态数据222、机构数据223、以及日志数据224等。控制程序221为用来控制制造线3的动作的程序。状态数据222为与各机构31的状态相关的数据。机构数据223为与多个机构31分别包括的装置的相对位置关系、以及所述装置参与工序的顺序的至少一者相关的数据。除此以外,作为机构数据223,例如可使用对装置的列表、装置的动作进行监测的传感器的列表、表示工序的顺序的信息、表示传感器的设置位置的信息等。而且,日志数据223为表示制造线3的动作的日志的数据。
输入/输出接口23为用来与外部装置连接的接口,根据所连接的外部装置而适当构成。在本实施方式中,PLC2经由输入/输出接口23连接于制造线3。另外,在关于单一的装置能够获取不同的状态数据的情况下,所述对象的单一的装置可视为多个机构31,也可以视为单一的机构31。因此,输入/输出接口23的数量可与构成制造线3的机构31的数量相同,也可以不同于构成制造线3的机构31的数量。
通信接口24例如为有线LAN模块、无线LAN模块等,为用来进行有线通信或无线通信的接口。PLC2可通过通信接口24在工序分析装置1之间进行数据通信。
另外,关于PLC2的具体的硬件结构,可根据实施方式适当省略、置换、以及追加构成元件。例如,控制部21可包括多个处理器。存储部22可包括控制部21中所含的RAM以及ROM。存储部22可包括硬盘驱动器、固态硬盘等辅助存储装置。而且,PLC2除了设计为所提供的服务专用的信息处理装置以外,也可以根据所控制的对象置换为通用的桌面PC、平板PC等。
<4.工序分析装置的软件结构>
接下来,使用图4对本实施方式的工序分析装置1的软件结构的一例进行说明。图4示意性地例示本实施方式的工序分析装置1的软件结构的一例。
工序分析装置1的控制部11将存储于存储部12中的工序分析程序121展开至RAM。然后,控制部11通过CPU解释以及执行展开至RAM中的工序分析程序121,对各构成元件进行控制。由此,如图4所示,本实施方式的工序分析装置1构成为包括限制模型生成模块101、事件因果模型生成模块102、控制因果模型生成模块103、品质调整因果模型生成模块104、以及品质预测模型生成模块105作为软件模块的计算机。以下,依序对这些进行说明。
<4-1.限制模型生成模块>
<4-1-1.限制模型生成模块的结构>
首先,对限制模型生成模块101进行说明。如图5所示,限制模型生成模块101进而包括第一获取部(控制程序获取部)111、第二获取部(机构数据获取部)112、第一分析部(控制程序分析部)113、第二分析部(机构数据分析部)114、以及第一关系确定部(限制模型生成部)115作为功能块。
第一获取部111获取用来控制制造线3的动作的控制程序221。第一分析部113通过对所获取的控制程序221进行分析,而确定多个机构31的顺序关系。在本实施方式中,第一分析部113利用执行控制程序221所获得的日志数据224,确定多个机构31的顺序关系。第二获取部112如上文所述,获取与多个机构31分别包括的装置的相对位置关系等相关的数据。第二分析部114通过对所获取的机构数据223进行分析,而确定工序模型。并且,第一关系确定部115分别基于所确定的顺序关系以及工序模型,确定制造线3中所实施的工序中的多个机构31间的因果关系。
关于工序分析装置1的各功能结构111~功能结构115,通过下文所述的动作例进行详细说明。另外,在本实施方式中,对工序分析装置1的各软件模块均由通用的CPU所实现的示例进行说明。但是,以上软件模块的一部分或全部也可以通过一个或多个专用的硬件处理器来实现。而且,关于工序分析装置1的软件结构,可根据实施方式适当省略、置换以及追加软件模块。这方面在下文所述的各模块102~模块105中也为同样。
<4-1-2.限制模型生成模块的动作>
接下来,使用图6对限制模型生成模块101的动作例进行说明。图6例示限制模型生成模块的处理流程的一例。但,以下所说明的处理流程仅为一例,各处理可尽可能地变更。而且,关于以下所说明的处理流程,可根据实施方式适当省略、置换、以及追加步骤。这方面在下文所述的各模块102~模块105的动作中也为同样。
[步骤S101]
在以下步骤S101中,控制部11作为第一获取部111运行,从PLC2获取控制程序221。控制程序221可以能够由PLC2执行的方式,例如利用梯形图语言、功能块图语言、结构化文本语言、指令表语言、以及顺序功能图语言、C语言的至少任一者来记述。控制程序221的获取完成后,控制部11的处理进入下一步骤S102。
[步骤S102]
在以下步骤S102中,控制部11作为第二获取部112运行,从PLC2获取所述机构数据223。机构数据223的获取完成后,控制部11的处理进入下一步骤S103。另外,本步骤S102可与所述步骤S101同时执行,也可以在所述步骤S101之前执行。
[步骤S103]
在步骤S103中,控制部11作为第一分析部113运行,对步骤S101中所获取的控制程序221进行分析,由此确定制造线3内的多个机构31的顺序关系。在本实施方式中,控制部11基于通过利用控制程序221使制造线3运转所获得的日志数据223,确定多个机构31的顺序关系。控制程序221的分析处理完成后,控制部11的处理进入下一步骤S104。另外,本步骤S103只要在所述步骤S101之后,则可在任意时机执行。例如,在先于所述步骤S101执行所述步骤S102的情况下,本步骤S103可在所述步骤S102之前执行。
<控制程序的分析处理>
此处,进而使用图7对分析控制程序221的处理进行详细说明。图7例示分析控制程序221的处理的流程的一例。在以下说明中,为了方便说明,与所述同样,制造线3包括四个机构F1~机构F4作为多个机构31,在所述步骤S101中,假定控制部11获取了使用与四个机构F1~机构F4相对应的变量v1~变量v4的控制程序221。
(步骤S1401)
首先,在步骤S1401中,控制部11进行所获取的控制程序221的语法分析,由所述控制程序221构建抽象语法树。抽象语法树的构建可使用利用自顶向下语法分析或自底向上语法分析进行的公知的语法分析方法。例如,抽象语法树的构建可使用处理依照特定的形式文法的字符串的语法分析器。抽象语法树的构建完成后,控制部11的处理进入下一步骤S1402。
图8例示根据控制程序221内的语法“if(a>0)[v1=a;]else[v2=-a;]”所获得的抽象语法树2211。如图8所例示,抽象语法树是为了解释程序的含义而以树结构表达所述程序的结构的数据结构。
具体而言,控制部11将程序所使用的词元(字句)中所述程序的含义的解释不需要的括号等词元省略,提取与所述程序的含义的解释有关的词元。然后,控制部11将条件分支等的运算符与结点相对应,将变量等的操作数与叶相对应。控制部11通过以所述方式进行控制程序221的语法分析,而能够构建图8所例示的抽象语法树。另外,以所述方式构成的抽象语法树表示变量、运算符、以及节点间的关系(运算与被运算的关系等)。对于所述抽象语法树的结构,可在其所表示的内容不变的范围内适当进行表述的修正、变更、省略等。
(步骤S1402)
在以下步骤S1402中,控制部11从通过步骤S1401所构建的抽象语法树中提取与各机构31相关的变量(v1~v4)与包括条件分支以及代入运算的运算符。例如,在获得图8所示的抽象语法树2211的情况下,控制部11从所述抽象语法树2211中提取(“if”、“v1”、“=”、“a”、“v2”、“=”、以及“-a”)。所述提取完成后,控制部11的处理进入下一步骤S1403。
(步骤S1403以及步骤S1404)
在以下步骤S1403中,控制部11依序罗列步骤S1402中所提取的变量以及运算符,将监测执行顺序的对象限定为与对应于成为确定因果关系的对象的各机构31的变量(v1~v4)相关联的部分。在所述示例中,控制部11进一步从(“if”、“v1”、“=”、“a”、“v2”、“=”、以及“-a”)中提取(“if”、“v1”、以及“v2”)。
然后,在以下步骤S1404中,随机选择条件分支,试行控制程序221的执行,由此进行所限定的各变量的排序的初始化。具体而言,控制部11在所述控制程序221的执行的试行中,对所限定的各变量被利用的顺序进行监测,由此能够进行所述各变量的排序的初始化。
图9A例示所述初始化的一例。图9A的图表2212示出以下(1)~(5)的顺序关系作为初始化的结果。
(1)在变量“v1”~“v4”中,首先利用变量“v1”。
(2)在变量“v1”之后,以0.5的概率利用变量“v2”,以0.5的概率利用变量“v3”。
(3)在变量“v2”之后,以1的概率利用变量“v3”。
(4)在变量“v3”之后,以1的概率利用变量“v4”。
(5)在变量“v1”~“v4”中,最后利用变量“v4”。
这种初始化完成后,控制部11的处理进入下一步骤S1405。
(步骤S1405)
在以下步骤S1405中,控制部11从PLC2获取表示利用控制程序221使制造线3正常运转时的执行结果的日志数据223。PLC2例如在收集所述状态数据222时,一并制作表示控制程序221的执行结果的日志数据223。此时,日志数据223中记录时戳、所利用的变量的值等。而且,例如可在控制程序221中设置用来收集执行各代码行的频率、已执行的代码行、代码的各段所消耗的计算时间等信息的调试模式。此时,PLC2通过在调试模式下执行控制程序221,而能够制作记录了各信息的日志数据223。控制部11可从PLC2获取以所述方式制作的日志数据223。日志数据223的获取完成后,控制部11的处理进入下一步骤S1406。
(步骤S1406)
在以下步骤S1406中,控制部11参照步骤S1405中所获取的日志数据223,基于条件分支的执行结果进行所述各变量(v1~v4)的排序,由此确定制造线3内的各机构31的顺序关系。
图9B例示所述排序的结果的一例。图9B的图表2213示出以下(A)~(E)的顺序关系作为利用日志数据223进行了排序的结果。
(A)在变量“v1”~“v4”中,首先利用变量“v1”。
(B)在变量“v1”之后,以0.01的概率利用变量“v2”,以0.99的概率利用变量“v3”。
(C)在变量“v2”之后,以1的概率利用变量“v3”。
(D)在变量“v3”之后,以1的概率利用变量“v4”。
(E)在变量“v1”~“v4”中,最后利用变量“v4”。
根据以上,在多个机构31的顺序关系的确定完成后,完成本实施方式的控制程序221的分析处理,控制部11的处理进入下一步骤S104。
[步骤S104]
在步骤S104中,控制部11作为第二分析部114运行,例如,如图10所示,对步骤S102中所获取的机构数据223进行分析,由此确定工序模型252。例如,控制部11参照机构数据223,确定两个机构31间的顺序关系,将所确定的结果输入表示两个机构31间的关系的表251所对应的单元格中。通过完成所述表251,控制部11能够确定作为有向图表的工序模型252。控制程序221的分析处理完成后,控制部11的处理进入下一步骤S105。另外,本步骤S104只要在所述步骤S102之后,则可在任意时机执行。例如,在先于所述步骤S101执行所述步骤S102的情况下,本步骤S104可在所述步骤S101之前执行。
[步骤S105]
返回图6,在下一步骤S105中,控制部11作为第一关系确定部115运行。即,控制部11基于通过步骤S103以及步骤S104所分别确定的制造线3内的多个机构31间的顺序关系以及工序模型252,确定所述制造线3中所实施的工序中的多个机构31间的因果关系。
在本实施方式中,控制部11基于所述步骤S1406中所确定的各机构31的顺序关系、以及所述步骤S104中所确定的工序模型252,确定制造线3中所实施的工序中的多个机构31间的因果关系。例如,可通过各机构31的顺序关系与工序模型252的积来确定各机构31间的关系的有无。然后,基于所述关系的有无将节点层级化并进行排序,由此生成限制模型。
[步骤S106]
在以下步骤S106中,控制部11输出步骤S105中所制作的限制模型。例如,控制部11以图像形式将所制作的限制模型输出至显示器等输出装置15。通过以上,控制部11结束本动作例的处理。
<4-2.事件因果关系生成模块>
<4-2-1.事件因果关系生成模块的结构>
接下来,对事件因果关系生成模块102进行说明。如图11所示,事件因果生成模块进而包括第三获取部116、第四获取部117、第三分析部118、第四分析部119、第二关系确定部120、第三关系确定部121、以及第四关系确定部122作为功能块。
第三获取部116获取与构成制造线3的多个机构31的状态相关的多件状态数据222。此时,所获取的状态数据222为制造线3正常运转时的数据。第四获取部117与第三获取部116同样地,也获取与多个机构31的状态相关的多件状态数据222,但在第四获取部117中,获取制造线3发生异常时的状态数据。第三分析部118以及第四分析部119均对所获取的多件状态数据222进行统计学分析,由此确定多个机构31间的关系的强度。
第二关系确定部120基于第三分析部118中的分析结果、以及所述限制模型,确定制造线3中所实施的工序中的多个机构31间的正常时的因果关系。第三关系确定部120基于第四分析部119中的分析结果、以及所述限制模型,确定制造线3中所实施的工序中的多个机构31间的异常时的因果关系。第四关系确定部122根据第二关系确定部120以及第三关系确定部121中所生成的正常时的因果关系以及异常时的因果关系,生成所产生的异常(事件)的因素的特定所特化的因果关系、即事件因果模型。
<4-2-2.事件因果关系生成模块的动作例>
接下来,使用图12,对事件因果关系生成模块102的动作例进行说明。图12例示事件因果关系生成模块的处理流程的一例。
[步骤S201]
首先,在步骤S201中,控制部11作为第三获取部116运行,从PLC2获取与各机构31的状态相关的多件状态数据222。各机构31例如可包括输送器、机械臂、伺服马达、料筒(成形机等)、吸附垫、切刀装置、密封装置等装置或所述装置的一部分。而且,各机构31例如可为印刷机、安装机、回流炉、基板检查装置等复合装置。进而,各机构31除了如上所述的任一伴随有物理动作的装置以外,例如也可以包括通过各种传感器探测某一信息的装置、从各种传感器获取数据的装置、从所获取的数据中探测某一信息的装置、对所获取的数据进行信息处理的装置等进行内部处理的装置。作为具体例,在包括探测对在输送器上流动的对象物赋予的标记的光学传感器的制造线中,可将所述光学传感器以及利用由光学传感器探测到的信息的装置视为各机构31。而且,各件状态数据222例如可为表示扭矩、速度、加速度、温度、电流、电压、气压、压力、流量、位置、尺寸(高度、长度、宽度)面积、光量、开启/关闭状态的至少任一者的数据。这种状态数据222可通过公知的传感器、摄像机等测量装置获得。例如,流量可通过浮子传感器获得。而且,位置、尺寸、以及面积可通过图像传感器获得。
另外,状态数据222可包括从一个或多个测量装置获得的数据。而且,状态数据222可直接为从测量装置获得的数据,也可以为如从图像数据获取的位置数据等那样能够通过对从测量装置获得的数据适用某一处理而获取的数据。各件状态数据222对应于各机构31而获取。
各测量装置以能够进行监测的方式适当配置制造线3的各机构31。PLC2使制造线3运转,从各测量装置收集各件状态数据222。控制部11从PLC2获取与制造线3正常运转时的各机构31的状态相关的状态数据222。由此,控制部11能够获取多件状态数据222。在多件的正常状态下状态数据222的获取完成后,控制部11的处理进入下一步骤S202。
[步骤S202]
在步骤S202中,控制部11作为第四获取部117运行,从PLC2获取与各机构31的状态相关的多件状态数据222。与步骤S201中的第三获取部116的动作不同之处在于获取与使发生异常的制造线3运转时的各机构31的状态相关的状态数据222。多件的异常状态下的状态数据222的获取完成后,控制部11的处理进入下一步骤S203。
[步骤S203]
在步骤S203中,控制部11作为第三分析部118运行,对步骤S201中所获取的多件状态数据222进行统计学分析,由此确定制造线3内的多个机构31间的关系的强度。多件状态数据222的分析处理完成后,控制部11的处理进入下一步骤S204。另外,本步骤S203只要在所述步骤S201之后,则可在任意时机执行。例如,本步骤S203可在所述步骤S202之前执行。
<状态数据的分析处理>
此处,进而使用图13以及图14,对统计学分析多件状态数据222的处理进行详细说明。图13例示对正常状态的状态数据222进行分析的处理的流程的一例。图14示意性地例示通过图13所示的流程分析状态数据222的过程的一例。在以下说明中,为了方便说明,制造线3包括四个机构(例如四个伺服马达)F1~机构F4作为多个机构31,在所述步骤S101中,假定控制部11获取了各机构F1~机构F4的状态数据222。
(步骤S2301)
首先,在步骤S2301中,控制部11根据步骤S201中所获取的各件状态数据222算出特征量2221。特征量2221的种类可无特别限定,可根据实施方式适当选择。而且,算出特征量2221的方法可根据实施方式适当决定。
作为具体例,在本实施方式中,控制部11通过如以下的方法根据状态数据222算出特征量2221。首先,控制部11为了规定算出特征量2221的处理范围,而将所获取的各件状态数据222逐帧进行分割。各帧的长度可根据实施方式适当设定。
控制部11例如可将各件状态数据222每隔固定时长的帧进行分割。但,制造线3未必以固定时间间隔运行。因此,若将各件状态数据222每隔固定时长的帧进行分割,则存在各帧所反映的各机构31的动作有所偏差的可能性。
因此,控制部11可将状态数据222每隔节拍时间进行帧分割。节拍时间是制造线3生产规定个数的制品所花费的时间。所述节拍时间可基于控制制造线3的信号、例如PLC2控制制造线3的各机构31的动作的控制信号而确定。
使用图15,对控制信号与节拍时间的关系进行说明。图15示意性地例示控制信号与节拍时间的关系。如图15所示,针对重复生产制品的制造线3的控制信号成为根据规定个数的制品的生产而周期性地表示“开启”与“关闭”的脉冲信号。
因此,控制部11可从PLC2获取所述控制信号,将所获取的控制信号的上升(“开启”)至下一次上升(“开启”)的时间设为节拍时间。并且,如图15所例示,控制部11每隔节拍时间将状态数据222分割为帧。
接下来,控制部11根据状态数据222的各帧算出特征量2221的值。在状态数据222为如测量数据等连续值数据的情况下,控制部11例如可算出帧内的振幅、最大值、最小值、平均值、分散值、标准偏差、瞬间值(一点样本)等作为特征量2221。而且,在状态数据222为如检测数据等离散值数据的情况下,控制部11例如可算出各帧内的“开启”时间、“关闭”时间、负载比、“开启”次数、“关闭”次数等作为特征量2221。由此,各特征量2221的算出完成后,控制部11的处理进入下一步骤S2302。
(步骤S2302)
返回图13以及图14继续进行说明。在步骤S2302中,控制部11算出各特征量2221间的相关系数或偏相关系数。相关系数可根据以下的数1的计算式算出。而且,偏相关系数可根据以下的数2的计算式算出。
[数1]
另外,rij表示矩阵2222的第i行第j列的要素。xi以及xj对应于表示根据各件状态数据222所算出的特征量2221的数据。Xi以及Xj分别表示xi以及xj的标本平均值。n表示相关的计算所利用的各特征量2221的数量。
[数2]
另外,将矩阵R(rij)的逆矩阵表述为R-1(rij),rij表示矩阵2222的逆矩阵的第i行第j列的要素。
由此,控制部11可获得以相关系数或偏相关系数作为各要素的矩阵2222。各特征量2221间的相关系数以及偏相关系数表示相对应的机构31间的关系的强度。即,根据矩阵2222的各要素确定相对应的机构31间的关系的强度。各特征量2221间的相关系数或偏相关系数的算出完成后,控制部11的处理进入下一步骤S2303。
(步骤S2303)
在以下步骤S2303中,控制部11基于各特征量2221间的相关系数或偏相关系数,构建表示相对应的机构31间的关系的强度的无向图表信息2223。
例如,控制部11制作与各机构31相对应的节点。并且,在针对两个机构31间所算出的相关系数或偏相关系数的值为阈值以上的情况下,控制部11以边缘连结相对应的两节点间。另一方面,在针对两个机构31间所算出的相关系数或偏相关系数的值小于阈值的情况下,控制部11不以边缘连结相对应的两节点间。另外,阈值可为工序分析程序121内所规定的固定值,也可以为能够由操作员等变更的设定值。而且,边缘的粗度可对应于相对应的相关系数或偏相关系数的值的大小而决定。
由此,能够制作如图14所例示的无向图表信息2223。在图14的示例中,制作了与四个机构F1~机构F4相对应的四个节点。并且,在机构F1及机构F2的节点间、机构F1及机构F3的节点间、机构F2及机构F3的节点间、以及机构F3及机构F4的节点间分别形成边缘。而且,对应于机构F1及机构F3之间以及机构F3及机构F4之间的相关大于其他机构间的相关,以机构F1及机构F3的节点间以及机构F3及机构F4的节点间的边缘比其他边缘粗的方式形成。通过以上,表示多个机构31间的关系的强度的无向图表信息2223的构建完成后,完成本实施方式的状态数据222的分析处理,控制部11的处理进入下一步骤S204。
另外,在图14的示例中,无向图表信息2223通过图像表达所形成的无向图表。但是,无向图表信息2223的输出形式可不限定于图像,也可以通过文本等来表达。而且,在所述示例中,通过相关系数或偏相关系数与阈值的比较,在关系弱的节点(机构31)间不形成边缘。但是,去除关系弱的节点间的边缘的方法可不限于这种示例。例如,可在形成以边缘连结全部节点的图表后,控制部11以表示偏差度的拟合指数(拟合优度指数(Goodness ofFit Index,GFI)、标准均方根残差(standardized root mean square residual,SRMR)等)不超过阈值的方式,从相关系数或偏相关系数小的边缘起依序删除所形成的图表的边缘。
[步骤S204]
返回图12,在步骤S204中,控制部11作为第二关系确定部120运行。即,控制部11基于所述限制模型、以及由步骤S2303所确定的制造线3内的多个机构31间的关系的强度,确定所述制造线3中所实施的工序中的多个机构31间的正常时的因果关系。
在本实施方式中,控制部11通过将由所述限制模型所确定的各机构31的顺序关系适用于通过所述步骤S2303所构建的无向图表信息2223,而制作表示各机构31间的因果关系的有向图表信息。此时,控制部11可确定各机构31的顺序关系中发生的概率低于阈值的顺序(迁移),从构成无向图表信息2223的边缘中删除与所确定的顺序相对应的边缘。另外,阈值可为工序分析程序121内所规定的固定值,也可以为能够由操作员等变更的设定值。
图15例示所制作的有向图表信息的一例。图15的有向图表122表示以下的(a)~(d)的因果关系。
(a)在机构“F1”~机构“F4”中,首先利用机构“F1”或机构“F2”。
(b)在机构“F1”以及机构“F2”之后,利用机构“F3”。
(c)在机构“F3”之后,利用机构“F4”。
(d)在机构“F1”~机构“F4”中,最后利用机构“F4”。
另外,在图15的示例中,对应于从变量“v1”向变量“v2”的顺序的发生概率低,将无向图表信息2223中所存在的机构“F1”以及机构“F2”间的边缘删除。而且,有向图表122的各边缘的粗度对应于无向图表信息2223的各边缘的粗度所设定。通过以上,有向图表信息的制作完成后,控制部11的处理进入下一步骤S206。
另外,在图15的示例中,有向图表信息通过图像表达有向图表(有向图表122)。但是,有向图表信息的输出形式可不限定于图像,也可以通过文本等来表达。而且,在所述示例中,以边缘的粗度表达节点(机构31)间的关系的强度。但是,表达节点间的关系的强度的方法可不限定于这种示例。也可以通过对各边缘的附近标注数字,来表达各节点间的关系的强度。
[步骤S205]
在步骤S205中,控制部11作为第四分析部119运行,通过对步骤S202中所获取的多件异常时的状态数据222进行统计学分析,确定制造线3内的多个机构31间的关系的强度。除了所利用的状态数据222不同于第三分析部118以外,步骤S205中的处理与步骤S203相同,因此省略详细说明。在第四分析部119中,由于利用异常时的状态数据,故而例如生成如图16所示的无向图表信息2226。
[步骤S206]
在步骤S206中,控制部11作为第三关系确定部121运行。即,控制部11基于所述限制模型、以及通过步骤S205所确定的制造线3内的多个机构31间的关系的强度,而确定所述制造线3中所实施的工序中的多个机构31间的异常时的因果关系。处理流程与步骤S204所示的方法相同,故而省略详细的说明。例如,生成如图17所示的有向图表信息123。
[步骤S207]
在步骤S207中,控制部11作为第四关系确定部122运行。即,控制部11根据图15所示的正常时的有向图表信息122与图17所示的异常时的有向图表信息123生成事件因果模型。
(事件因果模型的生成处理)
此处,进一步使用图18~图20对事件因果模型的生成方法进行详细说明。图18是表示事件因果模型的生成流程的一例的图,图19以及图20是事件因果模型的示例。
(步骤S2701)
首先,在步骤S2701中,控制部11算出步骤S203中所获取的正常时的特征量与步骤S205中所获取的异常时的特征量的背离度。背离度表示正常时以及异常时的各状态下相对应的特征量的差异的程度。背离度例如可使用平均值的差、中央值的差、KL距离等算出。例如,算出如图19所示的背离度。
(步骤S2702)
在步骤S2702中,控制部11通过步骤S204中所获取的正常时的有向图表信息122与步骤S206中所获取的异常时的特征量的有向图表信息123的比较处理,而选定边缘。例如可选定两图表信息122、图表信息123间强度大幅变化的边缘、或其中一者中存在但另一者中不存在的边缘。
(步骤S2703)
在步骤S2703中,控制部11进行节点的选定。此处选择步骤S2701中所算出的背离度大于规定阈值的节点。这样,由所选择的边缘与节点生成例如如图19所示的发生异常时的事件因果模型125。根据所述事件因果模型125可知成为发生异常的原因的机构为F1、F3、F4。另外,也可以在步骤S2702之前进行步骤S2703的处理。
(步骤S2704)
在步骤S2704中,控制部11根据S2703中所生成的事件因果模型进行异常的因素候选的排序。将所述因素顺序的示例示于图19。因此,在图19所示的事件因果模型125中,按照边缘的朝向依序对F1、F3、F4进行维护,由此能够消除异常。这样,异常的因素顺序可依照事件因果模型125中所出现的节点与边缘的朝向而算出。但,在事件因果模型中,在存在未通过边缘连接的节点的情况下,可根据基于所述限制模型的顺序、或基于背离度与限制模型的顺序算出因素顺序。例如,可生成如图20所示的事件因果模型。
<4-3.控制因果模型生成模块>
<4-3-1.控制因果关系生成模块的结构>
接下来,对控制因果关系性模块103进行说明。控制因果关系模型103通过将决定启动制造线3时的条件时的实验计划数据适用于所述限制模型,而制作新的因果关系。此处,将所述新的因果关系称为控制因果关系模型。如图21所示,控制因果模型生成模块103还包括第五获取部123、第五分析部124、以及第五关系确定部125作为功能块。
第五获取部123获取启动制造线3时的第一实验计划数据225。第一实验计划数据225是与决定用来使制造线3运转的条件时的实验计划相关的数据,例如为用来一边改变各种调整项目的调整量一边启动制造线3以达成目标品质的数据。这种第一实验计划数据例如存储于工序分析装置1内、或其外部的数据库中。第一实验计划数据225例如有使各机构31的制造线3运转时的各机构的状态数据、品质数据、以及调整项目数据等,其中包括改变调整项目数据所得的多个结果。此处,品质数据例如有图像检查结果、电阻值等特性检查结果。调整项目数据例如有设定速度、设定温度、臂角度等。另外,此处提及的第一实验计划数据225可未必为使制造线3运转实施实验计划所获取,也可以使用过去在多个条件下运转的制造线的数据。
第五分析部124通过对所获取的第一实验计划数据225进行统计学分析,而确定多个机构31间的关系的强度。第五关系确定部125基于第五分析部124中的分析结果、以及所述限制模型,确定制造线3中所实施的工序中的多个机构31间的因果关系。
<4-3-2.控制因果关系生成模块的动作例>
接下来,使用图22对控制因果关系生成模块的动作例进行说明。图22例示控制因果模型生成模块的处理流程的一例。
[步骤S301]
首先,在步骤S301中,控制部11作为第五获取部123运行,从所述第一实验计划数据225获取各状态的特征量。特征量的获取完成后,控制部11的处理进入下一步骤S302。
[步骤S302]
在步骤S302以及步骤S303中,控制部11作为第五分析部124运行,对步骤S301中所获取的特征量进行统计学分析,由此确定制造线3内的多个机构31间的关系的强度。即,判断有向边的有无,生成无向图表。在判断有向边的有无时,进行偏相关系数的导出与阈值处理,判断附条件独立性的有无。此处所进行的分析可通过与所述状态数据222的分析处理同样的方法进行。
[步骤S303]
在步骤S304中,控制部11作为第五关系确定部125运行。即,控制部11基于所述限制模型、以及通过步骤S302所确定的制造线3内的多个机构31间等的关系的强度,确定所述制造线3中所实施的工序中的多个机构31间的因果关系。
在本实施方式中,控制部11通过将所述限制模型中所确定的各机构31的顺序关系适用于所述步骤S302中所构建的无向图表信息,而制作例如如图23所示的表示各机构31间等的因果关系的有向图表信息2227。所述有向图表信息2227中包括所述调整项目数据A以及品质数据Q。所述有向图表信息2227的制作方法如上所述。
[步骤S304]
最后,根据需要,基于定向规则,附加有向边。关于定向规则,例如在提供了某一局部有向图表时,按照以下三个规则附加边缘。
(1)在局部有向图表中的三个节点X、节点Y、节点Z中,在有从X朝向Y的边缘,Y与Z以无向的边缘邻接,且在X与Z之间无边缘时,附加从Y朝向Z的边缘。
(2)在局部有向图表中的三个节点X、节点Y、节点Z中,在有从X朝向Y、从Y朝向Z的边缘,X与Z以无向的边缘邻接时,附加从X朝向Z的边缘。
(3)在局部有向图表中的三个节点X、节点Y、节点Z、节点W中,在有从Y及W分别朝向Z的边缘,X与Y、Z、W以无向的边缘邻接时,附加从X朝向Z的边缘。
这样,生成控制因果关系模型。
<4-4.品质调整因果模型生成模块>
<4-4-1.品质调整因果模型生成模块的结构>
接下来,对品质调整因果关系模块103进行说明。品质调整因果关系模型是根据所述控制因果关系模型与事件因果关系模型所制作,具有缩减发生异常时的调整项目的范围的功能。如图24所示,品质调整因果生成模块103还包括第六获取部126、以及第六关系确定部127作为功能块。
<4-4-2.品质调整因果关系生成模块的动作例>
接下来,使用图25,对品质调整因果关系生成模块的动作例进行说明。图25例示品质因果模型生成模块的处理流程的一例。
[步骤S401]
在步骤S401中,控制部11作为第六获取部126运行,从存储部12获取所述控制因果关系模型与事件因果关系模型。这些模型的获取完成后,控制部11的处理进入下一步骤S402。
[步骤S402]
在步骤S402中,控制部11作为第六关系确定部127运行,根据控制因果关系模型与事件因果关系模型生成品质调整因果关系模型。参照图26~图28对所述方面进行说明。图26示出控制因果关系模型与事件因果模型。并且,在控制因果关系模型的节点中,选择与事件因果关系模型共通的节点。例如,在图26的示例中,机构F1、机构F3以及机构F4为共通的节点。即,机构F1、机构F3以及机构F4为发生异常的节点。此处,作为示例,设机构F4为用来监测品质的传感器,其特征量与品质Q1相关。
接下来,如图27所示,回溯因果关系,并选择对事件因果关系模型的状态数据造成影响的调整项目数据。例如,在图27的控制因果关系模型中,连接于机构F1的边缘中与机构F1的上游侧相连的调整项目为A1。同样地,连接于机构F2的边缘中与机构F2的上游侧相连的调整项目为A2。接着,如图28所示,提取图26以及图27中所选择的节点与边缘。由此,明示出针对品质异常的调整项目。即,明示出通过对调整项目A1、调整项目A2进行调整,而影响到与品质相关的机构F4的特征量,从而改善品质。
作为其他示例,例如在生成如图29的事件因果关系模型与控制因果关系模型时,生成如图30的品质调整因果关系模型。
<4-5.品质预测模型生成模块>
<4-5-1.品质预测模型生成模块的结构>
接下来,对品质预测模型模块进行说明。品质预测模型模块105是基于通过所述品质调整因果关系模型所确定的调整项目生成品质预测模型的模块。如图31所示,品质预测模型模块105还包括第二实验计划生成部128、第二实验数据获取部129、以及品质预测模型生成部130作为功能块。
<4-5-2.品质预测模型模块的动作例>
接下来,使用图32对品质预测模型模块的动作例进行说明。图32例示品质预测模型生成模块的处理流程的一例。
[步骤S501]
在步骤S501中,控制部11作为实验计划生成部128运行。此处,首先,从所述品质调整因果模型生成模块104中所生成的品质调整因果关系模型中提取调整项目。在图28的示例中,确定调整项目A1、调整项目A2影响到异常的发生,因此一边改变这些调整项目A1、调整项目A2的调整量,一边生成用来决定用于制造线3中的正常运转、即制造规定品质的制品的条件的实验计划。
[步骤S502]
在步骤S502中,控制部11作为实验数据获取部129运行。此处,基于步骤S501中所生成的实验计划,使制造线3运转,获取调整项目的调整量与制品的品质的关系作为数据。此时,首先,从所述品质调整因果模型生成模块104中所生成的品质调整因果关系模型中提取调整项目。在图28的示例中,确定调整项目A1、调整项目A2影响到与品质相关的异常的发生,因此一边对这些调整项目A1、调整项目A2的调整量进行调整,一边生成用来决定用于制造线3中的正常运转的条件的实验计划。即,获取对调整项目A3、调整项目A4进行调整时的机构F4的特征量的变化,存储为第二实验数据。
[步骤S503]
在步骤S503中,控制部11作为品质预测模型生成部130运行。此处,基于步骤S502中所生成的第二实验数据,生成品质预测模型。品质预测模型是将调整项目的调整量与品质的关系模型化而成,例如使用多元回归模型、支持向量回归等来制作。
[步骤S504]
这样,生成品质预测模型后,使用所述模型,导出所选定的调整项目中品质最好的最佳调整量。所述导出例如可使用牛顿法、内德-米德(Nelder-Mead)法等。
<5.特征>
如上所述,根据本实施方式,可获得如下效果。
(1)在本实施方式中,在事件因果关系模型的生成中,使用基于正常时的数据所生成的因果关系模型、以及基于异常时的数据所生成的因果关系模型。其原因如下。例如,使用异常时的数据所生成的因果关系模型准确而言不仅包括异常时的因果关系,而且也包括一部分正常时的因果关系。因此,仅在仅使用异常时的数据所生成的因果关系模型中,难以准确地确定发生异常的机构。因此,在本实施方式中,通过将异常时的因果关系模型与正常时的因果关系模型加以比较,而准确地确定与异常的发生相关的机构。因此,即使并非熟练者,也能够容易且在短时间内确定异常的因素。
(2)生成所述事件因果关系模型时所使用的正常时以及异常时的数据基本上从通过决定条件后的一种设定(一个条件)而运转的制造线3中获取。因此,在改变调整项目时,难以利用所制作的事件因果关系模型确定异常的因素、或进行品质的调整。因此,在本实施方式中,使用在使制造线3运转前所进行的第一实验计划数据,生成控制因果关系模型。即,第一实验计划数据包括如下条件:在制造线3运转时,一边改变调整项目的调整量,一边通过各种设定使制造线3运转,而能够达成目标品质。因此,通过使用第一实验计划数据,能够生成与多个调整项目的调整量相对应的限制因果关系模型。
(3)并且,通过使用与多个调整项目相对应的限制因果关系模型与事件因果模型,可生成能够确定对品质造成影响的调整项目的品质调整因果关系模型。
(4)而且,通过改变所确定的调整项目的调整量,并且使制造线3运转,生成用来确定调整项目的调整量如何影响品质的第二实验计划数据,而能够基于此生成预测调整项目的调整量与品质的关系的品质预测模型。由此,能够以品质成为所期望的基准的方式,进行调整项目的调整量的最佳化。
<6.变形例>
以上,已对本发明的一实施方式进行了详细说明,但本发明并不限定于所述实施方式,只要未脱离其主旨,则能够进行各种改良或变形。另外,以下变形例以及所述实施方式可适当组合。
<6-1>
在所述实施方式的图14~图20中,列举了简单的模型作为示例,但例如在增加了节点数的稍微复杂的模型中,可如图33那样生成事件因果关系模型。所述事件因果关系模型的生成方法与所述实施方式相同。
<6-2>
在所述实施方式中,在限制模型生成模块101中,进行控制程序221以及机构数据223的分析,但也可以仅使用控制程序221的分析生成因果关系,并将其适用于事件因果关系生成模块102。即,在图5中,也可以省略第二获取部112以及第二分析部114。或者也可以仅使用机构数据223生成因果关系,并将其适用于事件因果关系生成模块102。即,在图5中,也可以省略第一获取部111以及第一分析部113。
<6-3>
在所述实施方式的事件因果生成模块102中,使用限制模型生成模块101中所生成的限制模型来生成事件因果关系,但可未必利用限制模型。
<6-4>
在所述实施方式中,通过图11所示的事件因果生成模块102生成事件因果模型,但不限定于此,可通过其他方法生成事件因果模型。例如关于节点的选定,可在不使用背离度的情况下,选定与所选定的边缘连接的节点。
在所述实施方式的事件因果生成模块102中,分别使用正常时的状态数据与异常时的状态数据生成因果关系,但例如也可以仅生成使用异常时的状态数据的因果关系。此时,未构建使用正常时的状态数据的因果关系,但根据第三分析部118中所算出的特征量与第三分析部118中所算出的特征量算出背离度,并基于所述背离度选定节点。并且,基于所述节点生成感应部分图表。其成为事件因果关系模型。另外,感应部分图表是部分图表的一种,指从某一图表取出一部分顶点且所述顶点对的边的有无与原来的图表一致的图表。例如根据异常因果模型选定背离度高于规定阈值的节点,制作使这些节点之间所包括的节点以及边缘与原来的异常因果模型相同的图表,将其设为事件因果关系模型。
<6-5>
在品质预测模型的生成中,为了提高模型的精度,也可以灵活使用在异常发生时以外所获取的数据。即,在所述实施方式中,通过改变对异常的发生有影响的调整项目的调整量而生成模型,但也可以加入与异常的发生无关的调整项目,通过改变其调整量来生成模型。
符号的说明
1:工序分析装置
11:控制部
221:控制程序
222:状态数据
223:机构数据
3:制造线
31:机构。
Claims (13)
1.一种工序分析装置,包括:
正常数据获取部,获取与构成制造线的多个机构的正常时的状态相关的多件第一状态数据;
异常数据获取部,获取与所述多个机构的异常发生时的状态相关的多件第二状态数据;
正常时分析部,分析所获取的所述多件第一状态数据,由此确定所述多个机构间的连接状态作为第一连接状态;
异常时分析部,分析所获取的所述多件第二状态数据,由此确定所述多个机构间的连接状态作为第二连接状态;
正常时关系确定部,基于所述第一连接状态,确定所述制造线中所实施的工序中的所述多个机构间的因果关系作为正常时因果关系;
异常时关系确定部,基于所述第二连接状态,确定所述制造线中所实施的工序中的所述多个机构间的因果关系作为异常时因果关系;及
特别因果关系确定部,将所述正常时因果关系与所述异常时因果关系加以比较,确定与异常的发生相关联的多个所述机构间的因果关系作为特别因果关系。
2.根据权利要求1所述的工序分析装置,其中
所述正常时分析部以及所述异常时分析部分别通过以下工序确定所述多个机构间的连接状态:(1)根据所述各件状态数据算出特征量;(2)算出所述各特征量间的相关系数或偏相关系数,
所述特别因果关系确定部
算出所述正常时因果关系的所述各机构中的所述特征量与所述异常时因果关系的所述各机构中的所述特征量的背离度,
选择所述背离度大于规定值的机构作为节点,
在将所述正常时因果关系与所述异常时因果关系加以比较时,在所述机构间的连接状态满足规定条件时,选择所述机构间的连接作为边缘,
通过所述所选择的节点以及边缘确定所述特别因果关系。
3.根据权利要求1或2所述的工序分析装置,还包括:
控制程序获取部,获取用来控制所述制造线的动作的控制程序;
控制程序分析部,通过分析所获取的所述控制程序,确定所述多个机构的顺序关系;及
限制模型生成部,基于所述多个机构的顺序关系,生成所述多个机构的限制模型,
所述特别因果关系确定部基于所述限制模型确定所述特别因果关系。
4.根据权利要求3所述的工序分析装置,还包括:
机构数据获取部,获取与所述多个机构分别所含的装置的相对位置关系以及所述装置参与所述工序的顺序的至少一者相关的机构数据;及
机构数据分析部,分析所获取的所述机构数据,将所述制造线中所实施的所述工序模型化,由此确定表示所述多个机构的顺序关系的工序模型,
所述限制模型生成部基于所述多个机构的顺序关系以及所述工序模型生成所述限制模型。
5.根据权利要求3或4所述的工序分析装置,其中
所述控制程序分析部基于通过利用所述控制程序使所述制造线运转所获得的日志数据,确定所述多个机构的顺序关系。
6.根据权利要求5所述的工序分析装置,其中
所述控制程序分析部通过以下工序确定所述多个机构的顺序关系:(1)根据所述控制程序构建抽象语法树;(2)从所构建的所述抽象语法树中提取与所述各机构相关的变量与条件分支;(3)获取利用所述控制程序使所述制造线正常运转时的日志数据;(4)参照所获取的所述日志数据,基于所述条件分支的执行结果进行所述各变量的排序。
7.根据权利要求3至6中任一项所述的工序分析装置,还包括:
第一实验计划数据获取部,在所述制造线运转时,获取用来决定用以达成规定的品质的所述制造线的调整项目的调整量的第一实验计划数据;及
控制因果关系生成部,基于所述第一实验计划数据以及所述限制模型,生成所述调整项目与所述机构的因果关系、以及所述多个机构间的因果关系作为控制因果关系。
8.根据权利要求7所述的工序分析装置,还包括:
品质调整因果关系确定部,通过将所述控制因果关系与所述特别因果关系加以比较,确定品质调整因果关系,所述品质调整因果关系包括与异常的发生相关联的多个所述机构间的因果关系、以及所述机构与所述调整项目的因果关系。
9.根据权利要求8所述的工序分析装置,还包括:
第二实验计划数据获取部,获取用来决定由所述品质调整因果关系所确定的所述调整项目的调整量与所述品质的关系的第二实验计划数据;及
品质预测模型生成部,基于所述第二实验计划数据,生成品质预测模型,所述品质预测模型确定所述制造线中的所述调整项目的调整量与所述品质的关系。
10.根据权利要求9所述的工序分析装置,还包括:
调整量计算部,基于所述品质预测模型,算出用来达成所期望的品质的所述调整项目的调整量。
11.根据权利要求1至10中任一项所述的工序分析装置,其中
所述各件状态数据表示扭矩、速度、加速度、温度、电流、电压、气压、压力、流量、位置、尺寸、面积、光量、开启/关闭状态的至少任一者。
12.一种工序分析方法,其由计算机执行以下步骤:
获取与构成制造线的多个机构的正常时的状态相关的多件第一状态数据的步骤;
获取与所述多个机构的异常发生时的状态相关的多件第二状态数据的步骤;
通过分析所获取的所述多件第一状态数据,而确定所述多个机构间的连接状态作为第一连接状态的步骤;
通过分析所获取的所述多件第二状态数据,而确定所述多个机构间的连接状态作为第二连接状态的步骤;
基于所述第一连接状态,确定所述制造线中所实施的工序中的所述多个机构间的因果关系作为正常时因果关系的步骤;
基于所述第二连接状态,确定所述制造线中所实施的工序中的所述多个机构间的因果关系作为异常时因果关系的步骤;及
将所述正常时因果关系与所述异常时因果关系加以比较,确定与异常的发生相关联的多个所述机构间的因果关系作为特别因果关系的步骤。
13.一种工序分析程序,用来使计算机执行以下步骤:
获取与构成制造线的多个机构的正常时的状态相关的多件第一状态数据的步骤;
获取与所述多个机构的异常发生时的状态相关的多件第二状态数据的步骤;
通过分析所获取的所述多件第一状态数据,而确定所述多个机构间的连接状态作为第一连接状态的步骤;
通过分析所获取的所述多件第二状态数据,而确定所述多个机构间的连接状态作为第二连接状态的步骤;
基于所述第一连接状态,确定所述制造线中所实施的工序中的所述多个机构间的因果关系作为正常时因果关系的步骤;
基于所述第二连接状态,确定所述制造线中所实施的工序中的所述多个机构间的因果关系作为异常时因果关系的步骤;及
将所述正常时因果关系与所述异常时因果关系加以比较,确定与异常的发生相关联的多个所述机构间的因果关系作为特别因果关系的步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020-191815 | 2020-11-18 | ||
JP2020191815A JP7476770B2 (ja) | 2020-11-18 | 2020-11-18 | 工程解析装置、工程解析方法、及び工程解析プログラム |
PCT/JP2021/033820 WO2022107434A1 (ja) | 2020-11-18 | 2021-09-14 | 工程解析装置、工程解析方法、及び工程解析プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116457798A true CN116457798A (zh) | 2023-07-18 |
Family
ID=81708767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180071334.6A Pending CN116457798A (zh) | 2020-11-18 | 2021-09-14 | 工序分析装置、工序分析方法、以及工序分析程序 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230400831A1 (zh) |
EP (1) | EP4250029A1 (zh) |
JP (1) | JP7476770B2 (zh) |
CN (1) | CN116457798A (zh) |
WO (1) | WO2022107434A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2024069927A (ja) | 2022-11-10 | 2024-05-22 | オムロン株式会社 | 情報処理装置、情報処理方法および情報処理プログラム |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4239932B2 (ja) | 2004-08-27 | 2009-03-18 | 株式会社日立製作所 | 生産管理システム |
JP5364530B2 (ja) * | 2009-10-09 | 2013-12-11 | 株式会社日立製作所 | 設備状態監視方法、監視システム及び監視プログラム |
JP6203169B2 (ja) | 2014-12-25 | 2017-09-27 | 株式会社東芝 | プロセス評価装置およびプロセス評価プログラム |
US20200185063A1 (en) | 2016-06-05 | 2020-06-11 | Berg Llc | Systems and methods for patient stratification and identification of potential biomarkers |
JP6831743B2 (ja) | 2017-04-19 | 2021-02-17 | 株式会社日立製作所 | 因果関係モデルの検証方法およびシステム、および不良原因抽出システム |
JP6551565B2 (ja) | 2017-06-02 | 2019-07-31 | オムロン株式会社 | 工程解析装置、工程解析方法、及び工程解析プログラム |
JP7114601B2 (ja) | 2017-08-25 | 2022-08-08 | 株式会社半導体エネルギー研究所 | 表示パネル及び表示装置 |
JP7070478B2 (ja) | 2019-03-13 | 2022-05-18 | オムロン株式会社 | 解析装置、解析方法、及び解析プログラム |
-
2020
- 2020-11-18 JP JP2020191815A patent/JP7476770B2/ja active Active
-
2021
- 2021-09-14 CN CN202180071334.6A patent/CN116457798A/zh active Pending
- 2021-09-14 US US18/032,185 patent/US20230400831A1/en active Pending
- 2021-09-14 EP EP21894309.0A patent/EP4250029A1/en active Pending
- 2021-09-14 WO PCT/JP2021/033820 patent/WO2022107434A1/ja active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2022107434A1 (ja) | 2022-05-27 |
JP7476770B2 (ja) | 2024-05-01 |
EP4250029A1 (en) | 2023-09-27 |
JP2022080630A (ja) | 2022-05-30 |
US20230400831A1 (en) | 2023-12-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6551565B2 (ja) | 工程解析装置、工程解析方法、及び工程解析プログラム | |
EP3410245A1 (en) | Process analysis apparatus, process analysis method, and process analysis program | |
CN104345726B (zh) | 过程控制系统中的非侵入式数据分析 | |
JP4764502B2 (ja) | プロセスの分析に必要な評価を行うための方法および装置 | |
JP5048748B2 (ja) | 試験テーブル生成装置及び試験テーブル生成方法 | |
CN116457798A (zh) | 工序分析装置、工序分析方法、以及工序分析程序 | |
Ma et al. | D-RM Builder: A software tool for generating fast and accurate nonlinear dynamic reduced models from high-fidelity models | |
US11630451B2 (en) | Analysis device, analysis method, and non-transitory computer readable storage medium | |
JP7395987B2 (ja) | 情報処理システム、方法、およびプログラム | |
Papacharalampopoulos et al. | A defect tracking tool framework for multi-process products | |
Friederich et al. | A Framework for Validating Data-Driven Discrete-Event Simulation Models of Cyber-Physical Production Systems | |
JP2020149303A (ja) | 解析装置、解析方法、及び解析プログラム | |
US11237550B2 (en) | Ultrasonic flow meter prognostics with near real-time condition based uncertainty analysis | |
Petersen et al. | A methodology for robust fault detection in dynamic systems | |
CN116964536A (zh) | 信息处理装置、信息处理方法以及信息处理程序 | |
EP4071570A1 (en) | Prediction system, information processing device, and information processing program | |
JP2024069927A (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
JP2023092184A (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
Zhang | Improved methods in statistical and first principles modeling for batch process control and monitoring | |
JP2022125608A (ja) | 予測システム、情報処理装置および情報処理プログラム | |
JP2023002081A (ja) | 予測システム、情報処理装置および情報処理プログラム | |
JP2023038095A (ja) | 装置管理システム、装置の障害原因推定方法、及びプログラム | |
WO2024006795A1 (en) | System and method for building and deploying prescriptive analytics to predict and control end product quality in batch production monitoring and optimization | |
Bataineh et al. | Integrated SPC-based scheme utilising variable control charts and Cpm ratio to improve manufacturing quality of empty hard gelatin capsules | |
JP2024056242A (ja) | 要因分析装置、要因分析方法及びプログラム |
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 |