CN116806329A - 制造条件最优化装置、程序以及制造条件最优化方法 - Google Patents
制造条件最优化装置、程序以及制造条件最优化方法 Download PDFInfo
- Publication number
- CN116806329A CN116806329A CN202180090647.6A CN202180090647A CN116806329A CN 116806329 A CN116806329 A CN 116806329A CN 202180090647 A CN202180090647 A CN 202180090647A CN 116806329 A CN116806329 A CN 116806329A
- Authority
- CN
- China
- Prior art keywords
- manufacturing
- product
- quality
- inspection
- yield
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 216
- 238000000034 method Methods 0.000 title claims description 43
- 230000008859 change Effects 0.000 claims abstract description 95
- 238000007689 inspection Methods 0.000 claims abstract description 64
- 238000005457 optimization Methods 0.000 claims abstract description 36
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000009826 distribution Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 22
- 238000003062 neural network model Methods 0.000 claims description 4
- 238000000137 annealing Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 32
- 238000003306 harvesting Methods 0.000 description 25
- 238000010586 diagram Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000007477 logistic regression Methods 0.000 description 3
- 238000012797 qualification Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G05B19/418—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]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- 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]
- G05B19/41865—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 job scheduling, process planning, material flow
-
- 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]
- G05B19/41885—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 modeling, simulation of the manufacturing system
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31372—Mes manufacturing execution system
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32194—Quality prediction
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
制造条件最优化装置(100)具备:收获率推测部(117),在使利用制造设备制造产品的制造条件变化时,推测具有在利用检查设备进行的检查中合格的质量的产品的收获率;以及最优化处理部(113),计算收获率成为最大的制造条件的变化量。
Description
技术领域
本发明涉及将制造设备中的制造条件进行最优化的制造条件最优化装置、程序以及制造条件最优化方法。
背景技术
在制造产品并将质量检查合格的产品进行出货的情况下,产品的收获率(检查合格率)变得重要,成为制造指标。
专利文献1记载的设施的运转条件最优化系统的特征在于,具备运转状态数据取得单元、运转指标数据取得单元、测量数据记录单元、回归模型制作单元以及运转指标变量最优化单元,其中,所述运转状态数据取得单元取得由多个传感器测定的表示设施的运转状态的运转状态数据,所述运转指标数据取得单元取得根据由设置于设施的传感器测定或者由所述运转状态数据取得单元取得的运转状态数据而求出的、评价设施的运转的运转指标数据,所述测量数据记录单元将由所述运转状态数据取得单元取得的运转状态数据和由所述运转指标数据取得单元求出的运转指标数据作为根据预定的项目来关联的一组测量数据,并将该测量数据记录到数据记录部,所述回归模型制作单元根据记录于所述数据记录部的多组测量数据,将表示运转状态数据侧的运转状态变量作为说明变量,将表示运转指标数据侧的运转指标变量作为目标变量,进行预定的多变量解析来制作回归模型,该回归模型具有:分量变换单元,将说明变量变换为相互不相关并且比原来的说明变量少的数量的分量;预测单元,根据由该分量变换单元变换后的分量来预测目标变量;以及逆变换单元,通过与该分量变换单元对应的方法根据分量来推测说明变量,所述运转指标变量最优化单元根据由所述回归模型制作单元制作的回归模型来求出将运转指标变量进行最优化的运转状态变量,所述运转指标变量最优化单元求出在满足与由所述逆变换单元推测的说明变量有关的制约条件的同时将与由所述预测单元预测的目标变量有关的评价函数进行最优化时的说明变量值,并将该说明变量值作为最优的运转条件。
现有技术文献
专利文献1:日本特开2012-074007号公报
发明内容
产品的质量依赖于产品的制造条件。即使设定一次恰当的制造条件,有时质量也会由于例如温度、材料粘度等完全难以控制的干扰而发生变化,产品的收获率降低。另外,关于在制造环境中未成为测定或监视的对象的干扰也是同样的。因此,要求在产品的制造过程中实时地调整制造条件。然而,专利文献1记载的运转条件最优化系统并未设想如下情形:设想由干扰引起的变化而实时地调整制造条件。因此,无法实现与不能控制的干扰的变化对应的最优化。
本发明是鉴于这样的背景而完成的,其课题在于,提供一种即使在有干扰的情况下也能够调整产品的制造条件来提高制造指标的制造条件最优化装置、程序以及制造条件最优化方法。
本发明的上述目的通过下述的手段来实现。
(1)一种制造条件最优化装置,具备:收获率推测部,在使利用制造设备制造产品的制造条件变化时,推测具有在利用检查设备进行的检查中合格的质量的所述产品的收获率;以及最优化处理部,计算所述收获率成为最大的所述制造条件的变化量。
(2)在(1)所记载的制造条件最优化装置中,所述制造条件最优化装置还具备质量变化量推测部,该质量变化量推测部根据所述制造条件的变化量来推测所述制造设备所制造的所述产品的质量的变化量,所述收获率推测部根据所述质量变化量推测部所推测的所述产品的质量的变化量来推测所述产品在利用所述检查设备进行的检查中合格的概率,并根据在所述检查中合格的概率来推测具有在利用所述检查设备进行的检查中合格的质量的所述产品的收获率。
(3)在(2)所记载的制造条件最优化装置中,所述制造条件最优化装置还具备回归模型生成部,所述回归模型生成部根据过去的所述制造条件的变化量与该制造条件的变化量下的所述产品的质量的变化量的对应数据,生成根据所述制造条件的变化量来推测所述产品的质量的变化量的回归模型,所述质量变化量推测部使用所述回归模型,根据所述制造条件的变化量来推测所述产品的质量的变化量。
(4)在(3)所记载的制造条件最优化装置中,所述回归模型是广义线性模型、高斯过程回归模型或者神经网络模型。
(5)在(1)所记载的制造条件最优化装置中,所述最优化处理部利用不使用导数的最优化算法、局部搜索法、退火法、禁忌搜索法以及遗传性算法中的至少一个来计算所述收获率成为最大的所述制造条件的变化量。
(6)在(2)所记载的制造条件最优化装置中,所述收获率推测部在根据所述质量的变化量来推测所述产品在利用所述检查设备进行的检查中合格的概率时,根据最近制造的预定数量的产品的质量来推测所述产品在利用所述检查设备进行的检查中合格的概率。
(7)在(2)所记载的制造条件最优化装置中,所述收获率推测部根据所述产品的质量的变化量来求出该产品的质量的概率分布,并根据该概率分布来推测该产品在利用所述检查设备进行的检查中合格的概率。
(8)在(7)所记载的制造条件最优化装置中,所述概率分布是正态分布、二项分布或者泊松分布。
(9)一种程序,用于使计算机作为(1)~(8)中的任意一个记载的制造条件最优化装置发挥功能。
(10)一种制造条件最优化方法,是制造条件最优化装置的制造条件最优化方法,执行:在使利用制造设备制造产品的制造条件变化时,推测具有在利用检查设备进行的检查中合格的质量的所述产品的收获率的步骤;以及计算所述收获率成为最大的所述制造条件的变化量的步骤。
根据本发明,能够提供即使在有干扰的情况下也能够调整产品的制造条件来提高制造指标的制造条件最优化装置、程序以及制造条件最优化方法。
附图说明
图1是本实施方式所涉及的制造系统的整体结构图。
图2是用于说明本实施方式所涉及的制造条件最优化装置的处理概要的图。
图3是本实施方式所涉及的制造条件最优化装置的功能框图。
图4是本实施方式所涉及的学习数据的数据结构图。
图5是本实施方式所涉及的制造管理数据的数据结构图。
图6是本实施方式所涉及的回归模型生成处理的流程图。
图7是本实施方式所涉及的目标函数处理部执行的目标函数处理的流程图。
图8是本实施方式所涉及的最优化处理的流程图。
具体实施方式
《制造系统的整体结构》
以下,说明用于实施本发明的方式(实施方式)中的制造条件最优化装置。
图1是本实施方式所涉及的制造系统10的整体结构图。制造系统10构成为包括制造设备410、检查设备420、制造管理装置430以及制造条件最优化装置100。制造设备410、检查设备420、制造管理装置430以及制造条件最优化装置100能够经由网络499相互通信。
制造设备410在通过制造管理装置430设定的制造条件下制造产品460。制造设备410将产品460的各个制造条件发送给制造管理装置430。
产品460被搬送到检查设备420而接受检查。检查合格的产品470作为合格品而被出货。在检查中不合格的产品480是不合格品,被废弃。
检查设备420测定各个产品460的1个以上的质量(质量项目、检查项目),如果所有的测定值处于各个基准的范围内(上限值与下限值之间),则将该产品视为合格。检查设备420将与各个产品460相关的质量的测定值(还简记为质量、质量值)发送给制造管理装置430。
制造管理装置430存储制造管理数据440(参照后述的图5),其中该制造管理数据440储存产品460的各个制造条件和质量。
制造条件最优化装置100根据制造管理数据440,求出如产品460的收获率成为最大那样的制造条件。由此,能够提高制造指标。
《制造条件最优化装置的概要》
图2是用于说明本实施方式所涉及的制造条件最优化装置100的处理概要的图。在回归模型生成处理中,根据学习数据140生成回归模型150。学习数据140是将制造设备410(参照图1)中的制造条件的变化量和进行了该变化量的制造条件的变更时的检查设备420中的产品460的质量的变化量作为一组(set)的数据。回归模型150是根据制造条件的变化量(制造条件变化量)来推测产品460的质量的变化量(质量变化量)的模型,例如是线性回归模型。
制造条件最优化装置100在最优化处理中,将制造条件变化量作为输入(变量),将对产品460的收获率进行推测的收获率推测函数作为目标函数,求解使收获率最大化的最优化问题。收获率推测函数是如下函数:使用回归模型150根据作为输入的制造条件变化量来计算质量变化量的推测值,根据质量变化量来求出质量的推测值而推测收获率。该最优化问题的解成为使收获率最大化的制造条件的变化量。制造条件最优化装置100将该制造条件变化量发送给制造管理装置430。制造管理装置430通过根据制造条件变化量来设定制造设备410的制造条件,能够使产品460的收获率最大化。
《制造条件最优化装置的结构》
图3是本实施方式所涉及的制造条件最优化装置100的功能框图。制造条件最优化装置100构成为包括控制部110、存储部130、通信部170以及输入输出部180。通信部170在与包括制造管理装置430在内的其他装置之间发送和接收通信数据。对输入输出部180连接显示器、键盘、鼠标等用户接口设备。
存储部130由ROM(Read Only Memory,只读存储器)、RAM(Random Access Memory,随机存取存储器)、SSD(Solid State Drive,固态驱动器)等构成。在存储部130中,存储程序131、学习数据140(参照后述的图4)、回归模型150。在程序131中记述回归模型生成处理(参照后述的图6)、最优化处理、目标函数(收获率推测函数)的处理(参照后述的图7)的过程。
《制造条件最优化装置的结构:学习数据》
图4是本实施方式所涉及的学习数据140的数据结构图。学习数据140是例如表形式的数据,1个行(记录项)包括制造条件变化量141以及质量变化量142的列(属性)。
制造条件变化量141表示变更了制造设备410中的制造条件时的变更量。制造条件包括1个以上的项目,制造条件变化量141表示该1个以上的项目的变化量。
质量变化量142表示进行了制造条件变化量141所示出的制造条件的变更时的检查设备420中的产品460的质量变化量。质量变化量142包括与1个以上的产品460相关的1个以上的质量(检查的测定值、质量值)的变化量。
《制造条件最优化装置的结构:控制部》
返回到图3,控制部110构成为包括CPU(Central Processing Unit,中央处理单元),控制部110包括学习数据生成部111、回归模型生成部112、最优化处理部113、目标函数处理部114、质量变化量推测部115、质量推测部116以及收获率推测部117。
学习数据生成部111取得制造管理装置430存储的制造管理数据440(参照后述的图5),生成学习数据140(参照图4)。
图5是本实施方式所涉及的制造管理数据440的数据结构图。制造管理数据440是例如表形式的数据,1个行(记录项)包括产品识别信息441(在图5中记载为产品ID(identifier,标识符))、制造日期时间442、制造条件443、质量444以及检查结果445的列(属性)。
产品识别信息441是用于识别各个产品460的信息,例如是序列号。制造日期时间442是产品460被制造的日期时间。制造条件443是产品460被制造时的制造设备410中的制造条件。质量444是由检查设备420对产品460进行检查得到的测定值。检查结果445表示作为产品的检查结果的合格与否(OK/NG)。
返回到图3,学习数据生成部111取得制造管理数据440,划分为连续地制造且制造条件443相同的产品的群组(group)。接下来,学习数据生成部111关于各群组,求出与前一个群组之间的制造条件443的变化量,并作为制造条件变化量。接下来,学习数据生成部111关于各群组,求出群组中的产品各自的质量444与前一个群组中的质量444的平均值之差,并作为质量变化量。学习数据生成部111将记录项追加到学习数据140(参照图4),将制造条件变化量141以及质量变化量142作为求出的制造条件变化量以及质量变化量。
回归模型生成部112根据学习数据140生成回归模型150。学习数据140是表示变更了制造条件变化量141量的制造条件的情况下的产品的质量的变化量(质量变化量142)的数据。回归模型150是在根据制造条件变化量推测(计算)质量变化量时所参照的模型,例如是线性回归模型。回归模型150被计算为由以下的式(1)表示的β。
[数学式1]
β=(ΔXTΔX)-1ΔXTΔy (1)
X是表示在生成学习数据140时所参照的制造条件的矩阵。
ΔX是表示包含于学习数据140的制造条件变化量的矩阵。
ΔXT表示ΔX的转置矩阵。
Δy是表示包含于学习数据140的产品的1个质量项目(检查的测定值)的矢量。Δy仅有质量项目的数量(后述的N)。
β是偏回归系数的推测值,仅有质量项目的数量。
最优化处理部113将后述的收获率推测函数作为目标函数,求解由后述的式(2)表示的收获率score成为最大的最优化问题,计算收获率成为最大的制造条件的变化量。作为求解最优化问题的方法,有不使用导数的最优化算法、局部搜索法、退火法、禁忌搜索法、遗传性算法等。
[数学式2]
N是质量(质量项目)的数量。
i是质量项目的下标,有从第1个质量项目至第N个质量项目。
M是推测收获率的对象的产品的数量,例如是在过去的预定期间所制造的产品的数量。本实施方式中的最优化问题是求解在所制造的M个产品中使检查合格的产品的数量最大化的制造条件变化量。
j是所制造的M个产品的下标,有从第1个产品至第M个产品。
lL,i是第i个质量项目的下限值,是第i个质量项目的合格范围中的下限值。
lU,i是第i个质量项目的上限值,是第i个质量项目的合格范围中的上限值。
yi,j是第j个产品中的第i个质量项目的预测值。yi,j遵循以下的式(3)所示的概率分布。
[数学式3]
yi,j~N(Δyi+y0,i,j,SE(Δyi)2+si 2) (3)
式(3)的N(μ,σ2)表示平均μ、方差σ2的正态分布。
Δyi是与第i个质量项目相关的变化量的平均的推测值,利用后述的式(4)来计算。
y0,i,j是在最近制造的M个产品中第j个产品中的第i个质量项目的实测值。
SE(Δyi)是与第i个质量项目相关的变化量的推测值的标准误差,利用后述的式(5)来计算。
si是与第i个质量项目相关的回归的标准误差,利用后述的式(6)来计算。
[数学式4]
Δyi=Δxβ (4)
在此,式(4)的Δx是表示制造条件的变化量的矢量。
β是所学习的线性模型的偏回归系数的推测值,利用上述式(1)来计算。
[数学式5]
M0是计算出β时的产品的数量。
X是表示在生成学习数据140时所参照的制造条件的矩阵。
XT表示X的转置矩阵。
ΔxT表示Δx的转置矢量。
[数学式6]
K是制造条件的数量。
RSS是残差平方和。
在目标函数处理部114(收获率推测函数处理部)中,作为目标函数即收获率推测函数,根据制造条件变化量来推测(计算)收获率。详细而言,目标函数处理部114根据产品460的质量的变化量,求出式(3)所示的产品460的质量的概率分布,并根据该概率分布来推测产品460在利用检查设备420进行的检查中合格的概率。目标函数处理部114使用后述的质量变化量推测部115、质量推测部116以及收获率推测部117来推测收获率。
质量变化量推测部115使用回归模型150,根据制造设备410的制造条件变化量,计算制造设备410所制造的产品460的质量变化量。详细而言,质量变化量推测部115使用式(4),根据制造条件变化量Δx来计算质量变化量的推测值Δyi。此外,式(4)中的β是在N个的β之中与第i个质量项目对应的β。
质量推测部116求出作为第j个产品中的第i个质量项目的预测值的yi,j的分布。详细而言,求出质量变化量的推测值Δyi与在最近制造的M个产品中第j个产品中的第i个质量项目的测量值y0,i,j之和,作为分布的平均值。根据质量变化量的推测值Δyi的标准误差SE(Δyi)(参照式(5))以及回归的标准误差si(参照式(6)),求出分布的方差。将求出的平均值和方差的正态分布设为yi,j的分布(参照式(3))。
收获率推测部117根据yi,j的分布,求出yi,j满足检查的基准的概率P(lL,i≤yi,j≤lU,i),计算收获率score(参照式(2))。
如上述说明那样,目标函数处理部114使用质量变化量推测部115、质量推测部116以及收获率推测部117来推测收获率。
《回归模型生成处理》
图6是本实施方式所涉及的回归模型生成处理的流程图。例如在变更预定的周期、制造条件之后,在结束预定数量的产品的检查之后等预定的定时(timing)执行回归模型生成处理。
在步骤S11中,学习数据生成部111从制造管理装置430(参照图1)取得制造管理数据440(参照图5)。
在步骤S12中,学习数据生成部111根据取得的制造管理数据440生成学习数据140(参照图4)。
在步骤S13中,回归模型生成部112根据学习数据140生成回归模型150(参照式(1))。
《目标函数处理》
图7是本实施方式所涉及的目标函数处理部114执行的目标函数处理的流程图。在最优化处理部113求解最优化问题(参照后述的图8的步骤S31)时,在必要的定时调用并执行目标函数处理。
在步骤S21中,目标函数处理部114针对推测收获率的M个产品的每一个,开始重复实施步骤S22~S26的处理。
在步骤S22中,目标函数处理部114针对N个质量(质量项目)的每一个,开始重复实施步骤S23~S25的处理。
在步骤S23中,质量变化量推测部115使用回归模型150,根据制造条件变化量计算质量变化量。详细而言,质量变化量推测部115使用式(4),根据制造条件变化量Δx计算质量变化量的推测值Δyi。
在步骤S24中,质量推测部116求出作为质量(质量项目)的预测值的yi,j的分布(参照式(3))。
在步骤S25中,收获率推测部117根据yi,j的分布,求出yi,j满足检查的基准的概率P(lL,i≤yi,j≤lU,i)。
在步骤S26中,收获率推测部117求出产品合格的概率Πi=1,...,NP(lL,i≤yi,j≤lU,i)。此外,在本实施方式中,代替Πi=1,...,NP(lL,i≤yi,j≤lU,i)而求出Σi=1,…,Nlog(P(lL,i≤yi,j≤lU,i))。
在步骤S27中,收获率推测部117计算收获率score(参照式(2))。
《最优化处理》
图8是本实施方式所涉及的最优化处理的流程图。在例如预定周期、预定数量的产品的制造后等预定的定时,执行最优化处理。
在步骤S31中,最优化处理部113将收获率推测函数作为目标函数,求解收获率score(参照式(2))成为最大的最优化问题。
在步骤S32中,最优化处理部113将作为最优解的制造条件变化量发送给制造管理装置430。接收到最优解的制造管理装置430指示制造设备410将制造条件变更制造条件变化量。
《制造条件最优化装置的特征》
制造条件最优化装置100根据最近制造的产品的质量的实测值(y0,i,j),求出收获率成为最大的制造条件的变更量(制造条件变化量)。详细而言,制造条件最优化装置100求出成为如收获率变成最大那样的质量的变化量的制造条件的变更量。关于未测定或不能控制的干扰所引起的质量,根据最近制造的产品的质量来变更制造条件,所以能够根据与最近的干扰相同或认为几乎没有变化的当前的干扰的状态,以使质量提高的方式设定制造条件。进而,根据不能控制的干扰的状态来调整制造条件,能够使产品的收获率最大化来提高制造指标。
《变形例:回归模型》
上述实施方式中的回归模型150是线性回归模型,但也可以是其他模型。例如,也可以代替(广义)线性模型,而是高斯过程回归模型。或者,也可以是神经网络模型等机器学习模型。详细而言,也可以将学习数据140(参照图4)作为教师数据,生成根据制造条件变化量来预测质量变化量的机器学习模型,并在收获率推测函数(目标函数)中使用。通过使用高斯过程回归模型、神经网络模型,在说明变量(参照图4记载的制造条件变化量141)之间有高次的交替作用的情况下能够提高预测精度。
另外,作为在回归模型150的生成中使用的学习数据140中的说明变量,也可以除了制造条件变化量141以外还追加换算为变化量之前的制造条件(参照图5记载的制造条件443)。在该情况下,回归模型150成为根据制造条件和从该制造条件起的变化量来推测质量变化量的模型。
《变形例:质量的实测值》
在上述实施方式中,制造条件最优化装置100根据最近制造的预定数量m个的产品的质量(y0,i,j)来求出产品的质量的分布(N(Δyi+y0,i,j,SE(Δyi)2+si 2)),推测收获率。不限于此,收获率推测部117也可以求出产品的质量的平均值(y0,i),求出不依赖于产品的(1个产品)的质量的分布(N(Δyi+y0,i,SE(Δyi)2+si 2)),推测收获率。每个产品的重复处理(j=1,…,M)消失(视为M=1),所以制造条件最优化装置100能够高速地进行最优化处理,能够更频繁地进行最优化处理。
《变形例:质量检查结果》
在上述实施方式中,制造条件最优化装置100取得质量的测定值作为检查结果(参照图6的步骤S11)。也可以代替质量(质量项目、检查项目)的测定值,而取得外界检查等的用合格或不合格这2个值来表示的检查结果或者在1个产品中存在的缺点个数。在是用2个值来表示的检查结果的情况下,回归模型150成为逻辑回归模型(logistic regressionmodel),在缺点个数的情况下,回归模型150成为泊松回归模型。逻辑回归模型和泊松回归模型都被包含于广义线性模型。
《其他变形例》
以上说明了本发明的几个实施方式、变形例,但这些实施方式只不过是例示,并非限定本发明的技术范围。例如,在上述实施方式中,为了便于说明而划分为目标函数处理部114、质量变化量推测部115、质量推测部116以及收获率推测部117,但作为收获率推测函数,也可以设为1个功能部、例如收获率推测部。即,也可以是收获率推测部使用回归模型,在使利用制造设备410制造产品460的制造条件变化时,推测具有在利用检查设备420进行的检查中合格的质量的产品470的收获率。
在上述实施方式中,作为质量的预测值的yi,j的分布(参照式(3))是正态分布,但也可以是二项分布或者泊松分布。
本发明能够采用其他各种实施方式,而且能够在不脱离本发明的要旨的范围中进行省略、置换等各种变更。这些实施方式及其变形包含于本说明书等记载的发明的范围、要旨,并且包含于权利要求书记载的发明及其均等的范围。
符号的说明
100:制造条件最优化装置;110:控制部;111:学习数据生成部;112:回归模型生成部;113:最优化处理部;114:目标函数处理部(收获率推测部);115:质量变化量推测部(收获率推测部);116:质量推测部(收获率推测部);117:收获率推测部;140:学习数据;150:回归模型;410:制造设备;420:检查设备;430:制造管理装置;440:制造管理数据;460:产品。
Claims (10)
1.一种制造条件最优化装置,具备:
收获率推测部,在使利用制造设备制造产品的制造条件变化时,推测具有在利用检查设备进行的检查中合格的质量的所述产品的收获率;以及
最优化处理部,计算所述收获率成为最大的所述制造条件的变化量。
2.根据权利要求1所述的制造条件最优化装置,其中,
所述制造条件最优化装置还具备质量变化量推测部,该质量变化量推测部根据所述制造条件的变化量来推测所述制造设备所制造的所述产品的质量的变化量,
所述收获率推测部根据所述质量变化量推测部所推测的所述产品的质量的变化量来推测所述产品在利用所述检查设备进行的检查中合格的概率,并根据在所述检查中合格的概率来推测具有在利用所述检查设备进行的检查中合格的质量的所述产品的收获率。
3.根据权利要求2所述的制造条件最优化装置,其中,
所述制造条件最优化装置还具备回归模型生成部,
所述回归模型生成部根据过去的所述制造条件的变化量与该制造条件的变化量下的所述产品的质量的变化量的对应数据,生成根据所述制造条件的变化量来推测所述产品的质量的变化量的回归模型,
所述质量变化量推测部使用所述回归模型,根据所述制造条件的变化量来推测所述产品的质量的变化量。
4.根据权利要求3所述的制造条件最优化装置,其中,
所述回归模型是广义线性模型、高斯过程回归模型或者神经网络模型。
5.根据权利要求1所述的制造条件最优化装置,其中,
所述最优化处理部利用不使用导数的最优化算法、局部搜索法、退火法、禁忌搜索法以及遗传性算法中的至少一个来计算所述收获率成为最大的所述制造条件的变化量。
6.根据权利要求2所述的制造条件最优化装置,其中,
所述收获率推测部在根据所述质量的变化量来推测所述产品在利用所述检查设备进行的检查中合格的概率时,根据最近制造的预定数量的产品的质量来推测所述产品在利用所述检查设备进行的检查中合格的概率。
7.根据权利要求2所述的制造条件最优化装置,其中,
所述收获率推测部根据所述产品的质量的变化量来求出该产品的质量的概率分布,并根据该概率分布来推测该产品在利用所述检查设备进行的检查中合格的概率。
8.根据权利要求7所述的制造条件最优化装置,其中,
所述概率分布是正态分布、二项分布或者泊松分布。
9.一种程序,用于使计算机作为权利要求1~8中的任意一项所述的制造条件最优化装置发挥功能。
10.一种制造条件最优化方法,是制造条件最优化装置的制造条件最优化方法,执行:
在使利用制造设备制造产品的制造条件变化时,推测具有在利用检查设备进行的检查中合格的质量的所述产品的收获率的步骤;以及
计算所述收获率成为最大的所述制造条件的变化量的步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021-006500 | 2021-01-19 | ||
JP2021006500 | 2021-01-19 | ||
PCT/JP2021/039329 WO2022158066A1 (ja) | 2021-01-19 | 2021-10-25 | 製造条件最適化装置、プログラムおよび製造条件最適化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116806329A true CN116806329A (zh) | 2023-09-26 |
Family
ID=82548707
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180090647.6A Pending CN116806329A (zh) | 2021-01-19 | 2021-10-25 | 制造条件最优化装置、程序以及制造条件最优化方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20240077854A1 (zh) |
JP (1) | JPWO2022158066A1 (zh) |
CN (1) | CN116806329A (zh) |
WO (1) | WO2022158066A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08305763A (ja) * | 1995-04-28 | 1996-11-22 | Nippon Steel Corp | 生産計画作成方法 |
JP2012226511A (ja) * | 2011-04-19 | 2012-11-15 | Hitachi Ltd | 歩留まり予測システムおよび歩留まり予測プログラム |
JP7062577B2 (ja) * | 2018-11-21 | 2022-05-06 | 株式会社日立製作所 | 製造条件特定システムおよび方法 |
JP7274330B2 (ja) * | 2019-03-29 | 2023-05-16 | 株式会社カネカ | 製造システム、情報処理方法、および製造方法 |
-
2021
- 2021-10-25 JP JP2022576979A patent/JPWO2022158066A1/ja active Pending
- 2021-10-25 WO PCT/JP2021/039329 patent/WO2022158066A1/ja active Application Filing
- 2021-10-25 CN CN202180090647.6A patent/CN116806329A/zh active Pending
- 2021-10-25 US US18/261,314 patent/US20240077854A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2022158066A1 (ja) | 2022-07-28 |
JPWO2022158066A1 (zh) | 2022-07-28 |
US20240077854A1 (en) | 2024-03-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | A weighted hidden Markov model approach for continuous-state tool wear monitoring and tool life prediction | |
Huang et al. | Quality relevant and independent two block monitoring based on mutual information and KPCA | |
Auret et al. | Empirical comparison of tree ensemble variable importance measures | |
JP6711323B2 (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
US20210374634A1 (en) | Work efficiency evaluation method, work efficiency evaluation apparatus, and program | |
EP3933514A1 (en) | Control device, control method, and control program | |
JP2020198092A (ja) | 教師なし異常検出及び高次元センサデータの多数決投票による原因説明のための方法及びシステム | |
CN116400161B (zh) | 激光器的设备校准方法、装置、设备及存储介质 | |
Lee et al. | In-line predictive monitoring framework | |
Alvarez et al. | Batch process monitoring in the original measurement's space | |
CN116806329A (zh) | 制造条件最优化装置、程序以及制造条件最优化方法 | |
JP2018113027A (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
CN111142488B (zh) | 基于工况比对驱动的流程工业优化方法 | |
CN116227673A (zh) | 一种基于加氢裂化装置的自适应温度预警方法及系统 | |
Zhang et al. | A comparison of different statistics for detecting multiplicative faults in multivariate statistics-based fault detection approaches | |
EP4102322A1 (en) | Prediction device, prediction method, and program | |
Miletic et al. | Results analysis for real-time optimization (RTO): Deciding when to change the plant operation | |
Cogollo Florez et al. | Estimating Process Capability Indices for Inaccurate and Non-Normal Data: A Systematic Literature Review. | |
JP2011145905A (ja) | 予測関数生成装置、方法、及び、プログラム | |
CN113807606B (zh) | 可解释集成学习的间歇过程质量在线预测方法 | |
US20240004355A1 (en) | System and Method for Building and Deploying Prescriptive Analytics to Predict and Control End Product Quality in Batch Production Monitoring and Optimization | |
CN117272844B (zh) | 配电盘工作寿命的预测方法及系统 | |
Okoro et al. | An approach to reliability analysis of aircraft systems for a small dataset | |
US20230056329A1 (en) | Control apparatus, control method, and program | |
EP4102421A1 (en) | Prediction apparatus, prediction method, and program |
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 |