-
Hintergrund der Erfindung
-
Gebiet der Erfindung
-
Die Erfindung bezieht sich auf Informationsverarbeitungsverfahren, Informationsverarbeitungsgeräte und Programme.
-
Beschreibung des Standes der Technik
-
Eine Informationsverarbeitungstechnik, die in dem Stand der Technik bekannt ist, enthält eine Durchführung von Bestimmungen und Klassifikationen mit computerbasierten Maschinenlernen. Ein Beispiel einer solchen Technik enthält eine Bestimmung, ob jedes Produkt, das produziert ist, nicht defekt oder defekt ist, um die Produkte zu klassifizieren. Eine übliche Technik, um Bestimmung mit einem Computer zu machen, enthält eine Erzeugung eines Lernmodells durch Durchführen von Maschinenlernen mit Nicht-Defekt-Produktdaten und Defekt-Produktdaten als Lehrdaten, die vorher erhalten sind. Produkte können verschiedene Typen (oder Arten) von Defekten erleiden. Dies macht es notwendig, als Lehrdaten Defekt-Produktdaten für jeden Defekttyp zu nutzen, um eine Bestimmung für jeden Defekttyp zu machen. 6 ist ein Konzeptschaubild, das Räume aufzeigt, die die Merkmale von Nicht-Defekt-Produktdaten und Defekt-Produktdaten für jeden Defekttyp repräsentieren. Wie in 6 aufgezeigt ist, sind Bestimmungsgrenzen zwischen den Räumen, die die Merkmale der Nicht-Defekt-Produktdaten und der Defekt-Produktdaten für jeden Defekttyp repräsentieren, definiert, um die Nicht-Defekt-Produktdaten und die Defekt-Produktdaten für jeden Defekttyp zu gruppieren. Die folgende Beschreibung basiert auf der Annahme, dass die Defekttypen einen „Defekt 1“, einen „Defekt 2“ und eine „Defekt 3“ enthalten.
-
Falls Produktdaten, die inspiziert werden sollen, erhalten sind, sind die Produktdaten in das erzeugte Lernmodell in der Form von Eingabedaten eingegeben. Die Produktdaten sind somit in Gruppen gemäß Merkmalähnlichkeit klassifiziert, so dass jede Gruppe die Produktdaten, die sehr ähnliche Merkmale haben, enthält. Bezogen auf das Konzeptschaubild von
6 enthält eine solche Klassifikation eine Bestimmung, zu welchen Bereichen oder Gruppen, (welche durch die Bestimmungsgrenzen definiert sind), die Produktdaten, die inspiziert werden sollen, gehören. Die
japanische Patentanmeldungsveröffentlichung Nr. 2010-140444 (
JP 2010-140444 A ) offenbart eine Technik, um Maschinenlärm durchzuführen und Bestimmungen mit einem Computer durchzuführen.
-
In 6 enthalten die Defekttypen für die Defekt-Produktdaten den „Defekt 1“, den „Defekt 2“ und den „Defekt 3“ und die Defekt-Produktdaten haben verschiedene Merkmale gemäß dem Defekttyp. Wie vorher aufgeführt, enthält das informationsverarbeitungsverfahren, das im Stand der Technik bekannt ist, ein Definieren der Bestimmungsgrenzen zwischen den Räumen, die die Merkmale der Nicht-Defekt-Produktdaten und der Defekt-Produktdaten für jeden Defekttyp repräsentieren. Mit anderen Worten definieren die Bestimmungsgrenzen die Räume, die jeweils die Produktdaten, die sehr ähnliche Merkmale haben, enthalten. Wie durch z. B. den Pfeil E in 6 aufgezeigt, können die Merkmale der Zielproduktdaten eine Grenze B1 zwischen dem Raum des Defekts 1 und dem Raum der Nicht-Defekt-Produktdaten überbrücken. In diesem Fall sind Produktdaten, die solche Merkmale haben, bestimmt, entweder Defekt-Produktdaten, die den Defekt 1 haben oder Nicht-Defekt-Produktdaten zu sein.
-
Wenn die Produktdaten, die die Merkmale, die durch den Pfeil E angezeigt sind, haben, bestimmt sind Defekt-Produktdaten eines neuen (oder unbekannten) Defekttyps zu sein, der sich von dem Defekt 1 unterscheidet, ist diese Bestimmung jedoch unzutreffend. Angenommen dass, obwohl die Zielproduktdaten tatsächlich Defekt-Produktdaten sind, die Merkmale dieser Daten ähnlicher zu den Merkmalen der Nicht-Defekt-Produktdaten sind als zu den Merkmalen der Defekt-Produktdaten, die den bekannten Defekt 1 haben. In solch einem Fall bestimmt das Informationsverarbeitungsverfahren, das in dem Stand der Technik bekannt ist, unglücklicherweise, dass diese Defekt-Produktdaten Nicht-Defekt-Produktdaten sind.
-
Zusammenfassung der Erfindung
-
Eine Aufgabe der Erfindung ist es, ein Informationsverarbeitungsverfahren, ein Informationsverarbeitungsgerät und ein Programm bereitzustellen, die wenn Zielproduktdaten Daten über ein defektes Produkt enthalten, das einen unbekannten Defekt hat, in der Lage sind, zu bestimmen, dass diese Daten Daten über ein defektes Produkt sind, das einen unbekannten Defekt hat.
-
Ein Informationsverarbeitungsverfahren gemäß einem Aspekt der Erfindung enthält ein Lernverfahren, ein Berechnungsverfahren und ein Bestimmungsverfahren. Das Lernverfahren enthält eine Erzeugung eines Nicht-Defekt-Produkt-Lernmodells durch Durchführen von Maschinenlernen mit Nicht-Defekt-Produktdaten als Lehrdaten und eine Erzeugung eines Defekt-Produkt-Lernmodells für jeden Defekttyp durch Durchführen von Maschinenlernen für jeden Defekttyp mit Defekt-Produktdaten als Lehrdaten. Das Berechnungsverfahren enthält eine Berechnung einer Wahrscheinlichkeit eines nicht defekten Produkts aus Ausgangsdaten, die mit dem Nicht-Defekt-Produkt-Lernmodell berechnet sind, in welches Zielproduktdaten eingegeben sind und eine Berechnung einer Wahrscheinlichkeit eines defekten Produkts für jeden Defekttyp aus Ausgangsdaten, die mit dem Defekt-Produkt-Lernmodell berechnet sind, in welches die Zielproduktdaten eingegeben sind. Das Bestimmungsverfahren enthält eine Bestimmung, dass die Zielproduktdaten Daten über ein defektes Produkt sind, das einen unbekannten Defekt hat, wenn die Wahrscheinlichkeit eines nicht defekten Produktes und die Wahrscheinlichkeit eines defekten Produktes für jeden Defekttyp, die durch das Berechnungsverfahren berechnet sind, eine wahrscheinlichkeitsbezogene vorbestimmte Anforderung erfüllen.
-
Figurenliste
-
Die vorangegangenen und zusätzlichen Merkmale und Vorteile der Erfindung werden ersichtlich werden aus der folgenden Beschreibung von Beispielausführungsformen mit Bezug zu den begleitenden Zeichnungen, wobei gleiche Bezugszeichen benutzt sind, um gleiche Elemente zu repräsentieren, wobei:
- 1 ein Blockschaubild ist, das schematisch eine Beispielhardwarekonfiguration eines Informationsverarbeitungsgeräts aufzeigt;
- 2 ein Schaubild ist, das eine Softwarekonfiguration des Informationsverarbeitungsgeräts aufzeigt;
- 3 ein Flussdiagramm ist, das schematisch Prozessschritte aufzeigt, die durch einen Berechner und einen Bestimmer durchgeführt werden sollen;
- 4 ein Flussdiagramm eines Informationsverarbeitungsverfahrens ist;
- 5A, 5B und 5C Konzeptschaubilder sind, die jeweils einen Raum, der Merkmale repräsentiert, aufzeigt; und
- 6 ein Konzeptschaubild einer beispielhaften Technik ist, die in dem Stand der Technik bekannt ist, die Räume aufzeigt, die Merkmale repräsentieren.
-
Detaillierte Beschreibung der Ausführungsbeispiele
-
1 ist ein Blockschaubild, das schematisch eine Beispielshardwarekonfiguration eines Informationsverarbeitungsgeräts 10 gemäß einem Ausführungsbeispiel der Erfindung aufzeigt. Das Informationsverarbeitungsgerät 10 gemäß dem vorliegenden Ausführungsbeispiel ist in einem Inspektionsschritt einer Produktionslinie für Produktebenutzung benutzt. Beispiele der Produkte enthalten nicht nur eine Komponente, so wie einen Lagerring für ein Wälzlager, sondern auch eine Baugruppe, die aus einer Mehrzahl von Komponenten gemacht ist. Beispiele von solch einer Baugruppe enthalten ein Lenksystem (wie eine elektrische Servolenkung) und ein Wälzlager.
-
Wenn die Produkte Baugruppen sind, enthält der Inspektionsschritt ein Betreiben (oder Rotieren) jedes Produkts und ein Messen von Vibrationen (oder Geräuschen) von jedem Produkt mit einem Sensor 7, der in Kontakt mit einem Abschnitt des Produkts gebracht ist. Das Informationsverarbeitungsgerät 10 erhält Daten, die von den Messungen, die durch den Sensor 7 gemacht sind, resultieren, in der Form von Produktdaten. Ungeachtet davon, ob die Produkte Komponenten oder Baugruppen sind, kann der Inspektionsschritt ein Aufnehmen eines Bildes von jedem Produkt mit einer Kamera 8 enthalten, um eine visuelle Inspektion durchzuführen. In diesem Fall erhält das Informationsverarbeitungsgerät 10 Daten von Bildern, die mit der Kamera 8 aufgenommen sind, in der Form von Produktdaten. Produktdaten können somit Vibrationsdaten oder Bilderdaten (z. B. externe Bilderdaten) sein. Alternativ können Produktdaten verarbeitete Daten sein, die durch Verarbeiten von Vibrationsdaten (welche Rohdaten sind), die mit dem Sensor 7 enthalten sind, bereitgestellt sind, oder verarbeitete Daten, die durch Verarbeiten von Bilderdaten (welche Rohdaten sind), die mit der Kamera 8 erhalten sind, bereitgestellt sind, sein. Beispiele von solchen verarbeiteten Daten enthalten Frequenzdaten, die durch Durchführen einer Analyse (z. B. einer Fourieranalyse) mit Vibrationsdaten, die Zeitreihendaten sind, die mit dem Sensor 7 erhalten sind, erzeugt sind. Alternativ können verarbeitete Daten Bilderanalysedaten sein, die durch Durchführen einer Bilderanalyse mit Daten von aufgenommenen Bildern erhalten sind. Die Benutzung von Vibrationsdaten ermöglicht es, dem Informationsverarbeitungsgerät 10 eine betriebliche Inspektion der Produkte durchzuführen. Die Benutzung von Bilderdaten erlaubt es dem Informationsverarbeitungsgerät 10, eine visuelle Inspektion der Produktdaten durchzuführen.
-
Das Informationsverarbeitungsgerät 10 hat die Funktion einer Bestimmung, ob jedes Produkt, das in der Produktlinie produziert ist, nicht defekt oder defekt ist, eine Bestimmung des Defekttpys (oder Kategorie) für jedes defekte Produkt und eine Bestimmung von unbekannten Defekten/einem unbekannten Defekt. Die folgende Beschreibung basiert auf der Annahme, dass die Produkte Lenksysteme sind und Vibrationsdaten als Produktdaten benutzt werden. Beispiele bezogen auf Defekttypen in diesem Fall enthalten einen Defekt in einem spezifischen Zahnradabschnitt und einen Defekt in einem spezifischen Lagerabschnitt. Ein Betreiben von Lenksystemen, die solche Defekte haben, erzeugt Vibrationen, die verschiedene Frequenzkomponenten haben. Da die Frequenzkomponenten Charakteristiken haben, ist das Informationsverarbeitungsgerät 10 in der Lage, den Defekttyp auf der Basis der Charakteristiken der Frequenzkomponenten zu bestimmen. Wenn Bilddaten als Produktdaten benutzt sind, sind Schatten, die z. B. aus einem Fehler resultieren, in Daten konvertiert und das Informationsverarbeitungsgerät 10 ist in der Lage, den Defekttyp auf der Basis dieser Daten zu bestimmen.
-
Die Konfiguration des Informationsverarbeitungsgeräts 10 wird beschrieben werden. Das Informationsverarbeitungsgerät 10 enthält eine zentrale Verarbeitungseinheit (CPU) 11, einen Arbeitsspeicher 12, einen Datenspeicher 13, ein Display 14, eine Eingabeeinheit 15 und eine Kommunikationseinheit 16. Der Arbeitsspeicher 12 enthält einen Nur-Lesen-Speicher (ROM) und einen Direktzugriffsspeicher (RAM). Der Datenspeicher 13 ist ein Festdatenlaufwerk. Die CPU 11 liest ein Programm (z. B. ein Computerprogramm), das in dem Arbeitsspeicher 12 oder dem Datenspeicher 13 gespeichert ist, um verschiedene Prozesse auszuführen. Der Datenspeicher 13 speichert verschiedene Stücke von Informationen, so wie Daten, die von dem Sensor 7 erhalten sind, Daten (d. h. Produkttaten), die durch Verarbeitung der Daten, die durch den Sensor 7 erhalten sind, erhalten wurden, verschiedene Grenzwerte, Lernmodelle (welche unten beschrieben werden) und das Programm. Das Informationsverarbeitungsgerät 10 enthält verschiedene funktionale Einheiten (welche unten beschrieben werden). Die CPU 11 liest das Programm, das in dem Arbeitsspeicher 12 oder dem Datenspeicher 13 gespeichert ist und führt das Programm aus, so dass verursacht ist, dass jede funktionale Einheit ihre Funktion ausführt.
-
Eine Informationsverarbeitung, die durch das Informationsverarbeitungsgerät 10 ausgeführt ist, erlaubt eine Inspektion der Produkte (z.B. der Lenksysteme). Eine Inspektion der Produkte (d. h. ein Inspektionsschritt) ist in der Produktionslinie, um die Produkte zu produzieren, enthalten. Produktarten, die für nicht-defekte Produkte erhalten sind, werden als „Nicht-Defekt-Produktdaten“ bezeichnet werden. Produktdaten, die für defekte Produkte erhalten sind, werden als „Defekt-Produktdaten“ bezeichnet werden. Die Produkte können verschiedene Typen (oder Arten) von Defekten haben. Um unter einer Mehrzahl von bekannten Defekttypen zu unterscheiden, werden die Defekttypen im Nachfolgenden sequentiell wie folgt nummeriert: Ein Defekt 1, ein Defekt 2, ..., und ein Defekt n (wobei n eine ganze Zahl ist). In diesem Fall ist die Anzahl von Defekttypen n. Der Defekt 1, der Defekt 2, ..., und der Defekt n sind jeweils ein bekannter Defekt. Im Lauf der Produktion der Produkte können andere „unbekannte Defekte“ als die bekannten Defekte auftreten. Die bekannten Defekte sind Defekte, mit welchen Maschinenlernen durch das Informationsverarbeitungsgerät 10 ausgeführt ist, wie unten beschrieben, aber die unbekannten Defekte sind Defekte, mit welchen kein Maschinenlernen durch das Informationsverarbeitungsgerät 10 ausgeführt ist.
-
2 ist ein Diagramm, das eine Softwarekonfiguration des Informationsverarbeitungsgeräts 10 aufzeigt. Die funktionalen Einheiten des Informationsverarbeitungsgeräts 10 enthalten einen Lerner 21, einen Berechner 22 und einen Bestimmer 23. Wie vorher erläutert, führt die CPU 11 das Programm aus, um zu verursachen, dass diese funktionalen Einheiten ihre Funktion ausführen. Insbesondere ist das Programm ein Programm, um zu verursachen, dass ein Computer als der Lerner 21, der Berechner 22 und der Bestimmer 23 arbeitet. Das Programm kann in irgendeinem von verschiedenen Speichern gespeichert sein. Diese funktionalen Einheiten werden unten beschrieben.
-
Der Lerner 21 hat die Funktion einer Erzeugung von Lernmodellen. Der Lerner 21 führt Maschinenlernen aus, um ein Nicht-Defekt-Produkt-Lernmodell und Defekt-Produkt-Lernmodelle, die sich von dem Nicht-Defekt-Produkt-Lernmodell unterscheiden, zu erzeugen. In dem folgenden Ausführungsbeispiel ist die Anzahl von bekannten Defekten zwei oder mehr, wie vorher erläutert. Der Lerner 21 erzeugt somit das Defekt-Produkt-Lernmodell für jeden Defekttyp. Zum Beispiel, angenommen, dass die Anzahl von bekannten Defekten drei ist (d. h. angenommen, dass die bekannten Defekte der Defekt 1, der Defekt 2 und der Defekt 3 sind). In diesem Fall erzeugt der Lerner 21 drei Defekt-Produkt-Lernmodelle (d. h. ein Defekt-Produkt-Lernmodell M1, ein Defekt-Produkt-Lernmodell M2 und ein Defekt-Produkt-Lernmodell M3). Wenn n eine ganze Zahl gleich oder größer als eines ist, wird das Defekt-Produkt-Lernmodell für den Defekt n bezeichnet als ein „Defekt-Produkt-Lernmodell Mn“.
-
Um das nicht-Defekt-Produkt-Lernmodell zu erzeugen, führt der Lerner 21 Maschinenlernen mit Nicht-Defekt-Produktdaten als Lehrdaten aus. Um das Defekt-Produkt-Lernmodell Mn (n ist eine Ganzzahl) für jeden Defekttyp zu erzeugen, führt der Lerner 21 für jeden Defekttyp Maschinenlernen mit Defekt-Produktdaten als Lehrdaten aus. Informationen von „Nicht-Defekt-Produktkennzeichnungen“, die jeweils in der Form einer Lehrkennzeichnung bereitgestellt sind, sind mit (oder angebracht an) den Nicht-Defekt-Produktdaten, die beim Maschinenlernen zur Erzeugung des Nicht-Defekt-Produkt-Lernmodells benutzt sind, verbunden. Informationen auf „Defekt-Produktkennzeichnung“ die jeweils in der Form einer Lehrkennzeichnung bereitgestellt sind, sind mit (oder angebracht an) den Defekt-Produktdaten, die beim Maschinenlernen zur Erzeugung der Defekt-Produkt-Lernmodelle benutzt sind, verbunden. Die Defekt-Produkt-Kennzeichnungen unterscheiden sich für jeden Defekttyp und sind jeweils mit Defekt-Produktdaten verbunden.
-
Ein Algorithmus, durch welchen der Lerner 21 Maschinenlernen ausführt, (d. h. Defekt-Produkt-Lernen), mit Defekt-Produktdaten als Lehrdaten für jeden Defekttyp ist identisch zu einem Algorithmus, durch welchen der Lerner 21 Maschinenlernen durchführt (d. h. Nicht-Defekt-Produkt-Lernen) mit Nicht-Defekt-Produktdaten als Lehrdaten. Dementsprechend erzeugt der Lerner 21 das Nicht-Defekt-Produkt-Lernmodell basierend auf den Nicht-Defekt-Produktdaten und erzeugt für jeden Defekttyp das Defekt-Produkt-Lernmodell basierend auf den Defekt-Produktdaten.
-
Beispiele eines Lernmodells, das durch den Lerner 21 benutzt ist, enthalten einen variablen Auto Encoder (oder VAE). Nicht-Defekt-Produktdaten sind in das VAE-Lernmodell eingegeben und Lernen ist durchgeführt, um das Nicht-Defekt-Produkt-Lernrnodell zu erzeugen, das Parameter enthält, durch welche nicht defekte Produkte kennengelernt werden. Das Nicht-Defekt-Produkt-Lernmodell lernt, um nach Erhalten von Nicht-Defekt-Produktdaten eine Ausgabe bereitzustellen, die die Nicht-Defekt-Produktdaten reproduziert. Defekt-Produktdaten für jeden Defekttyp sind in das VAE-Lernmodell eingegeben und Lernen ist durchgeführt, um die Defekt-Produkt-Lernmodelle zu erzeugen, die Parameter enthalten, durch welche defekte Produkte kennengelernt werden. Somit erzeugt der Lerner 21 das Nicht-Defekt-Produkt-Lernmodell durch Durchführen von Maschinenlernen mit Nicht-Defekt-Produktdaten als Lehrdaten und erzeugt das Defekt-Produkt-Lernmodell für jeden Defekttyp durch Durchführen von Maschinenlernen für jeden Defekttyp mit Defekt-Produktdaten als Lehrdaten. Das Nicht-Defekt-Produkt-Lernmodell, das erzeugt ist, und das Defekt-Produkt-Lernmodell, das für jeden Defekttyp erzeugt ist, sind in dem Datenspeicher 13 gespeichert.
-
3 ist ein Flussdiagramm, das schematisch Prozessschritte aufzeigt, die durch den Berechner 22 und den Bestimmer 23 durchgeführt werden sollen. Wenn die Produkte von der Produktionslinie produziert werden, wird ein Inspektionsschritt ausgeführt werden. Der Inspektionsschritt involviert ein Akquirieren von Daten der Produkte (d. h. Produktdaten) mit dem Sensor 7 (s. 1). Dieser Prozess korrespondiert mit Schritt S10 in 3. Die Produktdaten, die inspiziert werden sollen, sind sequentiell in dem Datenspeicher 13 des Informationsverarbeitungsgeräts 10 gespeichert. Der Berechner 22 gibt jedes Stück der Produktdaten in alle Lernmodelle, die durch den Lerner 21 erzeugt sind, (d. h., das Nicht-Defekt-Produktdaten-Lernmodell und das Defekt-Produkt-Lernmodell für jeden Defekttyp) ein, um Ausgangsdaten zu akquirieren, die von jedem Lernmodel bereitgestellt sind. In Übereinstimmung mit den Ausgangsdaten führt der Bestimmer 22 den Prozess einer Bestimmung aus, ob jedes Stück der Produktdaten einem nicht defekten Produkt entspricht oder irgendeinem von dem Defekt 1, ... und dem Defekt n entspricht. Dieser Prozess wird bezeichnet als ein „Individualbestimmungsprozess“. Der Individualbestimmungsprozess korrespondiert mit Schritt S20, Schritt S21 ... in 3. In Übereinstimmung mit den Ergebnissen des Individualbestimmungsprozesses führt der Bestimmer 23 den Prozess einer Bestimmung aus, ob Zielproduktdaten mit einem nicht defekten Produkt korrespondieren, mit irgendeinem von dem bekannten Defekt 1 ... und dem Defekt n korrespondieren oder mit einem unbekannten Defekt korrespondieren. Dieser Prozess korrespondiert mit Schritt S30 in 3.
-
Spezifische Beispiele von Prozessen, die durch den Berechner 22 ausgeführt werden, werden beschrieben werden. Der Berechner 22 berechnet einen Bestimmungswert, der eine Differenz zwischen den Produktdaten (welche Eingabedaten sind) und den Ausgangsdaten ist. Die Differenz ist eine mittlere quadratische Abweichung. In dem vorliegenden Ausführungsbeispiel sind Daten des Defekts 1 in das Defekt-Produkt-Lernmodell M1 für den Defekt 1 eingegeben, und dann gibt das Defekt-Produkt-Lernmodell M1 Daten aus, die die Daten des Defekts 1 reproduzieren. Der Bestimmungswert ist somit klein, wenn die Daten des Defekts 1 in das Defekt-Produkt-Lernmodell M1 eingegeben sind. Angenommen, dass andere Daten als die Daten des Defekts 1 (z. B. Daten des Defekts 2) in das Defekt-Produkt-Lernmodell M1 eingegeben sind. In diesem Fall ist der Bestimmungswert größer als der berechnete, wenn die Daten des Defekts 1 in das Defekt-Produkt-Lernmodell M1 eingegeben sind. Der Berechner 22 konvertiert den berechneten Bestimmungswert in eine Wahrscheinlichkeit. Die Wahrscheinlichkeit ist ein Indikator einer Eintrittswahrscheinlichkeit. Die Wahrscheinlichkeit des Defekts 1 zum Beispiel ist ein Indikator der „Eintrittswahrscheinlichkeit, der Defekt 1 zu sein“. Die Wahrscheinlichkeit des Defekts 1 ist somit hoch, wenn der Bestimmungswert für den Defekt 1 (oder der Fehler) klein ist. Dementsprechend, wenn der Bestimmungswert für Produktdaten, die in das Defekt-Produkt-Lernmodell Mn für den Defekt n eingegeben sind, klein ist (d. h., wenn die Wahrscheinlichkeit des Defekts n hoch ist), sind die Produktdaten bestimmt Daten über ein defektes Produkt, das den Defekt n hat. Wenn der Bestimmungswert für Produktdaten, die in das Nicht-Defekt-Produkt-Lernmodell eingegeben sind, klein ist (d. h., wenn die Wahrscheinlichkeit eines nicht defekten Produkts hoch ist), sind die Produktdaten bestimmt, Nicht-Defekt-Produktdaten zu sein.
-
Der Berechner 22 kalkuliert somit die Wahrscheinlichkeit eines nicht defekten Produkts mit Ausgangsdaten, die mit dem Nicht-Defekt-Produkt-Lernmodell berechnet sind, in welches Zielproduktdaten eingegeben sind. Der Berechner 22 berechnet zusätzlich für jeden Defekttyp die Wahrscheinlichkeit eines defekten Produkts mit Ausgangsdaten, die mit dem zugeordneten Defekt-Produkt-Lernmodell Mn (n ist eine ganze Zahl) berechnet sind, in welches die Zielproduktdaten eingegeben sind. Die Wahrscheinlichkeiten (oder Bestimmungswerte), die berechnet sind, sind in dem Datenspeicher 13 gespeichert, so dass die Wahrscheinlichkeiten (oder Bestimmungswerte) gemäß dem Lernmodell, das benutzt ist, klassifiziert sind.
-
Der Prozess, der durch den Bestimmer 23 ausgeführt ist, wird beschrieben werden. Der Bestimmer 23 macht einen Vergleich zwischen der Wahrscheinlichkeit eines nicht defekten Produkts, das für die Zielproduktdaten durch den Berechner 22 berechnet wurde, und einem Grenzwert für nicht defekte Produkte. Der Bestimmer 23 hat zusätzlich die Funktion einer Durchführung des Prozesses eines Durchführens eines Vergleiches zwischen einer Wahrscheinlichkeit eines bekannten Defekts (sowie der Defekt 1, der Defekt 2, ... und der Defekt n) für die Produktdaten und einem Grenzwert für diesen bekannten Defekt. Der Bestimmer 23 hat zusätzlich die Funktion einer Bestimmung in Übereinstimmung mit den Ergebnissen dieser Vergleichsprozesse, ob die Produktdaten Nicht-Defekt-Produktdaten, bekannte Defekt-Produktdaten oder unbekannte Defekt-Produktdaten sind. Nach einer Bestimmung, dass die Produktdaten bekannte Defekt-Produktdaten sind, bestimmt der Bestimmer 23 den Defekttyp für diese bekannten Defekt-Produktdaten. Die Grenzwerte sind im Voraus gesetzt. Der Grenzwert für nicht-defekte Produkte kann verschieden oder der gleiche wie der Grenzwert für defekte Produkte sein. Die Grenzwerte für Defekte können sich für jeden Defekttyp unterscheiden oder der gleiche Grenzwert kann für alle Defekttypen benutzt werden. Wenn die Wahrscheinlichkeit des Defekts n größer ist als der Grenzwert für den Defekt n (d. h., wenn der Bestimmungswert für den Defekt n klein ist) für die Produktdaten, ist der Bestimmer 23 in der Lage, zu bestimmen (oder abzuschätzen), dass die Produktdaten Produktdaten des Defekts n sein können.
-
Der Bestimmer 23 bestimmt somit, ob die Wahrscheinlichkeit eines nicht defekten Produkts und die Wahrscheinlichkeit eines defekten Produkts für jeden Defekttyp, die durch den Berechner 22 berechnet sind, eine wahrscheinlichkeitsbezogene, vorbestimmte Anforderung erfüllt. In einem Beispiel, (welches unten beschrieben werden wird), bestimmt der Bestimmer 23, dass Zielproduktdaten Daten über ein defektes Produkt sind, das einen unbekannten Defekt hat, wenn die Wahrscheinlichkeit eines nicht defekten Produkts und die Wahrscheinlichkeit eines defekten Produkts für jeden Defekttyp, die durch den Berechner 22 berechnet sind, die wahrscheinlichkeitsbezogene „vorbestimmte Anforderung“ erfüllt. Wie hier benutzt, bezieht sich der Ausdruck „vorbestimmte Anforderung“ auf eine Anforderung, dass die Wahrscheinlichkeiten eines defekten Produkts für alle Defekte jeweils niedriger sein müssen, als der zugeordnete Defekt-Produkt-Grenzwert als ein Ergebnis des Vergleichs zwischen der Wahrscheinlichkeit und dem Grenzwert für jeden Defekttyp und dass die Wahrscheinlichkeit eines nicht defekten Produkts niedriger sein muss als der Nicht-Defekt-Produkt-Grenzwert. Die Prozesse, die durch den Bestimmer 23 ausgeführt werden, werden genauer mit Bezug auf ein Informationsverarbeitungsverfahren, das unten beschrieben ist, beschrieben.
-
Das Informationsverarbeitungsverfahren, das durch das Informationsverarbeitungsgerät 10, das konfiguriert ist, durchgeführt ist, wird beschrieben werden mit Bezug auf 4. Das Informationsverarbeitungsverfahren enthält als Erstes ein Durchführen eines Lernverfahrens und enthält dann ein Durchführen eines Berechnungsverfahrens und eines Bestimmungsverfahrens. In dem Lernverfahren führt der Lerner 21 Maschinenlernen aus. In dem Berechnungsverfahren führt der Berechner 22 Berechnungen in Übereinstimmung mit den Ergebnissen des Maschinenlernens aus. In dem Bestimmungsverfahren macht der Bestimmer 23 Bestimmungen in Übereinstimmung mit den Ergebnissen des Maschinenlernens.
-
Maschinenlernen, das durch den Lerner 21 ausgeführt werden soll, wird beschrieben werden. In Schritt S1 in 4 erzeugt der Lerner 21 das Defekt-Produkt-Lernmodell M1 durch Durchführen von Maschinenlernen mit Produktdaten (d. h. Defekt-Produktdaten für den Defekt 1) mit einer Defekt-Produktkennzeichnung für den Defekt 1 als eine Lehrkennzeichnung. Solch ein Defekt-Produkt-Lernmodell-Erzeugungsprozess ist wiederholt durchgeführt (z. B. n Mal), so dass das Defekt-Produkt-Lernmodell für jeden der bekannten Defekte erzeugt ist. Schritt S2 in 4 enthält somit eine Durchführung solch eines Defekt-Produkt-Lernmodells-Erzeugungsprozess für jeden der Defekttypen, um das Defekt-Produkt-Lernmodell für jeden Defekttyp zu erzeugen. In Schritt S9 in 4 erzeugt der Lerner 21 ein Nicht-Defekt-Produkt-Lernmodell durch Durchführen von Maschinenlernen mit Produktdaten (d. h. Nicht-Defekt-Produktdaten) mit Nicht-Defekt-Produktkennzeichnung als Lehrkennzeichnung. Ein Durchführen dieses Lehrverfahrens erzeugt das Defekt-Produkt-Lernmodell für jeden Defekttyp (d. h. die n-Defekt-Produkt-Lernmodelle) und das einzige Nicht-Defekt-Produkt-Lernmodell. Das Verfahren, das Schritt S1, Schritt S2 und Schritt S9 in 4 enthält, ist das Lernverfahren. Die Lehrkennzeichnungen sind entnommen und mit Produktdaten durch einen Betreiber verbunden.
-
Das Informationsverarbeitungsverfahren enthält eine Durchführung von Schritt S11, nachdem die Produkte von der Produktlinie produziert sind. In Schritt S11 sind Produktdaten Da für jedes Produkt, z. B. mit dem Sensor 7 (s. 1) erhalten. Der Arbeitsspeicher 12 oder der Datenspeicher 13 des Informationsverarbeitungsgeräts 10 enthält einen Speicherbereich, in dem Daten (oder Datenkonstellationen) gespeichert werden sollen. In Schritt S12 ist der Speicherbereich initialisiert, wenn der Berechner 22 ein einzelnes Stück von Produktdaten, das verarbeitet werden soll, enthält. In 4 ist der Speicherbereich repräsentiert als „ARRAY a []“. In der folgenden Beschreibung ist der Speicherbereich definiert als ein Array a [].
-
Der Berechner 22 gibt die Produktdaten Da (welche verarbeitet werden sollen) in einen arithmetischen Algorithmus ein, der das Defekt-Produkt-Lernmodell M1 für den Defekt 1, das durch den Lerner 21 erzeugt ist, benutzt, so dass der Berechner 22 Ausgangsdaten von dem arithmetischen Algorithmus akquiriert. In dem Schritt S22 berechnet der Berechner 22 für die Produktdaten Da eine Wahrscheinlichkeit p1 des Defektes 1 in Übereinstimmung mit den Ausgabedaten. Die Prozesse, die unten beschrieben sind, sind durch den Berechner 22 durchgeführt, solange nicht anders spezifiziert. In dem vorliegenden Ausführungsbeispiel berechnet der Berechner 22 eine Differenz zwischen den Eingangsproduktdaten Da und den Ausgangsdaten, um diese Differenz als einen Bestimmungswert zu definieren. Der Bestimmungswert ist konvertiert in die Wahrscheinlichkeit p1 des Defekts 1. In Schritt S22 macht der Bestimmer 23 einen Vergleich zwischen der Wahrscheinlichkeit p1 des Defekts 1 und einem Grenzwert t1 für den Defekt 1. Wenn das Ergebnis des Vergleichs anzeigt, dass die Wahrscheinlichkeit p1 des Defekts 1 gleich oder größer ist als der Grenzwert t1 (d. h., wenn die Antwort „JA“ in Schritt S22 ist), speichert der Bestimmer 23 die Differenz zwischen der Wahrscheinlichkeit p1 und dem Grenzwert t1 (welche repräsentiert ist mit „d1 - t1“) in dem Array a [] in Schritt S23. Wenn das Ergebnis des Vergleichs anzeigt, dass die Wahrscheinlichkeit p1 des Defekts 1 niedriger ist als der Grenzwert t1 (d. h., wenn die Antwort „NEIN“ in Schritt S25 ist), sind keine Daten in dem Array a [] gespeichert. Das Verfahren geht dann zu dem nächsten Schritt (d. h. Schritt S24).
-
Die Prozesse, die oben beschrieben sind, sind für jeden Defekttyp durchgeführt. Der Berechner 22 gibt die Produktdaten Da (welche verarbeitet werden sollen) in einen arithmetischen Algorithmus ein, der das Defekt-Produkt-Lernmodell Mn für den Defekt n benutzt, das durch den Lerner 21 erzeugt ist, so dass der Berechner 22 Ausgabedaten von dem arithmetischen Algorithmus akquiriert. In Schritt S24 berechnet der Berechner 22 für die Produktdaten Da eine Wahrscheinlichkeit tn des Defekts n in Übereinstimmung mit den Ausgabedaten. Der Berechner 22 berechnet zusätzlich eine Differenz zwischen den eingegebenen Produktdaten Da und den Ausgabedaten, um diese Differenz als einen Bestimmungswert zu definieren. Der Bestimmungswert ist in die Wahrscheinlichkeit pn des Defektes n konvertiert. In Schritt S25 macht der Bestimmer 23 einen Vergleich zwischen der Wahrscheinlichkeit pn des Defektes n und einem Grenzwert tn für den Defekt n. Wenn das Ergebnis des Vergleichs anzeigt, dass die Wahrscheinlichkeit pn des Defekts n gleich oder größer als der Grenzwert tn (d. h., wenn die Antwort „JA“ in Schritt S25 ist), ist, speichert der Bestimmer 23 die Differenz zwischen der Wahrscheinlichkeit pn und des Grenzwerts tn (welche repräsentiert ist mit „tn - tn“) in dem Array a [] in Schritt S26. Wenn das Ergebnis des Vergleichs anzeigt, dass die Wahrscheinlichkeit pn des Defektes n niedriger ist als der Grenzwert tn (d. h., wenn die Antwort „NEIN“ in Schritt S25 ist), sind keine Daten in dem Array a [] gespeichert. Das Verfahren geht dann zu dem nächsten Schritt.
-
Nachdem die Produktdaten Da für alle Defekttypen verarbeitet sind, bestimmt der Bestimmer 23, ob irgendwelche Daten in dem Array a [] in Schritt S27 gespeichert sind. Wenn Daten in dem Array a [] gespeichert sind, (d. h. wenn die Antwort „JA“ in Schritt S27 ist), extrahiert der Bestimmer 23 von dem Array a [] den Defekttyp, der die Differenz maximiert. In Schritt S28 bestimmt der Bestimmer 23, dass der extrahierte Defekttyp der Defekttyp für die Produktdaten Da ist, die verarbeitet werden sollen.
-
Wenn keine Daten in dem Array a [] gespeichert sind (d. h. wenn die Antwort „NEIN“ in Schritt S27 ist), geht das Verfahren zu dem nächsten Schritt (d. h. Schritt S29). In Schritt S29 gibt der Berechner 22 die Produktdaten Da (welche verarbeitet werden sollen) in einen arithmetischen Algorithmus ein, der das Nicht-Defekt-Produkt-Lernmodell, das durch den Lerner 21 erzeugt ist, benutzt, so dass der Berechner 22 Ausgabedaten von dem arithmetischen Algorithmus akquiriert. In Schritt S29 berechnet der Berechner 22 eine Wahrscheinlichkeit p0 eines nicht defekten Produkts in Übereinstimmung mit den Ausgabedaten. Die Prozesse, die unten beschrieben sind, sind durch den Berechner 22 ausgeführt, solange nicht anders spezifiziert. In dem vorliegenden Ausführungsbeispiel berechnet der Berechner 22 eine Differenz zwischen den Eingabeproduktdaten Da und den Ausgabedaten, um diese Differenz als einen Bestimmungswert zu definieren. Der Bestimmungswert ist in die Wahrscheinlichkeit p0 eines nicht defekten Produktes konvertiert. In Schritt S30 macht der Bestimmer 23 einen Vergleich zwischen der Wahrscheinlichkeit p0 eines nicht defekten Produkts und eines Grenzwerts t0 für ein nicht-defektes Produkt. Wenn das Ergebnis des Vergleichs anzeigt, dass die Wahrscheinlichkeit p0 eines nicht defekten Produkts gleich oder größer als der Grenzwert t0 ist, (d. h., wenn die Antwort „JA“ in Schritt S30 ist), bestimmt der Bestimmer 23 in Schritt S31, dass die Zielproduktdaten Da Nicht-Defekt-Produktdaten sind. Wenn das Ergebnis des Vergleichs anzeigt, dass die Wahrscheinlichkeit t0 eines nicht defekten Produkts niedriger ist als der Grenzwert t0 (d. h. wenn die Antwort „NEIN“ in Schritt S30 ist), bestimmt der Bestimmer 23 in Schritt S32, dass die Zielproduktdaten Da unbekannte Defekt-Produktdaten sind.
-
Der Bestimmer 23 bestimmt somit in Schritt S32, dass die Zielproduktdaten Da Daten über ein defektes Produkt sind, das einen unbekannten Defekt hat, wenn keine Daten in dem Array a [] gespeichert sind, (was bedeutet, dass die Antwort „NEIN“ in Schritt S27 ist), wobei die Wahrscheinlichkeit eines defekten Produkts für alle Defekte jeweils niedriger sind als der zugeordnete Defekt-Produkt-Grenzwert und die Wahrscheinlichkeit p0 eines Nicht defekten Produkts niedriger ist als der Grenzwert t0, (was bedeutet, dass die Antwort „NEIN“ in Schritt S30 ist).
-
Wie oben beschrieben, enthält das Informationsverarbeitungsverfahren gemäß dem vorliegenden Ausführungsbeispiel das Lernverfahren, das Rechnungsverfahren und das Bestimmungsverfahren. Der Berechnungsverfahren und das Bestimmungsverfahren sind für jedes Stück von Produktdaten durchgeführt und somit wiederholt ausgeführt.
-
Das Lernverfahren enthält in Schritt S9 in 4 eine Erzeugung des Nicht-Defekt-Produkt-Lernmodells durch Durchführen von Maschinenlernen mit Nicht-Defekt-Produktdaten als Lehrdaten und in Schritten S1 und S2 in 4 eine Erzeugung des Defekt-Produkt-Lernmodells für jeden Defekttyp durch Durchführen von Maschinenlernen für jeden Defekttyp mit Defekt-Produktdaten als Lehrdaten. Das Lernverfahren ist durch den Lerner 21 durchgeführt.
-
Das Berechnungsverfahren enthält in Schritt S29 eine Berechnung der Wahrscheinlichkeit p0 eines nicht defekten Produkts mit Ausgabedaten, die mit dem Nicht-Defekt-Produkt-Lernmodell, in welches die Zielproduktdaten Da eingegeben sind, berechnet sind und in Schritt S21 und S24 eine Berechnung der Wahrscheinlichkeit (p1, ..., pn) eines defekten Produkts für jeden Typ mit Ausgabedaten, die mit dem Defekt-Produkt-Lernmodell, in welches die Zielproduktdaten Da eingegeben sind, berechnet sind. Das Berechnungsverfahren ist durch den Berechner 22 durchgeführt.
-
In dem vorliegenden Ausführungsbeispiel enthält das Bestimmungsverfahren ein Durchführen eines Vergleichs zwischen der Wahrscheinlichkeit p0 eines nicht defekten Produkts und dem Nicht-Defekt-Produkt-Grenzwert t0 in Schritt S30 und ein Durchführen eines Vergleiches zwischen der Wahrscheinlichkeit (p1, ..., pn) eines defekten Produkts und dem defekt-Produkt-Grenzwert (t1, ..., tn) für jeden Defekttyp in den Schritten S22 und S25. Im Gegensatz zu dem Flussdiagramm, das in 4 aufgezeigt ist, kann ein Vergleich zwischen der Wahrscheinlichkeit (p1, ..., pn) eines defekten Produkts und dem Grenzwert (t1, ..., tn) gemacht werden, nachdem ein Vergleich zwischen der Wahrscheinlichkeit p0 eines nicht-defektes Produkts und dem Grenzwert t0 gemacht ist. In dem vorliegenden Ausführungsbeispiel ist jedoch ein Vergleich zwischen der Wahrscheinlichkeit p0 eines nicht defekten Produkts und des Grenzwerts t0 bevorzugt, nachdem ein Vergleich zwischen der Wahrscheinlichkeit (p1, ..., pn) eines defekten Produkts und dem Grenzwert (t1, ..., tn) für jeden Defekttyp gemacht ist, gemacht, wie durch das Flussdiagramm, das in 4 gezeigt ist, aufgezeigt ist. Das Bestimmungsverfahren ist durch den Bestimmer 23 durchgeführt.
-
Das Bestimmungsverfahren enthält eine Bestimmung in Schritt S32, dass die Zielproduktdaten Da Daten über ein defektes Produkt sind, das einen unbekannten Defekt hat, wenn die Wahrscheinlichkeit p0 eines nicht defekten Produkts und die Wahrscheinlichkeit (p1, ..., pn) eines defekten Produkts für jeden Defekttyp, die durch das Berechnungsverfahren berechnet sind, die wahrscheinlichkeitsbezogene „vorbestimmte Anforderung“ erfüllen. Insbesondere enthält das vorliegende Ausführungsbeispiel ein Durchführen eines Vergleichs zwischen der Wahrscheinlichkeit (p1, ..., pn) eines defekten Produkts und dem Defekt-Produkt-Grenzwert (t1, ..., tn) für jeden Defekttyp in den Schritten S22 und S25 und ein Durchführen eines Vergleichs zwischen der Wahrscheinlichkeit p0 eines nicht defekten Produkts und dem Nicht-Defekt-Produkt-Grenzwert t0 in Schritt S30. Der Bestimmer 23 bestimmt in Schritt S32, dass die Zielproduktdaten Da Daten über ein defektes Produkt sind, das einen unbekannten Defekt hat, wenn die Wahrscheinlichkeiten (p1, ..., pn) eines defekten Produkts für alle Defekte jeweils niedriger sind, als der zugeordnete Defekt-Produkt-Grenzwert (t1, ..., tn) als ein Ergebnis des Vergleichs für jeden Defekttyp und die Wahrscheinlichkeit p0 eines nicht defekten Produkts niedriger ist, als der Nicht-Defekt-Produkt-Grenzwert t0. Wie hierin benutzt, bezieht sich der Ausdruck „vorbestimmte Anforderung“ auf eine Anforderung, dass die Wahrscheinlichkeiten (p1, ..., pn) eines defekten Produkts für alle Defekte jeweils niedriger sein müssen, als der zugeordnete Defekt-Produkt-Grenzwert (t1, ..., tn) als ein Ergebnis des Vergleichs für jeden Defekttyp und die Wahrscheinlichkeit p0 eines nicht defekten Produkts muss niedriger sein als der Nicht-Defekt-Produkt-Grenzwert t0.
-
Wenn die Wahrscheinlichkeiten (p1, ..., pn) eines defekten Produkts für alle Defekte jeweils niedriger sind, als der zugeordnete Defekt-Produkt-Grenzwert (t1, ..., tn) als ein Ergebnis des Vergleichs für jeden Defekttyp, sind die Zielproduktdaten Da wahrscheinlich keine Daten über ein defektes Produkt, das einen bekannten Defekt hat. Wenn die Wahrscheinlichkeit p0 eines nicht defekten Produkts niedriger ist als der Nicht-Defekt-Produkt-Grenzwert t0, sind die Zielproduktdaten Da wahrscheinlich keine Daten über ein nicht defektes Produkt. Der Bestimmer 23 ist somit in der Lage, zu bestimmen, dass die Zielproduktdaten Da Daten über ein defektes Produkt sind, das einen unbekannten Defekt hat, wenn die vorbestimmte Anforderung erfüllt ist.
-
Wenn das Ergebnis des Vergleichs für jeden Defekttyp anzeigt, dass die Wahrscheinlichkeiten eines defekten Produkts gleich oder größer sind, als die Defekt-Produkt-Grenzwerte für eine Mehrzahl von Defekttypen, z. B. der Defekt 1 und der Defekt n (d. h., wenn p1 ≥ t1 und pn ≥ tn, was bedeutet, dass die Antwort in Schritt S22 und in Schritt S25 „JA“ ist), enthält das Bestimmungsverfahren eine Bestimmung, dass einer der Mehrzahl von Defekttypen, der die Differenz zwischen der Wahrscheinlichkeit und dem Defekt-Produkt-Grenzwert maximiert, der Defekttyp für die Zielproduktdaten Da ist. Zum Beispiel angenommen, dass die Differenz zwischen der Wahrscheinlichkeit p1 des Defekts 1 und dem zugeordneten Grenzwert t1 (welcher repräsentiert ist mit p1 - t1) α ist und die Differenz zwischen der Wahrscheinlichkeit pn des Defektes n und dem zugeordneten Grenzwert tn (welcher repräsentiert ist mit pn - tn) β ist. In diesem Fall bestimmt der Bestimmer 23, wenn α größer als β ist, dass die Zielproduktdaten Da Defektproduktdaten sind und der Defekttyp der „Defekt 1“ ist. Der Bestimmer 23 bestimmt, dass der Defekttyp der „Defekt 1“ ist, weil die Differenz (p1 - t1) in dem Array a [] gespeichert ist und die Differenz (p1 - t1) die maximale Differenz ist.
-
Wenn die Wahrscheinlichkeiten eines defekten Produkts für jeden Defekt gleich oder größer als die Defekt-Produkt-Grenzwerte sind und einer von einer Mehrzahl von Defekttypen die Differenz zwischen der Wahrscheinlichkeit und dem Defekt-Produkt-Grenzwert maximiert, ist dieser Defekttyp der wahrscheinlichste Defekttyp. Dementsprechend würde der Bestimmer 23 in der Lage sein, den einzigen wahrscheinlichen Defekttyp zu bestimmen, wenn die Wahrscheinlichkeiten der defekten Produkte gleich oder größer als die Defekt-Produkt-Grenzwerte für eine Mehrzahl von Defekttypen sind (z. B., wenn p1 ≥ t1 und pn ≥ tn).
-
Wenn das Ergebnis des Vergleichs für jeden Defekttyp in den Schritten S22 und S25 anzeigen, dass die Wahrscheinlichkeit eines defekten Produkts für einen der Defekttypen gleich oder größer als der zugeordnete Defekt-Produkt-Grenzwert ist, enthält das Bestimmungsverfahren eine Bestimmung, dass die Zielproduktdaten Da Daten über ein defektes Produkt sind, das diesen Defekttyp hat. Zum Beispiel angenommen, dass die Wahrscheinlichkeit p1 des Defektes 1 gleich oder größer als der zugeordnete Grenzwert t1 ist (was bedeutet, dass die Antwort „JA“ in Schritt S22 ist) und die Wahrscheinlichkeiten der anderen Defekte jeweils niedriger sind als die zugeordneten Grenzwerte. In diesem Fall sind nur Daten der Wahrscheinlichkeit p1 des Defektes 1 in dem Array a [] gespeichert. Der Bestimmer 23 bestimmt somit in Schritt S28, dass der Defekttyp der „Defekt 1“ ist. Folglich ist der Bestimmer 23 in der Lage, den einzigen wahrscheinlichsten Defekttyp zu bestimmen.
-
Das Bestimmungsverfahren enthält eine Bestimmung, dass die Zielproduktdaten Da Daten über ein nicht defektes Produkt sind, wenn das Ergebnis des Vergleichs für jeden Defekttyp anzeigt, dass die Wahrscheinlichkeiten (p1, ..., pn) eines defekten Produkts für alle Defekte jeweils niedriger ist als der zugeordnete Defekt-Produkt-Grenzwert (t1, ..., tn), was bedeutet, dass die Antwort „NEIN“ in den Schritten S22 und S25 ist und die Wahrscheinlichkeit p0 eines nicht defekten Produkts gleich oder größer ist, als der Nicht-Defekt-Produkt-Grenzwert t0, was bedeutet, dass die Antwort „JA“ in Schritt S30 ist. Mit anderen Worten sind die Zielproduktdaten Da wahrscheinlich keine Daten über ein defektes Produkt, das einen bekannten Defekt hat, wenn die Wahrscheinlichkeiten (p1, ..., pn) eines defekten Produkts für alle Defekte jeweils niedriger sind, als der zugeordnete Defekt-Produkt-Grenzwert (t1, ..., tn) als ein Ergebnis des Vergleichs für jeden Defekttyp. Wenn die Wahrscheinlichkeit p0 eines nicht defekten Produkts gleich oder größer als der Nicht-Defekt-Produkt-Grenzwert t0 ist, sind die Zielproduktdaten Da wahrscheinlich Daten über ein nicht defektes Produkt. Der Bestimmer 23 ist somit in der Lage, zu bestimmen, dass die Zielproduktdaten Da in diesem Fall Daten über ein nicht defektes Produkt sind.
-
Wie oben beschrieben, enthält das Lernverfahren des Informationsverarbeitungsverfahrens gemäß dem vorliegenden Ausführungsbeispiel eine Erzeugung des Defekt-Produkt-Lernmodells für jeden Defekttyp zusätzlich zum Erzeugen des Nicht-Defekt-Produkt-Lernmodells. Die 5A, 5B und 5C sind Konzeptdiagramme, die Räume aufzeigen, die Merkmale repräsentieren, die durch Durchführen des Lernverfahrens des vorliegenden Ausführungsbeispiels für Nicht-Defekt-Produktdaten und Defekt-Produktdaten für jeden Defekttyp erhalten sind. Eine Erzeugung des Nicht-Defekt-Produkt-Lernmodells durch Durchführen von Maschinenlernen (d. h. Nicht-Defekt-Produkt-Lernen) mit Nicht-Defekt-Produktdaten als Lehrdaten definiert eine Bestimmungsgrenze L0 in dem Raum, der die Merkmale repräsentiert, durch welche ein nicht-defektes Produkt bestimmt werden soll. Wie in 5A aufgezeigt, ist die Bestimmungsgrenze L0 nah an den Nicht-Defekt-Produktdaten gelegen, die zum Lernen benutzt sind, so dass nur die Nicht-Defekt-Produktdaten innerhalb der Bestimmungsgrenze L0 vorliegen. Ein Erzeugen des Defekt-Produkt-Lernmodells M1 durch Durchführen von Maschinenlernen (d. h. Defekt-Produkt-Lernen) mit Defekt-Produktdaten für den Defekt 1 als Lehrdaten definiert eine Bestimmungsgrenze L1 in dem Raum, der die Merkmale repräsentiert, durch welche der Defekt 1 bestimmt werden soll. Wie in 5B aufgezeigt, ist die Bestimmungsgrenze L1 nahe den Defekt-Produktdaten gelegen, die zum Lernen benutzt sind, so dass nur die Defekt-Produktdaten für den Defekt 1 innerhalb der Bestimmungsgrenze L1 vorliegen. Ein Erzeugen des Defekt-Produkt-Lernmodells Mn durch Durchführen von Maschinenlernen (d. h. Defekt-Produkt-Lernen) mit Defekt-Produktdaten für den Defekt n als Lehrdaten definiert eine Bestimmungsgrenze Ln in dem Raum, der die Merkmale repräsentiert, durch welche der Defekt n bestimmt werden soll. Wie in 5C aufzeigt, ist die Bestimmungsgrenze Ln nahe den Defekt-Produktdaten, die zum Lernen benutzt sind, gelegen, so dass nur die Defekt-Produktdaten für den Defekt n innerhalb der Bestimmungsgrenze Ln vorliegen. Somit sind die Bestimmungsgrenze L0 (durch welche ein nicht-defektes Produkt bestimmt werden soll), die Bestimmungsgrenze L1 (durch welche ein defektes Produkt, das den Defekt 1 hat, bestimmt werden soll) und die Bestimmungsgrenze Ln (durch welche ein defektes Produkt, das den Defekt n hat, bestimmt werden soll) in den verschiedenen Räumen, wie in den 5A, 5B und 5C aufgezeigt, definiert.
-
Dementsprechend ist der Bestimmer 23 in der Lage, in Schritt S32 zu bestimmen, dass die Zielproduktdaten Da Daten über ein defektes Produkt sind, das einen unbekannten Defekt hat, wenn die Wahrscheinlichkeit eines nicht defekten Produkts und die Wahrscheinlichkeit eines defekten Produkts für jeden Defekttyp (welche in dem Berechnungsverfahren berechnet sind, der enthält, dass die Zielproduktdaten Da als Eingabedaten benutzt sind) die wahrscheinlichkeitsbezogene vorbestimmte Anforderung erfüllen. Mit anderen Worten bestimmt der Bestimmer 23, dass die Produktdaten Da Daten über ein defektes Produkt sind, das einen unbekannten Defekt hat, wenn die Merkmale der Produktdaten Da außerhalb der Bestimmungsgrenze L0 in dem Raum, der in 5A aufgezeigt ist, der Bestimmungsgrenze L1 in dem Raum, der in 5B aufgezeigt ist, und der Bestimmungsgrenze Ln in dem Raum, der in 5C aufgezeigt ist, vorliegt.
-
Der Nachteil des Informationsverarbeitungsverfahrens, das in dem Stand der Technik bekannt ist, wird wieder beschrieben werden mit Bezug auf 6. Angenommen, dass die Produktdaten Daten über ein defektes Produkt sind, das einen unbekannten Defekt hat, (was durch den Pfeil E angezeigt ist) und die Merkmale der Zielproduktdaten ähnlicher zu den Merkmalen eines nicht defekten Produkts sind als zu den Merkmalen des bekannten Defekts 1, obwohl die Merkmale des bekannten Defekts 1 sich von den Merkmalen eines nicht defekten Produkts unterscheiden. In solch einem Fall sind Zielproduktdaten, die eigentlich Defekt-Produktdaten sind, leider bestimmt, Nicht-Defekt-Produktdaten zu sein. Das Informationsverarbeitungsverfahren gemäß der vorliegenden Erfindung macht es jedoch möglich, zu bestimmen, dass die Zielproduktdaten Da Daten über ein defektes Produkt sind, das einen unbekannten Defekt hat, wenn die Zielproduktdaten Da Daten über ein defektes Produkt sind, das einen unbekannten Defekt hat. Das informationsverarbeitungsverfahren gemäß dem vorliegenden Ausführungsbeispiel macht es möglich, zu verhindern, dass ein defektes Produkt als ein nicht-defektes Produkt bestimmt ist.
-
Wie vorher mit Bezug auf 4 beschrieben, enthält das Bestimmungsverfahren gemäß dem vorliegenden Ausführungsbeispiel eine Bestimmung, ob die Wahrscheinlichkeit (p1, ..., pn) eines defekten Produkts, die für jeden Defekttyp berechnet ist, die wahrscheinlichkeitsbezogene vorbestimmte Anforderung erfüllt und dann eine Bestimmung, ob die Wahrscheinlichkeit p0 eines nicht defekten Produkts die wahrscheinlichkeitsbezogene vorbestimmte Anforderung erfüllt. Das Informationsverarbeitungsverfahren gemäß dem vorliegenden Ausführungsbeispiel macht es somit unwahrscheinlich, dass die Zielproduktdaten Da, welche eigentlich Defekt-Produktdaten sind, als Nicht-Defekt-Produktdaten bestimmt werden.
-
Das Ausführungsbeispiel, das hierin offenbart ist, ist nicht limitierend, sondern aufzeigend in allen Hinsichten. Der Umfang der Erfindung ist nicht limitiert auf das vorangegangene Ausführungsbeispiel, sondern umfasst alle Änderungen und Modifikationen, die innerhalb des Umfangs der Ansprüche und Äquivalenten davon fallen. Zielprodukte sind nicht limitiert auf Lenksysteme oder Wälzlager, sondern können verschiedene andere Baugruppen oder mechanische Teile sein. Produktdaten sind nicht limitiert auf Vibrationsdaten oder Bilddaten, sondern können Temperaturdaten (oder Temperaturänderungsdaten) sein. Das vorangegangene Ausführungsbeispiel wurde beschrieben mit der Annahme, dass die Differenz zwischen Produktdaten (welche Eingabedaten sind) und Ausgabedaten als ein Bestimmungswert definiert sind und der Bestimmungswert in eine Wahrscheinlichkeit konvertiert ist. Alternativ kann die Wahrscheinlichkeit auf irgendeine andere passende Weist berechnet sein.
-
Der Erfindung macht es möglich, wenn Zielproduktdaten Daten über ein defektes Produkt enthalten, das einen unbekannten Defekt hat, zu bestimmen, dass diese Daten Daten über ein defektes Produkt sind, das einen unbekannten Defekt hat.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
- JP 2010140444 [0003]
- JP 2010140444 A [0003]
