JP2002287803A - 製品の製造プロセスにおける特性調整方法 - Google Patents
製品の製造プロセスにおける特性調整方法Info
- Publication number
- JP2002287803A JP2002287803A JP2001089882A JP2001089882A JP2002287803A JP 2002287803 A JP2002287803 A JP 2002287803A JP 2001089882 A JP2001089882 A JP 2001089882A JP 2001089882 A JP2001089882 A JP 2001089882A JP 2002287803 A JP2002287803 A JP 2002287803A
- Authority
- JP
- Japan
- Prior art keywords
- characteristic
- learning model
- product
- manufacturing process
- control processing
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- 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], 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], 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
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/31—From computer integrated manufacturing till monitoring
- G05B2219/31426—Real time database management for production control
-
- 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
- G05B2219/45—Nc applications
- G05B2219/45031—Manufacturing semiconductor wafers
-
- 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]
Abstract
(57)【要約】
【課題】製品特性の合わせ込みを比較的容易に実現し、
且つ特性合わせ込みの精度を向上させること。 【解決手段】工程管理データベースには、製品の製造プ
ロセスにおける中間特性、特性制御加工条件及び最終特
性がロット毎のデータセットとして記憶保持されてい
る。そして、処理１として、ロット毎のデータセットが
準備され、次に処理２として、処理１により得られた各
データセットについてクラスタ処理が実施される。更
に、処理３として、処理２によって得られたデータセッ
トを用い、中間特性と特性制御加工条件とを入力、最終
特性を出力としてニューラルネットワークにより入出力
間の因果関係を定量化し学習モデルが作成される。その
後のモデル運用時には、特性調整工程に際し、前記作成
した学習モデルを用いてそれ以前の工程での中間特性か
ら最適な特性制御加工条件が検索される。
且つ特性合わせ込みの精度を向上させること。 【解決手段】工程管理データベースには、製品の製造プ
ロセスにおける中間特性、特性制御加工条件及び最終特
性がロット毎のデータセットとして記憶保持されてい
る。そして、処理１として、ロット毎のデータセットが
準備され、次に処理２として、処理１により得られた各
データセットについてクラスタ処理が実施される。更
に、処理３として、処理２によって得られたデータセッ
トを用い、中間特性と特性制御加工条件とを入力、最終
特性を出力としてニューラルネットワークにより入出力
間の因果関係を定量化し学習モデルが作成される。その
後のモデル運用時には、特性調整工程に際し、前記作成
した学習モデルを用いてそれ以前の工程での中間特性か
ら最適な特性制御加工条件が検索される。
Description
【０００１】
【発明の属する技術分野】本発明は、製品の製造プロセ
スにおける特性調整方法に関するものである。
スにおける特性調整方法に関するものである。
【０００２】
【従来の技術】製品の製造プロセスには多数の工程が組
み込まれ、その途中には特性調整工程が設けられて、そ
の特性調整工程で特性制御加工条件を付与することによ
り製品完成時における特性の合わせ込みを行うものがあ
る。例えば図６に示す製造プロセスでは、工程１〜工程
ｎ−１が順に実施された後、特性調整工程である工程ｎ
では特性制御加工条件が付与される。更に引き続き、工
程ｎ＋１等が実施された後、出来上がった製品の特性検
査が実施される。例えば、セラミック製品においては、
熱処理が特性調整工程に該当し、同工程の熱処理条件が
特性制御加工条件に該当する。この場合、特性検査で得
られた特性結果を特性調整工程にフィードバックして同
工程での特性制御加工条件を変化させ、特性検査での特
性結果を狙い値に合わせ込むようにしていた。
み込まれ、その途中には特性調整工程が設けられて、そ
の特性調整工程で特性制御加工条件を付与することによ
り製品完成時における特性の合わせ込みを行うものがあ
る。例えば図６に示す製造プロセスでは、工程１〜工程
ｎ−１が順に実施された後、特性調整工程である工程ｎ
では特性制御加工条件が付与される。更に引き続き、工
程ｎ＋１等が実施された後、出来上がった製品の特性検
査が実施される。例えば、セラミック製品においては、
熱処理が特性調整工程に該当し、同工程の熱処理条件が
特性制御加工条件に該当する。この場合、特性検査で得
られた特性結果を特性調整工程にフィードバックして同
工程での特性制御加工条件を変化させ、特性検査での特
性結果を狙い値に合わせ込むようにしていた。
【０００３】しかしながら上記の手法では、製品特性が
狙い値を外れた場合、それが最終の特性検査工程で確認
され、その後に修正アクションが起動される。そのた
め、特性調整工程（工程ｎ）から特性検査工程までのリ
ードタイムがある場合、リードタイム相当の期間内に生
産された製品は全て狙い値を外れてしまうという問題が
生じる。
狙い値を外れた場合、それが最終の特性検査工程で確認
され、その後に修正アクションが起動される。そのた
め、特性調整工程（工程ｎ）から特性検査工程までのリ
ードタイムがある場合、リードタイム相当の期間内に生
産された製品は全て狙い値を外れてしまうという問題が
生じる。
【０００４】一方、特性検査での特性結果を特性制御加
工条件にフィードバックする手法とは異なり、製品特性
を予測する手法が特開平１０−１８７２０６号公報や特
開平５−２０４４０７号公報に開示されている。例えば
特開平１０−１８７２０６号公報では、被処理体を処理
するためのプロセスを模擬した数式モデル（理論式）を
ベースに処理の予測を行っており、予測精度を向上させ
るべく被処理体の種類若しくは処理条件に応じてグルー
プ分けした過去の処理の実績データに基づきオフセット
値を求め補正している。しかしながら、上記公報の手法
では、処理結果の予測に数式モデル（理論式）を必要と
するため、数式モデルを精度良く作成しないと予測精度
が確保できない。また、数式モデルの作成自体が不可能
である製造プロセスが存在することも考えられ、数式モ
デル化が不可能な製造プロセスに関しては適用できなか
った。
工条件にフィードバックする手法とは異なり、製品特性
を予測する手法が特開平１０−１８７２０６号公報や特
開平５−２０４４０７号公報に開示されている。例えば
特開平１０−１８７２０６号公報では、被処理体を処理
するためのプロセスを模擬した数式モデル（理論式）を
ベースに処理の予測を行っており、予測精度を向上させ
るべく被処理体の種類若しくは処理条件に応じてグルー
プ分けした過去の処理の実績データに基づきオフセット
値を求め補正している。しかしながら、上記公報の手法
では、処理結果の予測に数式モデル（理論式）を必要と
するため、数式モデルを精度良く作成しないと予測精度
が確保できない。また、数式モデルの作成自体が不可能
である製造プロセスが存在することも考えられ、数式モ
デル化が不可能な製造プロセスに関しては適用できなか
った。
【０００５】また、特開平５−２０４４０７号公報で
は、プロセスの状態を表す変量として状態量及び出力量
を所定時間間隔でサンプリングし、各サンプリング時点
から過去の所定期間前までのサンプリング値を用いて重
回帰分析部で重回帰分析を行い偏回帰係数を求めてい
る。そして、偏回帰係数のパターンをニューラルネット
ワークで分類することにより、プロセスの出力値の変動
パターンを予測するようにしている。しかしながら、上
記公報の手法では、プロセス（システム）の出力の特性
そのものを予測するのではなく、変動パターンを予測し
ているに過ぎない。そのため、製品の最終特性を望み通
りに合わせ込む等の細かな調整は不可能であった。
は、プロセスの状態を表す変量として状態量及び出力量
を所定時間間隔でサンプリングし、各サンプリング時点
から過去の所定期間前までのサンプリング値を用いて重
回帰分析部で重回帰分析を行い偏回帰係数を求めてい
る。そして、偏回帰係数のパターンをニューラルネット
ワークで分類することにより、プロセスの出力値の変動
パターンを予測するようにしている。しかしながら、上
記公報の手法では、プロセス（システム）の出力の特性
そのものを予測するのではなく、変動パターンを予測し
ているに過ぎない。そのため、製品の最終特性を望み通
りに合わせ込む等の細かな調整は不可能であった。
【０００６】
【発明が解決しようとする課題】本発明は、上記問題に
着目してなされたものであって、その目的とするところ
は、製品特性の合わせ込みを比較的容易に実現し、且つ
特性合わせ込みの精度を向上させることができる製品の
製造プロセスにおける特性調整方法を提供することであ
る。
着目してなされたものであって、その目的とするところ
は、製品特性の合わせ込みを比較的容易に実現し、且つ
特性合わせ込みの精度を向上させることができる製品の
製造プロセスにおける特性調整方法を提供することであ
る。
【０００７】
【課題を解決するための手段】本発明にかかる製造プロ
セスでは、特性制御加工条件を付与するための特性調整
工程が多数の工程の途中に実施され、その特性調整工程
の後に少なくとも１つの別工程を経て特性検査工程が実
施される。また特に本発明の特性調整方法では、大別し
てデータ準備段階と、モデル作成段階と、モデル運用段
階とを要件としている。詳しくは、データ準備段階で
は、特性調整工程よりも前の各工程でそれぞれ得られた
中間特性と、特性調整工程で付与された特性制御加工条
件と、その時々の中間特性及び特性制御加工条件の結果
得られた特性検査工程での製品特性とからなるロット毎
のデータセットが準備される。また、モデル作成段階で
は、前記準備したデータセットを用い、中間特性と特性
制御加工条件とを入力、製品特性を出力とした時の因果
関係を表す学習モデルが作成される。更に、モデル運用
段階では、特性調整工程に際し、前記作成した学習モデ
ルを用いてそれ以前の工程での中間特性から最適な特性
制御加工条件が検索される。このモデル運用段階では、
請求項２に記載したように、特性調整工程以前の中間特
性を前提に、特性制御加工条件を変化させた時の製品特
性が予測され、予測誤差の小さい特性制御加工条件が検
索される。
セスでは、特性制御加工条件を付与するための特性調整
工程が多数の工程の途中に実施され、その特性調整工程
の後に少なくとも１つの別工程を経て特性検査工程が実
施される。また特に本発明の特性調整方法では、大別し
てデータ準備段階と、モデル作成段階と、モデル運用段
階とを要件としている。詳しくは、データ準備段階で
は、特性調整工程よりも前の各工程でそれぞれ得られた
中間特性と、特性調整工程で付与された特性制御加工条
件と、その時々の中間特性及び特性制御加工条件の結果
得られた特性検査工程での製品特性とからなるロット毎
のデータセットが準備される。また、モデル作成段階で
は、前記準備したデータセットを用い、中間特性と特性
制御加工条件とを入力、製品特性を出力とした時の因果
関係を表す学習モデルが作成される。更に、モデル運用
段階では、特性調整工程に際し、前記作成した学習モデ
ルを用いてそれ以前の工程での中間特性から最適な特性
制御加工条件が検索される。このモデル運用段階では、
請求項２に記載したように、特性調整工程以前の中間特
性を前提に、特性制御加工条件を変化させた時の製品特
性が予測され、予測誤差の小さい特性制御加工条件が検
索される。
【０００８】要するに、中間特性と特性制御加工条件
は、製品特性を決定するための重要なファクタである。
それ故に、前記の通り中間特性、特性制御加工条件及び
特性検査工程での製品特性の因果関係から学習モデルを
作成し、更に以後のプロセスにて学習モデルを運用すれ
ば、その都度の中間特性及び特性制御加工条件に対する
製品特性が正確に予測できるようになる。言い換えれ
ば、特性調整工程では、それ以前の工程の中間特性（製
品の出来映え）から、所望の製品特性を得るための特性
制御加工条件が自動的に且つ適切に検索できる。この場
合、既述した従来公報の手法とは異なり、数式モデル
（理論式）を必要とすることなく製品特性の合わせ込み
が容易に実現できる。また、最終的な製品特性を見込ん
だ特性予測が可能となるため、特性合わせ込みの精度を
向上させることができる。
は、製品特性を決定するための重要なファクタである。
それ故に、前記の通り中間特性、特性制御加工条件及び
特性検査工程での製品特性の因果関係から学習モデルを
作成し、更に以後のプロセスにて学習モデルを運用すれ
ば、その都度の中間特性及び特性制御加工条件に対する
製品特性が正確に予測できるようになる。言い換えれ
ば、特性調整工程では、それ以前の工程の中間特性（製
品の出来映え）から、所望の製品特性を得るための特性
制御加工条件が自動的に且つ適切に検索できる。この場
合、既述した従来公報の手法とは異なり、数式モデル
（理論式）を必要とすることなく製品特性の合わせ込み
が容易に実現できる。また、最終的な製品特性を見込ん
だ特性予測が可能となるため、特性合わせ込みの精度を
向上させることができる。
【０００９】なお、特性検査工程での検査結果を特性調
整工程にその都度フィードバックする従来方法では、特
性調整工程と特性検査工程との間に別工程があるためど
うしても特性合わせ込みに時間的な遅れが生じるが、本
発明では、学習モデルにより製品特性を予測するため、
時間的な遅れを生じることなく特性の合わせ込みが実施
できる。
整工程にその都度フィードバックする従来方法では、特
性調整工程と特性検査工程との間に別工程があるためど
うしても特性合わせ込みに時間的な遅れが生じるが、本
発明では、学習モデルにより製品特性を予測するため、
時間的な遅れを生じることなく特性の合わせ込みが実施
できる。
【００１０】本明細書において、特性調整工程で付与す
る特性制御加工条件とは、最終的な製品特性に影響を与
える加工条件を言い、代表的なものとして、セラミック
製品の熱処理条件等が挙げられる。また、一連の製造プ
ロセスの中で製品特性への影響度の大きい工程が特性調
整工程として認定される。
る特性制御加工条件とは、最終的な製品特性に影響を与
える加工条件を言い、代表的なものとして、セラミック
製品の熱処理条件等が挙げられる。また、一連の製造プ
ロセスの中で製品特性への影響度の大きい工程が特性調
整工程として認定される。
【００１１】また、請求項３に記載の発明では、データ
準備段階で準備した各データセットについて中間特性と
特性制御加工条件とをパラメータとして各データセット
を多次元空間にプロットし、それら各データセットを複
数のクラスタに分類すると共に、同一クラスタのデータ
平均から新たな代表点を算出する。そして、モデル作成
段階では、前記算出した代表点を用いて学習モデルを作
成する。この場合、データ分布の偏り是正の効果と、平
均化処理によるノイズ低減効果とが併せて得られる。そ
の結果、学習モデルの近似精度が向上し、ひいては製品
特性の予測精度が向上する。また、データ圧縮効果によ
り学習処理時間が短縮できる。
準備段階で準備した各データセットについて中間特性と
特性制御加工条件とをパラメータとして各データセット
を多次元空間にプロットし、それら各データセットを複
数のクラスタに分類すると共に、同一クラスタのデータ
平均から新たな代表点を算出する。そして、モデル作成
段階では、前記算出した代表点を用いて学習モデルを作
成する。この場合、データ分布の偏り是正の効果と、平
均化処理によるノイズ低減効果とが併せて得られる。そ
の結果、学習モデルの近似精度が向上し、ひいては製品
特性の予測精度が向上する。また、データ圧縮効果によ
り学習処理時間が短縮できる。
【００１２】クラスタ処理として具体的には、請求項４
に記載したように、多次元空間における各データセット
の最大距離を計算し、その最大距離に対してＸ％の範囲
でクラスタ処理を行うと良い。
に記載したように、多次元空間における各データセット
の最大距離を計算し、その最大距離に対してＸ％の範囲
でクラスタ処理を行うと良い。
【００１３】請求項５に記載の発明では、モデル作成段
階がニューラルネットワークにより構築される。この場
合、多数の入力及び出力を適宜組み合わせて因果関係を
類推することにより、精度の良い学習モデルが短時間で
得られるようになる。
階がニューラルネットワークにより構築される。この場
合、多数の入力及び出力を適宜組み合わせて因果関係を
類推することにより、精度の良い学習モデルが短時間で
得られるようになる。
【００１４】請求項６に記載の発明では、平時流れる製
造プロセスにて所定数のデータセットが蓄積されると、
その時点でデータ準備段階及びモデル作成段階により学
習モデルが更新される。つまり、製造プロセスでは様々
な要因で工程状態が変動しており、過去に作成された学
習モデルはもう既に最適モデルではなくなっている可能
性もある。この場合、学習モデルを必要に応じて更新す
ることにより、工程状態等が変動したとしてもその変動
に対応させて学習モデルを最適化することができる。
造プロセスにて所定数のデータセットが蓄積されると、
その時点でデータ準備段階及びモデル作成段階により学
習モデルが更新される。つまり、製造プロセスでは様々
な要因で工程状態が変動しており、過去に作成された学
習モデルはもう既に最適モデルではなくなっている可能
性もある。この場合、学習モデルを必要に応じて更新す
ることにより、工程状態等が変動したとしてもその変動
に対応させて学習モデルを最適化することができる。
【００１５】請求項７に記載の発明では、新たに学習モ
デルを作成した際、その最新の学習モデルと少なくとも
現時点で既に採用している学習モデルとを比較し、予測
誤差が最小のものを今後採用する学習モデルとして決定
する。これにより、製品特性の合わせ込みがより一層好
適に実施できるようになる。
デルを作成した際、その最新の学習モデルと少なくとも
現時点で既に採用している学習モデルとを比較し、予測
誤差が最小のものを今後採用する学習モデルとして決定
する。これにより、製品特性の合わせ込みがより一層好
適に実施できるようになる。
【００１６】本発明は、セラミックガスセンサの製造プ
ロセスとして好適に用いることができる（請求項８）。
つまり、セラミックガスセンサは、被検出ガス中の特定
成分濃度を検出するものであり、センサ素子の固体電解
質層、電極層、保護層が各々の工程で作製され、その後
の特性調整工程では特性制御加工条件として熱処理条件
が設定される。また、特性検査工程ではセンサ素子の出
力特性が検査される。そして、こうしたガスセンサの製
造プロセスにおいて、モデル運用段階では、特性調整工
程以前の中間特性を前提に熱処理条件が変更され、所望
のセンサ出力特性を得るための熱処理条件が検索され
る。かかる場合、中間特性や特性制御加工条件（熱処理
条件）によりセンサ出力特性が変化するが、上記した本
発明によれば、センサ出力特性が常に規格通りに調整で
きる。その結果、ガスセンサの不良発生を防止し、品質
向上を図ることができる。
ロセスとして好適に用いることができる（請求項８）。
つまり、セラミックガスセンサは、被検出ガス中の特定
成分濃度を検出するものであり、センサ素子の固体電解
質層、電極層、保護層が各々の工程で作製され、その後
の特性調整工程では特性制御加工条件として熱処理条件
が設定される。また、特性検査工程ではセンサ素子の出
力特性が検査される。そして、こうしたガスセンサの製
造プロセスにおいて、モデル運用段階では、特性調整工
程以前の中間特性を前提に熱処理条件が変更され、所望
のセンサ出力特性を得るための熱処理条件が検索され
る。かかる場合、中間特性や特性制御加工条件（熱処理
条件）によりセンサ出力特性が変化するが、上記した本
発明によれば、センサ出力特性が常に規格通りに調整で
きる。その結果、ガスセンサの不良発生を防止し、品質
向上を図ることができる。
【００１７】
【発明の実施の形態】以下、この発明を具体化した一実
施の形態を図面に従って説明する。本実施の形態では、
セラミックガスセンサとしての酸素濃淡起電力式の酸素
センサ（Ｏ2センサ）を対象にその製造プロセスについ
て本発明を具体化することとしており、先ずはじめにＯ
2 センサの概要及びその製造プロセスを簡単に説明す
る。
施の形態を図面に従って説明する。本実施の形態では、
セラミックガスセンサとしての酸素濃淡起電力式の酸素
センサ（Ｏ2センサ）を対象にその製造プロセスについ
て本発明を具体化することとしており、先ずはじめにＯ
2 センサの概要及びその製造プロセスを簡単に説明す
る。
【００１８】図４は、Ｏ2 センサにおけるセンサ素子の
構成を示す断面図である。図４には、センサ素子の全体
構成を（ａ）に示し、断面構造の拡大図を（ｂ）に示
す。センサ素子１０において、断面コップ状の固体電解
質層１１はジルコニアＺｒＯ2等の酸素イオン伝導性酸
化物焼結体よりなり、その外表面には、排ガス側電極層
１２が設けられ、内表面には大気側電極層１３が設けら
れている。これら各電極層１２，１３は白金等の触媒活
性の高い貴金属にて構成されている。また、排ガス側電
極層１２の外側には、アルミナ等よりなる電極保護層１
４と被毒物捕獲用のトラップ層１５とが設けられてい
る。
構成を示す断面図である。図４には、センサ素子の全体
構成を（ａ）に示し、断面構造の拡大図を（ｂ）に示
す。センサ素子１０において、断面コップ状の固体電解
質層１１はジルコニアＺｒＯ2等の酸素イオン伝導性酸
化物焼結体よりなり、その外表面には、排ガス側電極層
１２が設けられ、内表面には大気側電極層１３が設けら
れている。これら各電極層１２，１３は白金等の触媒活
性の高い貴金属にて構成されている。また、排ガス側電
極層１２の外側には、アルミナ等よりなる電極保護層１
４と被毒物捕獲用のトラップ層１５とが設けられてい
る。
【００１９】便宜上図示は省略するが、上記センサ素子
１０には、固体電解質層１１の基端部（図の上端部）に
ハウジング及びコネクタ端子等が組み付けられると共
に、固体電解質層１１の先端側に断面コ字状の保護カバ
ーが組み付けられる。更に、固体電解質層１１の内部空
間にはヒータが組み付けられるようになっている。
１０には、固体電解質層１１の基端部（図の上端部）に
ハウジング及びコネクタ端子等が組み付けられると共
に、固体電解質層１１の先端側に断面コ字状の保護カバ
ーが組み付けられる。更に、固体電解質層１１の内部空
間にはヒータが組み付けられるようになっている。
【００２０】上記センサ素子１０を具備するＯ2 センサ
は、その出力特性として、排ガス中の空燃比が理論空燃
比（λ＝１）に対してリッチかリーンかに応じた概ね２
値の電圧信号を出力する。
は、その出力特性として、排ガス中の空燃比が理論空燃
比（λ＝１）に対してリッチかリーンかに応じた概ね２
値の電圧信号を出力する。
【００２１】図１には、センサ素子１０の製造プロセス
と生産管理システムの全体構成とを示しており、始めに
製造プロセスの流れを簡単に説明する。但し図中の各工
程は、センサ素子１０の製造プロセスの全てではなく、
便宜上主立ったものだけを図示している。
と生産管理システムの全体構成とを示しており、始めに
製造プロセスの流れを簡単に説明する。但し図中の各工
程は、センサ素子１０の製造プロセスの全てではなく、
便宜上主立ったものだけを図示している。
【００２２】図１において、工程１では、ジルコニアＺ
ｒＯ2 が断面コップ状に成型・研削され、続く工程２で
は、ジルコニアＺｒＯ2 が焼成される。この工程１，２
により固体電解質層１１が形成される。その後、工程３
では、固体電解質層１１の内外表面に白金めっきが施さ
れ、排ガス側電極層１２及び大気側電極層１３が形成さ
れる。更に、工程４では、プラズマ溶射法等により電極
保護層１４が形成され、続く工程５では、トラップ層形
成用のスラリーが塗布されてトラップ層１５が形成され
る。
ｒＯ2 が断面コップ状に成型・研削され、続く工程２で
は、ジルコニアＺｒＯ2 が焼成される。この工程１，２
により固体電解質層１１が形成される。その後、工程３
では、固体電解質層１１の内外表面に白金めっきが施さ
れ、排ガス側電極層１２及び大気側電極層１３が形成さ
れる。更に、工程４では、プラズマ溶射法等により電極
保護層１４が形成され、続く工程５では、トラップ層形
成用のスラリーが塗布されてトラップ層１５が形成され
る。
【００２３】その後、特性調整工程である工程６では、
所定の熱処理温度及び雰囲気下でセンサ素子１０がエー
ジングされる。工程７では、センサ素子１０に対してハ
ウジングやコネクタ端子等が組み付けられる。最後に、
工程８では、センサ素子１０の特性検査が実施される。
所定の熱処理温度及び雰囲気下でセンサ素子１０がエー
ジングされる。工程７では、センサ素子１０に対してハ
ウジングやコネクタ端子等が組み付けられる。最後に、
工程８では、センサ素子１０の特性検査が実施される。
【００２４】また、生産管理システムとして、工程毎に
パソコン２１ａ〜２１ｈが設置されており、各パソコン
２１ａ〜２１ｈによりそれぞれの工程が管理されると共
に工程情報として中間特性が逐次取り込まれる。工程毎
のパソコン２１ａ〜２１ｈはネットワーク化されてお
り、各パソコン２１ａ〜２１ｈで得られた中間特性、特
性制御加工条件及び最終特性の各データは工程管理デー
タベース２２に送られ、それら中間特性、特性制御加工
条件及び最終特性がロット毎のデータセットとして記憶
保持される。
パソコン２１ａ〜２１ｈが設置されており、各パソコン
２１ａ〜２１ｈによりそれぞれの工程が管理されると共
に工程情報として中間特性が逐次取り込まれる。工程毎
のパソコン２１ａ〜２１ｈはネットワーク化されてお
り、各パソコン２１ａ〜２１ｈで得られた中間特性、特
性制御加工条件及び最終特性の各データは工程管理デー
タベース２２に送られ、それら中間特性、特性制御加工
条件及び最終特性がロット毎のデータセットとして記憶
保持される。
【００２５】具体的には、工程１では固体電解質層１１
の成型比重が計測され、その計測データがパソコン２１
ａに取り込まれる。工程２では固体電解質層１１の焼成
比重が計測され、その計測データがパソコン２１ｂに取
り込まれる。工程３では各電極層１２，１３のめっき膜
厚が計測され、その計測データがパソコン２１ｃに取り
込まれる。工程４では電極保護層１４のコート膜厚が計
測され、その計測データがパソコン２１ｄに取り込まれ
る。工程５ではトラップ層１５の塗布重量が計測され、
その計測データがパソコン２１ｅに取り込まれる。工程
管理データベース２２では、これら工程１〜工程５で得
られた各計測データ（中間特性）が表計算ソフト等によ
りロット毎に記憶保持される。
の成型比重が計測され、その計測データがパソコン２１
ａに取り込まれる。工程２では固体電解質層１１の焼成
比重が計測され、その計測データがパソコン２１ｂに取
り込まれる。工程３では各電極層１２，１３のめっき膜
厚が計測され、その計測データがパソコン２１ｃに取り
込まれる。工程４では電極保護層１４のコート膜厚が計
測され、その計測データがパソコン２１ｄに取り込まれ
る。工程５ではトラップ層１５の塗布重量が計測され、
その計測データがパソコン２１ｅに取り込まれる。工程
管理データベース２２では、これら工程１〜工程５で得
られた各計測データ（中間特性）が表計算ソフト等によ
りロット毎に記憶保持される。
【００２６】また、工程６（特性調整工程）では、特性
制御加工条件として、エージング温度及び熱処理炉内に
おける添加物濃度が決定される。そして、この特性制御
加工条件がパソコン２１ｆから工程管理データベース２
２に送られ、上記の中間特性と同様、ロット毎に記憶保
持される。
制御加工条件として、エージング温度及び熱処理炉内に
おける添加物濃度が決定される。そして、この特性制御
加工条件がパソコン２１ｆから工程管理データベース２
２に送られ、上記の中間特性と同様、ロット毎に記憶保
持される。
【００２７】工程８（特性検査工程）では、センサ素子
１０の特性検査の結果が最終特性としてパソコン２１ｈ
に取り込まれ、上記の中間特性や特性制御加工条件と同
様、工程管理データベース２２に送られてロット毎に記
憶保持される。因みに、特性検査工程では、図５に示す
ように、被検出ガスの雰囲気が所定周期でストイキ（理
論空燃比）を中心にリッチ／リーンで切り替えられ、そ
の時のセンサ素子１０の出力からリッチ時間比率Ｄｒ、
リッチ時の出力変動幅Ｖａ、１周期の時間Ｔｆが計測さ
れる。なお、リッチ時間比率Ｄｒは、１周期時間Ｔｆ中
のリッチ時間Ｔｒの時間比率である（Ｄｒ＝Ｔｒ／Ｔ
ｆ）。そして、それら計測データＤｒ，Ｖａ，Ｔｆが最
終特性としてパソコン２１ｈに取り込まれる。
１０の特性検査の結果が最終特性としてパソコン２１ｈ
に取り込まれ、上記の中間特性や特性制御加工条件と同
様、工程管理データベース２２に送られてロット毎に記
憶保持される。因みに、特性検査工程では、図５に示す
ように、被検出ガスの雰囲気が所定周期でストイキ（理
論空燃比）を中心にリッチ／リーンで切り替えられ、そ
の時のセンサ素子１０の出力からリッチ時間比率Ｄｒ、
リッチ時の出力変動幅Ｖａ、１周期の時間Ｔｆが計測さ
れる。なお、リッチ時間比率Ｄｒは、１周期時間Ｔｆ中
のリッチ時間Ｔｒの時間比率である（Ｄｒ＝Ｔｒ／Ｔ
ｆ）。そして、それら計測データＤｒ，Ｖａ，Ｔｆが最
終特性としてパソコン２１ｈに取り込まれる。
【００２８】また、工程管理データベース２２にはシミ
ュレーションパソコン２３が接続されている。このシミ
ュレーションパソコン２３は、工程管理データベース２
２に記憶されているロット毎のデータセットを用い、中
間特性と特性制御加工条件とを入力、最終特性を出力と
した時の因果関係を表す学習モデルを作成すると共に、
特性調整工程に際し、前記作成した学習モデルを運用し
て最終特性の合わせ込みを実施する。
ュレーションパソコン２３が接続されている。このシミ
ュレーションパソコン２３は、工程管理データベース２
２に記憶されているロット毎のデータセットを用い、中
間特性と特性制御加工条件とを入力、最終特性を出力と
した時の因果関係を表す学習モデルを作成すると共に、
特性調整工程に際し、前記作成した学習モデルを運用し
て最終特性の合わせ込みを実施する。
【００２９】次に、シミュレーションパソコン２３によ
り実施される製品特性の合わせ込み手順について図２を
用いて詳しく説明する。図２は、処理の流れを示すブロ
ック図である。なお以下の説明は、シミュレーションパ
ソコン２３を主体とする制御動作として記載する。
り実施される製品特性の合わせ込み手順について図２を
用いて詳しく説明する。図２は、処理の流れを示すブロ
ック図である。なお以下の説明は、シミュレーションパ
ソコン２３を主体とする制御動作として記載する。
【００３０】先ずはじめに、「処理１」（データ準備段
階）として、工程管理データベース２２に記憶保持され
ているロット毎のデータセット（バッチ処理データの集
合）を準備する。このとき、各製品種類（品番）毎に設
けた中間特性の規格を参考にしてデータセットを取捨選
択する。すなわち、中間特性データの上限値と下限値と
を予め決めておき、中間特性データが上限値又は下限値
から外れた場合、その中間特性データを含むデータセッ
トを削除するか、或いは中間特性データを上限値又は下
限値で丸め込む。
階）として、工程管理データベース２２に記憶保持され
ているロット毎のデータセット（バッチ処理データの集
合）を準備する。このとき、各製品種類（品番）毎に設
けた中間特性の規格を参考にしてデータセットを取捨選
択する。すなわち、中間特性データの上限値と下限値と
を予め決めておき、中間特性データが上限値又は下限値
から外れた場合、その中間特性データを含むデータセッ
トを削除するか、或いは中間特性データを上限値又は下
限値で丸め込む。
【００３１】次に、「処理２」として、前記処理１によ
り得られた各データセットについてクラスタ処理を実施
する。つまり、中間特性及び特性制御加工条件からなる
入力データをパラメータとして各データセットを多次元
空間にプロットし、それら各データセットの２点間距離
があるレベル以下の入力データを同一クラスタとして分
類する。そして、これら同一クラスタの入力データの平
均を取ったものを入力の新たな代表点として設定する。
り得られた各データセットについてクラスタ処理を実施
する。つまり、中間特性及び特性制御加工条件からなる
入力データをパラメータとして各データセットを多次元
空間にプロットし、それら各データセットの２点間距離
があるレベル以下の入力データを同一クラスタとして分
類する。そして、これら同一クラスタの入力データの平
均を取ったものを入力の新たな代表点として設定する。
【００３２】その具体的内容を図３により説明する。な
お図３では、入力が２次元（２入力：ｘ１，ｘ２）であ
る場合について示す。各データセットに相当する入力点
は、２次元座標において（ａ）のように分布しており、
全ての入力点間の距離のうち最大距離ｄｍａｘを計算す
る。そして、この最大距離ｄｍａｘを基準に最大距離ｄ
ｍａｘのＸ％の範囲内の入力点を同一クラスタとして認
定する。最大距離ｄｍａｘの２０％でクラスタ化する場
合、（ｂ）のように各入力点がクラスタ１〜クラスタ４
で分類され、クラスタ１〜クラスタ４について各々中心
点（代表点）が計算される。また、最大距離ｄｍａｘの
５０％でクラスタ化する場合、（ｃ）のように各入力点
がクラスタ１，クラスタ２で分類され、クラスタ１，ク
ラスタ２について各々中心点（代表点）が計算される。
お図３では、入力が２次元（２入力：ｘ１，ｘ２）であ
る場合について示す。各データセットに相当する入力点
は、２次元座標において（ａ）のように分布しており、
全ての入力点間の距離のうち最大距離ｄｍａｘを計算す
る。そして、この最大距離ｄｍａｘを基準に最大距離ｄ
ｍａｘのＸ％の範囲内の入力点を同一クラスタとして認
定する。最大距離ｄｍａｘの２０％でクラスタ化する場
合、（ｂ）のように各入力点がクラスタ１〜クラスタ４
で分類され、クラスタ１〜クラスタ４について各々中心
点（代表点）が計算される。また、最大距離ｄｍａｘの
５０％でクラスタ化する場合、（ｃ）のように各入力点
がクラスタ１，クラスタ２で分類され、クラスタ１，ク
ラスタ２について各々中心点（代表点）が計算される。
【００３３】また、元の入力に対応する出力（最終特
性）についても入力同様、同一クラスタの出力の平均を
とり、それを新たな出力の代表点として設定する。そし
て、上記クラスタ処理の結果を、新たなデータセットと
して登録する。
性）についても入力同様、同一クラスタの出力の平均を
とり、それを新たな出力の代表点として設定する。そし
て、上記クラスタ処理の結果を、新たなデータセットと
して登録する。
【００３４】更に、「処理３」（モデル作成段階）とし
て、前記処理２（クラスタ処理）によって得られたデー
タセットを用い、中間特性と特性制御加工条件とを入
力、最終特性を出力としてニューラルネットワークによ
り入出力間の因果関係を定量化し学習モデルを作成す
る。この学習モデルは、シミュレーションパソコン２３
の所定のメモリ領域（ハードディスク）に格納される。
て、前記処理２（クラスタ処理）によって得られたデー
タセットを用い、中間特性と特性制御加工条件とを入
力、最終特性を出力としてニューラルネットワークによ
り入出力間の因果関係を定量化し学習モデルを作成す
る。この学習モデルは、シミュレーションパソコン２３
の所定のメモリ領域（ハードディスク）に格納される。
【００３５】なおここで、モデル作成の手段として、ニ
ューラルネットワーク以外に、ファジィ推論、ＧＭＤＨ
（Group Method of Data Handling ）等の知的制御手法
を用いることも可能である。
ューラルネットワーク以外に、ファジィ推論、ＧＭＤＨ
（Group Method of Data Handling ）等の知的制御手法
を用いることも可能である。
【００３６】一方、上記の如く作成した学習モデルは以
下の通り運用される(モデル運用段階)。シミュレーショ
ンパソコン２３は、新たに製造中で特性調整工程直前
（図１の工程５）まで加工が進捗している製品に対し
て、各工程（工程１〜工程５）で得られた中間特性を取
り込む。そして、特性調整工程（図１の工程６）におい
て、前記作成した学習モデルを用い、特性制御加工条件
を変化させた時の最終特性の変化に基づき、製品特性上
望ましい最終特性（例：規格の中心）となるよう最適な
特性制御加工条件を検索する。つまり、特性調整工程以
前の中間特性を前提に、特性制御加工条件を変化させた
時の最終特性が予測され、予測誤差の小さい特性制御加
工条件が検索される。
下の通り運用される(モデル運用段階)。シミュレーショ
ンパソコン２３は、新たに製造中で特性調整工程直前
（図１の工程５）まで加工が進捗している製品に対し
て、各工程（工程１〜工程５）で得られた中間特性を取
り込む。そして、特性調整工程（図１の工程６）におい
て、前記作成した学習モデルを用い、特性制御加工条件
を変化させた時の最終特性の変化に基づき、製品特性上
望ましい最終特性（例：規格の中心）となるよう最適な
特性制御加工条件を検索する。つまり、特性調整工程以
前の中間特性を前提に、特性制御加工条件を変化させた
時の最終特性が予測され、予測誤差の小さい特性制御加
工条件が検索される。
【００３７】また、上記学習モデルは以下の通り管理さ
れ、必要に応じて更新される。つまり、センサ素子１０
の製造プロセスは次々と流れ、中間特性等からなるデー
タセットが時々刻々蓄積されていく。学習モデルはある
時点の最適モデルであっても次の時点では既に最適でな
くなっているかも知れない。これは工程状態も様々な要
因で変動すると考えられるためである。そこで、学習モ
デルを運用する際には、状況変化を適切に把握してモデ
ルパラメータの更新・見直しを図る必要がある。以下
に、モデル更新の手順を示す。
れ、必要に応じて更新される。つまり、センサ素子１０
の製造プロセスは次々と流れ、中間特性等からなるデー
タセットが時々刻々蓄積されていく。学習モデルはある
時点の最適モデルであっても次の時点では既に最適でな
くなっているかも知れない。これは工程状態も様々な要
因で変動すると考えられるためである。そこで、学習モ
デルを運用する際には、状況変化を適切に把握してモデ
ルパラメータの更新・見直しを図る必要がある。以下
に、モデル更新の手順を示す。
【００３８】新規のデータセットが所定数蓄積される
と、その時点で新規のデータセットにより学習モデルを
新たに作成する。このとき使用するデータセット数は、
例えば最新のものから数えて１０〜５００の間で任意に
指定できるものとする。そして、新規のデータセットに
より今回作成した学習モデルと、現時点で採用している
学習モデルとを比較し、両者のうち予測誤差が最小のも
のを今後採用する学習モデルとして決定する。
と、その時点で新規のデータセットにより学習モデルを
新たに作成する。このとき使用するデータセット数は、
例えば最新のものから数えて１０〜５００の間で任意に
指定できるものとする。そして、新規のデータセットに
より今回作成した学習モデルと、現時点で採用している
学習モデルとを比較し、両者のうち予測誤差が最小のも
のを今後採用する学習モデルとして決定する。
【００３９】因みに、過去に作成された数世代分の学習
モデルを履歴としてハードディスクに保存しておき、そ
の過去の学習モデルとの比較により新たな学習モデルを
決定しても良い。例えば、今回作成した学習モデルと、
現時点で採用している学習モデルを含む過去５世代分の
学習モデルとを比較し、その中で予測誤差が最小のもの
を今後採用する学習モデルとして決定する。
モデルを履歴としてハードディスクに保存しておき、そ
の過去の学習モデルとの比較により新たな学習モデルを
決定しても良い。例えば、今回作成した学習モデルと、
現時点で採用している学習モデルを含む過去５世代分の
学習モデルとを比較し、その中で予測誤差が最小のもの
を今後採用する学習モデルとして決定する。
【００４０】以上詳述した本実施の形態によれば、以下
に示す効果が得られる。特性調整工程（図１の工程６）
において、それ以前の工程の中間特性（製品の出来映
え）から、製品（センサ素子１０）の最終特性が予測で
きると共に、所望の製品特性を得るための特性制御加工
条件が自動的に且つ適切に検索できる。この場合、既述
した従来公報の手法とは異なり、数式モデル（理論式）
を必要とすることなく、製品特性の合わせ込みが容易に
実現できる。また、最終特性を見込んだ特性予測が可能
となるため、特性合わせ込みの精度を向上させることが
できる。入出力の因果関係が不明なシステム（プロセ
ス）を対象としても、その因果関係の定量化が可能とな
る。
に示す効果が得られる。特性調整工程（図１の工程６）
において、それ以前の工程の中間特性（製品の出来映
え）から、製品（センサ素子１０）の最終特性が予測で
きると共に、所望の製品特性を得るための特性制御加工
条件が自動的に且つ適切に検索できる。この場合、既述
した従来公報の手法とは異なり、数式モデル（理論式）
を必要とすることなく、製品特性の合わせ込みが容易に
実現できる。また、最終特性を見込んだ特性予測が可能
となるため、特性合わせ込みの精度を向上させることが
できる。入出力の因果関係が不明なシステム（プロセ
ス）を対象としても、その因果関係の定量化が可能とな
る。
【００４１】特に、セラミックガスセンサとしてのＯ2
センサの製造プロセスにおいて、センサ出力特性が常に
規格通りに調整できるようになる。その結果、Ｏ2 セン
サの不良発生を防止し、品質向上を図ることができる。
センサの製造プロセスにおいて、センサ出力特性が常に
規格通りに調整できるようになる。その結果、Ｏ2 セン
サの不良発生を防止し、品質向上を図ることができる。
【００４２】また、特性検査工程での検査結果を特性調
整工程にその都度フィードバックする従来方法では、特
性調整工程と特性検査工程との間に別工程があるためど
うしても特性合わせ込みに時間的な遅れが生じるが、本
実施の形態によれば、学習モデルにより製品特性を予測
するため、時間的な遅れを生じることなく特性の合わせ
込みが実施できる。
整工程にその都度フィードバックする従来方法では、特
性調整工程と特性検査工程との間に別工程があるためど
うしても特性合わせ込みに時間的な遅れが生じるが、本
実施の形態によれば、学習モデルにより製品特性を予測
するため、時間的な遅れを生じることなく特性の合わせ
込みが実施できる。
【００４３】また、モデル作成の前段階で、ロット毎の
データセットに対してクラスタ処理を施したので、デー
タ分布の偏り是正の効果と、平均化処理によるノイズ低
減効果とが併せて得られる。その結果、学習モデルの近
似精度が向上し、ひいては製品特性の予測精度が向上す
る。また、データ圧縮効果により学習処理時間が短縮で
きる。
データセットに対してクラスタ処理を施したので、デー
タ分布の偏り是正の効果と、平均化処理によるノイズ低
減効果とが併せて得られる。その結果、学習モデルの近
似精度が向上し、ひいては製品特性の予測精度が向上す
る。また、データ圧縮効果により学習処理時間が短縮で
きる。
【００４４】モデル作成段階がニューラルネットワーク
により構築されるので、多数の入力及び出力を適宜組み
合わせて因果関係を類推することができ、精度の良い学
習モデルが短時間で得られるようになる。
により構築されるので、多数の入力及び出力を適宜組み
合わせて因果関係を類推することができ、精度の良い学
習モデルが短時間で得られるようになる。
【００４５】また、学習モデルを必要に応じて更新する
ことにより、工程状態等が変動したとしてもその変動に
対応させて学習モデルを最適化することができる。更
に、新たに学習モデルを作成した際、過去の学習モデル
との比較を行い予測誤差が最小のものを今後採用する学
習モデルとして決定するので、製品特性の合わせ込みが
より一層好適に実施できるようになる。
ことにより、工程状態等が変動したとしてもその変動に
対応させて学習モデルを最適化することができる。更
に、新たに学習モデルを作成した際、過去の学習モデル
との比較を行い予測誤差が最小のものを今後採用する学
習モデルとして決定するので、製品特性の合わせ込みが
より一層好適に実施できるようになる。
【００４６】なお本発明は、上記以外に次の形態にて具
体化できる。感度解析手法を用いて学習モデルを作成し
ても良い。ここで、感度解析とは、出力値に対して入力
値の一つを変化させた時どの程度出力値が変化するかを
解析するものであり、処理手順は以下の通りである。す
なわち、該当する学習モデルに対して変化させたい入力
以外は全て値を固定し、該当する入力を最小から最大ま
でスイープしてその時の出力変化をグラフに表示する。
スイープさせる入力情報としては、エージング温度、使
用する熱処理炉、添加物濃度等が良い。そして、入力情
報を変化させた時のセンサ出力特性の変化度合を考慮し
て入力パラメータとして用いる入力情報を選別し、その
選別した入力情報を用いて学習モデルを作成する。この
場合、最終特性に対して影響度の低い入力情報を排除
し、影響度の高い入力情報を選択的に用いることによ
り、学習モデルの精度が向上する。
体化できる。感度解析手法を用いて学習モデルを作成し
ても良い。ここで、感度解析とは、出力値に対して入力
値の一つを変化させた時どの程度出力値が変化するかを
解析するものであり、処理手順は以下の通りである。す
なわち、該当する学習モデルに対して変化させたい入力
以外は全て値を固定し、該当する入力を最小から最大ま
でスイープしてその時の出力変化をグラフに表示する。
スイープさせる入力情報としては、エージング温度、使
用する熱処理炉、添加物濃度等が良い。そして、入力情
報を変化させた時のセンサ出力特性の変化度合を考慮し
て入力パラメータとして用いる入力情報を選別し、その
選別した入力情報を用いて学習モデルを作成する。この
場合、最終特性に対して影響度の低い入力情報を排除
し、影響度の高い入力情報を選択的に用いることによ
り、学習モデルの精度が向上する。
【００４７】上記実施の形態では、図１の工程１〜工程
５で各々得られる中間特性を全て用いて学習モデルを作
成したが、その一部を用いて学習モデルを作成しても良
い。例えば、図１の工程３〜工程５で各々得られる中間
特性（めっき膜厚、コート膜厚、塗布重量）のみを用い
て学習モデルを作成する。
５で各々得られる中間特性を全て用いて学習モデルを作
成したが、その一部を用いて学習モデルを作成しても良
い。例えば、図１の工程３〜工程５で各々得られる中間
特性（めっき膜厚、コート膜厚、塗布重量）のみを用い
て学習モデルを作成する。
【００４８】上記実施の形態では、ロット毎のデータセ
ットをクラスタ処理することを要件としたが、このクラ
スタ処理を行わずに上記製造プロセスを実現しても良
い。つまり、シミュレーションパソコン２３では、工程
管理データベース２２から読み出した各データセットを
そのまま用い、中間特性と特性制御加工条件とを入力、
製品特性を出力とした時の因果関係を表す学習モデルを
作成する。この場合にも、従来既存の手法と比べて、製
品特性の合わせ込みを比較的容易に実現し、且つ特性合
わせ込みの精度を向上させることができる。
ットをクラスタ処理することを要件としたが、このクラ
スタ処理を行わずに上記製造プロセスを実現しても良
い。つまり、シミュレーションパソコン２３では、工程
管理データベース２２から読み出した各データセットを
そのまま用い、中間特性と特性制御加工条件とを入力、
製品特性を出力とした時の因果関係を表す学習モデルを
作成する。この場合にも、従来既存の手法と比べて、製
品特性の合わせ込みを比較的容易に実現し、且つ特性合
わせ込みの精度を向上させることができる。
【００４９】Ｏ2 センサ以外に、Ａ／ＦセンサやＮＯｘ
センサなど、他のガスセンサの製造プロセスにも本発明
が適用できる。また、ガスセンサ以外のセンサ、ピエゾ
アクチュエータや、セラミック触媒等のモノリス製造品
など、他の製品の製造プロセスにも本発明が適用でき
る。特に、特性検査工程にて高い性能特性が要求される
製品についてその製造プロセスへの適用が望ましい。
センサなど、他のガスセンサの製造プロセスにも本発明
が適用できる。また、ガスセンサ以外のセンサ、ピエゾ
アクチュエータや、セラミック触媒等のモノリス製造品
など、他の製品の製造プロセスにも本発明が適用でき
る。特に、特性検査工程にて高い性能特性が要求される
製品についてその製造プロセスへの適用が望ましい。
【００５０】例えば、ピエゾアクチュエータに関して
は、その製造プロセスにおいて、粉砕粒径、シート成型
密度、焼成条件等を中間特性とし、分極条件（印加電
圧、時間）を特性制御加工条件とする。更に、製造後の
ピエゾアクチュエータの伸び、発生力、キュリー温度を
最終特性とする。一方で、セラミック触媒に関しては、
原料中のカオリン粒径等を中間特性とし、焼成前径を調
整するためのガイドリング選択を特性制御加工条件とす
る。更に、焼成後のセラミック触媒の径を最終特性とす
る。そして、これら中間特性と特性制御加工条件とを入
力、最終特性を出力とした時の因果関係を表す学習モデ
ルを作成し、適宜運用する。これにより、ピエゾアクチ
ュエータ又はセラミック触媒の製造プロセスにおいて、
特性合わせ込みの精度が向上し、完成品としての品質向
上を図ることができる。
は、その製造プロセスにおいて、粉砕粒径、シート成型
密度、焼成条件等を中間特性とし、分極条件（印加電
圧、時間）を特性制御加工条件とする。更に、製造後の
ピエゾアクチュエータの伸び、発生力、キュリー温度を
最終特性とする。一方で、セラミック触媒に関しては、
原料中のカオリン粒径等を中間特性とし、焼成前径を調
整するためのガイドリング選択を特性制御加工条件とす
る。更に、焼成後のセラミック触媒の径を最終特性とす
る。そして、これら中間特性と特性制御加工条件とを入
力、最終特性を出力とした時の因果関係を表す学習モデ
ルを作成し、適宜運用する。これにより、ピエゾアクチ
ュエータ又はセラミック触媒の製造プロセスにおいて、
特性合わせ込みの精度が向上し、完成品としての品質向
上を図ることができる。
【図１】センサ素子の製造プロセスの概要及び生産管理
システムの全体構成を示すブロック図。
システムの全体構成を示すブロック図。
【図２】製品特性の合わせ込み手順を示すブロック図。
【図３】クラスタ処理の具体例を説明するための図。
【図４】センサ素子の構成を示す断面図。
【図５】特性検査時のセンサ出力の推移を示すタイムチ
ャート。
ャート。
【図６】従来技術における製造プロセスを示すブロック
図。
図。
１０…センサ素子、１１…固体電解質層、１２，１３…
電極層、１４…電極保護層、１５…トラップ層、２１ａ
〜２１ｈ…パソコン、２２…工程管理データベース、２
３…シミュレーションパソコン。
電極層、１４…電極保護層、１５…トラップ層、２１ａ
〜２１ｈ…パソコン、２２…工程管理データベース、２
３…シミュレーションパソコン。
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.7 識別記号 ＦＩ テーマコート゛(参考） Ｇ０６Ｆ 17/30 １７０ Ｇ０６Ｆ 17/30 ２１０Ｄ ２１０ ３４０Ｚ ３４０ 17/60 １０６ 17/60 １０６ 19/00 １１０ 19/00 １１０ Ｇ０６Ｎ 3/00 ５５０Ｅ Ｇ０６Ｎ 3/00 ５５０ Ｇ０１Ｎ 27/58 Ｂ Ｆターム(参考） 2G004 BB01 BD04 BE15 BE16 BE22 BF03 BF08 BL01 BL16 BL17 BM06 BM07 5B075 ND03 ND20 NR02 NR12 PQ00 PR06 QM08 QT04 UU40 5H004 GB15 HA16 JA21 JB07 KA71 KC12 KC22 KC28 KD36 LA18
Claims (8)
- 【請求項１】特性制御加工条件を付与するための特性調
整工程を多数の工程の途中に設けると共に、その特性調
整工程の後に少なくとも１つの別工程を経て特性検査工
程を設けた製品の製造プロセスにおいて、 特性調整工程よりも前の各工程でそれぞれ得られた中間
特性と、特性調整工程で付与された特性制御加工条件
と、その時々の中間特性及び特性制御加工条件の結果得
られた特性検査工程での製品特性とからなるロット毎の
データセットを準備するデータ準備段階と、 前記準備したデータセットを用い、中間特性と特性制御
加工条件とを入力、製品特性を出力とした時の因果関係
を表す学習モデルを作成するモデル作成段階と、 特性調整工程に際し、前記作成した学習モデルを用いて
それ以前の工程での中間特性から最適な特性制御加工条
件を検索するモデル運用段階と、を有することを特徴と
する製品の製造プロセスにおける特性調整方法。 - 【請求項２】前記モデル運用段階では、特性調整工程以
前の中間特性を前提に、特性制御加工条件を変化させた
時の製品特性を予測し、予測誤差の小さい特性制御加工
条件を検索する請求項１に記載の製品の製造プロセスに
おける特性調整方法。 - 【請求項３】前記データ準備段階で準備した各データセ
ットについて中間特性と特性制御加工条件とをパラメー
タとして各データセットを多次元空間にプロットし、そ
れら各データセットを複数のクラスタに分類すると共
に、同一クラスタのデータ平均から新たな代表点を算出
し、前記モデル作成段階では、前記算出した代表点を用
いて学習モデルを作成する請求項１又は２に記載の製品
の製造プロセスにおける特性調整方法。 - 【請求項４】請求項３に記載の特性調整方法において、
多次元空間における各データセットの最大距離を計算
し、その最大距離に対してＸ％の範囲でクラスタ処理を
行う製品の製造プロセスにおける特性調整方法。 - 【請求項５】前記モデル作成段階は、ニューラルネット
ワークにより構築される請求項１〜４の何れかに記載の
製品の製造プロセスにおける特性調整方法。 - 【請求項６】平時流れる製造プロセスにて所定数のデー
タセットが蓄積されると、その時点で前記データ準備段
階及びモデル作成段階により学習モデルを更新する請求
項１〜５の何れかに記載の製品の製造プロセスにおける
特性調整方法。 - 【請求項７】新たに学習モデルを作成した際、その最新
の学習モデルと少なくとも現時点で既に採用している学
習モデルとを比較し、予測誤差が最小のものを今後採用
する学習モデルとして決定する請求項１〜６の何れかに
記載の製品の製造プロセスにおける特性調整方法。 - 【請求項８】被検出ガス中の特定成分濃度を検出するた
めのセラミックガスセンサに関し、センサ素子の固体電
解質層、電極層、保護層を各々の工程で作製し、その後
の特性調整工程では特性制御加工条件として熱処理条件
を設定し、特性検査工程ではセンサ素子の出力特性を検
査するセラミックガスセンサの製造プロセスに適用さ
れ、 前記モデル運用段階では、特性調整工程以前の中間特性
を前提に熱処理条件を変化させ、所望のセンサ出力特性
を得るための熱処理条件を検索する請求項１〜７の何れ
かに記載の製品の製造プロセスにおける特性調整方法。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001089882A JP4677679B2 (ja) | 2001-03-27 | 2001-03-27 | 製品の製造プロセスにおける特性調整方法 |
| US10/102,975 US6662059B2 (en) | 2001-03-27 | 2002-03-22 | Characteristic adjusting method in process of manufacturing products |
| ES200200702A ES2197000B2 (es) | 2001-03-27 | 2002-03-25 | Metodo de ajuste de una caracteristica en un procedimiento de fabricacion de productos. |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001089882A JP4677679B2 (ja) | 2001-03-27 | 2001-03-27 | 製品の製造プロセスにおける特性調整方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2002287803A true JP2002287803A (ja) | 2002-10-04 |
| JP4677679B2 JP4677679B2 (ja) | 2011-04-27 |
Family
ID=18944744
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2001089882A Expired - Lifetime JP4677679B2 (ja) | 2001-03-27 | 2001-03-27 | 製品の製造プロセスにおける特性調整方法 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US6662059B2 (ja) |
| JP (1) | JP4677679B2 (ja) |
| ES (1) | ES2197000B2 (ja) |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007510206A (ja) * | 2003-10-29 | 2007-04-19 | バイエル・テクノロジー・サービシーズ・ゲゼルシャフト・ミット・ベシュレンクテル・ハフツング | 化学物質のａｄｍｅ特性を視覚化するための方法 |
| JP2007225616A (ja) * | 2007-03-26 | 2007-09-06 | Ngk Spark Plug Co Ltd | ガスセンサの製造方法 |
| EP2256696A1 (en) | 2004-04-30 | 2010-12-01 | Omron Corporation | Quality control apparatus and control method of the same, and recording medium recorded with quality control program |
| JP2010282547A (ja) * | 2009-06-08 | 2010-12-16 | Fuji Electric Systems Co Ltd | 入力変数選択支援装置 |
| JP2012094016A (ja) * | 2010-10-28 | 2012-05-17 | Hitachi Ltd | 生産情報管理装置および生産情報管理方法 |
| JP2017090947A (ja) * | 2015-11-02 | 2017-05-25 | オムロン株式会社 | 製造プロセスの予測システムおよび予測制御システム |
| JP2017182528A (ja) * | 2016-03-31 | 2017-10-05 | 株式会社デンソーウェーブ | パラメータ調整装置 |
| JP2017194730A (ja) * | 2016-04-18 | 2017-10-26 | 株式会社日立製作所 | 意思決定支援システムおよび意思決定支援方法 |
| JP2018151990A (ja) * | 2017-03-14 | 2018-09-27 | オムロン株式会社 | 通知装置、通知方法、及びそのプログラム |
| JP2018151989A (ja) * | 2017-03-14 | 2018-09-27 | オムロン株式会社 | 学習結果比較装置、学習結果比較方法、及びそのプログラム |
| JP2019087101A (ja) * | 2017-11-08 | 2019-06-06 | 三菱重工航空エンジン株式会社 | 予知モデル維持システム、予知モデル維持方法及び予知モデル維持プログラム |
| JP2019215705A (ja) * | 2018-06-13 | 2019-12-19 | 日本放送協会 | 情報判定モデル学習装置およびそのプログラム |
| JP2020086784A (ja) * | 2018-11-21 | 2020-06-04 | 株式会社日立製作所 | 製造条件特定システムおよび方法 |
| KR20200096895A (ko) * | 2017-08-24 | 2020-08-14 | 가부시끼가이샤 히다치 세이사꾸쇼 | 탐색 장치 및 탐색 방법 |
| WO2020245915A1 (ja) * | 2019-06-04 | 2020-12-10 | ホソカワミクロン株式会社 | 学習モデルの生成方法、コンピュータプログラム、学習モデル、制御装置、及び制御方法 |
| JP2020205026A (ja) * | 2019-06-11 | 2020-12-24 | 富士電機株式会社 | 情報処理装置、情報処理システム、モデルの学習方法 |
| WO2021095428A1 (ja) * | 2019-11-15 | 2021-05-20 | 株式会社日立製作所 | 製造プロセスの適正化システムおよびその方法 |
| WO2021256141A1 (ja) * | 2020-06-16 | 2021-12-23 | コニカミノルタ株式会社 | 予測スコア算出装置、予測スコア算出方法、予測スコア算出プログラムおよび学習装置 |
| KR102554905B1 (ko) * | 2023-05-10 | 2023-07-12 | 셀렉트스타 주식회사 | 학습데이터 모집단에서 최종학습데이터셋을 도출하는 방법, 컴퓨팅장치 및 컴퓨터-판독가능 매체 |
| US11728132B2 (en) | 2021-02-09 | 2023-08-15 | Sumitomo Heavy Industries Ion Technology Co., Ltd. | Ion implanter and ion implantation method |
Families Citing this family (29)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4364828B2 (ja) * | 2005-04-11 | 2009-11-18 | 住友重機械工業株式会社 | 成形機監視装置、方法及びプログラム |
| US7536364B2 (en) * | 2005-04-28 | 2009-05-19 | General Electric Company | Method and system for performing model-based multi-objective asset optimization and decision-making |
| US20060247798A1 (en) * | 2005-04-28 | 2006-11-02 | Subbu Rajesh V | Method and system for performing multi-objective predictive modeling, monitoring, and update for an asset |
| US7672745B1 (en) * | 2006-03-20 | 2010-03-02 | Tuszynski Steve W | Manufacturing process analysis and optimization system |
| DE102007025447A1 (de) * | 2006-10-09 | 2008-04-17 | Siemens Ag | Verfahren zur Steuerung und/oder Regelung eines industriellen Prozesses |
| US7546170B2 (en) * | 2007-01-02 | 2009-06-09 | Neuroblast, Inc. | Easily tuned and robust control algorithm for single or multiple variable systems |
| WO2008140784A1 (en) | 2007-05-11 | 2008-11-20 | Sdc Materials, Inc. | Nano-skeletal catalyst |
| US8481449B1 (en) | 2007-10-15 | 2013-07-09 | SDCmaterials, Inc. | Method and system for forming plug and play oxide catalysts |
| US8545652B1 (en) | 2009-12-15 | 2013-10-01 | SDCmaterials, Inc. | Impact resistant material |
| US9149797B2 (en) | 2009-12-15 | 2015-10-06 | SDCmaterials, Inc. | Catalyst production method and system |
| US9126191B2 (en) | 2009-12-15 | 2015-09-08 | SDCmaterials, Inc. | Advanced catalysts for automotive applications |
| US8803025B2 (en) | 2009-12-15 | 2014-08-12 | SDCmaterials, Inc. | Non-plugging D.C. plasma gun |
| US9090475B1 (en) | 2009-12-15 | 2015-07-28 | SDCmaterials, Inc. | In situ oxide removal, dispersal and drying for silicon SiO2 |
| US8557727B2 (en) | 2009-12-15 | 2013-10-15 | SDCmaterials, Inc. | Method of forming a catalyst with inhibited mobility of nano-active material |
| US8652992B2 (en) | 2009-12-15 | 2014-02-18 | SDCmaterials, Inc. | Pinning and affixing nano-active material |
| US8470112B1 (en) | 2009-12-15 | 2013-06-25 | SDCmaterials, Inc. | Workflow for novel composite materials |
| US8669202B2 (en) | 2011-02-23 | 2014-03-11 | SDCmaterials, Inc. | Wet chemical and plasma methods of forming stable PtPd catalysts |
| MX2014001718A (es) | 2011-08-19 | 2014-03-26 | Sdcmaterials Inc | Sustratos recubiertos para uso en catalisis y convertidores cataliticos y metodos para recubrir sustratos con composiciones de recubrimiento delgado. |
| CN102393855B (zh) * | 2011-10-18 | 2013-07-31 | 国电南瑞科技股份有限公司 | 一种过程数据有损压缩比动态控制方法 |
| US9156025B2 (en) | 2012-11-21 | 2015-10-13 | SDCmaterials, Inc. | Three-way catalytic converter using nanoparticles |
| US9511352B2 (en) | 2012-11-21 | 2016-12-06 | SDCmaterials, Inc. | Three-way catalytic converter using nanoparticles |
| EP3024571B1 (en) | 2013-07-25 | 2020-05-27 | Umicore AG & Co. KG | Washcoats and coated substrates for catalytic converters |
| KR20160074566A (ko) | 2013-10-22 | 2016-06-28 | 에스디씨머티리얼스, 인코포레이티드 | 대형 디젤 연소 엔진용 촉매 디자인 |
| CA2926135A1 (en) | 2013-10-22 | 2015-04-30 | SDCmaterials, Inc. | Compositions of lean nox trap |
| US9687811B2 (en) | 2014-03-21 | 2017-06-27 | SDCmaterials, Inc. | Compositions for passive NOx adsorption (PNA) systems and methods of making and using same |
| CN108475049B (zh) * | 2016-01-15 | 2020-12-04 | 三菱电机株式会社 | 计划生成装置、计划生成方法及计算机可读取的记录介质 |
| CN113316747B (zh) * | 2018-12-18 | 2023-07-25 | 安赛乐米塔尔公司 | 控制方法和电子设备、计算机可读介质、制造方法和装置 |
| CN114585981A (zh) * | 2019-11-06 | 2022-06-03 | 纳米电子成像有限公司 | 用于制造过程的系统、方法和介质 |
| US20230236589A1 (en) * | 2022-01-27 | 2023-07-27 | Hitachi, Ltd. | Optimizing execution of multiple machine learning models over a single edge device |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS62264854A (ja) * | 1986-05-12 | 1987-11-17 | Seiko Epson Corp | 製造プラント管理システム |
| JPH06301690A (ja) * | 1993-04-13 | 1994-10-28 | Hitachi Ltd | 製造ライン及び該製造ラインにおける条件設定方法 |
| JP2000252179A (ja) * | 1999-03-04 | 2000-09-14 | Hitachi Ltd | 半導体製造プロセス安定化支援システム |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE4033974A1 (de) * | 1990-10-25 | 1992-04-30 | Ibos Qualitaetssicherung | Verfahren zur herstellung von flaechen- und im querschnitt ringfoermigen extrudaten sowie vorrichtung zur durchfuehrung des verfahrens |
| JPH05204407A (ja) | 1992-01-28 | 1993-08-13 | Matsushita Electric Works Ltd | プロセスの特性予測方法ならびにその予測方法を用いたプロセスの監視方法およびプロセスの制御方法 |
| US5692107A (en) * | 1994-03-15 | 1997-11-25 | Lockheed Missiles & Space Company, Inc. | Method for generating predictive models in a computer system |
| US6249712B1 (en) * | 1995-09-26 | 2001-06-19 | William J. N-O. Boiquaye | Adaptive control process and system |
| US6363289B1 (en) * | 1996-09-23 | 2002-03-26 | Pavilion Technologies, Inc. | Residual activation neural network |
| JPH10187206A (ja) | 1996-12-27 | 1998-07-14 | Kawasaki Steel Corp | 処理プロセス予測値算出装置および圧延処理プロセス予測値算出装置 |
| US6122557A (en) * | 1997-12-23 | 2000-09-19 | Montell North America Inc. | Non-linear model predictive control method for controlling a gas-phase reactor including a rapid noise filter and method therefor |
| US6347310B1 (en) * | 1998-05-11 | 2002-02-12 | Torrent Systems, Inc. | Computer system and process for training of analytical models using large data sets |
| US6405140B1 (en) * | 1999-09-15 | 2002-06-11 | General Electric Company | System and method for paper web time-break prediction |
| US6904420B2 (en) * | 2001-05-17 | 2005-06-07 | Honeywell International Inc. | Neuro/fuzzy hybrid approach to clustering data |
| US20030088565A1 (en) * | 2001-10-15 | 2003-05-08 | Insightful Corporation | Method and system for mining large data sets |
-
2001
- 2001-03-27 JP JP2001089882A patent/JP4677679B2/ja not_active Expired - Lifetime
-
2002
- 2002-03-22 US US10/102,975 patent/US6662059B2/en not_active Expired - Lifetime
- 2002-03-25 ES ES200200702A patent/ES2197000B2/es not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS62264854A (ja) * | 1986-05-12 | 1987-11-17 | Seiko Epson Corp | 製造プラント管理システム |
| JPH06301690A (ja) * | 1993-04-13 | 1994-10-28 | Hitachi Ltd | 製造ライン及び該製造ラインにおける条件設定方法 |
| JP2000252179A (ja) * | 1999-03-04 | 2000-09-14 | Hitachi Ltd | 半導体製造プロセス安定化支援システム |
Cited By (28)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007510206A (ja) * | 2003-10-29 | 2007-04-19 | バイエル・テクノロジー・サービシーズ・ゲゼルシャフト・ミット・ベシュレンクテル・ハフツング | 化学物質のａｄｍｅ特性を視覚化するための方法 |
| EP2256696A1 (en) | 2004-04-30 | 2010-12-01 | Omron Corporation | Quality control apparatus and control method of the same, and recording medium recorded with quality control program |
| JP2007225616A (ja) * | 2007-03-26 | 2007-09-06 | Ngk Spark Plug Co Ltd | ガスセンサの製造方法 |
| JP4498376B2 (ja) * | 2007-03-26 | 2010-07-07 | 日本特殊陶業株式会社 | ガスセンサの製造方法 |
| JP2010282547A (ja) * | 2009-06-08 | 2010-12-16 | Fuji Electric Systems Co Ltd | 入力変数選択支援装置 |
| JP2012094016A (ja) * | 2010-10-28 | 2012-05-17 | Hitachi Ltd | 生産情報管理装置および生産情報管理方法 |
| JP2017090947A (ja) * | 2015-11-02 | 2017-05-25 | オムロン株式会社 | 製造プロセスの予測システムおよび予測制御システム |
| JP2017182528A (ja) * | 2016-03-31 | 2017-10-05 | 株式会社デンソーウェーブ | パラメータ調整装置 |
| JP2017194730A (ja) * | 2016-04-18 | 2017-10-26 | 株式会社日立製作所 | 意思決定支援システムおよび意思決定支援方法 |
| JP2018151990A (ja) * | 2017-03-14 | 2018-09-27 | オムロン株式会社 | 通知装置、通知方法、及びそのプログラム |
| JP2018151989A (ja) * | 2017-03-14 | 2018-09-27 | オムロン株式会社 | 学習結果比較装置、学習結果比較方法、及びそのプログラム |
| KR20200096895A (ko) * | 2017-08-24 | 2020-08-14 | 가부시끼가이샤 히다치 세이사꾸쇼 | 탐색 장치 및 탐색 방법 |
| KR102295211B1 (ko) | 2017-08-24 | 2021-08-31 | 가부시끼가이샤 히다치 세이사꾸쇼 | 탐색 장치 및 탐색 방법 |
| JP2019087101A (ja) * | 2017-11-08 | 2019-06-06 | 三菱重工航空エンジン株式会社 | 予知モデル維持システム、予知モデル維持方法及び予知モデル維持プログラム |
| JP2019215705A (ja) * | 2018-06-13 | 2019-12-19 | 日本放送協会 | 情報判定モデル学習装置およびそのプログラム |
| JP7153477B2 (ja) | 2018-06-13 | 2022-10-14 | 日本放送協会 | 情報判定モデル学習装置およびそのプログラム |
| JP2020086784A (ja) * | 2018-11-21 | 2020-06-04 | 株式会社日立製作所 | 製造条件特定システムおよび方法 |
| 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 |
| WO2020245915A1 (ja) * | 2019-06-04 | 2020-12-10 | ホソカワミクロン株式会社 | 学習モデルの生成方法、コンピュータプログラム、学習モデル、制御装置、及び制御方法 |
| JP2020205026A (ja) * | 2019-06-11 | 2020-12-24 | 富士電機株式会社 | 情報処理装置、情報処理システム、モデルの学習方法 |
| JP7439467B2 (ja) | 2019-06-11 | 2024-02-28 | 富士電機株式会社 | 情報処理装置、情報処理システム、モデルの学習方法 |
| JP7438723B2 (ja) | 2019-11-15 | 2024-02-27 | 株式会社日立製作所 | 製造プロセスの適正化システムおよびその方法 |
| WO2021095428A1 (ja) * | 2019-11-15 | 2021-05-20 | 株式会社日立製作所 | 製造プロセスの適正化システムおよびその方法 |
| JP2021081829A (ja) * | 2019-11-15 | 2021-05-27 | 株式会社日立製作所 | 製造プロセスの適正化システムおよびその方法 |
| WO2021256141A1 (ja) * | 2020-06-16 | 2021-12-23 | コニカミノルタ株式会社 | 予測スコア算出装置、予測スコア算出方法、予測スコア算出プログラムおよび学習装置 |
| JP7063426B1 (ja) * | 2020-06-16 | 2022-05-09 | コニカミノルタ株式会社 | 予測スコア算出装置、予測スコア算出方法および予測スコア算出プログラム |
| US11728132B2 (en) | 2021-02-09 | 2023-08-15 | Sumitomo Heavy Industries Ion Technology Co., Ltd. | Ion implanter and ion implantation method |
| KR102554905B1 (ko) * | 2023-05-10 | 2023-07-12 | 셀렉트스타 주식회사 | 학습데이터 모집단에서 최종학습데이터셋을 도출하는 방법, 컴퓨팅장치 및 컴퓨터-판독가능 매체 |
Also Published As
| Publication number | Publication date |
|---|---|
| ES2197000A1 (es) | 2003-12-16 |
| ES2197000B2 (es) | 2004-11-16 |
| US6662059B2 (en) | 2003-12-09 |
| US20020143417A1 (en) | 2002-10-03 |
| JP4677679B2 (ja) | 2011-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP4677679B2 (ja) | 製品の製造プロセスにおける特性調整方法 | |
| JP7009438B2 (ja) | 時系列パターンモデルを用いて主要パフォーマンス指標（ｋｐｉ）を監視するコンピュータシステム及び方法 | |
| US5351202A (en) | Evaluation and ranking of manufacturing line non-numeric information | |
| JP2008516241A (ja) | ガスの混合物を分析するコンピュータ実装システムおよび方法 | |
| JP2010530179A (ja) | 仮想センサ・システムおよび方法 | |
| CN109508818B (zh) | 一种基于LSSVM的在线NOx预测方法 | |
| CN111860701B (zh) | 一种基于聚类方法的脱硝系统工况判别预处理方法 | |
| EP2185981A1 (en) | System and method for empirical ensemble-based virtual sensing of gas emission | |
| CN108614071B (zh) | 分布式室外大气质量监测精度校正系统及参数更新方法 | |
| CN111814956A (zh) | 一种基于多维度二次特征提取的多任务学习的空气质量预测方法 | |
| KR102399124B1 (ko) | 복합가스 환경의 가스 농도감지와 예측을 위한 딥러닝 기반의 유해가스센서 모니터링 시스템과 그 플랫폼 | |
| CN114926004B (zh) | 一种陶瓷基复材母线槽的耐火性能的评价方法及系统 | |
| CN115936262A (zh) | 基于大数据的环境干扰的产量预测方法、系统和介质 | |
| CN110188399B (zh) | 一种基于多相关序列的大坝安全监测单测点评价方法 | |
| CN107943642B (zh) | 一种电容式触摸感应装置的性能测试方法 | |
| CN111814976B (zh) | 一种空调系统传感器故障误差再学习方法及系统 | |
| CN114741258B (zh) | 一种基于大数据的计算机性能控制分析系统及方法 | |
| CN113488111B (zh) | 一种scr脱硝系统喷氨量优化建模方法 | |
| JP2003521773A (ja) | 機械及び工程の最適なセットポイントを検出する方法 | |
| CN114885022B (zh) | 一种基于工业设备的动态数据处理系统及方法 | |
| JPH05204407A (ja) | プロセスの特性予測方法ならびにその予測方法を用いたプロセスの監視方法およびプロセスの制御方法 | |
| CN113743540B (zh) | 一种基于多模型融合Stacking算法的煤质熔点预测方法 | |
| CN113742893B (zh) | 基于多元融合时空特征卷积网络的气体浓度预测方法 | |
| CN117113886B (zh) | 一种压力预测方法及装置 | |
| CN117691736A (zh) | 非侵入式智能工厂能耗监测方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20070515 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20100518 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20100720 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20110104 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20110117 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 4677679 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140210 Year of fee payment: 3 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| EXPY | Cancellation because of completion of term |