JP2004318273A - データ分析装置及びその制御方法、並びにコンピュータプログラム及びコンピュータ可読記憶媒体 - Google Patents

Abstract

【課題】製造ラインの工程中に、時間軸に変動する、もしくは変動し得る時系列データがあったとしても、製造物の良否等の原因究明を容易なものとする。
【解決手段】１つの製品の製造に係る各工程のセンサで検出された全データをデータベースから受信し、一旦保存する（Ｓ１２）。そして、そこから１つの種別のデータを読出し、それが時系列データであるか否かを判断する（Ｓ１４）。時系列データであると判断した場合には、その時系列データに基づき複数の特徴量を算出し、データマイニング用テーブルに登録する。また、非時系列データであると判断した場合には、そのままデータマイニング用テーブルに登録し、これらを統合する。この処理を１つの製品に関する全てのデータについて行う（Ｓ１７）。また、全製品のデータについても同様に行う（Ｓ１８）。そして、データマイニング処理のための条件を設定し（Ｓ１９）、データマイニング処理を行ない（Ｓ２０）、その結果を出力する（Ｓ２１）。
【選択図】 図１１

Description

【０００１】
【発明の属する技術分野】
本発明は製造ラインの各工程より抽出したデータを分析する技術に関するものである。
【０００２】
【従来の技術】
一般に、製造ラインは複数の工程で構成され、各工程で段階的に製品を製造していき、最終工程を経てその製品の良否のチェックが行われる。不良と判定された場合、当然、どの工程での処理、もしくは作業にその原因があるかを究明し、歩留まりの改善に役立てることが行われる。
【０００３】
近年では、各製造工程（設備装置）に種々のセンサを設け、それらからの情報を一元管理し、良否の原因究明をコンピュータによる処理で行うことが可能になってきた。この処理として昨今注目されているものにデータマイニング（Ｄａｔａ Ｍｉｎｉｎｇ）という技術がある。データマイニングという手法を簡単に述べると、違いを明確にしたい目的変数と、それを説明するために用意した多数の説明変数の間の関係を効率的に導き出す手法である。製造不良原因究明に適用すれば、多くの製品を製造した際に得られた各工程でのセンサによるデータ、並びに、個々の製品の良否判定データを母集合として蓄積し、良否の原因（目的変数）とそれぞれの場合のセンサデータ（説明変数群）との因果関係を導き出すことが可能である。
【０００４】
【発明が解決しようとする課題】
上記のように、製造工程に適用する場合におけるデータマイニング処理では、個々の製品を製造する際の共通なデータ項目どうしと良否の差異を比較することで因果関係を導出するものであるから、その処理対象となるデータは、工程中の或る１つのタイミングで検出したデータ、例えば、位置決めした際のその座標位置データ等とすると有効に作用する。
【０００５】
しかし、或る工程において時間軸に対して変化する、もしくは変化し得る状態情報（例えば温度、圧力、速度等）については、その手法を利用し難いという問題がある。理由は、次の通りである。
【０００６】
時間軸に沿って変動する、もしくは変動し得るデータ（以下、時系列データという）をまともに検出するには、時間軸に連続していると見なせる程度のサンプリング周期（工程での種類にもよるが数十ｍｓ乃至数秒間隔）でデータをサンプリングすることになるが、各工程が全く同じ時間をかけて処理することはむしろ希であるから、或るタイミングで検出したデータどうしを比較するというのは困難であると同時に、各製品間におけるデータが、その工程の全く同じ状態でのデータであるという保証もなく、無意味な比較となる可能性が高いからである。また、個々のタイミングで検出したデータどうしを比較するには、工程でのかかる時間にもよるが、膨大なデータ量となることも、その利用を阻む理由でもある。
【０００７】
本発明はかかる問題点に鑑みなされたものであり、製造ラインの工程中に、時間軸に沿って変動する、もしくは変動し得る時系列データがあったとしても、製造物の良否等の原因究明を容易なものとする技術を提供しようとするものである。
【０００８】
【課題を解決するための手段】
かかる課題を解決するため、例えば本発明のデータ分析装置は以下の構成を備える。すなわち、
複数の製造工程それぞれに設置された設備装置が有するセンサのデータを、前記設備装置から受信し収集記憶し、記憶された複数の製品物に係る各製造工程でのデータを分析するデータ分析装置であって、
各製造工程の設備装置からのデータが、時間軸に沿って変動する、もしくは変動し得る時系列データである場合、当該時系列データを表わす複数の特徴量を算出する算出手段と、
各製造工程の設備装置からの、時間に依存しない非時系列データと前記算出手段で算出したデータを統合し、記憶する統合手段と、
前記算出手段での算出、並びに統合手段での統合、登録記憶を、前記複数の製品物に対して行なうことで、データ解析用のデータとして記憶する記憶手段と、
該記憶手段で記憶されたデータを分析する分析手段とを備える。
【０００９】
【本発明の実施の形態】
以下、添付図面に従って本発明にかかる実施形態を詳細に説明する。
【００１０】
なお、実施形態では鉄鋼業の製造ライン、特に、溶融亜鉛メッキ鋼板の製造プロセスに適用した例を説明するが、以下の説明から、当業者であれば本発明はかかる製造ラインに限定されることがないことは容易に推察されよう。
【００１１】
図１は、製鋼工場、特に溶融亜鉛メッキ鋼板の製造プロセスの工程を示している。なお、溶融亜鉛メッキ鋼板の用途は、自動車用外板、電化製品外枠等が殆どであり、高い品質が要求されるものでもある。
【００１２】
高炉１では、鉄鉱石と所定量のコークス（石炭）を溶かし、酸化鉄の還元を行う。この後、転炉２において、成分調整を行い、連続鋳造３において溶けた鋼を冷やし固める処理を行う。固まった鋼はスラブ（厚さが２００ｍｍ程度の半製品）となる。
【００１３】
熱延工場では、先ず、熱延（熱間圧延）工程４において加熱炉においてスラブを熱し、後述する圧延機のロールに挟んで徐々に厚みを薄くする（約２乃至３ｍｍ）。そして、冷延（冷間圧延）工程５で更に薄く伸ばし（１ｍｍ以下）、焼鈍工程６で顧客に応じた加工しやすさの柔らかさにし、ＣＧＬ工程７で溶融亜鉛メッキを施し、検査工程８で検査を行う。
【００１４】
なお、熱延工程４以降の鋼板は、ロール状に巻かれたものとなり、一般にこの一巻の鋼板は「帯鋼」と呼ばれる。
【００１５】
各工程は帯鋼を巻き戻しして再処理し、再びロール状に巻く、すなわち、帯鋼にする処理を行う。出荷時の帯鋼の鋼板総延長は長さは数千メートル（１５００ｍ乃至４０００ｍ）の長さにもなる。
【００１６】
データベース１００は、顧客の要望（長さ、厚み、柔らかさ等）であるオーダーデータ、各工程に設置された設備装置に設定する制御指示データが格納され、尚且つ、各工程の設備装置に設けられた各種センサからの情報を受信し、格納する。データ分析装置２００は、データベース１００に格納されたデータ及び、検査工程での検査結果に基づいて、不良原因等のデータ解析をデータマイニング手法に基づいて行うことになる。なお、オーダーデータ、制御指示データはデータベース１００とは別のコントロール装置が保持している場合もある。また、データベース１００及びデータ分析装置２００の詳細については後述することとする。
【００１７】
上記工程において、品質の善し悪しは、最終製品の帯鋼（一巻）当たりの傷が存在する率（１巻の長さに方向の、傷が存在する長さの比率）、厚み、及び、「深しぼり」（押圧加工した際の耐性）等が挙げられる。傷、厚みについては最終工程でセンサにより検出できるが、「深しぼり」については帯鋼の末端部分を切り出し、実際に押圧変形させることで検査を行うことになる。
【００１８】
さて、上記各工程において、高炉工程１でのデータは炉もしくは溶解の温度、転炉工程２、またはそれに付随する炉外精錬炉での成分調整の為の混合する添加物の種別及びその量等が重要なファクタであるが、中でも、連続鋳造工程３、熱延工程４、焼鈍工程６が、製品の善し悪しに大きな影響を与えることが知られている。前記溶解の温度及び前記添加物の種別及び量といったデータは、データベース１００に蓄積されることになる。
【００１９】
そこで、連続鋳造工程３、熱延工程４、焼鈍工程６について簡単に説明することとする。
【００２０】
先ず、連続鋳造工程３は、図２に示す如く、転炉からＬＤ（レードル、取り鍋と呼ばれる）により溶鋼を搬送し、ＴＤ（ダンディッシュ）で一旦それを受け、ＭＤ（モールド）に流し込む。ＭＤには複数の熱電対センサが設けられ、ここで溶鋼の温度検出を行っている。このＭＤからの溶鋼を、冷却水をスプレーすることで、温度を下げていくと共に、搬送経路に設けられたロールで挟み込み、引き出していく。この結果、最終的には厚みが２００ｍｍ程度のスラブを形成していく。このときの品質に与える重要なファクタは、上記のＭＤに設けられた熱電対センサによる温度、冷却するための水量、及び、最終位置にある搬送ローラによる引き抜き速度（または、鋳込速度）である。前記温度、前記冷却するための水量、及び、前記最終位置にある搬送ローラによる引き抜き速度（または、鋳込速度）等のデータも各々の設備装置に設けられたセンサ等により接取され、そのデータはデータベース１００に蓄積されることになる。
【００２１】
次に、熱延工程４を図３にしたがって説明する。
【００２２】
熱延工程４では、先ず、加熱炉でスラブを加工しやすくなるまでガスバーナー等で加熱し、それを粗圧延機及び仕上圧延機が有するロールにて挟み込んで段階的に薄く延ばしていき、最後に冷却水をスプレーして調整冷却し、最後にロール状に巻き取ることが行われ得る。粗圧延機及び仕上圧延機はその構造がほぼ同じであるので、図示では粗圧延機について示した。粗圧延機は複数のスタンド（実際は十数個）で構成され、各スタンドでは侵入してくる鋼板を加圧ロールで圧延していく。このときの鋼板を挟む圧力、及びスタンドの加圧ロールの温度、圧延直後の温度等のデータを各種センサで採取し、採取された各種データは、データベース１００に蓄積される。
【００２３】
次に、焼鈍（焼きなまし）工程６を図４にしたがって説明する。圧延工程で鋼板（巻き取られた状態にあるので、一般に、「帯鋼」と呼ばれる）は、その際に受けた圧下力による歪みが内部的に蓄積されて硬化している。この力を解放し、加工し易い「柔らかさ」を取り戻す工程が焼鈍（焼きなまし）工程６である。一般には複数の炉で、予め設定された温度になるよう加熱・冷却を制御することで行う。図４は焼鈍工程６での設備の構成を示しており、熱延工程４での帯鋼を巻き戻し、複数の炉（ガスバーナー）により、それぞれに設定した温度で加熱することになる。各炉の温度、並びに、炉で加熱された鋼板の温度（放射温度センサで測定する）はデータベース１００に蓄積されることになる。焼鈍工程６がおこなれると、帯鋼として再度巻き取られ、この後の溶融亜鉛メッキ処理（ＣＧＬ）工程７に搬送されることになる。
【００２４】
次に、ＣＧＬ工程７及び検査工程８について、図５を用いて説明する。
【００２５】
焼鈍工程６を経た帯鋼は、再び巻き戻され、図示の溶融亜鉛メッキ装置を通過することでその表面に亜鉛膜を形成し、バーナーで亜鉛メッキを乾燥させる。最終工程で鋼板の厚みを検出し、且つ、１次元カメラ（図示の紙面に垂直な方向の１次元の画像を撮像するカメラ）で、メッキ後の鋼板表面を撮像する。鋼板は図示の矢印方向に搬送され、再び巻き取られていくことになるので、結局のところ、厚みセンサは帯鋼の全長に亙る厚みを検出し、１次元カメラは帯鋼の長さ方向の２次元の鋼板表面の像を撮像することになる。溶融亜鉛メッキ処理は、検査と同期をとって行われることになるので、巻き取り速度は１次元カメラの撮像速度に依存したものとなる。なお、厚みを検出する手法としては、Ｘ線を発生し、鋼板を通過したＸ線量を検出することで厚みを検査するのが一般的である。すなわち、鋼板の厚さが大きいほど透過Ｘ線量が小さくなることを利用することになる。この検査によって検出された厚みのデータについても、データベース１００に蓄積されることになる。
【００２６】
なお、カメラで検出した傷に関する情報は、例えば「先頭から何ｍの箇所に、送り方向に対して何ｃｍの傷があった」ということが検出できることになる。そして、その結果、単位長さ（例えば１０００ｍ）における傷の個数、傷の合計長さの１つの製品の総長に対する割合がデータベース１００に蓄積されることになる。
【００２７】
また、溶融亜鉛メッキ処理でのメッキ液の温度、バーナーによる温度情報もデータベース１００に蓄積されることになる。
【００２８】
以上が溶融亜鉛メッキ鋼板の製造プロセス及び検査工程のおおよその内容である。
【００２９】
各工程で検出されたデータは、上記のように、データベース１００に蓄積される。データベース１００には、１つの製品（帯鋼＝ロット）に対するデータが関連づけられて記憶管理されている。
【００３０】
図６は、データベース１００のデータ構造を示している。
【００３１】
図示に示す如く、１つの製品に対するデータ構造は、その製品を特定する製品ＩＤ、製造時刻、顧客からの要望情報であるオーダデータ、その製品を製造する際に各工程の設備装置に設定した制御指示データ、各工程（設備装置）から送信されてきた検出データ、及び、検査データで構成される。なお、当然のことであるが、検出データや検査データでのセンサで検出されたデータはアナログ・デジタル変換されたデータとなっている。このデータが、全製品について同様のフォーマットでデータベース１００に蓄積されている。
【００３２】
検出データは、図１に示すそれぞれの工程を示す大工程識別情報、それぞれの工程に設置された設備装置（複数設置する場合が殆どである）を特定する情報、そのデータが時系列データであるか否かを示す情報、検出するデータの種別、そして、値／ポインタで構成される。非時系列データは、その工程の始まりから終わりまで変化がない、もしくは、一義的に決まるデータであるので、「値／ポインタ」フィールドにはその値が格納されるが、時系列データの場合にはサンプリングした多量のデータが存在することになるので、その時系列データを記憶しているファイル名やアドレスといったポインタが格納される。「値／ポインタ」フィールドに格納されたデータが値であるか、ポインタであるのかは、第３フィールドで決まることになる。
【００３３】
また、検査データも、その検査の種別、時系列か否か、値／ポインタの各フィールドで構成されることになる。
【００３４】
なお、上記では、製造物毎にデータが管理されるものとしたが、これは理解を容易にするためであって、実際は、各種データがそれぞれ独立し、互いに関連づけられて記憶されているものである。
【００３５】
さて、上記のようなデータベース１００には、１つの製品に着目したとしても、複数の工程のデータが存在することが理解できよう。この中で、非時系列データは、文字とおり、その値が変動するものではないので、後述するデータマイニング処理でそのままの状態で活用できるが、時系列データについてはその情報量が膨大であり、尚且つ、その時系列データそのままをデータマイニング手法を活用することが現実問題としてはできない。
【００３６】
そこで、本実施形態では、このような時系列データについては、その時間軸に対する変動する様を、幾つかの特徴パラメータで表現するようにした。
【００３７】
図７は或る工程での或るセンサで検出された時系列データを時間軸を横軸ｙとしてプロットした例を示している。縦軸は、温度、速度等があるが、蓄積されたデータはデジタルデータとして単純に蓄積されているので、その種類は問わない。
【００３８】
図示のように、時系列データを特徴づける量としては、その分布の平均値ａｖｅ、上限値ｍａｘ、下限値ｍｉｎ、変動幅ｒａｎｇｅ（＝上限値−下限値）、その工程に要した時間ｔ（最終データの時間−最初のデータの時間）、面積ｓ、そして、標準偏差σとした。個々の特徴量そのものの演算内容についは説明するまでもないであろう。なお、この中で変動幅ｒａｎｇｅは上限値ｍａｘと下限値ｍｉｎとの差、面積ｓは時間ｔと平均値ａｖｅの乗算により派生的に演算できる（いつでも算出できる）ので、それ以外が特に重要となる。
【００３９】
実施形態では、この７つの特徴量を、１つの時系列データを代表するデータとして扱うことで、データマイニング手法を利用できるようにした。例えば、或る工程が仮に３０分かかり、或るセンサがサンプリングを１０ｍｓ単位に行ったとした場合、その時系列データは３０×６０／０．０１＝１８００００個のデータで構成される計算になる。このデータが上記のような特徴量算出処理を行うと最大でも７個のデータに集約させることができることになる。
【００４０】
なお、各工程の各センサで検出された時系列データの全てに対して、上記の７つのデータが必須である場合とそうでない場合が存在するし、実施形態のシステムはもともと鉄鋼業に限らず、あらゆる製造ラインに適合することを目的としているので、この７つの特徴量の中のいずれを、注目している工程のセンサによる時系列データに適用するかはユーザ（顧客）の設定に任せることとした。前記７つの特徴量以外の特徴量、例えば分散等を算出し、時系列データを代表するデータとして扱うことも勿論可能である。また、データマイニング処理では、処理に用いるデータの単位については重要な要素ではないため、特徴量の算出にあたり処理効率を考慮して標準偏差の替わりに分散を用いるなどの変換をしてもよい。処理効率等を考慮すると、平均値ａｖｅ、下限値ｍｉｎ、上限値ｍａｘ等と同様に、標準ＳＱＬ関数で算出できる特徴量であることが好ましい。
【００４１】
ただし、鉄鋼業の場合には、時系列データの数が数百程度存在することになるので、その設定が容易になることが望まれる。
【００４２】
そこで、本実施形態では、データ分析装置２００において、解析する前段階で、データベース１００に蓄積されたデータの中の時系列データを一度に設定できるようにした。図８はその際に表示される設定ウインドウを示している。
【００４３】
第１列には、どの工程のどの設備装置の何のセンサのデータであるかを示すデータ項目が表示され、第２列目以降は先に示した７つの特徴量が並んで表示される。データ項目数が多い場合に備えて、図示の如く右端にはスクロールバーを表示する。
【００４４】
ユーザは、この表示ウインドウを見て、マウス（登録商標）等のポインティングデバイスを操作し、個々のデータ項目について、利用する特徴パラメータをチェックしていく。チェックされた箇所を再度チェックすると、非チェック状態になることを付言しておく。いずれにしても、必要となる特徴パラメータを決定し、図示の下部に表示されるＯＫボタンをクリックすると、データ分析装置が有するハードディスクにその内容が設定テーブル（ファイル）として保存されることになる。なお、上記の如く、個々の時系列データ毎に、どの特徴量を算出するかが設定できるようにしたことで、如何なる業種にも適応できるようになる。
【００４５】
図９は実施形態におけるデータ分析装置２００のブロック構成図である。図示に示す如く、実施形態のデータ分析装置２００はワークステーションやパーソナルコンピュータ等のハードウェア的には汎用情報処理装置で構築可能となっている。
【００４６】
図示において、２０１は装置全体の制御を司るＣＰＵであり、２０２はブートプログラムやＢＩＯＳを記憶しているＲＯＭである。２０３はＣＰＵのワークエリアとして使用されるＲＡＭであって、ここにＯＳ、並びに、データ分析装置として機能するプログラムがロードされＣＰＵ２０１により実行されることになる。２０４はＯＳ、データ分析装置として機能するプログラム、更には、先に説明した設定テーブルを記憶するハードディスクである。２０５はデータベース１００と通信するためのネットワークインタフェースであり、２０６はＣＰＵ２０１の制御の下で表示すべき画像の描画処理を行ない、表示装置２０７にビデオ信号として出力する表示制御部である。表示装置２０７はＣＲＴや液晶表示装置等、如何なるものでも良い。２０８はキーボード、ポインティングデバイス等で構成される標準入力装置である。
【００４７】
上記構成における、先に示した設定テーブルの作成処理を図１０のフローチャートにしたがって説明することとする。データ解析処理プログラムが既に起動されていて、図１０に示す処理は、その際に表示する設定テーブルの作成を指示した際に実行されるものである。
【００４８】
先ず、ステップＳ１において、データベース１００にログインし、時系列データとして登録されている種別を全て抽出するよう依頼し、その結果を受信する。次いで、ステップＳ２に進み、受信したデータ種別に基づき、図８に示すような設定ウインドウを表示する。この後、ステップＳ３でユーザが標準入力装置２０８を利用して、個々のデータに対して算出すべき特徴パラメータを設定させる。そして、ＯＫボタンが指示されると、処理はステップＳ４に進んで、設定内容を設定テーブルとしてハードディスク２０４に格納保存する。
【００４９】
次に、実施形態におけるデータ分析装置における解析処理を図１１のフローチャートにしたがって説明する。
【００５０】
先ず、ステップＳ１１において、データマイニング処理を行うためのテーブル（データマイニング用テーブル）をＲＡＭ２０３に確保する。このとき、データベース１００には、幾つの製品データが存在するかを問い合わせることで、データマイニング用テーブルに登録する製品数（レコード数）を把握しておく。また、個々の製品データに含まれるデータ数は既知であり、尚且つ、そのうちの個々の時系列データに対し、どのような特徴量を算出するかは設定テーブルに登録されているので、データマイニング用テーブルに登録するフィールド数も事前に把握できる。
【００５１】
次いで、ステップＳ１２に進んで、或る製品データをネットワークインタフェースを介してデータベース１００から入力し、ハードディスク２０４に一時的に保存する。なお、この際、図６に示すようにポインタで関連づけられているデータも合わせて受信し、保存することになる。また、以下に説明するデータマイニング用テーブルへの登録が完了した場合、その保存したデータは削除する、もしくは次の製品データを入力した際に、上書きする。
【００５２】
さて、この保存処理が終わると、ステップＳ１３に進み、その保存されたデータからセンサデータを読出し、ステップＳ１４でそのデータが時系列データであるか否かを判断する。この判断は、時系列データであるか否かのフラグを調べることで行う。
【００５３】
時系列データであると判断した場合には、ステップＳ１５に進み、その時系列データから、先に説明した設定テーブルで設定された内容に応じた特徴量を算出する。算出した結果は、データマイニング用テーブルの該当する位置（フィールド）に登録（記憶）する（ステップＳ１６）。また、非時系列データである場合には、その値のままデータマイニング用テーブルの該当するフィールドに登録する（ステップＳ１６）。すなわち、ステップＳ１６では時系列データに基づいて算出した特徴量と、非時系列データを統合することになる。
【００５４】
そして、ステップＳ１７に進んで、１つの製品の全データに対する処理が完了したか否かを判断し、否の場合には、次のデータを入力すべくステップＳ１３に戻る。
【００５５】
こうして、１つの製品データに基づくデータマイニング用テーブルへの登録が完了すると、処理はステップＳ１８に進み、全製品データの入力が完了したか否かを判断し、否の場合にはデータマイニング用テーブルの次のレコードへの登録を行うべく、ステップＳ１２以降の処理を繰り返すことになる。
【００５６】
ステップＳ１２で全製品データに対するデータマイニング用テーブルへの登録が完了したと判断した場合、処理はステップＳ１９に進むことになるが、このときのデータマイニング用テーブルは例えば図１２に示すような形式でＲＡＭ２０３に記憶されていることになる。
【００５７】
なお、検査データでの「深しぼり」は良／不良の判定情報であるが、このような２つの状態のいずれか一方のデータは、便宜的に、１、０のいずれかで記憶する。
【００５８】
さて、処理がステップＳ１９に進むと、操作者に条件を指示させる。条件としては、検査データの種別を指示することとした。そして、この指示された条件に従いステップＳ２０のデータマイニング処理を行ない、ステップＳ２１でその結果を出力する。出力はＲＡＭ２０３上に一時的に格納するとともに表示画面に表示するが、ファイルにも保存できるし、印刷することもできるようにした。
【００５９】
ここで実施形態におけるデータマイニング処理について説明する。
【００６０】
データマイニング処理そのものは周知の技術ではあるが、実施形態においては、先に説明したように、各工程の各センサによる時系列データに対して、それぞれのどの特徴量をデータマイニング処理対象項目とするかを設定し、その上でデータマイニング処理を行うことを特徴とする。
【００６１】
今、ステップＳ１３において、「傷の数」を条件として指示したとする。
【００６２】
先ず、製造工程でのセンサデータの１つに着目し、そのデータの取り得るレンジを調べる。例えば、コークス量に着目した場合には、その取り得る範囲がＡｍｉｎ〜Ａｍａｘの間にばらついている場合には、初期値ＡにＡｍｉｎを与え、それより大きい場合の製品の傷の数に関する部分集合と、それ以下の部分集合とに分け、両者の分布（例えば中央値）に差を求める。そして、Ａ←Ａ＋Δについても同様に求め、部分集合の差が最大となる閾値Ａを探索する（発見できる場合もあるし、できない場合もある）。そして、次のデータについても同様に処理し、データマイニング用テーブルに登録された全センサデータについて行っていく。こうして、データ種別に跨がった部分集合間の差が最大となっているデータ種別を決定する。例えば、多数のデータの中で、熱延工程４の第３設備装置の第２スタンドで検出した鋼板温度の下限値ｍｉｎがＡ０未満の場合とそれ以上の場合との傷の個数（平均値）の差が一番大きいと判断した場合、「熱延工程４の第３設備装置の第２スタンドで検出した鋼板温度の下限値ｍｉｎがＡ０未満」の製造製品のデータを母集合として、他のセンサデータについて同様に調べていく。この探索処理は、各段階での母集合に対する２つまたは複数の部分集合間の差が所定値εを越えるものが検索できなくなるまで行う。
【００６３】
この結果、例えば、

等のように、３つの条件が大きく作用していることが導出される。
【００６４】
図１３は、上記の例におけるステップＳ１９での条件設定画面と、データマイニング処理での結果の表示例を示している。
【００６５】
図示において、探索条件としては、検査データの中から対象データを指定する欄１３０１（図示の場合には「傷の数」）と、探索する方向が大きいものか、小さいものかを選択する欄１３０２の２つがあって、これらはコンボボックス形式にした。ここで開始ボタン１３０３をクリックすると、先ず、図１２のデータの検査データ（初期状態での母集合でもある）中の対象である傷数の総数を計数し、それを製品数で除算することで平均傷数を欄１３０４に表示する。
【００６６】
この後、先に説明した処理を行うことで、どの工程の、どの設備装置の、どのセンサであるかを示す情報、並びに、そのセンサによる閾値の大小の結果、どのような傷数になっているかを示す情報（図示では平均傷数）を、探索結果条件として図示の領域１３０５に木構造にして表示していく。また、各部分集合の製品数を表示しても良い。
【００６７】
なお、探索結果条件数が多数存在することも有り得るので、図示の如く、木構造を表示する領域１３０５はスクロール可能にした。また、図示の下部に示しているように、必要に応じてファイルとして保存することも、印刷することもできるようそれらに相当するボタンを設けた。
【００６８】
また、条件欄１３０１、１３０２に新たな検査結果データを指示することで、その条件の下で上記の処理が再開される。ただし、再度同じ条件を指定した場合には、ステップＳ１２乃至Ｓ２０の処理は行わず、ＲＡＭ２０３に一時的に記憶したデータを表示するだけとした。したがって、条件欄１３０１、１３０２を条件を設定することで、表示される木構造は切り換わるようになる。
【００６９】
また、図１３の下部にある「有効項目確認」ボタンがクリックされた場合には、上記のデータマイニング処理で抽出された条件と、設定テーブルの対応関係をウインドウとして示すようにした。
【００７０】
図１４はこのウインドウの一例を示している。図示において、欄１４０１にはセンサの所在位置が示され、欄１４０２には第１番目の探索結果条件のパラメータが存在していることが示される（もし、無ければ「無関係」等と表示する）。また、欄１４０３には、このセンサデータの個々の特徴量についての判定結果が表示される。判定結果中の数字「１」は探索結果条件の第１番目に重要と考えられるパラメータであることを示している。重要度を示す数字は図１３に図示した木の深さ（最上位からの分岐の段数）などを用いればよい。「Ｘ」はデータマイニング対象のデータではあるものの、関連性は小さいことを示している。「△」は時系列データにおける特徴パラメータ算出対象外（図８で未チェック）のデータであることを示している。
【００７１】
同図から理解できる点は、データマイニング処理として、熱延工程の第３設備機器の第２スタンドにおける鋼板温度検出用のセンサに着目したとき、そのセンサデータにおける上限値、平均値、変動幅はさほど重要ではなく、下限値が問題であることが分かる点である。換言すれば、図１３との関係で、この工程の該当するスタンドを終えた段階での温度が閾値Ａ０未満のとき、多くの傷が発生するわけであるから、その上流側での加熱を大きくする等の対処法を見出すに至ることになる。また、データマイニング処理においては、演算するデータ量が多いので、今後のデータマイニング用テーブルを作成する際の設定テーブルにおいて、該当する上限値、平均値、変動幅を演算対象外にすることの指標にもなる。
【００７２】
なお、図示の切り換えボタン１４０４はページめくりボタンとして機能するものであり、これをクリックすることで、他の時系列データの設定内容とデータマイニング結果の内容とを確認できる。１４０５は印刷ボタン、１４０６は図１３の表示画面に戻るボタンである。
【００７３】
以上説明したように本実施形態によれば、時系列データ、すなわち、時間軸に沿って変動する、もしくは変動し得るデータを、その変動や変位を数個の特徴量として表現し、しかも、その特徴量のうちどの値を活用するかをユーザが自由に設定できることにより、製造ラインにおける問題点を効率良く解析することが可能になる。また、上記の如く、実施形態では、時系列データは、７つ程度の少ない特徴量で表現し、しかも、そのデータは、もはや温度とか長さといったデータの種類とは無関係に処理することが可能になっているので、適用分野は鉄鋼に限らないことも十分に理解できよう。
【００７４】
図１５は上記実施形態でのデータ分析装置２００の機能的に示すブロック図である。
【００７５】
図中、１５０１は図８に示すようなデータを作成する条件設定部である。１５０２は図８の設定テーブルである。１５０３は特徴量組み合わせ設定部であって、ここで図１２に示すデータを作成する部分である。そして、１５０４は出力部であって、実施形態におけるデータマイニング処理に相当する。
【００７６】
＜第２の実施形態＞
上記実施形態（第１の実施形態）では、或る１つの工程における時間軸に沿って変動する、若しくは変動し得るデータが一様になっていることが理想とされる例を説明した。
【００７７】
しかしながら、化学プラントといった分野の場合には、或る工程内に着目しても、或る温度になった場合に試薬を混ぜる等、適当なイベントと処理とが一体になっている工程を含んでいることが多い。必然、同じ製品製造の工程でも、その工程全体に係る時間は変動するので、時間も重要なファクタの１つと成り得る。
【００７８】
そこで、本第２の実施形態では、各工程を、複数の時間区間で切り分け、それぞれの区間について第１の実施形態と同様の特徴量の抽出を行ない、解析する例を説明する。
【００７９】
ハードウェア構成は、第１の実施形態における図９と同様であるものとし、先ず、第２の実施形態における機能ブロック構成図を図１６に示すこととする。
【００８０】
図１５と異なる点は、時系列データを複数の区間に分割する分割イベント設定部１６０１が設けられ、それで生成された設定テーブル１６０２に従い、データベース１００からの時系列データを、オーダーデータ、スケジュールデータを元に時系列データ分割する分割部１６０５が設けられた点である。１６０６、１６０７は図１５と同様である。以下、この構成の元、第２の実施形態を説明する。
【００８１】
各工程での時系列データを分割するには、単純に分割するというより、その工程での処理スケジュール条件を加味し、その工程を意味のある時間区間に分割することが必要になる。
【００８２】
説明を簡単なものとするため、複数の工程中の或る工程（仮に工程Ａ）に着目し、この工程Ａでの処理がイベント処理を行うものとして説明する。また、この工程Ａでのセンサは１つであって、時系列データ（温度等）を検出するものであるとする。
【００８３】
図１７は、工程Ａにおける処理スケジュールデータであって、データベース１００に予め記憶されている制御指示データの１つでもある。図示の如く、この工程Ａでは、イベントｅ１〜ｅ４の４つ存在する。このうち、イベントｅ１は対象物が侵入した場合を示し、イベントｅ４は或る条件を満たした場合における本処理を終了することを示すイベントである。イベントｅ２や、イベントｅ３については、例えば温度が所定温度に到達した場合、或る状態になってから所定時間経過した場合等、如何なるものでもよい。
【００８４】
この工程Ａで処理した結果のセンサＳ１でのデータベース１００に蓄積されるデータ形式は、例えば図１８に示すものとなる。第１フィールドは時刻情報であり、センサＳ１のサンプリングタイミングでもある。第２フィールドはセンサで検出されたデジタルデータである。そして、第３フィールドは、実際の処理工程でのイベントの発生タイミングである。
【００８５】
かかる工程の場合、図１９示す如く、ある製品を製造する工程Ａでは、実線ような時系列データが検出され、同じ製品の同じ工程であっても破線で示すような結果が得られることがある。このようなケースの場合、各イベント間の時間が重要なファクタになることが理解できよう。したがって、このようなデータの場合、工程Ａ全体の変動の特徴パラメータではなく、その全体時間を、各イベントに同期した区間に分けて、特徴量を算出することが望まれる。
【００８６】
そこで、本第２の実施形態では、先に説明した時系列データについて算出すべき特徴量を指定する場合に、データベース１００に登録されている、各工程における制御指示データ（スケジュールデータ）をも参照し、そこに記述されているイベント群の中のどれを時間区切りに役立てるかを設定し、更に細かな時系列データ毎の特徴量算出を行うものとした。
【００８７】
ある工程を行う設備装置に複数のセンサが設けられているときには、それぞれのセンサが接取する時系列データの全てを、時間区切りに役立てるとして設定されたイベントの発生のタイミングで同期を取り分割を行うものとする。
【００８８】
図２０は、第１の実施形態における設定テーブルを作成する前段階で行う、上記区間区切り設定テーブル作成する際の表示ウインドウ（符号２０００）を示している。
【００８９】
図示において、コンボボックス２００１は工程を選択するためのものであり、このコンボボックス２００１で工程が選択されると、その工程における制御指示データをデータベース１００から読み込み、そのデータ内の記述にしたがってイベントと処理内容とを領域２００３に表示する。ユーザはこの表示ウインドウを見て区切り位置となるイベントをチェックする。図示の場合、工程Ｘに対し、イベントｅ１、ｅｉ、ｅｎの３箇所が指定さているので、結局のところ、イベントｅ１−ｅｉ間、イベントｅｉ−ｅｎ間の２つの区間に分けたことを示している。なおデフォルトでは、イベントｅ１、ｅｎがチェックされている（最初から最後までの１区間とする）。
【００９０】
以下、この構成を、必要に応じて、時系列データを検出するセンサを持つ他の工程に対しても行うことになる。
【００９１】
いずれにしてもこの設定を行い、「保存」ボタンをクリックすると、その設定内容がデータ分析装置が有するハードディスクに時間区切りテーブルとして保存されることになる。
【００９２】
本第２の実施形態の場合、この時間区切りテーブルをも参照して、第１の実施形態で説明した設定テーブルを作成することになる。図２０の場合、工程Ｘでの時系列データは、イベントｅ１−ｅｉ間の時系列データと、イベントｅｉ−ｅｎ間の時系列データを検出する２つの論理的なセンサがあるとして処理すればよいことが理解できる。したがって、第１の実施形態で説明した設定テーブルを作成する処理についはもはや説明するまでもないであろう。ただし、１つの時系列データから、時間軸に対して複数の区間のそれぞれの特徴量を算出することになる点が異なる。
【００９３】
したがって、データマイニング処理を行った場合、製品の或る種の不良の原因として、例えば、図２１に示す工程Ａ，Ｂがあったとき、工程Ａにおける区間Ａ２の時間が或る閾値より短く、工程Ｂにおける区間Ｂ２の上限値が或る閾値より低い、という因果関係を発見することも可能となる。
【００９４】
以上、本第２の実施形態を説明したが、本発明にかかる第１、第２の実施形態からも容易に理解できるように、本発明は特定の製造ラインに限定されるものではない。なぜなら、本発明は、時系列データが如何なるデータ（温度等）かは、むしろ問題ではなく、製造ラインに設けられた各センサでのデジタルデータを収集し、それを活用することにあるからである。
【００９５】
また、本実施形態から容易に理解できようが、製造ラインを構成する各工程からの時系列データを収集する等のハードウェアを必要とするものの、それと協動して動作する汎用情報処理装置上で動作するコンピュータプログラムにその特徴を有するものであるから、本発明がコンピュータプログラムをその範疇とするのは明らかである。また、通常、コンピュータプログラムは、ＣＤＲＯＭ等のコンピュータ可読記憶媒体をセットし、システムにコピーもしくはインストールすることで実行可能となるわけであるから、当然、そのようなコンピュータ可読記憶媒体をもその範疇とするのは明らかである。
【００９６】
また、実施形態ではデータベース１００とデータ分析装置２００とが別々の装置であるものとして説明したが、これらは１つの装置で実現してもよいのは勿論である。別々の装置として利用する場合のメリットは、データベース１００は既に稼働しているシステムに、実施形態で説明したデータ分析装置を追加するだけとなり、コスト削減が行われることであろう。ただし、既存のデータベース１００のデータをデータ分析装置２００が利用するには、データフォーマットを変換する等の処理が介在することが必要になる。このようなデータフォーマット変換プログラムも当然に、本発明に含まれるものとなる。また、データベース１００とデータ分析装置２００とを１つの装置にする場合には、各製造工程での製造処理及び検査結果が確定した段階で、実施形態で説明した特徴量を予め算出し、データマイニング用テーブルに登録してしまうことで、実際のデータマイニング処理にかかる時間を短縮できることであろう。
【００９７】
【発明の効果】
以上説明したように本発明によれば、製造ラインの工程中に、時間軸に変動する、もしくは変動し得る時系列データがあったとしても、製造物の良否等の原因究明を容易なものとすることが可能になる。
【図面の簡単な説明】
【図１】実施形態における鉄鋼製造ラインにおけるシステム全体の構成図である。
【図２】図１における連続鋳造工程の設備装置とデータベースとの関係を示す図である。
【図３】図１における熱延工程の設備装置とデータベースとの関係を示す図である。
【図４】図１における焼鈍工程の設備装置とデータベースとの関係を示す図である。
【図５】図１におけるＣＧＬ（亜鉛メッキ）工程の設備装置及び検査工程の設備装置とデータベースとの関係を示す図である。
【図６】図１におけるデータベースのデータ構造の一例を示す図である。
【図７】実施形態における時系列データに基づいて算出する特徴量を示す図である。
【図８】実施形態における設定テーブルを作成する際の表示ウインドウの例を示す図である。
【図９】実施形態におけるデータ分析装置のブロック構成図である。
【図１０】実施形態のデータ分析装置の設定テーブルの作成処理手順を示すフローチャートである。
【図１１】実施形態のデータ分析装置におけるデータ分析処理手順を示すフローチャートである。
【図１２】実施形態におけるデータマイニング用テーブルの構造を示す図である。
【図１３】実施形態のデータ分析装置のデータ分析処理時のユーザインタフェースとなるウインドウを示す図である。
【図１４】実施形態のデータ分析装置のデータ分析処理後の分析結果の他の表示ウインドウを示す図である。
【図１５】実施形態におけるデータ分析装置の機能ブロック構成図である。
【図１６】第２の実施形態におけるデータ分析装置の機能ブロック図である。
【図１７】第２の実施形態における工程Ａのスケジュールデータの内容を示す図である。
【図１８】図１７の工程で生成されたセンサデータの構造を示す図である。
【図１９】イベントによる区間分割した際に、同一時刻で区間が分割されない例を示す図である。
【図２０】第２の実施形態における時間分割の際のユーザインタフェースとなるウインドウの例を示す図である。
【図２１】第２の実施形態における分析結果の例を説明する為の図である。

Claims (12)

1. 複数の製造工程それぞれに設置された設備装置が有するセンサのデータを、前記設備装置から受信し収集記憶し、記憶された複数の製品物に係る各製造工程でのデータを分析するデータ分析装置であって、
   各製造工程の設備装置からのデータが、時間軸に沿って変動する、もしくは変動し得る時系列データである場合、当該時系列データを表わす複数の特徴量を算出する算出手段と、
   各製造工程の設備装置からの、時間に依存しない非時系列データと前記算出手段で算出したデータを統合し、記憶する統合手段と、
   前記算出手段での算出、並びに統合手段での統合、登録記憶を、前記複数の製品物に対して行なうことで、データ解析用のデータとして記憶する記憶手段と、
   該記憶手段で記憶されたデータを分析する分析手段と
   を備えることを特徴とするデータ分析装置。
2. 前記特徴量には、時系列データにおける上限値、下限値、平均値、時間、及び、標準偏差が含まれることを特徴とする請求項１に記載のデータ分析装置。
3. 前記特徴量には、更に、面積、最大変動幅が含まれることを特徴とする請求項２に記載のデータ分析装置。
4. 更に、個々の時系列データを、時間軸に沿って分割する分割手段を備え、
   前記算出手段は前記分割手段で分割された部分時系列データについて特徴量を算出することを特徴とする請求項１乃至３のいずれか１項に記載のデータ分析装置。
5. 前記分割手段は、該当する時系列データを発生する製造工程のスケジュール中のイベント発生タイミングに基づいて分割することを特徴とする請求項４に記載のデータ分析装置。
6. 前記分析手段はデータマイニング処理による分析であることを特徴とする請求項１乃至５のいずれか１項に記載のデータ分析装置。
7. 更に、個々の種類の時系列データ毎に、算出する特徴量の種別を指定する指定手段を備えることを特徴とする請求項６に記載のデータ分析装置。
8. 更に、製品検査結果の良否の判定基準となるデータを指示する指示手段と、
   該指示手段で指示がなされた場合に、当該判定基準の良否の率を左右する最大要因のデータを検索することを再帰的に行ない、木構造として表示する表示手段と
   を備えることを特徴とする請求項７に記載のデータ分析装置。
9. 更に、個々の時系列データでの算出対象として指定した特徴量中の、前記要因の１つとして判定された特徴量と、要因とはならなかった特徴量とを区別して表示する第２の表示手段を備えることを請求項６に記載のデータ分析装置。
10. 複数の製造工程それぞれに設置された設備装置が有するセンサのデータを、前記設備装置から受信し収集記憶し、記憶された複数の製品物に係る各製造工程でのデータを分析するデータ分析装置の制御方法であって、
    各製造工程の設備装置からのデータが、時間軸に沿って変動する、もしくは変動し得る時系列データである場合、当該時系列データを表わす複数の特徴量を算出する算出工程と、
    各製造工程の設備装置からの、時間に依存しない非時系列データと前記算出工程で算出したデータを統合し、記憶する統合工程と、
    前記算出工程での算出、並びに統合手段での統合、登録記憶を、前記複数の製品物に対して行なうことで、データ解析用のデータとして所定の記憶手段に記憶する記憶工程と、
    該記憶工程で記憶されたデータを分析する分析工程と
    を備えることを特徴とするデータ分析装置の制御方法。
11. 複数の製造工程それぞれに設置された設備装置が有するセンサのデータを、前記設備装置から受信し収集記憶し、記憶された複数の製品物に係る各製造工程でのデータを分析するデータ分析装置として機能するコンピュータプログラムであって、
    各製造工程の設備装置からのデータが、時間軸に沿って変動する、もしくは変動し得る時系列データである場合、当該時系列データを表わす複数の特徴量を算出する算出手段と、
    各製造工程の設備装置からの、時間に依存しない非時系列データと前記算出手段で算出したデータを統合し、記憶する統合手段と、
    前記算出手段での算出、並びに統合手段での統合、登録記憶を、前記複数の製品物に対して行なうことで、データ解析用のデータとして記憶する記憶手段と、
    該記憶手段で記憶されたデータを分析する分析手段
    として機能することを特徴とするコンピュータプログラム。
12. 請求項１１に記載のコンピュータプログラムを格納することを特徴とするコンピュータ可読記憶媒体。

Images