JP2018072969A - 生産プロセスの解析方法 - Google Patents

生産プロセスの解析方法 Download PDF

Info

Publication number
JP2018072969A
JP2018072969A JP2016209179A JP2016209179A JP2018072969A JP 2018072969 A JP2018072969 A JP 2018072969A JP 2016209179 A JP2016209179 A JP 2016209179A JP 2016209179 A JP2016209179 A JP 2016209179A JP 2018072969 A JP2018072969 A JP 2018072969A
Authority
JP
Japan
Prior art keywords
group
state
lot
production process
states
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
Application number
JP2016209179A
Other languages
English (en)
Other versions
JP6716423B2 (ja
Inventor
浩司 河野
Koji Kono
浩司 河野
昭夫 石川
Akio Ishikawa
昭夫 石川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Mitsubishi Chemical Engineering Corp
Original Assignee
Mitsubishi Chemical Engineering Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Mitsubishi Chemical Engineering Corp filed Critical Mitsubishi Chemical Engineering Corp
Priority to JP2016209179A priority Critical patent/JP6716423B2/ja
Priority to PCT/JP2017/008682 priority patent/WO2018078903A1/ja
Priority to US16/304,645 priority patent/US10902530B2/en
Priority to DE112017002268.1T priority patent/DE112017002268T5/de
Priority to TW106108780A priority patent/TWI637251B/zh
Publication of JP2018072969A publication Critical patent/JP2018072969A/ja
Application granted granted Critical
Publication of JP6716423B2 publication Critical patent/JP6716423B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41865—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by job scheduling, process planning, material flow
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32179—Quality control, monitor production tool with multiple sensors
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

【課題】機械設備による自動化工程や作業員による手作業工程等を含む複雑な生産プロセスで製造された製品や提供されるサービスの品質のばらつきを生じさせる要因を特定し、製品、サービスの品質を安定化させる生産プロセスの解析方法を提供する。【解決手段】生産プロセスを構成する複数の状態毎に最優と判定されたグループに含まれる良ロットを特定する工程Ｓ１３と、良ロットが複数の状態間で少なくとも１つ以上共通しない場合に、複数の状態を任意に選択された選択状態とその他の非選択状態とに区分し、非選択状態において選択状態内の良ロットを含む最も高順位のグループを最優のグループと判定し直す工程Ｓ１８と、最優と判定されたグループを特徴付ける要因を特定する工程Ｓ１９と、を含む生産プロセスの解析方法。【選択図】図２

Description

本発明は、生産プロセスの解析方法に関し、特に、製品やサービスの品質にばらつきが生じる要因を特定する生産プロセスの解析方法に関する。
ファインケミカル等のバッチ処理に対応した製品を製造する生産プロセスでは、自動化された製造設備による工程や作業者による手作業の工程等を経て多品種少量生産に対応している。
また、パーツ洗浄や医薬品開発における治験結果の解析等のサービスを提供する生産プロセスでは、洗浄装置や解析装置を用いつつも作業者による手作業が欠かせない。
このような製品製造やサービス提供を行う生産プロセスでは、設備の運転状況、作業員の作業状況、原料や製品のハンドリングの仕方等によってロット間でも製品やサービスの品質にバラつきが生じる。
製品の品質のばらつきを抑制するために、製品の製造プロセスに関するプロダクトデータ及びプロセスデータに主成分分析及びクラスター分析を適用して製造プロセスのロットを複数のグループに区分し、グループ間の優劣に寄与するデータである阻害要因を特定するものが知られている（例えば、特許文献１参照）。
このような製造プロセスの解析方法では、グループ間の優劣に寄与する阻害要因を特定することにより、製造プロセスが効率的良く改善されるため、ロット間の製品の品質を向上させることができる。
特許第５９５６０９４号公報
しかしながら、上述したような特許文献１記載の解析方法は、製造ラインが製造設備のみで構成されるような全自動化された製造プロセスの改善には効果的である。一方、例えば製造設備が製造した半製品に作業員が手作業を施すような製造設備による製造工程とその他の工程とが複雑に関連する生産プロセスの場合には、上述した解析方法を適用して製造設備による製造工程のみを改善しても生産プロセスの部分最適化に留まり、生産プロセス全体の改善には及ばないという問題があった。
そこで、機械設備による自動化工程や作業員による手作業工程等を含む複雑な生産プロセスを経て製造される製品や提供されるサービスの品質のばらつきを生じさせる要因を特定し、製品やサービスの品質を安定化させるために解決すべき技術的課題が生じてくるのであり、本発明は、この課題を解決することを目的とする。
本発明は上記目的を達成するために提案されたものであり、請求項１記載の発明は、製品又はサービスの生産プロセスに関するデータに基づいて前記生産プロセスのロットを複数のグループに区分し、該グループ間の特徴を表すデータである要因を特定する生産プロセスの解析方法であって、前記データを前記生産プロセスのロット毎に収集する工程と、前記生産プロセスを構成する複数の状態毎に前記ロットを複数のグループに区分し、前記状態毎に各グループの優劣を判定する工程と、前記状態毎に最優と判定されたグループに含まれる良ロットを特定する工程と、前記複数の状態間で良ロットが少なくとも１つ以上共通するか否かを判定する工程と、前記良ロットが複数の状態間で少なくとも１つ以上共通しない場合、前記複数の状態を任意に選択された選択状態とその他の非選択状態とに区分し、前記非選択状態において前記最優のグループを除き前記選択状態内の良ロットを含むグループを最優のグループと判定し直して前記要因を特定する工程と、を含む生産プロセスの解析方法を提供する。
この構成によれば、各状態で最優と判定されたグループに含まれる良ロットが複数の状態間で少なくとも１つ以上共通しない場合、非選択状態において選択状態内の良ロットを含むグループを最優のグループと判定し直してグループの特徴を表す要因を特定することにより、複雑な生産プロセスの実行可能な改善を図ることができる。
請求項２記載の発明は、製品又はサービスの生産プロセスに関するデータに基づいて前記生産プロセスのロットを複数のグループに区分し、該グループの特徴を表すデータである要因を特定する生産プロセスの解析方法であって、前記製品又はサービスの品質を示す品質データを含む前記データを前記生産プロセスのロット毎に収集する工程と、前記生産プロセスを構成する複数の状態毎に前記ロットを複数のグループに区分し、前記状態毎に各グループの優劣を判定する工程と、前記状態毎に最優と判定されたグループに含まれる良ロットを特定する工程と、前記複数の状態間で良ロットが少なくとも１つ以上共通するか否かを判定する工程と、前記良ロットが複数の状態間で少なくとも１つ以上共通しない場合、前記複数の状態間でプロダクトデータが最も優れたグループを含む状態を選択状態として選択し、前記選択状態を除く他の非選択状態において前記最優のグループを除き前記選択状態内の良ロットを含むグループを最優のグループと判定し直して前記要因を特定する工程と、を含む生産プロセスの解析方法を提供する。
この構成によれば、各状態で最優と判定されたグループに含まれる良ロットが複数の状態間で少なくとも１つ以上共通しない場合、複数の状態間で品質データが最も優れたグループを含む状態を選択状態として選択し、選択状態を除くその他の非選択状態において選択状態内の良ロットを含むグループを最優のグループと判定し直してグループの特徴を表す要因を特定することにより、複雑な生産プロセスの実行可能な改善を図ることができる。
請求項３記載の発明は、請求項１又は２記載の生産プロセスの解析方法の構成に加えて、前記非選択状態において前記選択状態内の良ロットを含むグループは、前記非選択状態において前記選択状態内の良ロットを含むグループ間で最高順位のグループである生産プロセスの解析方法を提供する。
この構成によれば、非選択状態においてプロダクトデータが他のグループより相対的に優れている高順位のグループに基づいて要因を特定するため、複雑な生産プロセスの実行可能且つ効果的な改善を図ることができる。
本発明は、各状態で最優と判定されたグループに含まれる良ロットが複数の状態間で少なくとも１つ以上共通しない場合、複数の状態を任意に選択された第１の状態とその他の状態とに区分し、その他の状態において第１の状態内の良ロットを含むグループを最優のグループと判定し直してグループの特徴を表す要因を特定することにより、複雑な生産プロセスの実行可能な改善を行うため、良好且つ安定した製品やサービスを提供可能な生産プロセスを得ることができる。
また、本発明は、各状態で最優と判定されたグループに含まれる良ロットが複数の状態間で少なくとも１つ以上共通しない場合、複数の状態間で品質データが最も優れたグループを含む状態を選択状態として選択し、選択状態を除く他の非選択状態において選択状態内の良ロットを含むグループを最優のグループと判定し直してグループの特徴を表す要因を特定することにより、複雑な生産プロセスの実行可能な改善を行うため、良好且つ安定した製品やサービスを提供可能な生産プロセスを得ることができる。
本発明の第１実施例に係る生産プロセスの解析方法を適用する製造ラインの工程を示すフローチャート。 本発明の第１実施例に係る生産プロセスの解析方法を示すフローチャート。 製造状態におけるロット毎のプロセスデータ及びプロダクトデータを標準化した数値を示す表。 作業状態におけるロット毎のプロセスデータ及びプロダクトデータを標準化した数値を示す表。 物流状態におけるロット毎のプロセスデータ及びプロダクトデータを標準化した数値を示す表。 製造状態におけるプロセスデータ毎の主成分負荷量及びロット毎の主成分得点を示す表。 作業状態におけるプロセスデータ毎の主成分負荷量及びロット毎の主成分得点を示す表。 物流状態におけるプロセスデータ毎の主成分負荷量及びロット毎の主成分得点を示す表。 第１主成分を横軸、第３主成分を縦軸とする座標系に図６（ｂ）に示す主成分得点をプロットしたグラフ。 第１主成分を横軸、第２主成分を縦軸とする座標系に図７（ｂ）に示す主成分得点をプロットしたグラフ。 第１主成分を横軸、第２主成分を縦軸とする座標系に図８（ｂ）に示す主成分得点をプロットしたグラフ。 図９に示す主成分得点にクラスター分析を適用して得られたデンドログラムを示す図。 図１２の分析結果を図９に適用した結果を示すグラフ。 作業状態における主成分得点にクラスター分析を適用した結果を図１０に反映したグラフ。 物流状態における主成分得点にクラスター分析を適用した結果を図１１に反映したグラフ。 第１主成分を横軸、第３主成分を縦軸とする座標系に図６（ａ）に示す主成分負荷量をプロットしたグラフ。 第１主成分を横軸、第２主成分を縦軸とする座標系に図７（ａ）に示す主成分負荷量をプロットしたグラフ。 第１主成分を横軸、第２主成分を縦軸とする座標系に図８（ａ）に示す主成分負荷量をプロットしたグラフ。 本発明の第２実施例に係る生産プロセスの解析方法を示すフローチャート。
本発明は、機械設備による自動化工程や作業員による手作業工程等を含む複雑な生産プロセスで製造された製品や提供されるサービスの品質のばらつきを生じさせる要因を特定し、製品又はサービスの品質を安定化させるという目的を達成するために、製品又はサービスの生産プロセスに関するデータに基づいて生産プロセスのロットを複数のグループに区分し、グループの特徴を表すデータである要因を特定する生産プロセスの解析方法であって、データを生産プロセスのロット毎に収集する工程と、生産プロセスを構成する複数の状態毎にロットを複数のグループに区分し、状態毎に各グループの優劣を判定する工程と、状態毎に最優と判定されたグループに含まれる良ロットを特定する工程と、複数の状態間で良ロットが少なくとも１つ以上共通するか否かを判定する工程と、良ロットが複数の状態間で少なくとも１つ以上共通しない場合、複数の状態を任意に選択された選択状態とその他の非選択状態とに区分し、非選択状態において最優と判定されたグループを除き選択状態内の良ロットを含むグループを最優のグループと判定し直して要因を特定する工程と、を含むことにより実現する。
また、本発明は、機械設備による自動化工程や作業員による手作業工程等を含む複雑な生産プロセスで製造された製品や提供されるサービスの品質のばらつきを生じさせる要因を特定し、製品又はサービスの品質を安定化させるという目的を達成するために、製品又はサービスの生産プロセスに関するデータに基づいて生産プロセスのロットを複数のグループに区分し、グループの特徴を表すデータである要因を特定する生産プロセスの解析方法であって、製品又はサービスの品質を示す品質データを含むデータを生産プロセスのロット毎に収集する工程と、生産プロセスを構成する複数の状態毎にロットを複数のグループに区分し、状態毎に各グループの優劣を判定する工程と、状態毎に最優と判定されたグループに含まれる良ロットを特定する工程と、複数の状態間で良ロットが少なくとも１つ以上共通するか否かを判定する工程と、良ロットが複数の状態間で少なくとも１つ以上共通しない場合、複数の状態間で品質データが最も優れたグループを含む状態を選択状態として選択し、選択状態を除く他の非選択状態において最優と判定されたグループを除き選択状態内の良ロットを含むグループを最優のグループと判定し直して要因を特定する工程と、を含むことにより実現する。
本発明に係る解析方法は、製品（物）を製造するプロセス又はサービスを提供するプロセス（以下、総称して「生産プロセス」と称す）に適用される。生産プロセスには、機械設備のみで構成されて全ての工程が自動化されたプロセス、作業者の手作業による作業工程を含むプロセス並びに機械設備によって自動化された製造工程及び作業者の手作業による作業工程を含むプロセスを含む。
以下、本発明の第１実施例に係る生産プロセスの解析方法について説明する。なお、以下の実施例において、構成要素の数、数値、量、範囲等に言及する場合、特に明示した場合及び原理的に明らかに特定の数に限定される場合を除き、その特定の数に限定されるものではなく、特定の数以上でも以下でも構わない。
図１は、本発明を適用する生産プロセスの一例であるファインケミカルの製造ラインの工程を示すフローチャートである。なお、本発明を適用する生産プロセスは、ファインケミカルの製造ラインに限定して解釈されるものではなく、ファインケミカル以外の製品の製造ライン及びサービスを提供するプロセスも含まれることは言うまでもない。
ファインケミカルの製造ラインは、前工程と後工程とに大別される。前工程は、作業員が原料を反応炉に投入し、原料を反応させて粒状の半製品を製造するものであり、所謂バッチプロセスである。後工程は、主に作業員による手作業である。
前工程では、原料を反応炉に投入する受入工程Ｓ１、反応炉内で原料を反応させる反応工程Ｓ２、不純物を除去するろ過工程Ｓ３及び原料を所定サイズの粒状に成形する造粒工程Ｓ４を経て、半製品を製造する。前工程では、良好に反応が進むと、ろ過フィルタの目詰まりが少なくなるため、前工程での製品の品質（フィルタの交換回数）は減少する。これにより、前工程での単位時間当たりの造粒量は増大する。
後工程では、半製品に所定の色を塗布する着色工程Ｓ５、着色後の半製品を乾燥機で乾燥させる乾燥工程Ｓ６、着色不良をチェックする検査工程Ｓ７、製品を個装する包装工程Ｓ８及び出荷工程Ｓ９を経て製品が出荷される。後工程における製品の品質（着色良率）は、前工程の品質（フィルタ交換回数）と負の相関関係がある。即ち、フィルタの交換回数が少なく単位時間当たりの造粒量が多いと、作業員が手作業で行う着色工程Ｓ５でミスが発生し易くなり、着色不良が増加する傾向がある。
製造ラインを構成する各機器には、種々の値を測定する図示しないセンサが設けられている。センサの測定対象は、原料の投入量、反応炉内の温度、反応温度、単位時間当たりの造粒量等である。センサは、製造ラインを構成する製造設備を整除する制御装置に測定値を送る。
制御装置は、センサが測定した製品の生産条件を示すプロセスデータ、製品の品質（フィルタの交換回数、着色良率等）を示すプロダクトデータ（品質データ）に基づいて、後述する処理を行う。プロセスデータは、製品の品質に影響し得る因子であり、生産プロセスの生産条件（製造設備の運転条件等）、原料の条件（原料の物性、組成等）、作業員が手作業で行う作業の内容（作業時間、移動回数等）及び製品等のハンドリングの内容（半製品、仕掛品の滞留時間等）を含む。
なお、本実施例では、プロセスデータの種類に応じて、生産プロセスを製造状態、作業状態及び物流状態の３つの状態に区分している。具体的には、「製造状態」とは、設備の観点で製品の品質に影響し得るものを指す。「作業状態」とは、作業員の観点で製品の品質に影響し得るものを指す。「物流状態」とは、原料、半製品及び製品のハンドリングの観点で製品の品質に影響し得るものを指す。なお、生産プロセスは、上述した３つの状態に区分可能なものに限定されず、上述した３つの状態のうち少なくとも２つ以上の状態が含まれるものであればよい。
なお、生産プロセスを成す複数の状態は、互いに相関関係を有し、全状態のプロダクトデータを一様に改善することが難しい場合がある。そこで、生産プロセスを複数の状態に区分し、後述する解析方法によって各状態において製品の品質に影響し得る要因（プロセスデータ）を個別に把握して、ある要因の変更が他の状態に及ぼす影響を検討しながらプロセス全体の実行可能な改善を図ることができる。
次に、本実施例に係る生産プロセスの解析方法について、図面に基づいて説明する。図２は、本発明の第１実施例に係る生産プロセスの解析方法を示すフローチャートである。
まず、動作済みの生産プロセスについて、制御装置は、センサが測定したプロセスデータとプロダクトデータとを収集する（Ｓ１０）。この工程Ｓ１０では、ロット毎のプロセスデータ及びプロダクトデータを制御装置に記憶する。
次に、工程Ｓ１で収集したプロセスデータ及びプロダクトデータを標準化して中間関数に変換する（Ｓ１１）。
図３は、製造状態におけるロット毎のプロセスデータ及びプロダクトデータを標準化した数値を示す表である。図３では、１７のロットについて、各ロットで収集した製造状態におけるプロセスデータｐＰａｒａ１〜１６を示している。プロセスデータｐＰａｒａ１〜１６は、原料の受入検査値、投入量、反応炉内の温度等である。また、プロダクトデータは、反応炉内のフィルターの交換回数である。
図４は、作業状態におけるロット毎のプロセスデータ及びプロダクトデータを標準化した数値を示す表である。図４では、各ロットで収集した作業状態におけるプロセスデータｗＰａｒａ１〜６を示している。プロセスデータｗＰａｒａ１〜６は、作業時間や作業場間の移動回数等である。また、プロダクトデータは、製品の着色良率である。
図５は、物流状態におけるロット毎のプロセスデータ及びプロダクトデータを標準化した数値を示す表である。図５では、各ロットで収集した物流状態におけるプロセスデータＬＰａｒａ１〜８を示している。プロセスデータＬＰａｒａ１〜８は、半製品、製品の滞留時間やリードタイム等である。また、プロダクトデータは、製品の着色良率である。
工程Ｓ１１で行うプロセスデータの標準化処理は、公知のものであり、具体的には、数式１に基づいて制御装置が演算する。
次に、工程Ｓ２で求めた中間変数に主成分分析法を適用して、図６〜８に示すような主成分負荷量及び主成分得点を求める（Ｓ１２）。図６は、製造状態におけるプロセスデータ毎の主成分負荷量及びロット毎の主成分得点を示す図である。図７は、作業状態におけるプロセスデータ毎の主成分負荷量及びロット毎の主成分得点を示す図である。図８は、物流状態におけるプロセスデータ毎の主成分負荷量及びロット毎の主成分得点を示す図である。
工程２では、まず、中間変数における相関係数行列を作成し、相関係数行列の固有値と固有ベクトルを導出する。相関係数行列は、中間変数がｘ１、ｘ２、ｘ３・・のときに、第１主成分ＰＣ１は、数式２で示すように表される。また、第Ｎ主成分ＰＣｎは、数式３で示すように表される。そして、係数ａ１１、ａ１２、ａ１３・・を１行目の要素、係数ａｎ１、ａｎ２、ａｎ３・・をｎ行目の要素に用いることにより、相関係数行列が形成される。

図６（ａ）に製造状態におけるプロセスデータｐＰａｒａ１〜１６の第１主成分ＰＣ１、第２主成分ＰＣ２、第３主成分３の情報量（主成分負荷量）を示す。図７（ａ）に作業状態におけるプロセスデータｗＰａｒａ１〜６の第１主成分ＰＣ１、第２主成分ＰＣ２、第３主成分３の情報量（主成分負荷量）を示す。図８（ａ）に物流状態におけるプロセスデータＬＰａｒａ１〜８の第１主成分ＰＣ１、第２主成分ＰＣ２、第３主成分３の情報量（主成分負荷量）を示す。なお、本実施例では、３つの主成分のみを示しているが、各主成分の寄与率に応じて主成分の数を増減しても構わない。
次に、相関係数行列の固有ベクトルから主成分得点を求める。また、相関係数行列の固有値から各主成分の寄与率を求める。主成分の寄与率は、固有値を固有値の総和で割ることで得られる。ここで、固有値の大きい方から、第１主成分、第２主成分・・第Ｎ主成分を決定する。
具体的には、制御装置が、各ロットの中間変数ｘ１、ｘ２、ｘ３と相関係数行列の各係数とに基づいて、第１主成分ＰＣ１、第２主成分ＰＣ２・・の値、即ち、主成分得点を算出とする。図６（ｂ）に製造状態における各ロットの主成分得点を示す。図７（ｂ）に作業状態における各ロットの主成分得点を示す。図８（ｂ）に物流状態における各ロットの主成分得点を示す。
図９は、製造状態の第１主成分を横軸、第３主成分を縦軸とする座標系に図６（ｂ）に示す情報量をプロットした主成分得点を示すグラフである。図１０は、作業状態の第１主成分を横軸、第３主成分を縦軸とする座標系に図７（ｂ）に示す情報量をプロットした主成分得点を示すグラフである。図１１は、物流状態の第１主成分を横軸、第３主成分を縦軸とする座標系に図８（ｂ）に示す情報量をプロットした主成分得点を示すグラフである。
次に、制御装置が図６（ｂ）、図７（ｂ）及び図８（ｂ）に示す主成分得点にクラスター分析を適用して、各ロットを複数のグループに区分する（Ｓ１３）。「クラスター分析」とは、解析対象データ（クラスター）を類似性に着目して複数のグループに分類する方法であり、階層的クラスタリングや分類最適化クラスタリング等が知られている。本実施例におけるクラスター分析が着目する「類似性」とは、各ロットの主成分得点同士の距離をいう。本実施例では、階層的クラスタリングの一つである凝集型階層的クラスタリングを用いた。また、クラスター間の距離算出方法として、安定して解を得られるウォード法を用いた。「ウォード法」とは、２つのクラスターを併合した際の偏差平方和の増加量が最小になるクラスターを選択するものである。例えば、クラスターＡ、Ｂを併合してクラスターＣを生成する場合、クラスターＡ、Ｂ、Ｃ内の偏差平方和Ｓａ、Ｓｂ、Ｓｃは、それぞれ数式４〜６のように表される。


数式４〜６により、クラスターＣ内の偏差平方和Ｓｃは、以下のようになる。
数式７のΔＳａｂは、クラスターＡ、Ｂを併合してクラスターＣを生成した際の偏差平方和の増分であることを意味する。したがって、各併合段階でΔＳａｂが最小になるようにクラスターを選択して併合することにより、クラスタリングを進めていく。
本実施例では、図１２に示すよう、クラスター分析の結果、製造状態においては各ロットを３つのグループＧ１〜４に区分することができた。この結果を図９に反映させたものを図１３に示す。なお、グループの数は、３つに限定されるものではなく、ハンドリングし易い数であれば２つ以下でも４つ以上であっても構わない。
また、作業状態についてクラスター分析した結果を図１０に反映したものを図１４に示し、区分されたグループをグループＧ５〜７と称す。さらに、物流状態についてクラスター分析した結果を図１１に反映したものを図１５に示し、区分されたグループをグループＧ８〜１０と称す。
次に、グループ毎に優劣を判定する（Ｓ１４）。この工程Ｓ１４では、制御装置は、記憶された製造状態に関するプロダクトデータ（フィルタの交換回数）から得られる中間変数をグループＧ１〜４に属するロット毎に呼び出し、これらプロダクトデータの良否を判定する。また、作業状態及び物流状態についても同様に、グループＧ５〜１０に属するロット毎にプロダクトデータ（着色良率）から得られる中間変数をグループＧ５〜１０に属するロット毎に呼び出し、これらのプロダクトデータの良否を判定する。
なお、プロダクトデータの良否は、グループ内の平均値に基づいて行うのが好ましい。これにより、グループ内のプロダクトデータのばらつきが平準化され、グループ間のプロダクトデータの良否の傾向を大局的に把握することができる。図１３中の数値は、各グループにおけるプロダクトデータ（フィルタの交換回数の平均値）である。また、図１４、１５中の数値は、各グループにおけるプロダクトデータ（着色良率の平均値）である。
また、プロダクトデータの良否は、グループ内におけるプロダクトデータの偏差の大小や最大値及び最小値の差（範囲）の大小に基づいて判定しても構わないし、平均値、偏差又はＲ値等を２つ以上組み合わせて判定しても構わない。平均値と偏差とを組み合わせてプロダクトデータの良否を判定するものとして、例えば、グループ内の平均値が同一の場合には、グループ内の偏差が小さいものを良と判断することが考えられる。これにより、グループ内でのプロダクトデータのばらつきを考慮したグループ間のプロダクトデータの良否の傾向を大局的に把握することができる。
そして、制御装置は、各状態におけるグループ毎にプロダクトデータを比較し、その優劣を決定する。すなわち、製造状態においては、グループＧ１〜４毎にプロダクトデータを比較し、グループＧ１〜４間の優劣を決定する。同様に、作業状態においては、グループＧ５〜７毎にプロダクトデータを比較して、グループＧ５〜７間の優劣を決定し、物流状態においては、グループＧ８〜１０毎にプロダクトデータを比較して、グループＧ８〜１０間の優劣を決定する。
具体的には、製造状態では、グループＧ２が最も良好なプロダクトデータを示し、以下、Ｇ１、Ｇ３、Ｇ４の順にプロダクトデータが悪化していることから、グループ間の優劣は、グループＧ２、Ｇ１、Ｇ３、Ｇ４の順に決定した。また、作業状態では、グループＧ６が最も良好なプロダクトデータを示し、以下、Ｇ５、Ｇ７の順にプロダクトデータが悪化していることから、グループ間の優劣は、グループＧ６、Ｇ５、Ｇ７の順に決定した。さらに、物流状態では、グループＧ８が最も良好なプロダクトデータを示し、以下、Ｇ９、Ｇ１０の順にプロダクトデータが悪化していることから、グループ間の優劣は、グループＧ８、Ｇ９、Ｇ１０の順に決定した。
次に、各状態において優と判定されたグループに含まれるロット（良ロット）を特定する（Ｓ１５）。具体的には、製造状態のグループＧ２、作業状態におけるグループＧ６及び物流状態におけるグループＧ８に含まれる良ロットを特定する。ロットＮｏ．がＺ１３２、Ｚ１３５、Ｚ１４６、Ｚ１４７、Ｚ１４８及びＺ１５０が製造状態における良ロットである。また、ロットＮｏ．が１２８Ｘ、Ｚ１４１Ｘ、Ｚ１５３Ｘ、Ｚ１５５Ｘ及びＺ１５６Ｘが作業状態における良ロットである。さらに、ロットＮｏ．が１２７Ｘ、Ｚ１３０Ｘ、Ｚ１４２Ｘ、Ｚ１４６Ｘ及びＺ１４８Ｘが物流状態における良ロットである。
次に、３つの状態間で良ロットが少なくとも１つ以上共通するか否かを判定する（Ｓ１６）。本実施例では、グループＧ２、Ｇ６、Ｇ８全てに共通する良ロットは存在しない。
製造状態、作業状態及び物流状態の各良ロットが少なくとも１つ以上共通しない場合には（工程Ｓ１６でＮｏ）、作業状態の良ロットを特定する（Ｓ１７）。作業状態（選択状態）に含まれる良ロットは、ロットＮｏ．が１２８Ｘ、Ｚ１４１Ｘ、Ｚ１５３Ｘ、Ｚ１５５Ｘ及びＺ１５６Ｘである。
次に、製造状態及び物流状態（非選択状態）において、作業状態の良ロットを含むグループを最優と判定し直す（Ｓ１８）。本実施例では、製造状態では、グループＧ１が、作業状態の良ロットＺ１２８Ｘを含み、且つ製造状態において作業状態の良ロットを含む他のグループＧ３、４よりも高順位のグループである。また、物流状態においては、Ｚ１２８Ｘ、Ｚ１５３Ｘ、Ｚ１５５Ｘ及びＺ１５６Ｘを含むグループＧ９が、作業状態の良ロットを含むグループである。したがって、製造状態において最も優れたグループをＧ１とし、物流状態において最も優れたグループをＧ９とする。
次に、各状態において最優と判定されたグループの特徴を表す要因を特定する（Ｓ１９）。工程Ｓ１９では、図１３〜１８に基づいて最優と判定されたグループＧ１の特徴を表す要因を特定する。図１６は、製造状態の第１主成分を横軸、第３主成分を縦軸とする座標系に図６（ａ）に示す情報量をプロットした主成分負荷量を示すグラフである。また、図１７は、作業状態の第１主成分を横軸、第３主成分を縦軸とする座標系に図７（ａ）に示す情報量をプロットした主成分負荷量を示すグラフである。また、図１８は、物流状態の第１主成分を横軸、第３主成分を縦軸とする座標系に図８（ａ）に示す情報量をプロットした主成分負荷量を示すグラフである。
製造状態における最優と判定されたグループＧ１の特徴を表す要因を特定する際には、第１主成分ＰＣ１、第３主成分ＰＣ３の座標系（以下、「ＰＣ１、３座標系」という）上のグループＧ１の特徴的な配置関係に着目し、図１６に示す主成分負荷量のグラフ上でこの位置に対応するプロセスデータｐａｒａ１〜１６がグループＧ１を特徴付けるプロセスデータである要因として特定する。
具体的には、工程Ｓ１８において、製造状態における最優のグループがグループＧ１に変更されたことから、グループＧ１のＰＣ１、３座標系上での特徴的な配置、即ち、ＰＣ１、３座標系上において第１主成分ＰＣ１座標がプラスであり、且つ第３主成分ＰＣ３座標がプラスであることを読み取る。次に、グループＧ１のＰＣ１、３座標系上での特徴的な配置に対応するプロセスデータを図１６に示す主成分負荷量のグラフ上から読み取る。このようにして、主成分負荷量のＰＣ１、３座標系上における第１象限に存在するプロセスデータ（ｐＰａｒａ４、８等）を製造状態のプロダクトデータに影響し得る第１の要因Ｐ１として判定する。
また、図１６に示す主成分負荷量のグラフ上において、原点に対して第１の要因Ｐ１と点対称な位置付近のプロセスデータ（ｐＰａｒａ９、１０等）を製造状態のプロダクトデータに影響し得る第２の要因Ｐ２として判定する。これは、主成分負荷量のＰＣ１、３座標系上の各プロセスデータはベクトルであるから、第２の要因Ｐ２に負の値を代入すると主成分負荷量のＰＣ１、３座標系上における第１象限にもなり得るためである。
作業状態においても同様に、図１４、１７に基づいて、第１主成分ＰＣ１、第２主成分ＰＣ２の座標系（以下、「ＰＣ１、２座標系」という）上の最優のグループＧ６の特徴的な配置関係に着目することにより、図１７に示すＰＣ１、２座標系上における第２象限に存在するプロセスデータ（ｗＰａｒａ３、５等）を第３の要因Ｐ３として判定する。
また、物流状態においては、物流状態における最優のグループがグループＧ９であるから、図１５のＰＣ１、２座標系におけるグループＧ９の特徴的な配置に対応する図１８に示すＰＣ１、２座標系上における第４象限に存在するプロセスデータ（ＬＰａｒａ２、７等）を第４の要因Ｐ４として判定する。
なお、工程Ｓ１６において、製造状態、作業状態及び物流状態の各良ロットが少なくとも１つ以上共通する場合には（工程Ｓ１６でＹｅｓ）、工程Ｓ１４で判定した製造状態におけるグループＧ２、作業状態におけるグループＧ５及び物流状態におけるグループＧ８に基づいて、工程Ｓ１９と同様に品質に影響し得る要因を特定する。
上述したように、本実施例に係る発明は、各状態で最優と判定されたグループＧ２、６、８に含まれる良ロットが３つの状態間で少なくとも１つ以上共通しない場合、これらの状態から任意に選択された選択状態（作業状態）とその他の選択状態（製造状態、物流状態）とを区分し、非選択状態において選択状態内の良ロットを含む最も高順位のグループＧ１、９を最優のグループと判定し直して要因Ｐ１〜４を特定することにより、複雑な生産プロセスの実行可能な改善が図れるため、良好な製品性能及び製造性能を安定して示す生産プロセスを得ることができる。
また、作業状態において品質に影響し得る要因を製造状態又は物流状態において品質に影響し得る要因に優先して特定することにより、作業者が効率的に作業できるように生産プロセス全体を改善することができる。
次に、本発明の第２実施例に係る生産プロセスの解析方法について、図面に基づいて説明する。図１９は、本発明の第２実施例に係る生産プロセスの解析方法を示すフローチャートである。なお、本実施例に係る生産プロセスの解析方法は、上述した第１実施例の工程Ｓ１７に対応する工程が異なるのみであり、その他の工程は共通する。したがって、本実施例の工程のうち第１実施例と重複する工程は２０番台の符号を付して、第１実施例の説明と重複する説明を省略する。
まず、上述した第１実施例に係る工程Ｓ１０〜１６と同様の手順で、生産プロセスのロットを複数のグループに区分し、各状態で最優のグループに含まれるロット（良ロット）を特定して、状態間で良ロットが少なくとも１つ以上共通するかを判定する（Ｓ２０〜２６）。
製造状態、作業状態及び物流状態の各良ロットが少なくとも１つ以上共通しない場合には（工程Ｓ２６でＮｏ）、プロダクトデータが最も優れたグループに含まれる良ロットを特定する（Ｓ２７）。本実施例では、作業状態のプロダクトデータＧ６及び物流状態のプロダクトデータＧ８は、何れも着色良率で共通して比較可能である。そして、作業状態のグループＧ６のプロダクトデータは８７％であり、物流状態のグループＧ８のプロダクトデータは８６％であるから、比較可能なプロダクトデータ（着色良率）が最も優れたグループは、グループＧ６となる。そして、グループＧ６に含まれる良ロットは、図１４に示すように、ロットＮｏ．が１２８Ｘ、Ｚ１４１Ｘ、Ｚ１５３Ｘ、Ｚ１５５Ｘ及びＺ１５６Ｘとなる。
そして、工程Ｓ２８〜２９と同様の手順で、製造状態及び物流状態においては、上述した作業状態における良ロットを含む最も高順位のグループを最優と判定し直し（Ｓ２８）、グループの特徴を表す要因Ｐ１〜４を特定する（Ｓ２９）。
上述したように、本実施例に係る発明は、各状態で最優と判定されたグループＧ２、６、８に含まれる良ロットが３つの状態間で少なくとも１つ以上共通しない場合、これらの状態間でプロダクトデータが最も優れたグループＧ６を含む状態（作業状態）を選択状態として選択し、選択状態を除く他の非選択状態（製造状態、物流状態）において選択状態内の良ロットを含む最も高順位のグループＧ２、９を最優のグループと判定し直して各グループの特徴を表す要因Ｐ１〜４を特定することにより、製造設備の全自動作業と作業員の手作業とを含む生産プロセスが効率良く改善されるため、良好な製品性能及び製造性能を安定して示す生産プロセスを得ることができる。
なお、本発明は、本発明の精神を逸脱しない限り種々の改変をなすことができ、そして、本発明が該改変されたものにも及ぶことは当然である。
本発明における「生産プロセス」とは、製品（物）を製造するプロセス又はサービスを提供するプロセスを含むものである。すなわち、生産プロセスとは、物を製造するプロセスに限定されない。生産プロセスで提供されるサービスとは、例えば、パーツ洗浄や医薬品開発における治験結果の解析等のサービスが含まれる。また、上述した実施例では、製造状態、作業状態及び物流状態を含む生産プロセスを例に説明したが、必ずしもこれら３つの状態を含むものに限定されるものではなく、これら３つの状態のうち少なくとも２つ以上の状態が含まれるものであればよい。

Claims (3)

  1. 製品又はサービスの生産プロセスに関するデータに基づいて前記生産プロセスのロットを複数のグループに区分し、該グループの特徴を表すデータである要因を特定する生産プロセスの解析方法であって、
    前記データを前記生産プロセスのロット毎に収集する工程と、
    前記生産プロセスを構成する複数の状態毎に前記ロットを複数のグループに区分し、前記状態毎に各グループの優劣を判定する工程と、
    前記状態毎に最優と判定されたグループに含まれる良ロットを特定する工程と、
    前記複数の状態間で良ロットが少なくとも１つ以上共通するか否かを判定する工程と、
    前記良ロットが複数の状態間で少なくとも１つ以上共通しない場合、前記複数の状態を任意に選択された選択状態とその他の非選択状態とに区分し、前記非選択状態において前記選択状態内の良ロットを含むグループを最優のグループと判定し直して前記要因を特定する工程と、
    を含むことを特徴とする生産プロセスの解析方法。
  2. 製品又はサービスの生産プロセスに関するデータに主成分分析及びクラスター分析を適用して前記生産プロセスのロットを複数のグループに区分し、該グループ間の特徴を表すデータである要因を特定する生産プロセスの解析方法であって、
    前記製品又はサービスの品質を示す品質データを含む前記データを前記生産プロセスのロット毎に収集する工程と、
    前記生産プロセスを構成する複数の状態毎に前記ロットを複数のグループに区分し、前記状態毎に各グループの優劣を判定する工程と、
    前記状態毎に最優と判定されたグループに含まれる良ロットを特定する工程と、
    前記複数の状態間で良ロットが少なくとも１つ以上共通するか否かを判定する工程と、
    前記良ロットが複数の状態間で少なくとも１つ以上共通しない場合、前記複数の状態間で品質データが最も優れたグループを含む状態を選択状態として選択し、前記選択状態を除く他の非選択状態において前記選択状態内の良ロットを含むグループを最優のグループと判定し直して前記要因を特定する工程と、
    を含むことを特徴とする生産プロセスの解析方法。
  3. 前記非選択状態において前記選択状態内の良ロットを含むグループは、前記非選択状態において前記選択状態内の良ロットを含むグループ間で最高順位のグループであることを特徴とする請求項１又は２記載の生産プロセスの解析方法。
JP2016209179A 2016-10-26 2016-10-26 生産プロセスの解析方法 Active JP6716423B2 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
JP2016209179A JP6716423B2 (ja) 2016-10-26 2016-10-26 生産プロセスの解析方法
PCT/JP2017/008682 WO2018078903A1 (ja) 2016-10-26 2017-03-06 生産プロセスの解析方法
US16/304,645 US10902530B2 (en) 2016-10-26 2017-03-06 Production process analysis method
DE112017002268.1T DE112017002268T5 (de) 2016-10-26 2017-03-06 Analyseverfahren für fertigungsprozesse
TW106108780A TWI637251B (zh) 2016-10-26 2017-03-16 生產程序之分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2016209179A JP6716423B2 (ja) 2016-10-26 2016-10-26 生産プロセスの解析方法

Publications (2)

Publication Number Publication Date
JP2018072969A true JP2018072969A (ja) 2018-05-10
JP6716423B2 JP6716423B2 (ja) 2020-07-01

Family

ID=62023321

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016209179A Active JP6716423B2 (ja) 2016-10-26 2016-10-26 生産プロセスの解析方法

Country Status (5)

Country Link
US (1) US10902530B2 (ja)
JP (1) JP6716423B2 (ja)
DE (1) DE112017002268T5 (ja)
TW (1) TWI637251B (ja)
WO (1) WO2018078903A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6481916B1 (ja) * 2018-06-26 2019-03-13 三菱ケミカルエンジニアリング株式会社 生産システム、生産方法及び制御装置
JP2019204342A (ja) * 2018-05-24 2019-11-28 株式会社日立ハイテクソリューションズ 予兆診断システム
WO2021064781A1 (ja) * 2019-09-30 2021-04-08 三菱電機株式会社 情報処理装置、プログラム及び情報処理方法

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11774944B2 (en) 2016-05-09 2023-10-03 Strong Force Iot Portfolio 2016, Llc Methods and systems for the industrial internet of things
US20180284735A1 (en) 2016-05-09 2018-10-04 StrongForce IoT Portfolio 2016, LLC Methods and systems for industrial internet of things data collection in a network sensitive upstream oil and gas environment
US11327475B2 (en) 2016-05-09 2022-05-10 Strong Force Iot Portfolio 2016, Llc Methods and systems for intelligent collection and analysis of vehicle data
US10678233B2 (en) 2017-08-02 2020-06-09 Strong Force Iot Portfolio 2016, Llc Systems and methods for data collection and data sharing in an industrial environment
JP6549760B1 (ja) * 2018-06-26 2019-07-24 三菱ケミカルエンジニアリング株式会社 生産システム、生産方法、及び制御装置
JP7419955B2 (ja) * 2020-04-27 2024-01-23 横河電機株式会社 データ解析システム、データ解析方法、およびプログラム

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005284650A (ja) * 2004-03-29 2005-10-13 Toshiba Corp 不良原因装置特定システム及び不良原因装置特定方法
JP2016177794A (ja) * 2015-03-10 2016-10-06 三菱化学エンジニアリング株式会社 製造プロセスの解析方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3099932B2 (ja) * 1993-12-14 2000-10-16 株式会社東芝 インテリジェントテストラインシステム
JP3834008B2 (ja) * 2003-03-19 2006-10-18 株式会社東芝 不良解析装置、不良解析方法および不良解析プログラム
JP3913715B2 (ja) * 2003-06-18 2007-05-09 株式会社東芝 不良検出方法
US7477958B2 (en) * 2005-05-11 2009-01-13 International Business Machines Corporation Method of release and product flow management for a manufacturing facility
CN101308385B (zh) * 2008-07-11 2011-04-13 东北大学 基于二维动态核主元分析的非线性过程故障检测方法
CN101963810A (zh) * 2010-10-22 2011-02-02 北京理工大学 一种分批流水生产压件数量分析方法
JP5263339B2 (ja) * 2011-06-14 2013-08-14 オムロン株式会社 データ収集システム、解析装置、解析方法、およびプログラム
CN102520705B (zh) * 2011-12-31 2014-11-26 中国石油天然气股份有限公司 一种炼化生产过程优化分析方法及系统
KR20130112098A (ko) * 2012-04-03 2013-10-14 이진용 공정설계 및 공정분석 방법
US10290088B2 (en) * 2014-02-14 2019-05-14 Kla-Tencor Corporation Wafer and lot based hierarchical method combining customized metrics with a global classification methodology to monitor process tool condition at extremely high throughput
JP2016076089A (ja) * 2014-10-07 2016-05-12 東京電力株式会社 生産効率分析方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005284650A (ja) * 2004-03-29 2005-10-13 Toshiba Corp 不良原因装置特定システム及び不良原因装置特定方法
JP2016177794A (ja) * 2015-03-10 2016-10-06 三菱化学エンジニアリング株式会社 製造プロセスの解析方法

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019204342A (ja) * 2018-05-24 2019-11-28 株式会社日立ハイテクソリューションズ 予兆診断システム
JP7217593B2 (ja) 2018-05-24 2023-02-03 株式会社日立ハイテクソリューションズ 予兆診断システム
JP6481916B1 (ja) * 2018-06-26 2019-03-13 三菱ケミカルエンジニアリング株式会社 生産システム、生産方法及び制御装置
WO2020003652A1 (ja) * 2018-06-26 2020-01-02 三菱ケミカルエンジニアリング株式会社 生産システム、生産方法、制御装置、及び生産プロセスの解析方法
JP2020003940A (ja) * 2018-06-26 2020-01-09 三菱ケミカルエンジニアリング株式会社 生産システム、生産方法及び制御装置
US11675343B2 (en) 2018-06-26 2023-06-13 Mitsubishi Chemical Engineering Corporation Production system, production method, control device, and production process analysis method
WO2021064781A1 (ja) * 2019-09-30 2021-04-08 三菱電機株式会社 情報処理装置、プログラム及び情報処理方法
JPWO2021064781A1 (ja) * 2019-09-30 2021-10-21 三菱電機株式会社 情報処理装置、プログラム及び情報処理方法
TWI750608B (zh) * 2019-09-30 2021-12-21 日商三菱電機股份有限公司 用以進行影像或聲音辨識的資訊處理裝置、儲存媒體、程式產品及資訊處理方法
JP7003334B2 (ja) 2019-09-30 2022-01-20 三菱電機株式会社 情報処理装置、プログラム及び情報処理方法
KR20220042237A (ko) * 2019-09-30 2022-04-04 미쓰비시덴키 가부시키가이샤 정보 처리 장치, 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체 및 정보 처리 방법
KR102458999B1 (ko) 2019-09-30 2022-10-25 미쓰비시덴키 가부시키가이샤 정보 처리 장치, 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체 및 정보 처리 방법

Also Published As

Publication number Publication date
TW201816533A (zh) 2018-05-01
TWI637251B (zh) 2018-10-01
JP6716423B2 (ja) 2020-07-01
US20190304037A1 (en) 2019-10-03
DE112017002268T5 (de) 2019-01-17
WO2018078903A1 (ja) 2018-05-03
US10902530B2 (en) 2021-01-26

Similar Documents

Publication Publication Date Title
WO2018078903A1 (ja) 生産プロセスの解析方法
JP5956094B1 (ja) 製造プロセスの解析方法
KR102224601B1 (ko) 자동 분류를 위한 파라미터들의 튜닝
US7313453B2 (en) Automated systems and methods employing attribute-based binding and configurable rules for selection of run time equipment
Kumar et al. An ISM based framework for structural relationship among various manufacturing flexibility dimensions
Jain et al. Evaluation of flexibility in FMS using SAW and WPM
Lateef-Ur-Rehman Manufacturing configuration selection using multicriteria decision tool
WO2018142816A1 (ja) 支援装置および支援方法
Kost et al. Modeling of manufacturing systems and robot motions
Kumar Simulation of manufacturing system at different part mix ratio and routing flexibility
Thakkar et al. Multi-objective optimization on the basis of ratio analysis method (MOORA)
JP6923420B2 (ja) 生産プロセスの解析方法
Schuh et al. A framework for assessing and characterizing cellular production structures
Muduli et al. A grey relation approach for selection of industrial robot
Schuh et al. Preventive controlling of product development projects by aid of predictive analytics-identifying hot spots within the deviation probability map
Leu et al. Applying Machine Learning for COA data analytics of raw materials on Semiconductor Manufacturing
Anggrahini et al. Data analytics for transforming towards smart supplier relationship management: A case study in manufacturing company
Torn et al. Towards a Structured Decision-Making Framework for Automating Cognitively Demanding Manufacturing Tasks
Myers Automated Metrology: Manufacturing Trend of the Future
Micco The Impact of Automation in Developed Countries
JP2021121915A (ja) 生産プロセスのモニタリング方法
Venkateswarlu et al. Selection of equipment by using saw and Vikor methods
Ghifari et al. Design Of Automation Inspection System Using Cluster Identification Method Based On Leather Shoes ColourAt Venamon Corporation
Hegyháti et al. Scheduling of automated wet-etch stations
Alinezhad et al. Technology selection with both quantitative and qualitative outputs

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20190910

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: 20200602

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20200610

R150 Certificate of patent or registration of utility model

Ref document number: 6716423

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250

R250 Receipt of annual fees

Free format text: JAPANESE INTERMEDIATE CODE: R250