JP2018120347A - データ分析装置およびデータ分析方法 - Google Patents
データ分析装置およびデータ分析方法 Download PDFInfo
- Publication number
- JP2018120347A JP2018120347A JP2017010395A JP2017010395A JP2018120347A JP 2018120347 A JP2018120347 A JP 2018120347A JP 2017010395 A JP2017010395 A JP 2017010395A JP 2017010395 A JP2017010395 A JP 2017010395A JP 2018120347 A JP2018120347 A JP 2018120347A
- Authority
- JP
- Japan
- Prior art keywords
- data
- processing
- setup change
- data analysis
- setup
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- 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]
Landscapes
- General Factory Administration (AREA)
Abstract
【課題】データ分析により段取り替え直後の加工における不良要因を分析する。【解決手段】段取り替え実施前に製造設備に設定された加工条件の補正情報と設備稼働情報とを、段取り替え後の品質不良分析に用いるデータ分析装置であって、ワークの加工ごとに、前記補正情報と前記設備稼働情報と、加工後の品質検査情報とを読み込むデータ読み取り部と、段取り替え後の加工回数Xを設定し、X回目の前記品質検査情報のデータ項目の値を目的変数とする目的変数設定部と、段取り替え前の加工回数Yを設定し、1からY回前の前記補正情報と前記稼働データの各データ項目の値、および各データ項目の値を段取り替え直後の不良発生への寄与が期待される特徴量を説明変数とする説明変数設定部と、前記説明変数設定部で設定された説明変数と前記目的変数設定部で設定された目的変数との間の関係を分析するデータ分析部と、を有するデータ分析装置。【選択図】図4A
Description
本発明は、データ分析技術に関し、特に、金属等の加工工程におけるデータ分析技術に関する。
情報家電の光学部品や自動車エンジン部品などは、マシニングセンタや専用機を用いた金属の精密加工により製造されている。加工された部品は、後工程で寸法や形状などの誤差が許容範囲内にあるか等の品質検査がなされる。品質に問題がある場合には品質検査が不合格となり、部品は再加工や不良品として廃棄される。
例えば、部品メーカでは、手戻りや廃棄ロスを減らすために歩留り向上が重要な課題となっている。そこで、部品を加工した設備の稼働データ(加工時間、加工量、電力、回転速度、温度、圧力など)と当該部品の品質検査データとをデータベース等に蓄積し、分類木などのデータ分析手法により部品の不良と設備の稼働状況との関係を明らかにする取組みが行われている。
稼働データを説明変数、品質検査データを目的変数として分類木等の手法を用いて不良と稼働データの関係を分析する装置としては、以下の文献に開示されている。
しかしながら、段取り替え直後の加工における不良要因をデータ分析することは難しかった。
例えば、最新の工場では、製造ラインを停止させずに段取り替えを行う外段取りが行われている。外段取りを行うことで、例えば、加工品目等の変更中も設備を停止させることはない。したがって、段取り替え実施後はそれ以降に加工条件の動的な補正が実行されるまで段取り替え以前の補正が設定されたまま加工される場合も多い。そのため、特に段取り替え直後の加工について、設備の稼働データは正常範囲であるにもかかわらず加工精度が低下して不良になるケースが増えている。このような場合において、段取り替えを区切りとした従来のデータ分析を用いて段取り替え直後に発生する不良と対応する稼働データとの間に関連を見出すことは難しい。
従って、どのようにデータ分析を行うかが問題となる。
本発明は、データ分析により段取り替え直後の加工における不良要因を分析することができるデータ分析技術を提供することを目的とする。
本発明の一観点によれば、段取り替え実施前に製造設備に設定された(ワーク又は工具の)加工条件の補正情報と設備稼働情報とを、段取り替え(直)後の品質不良分析に用いるデータ分析装置であって、ワークの加工ごとに、(データベースに格納された)前記補正情報と前記設備稼働情報と、加工後の品質検査情報とを読み込むデータ読み取り部と、段取り替え後の加工回数Xを設定し、X回目の前記品質検査情報のデータ項目の値を目的変数とする目的変数設定部と、段取り替え前の加工回数Yを設定し、1からY回前の前記補正情報と前記設備稼働情報の各データ項目の値、および各データ項目の値を段取り替え直後の不良発生への寄与が期待される特徴量を説明変数とする説明変数設定部と、前記説明変数設定部で設定された説明変数と前記目的変数設定部で設定された目的変数との間の関係を、例えば前記補正情報と前記設備稼働情報と加工後の品質検査情報とに基づいて分析するデータ分析部と、を有するデータ分析装置が提供される。
「前記説明変数設定部で設定された説明変数と前記目的変数設定部で設定された目的変数との間の関係を前記補正情報と前記設備稼働情報と、加工後の品質検査情報とに基づいて分析する」とは、目的変数である品質の合否を可能な限り明確に分ける補正情報や設備稼働情報の条件を分析処理によってデータから見出し、将来の加工で新たなデータを得た場合に各説明変数の条件に基づいて目的変数を高い精度で予測するための、予測モデルを構築する処理である。
前記加工回数Xは、段取り替え後の加工の初期段階とすると良い。前記加工回数Yは、段取り替え前の後期(最終)段階とすると良い。
さらに、分析処理の中から、実装された複数の分析処理を適用し、適合度が所定の値より高いモデルあるいは除外データの予測精度が所定の値より高いモデルを選択する分析処理選択部を備えることを特徴とする。
例えば、モデル構築に使用したデータ自身にそのモデルを適用してデータに対する適合度を求める、あるいはモデル構築時に一部のデータを使わずにおいて構築したモデルをその除外したデータに適用して予測精度を評価する、などのモデル評価をする。そして、装置に実装されたすべての分析処理を適用し、最も適合度が高いモデルあるいは除外データの予測精度が最も高いモデルを装置が1つ選択することは可能である。ここで、選択の主体は、人が選択するケース、マシンが最も評価の高い処理を1つ推奨するケースのいずれでも良い。
前記説明変数は、各データ項目の段取り替え前のトレンド、統計量、関数変換した値を不良発生に関する特徴量としたものであっても良い。
さらに、前記データ分析部により分析を実行して得られた分析結果を出力する分析結果出力部を備えることを特徴とする。
これにより、段取り替え時に作業者が補正量を(手動)調整することで不良発生率を低減することができる。
本発明の他の観点によれば、段取り替え実施前に製造設備に設定された加工条件の補正情報と設備稼働情報とを、段取り替え後の品質不良分析に用いるデータ分析方法であって、ワークの加工ごとに、前記補正情報と前記設備稼働情報と、加工後の品質検査情報とを読み込むデータ読み取りステップと、段取り替え後の加工回数Xを設定し、X回目の前記品質検査情報のデータ項目の値を目的変数とする目的変数設定ステップと、段取り替え前の加工回数Yを設定し、1からY回前の前記補正情報と前記設備稼働情報の各データ項目の値、および各データ項目の値を段取り替え直後の不良発生への寄与が期待される特徴量を説明変数とする説明変数設定ステップと、前記説明変数設定ステップで設定された説明変数と前記目的変数設定ステップで設定された目的変数との間の関係を分析するデータ分析ステップと、を有するデータ分析方法が提供される。
本発明によれば、段取り替え直後の不良発生要因を明確化することが容易になる。
以下において、本発明の実施の形態によるデータ分析技術について、図面を参照しながら詳細に説明する。尚、段取り替えとは「加工品目変更や治工具交換、または治工具修正など、量産ラインを構成する装置の設定や状態に何らかの変更を行う行為」のことを指す。
量産ラインのように同一品目をある期間連続で加工する場合には、データ分析は段取り替えを区切りとして実行されることが多い。これは、ある段取り替えから次回の段取り替えまでは同じ品目を同じ設備かつ同じ工具で加工した結果のデータを利用することになり、不良と稼働状況の関係を分析する条件を揃えることができるからである。
ただし、以下に説明するような観点を考慮する必要がある。
1)同一品目を継続して製造する場合
同一品目を継続して製造する場合には、上記のような理由から、特に、考慮すべき点はないように思われる。しかしながら、同一品目を連続加工する中で徐々に工具が摩耗することや、作業員がワークをパレットや作業台にセッティングする際にワークと工具の中心位置に微小なずれが生じることなど、加工精度に影響を与える要因が製造プロセスに内在しているため、設備側では加工精度を規定範囲に収めるようコンピュータ制御による動的な補正(工具やワークの位置補正など)を実行することが必要である。稼働データは補正を踏まえた実績データとして観測され、データベース(DB)に格納される。必要に応じて補正データもデータベース(DB)に蓄積され、分析に利用される。
2)異なる品目を前後で継続して製造する場合
1)のように、同じワークを継続して加工する場合の他にも、例えば、図1に示すような異なる品目を前後で継続して製造する場合がある。
1)同一品目を継続して製造する場合
同一品目を継続して製造する場合には、上記のような理由から、特に、考慮すべき点はないように思われる。しかしながら、同一品目を連続加工する中で徐々に工具が摩耗することや、作業員がワークをパレットや作業台にセッティングする際にワークと工具の中心位置に微小なずれが生じることなど、加工精度に影響を与える要因が製造プロセスに内在しているため、設備側では加工精度を規定範囲に収めるようコンピュータ制御による動的な補正(工具やワークの位置補正など)を実行することが必要である。稼働データは補正を踏まえた実績データとして観測され、データベース(DB)に格納される。必要に応じて補正データもデータベース(DB)に蓄積され、分析に利用される。
2)異なる品目を前後で継続して製造する場合
1)のように、同じワークを継続して加工する場合の他にも、例えば、図1に示すような異なる品目を前後で継続して製造する場合がある。
図1は、そのような量産ラインの一例を簡単に示す図である。図1に示す量産ラインでは、パレットにワークを搭載し、図示しない加工設備を利用して、ワークの加工を行う。矢印の方向は、加工の順番を時系列的に示すものである。まず、ワークAを加工していくが、ある時点で、同じ加工設備を用いてワークBの加工に切り替える。ワークAとワークBとが異なるものの両者が類似した品目である場合には、設備を停止させない外段取りが行われることがある。
以下においては、図1に示すような工程を例にして説明するが、本発明の実施の形態によるデータ分析技術は、同一品目を連続加工する場合にも適用可能である。
図2は、図1に示すような工程例に本実施の形態によるデータ分析技術を適用する際のイメージを示す図であり、横軸は時間である。
図2に示すように、加工品目がAからBに切り替わるタイミングをt1とする。t0からt1までは品目Aを、t1からt2までは品目Bを加工し、加工品目の切り替わりタイミングの前後のみを示している。そして、ワークや工具の補正情報は、タイミングt1を挟んで維持されているとする。補正情報をキャンセル等するタイミングがないからである。
本実施の形態によるデータ分析技術では、段取り替え(t1)前のY回の加工(Yは、t0からt1までの間のt1近傍の短い期間における加工回数、例えば、段取り替えの間に100回の加工を行う場合に、10回程度)、段取り替え(t1)後のX回の加工(Xは、t1からt2までの間のt1近傍の短い期間における加工回数、例えば、段取り替えの間に100回の加工を行う場合に、数回程度)が設定される。
以下、本実施の形態によるデータ分析装置について、より詳細に説明する。
図3は、本実施の形態によるデータ分析装置の一構成例を示す機能ブロック図である。図4Aは、段取り替え前の加工で蓄積された補正情報や設備稼働情報からなる履歴データを用いて段取り替え後の加工品質を予測するデータ分析装置を利用したデータ分析処理の流れを示すフローチャート図である。図4Aでは、併せて、段取り替えを区切りとしてある段取り替えから次回段取り替えまでの加工で蓄積された履歴データを品質予測に用いる従来のデータ分析処理の流れについても、比較できるように示している。本発明は実線のフローで記載し、比較対象の従来技術は点線のフローで記載している。図4Bは、図2に対応する図であり、本発明によるデータ分析処理と従来のデータ分析処理の場合を比較して示した図である。
図3に示すように、本実施の形態によるデータ分析装置(情報処理装置、コンピュータ)Aは、データ読み取り部1と、目的変数設定部3と、説明変数設定部5と、分析処理部7と、出力部11と、を有している。さらに、分析処理部7による分析方法を複数の方法の中から選択する分析処理選択部15を有していても良い。
さらに、データ分析装置A内の記憶部又は、データ分析装置Aとネットワーク接続されるデータベース(DB)に、稼動データ(設備稼働情報)格納部21、補正データ格納部23、検査データ格納部25、出力データ格納部27を有する。また、上記の各機能をCPUに発揮させるための処理プログラム31を格納する。加えて、分析処理プログラム33として、分析処理選択部15により選択された分析処理を分析処理部7に実行させるための、分析処理プログラム1からnまでが格納されている。
データベースDBには、加工機で実行した加工ごとに設備の稼働データと補正データ、および加工後に実施される検査工程での品質検査データが記録されている。
例えば、研削盤で製造する自動車エンジン部品の研削加工工程について、メーカの生産技術担当者が、本実施の形態によるデータ分析装置(図3)等を用いて段取り替え直後の品質不良を予測する場合を例に説明する。尚、本発明の実施の形態における利用としては、研削盤ではなく他の加工機を用いていてもよいし、品目も自動車エンジン部品に限定されるものではない。対象とする加工種別も研削ではなく切削でもよい。すなわち、加工場所や加工方法などは限定されない。
表1は、稼働データテーブルを、表2は、補正データテーブル、表3は、品質検査データテーブルをそれぞれ示す。
表1の稼働データテーブルには、稼働データ項目の例として加工ごとの研削時間と研削量(例えば研削砥石の研削開始位置からの移動量として定義される)、主軸駆動用モーターの電力値、研削砥石の主軸回転速度、加工点温度の各実績値が記録されている。表2の補正データテーブルには、加工ごとのワーク位置および研削砥石位置の補正量としてパレットや作業台の原点からのオフセット値が記録されている。ここで、オフセット値とは原点を基準としたときの補正後の相対位置(主軸位置)のことである。この研削盤は外段取りが可能で、加工品目の交換に際し設備を停止させる必要はない。そのため、段取り替え前の補正量は段取り替え後に再度補正が実行されるまでそのまま維持されている。表3の品質検査データテーブルには、加工ごとの寸法誤差と合否判定(0,1)が記録されている。
この例では、誤差の絶対値が0.4以上の場合に不合格判定(判定値は1)となる。段取り替え回数が10の終盤の補正量が、段取り替え回数が11に継続した影響により、稼働データに特異な変動が見られなくとも段取り替え回数が11の最初の2回の加工で不良が出ている。
自動車エンジン部品のような精密加工では、加工時の微小な補正が段取り替えによるワークの変更や治工具の交換で実態に適合しなくなったために、このような加工精度の低下が起こりうる。
さらに、段取り替え回数が11の最初の2回の寸法誤差が規定範囲外になっているのを受けて、3回目から段取り替え後の実態に合わせて補正量が修正され、規定範囲に誤差が収まるようになっている。
図4Aに沿って、本実施の形態によるデータ分析処理の流れの一例を説明する。
担当者による入力キーなどの入力操作を契機にして、データ読み取り部1が、データベースDB内から、稼動データ、補正データ、検査データを、コンピュータのRAM(メモリ)などに読み込む(ステップS1)。本実施の形態では、ある加工機(IDがRes001である設備)で加工した段取り替え回数が1から51回までの稼働データと補正データ、および対応する品質検査データを読み込んだものとする。メモリ上に読み込まれたデータは、表4に示すように、表1から表3までの各テーブルを設備ID、段取り替え回数、品目ID、加工回数をキーに結合した形で保持される(ステップS2)。
担当者による入力キーなどの入力操作を契機にして、データ読み取り部1が、データベースDB内から、稼動データ、補正データ、検査データを、コンピュータのRAM(メモリ)などに読み込む(ステップS1)。本実施の形態では、ある加工機(IDがRes001である設備)で加工した段取り替え回数が1から51回までの稼働データと補正データ、および対応する品質検査データを読み込んだものとする。メモリ上に読み込まれたデータは、表4に示すように、表1から表3までの各テーブルを設備ID、段取り替え回数、品目ID、加工回数をキーに結合した形で保持される(ステップS2)。
図4Aには、比較のために、図4Bの下側に示すように、段取り替えごとに表4のデータを区切った上で、例えば「段取り替え後T回目(T=1、2、…、N)までの加工時の稼働データや補正データの値がT+S回目(S=0、1、2、…)の品質検査データに影響を与える」のような仮説の下に、分類木等を利用して不良と稼働データの関連を分析する処理の流れの一例も示している。
しかしながら、段取り替えをまたいで補正量が維持されることで生じる段取り替え直後の不良については、段取り替え直後の稼働データに必ずしも異常な変動等が観測されるわけではないため、従来の分析では関連を見出すことが難しい。そこで、段取り替え前の補正データや稼働データと段取り替え直後の品質検査データの関連を分析する本発明のような装置が必要となる。
本実施例では、段取り替え回数1の終盤から段取り替え回数51の序盤までの加工と品質検査の履歴データを用いて、段取り替え直後の品質を予測するためのモデルを構築する。そして、段取り替え回数が51の終盤の加工で得られた稼働データと補正データに対して構築した予測モデルを適用し、段取り替え回数52を実施した直後の加工品質を予測する。
担当者の操作に応じて、目的変数設定部3は、品質検査データから目的変数を設定する(ステップS3)。本実施の形態では、段取り替え直後の不良を予測することが分析の目的であるため、この例では、段取り替え後1回目(図4BでN=1)の合否判定を目的変数とする。合否判定のようなカテゴリ変数だけでなく、寸法誤差や寸法誤差と規定範囲境界値との差などの連続変数を目的変数に設定してもよい。
さらに、担当者の操作に応じて、説明変数設定部5は、段取り替え前の補正データや稼働データから1つ以上の説明変数を設定する(ステップS4)。この例では、段取り替え前3回(図4BでM=3)の加工から同じ補正量が継続しているとし、段取り替え前3回分の加工を対象に各データ項目から説明変数を設定した。
尚、表4の補正データと稼働データのデータ群の中で説明変数の対象となりうるデータ項目は、研削時間から主軸位置までの7つである。
i番目(i=1, …, 7)の項目で段取り替え前j回目(j=1, 2, 3)の加工に対応する履歴データの値をxijとするとき、説明変数は関数f(x11, x12, x13, …, x71, x72, x73)を通して構築される。関数fの代表的なものとして、
f(x11, x12, x13, …, x71, x72, x73) = xij(あるデータ項目の値そのまま)、
f(x11, x12, x13, …, x71, x72, x73) = log(xij)(あるデータ項目の対数変換)、
f(x11, x12, x13, …, x71, x72, x73) = exp(xij)(あるデータ項目の指数変換)、
f(x11, x12, x13, …, x71, x72, x73) = xij- xik(データ項目iの段取り替え前j回目とk回目の値の差(トレンド))、
f(x11, x12, x13, …, x71, x72, x73) = (xij- xkj)/(xij+ xkj)(データ項目iとkの段取り替え前j回目の値の四則演算(比率))、
f(x11, x12, x13, …, x71, x72, x73) = (xi1+ xi2+ xi3)/3(データ項目iの段取り替え前3回分の平均値(統計量))、
等が挙げられる。
f(x11, x12, x13, …, x71, x72, x73) = xij(あるデータ項目の値そのまま)、
f(x11, x12, x13, …, x71, x72, x73) = log(xij)(あるデータ項目の対数変換)、
f(x11, x12, x13, …, x71, x72, x73) = exp(xij)(あるデータ項目の指数変換)、
f(x11, x12, x13, …, x71, x72, x73) = xij- xik(データ項目iの段取り替え前j回目とk回目の値の差(トレンド))、
f(x11, x12, x13, …, x71, x72, x73) = (xij- xkj)/(xij+ xkj)(データ項目iとkの段取り替え前j回目の値の四則演算(比率))、
f(x11, x12, x13, …, x71, x72, x73) = (xi1+ xi2+ xi3)/3(データ項目iの段取り替え前3回分の平均値(統計量))、
等が挙げられる。
ただし、関数fは上記の関数に限定されるものではなく、担当者のデータに関する知見に基づいて任意の関数を利用することが可能である。
本実施の形態では、段取り替え前1回目のワーク位置の値=V1と主軸位置の値=V2と、段取り替え前1回目と3回目の研削時間の差=V3と、段取り替え前1回目から3回目までの温度の平均値=V4、の4つの説明変数を設定した。
以上のように、目的変数と説明変数とを設定した後に、担当者の操作に応じて、分析処理選択部15を用いて適切な分析手法を1つ選択する(ステップS5)。
例えば、分析手法の中から、実装された複数の分析手法を適用し、適合度が所定の値より高いモデルあるいは除外データの予測精度が所定の値より高いモデルを選択する。
尚、説明変数と目的変数との因果関係を分析する手法として、分類木や回帰木、線形回帰、線形判別、ロジスティック回帰、サポートベクターマシン(SVM)、ニューラルネットワーク(NN)、ベイジアンネットなどが挙げられる。
この例では、目的変数が合否を示す2値カテゴリ変数のため、分類木を選択した例を示す。
図4AのステップS5に示すように、本実施例では、段取り替え回数51の1回目までの加工・品質検査で得られた履歴データをもとに予測モデルを構築する。このとき、図4AのステップS6に示すように、履歴データに対して予測モデルを適用した予測結果から求まる適合度などを用いてモデルを評価し、モデルの評価値を向上させるために必要に応じて説明変数や予測モデルのパラメタを修正しても良い。
次に、担当者の操作に応じて、分析処理部7により、例えば、上記のようにして選択された分類木モデルによる予測を実行する(ステップS7)。
図5は、構築された分類木モデルの一例を示す図である。
図5に示すように、分類木モデルでは、上記で設定した説明変数V1からV4までのうち、段取り替え前1回目のワーク位置の値=V1と主軸位置の値=V2と、段取り替え前1回目と3回目の研削時間の差=V3の3つが目的変数である段取り替え後加工1回目の合否の分類に使用されている。合否を分ける各説明変数の条件(主軸位置<(≧)0.10、研削時間の差<(≧)0.00、ワークの位置<(≧)0.40)を分類条件と称する。
図5に示すように、分類木モデルでは、上記で設定した説明変数V1からV4までのうち、段取り替え前1回目のワーク位置の値=V1と主軸位置の値=V2と、段取り替え前1回目と3回目の研削時間の差=V3の3つが目的変数である段取り替え後加工1回目の合否の分類に使用されている。合否を分ける各説明変数の条件(主軸位置<(≧)0.10、研削時間の差<(≧)0.00、ワークの位置<(≧)0.40)を分類条件と称する。
すなわち、説明変数設定部で設定された説明変数と前記目的変数設定部で設定された目的変数との間の関係を、前記補正情報と前記設備稼働情報と、加工後の品質検査情報とに基づいて分析するとは、可能な限り合否を明確に分ける説明変数の分類条件をデータから見いだす処理である。
図5の分類木モデルにおいて、親ノード55は予測モデル構築に用いた履歴データ全体の集合を意味する。すなわち、段取り替え回数1の終盤から段取り替え回数51の1回目までの履歴データから生成される、段取り替え終盤の各説明変数の値と次の段取り替え1回目の合否実績のペア集合全体であり、合否割合はペア集合にある1回目の合否実績から求められたものである。分類木の構築では、各説明変数に対して様々な分類条件の下でノードを分割した場合の合否割合の変化を調べ、合否をより明確に分けるような説明変数とその分類条件の探索が実行される。
図5ではまず、最初の探索によってV1=0.40を境にペア集合全体を2つの子ノード45と53に分割すると、片方の子ノードには不合格のデータが、もう片方の子ノードには合格のデータがより多く分類され、結果として各ノードの合否割合はどちらかが大きくなるように変化することが示されている。さらに次の探索によって、子ノード43をV3=0.00で、もう1つの子ノード53をV2=0.10でそれぞれ2つに分割すると、さらに合否が明確に分かれた4つの集合になる状況が示されている。
なお、ノードを何回分割するかについては、木の末端となるリーフノードの要素が規定の数以下になる場合、これ以上分割しても合否の割合に変化がない場合、指定した木の深さに到達した場合など様々な停止条件に基づいて決めることができる。
リーフノード41、43、47、51にある合否の割合を見ると、概ね合格と不合格を分離する説明変数の条件が構築され、段取り替え直後の不良と段取り替え前の補正データや稼働データとの関係が見出されたように見える。担当者は、構築された分類木を履歴データからなるペア集合自身に適用して予測された合否と実際の合否を比較して求まるモデル適合度を確認したり、クロスバリデーション(事前にペア集合全体を分類木モデル構築用と検証用に分け、構築用データで生成した分類木モデルを検証用データに適用した際の予測精度を確認する手法)で予測性能を検証したりして、分類木モデルを評価することができる。評価結果に応じて、必要ならば説明変数や分析手法の見直しや分類木モデルのパラメタ調整を行い、さらに評価の高いモデルを得るまで繰り返し分類木モデルを構築することも可能である(図4AのステップS6)。図5にあるモデル評価によれば、生成された分類木モデルのデータ適合度およびクロスバリデーションの予測精度は概ね高い水準にあると判断できる。
担当者は、構築された分類木モデルを段取り替え回数が51の終盤の補正データと稼働データに適用し、次の段取り替え(段取り替え回数52)後1回目の加工品質を予測する(図4A: ステップS7)。段取り替え回数が51の終盤の履歴データから、V1=0.09、V2=0.03、V3=0.22となることが分かるため、モデルの分類条件から次の段取り替え後1回目の合否はリーフノード43に分類される。図5によればリーフノード43の合否割合は否の方が大きい。したがって、品質予測値は不合格すなわち不良であることがわかる。
予測結果を受けて担当者は、段取り替え回数52の1回目の加工を実施する前に加工機を操作してワークや工具の補正量をクリアする(例えば補正値に0.00を設定する)ことで、段取り替え後1回目の加工で不良が発生することを避けることができる(図4A、ステップS8)。
段取り替え直後の不良と段取り替え前の補正データや稼働データとの間に有意な関係を見出すことができた場合には、担当者の操作により、出力部11は、画面やファイルに分析結果を出力する。
表5に、ファイル出力された分析結果の例を示す。
表5には、段取り替え回数が1から50の終盤の履歴データに対してそれぞれ分類木モデルを適用したときの、次回段取り替え後加工1回目の品質予測結果と、段取り替え回数が51の終盤の履歴データに対して分類木モデルを適用したときの次回段取り替え(段取り替え回数が52)後1回目の加工品質を予測した結果が出力されている。段取り替え回数が1から50の終盤の履歴データに対するモデル予測値は、次回段取り替え後加工1回目の合否実績との差異に基づき分類木モデルの適合度を評価するデータとして使われる。段取り替え回数が52の1回目の加工品質を予測した結果は、不良が発生しないように補正量クリアなどの対策を取るかどうかを決めるために使われる。
なお、段取り替え回数が1のモデル予測値については、それより前の段取り替えの加工実績がないため、計算されない。また、段取り替え回数が52の合否実績については、これから観測される値であるため空白となっている。
図6は、図5の分析で得られた不良予測に応じて補正量を手動調整した場合の段取り替え直後の不良発生率と、手動調整せずに補正量が継続している場合の段取り替え直後の不良発生率と、を比較する画面例を示す図であり、出力部11に出力された表示画面例を示す図である。なお、図6では本実施例で対象とした設備Res001だけでなく、他の設備についても図5に相当する分類木モデルを構築して段取り替え直後の不良予測に基づく補正調整をした場合の結果も同時に出力した例となっている。
図6に示すように、図5の分析で得られた不良予測に従って段取り替え時の補正量の手動調整を実施した場合の、歩留り改善効果を確認することができる。
以上の結果により、担当者は、構築した分類木モデルを用いて段取り替え前のデータから段取り替え直後の不良発生を予測し、予測に基づいて段取り替え時に工場の作業者が補正量を手動調整するなど不良が出ないような対策をすることで、歩留りの改善が可能となる。
図4Bは、図4Aの処理に対応するデータ分析技術を適用する際の説明変数と目的変数の設定範囲の一例を示す図であり、横軸は時間である。
図4Aに基づいて処理を比較すると、以下のようになる。
図4Aの右側の比較例による処理では、ある段取り替えから次回段取り替えまでを区切りとする。
図4Aの右側の比較例による処理では、ある段取り替えから次回段取り替えまでを区切りとする。
そして、予測したい品目の、段取り替え後S回目の品質検査データを目的変数に設定し(図4:ステップS13)、予測品目の加工する段取り替えのT回目(1≦T≦S)までの稼動データや補正データを説明変数に設定する(図4A:ステップS14)。
尚、ステップS15-S18は、ステップS5-S8に対応する。
すなわち、稼働データ(必要があれば補正データも含む)、品質検査データを分割し、段取り替え後S回加工分のデータとして稼働状況と不良の関連を分析する分類木等の手法を用いていた。
これに対し、本実施の形態では、段取り替えを跨いで補正が継続する状況の下で、段取り替え前M回分の稼働データや補正データと段取り替え直後(N回分)の品質検査データの関連を分析することが可能である。
比較例のデータ分析では、実務上の取扱いの容易さから稼働データや補正データの各データ項目をそのまま説明変数としているが、本実施の形態では段取り替え直後の不良をより高い精度で予測できるようにするため、各データ項目の段取り替え前M回分のトレンドや統計量、対数・指数変換したものなどを不良発生に関する特徴量として説明変数に用いても良い。
図7は、横軸に時間を、縦軸に稼動データの物理量をとった図であり、上図のように、傾きtanθが正の場合と、下図のように傾きtanθが負の場合のように、tanθをトレンドとして用いて分析を行っても良い。
以上のように、本発明によれば、段取り替え直後の不良発生要因を明確化することが容易になる。
従って、段取り替え前の補正データや設備稼働データなどから段取り替え直後の不良発生を予測したり、不良が出ないような対策(段取り替え時に補正をクリアするなどの制御を組み込む)を講じたりすることが可能となる。
尚、本実施の形態によるデータ分析技術は、データ分析方法をコンピュータに実行させるためのプログラムであっても良く、当該プログラムを記録するコンピュータ読み取り可能な記録媒体であっても良い。
処理および制御は、CPU(Central Processing Unit)やGPU(Graphics Processing Unit)によるソフトウェア処理、ASIC(Application Specific Integrated Circuit)やFPGA(Field Programmable Gate Array)によるハードウェア処理によって実現することができる。
また、上記の実施の形態において、添付図面に図示されている構成等については、これらに限定されるものではなく、本発明の効果を発揮する範囲内で適宜変更することが可能である。その他、本発明の目的の範囲を逸脱しない限りにおいて適宜変更して実施することが可能である。
また、本発明の各構成要素は、任意に取捨選択することができ、取捨選択した構成を具備する発明も本発明に含まれるものである。
また、本実施の形態で説明した機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより各部の処理を行ってもよい。尚、ここでいう「コンピュータシステム」とは、OSや周辺機器等のハードウェアを含むものとする。
また、「コンピュータシステム」は、WWWシステムを利用している場合であれば、ホームページ提供環境(あるいは表示環境)も含むものとする。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ROM、CD−ROM等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含むものとする。また前記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。機能の少なくとも一部は、集積回路などのハードウェアで実現しても良い。
本発明は、データ分析装置に利用可能である。
A…データ分析装置、1…データ読み取り部、3…目的変数設定部、5…説明変数設定部、7…分析処理部(データ分析部)、11…出力部、15…分析処理選択部、DB…データベース、21…稼動データ(設備稼働情報)格納部、23…補正データ格納部、25…検査データ格納部、27…出力データ格納部。
Claims (6)
- 段取り替え実施前に製造設備に設定された加工条件の補正情報と設備稼働情報とを、段取り替え後の品質不良分析に用いるデータ分析装置であって、
ワークの加工ごとに、前記補正情報と前記設備稼働情報と、加工後の品質検査情報とを読み込むデータ読み取り部と、
段取り替え後の加工回数Xを設定し、X回目の前記品質検査情報のデータ項目の値を目的変数とする目的変数設定部と、
段取り替え前の加工回数Yを設定し、1からY回前の前記補正情報と前記設備稼働情報の各データ項目の値、および各データ項目の値を段取り替え直後の不良発生への寄与が期待される特徴量を説明変数とする説明変数設定部と、
前記説明変数設定部で設定された説明変数と前記目的変数設定部で設定された目的変数との間の関係を分析するデータ分析部と、を有するデータ分析装置。 - 前記加工回数Xは、段取り替え後の加工の初期段階とする請求項1に記載のデータ分析装置。
- 前記加工回数Yは、段取り替え前の後期(最終)段階とする請求項1又は2に記載のデータ分析装置。
- さらに、分析処理の中から、実装された複数の分析処理を適用し、適合度が所定の値より高いモデルあるいは除外データの予測精度が所定の値より高いモデルを選択する分析処理選択部を備えることを特徴とする請求項1から3までのいずれか1項に記載のデータ分析装置。
- 前記説明変数は、
各データ項目の段取り替え前のトレンド、統計量、関数変換した値を不良発生への寄与が期待される特徴量としたものである請求項1から4までのいずれか1項に記載のデータ分析装置。 - 段取り替え実施前に製造設備に設定された加工条件の補正情報と設備稼働情報とを、段取り替え後の品質不良分析に用いるデータ分析方法であって、
ワークの加工ごとに、前記補正情報と前記設備稼働情報と、加工後の品質検査情報とを読み込むデータ読み取りステップと、
段取り替え後の加工回数Xを設定し、X回目の前記品質検査情報のデータ項目の値を目的変数とする目的変数設定ステップと、
段取り替え前の加工回数Yを設定し、1からY回前の前記補正情報と前記設備稼働情報の各データ項目の値、および各データ項目の値を段取り替え直後の不良発生への寄与が期待される特徴量を説明変数とする説明変数設定ステップと、
前記説明変数設定ステップで設定された説明変数と前記目的変数設定ステップで設定された目的変数との間の関係を分析するデータ分析ステップと、を有するデータ分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017010395A JP2018120347A (ja) | 2017-01-24 | 2017-01-24 | データ分析装置およびデータ分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017010395A JP2018120347A (ja) | 2017-01-24 | 2017-01-24 | データ分析装置およびデータ分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2018120347A true JP2018120347A (ja) | 2018-08-02 |
Family
ID=63043832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017010395A Pending JP2018120347A (ja) | 2017-01-24 | 2017-01-24 | データ分析装置およびデータ分析方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2018120347A (ja) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409780A (zh) * | 2018-11-21 | 2019-03-01 | 平安科技(深圳)有限公司 | 变更处理方法、装置、计算机设备和存储介质 |
JP2019061598A (ja) * | 2017-09-28 | 2019-04-18 | Heroz株式会社 | 生産管理装置および生産管理方法 |
JP2020052504A (ja) * | 2018-09-25 | 2020-04-02 | 富士ゼロックス株式会社 | 検査情報予測装置、検査装置、検査情報予測方法及び検査情報予測プログラム |
CN111262887A (zh) * | 2020-04-26 | 2020-06-09 | 腾讯科技(深圳)有限公司 | 基于对象特征的网络风险检测方法、装置、设备及介质 |
JP2020123274A (ja) * | 2019-01-31 | 2020-08-13 | 株式会社カネカ | 不良要因分析方法、不良要因分析装置及びコンピュータプログラム |
CN114637270A (zh) * | 2022-05-17 | 2022-06-17 | 成都秦川物联网科技股份有限公司 | 基于集散控制的智能制造工业物联网及控制方法 |
-
2017
- 2017-01-24 JP JP2017010395A patent/JP2018120347A/ja active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019061598A (ja) * | 2017-09-28 | 2019-04-18 | Heroz株式会社 | 生産管理装置および生産管理方法 |
JP2020052504A (ja) * | 2018-09-25 | 2020-04-02 | 富士ゼロックス株式会社 | 検査情報予測装置、検査装置、検査情報予測方法及び検査情報予測プログラム |
JP7192349B2 (ja) | 2018-09-25 | 2022-12-20 | 富士フイルムビジネスイノベーション株式会社 | 検査情報予測装置、検査装置、検査情報予測方法及び検査情報予測プログラム |
CN109409780A (zh) * | 2018-11-21 | 2019-03-01 | 平安科技(深圳)有限公司 | 变更处理方法、装置、计算机设备和存储介质 |
CN109409780B (zh) * | 2018-11-21 | 2024-04-09 | 平安科技(深圳)有限公司 | 变更处理方法、装置、计算机设备和存储介质 |
JP2020123274A (ja) * | 2019-01-31 | 2020-08-13 | 株式会社カネカ | 不良要因分析方法、不良要因分析装置及びコンピュータプログラム |
CN111262887A (zh) * | 2020-04-26 | 2020-06-09 | 腾讯科技(深圳)有限公司 | 基于对象特征的网络风险检测方法、装置、设备及介质 |
CN111262887B (zh) * | 2020-04-26 | 2020-08-28 | 腾讯科技(深圳)有限公司 | 基于对象特征的网络风险检测方法、装置、设备及介质 |
CN114637270A (zh) * | 2022-05-17 | 2022-06-17 | 成都秦川物联网科技股份有限公司 | 基于集散控制的智能制造工业物联网及控制方法 |
CN114637270B (zh) * | 2022-05-17 | 2022-08-23 | 成都秦川物联网科技股份有限公司 | 基于集散控制的智能制造工业物联网及控制方法 |
US11681283B1 (en) | 2022-05-17 | 2023-06-20 | Chengdu Qinchuan Iot Technology Co., Ltd. | Intelligent manufacturing industrial Internet of Things based on distributed control, control methods and media thereof |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2018120347A (ja) | データ分析装置およびデータ分析方法 | |
CN108121295B (zh) | 预测模型建立方法及其相关预测方法与计算机程序产品 | |
WO2018030033A1 (ja) | 工作機械の工具の異常検知装置及び方法 | |
JP5997330B1 (ja) | 主軸交換の要否を判定できる機械学習装置、主軸交換判定装置、制御装置、工作機械及び生産システム、並びに機械学習方法 | |
US20200089191A1 (en) | Method for monitoring cutting-tool abrasion | |
US10935967B2 (en) | Machining equipment system and manufacturing system | |
CN100465829C (zh) | 制程机台监控的离线量测的方法与系统 | |
US20130173332A1 (en) | Architecture for root cause analysis, prediction, and modeling and methods therefor | |
JP7102941B2 (ja) | 情報処理方法、情報処理装置、及びプログラム | |
JP7383982B2 (ja) | 工具寿命予測システム | |
TWI616736B (zh) | 使用空間歪曲類似性進行工具失效分析的系統、方法、及電腦可讀媒介 | |
CN110991495A (zh) | 生产制造过程中产品质量预测方法、系统、介质及设备 | |
KR20210141087A (ko) | 공작기계의 고장 진단 장치 및 진단 방법 | |
TWI663569B (zh) | 多工作站系統的品質預測方法及其系統 | |
CN107567382B (zh) | 用于补偿光学镜片制造过程中的偏差的系统和方法 | |
JP6865055B2 (ja) | 加工負荷解析装置、加工負荷解析プログラム、及び加工負荷解析システム | |
KR102464891B1 (ko) | 지능형 금속부품 가공 제어 장치 및 방법 | |
CN112597435B (zh) | 基于设备监理的火电设备质量数据处理方法及装置 | |
CN108242411B (zh) | 用于管控线上缺陷的方法和系统 | |
US11790700B2 (en) | Relearning necessity determination method and relearning necessity determination device of diagnostic model in machine tool, and computer readable medium | |
JP2020027386A (ja) | 異常判定装置、異常判定システムおよび異常判定方法 | |
US20150331980A1 (en) | Apparatus and method for classifying context types for multivariate modeling | |
JP6400254B2 (ja) | 測長制御装置、製造システム、測長制御方法および測長制御プログラム | |
US20130030760A1 (en) | Architecture for analysis and prediction of integrated tool-related and material-related data and methods therefor | |
US9323244B2 (en) | Semiconductor fabrication component retuning |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190822 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200909 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200915 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20210316 |