JP2018147419A - 管理装置および管理プログラム - Google Patents

Abstract

【課題】対象物の製造ラインに備えられる機器の状態を示す機器情報および対象物の仕上り状態を示す情報に基づき、製造ラインを管理する。【解決手段】対象物の製造に用いられる製造ラインを管理する管理装置は、製造ラインに備えられる機器の状態を表す機器情報（３３）から、当該機器情報が有する特徴量（２７）を取得する特徴量取得部（２１）と、取得された特徴量を、機器の基準の状態を表す機器情報が有する特徴量と比較し、機器の状態を決定する特徴量評価部（２２）と、対象物の仕上り状態を表す仕上り情報を取得する仕上り取得部（３０）と、特徴量評価部の出力に、仕上り情報に基づく重み付けがなされた値と、閾値とを比較し、比較結果に基づき、製造ラインの状態を評価する評価部と、を備える。【選択図】図４

Description

この開示は管理装置および管理プログラムに関し、特に、対象物（ワーク）の製造ラインを管理する管理装置および管理プログラムに関する。

ワーク（製品等）の製造ラインでは、歩留まりを向上させるため、製造ラインに備えられる機器から発生する振動または音等に基づいて良否判定が行われている。従来、この良否判定は、検査員が上記振動の音を聴いたり、上記機器に手を触れたりすることによる官能評価に基づき行われる。そのため、判定基準を定量化することが困難であり、また論理的な妥当性を示すことが困難であった。そこで、例えば特許文献１（特開２００４−１６４６３５号公報）では、製品の生産に用いる機械に関連して設けられた位置センサ、圧力センサおよび温度センサ等からのデータを収集して、収集したデータを製品の良否の選別や、機械のフィードバック制御に用いる。

特開２００４−１６４６３５号公報

近年、製造ラインに備えられる機器の状態を監視して、故障または不具合の兆候が出たら対処（報知、記録）する場合に、製品の状態も考慮した予知保全のための機能が望まれている。この点に関し、特許文献１は、機械から検出（センシング）された情報に基づき製品の良否の選別または機械のフィードバック制御しているために、製品の状態にかかわらず製造ラインの異常を報知する可能性があり、上記の要望に応えることが困難である。

この開示の目的は、対象物の製造ラインに備えられる機器の状態を示す機器情報および対象物の仕上り状態を示す情報に基づき、製造ラインを管理する管理装置および管理プログラムを提供することである。

この開示のある局面に係る管理装置は、対象物の製造に用いられる製造ラインを管理する管理装置であって、製造ラインに備えられる機器の状態を表す機器情報から、当該機器情報が有する特徴量を取得する特徴量取得部と、取得された特徴量を、機器の基準の状態を表す機器情報が有する特徴量と比較し、機器の状態を決定する特徴量評価部と、対象物の仕上り状態を表す仕上り情報を取得する仕上り取得部と、特徴量評価部の出力に、仕上り情報に基づく重み付けがなされた値と、閾値とを比較し、比較結果に基づき、製造ラインの状態を評価する評価部と、を備える。

好ましくは、仕上り情報は、対象物が予め定められた品質を有するか否かを示す。
好ましくは、仕上り取得部は、製造ラインの運用時に特徴量取得部により取得される特徴量を、予め学習された対象物の品質別の特徴量と比較し、比較の結果に基づき、仕上り情報を決定する。

好ましくは、管理装置は、機器の故障または対象物の材料の不良の可能性を示す故障性情報を取得する故障性取得部を、さらに備え、重みは、仕上り情報および故障性情報に基づいている。

好ましくは、故障性取得部は、製造ラインの運用時に特徴量取得部により取得される特徴量を、予め学習された故障の要因別の特徴量と比較し、比較の結果に基づき、故障性情報を決定する。

好ましくは、管理装置は、故障の要因別に、異なる態様で、故障の可能性の通知を報知する。

この開示の他の局面に従うと、対象物の製造に用いられる製造ラインを管理する方法をコンピュータに実行させるためのプログラムが提供される。

管理する方法は、であって、製造ラインに備えられる機器の状態を表す機器情報から、当該機器情報が有する特徴量を取得するステップと、取得された特徴量を、機器の基準の状態を表す機器情報が有する特徴量と比較し、機器の状態を決定するステップと、対象物の仕上り状態を表す仕上り情報を取得するステップと、取得された特徴量に、仕上り情報に基づく重み付けがなされた値と、閾値とを比較し、比較結果に基づき、製造ラインの状態を評価するステップと、を備える。

この開示によれば、対象物の製造ラインに備えられる機器の状態を示す機器情報を、対象物の仕上り状態を示す情報に重み付けした結果を用いて、製造ラインを管理することが可能となる。

実施の形態に係るシステム１の全体構成を概略的に示す図である。 図１のユニット２００の構成を概略的に示す図である。 ＰＬＣ１００のハードウェア構成を模式的に示す図である。 実施の形態に係るＰＬＣ１００が有する予知保全機能の構成を概略的に示す図である。 実施の形態に係るｒａｗデータ２６から特徴量２７を取得する処理を説明するための図である。 実施の形態に係るｒａｗデータ２６から特徴量２７を取得する処理を説明するための図である。 実施の形態に係る処理の概略フローチャートである。 ステップＳ１１の詳細処理を示すフローチャートである。 実施の形態に係る仕上り取得部３０の概要をワークＷの製造ラインと関連づけて示す図である。 実施の形態に係る仕上り取得部３０に関する「学習モード」の処理フローチャートである。 実施の形態に係る有効パターンＥＰおよび閾値ＴＨ１の決定方法を説明するための図である。 実施の形態に係る仕上り取得部３０に関する「運用モード」の処理フローチャートである。 実施の形態に係る故障推測処理の概要を説明するフローチャートである。 実施の形態に係る故障推測処理の変形例を示す概略フローチャートである。 図１４のクラスタリングを説明する図である。 実施の形態に係る関連表を示す図である。 実施の形態に係る重要度テーブルを示す図である。

以下に、図面を参照しつつ、各実施の形態について説明する。以下の説明では、同一の部品および構成要素には同一の符号を付してある。それらの名称および機能も同じである。したがってそれらについての詳細な説明は繰返さない。

（システム構成）
図１は、実施の形態に係るシステム１の全体構成を概略的に示す図である。システム１は、対象物（以下、ワークＷともいう）を製造するためのＦＡ（Factory Automation)などの製造ラインに、複数のユニット２００、「管理装置」の一実施例であるＰＬＣ（Programmable Logic Controller）１００等の制御コンピュータ、および管理者が操作するコンピュータ３００を備える。これらの各部は、有線または無線で相互に通信する。また、ＰＬＣ１００またはコンピュータ３００は、作業者または管理者が携帯する端末１１と通信することが可能である。

図２は、図１のユニット２００の構成を概略的に示す図である。各ユニット２００は、同様の構成を有する。ユニット２００は、例えば、製造ラインの部品の加工工程、部品を組立てる組立工程、および組立てられたワークＷを包装する包装工程に備えられる機器を含む。具体的には、ユニット２００は、ワークＷ、部品および材料等を撮像し画像処理によりワークＷ、部品および材料等を検査する検査装置７１、およびワークＷまたは部品に識別コード（識別子）を付けるレーザマーカ７２、およびワークＷまたは部品の識別コードを読取るコードリーダ７３を備える。

ユニット２００は、さらに、部品またはワークＷの搬送コンベアに関連した上流のローラ５５および下流のサーボモータ６０、ならびに包装工程において、包装材をカットしてワークＷを包装するための包装機器（パッケージマシン）７０を備える。包装機器７０は、包装材をカットするカッタを接続したアーム５Ｄを備える。アーム５Ｄは、包装機器７０の内部モータ（図示せず）の回転に連動して往復運動することにより、カッタによる包装材の切断がなされる。

ユニット２００は、さらに、ローラ５５の回転の加速度を計測する加速度センサ５Ｂ、およびサーボモータ６０の回転量（方向、回転数等）を計測するサーボ/エンコーダ５Ｃ、およびアーム５Ｄの往復運動に関する加速度を計測する加速度センサ５Ａを備える。

ＰＬＣ１００は、各ユニット２００の各部に制御用のデータを送信して、各部を制御する。また、ＰＬＣ１００は、製造ラインに備えられる機器の状態を表す機器情報を収集し、収集した機器情報を処理する。そして、処理結果に基づき制御用データを生成し、生成した制御用データを用いて各部を制御する。

実施の形態では、上記に述べた機器情報は、上記に述べた各センサからの計測情報、検査装置７１からの情報（ワークＷまたは部品の検査情報、検査装置７１の情報（装置の使用期間、場所、解像度等の属性）を含む。

なお、製造ラインに備えられる機器およびセンサは、図２に示す種類に限定されない。例えば、機器の発熱を検出する温度センサ、振動音を検出する音センサ等が含まれてもよい。

（ＰＬＣ１００のハードウェア構成）
図３は、ＰＬＣ１００のハードウェア構成を模式的に示す図である。図３を参照して、ＰＬＣ１００は、演算処理部であるＣＰＵ（Central Processing Unit）１１０と、記憶部としてのメモリ１１２およびハードディスク１１４と、時間を計時し計時データをＣＰＵ１１０に出力するタイマ１１３と、入力インタフェイス１１８と、ディスプレイ１２２を制御する表示コントローラ１２０と、通信インタフェイス１２４と、データリーダ／ライタ１２６とを含む。これらの各部は、バス１２８を介して、互いにデータ通信可能に接続される。

ＣＰＵ１１０は、ハードディスク１１４に格納されたプログラム（コード）を実行することで、各種の演算を実施する。メモリ１１２は、典型的には、ＤＲＡＭ（Dynamic Random Access Memory）などの記憶装置であり、ハードディスク１１４から読み出されたプログラム・データに加えて、機器情報３３を含む各種のデータおよび情報が格納される。

入力インタフェイス１１８は、ＣＰＵ１１０とキーボード１２１、マウス（図示せず）、タッチパネル（図示せず）などの入力装置との間のデータ伝送を仲介する。すなわち、入力インタフェイス１１８は、ユーザが入力装置を操作することで与えられる操作命令を受付ける。

通信インタフェイス１２４は、ユニット２００の各部またはコンピュータ３００または端末１１との間のデータ伝送を仲介する。データリーダ／ライタ１２６は、ＣＰＵ１１０と記録媒体であるメモリカード１２３との間のデータ伝送を仲介する。

（ＰＬＣ１００の機能構成）
図４は、実施の形態に係るＰＬＣ１００が有する予知保全機能の構成を概略的に示す図である。実施の形態では、製造ラインの予知保全機能は、ＰＬＣ１００が有する製造ライン全体を制御する制御プログラム上に実装される。なお、実装の形態は、この態様に限定されない。図４の各部は、ＣＰＵ１１０が実行するプログラムとして示されるが、各部は回路またはプログラムと回路の組合せにより実現することも可能である。

図４を参照してＣＰＵ１１０は、ユニット２００から通信インタフェイス１２４を介して受信した製造ラインの各機器からの機器情報３３をメモリ１１２に格納する情報取得部２０、機器情報が有する特徴量を取得する特徴量取得部２１、機械学習を実施する学習部５０、特徴量取得部２１により取得された特徴量を評価する特徴量評価部２２、特徴量評価部２２の出力を後述する仕上り取得部３０および後述する故障推測部４０の出力に基づき評価するライン評価部２３、ライン評価部２３の評価結果に基づく異常処理を実施する異常処理部２４および後処理部２５を備える。

特徴量取得部２１は、機器情報３３から時系列のｒａｗデータ２６を抽出し、メモリ１１２に格納する。また、特徴量取得部２１は、ｒａｗデータ２６が有する特徴量２７を取得し、メモリ１１２に格納する。特徴量の取得方法は後述する。

特徴量評価部２２は、異常度評価アルゴリズムを用いて、特徴量２７を、機械学習により取得された特徴量と比較し、比較の結果に基づき、製造ラインに備えられた機器の状態を判断し、その判断結果である異常度評価値２９を出力する。

仕上り取得部３０は、機器情報３３から取得された特徴量２７を用いてワークＷの製品としての仕上り状態を評価し、評価の結果として、仕上り状態を表す仕上り情報３１を取得する。

故障推測部４０は、「故障性取得部」の一実施例である。故障推測部４０は、機器情報３３を用いて、製造ラインに備えられる機器の故障の可能性または対象物の材料の不良の可能性を示す故障性情報４１を取得する。

ライン評価部２３は、特徴量評価部２２からの異常度評価値２９に基づき製造ラインの状態を評価する。または、異常度評価値２９に仕上り取得部３０からの仕上り情報３１または故障推測部４０からの故障性情報４１に基づく重み付けをし、重み付け結果に基づき、製造ラインの状態を評価する。また、ライン評価部２３は、評価の結果に従い予知保全に関する情報を決定する。

異常処理部２４は、ライン評価部２３が決定した予知保全の情報に従い、予め定められた異常処理を実施する。後処理部２５は、評価結果等を後の解析および出力のためにメモリ１１２のログ領域Ｅ１に格納する。

（特徴量取得処理）
図５と図６は、実施の形態に係るｒａｗデータ２６から特徴量２７を取得する処理を説明するための図である。特徴量化する対象となるｒａｗデータ２６は、ＰＬＣ１００が製造ラインの各機器から受信する機器情報３３から導出される制御周期ごとに更新されるデータである。図５では、ｒａｗデータ２６は、各種センサにより測定される信号波形を表すとする。

特徴量取得部２１は、ｒａｗデータ２６にフレーム分割処理を実施することにより、一定の時間フレームに区切られたフレーム単位データを導出する。なお、時間フレームは一定の時間長さに限定されず、可変であってもよい。

特徴量取得部２１は、時系列に取得される各フレーム単位データ内から所定手順に従い複数の特徴量２７を抽出する。

上記のフレームとなる時間間隔は「予知保全対象となる機器の制御データが、正常運転状態で一定の周期性を示す」時間サイクルに相当する。例えば、包装機器７０の場合であれば包装材を切るカッタのアーム５Ｄの動作周期等タクトタイムに依存した時間幅に相当する。

図６には、特徴量取得部２１により取得される特徴量２７が例示される。例えば、各フレーム単位データのｒａｗデータ２６が示す波形の振幅に関して、図６（Ａ）と図６（Ｂ）の平均、標準偏差、歪度、最大および最小、ならびに図６（Ｃ）の尖度の各値を示す６種類の特徴量２７が取得される。

（予知保全の処理の概要）
実施の形態では、ＰＬＣ１００の動作モードは、学習データを生成するための学習モードと、製造ラインを運用する運用モードとを含む。運用モードでは、学習データを用いた予知保全のための処理が実施される。

図７は、実施の形態に係る処理の概略フローチャートである。図７を参照して、まず、学習部５０は、学習モードにおいて前処理を実施する（ステップＳ１）。前処理においては、学習部５０は、学習データ２８Ａを生成しメモリ１１２に格納する。学習データ２８Ａは、製造ラインに備えられる機器の基準（例えば正常）の状態における機器情報３３から取得される特徴量を表す。学習データ２８Ａは、図示しないデータマイニングツールを用いて生成される。

ＰＬＣ１００は、動作モードを学習モードから運用モードに切替える。情報取得部２０は、製造ラインから機器情報３３を取得する（ステップＳ３とステップＳ５）。具体的には、情報取得部２０は、各フレーム時間について、当該フレーム時間が継続する間は機器情報３３を取得する（ステップＳ３で“フレーム継続”、ステップＳ５）。当該フレーム時間が終了すると（ステップＳ３で“フレーム区切り”）、特徴量取得部２１は、機器情報３３からフレーム時間の単位データであるｒａｗデータ２６を得て、ｒａｗデータ２６から上記の６種類の特徴量２７を取得する（ステップＳ７）。

特徴量評価部２２は、異常度評価アルゴリズムとして、例えばＬＯＦ（Local Outliner Factor）を用いる。ＬＯＦアルゴリズムを用いてステップＳ７で取得された特徴量２７に基づき、機器の状態の判断結果を示す異常度評価値２９を出力する（ステップＳ９）。具体的には、特徴量評価部２２は、上記に述べた６種類の特徴量２７により規定される６次元の空間を規定する。当該空間に学習データ２８Ａの６個の特徴量の群と、ステップＳ７で取得された６個の特徴量２７とを分布させた場合に、特徴量評価部２２は、学習データ２８Ａの特徴量群とステップＳ７で取得された６個の特徴量２７の間の距離（例えば、ユークリッド距離）を評価値のスコアとして算出し、スコアを、機器の状態の判断結果である異常度評価値２９として出力する。

特徴量評価部２２は、例えば、スコア（異常度評価値２９）が１に近い値である場合は、機器の状態は基準（例えば正常）の状態に近いと判断し、スコア（異常度評価値２９）が１から遠い値である場合は、機器の基準状態ではない異常状態に近いと判断することができる。なお、異常度評価アルゴリズムは、ＬＯＦに限定されない。

ライン評価部２３は、異常度評価値２９を用いて、製造ラインの状態の正常または異常を判断する（ステップＳ１１）。図８は、ステップＳ１１の詳細処理を示すフローチャートである。

図８を参照して、ライン評価部２３が、異常度評価値２９が予め定められた第１閾値を超えると判断すると（ステップＳ１１１で‘異常’）、異常処理部２４が、所定の異常処理を実施し（ステップＳ１３）、後処理部２５による後処理が実施される（ステップＳ１５）。一方、ライン評価部２３が、異常度評価値２９は第１閾値以下であると判断すると（ステップＳ１１１で“異常でない”）、ライン評価部２３は異常度評価値２９に、後述する仕上り取得（ステップＳ２０）からの仕上り情報３１または後述する故障推測処理（ステップＳ３０）からの故障性情報４１に基づく重み付けをし（ステップＳ１１２）、重み付けがなされた異常度評価値２９と第２閾値とを比較する（ステップＳ１１３）。比較の結果、（重み付けされた異常度評価値２９＞第２閾値）であると判断されると（ステップＳ１１３でＹＥＳ）、すなわち製造ラインの状態は正常と判断されて処理はステップＳ３に戻る。一方、（重み付けされた異常度評価値２９≦第２閾値）であると判断されると（ステップＳ１１３でＮＯ）、すなわち製造ラインの状態は異常と判断されてステップＳ１３の異常処理に移行する。上記の重み付け処理については後述する。

（仕上り取得の処理）
図９は、実施の形態に係る仕上り取得部３０の概要をワークＷの製造ラインと関連づけて示す図である。製造ラインの加工工程では加工機器７４を用いた部品Ａ，Ｂの加工が実施されて、加工された部品（以下、加工部品ともいう）を組立工程で組合わせてワークＷ（製品）が完成する。加工部品は、同じ加工工程を経ても、加工機器の特性によりサイズ、色等に差異が生じることから、ワークＷにも個体差が生じ得る。仕上り取得部３０は、このような加工工程で生じる差異を考慮して、加工部品とワークＷの分類を実施する。

仕上り取得部３０は、加工部品を学習データ２８Ｂに従い分類する分類部３４、および加工部品同士の相性を決定する相性決定部３２を有する。実施の形態では、ＰＬＣ１００の動作モードは、学習データ２８Ｂを生成するための学習モードと、生成された学習データ２８Ｂを用いた相性判断を実施するための運用モードとを含む。実施の形態では、‘相性’は、加工部品同士の組合わせが、製品（ワークＷ）として予め定められた品質を有するか否かを示す。

図１０は、実施の形態に係る仕上り取得部３０に関する「学習モード」の処理フローチャートである。図１１は、実施の形態に係る有効パターンＥＰおよび閾値ＴＨ１の決定方法を説明するための図である。図１２は、実施の形態に係る仕上り取得部３０に関する「運用モード」の処理フローチャートである。

なお、ここでは、フレームに同期した周期で仕上り取得の処理が実施される。また、組立に用いる部品は部品Ａ，Ｂの２種類に限定されず、３種類以上であってもよい。

〈「学習モード」の処理〉
図１０を参照して「学習モード」において、情報取得部２０は、加工機器７４の振動センサにより計測された機器情報３３を取得し（ステップＳ３ａ）、特徴量取得部２１は、取得される機器情報３３が有する上記に述べた６種類の特徴量ＣＲｉ（ｉ＝１，２，３・・・６）を取得する（ステップＳ４ａ）。学習部５０は、取得された特徴量（取得特徴量）ＣＲｉを部品の種類（ＡまたはＢ）を示すラベルを付加してメモリ１１２に格納する（ステップＳ５ａ）。部品の種類は、作業者の入力により指定される。ここでは、部品Ａを加工する場合を例示するが、部品Ｂであっても同様の処理を実施することができる。

（分析処理（ステップＳ６ａ））
学習部５０は、ステップＳ５ａで格納された情報の分析処理を実施する（ステップＳ６ａ）。分析処理は、有効パターンＥＰを決定するための処理（ステップＳ７ａ、Ｓ８ａおよびＳ９ａ）を含む。

まず、学習部５０は、図１１のメモリ１１２の領域Ｅ３に示されるように、取得特徴量ＣＲｉの組合せのパターンを複数生成して（ステップＳ７ａ）、生成された各パターンについて加工の程度、すなわちワークＷ（製品）が予め定められた品質を満たすか否かを識別するための識別率を算出する（ステップＳ８ａ）。

学習部５０は、上記の識別率を、領域Ｅ３において周知のパターン分類法に従う演算により算出する（ステップＳ８ａ）。実施の形態では、たとえばＳＶＭ（support vector machine）の識別関数に従い各パターンの識別率を算出する（図１１の領域Ｅ３参照）。なお、識別率の算出は、ＳＶＭに従う方法に限定されず、ＮＮ（neural network）に従う算出方法であってもよい。

学習部５０は、各パターンについて算出された識別率（図１１の領域Ｅ３を参照）のうち、たとえば最大値である識別率に対応のパターンを特定し、特定されたパターンを有効パターンＥＰとして決定する（ステップＳ９ａ）。図１１を参照すると、識別率が最大値（＝０．９）の組合せは（ＣＲ１，ＣＲ２）と特定されるので、ここでは、有効パターンＥＰの識別特徴量ＣＲｉの組合せは（ＣＲ１，ＣＲ２）と決定される。この有効パターンＥＰは、ワークＷ（製品）が予め定められた品質を満たすか否かを識別することが可能な特徴量の組合パターンに相当する。

学習部５０は、決定された有効パターンＥＰが示す特徴量ＣＲ１と特徴量ＣＲ２の組合せに基づき、閾値ＴＨ１を取得する（ステップＳ１０ａ）。

具体的には、学習部５０は、メモリ１１２に領域Ｅ４において、有効パターンＥＰの識別特徴量ＣＲｉの組合せ（ＣＲ１，ＣＲ２）による２次元平面を規定する。そして、規定された平面上に、学習モードにおける各加工部品から取得した特徴量ＣＲ１とＣＲ２の組合せ値（ＣＲ１，ＣＲ２）をプロット（図１１の領域Ｅ４のマーク‘Ｘ’、‘Ｙ’参照）する。

学習部５０は、領域Ｅ４の２次元平面上において、プロット値の分布状況に基づき、プロットされた領域を識別（区分）する境界線ＢＬを特定する。学習部５０は、境界線ＢＬが示す値に基づき閾値ＴＨ１を決定する。

学習部５０は、決定された有効パターンＥＰと取得された閾値ＴＨ１を含む学習データ２８Ｂを、メモリ１１２に格納する（ステップＳ１１ａ）。これにより、「学習モード」の処理は終了する。

なお、図１０では、ステップＳ３ａにおいて十分な件数の機器情報３３が取得されるとしている。また、図１１では２次元平面を規定したが、平面の次元は、有効パターンＥＰに含まれる識別特徴量ＣＲｉの個数により可変である。

〈「運用モード」の処理〉
図１２を参照して、動作モードを「運用モード」に切替えた場合の処理を説明する。なお、「運用モード」の開始時には、メモリ１１２には、部品Ａと部品Ｂのそれぞれについて上記の有効パターンＥＰと取得された閾値ＴＨ１を有する学習データ２８Ｂが格納されているとする。

まず、部品Ａの加工に関して、情報取得部２０は、加工機器７４の振動センサから機器情報３３を取得する（ステップＳ２３）。

特徴量取得部２１は、取得された機器情報３３が有する特徴量ＣＲｉを取得する。分類部３４は、特徴量ＣＲｉのうちから、学習データ２８Ｂが示す部品Ａの有効パターンＥＰが示す組の特徴量（識別特徴量）を取得し（ステップＳ２５）、取得された識別特徴量を学習データ２８Ｂの閾値ＴＨ１と比較し、比較の結果に基づき、加工部品Ａ１または加工部品Ａ２のいずれに該当するかの分類を実施し、分類結果を出力する（ステップＳ２７）。

例えば、比較結果が、識別特徴量は領域Ｅ４の境界線ＢＬ（図１１参照）よりも図面に向かって左側領域の値を示すときは、加工部品Ａ１と分類し、右側領域の値を示すときは、加工部品Ａ２と分類する。同様な処理により、部品Ｂの加工工程においても、加工部品は、加工部品Ｂ１または加工部品Ｂ２のいずれかに分類され得る。

ＰＬＣ１００は、分類部３４による分類結果を示す識別コードを、加工部品に付与するようにレーザマーカ７２を制御する（ステップＳ２９、Ｓ３１、Ｓ３５）。これにより、加工部品Ａ１、加工部品Ａ２、加工部品Ｂ１および加工部品Ｂ２からなる複数の加工部品群３７が組立工程に送られる。

組立工程では、相性決定部３２は、ワークＷの組立に用いられた加工部品同士の組合せの相性を、組合せテーブル３８に基づき決定し（ステップＳ３７）、仕上り情報３１として出力する（ステップＳ３９）。

図９の組合せテーブル３８は、作業者の知見に基づき予め作成されてメモリ１１２に格納される。組合せテーブル３８は、加工部品同士の複数の組合せ３８１と、各組合せ３８１に対応して加工部品同士の相性３８２（予め定められた品質を表す‘ＯＫ’または不良品質（予め定められた品質を有しない）を表す‘ＮＧ’のいずれか）が格納されている。相性決定部３２は、ワークＷの加工部品からコードリーダ７３により読取られた識別コードの組に基づき組合せテーブル３８を検索する。検索により、当該識別コードの組に一致する組合せ３８１に対応した相性３８２を組合せテーブル３８から読出し、仕上り情報３１として出力する。

上記に述べた仕上り取得の処理によれば、ワークＷの部品の加工工程で計測して取得される機器情報３３を用いて、学習データ２８Ｂに基づき加工部品を、その差異に基づき自動的に分類し、その後の製品（ワークＷ）の組立工程では、加工部品の分類結果に従い製品の良否を分類することが可能となる。これにより、従来は必要であった加工工程および組立工程における分類のための検査工程を省略または簡単化することが可能となり、加工時間の短縮が可能となる。

（故障推測処理）
実施の形態では、故障推測部４０は、製造ラインの故障（または不具合、不調）の可能性と要因（原因）とを推定する。実施の形態では、要因として（１）製造機器の故障（または不具合、不調）、（２）ワークＷの素材（材料）の不良および（３）検査装置７１の故障（または不具合、不調）を含む。上記の要因（１）の製造機器は、工程に備えられるセンサ、加工機器７４、包装機器７０等を含み得る。

図１３は、実施の形態に係る故障推測処理の概要を説明するフローチャートである。図１３を参照して、「学習モード」において、学習部５０は、予め上記の要因（１）〜（３）のそれぞれについて、図示しないデータマイニングツールを用いて、学習データ２８１〜２８３をそれぞれ生成しメモリ１１２に格納する。学習データ２８１〜２８３は、製造ラインが要因（１）製造機器の故障（または不具合）の状態であるとき、要因（２）ワークＷの素材（材料）が不良の状態であるとき、および要因（３）検査装置７１の故障（不具合）の状態であるときの各状態における機器情報３３から取得される特徴量２７を表す。

「運用モード」において、故障推測部４０は、メモリ１１２から学習データ２８１〜２８３を読出す（ステップＳ３１）。情報取得部２０は運用中の製造ラインから機器情報３３を取得し、特徴量取得部２１は機器情報３３のｒａｗデータ２６から上記の特徴量２７を取得する。

故障推測部４０は、ＬＯＦアルゴリズムを用いて、上記の取得された特徴量を学習データ２８１〜２８３のそれぞれを用いて評価し、評価値４１１、４１２および４１３に基づく故障性情報４１を出力する（ステップＳ３３）。具体的には、学習データ２８１を用いた評価のケースでは、上記に述べたＬＯＦアルゴリズムに従い、６種類の特徴量２７により規定される６次元の空間を想定し、当該空間における学習データ２８１の特徴量の群と、特徴量取得部２１により取得された６種類の特徴量２７の間の距離を求め、当該距離を評価値のスコアとして算出し、スコアを、評価値４１１として出力する。同様に、他の要因についても、対応の学習データ２８２および２８２を用いてＬＯＦアルゴリズムに従いスコアを算出し評価値４１２，４１３として出力する。

例えば、評価値４１１のスコアが１に近い値である場合は、製造ラインは製造機器の故障（または不具合）の要因で故障（不具合）の状態に近いと推測されて、スコアが１から遠い値である場合は、製造ラインでは製造機器の故障（または不具合）の要因は発生していない状態と推測することができる。同様に評価値４１２のスコアが１に近い値である場合は、製造ラインはワークＷの素材（材料）が不良の要因で故障（不具合）の状態に近いと推測されて、スコアが１から遠い値である場合は、製造ラインの素材（材料）の不良の要因は発生していない状態と推測することができる。同様に評価値４１３のスコアが１に近い値である場合は、製造ラインは検査装置７１が故障（不良）の要因で故障（不具合）の状態に近いと推測されて、スコアが１から遠い値である場合は、検査装置７１の故障（不良）の要因は発生していない状態と推測することができる。

故障推測部４０は、評価値４１１〜４１３に基づきメモリ１１２の関連表９０を検索し、製造ラインについて推測される故障（または不具合)の要因をディスプレイ１２２等に出力する（ステップＳ３５）。関連表９０には、作業者の知見に従い、評価値４１１〜４１３のそれぞれに対応して、故障（または不具合）の要因が格納される。故障推測部４０は、評価値４１１のスコアが１に近い値であるときは、評価値４１１に対応の要因（例えば、‘サーボモータの故障’）が読出されて出力される。同様に、評価値４１２のスコアが１に近い値であるときは、評価値４１２に対応の要因（‘素材の不良’）が読出されて出力される。同様に、評価値４１３のスコアが１に近い値であるときは、評価値４１３に対応の要因（‘検査装置の不良’）が読出されて出力される。

（重み付け処理）
図８の重み付け処理（ステップＳ１１２）では、仕上り取得部３０からの仕上り情報３１について、例えば‘ＯＫ’を「１」および‘ＮＧ’に「０」をそれぞれ割当てて、重みＷＴを、例えば以下のように算出する。

重みＷＴ＝（仕上り情報３１の値）、または、重みＷＴ＝（（仕上り情報３１の値）＋評価値４１１〜４１３のスコアの総和値）。

ライン評価部２３は、異常度評価値２９を、上記の重みＷＴを加算することにより重み付けする。重み付けされた異常度評価値２９を用いることとで、ワークＷが良品と判断されない場合または製造ラインにおいて要因（１）〜（３）等により何らかの故障（不具合）が生じていると推測される場合には、異常度評価値２９が正常値を示す場合であっても、製造ラインの異常可能性有りとの通知を出力することが可能となり、製造ラインの予知保全の精度を高めることが可能となる。

また、通知と共に、異常可能性の要因と、要因に至る系（製造機器、材料、検査装置の別）の情報、または要因にユーザが対処するための予知保全に関する情報を出力するとしてもよい。

（故障推測処理の変形例）
上記の図１３の故障推測処理では、故障（不具合）の要因毎の学習データ２８１〜２８３を用いて故障推測処理がなされたが、変形例においては、要因と関連づけされない学習データ２８Ｃを用いて故障推測処理を実施する。

図１４は、実施の形態に係る故障推測処理の変形例を示す概略フローチャートである。図１５は、図１４のクラスタリングを説明する図である。図１４では、ＰＬＣ１００の「学習モード」において、学習部５０によるクラスタリングに従う区分（分類）が取得されて、「運用モード」では故障推測部４０は、取得された機器情報３３が有する特徴量を、上記の区分のいずれかにクラスタリング（分類）して要因と関連付けて出力する。

（処理フローチャート）
ＰＬＣ１００による故障推測処理の変形例に係る「学習モード」および「運用モード」の処理を説明する。

〈「学習モード」の処理〉
図１４を参照して「学習モード」において、学習部５０は、学習データ２８Ｃに基づきクラスタリングを実施する（ステップＳ３７）。このクラスタリングの手順は、図１０と図１１で説明した手順と同様であるから説明を簡単に行う。

まず、「学習モード」では、情報取得部２０および特徴量取得部２１により、機器情報３３を取得し、そこに含まれる特徴量２７（特徴量ＣＲｉ）を取得する。学習部５０は、特徴量ＣＲｉから、要因を識別するために上記のようなＳＶＭの識別関数に従い特徴量ＣＲｉの各組合せパターンについて要因識別の識別率を算出する。算出された識別率のうちたとえば最大値である識別率に対応のパターンを有効パターンＥＰとして決定する。有効パターンＥＰは、要因を識別することが可能な特徴量の組合パターンに相当する。

学習部５０は、決定された有効パターンＥＰ（例えば、特徴量ＣＲ１と特徴量ＣＲ２の組合せ）に基づき、閾値Ｔｈ１、Ｔｈ２およびＴｈ３を取得する。具体的には、有効パターンＥＰの識別特徴量ＣＲｉの組合せ（ＣＲ１，ＣＲ２）による仮想の２次元平面上に、製造装置の故障（不具合）に対応した機器情報３３からの取得特徴量ＣＲ１とＣＲ２の組合せ値（ＣＲ１，ＣＲ２）をプロット（図１５の領域Ｅ５のマーク‘Ｘ’参照）し、また、この平面上に材料不良に対応した機器情報３３からの特徴量ＣＲ１とＣＲ２の組合せ値（ＣＲ１，ＣＲ２）をプロット（図１５の領域Ｅ５のマーク‘Ｙ’参照）し、また、この平面上に検査装置の故障（不具合）に対応した特徴量ＣＲ１とＣＲ２の組合せ値（ＣＲ１，ＣＲ２）をプロット（図１５の領域Ｅ５のマーク‘Ｚ’参照）する。

これにより、学習部５０は領域Ｅ５の２次元平面上において、各要因のプロット値の分布状況をディスプレイ１２２に表示する。ユーザ（データサイエンティスト）は、表示された分布状況に基づき、知見に従い、組合せ値（ＣＲ１，ＣＲ２）がプロットされた領域を区分する境界線Ｂ１、Ｂ２およびＢ３を、キーボード１２１を操作して指定し、境界線Ｂ１、Ｂ２およびＢ３で区画された各区分と要因とを関連付ける情報を入力する（ステップＳ３９）。

学習部５０は、ユーザが指定した境界線Ｂ１、Ｂ２およびＢ３が示す値に基づき閾値Ｔｈ１、Ｔｈ２およびＴｈ３を決定し、クラスタと要因の関連表９０を作成し、これらデータをメモリ１１２に格納する（ステップＳ３９）。図１６を参照して関連表９０は、クラスタＣ１〜Ｃ３のそれぞれに対応して、製造ラインの故障（不具合）の要因９２が登録される。

ステップＳ３９における閾値の決定に関して、たとえば、ユーザは知見に従い、境界線Ｂ１付近の組合せ値（ＣＲ１，ＣＲ２）を、‘製造装置の故障’と判定するための閾値Ｔｈ１と決定し、境界線Ｂ２付近の組合せ値（ＣＲ１，ＣＲ２）を、‘材料の不良’と判定するための閾値Ｔｈ２と決定し、境界線Ｂ３付近の組合せ値（ＣＲ１，ＣＲ２）を‘検査装置の故障（不具合）’と判定するための閾値Ｔｈ３と決定する。学習部５０は、有効パターンＥＰと決定された閾値Ｔｈ１、Ｔｈ２およびＴｈ３を学習データ２８Ｄとしてメモリ１１２に格納する。これにより、「学習モード」の処理は終了する。

〈「運用モード」の処理〉
図１４を参照して「運用モード」の処理を説明する。なお、「運用モード」の開始時には、メモリ１１２には、学習データ２８Ｄ（有効パターンＥＰならびに閾値Ｔｈ１、Ｔｈ２およびＴｈ３）が格納されている。

まず、故障推測部４０は、製造ラインからの機器情報３３が有する特徴量ＣＲｉのうち、有効パターンＥＰが示す組の特徴量（識別特徴量）を取得し、取得された特徴量と学習データ２８Ｄの閾値Ｔｈ１、Ｔｈ２およびＴｈ３と比較し、比較の結果に基づき、該当するクラスタを判定し、判定されたクラスタに基づき関連表９０を検索して、対応のクラスタＣｉ（ｉ＝１，２，３）と、対応した要因９２を関連付けて出力する（ステップＳ３８）。これにより、運用中の製造ラインの故障の要因を推測する情報（評価値４１１〜４１３）が取得され得る。

故障推測部４０は、推測された故障（不具合）のクラスタに基づき、重要度テーブル８０を検索して、重要度Ｍ１〜Ｍ３のフィードバック方法を決定する（ステップＳ４１）。重要度Ｍ１、Ｍ２およびＭ３は、製造ラインの予知保全を実施するためのフィードバック方法の重要度（優先的に実施するべき順）を示す。

図１７を参照して、重要度テーブル８０は、図１６のクラスタＣｉと関連付けされた重要度Ｍｉのそれぞれに対応して、フィードバック方法８２が登録されている。例えば、製造ラインの故障（または不具合）の推測結果がクラスタＣ１（サーボモータの故障が推測される）に該当する場合には、予知保全の重要度Ｍ１〜Ｍ３の全てのフィードバク方法８２１〜８２３が実施される。これに対して、クラスタＣ２（材料の不良が推測される）に該当する場合には、材料の種類によっては次のロットまで待機してもよいケースもあるので、予知保全の重要度Ｍ２のフィードバク方法８２２のみが実施される。

なお、フィードバック方法は、要因の通知の報知態様を含み、要因毎に報知態様を異ならせても良い。例えば、アラームランプの点灯、管理者の端末１１またはコンピュータ３００への通知の送信、メモリ１１２のログ領域Ｅ１への記録、製造ラインの停止等のうちの１または２つ以上の組合せを含み得るが、これらの方法に限定されない。

故障推測部４０は、学習データ２８１〜２８３を用いて、製造ラインの故障（または不具合）の推測結果と、その要因（原因）とを関連付けることが可能となり、故障要因を特定して通知することが可能となる。

（変形例）
上記の実施の形態では、異常度評価値２９を重みＷＴで重み付けした値に基づき、製造ラインの状態の正常または異常に関する判断およびフィードバック方法の決定を実施しているが、重み付けしない異常度評価値２９による異常または正常に基づき予知保全の判断およびフィードバック方法の決定を実施するとしてもよい。また、重みＷＴを、ワークＷの仕上り情報３１および故障性情報４１の両方に基づき決定するか、または仕上り情報３１のみに基づき決定するか、または、故障性情報４１（評価値４１１，４１２，４１３）のみに基づき決定するかは、切替え可能としてもよい。

上記の実施の形態に示した各フローチャートの処理は、プログラムとしてＰＬＣ１００の記憶部（メモリ１１２、ハードディスク１１４、メモリカード１２３など）に格納されている。ＣＰＵ１１０は、記憶部からプログラムを読出し、実行することにより、予知保全のための上記の機能を実現することが可能となる。

このようなプログラムは、ＰＬＣ１００に付属するフレキシブルディスク、ＣＤ−ＲＯＭ（Compact Disk-Read Only Memory）、ＲＯＭ、ＲＡＭおよびメモリカード１２３などのコンピュータ読み取り可能な記録媒体にて記録させて、プログラム製品として提供することもできる。あるいは、ＰＬＣ１００に内蔵するハードディスク１１４などの記録媒体にて記録させて、プログラムを提供することもできる。また、図示しないネットワークから通信インタフェイス１２４を介したダウンロードによって、プログラムを提供することもできる。

今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した説明ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

１ システム、５Ａ，５Ｂ 加速度センサ、５Ｃ エンコーダ、５Ｄ アーム、１１ 端末、２０ 情報取得部、２１ 特徴量取得部、２２ 特徴量評価部、２３ ライン評価部、２４ 異常処理部、２５ 後処理部、２７，ＣＲ１，ＣＲ２，ＣＲｉ 特徴量、２８Ａ，２８Ｂ，２８Ｃ，２８Ｄ，２８１，２８２，２８３ 学習データ、２９ 異常度評価値、３０ 仕上り取得部、３１ 仕上り情報、３２ 相性決定部、３３ 機器情報、３４ 分類部、３７ 加工部品群、３８ 組合せテーブル、４０ 故障推測部、４１ 故障性情報、５０ 学習部、５５ ローラ、６０ サーボモータ、７０ 包装機器、７１ 検査装置、７２ レーザマーカ、７３ コードリーダ、７４ 加工機器、８０ 重要度テーブル、８２ フィードバック方法、９０ 関連表、９２ 要因、１１２ メモリ、１１３ タイマ、１１４ ハードディスク、１１８ 入力インタフェイス、１２０ 表示コントローラ、１２１ キーボード、１２２ ディスプレイ、１２３ メモリカード、１２４ 通信インタフェイス、２００ ユニット、３００ コンピュータ、３８１ 組合せ、３８２ 相性、４１１，４１２，４１３ 評価値、８２１，８２２，８２３ フィードバク方法、Ａ，Ｂ 部品、Ａ１，Ａ２，Ｂ１，Ｂ２ 加工部品、Ｂ１，Ｂ２，Ｂ３，ＢＬ 境界線、Ｃ１，Ｃ２，Ｃ３，Ｃｉ クラスタ、Ｅ１ ログ領域、Ｅ３，Ｅ４，Ｅ５ 領域、ＥＰ 有効パターン、Ｍ１，Ｍ３，Ｍｉ 重要度、Ｗ ワーク、ＷＴ 重み。

実施の形態では、上記に述べた機器情報は、上記に述べた各センサからの計測情報、検査装置７１からの情報（ワークＷまたは部品の検査情報）、検査装置７１の情報（装置の使用期間、場所、解像度等の属性）を含む。

故障推測部４０は、ＬＯＦアルゴリズムを用いて、上記の取得された特徴量を学習データ２８１〜２８３のそれぞれを用いて評価し、評価値４１１、４１２および４１３に基づく故障性情報４１を出力する（ステップＳ３３）。具体的には、学習データ２８１を用いた評価のケースでは、上記に述べたＬＯＦアルゴリズムに従い、６種類の特徴量２７により規定される６次元の空間を想定し、当該空間における学習データ２８１の特徴量の群と、特徴量取得部２１により取得された６種類の特徴量２７の間の距離を求め、当該距離を評価値のスコアとして算出し、スコアを、評価値４１１として出力する。同様に、他の要因についても、対応の学習データ２８２および２８３を用いてＬＯＦアルゴリズムに従いスコアを算出し評価値４１２，４１３として出力する。

（重み付け処理）
図８の重み付け処理（ステップＳ１１２）では、仕上り取得部３０からの仕上り情報３１について、例えば‘ＯＫ’に「１」および‘ＮＧ’に「０」をそれぞれ割当てて、重みＷＴを、例えば以下のように算出する。

ライン評価部２３は、異常度評価値２９を、上記の重みＷＴを加算することにより重み付けする。重み付けされた異常度評価値２９を用いることで、ワークＷが良品と判断されない場合または製造ラインにおいて要因（１）〜（３）等により何らかの故障（不具合）が生じていると推測される場合には、異常度評価値２９が正常値を示す場合であっても、製造ラインの異常可能性有りとの通知を出力することが可能となり、製造ラインの予知保全の精度を高めることが可能となる。

これにより、学習部５０は領域Ｅ５の２次元平面上において、各要因のプロット値の分布状況をディスプレイ１２２に表示する。ユーザ（データサイエンティスト）は、表示された分布状況に基づき、知見に従い、組合せ値（ＣＲ１，ＣＲ２）がプロットされた領域を区分する境界線ＢＬ１、ＢＬ２およびＢＬ３を、キーボード１２１を操作して指定し、境界線ＢＬ１、ＢＬ２およびＢＬ３で区画された各区分と要因とを関連付ける情報を入力する（ステップＳ３９）。

学習部５０は、ユーザが指定した境界線ＢＬ１、ＢＬ２およびＢＬ３が示す値に基づき閾値Ｔｈ１、Ｔｈ２およびＴｈ３を決定し、クラスタと要因の関連表９０を作成し、これらデータをメモリ１１２に格納する（ステップＳ３９）。図１６を参照して関連表９０は、クラスタＣ１〜Ｃ３のそれぞれに対応して、製造ラインの故障（不具合）の要因９２が登録される。

ステップＳ３９における閾値の決定に関して、たとえば、ユーザは知見に従い、境界線ＢＬ１付近の組合せ値（ＣＲ１，ＣＲ２）を、‘製造装置の故障’と判定するための閾値Ｔｈ１と決定し、境界線Ｂ２付近の組合せ値（ＣＲ１，ＣＲ２）を、‘材料の不良’と判定するための閾値Ｔｈ２と決定し、境界線Ｂ３付近の組合せ値（ＣＲ１，ＣＲ２）を‘検査装置の故障（不具合）’と判定するための閾値Ｔｈ３と決定する。学習部５０は、有効パターンＥＰと決定された閾値Ｔｈ１、Ｔｈ２およびＴｈ３を学習データ２８Ｄとしてメモリ１１２に格納する。これにより、「学習モード」の処理は終了する。

図１７を参照して、重要度テーブル８０は、図１６のクラスタＣｉと関連付けされた重要度Ｍｉのそれぞれに対応して、フィードバック方法８２が登録されている。例えば、製造ラインの故障（または不具合）の推測結果がクラスタＣ１（サーボモータの故障が推測される）に該当する場合には、予知保全の重要度Ｍ１〜Ｍ３の全てのフィードバック方法８２１〜８２３が実施される。これに対して、クラスタＣ２（材料の不良が推測される）に該当する場合には、材料の種類によっては次のロットまで待機してもよいケースもあるので、予知保全の重要度Ｍ２のフィードバック方法８２２のみが実施される。

１ システム、５Ａ，５Ｂ 加速度センサ、５Ｃ エンコーダ、５Ｄ アーム、１１ 端末、２０ 情報取得部、２１ 特徴量取得部、２２ 特徴量評価部、２３ ライン評価部、２４ 異常処理部、２５ 後処理部、２７，ＣＲ１，ＣＲ２，ＣＲｉ 特徴量、２８Ａ，２８Ｂ，２８Ｃ，２８Ｄ，２８１，２８２，２８３ 学習データ、２９ 異常度評価値、３０ 仕上り取得部、３１ 仕上り情報、３２ 相性決定部、３３ 機器情報、３４ 分類部、３７ 加工部品群、３８ 組合せテーブル、４０ 故障推測部、４１ 故障性情報、５０ 学習部、５５ ローラ、６０ サーボモータ、７０ 包装機器、７１ 検査装置、７２ レーザマーカ、７３ コードリーダ、７４ 加工機器、８０ 重要度テーブル、８２ フィードバック方法、９０ 関連表、９２ 要因、１１２ メモリ、１１３ タイマ、１１４ ハードディスク、１１８ 入力インタフェイス、１２０ 表示コントローラ、１２１ キーボード、１２２ ディスプレイ、１２３ メモリカード、１２４ 通信インタフェイス、２００ ユニット、３００ コンピュータ、３８１ 組合せ、３８２ 相性、４１１，４１２，４１３ 評価値、８２１，８２２，８２３ フィードバック方法、Ａ，Ｂ 部品、Ａ１，Ａ２，Ｂ１，Ｂ２ 加工部品、ＢＬ１，ＢＬ２，ＢＬ３，ＢＬ 境界線、Ｃ１，Ｃ２，Ｃ３，Ｃｉ クラスタ、Ｅ１ ログ領域、Ｅ３，Ｅ４，Ｅ５ 領域、ＥＰ 有効パターン、Ｍ１，Ｍ３，Ｍｉ 重要度、Ｗ ワーク、ＷＴ 重み。

Claims (7)

1. 対象物の製造に用いられる製造ラインを管理する管理装置であって、
   前記製造ラインに備えられる機器の状態を表す機器情報から、当該機器情報が有する特徴量を取得する特徴量取得部と、
   取得された特徴量を、前記機器の基準の状態を表す機器情報が有する特徴量と比較し、前記機器の状態を決定する特徴量評価部と、
   前記対象物の仕上り状態を表す仕上り情報を取得する仕上り取得部と、
   前記特徴量評価部の出力に、前記仕上り情報に基づく重み付けがなされた値と、閾値とを比較し、比較結果に基づき、前記製造ラインの状態を評価する評価部と、を備える、管理装置。
2. 前記仕上り情報は、前記対象物が予め定められた品質を有するか否かを示す、請求項１に記載の管理装置。
3. 前記仕上り取得部は、
   前記製造ラインの運用時に前記特徴量取得部により取得される前記特徴量を、予め学習された前記対象物の品質別の特徴量と比較し、比較の結果に基づき、前記仕上り情報を決定する、請求項１または２に記載の管理装置。
4. 前記管理装置は、
   前記機器の故障または前記対象物の材料の不良の可能性を示す故障性情報を取得する故障性取得部を、さらに備え、
   前記重みは、前記仕上り情報および前記故障性情報に基づいている、請求項１から３のいずれか１項に記載の管理装置。
5. 前記故障性取得部は、
   前記製造ラインの運用時に前記特徴量取得部により取得される前記特徴量を、予め学習された故障の要因別の特徴量と比較し、比較の結果に基づき、前記故障性情報を決定する、請求項４に記載の管理装置。
6. 前記管理装置は、
   前記故障の要因別に、異なる態様で、前記故障の可能性の通知を報知する、請求項５に記載の管理装置。
7. 対象物の製造に用いられる製造ラインを管理する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、
   前記製造ラインに備えられる機器の状態を表す機器情報から、当該機器情報が有する特徴量を取得するステップと、
   取得された特徴量を、前記機器の基準の状態を表す機器情報が有する特徴量と比較し、前記機器の状態を決定するステップと、
   前記対象物の仕上り状態を表す仕上り情報を取得するステップと、
   取得された前記特徴量に、前記仕上り情報に基づく重み付けがなされた値と、閾値とを比較し、比較結果に基づき、前記製造ラインの状態を評価するステップと、を備える、管理プログラム。

Images