JP2019049940A - Abnormal process estimating method, abnormal process estimating apparatus, and abnormal process estimating program - Google Patents
Abnormal process estimating method, abnormal process estimating apparatus, and abnormal process estimating program Download PDFInfo
- Publication number
- JP2019049940A JP2019049940A JP2017174862A JP2017174862A JP2019049940A JP 2019049940 A JP2019049940 A JP 2019049940A JP 2017174862 A JP2017174862 A JP 2017174862A JP 2017174862 A JP2017174862 A JP 2017174862A JP 2019049940 A JP2019049940 A JP 2019049940A
- Authority
- JP
- Japan
- Prior art keywords
- sensor data
- processes
- evaluation
- abnormal process
- steps
- 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
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
Description
開示の実施形態は、異常工程推定方法、異常工程推定装置および異常工程推定プログラムに関する。 Embodiments disclosed herein relate to an abnormal process estimation method, an abnormal process estimation device, and an abnormal process estimation program.
従来、機械設備につき、機械設備に設けられたセンサのセンサ値を監視することで故障予兆を検出することにより、故障の発生を予知する技術が知られている(たとえば、特許文献1参照)。 2. Description of the Related Art Conventionally, there is known a technique for predicting the occurrence of a failure by detecting a failure sign by monitoring sensor values of sensors provided in the machinery and equipment (see, for example, Patent Document 1).
特許文献1に開示の技術は、車両に搭載されたセンサのセンサ値と正常閾値とを比較し、この比較結果に基づいて、センサに異常が発生しているか否かを判断する。そして、センサに異常が発生していると判断された場合に、センサ値および正常閾値間の差の積算値や、異常発生継続時間などを用いて、センサの故障予兆を評価するための評価指標を算出し、かかる評価指標を用いてセンサの故障予兆を検出するものである。 The technology disclosed in Patent Document 1 compares the sensor value of a sensor mounted on a vehicle with a normal threshold value, and determines whether or not an abnormality occurs in the sensor based on the comparison result. Then, when it is determined that an abnormality occurs in the sensor, an evaluation index for evaluating a failure sign of the sensor using the integrated value of the difference between the sensor value and the normal threshold, the abnormality occurrence duration time, etc. To calculate the failure index of the sensor using such evaluation index.
かかる技術は、車両に限らず、たとえば所定の工程を実行して製品を製造する製造装置などにも適用可能と考えられる。 Such a technology is considered to be applicable not only to a vehicle, but also to, for example, a manufacturing apparatus that performs a predetermined process to manufacture a product.
しかしながら、上述した従来技術には、製品の品質異常の要因となる異常工程を精度よく推定するうえで、さらなる改善の余地がある。 However, the above-mentioned prior art has room for further improvement in accurately estimating an abnormal process which causes a quality abnormality of a product.
具体的には、上述した従来技術は、閾値を超える明確な異常状態を検出することには向いているものの、たとえば各構成部品の経年変化などによりシステム全体の挙動に不明瞭に現れはするが、閾値を超えるまでのセンサ値は示さない不明確な異常状態を検出することには不向きである。 Specifically, although the above-mentioned prior art is suitable for detecting a clear abnormal condition exceeding the threshold value, the behavior of the entire system may appear unclear due to, for example, aging of each component. The sensor value up to the threshold is not suitable for detecting an unclear abnormal state which does not indicate the sensor value.
したがって、上述した従来技術を製造装置などに適用した場合、不明確な異常状態に起因して製品に品質異常が生じても、その要因を検知することができない。これは、製品の生産方式がライン生産方式などであった場合、製品は複数の製造装置による一連の複数工程を経て製造されるため、前述の品質異常が生じてしまうと、複数工程のうちからその要因となった異常工程を精度よく推定できないことを意味する。 Therefore, when the above-described conventional technology is applied to a manufacturing apparatus or the like, even if the product has a quality abnormality due to an unclear abnormality, the factor can not be detected. This is because, if the production method of the product is a line production method etc., the product is manufactured through a series of plural steps by plural manufacturing devices, so if the above-mentioned quality abnormality occurs, from among the plural steps It means that the abnormal process which became the factor can not be estimated accurately.
実施形態の一態様は、上記に鑑みてなされたものであって、製品の品質異常の要因となる異常工程を精度よく推定することができる異常工程推定方法、異常工程推定装置および異常工程推定プログラムを提供することを目的とする。 One aspect of the embodiment is made in view of the above, and is an abnormal process estimation method, an abnormal process estimation device, and an abnormal process estimation program capable of accurately estimating an abnormal process that is a factor of product quality abnormality. Intended to provide.
実施形態の一態様に係る異常工程推定方法は、収集工程と、生成工程と、評価工程と、判定工程とを含む。前記収集工程は、複数のセンサを有し、複数の工程からなる製造ラインにおける前記センサのセンサデータを収集する。前記生成工程は、前記製造ラインが正常状態にある間の正常品質分の前記センサデータに基づき、前記工程間の経過時間が特徴ベクトルに含まれるように機械学習を実行することで、前記工程それぞれに対応する前記センサ間の相関モデルを複数生成する。前記評価工程は、任意の評価時の前記センサデータおよび該センサデータに対し前記工程間の経過時間を加味した前記工程ごとの評価分を、それぞれ対応する前記相関モデルへ入力することによって得られる該相関モデルの出力値に基づいて前記工程ごとにおける正常状態からの乖離度を評価する。前記判定工程は、前記乖離度に基づいて前記工程のうちから製品の品質異常の要因となる異常工程を判定する。 The abnormal process estimation method according to an aspect of the embodiment includes a collection process, a generation process, an evaluation process, and a determination process. The collecting step includes a plurality of sensors, and collects sensor data of the sensors in a manufacturing line including a plurality of steps. The generation step performs machine learning by performing machine learning such that an elapsed time between the steps is included in a feature vector based on the sensor data of normal quality while the production line is in a normal state. Generate a plurality of correlation models between the sensors corresponding to The evaluation step is obtained by inputting the sensor data at any time of evaluation and an evaluation component for each step in which an elapsed time between the steps is added to the sensor data to the corresponding correlation model. The degree of deviation from the normal state in each of the steps is evaluated based on the output value of the correlation model. The determination process determines an abnormal process that causes a quality abnormality of the product among the processes based on the degree of deviation.
実施形態の一態様によれば、製品の品質異常の要因となる異常工程を精度よく推定することができる。 According to one aspect of the embodiment, it is possible to accurately estimate an abnormal process that causes a quality abnormality of a product.
以下、添付図面を参照して、本願の開示する異常工程推定方法、異常工程推定装置および異常工程推定プログラムの実施形態を詳細に説明する。なお、以下に示す実施形態によりこの発明が限定されるものではない。 Hereinafter, embodiments of an abnormal process estimation method, an abnormal process estimation device, and an abnormal process estimation program disclosed in the present application will be described in detail with reference to the attached drawings. Note that the present invention is not limited by the embodiments described below.
また、以下では、複数の製造装置により複数工程が一連化された製造ラインが異常工程推定の対象となる場合について説明する。また、製造装置を総称する場合は、「製造装置100」と記載し、異なる製造装置100を記載する場合については、製造装置100−1,100−2…のように「−n」(nは自然数)の形式で付番する。 Moreover, below, the case where the manufacturing line by which the several process was serialized with the several manufacturing apparatus becomes object of abnormal process estimation is demonstrated. Also, when the manufacturing apparatus is generically referred to, "manufacturing apparatus 100" is described, and when a different manufacturing apparatus 100 is described, "-n" (n: Numbered in the form of natural numbers).
まず、本実施形態に係る異常工程推定方法の概要について、図1A〜図1Dを参照して説明する。図1A、図1Bおよび図1Dは、実施形態に係る異常工程推定方法の概要説明図(その1)〜(その3)である。また、図1Cは、比較例に係る異常工程推定方法の概要説明図である。 First, an outline of the abnormal process estimation method according to the present embodiment will be described with reference to FIGS. 1A to 1D. FIG. 1A, FIG. 1B and FIG. 1D are outline | summary explanatory drawing (the 1)-(the 3) of the abnormal process estimation method which concerns on embodiment. FIG. 1C is a schematic explanatory view of an abnormal process estimation method according to a comparative example.
なお、図1Aおよび図1Bを用いた説明では、製造装置100単体を例に挙げ、かかる製造装置100で1工程が実行される場合における本実施形態に係る異常工程推定方法の基本的な考え方について説明する。図1Aに示すように、製造装置100は、センサS−1〜S−nのセンサ群を備える。 In the description using FIGS. 1A and 1B, the manufacturing apparatus 100 alone is taken as an example, and the basic concept of the abnormal process estimation method according to the present embodiment when one step is performed by the manufacturing apparatus 100. explain. As shown to FIG. 1A, the manufacturing apparatus 100 is provided with the sensor group of sensor S-1-S-n.
そして、本実施形態に係る異常工程推定方法は、かかるセンサ群からのセンサデータに基づき、センサS−1〜S−n間の相関性(以下、「センサ相関性」と言う場合がある)を把握し、かかるセンサ相関性の変化に基づいて製造装置100全体の挙動の変化を把握するものである。 And the abnormal process estimation method according to the present embodiment is based on the sensor data from the sensor group, the correlation between the sensors S-1 to S-n (hereinafter sometimes referred to as "sensor correlation") It grasps, and grasps the change of the behavior of the manufacturing apparatus 100 whole based on the change of the sensor correlation.
具体的には、図1Bに示すように、本実施形態に係る異常工程推定方法では、「正常品質分」のセンサ相関性を示す各センサS−1〜S−nのセンサデータを用いて機械学習を実行し(ステップS1)、相関モデル12d’を生成する。なお、本実施形態では、機械学習のアルゴリズムとしてディープラーニングを用いる。ディープラーニングは公知の手法であるため、ここでの詳細な説明は省略する。 Specifically, as shown in FIG. 1B, in the abnormal process estimation method according to the present embodiment, the machine data is used for each sensor S-1 to S-n showing sensor correlativity of "normal quality". Learning is performed (step S1) to generate a correlation model 12d '. In the present embodiment, deep learning is used as a machine learning algorithm. Since deep learning is a known method, detailed description here is omitted.
なお、「正常品質分」とは、製造装置100が品質異常のない製品を製造している時のセンサデータ群、たとえば運用初回から製造した製品の所定個数分において蓄積されたセンサデータ群を指す。かかる正常品質分のセンサ相関性に基づいて生成される相関モデル12d’により、品質異常のない製品を製造中の、言わば製造装置100の正常状態をモデル化することができる。 The “normal quality portion” refers to a sensor data group when the manufacturing apparatus 100 manufactures a product with no quality abnormality, for example, a sensor data group accumulated for a predetermined number of products manufactured from the first operation. . By means of the correlation model 12 d ′ generated based on the sensor correlation of the normal quality, it is possible to model the normal state of the manufacturing apparatus 100, that is, manufacturing a product without quality abnormality.
そして、本実施形態に係る異常工程推定方法では、図1Bに示すように、かかる相関モデル12d’に対し、「評価分」のセンサ相関性を示す各センサS−1〜S−nのセンサデータを入力し、その結果得られる相関モデル12d’の出力値(回帰値)から相関のズレ量を算出する。そして、かかる相関のズレ量に基づき、正常状態からの乖離度を評価する(ステップS2)。 Then, in the abnormal process estimation method according to the present embodiment, as shown in FIG. 1B, the sensor data of each of the sensors S-1 to S-n showing the sensor correlation of “estimated portion” with respect to the correlation model 12d ′. Is input, and the shift amount of the correlation is calculated from the output value (regression value) of the correlation model 12 d ′ obtained as a result. Then, the degree of deviation from the normal state is evaluated based on the amount of deviation of the correlation (step S2).
かかる乖離度が所定の閾値を超えるほどに大きければ、製造装置100が故障予兆を示しており、かかる製造装置100が実行する工程により製品異常が生じうるとして、異常工程を推定することができる。なお、ここで「評価分」とは、たとえば製造装置100からリアルタイムで出力されるセンサデータ群や、試験などで製品に品質異常が認められた場合の該当製品製造時のセンサデータ群などを指す。 If the deviation degree is large enough to exceed the predetermined threshold, the manufacturing apparatus 100 indicates a failure sign, and an abnormal process can be estimated as a product abnormality may occur due to the process performed by the manufacturing apparatus 100. Here, the "evaluation portion" refers to, for example, a sensor data group output in real time from the manufacturing apparatus 100, or a sensor data group at the time of manufacturing the corresponding product when a quality abnormality is recognized in the product in a test or the like. .
このように、本実施形態に係る異常工程推定方法では、製造装置100全体の挙動をセンサ相関性によって把握し、その挙動の変化は、正常状態のセンサ相関性をモデル化した相関モデル12d’の出力値により得ることができる。そして、かかる出力値に基づく正常状態からの乖離度の大きさにより、製造装置100が故障予兆を示しており、かかる製造装置100が実行する工程が品質異常の要因となる異常工程であると推定する。 As described above, in the abnormal process estimation method according to the present embodiment, the behavior of the entire manufacturing apparatus 100 is grasped by sensor correlativity, and the change in the behavior is the correlation model 12d ′ that models the sensor correlativity in the normal state. It can be obtained by the output value. Then, the magnitude of deviation from the normal state based on the output value indicates that the manufacturing apparatus 100 has a sign of failure, and it is presumed that the process performed by the manufacturing apparatus 100 is an abnormal process that causes quality abnormality. Do.
したがって、本実施形態に係る異常工程推定方法によれば、たとえば故障発生時のセンサデータに基づく機械学習により生成される故障モデルを用いた異常工程推定方法であれば必要となってくる、すべての故障現象のモデル化の実施などといった煩雑な工程は不要である。したがって、製造装置100の故障予兆を簡便に且つ精度よく捉えるとともに、品質異常の要因となる異常工程を精度よく推定することが可能となる。 Therefore, according to the abnormal process estimation method according to the present embodiment, all abnormal process estimation methods that are required, for example, can be used as long as an abnormal process estimation method using a failure model generated by machine learning based on sensor data at the time of failure occurrence. There is no need for complicated processes such as the modeling of failure phenomena. Therefore, while being able to catch the failure sign of the manufacturing apparatus 100 simply and accurately, it becomes possible to estimate the abnormal process which causes the quality abnormality accurately.
なお、本実施形態に係る異常工程推定方法では、図1Aに示すように、各センサS−1〜S−nのセンサデータの時間変動、すなわち時系列の相関性を特徴ベクトル(以下、単に「ベクトル」と言う)に含めた機械学習を行い、センサデータの時系列の相関性を把握可能にしている。これにより、製造装置100の故障予兆を精度よく捉えるのに資することができる。 In the abnormal process estimation method according to the present embodiment, as shown in FIG. 1A, the temporal variation of sensor data of each of the sensors S-1 to S-n, that is, the time-series correlation is a feature vector (hereinafter simply referred to as “ The machine learning included in “vector”) is performed to make it possible to grasp the time-series correlation of sensor data. This can contribute to accurately grasping the failure sign of the manufacturing apparatus 100.
ここで、上述した基本的な考え方を前提として、複数の製造装置100により複数工程が一連化された製造ライン2の場合について考える。図1Cに示すように、製造ライン2は、製造装置100−1,100−2を備える。 Here, on the premise of the above-described basic idea, the case of the manufacturing line 2 in which a plurality of processes are serialized by a plurality of manufacturing apparatuses 100 will be considered. As shown in FIG. 1C, the manufacturing line 2 includes manufacturing devices 100-1 and 100-2.
製造装置100−1,100−2はともにセンサ群を有し、たとえば製造装置100−1は、第1工程、第2工程の順に2tの工程を実行し、製造装置100−2は、第2工程の結果を受けて第3工程を実行するものとする。 The manufacturing apparatuses 100-1 and 100-2 both have a sensor group, and for example, the manufacturing apparatus 100-1 executes a process of 2t in the order of the first process and the second process, and the manufacturing apparatus 100-2 performs the second process. It is assumed that the third step is performed based on the result of the step.
かかる製造ライン2に対し、上述した基本的な考え方を適用しようとする場合、第1〜第3工程の各工程のセンサデータを学習対象の学習データセットdとして、これを入力に一括の機械学習(一括学習)を実行し、相関モデル12d’を生成することが考えられる。 When applying the basic idea described above to the manufacturing line 2, the sensor data of each process of the first to third processes are input as a learning data set d for learning, and this is used as a batch machine learning It is conceivable to execute (collective learning) and generate a correlation model 12 d ′.
しかしながら、図1Cに示すように複数工程が実行される場合、各工程の間には経過時間が存在するのが通常である。経過時間はたとえば、ある工程で接着剤や洗浄剤等が用いられた場合、その乾き具合等を変動させる要因となる。また、経過時間はたとえば、ある工程で加熱や保温、冷却等が行われる場合には、温度変動等の要因ともなる。すなわち、経過時間は、製造ライン2全体を1つの製造装置100と見立てた場合に、かかる製造装置100における時系列の相関性の特徴を示すベクトルの1つとなりうる。 However, when multiple steps are performed as shown in FIG. 1C, an elapsed time is usually present between each step. For example, when an adhesive, a cleaning agent, or the like is used in a certain process, the elapsed time is a factor that changes the degree of dryness or the like. In addition, for example, when heating, heat retention, cooling, or the like is performed in a certain process, the elapsed time is also a factor such as temperature fluctuation. That is, when the entire production line 2 is regarded as one manufacturing device 100, the elapsed time can be one of vectors indicating the feature of the time-series correlation in the manufacturing device 100.
また、各工程は、それぞれ実行される処理の内容が異なり、たとえば1つの製造装置100で複数工程が実行される場合には、センサ群と関連性の高い処理が行われる工程もあれば、逆にセンサ群と関連性の低い処理が行われる工程もあることが考えられる。こうした各工程が実行される製造ライン2全体の正常状態を1つの相関モデル12d’によってモデル化すれば、前述の相関のズレ量は必要以上に大きく導出される可能性がある。 In addition, in each process, the contents of the process to be performed are different. For example, when a plurality of processes are performed by one manufacturing apparatus 100, there is a process in which a process highly relevant to the sensor group is performed. It is conceivable that there is a process in which processing that is less related to the sensor group is performed. If the normal state of the entire manufacturing line 2 in which each of these steps is performed is modeled by one correlation model 12d ', the above-mentioned correlation shift amount may be derived more than necessary.
そこで、図1Dに示すように、本実施形態に係る異常工程推定方法では、基本的に工程ごとのセンサデータを学習対象とするとともに、工程間の経過時間を加味した学習データセットdを用意し、かかる学習データセットdごとで分割された機械学習(分割学習)を実行することによって、相関モデル群12dを生成することとした。 Therefore, as shown in FIG. 1D, in the abnormal process estimation method according to the present embodiment, while basically setting sensor data for each process as a learning target, a learning data set d is prepared in which the elapsed time between processes is taken into consideration. The correlation model group 12d is generated by executing machine learning (division learning) divided for each learning data set d.
図1Dに示すように、たとえば第1工程を学習対象とする分割学習では、第1相関モデル12d−1が生成される。また、第1〜第2工程間の経過時間および第2工程を学習対象とする分割学習では、第2相関モデル12d−2が生成される。また、第2〜第3工程間の経過時間および第3工程を学習対象とする分割学習では、第3相関モデル12d−3が生成される。 As shown in FIG. 1D, for example, in split learning in which the first step is a learning target, a first correlation model 12d-1 is generated. In addition, in divided learning in which the elapsed time between the first and second steps and the second step are learning targets, a second correlation model 12d-2 is generated. In addition, in divided learning in which the elapsed time between the second and third steps and the third step are learning targets, a third correlation model 12d-3 is generated.
そして、評価段階では、評価分のデータセットについても経過時間を加味したデータセットを用意したうえで、第1工程の評価データセットは第1相関モデル12d−1で、第1〜第2工程間の経過時間および第2工程の評価データセットは第2相関モデル12d−2で、第2〜第3工程間の経過時間および第3工程の評価データセットは第3相関モデル12d−3でそれぞれ評価されるように、モデルを切り替えつつ正常状態からの乖離度を評価することとした。 Then, in the evaluation stage, after preparing a data set taking into account the elapsed time also for the data set for evaluation, the evaluation data set for the first step is the first correlation model 12d-1, and it is between the first and second steps. The evaluation data set of the second step and the elapsed time of the second step are evaluated by the second correlation model 12d-2, and the evaluation data set of the second and third steps and the evaluation step of the third step are evaluated by the third correlation model 12d-3. As mentioned, it was decided to evaluate the degree of deviation from the normal state while switching the model.
これにより、評価対象となる工程ごとに精度の高い正常状態からの乖離度の算出が可能となる。そして、算出された正常状態からの乖離度に基づき、本実施形態に係る異常工程推定方法では、乖離度の大きい時間位置により異常工程の位置を推定し、たとえばかかる位置に対応するセンサデータに基づいて各センサの寄与順位を算出する。かかる寄与順位は、各センサの配置箇所などに対応し、これにより故障予兆のある箇所の特定に資することができる。 This makes it possible to calculate the degree of deviation from the normal state with high accuracy for each process to be evaluated. Then, based on the calculated degree of deviation from the normal state, in the abnormal process estimation method according to the present embodiment, the position of the abnormal process is estimated based on the time position with the large degree of deviation, for example, based on sensor data corresponding to the position Calculate the contribution order of each sensor. The contribution order corresponds to the location of each sensor, etc., which can help to identify the location where there is a failure sign.
このように、本実施形態に係る異常工程推定方法では、工程ごとに分割されるとともに、工程間の経過時間が加味された学習データセットdに基づき、それぞれ機械学習が実行されることで生成される相関モデル12d−1,12d−2,12d−3を含む相関モデル群12dを生成する。 As described above, in the abnormal process estimation method according to the present embodiment, machine learning is performed based on the learning data set d which is divided for each process and in which the elapsed time between processes is added. A correlation model group 12d including correlation models 12d-1, 12d-2, 12d-3 is generated.
そして、本実施形態に係る異常工程推定方法では、同じく工程ごとに分割されるとともに、工程間の経過時間が加味された評価データセットを、評価対象となる工程ごとで切り替えつつ相関モデル群12dの対応する相関モデルへ入力し、得られた出力値に基づいて工程ごとの正常状態からの乖離度を評価する。 Then, in the abnormal process estimation method according to the present embodiment, the evaluation data set which is similarly divided for each process and in which the elapsed time between processes is added is switched between the correlation model group 12d while changing for each process to be evaluated. Input to the corresponding correlation model, and evaluate the degree of deviation from the normal state for each process based on the obtained output value.
そして、本実施形態に係る異常工程推定方法では、その評価結果として、正常状態からの乖離度が所定の閾値以上である時間位置から異常工程を推定する。したがって、本実施形態に係る異常工程推定方法によれば、製品の品質異常の要因となる異常工程を精度よく推定することができる。 Then, in the abnormal process estimation method according to the present embodiment, as the evaluation result, the abnormal process is estimated from the time position at which the degree of deviation from the normal state is equal to or greater than a predetermined threshold. Therefore, according to the abnormal process estimation method according to the present embodiment, it is possible to accurately estimate an abnormal process that causes a quality abnormality of a product.
以下、上述した異常工程推定方法を適用した異常工程推定システム1の構成について、さらに具体的に説明する。 Hereinafter, the configuration of the abnormal process estimation system 1 to which the above-described abnormal process estimation method is applied will be described more specifically.
図2は、本実施形態に係る異常工程推定システム1のブロック図である。なお、図2では、本実施形態の特徴を説明するために必要な構成要素を機能ブロックで表しており、一般的な構成要素についての記載を省略している。 FIG. 2 is a block diagram of the abnormal process estimation system 1 according to the present embodiment. In addition, in FIG. 2, the component required in order to demonstrate the characteristic of this embodiment is represented with a functional block, and the description about a general component is abbreviate | omitted.
換言すれば、図2に図示される各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。たとえば、各機能ブロックの分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況等に応じて、任意の単位で機能的または物理的に分散・統合して構成することが可能である。 In other words, each component illustrated in FIG. 2 is functionally conceptual and does not necessarily have to be physically configured as illustrated. For example, the specific form of distribution and integration of each functional block is not limited to that shown in the drawings, and all or part of them may be functionally or physically distributed in any unit depending on various loads, usage conditions, etc. It is possible to integrate and configure.
なお、図2を用いた説明では、これまでに既に述べた構成要素については、説明を簡略化するか、省略する場合がある。 In the description using FIG. 2, the description may be simplified or omitted for the components already described.
図2に示すように、異常工程推定システム1は、異常工程推定装置10と、製造ライン2とを備える。製造ライン2は、複数の製造装置100を備える。複数の製造装置100は、それぞれセンサ群を備える。 As shown in FIG. 2, the abnormal process estimation system 1 includes an abnormal process estimation device 10 and a manufacturing line 2. The manufacturing line 2 includes a plurality of manufacturing apparatuses 100. Each of the plurality of manufacturing apparatuses 100 includes a sensor group.
異常工程推定装置10と製造装置100とは、ネットワーク接続されて通信可能に設けられ、異常工程推定装置10は、製造装置100からのセンサデータを適宜収集可能に設けられている。 The abnormal process estimation device 10 and the manufacturing device 100 are connected in a network and communicably provided, and the abnormal process estimation device 10 is provided so as to be able to appropriately collect sensor data from the manufacturing device 100.
異常工程推定装置10は、制御部11と、記憶部12とを備える。制御部11は、収集部11aと、前処理部11bと、抽出部11cと、生成部11dと、評価部11eと、判定部11fと、報知部11gとを備える。 The abnormal process estimation device 10 includes a control unit 11 and a storage unit 12. The control unit 11 includes a collection unit 11a, a preprocessing unit 11b, an extraction unit 11c, a generation unit 11d, an evaluation unit 11e, a determination unit 11f, and a notification unit 11g.
記憶部12は、ハードディスクドライブや不揮発性メモリ、レジスタといった記憶デバイスであって、収集ログ12aと、一括ログ群12bと、分割学習データセット12cと、相関モデル群12dと、評価データセット12eと、評価情報12fとを記憶する。評価情報12fは、乖離度12faと、寄与順位12fbとを含む。 The storage unit 12 is a storage device such as a hard disk drive, a non-volatile memory, and a register, and includes a collection log 12a, a collective log group 12b, a divided learning data set 12c, a correlation model group 12d, and an evaluation data set 12e. The evaluation information 12f is stored. The evaluation information 12 f includes a divergence degree 12 fa and a contribution order 12 fb.
制御部11は、異常工程推定装置10の全体制御を行う。収集部11aは、製造装置100のセンサ群からのセンサデータを所定の周期で収集して、収集ログ12aへ格納する。 The control unit 11 performs overall control of the abnormal process estimation device 10. The collection unit 11a collects sensor data from the sensor group of the manufacturing apparatus 100 at a predetermined cycle, and stores the data in the collection log 12a.
前処理部11bは、後で実行される機械学習および評価の前準備として、収集ログ12aに基づき、製造ライン2における一連の工程を表す一括ログを生成し、一括ログ群12bへ蓄積する。一括ログは、工程間の経過時間に対応する内容を含み、1つの一括ログは製造ライン2で実行される一連の工程1回分に対応する。 The preprocessing unit 11b generates a collective log representing a series of processes in the manufacturing line 2 based on the collection log 12a as preparation for machine learning and evaluation to be executed later, and accumulates the collective log in the collective log group 12b. The collective log includes contents corresponding to the elapsed time between processes, and one collective log corresponds to one series of processes performed on the production line 2.
ここで、前処理部11bが実行する前処理について、図3A〜図3Dを用いて具体的に説明する。図3A〜図3Dは、前処理の処理説明図(その1)〜(その4)である。 Here, the preprocessing performed by the preprocessing unit 11b will be specifically described with reference to FIGS. 3A to 3D. FIGS. 3A to 3D are process explanatory views (part 1) to (part 4) of preprocessing.
図3Aに示すように、一例として、製造ライン2は5工程からなり、第1〜第3工程が製造工程であり、第4および第5工程が試験工程であるものとする。なお、かかる例は、製造ライン2の総工程数、製造工程数および試験工程数を限定するものではない。 As shown to FIG. 3A, as an example, the manufacturing line 2 shall consist of 5 processes, a 1st-3rd process shall be a manufacturing process, and a 4th and 5th process shall be a test process. Note that this example does not limit the total number of processes in the manufacturing line 2, the number of manufacturing processes, and the number of test processes.
かかる製造ライン2の場合、収集ログ12aには、「製造ログ」として、第1工程分の「第1ログ」、第2工程分の「第2ログ」および第3工程分の「第3ログ」が、一連の工程1回分を一単位として蓄積されている。また、「試験ログ」として、第4工程分の「第4ログ」および第5工程分の「第5ログ」が一連の工程1回分を一単位として蓄積されている。 In the case of the production line 2, the collection log 12a includes, as the "production log", the "first log" for the first process, the "second log" for the second process, and the "third log" for the third process. Is stored as one unit of a series of process steps. Further, as the "test log", the "fourth log" for the fourth process and the "fifth log" for the fifth process are accumulated as one unit of a series of processes.
第1〜第5ログは、それぞれ「標準部」と「専用部」とを含む。ここで、図3Bに示すように、「標準部」には、たとえば製造される製品ごとの固有番号や、日付、時刻、アラーム情報、等が格納されている。 The first to fifth logs each include a "standard part" and a "dedicated part". Here, as shown in FIG. 3B, the “standard part” stores, for example, a unique number for each product to be manufactured, a date, time, alarm information, and the like.
また、図3Cに示すように、製造ログの「専用部」には、たとえば製造中の各センサデータが格納されている。各センサデータは、たとえば位置情報、速度情報、トルク情報、等である。また、図3Dに示すように、試験ログの「専用部」には、たとえば試験結果、等が格納されている。 Further, as shown in FIG. 3C, for example, each sensor data being manufactured is stored in the “dedicated part” of the manufacturing log. Each sensor data is, for example, position information, speed information, torque information, and the like. Further, as shown in FIG. 3D, for example, test results and the like are stored in the “dedicated part” of the test log.
図3Aの説明に戻る。前処理部11bは、かかる収集ログ12aに基づき、一連の工程1回分を一単位とする製造工程全体の一括ログを生成する(ステップS3)。このとき、前処理部11bは、一括ログに、工程間の経過時間を加味する。 It returns to the explanation of FIG. 3A. The preprocessing unit 11 b generates a collective log of the entire manufacturing process in which one series of process steps is one unit based on the collection log 12 a (step S 3). At this time, the preprocessing unit 11 b takes into account the elapsed time between processes in the collective log.
具体的には、図3Aに示すように、一括ログは、「標準部」、「第1ログ専用部」、「第2ログ専用部」および「第3ログ専用部」を有しており、各工程が実行される順に時系列で、収集ログ12aにおける第1〜第3ログの内容が格納される。たとえば、第1工程分に対応する行の「第1ログ専用部」には、第1ログの「専用部」の内容が格納される(図中のM1部参照)。「第2ログ専用部」、「第3ログ専用部」には、「0」が格納される。 Specifically, as shown in FIG. 3A, the collective log includes “standard part”, “first log dedicated part”, “second log dedicated part”, and “third log dedicated part”. The contents of the first to third logs in the collection log 12a are stored in chronological order of execution of each process. For example, the contents of the "dedicated part" of the first log are stored in the "first log dedicated part" of the row corresponding to the first process (see the M1 part in the figure). "0" is stored in the "second log dedicated unit" and the "third log dedicated unit".
同様に、第2工程分に対応する行の「第2ログ専用部」には、第2ログの「専用部」の内容が格納される(図中のM2部参照)。「第1ログ専用部」、「第3ログ専用部」には、「0」が格納される。また、同様に、第3工程分に対応する行の「第3ログ専用部」には、第3ログの「専用部」の内容が格納される(図中のM3部参照)。「第1ログ専用部」、「第2ログ専用部」には、「0」が格納される。 Similarly, the contents of the "dedicated part" of the second log are stored in the "second log dedicated part" of the row corresponding to the second process (see the M2 part in the figure). “0” is stored in the “first log dedicated unit” and the “third log dedicated unit”. Similarly, the contents of the "dedicated part" of the third log are stored in the "third log dedicated part" of the row corresponding to the third process (see the M3 part in the figure). “0” is stored in the “first log dedicated unit” and the “second log dedicated unit”.
そして、前処理部11bは、時系列上で、第1〜第2工程間の経過時間および第2〜第3工程間の経過時間に対応する位置へ、専用部がすべてゼロフィルされた(すなわち、「0」で埋められた)行を工程間の経過時間に相当する行数分、挿入する(ステップS31)。すなわち、図3Aに示す例では、第2〜第3工程間の経過時間は、第1〜第2工程間の経過時間の2倍相当ということになる。前処理部11bは、このように生成した一括ログを、一括ログ群12bへ蓄積する。 Then, in the pre-processing unit 11b, all the dedicated portions are zero-filled on positions corresponding to the elapsed time between the first and second steps and the elapsed time between the second and third steps in time series (that is, The lines (filled with “0”) are inserted for the number of lines corresponding to the elapsed time between steps (step S31). That is, in the example shown in FIG. 3A, the elapsed time between the second and third steps is equivalent to twice the elapsed time between the first and second steps. The preprocessing unit 11 b accumulates the collective log generated in this manner in the collective log group 12 b.
図2の説明に戻る。抽出部11cは、一括ログ群12bから、製造ライン2の正常稼働時に対応する正常品質分の学習データセットdを学習対象となる工程ごとで分割しつつ抽出し、分割学習データセット12cへ格納する。 It returns to the explanation of FIG. The extraction unit 11c divides and extracts the learning data set d for normal quality corresponding to the normal operation of the manufacturing line 2 from the collective log group 12b for each process to be learned, and stores the learning data set d in the divided learning data set 12c. .
また、抽出部11cは、一括ログ群12bから、評価時に対応する評価分のデータセットを抽出し、評価データセット12eへ格納する。 Further, the extraction unit 11 c extracts a data set for evaluation corresponding to the time of evaluation from the collective log group 12 b and stores the data set in the evaluation data set 12 e.
生成部11dは、分割学習データセット12cを入力としたディープラーニングによる機械学習を実行し、相関モデル群12dを生成する。 The generation unit 11 d performs machine learning by deep learning using the divided learning data set 12 c as an input, and generates a correlation model group 12 d.
評価部11eは、抽出部11cによって抽出された評価データセット12eを相関モデル群12dの対応する各相関モデル12d−1,12d−2,12d−3へ入力し、各相関モデルからの出力結果を受け取る。 The evaluation unit 11e inputs the evaluation data set 12e extracted by the extraction unit 11c to the corresponding correlation models 12d-1, 12d-2, 12d-3 of the correlation model group 12d, and outputs the output results from the correlation models. receive.
そして、評価部11eは、受け取った出力結果に基づいて故障予兆を判定するための各種評価値を算出し、評価情報12fへ格納する。評価値は、乖離度12fa、寄与順位12fbに対応する。 Then, the evaluation unit 11e calculates various evaluation values for determining a failure sign based on the received output result, and stores the evaluation values in the evaluation information 12f. The evaluation value corresponds to the deviation degree 12fa and the contribution order 12fb.
具体的には、評価部11eは、評価データセット12eを相関モデル群12dの対応する各相関モデル12d−1,12d−2,12d−3へ入力し、各相関モデル12d−1,12d−2,12d−3の出力値から、相関モデル12d−1,12d−2,12d−3それぞれに対応する正常状態からの乖離度を算出する。また、評価部11eは、算出した乖離度を評価情報12fの乖離度12faへ格納する。 Specifically, the evaluation unit 11e inputs the evaluation data set 12e to the corresponding correlation models 12d-1, 12d-2, 12d-3 of the correlation model group 12d, and the correlation models 12d-1, 12d-2 , 12d-3, the degree of deviation from the normal state corresponding to each of the correlation models 12d-1, 12d-2, 12d-3 is calculated. Further, the evaluation unit 11e stores the calculated degree of deviation in the degree of deviation 12fa of the evaluation information 12f.
また、評価部11eは、各センサのセンサデータに基づき、各センサの寄与順位を算出し、評価情報12fの寄与順位12fbへ格納する。 Further, the evaluation unit 11 e calculates the contribution order of each sensor based on the sensor data of each sensor, and stores the contribution order in the contribution order 12 fb of the evaluation information 12 f.
ここで、生成部11dが実行する生成処理および評価部11eが実行する評価処理について、より具体的に図4Aおよび図4Bを用いて説明する。図4Aは、生成処理の処理説明図である。また、図4Bは、評価処理の処理説明図である。 Here, the generation process performed by the generation unit 11 d and the evaluation process performed by the evaluation unit 11 e will be described more specifically with reference to FIGS. 4A and 4B. FIG. 4A is a process explanatory diagram of the generation process. Moreover, FIG. 4B is process explanatory drawing of evaluation processing.
図4Aに示すように、一括ログ群12bには、正常品質分に対応する一括ログが蓄積されている。かかる正常品質分の一括ログは、前述の抽出部11cによって「分割」されつつ抽出され、分割学習データセット12cとして格納される。 As shown in FIG. 4A, in the collective log group 12b, collective logs corresponding to normal quality are accumulated. The batch log of the normal quality is extracted while being “divided” by the extraction unit 11 c described above, and is stored as the divided learning data set 12 c.
既に説明した図3Aに対応する例の場合、分割学習データセット12cには、図4Aに示すように、「第1工程分」に対応する学習データセットd1と、「第1〜第2工程間の経過時間+第2工程分」に対応する学習データセットd2と、「第2〜第3工程間の経過時間+第3工程分」に対応する学習データセットd3とが含まれる。 In the case of the example corresponding to FIG. 3A already described, as shown in FIG. 4A, in the divided learning data set 12c, the learning data set d1 corresponding to “the first step” and “between the first and second steps” And a learning data set d3 corresponding to "the elapsed time between the second and third steps + the third step".
そして、生成部11dは、学習データセットd1に基づいて「機械学習」を実行し、第1相関モデル12d−1を生成する。また、生成部11dは、学習データセットd2に基づいて「機械学習」を実行し、第2相関モデル12d−2を生成する。また、生成部11dは、学習データセットd3に基づいて「機械学習」を実行し、第3相関モデル12d−3を生成する。 Then, the generation unit 11d executes "machine learning" based on the learning data set d1 to generate a first correlation model 12d-1. Further, the generation unit 11 d executes “machine learning” based on the learning data set d2 to generate a second correlation model 12 d-2. Further, the generation unit 11 d executes “machine learning” based on the learning data set d3 to generate a third correlation model 12 d-3.
そして、このように生成された相関モデル群12dの各相関モデル12d−1,12d−2,12d−3に対し、評価部11eは、図4Bに示すように、前述の抽出部11cにより抽出された、評価分の一括ログに対応する評価データセット12eを「入力」する。 Then, for each correlation model 12d-1, 12d-2, 12d-3 of the correlation model group 12d generated in this way, the evaluation unit 11e is extracted by the above-mentioned extraction unit 11c as shown in FIG. 4B. Also, "input" the evaluation data set 12e corresponding to the collective log for the evaluation.
このとき、評価部11eは、入力先となる各相関モデル12d−1,12d−2,12d−3を「評価対象となる工程ごとで切り替え」つつ入力し、各相関モデル12d−1,12d−2,12d−3からの出力値に基づいて相関モデル12d−1,12d−2,12d−3それぞれに対応する正常状態からの乖離度を算出する。 At this time, the evaluation unit 11 e inputs each of the correlation models 12 d-1, 12 d-2, and 12 d-3 to be input destinations while “switching for each process to be evaluated” and inputs each correlation model 12 d-1, 12 d- The degree of deviation from the normal state corresponding to each of the correlation models 12d-1, 12d-2, and 12d-3 is calculated based on the output values from 2, 12d-3.
後述する判定部11fは、かかる評価部11eにより算出された正常状態からの乖離度が所定の閾値以上である時間位置につき、故障予兆ありと判定し、「品質異常」に対応すると推定することとなる。 The determination unit 11 f described later determines that there is a failure sign at a time position where the degree of deviation from the normal state calculated by the evaluation unit 11 e is equal to or more than a predetermined threshold, and estimates that it corresponds to “quality abnormality”. Become.
図2の説明に戻る。判定部11fは、乖離度12faを参照して、相関モデル12d−1,12d−2,12d−3のいずれかに対応する正常状態からの乖離度が所定の閾値以上である場合に、故障予兆ありと判定し、報知部11gに対し、報知要求指示を行う。 It returns to the explanation of FIG. The determination unit 11 f refers to the degree of deviation 12 fa, and when the degree of deviation from the normal state corresponding to any of the correlation models 12 d-1, 12 d-2, and 12 d-3 is equal to or greater than a predetermined threshold, It is determined that there is a notification request to the notification unit 11g.
報知部11gは、判定部11fから故障予兆ありの報知要求指示を受け付けた場合に、外部装置へアラート通知を報知する。また、このとき報知部11gは、乖離度12faおよび寄与順位12fbを参照して、たとえば正常状態からの乖離度とこれに対応する時間位置から推定される工程位置、寄与順位上位の各センサS−1〜S−nの名称や配置箇所などをあわせて報知することができる。 The notification unit 11g notifies an external device of alert notification when it receives a notification request instruction of failure indication from the determination unit 11f. Further, at this time, the notification unit 11g refers to the deviation degree 12fa and the contribution order 12fb, for example, the process position estimated from the deviation degree from the normal state and the corresponding time position, and each sensor S- of the contribution order superior. The names of 1 to S-n and the locations can be notified together.
ユーザは、たとえば正常状態からの乖離度とこれに対応する工程位置を確認することで、異常度合いや、品質異常の要因となった可能性のある異常工程位置を知ることができる。また、たとえば寄与順位上位のセンサを確認することで、異常の発生箇所や原因を推定することができる。 The user can know, for example, the degree of abnormality and the abnormal process position that may have caused the quality abnormality by confirming the deviation from the normal state and the process position corresponding thereto. Further, for example, by checking a sensor at the top of the contribution order, it is possible to estimate the occurrence location and the cause of the abnormality.
次に、本実施形態に係る検証例および比較例に係る検証例を図5Aおよび図5Bに示す。図5Aは、本実施形態に係る検証結果を示す図である。また、図5Bは、比較例に係る検証結果を示す図である。 Next, verification examples according to the verification example and the comparative example according to the present embodiment are shown in FIGS. 5A and 5B. FIG. 5A is a diagram showing a verification result according to the present embodiment. Moreover, FIG. 5B is a figure which shows the verification result concerning a comparative example.
図5Aおよび図5Bでは、製造ライン2が、被処理基板W1に支持基板W2を貼り合わせるものである場合を例に挙げる。これは、近年、シリコンウェハや化合物半導体ウェハ等の被処理基板W1の大口径化および薄型化が進んでおり、かかる被処理基板W1が、搬送時や研磨処理時に反りや割れが生じるおそれがあることから、ガラス基板等の支持基板W2を貼り合わせることによって被処理基板W1を補強し、製品とするものである。 In FIG. 5A and FIG. 5B, the case where the manufacturing line 2 bonds the support substrate W2 to the to-be-processed substrate W1 is mentioned as an example. In recent years, the diameter and thickness of the target substrate W1 such as a silicon wafer and a compound semiconductor wafer have been increased, and the target substrate W1 may be warped or broken during transportation or polishing processing. Therefore, the substrate to be processed W1 is reinforced by bonding a support substrate W2 such as a glass substrate to make a product.
かかる製造ライン2は、図5Aに示すように、塗布装置、接合装置および検査装置を備える。塗布装置および接合装置は、製造工程を担う製造装置100の一例であり、検査装置は、試験工程を担う製造装置100の一例である。 The production line 2 includes a coating device, a bonding device, and an inspection device, as shown in FIG. 5A. The coating apparatus and the bonding apparatus are an example of the manufacturing apparatus 100 responsible for the manufacturing process, and the inspection apparatus is an example of the manufacturing apparatus 100 responsible for the test process.
図5Aに示すように、かかる製造ライン2では、部品供給から順に、塗布装置で「接着剤吐出」、「接着剤塗布」、「洗浄剤噴射」、「周縁部洗浄」が、接合装置で「加熱」、「圧着」が、検査装置で「試験」が、実行される。 As shown in FIG. 5A, in the production line 2, "adhesion agent discharge", "adhesive application", "cleansing agent injection", and "peripheral part cleaning" are performed by the bonding device in order from component supply in the coating device. "Heating" and "crimping" are performed on the inspection apparatus.
「接着剤吐出」では、被処理基板W1へ接着剤が吐出され、分析対象として「吐出状態」が画像等により観察される。「接着剤塗布」では、接着剤が吐出された被処理基板W1を回転させることで遠心力により被処理基板W1の表面へ接着剤が塗布される。分析対象としてセンサデータである「位置情報」、「速度情報」、「トルク情報」等が収集される。 In the “adhesive discharge”, the adhesive is discharged onto the processing target substrate W1, and the “discharged state” is observed as an analysis target by an image or the like. In “adhesive application”, the adhesive is applied to the surface of the substrate W1 by centrifugal force by rotating the substrate W1 to which the adhesive is discharged. Sensor data "position information", "speed information", "torque information", etc. are collected as an analysis target.
「洗浄剤噴射」では、接着剤が不要な被処理基板W1の周縁部へ洗浄剤が噴射され、分析対象として「噴射状態」が画像等により観察される。「周縁部洗浄」では、被処理基板W1を回転させることで洗浄剤により被処理基板W1の周縁部が洗浄される。分析対象としてセンサデータである「位置情報」、「速度情報」、「トルク情報」等が収集される。 In the "cleaning agent injection", the cleaning agent is injected to the peripheral portion of the processing target substrate W1 which does not require the adhesive, and the "injection state" is observed as an analysis target by an image or the like. In the “peripheral part cleaning”, the peripheral part of the substrate to be processed W1 is cleaned by the cleaning agent by rotating the substrate to be processed W1. Sensor data "position information", "speed information", "torque information", etc. are collected as an analysis target.
「加熱」では、接着剤に添加された有機溶剤を揮発させ、接着剤の粘性を上げるために、被処理基板W1が加熱される。分析対象として「加熱時間」、「保温時間」等が観察される。「圧着」では、支持基板W2を被処理基板W1と高さの異なる同一水平位置へ位置付け、上下方向から圧着して両基板W1,W2を貼り合わせる。分析対象としてセンサデータである「位置情報」、「速度情報」、「トルク情報」等が収集される。「試験」では、貼り合わせられた製品が試験される。 In "heating", the substrate to be processed W1 is heated in order to volatilize the organic solvent added to the adhesive and to increase the viscosity of the adhesive. As a subject of analysis, "heating time", "warming time" and the like are observed. In "crimping", the supporting substrate W2 is positioned at the same horizontal position different from the substrate to be processed W1 in height, and the two substrates W1 and W2 are bonded by crimping from the vertical direction. Sensor data "position information", "speed information", "torque information", etc. are collected as an analysis target. In the "test", the bonded products are tested.
そして、本実施形態に係る検証例では、たとえば塗布装置における「接着剤塗布」を「第1工程」とし、かかる「接着剤塗布」の終了から「周縁部洗浄」の終了までを、「経過時間+第2工程」とした。また、「周縁部洗浄」の終了から「圧着」の終了までを、「経過時間+第3工程」とした。 Then, in the verification example according to the present embodiment, for example, the “adhesive application” in the coating apparatus is set as the “first step”, and the time from the end of the “adhesive application” to the end of the “peripheral part cleaning” is “elapsed time + 2nd process ”. In addition, from the end of the "peripheral part cleaning" to the end of the "crimping" is referred to as "elapsed time + third step".
そして、「第1工程」、「経過時間+第2工程」および「経過時間+第3工程」のそれぞれにつき正常品質分の学習データセットdで各相関モデル12d−1,12d−2,12d−3を生成し、これらに正常品質分の学習データセットdを入力して自己回帰させたときの検証結果と、品質異常が出たときの異常品質分のデータセットを入力したときの検証結果を得た。 Then, each of the correlation models 12d-1, 12d-2, 12d- and the learning data set d of the normal quality for each of the "first step", "elapsed time + second step" and "elapsed time + third step" The verification result when 3 is generated and the training data d of normal quality is input to these and autoregressed, and the verification result when the data set for abnormal quality when the quality abnormality is output are input Obtained.
図5Aに示すように、「正常品質分入力時」の検証結果によれば、正常状態からの乖離度は全体的に低く推移しており、各相関モデル12d−1,12d−2,12d−3が、正常状態にある製造ライン2を正しくモデル化できていることが分かる。 As shown in FIG. 5A, according to the verification result of “at normal quality part input time”, the degree of deviation from the normal state is generally low, and each correlation model 12d-1, 12d-2, 12d− It can be seen that 3 can correctly model production line 2 in a normal state.
また、「異常品質分入力時」の検証結果によれば、「圧着」時に所定の閾値以上の正常状態からの乖離度を示す時間位置があり、かかる時間位置に対応する工程が異常工程であると推定可能であることが分かる。 Moreover, according to the verification result of "at the time of the input of abnormal quality", there is a time position indicating the degree of deviation from the normal state at the predetermined threshold or more at "crimping", and the process corresponding to the time position is the abnormal process. It can be seen that it can be estimated.
一方、比較例に係る検証例では、図5Bに示すように、「接着剤塗布」の開始から「圧着」の終了までを「第1工程+第2工程+第3工程」とした。ただし、工程間の経過時間は除くこととした。すなわち、これは、図1Cに示した各工程を学習対象とはするが、工程間の経過時間は加味せずに一括学習して、1つの相関モデル12d’を生成する場合に対応する。 On the other hand, in the verification example according to the comparative example, as shown in FIG. 5B, from the start of the “adhesive application” to the end of the “crimping” is referred to as “first step + second step + third step”. However, elapsed time between processes was excluded. That is, this corresponds to the case where each process shown in FIG. 1C is to be learned, but one correlation model 12 d ′ is generated by batch learning without considering the elapsed time between the processes.
この場合、図5Bに示すように、「正常品質分入力時」によれば、正常状態からの乖離度が所定の閾値以上である時間位置が複数あり、相関モデル12d’が、正常状態にある製造ライン2を正しくモデル化できていないことが分かる。 In this case, as shown in FIG. 5B, according to “when normal quality component is input”, there are a plurality of time positions where the degree of deviation from the normal state is equal to or greater than the predetermined threshold, and the correlation model 12d ′ is in the normal state. It can be seen that manufacturing line 2 can not be modeled correctly.
また、「異常品質分入力時」の検証結果によれば、正常状態からの乖離度が所定の閾値以上である時間位置が複数あるため、かかる時間位置に対応する工程が異常工程であるか否かは不明であることが分かる。 Further, according to the verification result of “at the time of inputting the abnormal quality”, since there are a plurality of time positions where the deviation degree from the normal state is equal to or more than the predetermined threshold, whether the process corresponding to the time position is an abnormal process It turns out that it is unknown.
次に、異常工程推定装置10が実行する処理手順について、図6を用いて説明する。図6は、異常工程推定装置10が実行する処理手順を示すフローチャートである。 Next, the processing procedure executed by the abnormal process estimation device 10 will be described using FIG. FIG. 6 is a flowchart showing a processing procedure executed by the abnormal process estimation device 10.
図6に示すように、前処理部11bが、収集部11aによって収集された収集ログ12aに基づいて前処理を実行する(ステップS101)。そして、生成部11dが、前処理部11bによって前処理された一括ログ群12bから抽出部11cが抽出した分割学習データセット12cに基づいて生成処理を実行する(ステップS102)。 As shown in FIG. 6, the preprocessing unit 11b executes preprocessing based on the collection log 12a collected by the collection unit 11a (step S101). Then, the generation unit 11d executes generation processing based on the divided learning data set 12c extracted by the extraction unit 11c from the batch log group 12b preprocessed by the preprocessing unit 11b (step S102).
そして、評価部11eが、生成部11dにより生成された各相関モデル12d−1,12d−2,12d−3へ抽出部11cの抽出した評価データセット12eを入力し、評価処理を実行する(ステップS103)。 Then, the evaluation unit 11e inputs the evaluation data set 12e extracted by the extraction unit 11c to each of the correlation models 12d-1, 12d-2, 12d-3 generated by the generation unit 11d, and executes the evaluation process (steps S103).
そして、判定部11fが、評価部11eによる評価結果に基づいて異常工程を推定する判定処理を実行する(ステップS104)。なお、図示していないが、報知部11gは、判定部11fの判定結果に基づき、必要に応じて報知処理を行う。そして、処理を終了する。 Then, the determination unit 11f performs a determination process of estimating an abnormal process based on the evaluation result of the evaluation unit 11e (step S104). Although not shown, the notification unit 11g performs notification processing as needed based on the determination result of the determination unit 11f. Then, the process ends.
なお、実施形態に係る異常工程推定装置10は、たとえば図7に示すような構成のコンピュータ60によって実現される。図7は、異常工程推定装置10の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ60は、CPU(Central Processing Unit)61、RAM(Random Access Memory)62、ROM(Read Only Memory)63、HDD(Hard Disk Drive)64、通信インタフェース(I/F)65、入出力インタフェース(I/F)66、およびメディアインタフェース(I/F)67を備える。 The abnormal process estimation device 10 according to the embodiment is realized by, for example, a computer 60 configured as shown in FIG. 7. FIG. 7 is a hardware configuration diagram showing an example of a computer that realizes the function of the abnormal process estimation device 10. The computer 60 includes a central processing unit (CPU) 61, a random access memory (RAM) 62, a read only memory (ROM) 63, a hard disk drive (HDD) 64, a communication interface (I / F) 65, and an input / output interface (I). / F) 66, and a media interface (I / F) 67.
CPU61は、ROM63またはHDD64に格納されたプログラムに基づいて動作し、各部の制御を行う。ROM63は、コンピュータ60の起動時にCPU61によって実行されるブートプログラムや、コンピュータ60のハードウェアに依存するプログラム等を格納する。 The CPU 61 operates based on a program stored in the ROM 63 or the HDD 64 to control each part. The ROM 63 stores a boot program executed by the CPU 61 when the computer 60 starts up, a program depending on the hardware of the computer 60, and the like.
HDD64は、CPU61によって実行されるプログラムおよび当該プログラムによって使用されるデータ等を格納する。通信インタフェース65は、製造装置100との通信部(図示略)に対応し、通信ネットワークを介して他の機器からデータを受信してCPU61へ送り、CPU61が生成したデータを、通信ネットワークを介して他の機器へ送信する。 The HDD 64 stores a program executed by the CPU 61, data used by the program, and the like. The communication interface 65 corresponds to a communication unit (not shown) with the manufacturing apparatus 100, receives data from another device through the communication network, sends it to the CPU 61, and transmits the data generated by the CPU 61 through the communication network. Send to another device.
CPU61は、入出力インタフェース66を介して、ディスプレイやプリンタ等の出力装置、および、キーボードやマウス等の入力装置を制御する。CPU61は、入出力インタフェース66を介して、入力装置からデータを取得する。また、CPU61は、生成したデータを、入出力インタフェース66を介して出力装置へ出力する。 The CPU 61 controls an output device such as a display or a printer and an input device such as a keyboard or a mouse via the input / output interface 66. The CPU 61 acquires data from the input device via the input / output interface 66. Also, the CPU 61 outputs the generated data to the output device via the input / output interface 66.
メディアインタフェース67は、記録媒体68に格納されたプログラムまたはデータを読み取り、RAM62を介してCPU61に提供する。CPU61は、当該プログラムを、メディアインタフェース67を介して記録媒体68からRAM62上にロードし、ロードしたプログラムを実行する。記録媒体68は、たとえばDVD(Digital Versatile Disc)、PD(Phase change rewritable Disk)等の光学記録媒体、MO(Magneto-Optical disk)等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。 The media interface 67 reads a program or data stored in the recording medium 68 and provides the CPU 61 via the RAM 62. The CPU 61 loads the program from the recording medium 68 via the media interface 67 onto the RAM 62 and executes the loaded program. The recording medium 68 is, for example, an optical recording medium such as a digital versatile disc (DVD) or a phase change rewritable disc (PD), a magneto-optical recording medium such as a magneto-optical disk (MO), a tape medium, a magnetic recording medium, or a semiconductor memory. Etc.
コンピュータ60が異常工程推定装置10として機能する場合、コンピュータ60のCPU61は、RAM62上にロードされたプログラムを実行することにより、収集部11a、前処理部11b、抽出部11c、生成部11d、評価部11e、判定部11fおよび報知部11gの各機能を実現する。また、HDD64は、記憶部12の機能を実現し、収集ログ12a等が格納される。 When the computer 60 functions as the abnormal process estimation device 10, the CPU 61 of the computer 60 executes the program loaded on the RAM 62 to obtain the collection unit 11a, the preprocessing unit 11b, the extraction unit 11c, the generation unit 11d, and the evaluation. The functions of the unit 11e, the determination unit 11f, and the notification unit 11g are realized. The HDD 64 realizes the function of the storage unit 12 and stores the collection log 12 a and the like.
コンピュータ60のCPU61は、これらのプログラムを、記録媒体68から読み取って実行するが、他の例として、他の装置から、通信ネットワークを介してこれらのプログラムを取得してもよい。 The CPU 61 of the computer 60 reads these programs from the recording medium 68 and executes them, but as another example, they may obtain these programs from another device via a communication network.
上述してきたように、実施形態に係る異常工程推定装置10は、収集部11aと、生成部11dと、評価部11eと、判定部11fとを備える。収集部11aは、複数のセンサS−1〜S−nを有し、複数の工程からなる製造ライン2における上記センサS−1〜S−nのセンサデータを収集する。 As described above, the abnormal process estimation device 10 according to the embodiment includes the collection unit 11a, the generation unit 11d, the evaluation unit 11e, and the determination unit 11f. The collection unit 11a includes a plurality of sensors S-1 to S-n, and collects sensor data of the sensors S-1 to S-n in a manufacturing line 2 including a plurality of steps.
生成部11dは、製造ライン2が正常状態にある間の正常品質分のセンサデータに基づき、上記工程間の経過時間が特徴ベクトルに含まれるように機械学習を実行することで、上記工程それぞれに対応する上記センサS−1〜S−n間の相関モデル12d−1〜12d−3を複数生成する。 The generation unit 11 d performs machine learning based on sensor data of normal quality while the manufacturing line 2 is in a normal state, by performing machine learning so that the elapsed time between the above steps is included in the feature vector. A plurality of correlation models 12d-1 to 12d-3 between the corresponding sensors S-1 to S-n are generated.
評価部11eは、任意の評価時のセンサデータおよびかかるセンサデータに対し上記工程間の経過時間を加味した上記工程ごとの評価分を、それぞれ対応する相関モデル12d−1〜12d−3へ入力することによって得られる相関モデル12d−1〜12d−3の出力値に基づいて上記工程ごとにおける正常状態からの乖離度を評価する。判定部11fは、上記乖離度に基づいて上記工程のうちから製品の品質異常の要因となる異常工程を判定する。 The evaluation unit 11e inputs sensor data at any time of evaluation and evaluations for each of the steps, taking into account the elapsed time between the steps with respect to the sensor data, to the corresponding correlation models 12d-1 to 12d-3. The degree of deviation from the normal state in each of the steps is evaluated based on the output values of the correlation models 12d-1 to 12d-3 obtained thereby. Based on the degree of deviation, the determination unit 11 f determines an abnormal process that causes a quality abnormality of the product among the processes described above.
したがって、本実施形態に係る異常工程推定装置10によれば、製品の品質異常の要因となる異常工程を精度よく推定することができる。 Therefore, according to the abnormal process estimation device 10 according to the present embodiment, it is possible to accurately estimate an abnormal process which is a cause of product quality abnormality.
(その他の実施形態)
ところで、上述した実施形態では、各工程におけるセンサデータおよび工程間の経過時間をベクトルに含めた分割学習を実行し、その結果生成された相関モデル群12dにより、製造ライン2における正常状態からの乖離度を評価する例を挙げたが、かかる評価に資すると考えられる他パラメータ、たとえば製造ライン2の周辺状況を示す気象変動データ等をさらにベクトルに含むこととしてもよい。
(Other embodiments)
By the way, in the embodiment described above, divided learning is performed in which the sensor data in each process and the elapsed time between processes are included in a vector, and the correlation model group 12d generated as a result separates from the normal state in the manufacturing line 2 An example of evaluating the degree has been given, but other parameters considered to contribute to the evaluation, for example, weather fluctuation data indicating the peripheral situation of the manufacturing line 2 may be further included in the vector.
また、上述した実施形態では、図5Aおよび図5Bを用いた説明で、製造ライン2が被処理基板W1に支持基板W2を貼り合わせるものである場合を例に挙げたが、無論、製造ライン2の態様を限定するものではない。たとえば、供給された部品を製品本体に接着剤等を塗布しつつ取り付けて、製品を組み立てるといった態様の製造ライン2であってもよい。 Further, in the embodiment described above, the case where the manufacturing line 2 bonds the support substrate W2 to the target substrate W1 is described as an example in the description using FIG. 5A and FIG. 5B. It does not limit the aspect of. For example, it may be a production line 2 in which the supplied parts are attached to the product body while applying an adhesive or the like to assemble the product.
また、上述した実施形態では、機械学習のアルゴリズムとしてディープラーニングを用いるものとしたが、用いるアルゴリズムを限定するものではない。したがって、SVM(Support Vector Machine)のようなパターン識別器を用いたサポートベクタ回帰等の回帰分析手法により機械学習を実行し、センサ相関モデル群12dを生成してもよい。また、ここで、パターン識別器はSVMに限らず、たとえばアダブースト(AdaBoost)などであってもよい。また、ランダムフォレストなどを用いてもよい。 Further, in the above-described embodiment, deep learning is used as the machine learning algorithm, but the algorithm to be used is not limited. Therefore, machine learning may be performed by a regression analysis method such as support vector regression using a pattern discriminator such as SVM (Support Vector Machine) to generate the sensor correlation model group 12d. Here, the pattern discriminator is not limited to the SVM, but may be, for example, AdaBoost. Also, a random forest or the like may be used.
さらなる効果や変形例は、当業者によって容易に導き出すことができる。このため、本発明のより広範な態様は、以上のように表しかつ記述した特定の詳細および代表的な実施形態に限定されるものではない。したがって、添付の特許請求の範囲およびその均等物によって定義される総括的な発明の概念の精神または範囲から逸脱することなく、様々な変更が可能である。 Further effects and modifications can be easily derived by those skilled in the art. Thus, the broader aspects of the invention are not limited to the specific details and representative embodiments represented and described above. Accordingly, various modifications may be made without departing from the spirit or scope of the general inventive concept as defined by the appended claims and their equivalents.
1 異常工程推定システム
2 製造ライン
10 異常工程推定装置
11 制御部
11a 収集部
11b 前処理部
11c 抽出部
11d 生成部
11e 評価部
11f 判定部
11g 報知部
12 記憶部
12a 収集ログ
12b 一括ログ群
12c 分割学習データセット
12d 相関モデル群
12d−1 第1相関モデル
12d−2 第2相関モデル
12d−3 第3相関モデル
12e 評価データセット
12f 評価情報
12fa 乖離度
12fb 寄与順位
100 製造装置
S−1〜S−n センサ
DESCRIPTION OF SYMBOLS 1 abnormal process estimation system 2 manufacturing line 10 abnormal process estimation apparatus 11 control part 11a collection part 11b pre-processing part 11c extraction part 11d evaluation part 11e evaluation part 11f determination part 11g notification part 12 storage part 12a collection log 12b collective log group 12c division Learning data set 12d Correlation model group 12d-1 First correlation model 12d-2 Second correlation model 12d-3 Third correlation model 12e Evaluation data set 12f Evaluation information 12fa Deviation degree 12fb Contribution order 100 Manufacturing equipment S-1 to S- n sensor
Claims (7)
前記製造ラインが正常状態にある間の正常品質分の前記センサデータに基づき、前記工程間の経過時間が特徴ベクトルに含まれるように機械学習を実行することで、前記工程それぞれに対応する前記センサ間の相関モデルを複数生成する生成工程と、
任意の評価時の前記センサデータおよび該センサデータに対し前記工程間の経過時間を加味した前記工程ごとの評価分を、それぞれ対応する前記相関モデルへ入力することによって得られる該相関モデルの出力値に基づいて前記工程ごとにおける正常状態からの乖離度を評価する評価工程と、
前記乖離度に基づいて前記工程のうちから製品の品質異常の要因となる異常工程を判定する判定工程と
を含むことを特徴とする異常工程推定方法。 A collection step of collecting sensor data of the sensors in a production line comprising a plurality of sensors and comprising a plurality of steps;
The sensor corresponding to each of the steps is performed by executing machine learning so that the elapsed time between the steps is included in the feature vector based on the sensor data of the normal quality while the manufacturing line is in the normal state. Generating a plurality of correlation models between
An output value of the correlation model obtained by inputting the sensor data at the time of any evaluation and an evaluation component for each process in which an elapsed time between the processes is added to the sensor data to the corresponding correlation model. Evaluating the deviation from the normal state in each of the steps based on
A determination process of determining an abnormal process that is a cause of a product quality abnormality among the processes based on the degree of deviation.
前記乖離度が所定の閾値以上である時間位置に基づき、前記異常工程を判定すること
を特徴とする請求項1に記載の異常工程推定方法。 In the determination step,
The abnormal process estimation method according to claim 1, wherein the abnormal process is determined based on a time position at which the deviation degree is equal to or more than a predetermined threshold value.
をさらに含み、
前記収集工程は、
前記センサデータを前記工程ごとに分割されたログデータとして収集し、
前記前処理工程は、
前記工程ごとの前記ログデータの間に、前記工程間の経過時間に相当する数の行を挿入しつつ前記工程ごとの前記ログデータを1つにまとめることによって、前記製造ラインにおける一連の製造工程1回分を一単位とする一括ログを生成すること
を特徴とする請求項1または2に記載の異常工程推定方法。 The method further includes a pretreatment step of performing pretreatment such that an elapsed time between the steps is taken into consideration.
The collecting step
Collecting the sensor data as log data divided for each process;
The pretreatment step is
A series of manufacturing processes in the manufacturing line by putting together the log data for each process into one while inserting a number of rows corresponding to the elapsed time between the processes between the log data for each process The abnormal process estimation method according to claim 1 or 2, wherein a batch log having one unit as one unit is generated.
前記工程間の経過時間に相当する数の行につき、前記センサデータに対応する箇所を0で埋めること
を特徴とする請求項3に記載の異常工程推定方法。 The pretreatment step is
The abnormal process estimation method according to claim 3, wherein a place corresponding to the sensor data is filled with 0 for a number of rows corresponding to an elapsed time between the processes.
前記一括ログに基づいて前記機械学習を実行すること
を特徴とする請求項3または4に記載の異常工程推定方法。 The generation step is
The abnormal process estimation method according to claim 3 or 4, wherein the machine learning is performed based on the collective log.
前記製造ラインが正常状態にある間の正常品質分の前記センサデータに基づき、前記工程間の経過時間が特徴ベクトルに含まれるように機械学習を実行することで、前記工程それぞれに対応する前記センサ間の相関モデルを複数生成する生成部と、
任意の評価時の前記センサデータおよび該センサデータに対し前記工程間の経過時間を加味した前記工程ごとの評価分を、それぞれ対応する前記相関モデルへ入力することによって得られる該相関モデルの出力値に基づいて前記工程ごとにおける正常状態からの乖離度を評価する評価部と、
前記乖離度に基づいて前記工程のうちから製品の品質異常の要因となる異常工程を判定する判定部と
を備えることを特徴とする異常工程推定装置。 A collection unit which has a plurality of sensors and collects sensor data of the sensors in a manufacturing line consisting of a plurality of processes;
The sensor corresponding to each of the steps is performed by executing machine learning so that the elapsed time between the steps is included in the feature vector based on the sensor data of the normal quality while the manufacturing line is in the normal state. A generation unit that generates a plurality of correlation models between
An output value of the correlation model obtained by inputting the sensor data at the time of any evaluation and an evaluation component for each process in which an elapsed time between the processes is added to the sensor data to the corresponding correlation model. An evaluation unit that evaluates the degree of deviation from the normal state in each of the steps based on
And a determination unit that determines an abnormal process that is a factor of product quality abnormality among the processes based on the degree of deviation.
前記製造ラインが正常状態にある間の正常品質分の前記センサデータに基づき、前記工程間の経過時間が特徴ベクトルに含まれるように機械学習を実行することで、前記工程それぞれに対応する前記センサ間の相関モデルを複数生成する生成手順と、
任意の評価時の前記センサデータおよび該センサデータに対し前記工程間の経過時間を加味した前記工程ごとの評価分を、それぞれ対応する前記相関モデルへ入力することによって得られる該相関モデルの出力値に基づいて前記工程ごとにおける正常状態からの乖離度を評価する評価手順と、
前記乖離度に基づいて前記工程のうちから製品の品質異常の要因となる異常工程を判定する判定手順と
をコンピュータに実行させることを特徴とする異常工程推定プログラム。 A collection procedure for collecting sensor data of the sensors in a production line comprising a plurality of sensors and comprising a plurality of processes;
The sensor corresponding to each of the steps is performed by executing machine learning so that the elapsed time between the steps is included in the feature vector based on the sensor data of the normal quality while the manufacturing line is in the normal state. Generation procedure that generates multiple correlation models between
An output value of the correlation model obtained by inputting the sensor data at the time of any evaluation and an evaluation component for each process in which an elapsed time between the processes is added to the sensor data to the corresponding correlation model. An evaluation procedure for evaluating the degree of deviation from the normal state in each of the steps based on
And a determination step of determining an abnormal step which is a factor of product quality abnormality among the steps based on the degree of deviation.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017174862A JP2019049940A (en) | 2017-09-12 | 2017-09-12 | Abnormal process estimating method, abnormal process estimating apparatus, and abnormal process estimating program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017174862A JP2019049940A (en) | 2017-09-12 | 2017-09-12 | Abnormal process estimating method, abnormal process estimating apparatus, and abnormal process estimating program |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2019049940A true JP2019049940A (en) | 2019-03-28 |
Family
ID=65905662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017174862A Pending JP2019049940A (en) | 2017-09-12 | 2017-09-12 | Abnormal process estimating method, abnormal process estimating apparatus, and abnormal process estimating program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2019049940A (en) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021060723A (en) * | 2019-10-04 | 2021-04-15 | 株式会社エヌ・ティ・ティ・データ | Monitoring condition determination device, monitoring condition determination method, and program |
JP2021077205A (en) * | 2019-11-12 | 2021-05-20 | 株式会社ジェイテクト | Quality prediction system |
WO2021140865A1 (en) * | 2020-01-08 | 2021-07-15 | パナソニックIpマネジメント株式会社 | Classification system, classification method, and program |
JPWO2022059183A1 (en) * | 2020-09-18 | 2022-03-24 | ||
JP2023136144A (en) * | 2022-03-16 | 2023-09-29 | Necプラットフォームズ株式会社 | Information providing system, information providing method, and program |
WO2023233927A1 (en) * | 2022-06-03 | 2023-12-07 | オムロン株式会社 | Abnormality detection device, abnormality detection method, and program |
-
2017
- 2017-09-12 JP JP2017174862A patent/JP2019049940A/en active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021060723A (en) * | 2019-10-04 | 2021-04-15 | 株式会社エヌ・ティ・ティ・データ | Monitoring condition determination device, monitoring condition determination method, and program |
JP7370044B2 (en) | 2019-10-04 | 2023-10-27 | 株式会社Nttデータ | Monitoring condition determining device, monitoring condition determining method, and program |
JP2021077205A (en) * | 2019-11-12 | 2021-05-20 | 株式会社ジェイテクト | Quality prediction system |
JP7380107B2 (en) | 2019-11-12 | 2023-11-15 | 株式会社ジェイテクト | quality prediction system |
WO2021140865A1 (en) * | 2020-01-08 | 2021-07-15 | パナソニックIpマネジメント株式会社 | Classification system, classification method, and program |
US11989226B2 (en) | 2020-01-08 | 2024-05-21 | Panasonic Intellectual Property Management Co., Ltd. | Classification system and classification method using lerned model and model including data distribution |
JPWO2022059183A1 (en) * | 2020-09-18 | 2022-03-24 | ||
WO2022059183A1 (en) * | 2020-09-18 | 2022-03-24 | 三菱電機株式会社 | Information processing device, information processing method, and information processing program |
JP2023136144A (en) * | 2022-03-16 | 2023-09-29 | Necプラットフォームズ株式会社 | Information providing system, information providing method, and program |
WO2023233927A1 (en) * | 2022-06-03 | 2023-12-07 | オムロン株式会社 | Abnormality detection device, abnormality detection method, and program |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2019049940A (en) | Abnormal process estimating method, abnormal process estimating apparatus, and abnormal process estimating program | |
JP6896432B2 (en) | Failure prediction method, failure prediction device and failure prediction program | |
JP7082461B2 (en) | Failure prediction method, failure prediction device and failure prediction program | |
KR101708078B1 (en) | Methods and apparatus to predict etch rate uniformity for qualification of a plasma chamber | |
JP6811018B2 (en) | Quality evaluation system, quality evaluation method and program | |
US20120296605A1 (en) | Method, computer program, and system for performing interpolation on sensor data for high system availability | |
JP7086803B2 (en) | Anomaly detection device, anomaly detection method and program | |
KR101466798B1 (en) | Method and apparatus for discovering the equipment causing product faults in manufacturing process | |
JP6981113B2 (en) | Information processing equipment and information processing method | |
WO2017022234A1 (en) | Manufacturing process analysis device, manufacturing process analysis method, and recording medium whereupon manufacturing process analysis program is stored | |
JP2018147443A (en) | Malfunction prediction method, malfunction prediction device and malfunction prediction program | |
US20160321128A1 (en) | Operations management system, operations management method and program thereof | |
CN111061581B (en) | Fault detection method, device and equipment | |
JP2020052459A (en) | Failure prediction method, failure prediction device and failure prediction program | |
US9153502B2 (en) | Semiconductor chip testing method and semiconductor chip testing device | |
CN111767162B (en) | Fault prediction method for hard disks of different models and electronic device | |
JP7339861B2 (en) | Failure probability evaluation system | |
JP5949032B2 (en) | Pre-processing method and abnormality diagnosis device | |
US11216329B2 (en) | Maintenance intervention predicting | |
JP2009252137A (en) | Preventive maintenance system | |
CN111356963A (en) | Method for monitoring the condition of a manufacturing facility | |
JP7170564B2 (en) | Motor deterioration trend monitoring system | |
JP2018005393A (en) | Failure sign determination method, failure sign determination device and failure sign determination program | |
TWI604392B (en) | Method for forecasting work-in-process output schedule and computer program product thereof | |
TWI472939B (en) | Yield loss prediction method and associated computer readable medium |