JP2020140365A - 製品品質不良予測システム - Google Patents
製品品質不良予測システム Download PDFInfo
- Publication number
- JP2020140365A JP2020140365A JP2019034553A JP2019034553A JP2020140365A JP 2020140365 A JP2020140365 A JP 2020140365A JP 2019034553 A JP2019034553 A JP 2019034553A JP 2019034553 A JP2019034553 A JP 2019034553A JP 2020140365 A JP2020140365 A JP 2020140365A
- Authority
- JP
- Japan
- Prior art keywords
- data
- quality defect
- defect prediction
- acquired
- product
- 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
Landscapes
- Radiation Pyrometers (AREA)
- General Factory Administration (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
【課題】予測精度を向上させた製品品質不良予測システムを提供する。【解決手段】製品品質不良予測システムは、成型過程の製品のサーモ画像の時系列データを用いた製品品質不良予測システムであって、サーモ画像の連続データを時系列に取得し、取得された各連続データと時系列に関連する機器又はセンサ類のデータとを紐付けして学習させ、品質不良予測モデルを構築し、構築された品質不良予測モデルを用いて、サーモ画像及び機器又はセンサ類のデータから、成型された製品の品質を予測する。【選択図】図1
Description
本発明は、製品品質不良予測システムに関する。
各種部品などの加工時におけるサーモグラフのデータを時系列に測定し、そこから各種特性等を評価することや、そのデータを記録し時系列に可視化する技術が開示されている(特許文献1参照)。
一般的に、成型過程の部品のサーモグラフの連続データと関連する成型された製品のデータとを紐付けして、処理する技術の構築が難しい。現時点では、モデル化、要因解析などの解析までには至っていない。
本発明は、このような事情に鑑みてなされたものであって、成型過程の部品のサーモグラフの連続データと関連する成型された製品のデータとを紐付けして、モデル化し、予測精度を向上させた製品品質不良予測システムを提供するものである。
本発明に係る製品品質不良予測システムは、成型過程の製品のサーモ画像の時系列データを用いた製品品質不良予測システムであって、
サーモ画像の連続データを時系列に取得し、取得された各連続データと時系列に関連する機器又はセンサ類のデータとを紐付けして学習させ、品質不良予測モデルを構築し、
前記構築された品質不良予測モデルを用いて、サーモ画像及び機器又はセンサ類のデータから、成型された製品の品質を予測するものである。
サーモ画像の連続データを時系列に取得し、取得された各連続データと時系列に関連する機器又はセンサ類のデータとを紐付けして学習させ、品質不良予測モデルを構築し、
前記構築された品質不良予測モデルを用いて、サーモ画像及び機器又はセンサ類のデータから、成型された製品の品質を予測するものである。
本発明によれば、予測精度を向上させた製品品質不良予測システムを提供することができる。
まず本発明の実施形態にかかる製品品質不良予測システムの概要を説明する。
成型過程の製品のサーモグラフの連続データと、成型された製品の品質結果データを紐づけて機械学習させ、品質不良予測モデルを作成する。品質不良予測モデルを用いて、サーモの時系列変化から、成型された製品の兆候(品質)を予測する。解析対象に合わせてサーモ画像の時系列データ変化量を特徴量としてとらえることで、データを軽量化し、解析が可能になる。
成型過程の製品のサーモグラフの連続データと、成型された製品の品質結果データを紐づけて機械学習させ、品質不良予測モデルを作成する。品質不良予測モデルを用いて、サーモの時系列変化から、成型された製品の兆候(品質)を予測する。解析対象に合わせてサーモ画像の時系列データ変化量を特徴量としてとらえることで、データを軽量化し、解析が可能になる。
以下、本発明を適用した具体的な実施形態について、図面を参照しながら詳細に説明する。ただし、本発明が以下の実施形態に限定される訳ではない。また、説明を明確にするため、以下の記載および図面は、適宜、簡略化されている。
図1は、本実施の形態にかかる製品品質不良予測システムの概要を説明するフローチャートである。
本例では、エンジンのシリンダブロックを鋳造用金型の製造工程を例として説明する。しかし、本発明は、ここで示す例に限定されず、様々な製品や部品の製造工程に適用可能である。
本例では、エンジンのシリンダブロックを鋳造用金型の製造工程を例として説明する。しかし、本発明は、ここで示す例に限定されず、様々な製品や部品の製造工程に適用可能である。
まず、撮像装置(例えば、赤外線カメラ等)により、原因系のデータとして、製品の製造工程における金型・製品のサーモ画像データを取得する(ステップS1)。次に、得られたサーモ画像データに対して前処理を行う(ステップS2)。
ここで、図2を参照して、サーモ画像データに対して行う前処理を説明する。
まず、製造過程の製品(金型)ごとに、複数枚のサーモ画像データ11を取得する。次に、サーモ画像データ11の各画素における温度を数値化し、製品ごと、時系列に表で示すことで、数値化されたサーモデータ12を取得する。表には、サーモ画像データの各画素における数値化された温度を列挙する。
まず、製造過程の製品(金型)ごとに、複数枚のサーモ画像データ11を取得する。次に、サーモ画像データ11の各画素における温度を数値化し、製品ごと、時系列に表で示すことで、数値化されたサーモデータ12を取得する。表には、サーモ画像データの各画素における数値化された温度を列挙する。
更に、温度変化が一定で、不要な列を削除し圧縮することで、圧縮サーモデータ13を取得する。このようにデータを圧縮することで、予測モデルの構築にかかる時間を短縮することもできる。以上により、サーモ画像データに対する前処理を完了する。こうした前処理を経て、数値化されたサーモデータを取得する(ステップS3)。このように、サーモ画像データを数値化することで、既存の数値データと掛け合わせて解析することができる。なお、図1に示すように、ステップS1〜S3をデータ圧縮処理P1と称する。
同様に、金型を成形する機器(設備)やセンサ類のデータを取得する(ステップS4)。これらの機器(設備)やセンサ類のデータを、前述したサーモ画像データを数値化した時系列データと関連付けて取得する。
設備から得る原因系データ(機器やセンサ類のデータ)の例として、低速速度、高速速度、鋳造圧、昇圧時間、注湯時間、型締力、押出圧力、型開時間、及びノズル流量が挙げられる。
また、機器やセンサ類から取得したデータに対しても前処理を行う(ステップS5)。ここで行う前処理も、サーモ画像データに対する前処理と同様に、不要なデータを削除し、圧縮する。一方、これらの機器やセンサ類から取得したデータは、数値データであるので、サーモ画像データのように改めて数値化する必要はない。このようにいて、前処理が行われた機器及びセンサ類のデータを取得する(ステップS6)。
一方、結果系データ(正解ラベル)として、品質保証データを取得する(ステップS7)。品質保証データとして、例えば、成形された金型間に流れる漏れ電流を取得し、漏れ電流値が閾値よりも大きい場合は、不良(NG)として品質評価を行う。
こうして得られた、原因系データと結果系データ(これらは学習用データとも呼ばれる)に基づいて、機械学習により、品質不良予測モデルを構築する(ステップS8)。更に、大量の学習用データを利用して、品質不良予測モデルを評価・選択して最適な予測モデルを構築する(ステップS9〜S10)。このように仮予測モデルを繰り返し評価し、選択することで、最適な品質不良予測モデルを構築でき、品質不良の予測精度を向上させることができる。なお、図1に示すように、ステップS8〜S10を最適化工程P2と称する。
以上のモデル構築においては、サーモ画像データを数値に変換することで、既存の数値データと掛け合わせて解析することができる。また、複数のモデル構築手法(例えば、Lasso(Least absolute shrinkage and selection operator)、Randomforest、・・・)を用いてもよい。入力データはテスト用と評価用に自動で分類することができる。また、モデルのロバスト性を確保するため、クロスバリデーションを実施してもよい。モデルごとに精度を導出し、精度が一定値以下の場合、別の手法を用いて自動的に新たなモデルを構築するようにしてもよい。精度の指標は一般的なものを用いることができる。また、複数の手法を用いて、複数のモデルを構築してもよい。その場合、最も精度の高いモデルを自動的に選択するようにしてもよい。
続いて、本実施の形態にかかる予測処理を説明する。製品品質不良予測システムは、記憶部(データベース)内に格納された最新の予測モデルを取得する(ステップS11)。製造過程の製品(金型)ごとに、サーモ画像データ11を取得する(ステップS12)。また、金型を成形する機器(設備)やセンサ類のデータを取得する(ステップS13)。こうして得られた最適化された予測モデルに基づいて、判定用データとして、取得したサーモ画像データ及び機器(設備)やセンサ類のデータを用いて、成型された製品の品質を判定する(ステップS14)。判定結果は、品質のOK/NGとして表示される(ステップS15)。また、原因系の生データも表示し、OK/NGと判定された要因を合わせて表示することもできる。このように、予測結果により、金型の品質を予測することができ、製品品質が悪いことが予測された場合、無駄な後処理加工を行うのを回避することができる。このように、成形物を機械加工する前に、不良を予測することで、加工費を低減することができる。なお、図1に示すように、ステップS11〜S15を予測工程P3と称する。
なお、本発明は上記実施の形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。
11 サーモ画像データ
12 サーモデータ(数値)
13 圧縮サーモデータ
12 サーモデータ(数値)
13 圧縮サーモデータ
Claims (1)
- 成型過程の製品のサーモ画像の時系列データを用いた製品品質不良予測システムであって、
サーモ画像の連続データを時系列に取得し、取得された各連続データと時系列に関連する機器又はセンサ類のデータとを紐付けして学習させ、品質不良予測モデルを構築し、
前記構築された品質不良予測モデルを用いて、サーモ画像及び機器又はセンサ類のデータから、成型された製品の品質を予測する、製品品質不良予測システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019034553A JP2020140365A (ja) | 2019-02-27 | 2019-02-27 | 製品品質不良予測システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019034553A JP2020140365A (ja) | 2019-02-27 | 2019-02-27 | 製品品質不良予測システム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020140365A true JP2020140365A (ja) | 2020-09-03 |
Family
ID=72280367
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019034553A Pending JP2020140365A (ja) | 2019-02-27 | 2019-02-27 | 製品品質不良予測システム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2020140365A (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021077205A (ja) * | 2019-11-12 | 2021-05-20 | 株式会社ジェイテクト | 品質予測システム |
WO2022130640A1 (ja) * | 2020-12-18 | 2022-06-23 | 三菱電機株式会社 | 学習装置、推論装置、診断システム、モデル生成方法及びプログラム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06259678A (ja) * | 1993-03-02 | 1994-09-16 | Mitsubishi Heavy Ind Ltd | プラント監視装置 |
JP2011242923A (ja) * | 2010-05-17 | 2011-12-01 | Fuji Electric Co Ltd | モデルの入力変数調整装置 |
US20190041808A1 (en) * | 2017-08-07 | 2019-02-07 | Fanuc Corporation | Controller and machine learning device |
-
2019
- 2019-02-27 JP JP2019034553A patent/JP2020140365A/ja active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06259678A (ja) * | 1993-03-02 | 1994-09-16 | Mitsubishi Heavy Ind Ltd | プラント監視装置 |
JP2011242923A (ja) * | 2010-05-17 | 2011-12-01 | Fuji Electric Co Ltd | モデルの入力変数調整装置 |
US20190041808A1 (en) * | 2017-08-07 | 2019-02-07 | Fanuc Corporation | Controller and machine learning device |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021077205A (ja) * | 2019-11-12 | 2021-05-20 | 株式会社ジェイテクト | 品質予測システム |
JP7380107B2 (ja) | 2019-11-12 | 2023-11-15 | 株式会社ジェイテクト | 品質予測システム |
WO2022130640A1 (ja) * | 2020-12-18 | 2022-06-23 | 三菱電機株式会社 | 学習装置、推論装置、診断システム、モデル生成方法及びプログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10254754B2 (en) | Systems and methods for receiving sensor data for an operating manufacturing machine and producing an alert during manufacture of a part | |
JP6514370B2 (ja) | 付加製造における一貫性を熱画像化手段により確かめるためのシステムと方法 | |
US11220033B2 (en) | Computer implemented method for generating a mold model for production predictive control and computer program products thereof | |
JP7297831B2 (ja) | 製造条件出力装置、品質管理システム及びプログラム | |
CN107463888B (zh) | 基于多任务学习与深度学习的人脸情绪分析方法及系统 | |
US11829117B2 (en) | Systems and methods for receiving sensor data for an operating additive manufacturing machine and adaptively compressing the sensor data based on process data which controls the operation of the machine | |
KR20180061769A (ko) | 머신 러닝 기반 반도체 제조 수율 예측 시스템 및 방법 | |
JP7102941B2 (ja) | 情報処理方法、情報処理装置、及びプログラム | |
CN111372704A (zh) | 模具温度异常预兆检测装置以及存储介质 | |
CN105929799A (zh) | 作业者品质管理方法和作业者品质管理装置 | |
JP7021052B2 (ja) | 製品状態推定装置 | |
JP2020140365A (ja) | 製品品質不良予測システム | |
KR102310851B1 (ko) | 영상 분석 기반의 가공 프로세스 모니터링 장치 및 방법 | |
CN115033724B (zh) | 基于多模态调制算法的电熔镁炉异常工况识别方法 | |
US20220318667A1 (en) | Intelligent real-time defect prediction, detection, and ai driven automated correction solution | |
JP2021536626A (ja) | 物理的システムのモデルを構築するための方法 | |
TW201945987A (zh) | 製程異常狀態預判方法及預判系統 | |
JP6715282B2 (ja) | 品質監視システム | |
CN116050678A (zh) | 一种基于云计算的压铸产品加工测试系统及方法 | |
Chakrabarti et al. | Efficient modeling of digital shadows for production processes: a case study for quality prediction in high pressure die casting processes | |
JP2020042668A (ja) | 検査装置及び機械学習方法 | |
US20230325562A1 (en) | Machine Learning Method, Non-Transitory Computer Readable Recording Medium, Machine Learning Device, and Molding Machine | |
KR102558232B1 (ko) | 제조업 시계열 데이터 딥러닝 분석을 위한 공간 충전 곡선 변환 방법 및 시스템 | |
CN114829102A (zh) | 学习模型生成方法、计算机程序、设定值决定装置、成型机和成型装置系统 | |
JP2020187412A (ja) | 情報処理装置及び情報処理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210526 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220308 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220309 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20220913 |