JP2020190956A - 製造条件出力装置、品質管理システム及びプログラム - Google Patents

製造条件出力装置、品質管理システム及びプログラム Download PDF

Info

Publication number
JP2020190956A
JP2020190956A JP2019096286A JP2019096286A JP2020190956A JP 2020190956 A JP2020190956 A JP 2020190956A JP 2019096286 A JP2019096286 A JP 2019096286A JP 2019096286 A JP2019096286 A JP 2019096286A JP 2020190956 A JP2020190956 A JP 2020190956A
Authority
JP
Japan
Prior art keywords
manufacturing
data
product
model
unit
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
Application number
JP2019096286A
Other languages
English (en)
Inventor
伊藤　透
Toru Ito
透 伊藤
信太郎 高橋
Shintaro Takahashi
信太郎 高橋
利幸 加藤
Toshiyuki Kato
利幸 加藤
ルミ 早川
Rumi Hayakawa
ルミ 早川
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toshiba Corp
Toshiba Digital Solutions Corp
Original Assignee
Toshiba Corp
Toshiba Digital Solutions Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Toshiba Corp, Toshiba Digital Solutions Corp filed Critical Toshiba Corp
Priority to JP2019096286A priority Critical patent/JP2020190956A/ja
Priority to EP20810345.7A priority patent/EP3974926A4/en
Priority to PCT/JP2020/011373 priority patent/WO2020235194A1/ja
Priority to KR1020237031403A priority patent/KR20230135177A/ko
Priority to KR1020217010723A priority patent/KR20210047955A/ko
Priority to CN202080006307.6A priority patent/CN113168170A/zh
Publication of JP2020190956A publication Critical patent/JP2020190956A/ja
Priority to JP2021145782A priority patent/JP7297831B2/ja
Priority to US17/455,460 priority patent/US20220075360A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
    • G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0286—Modifications to the monitored process, e.g. stopping operation or adapting control
    • G05B23/0294—Optimizing process, e.g. process efficiency, product quality
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32187—Correlation between controlling parameters for influence on quality parameters
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32188—Teaching relation between controlling parameters and quality parameters
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32191—Real time statistical process monitoring
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32193—Ann, neural base quality management
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32224—Identify parameters with highest probability of failure
    • 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]

Abstract

【課題】製品の不良の発生を抑制するために、不良確率に対して製造条件をどのように設定すればよいかを提示することができる製造条件出力装置を提供する。【解決手段】実施形態の製造条件出力装置は、製品の製造条件を出力する製造条件出力装置であって、製品の製造データと製品の検査結果データとに基づいて機械学習により生成されたモデルのモデル情報から、製品の製造に関わる複数の変数についての不良確率に関する値の変化度についての情報である変化度情報を、製造条件として出力する変化度情報出力部を、有する。【選択図】図６

Description

本発明の実施形態は、製造条件出力装置、品質管理システム及びプログラムに関する。
各種製品の製造において、品質管理が行われている。製品の品質を改善するために、線形回帰式を製造条件の実績データに対して用いて最適な製造条件の目標値を算出して、その目標値に基づいて製造条件を変更することによって製品の品質を制御する方法や、品質の改善に有効な操業因子の組み合わせを自動的に抽出し、所定の品質レベルを満たす操業条件の組み合わせを自動的にガイダンスすることによって品質の改善をする方法が、提案されている。
しかし、線形回帰式を用いる方法では、各変数が線形な関係を有する製造条件にしか適用できない。また、操業条件の組み合わせを自動的にガイダンスする方法では、操業因子の組み合わせの数が大きくなると、組み合わせの数に応じた計算量が膨大に増加するために、次元数の大きな操業因子データに対しては適切な多変量解析ができない。例えば、ダイカストなどの製造の場合、製造条件が品質に対して非線形関係を有しており、操業因子の数も多い。また、これらの方法では、製品の不良の発生を抑制するために、不良確率に対して製造条件をどのように設定すればよいかについては考慮されていない。
特開２００９−６４０５４号公報 特開２００８−１４６６２１号公報
そこで、本実施形態は、製品の不良の発生を抑制するために、不良確率に対して、製造条件をどのように設定すればよいかを提示することができる製造条件出力装置、この出力を用いた品質管理システム、及び上記の製造条件を出力させる機能を有するプログラムを提供することを目的とする。
実施形態の製造条件出力装置は、製品の製造条件を出力する製造条件出力装置であって、前記製品の製造データと前記製品の検査結果データとに基づいて機械学習により生成されたモデルのモデル情報から、前記製品の製造に関わる複数の変数についての不良確率に関する値の変化度についての情報である変化度情報を、製造条件として出力する変化度情報出力部を、有する。
実施形態に係わる鋳造品の製造についての品質管理システムの構成図である。 実施形態に係わる製造データの例を示す図である。 実施形態に係わる検査結果データの例を示す図である。 実施形態に係わる決定木の例を説明するための図である。 実施形態に係わる推定結果出力部の機能ブロック図である。 実施形態に係わるモデル分析部のブロック図である。 実施形態に係わる重要項目表示部において生成された表示データの表示例を示す図である。 実施形態に係わる、変数の値に応じた不良率の変化度を表示するグラフを示す図である。 実施形態に係わるモデル学習部の処理の流れの例を示すフローチャートである。 実施形態に係わる推定結果出力部の処理の流れの例を示すフローチャートである。 実施形態に係わるモデル分析部の処理の流れの例を示すフローチャートである。 実施形態に係わる設定画面の表示例を示す図である。
以下、図面を参照して実施形態を説明する。
（システム構成）
図１は、本実施形態に係わる鋳造品の製造についての品質管理システム１の構成図である。品質管理システム１は、アルミダイカストなどの鋳造品の品質管理を行う鋳造品質管理システムである。品質管理システム１は、データ取得装置２と、モデル学習装置３と、推定装置４とを含む。データ取得装置２は、ダイカストマシン５と製品状態検査装置６に接続されている。ダイカストマシン５は、製品としてダイカストを製造する製造装置である。ダイカストマシン５は、金型を移動させる機構、金型キャビティへのアルミニウム等の溶湯の射出を行う機構などの製造機構（図示せず）と、ダイカストマシン５の動作を制御する制御装置５ａを有している。
なお、推定装置４は、良品の製造条件を設定するための設定画面を生成して、表示装置４ｃに出力するものである。よって、推定装置４は、製品の製造条件を出力する製造条件出力装置を構成し、品質管理システム１は、ここで出力された製造条件を用いて品質管理を行っている。即ち、品質管理システム１の一部が製造条件出力装置となっている。
なお、データ取得装置２、モデル学習装置３及び推定装置４は、データの送受信のために、後述する信号線により互いに接続され、例えばダイカストマシン５のある１つの工場内に配置されてもよい。あるいは、モデル学習装置３と推定装置４は、インターネットなどのネットワークを介してクラウド上のサーバであってもよい。
（データ取得装置の構成）
データ取得装置２は、プロセッサ１１を含む装置であって、例えば、ダイカストマシン５及び製品状態検査装置６との入出力インターフェースを有するパーソナルコンピュータ（以下、ＰＣという）である。プロセッサ１１は、製造データ取得部１２と、製造データ加工部１３と、検査結果データ取得部１４とを含む。
プロセッサ１１は、中央処理装置（以下、ＣＰＵという）、ＲＯＭ、ＲＡＭを含む。プロセッサ１１は、ハードディスク装置などの不揮発性メモリも有している。ＣＰＵがＲＯＭ及び不揮発性メモリに記憶された各種ソフトウエアプログラムを読み出して実行することにより、データ取得装置２は、ダイカストマシン５及び製品状態検査装置６から各種データを受信したり、モデル学習装置３及び推定装置４へ各種データを送信したりすることができる。
ここでは、製造データ取得部１２、製造データ加工部１３及び検査結果データ取得部１４は、ソフトウエアプログラムによって構成される。なお、製造データ取得部１２と検査結果データ取得部１４は、全部又は一部に電子回路により構成されてもよい。
製造データ取得部１２は、通信ライン５ｂを介してダイカストマシン５の制御装置５ａから製造データを取得する。製造データは、例えば、ダイカストのショット毎の、時刻データ、製造ショット番号、各種計測データである。
温度センサ、位置センサ、圧力センサ、などの各種計測データ用の各種センサがダイカストマシン５に取り付けられ、あるいはダイカストマシン５に内蔵されている。製造ショット番号は、製造ショットを識別するためのショット識別情報である。制御装置５ａは、時計を有し、時刻データを生成する。時刻データは、年月日及び時間を含む。ダイカストマシン５の制御装置５ａは、ダイカストのショット毎に、各種計測データを収集し、製造ショット番号と時刻データとバッファなどのメモリ（図示せず）に記憶する。
製造データ取得部１２は、ダイカストマシン５のメモリに一時記憶された製造データを取得する各種インターフェース回路と、取得した製造データをメモリ（図示せず）に一時記憶する処理を行うソフトウエアプログラムを含んで構成される。
製造データ加工部１３は、製造データ取得部１２に記憶された製造データに対して、後述するモデル学習装置３においてモデル学習処理が適切に実行可能なように、データの桁数の調整、データの欠損の補充、等々を行う。
ダイカストマシン５において製造されたダイカスト、例えばアルミダイカストに対して、その後の工程において、各種加工が行われる。
ダイカストの検査は、ダイカストマシン５において製造されたダイカスト、又は後工程において加工されたダイカストに対して行われる。検査結果データは、良品であるか不良品であるかを示すデータである。なお、検査結果データは、不良品の不良の種別を含むデータを含んでも良い。不良の種別には、湯回り不良、鋳巣等がある。さらに、検査結果データは、品質を示す数値でもよい。その場合は、検査結果データは、例えば、表面の凹みの程度を示す数値であり、その数値の範囲で、検査結果データが示されてもよい。
製品状態検査装置６は、例えば、ダイカストの検査装置であり、ダイカストをカメラなどの装置を用いて検査し、検査結果に基づいて、ダイカストが良品であるか不良品であるかを判定する。製品状態検査装置６は、判定結果に基づいて、検査された鋳造品のショット番号毎に、良品であるか不良品であるかを示す検査結果データを生成して出力する。検査結果データ取得部１４は、通信ライン６ａを介して、その製品状態検査装置６から検査結果データを取得する。すなわち、検査結果データ取得部１４は、ダイカストマシン５により製造されたダイカストの検査結果データを取得する。
なお、検査員が検査を行い、製品状態検査装置６は、その検査員が行った判定結果、すなわちダイカストが良品であるか不良品であるかの判定結果が入力された装置、例えばＰＣでもよい。
図２は、製造データの例を示す図である。製造データは、時刻、ショット番号、鋳造温度Ａ、鋳造圧力Ｂ、冷却量Ｃ、等々の各種データを含む。１ショットは、１つのダイカストの製造に対応し、１つの製造データは、１ショットについての１つのレコードデータである。複数の製造データが製造データ取得部１２において取得される。後述するように、複数の製造データが、図２に示すような表形式のデータとして製造データ保存部２５に格納される。
図３は、検査結果データの例を示す図である。検査結果データは、検査結果、時刻データ及びショット番号のデータを含む。時刻データは、ショット番号により特定された製造データ中の時刻データと同じである。後述するように、複数の検査結果データが、図３に示すような表形式のデータとして検査結果データ保存部２６に格納される。１つの検査結果データは、ショット番号により１つの製造データと紐付けることができる。
（モデル学習装置の構成）
モデル学習装置３は、プロセッサ２１と記憶装置２２を有する。モデル学習装置３は、例えば、ＰＣであるが、上述したようにインターネット上のサーバでもよい。プロセッサ２１は、データ取得装置２と通信ライン２ａにより接続されている。プロセッサ２１は、ＣＰＵ、ＲＯＭ、ＲＡＭ、及びハードディスク装置を含む。モデル学習装置３は、データ取得装置２からの製造データと検査結果データとに基づいて機械学習を行い、ダイカストの良・不良の識別モデルであるモデルＭを作成する。
プロセッサ２１は、ユーザによるコマンドあるいは所定の周期で、通信ライン２ａを介してデータ取得装置２から製造データと検査結果データを取得する。プロセッサ２１は、取得した製造データを、記憶装置２２の製造データ保存部２５に保存する。プロセッサ２１は、取得した検査結果データを、記憶装置２２の検査結果データ保存部２６に保存する。製造データ保存部２５は、製造データを記憶するための、記憶装置２２における所定の記録領域である。検査結果データ保存部２６は、検査結果データを記憶するための、記憶装置２２における所定の記録領域である。
プロセッサ３１は、モデル条件設定部２３と、モデル学習部２４を含む。モデル条件設定部２３は、機械学習を行うときの各種条件のパラメータデータを設定し、設定されたパラメータデータをモデル学習部２４に対して与えるソフトウエアプログラムである。
モデル学習装置３は、図示しないキーボード、マウス等の入力装置、図示しない表示装置などを有している。よって、ユーザは、入力装置及び表示装置を用いてモデル条件設定部２３に設定する各種条件のパラメータデータを設定することができる。パラメータデータは、例えばモデル生成時に使用する教師データの数や生成する決定木の本数などである。
モデル学習部２４は、記憶装置２２に記憶された製造データと検査結果データを教師データとして、機械学習によりモデルＭを生成するソフトウエアプログラムである。すなわち、モデル学習部２４は、製造データと検査結果データとに基づいて機械学習によりダイカストマシン５において製造されたダイカストが良品又は不良品であるかを推定するモデルを生成する。製造データと検査結果データは、ショット番号により紐付けることができるので、プロセッサ３１は、紐付けられた製造データと検査結果データを１つの教師データとし、複数の教師データをモデル学習部２４に与えることができる。
ここでは、モデルＭは、ランダムフォレストの機械学習アルゴリズムにより生成される非線形モデルである。モデルＭは、製造データが与えられると、その製造データに従って製造されたダイカストに不良が発生する確率、すなわち不良確率を推定して出力する不良識別モデルである。ランダムフォレストは、ランダムに選択された変数（製造データ）から複数の決定木を作成し、各決定木を弱識別器として複数の決定木を平均化等する処理を行うことによりアンサンブル学習を行う集団学習アルゴリズムである。作成された各決定木の識別境界が足し合わされることによって、精度の高い識別境界が作成される。すなわち、非線形なモデルＭは、複数の決定木を用いたランダムフォレスト等のアンサンブル学習により学習されたモデルである。よって、弱識別器である複数の決定木から、アンサンブル学習により最終的に統合されてロバストな識別境界が生成される。
なお、ここでは、モデル学習部２４は、モデルＭを生成するために、アンサンブル学習を行う集団学習アルゴリズムとして、ランダムフォレストの機械学習アルゴリズムを用いているが、バギング法、ブースティング法、アダブースト法、勾配ブースティング法、エクストリーム勾配ブースティング法、エクストリームランダマイズドツリー法、正則化ランダムフォレスト法、などの機械学習アルゴリズムを用いてもよい。
ここでは、モデルＭは、図４に示すような学習データ（教師データ）も用いて生成された決定木が複数集まったものを意味する。図４は、決定木の例を説明するための図である。図４では、鋳造温度Ａが２３０度を超える場合は、ダイカストは良品と判定される。また、鋳造温度Ａが２３０度以下であって、かつ鋳造圧力Ｂが２０を超える場合は、ダイカストは良品と判定される。さらに、鋳造温度Ａが２３０度以下であって、かつ鋳造圧力Ｂが２０以下の場合は、ダイカストは不良品と判定される。
モデル学習部２４において生成されたモデルＭのモデルデータすなわちモデル情報ＭＩは、プロセッサ２１のメモリ内に格納されると共に、推定装置４へ送信される。モデル情報ＭＩは、決定木をリスト形式のデータとして表現したものである。
（推定装置の構成）
推定装置４は、プロセッサ３１と、記憶装置３２とを有する。プロセッサ３１は、マンマシンインターフェース（以下、ＭＭＩという）４ａに接続されている。ＭＭＩ４ａは、入力装置４ｂと表示装置４ｃを有する。入力装置４ｂは、キーボード、マウスなどを含む。推定装置４は、データ取得装置２から製造データを取得すると、その製造データに基づいて、良・不良の推定結果を出力して表示装置４ｃに表示する。さらに、推定装置４は、モデル学習装置３から受信したモデルＭのモデル情報ＭＩを分析して不良確率の低減に関する情報を出力して表示装置４ｃに表示する。
プロセッサ３１は、通信ライン２ｂによりデータ取得装置２と接続されている。さらに、プロセッサ３１は、通信ライン５ｃによりダイカストマシン５の制御装置５ａと接続されている。プロセッサ３１は、通信ライン３ａによりモデル学習装置３と接続されている。プロセッサ２１は、ＣＰＵ、ＲＯＭ、ＲＡＭ、及びハードディスク装置を含む。
プロセッサ３１は、推定結果出力部３３とモデル分析部３４を含む。記憶装置３２は、学習モデル保存部３５を有する。プロセッサ３１は、モデル学習装置３からモデルＭのモデル情報ＭＩを受信すると、学習モデル保存部３５に保存する。学習モデル保存部３５は、受信したモデルＭのモデル情報ＭＩを格納する記憶領域である。
推定結果出力部３３は、製造データに基づいて、良・不良の推定結果を出力するソフトウエアプログラムである。図５は、推定結果出力部３３の機能ブロック図である。推定結果出力部３３は、推定不良確率出力部４１と、良・不良判定部４２を含む。推定不良確率出力部４１は、学習モデル保存部３５に格納されたモデルＭのモデル情報ＭＩを用いて、受信した製造データに基づいて不良確率を算出し、不良確率データＤＰを良・不良判定部４２へ出力する。良・不良判定部４２は、受信した不良確率データＤＰに基づいて受信した製造データに関わるショットにおいて製造されたダイカストの良・不良の推定結果ＤＲを出力する。よって、推定結果出力部３３は、モデルＭを用いて、データ取得装置２において取得された製造データに基づいてダイカストが良品又は不良品であるかを推定して推定結果を出力する。
ダイカストマシン５において製造されたダイカストについての製造データが、データ取得装置２から推定結果出力部３３へリアルタイムで送信されたときは、推定結果出力部３３は、モデルＭのモデル情報ＭＩを用いて、その製造データに基づいてダイカストの良・不良を推定し、推定結果ＤＲを出力する。すなわち、推定結果出力部３３は、ダイカストマシン５で製造されたダイカストについて、リアルタイムで取得した製造データに基づいて、モデルＭを用いて良・不良を推定することができる。
なお、バッチ処理により複数の製造データに対してまとめて良・不良を推定するようにしてもよい。その場合、図５において点線で示すように、推定装置４には、製造データ加工部１３からの製造データを蓄積する製造データ格納部４３が設けられる。製造データ格納部４３は、所定の期間、例えば１日分あるいは一週間分の製造データを格納可能な記憶装置である。推定不良確率出力部４１は、製造データ格納部４３に格納されている複数の製造データに基づいて、モデルＭを用いて不良確率を算出する。良・不良判定部４２は、各不良確率データＤＰに基づいて、各ショットの良・不良を判定し、推定結果ＤＲを出力する。
不良確率データＤＰは、ショット毎の不良確率データである。良・不良判定部４２は、所定の閾値を有し、例えば、閾値が５０であれば、不良確率が５０％以上であると当該ショットのダイカストは不良品であると判定し、不良確率が５０％未満であると当該ショットのダイカストは良品であると判定する。言い換えれば、良・不良判定部４２は、不良確率データに基づいて、ダイカストの不良又は良の判定をする。
更に、不良確率データが複数の不良の種類に応じて出力される場合、良・不良判定部４２は、所定の判定ルールに従って、当該ショットのダイカストが良品であるか、不良品であるかを判定する。
加えて、推定結果出力部３３は、推定不良確率出力部４１に代えて、ダイカストが良であると推定される確率を出力する推定良確率出力部を有し、良・不良判定部４２が、例えば、良確率が５０％未満になると、当該ショットのダイカストは不良品であると判定するようにしてもよい。
図６は、モデル分析部３４のブロック図である。モデル分析部３４は、重要項目抽出部５１と、重要項目表示部５２と、不良確率変化度出力部５３と、製造条件設定部５４と、を含むソフトウエアプログラムである。
重要項目抽出部５１は、モデルＭにおける各変数の重要度を算出し、算出された各変数の重要度から、重要項目を抽出する。すなわち、重要項目抽出部５１は、モデル情報ＭＩから算出された重要度に応じて複数の変数の変数名を、重要項目として抽出する。
ランダムフォレストにおいては、各決定木において使用された変数とその決定木の推定精度から、各変数の重要度が算出される。言い換えれば、算出された重要度は、各決定木に関わる変数の中で、推定精度に対して影響の大きさを示す。よって、重要項目抽出部５１は、製造データにおける、鋳造温度、鋳造圧力、冷却量などの複数の変数について重要度を算出する。重要度は、例えばランダムフォレストにおけるジニ係数の変化度、ＭＳＥ（平均二乗誤差）効果度である。すなわち、重要度は、使わなかったデータにおいて、ジニ係数又はＭＳＥ効果度がどの程度変化していたかを示す。
ここでは、重要項目抽出部５１は、複数の変数について算出された重要度の情報のうち、設定された値よりも高い重要度の複数の変数名を、重要項目として出力する。あるいは、重要項目抽出部５１は、複数の変数について算出された重要度の情報のうち、重要度の高い順に所定数の変数名の情報を出力するようにしてもよい。
重要項目表示部５２は、重要項目抽出部５１において抽出された重要項目を表示装置４ｃに表示する表示データＩＭを生成する。上述したように、重要項目抽出部５１は、重要度の高い変数名の情報を重要項目表示部５２に出力する。重要項目表示部５２は、受信した変数名の情報から、重要度の高い変数名を表示する表示データＩＭを生成し、表示装置４ｃに出力する。よって、重要項目表示部５２は、重要項目抽出部５１により抽出された重要項目の情報を出力する重要項目出力部を構成する。
図７は、重要項目表示部５２において生成された表示データの表示例を示す図である。図７では、６つの変数の重要度が示されている。縦軸は、変数名であり、横軸は、重要度の値である。重要度は、ジニ係数等の所定の規格化された値である。図７に示すように、鋳造温度Ａの重要度が最も高く、以下、鋳造圧力Ｂ、冷却量Ｃ、鋳造温度Ｄ、鋳造圧力Ｅ、冷却量Ｆの順に重要度は高い。重要度は、各変数に対応する点で示されている。
図７に示すような重要項目の変数名と重要度が表示装置４ｃに表示され、ユーザは、不良確率に対して重要な変数を認識することができる。
不良確率変化度出力部５３は、モデルＭのモデル情報ＭＩから、変数毎の不良確率の変化度を算出して出力する。不良確率変化度出力部５３は、各変数についての不良確率の変化度の関数データを出力する。
図８は、変数の値に応じた不良率の変化度を表示するグラフを示す図である。図８のグラフは、変数毎のグラフであり、図８は、鋳造温度Ａに対する不良率の変化度を表示するグラフである。図８において、グラフｇの関数は、ランダムフォレストの部分従属プロットにより得ることができる。グラフｇの各値は、部分従属プロットの値に対応する。すなわち、モデルＭのモデル情報ＭＩから、変数毎の不良確率の変化度が算出される。ここでは、ランダムフォレストの部分従属プロットを用いて、変数毎の不良確率の変化度が算出される。
なお、ここでは、不良確率変化度出力部５３は、各変数についての不良確率の変化度の関数データを出力しているが、不良確率の変化度情報は、各変数の値に対応する不良確率に関する値を含んでいればよく、離散的なデータでもよい。
後述するように、図８のグラフｇをユーザに提示することにより、ユーザは、図８のグラフｇを見ると、不良確率は、鋳造温度Ａが３６度を超えるとき、及び２８度未満になったとき、大きく変化することが分かる。言い換えれば、二点鎖線の間の白い矢印で示す温度範囲が、不良確率が低い良品領域と言える。よって、鋳造温度Ａの設定を、例えば２８度から３６度の範囲内にすれば、不良確率を下げることができると、ユーザは定量的に判定することができる。
よって、不良確率変化度出力部５３は、機械学習により生成されたモデルのモデル情報から、製品の製造に関わる複数の変数についての不良確率に関する値の変化度についての情報である変化度情報を、良品条件すなわち製造条件として出力する変化度情報出力部を構成する。製造条件は、不良確率に応じてダイカストが良品又は不良品となる変数の値又は範囲である。
製造条件設定部５４は、不良確率変化度出力部５３からの不良確率の変化度の関数データを用いて、良品の製造条件を設定するための設定画面の表示データＳＩを生成する。その表示データには、図８のグラフｇが含まれる。ユーザは、設定画面を用いて、変数毎の良品の製造条件を設定することができる。
後述するように、推定装置４は、図８に示すようなグラフを表示装置４ｃに表示し、ユーザは、入力装置４ｂを用いて表示装置４ｃに表示された画面上で良品領域を設定することができる。よって、製造条件設定部５４は、鋳造温度などの製造条件を、ダイカストが良品又は不良品となる確率に対応付けて設定するための表示データを出力する。
なお、図６において点線で示すように、不良確率変化度出力部５３は、重要項目表示部５２から重要度の高い変数名の情報を得て、重要度の高い上位の所定数の変数についてのみ、変数毎の不良確率の変化度を算出して出力するようにしてもよい。不良確率変化度出力部５３は、不良確率の変化度を算出する変数の数が少なくなるので、プロセッサ３１の負荷を軽減することができる。
（作用）
次に、品質管理システム１の動作について説明する。ここでは、モデル学習部２４と、推定結果出力部３３と、モデル分析部３４の処理について説明する。
図９は、モデル学習部２４の処理の流れの例を示すフローチャートである。上述したように、モデル学習部２４は、ソフトウエアプログラムであるので、プロセッサ２１のＣＰＵがモデル学習部２４のプログラムをＲＯＭ等から読み出して実行することにより、プロセッサ２１は、モデルの機械学習を行う。
プロセッサ２１は、データ取得装置２から製造データを取得し、記憶装置２２の製造データ保存部２５に記録する（ステップ（以下、Ｓと略す）１）。プロセッサ２１は、データ取得装置２から検査結果データを取得し、記憶装置２２の検査結果データ保存部２６に記録する（Ｓ２）。プロセッサ２１は、製造データ保存部２５と検査結果データ保存部２６に記憶されたデータを参照して、所定のショット数分のデータ（製造データとその製造データに対応する検査結果データ）が、記憶装置２２に保存されているかを判定する（Ｓ３）。
所定のショット数分のデータが記憶装置２２に保存されていないとき（Ｓ３：ＮＯ）、処理は、Ｓ１に戻る。所定のショット数分のデータが記憶装置２２に保存されているとき（Ｓ３：ＹＥＳ）、プロセッサ２１は、記憶装置２２に記録されたデータ（製造データとその製造データに対応する検査結果データ）を読み出す（Ｓ４）。
プロセッサ２１は、読み出したデータ（製造データとその製造データに対応する検査結果データ）を教師データとして、機械学習によりモデルＭを生成する（Ｓ５）。ここでは、機械学習は、ランダムフォレストによるアンサンブル学習である。ランダムフォレストは、複数の決定木を弱識別器として、複数の決定木の結果をアンサンブル学習するアルゴリムであり、Ｓ５により、ランダムフォレストにより学習されたモデルＭ（すなわち最終的な識別器）が生成される。プロセッサ２１は、生成したモデルＭのモデル情報ＭＩを推定装置４へ送信して、学習モデル保存部３５に保存する（Ｓ６）。
ユーザは、モデルＭを生成するのに必要なデータ量を、所定のショット数として設定することにより、所望のデータ量に応じたモデルＭを生成することができる。
図１０は、推定結果出力部３３の処理の流れの例を示すフローチャートである。上述したように、推定結果出力部３３は、ソフトウエアプログラムであるので、プロセッサ３１のＣＰＵが良・不良推定のプログラムをＲＯＭ等から読み出して実行することにより、プロセッサ３１は、推定結果ＤＲを出力する。図１０の処理の前に、プロセッサ３１は、モデル情報ＭＩを学習モデル保存部３５から読み出しておく。
プロセッサ３１は、推定対象の製造データをデータ取得装置２から取得する（Ｓ１１）。例えば、データ取得装置２がダイカストマシン５の製造データをリアルタイムで取得しているときは、プロセッサ３１は、そのリアルタイムの製造データを取得する。
プロセッサ３１は、学習モデル保存部３５に保存されているモデルＭのモデル情報ＭＩを用いて、Ｓ１１で取得した製造データに従って製造されたダイカストの不良確率を推定すなわち算出する（Ｓ１２）。Ｓ１２の処理は、推定不良確率出力部４１により行われる。
プロセッサ３１は、不良確率に基づいて、製造データに係るダイカストの良・不良を判定する（Ｓ１３）。Ｓ１３の処理は、良・不良判定部４２により行われる。推定結果ＤＲは表示装置４ｃに出力され、良・不良の判定結果が、表示装置４ｃに表示される。
図１１は、モデル分析部３４の処理の流れの例を示すフローチャートである。上述したように、モデル分析部３４は、ソフトウエアプログラムであるので、プロセッサ３１のＣＰＵがそのソフトウエアプログラムをＲＯＭ等から読み出して実行することにより、プロセッサ３１は、モデル分析を行う。図１１の処理の前においても、プロセッサ３１は、モデル情報ＭＩを学習モデル保存部３５から読み出しておく。
プロセッサ３１は、モデル情報から重要項目を抽出する（Ｓ２１）。Ｓ２１の処理は、上述したように、良・不良の推定精度に対する影響度に基づいて、重要項目としての変数名が推定されて抽出される。Ｓ２１の処理は、重要項目抽出部５１により行われる。
プロセッサ３１は、良品の製造条件を設定するための設定画面を生成して、表示装置４ｃに出力する（Ｓ２２）。Ｓ２２の処理は、製造条件設定部５４により行われる。よって、推定装置４は、製品の製造条件を出力する製造条件出力装置を構成する。
プロセッサ３１は、設定画面に対して行われて入力に基づいて変数の製造条件を設定する設定処理を実行する（Ｓ２３）。
図１２は、Ｓ２２において生成される設定画面の表示例を示す図である。表示装置４ｃの表示画面６１には、２つのウインドウ６２と６３が表示されている。ウインドウ６２は、図７に示した、重要項目表示部５２において生成された表示データを表示している。ウインドウ６３は、図８に示した、製造条件設定部５４において生成された表示データを表示している。
ウインドウ６２中の各変数名の左側には、チェックボックス６２ａが表示されている。ユーザは、入力装置４ｂのマウスなどを用いて、各チェックボックス６２ａにチェックを入れることができる。図１２では、変数名「鋳造温度Ａ」に対応するチェックボックス６２ａにチェックが付けられている。よって、ウインドウ６３には、チェックされた変数名に対応する設定画面が表示される。
よって、ユーザは、入力装置４ｂを用いて、例えば「設定変更」ボタン６４をクリックすることにより、チェックボックス６２ａを利用して所望の変数を選択して、その変数について、製造条件の設定を変更することができる。図１２においては、２本の点線が鋳造温度の下限値と上限値を示している。例えば、ユーザは、製造条件の設定を変更したいとき、マウス等を操作して、良品領域を規定する点線の位置を移動させて、１本の点線を２８度の位置に移動し、他の１本の点線を３６度の位置に移動する。
その後、ユーザは、入力装置４ｂを操作して、例えば「登録」ボタン６４をクリックすることにより、ウインドウ６３において設定されたように、製造条件を登録して変更することができる。例えば、図１２の鋳造温度Ａについて、製造されたダイカストの不良確率が１０％以下になるように、鋳造温度Ａの上限を３６度と下限を２８度の温度範囲を設定することができる。
設定情報は、信号ライン５ｃを介してプロセッサ３１からダイカストマシン５の制御装置５ａへ送信される。受信した設定情報は、制御装置５ａのメモリに格納されて、ダイカストマシン５の動作制御に用いられる。上述した例では、制御装置５ａは、受信した設定情報に基づいて鋳造温度Ａが制御される。その結果、２本の点線により、製造時の鋳造温度Ａが２８度から３６度の範囲内になるように、ダイカストマシン５の鋳造温度Ａの制御に関わる弁などの機器が制御されるので、不良確率は低減される。
上述したように、不良確率変化度出力部５３は、モデルＭのモデル情報ＭＩから、複数の変数の不良確率の変化度を算出するので、ユーザは、他の所望の変数についても製造条件を同様に設定することができる。
すなわち、各変数の不良確率の変化度がユーザに提示されるので、ユーザは、各変数についての不良確率の変化度を見て、ダイカストが良品となるような各変数の条件を設定することができる。
なお、上述した例では、良品領域の設定は、ユーザがＭＭＩ４ａを用いて設定しているが、不良確率の閾値をプロセッサ３１のメモリに予め設定しておき、その閾値に基づいて各変数についての良品領域を自動的に設定するようにしてもよい。
更に、上述した例では、設定情報は、信号ライン５ｃを介して制御装置５ａに送信されて自動的に設定されているが、製造条件設定部５４は、各変数の不良確率の変化度を表示装置４ｃに表示してユーザに提示するだけでもよい。ユーザは、その提示された設定情報に基づいて、マニュアルで制御装置５ａに設定することができる。
加えて、設定情報が、制御装置５ａに直接設定できない変数であるときには、ユーザが、その設定情報に合致するように、その設定情報に関わる１以上の変数を制御装置５ａに設定する。
また、図６において二点鎖線で示すように、製造データを製造条件設定部５４にリアルタイムで供給し、製造データ中の所望の変数（ここでは鋳造温度Ａ）の実測値を、画面上に重畳するようにしてもよい。図１２において、点ＭＤは、鋳造温度Ａの実測値を示す。よって、ユーザは、重畳された実測値から、鋳造温度Ａの制御状態をリアルタイムで確認して、ダイカストマシン５で今製造されたダイカストが良品であるか不良品であるかを予測することができる。
以上のように、上述した実施形態によれば、モデル分析部３４によりダイカストの不良発生に大きく関わる変数について、不良発生を抑えるような製造条件をユーザは認識できる。そして、ユーザは不良発生を抑えるように所望の変数の製造条件を設定できるので、ダイカストの不良発生を抑えることができる。
特に、上述した実施形態によれば、非線形な機械学習モデルを用いているので、次元数の大きな製造データに対して良・不良の推定を行うことができると共に、良・不良に関わる重要項目も抽出しているので、ユーザは、不良確率を確実に低減するための製造条件の設定を行い易い。
なお、上述した実施形態において品質管理の対象製品は、ダイカストであるが、ダイカストは、ダイカストマシンから取り出されたダイカストがその後に加工されてから、内部に巣があるなどの不良が後工程で見つかる場合が多い。上述した実施形態によれば、そのようなダイカストが製造されるときに、不良が発生し難い製造条件を設定できる。その結果、不良品のダイカストを後工程に供給することを防いで、ダイカストの無駄な加工処理の抑制に繋がる。
更に、上述した実施形態における品質管理の対象製品は、ダイカストであるが、射出成形機において製造される射出成形品などの他の製造物でもよく、上述した実施形態は、ダイカスト以外の他の製造物に対しても適用可能である。
加えて、上述した各装置のプロセッサは、一部又は全部が、電子回路として構成されていてもよく、または、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等の集積回路における回路ブロックとして構成されていてもよい。
以上のように、上述した実施形態によれば、製品の不良の発生を抑制するために、不良確率に対して製造条件をどのように設定すればよいかを提示することができる製造条件出力装置、この出力を用いた品質管理システム、及び上記の製造条件を出力させる機能を有するプログラムを提供することができる。
なお、以上で説明した各装置において実行されるプログラムは、コンピュータプログラム製品として、フレキシブルディスク、ＣＤ−ＲＯＭ等の可搬媒体や、ハードディスク等の記憶媒体に、その全体あるいは一部が記録され、あるいは記憶されている。そのプログラムがコンピュータにより読み取られて、動作の全部あるいは一部が実行される。あるいは、そのプログラムの全体あるいは一部について、通信ネットワークを介して流通または提供することができる。利用者は、通信ネットワークを介してそのプログラムをダウンロードしてコンピュータにインストールしたり、あるいは記録媒体からコンピュータにインストールすることで、容易に本実施形態の製造条件出力装置あるいは品質管理システムを実現することができる。
本発明の実施形態を説明したが、これらの実施形態は、例示したものであり、発明の範囲を限定することは意図していない。これらの新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これらの実施形態やその変形は、発明の範囲や要旨に含まれると共に、特許請求の範囲に記載された発明とその均等の範囲に含まれる。
１ 品質管理システム、２ データ取得装置、２ａ、２ｂ 通信ライン、３ モデル学習装置、３ａ 通信ライン、４ 推定装置、４ａ マンマシンインターフェース、４ｂ 入力装置、４ｃ 表示装置、５ ダイカストマシン、５ａ 制御装置、５ｂ、５ｃ 通信ライン、６ 製品状態検査装置、６ａ 通信ライン、１１ プロセッサ、１２ 製造データ取得部、１３ 製造データ加工部、１４ 検査結果データ取得部、２１ プロセッサ、２２ 記憶装置、２３ モデル条件設定部、２４ モデル学習部、２５ 製造データ保存部、２６ 検査結果データ保存部、３１ プロセッサ、３２ 記憶装置、３３ 推定結果出力部、３４ モデル分析部、３５ 学習モデル保存部、４１ 推定不良確率出力部、４２ 良・不良判定部、４３ 製造データ格納部、５１ 重要項目抽出部、５２ 重要項目表示部、５３ 不良確率変化度出力部、５４ 製造条件設定部、６１ 表示画面、６２ ウインドウ、６２ａ チェックボックス、６３ ウインドウ、６４ 設定変更ボタン、６５ 登録ボタン。

Claims (10)

  1. 製品の製造条件を出力する製造条件出力装置であって、
    前記製品の製造データと前記製品の検査結果データとに基づいて機械学習により生成されたモデルのモデル情報から、前記製品の製造に関わる複数の変数についての不良確率に関する値の変化度についての情報である変化度情報を、製造条件として出力する変化度情報出力部を、有する製造条件出力装置。
  2. 前記変化度情報は、各変数の値に対応する前記不良確率に関する値を含む、請求項１に記載の製造条件出力装置。
  3. 前記モデルは、非線形モデルである、請求項１又は２に記載の製造条件出力装置。
  4. 前記非線形モデルは、複数の決定木を用いたランダムフォレスト等のアンサンブル学習により学習されたモデルである、請求項３に記載の製造条件出力装置。
  5. 前記製造条件は、前記不良確率に応じて前記製品が良品又は不良品となる変数の値又は範囲である、請求項１から４のいずれか１つに記載の製造条件出力装置。
  6. 前記製造条件を設定する製造条件設定部と有し、
    前記製造条件設定部は、前記製造条件を、前記製品が前記良品又は前記不良品となる確率に対応付けて設定するための表示データを出力する、請求項５に記載の製造条件出力装置。
  7. 前記モデル情報から算出された重要度に応じて前記複数の変数の変数名を、重要項目として抽出する重要項目抽出部と、
    前記重要項目抽出部により抽出された前記重要項目の情報を出力する重要項目出力部と、
    を有する、請求項１から５のいずれか１つに記載の製造条件出力装置。
  8. 前記製品は、ダイカストマシンで製造されるダイカストである、請求項１から７のいずれか１つに記載の製造条件出力装置。
  9. データ取得装置と、モデル学習装置と、推定結果出力装置とを含む品質管理システムであって、
    前記データ取得装置は、
    製品を製造する製造装置から製造データを取得する製造データ取得部と、
    前記製造装置により製造された前記製品の検査結果データを取得する検査結果データ取得部と、
    を有し、
    前記モデル学習装置は、
    前記製造データ取得部から取得した前記製造データを保存する製造データ保存部と、
    前記検査結果データ取得部から取得した前記検査結果データを保存する検査結果データ保存部と、
    前記製造データ保存部の前記製造データと、前記検査結果データ保存部の前記検査結果データとに基づいて機械学習により前記製造装置において製造された前記製品が良品又は不良品であるかを推定するモデルを生成するモデル学習部を、
    有し、
    前記推定装置は、
    前記モデルを用いて、前記データ取得装置において取得された前記製造データに基づいて前記製品が前記良品又は前記不良品であるかを推定して推定結果を出力する推定結果出力部と、
    前記モデルのモデル情報から、前記製品の製造条件に関わる変数についての不良確率に関する値の変化度についての情報である変化度情報を、製造条件として出力する変化度情報出力部と、
    を有する、品質管理システム。
  10. 製品の製造データと前記製品の検査結果データとに基づいて機械学習により生成されたモデルのモデル情報から、前記製品の製造に関わる複数の変数についての不良確率に関する値の変化度についての情報である変化度情報を、製造条件として出力する機能を、
    コンピュータに実行させるためのプログラム。
JP2019096286A 2019-05-22 2019-05-22 製造条件出力装置、品質管理システム及びプログラム Pending JP2020190956A (ja)

Priority Applications (8)

Application Number Priority Date Filing Date Title
JP2019096286A JP2020190956A (ja) 2019-05-22 2019-05-22 製造条件出力装置、品質管理システム及びプログラム
EP20810345.7A EP3974926A4 (en) 2019-05-22 2020-03-16 PRODUCTION CONDITION OUTPUT DEVICE, QUALITY MANAGEMENT SYSTEM AND PROGRAM
PCT/JP2020/011373 WO2020235194A1 (ja) 2019-05-22 2020-03-16 製造条件出力装置、品質管理システム及びプログラム
KR1020237031403A KR20230135177A (ko) 2019-05-22 2020-03-16 제조 조건 출력 장치, 품질 관리 시스템 및 프로그램
KR1020217010723A KR20210047955A (ko) 2019-05-22 2020-03-16 제조 조건 출력 장치, 품질 관리 시스템 및 프로그램
CN202080006307.6A CN113168170A (zh) 2019-05-22 2020-03-16 制造条件输出装置、品质管理系统以及程序
JP2021145782A JP7297831B2 (ja) 2019-05-22 2021-09-07 製造条件出力装置、品質管理システム及びプログラム
US17/455,460 US20220075360A1 (en) 2019-05-22 2021-11-18 Manufacturing condition output apparatus, quality management system, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019096286A JP2020190956A (ja) 2019-05-22 2019-05-22 製造条件出力装置、品質管理システム及びプログラム

Related Child Applications (1)

Application Number Title Priority Date Filing Date
JP2021145782A Division JP7297831B2 (ja) 2019-05-22 2021-09-07 製造条件出力装置、品質管理システム及びプログラム

Publications (1)

Publication Number Publication Date
JP2020190956A true JP2020190956A (ja) 2020-11-26

Family

ID=73453731

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2019096286A Pending JP2020190956A (ja) 2019-05-22 2019-05-22 製造条件出力装置、品質管理システム及びプログラム
JP2021145782A Active JP7297831B2 (ja) 2019-05-22 2021-09-07 製造条件出力装置、品質管理システム及びプログラム

Family Applications After (1)

Application Number Title Priority Date Filing Date
JP2021145782A Active JP7297831B2 (ja) 2019-05-22 2021-09-07 製造条件出力装置、品質管理システム及びプログラム

Country Status (6)

Country Link
US (1) US20220075360A1 (ja)
EP (1) EP3974926A4 (ja)
JP (2) JP2020190956A (ja)
KR (2) KR20210047955A (ja)
CN (1) CN113168170A (ja)
WO (1) WO2020235194A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022173108A (ja) * 2021-05-06 2022-11-17 三菱総研Ｄｃｓ株式会社 情報処理装置及びプログラム
WO2023166584A1 (ja) * 2022-03-02 2023-09-07 株式会社アドバンテスト 半導体試験結果分析装置、半導体試験結果分析方法およびコンピュータプログラム

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11748668B2 (en) * 2020-07-08 2023-09-05 Vmware, Inc. Internal load balancer for tree-based ensemble classifiers
JP7188470B2 (ja) * 2021-01-28 2022-12-13 横河電機株式会社 分析方法、分析プログラムおよび情報処理装置
JP7241149B1 (ja) * 2021-10-27 2023-03-16 本田技研工業株式会社 加工支援システム
WO2023189329A1 (ja) * 2022-03-28 2023-10-05 Ｊｆｅスチール株式会社 焼結鉱の製造方法及び制御装置

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003504711A (ja) * 1999-07-01 2003-02-04 ハネウェル・インコーポレーテッド プロセス変数汎用グラフィカルデバイスディスプレイ装置および方法
JP2008146621A (ja) * 2006-11-14 2008-06-26 Nippon Steel Corp 製品の品質改善条件解析装置、解析方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体
JP2008181341A (ja) * 2007-01-24 2008-08-07 Fuji Electric Holdings Co Ltd 製造不良要因分析支援装置
JP2010029925A (ja) * 2008-07-30 2010-02-12 Honda Motor Co Ltd 品質予測方法
JP2012027683A (ja) * 2010-07-23 2012-02-09 Nippon Steel Corp 品質予測装置、品質予測方法、プログラムおよびコンピュータ読み取り可能な記録媒体
JP2017161991A (ja) * 2016-03-07 2017-09-14 三菱重工業株式会社 品質評価システム、品質評価方法及びプログラム
JP2018180703A (ja) * 2017-04-06 2018-11-15 三菱電機株式会社 監視制御装置
JP2019074969A (ja) * 2017-10-17 2019-05-16 新日鐵住金株式会社 品質予測装置及び品質予測方法

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3974736B2 (ja) * 2000-02-08 2007-09-12 東芝機械株式会社 ダイカストマシンの制御システム
JP2003228411A (ja) 2002-02-05 2003-08-15 Sumitomo Rubber Ind Ltd 生産制御方法
JP2007165721A (ja) * 2005-12-15 2007-06-28 Omron Corp プロセス異常分析装置及びプログラム
JP5003362B2 (ja) 2007-09-04 2012-08-15 住友金属工業株式会社 製品品質の制御方法及び制御装置
GB2496040B (en) * 2011-10-24 2019-04-03 Fisher Rosemount Systems Inc Predicted fault analysis
JP6204344B2 (ja) 2012-02-23 2017-09-27 株式会社日立国際電気 基板処理システム、管理装置、及び表示方法
CN103236382B (zh) * 2013-05-04 2015-06-10 四川虹欧显示器件有限公司 等离子显示屏制造过程工序并行合理化的确定方法
JP6458403B2 (ja) * 2014-08-25 2019-01-30 富士電機株式会社 予測モデル生成装置、予測モデル生成方法及びプログラム
JP5849167B1 (ja) * 2015-04-09 2016-01-27 株式会社日立パワーソリューションズ 異常検知方法およびその装置
CN105023060B (zh) * 2015-07-10 2018-05-25 北京航空航天大学 融合制造设备退化信息的生产合格率预测方法
CN106769069B (zh) * 2016-12-21 2019-05-28 中国航发南方工业有限公司 发动机余转时间合格率控制方法和装置
JP2018116545A (ja) * 2017-01-19 2018-07-26 オムロン株式会社 予測モデル作成装置、生産設備監視システム、及び生産設備監視方法
CN107282907A (zh) * 2017-05-17 2017-10-24 河钢股份有限公司邯郸分公司 利用plc程序统计连铸结晶器液面波动合格率的方法
CN107065811B (zh) * 2017-06-06 2019-04-12 北京梆梆安全科技有限公司 引起产品生产合格率跳跃式行为的低相关因子确定方法和装置
JP6591509B2 (ja) * 2017-11-06 2019-10-16 株式会社東芝 金型温度異常予兆検知装置及びプログラム
JP6943224B2 (ja) 2017-11-24 2021-09-29 株式会社セガ ゲームシステム及びゲーム装置
CN109472105B (zh) * 2018-11-22 2023-09-19 上海华力微电子有限公司 半导体产品良率上限分析方法
CN109523086B (zh) * 2018-11-26 2021-08-24 浙江蓝卓工业互联网信息技术有限公司 基于随机森林的化工产品的质量预测方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003504711A (ja) * 1999-07-01 2003-02-04 ハネウェル・インコーポレーテッド プロセス変数汎用グラフィカルデバイスディスプレイ装置および方法
JP2008146621A (ja) * 2006-11-14 2008-06-26 Nippon Steel Corp 製品の品質改善条件解析装置、解析方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体
JP2008181341A (ja) * 2007-01-24 2008-08-07 Fuji Electric Holdings Co Ltd 製造不良要因分析支援装置
JP2010029925A (ja) * 2008-07-30 2010-02-12 Honda Motor Co Ltd 品質予測方法
JP2012027683A (ja) * 2010-07-23 2012-02-09 Nippon Steel Corp 品質予測装置、品質予測方法、プログラムおよびコンピュータ読み取り可能な記録媒体
JP2017161991A (ja) * 2016-03-07 2017-09-14 三菱重工業株式会社 品質評価システム、品質評価方法及びプログラム
JP2018180703A (ja) * 2017-04-06 2018-11-15 三菱電機株式会社 監視制御装置
JP2019074969A (ja) * 2017-10-17 2019-05-16 新日鐵住金株式会社 品質予測装置及び品質予測方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022173108A (ja) * 2021-05-06 2022-11-17 三菱総研Ｄｃｓ株式会社 情報処理装置及びプログラム
JP7438615B2 (ja) 2021-05-06 2024-02-27 三菱総研Ｄｃｓ株式会社 情報処理装置及びプログラム
WO2023166584A1 (ja) * 2022-03-02 2023-09-07 株式会社アドバンテスト 半導体試験結果分析装置、半導体試験結果分析方法およびコンピュータプログラム

Also Published As

Publication number Publication date
KR20210047955A (ko) 2021-04-30
JP7297831B2 (ja) 2023-06-26
WO2020235194A1 (ja) 2020-11-26
EP3974926A1 (en) 2022-03-30
CN113168170A (zh) 2021-07-23
JP2022002111A (ja) 2022-01-06
EP3974926A4 (en) 2023-06-14
US20220075360A1 (en) 2022-03-10
KR20230135177A (ko) 2023-09-22

Similar Documents

Publication Publication Date Title
WO2020235194A1 (ja) 製造条件出力装置、品質管理システム及びプログラム
JP6723669B2 (ja) 異常検知プログラム、異常検知方法および異常検知装置
US10496515B2 (en) Abnormality detection apparatus, abnormality detection method, and non-transitory computer readable medium
CN109382838B (zh) 控制装置以及机器学习装置
JP6811018B2 (ja) 品質評価システム、品質評価方法及びプログラム
JP5157359B2 (ja) 時系列データ解析装置、時系列データ解析システム、時系列データ解析装置の制御方法、プログラム、および記録媒体
JP7102941B2 (ja) 情報処理方法、情報処理装置、及びプログラム
JP2015125009A5 (ja)
JP2012226511A (ja) 歩留まり予測システムおよび歩留まり予測プログラム
JP2020052740A (ja) 異常検知装置、異常検知方法及びプログラム
JP6984013B2 (ja) 推定システム、推定方法及び推定プログラム
TW201945987A (zh) 製程異常狀態預判方法及預判系統
US20210394247A1 (en) Method and system for forming a stamped component using a stamping simulation model
CN116050678A (zh) 一种基于云计算的压铸产品加工测试系统及方法
JP2017502390A (ja) データに基づく関数モデルを定めるための方法及び装置
JP7156975B2 (ja) 運営評価装置、運営評価方法、およびプログラム
JP7374868B2 (ja) 情報処理装置、情報処理方法およびプログラム
US10974318B2 (en) Cast product mechanical characteristic prediction method, cast product mechanical characteristic prediction system, and computer readable recording medium recording cast product mechanical characteristic prediction program
JP2020140365A (ja) 製品品質不良予測システム
JP5948998B2 (ja) 異常診断装置
KR100937512B1 (ko) 변동계수 분포 및 비중심 ｔ 분포를 이용한 통계적 공정관리 방법
US20210365189A1 (en) Performance analysis apparatus and performance analysis method
JP7399832B2 (ja) 情報処理装置、情報処理システム、情報処理方法及びプログラム
Bousdekis et al. Continuous improvement of proactive event-driven decision making through sensor-enabled feedback (SEF)
US20230316380A1 (en) System and method for recommending a recipe in a manufacturing process

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200925

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20200925

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20201105

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20201110

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20210108

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20210309

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20210608