JP2021086457A - 品質計測方法及び品質計測装置 - Google Patents
品質計測方法及び品質計測装置 Download PDFInfo
- Publication number
- JP2021086457A JP2021086457A JP2019215774A JP2019215774A JP2021086457A JP 2021086457 A JP2021086457 A JP 2021086457A JP 2019215774 A JP2019215774 A JP 2019215774A JP 2019215774 A JP2019215774 A JP 2019215774A JP 2021086457 A JP2021086457 A JP 2021086457A
- Authority
- JP
- Japan
- Prior art keywords
- data
- quality measurement
- quality
- prediction model
- measurement method
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 262
- 230000008569 process Effects 0.000 claims abstract description 236
- 238000005259 measurement Methods 0.000 claims abstract description 122
- 238000004519 manufacturing process Methods 0.000 claims abstract description 114
- 238000000691 measurement method Methods 0.000 claims abstract description 55
- 238000007689 inspection Methods 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims description 50
- 239000002131 composite material Substances 0.000 claims description 21
- 238000010276 construction Methods 0.000 claims description 19
- 238000007789 sealing Methods 0.000 claims description 7
- 238000013400 design of experiment Methods 0.000 claims description 6
- 239000012943 hotmelt Substances 0.000 claims description 3
- 238000003466 welding Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 description 75
- 238000007405 data analysis Methods 0.000 description 62
- 238000012360 testing method Methods 0.000 description 37
- 238000012545 processing Methods 0.000 description 34
- 238000012549 training Methods 0.000 description 28
- 238000012790 confirmation Methods 0.000 description 18
- 239000000463 material Substances 0.000 description 15
- 239000004744 fabric Substances 0.000 description 10
- 238000000611 regression analysis Methods 0.000 description 10
- 238000013480 data collection Methods 0.000 description 9
- 239000000835 fiber Substances 0.000 description 9
- 239000003973 paint Substances 0.000 description 9
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 7
- 239000002250 absorbent Substances 0.000 description 6
- 230000002745 absorbent Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 6
- 239000002994 raw material Substances 0.000 description 6
- 238000003756 stirring Methods 0.000 description 6
- 230000001066 destructive effect Effects 0.000 description 5
- 238000012417 linear regression Methods 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000013329 compounding Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000003754 machining Methods 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000035699 permeability Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000003050 experimental design method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000004745 nonwoven fabric Substances 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
- A61F13/00—Bandages or dressings; Absorbent pads
- A61F13/15—Absorbent pads, e.g. sanitary towels, swabs or tampons for external or internal application to the body; Supporting or fastening means therefor; Tampon applicators
- A61F13/84—Accessories, not otherwise provided for, for absorbent pads
-
- 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] or computer integrated manufacturing [CIM]
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Heart & Thoracic Surgery (AREA)
- Vascular Medicine (AREA)
- Life Sciences & Earth Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Epidemiology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
- Absorbent Articles And Supports Therefor (AREA)
Abstract
【課題】抜き取り検査を行うことなく、インライン測定では測定困難な品質を計測できる、品質計測方法及び品質計測装置を提供する。【解決手段】複数の製造工程を経て製品を製造する工程における品質計測方法であって、品質データ及びプロセスデータの間で予測モデルを構築する工程と、前記予測モデルに基づき、インライン測定により取得する前記プロセスデータから、製造された製品の品質計測値を算出する工程とを有する、品質計測方法。【選択図】図１
Description
本発明は、品質計測方法及び品質計測装置に関する。
吸収性物品等のシート製品の品質を保証するために、従来から、製造工程においてインライン測定による全数検査や、オフライン測定での抜き取り検査等が行われてきた。
インライン測定による全数検査では、製造工程中に設けた画像センサ等で、材料表面の異物を検出したり、材料の寸法を計測したりして、製品に異常がないか確かめられる。
一方、インライン測定では測定困難な品質（例えば、シール強度や吸収性能）については、破壊検査等の抜き取り検査が行われ、製品に異常がないか確かめられる。
インライン測定による全数検査では、製造工程中に設けた画像センサ等で、材料表面の異物を検出したり、材料の寸法を計測したりして、製品に異常がないか確かめられる。
一方、インライン測定では測定困難な品質（例えば、シール強度や吸収性能）については、破壊検査等の抜き取り検査が行われ、製品に異常がないか確かめられる。
特許文献１には、製造プロセス変更に起因する変化量の算出方法が記載されている。この方法では、製造プラントの生産性の向上を目的として、制御機能や操業方法などの製造プロセス変更に起因する変化量を精度良く算出する。
また、特許文献２には、製造パラメータ及び性能フィードバックパラメータを、加工装置によって製造された個々の吸収性物品と相関させるように構成され得るシステム及びプロセスが開示されている。製品試験から得られた製品性能データは、製造業者が将来の加工機器を製造し、かつ／又は処理調整するためのツールとして使用され得る。
さらに、特許文献３には、複数の製造工程を経て製品を製造する製造方法が記載されている。この方法は吸収性物品の製造にも用いられ、機械稼働率の向上、および製品良品率の向上を実現できる。
破壊検査等の抜き取り検査では、全製品の中から一部を抜き取って検査するため、全数検査をすることができない。そのため、仮に抜き取り検査で異常品を発見しても、その原因究明には多くの時間が掛かる。また、同一の品種を異なる製造ラインで作った場合でも、機差や材料物性の違い等により、適切な品質を得るための製造条件の範囲が大きく異なることもある。このような場合、品種や製造ライン毎に製造条件の検証を要し、多大な労力が掛かる。そのため、多大な労力を掛けなくても、インライン測定では測定困難な品質を推定することが求められている。
本発明は、抜き取り検査を行うことなく、インライン測定では測定困難な品質を計測できる、品質計測方法及び品質計測装置に関する。
本発明は、複数の製造工程を経て製品を製造する工程における品質計測方法であって、品質データ及びプロセスデータの間で予測モデルを構築する工程と、前記予測モデルに基づき、インライン測定により取得する前記プロセスデータから、製造された製品の品質計測値を算出する工程とを有する、品質計測方法を提供する。
また、本発明は、複数の製造工程を経て製品を製造する装置に対して用いられる品質計測装置であって、前記品質計測装置が解析サーバを有し、前記解析サーバが品質データ及びプロセスデータの間で予測モデルを構築し、前記解析サーバが前記予測モデルに基づき、インライン測定により前記プロセスデータから品質計測値を算出する、品質計測装置を提供する。
本発明の品質計測方法及び品質計測装置によれば、抜き取り検査を行うことなく、インライン測定では測定困難な品質を計測できる。
本発明の品質計測方法の好ましい一実施形態について、吸収性物品の品質計測方法を一例として、図１〜４を参照しながら以下に説明する。まず、本発明の品質計測方法に用いられるデータの種類を説明する。
（プロセスデータ）
プロセスデータとは、製品を製造する複数の工程において、インライン測定にて取得されるデータである。
プロセスデータは、製品の材料から取得される材料データと、装置から取得される装置データとに大別される。材料データ及び装置データは、製造工程におけるインライン測定にて時系列で取得され、時間とともに変化し得るデータである。
材料データの具体例としては、シート原反径、シート原反保存湿度、シート温度、シートテンション、シート厚み等が挙げられる。装置データの具体例としては、油圧、パターンロール温度、アンビルロール温度、ロール回転速度、モーター軸回転数、モーター軸負荷、ダンサー圧力、コンベア搬送速度等が挙げられる。
また、プロセスデータは、製造ラインのオペレータが設定値として適宜操作できるデータ（以下、「操作データ」という。）を含んでもよい。操作データの具体例として、装置データであれば油圧、パターンロール温度、アンビルロール温度、ダンサー圧力、コンベア搬送速度等が挙げられ、材料データであればシート原反保存湿度等が挙げられる。
プロセスデータは、材料データとして、シートテンション若しくはシート厚み、又はこれら両方を含むことが好ましい。
プロセスデータとは、製品を製造する複数の工程において、インライン測定にて取得されるデータである。
プロセスデータは、製品の材料から取得される材料データと、装置から取得される装置データとに大別される。材料データ及び装置データは、製造工程におけるインライン測定にて時系列で取得され、時間とともに変化し得るデータである。
材料データの具体例としては、シート原反径、シート原反保存湿度、シート温度、シートテンション、シート厚み等が挙げられる。装置データの具体例としては、油圧、パターンロール温度、アンビルロール温度、ロール回転速度、モーター軸回転数、モーター軸負荷、ダンサー圧力、コンベア搬送速度等が挙げられる。
また、プロセスデータは、製造ラインのオペレータが設定値として適宜操作できるデータ（以下、「操作データ」という。）を含んでもよい。操作データの具体例として、装置データであれば油圧、パターンロール温度、アンビルロール温度、ダンサー圧力、コンベア搬送速度等が挙げられ、材料データであればシート原反保存湿度等が挙げられる。
プロセスデータは、材料データとして、シートテンション若しくはシート厚み、又はこれら両方を含むことが好ましい。
（品質データ）
品質データは、インライン測定では測定困難なデータである。例えば、破壊検査等の抜き取り検査で計測し、取得する（オフライン測定）。品質データの具体例として、おむつサイドシール、ナプキンエンボスシール、アイマスク耳掛シール、個装外周シール等のシール強度、液残り量、ウェットバック量、吸収速度、坪量分布等によって評価されるサニタリー製品の吸収性能、持続時間、最高温度、昇温速度等によって評価される発熱体の温熱性能、粘度、固形分量等によって評価される塗料の品質、肌触り、風合い、見た目といった官能評価や、透湿フィルムの透湿度が挙げられる。シール強度には、２枚以上のシートを結合した部分のシール強度が含まれる。
シール強度の測定は、引張試験機を用いて結合したシールを剥がしながら行う破壊検査により行われることが一般的である。故に、シール強度は品質データに該当する。
シートの結合には、種々の方法を用いることができる。具体的には、ヒートシール、超音波シール、レーザー溶着、ホットメルト接着等が挙げられる。
品質データは、インライン測定では測定困難なデータである。例えば、破壊検査等の抜き取り検査で計測し、取得する（オフライン測定）。品質データの具体例として、おむつサイドシール、ナプキンエンボスシール、アイマスク耳掛シール、個装外周シール等のシール強度、液残り量、ウェットバック量、吸収速度、坪量分布等によって評価されるサニタリー製品の吸収性能、持続時間、最高温度、昇温速度等によって評価される発熱体の温熱性能、粘度、固形分量等によって評価される塗料の品質、肌触り、風合い、見た目といった官能評価や、透湿フィルムの透湿度が挙げられる。シール強度には、２枚以上のシートを結合した部分のシール強度が含まれる。
シール強度の測定は、引張試験機を用いて結合したシールを剥がしながら行う破壊検査により行われることが一般的である。故に、シール強度は品質データに該当する。
シートの結合には、種々の方法を用いることができる。具体的には、ヒートシール、超音波シール、レーザー溶着、ホットメルト接着等が挙げられる。
本発明の品質計測方法は、複数の製造工程を経て製品を製造する場合に用いられる。本明細書における製品は、完成した製品（最終製品）だけでなく、製造工程の途中にある中間製品や半製品も含む意味である。
本発明の効果を奏するものであれば、製造される製品は特に限定されない。例えばシートを用いて製造した製品が挙げられ、典型的にはおむつ等に用いられる複合シートが挙げられる。シートには種々の素材のものが挙げられ、例えば不織布等の繊維シートが含まれる。
本発明の効果を奏するものであれば、製造される製品は特に限定されない。例えばシートを用いて製造した製品が挙げられ、典型的にはおむつ等に用いられる複合シートが挙げられる。シートには種々の素材のものが挙げられ、例えば不織布等の繊維シートが含まれる。
また、製造される製品は、個々の製品が切り離された枚葉のものに限定されず、巻き取り紙のように連続状のものであってもよい。製品が連続状である場合、プロセスデータ及び品質データは、個々のデータを移動平均した値を用いてもよい。
移動平均の方法は、本発明の製造方法が効果を奏するものである限り、特に限定されない。例えば、図３（Ａ）において連続した１０個の値で移動平均を行う場合、データＸ１０に対応する移動平均値は、データＸ１０を含めて連続する直前の１０個のデータ（即ち、データＸ１〜Ｘ１０）の総和を１０で除した値となる。製品の製造開始直後等、直前に連続するデータが１０個存在しない場合は、連続するデータを全て合計し、１０で除した値が移動平均値となる。具体的には、データＸ３に対応する移動平均値は、データＸ０〜Ｘ３の４つの値の総和を１０で除した値となる。
移動平均の方法は、本発明の製造方法が効果を奏するものである限り、特に限定されない。例えば、図３（Ａ）において連続した１０個の値で移動平均を行う場合、データＸ１０に対応する移動平均値は、データＸ１０を含めて連続する直前の１０個のデータ（即ち、データＸ１〜Ｘ１０）の総和を１０で除した値となる。製品の製造開始直後等、直前に連続するデータが１０個存在しない場合は、連続するデータを全て合計し、１０で除した値が移動平均値となる。具体的には、データＸ３に対応する移動平均値は、データＸ０〜Ｘ３の４つの値の総和を１０で除した値となる。
前述の繊維シートは、外力によって変形しやすく、形状が安定しにくいものである。故に、繊維シートは製造工程の中で条件によっては変形し得る。そのため本発明の品質計測方法においては、繊維シートに関するプロセスデータを時系列で取得することが好ましい。
その際、繊維シートの加工処理の前後におけるプロセスデータを取得することが好ましい。特に、シートテンションやシート厚みのプロセスデータは、複合シートを製造する際に、繊維シートに関する品質データ（例えば、繊維シート間のシールの品質）をより良く推定する材料として好ましい。
その際、繊維シートの加工処理の前後におけるプロセスデータを取得することが好ましい。特に、シートテンションやシート厚みのプロセスデータは、複合シートを製造する際に、繊維シートに関する品質データ（例えば、繊維シート間のシールの品質）をより良く推定する材料として好ましい。
本発明の品質計測方法は、品質データ及びプロセスデータの間で予測モデルを構築する工程（以下、「予測モデル構築工程」という。）と、予測モデルに基づき、インライン測定により取得するプロセスデータから、製造された製品の品質計測値を算出する工程（以下、「インライン品質計測工程」という。）とを有する。品質計測値とは、インライン測定によって算出される、前述の品質データと同種のデータである。従って、インライン品質計測工程では、オフライン測定によって製品の品質データを測定するのではなく、インライン測定によって製品の品質計測値を推定する。
以下、予測モデル構築工程から順に説明する。
以下、予測モデル構築工程から順に説明する。
（予測モデル構築工程）
予測モデル構築工程は典型的には、図１に示すように、プロセスデータ取得工程６１、時系列処理工程６２、データ結合工程６３、終了判定工程６４、データ解析工程７１〜７３、汎化性能確認工程８１〜８３等からなる。
但し、本発明の効果を奏する限り、予測モデル構築工程は図１に示す形態に限定されない。
予測モデル構築工程は典型的には、図１に示すように、プロセスデータ取得工程６１、時系列処理工程６２、データ結合工程６３、終了判定工程６４、データ解析工程７１〜７３、汎化性能確認工程８１〜８３等からなる。
但し、本発明の効果を奏する限り、予測モデル構築工程は図１に示す形態に限定されない。
プロセスデータ取得工程６１〜データ結合工程６３を繰り返して効率的且つ網羅的に予測モデル構築用のプロセスデータを取得するには、マトリックステスト、因子固定テスト、実験計画法等を利用することができる。取得するプロセスデータの値の組み合わせを少なくする観点から、実験計画法を利用することが好ましい。
実験計画法に用いる直交表は、特に制限されない。例えば、Ｌ１２直交表、Ｌ１８直交表、Ｌ３６直交表等を用いることができる。
また、実験計画法において直交表に割り付ける水準を調整することで、予測する品質計測値の変動の割合を変えることができる。例えば、直交表に割り付ける水準を大きくすると、予測する品質計測値の変動の割合は小さくなる。反対に、直交表に割り付ける水準を小さくすると、予測する品質計測値の変動の割合は大きくなる。
実験計画法に用いる直交表は、特に制限されない。例えば、Ｌ１２直交表、Ｌ１８直交表、Ｌ３６直交表等を用いることができる。
また、実験計画法において直交表に割り付ける水準を調整することで、予測する品質計測値の変動の割合を変えることができる。例えば、直交表に割り付ける水準を大きくすると、予測する品質計測値の変動の割合は小さくなる。反対に、直交表に割り付ける水準を小さくすると、予測する品質計測値の変動の割合は大きくなる。
（プロセスデータ取得工程）
プロセスデータ取得工程６１では、製造ラインからインライン測定にて、予測モデル構築用のプロセスデータを取得する。この工程では、プロセスデータとして材料データと装置データとを合わせて取得する。
製造される製品に直接関係するプロセスデータを取得する観点から、プロセスデータの取得は製造ラインの稼働中に行うことが好ましい。
プロセスデータ取得工程６１では、製造ラインからインライン測定にて、予測モデル構築用のプロセスデータを取得する。この工程では、プロセスデータとして材料データと装置データとを合わせて取得する。
製造される製品に直接関係するプロセスデータを取得する観点から、プロセスデータの取得は製造ラインの稼働中に行うことが好ましい。
プロセスデータの取得は、データの種類に応じた各種センサを用いることができる。例えば、温度のプロセスデータを取得する場合には、放射温度計を用いることができる。シート厚みのプロセステータを取得する場合には、接触式変位計や、レーザー、超音波、静電容量等を利用した非接触式変位計を用いることができる。
本発明では、加工の前後の状態から製品の良否を判定する観点から、加工の前後それぞれにおいてプロセスデータを取得することが好ましい。加工の前後でプロセスデータを取得するには、製造装置の加工部分の前後に各種センサを設けることで、実現できる。
製造される製品が、繊維シートのように製造工程で厚み等が変化し得る不安定なものである場合、加工の前後でプロセスデータを取得することは、品質データを精度良く推定する観点から特に効果的である。
本発明では、加工の前後の状態から製品の良否を判定する観点から、加工の前後それぞれにおいてプロセスデータを取得することが好ましい。加工の前後でプロセスデータを取得するには、製造装置の加工部分の前後に各種センサを設けることで、実現できる。
製造される製品が、繊維シートのように製造工程で厚み等が変化し得る不安定なものである場合、加工の前後でプロセスデータを取得することは、品質データを精度良く推定する観点から特に効果的である。
（プロセスデータの時系列処理工程）
時系列処理工程６２は、プロセスデータ間の時間的遅れを補正して、解析サーバ等に格納する工程である。
プロセスデータを取得するためのセンサは、製品を製造する工程中に、多数設けることがある。そうすると、機械流れ方向の上流に設けたセンサと下流に設けたセンサとでは、同時刻に取得するプロセスデータは別々の製品に対して観測されたデータとなる。そのため、本発明においては、各プロセスデータを同じ製品に対応させるために、プロセスデータに時系列処理を行うことが好ましい。時系列処理として、機械流れの速度に応じて適切に時間的遅れ（タイムラグ）を補正する。具体的には、機械流れの速度に応じて、プロセスデータを取得するセンサ間の時間的遅れを補正してデータを格納する。これにより、個々の製品とプロセスデータとを対応させて整理することができ、データ解析が可能になる。加えて、後述するデータ結合工程６３において、プロセスデータと品質データとを対応させることもできる。
時系列処理工程６２は、プロセスデータ間の時間的遅れを補正して、解析サーバ等に格納する工程である。
プロセスデータを取得するためのセンサは、製品を製造する工程中に、多数設けることがある。そうすると、機械流れ方向の上流に設けたセンサと下流に設けたセンサとでは、同時刻に取得するプロセスデータは別々の製品に対して観測されたデータとなる。そのため、本発明においては、各プロセスデータを同じ製品に対応させるために、プロセスデータに時系列処理を行うことが好ましい。時系列処理として、機械流れの速度に応じて適切に時間的遅れ（タイムラグ）を補正する。具体的には、機械流れの速度に応じて、プロセスデータを取得するセンサ間の時間的遅れを補正してデータを格納する。これにより、個々の製品とプロセスデータとを対応させて整理することができ、データ解析が可能になる。加えて、後述するデータ結合工程６３において、プロセスデータと品質データとを対応させることもできる。
時系列処理の具体的な方法を、図２に示す製造装置１１を用いて説明する。
製造装置１１には、本発明の品質計測方法に用いる各種センサが配されている。モーター２４Ｅから取得される軸回転数を他のプロセスデータと対応させる場合、モーター２４Ｅの位置と、他のセンサの位置までの距離を事前に確認しておく。他のセンサとして、図２では、シールユニット温度のプロセスデータを取得する温度センサ３３Ｂ、上軸シート原反径のプロセスデータを取得するシート原反センサ３４Ａ、等が挙げられる。ここで、それぞれの距離を、切断したシート枚数（製品の個数）に対応させる。一例として、温度センサ３３Ｂはモーター２４Ｅから３４枚目である。シート原反センサ３４Ａはモーター２４Ｅから４０枚目である。製造装置によって、上記距離に対応するシート枚数は変わる。このように、シート枚数と対応させることで、モーター２４Ｅから温度センサ３３Ｂやシート原反センサ３４Ａまでの距離を特定することができる。
従って、図３（Ａ）に示すように、モーター２４Ｅの軸回転数のデータＺ４０のタイミングにおけるプロセスデータとして、シールユニット温度＝データＹ４０、上軸シート原反径＝データＸ４０が取得される。しかし、これらのプロセスデータはデータＺ４０が観測された製品に対応するデータではない。モーター２４Ｅ（図２参照）から温度センサ３３Ｂ（図２参照）までの製品枚数は３４枚である。従って、機械流れの速度に応じて、３４枚分の時間を遡ったタイミングで温度センサ３３Ｂにて取得されるデータＹ６が、データＺ４０が観測された製品に対応するシールユニット温度のプロセスデータとなる。また、上軸シート原反径（図２参照）については、４０枚分の時間を遡ったデータＸ０が、データＺ４０が観測された製品に対応する上軸シート原反径のプロセスデータとなる。
このようにして、プロセスデータ同士を個々の製品毎に対応させ、時間的遅れを補正することができる。
製造装置１１には、本発明の品質計測方法に用いる各種センサが配されている。モーター２４Ｅから取得される軸回転数を他のプロセスデータと対応させる場合、モーター２４Ｅの位置と、他のセンサの位置までの距離を事前に確認しておく。他のセンサとして、図２では、シールユニット温度のプロセスデータを取得する温度センサ３３Ｂ、上軸シート原反径のプロセスデータを取得するシート原反センサ３４Ａ、等が挙げられる。ここで、それぞれの距離を、切断したシート枚数（製品の個数）に対応させる。一例として、温度センサ３３Ｂはモーター２４Ｅから３４枚目である。シート原反センサ３４Ａはモーター２４Ｅから４０枚目である。製造装置によって、上記距離に対応するシート枚数は変わる。このように、シート枚数と対応させることで、モーター２４Ｅから温度センサ３３Ｂやシート原反センサ３４Ａまでの距離を特定することができる。
従って、図３（Ａ）に示すように、モーター２４Ｅの軸回転数のデータＺ４０のタイミングにおけるプロセスデータとして、シールユニット温度＝データＹ４０、上軸シート原反径＝データＸ４０が取得される。しかし、これらのプロセスデータはデータＺ４０が観測された製品に対応するデータではない。モーター２４Ｅ（図２参照）から温度センサ３３Ｂ（図２参照）までの製品枚数は３４枚である。従って、機械流れの速度に応じて、３４枚分の時間を遡ったタイミングで温度センサ３３Ｂにて取得されるデータＹ６が、データＺ４０が観測された製品に対応するシールユニット温度のプロセスデータとなる。また、上軸シート原反径（図２参照）については、４０枚分の時間を遡ったデータＸ０が、データＺ４０が観測された製品に対応する上軸シート原反径のプロセスデータとなる。
このようにして、プロセスデータ同士を個々の製品毎に対応させ、時間的遅れを補正することができる。
対応させたプロセスデータ同士は、個々の製品毎に表計算ソフトの同一の行又は同一の列に格納し、整理することが好ましい。上記の例では、同一の製品に対応するデータＸ０、データＹ６及びデータＺ４０を、図３（Ｂ）に示すように表計算ソフトの同一の行に格納することが好ましい。
（データ結合工程）
データ結合工程６３は、個々の製品のプロセスデータと、個々の製品の品質データとを対応させ、結合する工程である。結合の方法は特に限定されないが、品質データもプロセスデータと同様に、個々の製品毎に表計算ソフトの同一の行又は同一の列に格納し、整理することが挙げられる。
予測モデル構築工程がデータ結合工程６３を有することで、品質データを多様なプロセスデータと対応させることができる。例えば、材料データ、装置データ、及び操作データを品質データと対応させ、組み合わせることができる。
データ解析を迅速に行う観点から、データ結合工程６３においては、時系列処理工程６２において時間的遅れが補正されたプロセスデータを用いることが好ましい。
１つの製品について、対応させたプロセスデータと品質データとは、一群のデータセットとして解析サーバ等に格納される。即ち、データセットは製品の数だけ取得できる。
データ結合工程６３は、個々の製品のプロセスデータと、個々の製品の品質データとを対応させ、結合する工程である。結合の方法は特に限定されないが、品質データもプロセスデータと同様に、個々の製品毎に表計算ソフトの同一の行又は同一の列に格納し、整理することが挙げられる。
予測モデル構築工程がデータ結合工程６３を有することで、品質データを多様なプロセスデータと対応させることができる。例えば、材料データ、装置データ、及び操作データを品質データと対応させ、組み合わせることができる。
データ解析を迅速に行う観点から、データ結合工程６３においては、時系列処理工程６２において時間的遅れが補正されたプロセスデータを用いることが好ましい。
１つの製品について、対応させたプロセスデータと品質データとは、一群のデータセットとして解析サーバ等に格納される。即ち、データセットは製品の数だけ取得できる。
終了判定工程６４は、プロセスデータ取得工程６１からデータ結合工程６３までを経て取得されたデータセットの数が、データ解析に用いるのに十分か否かを判断する工程である。データセットの数が十分な場合は、後述のデータ解析工程７１へと移る。一方、データセットの数が十分でない場合は、十分な数のデータセットを取得できるまで、プロセスデータの値の組み合わせを適宜変更しながら、プロセスデータ取得工程６１からデータ結合工程６３までを繰り返す。このとき、前述の実験計画法により、データセットを効率的に取得することが好ましい。
（１回目のデータ解析工程）
データ解析工程７１は、データセットの取得後に、１回目のデータ解析を行う工程である。
データ解析を行う際、取得したデータセットを２分割する。２分割したうちの一方を学習データ、もう一方をテストデータとする。学習データは、主に予測モデルの候補となり得るモデル（以下、「予測モデル候補」という。）を構築するためのデータである。テストデータは、主に学習データで構築した予測モデル候補を検証し、予測モデルを決定するためのデータである。
データ解析では、学習データ及びテストデータに対して各種の分析を行い、予測モデル候補を複数構築する。構築した複数の予測モデル候補については、後述のスコアを算出する。
データセットを学習データとテストデータとに分割することで、過学習を避けることができ、未知の品質データを予測しやすくなる。学習データとテストデータの分割割合は任意に決めてよいが、８：２や５：５等の比率で分割することが一般的である。また、学習データとテストデータの分割にはクロスバリデーションを用いてもよい。
予測モデル候補を判定し選出する方法は、特に限定されない。例えば、学習データ及びテストデータを用いた分析の結果が一定水準以上の予測モデルを、予測モデル候補として採用する方法が挙げられる。
データ解析工程７１は、データセットの取得後に、１回目のデータ解析を行う工程である。
データ解析を行う際、取得したデータセットを２分割する。２分割したうちの一方を学習データ、もう一方をテストデータとする。学習データは、主に予測モデルの候補となり得るモデル（以下、「予測モデル候補」という。）を構築するためのデータである。テストデータは、主に学習データで構築した予測モデル候補を検証し、予測モデルを決定するためのデータである。
データ解析では、学習データ及びテストデータに対して各種の分析を行い、予測モデル候補を複数構築する。構築した複数の予測モデル候補については、後述のスコアを算出する。
データセットを学習データとテストデータとに分割することで、過学習を避けることができ、未知の品質データを予測しやすくなる。学習データとテストデータの分割割合は任意に決めてよいが、８：２や５：５等の比率で分割することが一般的である。また、学習データとテストデータの分割にはクロスバリデーションを用いてもよい。
予測モデル候補を判定し選出する方法は、特に限定されない。例えば、学習データ及びテストデータを用いた分析の結果が一定水準以上の予測モデルを、予測モデル候補として採用する方法が挙げられる。
学習データ及びテストデータに対して行われる分析手法としては、本発明の効果を奏するものであれば、特に限定されない。例えば、各種の線形回帰や、各種の非線形回帰が挙げられる。
線形回帰の具体例として、重回帰分析、ＰＬＳ回帰分析、ラッソ回帰分析、リッジ回帰分析、エラスティックネット回帰分析、ｓｇｄ回帰分析、サポートベクター回帰分析等が挙げられる。
非線形回帰の具体例として、非線形サポートベクター回帰分析、カーネルリッジ回帰分析、ランダムフォレスト回帰分析、ＭＬＰ回帰分析等が挙げられる。
各分析手法においては、ハイパーパラメータの調整を行う必要がある。ハイパーパラメータの調整を行うことで、予測モデルの精度が向上する。ハイパーパラメータの調整方法も、本発明の効果を奏するものであれば、特に限定されない。
線形回帰の具体例として、重回帰分析、ＰＬＳ回帰分析、ラッソ回帰分析、リッジ回帰分析、エラスティックネット回帰分析、ｓｇｄ回帰分析、サポートベクター回帰分析等が挙げられる。
非線形回帰の具体例として、非線形サポートベクター回帰分析、カーネルリッジ回帰分析、ランダムフォレスト回帰分析、ＭＬＰ回帰分析等が挙げられる。
各分析手法においては、ハイパーパラメータの調整を行う必要がある。ハイパーパラメータの調整を行うことで、予測モデルの精度が向上する。ハイパーパラメータの調整方法も、本発明の効果を奏するものであれば、特に限定されない。
汎化性能確認工程８１は、データ解析工程７１の分析結果の汎化性能を確認する工程である。本明細書において汎化性能とは、構築した予測モデルが、インライン測定において品質の計測に用いることができる性能をいう。
汎化性能確認工程８１における具体的な判定の方法としては、構築した複数の予測モデル候補のうち、最も汎化性能が高い予測モデル候補を予測モデルとして決定することが好ましい。学習データの分析とテストデータの分析との２段階で判定を行うことで、予測モデル（最適予測モデル）を効率的に選び出すことができる。
汎化性能の高さについては、Ｒ２（決定係数）、Ｒ（相関係数）、ＭＳＥ（Ｍｅａｎ Ｓｑｕａｒｅ Ｅｒｒｏｒ）、ＲＭＳＥ（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅ Ｅｒｒｏｒ）、ＭＡＥ（Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｅｒｒｏｒ）、ＡＩＣ（Ａｋａｉｋｅ’ｓ Ｉｎｆｏｒｍａｔｉｏｎ Ｃｒｉｔｅｒｉｏｎ）、ＢＩＣ（Ｂａｙｅｓｉａｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｃｒｉｔｅｒｉｏｎ）等のスコアを算出し、スコアの高さで判断することができる。なお、Ｒ２のスコアを用いる場合、予測したい対象にもよるが、０．６を越えていれば予測モデルの精度が高いと判断することができる。
学習データから算出したスコア（以下、「学習データスコア」という。）及びテストデータに対するスコア（以下、「テストデータスコア」という。）は、データ解析工程７１にて算出してある。そのため汎化性能確認工程８１では、学習データスコア及びテストデータスコアが一定水準以上の予測モデル候補の内、テストデータスコアが最も高いものを予測モデルとして決定する。
学習データスコア及びテストデータスコアが一定の数値に達している予測モデル候補があれば、テストデータスコアが最も高いものを予測モデルとして決定して、予測モデル構築工程は終了する。そうでない場合は、後述のデータ解析工程７２に移る。
汎化性能確認工程８１における具体的な判定の方法としては、構築した複数の予測モデル候補のうち、最も汎化性能が高い予測モデル候補を予測モデルとして決定することが好ましい。学習データの分析とテストデータの分析との２段階で判定を行うことで、予測モデル（最適予測モデル）を効率的に選び出すことができる。
汎化性能の高さについては、Ｒ２（決定係数）、Ｒ（相関係数）、ＭＳＥ（Ｍｅａｎ Ｓｑｕａｒｅ Ｅｒｒｏｒ）、ＲＭＳＥ（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅ Ｅｒｒｏｒ）、ＭＡＥ（Ｍｅａｎ Ａｂｓｏｌｕｔｅ Ｅｒｒｏｒ）、ＡＩＣ（Ａｋａｉｋｅ’ｓ Ｉｎｆｏｒｍａｔｉｏｎ Ｃｒｉｔｅｒｉｏｎ）、ＢＩＣ（Ｂａｙｅｓｉａｎ Ｉｎｆｏｒｍａｔｉｏｎ Ｃｒｉｔｅｒｉｏｎ）等のスコアを算出し、スコアの高さで判断することができる。なお、Ｒ２のスコアを用いる場合、予測したい対象にもよるが、０．６を越えていれば予測モデルの精度が高いと判断することができる。
学習データから算出したスコア（以下、「学習データスコア」という。）及びテストデータに対するスコア（以下、「テストデータスコア」という。）は、データ解析工程７１にて算出してある。そのため汎化性能確認工程８１では、学習データスコア及びテストデータスコアが一定水準以上の予測モデル候補の内、テストデータスコアが最も高いものを予測モデルとして決定する。
学習データスコア及びテストデータスコアが一定の数値に達している予測モデル候補があれば、テストデータスコアが最も高いものを予測モデルとして決定して、予測モデル構築工程は終了する。そうでない場合は、後述のデータ解析工程７２に移る。
（２回目のデータ解析工程）
データ解析工程７２は、データ解析工程７１の後に行う、２回目のデータ解析の工程である。
データ解析工程７２でデータ解析を行う際、データ解析工程７１とは異なるデータを用いるべく、データ解析工程７１に用いたデータセットの一部を削除するか、データセットを構成するプロセスデータの一部を削除（プロセスデータの種類を削減）して、データ解析工程７２を行う。即ち、データ解析工程７２で用いるデータの数は、データ解析工程７１に用いたデータの数よりも少なくなる。解析に用いるデータの数を減らすことで、計算時間が短くて済む。
データ解析工程７２の具体的な方法は、データ解析工程７１と同様である。即ち、分析対象のデータセットを２分割し、一方を学習データ、もう一方をテストデータとする。学習データ及びテストデータに対してデータ解析工程７１と同様に各種の分析を行い、予測モデル候補を複数構築する。構築した複数の予測モデル候補については、学習データスコア及びにテストデータスコアを算出する。
データ解析工程７２は、データ解析工程７１の後に行う、２回目のデータ解析の工程である。
データ解析工程７２でデータ解析を行う際、データ解析工程７１とは異なるデータを用いるべく、データ解析工程７１に用いたデータセットの一部を削除するか、データセットを構成するプロセスデータの一部を削除（プロセスデータの種類を削減）して、データ解析工程７２を行う。即ち、データ解析工程７２で用いるデータの数は、データ解析工程７１に用いたデータの数よりも少なくなる。解析に用いるデータの数を減らすことで、計算時間が短くて済む。
データ解析工程７２の具体的な方法は、データ解析工程７１と同様である。即ち、分析対象のデータセットを２分割し、一方を学習データ、もう一方をテストデータとする。学習データ及びテストデータに対してデータ解析工程７１と同様に各種の分析を行い、予測モデル候補を複数構築する。構築した複数の予測モデル候補については、学習データスコア及びにテストデータスコアを算出する。
汎化性能確認工程８２は、データ解析工程７２の分析結果の汎化性能を確認する工程である。汎化性能確認工程８２における具体的な方法は、汎化性能確認工程８１と同様である。
学習データスコア及びテストデータスコアが一定の数値に達している予測モデル候補があれば、テストデータスコアが最も高いものを予測モデルとして決定して、予測モデル構築工程は終了する。そうでない場合は、後述のデータ解析工程７３に移る。
学習データスコア及びテストデータスコアが一定の数値に達している予測モデル候補があれば、テストデータスコアが最も高いものを予測モデルとして決定して、予測モデル構築工程は終了する。そうでない場合は、後述のデータ解析工程７３に移る。
（３回目以降のデータ解析工程）
データ解析工程７３は、データ解析工程７２の後に行う、３回目以降のデータ解析の工程である。
データ解析工程７３でデータ解析を行う際、これまでのデータ解析とは異なるデータセットを用いるべく、データ解析工程７１及び７２に用いたデータセットに対して適宜データの追加や削除を行った後、データ解析を行う。即ち、データ解析工程７３で用いるデータの数は、データ解析工程７１及び７２に用いたデータの数よりも、多くなる場合もあれば、少なくなる場合もある。
データを追加してデータ解析工程７３におけるデータ解析を行う場合は、適宜追加でデータを取得する。具体的には、プロセスデータ取得工程６１、時系列処理工程６２、及びデータ結合工程６３による一連の操作を、前述と同様に行う。
データ解析工程７３の具体的な方法は、データ解析工程７１及び７２と同様である。即ち、分析対象のデータセットを２分割し、一方を学習データ、もう一方をテストデータとする。学習データ及びテストデータに対してデータ解析工程７１及び７２と同様に各種の分析を行い、予測モデル候補を構築する。構築した複数の予測モデル候補については、学習データスコア及びテストデータスコアを算出する。
データ解析工程７３は、データ解析工程７２の後に行う、３回目以降のデータ解析の工程である。
データ解析工程７３でデータ解析を行う際、これまでのデータ解析とは異なるデータセットを用いるべく、データ解析工程７１及び７２に用いたデータセットに対して適宜データの追加や削除を行った後、データ解析を行う。即ち、データ解析工程７３で用いるデータの数は、データ解析工程７１及び７２に用いたデータの数よりも、多くなる場合もあれば、少なくなる場合もある。
データを追加してデータ解析工程７３におけるデータ解析を行う場合は、適宜追加でデータを取得する。具体的には、プロセスデータ取得工程６１、時系列処理工程６２、及びデータ結合工程６３による一連の操作を、前述と同様に行う。
データ解析工程７３の具体的な方法は、データ解析工程７１及び７２と同様である。即ち、分析対象のデータセットを２分割し、一方を学習データ、もう一方をテストデータとする。学習データ及びテストデータに対してデータ解析工程７１及び７２と同様に各種の分析を行い、予測モデル候補を構築する。構築した複数の予測モデル候補については、学習データスコア及びテストデータスコアを算出する。
汎化性能確認工程８３は、データ解析工程７３の分析結果の汎化性能を確認する工程である。汎化性能確認工程８３における具体的な判定方法は、汎化性能確認工程８１及び８２と同様である。
学習データスコア及びテストデータスコアが一定の数値に達している予測モデル候補があれば、テストデータスコアが最も高いものを予測モデルとして決定して、予測モデル構築工程は終了する。そうでない場合は、学習データスコア及びテストデータスコアが一定の数値に達した予測モデルが構築できるまで、データ解析工程７３及び汎化性能確認工程８３を繰り返す。
学習データスコア及びテストデータスコアが一定の数値に達している予測モデル候補があれば、テストデータスコアが最も高いものを予測モデルとして決定して、予測モデル構築工程は終了する。そうでない場合は、学習データスコア及びテストデータスコアが一定の数値に達した予測モデルが構築できるまで、データ解析工程７３及び汎化性能確認工程８３を繰り返す。
予測モデル構築工程が終了すると、インライン品質計測工程に移る。以下、インライン品質計測工程について説明する。
（インライン品質計測工程）
インライン品質計測工程は、複数の製造工程を経て製品を製造する工程において、予測モデルに基づいて品質計測値を推定する工程である。品質計測値とは、予測モデルにプロセスデータを適用して算出した値であり、品質データの推定値に相当する。インライン品質計測工程で品質計測値を算出することで、シール強度等、インライン測定が困難な、目的とする品質の値を推定できる。
インライン品質計測工程は典型的には、図４に示すように、プロセスデータ取得工程９１、時系列処理工程９２、品質計測値推定工程９３、品質計測値送信工程９４、良否判定工程９５等からなる。但し、本発明の効果を奏する限り、インライン品質計測工程は図４に示す形態に限定されない。
インライン品質計測工程は、複数の製造工程を経て製品を製造する工程において、予測モデルに基づいて品質計測値を推定する工程である。品質計測値とは、予測モデルにプロセスデータを適用して算出した値であり、品質データの推定値に相当する。インライン品質計測工程で品質計測値を算出することで、シール強度等、インライン測定が困難な、目的とする品質の値を推定できる。
インライン品質計測工程は典型的には、図４に示すように、プロセスデータ取得工程９１、時系列処理工程９２、品質計測値推定工程９３、品質計測値送信工程９４、良否判定工程９５等からなる。但し、本発明の効果を奏する限り、インライン品質計測工程は図４に示す形態に限定されない。
（プロセスデータ取得工程及び時系列処理工程）
インライン品質計測工程におけるプロセスデータ取得工程９１及び時系列処理工程９２では、予測モデル構築工程におけるプロセスデータ取得工程６１及び時系列処理工程６２と同様にして、プロセスデータの取得と時間的遅れの補正とを行う。その際、予測モデル構築工程で用いた製造装置と、同一の装置で製品を製造することが好ましい。同一の装置を用いることで、予測モデルをインライン品質計測工程に適用できる。
インライン品質計測工程におけるプロセスデータ取得工程９１及び時系列処理工程９２では、予測モデル構築工程におけるプロセスデータ取得工程６１及び時系列処理工程６２と同様にして、プロセスデータの取得と時間的遅れの補正とを行う。その際、予測モデル構築工程で用いた製造装置と、同一の装置で製品を製造することが好ましい。同一の装置を用いることで、予測モデルをインライン品質計測工程に適用できる。
（品質計測値推定工程）
品質計測値推定工程９３は、プロセスデータを予測モデルと組み合わせ、品質計測値を推定する工程である。具体的には、プロセスデータ取得工程９１で取得したプロセスデータを、予測モデル構築工程で決定した予測モデルに適用し、品質計測値を算出する。このようにして、インライン測定が困難な値を推定できる。
品質計測値推定工程９３は、プロセスデータを予測モデルと組み合わせ、品質計測値を推定する工程である。具体的には、プロセスデータ取得工程９１で取得したプロセスデータを、予測モデル構築工程で決定した予測モデルに適用し、品質計測値を算出する。このようにして、インライン測定が困難な値を推定できる。
（品質計測値送信工程）
品質計測値送信工程９４は、品質計測値推定工程９３において算出した品質計測値を、製造装置１１と直結するＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、例えば、後述の製造装置側ＣＰＵ１３）へ送信する工程である。製造装置１１と直結するＣＰＵへ品質計測値を送信することで、後述の良否判定工程９５において、製造装置１１と直結するＣＰＵが良否判定を行うことができる。
製造装置１１と直結するＣＰＵが品質計測値を算出する場合等、データのやり取りの形態によっては、品質計測値送信工程９４がなくても良い場合がある。データのやり取りの形態については後述する。
品質計測値送信工程９４は、品質計測値推定工程９３において算出した品質計測値を、製造装置１１と直結するＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、例えば、後述の製造装置側ＣＰＵ１３）へ送信する工程である。製造装置１１と直結するＣＰＵへ品質計測値を送信することで、後述の良否判定工程９５において、製造装置１１と直結するＣＰＵが良否判定を行うことができる。
製造装置１１と直結するＣＰＵが品質計測値を算出する場合等、データのやり取りの形態によっては、品質計測値送信工程９４がなくても良い場合がある。データのやり取りの形態については後述する。
（良否判定工程）
良否判定工程９５は、品質計測値を指標として、製造した製品が一定以上の品質を有しているか否かを判定する工程である。そのため、本発明においては、良否判定工程９５を設ける等の手段で、品質計測値の良否判定を行うことが好ましい。品質計測値が一定の数値範囲内であるかを確認することで、製品の抜き取り検査を行うことなく、製品が一定以上の品質を有しているか確認できる。
良否判定工程９５は、品質計測値を指標として、製造した製品が一定以上の品質を有しているか否かを判定する工程である。そのため、本発明においては、良否判定工程９５を設ける等の手段で、品質計測値の良否判定を行うことが好ましい。品質計測値が一定の数値範囲内であるかを確認することで、製品の抜き取り検査を行うことなく、製品が一定以上の品質を有しているか確認できる。
仮に、品質計測値が一定の数値範囲外の場合は、製造装置の設定値（操作データ等）を適宜変更することで、品質計測値を一定の数値範囲内に収めることができる。このようにして、オンライン測定の結果を受けて適宜フィードバックを行い、製品の品質を一定以上に安定化させ、製品の生産性を向上できるようになる。ひいては、製造ラインの自動運転も容易になる。
製造装置は、品質計測値に基づいて制御指令を行うことが好ましい。
例えば、品質計測値が一定の数値範囲から大きく逸脱した場合に、製造装置に対して製造ラインの停止の指令を行うことで、不良品発生時に製造ラインを素早く自動的に停止することができる。加えて、製造ライン停止時にオペレータへの異常通知を早期に行うこともできる。異常発生時の早期対応を取ることで、製品の品質を一定に保つことができるようになる。
反対に、正常な品質計測値が算出されている間は、製造ラインの運転継続の指令を行うことができ、製造ラインの自動運転が可能になる。
例えば、品質計測値が一定の数値範囲から大きく逸脱した場合に、製造装置に対して製造ラインの停止の指令を行うことで、不良品発生時に製造ラインを素早く自動的に停止することができる。加えて、製造ライン停止時にオペレータへの異常通知を早期に行うこともできる。異常発生時の早期対応を取ることで、製品の品質を一定に保つことができるようになる。
反対に、正常な品質計測値が算出されている間は、製造ラインの運転継続の指令を行うことができ、製造ラインの自動運転が可能になる。
本発明の品質計測方法は、複数の製造工程を経て製品を製造する装置に用いることができる。例えば、図２に示すような、複合シートの製造装置に適用することができる。
図２に示す製造装置１１は、２枚のシート４２，４３をシール結合で貼り合わせ、複合シート４１を製造する装置である。製造装置１１はシールユニット２１、パターンロール２２、アンビルロール２３、モーター２４Ａ〜２４Ｅ、コンベア２５Ａ〜２５Ｈ等から構成される。
製造装置１１は、複数の製造工程を経て、製品すなわち複合シート４１を製造する。製造工程の具体例として、シート原反４４，４５からシート４２，４３を送り出す工程、送り出したシート４２，４３をコンベア２５Ａ〜２５Ｈで搬送する工程、搬送したシート４２，４３をシールユニット２１内部で貼り合わせて複合シート４１を形成する工程、複合シート４１を個々の製品毎にカッターで切断する工程等が挙げられる。
図２に示す製造装置１１は、２枚のシート４２，４３をシール結合で貼り合わせ、複合シート４１を製造する装置である。製造装置１１はシールユニット２１、パターンロール２２、アンビルロール２３、モーター２４Ａ〜２４Ｅ、コンベア２５Ａ〜２５Ｈ等から構成される。
製造装置１１は、複数の製造工程を経て、製品すなわち複合シート４１を製造する。製造工程の具体例として、シート原反４４，４５からシート４２，４３を送り出す工程、送り出したシート４２，４３をコンベア２５Ａ〜２５Ｈで搬送する工程、搬送したシート４２，４３をシールユニット２１内部で貼り合わせて複合シート４１を形成する工程、複合シート４１を個々の製品毎にカッターで切断する工程等が挙げられる。
製造装置１１には、各種のセンサを設けることで、プロセスデータを取得することができる。製造装置１１には、プロセスデータをインライン測定で取得するためのセンサとして、厚みセンサ３１Ａ〜３１Ｃ、テンションセンサ３２Ａ，３２Ｂ、温度センサ３３Ａ〜３３Ｃ、シート原反センサ３４Ａ，３４Ｂ、カメラ３５等が配される。センサの数及び種類については、本発明の効果を奏する限り、特に限定されない。
この複合シートの製造装置１１においては、形状が不安定になりやすい繊維シートを加工する。そのため、シール加工を行うシールユニット２１の上流側と下流側とに、対となるセンサ（例えばテンションセンサ３２Ａ，３２Ｂ）が配されることが好ましい。また、図示しないが、厚みセンサ３１Ａ〜３１Ｃの他に、シールユニット２１の下流側に別の厚みセンサが配されることが好ましい。
各種センサにて取得したプロセスデータを品質計測装置に送信し、前述の時系列処理、データ結合、データ解析等を行う。
この複合シートの製造装置１１においては、形状が不安定になりやすい繊維シートを加工する。そのため、シール加工を行うシールユニット２１の上流側と下流側とに、対となるセンサ（例えばテンションセンサ３２Ａ，３２Ｂ）が配されることが好ましい。また、図示しないが、厚みセンサ３１Ａ〜３１Ｃの他に、シールユニット２１の下流側に別の厚みセンサが配されることが好ましい。
各種センサにて取得したプロセスデータを品質計測装置に送信し、前述の時系列処理、データ結合、データ解析等を行う。
本発明の品質計測方法は、複合シートの製造装置１１の他に、様々な製品の製造装置に用いることができる。例えば、塗料の原料である鉄粉、活性炭及び水を混ぜ合わせ、塗料を製造する装置（以下、「塗料製造装置」ともいう。）が挙げられる。
塗料製造装置は、配合槽、撹拌羽根、モーター等から構成され、複数の製造工程を経て塗料を製造する。製造工程の具体例として、鉄粉を配合槽に添加する工程、活性炭を配合槽に添加する工程、水を配合槽に添加する工程、撹拌羽根で原料を掻き混ぜる工程、製造した塗料を基材シートに塗工する工程等が挙げられる。これらの工程により、例えば好適な発熱特性を有するシート製品を製造することができる。
塗料製造装置では、鉄粉添加量、活性炭添加量、水添加量、鉄粉粒径、活性炭粒径、撹拌羽根回転速度、撹拌羽根停止時間等のプロセスデータから、塗料の粘度や固形分量等の品質計測値を算出することができる。
塗料製造装置は、配合槽、撹拌羽根、モーター等から構成され、複数の製造工程を経て塗料を製造する。製造工程の具体例として、鉄粉を配合槽に添加する工程、活性炭を配合槽に添加する工程、水を配合槽に添加する工程、撹拌羽根で原料を掻き混ぜる工程、製造した塗料を基材シートに塗工する工程等が挙げられる。これらの工程により、例えば好適な発熱特性を有するシート製品を製造することができる。
塗料製造装置では、鉄粉添加量、活性炭添加量、水添加量、鉄粉粒径、活性炭粒径、撹拌羽根回転速度、撹拌羽根停止時間等のプロセスデータから、塗料の粘度や固形分量等の品質計測値を算出することができる。
次に、本発明の品質計測方法に用いられる品質計測装置の好ましい一例について、図５を参照して説明する。但し、本発明の効果を奏する限り、品質計測装置は図５に示す形態に限定されない。
図５（Ａ）に示す品質計測装置１２は、製造装置側ＣＰＵ１３、データ収集ＣＰＵ１４及び解析サーバ１５を有する。品質計測装置１２は、インライン測定を行う手段として、製造装置１１に各種のセンサ（図示せず）を配している。製品を製造する工程において、製造装置側ＣＰＵ１３は、製造装置１１に配された各種センサから、プロセスデータ１を随時取得する。また製造装置側ＣＰＵ１３は、品質計測値３に基づいて、製造ラインの制御指令４を製造装置１１に対して行う。例えば、製造装置側ＣＰＵ１３で品質計測値３の閾値を設定しておき、品質計測値３が閾値の範囲外に達した場合に、製造装置側ＣＰＵ１３は製造装置１１に対して製品排出指令や設備停止指令等を送る。このようにして、製造装置１１と製造装置側ＣＰＵ１３とはデータのやり取りを行う。
製造装置側ＣＰＵ１３は、データ収集ＣＰＵ１４ともデータのやり取りを行う。具体的には、データ収集ＣＰＵ１４は、製造装置側ＣＰＵ１３からプロセスデータ１を取得する。また、データ収集ＣＰＵ１４は解析サーバ１５ともデータのやり取りを行い、プロセスデータ１等を解析サーバ１５に転送する。
解析サーバ１５では、プロセスデータ取得工程６１、時系列処理工程６２、データ結合工程６３、終了判定工程６４、データ解析工程７１〜７３、汎化性能確認工程８１〜８３、プロセスデータ取得工程９１、時系列処理工程９２、及び品質計測値推定工程９３を実行する。プロセスデータとの結合に用いる品質データ２は、引張試験機等の抜き取り検査装置１６にてオフライン測定し、解析サーバ１５に蓄積する。
予測モデル構築工程においては、解析サーバ１５は、品質データ２及びプロセスデータ１の間で予測モデルを構築する。また、インライン品質計測工程においては、解析サーバ１５は、予測モデルに基づき、インライン測定によりプロセスデータ１から品質計測値３を算出する。品質計測値３は、解析サーバ１５からデータ収集ＣＰＵ１４に転送され、更に製造装置側ＣＰＵ１３にも転送される。
製造装置側ＣＰＵ１３は、データ収集ＣＰＵ１４ともデータのやり取りを行う。具体的には、データ収集ＣＰＵ１４は、製造装置側ＣＰＵ１３からプロセスデータ１を取得する。また、データ収集ＣＰＵ１４は解析サーバ１５ともデータのやり取りを行い、プロセスデータ１等を解析サーバ１５に転送する。
解析サーバ１５では、プロセスデータ取得工程６１、時系列処理工程６２、データ結合工程６３、終了判定工程６４、データ解析工程７１〜７３、汎化性能確認工程８１〜８３、プロセスデータ取得工程９１、時系列処理工程９２、及び品質計測値推定工程９３を実行する。プロセスデータとの結合に用いる品質データ２は、引張試験機等の抜き取り検査装置１６にてオフライン測定し、解析サーバ１５に蓄積する。
予測モデル構築工程においては、解析サーバ１５は、品質データ２及びプロセスデータ１の間で予測モデルを構築する。また、インライン品質計測工程においては、解析サーバ１５は、予測モデルに基づき、インライン測定によりプロセスデータ１から品質計測値３を算出する。品質計測値３は、解析サーバ１５からデータ収集ＣＰＵ１４に転送され、更に製造装置側ＣＰＵ１３にも転送される。
図５（Ｂ）に示す形態は、図５（Ａ）に示す形態とは異なる形態であり、データ収集ＣＰＵ１４を有しない。即ち、図５（Ｂ）に示す形態では、解析サーバ１５がデータ収集ＣＰＵ１４の役割も果たす。その他の点は、図５（Ａ）に示す形態と同様である。
図５（Ａ）に示す形態を採用すると、解析サーバ１５だけでなくデータ収集ＣＰＵ１４にもデータを蓄積できるようになるため、解析サーバ１５への負荷を小さくすることができる。
一方、図５（Ｂ）に示す形態を採用すると、製造装置側ＣＰＵ１３と解析サーバ１５とがデータ収集ＣＰＵ１４を介することなく直接データのやり取りをすることが可能になる。
一方、図５（Ｂ）に示す形態を採用すると、製造装置側ＣＰＵ１３と解析サーバ１５とがデータ収集ＣＰＵ１４を介することなく直接データのやり取りをすることが可能になる。
上述した実施形態に関し、本発明は更に以下の品質計測方法及び品質計測装置を開示する。
＜１＞
複数の製造工程を経て製品を製造する工程における品質計測方法であって、
品質データ及びプロセスデータの間で予測モデルを構築する工程と、
前記予測モデルに基づき、インライン測定により取得する前記プロセスデータから、製造された製品の品質計測値を算出する工程とを有する、品質計測方法。
複数の製造工程を経て製品を製造する工程における品質計測方法であって、
品質データ及びプロセスデータの間で予測モデルを構築する工程と、
前記予測モデルに基づき、インライン測定により取得する前記プロセスデータから、製造された製品の品質計測値を算出する工程とを有する、品質計測方法。
＜２＞
前記予測モデルの構築に実験計画法を利用する、＜１＞記載の品質計測方法。
＜３＞
前記予測モデルの構築において、予測モデル候補を複数構築し、最も汎化性能が高い予測モデル候補を前記予測モデルとして決定する、＜１＞又は＜２＞記載の品質計測方法。
＜４＞
前記予測モデルの構築において、前記プロセスデータに時系列処理を行う、＜１＞〜＜３＞のいずれか１に記載の品質計測方法。
＜５＞
前記品質データは、抜き取り検査で計測される、＜１＞〜＜４＞のいずれか１に記載の品質計測方法。
＜６＞
前記品質計測値の良否判定を行う、＜１＞〜＜５＞のいずれか１に記載の品質計測方法。
＜７＞
前記品質計測値に基づいて制御指令を行う、＜１＞〜＜６＞のいずれか１に記載の品質計測方法。
＜８＞
前記製品が複合シートである、＜１＞〜＜７＞のいずれか１に記載の品質計測方法。
＜９＞
前記プロセスデータがシートテンション若しくはシート厚み、又はこれら両方を含む、＜１＞〜＜８＞のいずれか１に記載の品質計測方法。
＜１０＞
前記品質計測値が、２枚以上のシートを結合した部分のシール強度である、＜１＞〜＜９＞のいずれか１に記載の品質計測方法。
＜１１＞
前記結合が、ヒートシール、超音波シール、レーザー溶着、又はホットメルト接着により行われる、＜１０＞記載の品質計測方法。
前記予測モデルの構築に実験計画法を利用する、＜１＞記載の品質計測方法。
＜３＞
前記予測モデルの構築において、予測モデル候補を複数構築し、最も汎化性能が高い予測モデル候補を前記予測モデルとして決定する、＜１＞又は＜２＞記載の品質計測方法。
＜４＞
前記予測モデルの構築において、前記プロセスデータに時系列処理を行う、＜１＞〜＜３＞のいずれか１に記載の品質計測方法。
＜５＞
前記品質データは、抜き取り検査で計測される、＜１＞〜＜４＞のいずれか１に記載の品質計測方法。
＜６＞
前記品質計測値の良否判定を行う、＜１＞〜＜５＞のいずれか１に記載の品質計測方法。
＜７＞
前記品質計測値に基づいて制御指令を行う、＜１＞〜＜６＞のいずれか１に記載の品質計測方法。
＜８＞
前記製品が複合シートである、＜１＞〜＜７＞のいずれか１に記載の品質計測方法。
＜９＞
前記プロセスデータがシートテンション若しくはシート厚み、又はこれら両方を含む、＜１＞〜＜８＞のいずれか１に記載の品質計測方法。
＜１０＞
前記品質計測値が、２枚以上のシートを結合した部分のシール強度である、＜１＞〜＜９＞のいずれか１に記載の品質計測方法。
＜１１＞
前記結合が、ヒートシール、超音波シール、レーザー溶着、又はホットメルト接着により行われる、＜１０＞記載の品質計測方法。
＜１２＞
製造装置側ＣＰＵが、製造装置に配されたセンサから前記プロセスデータを取得する、＜１＞〜＜１１＞のいずれか１に記載の品質計測方法。
＜１３＞
前記製造装置側ＣＰＵが、前記品質計測値に基づいて、製造ラインの制御指令を製造装置に対して行う、＜１２＞記載の品質計測方法。
製造装置側ＣＰＵが、製造装置に配されたセンサから前記プロセスデータを取得する、＜１＞〜＜１１＞のいずれか１に記載の品質計測方法。
＜１３＞
前記製造装置側ＣＰＵが、前記品質計測値に基づいて、製造ラインの制御指令を製造装置に対して行う、＜１２＞記載の品質計測方法。
＜１４＞
前記予測モデルを構築する工程が、プロセスデータ取得工程、時系列処理工程、データ結合工程、終了判定工程、データ解析工程、及び汎化性能確認工程からなる、＜１＞〜＜１３＞のいずれか１に記載の品質計測方法。
＜１５＞
前記プロセスデータ取得工程では、前記プロセスデータとして材料データと装置データとを合わせて取得する、＜１４＞記載の品質計測方法。
＜１６＞
前記時系列処理工程が、前記プロセスデータ間の時間的遅れを補正して、解析サーバにデータを格納する工程である、＜１４＞又は＜１５＞記載の品質計測方法。
＜１７＞
前記データ結合工程が、個々の製品の前記プロセスデータと、個々の製品の品質データとを対応させ、結合する工程である、＜１４＞〜＜１６＞のいずれか１に記載の品質計測方法。
＜１８＞
前記終了判定工程は、前記プロセスデータ取得工程、前記時系列処理工程、及び前記データ結合工程を経て取得されたデータの数が、データ解析に用いるのに十分か否かを判断する工程である、＜１４＞〜＜１７＞のいずれか１に記載の品質計測方法。
＜１９＞
前記汎化性能確認工程では、学習データの分析とテストデータの分析との２段階で前記予測モデルの判定を行う、＜１４＞〜＜１８＞のいずれか１に記載の品質計測方法。
前記予測モデルを構築する工程が、プロセスデータ取得工程、時系列処理工程、データ結合工程、終了判定工程、データ解析工程、及び汎化性能確認工程からなる、＜１＞〜＜１３＞のいずれか１に記載の品質計測方法。
＜１５＞
前記プロセスデータ取得工程では、前記プロセスデータとして材料データと装置データとを合わせて取得する、＜１４＞記載の品質計測方法。
＜１６＞
前記時系列処理工程が、前記プロセスデータ間の時間的遅れを補正して、解析サーバにデータを格納する工程である、＜１４＞又は＜１５＞記載の品質計測方法。
＜１７＞
前記データ結合工程が、個々の製品の前記プロセスデータと、個々の製品の品質データとを対応させ、結合する工程である、＜１４＞〜＜１６＞のいずれか１に記載の品質計測方法。
＜１８＞
前記終了判定工程は、前記プロセスデータ取得工程、前記時系列処理工程、及び前記データ結合工程を経て取得されたデータの数が、データ解析に用いるのに十分か否かを判断する工程である、＜１４＞〜＜１７＞のいずれか１に記載の品質計測方法。
＜１９＞
前記汎化性能確認工程では、学習データの分析とテストデータの分析との２段階で前記予測モデルの判定を行う、＜１４＞〜＜１８＞のいずれか１に記載の品質計測方法。
＜２０＞
前記予測モデルを構築する工程が終了すると、前記品質計測値を算出する工程に移る、＜１＞〜＜１９＞のいずれか１に記載の品質計測方法。
＜２１＞
前記品質計測値を算出する工程では、前記予測モデルに基づいて前記品質計測値を推定する、＜３＞〜＜２０＞のいずれか１に記載の品質計測方法。
前記予測モデルを構築する工程が終了すると、前記品質計測値を算出する工程に移る、＜１＞〜＜１９＞のいずれか１に記載の品質計測方法。
＜２１＞
前記品質計測値を算出する工程では、前記予測モデルに基づいて前記品質計測値を推定する、＜３＞〜＜２０＞のいずれか１に記載の品質計測方法。
＜２２＞
前記品質計測値を算出する工程が、プロセスデータ取得工程、時系列処理工程、品質計測値推定工程、品質計測値送信工程、及び良否判定工程からなる、＜１＞〜＜２１＞のいずれか１に記載の品質計測方法。
＜２３＞
前記プロセスデータ取得工程及び前記時系列処理工程では、前記プロセスデータの取得と時間的遅れの補正とを行う、＜２２＞記載の品質計測方法。
＜２４＞
前記品質計測値推定工程が、前記プロセスデータを前記予測モデルと組み合わせ、前記品質計測値を推定する工程である、＜２２＞又は＜２３＞記載の品質計測方法。
＜２５＞
前記品質計測値送信工程が、製造装置と直結するＣＰＵへ前記品質計測値を送信する工程である、＜２２＞〜＜２４＞のいずれか１に記載の品質計測方法。
＜２６＞
前記良否判定工程が、前記品質計測値を指標として、前記製造された製品が一定以上の品質を有しているか否かを判定する工程である、＜２２＞〜＜２５＞のいずれか１に記載の品質計測方法。
前記品質計測値を算出する工程が、プロセスデータ取得工程、時系列処理工程、品質計測値推定工程、品質計測値送信工程、及び良否判定工程からなる、＜１＞〜＜２１＞のいずれか１に記載の品質計測方法。
＜２３＞
前記プロセスデータ取得工程及び前記時系列処理工程では、前記プロセスデータの取得と時間的遅れの補正とを行う、＜２２＞記載の品質計測方法。
＜２４＞
前記品質計測値推定工程が、前記プロセスデータを前記予測モデルと組み合わせ、前記品質計測値を推定する工程である、＜２２＞又は＜２３＞記載の品質計測方法。
＜２５＞
前記品質計測値送信工程が、製造装置と直結するＣＰＵへ前記品質計測値を送信する工程である、＜２２＞〜＜２４＞のいずれか１に記載の品質計測方法。
＜２６＞
前記良否判定工程が、前記品質計測値を指標として、前記製造された製品が一定以上の品質を有しているか否かを判定する工程である、＜２２＞〜＜２５＞のいずれか１に記載の品質計測方法。
＜２７＞
複数の製造工程を経て製品を製造する装置に対して用いられる品質計測装置であって、
前記品質計測装置が解析サーバを有し、
前記解析サーバが品質データ及びプロセスデータの間で予測モデルを構築し、
前記解析サーバが前記予測モデルに基づき、インライン測定により前記プロセスデータから品質計測値を算出する、品質計測装置。
複数の製造工程を経て製品を製造する装置に対して用いられる品質計測装置であって、
前記品質計測装置が解析サーバを有し、
前記解析サーバが品質データ及びプロセスデータの間で予測モデルを構築し、
前記解析サーバが前記予測モデルに基づき、インライン測定により前記プロセスデータから品質計測値を算出する、品質計測装置。
＜２８＞
制御装置側ＣＰＵ及びデータ収集ＣＰＵを有する、＜２７＞記載の品質計測装置。
＜２９＞
前記解析サーバが、プロセスデータ取得工程、時系列処理工程、データ結合工程、終了判定工程、データ解析工程、汎化性能確認工程、及び品質計測値推定工程を実行する、＜２７＞又は＜２８＞記載の品質計測装置。
制御装置側ＣＰＵ及びデータ収集ＣＰＵを有する、＜２７＞記載の品質計測装置。
＜２９＞
前記解析サーバが、プロセスデータ取得工程、時系列処理工程、データ結合工程、終了判定工程、データ解析工程、汎化性能確認工程、及び品質計測値推定工程を実行する、＜２７＞又は＜２８＞記載の品質計測装置。
以下、本発明を実施例に基づきさらに詳しく説明するが、本発明はこれにより限定して解釈されるものではない。
図２に示す製造装置１１及び各種センサ、並びに図５（Ａ）に示す品質計測装置１２を用いて、複合シート４１を製造し、以下の実施例１〜３の通りにシール強度を推定した。
操作データは、油圧、パターンロール温度、アンビルロール温度、ダンサー圧力、シート原反保存湿度、及びコンベア搬送速度とした。
操作データ以外のプロセスデータは、５か所のモーター軸回転数、５か所のモーター軸負荷、入側シート温度、出側シート温度、シールユニット温度、上軸シート原反径、下軸シート原反径、入側シートテンション、出側シートテンション、及び３か所のシート厚みとした。即ち、操作データを含めて全部で２６種類のプロセスデータを用いた。
品質データは、入側シール強度及び出側シール強度とした。
なお、「入側」とは、製造装置１１の機械流れ方向の下流の側をいい、「出側」とは、製造装置１１の機械流れ方向の上流の側をいう。
操作データは、油圧、パターンロール温度、アンビルロール温度、ダンサー圧力、シート原反保存湿度、及びコンベア搬送速度とした。
操作データ以外のプロセスデータは、５か所のモーター軸回転数、５か所のモーター軸負荷、入側シート温度、出側シート温度、シールユニット温度、上軸シート原反径、下軸シート原反径、入側シートテンション、出側シートテンション、及び３か所のシート厚みとした。即ち、操作データを含めて全部で２６種類のプロセスデータを用いた。
品質データは、入側シール強度及び出側シール強度とした。
なお、「入側」とは、製造装置１１の機械流れ方向の下流の側をいい、「出側」とは、製造装置１１の機械流れ方向の上流の側をいう。
（データセットの取得）
図１に示す流れ図に従い、予測モデル候補の構築と、予測モデルの決定とを行った。
操作データを適宜設定後、図２に示す製造装置１１を用いて、プロセスデータを取得しながら吸収性物品用のシートを貼り合わせ、複合シートを製造した。取得したプロセスデータは、時系列処理を行い、センサ間の時間的遅れを補正した。一方、複合シートについては全て抜き取り検査を行い、品質データを測定した。品質データである入側シール強度及び出側シール強度の測定には、引張試験機を用いた。
時系列処理後のプロセスデータと品質データとを結合し、一度に４０組のデータセットを取得した。
上記の操作を１８回繰り返し、全部で７２０組のデータセットを取得した。繰り返しの際には実験計画法を利用し、プロセスデータをＬ１８直交表に割り付けた。
図１に示す流れ図に従い、予測モデル候補の構築と、予測モデルの決定とを行った。
操作データを適宜設定後、図２に示す製造装置１１を用いて、プロセスデータを取得しながら吸収性物品用のシートを貼り合わせ、複合シートを製造した。取得したプロセスデータは、時系列処理を行い、センサ間の時間的遅れを補正した。一方、複合シートについては全て抜き取り検査を行い、品質データを測定した。品質データである入側シール強度及び出側シール強度の測定には、引張試験機を用いた。
時系列処理後のプロセスデータと品質データとを結合し、一度に４０組のデータセットを取得した。
上記の操作を１８回繰り返し、全部で７２０組のデータセットを取得した。繰り返しの際には実験計画法を利用し、プロセスデータをＬ１８直交表に割り付けた。
（１回目のデータ解析）
７２０組のデータセットを、３６０組の学習データと３６０組のテストデータに２分割し、それぞれに対して線形解析及び非線形解析を行い、予測モデル候補を複数構築した。予測モデル候補の汎化性能の確認には、学習データスコア及びテストデータスコアのＲ２を用いた。線形解析及び非線形解析は、以下のものを用いた。
■線形解析
重回帰
ＰＬＳ回帰
ラッソ回帰
リッジ回帰
エラスティックネット回帰
ｓｇｄ回帰
サポートベクター線形回帰
■非線形解析
非線形サポートベクター回帰
カーネルリッジ回帰
ランダムフォレスト回帰
ＭＬＰ回帰
構築したいずれの予測モデル候補においても、学習データ及びテストデータの両方のＲ２の値が０．６以下であったため、予測モデル候補の汎化性能が十分でないと判断し、２回目のデータ解析を行うこととした。
７２０組のデータセットを、３６０組の学習データと３６０組のテストデータに２分割し、それぞれに対して線形解析及び非線形解析を行い、予測モデル候補を複数構築した。予測モデル候補の汎化性能の確認には、学習データスコア及びテストデータスコアのＲ２を用いた。線形解析及び非線形解析は、以下のものを用いた。
■線形解析
重回帰
ＰＬＳ回帰
ラッソ回帰
リッジ回帰
エラスティックネット回帰
ｓｇｄ回帰
サポートベクター線形回帰
■非線形解析
非線形サポートベクター回帰
カーネルリッジ回帰
ランダムフォレスト回帰
ＭＬＰ回帰
構築したいずれの予測モデル候補においても、学習データ及びテストデータの両方のＲ２の値が０．６以下であったため、予測モデル候補の汎化性能が十分でないと判断し、２回目のデータ解析を行うこととした。
（２回目のデータ解析）
１回目のデータ解析で用いたデータセットを構成するプロセスデータの一部を削除し、２６種類から１４種類に変更した。１４種類のプロセスデータからなるデータセットについて、１回目のデータ解析と同様に線形解析及び非線形解析を行い、予測モデル候補を複数構築した。
構築したいずれの予測モデル候補においても、学習データ及びテストデータの両方のＲ２の値が０．６以下であったため、予測モデル候補の汎化性能が十分でないと判断し、３回目のデータ解析を行うこととした。
１回目のデータ解析で用いたデータセットを構成するプロセスデータの一部を削除し、２６種類から１４種類に変更した。１４種類のプロセスデータからなるデータセットについて、１回目のデータ解析と同様に線形解析及び非線形解析を行い、予測モデル候補を複数構築した。
構築したいずれの予測モデル候補においても、学習データ及びテストデータの両方のＲ２の値が０．６以下であったため、予測モデル候補の汎化性能が十分でないと判断し、３回目のデータ解析を行うこととした。
（３回目のデータ解析）
データセットの取得の操作を更に３回繰り返し、１２０組のデータセットを追加で取得した。１回目のデータ解析で使用した７２０組のデータセットと併せ、全部で８４０組のデータセットを４２０組の学習データと４２０組のテストデータに２分割し、それぞれに対して１回目のデータ解析と同様に線形解析及び非線形解析を行い、予測モデル候補を複数構築した。
構築した予測モデル候補において、学習データ及びテストデータの両方のＲ２の値が０．６を越えていたものとしてラッソ回帰があったため、ラッソ回帰によるモデルは十分な汎化性能を有していると判断した。また、ラッソ回帰によるモデルではテストデータスコアのＲ２が他の予測モデル候補と比較して最も高かったため、ラッソ回帰によるモデルを予測モデルに決定した。
データセットの取得の操作を更に３回繰り返し、１２０組のデータセットを追加で取得した。１回目のデータ解析で使用した７２０組のデータセットと併せ、全部で８４０組のデータセットを４２０組の学習データと４２０組のテストデータに２分割し、それぞれに対して１回目のデータ解析と同様に線形解析及び非線形解析を行い、予測モデル候補を複数構築した。
構築した予測モデル候補において、学習データ及びテストデータの両方のＲ２の値が０．６を越えていたものとしてラッソ回帰があったため、ラッソ回帰によるモデルは十分な汎化性能を有していると判断した。また、ラッソ回帰によるモデルではテストデータスコアのＲ２が他の予測モデル候補と比較して最も高かったため、ラッソ回帰によるモデルを予測モデルに決定した。
（実施例１）
図４に示す流れ図に従い、データセットの取得に用いた製造装置で、パターンロール温度１２５℃、アンビルロール温度１７０℃の条件で、吸収性物品用のシートを貼り合わせ、全部で１００個の複合シートを製造した。操作データは製造の途中で変更しなかった。
貼り合わせの際に取得したプロセスデータは、操作データとともに時系列処理を行い、センサ間の時間的遅れを補正した。
時系列処理後のプロセスデータに、予測モデルに決定したラッソ回帰を適用し、１００個の複合シートそれぞれについて、品質計測値として入側シール強度及び出側シール強度の値を推定した。入側シール強度及び出側シール強度それぞれについて、１００個の品質計測値の平均値を求めた。
図４に示す流れ図に従い、データセットの取得に用いた製造装置で、パターンロール温度１２５℃、アンビルロール温度１７０℃の条件で、吸収性物品用のシートを貼り合わせ、全部で１００個の複合シートを製造した。操作データは製造の途中で変更しなかった。
貼り合わせの際に取得したプロセスデータは、操作データとともに時系列処理を行い、センサ間の時間的遅れを補正した。
時系列処理後のプロセスデータに、予測モデルに決定したラッソ回帰を適用し、１００個の複合シートそれぞれについて、品質計測値として入側シール強度及び出側シール強度の値を推定した。入側シール強度及び出側シール強度それぞれについて、１００個の品質計測値の平均値を求めた。
（実施例２）
パターンロール温度を１２０℃、アンビルロール温度を１６０℃とした以外は、実施例１と同様にして、入側シール強度及び出側シール強度それぞれについて１００個の品質計測値を推定し、平均値を求めた。
パターンロール温度を１２０℃、アンビルロール温度を１６０℃とした以外は、実施例１と同様にして、入側シール強度及び出側シール強度それぞれについて１００個の品質計測値を推定し、平均値を求めた。
（実施例３）
パターンロール温度を１１５℃、アンビルロール温度を１５０℃とした以外は、実施例１と同様にして、入側シール強度及び出側シール強度それぞれについて１００個の品質計測値を推定し、平均値を求めた。
パターンロール温度を１１５℃、アンビルロール温度を１５０℃とした以外は、実施例１と同様にして、入側シール強度及び出側シール強度それぞれについて１００個の品質計測値を推定し、平均値を求めた。
（品質データの確認）
上記実施例１〜３において製造した複合シート全てについて、入側シール強度及び出側シール強度を、オフライン測定の一種である破壊検査により実測した。シール強度の測定には引張試験機を用いた。
実施例１〜３それぞれにおいて、１００個の入側シール強度の実測値の平均値と、１００個の出側シール強度の実測値の平均値とを求めた。
入側シール強度の結果を図６に示す。
上記実施例１〜３において製造した複合シート全てについて、入側シール強度及び出側シール強度を、オフライン測定の一種である破壊検査により実測した。シール強度の測定には引張試験機を用いた。
実施例１〜３それぞれにおいて、１００個の入側シール強度の実測値の平均値と、１００個の出側シール強度の実測値の平均値とを求めた。
入側シール強度の結果を図６に示す。
図６に示す通り、実施例１〜３のいずれにおいても、入側シール強度の品質計測値の平均値と入側シール強度の実測値の平均値との差は０．３Ｎ／１５ｍｍ以内に抑えられ、予測モデルを用いることで入側シール強度を高い精度で推定できることが分かった。
また、パターンロール温度及びアンビルロール温度を比較的高温にして複合シートを製造した実施例１では、入側シール強度を比較的大きい値に保つことができた。一方、実施例２及び３の通り、パターンロール温度及びアンビルロール温度を徐々に低温にすることで、入側シール強度も徐々に小さくできた。このように、パターンロール温度及びアンビルロール温度を操作することで、製造される複合シートの入側シール強度を調節できることが分かった。
また、パターンロール温度及びアンビルロール温度を比較的高温にして複合シートを製造した実施例１では、入側シール強度を比較的大きい値に保つことができた。一方、実施例２及び３の通り、パターンロール温度及びアンビルロール温度を徐々に低温にすることで、入側シール強度も徐々に小さくできた。このように、パターンロール温度及びアンビルロール温度を操作することで、製造される複合シートの入側シール強度を調節できることが分かった。
１ プロセスデータ
２ 品質データ
３ 品質計測値
４ 制御指令
１１ 製造装置
１２ 品質装置
１３ 製造装置側ＣＰＵ
１４ データ収集ＣＰＵ
１５ 解析サーバ
１６ 抜き取り検査装置
２１ シールユニット
２２ パターンロール
２３ アンビルロール
２４Ａ〜２４Ｅ モーター
２５Ａ〜２５Ｈ コンベア
３１Ａ〜３１Ｃ 厚みセンサ
３２Ａ，３２Ｂ テンションセンサ
３３Ａ〜３３Ｃ 温度センサ
３４Ａ，３４Ｂ シート原反センサ
３５ カメラ
４１ 複合シート
４２，４３ シート
４４，４５ シート原反
６１，９１ プロセスデータ取得工程
６２，９２ 時系列処理工程
６３ データ結合工程
６４ 終了判定工程
７１〜７３ データ解析工程
８１〜８３ 汎化性能確認工程
９３ 品質計測値推定工程
９４ 品質計測値送信工程
９５ 良否判定工程
２ 品質データ
３ 品質計測値
４ 制御指令
１１ 製造装置
１２ 品質装置
１３ 製造装置側ＣＰＵ
１４ データ収集ＣＰＵ
１５ 解析サーバ
１６ 抜き取り検査装置
２１ シールユニット
２２ パターンロール
２３ アンビルロール
２４Ａ〜２４Ｅ モーター
２５Ａ〜２５Ｈ コンベア
３１Ａ〜３１Ｃ 厚みセンサ
３２Ａ，３２Ｂ テンションセンサ
３３Ａ〜３３Ｃ 温度センサ
３４Ａ，３４Ｂ シート原反センサ
３５ カメラ
４１ 複合シート
４２，４３ シート
４４，４５ シート原反
６１，９１ プロセスデータ取得工程
６２，９２ 時系列処理工程
６３ データ結合工程
６４ 終了判定工程
７１〜７３ データ解析工程
８１〜８３ 汎化性能確認工程
９３ 品質計測値推定工程
９４ 品質計測値送信工程
９５ 良否判定工程
Claims (12)
- 複数の製造工程を経て製品を製造する工程における品質計測方法であって、
品質データ及びプロセスデータの間で予測モデルを構築する工程と、
前記予測モデルに基づき、インライン測定により取得する前記プロセスデータから、製造された製品の品質計測値を算出する工程とを有する、品質計測方法。 - 前記予測モデルの構築に実験計画法を利用する、請求項１記載の品質計測方法。
- 前記予測モデルの構築において、予測モデル候補を複数構築し、最も汎化性能が高い予測モデル候補を前記予測モデルとして決定する、請求項１又は２記載の品質計測方法。
- 前記予測モデルの構築において、前記プロセスデータに時系列処理を行う、請求項１〜３のいずれか１項に記載の品質計測方法。
- 前記品質データは、抜き取り検査で計測される、請求項１〜４のいずれか１項に記載の品質計測方法。
- 前記品質計測値の良否判定を行う、請求項１〜５のいずれか１項に記載の品質計測方法。
- 前記品質計測値に基づいて制御指令を行う、請求項１〜６のいずれか１項に記載の品質計測方法。
- 前記製品が複合シートである、請求項１〜７のいずれか１項に記載の品質計測方法。
- 前記プロセスデータがシートテンション若しくはシート厚み、又はこれら両方を含む、請求項１〜８のいずれか１項に記載の品質計測方法。
- 前記品質計測値が、２枚以上のシートを結合した部分のシール強度である、請求項１〜９のいずれか１項に記載の品質計測方法。
- 前記結合が、ヒートシール、超音波シール、レーザー溶着、又はホットメルト接着により行われる、請求項１０記載の品質計測方法。
- 複数の製造工程を経て製品を製造する装置に対して用いられる品質計測装置であって、
前記品質計測装置が解析サーバを有し、
前記解析サーバが品質データ及びプロセスデータの間で予測モデルを構築し、
前記解析サーバが前記予測モデルに基づき、インライン測定により前記プロセスデータから品質計測値を算出する、品質計測装置。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019215774A JP7084907B2 (ja) | 2019-11-28 | 2019-11-28 | 品質計測方法及び品質計測装置 |
| CN202080082342.6A CN114760969B (zh) | 2019-11-28 | 2020-08-20 | 质量测量方法和质量测量装置 |
| PCT/JP2020/031469 WO2021106288A1 (ja) | 2019-11-28 | 2020-08-20 | 品質計測方法及び品質計測装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2019215774A JP7084907B2 (ja) | 2019-11-28 | 2019-11-28 | 品質計測方法及び品質計測装置 |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JP2021086457A true JP2021086457A (ja) | 2021-06-03 |
| JP2021086457A5 JP2021086457A5 (ja) | 2022-04-20 |
| JP7084907B2 JP7084907B2 (ja) | 2022-06-15 |
Family
ID=76087826
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2019215774A Active JP7084907B2 (ja) | 2019-11-28 | 2019-11-28 | 品質計測方法及び品質計測装置 |
Country Status (3)
| Country | Link |
|---|---|
| JP (1) | JP7084907B2 (ja) |
| CN (1) | CN114760969B (ja) |
| WO (1) | WO2021106288A1 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114777714A (zh) * | 2022-03-31 | 2022-07-22 | 广东康怡卫生用品有限公司 | 一种卫生用品厚度测量方法 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7493128B2 (ja) | 2021-08-19 | 2024-05-31 | Ｊｆｅスチール株式会社 | 操業条件提示方法および操業条件提示装置 |
| CN115169745A (zh) * | 2022-08-12 | 2022-10-11 | 芜湖云一新材料科技有限公司 | 生产质量预测方法、系统及计算机可读介质 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08117827A (ja) * | 1994-10-24 | 1996-05-14 | Mitsubishi Electric Corp | 圧延装置 |
| JP2006024195A (ja) * | 2004-06-03 | 2006-01-26 | National Cheng Kung Univ | 生産工程の品質予測システムおよびその方法 |
| JP2006277370A (ja) * | 2005-03-29 | 2006-10-12 | Toshiba Corp | 回路基板の品質解析システム及び品質解析方法 |
| JP2009099745A (ja) * | 2007-10-16 | 2009-05-07 | Toshiba Corp | 半導体装置の生産管理装置及び生産管理方法 |
| JP2011242923A (ja) * | 2010-05-17 | 2011-12-01 | Fuji Electric Co Ltd | モデルの入力変数調整装置 |
| JP2012220978A (ja) * | 2011-04-04 | 2012-11-12 | Sharp Corp | 異常要因特定方法および装置、上記異常要因特定方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体 |
| JP2016538652A (ja) * | 2013-09-03 | 2016-12-08 | ザ プロクター アンド ギャンブル カンパニー | 吸収性製品加工ラインの目標製造パラメータを調整するためのシステム及び方法 |
| JP2018045679A (ja) * | 2016-09-08 | 2018-03-22 | 公立大学法人会津大学 | 携帯端末を用いた察知エージェントシステム、察知エージェントシステムにおける機械学習方法、及びこれを実施するためのプログラム |
| JP2018129030A (ja) * | 2016-11-25 | 2018-08-16 | 花王株式会社 | 製品の製造方法 |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000252179A (ja) * | 1999-03-04 | 2000-09-14 | Hitachi Ltd | 半導体製造プロセス安定化支援システム |
| JP2007258731A (ja) * | 2007-04-23 | 2007-10-04 | Canon System Solutions Inc | プロセスと品質との関係についてのモデル作成装置及びモデル作成方法 |
| US8145338B2 (en) * | 2009-06-02 | 2012-03-27 | The Procter & Gamble Company | Systems and methods for detecting and rejecting defective absorbent articles from a converting line |
| US9110452B2 (en) * | 2011-09-19 | 2015-08-18 | Fisher-Rosemount Systems, Inc. | Inferential process modeling, quality prediction and fault detection using multi-stage data segregation |
| US8732627B2 (en) * | 2012-06-18 | 2014-05-20 | International Business Machines Corporation | Method and apparatus for hierarchical wafer quality predictive modeling |
| GB201512819D0 (en) * | 2015-07-21 | 2015-09-02 | Scaife Martin | Customised fast moving consumer goods production system |
| CN105136449B (zh) * | 2015-08-24 | 2018-05-18 | 哈尔滨工程大学 | 一种基于磨损机理的车用传动装置的磨损随机过程试验预测方法 |
| US10394973B2 (en) * | 2015-12-18 | 2019-08-27 | Fisher-Rosemount Systems, Inc. | Methods and apparatus for using analytical/statistical modeling for continued process verification (CPV) |
| JP6953990B2 (ja) * | 2017-10-17 | 2021-10-27 | 日本製鉄株式会社 | 品質予測装置及び品質予測方法 |
| TWI663569B (zh) * | 2017-11-20 | 2019-06-21 | 財團法人資訊工業策進會 | 多工作站系統的品質預測方法及其系統 |
| CN109472057B (zh) * | 2018-10-16 | 2023-05-23 | 浙江大学 | 基于跨工步隐式参数记忆的产品加工质量预测装置及方法 |
| CN109659933B (zh) * | 2018-12-20 | 2022-03-18 | 浙江工业大学 | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 |
| CN109711714B (zh) * | 2018-12-24 | 2023-01-10 | 浙江大学 | 基于并联长短期记忆网络的制造装配产品质量预测方法 |
| CN109483816A (zh) * | 2018-12-27 | 2019-03-19 | 东莞市誉铭新精密技术股份有限公司 | 一种手机塑料壳体注塑工艺及注塑装置 |
-
2019
- 2019-11-28 JP JP2019215774A patent/JP7084907B2/ja active Active
-
2020
- 2020-08-20 WO PCT/JP2020/031469 patent/WO2021106288A1/ja active Application Filing
- 2020-08-20 CN CN202080082342.6A patent/CN114760969B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08117827A (ja) * | 1994-10-24 | 1996-05-14 | Mitsubishi Electric Corp | 圧延装置 |
| JP2006024195A (ja) * | 2004-06-03 | 2006-01-26 | National Cheng Kung Univ | 生産工程の品質予測システムおよびその方法 |
| JP2006277370A (ja) * | 2005-03-29 | 2006-10-12 | Toshiba Corp | 回路基板の品質解析システム及び品質解析方法 |
| JP2009099745A (ja) * | 2007-10-16 | 2009-05-07 | Toshiba Corp | 半導体装置の生産管理装置及び生産管理方法 |
| JP2011242923A (ja) * | 2010-05-17 | 2011-12-01 | Fuji Electric Co Ltd | モデルの入力変数調整装置 |
| JP2012220978A (ja) * | 2011-04-04 | 2012-11-12 | Sharp Corp | 異常要因特定方法および装置、上記異常要因特定方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体 |
| JP2016538652A (ja) * | 2013-09-03 | 2016-12-08 | ザ プロクター アンド ギャンブル カンパニー | 吸収性製品加工ラインの目標製造パラメータを調整するためのシステム及び方法 |
| JP2018045679A (ja) * | 2016-09-08 | 2018-03-22 | 公立大学法人会津大学 | 携帯端末を用いた察知エージェントシステム、察知エージェントシステムにおける機械学習方法、及びこれを実施するためのプログラム |
| JP2018129030A (ja) * | 2016-11-25 | 2018-08-16 | 花王株式会社 | 製品の製造方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114777714A (zh) * | 2022-03-31 | 2022-07-22 | 广东康怡卫生用品有限公司 | 一种卫生用品厚度测量方法 |
| CN114777714B (zh) * | 2022-03-31 | 2024-03-01 | 广东康怡卫生用品有限公司 | 一种卫生用品厚度测量方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2021106288A1 (ja) | 2021-06-03 |
| CN114760969B (zh) | 2023-04-25 |
| CN114760969A (zh) | 2022-07-15 |
| JP7084907B2 (ja) | 2022-06-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021106288A1 (ja) | 品質計測方法及び品質計測装置 | |
| JP7032018B2 (ja) | 積層造形部品をトポグラフィに基づいて検査し、プロセス制御するための方法およびシステム | |
| US11628502B2 (en) | Method of feedback controlling 3D printing process in real-time and 3D printing system for the same | |
| US12105505B2 (en) | Online monitoring of additive manufacturing using acoustic emission methods | |
| US8920024B2 (en) | Steel plate quality assurance system and equipment thereof | |
| US6600961B2 (en) | Intelligent control method for injection machine | |
| EP2931447A1 (de) | Planheitsmessung und messung der eigenspannungen für ein metallisches flachprodukt | |
| US10095199B2 (en) | Energy consumption predicting device for rolling line | |
| CN115121626B (zh) | 一种基于误差补偿的热轧带钢瞬态热辊型预报方法 | |
| JP7135962B2 (ja) | 鋼板の仕上出側温度制御方法、鋼板の仕上出側温度制御装置、及び鋼板の製造方法 | |
| JP2021086457A5 (ja) | ||
| US20150023387A1 (en) | Steel plate quality assurance system and equipment thereof | |
| KR101877341B1 (ko) | 교정 롤 시스템의 교정 롤 정렬 방법 | |
| Brik et al. | Assessing process capability index using sampling plan in the presence of measurement system errors | |
| CN105642676B (zh) | 一种利用侧导板辊缝值进行宽度模型控制的方法 | |
| JP2022508735A (ja) | 金属ワークピースの製造方法 | |
| TWI504872B (zh) | 紅外線溫度計的校正方法與應用此方法之生產控制系統 | |
| WO2020110201A1 (ja) | 情報処理装置 | |
| CN113780852B (zh) | 一种板带轧制过程质量缺陷的诊断方法 | |
| CN105903768A (zh) | 制钢成套设备的趋势监测装置 | |
| CN104535033B (zh) | 准确测量不同流程产品阻焊厚度的方法和系统 | |
| JP2010214432A (ja) | 厚鋼板の表面温度測定装置及び材質判定方法 | |
| Grishin | Development of intelligent algorithms for the continuous diagnostics and condition monitoring subsystem of the equipment as part of the process control system of a stainless steel pipe production enterprise | |
| JP5577581B2 (ja) | 厚鋼板の温度履歴による材質保証システム | |
| CN117077545B (zh) | 一种基于含硅量控制的钢水流动性优化方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220412 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220412 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220412 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20220524 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220603 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 7084907 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |