JP2022043848A - コンピュータプログラム、不良要因分析方法及び不良要因分析装置 - Google Patents

コンピュータプログラム、不良要因分析方法及び不良要因分析装置 Download PDF

Info

Publication number
JP2022043848A
JP2022043848A JP2020149327A JP2020149327A JP2022043848A JP 2022043848 A JP2022043848 A JP 2022043848A JP 2020149327 A JP2020149327 A JP 2020149327A JP 2020149327 A JP2020149327 A JP 2020149327A JP 2022043848 A JP2022043848 A JP 2022043848A
Authority
JP
Japan
Prior art keywords
data
quality
manufacturing
product
defect
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
JP2020149327A
Other languages
English (en)
Inventor
崇志 八木
Takashi Yagi
匡浩 斎藤
Masahiro Saito
眞 小野
Makoto Ono
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.)
Proterial Ltd
Original Assignee
Hitachi Metals Ltd
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 Hitachi Metals Ltd filed Critical Hitachi Metals Ltd
Priority to JP2020149327A priority Critical patent/JP2022043848A/ja
Publication of JP2022043848A publication Critical patent/JP2022043848A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • General Factory Administration (AREA)

Abstract

【課題】製品の製造に係る製造条件データ又は製造設備の動作を監視して得られる監視データを取得し、機械学習した学習モデルを利用して、任意期間において製品の品質変動要因を定量的かつ迅速に抽出することが可能なコンピュータプログラムを提供する。【解決手段】複数の製造条件データ又は製造設備の動作を監視して得られる複数の監視データを取得するステップと、複数の製造条件データ又は監視データが入力された場合、製造設備にて製造された製品の品質を示す品質データを出力するように学習された学習モデルに、取得した前記複数の製造条件データ又は監視データを入力することによって、製造される製品の品質を予測するステップと、学習モデルから出力される品質データ又は異常スコアデータに対する、複数の製造条件データ又は監視データそれぞれの寄与度を、学習モデルを用いて算出するステップとをコンピュータに実行させる。【選択図】図４

Description

本発明は、コンピュータプログラム、不良要因分析方法及び不良要因分析装置に関する。
各種製品の製造工程において、製品を高品質及び高効率に生産するためには、不良の発生要因を速やかに特定し、製造工程を正常な状態に復帰させることが重要である。
不良の発生要因を特定するために、製造現場では大量の製造データに基づく統計的な分析手法が広く用いられている。例えば、１か月間の製造データを解析して、その平均的な品質変動要因を抽出することが行われている。
統計的な分析技術に関して、特許文献１には、一定期間に製造される相当数の製品について、目的変数である製品単位毎の評価量を収集し、収集された評価量に対して、相加平均又は重回帰分析を用いて、説明変数である各部品ロットの寄与度を算出することにより不良の発生要因を抽出する品質管理方法が開示されている。
特開２０１５－４５９４２号公報
しかしながら、特許文献１に開示された品質管理方法においては、製品の評価量を収集する期間を短くした場合、評価量のデータが不足し、不良の要因を特定することができない。つまり、製造データから不良の発生要因を速やかに特定することができないという問題がある。
本発明の目的は、製品の製造に係る製造条件データ又は製造設備の動作を監視して得られる監視データを取得し、機械学習した学習モデルを利用して、任意期間において製品の品質変動要因を定量的かつ迅速に抽出することが可能なコンピュータプログラム、不良要因分析方法及び不良要因分析装置を提供することにある。
本態様に係るコンピュータプログラムは、製造設備を用いた製品の製造に係る複数の製造条件データ又は該製造設備の動作を監視して得られる複数の監視データのうち少なくとも一方を取得するステップと、前記複数の製造条件データ又は監視データが入力された場合、前記製造設備にて製造される製品の品質不良を示す品質データ又は製品若しくは前記製造設備の異常の有無を示す異常スコアデータを出力するように学習された学習モデルに、取得した前記複数の製造条件データ又は監視データを入力することによって、製造される製品の品質不良又は製品若しくは前記製造設備の異常を予測するステップと、前記学習モデルから出力される前記品質データ又は前記異常スコアデータに対する、前記複数の製造条件データ又は監視データそれぞれの寄与度を、前記学習モデルを用いて算出するステップとをコンピュータに実行させる。
本態様に係る不良要因分析方法は、製造設備を用いた製品の製造に係る複数の製造条件データ又は該製造設備の動作を監視して得られる複数の監視データを取得するステップと、前記複数の製造条件データ又は監視データが入力された場合、前記製造設備にて製造される製品の品質不良を示す品質データ又は製品若しくは前記製造設備の異常の有無を示す異常スコアデータを出力するように学習された学習モデルに、取得した前記複数の製造条件データ又は監視データを入力することによって、製造される製品の品質不良又は製品若しくは前記製造設備の異常を予測するステップと、前記学習モデルから出力される前記品質データ又は前記異常スコアデータに対する、前記複数の製造条件データ又は監視データそれぞれの寄与度を、前記学習モデルを用いて算出するステップとを備える。
本態様に係る不良要因分析装置は、製造設備を用いた製品の製造に係る複数の製造条件データ又は該製造設備の動作を監視して得られる複数の監視データを取得する取得部と、前記複数の製造条件データ又は監視データが入力された場合、前記製造設備にて製造される製品の品質不良を示す品質データ又は製品若しくは前記製造設備の異常の有無を示す異常スコアデータを出力するように学習された学習モデルと、前記学習モデルに、取得した前記複数の製造条件データ又は監視データを入力することによって、製造される製品の品質不良又は製品若しくは前記製造設備の異常を予測する演算部とを備え、更に、前記演算部は、前記学習モデルから出力される前記品質データ又は前記異常スコアデータに対する、前記複数の製造条件データ又は監視データそれぞれの寄与度を、前記学習モデルを用いて算出する。
上記によれば、製品の製造に係る製造条件データ又は製造設備の動作を監視して得られる監視データを取得し、機械学習した学習モデルを利用して、任意期間において製品の品質変動要因を定量的かつ迅速に抽出することができる。
実施形態１に係る不良要因分析システムの構成例を示す説明図である。 実施形態１に係る品質予測モデルを示す概念図である。 実施形態１に係る品質予測モデルの生成処理手順を示すフローチャートである。 実施形態１に係る不良要因分析装置の処理手順を示すフローチャートである。 寄与度を示す概念図である。 実施形態１に係る要因分析処理の手順を示すフローチャートである。 要因分析画面の一例を示す模式図である。 不良発生状況棒グラフの一例を示す模式図である。 要因分析チャートの一例を示す模式図である。 寄与度チャートの一例を示す模式図である。 変形例に係る要因分析画面の一例を示す模式図である。 実施形態２に係る不良要因分析システムの構成例を示す説明図である。 実施形態２に係る異常検知モデルを示す概念図である。 実施形態２に係る異常検知モデルの生成処理手順を示すフローチャートである。 実施形態２に係る不良要因分析装置の処理手順を示すフローチャートである。 実施形態２に係る要因分析処理の手順を示すフローチャートである。 異常スコアチャートの一例を示す模式図である。 要因抽出結果棒グラフの一例を示す模式図である。 主要因の実測データチャートの一例を示す模式図である。
本開示の実施形態に係るコンピュータプログラム、不良要因分析方法及び不良要因分析装置を、以下に図面を参照しつつ説明する。なお、本開示はこれらの例示に限定されるものではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味及び範囲内でのすべての変更が含まれることが意図される。また、以下に記載する実施形態の少なくとも一部を任意に組み合わせてもよい。
図１は、実施形態１に係る不良要因分析システムの構成例を示す説明図である。不良要因分析システムは、本実施形態１に係る不良要因分析装置１と、製造設備４とを含む。
製造設備４は、磁石製品等の製品Ｐを製造する装置である。製造設備４には、製品Ｐの製造に係る複数の製造条件データが設定される。また、製造設備４には、当該製造設備４の動作を監視する監視装置４１が設けられている。製造設備４は、複数の製造条件データと、製造設備４の動作を監視して得られる複数の監視データとを不良要因分析装置１へ出力する。製造設備４は、常時、リアルタイムで製造条件データ及び監視データを不良要因分析装置１へ出力するように構成するとよい。
不良要因分析装置１は、製造設備４から出力された複数の製造条件データ及び監視データを取得し、後述の品質予測モデル２を利用して製品Ｐの品質不良の要因を分析する装置である。
不良要因分析装置１は、パーソナルコンピュータ又はサーバ装置等のコンピュータである。不良要因分析装置１は、演算部１１と、メモリ１２と、記憶部１３と、操作部１４と、表示部１５と、取得部１６とを備える。なお、不良要因分析装置１は、複数のコンピュータを含んで構成されるマルチコンピュータであってよい。また。サーバクライアントシステムや、クラウドサーバ、ソフトウェアによって仮想的に構築された仮想マシンであってもよい。以下の説明では、不良要因分析装置１が１台のコンピュータであるものとして説明する。
演算部１１は、例えばＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro-Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＧＰＧＰＵ（General-purpose computing on graphics processing units）、ＴＰＵ（Tensor Processing Unit）等の演算処理装置である。なお、演算部１１は、量子コンピュータを用いて構成してもよい。演算部１１は、記憶部１３に記憶されたコンピュータプログラム１３１を読み出して実行することにより、製品Ｐの品質を予測し、不良要因を分析する等、本実施形態１に係る不良要因分析方法を実施する。
メモリ１２は、例えばＤＲＡＭ（Dynamic RAM）、ＳＲＡＭ（Static RAM）等の揮発性メモリであり、演算部１１の演算処理を実行する際に記憶部１３から読み出されたコンピュータプログラム１３１、又は演算部１１の演算処理によって生ずる各種データを一時記憶する。
記憶部１３は、例えば、ハードディスク、ＥＥＰＲＯＭ（Electrically Erasable Programmable ROM）、フラッシュメモリ等の記憶装置である。記憶部１３は、演算部１１が実行する各種のプログラム、及び、演算部１１の処理に必要な各種のデータを記憶する。本実施形態１において記憶部１３は、演算部１１が実行するコンピュータプログラム１３１と、製品Ｐの品質を予測すると共に品質不良の要因を分析するための品質予測モデル２とを記憶する。また、記憶部１３は、品質予測モデル２を生成するためのデータセットを記憶するデータベース３として機能する。
コンピュータプログラム１３１は、例えば記録媒体１０にコンピュータ読み取り可能に記録されている。記憶部１３は、図示しない読出装置によって記録媒体１０から読み出されたコンピュータプログラム１３１を記憶する。記録媒体１０はフラッシュメモリ等の半導体メモリ、光ディスク、磁気ディスク、磁気光ディスク等である。また、コンピュータプログラム１３１は、不良要因分析装置１の製造段階において記憶部１３が記憶する態様でもよい。更に、通信網に接続されている図示しない外部サーバから本実施形態１に係るコンピュータプログラム１３１をダウンロードし、記憶部１３に記憶させる態様であってもよい。
操作部１４は、ユーザからの操作を受け付ける入力装置である。入力装置は、例えばキーボード又はポインティングデバイスである。
表示部１５は、不良要因の分析結果を出力する出力装置である。出力装置は、例えば液晶ディスプレイ又はＥＬディスプレイである。
取得部１６は、製造設備４から出力される製造条件データ及び監視データを取得するインタフェースである。
図２は、実施形態１に係る品質予測モデル２を示す概念図である。品質予測モデル２は、複数の製造条件データ及び監視データが入力された場合、製造設備４にて製造される製品Ｐの品質不良を示す品質データを出力するように学習された学習モデル、例えばランダムフォレスト回帰モデルを備える。本実施形態１に係る品質予測モデル２は、複数のランダムフォレスト回帰モデルを備え、各ランダムフォレスト回帰モデルは、異なる種類の品質不良を示す品質データをそれぞれ出力するように構成されている。
製造条件データ及び監視データは、例えばガス流量、空気流量、ガス圧力、炉内温度、排ガス流量、ガス温度、酸素濃度等の製品Ｐの原料工程に係るデータ、スラリー粒度、成分比、収縮比等の原料検査に係るデータ、スラリー濃度、スラリー注入圧、スラリー逆流圧、着磁電流、脱磁電流、成形圧、浮動圧、充填深さ等の成形工程に係るデータ、炉内温度等の焼結工程に係るデータ、冷却水流量、冷却水温度、砥石モータ電流、砥石回転速度等の加工工程に係るデータである。
以下、品質予測モデル２に入力される製造条件データ及び監視データが示す数量を適宜、特徴量と呼ぶ。
品質データは、例えば、製品Ｐの特性を示すデータである。より具体的には、品質データは、不良率、亀裂率、加工不良率、欠け率、黒皮率、漏れ率、ピンホール率の外観検査結果を示すデータ、品質不良に係る磁束密度、保磁力等の磁気特性を示すデータ、寸法検査によって得られる製品Ｐの任意箇所の寸法等を示すデータである。
以下、これらの品質不良等を示す値を品質予測値と呼ぶ。複数の品質データは、それぞれ製品Ｐの異なる品質予測値を含む。
演算部１１は、このように構成された品質予測モデル２から出力される複数の品質データに基づいて、製造設備４にて製造される製品Ｐの品質不良を予測することができる。また、後述するように、演算部１１は、品質予測モデル２を用いて、品質不良の品質予測値に対する製造条件データ及び監視データの寄与度を算出することができる。
ここで、寄与度とは、複数の製造条件データ及び監視データの各々が、品質不良の品質予測値に与える影響の程度を数値で表現したものである。
なお、ランダムフォレスト回帰モデルは、品質予測モデル２の一例であり、ＣＮＮ（Convolution Neural Network）、ＲＮＮ（Recurrent Neural Network）、ＬＳＴＭ（Long short-term memory）等のニューラルネットワークモデル、ＳＶＭ（Ｓupport Vector Machine）、ベイジアンネットワーク、又は、回帰木等の構成の学習モデルを用いて、品質予測モデル２を構成してもよい。また、品質予測モデル２は、複数の機械学習モデルを組み合わせて構成してもよいし、一つの機械学習モデルで構成してもよい。
図３は、実施形態１に係る品質予測モデル２の生成処理手順を示すフローチャートである。ここでは、不良要因分析装置１が品質予測モデル２を生成する例を説明する。まず、不良要因検出装置は、製造設備４を用いた製品Ｐの製造に用いられ又は検出された製造条件データ及び監視データと、実際に製造された製品Ｐの品質不良を示す品質データとを収集し、収集したデータをデータベース３に記憶する（ステップＳ１１１）。次いで、演算部１１は、製造条件データ及び監視データに対して教師データとして品質データを付与したデータセットを作成し、データベース３に記憶する（ステップＳ１１２）。
次いで、演算部１１は、ステップＳ１１２で作成したデータセットを用いて品質予測モデル２を生成する（ステップＳ１１３）。具体的には、演算部１１は、データセットの製造条件データ及び監視データが学習前モデルに入力された場合に、当該学習前モデルから出力される値と、教師データである品質データの品質予測値とが同一とが近づくように、学習前モデルを構成する各種係数を最適化する。
そして、演算部１１は、ステップＳ１１３の処理で学習された品質予測モデル２に、品質データに対する製造条件データ及び監視データの寄与度を演算するためのＳＨＡＰ演算機能を適用し（ステップＳ１１４）、処理を終える。
以上の処理により品質予測モデル２を生成することができる。なお、上記の例では、不良要因分析装置１が品質予測モデル２を生成する例を説明したが、他のコンピュータで品質予測モデル２を生成し、生成された品質予測モデル２を規定する各種パラメータを不良要因分析装置１の記憶部１３に記憶させるようにしてもよい。
図４は、実施形態１に係る不良要因分析装置１の処理手順を示すフローチャートである。演算部１１は、製造設備４から出力される製造条件データ及び監視データを取得部１６にて取得する（ステップＳ１３１）。演算部１１は、取得部１６にて取得した製造条件データ及び監視データを品質予測モデル２に入力し、品質予測モデル２に基づく演算処理を実行することによって、製品Ｐの品質予測値を演算する（ステップＳ１３２）。
次いで、演算部１１は、品質予測モデル２を用いて、品質予測値に対する各製造条件データ及び監視データの寄与度を算出する（ステップＳ１３３）。寄与度は、例えば品質予測モデル２を用いて算出することができるＳＨＡＰ値である。ＳＨＡＰ値は、複数の製造条件データ及び監視データを品質予測モデル２に入力して算出される品質予測値と、当該複数の製造条件データ及び監視データのうち一の製造条件データ又は監視データが無かった場合、又はゼロとして品質予測モデル２に入力して算出される品質予測値との差分に相当する値である。より具体的には、ＳＨＡＰ値は下記式で表される。
Figure 2022043848000002
なお、演算部１１は、例えば、ロット又は個体番号毎に品質予測値と、その品質予測値に対するＳＨＡＰ値を算出することも可能である。言い換えると、演算部１１は、任意の期間毎に品質予測値と、その品質予測値に対するＳＨＡＰ値を算出可能である。
なお、ＳＨＡＰ値はＸＡＩ（Explainable AI）において算出される数値の一例であり、ＬＩＭＥ(Local Interpretable Model-agnostic Explainations)などのＸＡＩを用いて寄与度を算出してもよい。
図５は、寄与度を示す概念図である。横軸は品質予測値を示す。φ０は平均品質予測値を示し、φ１～φ３は３つの特徴量の品質予測値に対するＳＨＡＰ値を示している。φ１及びφ２は正の値、φ３は負の値である。品質予測値は、平均品質予測値に全ＳＨＡＰ値を加算した値であり、下記式（２）で表される。
品質予測値ｆ（χ）＝φ０＋φ１＋φ２＋φ３…（２）
図６は、実施形態１に係る要因分析処理の手順を示すフローチャート、図７は、要因分析画面５の一例を示す模式図である。要因分析処理装置の演算部１１は、以下に説明する要因分析処理を実行することにより、品質予測値に対する製造条件データ及び監視データそれぞれの寄与度に基づいて、品質データが示す品質不良の要因を分析するための要因分析データを作成する。要因分析データは、例えば図７に示すような要因分析画面５を表示部１５に表示するためのデータであり、演算部１１は、要因分析データに基づいて、要因分析画面５を表示部１５に表示する。
要因分析画面５は、不良要因の分析及び分析結果の表示を行う期間の設定内容を示す分析期間表示部５１（図７左上）と、不良発生状況棒グラフ表示部５２（図８参照）と、要因分析チャート表示部５３（図９参照）と、寄与度表示部５４（図１０参照）とを含む。各部の表示内容の詳細は後述する。
なお、図７～図１０では、任意期間における不良要因を日単位で分析及び表示する例を説明するが、分析単位及び分析範囲は特に限定されるものでは無く、製品Ｐの固体識別番号単位、つまり個々の製品Ｐ単位で不良要因を分析及び表示するように構成してもよい。
まず演算部１１は、分析期間表示部５１を表示し、操作部１４を介して、不良要因の分析期間の設定を受け付ける（ステップＳ１５１）。
分析期間表示部５１は、図７に示すように、タイムラインバー５１ａと、スライダ５１ｂ、始期表示部５１ｃ、終期表示部５１ｄとを含む。タイムラインバー５１ａは、不良要因の分析が可能な期間を示している。スライダ５１ｂは、タイムラインバー５１ａに沿って移動し、不要要因の分析期間を設定するための操作アイコンである。なお、演算部１１は、分析期間表示部５１を初期表示する際、標準値として、例えば現在を起点に１か月、２か月等の所定分析期間を初期設定すればよい。ユーザは、表示されたスライダ５１ｂをタイムラインバー５１ａに沿って左右へ移動させることによって、不良要因の分析期間を入力することができる。始期表示部５１ｃには、一方のスライダ５１ｂによって設定された上記分析期間の始期が表示される。終期表示部５１ｄには、他方のスライダ５１ｂによって設定された上記分析期間の終期が表示される。
また、分析期間表示部５１は、上記分析期間の始期及び終期をカレンダから入力するためのカレンダアイコン５１ｅ、５１ｆを含む。ユーザによってカレンダアイコン５１ｅ、５１ｆが操作せれた場合、演算部１１は、カレンダを表示し、上記分析期間の始期又は終期を受け付ける。
以上の通り、ユーザは、スライダ５１ｂ又はカレンダを用いて、不良要因の分析を行う分析期間を設定することができる。
次いで、演算部１１は、複数の品質予測値の総和及び各品質予測値の経時変化を示すグラフデータを示す不良発生状況棒グラフを作成し（ステップＳ１５２）、作成した不良発生状況棒グラフを表示部１５に表示する（ステップＳ１５３）。
図８は、不良発生状況棒グラフの一例を示す模式図である。不良発生状況棒グラフの横軸は時間を示し、縦軸は不良発生状況を示している。不良発生状況は各日付の製造条件データ及び監視データを品質予測モデル２に入力することによって演算される、複数種類の品質不良それぞれの品質予測値を示している。図８に示す例では、１月２９日～２月４日、７日にわたる不良発生状況が棒グラフで表示されている。各日の棒グラフは、複数種類の品質不良の品質予測値と共に、品質予測値の総和を積み上げ棒グラフによって表示している。図８に示す例では、４種類の品質不良として、「品質不良Ａ」、「品質不良Ｂ」、「品質不良Ｃ」及び「品質不良Ｄ」の品質予測値が積み上げ棒グラフで表示されている。
演算部１１は、不良発生状況棒グラフに表示された複数の品質のうち、分析対象とする品質不良の選択を受け付ける（ステップＳ１５４）。ユーザは、不良発生状況棒グラフに示される各品質不良のバー部分を選択操作することができる。例えば、ユーザは、品質不良のバー部分をクリックすることによって、特定の品質不良を選択することができる。演算部１１は、操作部１４を介して、ユーザによる品質不良の選択を受け付ける。
そして演算部１１は、選択された分析対象の品質予測値に対する各特徴量それぞれの寄与度の経時変化を示す要因分析チャートを作成し（ステップＳ１５５）、作成した要因分析チャートを表示部１５に表示する（ステップＳ１５６）。
図９は、要因分析チャートの一例を示す模式図である。要因分析チャートの横軸は時間を示し、縦軸は品質不良の品質予測値に対する各特徴量それぞれの寄与度を示している。各日の棒グラフは、品質不良の品質予測値に対する複数の特徴量の寄与度と共に、寄与度の総和を積み上げ棒グラフで表示している。図９に示す例では、４つの特徴量、「特徴量ａ」、「特徴量ｂ」、「特徴量ｃ」、「特徴量ｄ」に係る寄与度が積み上げ棒グラフで表示されている。
演算部１１は、要因分析チャートに表示された複数の寄与度のうち、分析対象とする一の特徴量の選択を受け付ける（ステップＳ１５７）。そして、演算部１１は、選択された特徴量と、品質予測値に対する当該特徴量の寄与度の経時変化を示す寄与度チャートを作成し（ステップＳ１５８）、作成した寄与度チャートを表示部１５に表示する（ステップＳ１５９）。
図１０は、寄与度チャートの一例を示す模式図である。寄与度チャートの横軸は時間を示し、縦軸はステップＳ１５７で受け付けた特徴量と、当該特徴量の品質不良への寄与度とを示している。特徴量は折れ線グラフで表示され、寄与度は棒グラフで表示されている。
次いで、演算部１１は要因分析を終了するか否かを判定する（ステップＳ１６０）。ユーザは操作部１４を操作することによって、要因分析処理の終了操作を行うことができる。演算部１１は、操作部１４を解して終了操作を受け付けた場合、要因分析を終了すると判定する。分析を終了しないと判定した場合（ステップＳ１６０：ＮＯ）、演算部１１は処理をステップＳ１５１へ戻す。分析処理を終了すると判定した場合（ステップＳ１６０：ＹＥＳ）、演算部１１は、本実施形態１に係る要因分析処理を終了する。
以上の処理により、不良要因分析装置１は品質不良の要因を分析するための要因分析画面５を表示部１５に表示することができる。ユーザは要因分析画面５に含まれる不良発生状況棒グラフ、要因分析チャート及び寄与度チャートの内容を確認することによって、製品Ｐの品質不良の要因、つまり品質予測値に対する特徴量（製造条件データ及び監視データ）の寄与度を特定することができる。ユーザは、品質不良への寄与度が大きい製造条件データ及び監視データが適正値になるように修正することによって、製造設備４を正常な状態に修正及び復帰させることができる。
本実施形態１に係る不良要因分析装置１によれば、製品Ｐの製造に係る製造条件データ又は製造設備４の動作を監視して得られる監視データを取得し、機械学習した品質予測モデル２を利用し、任意期間において製品Ｐの品質変動要因を定量的かつ迅速に抽出することができる。
具体的には、不良要因分析装置１は、品質不良の要因を分析するための要因分析データを演算し、要因分析画面５を表示することができる。
また、不良要因分析装置１は、不良発生状況棒グラフを表示部１５に表示することができる。ユーザは、不良発生状況棒グラフを参照することによって、製品Ｐに生じ得る複数の品質不良それぞれの品質予測値を日単位で確認することができる。
不良要因分析装置１は、要因分析チャートを表示部１５に表示することができる。ユーザは、要因分析チャートを参照することにより、選択した品質不良に対する複数の製造条件データ及び監視データの寄与度を日単位で確認することができる。
不良要因分析装置１は、寄与度チャートを表示部１５に表示することができる。ユーザは、寄与度チャートを参照することにより、選択した特徴量及び当該特徴量の品質不良に対する寄与度の経時変化を確認することができる。
（変形例）
図１１は、変形例に係る要因分析画面５の一例を示す模式図である。変形例１に係る要因分析画面５は、実施形態１と同様の分析期間表示部５１及び不良発生状況棒グラフ表示部５２と、品質不良の品質予測値グラフ（図１１Ａ）と、寄与度チャート（図１１Ｂ）とを含む。
図１１Ａは、品質予測値グラフの一例を示す模式図である。品質予測値グラフの横軸は時間を示し、縦軸は一の品質不良の品質予測値を示している。
図１１Ｂ上図は、要因分析チャートの一例を示す模式図である。要因分析チャートの横軸は時間を示し、品質不良の品質予測値に対する各特徴量の寄与度を示している。要因分析チャートの詳細は実施形態１に係る要因分析チャートと同様である。
図１１Ｂ下図は、複数の特徴量の寄与度を成分とするベクトルをクラスタリングすることによって得られるマップの一例を示す模式図である。不良要因分析装置１は、所定期間、例えば設定された分析期間にわたって得られるベクトルをクラスタリングする。当該ベクトルは、１日単位、ロット単位、又は製品単位で算出された品質予測値に対する複数の特徴量の寄与度を成分とするベクトルである。
図１１Ｂに示す例では日単位で算出されたベクトルのクラスタリング処理により、２５日～２８日の品質不良が第１のクラスにクラスタリングされ、１日から３日の品質不良が第２のクラスにクラスタリングされている。
クラスタリングにより、ユーザは、直近の変動傾向を分析することが可能となり、直近の変動傾向を分析することによって、要因抽出精度、ユーザの確信度が向上する。例えば、ユーザは、同一クラスに属する品質不良は同様の品質不良要因を有し、同様の対応により品質不良を解消することができることを認識することができる。具体的には、第１のクラスに属する品質不良は、砥石電流を改善することによって品質が改善される品質不良であり、第２のクラスは炉内温度を改善することによって品質が改善される品質不良である。
不良要因分析装置１は、必ずしも各クラスに属する品質不良の要因及び改善方法を提示する必要はなく、クラスタリング結果を表示するのみで足りる。ユーザは、通常、品質不良のおおよその要因及び改善方法を認識しているため、図１１Ｂに示すような要因分析チャートと、クラスタリング結果を参照することによって、各日の品質不良の要因と品質の改善方法を理解することができる。
もちろん、不良要因分析装置１は、各クラスに属する不良の要因及び改善方法を示す情報を記憶するように構成してもよい。不良要因分析装置１の演算部１１は、複数の特徴量の寄与度に基づくクラスタリング処理によって、当該寄与度を有する品質不良が属するクラスを特定し、当該クラスに対応付けられた品質不良の主要因及び改善方法を表示すればよい。
また、不良要因分析装置１は、各クラスに属する不良の要因、製造設備４の動作を改善させるための補正情報、つまり製造条件を補正するための補正情報を記憶部１３に記憶するように構成してもよい。当該補正情報は、寄与度に基づいて、製造設備の４動作を制御するための情報の一例である。不良要因分析装置１は、クラスタリング結果を用いることにより、製造設備４の動作をフィードバック制御又はフィードフォワード制御することができる。例えば、不良要因分析装置１の演算部１１は、複数の特徴量の寄与度に基づくクラスタリング処理によって、当該寄与度を有する品質不良が属するクラスを特定し、当該クラスに対応付けられた補正情報を記憶部１３から読み出し、読み出された補正情報を製造設備４へ出力する。製造設備４は、不良要因分析装置１から出力された補正情報に基づいて、製造条件を補正する。
より具体的には、記憶部１３は、成形工程における亀裂率や欠け率のクラスと、浮動圧の補正情報とを対応付けて記憶している。演算部１１は、クラスタリング結果に基づいて、成形工程における品質不良が属するクラスが亀裂率や欠け率のクラスであると判定した場合、浮動圧を補正するための補正情報を製造設備４へ出力する。製造設備４は、成形工程において、浮動圧を変更、つまり浮動圧を正常範囲内に戻すことによって、亀裂率や欠け率を改善させることができる。
また、記憶部１３は、焼結工程における亀裂率や欠け率のクラスと、炉内温度の補正情報とを対応付けて記憶している。演算部１１は、クラスタリング結果に基づいて、焼結工程における品質不良が属するクラスが亀裂率や欠け率のクラスであると判定した場合、炉内温度を補正するための補正情報を製造設備４へ出力する。製造設備４は、焼結工程において、炉内温度を変更、つまり炉内温度を正常範囲内に戻すことによって、亀裂率や欠け率を改善させることができる。これは、膨張率が設計基準に戻るためである。
更に、また、記憶部１３は、加工工程における亀裂率や欠け率のクラスと、砥石モータ電流を低下させる補正情報、即ち砥石交換の指示情報とを対応付けて記憶している。
演算部１１は、クラスタリング結果に基づいて、加工工程における品質不良が属するクラスが亀裂率や欠け率のクラスであると判定した場合、砥石交換の指示情報を出力する。砥石交換により、亀裂率や欠け率を改善させることができる。
変形例に係る不良要因分析装置１によれば、製品Ｐの品質変動要因を特定し、品質不良の傾向をクラスタリング分析によって表示することができる。
（実施形態２）
実施形態２に係る不良要因分析装置２０１は、教師なし学習により生成した異常検知モデル２０２を用いて、製品異常の要因を分析する点が実施形態１と異なる。その他の構成は実施形態１に係る不良要因分析装置１と同様であるため、同様の箇所には同じ符号を付し、詳細な説明を省略する。
図１２は、実施形態２に係る不良要因分析システムの構成例を示す説明図である。不良要因分析システムは、本実施形態２に係る不良要因分析装置２０１と、製造設備４とを含む。不良要因分析装置２０１は、製造設備４から出力された複数の製造条件データ及び監視データを取得し、後述の異常検知モデル２０２を利用して製品Ｐの品質不良の要因を分析する装置である。
不良要因分析装置２０１は、パーソナルコンピュータ又はサーバ装置等のコンピュータである。不良要因分析装置２０１は、実施形態１と同様、演算部１１と、メモリ１２と、記憶部１３と、操作部１４と、表示部１５と、取得部１６とを備える。
演算部１１は、記憶部１３に記憶されたコンピュータプログラム２３１を読み出して実行することにより、製品Ｐ又は製造設備４の異常を検知し、不良要因を分析する等、本実施形態２に係る不良要因分析方法を実施する。本実施形態２において記憶部１３は、演算部１１が実行するコンピュータプログラム２３１と、製品Ｐ又は製造設備４の異常の有無を判定すると共に品質不良の要因を分析するための異常検知モデル２０２とを記憶する。
図１３は、実施形態２に係る異常検知モデル２０２を示す概念図である。異常検知モデル２０２は、複数の製造条件データ及び監視データが入力された場合、製造設備４にて製造された製品Ｐ又は製造設備４の異常の有無を示す異常スコアデータを出力するように学習された学習モデル、例えばＯｎｅ－Ｃｌａｓｓサポートベクタマシンである。演算部１１は、異常検知モデル２０２から出力される異常スコアデータに基づいて、製造設備４にて製造される製品Ｐ又は製造設備４の異常の有無を判定することができる。また、後述するように、演算部１１は、異常検知モデル２０２を用いて、製品Ｐ又は製造設備４の異常スコアに対する製造条件データ及び監視データの寄与度を算出することができる。
図１４は、実施形態２に係る異常検知モデル２０２の生成処理手順を示すフローチャートである。ここでは、不良要因分析装置２０１が異常検知モデル２０２を生成する例を説明する。まず、不良要因検出装置は、正常な製品Ｐが製造されている状態において、製造設備４を用いた製品Ｐの製造に用いられ又は検出された製造条件データ及び監視データを収集し、収集したデータをデータベース３に記憶する（ステップＳ２１１）。
次いで、演算部１１は、ステップＳ２１１で収集されたデータセットを用いて異常検知モデル２０２を生成する（ステップＳ２１２）。具体的には、演算部１１は、データセットの製造条件データ及び監視データが学習前モデルに入力された場合に、製品Ｐ又は製造設備４が正常であることを示す所定の異常スコアが出力されるように、学習前モデルを構成する各種係数を最適化する。所定の異常スコアは、例えば原点（ゼロ点）又は原点から離れた負のスコア値である。このように学習して得た異常検知モデル２０２に、製品Ｐの品質に異常を来す可能性がある製造条件データ及び監視データが入力された場合、上記所定の異常スコアと異なる値の異常スコア、例えば正のスコア値が出力されるようになる。なお、負の異常スコアが製品Ｐ又は製造設備４の異常クラス、正の異常スコアが製品Ｐ又は正常設備４の正常クラスになるように構成してもよい。異常スコアの値が意味するクラスは、ユーザ又は設計の便宜を考慮し、適宜変換して出力すればよい。
そして、演算部１１は、ステップＳ２１２の処理で学習された異常検知モデル２０２に、異常スコアデータに対する製造条件データ及び監視データの寄与度を演算するためのＳＨＡＰ演算機能を適用し（ステップＳ２１３）、処理を終える。
以上の処理により異常検知モデル２０２を生成することができる。なお、上記の例では、不良要因分析装置２０１が異常検知モデル２０２を生成する例を説明したが、他のコンピュータで異常検知モデル２０２を生成し、生成された異常検知モデル２０２を規定する各種パラメータを不良要因分析装置２０１の記憶部１３に記憶させるようにしてもよい。
図１５は、実施形態２に係る不良要因分析装置２０１の処理手順を示すフローチャートである。演算部１１は、製造設備４から出力される製造条件データ及び監視データを取得部１６にて取得する（ステップＳ２３１）。演算部１１は、取得部１６にて出力した製造条件データ及び監視データを異常検知モデル２０２に入力し、異常検知モデル２０２に基づく演算処理を実行することによって、製品Ｐ又は製造設備４の異常スコアを演算する（ステップＳ２３２）。
次いで、演算部１１は、異常検知モデル２０２を用いて、異常スコアに対する各製造条件データ及び監視データの寄与度を算出する（ステップＳ２３３）。寄与度は、例えば異常検知モデル２０２を用いて算出することができるＳＨＡＰ値である
なお、ＳＨＡＰ値はＸＡＩ（Explainable AI）において算出される数値の一例であり、ＬＩＭＥ(Local Interpretable Model-agnostic Explainations)などのＸＡＩを用いて寄与度を算出してもよい。
図１６は、実施形態２に係る要因分析処理の手順を示すフローチャートである。要因分析処理装置の演算部１１は、以下に説明する要因分析処理を実行することにより、製造条件データ又は監視データの寄与度に基づいて、製品異常の要因を分析するための要因分析データを作成する。
演算部１１は、異常検知モデル２０２から出力される異常スコアデータに基づいて、異常スコアチャートを作成する（ステップＳ１５１）。
図１７は、異常スコアチャートの一例を示す模式図である。横軸は時間、縦軸は異常スコアを示している。図１７中、ゼロ未満の異常スコアは、製品Ｐ又は製造設備４が正常であることを示し、ゼロ以上の異常スコアは、製品Ｐ又は製造設備４が異常であることを示している。
次いで、演算部１１は、算出されたゼロ以上の異常スコアに対する各特徴量の寄与度に基づいて、要因抽出結果棒グラフを作成する（ステップＳ１５２）。
図１８は、要因抽出結果棒グラフの一例を示す模式図である。横軸は、複数の特徴量を示し、縦軸は各特徴量の異常スコアに対する寄与度の大きさを示している。図１８に示す例では、「特徴量ａ」～「特徴量ｉ」それぞれの異常スコアに対する寄与度が算出され、棒グラフとして表示されている。
次いで、演算部１１は、複数の特徴量のうち、異常スコアに対する寄与度が最も大きい主要因を特定する（ステップＳ１５３）。そして、演算部１１は、特定された主要因である特徴量の実測データチャートを作成する（ステップＳ１５４）。
図１９は、主要因の実測データチャートの一例を示す模式図である。横軸は時間、縦軸は、ステップＳ１５４で特定された主要因である特徴量の実測値を示している。
次いで、演算部１１は、作成された異常スコアチャートと、要因抽出結果棒グラフと、主要因の実測データチャートとを表示部１５に表示し（ステップＳ１５５）、処理を終える。
実施形態２によれば、教師無し学習により異常検知モデル２０２を作成し、製品Ｐに異常が生ずる可能性があるとき、異常の要因を示す要因抽出結果棒グラフを表示することができる。ユーザは、要因抽出結果棒グラフを確認することによって、製品Ｐ又は製造設備４の異常の要因、品質不良への寄与度が大きい特徴量を特定することができる。
１，２０１ 不良要因分析装置
２ 品質予測モデル
３ データベース
４ 製造設備
５ 要因分析画面
１０ 記録媒体
１１ 演算部
１２ メモリ
１３ 記憶部
１４ 操作部
１５ 表示部
１６ 取得部
４１ 監視装置
５１ 分析期間表示部
５２ 不良発生状況棒グラフ表示部
５３ 要因分析チャート表示部
５４ 寄与度表示部
１３１，２３１ コンピュータプログラム
２０２ 異常検知モデル
Ｐ 製品

Claims (13)

  1. 製造設備を用いた製品の製造に係る複数の製造条件データ又は該製造設備の動作を監視して得られる複数の監視データのうち少なくとも一方を取得するステップと、
    前記複数の製造条件データ又は監視データが入力された場合、前記製造設備にて製造される製品の品質不良を示す品質データ又は製品若しくは前記製造設備の異常の有無を示す異常スコアデータを出力するように学習された学習モデルに、取得した前記複数の製造条件データ又は監視データを入力することによって、製造される製品の品質不良又は製品若しくは前記製造設備の異常を予測するステップと、
    前記学習モデルから出力される前記品質データ又は前記異常スコアデータに対する、前記複数の製造条件データ又は監視データそれぞれの寄与度を、前記学習モデルを用いて算出するステップと
    をコンピュータに実行させるためのコンピュータプログラム。
  2. 算出された前記品質データ又は前記異常スコアデータに対する前記複数の製造条件データ又は監視データそれぞれの寄与度に基づいて、前記品質データが示す品質不良の要因又は前記異常スコアデータが示す製品若しくは前記製造設備の異常の要因を分析するための要因分析データを作成するステップを前記コンピュータに実行させるための請求項１に記載のコンピュータプログラム。
  3. 前記要因分析データは、
    前記品質データに対する前記複数の製造条件データ又は監視データそれぞれの寄与度の経時変化を示すグラフデータを含む
    請求項２に記載のコンピュータプログラム。
  4. 一の前記製造条件データ又は監視データを選択するステップを備え、
    前記要因分析データは、
    選択された前記一の製造条件データ又は監視データの経時変化と、前記品質データに対する前記一の製造条件データ又は監視データの寄与度の経時変化とを示すグラフデータを含む
    請求項２又は請求項３に記載のコンピュータプログラム。
  5. 前記学習モデルは、
    異なる複数種類の品質不良をそれぞれ示す複数の前記品質データを出力するように構成してあり、
    一の前記品質不良を選択するステップを備え、
    前記グラフデータは、
    選択された前記一の品質不良の品質データに対する前記複数の製造条件データ又は監視データそれぞれの寄与度を示す
    請求項３又は請求項４に記載のコンピュータプログラム。
  6. 前記学習モデルは、
    異なる複数種類の品質不良をそれぞれ示す複数の前記品質データを出力するように構成してあり、
    前記要因分析データは、
    前記複数の品質データの総和及び該複数の品質データの経時変化を示すグラフデータを含む
    請求項２～請求項４のいずれか１項に記載のコンピュータプログラム。
  7. 前記要因分析データは、
    前記異常スコアデータの経時変化と、製品又は前記製造設備の異常を示す前記異常スコアデータに対する前記複数の製造条件データ又は監視データそれぞれの寄与度とを示すグラフデータを含む
    請求項２～請求項６のいずれか１項に記載のコンピュータプログラム。
  8. 前記寄与度はＳＨＡＰ値である
    請求項１～請求項７のいずれか１項に記載のコンピュータプログラム。
  9. 算出された前記寄与度に基づいて、前記製造設備の動作を制御するための情報を算出する処理を前記コンピュータに実行させる
    請求項１～請求項８のいずれか１項に記載のコンピュータプログラム。
  10. 製造設備を用いた製品の製造に係る複数の製造条件データ又は該製造設備の動作を監視して得られる複数の監視データを取得するステップと、
    前記複数の製造条件データ又は監視データが入力された場合、前記製造設備にて製造される製品の品質不良を示す品質データ又は製品若しくは前記製造設備の異常の有無を示す異常スコアデータを出力するように学習された学習モデルに、取得した前記複数の製造条件データ又は監視データを入力することによって、製造される製品の品質不良又は製品若しくは前記製造設備の異常を予測するステップと、
    前記学習モデルから出力される前記品質データ又は前記異常スコアデータに対する、前記複数の製造条件データ又は監視データそれぞれの寄与度を、前記学習モデルを用いて算出するステップと
    を備える不良要因分析方法。
  11. 前記寄与度に基づいて、前記品質データが示す品質不良の要因又は前記異常スコアデータが示す製品若しくは前記製造設備の異常の要因を分析するための要因分析データを作成するステップを備える請求項１０に記載の不良要因分析方法。
  12. 製造設備を用いた製品の製造に係る複数の製造条件データ又は該製造設備の動作を監視して得られる複数の監視データを取得する取得部と、
    前記複数の製造条件データ又は監視データが入力された場合、前記製造設備にて製造される製品の品質不良を示す品質データ又は製品若しくは前記製造設備の異常の有無を示す異常スコアデータを出力するように学習された学習モデルと、
    前記学習モデルに、取得した前記複数の製造条件データ又は監視データを入力することによって、製造される製品の品質不良又は製品若しくは前記製造設備の異常を予測する演算部と
    を備え、
    更に、前記演算部は、
    前記学習モデルから出力される前記品質データ又は前記異常スコアデータに対する、前記複数の製造条件データ又は監視データそれぞれの寄与度を、前記学習モデルを用いて算出する不良要因分析装置。
  13. 前記演算部は、
    算出した前記寄与度に基づいて、前記品質データが示す品質不良の要因又は前記異常スコアデータが示す製品若しくは前記製造設備の異常の要因を分析する
    請求項１２に記載の不良要因分析装置。
JP2020149327A 2020-09-04 2020-09-04 コンピュータプログラム、不良要因分析方法及び不良要因分析装置 Pending JP2022043848A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2020149327A JP2022043848A (ja) 2020-09-04 2020-09-04 コンピュータプログラム、不良要因分析方法及び不良要因分析装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020149327A JP2022043848A (ja) 2020-09-04 2020-09-04 コンピュータプログラム、不良要因分析方法及び不良要因分析装置

Publications (1)

Publication Number Publication Date
JP2022043848A true JP2022043848A (ja) 2022-03-16

Family

ID=80668687

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020149327A Pending JP2022043848A (ja) 2020-09-04 2020-09-04 コンピュータプログラム、不良要因分析方法及び不良要因分析装置

Country Status (1)

Country Link
JP (1) JP2022043848A (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102622569B1 (ko) * 2022-12-20 2024-01-09 (주)위세아이텍 지능형 제조 설비 제어 장치 및 그의 제어 방법
CN118011990A (zh) * 2024-04-10 2024-05-10 中国标准化研究院 基于人工智能的工业数据品质监控与提升系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102622569B1 (ko) * 2022-12-20 2024-01-09 (주)위세아이텍 지능형 제조 설비 제어 장치 및 그의 제어 방법
CN118011990A (zh) * 2024-04-10 2024-05-10 中国标准化研究院 基于人工智能的工业数据品质监控与提升系统

Similar Documents

Publication Publication Date Title
JP5684941B1 (ja) 異常予兆診断装置及び異常予兆診断方法
JP2020500420A (ja) マシンラーニング基盤の半導体製造の収率予測システム及び方法
JP2021140739A (ja) プログラム、学習済みモデルの生成方法、情報処理方法及び情報処理装置
US11650557B2 (en) Learning apparatus, learning method, computer readable medium having recorded thereon learning program, determination apparatus, determination method, and computer readable medium having recorded thereon determination program
JP2022043848A (ja) コンピュータプログラム、不良要因分析方法及び不良要因分析装置
He et al. A novel virtual sample generation method based on a modified conditional Wasserstein GAN to address the small sample size problem in soft sensing
TW201717057A (zh) 製程異因分析方法與製程異因分析系統
KR102054500B1 (ko) 설계 도면 제공 방법
JP7463996B2 (ja) 装置、方法およびプログラム
JP7318612B2 (ja) 監視装置、監視方法、および監視プログラム
Sampedro et al. Fused deposition modeling 3d printing fault diagnosis using temporal convolutional network
Alomari et al. Advancing aircraft engine RUL predictions: an interpretable integrated approach of feature engineering and aggregated feature importance
CN110045691B (zh) 一种多源异构大数据的多任务处理故障监测方法
US20230126567A1 (en) Operation system, operation method and recording medium having recorded thereon operation program
CN116720079A (zh) 基于多特征融合的风力发电机故障模式识别方法及系统
JP5447831B2 (ja) 診断装置および診断方法
US20230384780A1 (en) Construction method of abnormality diagnosis model, abnormality diagnosis method, construction device of abnormality diagnosis model, and abnormality diagnosis device
Jacobs et al. Performance, successes and limitations of deep learning semantic segmentation of multiple defects in transmission electron micrographs
JP2022092419A (ja) データ解析装置、方法およびシステム
JP2023507689A (ja) 説明可能なプロセス予測
CN112419047A (zh) 利用特征趋势分析预测银行个人贷款逾期的方法及系统
Kerandel et al. Method for automatically processing outliers of a quantitative variable
US20230280701A1 (en) Apparatus, method, and computer-readable storage medium
US20230409928A1 (en) Estimation apparatus, estimation method, and non-transitory computer-readable medium
WO2024070169A1 (ja) 試作条件提案システム、試作条件提案方法

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230711

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20240314

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240409