JP2022122862A - 予測スコア算出装置、予測スコア算出方法、予測スコア算出プログラムおよび学習装置 - Google Patents

予測スコア算出装置、予測スコア算出方法、予測スコア算出プログラムおよび学習装置 Download PDF

Info

Publication number
JP2022122862A
JP2022122862A JP2022070207A JP2022070207A JP2022122862A JP 2022122862 A JP2022122862 A JP 2022122862A JP 2022070207 A JP2022070207 A JP 2022070207A JP 2022070207 A JP2022070207 A JP 2022070207A JP 2022122862 A JP2022122862 A JP 2022122862A
Authority
JP
Japan
Prior art keywords
inspection
data
score calculation
machine learning
prediction
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
JP2022070207A
Other languages
English (en)
Inventor
慎哉 里見
Shinya Satomi
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.)
Konica Minolta Inc
Original Assignee
Konica Minolta Inc
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 Konica Minolta Inc filed Critical Konica Minolta Inc
Publication of JP2022122862A publication Critical patent/JP2022122862A/ja
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
    • 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]
    • 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] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G05B2219/32194—Quality prediction
    • 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
    • Y02P90/80—Management or planning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Automation & Control Theory (AREA)
  • Manufacturing & Machinery (AREA)
  • Medical Informatics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

【課題】生産ラインにおける検査のスコアを当該検査に先行する別の検査の結果から精度よく予測することができる予測装置、予測スコア算出方法、予測スコア算出プログラムおよび学習装置を提供する。【解決手段】予測スコア算出装置２０２は、機械学習部４２０においては、生産ラインにおける工程検査の検査データを入力されると、最終検査の良否判定の予測スコアを出力するように機械学習を行う。また、当該機械学習を行った機械学習モデルを用いて、予測スコア算出部４１０においては、工程検査の検査データから最終検査の良否判定結果を予測する予測スコアを出力する。また、閾値決定部４４０は、予測スコア算出部４１０が算出した予測スコアと比較して、良否判定を予測するための閾値を、学習データ、予測スコアおよびコストデータから決定する。【選択図】図４

Description

本開示は、生産ラインにおける検査のスコアを当該検査に先行する別の検査結果から予測する予測スコア算出装置、予測スコア算出方法、予測スコア算出プログラムおよび学習装置に関する。
工業製品を生産する生産ラインにおいては、完成品の良否を判定する最終検査が実施される。工程が多数に上る場合には、仕掛品の良否を判定する工程検査が行われる場合もある。工程検査で不良品を発見して除外したり、良品に補正したりすれば、最終検査で不良品を発見して除外したり補正したりする場合と比較して、原材料や部品の損失を低減したり、作業の無駄を省いたりすることができるので、生産効率を向上させることができる。
工程検査を適切に実施するためには、検査項目を厳選して過不足を最小化するだけでなく、検査項目ごとに適切な検査基準を設けるのが望ましい。検査基準が適切でないと、不良品を見逃したり、良品を不良品と誤判定したりするからである。
このような問題に対して、工程検査における検査項目ごとに、当該検査項目の検査データと、最終検査における良否判定結果との相関の強さを求め、相関がもっとも強い検査項目を選択して、当該項目の検査基準を再設定する技術が提案されている（例えば、特許文献１を参照）。このようにすれば、最終検査で不良判定される可能性が高い仕掛品を工程検査で不良判定し易くすることができる。
生産ラインにおいて上下流関係にある工程検査についても、同様にして、下流の工程検査の良否判定結果に合わせて上流の工程検査を調整する技術が提案されている（例えば、特許文献２、３を参照）。
特開２００６－３１７２６６号公報 特開２０１２－１５１２５１号公報 国際公開第２０１７／１６８５０７号
しかしながら、工程検査の個々の検査項目の検査データが最終検査における良否判定結果と強く相関していない場合には、上記のような従来技術を用いて、最終検査で不良判定されると見込まれる仕掛品を工程検査で発見することは難しい。
工程検査の個々の検査項目の検査データが最終検査における良否判定結果と強く相関していない場合であっても、工程検査の検査データの組み合わせが最終検査における良否判定結果と相関している可能性があるが、工程検査の検査項目数は膨大に上るため、どのように検査項目を組み合わせれば最終検査の良否判定結果を精度よく予測することができるのかを発見することは難しい。
相関が最も強い検査項目を選択することも、多くの作業工程が必要になるため現実的でない。
言うまでなく、工程検査の個別の検査項目の検査データが最終検査における良否判定結果と強く相関していない場合であっても、最終検査を待つことなく工程検査において最終検査のスコアを予測することができれば、最終検査で不良判定され得る仕掛品を工程検査において発見、除外等して、生産ラインの効率を更に向上させることができると期待される。
本開示は、上述のような問題に鑑みて為されたものであって、生産ラインにおける検査のスコアを当該検査に先行する別の検査の結果から精度よく予測することができる予測装置、予測スコア算出方法、予測スコア算出プログラムおよび学習装置を提供することを目的とする。
上記目的を達成するため、本開示の一形態に係る予測スコア算出装置は、複数の加工工程と、少なくとも一つの検査工程を含む第１の検査工程と、前記第１の検査工程よりも下流工程で実施される第２の検査工程を経て製品が生産される生産工程について、前記第２の検査工程における良否判定のための予測スコアを算出する予測スコア算出装置であって、前記第１の検査工程のうち少なくとも一つの検査工程で得られた第１の検査データの入力を受け付ける入力手段と、入力された前記第１の検査データから機械学習モデルを用いて、前記予測スコアを算出する算出手段と、を備えることを特徴とする。
この場合において、前記入力手段は、複数の検査工程を含む第１の検査工程の検査データの入力を受け付けてもよい。
また、前記予測対象の検査において不良と判定されるべき検査対象物品を構成する第１の検査工程の検査対象物品を、予測スコアの算出に用いる検査データを取得した第１の検査工程で不良と判定した場合の利益と、前記第２の検査工程において良と判定されるべき検査対象物品を構成する前記第１の検査工程の検査対象物品を、予測スコアの算出に用いる検査データを取得した第１の検査工程で不良と判定した場合の損失と、の少なくとも一方に応じて、当該第１の検査工程において当該検査対象物品を良否判定するための、予測スコアの閾値を決定する決定手段を備えるのが望ましい。
また、前記決定手段は、前記利益から前記損失を差し引いた残余のコストメリットが最大になるように前記閾値を決定するのが好適である。
また、前記決定手段は、前記第１の検査工程までの生産コスト、前記第１の検査工程後の部材コストおよび前記第２の検査工程の実施コストの少なくとも１つを用いて、前記利益並びに損失を算出してもよい。
また、前記機械学習モデルは、勾配ブースティング決定木、決定木分析、ロジスティック回帰、ランダムフォレストおよびニューラルネットワークのいずれかであってもよい。
また、前記機械学習モデルは、前記第２の検査工程を実施した検査対象物品の良否判定結果と、当該検査対象物品を構成する前記第１の検査工程の検査対象物品に関する第１の検査工程の検査データと、を教師データとして機械学習することによって、第１の検査工程の検査データから予測スコアを算出してもよい。
また、前記第１の検査データは、前記第２の検査工程の項目と関連性のある検査対象の部位や機能についての検査データを含んでもよいし、複数の検査工程における検査データを用いる場合に、同一部位の加工前後における検査データを含んでもよい。更に、前記第１の検査データは、複数の検査工程における検査データを用いる場合に、異なる部位の測定データを含んでもよいし、複数の検査工程における検査データを用いる場合に、同じ部位に対して異なる物理量の測定データを含んでもよい。
また、本開示の一形態に係る予測スコア算出方法は、複数の加工工程と、少なくとも一つの検査工程を含む第１の検査工程と、前記第１の検査工程よりも下流工程で実施される第２の検査工程を経て製品が生産される生産工程について、前記第２の検査工程における良否判定のための予測スコアを算出する予測スコア算出方法であって、前記第１の検査工程のうち少なくとも一つの検査工程で得られた第１の検査データの入力を受け付ける入力ステップと、入力された前記第１の検査データから機械学習モデルを用いて、前記予測スコアを算出する算出ステップと、を含むことを特徴とする。
また、本開示の一形態に係る予測スコア算出プログラムは、複数の加工工程と、少なくとも一つの検査工程を含む第１の検査工程と、前記第１の検査工程よりも下流工程で実施される第２の検査工程を経て製品が生産される生産工程について、前記第２の検査工程における良否判定のための予測スコアをコンピューターに算出させる予測スコア算出プログラムであって、前記第１の検査工程のうち少なくとも一つの検査工程で得られた第１の検査データの入力を受け付ける入力ステップと、入力された前記第１の検査データから機械学習モデルを用いて、前記予測スコアを算出する算出ステップと、をコンピューターに実行させることを特徴とする。
また、本開示の一形態に係る学習装置は、複数の加工工程と、少なくとも一つの検査工程を含む第１の検査工程と、前記第１の検査工程よりも下流工程で実施される第２の検査工程を経て製品が生産される生産工程について、前記第１の検査工程のうち少なくとも一つの検査工程で得られた第１の検査データと、前記第２の検査工程を実施した検査対象物品の良否判定結果との入力を受け付ける学習データ入力部と、入力された前記第１の検査データと前記良否判定結果とを教師データとし、前記第２の検査工程における良否判定のための予測スコアを出力するように機械学習モデルを学習させる学習手段と、を備えることを特徴とする。
この場合において、前記機械学習モデルは勾配ブースティング決定木であるのが望ましい。
このようにすれば、生産ラインにおける下流で実施される検査における良否判定を、上流で実施される検査において予測することができる。当該予測結果に基づいて上流の検査において上流検査対象物品を除外等すれば、下流の検査で当該上流検査対象物品を用いた検査対象物品を除外等する場合と比較して、生産コストの損失を低減することができる。
本開示の実施の形態に係る生産ライン１の主要な構成を示す図である。 本実施の形態に係る予測スクリーニングシステム２の主要な構成を示す図である。 予測スコア算出装置２０２の主要な構成を示すブロック図である。 予測スコア算出装置２０２の主要な機能構成を示すブロック図である。 （ａ）は予測スコア算出部４１０の動作を説明するフローチャートであり、（ｂ）は機械学習部４２０の動作を説明するフローチャートである。 （ａ）は工程検査の検査データを記憶した検査データテーブルを例示する表であり、（ｂ）は最終検査の良否判定結果を記憶した良否判定結果テーブルを例示する表である。 閾値決定部４４０の動作を説明するフローチャートである。 最終検査の良否判定結果と各良否判定結果に対応する予測スコアとを例示して、閾値決定部４４０の動作を例示する図である。 本開示の変形例に係る生産ラインの主要な構成を示す図である。 本開示の変形例に係る端末装置２０１の主要なハードウェア構成を示すブロック図である。 本開示の変形例に係る端末装置２０１が最終検査の良否判定の予測結果を出力するために実行する処理を説明するフローチャートである。 本開示の変形例に係る端末装置２０１が工程検査の検査データを受け付けて最終検査における良否判定の予測結果を出力するための表示画面１２０１を例示する図である。
以下、本開示に係る予測スコア算出装置、予測スコア算出方法、予測スコア算出プログラムおよび学習装置の実施の形態について、図面を参照しながら説明する。
［１］生産ラインの概要
まず、本実施の形態における生産ラインの概要について説明する。
図１に示すように、生産ライン１は、受入検査１０１から開始される。受入検査１０１では、完成品の生産に供する原材料や部品を取引先から受け入れた際に実施する検査であり、検査対象物品である原材料や部品が要求仕様を満足しているかなどが検査される。
受入検査において良判定された原材料や部品を用いて、他の工程１０２が実施される。他の工程１０２は、切削や組み立て、付加、分解などを含む加工工程、原材料や部品を含む仕掛品の運搬工程、一時的な保管や次の工程までの待ち状態などの停滞工程などの１以上の工程からなっている。
工程検査１０３は、検査対象物品である仕掛品が良品であるか不良品であるかの良否判定を行う工程である。仕掛品の検査データがそれぞれ所定の規格値から許容範囲内にあるかどうかや、所定の機能を果たすかどうか等について量的な検査や質的な検査が行われる。また、工程検査１０３の検査データは、個々の仕掛品に対する検査データであってもよいし、ロット単位の検査データであってもよい。
工程検査１０３で不良と判定された仕掛品は除外されたり、工程検査１０３で良と判定されるように補正されたりする。補正によって良と判定された仕掛品は次の工程へ送られる。このようにすれば、規格外の仕掛品が次の工程に送られて損失が生じるのを防止することができる。
工程検査１０３で良と判定された仕掛品は、他の工程１０４へ送られる。他の工程１０４もまた、他の工程１０２と同様に、加工工程や運搬工程、停滞工程などの１以上の工程からなっている。他の工程１０４を経た後、別の工程検査１０５が実施されて、更に他の工程１０６を経て、最終検査１０７が実施される。なお、生産ライン１における工程検査の回数は１回だけでもよいし、３回以上であってもよい。工程検査どうしの間では他の工程が実施される。
最終検査１０７は、製造工程の最終段階で行う検査であって、検査対象物品である完成品が所定の製品規格を満足しているかどうかが検査される。最終検査１０７において不良と判定された完成品についても、工程検査１０３、１０５で不良と判定された仕掛品と同様に、除外されたり、最終検査１０７で良と判定されるように補正されたりする。
最終検査１０７で良と判定された完成品であっても、その後、出荷までの間に、運搬などによって変形したりキズがついたり、或いは変色やさび、ねじのゆるみなどの経時的な劣化を生じたりする場合がある。このような問題が生じている製品を出荷しないようにするために、出荷検査１０８が実施される。
図１においては、生産ライン１において各工程が順次実施される場合を例示したが、本開示がこれに限定されないのは言うまでもなく、生産ライン１は合流工程を含んでいてもよいし、合流工程の数は複数であってもよい。また、共通の部品を用いて複数の機種を生産する場合や、単一機種であっても共通の部品を複数の用途に使用する場合などを考慮すれば、生産ライン１は分岐工程を含んでいてもよい。
共通の部品を用いて複数の機種を生産する場合には、機種ごとに最終検査１０７で完成品が検査される。単一機種で共通の部品を複数の用途に使用する場合には、生産ライン１は一旦、分岐した後に合流し、完成品に対して最終検査１０７が実施される。
［２］予測スクリーニングシステム
次に、本実施の形態に係る予測スクリーニングシステムについて説明する。
図２に示すように、予測スクリーニングシステム２は、端末装置２０１、予測スコア算出装置２０２および外部記憶装置２０３を備えており、端末装置２０１、予測スコア算出装置２０２はＬＡＮ（Local Area Network）やインターネットといった通信ネットワーク２１０を経由して相互に通信できるように接続されている。
端末装置２０１は、検査作業員が、製品２２０の生産ライン１における工程検査１０３、１０５や最終検査１０７の検査結果である検査データを入力するための装置である。端末装置２０１に入力された検査データは、通信ネットワーク２１０を経由して外部記憶装置２０３に記憶される。外部記憶装置２０３は、予測スコア算出装置２０２に直接接続されていてもよく、この場合には、端末装置２０１から、予測スコア算出装置２０２を経由して、外部記憶装置２０３へ検査データが入力される。
また、外部記憶装置２０３は、通信ネットワーク２１０を経由して予測スコア算出装置２０２に接続されていてもよい。この場合には、端末装置２０１から直接、外部記憶装置２０３に検査データが入力される。
後述のように、予測スコア算出装置２０２は、工程検査１０５を実施した後、他の工程１０６へ進む前に、工程検査１０３、１０５の検査データから最終検査１０７の検査結果を予測するための予測スコアを算出する。端末装置２０１は、予測スコア算出装置２０２が算出した予測スコアと、閾値とを比較することによって、工程検査１０３、１０５で検査された仕掛品を用いた完成品の最終検査１０７における良否判定を予測する。
工程検査１０３、１０５の検査データから、最終検査１０７において不良と判定されると予測された仕掛品は、検査作業員によって除外されたり、補正された後、再検査されたりする。一方、最終検査１０７において良と判定されると予測された仕掛品は、工程検査１０５の次の工程（生産ライン１における他の工程１０６）へ送られる。
［３］予測スコア算出装置２０２
予測スコア算出装置２０２について更に詳しく説明する。
予測スコア算出装置２０２は、所謂コンピューターであって、図３に示すように、ＣＰＵ（Central Processing Unit）３０１やＲＯＭ（Read Only Memory）３０２、ＲＡＭ（Random Access Memory）３０３等を備えている。ＣＰＵ３０１は、電源投入などによってリセットされると、ＲＯＭ３０２からブートプログラムを読み出して起動し、ＲＡＭ３０３を作業用記憶領域として、ＨＤＤ（Har Disk Drive）３０４から読み出したＯＳ（Operating System）や予測スコア算出プログラムを実行する。
ＮＩＣ（Network Interface Card）３０５は、通信ネットワーク２１０を経由して端末装置２０１と相互通信するための処理を実行する。ＣＰＵ３０１、ＲＯＭ３０２、ＲＡＭ３０３、ＨＤＤ３０４およびＮＩＣ３０５は内部バス３０６に接続されており、内部バス３０６を経由して相互に通信する。
外部記憶装置２０３は、予測スコア算出装置２０２に直接接続されている場合には、内部バス３０６を経由してＣＰＵ３０１からのアクセスを受け付ける。また、外部記憶装置２０３が通信ネットワーク２１０に接続されている場合には、通信ネットワーク２１０およびＮＩＣ３０５を経由して、ＣＰＵ３０１からのアクセスを受け付ける。
図４は、予測スコア算出装置２０２が予測スコア算出プログラムを実行することによって実現する機能の構成を示すブロック図である。図４に示すように、予測スコア算出装置２０２は、予測スコア算出部４１０や機械学習部４２０、学習データ入力部４３０、閾値決定部４４０を備えている。また、図５、図７は予測スコア算出装置２０２の動作を説明するフローチャートである。
予測スコア算出部４１０は、予測スコア出力部４１１および工程検査データ入力部４１２と協調して動作する。端末装置２０１は、工程検査データ入力部４１２に工程検査１０３、１０５の検査データを入力して、予測スコアを要求する。これによって、工程検査データ入力部４１２は、端末装置２０１から検査データの入力を受け付ける（図５（ａ）のＳ５０１）。
工程検査の検査データは、図６（ａ）に例示する検査データテーブルのように、工程検査の検査項目を識別する識別子と組み合わせごとに端末装置２０１から入力される。また、検査データに合わせて、工程検査の対象になっている仕掛品の識別子（製品のシリアル番号など）も、端末装置２０１から予測スコア算出装置２０２に入力される。
予測スコア算出部４１０は、工程検査データ入力部４１２が検査データの入力を受け付けると、外部記憶装置２０３から機械学習モデルの学習パラメーターを読み出す（図５（ａ）のＳ５０２）。予測スコア算出部４１０は、機械学習モデルに、当該学習パラメーターを設定する（図５（ａ）のＳ５０３）。
学習パラメーターを設定することによって、機械学習モデルが、工程検査１０３、１０５の検査データに応じて、最終検査１０７の良否判定の結果を予測した予測スコアを出力できるようになる。予測スコア算出部４１０は、学習パラメーターを設定した機械学習モデルに検査データを入力して、予測スコアを算出する（図５（ａ）のＳ５０４）。
予測スコア出力部４１１は、予測スコア算出部４１０が算出した予測スコアを端末装置２０１へ出力する（図５（ａ）のＳ５０５）。端末装置２０１は、後述する予測スコアの閾値と予測スコアとを比較して、予測される最終検査１０７の良否判定結果を表示する。検査作業員は表示された良否判定結果の予測を参照して、仕掛品の除外などを行う。
機械学習部４２０は、予測スコア算出装置２０２の管理者の指示などを契機として、機械学習を実行する。具体的には、まず、学習データとして、工程検査の検査データと、当該検査データに対応する最終検査の良否判定結果とを、外部記憶装置２０３から読み出す（図５（ｂ）のＳ５１１）。ここで最終検査の良否判定結果とは、工程検査の対象となっ
た仕掛品を用いて生産された完成品に関する最終検査の良否判定結果である。この仕掛品は、完成品に組み込まれる部品であってもよいし、完成品を生産するために用いられる治具や材料などであってもよい。
また、工程検査の検査データは、予測スコア算出部４１０に入力される工程検査の検査データと同様のデータ構造を有している（図６（ａ））。また、最終検査の良否判定結果もまた、工程検査の検査データと同様に、最終検査の良否判定結果を識別するための識別子と、最終検査の良否判定結果との組み合わせになっている。本実施の形態においては、最終検査において完成品が良と判定された場合には良否判定結果の値を「１」とし、不良と判定された場合には良否判定結果の値を「０」とする。
次に、最終検査の良否判定結果を教師データとして、当該検査データを機械学習モデルに入力して得られた予測スコアが教師データに漸近するように機械学習を行って、学習パラメーターを生成する（図５（ｂ）のＳ５１２）。機械学習を完了したら、生成した学習パラメーターを外部記憶装置２０３に保存する（図５（ｂ）のＳ５１３）。また、当該学習パラメーターを用いて算出した予測スコアを、予測スコアを算出するために機械学習モデルに入力した学習データに対応付けて、外部記憶装置２０３に保存する（図５（ｂ）のＳ５１４）。
なお、本実施の形態においては、機械学習モデルとして、勾配ブースティング決定木を用いる。しかしながら、本開示がこれに限定されないのは言うまでもなく、勾配ブースティング決定木に代えて、決定木分析やロジスティック回帰、ランダムフォレスト、ニューラルネットワーク等の機械学習モデルを用いてもよい。
機械学習モデルはそれぞれ異なる特徴を有しているので、複数の機械学習モデルに学習用のデータを用いて機械学習を行わせた後、検証用のデータを用いて算出した予測スコアの精度を比較して、予測の対象とする生産ラインに最も適した機械学習モデルを採用するのが望ましい。
学習データ入力部４３０は、機械学習部４２０が機械学習を実施する際に使用する学習データとして、図６（ａ）に例示する検査データテーブルのような工程検査の検査データと、図６（ｂ）に例示する良否判定結果テーブルのような最終検査の良否判定結果を端末装置２０１から受け付けて外部記憶装置２０３に保存する。なお、端末装置２０１が、通信ネットワーク２１０を経由して、外部記憶装置２０３に直接アクセスすることができる場合には、学習データ入力部４３０を経由することなく、直接、外部記憶装置２０３に学習データを保存してもよい。
閾値決定部４４０は、予測スコアを用いてから最終検査の良否判定結果を予測する際に使用する閾値を決定する。具体的には、機械学習を行って学習パラメーターを生成せよとの予測スコア算出装置２０２の管理者の指示や端末装置２０１からの要求などを契機として、外部記憶装置２０３から学習データを読み出すとともに（図７のＳ７０１）、当該学習データに対応する予測スコアを読み出す（図７のＳ７０２）。
次に、予測スコアをキーとして、当該予測スコアに対応する学習データのうち、最終検査の良否判定結果をソートする（図７のＳ７０３）。本実施の形態においては、最終検査が良判定を「１」とし、不良判定を「０」としていることに対応して、予測スコアもまた０以上、１以下の範囲内の値をとる。
図８は、ソート結果を例示する表である。図８の表８０１に示すように、仕掛品のシリアル番号、当該仕掛品を用いた完成品に対する最終検査の良否判定結果、および当該仕掛品に対する工程検査の検査データを入力して機械学習モデルから出力される予測スコアが、予測スコアの降順にソートされている。
図８では、予測スコアが最終検査において完成品が良と判定される確率になっている。したがって、予測スコアが高い仕掛品ほど、最終検査で良と判定される蓋然性が高く、逆に予測スコアが低い仕掛品ほど、最終検査で不良と判定される蓋然性が高い。
このため、例えば、予測スコアの閾値を０．７０１４３３と高めに設定して、予測スコアが閾値以上の仕掛品を用いた完成品が良判定されると予測すると、表８１１に示すように、最終検査で良と判定される完成品を構成する仕掛品のうち、誤って当該完成品が最終検査で不良と判定されると予測される仕掛品の個数（誤報数）が３２３個と多くなり過ぎてしまう。誤報数が多過ぎると、当該仕掛品を用いた完成品が最終検査で良と判定される蓋然性が高いにも関わらず、不良と予測して、除外などの対象となる仕掛品の個数が多くなり過ぎてしまうので、無駄なコストが発生する。
一方、予測スコアの閾値を０．３９９９０２と低めに設定して、予測スコアが閾値以上の仕掛品を用いた完成品が良判定されると予測すると、表８１３に示すように、最終検査で不良と判定される完成品を構成する仕掛品のうち、正しく当該完成品が最終検査で不良と判定されると予測される仕掛品の個数（不良捕捉数）が２個と少なくなり過ぎてしまう。不良捕捉数が多くすることができれば、最終検査で不良と判定される蓋然性が高い完成品を構成する仕掛品を次の工程に送らずに済むので、無駄なコストの発生を削減することができる。
そこで、予測スコアの閾値をシリアル番号ＸＡ１０４３１４７の予測値と同じ０．５１７７５５に設定すると、表８１２に示すように、誤報数が多くなり過ぎず、かつ不良捕捉数が少なくなり過ぎないように、最終検査の良否判定結果を予測することができる。
閾値を決定するために用いた一連の学習データに関して、最終検査の良否判定結果を予測することによって得ることができるコストメリットは、誤報数と、１回の誤報によって発生し得る損失である誤報損失コスト（本実施の形態では負値）と、不良捕捉数と、１回の不良捕捉によって得ることができる利益である不良捕捉メリット（本実施の形態では正値）とから次式（１）のようなコスト関数を用いて算出することができる。
（コストメリット）＝（誤報数）×（誤報損失コスト）＋（不良捕捉数）×（不良捕捉メリット） …（１）
従って、予測スコアから最終検査における完成品の良否判定結果を予測するための閾値は、上式（１）のコスト関数を用いて算出されるコストメリットが最大になるように決定するのが望ましい。
そこで、閾値決定部４４０は、更に、誤報損失コストと不良捕捉メリットとを外部記憶装置２０３から読み出して（図７のＳ７０４）、ソートした予測スコアの順に当該予測スコアを閾値として誤報数と不良捕捉数とを特定し、上式（１）のコスト関数を用いてコストメリットを算出する（図７のＳ７０５）。その後、算出したコストメリットのうち、最大のコストメリットに対応する閾値を特定すればよい（図７のＳ７０６）。
閾値出力部４１１は、閾値決定部４４０が特定した閾値を端末装置２０１へ出力する。検査作業員は、端末装置２０１を操作して、仕掛品ごとに工程検査で得た検査データから機械学習モデルを用いて算出された予測スコアが、閾値以上であるかどうかに応じて、当該仕掛品を用いた完成品についての最終検査での良否判定結果を予測する。
最終検査で良と判定されると予測された場合には、当該仕掛品を次の工程に送り、最終検査で不良と判定されると予測された場合には、当該仕掛品を除外したり補正したりすれば、最終検査での良否判定結果を予測しない場合と比較して、最終検査で不良と判定される完成品の個数を低減することができるので、当該完成品の生産コストを改善することができる。
［４］変形例
以上、本開示を実施の形態に基づいて説明してきたが、本開示が上述の実施の形態に限定されないのは勿論であり、以下のような変形例を実施することができる。
（４－１）上記実施の形態においては、工程検査１０３、１０５の検査データから、当該仕掛品を用いた完成品の最終検査における良否判定結果を予測する場合を例にとって説明したが、本発明がこれに限定されないのは言うまでもなく、これに代えて次のようにしてもよい。
例えば、工程検査１０３、１０５のうちどちらか一方の検査データだけを用いて最終検査における良否判定結果を予測してもよいし、工程検査１０３、１０５の検査データに加えて、更に別の工程検査の検査データも用いて最終検査における良否判定結果を予測してもよい。
単一の工程検査の結果データだけから最終検査の良否判定結果を予測する場合には、予測スコアを算出するための処理負荷を軽減することができる。一方、複数の工程検査の結果データだけから最終検査の良否判定結果を予測したほうが、多角的な検査データを参照することができるので、当該良否判定結果の予測精度を向上させることができる。
また、図９に示すように、複数の工程検査９０３、９１３が並行して実施される場合には、複数の工程検査９０３、９１３がすべて完了するのを待って、これらの検査データから最終検査の良否判定結果を予測してもよい。工程検査以外に受入検査の検査データを用いて予測を行ってもよいし、工程検査の検査データと受入検査の検査データとを組み合わせて予測を行ってもよい。
また、予測の対象が最終検査の良否判定結果に限定されないのは言うまでもなく、生産ライン１における上流の１以上の工程検査データから下流の工程検査の検査結果を予測してもよい。仕掛品の単価が高くなる前の検査において、仕掛品の単価が高くなった後の検査結果を予測して、不良と判定されると予測された仕掛品を除外等すれば、仕掛品の単価が高くなった後の検査で不良と判定した仕掛品を除外等するよりも、生産コストの損失を低減することができる。
機械学習モデルによる機械学習やスコアの予測には、更に、以下のような検査データを用いることができる。例えば、工程検査における検査データのうち、最終検査の項目と関連性のある検査対象の部位や機能についての検査データを、機械学習モデルの機械学習や、当該機械学習モデルを用いたスコアの予測に用いてもよい。機械学習において、特徴量の情報多様性が増すことで、機械学習の精度が上がりやすくなるが、関連性のあるデータを用いることで、機械学習の精度がより上がりやすくなる。
また、機械学習モデルの機械学習データ等として、複数の工程検査における検査データを用いる場合には、検査対象における同一部分の加工前後における検査データを用いるのが望ましい。このようにすれば、加工に起因する最終検査の良否判定結果の変化を機械学習に反映することができるので、最終検査を待つことなく、当該加工に起因して不良判定されると予測された仕掛品を除外することができる。
また、複数の工程検査における検査データを用いる場合には、当該工程検査どうしで互いに検査対象の異なる部位についての測定データを検査データとして組み合わせて用いてもよい。特徴量の情報多様性が増すことで、機械学習の精度が上がりやすくなる。
また、複数の工程検査における検査データを用いる場合には、検査対象の同一の部位について工程検査どうしで互いに異なる物理量の測定データを検査データとして組み合わせて用いてもよい。特徴量の情報多様性が増すことで、機械学習の精度が上がりやすくなる。
（４－２）上記実施の形態においては、最終検査の良否判定結果の予測には、工程検査で得られた生の検査データを用いる場合を例にとって説明したが、本開示がこれに限定されないのは言うまでもなく、生の検査データに代えて、或いは生の検査データに加えて、当該生の検査データから算出することができる統計量を用いて最終検査の良否判定結果を予測してもよい。
検査データから算出することができる最小値や最大値、平均値、中央値、標準偏差、分散などの統計量もまた各検査データと深く関連しているので、最終検査における良否判定結果を予測する上で有用である。
この統計量の算出は、予測スコア算出装置２０２が予測スコアを算出するための前処理として行ってもよいし、端末装置２０１が統計量を算出する前処理を実行して、得られた統計量を検査データとして予測スコア算出装置２０２に入力してもよい。また、当該前処理においては、統計量以外の特徴量を求めてもよい。このようにすれば、機械学習に特徴量を探索させたり、機械学習モデルに特徴量を算出する処理を行わせたりしなくてもよくなるので、機械学習モデルに関連する処理負荷を軽減することができる。
（４－３）上記実施の形態においては具体的に言及しなかったが、機械学習モデルを用いた学習や予測は例えば、以下のように、ブースティング決定木についてはＬｉｇｈｔＢＧＭ、ロジスティック回帰、決定木分析、ランダムフォレストおよびニューラルネットワークについてはｓｃｉｋｉｔ－ｌｅａｒｎといったオープンソースのライブラリを用いて実装することができる。
例えば、機械学習モデルとしてブースティング決定木を用いる場合には、まず工程検査および最終検査の検査データをＣＳＶ（Comma Separated Values）ファイルに記録しておき、ＬｉｇｈｔＧＢＭを利用して、当該ＣＳＶファイル（例えば、ファイル名を「検査データ.csv」とする。）からデータを読み込む。
df = pd.read#csv("検査データ.csv", encoding = 'SHIFT-JIS')
なお、機械学習を行う場合と、機械学習の結果を検証する場合とを区別するために、次のようにラベル付けしてもよい。
df#train = df[df['検証'] == 0]
df#test = df[df['検証'] == 1]
次に、説明変数を設定する。
x#train = df#train.loc[:,'検査データ＃１':'検査データ＃２']
x#test = df#test.loc[:,'検査データ＃１':'検査データ＃２']
また、目的変数を設定する。
y#train = df#train['合否判定(不合格:1)']
y#test = df#test['合否判定(不合格:1)']
そして、ＬｉｇｈＧＢＭライブラリ（ブースティング決定木）をインポートする。
import lightgbm as lgb
ＬｉｇｈｔＧＢＭライブラリに学習データを設定するとともに、
train = lgb.Dataset(x#train, label=y#train)
検証用のデータも設定する。
valid = train.create#valid(x#test, label=y#test)
更に、ハイパーパラメーターを設定する。
param = [
'boosting':'gbdt',
'objective': 'binary',
'metric':'binary',
'num#iterations':20000,
'num#leaves':5,
'min#data#in#leaf':12,
'learning#rate':0.05099340688202502,
'sub#feature':0.9,
'sub#row':0.8,
'bagging#freq':1,
'lambda#l1':0.054599059167475525,
'lambda#l2':0.02858778312976605,
'num#threads':4,
'seed':seed #乱数シード値設定
]
ハイパーパラメーターは機械学習の実行条件を指定するためのパラメーターである。実行する学習ステップの数、言い換えると決定木の数は、例えば、
num#round = 20000
とすればよい。このように設定してから機械学習を実行して、機械学習モデルを作成する。
m#lgb = lgb.train(param, train, 20000, valid#sets=[valid], early#stopping#rounds=1500)
作成した機械学習モデル（勾配ブースティング決定木）を用いて予測を行う場合には、
pred#test = m#lgb.predict(x#test, num#iteration=m#lgb.best#iteration)
とすればよい。
ロジスティック回帰を機械学習モデルとする場合には、ｓｃｉｋｉｔ－ｌｅａｒｎライブラリを用いることができる。まず、ロジスティック回帰のパッケージをインポートして、
from sklearn.linear#model import LogisticRegression
まず、機械学習モデルのインスタンスを作成し、
lr = LogisticRegression()
機械学習を実行する。
lr.fit(x#train, y#train)
学習済みの機械学習モデルを用いて予測を行う場合には、
pred#test = lr.predict#proba(x#test)
とする。
同じように、決定木分析、ランダムフォレストおよびニューラルネットワークを機械学習モデルとする場合も、ｓｃｉｋｉｔ－ｌｅａｒｎライブラリを用いることができる。決
定木分析でも同様に、決定木分析のパッケージをインポートして、
from sklearn.tree import DecisionTreeClassifier
インスタンスを作成し、
dt = DecisionTreeClassifier()
機械学習を実行した後、
dt.fit(x#train, y#train)
予測を行う。
pred#test = dt.predict(x#test)
機械学習モデルとしてランダムフォレストを用いる場合には、ランダムフォレストのパッケージをインポートして、
from sklearn.ensemble import RandomForestClassifier
インスタンスを作成し、
rf = RandomForestClassifier(random#state=777)
機械学習を実行した後、
rf.fit(x#train, y#train)
予測を行う。
pred#test = rf.predict(x#test)
ニューラルネットワークについても同様に、ｓｃｉｋｉｔ－ｌｅａｒｎのパッケージをインポートし、
from sklearn.neural#network import MLPClassifier
インスタンスを作成し、
nn = MLPClassifier(solver="sgd", random#state=0, max#iter=10000)
機械学習を実行した後、
nn.fit(x#train, y#train)
予測を行う。
pred#test = nn.predict(x#test)
（４－４）上記実施の形態においては、端末装置２０１において予測スコア算出装置２０２が算出した予測スコアと閾値とを比較して仕掛品の良否を判定する場合を例にとって説明したが、本開示がこれに限定されないのは言うまでもなく、これに代えて次のようにしてもよい。例えば、予測スコア算出装置２０２が予測スコアと閾値とを比較して、仕掛品の良否のみを端末装置２０１に通知してもよい。
（４－５）上記実施の形態においては、誤報数と不良捕捉数との両方を用いてコストメリットを算出する場合を例にとって説明したが、本開示がこれに限定されないのは言うまでもなく、これに代えて、誤報数と不良捕捉数とのどちらか一方のみを用いてコストメリットを算出してもよい。また、コスト関数についても定式（１）に限定されないのは言うまでもなく、他のコスト関数を用いて閾値を決定しても本開示の効果を得ることができる。
（４－６）上記実施の形態においては、本開示が予測スコア算出装置２０２である場合を例にとって説明したが、本開示がこれに限定されないのは言うまでもなく、上記予測スコア算出装置２０２が実行する予測スコア算出方法であるとしてもよい。また、当該予測スコア算出方法をコンピューターに実行させる予測スコア算出プログラムであってもよい。更に、当該予測スコア算出プログラムを記憶した記憶媒体であるとしてもよく、いずれの場合においても本開示の効果を得ることができる。
（４－７）上記実施の形態においては、主として予測スコア算出装置２０２の構成と動作に着目して本開示を説明したので、ここでは端末装置２０１の構成と動作についての説明を補う。
図１０に示すように、端末装置２０１は、ＣＰＵ１００１、ＲＯＭ１００２、ＲＡＭ１００３、ＳＳＤ（Solid State Drive）１００４、通信用ＬＳＩ（Large Scale Integration）１００５、カメラ１００６、マイク１００７、スピーカー１００８、タッチパネルコントローラー１００９を内部バス１０１０にて接続した構成を備えている。ＣＰＵ１００１は、ＲＡＭ１００１３を作業用記憶領域として、ＳＳＤ１００４から読み出したＯＳや、最終検査の良否判定結果の予測結果を出力する予測プログラム等を実行する。
通信用ＬＳＩ１００５には無線通信用のアンテナ１０１２が接続されており、ＣＰＵ１００１の制御の下、予測スコア算出装置２０２へ検査データを送信したり、予測スコアを受信したりする等の通信処理を実行する。タッチパネルコントローラー１００９は、ＣＰＵ１００１からコマンドを受け付けて、タッチパネル１０１３の動作を制御する。
タッチパネル１０１３は、タッチパッド１０１４および液晶ディスプレイ１０１５を備えており、タッチパッド１０１４にて端末装置２０１のユーザーから検査データの入力などを受け付けたり、液晶ディスプレイ１０１５にて端末装置２０１のユーザーに最終検査の良否判定結果の予測結果などを提示したりする。タッチパッド１０１４は、静電容量方式や、電磁誘導方式、抵抗膜方式等の入力方式を用いたタッチセンサーを含み、透明部材で構成され、液晶ディスプレイ１０１５に重畳して設けられている。液晶ディスプレイ１０１５の背後には、光源であるＬＥＤ（Light Emitting Diode）が配設されており、液晶ディスプレイ１０１５のバックライトとして機能する。
スピーカー１００５は音声を出力し、マイク１００６は音声を集音する。カメラ１００９は、ＣＭＯＳ（Complementary Metal Oxide Semiconductor）イメージセンサとレンズとを含み、レンズから入射した光をＣＭＯＳイメージセンサで検出して画像データを生成する。
端末装置２０１は、図１１に示すように、まず最終検査の良否判定結果を予測したい仕掛品の検査データの入力を受け付ける（Ｓ１１０１）。例えば、図１２に示すような端末装置２０１の表示画面１２０１のシリアル番号欄１２０２にて最終検査の良否判定結果を予測したい仕掛品を組み込む製品のシリアル番号の入力を受け付けるとともに、検査データ欄１２０３にて当該仕掛品の工程検査における検査データの入力を受け付ける。
端末装置２０１のユーザーがシリアル番号と検査データの入力を完了して、スタートボタン１２０４をタッチすると、端末装置は、受け付けた検査データを予測スコア算出装置２０２へ送信して、予測スコアおよび閾値を要求する（Ｓ１１０２）。その後、予測スコア算出装置２０２から予測スコアおよび閾値を受信したら（Ｓ１１０３）、受信した予測スコアと閾値とを比較する。
予測スコアが閾値以上である場合には（Ｓ１１０４：ＹＥＳ）、最終検査において良判定されると予測する（Ｓ１１０５）。一方、予測スコアが閾値未満である場合には（Ｓ１１０４：ＮＯ）、最終検査において不良判定されると予測する（Ｓ１１０６）。その後、予測結果をタッチパネル１０１３の液晶ディスプレイ１０１５に表示出力して（Ｓ１１０７）、処理を終了する。
図１２の例では、予測スコア欄１２０５に予測スコアが表示され、閾値欄１２０６に閾値が表示されるとともに、予測スコアと閾値とを比較することによって予測した最終検査の良否判定結果が判定結果欄１２０７に表示されている。
なお、端末装置２０１は、ユーザーからシリアル番号の入力を受け付けると、外部記憶装置２０３等からシリアル番号に対応する検査データを取得してもよい。このようにすれば、端末装置２０１に検査データを入力するユーザーの手間を省くことができる。また、この場合には、シリアル番号の入力を契機として、検査データを読み出すだけでなく、当該検査データを予測スコア算出装置２０２に送信して、予測スコアと閾値とを要求してもよい。
また、予測スコア算出装置２０２にシリアル場号のみを送信して、予測スコア算出装置２０２に当該シリアル場号に対応する検査データを取得させ、当該検査データを用いて予測スコアを算出させてもよい。
本開示に係る予測スコア算出装置、予測スコア算出方法、予測スコア算出プログラムおよび学習装置は、生産ラインにおける最終検査のスコアを工程検査において予測する技術として有用である。
１………………………………………生産ライン
１０３、１０５、９０３、９０５…工程検査
１０７、９０７………………………最終検査
２………………………………………予測スクリーニングシステム
２０１…………………………………端末装置
２０２…………………………………予測スコア算出装置
２０３…………………………………外部記憶装置
４１０…………………………………予測スコア算出部
４２０…………………………………機械学習部
４３０…………………………………学習データ入力部
４４０…………………………………閾値決定部

Claims (15)

  1. 複数の加工工程と、少なくとも一つの検査工程を含む第１の検査工程と、前記第１の検査工程よりも下流工程で実施される第２の検査工程を経て製品が生産される生産工程について、前記第２の検査工程における良否判定のための予測スコアを算出する予測スコア算出装置であって、
    前記第１の検査工程のうち少なくとも一つの検査工程で得られた第１の検査データの入力を受け付ける入力手段と、
    入力された前記第１の検査データから機械学習モデルを用いて、前記予測スコアを算出する算出手段と、を備える
    ことを特徴とする予測スコア算出装置。
  2. 前記入力手段は、複数の検査工程を含む第１の検査工程の検査データの入力を受け付ける
    ことを特徴とする請求項１に記載の予測スコア算出装置。
  3. 前記予測対象の検査において不良と判定されるべき検査対象物品を構成する前記第１の検査工程の検査対象物品を、予測スコアの算出に用いる検査データを取得した第１の検査工程で不良と判定した場合の利益と、
    前記第２の検査工程において良と判定されるべき検査対象物品を構成する第１の検査工程の検査対象物品を、予測スコアの算出に用いる検査データを取得した第１の検査工程で不良と判定した場合の損失と、の少なくとも一方に応じて、
    当該第１の検査工程において当該検査対象物品を良否判定するための、予測スコアの閾値を決定する決定手段を備える
    ことを特徴とする請求項１または２に記載の予測スコア算出装置。
  4. 前記決定手段は、前記利益から前記損失を差し引いた残余のコストメリットが最大になるように前記閾値を決定する
    ことを特徴とする請求項３に記載の予測スコア算出装置。
  5. 前記決定手段は、前記第１の検査工程までの生産コスト、前記第１の検査工程後の部材コストおよび前記第２の検査工程の実施コストの少なくとも１つを用いて、前記利益並びに損失を算出する
    ことを特徴とする請求項３または４に記載の予測スコア算出装置。
  6. 前記機械学習モデルは、勾配ブースティング決定木、決定木分析、ロジスティック回帰、ランダムフォレストおよびニューラルネットワークのいずれかである
    ことを特徴とする請求項１から５のいずれかに記載の予測スコア算出装置。
  7. 前記機械学習モデルは、前記第２の検査工程を実施した検査対象物品の良否判定結果と、当該検査対象物品を構成する前記第１の検査工程の検査対象物品に関する第１の検査工程の検査データと、を教師データとして機械学習することによって、第１の検査工程の検査データから予測スコアを算出する
    ことを特徴とする請求項１から６のいずれかに記載の予測スコア算出装置。
  8. 前記第１の検査データは、前記第２の検査工程の項目と関連性のある検査対象の部位や機能についての検査データを含む
    ことを特徴とする請求項１から７のいずれかに記載の予測スコア算出装置。
  9. 前記第１の検査データは、複数の検査工程における検査データを用いる場合に、同一部
    位の加工前後における検査データを含む
    ことを特徴とする請求項１から８のいずれかに記載の予測スコア算出装置。
  10. 前記第１の検査データは、複数の検査工程における検査データを用いる場合に、異なる部位の測定データを含む
    ことを特徴とする請求項１から９のいずれかに記載の予測スコア算出装置。
  11. 前記第１の検査データは、複数の検査工程における検査データを用いる場合に、同じ部位に対して異なる物理量の測定データを含む
    ことを特徴とする請求項１から１０のいずれかに記載の予測スコア算出装置。
  12. 複数の加工工程と、少なくとも一つの検査工程を含む第１の検査工程と、前記第１の検査工程よりも下流工程で実施される第２の検査工程を経て製品が生産される生産工程について、前記第２の検査工程における良否判定のための予測スコアを算出する予測スコア算出方法であって、
    前記第１の検査工程のうち少なくとも一つの検査工程で得られた第１の検査データの入力を受け付ける入力ステップと、
    入力された前記第１の検査データから機械学習モデルを用いて、前記予測スコアを算出する算出ステップと、を含む
    ことを特徴とする予測スコア算出方法。
  13. 複数の加工工程と、少なくとも一つの検査工程を含む第１の検査工程と、前記第１の検査工程よりも下流工程で実施される第２の検査工程を経て製品が生産される生産工程について、前記第２の検査工程における良否判定のための予測スコアをコンピューターに算出させる予測スコア算出プログラムであって、
    前記第１の検査工程のうち少なくとも一つの検査工程で得られた第１の検査データの入力を受け付ける入力ステップと、
    入力された前記第１の検査データから機械学習モデルを用いて、前記予測スコアを算出する算出ステップと、をコンピューターに実行させる
    ことを特徴とする予測スコア算出プログラム。
  14. 複数の加工工程と、少なくとも一つの検査工程を含む第１の検査工程と、前記第１の検査工程よりも下流工程で実施される第２の検査工程を経て製品が生産される生産工程について、
    前記第１の検査工程のうち少なくとも一つの検査工程で得られた第１の検査データと、前記第２の検査工程を実施した検査対象物品の良否判定結果との入力を受け付ける学習データ入力部と、
    入力された前記第１の検査データと前記良否判定結果とを教師データとし、前記第２の検査工程における良否判定のための予測スコアを出力するように機械学習モデルを学習させる学習手段と、を備える
    ことを特徴とする学習装置。
  15. 前記機械学習モデルは勾配ブースティング決定木である
    ことを特徴とする請求項１４に記載の学習装置。
JP2022070207A 2020-06-16 2022-04-21 予測スコア算出装置、予測スコア算出方法、予測スコア算出プログラムおよび学習装置 Pending JP2022122862A (ja)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2020103856 2020-06-16
JP2020103856 2020-06-16
JP2021576221A JP7063426B1 (ja) 2020-06-16 2021-05-17 予測スコア算出装置、予測スコア算出方法および予測スコア算出プログラム
PCT/JP2021/018616 WO2021256141A1 (ja) 2020-06-16 2021-05-17 予測スコア算出装置、予測スコア算出方法、予測スコア算出プログラムおよび学習装置

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
JP2021576221A Division JP7063426B1 (ja) 2020-06-16 2021-05-17 予測スコア算出装置、予測スコア算出方法および予測スコア算出プログラム

Publications (1)

Publication Number Publication Date
JP2022122862A true JP2022122862A (ja) 2022-08-23

Family

ID=79267815

Family Applications (2)

Application Number Title Priority Date Filing Date
JP2021576221A Active JP7063426B1 (ja) 2020-06-16 2021-05-17 予測スコア算出装置、予測スコア算出方法および予測スコア算出プログラム
JP2022070207A Pending JP2022122862A (ja) 2020-06-16 2022-04-21 予測スコア算出装置、予測スコア算出方法、予測スコア算出プログラムおよび学習装置

Family Applications Before (1)

Application Number Title Priority Date Filing Date
JP2021576221A Active JP7063426B1 (ja) 2020-06-16 2021-05-17 予測スコア算出装置、予測スコア算出方法および予測スコア算出プログラム

Country Status (5)

Country Link
US (1) US20230185290A1 (ja)
EP (1) EP4167037A4 (ja)
JP (2) JP7063426B1 (ja)
CN (1) CN115702402A (ja)
WO (1) WO2021256141A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2024011516A (ja) * 2022-07-14 2024-01-25 株式会社日立製作所 特性予測装置、特性予測方法、および、特性予測プログラム
CN117055509B (zh) * 2023-09-25 2024-03-08 四川德润钢铁集团航达钢铁有限责任公司 一种基于人工智能对短流程钢铁工艺参数预测的方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4677679B2 (ja) * 2001-03-27 2011-04-27 株式会社デンソー 製品の製造プロセスにおける特性調整方法
JP3800244B2 (ja) * 2004-04-30 2006-07-26 オムロン株式会社 品質制御装置およびその制御方法、品質制御プログラム、並びに該プログラムを記録した記録媒体
JP4552749B2 (ja) 2005-05-12 2010-09-29 オムロン株式会社 検査基準設定装置及び方法、並びに、工程検査装置
JP5625935B2 (ja) 2011-01-18 2014-11-19 オムロン株式会社 判定基準値の適否判定方法およびその適正値の特定方法ならびに適正値への変更方法、部品実装基板の検査システム、生産現場におけるシミュレーション方法およびシミュレーションシステム
CN109074051B (zh) 2016-03-28 2021-06-11 三菱电机株式会社 质量管理装置、质量管理方法及记录介质
JP7062577B2 (ja) * 2018-11-21 2022-05-06 株式会社日立製作所 製造条件特定システムおよび方法

Also Published As

Publication number Publication date
EP4167037A4 (en) 2024-03-13
EP4167037A1 (en) 2023-04-19
JP7063426B1 (ja) 2022-05-09
CN115702402A (zh) 2023-02-14
JPWO2021256141A1 (ja) 2021-12-23
WO2021256141A1 (ja) 2021-12-23
US20230185290A1 (en) 2023-06-15

Similar Documents

Publication Publication Date Title
JP2022122862A (ja) 予測スコア算出装置、予測スコア算出方法、予測スコア算出プログラムおよび学習装置
US11341626B2 (en) Method and apparatus for outputting information
CN108228705B (zh) 直播视频反馈中的自动对象和活动跟踪设备、方法及介质
TW202027007A (zh) 電腦執行的車輛定損方法及裝置
CN109060817B (zh) 人工智能复检系统及其方法
CN105930257B (zh) 一种确定目标测试用例的方法及装置
US20140278778A1 (en) Method, apparatus, and computer-readable medium for predicting sales volume
CN114826885B (zh) 一种基于数据分析的设备故障监测系统及方法
EP3405844B1 (en) Methods and systems for root cause analysis for assembly lines using path tracking
CN111709371A (zh) 基于人工智能的分类方法、装置、服务器和存储介质
JP2019028834A (ja) 異常値診断装置、異常値診断方法、およびプログラム
JPWO2018146714A1 (ja) コンピュータシステムの監視装置および方法
US20200082225A1 (en) Inspection device and machine learning method
TW201518892A (zh) 用於改進製造產量之基於事件處理的系統
US20240192645A1 (en) System and method for automatically determining optimization process algorithm using machine learning model
KR102670325B1 (ko) 장비 관련 편차의 근본 원인 분석을 위한 방법 및 시스템
JP2019158684A (ja) 検査システム、識別システム、及び識別器評価装置
JP2021089116A (ja) 情報処理装置、情報処理方法、プログラム及び学習済みモデルの生成方法
CN111459804B (zh) 系统测试中的节点优化方法、装置及存储介质
US20230088484A1 (en) Artificial Intelligence Assisted Live Sports Data Quality Assurance
CN112365156A (zh) 一种数据处理方法、数据处理装置、终端及存储介质
KR20200071646A (ko) 이상 로그 탐지를 위한 탐지 장치 및 이의 동작 방법과 트레이닝 장치 및 이의 동작 방법
CN115630708A (zh) 一种模型更新方法、装置、电子设备、存储介质及产品
JP2013096741A (ja) 構造物の赤外線調査方法及び赤外線調査用演算装置
US20240193759A1 (en) Real-time process defect detection automation system and method using machine learning model