JP6640765B2 - 状態分析装置、状態分析方法及び状態分析プログラム - Google Patents

Description

本発明の実施形態は、状態分析装置、状態分析方法及び状態分析プログラムに関する。

製造現場で発生する不良要因等の状態を、製造過程で蓄積されたデータを用いて解析することが試みられている。蓄積されたデータから製品の状態を分析するために、可視化インターフェースが提供されている。既存の可視化インターフェースでは、状態を分析する分析手法が限られていたり分析手法を追加することができなかったりする場合があった。

特開２０１０−２５０７６９号公報

本発明が解決しようとする課題は、製品に生じる状態を様々な分析手法により分析することができる状態分析装置、状態分析方法及び状態分析プログラムを提供することである。

実施形態の状態分析装置は、データ分類部と、分析部と、判定部とを持つ。データ分類部は、入力されたデータを、複数の管理項目のそれぞれに対応する複数の検証項目のいずれに該当するか分類する。分析部は、前記データ分類部によって分類された前記データに基づいて、前記複数の管理項目と前記複数の検証項目の各組み合わせにおける不具合（目的変数と関連性のあるデータを指し、本明細書の以下での説明では同様の意味とする。本明細書においては不良発生や歩留まり低下の要因というネガティブなデータの発見を目的とした分析を実施例として挙げているため、分かり易さのために不具合という言葉を使用しているが、必ずしもネガティブなものに限定される訳ではない。）の有無とを分析する。判定部は、前記分析部が分析した分析結果に基づいて、前記管理項目と前記検証項目の組み合わせ毎に分析結果を判定する。

第１の実施形態の状態分析装置の構成を示すブロック図。 入力データの例を示す図。 データの変数を定義する例を示す図。 ４Ｍの各管理項目に対して割り当てられる複数の検証項目を示す図。 入力データのデータ要素と４Ｍの管理項目との関係を示す図。 入力データのデータ要素に対する検証項目を示す図。 マッピング結果を示す図。 連続値である説明変数を離散化する処理を示す図。 離散化された説明変数を示す図。 不良率の偏りを示すグラフ。 歩留まりのばらつきを示す図。 初期の不良率が高いデータを示す図。 後期の不良率が高いデータを示す図。 不良の偏り分析部によるｔ検定を示す図。 不良の偏り分析部によるｔ検定のｐ値のリストの算出結果を示す図。 不良の偏り分析部によるFisher検定を示す図。 不良の偏り分析部によるFisher検定のｐ値のリストの算出結果を示す図。 不良のばらつき分析部によるＦ検定を示す図。 不良のばらつき分析部によるＦ検定のｐ値のリストの算出結果を示す図。 検定前に前処理されたデータを示す図。 初期不良分析部によるｔ検定を示す図。 初期不良分析部によるFisher検定を示す図。 初期不良分析部によるＦ検定のｐ値のリストの算出結果を示す図。 分析部が不良の偏り分析部の場合の分析結果を集計した図。 全ての分析部の分析結果を集計した図。 判定結果表示部に表示される画像を示す図。 状態分析装置の処理を示すフローチャート。 状態分析装置の処理を示すフローチャート。 第２の実施形態の状態分析装置の構成を示すブロック図。 データの変数を定義する例を示す図。 ４Ｍの各管理項目に対して割り当てられる複数の検証項目を示す図。 統計量が時系列で変化するシューハートの管理図。 シューハートの異常判定ルールを示す図。 時系列で発生するデータの変動を示す図。 シューハート分析によって分析される異常を示す図。 シューハート分析に用いられる入力データを示す図。 シューハート分析部による統計量の算出結果を示す図。 群単位で判定処理された結果を示す図。 シューハート分析による異常判定を示す図。 シューハート分析部によるｔ検定の結果を示す図。 シューハート分析部によるFisher検定の結果を示す図。 判定結果表示部に表示される画像ＩＭを示す図。 状態分析装置の処理を示すフローチャート。 状態分析装置の処理を示すフローチャート。

以下、実施形態の状態分析装置、状態分析方法及び状態分析プログラムを、図面を参照して説明する。

（第１の実施形態）
図１は、第１の実施形態の状態分析装置１の構成を示すブロック図である。状態分析装置１は、例えば製品の製造過程で蓄積された種々のデータから、不良等が発生している状態がどのような要因によるものなのかを分析する装置である。状態分析装置１は、例えば、記憶部１０と、データ分類部１００と、分析部２００と、判定部３００と、表示部４００と、を備える。記憶部１０は、例えば、入力データ記憶部１１と、変数定義データ記憶部１２と、４Ｍ・検証項目マスタ記憶部１３とを備える。データ分類部１００は、例えば、４Ｍ定義部１１０と、検証項目定義部１２０と、データ分割部１３０とを備える。分析部２００は、例えば、前処理部２１０と、分析処理部２２０とを備える。判定部３００は、分析結果集計部３１０と、集計結果判定部３２０とを備える。表示部４００は、例えば、判定結果表示部４１０を備える。

データ分類部１００、分析部２００、及び判定部３００は、それぞれ、ＣＰＵ（Central Processing Unit）などのプロセッサがプログラム（ソフトウェア）を実行することで実現される。また、データ分類部１００、分析部２００、及び判定部３００の機能部のうち一部または全部は、ＬＳＩ（Large Scale Integration）やＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field-Programmable Gate Array）などのハードウェアによって実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。

記憶部１０は、種々のデータが記憶される記憶装置である。記憶部１０は、例えば、ＨＤＤ（Hard Disc Drive）、フラッシュメモリ、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）、ＲＯＭ（Read Only Memory）、またはＲＡＭ（Random Access Memory）等により実現される。入力データ記憶部１１には、製品の製造過程で取得された種々の入力データが記憶されている。

図２は、入力データの例を示す図である。入力データは、例えば、１製品のデータが１行（レコード）で表現される形式のデータである。入力データは、例えば数百にのぼる多数の製造工程から収集される数百万種類の膨大なデータである。入力データの説明変数（独立変数）はデータ１のようにカテゴリカル（離散データ）な形式であっても、データ２のように数値（連続値データ）であってもよい。入力データの目的変数（従属変数）は、結果１のように０または１（例えば良品または不良品）で表されるデータか、結果２のような歩留まりのように品質の程度を表す連続値データである。また、データは、時系列順に並べられている。

変数定義データ記憶部１２には、入力データのデータ要素が説明変数であるか目的変数であるかどうかが定義されて記憶されている。図３は、データの変数を定義する例を示す図である。図示するように、図２のデータ１及びデータ２は説明変数であり、結果１及び結果２は、目的変数と定義されている。

４Ｍ・検証項目マスタ記憶部１３には、入力データのデータ要素を分類するための管理項目と検証項目とが記憶されている。図４は、４Ｍの各管理項目に対して割り当てられる複数の検証項目を示す図である。管理項目は、例えば品質管理に用いられる４Ｍの項目で定義されている。４Ｍとは、例えば、人(Man)、機械(Machine)、取り扱い物質(Material)、及び方法(Method)で定義される管理項目である。また、４Ｍに分類されない、その他（Other）の管理項目が、４Ｍ・検証項目マスタ記憶部１３において定義されてもよい。これらの管理項目は、ユーザによって任意に入力されてもよい。管理項目は、上記の４Ｍ以外の項目を用いてもよく、任意に変更及び追加され得る。

検証項目は、４Ｍの各管理項目に対して定義される品質不良の要因を見つけるための複数の観点である。検証項目は、例えば品質工学、信頼性工学に基づく検証の観点に基づいて設定される項目である。検証項目は、例えば、不良の偏り、不良のばらつき、初期不良、及び摩耗不良が定義される。４Ｍ(Man、Machine、Material、Method)の４つの管理項目のそれぞれに対して不良の偏り、不良のばらつき、初期不良、及び摩耗不良の検証項目が割り当てられる。

データ分類部１００は、４Ｍの管理項目毎に分類された入力データのデータ要素を対応する複数の検証項目毎に分類する。データ分類部１００は、入力データ記憶部１１に記憶された入力データのデータ要素を４Ｍ・検証項目マスタ記憶部１３に記憶された４Ｍの管理項目と検証項目の組み合わせ毎に分類する。４Ｍ定義部１１０は、入力データを構成するデータ要素が、４Ｍ・検証項目マスタ記憶部１３に記憶された４Ｍの管理項目のいずれかに対応するのか定義する。データ要素と４Ｍの管理項目との対応関係は、適宜ユーザによって設定され得る。

図５は、入力データのデータ要素と４Ｍの管理項目との関係を示す図である。図示するように、４Ｍ定義部１１０は、入力データを構成するデータ要素が４Ｍのいずれに相当するのかを定義している。データ要素と４Ｍとの関係は、適宜ユーザによって設定され得る。例えばデータ１は４ＭのうちMaterialが割り当てられ、データ２はMachineが割り当てられている。

検証項目定義部１２０は、入力データの各データ要素に対する各検証項目を定義する。図６Ａは、データ要素に対する検証項目を示す図である。検証項目定義部１２０は、４Ｍ定義部１１０において定義されたデータ要素と４Ｍの対応関係と、４Ｍ・検証項目マスタ記憶部１３に記憶された検証項目とに基づいて入力データの各データ要素に対する各検証項目を定義する。例えばデータ１及びデータ２の検証項目は、不良の偏り、不良のばらつき、初期不良、及び摩耗不良がそれぞれ割り当てられている。これらの検証項目は、適宜ユーザによって設定及び追加され得る。

データ分割部１３０は、４Ｍ定義部１１０及び検証項目定義部１２０によって定義された結果に基づいて、入力データを構成するデータ要素から抽出される説明変数のデータ及び目的変数のデータを４Ｍと検証項目とで構成されるマトリクスにマッピングする。図６Ｂは、マッピング結果を示す図である。

分析部２００は、データ分類部１００によって分類された入力データと、変数定義データ記憶部１２に記憶された変数定義とに基づいて、４Ｍの管理項目と複数の検証項目の組み合わせ毎に不具合の有無を分析する。前処理部２１０は、データ分類部１００によって分類された入力データをデータ形式に基づいて、後述する分析を可能とするデータ形式に変換すると共に分析手法を選択する。

前処理部２１０は、説明変数データ型判断部２１１と、説明変数離散化部２１２と、目的変数データ型判断部２１３と、分析手法選択部２１４とを備える。説明変数データ型判断部２１１は、変数定義データ記憶部１２に記憶された変数定義に基づいてデータ分類部１００で分類されたデータの説明変数を抽出し、各説明変数のデータが連続値データであるか離散データであるかを判定する。説明変数データ型判断部２１１は、例えばデータの値の種類が５（＝分割数＋１）以上のデータを連続値データと判定する。説明変数データ型判断部２１１は、例えばデータの値の種類が５未満のデータを離散データと判定する。例えばデータ１は離散データであり、データ２は連続値データである（図２参照）。

説明変数離散化部２１２は、説明変数データ型判断部２１１が説明変数のデータは連続値データであると判定した場合、データを離散化する処理を行う。図７は、連続値である説明変数を離散化する処理を示す図である。図示するように例えば、説明変数離散化部２１２は、連続値である説明変数を４分位で４分割して離散化する。図８は、離散化された説明変数を示す図である。図８に示されるように、説明変数離散化部２１２は、説明変数であるデータ２の数値データを、Ｌ、ＭＬ、ＭＨ、Ｈの４つの区分で分類されたデータ値に離散化する。

説明変数離散化部２１２が離散化処理を行うと、後の処理で扱われるデータが連続値データか離散化データか否かを識別する必要がなくなり、後の処理がシンプルになる。離散化するデータの分割数は必要に応じて異なる数字に変更しても良い。例えば説明変数データ型判断部２１１は、データの値の種類が５以上のデータを連続値データと識別しているが、この値を説明変数離散化部２１２が分割するデータの分割数に応じて変更してもよい。

次に目的変数データ型判断部２１３は、データの目的変数が連続値データであるか離散データであるかを識別する。目的変数データ型判断部２１３は、目的変数の値の種類をカウントし、目的変数の値の種類が３以上であれば連続値データと識別し、目的変数の値の種類が２以下であれば離散データと識別する。例えば目的変数である結果１の値の種類は０と１の２種類であるので、目的変数データ型判断部２１３は、結果１を離散データと識別する（図２参照）。そして目的変数である結果２の値の種類は３種類以上あるので、目的変数データ型判断部２１３は、結果２を連続値データと識別する（図２参照）。

分析手法選択部２１４は、目的変数データ型判断部２１３による目的変数が連続値データであるか離散データであるかという識別結果に応じてデータを分析するための適切な分析アルゴリズムを選択する。即ち、分析手法選択部２１４は、分析手法を選択する際に、データ形式に基づいて、検証項目毎にデータに対して適用される分析手法を選択する。例えば図２に示すような入力データの場合には、分析手法選択部２１４は、結果１のデータに対しては離散データとしての分析手法を選択し、結果２のデータに対しては連続値データとしての分析手法を選択する。

分析処理部２２０は、前処理部２１０によって前処理された入力データに対して複数の分析処理を実行する。分析処理部２２０は、不良の偏り分析部２２１と、不良のばらつき分析部２２２と、初期不良分析部２２３と、摩耗不良分析部２２４とを備える。即ち、分析処理部２２０は、検証項目のそれぞれに対応した複数の分析部を備える。これらの分析部は、検証項目によって変更してもよいし、他の検証項目に対応して他の分析部を追加してもよい。

不良の偏り分析部２２１は、不良の偏りの観点から不具合の有無を分析する。不良の偏り分析部２２１は、不良率（目的変数が”1”の値を取る比率を指し、本明細書の説明では同様の意味とする）が偏って高くなるデータを抽出する。図９は、不良率の偏りを示すグラフである。不良の偏り分析部２２１は、ある１つの説明変数があるデータ値をとる時に、それ以外の場合と比べて不良率が有意に高くなっているかの指標となる数値を算出する。図示するように、例えば製品に用いられる一部品（Material）が異なる流通経路Ａ〜Ｇで仕入れられている場合、不良の偏り分析部２２１によって不良率が高い部品の流通経路を抽出することができる。不良の偏り分析部２２１の処理の内容の詳細については後述する。

不良のばらつき分析部２２２は、不良のばらつきの観点から不具合の有無を分析する。不良のばらつき分析部２２２は、歩留まり（目的変数）のばらつきが大きくなるデータ値を抽出する。不良のばらつき分析部２２２は、ある１つの説明変数があるデータ値をとる時に、それ以外の場合と比べて歩留まりが有意に低くなっているかの指標となる数値を算出する。図１０は、歩留まりのばらつきを示す図である。図示するように、例えば製品が作業員Ａ〜Ｃによって組み立てられている場合に、Ｂの歩留りのデータにばらつきが多いことを抽出することができる。不良のばらつき分析部２２２の処理の内容の詳細については後述する。

初期不良分析部２２３は、初期不良の観点から不具合の有無を分析する。初期不良分析部２２３は、初期に不良率が高くなる傾向を示すデータ値を抽出する。初期不良分析部２２３は、ある１つの説明変数があるデータ値を取り続ける製造条件下で製造した場合にその製造初期において、それ以外の場合と比べて不良率が有意に高くなっているかの指標となる数値を算出する。図１１は、初期の不良率が高いデータを示す図である。初期不良分析部２２３による分析は、例えば製品にある部品が使われる場合に、製品の製造初期には安定せずに不良を起こすようなケースで、部品による原因を発見することを目的としている。初期不良分析部２２３の処理の内容の詳細については後述する。

摩耗不良分析部２２４は、４Ｍの管理項目のそれぞれと摩耗不良の検証項目との相関を分析する。摩耗不良分析部２２４は、後期になるほど不良率が高くなる傾向を示すデータ値を抽出する。摩耗不良分析部２２４は、ある１つの説明変数があるデータ値を取り続ける製造条件下で製造した場合にその製造後期において、それ以外の場合と比べて不良率が有意に高くなっているかの指標となる数値を算出する。図１２は、後期の不良率が高いデータを示す図である。摩耗不良分析部２２４による分析は、例えばある材料を使い続けた場合に、製造後期に材料が劣化して来て不良を起こすようなケースで、部品による原因を発見することを目的としている。摩耗不良分析部２２４の処理の内容の詳細については後述する。

以上、まとめると、分析部２００は、データのデータ形式を識別する際、データの説明変数及び目的変数が連続値データか離散データであるかを識別する。分析部２００は、説明変数が連続値データと識別した場合はデータを離散データに離散化処理し、目的変数の識別結果に応じてデータに対して適用される分析手法を選択する。

以下、各分析処理の具体的な内容を詳細に説明する。

不良の偏り分析部２２１は、データの種類に応じてｔ検定又はFisher検定を実施する。不良の偏り分析部２２１は、例えば目的変数が連続値データの場合には、説明変数のデータ値毎にｔ検定を実施する。ｔ検定では、算出されるｔ値の絶対値が大きければ大きいほど、強く有意であると判断される。不良の偏り分析部２２１は、目的変数の平均値に有意な差が生じているかどうかを調べるためにｐ値を算出する。ｐ値は、サンプルデータから得られた平均値の差の有意性を判断するための指標となり、ｐ値が小さいと帰無仮説は棄却され、サンプリングによる偶然ではなく確かに統計的に有意な差があると判断される。

図１３は、不良の偏り分析部２２１によるｔ検定を示す図である。ここでｔ検定は、説明変数であるデータ１が値Ａをとった場合の目的変数２に対して行われる。不良の偏り分析部２２１は、データ１が値Ａの場合とそれ以外の場合とでサンプル数、目的変数２の平均値、標準偏差をそれぞれ算出する。その後、不良の偏り分析部２２１は、その後ｔ検定を実施し平均値に有意差があるかどうかを調べる。不良の偏り分析部２２１は、このような処理を全ての説明変数のデータ値に対して実行する。図１４は、不良の偏り分析部２２１によるｔ検定のｐ値のリストの算出結果を示す図である。

また、不良の偏り分析部２２１は、目的変数が離散データの場合、説明変数の各データ値毎にFisher検定を実施する。そして不良の偏り分析部２２１は、目的変数が”１（例えば不良品に該当）”の値をとる頻度が各データ値において有意に高くなっているかどうかを調べるためにｐ値を算出する。

図１５は、不良の偏り分析部２２１によるFisher検定を示す図である。Fisher検定は、２×２の分割表で分割されたデータの検定法である。説明変数であるデータ１が値Ａの場合の目的変数１に対して行われる。不良の偏り分析部２２１は、データ１が値Ａをとった場合とそれ以外の場合とで、目的変数１（結果１）の値が”１（例えば不良品）”または”０（例えば良品）”となったデータ件数を算出する。そして不良の偏り分析部２２１は、目的変数１の値が”１”となる頻度に有意差があるかどうかを調べる。不良の偏り分析部２２１は、このような手続きを全ての説明変数のデータ値に対して実行し、ｐ値のリストを結果として出力する。図１６は、不良の偏り分析部２２１によるFisher検定のｐ値のリストの算出結果を示す図である。

不良のばらつき分析部２２２は、データの目的変数が連続値である場合にのみ処理を実行する。不良のばらつき分析部２２２は、目的変数が連続値である場合、説明変数のデータ値毎にＦ検定を実施する。Ｆ検定は、検定統計量が帰無仮説の下でＦ分布に従うことを仮定して行う統計的検定である。Ｆ分布は、２つの群の標準偏差の比を統計量Ｆとすると、両群とも正規分布に従う場合にはＦはＦ分布に従うという分布である。図１７は、不良のばらつき分析部２２２によるＦ検定を示す図である。

不良のばらつき分析部２２２は、例えばデータ１が値Ａをとった場合とそれ以外の場合とでサンプル数、標準偏差をそれぞれ算出しＦ検定を実施して標準偏差に有意差があるかどうかを調べる。そして不良のばらつき分析部２２２は、目的変数の標準偏差に有意な差があるかどうかを調べるためにｐ値を算出する。図１８は、不良のばらつき分析部２２２によるＦ検定のｐ値のリストの算出結果を示す図である。

また、不良のばらつき分析部２２２は、データの目的変数が離散値である場合は処理を実行しない。目的変数が”０”または”１”の離散値しか取らない場合、目的変数の値の分布は２項分布に従う。このため、ばらつきの差は不良の偏り分析部２２１で計算した平均値の差と等価となり、改めて計算する意味を持たないためである。

次に初期不良分析部２２３及び摩耗不良分析部２２４による分析処理では、前処理として各データ値に対するデータを初期、中期、後期に分割する。図１９は、検定前に前処理されたデータを示す図である。初期不良分析部２２３及び摩耗不良分析部２２４は、各データ値が連続して何回出現したかをカウントし、カウント数を初期、中期、後期の３領域に分割し、カウント数に応じてデータを各領域に割り当てる。図示するように、例えばデータ１のＡが連続するカウント数１〜６が初期、中期、後期にそれぞれ分割される。残る処理は不良の偏り分析部２２１の処理と殆ど同様の手順で行われる。

図２０は、初期不良分析部２２３によるｔ検定の結果を示す図である。図示するように、初期不良分析部２２３は、目的変数が連続値の場合にｔ検定を実施する。初期不良分析部２２３は、初期の不良を分析するため、例えば説明変数データ１が値Ａで、かつカウンタが初期の場合に目的変数２に対する有意差検定を実施する。また、初期不良分析部２２３は、目的変数が離散値の場合にはFisher検定を実施する。図２１は、初期不良分析部２２３によるFisher検定を示す図である。

初期不良分析部２２３は、上記処理を全ての説明変数のデータ値に対して実行する。そして初期不良分析部２２３は、ｐ値のリストを結果として出力する。図２２は、初期不良分析部２２３によるt検定またはFisher検定のｐ値のリストの算出結果を示す図である。

摩耗不良分析部２２４による分析処理は、基本的に初期不良分析部２２３の処理と同様である。摩耗不良分析部２２４は、後期の不良を分析するため、例えば説明変数データ１が値Ａで、かつカウンタが後期の場合に目的変数２に対する有意差検定を実施する。摩耗不良分析部２２４の分析処理は、初期不良分析部２２３がカウンタ初期に対して行った処理と全く同様の処理をカウンタ後期に対して実行する。上記処理により、分析部２００における各分析処理が終了する。

判定部３００は、分析部２００が分析した分析結果を集計すると共に集計結果に基づいて各管理項目と判断項目の組み合わせに対し不具合の有無を判定する。判定部３００は、得られた分析結果を再び４Ｍ×分析項目のマトリクスにマッピングする。

分析結果集計部３１０は、４Ｍの管理項目に対する検証項目毎にｐ値の最小値（太字）を集計する。図２３は、分析部が不良の偏り分析部２２１の場合の分析結果を集計した図である。分析結果集計部３１０は、同様に全ての分析部の分析結果を集計する。図２４は、全ての分析部の分析結果を集計した図である。

次に集計結果判定部３２０は、各ｐ値に基づいて各管理項目と判断項目の組み合わせに対し不具合の有無を判定する。集計結果判定部３２０は、各ｐ値が、不具合可能性高（ｐ値１％未満）、不具合可能性中（ｐ値１％以上５％未満）、不具合可能性低（ｐ値５％以上）のいずれに該当するかを判定する。即ち集計結果判定部３２０は、各管理項目と判断項目の組み合わせに対し目的変数とデータとの関連の有意性を複数の段階に区分して判定する。集計結果判定部３２０は、閾値として１％、５％という値を用いているがこれらの値は必要に応じて変更しても良い。

表示部４００は、判定部３００の判定結果を画像ＩＭで表示する判定結果表示部４１０を備える。図２５は、判定結果表示部４１０に表示される画像ＩＭを示す図である。画像ＩＭには、判定部３００の判定結果が４Ｍ（管理項目）×各分析部（検証項目）のマトリクスにそれぞれ表示される。画像ＩＭのマトリクスの各表示欄には、判定結果が例えば色の変化によって表示される。

例えば、不具合の可能性が低い場合、画像ＩＭのマトリクスの各表示欄には、青色の信号を表示してもよい。不具合の可能性が中の場合、画像ＩＭのマトリクスの各表示欄には、黄色の信号を表示してもよい。不具合の可能性が高い場合、画像ＩＭのマトリクスの各表示欄には、赤色の信号を表示してもよい。そして、データが存在しない場合は、画像ＩＭのマトリクスの各表示欄を無表示としてもよい。操作者は、画像ＩＭの色を判別することにより、各管理項目と検証項目の組み合わせにおける不具合の有無を把握することができる。

以下、状態分析装置１の処理の流れについて説明する。図２６及び図２７は、状態分析装置１の処理を示すフローチャートである。４Ｍ定義部１１０において４Ｍの管理項目に対応するデータを入力する（ステップＳ１１０）。検証項目定義部１２０において検証項目を入力する（ステップＳ１１１）。データ分割部１３０は、入力されたデータを４Ｍの管理項目と検証項目とで構成されるマトリクスにマッピングする（ステップＳ１１２）。

説明変数データ型判断部２１１は、マッピングされたデータの説明変数が連続値データか否かを判断する（ステップＳ１１３）。説明変数が連続値データである場合（ステップＳ１１３：Ｙｅｓ）、説明変数離散化部２１２は、説明変数のデータを離散化する（ステップＳ１１４）。

説明変数が連続値データでなく離散データの場合（ステップＳ１１３：Ｎｏ）、ステップＳ１１５の処理へ進む。目的変数データ型判断部２１３は、データの目的変数が連続値データか否かを判定する（ステップＳ１１５）。目的変数が連続値データである場合（ステップＳ１１５：Ｙｅｓ）、分析手法選択部２１４は、連続値データを分析するための適切な分析アルゴリズムを選択する（ステップＳ１１６）。

不良の偏り分析部２２１は、目的変数が連続値データである場合、不良の偏りをｔ検定で分析する（ステップＳ１１７）。不良のばらつき分析部２２２は、目的変数が連続値データである場合、説明変数のデータ値毎にＦ検定を実施する（ステップＳ１１８）。

初期不良分析部２２３は、目的変数が連続値の場合にｔ検定を実施する（ステップＳ１１９）。摩耗不良分析部２２４は、目的変数が連続値の場合にｔ検定を実施する（ステップＳ１２０）。ステップＳ１１５で、目的変数が連続値データでなく離散データの場合（ステップＳ１１５：Ｎｏ）、分析手法選択部２１４は、離散データを分析するための適切な分析アルゴリズムを選択する（ステップＳ１１６）。不良の偏り分析部２２１は、目的変数が離散データである場合、不良の偏りをFisher検定で分析する（ステップＳ１３１）。

不良のばらつき分析部２２２は、目的変数が離散データである場合、処理を実行しない。初期不良分析部２２３は、目的変数が離散値の場合にFisher検定を実施する（ステップＳ１３２）。摩耗不良分析部２２４は、目的変数が離散値の場合にFisher検定を実施する（ステップＳ１３３）。分析結果集計部３１０は、４Ｍの管理項目に対する検証項目毎に分析結果を集計する（ステップS１４０）。

集計結果判定部３２０は、分析結果に基づいて不具合の有無を判定する（ステップS１４１）。不具合の可能性が低い場合（ステップＳ１４２：Ｙｅｓ）、判定結果表示部４１０は、青色の信号を表示する。

不具合の可能性が中の場合（ステップＳ１４３：Ｙｅｓ）、判定結果表示部４１０は、黄色の信号を表示する。不具合の可能性が高い場合（ステップＳ１４４：Ｙｅｓ）、判定結果表示部４１０は、赤色の信号を表示する。データが存在しない場合は、判定結果表示部４１０は、無表示とする。

以上で説明した第１の実施形態によれば、状態分析装置１がデータ分類部１００と、分析部２００と、判定部３００と、を持つことにより、製品に生じる状態を様々な分析手法により１度で網羅的に分析することができる。即ち状態分析装置１によると、製品の製造過程で蓄積された膨大な量の種々のデータに基づいて不良等が発生している状態がどのような要因によるものなのか分析することができる。状態分析装置１によると、複数の管理項目に対応する複数の検証項目において不良等が発生している状態を可視化された態様で容易に把握することができる。

具体的には、状態分析装置１によれば、入力データが一定のデータ形式であればどのようなデータに対しても４Ｍ（＋Other）×品質工学で用いる４つの分析手法のマトリックスでの不具合を表示する俯瞰図を自動的に出力することができる。これにより状態分析装置１によると、分析手法を試行錯誤する必要なく、短期間で容易に品質管理のどこに課題があるか把握することができ、観点の見落としも防ぐことができる。

（第２の実施形態）
第１の実施形態では、分析部２００において、不良の偏り、不良のばらつき、初期不良、及び摩耗不良の各検証項目の要因が発生しているか否かを分析するものとして説明した。分析の観点はこれらに限定されるものではなく、分析部２００には他の分析手法を行う構成が追加されてもよい。第２実施形態では、上記の検証項目に更なる検証項目を追加して不良の要因を分析する。

図２８は、第２の実施形態にかかる状態分析装置２の構成を示すブロック図である。状態分析装置２は、第１実施形態に比して分析部２００に既に用意されている検証項目とは異なる他の分析手法であるシューハート分析部２２５が追加されている。そして、４Ｍ・検証項目マスタ記憶部１３にも既に用意されている検証項目とは異なる他の検証項目であるシューハート分析の検証項目が追加で記憶されている。状態分析装置２では、分析の検証項目および処理ブロックを追加または削除して検証項目を自由に取捨選択することが可能である。

図２９は、データの変数を定義する例を示す図である。後で説明するように、シューハートの管理図による分析を行うためには、「群」と呼ばれるグループ単位を定義するのに用いる変数を定める必要があり、この例ではデータ１がこれに該当する。図３０は、４Ｍの各管理項目に対して割り当てられる複数の検証項目を示す図である。ここでは、第１実施形態に比してシューハート分析の検証項目が追加されている（図４参照）。

図３１は、統計量が時系列で変化するシューハートの管理図である。シューハート分析とは、データから算出した統計量を時系列順にならべた時の変動が統計的に極めて稀にしか起こらない異常な変動になっているか否かを判定する手法である。図示するように、ある日に急激な変動データが確認されるが、シューハート分析でこの変動が異常な変動なのか否かが分析される。

図３２は、シューハートの異常判定ルールを示す図である。図示するように、異常の判定は８つのルールに該当するか否かで行われる。図３３は、時系列で発生するデータの変動を示す図である。図示するように、シューハートの管理図の考え方では、生産工程の品質要素（４Ｍ）が均一とみなせる時間的ブロック（以下、「群」と呼ぶ）内での平均的な郡内変動は群１のように偶然変動（いつもの状態）とみなす。そして、シューハートの管理図の考え方では、偶然変動では説明できない群２のような群内変動や群３のような群間変動（いつもと異なる状態）を異常として検出する。

シューハートの管理図では、データの各群から算出した統計量がプロットされる（図３１参照）。統計量は、例えば群の平均値、中央値、ばらつき（最大値と最小値の差）などである。図３４は、シューハート分析によって分析される異常を示す図である。シューハート管理図による分析では、異常が発生した群と発生しなかった群とで不良率を比較することで、シューハートの異常と不良とに関係性があるか否かが調査される。

以下、シューハート分析部２２５による具体的な分析手順について説明する。シューハートの分析を行う際には、変数定義データにおいて、どのデータが群を規定する変数（以下、群変数と呼ぶ）であるかを定義しておく（図２９参照）。また、４Ｍ・検証項目マスタ記憶部１３の検証項目に「シューハート」を追加する。また、分析部２００にシューハート分析部２２５が追加される。ここで、４Ｍ・検証項目マスタ記憶部１３の検証項目と分析部２００のシューハート分析部２２５を追加する場合、ユーザによって設定されてもよいし、他の状態分析装置２と接続されることにより自動的に追加されてもよい。

図３５は、シューハート分析に用いられる入力データを示す図である。分析対象となる入力データに対して、変数定義データ記憶部１２においてデータ１が群変数に指定されているものとする。また、データは時系列順に並んでいることを前提とする。この条件において、群変数が同一の値を取り続けている場合にはこれらのデータを同一の群と考えて入力データをデータ分割部１３０によって群単位に分割し、シューハート分析部２２５によって群毎に統計量（例えば平均値）を算出する。

図３６は、シューハート分析部２２５による統計量の算出結果を示す図である。数値をグラフにプロットすると、時系列グラフが得られる（図３１参照）。シューハート分析部２２５は、群単位で算出された統計量に８つのルール（図３２参照）のいずれかに該当する群があるかどうかを検索する。シューハート分析部２２５は、検索の結果、８つのルールに該当する群があればその群で異常が発生したものと判定する。図３７は、群単位で判定処理された結果を示す図である。次にシューハート分析部２２５は、群単位になっている図３７のデータを元の個体単位のデータに展開し、連続する群のそれぞれで発生した異常を判定する。

図３８は、シューハート分析による異常判定を示す図である。図示するように、シューハート分析部２２５は、例えば群５のように、１つの群を異常と判定した場合、その群に含まれる全ての個体において異常が発生したものとして扱う。以後、シューハート分析部２２５は、シューハートの異常と目的変数との間に関係性があるか否かを検定により判定する。シューハート分析部２２５は、シューハートの異常があった個体集合となかった個体集合とで検定を実行する。この処理は第１の実施形態で説明した不良の偏りを分析する手続きと同一である。

シューハート分析部２２５は、例えば入力データの目的変数が連続値であればｔ検定を行う。図３９は、シューハート分析部２２５によるｔ検定の結果を示す図である。シューハート分析部２２５は、例えば入力データの目的変数が離散値であればFisher検定を実施し、検定ｐ値を得る。図４０は、シューハート分析部２２５によるFisher検定の結果を示す図である。以後の状態分析装置２における処理は第１の実施形態と同様である。

判定部３００において４Ｍと各検証項目とからなるマトリクスに検定ｐ値を集計し、表示部４００で判定結果を示す画像ＩＭによって可視化すると、シューハートの管理図による分析を加えたマッピングが完成する。図４１は、判定結果表示部に表示される画像ＩＭを示す図である。

以下、状態分析装置２の処理について説明する。Ｓ２２１及びＳ２３４のシューハート分析部２２５による分析処理以外は第１の実施形態の処理と同一であるため、以下ではＳ２２１及びＳ２３４の処理内容のみ説明する。図４２及び図４３は、状態分析装置２の処理を示すフローチャートである。

検証項目定義部１２０においてシューハート分析を加えた検証項目を入力する（ステップＳ２１１）。シューハート分析部２２５は、データの説明変数の群毎の統計量を算出し、群毎にシューハートの異常判定ルールに該当するか否かを判定する。シューハート分析部２２５は、目的変数が連続値の場合に、シューハートの異常があった個体集合となかった個体集合とでｔ検定を実行し検定ｐ値を算出する（ステップＳ２２１）。シューハート分析部２２５は、目的変数が離散値の場合に、シューハートの異常があった個体集合となかった個体集合とでFisher検定を実行し検定ｐ値を算出する（ステップＳ２３４）。

以上で説明した第２の実施形態に係る状態分析装置２によると、分析部２００で他の分析部を追加することにより、ユーザが所望の検証項目において不良等が発生している状態を可視化された態様で容易に把握することができる。具体的には状態分析装置２によると、シューハートの管理図による分析を加えることで、品質に影響を与える「いつもとは異なる状態（異常）」を自動抽出することができる。

以上で説明した少なくとも一つの実施形態によれば、状態分析装置１がデータ分類部１００と、分析部２００と、判定部３００と、を持つことにより、製品に生じる状態を様々な分析手法により分析することができる。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。例えば、実施形態の状態分析装置は製造ラインの不良要因を分析する場合に適用する他に、製造ライン以外の不良要因を分析するために適用ことができる。

１…状態分析装置、２…状態分析装置、１０…記憶部、１１…入力データ記憶部、１２…変数定義データ記憶部、１３…４Ｍ・検証項目マスタ記憶部、１００…データ分類部、１１０…４Ｍ定義部、１２０…検証項目定義部、１３０…データ分割部、２００…分析部、２１０…前処理部、２１１…説明変数データ型判断部、２１２…説明変数離散化部、２１３…目的変数データ型判断部、２１４…分析手法選択部、２２０…分析処理部、２２１…不良の偏り分析部、２２２…不良のばらつき分析部、２２３…初期不良分析部、２２４…摩耗不良分析部、２２５…シューハート分析部、３００…判定部、３１０…分析結果集計部、３２０…集計結果判定部、４００…表示部、４１０…判定結果表示部

Claims (8)

1. 入力されたデータを、複数の管理項目のそれぞれに対応する複数の検証項目のいずれに該当するか分類するデータ分類部と、
   前記データ分類部によって分類された前記データに基づいて、前記複数の管理項目と前記複数の検証項目の各組み合わせに対応する分析を実行する分析部と、
   前記分析部が分析した分析結果に基づいて、前記管理項目に対する前記検証項目の組み合わせ単位で分析結果を判定する判定部と、を備える、
   状態分析装置。
2. 前記分析部は、前記分析を実行する際に、前記データのデータ形式を識別し、前記データ形式に基づいて、前記分析を実行するための分析手法を選択する、
   請求項１に記載の状態分析装置。
3. 前記分析部は、前記分析手法を選択する際に、前記データ形式に基づいて、前記検証項目毎に前記データに対して適用される分析手法を選択する、
   請求項２に記載の状態分析装置。
4. 前記分析部は、前記データの前記データ形式を識別する際、前記データが連続値データであるか離散データであるかを判定し、前記データが前記連続値データであると判定された場合、前記データを離散データに離散化処理する、
   請求項２から３のいずれか１項に記載の状態分析装置。
5. 前記分析部の分析に用いられる検証項目及び分析手法であって、既に用意されている検証項目とは異なる他の検証項目、及び前記他の検証項目を分析するための他の分析手法が追加可能である、
   請求項１から４のいずれか１項に記載の状態分析装置。
6. 前記管理項目のそれぞれに対する前記検証項目のそれぞれに応じて、前記判定部が判定した有意性の判定結果を出力する出力部を更に備える、
   請求項１から４のいずれか１項に記載の状態分析装置。
7. コンピュータが、
   入力されたデータを、複数の管理項目のそれぞれに対応する複数の検証項目のいずれに該当するか分類し、
   分類された前記データに基づいて、前記複数の管理項目と前記複数の検証項目の各組み合わせに対応する分析を実行し、
   分析した分析結果に基づいて、前記管理項目と前記検証項目の組み合わせ単位で分析結果を判定する、
   状態分析方法。
8. コンピュータに、
   入力されたデータを、複数の管理項目のそれぞれに対応する複数の検証項目のいずれに該当するか分類させ、
   分類された前記データに基づいて、前記複数の管理項目と前記複数の検証項目の各組み合わせに対応する分析を実行させ、
   分析した分析結果に基づいて、前記管理項目と前記検証項目の組み合わせ単位で分析結果を判定させる、
   状態分析プログラム。

Images