JP6649349B2 - 測定ソリューションサービス提供システム - Google Patents
測定ソリューションサービス提供システム Download PDFInfo
- Publication number
- JP6649349B2 JP6649349B2 JP2017223961A JP2017223961A JP6649349B2 JP 6649349 B2 JP6649349 B2 JP 6649349B2 JP 2017223961 A JP2017223961 A JP 2017223961A JP 2017223961 A JP2017223961 A JP 2017223961A JP 6649349 B2 JP6649349 B2 JP 6649349B2
- Authority
- JP
- Japan
- Prior art keywords
- measurement
- index
- data
- database
- layer
- 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.)
- Active
Links
- 238000005259 measurement Methods 0.000 title claims description 419
- 238000004519 manufacturing process Methods 0.000 claims description 222
- 238000012545 processing Methods 0.000 claims description 139
- 238000004458 analytical method Methods 0.000 claims description 121
- 230000007613 environmental effect Effects 0.000 claims description 85
- 238000000034 method Methods 0.000 claims description 82
- 230000008569 process Effects 0.000 claims description 68
- 230000010354 integration Effects 0.000 claims description 38
- 230000005856 abnormality Effects 0.000 claims description 35
- 238000013135 deep learning Methods 0.000 claims description 34
- 238000004891 communication Methods 0.000 claims description 33
- 239000000463 material Substances 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 23
- 238000010801 machine learning Methods 0.000 claims description 21
- 230000005540 biological transmission Effects 0.000 claims description 16
- 238000003672 processing method Methods 0.000 claims description 12
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 description 25
- 238000013473 artificial intelligence Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 12
- 101100134872 Arabidopsis thaliana LTA3 gene Proteins 0.000 description 10
- 101100127659 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) LAM5 gene Proteins 0.000 description 9
- 238000005265 energy consumption Methods 0.000 description 9
- 230000015654 memory Effects 0.000 description 7
- 230000002776 aggregation Effects 0.000 description 4
- 238000004220 aggregation Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000000630 rising effect Effects 0.000 description 3
- 101100406317 Arabidopsis thaliana BCE2 gene Proteins 0.000 description 2
- 101100134875 Arabidopsis thaliana LTA2 gene Proteins 0.000 description 2
- 101100021975 Arabidopsis thaliana LTL1 gene Proteins 0.000 description 2
- 101100352578 Nicotiana plumbaginifolia PMA3 gene Proteins 0.000 description 2
- 101100084615 Trypanosoma brucei brucei PSB3 gene Proteins 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 101100451260 Arabidopsis thaliana HMGS gene Proteins 0.000 description 1
- 101100456566 Caenorhabditis elegans dpy-22 gene Proteins 0.000 description 1
- 101100344900 Caenorhabditis elegans let-19 gene Proteins 0.000 description 1
- 101001038784 Homo sapiens E3 ubiquitin-protein ligase listerin Proteins 0.000 description 1
- 101000635761 Homo sapiens Receptor-transporting protein 3 Proteins 0.000 description 1
- -1 LTB1 Proteins 0.000 description 1
- NGTXCORNXNELNU-BOIFFFMUSA-N LTB3 Chemical compound CCCCCCCC[C@H](O)\C=C\C=C/C=C/[C@H](O)CCCC(O)=O NGTXCORNXNELNU-BOIFFFMUSA-N 0.000 description 1
- 102000016443 LTN1 Human genes 0.000 description 1
- 101000605019 Lachesana tarabaevi M-zodatoxin-Lt1a Proteins 0.000 description 1
- 101150107050 PSA2 gene Proteins 0.000 description 1
- 101150045091 PSA3 gene Proteins 0.000 description 1
- 102100038208 RNA exonuclease 4 Human genes 0.000 description 1
- 102100030849 Receptor-transporting protein 3 Human genes 0.000 description 1
- 101150073729 Rexo4 gene Proteins 0.000 description 1
- 101100127657 Saccharomyces cerevisiae (strain ATCC 204508 / S288c) LAM4 gene Proteins 0.000 description 1
- 101100290680 Schizosaccharomyces pombe (strain 972 / ATCC 24843) med1 gene Proteins 0.000 description 1
- 101100137869 Trypanosoma brucei brucei PSA4 gene Proteins 0.000 description 1
- 101100298993 Trypanosoma brucei brucei PSB4 gene Proteins 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- AIJDQMYBRDJHHT-ABAXQOPJSA-N leukotriene C3 Chemical compound CCCCCCCC\C=C/C=C/C=C/[C@@H](SC[C@H](NC(=O)CC[C@H](N)C(O)=O)C(=O)NCC(O)=O)[C@@H](O)CCCC(O)=O AIJDQMYBRDJHHT-ABAXQOPJSA-N 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000008813 mosaic variegated aneuploidy syndrome Diseases 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- CEXIRRQWHTZMPM-UHFFFAOYSA-N psb-10 Chemical compound N=1C(CC)CN(C(N(C)C2N=3)=O)C=1C2NC=3C1=CC(Cl)=CC(Cl)=C1Cl CEXIRRQWHTZMPM-UHFFFAOYSA-N 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 230000003936 working memory Effects 0.000 description 1
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]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/25—Manufacturing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y20/00—Information sensed or collected by the things
- G16Y20/10—Information sensed or collected by the things relating to the environment, e.g. temperature; relating to location
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y40/00—IoT characterised by the purpose of the information processing
- G16Y40/20—Analytics; Diagnosis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Quality & Reliability (AREA)
- Toxicology (AREA)
- Environmental & Geological Engineering (AREA)
- Biomedical Technology (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、測定ソリューションサービス提供システムに関し、更には、測定ソリューションサービス提供方法、コンピューティングシステム、及び測定ソリューションサービス提供プログラムに関する。
近年、ＩｏＴ（Internet of Things）と称される技術が注目されている。このＩｏＴは、あらゆる物体（モノと記載することもある）がＯＰＥＮ特性を有するインターネットにアクセス可能な状態になることにより、物体から発生されるデータを利活用することを実現するための一技術である。
ＩｏＴ技術は、第４次産業革命として期待され、モノとインターネットとを結びつけることにより、様々な産業分野を急速に変えつつある。例えば、国内市場のユーザ支出額は平均１６．９％で成長し、２０２０年の国内市場は１４兆円に達すると予測されている。そして、ドイツではｉｎｄｕｓｔｒｉｅ４．０の取組みが始まっており、世界的にも活発な市場である。
このような背景を受けて、測定器の製造業界においては、今年度をＩｏＴ元年と位置づけ、インフラストラクチャ（インフラまたは基盤と記載することもある）の整備と共に、ＩｏＴ技術を利活用した測定システムの開発が期待されている。
しかし、これまでに、このような期待を充足する測定ソリューションサービスを提供するシステムは提案されていない。例えば、特許文献１には、ＩｏＴ技術に関する背景技術がクラウドコンピューティング技術との関連で開示されている。特許文献２，３には、クラウドコンピューティング技術に関する背景技術が開示されている。また、特許文献４には、測定（計測）データの収集に関する一技術が開示されている。特許文献５には、測定データの表示に関する一技術が開示されている。さらに、特許文献６には、データサーバに収納されたビッグデータから製造ラインの装置状態と傾向を予測し、トラブル発生時期の予測及びトラブル対策または設定値の最適修正値を当該製造ラインに送信する製造設備管理システムに関する技術が開示されている。
補足すると、ものづくり拠点（現場）に分散配置された複数の測定源から送信される測定データを収集し、集計分析処理及び表示処理するとき、従来の測定システムにおける主な課題は次の４つの事項である。
（１）測定データの集計コストの増大を免れない。つまり、データ集計に多くの人的工数を要し、運用コストが増加する。
（２）集計データの分析結果の表示に即時性を欠く。このために、品質の劣化などに対する対処が遅れ、品質事故やトラブル発生のリスクがある。
（３）ものづくり拠点間の集計フォームやデータ統合が困難である。つまり、データの集計・分析が一般的に拠点毎に行われるため、データの統合には多くの工数と労力を要する。
（４）データ分析の自動化が困難である。つまり、データ分析の自動化を行うためには、サーバ及び専用ソフトウェアなどの導入コストが拠点毎に個別に発生する。
課題は、少なくともＩｏＴ技術と人工知能（ＡＩ：Artificial Intelligence）技術との連携により、測定データ処理に関する画期的な測定ソリューションサービスを実現可能にする技術を提供することにある。
上記課題を解決するために、第１の態様の測定ソリューションサービス提供システムは、製造現場対応の拠点内の各工程に分散配置されて完成品生産工程及び部品生産工程の品質状況を測定する複数の測定源から送信される測定データと、前記複数の測定源から送信され前記品質状況を測定するときの影響要素となる環境指標及び生産指標を含む指標データとを収集するＩｏＴ中継装置と；前記ＩｏＴ中継装置から送信される前記測定データ及び前記指標データを通信ネットワークを介して受信し、ビッグデータを生成するために測定データベース及び指標データベースに集積処理する集積処理手段と、前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を予め関連づけされた完成品及び部品のロット毎に機械学習により特徴の傾向を類型化して照合することで分析処理し、異常予測する分析手段と、前記分析手段による異常予測結果を表示処理し、閲覧者利用端末に送信可能にする表示処理手段とを含むコンピューティングシステムと；を備える。
第２の態様の測定ソリューションサービス提供システムは、製造現場対応の拠点内の各工程に分散配置されて完成品生産工程及び部品生産工程の品質状況を測定する複数の測定源から送信される測定データと、前記複数の測定源から送信され前記品質状況を測定するときの影響要素となる環境指標及び生産指標を含む指標データとを収集するＩｏＴ中継装置と；前記ＩｏＴ中継装置から送信される前記測定データ及び前記指標データを通信ネットワークを介して受信し、ビッグデータを生成するために測定データベース及び指標データベースに集積処理する集積処理手段と、前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を部品のロット毎に、または予め関連づけされた完成品及び部品のロット毎に、階層構造の分析対象層として深層学習により分析処理し、最適影響要素条件を求める分析手段と、前記分析手段により求められた最適影響要素条件を表示処理し、閲覧者利用端末に送信可能にする表示処理手段とを含むコンピューティングシステムと；を備える。
第３の態様の測定ソリューションサービス提供システムは、製造現場対応の拠点内の各工程に分散配置されて完成品生産工程及び部品生産工程の品質状況を測定する複数の測定源から送信される測定データと、前記複数の測定源から送信され前記品質状況を測定するときの影響要素となる環境指標及び生産指標を含む指標データとを収集するＩｏＴ中継装置と；前記ＩｏＴ中継装置から送信される前記測定データ及び前記指標データを通信ネットワークを介して受信し、ビッグデータを生成するために測定データベース及び指標データベースに集積処理する集積処理手段と、前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を予め関連づけされた完成品及び部品のロット毎に機械学習により特徴の傾向を類型化して照合することで分析処理し、異常予測する第１の分析手段と、前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を部品のロット毎に、または予め関連づけされた完成品及び部品のロット毎に、階層構造の分析対象層として深層学習により分析処理し、最適影響要素条件を求める第２の分析手段と、前記第１の分析手段による異常予測結果を表示処理し、閲覧者利用端末に送信可能にする第１の表示処理手段と、前記第２の分析手段により求められた最適影響要素条件を表示処理し、前記閲覧者利用端末に送信可能にする第２の表示処理手段とを含むコンピューティングシステムと；を備える。
各態様において、前記ＩｏＴ中継装置は、前記拠点毎に配置されて複数個存在する。
各態様において、前記分析手段、前記第１の分析手段、または前記第２の分析手段は、前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を部品のロット毎にまたは予め関連づけされた完成品及び部品のロット毎に、かつ前記拠点間の統合対象毎に分析処理する。
各態様において、前記集積処理手段は、受信した前記測定データ及び前記指標データを前記測定データベース及び前記指標データベースにそれぞれ階層構造で集積処理する。
各態様において、前記生産指標は、前記複数の測定源のそれぞれにおける使用する生産設備、材料、加工方法、及び加工者に関する情報の少なくとも１つをパラメータとして含む。
各態様において、前記環境指標は、前記複数の測定源のそれぞれにおける温度、湿度、圧力、及び作業時間帯に関する情報の少なくとも１つをパラメータとして含む。
各態様において、前記ＩｏＴ中継装置は、収集した前記測定データに基づいて、定形フォーマットの測定データを生成する手段と、収集した前記指標データに基づいて、定形フォーマットの指標データを生成する手段と、生成した定形フォーマットの測定データ及び指標データの処理を要求するために、前記通信ネットワークを介し、前記コンピューティングシステムに対して、前記定形フォーマットの測定データ及び前記定形フォーマットの指標データを送信する手段とを更に含む。
各態様において、前記測定データは、予め定めたデータ長であり、予め定めた項目として、前記コンピューティングシステムの利用事業者を特定する識別情報、前記製造現場対応の拠点を特定する識別情報、前記測定源を特定する識別情報、前記測定源における測定対象である完成品または部品のロット番号、前記測定源における測定対象である完成品または部品の測定値、及び測定時刻情報を少なくとも含む定形フォーマットの測定データである。
各態様において、前記定形フォーマットの測定データは、前記コンピューティングシステムの利用事業者を特定する識別情報を始点とし、前記製造現場対応の拠点を特定する識別情報及び前記測定源を特定する識別情報を分岐点とし、前記測定源における前記ロット番号、前記測定値及び前記測定時刻情報を終点とする、論理的なトリー形態を採る階層構造で前記測定データベースに集積される。
各態様において、前記指標データは、予め定めたデータ長であり、予め定めた項目として、前記コンピューティングシステムの利用事業者を特定する識別情報、前記製造現場対応の拠点を特定する識別情報、前記測定源を特定する識別情報、前記測定源における測定対象である完成品または部品のロット番号、前記測定源における生産指標及び環境指標、及び生産時刻情報を少なくとも含む定形フォーマットの指標データである。
各態様において、前記定形フォーマットの指標データは、前記コンピューティングシステムの利用事業者を特定する識別情報を始点とし、前記製造現場対応の拠点を特定する識別情報及び前記測定源を特定する識別情報を分岐点とし、前記測定源における前記ロット番号、前記生産指標及び前記環境指標、更に前記生産時刻情報を終点とする、論理的なトリー形態を採る階層構造で前記指標データベースに集積される。
各態様において、前記複数の測定源は測定器及び指標検出器をそれぞれ含み、前記コンピューティングシステムはＳａａＳ型クラウドを含み、前記ＩｏＴ中継装置はＩｏＴゲートウェイであり、前記通信ネットワークはＩＰネットワークである。
他の態様においては、測定ソリューションサービス提供方法、コンピューティングシステム、及び測定ソリューションサービス提供プログラムとして実施可能である。
開示した技術によれば、少なくともＩｏＴ技術とＡＩ技術との連携により、測定データ及び指標データをコンピューティングシステムにビッグデータを生成するために集積し、集計分析処理及び表示処理することにより、いつでも、どこでも、ものづくり拠点における各工程の品質状況を把握可能な画期的な測定ソリューションサービスを提供することができる。
他の課題、特徴及び利点は、図面及び特許請求の範囲とともに取り上げられる際に、以下に記載される発明を実施するための形態を読むことにより明らかになるであろう。
以下、添付図面を参照して、さらに詳細に説明する。図面には好ましい実施形態が示されている。しかし、多くの異なる形態で実施されることが可能であり、本明細書に記載される実施形態に限定されない。
［測定ソリューションサービス提供システム］
一実施の形態におけるシステム構成を示す図１を参照すると、測定ソリューションサービス提供システム１は、ＩｏＴ技術とクラウドコンピューティング技術とＡＩ技術との連携により、測定データ及び指標データをコンピューティングシステムにビッグデータ（大量の既知情報）を生成するために集積し、集計分析処理及び表示処理することにより、いつでも、どこでも、ものづくり拠点（現場）における各工程（部品生産工程及び完成品生産工程）の品質状況を把握可能な画期的な測定ソリューションサービスを提供するシステムである。
一実施の形態におけるシステム構成を示す図１を参照すると、測定ソリューションサービス提供システム１は、ＩｏＴ技術とクラウドコンピューティング技術とＡＩ技術との連携により、測定データ及び指標データをコンピューティングシステムにビッグデータ（大量の既知情報）を生成するために集積し、集計分析処理及び表示処理することにより、いつでも、どこでも、ものづくり拠点（現場）における各工程（部品生産工程及び完成品生産工程）の品質状況を把握可能な画期的な測定ソリューションサービスを提供するシステムである。
この測定ソリューションサービス提供システム１は、複数のデバイスネットワーク２、コンピューティングシステム３、閲覧者利用端末４、第１通信ネットワーク５、及び第２通信ネットワーク６を備える。ここで、第１通信ネットワーク５及び第２通信ネットワーク６は、システム１がＩｏＴ技術の適用を前提にしているので、ＩＰネットワークであり、より具体的には、ＯＰＥＮ特性を有するインターネットである。なお、通信ネットワーク５，６は同一のネットワークであることもある。
各デバイスネットワーク２は、コンピューティングシステム３を利用する契約事業者（クラウド利用事業者）のものづくり現場内、つまり製造現場（製造工場）内に構築されるＬＡＮ（Local Area Network）である。各デバイスネットワーク２は、国内及び／または海外の製造現場毎に構築されて、複数存在することになるが、ここでは代表の１個を例示している。
各デバイスネットワーク２は、ＩｏＴ中継装置２０と、複数の測定源Ａ，Ｂ，Ｃ，Ｄとしての指標検出器２１Ａ，２１Ｂ，２１Ｃ，２１Ｄ、測定器２２Ａ，２２Ｂ，２２Ｃ，２２Ｄ及び無線送信機２３Ａ，２３Ｂ，２３Ｃ，２３Ｄと、無線受信機２４とを備える。
製造現場内の各工程に分散（離散）配置されて部品生産工程及び完成品生産工程の品質状況を測定する複数の測定源Ａ，Ｂ，Ｃ，Ｄにおいて、測定器２２Ａ，２２Ｂ，２２Ｃ，２２Ｄは、デジタル測定器であり、接続された無線送信機２３Ａ，２３Ｂ，２３Ｃ，２３Ｄを介して、近距離無線通信により測定データＡＡ，ＢＢ，ＣＣ，ＤＤを無線受信機２４にそれぞれ送信する。これらの測定データＡＡ，ＢＢ，ＣＣ，ＤＤは、複数の測定源Ａ，Ｂ，Ｃ，Ｄ毎に予め定めた間隔Ｔ１，Ｔ２，Ｔ３，Ｔ４で自主的にそれぞれ送信される。これらの予め定めた間隔Ｔ１，Ｔ２，Ｔ３，Ｔ４は、製造現場内の各工程の物体（モノ）である部品及び完成品の品質状況を把握するために妥当なサンプリング時間（例えば、数分、数十分）に相当し、ここでは、各部品または完成品の単位ロット（１ロット）時間に対応する。なお、測定器が、アナログ測定器である場合、測定データは、無線受信機２４を介することなく、有線通信によりＩｏＴ中継装置２０に送信される。
また、製造現場内の各工程に分散配置されて部品生産工程及び完成品生産工程の品質状況を測定する複数の測定源Ａ，Ｂ，Ｃ，Ｄにおいて、指標検出器２１Ａ，２１Ｂ，２１Ｃ，２１Ｄは、デジタル検出器であり、接続された無線送信機２３Ａ，２３Ｂ，２３Ｃ，２３Ｄを介して、近距離無線通信により環境指標（環境パラメータ）及び生産指標（生産パラメータ）を含む指標データ（パラメータデータ）ａａ，ｂｂ，ｃｃ，ｄｄを無線受信機２４にそれぞれ送信する。これらの指標データａａ，ｂｂ，ｃｃ，ｄｄは、複数の測定源Ａ，Ｂ，Ｃ，Ｄ毎に予め定めた間隔Ｔ１１，Ｔ１２，Ｔ１３，Ｔ１４で自主的にそれぞれ送信される。これらの予め定めた間隔Ｔ１１，Ｔ１２，Ｔ１３，Ｔ１４は、製造現場内の各工程の物体（モノ）である部品及び完成品の品質状況を把握するときに影響する環境指標及び生産指標の妥当なサンプリング時間（例えば、数分、数十分）に相当し、ここでは、各部品または完成品の単位ロット（１ロット）時間に対応する。したがって、これらの予め定めた間隔Ｔ１１，Ｔ１２，Ｔ１３，Ｔ１４は、上記予め定めた間隔Ｔ１，Ｔ２，Ｔ３，Ｔ４と絶対的には等しいが、相対的には異なってもよい。なお、指標検出器が、アナログ検出器である場合、指標データは、無線受信機２４を介することなく、有線通信によりＩｏＴ中継装置２０に送信される。
複数の測定源Ａ，Ｂ，Ｃ，Ｄから無線受信機２４に送信される測定データＡＡ，ＢＢ，ＣＣ，ＤＤは、図２Ａに例示するように、データの種別を示す測定データフラグＦ１と、測定対象である部品または完成品のロット番号ＬＴと、測定対象である部品または完成品の測定値ＭＶ（例えば、寸法）との項目を少なくとも含む。ここでは、測定値ＭＶは測定単位（例えば、ｍｍ、ｃｍ）を含んでいるが、測定単位を別の項目としてもよい。また、ここでは、ロット番号ＬＴは、無線送信機２３Ａ，２３Ｂ，２３Ｃ，２３Ｄにおいて、上記予め定めた間隔Ｔ１，Ｔ２，Ｔ３，Ｔ４毎に、順次サムアップ形態で付加される。なお、測定データフラグＦ１及びロット番号ＬＴは、ＩｏＴ中継装置２０において、付加するようにしてもよい。
また、複数の測定源Ａ，Ｂ，Ｃ，Ｄから無線受信機２４に送信される測定データＡＡ，ＢＢ，ＣＣ，ＤＤは、測定源毎に異なるデータ長（例えば、数バイト〜数十バイト）であり、かつ測定源毎に異なる測定対象の測定値（例えば、寸法、重量、硬度など）をロット番号と共に含む、異なるフォーマットの測定データである形態も採り得る。
複数の測定源Ａ，Ｂ，Ｃ，Ｄから無線受信機２４に送信される指標データａａ，ｂｂ，ｃｃ，ｄｄは、図２Ｂに例示するように、データの種別を示す指標データフラグＦ２と、複数の測定源Ａ，Ｂ，Ｃ，Ｄのそれぞれにおけるロット番号ＬＴと、複数の測定源Ａ，Ｂ，Ｃ，Ｄのそれぞれにおける生産指標（生産パラメータ）ＰＭとの項目を含む。ここでは、生産指標ＰＭは、使用する生産設備、材料（材料仕入先）、加工方法、及び加工者（作業者）に関する情報を含む。この生産指標ＰＭは、例えば、作業者により指標検出器２１Ａ，２１Ｂ，２１Ｃ，２１Ｄに予め設定される。また、ここでは、ロット番号ＬＴは、無線送信機２３Ａ，２３Ｂ，２３Ｃ，２３Ｄにおいて、上記予め定めた間隔Ｔ１１，Ｔ１２，Ｔ１３，Ｔ１４毎に、順次サムアップ形態で付加される。なお、指標データフラグＦ２及びロット番号ＬＴは、ＩｏＴ中継装置２０において、付加するようにしてもよい。
また、指標データａａ，ｂｂ，ｃｃ，ｄｄは、図２Ｂに例示するように、複数の測定源Ａ，Ｂ，Ｃ，Ｄのそれぞれにおける環境指標（環境パラメータ）ＰＭの項目を更に含む。ここでは、環境指標ＰＭは、温度（℃）、湿度（％）、圧力（気圧／風圧）（ｋＰａ）、及び作業時間帯に関する情報を含む。さらに、環境指標ＰＭは、消費時間（作業、段取り、待ち時間を含む）、消費副資材、及び消費エネルギを含む。これらの環境指標ＰＭは、指標検出器２１Ａ，２１Ｂ，２１Ｃ，２１Ｄにおいて自動的に付加されるか、指標検出器２１Ａ，２１Ｂ，２１Ｃ，２１Ｄに作業者により予め設定される。
上述した指標データａａ，ｂｂ，ｃｃ，ｄｄは、測定源毎に異なるデータ長であって、かつ測定源毎に異なる項目の指標情報（パラメータ）をロット番号と共に含む、異なるフォーマットの指標データである形態も採り得る。
上述した測定データＡＡ，ＢＢ，ＣＣ，ＤＤ及び指標データａａ，ｂｂ，ｃｃ，ｄｄが異なるフォーマットである理由は、測定器２２Ａ，２２Ｂ，２２Ｃ，２２Ｄ、指標検出器２１Ａ，２１Ｂ，２１Ｃ，２１Ｄ、及び無線送信機２３Ａ，２３Ｂ，２３Ｃ，２３Ｄのメーカが異なることがあり、測定器２２Ａ，２２Ｂ，２２Ｃ，２２Ｄの種別が測定対象に応じて異なること、指標検出器２１Ａ，２１Ｂ，２１Ｃ，２１Ｄの種別が検出対象に応じて異なることなども起因する。
無線受信機２４は、測定源Ａ，Ｂ，Ｃ，Ｄから送信された測定データＡＡ，ＢＢ，ＣＣ，ＤＤ及び指標データａａ，ｂｂ，ｃｃ，ｄｄを受信し、ＩｏＴ中継装置２０に入力する。
各ＩｏＴ中継装置２０は、具体的には、クラウド提供事業者から提供されるＩｏＴゲートウェイであり、製造現場対応の拠点内の各工程に分散配置されて部品生産工程及び完成品生産工程の品質状況を測定する複数の測定源Ａ，Ｂ，Ｃ，Ｄから送信された測定データＡＡ，ＢＢ，ＣＣ，ＤＤと、複数の測定源Ａ，Ｂ，Ｃ，Ｄから送信され部品生産工程及び完成品生産工程の品質状況を測定するときの影響要素となる環境指標及び生産指標を含む指標データａａ，ｂｂ，ｃｃ，ｄｄとをリアルタイムに（厳密には、上記間隔毎に）収集する機能を含む。
また、ＩｏＴ中継装置２０は、収集した測定データＡＡ，ＢＢ，ＣＣ，ＤＤに基づいて、定形フォーマットの測定データＥＥを生成する機能と、収集した指標データａａ，ｂｂ，ｃｃ，ｄｄに基づいて、定形フォーマットの指標データＦＦを生成する機能とを含む。
ＩｏＴ中継装置２０は、生成した定形フォーマットの測定データＥＥ及び指標データＦＦの処理を要求するために、第１通信ネットワーク５を介し、コンピューティングシステム３に対して、定形フォーマットの測定データＥＥ及び定形フォーマットの指標データＦＦを送信する機能を更に含む。
このＩｏＴ中継装置２０は、第１通信ネットワーク５を介し、コンピューティングシステム３に対して、定形フォーマットの測定データＥＥ及び定形フォーマットの指標データＦＦを送信するとき、デバイスネットワーク２の通信プロトコルを第１通信ネットワーク５のＩＰ（Internet Protocol）プロトコルに変換するゲートウェイ機能を更に含む。この測定ソリューションサービス提供システム１においては、このゲートウェイ機能により、モノとインターネットとを結びつける。
このＩｏＴ中継装置２０は、収集した測定データＡＡ，ＢＢ，ＣＣ，ＤＤ及び収集した指標データａａ，ｂｂ，ｃｃ，ｄｄがそれぞれ異なるフォーマットであることを事前設定フラグなどに基づいて識別したときには、共通フォーマットデータに変換する機能を含む構成を採ってもよい。
定形フォーマットの測定データＥＥは、図３Ａに例示するように、予め定めたデータ長であり、予め定めた項目として、コンピューティングシステム３のクラウド利用事業者を特定する識別情報（利用事業者識別情報）ＩＤ１、製造現場対応の拠点を特定する識別情報（拠点識別情報）ＩＤ２、測定源Ａ，Ｂ，Ｃ，Ｄを特定する識別情報（測定源識別情報）ＩＤ３、測定源Ａ，Ｂ，Ｃ，Ｄにおけるロット番号ＬＴ、測定源Ａ，Ｂ，Ｃ，Ｄにおける測定値ＭＶ、及び年／月／日、時：分、曜日の形式の測定時刻情報ＭＴを測定データフラグＦ１と共に少なくとも含む。
また、定形フォーマットの指標データＦＦは、図３Ｂに例示するように、予め定めたデータ長であり、予め定めた項目として、コンピューティングシステム３のクラウド利用事業者を特定する識別情報（利用事業者識別情報）ＩＤ１、製造現場対応の拠点を特定する識別情報（拠点識別情報）ＩＤ２、測定源Ａ，Ｂ，Ｃ，Ｄを特定する識別情報（測定源識別情報）ＩＤ３、測定源Ａ，Ｂ，Ｃ，Ｄにおけるロット番号ＬＴ、測定源Ａ，Ｂ，Ｃ，Ｄにおける生産パラメータＰＭ及び環境パラメータＰＭ、及び年／月／日、時：分、曜日の形式の生産時刻情報ＭＦを指標データフラグＦ２と共に少なくとも含む。
定形フォーマットの測定データＥＥにおいて、利用事業者識別情報ＩＤ１、拠点識別情報ＩＤ２、測定源識別情報ＩＤ３、及び測定時刻情報ＭＴは、収集した測定データＡＡ，ＢＢ，ＣＣ，ＤＤに基づいて定形フォーマットの測定データＥＥを生成するときに付加される。また、定形フォーマットの指標データＦＦにおいて、利用事業者識別情報ＩＤ１、拠点識別情報ＩＤ２、測定源識別情報ＩＤ３、及び生産時刻情報ＭＦは、収集した指標データａａ，ｂｂ，ｃｃ，ｄｄに基づいて定形フォーマットの指標データＦＦを生成するときに付加される。例えば、利用事業者識別情報ＩＤ１及び拠点識別情報ＩＤ２は、クラウド利用事業者により、ＩｏＴ中継装置２０のメモリ（ディスク）に予め登録（格納）される。測定源識別情報ＩＤ３は、ＩｏＴ中継装置２０に収容する測定源Ａ，Ｂ，Ｃ，ＤのＭＡＣ（Media Access Control）アドレスなどに基づいて生成可能である。測定時刻情報ＭＴ及び生産時刻情報ＭＦは、ＩｏＴ中継装置２０における通算秒（積算秒）または標準時刻に基づいて生成され、厳密には収集（受信）した時刻情報である。
定形フォーマットの測定データＥＥ及び定形フォーマットの指標データＦＦは、ＩｏＴ中継装置２０を特定する送信元情報ＳＡ、及びコンピューティングシステム３を特定する宛先情報ＤＳを更に付加され（図３Ａ，図３Ｂには図示省略）、ＩＰパケット形態でコンピューティングシステム３にリアルタイムに送信される。
後に詳述するように、各デバイスネットワーク２の各ＩｏＴ中継装置２０から送信されてコンピューティングシステム３において受信された定形フォーマットの測定データＥＥ及び定形フォーマットの指標データＦＦは、コンピューティングシステム３の測定データベースＤＢ１及び指標データベースＤＢ２において、論理的なトリー形態を採る階層構造で格納（集積）されることになる。
上述したＩｏＴ中継装置２０は、ハードウェア構成として、次の要素を含んでいる。つまり、プロセッサとしてのＣＰＵ（Central Processing Unit）と、作業用メモリとしてのＲＡＭ（Random Access Memory）と、立ち上げのためのブートプログラムを格納したＲＯＭ（Read Only Memory）とを備える。
また、ＩｏＴ中継装置２０は、ＯＳ（Operating System）、アプリケーションプログラム、及び各種情報（データを含む）を書換え可能に格納する不揮発性のフラッシュメモリとしてのディスクと、通信制御部と、ＮＩＣ（Network Interface Card）などの通信インタフェース部などとを備える。これらのハードウェア構成は、当業者が容易に理解でき、実施可能であるので、この構成の図示を省略している。
上述した各機能を論理的に実現するには、フラッシュメモリに処理プログラムをアプリケーションプログラムとしてインストールしておく。そして、ＩｏＴ中継装置２０においては、電源投入を契機に、プロセッサ（ＣＰＵ）がこの処理プログラムをＲＡＭに常時展開して実行する。
コンピューティングシステム３は、クラウド提供事業者が維持・管理するクラウドサーバコンピュータであり、ＩｏＴハブ３１及びＳａａＳ型クラウド３２を備える。
このコンピューティングシステム３においては、ＩｏＴハブ３１は、第１通信ネットワーク５を介して、クラウド利用事業者の複数の製造現場に対応する複数のデバイスネットワーク２に接続される。
一般に、クラウドコンピューティングシステムが提供するクラウドサービスには、サービスとしてのソフトウェア（サース：ＳａａＳ（Software as a Service））、サービスとしてのプラットフォーム（パース：ＰａａＳ（Platform as a Service））、及びサービスとしてのインフラストラクチャ（イァース：ＩａａＳ（Infrastructure as a Service））がある。
ここで、ＳａａＳクラウドサービスは最上位のアプリケーションソフトウェア（Applications）までを提供する。ＰａａＳクラウドサービスは、アプリケーションソフトウェアが稼動するためのハードウェア（Hardware）、オペレーティングシステム（Operating System）、及びミドルウェア（Middleware）を含むプラットフォーム（Platform）一式を提供する。ＩａａＳクラウドサービスはハードウェア（ＣＰＵ、ストレージ）及びオペレーティングシステムを含むインフラストラクチャを提供する。
このコンピューティングシステム３においては、図４に詳細を示すように、ＳａａＳ型クラウド３２を採用する。ＳａａＳ型クラウド３２は、各ＩｏＴ中継装置２０からリアルタイムに送信された定形フォーマットの測定データＥＥ及び定形フォーマットの指標データＦＦを第１通信ネットワーク５及びＩｏＴハブ３１を介して受信する。そして、ＳａａＳ型クラウド３２は、受信した定形フォーマットの測定データＥＥ及び定形フォーマットの指標データＦＦをビッグデータを生成するために集積処理した後、集計分析処理する。
また、ＳａａＳ型クラウド３２は、ビッグデータを生成するために集積処理した定形フォーマットの測定データＥＥ及び定形フォーマットの指標データＦＦの集計分析処理の結果を表示処理し、表示処理結果を第２通信ネットワーク６を介して閲覧者利用端末４に送信する。なお、コンピューティングシステム３においては、ＳａａＳ型クラウド３２の負荷分散及び機能分散を図るために、表示処理結果をＷｅｂ（ウェブ：World Wide Web）サイトから第２通信ネットワーク６を介して閲覧者利用端末４に送信してもよい。
更に詳述すると、各デバイスネットワーク２の各ＩｏＴ中継装置２０から送信されてコンピューティングシステム３に受信された定形フォーマットの測定データＥＥ及び定形フォーマットの指標データＦＦは、ＳａａＳ型クラウド３２の集積処理により、測定データベースＤＢ１及び指標データベースＤＢ２において、図５，図６，図７，及び図８に例示するように、論理的なトリー形態を採る階層構造でそれぞれ格納（集積）される。
つまり、ＳａａＳ型クラウド３２は、受信かつ識別した定形フォーマットの測定データＥＥの集積処理により、測定データベースＤＢ１において、利用事業者識別情報ＩＤ１−拠点識別情報ＩＤ２−測定源識別情報ＩＤ３の階層に対応して、拠点Ｘ，Ｙ，Ｚ毎の測定源Ａ，Ｂ，Ｃ，Ｄにおけるロット番号ＬＴ、測定値ＭＶ及び測定時刻情報ＭＴを順次集積する（図５，図６参照）。また、ＳａａＳ型クラウド３２は、受信かつ識別した定形フォーマットの指標データＦＦの集積処理により、指標データベースＤＢ２において、利用事業者識別情報ＩＤ１−拠点識別情報ＩＤ２−測定源識別情報ＩＤ３の階層に対応して、拠点Ｘ，Ｙ，Ｚ毎の測定源Ａ，Ｂ，Ｃ，Ｄにおけるロット番号ＬＴ、パラメータ（生産パラメータ及び環境パラメータ）ＰＭ及び生産時刻情報ＭＦを順次集積する（図７，図８参照）。なお、図５，図６，図７，及び図８においては、拠点Ｙについての詳細構成の図示を省略しているが、拠点Ｘ，Ｚと同様な構成である。
したがって、定形フォーマットの測定データＥＥ及び定形フォーマットの指標データＦＦは、測定データベースＤＢ１及び指標データベースＤＢ２において、利用事業者識別情報ＩＤ１を始点とし、拠点識別情報ＩＤ２及び測定源識別情報ＩＤ３を分岐点とし、ロット番号ＬＴ、測定値ＭＶ及び測定時刻情報ＭＴを終点とするか、ロット番号ＬＴ、パラメータＰＭ及び生産時刻情報ＭＦを終点とする、論理的なトリー形態を採る階層構造としてそれぞれ捉えることができる。
ＳａａＳ型クラウド３２は、ビッグデータとして集積処理した測定データベースＤＢ１及び指標データベースＤＢ２における測定データＥＥ及び指標データＦＦを集計分析処理するとき、拠点Ｘ，Ｙ，Ｚ毎の測定源Ａ，Ｂ，Ｃ，Ｄにおけるロット番号ＬＴ、測定値ＭＶ及び測定時刻情報ＭＴ、更にロット番号ＬＴ、パラメータＰＭ及び生産時刻情報ＭＦを完成品と部品との関係などに応じて、ＡＩの機械学習（Machine Learning）分析及び深層学習（Deep Learning）分析により処理する。ＳａａＳ型クラウド３２におけるＡＩの機械学習分析による異常予測処理及びＡＩの深層学習分析による最適生産条件提供処理については、後に詳述する。
また、ＳａａＳ型クラウド３２は、集計分析処理するとき、拠点Ｘ，Ｙ，Ｚ間の測定源Ａ，Ｂ，Ｃ，Ｄにおけるロット番号ＬＴ、測定値ＭＶ及び測定時刻情報ＭＴ、更にロット番号ＬＴ、パラメータＰＭ及び生産時刻情報ＭＦを完成品と部品との関係に応じて統合した後、機械学習分析及び深層学習分析により処理してもよい。図５及び図７には、拠点Ｘ及び拠点Ｚの測定源Ａ，Ｂ，Ｃ，Ｄにおける完成品及び部品についてのロット番号ＬＴ、測定値ＭＶ及び測定時刻情報ＭＴ、またロット番号ＬＴ、パラメータＰＭ及び生産時刻情報ＭＦがそれぞれ統合対象として関連することを例示している。このような拠点間の統合定義は、各ＩｏＴ中継装置２０において、クラウド利用事業者により事前に指定され、ＳａａＳ型クラウド３２に送信されて測定データベースＤＢ１及び指標データベースＤＢ２に予め設定される。
続いて、先ず、ＳａａＳ型クラウド３２におけるＡＩの機械学習分析による異常予測処理について、図９及び関連図を併せ参照して説明する。
ＳａａＳ型クラウド３２における異常予測処理は、次に示す観点及び処理を含む設計思想（アーキテクチャ）に基づいている。この異常予測処理はクラウド利用事業者の事前指定（例えば、定期的実行指定）に応じて実施される。
［ＰＳＡ１］完成品特性（例えば、完成品の品質(Quality)、費用(Cost)、納期(Delivery)／時間(Time)など）の要因となるパラメータは部品特性（例えば、部品の品質など）であり、部品特性は部品測定データ（例えば、部品の寸法、重量、硬度など）から把握することが可能である。
ここで、品質(Quality)は、完成品や部品の品質を表し、要求された品質を提供しているか、仕様に定められた機能や性能を満たしているか、誤差、歩留まり、質のバラツキが安定しているかなどを表す。費用(Cost)は、完成品や部品の提供に係る費用や原価を表し、これらを低減のための十分な対策が採られているかなどを表す。納期(Delivery)／時間(Time)は、納品、引き渡しなどの意味であるが、一般には納期、時間、速さなどを表し、これらを短縮のための取り組みは十分かなどを表す。
［ＰＳＡ２］完成品（例えば、完成品Ｘ）に供給される部品（例えば、部品Ａ，Ｂ，Ｃ）は、同一部品名であってもロット（例えば、部品ＡのロットＬＴＡ１，ＬＴＡ２，ＬＴＡ３）により部品特性は異なる。完成品に供給される部品は、数十から数千の種類に及ぶ。部品測定データは、測定データベースＤＢ１において、各部品のロット番号ＬＴ対応に測定値ＭＶＡ１，ＭＶＡ２，ＭＶＡ３などとして格納されている。
［ＰＳＡ３］完成品特性は、これらの部品の種類と部品ロットとの組み合わせにより、特徴の傾向が現れる。
完成品と部品とロットとの対応関係は、測定データベースＤＢ１に予め設定（登録）された関連づけ定義（図６中、＊印で例示）に基づいて、ＳａａＳ型クラウド３２により認識される。完成品と部品とロットとの対応関係は、ＩｏＴ中継装置２０において、クラウド利用事業者により事前に指定され、ＳａａＳ型クラウド３２に送信されて測定データベースＤＢ１に関連づけ定義として予め設定される。
例えば、完成品Ｘに供給される部品は３個の部品Ａ，Ｂ，Ｃであり、部品Ａ，Ｂ，Ｃは３個のロット、つまり部品ＡのロットＬＴＡ１，ＬＴＡ２，ＬＴＡ３、部品ＢのロットＬＴＢ１，ＬＴＢ２，ＬＴＢ３、及び部品ＣのロットＬＴＣ１，ＬＴＣ２，ＬＴＣ３をそれぞれ有する場合、完成品Ｘの部品組み合わせは３３＝２７通り（ロットＬＴＸ１〜ＬＴＸ２７）存在することになる。
［ＰＳＡ４］この完成品Ｘの部品組み合わせと完成品特性とを機械学習分析によりパターン化する、つまり特徴の傾向を類型化することで、どのような特性を持った完成品が生産されるかを予測（推測）する。
具体的には、機械学習分析により、完成品Ｘについて、上昇傾向、中心値外れ傾向、乱高下傾向、または突発傾向を示すかなど、特徴の傾向を類型化する。
［ＰＳＡ５］完成品生産工程では、完成品測定データ（例えば、完成品の寸法、重量など）をモニタリングし、パターン化したデータと照合することにより、予測した特性と同じか否か判断し、異常になる傾向を導出する。
完成品測定データは、測定データベースＤＢ１において、完成品のロット番号ＬＴ対応に測定値ＭＶ１〜ＭＶ２７として格納されている。
［ＰＳＡ６］そして、予め定めた閾値を越えるまたは外れる傾向となった場合に、異常情報を発令し、閲覧者利用端末４を通してクラウド利用事業者に告知を行う。
［ＰＳＡ７］部品特性は、生産パラメータ及び環境パラメータの影響も受け、ロット毎に、生産パラメータ及び環境パラメータの要因で決定される。
［ＰＳＡ８］生産パラメータは、使用する生産設備、材料（材料仕入先）、加工方法、及び加工者（作業者）に関する情報を含む、４Ｍの領域である。
この４Ｍについては、更に細分化して、生産設備である加工機の回転速度、回転中心軸振れ具合、刃物の状態（つまり、何個のワークに使用されたものか）などを含めてもよい。詳細データが集積されるほど、異常発生原因分析の精度は向上する。
ここで、４Ｍとは、機械加工の現場における生産の４要素：人(Man)、機械(Machine)、材料(Material)、及び方法(Method)のことである。この４Ｍに基づく品質管理により、ＱＣＤまたはＱＣＴのバランス向上を図ることが可能になる。また、ＱＣＤとは、生産管理において重要視すべき項目：品質(Quality)、費用(Cost)、及び納期(Delivery)のことである。納期(Delivery)に代えて時間(Time)を用いてＱＣＴとする場合もある。
［ＰＳＡ９］環境パラメータは、加工には直接関わらないが、生産条件に影響を及ぼす、温度（℃）、湿度（％）、圧力（気圧／風圧（ｋＰａ））、及び作業時間帯などのパラメータである。また、環境パラメータは、消費時間（作業、段取り、待ち時間を含む）、消費副資材、及び消費エネルギ（電気、ガス、水、オイル使用料を含む）などを含む。
［ＰＳＡ１０］環境パラメータは、従来の製造現場では部品特性との因果関係があまりクローズアップされなかったが、部品特性との相関を見える化（可視化）することで、異常発生原因の明確化につながる。
［ＰＳＡ１１］これらの生産パラメータ及び環境パラメータについては、部品のロット毎に関連づけを行い、機械学習により部品測定データと相関を取ることで、部品特性との因果関係を見つけることができる。
部品のロットと、生産パラメータ及び環境パラメータと、部品測定データとの対応関係は、指標データベースＤＢ２及び測定データベースＤＢ１に予め設定（登録）された関連づけ定義（図６及び図８中、＊印で例示）に基づいて、ＳａａＳ型クラウド３２により認識される。これらの対応関係は、ＩｏＴ中継装置２０において、クラウド利用事業者により事前に指定され、ＳａａＳ型クラウド３２に送信されて指標データベースＤＢ２及び測定データベースＤＢ１に関連づけ定義として予め設定される。
例えば、完成品Ｘに供給される部品は３個の部品Ａ，Ｂ，Ｃであり、部品ＡのロットはＬＴＡ３、部品ＢのロットはＬＴＢ１、及び部品ＣのロットはＬＴＣ２である場合、部品Ａ，Ｂ，Ｃの該当ロット（ＬＴＡ３，ＬＴＢ１，ＬＴＣ２）と、該当生産パラメータＰＭ（部品ＡのＰＭＡ３＝生産設備ロットＬＴＫ３，材料ロットＬＴＬ３，加工方法ロットＬＴＭ３，加工者ロットＬＴＮ３；部品ＢのＰＭＢ１＝生産設備ロットＬＴＫ１，材料ロットＬＴＬ１，加工方法ロットＬＴＭ１，加工者ロットＬＴＮ１；部品ＣのＰＭＣ２＝生産設備ロットＬＴＫ２，材料ロットＬＴＬ２，加工方法ロットＬＴＭ２，加工者ロットＬＴＮ２）及び該当環境パラメータＰＭ（部品ＡのＰＭＡ３＝温度、湿度、圧力及び作業時間帯のロットＬＴＱ３，消費時間のロットＬＴＲ３，消費副資材及び消費エネルギのロットＬＴＳ３；部品ＢのＰＭＢ１＝温度、湿度、圧力及び作業時間帯のロットＬＴＱ１，消費時間のロットＬＴＲ１，消費副資材及び消費エネルギのロットＬＴＳ１；部品ＣのＰＭＣ２＝温度、湿度、圧力及び作業時間帯のロットＬＴＱ２，消費時間のロットＬＴＲ２，消費副資材及び消費エネルギのロットＬＴＳ２）と、部品測定データ（部品Ａの測定値ＭＶＡ３，部品Ｂの測定値ＭＶＢ１，部品Ｃの測定値ＭＶＣ２）とが対応することになる。ＳａａＳ型クラウド３２は、関連づけが予め設定された指標データベースＤＢ２及び測定データベースＤＢ１を参照することにより、この対応関係を得られる。
［ＰＳＡ１２］生産パラメータ及び環境パラメータは、完成品生産工程においても、完成品の特性に影響を与える。
［ＰＳＡ１３］完成品特性は、部品特性と、完成品生産工程における生産パラメータ及び環境パラメータとの組み合わせで決まる。完成品特性の異常発生原因は、部品（ここでは、部品Ａ，Ｂ，Ｃ）の上記生産パラメータ及び上記環境パラメータと、完成品（完成品Ｘ）の生産パラメータ及び環境パラメータとから導かれる。
この完成品の生産パラメータ及び環境パラメータは、完成品ＸのロットＬＴＸ１１に対応するパラメータＰＭＸ１１である。このパラメータＰＭＸ１１は、該当生産パラメータとしての生産設備、材料、加工方法、及び加工者を含む。また、パラメータＰＭＸ１１は、該当環境パラメータとしての温度、湿度、圧力及び作業時間帯と消費時間と消費副資材及び消費エネルギとを含む。
上述したように、ＳａａＳ型クラウド３２は、異常予測処理において、機械学習分析を活用することにより、生産される部品を含む生産される完成品についての分析処理結果（異常予測結果）を閲覧者利用端末４に告知（可視表示）することができる。
つまり、ＳａａＳ型クラウド３２は、この異常予測処理においては、工程（完成品生産工程及び／または部品生産工程）の異常発生の予測、工程の異常発生原因の推測、及び工程の異常対処方法などを測定ソリューションサービスとして、閲覧者利用端末４を通してクラウド利用事業者に提供する。
具体的には、ＳａａＳ型クラウド３２は、例えば、完成品ＸのロットＬＴＸ１１に対応する測定値ＭＶＸ１１の寸法が予め定めた閾値を外れる乱高下傾向を示す場合、完成品生産工程及び／または部品生産工程の異常発生（このロットは、バラツキが大きく、工程能力が低下すること）を予測し、この工程の異常発生原因（生産設備の不安定）を推測し、この工程の異常対処方法（加工機のチャックが偏心している可能性があります。直ちにチャックの締まり具合を点検してください。）を乱高下傾向を示し時刻情報を含むグラフと共に、閲覧者利用端末４を通してクラウド利用事業者に告知することができる。
また、ＳａａＳ型クラウド３２は、例えば、完成品ＸのロットＬＴＸ１１に対応するパラメータ（環境パラメータ）ＰＭＸ１１の温度が予め定めた閾値を越える上昇傾向を示す場合、完成品生産工程の異常発生（１５分後に上限値を越えること）を予測し、この工程の異常発生原因（室温上昇）を推測し、この工程の異常対処方法（室温を直ちに２５℃以下に保ってください）を上昇傾向を示し時刻情報を含むグラフと共に、閲覧者利用端末４を通してクラウド利用事業者に告知することもできる。
次に、ＳａａＳ型クラウド３２におけるＡＩの深層学習分析による最適生産条件提供処理（最適影響要素条件提供処理）について、図１０，図１１及び関連図を併せ参照して説明する。
ＳａａＳ型クラウド３２における最適生産条件提供処理は、次に示す観点及び処理を含む設計思想（アーキテクチャ）に基づいている。この最適生産条件提供処理はクラウド利用事業者の任意の実行指定に応じて実施される。
［ＰＳＢ１］教師データ（既知の望ましい手本データ）は、該当完成品（例えば、完成品Ｘ）の特性データとして与えられる。
［ＰＳＢ２］分析対象層は、完成品層ＬＹ１、部品層ＬＹ２、生産条件層ＬＹ３、及び環境条件層ＬＹ４を含む４層（多層）である。これらの４層の分析対象層においては、完成品層ＬＹ１を分析の始点とした場合、部品層ＬＹ２、生産条件層ＬＹ３、及び環境条件層ＬＹ４は完成品層ＬＹ１と共に階層構造を採ることになる。
完成品層ＬＹ１、部品層ＬＹ２、生産条件層ＬＹ３、及び環境条件層ＬＹ４の各特性データは、測定データベースＤＢ１及び指標データベースＤＢ２における該当項目から得ることができる。
［ＰＳＢ３］完成品についての教師データ（例えば、寸法）を基に、完成品層ＬＹ１から類似（近似）している特性データを有する完成品のロット（例えば、完成品ＸのロットＬＴＸ１１）を抽出する。
［ＰＳＢ４］抽出した完成品のロット（ここでは、完成品ＸのロットＬＴＸ１１）に関係する、つまり完成品Ｘを構成している部品のロット（例えば、部品ＡのロットＬＴＡ３、部品ＢのロットＬＴＢ１、部品ＣのロットＬＴＣ２）を部品層ＬＹ２から抽出する。
［ＰＳＢ５］抽出した部品のロット（ここでは、部品ＡのロットＬＴＡ３、部品ＢのロットＬＴＢ１、部品ＣのロットＬＴＣ２）の特性データ（ここでは、寸法）から、完成品の教師データに沿った、部品特性パターンを導き出す。
この部品特性パターンの導出には、例えば、次に示す対比処理を行う。つまり、対比処理においては、先ず、抽出した完成品のロットに関係する各部品のロットの特性データ（測定データ）と、測定データベースＤＢ１に集積済みの各部品の他ロットの特性データとを対比する。次に、各部品ロットにおいて、共通性や偏り（相違）のある特徴を抽出する。そして、抽出した特徴に偏りがあることを判定したときは、その部品ロット（ここでは、部品ＡのロットＬＴＡ３、部品ＢのロットＬＴＢ１、及び／または部品ＣのロットＬＴＣ２）を改善すべき最適影響要素条件を提供するための分析対象とする。なお、抽出した特徴に共通性があることを判定したときも、その部品ロットを分析対象とするが、これは維持されている最適影響要素条件を得るためである（図１１参照）。
このような部品特性パターンの導出処理の結果においては、例えば、完成品Ｘを構成している部品Ａ，Ｂ，Ｃのロット（ここでは、部品ＡのロットＬＴＡ３、部品ＢのロットＬＴＢ１、部品ＣのロットＬＴＣ２）について、部品Ａ，Ｂ，Ｃの外径寸法、内径寸法、及び高さ寸法などの誤差範囲を推測することができる。
［ＰＳＢ６］抽出した部品のロット（例えば、部品ＡのロットＬＴＡ３）について、生産条件層ＬＹ３からこのときに使用した生産設備、材料、加工方法、加工者の条件のロット（例えば、生産設備のロットＬＴＫ１、材料のロットＬＴＬ１、加工方法のロットＬＴＭ２、加工者のロットＬＴＮ２）を抽出する。
［ＰＳＢ７］抽出した生産条件層ＬＹ３の特性データ（例えば、生産設備）に基づいて、上記［ＰＳＢ５］で導出した部品特性パターンに沿った、ＱＣＤ最適生産条件を導き出す。この最適生産条件の導出には、上述した部品特性パターンにおける対比処理と同様の処理を行う。つまり、この対比処理においては、先ず、抽出した部品のロットに関係する各生産条件のロットの特性データ（指標データ）と、指標データベースＤＢ２に集積済みの各生産条件の他ロットの特性データとを対比する。次に、各生産条件ロットにおいて、共通性や偏り（相違）のある特徴を抽出する。そして、抽出した特徴に共通性や偏りがあることを判定することになる。
この最適生産条件の導出処理の結果においては、例えば、完成品Ｘを構成している部品Ａ，Ｂ，Ｃのロット（ここでは、部品ＡのロットＬＴＡ３、部品ＢのロットＬＴＢ１、部品ＣのロットＬＴＣ２）について、部品Ａ，Ｂ，Ｃの生産設備、材料、加工方法、加工者の成果（例えば、リードタイムＹ秒向上、生産量Ｙ％向上）をそれぞれ推測することができる。
［ＰＳＢ８］上記［ＰＳＢ６］で抽出した生産条件層ＬＹ３の項目に該当するロット（ここでは、生産設備のロットＬＴＫ１）について、環境条件層ＬＹ４からこのときの温度、湿度、圧力及び作業時間帯と消費時間と消費副資材及び消費エネルギとのロット（例えば、温度、湿度、圧力及び作業時間帯のロットＬＴＱ１、消費時間のロットＬＴＲ２、消費副資材及び消費エネルギのロットＬＴＳ３）を抽出する。
［ＰＳＢ９］上記［ＰＳＢ８］で抽出した環境条件層ＬＹ４の各項目に該当するロット（ここでは、温度、湿度、圧力及び作業時間帯のロットＬＴＱ１、消費時間のロットＬＴＲ２、消費副資材及び消費エネルギのロットＬＴＳ３）について、上記［ＰＳＢ７］の生産条件に沿った、ＱＣＤ最適環境条件を導き出す。このＱＣＤ最適環境条件の導出には、上述した部品特性パターンにおける対比処理と同様の処理を行う。つまり、この対比処理においては、先ず、抽出した生産設備のロットに関係する各環境条件のロットの特性データ（指標データ）と、指標データベースＤＢ２に集積済みの各環境条件の他ロットの特性データとを対比する。次に、各環境条件ロットにおいて、共通性や偏り（相違）のある特徴を抽出する。そして、抽出した特徴に共通性や偏りがあることを判定することになる。
この最適環境条件の導出処理の結果においては、例えば、完成品Ｘを構成している部品Ａ，Ｂ，Ｃのロット（ここでは、部品ＡのロットＬＴＡ３、部品ＢのロットＬＴＢ１、部品ＣのロットＬＴＣ２）及び部品Ａ，Ｂ，Ｃの生産設備について、温度（室温）、作業時間帯、及び消費エネルギなどの成果（例えば、寸法誤差Ｙμｍ以下、サイクルタイムＹ秒向上、使用電力量低減）をそれぞれ推測することができる。
［ＰＳＢ１０］完成品生産工程では、上記［ＰＳＢ３］で抽出した完成品のロット（ここでは、完成品ＸのロットＬＴＸ１１）に基づいて、生産条件層ＬＹ３の生産条件及び環境条件層ＬＹ４の環境条件が導かれる。
つまり、ＳａａＳ型クラウド３２は、測定データベースＤＢ１及び指標データベースＤＢ２を参照することにより、完成品ＸのロットＬＴＸ１１に対応する生産条件（パラメータＰＭＸ１１）及び環境条件（パラメータＰＭＸ１１）を抽出し、最適生産条件及び最適環境条件の導出処理を実施する。この最適生産条件及び最適環境条件の導出には、上述した部品特性パターンにおける対比処理と同様の処理を行う。
［ＰＳＢ１１］上述した最適の生産条件及び環境条件は、完成品の生産条件及び完成品の環境条件の項目毎に、更には、部品の特性、部品の生産条件及び部品の環境条件の項目毎に、その値が提供される。生産条件の項目、環境条件の項目、及び蓄積されたデータが多ければ多いほど、最適の生産条件及び環境条件の提供情報の精度は上がる。
［ＰＳＢ１２］完成品Ｘについての教師データに代替して部品の教師データが与えられた場合には、部品特性の抽出に基づいて、同様に最適の生産条件及び環境条件を導き出すことができる。この場合、部品層ＬＹ２が分析の始点になり、完成品層ＬＹ１の特性データ、完成品の生産条件、及び完成品の環境条件は関与しない。
［ＰＳＢ１３］また、完成品の教師データのみならず、部品の特性、部品の生産条件、または部品の環境条件のデータから完成品特性のシュミュレートが可能である。これにより、源流管理を行うこともできる。
上述したように、ＳａａＳ型クラウド３２は、最適生産条件提供処理において、深層学習分析を活用することにより、生産される部品を含む生産される完成品についての分析処理結果として、ＱＣＤまたはＱＣＴのバランスが最適な（最大になる）生産条件及び環境条件を閲覧者利用端末４に告知（可視表示）することができる。
つまり、ＳａａＳ型クラウド３２は、この最適生産条件提供処理においては、工程（完成品生産工程及び／または部品生産工程）の生産効果が最大になる生産条件及び環境条件、つまり最適影響要素条件を測定ソリューションサービスとして、閲覧者利用端末４を通してクラウド利用事業者に提供することができる。
上述したように、コンピューティングシステム３のＳａａＳ型クラウド３２は、ＩｏＴ中継装置２０から送信される測定データＥＥ及び指標データＦＦを通信ネットワーク５を介して受信し、ビッグデータを生成するために測定データベースＤＢ１及び指標データベースＤＢ２に集積処理する集積処理機能と、測定データベースＤＢ１及び指標データベースＤＢ２に集積されているビッグデータとしての測定データ及び指標データの双方を予め関連づけされた完成品及び部品のロット毎に機械学習により特徴の傾向を類型化して照合することで分析処理し、異常予測する第１の分析機能と、測定データベースＤＢ１及び指標データベースＤＢ２に集積されているビッグデータとしての測定データ及び指標データの双方を部品のロット毎に、または予め関連づけされた完成品及び部品のロット毎に、階層構造の分析対象層として深層学習により分析処理し、最適影響要素条件を求める第２の分析機能と、第１の分析機能による異常予測結果を表示処理し、閲覧者利用端末４に送信可能にする第１の表示処理機能と、第２の分析機能により求められた最適影響要素条件を表示処理し、閲覧者利用端末４に送信可能にする第２の表示処理機能とを含む。
ＳａａＳ型クラウド３２において、上述した各機能を論理的に実現するには、フラッシュメモリに処理プログラムをアプリケーションプログラムとしてインストールしておく。そして、ＳａａＳ型クラウド３２においては、電源投入を契機に、プロセッサ（ＣＰＵ）がこの処理プログラムをＲＡＭに常時展開して実行する。測定データベースＤＢ１及び指標データベースＤＢ２は、フラッシュメモリに構成される。
閲覧者利用端末４は、Ｗｅｂブラウザを有する、パーソナルコンピュータＰＣ、スマートフォンＳＰ、及びタブレットＴＢなどの端末であり、クラウド利用事業者の閲覧者によって利用される。
閲覧者利用端末４は、第２通信ネットワーク６を介し、コンピューティングシステム３から表示処理結果を受信する機能と、受信した表示処理結果を表示する機能とを含む。クラウド利用事業者の閲覧者は、閲覧者利用端末４に表示された表示処理結果に基づいて、各拠点内の各工程の品質状況を把握し、必要な対策を採ることができる。
この閲覧者利用端末４のハードウェア構成は、当業者が容易に理解でき、実施可能であるので、図示及び説明を省略する。閲覧者利用端末４においては、上述した各機能を論理的に実現するには、フラッシュメモリに処理プログラムをアプリケーションプログラムとしてインストールしておく。そして、閲覧者利用端末４においては、電源投入または閲覧者による指示を契機に、プロセッサ（ＣＰＵ）がこの処理プログラムをＲＡＭに展開して実行する。
［測定ソリューションサービス提供処理］
次に、上述した測定ソリューションサービス提供システム１における動作について、図１２及び関連図を併せ参照して説明する。
次に、上述した測定ソリューションサービス提供システム１における動作について、図１２及び関連図を併せ参照して説明する。
図１２は上述した測定ソリューションサービス提供システム１における異常予測処理及び最適生産条件提供処理を含む測定ソリューションサービス提供処理のシーケンスの一例を示す。なお、以下の説明では、不明確にならない限り通信ネットワーク５，６及びＩｏＴハブ３１の介在を省略する。
各ＩｏＴ中継装置２０においては、電源投入を契機に、処理プログラムが起動され、プロセッサ（ＣＰＵ）が次に述べる処理を遂行する。
［処理Ｓ８１（図１２参照）］複数の測定源Ａ，Ｂ，Ｃ，Ｄから送信された測定データＡＡ，ＢＢ，ＣＣ，ＤＤ及び指標データａａ，ｂｂ，ｃｃ，ｄｄを収集する。
［処理Ｓ８２］収集した測定データＡＡ，ＢＢ，ＣＣ，ＤＤに基づいて、定形フォーマットの測定データＥＥを生成する。定形フォーマットの測定データＥＥを生成するとき、利用事業者識別情報ＩＤ１、拠点識別情報ＩＤ２、測定源識別情報ＩＤ３、及び測定時刻情報ＭＴを付加する。
［処理Ｓ８３］収集した指標データａａ，ｂｂ，ｃｃ，ｄｄに基づいて、定形フォーマットの指標データＦＦを生成する。定形フォーマットの指標データＦＦを生成するとき、利用事業者識別情報ＩＤ１、拠点識別情報ＩＤ２、測定源識別情報ＩＤ３、及び生産時刻情報ＭＦを付加する。
［処理Ｓ８４］コンピューティングシステム３に対して、定形フォーマットの測定データＥＥ及び定形フォーマットの指標データＦＦを送信する。測定データＥＥ及び指標データＦＦを送信するとき、ＩＰプロトコルに変換する。
また、コンピューティングシステム３のＳａａＳ型クラウド３２においては、電源投入を契機に、処理プログラムが起動され、プロセッサ（ＣＰＵ）が次に述べる処理を遂行する。
［処理Ｓ９１（図１２参照）］各ＩｏＴ中継装置２０から送信された定形フォーマットの測定データＥＥ及び定形フォーマットの指標データＦＦを受信する。
［処理Ｓ９２］受信した定形フォーマットの測定データＥＥ及び定形フォーマットの指標データＦＦを測定データベースＤＢ１及び指標データベースＤＢ２にそれぞれ階層構造で集積処理する。
［処理Ｓ９３］集積されている測定データＥＥ及び指標データＦＦをロット毎に集計分析処理する。集計分析処理においては、異常予測処理及び最適生産条件提供処理の少なくとも一方がクラウド利用事業者の実行指定に応じて実施される。
［処理Ｓ９４］集計分析処理の結果を表示処理し、表示処理結果を閲覧者利用端末４に送信する。
さらに、閲覧者利用端末４においては、電源投入を契機に、処理プログラムが起動され、プロセッサ（ＣＰＵ）が次に述べる処理を遂行する。
［処理Ｓ１０１（図１２参照）］コンピューティングシステム３から表示処理結果を受信する。
［処理Ｓ１０２］受信した表示処理結果を表示する。
［一実施の形態の効果］
上述した一実施の形態の測定ソリューションサービス提供システム１は、ＩｏＴ技術とクラウドコンピューティング技術とＡＩ技術との連携により、定形フォーマットの測定データＥＥ及び定形フォーマットの指標データＦＦをコンピューティングシステム３にビッグデータを生成するために集積し、集計分析処理及び表示処理することにより、いつでも、どこでも、ものづくり拠点（現場）における各工程の品質状況を把握可能な画期的な測定ソリューションサービスをクラウド利用事業者に対して提供することができる。
上述した一実施の形態の測定ソリューションサービス提供システム１は、ＩｏＴ技術とクラウドコンピューティング技術とＡＩ技術との連携により、定形フォーマットの測定データＥＥ及び定形フォーマットの指標データＦＦをコンピューティングシステム３にビッグデータを生成するために集積し、集計分析処理及び表示処理することにより、いつでも、どこでも、ものづくり拠点（現場）における各工程の品質状況を把握可能な画期的な測定ソリューションサービスをクラウド利用事業者に対して提供することができる。
また、この測定ソリューションサービス提供システム１においては、コンピューティングシステム３は、拠点毎に配置される複数のＩｏＴ中継装置２０からそれぞれ送信される定形フォーマットの測定データＥＥ及び定形フォーマットの指標データＦＦを処理するので、ＳａａＳ型クラウド３２のアプリケーションソフトウェアの負担を軽減し、処理能力を高めることができる。
また、この測定ソリューションサービス提供システム１においては、コンピューティングシステム３は、ＡＩの機械学習分析を活用することで、生産される部品を含む生産される完成品についての異常予測結果を閲覧者利用端末４に告知（可視表示）することができる。
さらに、この測定ソリューションサービス提供システム１においては、コンピューティングシステム３は、ＡＩの深層学習分析を活用することで、生産される部品を含む生産される完成品についての分析処理結果として、ＱＣＤまたはＱＣＴのバランスが最適な（最大になる）生産条件及び環境条件を閲覧者利用端末４に告知（可視表示）することができる。
［変形例］
上述した一実施の形態の測定ソリューションサービス提供システム１においては、コンピューティングシステム３は、クラウド提供事業者が維持・管理するクラウドサーバコンピュータであり、ＩｏＴハブ３１及びＳａａＳ型クラウド３２を備える構成としたが、これに限定されない。つまり、コンピューティングシステム３は、インターネット接続事業者（ＩＳＰ：Internet Service Provider）などが維持・管理するサーバコンピュータであり、ＳａａＳ型クラウド３２に代替する情報処理装置を備える構成であってもよい。この場合、測定ソリューションサービス提供システム１はＩｏＴ技術とＡＩ技術との連携システムになる。
上述した一実施の形態の測定ソリューションサービス提供システム１においては、コンピューティングシステム３は、クラウド提供事業者が維持・管理するクラウドサーバコンピュータであり、ＩｏＴハブ３１及びＳａａＳ型クラウド３２を備える構成としたが、これに限定されない。つまり、コンピューティングシステム３は、インターネット接続事業者（ＩＳＰ：Internet Service Provider）などが維持・管理するサーバコンピュータであり、ＳａａＳ型クラウド３２に代替する情報処理装置を備える構成であってもよい。この場合、測定ソリューションサービス提供システム１はＩｏＴ技術とＡＩ技術との連携システムになる。
上述した一実施の形態における処理はコンピュータで実行可能なプログラムとして提供され、ＣＤ−ＲＯＭやフレキシブルディスクなどの非一時的コンピュータ可読記録媒体、さらには通信回線を経て提供可能である。
また、上述した一実施の形態における各処理はその任意の複数または全てを選択し組合せて実施することもできる。
１ 測定ソリューションサービス提供システム
２ デバイスネットワーク
３ コンピューティングシステム
４ 閲覧者利用端末
５ 第１通信ネットワーク
６ 第２通信ネットワーク
２０ ＩｏＴ中継装置
２１Ａ 指標検出器
２１Ｂ 指標検出器
２１Ｃ 指標検出器
２１Ｄ 指標検出器
２２Ａ 測定器
２２Ｂ 測定器
２２Ｃ 測定器
２２Ｄ 測定器
２３Ａ 無線送信機
２３Ｂ 無線送信機
２３Ｃ 無線送信機
２３Ｄ 無線送信機
２４ 無線受信機
３１ ＩｏＴハブ
３２ ＳａａＳ型クラウド
ＤＢ１ 測定データベース
ＤＢ２ 指標データベース
２ デバイスネットワーク
３ コンピューティングシステム
４ 閲覧者利用端末
５ 第１通信ネットワーク
６ 第２通信ネットワーク
２０ ＩｏＴ中継装置
２１Ａ 指標検出器
２１Ｂ 指標検出器
２１Ｃ 指標検出器
２１Ｄ 指標検出器
２２Ａ 測定器
２２Ｂ 測定器
２２Ｃ 測定器
２２Ｄ 測定器
２３Ａ 無線送信機
２３Ｂ 無線送信機
２３Ｃ 無線送信機
２３Ｄ 無線送信機
２４ 無線受信機
３１ ＩｏＴハブ
３２ ＳａａＳ型クラウド
ＤＢ１ 測定データベース
ＤＢ２ 指標データベース
Claims (25)
- 製造現場対応の拠点内の各工程に分散配置されて完成品生産工程及び部品生産工程の品質状況を測定する複数の測定源から送信される測定データと、前記複数の測定源から送信され前記品質状況を測定するときの影響要素となる環境指標及び生産指標を含む指標データとを収集するＩｏＴ中継装置と；
前記ＩｏＴ中継装置から送信される前記測定データ及び前記指標データを受信し、ビッグデータを生成するために測定データベース及び指標データベースに集積処理する集積処理手段と、
前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を部品のロット毎に、部品層を分析の始点とした生産条件層及び環境条件層を含む３層直列階層構造の分析対象層として深層学習により分析処理し、または前記測定データ及び前記指標データの双方を予め関連づけされた完成品及び部品のロット毎に、完成品層を分析の始点とした部品層、生産条件層及び環境条件層を含む４層直列階層構造の分析対象層として深層学習により分析処理し、最適影響要素条件を求める分析手段と、
前記分析手段により求められた最適影響要素条件を表示処理し、閲覧者利用端末に送信可能にする表示処理手段と、
を含むコンピューティングシステムとを備え；
前記集積処理手段は、受信した前記測定データ及び前記指標データを前記測定データベース及び前記指標データベースにそれぞれ始点、分岐点及び終点を含む論理的なトリー形態を採る階層構造で集積処理し、この始点は前記コンピューティングシステムの利用事業者を特定する識別情報に対応し、
前記分析手段は、前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を部品のロット毎にまたは予め関連づけされた完成品及び部品のロット毎に、かつ前記コンピューティングシステムの利用事業者を特定する識別情報に対応する同一始点配下の前記拠点間の統合対象毎に、前記深層学習により分析処理する、
測定ソリューションサービス提供システム。 - 製造現場対応の拠点内の各工程に分散配置されて完成品生産工程及び部品生産工程の品質状況を測定する複数の測定源から送信される測定データと、前記複数の測定源から送信され前記品質状況を測定するときの影響要素となる環境指標及び生産指標を含む指標データとを収集するＩｏＴ中継装置と；
前記ＩｏＴ中継装置から送信される前記測定データ及び前記指標データを受信し、ビッグデータを生成するために測定データベース及び指標データベースに集積処理する集積処理手段と、
前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を予め関連づけされた完成品及び部品のロット毎に機械学習により特徴の傾向を類型化して照合することで分析処理し、異常予測する第１の分析手段と、
前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を部品のロット毎に、部品層を分析の始点とした生産条件層及び環境条件層を含む３層直列階層構造の分析対象層として深層学習により分析処理し、または前記測定データ及び前記指標データの双方を予め関連づけされた完成品及び部品のロット毎に、完成品層を分析の始点とした部品層、生産条件層及び環境条件層を含む４層直列階層構造の分析対象層として深層学習により分析処理し、最適影響要素条件を求める第２の分析手段と、
前記第１の分析手段による異常予測結果を表示処理し、閲覧者利用端末に送信可能にする第１の表示処理手段と、
前記第２の分析手段により求められた最適影響要素条件を表示処理し、前記閲覧者利用端末に送信可能にする第２の表示処理手段と、
を含むコンピューティングシステムとを備え；
前記集積処理手段は、受信した前記測定データ及び前記指標データを前記測定データベース及び前記指標データベースにそれぞれ始点、分岐点及び終点を含む論理的なトリー形態を採る階層構造で集積処理し、この始点は前記コンピューティングシステムの利用事業者を特定する識別情報に対応し、
前記第１の分析手段は、前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を予め関連づけされた完成品及び部品のロット毎に、かつ前記コンピューティングシステムの利用事業者を特定する識別情報に対応する同一始点配下の前記拠点間の統合対象毎に、前記機械学習により分析処理し、
前記第２の分析手段は、前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を部品のロット毎にまたは予め関連づけされた完成品及び部品のロット毎に、かつ前記コンピューティングシステムの利用事業者を特定する識別情報に対応する同一始点配下の前記拠点間の統合対象毎に、前記深層学習により分析処理する、
測定ソリューションサービス提供システム。 - 前記ＩｏＴ中継装置は、前記拠点毎に配置されて複数個存在する、
請求項１または２記載の測定ソリューションサービス提供システム。 - 前記生産指標は、前記複数の測定源のそれぞれにおける使用する生産設備、材料、加工方法、及び加工者に関する情報の少なくとも１つをパラメータとして含む、
請求項１から請求項３のいずれか１項に記載の測定ソリューションサービス提供システム。 - 前記環境指標は、前記複数の測定源のそれぞれにおける温度、湿度、圧力、及び作業時間帯に関する情報の少なくとも１つをパラメータとして含む、
請求項１から請求項４のいずれか１項に記載の測定ソリューションサービス提供システム。 - 前記ＩｏＴ中継装置は、
収集した前記測定データに基づいて、定形フォーマットの測定データを生成する手段と、
収集した前記指標データに基づいて、定形フォーマットの指標データを生成する手段と、
生成した定形フォーマットの測定データ及び指標データの処理を要求するために、通信ネットワークを介し、前記コンピューティングシステムに対して、前記定形フォーマットの測定データ及び前記定形フォーマットの指標データを送信する手段とを更に含む、
請求項１から請求項５のいずれか１項に記載の測定ソリューションサービス提供システム。 - 前記測定データは、予め定めた項目として、前記コンピューティングシステムの利用事業者を特定する識別情報、前記製造現場対応の拠点を特定する識別情報、前記測定源を特定する識別情報、前記測定源における測定対象である完成品または部品のロット番号、前記測定源における測定対象である完成品または部品の測定値、及び測定時刻情報を少なくとも含む、
請求項１から請求項６のいずれか１項に記載の測定ソリューションサービス提供システム。 - 前記測定データは、前記コンピューティングシステムの利用事業者を特定する識別情報を始点とし、前記製造現場対応の拠点を特定する識別情報及び前記測定源を特定する識別情報を分岐点とし、前記測定源における前記ロット番号、前記測定値及び前記測定時刻情報を終点とする、論理的なトリー形態を採る階層構造で前記測定データベースに集積される、
請求項７記載の測定ソリューションサービス提供システム。 - 前記指標データは、予め定めた項目として、前記コンピューティングシステムの利用事業者を特定する識別情報、前記製造現場対応の拠点を特定する識別情報、前記測定源を特定する識別情報、前記測定源における測定対象である完成品または部品のロット番号、前記測定源における生産指標及び環境指標、及び生産時刻情報を少なくとも含む、
請求項１から請求項８のいずれか１項に記載の測定ソリューションサービス提供システム。 - 前記指標データは、前記コンピューティングシステムの利用事業者を特定する識別情報を始点とし、前記製造現場対応の拠点を特定する識別情報及び前記測定源を特定する識別情報を分岐点とし、前記測定源における前記ロット番号、前記生産指標及び前記環境指標、更に前記生産時刻情報を終点とする、論理的なトリー形態を採る階層構造で前記指標データベースに集積される、
請求項９記載の測定ソリューションサービス提供システム。 - 前記複数の測定源は測定器及び指標検出器をそれぞれ含み、
前記コンピューティングシステムはＳａａＳ型クラウドを含み、
前記ＩｏＴ中継装置はＩｏＴゲートウェイであり、
通信ネットワークはＩＰネットワークである、
請求項１から請求項１０のいずれか１項に記載の測定ソリューションサービス提供システム。 - 製造現場対応の拠点内の各工程に分散配置されて完成品生産工程及び部品生産工程の品質状況を測定する複数の測定源から送信される測定データと、前記複数の測定源から送信され前記品質状況を測定するときの影響要素となる環境指標及び生産指標を含む指標データとを収集するステップをＩｏＴ中継装置が処理し；
前記ＩｏＴ中継装置から送信される前記測定データ及び前記指標データを受信し、ビッグデータを生成するために測定データベース及び指標データベースに集積処理するステップと、
前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を部品のロット毎に、部品層を分析の始点とした生産条件層及び環境条件層を含む３層直列階層構造の分析対象層として深層学習により分析処理し、または前記測定データ及び前記指標データの双方を予め関連づけされた完成品及び部品のロット毎に、完成品層を分析の始点とした部品層、生産条件層及び環境条件層を含む４層直列階層構造の分析対象層として深層学習により分析処理し、最適影響要素条件を求めるステップと、
求めた前記最適影響要素条件を表示処理し、閲覧者利用端末に送信可能にするステップと、
をコンピューティングシステムが処理し；
前記集積処理することは、受信した前記測定データ及び前記指標データを前記測定データベース及び前記指標データベースにそれぞれ始点、分岐点及び終点を含む論理的なトリー形態を採る階層構造で集積処理し、この始点は前記コンピューティングシステムの利用事業者を特定する識別情報に対応し、
前記分析処理することは、前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を部品のロット毎にまたは予め関連づけされた完成品及び部品のロット毎に、かつ前記コンピューティングシステムの利用事業者を特定する識別情報に対応する同一始点配下の前記拠点間の統合対象毎に、前記深層学習により分析処理する、
測定ソリューションサービス提供方法。 - 製造現場対応の拠点内の各工程に分散配置されて完成品生産工程及び部品生産工程の品質状況を測定する複数の測定源から送信される測定データと、前記複数の測定源から送信され前記品質状況を測定するときの影響要素となる環境指標及び生産指標を含む指標データとを収集するステップをＩｏＴ中継装置が処理し；
前記ＩｏＴ中継装置から送信される前記測定データ及び前記指標データを受信し、ビッグデータを生成するために測定データベース及び指標データベースに集積処理するステップと、
前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を予め関連づけされた完成品及び部品のロット毎に機械学習により特徴の傾向を類型化して照合することで分析処理し、異常予測するステップと、
前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を部品のロット毎に、部品層を分析の始点とした生産条件層及び環境条件層を含む３層直列階層構造の分析対象層として深層学習により分析処理し、または前記測定データ及び前記指標データの双方を予め関連づけされた完成品及び部品のロット毎に、完成品層を分析の始点とした部品層、生産条件層及び環境条件層を含む４層直列階層構造の分析対象層として深層学習により分析処理し、最適影響要素条件を求めるステップと、
前記異常予測の結果を表示処理し、閲覧者利用端末に送信可能にするステップと、
求めた前記最適影響要素条件を表示処理し、前記閲覧者利用端末に送信可能にするステップと、
をコンピューティングシステムが処理し；
前記集積処理することは、受信した前記測定データ及び前記指標データを前記測定データベース及び前記指標データベースにそれぞれ始点、分岐点及び終点を含む論理的なトリー形態を採る階層構造で集積処理し、この始点は前記コンピューティングシステムの利用事業者を特定する識別情報に対応し、
前記機械学習により分析処理することは、前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を予め関連づけされた完成品及び部品のロット毎に、かつ前記コンピューティングシステムの利用事業者を特定する識別情報に対応する同一始点配下の前記拠点間の統合対象毎に、前記機械学習により分析処理し、
前記深層学習により分析処理することは、前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を部品のロット毎にまたは予め関連づけされた完成品及び部品のロット毎に、かつ前記コンピューティングシステムの利用事業者を特定する識別情報に対応する同一始点配下の前記拠点間の統合対象毎に、前記深層学習により分析処理する、
測定ソリューションサービス提供方法。 - 前記ＩｏＴ中継装置は、前記拠点毎に配置されて複数個存在する、
請求項１２または１３記載の測定ソリューションサービス提供方法。 - 前記生産指標は、前記複数の測定源のそれぞれにおける使用する生産設備、材料、加工方法、及び加工者に関する情報の少なくとも１つをパラメータとして含む、
請求項１２から請求項１４のいずれか１項に記載の測定ソリューションサービス提供方法。 - 前記環境指標は、前記複数の測定源のそれぞれにおける温度、湿度、圧力、及び作業時間帯に関する情報の少なくとも１つをパラメータとして含む、
請求項１２から請求項１５のいずれか１項に記載の測定ソリューションサービス提供方法。 - 前記ＩｏＴ中継装置は、
収集した前記測定データに基づいて、定形フォーマットの測定データを生成するステップと、
収集した前記指標データに基づいて、定形フォーマットの指標データを生成するステップと、
生成した定形フォーマットの測定データ及び指標データの処理を要求するために、通信ネットワークを介し、前記コンピューティングシステムに対して、前記定形フォーマットの測定データ及び前記定形フォーマットの指標データを送信するステップとを更に処理する、
請求項１２から請求項１６のいずれか１項に記載の測定ソリューションサービス提供方法。 - 前記測定データは、予め定めた項目として、前記コンピューティングシステムの利用事業者を特定する識別情報、前記製造現場対応の拠点を特定する識別情報、前記測定源を特定する識別情報、前記測定源における測定対象である完成品または部品のロット番号、前記測定源における測定対象である完成品または部品の測定値、及び測定時刻情報を少なくとも含む、
請求項１２から請求項１７のいずれか１項に記載の測定ソリューションサービス提供方法。 - 前記測定データは、前記コンピューティングシステムの利用事業者を特定する識別情報を始点とし、前記製造現場対応の拠点を特定する識別情報及び前記測定源を特定する識別情報を分岐点とし、前記測定源における前記ロット番号、前記測定値及び前記測定時刻情報を終点とする、論理的なトリー形態を採る階層構造で前記測定データベースに集積される、
請求項１８記載の測定ソリューションサービス提供方法。 - 前記指標データは、予め定めた項目として、前記コンピューティングシステムの利用事業者を特定する識別情報、前記製造現場対応の拠点を特定する識別情報、前記測定源を特定する識別情報、前記測定源における測定対象である完成品または部品のロット番号、前記測定源における生産指標及び環境指標、及び生産時刻情報を少なくとも含む、
請求項１２から請求項１９のいずれか１項に記載の測定ソリューションサービス提供方法。 - 前記指標データは、前記コンピューティングシステムの利用事業者を特定する識別情報を始点とし、前記製造現場対応の拠点を特定する識別情報及び前記測定源を特定する識別情報を分岐点とし、前記測定源における前記ロット番号、前記生産指標及び前記環境指標、更に前記生産時刻情報を終点とする、論理的なトリー形態を採る階層構造で前記指標データベースに集積される、
請求項２０記載の測定ソリューションサービス提供方法。 - 製造現場対応の拠点内の各工程に分散配置されて完成品生産工程及び部品生産工程の品質状況を測定する複数の測定源から送信される測定データと、前記複数の測定源から送信され前記品質状況を測定するときの影響要素となる環境指標及び生産指標を含む指標データとを収集するＩｏＴ中継装置と連携するコンピューティングシステムであって；
前記ＩｏＴ中継装置から送信される前記測定データ及び前記指標データを受信し、ビッグデータを生成するために測定データベース及び指標データベースに集積処理する集積処理手段と、
前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を部品のロット毎に、部品層を分析の始点とした生産条件層及び環境条件層を含む３層直列階層構造の分析対象層として深層学習により分析処理し、または前記測定データ及び前記指標データの双方を予め関連づけされた完成品及び部品のロット毎に、完成品層を分析の始点とした部品層、生産条件層及び環境条件層を含む４層直列階層構造の分析対象層として深層学習により分析処理し、最適影響要素条件を求める分析手段と、
前記分析手段により求められた最適影響要素条件を表示処理し、閲覧者利用端末に送信可能にする表示処理手段とを備え、
前記集積処理手段は、受信した前記測定データ及び前記指標データを前記測定データベース及び前記指標データベースにそれぞれ始点、分岐点及び終点を含む論理的なトリー形態を採る階層構造で集積処理し、この始点は前記コンピューティングシステムの利用事業者を特定する識別情報に対応し、
前記分析手段は、前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を部品のロット毎にまたは予め関連づけされた完成品及び部品のロット毎に、かつ前記コンピューティングシステムの利用事業者を特定する識別情報に対応する同一始点配下の前記拠点間の統合対象毎に、前記深層学習により分析処理する、
コンピューティングシステム。 - 製造現場対応の拠点内の各工程に分散配置されて完成品生産工程及び部品生産工程の品質状況を測定する複数の測定源から送信される測定データと、前記複数の測定源から送信され前記品質状況を測定するときの影響要素となる環境指標及び生産指標を含む指標データとを収集するＩｏＴ中継装置と連携するコンピューティングシステムであって；
前記ＩｏＴ中継装置から送信される前記測定データ及び前記指標データを受信し、ビッグデータを生成するために測定データベース及び指標データベースに集積処理する集積処理手段と、
前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を予め関連づけされた完成品及び部品のロット毎に機械学習により特徴の傾向を類型化して照合することで分析処理し、異常予測する第１の分析手段と、
前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を部品のロット毎に、部品層を分析の始点とした生産条件層及び環境条件層を含む３層直列階層構造の分析対象層として深層学習により分析処理し、または前記測定データ及び前記指標データの双方を予め関連づけされた完成品及び部品のロット毎に、完成品層を分析の始点とした部品層、生産条件層及び環境条件層を含む４層直列階層構造の分析対象層として深層学習により分析処理し、最適影響要素条件を求める第２の分析手段と、
前記第１の分析手段による異常予測結果を表示処理し、閲覧者利用端末に送信可能にする第１の表示処理手段と、
前記第２の分析手段により求められた最適影響要素条件を表示処理し、前記閲覧者利用端末に送信可能にする第２の表示処理手段とを備え、
前記集積処理手段は、受信した前記測定データ及び前記指標データを前記測定データベース及び前記指標データベースにそれぞれ始点、分岐点及び終点を含む論理的なトリー形態を採る階層構造で集積処理し、この始点は前記コンピューティングシステムの利用事業者を特定する識別情報に対応し、
前記第１の分析手段は、前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を予め関連づけされた完成品及び部品のロット毎に、かつ前記コンピューティングシステムの利用事業者を特定する識別情報に対応する同一始点配下の前記拠点間の統合対象毎に、前記機械学習により分析処理し、
前記第２の分析手段は、前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を部品のロット毎にまたは予め関連づけされた完成品及び部品のロット毎に、かつ前記コンピューティングシステムの利用事業者を特定する識別情報に対応する同一始点配下の前記拠点間の統合対象毎に、前記深層学習により分析処理する、
コンピューティングシステム。 - 製造現場対応の拠点内の各工程に分散配置されて完成品生産工程及び部品生産工程の品質状況を測定する複数の測定源から送信される測定データと、前記複数の測定源から送信され前記品質状況を測定するときの影響要素となる環境指標及び生産指標を含む指標データとを収集するＩｏＴ中継装置と連携するコンピューティングシステムを、
前記ＩｏＴ中継装置から送信される前記測定データ及び前記指標データを受信し、ビッグデータを生成するために測定データベース及び指標データベースに集積処理する集積処理手段と、
前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を部品のロット毎に、部品層を分析の始点とした生産条件層及び環境条件層を含む３層直列階層構造の分析対象層として深層学習により分析処理し、または前記測定データ及び前記指標データの双方を予め関連づけされた完成品及び部品のロット毎に、完成品層を分析の始点とした部品層、生産条件層及び環境条件層を含む４層直列階層構造の分析対象層として深層学習により分析処理し、最適影響要素条件を求める分析手段と、
前記分析手段により求められた最適影響要素条件を表示処理し、閲覧者利用端末に送信可能にする表示処理手段として機能させ、
前記集積処理手段は、受信した前記測定データ及び前記指標データを前記測定データベース及び前記指標データベースにそれぞれ始点、分岐点及び終点を含む論理的なトリー形態を採る階層構造で集積処理し、この始点は前記コンピューティングシステムの利用事業者を特定する識別情報に対応し、
前記分析手段は、前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を部品のロット毎にまたは予め関連づけされた完成品及び部品のロット毎に、かつ前記コンピューティングシステムの利用事業者を特定する識別情報に対応する同一始点配下の前記拠点間の統合対象毎に、前記深層学習により分析処理する、
測定ソリューションサービス提供プログラム。 - 製造現場対応の拠点内の各工程に分散配置されて完成品生産工程及び部品生産工程の品質状況を測定する複数の測定源から送信される測定データと、前記複数の測定源から送信され前記品質状況を測定するときの影響要素となる環境指標及び生産指標を含む指標データとを収集するＩｏＴ中継装置と連携するコンピューティングシステムを、
前記ＩｏＴ中継装置から送信される前記測定データ及び前記指標データを受信し、ビッグデータを生成するために測定データベース及び指標データベースに集積処理する集積処理手段と、
前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を予め関連づけされた完成品及び部品のロット毎に機械学習により特徴の傾向を類型化して照合することで分析処理し、異常予測する第１の分析手段と、
前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を部品のロット毎に、部品層を分析の始点とした生産条件層及び環境条件層を含む３層直列階層構造の分析対象層として深層学習により分析処理し、または前記測定データ及び前記指標データの双方を予め関連づけされた完成品及び部品のロット毎に、完成品層を分析の始点とした部品層、生産条件層及び環境条件層を含む４層直列階層構造の分析対象層として深層学習により分析処理し、最適影響要素条件を求める第２の分析手段と、
前記第１の分析手段による異常予測結果を表示処理し、閲覧者利用端末に送信可能にする第１の表示処理手段と、
前記第２の分析手段により求められた最適影響要素条件を表示処理し、前記閲覧者利用端末に送信可能にする第２の表示処理手段として機能させ、
前記集積処理手段は、受信した前記測定データ及び前記指標データを前記測定データベース及び前記指標データベースにそれぞれ始点、分岐点及び終点を含む論理的なトリー形態を採る階層構造で集積処理し、この始点は前記コンピューティングシステムの利用事業者を特定する識別情報に対応し、
前記第１の分析手段は、前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を予め関連づけされた完成品及び部品のロット毎に、かつ前記コンピューティングシステムの利用事業者を特定する識別情報に対応する同一始点配下の前記拠点間の統合対象毎に、前記機械学習により分析処理し、
前記第２の分析手段は、前記測定データベース及び前記指標データベースに集積されている前記ビッグデータとしての前記測定データ及び前記指標データの双方を部品のロット毎にまたは予め関連づけされた完成品及び部品のロット毎に、かつ前記コンピューティングシステムの利用事業者を特定する識別情報に対応する同一始点配下の前記拠点間の統合対象毎に、前記深層学習により分析処理する、
測定ソリューションサービス提供プログラム。
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017223961A JP6649349B2 (ja) | 2017-11-21 | 2017-11-21 | 測定ソリューションサービス提供システム |
| US16/756,730 US11500357B2 (en) | 2017-11-21 | 2018-11-21 | Measurement solution service providing system |
| DE112018005937.5T DE112018005937T5 (de) | 2017-11-21 | 2018-11-21 | Messlösungsdienstleistungssystem |
| CN201880075268.8A CN111386502A (zh) | 2017-11-21 | 2018-11-21 | 测量解决方案服务提供系统 |
| PCT/JP2018/043052 WO2019103056A1 (ja) | 2017-11-21 | 2018-11-21 | 測定ソリューションサービス提供システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017223961A JP6649349B2 (ja) | 2017-11-21 | 2017-11-21 | 測定ソリューションサービス提供システム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2019096008A JP2019096008A (ja) | 2019-06-20 |
| JP6649349B2 true JP6649349B2 (ja) | 2020-02-19 |
Family
ID=66630590
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017223961A Active JP6649349B2 (ja) | 2017-11-21 | 2017-11-21 | 測定ソリューションサービス提供システム |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US11500357B2 (ja) |
| JP (1) | JP6649349B2 (ja) |
| CN (1) | CN111386502A (ja) |
| DE (1) | DE112018005937T5 (ja) |
| WO (1) | WO2019103056A1 (ja) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021172167A (ja) * | 2020-04-22 | 2021-11-01 | 株式会社ブリヂストン | タイヤ状態監視システム及び車載通信装置 |
| JP6928400B1 (ja) * | 2020-07-29 | 2021-09-01 | 株式会社テクロック・スマートソリューションズ | 測定ソリューションサービス提供システム |
| CN115358575B (zh) * | 2022-08-18 | 2024-01-26 | 佛山智一达企业管理咨询有限公司 | 一种基于工业互联网的建材生产制造智能管理系统 |
Family Cites Families (34)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH07190798A (ja) * | 1993-12-27 | 1995-07-28 | Yokogawa Electric Corp | プロセスデータ処理装置 |
| JPH07225609A (ja) * | 1994-02-10 | 1995-08-22 | Hitachi Ltd | プラント監視装置およびプラント監視画面の表示方法 |
| JP2002251212A (ja) * | 2001-02-21 | 2002-09-06 | Toyota Motor Corp | 品質管理方法、同システム、および同プログラムを記録した記録媒体 |
| JP2003090742A (ja) | 2001-07-05 | 2003-03-28 | Yokogawa Electric Corp | 測定データ表示システム |
| JP2003272074A (ja) | 2002-03-18 | 2003-09-26 | Seiko Epson Corp | 計測データ収集装置 |
| JP2004133632A (ja) * | 2002-10-09 | 2004-04-30 | Arkray Inc | データ中継装置およびこれを用いたデータ管理システム |
| JP2004227184A (ja) * | 2003-01-21 | 2004-08-12 | Matsushita Electric Ind Co Ltd | 品質データ管理方法およびその装置 |
| JP2005327024A (ja) * | 2004-05-13 | 2005-11-24 | Matsushita Electric Ind Co Ltd | データマイニングシステム |
| CN101490707A (zh) | 2006-07-13 | 2009-07-22 | 质量技术株式会社 | 质量管理系统、质量管理程序和终端装置 |
| US8782026B2 (en) | 2011-03-31 | 2014-07-15 | Honda Motor Co., Ltd. | Color harmony with process and environmental feedback |
| US20140343743A1 (en) * | 2011-08-31 | 2014-11-20 | Long Meadow Technologies, Llc | System, method and apparatus for computing, monitoring, measuring, optimizing and allocating power and energy for a rod pumping system |
| US10129211B2 (en) * | 2011-09-15 | 2018-11-13 | Stephan HEATH | Methods and/or systems for an online and/or mobile privacy and/or security encryption technologies used in cloud computing with the combination of data mining and/or encryption of user's personal data and/or location data for marketing of internet posted promotions, social messaging or offers using multiple devices, browsers, operating systems, networks, fiber optic communications, multichannel platforms |
| TWI630493B (zh) * | 2011-09-19 | 2018-07-21 | 塔塔顧問服務有限公司 | 用於提供促進感測器驅動式應用的開發及部署之運算平台的系統及方法 |
| BR112014006445B1 (pt) | 2011-09-19 | 2021-11-16 | Tata Consultancy Service Limited | Plataforma computadorizada para o desenvolvimento e implementação de aplicações e serviços telemétricos de veículos acionados a sensor |
| WO2013051080A1 (ja) * | 2011-10-03 | 2013-04-11 | 株式会社日立製作所 | 現場管理方法および現場管理装置 |
| US10122596B2 (en) | 2012-09-07 | 2018-11-06 | Oracle International Corporation | System and method for providing a service management engine for use with a cloud computing environment |
| WO2014182900A1 (en) * | 2013-05-08 | 2014-11-13 | Convida Wireless, Llc | Method and apparatus for the virtualization of resources using a virtualization broker and context information |
| US9438648B2 (en) * | 2013-05-09 | 2016-09-06 | Rockwell Automation Technologies, Inc. | Industrial data analytics in a cloud platform |
| US9870592B2 (en) * | 2014-03-18 | 2018-01-16 | Cantech Industries, Llc | Process energy intensity monitoring and diagnostic system |
| WO2015168203A1 (en) * | 2014-04-29 | 2015-11-05 | PEGRight, Inc. | Characterizing user behavior via intelligent identity analytics |
| EP3262815B1 (en) * | 2015-02-24 | 2020-10-14 | Cisco Technology, Inc. | System and method for securing an enterprise computing environment |
| US20160269378A1 (en) * | 2015-03-14 | 2016-09-15 | Gewei Ye | First Artificial Intelligence Methods and Systems for Asset Trendspotting (PNN), Cyber Security (DeepCyber), and Portable Big Data Cloud (MCPS) |
| JP6440571B2 (ja) | 2015-05-28 | 2018-12-19 | 株式会社日立製作所 | ＳａａＳ間データ連携支援システムおよびＳａａＳ間データ連携支援方法 |
| EP3278213A4 (en) * | 2015-06-05 | 2019-01-30 | C3 IoT, Inc. | SYSTEMS, METHODS AND DEVICES FOR AN APPLICATION DEVELOPMENT PLATFORM OF AN INTERNET OF THE THINGS OF A COMPANY |
| KR20160148911A (ko) * | 2015-06-17 | 2016-12-27 | 주식회사 나라시스템 | 산업유형별 공정 데이터 분석 및 검증 기술과 hw-sw 융합 프레임워크 기반의 정보통합 시스템 |
| TWI587110B (zh) * | 2015-07-03 | 2017-06-11 | 元智大學 | 光學薄膜製程即時監測系統及其方法 |
| JP2017027118A (ja) | 2015-07-16 | 2017-02-02 | 東レエンジニアリング株式会社 | 製造設備管理システム |
| JP6828300B2 (ja) * | 2015-11-16 | 2021-02-10 | 株式会社ジェイテクト | 異常解析システム及び解析装置 |
| US10474128B2 (en) | 2015-11-16 | 2019-11-12 | Jtekt Corporation | Abnormality analysis system and analysis apparatus |
| US10116573B2 (en) * | 2015-12-14 | 2018-10-30 | Afero, Inc. | System and method for managing internet of things (IoT) devices and traffic using attribute classes |
| US11423417B2 (en) * | 2016-03-09 | 2022-08-23 | Positioning Universal, Inc. | Method and system for auditing and verifying vehicle identification numbers (VINs) on transport devices with audit fraud detection |
| MX2019000713A (es) * | 2016-07-18 | 2019-11-28 | Nant Holdings Ip Llc | Sistemas, aparatos y metodos para maquina de aprendizaje distribuido. |
| US11250950B1 (en) * | 2016-10-05 | 2022-02-15 | HVH Precision Analytics LLC | Machine-learning based query construction and pattern identification for amyotrophic lateral sclerosis |
| US20220156558A1 (en) * | 2020-11-16 | 2022-05-19 | Grid4C Ltd. | Sub-hourly load disaggregation of home appliances using electric smart meter reads processed inside smart meters |
-
2017
- 2017-11-21 JP JP2017223961A patent/JP6649349B2/ja active Active
-
2018
- 2018-11-21 DE DE112018005937.5T patent/DE112018005937T5/de not_active Withdrawn
- 2018-11-21 US US16/756,730 patent/US11500357B2/en active Active
- 2018-11-21 WO PCT/JP2018/043052 patent/WO2019103056A1/ja active Application Filing
- 2018-11-21 CN CN201880075268.8A patent/CN111386502A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| WO2019103056A1 (ja) | 2019-05-31 |
| US20200243204A1 (en) | 2020-07-30 |
| JP2019096008A (ja) | 2019-06-20 |
| CN111386502A (zh) | 2020-07-07 |
| DE112018005937T5 (de) | 2020-08-27 |
| US11500357B2 (en) | 2022-11-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6419234B2 (ja) | 測定ソリューションサービス提供システム | |
| JP6649349B2 (ja) | 測定ソリューションサービス提供システム | |
| JP6363246B1 (ja) | 測定ソリューションサービス提供システム | |
| US10416661B2 (en) | Apparatuses, systems and methods of secure cloud-based monitoring of industrial plants | |
| JP6063313B2 (ja) | 電子デバイスの製造支援システム、製造支援方法及び製造支援プログラム | |
| JP6642090B2 (ja) | 品質管理装置及び品質管理プログラム | |
| JP5387779B2 (ja) | 運用管理装置、運用管理方法、及びプログラム | |
| US20180239341A1 (en) | System and method for automatic configuration of a data collection system and schedule for control system monitoring | |
| US11054815B2 (en) | Apparatus for cost-effective conversion of unsupervised fault detection (FD) system to supervised FD system | |
| JP5971395B2 (ja) | システム分析装置、及び、システム分析方法 | |
| JP6570210B2 (ja) | 測定ソリューションサービス提供システム | |
| JP6290777B2 (ja) | データ関連情報処理装置及びプログラム | |
| JP6583871B2 (ja) | 測定ソリューションサービス提供システム | |
| WO2017046906A1 (ja) | データ分析装置および分析方法 | |
| US20200166433A1 (en) | Exception-based route plan generation | |
| JP6492207B2 (ja) | 測定ソリューションサービス提供システム | |
| JP2020057091A (ja) | 情報処理装置、情報処理方法、プログラム、およびデータ構造 | |
| CN114719244A (zh) | 一种设备监测方法、设备及存储介质 | |
| Corallo et al. | Processing big data in streaming for fault prediction: an industrial application | |
| JP2019105953A (ja) | データ分析システム、及びデータ分析方法 | |
| US11860757B2 (en) | Apparatus and method for determining the performance impact of changes in a computing system | |
| CN116401138B (zh) | 操作系统的运行状态检测方法、装置、电子设备和介质 | |
| US20230106962A1 (en) | Skill evaluation device and skill evaluation method | |
| JP2009169762A (ja) | ルールベース管理システム、ルールベース管理方法およびルールベース管理用プログラム | |
| GB2563971A (en) | Machine monitoring |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20171214 |
|
| A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20181106 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20181204 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181204 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20181204 |
|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20190409 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190416 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190531 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190618 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190731 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20190827 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191105 |
|
| C60 | Trial request (containing other claim documents, opposition documents) |
Free format text: JAPANESE INTERMEDIATE CODE: C60 Effective date: 20191105 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20191113 |
|
| C21 | Notice of transfer of a case for reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C21 Effective date: 20191119 |
|
| 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: 20191217 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200116 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6649349 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |