JP6811018B2 - 品質評価システム、品質評価方法及びプログラム - Google Patents
品質評価システム、品質評価方法及びプログラム Download PDFInfo
- Publication number
- JP6811018B2 JP6811018B2 JP2016043462A JP2016043462A JP6811018B2 JP 6811018 B2 JP6811018 B2 JP 6811018B2 JP 2016043462 A JP2016043462 A JP 2016043462A JP 2016043462 A JP2016043462 A JP 2016043462A JP 6811018 B2 JP6811018 B2 JP 6811018B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- product
- quality
- heat treatment
- evaluation
- 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
- 238000000034 method Methods 0.000 title claims description 106
- 238000013441 quality evaluation Methods 0.000 title claims description 100
- 230000005856 abnormality Effects 0.000 claims description 145
- 238000013210 evaluation model Methods 0.000 claims description 114
- 238000011282 treatment Methods 0.000 claims description 93
- 238000010438 heat treatment Methods 0.000 claims description 80
- 238000012360 testing method Methods 0.000 claims description 54
- 239000000463 material Substances 0.000 claims description 38
- 238000004090 dissolution Methods 0.000 claims description 26
- 238000003066 decision tree Methods 0.000 claims description 21
- 238000005266 casting Methods 0.000 claims description 19
- 239000000203 mixture Substances 0.000 claims description 14
- 239000000470 constituent Substances 0.000 claims description 7
- 238000010309 melting process Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 description 66
- 238000012545 processing Methods 0.000 description 58
- 239000007788 liquid Substances 0.000 description 53
- 238000011156 evaluation Methods 0.000 description 37
- 238000004519 manufacturing process Methods 0.000 description 36
- 230000006866 deterioration Effects 0.000 description 30
- 238000004381 surface treatment Methods 0.000 description 26
- 238000012544 monitoring process Methods 0.000 description 22
- 230000002159 abnormal effect Effects 0.000 description 20
- 230000007613 environmental effect Effects 0.000 description 20
- 239000007787 solid Substances 0.000 description 17
- 238000004458 analytical method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 230000001186 cumulative effect Effects 0.000 description 11
- 238000003860 storage Methods 0.000 description 11
- 238000007743 anodising Methods 0.000 description 10
- 238000012706 support-vector machine Methods 0.000 description 10
- 238000002844 melting Methods 0.000 description 9
- 230000008018 melting Effects 0.000 description 9
- ZCDOYSPFYFSLEW-UHFFFAOYSA-N chromate(2-) Chemical compound [O-][Cr]([O-])(=O)=O ZCDOYSPFYFSLEW-UHFFFAOYSA-N 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 239000011572 manganese Substances 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000001816 cooling Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 229910052748 manganese Inorganic materials 0.000 description 3
- 238000005406 washing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011157 data evaluation Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010422 painting Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- -1 C being X1% to X2% Substances 0.000 description 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- PWHULOQIROXLJO-UHFFFAOYSA-N Manganese Chemical compound [Mn] PWHULOQIROXLJO-UHFFFAOYSA-N 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000010791 quenching Methods 0.000 description 1
- 230000000171 quenching effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- General Factory Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、品質評価システム、品質評価方法及びプログラムに関する。
化学反応を利用した表面処理や熱処理を行う鋳造処理では、各製造プロセスで取得している評価対象のデータの値が所定の管理値内にあるかをモニタリングシステムなどによって監視することで品質の確保を図っている。
また、製造プロセスにおける不具合等の発生の発見に関する技術として、例えば、特許文献１には、複数の製造プロセスで取得されるデータを集計して、不良率が多く発生している検査工程や生産工程を表示する生産管理システムについて記載がある。
しかし、製造プロセスが複雑であったり、手動での化学的な分析値が必要であったりする場合には、評価対象のデータを取得できる頻度が低く、さらに、取得したデータにばらつきが存在する。そのため、ある工程の評価対象データが管理値内であったとしても最終的に製品が異常となることがあり、管理値と品質との因果関係が必ずしも明確ではなかった。
また、仮に膨大な種類のデータを全て取得できたとしても、特許文献１に記載の方法のように単純にそれらのデータを集計するだけでは製造プロセスの状態を把握できるとは限らない。
また、仮に膨大な種類のデータを全て取得できたとしても、特許文献１に記載の方法のように単純にそれらのデータを集計するだけでは製造プロセスの状態を把握できるとは限らない。
そこでこの発明は、上述の課題を解決することのできる品質評価システム、品質評価方法及びプログラムを提供することを目的としている。
本発明の第１の態様によれば、品質評価システムは、複数の工程を含む鋳造処理によって製造される製品の品質を、前記複数の工程に含まれる溶解処理と熱処理に関して評価する品質評価システムであって、前記溶解処理後の前記製品の材料の成分とその構成比率を含む成分値データと、前記熱処理の方法を定めた熱処理データと、前記複数の工程を経た後の品質試験に基づく前記製品の品質評価データと、を取得するデータ取得部と、前記品質評価データと前記成分値データとに基づいて、前記製品の品質が合格となるための目標成分値を算出するデータ選定部と、前記目標成分値に基づいて、前記溶解処理後の前記製品の成分値を評価するための第一評価モデルを生成する第一評価モデル生成部と、前記溶解処理後の前記製品の成分値に基づいて、前記熱処理データが示す熱処理の方法を評価するための第二評価モデルを生成する第二評価モデル生成部と、前記第一評価モデルに基づいて前記溶解処理後に前記製品の異常判定を行い、前記第二評価モデルに基づいて前記熱処理前に前記製品の異常判定を行う異常判定部と、前記異常判定部が異常を検出すると、異常が検出されたことを出力する入出力部と、を備える。
本発明の第２の態様における前記第二評価モデル生成部は、前記製品の品質が合格となる場合の、前記成分の構成比率と前記熱処理の方法とを決定木によって分析する。
本発明の第３の態様によれば、品質評価方法は、複数の工程を含む鋳造処理によって製造される製品の品質を、前記複数の工程に含まれる溶解処理と熱処理に関して評価する品質評価方法であって、前記溶解処理後の前記製品の材料の成分とその構成比率を含む成分値データと、前記熱処理の方法を定めた熱処理データと、前記複数の工程を経た後の品質試験に基づく前記製品の品質評価データと、を取得し、前記品質評価データと前記成分値データとに基づいて、前記製品の品質が合格となるための目標成分値を算出し、前記目標成分値に基づいて、前記溶解処理後の前記製品の成分値を評価するための第一評価モデルを生成し、前記溶解処理後の前記製品の成分値に基づいて、前記熱処理データが示す熱処理の方法を評価するための第二評価モデルを生成し、前記第一評価モデルに基づいて前記溶解処理後に前記製品の異常判定を行い、前記第二評価モデルに基づいて前記熱処理前に前記製品の異常判定を行い、何れかの前記異常判定において異常が検出されると、異常が検出されたことを出力する。
本発明の第４の態様によれば、プログラムは、複数の工程を含む鋳造処理によって製造される製品の品質を前記複数の工程に含まれる溶解処理と熱処理に関して評価する品質評価システムのコンピュータを、前記溶解処理後の前記製品の材料の成分とその構成比率を含む成分値データと、前記熱処理の方法を定めた熱処理データと、前記複数の工程を経た後の品質試験に基づく前記製品の品質評価データと、を取得する手段、前記品質評価データと前記成分値データとに基づいて、前記製品の品質が合格となるための目標成分値を算出する手段、前記目標成分値に基づいて、前記溶解処理後の前記製品の成分値を評価するための第一評価モデルを生成する手段、前記溶解処理後の前記製品の成分値に基づいて、前記熱処理データが示す熱処理の方法を評価するための第二評価モデルを生成する手段、前記第一評価モデルに基づいて前記溶解処理後に前記製品の異常判定を行う手段、前記第二評価モデルに基づいて前記熱処理前に前記製品の異常判定を行う手段、何れかの前記異常判定において異常が検出されると、異常が検出されたことを出力する手段、として機能させる。
本発明によれば、製品の評価に必要なデータが膨大であっても適切な品質評価モデルを作成し、その品質評価モデルに基づいて製品の異常を検出することができる。
＜第一実施形態＞
以下、本発明の一実施形態による品質評価システムを図１〜図１１を参照して説明する。図１は、本発明の第一実施形態における品質評価システムの一例を示す機能ブロック図である。
品質評価システム１０は、複数の製造工程を経て製造される製品について、途中の製造工程にて評価対象となるデータが管理値の範囲内に収まっていても、最終的に製品が不適格と判定されることを防ぐ。化学反応を利用した表面処理や熱処理が必要な鋳造処理においては、処理に関するデータ量が膨大で、これら全てのデータを用いて異常が発生する要因を検出するのは大変である。また、製品の評価を行うのに必要な量のデータを取得するのは容易ではない。品質評価システム１０は、製造工程で得られる限られたデータを用いて製品の異常を検出する評価モデルを生成し、その評価モデルに基づいて製品の品質検査を行う。第一実施形態では、表面処理を例に説明を行う。
以下、本発明の一実施形態による品質評価システムを図１〜図１１を参照して説明する。図１は、本発明の第一実施形態における品質評価システムの一例を示す機能ブロック図である。
品質評価システム１０は、複数の製造工程を経て製造される製品について、途中の製造工程にて評価対象となるデータが管理値の範囲内に収まっていても、最終的に製品が不適格と判定されることを防ぐ。化学反応を利用した表面処理や熱処理が必要な鋳造処理においては、処理に関するデータ量が膨大で、これら全てのデータを用いて異常が発生する要因を検出するのは大変である。また、製品の評価を行うのに必要な量のデータを取得するのは容易ではない。品質評価システム１０は、製造工程で得られる限られたデータを用いて製品の異常を検出する評価モデルを生成し、その評価モデルに基づいて製品の品質検査を行う。第一実施形態では、表面処理を例に説明を行う。
品質評価システム１０は、例えば、１台または複数台のコンピュータ（サーバ端末装置など）によって構成される。図示するように品質評価システム１０は、データ取得部１１、品質評価モデル生成部１２、異常判定部１３、記憶部１４、入出力部１５を備える。
データ取得部１１は、複数の工程が行われて製造される製品について、複数の工程のうち少なくとも一つの工程において、当該工程における製品の品質評価データおよび当該製品の製造に関する処理データを取得する。品質評価データとは、製品の品質を評価したデータである。品質評価データは、例えば、その製品について品質検査を行った検査結果である。また、処理データとは製品の材料、製造方法、製造環境などの製造工程における各種製造処理に関するデータである。
品質評価モデル生成部１２は、データ取得部１１が取得した品質評価データおよび処理データに基づいて、製品に関する品質を評価する評価モデルを生成する。
データ取得部１１は、複数の工程が行われて製造される製品について、複数の工程のうち少なくとも一つの工程において、当該工程における製品の品質評価データおよび当該製品の製造に関する処理データを取得する。品質評価データとは、製品の品質を評価したデータである。品質評価データは、例えば、その製品について品質検査を行った検査結果である。また、処理データとは製品の材料、製造方法、製造環境などの製造工程における各種製造処理に関するデータである。
品質評価モデル生成部１２は、データ取得部１１が取得した品質評価データおよび処理データに基づいて、製品に関する品質を評価する評価モデルを生成する。
異常判定部１３は、品質評価モデル生成部１２が生成した評価モデルに基づいて、製造工程における異常を検出する。
記憶部１４は、品質評価データ、処理データ等の各種情報を記憶する。
入出力部１５は、ユーザによる入力操作を受け付ける。また、入出力部１５は、異常判定部１３による判定結果等を出力する。
記憶部１４は、品質評価データ、処理データ等の各種情報を記憶する。
入出力部１５は、ユーザによる入力操作を受け付ける。また、入出力部１５は、異常判定部１３による判定結果等を出力する。
品質評価モデル生成部１２は、因子特定部１２１と、異常判定モデル生成部１２２と、劣化度評価モデル生成部１２３とを備える。
因子特定部１２１は、処理データの中から、評価データにより示される評価結果に影響が相対的に大きいパラメータを、評価因子として抽出する。
異常判定モデル生成部１２２は、処理データのうち、特定された評価因子に関するデータに基づいて、評価因子に基づく製品の品質を評価する品質評価モデルを生成する。
劣化度評価モデル生成部１２３は、処理データに含まれる処理の累積度を示すデータと、評価因子または品質評価データとの相関に基づいて、製品の製造に係る環境の劣化度を評価するモデルを生成する。
因子特定部１２１は、処理データの中から、評価データにより示される評価結果に影響が相対的に大きいパラメータを、評価因子として抽出する。
異常判定モデル生成部１２２は、処理データのうち、特定された評価因子に関するデータに基づいて、評価因子に基づく製品の品質を評価する品質評価モデルを生成する。
劣化度評価モデル生成部１２３は、処理データに含まれる処理の累積度を示すデータと、評価因子または品質評価データとの相関に基づいて、製品の製造に係る環境の劣化度を評価するモデルを生成する。
図２は、本発明の第一実施形態における製造工程の一例を示す図である。
図２が示すように、ある製品を製造する場合、加工、表面処理、塗装、組立の複数の工程が必要である。加工、表面処理、塗装、組立の各工程内もさらに複数の工程を含んでいる。本実施形態では、これら複数の製造工程のうちアノダイズ処理と呼ばれる表面処理で発生する異常の検出を例に説明を行う。アノダイズ処理も、例えば、「洗浄」、「デオキシダイズ」、「水洗Ａ」、「アノダイズ」、「水洗Ｂ」、「クロメート処理」、「乾燥」などの複数の工程を含むが、従来はこれら一連の工程の後の品質検査によって異常を判定していた。この品質検査は、結果が出るまでに時間を要し（例えば数週間）、品質検査の結果、不合格品が発生すると、それ以降に生産した全製品について検査を行う等の作業が発生し、場合によっては、既にこの製造工程を終えた製品に対して手直しをする必要が生じることもあった。また、アノダイズ処理中に監視すべきデータが管理値の範囲に収まっていても、品質検査の結果が不合格となることがあった。生産性向上のために、アノダイズ処理における適切な品質評価や不合格品の発生抑制が望まれていた。そこで、本実施形態では、結果の判明までに時間を要さず手戻りが生じない高精度な品質評価方法および不合格品の発生を防ぐ方法を提供する。
図２が示すように、ある製品を製造する場合、加工、表面処理、塗装、組立の複数の工程が必要である。加工、表面処理、塗装、組立の各工程内もさらに複数の工程を含んでいる。本実施形態では、これら複数の製造工程のうちアノダイズ処理と呼ばれる表面処理で発生する異常の検出を例に説明を行う。アノダイズ処理も、例えば、「洗浄」、「デオキシダイズ」、「水洗Ａ」、「アノダイズ」、「水洗Ｂ」、「クロメート処理」、「乾燥」などの複数の工程を含むが、従来はこれら一連の工程の後の品質検査によって異常を判定していた。この品質検査は、結果が出るまでに時間を要し（例えば数週間）、品質検査の結果、不合格品が発生すると、それ以降に生産した全製品について検査を行う等の作業が発生し、場合によっては、既にこの製造工程を終えた製品に対して手直しをする必要が生じることもあった。また、アノダイズ処理中に監視すべきデータが管理値の範囲に収まっていても、品質検査の結果が不合格となることがあった。生産性向上のために、アノダイズ処理における適切な品質評価や不合格品の発生抑制が望まれていた。そこで、本実施形態では、結果の判明までに時間を要さず手戻りが生じない高精度な品質評価方法および不合格品の発生を防ぐ方法を提供する。
図３は、本発明の第一実施形態における品質評価システムによる品質評価処理の概略を示す図である。
品質評価システム１０は、入力データとして、環境データ、検査データ、液状態データ、表面処理モニタリングデータを用いる。環境データは環境データＤＢ２１、検査データは検査データＤＢ２２、液状態データは液状態データＤＢ２３、表面処理モニタリングデータは表面処理モニタリングデータＤＢ２４にそれぞれ記録されている。また、環境データＤＢ２１、検査データＤＢ２２、液状態データＤＢ２３、表面処理モニタリングデータＤＢ２４は、記憶部１４が記憶している。因子特定部１２１は、これらの入力データを用いて、不合格品が生じる要因となる因子を選定する因子特定処理を行う。異常判定モデル生成部１２２は、因子特定部１２１が特定した因子と、環境データ、液状態データ、表面処理モニタリングデータとから学習処理を行い、アノダイズ処理を行った製品のうち異常な製品を判定する異常判定モデルを生成する。なお、異常判定モデルは、評価モデルの一例である。因子特定部１２１は、評価モデルとしての異常判定モデルを生成する。異常判定部１３は、異常判定モデルと環境データ、液状態データ、表面処理モニタリングデータとから、現在処理を行った製品が異常かどうかを判定する判定処理を行う。異常判定部１３は、判定結果を入出力部１５に出力する。入出力部１５は、判定結果をディスプレイ等に出力する。また、入出力部１５は、処置データから判定結果に応じた処置方法の情報を読み出し、処置方法をディスプレイ等に出力する。各データや処理についてさらに詳しく説明する。
品質評価システム１０は、入力データとして、環境データ、検査データ、液状態データ、表面処理モニタリングデータを用いる。環境データは環境データＤＢ２１、検査データは検査データＤＢ２２、液状態データは液状態データＤＢ２３、表面処理モニタリングデータは表面処理モニタリングデータＤＢ２４にそれぞれ記録されている。また、環境データＤＢ２１、検査データＤＢ２２、液状態データＤＢ２３、表面処理モニタリングデータＤＢ２４は、記憶部１４が記憶している。因子特定部１２１は、これらの入力データを用いて、不合格品が生じる要因となる因子を選定する因子特定処理を行う。異常判定モデル生成部１２２は、因子特定部１２１が特定した因子と、環境データ、液状態データ、表面処理モニタリングデータとから学習処理を行い、アノダイズ処理を行った製品のうち異常な製品を判定する異常判定モデルを生成する。なお、異常判定モデルは、評価モデルの一例である。因子特定部１２１は、評価モデルとしての異常判定モデルを生成する。異常判定部１３は、異常判定モデルと環境データ、液状態データ、表面処理モニタリングデータとから、現在処理を行った製品が異常かどうかを判定する判定処理を行う。異常判定部１３は、判定結果を入出力部１５に出力する。入出力部１５は、判定結果をディスプレイ等に出力する。また、入出力部１５は、処置データから判定結果に応じた処置方法の情報を読み出し、処置方法をディスプレイ等に出力する。各データや処理についてさらに詳しく説明する。
環境データは、日時、温度、湿度、表面処理に用いる処理液の交換時期などを含んだデータである。
検査データは、製品の品質を示すデータが記録されたデータである。品質を示すデータとは、例えば、品質が正常であるか、正常でない場合どの程度劣化しているかを示すデータである。本実施形態では、実際に製造する製品の他に品質評価用のテストピースを所定の間隔で処理し、そのテストピースについて品質検査を行った結果（正常・劣化度合い）が記録されているものとする。例えば、時刻Ｔ１に処理したテストピース１の品質検査の結果が合格の場合、テストピース１以降で次のテストピースの品質検査を行うまでにアノダイズ処理を行った製品については正常と見做す。また、その後、時刻Ｔ２に処理したテストピース２の品質検査の結果が劣化度合い１となった場合、テストピース２以降に処理を行った製品については劣化度合い１と見做す。検査データには、各テストピースについて、識別情報（ＩＤ）と品質検査の結果が対応付けて記録されている。なお、劣化度合いには、例えば１〜５の劣化度が定められている。また、劣化度が４までは合格、劣化度が５となると不合格などとしきい値を定めて判定されてもよい。
検査データは、製品の品質を示すデータが記録されたデータである。品質を示すデータとは、例えば、品質が正常であるか、正常でない場合どの程度劣化しているかを示すデータである。本実施形態では、実際に製造する製品の他に品質評価用のテストピースを所定の間隔で処理し、そのテストピースについて品質検査を行った結果（正常・劣化度合い）が記録されているものとする。例えば、時刻Ｔ１に処理したテストピース１の品質検査の結果が合格の場合、テストピース１以降で次のテストピースの品質検査を行うまでにアノダイズ処理を行った製品については正常と見做す。また、その後、時刻Ｔ２に処理したテストピース２の品質検査の結果が劣化度合い１となった場合、テストピース２以降に処理を行った製品については劣化度合い１と見做す。検査データには、各テストピースについて、識別情報（ＩＤ）と品質検査の結果が対応付けて記録されている。なお、劣化度合いには、例えば１〜５の劣化度が定められている。また、劣化度が４までは合格、劣化度が５となると不合格などとしきい値を定めて判定されてもよい。
液状態データには、アノダイズ処理で用いる各処理漕ごとに処理液のＰＨ、処理液の温度、処理液を構成する成分の含有量（濃度）、液を採取した日時などの情報が含まれている。
表面処理モニタリングデータには、テストピースのＩＤ、処理漕、処理日時、処理中の温度などが含まれている。
環境データ、液状態データ、表面処理モニタリングデータを処理データ、検査データを品質評価データと呼ぶことがある。
表面処理モニタリングデータには、テストピースのＩＤ、処理漕、処理日時、処理中の温度などが含まれている。
環境データ、液状態データ、表面処理モニタリングデータを処理データ、検査データを品質評価データと呼ぶことがある。
例えば、アノダイズ処理に用いる各処理液が充填された漕、処理を行う室内などには温度センサー等の各種センサーが設けられ、テストピースが処理される度に各種センサーが測定した値が環境データＤＢ２１、表面処理モニタリングデータＤＢ２４に蓄積される。また、検査員が、所定の間隔で各漕の処理液を採取し、処理液の成分濃度、ＰＨなどを分析し、分析結果を液状態データＤＢ２３に記録する。また、検査員はテストピースに対する品質検査の結果を検査データＤＢ２２に記録する。
因子特定部１２１は、複数のテストピースについて、環境データ、検査データ、液状態データ、表面処理モニタリングデータを用いて機械学習を行い、検査データに不合格に対応する劣化度合いが記録されるときの要因を分析する。機械学習の手法には、決定木、ＲａｎｄｏｍＦｏｒｅｓｔ等の手法を用いることができる。また、決定木のアルゴリズムとして例えばＣ５．０を用いることができる。アノダイズ処理は複数のプロセスからなるため（図２）、処理に係る全てのデータを取得するとデータ項目数が膨大となる。例えば、全製品に対して処理に関する全データを取得して異常の発生する状態を検知する手法もあるが、本実施形態のように検査データは製品の全数検査でははく、テストピースによる限定的なものである場合、データ項目数に対する検査データ数が十分でなく、適切な検出ができない可能性がある。そこで、本実施形態では、決定木のような手法を用いて、検査結果（合格・劣化度合い）に相対的に影響の大きいデータ項目（パラメータ）を評価因子として特定する。次に実際にアノダイズ処理において決定木などの手法を適用した結果特定された主要な評価因子の例を説明する。
図４は、本発明の第一実施形態における因子抽出の一例を示す図である。
図４は、複数のテストピースに関連して記録された環境データ、検査データ、液状態データ、表面処理モニタリングデータを教師データとして生成された決定木の一例である。決定木を用いると、環境データ、液状態データ、表面処理モニタリングデータに含まれる一つ又は複数のパラメータと不合格品発生の関係を分析し、一つ又は複数のパラメータに関する不合格品の発生要因となる条件を抽出することができる。また、決定木を用いると、階層構造持つツリー状の分析結果を得ることができる。例えば、環境データのパラメータＡ１がある条件Ａ２を満たすことが不合格の発生要因として分析された場合、その条件を満たしたうえで、液状態データのパラメータＢ１がある条件Ｂ２を満たすと、さらに不合格の発生確率が高まることを示す分析結果が得られる場合がある。この場合、パラメータＡ１に関する条件Ａ２、パラメータＢ１に関する条件Ｂ２、の各々を不合格品が発生する要因の候補として考えることができる。図４は、決定木により得られる不合格品の発生要因の可能性がある様々な候補を示すツリー状の分析結果のうち、ある階層を抽出して示したものである。図４に例示するのは、表面処理に用いる複数の処理漕の中の何れかの処理漕における処理液に含まれる物質の濃度に関する分析結果である。ここでは、一例として、クロメート処理漕における総固形分濃度を取り上げる。従来からクロメート処理漕の総固形分濃度は、品質管理上の監視項目に含まれており、従来の監視において定められた総固形分濃度の管理値は「Ｘｍｇ／ｌ」以下であることと定められていたところ、因子特定部１２１による分析結果によれば、総固形分濃度の値が「Ｙｍｇ／ｌ」以上（Ｙ＜Ｘ）という条件が、不合格品が発生する要因の一つであると判断できる。このように決定木等の手法を用いると、不合格の要因となる評価因子（例えば、総固形分濃度）と不合格となる条件（≧Ｙｍｇ／ｌ）を算出することができる。特定した評価因子は、実際の処理データおよび品質評価データに基づくものであるため信頼性が高い。また、評価因子を特定することで、次に異常判定モデルを生成する際に、モデル生成に用いることができるデータ量がテストピースに関して測定されたデータに制限され量が少ないという欠点を補うことができる。なお、ここで例示した評価因子は、決定木によって得られた複数の評価因子の一つであって、他の評価因子も抽出することができる。
図４は、複数のテストピースに関連して記録された環境データ、検査データ、液状態データ、表面処理モニタリングデータを教師データとして生成された決定木の一例である。決定木を用いると、環境データ、液状態データ、表面処理モニタリングデータに含まれる一つ又は複数のパラメータと不合格品発生の関係を分析し、一つ又は複数のパラメータに関する不合格品の発生要因となる条件を抽出することができる。また、決定木を用いると、階層構造持つツリー状の分析結果を得ることができる。例えば、環境データのパラメータＡ１がある条件Ａ２を満たすことが不合格の発生要因として分析された場合、その条件を満たしたうえで、液状態データのパラメータＢ１がある条件Ｂ２を満たすと、さらに不合格の発生確率が高まることを示す分析結果が得られる場合がある。この場合、パラメータＡ１に関する条件Ａ２、パラメータＢ１に関する条件Ｂ２、の各々を不合格品が発生する要因の候補として考えることができる。図４は、決定木により得られる不合格品の発生要因の可能性がある様々な候補を示すツリー状の分析結果のうち、ある階層を抽出して示したものである。図４に例示するのは、表面処理に用いる複数の処理漕の中の何れかの処理漕における処理液に含まれる物質の濃度に関する分析結果である。ここでは、一例として、クロメート処理漕における総固形分濃度を取り上げる。従来からクロメート処理漕の総固形分濃度は、品質管理上の監視項目に含まれており、従来の監視において定められた総固形分濃度の管理値は「Ｘｍｇ／ｌ」以下であることと定められていたところ、因子特定部１２１による分析結果によれば、総固形分濃度の値が「Ｙｍｇ／ｌ」以上（Ｙ＜Ｘ）という条件が、不合格品が発生する要因の一つであると判断できる。このように決定木等の手法を用いると、不合格の要因となる評価因子（例えば、総固形分濃度）と不合格となる条件（≧Ｙｍｇ／ｌ）を算出することができる。特定した評価因子は、実際の処理データおよび品質評価データに基づくものであるため信頼性が高い。また、評価因子を特定することで、次に異常判定モデルを生成する際に、モデル生成に用いることができるデータ量がテストピースに関して測定されたデータに制限され量が少ないという欠点を補うことができる。なお、ここで例示した評価因子は、決定木によって得られた複数の評価因子の一つであって、他の評価因子も抽出することができる。
図３に戻り、異常判定モデル生成部１２２による学習処理について説明する。異常判定モデル生成部１２２は、複数のテストピースに対する検査データ、それら複数のテストピースに関連して記録された環境データ、液状態データ、表面処理モニタリングデータのうち因子特定部１２１が特定した評価因子を用いて、製品が正常か異常かを判定するための異常判定モデルを生成する。異常判定モデルの生成には、１クラスＳＶＭ（support vector machine）、ＮＮ（neural network）、ＢＮ（bayesian network）などの機械学習法、ＭＴ法などの多変量解析法を用いることができる。例えば、１クラスＳＶＭを用いて、異常判定モデルを生成する場合、異常判定モデル生成部１２２は、因子特定部１２１が特定した評価因子について合格となる値をもつデータを学習し、正常状態のクラスを生成する。また、例えばＭＴ法を用いる場合、異常判定モデル生成部１２２は、因子特定部１２１が特定した評価因子について合格となる値をもつデータから単位空間を生成する。一般的に多くのデータ項目を用いた異常判定モデルの生成には、大量のデータが必要であって、データ量が足りない場合、十分な精度を有するモデルの生成が困難となる。異常判定モデルの生成に使用するデータ項目は、因子特定部１２１が抽出した評価因子に限定されているので、データ量がテストピースに関連して取得した処理データに制限されていたとしても十分な精度を有する異常判定モデルを生成することができる。異常判定モデル生成部１２２は、生成した異常判定モデル（上記のクラスや単位空間を規定する関数など）を記憶部１４に記録する。
もっとも、決定木などの手法を用いれば、図４で例示したように不合格となる評価因子と判定条件を抽出することができる。従って、因子特定部１２１による分析の結果、合格と不合格の判定を行う汎用性の高い比較的簡易なロジックが得られた場合、異常判定モデル生成部１２２は、そのロジックを異常判定モデルとしてもよい。
異常判定部１３は、評価対象となる製品に関する処理データと異常判定モデルに基づいて、当該製品が異常かどうかを判定する判定処理を行う。例えば、１クラスＳＶＭを用いて異常判定モデルを生成した場合、異常判定部１３は、評価対象の処理データのうち評価因子となるデータと正常状態を学習したクラスとを比較する。異常判定部１３は、評価因子となる処理データがクラスに含まれる場合、当該処理データは正常であると判定し、外れ値となる場合、当該処理データは異常であると判定する。また、例えば、ＭＴ法を用いて異常判定モデルを生成した場合、異常判定部１３は、評価因子となる処理データと基本空間とのＭＤ（Mahalanobis Distance）値を計算し、ＭＤ値が所定の閾値以内であれば、当該処理データに関する製品は正常であると判定し、所定の閾値を超える場合、当該処理データは異常であると判定する。異常判定部１３が正常と判定すれば、その処理データに関する製品も正常であって品質検査において合格となる可能性が高く、異常と判定すれば、処理データに関する製品には異常が生じており品質検査において不合格となる可能性が高い。異常判定部１３は、判定結果を入出力部１５に出力し、入出力部１５は、ディスプレイに判定結果を表示する。この判定処理には、従来の品質検査のように数週間といった時間は掛からない。異常判定部１３によれば、処理した製品が合格となるか不合格となるかを速やかに予測することができる。これにより、不合格となる製品を製造し続けたり、手戻りが発生したりすることを防ぐことができる。また、異常判定部１３は、評価因子に基づく異常判定モデルを用いて判定を行うため、判定の精度が高く、確実に製造工程における異常を検出することができる。
図５は、本発明の第一実施形態における判定結果の出力例を示す図である。
図５（ａ）は、異常判定部１３による判定結果が異常であった場合の表示例である。異常レベルの表示例としては、他に異常判定部１３による判定結果が合格であった場合に、「品質高」、「品質低」などが表示されてもよい。例えば、ＭＴ法を用いて異常判定モデルを生成した場合、入出力部１５は、異常判定部１３から取得したＭＤ値の値が、合格を示す所定の閾値以下であったとしても、閾値に近い値を示していれば「品質低」を表示し、十分に小さな値を示していれば「品質高」を表示する。
図５（ａ）は、異常判定部１３による判定結果が異常であった場合の表示例である。異常レベルの表示例としては、他に異常判定部１３による判定結果が合格であった場合に、「品質高」、「品質低」などが表示されてもよい。例えば、ＭＴ法を用いて異常判定モデルを生成した場合、入出力部１５は、異常判定部１３から取得したＭＤ値の値が、合格を示す所定の閾値以下であったとしても、閾値に近い値を示していれば「品質低」を表示し、十分に小さな値を示していれば「品質高」を表示する。
図５（ｂ）は、異常であると判定するに至った場合の異常要因の表示例である。例えば、ＭＴ法を用いて異常判定モデルを生成した場合、異常判定部１３は、ＳＮ比や感度を解析することで、異常との判定に大きく寄与した要因（異常要因）を抽出することができる。入出力部１５は、異常判定部１３が分析した異常要因を図５（ｂ）のように出力する。なお、漕ＡのＰＨ、漕Ａの処理時間、漕Ａの温度、漕Ｂの温度等は、因子特定部１２１が特定した評価因子である。
図５（ｃ）は、異常要因に対する処置案の表示例である。処置データＤＢ２５には、例えば、異常要因と対応付けて、その異常が発生するのを防止するのに有効な処置方法が記録されている。入出力部１５は、異常判定部１３から取得した異常要因を用いて、処置データからその異常要因に対応する処置方法を読みだして図５（ｃ）のように出力する。
次に、本実施形態の異常判定モデル生成処理および製品の異常判定処理の流れについて説明する。
図６は、本発明の第一実施形態における異常判定モデルの生成処理の一例を示すフローチャートである。
前提として、異常判定モデルの生成に必要な量の複数のテストピースに関する処理データ、品質評価データが、環境データＤＢ２１、検査データＤＢ２２、液状態データＤＢ２３、表面処理モニタリングデータＤＢ２４に蓄積されているとする。
まず、ユーザが、品質評価システム１０に異常判定モデル生成指示操作を入力する。入出力部１５は、この操作の入力を受け付け、データ取得部１１に異常判定モデルの生成に必要なデータの取得を指示する。次にデータ取得部１１が、複数のテストピースの処理データを取得する（ステップＳ１１）。具体的には、データ取得部１１が各テストピースのＩＤを用いて、表面処理モニタリングデータＤＢ２４から液状態データを読み出す。また、データ取得部１１は各テストピースの処理日時に基づいて、処理中の環境データを環境データＤＢ２１から、処理中の液状態データを液状態データＤＢ２３から読み出して取得する。次にデータ取得部１１は、それらの複数のテストピース各々に対して行われた品質試験の結果を取得する（ステップＳ１２）。
前提として、異常判定モデルの生成に必要な量の複数のテストピースに関する処理データ、品質評価データが、環境データＤＢ２１、検査データＤＢ２２、液状態データＤＢ２３、表面処理モニタリングデータＤＢ２４に蓄積されているとする。
まず、ユーザが、品質評価システム１０に異常判定モデル生成指示操作を入力する。入出力部１５は、この操作の入力を受け付け、データ取得部１１に異常判定モデルの生成に必要なデータの取得を指示する。次にデータ取得部１１が、複数のテストピースの処理データを取得する（ステップＳ１１）。具体的には、データ取得部１１が各テストピースのＩＤを用いて、表面処理モニタリングデータＤＢ２４から液状態データを読み出す。また、データ取得部１１は各テストピースの処理日時に基づいて、処理中の環境データを環境データＤＢ２１から、処理中の液状態データを液状態データＤＢ２３から読み出して取得する。次にデータ取得部１１は、それらの複数のテストピース各々に対して行われた品質試験の結果を取得する（ステップＳ１２）。
次に因子特定部１２１は、評価因子特定処理を実行する（ステップＳ１３）。まず、因子特定部１２１は、テストピースごとそのテストピースに関する検査データ、環境データ、液状態データ、表面処理モニタリングデータを対応付けた教師データを生成する。次に因子特定部１２１は、例えば、教師データを用いてＣ５．０などのアルゴリズムによる決定木を生成し、製品が不合格となる要因とその判定ロジックを分析する。因子特定部１２１は、分析結果を記憶部１４に記録する。また、因子特定部１２１は、異常判定モデル生成部１２２に異常判定モデルの生成を指示する。次に異常判定モデル生成部１２２は、因子特定部１２１が特定した評価因子となる処理データ（例えば、総固形成分濃度）を用いて異常判定モデルを生成する（ステップＳ１４）。例えば、異常判定モデル生成部１２２は、１クラスＳＶＭ、ＭＴ法などを用いて、因子となる処理データが正常値を示すデータに基づく異常判定モデルを生成する。異常判定モデル生成部１２２は、生成した異常判定モデルを記憶部１４に記録する（ステップＳ１５）。以上で異常判定モデルの生成処理は完了である。異常判定モデルの生成処理が完了すると、実際の製品の合否判定を行うことができるようになる。
図７は、本発明の第一実施形態における製造工程での異常判定処理の一例を示すフローチャートである。
まず、データ取得部１１が、例えば、所定の間隔で、因子特定部１２１が評価因子として特定した処理データを取得する（ステップＳ２０）。例えば、評価因子として特定されたデータが環境データ、表面処理モニタリングデータであれば、データ取得部１１は、各種センサーから所望の値を取得する。また、評価因子として特定されたデータが液状態データであれば、データ取得部１１は、液状態データＤＢ２３から所望の値を取得する。データ取得部１１は、取得した処理データを異常判定部１３に出力する。次に異常判定部１３が、記憶部１４から異常判定モデルを読み出し、データ取得部１１が取得した処理データと異常判定モデルに基づいて、処理データの異常を判定する（ステップＳ２１）。また、異常判定部１３は、異常判定モデルに基づく異常要因の分析が可能であれば、異常要因の分析を行う。異常判定部１３は、判定結果等を入出力部１５へ出力する。入出力部１５は、判定結果等をディスプレイに表示する（ステップＳ２２）。検査員は、判定結果を見て、「異常」が表示されている場合、現在の処理データが示す処理環境では、不合格品が製造される可能性が高いことを把握し、一時的に製造工程を止めて、より詳しい検査を行なったり、入出力部１５が表示した処置案に従って対処を行う等の対策を行うことができる。
まず、データ取得部１１が、例えば、所定の間隔で、因子特定部１２１が評価因子として特定した処理データを取得する（ステップＳ２０）。例えば、評価因子として特定されたデータが環境データ、表面処理モニタリングデータであれば、データ取得部１１は、各種センサーから所望の値を取得する。また、評価因子として特定されたデータが液状態データであれば、データ取得部１１は、液状態データＤＢ２３から所望の値を取得する。データ取得部１１は、取得した処理データを異常判定部１３に出力する。次に異常判定部１３が、記憶部１４から異常判定モデルを読み出し、データ取得部１１が取得した処理データと異常判定モデルに基づいて、処理データの異常を判定する（ステップＳ２１）。また、異常判定部１３は、異常判定モデルに基づく異常要因の分析が可能であれば、異常要因の分析を行う。異常判定部１３は、判定結果等を入出力部１５へ出力する。入出力部１５は、判定結果等をディスプレイに表示する（ステップＳ２２）。検査員は、判定結果を見て、「異常」が表示されている場合、現在の処理データが示す処理環境では、不合格品が製造される可能性が高いことを把握し、一時的に製造工程を止めて、より詳しい検査を行なったり、入出力部１５が表示した処置案に従って対処を行う等の対策を行うことができる。
これまでに不合格品の発生要因の分析と、その分析結果に基づいて製造工程における異常を検出する方法について説明した。続いて、不合格品の発生を未然に防ぐ方法について考える。上述のとおり、不合格品の異常要因としてクロメート処理漕の総固形成分濃度を抽出することができた。例えば、この総固形成分濃度がＹｇ／ｍｌ以上となったことを目安にクロメート処理漕の処理液を交換すれば不合格品の発生を防ぐことができる可能性があるとも考えられる。しかし、一般に化学分析値などを処理液の劣化を判断する指標にすると、値のばらつきが大きいため判断が難しい。そこで、処理件数など安定した数値を指標として処理液の劣化を判断することを考える。なお、処理する製品の種類が変わる場合は、その製品の形状や大きさを処理件数に対するスケール値として採用し、劣化の指標とすることもできる。
図８は、本発明の第一実施形態における製品の処理件数と不合格品の発生状況との関係を示す図である。
図８は、アノダイズ処理を行った製品に対して品質検査を行った結果、不合格が生じるタイミングを累積処理件数との関係で示したグラフである。図８の縦軸はアノダイズ処理を行った製品の処理件数、横軸は累積の処理件数を示している。１つの棒グラフは、１回の受注に対してアノダイズ処理を行った製品の処理件数を示している。図中、斜線で示した部分は、品質検査の結果、不合格と判定された件数を示している。この例は、累積の処理件数が「Ｚ」個を超えると異常が生じやすくなることを示す。
図８は、アノダイズ処理を行った製品に対して品質検査を行った結果、不合格が生じるタイミングを累積処理件数との関係で示したグラフである。図８の縦軸はアノダイズ処理を行った製品の処理件数、横軸は累積の処理件数を示している。１つの棒グラフは、１回の受注に対してアノダイズ処理を行った製品の処理件数を示している。図中、斜線で示した部分は、品質検査の結果、不合格と判定された件数を示している。この例は、累積の処理件数が「Ｚ」個を超えると異常が生じやすくなることを示す。
図９は、本発明の第一実施形態における製品の処理件数と処理液の状態の関係を示す図である。
図９は、アノダイズ処理を行った製品の累積処理件数とクロメート処理漕の総固形分濃度との関係を示したグラフである。図９の縦軸はクロメート処理漕における総固形分濃度、横軸は累積処理件数を示している。因子特定部１２１が特定した評価要因である総固形分濃度がＹｇ／ｍｌ以上という条件をこのグラフに重ねると、総固形分濃度がＹｇ／ｍｌとなるときの累積処理件数は、約Ｚ個であることを示す。つまり、製品に異常が生じやすくなることと、累積処理件数と、総固形分濃度との間には相関があることを示す。総固形分濃度は測定値にばらつきが生じやすいが、累積処理件数であれば、ばらつきは生じない。従って、累積処理件数Ｚ個を目安にしてクロメート処理漕の処理液を交換すれば、安定的に適切なタイミングで処理液を交換することができ、不合格品の発生を防ぐことができると考えられる。この知見に基づいて、処理件数などの安定したパラメータを用いて液処理交換のタイミングを検出する方法について説明する。なお、アノダイズ処理における液交換の指標の候補として、処理件数の他、処理面積など、当該処理液が用いられた処理の累積度を示すデータが考えられる。以下、指標候補を処理件数として説明する。
図９は、アノダイズ処理を行った製品の累積処理件数とクロメート処理漕の総固形分濃度との関係を示したグラフである。図９の縦軸はクロメート処理漕における総固形分濃度、横軸は累積処理件数を示している。因子特定部１２１が特定した評価要因である総固形分濃度がＹｇ／ｍｌ以上という条件をこのグラフに重ねると、総固形分濃度がＹｇ／ｍｌとなるときの累積処理件数は、約Ｚ個であることを示す。つまり、製品に異常が生じやすくなることと、累積処理件数と、総固形分濃度との間には相関があることを示す。総固形分濃度は測定値にばらつきが生じやすいが、累積処理件数であれば、ばらつきは生じない。従って、累積処理件数Ｚ個を目安にしてクロメート処理漕の処理液を交換すれば、安定的に適切なタイミングで処理液を交換することができ、不合格品の発生を防ぐことができると考えられる。この知見に基づいて、処理件数などの安定したパラメータを用いて液処理交換のタイミングを検出する方法について説明する。なお、アノダイズ処理における液交換の指標の候補として、処理件数の他、処理面積など、当該処理液が用いられた処理の累積度を示すデータが考えられる。以下、指標候補を処理件数として説明する。
図１０は、本発明の第一実施形態における処理液の交換タイミングを検出する管理値の算出方法の一例を示す第一のフローチャートである。
まず、データ取得部１１が製品の処理件数を取得する（ステップＳ３０）。例えば、データ取得部１１は、検査員が品質評価システム１０に入力した処理件数を取得してもよい。あるいは、製品１００ごとにテストピースを１件処理するような場合、データ取得部１１が前回の処理液交換以降に処理したテストピースの処理件数を品質評価データＤＢ２２から読み出して１００倍してもよい。
まず、データ取得部１１が製品の処理件数を取得する（ステップＳ３０）。例えば、データ取得部１１は、検査員が品質評価システム１０に入力した処理件数を取得してもよい。あるいは、製品１００ごとにテストピースを１件処理するような場合、データ取得部１１が前回の処理液交換以降に処理したテストピースの処理件数を品質評価データＤＢ２２から読み出して１００倍してもよい。
次に劣化度評価モデル生成部１２３が、因子特定部１２１が特定した評価因子（例えば、総固形分濃度）と処理件数の相関関係を求める（ステップＳ３１）。劣化度評価モデル生成部１２３は、例えば、回帰分析等の手法を用いて総固形分濃度と処理件数の相関関係を求める。次に、劣化度評価モデル生成部１２３は、液交換タイミングの目安となる管理値を算出する（ステップＳ３２）。具体的には、劣化度評価モデル生成部１２３が、因子特定部１２１の抽出した不合格となる条件の閾値Ｙ（ｇ／ｍｌ）とステップＳ３２で求めた相関関係から、総固形分濃度がＹ（ｇ／ｍｌ）となるときの処理件数（図９のＺ個）を算出する。算出した処理件数が液処理交換タイミングの目安となる管理値である。この管理値は、液処理交換タイミングの評価モデルの一例である。劣化度評価モデル生成部１２３は、評価モデルとしての管理値を算出する。次に管理値を求める他の方法について説明する。
図１１は、本発明の第一実施形態における処理液の交換タイミングを検出する管理値の算出方法の一例を示す第二のフローチャートである。
まず、図１０のステップＳ３０と同様、データ取得部１１が製品の処理件数を取得する（ステップＳ３３）。次にデータ取得部１１が製品の品質評価データを取得する（ステップＳ３４）。例えば、各製品に対して品質検査を行っている場合、データ取得部１１は、検査員が品質評価システム１０に入力した品質検査の結果を取得する。あるいは、テストピースの検査結果を用いる場合、データ取得部１１が前回の処理液交換タイミング（環境データＤＢ２１）以降に処理したテストピースの検査結果を品質評価データＤＢ２２から読み出して、その結果をテストピース間に処理した製品の品質評価データとして用いてもよい。次に劣化度評価モデル生成部１２３が、品質評価データと処理件数の相関を求める（ステップＳ３５）。例えば、劣化度評価モデル生成部１２３が、各品質評価データの示す劣化度合いと処理件数の関係を決定木などで分析する。次に劣化度評価モデル生成部１２３が管理値を算出する（ステップＳ３６）。例えば、劣化度評価モデル生成部１２３は、不合格となる程度の劣化度合い（劣化度＝５）が生じる条件を抽出する。抽出した条件は、管理値である。劣化度評価モデル生成部１２３は、評価モデルとしての管理値を算出する。
まず、図１０のステップＳ３０と同様、データ取得部１１が製品の処理件数を取得する（ステップＳ３３）。次にデータ取得部１１が製品の品質評価データを取得する（ステップＳ３４）。例えば、各製品に対して品質検査を行っている場合、データ取得部１１は、検査員が品質評価システム１０に入力した品質検査の結果を取得する。あるいは、テストピースの検査結果を用いる場合、データ取得部１１が前回の処理液交換タイミング（環境データＤＢ２１）以降に処理したテストピースの検査結果を品質評価データＤＢ２２から読み出して、その結果をテストピース間に処理した製品の品質評価データとして用いてもよい。次に劣化度評価モデル生成部１２３が、品質評価データと処理件数の相関を求める（ステップＳ３５）。例えば、劣化度評価モデル生成部１２３が、各品質評価データの示す劣化度合いと処理件数の関係を決定木などで分析する。次に劣化度評価モデル生成部１２３が管理値を算出する（ステップＳ３６）。例えば、劣化度評価モデル生成部１２３は、不合格となる程度の劣化度合い（劣化度＝５）が生じる条件を抽出する。抽出した条件は、管理値である。劣化度評価モデル生成部１２３は、評価モデルとしての管理値を算出する。
本実施形態によれば、評価対象となる製品に関する処理データが膨大であって、それらデータの取得頻度が低い場合や、取得したデータにばらつきが存在するような場合であっても、異常検知に必要な評価因子を抽出して異常判定モデル（品質評価モデル）を生成できる。さらに、評価因子がばらつきのある値の場合、処理件数等のばらつきのない安定的した指標（処理件数など）と評価因子との相関関係に基づいて、製造環境の劣化状況を判定することができる。また、例えば処理件数を指標とすることで、生産計画と関連付けて長期的な見通しを立てることが可能である。なお、上記では、処理液の調整タイミングとして処理液の交換タイミングを例に説明を行ったが、この例に限定されない。例えば、処理液に何らかの物質を注入するなどの調整を行う調整タイミングの管理値を求めるために上記手法を適用してもよい。
＜第二実施形態＞
以下、本発明の二実施形態による品質評価システムを図１２〜図１７を参照して説明する。
第二実施形態では、鋳造処理を例に説明を行う。第一実施形態と同様、鋳造製品の場合も、製造プロセスに関する処理データのデータ項目数が膨大であり、その膨大なデータ全てを取得して品質管理を行うことは困難であった。また、図１３で説明するように鋳造処理は、複数の工程を経て行う。従来から途中の工程で材料の成分値検査などを行っていたが、その検査を問題なく通過した場合であっても、最終的な品質検査では不合格となることがあり、不合格品が発生する要因を把握するのは困難であった。
以下、本発明の二実施形態による品質評価システムを図１２〜図１７を参照して説明する。
第二実施形態では、鋳造処理を例に説明を行う。第一実施形態と同様、鋳造製品の場合も、製造プロセスに関する処理データのデータ項目数が膨大であり、その膨大なデータ全てを取得して品質管理を行うことは困難であった。また、図１３で説明するように鋳造処理は、複数の工程を経て行う。従来から途中の工程で材料の成分値検査などを行っていたが、その検査を問題なく通過した場合であっても、最終的な品質検査では不合格となることがあり、不合格品が発生する要因を把握するのは困難であった。
図１２は、本発明の第二実施形態における品質評価システムの一例を示す機能ブロック図である。
本発明の第二実施形態に係る構成のうち、本発明の第一実施形態に係る品質評価システム１０を構成する機能部と同じものには同じ符号を付し、それぞれの説明を省略する。第二実施形態に係る品質評価システム１０ａは、第一実施形態の構成のうち品質評価モデル生成部１２に代えて、品質評価モデル生成部１２ａを備えている。また、品質評価モデル生成部１２ａは、データ選定部１２４、第一評価モデル生成部１２５、第二評価モデル生成部１２６を備えている。
本発明の第二実施形態に係る構成のうち、本発明の第一実施形態に係る品質評価システム１０を構成する機能部と同じものには同じ符号を付し、それぞれの説明を省略する。第二実施形態に係る品質評価システム１０ａは、第一実施形態の構成のうち品質評価モデル生成部１２に代えて、品質評価モデル生成部１２ａを備えている。また、品質評価モデル生成部１２ａは、データ選定部１２４、第一評価モデル生成部１２５、第二評価モデル生成部１２６を備えている。
品質評価モデル生成部１２ａは、複数の工程が行われて製造される製品について、複数の工程のうち異なる工程において、データ取得部１１が取得した品質評価データおよび処理データのうち少なくとも一つに基づいて、当該工程における製品の品質を評価する評価モデルを生成する。
データ選定部１２４は、後述する第一評価モデルで用いる材料の理想的な成分値の構成比を算出する。
第一評価モデル生成部１２５は、鋳造製品の製造工程のうち溶解処理の後に、鋳造製品の材料の成分値を評価するための第一評価モデルを生成する。
第二評価モデル生成部１２６は、鋳造製品の製造工程のうち熱処理の前に、その熱処理に係る処理計画を評価するための第二評価モデルを生成する。
データ選定部１２４は、後述する第一評価モデルで用いる材料の理想的な成分値の構成比を算出する。
第一評価モデル生成部１２５は、鋳造製品の製造工程のうち溶解処理の後に、鋳造製品の材料の成分値を評価するための第一評価モデルを生成する。
第二評価モデル生成部１２６は、鋳造製品の製造工程のうち熱処理の前に、その熱処理に係る処理計画を評価するための第二評価モデルを生成する。
図１３は、本発明の第二実施形態における製造工程の一例を示す図である。
図１３が示すように、鋳造製品を製造する場合、溶解、鋳込み、熱処理、加工の工程が必要である。また、品質検査として、本実施形態では、溶解の後に成分値検査、検査結果の判定を行う。また、熱処理の前に熱処理計画の立案、熱処理計画の判定を行う。また、熱処理後に最終的な機械試験を行う。従来においても、成分値検査、機械試験を実施していたが、溶解後の成分検査値が管理値内であっても最終の機械試験において不合格となるケースがあり、品質を左右する原因が把握できていなかった。本実施形態では、機械学習などの手法を用いてその原因が処理のどの段階にあるかを把握し、機械試験が不合格となるリスクを低減する。より具体的には、鋳造製品の品質は、溶解時の材料成分値と熱処理によって決まることから、溶解後の成分値検査と、熱処理前の熱処理計画のそれぞれについて、正常時の処理データに基づいて生成した評価モデル（第一評価モデル、第二評価モデル）を生成し、評価モデルに基づいた品質の判定を行う。
図１３が示すように、鋳造製品を製造する場合、溶解、鋳込み、熱処理、加工の工程が必要である。また、品質検査として、本実施形態では、溶解の後に成分値検査、検査結果の判定を行う。また、熱処理の前に熱処理計画の立案、熱処理計画の判定を行う。また、熱処理後に最終的な機械試験を行う。従来においても、成分値検査、機械試験を実施していたが、溶解後の成分検査値が管理値内であっても最終の機械試験において不合格となるケースがあり、品質を左右する原因が把握できていなかった。本実施形態では、機械学習などの手法を用いてその原因が処理のどの段階にあるかを把握し、機械試験が不合格となるリスクを低減する。より具体的には、鋳造製品の品質は、溶解時の材料成分値と熱処理によって決まることから、溶解後の成分値検査と、熱処理前の熱処理計画のそれぞれについて、正常時の処理データに基づいて生成した評価モデル（第一評価モデル、第二評価モデル）を生成し、評価モデルに基づいた品質の判定を行う。
図１４は、本発明の第二実施形態における品質評価システムによる品質評価処理の概略を示す図である。
品質評価システム１０ａは、入力データとして、成分値データ、検査データ、熱処理データを用いる。成分値は成分値データＤＢ２６、検査データは検査データＤＢ２７、熱処理データは熱処理データＤＢ２８にそれぞれ記録されている。また、成分値データＤＢ２６、検査データＤＢ２７、熱処理データＤＢ２８は、記憶部１４が記憶している。データ選定部１２４は、成分値データおよび検査データを用いて、鋳造製品の材料における理想的な成分構成を算出する。第一評価モデル生成部１２５は、データ選定部１２４が算出した理想的な成分構成をモデル化した第一評価モデルを生成する。第二評価モデル生成部１２６は、成分値データ、検査データ、熱処理データを用いて、熱処理計画が適切かどうかを判定する第二評価モデルを生成する。異常判定部１３は、第一評価モデルと評価対象となる材料の成分値データから、溶解後の材料の成分構成が正常な範囲内かどうかを判定する。また、異常判定部１３は、第二評価モデルと評価対象となる材料の成分値データおよび熱処理計画とから、立案した熱処理計画が適切かどうかを判定する。入出力部１５は、判定結果をディスプレイ等に出力する。
品質評価システム１０ａは、入力データとして、成分値データ、検査データ、熱処理データを用いる。成分値は成分値データＤＢ２６、検査データは検査データＤＢ２７、熱処理データは熱処理データＤＢ２８にそれぞれ記録されている。また、成分値データＤＢ２６、検査データＤＢ２７、熱処理データＤＢ２８は、記憶部１４が記憶している。データ選定部１２４は、成分値データおよび検査データを用いて、鋳造製品の材料における理想的な成分構成を算出する。第一評価モデル生成部１２５は、データ選定部１２４が算出した理想的な成分構成をモデル化した第一評価モデルを生成する。第二評価モデル生成部１２６は、成分値データ、検査データ、熱処理データを用いて、熱処理計画が適切かどうかを判定する第二評価モデルを生成する。異常判定部１３は、第一評価モデルと評価対象となる材料の成分値データから、溶解後の材料の成分構成が正常な範囲内かどうかを判定する。また、異常判定部１３は、第二評価モデルと評価対象となる材料の成分値データおよび熱処理計画とから、立案した熱処理計画が適切かどうかを判定する。入出力部１５は、判定結果をディスプレイ等に出力する。
成分値データは、材料に含まれる成分とその構成比率を含む。成分値データは、例えば、Ｃ（炭素）がａ％、Ｍｎ（マンガン）がｂ％などの情報で表される。
検査データは、鋳造製品の試験結果を示すデータが記録されている。検査データには、例えば、製品ＩＤ、試験結果（合格、不合格）の情報が含まれている。
熱処理データには、熱処理工程で行う処理の方法に関する情報が含まれる。例えば、熱処理の回数、熱処理条件（焼き入れ、焼きなましなど）、温度帯、冷却条件（水冷、空冷など）、熱処理を外部に依頼する場合の外注先、などの情報が含まれている。
成分値データ、熱処理データを処理データ、検査データを品質評価データと呼ぶ。
検査データは、鋳造製品の試験結果を示すデータが記録されている。検査データには、例えば、製品ＩＤ、試験結果（合格、不合格）の情報が含まれている。
熱処理データには、熱処理工程で行う処理の方法に関する情報が含まれる。例えば、熱処理の回数、熱処理条件（焼き入れ、焼きなましなど）、温度帯、冷却条件（水冷、空冷など）、熱処理を外部に依頼する場合の外注先、などの情報が含まれている。
成分値データ、熱処理データを処理データ、検査データを品質評価データと呼ぶ。
データ選定部１２４は、過去の検査データに含まれる鋳造品ごとの検査結果とその鋳造品の材料成分の構成比を教師データとして決定木などの機械学習手法によって、どの成分がどれぐらい含まれていれば機械試験で合格となるかを分析する。分析の結果、データ選定部１２４は、材料の成分構成について、機械試験で合格となる条件を得ることができる。データ選定部１２４は、例えば、ＣがＸ１％〜Ｘ２％、ＭｎがＸ３％〜Ｘ４％・・・といった理想的な材料における成分の構成を示す成分構成情報（目標成分値）を算出する。
第一評価モデル生成部１２５は、データ選定部１２４が算出した成分構成情報を用いて、溶解後の材料が正常か異常かを判定するための第一評価モデルを生成する。第一評価モデルの生成には、１クラスＳＶＭ、ＭＴ法などを用いることができる。例えば、１クラスＳＶＭを用いて、第一評価モデルを生成する場合、第一評価モデル生成部１２５は、データ選定部１２４が算出した成分構成情報を学習し、理想状態のクラスを生成する。また、例えばＭＴ法を用いる場合、第一評価モデル生成部１２５は、データ選定部１２４が算出した成分構成情報から単位空間を生成する。鋳造製品で用いる材料はＪＩＳ規格で材料成分値が決まっているが、実際には材料の成分値は各材料メーカによって異なる。さらに材料は、数千トンレベルで溶解するため値にばらつきが生じる。そこで、機械学習法（１クラスＳＶＭ）やＭＴ法を用いて、過去に機械試験を合格している複数の材料の成分値から分析した理想的な成分構成に基づいてモデルを生成し、このモデルからの乖離具合によって事前に不合格の可能性を把握することが可能となるようにした。
異常判定部１３は、評価対象である溶解後の材料の成分値データ（処理データ）と第一評価モデルに基づいて、当該成分値データが異常かどうかを判定する判定処理を行う。例えば、１クラスＳＶＭを用いて第一評価モデルを生成した場合、異常判定部１３は、成分値データと学習した理想状態のクラス（第一評価モデル）とを比較する。異常判定部１３は、成分値データがクラスに含まれる場合、当該成分値データは正常と判定し、外れ値となる場合は異常と判定する。また、例えば、ＭＴ法を用いて第一評価モデルを生成した場合、異常判定部１３は、成分値データと基本空間とのＭＤ値を計算し、ＭＤ値が所定の閾値以内であれば、当該成分値データは正常と判定し、所定の閾値を超える場合は異常と判定する。成分値データが正常の場合、その成分値データを持つ材料は正常と考えられる。成分値データが異常の場合、その成分値データを持つ材料は異常と考えられる。また、単純に正常か異常かの判定を行うだけでなく、ＭＤ値の大きさに応じてどの程度、目標とする状態から外れているのかを評価することができる。従って、成分値データのばらつきに対しても定量的な評価を行うことができる。入出力部１５は、ディスプレイに異常判定部１３による判定結果を表示する。
続いて、熱処理計画に対する品質検査について説明する。
第二評価モデル生成部１２６は、過去の検査データに含まれる鋳造製品ごとの検査結果とその鋳造製品の材料の成分値とその鋳造製品に対して行った熱処理の処理方法とを教師データとして、決定木などの機械学習手法によって、どのような成分値を有する材料に対して、どのような方法で熱処理を行うと機械試験が合格となる熱処理となるかを示す条件を分析する。第二評価モデル生成部１２６は、この分析によって、熱処理で計画されている条件が、不合格となるような設定になっていないかどうかを判定できる第二評価モデルを生成する。ユーザは、熱処理を行う前に立案した熱処理計画が不合格となるような設定になっていないかどうかを把握することができる。
第二評価モデル生成部１２６は、過去の検査データに含まれる鋳造製品ごとの検査結果とその鋳造製品の材料の成分値とその鋳造製品に対して行った熱処理の処理方法とを教師データとして、決定木などの機械学習手法によって、どのような成分値を有する材料に対して、どのような方法で熱処理を行うと機械試験が合格となる熱処理となるかを示す条件を分析する。第二評価モデル生成部１２６は、この分析によって、熱処理で計画されている条件が、不合格となるような設定になっていないかどうかを判定できる第二評価モデルを生成する。ユーザは、熱処理を行う前に立案した熱処理計画が不合格となるような設定になっていないかどうかを把握することができる。
異常判定部１３は、評価対象である溶解後の材料の成分値データおよびその材料に対して立案した熱処理計画（処理データ）と第二評価モデルに基づいて、当該材料に対して計画した熱処理を行った場合、その鋳造製品の機械試験の結果が合格となるか不合格となるかを判定する判定処理を行う。
図１５は、本発明の第二実施形態における第二評価モデルの一例を示す図である。
図１５は、第二評価モデル生成部１２６が生成した決定木（第二評価モデル）の例である。異常判定部１３は、この決定木の各条件に従って、入力された処理データの合否の確率を求める。例えば、材料にＣがＡ％より多く含まれていれば、続いてＭｎの割合がＢ％以下かどうかを判定し、ＣがＡ％以下であれば温度帯に対する判定を行う。そのように決定木の条件を辿っていくと、過去の実績に基づく合否の確率を求めることができる。
異常判定部１３は、図１５で例示した第二評価モデルに基づいて、立案した計画で熱処理を行った場合に、機械試験を合格する確率、不合格となる確率を判定する。入出力部１５は、ディスプレイに異常判定部１３による判定結果を表示する。
図１５は、第二評価モデル生成部１２６が生成した決定木（第二評価モデル）の例である。異常判定部１３は、この決定木の各条件に従って、入力された処理データの合否の確率を求める。例えば、材料にＣがＡ％より多く含まれていれば、続いてＭｎの割合がＢ％以下かどうかを判定し、ＣがＡ％以下であれば温度帯に対する判定を行う。そのように決定木の条件を辿っていくと、過去の実績に基づく合否の確率を求めることができる。
異常判定部１３は、図１５で例示した第二評価モデルに基づいて、立案した計画で熱処理を行った場合に、機械試験を合格する確率、不合格となる確率を判定する。入出力部１５は、ディスプレイに異常判定部１３による判定結果を表示する。
次に第一評価モデル生成処理と第二評価モデル生成処理の流れについて説明する。
図１６は、本発明の第二実施形態における第一評価モデルの生成処理の一例を示すフローチャートである。
まず、データ取得部１１が、品質評価データと成分値データを取得する（ステップＳ４０）。具体的には、データ取得部１１は、品質評価データＤＢ２７から過去に製造した鋳造製品の機械試験の結果（合格・不合格）の情報を取得する。また、データ取得部１１は、取得した品質評価データの各鋳造製品に対応する材料の成分値データを成分値データＤＢ２６から取得する。次にデータ選定部１２４は、データ選定処理を行う（ステップＳ４１）。具体的には、まず、データ選定部１２４は、同一製品に関する機械試験の結果と成分値データを対応付けた教師データを生成する。次にデータ選定部１２４は、教師データに対して決定木等の手法を用いて、機械試験が合格となるための成分値の条件（成分構成情報）を算出する。データ選定部１２４は、算出した成分構成情報を第一評価モデル生成部１２５に出力する。次に第一評価モデル生成部１２５は、第一評価モデルを生成する（ステップＳ４２）。例えば、第一評価モデル生成部１２５は、１クラスＳＶＭ、ＭＴ法などを用いて第一評価モデルを生成する。第一評価モデル生成部１２５は、生成した第一評価モデルを記憶部１４に記録する（ステップＳ４３）。第一評価モデルの生成処理が完了すると、異常判定部１３は、溶解後の材料について異常判定を行うことができるようになる。
図１６は、本発明の第二実施形態における第一評価モデルの生成処理の一例を示すフローチャートである。
まず、データ取得部１１が、品質評価データと成分値データを取得する（ステップＳ４０）。具体的には、データ取得部１１は、品質評価データＤＢ２７から過去に製造した鋳造製品の機械試験の結果（合格・不合格）の情報を取得する。また、データ取得部１１は、取得した品質評価データの各鋳造製品に対応する材料の成分値データを成分値データＤＢ２６から取得する。次にデータ選定部１２４は、データ選定処理を行う（ステップＳ４１）。具体的には、まず、データ選定部１２４は、同一製品に関する機械試験の結果と成分値データを対応付けた教師データを生成する。次にデータ選定部１２４は、教師データに対して決定木等の手法を用いて、機械試験が合格となるための成分値の条件（成分構成情報）を算出する。データ選定部１２４は、算出した成分構成情報を第一評価モデル生成部１２５に出力する。次に第一評価モデル生成部１２５は、第一評価モデルを生成する（ステップＳ４２）。例えば、第一評価モデル生成部１２５は、１クラスＳＶＭ、ＭＴ法などを用いて第一評価モデルを生成する。第一評価モデル生成部１２５は、生成した第一評価モデルを記憶部１４に記録する（ステップＳ４３）。第一評価モデルの生成処理が完了すると、異常判定部１３は、溶解後の材料について異常判定を行うことができるようになる。
図１７は、本発明の第二実施形態における第二評価モデルの生成処理の一例を示すフローチャートである。
まず、データ取得部１１が、品質評価データ、成分値データ、熱処理データを取得する（ステップＳ５０）。具体的には、データ取得部１１は、品質評価データＤＢ２７から過去に製造した鋳造製品の機械試験の結果（合格・不合格）の情報を取得する。また、データ取得部１１は、取得した品質評価データに含まれる鋳造製品に対応する材料の成分値データを成分値データＤＢ２６から取得する。また、データ取得部１１は、取得した品質評価データに含まれる鋳造製品に対して行った熱処理に関する情報（熱処理データ）を熱処理データＤＢ２８から取得する。次に第二評価モデル生成部１２６は、第二評価モデルを算出する（ステップＳ５１）。具体的には、第二評価モデル生成部１２６は、同一製品に関する機械試験の結果と成分値データと熱処理データを対応付けた教師データを生成する。第二評価モデル生成部１２６は、教師データを用いて決定木などの手法で第二評価モデルを生成する。第二評価モデル生成部１２６は、生成した第二評価モデルを記憶部１４に記録する（ステップＳ５２）。第二評価モデルの生成処理が完了すると、異常判定部１３は、熱処理計画の判定を行うことができるようになる。
まず、データ取得部１１が、品質評価データ、成分値データ、熱処理データを取得する（ステップＳ５０）。具体的には、データ取得部１１は、品質評価データＤＢ２７から過去に製造した鋳造製品の機械試験の結果（合格・不合格）の情報を取得する。また、データ取得部１１は、取得した品質評価データに含まれる鋳造製品に対応する材料の成分値データを成分値データＤＢ２６から取得する。また、データ取得部１１は、取得した品質評価データに含まれる鋳造製品に対して行った熱処理に関する情報（熱処理データ）を熱処理データＤＢ２８から取得する。次に第二評価モデル生成部１２６は、第二評価モデルを算出する（ステップＳ５１）。具体的には、第二評価モデル生成部１２６は、同一製品に関する機械試験の結果と成分値データと熱処理データを対応付けた教師データを生成する。第二評価モデル生成部１２６は、教師データを用いて決定木などの手法で第二評価モデルを生成する。第二評価モデル生成部１２６は、生成した第二評価モデルを記憶部１４に記録する（ステップＳ５２）。第二評価モデルの生成処理が完了すると、異常判定部１３は、熱処理計画の判定を行うことができるようになる。
本実施形態によれば、評価対象となる製品に関する処理データが膨大であっても、過去の製造情報に対して機械学習手法を用いることで、合格のための条件を判定する評価モデルを生成することができる。また、複数の工程からなる一連の製造工程のうち、２つの工程で、合格、不合格の可能性を判定することができるので、より確実に、品質の評価を行うことができる。
なお、上述した品質評価システムにおける各処理の過程は、プログラムの形式でコンピュータ読み取り可能な記録媒体に記憶されており、このプログラムを品質評価システムのコンピュータが読み出して実行することによって、上記処理が行われる。ここでコンピュータ読み取り可能な記録媒体とは、磁気ディスク、光磁気ディスク、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、半導体メモリ等をいう。また、このコンピュータプログラムを通信回線によってコンピュータに配信し、この配信を受けたコンピュータが当該プログラムを実行するようにしてもよい。
また、上記プログラムは、前述した機能の一部を実現するためのものであってもよい。さらに、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるもの、いわゆる差分ファイル（差分プログラム）であってもよい。
また、品質評価システムは、１台のコンピュータで構成されていても良いし、通信可能に接続された複数のコンピュータで構成されていてもよい。
また、品質評価システムは、１台のコンピュータで構成されていても良いし、通信可能に接続された複数のコンピュータで構成されていてもよい。
その他、本発明の趣旨を逸脱しない範囲で、上記した実施の形態における構成要素を周知の構成要素に置き換えることは適宜可能である。また、この発明の技術範囲は上記の実施形態に限られるものではなく、本発明の趣旨を逸脱しない範囲において種々の変更を加えることが可能である。
１０、１０ａ・・・品質評価システム
１１・・・データ取得部
１２、１２ａ・・・品質評価モデル生成部
１２１・・・因子特定部
１２２・・・異常判定モデル生成部
１２３・・・劣化度評価モデル生成部
１２４・・・データ選定部
１２５・・・第一評価モデル生成部
１２６・・・第二評価モデル生成部
１３・・・異常判定部
１４・・・記憶部
１５・・・入出力部
２１・・・環境データＤＢ
２２・・・検査データＤＢ
２３・・・液状態データＤＢ
２４・・・表面処理モニタリングデータＤＢ
２５・・・処置データＤＢ
２６・・・成分値データＤＢ
２７・・・検査データＤＢ
２８・・・熱処理データＤＢ
１１・・・データ取得部
１２、１２ａ・・・品質評価モデル生成部
１２１・・・因子特定部
１２２・・・異常判定モデル生成部
１２３・・・劣化度評価モデル生成部
１２４・・・データ選定部
１２５・・・第一評価モデル生成部
１２６・・・第二評価モデル生成部
１３・・・異常判定部
１４・・・記憶部
１５・・・入出力部
２１・・・環境データＤＢ
２２・・・検査データＤＢ
２３・・・液状態データＤＢ
２４・・・表面処理モニタリングデータＤＢ
２５・・・処置データＤＢ
２６・・・成分値データＤＢ
２７・・・検査データＤＢ
２８・・・熱処理データＤＢ
Claims (4)
- 複数の工程を含む鋳造処理によって製造される製品の品質を、前記複数の工程に含まれる溶解処理と熱処理に関して評価する品質評価システムであって、
前記溶解処理後の前記製品の材料の成分とその構成比率を含む成分値データと、前記熱処理の方法を定めた熱処理データと、前記複数の工程を経た後の品質試験に基づく前記製品の品質評価データと、を取得するデータ取得部と、
前記品質評価データと前記成分値データとに基づいて、前記製品の品質が合格となるための目標成分値を算出するデータ選定部と、
前記目標成分値に基づいて、前記溶解処理後の前記製品の成分値を評価するための第一評価モデルを生成する第一評価モデル生成部と、
前記溶解処理後の前記製品の成分値に基づいて、前記熱処理データが示す熱処理の方法を評価するための第二評価モデルを生成する第二評価モデル生成部と、
前記第一評価モデルに基づいて前記溶解処理後に前記製品の異常判定を行い、前記第二評価モデルに基づいて前記熱処理前に前記製品の異常判定を行う異常判定部と、
前記異常判定部が異常を検出すると、異常が検出されたことを出力する入出力部と、
を備える品質評価システム。 - 前記第二評価モデル生成部は、前記製品の品質が合格となる場合の、前記成分の構成比率と前記熱処理の方法とを決定木によって分析する、
請求項１に記載の品質評価システム。 - 複数の工程を含む鋳造処理によって製造される製品の品質を、前記複数の工程に含まれる溶解処理と熱処理に関して評価する品質評価方法であって、
前記溶解処理後の前記製品の材料の成分とその構成比率を含む成分値データと、前記熱処理の方法を定めた熱処理データと、前記複数の工程を経た後の品質試験に基づく前記製品の品質評価データと、を取得し、
前記品質評価データと前記成分値データとに基づいて、前記製品の品質が合格となるための目標成分値を算出し、
前記目標成分値に基づいて、前記溶解処理後の前記製品の成分値を評価するための第一評価モデルを生成し、
前記溶解処理後の前記製品の成分値に基づいて、前記熱処理データが示す熱処理の方法を評価するための第二評価モデルを生成し、
前記第一評価モデルに基づいて前記溶解処理後に前記製品の異常判定を行い、
前記第二評価モデルに基づいて前記熱処理前に前記製品の異常判定を行い、
何れかの前記異常判定において異常が検出されると、異常が検出されたことを出力する、
品質評価方法。 - 複数の工程を含む鋳造処理によって製造される製品の品質を前記複数の工程に含まれる溶解処理と熱処理に関して評価する品質評価システムのコンピュータを、
前記溶解処理後の前記製品の材料の成分とその構成比率を含む成分値データと、前記熱処理の方法を定めた熱処理データと、前記複数の工程を経た後の品質試験に基づく前記製品の品質評価データと、を取得する手段、
前記品質評価データと前記成分値データとに基づいて、前記製品の品質が合格となるための目標成分値を算出する手段、
前記目標成分値に基づいて、前記溶解処理後の前記製品の成分値を評価するための第一評価モデルを生成する手段、
前記溶解処理後の前記製品の成分値に基づいて、前記熱処理データが示す熱処理の方法を評価するための第二評価モデルを生成する手段、
前記第一評価モデルに基づいて前記溶解処理後に前記製品の異常判定を行う手段、
前記第二評価モデルに基づいて前記熱処理前に前記製品の異常判定を行う手段、
何れかの前記異常判定において異常が検出されると、異常が検出されたことを出力する手段、
として機能させるためのプログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2016043462A JP6811018B2 (ja) | 2016-03-07 | 2016-03-07 | 品質評価システム、品質評価方法及びプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2016043462A JP6811018B2 (ja) | 2016-03-07 | 2016-03-07 | 品質評価システム、品質評価方法及びプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2017161991A JP2017161991A (ja) | 2017-09-14 |
| JP6811018B2 true JP6811018B2 (ja) | 2021-01-13 |
Family
ID=59857132
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2016043462A Active JP6811018B2 (ja) | 2016-03-07 | 2016-03-07 | 品質評価システム、品質評価方法及びプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6811018B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US12019434B2 (en) | 2019-05-22 | 2024-06-25 | Kabushiki Kaisha Toshiba | Manufacturing condition output apparatus, quality management system, and storage medium |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2019061598A (ja) * | 2017-09-28 | 2019-04-18 | Ｈｅｒｏｚ株式会社 | 生産管理装置および生産管理方法 |
| JP7173273B2 (ja) * | 2017-12-11 | 2022-11-16 | 日本電気株式会社 | 障害分析装置、障害分析方法および障害分析プログラム |
| US11586981B2 (en) | 2017-12-11 | 2023-02-21 | Nec Corporation | Failure analysis device, failure analysis method, and failure analysis program |
| WO2019202700A1 (ja) * | 2018-04-19 | 2019-10-24 | 三菱電機株式会社 | 異常設備を特定する装置、方法、およびコンピュータプログラム |
| CN113519018B (zh) * | 2019-03-12 | 2023-01-03 | 三菱电机株式会社 | 移动体控制装置和移动体控制方法 |
| EP4034952A4 (en) * | 2019-09-27 | 2023-10-25 | Tata Consultancy Services Limited | METHOD AND SYSTEM FOR DETECTING AND ANALYZING REGIME CHANGES |
| JP7181257B2 (ja) * | 2020-07-10 | 2022-11-30 | 株式会社日立製作所 | 原因分析システムおよび方法 |
| CN112834729A (zh) * | 2021-01-08 | 2021-05-25 | 三一汽车起重机械有限公司 | 一种液压油品质监测方法、装置及系统 |
| CN113268936B (zh) * | 2021-07-03 | 2022-07-19 | 石河子大学 | 一种基于多目标进化随机森林特征选择的关键质量特性识别方法 |
| CN117071046B (zh) * | 2023-10-12 | 2024-01-12 | 山东裕能电力器材有限公司 | 一种用于镀锌自动滚镀生产线的加工智能管理系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003177815A (ja) * | 2001-12-07 | 2003-06-27 | Komatsu Ltd | 産業機械の保全システム |
| JP2009054843A (ja) * | 2007-08-28 | 2009-03-12 | Omron Corp | プロセス異常検出装置および方法並びにプログラム |
| JP5169098B2 (ja) * | 2007-09-14 | 2013-03-27 | Ｊｆｅスチール株式会社 | 品質予測装置、品質予測方法及び製造方法 |
| JP4907507B2 (ja) * | 2007-12-03 | 2012-03-28 | 新日本製鐵株式会社 | 設備メンテナンス計画作成支援装置、方法、プログラム、及びコンピュータ読み取り可能な記録媒体 |
| JP5516390B2 (ja) * | 2010-12-24 | 2014-06-11 | 新日鐵住金株式会社 | 品質予測装置、品質予測方法、プログラムおよびコンピュータ読み取り可能な記録媒体 |
| JP5633522B2 (ja) * | 2012-01-06 | 2014-12-03 | 新日鐵住金株式会社 | 操業状況評価装置、操業状況評価方法、コンピュータプログラムおよびコンピュータ読み取り可能な記憶媒体 |
-
2016
- 2016-03-07 JP JP2016043462A patent/JP6811018B2/ja active Active
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US12019434B2 (en) | 2019-05-22 | 2024-06-25 | Kabushiki Kaisha Toshiba | Manufacturing condition output apparatus, quality management system, and storage medium |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2017161991A (ja) | 2017-09-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6811018B2 (ja) | 品質評価システム、品質評価方法及びプログラム | |
| US11599803B2 (en) | Soldering process parameter suggestion method and system thereof | |
| JP7297831B2 (ja) | 製造条件出力装置、品質管理システム及びプログラム | |
| Giordano et al. | The value of monitoring a structural health monitoring system | |
| JP2019185422A (ja) | 故障予知方法、故障予知装置および故障予知プログラム | |
| US20210232126A1 (en) | Quality monitoring of industrial processes | |
| JP6711323B2 (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
| JP6702297B2 (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
| JP6737277B2 (ja) | 製造プロセス分析装置、製造プロセス分析方法、及び、製造プロセス分析プログラム | |
| CN111104736B (zh) | 基于时间序列的异常数据检测方法、装置、介质和设备 | |
| JP2009187175A (ja) | バッチプロセスデータの解析装置およびそれを用いた異常検出／品質推定装置 | |
| CN113609790B (zh) | 产品虚拟量测方法及系统及装置及介质 | |
| JP7156975B2 (ja) | 運営評価装置、運営評価方法、およびプログラム | |
| US20170176985A1 (en) | Method for predicting end of line quality of assembled product | |
| JP2019028834A (ja) | 異常値診断装置、異常値診断方法、およびプログラム | |
| Gitzel | Data Quality in Time Series Data: An Experience Report. | |
| JP2020042669A (ja) | 検査装置及び機械学習方法 | |
| 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 | |
| EP3627261B1 (en) | Diagnosis system and method using parallel analysis paths | |
| US11216329B2 (en) | Maintenance intervention predicting | |
| JP2021189552A (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 | |
| Raabe et al. | Vision based quality control and maintenance in high volume production by use of zero defect strategies | |
| de León Hijes et al. | Assessment of functional condition of equipment in industrial plants based on multiple measurements | |
| CN107924185B (zh) | 用于维护使用自动化技术的工厂中现场设备的方法和系统 | |
| JP2008181341A (ja) | 製造不良要因分析支援装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20160308 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181102 |
|
| RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20181109 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190906 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190910 |
|
| A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20191111 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200108 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200616 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200811 |
|
| 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: 20201117 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20201214 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6811018 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |