JP6926472B2 - 解析装置および解析システム - Google Patents

Description

本発明は、解析装置および解析システムに関するものである。

工作機械や産業用ロボット等の生産設備における各種データに基づいて、生産対象物の状態の良否を判定することが知られている。また、当該各種データに基づいて、生産設備の故障、寿命時期、メンテナンス時期などを判定することも知られている。

特許文献１には、工作物の研削焼けを監視する方法が記載されている。工作物の研削中に、砥石車の研削負荷および工作物の回転速度を検出し、回転速度に応じた研削負荷についての閾値と比較することで、研削焼けの発生の有無を判定する。ここで、閾値は、工作物の研削焼けが発生するときの工作物の回転速度に対する砥石車の研削負荷に基づいて設定される。

特許文献２には、試し研削を行い、試し研削における研削負荷に基づいて閾値を設定することが記載されている。その後、本番研削において検出される研削負荷と閾値とを比較することで、研削異常の発生の有無を判定する。

また、特許文献３には、以下のような品質傾向パターンに基づいて、生産対象物の品質異常を予測することが記載されている。例えば、工作物の外周面の研削を砥石車により行う場合において、工作物の数が増加するほど、寸法精度が悪化する傾向にある（特許文献３の図４参照）。また、１つの工作物における研削時間と研削抵抗の関係から、工作物の数と研削抵抗の平均値との関係を得る（特許文献３の図５および図１０参照）。そして、工作物の数と寸法精度との関係を考慮することで、工作物の数と研削抵抗の平均値との関係を示す品質傾向パターンにおいて、研削抵抗の平均値に対する閾値を設定することができる。つまり、研削抵抗および工作物の数を把握することで、上記品質傾向パターンおよび閾値に基づいて、生産対象物の異常の予測を行うことができる。

また、近年、ビッグデータの活用が盛んになってきた。ビッグデータを用いて解析を行い、生産対象物の状態の良否の判定および生産設備の状態の良否の判定を行うことが期待されている。

例えば、特許文献４には、３つの分析モデルの中から最適な分析モデルを決定することにより、分析の精度向上を図った分析モデル決定装置が記載されている。特許文献４では、３つの分析モデルに学習用データを適用して学習させた後、評価用データを各分析モデルにあてはめてデフォルト確率を計測し、その計測結果から最適な分析モデルを決定している。

また、特許文献５には、異なる種類の解析手法により解析された結果をそれぞれ取得して、複数の解析結果を考慮して所望の評価を行うことが記載されている。

特開２０１３−１２９０２７号公報 国際公開第２０１２／０９８８０５号 特開２０１４−１５４０９４号公報 特開２００２−１０９２０８号公報 国際公開第２０１３／００１７０４号

現在、多数の解析手法が知られている。生産設備の状態の良否や生産対象物の状態の良否を予測するにあたって、複数種の解析手法を用いて行うことが考えられる。しかし、多数の解析手法が存在するため、どの解析手法を用いた場合に、良否の予測精度が高くなるかを把握するのは容易ではない。つまり、解析手法の選択が重要であるにも関わらず、その選択は容易ではない。

また、それぞれの解析手法は、好適な環境を有しているのが一般的である。そのため、環境が異なれば、好適な解析手法が変化する。また、解析データの量によっても、好適な解析手法が異なる。例えば、解析初期において解析データの量が少ない場合に好適な解析手法と、解析が長期に亘って継続することで解析データの量が多くなった場合に好適な解析手法とでは、異なる。そこで、状況に応じて、適宜、適用する解析手法を入れ替えることが望まれる。

ここで、解析回数が多いほど、解析手法の予測精度が変化して、予測精度の信頼性は高くなる。つまり、解析回数を多くすることが、良否の予測精度が向上することにつながる。そして、良否の予測に使用している解析手法については、解析を繰り返し行っているため、解析回数が増加し、その結果、当該解析手法による予測精度が安定して、予測精度の信頼性は向上する。しかし、良否の予測に使用していない解析手法については、解析を行わなければ、当該解析手法による予測精度が変化せず、予測精度の信頼性がなかなか向上しない。

特に、リアルタイムに、生産設備の状態の良否や生産対象物の状態の良否を予測する場合には、使用している解析手法による解析回数と、使用していない解析手法による解析回数との差は、ますます拡大することになる。そこで、使用していない解析手法についても、できるだけ多くの解析回数を確保できるようにすることが求められる。そうすることで、多数の解析手法について予測精度の信頼性が向上するため、環境が変化した場合に、当該環境に好適な解析手法に入れ替えることが可能となる。

ところで、良否の予測に使用していない解析手法についての解析回数を確保するため、使用していない解析手法についても、使用している解析手法と同様に、常時予測演算を行うことが考えられる。しかし、使用していない解析手法による予測演算を行うために、専用の演算処理装置（ＣＰＵ）を設けると、高コストとなる。仮に、良否の予測に使用している解析手法による予測演算を行っている演算処理装置を用いて、使用していない解析手法による予測演算を行うとすると、リアルタイムに演算することができなくなるおそれがある。もしくは、高機能な演算処理装置が必要となり、やはり高コストとなる。

本発明は、高コストとならずに、使用していない解析手法について予測演算を多く行うことにより、多くの解析手法による予測精度の信頼性を向上することができる解析装置および当該解析装置を用いた解析システムを提供することを目的とする。

（１．解析装置）
本発明に係る解析装置は、生産設備の状態の良否または前記生産設備により生産される生産対象物の状態の良否に関する予測を行う。前記解析装置は、前記生産設備に関するデータに基づいて前記良否に関する予測を異なる解析手法を用いて行う複数の予測器を記憶する記憶部と、前記生産設備の稼働中に、前記複数の予測器の中から選択された１以上の使用予測器を用いて、前記良否に関する主予測演算をリアルタイムで行う演算部とを備える。

前記演算部は、前記主予測演算を行っていないときに、前記複数の予測器の中から選択されなかった１以上の予備予測器を用いて、前記良否に関する副予測演算を行うと共に、前記使用予測器の予測精度および前記予備予測器の予測精度に基づいて、前記使用予測器と前記予備予測器との入れ替え処理を行う。

つまり、使用予測器による主予測演算を行っている演算部が、予備予測器による副予測演算を行っている。従って、新たな専用設備を必要とせずに、予備予測器の評価が可能となる。その結果、予備予測器の予測精度の信頼性が向上するため、環境が変化した場合にも、当該環境に好適な解析手法に入れ替えることが可能となる。

また、演算部は、使用予測器による主予測演算を行っていないときに、予備予測器による副予測演算を行っている。そのため、副予測演算が、使用予測器による主予測演算に影響を与えることはない。つまり、副予測演算を行いながらも、主予測演算をリアルタイムに行うことができる。

（２．解析システム）
本発明に係る解析システムは、上述した解析装置である第一解析装置と、前記第一解析装置とデータ通信可能にネットワーク接続された第二解析装置とを備える。前記第二解析装置は、前記生産設備に関するデータを前記第一解析装置から取得して記憶すると共に、前記複数の予測器を記憶する第二記憶部と、前記第一解析装置の前記演算部とは独立した処理が可能であり、前記第二記憶部に記憶されている前記予備予測器を用いて、前記良否に関する第二副予測演算を行う第二演算部とを備える。

ここで、第一解析装置による予備予測器による副予測演算だけでは十分でない場合がある。そこで、予備的に、第二解析装置を用いて、予備予測器による第二副予測演算を行うこととした。このように、第一解析装置と第二解析装置を複合的に利用して、予備予測器による予測演算を行うことで、より早期に、予備予測器の予測精度の信頼性を向上させることができる。また、第二解析装置は、第一解析装置と分担して処理をするため、専用の外部装置を設ける場合に比べて、低コストにすることができる。

第一実施形態における生産設備の一例として研削盤の構成を示す図である。 研削盤が備える解析装置と他の構成との接続状態を示す図である。 解析装置における予測器の種類を示す。 解析装置における使用予測器と予備予測器の入れ替え処理の説明図である。 生産設備の稼働中における解析装置の演算部による処理に関するタイミングチャートを示す。 生産設備の生産スケジュール（稼働、非稼働）において、演算部による処理に関するタイミングチャートを示す。 解析装置の構成を示すブロック図である。 予測器情報記憶部に記憶される予測器情報である。 設定値初期演算処理を示すフローチャートである。 予測精度の算出方法の一例を示す図である。 演算部による第一演算処理を示すフローチャートである。 総合的な主予測演算の方法の一例を示す図である。 演算部による第二演算処理を示すフローチャートである。 設定値更新演算処理を示すフローチャートである。 第二実施形態における解析システムの構成を示す図である。 解析システムの第二解析装置の構成を示すブロック図である。

（１．第一実施形態）
（１−１．生産設備１の構成）
生産設備１は、所定の生産対象物Ｗを生産する設備である。生産設備１は、工作機械、搬送装置、産業用ロボットなど種々の設備を含む。生産設備１は、例えば、生産ラインにおける加工工程を担当する工作機械であってクランクシャフト等を研削する研削盤、工作機械への搬入および搬出を行う搬送機などである。

以下に、生産設備１の構成の一例について、図１および図２を参照して説明する。本実施形態においては、生産設備１は、例えば研削盤とする。研削盤の一例として、砥石台１４をベッド１１に対してトラバース（Ｚ軸方向への移動）を行う砥石台トラバース型研削盤を例に挙げて説明する。ただし、研削盤は、主軸装置１２がベッド１１に対してトラバース（Ｚ軸方向への移動）を行うテーブルトラバース型研削盤にも適用できる。研削盤による生産対象物（工作物）Ｗは、例えばクランクシャフトである。研削盤による研削部位は、クランクシャフトのクランクジャーナルおよびクランクピン等である。

研削盤は、以下のように構成される。設置面にベッド１１が固定され、ベッド１１には、クランクシャフトを回転可能に両端支持する主軸装置１２および心押装置１３が取り付けられる。クランクシャフトは、クランクジャーナルを中心に回転するように、主軸装置１２および心押装置１３に支持される。主軸装置１２は、クランクシャフトを回転駆動するモータ１２ａを備える。主軸装置１２には、主軸の振動を検出する検出器（振動センサ）１２ｂが取り付けられている。

さらに、ベッド１１上には、Ｚ軸方向（クランクシャフトの軸線方向）およびＸ軸方向（クランクシャフトの軸線に直交する方向）に移動可能な砥石台１４が設けられる。砥石台１４は、モータ１４ａによってＺ軸方向に移動し、モータ１４ｂによってＸ軸方向に移動する。さらに、砥石台１４には、砥石台１４のＺ軸方向位置を検出する検出器１４ｃ、および、砥石台１４のＸ軸方向位置を検出する検出器１４ｄが設けられる。検出器１４ｃ，１４ｄは、モータ１４ｂの回転などを測定するロータリエンコーダなどであり、リニアスケールなどの直線位置検出器とすることもできる。

砥石台１４には、クランクピンまたはクランクジャーナルを研削する砥石車１５が回転可能に設けられる。砥石車１５は、モータ１５ａによって回転駆動される。さらに、砥石台１４には、モータ１５ａの動力などを検出する検出器１５ｂが設けられる。検出器１５ｂは、例えば電流計であるが、モータ１５ａの電力を測定する電力計または電圧を測定する電圧計などとすることもできる。なお、砥石車１５のモータ１５ａの電流、電力、電圧などは、間接的に、研削抵抗を得ることができる。上記の他に、検出器１５ｂは、主軸装置１２や砥石台１４に設けられる負荷検出器として、研削抵抗を直接的に得るようにすることもできる。

さらに、ベッド１１には、クランクシャフトの研削部位であるクランクピンまたはクランクジャーナルの外径を計測する定寸装置１６が設けられる。さらに、ベッド１１には、環境温度（外気温度）を検出する検出器１７が設けられる。さらに、ベッド１１には、研削部位にクーラントを供給するためのポンプ１８ａ、クーラントの供給のＯＮ／ＯＦＦを切り替える弁１８ｂ、および、弁１８ｂの状態を検出する検出器１８ｃを備える。検出器１８ｃは、クーラントの流量計であるが、クーラントの圧力を検出する圧力センサなどとしてもよい。

さらに、研削盤は、ＣＮＣ（Computerized Numerical Control）装置２１、ＰＬＣ（Programmable Logic Controller）２２、解析装置２３、および、操作盤２４を備える。ＣＮＣ装置２１は、図２に示すように、主軸装置１２および砥石車１５を回転するモータ１２ａ，１５ａを制御し、且つ、クランクシャフトに対する砥石車１５の相対移動するモータ１４ａ，１４ｂを制御する。ＣＮＣ装置２１は、制御に際して、主軸の振動を検出する検出器（振動センサ）１２ｂ、砥石台１４の位置の検出器１４ｃ，１４ｄ、モータ１５ａの動力の検出器１５ｂを取得する。

ＰＬＣ２２は、定寸装置１６からの検出データを取得する。また、ＰＬＣ２２は、ポンプ１８ａおよび弁１８ｂを制御することで、クーラントの供給を制御する。この制御に際して、ＰＬＣ２２は、弁１８ｂの状態を検出する検出器１８ｃの検出データを取得する。さらに、ＰＬＣ２２は、環境温度を検出する検出器１７の検出データを取得する。

ここで、各検出器１２ｂ，１４ｃ，１４ｄ，１５ｂ，１６，１７，１８ｃのサンプリング周期は、全てが同一ではなく、少なくとも一部が異なる。例えば、モータ１５ａの動力の検出器１５ｂのサンプリング周期は、数ｍｓｅｃであり、定寸装置１６のサンプリング周期は、数ｍｓｅｃであり、弁状態の検出器１８ｃのサンプリング周期は、数十ｍｓｅｃであり、温度の検出器１７のサンプリング周期は、数十ｍｓｅｃである。それぞれのサンプリング周期は、制御方法によって適宜調整される。

解析装置２３は、生産設備１の状態の良否または生産設備１により生産される生産対象物Ｗの状態の良否に関する予測を行う。例えば、解析装置２３は、生産対象物Ｗに研削焼けが生じたことにより、当該生産対象物Ｗが不良品であることを予測する。また、解析装置２３は、生産設備１を構成する各部品の故障、寿命時期、メンテナンス時期などを予測する。なお、本実施形態においては、解析装置２３は、生産対象物Ｗであるクランクシャフトのクランクジャーナルおよびクランクピン等に対して研削加工を行う過程において、クランクシャフトが良品であるか否かの解析を行う。

解析装置２３は、図２に示すように、ＣＮＣ装置２１およびＰＬＣ２２を介して、各検出器１２ｂ，１４ｃ，１４ｄ，１５ｂ，１６，１７，１８ｃの検出データ（生産設備１に関するデータに相当する）を取得する。そして、解析装置２３は、当該検出データに基づいて、良否の予測を行う。

なお、解析装置２３は、ＣＮＣ装置２１やＰＬＣ２２と別体の装置として説明するが、ＣＮＣ装置２１やＰＬＣ２２などの組み込みシステムとすることもでき、パーソナルコンピュータやサーバなどとすることもできる。

（１−２．解析装置２３の予測器の種類）
上述したように、解析装置２３は、生産設備１の状態の良否または生産設備１により生産される生産対象物Ｗの状態の良否に関する予測を行う。良否の予測演算には、図３に示すように、多種の予測器（解析エンジン）を適用することができる。

図３に示す予測器は、ＱＣ手法（例えば、Ｘ−Ｒ管理図、相関分布等）、線形適応（例えば、線形適応制御等）、非線形同定（例えば、逐次型同定等）ベイズ手法（例えば、ナイーブベイズ法、ベイジアンネットワーク等）、機械学習（例えば、ニューラルネットワーク、サポートベクタマシン等）、回帰分析（例えば、重回帰分析、リッジ回帰等）のように、各々の特性に合わせて分類される。

各予測器の予測精度は、解析するデータ量（解析対象となるデータ数）やモデル（設定されたパラメータ）により変化する。すなわち、統計等のモデル自体の変数や定数が多い予測器や事前確率分布の多い予測器では、解析するデータ量が多いほど、モデルの精度が高くなり、予測精度が向上する。

例えば、ＱＣ手法は、計算量も少なく、相関性も分かりやすいので、解析するデータ量が少なくても予測精度の向上を図ることができる。その一方、ＱＣ手法では、解析するデータ量が増えたとしても、予測精度の向上の見込みは低い。これに対し、ベイズ手法は、解析するデータ量が増えれば、事前情報（事前確率等）に基づく予測からデータに基づく予測に近づくので、予測精度が向上する。また、機械学習は、解析するデータ量が増えれば、予測精度が向上し続ける。同様に、回帰分析は、解析するデータが増えれば、予測精度が向上する。

線形適応は、モデル自体の精度が予測精度を向上させる要因となる。線形適応は、ＱＣ手法と比べて、データ量が少ない段階であっても予測精度を向上させやすい。非線形同定は、モデル自体の精度が予測精度を向上させるための要因となるが、モデル自体の構築が難しい。

以上の点から、解析するデータ量が比較的少なく、検出器から得られるデータが少ないときには、ＱＣ手法または線形適応を使用することで、予測精度を早期に向上させることができる。一方、解析するデータ量が比較的多い場合には、回帰分析または機械学習を使用することで、予測精度を確実に向上させることができる。従って、ＱＣ手法、ベイズ手法、線形適応、回帰分析、および、機械学習の中から、異なる種類の予測器を組み合わせて使用するとよい。すなわち、解析するデータ量が少ないときに予測精度が高くなる予測器と、解析するデータ量が多いときに予測精度が高くなる予測器とを組み合わせて使用するとよい。これにより、解析するデータ量が少ないときから増加したときまで、データ量の変化に関わらず、予測精度が高い状態を維持することができる。

また、機械学習や回帰分析等では、変数や定数、モデル自体の精度等が異なるものを複数使用することができる。また、機械学習や回帰分析等は、解析するデータ量が多くなったときに、変数や定数、モデル自体の精度が最適な予測器を使用することにより、予測精度を向上させることができる。

（１−３．解析装置２３の処理の概要）
解析装置２３の処理の概要について、図３−図６を参照して説明する。解析装置２３は、図３に示す予測器の中から選択された予測器を用いて、生産設備１の状態の良否または生産設備１により生産される生産対象物Ｗの状態の良否に関する予測（以下、単に「良否の予測」と称する）を行う。

ここで、解析装置２３は、図３に示す全ての予測器を有していてもよいし、一部の予測器を有していてもよい。ただし、解析装置２３は、複数の予測器を有している。そして、解析装置２３は、良否の予測を行うに際して、所有している全ての予測器を用いるのではなく、選択された複数の予測器を用いる。つまり、解析装置２３が所有している予測器は、実際の良否の予測に用いる複数の予測器（以下、「使用予測器」と称する）と、選択されなかった１以上の予測器（以下、「予備予測器」と称する）とに分類される。そして、状況に応じて、解析装置２３は、使用予測器と予備予測器との入れ替えを行う。

図４に示すように、時刻Ｔ１のとき、予測器Ａ−Ｈの予測精度は、高い方からＡ，Ｂ，Ｃ，Ｆ，Ｈ，Ｇ，Ｄ，Ｅの順である。解析装置２３は、解析精度が上位の３つの予測器Ａ，Ｂ，Ｃを使用予測器とする。一方、予測精度が下位の残りの予測器Ｆ，Ｈ，Ｇ，Ｄ，Ｅは、予備予測器となる。つまり、解析装置２３は、使用予測器Ａ，Ｂ，Ｃを用いて、実際の良否の予測を行う。

そして、時刻Ｔ２において、予測器Ｃの予測精度Ｑ_Ｃより、予測器Ｆの予測精度Ｑ_Ｆが、高くなるとする。そうすると、予測精度の高い順位において、予測器Ｃ，Ｆが入れ替わる。そこで、時刻Ｔ３において、予測器Ｆを使用予測器とし、予測器Ｃを予備予測器とする。つまり、解析装置２３は、３つの使用予測器Ａ，Ｂ，Ｆを用いて、実際の良否の予測を行う。一方、予備予測器Ｃ，Ｄ，Ｆ，Ｇ，Ｈは、実際の良否の予測に使用しない。

ここで、時刻Ｔ１までにおいて、使用予測器Ａ，Ｂ，Ｃは、予測演算を何度も行うため、使用予測器Ａ，Ｂ，Ｃの予測精度が向上する。一方、予備予測器Ｄ，Ｅ，Ｆ，Ｇ，Ｈについては、予測演算を行わなければ、予測精度が向上することはない。そこで、予備予測器Ｄ，Ｅ，Ｆ，Ｇ，Ｈについても、できるだけ多くの予測演算を行うことで、予測精度を変化させることができ、さらに予測精度の信頼性の向上を図ることとした。以下において、使用予測器による予測演算を、主予測演算と称し、予備予測器による予測演算を副予測演算と称する。

第一の態様として、図５に示すように、生産設備１は、複数の生産対象物Ｗを順次連続生産する場合を考える。生産設備１は、生産対象物Ｗの搬入などの事前処理、生産処理（加工）、搬出や計測などの事後処理を１サイクルとして行う。

解析装置２３は、第一生産対象物Ｗの生産処理の最中に、検出器１２ｂ，１４ｃ，１４ｄ，１５ｂ，１６，１７，１８ｃの検出データ（生産設備１に関するデータ）を取得する。解析装置２３は、第一生産対象物Ｗの事後処理、および、第一生産対象物の次の第二生産対象物Ｗの事前処理の最中に、取得した検出データに基づいて、使用予測器Ａ，Ｂ，Ｃのそれぞれを用いて個別の主予測演算をリアルタイムで行う。続いて、解析装置２３は、使用予測器Ａ，Ｂ，Ｃによる個別の主予測演算の結果に基づいて、総合的な主予測演算をリアルタイムで行う（後述する）。総合的な主予測演算の結果が、最終的な良否の結果となる。

個別の主予測演算および総合的な主予測演算を行った後において、第二生産対象物Ｗの生産処理が開始されるまでには、まだ余裕時間（主予測演算を行っていないときの連続時間）が存在する。そこで、この余裕時間を利用して、予備予測器Ｄ，Ｅ，Ｆ，Ｇ，Ｈによる副予測演算を行う。ただし、余裕時間の長さ、最新の予測精度、予測回数などに応じて、副予測演算を行う対象が選択される。図５においては、この余裕時間のとき、予備予測器Ｆによる副予測演算を行っている。

第二の態様として、図６に示すように、生産設備１は、生産スケジュールに基づいて、稼働時間と、比較的長期の非稼働時間（主予測演算を行っていないときの連続時間）とが存在する。例えば、比較的長期の非稼働時間とは、昼休み、夜間休業中、生産設備１のメンテナンスのときなどである。比較的長期とは、１サイクルにおける余裕時間に比べて長いことを意味している。また、図６には、１日の生産スケジュールを示しており、長期の非稼働時間として、昼休みおよび夜間休業中を示している。

解析装置２３は、生産設備１の稼働時間において、図５に示す生産処理の最中に、検出器１２ｂ，１４ｃ，１４ｄ，１５ｂ，１６，１７，１８ｃの検出データ（生産設備１に関するデータ）を取得する。そして、解析装置２３は、長期の非稼働時間において、取得した検出データを用いて、予備予測器Ｄ，Ｅ，Ｆ，Ｇ，Ｈによる副予測演算を行う。

また、解析装置２３は、生産設備１の長期の非稼働時間において、予備予測器Ｄ，Ｅ，Ｆ，Ｇ，Ｈについてパラメータ（解析モデルのパラメータ）などの設定値の更新処理を行うこともできる。一般に、予測器は、上述したように、解析するデータ量が多ければ多いほど、予測精度が向上する。そこで、既存の検出データおよび新たに取得した検出データを用いて、予備予測器Ｄ，Ｅ，Ｆ，Ｇ，Ｈについてのパラメータなどの設定値更新処理を行うようにしている。図６においては、予備予測器Ｆ，Ｈ，Ｇ，Ｃについての設定値更新処理を行っている。

（１−４．解析装置２３の詳細構成）
解析装置２３の詳細構成について図７−図１６を参照して説明する。図７に示すように、解析装置２３は、インターフェース３０、記憶部４０および演算部５０を備える。インターフェース３０は、ＣＮＣ装置２１およびＰＬＣ２２と接続される。記憶部４０は、予測器記憶部４１、予測器パラメータ記憶部４２、予測器情報記憶部４３、重付係数記憶部４４、予測結果記憶部４５、検査結果記憶部４６、予測精度記憶部４７、および、取得データ記憶部４８を備える。

予測器記憶部４１は、複数の予測器Ａ−Ｈを記憶する。複数の予測器Ａ−Ｈは、図３に示す各種解析手法の中から選択された解析手法をそれぞれ適用する。つまり、予測器記憶部４１は、検出器１２ｂ，１４ｃ，１４ｄ，１５ｂ，１６，１７，１８ｃの検出データ（生産設備１に関するデータ）に基づいて、良否の予測をそれぞれ異なる解析手法を用いて行う複数の予測器Ａ−Ｈを記憶する。なお、予測器記憶部４１が記憶する複数の予測器Ａ−Ｈの数は、適宜変更できる。予測器パラメータ記憶部４２は、予測器Ａ−Ｈのそれぞれに対応したパラメータを記憶する。記憶されるパラメータは、初期においては初期設定された値であるが、更新された値とすることが可能である。

予測器情報記憶部４３は、図８に示すように、予測器Ａ−Ｈのそれぞれについて、所要時間Ｔ_Ａ−Ｔ_Ｈ、予測精度Ｑ_Ａ−Ｑ_Ｈ、演算回数Ｎ_Ａ−Ｎ_Ｈを記憶する。所要時間Ｔ_Ａ−Ｔ_Ｈとは、予測器Ａ−Ｈのそれぞれが予測演算に必要とする時間である。予測精度Ｑ_Ａ−Ｑ_Ｈは、予測器Ａ−Ｈによる予測結果と検査結果との比較によって得られる値である。なお、予測精度Ｑ_Ａ−Ｑ_Ｈは、予測結果と後述する総合的な主予測演算の結果との比較によって得られる値とすることもできる。演算回数Ｎ_Ａ−Ｎ_Ｈは、予測演算を行った回数である。つまり、演算回数Ｎ_Ａ−Ｎ_Ｈは、予測結果と検査結果（または、総合的な主予測演算の結果）との比較回数に相当する。

重付係数記憶部４４は、後述する総合的な主予測演算部５３により総合的な主予測演算を行う際に用いる重付係数Ａｋ，Ｂｋ，Ｃｋ（図１２に示す）を記憶する。なお、総合的な主予測演算は、３つの使用予測器Ａ，Ｂ，Ｃによる個別の主予測演算の結果を用いて、使用予測器Ａ，Ｂ，Ｃの重みを変化させることにより、結果を演算する。つまり、重付係数Ａｋ，Ｂｋ，Ｃｋとは、総合的な主予測演算に際して、使用予測器Ａ，Ｂ，Ｃの重み付けを行うための係数である。

予測結果記憶部４５は、各予測器Ａ−Ｈによる予測演算の結果を記憶する。さらに、予測結果記憶部４５は、後述する総合的な主予測演算部５３による演算結果（総合的な主予測演算の結果）を記憶する。検査結果記憶部４６は、例えば、生産対象物Ｗの生産完了後（加工後）の状態を、生産設備１とは別の検査装置によって検査した結果、または、生産設備１の状態（例えば、生産設備１を構成する部品の状態）についての検査結果を記憶する。

予測精度記憶部４７は、各予測器Ａ−Ｈの予測精度Ｑ_Ａ−Ｑ_Ｈを記憶する。予測精度Ｑ_Ａ−Ｑ_Ｈは、各予測器Ａ−Ｈによる予測結果と検査結果との比較により得られる。また、予測精度Ｑ_Ａ−Ｑ_Ｈは、各予測器Ａ−Ｈによる予測結果と、総合的な主予測演算の結果との比較により得られる。後者の場合は、総合的な主予測演算の結果が正しいものとして、各予測器Ａ−Ｈの予測結果を評価している。

取得データ記憶部４８は、生産設備１の各検出器１２ｂ，１４ｃ，１４ｄ，１５ｂ，１６，１７，１８ｃの検出データ（生産設備１に関するデータ）を記憶する。取得データ記憶部４８は、検出データを取得するたびに、既存の検出データに加えて新たな検出データを蓄積する。

演算部５０は、設定値初期演算部５１、個別の主予測演算部５２、総合的な主予測演算部５３、副予測演算部５４、設定値更新演算部５５、および、入れ替え処理部５６を備える。

設定値初期演算部５１は、予測器Ａ−Ｈの初期パラメータの設定および予測精度Ｑ_Ａ−Ｑ_Ｈの算出を行う。設定値初期演算部５１は、図９に示すように、取得データ記憶部４８に記憶された複数の検出データを入力する（Ｓ１）。続いて、設定値初期演算部５１は、検査結果記憶部４６に記憶された良否に関する検査結果（ａ）を入力する（Ｓ２）。続いて、設定値初期演算部５１は、検出データと検査結果（ａ）を用いて、各予測器Ａ−Ｈのパラメータの初期設定を行う（Ｓ３）。初期設定された各予測器Ａ−Ｈのパラメータは、予測器パラメータ記憶部４２に記憶される。

続いて、設定値初期演算部５１は、検出データに基づく各予測器Ａ−Ｈによる予測演算を行う（Ｓ４）。予測器Ａ−Ｈによる予測演算を行う際には、初期設定されたパラメータを用いて行われる。予測器Ａ−Ｈの予測結果は、予測結果記憶部４５に記憶される。

続いて、設定値初期演算部５１は、各予測器Ａ−Ｈの予測結果（ｂ）と検査結果（ａ）とを比較して、各予測器Ａ−Ｈの予測精度Ｑ_Ａ−Ｑ_Ｈを算出する（Ｓ５）。算出された予測精度Ｑ_Ａ−Ｑ_Ｈは、予測精度記憶部４７に記憶される。

ここで、予測精度Ｑ_Ａ−Ｑ_Ｈの算出方法の一例について、図１０を参照して説明する。研削盤によりクランクシャフトの研削加工を行う過程において、各予測器Ａ−Ｈの予測結果（ｂ）と検査結果（ａ）とを照合する。予測結果（ｂ）及び検査結果（ａ）の双方において良品と判定されたクランクシャフトの数量（ｐａ１）を予測および検査を行ったクランクシャフトの総量（ａｌｌ）で除した数値を、ｐ１（＝ｐａ１／ａｌｌ）とする。また、予測結果（ｂ）及び検査結果（ａ）の双方において不良品と判定されたクランクシャフトの数量（ｐａ２）を予測および検査を行ったクランクシャフトの総量（ａｌｌ）で除した数値を、ｐ２（＝ｐａ２／ａｌｌ）とする。

また、予測結果（ｂ）において良品と判定され、且つ、検査結果（ａ）において不良品と判定されたクランクシャフトの数量（ｐａ３）を予測および検査を行ったクランクシャフトの総量（ａｌｌ）で除した数値を、ｐ３（ｐａ３／ａｌｌ）とする。また、予測結果（ｂ）において不良品と判定され、且つ、検査結果（ａ）において良品と判定されたクランクシャフトの数量（ｐａ４）を予測および検査を行ったクランクシャフトの総量（ａｌｌ）で除した数値を、ｐ４（ｐａ４／ａｌｌ）とする。設定値初期演算部５１は、各数値ｐ１−ｐ４を、予測器Ａ−Ｈごとに算出する。例えば、予測器Ａの数値ｐ１は、Ａｐ１とする。

次に、各予測器Ａ−Ｈの数値ｐ１−ｐ４に基づいて、各予測器Ａ−Ｈの予測精度Ｑ_Ａ−Ｑ_Ｈが算出される。本実施形態では、予測結果（ｂ）と検査結果（ａ）とが一致した場合の数値の合計（＝ｐ１＋ｐ２）から、ｐ３の２倍及びｐ４を減算した数値を予測精度Ｑ_Ａ−Ｑ_Ｈとしている。

つまり、予測結果（ｂ）と検査結果（ａ）が一致する場合に予測精度が高くなるように評価され、予測結果（ｂ）と検査結果（ａ）が一致しない場合に予測精度が低くなるように評価されている。

さらに、予測誤りとなる数値ｐ３，ｐ４の重みを変えて、予測精度Ｑ_Ａ−Ｑ_Ｈが算出されている。つまり、検査結果（ａ）で不良品であると判定されたクランクシャフトを良品と予測した数値であるｐ３が、検査結果（ａ）が良品と判定されたクランクシャフトを不良品と予測した数値であるｐ４より大きく影響が出るように、予測精度Ｑ_Ａ−Ｑ_Ｈが算出される。

数値ｐ３に相当する場合、すなわち、実際にはクランクシャフトが不良品であったにも関わらず、予測器Ａ−Ｈによる予測結果（ｂ）において良品と判定された場合には、研削盤による研削加工が終了した後に行う生産加工を不良品であるクランクシャフトに対して行うことになる。この場合、後加工が無駄となってしまう。つまり、数値ｐ３に相当する場合は、生産時間のロスが大きい。そこで、本実施形態では、数値ｐ３の場合に、予測精度が大きく低下するような算出方法で予測精度を算出している。

一方、数値ｐ４に相当する場合、すなわち、クランクシャフトの検査結果（ａ）が良品と判定されたにも関わらず、予測器Ａ−Ｈによる予測結果（ｂ）において不良品と判定された場合には、研削盤による研削加工が終了した後に、クランクシャフトの廃棄を行うことになる。この場合は、数値ｐ３に相当する場合に比べて、生産時間に与えるロスは小さい。そこで、数値ｐ４の場合には、数値ｐ３に比べて、予測精度に与える影響を小さくしている。上記のように予測誤りの場合の影響度を変化させることで、不良品である生産対象物Ｗが誤って良品であると予測されることを低減させることができる。その結果、生産コストの低減を図ることができる。

なお、本実施形態では、ｐ３を２倍しているが、生産対象物Ｗの信頼性に応じて、１よりも大きい値をｐ３に乗じる値として設定することができ、ｐ３に乗じる値を大きな値にすることで、予測精度の信頼度を高める（不良品である生産対象物が良品であると誤って予測されることを低減させる）ことができる。

ここで、予測器Ａ−Ｈの予測精度Ｑ_Ａ−Ｑ_Ｈは、図４の時刻Ｔ１にて示す順位であるとする。つまり、上位の３つの予測器Ａ，Ｂ，Ｃが使用予測器とされ、残りの予測器Ｄ，Ｅ，Ｆ，Ｇ，Ｈが予備予測器とされる。

次に、演算部５０の第一演算処理について、図５、図１１および図１２を参照して説明する。第一演算処理は、図５に示すように、生産設備１が複数の生産対象物Ｗ順次連続生産する場合における演算処理である。ここで、演算部５０の第一演算処理は、個別の主予測演算部５２、総合的な主予測演算部５３および副予測演算部５４による処理である。

まず、個別の主予測演算部５２が、生産設備１が稼働開始したかを判断し（Ｓ１１）、第一生産対象物Ｗの生産処理の最中に取得した検出データに基づいて３つの使用予測器Ａ，Ｂ，Ｃによる個別の主予測演算をリアルタイムで行う（Ｓ１２−Ｓ１４）。３つの使用予測器Ａ，Ｂ，Ｃによる個別の主予測演算は、図５に示すように、第一生産対象物Ｗの事後処理および第二生産対象物Ｗの事前処理の最中に行われる。なお、３つの使用予測器Ａ，Ｂ，Ｃによる個別の主予測演算は、図５に示すように順次行うようにしてもよいし、図１１に示すように並列に行ってもよい。また、個別の主予測演算による予測結果は、予測結果記憶部４５に記憶される。

続いて、総合的な主予測演算部５３が、３つの使用予測器Ａ，Ｂ，Ｃの予測結果に基づいて、総合的な主予測演算をリアルタイムで行う（Ｓ１５）。ここで、図１２を参照して、総合的な主予測演算の方法の一例を説明する。

総合的な主予測演算部５３は、各使用予測器Ａ−Ｃの予測結果である良品確率Ａｒ−Ｃｒと、重付係数記憶部４４に記憶された重付係数Ａｋ−Ｃｋとに基づいて、予測値Ｚ１−Ｚ３を算出する。重付係数Ａｋ−Ｃｋは、３つの使用予測器Ａ−Ｃの予測精度Ｑ_Ａ−Ｑ_Ｃに応じて設定された指標である。予測値Ｚ１−Ｚ３は、良品確率Ａｒ−Ｃｒに対して、対応する重付係数Ａｋ−Ｃｋを乗じた数値を、重付係数Ａｋ−Ｃｋの合計値（Ａｋ＋Ｂｋ＋Ｃｋ）で除した数値である。

次に、総合的な主予測演算部５３は、各使用予測器Ａ−Ｃの予測値Ｚ１−Ｚ３を合算する。この合算した数値が、解析装置２３として算出した総合的な主予測演算の結果（以下、「総合予測結果」と称する）Ｚである。総合予測結果Ｚが予め定められた水準を満たしていた場合、クランクシャフトが良品であると判定し、総合予測結果Ｚが予め定められた水準を満たしていない場合には、クランクシャフトが不良品であると判定する。また、総合的な主予測演算による予測結果は、予測結果記憶部４５に記憶される。

続いて、個別の主予測演算部５２が、各使用予測器Ａ−Ｃの予測結果（ｃ）と、総合予測結果（ｄ）とを比較して、各使用予測器Ａ−Ｃの予測精度Ｑ_Ａ−Ｑ_Ｃを算出する（Ｓ１６）。予測精度Ｑ_Ａ−Ｑ_Ｃの算出は、図１０に示す方法と同様の方法を、使用予測器Ａ−Ｃに適用する。この場合、図１０における検査結果を、総合的な主予測演算の結果に置き換える。そして、算出された予測精度Ｑ_Ａ−Ｑ_Ｃは、予測精度記憶部４７に記憶される。

続いて、副予測演算部５４が、余裕時間が有るか否かを判定する（Ｓ１７）。余裕時間とは、図５に示すように、第一生産対象物Ｗの事後処理および第二生産対象物Ｗの事前処理の最中において、主予測演算（個別の主予測演算および総合的な主予測演算を含む）を行っていない時間である。余裕時間がなければ、副予測演算部５４は、何ら処理せずに、演算部の第一演算処理が終了する。

一方、余裕時間があれば、副予測演算部５４は、予備予測器Ｄ−Ｈの所要時間（図８参照）と余裕時間とを比較する。そして、副予測演算部５４は、予備予測器Ｄ−Ｈの中で、余裕時間より短い所要時間である予備予測器が存在するか否かを判定する（Ｓ１８）。存在しなければ、演算部５０の第一演算処理が終了する。

条件を満たす予備予測器が存在すれば、副予測演算部５４は、該当する予備予測器の中で、予測精度の高い予備予測器を優先して、副予測演算を行う順位を決定する（Ｓ１９）。本実施形態においては、副予測演算部５４は、予測精度の高い複数の予備予測器の中からランダムに順位を決定する（Ｓ１９）。例えば、Ｓ１８の条件を満たす予備予測器が、Ｄ，Ｅ，Ｆ，Ｇ，Ｈである場合に、予測精度が高い上位３つの予備予測器は、Ｆ，Ｇ，Ｈである。そこで、副予測演算部５４は、上位３つの予備予測器Ｆ，Ｇ，Ｈの中からランダムに対象を決定する。ここで、余裕時間の長さによって、決定される対象は、１つの場合もあれば、複数の場合もある。図５には、予備予測器Ｆが対象に決定された場合を示す。

続いて、副予測演算部５４は、余裕時間のときに、決定された予備予測器（例えば、Ｆ）による副予測演算を、リアルタイムで行う（Ｓ２０）。そして、副予測演算による予測結果は、予測結果記憶部４５に記憶される。続いて、副予測演算部５４は、副予測演算を行った予備予測器Ｆの予測結果（ｅ）と、総合予測結果（ｄ）とを比較して、予備予測器Ｆの予測精度を算出する（Ｓ２１）。予測精度の算出は、図１０に示す方法と同様の方法を、予備予測器Ｆに適用する。この場合、図１０における検査結果を、総合予測結果（ｄ）に置き換える。そして、算出された予測精度は、予測精度記憶部４７に記憶される。そして、演算部５０の第一演算処理は、再び、Ｓ１１から開始される。

次に、演算部５０の第二演算処理について、図６および図１３を参照して説明する。第二演算処理は、生産設備１が生産スケジュールに基づいて、稼働時間と、長期の非稼働時間が設定されているときにおける処理である。つまり、演算部５０の第二演算処理は、第一演算処理に比べて、長い時間を対象としている。また、演算部５０の第二演算処理は、副予測演算部５４による処理である。

まず、副予測演算部５４は、生産設備１が稼働開始したかを判断し（Ｓ３１）、生産設備１の稼働中に検出データを取得しておく（Ｓ３２）。続いて、副予測演算部５４は、生産設備１が非稼働中であるかを判断し（Ｓ３３）、継続して稼働中である場合には、再びＳ１からの処理を繰り返す。

生産設備１が非稼働中になると、副予測演算部５４は、予備予測器Ｄ−Ｈの所要時間（図８参照）と非稼働時間とを比較する。そして、副予測演算部５４は、予備予測器Ｄ−Ｈの中で、非稼働時間より短い所要時間である予備予測器が存在するか否かを判定する（Ｓ３４）。存在しなければ、副予測演算部５４は、再びＳ１からの処理を繰り返す。

条件を満たす予備予測器が存在すれば、副予測演算部５４は、該当する予備予測器の中で、演算回数Ｎの少ない方を優先して、副予測演算を行う順位を決定する（Ｓ３５）。続いて、副予測演算部５４は、非稼働時間のときに、決定された予備予測器による副予測演算を行う（Ｓ３６）。そして、副予測演算による予測結果は、予測結果記憶部４５に記憶される。

例えば、図６において１２：００−１３：００の非稼働時間においては、当該非稼働時間より短い所要時間の予備予測器は、Ｆ，Ｈであるとする。この中で演算回数Ｎが少ない予備予測器は、Ｈであるため、予備予測器Ｈによる副予測演算が、当該非稼働時間のときに行われる。

また、図６において１８：００−７：００の非稼働時間においては、当該非稼働時間より短い所要時間の予備予測器は、Ｄ，Ｅ，Ｆ，Ｇ，Ｈであるとする。この中で演算回数Ｎが少ない順は、Ｅ，Ｄ，Ｇ，Ｈである。そこで、演算回数Ｎの少ない順に、副予測演算が行われる。なお、予備予測器Ｆは、第一演算処理における副予測演算が何度も行われているため、演算回数が多くなっている（図５参照）。そこで、予備予測器Ｆは、非稼働時間において副予測演算を行っていない。もちろん、予備予測器Ｆについての副予測演算を非稼働時間に行うようにしてもよい。また、非稼働時間において副予測演算を行う順位は、演算部５０の第一演算処理における副予測演算を行う順位と同様に決定してもよい。

続いて、副予測演算部５４は、副予測演算を行った予備予測器Ｈ，Ｇ，Ｄ，Ｅの予測結果（ｅ）と、総合予測結果（ｄ）とを比較して、予備予測器Ｈ，Ｇ，Ｄ，Ｅの予測精度Ｑ_Ｈ，Ｑ_Ｇ，Ｑ_Ｄ，Ｑ_Ｅを算出する（Ｓ３７）。予測精度Ｑ_Ｈ，Ｑ_Ｇ，Ｑ_Ｄ，Ｑ_Ｅの算出は、図１０に示す方法と同様の方法を、予備予測器Ｈ，Ｇ，Ｄ，Ｅに適用する。この場合、図１０における検査結果を、総合予測結果（ｄ）に置き換える。そして、算出された予測精度は、予測精度記憶部４７に記憶される。そして、演算部５０の第二演算処理は、再び、Ｓ３１から開始される。

設定値更新演算部５５の処理について、図６および図１４を参照して説明する。設定値更新演算部５５は、検出データの追加蓄積量が所定値以上に達したかを判定する（Ｓ４１）。追加蓄積量が所定値以上に達していなければ、達するまで処理を継続する。

続いて、設定値更新演算部５５は、生産設備１が非稼働中であるかを判断し（Ｓ４２）、既存の検出データと追加の検出データを入力する（Ｓ４３）。検出データは、取得データ記憶部４８に記憶されている。続いて、設定値更新演算部５５は、良否の結果を入力する（Ｓ４４）。良否の結果とは、検査結果（ａ）または総合的な主予測演算の結果（ｄ）を意味する。続いて、設定値更新演算部５５は、検出データと良否の結果（ａ，ｄ）を用いて、各予備予測器Ｄ−Ｈのパラメータの再設定を行う（Ｓ４５）。再設定された各予備予測器Ｄ−Ｈのパラメータは、予測器パラメータ記憶部４２に記憶される。

続いて、設定値更新演算部５５は、検出データに基づく各予備予測器Ｄ−Ｈによる予測演算を行う（Ｓ４６）。予備予測器Ｄ−Ｈによる予測演算を行う際には、再設定されたパラメータを用いて行われる。予備予測器Ｄ−Ｈの予測結果は、予測結果記憶部４５に記憶される。続いて、設定値更新演算部５５は、各予備予測器Ｄ−Ｈの予測結果（ｅ）と良否の結果（ａ，ｄ）とを比較して、各予備予測器Ｄ−Ｈの予測精度Ｑ_Ｄ−Ｑ_Ｈを算出する（Ｓ４７）。算出された予測精度Ｑ_Ｄ−Ｑ_Ｈは、予測精度記憶部４７に記憶される。

入れ替え処理部５６は、使用予測器と不使用予測器との入れ替えを行う。入れ替え処理部５６は、主予測演算が行われていないときに、入れ替え処理を行う。入れ替え処理部５６は、例えば、図５に示す稼働中における余裕時間に行うこともできるし、図６に示す非稼働時間に行うこともできる（図６には不図示）。ここで、予備予測器Ｄ−Ｈの予測精度Ｑ_Ｄ−Ｑ_Ｈは、上記のようにして算出される。その結果、図４に示すように、時刻Ｔ２のときに、予備予測器Ｆの予測精度Ｑ_Ｆが、使用予測器Ｃの予測精度Ｑ_Ｃより高くなるとする。この場合、予測精度の高い上位３つの予測器は、Ａ，Ｂ，Ｆとなる。そのため、入れ替え処理部５６は、使用予測器として、予測器Ａ，Ｂ，Ｆを選択する。そこで、図４の時刻Ｔ３以降において、使用予測器Ａ，Ｂ，Ｆによる個別の主予測演算が行われる（図１１のＳ１２−Ｓ１４）。

ここで、上記においては、入れ替え処理部５６は、予測精度の高い上位３つの予測器を使用予測器とした。ただし、使用予測器と予備予測器との入れ替えは、現在の予備予測器の予測精度が、現在の使用予測器の予測精度より所定値αだけ高くなった場合に行うようにしてもよい。これにより、使用予測器が頻繁に入れ替わることを抑制できる。

なお、入れ替え処理部５６は、稼働中における主予測演算が行われているときに行うこともできる。ただし、この場合には、入れ替えたときの予測精度が急に変化することを抑制するために、予測器の種類を同じ分類のものにすることで、予測精度の変化を抑制できる。

（１−５．効果）
上述したように、使用予測器Ａ−Ｃによる主予測演算を行っている演算部５０が、予備予測器Ｄ−Ｈによる副予測演算を行っている。従って、新たな専用設備を必要とせずに、予備予測器Ｄ−Ｈの評価が可能となる。その結果、予備予測器Ｄ−Ｈの予測精度Ｑ_Ｄ−Ｑ_Ｈの信頼性が向上するため、環境が変化した場合にも、当該環境に好適な解析手法に入れ替えることが可能となる。

また、演算部５０は、使用予測器Ａ−Ｃによる主予測演算を行っていないときに、予備予測器Ｄ−Ｈによる副予測演算を行っている。そのため、副予測演算が、使用予測器による主予測演算に影響を与えることはない。つまり、副予測演算を行いながらも、主予測演算をリアルタイムに行うことができる。

また、演算部５０は、図５および図１１に示すように、第一生産対象物Ｗの生産処理の最中に生産設備１に関する検出データを取得し、第一生産対象物Ｗの事後処理および第二生産対象物Ｗの事前処理の最中に主予測演算を行い、同処理の最中において主予測演算を行っていない余裕時間（主予測演算を行っていないときの連続時間）に副予測演算を行っている。これにより、確実に、予備予測器Ｄ−Ｈの副予測演算を多く行うことができる。

この場合、演算部５０は、余裕時間と複数の予備予測器Ｄ−Ｈの所要時間Ｔ_Ｄ−Ｔ_Ｈとに基づいて、余裕時間より短い所要時間Ｔ_Ｄ−Ｔ_Ｈを有する予備予測器Ｄ−Ｈについて、副予測演算を行うようにしている。これにより、効率的に余裕時間を利用でき、副予測演算を多く行うことができる。

また、演算部５０は、図６および図１３に示すように、生産設備１が稼働していないとき（主予測演算を行っていないときの連続時間）に、副予測演算を行っている。長時間の非稼働時間を有効に利用することで、確実に、予備予測器Ｄ−Ｈの副予測演算を多く行うことができる。

この場合、演算部５０は、生産設備１の非稼働時間と複数の予備予測器Ｄ−Ｈの所要時間Ｔ_Ｄ−Ｔ_Ｈとに基づいて、非稼働時間より短い所要時間Ｔ_Ｄ−Ｔ_Ｈを有する予備予測器Ｄ−Ｈについて、副予測演算を行うようにしている。これにより、効率的に非稼働時間を利用でき、副予測演算を多く行うことができる。

また、演算部５０は、図５および図１１に示すように、第一演算処理において、複数の予備予測器Ｄ−Ｈについて、予測精度Ｑ_Ｄ−Ｑ_Ｈの高い予測器を優先に副予測演算を行っている。これにより、短期の余裕時間をより効率的に利用することができる。

これとは別に、演算部５０は、図６および図１３に示すように、第二演算処理において、複数の予備予測器Ｄ−Ｈについて、予測演算の回数Ｎ_Ｄ−Ｎ_Ｈの少ない予測器を優先に副予測演算を行っている。これにより、短期の余裕時間において副予測演算を行うことができなかった予備予測器について、長期の非稼働時間を利用して副予測演算を確実に行うことができる。

また、演算部５０は、図６および図１４に示すように、主予測演算を行っていないときに、新たに取得した生産設備１に関する検出データに基づいて予備予測器Ｄ−Ｈについてのパラメータの再設定を行うようにした。これにより、予備予測器Ｄ−Ｈを現在の状況により適合させることにより、予備予測器Ｄ−Ｈの予測精度Ｑ_Ｄ−Ｑ_Ｈをより向上させることができる。

ここで、予測器Ａ−Ｈのパラメータの初期設定は、検査結果を用いて行った。検査結果を用いることで、予測器Ａ−Ｈの確実な評価が可能となる。ただし、生産設備１を稼働開始した後には、生産対象物Ｗの全数検査を行わないこともある。そうすると、検査結果を取得することができない。

本実施形態においては、複数の使用予測器Ａ−Ｃを用いて、総合的な主予測演算を行っている。そこで、検査結果に代えて、総合的な主予測演算の結果（総合予測結果）を用いて、予備予測器Ｄ−Ｈのパラメータの再設定を行うようにした。これにより、生産対象物Ｗの全数検査を行わない場合であっても、パラメータの再設定に用いる情報を多く取得できる。その結果、予備予測器Ｄ−Ｈの予測精度Ｑ_Ｄ−Ｑ_Ｈの向上につながる。ただし、総合予測結果がある程度高精度な結果である状態であることが必要となる。

また、予測器Ａ−Ｈの予測精度Ｑ_Ａ−Ｑ_Ｈの初期値は、パラメータの初期設定と同様に、検査結果と比較して行った。検査結果と比較することで、予測器Ａ−Ｈの確実な予測精度Ｑ_Ａ−Ｑ_Ｈを得ることができる。ただし、生産設備１を稼働開始した後には、上述したように、生産対象物Ｗの全数検査を行わないこともある。そうすると、検査結果を取得することができない。

そこで、本実施形態においては、検査結果に代えて、総合予測結果を用いて、使用予測器Ａ−Ｃの予測精度Ｑ_Ａ−Ｑ_Ｃおよび予備予測器Ｄ−Ｈの予測精度Ｑ_Ｄ−Ｑ_Ｈの算出を行うようにした。これにより、生産対象物Ｗの全数検査を行わない場合であっても、予測精度Ｑ_Ａ−Ｑ_Ｈの算出が可能となる。その結果、使用予測器Ａ−Ｃおよび予備予測器Ｄ−Ｈの予測精度Ｑ_Ａ−Ｑ_Ｈの信頼性が向上する。ただし、この場合も、総合予測結果がある程度高精度な結果である状態であることが必要となる。

（２．第二実施形態）
上述した解析装置２３を用いた解析システムについて、図１５および図１６を参照して説明する。解析システム１００は、複数の生産設備１ａ，１ｂ，１ｃを備える。複数の生産設備１ａ，１ｂ，１ｃは、第一実施形態の生産設備１に相当する。そして、生産設備１ａ，１ｂ，１ｃは、第一解析装置２３ａ，２３ｂ，２３ｃを備える。ここで、第一解析装置２３ａ，２３ｂ，２３ｃは、第一実施形態の解析装置２３と同様の構成を有している。

解析システム１００は、第二解析装置２を備える。第二解析装置２と第一解析装置２３ａ，２３ｂ，２３ｃとは、データ通信可能となるように伝送路３を介してネットワーク接続されている。第二解析装置２は、生産設備１ａ，１ｂ，１ｃとは別体の外部コンピュータやサーバなどである。

解析システム１００は、エッジコンピューティングを構築することができる。エッジコンピューティングは、狭い領域でネットワーク接続されたシステムであり、データの発生源に近いところでデータ処理を行うことが可能なシステムである。エッジコンピューティングにより構築される第二解析装置２は、例えば、複数の生産設備１ａ，１ｂ，１ｃを統括するサーバ（エッジサーバなどと称する）などを用いることができる。

また、解析システム１００は、フォグコンピューティングを構築することができる。フォグコンピューティングは、エッジコンピューティングと比較して、広い領域でネットワーク接続されたシステムである。フォグコンピューティングは、例えば、同一の建物内または近隣の建物内（所定領域内）に設置される。

また、解析システム１００は、設置場所を問わないクラウドコンピューティングを構築することができるようにしてもよい。クラウドコンピューティングは、フォグコンピューティングと比較して、広い領域でネットワーク接続されたシステムである。

つまり、フォグコンピューティングを構築するネットワークにおけるデータ伝送速度は、クラウドコンピューティングを構築するネットワークにおけるデータ伝送速度より、各段に早い。従って、フォグコンピューティングを構築するネットワークにおいては、クラウドコンピューティングと比較して、短時間に大量のデータ伝送が可能となる。また、エッジコンピューティングを構築するネットワークにおけるデータ伝送速度は、フォグコンピューティングを構築するネットワークにおけるデータ伝送速度より、さらに早い。従って、エッジコンピューティングを構築するネットワークにおいては、フォグコンピューティングと比較して、短時間に大量のデータ伝送が可能となる。

ところで、接続されている生産設備１ａ，１ｂ，１ｃの数が、エッジコンピューティングでは少なくなり、クラウドコンピューティングでは多くなり、フォグコンピューティングでは両者の中間となる。そこで、リアルタイムに処理を行う場合には、エッジコンピューティングが好ましく、大量の種類のデータを処理する場合には、クラウドコンピューティングが好ましく、ある程度のリアルタイム性を確保しつつ、多くの種類のデータを処理する場合には、フォグコンピューティングが好ましい。

第二解析装置２は、図１６に示すように、第一解析装置２３ａ（第一実施形態の解析装置２３）に類似した構成を有している。第二解析装置２は、インターフェース６０、第二記憶部７０および第二演算部８０を備える。インターフェース６０は、伝送路３により、第一解析装置２３ａ，２３ｂ，２３ｃのインターフェース３０（図２に示す）と接続されている。

第二記憶部７０は、第二予測器記憶部７１、第二予測器パラメータ記憶部７２、第二予測器情報記憶部７３、第二予測結果記憶部７４、第二検査結果記憶部７５、第二予測精度記憶部７６、および、第二取得データ記憶部７７を備える。

第二予測器記憶部７１、第二予測器パラメータ記憶部７２、第二予測器情報記憶部７３、第二予測結果記憶部７４、第二検査結果記憶部７５、第二予測精度記憶部７６、および、第二取得データ記憶部７７は、第一解析装置２３ａ，２３ｂ，２３ｃにおける予測器記憶部４１、予測器パラメータ記憶部４２、予測器情報記憶部４３、予測結果記憶部４５、検査結果記憶部４６、予測精度記憶部４７、および、取得データ記憶部４８と実質的に同様である。また、対応する両者は、相互にデータを共有している。つまり、第一解析装置２３ａ，２３ｂ，２３ｃと第二解析装置２との一方におけるデータが変更された場合には、他方におけるデータも変更される。

また、第二取得データ記憶部７７には、第一解析装置２３ａ，２３ｂ，２３ｃの取得データ記憶部４８と完全に同一の検出データを記憶することもできる。ただし、複数の検出器１２ｂ，１４ｃ，１４ｄ，１５ｂ，１６，１７，１８ｃの検出データは、サンプリング時間によるが、非常に大きなデータ量となる。

そこで、検出データのデータ量が多い場合には、第二取得データ記憶部７７は、第一解析装置２３ａ，２３ｂ，２３ｃの取得データ記憶部４８に記憶される検出データの中から一部の検出データを取得して記憶することもできる。主軸の振動を検出する検出器（振動センサ）１２ｂの検出データを例に挙げると、検出器１２ｂの検出データは振動データであり、第二取得データ記憶部７７が取得する一部の検出データは、振動データの所定周波数帯のピーク値などである。これにより、伝送路３におけるデータ量が大幅に減少し、第二解析装置２が早期に検出データを取得することができる。

また、検出データのデータ量が多い場合には、第二解析装置２は、第一解析装置２３ａ，２３ｂ，２３ｃから、検出データを圧縮したデータを取得するようにしてもよい。この場合、第二解析装置２は、全ての検出データを圧縮したデータを取得してもよいし、一部の検出データを圧縮したデータを取得してもよい。これにより、伝送路３におけるデータ量が大幅に減少し、第二解析装置２が早期に検出データを取得することができる。

第二解析装置２の第二演算部８０は、第一解析装置２３ａ，２３ｂ，２３ｃの演算部５０とは独立した処理が可能である。つまり、第二演算部８０は、演算部５０による演算処理と並列に、かつ、演算部５０の処理速度に何ら影響を与えることなく、処理可能である。第二演算部８０は、第二副予測演算部８１および第二設定値更新演算部８２を備える。第二副予測演算部８１および第二設定値更新演算部８２は、第一解析装置２３ａ，２３ｂ，２３ｃにおける副予測演算部５４および設定値更新演算部５５と実質的に同様である。

つまり、第二副予測演算部８１は、第二記憶部７０に記憶された情報に基づいて、予備予測器Ｄ−Ｈを用いて、良否に関する第二副予測演算（副予測演算部５４の副予測演算に相当）を行う。そして、第二副予測演算による予測結果は、第二予測結果記憶部７４に記憶される。続いて、第二副予測演算部８１は、第二副予測演算を行った予備予測器Ｄ−Ｈの予測結果と、総合予測結果（第一解析装置２３ａ，２３ｂ，２３ｃの総合的な主予測演算部５３による予測結果）とを比較して、予備予測器Ｄ−Ｈの予測精度Ｑ_Ｄ−Ｑ_Ｈを算出する。そして、算出された予測精度は、第二予測精度記憶部７６に記憶される。

第二設定値更新演算部８２は、既存の検出データと追加の検出データを入力し、さらに良否の結果を入力する。良否の結果とは、検査結果または総合的な主予測演算の結果を意味する。続いて、第二設定値更新演算部８２は、検出データと良否の結果を用いて、各予備予測器Ｄ−Ｈのパラメータの再設定を行う。再設定された各予備予測器Ｄ−Ｈのパラメータは、第二予測器パラメータ記憶部７２に記憶される。

続いて、第二設定値更新演算部８２は、検出データに基づく各予備予測器Ｄ−Ｈによる予測演算を行う。予備予測器Ｄ−Ｈによる予測演算を行う際には、再設定されたパラメータを用いて行われる。予備予測器Ｄ−Ｈの予測結果は、第二予測結果記憶部７４に記憶される。続いて、第二設定値更新演算部８２は、各予備予測器Ｄ−Ｈの予測結果と良否の結果とを比較して、各予備予測器Ｄ−Ｈの予測精度Ｑ_Ｄ−Ｑ_Ｈを算出する。算出された予測精度は、第二予測精度記憶部７６に記憶される。

本実施形態によれば、第二解析装置２の第二演算部８０が、第一解析装置２３ａ，２３ｂ，２３ｃの演算部５０とは独立した処理が可能であり、予備予測器Ｄ−Ｈを用いて、良否に関する第二副予測演算を行っている。従って、第一解析装置２３ａ，２３ｂ，２３ｃによる主予測演算をリアルタイムに行いながら、第二解析装置２にて、予備予測器Ｄ−Ｈによる第二副予測演算を行うことができる。これにより、確実に、予備予測器Ｄ−Ｈの予測精度Ｑ_Ｄ−Ｑ_Ｈの信頼性を向上させることができる。

また、第二記憶部７０は、第一解析装置２３ａ，２３ｂ，２３ｃが取得する生産設備１に関する検出データの中から一部の検出データを取得して記憶している。そして、第二演算部８０は、一部の検出データに基づいて第二副予測演算を行っている。そのため、第二解析装置２の第二演算部８０は、リアルタイムに処理が可能となり、かつ、予備予測器Ｄ−Ｈによる第二副予測演算をより多くの回数行うことができる。

また、第二演算部８０は、新たに取得した生産設備１に関する検出データに基づいて予備予測器Ｄ−Ｈについてのパラメータの再設定を行うようにしている。パラメータの再設定は、副予測演算に比べると多くの時間を要する。そこで、第二解析装置２の第二演算部８０がパラメータの再設定を行うことで、より早期に、適切なパラメータの再設定が可能となる。その結果、予備予測器Ｄ−Ｈの予測精度Ｑ_Ｄ−Ｑ_Ｈが向上し、使用予測器Ａ−Ｃの入れ替えがより適切に行われる。

また、第一解析装置２３ａ，２３ｂ，２３ｃおよび第二解析装置２は、両者間において予測器Ａ〜Ｈの何れかの予測モデルのデータを送受信することができる。この場合、第一解析装置２３ａ，２３ｂ，２３ｃおよび第二解析装置２のそれぞれが、パラメータ等の再設定を行うことができる。そして、オペレータは、第一解析装置２３ａ，２３ｂ，２３ｃまたは第二解析装置２にて、パラメータ等の確認を行うことができる。また、第一解析装置２３ａ，２３ｂ，２３ｃに外部パーソナルコンピュータ等を接続し、第一解析装置２３ａ，２３ｂ，２３ｃと外部パーソナルコンピュータ等との間で、第一解析装置２３ａ，２３ｂ，２３ｃの予測器Ａ〜Ｈのパラメータや予測モデルのデータを送受信することができる。この場合、外部パーソナルコンピュータが、パラメータ等の再設定を行うことができる。そして、オペレータは、外部パーソナルコンピュータにて、パラメータ等の確認を行うことができる。

（３．その他）
上記実施形態において、複数の使用予測器Ａ−Ｃを用いて総合的な主予測演算を行うこととした。これにより、高い予測精度の結果を得ることができる。ただし、１つの使用予測器のみの主予測演算の結果をそのまま、良否の結果としてもよい。この場合は、当該１つの使用予測器の予測精度が非常に高いことが求められる。

１，１ａ，１ｂ，１ｃ：生産設備（研削盤）、 ２：第二解析装置、 ３：伝送路、 １２ｂ，１４ｃ，１４ｄ，１５ｂ，１６，１７，１８ｃ：検出器、 ２１：ＣＮＣ装置、 ２３：解析装置、 ２３ａ，２３ｂ，２３ｃ：第一解析装置、 ４０：記憶部、 ５０：演算部、 ７０：第二記憶部、 ８０：第二演算部、 １００：解析システム、 Ａ−Ｈ：予測器（使用予測器、予備予測器）、 Ｔ_Ａ−Ｔ_Ｈ：所要時間、 Ｗ：生産対象物（第一生産対象物、第二生産対象物、クランクシャフト）

Claims (15)

1. 生産設備の状態の良否または前記生産設備により生産される生産対象物の状態の良否に関する予測を行う解析装置であって、
   前記生産設備に関するデータに基づいて前記良否に関する予測を異なる解析手法を用いて行う複数の予測器を記憶する記憶部と、
   前記生産設備の稼働中に、前記複数の予測器の中から前記良否に関する予測を行うために選択された１以上の使用予測器を用いて、前記良否に関する予測としての主予測演算をリアルタイムで行う演算部と、
   を備え、
   前記演算部は、
   前記主予測演算を行ってから次の前記主予測演算を行うまでの間に、前記複数の予測器の中から選択されなかった１以上の予備予測器を用いて、前記使用予測器を入れ替えるために前記良否に関する副予測演算を行うと共に、
   前記予備予測器の予測精度が前記使用予測器の予測精度よりも高い場合に、前記使用予測器を、現在選択されている前記使用予測器としての予測器から前記予備予測器に入れ替える処理を行う、解析装置。
2. 前記記憶部は、前記複数の予測器のそれぞれが予測演算に必要とする所要時間の情報をさらに記憶し、
   前記演算部は、前記主予測演算を行ってから次の前記主予測演算を行うまでの連続時間と複数の前記予備予測器の前記所要時間とに基づいて、前記連続時間より短い前記所要時間を有する前記予備予測器について、前記副予測演算を行う、請求項１に記載の解析装置。
3. 前記生産設備は、複数の前記生産対象物を順次連続生産し、１つの前記生産対象物について事前処理、生産処理および事後処理を１サイクルとして行い、
   前記演算部は、
   第一生産対象物の生産処理の最中に前記生産設備に関するデータを取得し、
   前記第一生産対象物の前記事後処理および前記第一生産対象物の次の第二生産対象物の前記事前処理の最中に前記主予測演算を行い、
   前記第一生産対象物の前記事後処理および前記第二生産対象物の前記事前処理の最中において前記主予測演算を行っていない余裕時間に前記副予測演算を行う、請求項１に記載の解析装置。
4. 前記記憶部は、前記複数の予測器のそれぞれが予測演算に必要とする所要時間の情報をさらに記憶し、
   前記演算部は、前記余裕時間と複数の前記予備予測器の前記所要時間とに基づいて、前記余裕時間より短い前記所要時間を有する前記予備予測器について、前記副予測演算を行う、請求項３に記載の解析装置。
5. 前記演算部は、前記生産設備が稼働していないときに、前記副予測演算を行う、請求項１に記載の解析装置。
6. 前記生産設備は、生産スケジュールに基づいて稼働時間および非稼働時間が設定されており、
   前記記憶部は、前記複数の予測器のそれぞれが予測演算に必要とする所要時間の情報をさらに備え、
   前記演算部は、前記非稼働時間と複数の前記予備予測器の前記所要時間とに基づいて、前記非稼働時間より短い前記所要時間を有する前記予備予測器について、前記副予測演算を行う、請求項５に記載の解析装置。
7. 前記記憶部は、前記複数の予測器のそれぞれの予測精度をさらに記憶し、
   前記演算部は、複数の前記予備予測器について、前記予測精度の高い予測器を優先に前
   記副予測演算を行う、請求項２、４、６の何れか一項に記載の解析装置。
8. 前記記憶部は、前記複数の予測器のそれぞれによる予測演算の回数をさらに記憶し、
   前記演算部は、複数の前記予備予測器について、予測演算の前記回数の少ない予測器を優先に前記副予測演算を行う、請求項２、４、６、７の何れか一項に記載の解析装置。
9. 前記複数の予測器は、前記生産設備に関するデータおよび予め設定されるパラメータに基づいて前記良否に関する予測を行い、
   前記演算部は、前記主予測演算を行っていないときに、新たに取得した前記生産設備に関するデータに基づいて前記予備予測器についての前記パラメータの再設定を行う、請求項１−８の何れか一項に記載の解析装置。
10. 前記演算部は、
    複数の前記使用予測器のそれぞれを用いて前記良否に関する個別の前記主予測演算をリアルタイムで行い、かつ、前記個別の前記主予測演算の結果に基づいて前記良否に関する総合的な前記主予測演算をリアルタイムで行い、
    前記副予測演算の結果と前記総合的な前記主予測演算の結果とに基づいて、両者が一致する場合に前記予備予測器による前記予測精度が高くなるように評価し、両者が一致しない場合に前記予備予測器による前記予測精度が低くなるように評価する、請求項１−９の何れか一項に記載の解析装置。
11. 前記演算部は、
    前記使用予測器の前記個別の前記主予測演算の結果を前記総合的な前記主予測演算の結果と比較して、両者が一致する場合に前記使用予測器による前記予測精度が高くなるように評価し、両者が一致しない場合に前記使用予測器による前記予測精度が低くなるように評価する、請求項１０に記載の解析装置。
12. 生産設備の状態の良否または前記生産設備により生産される生産対象物の状態の良否に関する予測を行う解析装置であって、
    前記生産設備に関するデータに基づいて前記良否に関する予測を異なる解析手法を用いて行う複数の予測器を記憶する記憶部と、
    前記生産設備の稼働中に、前記複数の予測器の中から選択された１以上の使用予測器を用いて、前記良否に関する主予測演算をリアルタイムで行う演算部と、
    を備え、
    前記演算部は、
    前記主予測演算を行っていないときに、前記複数の予測器の中から選択されなかった１以上の予備予測器を用いて、前記良否に関する副予測演算を行うと共に、
    前記使用予測器の予測精度および前記予備予測器の予測精度に基づいて、前記使用予測器と前記予備予測器との入れ替え処理を行い、
    複数の前記使用予測器のそれぞれを用いて前記良否に関する個別の前記主予測演算をリアルタイムで行い、かつ、前記個別の前記主予測演算の結果に基づいて前記良否に関する総合的な前記主予測演算をリアルタイムで行い、
    前記副予測演算の結果と前記総合的な前記主予測演算の結果とに基づいて、両者が一致する場合に前記予備予測器による前記予測精度が高くなるように評価し、両者が一致しない場合に前記予備予測器による前記予測精度が低くなるように評価する、解析装置。
13. 請求項１−１２の何れか一項に記載の前記解析装置である第一解析装置と、
    前記第一解析装置とデータ通信可能にネットワーク接続された第二解析装置と、
    を備え、
    前記第二解析装置は、
    前記生産設備に関するデータを前記第一解析装置から取得して記憶すると共に、前記複数の予測器を記憶する第二記憶部と、
    前記第一解析装置の前記演算部とは独立した処理が可能であり、前記第二記憶部に記憶されている前記予備予測器を用いて、前記使用予測器を入れ替えるために前記良否に関する第二副予測演算を行う第二演算部と、
    を備える、解析システム。
14. 前記第二記憶部は、前記第一解析装置が取得する前記生産設備に関するデータの中から一部のデータを取得して記憶し、
    前記第二演算部は、前記一部のデータに基づいて前記第二副予測演算を行う、請求項１３に記載の解析システム。
15. 前記複数の予測器は、前記生産設備に関するデータおよび予め設定されるパラメータに基づいて前記良否に関する予測を行い、
    前記第二演算部は、新たに取得した前記生産設備に関するデータに基づいて前記予備予測器についての前記パラメータの再設定を行う、請求項１３または１４に記載の解析システム。

Images