JP7062577B2 - 製造条件特定システムおよび方法 - Google Patents
製造条件特定システムおよび方法 Download PDFInfo
- Publication number
- JP7062577B2 JP7062577B2 JP2018218491A JP2018218491A JP7062577B2 JP 7062577 B2 JP7062577 B2 JP 7062577B2 JP 2018218491 A JP2018218491 A JP 2018218491A JP 2018218491 A JP2018218491 A JP 2018218491A JP 7062577 B2 JP7062577 B2 JP 7062577B2
- Authority
- JP
- Japan
- Prior art keywords
- manufacturing
- data
- manufacturing condition
- model
- quality
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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], computer integrated manufacturing [CIM]
- G05B19/41885—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], computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
-
- 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], computer integrated manufacturing [CIM]
- G05B19/4184—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], computer integrated manufacturing [CIM] characterised by fault tolerance, reliability of production system
-
- 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], computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32201—Build statistical model of past normal proces, compare with actual process
-
- 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]
Description
図1~図20を用いて、本発明の実施の形態の製造条件特定システムについて説明する。実施の形態の製造条件特定システムは、計算機上で、モデルおよび学習を用いて、対象の製造フローの製造状態の変化に対応した好適な製造条件を特定するシステムである。実施の形態の製造条件特定方法は、実施の形態の製造条件特定システムにおいて実行されるステップを有する方法である。
図1は、実施の形態の製造条件特定システムの構成を示す。実施の形態の製造条件システムは、計算機1によって実装されている。計算機1は、一般的なPC等で構成できる。計算機1は、他に、通信網上のサーバ装置等で構成されてもよい。計算機1は、ソフトウェアプログラム処理によって特徴的な機能を実現する。ユーザは、計算機1を操作して、製造条件特定等の作業を行う。ユーザは、例えば、製造システムや機械学習に関する専門知識を持つシステムエンジニア(SE)等の人である。
図2は、製造フローおよびモデル(図4のモデル50)の構成例を示す。図2の上側には製造フローの概要を示し、下側にはその製造フローに基づいて構築されるモデルの例として因果関係モデルの概要を示す。製造フローは、上流から下流への複数の工程(=製造工程)から構成され、本例では、4個の工程として、工程#1,#2,#3,#4=#Lを有する。本例では、最後の工程#Lは、品質検査工程である。各工程には、1つ以上の製造装置や1つ以上のセンサが関係付けられて設けられている。品質検査工程には、検査装置やセンサが設けられており、検査結果データとして品質データを出力する。例えば、工程#1は、製造装置#1,#2を有する。製造装置#1は、工程#1での製造を、設定されている製造条件に従って制御および実行する。製造装置#1は、例えばセンサA,Bを備える。センサAは、工程#1での製造装置#1による製造の際に、所定のパラメータ値を検出し、観測データとして出力する。同様に、各工程に製造装置やセンサが設けられており、それらは工程の順序等に従って接続されている。このような製造フローの構成は、製造システムで製造フロー構成情報として管理されている。
図3は、実施の形態の製造条件特定システムにおける、計算機1の制御部30による製造条件特定処理を含む処理フローを示す。図3の処理フローは、ステップS1~S9を有する。図4は、図3の各ステップと対応させて、各データや制御部30の機能ブロックの構成を示す。以下、図3と併せて図4を参照しながらステップの順に処理を説明する。
図5は、図3の処理フローのうちステップS8の部分空間特定部35による部分空間変換処理の処理フローを示す。図5の処理フローは、ステップS10~S15を有する。
製造状態変化の例については以下が挙げられる。製造システムの製造フローを構成する各製造工程の製造装置等に対しては、作業者によって保守作業が行われる場合がある。この場合に、その保守のイベント(対応するイベント時刻)の前後で、その製造装置等の内部または外部の物理的な状態、例えば電流等のパラメータの値が、一定値ではなく、変化する場合がある。この製造状態変化に応じて、最適な製造条件が変化している可能性がある。製造状態変化後にも変化前と同じ製造条件を適用し続けて操業を行った場合、変化後に製造される製品の品質が低下している可能性がある。すなわち、製造状態変化に応じて、好適な製造条件は内部的に変化している可能性があり、変化後の好適な製造条件を特定することが必要である。そこで、実施の形態の製造条件特定システムは、このような製造状態変化に対応させて、モデルおよび学習モデルを構築し、変化後の次時刻に対応した好適または最適な製造条件を特定する機能を有している。
図6~図10は、製造条件特定システムにおける、計算機1の表示部20によって表示装置の表示画面に表示される主な画面例を示す。この画面例は、図6のモデル構築画面、図7の製造条件画面、図8の品質画面、図9の結果画面、図10のモデル構築設定画面、等がある。
図6のモデル構築画面は、モデル50の情報を表示するための、1つ以上のモデル表示領域210を含む。図6の例では、複数(N)のモデルのうち3個のモデルに対応する3つのモデル表示領域210の部分を示している。モデル表示領域210は、モデル構築部31が得たモデルの構成をモデル表示部21によってグラフィカルに表示する領域である。モデル表示領域210は、領域213、設定(Setting)ボタン211、構築(Build)ボタン212、ラベル214を含む。領域213には、1つのモデルが表示される。ラベル214には、モデル毎のラベルとして番号や名前等が表示される。
図6のモデル構築画面で、ユーザが設定ボタン211を押した場合、図10のモデル構築設定画面が、ポップアップ等で表示される。図10のモデル構築設定画面は、モデル50の構築に係わる情報をユーザが入力、設定するための画面例を示す。この画面例は、因果関係モデルを用いる場合の画面例であるが、他の方式のモデルを用いる場合には、その方式に対応する設定画面が提供される。この画面は、使用データの設定欄261や、因果関係モデル構築条件の設定欄262を有する。設定欄261は、因果関係モデルを構築する際に使用するデータ(例えば製造フローからモニタするデータ)である製造条件データ等を、例えばファイルを参照する方式等によって設定可能である。設定欄262は、因果関係モデルを構築する際の条件を、条件の設定ファイルを参照する方式や、Viewer(別の設定画面)上で確認しながら設定する方式等を用いて、設定可能である。Viewer上で設定する方式の場合、因果関係モデルの場合に一般的に用いられる、離散化手法、構造学習アルゴリズム、制約条件の使用の有無等を、選択枝から選択する方式で設定できる。これらの方式は公知技術を用いることができる。
図7の製造条件画面は、製造条件表示領域220と、部分空間表示領域230とを含む。製造条件表示領域220は、製造条件データ記憶部41に記憶されている取得済みの製造条件データを表示する領域である。製造条件表示領域220は、例えば表形式であり、項目の列として、時刻と、複数の製造条件データとを含む。「時刻」項目は、取得時刻である時刻Tに対応しており、時系列の順序で値が格納されている。例えば最新の取得時刻が時刻Tnである。製造条件データ項目221には、複数の各々の製造条件データのデータ項目が表示される。ここでは、製造条件データの数をmとし、例えばm=304の場合を示す。
図8の品質画面は、製品収率表示領域240を含む。製品収率表示領域240は、品質データ記憶部42に記憶されている品質データを、製品収率に換算して時系列順に並べたグラフのデータが表示される領域である。製品収率表示部24は、この製品収率のグラフを構成し、製品収率表示領域240に表示する。
図9の結果画面は、製造条件特定表示領域250を含む。製造条件特定表示領域250は、製造条件特定部36が特定した次時刻の最適な製造条件データ、ならびにそれに対応するモデルを表示する領域である。製造条件特定表示部25は、領域251に、次時刻の最適な製造条件データを、例えば表形式で表示する。また、製造条件特定表示部25は、領域252に、次時刻の最適な製造条件データに対応してモデル50から選択されたモデルを、例えば図6のモデル表示領域210と同様の形式で表示する。
図14は、製造条件データ記憶部41に記憶されている製造条件データの構成例の表を示す。図14の表は、ヘッダ情報に対応する項目の列として、製品ID、取得時刻、複数のパラメータ1401を有する。複数のパラメータ1401は、製造条件を構成する複数のデータ項目であり、パラメータの例として、P1「温度1」、P2「温度2」、P3「圧力1」、P4「圧力2」を有する。「製品ID」は、製造工程で製造される製品毎の識別子である。「取得時刻」は、計算機1がその製造条件データを取得した時刻である。
図15は、品質データ記憶部42に記憶されている品質データの構成例の表を示す。図15の表は、項目の列として、製品ID、品質値、品質検査結果を有する。「品質値」は、品質検査工程(図2)で得られた製品の品質を表す値であり、一例は製品収率である。「品質検査結果」は、品質検査工程で「品質値」に基づいて所定の判定の結果得られた値である。判定は、例えば閾値との比較判定である。例えば、品質値が目標値(例えば閾値0.90以上)を満たす場合には、品質検査結果の値が「良」とされ、満たさない場合には「不良」とされる。
図16は、モデル記憶部43に記憶されているモデル50のデータの構成例を示す。モデルの一例として因果関係モデルの場合を示す。図16の上側に示すように、因果関係モデルは、表形式で表すことができる。表の行および列には、製造条件データの各ノードに対応するパラメータ(図14の「温度1」等、および品質データの品質値)が並べられている。行列の交差するセル部分には、行のノードと列のノードとの因果関係(エッジによる接続関係)を表す値が格納されている。この値は、2値であり、ノード間が非接続(すなわち因果関係が無い)の場合には値「0」、ノード間が接続(すなわち因果関係が有る、エッジ有り)の場合には値「1」が設定される。
図17は、第1学習モデル記憶部44に記憶されている第1学習モデルのデータの構成例を示す。本例は、第1学習モデルである強化学習モデルの一例として、深層学習モデルを用いる場合を示す。第1学習モデルデータは、上側に示すように、表形式で表すことができる。この表は、左側の表1701、右側の表1702を含む。左側の表1701は、項目の列として、層番号、層内ノード数を有する。「層番号」は、層を識別する番号である。「層内ノード数」は、層内のノード数を示す。右側の表1702は、項目の列として、層番号、重み番号、重みを有する。「重み番号」は、各層で保持している「重み」を識別する番号である。「重み」は、ノード間のエッジに持たせる重みの数値を示す。第1学習モデル記憶部44には、このような表のデータが格納されている。図17の下側には、上側の表をネットワーク構造形式で表した場合を示す。なお、図17で示している層数Nは、前述のモデルの数Nとは異なる。なお、第2学習モデルデータの構成についても、第1学習モデルデータと同様である。
図18は、部分空間記憶部45に記憶されている部分空間データの構成例の表を示す。図18の上側の表1801は、部分空間特定部36の処理上で計算される差分ベクトル(図5のステップS11、例えば図11)を表す表である。この表1801は、項目の列として、モデル番号、製造条件データのデータ項目(「温度1」等のパラメータ)毎の差分を有する。モデル番号は、複数(N)のモデル50の各モデルを識別するラベルまたはIDと対応した番号である。表の行毎に、モード毎の差分ベクトルが格納されている。この表1801は、モデルの数Nとデータ項目の数との積に応じた、次元数やデータ量を有する。
図19は、第3学習モデル記憶部47に記憶されている第3学習モデルのデータの構成例を示す。第3学習モデルである強化学習モデルの一例として、同様に深層学習モデルを用いた場合を示す。この第3学習モデルデータの構成例は、図17の第1学習モデルデータの構成例と同様に、表やネットワーク構造で表すことができる。なお、各学習モデルで層数等は異なる。図19の上側の表は、左側の表1901、右側の表1902を含む。第3学習モデル記憶部47には、上側の表のデータが格納されている。
図20は、補足として、製造状態変化に応じて製造条件データからモデル50を構築する際の概要や例を示す。図20の(A)は、製造状態変化のイベントが無い場合の単一のモデルの構築を示す。表2001は、製造条件データ例を示す。この表2001のように、例えば、「製品ID」=A001の製品に関する製造条件データとして、「取得時刻」毎の行がある。最新の時点として、例えば「取得時刻」=“10/1/10:50”(10月1日10時15分)のデータが取得されている。この際、この最新の時点のデータと、過去の複数(例えば最大1000個等の設定された数)の時点のデータとを用いて、単一の因果関係モデルが構築される。なお、「取得時刻」は、計算機1が製造条件データを取得した時刻であるが、これに対応して、製造フローでは、製造工程での製造が実行された時刻等の情報を持っており、このような情報を用いる形態でもよい。
前述の各学習モデルについて、適用可能である学習方式は以下の通りである。
第2学習モデルLM2: 状態空間モデル、強化学習モデル
第3学習モデルLM3: 強化学習モデル。
上記のように、実施の形態の製造条件特定システムによれば、製造状態の変化がある場合にも、好適な製造条件を特定でき、製品品質を維持または向上できる。特に、実施の形態によれば、製造状態変化に対応させて、品質目標値に応じた最適な製造条件を特定できる。実施の形態によれば、製造状態変化直後で、操業のデータ数が少ない場合でも、短期間で好適な製造条件を特定できる。また、特に、実施の形態によれば、部分空間変換を用いることで、製造状態変化が多い場合や、製造条件およびモデルのパラメータ数が多大な場合でも、対応がしやすく、好適な製造条件を特定することができる。実施の形態または変形例によれば、優先方針に応じて、製造状態変化後に早期に品質を高めること、またはモデルの予測精度を高めてから品質を高めることができる。
なお、実施の形態の製造条件特定システムに対し、先行技術例のシステムを比較例とした場合に、違い等については以下の通りである。特許文献1には、良品となる製造条件を特定するために過去の製造条件から確率モデルを構築し、目標値と一致する製造条件を算出する旨が記載されている。しかし、この技術では、過去の製造条件で表現できないような製造状態変化が生じた場合には、構築したモデルを修正する必要がある。
Claims (14)
- 製造フローの各製造工程の製造条件を特定する計算機を含む製造条件特定システムであって、
前記計算機は、
前記製造フローからの現時点を含む複数の時点の製造条件データおよび品質データを用いて、前記製造条件および品質に関するモデルを構築し、
前記モデルの構築の際に、前記製造フローの製造工程の製造状態の変化を含む場合には、複数のモデルとして前記製造状態の変化毎に各モデルを構築し、
前記モデルおよび品質目標値を用いて、第1学習モデルでの学習に基づいて、前記各モデルで、次時点の製造条件データの予測値を第1データとして計算し、
前記モデルならびに現時点の製造条件データおよび品質データを用いて、次時点の品質データを予測し、前記次時点の品質データと前記現時点の品質データとの品質誤差を計算し、
前記現時点の製造条件データを用いて、第2学習モデルでの学習に基づいて、次時点の製造条件データの予測値を第2データとして計算し、
前記第1データ、前記第2データ、および前記品質誤差を用いて、第3学習モデルでの学習に基づいて、次時点の製造条件データを特定し、
前記特定した次時点の製造条件データを含む情報を記憶および出力する、
製造条件特定システム。 - 請求項1記載の製造条件特定システムにおいて、
前記計算機は、
前記第1データを、次元数を低減するように部分空間データへ変換し、
前記部分空間データおよび前記品質誤差を用いて、前記第3学習モデルでの学習に基づいて、前記次時点の製造条件データを特定する、
製造条件特定システム。 - 請求項1記載の製造条件特定システムにおいて、
前記計算機は、前記製造状態の変化として、前記各製造工程に対する所定のイベントの発生の時点に応じて、前記複数の時点の製造条件データを複数の期間のデータに分割し、分割した期間のデータ毎に前記各モデルを構築する、
製造条件特定システム。 - 請求項3記載の製造条件特定システムにおいて、
前記イベントは、前記各製造工程の製造装置に対する保守作業を含む、
製造条件特定システム。 - 請求項1記載の製造条件特定システムにおいて、
前記モデルは、因果関係モデルを含む、
製造条件特定システム。 - 請求項1記載の製造条件特定システムにおいて、
前記第1学習モデルは、状態空間モデルまたは強化学習モデルを含む、
製造条件特定システム。 - 請求項1記載の製造条件特定システムにおいて、
前記第2学習モデルは、状態空間モデルまたは強化学習モデルを含む、
製造条件特定システム。 - 請求項1記載の製造条件特定システムにおいて、
前記第3学習モデルは、強化学習モデルを含む、
製造条件特定システム。 - 請求項1記載の製造条件特定システムにおいて、
前記計算機は、表示装置の表示画面に、前記モデルの前記各モデルを表示させる、
製造条件特定システム。 - 請求項2記載の製造条件特定システムにおいて、
前記計算機は、表示装置の表示画面に、前記複数の時点の製造条件データ、および前記部分空間データを表示させる、
製造条件特定システム。 - 請求項1記載の製造条件特定システムにおいて、
前記計算機は、表示装置の表示画面に、前記複数の時点の品質データ、および前記製造状態変化として前記各製造工程に対する所定のイベントの発生の時点を表示させる、
製造条件特定システム。 - 請求項1記載の製造条件特定システムにおいて、
前記計算機は、表示装置の表示画面に、前記特定した次時点の製造条件データ、および前記特定した次時点の製造条件データに対応付けられる前記モデルの前記各モデルのうちの選択されたモデルを表示させる、
製造条件特定システム。 - 請求項1記載の製造条件特定システムにおいて、
前記計算機は、
前記製造フローから前記現時点を含む複数の時点の製造条件データおよび品質データを取得し、
前記特定した次時点の製造条件データを、前記製造フローを制御する製造システムに送信して前記各製造工程に設定させる、
製造条件特定システム。 - 製造フローの各製造工程の製造条件を特定する計算機を含む製造条件特定システムにおける製造条件特定方法であって、
前記計算機において実行されるステップとして、
前記製造フローからの現時点を含む複数の時点の製造条件データおよび品質データを用いて、前記製造条件および品質に関するモデルを構築し、前記モデルの構築の際に、前記製造フローの製造工程の製造状態の変化を含む場合には、複数のモデルとして前記製造状態の変化毎に各モデルを構築するステップと、
前記モデルおよび品質目標値を用いて、第1学習モデルでの学習に基づいて、前記各モデルで、次時点の製造条件データの予測値を第1データとして計算するステップと、
前記モデルならびに現時点の製造条件データおよび品質データを用いて、次時点の品質データを予測し、前記次時点の品質データと前記現時点の品質データとの品質誤差を計算するステップと、
前記現時点の製造条件データを用いて、第2学習モデルでの学習に基づいて、次時点の製造条件データの予測値を第2データとして計算するステップと、
前記第1データ、前記第2データ、および前記品質誤差を用いて、第3学習モデルでの学習に基づいて、次時点の製造条件データを特定するステップと、
前記特定した次時点の製造条件データを含む情報を記憶および出力するステップと、
を有する、製造条件特定方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018218491A JP7062577B2 (ja) | 2018-11-21 | 2018-11-21 | 製造条件特定システムおよび方法 |
US16/571,471 US20200159197A1 (en) | 2018-11-21 | 2019-09-16 | Manufacturing condition specifying system and method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018218491A JP7062577B2 (ja) | 2018-11-21 | 2018-11-21 | 製造条件特定システムおよび方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020086784A JP2020086784A (ja) | 2020-06-04 |
JP7062577B2 true JP7062577B2 (ja) | 2022-05-06 |
Family
ID=70727795
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018218491A Active JP7062577B2 (ja) | 2018-11-21 | 2018-11-21 | 製造条件特定システムおよび方法 |
Country Status (2)
Country | Link |
---|---|
US (1) | US20200159197A1 (ja) |
JP (1) | JP7062577B2 (ja) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11084225B2 (en) | 2018-04-02 | 2021-08-10 | Nanotronics Imaging, Inc. | Systems, methods, and media for artificial intelligence process control in additive manufacturing |
JP7320884B2 (ja) * | 2019-09-10 | 2023-08-04 | ナノトロニクス イメージング インコーポレイテッド | 製造プロセスのためのシステム、方法、および媒体 |
CN114585981A (zh) * | 2019-11-06 | 2022-06-03 | 纳米电子成像有限公司 | 用于制造过程的系统、方法和介质 |
WO2021256141A1 (ja) * | 2020-06-16 | 2021-12-23 | コニカミノルタ株式会社 | 予測スコア算出装置、予測スコア算出方法、予測スコア算出プログラムおよび学習装置 |
JP2022046363A (ja) * | 2020-09-10 | 2022-03-23 | 横河ソリューションサービス株式会社 | 生産管理システム、生産管理方法、および、生産管理プログラム |
WO2022158066A1 (ja) * | 2021-01-19 | 2022-07-28 | コニカミノルタ株式会社 | 製造条件最適化装置、プログラムおよび製造条件最適化方法 |
JP2022113534A (ja) * | 2021-01-25 | 2022-08-04 | オムロン株式会社 | 品質予測システム、モデル生成装置、品質予測方法、及び品質予測プログラム |
WO2022196310A1 (ja) * | 2021-03-15 | 2022-09-22 | パナソニックIpマネジメント株式会社 | データ分析装置、データ分析方法およびプログラム |
US20230359790A1 (en) * | 2022-05-05 | 2023-11-09 | D.TO, Inc | Apparatus and methods for determining and solving design problems using machine learning |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002287803A (ja) | 2001-03-27 | 2002-10-04 | Denso Corp | 製品の製造プロセスにおける特性調整方法 |
JP2009535684A (ja) | 2006-04-28 | 2009-10-01 | ハネウェル・アスカ・インコーポレーテッド | 非同期センサ情報に基づく測定値予測を使用して抄紙機または他の機械を制御する装置および方法 |
JP2013152655A (ja) | 2012-01-26 | 2013-08-08 | Hitachi Ltd | プラント又は設備の異常診断方法及びヘルスマネージメント方法 |
JP2015172945A (ja) | 2009-08-28 | 2015-10-01 | 株式会社日立製作所 | 設備状態監視方法およびその装置 |
JP2017164801A (ja) | 2016-03-17 | 2017-09-21 | ファナック株式会社 | 機械学習装置、レーザ加工システムおよび機械学習方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH08202444A (ja) * | 1995-01-25 | 1996-08-09 | Hitachi Ltd | 機械設備の異常診断方法および装置 |
US9785132B2 (en) * | 2013-11-07 | 2017-10-10 | Emhart Glass S.A. | Target signature closed loop control system and method |
-
2018
- 2018-11-21 JP JP2018218491A patent/JP7062577B2/ja active Active
-
2019
- 2019-09-16 US US16/571,471 patent/US20200159197A1/en not_active Abandoned
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002287803A (ja) | 2001-03-27 | 2002-10-04 | Denso Corp | 製品の製造プロセスにおける特性調整方法 |
JP2009535684A (ja) | 2006-04-28 | 2009-10-01 | ハネウェル・アスカ・インコーポレーテッド | 非同期センサ情報に基づく測定値予測を使用して抄紙機または他の機械を制御する装置および方法 |
JP2015172945A (ja) | 2009-08-28 | 2015-10-01 | 株式会社日立製作所 | 設備状態監視方法およびその装置 |
JP2013152655A (ja) | 2012-01-26 | 2013-08-08 | Hitachi Ltd | プラント又は設備の異常診断方法及びヘルスマネージメント方法 |
JP2017164801A (ja) | 2016-03-17 | 2017-09-21 | ファナック株式会社 | 機械学習装置、レーザ加工システムおよび機械学習方法 |
Also Published As
Publication number | Publication date |
---|---|
US20200159197A1 (en) | 2020-05-21 |
JP2020086784A (ja) | 2020-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7062577B2 (ja) | 製造条件特定システムおよび方法 | |
TWI391840B (zh) | 使用處理資料及良率資料之處理控制 | |
US10949740B2 (en) | Machine learning device, numerical controller, machine tool system, manufacturing system, and machine learning method for learning display of operation menu | |
JP4033291B2 (ja) | プロジェクトリスク管理システム | |
US8989887B2 (en) | Use of prediction data in monitoring actual production targets | |
Schuh et al. | Increasing data integrity for improving decision making in production planning and control | |
Chen et al. | Discrete event-driven model predictive control for real-time work-in-process optimization in serial production systems | |
Cui et al. | Medium-term planning of a multiproduct batch plant under evolving multi-period multi-uncertainty by means of a moving horizon strategy | |
CN111308925B (zh) | 信息处理装置、生产指示辅助方法 | |
US10775780B2 (en) | Causal relation model building system and method thereof | |
Qiao et al. | A fuzzy Petri net-based reasoning method for rescheduling | |
Glavan et al. | Production modelling for holistic production control | |
Biller et al. | Simulation: The critical technology in digital twin development | |
Chien et al. | Bayesian decision analysis for optimizing in-line metrology and defect inspection strategy for sustainable semiconductor manufacturing and an empirical study | |
JP6947108B2 (ja) | データ予測装置、方法、及びプログラム | |
WO2022014048A1 (ja) | スケジューラシステム、スケジューラ管理装置および機械学習装置 | |
JP6600120B1 (ja) | 管理システム及びそのための機械学習装置並びに管理方法 | |
Yazdankhah et al. | Optimizing new product concept selection decisions considering life cycle design attributes | |
JP5911831B2 (ja) | 生産管理装置および生産管理プログラム | |
Lee et al. | Digital Twinning and Optimization of Manufacturing Process Flows | |
JP2018005715A (ja) | 製造プロセスの異常状態診断方法及び異常状態診断装置 | |
Khayyati et al. | A machine learning approach for implementing data-driven production control policies | |
JP6695298B2 (ja) | 発注制御装置 | |
Fauadi et al. | AGENT-BASED discrete event simulation–system dynamics approach to optimize manufacturing system with maintenance activities | |
US20230259120A1 (en) | Intelligent workflow engine for manufacturing process |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210420 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220228 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220308 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220323 |
|
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: 20220405 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220420 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7062577 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |