JP7462509B2

JP7462509B2 - 要因推定装置、要因推定システムおよびプログラム

Info

Publication number: JP7462509B2
Application number: JP2020132563A
Authority: JP
Inventors: 祐市桜井; 修一西納; 和幸田代
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2020-08-04
Filing date: 2020-08-04
Publication date: 2024-04-05
Anticipated expiration: 2040-08-04
Also published as: JP2022029294A; CN114066131A

Description

本発明は、要因推定装置、要因推定システムおよびプログラムに関する。

特許文献１は、品質管理装置に関し、「生産ラインの品質管理を行う品質管理装置であって、前記生産ラインには、自機の動作の異常を検知するため複数の観測項目についての観測値を監視する機能を有する生産設備と、前記生産設備で処理された製品の検査を行う検査装置とが設けられており、前記品質管理装置は、各製品を処理したときに前記生産設備で観測された各観測項目の観測値が記録された観測データを取得する観測データ取得手段と、前記検査装置によってある製品で不良が検出された場合に、前記観測データを用いて、前記不良が検出された不良品を処理したときの観測値と前記不良が検出されなかった良品を処理したときの観測値とを比較することにより、前記不良の要因となり得る前記生産設備の動作の異常が発生しているか判断する不良要因推定手段と、を有する」と記載されている。

特許第６２３３０６１号公報

特許文献１の技術では、不良品を処理した時の観測値と良品を処理した時の観測値とを比較することにより、不良の要因となり得る生産設備の動作に異常が発生しているか否かを判断している。しかしながら、生産設備で観測された観測値に異常が認められる場合でも、実際には他の生産設備の動作に異常が生じていることが原因で、正常な生産設備の観測値に異常が認められてしまうことが多々ある。そのため、特許文献１の技術では、異常が発生した要因を精度良く推定することが難しいという問題がある。

本発明は、上記課題に鑑みてなされたものであり、異常の要因をより精度良く推定し、的確な対策を提示することを目的とする。

本願は、上記課題の少なくとも一部を解決する手段を複数含んでいるが、その例を挙げるならば、以下のとおりである。上記の課題を解決する本発明の一態様に係る要因推定装置は、設備または製品に発生した不良パターンを示す不良パターン情報および監視対象の前記設備における所定の観測項目をセンシングしたセンサ情報を含む観測値を取得する通信部と、前記不良パターンと、前記不良パターンごとに対応する前記観測値と、前記不良パターンおよび前記観測値の組み合わせごとに対応する、前記観測項目の時間変化に伴う変動傾向を示す観測項目のトレンドと、前記不良パターン、前記観測値および前記観測項目のトレンドの組み合わせごとに対応する不良の要因およびその対策と、が登録されている要因推定情報を記憶した記憶部と、前記観測値を用いて、前記観測項目の時間変化に伴う変動傾向を示すトレンドの解析を行うトレンド解析部と、前記不良パターン情報と、前記観測値と、前記トレンドの解析結果と、に基づいて、前記不良パターンに対応する前記不良の要因を前記要因推定情報から特定することで不良の要因を推定する要因推定部と、を備える。

本発明によれば、異常の要因をより精度良く推定し、的確な対策を提示することができる。

要因推定システムの概略構成の一例を示した図である。要因推定情報の一例を示した図である。要因推定システムが適用された一つの事例である製造ラインを示した図である。ロボットのハンドに取り付けられたセンサ装置の例を示した図である。要因推定処理の一例を示したフロー図である。センサ情報が示すハンドとワークの位置関係の一例を示した図である。事例で使用される要因推定情報の一例を示した図である。推定要因対策情報に関する画面例を示した図である。要因推定装置のハードウェア構成の一例を示した図である。

以下、本発明の各実施形態について図面を用いて説明する。

図１は、本実施形態に係る要因推定システム１０００の概略構成の一例を示した図である。図示するように、要因推定システム１０００は、要因推定装置１００と、要因推定装置１００が実行する処理に用いられる各種情報を要因推定装置１００に出力（送信）する外部装置２００と、を有している。また、要因推定装置１００と外部装置２００とは、例えば通信ケーブルあるいはインターネット等の公衆網やＬＡＮ（ＬｏｃａｌＡｒｅａＮｅｔｗｏｒｋ）またはＷＡＮ（ＷｉｄｅＡｒｅａＮｅｔｗｏｒｋ）などのネットワークを介して相互通信可能に接続されている。

なお、外部装置２００には、例えば不良パターンを検出する装置と、設備機器（以下、「設備」という場合がある）に対する人の操作履歴を記憶する装置と、設備ログを生成する装置と、設備や生産された製品（または部品）あるいはその他の対象（以下、設備、製品およびその他の対象を纏めて「監視対象」という場合がある）に対するセンシングによってセンサ情報を取得する各種センサ装置と、がある。

不良パターンを検出する装置は、監視対象に生じた様々な不良パターンを検出する装置である。かかる装置は、不良パターンを検出すると、不良パターン情報２１０を生成し、これを要因推定装置１００に送信する。ここで、不良パターンとは、事前の設定や設計と異なる事象が発生した場合に、その事象の特徴を示す情報である。例えば、監視対象が設備機器の場合、不良パターン情報２１０は、所定の設定あるいは計画とは異なる設備機器の動作の特徴を示す情報である。また、監視対象が製品の場合、不良パターン情報２１０は、所定の設定あるいは計画とは異なる製品構成の特徴を示す情報である。

人の操作履歴を記憶する装置は、例えば設備機器の部品交換などが実施された場合、その作業における操作履歴の入力を受け付けて記憶する。また、かかる装置は、人操作履歴情報２２０を生成し、新たな操作履歴の入力を受け付けた時または定期的（例えば、１時間毎）に要因推定装置１００に送信する。

設備ログを生成する装置は、設備の状態情報である設備ログ２３０を生成する装置であって、例えば設備機器自体である。かかる装置は、定期的（例えば、１０秒毎）に設備ログ２３０を要因推定装置１００に送信する。

センサ装置は、監視対象に対するセンシングにより所定の観測項目についてのセンサ情報２４０を取得する装置であって、例えば設備の動作や製品の状態を撮像するカメラや監視対象における物理的、化学的な性質を捉える様々なセンシング装置である。なお、１つの監視対象について複数の観測項目が設定されている場合、相互に異なる種類のセンサ装置によって各観測項目に対応するセンサ情報２４０が取得される。また、センサ装置は、センシングによって取得したセンサ情報２４０を定期的（例えば、１秒毎）に要因推定装置１００に送信する。

要因推定装置１００は、各種設備あるいは製品等に発生した不良の要因を推定し、その要因に対応する対策を提示する装置である。具体的には、要因推定装置１００は、外部装置２００から取得した設備ログ２３０やセンサ情報２４０を用いて、これらの情報が示す観測項目のトレンド解析を行う。

また、要因推定装置１００は、不良パターン情報２１０の取得に基づき監視対象に不良が発生したことを検知すると、不良パターン情報２１０と、観測値（人操作履歴情報２２０、設備ログ２３０およびセンサ情報２４０）と、トレンド解析の解析結果と、不良の推定要因およびその対策が登録されている所定情報（後述の要因推定情報）と、を用いて、不良パターンの要因を推定し、その要因に対応する対策を特定する。

より具体的には、要因推定装置１００は、トレンド解析部１１０と、要因推定部１２０と、記憶部１３０と、表示情報生成部１４０と、通信部１５０とを有している。

トレンド解析部１１０は、設備ログ２３０やセンサ情報２４０を用いて観測項目のトレンド解析を行う機能部である。具体的には、トレンド解析部１１０は、同一種類の監視対象における設備ログ２３０およびセンサ情報２４０を基準とし、ある監視対象の観測項目において生じた時間変化に伴う変動の傾向を解析（分析）し、かかる変動傾向に対して意味付けを行う。また、トレンド解析部１１０は、解析結果を記憶部１３０に格納する。

要因推定部１２０は、不良の要因を推定し、対応する対策を提示する機能部である。具体的には、要因推定部１２０は、要因推定処理を実行し、不良の要因および対応する対策を特定する。より具体的には、要因推定部１２０は、不良パターン情報２１０、人操作履歴情報２２０、設備ログ２３０およびセンサ情報２４０と、トレンド解析の解析結果と、後述の要因推定情報と、を用いて、不良パターンの要因を推定し、その要因に対応する対策を特定する。また、要因推定部１２０は、推定した要因および特定した対策を含む推定要因対策情報を生成する。なお、要因推定処理の詳細は後述する。

記憶部１３０は、様々な情報を記憶する機能部である。具体的には、記憶部１３０は、トレンド解析結果１３１と、要因推定情報１３２と、を記憶している。また、記憶部１３０は、通信部１５０を介して外部装置２００から取得した不良パターン情報２１０と、人操作履歴情報２２０と、設備ログ２３０と、センサ情報２４０とを一時的に格納する。

図２は、要因推定情報１３２の一例を示した図である。要因推定情報１３２は、不良パターンの要因を推定するための様々な特徴と、推定される不良の要因およびその対策とを含む情報である。具体的には、要因推定情報１３２は、ルール１３２ａと、不良パターン１３２ｂと、人操作履歴１３２ｃと、設備ログ１３２ｄと、観測項目ｎ（ｎは整数で観測項目の個数を表す）１３２ｅと、観測項目ｎのトレンド１３２ｆと、推定要因１３２ｇと、対策１３２ｈとが対応付けられたレコードを有している。

ルール１３２ａは、各レコードに登録されている要因推定のルールを識別する情報である。不良パターン１３２ｂは、検出された不良パターンを示す情報である。人操作履歴１３２ｃは、設備に対する人の操作履歴を示す情報である。設備ログ１３２ｄは、監視対象の設備から出力されたログ情報である。なお、設備ログ１３２ｄは、設備の個数に応じて複数あるものとする。

また、観測項目ｎ１３２ｅは、各種センサ装置でセンシングした監視対象の観測項目を示す情報である。観測項目は、センシングの対象に応じて１～ｎ個の項目数がある。観測項目ｎのトレンド１３２ｆは、ｎ番目の観測項目のトレンド解析結果１３１に現れる特徴を示す情報である。推定要因１３２ｇは、不良パターンが発生した要因を示す情報である。対策１３２ｈは、推定された要因を解消するために対策が必要な設備箇所や対策（例えば、修理や部品交換など）を示す情報である。

なお、適用される要因推定システム１０００に応じて監視対象および観測項目が異なるため、要因推定情報１３２の不良パターン１３２ｂ、人操作履歴１３２ｃ、設備ログ１３２ｄ、観測項目ｎ１３２ｅ、観測項目ｎのトレンド１３２ｆ、推定要因１３２ｇおよび対策１３２ｈには、適用される要因推定システム１０００に応じて異なる内容が登録される。

図１に戻って説明する。表示情報生成部１４０は、表示装置に表示される画面情報を生成する機能部である。具体的には、表示情報生成部１４０は、推定された要因および対策を含む情報（推定要因対策情報）の内容を表示するための画面情報を生成する。また、表示情報生成部１４０は、通信部１５０を介して、生成した画面情報を外部の表示装置３００（例えば、ユーザが視認するディスプレイなどの表示装置３００）に送信し、表示させる。

通信部１５０は、外部装置２００との間で情報通信を行う機能部である。具体的には、通信部１５０は、外部装置２００から不良パターン情報２１０、人操作履歴情報２２０、設備ログ２３０およびセンサ情報２４０を取得する。また、通信部１５０は、推定要因対策情報の内容を含む画面情報を所定の表示装置３００に送信する。

以上、要因推定装置１００の機能構成の一例について説明した。

［動作の説明］
次に、要因推定システム１０００が適用された一つの事例に沿って、要因推定装置１００が実行する要因推定処理について説明する。

図３は、要因推定システム１０００が適用された一つの事例である製造ライン４００を示した図である。図示するように、製造ライン４００は、作業者４１０と、作業者４１０に対して所定情報を表示する表示装置３００と、ロボット４２０と、収納箱４３０と、ベルトコンベア４４０と、ワーク４５０と、供給装置４６０と、を有している。また、製造ライン４００は、外部装置２００として、図示しない不良パターンを検出する装置と、人操作履歴情報２２０を生成する装置と、所定の監視対象における所定の観測項目をセンシングするセンサ装置と、を有している。なお、設備ログ２３０は、ロボット４２０やベルトコンベア４４０などの各装置により生成されれば良い。

また、本事例では、同様の構成を有する複数の製造ライン４００があり、各製造ライン４００における外部装置２００から不良パターン情報２１０、人操作履歴情報２２０およびセンサ情報２４０が要因推定装置１００に送信され、設備ログ２３０はロボット４２０やベルトコンベア４４０などの各設備から要因推定装置１００に送信される。

図示する製造ライン４００は、ベルトコンベア４４０上を流れて来たワーク４５０をロボット４２０が掴み上げて収納箱４３０に収納する工程が行われる。具体的には、製造ライン４００では、供給装置４６０がワーク４５０を一定の速度でベルトコンベア４４０上の決まった位置（例えば、ベルトコンベア４４０の中心）まで運ぶ。また、ベルトコンベア４４０は、ロボット４２０の方向に向かってワーク４５０を移動させる。また、ロボット４２０は、ワーク４５０が所定の位置まで達すると、先端に取り付けられているハンド４７０でワーク４５０を掴み上げ、収納箱４３０に収納する動作を繰り返し行う。

図４は、ロボット４２０のハンド４７０に取り付けられたセンサ装置の例を示した図である。図示するように、ハンド４７０には、ハンド４７０がワーク４５０を掴み上げる様子を撮像するためのカメラ５００がセンサ装置として取り付けられている。カメラ５００は、観測項目の一つとしてハンド４７０がワーク４５０を掴み上げる際のハンド４７０とワーク４５０の位置関係（例えば、ハンド４７０の中心位置とワーク４５０の中心位置の位置関係）を撮像し、撮像した画像あるいは映像をセンサ情報２４０として定期的に要因推定装置１００に送信している。

なお、ハンド４７０に取り付けられるセンサ装置はカメラ５００に限定されるものではなく、本事例においては、ハンド４７０とワーク４５０の位置関係についてセンシング可能なセンサ装置であればどのような種類のセンサ装置であっても良い。また、かかる製造ライン４００には、ハンド４７０とワーク４５０の位置関係以外にも様々な観測項目をセンシングするためのセンサ装置が設置されているものとする。

このような製造ライン４００において、要因推定装置１００は、図５に示す要因推定処理を実行する。

図５は、要因推定処理の一例を示したフロー図である。要因推定処理は、例えば要因推定装置１００の起動と共に開始される。なお、記憶部１３０は、通信部１５０を介して外部装置２００から取得した不良パターン情報２１０と、人操作履歴情報２２０と、設備ログ２３０と、センサ情報２４０とを一時的に格納する。

処理が開始されると、トレンド解析部１１０は、通信部１５０を介して外部装置２００から設備ログ２３０およびセンサ情報２４０を取得したか否かを判定する（ステップＳ００１）。そして、取得していないと判定した場合（ステップＳ００１でＮｏ）、トレンド解析部１１０は、再度ステップＳ００１の処理を行う。

一方で、かかる情報を取得したと判定した場合（ステップＳ００１でＹｅｓ）、トレンド解析部１１０は、トレンド解析を行う（ステップＳ００２）。具体的には、トレンド解析部１１０は、取得した設備ログ２３０およびセンサ情報２４０を用いてトレンド解析を行う。本事例において、トレンド解析部１１０は、例えば観測項目の一つであるハンド４７０とワーク４５０の位置関係についてセンサ情報２４０を用いてトレンド解析を行う。

図６は、センサ情報２４０が示すハンド４７０とワーク４５０の位置関係の一例を示した図である。図示するように、横軸はハンド４７０がワーク４５０を掴み上げた把持回数を示している。また、縦軸は、ハンド４７０の中心位置（センタリング）を基準とした場合のハンド４７０がワーク４５０を掴み上げた時のワーク４５０の中心位置を示している。すなわち、ハンド４７０の中心位置（センタリング）から上下にズレた位置にプロットされた丸印は、ワーク４５０の中心位置がハンド４７０の中心位置からズレて把持されたことを示している。

本事例では、図６に示すように、把持回数の増加に伴ってハンド４７０とワーク４５０の中心位置のズレ量が拡大し、ある把持回数からはズレ量が一定をキープし、その後、更にずれ量が拡大していることが分かる。

トレンド解析部１１０は、このような特徴を示すセンサ情報２４０を用いたトレンド解析により、「把持位置」という観測項目に対して「ズレ量が拡大／一定のズレ量キープ後、更に拡大」というトレンドの意味付けを行う。また、トレンド解析部１１０は、「把持位置トレンド＝ズレ量が拡大／一定のズレ量キープ後、更に拡大」というトレンド解析結果１３１を記憶部１３０に格納する（ステップＳ００３）。

次に、要因推定部１２０は、通信部１５０を介して、不良パターンが検知されたことを示す不良パターン情報２１０を取得したか否かを判定する（ステップＳ００４）。そして、取得していないと判定した場合（ステップＳ００４でＮｏ）、要因推定部１２０は、処理をステップＳ００１に戻す。

一方で、かかる情報を取得したと判定した場合（ステップＳ００４でＹｅｓ）、要因推定部１２０は、不良の要因を推定する（ステップＳ００５）。なお、図６に示す最もズレ量が拡大した丸印Ｅにおいてワーク４５０がハンド４７０から落下し、「ロボット４２０ＮｏＰｉｃｋ」という不良パターンが検出されたとする。

不良の要因推定にあたり、要因推定部１２０は、外部装置２００から取得した不良パターン情報２１０および各観測値と、トレンド解析結果１３１と、要因推定情報１３２と、を記憶部１３０から取得し、これらの情報およびトレンド解析結果１３１と一致する内容が登録されているレコードを要因推定情報１３２から特定する。

図７は、本事例で使用される要因推定情報１３２の一例を示した図である。例えば、図２における観測項目ｎ（ｎ＝１）１３２ｅには「把持位置」が対応付けられ、観測項目ｎ（ｎ＝１）のトレンド１３２ｆには「把持位置のトレンド」が対応付けられている。

また、不良パターン１３２ｂには、例えば「ロボットＮｏＰｉｃｋ」などが登録されている。また、把持位置１３２ｅには、例えば「正常」、「異常」などが登録されている。また、把持位置のトレンド１３２ｆには、「ズレ量が拡大」および「一定のズレ量キープ後、更に拡大」が登録されている。また、推定要因１３２ｇには、「ワークサイズが設計値と不一致」、「ロボットとベルトコンベアとのタイミングが不一致」、「ロボットハンドの先端部摩耗」および「供給装置の不具合」が登録されている。また、対策１３２ｈには、例えば「ワークサイズのパラメータ調整」、「ベルトコンベアのタイミング調整」、「ハンド先端の部品交換」および「供給装置の修理」が登録されている。

要因推定部１２０は、記憶部１３０に格納されている外部装置２００から取得した人操作履歴情報２２０と、設備ログ２３０と、センサ情報２４０とが示す内容に一致する内容が登録されているレコードを要因推定情報１３２から絞り込む。本事例では、例えばルール１～４のレコードが絞り込まれたとする。

また、要因推定部１２０は、記憶部１３０に格納されているトレンド解析結果１３１が示す内容に一致する内容が登録されているレコードを、絞り込んだレコードの中から特定する。本事例では、把持位置のトレンド解析結果１３１が「ズレ量が拡大」、「一定のズレ量キープ後、更に拡大」であるため、要因推定部１２０は、ルール４のレコードを特定する。また、要因推定部１２０は、特定したレコードの推定要因１３２ｇから「供給装置の不具合」という要因を推定する。

次に、要因推定部１２０は、推定された要因に対する対策を特定する（ステップＳ００６）。具体的には、要因推定部１２０は、特定したレコードの対策１３２ｈに対応付けられて登録されている「供給装置の修理」を対策として特定する。また、要因推定部１２０は、発生した不良に関する所定情報（例えば、不良の発生箇所および発生時刻および不良パターンを示すエラー内容など）と、推定した要因と、これに対応する対策と、を含む推定要因対策情報を生成する。

次に、表示情報生成部１４０は、推定要因対策情報の内容を表示装置３００に表示するための画面情報を生成する（ステップＳ００７）。また、表示情報生成部１４０は、通信部１５０を介して、生成した画面情報を表示装置３００に送信し（ステップＳ００８）、かかる画面情報を表示装置３００に表示させる。また、表示情報生成部１４０は、かかる処理を行うと、処理をステップＳ００１に戻す。

図８は、推定要因対策情報に関する画面例６００を示した図である。図示するように、かかる画面例６００は、不良情報表示領域６１０と、推定要因表示領域６２０と、対策表示領域６３０とを有している。また、不良情報表示領域６１０には、不良の発生箇所と、不良の発生時刻および不良パターンを示すエラー内容とが表示される。また、推定要因表示領域６２０には、推定された要因が表示され、対策表示領域６３０には、特定された対策が表示される。

このような要因推定装置１００によれば、異常の要因をより精度良く推定し、的確な対策を提示することができる。特に、本実施形態に係る要因推定装置１００は、センサ情報などを用いて観測項目のトレンド解析を行う。これにより、不良パターンが検出されたタイミングで取得された情報のみを用いて不良の要因を推定するのではなく、その前から発生していた時間変化に伴う変動傾向をも要因の推定に用いることができる。そのため、観測項目の変動傾向に現れる特徴（不良の前兆となる特徴）をも含めて不良の要因を推定することができるため、より精度良く不良（異常）の要因を推定することができる。

通常、観測値に単発的な異常が検出される場合、その異常が検出された設備に問題が発生していることが多い。一方で、正常範囲内であるものの、不良パターンが検出される前から観測値である設備ログやセンサ情報に少しずつ変化が起きている場合、その観測値が検出された設備と異なる別の設備に生じている問題が影響していることが多い。この場合、観測値に異常が検出された装置に対策を施したとしても不良の要因は解消されない。本実施形態に係る要因推定装置１００は、センサ情報を用いて観測項目をトレンド解析することで、観測値に異常が検出された設備以外の別の設備に発生している問題をも考慮して要因を推定できるため、より的確な対策を特定することができる。

例えば、本事例のように、ハンドからワークが落下するという不良パターンが検出されると、従来はその時点における観測値に基づいて、不良パターンが生じた設備に要因があると推定されていた。具体的には、このような不良パターンでは、「ロボット先端のハンドの把持パラメータとワークのサイズの不一致」を要因の一つとして「ロボット先端のハンドの把持パラメータの再調整」という対策が特定されていた。また、同様のケースとして、「ロボットハンドの先端部摩耗」を要因の一つとして「ハンド先端部材の交換」という対策が特定されていた。

しかしながら、ハンドとワークとの間のズレ量が拡大した後、一定のズレ量がキープされているため、ロボットハンドの先端部摩耗という要因ではないことが推定される。また、一定のズレ量をキープした後で更にズレ量が拡大していることから、ロボットハンド付近の問題ではなく、ハンドでワークを掴み上げる前の工程である供給装置に問題が発生していることが推定される。なお、ズレ量が拡大し、一定のズレ量をキープした後で更にズレ量が拡大するというトレンド解析結果は、供給装置の劣化に基づきワークの搬送速度が設計値よりも遅くなった結果、ベルトコンベアの中心位置付近にワークがセットされない事象が発生している場合に現れる特徴である。

このような精度の高い要因の推定は、ハンドとワークの把持位置の位置関係についてトレンド解析を行ったことで可能になっている。また、このようなトレンド解析の結果に現れる特徴によって推定される要因が登録された要因推定情報を用いることで、より多くの不良パターンの要因を精度良く推定することができるようになる。特に、トレンド解析が示す特徴に基づいて監視対象以外の設備の問題についても推定要因に登録しておくことで、センシングしていない設備に問題が発生している場合でも、かかる設備に問題の要因があることを推定することができる。

また、要因推定装置１００は、精度良く不良パターンの要因を推定し、的確な対応を特定することができるため、現場における対策・対応時間を大幅に短縮することができる。

なお、本実施形態に係る要因推定装置１００は、前述の実施形態と同じ技術的思想の範囲内において、様々な変形が可能である。例えば、第１の変形例に係る要因推定装置１００では、不良が発生した場合、複数の要因を推定し、要因ごとにその推定確度を算出する。具体的には、要因推定部１２０は、予め、想定される不良パターンと、その時の観測値と、トレンド解析結果１３１と、これらの情報に対応する所定の推定要因と、を用いて多変量解析を行う。また、要因推定部１２０は、多変量解析の結果を学習した学習済み統計モデル（例えば、要因推定情報１３２）を生成する。また、要因推定部１２０は、通信部１５０を介して取得した不良パターン情報２１０および観測値と、トレンド解析結果１３１と、を学習済み統計モデルに入力することで、不良の要因を推定し、対応する対策を特定する。

また、要因推定部１２０は、学習済み統計モデルを用いて推定した各要因の正否確率である確度を算出する。なお、確度の算出は、例えば表示装置３００に表示させた推定要因に対する作業者４１０のフィードバックを用いて算出しても良く、これ以外の方法で推定要因の確度を算出しても良い。また、要因推定部１２０は、各推定要因に算出した確度を対応付けた要因推定の統計モデルとしての要因推定情報１３２を更新する。

なお、要因推定部１２０は、不良パターンが検出された場合、前述と同様の方法で不良の要因を推定する際に、確度の高い順に所定数（例えば、３つ）の要因を推定する。また、要因推定部１２０は、統計モデルである要因推定情報１３２を用いて、推定した要因に対応する対策を特定する。また、要因推定部１２０は、推定した要因と、要因ごとの確度と、要因ごとの対策と、を含む推定要因対策情報を生成する。なお、表示情報生成部１４０は、前述の通り、推定要因対策情報の内容を含む画面情報を生成し、通信部１５０を介して、表示装置３００に送信する。これにより、表示装置３００には、確度の高い所定数の要因と、その確度と、対応する対策とが表示されることになる。

このような第１の変形例に係る要因推定装置１００によれば、確度が高い順に複数の要因を推定し、その推定要因と、確度と、対応する対策をユーザに提示することができる。特に、要因推定装置１００は、観測値のトレンド解析を行うことで、例えばワークの位置が中心位置からどれだけズレたか等の細かい変化傾向と、それに対応する推定要因と、を多変量解析により学習した学習済み統計モデルを生成できる。そのため、要因推定装置１００は、かかる統計モデルを用いることで、観測値（特に、センサ情報）の細かい強弱（例えば、位置ズレの度合い）をも考慮して不良の要因を精度良く推定することができる。また、作業者４１０は、確度の高い順から不良の要因と推定される設備などを確認し、対策することができる。

また、第２の変形例に係る要因推定装置１００は、トレンド解析の結果、時間変化に伴って変動傾向が見られる観測項目の中から、不良パターンと関連性の高い観測値（例えば、センサ情報２４０）に対応する観測項目を選別する。観測値（特に、センサ情報２４０）は、監視対象に応じて様々な種類の観測項目に対応するものが多数存在する。一方で、或る不良パターンの要因と関連性の高い観測値は、その中の一部である場合がある。そのため、トレンド解析部１１０は、所定の方法により、変動傾向の見られる観測項目に対応する観測値を、不良パターンとの関連性が高いものに絞り込み、表示情報生成部１４０を介して、かかる観測値に対応する観測項目と、その観測項目の変動傾向に対する意味付けと、を対応付けて表示するための画面情報を生成する。なお、トレンド解析部１１０は、例えば各不良パターンと、その不良パターンと関連性の高い観測項目および観測値と、を対応付けた所定情報（図示せず）を用いて、不良パターンとの関連性が高い観測値を絞り込めば良い。ただし、絞り込む方法は、この方法に限定されるものではない。また、トレンド解析部１１０は、通信部１５０を介して、かかる画面情報を表示装置３００に送信する。

このような第２の変形例に係る要因推定装置１００によれば、不良パターンと関連性の高い観測値に対応する観測項目を選別することができ、かつ、変動傾向がある観測項目およびその意味付けを作業者４１０に周知することができる。観測項目の変動傾向は不良の発生に関係する重要な情報であるため、要因推定装置１００は、作業者４１０にとって非常に有用な情報の提供を不良の発生よりも事前に提供することができる。

また、第３の変形例に係る要因推定装置１００は、要因推定装置１００が有する表示装置によって実現される表示部を備え、生成した推定要因対策情報の画面情報を表示部に表示する。このような要因推定装置１００によれば、要因推定装置１００を扱うユーザ（例えば、作業者４１０以外のユーザ）にも推定された要因および対策を提示することができる。

以下、要因推定装置１００のハードウェア構成の一例について説明する。

図９は、要因推定装置１００のハードウェア構成の一例を示した図である。要因推定装置１００は、例えばサーバ装置など高性能な情報処理装置により実現される。

図示するように、要因推定装置１００は、演算装置７１０と、主記憶装置７２０と、補助記憶装置７３０と、通信装置７４０と、これらを電気的に相互接続するバス７５０とを有している。

演算装置７１０は、例えばＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）である。主記憶装置７２０は、ＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）やＲＯＭ（ＲｅａｄＯｎｌｙＭｅｍｏｒｙ）などのメモリ装置である。

補助記憶装置７３０は、デジタル情報を記憶可能ないわゆるハードディスク（ＨａｒｄＤｉｓｋＤｒｉｖｅ）やＳＳＤ（ＳｏｌｉｄＳｔａｔｅＤｒｉｖｅ）あるいはフラッシュメモリなどの不揮発性記憶装置である。

通信装置７４０は、ネットワークケーブルを介して有線通信を行う有線の通信装置７４０、またはアンテナを介して無線通信を行う無線通信装置７４０である。通信装置７４０は、ネットワークに接続されている外部装置２００との間で情報通信を行う。

なお、要因推定装置１００は、入力装置および表示装置を備えていても良い。この場合、入力装置は、例えばタッチパネルやキーボードあるいはマウスなどの入力デバイスである。表示装置は、液晶ディスプレイや有機ディスプレイなどの表示デバイスである。

以上、要因推定装置１００のハードウェア構成の一例について説明した。

このような要因推定装置１００のトレンド解析部１１０、要因推定部１２０および表示情報生成部１４０は、演算装置７１０に処理を行わせるプログラムによって実現される。このプログラムは、主記憶装置７２０あるいは補助記憶装置７３０に記憶され、プログラムの実行にあたって主記憶装置７２０上にロードされ、演算装置７１０により実行される。また、記憶部１３０は、主記憶装置７２０または補助記憶装置７３０あるいはこれらの組合せにより実現される。また、通信部１５０は、通信装置７４０により実現される。

また、要因推定装置１００の上記の各構成、機能、処理部および処理手段等は、それらの一部または全部を、例えば集積回路で設計する等によりハードウェアで実現しても良い。また、上記構成、機能は、プロセッサがそれぞれの機能を実現するプログラムを解釈し、実行することによりソフトウェアで実現しても良い。各機能を実現するプログラム、テーブル、ファイル等の情報は、メモリやハードディスク、ＳＳＤ等の記憶装置またはＩＣカード、ＳＤカードおよびＤＶＤ等の記録媒体に置くことができる。

また、本発明は上記した実施形態および変形例に限定されるものではなく、同一の技術的思想の範囲内において様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加、削除、置換をすることが可能である。

また、上記説明では、制御線や情報線は、説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えて良い。

１０００・・・要因推定システム、１００・・・要因推定装置、１１０・・・トレンド解析部、１２０・・・要因推定部、１３０・・・記憶部、１３１・・・トレンド解析結果、１３２・・・要因推定情報、１４０・・・表示情報生成部、１５０・・・通信部、２００・・・外部装置、２１０・・・不良パターン情報、２２０・・・人操作履歴情報、２３０・・・設備ログ、２４０・・・センサ情報、３００・・・外部の表示装置、４２０・・・ロボット、４３０・・・収納箱、４４０・・・ベルトコンベア、４５０・・・ワーク、４６０・・・供給装置、４７０・・・ハンド、５００・・・カメラ、７１０・・・演算装置、７２０・・・主記憶装置、７３０・・・補助記憶装置、７４０・・・通信装置、７５０・・・バス

Claims

設備または製品に発生した不良パターンを示す不良パターン情報および監視対象の前記設備における所定の観測項目をセンシングしたセンサ情報を含む観測値を取得する通信部と、
前記不良パターンと、前記不良パターンごとに対応する前記観測値と、前記不良パターンおよび前記観測値の組み合わせごとに対応する、前記観測項目の時間変化に伴う変動傾向を示す観測項目のトレンドと、前記不良パターン、前記観測値および前記観測項目のトレンドの組み合わせごとに対応する不良の要因およびその対策と、が登録されている要因推定情報を記憶した記憶部と、
前記観測値を用いて、前記観測項目の時間変化に伴う変動傾向を示すトレンドの解析を行うトレンド解析部と、
前記不良パターン情報と、前記観測値と、前記トレンドの解析結果と、に基づいて、前記不良パターンに対応する前記不良の要因を前記要因推定情報から特定することで不良の要因を推定する要因推定部と、を備える
ことを特徴とする要因推定装置。
請求項１に記載の要因推定装置であって、
前記要因推定部は、
前記要因推定情報を用いて、推定した前記不良の要因に対応付けられた前記対策を特定する
ことを特徴とする要因推定装置。
請求項２に記載の要因推定装置であって、
推定された前記不良の要因および特定された前記対策を含む画面情報を生成する表示情報生成部を更に備え、
前記通信部は、前記画面情報を所定の装置に送信する
ことを特徴とする要因推定装置。
請求項１に記載の要因推定装置であって、
前記要因推定部は、予め、前記不良パターン、前記観測値および前記トレンドの解析結果と、これらの情報に対応する前記不良の要因と、を用いた多変量解析によって学習した学習済み統計モデルを生成し、
前記通信部を介して取得した前記不良パターンおよび前記観測値と、前記トレンドの解析結果と、を前記統計モデルに入力することで、前記不良の要因を推定する
ことを特徴とする要因推定装置。
請求項４に記載の要因推定装置であって、
前記要因推定部は、
前記不良パターンおよび前記観測値と、前記トレンドの解析結果と、前記統計モデルと、を用いて推定した前記不良の要因の正否確率である確度を算出し、前記各不良の要因に前記確度を対応付けて、前記統計モデルを更新する
ことを特徴とする要因推定装置。
請求項４に記載の要因推定装置であって、
表示装置に表示する画面情報を生成する表示情報生成部を更に備え、
前記要因推定部は、
更新した前記要因推定情報を用いて所定数の前記不良の要因と、当該不良の要因に対応付けられた確度とを特定し、
前記表示情報生成部は、
前記所定数の不良の要因および確度を含む画面情報を生成し、
前記通信部は、前記画面情報を前記所定の装置に送信する
ことを特徴とする要因推定装置。
請求項１に記載の要因推定装置であって、
表示装置に表示する画面情報を生成する表示情報生成部を更に備え、
前記トレンド解析部は、
前記時間変化に伴う変動傾向がある前記観測項目の中から、前記不良パターンと関連性の高い前記観測値に対応する観測項目を選別し、
前記表示情報生成部は、
選別済みの前記観測項目と、当該観測項目の前記変動傾向に対する意味付けと、を対応付けた画面情報を生成し、
前記通信部は、
前記画面情報を前記所定の装置に送信する
ことを特徴とする要因推定装置。
請求項３に記載の要因推定装置であって、
所定情報を表示する表示部を有し、
前記表示情報生成部は、
推定された前記不良の要因と、特定された前記対策とを前記表示部に表示させる
ことを特徴とする要因推定装置。
設備または製品に発生した不良パターンを示す不良パターン情報を出力する装置および監視対象の前記設備における所定の観測項目をセンシングしたセンサ情報を含む観測値を出力する装置と、
前記不良パターン情報および前記センサ情報を含む観測値を取得する通信部と、
前記不良パターンと、前記不良パターンごとに対応する前記観測値と、前記不良パターンおよび前記観測値の組み合わせごとに対応する、前記観測項目の時間変化に伴う変動傾向を示す観測項目のトレンドと、前記不良パターン、前記観測値および前記観測項目のトレンドの組み合わせごとに対応する不良の要因およびその対策と、が登録されている要因推定情報を記憶した記憶部と、
前記観測値を用いて、前記観測項目の時間変化に伴う変動傾向を示すトレンドの解析を行うトレンド解析部と、
前記不良パターン情報と、前記観測値と、前記トレンドの解析結果と、に基づいて、前記不良パターンに対応する前記不良の要因を前記要因推定情報から特定することで不良の要因を推定する要因推定部と、を備える要因推定装置と、を有する
ことを特徴とする要因推定システム。
請求項９に記載の要因推定システムであって、
前記要因推定部は、
前記要因推定情報を用いて、推定した前記不良の要因に対応付けられた前記対策を特定する
ことを特徴とする要因推定システム。
コンピュータを、要因推定装置として機能させるプログラムであって、
前記コンピュータを、
設備または製品に発生した不良パターンを示す不良パターン情報および監視対象の前記設備における所定の観測項目をセンシングしたセンサ情報を含む観測値を取得する通信部と、
前記不良パターンと、前記不良パターンごとに対応する前記観測値と、前記不良パターンおよび前記観測値の組み合わせごとに対応する、前記観測項目の時間変化に伴う変動傾向を示す観測項目のトレンドと、前記不良パターン、前記観測値および前記観測項目のトレンドの組み合わせごとに対応する不良の要因およびその対策と、が登録されている要因推定情報を記憶した記憶部と、
前記観測値を用いて、前記観測項目の時間変化に伴う変動傾向を示すトレンドの解析を行うトレンド解析部と、
前記不良パターン情報と、前記観測値と、前記トレンドの解析結果と、に基づいて、前記不良パターンに対応する前記不良の要因を前記要因推定情報から特定することで、不良の要因を推定する要因推定部と、して機能させる
ことを特徴とするプログラム。
請求項１１に記載のプログラムであって、
前記要因推定部は、
前記要因推定情報を用いて、推定した前記不良の要因に対応付けられた前記対策を特定する
ことを特徴とするプログラム。