JP7489668B2 - 実装基板製造システム - Google Patents

実装基板製造システム Download PDF

Info

Publication number
JP7489668B2
JP7489668B2 JP2021511372A JP2021511372A JP7489668B2 JP 7489668 B2 JP7489668 B2 JP 7489668B2 JP 2021511372 A JP2021511372 A JP 2021511372A JP 2021511372 A JP2021511372 A JP 2021511372A JP 7489668 B2 JP7489668 B2 JP 7489668B2
Authority
JP
Japan
Prior art keywords
new
data
component
rule
machine parameters
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
Application number
JP2021511372A
Other languages
English (en)
Other versions
JPWO2020203201A1 (ja
Inventor
太一 清水
栄滋 志垣
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Panasonic Intellectual Property Management Co Ltd
Original Assignee
Panasonic Intellectual Property Management Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Panasonic Intellectual Property Management Co Ltd filed Critical Panasonic Intellectual Property Management Co Ltd
Publication of JPWO2020203201A1 publication Critical patent/JPWO2020203201A1/ja
Application granted granted Critical
Publication of JP7489668B2 publication Critical patent/JP7489668B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • 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] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K13/00—Apparatus or processes specially adapted for manufacturing or adjusting assemblages of electric components
    • H05K13/08—Monitoring manufacture of assemblages
    • H05K13/0895—Maintenance systems or processes, e.g. indicating need for maintenance
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41805—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by assembly
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K13/00—Apparatus or processes specially adapted for manufacturing or adjusting assemblages of electric components
    • H05K13/04—Mounting of components, e.g. of leadless components
    • H—ELECTRICITY
    • H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
    • H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
    • H05K13/00—Apparatus or processes specially adapted for manufacturing or adjusting assemblages of electric components
    • H05K13/08—Monitoring manufacture of assemblages
    • H05K13/083—Quality monitoring using results from monitoring devices, e.g. feedback loops
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/0265—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric the criterion being a learning criterion
    • 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
    • G05B2219/31—From computer integrated manufacturing till monitoring
    • G05B2219/31263—Imbedded learning for planner, executor, monitor, controller and evaluator
    • 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
    • G05B2219/35—Nc in input of data, input till input file format
    • G05B2219/35059—Convert pcb design data to control data for surface mounting machine
    • 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
    • G05B2219/45—Nc applications
    • G05B2219/45026—Circuit board, pcb
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Operations Research (AREA)
  • General Factory Administration (AREA)
  • Supply And Installment Of Electrical Components (AREA)

Description

本開示は、部品実装機の実装基板製造システムに関する。
実装基板を製造する実装基板製造システムは、基板に部品を搭載する部品搭載作業を実行する部品装着装置が配置された部品実装ラインを備えている。部品装着装置によって実行される部品搭載作業は、部品供給部から部品を吸着ノズルによって取り出す吸着動作、取り出された部品を撮像して認識する認識動作、部品を基板上に移送して搭載する搭載動作など、各種の作業動作により構成される。これらの作業動作においては、微細な部品を対象として精細な動作を高精度・高効率で実行することが求められるため、各作業動作を良好な動作態様で実行するためのマシンパラメータが部品の種類に応じて予め設定される。そしてこれらのマシンパラメータを部品の種類と関連づけた部品データが、部品ライブラリとして記憶される。
これらの部品データは、必ずしも作業動作を最適な動作態様で実行することができる最適値に設定されているとは限らず、部品搭載作業の実行時に生じた不具合事象に対応して随時修正する必要がある。
しかし、部品データの修正作業には、部品装着に関する専門知識と経験に基づく熟練度など高度な専門性が求められるため、従来、生産現場においては試行錯誤による多大な手間と労力とを費やすことを余儀なくされていた。換言すると、部品搭載作業の実行時に部品の認識不良または吸着ミスなどの不具合が発生しても、どのようなパラメータ項目をどのように修正すべきかは、大部分がオペレータのノウハウに依存しているのが実情であった。このため、非熟練のオペレータにデータ修正が委ねられた場合には、不適正なデータ修正による試行錯誤を反復することとなり、データ修正作業の作業効率のみならず部品搭載作業の作業品質の向上が阻害される結果となっていた。
そこで、その対策として、特許文献１には、部品搭載作業の成績に基づいて部品データに含まれる少なくとも一つのマシンパラメータを修正する実装基板製造システムが開示されている。
特開２０１９－４１２９号公報
しかしながら、特許文献１に開示される実装基板製造システムでは、成績が悪い部品に対して、修正作業を行うため、一旦、部品搭載作業を実施してから、成績が悪いことを確認した後でのみ、修正作業を行うことになる。このため、生産実績のない新規部品が使用される状況では、部品が変わるごとに、一旦の部品搭載作業の実施時間が費やされるためすなわち成績を確認する工数が発生するため、生産効率を低下させてしまう。
さらに、近年、蓄積データを用いて、機械学習技術を活用し、新しい部品等の搭載装置の各種パラメータを出力する方法もある。しかし、ベンダーまたは熟練ユーザの経験上そぐわない各種パラメータの値が出てくることもあるため、現場を混乱させてしまうといった不具合も発生している。
そこで、本開示は、新規部品に対して、成績を確認する工数を発生させずに、適切なマシンパラメータを推定することができる実装基板製造システムを提供することを目的とする。
上記目的を達成するために、本開示の一形態に係る実装基板製造システムは、基板に部品を装着した実装基板を製造する実装基板製造システムであって、前記部品を基板に搭載する部品搭載作業を実行する少なくとも一つの部品搭載装置と、前記部品搭載装置が前記部品搭載作業を実行するための少なくとも一つのマシンパラメータを算出可能なルールベースと、前記部品搭載装置が実行した処理の結果を稼動情報とともに、部品データ別に集計する稼動情報集計部と、前記稼動情報集計部から、所定の基準を超える稼動結果の部品データを実績教師データとして選択し、前記実績教師データ、前記ルールベース及び新規な部品の基本情報を用いて、前記新規な部品の少なくとも一つのマシンパラメータを推定する推定部と、を備える。
なお、これらの全般的または具体的な態様は、システム、方法、集積回路、コンピュータプログラムまたはコンピュータで読み取り可能なＣＤ－ＲＯＭなどの記録媒体で実現されてもよく、システム、方法、集積回路、コンピュータプログラム及び記録媒体の任意な組み合わせで実現されてもよい。
本開示によれば、新規部品に対して、成績を確認する工数を発生させずに、適切なマシンパラメータが推定することができる。
図１は、実施の形態に係る実装基板製造システムの構成説明図である。 図２は、実施の形態に係る稼動情報集計データの一例を示す図である。 図３は、実施の形態に係る実装基板製造システムにおいて用いられる部品データのデータ構成の説明図である。 図４は、実施の形態に係るベンダーが設定したルールベースの一例を示す図である。 図５は、実施の形態に係るユーザが設定したルールベースの一例を示す図である。 図６は、実施の形態に係る実績教師データの一例を示す図である。 図７は、本実施の形態における実装基板製造システムの新規部品の生産開始までの動作を示すフローチャートである。 図８は、実施の形態の実施例１に係る統計モデルのグラフィカルモデルの一例を示す図である。 図９は、実施の形態の実施例２に係る統計モデルのグラフィカルモデルの一例を示す図である。 図１０は、実施の形態の実施例３に係るルールベースに含まれる複数のルールの重みの調整を説明するための図である。 図１１は、ガウス過程モデルのグラフィカルモデルの一例を示す図である。 図１２は、実施の形態の実施例４に係る統計モデルのグラフィカルモデルの一例を示す図である。 図１３は、実施の形態の実施例４に係る統計モデルの別のグラフィカルモデルの一例を示す図である。 図１４は、実施の形態の実施例５に係る統計モデルのグラフィカルモデルの一例を示す図である。 図１５は、実施の形態の実施例６に係る統計モデルのグラフィカルモデルの一例を示す図である。 図１６は、本開示に係るハイブリッド手法により推定されたマシンパラメータを示すバブルチャートである。 図１７は、図１６に示されるバブルを１つ以上選択されたときに示される部品情報である。 図１８は、本開示に係るハイブリッド手法により推定されたマシンパラメータを示す集計図である。
本開示の一態様に係る実装基板製造システムは、基板に部品を装着した実装基板を製造する実装基板製造システムであって、前記部品を基板に搭載する部品搭載作業を実行する少なくとも一つの部品搭載装置と、前記部品搭載装置が前記部品搭載作業を実行するための少なくとも一つのマシンパラメータを算出可能なルールベースと、前記部品搭載装置が実行した処理の結果を稼動情報とともに、部品データ別に集計する稼動情報集計部と、前記稼動情報集計部から、所定の基準を超える稼動結果の部品データを実績教師データとして選択し、前記実績教師データ、前記ルールベース及び新規な部品の基本情報を用いて、前記新規な部品の少なくとも一つのマシンパラメータを推定する推定部と、を備える。
これによれば、新規部品に対して、成績を確認する工数を発生させずに、適切なマシンパラメータが推定することができる。よって、生産実績のない新規部品が使用される状況でも、部品が変わるごとに、一旦の部品搭載作業の実施時間が費やす必要がなくなるため、生産効率の低下を抑制できる。
ここで、前記推定部は、前記所定の基準を超える稼動結果の部品データに含まれる部品の基本情報及び対応するマシンパラメータ値を学習データとして学習を行ったガウス過程regressorを用いて、前記新規な部品の基本情報に対して推定を行うことで、前記新規な部品に適用し得るマシンパラメータの予測分布が生成されて、前記新規な部品に適用し得るマシンパラメータを平均とした正規分布から、前記ルールベースの出力が生成されることから、前記新規な部品に適用し得るマシンパラメータの事後分布を算出し、算出した前記事後分布の平均を、前記適用し得るマシンパラメータのうち前記新規な部品に適用するマシンパラメータとして出力する。
これによれば、新規部品に対して、成績を確認する工数を発生させずに、かつ、ベンダーや熟練ユーザの経験にもそぐった適切なマシンパラメータを部品搭載作業前に推定することができる。よって、生産実績のない新規部品が使用される状況でも、部品が変わるごとに、一旦の部品搭載作業の実施時間が費やす必要がなくなるため、生産効率の低下を抑制できる。
また、例えば、前記ルールベースは、前記新規な部品の少なくとも一つのマシンパラメータを算出するため、異なる出力を行う整合しない２以上のルールを含むとしてもよい。
また、例えば、前記推定部は、ベイズ統計モデルを用いて、前記新規な部品の基本情報に対して推定を行うことで、前記新規な部品に適用し得るマシンパラメータの予測分布が生成されて、前記新規な部品に適用し得るマシンパラメータをパラメータとした分布から、前記ルールベースの出力が生成されることから、前記新規な部品に適用し得るマシンパラメータの事後分布を算出し、算出した前記事後分布の平均を、前記適用し得るマシンパラメータのうち前記新規な部品に適用するマシンパラメータとして出力してもよい。
また、例えば、前記推定部は、前記所定の基準を超える稼動結果の部品データに含まれる部品の基本情報及び対応するマシンパラメータ値を学習データとして学習を行ったベイズ統計モデルを用いて、前記新規な部品の基本情報に対して推定を行うことで、前記新規な部品に適用し得るマシンパラメータの予測分布が生成されて、前記新規な部品に適用し得るマシンパラメータをパラメータとした分布から、前記整合しない２以上のルールの出力が生成されることから、前記新規な部品に適用し得るマシンパラメータの事後分布を算出し、算出した前記事後分布の平均を、前記適用し得るマシンパラメータのうち前記新規な部品に適用するマシンパラメータとして出力する。
また、例えば、前記所定の基準を超える稼動結果の部品データの特徴は、ルールベースと機械学習とで異なるとしてもよい。
また、例えば、前記推定部により出力された前記新規な部品に適用するマシンパラメータと、前記部品搭載装置が前記部品搭載作業を実行するために実際に使用したマシンパラメータとを表示するインタフェース部を備えるとしてもよい。
なお、これらの全般的または具体的な態様は、システム、方法、集積回路、コンピュータプログラムまたはコンピュータで読み取り可能なＣＤ－ＲＯＭなどの記録媒体で実現されてもよく、システム、方法、集積回路、コンピュータプログラム及び記録媒体の任意な組み合わせで実現されてもよい。
以下、本開示の実施の形態について、図面を用いて詳細に説明する。なお、以下で説明する実施の形態は、いずれも本開示の好ましい一具体例を示すものである。以下の実施の形態で示される数値、形状、材料、構成要素、構成要素の配置位置及び接続形態、ステップ、ステップの順序などは、一例であり、本開示を限定する主旨ではない。また、以下の実施の形態における構成要素のうち、本開示の最上位概念を示す独立請求項に記載されていない構成要素については、より好ましい形態を構成する任意の構成要素として説明される。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。
（実施の形態）
まず、図１を参照して、実装基板製造システム１の構成を説明する。
［実装基板製造システム１］
図１は、本実施の形態に係る実装基板製造システム１の構成説明図である。実装基板製造システム１は、基板に部品を装着した実装基板を製造する機能を有している。図１において、実装基板製造システム１は、複数（ここでは２つ）の部品実装ライン１２Ａ、１２Ｂを有している。
［部品実装ライン１２Ａ、１２Ｂ］
部品実装ライン１２Ａには、部品搭載装置１３Ａ１、１３Ａ２、１３Ａ３が配置され、部品実装ライン１２Ｂには部品搭載装置１３Ｂ１、１３Ｂ２、１３Ｂ３が配置されている。すなわち実装基板製造システム１は、部品を基板に搭載する部品搭載作業を実行する少なくとも一つの部品搭載装置１３を有する構成となっている。部品搭載装置１３Ａ１、１３Ａ２、１３Ａ３は、ローカルエリアネットワーク等によって構築された通信ネットワーク２ａによって相互に接続される。また、部品搭載装置１３Ａ１、１３Ａ２、１３Ａ３は、データ通信用端末１１ａを介して、部品ライブラリ５ａ、稼動情報集計部１０ａを備えているクライアント端末９Ａに接続されている。
同様に、部品搭載装置１３Ｂ１、１３Ｂ２、１３Ｂ３は、通信ネットワーク２ｂによって相互に接続されるとともに、データ通信用端末１１ｂを介して、部品ライブラリ５ｂ及び稼動情報集計部１０ｂを備えているクライアント端末９Ｂに接続されている。
なお、以下において、部品実装ライン１２Ａ、１２Ｂを相互に区別する必要がない場合には単に部品実装ライン１２と総称する。同様に部品搭載装置１３Ａ１、１３Ａ２、１２Ａ３、部品搭載装置１３Ｂ１、１３Ｂ２、１３Ｂ３についても、これらを区別する必要がない場合には、単に部品搭載装置１３と総称する。
［クライアント端末９Ａ、９Ｂ］
クライアント端末９Ａ、９Ｂは、図１に示すように、部品ライブラリ５ａ、５ｂと、稼動情報集計部１０ａ、１０ｂとを備えている。
クライアント端末９Ａ、９Ｂは、ローカルエリアネットワークまたはインターネット（公衆回線）等によって構築された通信ネットワーク２を介してサーバ３に接続されている。
クライアント端末９Ａ、９Ｂには、それぞれ部品実装ライン１２Ａ、１２Ｂによる実装基板の生産に必要なデータが、通信ネットワーク２を介してサーバ３からダウンロードされる。すなわち、部品実装ライン１２Ａ，１２Ｂによってそれぞれ生産される実装基板の生産データであってサーバ３に記憶されている生産データ（不図示）は、通信ネットワーク２を介してサーバ３からクライアント端末９Ａ、９Ｂにダウンロードされる。ここで、生産データは、サーバ３に記憶され、部品実装ライン１２Ａ、１２Ｂを含む工場内で生産される実装基板に用いられるデータである。この生産データは、部品搭載装置１３にて１つの基板品種の実装基板を生産するために必要なデータが規定される。例えば生産データには、当該基板品種の実装基板に搭載される部品の部品名、当該部品を部品ライブラリで特定するための部品コード、当該部品の実装基板における装着位置及び装着角度、並びに装着角度が、実装対象の各部品について規定されている。さらにこの生産データには、当該実装基板の生産に使用される設備側の条件、すなわち部品搭載装置１３における設定状態などを示す設備条件データが、部品名毎に規定されていてもよい。
同様に、部品ライブラリ５が有する部品データのうち、部品実装ライン１２Ａ，１２Ｂによってそれぞれ生産される実装基板に使用される部品データは、クライアント端末９Ａ、９Ｂの部品ライブラリ５ａ、５ｂにダウンロードされる。
部品実装ライン１２Ａ、１２Ｂでは、生産時に、部品ライブラリ５ａ、５ｂを用いて、部品搭載作業が行われる。部品搭載作業が行われている際にエラーが発生した場合、部品ライブラリ５ａ、５ｂの部品データは、ユーザにより、変更される。なお、ここでのエラーは、例えば部品供給部から搭載ヘッドによって部品を真空吸着によって取り出す際の吸着動作のエラーである。また、ここでのエラーは、取り出された部品を部品認識カメラによって撮像して認識する際のエラー、取り出された部品を搭載ヘッドによって基板に搭載する際の装着エラー、実装ラインの後工程での検査工程で判明する不良判定等のエラーであってもよい。
図２は、本実施の形態に係る稼動情報集計データの一例を示す図である。
クライアント端末９Ａ、９Ｂは、上述したように稼動情報集計部１０ａ、１０ｂを備えている。稼動情報集計部１０ａ、１０ｂは、部品搭載装置１３が実行した処理の結果を稼動情報とともに、部品データ別に集計する。
より具体的には、稼動情報集計部１０ａ、１０ｂは、実装基板の生産のために部品実装ライン１２Ａ、１２Ｂによって実行される部品搭載作業の成績を、部品データ別に集計し、稼動情報集計データとして蓄積する処理を行う。ここで、部品搭載作業の成績とは、上記のエラーを部品別に集計し、更に、部品ごとのエラーにかかわらない基板への搭載個数を集計した上で、エラー率を算出した結果を成績である。つまり、部品搭載作業の成績は、例えば図２の稼動情報集計データの一例に示されるように、「吸着率％」、「認識率％」、「装着率％」、「検査エラー率％」などで示される。このように、図２に示す稼動情報集計データには、部品搭載装置１３が実行した処理の結果として、部品ごとの部品搭載作業の成績が含まれている。また、図２に示すように、稼動情報集計データには、稼動情報として、部品ごとの部品の基本情報の複数の条件と、部品搭載作業で実際に適用された複数のマシンパラメータ（実績）とが含まれている。部品の基本情報の複数の条件は、後述するが、部品データの基本情報に規定される形状、サイズ等に対応する。部品の基本情報の複数の条件は、後述する部品データ１４の基本情報１５に規定される形状、サイズ等に対応する。複数のマシンパラメータ（実績）は、後述する部品データのマシンパラメータに規定されるノズル設定、吸着等に対応し、部品データそのままの値またはユーザ等で更新された値が実績として含まれる。
［サーバ３］
サーバ３は、実装基板製造システム１において使用される各種のデータをクライアント端末９Ａ、９Ｂに提供する機能を有している。サーバ３は、例えば図１に示すように、ルールベース４と、部品ライブラリ５と、実績教師データ６と、計算処理部７とを備える。サーバ３は、インタフェース部８と有線または無線で接続されている。なお、サーバ３は、上述した生産データを記憶している。
図３は、本実施の形態に係る実装基板製造システム１において用いられる部品データ１４のデータ構成の説明図である。
部品ライブラリ５は、当該工場内で生産される実装基板に用いられる部品に関する部品データ１４（図３参照）がマスターライブラリの形に編集されたものであり、サーバ３に備えられる。部品ライブラリ５は、部品搭載装置１３が部品搭載作業を実行するための少なくとも一つのマシンパラメータと、当該部品に関する部品の基本情報とを含んで構成されている部品データ１４を複数格納したライブラリとなっている。
ここで、図３に示されるように、部品データ１４には、大分類項目として基本情報１５及びマシンパラメータ１６が規定されている。
基本情報１５は、当該部品に固有の属性を示す情報である。基本情報１５の中分類項目として、図３には、形状１５ａ、サイズ１５ｂ、及び、部品情報１５ｃが例示されている。
形状１５ａは、当該部品の形状に関する情報であり、形状１５ａの小分類項目として、当該部品の外形形状を、矩形、円柱状などの形状区分によって示す「形状」が規定されている。サイズ１５ｂの小分類項目として、当該部品のサイズを示す「外形寸法」、当該部品に形成された接続用の電極の数または位置を示す「電極位置」などが規定されている。部品情報１５ｃは、当該部品の属性情報である。基本情報１５の小分類項目として、当該部品の種類を示す「部品種別」、当該部品の外形における方向性の有無を示す「極性有無」、極性有りの場合に当該部品に付されるマークの形状などを示す「極性マーク」、極性マーク有りの場合に当該マークの位置を示す「マーク位置」などが規定されている。
マシンパラメータ１６は、部品搭載装置１３が部品搭載作業を実行するためのパラメータである。より具体的には、マシンパラメータ１６は、当該部品データ１４に規定される部品を対象として、部品実装ライン１２に配置された部品搭載装置１３によって部品搭載作業を実行する際に、部品搭載装置１３を制御するために用いられる制御パラメータである。このマシンパラメータ１６は、ルールベース４、及び、成績が実績としてよかった部品データの両方を活用した後述するハイブリッド手法を用いてサーバ３により推定される。
図３には、マシンパラメータ１６の中分類項目として、ノズル設定１６ａ、スピードパラメータ１６ｂ、認識１６ｃ、吸着１６ｄ、装着１６ｅが例示されている。
ノズル設定１６ａは、当該部品を吸着保持する場合に用いられる吸着ノズルに関するデータである。ノズル設定１６ａの小分類項目として、選択可能な吸着ノズルの種類を特定する「ノズル」が規定されている。スピードパラメータ１６ｂは、当該部品を吸着ノズルによって取り出して基板に装着する作業動作における吸着ノズルの移動速度に関する制御パラメータである。スピードパラメータ１６ｂの小分類項目として、部品を吸着して保持する際の「吸着速度」、「吸着時間」、保持した部品を基板に装着する際の「装着速度」、「装着時間」などが規定されている。
認識１６ｃは、部品供給部から吸着ノズルによって取り出された部品を部品認識カメラによって撮像して認識する認識処理の実行に関する制御パラメータである。認識１６ｃの小分類項目として、撮像に使用されるカメラの種類を特定する「カメラ種別」、撮像に際して使用される照明のモードを示す「照明モード」、撮像により取得された画像を認識する際の「認識速度」などが規定されている。
吸着１６ｄは、部品供給部から吸着ノズルによって部品を取り出す際の吸着動作に関する制御パラメータである。吸着１６ｄの小分類項目として、吸着ノズルを部品に着地させる際の吸着位置を示す「吸着位置Ｘ」、「吸着位置Ｙ」などが規定されている。
装着１６ｅは、部品を吸着ノズルによって吸着保持した搭載ヘッドを基板に移動させて、吸着ノズルに昇降動作を行わせて部品を基板に装着する装着動作に関する制御パラメータである。装着１６ｅの小分類項目として、吸着ノズルを下降させて部品を基板に着地させる際に部品を基板に押し付ける荷重である「装着荷重」が規定されている。図３では、装着１６ｅの小分類項目として、さらに、吸着ノズルを下降、上昇させる昇降動作の速度を高低２段に切り換えて行う際の切り換え高さ位置や高低速度などの動作態様を規定する「２段動作（下降）」、「２段動作オフセット（下降）」、「２段動作速度（下降）」、「２段動作（上昇）」などが例示されている。
図４は、本実施の形態に係るベンダーが設定したルールベースの一例を示す図である。図５は、本実施の形態に係るユーザが設定したルールベースの一例を示す図である。
ルールベース４は、サーバ３に保有され、サーバ３に用いられることで、少なくとも一つのマシンパラメータが算出可能なルールベースである。図４に例示されるように、ルールベース４は、条件部と出力とから構成されるルールを１以上格納している。
以下、図４及び図５を用いて、ルールベース４の説明を行う。ルールの条件部は、部品の基本情報の複数の条件により構成される。当該ルールの出力は、該当部品の基本情報の複数の条件の組み合わせに適していると考えられる複数のマシンパラメータにより構成される。
例えばルールＲ１における基本情報の条件の一つを示すK1_rulは、部品がある大きさ以上であるか否か、といったものである。つまり、基本情報の複数の条件は、図３に示す部品データ１４の基本情報１５に規定される形状１５ａ、サイズ１５ｂ等に対応する。複数のマシンパラメータは、図３に示す部品データ１４のマシンパラメータ１６に規定されるノズル設定１６ａ、吸着１６ｄ等に対応し、部品データそのままの値でもよいしユーザ等で更新された値が含まれてもよい。
このように、ルールベース４には、例えば図４に示すようなベンダーによって入力されたルールが含まれてもよいし、例えば図５に示すようなユーザによって入力されたルールが含まれてもよい。つまり、ルールは、ユーザによって追加されてもよい。
図４に示すように、ルールベース４では、ベンダーによって入力されるルールＲ１，Ｒ２，Ｒ３は、あらゆる部品の基本情報に対してマシンパラメータを出力できるように設定される。より詳細には、ベンダーによってルールが入力される場合、あらゆる部品の基本情報を網羅するように、基本情報の条件の組み合わせが設定され、その全ての基本情報の条件の組み合わせにおいて、全てのマシンパラメータが設定される。
一方で、図５に示すように、ルールベース４では、ユーザによって追加されたルールＲ４は、基本情報の条件部の一部の条件と、出力の一部のマシンパラメータとのみからなる、簡易なルールであってもよい。つまり、図４の「ＮａＮ」に示されるように、ユーザによってルールが追加される場合、設定されていない条件部の箇所があってもよい。この「ＮａＮ」は、外形などの他の条件部の条件が満たされていれば形状はなんでも構わないことを意味する。つまり、部品データが、設定されている他の条件部の条件を満たしていれば、ルールＲ４が適用される。
なお、ユーザは、例えば図１に示すインタフェース部８を介して、ルールベース４に、ルールを入力する。つまり、インタフェース部８は、ユーザによりルールベース４にルールが入力されるときに用いられる入力部の機能を有している。また、インタフェース部８は、ルールベース４に含まれるまたはユーザにより入力されるルールを表示する表示部の機能をさらに有していてもよい。更に、インタフェース部８は、計算処理部７により出力された新規部品に適用するためのマシンパラメータと、部品搭載装置１３が部品搭載作業を実行するために実際に使用したマシンパラメータとを表示してもよい。なお、表示部の機能としては、ユーザが追加したルールのみ表示されるようになっていても良い。
図６は、本実施の形態に係る実績教師データ６の一例を示す図である。
サーバ３は、上述したが、図１に示すように、計算処理部７を備える。この計算処理部７は、例えば推定部の一例であり、稼動情報集計部１０ａ、１０ｂから、所定の基準を超える稼動結果の部品データを実績教師データとして選択する。
本実施の形態では、サーバ３の計算処理部７は、クライアント端末９Ａ、９Ｂの稼動情報集計部１０ａ、１０ｂから、所定の基準を超える稼動結果の部品データを実績教師データ６として選択する。ここで所定の基準とは、例えば９０％の成績である。このため、所定の基準を超える稼動結果の部品データを、以下では成績がよい部品データとも称する。より具体的には、サーバ３は、クライアント端末９Ａ、９Ｂから、稼動情報集計データから、成績がよい部品データについての部品の基本情報及び、部品搭載作業で実際に適用（使用）されたマシンパラメータであるマシンパラメータ（実績）をダウンロード（取得）する。なお、図６には、成績が９０％を超えている場合の部品データを成績がよい部品データとした場合の例が示されている。つまり、図６には、図２に示す部品Ｐ１～Ｐ６のうち、部品Ｐ１～Ｐ３、Ｐ６についての基本情報及びマシンパラメータ（実績）が、実績教師データ６として蓄積されている。
さらに、サーバ３は、図６に示すように、上記で取得した成績がよい部品データの部品の基本情報及びマシンパラメータ（実績）に対して、各部品の基本情報に対するルールベース出力値を追加して、実績教師データとして蓄積する。なお、ルールベース出力値は、ルールベース４を参照することで得られる各部品の基本情報に対するマシンパラメータであり、図６ではマシンパラメータ（ルールベース出力）として示されている。
また、サーバ３の計算処理部７（推定部）は、実績教師データ６、ルールベース４及び新規部品の基本情報を用いて、新規部品の少なくとも一つのマシンパラメータを推定する。本実施の形態では、サーバ３の計算処理部７は、新規部品の基本情報が入力されたとき、その基本情報を、まず、部品ライブラリ５に登録し、続いてルールベース４を参照することで、該当新規部品に対するルールベース出力を取得する。そして、ルールベース出力と実績教師データ６との両方を用いて、適切なマシンパラメータを推定して出力する。
なお、計算処理部７では、適切なマシンパラメータを推定するために、ベイズ推定に基づく演算処理を行う。より具体的には、計算処理部７は、所定の基準を超える稼動結果の部品データに含まれる部品の基本情報及び対応するマシンパラメータ値を学習データとして学習を行ったガウス過程回帰モデル（ガウス過程regressor）を用いて、新規な部品の基本情報に対して推定を行う。これにより、計算処理部７は、新規部品に適用し得るマシンパラメータの予測分布を生成する。ここで、新規部品に適用し得るマシンパラメータを平均とした正規分布が、ルールベース出力を生成する。このことから、計算処理部７は、新規部品に適用し得るマシンパラメータの事後分布を算出することで、算出した事後分布の平均を、当該適用し得るマシンパラメータのうち新規部品に適用するマシンパラメータとして出力する。
また、サーバ３の計算処理部７は、出力した適切なマシンパラメータを、部品ライブラリ５に登録する。そして、該当部品が使用される部品実装ラインの例えば部品ライブラリ５ａが、該当部品データをダウンロードすることで、部品搭載装置１３は、当該部品データを生産に使用することができる。
［実装基板製造システム１の動作］
次に、以上のように構成された実装基板製造システム１の動作について説明する。
図７は、本実施の形態における実装基板製造システム１の新規部品の生産開始までの動作を示すフローチャートである。
まず、新規部品の基本情報が、ユーザ等によりサーバ３に入力されるとする（Ｓ１１）。すると、サーバ３は、部品ライブラリ５に新規部品の基本情報を登録（設定）する（Ｓ１２）。
次に、サーバ３は、新規部品の基本情報を用いてルールベース４を参照し（Ｓ１３）、新規部品に対するルールベース出力を取得する。
次に、サーバ３は、新規部品の基本情報とルールベース出力と実績教師データ６とを用いて、新規部品に対する適切なマシンパラメータを推定して出力する（Ｓ１４）。このように、サーバ３は、ルールベース出力と実績教師データ６との両方を用いたハイブリッド手法により新規部品に対する適切なマシンパラメータを推定する。
次に、サーバ３は、部品ライブラリ５において、ステップＳ１４で出力した適切なマシンパラメータを、当該新規部品の基本情報に対応する位置に登録する（Ｓ１５）。
次に、例えばクライアント端末９Ａは、サーバ３の部品ライブラリから、当該新規部品が使用される部品実装ライン１２Ａの部品ライブラリ５ａに、当該新規部品の部品データをダウンロードする（Ｓ１６）。
そして、部品実装ライン１２Ａは、当該新規部品の部品データを使用して、当該新規部品の生産を開始する（Ｓ１７）。
［効果等］
以上のように、本開示の実装基板製造システム１によれば、新規部品に対して、成績を確認する工数を発生させずに、適切なマシンパラメータが推定することができる。また、本開示の実装基板製造システム１は、ルールベース４に含まれるルールと、実績教師データ６を用いて学習させたモデルとを両方用いるハイブリッド手法により適切なマシンパラメータを推定する。これにより、ルールだけではカバーできないマシンパラメータが、実績教師データを用いたモデルにより推定され、実績教師データを用いたモデルだけではカバーできないマシンパラメータが、ルールを用いて推定されるという効果を奏する。したがって、本開示の実装基板製造システム１は、新規部品に対して、成績を確認する工数を発生させずに、かつ、ベンダーや熟練ユーザの経験にもそぐった適切なマシンパラメータを部品搭載作業前に推定することができる。よって、生産実績のない新規部品が使用される状況でも、部品が変わるごとに、一旦の部品搭載作業の実施時間が費やす必要がなくなるため、生産効率の低下を抑制できる。
（実施例１）
実施例１では、サーバの計算処理部７が行う、ベイズ推定に基づく演算処理の一具体的態様について説明する。本実施例では、計算処理部７は、統計モデルを用いて、適切なマシンパラメータを推定する。なお、以下で、太字はベクトルまたは行列を示すとする。また、以下では、ひとつのマシンパラメータＭＰ１の推定方法について説明するが、あらゆるマシンパラメータにおいて、同様の処理を行う。
図８は、実施の形態の実施例１に係る統計モデルのグラフィカルモデルの一例を示す図である。
図８において、新規部品の基本情報をX_new_vec（太字）とし、当該新規部品に対して適用されたルールの名前をルール１とし、その出力（ルールベース出力）をY_new_ruleとしている。また、計算処理部７が推定する新規部品の適切なマシンパラメータＭＰ１をY_new_trueとしている。また、実績教師データのｎ個の部品の基本情報をX_train_mat（太字）とし、実績教師データのマシンパラメータＭＰ１をY_train_true_vec（太字）とする。
ここで、X_new_vec（太字）とX_train_mat（太字）とY_train_true_vec（太字）とは、下記のように表すことができる。
Figure 0007489668000001
Figure 0007489668000002
Figure 0007489668000003
X_new_vec（太字）の各要素は新規部品の基本情報を示し、X_train_mat（太字）の各要素は実績教師データの複数の部品の基本情報を示し、Y_train_true_vec（太字）の各要素は実績教師データのｎ個の部品の実績パラメータを示す。これらの各要素における、ｍは部品情報の種類数を示す。
まず、X_train_mat（太字）を入力、Y_train_true_vec（太字）を出力として、ガウス過程回帰モデルの学習を行う。
回帰モデルの学習後、ガウス過程回帰モデルに対して、X_new_vec（太字）を入力としたとき、ガウス過程回帰モデルの出力は、Y_new_trueの予測分布であると考えられる。ガウス過程回帰モデルの予測分布は、正規分布となり、その平均と分散が解析的に求められることが知られている。
Y_new_trueの予測分布を下記の（式１）に示す。（式１）において、予測分布の平均をY_new_true_gaussian、分散をσ_gaussian_r2とした。さらに、下記の（式２）に示すように、Y_new_trueを平均とし、σ_r_12を分散とする正規分布から、当該新規部品に対するルールベース出力であるY_new_rule_1が生成されると仮定する。
Y_new_true～N（Y_new_true_gaussian,σ_gaussian_r2）・・・（式１）
Y_new_rule_1～N（Y_new_true,σ_r_12）・・・（式２）
ここで、標準偏差σ_rは、Y_train_true_vec（太字）のすべての要素からY_new_rule1を引いた下記に示すY_train_true_vec_rule_1（太字）の全要素を絶対値に変換した後の平均、あるいは、その２倍である。
Figure 0007489668000004
なお、当該新規部品に対して適用されたルール１の精度が低かった場合、標準偏差σ_rは自動的に大きくなり、本実施例における計算処理部７が行う推定において、ルール１が重視されなくなるという効果が得られる。
また、Y_new_trueの事後分布を求めるとき、（式１）において、Y_new_trueの事前分布が正規分布で設定され、（式２）において、Y_new_trueを平均とした正規分布が設定される。このため、Y_new_trueに対して、共役事前分布を設定できていることになる。
以上により、（式１）と（式２）とにおいて、Y_new_true以外の値が既知となったとき、Y_new_trueの事後分布は、正規分布となり、解析的にその事後分布の平均及び分散が、算出可能となる。したがって、計算処理部７は、Y_new_trueの事後分布の平均を算出することで、Y_new_trueの事後分布の平均を、推定対象の新規部品の適切なマシンパラメータとして、出力することができる。
なお、（式１）の出力を行うガウス過程回帰モデルのハイパーパラメータに関しては、例えば、実績教師データの複数の部品の基本情報をX_train_mat（太字）として、実績教師データのマシンパラメータＭＰ１を示すY_train_true_vec（太字）を教師データとして学習する際に、事前分布を設定しておき、ベイズ推定を行ってもよいし、第２種の最尤推定を行ってもよい。
また、（式１）の予測分布を出力する手法としては、ガウス過程回帰モデルを用いる場合に限らず、例えば、ベイジアンディープニューラルネット、ベイズ統計モデルなど、Y_new_trueの予測分布を出力できるものであればよい。
また、（式２）のY_new_trueを平均とする分布においても、正規分布に限らず、Y_new_trueをパラメータ（母数）とした分布であればよい。換言すると、推定対象の新規部品に適用し得るマシンパラメータをパラメータとした分布であればよい。なお、このとき、解析的にY_new_trueの事後分布が計算できない場合、事後確率最大化するY_new_trueを求め、適切なマシンパラメータとして、出力してもよい。あるいはマルコフ連鎖モンテカルロ法により事後分布からサンプリングし、得られたサンプルの平均を適切なマシンパラメータとして、出力してもよい。
（実施例２）
サーバ３が有するルールベース４には、少なくとも一つのマシンパラメータを算出するために用いられる新規部品に対する複数のルールに、整合しない２以上のルールを含んでいてもよい。この場合において、サーバの計算処理部７で行う、ベイズ推定に基づく演算処理の一具体的態様を実施例２として説明する。なお、以下では、実施例１と異なるところを中心に説明する。
図９は、実施の形態の実施例２に係る統計モデルのグラフィカルモデルの一例を示す図である。
推定対象の新規部品に対して、異なるルールベース出力を行う２つのルールがルールベース４に存在する場合がある。このとき、この２つのルールの名称をルール２とルール３とし、図９に示すように、その出力（ルールベース出力）をY_new_rule_2及びY_new_rule_3とする。
また、下記の（式３）に示すように、Y_new_rule_2に対しては、（式３）中のY_new_trueを平均とし、σ_r_22を分散とする正規分布を仮定する。また、下記の（式４）に示すように、Y_new_rule_3に対しては、（式４）中のY_new_trueを平均とし、σ_r_32を分散とする正規分布を仮定する。また、予測分布の平均がY_new_true_gaussianで、分散がσ_gaussian_r2である正規分布を示すとして、上記の（式１）の正規分布から、Y_new_trueが生成されると仮定する。
Y_new_rule_2～N（Y_new_true,σ_r_22）・・・（式３）
Y_new_rule_3～N（Y_new_true,σ_r_32）・・・（式４）
このような場合において、まず、（式１）と（式３）から、実績教師データとルール２の影響を考慮した、（式５）で示されるY_new_trueの事後分布となる正規分布が、解析的に計算できる。
Y_new_true～N（Y_new_true_gaussian_and_rule1,σ_gaussian_and_rule12）・・・（式５）
続いて、（式４）と（式５）とから、実績教師データとルール３の影響を考慮したY_new_trueの事後分布となる正規分布が、解析的に計算できる。
以上から、上記のように算出することで、ルールベース出力が整合しない複数のルールの存在を許容する統計も得ることができる。これにより、計算処理部７は、ルールベース４において推定対象の新規部品に対して、異なるルールベース出力を行う２つのルールが存在していても、適切なマシンパラメータを算出できる。よって、ユーザは、ルールベース４においてベンダーが設定済みのルールとの整合を考慮せずに、簡便に新規ルールを設定することができる。
なお、複数のルールのうち、σ_rの小さい、上位複数、あるいは単数のルールのみを用いて、上記の算出を行っても良い。
（実施例３）
実施例２では、ルールベース４において整合しない２以上のルールが存在する場合、整合しない２以上のルールのそれぞれを用いて統計モデルを再帰的に更新することで、２以上のルールを統計モデルに反映させる手法について説明したが、これに限らない。ルールベース４において、整合しない２以上のルールがあった場合、ユーザが統計モデルにルールを反映させる際の重みの調整を行ってもよい。以下、この場合を実施例３として説明する。なお、実施例３では、実施例１及び２と異なるところを中心に説明する。
図１０は、実施の形態の実施例３に係るルールベース４に含まれる複数のルールの重みの調整を説明するための図である。
図１０には、インタフェース部８により、ルールベース４に含まれる複数のルールに、学習された統計モデルの標準偏差が示されている。すなわち、図１０に示すように、インタフェース部８は、各ルールの標準偏差σ_rを、ルールべース４におけるルールの条件部及び出力と共に表示してもよい。
ここで、例えばユーザが特定のルールを重視したい場合は、インタフェース部８において、該当ルールの標準偏差σ_rを小さい値に変更（設定）すればよい。これにより、熟練ユーザの経験により設定されたルールを重視した統計モデルに更新できるので、計算処理部７に、新規部品に対してより適切なマシンパラメータを推定させることができる。
また、図１０には、特定の熟練ユーザＵ２が、ルールＲ５を設定した場合に、新たにルールＲ７が設定されている例が示されている。つまり、図１０では、ユーザに依存するルールが示されている。
ここで、例えば、幾つかのルールで、標準偏差σ_rを同一のものとしてもよい。この場合、例えば、ルールＲ７の吸着速度のσ_r_S_7は、実績教師データのおける実績吸着速度とルールＲ５の出力の差及び実績吸着速度とルールＲ７の出力の差の絶対値の平均、あるいは、その２倍となるように算出される。
また、ユーザは、インタフェース部８を介して、計算処理部７が演算処理を行う前に、図１０に示す例のように、ルールベース４に複数のルールを登録してもよい。すると、その後に、インタフェース部８は、各ルールの各パラメータにおける標準偏差σ_rを表示する。そして、この場合、ユーザは、ルールの標準偏差σ_rを確認した後に、インタフェース部８を介して、ＯＮまたはＯＦＦを設定しても良い。ＯＦＦと設定されたルールは、計算処理部７による上記の演算処理には使用されない。一方、ＯＮと設定されたルールは、計算処理部７による上記の演算処理には使用されることになる。
（実施例４）
実施例１、２では、新規部品の適切なマシンパラメータに対してのみ、ルールベース出力を生成する正規分布を仮定した。しかし、正規分布を仮定する方法では、適切なマシンパラメータが唯一の値でなく、幅を持った性質を持つ場合、非適切な推定を行う場合がある。そこで、ルールにガイドされたガウス過程回帰モデルである、ガウス過程回帰モデルＡを、ガウス過程回帰モデルの代わりに活用してもよい。ガウス過程回帰モデルＡを、実施例１および実施例２のガウス過程に置き換えることで、適切なマシンパラメータを計算することができる。
以下、この場合について実施例４として説明する。なお、実施例４でも、実施例１及び２と異なるところを中心に説明する。
図１１は、ガウス過程モデルのグラフィカルモデルの一例を示す図である。図１２は、実施の形態の実施例４に係る統計モデルのグラフィカルモデルの一例を示す図である。図８と同様のものについては、同一の名称が付されており、詳細な説明は省略する。
以下、ガウス過程回帰モデルＡを説明する。まず、Y_train_true_vec（太字）が（式６）及び（式７）に示すガウス過程回帰モデルから生成されるとする。（式６）及び（式７）において、Y_train_f_vec（太字）は確率変数であり、Y_train_f_gaussian（太字）,σ_train_f_mat（太字）、σ_gaussianはガウス過程回帰モデルで学習するパラメータに相当する。ここまでは、一般的なガウス過程回帰モデルである。このガウス過程モデルのグラフィカルモデルは、図１１のように示される。
更に、train_f_vec（太字）の各要素を中心とした正規分布から、Y_train_rule_vec（太字）の各要素が生成されるとする。（式８）には、その例が示されている。（式８）において、Y_train_rule_vec（太字）は実績教師データの各部品に対応するルールの出力が格納されたベクトルである。σ_r_[i]は該当ルールの標準偏差である。このような本実施例に係るモデルのグラフィカルモデルは、図１２のように示される。
Figure 0007489668000005
Figure 0007489668000006
Figure 0007489668000007
ここで、Y_train_true_vec（太字）及びY_train_rule_vec（太字）を既知として、Y_train_f_gaussian（太字）,σ_train_f_mat（太字）、σ_gaussianを算出し、学習を行ってよい。また、σ_r_[i]に対しても、逆ガンマ分布を事前分布として設定し、学習を行ってよい。そして、学習の結果得られたガウス過程回帰モデルＡを、実施例１及び実施例２のガウス過程に置き換える。このようにして、適切なマシンパラメータが幅を持った性質を持つとしても、適切なマシンパラメータを計算することができる。
図１３は、実施の形態の実施例４に係る統計モデルの別のグラフィカルモデルの一例を示す図である。
また、ガウス過程回帰モデルＡにおいて、ガウス過程回帰モデルの代わりに、ガウス過程回帰を多層化した、深層ガウス過程回帰を用いてもよい。この場合のグラフィカルモデルが１３に示されている。図１３では、隠れ層を２層とし、ユニット数を３としたが、これに限らない。このようにして、ガウス過程回帰を多層化することで、部品情報と適切なパラメータのより複雑な関係を学習することが可能になる。
（実施例５）
実施の形態及び実施例１～４では、マシンパラメータが、量的変数であるとして説明したが、これに限らない。複数のマシンパラメータのうち１以上のマシンパラメータが、ある装置の機能等をＯＮまたはＯＦＦするといったような質的変数である場合も考えられる。以下、この場合に、サーバの計算処理部７が行う演算処理の一具体的態様を実施例５として説明する。なお、実施例５では、実施例１～４と異なるところを中心に説明する。
図１４は、実施の形態の実施例５に係る統計モデルのグラフィカルモデルの一例を示す図である。図８と同様のものについては、同一の名称が付されており、詳細な説明は省略する。
マシンパラメータが質的変数である場合は、ガウス過程regressorではなく、質的変数に対応したガウス過程classifierを用いて統計モデルの学習を行う。
以下では、計算処理部７が推定対象とする質的変数であるマシンパラメータをＭＰ２と称し、ＭＰ２は、オンとオフの設定を持つとする。また、ＭＰ２がオンの場合を１とし、オフの場合を０として扱う。
ガウス過程classifierを適用する際、実績教師データの質的変数であるマシンパラメータＭＰ２であるY_train_true_vec（太字）に対応する、潜在変数ベクトルF_train_true_vec（太字）を導入する。Y_train_true_vec（太字）とF_train_true_vec（太字）との各要素は、下記のように示される。
Figure 0007489668000008
Figure 0007489668000009
また、Y_train_true_vec（太字）とF_train_true_vec（太字）の各要素の関係は、下記の（式９）のように示される。
Y_train_true＝σ(F_train_true)・・・（式９）
（式９）において、関数σ(z)は、連続値を０～１の変数に変換する関数である。関数σ(z)は、例えば、下記に示すロジスティック関数であってもよい。
Figure 0007489668000010
図１４に示すように、ガウス過程classifierでは、X_train_mat（太字）とY_train_true_vec（太字）を与えられると、Y_train_true_vec（太字）にできるだけ近い値を出力するF_train_true_vec（太字）を、X_train（太字）から出力可能となるような学習を統計モデルに行う。なお、この学習は、ガウス過程regressorと異なり、関数σ(z)の影響により、解析的に行うことが困難であるため、ラプラス近似を用いて学習する方法が提案されている。
そこで、ラプラス近似を用いて統計モデルの学習を行う。すると、ラプラス近似を用いた統計モデルの学習後、X_newを入力としたとき、（式１０）に示す正規分布を、F_new_trueの予測分布として出力することが知られている。
F_new_true～N（F_new_gaussian, F_σ_gaussian2）・・・（式１０）
（式１０）に示す正規分布において、平均がF_new_gaussianであり、分散がF_σ_gaussian2である。
ここで、F_new_trueは、推定対象の新規部品の潜在変数となる。そのため、ガウス過程classifierでは、関数σ(z)にF_new_trueを入力し、その出力が、０．５を超えたときに、マシンパラメータがオンであると推定する。
本実施例では、次に説明する方法で、公知のガウス過程classifierとルールベース出力とを組み合わせる。すなわち、まず、上記の方法で学習を行ったガウス過程classifierを用いて、X_train_mat（太字）に対して予測を行い、出力される潜在変数の平均を各要素とした、下記に示すF_train_true_pred_vec（太字）を作成する。
Figure 0007489668000011
次に、F_train_true_pred_vec（太字）から、下記に示すY_train_true_vec（太字）において、要素が１である部品に対応する、潜在変数をすべて抽出し、その平均値をF_rule1_meanとする。
Figure 0007489668000012
また、F_train_true_pred_vec（太字）から、下記に示すY_train_true_vec（太字）において要素が０である部品に対応する、潜在変数をすべて抽出し、その平均値をF_rule0_meanとする。
Figure 0007489668000013
ここでマシンパラメータＭＰ２がオンであると出力（ルールベース出力）するルールをＲ８とする。
この時、Ｒ８の分散をF_rule1_dif2と置く。F_rule1_dif2は、F_train_true_pred_vec（太字）のすべての要素から、F_rule1_meanを引いた、下記に示すF_rule1_difの全要素を絶対値に変換した後の平均、あるいは、その２倍である。
Figure 0007489668000014
次に、下記の（式１１）で示されるように、F_new_trueを平均とし、F_rule1_dif2を分散とする正規分布から、F_rule1_meanが生成されると仮定する。
F_rule1_mean～N（F_new_true,F_rule1_dif2）・・・（式１１）
以上により、（式１０）及び（式１１）から、F_new_true以外が既知の場合、F_new_trueの事後分布は、正規分布となり、解析的にその平均と分散が算出可能となる。
ここでF_new_trueの事後分布の平均を、関数σ(z)に入力したときの出力をY_new_true_probabilityとする。Y_new_true_probabilityが０．５以上であれば、Y_new_true=1として、適切なマシンパラメータをオンとして出力する。一方で、Y_new_true_probabilityが０．５より小さければ、Y_new_true=0として、適切なマシンパラメータをオフとして出力する。
このように、計算処理部７は、F_new_trueの事後分布の平均を、Y_new_true_probabilityとして算出することで、マシンパラメータが質的変数であっても、推定対象の新規部品の適切なマシンパラメータを、出力することができる。
なお、上記では、マシンパラメータが２つの水準（２つの選択肢）からなる質的変数であるとして説明したが、これに限らない。マシンパラメータが質的変数であり、かつ、複数の水準あってもよい。この場合、上記の方法を、one-versus-restで、各水準に対して行い、F_new_trueの事後分布をq(F_new_true)とし、下記の（式１２）を、各水準において算出すればよい。
Figure 0007489668000015
関数σ(z)がロジスティック関数である場合、積分計算が困難となる。この場合、有限であるL個のサンプルをq(F_new_true)からサンプリングし、各サンプルを関数σ(z)に代入し、その平均値を、Y_new_true_probability_mapとして算出してもよい。そして、Y_new_true_probability_mapが最も大きい水準を適切なマシンパラメータとして出力すればよい。
（実施例６）
また、マシンパラメータが量的である場合と同様に、ルールにガイドされたガウス過程classifierである、ガウス過程classifier Aを、ガウス過程classifierの代わりに活用してもよい。
以下、この場合について実施例４として説明する。なお、実施例４でも、実施例１及び２と異なるところを中心に説明する。
図１５は、実施の形態の実施例６に係る統計モデルのグラフィカルモデルの一例を示す図である。図８と同様のものについては、同一の名称が付されており、詳細な説明は省略する。
以下、ガウス過程classifier Aを説明する。まず、Y_train_true_vec（太字）が（式１３）に示すガウス過程classifierから生成されるとする。
更に、Y_train_true_vec（太字）の各要素を母数としたベルヌーイ分布から、Y_train_real_true_vec（太字）の各要素が生成されるとする。（式１４）には、その例が示されている。また、ルールの誤り率σ_rule[i]を用いて、ルールが誤っているかどうかを、ベルヌーイ分布で生成し、miss_rule[i]として出力する。ルールの誤り率の事前分布には、ベータ分布を設定しておく。（式１５）には、その例が示されている。更に、ノイズσ_gaussから、miss_gaussをベルヌーイ分布から生成する。（式１６）には、その例が示されている。更に、（式１７）及び、（式１８）より、Y_train_true_vec（太字）及びY_train_rule_vec（太字）が計算される。このようなモデルのグラフィカルモデルは、図１５のように示される。
Figure 0007489668000016
Figure 0007489668000017
miss_rule[i]～B(σ_rule[i])・・・（式１５）
miss_gauss～B(σ_gauss)・・・（式１６）
Figure 0007489668000018
Figure 0007489668000019
ここで、Y_train_true_vec（太字）及びY_train_rule_vec（太字）を既知として、Y_train_c_gaussian（太字）,σ_train_c_mat（太字）を算出し、ガウス過程学習classifierの学習を行ってよい。こうして学習されたガウス過程学習classifierを、ガウス過程学習classifierAとして、実施例５における、ガウス過程学習classifierに置き換えて使用してもよい。
以上、一つまたは複数の態様に係る実施の形態等に係る実装基板製造システムについて説明したが、本開示は、この実施の形態等に限定されるものではない。本開示の趣旨を逸脱しない限り、当業者が思いつく各種変形を本実施の形態に施したものや、異なる実施の形態における構成要素を組み合わせて構築される形態も、一つまたは複数の態様の範囲内に含まれてもよい。
例えば、実施の形態で説明したハイブリッド手法では、ルールベース４が使用する部品の基本情報と、機械学習モデルが使用する部品情報が異なるものであってもよい。この場合、ユーザは一部の部品情報のみを用いて簡易なルールを作成できる。
また、例えば、実施の形態で説明したハイブリッド手法により推定されたマシンパラメータを、インタフェース部８にバブルチャートを用いて示させてもよい。
図１６は、本開示に係るハイブリッド手法により推定されたマシンパラメータを示すバブルチャートである。図１７は、図１６に示されるバブルを１つ以上選択されたときに示される部品情報である。図１８は、本開示に係るハイブリッド手法により推定されたマシンパラメータを示す集計図である。
すなわち、各マシンパラメータにおいて、実績教師データのマシンパラメータと、それぞれの部品に対してハイブリッド手法により推定されたマシンパラメータは、図１６に示すようなバブルチャートで示されてもよい。図１６において、円の大きさは、部品の数に対応する。また、ユーザは、図１６のバブルを一つ以上選択することで、図１７に示すように、その部品情報を閲覧することができるとしてもよい。図１６において、対角線上の部品は、ハイブリッド手法による推定が成功している部品だと考えられ、対角線上から大きく外れた部品は、推定に失敗している部品だと考えられる。
このようなバブルチャートを用いることで、推定に失敗している部品を、ユーザは選択し、部品情報を閲覧し、新たなルールを作成するための情報を得ることができる。また、実績マシンパラメータが、非適切である可能性のある部品を効率よく発見できる。
なお、マシンパラメータが連続値ではなく、質的変数である場合は、図１８に示すように、集計図を示してもよい。
本開示は、実装基板を製造する実装基板製造システムに利用でき、特に、新規部品に対して適切なマシンパラメータを推定することができるサーバ等を構成する実装基板製造システムに利用できる。
１ 実装基板製造システム
２、２ａ、２ｂ 通信ネットワーク
３ サーバ
４ ルールベース
５、５ａ、５ｂ 部品ライブラリ
６ 実績教師データ
７ 計算処理部
８ インタフェース部
９Ａ、９Ｂ クライアント端末
１０ａ、１０ｂ 稼動情報集計部
１１ａ、１１ｂ データ通信用端末
１２、１２Ａ、１２Ｂ 部品実装ライン
１３、１３Ａ１、１３Ａ２、１３Ａ３、１３Ｂ１、１３Ｂ２、１３Ｂ３ 部品搭載装置
１４ 部品データ
１５ 基本情報
１５ａ 形状
１５ｂ サイズ
１５ｃ 部品情報
１６ マシンパラメータ
１６ａ ノズル設定
１６ｂ スピードパラメータ
１６ｃ 認識
１６ｄ 吸着
１６ｅ 装着

Claims (5)

  1. 基板に部品を装着した実装基板を製造する実装基板製造システムであって、
    前記部品を基板に搭載する部品搭載作業を実行する少なくとも一つの部品搭載装置と、
    前記部品搭載装置が前記部品搭載作業を実行するための少なくとも一つのマシンパラメータを算出可能なルールベースと、
    前記部品搭載装置が実行した処理の結果を稼動情報とともに、部品データ別に集計する稼動情報集計部と、
    前記稼動情報集計部から、所定の基準を超える稼動結果の部品データを実績教師データとして選択し、前記実績教師データ、前記ルールベース及び新規な部品の基本情報を用いて、前記新規な部品の少なくとも一つのマシンパラメータを推定する推定部と、を備え、
    前記ルールベースは、前記新規な部品の少なくとも一つのマシンパラメータを算出するため、異なる出力を行う整合しない２以上のルールを含む、
    実装基板製造システム。
  2. 前記推定部は、ベイズ統計モデルを用いて、前記新規な部品の基本情報に対して推定を行うことで、前記新規な部品に適用し得るマシンパラメータの予測分布が生成されて、前記新規な部品に適用し得るマシンパラメータをパラメータとした分布から、前記ルールベースの出力が生成されることから、前記新規な部品に適用し得るマシンパラメータの事後分布を算出し、算出した前記事後分布の平均を、前記適用し得るマシンパラメータのうち前記新規な部品に適用するマシンパラメータとして出力する、
    請求項１に記載の実装基板製造システム。
  3. 前記推定部は、
    前記所定の基準を超える稼動結果の部品データに含まれる部品の基本情報及び対応するマシンパラメータ値を学習データとして学習を行ったベイズ統計モデルを用いて、前記新規な部品の基本情報に対して推定を行うことで、前記新規な部品に適用し得るマシンパラメータの予測分布が生成されて、前記新規な部品に適用し得るマシンパラメータをパラメータとした分布から、前記整合しない２以上のルールの出力が生成されることから、前記新規な部品に適用し得るマシンパラメータの事後分布を算出し、算出した前記事後分布の平均を、前記適用し得るマシンパラメータのうち前記新規な部品に適用するマシンパラメータとして出力する、
    請求項１に記載の実装基板製造システム。
  4. 前記所定の基準を超える稼動結果の部品データに含まれる部品基本情報及び対応するマシンパラメータの値の特徴は、ルールベースと機械学習とで異なる、
    請求項１～３のいずれか１項に記載の実装基板製造システム。
  5. 前記推定部により出力された前記新規な部品に適用するマシンパラメータと、前記部品搭載装置が前記部品搭載作業を実行するために実際に使用したマシンパラメータとを表示するインタフェース部を備える、
    請求項１～４のいずれか１項に記載の実装基板製造システム。
JP2021511372A 2019-03-29 2020-03-13 実装基板製造システム Active JP7489668B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2019068258 2019-03-29
JP2019068258 2019-03-29
PCT/JP2020/011305 WO2020203201A1 (ja) 2019-03-29 2020-03-13 実装基板製造システム

Publications (2)

Publication Number Publication Date
JPWO2020203201A1 JPWO2020203201A1 (ja) 2020-10-08
JP7489668B2 true JP7489668B2 (ja) 2024-05-24

Family

ID=72668348

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021511372A Active JP7489668B2 (ja) 2019-03-29 2020-03-13 実装基板製造システム

Country Status (4)

Country Link
US (1) US20220171377A1 (ja)
JP (1) JP7489668B2 (ja)
CN (1) CN113632023A (ja)
WO (1) WO2020203201A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050105682A1 (en) 2003-11-15 2005-05-19 Heumann John M. Highly constrained tomography for automated inspection of area arrays
JP2016201428A (ja) 2015-04-09 2016-12-01 パナソニックＩｐマネジメント株式会社 部品実装装置および動作パラメータの設定値の設定方法
JP2019004129A (ja) 2017-06-19 2019-01-10 パナソニックＩｐマネジメント株式会社 実装基板製造システム

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7797062B2 (en) * 2001-08-10 2010-09-14 Rockwell Automation Technologies, Inc. System and method for dynamic multi-objective optimization of machine selection, integration and utilization
US8914300B2 (en) * 2001-08-10 2014-12-16 Rockwell Automation Technologies, Inc. System and method for dynamic multi-objective optimization of machine selection, integration and utilization
JP2004213554A (ja) * 2003-01-08 2004-07-29 Matsushita Electric Ind Co Ltd Ｎｃデータの最適自動生成方法
JP4979448B2 (ja) * 2006-06-09 2012-07-18 パナソニック株式会社 部品データ受給装置、部品実装機、部品データ受給方法、及びプログラム
US7933666B2 (en) * 2006-11-10 2011-04-26 Rockwell Automation Technologies, Inc. Adjustable data collection rate for embedded historians
JP4911080B2 (ja) * 2007-03-14 2012-04-04 オムロン株式会社 品質改善システム
JP5645681B2 (ja) * 2011-01-24 2014-12-24 株式会社日立ハイテクインスツルメンツ 部品実装装置の設定を算出する演算装置、部品実装装置、及びプログラム
JP2013187526A (ja) * 2012-03-12 2013-09-19 Mitsubishi Electric Corp 自動段取り装置および実装機補助システム
CN103605352B (zh) * 2013-11-29 2016-01-06 南京富士通南大软件技术有限公司 用于pcb设计和生产的质量控制系统和方法
JP6402451B2 (ja) * 2014-02-14 2018-10-10 オムロン株式会社 品質管理装置、品質管理方法、およびプログラム
US10712729B2 (en) * 2015-04-09 2020-07-14 Panasonic Intellectual Property Management Co., Ltd. Setting support system for setting operational parameter
DE102016120132A1 (de) * 2016-10-21 2018-04-26 Trumpf Werkzeugmaschinen Gmbh + Co. Kg Werkstücksammelstelleneinheit und Verfahren zur Unterstützung der Bearbeitung von Werkstücken
JP2018150170A (ja) * 2017-03-10 2018-09-27 株式会社リコー 情報処理システム、情報処理方法およびプログラム
US10824137B2 (en) * 2017-06-19 2020-11-03 Panasonic Intellectual Property Management Co., Ltd. Mounting board manufacturing system

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050105682A1 (en) 2003-11-15 2005-05-19 Heumann John M. Highly constrained tomography for automated inspection of area arrays
JP2016201428A (ja) 2015-04-09 2016-12-01 パナソニックＩｐマネジメント株式会社 部品実装装置および動作パラメータの設定値の設定方法
JP2019004129A (ja) 2017-06-19 2019-01-10 パナソニックＩｐマネジメント株式会社 実装基板製造システム

Also Published As

Publication number Publication date
US20220171377A1 (en) 2022-06-02
CN113632023A (zh) 2021-11-09
WO2020203201A1 (ja) 2020-10-08
JPWO2020203201A1 (ja) 2020-10-08

Similar Documents

Publication Publication Date Title
KR102630035B1 (ko) 신경망 기반 영상 신호 처리를 수행하는 방법 및 장치
CN108229667B (zh) 基于人工神经网络类别的修剪
US9251046B2 (en) Method and system for generating and processing black box test cases
US20200226057A1 (en) Method, Apparatus, and System for Blaming a Test Case/Class for a Survived Mutation
JP2019048365A (ja) 機械学習装置、ロボットシステム及び機械学習方法
US20080059120A1 (en) Using fault history to predict replacement parts
JP2008517386A (ja) 異常検出の方法およびシステム
US9904540B2 (en) Method and system to automate the maintenance of data-driven analytic models
US9128724B2 (en) Configuring assembly of a system using supplied architectural artifacts
JP2018516412A (ja) 畳み込みニューラルネットワークに基づいたフルリファレンス画像品質評価方法
US10810018B2 (en) Device with extensibility
US11415975B2 (en) Deep causality learning for event diagnosis on industrial time-series data
JP2001075808A (ja) ベイジアン・ネットワーク
CN113780466A (zh) 模型迭代优化方法、装置、电子设备和可读存储介质
Warren et al. Renaissance: a method to support software system evolution
CN106409119A (zh) 机械学习装置及方法、电动机驱动装置及电动机驱动系统
EP3975050A1 (en) Method and system for evaluating consistency of an engineered system
CN116449771B (zh) 一种数控机床的数字孪生建模方法
EP3786800B1 (en) Method and system for generating model driven applications using artificial intelligence
JP7489668B2 (ja) 実装基板製造システム
CN112527676A (zh) 模型自动化测试方法、装置及存储介质
KR20190081708A (ko) 뉴럴 네트워크 모델 기반의 웨이퍼 불량 패턴 인식 방법 및 이를 위한 컴퓨터 프로그램
CN106155740A (zh) 用于进行卸载控制的方法和装置
CN110489256B (zh) 一种宕机定位修复方法及系统
CN111949248A (zh) 服务器连接方法及终端设备

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230116

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20231128

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240129

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: 20240409

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240502

R150 Certificate of patent or registration of utility model

Ref document number: 7489668

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150