KR20230135177A - 제조 조건 출력 장치, 품질 관리 시스템 및 프로그램 - Google Patents

Abstract

실시 형태의 제조 조건 출력 장치는, 제품의 제조 조건을 출력하는 제조 조건 출력 장치이며, 제품의 제조 데이터와 제품의 검사 결과 데이터에 기초하여 기계 학습에 의해 생성된 모델의 모델 정보로부터, 제품의 제조에 관계되는 복수의 변수에 대한 불량 확률에 관한 값의 변화도에 대한 정보인 변화도 정보를, 제조 조건으로서 출력하는 변화도 정보 출력부를 갖는다.

Description

제조 조건 출력 장치, 품질 관리 시스템 및 프로그램{MANUFACTURE CONDITION OUTPUT DEVICE, QUALITY MANAGEMENT SYSTEM, AND PROGRAM}

본 발명의 실시 형태는, 제조 조건 출력 장치, 품질 관리 시스템 및 프로그램에 관한 것이다.

각종 제품의 제조에 있어서, 품질 관리가 행해지고 있다. 제품의 품질을 개선하기 위해, 선형 회귀식을 제조 조건의 실적 데이터에 대하여 사용하여 최적의 제조 조건의 목표값을 산출하고, 그 목표값에 기초하여 제조 조건을 변경함으로써 제품의 품질을 제어하는 방법이나, 품질의 개선에 유효한 조업 인자의 조합을 자동적으로 추출하여, 소정의 품질 레벨을 충족시키는 조업 조건의 조합을 자동적으로 가이던스함으로써 품질의 개선을 하는 방법이 제안되어 있다.

그러나, 선형 회귀식을 사용하는 방법에서는, 각 변수가 선형의 관계를 갖는 제조 조건에밖에 적용하지 못한다. 또한, 조업 조건의 조합을 자동적으로 가이던스하는 방법에서는, 조업 인자의 조합의 수가 커지면, 조합의 수에 따른 계산량이 방대하게 증가하기 때문에, 차원수가 큰 조업 인자 데이터에 대해서는 적절한 다변량 해석을 할 수 없다. 예를 들어, 다이캐스트 등의 제조의 경우, 제조 조건이 품질에 대하여 비선형 관계를 갖고 있고, 조업 인자의 수도 많다. 또한, 이들 방법에서는, 제품의 불량의 발생을 억제하기 위해, 불량 확률에 대하여 제조 조건을 어떻게 설정하면 좋을지에 대해서는 고려되어 있지 않다.

일본 특허 공개 제2009-64054호 공보 일본 특허 공개 제2008-146621호 공보

그래서, 본 실시 형태는, 제품의 불량의 발생을 억제하기 위해, 불량 확률에 대하여, 제조 조건을 어떻게 설정하면 좋을지를 제시할 수 있는 제조 조건 출력 장치, 이 출력을 사용한 품질 관리 시스템 및 상기한 제조 조건을 출력시키는 기능을 갖는 프로그램을 제공하는 것을 목적으로 한다.

실시 형태의 제조 조건 출력 장치는, 제품의 제조 조건을 출력하는 제조 조건 출력 장치이며, 상기 제품의 제조 데이터와 상기 제품의 검사 결과 데이터에 기초하여 기계 학습에 의해 생성된 모델의 모델 정보로부터, 상기 제품의 제조에 관계되는 복수의 변수에 대한 불량 확률에 관한 값의 변화도에 대한 정보인 변화도 정보를, 제조 조건으로서 출력하는 변화도 정보 출력부를 갖는다.

도 1은 실시 형태에 관한 주조품의 제조에 대한 품질 관리 시스템의 구성도이다.
도 2는 실시 형태에 관한 제조 데이터의 예를 도시하는 도면이다.
도 3은 실시 형태에 관한 검사 결과 데이터의 예를 도시하는 도면이다.
도 4는 실시 형태에 관한 결정목의 예를 설명하기 위한 도면이다.
도 5는 실시 형태에 관한 추정 결과 출력부의 기능 블록도이다.
도 6은 실시 형태에 관한 모델 분석부의 블록도이다.
도 7은 실시 형태에 관한 중요 항목 표시부에 있어서 생성된 표시 데이터의 표시예를 도시하는 도면이다.
도 8은 실시 형태에 관한, 변수의 값에 따른 불량 확률의 변화도를 표시하는 그래프를 도시하는 도면이다.
도 9는 실시 형태에 관한 모델 학습부의 처리의 흐름의 예를 도시하는 흐름도이다.
도 10은 실시 형태에 관한 추정 결과 출력부의 처리의 흐름의 예를 도시하는 흐름도이다.
도 11은 실시 형태에 관한 모델 분석부의 처리의 흐름의 예를 도시하는 흐름도이다.
도 12는 실시 형태에 관한 설정 화면의 표시예를 도시하는 도면이다.

이하, 도면을 참조하여 실시 형태를 설명한다.

(시스템 구성)

도 1은, 본 실시 형태에 관한 주조품의 제조에 대한 품질 관리 시스템(1)의 구성도이다. 품질 관리 시스템(1)은, 알루미늄 다이캐스트 등의 주조품의 품질 관리를 행하는 주조 품질 관리 시스템이다. 품질 관리 시스템(1)은, 데이터 취득 장치(2)와, 모델 학습 장치(3)와, 추정 장치(4)를 포함한다. 데이터 취득 장치(2)는, 다이캐스트 머신(5)과 제품 상태 검사 장치(6)에 접속되어 있다. 다이캐스트 머신(5)은, 제품으로서 다이캐스트를 제조하는 제조 장치이다. 다이캐스트 머신(5)은, 금형을 이동시키는 기구, 금형 캐비티로의 알루미늄 등의 용탕의 사출을 행하는 기구 등의 제조 기구(도시하지 않음)와, 다이캐스트 머신(5)의 동작을 제어하는 제어 장치(5a)를 갖고 있다.

또한, 추정 장치(4)는, 양품의 제조 조건을 설정하기 위한 설정 화면을 생성하여, 표시 장치(4c)에 출력하는 것이다. 따라서, 추정 장치(4)는, 제품의 제조 조건을 출력하는 제조 조건 출력 장치를 구성하고, 품질 관리 시스템(1)은, 여기서 출력된 제조 조건을 사용하여 품질 관리를 행하고 있다. 즉, 품질 관리 시스템(1)의 일부가 제조 조건 출력 장치로 되어 있다.

또한, 데이터 취득 장치(2), 모델 학습 장치(3) 및 추정 장치(4)는, 데이터의 송수신을 위해, 후술하는 신호선에 의해 서로 접속되고, 예를 들어 다이캐스트 머신(5)의 어느 하나의 공장 내에 배치되어도 된다. 혹은, 모델 학습 장치(3)와 추정 장치(4)는, 인터넷 등의 네트워크를 통해 클라우드상의 서버여도 된다.

(데이터 취득 장치의 구성)

데이터 취득 장치(2)는, 프로세서(11)를 포함하는 장치이며, 예를 들어 다이캐스트 머신(5) 및 제품 상태 검사 장치(6)와의 입출력 인터페이스를 갖는 퍼스널 컴퓨터(이하, PC라고 함)이다. 프로세서(11)는, 제조 데이터 취득부(12)와, 제조 데이터 가공부(13)와, 검사 결과 데이터 취득부(14)를 포함한다.

프로세서(11)는, 중앙 처리 장치(이하, CPU라고 함), ROM, RAM을 포함한다. 프로세서(11)는, 하드 디스크 장치 등의 불휘발성 메모리도 갖고 있다. CPU가 ROM 및 불휘발성 메모리에 기억된 각종 소프트웨어 프로그램을 판독하여 실행함으로써, 데이터 취득 장치(2)는, 다이캐스트 머신(5) 및 제품 상태 검사 장치(6)로부터 각종 데이터를 수신하거나, 모델 학습 장치(3) 및 추정 장치(4)로 각종 데이터를 송신하거나 할 수 있다.

여기서는, 제조 데이터 취득부(12), 제조 데이터 가공부(13) 및 검사 결과 데이터 취득부(14)는, 소프트웨어 프로그램에 의해 구성된다. 또한, 제조 데이터 취득부(12)와 검사 결과 데이터 취득부(14)는, 전부 또는 일부에 전자 회로에 의해 구성되어도 된다.

제조 데이터 취득부(12)는, 통신 라인(5b)을 통해 다이캐스트 머신(5)의 제어 장치(5a)로부터 제조 데이터를 취득한다. 제조 데이터는, 예를 들어 다이캐스트의 샷마다의, 시각 데이터, 제조 샷 번호, 각종 계측 데이터이다.

온도 센서, 위치 센서, 압력 센서 등의 각종 계측 데이터용의 각종 센서가 다이캐스트 머신(5)에 설치되거나, 혹은 다이캐스트 머신(5)에 내장되어 있다. 제조 샷 번호는, 제조 샷을 식별하기 위한 샷 식별 정보이다. 제어 장치(5a)는 시계를 갖고, 시각 데이터를 생성한다. 시각 데이터는 연월일 및 시간을 포함한다. 다이캐스트 머신(5)의 제어 장치(5a)는, 다이캐스트의 샷마다, 각종 계측 데이터를 수집하여, 제조 샷 번호와 시각 데이터와 버퍼 등의 메모리(도시하지 않음)에 기억한다.

제조 데이터 취득부(12)는, 다이캐스트 머신(5)의 메모리에 일시 기억된 제조 데이터를 취득하는 각종 인터페이스 회로와, 취득한 제조 데이터를 메모리(도시하지 않음)에 일시 기억하는 처리를 행하는 소프트웨어 프로그램을 포함하여 구성된다.

제조 데이터 가공부(13)는, 제조 데이터 취득부(12)에 기억된 제조 데이터에 대하여, 후술하는 모델 학습 장치(3)에 있어서 모델 학습 처리가 적절하게 실행 가능하도록, 데이터의 자릿수 조정, 데이터의 결손 보충 등등을 행한다.

다이캐스트 머신(5)에 있어서 제조된 다이캐스트, 예를 들어 알루미늄 다이캐스트에 대하여, 그 후의 공정에 있어서, 각종 가공이 행해진다.

다이캐스트의 검사는, 다이캐스트 머신(5)에 있어서 제조된 다이캐스트, 또는 후공정에 있어서 가공된 다이캐스트에 대하여 행해진다. 검사 결과 데이터는, 양품인지 불량품인지를 나타내는 데이터이다. 또한, 검사 결과 데이터는, 불량품의 불량의 종별을 포함하는 데이터를 포함해도 된다. 불량의 종별에는, 유동 불량, 블로우 홀 등이 있다. 또한, 검사 결과 데이터는, 품질을 나타내는 수치여도 된다. 그 경우는, 검사 결과 데이터는, 예를 들어 표면의 오목부의 정도를 나타내는 수치이고, 그 수치의 범위에서, 검사 결과 데이터가 나타나도 된다.

제품 상태 검사 장치(6)는, 예를 들어 다이캐스트의 검사 장치이고, 다이캐스트를 카메라 등의 장치를 사용하여 검사하고, 검사 결과에 기초하여, 다이캐스트가 양품인지 불량품인지를 판정한다. 제품 상태 검사 장치(6)는, 판정 결과에 기초하여, 검사된 주조품의 샷 번호마다, 양품인지 불량품인지를 나타내는 검사 결과 데이터를 생성하여 출력한다. 검사 결과 데이터 취득부(14)는, 통신 라인(6a)을 통해, 그 제품 상태 검사 장치(6)로부터 검사 결과 데이터를 취득한다. 즉, 검사 결과 데이터 취득부(14)는, 다이캐스트 머신(5)에 의해 제조된 다이캐스트의 검사 결과 데이터를 취득한다.

또한, 검사원이 검사를 행하고, 제품 상태 검사 장치(6)는, 그 검사원이 행한 판정 결과, 즉 다이캐스트가 양품인지 불량품인지의 판정 결과가 입력된 장치, 예를 들어 PC여도 된다.

도 2는, 제조 데이터의 예를 도시하는 도면이다. 제조 데이터는, 시각, 샷 번호, 주조 온도 A, 주조 압력 B, 냉각량 C 등등의 각종 데이터를 포함한다. 1샷은, 하나의 다이캐스트의 제조에 대응하고, 하나의 제조 데이터는, 1샷에 대한 하나의 레코드 데이터이다. 복수의 제조 데이터가 제조 데이터 취득부(12)에 있어서 취득된다. 후술하는 바와 같이, 복수의 제조 데이터가, 도 2에 도시한 바와 같은 표 형식의 데이터로서 제조 데이터 보존부(25)에 저장된다.

도 3은, 검사 결과 데이터의 예를 도시하는 도면이다. 검사 결과 데이터는, 검사 결과, 시각 데이터 및 샷 번호의 데이터를 포함한다. 시각 데이터는, 샷 번호에 의해 특정된 제조 데이터 중의 시각 데이터와 동일하다. 후술하는 바와 같이, 복수의 검사 결과 데이터가, 도 3에 도시한 바와 같은 표 형식의 데이터로서 검사 결과 데이터 보존부(26)에 저장된다. 하나의 검사 결과 데이터는, 샷 번호에 의해 하나의 제조 데이터와 연결할 수 있다.

(모델 학습 장치의 구성)

모델 학습 장치(3)는, 프로세서(21)와 기억 장치(22)를 갖는다. 모델 학습 장치(3)는, 예를 들어 PC이지만, 상술한 바와 같이 인터넷상의 서버여도 된다. 프로세서(21)는, 데이터 취득 장치(2)와 통신 라인(2a)에 의해 접속되어 있다. 프로세서(21)는, CPU, ROM, RAM 및 하드 디스크 장치를 포함한다. 모델 학습 장치(3)는, 데이터 취득 장치(2)로부터의 제조 데이터와 검사 결과 데이터에 기초하여 기계 학습을 행하여, 다이캐스트의 양호·불량의 식별 모델인 모델 M을 작성한다.

프로세서(21)는, 유저에 의한 커맨드 혹은 소정의 주기로, 통신 라인(2a)을 통해 데이터 취득 장치(2)로부터 제조 데이터와 검사 결과 데이터를 취득한다. 프로세서(21)는, 취득한 제조 데이터를, 기억 장치(22)의 제조 데이터 보존부(25)에 보존한다. 프로세서(21)는, 취득한 검사 결과 데이터를, 기억 장치(22)의 검사 결과 데이터 보존부(26)에 보존한다. 제조 데이터 보존부(25)는, 제조 데이터를 기억하기 위한, 기억 장치(22)에 있어서의 소정의 기록 영역이다. 검사 결과 데이터 보존부(26)는, 검사 결과 데이터를 기억하기 위한, 기억 장치(22)에 있어서의 소정의 기록 영역이다.

프로세서(31)는, 모델 조건 설정부(23)와, 모델 학습부(24)를 포함한다. 모델 조건 설정부(23)는, 기계 학습을 행할 때의 각종 조건의 파라미터 데이터를 설정하고, 설정된 파라미터 데이터를 모델 학습부(24)에 대하여 부여하는 소프트웨어 프로그램이다.

모델 학습 장치(3)는, 도시하지 않은 키보드, 마우스 등의 입력 장치, 도시하지 않은 표시 장치 등을 갖고 있다. 따라서, 유저는, 입력 장치 및 표시 장치를 사용하여 모델 조건 설정부(23)에 설정하는 각종 조건의 파라미터 데이터를 설정할 수 있다. 파라미터 데이터는, 예를 들어 모델 생성 시에 사용하는 교사 데이터의 수나 생성되는 결정목의 개수 등이다.

모델 학습부(24)는, 기억 장치(22)에 기억된 제조 데이터와 검사 결과 데이터를 교사 데이터로 하여, 기계 학습에 의해 모델 M을 생성하는 소프트웨어 프로그램이다. 즉, 모델 학습부(24)는, 제조 데이터와 검사 결과 데이터에 기초하여 기계 학습에 의해 다이캐스트 머신(5)에 있어서 제조된 다이캐스트가 양품 또는 불량품인지를 추정하는 모델을 생성한다. 제조 데이터와 검사 결과 데이터는, 샷 번호에 의해 연결할 수 있으므로, 프로세서(31)는, 연결된 제조 데이터와 검사 결과 데이터를 하나의 교사 데이터로 하여, 복수의 교사 데이터를 모델 학습부(24)에 부여할 수 있다.

여기서는, 모델 M은, 랜덤 포레스트의 기계 학습 알고리즘에 의해 생성되는 비선형 모델이다. 모델 M은, 제조 데이터가 부여되면, 그 제조 데이터에 따라 제조된 다이캐스트에 불량이 발생할 확률, 즉 불량 확률을 추정하여 출력하는 불량 식별 모델이다. 랜덤 포레스트는, 랜덤하게 선택된 변수(제조 데이터)로부터 복수의 결정목을 작성하고, 각 결정목을 약 식별기로 하여 복수의 결정목을 평균화 등을 하는 처리를 행함으로써 앙상블 학습을 행하는 집단 학습 알고리즘이다. 작성된 각 결정목의 식별 경계가 추가됨으로써, 정밀도가 높은 식별 경계가 작성된다. 즉, 비선형의 모델 M은, 복수의 결정목을 사용한 랜덤 포레스트 등의 앙상블 학습에 의해 학습된 모델이다. 따라서, 약 식별기인 복수의 결정목으로부터, 앙상블 학습에 의해 최종적으로 통합되어 로버스트나 식별 경계가 생성된다.

또한, 여기서는, 모델 학습부(24)는, 모델 M을 생성하기 위해, 앙상블 학습을 행하는 집단 학습 알고리즘으로서, 랜덤 포레스트의 기계 학습 알고리즘을 사용하고 있지만, 배깅법, 부스팅법, 에이다부스트법, 구배 부스팅법, 익스트림 구배 부스팅법, 익스트림 랜더마이즈드 트리법, 정칙화 랜덤 포레스트법 등의 기계 학습 알고리즘을 사용해도 된다.

여기서는, 모델 M은, 도 4에 도시한 바와 같은 학습 데이터(교사 데이터)도 사용하여 생성된 결정목이 복수 모인 것을 의미한다. 도 4는, 결정목의 예를 설명하기 위한 도면이다. 도 4에서는, 주조 온도 A가 230도를 초과하는 경우는, 다이캐스트는 양품이라고 판정된다. 또한, 주조 온도 A가 230도 이하이고, 또한 주조 압력 B가 20을 초과하는 경우는, 다이캐스트는 양품이라고 판정된다. 또한, 주조 온도 A가 230도 이하이고, 또한 주조 압력 B가 20 이하인 경우는, 다이캐스트는 불량품이라고 판정된다.

모델 학습부(24)에 있어서 생성된 모델 M의 모델 데이터, 즉 모델 정보 MI는, 프로세서(21)의 메모리 내에 저장됨과 함께, 추정 장치(4)로 송신된다. 모델 정보 MI는, 결정목을 리스트 형식의 데이터로서 표현한 것이다.

(추정 장치의 구성)

추정 장치(4)는, 프로세서(31)와, 기억 장치(32)를 갖는다. 프로세서(31)는, 맨-머신 인터페이스(이하, MMI라고 함)(4a)에 접속되어 있다. MMI(4a)는, 입력 장치(4b)와 표시 장치(4c)를 갖는다. 입력 장치(4b)는, 키보드, 마우스 등을 포함한다. 추정 장치(4)는, 데이터 취득 장치(2)로부터 제조 데이터를 취득하면, 그 제조 데이터에 기초하여, 양호·불량의 추정 결과를 출력하여 표시 장치(4c)에 표시한다. 또한, 추정 장치(4)는, 모델 학습 장치(3)로부터 수신한 모델 M의 모델 정보 MI를 분석하여 불량 확률의 저감에 관한 정보를 출력하여 표시 장치(4c)에 표시한다.

프로세서(31)는, 통신 라인(2b)에 의해 데이터 취득 장치(2)와 접속되어 있다. 또한, 프로세서(31)는, 통신 라인(5c)에 의해 다이캐스트 머신(5)의 제어 장치(5a)와 접속되어 있다. 프로세서(31)는, 통신 라인(3a)에 의해 모델 학습 장치(3)와 접속되어 있다. 프로세서(21)는, CPU, ROM, RAM 및 하드 디스크 장치를 포함한다.

프로세서(31)는, 추정 결과 출력부(33)와 모델 분석부(34)를 포함한다. 기억 장치(32)는 학습 모델 보존부(35)를 갖는다. 프로세서(31)는, 모델 학습 장치(3)로부터 모델 M의 모델 정보 MI를 수신하면, 학습 모델 보존부(35)에 보존한다. 학습 모델 보존부(35)는, 수신한 모델 M의 모델 정보 MI를 저장하는 기억 영역이다.

추정 결과 출력부(33)는, 제조 데이터에 기초하여, 양호·불량의 추정 결과를 출력하는 소프트웨어 프로그램이다. 도 5는, 추정 결과 출력부(33)의 기능 블록도이다. 추정 결과 출력부(33)는, 추정 불량 확률 출력부(41)와, 양호·불량 판정부(42)를 포함한다. 추정 불량 확률 출력부(41)는, 학습 모델 보존부(35)에 저장된 모델 M의 모델 정보 MI를 사용하여, 수신한 제조 데이터에 기초하여 불량 확률을 산출하여, 불량 확률 데이터 DP를 양호·불량 판정부(42)로 출력한다. 양호·불량 판정부(42)는, 수신한 불량 확률 데이터 DP에 기초하여 수신한 제조 데이터에 관계되는 샷에 있어서 제조된 다이캐스트의 양호·불량의 추정 결과 DR을 출력한다. 따라서, 추정 결과 출력부(33)는, 모델 M을 사용하여, 데이터 취득 장치(2)에 있어서 취득된 제조 데이터에 기초하여 다이캐스트가 양품 또는 불량품인지를 추정하여 추정 결과를 출력한다.

다이캐스트 머신(5)에 있어서 제조된 다이캐스트에 대한 제조 데이터가, 데이터 취득 장치(2)로부터 추정 결과 출력부(33)로 실시간으로 송신되었을 때는, 추정 결과 출력부(33)는, 모델 M의 모델 정보 MI를 사용하여, 그 제조 데이터에 기초하여 다이캐스트의 양호·불량을 추정하여, 추정 결과 DR을 출력한다. 즉, 추정 결과 출력부(33)는, 다이캐스트 머신(5)으로 제조된 다이캐스트에 대하여, 실시간으로 취득한 제조 데이터에 기초하여, 모델 M을 사용하여 양호·불량을 추정할 수 있다.

또한, 뱃치 처리에 의해 복수의 제조 데이터에 대하여 통합하여 양호·불량을 추정하도록 해도 된다. 그 경우, 도 5에 있어서 점선으로 나타낸 바와 같이, 추정 장치(4)에는, 제조 데이터 가공부(13)로부터의 제조 데이터를 축적하는 제조 데이터 저장부(43)가 마련된다. 제조 데이터 저장부(43)는, 소정의 기간, 예를 들어 1일분 혹은 1주일분의 제조 데이터를 저장 가능한 기억 장치이다. 추정 불량 확률 출력부(41)는, 제조 데이터 저장부(43)에 저장되어 있는 복수의 제조 데이터에 기초하여, 모델 M을 사용하여 불량 확률을 산출한다. 양호·불량 판정부(42)는, 각 불량 확률 데이터 DP에 기초하여, 각 샷의 양호·불량을 판정하여, 추정 결과 DR을 출력한다.

불량 확률 데이터 DP는, 샷마다의 불량 확률 데이터이다. 양호·불량 판정부(42)는, 소정의 역치를 갖고, 예를 들어 역치가 50이라면, 불량 확률이 50％ 이상이면 당해 샷의 다이캐스트는 불량품이라고 판정하고, 불량 확률이 50％ 미만이면 당해 샷의 다이캐스트는 양품이라고 판정한다. 바꿔 말하면, 양호·불량 판정부(42)는, 불량 확률 데이터에 기초하여, 다이캐스트의 불량 또는 양호의 판정을 한다.

또한, 불량 확률 데이터가 복수의 불량의 종류에 따라 출력되는 경우, 양호·불량 판정부(42)는, 소정의 판정 룰에 따라, 당해 샷의 다이캐스트가 양품인지, 불량품인지를 판정한다.

또한, 추정 결과 출력부(33)는, 추정 불량 확률 출력부(41) 대신에, 다이캐스트가 양호라고 추정되는 확률을 출력하는 추정 양호 확률 출력부를 갖고, 양호·불량 판정부(42)가, 예를 들어 양호 확률이 50％ 미만으로 되면, 당해 샷의 다이캐스트는 불량품이라고 판정하도록 해도 된다.

도 6은, 모델 분석부(34)의 블록도이다. 모델 분석부(34)는, 중요 항목 추출부(51)와, 중요 항목 표시부(52)와, 불량 확률 변화도 출력부(53)와, 제조 조건 설정부(54)를 포함하는 소프트웨어 프로그램이다.

중요 항목 추출부(51)는, 모델 M에 있어서의 각 변수의 중요도를 산출하고, 산출된 각 변수의 중요도로부터 중요 항목을 추출한다. 즉, 중요 항목 추출부(51)는, 모델 정보 MI로부터 산출된 중요도에 따라 복수의 변수의 변수명을, 중요 항목으로서 추출한다.

랜덤 포레스트에 있어서는, 각 결정목에 있어서 사용된 변수와 그 결정목의 추정 정밀도로부터, 각 변수의 중요도가 산출된다. 바꿔 말하면, 산출된 중요도는, 각 결정목에 관계되는 변수 중에서, 추정 정밀도에 대하여 영향의 크기를 나타낸다. 따라서, 중요 항목 추출부(51)는, 제조 데이터에 있어서의, 주조 온도, 주조 압력, 냉각량 등의 복수의 변수에 대하여 중요도를 산출한다. 중요도는, 예를 들어 랜덤 포레스트에 있어서의 지니 계수의 변화도, MSE(평균 제곱 오차) 효과도이다. 즉, 중요도는, 사용하지 않은 데이터에 있어서, 지니 계수 또는 MSE 효과도가 어느 정도 변화되어 있는지를 나타낸다.

여기서는, 중요 항목 추출부(51)는, 복수의 변수에 대하여 산출된 중요도의 정보 중, 설정된 값보다도 높은 중요도의 복수의 변수명을, 중요 항목으로서 출력한다. 혹은, 중요 항목 추출부(51)는, 복수의 변수에 대하여 산출된 중요도의 정보 중, 중요도가 높은 순으로 소정수의 변수명의 정보를 출력하도록 해도 된다.

중요 항목 표시부(52)는, 중요 항목 추출부(51)에 있어서 추출된 중요 항목을 표시 장치(4c)에 표시하는 표시 데이터 IM을 생성한다. 상술한 바와 같이, 중요 항목 추출부(51)는, 중요도가 높은 변수명의 정보를 중요 항목 표시부(52)에 출력한다. 중요 항목 표시부(52)는, 수신한 변수명의 정보로부터, 중요도가 높은 변수명을 표시하는 표시 데이터 IM을 생성하여, 표시 장치(4c)에 출력한다. 따라서, 중요 항목 표시부(52)는, 중요 항목 추출부(51)에 의해 추출된 중요 항목의 정보를 출력하는 중요 항목 출력부를 구성한다.

도 7은, 중요 항목 표시부(52)에 있어서 생성된 표시 데이터의 표시예를 도시하는 도면이다. 도 7에서는, 6개의 변수의 중요도가 도시되어 있다. 종축은 변수명이고, 횡축은 중요도의 값이다. 중요도는, 지니 계수 등의 소정의 규격화된 값이다. 도 7에 도시한 바와 같이, 주조 온도 A의 중요도가 가장 높고, 이하, 주조 압력 B, 냉각량 C, 주조 온도 D, 주조 압력 E, 냉각량 F의 순으로 중요도는 높다. 중요도는, 각 변수에 대응하는 점에서 나타나 있다.

도 7에 도시한 바와 같은 중요 항목의 변수명과 중요도가 표시 장치(4c)에 표시되어, 유저는 불량 확률에 대하여 중요한 변수를 인식할 수 있다.

불량 확률 변화도 출력부(53)는, 모델 M의 모델 정보 MI로부터, 변수마다의 불량 확률의 변화도를 산출하여 출력한다. 불량 확률 변화도 출력부(53)는, 각 변수에 대한 불량 확률의 변화도의 함수 데이터를 출력한다.

도 8은, 변수의 값에 따른 불량 확률의 변화도를 표시하는 그래프를 도시하는 도면이다. 도 8의 그래프는, 변수마다의 그래프이고, 도 8은, 주조 온도 A에 대한 불량 확률의 변화도를 표시하는 그래프이다. 도 8에 있어서, 그래프 g의 함수는, 랜덤 포레스트의 부분 종속 플롯에 의해 얻을 수 있다. 그래프 g의 각 값은, 부분 종속 플롯의 값에 대응한다. 즉, 모델 M의 모델 정보 MI로부터, 변수마다의 불량 확률의 변화도가 산출된다. 여기서는, 랜덤 포레스트의 부분 종속 플롯을 사용하여, 변수마다의 불량 확률의 변화도가 산출된다.

또한, 여기서는, 불량 확률 변화도 출력부(53)는, 각 변수에 대한 불량 확률의 변화도의 함수 데이터를 출력하고 있지만, 불량 확률의 변화도 정보는, 각 변수의 값에 대응하는 불량 확률에 관한 값을 포함하고 있으면 되고, 이산적인 데이터여도 된다.

후술하는 바와 같이, 도 8의 그래프 g를 유저에게 제시함으로써, 유저는, 도 8의 그래프 g를 보면, 불량 확률은, 주조 온도 A가 360도를 초과할 때 및 280도 미만으로 되었을 때, 크게 변화되는 것을 알 수 있다. 바꿔 말하면, 이점쇄선 사이의 백색 화살표로 나타내는 온도 범위가, 불량 확률이 낮은 양품 영역이라고 할 수 있다. 따라서, 주조 온도 A의 설정을, 예를 들어 280도 내지 360도의 범위 내로 하면, 불량 확률을 낮출 수 있다고, 유저는 정량적으로 판정할 수 있다.

따라서, 불량 확률 변화도 출력부(53)는, 기계 학습에 의해 생성된 모델의 모델 정보로부터, 제품의 제조에 관계되는 복수의 변수에 대한 불량 확률에 관한 값의 변화도에 대한 정보인 변화도 정보를, 양품 조건, 즉 제조 조건으로서 출력하는 변화도 정보 출력부를 구성한다. 제조 조건은, 불량 확률에 따라 다이캐스트가 양품 또는 불량품으로 되는 변수의 값 또는 범위이다.

제조 조건 설정부(54)는, 불량 확률 변화도 출력부(53)로부터의 불량 확률의 변화도의 함수 데이터를 사용하여, 양품의 제조 조건을 설정하기 위한 설정 화면의 표시 데이터 SI를 생성한다. 그 표시 데이터에는, 도 8의 그래프 g가 포함된다. 유저는, 설정 화면을 사용하여, 변수마다의 양품의 제조 조건을 설정할 수 있다.

후술하는 바와 같이, 추정 장치(4)는, 도 8에 도시한 바와 같은 그래프를 표시 장치(4c)에 표시하고, 유저는, 입력 장치(4b)를 사용하여 표시 장치(4c)에 표시된 화면상에서 양품 영역을 설정할 수 있다. 따라서, 제조 조건 설정부(54)는, 주조 온도 등의 제조 조건을, 다이캐스트가 양품 또는 불량품으로 될 확률에 대응지어 설정하기 위한 표시 데이터를 출력한다.

또한, 도 6에 있어서 점선으로 나타낸 바와 같이, 불량 확률 변화도 출력부(53)는, 중요 항목 표시부(52)로부터 중요도가 높은 변수명의 정보를 얻고, 중요도가 높은 상위의 소정수의 변수에 대해서만, 변수마다의 불량 확률의 변화도를 산출하여 출력하도록 해도 된다. 불량 확률 변화도 출력부(53)는, 불량 확률의 변화도를 산출하는 변수의 수가 적어지므로, 프로세서(31)의 부하를 경감할 수 있다.

(작용)

이어서, 품질 관리 시스템(1)의 동작에 대하여 설명한다. 여기서는, 모델 학습부(24)와, 추정 결과 출력부(33)와, 모델 분석부(34)의 처리에 대하여 설명한다.

도 9는, 모델 학습부(24)의 처리의 흐름의 예를 도시하는 흐름도이다. 상술한 바와 같이, 모델 학습부(24)는, 소프트웨어 프로그램이므로, 프로세서(21)의 CPU가 모델 학습부(24)의 프로그램을 ROM 등으로부터 판독하여 실행함으로써, 프로세서(21)는, 모델의 기계 학습을 행한다.

프로세서(21)는, 데이터 취득 장치(2)로부터 제조 데이터를 취득하여, 기억 장치(22)의 제조 데이터 보존부(25)에 기록한다(스텝(이하, S로 줄임) 1). 프로세서(21)는, 데이터 취득 장치(2)로부터 검사 결과 데이터를 취득하여, 기억 장치(22)의 검사 결과 데이터 보존부(26)에 기록한다(S2). 프로세서(21)는, 제조 데이터 보존부(25)와 검사 결과 데이터 보존부(26)에 기억된 데이터를 참조하여, 소정의 샷 수만큼의 데이터(제조 데이터와 그 제조 데이터에 대응하는 검사 결과 데이터)가, 기억 장치(22)에 보존되어 있는지를 판정한다(S3).

소정의 샷 수만큼의 데이터가 기억 장치(22)에 보존되어 있지 않을 때(S3: 아니오), 처리는 S1로 복귀된다. 소정의 샷 수만큼의 데이터가 기억 장치(22)에 보존되어 있을 때(S3: 예), 프로세서(21)는, 기억 장치(22)에 기록된 데이터(제조 데이터와 그 제조 데이터에 대응하는 검사 결과 데이터)를 판독한다(S4).

프로세서(21)는, 판독한 데이터(제조 데이터와 그 제조 데이터에 대응하는 검사 결과 데이터)를 교사 데이터로 하여, 기계 학습에 의해 모델 M을 생성한다(S5). 여기서는, 기계 학습은, 랜덤 포레스트에 의한 앙상블 학습이다. 랜덤 포레스트는, 복수의 결정목을 약 식별기로 하여, 복수의 결정목의 결과를 앙상블 학습하는 알고리즘이고, S5에 의해, 랜덤 포레스트에 의해 학습된 모델 M(즉, 최종적인 식별기)이 생성된다. 프로세서(21)는, 생성한 모델 M의 모델 정보 MI를 추정 장치(4)로 송신하여, 학습 모델 보존부(35)에 보존한다(S6).

유저는, 모델 M을 생성하는 데 필요한 데이터양을, 소정의 샷 수로서 설정함으로써, 원하는 데이터양에 따른 모델 M을 생성할 수 있다.

도 10은, 추정 결과 출력부(33)의 처리의 흐름의 예를 도시하는 흐름도이다. 상술한 바와 같이, 추정 결과 출력부(33)는, 소프트웨어 프로그램이므로, 프로세서(31)의 CPU가 양호·불량 추정의 프로그램을 ROM 등으로부터 판독하여 실행함으로써, 프로세서(31)는 추정 결과 DR을 출력한다. 도 10의 처리 전에, 프로세서(31)는, 모델 정보 MI를 학습 모델 보존부(35)로부터 판독해 둔다.

프로세서(31)는, 추정 대상의 제조 데이터를 데이터 취득 장치(2)로부터 취득한다(S11). 예를 들어, 데이터 취득 장치(2)가 다이캐스트 머신(5)의 제조 데이터를 실시간으로 취득하고 있을 때는, 프로세서(31)는, 그 리얼타임의 제조 데이터를 취득한다.

프로세서(31)는, 학습 모델 보존부(35)에 보존되어 있는 모델 M의 모델 정보 MI를 사용하여, S11에서 취득한 제조 데이터에 따라 제조된 다이캐스트의 불량 확률을 추정, 즉 산출한다(S12). S12의 처리는, 추정 불량 확률 출력부(41)에 의해 행해진다.

프로세서(31)는, 불량 확률에 기초하여, 제조 데이터에 관한 다이캐스트의 양호·불량을 판정한다(S13). S13의 처리는, 양호·불량 판정부(42)에 의해 행해진다. 추정 결과 DR은 표시 장치(4c)에 출력되어, 양호·불량의 판정 결과가 표시 장치(4c)에 표시된다.

도 11은, 모델 분석부(34)의 처리의 흐름의 예를 도시하는 흐름도이다. 상술한 바와 같이, 모델 분석부(34)는, 소프트웨어 프로그램이므로, 프로세서(31)의 CPU가 그 소프트웨어 프로그램을 ROM 등으로부터 판독하여 실행함으로써, 프로세서(31)는 모델 분석을 행한다. 도 11의 처리 전에 있어서도, 프로세서(31)는, 모델 정보 MI를 학습 모델 보존부(35)로부터 판독해 둔다.

프로세서(31)는, 모델 정보로부터 중요 항목을 추출한다(S21). S21의 처리는, 상술한 바와 같이, 양호·불량의 추정 정밀도에 대한 영향도에 기초하여, 중요 항목으로서의 변수명이 추정되어 추출된다. S21의 처리는, 중요 항목 추출부(51)에 의해 행해진다.

프로세서(31)는, 양품의 제조 조건을 설정하기 위한 설정 화면을 생성하여, 표시 장치(4c)에 출력한다(S22). S22의 처리는, 제조 조건 설정부(54)에 의해 행해진다. 따라서, 추정 장치(4)는, 제품의 제조 조건을 출력하는 제조 조건 출력 장치를 구성한다.

프로세서(31)는, 설정 화면에 대하여 행해지고 입력에 기초하여 변수의 제조 조건을 설정하는 설정 처리를 실행한다(S23).

도 12는, S22에 있어서 생성되는 설정 화면의 표시예를 도시하는 도면이다. 표시 장치(4c)의 표시 화면(61)에는, 2개의 윈도우(62와 63)가 표시되어 있다. 윈도우(62)는 도 7에 도시한, 중요 항목 표시부(52)에 있어서 생성된 표시 데이터를 표시하고 있다. 윈도우(63)는, 도 8에 도시한, 제조 조건 설정부(54)에 있어서 생성된 표시 데이터를 표시하고 있다.

윈도우(62) 중의 각 변수명의 좌측에는 체크 박스(62a)가 표시되어 있다. 유저는, 입력 장치(4b)의 마우스 등을 사용하여, 각 체크 박스(62a)에 체크를 행할 수 있다. 도 12에서는, 변수명 「주조 온도 A」에 대응하는 체크 박스(62a)에 체크되어 있다. 따라서, 윈도우(63)에는, 체크된 변수명에 대응하는 설정 화면이 표시된다.

따라서, 유저는, 입력 장치(4b)를 사용하여, 예를 들어 「설정 변경」 버튼(64)을 클릭함으로써, 체크 박스(62a)를 이용하여 원하는 변수를 선택하고, 그 변수에 대하여, 제조 조건의 설정을 변경할 수 있다. 도 12에 있어서는, 2개의 점선이 주조 온도의 하한값과 상한값을 나타내고 있다. 예를 들어, 유저는, 제조 조건의 설정을 변경하고 싶을 때, 마우스 등을 조작하여, 양품 영역을 규정하는 점선의 위치를 이동시키고, 1개의 점선을 280도의 위치로 이동하고, 다른 1개의 점선을 360도의 위치로 이동한다.

그 후, 유저는, 입력 장치(4b)를 조작하여, 예를 들어 「등록」 버튼(65)을 클릭함으로써, 윈도우(63)에 있어서 설정된 바와 같이, 제조 조건을 등록하여 변경할 수 있다. 예를 들어, 도 12의 주조 온도 A에 대하여, 제조된 다이캐스트의 불량 확률이 10％ 이하로 되도록, 주조 온도 A의 상한을 360도와 하한을 280도의 온도 범위를 설정할 수 있다.

설정 정보는, 통신 라인(5c)을 통해 프로세서(31)로부터 다이캐스트 머신(5)의 제어 장치(5a)로 송신된다. 수신한 설정 정보는, 제어 장치(5a)의 메모리에 저장되어, 다이캐스트 머신(5)의 동작 제어에 사용된다. 상술한 예에서는, 제어 장치(5a)는, 수신한 설정 정보에 기초하여 주조 온도 A가 제어된다. 그 결과, 2개의 점선에 의해, 제조 시의 주조 온도 A가 280도로부터 360도의 범위 내로 되도록, 다이캐스트 머신(5)의 주조 온도 A의 제어에 관계되는 밸브 등의 기기가 제어되므로, 불량 확률은 저감된다.

상술한 바와 같이, 불량 확률 변화도 출력부(53)는, 모델 M의 모델 정보 MI로부터, 복수의 변수의 불량 확률의 변화도를 산출하므로, 유저는, 다른 원하는 변수에 대해서도 제조 조건을 마찬가지로 설정할 수 있다.

즉, 각 변수의 불량 확률의 변화도가 유저에게 제시되므로, 유저는, 각 변수에 대한 불량 확률의 변화도를 보고, 다이캐스트가 양품으로 되는 각 변수의 조건을 설정할 수 있다.

또한, 상술한 예에서는, 양품 영역의 설정은, 유저가 MMI(4a)를 사용하여 설정하고 있지만, 불량 확률의 역치를 프로세서(31)의 메모리에 미리 설정해 두고, 그 역치에 기초하여 각 변수에 대한 양품 영역을 자동적으로 설정하도록 해도 된다.

또한, 상술한 예에서는, 설정 정보는, 통신 라인(5c)을 통해 제어 장치(5a)로 송신되어 자동적으로 설정되어 있지만, 제조 조건 설정부(54)는, 각 변수의 불량 확률의 변화도를 표시 장치(4c)에 표시하여 유저에게 제시하기만 해도 된다. 유저는, 그 제시된 설정 정보에 기초하여, 매뉴얼로 제어 장치(5a)에 설정할 수 있다.

또한, 설정 정보가, 제어 장치(5a)에 직접 설정할 수 없는 변수일 때에는, 유저가, 그 설정 정보에 합치하도록, 그 설정 정보에 관계되는 1 이상의 변수를 제어 장치(5a)에 설정한다.

또한, 도 6에 있어서 이점쇄선으로 나타낸 바와 같이, 제조 데이터를 제조 조건 설정부(54)에 실시간으로 공급하여, 제조 데이터 중 원하는 변수(여기서는 주조 온도 A)의 실측값을, 화면 상에 중첩하도록 해도 된다. 도 12에 있어서, 점 MD는, 주조 온도 A의 실측값을 나타낸다. 따라서, 유저는, 중첩된 실측값으로부터, 주조 온도 A의 제어 상태를 실시간으로 확인하여, 다이캐스트 머신(5)으로 이제 제조된 다이캐스트가 양품인지 불량품인지를 예측할 수 있다.

이상과 같이, 상술한 실시 형태에 따르면, 모델 분석부(34)에 의해 다이캐스트의 불량 발생에 크게 관계되는 변수에 대하여, 불량 발생을 억제하는 제조 조건을 유저는 인식할 수 있다. 그리고, 유저는 불량 발생을 억제하도록 원하는 변수의 제조 조건을 설정할 수 있으므로, 다이캐스트의 불량 발생을 억제할 수 있다.

특히, 상술한 실시 형태에 따르면, 비선형의 기계 학습 모델을 사용하고 있으므로, 차원수가 큰 제조 데이터에 대하여 양호·불량의 추정을 행할 수 있음과 함께, 양호·불량에 관계되는 중요 항목도 추출하고 있으므로, 유저는, 불량 확률을 확실하게 저감시키기 위한 제조 조건의 설정을 행하기 쉽다.

또한, 상술한 실시 형태에 있어서 품질 관리의 대상 제품은, 다이캐스트이지만, 다이캐스트는, 다이캐스트 머신으로부터 취출된 다이캐스트가 그 후에 가공되고 나서, 내부에 구멍이 있는 등의 불량이 후공정에서 발견되는 경우가 많다. 상술한 실시 형태에 따르면, 그러한 다이캐스트가 제조될 때에, 불량이 발생하기 어려운 제조 조건을 설정할 수 있다. 그 결과, 불량품의 다이캐스트를 후공정에 공급하는 것을 방지하여, 다이캐스트의 불필요한 가공 처리의 억제로 이어진다.

또한, 상술한 실시 형태에 있어서의 품질 관리의 대상 제품은, 다이캐스트이지만, 사출 성형기에 있어서 제조되는 사출 성형품 등의 다른 제조물이어도 되고, 상술한 실시 형태는, 다이캐스트 이외의 다른 제조물에 대해서도 적용 가능하다.

또한, 상술한 각 장치의 프로세서는, 일부 또는 전부가, 전자 회로로서 구성되어 있어도 되고, 또는 FPGA(Field Programmable Gate Array) 등의 집적 회로에 있어서의 회로 블록으로서 구성되어 있어도 된다.

이상과 같이, 상술한 실시 형태에 따르면, 제품의 불량의 발생을 억제하기 위해, 불량 확률에 대하여 제조 조건을 어떻게 설정하면 좋을지를 제시할 수 있는 제조 조건 출력 장치, 이 출력을 사용한 품질 관리 시스템, 및 상기한 제조 조건을 출력시키는 기능을 갖는 프로그램을 제공할 수 있다.

또한, 이상에서 설명한 각 장치에 있어서 실행되는 프로그램은, 컴퓨터 프로그램 제품으로서, 플렉시블 디스크, CD-ROM 등의 가반형 매체나, 하드 디스크 등의 기억 매체에, 그 전체 혹은 일부가 기록되거나, 혹은 기억되어 있다. 그 프로그램이 컴퓨터에 의해 판독되어, 동작의 전부 혹은 일부가 실행된다. 혹은, 그 프로그램의 전체 혹은 일부에 대하여, 통신 네트워크를 통해 유통 또는 제공할 수 있다. 이용자는, 통신 네트워크를 통해 그 프로그램을 다운로드하여 컴퓨터에 인스톨하거나, 혹은 기록 매체로부터 컴퓨터로 인스톨함으로써, 용이하게 본 실시 형태의 제조 조건 출력 장치 혹은 품질 관리 시스템을 실현할 수 있다.

본 발명의 실시 형태를 설명했지만, 이들 실시 형태는, 예시한 것이고, 발명의 범위를 한정하는 것은 의도하고 있지 않다. 이들 신규의 실시 형태는, 기타의 다양한 형태로 실시되는 것이 가능하고, 발명의 요지를 일탈하지 않는 범위에서, 다양한 생략, 치환, 변경을 행할 수 있다. 이들 실시 형태나 그 변형은, 발명의 범위나 요지에 포함됨과 함께, 특허 청구범위에 기재된 발명과 그 균등의 범위에 포함된다.

본 출원은, 2019년 5월 22일에 일본에 출원된 일본 특허 출원 제2019-96286호를 우선권 주장의 기초로서 출원하는 것이고, 상기한 개시 내용은 본원 명세서, 청구범위에 인용되는 것으로 한다.

Claims (6)

1. 프로세서를 포함하는 제조 조건 설정 장치로서, 상기 프로세서는,
   제품의 제조와 관련된 복수의 조건과 상기 제품의 검사 결과에 기초하여 기계 학습에 의해 생성된 모델로부터 출력된, 상기 복수의 조건 각각에 대해 해당 조건의 값에 따라 변화하는 불량 확률의 함수를 수신하고,
   상기 조건의 실측값을 실시간으로 수신하고,
   상기 조건의 값에 따라 변화하는 불량 확률의 함수 및 상기 조건의 실측값을 함께 표시하고,
   상기 제품의 제조에 사용될, 상기 조건의 값을 설정받도록 구성되는,
   제조 조건 설정 장치.
2. 제1항에 있어서, 상기 모델은 비선형 모델인, 제조 조건 설정 장치.
3. 제2항에 있어서, 상기 비선형 모델은, 복수의 결정목을 사용한 랜덤 포레스트 등의 앙상블 학습에 의해 학습된 모델인, 제조 조건 설정 장치.
4. 제1항에 있어서, 상기 제품은, 다이캐스트 머신으로 제조되는 다이캐스트인, 제조 조건 설정 장치.
5. 데이터 취득 장치와, 모델 학습 장치와, 제조 조건 설정 장치를 포함하는 품질 관리 시스템이며,
   상기 데이터 취득 장치는,
   제품의 제조와 관련된 복수의 조건을 취득하고,
   제조된 상기 제품의 검사 결과 데이터를 취득하도록 구성되고,
   상기 모델 학습 장치는,
   상기 복수의 조건을 보존하고,
   상기 검사 결과 데이터를 보존하고,
   보존된 상기 복수의 조건과 상기 검사 결과 데이터에 기초하여, 제조된 상기 제품이 양품 또는 불량품인지를 추정하는 모델을 기계 학습에 의해 생성하도록 구성되고,
   상기 제조 조건 설정 장치는,
   상기 모델로부터 출력된, 상기 복수의 조건 각각에 대해 해당 조건의 값에 따라 변화하는 불량 확률의 함수를 수신하고,
   상기 조건의 실측값을 실시간으로 수신하고,
   상기 조건의 값에 따라 변화하는 불량 확률의 함수 및 상기 조건의 실측값을 함께 표시하고,
   상기 제품의 제조에 사용될, 상기 조건의 값을 설정받도록 구성되는,
   품질 관리 시스템.
6. 제품의 제조와 관련된 복수의 조건과 상기 제품의 검사 결과에 기초하여 기계 학습에 의해 생성된 모델로부터 출력된, 상기 복수의 조건 각각에 대해 해당 조건의 값에 따라 변화하는 불량 확률의 함수를 수신하는 기능과,
   상기 조건의 실측값을 실시간으로 수신하는 기능과,
   상기 조건의 값에 따라 변화하는 불량 확률의 함수 및 상기 조건의 실측값을 함께 표시하는 기능과,
   상기 제품의 제조에 사용될, 상기 조건의 값을 설정받도록 구성되는 기능
   을 컴퓨터에 실행시키기 위한, 컴퓨터 판독가능 기록 매체에 기록된 컴퓨터 프로그램.