TW202147052A - 狀態判斷裝置、狀態判斷方法以及狀態判斷程式 - Google Patents
狀態判斷裝置、狀態判斷方法以及狀態判斷程式 Download PDFInfo
- Publication number
- TW202147052A TW202147052A TW110107484A TW110107484A TW202147052A TW 202147052 A TW202147052 A TW 202147052A TW 110107484 A TW110107484 A TW 110107484A TW 110107484 A TW110107484 A TW 110107484A TW 202147052 A TW202147052 A TW 202147052A
- Authority
- TW
- Taiwan
- Prior art keywords
- state
- unit space
- batch
- control unit
- cause
- Prior art date
Links
Images
Classifications
-
- 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]
Abstract
提議可以提高加工裝置的狀態判斷精度之狀態判斷裝置、狀態判斷方法以及狀態判斷程式。
狀態判斷裝置50,包括判斷加工裝置10的狀態之控制部51。控制部51取得表示加工裝置10的狀態之複數資料項目分別的特徵量,在根據複數資料項目中成為加工裝置10以已知模式停止的原因之原因資料項目產生的單位空間中,算出原因資料項目特徵量的馬氏距離 (Mahalanobis Distance),馬氏距離 (Mahalanobis Distance)在根據單位空間設定的臨界值以上時,輸出判斷加工裝置10的狀態是根據已知模式的異常狀態之結果。
Description
本揭露係有關於狀態判斷裝置、狀態判斷方法以及狀態判斷程式。
目前為止,已知作業機器中提供操作員用以明確指定故障處的有益資訊之狀態判斷裝置(例如參照專利文獻1)。
[先行技術文獻]
[專利文獻]
[專利文獻1]日本專利公開第2013-199804號公報
[發明所欲解決的課題]
加工裝置中預測故障發生時,判斷加工裝置的狀態異常。判斷加工裝置的狀態異常時,停止加工裝置,進行檢查。判斷為錯誤時,產生因加工裝置無謂停止引起的機會損失。為了可以降低無謂停止加工裝置的頻率,要求提高加工裝置的狀態判斷精度。
於是,本揭露的目的,在於提議可以提高加工裝置的狀態判斷精度之狀態判斷裝置、狀態判斷方法以及狀態判斷程式。
[用以解決課題的手段]
解決上述課題的本揭示之一實施形態,如下。
[1]狀態判斷裝置,包括:控制部,判斷加工裝置狀態;
上述控制部,
取得表示上述加工裝置的狀態之複數資料項目分別的特徵量;
在根據上述複數資料項目中成為上述加工裝置以已知故障模式停止的原因之原因資料項目產生表示上述加工裝置正常處理的批量集團特徵的單位空間中,算出上述原因資料項目特徵量的馬氏距離 (Mahalanobis Distance);
上述馬氏距離 (Mahalanobis Distance)在根據上述單位空間設定的臨界值以上時,輸出判斷上述加工裝置的狀態是根據已知模式的異常狀態之結果。
[2]上述[1]所記載的狀態判斷裝置,其中,
上述單位空間,至少包含根據第1原因資料項目產生的第1單位空間以及根據第2原因資料項目產生的第2單位空間;
上述第1原因資料項目內包含的資料項目中至少一部分不包含在上述第2原因資料項目內;
上述第2原因資料項目內包含的資料項目中至少一部分不包含在上述第1原因資料項目內;
上述控制部,
當上述第1單位空間中算出的上述馬氏距離(Mahalanobis Distance)為第1臨界值以上時,判斷上述加工裝置是第1異常狀態;
當上述第2單位空間中算出的上述馬氏距離(Mahalanobis Distance)為第2臨界值以上時,判斷上述加工裝置是第2異常狀態。
[3]上述[1]或[2]所記載的狀態判斷裝置,其中,
上述控制部,
當判斷上述加工裝置的狀態不是根據上述已知模式的異常狀態時,在根據上述複數資料項目產生的單位空間中,算出上述複數資料項目特徵量的馬氏距離;
上述馬氏距離為原因不明臨界值以上時,決定表示對上述馬氏距離帶來的影響大小之MD貢獻度為既定值以上的資料項目作為原因候補項目,並輸出上述原因候補項目。
[4]上述[1]至[3]中任一項所記載的狀態判斷裝置,其中,
上述控制部,
上述加工裝置在過去既定期間從開始運轉到停止為止,取得關於上述加工裝置處理的複數批量分別得到的複數資料項目特徵量;
區分上述複數批量為單位空間內批量及單位空間外批量;
根據上述單位空間內批量特徵量產生上述單位空間;
算出上述單位空間中上述單位空間外批量特徵量的馬氏距離;
設定上述臨界值為比上述單位空間外批量特徵量的馬氏距離大的值。
[5]上述[4]所記載的狀態判斷裝置,其中,
上述控制部,為了使上述單位空間中算出的上述單位空間外批量特徵量的馬氏距離與上述單位空間中算出的上述單位空間內批量特徵量的馬氏距離之差為既定值以上,區分上述單位空間內批量與上述單位空間外批量。
[6]狀態判斷方法,包括:
判斷加工裝置狀態的狀態判斷裝置,取得表示上述加工裝置的狀態之複數資料項目分別的特徵量之步驟;
上述狀態判斷裝置,在根據上述複數資料項目中成為上述加工裝置以已知故障模式停止的原因之原因資料項目產生表示上述加工裝置正常處理的批量集團特徵的單位空間中,算出上述原因資料項目特徵量的馬氏距離之步驟;以及
上述狀態判斷裝置,當上述馬氏距離在根據上述單位空間設定的臨界值以上時,輸出判斷上述加工裝置的狀態是根據已知模式的異常狀態之結果的步驟。
[7]狀態判斷程式,使判斷加工裝置狀態的狀態判斷裝置之處理器實行:
取得表示上述加工裝置的狀態之複數資料項目分別的特徵量之步驟;
在根據上述複數資料項目中成為上述加工裝置以已知故障模式停止的原因之原因資料項目產生表示上述加工裝置正常處理的批量集團特徵的單位空間中,算出上述原因資料項目特徵量的馬氏距離之步驟;
當上述馬氏距離在根據上述單位空間設定的臨界值以上時,輸出判斷上述加工裝置的狀態是根據已知模式的異常狀態之結果的步驟。
[發明效果]
根據本揭示的一實施形態,能夠提高加工裝置狀態的判斷精度。
(一實施形態的狀態判斷系統1之概要)
本揭露的一實施形態的狀態判斷系統1(參照圖1)或狀態判斷裝置50(參照圖1),判斷在製造製品的工廠等設置的加工裝置10(參照圖1或圖2)的狀態。加工裝置10,在製造製品的至少一部分步驟中,加工接受的構件,送出作為加工製品。
加工裝置10,有可能加工中故障停止。在此情況下,加工中的加工製品成為不良品。不良品的發生,成為工廠的損失。又,加工裝置10的修復作業所花的工時,比加工裝置10的維護作業所花的工時更多。因此,加工裝置10在加工中故障,增加工廠的損失。
本揭露的一實施形態的狀態判斷系統1或狀態判斷裝置50,在加工裝置10加工中故障前,判斷故障的可能性,催促加工裝置10停止或維護作業。藉此,能夠減小起因於加工裝置10的損失。
以下,說明一實施形態的狀態判斷系統1及狀態判斷裝置50的構成例。
(系統的構成例)
如圖1所示,一實施形態的狀態判斷系統1,包括狀態判斷裝置50及感應器60。感應器60測量有關加工裝置10的狀態之各種資料並輸出。
狀態判斷裝置50,包括控制部51、輸出部53、及輸入部54。控制部51,提供用以實行狀態判斷裝置50各種機能的控制及處理能力。控制部51,如之後敘述,判斷加工裝置10的狀態是否是異常狀態。
控制部51,可以包含至少1個處理器。處理器,能夠實行實現控制部51各種機能的程式。處理器,作為單一積體電路實現也可以。積體電路也稱IC(Integrated Circuit)。處理器作為複數可通訊連接的積體電路及離散電路實現也可以。處理器根據其它各種已知技術實現也可以。
控制部51,可以包括記憶部。記憶部包含磁碟等電磁記憶媒體也可以,包含半導體記憶體或磁性記憶體等的記憶體也可以。記憶部,包含非暫時性電腦可讀取媒體也可以。記憶部,收納各種資訊及以控制部51實行的程式等。記憶部,作用為控制部51的工作記憶體也可以。記憶部的至少一部分,與控制部51分開構成也可以。
控制部51,從感應器60取得測量資料。控制部51,例如根據RS485等的規格從感應器60取得測量資料也可以。控制部51,例如經由LAN(區域網路)等的通訊界面連接至感應器60也可以。控制部51,不限於上述例,以各種方式連接至感應器60也可以。
輸出部53,輸出從控制部51取得的資訊。輸出部53,為了通知加工裝置10或維護負責人員資訊而輸出也可以。輸出部53,包括顯示器也可以。顯示器,例如,包含液晶顯示器、有機EL(電激發光)顯示器或無機EL顯示器等也可以,但不限於此,包含其它的顯示器也可以。輸出部53,顯示從控制部51取得的資訊在顯示器上作為文字或畫像等,將資訊通知周圍也可以。
輸出部53,包括LED(發光二極體)或鹵素燈等光源也可以。輸出部53,根據從控制部51取得的資訊,透過點亮或熄滅光源,通知周圍的操作員或維護負責人員等資訊也可以。輸出部53,包括壓電蜂鳴器或電磁蜂鳴器等蜂鳴器或發出既定聲音的揚聲器等也可以。輸出部53,根據從控制部51取得的資訊,透過鳴叫蜂鳴器或從揚聲器產生聲音,通知周圍的操作員或維護負責人員等資訊也可以。
輸出部53,輸出資訊至加工裝置10也可以。輸出部53,為了與加工裝置10可通訊連接,包括通訊模組也可以。
輸入部54,包括輸入裝置,用以接受管理狀態判斷裝置50的操作員或維護負責人員等的操作或輸入。輸入裝置,例如,包含鍵盤或物理鍵也可以,包含觸控面板或觸控感應器或者滑鼠等指向裝置也可以。輸入裝置,是觸控面板或觸控感應器的情況下,與輸出部53的顯示器一體構成也可以。輸入裝置,例如包含接受聲音輸入的麥克風等也可以。輸入部54,作為輸入元件,不限於這些例子,包含其它各種裝置也可以。
(加工裝置10的具體例:線鋸裝置)
本實施形態中,加工裝置10,假設為線鋸裝置。作為線鋸裝置的加工裝置10,如圖2所示,包括在複數滾軸14間排列且可往返移行拉遍線12之線群16。加工裝置10,包括工件保持機構18,保持工件W,使工件W對線群16往壓入的方向移動。加工裝置10,包括一對噴嘴20,供給研磨劑至線群16的壓入工件W區域。加工裝置10,利用線群16切斷工件W。工件W,是矽等的塊(切出塊狀的單晶矽錠)。加工裝置10,將切斷工件W得到的矽等的切片晶圓送出作為加工製品。
線12,纏繞在一組線捲軸38A及38B上。線12,從一線捲軸38A經由引導滾軸32及滾軸14等延伸至另一線捲軸38B。
線捲軸38A及38B分別利用驅動馬達36旋轉。藉由驅動馬達36驅動使線捲軸38A及38B旋轉,線12從一線捲軸38A魚貫而出,經由引導滾軸32及滾軸14等可以移行至另一線捲軸38B。線12,經由包含調節臂33及張力滾軸34等的張力授予手段移行。透過線12經由張力授予手段移行,授予線12張力。線12,經由接觸滾軸35移行。接觸滾軸35,追隨從線捲軸38A及38B魚貫而出或纏繞線捲軸38A及38B之際移動的線12位置。
線12,跨過複數滾軸14複數次螺旋狀纏繞。螺旋狀纏繞的線12,構成在滾軸14間往垂直於滾軸方向X的方向並列排列的線群16。滾軸14,鋼製圓筒周圍壓入聚氨酯樹脂,成為其表面上以一定間距切入溝的構成。透過線12嵌入切入滾軸14表面的溝,線群16穩定移行。
線12的移行方向,由驅動馬達36的旋轉方向控制。控制線12往一方向移行也可以,根據需要控制往返移行也可以。授予線12的張力大小,可以適當設定。線12的移行速度,可以適當設定。
從噴嘴20供給至線群16的研磨劑,儲存在研磨劑槽40內,從研磨劑槽40經由調溫研磨劑的研磨劑冷卻槽42送入噴嘴20。
作為從線鋸裝置送出的加工製品之切片晶圓,以研磨等步驟再加工,作為最終製品的晶圓出貨。
(狀態判斷裝置50的構成例)
以下,說明狀態判斷裝置50用以判斷加工裝置10的狀態是異常狀態的構成例。以下的說明中,假設加工裝置10為線鋸裝置。
<關於線鋸裝置的異常狀態>
線鋸裝置的異常狀態,對應線鋸裝置有可能在塊的切斷中停止的程度變高的狀態。線鋸裝置,有可能線12斷線停止。線鋸裝置,也有可能線12不斷線停止。
作為線鋸裝置到達停止的原因,考慮各種主因。作為已知的主因,例如考慮以下的主因。例如,研磨劑的供給產生異常時,線12有可能變得容易斷線。例如,由於檢測發現線12斷線的感應器上附著研磨劑,線鋸裝置有可能誤檢測發現線12斷線而停止。例如,由於研磨劑槽40的研磨劑量或溫度異常,線鋸裝置有可能停止。另一方面,由於不符合已知主因的未知主因,線鋸裝置也有可能停止。
狀態判斷裝置50的控制部51,取得從線鋸裝置得到的各種資料項目測量值。從線鋸裝置得到的資料項目,例如,包含研磨劑流量、線張力或冷卻水流量等。從線鋸裝置得到的資料項目,不限於這些例子,能夠包含其它各種項目。
線鋸裝置,將切斷1個塊形成切片晶圓的處理,實行作為1批量的處理。控制部51,關於各資料項目,在1批量的處理之間可以取得複數測量值。線鋸裝置,花費既定時間切斷1個塊成複數枚切片晶圓。即,1批量的處理花費既定時間。控制部51,在1批量的處理之間,例如每15秒取得各資料項目的測量值也可以。於是,控制部51,在1批量的處理之間,關於各資料項目可以取得複數測量值。控制部51,算出在各批量的處理中取得的複數測量值之平均值及標準偏差。各批量的複數測量值之平均值及標準偏差,也稱作批量特徵量。根據各資料項目的測量值算出的批量特徵量,也僅稱作各資料項目的批量特徵量。
控制部51,根據線鋸裝置在各資料項目的批量特徵量,判斷線鋸裝置停止機率是低的狀態或是線鋸裝置停止可能性高的狀態。線鋸裝置停止機率低的狀態,也稱正常狀態。線鋸裝置停止可能性高的狀態,也稱異常狀態。
<關於MT法(Mahalanobis
-田口法)> 線鋸裝置的狀態,每次實行1批量的處理就判斷也可以。線鋸裝置的狀態,有時只著眼於線鋸裝置的1個資料項目作判斷。在此情況下,1個資料項目的批量特徵量分布依照常態分布的假設下,能夠判斷線鋸裝置在處理批量之際得到的批量特徵量是否是異常值。判斷某批量特徵量是異常值時,線鋸裝置能夠判斷下一批量處理中停止的可能性變高。即,能夠判斷線鋸裝置的狀態是異常狀態。
從線鋸裝置得到的資料項目數很多時,線鋸裝置的狀態,根據複數資料項目判斷也可以。在此情況下,複數資料項目分別的批量特徵量分布,看作根據多變數常態分布也可以。控制部51,根據多變數解析手法之一的MT法(Mahalanobis-田口法),判斷各資料項目的批量特徵量是否是異常值,批量特徵量是異常值的情況下,判斷處理其批量時的線鋸裝置狀態是異常狀態也可以。
控制部51,根據線鋸裝置狀態是正常狀態的情況下得到的複數資料項目分別的批量特徵量,產生單位空間。表示單位空間為明確指定各資料項目的批量特徵量分布之數式。具體地,控制部51常態化各資料項目的批量特徵量,產生包含資料項目間的相關係數作為要素之相關係數矩陣,透過算出相關係數矩陣的逆矩陣,可以產生表示單位空間的數式。即,單位空間,由相關係數矩陣的逆矩陣明確指定。
單位空間,表示線鋸裝置狀態是正常狀態的情況下處理的批量特徵量分布特徵。單位空間,也可以說是表示線鋸裝置正常切斷的批量集團特徵。單位空間,也可以說是表示加工裝置10正常處理的批量集團特徵。控制部51,根據表示單位空間的數式,可以算出以從線鋸裝置得到的複數資料項目分別的特徵量作為1組之資料的馬氏距離(Mahalanobis Distance:MD)。MD,係品質工學領域中一般使用的概念,例如以以下的文獻說明。
文獻:救仁鄉 誠,「Mahalanobis的距離入門」,品質工學會學會誌「品質工學」vol.9, No.1, p.13-19
MD,係線鋸裝置狀態不明的情況下處理的批量特徵量,對於線鋸裝置狀態在正常狀態的情況下處理的批量特徵量分布,表示接近哪種程度的指標。根據批量特徵量算出的MD越小,其批量特徵量是線鋸裝置狀態在正常狀態的情況下處理的批量特徵量之可能性可以說越高。相反地,根據批量特徵量算出的MD越大,其批量特徵量是線鋸裝置狀態在異常狀態的情況下處理的批量特徵量之可能性可以說越高。
因此,控制部51,根據單位空間,透過算出新處理的批量特徵量的MD,可以判斷得到其批量特徵量時的線鋸裝置狀態是正常或異常。以下,用於產生單位空間之包含過去既定期間處理的批量特徵量之線鋸裝置資料,也稱作參照資料。又,線鋸裝置處理新批量之際得到的資料,且為了判斷處理其批量時線鋸裝置狀態所使用的資料,也稱判斷對象資料。控制部51,在根據參照資料產生的單位空間中算出判斷對象資料的MD,判斷線鋸裝置狀態。控制部51,根據參照資料產生單位空間也可以,從外部裝置取得關於單位空間的資訊也可以。
<產生根據原因資料項目的單位空間>
線鋸裝置,如上述,由於各種主因到達停止。線鋸裝置到達停止的主因,可以包含對於線鋸裝置的使用者已知的主因以及未知的主因。已知的主因,分類為已知故障模式。已知故障模式也稱已知模式。
線鋸裝置停止的機率變高的情況下,對應引起停止的主因之資料項目的批量特徵量有可能成為異常值。控制部51,藉由判斷對應引起線鋸裝置停止的主因之資料項目的批量特徵量是否是異常值,可以判斷線鋸裝置停止的可能性是否很高。引起線鋸裝置停止的主因,也稱停止主因。對應停止主因的資料項目,也稱原因資料項目。引起線鋸裝置停止的主因,可以存在複數。因此,存在分別對應複數停止主因的原因資料項目。
控制部51,為了判斷原因資料項目的批量特徵量是否是異常值,產生根據原因資料項目的批量特徵量之單位空間也可以。單位空間,以外部裝置產生也可以。具體地,控制部51,作為參照資料,線鋸裝置從開始運轉到停止為止處理的每批量,取得複數資料項目分別的測量值,根據其測量值算出批量的特徵量。控制部51,在取得的參照資料中,根據查明線鋸裝置的狀態是正常時處理的批量特徵量,產生單位空間。
控制部51,為了判斷線鋸裝置的狀態,作為判斷對象資料,取得線鋸裝置新處理的批量之複數資料項目分別的測量值,根據其測量值算出批量的特徵量。控制部51,在預先根據原因資料項目的批量特徵量產生的單位空間中,每停止主因算出作為判斷對象資料取得的資料中原因資料項目之批量特徵量的MD。控制部51,根據算出的MD,可以判斷原因資料項目的批量特徵量是否是異常值。原因資料項目的批量特徵量是異常值的情況下,能夠判斷線鋸裝置在下一批量處理中停止的可能性變高。即,能夠判斷處理取得判斷對象資料的對象批量時的線鋸裝置狀態是異常狀態。
在此,假設單位空間係根據原因資料項目以外不對應停止主因的資料項目的批量特徵量產生的。不對應停止主因的資料項目,也稱作非原因資料項目。單位空間不只根據原因資料項目的批量特徵量還有非原因資料項目的批量特徵量產生時,其單位空間,也將表示無關線鋸裝置停止的傾向。如上述,單位空間,根據各資料項目的批量特徵量之相關關係產生。這樣一來,根據非原因資料項目的批量特徵量產生的單位空間,相較於只根據原因資料項目的批量特徵量產生的單位空間,也包含相關小的關係,較冗長。冗長的單位空間中算出的MD,由於非原因資料項目的批量特徵量影響,對於原因資料項目的批量特徵量變化,變得遲鈍。反過來說,由於只根據原因資料項目產生單位空間,控制部51,透過在其單位空間中算出MD,可以高靈敏度檢出原因資料項目的批量特徵量變化。
控制部51,在線鋸裝置處理1批量之際取得其批量的各資料項目測量值作為判斷對象資料,根據其測量值算出批量的特徵量。控制部51,在產生的單位空間中算出判斷對象資料內包含的原因資料項目之批量特徵量的MD。控制部51,當算出的MD未達臨界值時,判斷線鋸裝置處理1批量之際的狀態是正常狀態。控制部51,當算出的MD在臨界值以上時,判斷線鋸裝置處理1批量之際的狀態是異常狀態。
<產生對應已知模式的單位空間>
引起線鋸裝置停止的故障模式,包含已知的故障模式也可以,包含未知的故障模式也可以。以下,引起線鋸裝置停止的故障模式,假設包含至少2個已知模式。控制部51,根據對應各已知模式的原因資料項目產生單位空間。單位空間,分別由每個已知模式產生也可以。單位空間,分別由每個已知模式產生時,對應各已知模式。
控制部51,在各已知模式的單位空間中算出對應線鋸裝置處理1批量之際得到的判斷對象資料內包含的對應各已知模式之原因資料項目的批量特徵量的MD。控制部51,當關於某已知模式算出的MD在既定臨界值以上時,線鋸裝置處理下一批量之際,判斷以其已知模式停止的可能性高。既定的臨界值,各已知模式設定為相同值也可以,設定為不同值也可以。
引起線鋸裝置停止的至少2個已知模式,包含第1已知模式與第2已知模式。已知模式,不只限於第1已知模式與第2已知模式2個,例如包含第3已知模式也可以。又,要注意「第1」及「第2」等識別符不是表示已知模式的優劣。對應線鋸裝置以第1已知模式停止的主因之資料項目,也稱作第1原因資料項目。控制部51,根據第1原因資料項目的批量特徵量產生單位空間。根據第1原因資料項目的批量特徵量產生的單位空間,也稱作第1單位空間。對應線鋸裝置以第2已知模式停止的主因之資料項目,也稱作第2原因資料項目。控制部51,根據第2原因資料項目的批量特徵量產生單位空間。根據第2原因資料項目的批量特徵量產生的單位空間,也稱作第2單位空間。原因資料項目,不只限於第1原因資料項目及第2原因資料項目2個,例如包含對應以第3已知模式停止的主因之第3原因資料項目也可以。單位空間,不只限於第1單位空間及第2單位空間2個,例如包含根據第3原因資料項目的批量特徵量產生的第3單位空間也可以。又,「第1」及「第2」等識別符不是表示原因資料項目或單位空間的優劣。
控制部51,在第1單位空間中算出線鋸裝置處理1批量之際得到的判斷對象資料內包含的第1原因資料項目之批量特微量的MD。控制部51,在單位空間中算出判斷對象資料內包含的第2原因資料項目之批量特微量的MD。控制部51,當第1單位空間中算出的MD在既定臨界值以上時,可以判斷線鋸裝置以第1已知模式停止的可能性變高。控制部51,當第2單位空間中算出的MD在既定臨界值以上時,可以判斷線鋸裝置以第2已知模式停止的可能性變高。控制部51,當判斷以第1已知模式及第2單已知模式中一模式停止的可能性變高時,關於另一模式不判斷也可以。控制部51,即使判斷以至少1個模式停止的可能性高的情況下,也可以判斷以另一模式停止的可能性是否變高。假設以複數故障模式停止的可能性變高時,使用者關於成為對象的故障模式可以歸納實施維護作業。
第1原因資料項目及第2原因資料項目分別包含複數資料項目。第1原因資料項目及第2原因資料項目,兩方都包含另一方的原因項目內未包含的資料項目。換言之,第1原因資料項目及第2原因資料項目,不成為互相包含關係。又,第1原因資料項目內包含的資料項目與第2原因資料項目內包含的資料項目,不完全相同。假設第1原因資料項目及第2原因資料項目有包含關係或完全相同的情況下,第1原因資料項目及第2原因資料項目,也可以說不是互相獨立的故障模式,而是互相關聯的同類故障模式。由於第1原因資料項目及第2原因資料項目兩方都包含另一方的原因資料項目內不包含的資料項目,控制部51能夠以高精度分別檢出互相獨立發生的至少2個已知模式。
<產生單位空間所使用的資料>
如上述,控制部51,根據參照資料中線鋸裝置的狀態正常期間處理的批量之原因資料項目的批量特徵量,產生單位空間。以下,說明參照資料內包含的資料之一例。
線鋸裝置的狀態,實行線鋸裝置的元件交換作業或分解組裝作業或者清掃作業等後,開始運轉後的數批量到十幾批量的處理中,能夠成為交換的元件或組裝的元件還沒開始順利動作的不穩定狀態。之後,線鋸裝置的狀態,可以成為元件開始順利動作在數十批次到數百批次的處理中穩定的狀態。還有,線鋸裝置的狀態,由於元件惡化或研磨劑堆積等引起的清掃狀態惡化,故障機率提高,故障為止的數批量到數十批量的處理中,能夠成為不穩定狀態。
控制部51,取得線鋸裝置從開始運轉到停止為止處理的各批量中各資料項目的測量值,根據其測量值算出各批量的特徵量作為參照資料。各批量的特徵量,係分別根據D1到DN的N個資料項目之測量值算出。
如圖3的表所例示,作為參照資料算出的批量特徵量,對應批量及資料項目。圖3的表中列表示D1到DN的N個資料項目。圖3的表中行表示批量。批量根據處理的時期再區分為P1、P2及P3的3個期間。P1,對應線鋸裝置的運轉再啟動後處理之M1個批量。P3,對應線鋸裝置即將停止的批量前處理之M3個批量。P2,對應P1及P3內未包含之M2個批量。P2,也可以說對應線鋸裝置狀態是穩定狀態期間處理的批量。
控制部51,在期間P1中,根據M1個批量分別的資料項目D1之測量值,算出D1P1_1到D1P1_M1的M1個批量特徵量。控制部51,在期間P1中,根據M1個批量分別的資料項目DN之測量值,算出DNP1_1到DNP1_M1的M1個批量特徵量。控制部51,在期間P2中,根據M2個批量分別的資料項目D1之測量值,算出D1P2_1到D1P2_M2的M2個批量特徵量。控制部51,在期間P2中,根據M2個批量分別的資料項目DN之測量值,算出DNP2_1到DNP2_M2的M2個批量特徵量。控制部51,在期間P3中,根據M3個批量分別的資料項目D1之測量值,算出D1P3_1到D1P3_M3的M3個批量特徵量。控制部51,在期間P3中,根據M3個批量分別的資料項目DN之測量值,算出DNP3_1到DNP3_M3的M3個批量特徵量。
成為取得圖3的表所例示的參照資料之對象的線鋸裝置,假設在期間P3後的批量處理中以已知模式停止。換言之,期間P3的批量,對應線鋸裝置以已知模式停止前線鋸裝置處理的最後M3個批量。
控制部51,取得的參照資料內包含的批量特徵量中,根據線鋸裝置的狀態成為穩定狀態的期間P2的批量特徵量產生單位空間。在此,從用以產生單位空間的期間P2之各批量特徵量排除一部分批量特徵量。之後敘述排除一部分批量特徵量的理由。產生的單位空間,對應已知模式。
<根據MD的線鋸裝置狀態判斷>
控制部51,取得線鋸裝置在批量處理時各資料項目的批量特徵量作為判斷對象資料,在預先根據參照資料產生的單位空間中,算出作為判斷對象資料取得的批量特微量的MD。
<<單位空間的妥當性驗證>>
在此,必須產生單位空間,使狀態判斷裝置50可以根據批量特微量的MD判斷線鋸裝置是穩定狀態或是故障可能性變高的狀態。即,必須產生單位空間,使線鋸裝置停止的可能性變高的狀態中批量特微量的MD成為既定臨界值以上且線鋸裝置在穩定的狀態中批量特微量的MD未達既定臨界值。
為了確認產生的單位空間是否滿足上述條件,關於圖3例示的參照資料內包含的各批量特徵量算出MD。圖4中顯示以線鋸裝置處理的順序排列關於參照資料內包含的各批量特徵量算出的MD值之長條圖。關於各批量特徵量算出的MD值,也稱作各批量的MD。橫軸,表示批量。縱軸表示各批量的MD值。沿著橫軸,顯示根據線鋸裝置的狀態區分的期間P1、P2及P3內分別包含的批量範圍。期間P1內包含的批量數(M1)、期間P2內包含的批量數(M2)及期間P3內包含的批量數(M3),分別是10批量、143批量及40批量。期間P1、P2及P3內分別包含的批量數比率,對於全體批量數,約5%、約75%及約20%。各期間內包含的批量數比率,不限於此例,可以適當變更。
圖4的最右所示的長條圖,表示線鋸裝置停止時處理中之停止批量71的MD。圖4的圖表中,既定的臨界值,以MD_T表示。表示各批量的MD值之縱棒伸長至表示MD_T值的虛線以上時,MD比既定臨界值大。控制部51,設定MD_T值,使期間P2內包含的各批量之MD未達MD_T,而且期間P3內包含的至少1個批量之MD為MD_T以上。MD為MD_T以上的批量,表示為異常檢出批量72。控制部51,藉由如此設定MD_T,在線鋸裝置於批量處理中停止發生損失前,可以判斷線鋸裝置狀態是異常狀態。
期間P2內包含的批量之MD,具有變得比期間P1及P3內包含的批量之MD更小的傾向。成為如此的理由,是因為單位空間係根據期間P2內包含的批量特徵量產生的。用於產生單位空間的各批量特徵量,為了配合各批量的特徵本身擴大單位空間起作用。因此,某單位空間中,算出用於產生其單位空間的批量特徵量之MD時,算出的MD,自然成為小的值。相反地,某單位空間中,算出不使用於產生其單位空間的批量特徵量之MD時,算出的MD,成為大的值之可能性變高。換言之,用於產生其單位空間的批量特徵量分布越廣,產生的單位空間中算出的MD越小。
如上述,從用以產生單位空間的期間P2之批量特徵量排除一部分批量特徵量。得到為了算出用於產生單位空間的特徵量所使用的測量值之批量,稱作單位空間內批量73。得到為了算出不用於產生單位空間的特徵量所使用的測量值之批量,稱作單位空間外批量74。換言之,單位空間,根據單位空間內批量73的批量特徵量而且不根據單位空間外批量74的批量特徵量產生。如上述用以產生單位空間的批量之MD,自然以小的值算出。因此,單位空間外批量74的MD具有成為比單位空間內批量73的MD更大值的傾向。
在此,單位空間外批量74,雖然根據其測量值算出的特徵量不用於產生單位空間,但是線鋸裝置的狀態正常的期間P2處理的批量。因此,設定既定臨界值,使單位空間外批量74的MD未達既定臨界值。假設,設定使單位空間外批量74的MD為既定臨界值以上時,即使線鋸裝置的狀態是正常狀態也容易錯誤判斷為異常狀態。因此,控制部51,由於設定既定臨界值為比單位空間外批量74的MD大的值,之後敘述的線鋸裝置的狀態判斷中,容易避免儘管線鋸裝置的狀態是正常狀態也判斷為異常。又,已設定臨界值的情況下,根據從單位空間除去的批量(單位空間外批量74)的MD值,可以驗證是否適當設定單位空間。
如以上所述,控制部51,根據過去既定期間從線鋸裝置運轉開始到停止處理的各批量特徵量產生單位空間。即,控制部51,取得知道線鋸裝置停止時機的過去處理批量特徵量作為參照資料,根據參照資料產生單位空間。這樣產生的單位空間中,控制部51取得線鋸裝置新處理的批量特徵量作為判斷對象資料,算出其批量的MD,可以判斷線鋸裝置的狀態。
<<資料項目選擇的比較例>>
成為上述妥當性的驗證對象之單位空間,根據明白對於已知模式的貢獻度大之原因資料項目的批量特徵量產生。在此,作為比較例,說明已知模式停止為止處理的批量之各資料項目中,根據明白對已知模式幾乎沒貢獻或貢獻度小之非原因資料項目產生的單位空間中算出的MD值之例。圖5中顯示,根據非原因資料項目產生的單位空間中,各批量的MD值以線鋸裝置處理的順序排列的長條圖。關於橫軸及縱軸的意義以及期間P1、P2及P3的意義之說明,與圖4相同省略。
如果比較圖5中例示的各批量之MD值,期間P2中單位空間外批量74的MD與期間P3中各批量的MD之差很小。設定表示既定臨界值的MD_T低一點時,線鋸裝置的狀態是正常狀態,卻錯誤判斷為異常狀態的可能性提高。設定MD_T高一點時,儘管是線鋸裝置停止的可能性高的異常狀態,不判斷為異常狀態的可能性提高。儘管線鋸裝置的狀態是異常狀態,不判斷為異常狀態時,失去預防性停止線鋸裝置的機會,批量處理中故障停止的可能性提高。圖5的例中,怎麼設定MD_T,錯誤判斷為線鋸裝置狀態的可能性都提高。
鑑於圖4及圖5的例,由於從期間P3中至少一部分批量的MD減去期間P2中單位空間外批量74的MD之值成為既定值以上,能夠提高線鋸裝置狀態的判斷精度。既定值,可以適當設定。控制部51,為了使期間P2及P3內包含的批量之MD滿足上述條件,從複數資料項目適當選擇原因資料項目,根據原因資料項目,可以產生單位空間。控制部51,設定既定臨界值為比期間P3中至少一部分批量的MD小且比期間P2中單位空間外批量74的MD最大值大的值。藉此,控制部51變得容易避免儘管線鋸裝置的狀態正常也判斷為異常。
假設,狀態判斷裝置50產生根據全部資料項目的單位空間時,其單位空間,作為線鋸裝置停止的主因,也會根據幾乎沒貢獻或貢獻度低之非原因資料項目產生。那樣一來,根據全部資料項目產生的單位空間中算出的批量之MD值,變得難以反映線鋸裝置的狀態變化。因此,根據全部資料項目產生的單位空間中,根據算出的批量之MD值,判斷線鋸裝置的狀態時,判斷精度,能夠變得與圖5的例同樣低。
<<根據產生的單位空間及臨界值之線鋸裝置的狀態判斷>>
控制部51,關於停止時機不明的線鋸裝置,取得根據其裝置處理批量之際得到的測量值算出的特徵量作為判斷對象資料,根據判斷對象資料判斷線鋸裝置停止的可能性是否變高。
具體地,控制部51,在根據過去的處理批量特徵量產生的單位空間中,算出新處理的批量之MD。控制部51,根據算出的MD值,判斷其批量的下一批量以後的處理中線鋸裝置停止的可能性是否變高。
控制部51,當MD未達既定臨界值時,判斷線鋸裝置停止的可能性低,即,其批量處理時線鋸裝置的狀態是正常狀態。控制部51,當MD在既定臨界值以上時,判斷線鋸裝置停止的可能性高,即,其批量處理時線鋸裝置的狀態是異常狀態。
控制部51,可以使輸出部53顯示或以聲音輸出通知使用者線鋸裝置的狀態是異常狀態。使用者,根據通知使線鋸裝置不處理下一批量,預防性停止實施維護作業也可以。控制部51,輸出線鋸裝置的狀態是異常狀態至線鋸裝置,預防性停止線鋸裝置也可以。
<<根據已知模式的異常狀態判斷>>
控制部51,查明線鋸裝置以已知模式停止的情況下,取得從運轉開始到停止為止處理的批量特徵量作為參照資料也可以。包含以已知模式停止為止處理的批量特徵量之資料,也稱作已知模式資料。控制部51,可以根據已知模式資料產生單位空間。根據已知模式資料的單位空間,也稱作已知模式單位空間。
控制部51,在已知模式單位空間中算出狀態不明的線鋸裝置處理的批量之MD。控制部51,在已知模式單位空間中算出的批量之MD在既定臨界值以上時,可以判斷線鋸裝置以已知模式停止的可能性變高的異常狀態。線鋸裝置以已知模式停止的可能性變高的異常狀態,也稱作根據已知模式的異常狀態。
已知模式包含第1已知模式或第2已知模式等的複數故障模式時,控制部51,根據包含以各故障模式停止為止處理的批量資料之參照資料,產生對應各故障模式的單位空間也可以。例如,控制部51,產生對應第1已知模式的第1單位空間或對應第2已知模式的第2單位空間也可以。控制部51,在對應各故障模式的單位空間中,算出線鋸裝置處理的批量之MD也可以。控制部51,在對應各故障模式的單位空間中算出的批量之MD在既定臨界值以上時,判斷線鋸裝置以MD為既定臨界值以上的故障模式停止的可能性變高的異常狀態也可以。用以判斷第1單位空間及第2單位空間的MD值之臨界值,分別也稱作第1臨界值及第2臨界值。第1臨界值及第2臨界值,是互不相同的值也可以,互為相同的值也可以。線鋸裝置以第1已知模式及第2已知模式停止的可能性高的狀態,分別也稱作第1異常狀態及第2異常狀態。臨界值,不只限於第1臨界值及第2臨界值2個,例如包含設定用以判斷第3單位空間的MD之第3臨界值也可以。異常狀態,不只限於第1異常狀態及第2異常狀態2個,例如包含對應以第3已知模式停止的可能性高的狀態之第3異常狀態也可以。又,要注意「第1」及「第2」等識別符不是表示臨界值或異常狀態的優劣。
控制部51,判斷線鋸裝置的狀態是根據已知模式的異常狀態或是第1異常狀態或第2異常狀態,輸出判斷結果至輸出部53也可以。控制部51,通知線鋸裝置的操作員或維護負責人員等使用者判斷結果也可以。使用者,根據通知的判斷結果,實行線鋸裝置的檢查作業、元件交換作業或修理作業等各種作業。藉此,使用者可以適當維護線鋸裝置,以免線鋸裝置在批量處理中故障。
<<原因不明的停止可能性判斷>>
控制部51,取得線鋸裝置原因不明停止的情況下運轉開始到停止為止處理的批量特徵量作為參照資料也可以。包含原因不明停止為止處理的批量特徵量之資料,也稱作原因不明資料。控制部51,根據原因不明資料產生單位空間也可以。根據原因不明資料的單位空間,也稱作原因不明單位空間。控制部51,選擇從線鋸裝置得到的全部資料項目產生原因不明單位空間也可以,選擇一部分資料項目產生原因不明單位空間也可以。
控制部51,在原因不明單位空間中算出狀態不明的線鋸裝置處理的批量之MD。控制部51,在原因不明單位空間中算出的批量之MD在既定臨界值以上的情況下,可以判斷線鋸裝置原因不明停止的可能性變高的異常狀態。用以判斷在原因不明單位空間中算出的批量之MD值的臨界值,也稱作原因不明臨界值。原因不明臨界值,設定為與判定在已知模式單位空間中算出的批量之MD值使用的既定臨界值或者第1臨界值或第2臨界值相同的值,但設定為不同的值也可以。
控制部51,在判斷線鋸裝置原因不明停止的可能性變高的情況下,透過更加實行有效性解析,可以限縮線鋸裝置停止主因。有效性解析,對應解析用於產生原因單位空間之資料項目中哪個資料項目給MD值帶來大影響。控制部51,能夠以各種手法實行有效性解析。控制部51,透過有效性解析,可以決定增大原因不明單位空間中算出的批量之MD值的資料項目。增大原因不明單位空間中算出的批量之MD值的資料項目,也稱作原因候補項目。之後敘述根據有效性解析的原因候補項目的決定方法具體例。
控制部51,決定原因候補項目,透過使輸出部53輸出,可以通知線鋸裝置的操作員或維護負責人員等使用者原因候補項目。使用者,根據作為原因候補項目決定的資料項目,實行線鋸裝置的檢查作業、元件交換作業或修理作業等各種作業。藉此,線鋸裝置在批量處理中故障前,能夠適當維護。
<總結>
如上述,根據本實施形態的狀態判斷系統1及狀態判斷裝置50,線鋸裝置等加工裝置10故障前,可以判斷是否是加工裝置10故障可能性提高的異常狀態。藉此,加工裝置10在加工處理中變得不易故障。加工裝置10在加工處理中故障的情況下,產生大的損失。透過加工裝置10在加工處理中變得不易故障,能夠降低損失。
(狀態判斷方法的程序例)
狀態判斷裝置50的控制部51,例如可以實行包含圖6及圖7例示的流程圖程序之狀態判斷方法。控制部51,透過實行例示的狀態判斷方法,可以判斷線鋸裝置狀態是否是異常狀態。狀態判斷方法,作為使控制部51實行的狀態判斷程式實現也可以。圖6及圖7所示的程序是一例,可以適當變更。
控制部51,產生單位空間(步驟S1)。控制部51,根據線鋸裝置的參照資料產生單位空間。控制部51,在線鋸裝置以已知模式停止的情況下,根據作為停止為止處理的批量資料得到的參照資料,可以產生對應其已知模式的單位空間。控制部51,在線鋸裝置不明原因停止的情況下,根據作為停止為止處理的批量資料得到的參照資料,可以產生對應原因不明的情況之單位空間。圖7中作為子程式,顯示產生單位空間的一程序例。
控制部51,取得參照資料(圖7的步驟S11)。參照資料,包含根據線鋸裝置過去停止為止運轉時處理的各批量測量值算出的特徵量。控制部51,取得線鋸裝置以第1已知模式或第2已知模式等已知模式停止為止處理的批量特徵量作為參照資料也可以。控制部51,取得線鋸裝置不明原因停止為止處理的批量特徵量作為參照資料也可以。
控制部51,從參照資料中選擇原因資料項目(步驟S12)。參照資料,包含可以從線鋸裝置取得的複數資料項目。控制部51,可以選擇對應線鋸裝置停止主因的既定故障模式之資料項目作為原因資料項目。控制部51,例如,可以選擇對應第1已知模式及第2已知模式的資料項目,分別作為第1原因資料項目及第2原因資料項目。控制部51,在取得線鋸裝置不明原因停止為止處理的批量特徵量作為參照資料的情況下,選擇全部原因資料項目也可以。
控制部51,區分參照資料為單位空間內批量73的資料之單位空間內資料以及單位空間外批量74的資料之單位空間外資料(步驟S13)。
控制部51,根據單位空間內資料產生單位空間(步驟S14)。控制部51,可以產生第1單位空間或第2單位空間或者原因不明單位空間等作為單位空間。
控制部51,判斷產生的單位空間是否妥當(步驟S15)。具體地,控制部51,在產生的單位空間中,分別算出單位空間內批量73的MD與單位空間外批量74的MD。控制部51,例如,單位空間內批量73的MD與單位空間外批量74的MD之差在既定值以下時,可以判斷產生的單位空間妥當。控制部51,判斷產生的單位空間不妥當時(步驟S15:NO),回到步驟S13的程序。控制部51,回到步驟S12的程序也可以。控制部51,判斷產生的單位空間妥當時(步驟S15:YES),結束圖7中例示的子程式處理,回到圖6的步驟S2的程序。
控制部51,在圖7例示的單位空間產生程序的子程式處理中,產生對應複數已知模式的單位空間也可以。控制部51,產生對應原因不明停止的原因不明單位空間也可以。
回到從實行作為圖6的步驟S1的程序之圖7的子程式處理開始,控制部51,取得判斷對象資料(圖6的步驟S2)。
控制部51,算出判斷對象資料內包含的批量之MD(步驟S3)。控制部51,分別關於步驟S1的程序產生的複數單位空間,可以算出判斷對象資料內包含的批量之MD。控制部51,在第1單位空間中算出判斷對象資料內包含的批量之MD也可以。第1單位空間中算出的判斷對象資料內包含的批量之MD,也稱作第1單位空間的MD。控制部51,在第2單位空間中算出判斷對象資料內包含的批量之MD也可以。第2單位空間中算出的判斷對象資料內包含的批量之MD,也稱作第2單位空間的MD。控制部51,在原因不明單位空間中算出判斷對象資料內包含的批量之MD也可以。原因不明單位空間中算出的判斷對象資料內包含的批量之MD,也稱作原因不明單位空間的MD。
控制部51,判斷第1單位空間的MD是否在第1臨界值以上(步驟S4)。控制部51,例如在步驟S1的程序中產生第1單位空間之際,可以設定第1臨界值。第1臨界值能夠設定為檢出線鋸裝置的狀態為根據第1已知模式的異常狀態的同時,線鋸裝置的狀態正常時不錯誤檢出為異常。
控制部51,當第1單位空間的MD在第1臨界值以上(步驟S4:YES),前進至步驟S8的程序。控制部51,當第1單位空間的MD不在第1臨界值以上時(步驟S4:NO),即第1單位空間的MD未達第1臨界值時,判斷第2單位空間的MD是否在第2臨界值以上(步驟S5)。控制部51,例如在步驟S1的程序中產生第2單位空間之際,可以先設定第2臨界值。第2臨界值能夠設定為檢出線鋸裝置的狀態為根據第2已知模式的異常狀態的同時,線鋸裝置的狀態正常時不錯誤檢出為異常。
控制部51,判斷第2單位空間的MD在第2臨界值以上(步驟S5:YES),前進至步驟S8的程序。控制部51,當第2單位空間的MD不在第2臨界值以上時(步驟S5:NO),即第2單位空間的MD未達第2臨界值時,判斷原因不明單位空間的MD是否在原因不明臨界值以上(步驟S6)。控制部51,例如在步驟S1的程序中產生原因不明單位空間之際,可以先設定原因不明臨界值。原因不明臨界值能夠設定為檢出線鋸裝置的狀態為原因不明異常狀態的同時,線鋸裝置的狀態正常時不錯誤檢出為異常。
控制部51,原因不明單位空間的MD不在原因不明臨界值以上時(步驟S6:NO),即原因不明單位空間的MD未達原因不明臨界值時,結束圖6的流程圖程序的實行。
控制部51,原因不明單位空間的MD在原因不明臨界值以上時(步驟S6:YES),決定對應提高線鋸裝置停止可能性的主因之資料項目的原因候補項目(步驟S7)。控制部51,根據有效性解析決定原因候補項目也可以。之後敘述有效性解析的具體例。
控制部51,在步驟S7的程序之後,或者步驟S4或步驟S5的程序中判斷MD在臨界值以上時,預防性停止線鋸裝置(步驟S8)。藉此,作為加工裝置10的線鋸裝置,故障停止前透過檢查作業、元件交換作業或修理作業等能夠維護。
根據以上所述的狀態判斷方法,作為加工裝置10的線鋸裝置故障前,可以判斷線鋸裝置的狀態是否是異常狀態。藉此,作為加工裝置10的線鋸裝置在批量處理中變得不易故障停止。加工裝置10在批量處理中故障時,產生處理中的批量成為廢棄處理等大損失。透過加工裝置10在批量處理中不易故障停止,能夠降低損失。
(其它實施形態)
以下,作為其它實施形態,說明關於上述實施形態的至少一部分構成之變形例或者能夠追加或削除的構成例。
<用於單位空間產生的資料項目選擇>
如上述,根據作為線鋸裝置停止的主因幾乎沒貢獻或貢獻度低的非原因資料項目的批量特徵量產生單位空間時,其單位空間中算出的批量之MD與線鋸裝置停止的可能性之間的相關變低。即,這樣的單位空間,與根據作為線鋸裝置停止主因的貢獻度高之原因資料項目的批量特徵量產生的單位空間相比,為冗長的單位空間。在冗長的單位空間算出的MD,對於與停止主因關係深的原因資料項目的批量特徵量變化,變得遲鈍。反過來說,狀態判斷裝置50的控制部51,藉由根據與停止的各主因關係深的原因資料項目的批量特徵量產生單位空間,根據其單位空間中算出的批量之MD,可以高靈敏度檢出原因資料項目的批量特徵量變化。控制部51,透過高靈敏度檢出原因資料項目的批量特徵量變化,可以高靈敏度判斷線鋸裝置的狀態。
控制部51,根據使用者從輸入部54輸入的內容,從複數資料項目中選擇作為線鋸裝置停止主因之貢獻度高的原因資料項目。
控制部51,從參照資料的複數資料項目中以各種組合選擇資料項目,產生根據選擇的資料項目之批量特徵量的臨時單位空間也可以。控制部51,算出臨時單位空間中參照資料的各批量之MD。控制部51,判斷參照資料的期間P3的批量之MD與期間P2的批量之MD的差在既定值以上。控制部51,當期間P3的批量之MD與期間P2的批量之MD的差在既定值以上時,採用臨時單位空間作為用以判斷線鋸裝置狀態的單位空間也可以。控制部51,以資料項目的各種組合算出期間P3的批量之MD與期間P2的批量之MD的差,以差成為最大時的資料項目組合為原因資料項目,根據其原因資料項目產生單位空間也可以。
<決定根據有效性解析的原因候補項目>
控制部51,例如透過實行以下說明的處理,決定原因候補項目也可以。
控制部51,從複數資料項目之中決定作為評估對象的資料項目。作為評估對象的資料項目,也稱作評估對象項目。控制部51,產生根據不包含評估對象項目的資料項目之批量特徵量的單位空間。根據不包含評估對象項目的資料項目之批量特徵量的單位空間,也稱作評估對象單位空間。控制部51,在評估對象單位中算出批量的MD。控制部51,算出在原因不明單位空間中算出的批量之MD與在評估對象單位空間中算出的批量之MD的差,作為評估對象項目的MD貢獻度。MD貢獻度,表示評估對象項目對MD的影響大小。
控制部51,當評估對象項目的MD貢獻度在既定值以上時,決定其評估對象項目作為原因候補項目也可以,控制部51,以複數資料項目分別作為評估對象項目算出MD貢獻度,並依MD貢獻度順序排列各資料項目時,決定成為上位的資料項目作為原因候補項目也可以。控制部51,從上位開始數決定以既定數的資料項目作為原因候補項目也可以。既定數,可以設定為1個以上的各種數值。
上述例中,控制部51,算出評估對象項目的MD貢獻度,作為在原因不明單位空間中算出的批量之MD與在評估對象單位空間中算出的批量之MD的差。控制部51,代替在原因不明單位空間中算出的批量之MD,使用根據至少包含評估對象項目之資料項目的批量特徵量產生的單位空間中算出的批量之MD也可以。
具體地,控制部51,產生根據評估對象項目與至少1個其它資料項目分別的批量特徵量之比較對象單位空間也可以。控制部51,算出在比較對象單位空間中算出的批量之MD與在評估對象單位空間中算出的批量之MD的差,作為評估對象項目的MD貢獻度也可以。控制部51,決定複數資料項目為評估對象項目時,產生根據只是評估對象項目的批量特徵量之比較對象單位空間也可以。
又,控制部51,決定1個資料項目為評估對象項目時,可以假設評估對象項目的批量特徵量出現機率依照常態分布。控制部51,關於判斷為線鋸裝置原因不明停止的可能性高的批量,以其批量的資料項目一個一個作為評估對象項目,可以根據常態分布的機率算出各評估對象項目的批量特徵量出現機率。控制部51,決定算出的出現機率為未達既定值的評估對象項目作為原因候補項目也可以。控制部51,決定算出的出現機率最低的資料項目作為原因候補項目也可以。控制部51,從算出的出現機率較低的開始數決定既定數的資料項目作為原因候補項目也可以。既定數,可以設定為1個以上的各種數值。
如以上所述,狀態判斷裝置50,當判斷線鋸裝置原因不明停止的可能性變高時,透過實行有效性解析,雖然原因不明,但可以限縮主因。結果,線鋸裝置的操作員或維護負責人員等使用者,變得容易實施對線鋸裝置的維護作業。
<關於資料數的限制>
控制部51,在線鋸裝置原因不明停止的情況下,取得停止為止處理的批量資料作為參照資料時,選擇其參照資料的全部資料項目產生單位空間也可以。選擇全部資料項目的理由,係由於線鋸裝置停止的原因不明,不能明確指定原因資料項目。控制部51,不能明確指定原因資料項目時,為了廣泛監視各資料項目,必須選擇全部資料項目產生單位空間。
從線鋸裝置得到的各資料項目特徵量,各批量不只限於1個。透過以線鋸裝置推進塊切斷的距離進一步區分,能夠取得各區分中的特徵量。例如,各資料項目,分別在線鋸裝置開始塊切斷到抵達中央為止的區間以及超過中央結束切斷為止的區間之中能夠取得。在此情況下,控制部51,在線鋸裝置處理1批量之際只可以取得區分數之各資料項目特徵量。因此,用於產生單位空間的特徵量總數,以資料項目數與根據塊切斷距離的區分數之積表示。
例如,線鋸裝置的資料項目數是40個。假設,線鋸裝置切斷直徑300毫米的塊時,每60毫米區分切斷距離的分別5個區分中取得各資料項目特徵量。在此情況下,1批量的處理中得到的特徵量總數,為200個(40×5)。又,假設線鋸裝置切斷直徑300毫米的塊時,每10毫米區分切斷距離的分別30個區分中取得各資料項目特徵量。在此情況下,1批量的處理中得到的特徵量總數,為1200個(40×30)。
在此,根據複數批量分別的資料項目測量值,算出特徵量,再根據算出的特徵量產生單位空間時,必須取得比1批量的處理中得到的特徵量總數多數量的批量資料作為參照資料。取得用以算出作為參照資料的特徵量之測量值的批量數比1批量處理中得到的特徵量總數更多,係因為成為表示單位空間的數式內包含的相關係數矩陣的逆矩陣用以存在之條件。換言之,因為取得用以算出作為參照資料的特徵量之測量值的批量數在1批量處理中得到的特徵量總數以下時,相關係數矩陣的逆矩陣不存在。關於相關係數矩陣的逆矩陣存在條件,可以參照上述文獻(「Mahalanobis的距離入門」)中19頁的4.2.2項的記載。
根據從線鋸裝置得到的全部資料項目產生原因不明的單位空間時,各資料項目在1批量處理中的資料區分數,根據相關係數矩陣的逆矩陣存在條件,必須依照批量數減少。由於減少1批量處理中的資料區分數,根據批量處理中的測量值算出的特徵量變化之監視解析度可以說下降。另一方面,透過選擇全部資料項目,算是可廣泛監視引起線鋸裝置停止的主因。
另一方面,為了產生已知模式單位空間,透過選擇一部分資料項目的原因資料項目,可以增加1批量處理中的資料區分數。由於增加1批量處理中的資料區分數,根據批量處理中的測量值算出的特徵量變化之監視解析度可以說提高。
(應用至線鋸裝置以外的裝置)
上述實施形態中,說明狀態判斷裝置50判斷作為加工裝置10的線鋸裝置狀態之構成。狀態判斷裝置50,不只限於線鋸裝置作為加工裝置10,也可以判斷研磨裝置等其它裝置的狀態。
關於本揭露的實施形態,已根據各圖面及實施例說明,但要注意熟悉此技藝者的話根據本揭示實行各種變形或修正是很容易的。因此,要注意這些變形或修正包含在本揭示的範圍內。例如,各構成部或各步驟等包含的機能等可以邏輯上不矛盾重新配置,可以將複數構成部或步驟等組合成1個或者分割。關於本揭示的實施形態,以裝置為中心說明,但本揭露的實施形態也可以實現作為包含裝置的各構成部分實行的步驟之方法。本揭露的實施形態也可以實現作為以裝置具備的處理器實行的方法、程式或記錄程式的記憶媒體。要理解本揭露的範圍內也包含這些。
本揭示露包含的圖表,是示意性。比例等不一定與實際一致。
[產業上的利用可能性]
根據本揭示的實施形態,能夠提高加工裝置10的狀態判斷精度。
1:狀態判斷系統
10:加工裝置
12:線
14:滾軸
16:線群
18:工件保持機構
20:噴嘴
32:引導滾軸
33:調節臂
34:張力滾軸
35:接觸滾軸
36:驅動馬達
38A,38B:線捲軸
40:研磨劑槽
42:研磨劑冷卻槽
50:狀態判斷裝置
51:控制部
53:輸出部
54:輸入部
60:感應器
71:停止批量
73:單位空間內批量
74:單位空間外批量
W:工件(塊)
X:滾軸軸方向
[圖1]係顯示一實施形態的狀態判斷系統構成例之方塊圖;
[圖2]係顯示作為加工裝置的線鋸裝置的構成例圖;
[圖3]係顯示從線鋸裝置得到的一資料項目例的表;
[圖4]係顯示根據原因資料項目的單位空間中算出的各批量的一MD例圖表;
[圖5]係顯示比較例的單位空間中算出的各批量的一MD例圖表;
[圖6]係顯示一實施形態的狀態判斷方法程序例的流程圖;以及
[圖7]係顯示產生單位空間的一子程式處理例的流程圖。
1:狀態判斷系統
10:加工裝置
50:狀態判斷裝置
51:控制部
53:輸出部
54:輸入部
60:感應器
Claims (7)
- 一種狀態判斷裝置,包括: 控制部,判斷加工裝置狀態; 其中,上述控制部, 取得表示上述加工裝置的狀態之複數資料項目分別的特徵量; 在根據上述複數資料項目中成為上述加工裝置以已知故障模式停止的原因之原因資料項目產生表示上述加工裝置正常處理的批量集團特徵的單位空間中,算出上述原因資料項目特徵量的馬氏距離 (Mahalanobis Distance); 上述馬氏距離 (Mahalanobis Distance)在根據上述單位空間設定的臨界值以上時,輸出判斷上述加工裝置的狀態是根據已知模式的異常狀態之結果。
- 如請求項1所述之狀態判斷裝置,其中, 上述單位空間,至少包含根據第1原因資料項目產生的第1單位空間以及根據第2原因資料項目產生的第2單位空間; 上述第1原因資料項目內包含的資料項目中至少一部分不包含在上述第2原因資料項目內; 上述第2原因資料項目內包含的資料項目中至少一部分不包含在上述第1原因資料項目內; 上述控制部, 當上述第1單位空間中算出的上述馬氏距離(Mahalanobis Distance)為第1臨界值以上時,判斷上述加工裝置是第1異常狀態; 當上述第2單位空間中算出的上述馬氏距離(Mahalanobis Distance)為第2臨界值以上時,判斷上述加工裝置是第2異常狀態。
- 如請求項1或2所述之狀態判斷裝置,其中, 上述控制部, 當判斷上述加工裝置的狀態不是根據上述已知模式的異常狀態時,在根據上述複數資料項目產生的單位空間中,算出上述複數資料項目特徵量的馬氏距離; 上述馬氏距離為原因不明臨界值以上時,決定表示對上述馬氏距離帶來的影響大小之MD貢獻度為既定值以上的資料項目作為原因候補項目,並輸出上述原因候補項目。
- 如請求項1或2所述之狀態判斷裝置,其中, 上述控制部, 上述加工裝置在過去既定期間從開始運轉到停止為止,取得關於上述加工裝置處理的複數批量分別得到的複數資料項目特徵量; 區分上述複數批量為單位空間內批量及單位空間外批量; 根據上述單位空間內批量特徵量產生上述單位空間; 算出上述單位空間中上述單位空間外批量特徵量的馬氏距離; 設定上述臨界值為比上述單位空間外批量特徵量的馬氏距離大的值。
- 如請求項4所述之狀態判斷裝置,其中, 上述控制部,為了使上述單位空間中算出的上述單位空間外批量特徵量的馬氏距離與上述單位空間中算出的上述單位空間內批量特徵量的馬氏距離之差為既定值以上,區分上述單位空間內批量與上述單位空間外批量。
- 一種狀態判斷方法,包括: 判斷加工裝置狀態的狀態判斷裝置,取得表示上述加工裝置的狀態之複數資料項目分別的特徵量之步驟; 上述狀態判斷裝置,在根據上述複數資料項目中成為上述加工裝置以已知故障模式停止的原因之原因資料項目產生表示上述加工裝置正常處理的批量集團特徵的單位空間中,算出上述原因資料項目特徵量的馬氏距離之步驟;以及 上述狀態判斷裝置,當上述馬氏距離在根據上述單位空間設定的臨界值以上時,輸出判斷上述加工裝置的狀態是根據已知模式的異常狀態之結果的步驟。
- 一種狀態判斷程式,使判斷加工裝置狀態的狀態判斷裝置之處理器實行: 取得表示上述加工裝置的狀態之複數資料項目分別的特徵量之步驟; 在根據上述複數資料項目中成為上述加工裝置以已知故障模式停止的原因之原因資料項目產生表示上述加工裝置正常處理的批量集團特徵的單位空間中,算出上述原因資料項目特徵量的馬氏距離之步驟; 當上述馬氏距離在根據上述單位空間設定的臨界值以上時,輸出判斷上述加工裝置的狀態是根據已知模式的異常狀態之結果的步驟。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020-062561 | 2020-03-31 | ||
JP2020062561A JP6973544B2 (ja) | 2020-03-31 | 2020-03-31 | 状態判定装置、状態判定方法、及び状態判定プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202147052A true TW202147052A (zh) | 2021-12-16 |
TWI769722B TWI769722B (zh) | 2022-07-01 |
Family
ID=78003424
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110107484A TWI769722B (zh) | 2020-03-31 | 2021-03-03 | 狀態判斷裝置、狀態判斷方法以及狀態判斷程式 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6973544B2 (zh) |
TW (1) | TWI769722B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2023067232A (ja) * | 2021-10-29 | 2023-05-16 | 株式会社Sumco | 監視方法、監視プログラム、監視装置、ウェーハの製造方法、及びウェーハ |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4878085B2 (ja) * | 2001-04-20 | 2012-02-15 | ラピスセミコンダクタ株式会社 | 製造工程のための管理方法 |
JP5120254B2 (ja) * | 2006-07-06 | 2013-01-16 | 旭硝子株式会社 | クラスタリングシステムおよび欠陥種類判定装置 |
US8789172B2 (en) * | 2006-09-18 | 2014-07-22 | The Trustees Of Columbia University In The City Of New York | Methods, media, and systems for detecting attack on a digital processing device |
WO2014097598A1 (ja) * | 2012-12-17 | 2014-06-26 | 日本電気株式会社 | リスク分析を行う情報処理装置及びリスク分析方法 |
JP6344158B2 (ja) * | 2014-09-01 | 2018-06-20 | 株式会社Ihi | 故障検出装置 |
TWI543102B (zh) * | 2014-10-22 | 2016-07-21 | 財團法人工業技術研究院 | 異因分析與校正方法與系統 |
TWI690009B (zh) * | 2015-11-20 | 2020-04-01 | 財團法人工業技術研究院 | 設備的故障評估方法與故障評估裝置 |
JP6906993B2 (ja) * | 2017-03-24 | 2021-07-21 | 三菱重工業株式会社 | 監視システム、処理装置、監視装置、監視方法およびプログラム |
JP6824121B2 (ja) * | 2017-07-14 | 2021-02-03 | 株式会社東芝 | 状態検知装置、状態検知方法及びプログラム |
JP2019178625A (ja) * | 2018-03-30 | 2019-10-17 | 三菱重工業株式会社 | ポンプ設備の異常診断システム、及び、ポンプ設備の異常診断方法 |
-
2020
- 2020-03-31 JP JP2020062561A patent/JP6973544B2/ja active Active
-
2021
- 2021-03-03 TW TW110107484A patent/TWI769722B/zh active
Also Published As
Publication number | Publication date |
---|---|
JP6973544B2 (ja) | 2021-12-01 |
TWI769722B (zh) | 2022-07-01 |
JP2021163054A (ja) | 2021-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10579026B2 (en) | Building a workpiece quality prediction model | |
KR100934627B1 (ko) | 제조 특성을 측정하는 컴퓨터 구현 방법, 컴퓨터 구현 시스템, 컴퓨터 프로그램 및 컴퓨터 구현 프로그램 | |
US10268187B2 (en) | Manufacturing cell machine management system based on component degree of consumption | |
JP6328600B2 (ja) | 推奨保守通知システム | |
TWI769722B (zh) | 狀態判斷裝置、狀態判斷方法以及狀態判斷程式 | |
JP2008530817A (ja) | ラントゥラン制御器を用いた欠陥検出および分類(fdc) | |
US6687561B1 (en) | Method and apparatus for determining a sampling plan based on defectivity | |
US7957821B2 (en) | Systems and methods for statistical process control | |
US6790686B1 (en) | Method and apparatus for integrating dispatch and process control actions | |
US6665623B1 (en) | Method and apparatus for optimizing downstream uniformity | |
US6754593B1 (en) | Method and apparatus for measuring defects | |
US11774228B2 (en) | Method and apparatus for testing workpieces | |
US6732007B1 (en) | Method and apparatus for implementing dynamic qualification recipes | |
JP2008177534A (ja) | 半導体製造装置の管理方法、および半導体製造装置の管理システム | |
JP6264725B2 (ja) | 生産ラインにおける生産物の品質分析装置 | |
TWI824444B (zh) | 狀態判定裝置以及狀態判定方法 | |
WO2006022945A1 (en) | Method and system for prioritizing material to clear exception conditions | |
KR101984457B1 (ko) | 측장 제어 장치, 제조 시스템, 측장 제어 방법 및 기록 매체에 저장된 측장 제어 프로그램 | |
US7103439B1 (en) | Method and apparatus for initializing tool controllers based on tool event data | |
US6697696B1 (en) | Fault detection control system using dual bus architecture, and methods of using same | |
JP6988939B2 (ja) | 保全管理装置、保全管理方法、及び保全管理プログラム | |
CN116092973A (zh) | 监视方法、监视程序、监视装置、晶片的制造方法以及晶片 | |
WO2022039080A1 (ja) | 作業通知方法、作業通知装置及び作業通知システム | |
US7849366B1 (en) | Method and apparatus for predicting yield parameters based on fault classification | |
WO2023230517A1 (en) | Performance management of semiconductor substrate tools |