TWI637251B - 生產程序之分析方法 - Google Patents

生產程序之分析方法 Download PDF

Info

Publication number
TWI637251B
TWI637251B TW106108780A TW106108780A TWI637251B TW I637251 B TWI637251 B TW I637251B TW 106108780 A TW106108780 A TW 106108780A TW 106108780 A TW106108780 A TW 106108780A TW I637251 B TWI637251 B TW I637251B
Authority
TW
Taiwan
Prior art keywords
group
state
aforementioned
states
batch
Prior art date
Application number
TW106108780A
Other languages
English (en)
Other versions
TW201816533A (zh
Inventor
Kouji Kawano
河野浩司
Akio Ishikawa
石川昭夫
Original Assignee
Mitsubishi Chemical Engineering Corporation
日本商三菱化學工程股份有限公司
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 Mitsubishi Chemical Engineering Corporation, 日本商三菱化學工程股份有限公司 filed Critical Mitsubishi Chemical Engineering Corporation
Publication of TW201816533A publication Critical patent/TW201816533A/zh
Application granted granted Critical
Publication of TWI637251B publication Critical patent/TWI637251B/zh

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • 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]
    • 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]
    • G05B19/4183—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 data acquisition, e.g. workpiece identification
    • 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]
    • G05B19/41865—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 job scheduling, process planning, material flow
    • 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]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32179—Quality control, monitor production tool with multiple sensors
    • 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]
    • 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
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Factory Administration (AREA)

Abstract

提供一種將包含有利用機械設備的自動化步驟或作業員的手工作業步驟等之複雜的生產程序所製造之製品或所提供之服務的品質產生誤差之因素特定出，以使製品、服務的品質穩定化的生產程序之分析方法。
一種生產程序之分析方法，包含：按構成生產程序的複數個狀態，特定出被判定為最優的群組所含有的良批之步驟S13；在複數個狀態間至少1個以上的良批是非共通的情況，將複數個狀態區分成被任意選擇之選擇狀態和其他的非選擇狀態，將非選擇狀態中含有選擇狀態內的良批之最高順位的群組重新判定成最優的群組之步驟S18；及特定出賦予被判定為最優的群組之特徵的因素P1~5之步驟S19。

Description

生產程序之分析方法
本發明係有關一種生產程序之分析方法，特別是有關特定出製品或服務的品質產生誤差的因素之生產程序之分析方法。
在製造因應於精製化學製品等之批次處理的製品之生產程序中，透過利用自動化的製造設備之步驟或利用作業者的手工作業的步驟等，以對應多品項少量生產。
又，就提供零件洗淨或於醫藥品開發的療效結果的分析等之服務的生產程序而言，即使採用洗淨裝置或分析裝置仍不可欠缺作業者的手工作業。
就進行此種製品製造或服務提供的生產程序而言，設備的運轉狀況、作業員的作業狀況、原料或製品的處理(handling)之手段等，在批量間亦於製品或服務的品質上產生誤差。
為抑制製品品質的誤差而將主成分分析及集群分析應用於和製品的製造程序相關的製品資料及程序資料並將製造程序的批量區分成複數個群組，再特定出有貢獻於群組間的優劣之資料、即妨礙因素者乃已知(例如，參照專利文獻1)。
此種製造程序之分析方法中，藉由特定出有 貢獻於群組間的優劣之妨礙因素，因為製造程序有效率地改善，所以能使批量間的製品品質提升。
【先前技術文獻】 【專利文獻】
專利文獻1：日本特許第5956094號公報
然而，上述那種專利文獻1所載的分析方法，在生產線是僅以製造設備所構成的那樣全自動化之製造程序的改善上是具有效果的。一方面，例如在作業員對製造設備所製造的半製品施以手工作業那樣的利用製造設備的製造步驟與其他的步驟是複雜地關連的生產程序之情況，即便應用上述的分析方法且僅改善利用製造設備的製造步驟亦止於生產程序的部分最佳化，具有無法及於生產程序全體的改善之問題。
於是，特定出使經由含有利用機械設備的自動化步驟或作業員的手工作業步驟等之複雜的生產程序所製造的製品或所提供之服務的品質產生誤差的因素，衍生出為使製品或服務的品質穩定化所應解決之技術的課題，本發明之目的在於解決此課題。
本發明係為達成上述目的而提案者，請求項1所載的發明係提供依據有關製品或服務的生產程序之資料，將前述生產程序的批量區分成複數個群組，特定出表示該群組的特徵的資料、即因素的生產程序之分析方法，其特徵為包含：按前述生產程序的每批量收集前述資料之 步驟；按構成前述生產程序的複數個狀態將前述批量區分成複數個群組，按前述狀態判定各群組的優劣之步驟；特定出前述每狀態被判定為最優的群組所含有的良批之步驟；判定前述複數個狀態間良批是否至少1以上共通之步驟；及前述良批在複數個狀態間至少1個以上非共通之情況，將前述複數個狀態區分成被任意選擇的選擇狀態和其他的非選擇狀態，將前述非選擇狀態中含有前述選擇狀態內的良批之群組重新判定成最優的群組以特定出前述因素之步驟。
依據此構成，在各狀態被判定最優的群組所含有的良批於複數個狀態間至少1個以上非共通之情況，將非選擇狀態中含有選擇狀態內的良批之群組重新判定成最優的群組以特定出表示群組的特徵之因素，藉此可謀求能執行複雜的生產程序之改善。
請求項2所載的發明係提供依據有關製品或服務的生產程序之資料，將前述生產程序的批量區分成複數個群組，特定出表示該群組的特徵的資料、即因素的生產程序之分析方法，其特徵為包含：按前述生產程序的每批量收集含有表示前述製品或服務的品質之品質資料的前述資料之步驟；按構成前述生產程序的複數個狀態將前述批量區分成複數個群組，按前述狀態判定各群組的優劣之步驟；特定出前述每狀態被判定最優的群組所含有的良批之步驟；在前述複數個狀態間判定良批是否至少1個以上共通之步驟；及在前述良批於複數個狀態間至少1個以上非共通之情況，將在前述複數個狀態間含有品質資料是最優的群組之狀態選為選擇狀態，將在扣除前述選擇狀態 之其他的非選擇狀態中含有前述選擇狀態內的良批之群組重新判定成最優的群組，俾特定出前述因素之步驟。
依據此構成，各狀態被判定最優的群組所含有的良批在複數個狀態間至少1個以上非共通之情況，將複數個狀態間含有品質資料是最優的群組之狀態選為選擇狀態，將扣除選擇狀態之其他的非選擇狀態中含有選擇狀態內的良批之群組，重新判定成最優的群組以特定出表示群組的特徵之因素，藉此可謀求能執行複雜的生產程序之改善。
請求項3所載的發明係提供請求項1或2所記載的生產程序之分析方法的構成，且前述非選擇狀態中含有前述選擇狀態內的良批之群組，係於前述非選擇狀態中含有前述選擇狀態內的良批之群組間最高順位的群組。
依據此構成，依據非選擇狀態中製品資料是比其他的群組還相對優異的高順位的群組來特定出因素，故能執行複雜的生產程序且謀求有效果地改善。
本發明為，各狀態被判定最優的群組所含有之良批在複數個狀態間至少1個以上非共通的情況，將複數個狀態區分成任意選擇的第1狀態和其他的狀態，因為將其他的狀態中含有第1狀態內的良批的群組重新判定成最優的群組以特定出表示群組的特徵之因素，藉以進行可執行複雜的生產程序之改善，所以可獲得良好且穩定的製品或能提供服務的生產程序。
又，本發明為，在各狀態被判定為最優的群組所含有的良批於複數個狀態間至少1個以上非共通之情 況，將複數個狀態間含有品質資料是最優的群組的狀態選為選擇狀態，將扣除選擇狀態之其他的非選擇狀態中含有選擇狀態內的良批的群組重新判定成最優的群組以特定出表示群組的特徵之因素，藉此可進行能執行複雜的生產程序之改善，故而可獲得良好且穩定的製品或能提供服務的生產程序。
S10‧‧‧收集動作完成的製造程序之製品資料及程序資料
S11‧‧‧將程序資料標準化
S12‧‧‧藉由主成分分析求出主成分負載量及主成分分數
S13‧‧‧將集群分析應用於主成分分數，按每狀態將批量區分成複數個群組
S14‧‧‧依據製品資料在各狀態判定每群組之優劣
S15‧‧‧特定出在各狀態被判定為最優之群組所含有的良批
S16‧‧‧判定在複數個狀態間良批是否至少1個以上共通
S17‧‧‧特定出作業狀態(選擇狀態)的良批
S18‧‧‧於非選擇狀態，將含有良批之高順位的群組重新判定為優
S19‧‧‧特定出表示在各狀態被判定為最優之群組的特徵之因素
[圖1]顯示應用本發明第1實施例的生產程序之分析方法的生產線的步驟之流程圖。
[圖2]顯示本發明第1實施例的生產程序之分析方法的流程圖。
[圖2]顯示將製造狀態中的每批量的程序資料及製品資料標準化之數值的表。
[圖4]顯示將作業狀態中的每批量的程序資料及製品資料標準化之數值的表。
[圖5]顯示將物流狀態中的每批量的程序資料及製品資料標準化之數值的表。
[圖6]顯示製造狀態中的每程序資料的主成分負載量及每批量的主成分分數的表。
[圖7]顯示作業狀態中的每程序資料的主成分負載量及每批量的主成分分數的表。
[圖8]顯示物流狀態中的每程序資料的主成分負載量及每批量的主成分分數的表。
[圖9]於以第1主成分為橫軸且第3主成分為縱軸的座標系上標繪有圖6(b)所示的主成分分數之圖表。
[圖10]於以第1主成分為橫軸且第2主成分為縱軸的座標系上標繪有圖7(b)所示的主成分分數之圖表。
[圖11]於以第1主成分為橫軸且第2主成分為縱軸的座標系上標繪有圖8(b)所示的主成分分數之圖表。
[圖12]顯示將集群分析應用於圖9所示的主成分分數所獲得之樹形結構關係圖的圖。
[圖13]顯示將圖12的分析結果應用於圖9後的結果之圖表。
[圖14]將集群分析應用於作業狀態中的主成分分數之結果反映在圖10的圖表。
[圖15]將集群分析應用於物流狀態中的主成分分數之結果反映在圖11的圖表。
[圖16]於以第1主成分為橫軸且第3主成分為縱軸的座標系上標繪有圖6(a)所示的主成分負載量之圖表。
[圖17]於以第1主成分為橫軸且第2主成分為縱軸的座標系上標繪有圖7(a)所示的主成分負載量之圖表。
[圖18]於以第1主成分為橫軸且第2主成分為縱軸的座標系上標繪有圖8(a)所示的主成分負載量之圖表。
[圖19]顯示本發明第2實施例的生產程序之分析方法的流程圖。
本發明為達成將含有利用機械設備的自動化步驟或作業員的手工作業步驟等之複雜的生產程序所製造的製品或所提供的服務的品質產生誤差的因素特定出，使製品或服務的品質穩定化之目的，係藉由如下來實現。即依據有關製品或服務的生產程序之資料，將前述生 產程序的批量區分成複數個群組，特定出表示該群組的特徵的資料、即因素的生產程序之分析方法，包含：按前述生產程序的每批量收集前述資料之步驟；按構成前述生產程序的複數個狀態將前述批量區分成複數個群組，按前述狀態判定各群組的優劣之步驟；特定出前述每狀態被判定為最優的群組所含有的良批之步驟；判定前述複數個狀態間良批是否至少1以上共通之步驟；及前述良批在複數個狀態間至少1個以上非共通之情況，將前述複數個狀態區分成被任意選擇的選擇狀態和其他的非選擇狀態，將前述非選擇狀態中含有前述選擇狀態內的良批之群組重新判定成最優的群組以特定出前述因素之步驟。
又，本發明為達成將含有利用機械設備的自動化步驟或作業員的手工作業步驟等之複雜的生產程序所製造的製品或所提供的服務的品質產生誤差之因素特定出，使製品或服務的品質穩定化之目的，係藉由如下來實現。即依據有關製品或服務的生產程序之資料，將生產程序的批量區分成複數個群組，特定出表示群組的特徵的資料、即因素的生產程序之分析方法，包含：按生產程序的每批量收集含有表示製品或服務的品質之品質資料的資料之步驟；按構成生產程序的複數個狀態將批量區分成複數個群組，按狀態判定各群組的優劣之步驟；特定出每狀態被判定最優的群組所含有的良批之步驟；在複數個狀態間判定良批是否至少1個以上共通之步驟；及在良批於複數個狀態間至少1個以上非共通之情況，將在複數個狀態間含有品質資料是最優的群組之狀態選為選擇狀態，將在扣除選擇狀態之其他的非選擇狀態中含有選擇狀態內 的良批之群組重新判定成最優的群組，俾特定出前述因素之步驟。
【實施例】
本發明的分析方法係應用於製造製品(物)的程序或提供服務的程序(以下，統稱為「生產程序」)。生產程序包含：僅以機械設備構成且所有的步驟被自動化之程序；含有作業者手工作業的作業步驟之程序以及含有藉機械設備自動化之製造步驟及作業者手工作業的作業步驟之程序。
以下，針對本發明第1實施例的生產程序之分析方法作說明。此外，在以下的實施例中，在提及構成要素的數、數值、量、範圍等之情況，除了特別明示的情況及在原理上清楚限定特定的數之情況以外，並不受其特定的數所限定，可為特定的數以上，以下者亦無妨。
圖1顯示應用本發明的生產程序的一例之精製化學製品的生產線的步驟之流程圖。此外，應用本發明的生產程序並非限定為精製化學製品的生產線作解釋者，當然亦包含精製化學製品以外的製品的生產線及提供服務的程序。
精製化學製品的生產線係大致區分成前步驟和後步驟。前步驟係作業員將原料投入反應爐，使原料反應而製造出粒狀的半製品者，為所謂的批次程序。後步驟主要是作業員的手工作業。
於前步驟中，經過將原料投入於反應爐的進料步驟S1、在反應爐內使原料反應的反應步驟S2、除去不純物的過濾步驟S3及將原料成形為既定尺寸的粒狀之 造粒步驟S4而製造出半製品。於前步驟中，當反應良好地進展時，因為過濾器的堵塞變少，所以在前步驟的製品品質(過濾器的交換次數)減少。因此，在前步驟的每單位時間的造粒量增大。
於後步驟中，經過在半製品塗布既定的色之著色步驟S5、使著色後的半製品在乾燥機乾燥的乾燥步驟S6、檢查著色不良之檢查步驟S7、將製品個別包裝的包裝步驟S8及裝運步驟S9而將製品裝運。於後步驟中之製品品質(著色良率)係和前步驟的品質(過濾器交換次數)具有負的相關關係。亦即，當過濾器的交換次數少而每單位時間的造粒量多時，作業員在以手工作業進行著色步驟S5中容易發生錯誤，有著色不良增加的傾向。
在構成生產線的各機器設有測定各種值之未圖示的感測器。感測器的測定對象係原料的投入量、反應爐內的溫度、反應溫度、每單位時間的造粒量等。感測器將測定值送至控制構成生產線的製造設備之控制裝置。
控制裝置係依據表示感測器所測定之製品的生產條件之程序資料，表示製品品質(過濾器的交換次數、著色良率等)之製品資料(品質資料)，進行後述的處理。程序資料係可能影響製品品質之因子，包含有生產程序的生產條件(製造設備的運轉條件等)，原料的條件(原料的物性、組成等)，作業員在手工作業進行之作業的內容(作業時間、移動次數等)及製品等之處理的內容(半製品、即將成品的滯留時間等)。
此外，本實施例中，因應程序資料的種類，將生產程序區分成製造狀態，作業狀態及物流狀態3個狀 態。具體言之，「製造狀態」係指以設備的觀點可能影響製品品質者。「作業狀態」係指以作業員的觀點可能影響製品品質者。「物流狀態」係指以原料、半製品及製品的處理(handling)的觀點可能影響製品品質者。此外，生產程序不受限於可區分成上述的3個狀態者，只要為含有上述的3個狀態中至少2個以上的狀態者即可。
此外，構成生產程序的複數個狀態係相互具有相關關係，有難以將所有狀態的製品資料進行一樣地改善之情況。於是，將生產程序區分成複數個狀態，藉後述的分析方法個別地掌握在各狀態可能影響製品品質之因素(程序資料)，可檢討某因素的變更對其他的狀態造成之影響並可謀求能執行程序全體的改善。
其次，針對本實施例的生產程序之分析方法，依據圖面作說明。圖2顯示本發明第1實施例的生產程序之分析方法的流程圖。
首先，針對動作完成的生產程序，控制裝置收集感測器所測定之程序資料和製品資料(S10)。此步驟S10中，將每批量的程序資料及製品資料記憶在控制裝置。
其次，將在步驟S1收集的程序資料及製品資料標準化並變換成中間函數(S11)。
圖3係顯示將製造狀態中的每批量的程序資料及製品資料標準化之數值的表。圖3中，針對17的批量，顯示在各批量所收集之製造狀態中的程序資料pPara1~16。程序資料pPara1~16係原料的進料檢查值、投入量、反應爐內的溫度等。又，製品資料係反應爐內的過濾器的交換次數。
圖4係顯示將作業狀態中的每批量的程序資料及製品資料標準化之數值的表。圖4中，顯示在各批量收集的作業狀態中的程序資料wPara1~6。程序資料wPara1~6係作業時間或作業場間的移動次數等。又，製品資料係製品的著色良率。
圖5係顯示將物流狀態中的每批量的程序資料及製品資料標準化之數值的表。圖5中，顯示在各批量收集的物流狀態中的程序資料LPara1~8。程序資料LPara1~8係半製品、製品的滯留時間或前置時間等。又，製品資料係製品的著色良率。
在步驟S11進行的程序資料之標準化處理係公知者，具體言之，係控制裝置依據數式1進行演算。
其次，將主成分分析法應用於在步驟S2求出的中間變數，求出圖6~8所示那樣的主成分負載量及主成分分數(S12)。圖6係顯示製造狀態中的每程序資料的主成分負載量及每批量的主成分分數之圖。圖7係顯示作業狀態中的每程序資料的主成分負載量及每批量的主成分分數之圖。圖8係顯示物流狀態中的每程序資料的主成分負載量及每批量的主成分分數之圖。
步驟2中，首先，作成中間變數中之相關係數矩陣，導出相關係數矩陣的固有值和固有向量。相關係數矩陣為，在中間變數是x1、x2、x3時，第1主成分PC1 第1主成分PC1係表示成如數式2所示那樣。又，第N主成分PCn係表示成如數式3所示那樣。且將係數a11、a12、a13..用在第1行的要素，將係數an1、an2、an3..用在第n行的要素而形成相關係數矩陣。
[數2]PC1=a 11×x 1+a 12×x 2+a 13×x 3+… (2)
[數3]PCn=a n1×x 1+a n2×x 2+a n3×x 3+… (3)
圖6(a)顯示製造狀態中的程序資料pPara1~16的第1主成分PC1、第2主成分PC2、第3主成分3的資訊量(主成分負載量)。圖7(a)顯示作業狀態中的程序資料wPara1~6的第1主成分PC1，第2主成分PC2、第3主成分3的資訊量(主成分負載量)。圖8(a)顯示物流狀態中的程序資料LPara1~8的第1主成分PC1、第2主成分PC2、第3主成分3的資訊量(主成分負載量)。此外，本實施例中，僅顯示3個主成分，但亦可因應各主成分的貢獻率而增減主成分的數。
其次，從相關係數矩陣的固有向量求出主成分分數。又，從相關係數矩陣的固有值求出各主成分的貢獻率。主成分的貢獻率係透過固有值除以固有值的總和而可獲得。此處，從固有值大者決定第1主成分、第2主成分..第N主成分。
具體言之，控制裝置依據各批量的中間變數x1、x2、x3和相關係數矩陣的各係數，算出第1主成分 PC1、第2主成分PC2..的值、亦即主成分分數。圖6(b)顯示製造狀態中的各批量的主成分分數。圖7(b)顯示作業狀態中的各批量的主成分分數。圖8(b)顯示物流狀態中的各批量的主成分分數。
圖9係顯示於以製造狀態的第1主成分為橫軸且第3主成分為縱軸的座標系上標繪有圖6(b)所示的資訊量之主成分分數的圖表。圖10係顯示於以作業狀態的第1主成分為橫軸且第3主成分為縱軸的座標系上標繪有圖7(b)所示的資訊量之主成分分數的圖表。圖11係於以物流狀態的第1主成分為橫軸且第3主成分為縱軸的座標系上標繪有圖8(b)所示的資訊量之主成分分數的圖表。
其次，控制裝置將集群分析應用於圖6(b)、圖7(b)及圖8(b)所示的主成分分數，將各批量區分成複數個群組(S13)。「集群分析」係指將分析對象資料(集群)著眼於類似性而分類成複數個群組的方法，階層式集群或分類最佳化集群等乃已知。本實施例中的集群分析所著眼的「類似性」係指各批量的主成分分數彼此的距離。本實施例中，採用階層式集群之一的凝集型階層式集群。又，作為集群間的距離算出方法，使用可穩定地求解之華德法(ward method)。所謂「華德法」，係選擇在將2個集群合併之際的偏差平方和之增加量成為最小的集群者。例如，在將集群A、B合併以生成集群C的情況，集群A、B、C內的偏差平方和Sa、Sb、Sc係分別表示如數式4~6。
在屬於集群A的變數K(1,2,…p)中第i(1,2,…n a )個資料
在屬於集群B的變數K(1,2,…p)中第i(1,2,…n b )個資料
其中
依據數式4~6，集群C內的偏差平方和Sc係成為以下。
數式7的△Sab係意味著合併集群A、B並生成集群C之際的偏差平方和的增加份量。因此，於各合併階段，以△Sab成為最小的方式選擇集群並合併，藉以使集群移動。
本實施例中，如圖12所示，集群分析的結果，製造狀態中將各批量區分成3個群組G1~4。將此結果反映於圖9者顯示在圖13。此外，群組的數不限於3個，只要是容易處理(handling)的數即可，可為2個以下，也可為4個以上。
又，將針對作業狀態所為集群分析的結果反映在圖10者顯示於圖14，將所區分的群組稱為群組G5~7。再者，將針對物流狀態所為集群分析的結果反映在圖11者顯示於圖15，將所區分的群組稱為群組G8~10。
其次，按群組判定優劣(S14)。此步驟S14中，控制裝置係按屬於群組G1~4的批量，呼叫從與所記憶之製造狀態相關的製品資料(過濾器的交換次數)所獲得之中間變數，判定此等製品資料之良否。又，針對作業狀態及物流狀態亦同樣地，按屬於群組G5~10的每批量，呼叫從屬於群組G5~10的每批量的製品資料(著色良率)獲得之中間變數，判定此等的製品資料之良否。
此外，製品資料之良否係依據群組內的平均值進行者較佳。藉此，群組內的製品資料的誤差被平準化，可廣泛地掌握群組間的製品資料之良否的傾向。圖13中的數值係各群組中之製品資料(過濾器的交換次數的平均值)。又，圖14、15中的數值係各群組中之製品資料(著色良率的平均值)。
又，製品資料之良否係亦可依據群組內之製品資料的偏差之大小或最大值及最小值之差(範圍)的大小來判定，亦可將平均值、偏差或R值等2個以上組合作判定。關於將平均值和偏差組合進行判定製品資料之良否 方面，例如，在群組內的平均值是相同的情況，可考慮將群組內的偏差小者判斷為良。藉此，可廣泛地掌握已考慮了在群組內的製品資料的誤差之群組間的製品資料之良否的傾向。
而且，控制裝置係按各狀態中之群組來比較製品資料，決定其優劣。亦即，製造狀態中，群組G1~4比較製品資料，決定群組G1~4間的優劣。同樣地，於作業狀態，按群組G5~7來比較製品資料，決定群組G5~7間的優劣，於物流狀態，按群組G8~10來比較製品資料，決定群組G8~10間的優劣。
具體言之，製造狀態中，顯示群組G2是最良好的製品資料，以下，因為製品資料是按G1、G3、G4的順序惡化，所以群組間的優劣係決定為群組G2、G1、G3、G4的順序。又，作業狀態中，顯示群組G6是最良好的製品資料，以下，因為製品資料是按G5、G7的順序惡化，所以群組間的優劣係決定為群組G6、G5、G7的順序。而且，物流狀態中，顯示群組G8是最良好的製品資料，以下，因為製品資料是按G9、G10的順序惡化，所以群組間的優劣係決定為群組G8、G9、G10的順序。
其次，特定出在各狀態中被判定為優的群組所含有之批量(良批)(S15)。具體言之，特定出製造狀態的群組G2、作業狀態中之群組G6及物流狀態中之群組G8所含有的良批。批號(lot number)Z132、Z135、Z146、Z147、Z148及Z150是製造狀態中的良批。又，批號Z128X、Z141X、Z153X、Z155X及Z156X是作業狀態中的良批。再者，批號Z127X、Z130X、Z142X、Z146X及Z148X是物 流狀態中的良批。
其次，判定在3個狀態間良批是否至少1個以上共通(S16)。本實施例中，在群組G2、G6、G8所有者共通的良批並不存在。
在製造狀態、作業狀態及物流狀態的各良批至少1個以上非共通的情況(步驟S16為No)，特定出作業狀態的良批(S17)。作業狀態(選擇狀態)所含有的良批為，批號Z128X、Z141X、Z153X、Z155X及Z156X。
其次，於製造狀態及物流狀態(非選擇狀態)，將含有作業狀態的良批之群組重新判定成最優(S18)。本實施例中，在製造狀態中，群組G1含有作業狀態的良批Z128X，且為比製造狀態中含有作業狀態的良批之其他的群組G3、4還高順位的群組。又，於物流狀態，含有Z128X、Z153X、Z155X及Z156X的群組G9是含有作業狀態的良批的群組。因此，製造狀態中最優的群組設為G1，物流狀態中最優的群組設為G9。
其次，特定出表示在各狀態被判定為最優之群組的特徵之因素(S19)。步驟S19中，依據圖13~18特定出表示判定為最優的群組G1的特徵之因素。圖16係顯示於以製造狀態的第1主成分為橫軸且第3主成分為縱軸的座標系上標繪有圖6(a)所示的資訊量之主成分負載量的圖表。又，圖17係顯示於以作業狀態的第1主成分為橫軸且第3主成分為縱軸的座標系上標繪有圖7(a)所示的資訊量之主成分負載量的圖表。又，圖18係於以物流狀態的第1主成分為橫軸且第3主成分為縱軸的座標系上標繪有圖8(a)所示的資訊量之主成分負載量的圖表。
在特定出表示製造狀態中的判定為最優的群組G1的特徵的因素之際，著眼於在第1主成分PC1、第3主成分PC3的座標系(以下，稱為「PC1、3座標系」)上的群組G1的特徵配置關係，圖16所示的主成分負載量的圖表上與此位置對應的程序資料para1~16被特定為賦予群組G1特徵的程序資料、即因素。
具體言之，步驟S18中，從製造狀態中之最優的群組變更成群組G1，讀取群組G1在PC1、3座標系上之特徵配置、亦即在PC1、3座標系上的第1主成分PC1座標為正，且第3主成分PC3座標為正。其次，從圖16所示的主成分負載量的圖表上讀取與群組G1在PC1、3座標系上的特徵配置相對應之程序資料。如此，將主成分負載量的存在於PC1、3座標系上的第1象限之程序資料(pPara4、8等)判定為可能影響製造狀態的製品資料之第1因素P1。
又，在圖16所示的主成分負載量之圖表上，將相對於原點和第1因素P1呈點對稱的位置附近的程序資料(pPara9、10等)判定為可能影響製造狀態的製品資料之第2因素P2。原因在於，因為主成分負載量的在PC1、3座標系上的各程序資料為向量，所以當將負值代入第2因素P2時，主成分負載量可能成為在PC1、3座標系上的第1象限。
於作業狀態中亦同樣地，依據圖14、17，透過著眼於第1主成分PC1、第2主成分PC2的座標系(以下，稱為「PC1、2座標系」)上的最優的群組G6的特徵配置關係，將存在於圖17所示的PC1、2座標系上之第2 象限的程序資料(wPara3、5等)判定為第3因素P3。
又，於物流狀態中，因為在物流狀態中之最優的群組是群組G9，所以將存在於和圖15的PC1、2座標系中之群組G9的特徵配置相對應的圖18所示的PC1、2座標系上之第4象限的程序資料(LPara2、7等)判定為第4因素P4。
此外，步驟S16中，在製造狀態、作業狀態及物流狀態的各良批是至少1個以上共通的情況(步驟S16為Yes)，依據在步驟S14判定之製造狀態中之群組G2、作業狀態中之群組G5及在物流狀態的群組G8，與步驟S19同樣地特定出可能影響品質之因素。
如上述，本實施例的發明為，各狀態被判定為最優的群組G2、6、8所含有的良批在3個狀態間至少1個以上非共通的情況，從此等的狀態區分成被任意選擇之選擇狀態(作業狀態)和其他的選擇狀態(製造狀態、物流狀態)，將非選擇狀態中含有選擇狀態內的良批之最高順位的群組G1、9重新判定成最優的群組以特定出因素P1~4，藉此可謀求能執行複雜的生產程序之改善，所以可獲得良好的製品性能及穩定顯示製造性能之生產程序。
又，藉由將在作業狀態中可能影響品質之因素比製造狀態或物流狀態中可能影響品質之因素還優先特定出，能改善生產程序全體俾使作業者可有效率地進行作業。
其次，針對本發明第2實施例的生產程序之分析方法，依據圖面作說明。圖19係顯示本發明第2實施例的生產程序之分析方法的流程圖。此外，本實施例的生產程序之分析方法係僅與上述的第1實施例的步驟S17 對應的步驟不同，其他的步驟係共通。因此，本實施例的步驟中與第1實施例重複的步驟係賦予20至29的符號且省略和第1實施例的說明重複之說明。
首先，以與上述的第1實施例的步驟S10~16同樣的順序，將生產程序的批量區分成複數個群組，在各狀態特定最優的群組所含有的批量(良批)，判定在狀態間良批是否至少1個以上共通(S20~26)。
在製造狀態、作業狀態及物流狀態的各良批至少1個以上非共通的情況(步驟S26為No)，特定出製品資料是最優的群組所含有的良批(S27)。本實施例中，作業狀態的製品資料G6及物流狀態的製品資料G8皆在著色良率共通而可進行比較。而且，作業狀態的群組G6的製品資料係87%，物流狀態的群組G8的製品資料係86%，所以可比較的製品資料(著色良率)最優的群組成為群組G6。而且，群組G6所含有的良批係如圖14所示，批號成為Z128X、Z141X、Z153X、Z155X及Z156X。
然後，以與步驟S28~29同樣的順序，於製造狀態及物流狀態，將含有上述的作業狀態中之良批的最高順位的群組重新判定成最優(S28)，特定出表示群組的特徵之因素P1~4(S29)。
如上述，本實施例的發明為，在各狀態被判定為最優的群組G2、6、8所含有的良批在3個狀態間至少1個以上非共通之情況，在此等的狀態間將含有製品資料最優的群組G6之狀態(作業狀態)選為選擇狀態，於除了選擇狀態之外的其他的非選擇狀態(製造狀態、物流狀態)將含有選擇狀態內的良批之最高順位的群組G2、9重新判定成最優的群組並特定出表示各群組的特徵之因素P1~4，藉此，因為有效率地改善含有製造設備的全自動作業和作業員的手工作業之生產程序，故能獲得良好的製品性能及穩定顯示製造性能之生產程序。
此外，本發明係可在不逸脫本發明精神下進行各種改變，且本發明當然可及於該改變者。
本發明中的「生產程序」，係指含有製造製品(物)的程序或提供服務的程序者。亦即，生產程序係指並未受限於製造物的程序。在生產程序所提供之服務係指，例如含有零件洗淨或於醫藥品開發的療效結果的分析等之服務。又，上述的實施例中，以含有製造狀態、作業狀態及物流狀態的生產程序為例作了說明，但未受限於含有此等3個狀態者，只要含有此等3個狀態中至少2個以上的狀態者即可。

Claims (3)

  1. 一種生產程序之分析方法，係依據有關製品或服務的生產程序之資料，將前述生產程序的批量區分成複數個群組，特定出表示該群組的特徵的資料、即因素的生產程序之分析方法，其特徵為包含：按前述生產程序的每批量收集前述資料之步驟；按構成前述生產程序的複數個狀態將前述批量區分成複數個群組，按前述狀態判定各群組的優劣之步驟；特定出前述每狀態被判定為最優的群組所含有的良批之步驟；判定前述複數個狀態間良批是否至少1個以上共通之步驟；及前述良批在複數個狀態間至少1個以上非共通之情況，將前述複數個狀態區分成被任意選擇的選擇狀態和其他的非選擇狀態，將前述非選擇狀態中含有前述選擇狀態內的良批之群組重新判定成最優的群組以特定出前述因素之步驟。
  2. 一種生產程序之分析方法，係將主成分分析及集群分析應用於有關製品或服務的生產程序之資料並將前述生產程序的批量區分成複數個群組，特定出表示該群組間的特徵之資料、即因素的生產程序之分析方法，其特徵為包含：按前述生產程序的每批量收集含有表示前述製品或服務的品質之品質資料的前述資料之步驟；按構成前述生產程序的複數個狀態將前述批量區分成複數個群組，按前述狀態判定各群組的優劣之步驟；特定出前述每狀態被判定最優的群組所含有的良批之步驟；在前述複數個狀態間判定良批是否至少1個以上共通之步驟；及在前述良批於複數個狀態間至少1個以上非共通之情 況，將在前述複數個狀態間含有品質資料是最優的群組之狀態選為選擇狀態，將在扣除前述選擇狀態之其他的非選擇狀態中含有前述選擇狀態內的良批之群組重新判定成最優的群組，俾特定出前述因素之步驟。
  3. 如請求項1或2之生產程序之分析方法，其中前述非選擇狀態中含有前述選擇狀態內的良批之群組，係於前述非選擇狀態中含有前述選擇狀態內的良批之群組間最高順位的群組。
TW106108780A 2016-10-26 2017-03-16 生產程序之分析方法 TWI637251B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2016209179A JP6716423B2 (ja) 2016-10-26 2016-10-26 生産プロセスの解析方法
JP2016-209179 2016-10-26

Publications (2)

Publication Number Publication Date
TW201816533A TW201816533A (zh) 2018-05-01
TWI637251B true TWI637251B (zh) 2018-10-01

Family

ID=62023321

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106108780A TWI637251B (zh) 2016-10-26 2017-03-16 生產程序之分析方法

Country Status (5)

Country Link
US (1) US10902530B2 (zh)
JP (1) JP6716423B2 (zh)
DE (1) DE112017002268T5 (zh)
TW (1) TWI637251B (zh)
WO (1) WO2018078903A1 (zh)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11327475B2 (en) 2016-05-09 2022-05-10 Strong Force Iot Portfolio 2016, Llc Methods and systems for intelligent collection and analysis of vehicle data
US11774944B2 (en) 2016-05-09 2023-10-03 Strong Force Iot Portfolio 2016, Llc Methods and systems for the industrial internet of things
US11507064B2 (en) 2016-05-09 2022-11-22 Strong Force Iot Portfolio 2016, Llc Methods and systems for industrial internet of things data collection in downstream oil and gas environment
US11442445B2 (en) 2017-08-02 2022-09-13 Strong Force Iot Portfolio 2016, Llc Data collection systems and methods with alternate routing of input channels
JP7217593B2 (ja) * 2018-05-24 2023-02-03 株式会社日立ハイテクソリューションズ 予兆診断システム
JP6549760B1 (ja) * 2018-06-26 2019-07-24 三菱ケミカルエンジニアリング株式会社 生産システム、生産方法、及び制御装置
JP6481916B1 (ja) 2018-06-26 2019-03-13 三菱ケミカルエンジニアリング株式会社 生産システム、生産方法及び制御装置
KR102458999B1 (ko) * 2019-09-30 2022-10-25 미쓰비시덴키 가부시키가이샤 정보 처리 장치, 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체 및 정보 처리 방법
JP7419955B2 (ja) * 2020-04-27 2024-01-23 横河電機株式会社 データ解析システム、データ解析方法、およびプログラム

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101963810A (zh) * 2010-10-22 2011-02-02 北京理工大学 一种分批流水生产压件数量分析方法
CN101308385B (zh) * 2008-07-11 2011-04-13 东北大学 基于二维动态核主元分析的非线性过程故障检测方法
JP2011233154A (ja) * 2011-06-14 2011-11-17 Omron Corp データ収集システム、解析装置、解析方法、およびプログラム
KR20130112098A (ko) * 2012-04-03 2013-10-14 이진용 공정설계 및 공정분석 방법
CN102520705B (zh) * 2011-12-31 2014-11-26 中国石油天然气股份有限公司 一种炼化生产过程优化分析方法及系统
JP2016076089A (ja) * 2014-10-07 2016-05-12 東京電力株式会社 生産効率分析方法
JP2016177794A (ja) * 2015-03-10 2016-10-06 三菱化学エンジニアリング株式会社 製造プロセスの解析方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3099932B2 (ja) * 1993-12-14 2000-10-16 株式会社東芝 インテリジェントテストラインシステム
JP3834008B2 (ja) * 2003-03-19 2006-10-18 株式会社東芝 不良解析装置、不良解析方法および不良解析プログラム
JP3913715B2 (ja) * 2003-06-18 2007-05-09 株式会社東芝 不良検出方法
JP4413673B2 (ja) 2004-03-29 2010-02-10 株式会社東芝 不良原因装置特定システム及び不良原因装置特定方法
US7477958B2 (en) * 2005-05-11 2009-01-13 International Business Machines Corporation Method of release and product flow management for a manufacturing facility
US10290088B2 (en) * 2014-02-14 2019-05-14 Kla-Tencor Corporation Wafer and lot based hierarchical method combining customized metrics with a global classification methodology to monitor process tool condition at extremely high throughput

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101308385B (zh) * 2008-07-11 2011-04-13 东北大学 基于二维动态核主元分析的非线性过程故障检测方法
CN101963810A (zh) * 2010-10-22 2011-02-02 北京理工大学 一种分批流水生产压件数量分析方法
JP2011233154A (ja) * 2011-06-14 2011-11-17 Omron Corp データ収集システム、解析装置、解析方法、およびプログラム
CN102520705B (zh) * 2011-12-31 2014-11-26 中国石油天然气股份有限公司 一种炼化生产过程优化分析方法及系统
KR20130112098A (ko) * 2012-04-03 2013-10-14 이진용 공정설계 및 공정분석 방법
JP2016076089A (ja) * 2014-10-07 2016-05-12 東京電力株式会社 生産効率分析方法
JP2016177794A (ja) * 2015-03-10 2016-10-06 三菱化学エンジニアリング株式会社 製造プロセスの解析方法

Also Published As

Publication number Publication date
JP2018072969A (ja) 2018-05-10
JP6716423B2 (ja) 2020-07-01
WO2018078903A1 (ja) 2018-05-03
TW201816533A (zh) 2018-05-01
US10902530B2 (en) 2021-01-26
DE112017002268T5 (de) 2019-01-17
US20190304037A1 (en) 2019-10-03

Similar Documents

Publication Publication Date Title
TWI637251B (zh) 生產程序之分析方法
TWI628525B (zh) Manufacturing method analysis method
EP3853858A2 (en) System and method for predicting quality of a chemical compound and/or of a formulation thereof as a product of a production process
Lauzon-Gauthier et al. The Sequential Multi-block PLS algorithm (SMB-PLS): Comparison of performance and interpretability
Singh et al. Introduce quality processes through DOE: a case study in die casting foundry
CN115660318A (zh) 一种用于物联制造车间的人机协作任务分配方法
Koulouris et al. Throughput analysis and debottlenecking of integrated batch chemical processes
Kaiser et al. Early-stage in silico flowsheet analysis for a monoclonal antibody platform
Neves et al. Evaluating end‐to‐end continuous antibody manufacture with column‐free capture alternatives from economic, environmental, and robustness perspectives
JP7249320B2 (ja) 生産プロセスのモニタリング方法
JP6923420B2 (ja) 生産プロセスの解析方法
JP7259179B2 (ja) 生産システム、生産方法及び制御装置
Wenzel et al. Improving the accuracy of cycle time estimation for simulation in volatile manufacturing execution environments
CN115984209B (zh) 浓度与组分含量协同优化的稀土元素组分含量预测方法
Patel Development of aqueous two-phase separations by combining high-throughput screening and process modelling
Venkateswarlu et al. Selection of equipment by using saw and Vikor methods
CN116359420B (zh) 一种基于聚类算法的色谱数据杂质定性分析方法及应用
Botelho et al. Estimation of kinetic parameters of a polymerization reactor using real data
Borràs-Ferrís et al. Raw Material Specifications
Ghifari et al. Design Of Automation Inspection System Using Cluster Identification Method Based On Leather Shoes ColourAt Venamon Corporation
Marić et al. DESIGN OF WORKING UNITS IN THE MANUFACTURING SYSTEM OF TOOL MACHINES REPAIR
Oliveira et al. Artificial intelligence applied to the classification of greenish seeds and prediction of physiological quality in soybean
Azis et al. An Analysis Genotype Inheritance in a Trihybrid Cross by Applying a Diagonalization of Matrix Method
Ajie Quantifying the Impact of Industry 4.0 Technologies on Leather Processing Efficiency: A Meta-Analysis
Bergh et al. Flotation column monitoring and control based on PLS models