WO2021015093A1 - 不調要因特定装置、不調予兆検知装置、不調要因特定方法及び不調予兆検知方法 - Google Patents

不調要因特定装置、不調予兆検知装置、不調要因特定方法及び不調予兆検知方法 Download PDF

Info

Publication number
WO2021015093A1
WO2021015093A1 PCT/JP2020/027675 JP2020027675W WO2021015093A1 WO 2021015093 A1 WO2021015093 A1 WO 2021015093A1 JP 2020027675 W JP2020027675 W JP 2020027675W WO 2021015093 A1 WO2021015093 A1 WO 2021015093A1
Authority
WO
WIPO (PCT)
Prior art keywords
manufacturing
malfunction
product
sign
detection
Prior art date
Application number
PCT/JP2020/027675
Other languages
English (en)
French (fr)
Inventor
博史 天野
三浦　康史
中川　和彦
佐々木　幸紀
Original Assignee
パナソニックＩｐマネジメント株式会社
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 パナソニックＩｐマネジメント株式会社 filed Critical パナソニックＩｐマネジメント株式会社
Publication of WO2021015093A1 publication Critical patent/WO2021015093A1/ja

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]
    • 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]

Definitions

  • This disclosure relates to a malfunction factor identification device, a malfunction sign detection device, a malfunction factor identification method, and a malfunction sign detection method.
  • Patent Document 1 discloses a defect cause extraction system that extracts the cause of product defects for a plurality of products manufactured through a plurality of steps.
  • the above-mentioned conventional defect cause extraction system has a problem that the cause of product defects cannot be detected accurately. For example, even when a plurality of processes are extracted as a factor that causes a product defect, the post-process of the plurality of processes may be affected by the malfunction in the pre-process. That is, it is possible that the post-process is erroneously identified as the cause of the defect even though it is not actually the cause of the product defect.
  • the manufacturing time may take longer than usual due to a malfunction of the manufacturing equipment. In this way, it is also required to accurately identify the malfunction of the manufacturing apparatus that cannot be judged from the inspection result of the quality of the product.
  • the malfunction factor identification device is manufactured to manufacture a plurality of products by performing each step under one or more manufacturing conditions which may differ for each product in each of the plurality of steps executed in order.
  • a malfunction factor identification device that identifies the cause of a system malfunction and is an acquisition unit that acquires manufacturing log data that includes log information indicating the manufacturing status for each process and product inspection results for each of the plurality of products. Using the manufacturing log data acquired by the acquisition unit, statistical classification processing is performed using the inspection result for each product as the objective variable and the manufacturing status of each process for each product as the explanatory variable.
  • a calculation unit that calculates the degree of contribution to classification accuracy for malfunctions for each manufacturing status, and a specific unit that identifies the manufacturing status that is the cause of the malfunction based on the degree of contribution for each manufacturing status calculated by the calculation unit.
  • An output unit that outputs information based on the manufacturing status specified by the specific unit is provided.
  • the malfunction sign detection device is manufactured to manufacture a plurality of products by performing each step under one or more manufacturing conditions which may differ for each product in each of the plurality of steps executed in order.
  • a malfunction sign detection device that detects signs of system malfunction, and an acquisition unit that acquires manufacturing log data that includes log information indicating the manufacturing status for each process and product inspection results for each of the plurality of products.
  • statistical classification processing is performed using the inspection result for each product as the objective variable and the manufacturing status of each process for each product as the explanatory variable.
  • the manufacturing system By inputting the manufacturing status of the process that has been executed for the target product in the middle of manufacturing into the generation unit that generates the detection model for detecting the sign of the malfunction and the detection model generated by the generation unit, the manufacturing system It is provided with a determination unit for determining whether or not there is a sign of malfunction, and an output unit for outputting information based on the determination result by the determination unit.
  • the method for identifying a malfunction factor is a manufacturing method in which a plurality of products are manufactured by performing each step under one or more manufacturing conditions that may differ for each product in each of the plurality of steps executed in order.
  • a method for identifying a cause of a malfunction of a system which is a step of acquiring manufacturing log data including log information indicating a manufacturing status for each process and an inspection result of a product for each of the plurality of products. Using the acquired manufacturing log data, statistical classification processing is performed using the inspection results for each product as the objective variable and the manufacturing status of each process for each product as the explanatory variable to achieve classification accuracy for malfunctions in the manufacturing system.
  • the step of calculating the contribution of each manufacturing status, the step of identifying the manufacturing status that is the cause of the malfunction based on the calculated contribution of each manufacturing status, and the information based on the specified manufacturing status are output. Including steps to do.
  • the method for detecting a malfunction sign is a manufacturing method for manufacturing a plurality of products by performing each step under one or more manufacturing conditions that may differ for each product in each of the plurality of steps executed in order. It is a malfunction sign detection method for detecting a sign of a system malfunction, and includes a step of acquiring manufacturing log data including log information indicating a manufacturing status for each process and a product inspection result for each of the plurality of products. Using the acquired manufacturing log data, statistical classification processing is performed with the inspection result for each product as the objective variable and the manufacturing status of each process for each product as the explanatory variable to detect signs of malfunction of the manufacturing system.
  • one aspect of the present disclosure can be realized as a program for causing a computer to execute the above-mentioned malfunction factor identification method or the above-mentioned malfunction sign detection method.
  • it can be realized as a computer-readable non-temporary recording medium in which the program is stored.
  • the malfunction factor identification device or the like it is possible to accurately identify the malfunction factor of the manufacturing system that manufactures a plurality of products. Further, according to the malfunction sign detection device or the like according to one aspect of the present disclosure, the malfunction sign can be detected with high accuracy.
  • FIG. 1 is a block diagram showing a functional configuration of the malfunction factor identification device according to the first embodiment.
  • FIG. 2 is a diagram showing an example of a product manufacturing process and an inspection process.
  • FIG. 3 is a diagram showing an example of manufacturing log data.
  • FIG. 4 is a flowchart showing the operation of the malfunction factor identification device according to the first embodiment.
  • FIG. 5 is a diagram showing the degree of contribution to product defects for each manufacturing situation calculated by the malfunction factor identification device according to the first embodiment.
  • FIG. 6 is a flowchart showing a process for identifying a defective factor in the operation of the malfunction factor identifying device according to the first embodiment.
  • FIG. 7 is a diagram showing a manufacturing situation identified as a defect factor by the malfunction factor identification device according to the first embodiment.
  • FIG. 1 is a block diagram showing a functional configuration of the malfunction factor identification device according to the first embodiment.
  • FIG. 2 is a diagram showing an example of a product manufacturing process and an inspection process.
  • FIG. 3 is a diagram
  • FIG. 8 is a block diagram showing a functional configuration of the malfunction sign detection device according to the second embodiment.
  • FIG. 9 is a flowchart showing the operation of the malfunction sign detection device according to the second embodiment.
  • FIG. 10 is a flowchart showing a detection model generation process in the operation of the malfunction sign detection device according to the second embodiment.
  • FIG. 11 is a diagram showing a manufacturing status that is a defect factor and a value for each product ID in the manufacturing status.
  • FIG. 12 is a flowchart showing a failure sign determination process in the operation of the malfunction sign detection device according to the second embodiment.
  • FIG. 13 is a block diagram showing a functional configuration of a malfunction sign detection device according to a modified example of the second embodiment.
  • FIG. 14 is a flowchart showing the operation of the malfunction sign detection device according to the modified example of the second embodiment.
  • FIG. 15 is a block diagram showing a functional configuration of the malfunction sign detection device according to the third embodiment.
  • FIG. 16A is a diagram showing a value for each product ID of a defect factor used for generating a detection model in the malfunction sign detection device according to the third embodiment and an inspection result.
  • FIG. 16B is a diagram showing a value for each product ID and an inspection result of a defect factor used for generating a detection model in the malfunction sign detection device according to the third embodiment.
  • FIG. 16C is a diagram showing a value for each product ID and an inspection result of a defect factor used for generating a detection model in the malfunction sign detection device according to the third embodiment.
  • FIG. 16A is a diagram showing a value for each product ID of a defect factor used for generating a detection model in the malfunction sign detection device according to the third embodiment and an inspection result.
  • FIG. 16B is a diagram showing
  • FIG. 17 is a flowchart showing the operation of the malfunction sign detection device according to the third embodiment.
  • FIG. 18 is a flowchart showing a process of generating a plurality of detection models in the operation of the malfunction sign detection device according to the third embodiment.
  • FIG. 19 is a flowchart showing a selection process of a usage model in the operation of the malfunction sign detection device according to the third embodiment.
  • FIG. 20 is a flowchart showing another example of the selection process of the usage model in the operation of the malfunction sign detection device according to the third embodiment.
  • FIG. 21 is a diagram showing an example of product inspection results.
  • FIG. 22 is a diagram showing a manufacturing status that is a defect factor and a value for each product ID in the manufacturing status.
  • FIG. 23 is a block diagram showing a functional configuration of the malfunction sign detection device according to the fourth embodiment.
  • FIG. 24 is a flowchart showing the operation of the malfunction sign detection device according to the fourth embodiment.
  • FIG. 25 is a flowchart showing a detection model generation process in the operation of the malfunction sign detection device according to the fourth embodiment.
  • FIG. 26 is a flowchart showing a defect type determination process in the operation of the malfunction sign detection device according to the fourth embodiment.
  • FIG. 27 is a diagram showing an example of calculating the effect amount for each defect type.
  • FIG. 28 is a diagram showing an example of a product manufacturing process and a manufacturing time inspection process.
  • FIG. 29 is a diagram showing an inspection result of manufacturing time.
  • the malfunction factor identification device is manufactured to manufacture a plurality of products by performing each step under one or more manufacturing conditions which may differ for each product in each of the plurality of steps executed in order.
  • a malfunction factor identification device that identifies the cause of a system malfunction, and is an acquisition unit that acquires manufacturing log data that includes log information indicating the manufacturing status for each process and product inspection results for each of the plurality of products. Using the manufacturing log data acquired by the acquisition unit, statistical classification processing is performed using the inspection result for each product as the objective variable and the manufacturing status of each process for each product as the explanatory variable.
  • a calculation unit that calculates the degree of contribution to classification accuracy for malfunctions for each manufacturing status, and a specific unit that identifies the manufacturing status that is the cause of the malfunction based on the degree of contribution for each manufacturing status calculated by the calculation unit.
  • An output unit that outputs information based on the manufacturing status specified by the specific unit is provided.
  • the malfunction of the manufacturing system may be that the product manufactured by the manufacturing system becomes a defective product or that the manufacturing time of the product manufactured by the manufacturing system is abnormal.
  • the malfunction sign detection device is manufactured to manufacture a plurality of products by performing each step under one or more manufacturing conditions which may differ for each product in each of the plurality of steps executed in order.
  • a malfunction sign detection device that detects signs of system malfunction, and an acquisition unit that acquires manufacturing log data that includes log information indicating the manufacturing status for each process and product inspection results for each of the plurality of products.
  • statistical classification processing is performed using the inspection result for each product as the objective variable and the manufacturing status of each process for each product as the explanatory variable.
  • the manufacturing system By inputting the manufacturing status of the process that has been executed for the target product in the middle of manufacturing into the generation unit that generates the detection model for detecting the sign of the malfunction and the detection model generated by the generation unit, the manufacturing system It is provided with a determination unit for determining whether or not there is a sign of malfunction, and an output unit for outputting information based on the determination result by the determination unit.
  • the malfunction sign detection device further uses the manufacturing log data acquired by the acquisition unit and uses the inspection result for each product as an objective variable to manufacture each process for each product.
  • a calculation unit that calculates the contribution to the classification accuracy for the malfunction of the manufacturing system for each manufacturing status
  • a calculation unit that calculates the contribution for each manufacturing status calculated by the calculation unit.
  • the generation unit may perform the statistical classification process using the production status specified by the specific unit as an explanatory variable, and the specific unit that specifies the production status that is the cause of the malfunction.
  • the generation unit generates a plurality of the detection models
  • the malfunction sign detection device further evaluates the plurality of detection models generated by the generation unit, and one detection is performed based on the evaluation result.
  • a selection unit for selecting a model is provided, and the determination unit inputs the manufacturing status of the process executed for the target product in the process of manufacturing into the detection model generated by the generation unit and selected by the selection unit. Therefore, it may be determined whether or not there is a sign of malfunction of the manufacturing system.
  • a detection model having a high detection rate of a sign of malfunction can be used.
  • the accuracy of detecting a sign of malfunction can be improved.
  • the generation unit may generate the plurality of detection models by making the number of manufacturing conditions used as explanatory variables different from each other.
  • the generation unit may generate the plurality of detection models by using the production status of the number determined for each detection model as an explanatory variable according to the order in which the plurality of steps are performed.
  • the selection unit may calculate the detection rate of the sign of the malfunction in each of the plurality of detection models as the evaluation, and select a detection model in which the calculated detection rate is equal to or higher than the threshold value.
  • the selection unit does not take measures against the malfunction, the detection rate and the false detection rate of the sign of the malfunction in each of the plurality of detection models, the response cost when the countermeasure against the malfunction is taken, and the countermeasure against the malfunction. Based on the loss cost due to the product loss in the case, the effect cost may be calculated for each detection model as the evaluation, and the detection model whose calculated effect cost is equal to or larger than the threshold value may be selected.
  • the generation unit generates the detection model for each type of malfunction by performing the statistical classification process using the inspection result for each type of malfunction of the manufacturing system as an objective variable, and the malfunction sign detection device. Further includes a determination unit that evaluates a plurality of detection models generated by the generation unit and determines one type of malfunction based on the evaluation result, and the determination unit is determined by the determination unit. By inputting the manufacturing status of the executed process for the target product in the middle of manufacturing into the detection model of the type, it may be determined whether or not there is a sign of malfunction of the manufacturing system.
  • the determination unit does not take measures against the malfunction, the detection rate and the false detection rate of the sign of the malfunction in each of the plurality of detection models, the response cost when the countermeasure against the malfunction is taken, and the countermeasure against the malfunction.
  • the effect cost may be calculated for each detection model as the evaluation, and the type of the detection model whose calculated effect cost is equal to or more than the threshold value may be determined.
  • the malfunction of the manufacturing system may be that the product manufactured by the manufacturing system becomes a defective product or that the manufacturing time of the product manufactured by the manufacturing system is abnormal.
  • the method for identifying a malfunction factor is a manufacturing method in which a plurality of products are manufactured by performing each step under one or more manufacturing conditions that may differ for each product in each of the plurality of steps executed in order.
  • a method for identifying a cause of a malfunction of a system which is a step of acquiring manufacturing log data including log information indicating a manufacturing status for each process and an inspection result of a product for each of the plurality of products. Using the acquired manufacturing log data, statistical classification processing is performed using the inspection results for each product as the objective variable and the manufacturing status of each process for each product as the explanatory variable to achieve classification accuracy for malfunctions in the manufacturing system.
  • the step of calculating the contribution of each manufacturing status, the step of identifying the manufacturing status that is the cause of the malfunction based on the calculated contribution of each manufacturing status, and the information based on the specified manufacturing status are output. Including steps to do.
  • the method for detecting a malfunction sign is a manufacturing method for manufacturing a plurality of products by performing each step under one or more manufacturing conditions that may differ for each product in each of the plurality of steps executed in order. It is a malfunction sign detection method for detecting a sign of a system malfunction, and includes a step of acquiring manufacturing log data including log information indicating a manufacturing status for each process and a product inspection result for each of the plurality of products. Using the acquired manufacturing log data, statistical classification processing is performed with the inspection result for each product as the objective variable and the manufacturing status of each process for each product as the explanatory variable to detect signs of malfunction of the manufacturing system.
  • each figure is a schematic view and is not necessarily exactly illustrated. Therefore, for example, the scales and the like do not always match in each figure. Further, in each figure, substantially the same configuration is designated by the same reference numerals, and duplicate description will be omitted or simplified.
  • FIG. 1 is a block diagram showing a functional configuration of the malfunction factor identification device 1 according to the present embodiment.
  • the malfunction factor identification device 1 is a device that identifies the malfunction factor of a manufacturing system that manufactures a plurality of products. As shown in FIG. 1, the malfunction factor identification device 1 includes an acquisition unit 10, a calculation unit 20, a specific unit 30, an output unit 40, and a storage unit 50.
  • the malfunction factor identification device 1 is, for example, a computer device. Each function of the malfunction factor identification device 1 may be realized by software executed by a processor, or may be realized by hardware such as an electronic circuit including a plurality of circuit elements.
  • the acquisition unit 10 acquires manufacturing log data including a plurality of manufacturing log information.
  • the acquisition unit 10 is a communication interface that communicates with a plurality of manufacturing facilities included in the manufacturing system, one or more control devices that control the plurality of manufacturing facilities, or sensors attached to the plurality of manufacturing facilities. is there.
  • the communication may be a wired communication or a wireless communication.
  • the acquisition unit 10 may be an input interface that receives an operation input from the manager or the operator of the manufacturing system.
  • the manufacturing log data includes manufacturing log information for each of a plurality of products.
  • the manufacturing log information is log information showing the manufacturing status for each process and the inspection result of the product.
  • the manufacturing log data acquired by the acquisition unit 10 is stored in the storage unit 50 as the manufacturing log data 51.
  • the calculation unit 20 calculates the degree of contribution to the classification accuracy for the malfunction of the manufacturing system for each manufacturing status. Specifically, the calculation unit 20 calculates the degree of contribution by performing statistical classification processing using the manufacturing log data 51 acquired by the acquisition unit 10. In the statistical classification process, the inspection result for each product is used as the objective variable, and the manufacturing status of each process for each product is used as the explanatory variable.
  • the classification model used in the statistical classification process can calculate the contribution of explanatory variables to classification, such as generalized linear models, random forests, or gradient boosting trees. Alternatively, the calculation unit 20 may use a classification model in which the degree of contribution to the classification result cannot be calculated.
  • the calculation unit 20 may calculate the degree of contribution using importance importance, LIMIT (Local Interpretable Model-agnostic Explanations), LOCO (Leave-One-Covariate-Out), or the like.
  • the calculated contribution degree is stored in the storage unit 50 as the contribution degree data 52.
  • the calculation unit 20 and the specific unit 30 are realized by a non-volatile memory in which the program is stored, a volatile memory which is a temporary storage area for executing the program, an input / output port, a processor in which the program is executed, and the like, respectively. ..
  • the functions performed by the calculation unit 20 and the specific unit 30 may be realized by software executed by the processor, or may be realized by hardware such as an electronic circuit including a plurality of circuit elements.
  • the calculation unit 20 and the specific unit 30 may be realized by sharing hardware resources such as a memory.
  • the specifying unit 30 identifies the manufacturing status, which is the cause of the malfunction, based on the contribution of each manufacturing status calculated by the calculating unit 20. Specifically, the specifying unit 30 compares the contribution degree with the threshold value, and identifies the manufacturing status corresponding to the contribution degree equal to or higher than the threshold value as a cause of the malfunction. When there are a plurality of contributions equal to or higher than the threshold value, the specific unit 30 identifies a plurality of manufacturing conditions corresponding to the plurality of contributions as a cause of malfunction.
  • the specific unit 30 may specify the manufacturing status corresponding to the maximum contribution among the calculated plurality of contributions as a factor of the malfunction.
  • the specifying unit 30 may select a plurality of contributions in descending order from the maximum contribution, and specify a plurality of manufacturing conditions corresponding to the selected contributions as a cause of malfunction.
  • the output unit 40 outputs information based on the manufacturing status specified by the specific unit 30. Specifically, the output unit 40 outputs notification information that informs the manager or the operator of the manufacturing system of the manufacturing status specified by the specific unit 30.
  • the notification information is, for example, an image or voice indicating a manufacturing status specified by the specific unit 30.
  • the output unit 40 is realized by, for example, a display, but may be realized by a speaker. Alternatively, the output unit 40 may be a communication interface that communicates with an external device.
  • the storage unit 50 is a storage device for storing the manufacturing log data 51 and the contribution data 52. Further, the storage unit 50 stores a program executed by each of the calculation unit 20 and the specific unit 30, a control program for controlling the entire operation of the malfunction factor identification device 1, and the like.
  • the storage unit 50 is realized by, for example, a semiconductor memory or an HDD (Hard Disk Drive).
  • a manufacturing system is a system that manufactures a plurality of products by performing each process under one or more manufacturing conditions that may differ for each product in each of a plurality of processes executed in order. That is, the manufacturing system sequentially executes a plurality of steps in order to manufacture one product.
  • the product manufactured by the manufacturing system is an aluminum electrolytic capacitor.
  • the product is not limited to the electrolytic capacitor.
  • etching step for example, (i) etching step, (ii) chemical conversion step, (iii) cutting step, (iv) crimping and winding step, (v) impregnation step, and (vi) assembly and The finishing steps are performed in this order.
  • the aluminum foil is etched in order to increase the surface area of the aluminum foil used as the anode and cathode of the electrolytic capacitor.
  • an aluminum oxide film which is a dielectric material of the capacitor, is formed on the surface of the aluminum foil.
  • the cutting step aluminum foil (anode foil and cathode foil) is cut according to the case size of the capacitor.
  • an electrolytic paper is inserted between the anode foil and the cathode foil and wound around a cylindrical element. At this time, the lead material for the electrode is connected to each of the anode foil and the cathode foil.
  • the impregnation step the element is impregnated with the electrolytic solution.
  • the impregnated element, the case, and the sealing material are assembled.
  • the aluminum electrolytic capacitor manufactured through the above process is inspected. Aging may be performed before the inspection.
  • FIG. 2 is a diagram showing an example of a product manufacturing process and an inspection process. Note that FIG. 2 shows four steps A to D and an inspection step for the sake of simplicity. Steps A to D shown in FIG. 2 correspond to any of the steps (i) to (vi) above.
  • a plurality of products are all manufactured by going through steps A to D, and then an inspection process is performed.
  • the manufacturing status of each process may differ depending on the product.
  • a plurality of etching devices are used in the (i) etching step in the manufacturing system of an aluminum electrolytic capacitor. Therefore, the manufacturing status of each product may differ due to the difference in the etching apparatus used for each product. Further, even in a plurality of products manufactured by using the same etching apparatus, there may be a difference in the temperature and concentration of the etching solution and the supplied current value.
  • the manufacturing status is a parameter that can differ from product to product in this way.
  • Each process includes one or more manufacturing statuses.
  • step A includes four manufacturing conditions of variables 1 and 2 and labels 1 and 2.
  • step B three manufacturing states of variables 3 and 4 and label 3 are included.
  • step C four manufacturing states of variables 5 to 7 and label 4 are included.
  • step D two manufacturing conditions of variables 8 and 9 are included.
  • variables 1 to 9 are numerical variables represented by numerical values in the manufacturing status in each process.
  • variables 1 to 9 are sensor measurement values such as temperature, humidity, and voltage values measured by sensors attached to the manufacturing equipment used in each process.
  • variables 1 to 9 may be control parameters for the manufacturing equipment used in each step.
  • Labels 1 to 4 are categorical variables represented by non-numerical values in the manufacturing status in each process.
  • labels 1 to 4 are an equipment ID for specifying the manufacturing equipment used in each process, a worker ID for specifying a worker who executes each process, and the like.
  • the inspection process it is inspected whether the product is a defective product (NG) or a non-defective product (OK). That is, the inspection result can be represented by a binary value of a defective product or a non-defective product.
  • Each value of variables 1 to 9 and labels 1 to 4 shown in FIG. 2 and the inspection result are manufacturing log information of the product to which the product ID: ABC0123 is assigned.
  • the product ID is an identifier unique to each product.
  • manufacturing log information is associated with each product ID.
  • FIG. 3 is a diagram showing an example of the manufacturing log data 51 stored in the storage unit 50.
  • the manufacturing log data 51 includes each value of variables 1 to 9 and labels 1 to 4 of each process as a manufacturing status for each product ID.
  • the manufacturing log data 51 includes an inspection result for each product ID.
  • the manufacturing log data 51 is stored in the storage unit 50 as table information using the product ID as a key. With one product ID, all manufacturing statuses (variables and labels) and inspection results for one product specified by the product ID can be read out.
  • FIG. 4 is a flowchart showing the operation of the malfunction factor identification device 1 according to the present embodiment.
  • the acquisition unit 10 acquires the manufacturing status in each process for each product ID (S10).
  • the acquisition unit 10 acquires the inspection result for each product ID (S11).
  • the acquisition unit 10 stores the production log information including the production status and the inspection result in the storage unit 50 for each product ID (S12).
  • the manufacturing log data 51 as shown in FIG. 3 is stored in the storage unit 50.
  • the calculation unit 20 calculates the degree of contribution that each manufacturing status contributes to the inspection result for each manufacturing status (S13). Specifically, the calculation unit 20 calculates the degree of contribution by performing statistical classification processing by machine learning with the inspection result as the objective variable and all the manufacturing conditions of all the processes as explanatory variables for each product. For example, in the example shown in FIGS. 2 and 3, the calculation unit 20 uses each of the variables 1 to 9 and the labels 1 to 4 included in the steps A to D as explanatory variables, and has two values of a non-defective product or a defective product. Statistical classification processing by machine learning is performed using the test result represented by.
  • FIG. 5 is a diagram showing the degree of contribution to product defects for each manufacturing situation calculated by the malfunction factor identification device 1 according to the present embodiment. As shown in FIG. 5, the calculated contributions are associated with each manufacturing status and stored in the storage unit 50 as contribution data 52.
  • the specific unit 30 identifies the defective factor based on the calculated contribution (S14).
  • the defective factor is an example of a factor of malfunction of the manufacturing system.
  • the defect factor is the manufacturing status that is the cause of the product manufactured by the manufacturing system becoming a defective product.
  • FIG. 6 is a flowchart showing a defect factor identification process (S14) in the operation of the malfunction factor identification device 1 according to the present embodiment.
  • the specific unit 30 reads out the contribution degree for each manufacturing status by referring to the contribution degree data 52 stored in the storage unit 50 (S20).
  • the specific unit 30 compares the read contribution degree with the threshold value (S21). When the contribution is equal to or greater than the threshold value (Yes in S21), the specific unit 30 identifies the manufacturing status corresponding to the contribution as a defect factor (S22). When the contribution is not equal to or higher than the threshold value (No in S21), the specific unit 30 does not specify the manufacturing status corresponding to the contribution as a defect factor.
  • the output unit 40 outputs the information indicating the cause of the defect as shown in FIG. 4 (S15).
  • FIG. 7 is a diagram showing a manufacturing situation identified as a defective factor by the malfunction factor identifying device 1 according to the present embodiment.
  • the example shown in FIG. 7 shows a manufacturing situation identified as a defect factor when the threshold value is set to 0.3 based on the contribution data 52 shown in FIG.
  • the output unit 40 outputs, for example, an image showing the table shown in FIG. 7 as information indicating a defect factor.
  • the output information does not have to include the degree of contribution.
  • the output information may be information indicating a countermeasure plan for eliminating the defect factor based on the specified manufacturing situation.
  • the output unit 40 may output specific maintenance instructions for specific manufacturing equipment.
  • one product ID is associated with all the manufacturing statuses and inspection results of all the processes of one product. Since the statistical classification process is performed with the inspection result for each product as the objective variable and the manufacturing status of each process for each product as the explanatory variable, it is possible to analyze a plurality of manufacturing statuses for each product at once. Compared to the case of individually analyzing the manufacturing status, it is possible to analyze the relationship between the processes, so that it is possible to accurately identify the cause of the malfunction of the manufacturing system that manufactures a plurality of products.
  • the malfunction sign detection device detects a malfunction sign of a manufacturing system that manufactures a plurality of products.
  • the sign of a malfunction is one of the manufacturing conditions included in the previous manufacturing process, which causes the malfunction when the malfunction is detected in the subsequent manufacturing process. In other words, it cannot be said that the manufacturing process including the manufacturing status, which is a sign of the malfunction, is malfunctioning, but there is a high possibility that the malfunction may occur in the subsequent manufacturing process.
  • By accurately detecting the sign of malfunction it is possible to stop the execution of the manufacturing process after the manufacturing process including the sign, or take measures against the sign. As a result, it is possible to support reduction of product loss and the like.
  • the malfunction sign detection device uses the manufacturing log information managed for each product ID in the same manner as in the first embodiment in order to detect the malfunction sign.
  • the differences from the first embodiment will be mainly described, and the common points will be omitted or simplified.
  • FIG. 8 is a block diagram showing a functional configuration of the malfunction sign detection device 101 according to the present embodiment.
  • the malfunction sign detection device 101 includes an acquisition unit 10, a generation unit 120, a determination unit 130, an output unit 140, and a storage unit 150.
  • the acquisition unit 10 is the same as the acquisition unit 10 of the malfunction factor identification device 1 according to the first embodiment.
  • the malfunction sign detection device 101 is, for example, a computer device. Each function of the malfunction sign detection device 101 may be realized by software executed by a processor, or may be realized by hardware such as an electronic circuit including a plurality of circuit elements.
  • the generation unit 120 generates a detection model for detecting a sign of a malfunction of the manufacturing system. Specifically, the generation unit 120 generates a detection model by performing statistical classification processing using the manufacturing log data 51 acquired by the acquisition unit 10.
  • the inspection result for each product is used as the objective variable
  • the manufacturing status of each process for each product is used as the explanatory variable.
  • the manufacturing status which is the defect factor indicated by the defect factor data 152 stored in the storage unit 150, is used as an explanatory variable.
  • a support vector machine (SVM), k-nearest neighbor method, neural network, gradient boosting, random forest, or the like can be used.
  • the generated detection model is stored in the storage unit 150 as the detection model 153.
  • the generation unit 120 and the determination unit 130 are realized by a non-volatile memory in which the program is stored, a volatile memory which is a temporary storage area for executing the program, an input / output port, a processor in which the program is executed, and the like, respectively. ..
  • the functions performed by the generation unit 120 and the determination unit 130 may be realized by software executed by the processor, or may be realized by hardware such as an electronic circuit including a plurality of circuit elements.
  • the generation unit 120 and the determination unit 130 may be realized by sharing hardware resources such as a memory.
  • the determination unit 130 determines whether or not there is a sign of a malfunction of the manufacturing system by inputting the manufacturing status of the executed process for the target product in the middle of manufacturing into the detection model 153 generated by the generation unit 120. ..
  • the manufacturing status input to the detection model 153 is the same manufacturing status as the defective factor indicated by the defective factor data 152.
  • the output unit 140 outputs information based on the determination result by the determination unit 130. Specifically, when the determination unit 130 detects a sign of malfunction, the output unit 140 outputs notification information that notifies the manager or worker of the manufacturing system of the detected sign.
  • the notification information is, for example, an image or voice indicating a sign determined by the determination unit 130.
  • the output unit 140 is realized by, for example, a display, but may be realized by a speaker. Alternatively, the output unit 140 may be a communication interface for communicating with an external device.
  • the storage unit 150 is a storage device for storing the manufacturing log data 51, the defect factor data 152, and the detection model 153. Further, the storage unit 150 stores a program executed by each of the generation unit 120 and the determination unit 130, a control program for controlling the entire operation of the malfunction sign detection device 101, and the like.
  • the storage unit 150 is realized by, for example, a semiconductor memory or an HDD.
  • FIG. 9 is a flowchart showing the operation of the malfunction sign detection device 101 according to the present embodiment. As shown in FIG. 9, first, the malfunction sign detection device 101 performs a process of generating a failure sign detection model (S30). Next, the malfunction sign detection device 101 performs a defect sign determination process using the generated detection model (S31). Each specific process will be described with reference to FIGS. 10 to 12.
  • FIG. 10 is a flowchart showing a detection model generation process (S30) in the operation of the malfunction sign detection device 101 according to the present embodiment.
  • the acquisition unit 10 acquires manufacturing log information including all manufacturing statuses and inspection results in each process for each product ID, and stores the acquired manufacturing log information in the storage unit 150.
  • the manufacturing log information acquisition process (S40) is the same as in steps S10 to S12 according to the first embodiment.
  • the manufacturing log data 51 shown in FIG. 3 is stored in the storage unit 150.
  • the generation unit 120 reads out the manufacturing status and the inspection result, which are the causes of defects (S41). Specifically, the generation unit 120 reads out the manufacturing status and the inspection result corresponding to the defective factor indicated by the defective factor data 152 from the manufacturing log data 51 for each product ID.
  • the defect factor data 152 is, for example, data generated by operation input from the manager or worker of the manufacturing system.
  • the manager or worker of the manufacturing system should be careful about the voltage value at the time of energization in the (ii) chemical conversion process, for example, in the case of the manufacturing system of the aluminum electrolytic capacitor.
  • the manager or the operator inputs the manufacturing status to be noted in advance, and stores the input manufacturing status as defect factor data 152 in the storage unit 150.
  • the defect factor data 152 is the same as the contribution data 52 shown in FIG. 7, for example. That is, the defect factors indicated by the defect factor data 152 are the variable 2 of the process A, the label 3 of the process B, the variable 6 of the process C, and the variable 8 of the process D. Therefore, as shown in FIG. 11, the generation unit 120 reads out data including four manufacturing statuses and inspection results for each of the plurality of product IDs. Note that FIG. 11 is a diagram showing a manufacturing status that is a defect factor and a value for each product ID in the manufacturing status.
  • one manufacturing status is included as a defect factor for one process, but the present invention is not limited to this.
  • a plurality of manufacturing conditions may be included as a defect factor in one process.
  • the plurality of manufacturing processes may include a process that does not include a defect factor.
  • the generation unit 120 uses the read data to generate a failure sign detection model (S42). Specifically, the generation unit 120 generates a detection model by performing statistical classification processing by machine learning with the inspection result as an objective variable and a plurality of defective factors as explanatory variables for each product ID. For example, in the example shown in FIG. 11, the generation unit 120 uses the values of the variable 2, the label 3, the variable 6 and the variable 8 as explanatory variables, and sets the inspection result represented by the binary values of the non-defective product or the defective product as the objective variable. As a result, statistical classification processing by machine learning is performed.
  • the generated detection model is stored in the storage unit 150 as the detection model 153.
  • the generated detection model 153 outputs a value indicating either a non-defective product or a defective product as an inspection result when each value of the variable 2, the label 3, the variable 6 and the variable 8 is input as input data. That is, the detection model 153 is a classification model in which a product is classified as a non-defective product or a defective product based on input data.
  • FIG. 12 is a flowchart showing a defect sign determination process (S31) in the malfunction sign detection device 101 according to the present embodiment.
  • the determination unit 130 inputs the evaluation data of the predetermined product ID into the detection model 153 and performs predictive detection (S50).
  • the evaluation data of the predetermined product ID is different from the data used for generating the detection model 153.
  • the evaluation data is data indicating the manufacturing status of the executed process for the target product in the middle of manufacturing.
  • the target product in the middle of manufacturing includes the product immediately before the inspection process.
  • variable 2 the values of variable 2, label 3, variable 6 and variable 8 of one product manufactured by performing steps A to D are input to the detection model 153.
  • the detection model 153 outputs information indicating whether the one product is a non-defective product or a defective product.
  • the determination unit 130 determines that a sign of product defect has been detected when defective product information indicating that the product is defective is output from the detection model 153.
  • the determination unit 130 determines that no sign of product defect has been detected.
  • the output unit 140 When a sign of product failure is detected (Yes in S51), the output unit 140 outputs information indicating that a sign of product failure has been detected (S52). Specifically, the output unit 140 outputs an image or sound indicating that a sign of product failure has been detected, or an alarm sound, so that the sign is detected by the manager or worker of the manufacturing system. Notify. Alternatively, the output unit 140 may output information indicating a countermeasure plan for eliminating the occurrence of product defects based on the detected sign. For example, the output unit 140 may output specific maintenance instructions for specific manufacturing equipment.
  • the output unit 140 does not output anything. Alternatively, the output unit 140 may output information indicating that no sign of product failure is detected.
  • the defect sign determination process (S31) shown in FIG. 12 is performed, for example, during the operation of the manufacturing system.
  • the determination process (S31) is performed at the timing when one product finishes the steps A to D.
  • the determination process (S31) may be performed on all the products manufactured by the manufacturing system, or the determination process (S31) may be performed on a predetermined number of product units (for example, lot units).
  • the detection model 153 it is possible to determine the defect of the product by the detection model 153 before going through the inspection process of the product manufactured by performing the steps A to D. That is, it can be detected as a sign of failure before the production of the product is completed.
  • the malfunction sign detection device identifies the defect factor by using the manufacturing log data in the same manner as the malfunction factor identification device according to the first embodiment. Then, the defect sign detection device generates a detection model by performing statistical classification processing using the identified defect factor as an explanatory variable.
  • the differences from the first and second embodiments will be mainly described, and the common points will be omitted or simplified.
  • FIG. 13 is a block diagram showing a functional configuration of the malfunction sign detection device 102 according to this modified example.
  • the malfunction sign detection device 102 has a configuration in which the malfunction factor identification device 1 according to the first embodiment and the malfunction sign detection device 101 according to the second embodiment are combined.
  • the malfunction sign detection device 102 includes an acquisition unit 10, a calculation unit 20, a specific unit 30, a generation unit 120, a determination unit 130, and an output unit 140. It is provided with a storage unit 150.
  • the acquisition unit 10, the calculation unit 20, and the specific unit 30 are the same as the acquisition unit 10, the calculation unit 20, and the specific unit 30 included in the malfunction factor identification device 1 according to the first embodiment.
  • the specific unit 30 stores the specified defective factor as defect factor data 152 in the storage unit 150.
  • the generation unit 120, the determination unit 130, and the output unit 140 are the same as the generation unit 120, the determination unit 130, and the output unit 140 included in the malfunction sign detection device 101 according to the second embodiment.
  • the output unit 140 may output information based on the defect factor specified by the specific unit 30 as in the malfunction factor identification device 1 according to the first embodiment.
  • the defect factor data 152 used by the generation unit 120 to generate the detection model indicates the defect factor specified by the specific unit 30. That is, in this modification, the generation unit 120 performs statistical classification processing using the manufacturing status identified as a defect factor by the specific unit 30 as an explanatory variable. The generation unit 120 uses the defect factor data 152 that indicates the manufacturing status specified based on the contribution calculated by the statistical classification process by machine learning as the defect factor, instead of the defect factor manually input.
  • the manufacturing log information used by the generation unit 120 to generate the detection model is a part or all of the manufacturing log data 51 used by the calculation unit 20 to calculate the contribution.
  • FIG. 14 is a flowchart showing the operation of the malfunction sign detection device 102 according to the present modification.
  • the malfunction sign detection device 102 performs a defect factor identification process (S60). Specifically, the malfunction sign detection device 102 performs the processes shown in FIGS. 4 and 6. In step S15, instead of the output unit 40 outputting information indicating the defect factor, the identification unit 30 stores the defect factor as the defect factor data 152 in the storage unit 150.
  • the malfunction sign detection device 102 performs a process of generating a failure sign detection model (S30).
  • the malfunction sign detection device 102 performs a defect sign determination process using the generated detection model (S31).
  • Both the detection model generation process (S30) and the defect sign determination process (S31) are the same as the processes shown in FIGS. 10 and 12 as in the second embodiment.
  • the manufacturing status in which the malfunction of the manufacturing system is likely to occur can be specified by machine learning, so that the detection accuracy of the malfunction sign can be further improved. Can be done.
  • the malfunction sign detection device 101 or 102 uses a defect factor identified in advance as an explanatory variable in generating the detection model. As a result, it is possible to reduce the amount of processing required for generating the detection model and detecting the sign.
  • all the manufacturing statuses may be used as explanatory variables to generate the detection model. As a result, the accuracy of predictive detection by the detection model can be improved.
  • the malfunction sign detection device is different from the malfunction sign detection device according to the second embodiment in that a plurality of detection models are generated.
  • the differences from the first and second embodiments will be mainly described, and the common points will be omitted or simplified.
  • FIG. 15 is a block diagram showing a functional configuration of the malfunction sign detection device 201 according to the present embodiment.
  • the malfunction sign detection device 201 includes a generation unit 220 instead of the generation unit 120 as compared with the malfunction sign detection device 101 according to the second embodiment.
  • the malfunction sign detection device 201 is newly provided with a selection unit 260.
  • the generation unit 220 generates a plurality of detection models for detecting signs of malfunction of the manufacturing system. Specifically, the generation unit 220 generates a plurality of detection models by making the number of manufacturing conditions used as explanatory variables different from each other.
  • the statistical classification process performed by the generation unit 220 is the same as the statistical classification process performed by the generation unit 120 according to the second embodiment, except that the number of manufacturing conditions used as explanatory variables is different.
  • the generation unit 220 generates a plurality of detection models by using the number of manufacturing states determined for each detection model as explanatory variables according to the order in which the plurality of steps are performed.
  • the generated plurality of detection models are stored in the storage unit 150 as a plurality of detection models 253.
  • the generation unit 220 and the selection unit 260 are realized by a non-volatile memory in which the program is stored, a volatile memory which is a temporary storage area for executing the program, an input / output port, a processor for executing the program, and the like, respectively. ..
  • the functions performed by the generation unit 220 and the selection unit 260 may be realized by software executed by the processor, or may be realized by hardware such as an electronic circuit including a plurality of circuit elements.
  • the generation unit 220 and the selection unit 260 may be realized by sharing hardware resources such as memory.
  • the selection unit 260 evaluates a plurality of detection models 253 generated by the generation unit 220, and selects one detection model based on the evaluation result.
  • the detection rate of the sign of malfunction in each of the plurality of detection models 253 is calculated as an evaluation, and the detection model whose calculated detection rate is equal to or higher than the threshold value is selected.
  • the selection unit 260 may select the detection model having the highest detection rate among the plurality of detection models 253.
  • the selection unit 260 includes the detection rate and false detection rate of signs of malfunction in each of the plurality of detection models 253, and the cost of dealing with the malfunction when countermeasures are taken.
  • the effect cost may be calculated for each detection model as an evaluation based on the loss cost due to the product loss when the countermeasure against the malfunction is not taken.
  • the selection unit 260 may select a detection model whose calculated effect cost is equal to or greater than the threshold value. For example, the selection unit 260 may select the detection model having the highest effect cost among the plurality of detection models 253.
  • 16A to 16C are diagrams showing a value for each product ID of a defect factor used for generating a detection model in the malfunction sign detection device 201 according to the present embodiment, and an inspection result, respectively.
  • the generation unit 220 generates three detection models. Each of the three detection models has a different number of explanatory variables used to generate the model. Therefore, the three detection models differ from each other in the number of manufacturing statuses received as input data. Each of the three detection models is generated using a number of manufacturing conditions determined for each detection model according to the order in which the plurality of steps are performed.
  • the first detection model among the three detection models is generated by using the three manufacturing conditions as explanatory variables as shown in FIG. 16A.
  • the generation unit 220 uses each manufacturing status of steps A to C as an explanatory variable, excluding the last step D of steps A to D.
  • the generation unit 220 selects and uses three manufacturing states in the order of execution, which is the earliest, from steps A to D.
  • the generation unit 220 uses the variable 2 of the process A, the label 3 of the process B, and the variable 6 of the process C as explanatory variables.
  • the second detection model out of the three detection models is generated by using the two manufacturing statuses as explanatory variables as shown in FIG. 16B.
  • each manufacturing status of step A and step B excluding the last two steps C and D of steps A to D, is used as an explanatory variable.
  • the generation unit 220 selects and uses two manufacturing states in the order of execution, which is the earliest, from steps A to D. Specifically, the generation unit 220 uses the variable 2 of the process A and the label 3 of the process B as explanatory variables.
  • the third detection model out of the three detection models is generated by using one manufacturing status as an explanatory variable as shown in FIG. 16C.
  • each manufacturing status of the process A excluding the last three processes B to D among the processes A to D is used as an explanatory variable.
  • the generation unit 220 selects and uses one manufacturing status from the steps A to D in the order of the earliest steps in the execution order. Specifically, the generation unit 220 uses the variable 2 of the step A as an explanatory variable.
  • the sign can be detected with high accuracy using the third detection model, the sign can be detected when the step A is performed at the time of manufacturing the product. Therefore, since the sign of product defect can be detected before the process B and subsequent steps are executed, the in-process loss of the product can be reduced.
  • FIG. 17 is a flowchart showing the operation of the malfunction sign detection device 201 according to the present embodiment.
  • the malfunction sign detection device 201 performs a process of generating a plurality of detection models of failure signs (S70).
  • the malfunction sign detection device 201 performs a selection process of the model to be used (S71).
  • the malfunction sign detection device 201 performs a defect sign determination process using the selected detection model (S31).
  • the defect sign determination process (S31) is the same as in the second embodiment and is as shown in FIG. 12, so the description thereof will be omitted.
  • specific processes of the detection model generation process (S70) and the use model selection process (S71) will be described with reference to FIGS. 18 and 19.
  • FIG. 18 is a flowchart showing a generation process (S70) of a plurality of detection models in the operation of the malfunction sign detection device 201 according to the present embodiment.
  • the acquisition unit 10 acquires manufacturing log information including all manufacturing statuses and inspection results in each process for each product ID, and stores the acquired manufacturing log information in the storage unit 150.
  • the generation unit 220 reads out the manufacturing status and the inspection result, which are the causes of defects (S41).
  • the process of acquiring the manufacturing log information (S40) and the process of reading the manufacturing status and the inspection result (S41) are the same as the steps S40 and S41 shown in FIG. 10 according to the second embodiment.
  • the data read by the generation unit 220 is as shown in FIGS. 16A to 16C. Specifically, the generation unit 220 reads out the manufacturing log information for generating the detection model having the largest number of explanatory variables among the plurality of detection models. Therefore, as shown in FIG. 16A, the generation unit 220 reads out data including three manufacturing states (variable 2, label 3, variable 6) and an inspection result for each of the plurality of product IDs.
  • the generation unit 220 uses the read data to generate a plurality of detection models of defect signs excluding specific steps (S80). Specifically, the generation unit 220 generates a detection model by performing statistical classification processing by machine learning with the inspection result as an objective variable and a plurality of defective factors as explanatory variables for each product ID. For example, as shown in FIG. 16A, the generation unit 220 uses the values of the variable 2, the label 3, and the variable 6 as explanatory variables, and the inspection result represented by the binary values of the non-defective product or the defective product as the objective variable. Performs statistical classification processing by learning. As a result, the first detection model is generated. Similarly, the generation unit 220 generates the second detection model using the data shown in FIG.
  • the generated first detection model to third detection model have different numbers of explanatory variables of 3, 2, and 1, respectively.
  • the generated three detection models are stored in the storage unit 150 as a plurality of detection models 253.
  • FIG. 19 is a flowchart showing a selection process (S71) of a model used in the operation of the malfunction sign detection device 201 according to the present embodiment.
  • the selection unit 260 selects one detection model to be evaluated from the plurality of detection models 253 stored in the storage unit 150 (S90).
  • the detection model selected is a detection model that has not yet been evaluated.
  • the selection unit 260 calculates the detection rate using the evaluation data (S91).
  • the evaluation data is data different from the data used for generating the detection model 253, and is data including the manufacturing status and the inspection result associated with each of the plurality of product IDs.
  • the selection unit 260 inputs the value of the manufacturing status as input data to the detection model to be evaluated, and determines whether or not the result output from the detection model matches the inspection result.
  • the malfunction sign detection device 201 is required to correctly detect the actual "defective product" as a "defective product”. That is, it means that the above (d) could be detected correctly. On the contrary, detecting an actual "good product” as a “defective product” is an event that should be avoided. That is, the above (c) corresponds to a false positive.
  • the probability that (d) occurs among the above (a) to (d) is defined as the "detection rate" of the sign of malfunction, and the probability that (c) occurs among the above (a) to (d) is the "erroneous" sign of malfunction. "Detection rate”.
  • the selection unit 260 determines whether or not the calculated detection rate is the highest (S92). Specifically, the selection unit 260 compares the detection rate of the detection model to be evaluated with the highest detection rate among the already evaluated detection models. When the detection rate of the detection model to be evaluated is the highest (Yes in S92), the selection unit 260 determines the detection model to be evaluated as the model to be used (S93). When the detection rate of the detection model to be evaluated is not the highest detection rate (No in S92), the selection unit 260 does not determine the detection model to be evaluated as the model to be used.
  • the selection unit 260 may compare the detection rate with the threshold value. When the calculated detection rate is equal to or greater than the threshold value, the selection unit 260 may select the detection model to be evaluated as the model to be used. As a result, when a detection model having a detection rate equal to or higher than the threshold value is selected as the model to be used, it is not necessary to evaluate another detection model. Therefore, the amount of processing required for selecting the detection model can be reduced. In step S92, the highest detection rate among the already evaluated detection models can be regarded as an example of the threshold value.
  • FIG. 20 is a flowchart showing another example of the use model selection process (S71) in the operation of the malfunction sign detection device 201 according to the present embodiment.
  • the detection rate is used to select the detection model, but in the example shown in FIG. 20, the effect amount is used to select the detection model.
  • the differences from the example shown in FIG. 19 will be mainly described, and the description of the common points will be omitted or simplified.
  • the selection unit 260 calculates the detection rate and the false detection rate of the detection model to be evaluated using the evaluation data (S91a). ..
  • the detection rate and the false detection rate are as described above.
  • the selection unit 260 calculates the effect amount using the detection rate and the false detection rate (S92a).
  • the effect amount is an example of the effect cost and is an index showing the cost effectiveness of the detection model.
  • the selection unit 260 calculates the effect amount based on the detection rate and the false detection rate, the response cost when the defect countermeasure is taken, and the loss cost due to the product loss when the defect countermeasure is not taken. To do.
  • the effect amount is expressed by the following formula (1).
  • Correspondence cost and loss cost are predetermined for each detection model.
  • the response cost is an amount required when countermeasures are taken (for example, maintenance cost).
  • the loss cost is the loss cost when no countermeasure is taken (for example, the material cost of the defective product that was wasted and the cost required for disposal or recycling of the defective product).
  • the cost is mentioned as an example of the effect amount, the loss cost, and the corresponding cost, but the cost is not necessarily limited to that, and other indicators that can be converted into the amount may be used.
  • the effect amount may be the effect production number or the effect time.
  • the loss cost may be the number of defective products, the number of discarded products, the yield rate, the time for producing defective products, the number of defective stocks, and the like.
  • the response cost is the time required for response, the delay in delivering the product to the customer, the number of assets that cannot be used during response (for example, equipment or warehouse), the amount of electricity for the downtime, or the response is in progress.
  • the number of workers may be used.
  • the selection unit 260 determines whether or not the effect amount is the highest instead of the detection rate (S92b). Specifically, the selection unit 260 compares the effect amount of the detection model to be evaluated with the highest effect amount of the already evaluated detection models. When the effect amount of the detection model to be evaluated is the highest (Yes in S92b), the selection unit 260 determines the detection model to be evaluated as the model to be used (S93). When the effect amount of the detection model to be evaluated is not the highest effect amount (No in S92b), the selection unit 260 does not determine the detection model to be evaluated as the model to be used.
  • the selection unit 260 may compare the effect amount and the threshold value.
  • the selection unit 260 may select the detection model to be evaluated as the model to be used when the calculated effect amount is equal to or greater than the threshold value.
  • the threshold value As a result, when a detection model having a detection rate equal to or higher than the threshold value is selected as the model to be used, it is not necessary to evaluate another detection model. Therefore, the amount of processing required for selecting the detection model can be reduced.
  • the highest effect amount among the already evaluated detection models can be regarded as an example of the threshold value.
  • the statistical classification process performed by the generation unit 220 is the statistical classification process performed by the generation unit 120 according to the second embodiment, except that the plurality of detection models to be evaluated differ in the number of manufacturing conditions used as explanatory variables. The same as, but not necessarily this.
  • the detection model to be evaluated may be selected based on the effect amount. Specifically, for example, in the case of performing classification processing for separating normal and abnormal based on unsupervised learning, a plurality of candidates for dividing normal and abnormal are determined, and a plurality of detection models having different thresholds are evaluated. It may be a plurality of detection models. As a result, in the method of determining the threshold value of statistical classification processing by unsupervised learning, which is generally considered difficult, a clear criterion of the amount of effect can be determined.
  • the malfunction sign detection device 201 As described above, according to the malfunction sign detection device 201 according to the present embodiment, a plurality of detection models 253 are generated, and an appropriate detection model is selected and used. As a result, the accuracy of detecting a sign of malfunction can be improved.
  • the malfunction sign detection device is different from the malfunction sign detection device according to the second embodiment in that the product is inspected for each type of defect.
  • the differences from the first to third embodiments will be mainly described, and the common points will be omitted or simplified.
  • FIG. 21 is a diagram showing an example of product inspection results. As shown in FIG. 21, the product is not simply classified as a non-defective product or a defective product, but in the present embodiment, each of the electrical characteristics, shape, frequency characteristics, temperature characteristics, appearance, chemical characteristics, etc. Classify non-defective products and defective products. That is, there are a plurality of inspection items for the product. The inspection items correspond to the types of defects.
  • the inspection result for each product ID includes inspection items that have become defective.
  • FIG. 22 is a diagram showing a manufacturing status that is a defect factor and a value for each product ID in the manufacturing status.
  • the product to which the product ID: ABC0123 is assigned has a defective electrical characteristic inspection result.
  • the product to which the product ID: ABC0123 is assigned is a good product in terms of shape, frequency characteristics, temperature characteristics, appearance, and chemical characteristics other than electrical characteristics.
  • Products with product ID: ABC0124 are all non-defective in inspection results.
  • the product with the product ID: ABC6789 has a poor appearance inspection result.
  • the product to which the product ID: ABC6789 is assigned is a good product in terms of shape, electrical characteristics, frequency characteristics, temperature characteristics, and chemical characteristics other than the appearance. If a plurality of inspection items are defective, all the defective inspection items are included in the inspection result.
  • FIG. 23 is a block diagram showing a functional configuration of the malfunction sign detection device 301 according to the present embodiment.
  • the malfunction sign detection device 301 includes a generation unit 320 instead of the generation unit 120 as compared with the malfunction sign detection device 101 according to the second embodiment.
  • the malfunction sign detection device 301 is newly provided with a determination unit 370.
  • the generation unit 320 generates a detection model for detecting a sign of a malfunction of the manufacturing system for each type of malfunction. Specifically, the generation unit 320 generates a detection model for each type of malfunction by performing statistical classification processing using the inspection result for each type of malfunction as an objective variable.
  • the generated plurality of detection models are stored in the storage unit 150 as a plurality of detection models 353.
  • the generation unit 320 and the determination unit 370 are realized by a non-volatile memory in which the program is stored, a volatile memory which is a temporary storage area for executing the program, an input / output port, a processor for executing the program, and the like, respectively. ..
  • the functions performed by the generation unit 320 and the determination unit 370 may be realized by software executed by the processor, or may be realized by hardware such as an electronic circuit including a plurality of circuit elements.
  • the generation unit 320 and the determination unit 370 may be realized by sharing hardware resources such as a memory.
  • the determination unit 370 evaluates a plurality of detection models 353 generated by the generation unit 320, and determines one type of malfunction based on the evaluation result. In the present embodiment, the determination unit 370 determines the detection rate and false detection rate of signs of malfunction in each of the plurality of detection models 353, the response cost when countermeasures against malfunction are taken, and the case where countermeasures against malfunction are not taken. Based on the loss cost due to the product loss of, the effect amount for each detection model is calculated as an evaluation. The determination unit 370 determines the type of malfunction corresponding to the detection model in which the calculated effect amount is equal to or greater than the threshold value. For example, the determination unit 370 may determine the type of malfunction corresponding to the detection model having the highest effect amount among the plurality of detection models 353.
  • FIG. 24 is a flowchart showing the operation of the malfunction sign detection device 301 according to the present embodiment.
  • the malfunction sign detection device 301 performs a detection model generation process for each defect type (S100).
  • the malfunction sign detection device 301 performs a defect type determination process (S101).
  • the malfunction sign detection device 301 performs a defect sign determination process using the determined defect type detection model (S31).
  • the defect sign determination process (S31) is the same as in the second embodiment and is as shown in FIG. 12, so the description thereof will be omitted.
  • specific processing of the detection model generation process (S100) for each defect type and the defect type determination process (S101) will be described with reference to FIGS. 25 and 26.
  • FIG. 25 is a flowchart showing a detection model generation process (S100) in the operation of the malfunction sign detection device 301 according to the present embodiment.
  • the acquisition unit 10 acquires manufacturing log information including all manufacturing statuses and inspection results in each process for each product ID, and stores the acquired manufacturing log information in the storage unit 150.
  • the generation unit 320 reads out the value of the manufacturing status, which is a defect factor, and the inspection result (S41).
  • the manufacturing log information acquisition process (S40) and the read process (S41) of the manufacturing status value and the inspection result are the same as in steps S40 and S41 shown in FIG. 10 according to the second embodiment.
  • the data read by the generation unit 320 is, for example, as shown in FIG.
  • the generation unit 320 generates a detection model for each defect type using the read data (S110). Specifically, the generation unit 320 generates a detection model by performing statistical classification processing by machine learning with the inspection result for each defect type as an objective variable and a plurality of defect factors as explanatory variables for each product ID. To do. For example, as shown in FIG. 22, the generation unit 320 uses the values of the variable 2, the label 3, the variable 6 and the variable 8 as explanatory variables, and the inspection result of the electrical characteristics represented by the binary values of the non-defective product or the defective product. Is used as the objective variable, and statistical classification processing is performed by machine learning. As a result, a detection model for electrical characteristics is generated.
  • the generation unit 320 similarly performs statistical classification processing for each of the frequency characteristics, temperature characteristics, shape, and appearance. As a result, a detection model for each of frequency characteristics, temperature characteristics, shape and appearance is generated.
  • the generated detection model for each defect type is stored in the storage unit 150 as a plurality of detection models 353.
  • FIG. 26 is a flowchart showing a defect type determination process (S101) in the operation of the malfunction sign detection device 301 according to the present embodiment.
  • the determination unit 370 selects one detection model to be evaluated from the plurality of detection models 353 stored in the storage unit 150 (S120).
  • the detection model selected is a detection model that has not yet been evaluated.
  • the determination unit 370 calculates the detection rate and the false detection rate of the detection model to be evaluated using the evaluation data (S121).
  • the detection rate and the false detection rate are as described above.
  • the determination unit 370 calculates the effect amount using the detection rate and the false detection rate (S122).
  • the effect amount is an example of the effect cost and is an index showing the cost effectiveness of the detection model.
  • the determination unit 370 calculates the effect amount based on the detection rate and the false detection rate, the response cost when the defect countermeasure is taken, and the loss cost due to the product loss when the defect countermeasure is not taken. To do.
  • the determination unit 370 calculates the effect amount per case based on the above-mentioned formula (1).
  • the loss cost and the response cost in the formula (1) can be replaced with the loss cost per case and the response cost per case, respectively.
  • the determination unit 370 calculates the total effect amount based on the following equation (2).
  • FIG. 27 is a diagram showing an example of calculating the effect amount for each defect type. As shown in FIG. 27, the loss cost and the response cost per case, and the detection rate and the false detection rate are predetermined for each defect type. Based on the above formulas (1) and (2), the effect amount is calculated for each defect type.
  • the determination unit 370 determines whether or not the effect amount is equal to or greater than the threshold value (S123). When the effect amount of the detection model to be evaluated is equal to or greater than the threshold value (Yes in S123), the determination unit 370 determines the defect type of the detection model to be evaluated as the defect type of the predictive detection target (S124). When the effect amount of the detection model to be evaluated is less than the threshold value (No in S123), the determination unit 370 does not determine the defect type of the detection model to be evaluated as the defect type of the predictive detection target.
  • the above process is repeated in order from the selection of the detection model (S120) until the evaluation of all the defect types is completed (No in S125).
  • the defect type determined at the end of the evaluation is determined as the defect type to be detected as a sign. For example, in the example shown in FIG. 27, by setting the threshold value to 500,000, the electrical characteristics are determined as the defective type.
  • the number of defective types to be determined may be plural. For example, in the example shown in FIG. 27, by setting the threshold value to 100,000, the electrical characteristics and the temperature characteristics are determined as the defective type.
  • the detection model 353 is generated for each defect type, and an appropriate detection model is selected and used. As a result, the accuracy of detecting a sign of malfunction can be improved for each type.
  • the effect amount of the shape and appearance is a negative value. That is, it can be seen that the effect of detecting a sign of failure and taking countermeasures is low. In this way, it is possible to support the effective operation of the manufacturing system by accurately detecting the signs of defects with high effect without detecting the signs of the types of defects with low effect.
  • the detection rate may be used as described with reference to FIG. 19 in the same manner as in the third embodiment.
  • the malfunction factor identification device, the malfunction sign detection device, the malfunction factor identification method, and the malfunction sign detection method have been described above based on the embodiments, but the present disclosure describes these embodiments. It is not limited to. As long as the gist of the present disclosure is not deviated, various modifications that can be conceived by those skilled in the art are applied to the present embodiment, and a form constructed by combining components in different embodiments is also included in the scope of the present disclosure. Is done.
  • the inspection result may be the manufacturing time required for manufacturing the product.
  • the inspection result of the product may be a good product. Even though a good product is produced, the production efficiency of the product is lowered as a result of the production time being longer than usual. Therefore, by inspecting the manufacturing time, it is possible to make an abnormality in the manufacturing time a malfunction of the manufacturing system.
  • FIG. 28 is a diagram showing an example of a product manufacturing process and a manufacturing time inspection process. As shown in FIG. 28, as compared with the case shown in FIG. 2, in the inspection process, instead of inspecting the product defect, whether the manufacturing time of the product is normal (OK) or abnormal (NG). Inspect.
  • the manufacturing time is, for example, the total time required from step A to step D.
  • the inspection result can be represented by two values of normal or abnormal manufacturing time.
  • the malfunction factor identification device 1 can identify the manufacturing status that causes an abnormality in the manufacturing time as a malfunction factor.
  • the malfunction sign detection device 101, 102 or 201 according to the above-described second or third embodiment can detect a sign of an abnormality in the manufacturing time.
  • FIG. 29 is a diagram showing an example of the inspection result of the manufacturing time.
  • the manufacturing time may not be simply classified into either normal or abnormal, but normal or abnormal may be classified according to the type of manufacturing time. Specifically, normal and abnormal manufacturing times required for each of equipment operation, maintenance, material input, equipment operation, and product type switching may be classified. That is, there are a plurality of inspection items for the manufacturing time. The inspection items correspond to the types of malfunctions.
  • the contribution degree can be calculated or the detection model can be generated by using the inspection result of the manufacturing time as the objective variable instead of the inspection result of the product defect.
  • the explanatory variables used for generating each of the plurality of detection models 253 do not have to follow the order of the manufacturing process.
  • one of the plurality of detection models 253 may be generated by using the variable 2 of the step A and the variable 6 of the step 3 as explanatory variables.
  • one of the plurality of detection models 253 may be generated by using only the variable 8 of step 4 as an explanatory variable.
  • the number of explanatory variables used for generating each of the plurality of detection models 253 may be the same. That is, the plurality of detection models 253 may be generated by using the same number of manufacturing conditions having different combinations as explanatory variables. For example, one of the plurality of detection models 253 is generated by using the variable 2 of the process A and the variable 6 of the process 3 as explanatory variables, and the other one is the variable 2 of the process A and the variable of the process 4. It may be generated by using 8 as an explanatory variable.
  • a plurality of detection models may be generated for each type of defect.
  • the malfunction sign detection device 301 may generate a plurality of detection models for each type of defect as in the malfunction sign detection device 201 according to the third embodiment.
  • the malfunction sign detection device 301 may generate a plurality of detection models for detecting a sign of poor electrical characteristics by different explanatory variables. In this way, the third embodiment and the fourth embodiment may be combined.
  • the defect factor data 152 in the third and fourth embodiments may be the defect factor identified by identifying the defect factor using the manufacturing log data 51, as in the modification of the second embodiment.
  • the defect factor is specified in the same manner as the process performed by the malfunction factor identification device 1 according to the first embodiment.
  • the communication method between the devices described in the above embodiment is not particularly limited.
  • the wireless communication method is, for example, short-range wireless communication such as ZigBee (registered trademark), Bluetooth (registered trademark), or wireless LAN (Local Area Network).
  • the wireless communication method may be communication via a wide area communication network such as the Internet.
  • wired communication may be performed between the devices instead of wireless communication.
  • the wired communication is a power line communication (PLC: Power Line Communication) or a communication using a wired LAN.
  • another processing unit may execute the processing executed by the specific processing unit. Further, the order of the plurality of processes may be changed, or the plurality of processes may be executed in parallel. Further, the malfunction factor identification device or the malfunction sign detection device may be realized by operating a plurality of devices in cooperation with each other. The distribution of the components of the malfunction factor identification device or the malfunction sign detection device to a plurality of devices is an example. For example, the components of one device may be included in another device.
  • the processing described in the above embodiment may be realized by centralized processing using a single device (system), or may be realized by distributed processing using a plurality of devices. Good. Further, the number of processors that execute the above program may be singular or plural. That is, centralized processing may be performed, or distributed processing may be performed.
  • all or a part of the components such as the control unit may be configured by dedicated hardware, or may be realized by executing a software program suitable for each component. May be good. Even if each component is realized by a program execution unit such as a CPU (Central Processing Unit) or a processor reading and executing a software program recorded on a recording medium such as an HDD (Hard Disk Drive) or a semiconductor memory. Good.
  • a program execution unit such as a CPU (Central Processing Unit) or a processor reading and executing a software program recorded on a recording medium such as an HDD (Hard Disk Drive) or a semiconductor memory. Good.
  • a component such as a control unit may be composed of one or a plurality of electronic circuits.
  • the one or more electronic circuits may be general-purpose circuits or dedicated circuits, respectively.
  • One or more electronic circuits may include, for example, a semiconductor device, an IC (Integrated Circuit), an LSI (Large Scale Integration), or the like.
  • the IC or LSI may be integrated on one chip or may be integrated on a plurality of chips. Here, it is called IC or LSI, but the name changes depending on the degree of integration, and it may be called system LSI, VLSI (Very Large Scale Integration), or ULSI (Ultra Large Scale Integration).
  • FPGA Field Programmable Gate Array programmed after manufacturing the LSI can also be used for the same purpose.
  • the general or specific aspects of the present disclosure may be realized by a system, an apparatus, a method, an integrated circuit or a computer program.
  • a computer-readable non-temporary recording medium such as an optical disk, HDD or semiconductor memory in which the computer program is stored.
  • it may be realized by any combination of a system, an apparatus, a method, an integrated circuit, a computer program and a recording medium.
  • the present disclosure can be used as a malfunction factor identification device capable of identifying the cause of a malfunction of a manufacturing system or a malfunction sign detection device capable of accurately detecting a sign of a malfunction of a manufacturing system.
  • a product manufacturing system For example, a product manufacturing system. It can be used for management, analysis and maintenance of.

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Factory Administration (AREA)

Abstract

順に実行される複数の工程の各々において製品毎に異なりうる１つ以上の製造状況下で各工程を行うことで、複数の製品を製造する製造システムの不調の要因を特定する不調要因特定装置（１）は、工程毎の製造状況と製品の検査結果とを示すログ情報を、複数の製品の各々について含む製造ログデータを取得する取得部（１０）と、取得部（１０）によって取得された製造ログデータを用いて、製品毎の検査結果を目的変数とし、製品毎の各工程の製造状況を説明変数とする統計分類処理を行うことで、製造システムの不調に対する分類精度への寄与度を製造状況毎に算出する算出部（２０）と、算出部（２０）によって算出された製造状況毎の寄与度に基づいて、不調の要因である製造状況を特定する特定部（３０）と、特定部（３０）によって特定された製造状況に基づく情報を出力する出力部（４０）とを備える。

Description

不調要因特定装置、不調予兆検知装置、不調要因特定方法及び不調予兆検知方法
　本開示は、不調要因特定装置、不調予兆検知装置、不調要因特定方法及び不調予兆検知方法に関する。
　例えば、特許文献１には、複数の工程を経ることで製造される複数の製品について、製品不良が生じる原因を抽出する不良原因抽出システムが開示されている。
特開２０１９－２８９３２号公報
　しかしながら、上記従来の不良原因抽出システムでは、製品不良が生じる原因を精度良く検出することができないという課題がある。例えば、製品不良が発生する要因として複数の工程が抽出された場合であっても、複数の工程のうちの後工程は、前工程での不調の影響を受けている場合がある。つまり、後工程は、実際には製品不良の要因ではないにも関わらず、誤って後工程が不良の要因であると特定されることが起こりうる。
　また、製造された製品が良品であったとしても、製造装置の不調などにより製造時間が通常より長くかかることがある。このように、製品の良否の検査結果からは判断できない製造装置の不調を精度良く特定することも求められている。
　そこで、本開示は、複数の製品を製造する製造システムの不調の要因を精度良く特定することができる不調要因特定装置及び不調要因特定方法を提供することを目的とする。また、不調の予兆を精度良く検知することができる不調予兆検知装置及び不調予兆検知方法を提供することを目的とする。
　本開示の一態様に係る不調要因特定装置は、順に実行される複数の工程の各々において製品毎に異なりうる１つ以上の製造状況下で各工程を行うことで、複数の製品を製造する製造システムの不調の要因を特定する不調要因特定装置であって、工程毎の製造状況と製品の検査結果とを示すログ情報を、前記複数の製品の各々について含む製造ログデータを取得する取得部と、前記取得部によって取得された製造ログデータを用いて、製品毎の検査結果を目的変数とし、製品毎の各工程の製造状況を説明変数とする統計分類処理を行うことで、前記製造システムの不調に対する分類精度への寄与度を製造状況毎に算出する算出部と、前記算出部によって算出された製造状況毎の寄与度に基づいて、前記不調の要因である製造状況を特定する特定部と、前記特定部によって特定された製造状況に基づく情報を出力する出力部とを備える。
　本開示の一態様に係る不調予兆検知装置は、順に実行される複数の工程の各々において製品毎に異なりうる１つ以上の製造状況下で各工程を行うことで、複数の製品を製造する製造システムの不調の予兆を検知する不調予兆検知装置であって、工程毎の製造状況と製品の検査結果とを示すログ情報を、前記複数の製品の各々について含む製造ログデータを取得する取得部と、前記取得部によって取得された製造ログデータを用いて、製品毎の検査結果を目的変数とし、製品毎の各工程の製造状況を説明変数とする統計分類処理を行うことで、前記製造システムの不調の予兆を検知するための検知モデルを生成する生成部と、前記生成部によって生成された検知モデルに、製造途中の対象製品について実行済みの工程の製造状況を入力することで、前記製造システムの不調の予兆があるか否かを判定する判定部と、前記判定部による判定結果に基づく情報を出力する出力部とを備える。
　本開示の一態様に係る不調要因特定方法は、順に実行される複数の工程の各々において製品毎に異なりうる１つ以上の製造状況下で各工程を行うことで、複数の製品を製造する製造システムの不調の要因を特定する不調要因特定方法であって、工程毎の製造状況と製品の検査結果とを示すログ情報を、前記複数の製品の各々について含む製造ログデータを取得するステップと、取得された製造ログデータを用いて、製品毎の検査結果を目的変数とし、製品毎の各工程の製造状況を説明変数とする統計分類処理を行うことで、前記製造システムの不調に対する分類精度への寄与度を製造状況毎に算出するステップと、算出された製造状況毎の寄与度に基づいて、前記不調の要因である製造状況を特定するステップと、特定された製造状況に基づく情報を出力するステップとを含む。
　本開示の一態様に係る不調予兆検知方法は、順に実行される複数の工程の各々において製品毎に異なりうる１つ以上の製造状況下で各工程を行うことで、複数の製品を製造する製造システムの不調の予兆を検知する不調予兆検知方法であって、工程毎の製造状況と製品の検査結果とを示すログ情報を、前記複数の製品の各々について含む製造ログデータを取得するステップと、取得された製造ログデータを用いて、製品毎の検査結果を目的変数とし、製品毎の各工程の製造状況を説明変数とする統計分類処理を行うことで、前記製造システムの不調の予兆を検知するための検知モデルを生成するステップと、生成された検知モデルに、製造途中の対象製品について実行済みの工程の製造状況を入力することで、前記製造システムの不調の予兆があるか否かを判定するステップと、判定結果に基づく情報を出力するステップとを含む。
　また、本開示の一態様は、上記不調要因特定方法又は上記不調予兆検知方法をコンピュータに実行させるプログラムとして実現することができる。あるいは、当該プログラムを格納したコンピュータ読み取り可能な非一時的な記録媒体として実現することもできる。
　本開示の一態様に係る不調要因特定装置などによれば、複数の製品を製造する製造システムの不調の要因を精度良く特定することができる。また、本開示の一態様に係る不調予兆検知装置などによれば、不調の予兆を精度良く検知することができる。
図１は、実施の形態１に係る不調要因特定装置の機能構成を示すブロック図である。 図２は、製品の製造工程及び検査工程の一例を示す図である。 図３は、製造ログデータの一例を示す図である。 図４は、実施の形態１に係る不調要因特定装置の動作を示すフローチャートである。 図５は、実施の形態１に係る不調要因特定装置によって算出された製造状況毎の製品不良に対する寄与度を示す図である。 図６は、実施の形態１に係る不調要因特定装置の動作における不良要因の特定処理を示すフローチャートである。 図７は、実施の形態１に係る不調要因特定装置によって不良要因として特定された製造状況を示す図である。 図８は、実施の形態２に係る不調予兆検知装置の機能構成を示すブロック図である。 図９は、実施の形態２に係る不調予兆検知装置の動作を示すフローチャートである。 図１０は、実施の形態２に係る不調予兆検知装置の動作における検知モデルの生成処理を示すフローチャートである。 図１１は、不良要因である製造状況と、当該製造状況の製品ＩＤ毎の値とを示す図である。 図１２は、実施の形態２に係る不調予兆検知装置の動作における不良予兆の判定処理を示すフローチャートである。 図１３は、実施の形態２の変形例に係る不調予兆検知装置の機能構成を示すブロック図である。 図１４は、実施の形態２の変形例に係る不調予兆検知装置の動作を示すフローチャートである。 図１５は、実施の形態３に係る不調予兆検知装置の機能構成を示すブロック図である。 図１６Ａは、実施の形態３に係る不調予兆検知装置において検知モデルの生成に用いられる不良要因の製品ＩＤ毎の値と検査結果とを示す図である。 図１６Ｂは、実施の形態３に係る不調予兆検知装置において検知モデルの生成に用いられる不良要因の製品ＩＤ毎の値と検査結果とを示す図である。 図１６Ｃは、実施の形態３に係る不調予兆検知装置において検知モデルの生成に用いられる不良要因の製品ＩＤ毎の値と検査結果とを示す図である。 図１７は、実施の形態３に係る不調予兆検知装置の動作を示すフローチャートである。 図１８は、実施の形態３に係る不調予兆検知装置の動作における複数の検知モデルの生成処理を示すフローチャートである。 図１９は、実施の形態３に係る不調予兆検知装置の動作における使用モデルの選択処理を示すフローチャートである。 図２０は、実施の形態３に係る不調予兆検知装置の動作における使用モデルの選択処理の別の例を示すフローチャートである。 図２１は、製品の検査結果の一例を示す図である。 図２２は、不良要因である製造状況と、当該製造状況の製品ＩＤ毎の値とを示す図である。 図２３は、実施の形態４に係る不調予兆検知装置の機能構成を示すブロック図である。 図２４は、実施の形態４に係る不調予兆検知装置の動作を示すフローチャートである。 図２５は、実施の形態４に係る不調予兆検知装置の動作における検知モデルの生成処理を示すフローチャートである。 図２６は、実施の形態４に係る不調予兆検知装置の動作における不良種別の決定処理を示すフローチャートである。 図２７は、不良種別毎の効果金額の算出例を示す図である。 図２８は、製品の製造工程及び製造時間の検査工程の一例を示す図である。 図２９は、製造時間の検査結果を示す図である。
　（本開示の概要）
　本開示の一態様に係る不調要因特定装置は、順に実行される複数の工程の各々において製品毎に異なりうる１つ以上の製造状況下で各工程を行うことで、複数の製品を製造する製造システムの不調の要因を特定する不調要因特定装置であって、工程毎の製造状況と製品の検査結果とを示すログ情報を、前記複数の製品の各々について含む製造ログデータを取得する取得部と、前記取得部によって取得された製造ログデータを用いて、製品毎の検査結果を目的変数とし、製品毎の各工程の製造状況を説明変数とする統計分類処理を行うことで、前記製造システムの不調に対する分類精度への寄与度を製造状況毎に算出する算出部と、前記算出部によって算出された製造状況毎の寄与度に基づいて、前記不調の要因である製造状況を特定する特定部と、前記特定部によって特定された製造状況に基づく情報を出力する出力部とを備える。
　これにより、製品毎の検査結果を目的変数とし、製品毎の各工程の製造状況を説明変数とする統計分類処理を行うので、製品単位で複数の製造状況をまとめて分析することができる。製造状況を個別に分析する場合に比べて工程間の関係性を含めた分析が可能になるので、複数の製品を製造する製造システムの不調の要因を精度良く特定することができる。
　また、例えば、前記製造システムの不調は、前記製造システムによって製造される製品が不良品になること、又は、前記製造システムによって製造される製品の製造時間に異常があることであってもよい。
　これにより、製品不良、又は、製造時間の異常に対する要因を精度良く特定することができる。
　本開示の一態様に係る不調予兆検知装置は、順に実行される複数の工程の各々において製品毎に異なりうる１つ以上の製造状況下で各工程を行うことで、複数の製品を製造する製造システムの不調の予兆を検知する不調予兆検知装置であって、工程毎の製造状況と製品の検査結果とを示すログ情報を、前記複数の製品の各々について含む製造ログデータを取得する取得部と、前記取得部によって取得された製造ログデータを用いて、製品毎の検査結果を目的変数とし、製品毎の各工程の製造状況を説明変数とする統計分類処理を行うことで、前記製造システムの不調の予兆を検知するための検知モデルを生成する生成部と、前記生成部によって生成された検知モデルに、製造途中の対象製品について実行済みの工程の製造状況を入力することで、前記製造システムの不調の予兆があるか否かを判定する判定部と、前記判定部による判定結果に基づく情報を出力する出力部とを備える。
　これにより、製品毎の検査結果を目的変数とし、製品毎の各工程の製造状況を説明変数とする統計分類処理を行うので、製品単位で複数の製造状況をまとめて分析することができる。製造状況を個別に分析する場合に比べて工程間の関係性を含めた分析が可能になるので、不調の予兆を精度良く検知することができる。
　不調の予兆が検知されることで、予兆が検知された製造設備又は製造工程に対するメンテナンスなどの対策を行うことができる。これにより、製品の歩留まりの低下及び製造システムの稼働時間の向上を支援することができる。
　また、例えば、本開示の一態様に係る不調予兆検知装置は、さらに、前記取得部によって取得された製造ログデータを用いて、製品毎の検査結果を目的変数とし、製品毎の各工程の製造状況を説明変数とする統計分類処理を行うことで、前記製造システムの不調に対する分類精度への寄与度を製造状況毎に算出する算出部と、前記算出部によって算出された製造状況毎の寄与度に基づいて、前記不調の要因である製造状況を特定する特定部とを備え、前記生成部は、前記特定部によって特定された製造状況を説明変数として前記統計分類処理を行ってもよい。
　これにより、製造システムの不調が発生しやすい製造状況を特定しておくことができるので、不調の予兆の検知精度を更に高めることができる。
　また、例えば、前記生成部は、前記検知モデルを複数生成し、前記不調予兆検知装置は、さらに、前記生成部によって生成された複数の検知モデルの評価を行い、評価結果に基づいて一の検知モデルを選択する選択部を備え、前記判定部は、前記生成部によって生成され、かつ、前記選択部によって選択された検知モデルに、製造途中の対象製品について実行済みの工程の製造状況を入力することで、前記製造システムの不調の予兆があるか否かを判定してもよい。
　これにより、複数の検知モデルを生成することで、例えば、不調の予兆の検知率が高い検知モデルを用いることができる。これにより、不調の予兆の検知精度を高めることができる。
　また、例えば、前記生成部は、説明変数として用いる製造状況の個数を互いに異ならせることで、前記複数の検知モデルを生成してもよい。
　これにより、説明変数の個数を異ならせることで、多様な検知モデルを生成することができる。検知モデルが多様化することにより、不調の予兆の検知率が高い検知モデルが生成される可能性も高まるので、不調の予兆の検知精度を高めることができる。
　また、例えば、前記生成部は、前記複数の工程の行われる順序に従って、検知モデル毎に定められた個数の製造状況を説明変数として用いることで、前記複数の検知モデルを生成してもよい。
　これにより、製品を製造する複数の工程において早い段階で不調の予兆を検知することができるので、予兆が検知された工程より後の工程を行う前にメンテナンスなどの対策を行うことができる。これにより、製品の仕掛ロスの削減及び製造システムの稼働時間の向上を支援することができる。
　また、例えば、前記選択部は、前記複数の検知モデルの各々における前記不調の予兆の検知率の算出を前記評価として行い、算出された検知率が閾値以上の検知モデルを選択してもよい。
　これにより、不調の予兆の検知率が高い検知モデルを用いるので、不調の予兆の検知精度を高めることができる。
　また、例えば、前記選択部は、前記複数の検知モデルの各々における前記不調の予兆の検知率及び誤検知率と、前記不調の対策を行った場合の対応コストと、前記不調の対策を行わない場合の製品ロスによるロスコストとに基づいて、検知モデル毎に効果コストの算出を前記評価として行い、算出された効果コストが閾値以上の検知モデルを選択してもよい。
　これにより、効果コストが高い検知モデルを用いるので、不調の要因に対するメンテナンスを行うだけでなく、メンテナンスを敢えて行わないような場合も含めた有効な対策の立案などを支援することができる。
　また、例えば、前記生成部は、前記製造システムの不調の種別毎の検査結果を目的変数として前記統計分類処理を行うことで、前記検知モデルを不調の種別毎に生成し、前記不調予兆検知装置は、さらに、前記生成部によって生成された複数の検知モデルの評価を行い、評価結果に基づいて一の不調の種別を決定する決定部を備え、前記判定部は、前記決定部によって決定された種別の検知モデルに、製造途中の対象製品について実行済みの工程の製造状況を入力することで、前記製造システムの不調の予兆があるか否かを判定してもよい。
　これにより、不調の予兆を検知すべき不調の種別を決定するので、製造システムに対する有効な対策の立案などを支援することができる。
　また、例えば、前記決定部は、前記複数の検知モデルの各々における前記不調の予兆の検知率及び誤検知率と、前記不調の対策を行った場合の対応コストと、前記不調の対策を行わない場合の製品ロスによるロスコストとに基づいて、検知モデル毎に効果コストの算出を前記評価として行い、算出された効果コストが閾値以上の検知モデルの種別を決定してもよい。
　これにより、効果コストが高い種別の不調の予兆を検知することができる。
　また、例えば、前記製造システムの不調は、前記製造システムによって製造される製品が不良品になること、又は、前記製造システムによって製造される製品の製造時間に異常があることであってもよい。
　これにより、製品不良の予兆、又は、製造時間の異常の予兆を精度良く特定することができる。
　本開示の一態様に係る不調要因特定方法は、順に実行される複数の工程の各々において製品毎に異なりうる１つ以上の製造状況下で各工程を行うことで、複数の製品を製造する製造システムの不調の要因を特定する不調要因特定方法であって、工程毎の製造状況と製品の検査結果とを示すログ情報を、前記複数の製品の各々について含む製造ログデータを取得するステップと、取得された製造ログデータを用いて、製品毎の検査結果を目的変数とし、製品毎の各工程の製造状況を説明変数とする統計分類処理を行うことで、前記製造システムの不調に対する分類精度への寄与度を製造状況毎に算出するステップと、算出された製造状況毎の寄与度に基づいて、前記不調の要因である製造状況を特定するステップと、特定された製造状況に基づく情報を出力するステップとを含む。
　これにより、上記不調要因特定装置と同様に、複数の製品を製造する製造システムの不調の要因を精度良く特定することができる。
　本開示の一態様に係る不調予兆検知方法は、順に実行される複数の工程の各々において製品毎に異なりうる１つ以上の製造状況下で各工程を行うことで、複数の製品を製造する製造システムの不調の予兆を検知する不調予兆検知方法であって、工程毎の製造状況と製品の検査結果とを示すログ情報を、前記複数の製品の各々について含む製造ログデータを取得するステップと、取得された製造ログデータを用いて、製品毎の検査結果を目的変数とし、製品毎の各工程の製造状況を説明変数とする統計分類処理を行うことで、前記製造システムの不調の予兆を検知するための検知モデルを生成するステップと、生成された検知モデルに、製造途中の対象製品について実行済みの工程の製造状況を入力することで、前記製造システムの不調の予兆があるか否かを判定するステップと、判定結果に基づく情報を出力するステップとを含む。
　これにより、上記不調要因特定装置と同様に、不調の予兆を精度良く検知することができる。
　以下では、実施の形態について、図面を参照しながら具体的に説明する。
　なお、以下で説明する実施の形態は、いずれも包括的又は具体的な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、独立請求項に記載されていない構成要素については、任意の構成要素として説明される。
　また、各図は、模式図であり、必ずしも厳密に図示されたものではない。したがって、例えば、各図において縮尺などは必ずしも一致しない。また、各図において、実質的に同一の構成については同一の符号を付しており、重複する説明は省略又は簡略化する。
　（実施の形態１）
　［１－１．構成］
　まず、実施の形態１に係る不調要因特定装置の構成について、図１を用いて説明する。図１は、本実施の形態に係る不調要因特定装置１の機能構成を示すブロック図である。
　不調要因特定装置１は、複数の製品を製造する製造システムの不調の要因を特定する装置である。図１に示されるように、不調要因特定装置１は、取得部１０と、算出部２０と、特定部３０と、出力部４０と、記憶部５０とを備える。
　不調要因特定装置１は、例えば、コンピュータ機器である。不調要因特定装置１が有する各機能はそれぞれ、プロセッサによって実行されるソフトウェアで実現されてもよく、複数の回路素子を含む電子回路などのハードウェアで実現されてもよい。
　取得部１０は、複数の製造ログ情報を含む製造ログデータを取得する。取得部１０は、製造システムが備える複数の製造設備、当該複数の製造設備を制御する１つ以上の制御装置、又は、当該複数の製造設備に取り付けられたセンサなどとの通信を行う通信インタフェースである。通信は、有線通信であってもよく、無線通信であってもよい。また、取得部１０は、製造システムの管理者又は作業者からの操作入力を受け付ける入力インタフェースであってもよい。
　製造ログデータは、製造ログ情報を複数の製品の各々について含んでいる。製造ログ情報は、工程毎の製造状況と製品の検査結果とを示すログ情報である。取得部１０によって取得された製造ログデータは、記憶部５０に製造ログデータ５１として記憶される。
　算出部２０は、製造システムの不調に対する分類精度への寄与度を製造状況毎に算出する。具体的には、算出部２０は、取得部１０によって取得された製造ログデータ５１を用いて統計分類処理を行うことで、寄与度を算出する。統計分類処理では、製品毎の検査結果を目的変数とし、製品毎の各工程の製造状況を説明変数とする。統計分類処理で用いる分類モデルは、例えば、一般線形化モデル、ランダムフォレスト又は勾配ブースティング木などの、分類に対する説明変数の寄与度を算出することができるものである。あるいは、算出部２０は、分類結果に対する寄与度の算出ができない分類モデルを用いてもよい。この場合、算出部２０は、パーミュテーションインポータンス、ＬＩＭＥ（Local Interpretable Model-agnostic Explanations）、ＬＯＣＯ（Leave- One-Covariate-Out）などを用いて寄与度を算出してもよい。算出した寄与度は、寄与度データ５２として記憶部５０に記憶される。
　算出部２０及び特定部３０はそれぞれ、プログラムが格納された不揮発性メモリ、プログラムを実行するための一時的な記憶領域である揮発性メモリ、入出力ポート、プログラムを実行するプロセッサなどで実現される。算出部２０及び特定部３０がそれぞれ行う機能は、プロセッサによって実行されるソフトウェアで実現されてもよく、複数の回路素子を含む電子回路などのハードウェアで実現されてもよい。なお、算出部２０と特定部３０とは、メモリなどのハードウェア資源を共用することで実現されてもよい。
　特定部３０は、算出部２０によって算出された製造状況毎の寄与度に基づいて、不調の要因である製造状況を特定する。具体的には、特定部３０は、寄与度と閾値とを比較し、閾値以上の寄与度に対応する製造状況を、不調の要因として特定する。閾値以上の寄与度が複数存在する場合には、特定部３０は、これらの複数の寄与度に対応する複数の製造状況を、不調の要因として特定する。
　あるいは、特定部３０は、算出した複数の寄与度のうち、最大の寄与度に対応する製造状況を、不調の要因として特定してもよい。また、特定部３０は、最大の寄与度から降順で複数の寄与度を選択し、選択した複数の寄与度に対応する複数の製造状況を、不調の要因として特定してもよい。
　出力部４０は、特定部３０によって特定された製造状況に基づく情報を出力する。具体的には、出力部４０は、特定部３０によって特定された製造状況を製造システムの管理者又は作業者に知らせる通知情報を出力する。通知情報は、例えば、特定部３０によって特定された製造状況を示す画像又は音声である。出力部４０は、例えば、ディスプレイで実現されるが、スピーカで実現されてもよい。あるいは、出力部４０は、外部機器と通信する通信インタフェースであってもよい。
　記憶部５０は、製造ログデータ５１及び寄与度データ５２を記憶するための記憶装置である。また、記憶部５０は、算出部２０及び特定部３０の各々が実行するプログラム、並びに、不調要因特定装置１の全体の動作を制御する制御プログラムなどを記憶している。記憶部５０は、例えば、半導体メモリ又はＨＤＤ（Hard Disk Drive）などで実現される。
　［１－２．製造システムの具体例］
　次に、本実施の形態に係る不調要因特定装置１による要因特定の対象となる製造システムの具体例について説明する。
　製造システムは、順に実行される複数の工程の各々において製品毎に異なりうる１つ以上の製造状況下で各工程を行うことで、複数の製品を製造するシステムである。つまり、製造システムは、１つの製品を製造するために複数の工程を順に実行する。
　ここでは、一具体例として、製造システムが製造する製品がアルミニウム電解コンデンサである場合を説明する。なお、製品は、電解コンデンサに限定されるものではない。
　アルミニウム電解コンデンサの製造システムでは、例えば（ｉ）エッチング工程、（ｉｉ）化成工程、（ｉｉｉ）裁断工程、（ｉｖ）加締め及び巻取り工程、（ｖ）含浸工程、並びに、（ｖｉ）組み立て及び仕上げ工程がこの順に実行される。
　（ｉ）エッチング工程では、電解コンデンサの陽極及び陰極として用いられるアルミニウム箔の表面積を増加させるために、アルミニウム箔のエッチングを行う。（ｉｉ）化成工程では、コンデンサの誘電体となるアルミニウム酸化皮膜をアルミニウム箔の表面に形成する。（ｉｉｉ）裁断工程では、コンデンサのケースサイズに合わせてアルミニウム箔（陽極箔及び陰極箔）を裁断する。（ｉｖ）加締め及び巻取り工程では、陽極箔及び陰極箔の間に電解紙を挿入し、円筒形の素子に巻取る。このとき、陽極箔及び陰極箔の各々に電極用のリード材を接続する。（ｖ）含浸工程では、素子に電解液を含浸させる。（ｖｉ）組み立て及び仕上げ工程では、含浸済みの素子とケースと封口材とを組み立てる。
　上記工程を経ることで製造されたアルミニウム電解コンデンサに対して、検査が行われる。なお、検査の前に、エージングが行われてもよい。
　図２は、製品の製造工程及び検査工程の一例を示す図である。なお、図２では、説明を簡単にするため、４つの工程Ａ～Ｄと検査工程とを示している。図２に示される工程Ａ～工程Ｄはそれぞれ、上記（ｉ）～（ｖｉ）の工程のいずれかに対応している。
　複数の製品は、いずれも工程Ａ～Ｄを経ることで製造され、その後、検査工程が行われる。このとき、製品毎によって、各工程の製造状況が異なりうる。例えば、アルミニウム電解コンデンサの製造システムにおける（ｉ）エッチング工程では、複数のエッチング装置を用いて行われる。このため、製品毎に使用されるエッチング装置が異なることで、製品毎の製造状況が異なりうる。また、同一のエッチング装置を用いて製造された複数の製品であっても、エッチング液の温度及び濃度など、並びに、供給される電流値などに差が生じうる。
　製造状況は、このように製品毎に異なりうるパラメータである。工程毎に１つ以上の製造状況が含まれる。図２に示される例では、工程Ａでは、変数１及び２と、ラベル１及び２との４つの製造状況が含まれている。工程Ｂでは、変数３及び４と、ラベル３との３つの製造状況が含まれている。工程Ｃでは、変数５～７と、ラベル４との４つの製造状況が含まれている。工程Ｄでは、変数８及び９の２つの製造状況が含まれている。
　ここで、変数１～９は、各工程における製造状況のうち、数値で表される数値変数である。例えば、変数１～９はそれぞれ、各工程で用いた製造設備に取り付けられたセンサによって測定された温度、湿度及び電圧値などのセンサ測定値である。あるいは、変数１～９は、各工程で用いた製造設備に対する制御パラメータであってもよい。
　ラベル１～４は、各工程における製造状況のうち、数値以外で表されるカテゴリ変数である。例えば、ラベル１～４は、各工程で用いた製造設備を特定するための設備ＩＤ、及び、各工程を実行する作業者を特定するための作業者ＩＤなどである。
　本実施の形態では、検査工程では、製品が不良品（ＮＧ）であるか良品（ＯＫ）であるかを検査する。つまり、検査結果は、不良品又は良品の２値で表すことができる。
　図２に示される変数１～９及びラベル１～４の各々の値と検査結果とが製品ＩＤ：ＡＢＣ０１２３が付与された製品の製造ログ情報である。製品ＩＤは、製品毎に固有の識別子である。記憶部５０に記憶される製造ログデータ５１では、製品ＩＤ毎に製造ログ情報が対応付けられている。
　図３は、記憶部５０に記憶される製造ログデータ５１の一例を示す図である。図３に示されるように、製造ログデータ５１は、製品ＩＤ毎に、各工程の変数１～９及びラベル１～４の各値を製造状況として含んでいる。さらに、製造ログデータ５１は、製品ＩＤ毎に検査結果を含んでいる。例えば、製造ログデータ５１は、製品ＩＤをキーとするテーブル情報として記憶部５０に記憶されている。１つの製品ＩＤによって、当該製品ＩＤで特定される１つの製品に対する全ての製造状況（変数及びラベル）と検査結果とを読み出すことができる。
　［１－３．動作］
　続いて、本実施の形態に係る不調要因特定装置１の動作について説明する。
　図４は、本実施の形態に係る不調要因特定装置１の動作を示すフローチャートである。図４に示されるように、まず、取得部１０が製品ＩＤ毎に、各工程での製造状況を取得する（Ｓ１０）。次に、取得部１０は、製品ＩＤ毎の検査結果を取得する（Ｓ１１）。次に、取得部１０は、製品ＩＤ毎に、製造状況と検査結果とを含む製造ログ情報を記憶部５０に記憶する（Ｓ１２）。これにより、例えば、図３に示されるような製造ログデータ５１が記憶部５０に記憶される。
　次に、算出部２０は、製造状況毎に、各製造状況が検査結果に寄与した寄与度を算出する（Ｓ１３）。具体的には、算出部２０は、製品毎に、検査結果を目的変数とし、全工程の全ての製造状況を説明変数として、機械学習による統計分類処理を行うことで、寄与度を算出する。例えば、図２及び図３に示される例では、算出部２０は、工程Ａ～工程Ｄに含まれる変数１～９及びラベル１～４の各値を説明変数とし、良品又は不良品の２値で表される検査結果を目的変数として、機械学習による統計分類処理を行う。
　これにより、図５に示されるように、製造状況（説明変数）毎の分類結果に対する寄与度が算出される。なお、図５は、本実施の形態に係る不調要因特定装置１によって算出された製造状況毎の製品不良に対する寄与度を示す図である。図５に示されるように、算出された寄与度は、製造状況毎に対応付けられて寄与度データ５２として記憶部５０に記憶される。
　次に、図４に示されるように、特定部３０が、算出された寄与度に基づいて不良要因を特定する（Ｓ１４）。不良要因とは、製造システムの不調の要因の一例である。具体的には、不良要因は、製造システムによって製造された製品が不良品となった原因である製造状況である。
　図６は、本実施の形態に係る不調要因特定装置１の動作における不良要因の特定処理（Ｓ１４）を示すフローチャートである。図６に示されるように、まず、特定部３０は、記憶部５０に記憶された寄与度データ５２を参照することで、製造状況毎に寄与度を読み出す（Ｓ２０）。次に、特定部３０は、読み出した寄与度と閾値とを比較する（Ｓ２１）。寄与度が閾値以上である場合（Ｓ２１でＹｅｓ）、特定部３０は、当該寄与度に対応する製造状況を不良要因と特定する（Ｓ２２）。寄与度が閾値以上ではない場合（Ｓ２１でＮｏ）、特定部３０は、当該寄与度に対応する製造状況を不良要因とは特定しない。全ての製造状況の寄与度の確認が完了するまで（Ｓ２３でＮｏ）、寄与度の読み出し（Ｓ２０）、閾値との比較（Ｓ２１）、特定（Ｓ２２）が繰り返される。全ての製造状況の寄与度の確認が完了した場合（Ｓ２３でＹｅｓ）、図４に示されるように、出力部４０が不良要因を示す情報を出力する（Ｓ１５）。
　図７は、本実施の形態に係る不調要因特定装置１によって不良要因として特定された製造状況を示す図である。図７に示される例は、図５に示される寄与度データ５２に基づいて、閾値を０．３とした場合に不良要因として特定された製造状況を示している。
　出力部４０は、例えば、図７に示されるテーブルを示す画像を、不良要因を示す情報として出力する。なお、出力される情報には、寄与度が含まれていなくてもよい。また、出力される情報は、特定された製造状況に基づいて、不良要因を解消する対策案を示す情報であってもよい。例えば、出力部４０は、具体的な製造設備に対する具体的なメンテナンス指示などを出力してもよい。
　以上のように、本実施の形態に係る不調要因特定装置１によれば、１つの製品の全工程の全ての製造状況と検査結果とに１つの製品ＩＤが対応付けられている。製品毎の検査結果を目的変数とし、製品毎の各工程の製造状況を説明変数とする統計分類処理を行うので、製品単位で複数の製造状況をまとめて分析することができる。製造状況を個別に分析する場合に比べて工程間の関係性を含めた分析が可能になるので、複数の製品を製造する製造システムの不調の要因を精度良く特定することができる。
　（実施の形態２）
　続いて、実施の形態２について説明する。
　実施の形態２に係る不調予兆検知装置は、複数の製品を製造する製造システムの不調の予兆を検知する。不調の予兆は、後の製造工程で不調が検出された場合に、当該不調の原因となる、前の製造工程に含まれる製造状況の１つである。つまり、不調の予兆である製造状況を含む製造工程では不調と言えるものではないが、後の製造工程で不調が発生しうる可能性が高い。不調の予兆を精度良く検知することにより、当該予兆を含む製造工程より後の製造工程の実行を停止する、又は、当該予兆に対する対策を行うことができる。これにより、製品ロスの削減などを支援することができる。
　本実施の形態に係る不調予兆検知装置は、不調の予兆を検知するために、実施の形態１と同様に、製品ＩＤ毎に管理された製造ログ情報を用いる。以下では、実施の形態１との相違点を中心に説明し、共通点の説明を省略又は簡略化する。
　［２－１．構成］
　まず、本実施の形態に係る不調予兆検知装置の構成について、図８を用いて説明する。
　図８は、本実施の形態に係る不調予兆検知装置１０１の機能構成を示すブロック図である。図８に示されるように、不調予兆検知装置１０１は、取得部１０と、生成部１２０と、判定部１３０と、出力部１４０と、記憶部１５０とを備える。ここで、取得部１０は、実施の形態１に係る不調要因特定装置１の取得部１０と同じである。
　不調予兆検知装置１０１は、例えば、コンピュータ機器である。不調予兆検知装置１０１が有する各機能はそれぞれ、プロセッサによって実行されるソフトウェアで実現されてもよく、複数の回路素子を含む電子回路などのハードウェアで実現されてもよい。
　生成部１２０は、製造システムの不調の予兆を検知するための検知モデルを生成する。具体的には、生成部１２０は、取得部１０によって取得された製造ログデータ５１を用いて統計分類処理を行うことで、検知モデルを生成する。統計分類処理は、実施の形態１と同様に、製品毎の検査結果を目的変数とし、製品毎の各工程の製造状況を説明変数とする。本実施の形態では、記憶部１５０に記憶された不良要因データ１５２が示す不良要因である製造状況を説明変数として用いる。統計分類処理は、例えば、サポートベクターマシン（ＳＶＭ）、ｋ近傍法、ニューラルネットワーク、勾配ブースティング又はランダムフォレストなどを用いることができる。生成した検知モデルは、検知モデル１５３として記憶部１５０に記憶される。
　生成部１２０及び判定部１３０はそれぞれ、プログラムが格納された不揮発性メモリ、プログラムを実行するための一時的な記憶領域である揮発性メモリ、入出力ポート、プログラムを実行するプロセッサなどで実現される。生成部１２０及び判定部１３０がそれぞれ行う機能は、プロセッサによって実行されるソフトウェアで実現されてもよく、複数の回路素子を含む電子回路などのハードウェアで実現されてもよい。なお、生成部１２０と判定部１３０とは、メモリなどのハードウェア資源を共用することで実現されてもよい。
　判定部１３０は、生成部１２０によって生成された検知モデル１５３に、製造途中の対象製品について実行済みの工程の製造状況を入力することで、製造システムの不調の予兆があるか否かを判定する。検知モデル１５３に入力する製造状況は、不良要因データ１５２が示す不良要因と同じ製造状況である。
　出力部１４０は、判定部１３０による判定結果に基づく情報を出力する。具体的には、出力部１４０は、判定部１３０によって不調の予兆が検知された場合に、検知された予兆を製造システムの管理者又は作業者に知らせる通知情報を出力する。通知情報は、例えば、判定部１３０によって判定された予兆を示す画像又は音声である。出力部１４０は、例えば、ディスプレイで実現されるが、スピーカで実現されてもよい。あるいは、出力部１４０は、外部機器と通信する通信インタフェースであってもよい。
　記憶部１５０は、製造ログデータ５１、不良要因データ１５２及び検知モデル１５３を記憶するための記憶装置である。また、記憶部１５０は、生成部１２０及び判定部１３０の各々が実行するプログラム、並びに、不調予兆検知装置１０１の全体の動作を制御する制御プログラムなどを記憶している。記憶部１５０は、例えば、半導体メモリ又はＨＤＤなどで実現される。
　［２－２．動作］
　続いて、本実施の形態に係る不調予兆検知装置１０１の動作について説明する。
　以下の説明では、実施の形態１と同じ製造システムを例に挙げて説明する。また、製造システムの不調の予兆の一例である製品不良の予兆（以下では、単に「不良予兆」と記載する場合がある）を検知する場合を説明する。
　図９は、本実施の形態に係る不調予兆検知装置１０１の動作を示すフローチャートである。図９に示されるように、まず、不調予兆検知装置１０１は、不良予兆の検知モデルの生成処理を行う（Ｓ３０）。次に、不調予兆検知装置１０１は、生成した検知モデルを用いて不良予兆の判定処理を行う（Ｓ３１）。各々の具体的な処理については、図１０～図１２を用いて説明する。
　［２－２－１．検知モデルの生成処理（Ｓ３０）］
　まず、検知モデルの生成処理（Ｓ３０）について、図１０を用いて説明する。図１０は、本実施の形態に係る不調予兆検知装置１０１の動作における検知モデルの生成処理（Ｓ３０）を示すフローチャートである。
　図１０に示されるように、まず、取得部１０が製品ＩＤ毎に、各工程での全ての製造状況と検査結果とを含む製造ログ情報を取得し、取得した製造ログ情報を記憶部１５０に記憶する（Ｓ４０）。なお、製造ログ情報の取得処理（Ｓ４０）は、実施の形態１に係るステップＳ１０～Ｓ１２と同じである。これにより、図３に示される製造ログデータ５１が記憶部１５０に記憶される。
　次に、生成部１２０は、不良要因である製造状況と検査結果とを読み出す（Ｓ４１）。具体的には、生成部１２０は、不良要因データ１５２が示す不良要因に対応する製造状況と検査結果とを製品ＩＤ毎に製造ログデータ５１から読み出す。
　不良要因データ１５２は、例えば、製造システムの管理者又は作業者からの操作入力によって生成されたデータである。具体的には、製造システムの管理者又は作業者は、例えば、アルミニウム電解コンデンサの製造システムの場合には（ｉｉ）化成工程における通電時の電圧値を注意すべきであるなどのように、経験上、製品不良の要因になりうる注意すべき製造状況を把握できていることがある。予め注意すべき製造状況を管理者又は作業者が入力し、入力された製造状況を不良要因データ１５２として記憶部１５０に記憶しておく。
　本実施の形態では、不良要因データ１５２は、例えば図７に示される寄与度データ５２と同様である。つまり、不良要因データ１５２が示す不良要因は、工程Ａの変数２、工程Ｂのラベル３、工程Ｃの変数６及び工程Ｄの変数８の４つである。このため、生成部１２０は、図１１に示されるように、複数の製品ＩＤの各々についての４つの製造状況と検査結果とを含むデータを読み出す。なお、図１１は、不良要因である製造状況と、当該製造状況の製品ＩＤ毎の値とを示す図である。
　ここでは、１つの工程につき、１つの製造状況が不良要因として含まれているが、これに限定されない。１つの工程につき、複数の製造状況が不良要因として含まれていてもよい。あるいは、複数の製造工程には、不良要因が含まれない工程が存在していてもよい。
　次に、図１０に示されるように、生成部１２０は、読み出したデータを用いて、不良予兆の検知モデルを生成する（Ｓ４２）。具体的には、生成部１２０は、製品ＩＤ毎に、検査結果を目的変数とし、複数の不良要因を説明変数として、機械学習による統計分類処理を行うことで、検知モデルを生成する。例えば、図１１に示される例では、生成部１２０は、変数２、ラベル３、変数６及び変数８の各値を説明変数とし、良品又は不良品の２値で表される検査結果を目的変数として、機械学習による統計分類処理を行う。生成された検知モデルは、検知モデル１５３として記憶部１５０に記憶される。
　生成される検知モデル１５３は、変数２、ラベル３、変数６及び変数８の各値が入力データとして入力された場合に、検査結果として良品及び不良品のいずれかを示す値を出力する。つまり、検知モデル１５３は、入力データに基づいて、製品が良品及び不良品のいずれかに分類する分類モデルである。
　［２－２－２．不良予兆の判定処理（Ｓ３１）］
　次に、不良予兆の判定処理（Ｓ３１）について、図１２を用いて説明する。図１２は、本実施の形態に係る不調予兆検知装置１０１における不良予兆の判定処理（Ｓ３１）を示すフローチャートである。
　図１２に示されるように、まず、判定部１３０は、所定の製品ＩＤの評価データを検知モデル１５３に入力して、予兆検知を行う（Ｓ５０）。所定の製品ＩＤの評価データは、検知モデル１５３の生成に用いたデータとは異なるデータである。具体的には、評価データは、製造途中の対象製品について実行済みの工程の製造状況を示すデータである。なお、本実施の形態において、製造途中の対象製品には、検査工程を行う直前の製品も含まれる。
　例えば、工程Ａ～工程Ｄを行うことで製造された一の製品の変数２、ラベル３、変数６及び変数８の各値を検知モデル１５３に入力する。これにより、検知モデル１５３は、当該一の製品が良品及び不良品のいずれであるかを示す情報を出力する。判定部１３０は、製品が不良品であることを示す不良品情報が検知モデル１５３から出力された場合に、製品不良の予兆が検知されたと判定する。判定部１３０は、製品が良品であることを示す良品情報が検知モデル１５３から出力された場合に、製品不良の予兆が検知されていないと判定する。
　製品不良の予兆が検知された場合（Ｓ５１でＹｅｓ）、出力部１４０は、製品不良の予兆が検知されたことを示す情報を出力する（Ｓ５２）。具体的には、出力部１４０は、製品不良の予兆が検知されたことを示す画像若しくは音声、又は、アラーム音を出力することで、製造システムの管理者又は作業者に予兆が検知されたことを通知する。あるいは、出力部１４０は、検知された予兆に基づいて、製品不良の発生を解消する対策案を示す情報を出力してもよい。例えば、出力部１４０は、具体的な製造設備に対する具体的なメンテナンス指示などを出力してもよい。
　製品不良の予兆が検知されない場合（Ｓ５１でＮｏ）、出力部１４０は、何も出力しない。あるいは、出力部１４０は、製品不良の予兆が検知されないことを示す情報を出力してもよい。
　図１２に示される不良予兆の判定処理（Ｓ３１）は、例えば、製造システムの稼働中に行われる。例えば、１つの製品が工程Ａ～工程Ｄを終了したタイミングで、判定処理（Ｓ３１）が行われる。製造システムが製造する全ての製品に対して判定処理（Ｓ３１）が行われてもよく、所定数の製品単位（例えば、ロット単位）で判定処理（Ｓ３１）が行われてもよい。
　本実施の形態によれば、工程Ａ～工程Ｄを行うことで製造された製品の検査工程を経る前に、検知モデル１５３によって製品の不良を判定することができる。つまり、製品の製造が完了する前に、不良の予兆として検知することができる。
　［２－３．変形例］
　続いて、実施の形態２の変形例について説明する。
　本変形例に係る不調予兆検知装置は、実施の形態１に係る不調要因特定装置と同様に製造ログデータを用いて不良要因を特定する。そして、不良予兆検知装置は、特定した不良要因を説明変数として統計分類処理を行うことで、検知モデルを生成する。以下では、実施の形態１及び２との相違点を中心に説明を行い、共通点の説明を省略又は簡略化する。
　図１３は、本変形例に係る不調予兆検知装置１０２の機能構成を示すブロック図である。不調予兆検知装置１０２は、実施の形態１に係る不調要因特定装置１と、実施の形態２に係る不調予兆検知装置１０１とを組み合わせた構成を有する。具体的には、図１３に示されるように、不調予兆検知装置１０２は、取得部１０と、算出部２０と、特定部３０と、生成部１２０と、判定部１３０と、出力部１４０と、記憶部１５０とを備える。
　取得部１０、算出部２０及び特定部３０は、実施の形態１に係る不調要因特定装置１が備える取得部１０、算出部２０及び特定部３０と同じである。なお、特定部３０は、特定した不良要因を不良要因データ１５２として記憶部１５０に記憶する。
　生成部１２０、判定部１３０及び出力部１４０は、実施の形態２に係る不調予兆検知装置１０１が備える生成部１２０、判定部１３０及び出力部１４０と同じである。このとき、出力部１４０は、実施の形態１に係る不調要因特定装置１と同様に、特定部３０によって特定された不良要因に基づく情報を出力してもよい。
　生成部１２０が検知モデルの生成に用いる不良要因データ１５２が、特定部３０によって特定された不良要因を示している。つまり、本変形例では、生成部１２０は、特定部３０によって不良要因として特定された製造状況を説明変数として統計分類処理を行う。生成部１２０は、人手で入力された不良要因ではなく、機械学習による統計分類処理によって算出された寄与度に基づいて特定された製造状況を不良要因として示す不良要因データ１５２を用いる。なお、生成部１２０が検知モデルの生成に用いる製造ログ情報は、算出部２０が寄与度を算出するのに用いた製造ログデータ５１の一部又は全部である。
　次に、本変形例に係る不調予兆検知装置１０２の動作について、図１４を用いて説明する。図１４は、本変形例に係る不調予兆検知装置１０２の動作を示すフローチャートである。
　図１４に示されるように、まず、不調予兆検知装置１０２は、不良要因の特定処理を行う（Ｓ６０）。具体的には、不調予兆検知装置１０２は、図４及び図６に示される処理を行う。ステップＳ１５では、出力部４０が不良要因を示す情報を出力する代わりに、特定部３０は、不良要因を不良要因データ１５２として記憶部１５０に記憶する。
　次に、不調予兆検知装置１０２は、不良予兆の検知モデルの生成処理を行う（Ｓ３０）。次に、不調予兆検知装置１０２は、生成した検知モデルを用いて不良予兆の判定処理を行う（Ｓ３１）。検知モデルの生成処理（Ｓ３０）及び不良予兆の判定処理（Ｓ３１）のいずれも、実施の形態２と同様に、図１０及び図１２で示した処理と同じである。
　以上のように、本変形例に係る不調予兆検知装置１０２では、製造システムの不調が発生しやすい製造状況を機械学習によって特定しておくことができるので、不調の予兆の検知精度を更に高めることができる。
　なお、不調予兆検知装置１０１又は１０２では、検知モデルを生成するのに、予め特定された不良要因を説明変数として用いている。これにより、検知モデルの生成及び予兆の検知に要する処理量を削減することができる。
　あるいは、不調予兆検知装置１０１又は１０２では、検知モデルを生成するのに、全ての製造状況を説明変数として用いてもよい。これにより、検知モデルによる予兆の検知の精度を高めることができる。
　（実施の形態３）
　続いて、実施の形態３について説明する。
　実施の形態３に係る不調予兆検知装置は、実施の形態２に係る不調予兆検知装置と比較して、検知モデルを複数生成する点が相違する。以下では、実施の形態１及び２との相違点を中心に説明し、共通点の説明を省略又は簡略化する。
　［３－１．構成］
　まず、本実施の形態に係る不調予兆検知装置の構成について、図１５を用いて説明する。
　図１５は、本実施の形態に係る不調予兆検知装置２０１の機能構成を示すブロック図である。図１５に示されるように、不調予兆検知装置２０１は、実施の形態２に係る不調予兆検知装置１０１と比較して、生成部１２０の代わりに生成部２２０を備える。また、不調予兆検知装置２０１は、新たに、選択部２６０を備える。
　生成部２２０は、製造システムの不調の予兆を検知するための検知モデルを複数生成する。具体的には、生成部２２０は、説明変数として用いる製造状況の個数を互いに異ならせることで、複数の検知モデルを生成する。説明変数として用いる製造状況の個数が異なる点を除いて、生成部２２０が行う統計分類処理は、実施の形態２に係る生成部１２０が行う統計分類処理と同じである。本実施の形態では、生成部２２０は、複数の工程が行われる順序に従って、検知モデル毎に定められた個数の製造状況を説明変数として用いることで、複数の検知モデルを生成する。生成した複数の検知モデルは、複数の検知モデル２５３として記憶部１５０に記憶される。
　生成部２２０及び選択部２６０はそれぞれ、プログラムが格納された不揮発性メモリ、プログラムを実行するための一時的な記憶領域である揮発性メモリ、入出力ポート、プログラムを実行するプロセッサなどで実現される。生成部２２０及び選択部２６０がそれぞれ行う機能は、プロセッサによって実行されるソフトウェアで実現されてもよく、複数の回路素子を含む電子回路などのハードウェアで実現されてもよい。なお、生成部２２０と選択部２６０とは、メモリなどのハードウェア資源を共用することで実現されてもよい。
　選択部２６０は、生成部２２０によって生成された複数の検知モデル２５３の評価を行い、評価結果に基づいて一の検知モデルを選択する。本実施の形態では、複数の検知モデル２５３の各々における不調の予兆の検知率の算出を評価として行い、算出された検知率が閾値以上の検知モデルを選択する。例えば、選択部２６０は、複数の検知モデル２５３のうち、最も検知率が高い検知モデルを選択してもよい。
　なお、詳細については図２０を用いて後述するが、選択部２６０は、複数の検知モデル２５３の各々における不調の予兆の検知率及び誤検知率と、不調の対策を行った場合の対応コストと、不調の対策を行わない場合の製品ロスによるロスコストとに基づいて、検知モデル毎に効果コストの算出を評価として行ってもよい。選択部２６０は、算出された効果コストが閾値以上の検知モデルを選択してもよい。例えば、選択部２６０は、複数の検知モデル２５３のうち、効果コストが最も高い検知モデルを選択してもよい。
　［３－２．複数の検知モデル］
　次に、生成部２２０が生成する複数の検知モデル２５３について説明する。
　以下の説明では、実施の形態１と同じ製造システムを例に挙げて説明する。また、製造システムの不調の予兆の一例である不良予兆を検知する場合を説明する。
　図１６Ａ～図１６Ｃはそれぞれ、本実施の形態に係る不調予兆検知装置２０１において検知モデルの生成に用いられる不良要因の製品ＩＤ毎の値と、検査結果とを示す図である。本実施の形態では、生成部２２０は、３つの検知モデルを生成する。３つの検知モデルはそれぞれ、モデルの生成に用いる説明変数の個数が互いに異なっている。このため、３つの検知モデルは、入力データとして受け付ける製造状況の個数が互いに異なっている。３つの検知モデルはそれぞれ、複数の工程の行われる順序に従って、検知モデル毎に定められた個数の製造状況を用いて生成されている。
　３つの検知モデルのうちの第１検知モデルは、図１６Ａに示されるように、３つの製造状況を説明変数として用いることで生成される。このとき、生成部２２０は、工程Ａ～工程Ｄのうち最後に実行される工程Ｄを除いた、工程Ａ～工程Ｃの各製造状況を説明変数として用いる。言い換えると、生成部２２０は、工程Ａ～工程Ｄのうち、実行順序で早い工程の順で３つの製造状況を選択して用いる。具体的には、生成部２２０は、工程Ａの変数２、工程Ｂのラベル３及び工程Ｃの変数６を説明変数として用いる。
　３つの検知モデルのうちの第２検知モデルは、図１６Ｂに示されるように、２つの製造状況を説明変数として用いることで生成される。このとき、工程Ａ～工程Ｄのうち最後に実行される２つの工程Ｃ及び工程Ｄを除いた、工程Ａ及び工程Ｂの各製造状況を説明変数として用いる。言い換えると、生成部２２０は、工程Ａ～工程Ｄのうち、実行順序で早い工程の順で２つの製造状況を選択して用いる。具体的には、生成部２２０は、工程Ａの変数２及び工程Ｂのラベル３を説明変数として用いる。
　３つの検知モデルのうちの第３検知モデルは、図１６Ｃに示されるように、１つの製造状況を説明変数として用いることで生成される。このとき、工程Ａ～工程Ｄのうち最後に実行される３つの工程Ｂ～工程Ｄを除いた、工程Ａの各製造状況を説明変数として用いる。言い換えると、生成部２２０は、工程Ａ～工程Ｄのうち、実行順序で早い工程の順で１つの製造状況を選択して用いる。具体的には、生成部２２０は、工程Ａの変数２を説明変数として用いる。
　これにより、例えば、第３検知モデルを用いて精度良く予兆を検知することができれば、製品の製造時に工程Ａを行った時点で予兆の検知を行うことができる。このため、工程Ｂ以降を実行する前に製品不良の予兆を検知することができるので、製品の仕掛ロスを削減することができる。
　通常、説明変数の個数が多い程、検知精度が高くなる。したがって、第３検知モデルを用いた検知精度が低い場合には、第２検知モデルを用いることで、工程Ｂを行った時点で予兆の検知を行うことができる。このように、使用する検知モデルを変更することで、検知精度の向上と仕掛ロスの低減とをバランスをとることができる。
　［３－３．動作］
　続いて、本実施の形態に係る不調予兆検知装置２０１の動作について説明する。
　図１７は、本実施の形態に係る不調予兆検知装置２０１の動作を示すフローチャートである。図１７に示されるように、まず、不調予兆検知装置２０１は、不良予兆の複数の検知モデルの生成処理を行う（Ｓ７０）。次に、不調予兆検知装置２０１は、使用モデルの選択処理を行う（Ｓ７１）。次に、不調予兆検知装置２０１は、選択した検知モデルを用いて不良予兆の判定処理を行う（Ｓ３１）。不良予兆の判定処理（Ｓ３１）については、実施の形態２と同じで図１２に示した通りであるので、説明を省略する。以下では、検知モデルの生成処理（Ｓ７０）と使用モデルの選択処理（Ｓ７１）との具体的な処理について、図１８及び図１９を用いて説明する。
　［３－３－１．複数の検知モデルの生成処理（Ｓ７０）］
　まず、複数の検知モデルの生成処理（Ｓ７０）について、図１８を用いて説明する。図１８は、本実施の形態に係る不調予兆検知装置２０１の動作における複数の検知モデルの生成処理（Ｓ７０）を示すフローチャートである。
　図１８に示されるように、まず、取得部１０が製品ＩＤ毎に、各工程での全ての製造状況と検査結果とを含む製造ログ情報を取得し、取得した製造ログ情報を記憶部１５０に記憶する（Ｓ４０）。次に、生成部２２０は、不良要因である製造状況と検査結果とを読み出す（Ｓ４１）。なお、製造ログ情報の取得処理（Ｓ４０）及び製造状況と検査結果との読み出し処理（Ｓ４１）は、実施の形態２に係る図１０に示されるステップＳ４０及びＳ４１と同じである。
　生成部２２０が読み出すデータは、図１６Ａ～図１６Ｃに示される通りである。具体的には、生成部２２０は、複数の検知モデルのうち最も説明変数の個数が多い検知モデルを生成するための製造ログ情報を読み出す。このため、生成部２２０は、図１６Ａに示されるように、複数の製品ＩＤの各々についての３つの製造状況（変数２、ラベル３、変数６）と検査結果とを含むデータを読み出す。
　次に、生成部２２０は、読み出したデータを用いて、特定の工程を除いた不良予兆の複数の検知モデルを生成する（Ｓ８０）。具体的には、生成部２２０は、製品ＩＤ毎に、検査結果を目的変数とし、複数の不良要因を説明変数として、機械学習による統計分類処理を行うことで、検知モデルを生成する。例えば、図１６Ａに示されるように、生成部２２０は、変数２、ラベル３及び変数６の各値を説明変数とし、良品又は不良品の２値で表される検査結果を目的変数として、機械学習による統計分類処理を行う。これにより、第１検知モデルが生成される。同様に、生成部２２０は、図１６Ｂに示されるデータを用いて第２検知モデルを生成し、図１６Ｃに示されるデータを用いて第３検知モデルを生成する。生成された第１検知モデル～第３検知モデルはそれぞれ、説明変数の個数が３個、２個、１個と互いに異なっている。生成された３つの検知モデルは、複数の検知モデル２５３として記憶部１５０に記憶される。
　［３－３－２．選択処理（Ｓ７１）の一例］
　次に、予兆検知に使用する検知モデルの選択処理（Ｓ７１）について、図１９を用いて説明する。図１９は、本実施の形態に係る不調予兆検知装置２０１の動作における使用モデルの選択処理（Ｓ７１）を示すフローチャートである。
　図１９に示されるように、まず、選択部２６０は、記憶部１５０に記憶された複数の検知モデル２５３から評価対象の検知モデルを１つ選択する（Ｓ９０）。なお、選択される検知モデルは、評価がまだ行われていない検知モデルである。
　次に、選択部２６０は、評価データを用いて検知率を算出する（Ｓ９１）。評価データは、検知モデル２５３の生成に用いたデータとは異なるデータであり、複数の製品ＩＤの各々に対応付けられた製造状況及び検査結果を含むデータである。選択部２６０は、製造状況の値を入力データとして評価対象の検知モデルに入力し、検知モデルから出力される結果が検査結果に合致するか否かを判定する。
　検知モデルの出力結果（すなわち、推定による結果）と、評価データの検査結果（すなわち、実際の検査結果）との組み合わせは、次の４通りが存在する。
　（ａ）出力結果が「良品」であり、かつ、検査結果が「良品」である。
　（ｂ）出力結果が「良品」であり、かつ、検査結果が「不良品」である。
　（ｃ）出力結果が「不良品」であり、かつ、検査結果が「良品」である。
　（ｄ）出力結果が「不良品」であり、かつ、検査結果が「不良品」である。
　本実施の形態に係る不調予兆検知装置２０１では、実際の「不良品」を正しく「不良品」であると検知することが求められる。すなわち、上記（ｄ）が正しく検知できたことを意味する。逆に、実際の「良品」を「不良品」として検知することが避けるべき事象である。すなわち、上記（ｃ）は誤検知に相当する。上記（ａ）～（ｄ）のうち（ｄ）が起こる確率を不調の予兆の「検知率」とし、上記（ａ）～（ｄ）のうち（ｃ）が起こる確率を不調の予兆の「誤検知率」とする。
　選択部２６０は、算出した検知率が最も高いか否かを判定する（Ｓ９２）。具体的には、選択部２６０は、評価対象の検知モデルの検知率と、既に評価済みの検知モデルのうち最も高い検知率とを比較する。評価対象の検知モデルの検知率が最も高い場合（Ｓ９２でＹｅｓ）、選択部２６０は、評価対象の検知モデルを使用モデルとして決定する（Ｓ９３）。評価対象の検知モデルの検知率が最も高い検知率ではない場合（Ｓ９２でＮｏ）、選択部２６０は、評価対象の検知モデルを使用モデルとして決定しない。
　全ての検知モデルの評価が終了するまで（Ｓ９４でＮｏ）、検知モデルの選択（Ｓ９０）から順に上記処理が繰り返される。全ての検知モデルの評価が終了した場合（Ｓ９４でＹｅｓ）、評価の終了時点で決定されている検知モデルが使用モデルとして選択される。
　なお、ステップＳ９２では、選択部２６０は、検知率と閾値とを比較してもよい。選択部２６０は、算出した検知率が閾値以上である場合に、評価対象の検知モデルを使用モデルとして選択してもよい。これにより、閾値以上になる検知率を有する検知モデルが使用モデルとして選択された時点で、他の検知モデルの評価を行わなくてもよくなる。したがって、検知モデルの選択に要する処理量を少なくすることができる。なお、ステップＳ９２において、既に評価済みの検知モデルのうち最も高い検知率が閾値の一例とみなすことができる。
　［３－３－３．選択処理（Ｓ７１）の別の一例］
　次に、予兆検知に使用する検知モデルの選択処理（Ｓ７１）の別の例について、図２０を用いて説明する。
　図２０は、本実施の形態に係る不調予兆検知装置２０１の動作における使用モデルの選択処理（Ｓ７１）の別の例を示すフローチャートである。図１９に示される例では検知率を用いて検知モデルを選択したが、図２０に示される例では、効果金額を用いて検知モデルを選択する。以下では、図１９に示される例との相違点を中心に説明し、共通点の説明を省略又は簡略化する。
　図２０に示されるように、選択部２６０は、評価対象の検知モデルを選択した後（Ｓ９０）、評価データを用いて、評価対象の検知モデルの検知率及び誤検知率を算出する（Ｓ９１ａ）。検知率及び誤検知率は、上述した通りである。
　次に、選択部２６０は、検知率及び誤検知率を用いて効果金額を算出する（Ｓ９２ａ）。効果金額は、効果コストの一例であり、検知モデルの費用対効果を表す指標である。具体的には、選択部２６０は、検知率及び誤検知率と、不良の対策を行った場合の対応コストと、不良の対策を行わない場合の製品ロスによるロスコストとに基づいて効果金額を算出する。具体的には、効果金額は、以下の式（１）で表される。
　式（１）　効果金額＝検知率×（ロスコスト－対応コスト）－誤検知率×対応コスト
　対応コスト及びロスコストは、検知モデル毎に予め定められている。具体的には、対応コストは、対策を行った場合に必要な金額（例えば、メンテナンス費用など）である。ロスコストは、対策を行わなかった場合の損失費用（例えば、無駄になった不良品の材料費、及び、不良品の廃棄又はリサイクルに要する費用など）である。
　なお、ここでは、効果金額、ロスコスト、対応コストの例として、費用を挙げたが必ずしもそれに限定されるわけではなく、金額に換算可能なその他の指標でもよい。例えば、効果金額は、効果生産数又は効果時間でもよい。ロスコストは、不良品の個数、廃棄の個数、歩留まり率、不良品を生産する時間、又は、不良在庫の数、などでもよい。対応コストは、対応に要する時間、顧客への製品提供の時期の遅れ、対応中に使用できない資産（例えば、設備又は倉庫など）の数、停止している時間分の電力、又は、対応中の作業員の人数、などでもよい。
　選択部２６０は、検知率の代わりに効果金額が最も高いか否かを判定する（Ｓ９２ｂ）。具体的には、選択部２６０は、評価対象の検知モデルの効果金額と、既に評価済みの検知モデルのうち最も高い効果金額とを比較する。評価対象の検知モデルの効果金額が最も高い場合（Ｓ９２ｂでＹｅｓ）、選択部２６０は、評価対象の検知モデルを使用モデルとして決定する（Ｓ９３）。評価対象の検知モデルの効果金額が最も高い効果金額ではない場合（Ｓ９２ｂでＮｏ）、選択部２６０は、評価対象の検知モデルを使用モデルとして決定しない。
　全ての検知モデルの評価が終了するまで（Ｓ９４でＮｏ）、検知モデルの選択（Ｓ９０）から順に上記処理が繰り返される。全ての検知モデルの評価が終了した場合（Ｓ９４でＹｅｓ）、評価の終了時点で決定されている検知モデルが使用モデルとして選択される。
　なお、ステップＳ９２ｂでは、選択部２６０は、効果金額と閾値とを比較してもよい。選択部２６０は、算出した効果金額が閾値以上である場合に、評価対象の検知モデルを使用モデルとして選択してもよい。これにより、閾値以上になる検知率を有する検知モデルが使用モデルとして選択された時点で、他の検知モデルの評価を行わなくてもよくなる。したがって、検知モデルの選択に要する処理量を少なくすることができる。なお、ステップＳ９２ｂにおいて、既に評価済みの検知モデルのうち最も高い効果金額が閾値の一例とみなすことができる。
　なお、評価対象の複数の検知モデルは、説明変数として用いる製造状況の個数が異なる点を除いて、生成部２２０が行う統計分類処理は、実施の形態２に係る生成部１２０が行う統計分類処理と同じとしたが、必ずしもこの限りではない。例えば、説明変数として用いる製造状況の個数や種類が同じで、統計分類処理が異なる場合に、効果金額に基づいて評価対象の検知モデルを選択してもよい。具体的には、例えば、教師なし学習に基づき正常と異常とを分ける分類処理を行う場合に、正常と異常とを分ける閾値を複数候補定め、この閾値が異なる複数の検知モデルを、評価対象の複数の検知モデルとしてもよい。これにより、一般的には、難しいとされる教師なし学習による統計分類処理の閾値の定め方において、効果金額という明確な判断基準を定めることができる。
　以上のように、本実施の形態に係る不調予兆検知装置２０１によれば、複数の検知モデル２５３を生成し、適切な検知モデルを選択して使用する。これにより、不調の予兆の検知精度を高めることができる。
　（実施の形態４）
　続いて、実施の形態４について説明する。
　実施の形態４に係る不調予兆検知装置は、実施の形態２に係る不調予兆検知装置と比較して、製品の検査が不良の種別毎に行われている点が相違する。以下では、実施の形態１～３との相違点を中心に説明し、共通点の説明を省略又は簡略化する。
　［４－１．製品の検査結果］
　図２１は、製品の検査結果の一例を示す図である。図２１に示されるように、製品を単純に良品及び不良品のいずれかに分類するのではなく、本実施の形態では、電気特性、形状、周波数特性、温度特性、外観及び化学特性などの各々について、良品及び不良品を分類する。すなわち、製品に対する検査項目が複数存在している。検査項目は、不良の種別に相当する。
　したがって、例えば図２２に示されるように、製品ＩＤ毎の検査結果には、不良になった検査項目が含まれている。ここで、図２２は、不良要因である製造状況と、当該製造状況の製品ＩＤ毎の値とを示す図である。
　図２２に示される例では、製品ＩＤ：ＡＢＣ０１２３が付与された製品は、電気特性の検査結果が不良品である。製品ＩＤ：ＡＢＣ０１２３が付与された製品は、電気特性以外の形状、周波数特性、温度特性、外観及び化学特性の各々の検査結果は良品である。
　製品ＩＤ：ＡＢＣ０１２４が付与された製品は、いずれの検査結果も良品である。
　製品ＩＤ：ＡＢＣ６７８９が付与された製品は、外観の検査結果が不良である。製品ＩＤ：ＡＢＣ６７８９が付与された製品は、外観以外の形状、電気特性、周波数特性、温度特性及び化学特性の各々の検査結果は良品である。なお、複数の検査項目で不良であった場合には、不良になった全ての検査項目が検査結果に含まれている。
　［４－２．構成］
　次に、本実施の形態に係る不調予兆検知装置の構成について、図２３を用いて説明する。
　図２３は、本実施の形態に係る不調予兆検知装置３０１の機能構成を示すブロック図である。図２３に示されるように、不調予兆検知装置３０１は、実施の形態２に係る不調予兆検知装置１０１と比較して、生成部１２０の代わりに生成部３２０を備える。また、不調予兆検知装置３０１は、新たに、決定部３７０を備える。
　生成部３２０は、製造システムの不調の予兆を検知するための検知モデルを不調の種別毎に生成する。具体的には、生成部３２０は、不調の種別毎の検査結果を目的変数として統計分類処理を行うことで、検知モデルを不調の種別毎に生成する。生成された複数の検知モデルは、複数の検知モデル３５３として記憶部１５０に記憶される。
　生成部３２０及び決定部３７０はそれぞれ、プログラムが格納された不揮発性メモリ、プログラムを実行するための一時的な記憶領域である揮発性メモリ、入出力ポート、プログラムを実行するプロセッサなどで実現される。生成部３２０及び決定部３７０がそれぞれ行う機能は、プロセッサによって実行されるソフトウェアで実現されてもよく、複数の回路素子を含む電子回路などのハードウェアで実現されてもよい。なお、生成部３２０と決定部３７０とは、メモリなどのハードウェア資源を共用することで実現されてもよい。
　決定部３７０は、生成部３２０によって生成された複数の検知モデル３５３の評価を行い、評価結果に基づいて一の不調の種別を決定する。本実施の形態では、決定部３７０は、複数の検知モデル３５３の各々における不調の予兆の検知率及び誤検知率と、不調の対策を行った場合の対応コストと、不調の対策を行わない場合の製品ロスによるロスコストとに基づいて、検知モデル毎の効果金額の算出を評価として行う。決定部３７０は、算出された効果金額が閾値以上の検知モデルに対応する不調の種別を決定する。例えば、決定部３７０は、複数の検知モデル３５３のうち、効果金額が最も高い検知モデルに対応する不調の種別を決定してもよい。
　［４－３．動作］
　続いて、本実施の形態に係る不調予兆検知装置３０１の動作について説明する。
　以下の説明では、実施の形態１と同じ製造システムを例に挙げて説明する。また、製造システムの不調の予兆の一例である不良予兆を検知する場合を説明する。本実施の形態では、図２２を用いて説明したように、不調の種別毎に検査結果が得られている。
　図２４は、本実施の形態に係る不調予兆検知装置３０１の動作を示すフローチャートである。図２４に示されるように、まず、不調予兆検知装置３０１は、不良種別毎の検知モデルの生成処理を行う（Ｓ１００）。次に、不調予兆検知装置３０１は、不良種別の決定処理を行う（Ｓ１０１）。次に、不調予兆検知装置３０１は、決定した不良種別の検知モデルを用いて不良予兆の判定処理を行う（Ｓ３１）。不良予兆の判定処理（Ｓ３１）については、実施の形態２と同じで図１２に示した通りであるので、説明を省略する。以下では、不良種別毎の検知モデルの生成処理（Ｓ１００）と不良種別の決定処理（Ｓ１０１）との具体的な処理について、図２５及び図２６を用いて説明する。
　［４－３－１．不良種別毎の検知モデルの生成処理（Ｓ１００）］
　まず、不良種別毎の検知モデルの生成処理（Ｓ１００）について、図２５を用いて説明する。図２５は、本実施の形態に係る不調予兆検知装置３０１の動作における検知モデルの生成処理（Ｓ１００）を示すフローチャートである。
　図２５に示されるように、まず、取得部１０が製品ＩＤ毎に、各工程での全ての製造状況と検査結果とを含む製造ログ情報を取得し、取得した製造ログ情報を記憶部１５０に記憶する（Ｓ４０）。次に、生成部３２０は、不良要因である製造状況の値と、検査結果とを読み出す（Ｓ４１）。なお、製造ログ情報の取得処理（Ｓ４０）及び製造状況の値と検査結果との読み出し処理（Ｓ４１）は、実施の形態２に係る図１０に示されるステップＳ４０及びＳ４１と同じである。このとき、生成部３２０が読み出すデータは、例えば、図２２に示される通りである。
　次に、生成部３２０は、読み出したデータを用いて、不良種別毎に検知モデルを生成する（Ｓ１１０）。具体的には、生成部３２０は、製品ＩＤ毎に、不良種別毎の検査結果を目的変数とし、複数の不良要因を説明変数として、機械学習による統計分類処理を行うことで、検知モデルを生成する。例えば、図２２に示されるように、生成部３２０は、変数２、ラベル３、変数６及び変数８の各値を説明変数とし、良品又は不良品の２値で表される電気特性の検査結果を目的変数として、機械学習による統計分類処理を行う。これにより、電気特性に関する検知モデルが生成される。生成部３２０は、電気特性以外に、周波数特性、温度特性、形状及び外観の各々について、同様に統計分類処理を行う。これにより、周波数特性、温度特性、形状及び外観の各々に関する検知モデルが生成される。生成された不良種別毎の検知モデルは、複数の検知モデル３５３として記憶部１５０に記憶される。
　［４－３－２．不良種別の決定処理（Ｓ１０１）］
　次に、不良種別の決定処理（Ｓ１０１）について、図２６を用いて説明する。図２６は、本実施の形態に係る不調予兆検知装置３０１の動作における不良種別の決定処理（Ｓ１０１）を示すフローチャートである。
　図２６に示されるように、まず、決定部３７０は、記憶部１５０に記憶された複数の検知モデル３５３から評価対象の検知モデルを１つ選択する（Ｓ１２０）。なお、選択される検知モデルは、評価がまだ行われていない検知モデルである。
　次に、決定部３７０は、評価データを用いて、評価対象の検知モデルの検知率及び誤検知率を算出する（Ｓ１２１）。検知率及び誤検知率は、上述した通りである。
　次に、決定部３７０は、検知率及び誤検知率を用いて効果金額を算出する（Ｓ１２２）。効果金額は、効果コストの一例であり、検知モデルの費用対効果を表す指標である。具体的には、決定部３７０は、検知率及び誤検知率と、不良の対策を行った場合の対応コストと、不良の対策を行わない場合の製品ロスによるロスコストとに基づいて効果金額を算出する。例えば、決定部３７０は、上述した式（１）に基づいて、１件当たりの効果金額を算出する。なお、式（１）のロスコスト及び対応コストはそれぞれ、１件当たりのロスコスト及び１件当たりの対応コストと置き換えることができる。さらに、決定部３７０は、以下の式（２）に基づいて、全体の効果金額を算出する。
　式（２）　全体の効果金額＝１件当たりの効果金額×不良の発生件数
　図２７は、不良種別毎の効果金額の算出例を示す図である。図２７に示されるように、不良種別毎に、１件当たりのロスコスト及び対応コスト、並びに、検知率及び誤検知率が予め定められている。上記式（１）及び（２）に基づいて、不良種別毎に効果金額が算出される。
　次に、図２６に示されるように、決定部３７０は、効果金額が閾値以上であるか否かを判定する（Ｓ１２３）。評価対象の検知モデルの効果金額が閾値以上である場合（Ｓ１２３でＹｅｓ）、決定部３７０は、評価対象の検知モデルの不良種別を、予兆の検知対象の不良種別として決定する（Ｓ１２４）。評価対象の検知モデルの効果金額が閾値未満である場合（Ｓ１２３でＮｏ）、決定部３７０は、評価対象の検知モデルの不良種別を、予兆の検知対象の不良種別として決定しない。
　全ての不良種別の評価が終了するまで（Ｓ１２５でＮｏ）、検知モデルの選択（Ｓ１２０）から順に上記処理が繰り返される。全ての不良種別の評価が終了した場合（Ｓ１２５でＹｅｓ）、評価の終了時点で決定されている不良種別が、予兆の検知対象の不良種別として決定される。例えば、図２７に示される例において、閾値を５０万に設定することで、電気特性が不良種別として決定される。
　なお、決定される不良種別の個数は、複数であってもよい。例えば、図２７に示される例において、閾値を１０万に設定することで、電気特性及び温度特性が不良種別として決定される。
　以上のように、本実施の形態に係る不調予兆検知装置３０１によれば、不良種別毎に検知モデル３５３を生成し、適切な検知モデルを選択して使用する。これにより、種別毎に不調の予兆の検知精度を高めることができる。
　例えば、図２７に示される例では、形状及び外観の効果金額は、マイナスの値となっている。すなわち、不良の予兆を検知して対策を行うことの効果が低いことが分かる。このように、効果が低い不良の種別の予兆の検知を行わず、効果が高い不良の予兆を精度良く検知することで、製造システムの効果的な運用を支援することができる。
　なお、不良の種別の決定には、実施の形態３と同様で図１９を用いて説明したように、検知率を用いてもよい。
　（他の実施の形態）
　以上、１つ又は複数の態様に係る不調要因特定装置、不調予兆検知装置、不調要因特定方法及び不調予兆検知方法について、実施の形態に基づいて説明したが、本開示は、これらの実施の形態に限定されるものではない。本開示の主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、及び、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、本開示の範囲内に含まれる。
　例えば、上記の実施の形態１～４ではいずれも、検査結果として、製品が良品であるか不良品であるかを示す情報を用いたが、これに限らない。例えば、検査結果は、製品の製造に要する製造時間であってもよい。製造システムでは、製造設備の不調によって製造時間が通常よりも長いにも関わらず、製品の検査結果としても良品となる場合がある。良品が製造されているとはいえ、製造時間が通常よりも長いことにより、結果として製品の生産効率が低くなる。そこで、製造時間を検査することにより、製造時間の異常を製造システムの不調とすることができる。
　図２８は、製品の製造工程及び製造時間の検査工程の一例を示す図である。図２８に示されるように、図２に示される場合と比較して、検査工程では、製品不良の検査の代わりに、製品の製造時間が正常（ＯＫ）であるか異常（ＮＧ）であるかを検査する。製造時間は、例えば工程Ａから工程Ｄまでに要する合計時間である。検査結果は、製造時間の正常又は異常の２値で表すことができる。
　したがって、上記の実施の形態１に係る不調要因特定装置１は、製造時間の異常の要因になる製造状況を不調要因として特定することができる。上記の実施の形態２又は３に係る不調予兆検知装置１０１、１０２又は２０１は、製造時間の異常の予兆を検知することができる。
　また、実施の形態４においても同様に、不良種別の代わりに、図２９に示される製造時間の種別を用いてもよい。図２９は、製造時間の検査結果の一例を示す図である。
　図２９に示されるように、製造時間を単純に正常及び異常のいずれかに分類するのではなく、製造時間の種別毎に正常及び異常を分類してもよい。具体的には、設備稼働、メンテナンス、材料投入、設備操作及び品種切替の各々に要する製造時間についての正常及び異常を分類してもよい。すなわち、製造時間に対する検査項目が複数存在している。検査項目は、不調の種別に相当する。
　統計分類処理では、製品不良の検査結果の代わりに、製造時間の検査結果を目的変数として用いることで、寄与度の算出又は検知モデルの生成を行うことができる。
　また、例えば、実施の形態３において、複数の検知モデル２５３の各々の生成に用いる説明変数は、製造工程の順序に従っていなくてもよい。例えば、複数の検知モデル２５３の１つは、工程Ａの変数２と工程３の変数６とを説明変数として用いることで生成されてもよい。あるいは、複数の検知モデル２５３の１つは、工程４の変数８のみを説明変数として用いることで生成されてもよい。
　また、複数の検知モデル２５３の各々の生成に用いる説明変数の個数は、同じであってもよい。つまり、複数の検知モデル２５３は、組み合わせの異なる同数の製造状況を説明変数として用いて生成されてもよい。例えば、複数の検知モデル２５３の１つは、工程Ａの変数２と工程３の変数６とを説明変数として用いることで生成され、他の１つは、工程Ａの変数２と工程４の変数８とを説明変数として用いることで生成されてもよい。
　また、例えば、実施の形態４において、不良の種別毎に複数の検知モデルを生成してもよい。具体的には、不調予兆検知装置３０１は、実施の形態３に係る不調予兆検知装置２０１と同様に複数の検知モデルを、不良の種別毎に生成してもよい。例えば、不調予兆検知装置３０１は、電気特性の不良の予兆を検知する検知モデルを、説明変数を異ならせることで複数生成してもよい。このように、実施の形態３と実施の形態４とを組み合わせてもよい。
　また、実施の形態３及び４における不良要因データ１５２は、実施の形態２の変形例と同様に、製造ログデータ５１を用いて不良要因を特定し、特定した不良要因であってもよい。この場合の不良要因の特定は、実施の形態１に係る不調要因特定装置１が行う処理と同様である。
　また、上記実施の形態で説明した装置間の通信方法については特に限定されるものではない。装置間で無線通信が行われる場合、無線通信の方式（通信規格）は、例えば、ＺｉｇＢｅｅ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、又は、無線ＬＡＮ（Local Area Network）などの近距離無線通信である。あるいは、無線通信の方式（通信規格）は、インターネットなどの広域通信ネットワークを介した通信でもよい。また、装置間においては、無線通信に代えて、有線通信が行われてもよい。有線通信は、具体的には、電力線搬送通信（ＰＬＣ：Power Line Communication）又は有線ＬＡＮを用いた通信などである。
　また、上記実施の形態において、特定の処理部が実行する処理を別の処理部が実行してもよい。また、複数の処理の順序が変更されてもよく、あるいは、複数の処理が並行して実行されてもよい。また、不調要因特定装置又は不調予兆検知装置は、複数の装置が協働して動作することにより実現されてもよい。不調要因特定装置又は不調予兆検知装置が備える構成要素の複数の装置への振り分けは、一例である。例えば、一の装置が備える構成要素を他の装置が備えてもよい。
　例えば、上記実施の形態において説明した処理は、単一の装置（システム）を用いて集中処理することによって実現してもよく、又は、複数の装置を用いて分散処理することによって実現してもよい。また、上記プログラムを実行するプロセッサは、単数であってもよく、複数であってもよい。すなわち、集中処理を行ってもよく、又は分散処理を行ってもよい。
　また、上記実施の形態において、制御部などの構成要素の全部又は一部は、専用のハードウェアで構成されてもよく、あるいは、各構成要素に適したソフトウェアプログラムを実行することによって実現されてもよい。各構成要素は、ＣＰＵ（Central Processing Unit）又はプロセッサなどのプログラム実行部が、ＨＤＤ（Hard Disk Drive）又は半導体メモリなどの記録媒体に記録されたソフトウェアプログラムを読み出して実行することによって実現されてもよい。
　また、制御部などの構成要素は、１つ又は複数の電子回路で構成されてもよい。１つ又は複数の電子回路は、それぞれ、汎用的な回路でもよいし、専用の回路でもよい。
　１つ又は複数の電子回路には、例えば、半導体装置、ＩＣ（Integrated Circuit）又はＬＳＩ（Large Scale Integration）などが含まれてもよい。ＩＣ又はＬＳＩは、１つのチップに集積されてもよく、複数のチップに集積されてもよい。ここでは、ＩＣ又はＬＳＩと呼んでいるが、集積の度合いによって呼び方が変わり、システムＬＳＩ、ＶＬＳＩ（Very Large Scale Integration）、又は、ＵＬＳＩ（Ultra Large Scale Integration）と呼ばれるかもしれない。また、ＬＳＩの製造後にプログラムされるＦＰＧＡ（Field Programmable Gate Array）も同じ目的で使うことができる。
　また、本開示の全般的又は具体的な態様は、システム、装置、方法、集積回路又はコンピュータプログラムで実現されてもよい。あるいは、当該コンピュータプログラムが記憶された光学ディスク、ＨＤＤ若しくは半導体メモリなどのコンピュータ読み取り可能な非一時的記録媒体で実現されてもよい。また、システム、装置、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。
　また、上記の各実施の形態は、請求の範囲又はその均等の範囲において種々の変更、置き換え、付加、省略などを行うことができる。
　本開示は、製造システムの不調の要因を特定することができる不調要因特定装置又は製造システムの不調の予兆を精度良く検知することができる不調予兆検知装置などとして利用でき、例えば、製品の製造システムの管理、分析及び保守などに利用することができる。
１　不調要因特定装置
１０　取得部
２０　算出部
３０　特定部
４０、１４０　出力部
５０、１５０　記憶部
５１　製造ログデータ
５２　寄与度データ
１０１、１０２、２０１、３０１　不調予兆検知装置
１２０、２２０、３２０　生成部
１３０　判定部
１５２　不良要因データ
１５３、２５３、３５３　検知モデル
２６０　選択部
３７０　決定部

Claims (14)

  1. 　順に実行される複数の工程の各々において製品毎に異なりうる１つ以上の製造状況下で各工程を行うことで、複数の製品を製造する製造システムの不調の要因を特定する不調要因特定装置であって、
    　工程毎の製造状況と製品の検査結果とを示すログ情報を、前記複数の製品の各々について含む製造ログデータを取得する取得部と、
    　前記取得部によって取得された製造ログデータを用いて、製品毎の検査結果を目的変数とし、製品毎の各工程の製造状況を説明変数とする統計分類処理を行うことで、前記製造システムの不調に対する分類精度への寄与度を製造状況毎に算出する算出部と、
    　前記算出部によって算出された製造状況毎の寄与度に基づいて、前記不調の要因である製造状況を特定する特定部と、
    　前記特定部によって特定された製造状況に基づく情報を出力する出力部とを備える
    　不調要因特定装置。
  2. 　前記製造システムの不調は、前記製造システムによって製造される製品が不良品になること、又は、前記製造システムによって製造される製品の製造時間に異常があることである
    　請求項１に記載の不調要因特定装置。
  3. 　順に実行される複数の工程の各々において製品毎に異なりうる１つ以上の製造状況下で各工程を行うことで、複数の製品を製造する製造システムの不調の予兆を検知する不調予兆検知装置であって、
    　工程毎の製造状況と製品の検査結果とを示すログ情報を、前記複数の製品の各々について含む製造ログデータを取得する取得部と、
    　前記取得部によって取得された製造ログデータを用いて、製品毎の検査結果を目的変数とし、製品毎の各工程の製造状況を説明変数とする統計分類処理を行うことで、前記製造システムの不調の予兆を検知するための検知モデルを生成する生成部と、
    　前記生成部によって生成された検知モデルに、製造途中の対象製品について実行済みの工程の製造状況を入力することで、前記製造システムの不調の予兆があるか否かを判定する判定部と、
    　前記判定部による判定結果に基づく情報を出力する出力部とを備える
    　不調予兆検知装置。
  4. 　さらに、
    　前記取得部によって取得された製造ログデータを用いて、製品毎の検査結果を目的変数とし、製品毎の各工程の製造状況を説明変数とする統計分類処理を行うことで、前記製造システムの不調に対する分類精度への寄与度を製造状況毎に算出する算出部と、
    　前記算出部によって算出された製造状況毎の寄与度に基づいて、前記不調の要因である製造状況を特定する特定部とを備え、
    　前記生成部は、前記特定部によって特定された製造状況を説明変数として前記統計分類処理を行う
    　請求項３に記載の不調予兆検知装置。
  5. 　前記生成部は、前記検知モデルを複数生成し、
    　前記不調予兆検知装置は、さらに、前記生成部によって生成された複数の検知モデルの評価を行い、評価結果に基づいて一の検知モデルを選択する選択部を備え、
    　前記判定部は、前記生成部によって生成され、かつ、前記選択部によって選択された検知モデルに、製造途中の対象製品について実行済みの工程の製造状況を入力することで、前記製造システムの不調の予兆があるか否かを判定する
    　請求項３又は４に記載の不調予兆検知装置。
  6. 　前記生成部は、説明変数として用いる製造状況の個数を互いに異ならせることで、前記複数の検知モデルを生成する
    　請求項５に記載の不調予兆検知装置。
  7. 　前記生成部は、前記複数の工程の行われる順序に従って、検知モデル毎に定められた個数の製造状況を説明変数として用いることで、前記複数の検知モデルを生成する
    　請求項５に記載の不調予兆検知装置。
  8. 　前記選択部は、前記複数の検知モデルの各々における前記不調の予兆の検知率の算出を前記評価として行い、算出された検知率が閾値以上の検知モデルを選択する
    　請求項５～７のいずれか１項に記載の不調予兆検知装置。
  9. 　前記選択部は、前記複数の検知モデルの各々における前記不調の予兆の検知率及び誤検知率と、前記不調の対策を行った場合の対応コストと、前記不調の対策を行わない場合の製品ロスによるロスコストとに基づいて、検知モデル毎に効果コストの算出を前記評価として行い、算出された効果コストが閾値以上の検知モデルを選択する
    　請求項５～７のいずれか１項に記載の不調予兆検知装置。
  10. 　前記生成部は、前記製造システムの不調の種別毎の検査結果を目的変数として前記統計分類処理を行うことで、前記検知モデルを不調の種別毎に生成し、
    　前記不調予兆検知装置は、さらに、前記生成部によって生成された複数の検知モデルの評価を行い、評価結果に基づいて一の不調の種別を決定する決定部を備え、
    　前記判定部は、前記決定部によって決定された種別の検知モデルに、製造途中の対象製品について実行済みの工程の製造状況を入力することで、前記製造システムの不調の予兆があるか否かを判定する
    　請求項３～９のいずれか１項に記載の不調予兆検知装置。
  11. 　前記決定部は、前記複数の検知モデルの各々における前記不調の予兆の検知率及び誤検知率と、前記不調の対策を行った場合の対応コストと、前記不調の対策を行わない場合の製品ロスによるロスコストとに基づいて、検知モデル毎に効果コストの算出を前記評価として行い、算出された効果コストが閾値以上の検知モデルの種別を決定する
    　請求項１０に記載の不調予兆検知装置。
  12. 　前記製造システムの不調は、前記製造システムによって製造される製品が不良品になること、又は、前記製造システムによって製造される製品の製造時間に異常があることである
    　請求項３～１１のいずれか１項に記載の不調予兆検知装置。
  13. 　順に実行される複数の工程の各々において製品毎に異なりうる１つ以上の製造状況下で各工程を行うことで、複数の製品を製造する製造システムの不調の要因を特定する不調要因特定方法であって、
    　工程毎の製造状況と製品の検査結果とを示すログ情報を、前記複数の製品の各々について含む製造ログデータを取得するステップと、
    　取得された製造ログデータを用いて、製品毎の検査結果を目的変数とし、製品毎の各工程の製造状況を説明変数とする統計分類処理を行うことで、前記製造システムの不調に対する分類精度への寄与度を製造状況毎に算出するステップと、
    　算出された製造状況毎の寄与度に基づいて、前記不調の要因である製造状況を特定するステップと、
    　特定された製造状況に基づく情報を出力するステップとを含む
    　不調要因特定方法。
  14. 　順に実行される複数の工程の各々において製品毎に異なりうる１つ以上の製造状況下で各工程を行うことで、複数の製品を製造する製造システムの不調の予兆を検知する不調予兆検知方法であって、
    　工程毎の製造状況と製品の検査結果とを示すログ情報を、前記複数の製品の各々について含む製造ログデータを取得するステップと、
    　取得された製造ログデータを用いて、製品毎の検査結果を目的変数とし、製品毎の各工程の製造状況を説明変数とする統計分類処理を行うことで、前記製造システムの不調の予兆を検知するための検知モデルを生成するステップと、
    　生成された検知モデルに、製造途中の対象製品について実行済みの工程の製造状況を入力することで、前記製造システムの不調の予兆があるか否かを判定するステップと、
    　判定結果に基づく情報を出力するステップとを含む
    　不調予兆検知方法。
PCT/JP2020/027675 2019-07-19 2020-07-16 不調要因特定装置、不調予兆検知装置、不調要因特定方法及び不調予兆検知方法 WO2021015093A1 (ja)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
US201962876585P 2019-07-19 2019-07-19
US62/876,585 2019-07-19
JP2019-186408 2019-10-09
JP2019186408 2019-10-09

Publications (1)

Publication Number Publication Date
WO2021015093A1 true WO2021015093A1 (ja) 2021-01-28

Family

ID=74193633

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/027675 WO2021015093A1 (ja) 2019-07-19 2020-07-16 不調要因特定装置、不調予兆検知装置、不調要因特定方法及び不調予兆検知方法

Country Status (1)

Country Link
WO (1) WO2021015093A1 (ja)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11436769B2 (en) 2019-10-30 2022-09-06 Kabushiki Kaisha Toshiba Visualized data generation device, visualized data generation system, and visualized data generation method
WO2022191091A1 (ja) * 2021-03-08 2022-09-15 株式会社ニチレイフーズ 食品検査システム、食品検査方法及びコンピュータプログラム
US11775512B2 (en) 2020-12-10 2023-10-03 Kabushiki Kaisha Toshiba Data analysis apparatus, method and system
WO2024070189A1 (ja) * 2022-09-26 2024-04-04 川崎重工業株式会社 要因分析装置及び要因分析方法
WO2024154723A1 (ja) * 2023-01-16 2024-07-25 東京エレクトロン株式会社 情報処理方法、コンピュータプログラム及び情報処理装置
US12061467B2 (en) 2021-08-19 2024-08-13 Kabushiki Kaisha Toshiba Data processing apparatus, data processing method, and storage medium storing program for determining an abnormality based on manufacturing data

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07253966A (ja) * 1994-01-28 1995-10-03 Mitsubishi Electric Corp 交互作用分析モデル式作成装置及び交互作用分析モデル式作成方法及びデータ解析装置
JP2006318263A (ja) * 2005-05-13 2006-11-24 Sharp Corp 情報分析システム、情報分析方法及びプログラム
JP2009258890A (ja) * 2008-04-15 2009-11-05 Sharp Corp 影響要因特定装置
JP2017090947A (ja) * 2015-11-02 2017-05-25 オムロン株式会社 製造プロセスの予測システムおよび予測制御システム
JP2019074969A (ja) * 2017-10-17 2019-05-16 新日鐵住金株式会社 品質予測装置及び品質予測方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH07253966A (ja) * 1994-01-28 1995-10-03 Mitsubishi Electric Corp 交互作用分析モデル式作成装置及び交互作用分析モデル式作成方法及びデータ解析装置
JP2006318263A (ja) * 2005-05-13 2006-11-24 Sharp Corp 情報分析システム、情報分析方法及びプログラム
JP2009258890A (ja) * 2008-04-15 2009-11-05 Sharp Corp 影響要因特定装置
JP2017090947A (ja) * 2015-11-02 2017-05-25 オムロン株式会社 製造プロセスの予測システムおよび予測制御システム
JP2019074969A (ja) * 2017-10-17 2019-05-16 新日鐵住金株式会社 品質予測装置及び品質予測方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11436769B2 (en) 2019-10-30 2022-09-06 Kabushiki Kaisha Toshiba Visualized data generation device, visualized data generation system, and visualized data generation method
US11775512B2 (en) 2020-12-10 2023-10-03 Kabushiki Kaisha Toshiba Data analysis apparatus, method and system
WO2022191091A1 (ja) * 2021-03-08 2022-09-15 株式会社ニチレイフーズ 食品検査システム、食品検査方法及びコンピュータプログラム
US12061467B2 (en) 2021-08-19 2024-08-13 Kabushiki Kaisha Toshiba Data processing apparatus, data processing method, and storage medium storing program for determining an abnormality based on manufacturing data
WO2024070189A1 (ja) * 2022-09-26 2024-04-04 川崎重工業株式会社 要因分析装置及び要因分析方法
WO2024154723A1 (ja) * 2023-01-16 2024-07-25 東京エレクトロン株式会社 情報処理方法、コンピュータプログラム及び情報処理装置

Similar Documents

Publication Publication Date Title
WO2021015093A1 (ja) 不調要因特定装置、不調予兆検知装置、不調要因特定方法及び不調予兆検知方法
JP5735499B2 (ja) 基板処理中に自動的に障害状態を検出及び分類するための方法及び装置
CN107923731B (zh) 工具故障分析系统和方法
KR101466798B1 (ko) 제조 공정에서의 제품 불량의 원인 설비를 탐지하는 방법 및 장치
US11054815B2 (en) Apparatus for cost-effective conversion of unsupervised fault detection (FD) system to supervised FD system
US11153144B2 (en) System and method of automated fault correction in a network environment
US20200125970A1 (en) Defect factor estimation device and defect factor estimation method
US20120016824A1 (en) Method for computer-assisted analyzing of a technical system
US11954131B2 (en) Time-series data processing method
CN115268350B (zh) 一种稳压变压器的故障预警方法及系统
US6618632B1 (en) Process for monitoring processing plants
CN118132999B (zh) Uv led电源的故障诊断方法、装置、设备及存储介质
WO2014199177A1 (en) Early warning and prevention system
JP7354421B2 (ja) エラー要因の推定装置及び推定方法
CN116897291B (zh) 用于半导体可靠性故障的z-pat缺陷导引统计异常值检测的系统及方法
Becherer et al. Intelligent choice of machine learning methods for predictive maintenance of intelligent machines
CN117689270B (zh) 电力设备生产过程质量管理改进方法、系统及存储介质
JP2011054804A (ja) 半導体製造装置の管理方法およびシステム
CN117763432A (zh) 通讯故障预测方法、装置、设备及存储介质
CN111382041B (zh) 一种故障检测、数据处理方法、装置及设备
US11763446B2 (en) Wafer bin map based root cause analysis
JP4051332B2 (ja) 検査データ解析システム
WO2021015094A1 (ja) 不良要因推定装置及び不良要因推定方法
Prill et al. Improving Maintenance Processes with Data Science: How Machine Learning Opens Up New Possibilities
US12007428B2 (en) Systems and methods for multidimensional dynamic part average testing

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20843149

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20843149

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: JP