WO2021025006A1 - 改善対策リコメンドシステム - Google Patents

改善対策リコメンドシステム Download PDF

Info

Publication number
WO2021025006A1
WO2021025006A1 PCT/JP2020/029778 JP2020029778W WO2021025006A1 WO 2021025006 A1 WO2021025006 A1 WO 2021025006A1 JP 2020029778 W JP2020029778 W JP 2020029778W WO 2021025006 A1 WO2021025006 A1 WO 2021025006A1
Authority
WO
WIPO (PCT)
Prior art keywords
improvement
production
database
measures
production line
Prior art date
Application number
PCT/JP2020/029778
Other languages
English (en)
French (fr)
Inventor
木村哲也
今井武晃
Original Assignee
ｉ Ｓｍａｒｔ Ｔｅｃｈｎｏｌｏｇｉｅｓ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 ｉ Ｓｍａｒｔ Ｔｅｃｈｎｏｌｏｇｉｅｓ株式会社 filed Critical ｉ Ｓｍａｒｔ Ｔｅｃｈｎｏｌｏｇｉｅｓ株式会社
Publication of WO2021025006A1 publication Critical patent/WO2021025006A1/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]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Definitions

  • the present invention relates to a system that recommends improvement measures for improving production efficiency in a production line that produces a product.
  • Patent Document 1 discloses a production control system that detects an operating state of a production line by a detection unit such as an optical sensor or a sound sensor that is retrofitted to the production line and manages the detection result by a management device. There is.
  • Patent Document 2 discloses a technique of obtaining a statistical value of a cycle time based on a detection signal detected from a production line and determining an actual cycle time using this statistical value. Further, from the viewpoint of improving the production efficiency, Patent Document 3 discloses a method of realizing a highly efficient production line by calculating the production efficiency for each equipment configuration in the design of the production line.
  • the present invention is an improvement measure recommendation system that recommends improvement measures for improving production efficiency in a production line that produces a product.
  • a production line database that defines one or more production facilities that make up the production line,
  • an item database that stores improvement measures in the production equipment and
  • An improvement database that stores the results of applying the improvement measures to the production equipment regardless of the production line,
  • it can be configured as an improvement measure recommendation system including an item recommendation unit that recommends improvement measures to be applied to the production equipment.
  • what kind of production equipment the production line is composed of is defined as a production line database.
  • the production equipment include processing machines such as milling machines and drilling machines, conveyor machines such as conveyors, and inspection machines.
  • improvement measures and their achievements are stored as an item database and an improvement database for each production facility. Then, referring to these databases, improvement measures for production equipment are recommended.
  • improvement measures for production equipment are recommended.
  • the item recommendation section is A learning model that gives candidates for improvement measures to actual results is generated in advance by machine learning based on the improvement database.
  • the learning model may be used to obtain improvement measures for the target improvement results.
  • the improvement measures By doing so, it is possible to obtain improvement measures by utilizing artificial intelligence.
  • artificial intelligence When selecting improvement measures based on past performance, it is desirable to consider various factors such as differences in production lines and the presence or absence of improvement measures already taken for specific production equipment. .. By using artificial intelligence, it is possible to realize selection that takes these factors into consideration.
  • the above-mentioned learning model can be generated in various modes. For example, in the improvement database, the improvement of production efficiency and other effects on the improvement measures are expressed by quantitative indexes, and by machine learning regression. It is conceivable to obtain a learning model. By doing so, it becomes possible to obtain improvement measures by inputting the "target improvement record" using the index used in the machine learning regression.
  • the item database classifies and stores each of the improvement measures into higher-level conceptualized groups.
  • the item recommendation unit may specify improvement measures in the group and present improvement measures belonging to the group.
  • An input unit that inputs the contents of the improvement measures in the form of natural language, along with the results of improvement measures for production equipment.
  • An improvement database that analyzes the input natural language to identify which group the input improvement measures belong to, classifies the improvement measures into the specified groups, and records them in the improvement database. It may be provided with a recording unit.
  • the classification into groups can be automatically performed, so that such adverse effects can be mitigated.
  • the classification can be performed by various methods. For example, for each group, characteristic keywords used to express improvement measures belonging to the group are registered in advance, and classification is performed based on the number or ratio of keywords appearing in the input natural language. It may be. Further, the relationship between these keywords and the group may be machine-learned and classified according to the learning model.
  • the item recommendation section stores specific improvement measures according to the production equipment for each group.
  • the item recommendation unit may belong to the specified group and present specific improvement measures according to the production equipment.
  • a production control index calculation unit for calculating a production control index representing production efficiency is provided.
  • the performance may be evaluated based on the improvement of the production control index.
  • the production control index is preferably calculated for each production facility, but is not necessarily limited to such a mode and may be calculated for the entire production line. Further, when a plurality of production control indexes are used, those calculated for each production facility and those calculated for the entire production line may be mixed.
  • the production control index can be arbitrarily set, and can be, for example, a movable rate and a cycle time.
  • the cycle time means the time required to produce one product.
  • the cycle time can be obtained, for example, by measuring the time interval at which the product is delivered from the production line (the cycle time thus obtained is hereinafter referred to as "actual measurement cycle time"). Further, it may be calculated by (operating time-stop time) of the production line / production quantity (sec) within the same time.
  • the operable time in this case is the operating time, and can be, for example, the operating time excluding the production stop time such as lunch break.
  • the mobilization rate is the percentage of time that the production line has been in operation, and can be calculated by various methods.
  • a method of accumulating the measured cycle times judged to be normal obtaining the operating time, which is the time when the production line is actually operated, and dividing this by the required time, which is the time required for the operation of the production line. That is, it may be calculated by operating time / required time ⁇ 100 (%).
  • the actually measured cycle time determined to be normal may be narrowed down to a predetermined reference value or less set at twice the average value among the actually measured cycle times.
  • a signal output indicating normal or abnormal may be detected from the production line, and the measured cycle time measured during the period when the normal signal is output or the abnormal signal is not output may be used.
  • the operating time may be calculated by multiplying the average value of the measured cycle times by the number of products produced, and the operating rate may be calculated using this.
  • the average value may be obtained by narrowing down the measured cycle times to those equal to or less than the predetermined reference value.
  • the movable rate may be calculated by (operating time-stop time) / operating time ⁇ 100 (%).
  • (operable time-stop time) may be calculated by detecting a signal output indicating normality or abnormality from the production line and integrating the output time indicating normality, or the output time indicating abnormality. May be calculated by integrating and subtracting from the operable time. It can also be calculated by (required time per piece x number of requests) / actual required time x 100 (%).
  • the actual required time is the time actually required to produce the required number of products.
  • the mobilization rate and the cycle time may be calculated multiple times during the operation of the production line.
  • the mobilization rate for example, the period from the start to the stop of the operation of the production line may be divided into a plurality of time zones, and the mobilization rate may be calculated for each time zone.
  • the time zone for calculation can be set arbitrarily and does not necessarily have to be continuous and does not have to be the same time width, but it is as short as possible in order to accurately grasp the operating state.
  • the width is preferable. Further, it is preferable to set the time width for calculating the mobilization rate based on the average continuous operation time and stop time of the production line, the stop interval, and the like.
  • the time width By setting the time width to include the operating state and the stopped state, it is possible to obtain the movable rate with high accuracy. Further, when the measured cycle time is used as the cycle time, it is obtained every time the product is produced.
  • the cycle time is calculated by (operable time-stop time) / production quantity (sec) within the same time, it can be calculated for each of a plurality of time zones as well as the mobilization rate.
  • the time zone division for calculating the mobility rate and the time zone division for calculating the cycle time do not necessarily have to match. When calculating for each time zone, the time zones may overlap.
  • the mobilization rate and cycle time at time 10:00 are calculated using the detection result of the time zone immediately before that, and the mobilization rate and cycle time at time 10:01 are calculated for the time zone immediately preceding 10 minutes. It may be calculated using the detection result.
  • the time zones for calculating the mobilization rate and the cycle time at both times have overlapping portions, but such settings may be acceptable.
  • these representative values may be used by statistical processing.
  • the representative value the mode value, the average value, etc. of the detected production control index can be adopted.
  • Outliers can be excluded by removing the predetermined number in descending order from the maximum value of the production control index and removing the predetermined number in ascending order from the minimum value.
  • the item recommendation section is Based on the production control index of the production line, the production equipment to which the improvement measures should be taken may be specified according to a predetermined rule, and then the improvement measures for the production equipment may be presented.
  • the target production equipment can be narrowed down in advance, and improvement measures can be efficiently determined.
  • the target production equipment can be narrowed down according to various rules. For example, among the production equipment constituting the production line, it may be determined that the lower the mobility, the greater the room for improvement, and such production equipment may be prioritized. In addition, priority may be given to production equipment that has a large number of past improvement measures.
  • the present invention can be configured not only as a configuration as an improvement measure recommendation system but also as an improvement measure recommendation method for presenting recommended improvement measures by a computer.
  • the present invention may further be configured as a computer program for causing a computer to present recommended improvement measures. Further, it may be configured as a recording medium that can be read by a computer that records such a computer program.
  • FIG. 1 is an explanatory diagram showing a configuration of an improvement measure recommendation system. It is a system that grasps the operating status of production equipment in factories and presents improvement measures to improve production efficiency.
  • the production line 10 is composed of one or more production facilities for producing products. Examples of production equipment include processing machines such as milling machines and drilling machines, conveyor machines such as conveyors, and inspection machines. Although one production line 10 is shown in FIG. 1, this system may target a plurality of production lines 10.
  • the sensor 11 is an assembly of sensors for detecting the operating state of the production line 10. It is preferable that it can be retrofitted to each production facility of the production line 10, but it is not limited to this.
  • the sensor 11 is provided with one that detects a pulse that is output each time the product is completed, one that detects whether the production equipment is operating or is in a stopped state, and the like.
  • one of the sensors 11 is a configuration in which a light source and a light receiving unit that receives light from this light source are provided at a position where the finished product passes, and the light is blocked each time the product passes. You may use it.
  • an optical sensor, a sound sensor, a heat sensor, a current sensor, a distance sensor, a pressure sensor, an acceleration sensor, a rotation speed sensor, and a humidity sensor that detect light, sound, vibration, and other information emitted when the production line 10 is in operation or stopped.
  • a pressure sensor, etc. can also be used.
  • the senor 11 may be a sensor 11 that detects a signal originally output by the production equipment.
  • the transmission device 12 transmits various signals detected by the sensor 11 to the improvement measure recommendation system 20. Transmission may be performed by wire or wireless. Further, the transmission timing can be set in various ways, and the transmission may be performed when the sensor 11 detects the timing, or the transmission may be performed after accumulating a predetermined amount.
  • the improvement measure recommendation system 20 is a system that presents improvement measures for improving production efficiency.
  • the signal from the sensor 11 will be used to objectively grasp the current state of the target production line 10.
  • the improvement measure recommendation system 20 is configured by software by installing a computer program that realizes various functional blocks shown in the figure on a computer provided with a CPU and a memory. Part or all of the functional blocks may be configured in hardware. Further, the improvement measure recommendation system 20 may be configured not only as a device that operates standalone, but also as a distributed system including a plurality of servers connected by a network.
  • the transmission / reception unit 21 transmits / receives a signal to / from the transmission device 12.
  • the input unit 22 inputs various conditions and instructions based on the operation of the keyboard, mouse, touch panel, etc. by the operator. For example, the designation of the production line 10 to be examined for the improvement measures, the target value of the production efficiency for determining the improvement measures, and the like are included.
  • the input unit 22 may be able to input conditions and instructions from another server or the like through the network, in addition to being operated by the operator.
  • the detection result database 31 stores the detection result detected by the sensor 11.
  • the production database 32 stores what kind of product was manufactured on the production line and what kind of production efficiency was in each production date.
  • the production line database 33 defines the production equipment that constitutes the production line.
  • the equipment database 34 stores the name, type, association with the sensor 11, the application record of improvement measures, and the like for the production equipment.
  • the improvement database 35 stores detailed information such as the contents of improvement measures applied to the production equipment and changes in production efficiency before and after the application. Every time an improvement measure is taken, the content is mainly input by the operator.
  • the item database 24 is an improvement measure for improving production efficiency, that is, a database for storing information about items. Items are categorized into higher-level conceptualized groups and stored. The data structure in each database will be described later. In addition, the number and contents of databases can be designed in various ways. For example, the database described above may be realized by a single database.
  • the production control index calculation unit 23 calculates the production control index based on the detection result stored in the detection result database 31.
  • the movable rate, the cycle time, the actual movable rate, and the actual cycle time are calculated. These production control indexes may be calculated in real time, or may be calculated based on past detection results.
  • the actual mobilization rate and the actual cycle time are representative values obtained by statistical processing of the mobilization rate and the cycle time, respectively.
  • the representative value for example, it may be the mode value among the calculation results of the movable rate and the cycle time to be processed. It can also be an average value. The average value may be calculated by excluding the value determined to be abnormal from the calculation results.
  • the improvement database recording unit 24 performs a process of recording the improvement measures taken for the production line 10 in the improvement database.
  • improvement measures are classified into higher-level conceptualized groups and recorded.
  • the improvement database recording unit 24 mainly functions to automatically perform this classification.
  • the item recommendation unit 25 analyzes the past application results stored in the improvement database 35 according to the target values of the mobility and the cycle time, and recommends improvement measures to realize the target.
  • the recommendation of improvement measures may be, for example, a method of analyzing the degree of improvement in the mobility and cycle time when the improvement measures are applied, and selecting the improvement measures that can achieve the target based on the analysis.
  • the item recommendation unit 25 may be configured by using artificial intelligence. For example, the past achievements stored in the detection result database 31 are used as learning data, each improvement measure in the item database 36 is used as an explanatory variable, and the mobilization rate and the actual results of the cycle time stored in the detection result database 31 are used as objective variables. Regression analysis can be performed, and the learning model obtained in this way can be used to obtain improvement measures according to the target mobility and cycle time.
  • the display control unit 27 functions to display the selected improvement measures.
  • the display is not limited to the one directly connected to the improvement measure recommendation system 20, but may be the screen of a computer connected via a network or the like.
  • various screens for supporting the improvement of production efficiency for example, a chart showing the relationship between the mobilization rate and the cycle time, may be displayed.
  • FIG. 2 is an explanatory diagram showing the structures of the production line database, the equipment database, and the improvement database.
  • the production line database 33 defines the production equipment that constitutes the production line.
  • the "production line ID” is the identification information of the production line.
  • equipment the production equipment constituting the production line 10 is listed.
  • the equipment ID (1) to the equipment ID (3) represent each production equipment.
  • the contents of each equipment ID are stored in the equipment database 34 described later.
  • the "sensor” is information on a sensor attached to the production line 10.
  • the “sensor ID” is the identification information of the sensor
  • the "name” is the name of the sensor
  • the "data type” is information indicating what kind of data is output from the sensor. This information will be stored as many as the number of sensors.
  • the production line database 33 stores the sensor information attached to the production line 10 itself. For example, a sensor that detects that a finished product is discharged at the end of a production line 10 corresponds to this.
  • “Production” represents the status of production performed on the production line 10, that is, the date, the product, the actual production efficiency, and the like. In this embodiment, it is represented by a production data ID (1), a production data ID (2), and the like. The contents corresponding to each production data ID are stored in the production database 32 described later. By referring to "production”, it is possible to confirm when and what kind of product was produced on the production line 10.
  • the equipment database 34 stores the name, type, association with the sensor 11, the application record of improvement measures, and the like for the production equipment.
  • the "equipment ID” is identification information of the production equipment.
  • the production line database 33 and the equipment database 34 are linked by the equipment ID.
  • "Name” is the name of the production equipment, and "type” is the type of production equipment such as milling machine and drilling machine.
  • the "sensor” stores the information of the sensor attached to the production equipment in the same format as shown in the production line database 33.
  • the “item” stores the item applied to the production equipment, that is, the result of improvement measures. In the example of the figure, it is represented by item ID (1), item ID (2), and the like.
  • the contents of each item ID are stored in the improvement database 35 described later.
  • the improvement database 35 stores detailed information such as the contents of improvement measures applied to production equipment and changes in production efficiency before and after application.
  • the "item ID” is identification information for each improvement measure.
  • the "production line ID” and “equipment ID” specify the production line and production equipment for which improvement measures have been taken.
  • the "date and time” is the date and time when the improvement measures were taken.
  • the “item code” is a code representing the content of improvement measures.
  • the contents of the item code are stored in the item database 36 described later.
  • “Content” is a description of the content of improvement measures in natural language. For example, the content such as "the origin is changed so that the stroke is shortened” is stored. "Improvement” remembers the effect of taking improvement measures.
  • the values of CT (cycle time) and mobilization rate before and after the application of the improvement measures are stored.
  • the information described as (line) represents the CT and the mobility of the entire production line
  • the information described as (equipment) represents the CT and the mobility of the production equipment. It is not necessary to store all of these CTs and mobility rates, but it is sufficient to store those that can be calculated.
  • “improvement” by applying the improvement measures, it is possible to grasp how the CT and the mobilization rate have changed as a whole production line or as a production facility alone.
  • FIG. 3 is an explanatory diagram showing the structure of the item database.
  • the item database 24 is an improvement measure for improving production efficiency, that is, a database for storing information about items. Items are categorized into higher-level conceptualized groups and stored. For example, the group of the superordinate concept of "distance shortening” includes “stroke shortening", “moving distance (device)” (meaning shortening the moving distance of the device), and “worker's leg movement”(worker's leg movement). A group of subordinate concepts such as “shortening the walking distance” and “moving the worker's hand” (meaning shortening the distance the worker moves) is stored.
  • each subconcept group specific improvement measures such as “changing the origin” (hereinafter referred to as “concrete examples”) are stored for each type of production equipment such as milling machines and drilling machines. There is. Codes are attached to each of the superordinate concept, the subordinate concept, and the specific example, and these codes are stored as “item codes” in the improvement database 35 described with reference to FIG. Further, in “Specific example”, a keyword used for determining which specific example the improvement measure described in natural language corresponds to is registered. For example, for a specific example of "changing the origin”, “origin”, “change”, and the like can be registered as keywords.
  • Keywords are not limited to the words included in the specific example of “changing the origin”, but variations that can be used to express the corresponding contents, that is, such as “reference point”, “correction”, and “adjustment”. It is preferable to register including various words.
  • FIG. 4 is an explanatory diagram showing the structure of the production database and the detection result database.
  • the production database 32 stores what kind of product was manufactured on the production line and what kind of production efficiency was in each production date.
  • the "production data ID” is identification information of individual production data.
  • the "date”, “production line ID”, and “product information” specify when, on which production line, and what was produced.
  • As “production efficiency”, CT (cycle time), target of mobility, and actual results are stored. By doing so, it becomes possible to grasp whether or not a certain production line has achieved the target CT and mobility.
  • the detection result database 31 stores the detection results detected by the sensor 11 every moment.
  • the "detection result ID" is unique identification information attached to each record of the detection result.
  • the “production data ID” is information that associates the detection result with the production database 32.
  • the “time” is the time when the detection result is detected.
  • the “sensor ID” is identification information that identifies the detected sensor 11.
  • the “sensor output” is the result detected by the sensor 11.
  • an individual detection result ID is attached to each, and a record in which different sensor IDs and sensor outputs are recorded is created. become. Therefore, for example, when the actual measurement cycle time is obtained based on the detection result, the record of the sensor ID corresponding to the sensor that detects the completion of the product is extracted from the detection result, and the time interval at which each output is made is obtained. Can be done. Similarly, when calculating other production control indexes, the corresponding output may be extracted from the detection result and calculated.
  • processing content for presenting the recommended improvement measures in the improvement measure recommendation system 20 will be described.
  • processing is performed after the fact using the detection result or the like stored in the detection result database 31 will be illustrated, but some or all of the processing will be performed in real time while receiving the information from the production line 10. It may be a thing.
  • FIG. 5 is a flowchart of the movable rate and cycle time calculation process.
  • the mobilization rate and cycle time are calculated as production control indicators that indicate production efficiency, and objectively determine the current production capacity of the production line 10 for which improvement measures are to be examined, the effects of applying the improvement measures, and the like. Calculated to figure out.
  • the process of FIG. 5 is a process mainly executed by the production management index calculation unit 23 in FIG. 1, and is a process executed by the CPU of the improvement measure recommendation system 20 in terms of hardware.
  • the improvement measure recommendation system 20 reads the detection result from the detection result database 31 (step S10).
  • the improvement measure recommendation system 20 extracts the production completion pulse of the product from the detection result, and acquires the actual measurement cycle time based on the time interval of this pulse (step S11). These extractions can be performed using, for example, a "sensor ID" for detecting the production completion pulse. Since the production completion pulse is output each time the product is produced, the actual measurement cycle time corresponding to each output time of the production completion pulse can be obtained.
  • the improvement measure recommendation system 20 calculates the average cycle time using the actually measured cycle time equal to or less than the reference value among the obtained actually measured cycle times (step S12).
  • the reference value can be set in various ways, but in this embodiment, twice the assumed cycle time set based on the average value of the past cycle times or the most frequent occurrence value is used as the reference value.
  • the actual measurement cycle time equal to or less than the reference value, it is possible to obtain the average value excluding those whose actual measurement cycle time is apparently abnormally long due to the stoppage of the production line or the like.
  • the average cycle time the calculated value at the time corresponding to each measured cycle time can be obtained.
  • the improvement measure recommendation system 20 then acquires the number of production (step S13).
  • the number of production is the cumulative number of production up to the time when the above-mentioned average cycle time is calculated. For the number of production, add the one corresponding to the measured cycle time below the standard value.
  • the improvement measure recommendation system 20 calculates the operating time at the time corresponding to each actual measurement cycle time (step S14).
  • the operating time is calculated by multiplying the average cycle time by the number of products produced.
  • the operating time means the time when the production line was actually in operation to produce the product.
  • the operating time may be obtained by integrating the measured cycle times below the reference value.
  • the improvement measure recommendation system 20 calculates the required time (step S15).
  • the required time means the time that the production line is originally required to operate continuously. In this embodiment, it was calculated by "elapsed time after the start of operation-stop time scheduled during that period".
  • the scheduled stop time corresponds to, for example, a lunch break.
  • the improvement measure recommendation system 20 calculates the mobility rate based on the value thus obtained (step S16).
  • the mobilization rate can be calculated by the movability time / required time ⁇ 100.
  • the method of calculating the mobilization rate and the cycle time is not limited to the above method.
  • the time when the production line is operating is divided into several time zones, and the downtime when the production line is stopped for some reason is obtained in each time zone, and the mobilization rate is (of the time zone). It may be calculated by time width-stop time) / (time width of time zone) ⁇ 100%. Further, the number of products produced in this time zone may be obtained, and the cycle time may be obtained by (time width of time zone-stop time) / number of production.
  • the mobilization rate and cycle time can be calculated by various other methods.
  • the improvement measure recommendation system 20 saves the calculation result (step S17) and ends the mobility rate and cycle time calculation process.
  • FIG. 6 is a flowchart of the actual movable rate and the actual cycle time calculation process. Since the mobilization rate and the cycle time are values that change from moment to moment and may be difficult to handle when considering improvement measures, the actual mobilization rate and the actual cycle time are calculated as representative values of these.
  • the process of FIG. 6 is a process mainly executed by the production management index calculation unit 23 in FIG. 1, and is a process executed by the CPU of the improvement measure recommendation system 20 in terms of hardware.
  • the improvement measure recommendation system 20 reads the calculation results of the movable rate and the cycle time (step S20). Then, the actual cycle time is calculated by statistical processing (step S21).
  • the calculation method of the actual cycle time is shown in the figure. The cycle time fluctuates due to various factors during production.
  • the graph shown in the figure shows the probability density function when the fluctuating cycle time is regarded as a continuous function.
  • the probability density function has a maximum value at any cycle time.
  • the cycle time that becomes the maximum value is adopted as the actual cycle time.
  • the cycle time having the maximum frequency may be set as the actual cycle time.
  • the actual cycle time may use an average value, a median value, or the like.
  • the improvement measure recommendation system 20 then calculates the actual mobilization rate by statistical processing (step S22).
  • the actual mobilization rate can also be obtained by the same statistical processing as the actual cycle time.
  • the above-mentioned maximum value is adopted as the actual cycle time, it is not always necessary to use the maximum value for the actual mobilization rate, and the average value or the median value may be used.
  • the improvement measure recommendation system 20 saves the calculation result (step S23) and ends the actual mobilization rate and the actual cycle time calculation process.
  • the calculated actual mobilization rate and actual cycle time will be used for displaying the points p1 and p2 on the chart (FIG. 3).
  • FIG. 7 is a flowchart of the improved database recording process. Every time improvement measures are taken for the production equipment, the contents are input to the improvement database 35 in natural language, so this is a process of analyzing the contents and attaching an item code.
  • the process of FIG. 7 is a process mainly executed by the improvement database recording unit 24 in FIG. 1, and is a process executed by the CPU of the improvement measure recommendation system 20 in terms of hardware.
  • the improvement measure recommendation system inputs the production line ID, the equipment ID, and the date and time as the information for identifying the target to which the improvement measure is applied (step S30). This information may be entered by the operator.
  • the improvement content is read based on the operation of the operator (step S31).
  • the content of the improvement is input in natural language, such as "changed the position of the origin".
  • the improvement measure recommendation system analyzes this content by the procedure shown below, identifies which group of the item database 36 shown in FIG. 2 belongs to, and attaches a code corresponding to the improvement content.
  • the improvement measure recommendation system arbitrarily selects a superordinate concept and a subordinate concept to be classified (step S32).
  • keywords corresponding to the type of the target production equipment are extracted (step S33), and the appearance rate of the keywords in the improvement content is calculated for each subordinate concept (step S34).
  • the appearance rate can be calculated by the number of keywords / the total number of words.
  • the improvement measure recommendation system selects the concept having the highest appearance rate among them (step S36). It is considered that the selected combination of superordinate concept / subordinate concept is most likely to belong to the content of the input countermeasure.
  • the improvement measure recommendation system compares the appearance rate for the selected concept with a predetermined threshold Th.
  • the threshold value Th is a reference value for determining the suitability of the analyzed result, and can be arbitrarily set in the range of 0 to 100%.
  • the improvement measure recommendation system puts the result in the improvement database. End the process without storing. In this case, an error or the like may be displayed and the operator may be entrusted with the selection of the superordinate concept / subordinate concept.
  • the appearance rate is larger than the threshold Th, it is judged that the analysis result is appropriate.
  • the improvement measure recommendation system records the item code corresponding to the obtained superordinate concept / subordinate concept in the improvement database.
  • the production control index before and after the application of the improvement measures that is, CT (cycle time) and mobilization rate are acquired and recorded in the improvement database.
  • the input improvement content is added to the item database as a new specific example (step S39).
  • the improvement measure recommendation system analyzes the content of the improvement measure and attaches an item code, so that there is an advantage that the accuracy can be maintained.
  • the item code may be assigned by using artificial intelligence in addition to the above analysis.
  • a method can be adopted in which the relationship between the above-mentioned keywords and the group of superordinate concepts / subordinate concepts is machine-learned and classified according to the learning model.
  • FIG. 8 is a flowchart of the recommendation process. This is a process that recommends improvement measures to improve the production efficiency of the production line.
  • the process of FIG. 8 is a process mainly executed by the item recommendation unit 25 in FIG. 1, and is a process executed by the CPU of the improvement measure recommendation system 20 in terms of hardware.
  • the improvement measure recommendation system inputs the production line ID corresponding to the production line 10 that recommends the improvement measure, and the target value of the production management index (step S40). These data may be indicated by the operator.
  • the improvement measure recommendation system refers to the target production line database 33, identifies the production equipment constituting the production line 10, and narrows down the target equipment to which the improvement measure should be taken (step). S41). In this embodiment, it was decided to select the equipment in which the mobility (equipment) ⁇ the mobility (target) and the equipment having a large CT (equipment). All of these conditions are considered to be that the lower the production control index is, the more room for improvement by improvement measures is considered, and that the production control index in the production facility affects the production control index of the entire production line. It is a condition set in consideration of. It should be noted that the narrowing down in this process may be performed within the possible range.
  • CT equipment
  • the condition that "CT (equipment) is large” may be omitted, or CT (equipment) has been acquired. Judgment may be made only for the production equipment that exists. The same applies to the mobility rate.
  • CT equipment
  • Judgment may be made only for the production equipment that exists. The same applies to the mobility rate.
  • narrowing down is not an essential process, and it is okay to omit it. Further, in narrowing down, it is not always necessary to narrow down to one production facility, and it may be narrowed down to two or more production facilities.
  • the improvement measure recommendation system reads the improvement database (step S42) and specifies the item code that can achieve the improvement degree of the production management index for each production facility (step S43).
  • CT and mobilization rate before and after the improvement measures are recorded as the results of the improvement measures. Therefore, it is sufficient to extract the improvement results in which the change before and after application exceeds the specified target, and specify the corresponding item code. If there are a plurality of applicable improvement results, one of them may be selected based on various rules. For example, the improvement record with the highest effect may be selected. When the corresponding improvement results are classified by item code, the item code that becomes the largest number may be selected. You may select the one that does not make a big difference in the improvement degree of CT and the mobility, that is, the improvement results that are well-balanced between the two companies.
  • the improvement measure recommendation system refers to the item database 36 in FIG. 3 and corresponds to the target production equipment from the specific examples belonging to the superordinate concept / subordinate concept corresponding to the item code. Is selected and presented (step S44). That is, at this point, improvement measures taken in the past, such as "changing the origin", are presented in natural language. By presenting the improvement measures corresponding to the production equipment in natural language in this way, there is an advantage that the operator can easily understand the contents of the improvement measures. The contents of the superordinate concept and the subordinate concept may be shown according to the contents of the improvement measures.
  • FIG. 9 is a flowchart of the learning model generation process and the recommendation process.
  • the process of FIG. 9 is a process mainly executed by the item recommendation unit 25 in FIG. 1, and is a process executed by the CPU of the improvement measure recommendation system 20 in terms of hardware.
  • a learning model generation process for use in the recommendation process is performed. This process is shown on the left side of the figure.
  • the learning model generation process may be executed at a timing independent of the timing at which the recommendation process is executed.
  • the improvement measure recommendation system reads the improvement database (step S50).
  • machine learning regression is performed for each target production facility (step S51). Machine learning regression can be performed, for example, by using the item code of improvement measures applied to the production equipment or another item code already applied as an explanatory variable and the degree of improvement of the production control index as the objective variable. it can.
  • the effect of the improvement measures is considered to be affected by the presence or absence of the improvement measures that have already been applied, but according to this method, it is possible to perform machine learning after considering the improvement measures that have already been applied. ..
  • the improvement measure recommendation system saves the obtained learning model (step S52).
  • the learning model will be generated for each type of production equipment.
  • the improvement measure recommendation system inputs the production line ID and the target value of the production management index (step S55). Then, the target equipment is narrowed down (step S56). The method of this narrowing down is the same as that described in step 41 of FIG. Next, the item code corresponding to the degree of improvement of the production management index is specified by using the learning model corresponding to the target production equipment (step S57).
  • the equipment database 34 is referred to to identify the improvement measures already taken for the target production equipment, and then the item code of the improvement measures to be applied by the learning model is specified.
  • the improvement measure recommendation system presents a specific example corresponding to the production equipment (step S58). This process is the same as step S44 of FIG.
  • the improvement measure recommendation system of the embodiment described above it is possible to recommend the improvement measure to be taken on the production line based on the past application results of the improvement measure.
  • the application results of improvement measures are stored for each production facility constituting the production line, there is an advantage that the past application results can be utilized regardless of whether or not the production line configurations are the same.
  • the recommendation processing of the embodiment there is an advantage that the analysis can be facilitated by grouping the improvement measures into the upper concept / lower concept.
  • the present invention can be used to present improvement measures for improving production efficiency in a production line that produces a product.
  • Production line 11 Sensor 12 Transmitter 20 Improvement measures Recommendation system 21 Transmission / reception unit 22 Input unit 31 Detection result database 32 Production database 33 Production line database 34 Equipment database 35 Improvement database 36 Item database 23 Production control index calculation unit 24 Improvement database recording unit 25 Item recommendation section 26 Display control section

Landscapes

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

Abstract

【課題】　生産ラインにおける生産効率の向上をするための改善対策をリコメンドする。 【解決手段】　改善対策リコメンドシステム２０は、生産ライン１０を構成する生産設備単位で、過去における改善対策の適用およびそれによる生産効率向上の実績を改善データベース３５として記憶している。また、生産ライン１０の生産効率はセンサ１１の出力等によって客観的に把握している。オペレータが、生産ライン１０の改善目標を指示すると、改善対策リコメンドシステム２０は、改善データベース３５を参照して、解析により、または機械学習を利用して、適用が推奨される改善対策を特定する。　こうすることにより、適切な改善対策を容易に知ることが可能となる。

Description

改善対策リコメンドシステム
　本発明は、製品を生産する生産ラインにおいて生産効率の向上を図るための改善対策をリコメンドするシステムに関する。
　製品を生産する生産ラインにおいては、製品を生産する効率、即ち生産効率を向上することが求められ、その前提として、現状での生産効率を把握することが求められる。生産効率は、時間当たりの製品の生産個数、即ち時間当たりの出来高と言うこともできる。近年、生産ラインの稼働状態を客観的に把握するために、生産ラインに種々のセンサを取り付けてその稼働状態を検出することが試みられている。
　例えば、特許文献１は、生産ラインに後付けで取り付けられた光センサ、音センサなどの検出部によって、生産ラインの稼働状態を検出し、検出結果を管理装置で管理する生産管理システムを開示している。特許文献２は、生産ラインから検出された検出信号に基づいてサイクルタイムの統計値を求め、この統計値を用いて実際のサイクルタイムを決定する技術を開示している。また、生産効率の向上という観点から、特許文献３は、生産ラインの設計において、設備構成ごとに生産効率を計算することにより、効率の高い生産ラインを実現する方法について開示している。
特開２０１８－３２３９６号公報 特開２０１８－１８５６５３号公報 特開平８－７７２４７号公報
　しかし、従来、生産ラインの稼働状態が把握できたとしても、生産効率を向上するための改善対策を検討することは容易ではなく、永年の経験が頼りとなっていた。また、過去における種々の改善対策による生産効率の向上実績をデータベース化し、これに基づいて改善対策を検討する方法も想定することも可能ではあるが、生産ラインは、多様であるため、これをデータベース化することが容易ではなく、従って、過去の実績を十分に活かすことも容易ではなかった。
　本発明は、かかる課題に鑑み、生産ラインにおける生産効率の向上を図るために過去の実績に基づいて推奨する改善対策を提示可能とすることを目的とする。
　本発明は、製品を生産する生産ラインにおいて、生産効率を向上するための改善策をリコメンドする改善対策リコメンドシステムであって、
　前記生産ラインを構成する１または複数の生産設備を定義する生産ラインデータベースと、
　前記生産効率を改善するため、前記生産設備における改善対策を記憶するアイテムデータベースと、
　生産ラインを問わず前記改善対策を前記生産設備に施した実績を記憶する改善データベースと、
　前記アイテムデータベースおよび改善データベースを参照して、前記生産設備に対して適用すべき改善対策を推奨するアイテムリコメンド部
とを備える改善対策リコメンドシステムとして構成することができる。
　本発明では、生産ラインが、どのような生産設備によって構成されるかを生産ラインデータベースとして定義する。ここで、生産設備としては、例えば、フライス盤、ボール盤などといった加工機械、コンベヤなどの搬送機械、および検査機械などが挙げられる。また、改善対策およびその実績は、生産設備に分けてアイテムデータベース、改善データベースとして記憶されている。そして、これらのデータベースを参照して、生産設備に対する改善対策を推奨する。
　このように生産ラインを生産設備に細分化して、改善対策、およびその実績を管理することにより、生産ラインが同一か否かを問わず、過去の実績を活用して改善対策を決めることが可能となる。
　例えば、フライス盤を用いた生産ラインＡの改善対策を考える場合、仮に、生産ライン単位で過去の実績を蓄積していたとすれば、生産ラインＡと同様の構成を有する生産ラインにおける実績しか活用することができず、適正な改善対策を推奨することが難しくなる。これに対し、本発明では、フライス盤という生産設備に対して改善対策の実績が管理されることになるため、生産ライン全体としての構成は異なっていたとしても、フライス盤を含む限り、他の生産ラインにおける実績も活用可能となる。従って、多くの実績を活用して、適切な改善対策を推奨すること、即ちリコメンドすることが可能となる。
　本発明において、
　前記アイテムリコメンド部は、
　　予め前記改善データベースに基づく機械学習により、実績に対して改善対策の候補を与える学習モデルを生成しておき、
　　前記学習モデルを用いて、目標とする改善の実績に対する改善対策を得るものとしてもよい。
　こうすることにより、人工知能を利用して改善対策を得ることができる。過去の実績に基づいて、改善対策を選択する場合、生産ラインにおける相違や、特定の生産設備に対して既に施された改善対策の有無など、多様な要素を考慮して選択することが望まれる。人工知能を利用することにより、こうした要素を考慮した選択を実現することが可能となる。
　上述の学習モデルは、種々の態様で生成することが可能であるが、例えば、改善データベースにおいては、改善対策に対して生産効率の向上その他の効果を定量的な指標で表し、機械学習回帰によって学習モデルを得ることが考えられる。こうすることにより、「目標とする改善の実績」を機械学習回帰で用いた指標で入力することにより、改善対策を得ることが可能となる。
　本発明においては、
　前記アイテムデータベースは、それぞれの前記改善対策を、上位概念化したグループに分類して記憶しており、
　前記アイテムリコメンド部は、前記グループで改善対策を特定するとともに、該グループに属する改善対策を提示するものとしてもよい。
　発明者の検討によれば、具体的な改善対策は生産設備によって異なり、また、一つの生産設備においても多様な改善対策がとり得るものの、これらの改善対策は、いくつかの上位概念でまとめて整理できることがわかった。かかる上位概念としては、例えば、移動距離・動作距離の短縮、速度向上、複数作業の並行実施、待ち時間の短縮、作業性の向上（例えば、ガイドを利用することにより位置決めを容易にできるようにすることなどが含まれる）、動作の必然性の見直し（例えば、油の塗布の必然性を見直し、これを省略することなどが含まれる）、短時間の停止（いわゆる「チョコ停」）の抑制、付帯作業の抑制などが挙げられる。
　このように上位概念化したグループに分類して改善対策を記憶しておくことにより、改善対策の検索効率を向上させることができる。また、機械学習を利用する場合においても、一つのグループに属する実績が増えることになるから、学習精度を向上させることができる。
　さらに、上記態様では、改善対策を提示する場合には、上位概念化した抽象的な表現ではなく、各グループに属する具体的な改善対策を提示することができる利点もある。
　上述の通り、上位概念化したグループを利用する場合、
　生産設備に対する改善対策による実績とともに、該改善対策の内容を、自然言語の形で入力する入力部と、
　前記入力された自然言語を解析して、入力された改善対策が、いずれのグループに属するかを特定するとともに、該改善対策を、特定されたグループに分類して前記改善データベースに記録する改善データベース記録部を備えるものとしてもよい。
　改善対策の実績を記録する場合、上位概念化したグループに分類することは容易ではない。また、記録を行う作業者の解釈の相違によって、グループへの分類が不正確になることもある。
　上記態様によれば、改善対策を自然言語で入力すれば、自動的にグループへの分類を行うことができるため、こうした弊害を緩和することができる。
　ここで、分類は、種々の方法で行うことができる。例えば、予めグループごとに、当該グループに属する改善対策の表現に用いられる特徴的なキーワードを登録しておき、入力された自然言語の中に出現するキーワードの数または割合に基づいて分類を行うようにしてもよい。また、こうしたキーワードと、グループとの関係を機械学習しておき、その学習モデルによって分類するようにしてもよい。
　上位概念化したグループを利用する場合、
　前記アイテムリコメンド部は、前記グループごとに、生産設備に応じた具体的な改善対策を記憶しており、
　前記アイテムリコメンド部は、特定された前記グループに属し、前記生産設備に応じた具体的な改善対策を提示するものとしてもよい。
　こうすることにより、生産設備に対して、改善対策を施すことが容易となる利点がある。
　上位概念化したグループを用いるか否かに依らず、本発明においては、
　前記生産ラインまたは前記生産設備について、生産効率を表す生産管理指標を算出する生産管理指標算出部を備え、
　前記実績は、前記生産管理指標の向上に基づいて評価されるものとしてもよい。
　こうすることにより、改善対策による効果を、生産管理指標に基づいて客観的に把握することができ、その結果、より適切な改善対策が推奨可能となる。
　生産管理指標は、生産設備ごとに算出することが好ましいが、必ずしも、かかる態様に限らず、生産ライン全体に対して算出してもよい。また、複数の生産管理指標を用いる場合、生産設備ごとに算出するものと、生産ライン全体に対して算出するものが混在してもよい。
　ここで生産管理指標は、任意に設定することができるが、例えば、可動率、サイクルタイムとすることができる。
　サイクルタイムとは、製品を１個生産するために要した時間を意味する。サイクルタイムは、例えば、生産ラインから製品が繰り出される時間間隔を計測することで求めることができる（こうして得られるサイクルタイムを以下、「実測サイクルタイム」という）。また、生産ラインの（稼働可能時間－停止時間）／同時間内の生産個数（ｓｅｃ）によって算出してもよい。この場合の稼働可能時間とは、稼働すべき時間であり、例えば、操業時間から昼休みなどの生産停止時間を除いた時間とすることができる。
　可動率とは、生産ラインが稼働していた時間割合であり、種々の方法によって算出することができる。例えば、正常と判断される実測サイクルタイムを積算して、生産ラインが実際に運転された時間である可動時間を求め、これを生産ラインの運転が要求されている時間である要求時間で割る方法、即ち、可動時間／要求時間×１００（％）で算出してもよい。正常と判断される実測サイクルタイムは、現実に計測された実測サイクルタイムのうち、平均値の２倍などで設定された所定の基準値以下のものに絞っても良い。また、生産ラインから正常もしくは異常を示す信号出力を検出し、正常信号が出力されているもしくは異常信号が出力されていない期間に計測された実測サイクルタイムを用いるようにしてもよい。　また、実測サイクルタイムの平均値×生産数によって　可動時間を求め、これを用いて可動率を算出してもよい。この場合も、実測サイクルタイムのうち所定の基準値以下のものに絞って平均値を求めるようにしてもよい。
　この他、可動率は、（稼働可能時間－停止時間）／稼働可能時間×１００（％）で算出してもよい。この場合、（稼働可能時間－停止時間）は、生産ラインから正常もしくは異常を示す信号出力を検出し、正常を示す出力時間を積算する方法で算出してもよいし、または異常を示す出力時間を積算し稼働可能時間から減算する方法で算出してもよい。
また、（１個当たりの所要時間×要求数）／実績所要時間×１００（％）で求めることもできる。ここで、実績所要時間とは、要求数の製品を生産するために実際に要した時間である。
　可動率およびサイクルタイムは、生産ラインの運転中に複数回にわたって算出してもよい。
　可動率は、例えば、生産ラインの運転を開始してから停止するまでの期間を、複数の時間帯に区分し、それぞれの時間帯ごとに可動率を算出するようにしてもよい。算出するための時間帯は、任意に設定可能であり、必ずしも連続である必要はなく、また同一の時間幅である必要もないが、稼働状態を精度良く把握するためには、できる限り短い時間幅とすることが好ましい。また、可動率を算出するための時間幅は、生産ラインの平均的な連続稼働時間や停止時間、停止の間隔などに基づいて設定することが好ましい。稼働状態、停止状態を包含し得る時間幅に設定しておくことにより、可動率を精度良く得ることが可能となる。
　また、サイクルタイムとして、実測サイクルタイムを利用する場合には、製品が生産される度に得られることになる。サイクルタイムを、（稼働可能時間－停止時間）／同時間内の生産個数（ｓｅｃ）によって算出する場合には、可動率と同様、複数の時間帯ごとに算出することができる。可動率を算出するための時間帯の区分と、サイクルタイムを算出するための時間帯の区分は、必ずしも一致している必要はない。
　時間帯ごとに算出する場合、時間帯は、重複していても構わない。例えば、時刻１０：００における可動率とサイクルタイムを、その直前１０分の時間帯の検出結果を用いて算出し、時刻１０：０１における可動率とサイクルタイムを、その直前１０分の時間帯の検出結果を用いて算出するというようにしてもよい。この場合、両時刻における可動率およびサイクルタイムを算出するための時間帯は、重複部分を有することになるが、かかる設定も差し支えない。
　生産管理指標は、時刻に応じてバラツキが生じるのが通常であるため、統計処理によりこれらの代表値を用いるようにしてもよい。
　代表値としては、検出された生産管理指標の最頻値、平均値などを採用することができる。平均値を算出する際には、検出された生産管理指標の中から異常値と判断されるものを除外した上で行うことがより好ましい。異常値の除外は、生産管理指標の最大値から大きい順に所定数を除くとともに、最小値から小さい順に所定数を除く方法をとることができる。
　本発明において、
　前記アイテムリコメンド部は、
　　前記生産ラインの生産管理指標に基づいて、所定の規則により、前記改善対策を施すべき前記生産設備を特定した上で、該生産設備に対する改善対策を提示するものとしてもよい。
　こうすることにより、予め対象とする生産設備を絞り込むことができ、効率的に改善対策を決めることが可能となる。
　対象とする生産設備の絞り込みは、種々の規則で行うことができる。例えば、生産ラインを構成する生産設備の中で、可動率が低いものほど改善の余地が大きいと判断し、かかる生産設備を優先してもよい。また、過去の改善対策の実績が多数ある生産設備を優先してもよい。
　本発明においては、上述した種々の特徴を必ずしも全て備えている必要はなく、適宜、その一部を省略したり、組み合わせたりして構成してもよい。
　本発明は、改善対策リコメンドシステムとしての構成だけでなく、コンピュータによって、推奨する改善対策を提示する改善対策リコメンド方法として構成することもできる。本発明は、さらに、推奨する改善対策の提示をコンピュータに実行させるためのコンピュータプログラムとして構成してもよい。また、かかるコンピュータプログラムを記録したコンピュータが読み取り可能な記録媒体として構成してもよい。
改善対策リコメンドシステムの構成を示す説明図である。 生産ラインデータベース、設備データベース、改善データベースの構造を示す説明図である。 アイテムデータベースの構造を示す説明図である。 生産データベース、検出結果データベースの構造を示す説明図である。 可動率、サイクルタイム算出処理のフローチャートである。 実可動率、実サイクルタイム算出処理のフローチャートである。 改善データベース記録処理のフローチャートである。 リコメンド処理のフローチャートである。 学習モデル生成処理およびリコメンド処理のフローチャートである。
Ａ．システム構成：
　図１は、改善対策リコメンドシステムの構成を示す説明図である。工場における生産装置の稼働状態を把握し、生産効率を向上するための改善対策を提示するシステムである。
　生産ライン１０は、製品を生産するための一または複数の生産設備によって構成される。生産設備としては、例えば、フライス盤、ボール盤などといった加工機械、コンベヤなどの搬送機械、および検査機械などが挙げられる。図１では、一つの生産ライン１０を示したが、本システムは、複数の生産ライン１０を対象としてもよい。
　センサ１１は、生産ライン１０の稼働状態を検出するためのセンサの集合体である。生産ライン１０の各生産設備に後付けできるものが好ましいが、それに限られる訳ではない。センサ１１としては、製品が完成する度に出力するパルスを検出するもの、生産設備が稼働しているのか、停止状態にあるのかを検出するもの等が設けられる。例えば、完成した製品が通過する位置に光源と、この光源からの光を受光する受光部とを設け、製品が通過する度に光りが遮断されるのを検出する構成をセンサ１１の一つとして用いてもよい。また、生産ライン１０が稼働中または停止に発する光、音、振動その他の情報を検出する光センサ、音センサ、熱センサ、電流センサ、距離センサ、気圧センサ、加速度センサ、回転速度センサ、湿度センサ、圧力センサなどを利用することもできる。また、生産設備が本来出力する信号を検出するものをセンサ１１としてもよい。
　送信装置１２は、センサ１１で検出された種々の信号を、改善対策リコメンドシステム２０に送信する。送信は、有線、無線のいずれで行っても良い。また、送信のタイミングも種々の設定が可能であり、センサ１１で検出した時点で送信するようにしてもよいし、所定量を蓄積した上で送信するようにしてもよい。
　改善対策リコメンドシステム２０は、生産効率を向上させる改善対策を提示するシステムである。センサ１１からの信号は、対象となる生産ライン１０の現状を客観的に把握するために利用されることになる。本実施例では、改善対策リコメンドシステム２０は、ＣＰＵ、メモリを備えるコンピュータに、図示する種々の機能ブロックを実現するコンピュータプログラムをインストールすることによってソフトウェア的に構成した。機能ブロックの一部または全部をハードウェア的に構成してもよい。また、改善対策リコメンドシステム２０は、スタンドアロンで稼働する装置としての構成だけでなく、ネットワークで接続された複数のサーバ等からなる分散システムとして構成してもよい。
　以下、各機能ブロックについて説明する。
　送受信部２１は、送信装置１２との間で信号の送受信を行う。
　入力部２２は、オペレータによるキーボード、マウス、タッチパネル等の操作等に基づき、種々の条件や指示を入力する。例えば、改善対策を検討する対象となるべき生産ライン１０の指定や、改善対策を決めるための生産効率の目標値などが含まれる。入力部２２は、オペレータの操作による他、ネットワークを通じて、他のサーバ等から条件や指示を入力可能としてもよい。
　改善対策リコメンドシステム２０には、以下に述べる種々のデータベースが用意されている。
　検出結果データベース３１は、センサ１１で検出された検出結果を記憶する。
　生産データベース３２は、生産ラインにおいて、どのような製品が製造され、その生産効率はどのような状態であったかを、生産の日付ごとに記憶する。
　生産ラインデータベース３３は、生産ラインを構成する生産設備を定義する。
　設備データベース３４は、生産設備について、名称、種別、センサ１１との対応づけ、改善対策の適用実績などを記憶する。
　改善データベース３５は、生産設備に対して適用された改善対策の内容や、適用前後の生産効率の変化など、詳細な情報を記憶する。改善対策を施す度に、主としてオペレータによってその内容が入力されることになる。
　アイテムデータベース２４は、生産効率向上のための改善対策、即ちアイテムについての情報を記憶するデータベースである。アイテムは上位概念化されたグループに分類して、記憶されている。
　各データベースにおけるデータ構造については、後述する。また、データベースの数および内容は、種々の設計が可能である。例えば、上述したデータベースは、単一のデータベースで実現しても差し支えない。
　生産管理指標算出部２３は、検出結果データベース３１に記憶されている検出結果に基づいて、生産管理指標を算出する。本実施例では、可動率、サイクルタイム、実可動率、実サイクルタイムを算出するものとした。これらの生産管理指標は、リアルタイムに算出してもよいし、過去の検出結果に基づいて算出するものとしてもよい。
　実可動率、実サイクルタイムは、それぞれ可動率およびサイクルタイムの統計処理によって得られる代表値である。代表値としては、例えば、処理対象となる可動率、サイクルタイムの算出結果のうち、最頻値としてもよい。また、平均値とすることもできる。平均値は、算出結果のうち異常と判断される値を除外して算出してもよい。
　改善データベース記録部２４は、生産ライン１０に対して施された改善対策を改善データベースに記録する処理を行う。本実施例では、改善対策を上位概念化されたグループに分類して記録する。改善データベース記録部２４は、主としてこの分類を自動的に行う機能を果たしている。
　アイテムリコメンド部２５は、可動率、サイクルタイムの目標値に応じて、改善データベース３５に記憶された過去の適用実績を解析して、目標を実現するための改善対策を推奨する。改善対策の推奨は、例えば、改善対策を適用した場合の可動率、サイクルタイムの向上度を解析し、これに基づいて、目標を実現可能な改善対策を選択する方法としてもよい。また、アイテムリコメンド部２５は、人工知能を利用した構成としてもよい。例えば、検出結果データベース３１に記憶された過去の実績を学習データとして利用し、アイテムデータベース３６における各改善対策を説明変数、検出結果データベース３１に記憶された可動率、サイクルタイムの実績を目的変数として回帰分析を行い、こうして得られた学習モデルを利用して、目標とする可動率、サイクルタイムに応じた改善対策を求める方法をとることができる。
　表示制御部２７は、選択された改善対策を表示する機能を奏する。ディスプレイは、改善対策リコメンドシステム２０に直接、接続されたものに限らず、ネットワーク等を介して接続されているコンピュータの画面であってもよい。また、改善対策の表示と合わせて、生産効率の向上を支援するための種々の画面、例えば、可動率とサイクルタイムの関係を表すチャートなどを表示してもよい。
Ｂ．データベース構成：
　以下、本システムにおける各データベースの構造について説明する。以下に示すのは、これらのデータベースの一例に過ぎず、内容及び構造は、ここで説明するものに限定されるものではない。
　図２は、生産ラインデータベース、設備データベース、改善データベースの構造を示す説明図である。
　生産ラインデータベース３３は、生産ラインを構成する生産設備を定義する。「生産ラインＩＤ」は、生産ラインの識別情報である。 「設備」には、生産ライン１０を構成する生産設備が列挙されている。図２の例では、設備ＩＤ（１）～設備ＩＤ（３）が各生産設備を表している。それぞれの設備ＩＤの内容は、後述する設備データベース３４に記憶されている。「センサ」は、生産ライン１０に取り付けられているセンサの情報である。「センサＩＤ」はセンサの識別情報、「名称」はセンサの名称、「データ種別」は、センサからどのようなデータが出力されるのかを表す情報である。これらの情報は、センサの数だけ記憶されることになる。各生産設備に付されているセンサの情報は、設備データベース３４に記憶されているため、生産ラインデータベース３３では、生産ライン１０自体に付されたセンサの情報を記憶している。例えば、生産ライン１０の末端で、完成した製品が排出されることを検出するセンサなどがこれに該当する。「生産」は、生産ライン１０で行われている生産の状況、即ち、日付、製品、生産効率の実績などを表している。本実施例では、生産データＩＤ（１）、生産データＩＤ（２）等で表している。それぞれの生産データＩＤに対応する内容は、後述する生産データベース３２に記憶されている。「生産」を参照することにより、生産ライン１０で、いつ、どのような製品が生産されていたかを確認することが可能となる。
　設備データベース３４は、生産設備について、名称、種別、センサ１１との対応づけ、改善対策の適用実績などを記憶する。「設備ＩＤ」は生産設備の識別情報である。設備ＩＤによって、生産ラインデータベース３３と設備データベース３４とは紐付けられている。「名称」は生産設備の名称、「種別」は、フライス盤、ボール盤など、生産設備の種別である。「センサ」は、生産ラインデータベース３３で示したのと同様の形式で、生産設備に付されたセンサの情報を記憶している。「アイテム」は、生産設備に対して施されたアイテム、即ち改善対策の実績を記憶する。図の例では、アイテムＩＤ（１）、アイテムＩＤ（２）等で表している。それぞれのアイテムＩＤの内容は、後述する改善データベース３５に記憶されている。「アイテム」を参照することにより、当該生産設備に対して、いつ、どのような改善対策が施されたかを確認することが可能となる。
　改善データベース３５は、生産設備に対して適用された改善対策の内容や、適用前後の生産効率の変化など、詳細な情報を記憶する。「アイテムＩＤ」は個々の改善対策の識別情報である。「生産ラインＩＤ」、「設備ＩＤ」は、改善対策を施した生産ライン、生産設備を特定する。「日時」は、改善対策を施した日時である。「アイテムコード」は、改善対策の内容を表すコードである。アイテムコードの内容は、後述するアイテムデータベース３６に記憶されている。「内容」は、改善対策の内容を自然言語で記載したものである。例えば、「原点一を変更してストロークが短くなるようにした」といった内容が記憶される。「改善」は、改善対策を施したことによる効果を記憶している。本実施例では、ＣＴ（サイクルタイム）、可動率について、改善対策の適用前後の値を記憶するものとした。また、それぞれ（ライン）と記載されている情報は、生産ライン全体のＣＴ、可動率を表し、（設備）と記載されている情報は、生産設備についてのＣＴ、可動率を表している。これらのＣＴ、可動率は、全てを記憶しておく必要はなく算定可能なものを記憶しておけばよい。「改善」を参照することにより、改善対策を適用することで、生産ライン全体として、または生産設備単体として、ＣＴ、可動率がどのように変化したかを把握することができる。
　図３は、アイテムデータベースの構造を示す説明図である。
　アイテムデータベース２４は、生産効率向上のための改善対策、即ちアイテムについての情報を記憶するデータベースである。アイテムは上位概念化されたグループに分類して、記憶されている。例えば、「距離短縮」という上位概念のグループには、「ストローク短縮」、「移動距離（装置）」（装置の移動距離の短縮を意味する）、「作業員の脚の動き」（作業員が歩行する距離の短縮を意味する）、「作業員の手の動き」（作業員が手を動かす距離の短縮を意味する）などの下位概念のグループが記憶されている。また、各下位概念のグループにおいては、フライス盤、ボール盤などの生産設備の種別ごとに、「原点を変更する」というような具体的な改善対策（以下、「具体例」と言う）が記憶されている。
　上位概念、下位概念、具体例のそれぞれには、コードが付されており、図２で説明した改善データベース３５には、「アイテムコード」として、これらのコードが記憶される。
　また、「具体例」には、自然言語で記載された改善対策がいずれの具体例に対応するかを判断するために用いられるキーワードが登録されている。例えば、「原点を変更する」という具体例に対しては、「原点」「変更」などをキーワードとして登録することができる。改善対策を自然言語で記載する場合には、「原点を変更」という具体例に対して、「基準点を修正」、「原点の調整」のように多様な表現がなされる可能性があるため、キーワードは、「原点を変更する」という具体例に含まれる語に限らず、これに相当する内容を表現する際に用いられ得るバリエーション、即ち、「基準点」「修正」「調整」のような語も含めて登録しておくことが好ましい。
　図４は、生産データベース、検出結果データベースの構造を示す説明図である。
　生産データベース３２は、生産ラインにおいて、どのような製品が製造され、その生産効率はどのような状態であったかを、生産の日付ごとに記憶する。「生産データＩＤ」は、個々の生産データの識別情報である。「日付」、「生産ラインＩＤ」、「製品情報」は、いつ、どの生産ラインで、何を生産した情報かを特定する。「生産効率」としては、ＣＴ（サイクルタイム）、可動率の目標および実績を記憶する。こうすることで、ある生産ラインが、目標のＣＴ、可動率を達成しているか否かを把握することが可能となる。
　検出結果データベース３１は、センサ１１で検出された検出結果を時々刻々と記憶する。「検出結果ＩＤ」は、検出結果の各レコードに付された固有の識別情報である。「生産データＩＤ」は、検出結果と生産データベース３２とを紐付ける情報である。「時刻」は、検出結果が検出された時刻である。「センサＩＤ」は、検出したセンサ１１を特定する識別情報である。「センサ出力」は、センサ１１によって検出された結果である。
　本実施例では、同時刻に複数のセンサ１１からの情報が取得されている場合には、それぞれ個別の検出結果ＩＤが付され、異なるセンサＩＤ、センサ出力が記録されたレコードが作成されることになる。従って、例えば、検出結果に基づいて実測サイクルタイムを得る場合には、製品の完成を検出するセンサに対応するセンサＩＤのレコードを検出結果から抽出し、それぞれの出力がなされる時間間隔を求めることができる。他の生産管理指標を算出する場合も同様に、対応する出力を検出結果から抽出して計算を行えばよい。
Ｃ．処理例：
　以下では、改善対策リコメンドシステム２０において、推奨する改善対策を提示するための処理内容について説明する。以下では、検出結果データベース３１に記憶された検出結果等を用いて事後的に処理を行う場合を例示するが、一部または全部の処理を、生産ライン１０からの情報を受信しながらリアルタイムに行うものとしてもよい。
Ｃ１．生産管理指標の算出：
　図５は、可動率、サイクルタイム算出処理のフローチャートである。可動率、サイクルタイムは、生産効率を示す生産管理指標として算出されるものであり、改善対策を検討する対象となる生産ライン１０の現状の生産能力、改善対策の適用による効果などを客観的に把握するために算出される。図５の処理は、図１における生産管理指標算出部２３が主として実行する処理であり、ハードウェア的には改善対策リコメンドシステム２０のＣＰＵが実行する処理である。
　処理を開始すると、改善対策リコメンドシステム２０は、検出結果データベース３１から検出結果を読み込む（ステップＳ１０）。
　そして、改善対策リコメンドシステム２０は、検出結果の中から、製品の生産完了パルスを抽出し、このパルスの時間間隔に基づいて実測サイクルタイムを取得する（ステップＳ１１）。これらの抽出は、例えば、生産完了パルスを検出するための「センサＩＤ」を用いて行うことができる。生産完了パルスは、製品が生産されるごとに出力されているから、それぞれ生産完了パルスの出力時ごとに対応した実測サイクルタイムが得られることになる。
　また、改善対策リコメンドシステム２０は、得られた実測サイクルタイムのうち、基準値以下の実測サイクルタイムを用いて、平均サイクルタイムを算出する（ステップＳ１２）。基準値は、種々の設定が可能であるが、本実施例では、過去のサイクルタイムの平均値または最頻出値などに基づいて設定された想定サイクルタイムの２倍を基準値として用いた。基準値以下の実測サイクルタイムを用いることにより、生産ラインの停止などによって見かけ上、実測サイクルタイムが異常に長くなっているものを除外して、平均値を求めることができる。平均サイクルタイムも、実測サイクルタイムにそれぞれ対応した時点での算出値が得られることになる。
　改善対策リコメンドシステム２０は、次に、生産数を取得する（ステップＳ１３）。生産数とは、上述した平均サイクルタイムが算出された時点までの累積の生産数である。生産数も、基準値以下の実測サイクルタイムに対応するものを加算する。
　こうして得られた値に基づき、改善対策リコメンドシステム２０は、実測サイクルタイムにそれぞれ対応した時点での可動時間を算出する（ステップＳ１４）。可動時間は、平均サイクルタイム×生産数で求める。可動時間は、製品を生産するために、実際に生産ラインが稼働していた時間を意味する。可動時間は、基準値以下の実測サイクルタイムを積算して求めてもよい。
　また、改善対策リコメンドシステム２０は、要求時間を算出する（ステップＳ１５）。要求時間とは、生産ラインが本来、継続的に運転するよう要求されている時間を意味する。本実施例では、「運転開始後の経過時間－その間に予定されている停止時間」で算出した。予定されている停止時間とは、例えば、昼休みなどが該当する。
　改善対策リコメンドシステム２０は、こうして得られた値に基づき、可動率を算出する（ステップＳ１６）。可動率は、可動時間／要求時間×１００によって算出することができる。
　可動率、サイクルタイムの算出方法は、上述の方法に限らない。例えば、生産ラインが運転している時間をいくつかの時間幅の時間帯に区切り、それぞれの時間帯において生産ラインが何らかの理由により停止していた停止時間を求め、可動率は、（時間帯の時間幅－停止時間）／（時間帯の時間幅）×１００％によって算出してもよい。
　また、この時間帯における製品の生産数を求め、（時間帯の時間幅－停止時間）／生産数によってサイクルタイムを求めるようにしてもよい。
　可動率、サイクルタイムは、この他にも種々の方法で算出することができる。
　以上の処理によって、可動率、サイクルタイムを算出すると、改善対策リコメンドシステム２０は、算出結果を保存して（ステップＳ１７）、可動率、サイクルタイム算出処理を終了する。
　図６は、実可動率、実サイクルタイム算出処理のフローチャートである。可動率、サイクルタイムは、時々刻々変化する値であり、改善対策を検討する上では扱いにくい場合もあるため、これらの代表値として実可動率、実サイクルタイムが算出される。図６の処理は、図１における生産管理指標算出部２３が主として実行する処理であり、ハードウェア的には改善対策リコメンドシステム２０のＣＰＵが実行する処理である。
　処理を開始すると、改善対策リコメンドシステム２０は、可動率、サイクルタイムの算出結果を読み込む（ステップＳ２０）。そして、統計処理により、実サイクルタイムを算出する（ステップＳ２１）。図中に実サイクルタイムの算出方法を示した。
　サイクルタイムは、生産中に種々の要因によって変動する。図中に示したグラフは、変動するサイクルタイムを連続的な関数と捉えた場合の確率密度関数を表している。図示するように確率密度関数は、いずれかのサイクルタイムにおいて最大値を有する。本実施例では、この最大値となるサイクルタイムを実サイクルタイムとして採用するものとした。サイクルタイムを離散的な値として捉える場合には、最大の度数となるサイクルタイムを実サイクルタイムとすればよい。ただし、離散的な値の場合、サイクルタイムの有効数字の桁数を抑制し、量子化を図っておくことが好ましい。実サイクルタイムは、これらの方法の他、平均値、中央値などを用いるものとしてもよい。
　改善対策リコメンドシステム２０は、次に統計処理によって実可動率を算出する（ステップＳ２２）。実可動率も、実サイクルタイムと同様の統計処理によって求めることができる。なお、上述の最大値を実サイクルタイムとして採用した場合、必ずしも実可動率も最大値を用いる必要はなく、平均値または中央値を用いるようにしても良い。
　以上の処理によって、実可動率、実サイクルタイムを算出すると、改善対策リコメンドシステム２０は、算出結果を保存して（ステップＳ２３）、実可動率、実サイクルタイム算出処理を終了する。算出された実可動率、実サイクルタイムは、チャート（図３）の点ｐ１、点ｐ２の表示に用いられることになる。
　図７は、改善データベース記録処理のフローチャートである。生産設備に対して改善対策が施される度に、その内容が自然言語で改善データベース３５に入力されるため、この内容を解析してアイテムコードを付す処理である。図７の処理は、図１における改善データベース記録部２４が主として実行する処理であり、ハードウェア的には改善対策リコメンドシステム２０のＣＰＵが実行する処理である。
　処理を開始すると、改善対策リコメンドシステムは、改善対策を施した対象を特定するための情報として、生産ラインＩＤ、設備ＩＤ、日時を入力する（ステップＳ３０）。これらの情報は、オペレータが入力すればよい。
　次に、オペレータの操作に基づき、改善内容を読み込む（ステップＳ３１）。改善内容は、「原点の位置を変更した」などのように自然言語で入力される。改善対策リコメンドシステムは、以下に示す手順で、この内容を解析して、図２に示したアイテムデータベース３６のいずれのグループに属する改善内容かを特定し、それに対応するコードを付すのである。
　まず、改善対策リコメンドシステムは、分類対象となる上位概念、下位概念を任意に選択する（ステップＳ３２）。そして、そこに含まれる全具体例について、対象となる生産設備の種別に応じたキーワードを抽出し（ステップＳ３３）、下位概念ごとに、改善内容におけるキーワードの出現率を算出する（ステップＳ３４）。出現率は、キーワード数／全単語数で算出することができる。例えば、「原点　の　位置　を　変更　した」（空白は単語の切れ目を表す）という改善内容が入力され、「原点」「変更」という２つがキーワードとして認定される場合には、出現率は、２／６＝約３３％と算出される。
　このように出現率を、全ての上位概念／下位概念について終了するまで繰り返した後（ステップＳ３５）、改善対策リコメンドシステムは、その中で最も出現率が高い概念を選択する（ステップＳ３６）。選択された上位概念／下位概念の組合せは、入力された対策の内容が属する可能性が最も高いと考えられる。
　次に、改善対策リコメンドシステムは、選択された概念に対する出現率を所定の閾値Ｔｈと比較する。閾値Ｔｈは、解析された結果の適否を判定するための基準値であり、０～１００％の範囲で任意に設定可能である。出現率が閾値Ｔｈ以下の場合には（ステップＳ３７）、解析結果によって得られた上位概念／下位概念の組合せが不適切である可能性があるため、改善対策リコメンドシステムは、結果を改善データベースに格納することなく、処理を終了する。この場合、エラー等を表示し、上位概念／下位概念の選択をオペレータに委ねてもよい。
　一方、出現率が閾値Ｔｈより大きい場合には、解析結果が適切であると判断されるため、改善対策リコメンドシステムは、得られた上位概念／下位概念に対応するアイテムコードを、改善データベースに記録するとともに、改善対策の適用前後の生産管理指標、即ちＣＴ（サイクルタイム）、可動率を取得して、併せて改善データベースに記録する。
　また、アイテムデータベースには、入力された改善内容を、新たな具体例として追加する（ステップＳ３９）。
　改善対策を施したとき、その内容が、いずれの上位概念／下位概念に含まれるかの判断は、オペレータの解釈に依存することがあるため、アイテムコードの付与をオペレータに任せた場合、その精度が低下することがある。これに対し、本実施例では、上述の通り、改善対策リコメンドシステムが、改善対策の内容を解析して、アイテムコードを付すため、その精度を維持できる利点がある。
　アイテムコードの付与は、上述の解析による他、人工知能を利用して行ってもよい。かかる場合には、例えば、上述のキーワードと、上位概念／下位概念のグループとの関係を機械学習しておき、その学習モデルによって分類する方法をとることができる。
Ｃ２．リコメンド処理：
　図８は、リコメンド処理のフローチャートである。生産ラインの生産効率の向上を図るための改善対策をリコメンドする処理である。図８の処理は、図１におけるアイテムリコメンド部２５が主として実行する処理であり、ハードウェア的には改善対策リコメンドシステム２０のＣＰＵが実行する処理である。
　処理を開始すると、改善対策リコメンドシステムは、改善対策をリコメンドする生産ライン１０に対応する生産ラインＩＤ、および生産管理指標の目標値を入力する（ステップＳ４０）。これらのデータは、オペレータが指示すればよい。
　次に、改善対策リコメンドシステムは、対象となる生産ラインデータベース３３を参照して、生産ライン１０を構成する生産設備を特定し、その中で、改善対策を施すべき対象設備の絞り込みを行う（ステップＳ４１）。本実施例では、可動率（設備）＜可動率（目標）となっている設備、およびＣＴ（設備）が大きいものを選択することとした。これらの条件は、いずれも生産管理指標が低い生産設備ほど、改善対策による向上の余地が高いと考えられること、および生産設備における生産管理指標は生産ライン全体の生産管理指標に影響を与えること、を考慮して設定された条件である。
　なお、この処理における絞り込みは、可能な範囲で行えばよい。例えば、ＣＴ（設備）が、全ての生産設備に対して取得されていない場合には、「ＣＴ（設備）が大きいもの」という条件は省略してもよいし、ＣＴ（設備）が取得されている生産設備のみを対象として判断してもよい。可動率についても同様である。
　このように、改善対策を施す対象設備の絞り込みを行うことにより、後述する改善対策を選択する負荷を軽減できるとともに、効果の高い改善対策を選択しやすくなる利点がある。もっとも、こうした絞り込みは必須の処理ではなく、これを省略しても差し支えない。また、絞り込みにおいては、必ずしも一つの生産設備に絞り込む必要はなく、２以上の生産設備に絞り込んでもよい。
　改善対策リコメンドシステムは、改善データベースを読み込み（ステップＳ４２）、生産設備ごとに生産管理指標の向上度を達成できるアイテムコードを特定する（ステップＳ４３）。図２に示した通り、改善データベース３５には、改善対策の実績として、それぞれ改善対策を施す前後のＣＴ、可動率が記録されている。従って、適用前後の変化が、指定された目標を超えている改善実績を抽出し、それに対応するアイテムコードを特定すればよい。該当する改善実績が複数存在する場合には、種々の規則に基づいて、いずれかを選択すればよい。例えば、効果が最も高い改善実績を選択してもよい。該当する改善実績を、アイテムコードで分類したときに、最多数となるアイテムコードを選択してもよい。ＣＴ，可動率の向上度に大きな差違が生じないもの、即ち、両社のバランスが良い改善実績を選択してもよい。
　こうしてアイテムコードが決まると、改善対策リコメンドシステムは、図３のアイテムデータベース３６を参照して、アイテムコードに対応する上位概念／下位概念に属する具体例の中から、対象の生産設備に該当するものを選択して提示する（ステップＳ４４）。即ち、この時点では、「原点を変更する」などのように過去に施された改善対策が自然言語で提示されることになる。このように生産設備に対応した改善対策を、自然言語で提示することにより、オペレータが、改善対策の内容を容易に理解できる利点がある。改善対策の内容に合わせて、上位概念、下位概念の内容を示しても良い。
　リコメンド処理は、解析による方法の他、人工知能を利用してもよい。以下、変形例として人工知能を利用する方法について説明する。
　図９は、学習モデル生成処理およびリコメンド処理のフローチャートである。図９の処理は、図１におけるアイテムリコメンド部２５が主として実行する処理であり、ハードウェア的には改善対策リコメンドシステム２０のＣＰＵが実行する処理である。
　この処理では、まずリコメンド処理に用いるための学習モデル生成処理が行われる。図の左側に、この処理を示した。学習モデル生成処理は、リコメンド処理を実行するタイミングとは独立したタイミングで実行すればよい。
　学習モデル生成処理を開始すると、改善対策リコメンドシステムは、改善データベースを読み込む（ステップＳ５０）。そして、対象となる生産設備ごとに機械学習回帰を行う（ステップＳ５１）。機械学習回帰は、例えば、その生産設備に適用した改善対策のアイテムコードや、既に適用済みの他のアイテムコードを説明変数とし、生産管理指標の向上度を目的変数とする方法などで行うことができる。改善対策による効果は、既に適用済みの改善対策の有無によっても影響を受けると考えられるが、この方法によれば、既に適用済みの改善対策も考慮した上で、機械学習させることが可能となる。改善対策リコメンドシステムは、得られた学習モデルを保存しておく（ステップＳ５２）。学習モデルは、生産設備の種別ごとに生成されることになる。
　一方、リコメンド処理を開始すると、改善対策リコメンドシステムは、生産ラインＩＤ、および生産管理指標の目標値を入力する（ステップＳ５５）。そして、対象設備の絞り込みを行う（ステップＳ５６）。この絞り込みの方法は、図８のステップ４１で説明したのと同様である。
　次に、対象となる生産設備に応じた学習モデルを用いて、生産管理指標の向上度に応じたアイテムコードを特定する（ステップＳ５７）。ここでは、設備データベース３４を参照して、対象となる生産設備に対して既に施された改善対策を特定した上で、学習モデルによって適用すべき改善対策のアイテムコードを特定するのである。
　こうしてアイテムコードが特定されると、改善対策リコメンドシステムは、生産設備に対応する具体例を提示する（ステップＳ５８）。この処理は、図８のステップＳ４４と同じである。
Ｄ．効果：
　以上で説明した実施例の改善対策リコメンドシステムによれば、過去の改善対策の適用実績に基づいて、生産ラインに施すべき改善対策をリコメンドすることができる。特に、生産ラインを構成する生産設備ごとに、改善対策の適用実績を記憶しているため、生産ラインの構成が同一か否かに関わらず過去の適用実績を活用できる利点がある。
　また、実施例のリコメンド処理では、改善対策を上位概念／下位概念にグループ化して扱うことにより、解析を容易にできる利点もある。
　実施例で説明した種々の特徴は、必ずしも全てを備える必要はなく、適宜、その一部を省略したり組み合わせたりしてもよい。また、本発明は、実施例に限らず、種々の態様で構成することが可能である。
　本発明は、製品を生産する生産ラインにおける生産効率の向上を図る改善対策を提示するために利用することができる。
１０   生産ライン
１１   センサ
１２   送信装置
２０   改善対策リコメンドシステム
２１   送受信部
２２   入力部
３１   検出結果データベース
３２   生産データベース
３３   生産ラインデータベース
３４   設備データベース
３５   改善データベース
３６   アイテムデータベース
２３   生産管理指標算出部
２４   改善データベース記録部
２５   アイテムリコメンド部
２６　　表示制御部

Claims (9)

  1. 　製品を生産する生産ラインにおいて、生産効率を向上するための改善策をリコメンドする改善対策リコメンドシステムであって、
    　前記生産ラインを構成する１または複数の生産設備を定義する生産ラインデータベースと、
    　前記生産効率を改善するため、前記生産設備における改善対策を記憶するアイテムデータベースと、
    　生産ラインを問わず前記改善対策を前記生産設備に施した実績を記憶する改善データベースと、
    　前記アイテムデータベースおよび改善データベースを参照して、前記生産設備に対して適用すべき改善対策を推奨するアイテムリコメンド部
    とを備える改善対策リコメンドシステム。
  2. 　請求項１記載の改善対策リコメンドシステムであって、
    　前記アイテムリコメンド部は、
    　　予め前記改善データベースに基づく機械学習により、実績に対して改善対策の候補を与える学習モデルを生成しておき、
    　　前記学習モデルを用いて、目標とする改善の実績に対する改善対策を得る改善対策リコメンドシステム。
  3. 　請求項１または２記載の改善対策リコメンドシステムであって、
    　前記アイテムデータベースは、それぞれの前記改善対策を、上位概念化したグループに分類して記憶しており、
    　前記アイテムリコメンド部は、前記グループで改善対策を特定するとともに、該グループに属する改善対策を提示する改善対策リコメンドシステム。
  4. 　請求項３記載の改善対策リコメンドシステムであって、
    　生産設備に対する改善対策による実績とともに、該改善対策の内容を、自然言語の形で入力する入力部と、
    　前記入力された自然言語を解析して、入力された改善対策が、いずれのグループに属するかを特定するとともに、該改善対策を、特定されたグループに分類して前記改善データベースに記録する改善データベース記録部を備える改善対策リコメンドシステム。
  5. 　請求項３または４記載の改善対策リコメンドシステムであって、
    　前記アイテムリコメンド部は、前記グループごとに、生産設備に応じた具体的な改善対策を記憶しており、
    　前記アイテムリコメンド部は、特定された前記グループに属し、前記生産設備に応じた具体的な改善対策を提示する改善対策リコメンドシステム。
  6. 　請求項１～５いずれか記載の改善対策リコメンドシステムであって、
    　前記生産ラインまたは前記生産設備について、生産効率を表す生産管理指標を算出する生産管理指標算出部を備え、
    　前記実績は、前記生産管理指標の向上に基づいて評価される改善対策リコメンドシステム。
  7. 　請求項１～６いずれか記載の改善対策リコメンドシステムであって、
    　前記アイテムリコメンド部は、
    　　前記生産ラインの生産管理指標に基づいて、所定の規則により、前記改善対策を施すべき前記生産設備を特定した上で、該生産設備に対する改善対策を提示する改善対策リコメンドシステム。
  8. 　製品を生産する生産ラインにおいて、生産効率を向上するための改善策をコンピュータによってリコメンドする改善対策リコメンド方法であって、
    前記コンピュータが実行するステップとして、
    　前記生産ラインを構成する１または複数の生産設備を定義する生産ラインデータベースを参照するステップと、
    　前記生産効率を改善するため、前記生産設備における改善対策を記憶するアイテムデータベースを参照するステップと、
    　生産ラインを問わず前記改善対策を前記生産設備に施した実績を記憶する改善データベースを参照するステップと、
    　前記アイテムデータベースおよび改善データベースを参照して、前記生産設備に対して適用すべき改善対策を推奨するステップ
    とを備える改善対策リコメンドシステム。
  9. 　製品を生産する生産ラインにおいて、生産効率を向上するための改善策をコンピュータによって実行するためのコンピュータプログラムであって、
    　前記生産ラインを構成する１または複数の生産設備を定義する生産ラインデータベースを参照する機能と、
    　前記生産効率を改善するため、前記生産設備における改善対策を記憶するアイテムデータベースを参照する機能と、
    　生産ラインを問わず前記改善対策を前記生産設備に施した実績を記憶する改善データベースを参照する機能と、
    　前記アイテムデータベースおよび改善データベースを参照して、前記生産設備に対して適用すべき改善対策を推奨する機能とをコンピュータに実現させるためのコンピュータプログラム。
     
PCT/JP2020/029778 2019-08-07 2020-08-04 改善対策リコメンドシステム WO2021025006A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019145105A JP2021026584A (ja) 2019-08-07 2019-08-07 改善対策リコメンドシステム
JP2019-145105 2019-08-07

Publications (1)

Publication Number Publication Date
WO2021025006A1 true WO2021025006A1 (ja) 2021-02-11

Family

ID=74503858

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/029778 WO2021025006A1 (ja) 2019-08-07 2020-08-04 改善対策リコメンドシステム

Country Status (2)

Country Link
JP (1) JP2021026584A (ja)
WO (1) WO2021025006A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11015200B2 (en) 2015-03-18 2021-05-25 Sarepta Therapeutics, Inc. Antisense-induced exon exclusion in myostatin

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003108219A (ja) * 2001-09-28 2003-04-11 Mitsubishi Electric Corp 保全情報管理サーバ、これを用いた保全情報管理システム及び保全情報管理方法
JP2007280366A (ja) * 2006-03-13 2007-10-25 Hitachi Ltd 設計支援方法およびそのシステム
JP2013041448A (ja) * 2011-08-17 2013-02-28 Hitachi Ltd 異常検知・診断方法、および異常検知・診断システム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003108219A (ja) * 2001-09-28 2003-04-11 Mitsubishi Electric Corp 保全情報管理サーバ、これを用いた保全情報管理システム及び保全情報管理方法
JP2007280366A (ja) * 2006-03-13 2007-10-25 Hitachi Ltd 設計支援方法およびそのシステム
JP2013041448A (ja) * 2011-08-17 2013-02-28 Hitachi Ltd 異常検知・診断方法、および異常検知・診断システム

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11015200B2 (en) 2015-03-18 2021-05-25 Sarepta Therapeutics, Inc. Antisense-induced exon exclusion in myostatin

Also Published As

Publication number Publication date
JP2021026584A (ja) 2021-02-22

Similar Documents

Publication Publication Date Title
US11403160B2 (en) Fault predicting system and fault prediction method
US7698011B2 (en) Operating condition monitoring apparatus, method for monitoring operating condition and program
JP6105141B1 (ja) プリプロセッサおよび診断装置
CN108474806A (zh) 用于监测制造的系统和方法
US20120116827A1 (en) Plant analyzing system
KR102408426B1 (ko) 설비 노화 지수를 이용한 이상 감지 방법 및 장치
US11790579B2 (en) Production efficiency improvement assisting system
WO2021025006A1 (ja) 改善対策リコメンドシステム
JP2020194320A (ja) 情報処理装置、予測判別システム、および予測判別方法
JP6851247B2 (ja) 運用計画立案装置、運用制御システム、および、運用計画立案方法
CN103732863A (zh) 自动化的根本原因分析
JP6312955B1 (ja) 品質分析装置及び品質分析方法
JP6885321B2 (ja) プロセスの状態診断方法及び状態診断装置
JP7354934B2 (ja) 製品品質分析支援システム
KR102093287B1 (ko) Cnc 공작기계의 공구 마모 간접 계측방법
JPWO2017183066A1 (ja) ウインドウ評価方法および分析装置
JP2020057091A (ja) 情報処理装置、情報処理方法、プログラム、およびデータ構造
JP7222939B2 (ja) 時系列パターンの説明情報生成装置
JP6247777B2 (ja) 異常診断装置および異常診断方法
JP2022191680A (ja) データ選択支援装置及びデータ選択支援方法
CN110597729B (zh) 基于维度的压力测试方法、装置及系统
WO2020203772A1 (ja) 生産効率向上支援システム
JP2020154849A (ja) コントローラ、システム、方法及びプログラム
JP2018081335A (ja) プラント運転データ解析システム
WO2022162957A1 (ja) 情報処理装置、制御システムおよびレポート出力方法

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: 20849710

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: 20849710

Country of ref document: EP

Kind code of ref document: A1