WO2021106288A1 - 品質計測方法及び品質計測装置 - Google Patents

品質計測方法及び品質計測装置 Download PDF

Info

Publication number
WO2021106288A1
WO2021106288A1 PCT/JP2020/031469 JP2020031469W WO2021106288A1 WO 2021106288 A1 WO2021106288 A1 WO 2021106288A1 JP 2020031469 W JP2020031469 W JP 2020031469W WO 2021106288 A1 WO2021106288 A1 WO 2021106288A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
quality measurement
quality
measurement method
prediction model
Prior art date
Application number
PCT/JP2020/031469
Other languages
English (en)
French (fr)
Inventor
尚大 平
坂本　雅基
Original Assignee
花王株式会社
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 花王株式会社 filed Critical 花王株式会社
Priority to CN202080082342.6A priority Critical patent/CN114760969B/zh
Publication of WO2021106288A1 publication Critical patent/WO2021106288A1/ja

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61F—FILTERS IMPLANTABLE INTO BLOOD VESSELS; PROSTHESES; DEVICES PROVIDING PATENCY TO, OR PREVENTING COLLAPSING OF, TUBULAR STRUCTURES OF THE BODY, e.g. STENTS; ORTHOPAEDIC, NURSING OR CONTRACEPTIVE DEVICES; FOMENTATION; TREATMENT OR PROTECTION OF EYES OR EARS; BANDAGES, DRESSINGS OR ABSORBENT PADS; FIRST-AID KITS
    • A61F13/00—Bandages or dressings; Absorbent pads
    • A61F13/15—Absorbent pads, e.g. sanitary towels, swabs or tampons for external or internal application to the body; Supporting or fastening means therefor; Tampon applicators
    • A61F13/84—Accessories, not otherwise provided for, for absorbent pads
    • 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], computer integrated manufacturing [CIM]

Definitions

  • the present invention relates to a quality measuring method and a quality measuring device.
  • Patent Document 1 describes a method for calculating the amount of change due to a change in the manufacturing process. In this method, for the purpose of improving the productivity of the manufacturing plant, the amount of change due to the change in the manufacturing process such as the control function and the operation method is accurately calculated.
  • Patent Document 2 discloses a system and a process that can be configured to correlate manufacturing parameters and performance feedback parameters with individual absorbent articles manufactured by a processing apparatus.
  • Product performance data obtained from product testing can be used as a tool for manufacturers to manufacture and / or process and adjust future processing equipment.
  • Patent Document 3 describes a manufacturing method for manufacturing a product through a plurality of manufacturing processes. This method is also used in the production of absorbent articles, and can improve the machine operating rate and the non-defective rate of products.
  • the present invention is a quality measurement method in a process of manufacturing a product through a plurality of manufacturing processes, and is acquired by in-line measurement based on a step of constructing a prediction model between quality data and process data and the prediction model.
  • a quality measurement method including a step of calculating a quality measurement value of a manufactured product from the process data.
  • the present invention is a quality measuring device used for a device that manufactures a product through a plurality of manufacturing processes, the quality measuring device having an analysis server, and the analysis server for quality data and process data.
  • a quality measurement device in which a prediction model is constructed between the two, and the analysis server calculates a quality measurement value from the process data by in-line measurement based on the prediction model.
  • FIG. 5 is a schematic configuration diagram showing a preferable example of a manufacturing apparatus using the quality measurement method according to the present invention together with various sensors used in the quality measurement method. It is a drawing which showed a concrete example of the process data which is the object of time-series processing.
  • A shows an example of a method of associating process data with each other in a time-series processing process
  • (B) shows an example of a storage state of process data after time-series processing.
  • FIG. 1 It is a block diagram which showed the preferable embodiment of the quality measuring apparatus of this invention.
  • (A) shows a form in which the data collection CPU is separated from the analysis server, and
  • (B) shows a form in which the data collection CPU and the analysis server are integrated. It is a graph which compared the quality measurement value of the inlet side seal strength calculated in Examples 1 to 3 with the actual measurement value.
  • the present invention relates to a quality measurement method and a quality measurement device capable of measuring quality that is difficult to measure by in-line measurement without performing sampling inspection.
  • quality measurement method and quality measurement device of the present invention quality that is difficult to measure by in-line measurement can be measured without performing sampling inspection.
  • a preferred embodiment of the quality measurement method of the present invention will be described below with reference to FIGS. 1 to 4 by taking the quality measurement method of the absorbent article as an example. First, the types of data used in the quality measurement method of the present invention will be described.
  • Process data is data acquired by in-line measurement in a plurality of processes for manufacturing a product. Process data is roughly classified into material data acquired from the material of the product and equipment data acquired from the equipment. Material data and equipment data are data that are acquired in time series by in-line measurement in the manufacturing process and can change with time. Specific examples of the material data include sheet raw fabric diameter, sheet raw fabric storage humidity, sheet temperature, sheet tension, sheet thickness and the like. Specific examples of the device data include oil pressure, pattern roll temperature, anvil roll temperature, roll rotation speed, motor shaft rotation speed, motor shaft load, dancer pressure, conveyor transfer speed, and the like. Further, the process data may include data that can be appropriately operated as a set value by the operator of the production line (hereinafter, referred to as “operation data”).
  • operation data data that can be appropriately operated as a set value by the operator of the production line
  • the operation data include oil pressure, pattern roll temperature, anvil roll temperature, dancer pressure, conveyor transfer speed, etc. in the case of device data, and sheet raw material storage humidity, etc. in the case of material data.
  • the process data preferably includes sheet tension, sheet thickness, or both as material data.
  • Quality data is data that is difficult to measure by in-line measurement. For example, it is measured and acquired by sampling inspection such as destructive inspection (offline measurement).
  • quality data sanitary evaluated by seal strength, liquid remaining amount, wetback amount, absorption rate, basis weight distribution, etc. of diaper side seal, napkin embossed seal, eye mask ear hook seal, individual packaging outer circumference seal, etc.
  • Sensory evaluation such as paint quality, touch, texture, appearance, etc. evaluated by the thermal performance, viscosity, solid content, etc. of the heating element evaluated by the absorption performance, duration, maximum temperature, temperature rise rate, etc. of the product, and moisture permeability
  • the moisture permeability of the film can be mentioned.
  • the seal strength includes the seal strength of the portion where two or more sheets are joined.
  • the seal strength is generally measured by a destructive inspection performed while peeling off the bonded seal using a tensile tester. Therefore, the seal strength corresponds to the quality data.
  • Various methods can be used to bond the sheets. Specific examples thereof include heat sealing, ultrasonic sealing, laser welding, and hot melt bonding.
  • the quality measurement method of the present invention is used in a method of manufacturing a product through a plurality of manufacturing steps.
  • the products in the present specification mean not only finished products (final products) but also intermediate products and semi-finished products in the middle of the manufacturing process.
  • the product to be produced is not particularly limited as long as it exhibits the effects of the present invention.
  • a product manufactured using a sheet can be mentioned, and a composite sheet used for a diaper or the like is typically mentioned.
  • the sheet include those made of various materials, and include, for example, a fiber sheet such as a non-woven fabric.
  • the manufactured product is not limited to a single-wafered product in which individual products are separated, and may be a continuous product such as a roll-up paper. If the product is continuous, the process data and quality data may be a moving average of the individual data.
  • the moving average method is not particularly limited as long as the production method of the present invention is effective. For example, when performing a moving average of ten values consecutive in FIG. 3 (A), the moving average value corresponding to the data X 10 is 10 pieces of data immediately before the successive including data X 10 (i.e., the data It is the value obtained by dividing the sum of X 1 to X 10) by 10.
  • the moving average value is the value obtained by summing all the continuous data and dividing by 10.
  • the moving average value corresponding to the data X 3 is a value obtained by dividing the sum of the four values of the data X 0 to X 3 by 10.
  • the fiber sheet described above is easily deformed by an external force, and its shape is difficult to stabilize. Therefore, the fiber sheet can be deformed in the manufacturing process depending on the conditions. Therefore, in the quality measurement method of the present invention, it is preferable to acquire process data related to the fiber sheet in chronological order. At that time, it is preferable to acquire process data before and after the processing of the fiber sheet.
  • the process data of the sheet tension and the sheet thickness are preferable as a material for better estimating the quality data (for example, the quality of the seal between the fiber sheets) regarding the fiber sheet when manufacturing the composite sheet.
  • the quality measurement method of the present invention is based on a process of constructing a prediction model between quality data and process data (hereinafter referred to as "prediction model construction process") and process data acquired by in-line measurement based on the prediction model. It has a process of calculating the quality measurement value of the manufactured product (hereinafter, referred to as "in-line quality measurement process").
  • the quality measurement value is data of the same type as the above-mentioned quality data calculated by in-line measurement. Therefore, in the in-line quality measurement process, the product quality measurement value is estimated by the in-line measurement, instead of measuring the product quality data by the offline measurement.
  • the prediction model construction process will be described in order.
  • the prediction model construction process typically includes a process data acquisition process 61, a time series processing process 62, a data combination process 63, an end determination process 64, a data analysis process 71 to 73, and generalization performance confirmation. It consists of steps 81 to 83 and the like.
  • the prediction model construction process is not limited to the form shown in FIG.
  • a matrix test, a factor fixation test, an experimental design method, or the like can be used. It is preferable to use design of experiments from the viewpoint of reducing the number of combinations of values of process data to be acquired.
  • the orthogonal array used in the design of experiments is not particularly limited. For example, an L 12 orthogonal array, an L 18 orthogonal array, an L 36 orthogonal array, or the like can be used.
  • the rate of fluctuation of the predicted quality measurement value can be changed. For example, if the level assigned to the orthogonal array is increased, the rate of fluctuation of the predicted quality measurement value becomes smaller. On the contrary, if the level assigned to the orthogonal array is reduced, the rate of fluctuation of the predicted quality measurement value becomes large.
  • Process data acquisition process 61 process data for constructing a prediction model is acquired from the production line by in-line measurement.
  • material data and device data are acquired together as process data. From the viewpoint of acquiring process data directly related to the manufactured product, it is preferable to acquire the process data during the operation of the production line.
  • a radiation thermometer can be used to acquire temperature process data.
  • a contact type displacement meter or a non-contact type displacement meter using a laser, ultrasonic waves, capacitance or the like can be used.
  • the process data can be acquired before and after machining by providing various sensors before and after the machining part of the manufacturing apparatus.
  • the manufactured product is unstable such as a fiber sheet whose thickness etc. can change in the manufacturing process
  • acquiring process data before and after processing is particularly important from the viewpoint of accurately estimating quality data. It is effective.
  • the time-series processing step 62 is a step of correcting the time delay between the process data and storing it in the analysis server or the like.
  • a large number of sensors for acquiring process data may be provided during the process of manufacturing a product. Then, the process data acquired at the same time by the sensor provided upstream in the machine flow direction and the sensor provided downstream becomes the data observed for different products. Therefore, in the present invention, it is preferable to perform time-series processing on the process data in order to make each process data correspond to the same product.
  • the time delay time lag
  • the data is stored by correcting the time delay between the sensors that acquire the process data according to the speed of the machine flow.
  • individual products and process data can be associated and organized, and data analysis becomes possible.
  • the process data and the quality data can be associated with each other.
  • FIG. 2 A specific method of time-series processing will be described with reference to the manufacturing apparatus 11 shown in FIG. Various sensors used in the quality measurement method of the present invention are arranged in the manufacturing apparatus 11.
  • a temperature sensor 33B for acquiring the process data of the seal unit temperature a sheet raw fabric sensor 34A for acquiring the process data of the upper shaft sheet raw fabric diameter, and the like can be mentioned.
  • each distance is made to correspond to the number of sheets cut (the number of products).
  • the temperature sensor 33B is the 34th from the motor 24E.
  • the sheet raw material sensor 34A is the 40th sheet from the motor 24E.
  • the number of products from the motor 24E (see FIG. 2) to the temperature sensor 33B (see FIG. 2) is 34.
  • the data Y 6 acquired by the temperature sensor 33B at the timing retroactively for 34 sheets according to the speed of the machine flow is the process data of the seal unit temperature corresponding to the product in which the data Z 40 is observed. It becomes.
  • the data X 0 that goes back in time for 40 sheets is the process data of the upper shaft sheet original diameter corresponding to the product in which the data Z 40 was observed. Become. In this way, the process data can be made to correspond to each product and the time delay can be corrected.
  • the data combining step 63 is a step of associating and combining the process data of each product with the quality data of each product.
  • the method of joining is not particularly limited, but quality data may be stored and organized in the same row or column of spreadsheet software for each product in the same manner as process data. Since the prediction model construction process has the data combination process 63, the quality data can be associated with various process data. For example, material data, equipment data, and operation data can be associated with and combined with quality data. From the viewpoint of speeding up data analysis, it is preferable to use the process data in which the time delay is corrected in the time series processing step 62 in the data combining step 63. For one product, the corresponding process data and quality data are stored in an analysis server or the like as a group of data sets. That is, as many data sets as the number of products can be acquired.
  • the end determination step 64 is a step of determining whether or not the number of data sets acquired through the process data acquisition step 61 to the data combination step 63 is sufficient for use in data analysis. When the number of data sets is sufficient, the process proceeds to the data analysis step 71 described later. On the other hand, when the number of data sets is not sufficient, the process data acquisition step 61 to the data combination step 63 are repeated while appropriately changing the combination of the value of the process data until a sufficient number of data sets can be acquired. At this time, it is preferable to efficiently acquire the data set by the above-mentioned design of experiments.
  • the data analysis step 71 is a step of performing the first data analysis after acquiring the data set.
  • the acquired data set is divided into two.
  • One of the two divisions is used as training data, and the other is used as test data.
  • the training data is mainly data for constructing a model that can be a candidate for a prediction model (hereinafter, referred to as "prediction model candidate").
  • the test data is data for verifying the prediction model candidates constructed mainly from the training data and determining the prediction model.
  • various analyzes are performed on the training data and the test data, and a plurality of prediction model candidates are constructed. For the constructed multiple prediction model candidates, the scores described later are calculated.
  • the division ratio of the training data and the test data may be arbitrarily determined, but it is generally divided at a ratio of 8: 2 or 5: 5.
  • cross-validation may be used to divide the training data and the test data.
  • the method of determining and selecting the prediction model candidate is not particularly limited. For example, there is a method of adopting a prediction model whose analysis result using training data and test data is above a certain level as a prediction model candidate.
  • the analysis method performed on the training data and the test data is not particularly limited as long as it exhibits the effect of the present invention.
  • various linear regressions and various non-linear regressions can be mentioned.
  • Specific examples of linear regression include multiple regression analysis, PLS regression analysis, lasso regression analysis, ridge regression analysis, elastic net regression analysis, sgd regression analysis, support vector regression analysis, and the like.
  • Specific examples of non-linear regression include non-linear support vector regression analysis, kernel ridge regression analysis, random forest regression analysis, MLP regression analysis, and the like.
  • hyperparameters By adjusting the hyperparameters, the accuracy of the prediction model is improved.
  • the method for adjusting hyperparameters is also not particularly limited as long as it produces the effects of the present invention.
  • the generalization performance confirmation step 81 is a step of confirming the generalization performance of the analysis result of the data analysis step 71.
  • the generalized performance means the performance that the constructed prediction model can be used for quality measurement in in-line measurement.
  • a prediction model (optimal prediction model) can be efficiently selected by making a judgment in two stages of analysis of training data and analysis of test data.
  • R 2 coefficient of determination
  • R correlation coefficient
  • MSE Mean Square Error
  • RMSE Root Mean Square Error
  • MAE Mean Absolute Error
  • AIC Akaike' Information criteria
  • BIC Bayesian Information Criterion
  • the generalization performance confirmation step 81 among the prediction model candidates whose training data score and test data score are above a certain level, the one with the highest test data score is determined as the prediction model. If there is a prediction model candidate whose training data score and test data score have reached a certain value, the one with the highest test data score is determined as the prediction model, and the prediction model construction process is completed. If not, the process proceeds to the data analysis step 72 described later.
  • the data analysis step 72 is a second data analysis step performed after the data analysis step 71.
  • a part of the data set used in the data analysis step 71 is deleted, or a part of the process data constituting the data set is deleted. Is deleted (the types of process data are reduced), and the data analysis step 72 is performed. That is, the number of data used in the data analysis step 72 is smaller than the number of data used in the data analysis step 71. By reducing the number of data used for analysis, the calculation time can be shortened.
  • the specific method of the data analysis step 72 is the same as that of the data analysis step 71.
  • the data set to be analyzed is divided into two, one is used as training data and the other is used as test data.
  • Various analyzes are performed on the training data and the test data in the same manner as in the data analysis step 71, and a plurality of prediction model candidates are constructed. For the constructed multiple prediction model candidates, the training data score and the test data score are calculated.
  • the generalization performance confirmation step 82 is a step of confirming the generalization performance of the analysis result of the data analysis step 72.
  • the specific method in the generalization performance confirmation step 82 is the same as that in the generalization performance confirmation step 81. If there is a prediction model candidate whose training data score and test data score have reached a certain value, the one with the highest test data score is determined as the prediction model, and the prediction model construction process is completed. If not, the process proceeds to the data analysis step 73 described later.
  • the data analysis step 73 is a third and subsequent data analysis steps performed after the data analysis step 72.
  • the data analysis step 73 In order to use a data set different from the data analysis so far, after appropriately adding or deleting data to the data sets used in the data analysis steps 71 and 72, Perform data analysis. That is, the number of data used in the data analysis step 73 may be larger or smaller than the number of data used in the data analysis steps 71 and 72.
  • additional data is acquired as appropriate. Specifically, a series of operations by the process data acquisition step 61, the time series processing step 62, and the data combination step 63 are performed in the same manner as described above.
  • the specific method of the data analysis step 73 is the same as that of the data analysis steps 71 and 72. That is, the data set to be analyzed is divided into two, one is used as training data and the other is used as test data. Various analyzes are performed on the training data and the test data in the same manner as in the data analysis steps 71 and 72, and prediction model candidates are constructed. The training data score and the test data score are calculated for the constructed multiple prediction model candidates.
  • the generalization performance confirmation step 83 is a step of confirming the generalization performance of the analysis result of the data analysis step 73.
  • the specific determination method in the generalization performance confirmation step 83 is the same as that in the generalization performance confirmation steps 81 and 82. If there is a prediction model candidate whose training data score and test data score have reached a certain value, the one with the highest test data score is determined as the prediction model, and the prediction model construction process is completed. If not, the data analysis step 73 and the generalization performance confirmation step 83 are repeated until a prediction model in which the training data score and the test data score reach a certain numerical value can be constructed.
  • the process moves to the in-line quality measurement process.
  • the in-line quality measurement process will be described.
  • the in-line quality measurement process is a process of estimating a quality measurement value based on a prediction model in a process of manufacturing a product through a plurality of manufacturing processes.
  • the quality measurement value is a value calculated by applying process data to the prediction model, and corresponds to an estimated value of quality data.
  • the in-line quality measurement process typically includes a process data acquisition process 91, a time series processing process 92, a quality measurement value estimation process 93, a quality measurement value transmission process 94, a quality determination process 95, and the like. ..
  • the in-line quality measurement step is not limited to the form shown in FIG. 4 as long as the effect of the present invention is exhibited.
  • process data acquisition and time series processing process In the process data acquisition process 91 and the time-series processing process 92 in the in-line quality measurement process, process data acquisition and time delay correction are performed in the same manner as in the process data acquisition process 61 and the time-series processing process 62 in the prediction model construction process. I do. At that time, it is preferable to manufacture the product with the same manufacturing device as the manufacturing device used in the prediction model construction process. By using the same device, the prediction model can be applied to the in-line quality measurement process.
  • the quality measurement value estimation step 93 is a step of estimating the quality measurement value by combining the process data with the prediction model. Specifically, the process data acquired in the process data acquisition process 91 is applied to the prediction model determined in the prediction model construction process to calculate the quality measurement value. In this way, values that are difficult to measure in-line can be estimated.
  • the quality measurement value transmission step 94 is a step of transmitting the quality measurement value calculated in the quality measurement value estimation step 93 to a CPU (Central Processing Unit, for example, a CPU 13 on the manufacturing apparatus side described later) directly connected to the manufacturing apparatus 11.
  • a CPU Central Processing Unit, for example, a CPU 13 on the manufacturing apparatus side described later
  • the quality measurement value transmission step 94 may not be necessary. The form of data exchange will be described later.
  • the quality determination step 95 is a step of determining whether or not the manufactured product has a certain level of quality or not by using the quality measurement value as an index. Therefore, in the present invention, it is preferable to determine the quality of the quality measurement value by means such as providing the quality determination step 95. By confirming whether the quality measurement value is within a certain numerical range, it is possible to confirm whether the product has a certain quality or higher without performing a sampling inspection of the product.
  • the quality measurement value can be kept within a certain numerical range by appropriately changing the setting value (operation data, etc.) of the manufacturing equipment. In this way, it becomes possible to receive the results of online measurement and provide appropriate feedback to stabilize the quality of the product above a certain level and improve the productivity of the product. As a result, the automatic operation of the production line becomes easy.
  • the manufacturing apparatus issues a control command based on the quality measurement value. For example, when the quality measurement value deviates significantly from a certain numerical range, the manufacturing apparatus can be instructed to stop the manufacturing line, so that the manufacturing line can be stopped quickly and automatically when a defective product occurs. In addition, it is possible to notify the operator of an abnormality at an early stage when the production line is stopped. By taking early action when an abnormality occurs, the quality of the product can be kept constant. On the contrary, while the normal quality measurement value is calculated, the operation continuation command of the production line can be issued, and the automatic operation of the production line becomes possible.
  • the manufacturing apparatus 11 shown in FIG. 2 is an apparatus for manufacturing a composite sheet 41 by sticking two sheets 42 and 43 together by a seal bond.
  • the manufacturing apparatus 11 is composed of a seal unit 21, a pattern roll 22, an anvil roll 23, motors 24A to 24E, conveyors 25A to 25H, and the like.
  • the manufacturing apparatus 11 manufactures a product, that is, a composite sheet 41, through a plurality of manufacturing steps.
  • Specific examples of the manufacturing method using the manufacturing apparatus 11 include a step of feeding out the sheets 42 and 43 from the sheet raw fabrics 44 and 45, a step of transporting the fed sheets 42 and 43 by conveyors 25A to 25H, and a step of transporting the fed sheets 42 and 42.
  • Examples thereof include a step of laminating 43 inside the seal unit 21 to form a composite sheet 41, a step of cutting the composite sheet 41 with a cutter for each individual product, and the like.
  • the manufacturing apparatus 11 can acquire process data by providing various sensors. Thickness sensors 31A to 31C, tension sensors 32A and 32B, temperature sensors 33A to 33C, sheet raw fabric sensors 34A and 34B, camera 35 and the like are arranged in the manufacturing apparatus 11 as sensors for acquiring process data by in-line measurement. Will be done. The number and types of sensors are not particularly limited as long as the effects of the present invention can be obtained. In the composite sheet manufacturing apparatus 11, a fiber sheet whose shape tends to be unstable is processed. Therefore, it is preferable that paired sensors (for example, tension sensors 32A and 32B) are arranged on the upstream side and the downstream side of the seal unit 21 for sealing.
  • paired sensors for example, tension sensors 32A and 32B
  • another thickness sensor is arranged on the downstream side of the seal unit 21 in addition to the thickness sensors 31A to 31C.
  • the process data acquired by various sensors is transmitted to the quality measurement device to perform the above-mentioned time series processing, data combination, data analysis, and the like.
  • the quality measurement method of the present invention can be used in various product manufacturing devices in addition to the composite sheet manufacturing device 11.
  • an apparatus for producing a paint by mixing iron powder, activated carbon and water, which are raw materials for the paint (hereinafter, also referred to as “paint manufacturing apparatus”) can be mentioned.
  • the paint manufacturing apparatus is composed of a compounding tank, a stirring blade, a motor, and the like, and manufactures paint through a plurality of manufacturing processes.
  • Specific examples of the manufacturing method using this paint manufacturing apparatus include a step of adding iron powder to the blending tank, a step of adding activated charcoal to the blending tank, a step of adding water to the blending tank, and a step of stirring the raw materials with a stirring blade.
  • the process including the step of applying the manufactured paint to the base material sheet and the like. By these steps, for example, a sheet product having suitable heat generation characteristics can be produced.
  • process data such as iron powder addition amount, activated charcoal addition amount, water addition amount, iron powder particle size, activated charcoal particle size, stirring blade rotation speed, stirring blade stop time, etc. Therefore, quality measurement values such as the viscosity and solid content of the paint can be calculated.
  • the quality measuring device used in the quality measuring method of the present invention will be described with reference to FIG.
  • the quality measuring device is not limited to the form shown in FIG. 5 as long as the effect of the present invention is exhibited.
  • the quality measuring device 12 shown in FIG. 5A has a manufacturing device side CPU 13, a data collecting CPU 14, and an analysis server 15.
  • the quality measuring device 12 arranges various sensors (not shown) in the manufacturing device 11 as means for performing in-line measurement.
  • the manufacturing apparatus side CPU 13 acquires process data 1 from various sensors arranged in the manufacturing apparatus 11 at any time. Further, the manufacturing apparatus side CPU 13 issues a control command 4 of the manufacturing line to the manufacturing apparatus 11 based on the quality measurement value 3.
  • the threshold value of the quality measurement value 3 is set by the CPU 13 on the manufacturing apparatus side, and when the quality measurement value 3 reaches outside the threshold range, the CPU 13 on the manufacturing apparatus side issues a product discharge command or equipment to the manufacturing apparatus 11. Send a stop command, etc.
  • the manufacturing apparatus side CPU 13 also exchanges data with the data collecting CPU 14. Specifically, the data collection CPU 14 acquires the process data 1 from the manufacturing apparatus side CPU 13. Further, the data collection CPU 14 also exchanges data with the analysis server 15 and transfers the process data 1 and the like to the analysis server 15.
  • the analysis server 15 process data acquisition process 61, time series processing process 62, data combination process 63, end determination process 64, data analysis process 71 to 73, generalization performance confirmation process 81 to 83, process data acquisition process 91, time.
  • the serial processing step 92 and the quality measurement value estimation step 93 are executed.
  • the quality data 2 used for combining with the process data is measured offline by a sampling inspection device 16 such as a tensile tester and stored in the analysis server 15.
  • the analysis server 15 builds a prediction model between the quality data 2 and the process data 1.
  • the analysis server 15 calculates the quality measurement value 3 from the process data 1 by the in-line measurement based on the prediction model.
  • the quality measurement value 3 is transferred from the analysis server 15 to the data collection CPU 14, and further transferred to the manufacturing apparatus side CPU 13.
  • FIG. 5 (B) is different from the form shown in FIG. 5 (A), and does not have the data acquisition CPU 14. That is, in the form shown in FIG. 5B, the analysis server 15 also plays the role of the data collection CPU 14. Other points are the same as those shown in FIG. 5 (A).
  • the present invention further discloses the following quality measurement method, product manufacturing method, and quality measurement device.
  • a quality measurement method in the process of manufacturing a product through multiple manufacturing processes.
  • the process of building a forecast model between quality data and process data A quality measurement method including a step of calculating a quality measurement value of a manufactured product from the process data acquired by in-line measurement based on the prediction model.
  • ⁇ 2> The quality measurement method according to ⁇ 1>, wherein the design of experiments method is used for constructing the prediction model.
  • ⁇ 3> The quality measurement method according to ⁇ 1> or ⁇ 2>, wherein a plurality of prediction model candidates are constructed in the construction of the prediction model, and the prediction model candidate having the highest generalization performance is determined as the prediction model.
  • ⁇ 4> The quality measurement method according to any one of ⁇ 1> to ⁇ 3>, wherein the process data is processed in time series in the construction of the prediction model.
  • ⁇ 5> The quality measurement method according to any one of ⁇ 1> to ⁇ 4>, wherein the quality data is measured by sampling inspection.
  • ⁇ 6> The quality measurement method according to any one of ⁇ 1> to ⁇ 5>, which determines the quality of the quality measurement value.
  • ⁇ 7> The quality measurement method according to any one of ⁇ 1> to ⁇ 6>, wherein a control command is issued based on the quality measurement value.
  • ⁇ 8> The quality measurement method according to any one of ⁇ 1> to ⁇ 7>, wherein the product is a composite sheet.
  • ⁇ 9> The quality measurement method according to any one of ⁇ 1> to ⁇ 8>, wherein the process data includes sheet tension, sheet thickness, or both.
  • ⁇ 10> The quality measurement method according to any one of ⁇ 1> to ⁇ 9>, wherein the quality measurement value is the seal strength of a portion where two or more sheets are joined.
  • ⁇ 11> The quality measuring method according to ⁇ 10>, wherein the bonding is performed by heat sealing, ultrasonic sealing, laser welding, or hot melt bonding.
  • ⁇ 12> The quality measurement method according to any one of ⁇ 1> to ⁇ 11>, wherein the CPU on the manufacturing apparatus side acquires the process data from a sensor arranged in the manufacturing apparatus.
  • ⁇ 13> The quality measurement method according to ⁇ 12>, wherein the CPU on the manufacturing apparatus side issues a control command for the manufacturing line to the manufacturing apparatus based on the quality measurement value.
  • ⁇ 14> Any one of ⁇ 1> to ⁇ 13>, wherein the process for constructing the prediction model includes a process data acquisition process, a time series processing process, a data combination process, an end determination process, a data analysis process, and a generalization performance confirmation process.
  • ⁇ 15> The quality measurement method according to ⁇ 14>, wherein in the process data acquisition step, material data and device data are acquired together as the process data.
  • the time-series processing step is a step of correcting a time delay between the process data and storing the data in the analysis server.
  • the quality measurement method according to any one of ⁇ 14> to ⁇ 16>, wherein the data combining step is a step of associating and combining the process data of each product with the quality data of each product.
  • the end determination step is a step of determining whether or not the number of data acquired through the process data acquisition step, the time series processing step, and the data combination step is sufficient for use in data analysis.
  • the quality measurement method according to any one of ⁇ 14> to ⁇ 17>.
  • ⁇ 19> The quality measurement method according to any one of ⁇ 14> to ⁇ 18>, wherein in the generalization performance confirmation step, the prediction model is determined in two stages of analysis of learning data and analysis of test data.
  • ⁇ 20> The quality measurement method according to any one of ⁇ 1> to ⁇ 19>, wherein when the step of constructing the prediction model is completed, the step of calculating the quality measurement value is started.
  • ⁇ 21> The quality measurement method according to any one of ⁇ 3> to ⁇ 20>, wherein in the step of calculating the quality measurement value, the quality measurement value is estimated based on the prediction model.
  • the quality measurement method described in. ⁇ 23> The quality measurement method according to ⁇ 22>, wherein in the process data acquisition step and the time series processing step, the process data is acquired and the time delay is corrected.
  • the quality measurement value estimation step is a step of estimating the quality measurement value by combining the process data with the prediction model.
  • the quality measurement value transmission step is a step of transmitting the quality measurement value to a CPU directly connected to a manufacturing apparatus.
  • the quality determination step is a step of determining whether or not the manufactured product has a certain level of quality or not using the quality measurement value as an index. Described quality measurement method.
  • a method for manufacturing a product which comprises the quality measurement method according to any one of ⁇ 1> to ⁇ 26>.
  • a quality measuring device used for equipment that manufactures products through multiple manufacturing processes has an analysis server and The analysis server builds a prediction model between quality data and process data, A quality measurement device in which the analysis server calculates a quality measurement value from the process data by in-line measurement based on the prediction model.
  • the quality measuring device which has a CPU on the control device side and a CPU for collecting data.
  • the analysis server executes a process data acquisition process, a time series processing process, a data combination process, an end determination process, a data analysis process, a generalization performance confirmation process, and a quality measurement value estimation process, ⁇ 28> or ⁇ 29>.
  • the composite sheet 41 was manufactured using the manufacturing apparatus 11 shown in FIG. 2, various sensors, and the quality measuring apparatus 12 shown in FIG. 5 (A), and the seal strength was estimated as in Examples 1 to 3 below.
  • the operation data were oil pressure, pattern roll temperature, anvil roll temperature, dancer pressure, sheet raw material storage humidity, and conveyor transfer speed.
  • Process data other than operation data includes motor shaft rotation speed at 5 locations, motor shaft load at 5 locations, entry side seat temperature, exit side seat temperature, seal unit temperature, upper shaft seat original fabric diameter, and lower shaft seat original. The reverse diameter, the entry side seat tension, the exit side seat tension, and the seat thickness at three locations were used. That is, a total of 26 types of process data including operation data were used.
  • the quality data were the inlet side seal strength and the outlet side seal strength.
  • the “entry side” refers to the downstream side of the manufacturing apparatus 11 in the machine flow direction
  • the “exit side” refers to the upstream side of the manufacturing apparatus 11 in the machine flow direction.
  • the prediction model candidates were constructed and the prediction model was determined.
  • the manufacturing apparatus 11 shown in FIG. 2 was used to attach the sheets for the absorbent article while acquiring the process data to manufacture the composite sheet.
  • the acquired process data was processed in time series to correct the time delay between the sensors.
  • all composite sheets were sampled and inspected, and quality data was measured.
  • a tensile tester was used to measure the inlet-side seal strength and the outlet-side seal strength, which are quality data.
  • 40 sets of data sets were acquired at one time. The above operation was repeated 18 times, and a total of 720 sets of data sets were acquired. During repeated use of the experimental design, it was assigned process data L 18 orthogonal table.
  • the 720 sets of data sets were divided into 360 sets of training data and 360 sets of test data, and linear analysis and non-linear analysis were performed on each of them to construct a plurality of prediction model candidates.
  • the operation of acquiring the data set was repeated three more times, and 120 sets of data sets were additionally acquired.
  • a total of 840 sets of data sets were divided into 420 sets of training data and 420 sets of test data, and the first data analysis was performed for each.
  • linear analysis and non-linear analysis were performed, and a plurality of prediction model candidates were constructed.
  • the lasso regression was performed assuming that the R 2 values of both the training data and the test data exceeded 0.6, so the model by the lasso regression has sufficient generalization performance. I decided. Further, the model according to lasso regression for the R 2 of the test data score the highest in comparison with other predictive model candidates, to determine the model by lasso regression prediction model.
  • Example 1 According to the flow chart shown in FIG. 4, the sheets for absorbent articles were laminated under the conditions of the pattern roll temperature of 125 ° C. and the anvil roll temperature of 170 ° C. in the manufacturing apparatus used for acquiring the data set, and a total of 100 composite sheets were attached. Manufactured. The operation data was not changed during manufacturing. The process data acquired at the time of bonding was processed in time series together with the operation data to correct the time delay between the sensors. The lasso regression determined in the prediction model was applied to the process data after the time-series processing, and the values of the inlet-side seal strength and the outlet-side seal strength were estimated as quality measurement values for each of the 100 composite sheets. The average value of 100 quality measurement values was calculated for each of the inlet side seal strength and the outlet side seal strength.
  • Example 2 Except that the pattern roll temperature was 120 ° C. and the anvil roll temperature was 160 ° C., 100 quality measurement values were estimated for each of the inlet side seal strength and the outlet side seal strength in the same manner as in Example 1, and the average value was calculated. I asked.
  • Example 3 Except that the pattern roll temperature was 115 ° C. and the anvil roll temperature was 150 ° C., 100 quality measurement values were estimated for each of the inlet side seal strength and the outlet side seal strength in the same manner as in Example 1, and the average value was calculated. I asked.
  • the difference between the average value of the quality measurement value of the entry side seal strength and the average value of the measured value of the entry side seal strength is suppressed within 0.3 N / 15 mm. It was found that the inlet seal strength can be estimated with high accuracy by using the prediction model. Further, in Example 1 in which the composite sheet was manufactured by setting the pattern roll temperature and the anvil roll temperature to relatively high temperatures, the inlet-side seal strength could be maintained at a relatively large value. On the other hand, as in Examples 2 and 3, the inner seal strength could be gradually reduced by gradually lowering the pattern roll temperature and the anvil roll temperature. In this way, it was found that the inlet seal strength of the manufactured composite sheet can be adjusted by manipulating the pattern roll temperature and the anvil roll temperature.

Abstract

 複数の製造工程を経て製品を製造する工程における品質計測方法であって、品質データ及びプロセスデータの間で予測モデルを構築する工程と、前記予測モデルに基づき、インライン測定により取得する前記プロセスデータから、製造された製品の品質計測値を算出する工程とを有する、品質計測方法。  本発明によれば、抜き取り検査を行うことなく、インライン測定では測定困難な品質を計測できる。

Description

品質計測方法及び品質計測装置
　本発明は、品質計測方法及び品質計測装置に関する。
　吸収性物品等のシート製品の品質を保証するために、従来から、製造工程においてインライン測定による全数検査や、オフライン測定での抜き取り検査等が行われてきた。
　インライン測定による全数検査では、製造工程中に設けた画像センサ等で、材料表面の異物を検出したり、材料の寸法を計測したりして、製品に異常がないか確かめられる。
　一方、インライン測定では測定困難な品質（例えば、シール強度や吸収性能）については、破壊検査等の抜き取り検査が行われ、製品に異常がないか確かめられる。
　特許文献１には、製造プロセス変更に起因する変化量の算出方法が記載されている。この方法では、製造プラントの生産性の向上を目的として、制御機能や操業方法などの製造プロセス変更に起因する変化量を精度良く算出する。
　また、特許文献２には、製造パラメータ及び性能フィードバックパラメータを、加工装置によって製造された個々の吸収性物品と相関させるように構成され得るシステム及びプロセスが開示されている。製品試験から得られた製品性能データは、製造業者が将来の加工機器を製造し、かつ／又は処理調整するためのツールとして使用され得る。
　さらに、特許文献３には、複数の製造工程を経て製品を製造する製造方法が記載されている。この方法は吸収性物品の製造にも用いられ、機械稼働率の向上、および製品良品率の向上を実現できる。
特開２０１３－１０５３１３号公報 特表２０１６－５３８６５２号公報 特開２０１８－１２９０３０号公報
　本発明は、複数の製造工程を経て製品を製造する工程における品質計測方法であって、品質データ及びプロセスデータの間で予測モデルを構築する工程と、前記予測モデルに基づき、インライン測定により取得する前記プロセスデータから、製造された製品の品質計測値を算出する工程とを有する、品質計測方法を提供する。
　また、本発明は、複数の製造工程を経て製品を製造する装置に対して用いられる品質計測装置であって、前記品質計測装置が解析サーバを有し、前記解析サーバが品質データ及びプロセスデータの間で予測モデルを構築し、前記解析サーバが前記予測モデルに基づき、インライン測定により前記プロセスデータから品質計測値を算出する、品質計測装置を提供する。
　本発明の上記及び他の特徴及び利点は、適宜添付の図面を参照して、下記の記載からより明らかになるであろう。
本発明に係る品質計測方法における予測モデル構築工程の好ましい一例を示した流れ図である。 本発明に係る品質計測方法が用いられる製造装置の好ましい一例を、品質計測方法に用いる各種センサとともに示した概略構成図である。 時系列処理を行う対象であるプロセスデータの具体的な一例を示した図面である。（Ａ）は時系列処理工程においてプロセスデータ同士を対応させる方法の一例を示し、（Ｂ）は時系列処理後のプロセスデータの格納状態の一例を示す。 本発明に係る品質計測方法におけるインライン品質計測工程の好ましい一例を示した流れ図である。 本発明の品質計測装置の好ましい実施形態を示したブロック図である。（Ａ）はデータ収集ＣＰＵを解析サーバから分離した形態を示し、（Ｂ）はデータ収集ＣＰＵと解析サーバとを一体化した形態を示す。 実施例１～３で算出した入側シール強度の品質計測値を、実測値と比較したグラフである。
発明の詳細な説明
　本発明は、抜き取り検査を行うことなく、インライン測定では測定困難な品質を計測できる、品質計測方法及び品質計測装置に関する。
　破壊検査等の抜き取り検査では、全製品の中から一部を抜き取って検査するため、全数検査をすることができない。そのため、仮に抜き取り検査で異常品を発見しても、その原因究明には多くの時間が掛かる。また、同一の品種を異なる製造ラインで作った場合でも、機差や材料物性の違い等により、適切な品質を得るための製造条件の範囲が大きく異なることもある。このような場合、品種や製造ライン毎に製造条件の検証を要し、多大な労力が掛かる。そのため、多大な労力を掛けなくても、インライン測定では測定困難な品質を推定することが求められている。
　本発明の品質計測方法及び品質計測装置によれば、抜き取り検査を行うことなく、インライン測定では測定困難な品質を計測できる。
　本発明の品質計測方法の好ましい一実施形態について、吸収性物品の品質計測方法を一例として、図１～４を参照しながら以下に説明する。まず、本発明の品質計測方法に用いられるデータの種類を説明する。
（プロセスデータ）
　プロセスデータとは、製品を製造する複数の工程において、インライン測定にて取得されるデータである。
　プロセスデータは、製品の材料から取得される材料データと、装置から取得される装置データとに大別される。材料データ及び装置データは、製造工程におけるインライン測定にて時系列で取得され、時間とともに変化し得るデータである。
　材料データの具体例としては、シート原反径、シート原反保存湿度、シート温度、シートテンション、シート厚み等が挙げられる。装置データの具体例としては、油圧、パターンロール温度、アンビルロール温度、ロール回転速度、モーター軸回転数、モーター軸負荷、ダンサー圧力、コンベア搬送速度等が挙げられる。
　また、プロセスデータは、製造ラインのオペレータが設定値として適宜操作できるデータ（以下、「操作データ」という。）を含んでもよい。操作データの具体例として、装置データであれば油圧、パターンロール温度、アンビルロール温度、ダンサー圧力、コンベア搬送速度等が挙げられ、材料データであればシート原反保存湿度等が挙げられる。
　プロセスデータは、材料データとして、シートテンション若しくはシート厚み、又はこれら両方を含むことが好ましい。
（品質データ）
　品質データは、インライン測定では測定困難なデータである。例えば、破壊検査等の抜き取り検査で計測し、取得する（オフライン測定）。品質データの具体例として、おむつサイドシール、ナプキンエンボスシール、アイマスク耳掛シール、個装外周シール等のシール強度、液残り量、ウェットバック量、吸収速度、坪量分布等によって評価されるサニタリー製品の吸収性能、持続時間、最高温度、昇温速度等によって評価される発熱体の温熱性能、粘度、固形分量等によって評価される塗料の品質、肌触り、風合い、見た目といった官能評価や、透湿フィルムの透湿度が挙げられる。シール強度には、２枚以上のシートを結合した部分のシール強度が含まれる。
　シール強度の測定は、引張試験機を用いて結合したシールを剥がしながら行う破壊検査により行われることが一般的である。故に、シール強度は品質データに該当する。
　シートの結合には、種々の方法を用いることができる。具体的には、ヒートシール、超音波シール、レーザー溶着、ホットメルト接着等が挙げられる。
　本発明の品質計測方法は、複数の製造工程を経て製品を製造する方法に用いられる。本明細書における製品は、完成した製品（最終製品）だけでなく、製造工程の途中にある中間製品や半製品も含む意味である。
　本発明の効果を奏するものであれば、製造される製品は特に限定されない。例えばシートを用いて製造した製品が挙げられ、典型的にはおむつ等に用いられる複合シートが挙げられる。シートには種々の素材のものが挙げられ、例えば不織布等の繊維シートが含まれる。
　また、製造される製品は、個々の製品が切り離された枚葉のものに限定されず、巻き取り紙のように連続状のものであってもよい。製品が連続状である場合、プロセスデータ及び品質データは、個々のデータを移動平均した値を用いてもよい。
　移動平均の方法は、本発明の製造方法が効果を奏するものである限り、特に限定されない。例えば、図３（Ａ）において連続した１０個の値で移動平均を行う場合、データＸ１０に対応する移動平均値は、データＸ１０を含めて連続する直前の１０個のデータ（即ち、データＸ１～Ｘ１０）の総和を１０で除した値となる。製品の製造開始直後等、直前に連続するデータが１０個存在しない場合は、連続するデータを全て合計し、１０で除した値が移動平均値となる。具体的には、データＸ３に対応する移動平均値は、データＸ０～Ｘ３の４つの値の総和を１０で除した値となる。
　前述の繊維シートは、外力によって変形しやすく、形状が安定しにくいものである。故に、繊維シートは製造工程の中で条件によっては変形し得る。そのため本発明の品質計測方法においては、繊維シートに関するプロセスデータを時系列で取得することが好ましい。
　その際、繊維シートの加工処理の前後におけるプロセスデータを取得することが好ましい。特に、シートテンションやシート厚みのプロセスデータは、複合シートを製造する際に、繊維シートに関する品質データ（例えば、繊維シート間のシールの品質）をより良く推定する材料として好ましい。
　本発明の品質計測方法は、品質データ及びプロセスデータの間で予測モデルを構築する工程（以下、「予測モデル構築工程」という。）と、予測モデルに基づき、インライン測定により取得するプロセスデータから、製造された製品の品質計測値を算出する工程（以下、「インライン品質計測工程」という。）とを有する。品質計測値とは、インライン測定によって算出される、前述の品質データと同種のデータである。従って、インライン品質計測工程では、オフライン測定によって製品の品質データを測定するのではなく、インライン測定によって製品の品質計測値を推定する。
　以下、予測モデル構築工程から順に説明する。
（予測モデル構築工程）
　予測モデル構築工程は典型的には、図１に示すように、プロセスデータ取得工程６１、時系列処理工程６２、データ結合工程６３、終了判定工程６４、データ解析工程７１～７３、汎化性能確認工程８１～８３等からなる。
　但し、本発明の効果を奏する限り、予測モデル構築工程は図１に示す形態に限定されない。
　プロセスデータ取得工程６１～データ結合工程６３を繰り返して効率的且つ網羅的に予測モデル構築用のプロセスデータを取得するには、マトリックステスト、因子固定テスト、実験計画法等を利用することができる。取得するプロセスデータの値の組み合わせを少なくする観点から、実験計画法を利用することが好ましい。
　実験計画法に用いる直交表は、特に制限されない。例えば、Ｌ１２直交表、Ｌ１８直交表、Ｌ３６直交表等を用いることができる。
　また、実験計画法において直交表に割り付ける水準を調整することで、予測する品質計測値の変動の割合を変えることができる。例えば、直交表に割り付ける水準を大きくすると、予測する品質計測値の変動の割合は小さくなる。反対に、直交表に割り付ける水準を小さくすると、予測する品質計測値の変動の割合は大きくなる。
（プロセスデータ取得工程）
　プロセスデータ取得工程６１では、製造ラインからインライン測定にて、予測モデル構築用のプロセスデータを取得する。この工程では、プロセスデータとして材料データと装置データとを合わせて取得する。
　製造される製品に直接関係するプロセスデータを取得する観点から、プロセスデータの取得は製造ラインの稼働中に行うことが好ましい。
　プロセスデータの取得は、データの種類に応じた各種センサを用いることができる。例えば、温度のプロセスデータを取得する場合には、放射温度計を用いることができる。シート厚みのプロセステータを取得する場合には、接触式変位計や、レーザー、超音波、静電容量等を利用した非接触式変位計を用いることができる。
　本発明では、加工の前後の状態から製品の良否を判定する観点から、加工の前後それぞれにおいてプロセスデータを取得することが好ましい。加工の前後でプロセスデータを取得するには、製造装置の加工部分の前後に各種センサを設けることで、実現できる。
　製造される製品が、繊維シートのように製造工程で厚み等が変化し得る不安定なものである場合、加工の前後でプロセスデータを取得することは、品質データを精度良く推定する観点から特に効果的である。
（プロセスデータの時系列処理工程）
　時系列処理工程６２は、プロセスデータ間の時間的遅れを補正して、解析サーバ等に格納する工程である。
　プロセスデータを取得するためのセンサは、製品を製造する工程中に、多数設けることがある。そうすると、機械流れ方向の上流に設けたセンサと下流に設けたセンサとでは、同時刻に取得するプロセスデータは別々の製品に対して観測されたデータとなる。そのため、本発明においては、各プロセスデータを同じ製品に対応させるために、プロセスデータに時系列処理を行うことが好ましい。時系列処理として、機械流れの速度に応じて適切に時間的遅れ（タイムラグ）を補正する。具体的には、機械流れの速度に応じて、プロセスデータを取得するセンサ間の時間的遅れを補正してデータを格納する。これにより、個々の製品とプロセスデータとを対応させて整理することができ、データ解析が可能になる。加えて、後述するデータ結合工程６３において、プロセスデータと品質データとを対応させることもできる。
　時系列処理の具体的な方法を、図２に示す製造装置１１を用いて説明する。
　製造装置１１には、本発明の品質計測方法に用いる各種センサが配されている。モーター２４Ｅから取得される軸回転数を他のプロセスデータと対応させる場合、モーター２４Ｅの位置と、他のセンサの位置までの距離を事前に確認しておく。他のセンサとして、図２では、シールユニット温度のプロセスデータを取得する温度センサ３３Ｂ、上軸シート原反径のプロセスデータを取得するシート原反センサ３４Ａ、等が挙げられる。ここで、それぞれの距離を、切断したシート枚数（製品の個数）に対応させる。一例として、温度センサ３３Ｂはモーター２４Ｅから３４枚目である。シート原反センサ３４Ａはモーター２４Ｅから４０枚目である。製造装置によって、上記距離に対応するシート枚数は変わる。このように、シート枚数と対応させることで、モーター２４Ｅから温度センサ３３Ｂやシート原反センサ３４Ａまでの距離を特定することができる。
　従って、図３（Ａ）に示すように、モーター２４Ｅの軸回転数のデータＺ４０のタイミングにおけるプロセスデータとして、シールユニット温度＝データＹ４０、上軸シート原反径＝データＸ４０が取得される。しかし、これらのプロセスデータはデータＺ４０が観測された製品に対応するデータではない。モーター２４Ｅ（図２参照）から温度センサ３３Ｂ（図２参照）までの製品枚数は３４枚である。従って、機械流れの速度に応じて、３４枚分の時間を遡ったタイミングで温度センサ３３Ｂにて取得されるデータＹ６が、データＺ４０が観測された製品に対応するシールユニット温度のプロセスデータとなる。また、上軸シート原反径（図２参照）については、４０枚分の時間を遡ったデータＸ０が、データＺ４０が観測された製品に対応する上軸シート原反径のプロセスデータとなる。
　このようにして、プロセスデータ同士を個々の製品毎に対応させ、時間的遅れを補正することができる。
　対応させたプロセスデータ同士は、個々の製品毎に表計算ソフトの同一の行又は同一の列に格納し、整理することが好ましい。上記の例では、同一の製品に対応するデータＸ０、データＹ６及びデータＺ４０を、図３（Ｂ）に示すように表計算ソフトの同一の行に格納することが好ましい。
（データ結合工程）
　データ結合工程６３は、個々の製品のプロセスデータと、個々の製品の品質データとを対応させ、結合する工程である。結合の方法は特に限定されないが、品質データもプロセスデータと同様に、個々の製品毎に表計算ソフトの同一の行又は同一の列に格納し、整理することが挙げられる。
　予測モデル構築工程がデータ結合工程６３を有することで、品質データを多様なプロセスデータと対応させることができる。例えば、材料データ、装置データ、及び操作データを品質データと対応させ、組み合わせることができる。
　データ解析を迅速に行う観点から、データ結合工程６３においては、時系列処理工程６２において時間的遅れが補正されたプロセスデータを用いることが好ましい。
　１つの製品について、対応させたプロセスデータと品質データとは、一群のデータセットとして解析サーバ等に格納される。即ち、データセットは製品の数だけ取得できる。
　終了判定工程６４は、プロセスデータ取得工程６１からデータ結合工程６３までを経て取得されたデータセットの数が、データ解析に用いるのに十分か否かを判断する工程である。データセットの数が十分な場合は、後述のデータ解析工程７１へと移る。一方、データセットの数が十分でない場合は、十分な数のデータセットを取得できるまで、プロセスデータの値の組み合わせを適宜変更しながら、プロセスデータ取得工程６１からデータ結合工程６３までを繰り返す。このとき、前述の実験計画法により、データセットを効率的に取得することが好ましい。
（１回目のデータ解析工程）
　データ解析工程７１は、データセットの取得後に、１回目のデータ解析を行う工程である。
　データ解析を行う際、取得したデータセットを２分割する。２分割したうちの一方を学習データ、もう一方をテストデータとする。学習データは、主に予測モデルの候補となり得るモデル（以下、「予測モデル候補」という。）を構築するためのデータである。テストデータは、主に学習データで構築した予測モデル候補を検証し、予測モデルを決定するためのデータである。
　データ解析では、学習データ及びテストデータに対して各種の分析を行い、予測モデル候補を複数構築する。構築した複数の予測モデル候補については、後述のスコアを算出する。
　データセットを学習データとテストデータとに分割することで、過学習を避けることができ、未知の品質データを予測しやすくなる。学習データとテストデータの分割割合は任意に決めてよいが、８：２や５：５等の比率で分割することが一般的である。また、学習データとテストデータの分割にはクロスバリデーションを用いてもよい。
　予測モデル候補を判定し選出する方法は、特に限定されない。例えば、学習データ及びテストデータを用いた分析の結果が一定水準以上の予測モデルを、予測モデル候補として採用する方法が挙げられる。
　学習データ及びテストデータに対して行われる分析手法としては、本発明の効果を奏するものであれば、特に限定されない。例えば、各種の線形回帰や、各種の非線形回帰が挙げられる。
　線形回帰の具体例として、重回帰分析、ＰＬＳ回帰分析、ラッソ回帰分析、リッジ回帰分析、エラスティックネット回帰分析、ｓｇｄ回帰分析、サポートベクター回帰分析等が挙げられる。
　非線形回帰の具体例として、非線形サポートベクター回帰分析、カーネルリッジ回帰分析、ランダムフォレスト回帰分析、ＭＬＰ回帰分析等が挙げられる。
　各分析手法においては、ハイパーパラメータの調整を行う必要がある。ハイパーパラメータの調整を行うことで、予測モデルの精度が向上する。ハイパーパラメータの調整方法も、本発明の効果を奏するものであれば、特に限定されない。
　汎化性能確認工程８１は、データ解析工程７１の分析結果の汎化性能を確認する工程である。本明細書において汎化性能とは、構築した予測モデルが、インライン測定において品質の計測に用いることができる性能をいう。
　汎化性能確認工程８１における具体的な判定の方法としては、構築した複数の予測モデル候補のうち、最も汎化性能が高い予測モデル候補を予測モデルとして決定することが好ましい。学習データの分析とテストデータの分析との２段階で判定を行うことで、予測モデル（最適予測モデル）を効率的に選び出すことができる。
　汎化性能の高さについては、Ｒ２（決定係数）、Ｒ（相関係数）、ＭＳＥ（Ｍｅａｎ　Ｓｑｕａｒｅ　Ｅｒｒｏｒ）、ＲＭＳＥ（Ｒｏｏｔ　Ｍｅａｎ　Ｓｑｕａｒｅ　Ｅｒｒｏｒ）、ＭＡＥ（Ｍｅａｎ　Ａｂｓｏｌｕｔｅ　Ｅｒｒｏｒ）、ＡＩＣ（Ａｋａｉｋｅ’ｓ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｃｒｉｔｅｒｉｏｎ）、ＢＩＣ（Ｂａｙｅｓｉａｎ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｃｒｉｔｅｒｉｏｎ）等のスコアを算出し、スコアの高さで判断することができる。なお、Ｒ２のスコアを用いる場合、予測したい対象にもよるが、０．６を越えていれば予測モデルの精度が高いと判断することができる。
　学習データから算出したスコア（以下、「学習データスコア」という。）及びテストデータに対するスコア（以下、「テストデータスコア」という。）は、データ解析工程７１にて算出してある。そのため汎化性能確認工程８１では、学習データスコア及びテストデータスコアが一定水準以上の予測モデル候補の内、テストデータスコアが最も高いものを予測モデルとして決定する。
　学習データスコア及びテストデータスコアが一定の数値に達している予測モデル候補があれば、テストデータスコアが最も高いものを予測モデルとして決定して、予測モデル構築工程は終了する。そうでない場合は、後述のデータ解析工程７２に移る。
（２回目のデータ解析工程）
　データ解析工程７２は、データ解析工程７１の後に行う、２回目のデータ解析の工程である。
　データ解析工程７２でデータ解析を行う際、データ解析工程７１とは異なるデータを用いるべく、データ解析工程７１に用いたデータセットの一部を削除するか、データセットを構成するプロセスデータの一部を削除（プロセスデータの種類を削減）して、データ解析工程７２を行う。即ち、データ解析工程７２で用いるデータの数は、データ解析工程７１に用いたデータの数よりも少なくなる。解析に用いるデータの数を減らすことで、計算時間が短くて済む。
　データ解析工程７２の具体的な方法は、データ解析工程７１と同様である。即ち、分析対象のデータセットを２分割し、一方を学習データ、もう一方をテストデータとする。学習データ及びテストデータに対してデータ解析工程７１と同様に各種の分析を行い、予測モデル候補を複数構築する。構築した複数の予測モデル候補については、学習データスコア及びにテストデータスコアを算出する。
　汎化性能確認工程８２は、データ解析工程７２の分析結果の汎化性能を確認する工程である。汎化性能確認工程８２における具体的な方法は、汎化性能確認工程８１と同様である。
　学習データスコア及びテストデータスコアが一定の数値に達している予測モデル候補があれば、テストデータスコアが最も高いものを予測モデルとして決定して、予測モデル構築工程は終了する。そうでない場合は、後述のデータ解析工程７３に移る。
（３回目以降のデータ解析工程）
　データ解析工程７３は、データ解析工程７２の後に行う、３回目以降のデータ解析の工程である。
　データ解析工程７３でデータ解析を行う際、これまでのデータ解析とは異なるデータセットを用いるべく、データ解析工程７１及び７２に用いたデータセットに対して適宜データの追加や削除を行った後、データ解析を行う。即ち、データ解析工程７３で用いるデータの数は、データ解析工程７１及び７２に用いたデータの数よりも、多くなる場合もあれば、少なくなる場合もある。
　データを追加してデータ解析工程７３におけるデータ解析を行う場合は、適宜追加でデータを取得する。具体的には、プロセスデータ取得工程６１、時系列処理工程６２、及びデータ結合工程６３による一連の操作を、前述と同様に行う。
　データ解析工程７３の具体的な方法は、データ解析工程７１及び７２と同様である。即ち、分析対象のデータセットを２分割し、一方を学習データ、もう一方をテストデータとする。学習データ及びテストデータに対してデータ解析工程７１及び７２と同様に各種の分析を行い、予測モデル候補を構築する。構築した複数の予測モデル候補については、学習データスコア及びテストデータスコアを算出する。
　汎化性能確認工程８３は、データ解析工程７３の分析結果の汎化性能を確認する工程である。汎化性能確認工程８３における具体的な判定方法は、汎化性能確認工程８１及び８２と同様である。
　学習データスコア及びテストデータスコアが一定の数値に達している予測モデル候補があれば、テストデータスコアが最も高いものを予測モデルとして決定して、予測モデル構築工程は終了する。そうでない場合は、学習データスコア及びテストデータスコアが一定の数値に達した予測モデルが構築できるまで、データ解析工程７３及び汎化性能確認工程８３を繰り返す。
　予測モデル構築工程が終了すると、インライン品質計測工程に移る。以下、インライン品質計測工程について説明する。
（インライン品質計測工程）
　インライン品質計測工程は、複数の製造工程を経て製品を製造する工程において、予測モデルに基づいて品質計測値を推定する工程である。品質計測値とは、予測モデルにプロセスデータを適用して算出した値であり、品質データの推定値に相当する。インライン品質計測工程で品質計測値を算出することで、シール強度等、インライン測定が困難な、目的とする品質の値を推定できる。
　インライン品質計測工程は典型的には、図４に示すように、プロセスデータ取得工程９１、時系列処理工程９２、品質計測値推定工程９３、品質計測値送信工程９４、良否判定工程９５等からなる。但し、本発明の効果を奏する限り、インライン品質計測工程は図４に示す形態に限定されない。
（プロセスデータ取得工程及び時系列処理工程）
　インライン品質計測工程におけるプロセスデータ取得工程９１及び時系列処理工程９２では、予測モデル構築工程におけるプロセスデータ取得工程６１及び時系列処理工程６２と同様にして、プロセスデータの取得と時間的遅れの補正とを行う。その際、予測モデル構築工程で用いた製造装置と、同一の装置で製品を製造することが好ましい。同一の装置を用いることで、予測モデルをインライン品質計測工程に適用できる。
（品質計測値推定工程）
　品質計測値推定工程９３は、プロセスデータを予測モデルと組み合わせ、品質計測値を推定する工程である。具体的には、プロセスデータ取得工程９１で取得したプロセスデータを、予測モデル構築工程で決定した予測モデルに適用し、品質計測値を算出する。このようにして、インライン測定が困難な値を推定できる。
（品質計測値送信工程）
　品質計測値送信工程９４は、品質計測値推定工程９３において算出した品質計測値を、製造装置１１と直結するＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ、例えば、後述の製造装置側ＣＰＵ１３）へ送信する工程である。製造装置１１と直結するＣＰＵへ品質計測値を送信することで、後述の良否判定工程９５において、製造装置１１と直結するＣＰＵが良否判定を行うことができる。
　製造装置１１と直結するＣＰＵが品質計測値を算出する場合等、データのやり取りの形態によっては、品質計測値送信工程９４がなくても良い場合がある。データのやり取りの形態については後述する。
（良否判定工程）
　良否判定工程９５は、品質計測値を指標として、製造した製品が一定以上の品質を有しているか否かを判定する工程である。そのため、本発明においては、良否判定工程９５を設ける等の手段で、品質計測値の良否判定を行うことが好ましい。品質計測値が一定の数値範囲内であるかを確認することで、製品の抜き取り検査を行うことなく、製品が一定以上の品質を有しているか確認できる。
　仮に、品質計測値が一定の数値範囲外の場合は、製造装置の設定値（操作データ等）を適宜変更することで、品質計測値を一定の数値範囲内に収めることができる。このようにして、オンライン測定の結果を受けて適宜フィードバックを行い、製品の品質を一定以上に安定化させ、製品の生産性を向上できるようになる。ひいては、製造ラインの自動運転も容易になる。
　製造装置は、品質計測値に基づいて制御指令を行うことが好ましい。
　例えば、品質計測値が一定の数値範囲から大きく逸脱した場合に、製造装置に対して製造ラインの停止の指令を行うことで、不良品発生時に製造ラインを素早く自動的に停止することができる。加えて、製造ライン停止時にオペレータへの異常通知を早期に行うこともできる。異常発生時の早期対応を取ることで、製品の品質を一定に保つことができるようになる。
　反対に、正常な品質計測値が算出されている間は、製造ラインの運転継続の指令を行うことができ、製造ラインの自動運転が可能になる。
　本発明の品質計測方法を含む製造方法としては、種々のものが挙げられ、複数の製造工程を経て製品を製造する様々な装置に用いることができる。例えば、図２に示すような、複合シートの製造装置に適用することができる。
　図２に示す製造装置１１は、２枚のシート４２，４３をシール結合で貼り合わせ、複合シート４１を製造する装置である。製造装置１１はシールユニット２１、パターンロール２２、アンビルロール２３、モーター２４Ａ～２４Ｅ、コンベア２５Ａ～２５Ｈ等から構成される。
　製造装置１１は、複数の製造工程を経て、製品すなわち複合シート４１を製造する。この製造装置１１を用いた製造方法の具体例として、シート原反４４，４５からシート４２，４３を送り出す工程、送り出したシート４２，４３をコンベア２５Ａ～２５Ｈで搬送する工程、搬送したシート４２，４３をシールユニット２１内部で貼り合わせて複合シート４１を形成する工程、複合シート４１を個々の製品毎にカッターで切断する工程等を含むものが挙げられる。
　製造装置１１では、本発明の品質計測方法を実施するに当たり、各種のセンサを設けることで、プロセスデータを取得することができる。製造装置１１には、プロセスデータをインライン測定で取得するためのセンサとして、厚みセンサ３１Ａ～３１Ｃ、テンションセンサ３２Ａ，３２Ｂ、温度センサ３３Ａ～３３Ｃ、シート原反センサ３４Ａ，３４Ｂ、カメラ３５等が配される。センサの数及び種類については、本発明の効果を奏する限り、特に限定されない。
　この複合シートの製造装置１１においては、形状が不安定になりやすい繊維シートを加工する。そのため、シール加工を行うシールユニット２１の上流側と下流側とに、対となるセンサ（例えばテンションセンサ３２Ａ，３２Ｂ）が配されることが好ましい。また、図示しないが、厚みセンサ３１Ａ～３１Ｃの他に、シールユニット２１の下流側に別の厚みセンサが配されることが好ましい。
　各種センサにて取得したプロセスデータを品質計測装置に送信し、前述の時系列処理、データ結合、データ解析等を行う。
　本発明の品質計測方法は、複合シートの製造装置１１の他に、様々な製品の製造装置に用いることができる。例えば、塗料の原料である鉄粉、活性炭及び水を混ぜ合わせ、塗料を製造する装置（以下、「塗料製造装置」ともいう。）が挙げられる。
　塗料製造装置は、配合槽、撹拌羽根、モーター等から構成され、複数の製造工程を経て塗料を製造する。この塗料製造装置を用いた製造方法の具体例として、鉄粉を配合槽に添加する工程、活性炭を配合槽に添加する工程、水を配合槽に添加する工程、撹拌羽根で原料を掻き混ぜる工程、製造した塗料を基材シートに塗工する工程等を含むものが挙げられる。これらの工程により、例えば好適な発熱特性を有するシート製品を製造することができる。
　塗料製造装置では、本発明の品質計測方法の実施に当たり、鉄粉添加量、活性炭添加量、水添加量、鉄粉粒径、活性炭粒径、撹拌羽根回転速度、撹拌羽根停止時間等のプロセスデータから、塗料の粘度や固形分量等の品質計測値を算出することができる。
　次に、本発明の品質計測方法に用いられる品質計測装置の好ましい一例について、図５を参照して説明する。但し、本発明の効果を奏する限り、品質計測装置は図５に示す形態に限定されない。
　図５（Ａ）に示す品質計測装置１２は、製造装置側ＣＰＵ１３、データ収集ＣＰＵ１４及び解析サーバ１５を有する。品質計測装置１２は、インライン測定を行う手段として、製造装置１１に各種のセンサ（図示せず）を配している。製品を製造する工程において、製造装置側ＣＰＵ１３は、製造装置１１に配された各種センサから、プロセスデータ１を随時取得する。また製造装置側ＣＰＵ１３は、品質計測値３に基づいて、製造ラインの制御指令４を製造装置１１に対して行う。例えば、製造装置側ＣＰＵ１３で品質計測値３の閾値を設定しておき、品質計測値３が閾値の範囲外に達した場合に、製造装置側ＣＰＵ１３は製造装置１１に対して製品排出指令や設備停止指令等を送る。このようにして、製造装置１１と製造装置側ＣＰＵ１３とはデータのやり取りを行う。
　製造装置側ＣＰＵ１３は、データ収集ＣＰＵ１４ともデータのやり取りを行う。具体的には、データ収集ＣＰＵ１４は、製造装置側ＣＰＵ１３からプロセスデータ１を取得する。また、データ収集ＣＰＵ１４は解析サーバ１５ともデータのやり取りを行い、プロセスデータ１等を解析サーバ１５に転送する。
　解析サーバ１５では、プロセスデータ取得工程６１、時系列処理工程６２、データ結合工程６３、終了判定工程６４、データ解析工程７１～７３、汎化性能確認工程８１～８３、プロセスデータ取得工程９１、時系列処理工程９２、及び品質計測値推定工程９３を実行する。プロセスデータとの結合に用いる品質データ２は、引張試験機等の抜き取り検査装置１６にてオフライン測定し、解析サーバ１５に蓄積する。
　予測モデル構築工程においては、解析サーバ１５は、品質データ２及びプロセスデータ１の間で予測モデルを構築する。また、インライン品質計測工程においては、解析サーバ１５は、予測モデルに基づき、インライン測定によりプロセスデータ１から品質計測値３を算出する。品質計測値３は、解析サーバ１５からデータ収集ＣＰＵ１４に転送され、更に製造装置側ＣＰＵ１３にも転送される。
　図５（Ｂ）に示す形態は、図５（Ａ）に示す形態とは異なる形態であり、データ収集ＣＰＵ１４を有しない。即ち、図５（Ｂ）に示す形態では、解析サーバ１５がデータ収集ＣＰＵ１４の役割も果たす。その他の点は、図５（Ａ）に示す形態と同様である。
　図５（Ａ）に示す形態を採用すると、解析サーバ１５だけでなくデータ収集ＣＰＵ１４にもデータを蓄積できるようになるため、解析サーバ１５への負荷を小さくすることができる。
　一方、図５（Ｂ）に示す形態を採用すると、製造装置側ＣＰＵ１３と解析サーバ１５とがデータ収集ＣＰＵ１４を介することなく直接データのやり取りをすることが可能になる。
　上述した実施形態に関し、本発明は更に以下の品質計測方法、製品の製造方法、及び品質計測装置を開示する。
＜１＞
　複数の製造工程を経て製品を製造する工程における品質計測方法であって、
　品質データ及びプロセスデータの間で予測モデルを構築する工程と、
　前記予測モデルに基づき、インライン測定により取得する前記プロセスデータから、製造された製品の品質計測値を算出する工程とを有する、品質計測方法。
＜２＞
　前記予測モデルの構築に実験計画法を利用する、＜１＞記載の品質計測方法。
＜３＞
　前記予測モデルの構築において、予測モデル候補を複数構築し、最も汎化性能が高い予測モデル候補を前記予測モデルとして決定する、＜１＞又は＜２＞記載の品質計測方法。
＜４＞
　前記予測モデルの構築において、前記プロセスデータに時系列処理を行う、＜１＞～＜３＞のいずれか１に記載の品質計測方法。
＜５＞
　前記品質データは、抜き取り検査で計測される、＜１＞～＜４＞のいずれか１に記載の品質計測方法。
＜６＞
　前記品質計測値の良否判定を行う、＜１＞～＜５＞のいずれか１に記載の品質計測方法。
＜７＞
　前記品質計測値に基づいて制御指令を行う、＜１＞～＜６＞のいずれか１に記載の品質計測方法。
＜８＞
　前記製品が複合シートである、＜１＞～＜７＞のいずれか１に記載の品質計測方法。
＜９＞
　前記プロセスデータがシートテンション若しくはシート厚み、又はこれら両方を含む、＜１＞～＜８＞のいずれか１に記載の品質計測方法。
＜１０＞
　前記品質計測値が、２枚以上のシートを結合した部分のシール強度である、＜１＞～＜９＞のいずれか１に記載の品質計測方法。
＜１１＞
　前記結合が、ヒートシール、超音波シール、レーザー溶着、又はホットメルト接着により行われる、＜１０＞記載の品質計測方法。
＜１２＞
　製造装置側ＣＰＵが、製造装置に配されたセンサから前記プロセスデータを取得する、＜１＞～＜１１＞のいずれか１に記載の品質計測方法。
＜１３＞
　前記製造装置側ＣＰＵが、前記品質計測値に基づいて、製造ラインの制御指令を製造装置に対して行う、＜１２＞記載の品質計測方法。
＜１４＞
　前記予測モデルを構築する工程が、プロセスデータ取得工程、時系列処理工程、データ結合工程、終了判定工程、データ解析工程、及び汎化性能確認工程からなる、＜１＞～＜１３＞のいずれか１に記載の品質計測方法。
＜１５＞
　前記プロセスデータ取得工程では、前記プロセスデータとして材料データと装置データとを合わせて取得する、＜１４＞記載の品質計測方法。
＜１６＞
　前記時系列処理工程が、前記プロセスデータ間の時間的遅れを補正して、解析サーバにデータを格納する工程である、＜１４＞又は＜１５＞記載の品質計測方法。
＜１７＞
　前記データ結合工程が、個々の製品の前記プロセスデータと、個々の製品の品質データとを対応させ、結合する工程である、＜１４＞～＜１６＞のいずれか１に記載の品質計測方法。
＜１８＞
　前記終了判定工程は、前記プロセスデータ取得工程、前記時系列処理工程、及び前記データ結合工程を経て取得されたデータの数が、データ解析に用いるのに十分か否かを判断する工程である、＜１４＞～＜１７＞のいずれか１に記載の品質計測方法。
＜１９＞
　前記汎化性能確認工程では、学習データの分析とテストデータの分析との２段階で前記予測モデルの判定を行う、＜１４＞～＜１８＞のいずれか１に記載の品質計測方法。
＜２０＞
　前記予測モデルを構築する工程が終了すると、前記品質計測値を算出する工程に移る、＜１＞～＜１９＞のいずれか１に記載の品質計測方法。
＜２１＞
　前記品質計測値を算出する工程では、前記予測モデルに基づいて前記品質計測値を推定する、＜３＞～＜２０＞のいずれか１に記載の品質計測方法。
＜２２＞
　前記品質計測値を算出する工程が、プロセスデータ取得工程、時系列処理工程、品質計測値推定工程、品質計測値送信工程、及び良否判定工程からなる、＜１＞～＜２１＞のいずれか１に記載の品質計測方法。
＜２３＞
　前記プロセスデータ取得工程及び前記時系列処理工程では、前記プロセスデータの取得と時間的遅れの補正とを行う、＜２２＞記載の品質計測方法。
＜２４＞
　前記品質計測値推定工程が、前記プロセスデータを前記予測モデルと組み合わせ、前記品質計測値を推定する工程である、＜２２＞又は＜２３＞記載の品質計測方法。
＜２５＞
　前記品質計測値送信工程が、製造装置と直結するＣＰＵへ前記品質計測値を送信する工程である、＜２２＞～＜２４＞のいずれか１に記載の品質計測方法。
＜２６＞
　前記良否判定工程が、前記品質計測値を指標として、前記製造された製品が一定以上の品質を有しているか否かを判定する工程である、＜２２＞～＜２５＞のいずれか１に記載の品質計測方法。
＜２７＞
　＜１＞～＜２６＞のいずれか１に記載の品質計測方法を含む、製品の製造方法。
＜２８＞
　複数の製造工程を経て製品を製造する装置に対して用いられる品質計測装置であって、
　前記品質計測装置が解析サーバを有し、
　前記解析サーバが品質データ及びプロセスデータの間で予測モデルを構築し、
　前記解析サーバが前記予測モデルに基づき、インライン測定により前記プロセスデータから品質計測値を算出する、品質計測装置。
＜２９＞
　制御装置側ＣＰＵ及びデータ収集ＣＰＵを有する、＜２８＞記載の品質計測装置。
＜３０＞
　前記解析サーバが、プロセスデータ取得工程、時系列処理工程、データ結合工程、終了判定工程、データ解析工程、汎化性能確認工程、及び品質計測値推定工程を実行する、＜２８＞又は＜２９＞記載の品質計測装置。
　以下、本発明を実施例に基づきさらに詳しく説明するが、本発明はこれにより限定して解釈されるものではない。
　図２に示す製造装置１１及び各種センサ、並びに図５（Ａ）に示す品質計測装置１２を用いて、複合シート４１を製造し、以下の実施例１～３の通りにシール強度を推定した。
　操作データは、油圧、パターンロール温度、アンビルロール温度、ダンサー圧力、シート原反保存湿度、及びコンベア搬送速度とした。
　操作データ以外のプロセスデータは、５か所のモーター軸回転数、５か所のモーター軸負荷、入側シート温度、出側シート温度、シールユニット温度、上軸シート原反径、下軸シート原反径、入側シートテンション、出側シートテンション、及び３か所のシート厚みとした。即ち、操作データを含めて全部で２６種類のプロセスデータを用いた。
　品質データは、入側シール強度及び出側シール強度とした。
　なお、「入側」とは、製造装置１１の機械流れ方向の下流の側をいい、「出側」とは、製造装置１１の機械流れ方向の上流の側をいう。
（データセットの取得）
　図１に示す流れ図に従い、予測モデル候補の構築と、予測モデルの決定とを行った。
　操作データを適宜設定後、図２に示す製造装置１１を用いて、プロセスデータを取得しながら吸収性物品用のシートを貼り合わせ、複合シートを製造した。取得したプロセスデータは、時系列処理を行い、センサ間の時間的遅れを補正した。一方、複合シートについては全て抜き取り検査を行い、品質データを測定した。品質データである入側シール強度及び出側シール強度の測定には、引張試験機を用いた。
　時系列処理後のプロセスデータと品質データとを結合し、一度に４０組のデータセットを取得した。
　上記の操作を１８回繰り返し、全部で７２０組のデータセットを取得した。繰り返しの際には実験計画法を利用し、プロセスデータをＬ１８直交表に割り付けた。
（１回目のデータ解析）
　７２０組のデータセットを、３６０組の学習データと３６０組のテストデータに２分割し、それぞれに対して線形解析及び非線形解析を行い、予測モデル候補を複数構築した。予測モデル候補の汎化性能の確認には、学習データスコア及びテストデータスコアのＲ２を用いた。線形解析及び非線形解析は、以下のものを用いた。
■線形解析
　　重回帰
　　ＰＬＳ回帰
　　ラッソ回帰
　　リッジ回帰
　　エラスティックネット回帰
　　ｓｇｄ回帰
　　サポートベクター線形回帰
■非線形解析
　　非線形サポートベクター回帰
　　カーネルリッジ回帰
　　ランダムフォレスト回帰
　　ＭＬＰ回帰
　構築したいずれの予測モデル候補においても、学習データ及びテストデータの両方のＲ２の値が０．６以下であったため、予測モデル候補の汎化性能が十分でないと判断し、２回目のデータ解析を行うこととした。
（２回目のデータ解析）
　１回目のデータ解析で用いたデータセットを構成するプロセスデータの一部を削除し、２６種類から１４種類に変更した。１４種類のプロセスデータからなるデータセットについて、１回目のデータ解析と同様に線形解析及び非線形解析を行い、予測モデル候補を複数構築した。
　構築したいずれの予測モデル候補においても、学習データ及びテストデータの両方のＲ２の値が０．６以下であったため、予測モデル候補の汎化性能が十分でないと判断し、３回目のデータ解析を行うこととした。
（３回目のデータ解析）
　データセットの取得の操作を更に３回繰り返し、１２０組のデータセットを追加で取得した。１回目のデータ解析で使用した７２０組のデータセットと併せ、全部で８４０組のデータセットを４２０組の学習データと４２０組のテストデータに２分割し、それぞれに対して１回目のデータ解析と同様に線形解析及び非線形解析を行い、予測モデル候補を複数構築した。
　構築した予測モデル候補において、学習データ及びテストデータの両方のＲ２の値が０．６を越えていたものとしてラッソ回帰があったため、ラッソ回帰によるモデルは十分な汎化性能を有していると判断した。また、ラッソ回帰によるモデルではテストデータスコアのＲ２が他の予測モデル候補と比較して最も高かったため、ラッソ回帰によるモデルを予測モデルに決定した。
（実施例１）
　図４に示す流れ図に従い、データセットの取得に用いた製造装置で、パターンロール温度１２５℃、アンビルロール温度１７０℃の条件で、吸収性物品用のシートを貼り合わせ、全部で１００個の複合シートを製造した。操作データは製造の途中で変更しなかった。
　貼り合わせの際に取得したプロセスデータは、操作データとともに時系列処理を行い、センサ間の時間的遅れを補正した。
　時系列処理後のプロセスデータに、予測モデルに決定したラッソ回帰を適用し、１００個の複合シートそれぞれについて、品質計測値として入側シール強度及び出側シール強度の値を推定した。入側シール強度及び出側シール強度それぞれについて、１００個の品質計測値の平均値を求めた。
（実施例２）
　パターンロール温度を１２０℃、アンビルロール温度を１６０℃とした以外は、実施例１と同様にして、入側シール強度及び出側シール強度それぞれについて１００個の品質計測値を推定し、平均値を求めた。
（実施例３）
　パターンロール温度を１１５℃、アンビルロール温度を１５０℃とした以外は、実施例１と同様にして、入側シール強度及び出側シール強度それぞれについて１００個の品質計測値を推定し、平均値を求めた。
（品質データの確認）
　上記実施例１～３において製造した複合シート全てについて、入側シール強度及び出側シール強度を、オフライン測定の一種である破壊検査により実測した。シール強度の測定には引張試験機を用いた。
　実施例１～３それぞれにおいて、１００個の入側シール強度の実測値の平均値と、１００個の出側シール強度の実測値の平均値とを求めた。
　入側シール強度の結果を図６に示す。
　図６に示す通り、実施例１～３のいずれにおいても、入側シール強度の品質計測値の平均値と入側シール強度の実測値の平均値との差は０．３Ｎ／１５ｍｍ以内に抑えられ、予測モデルを用いることで入側シール強度を高い精度で推定できることが分かった。
　また、パターンロール温度及びアンビルロール温度を比較的高温にして複合シートを製造した実施例１では、入側シール強度を比較的大きい値に保つことができた。一方、実施例２及び３の通り、パターンロール温度及びアンビルロール温度を徐々に低温にすることで、入側シール強度も徐々に小さくできた。このように、パターンロール温度及びアンビルロール温度を操作することで、製造される複合シートの入側シール強度を調節できることが分かった。
　本発明をその実施形態および実施例とともに説明したが、我々は特に指定しない限り我々の発明を説明のどの細部においても限定しようとするものではなく、添付の請求の範囲に示した発明の精神と範囲に反することなく幅広く解釈されるべきであると考える。
　本願は、２０１９年１１月２８日に日本国で特許出願された特願２０１９－２１５７７４に基づく優先権を主張するものであり、これはここに参照してその内容を本明細書の記載の一部として取り込む。
　１　プロセスデータ
　２　品質データ
　３　品質計測値
　４　制御指令
　１１　製造装置
　１２　品質装置
　１３　製造装置側ＣＰＵ
　１４　データ収集ＣＰＵ
　１５　解析サーバ
　１６　抜き取り検査装置
　２１　シールユニット
　２２　パターンロール
　２３　アンビルロール
　２４Ａ～２４Ｅ　モーター
　２５Ａ～２５Ｈ　コンベア
　３１Ａ～３１Ｃ　厚みセンサ
　３２Ａ，３２Ｂ　テンションセンサ
　３３Ａ～３３Ｃ　温度センサ
　３４Ａ，３４Ｂ　シート原反センサ
　３５　カメラ
　４１　複合シート
　４２，４３　シート
　４４，４５　シート原反
　６１，９１　プロセスデータ取得工程
　６２，９２　時系列処理工程
　６３　データ結合工程
　６４　終了判定工程
　７１～７３　データ解析工程
　８１～８３　汎化性能確認工程
　９３　品質計測値推定工程
　９４　品質計測値送信工程
　９５　良否判定工程

Claims (30)

  1. 　複数の製造工程を経て製品を製造する工程における品質計測方法であって、
    　品質データ及びプロセスデータの間で予測モデルを構築する工程と、
    　前記予測モデルに基づき、インライン測定により取得する前記プロセスデータから、製造された製品の品質計測値を算出する工程とを有する、品質計測方法。
  2. 　前記予測モデルの構築に実験計画法を利用する、請求項１記載の品質計測方法。
  3. 　前記予測モデルの構築において、予測モデル候補を複数構築し、最も汎化性能が高い予測モデル候補を前記予測モデルとして決定する、請求項１又は２記載の品質計測方法。
  4. 　前記予測モデルの構築において、前記プロセスデータに時系列処理を行う、請求項１～３のいずれか１項に記載の品質計測方法。
  5. 　前記品質データは、抜き取り検査で計測される、請求項１～４のいずれか１項に記載の品質計測方法。
  6. 　前記品質計測値の良否判定を行う、請求項１～５のいずれか１項に記載の品質計測方法。
  7. 　前記品質計測値に基づいて制御指令を行う、請求項１～６のいずれか１項に記載の品質計測方法。
  8. 　前記製品が複合シートである、請求項１～７のいずれか１項に記載の品質計測方法。
  9. 　前記プロセスデータがシートテンション若しくはシート厚み、又はこれら両方を含む、請求項１～８のいずれか１項に記載の品質計測方法。
  10. 　前記品質計測値が、２枚以上のシートを結合した部分のシール強度である、請求項１～９のいずれか１項に記載の品質計測方法。
  11. 　前記結合が、ヒートシール、超音波シール、レーザー溶着、又はホットメルト接着により行われる、請求項１０記載の品質計測方法。
  12. 　製造装置側ＣＰＵが、製造装置に配されたセンサから前記プロセスデータを取得する、請求項１～請求項１１のいずれか１項に記載の品質計測方法。
  13. 　前記製造装置側ＣＰＵが、前記品質計測値に基づいて、製造ラインの制御指令を製造装置に対して行う、請求項１２記載の品質計測方法。
  14. 　前記予測モデルを構築する工程が、プロセスデータ取得工程、時系列処理工程、データ結合工程、終了判定工程、データ解析工程、及び汎化性能確認工程からなる、請求項１～１３のいずれか１項に記載の品質計測方法。
  15. 　前記プロセスデータ取得工程では、前記プロセスデータとして材料データと装置データとを合わせて取得する、請求項１４記載の品質計測方法。
  16. 　前記時系列処理工程が、前記プロセスデータ間の時間的遅れを補正して、解析サーバにデータを格納する工程である、請求項１４又は１５記載の品質計測方法。
  17. 　前記データ結合工程が、個々の製品の前記プロセスデータと、個々の製品の品質データとを対応させ、結合する工程である、請求項１４～１６のいずれか１項に記載の品質計測方法。
  18. 　前記終了判定工程は、前記プロセスデータ取得工程、前記時系列処理工程、及び前記データ結合工程を経て取得されたデータの数が、データ解析に用いるのに十分か否かを判断する工程である、請求項１４～１７のいずれか１項に記載の品質計測方法。
  19. 　前記汎化性能確認工程では、学習データの分析とテストデータの分析との２段階で前記予測モデルの判定を行う、請求項１４～１８のいずれか１項に記載の品質計測方法。
  20. 　前記予測モデルを構築する工程が終了すると、前記品質計測値を算出する工程に移る、請求項１～１９のいずれか１項に記載の品質計測方法。
  21. 　前記品質計測値を算出する工程では、前記予測モデルに基づいて前記品質計測値を推定する、請求項３～２０のいずれか１項に記載の品質計測方法。
  22. 　前記品質計測値を算出する工程が、プロセスデータ取得工程、時系列処理工程、品質計測値推定工程、品質計測値送信工程、及び良否判定工程からなる、請求項１～２１のいずれか１項に記載の品質計測方法。
  23. 　前記プロセスデータ取得工程及び前記時系列処理工程では、前記プロセスデータの取得と時間的遅れの補正とを行う、請求項２２記載の品質計測方法。
  24. 　前記品質計測値推定工程が、前記プロセスデータを前記予測モデルと組み合わせ、前記品質計測値を推定する工程である、請求項２２又は２３記載の品質計測方法。
  25. 　前記品質計測値送信工程が、製造装置と直結するＣＰＵへ前記品質計測値を送信する工程である、請求項２２～２４のいずれか１項に記載の品質計測方法。
  26. 　前記良否判定工程が、前記品質計測値を指標として、前記製造された製品が一定以上の品質を有しているか否かを判定する工程である、請求項２２～２５のいずれか１項に記載の品質計測方法。
  27. 　請求項１～２６のいずれか１項に記載の品質計測方法を含む、製品の製造方法。
  28. 　複数の製造工程を経て製品を製造する装置に対して用いられる品質計測装置であって、
    　前記品質計測装置が解析サーバを有し、
    　前記解析サーバが品質データ及びプロセスデータの間で予測モデルを構築し、
    　前記解析サーバが前記予測モデルに基づき、インライン測定により前記プロセスデータから品質計測値を算出する、品質計測装置。
  29. 　制御装置側ＣＰＵ及びデータ収集ＣＰＵを有する、請求項２８記載の品質計測装置。
  30. 　前記解析サーバが、プロセスデータ取得工程、時系列処理工程、データ結合工程、終了判定工程、データ解析工程、汎化性能確認工程、及び品質計測値推定工程を実行する、請求項２８又は２９記載の品質計測装置。
PCT/JP2020/031469 2019-11-28 2020-08-20 品質計測方法及び品質計測装置 WO2021106288A1 (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202080082342.6A CN114760969B (zh) 2019-11-28 2020-08-20 质量测量方法和质量测量装置

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-215774 2019-11-28
JP2019215774A JP7084907B2 (ja) 2019-11-28 2019-11-28 品質計測方法及び品質計測装置

Publications (1)

Publication Number Publication Date
WO2021106288A1 true WO2021106288A1 (ja) 2021-06-03

Family

ID=76087826

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/031469 WO2021106288A1 (ja) 2019-11-28 2020-08-20 品質計測方法及び品質計測装置

Country Status (3)

Country Link
JP (1) JP7084907B2 (ja)
CN (1) CN114760969B (ja)
WO (1) WO2021106288A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114777714B (zh) * 2022-03-31 2024-03-01 广东康怡卫生用品有限公司 一种卫生用品厚度测量方法
CN115169745A (zh) * 2022-08-12 2022-10-11 芜湖云一新材料科技有限公司 生产质量预测方法、系统及计算机可读介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08117827A (ja) * 1994-10-24 1996-05-14 Mitsubishi Electric Corp 圧延装置
JP2006024195A (ja) * 2004-06-03 2006-01-26 National Cheng Kung Univ 生産工程の品質予測システムおよびその方法
JP2007258731A (ja) * 2007-04-23 2007-10-04 Canon System Solutions Inc プロセスと品質との関係についてのモデル作成装置及びモデル作成方法
US20130339919A1 (en) * 2012-06-18 2013-12-19 International Business Machines Corporation Method and Apparatus for Hierarchical Wafer Quality Predictive Modeling
JP2016538652A (ja) * 2013-09-03 2016-12-08 ザ プロクター アンド ギャンブル カンパニー 吸収性製品加工ラインの目標製造パラメータを調整するためのシステム及び方法
JP2017111827A (ja) * 2015-12-18 2017-06-22 フィッシャー−ローズマウント システムズ，インコーポレイテッド 継続的プロセス検証（ｃｐｖ）用の分析／統計モデリングを使用するための方法及び装置、製品
JP2018129030A (ja) * 2016-11-25 2018-08-16 花王株式会社 製品の製造方法
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
CN109816191A (zh) * 2017-11-20 2019-05-28 财团法人资讯工业策进会 多工作站系统的质量预测方法及其系统

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000252179A (ja) * 1999-03-04 2000-09-14 Hitachi Ltd 半導体製造プロセス安定化支援システム
JP4296160B2 (ja) * 2005-03-29 2009-07-15 株式会社東芝 回路基板の品質解析システム及び品質解析方法
JP2009099745A (ja) * 2007-10-16 2009-05-07 Toshiba Corp 半導体装置の生産管理装置及び生産管理方法
US8145338B2 (en) * 2009-06-02 2012-03-27 The Procter & Gamble Company Systems and methods for detecting and rejecting defective absorbent articles from a converting line
JP2011242923A (ja) * 2010-05-17 2011-12-01 Fuji Electric Co Ltd モデルの入力変数調整装置
JP5014500B1 (ja) * 2011-04-04 2012-08-29 シャープ株式会社 異常要因特定方法および装置、上記異常要因特定方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体
US9110452B2 (en) * 2011-09-19 2015-08-18 Fisher-Rosemount Systems, Inc. Inferential process modeling, quality prediction and fault detection using multi-stage data segregation
GB201512819D0 (en) * 2015-07-21 2015-09-02 Scaife Martin Customised fast moving consumer goods production system
CN105136449B (zh) * 2015-08-24 2018-05-18 哈尔滨工程大学 一种基于磨损机理的车用传动装置的磨损随机过程试验预测方法
JP6746139B2 (ja) * 2016-09-08 2020-08-26 公立大学法人会津大学 携帯端末を用いた察知エージェントシステム、察知エージェントシステムにおける機械学習方法、及びこれを実施するためのプログラム
CN109472057B (zh) * 2018-10-16 2023-05-23 浙江大学 基于跨工步隐式参数记忆的产品加工质量预测装置及方法
CN109659933B (zh) * 2018-12-20 2022-03-18 浙江工业大学 一种基于深度学习模型的含分布式电源配电网电能质量预测方法
CN109711714B (zh) * 2018-12-24 2023-01-10 浙江大学 基于并联长短期记忆网络的制造装配产品质量预测方法
CN109483816A (zh) * 2018-12-27 2019-03-19 东莞市誉铭新精密技术股份有限公司 一种手机塑料壳体注塑工艺及注塑装置

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH08117827A (ja) * 1994-10-24 1996-05-14 Mitsubishi Electric Corp 圧延装置
JP2006024195A (ja) * 2004-06-03 2006-01-26 National Cheng Kung Univ 生産工程の品質予測システムおよびその方法
JP2007258731A (ja) * 2007-04-23 2007-10-04 Canon System Solutions Inc プロセスと品質との関係についてのモデル作成装置及びモデル作成方法
US20130339919A1 (en) * 2012-06-18 2013-12-19 International Business Machines Corporation Method and Apparatus for Hierarchical Wafer Quality Predictive Modeling
JP2016538652A (ja) * 2013-09-03 2016-12-08 ザ プロクター アンド ギャンブル カンパニー 吸収性製品加工ラインの目標製造パラメータを調整するためのシステム及び方法
JP2017111827A (ja) * 2015-12-18 2017-06-22 フィッシャー−ローズマウント システムズ，インコーポレイテッド 継続的プロセス検証（ｃｐｖ）用の分析／統計モデリングを使用するための方法及び装置、製品
JP2018129030A (ja) * 2016-11-25 2018-08-16 花王株式会社 製品の製造方法
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
CN109816191A (zh) * 2017-11-20 2019-05-28 财团法人资讯工业策进会 多工作站系统的质量预测方法及其系统

Also Published As

Publication number Publication date
JP2021086457A (ja) 2021-06-03
CN114760969B (zh) 2023-04-25
CN114760969A (zh) 2022-07-15
JP7084907B2 (ja) 2022-06-15

Similar Documents

Publication Publication Date Title
WO2021106288A1 (ja) 品質計測方法及び品質計測装置
US11628502B2 (en) Method of feedback controlling 3D printing process in real-time and 3D printing system for the same
KR102580590B1 (ko) 제조 공정을 모니터링하기 위한 방법, 체계적인 의존성을 간접적으로 유도하기 위한 방법, 품질 적합화 방법, 제조 공정을 시작하기 위한 방법, 압출 제품을 제조하기 위한 방법 및 압출 제품을 제조하기 위한 시스템
US8920024B2 (en) Steel plate quality assurance system and equipment thereof
US7617709B2 (en) Apparatus for controlling materials quality in rolling, forging, or leveling process
CN103212585B (zh) 薄板用热轧机的控制装置以及薄板用热轧机的控制方法
US6600961B2 (en) Intelligent control method for injection machine
EP2931447A1 (de) Planheitsmessung und messung der eigenspannungen für ein metallisches flachprodukt
JP2021536063A (ja) 金属製品の製造をモニタリングするための方法および電子デバイス、関連するコンピュータプログラムならびに設備
US20160327919A1 (en) Energy consumption predicting device for rolling line
US20220261520A1 (en) Quality prediction model generation method, quality prediction model, quality prediction method, metal material manufacturing method, quality prediction model generation device, and quality prediction device
JP7135962B2 (ja) 鋼板の仕上出側温度制御方法、鋼板の仕上出側温度制御装置、及び鋼板の製造方法
Ryabkov et al. Production of blanks with thickness transitions in longitudinal and lateral direction through 3D-strip profile rolling
KR101877341B1 (ko) 교정 롤 시스템의 교정 롤 정렬 방법
Brik et al. Assessing process capability index using sampling plan in the presence of measurement system errors
KR100660231B1 (ko) 연속압연공정의 강판의 최적 목표형상 설정방법
US20150023387A1 (en) Steel plate quality assurance system and equipment thereof
Drossel et al. Modular system to measure and control the force distribution in deep drawing processes to ensure part quality and process reliability
CN102601549B (zh) 焊剂填充率的判定装置、判定方法、判定系统
TWI504872B (zh) 紅外線溫度計的校正方法與應用此方法之生產控制系統
CN105706010A (zh) 生产线模拟装置
JP2021086457A5 (ja)
CN113780852B (zh) 一种板带轧制过程质量缺陷的诊断方法
JP6036857B2 (ja) 圧延機の制御方法、圧延機の制御装置、及び圧延材の製造方法
TWI729627B (zh) 扣件尺寸的線上預測方法與扣件尺寸的線上預測系統

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: 20891455

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: 20891455

Country of ref document: EP

Kind code of ref document: A1