WO2021256141A1 - 予測スコア算出装置、予測スコア算出方法、予測スコア算出プログラムおよび学習装置 - Google Patents

予測スコア算出装置、予測スコア算出方法、予測スコア算出プログラムおよび学習装置 Download PDF

Info

Publication number
WO2021256141A1
WO2021256141A1 PCT/JP2021/018616 JP2021018616W WO2021256141A1 WO 2021256141 A1 WO2021256141 A1 WO 2021256141A1 JP 2021018616 W JP2021018616 W JP 2021018616W WO 2021256141 A1 WO2021256141 A1 WO 2021256141A1
Authority
WO
WIPO (PCT)
Prior art keywords
inspection
data
score calculation
prediction score
input
Prior art date
Application number
PCT/JP2021/018616
Other languages
English (en)
French (fr)
Inventor
慎哉 里見
Original Assignee
コニカミノルタ株式会社
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 コニカミノルタ株式会社 filed Critical コニカミノルタ株式会社
Priority to US17/925,499 priority Critical patent/US20230185290A1/en
Priority to JP2021576221A priority patent/JP7063426B1/ja
Priority to CN202180042377.1A priority patent/CN115702402A/zh
Priority to EP21826493.5A priority patent/EP4167037A4/en
Publication of WO2021256141A1 publication Critical patent/WO2021256141A1/ja
Priority to JP2022070207A priority patent/JP2022122862A/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], computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32193—Ann, neural base quality management
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32194—Quality prediction
    • 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
    • Y02P90/80—Management or planning

Definitions

  • the present disclosure relates to a predictive score calculation device, a predictive score calculation method, a predictive score calculation program, and a learning device that predict the score of an inspection on a production line from another inspection result preceding the inspection.
  • a final inspection is carried out to determine the quality of the finished product.
  • a process inspection to determine the quality of work-in-process may be performed. If a defective product is found and excluded in the process inspection or corrected to a non-defective product, the loss of raw materials and parts is reduced compared to the case where a defective product is found and excluded or corrected in the final inspection. It is possible to improve the production efficiency because the work can be done and waste of work can be eliminated.
  • the score of the final inspection in the process inspection is predicted without waiting for the final inspection. If this is possible, it is expected that the efficiency of the production line can be further improved by finding and excluding work-in-process products that can be judged as defective in the final inspection in the process inspection.
  • This disclosure is made in view of the above-mentioned problems, and is a predictor and predictive score that can accurately predict the score of an inspection on a production line from the result of another inspection preceding the inspection. It is an object of the present invention to provide a calculation method, a prediction score calculation program, and a learning device.
  • the predictive score calculation device includes a plurality of processing steps, a first inspection step including at least one inspection step, and a process downstream from the first inspection step.
  • a prediction score calculation device for calculating a prediction score for quality determination in the second inspection step for a production process in which a product is produced through the second inspection step carried out in the above-mentioned first inspection.
  • An input means that accepts the input of the first inspection data obtained in at least one inspection step, and a calculation means that calculates the prediction score from the input first inspection data using a machine learning model. It is characterized by having and.
  • the input means may accept input of inspection data of the first inspection process including a plurality of inspection steps.
  • the inspection target article in the first inspection process constituting the inspection target article to be determined to be defective in the prediction target inspection is regarded as defective in the first inspection step in which the inspection data used for calculating the prediction score is acquired.
  • a determination means for determining a threshold value of a prediction score for determining the quality of the article to be inspected in the first inspection step according to at least one of the loss when it is determined to be defective in the inspection step 1 is provided. Is desirable.
  • the determination means determines the threshold value so that the residual cost merit obtained by subtracting the loss from the profit is maximized.
  • the determination means uses at least one of the production cost up to the first inspection step, the member cost after the first inspection step, and the implementation cost of the second inspection step, and the profit and loss. May be calculated.
  • the machine learning model may be any of gradient boosting decision tree, decision tree analysis, logistic regression, random forest and neural network.
  • the quality determination result of the inspection target article subjected to the second inspection step and the first inspection step relating to the inspection target article of the first inspection step constituting the inspection target article are performed.
  • the prediction score may be calculated from the inspection data of the first inspection step by machine learning the inspection data and the inspection data as teacher data.
  • the first inspection data may include inspection data for a site or function of an inspection target related to the item of the second inspection step, or when inspection data in a plurality of inspection steps are used. , Inspection data before and after processing the same part may be included. Further, the first inspection data may include measurement data of different parts when using inspection data in a plurality of inspection steps, or may include measurement data of different parts when using inspection data in a plurality of inspection steps for the same part. It may contain measurement data of different physical quantities.
  • the predicted score calculation method is carried out in a plurality of processing steps, a first inspection step including at least one inspection step, and a process downstream from the first inspection step.
  • a prediction score calculation method for calculating a prediction score for quality determination in the second inspection step for a production process in which a product is produced through the second inspection step, and at least one of the first inspection steps. Includes an input step that accepts the input of the first inspection data obtained in one inspection step, and a calculation step that calculates the prediction score from the input first inspection data using a machine learning model. It is characterized by.
  • the predicted score calculation program is carried out in a plurality of processing steps, a first inspection step including at least one inspection step, and a process downstream from the first inspection step. It is a prediction score calculation program that causes a computer to calculate a prediction score for quality determination in the second inspection process for a production process in which a product is produced through the second inspection step, and is one of the first inspection steps.
  • An input step that accepts the input of the first inspection data obtained in at least one inspection step, and a calculation step that calculates the prediction score from the input first inspection data using a machine learning model. It is characterized by having a computer execute it.
  • the learning device includes a plurality of processing steps, a first inspection step including at least one inspection step, and a second inspection step downstream of the first inspection step.
  • the first inspection data obtained in at least one inspection step of the first inspection process and the inspection target article obtained by performing the second inspection step.
  • the learning data input unit that accepts the input of the pass / fail judgment result, the input first inspection data and the pass / fail judgment result are used as teacher data, and the prediction score for the pass / fail judgment in the second inspection step is output. It is characterized by providing a learning means for training a machine learning model.
  • the machine learning model is a gradient boosting decision tree.
  • the quality judgment in the inspection carried out downstream on the production line can be predicted in the inspection carried out upstream. If the upstream inspection target article is excluded in the upstream inspection based on the prediction result, the production cost loss will be reduced as compared with the case where the inspection target article using the upstream inspection target article is excluded in the downstream inspection. Can be reduced.
  • (A) is a table exemplifying an inspection data table in which the inspection data of the process inspection is stored
  • (b) is a table exemplifying a pass / fail judgment result table in which the pass / fail judgment result of the final inspection is stored.
  • It is a flowchart explaining the operation of the threshold value determination part 440. It is a figure exemplifying the operation of the threshold value determination unit 440 by exemplifying the pass / fail determination result of the final inspection and the prediction score corresponding to each pass / fail determination result. It is a figure which shows the main structure of the production line which concerns on the modification of this disclosure. It is a block diagram which shows the main hardware composition of the terminal apparatus 201 which concerns on the modification of this disclosure.
  • the production line 1 starts from the acceptance inspection 101.
  • the acceptance inspection 101 is an inspection carried out when the raw materials and parts to be used for the production of the finished product are received from the business partner, and it is inspected whether the raw materials and parts to be inspected satisfy the required specifications.
  • the other process 102 is carried out using the raw materials and parts that are judged to be good in the acceptance inspection.
  • the other process 102 is one or more of a processing process including cutting, assembling, addition, disassembly, etc., a transportation process of work-in-process including raw materials and parts, a stagnation process such as temporary storage and a waiting state until the next process. It consists of the process of.
  • the process inspection 103 is a process of determining whether the work-in-process product to be inspected is a good product or a defective product. Quantitative and qualitative inspections are performed to check whether the inspection data of work-in-process is within the permissible range from the predetermined standard value and whether it fulfills the predetermined function. Further, the inspection data of the process inspection 103 may be inspection data for individual work-in-process or inspection data for each lot.
  • Work-in-process judged to be defective in process inspection 103 is excluded, or corrected so that it is judged to be good in process inspection 103.
  • Work in process judged to be good by the correction is sent to the next process. By doing so, it is possible to prevent the non-standard work-in-process from being sent to the next process and causing a loss.
  • Work-in-process judged to be good in the process inspection 103 is sent to another process 104.
  • the other step 104 also comprises one or more steps such as a processing step, a transportation step, and a stagnation step.
  • another step inspection 105 is carried out, and further through another step 106, the final inspection 107 is carried out.
  • the number of process inspections in the production line 1 may be only once or may be three or more. Other processes are carried out between process inspections.
  • the final inspection 107 is an inspection performed at the final stage of the manufacturing process, and is inspected whether the finished product, which is the inspection target article, satisfies a predetermined product standard. Finished products determined to be defective in the final inspection 107 are also excluded or corrected so as to be determined to be good in the final inspection 107, as in the case of work-in-process products determined to be defective in the process inspections 103 and 105. ..
  • a shipping inspection 108 is carried out to prevent the product having such a problem from being shipped.
  • the production line 1 may include a merging process, and the merging process may be included.
  • the number of may be plural.
  • the production line 1 includes a branching process. You may.
  • the finished product is inspected by the final inspection 107 for each model.
  • the production line 1 is once branched and then merged, and a final inspection 107 is performed on the finished product.
  • the predictive screening system 2 includes a terminal device 201, a predictive score calculation device 202, and an external storage device 203, and the terminal device 201 and the predictive score calculation device 202 are a LAN (Local Area Network) or the Internet. They are connected so that they can communicate with each other via a communication network 210 such as.
  • a communication network 210 such as.
  • the terminal device 201 is a device for an inspection worker to input inspection data which is an inspection result of process inspections 103 and 105 and final inspection 107 in the production line 1 of the product 220.
  • the inspection data input to the terminal device 201 is stored in the external storage device 203 via the communication network 210.
  • the external storage device 203 may be directly connected to the prediction score calculation device 202. In this case, inspection data is input from the terminal device 201 to the external storage device 203 via the prediction score calculation device 202. To.
  • the external storage device 203 may be connected to the prediction score calculation device 202 via the communication network 210.
  • the inspection data is directly input from the terminal device 201 to the external storage device 203.
  • the prediction score calculation device 202 predicts the inspection result of the final inspection 107 from the inspection data of the process inspections 103 and 105 after the process inspection 105 is performed and before proceeding to another process 106. Calculate the score.
  • the terminal device 201 predicts the pass / fail judgment in the final inspection 107 of the finished product using the work-in-process inspected in the process inspections 103 and 105 by comparing the predicted score calculated by the predicted score calculation device 202 with the threshold value. do.
  • the work-in-process predicted to be defective in the final inspection 107 is excluded by the inspection worker, corrected, and then re-inspected.
  • the work-in-process predicted to be good in the final inspection 107 is sent to the next process (another process 106 in the production line 1) of the process inspection 105.
  • Predictive score calculation device 202 The prediction score calculation device 202 will be described in more detail.
  • the predicted score calculation device 202 is a so-called computer, and as shown in FIG. 3, includes a CPU (Central Processing Unit) 301, a ROM (Read Only Memory) 302, a RAM (Random Access Memory) 303, and the like.
  • a CPU Central Processing Unit
  • ROM Read Only Memory
  • RAM Random Access Memory
  • the boot program is read from the ROM 302 and started, and the OS (Operating System) and the predicted score calculation program read from the HDD (Har Disk Drive) 304 using the RAM 303 as a work storage area. To execute.
  • HDD Hard Disk Drive
  • the NIC (Network Interface Card) 305 executes a process for intercommunication with the terminal device 201 via the communication network 210.
  • the CPU 301, ROM 302, RAM 303, HDD 304 and NIC 305 are connected to the internal bus 306 and communicate with each other via the internal bus 306.
  • the external storage device 203 When the external storage device 203 is directly connected to the prediction score calculation device 202, the external storage device 203 receives access from the CPU 301 via the internal bus 306. When the external storage device 203 is connected to the communication network 210, the external storage device 203 receives access from the CPU 301 via the communication network 210 and the NIC 305.
  • FIG. 4 is a block diagram showing a configuration of a function realized by the prediction score calculation device 202 by executing the prediction score calculation program.
  • the prediction score calculation device 202 includes a prediction score calculation unit 410, a machine learning unit 420, a learning data input unit 430, and a threshold value determination unit 440.
  • 5 and 7 are flowcharts illustrating the operation of the prediction score calculation device 202.
  • the predicted score calculation unit 410 operates in cooperation with the predicted score output unit 411 and the process inspection data input unit 412.
  • the terminal device 201 inputs the inspection data of the process inspections 103 and 105 into the process inspection data input unit 412, and requests a prediction score.
  • the process inspection data input unit 412 accepts the input of inspection data from the terminal device 201 (S501 in FIG. 5A).
  • the inspection data of the process inspection is input from the terminal device 201 for each combination with the identifier that identifies the inspection item of the process inspection, as in the inspection data table exemplified in FIG. 6A. Further, along with the inspection data, the identifier of the work-in-process (such as the serial number of the product) that is the target of the process inspection is also input from the terminal device 201 to the prediction score calculation device 202.
  • the identifier of the work-in-process such as the serial number of the product
  • the prediction score calculation unit 410 reads out the learning parameters of the machine learning model from the external storage device 203 (S502 in FIG. 5A). The prediction score calculation unit 410 sets the learning parameter in the machine learning model (S503 in FIG. 5A).
  • the machine learning model can output a prediction score that predicts the result of the pass / fail judgment of the final inspection 107 according to the inspection data of the process inspections 103 and 105.
  • the prediction score calculation unit 410 inputs the inspection data into the machine learning model in which the learning parameters are set, and calculates the prediction score (S504 in FIG. 5A).
  • the predicted score output unit 411 outputs the predicted score calculated by the predicted score calculation unit 410 to the terminal device 201 (S505 in FIG. 5A).
  • the terminal device 201 compares the threshold value of the predicted score, which will be described later, with the predicted score, and displays the predicted pass / fail judgment result of the final inspection 107.
  • the inspection worker excludes work-in-process by referring to the displayed prediction of the quality judgment result.
  • the machine learning unit 420 executes machine learning triggered by an instruction from the administrator of the prediction score calculation device 202. Specifically, first, as learning data, the inspection data of the process inspection and the quality determination result of the final inspection corresponding to the inspection data are read out from the external storage device 203 (S511 in FIG. 5B).
  • the quality determination result of the final inspection is the quality determination result of the final inspection of the finished product produced by using the work-in-process that is the target of the process inspection.
  • This work-in-process may be a part incorporated in the finished product, or may be a jig or a material used for producing the finished product.
  • the inspection data of the process inspection has the same data structure as the inspection data of the process inspection input to the prediction score calculation unit 410 (FIG. 6A).
  • the pass / fail determination result of the final inspection is also a combination of the identifier for identifying the pass / fail determination result of the final inspection and the pass / fail determination result of the final inspection, similarly to the inspection data of the process inspection.
  • the value of the good / bad judgment result is set to "1"
  • the value of the good / bad judgment result is set to "0". do.
  • machine learning is performed so that the predicted score obtained by inputting the test data into the machine learning model approaches the teacher data, and learning parameters are generated ( S512) of FIG. 5 (b).
  • learning parameters are stored in the external storage device 203 (S513 in FIG. 5B).
  • the predicted score calculated using the learning parameter is associated with the learning data input to the machine learning model in order to calculate the predicted score, and stored in the external storage device 203 (S514 in FIG. 5B). ..
  • a gradient boosting decision tree is used as a machine learning model.
  • a machine learning model such as decision tree analysis, logistic regression, random forest, or neural network may be used.
  • each machine learning model has different characteristics, after having multiple machine learning models perform machine learning using the training data, the accuracy of the prediction score calculated using the verification data is compared. Therefore, it is desirable to adopt the machine learning model that is most suitable for the production line to be predicted.
  • the learning data input unit 430 includes inspection data for process inspection such as the inspection data table illustrated in FIG. 6A and FIG. 6B as learning data used by the machine learning unit 420 when performing machine learning. ),
  • the pass / fail judgment result of the final inspection such as the pass / fail judgment result table is received from the terminal device 201 and stored in the external storage device 203.
  • the terminal device 201 can directly access the external storage device 203 via the communication network 210, the learning data is directly sent to the external storage device 203 without going through the learning data input unit 430. You may save it.
  • the threshold value determination unit 440 determines the threshold value to be used when predicting the pass / fail judgment result of the final inspection after using the prediction score.
  • the learning data is read from the external storage device 203 in response to an instruction from the administrator of the prediction score calculation device 202 to generate learning parameters by machine learning or a request from the terminal device 201 (). S701) in FIG. 7, and the predicted score corresponding to the learning data is read out (S702 in FIG. 7).
  • the pass / fail judgment result of the final test is sorted from the learning data corresponding to the predicted score (S703 in FIG. 7).
  • the predicted score also takes a value within the range of 0 or more and 1 or less corresponding to the fact that the final inspection sets the good judgment to “1” and the bad judgment to “0”.
  • FIG. 8 is a table illustrating the sorting results. As shown in Table 801 of FIG. 8, the serial number of the work-in-process, the pass / fail judgment result of the final inspection for the finished product using the work-in-process, and the inspection data of the process inspection for the work-in-process are input from the machine learning model. The output predicted scores are sorted in descending order of the predicted scores.
  • the predicted score is the probability that the finished product is judged to be good in the final inspection. Therefore, a work-in-process with a higher prediction score is more likely to be judged as good in the final inspection, and conversely, a work-in-process with a lower prediction score is more likely to be judged as defective in the final inspection.
  • the threshold value of the predicted score is set as high as 0.701433 and it is predicted that the finished product using the work-in-process whose predicted score is equal to or higher than the threshold value is judged to be good
  • the final product is determined as shown in Table 811.
  • the number of work-in-process (number of false reports) that is predicted to be erroneously judged to be defective by the final inspection is 323, which is too large. Will end up.
  • the threshold value of the predicted score is set as low as 0.3999902 and it is predicted that the finished product using the work-in-process whose predicted score is equal to or higher than the threshold value is judged to be good, as shown in Table 813, it is defective in the final inspection.
  • the number of work-in-process that is correctly predicted to be defective in the final inspection is too small. If the number of defects captured can be increased, it is not necessary to send the work-in-process that constitutes the finished product, which is highly likely to be defective in the final inspection, to the next process, so that wasteful costs can be reduced. ..
  • the threshold value of the predicted score is set to 0.5177755, which is the same as the predicted value of the serial number XA1043147, as shown in Table 812, the final number of false alarms does not become too large and the number of defective captures does not become too small. It is possible to predict the pass / fail judgment result of the inspection.
  • the cost benefits that can be obtained by predicting the pass / fail judgment result of the final inspection are the number of false alarms and the false alarm loss that can occur due to one false alarm. From the cost (negative value in this embodiment), the number of defective captures, and the defect capture merit (positive value in this embodiment) which is a profit obtained by one defect capture, the following equation (1) It can be calculated using such a cost function.
  • the threshold value determination unit 440 further reads out the false alarm loss cost and the defect capture merit from the external storage device 203 (S704 in FIG. 7), and uses the predicted score as a threshold value in the order of the sorted predicted scores to capture the number of false alarms and defects.
  • the number is specified, and the cost merit is calculated using the cost function of the above equation (1) (S705 in FIG. 7). After that, among the calculated cost merits, the threshold value corresponding to the maximum cost merit may be specified (S706 in FIG. 7).
  • the threshold value output unit 411 outputs the threshold value specified by the threshold value determination unit 440 to the terminal device 201.
  • the inspection worker operates the terminal device 201 and determines whether the predicted score calculated by using the machine learning model from the inspection data obtained in the process inspection for each work in process is equal to or higher than the threshold value. Predict the quality judgment result in the final inspection of the finished product using the product.
  • the pass / fail judgment result in the final inspection may be predicted by using only one of the inspection data of the process inspections 103 and 105, and in addition to the inspection data of the process inspections 103 and 105, another process inspection may be performed.
  • the pass / fail judgment result in the final inspection may be predicted by using the inspection data of.
  • the processing load for calculating the prediction score can be reduced.
  • the pass / fail judgment result of the final inspection is predicted only from the result data of a plurality of process inspections, the multifaceted inspection data can be referred to, so that the prediction accuracy of the pass / fail judgment result can be improved.
  • the final inspection is performed from these inspection data after waiting for the completion of all the plurality of process inspections 903 and 913.
  • the pass / fail judgment result may be predicted.
  • the prediction may be made using the inspection data of the acceptance inspection, or the inspection data of the process inspection and the inspection data of the acceptance inspection may be combined to make the prediction.
  • the target of prediction is not limited to the pass / fail judgment result of the final inspection, and the inspection result of the downstream process inspection may be predicted from the process inspection data of one or more upstream in the production line 1.
  • the inspection result after the unit price of work in process becomes high is predicted and the work in process predicted to be defective is excluded, the unit price of work in process is excluded. It is possible to reduce the loss of production cost, rather than excluding work-in-process products that are determined to be defective in the inspection after the value becomes high.
  • test data can be used for machine learning and score prediction using a machine learning model.
  • the inspection data about the part and function of the inspection target related to the item of the final inspection can be used for machine learning of the machine learning model and prediction of the score using the machine learning model. You may use it.
  • machine learning increasing the information diversity of features makes it easier to improve the accuracy of machine learning, but using relevant data makes it easier to improve the accuracy of machine learning.
  • measurement data for different parts to be inspected may be used in combination as inspection data between the process inspections.
  • the accuracy of machine learning tends to increase.
  • the calculation of this statistic may be performed as a preprocessing for the prediction score calculation device 202 to calculate the prediction score, or the statistic obtained by executing the preprocessing for the terminal device 201 to calculate the statistic. May be input to the prediction score calculation device 202 as inspection data. Further, in the pretreatment, a feature amount other than the statistic may be obtained. By doing so, it is not necessary to have the machine learning search for the feature amount or the machine learning model to perform the process of calculating the feature amount, so that the processing load related to the machine learning model can be reduced. can. (4-3) Although not specifically mentioned in the above embodiment, learning and prediction using a machine learning model are described, for example, as follows, for boosting decision trees, LightBGM, logistic regression, and decision trees. Analysis, random forests and neural networks can be implemented using open source libraries such as scikit-learn.
  • inspection data of process inspection and final inspection are first recorded in a CSV (Comma Separated Values) file, and the CSV file (for example, LightGBM) is used.
  • CSV Common Separated Values
  • the file name is "Inspection data.csv”.) Read the data.
  • y # train df # train ['Pass / Fail Judgment (Fail / Fail: 1)']
  • y # test df # test ['Pass / Fail Judgment (Fail / Fail: 1)']
  • the scikit-learn library can be used when using decision tree analysis, random forest, and neural networks as machine learning models.
  • pred # test rf.predict (x # test)
  • nn.fit (x # train, y # train)
  • pred # test nn.predict (x # test) (4-4)
  • the predicted score calculation device 202 may compare the predicted score with the threshold value and notify the terminal device 201 of only the quality of the work in process.
  • the cost merit is calculated by using both the number of false alarms and the number of defective captures has been described as an example, but it goes without saying that the present disclosure is not limited to this.
  • the cost merit may be calculated using only one of the number of false alarms and the number of defective captures.
  • the cost function is not limited to the formula (1), and the effect of the present disclosure can be obtained even if the threshold value is determined using another cost function. (4-6)
  • the prediction score calculation device 202 is executed. It may be a method of calculating a predicted score. Further, it may be a predictive score calculation program that causes a computer to execute the predictive score calculation method.
  • the terminal device 201 contains a CPU 1001, a ROM 1002, a RAM 1003, an SSD (Solid State Drive) 1004, a communication LSI (Large Scale Integration) 1005, a camera 1006, a microphone 1007, a speaker 1008, and a touch panel controller 1009. It has a configuration connected by bus 1010.
  • the CPU 1001 uses the RAM 10013 as a working storage area to execute an OS read from the SSD 1004, a prediction program that outputs a prediction result of a pass / fail judgment result of the final inspection, and the like.
  • An antenna 1012 for wireless communication is connected to the communication LSI 1005, and under the control of the CPU 1001, communication processing such as transmission of inspection data to the prediction score calculation device 202 and reception of the prediction score is executed. ..
  • the touch panel controller 1009 receives a command from the CPU 1001 and controls the operation of the touch panel 1013.
  • the touch panel 1013 includes a touch pad 1014 and a liquid crystal display 1015, and the touch pad 1014 accepts input of inspection data from the user of the terminal device 201, and the liquid crystal display 1015 allows the user of the terminal device 201 to perform final inspection. It presents the prediction result of the pass / fail judgment result.
  • the touch pad 1014 includes a touch sensor using an input method such as a capacitance method, an electromagnetic induction method, and a resistance film method, is made of a transparent member, and is provided so as to be superimposed on the liquid crystal display 1015.
  • An LED Light Emitting Diode
  • the speaker 1005 outputs sound, and the microphone 1006 collects sound.
  • the camera 1009 includes a CMOS (Complementary Metal Oxide Semiconductor) image sensor and a lens, and the light incident from the lens is detected by the CMOS image sensor to generate image data.
  • CMOS Complementary Metal Oxide Semiconductor
  • the terminal device 201 first accepts the input of inspection data of the work-in-process for which the pass / fail judgment result of the final inspection is to be predicted (S1101).
  • the serial number column 1202 of the display screen 1201 of the terminal device 201 as shown in FIG. 12 accepts the input of the serial number of the product incorporating the work-in-process for which the pass / fail judgment result of the final inspection is desired to be predicted, and also accepts the input of the serial number in the inspection data column 1203. Accepts the input of inspection data in the process inspection of the work in process.
  • the terminal device When the user of the terminal device 201 completes the input of the serial number and the inspection data and touches the start button 1204, the terminal device sends the received inspection data to the prediction score calculation device 202 and requests the prediction score and the threshold value. (S1102). After that, when the predicted score and the threshold value are received from the predicted score calculation device 202 (S1103), the received predicted score and the threshold value are compared.
  • the predicted score is equal to or higher than the threshold value (S1104: YES), it is predicted that a good judgment will be made in the final inspection (S1105). On the other hand, if the predicted score is less than the threshold value (S1104: NO), it is predicted that a defect is determined in the final inspection (S1106). After that, the prediction result is displayed and output on the liquid crystal display 1015 of the touch panel 1013 (S1107), and the process is terminated.
  • the predicted score is displayed in the predicted score column 1205, the threshold value is displayed in the threshold value column 1206, and the pass / fail judgment result of the final inspection predicted by comparing the predicted score and the threshold value is the judgment result column. It is displayed on 1207.
  • the terminal device 201 may acquire the inspection data corresponding to the serial number from the external storage device 203 or the like. By doing so, it is possible to save the user the trouble of inputting the inspection data into the terminal device 201. Further, in this case, not only the inspection data may be read out by the input of the serial number, but also the inspection data may be transmitted to the prediction score calculation device 202 to request the prediction score and the threshold value.
  • the prediction score calculation device 202 may acquire the inspection data corresponding to the serial field number, and the prediction score may be calculated using the inspection data. ..
  • the predicted score calculation device, the predicted score calculation method, the predicted score calculation program, and the learning device according to the present disclosure are useful as techniques for predicting the final inspection score in the production line in the process inspection.

Abstract

予測スコア算出装置２０２は、機械学習部４２０においては、生産ラインにおける工程検査の検査データを入力されると、最終検査の良否判定の予測スコアを出力するように機械学習を行う。また、当該機械学習を行った機械学習モデルを用いて、予測スコア算出部４１０においては、工程検査の検査データから最終検査の良否判定結果を予測する予測スコアを出力する。また、閾値決定部４４０は、予測スコア算出部４１０が算出した予測スコアと比較して、良否判定を予測するための閾値を、学習データ、予測スコアおよびコストデータから決定する。

Description

予測スコア算出装置、予測スコア算出方法、予測スコア算出プログラムおよび学習装置
　本開示は、生産ラインにおける検査のスコアを当該検査に先行する別の検査結果から予測する予測スコア算出装置、予測スコア算出方法、予測スコア算出プログラムおよび学習装置に関する。
　工業製品を生産する生産ラインにおいては、完成品の良否を判定する最終検査が実施される。工程が多数に上る場合には、仕掛品の良否を判定する工程検査が行われる場合もある。工程検査で不良品を発見して除外したり、良品に補正したりすれば、最終検査で不良品を発見して除外したり補正したりする場合と比較して、原材料や部品の損失を低減したり、作業の無駄を省いたりすることができるので、生産効率を向上させることができる。
　工程検査を適切に実施するためには、検査項目を厳選して過不足を最小化するだけでなく、検査項目ごとに適切な検査基準を設けるのが望ましい。検査基準が適切でないと、不良品を見逃したり、良品を不良品と誤判定したりするからである。
　このような問題に対して、工程検査における検査項目ごとに、当該検査項目の検査データと、最終検査における良否判定結果との相関の強さを求め、相関がもっとも強い検査項目を選択して、当該項目の検査基準を再設定する技術が提案されている（例えば、特許文献１を参照）。このようにすれば、最終検査で不良判定される可能性が高い仕掛品を工程検査で不良判定し易くすることができる。
　生産ラインにおいて上下流関係にある工程検査についても、同様にして、下流の工程検査の良否判定結果に合わせて上流の工程検査を調整する技術が提案されている（例えば、特許文献２、３を参照）。
特開２００６－３１７２６６号公報 特開２０１２－１５１２５１号公報 国際公開第２０１７／１６８５０７号
　しかしながら、工程検査の個々の検査項目の検査データが最終検査における良否判定結果と強く相関していない場合には、上記のような従来技術を用いて、最終検査で不良判定されると見込まれる仕掛品を工程検査で発見することは難しい。
　工程検査の個々の検査項目の検査データが最終検査における良否判定結果と強く相関していない場合であっても、工程検査の検査データの組み合わせが最終検査における良否判定結果と相関している可能性があるが、工程検査の検査項目数は膨大に上るため、どのように検査項目を組み合わせれば最終検査の良否判定結果を精度よく予測することができるのかを発見することは難しい。
　相関が最も強い検査項目を選択することも、多くの作業工程が必要になるため現実的でない。
　言うまでなく、工程検査の個別の検査項目の検査データが最終検査における良否判定結果と強く相関していない場合であっても、最終検査を待つことなく工程検査において最終検査のスコアを予測することができれば、最終検査で不良判定され得る仕掛品を工程検査において発見、除外等して、生産ラインの効率を更に向上させることができると期待される。
　本開示は、上述のような問題に鑑みて為されたものであって、生産ラインにおける検査のスコアを当該検査に先行する別の検査の結果から精度よく予測することができる予測装置、予測スコア算出方法、予測スコア算出プログラムおよび学習装置を提供することを目的とする。
　上記目的を達成するため、本開示の一形態に係る予測スコア算出装置は、複数の加工工程と、少なくとも一つの検査工程を含む第１の検査工程と、前記第１の検査工程よりも下流工程で実施される第２の検査工程を経て製品が生産される生産工程について、前記第２の検査工程における良否判定のための予測スコアを算出する予測スコア算出装置であって、前記第１の検査工程のうち少なくとも一つの検査工程で得られた第１の検査データの入力を受け付ける入力手段と、入力された前記第１の検査データから機械学習モデルを用いて、前記予測スコアを算出する算出手段と、を備えることを特徴とする。
　この場合において、前記入力手段は、複数の検査工程を含む第１の検査工程の検査データの入力を受け付けてもよい。
　また、前記予測対象の検査において不良と判定されるべき検査対象物品を構成する第１の検査工程の検査対象物品を、予測スコアの算出に用いる検査データを取得した第１の検査工程で不良と判定した場合の利益と、前記第２の検査工程において良と判定されるべき検査対象物品を構成する前記第１の検査工程の検査対象物品を、予測スコアの算出に用いる検査データを取得した第１の検査工程で不良と判定した場合の損失と、の少なくとも一方に応じて、当該第１の検査工程において当該検査対象物品を良否判定するための、予測スコアの閾値を決定する決定手段を備えるのが望ましい。
　また、前記決定手段は、前記利益から前記損失を差し引いた残余のコストメリットが最大になるように前記閾値を決定するのが好適である。
　また、前記決定手段は、前記第１の検査工程までの生産コスト、前記第１の検査工程後の部材コストおよび前記第２の検査工程の実施コストの少なくとも１つを用いて、前記利益並びに損失を算出してもよい。
　また、前記機械学習モデルは、勾配ブースティング決定木、決定木分析、ロジスティック回帰、ランダムフォレストおよびニューラルネットワークのいずれかであってもよい。
　また、前記機械学習モデルは、前記第２の検査工程を実施した検査対象物品の良否判定結果と、当該検査対象物品を構成する前記第１の検査工程の検査対象物品に関する第１の検査工程の検査データと、を教師データとして機械学習することによって、第１の検査工程の検査データから予測スコアを算出してもよい。
　また、前記第１の検査データは、前記第２の検査工程の項目と関連性のある検査対象の部位や機能についての検査データを含んでもよいし、複数の検査工程における検査データを用いる場合に、同一部位の加工前後における検査データを含んでもよい。更に、前記第１の検査データは、複数の検査工程における検査データを用いる場合に、異なる部位の測定データを含んでもよいし、複数の検査工程における検査データを用いる場合に、同じ部位に対して異なる物理量の測定データを含んでもよい。
　また、本開示の一形態に係る予測スコア算出方法は、複数の加工工程と、少なくとも一つの検査工程を含む第１の検査工程と、前記第１の検査工程よりも下流工程で実施される第２の検査工程を経て製品が生産される生産工程について、前記第２の検査工程における良否判定のための予測スコアを算出する予測スコア算出方法であって、前記第１の検査工程のうち少なくとも一つの検査工程で得られた第１の検査データの入力を受け付ける入力ステップと、入力された前記第１の検査データから機械学習モデルを用いて、前記予測スコアを算出する算出ステップと、を含むことを特徴とする。
　また、本開示の一形態に係る予測スコア算出プログラムは、複数の加工工程と、少なくとも一つの検査工程を含む第１の検査工程と、前記第１の検査工程よりも下流工程で実施される第２の検査工程を経て製品が生産される生産工程について、前記第２の検査工程における良否判定のための予測スコアをコンピューターに算出させる予測スコア算出プログラムであって、前記第１の検査工程のうち少なくとも一つの検査工程で得られた第１の検査データの入力を受け付ける入力ステップと、入力された前記第１の検査データから機械学習モデルを用いて、前記予測スコアを算出する算出ステップと、をコンピューターに実行させることを特徴とする。
　また、本開示の一形態に係る学習装置は、複数の加工工程と、少なくとも一つの検査工程を含む第１の検査工程と、前記第１の検査工程よりも下流工程で実施される第２の検査工程を経て製品が生産される生産工程について、前記第１の検査工程のうち少なくとも一つの検査工程で得られた第１の検査データと、前記第２の検査工程を実施した検査対象物品の良否判定結果との入力を受け付ける学習データ入力部と、入力された前記第１の検査データと前記良否判定結果とを教師データとし、前記第２の検査工程における良否判定のための予測スコアを出力するように機械学習モデルを学習させる学習手段と、を備えることを特徴とする。
　この場合において、前記機械学習モデルは勾配ブースティング決定木であるのが望ましい。
　このようにすれば、生産ラインにおける下流で実施される検査における良否判定を、上流で実施される検査において予測することができる。当該予測結果に基づいて上流の検査において上流検査対象物品を除外等すれば、下流の検査で当該上流検査対象物品を用いた検査対象物品を除外等する場合と比較して、生産コストの損失を低減することができる。
本開示の実施の形態に係る生産ライン１の主要な構成を示す図である。 本実施の形態に係る予測スクリーニングシステム２の主要な構成を示す図である。 予測スコア算出装置２０２の主要な構成を示すブロック図である。 予測スコア算出装置２０２の主要な機能構成を示すブロック図である。 （ａ）は予測スコア算出部４１０の動作を説明するフローチャートであり、（ｂ）は機械学習部４２０の動作を説明するフローチャートである。 （ａ）は工程検査の検査データを記憶した検査データテーブルを例示する表であり、（ｂ）は最終検査の良否判定結果を記憶した良否判定結果テーブルを例示する表である。 閾値決定部４４０の動作を説明するフローチャートである。 最終検査の良否判定結果と各良否判定結果に対応する予測スコアとを例示して、閾値決定部４４０の動作を例示する図である。 本開示の変形例に係る生産ラインの主要な構成を示す図である。 本開示の変形例に係る端末装置２０１の主要なハードウェア構成を示すブロック図である。 本開示の変形例に係る端末装置２０１が最終検査の良否判定の予測結果を出力するために実行する処理を説明するフローチャートである。 本開示の変形例に係る端末装置２０１が工程検査の検査データを受け付けて最終検査における良否判定の予測結果を出力するための表示画面１２０１を例示する図である。
　以下、本開示に係る予測スコア算出装置、予測スコア算出方法、予測スコア算出プログラムおよび学習装置の実施の形態について、図面を参照しながら説明する。
［１］生産ラインの概要
　まず、本実施の形態における生産ラインの概要について説明する。
　図１に示すように、生産ライン１は、受入検査１０１から開始される。受入検査１０１では、完成品の生産に供する原材料や部品を取引先から受け入れた際に実施する検査であり、検査対象物品である原材料や部品が要求仕様を満足しているかなどが検査される。
　受入検査において良判定された原材料や部品を用いて、他の工程１０２が実施される。他の工程１０２は、切削や組み立て、付加、分解などを含む加工工程、原材料や部品を含む仕掛品の運搬工程、一時的な保管や次の工程までの待ち状態などの停滞工程などの１以上の工程からなっている。
　工程検査１０３は、検査対象物品である仕掛品が良品であるか不良品であるかの良否判定を行う工程である。仕掛品の検査データがそれぞれ所定の規格値から許容範囲内にあるかどうかや、所定の機能を果たすかどうか等について量的な検査や質的な検査が行われる。また、工程検査１０３の検査データは、個々の仕掛品に対する検査データであってもよいし、ロット単位の検査データであってもよい。
　工程検査１０３で不良と判定された仕掛品は除外されたり、工程検査１０３で良と判定されるように補正されたりする。補正によって良と判定された仕掛品は次の工程へ送られる。このようにすれば、規格外の仕掛品が次の工程に送られて損失が生じるのを防止することができる。
　工程検査１０３で良と判定された仕掛品は、他の工程１０４へ送られる。他の工程１０４もまた、他の工程１０２と同様に、加工工程や運搬工程、停滞工程などの１以上の工程からなっている。他の工程１０４を経た後、別の工程検査１０５が実施されて、更に他の工程１０６を経て、最終検査１０７が実施される。なお、生産ライン１における工程検査の回数は１回だけでもよいし、３回以上であってもよい。工程検査どうしの間では他の工程が実施される。
　最終検査１０７は、製造工程の最終段階で行う検査であって、検査対象物品である完成品が所定の製品規格を満足しているかどうかが検査される。最終検査１０７において不良と判定された完成品についても、工程検査１０３、１０５で不良と判定された仕掛品と同様に、除外されたり、最終検査１０７で良と判定されるように補正されたりする。
　最終検査１０７で良と判定された完成品であっても、その後、出荷までの間に、運搬などによって変形したりキズがついたり、或いは変色やさび、ねじのゆるみなどの経時的な劣化を生じたりする場合がある。このような問題が生じている製品を出荷しないようにするために、出荷検査１０８が実施される。
　図１においては、生産ライン１において各工程が順次実施される場合を例示したが、本開示がこれに限定されないのは言うまでもなく、生産ライン１は合流工程を含んでいてもよいし、合流工程の数は複数であってもよい。また、共通の部品を用いて複数の機種を生産する場合や、単一機種であっても共通の部品を複数の用途に使用する場合などを考慮すれば、生産ライン１は分岐工程を含んでいてもよい。
　共通の部品を用いて複数の機種を生産する場合には、機種ごとに最終検査１０７で完成品が検査される。単一機種で共通の部品を複数の用途に使用する場合には、生産ライン１は一旦、分岐した後に合流し、完成品に対して最終検査１０７が実施される。
［２］予測スクリーニングシステム
　次に、本実施の形態に係る予測スクリーニングシステムについて説明する。
　図２に示すように、予測スクリーニングシステム２は、端末装置２０１、予測スコア算出装置２０２および外部記憶装置２０３を備えており、端末装置２０１、予測スコア算出装置２０２はＬＡＮ（Local Area Network）やインターネットといった通信ネットワーク２１０を経由して相互に通信できるように接続されている。
　端末装置２０１は、検査作業員が、製品２２０の生産ライン１における工程検査１０３、１０５や最終検査１０７の検査結果である検査データを入力するための装置である。端末装置２０１に入力された検査データは、通信ネットワーク２１０を経由して外部記憶装置２０３に記憶される。外部記憶装置２０３は、予測スコア算出装置２０２に直接接続されていてもよく、この場合には、端末装置２０１から、予測スコア算出装置２０２を経由して、外部記憶装置２０３へ検査データが入力される。
　また、外部記憶装置２０３は、通信ネットワーク２１０を経由して予測スコア算出装置２０２に接続されていてもよい。この場合には、端末装置２０１から直接、外部記憶装置２０３に検査データが入力される。
　後述のように、予測スコア算出装置２０２は、工程検査１０５を実施した後、他の工程１０６へ進む前に、工程検査１０３、１０５の検査データから最終検査１０７の検査結果を予測するための予測スコアを算出する。端末装置２０１は、予測スコア算出装置２０２が算出した予測スコアと、閾値とを比較することによって、工程検査１０３、１０５で検査された仕掛品を用いた完成品の最終検査１０７における良否判定を予測する。
　工程検査１０３、１０５の検査データから、最終検査１０７において不良と判定されると予測された仕掛品は、検査作業員によって除外されたり、補正された後、再検査されたりする。一方、最終検査１０７において良と判定されると予測された仕掛品は、工程検査１０５の次の工程（生産ライン１における他の工程１０６）へ送られる。
［３］予測スコア算出装置２０２
　予測スコア算出装置２０２について更に詳しく説明する。
　予測スコア算出装置２０２は、所謂コンピューターであって、図３に示すように、ＣＰＵ（Central Processing Unit）３０１やＲＯＭ（Read Only Memory）３０２、ＲＡＭ（Random Access Memory）３０３等を備えている。ＣＰＵ３０１は、電源投入などによってリセットされると、ＲＯＭ３０２からブートプログラムを読み出して起動し、ＲＡＭ３０３を作業用記憶領域として、ＨＤＤ（Har Disk Drive）３０４から読み出したＯＳ（Operating System）や予測スコア算出プログラムを実行する。
　ＮＩＣ（Network Interface Card）３０５は、通信ネットワーク２１０を経由して端末装置２０１と相互通信するための処理を実行する。ＣＰＵ３０１、ＲＯＭ３０２、ＲＡＭ３０３、ＨＤＤ３０４およびＮＩＣ３０５は内部バス３０６に接続されており、内部バス３０６を経由して相互に通信する。
　外部記憶装置２０３は、予測スコア算出装置２０２に直接接続されている場合には、内部バス３０６を経由してＣＰＵ３０１からのアクセスを受け付ける。また、外部記憶装置２０３が通信ネットワーク２１０に接続されている場合には、通信ネットワーク２１０およびＮＩＣ３０５を経由して、ＣＰＵ３０１からのアクセスを受け付ける。
　図４は、予測スコア算出装置２０２が予測スコア算出プログラムを実行することによって実現する機能の構成を示すブロック図である。図４に示すように、予測スコア算出装置２０２は、予測スコア算出部４１０や機械学習部４２０、学習データ入力部４３０、閾値決定部４４０を備えている。また、図５、図７は予測スコア算出装置２０２の動作を説明するフローチャートである。
　予測スコア算出部４１０は、予測スコア出力部４１１および工程検査データ入力部４１２と協調して動作する。端末装置２０１は、工程検査データ入力部４１２に工程検査１０３、１０５の検査データを入力して、予測スコアを要求する。これによって、工程検査データ入力部４１２は、端末装置２０１から検査データの入力を受け付ける（図５（ａ）のＳ５０１）。
　工程検査の検査データは、図６（ａ）に例示する検査データテーブルのように、工程検査の検査項目を識別する識別子と組み合わせごとに端末装置２０１から入力される。また、検査データに合わせて、工程検査の対象になっている仕掛品の識別子（製品のシリアル番号など）も、端末装置２０１から予測スコア算出装置２０２に入力される。
　予測スコア算出部４１０は、工程検査データ入力部４１２が検査データの入力を受け付けると、外部記憶装置２０３から機械学習モデルの学習パラメーターを読み出す（図５（ａ）のＳ５０２）。予測スコア算出部４１０は、機械学習モデルに、当該学習パラメーターを設定する（図５（ａ）のＳ５０３）。
　学習パラメーターを設定することによって、機械学習モデルが、工程検査１０３、１０５の検査データに応じて、最終検査１０７の良否判定の結果を予測した予測スコアを出力できるようになる。予測スコア算出部４１０は、学習パラメーターを設定した機械学習モデルに検査データを入力して、予測スコアを算出する（図５（ａ）のＳ５０４）。
　予測スコア出力部４１１は、予測スコア算出部４１０が算出した予測スコアを端末装置２０１へ出力する（図５（ａ）のＳ５０５）。端末装置２０１は、後述する予測スコアの閾値と予測スコアとを比較して、予測される最終検査１０７の良否判定結果を表示する。検査作業員は表示された良否判定結果の予測を参照して、仕掛品の除外などを行う。
　機械学習部４２０は、予測スコア算出装置２０２の管理者の指示などを契機として、機械学習を実行する。具体的には、まず、学習データとして、工程検査の検査データと、当該検査データに対応する最終検査の良否判定結果とを、外部記憶装置２０３から読み出す（図５（ｂ）のＳ５１１）。ここで最終検査の良否判定結果とは、工程検査の対象となった仕掛品を用いて生産された完成品に関する最終検査の良否判定結果である。この仕掛品は、完成品に組み込まれる部品であってもよいし、完成品を生産するために用いられる治具や材料などであってもよい。
　また、工程検査の検査データは、予測スコア算出部４１０に入力される工程検査の検査データと同様のデータ構造を有している（図６（ａ））。また、最終検査の良否判定結果もまた、工程検査の検査データと同様に、最終検査の良否判定結果を識別するための識別子と、最終検査の良否判定結果との組み合わせになっている。本実施の形態においては、最終検査において完成品が良と判定された場合には良否判定結果の値を「１」とし、不良と判定された場合には良否判定結果の値を「０」とする。
　次に、最終検査の良否判定結果を教師データとして、当該検査データを機械学習モデルに入力して得られた予測スコアが教師データに漸近するように機械学習を行って、学習パラメーターを生成する（図５（ｂ）のＳ５１２）。機械学習を完了したら、生成した学習パラメーターを外部記憶装置２０３に保存する（図５（ｂ）のＳ５１３）。また、当該学習パラメーターを用いて算出した予測スコアを、予測スコアを算出するために機械学習モデルに入力した学習データに対応付けて、外部記憶装置２０３に保存する（図５（ｂ）のＳ５１４）。
　なお、本実施の形態においては、機械学習モデルとして、勾配ブースティング決定木を用いる。しかしながら、本開示がこれに限定されないのは言うまでもなく、勾配ブースティング決定木に代えて、決定木分析やロジスティック回帰、ランダムフォレスト、ニューラルネットワーク等の機械学習モデルを用いてもよい。
　機械学習モデルはそれぞれ異なる特徴を有しているので、複数の機械学習モデルに学習用のデータを用いて機械学習を行わせた後、検証用のデータを用いて算出した予測スコアの精度を比較して、予測の対象とする生産ラインに最も適した機械学習モデルを採用するのが望ましい。
　学習データ入力部４３０は、機械学習部４２０が機械学習を実施する際に使用する学習データとして、図６（ａ）に例示する検査データテーブルのような工程検査の検査データと、図６（ｂ）に例示する良否判定結果テーブルのような最終検査の良否判定結果を端末装置２０１から受け付けて外部記憶装置２０３に保存する。なお、端末装置２０１が、通信ネットワーク２１０を経由して、外部記憶装置２０３に直接アクセスすることができる場合には、学習データ入力部４３０を経由することなく、直接、外部記憶装置２０３に学習データを保存してもよい。
　閾値決定部４４０は、予測スコアを用いてから最終検査の良否判定結果を予測する際に使用する閾値を決定する。具体的には、機械学習を行って学習パラメーターを生成せよとの予測スコア算出装置２０２の管理者の指示や端末装置２０１からの要求などを契機として、外部記憶装置２０３から学習データを読み出すとともに（図７のＳ７０１）、当該学習データに対応する予測スコアを読み出す（図７のＳ７０２）。
　次に、予測スコアをキーとして、当該予測スコアに対応する学習データのうち、最終検査の良否判定結果をソートする（図７のＳ７０３）。本実施の形態においては、最終検査が良判定を「１」とし、不良判定を「０」としていることに対応して、予測スコアもまた０以上、１以下の範囲内の値をとる。
　図８は、ソート結果を例示する表である。図８の表８０１に示すように、仕掛品のシリアル番号、当該仕掛品を用いた完成品に対する最終検査の良否判定結果、および当該仕掛品に対する工程検査の検査データを入力して機械学習モデルから出力される予測スコアが、予測スコアの降順にソートされている。
　図８では、予測スコアが最終検査において完成品が良と判定される確率になっている。したがって、予測スコアが高い仕掛品ほど、最終検査で良と判定される蓋然性が高く、逆に予測スコアが低い仕掛品ほど、最終検査で不良と判定される蓋然性が高い。
　このため、例えば、予測スコアの閾値を０．７０１４３３と高めに設定して、予測スコアが閾値以上の仕掛品を用いた完成品が良判定されると予測すると、表８１１に示すように、最終検査で良と判定される完成品を構成する仕掛品のうち、誤って当該完成品が最終検査で不良と判定されると予測される仕掛品の個数（誤報数）が３２３個と多くなり過ぎてしまう。誤報数が多過ぎると、当該仕掛品を用いた完成品が最終検査で良と判定される蓋然性が高いにも関わらず、不良と予測して、除外などの対象となる仕掛品の個数が多くなり過ぎてしまうので、無駄なコストが発生する。
　一方、予測スコアの閾値を０．３９９９０２と低めに設定して、予測スコアが閾値以上の仕掛品を用いた完成品が良判定されると予測すると、表８１３に示すように、最終検査で不良と判定される完成品を構成する仕掛品のうち、正しく当該完成品が最終検査で不良と判定されると予測される仕掛品の個数（不良捕捉数）が２個と少なくなり過ぎてしまう。不良捕捉数が多くすることができれば、最終検査で不良と判定される蓋然性が高い完成品を構成する仕掛品を次の工程に送らずに済むので、無駄なコストの発生を削減することができる。
　そこで、予測スコアの閾値をシリアル番号ＸＡ１０４３１４７の予測値と同じ０．５１７７５５に設定すると、表８１２に示すように、誤報数が多くなり過ぎず、かつ不良捕捉数が少なくなり過ぎないように、最終検査の良否判定結果を予測することができる。
　閾値を決定するために用いた一連の学習データに関して、最終検査の良否判定結果を予測することによって得ることができるコストメリットは、誤報数と、１回の誤報によって発生し得る損失である誤報損失コスト（本実施の形態では負値）と、不良捕捉数と、１回の不良捕捉によって得ることができる利益である不良捕捉メリット（本実施の形態では正値）とから次式（１）のようなコスト関数を用いて算出することができる。
　（コストメリット）＝（誤報数）×（誤報損失コスト）＋（不良捕捉数）×（不良捕捉メリット）　…（１）
　従って、予測スコアから最終検査における完成品の良否判定結果を予測するための閾値は、上式（１）のコスト関数を用いて算出されるコストメリットが最大になるように決定するのが望ましい。
　そこで、閾値決定部４４０は、更に、誤報損失コストと不良捕捉メリットとを外部記憶装置２０３から読み出して（図７のＳ７０４）、ソートした予測スコアの順に当該予測スコアを閾値として誤報数と不良捕捉数とを特定し、上式（１）のコスト関数を用いてコストメリットを算出する（図７のＳ７０５）。その後、算出したコストメリットのうち、最大のコストメリットに対応する閾値を特定すればよい（図７のＳ７０６）。
　閾値出力部４１１は、閾値決定部４４０が特定した閾値を端末装置２０１へ出力する。検査作業員は、端末装置２０１を操作して、仕掛品ごとに工程検査で得た検査データから機械学習モデルを用いて算出された予測スコアが、閾値以上であるかどうかに応じて、当該仕掛品を用いた完成品についての最終検査での良否判定結果を予測する。
　最終検査で良と判定されると予測された場合には、当該仕掛品を次の工程に送り、最終検査で不良と判定されると予測された場合には、当該仕掛品を除外したり補正したりすれば、最終検査での良否判定結果を予測しない場合と比較して、最終検査で不良と判定される完成品の個数を低減することができるので、当該完成品の生産コストを改善することができる。
［４］変形例
　以上、本開示を実施の形態に基づいて説明してきたが、本開示が上述の実施の形態に限定されないのは勿論であり、以下のような変形例を実施することができる。
（４－１）上記実施の形態においては、工程検査１０３、１０５の検査データから、当該仕掛品を用いた完成品の最終検査における良否判定結果を予測する場合を例にとって説明したが、本発明がこれに限定されないのは言うまでもなく、これに代えて次のようにしてもよい。
　例えば、工程検査１０３、１０５のうちどちらか一方の検査データだけを用いて最終検査における良否判定結果を予測してもよいし、工程検査１０３、１０５の検査データに加えて、更に別の工程検査の検査データも用いて最終検査における良否判定結果を予測してもよい。
　単一の工程検査の結果データだけから最終検査の良否判定結果を予測する場合には、予測スコアを算出するための処理負荷を軽減することができる。一方、複数の工程検査の結果データだけから最終検査の良否判定結果を予測したほうが、多角的な検査データを参照することができるので、当該良否判定結果の予測精度を向上させることができる。
　また、図９に示すように、複数の工程検査９０３、９１３が並行して実施される場合には、複数の工程検査９０３、９１３がすべて完了するのを待って、これらの検査データから最終検査の良否判定結果を予測してもよい。工程検査以外に受入検査の検査データを用いて予測を行ってもよいし、工程検査の検査データと受入検査の検査データとを組み合わせて予測を行ってもよい。
　また、予測の対象が最終検査の良否判定結果に限定されないのは言うまでもなく、生産ライン１における上流の１以上の工程検査データから下流の工程検査の検査結果を予測してもよい。仕掛品の単価が高くなる前の検査において、仕掛品の単価が高くなった後の検査結果を予測して、不良と判定されると予測された仕掛品を除外等すれば、仕掛品の単価が高くなった後の検査で不良と判定した仕掛品を除外等するよりも、生産コストの損失を低減することができる。
　機械学習モデルによる機械学習やスコアの予測には、更に、以下のような検査データを用いることができる。例えば、工程検査における検査データのうち、最終検査の項目と関連性のある検査対象の部位や機能についての検査データを、機械学習モデルの機械学習や、当該機械学習モデルを用いたスコアの予測に用いてもよい。機械学習において、特徴量の情報多様性が増すことで、機械学習の精度が上がりやすくなるが、関連性のあるデータを用いることで、機械学習の精度がより上がりやすくなる。
　また、機械学習モデルの機械学習データ等として、複数の工程検査における検査データを用いる場合には、検査対象における同一部分の加工前後における検査データを用いるのが望ましい。このようにすれば、加工に起因する最終検査の良否判定結果の変化を機械学習に反映することができるので、最終検査を待つことなく、当該加工に起因して不良判定されると予測された仕掛品を除外することができる。
　また、複数の工程検査における検査データを用いる場合には、当該工程検査どうしで互いに検査対象の異なる部位についての測定データを検査データとして組み合わせて用いてもよい。特徴量の情報多様性が増すことで、機械学習の精度が上がりやすくなる。
　また、複数の工程検査における検査データを用いる場合には、検査対象の同一の部位について工程検査どうしで互いに異なる物理量の測定データを検査データとして組み合わせて用いてもよい。特徴量の情報多様性が増すことで、機械学習の精度が上がりやすくなる。
（４－２）上記実施の形態においては、最終検査の良否判定結果の予測には、工程検査で得られた生の検査データを用いる場合を例にとって説明したが、本開示がこれに限定されないのは言うまでもなく、生の検査データに代えて、或いは生の検査データに加えて、当該生の検査データから算出することができる統計量を用いて最終検査の良否判定結果を予測してもよい。
　検査データから算出することができる最小値や最大値、平均値、中央値、標準偏差、分散などの統計量もまた各検査データと深く関連しているので、最終検査における良否判定結果を予測する上で有用である。
　この統計量の算出は、予測スコア算出装置２０２が予測スコアを算出するための前処理として行ってもよいし、端末装置２０１が統計量を算出する前処理を実行して、得られた統計量を検査データとして予測スコア算出装置２０２に入力してもよい。また、当該前処理においては、統計量以外の特徴量を求めてもよい。このようにすれば、機械学習に特徴量を探索させたり、機械学習モデルに特徴量を算出する処理を行わせたりしなくてもよくなるので、機械学習モデルに関連する処理負荷を軽減することができる。
（４－３）上記実施の形態においては具体的に言及しなかったが、機械学習モデルを用いた学習や予測は例えば、以下のように、ブースティング決定木についてはＬｉｇｈｔＢＧＭ、ロジスティック回帰、決定木分析、ランダムフォレストおよびニューラルネットワークについてはｓｃｉｋｉｔ－ｌｅａｒｎといったオープンソースのライブラリを用いて実装することができる。
　例えば、機械学習モデルとしてブースティング決定木を用いる場合には、まず工程検査および最終検査の検査データをＣＳＶ（Comma Separated Values）ファイルに記録しておき、ＬｉｇｈｔＧＢＭを利用して、当該ＣＳＶファイル（例えば、ファイル名を「検査データ.csv」とする。）からデータを読み込む。
　df = pd.read#csv("検査データ.csv", encoding = 'SHIFT-JIS')
なお、機械学習を行う場合と、機械学習の結果を検証する場合とを区別するために、次のようにラベル付けしてもよい。
　df#train = df[df['検証'] == 0]
　df#test = df[df['検証'] == 1]
　次に、説明変数を設定する。
　x#train = df#train.loc[:,'検査データ＃１':'検査データ＃２']
　x#test = df#test.loc[:,'検査データ＃１':'検査データ＃２']
また、目的変数を設定する。
　y#train = df#train['合否判定(不合格:1)']
　y#test = df#test['合否判定(不合格:1)']
そして、ＬｉｇｈＧＢＭライブラリ（ブースティング決定木）をインポートする。
　import lightgbm as lgb
ＬｉｇｈｔＧＢＭライブラリに学習データを設定するとともに、
　train = lgb.Dataset(x#train, label=y#train)
検証用のデータも設定する。
　valid = train.create#valid(x#test, label=y#test)
更に、ハイパーパラメーターを設定する。
param = [
'boosting':'gbdt',
'objective': 'binary',
'metric':'binary',
'num#iterations':20000,
'num#leaves':5,
'min#data#in#leaf':12,
'learning#rate':0.05099340688202502,
'sub#feature':0.9,
'sub#row':0.8,
'bagging#freq':1,
'lambda#l1':0.054599059167475525,
'lambda#l2':0.02858778312976605,
'num#threads':4,
'seed':seed #乱数シード値設定
]
ハイパーパラメーターは機械学習の実行条件を指定するためのパラメーターである。実行する学習ステップの数、言い換えると決定木の数は、例えば、
　num#round = 20000
とすればよい。このように設定してから機械学習を実行して、機械学習モデルを作成する。
　m#lgb = lgb.train(param, train, 20000, valid#sets=[valid], early#stopping#rounds=1500)
　作成した機械学習モデル（勾配ブースティング決定木）を用いて予測を行う場合には、
　pred#test = m#lgb.predict(x#test, num#iteration=m#lgb.best#iteration)
とすればよい。
　ロジスティック回帰を機械学習モデルとする場合には、ｓｃｉｋｉｔ－ｌｅａｒｎライブラリを用いることができる。まず、ロジスティック回帰のパッケージをインポートして、
　from sklearn.linear#model import LogisticRegression
まず、機械学習モデルのインスタンスを作成し、
　lr = LogisticRegression()
機械学習を実行する。
　lr.fit(x#train, y#train)
学習済みの機械学習モデルを用いて予測を行う場合には、
　pred#test = lr.predict#proba(x#test)
とする。
　同じように、決定木分析、ランダムフォレストおよびニューラルネットワークを機械学習モデルとする場合も、ｓｃｉｋｉｔ－ｌｅａｒｎライブラリを用いることができる。決
定木分析でも同様に、決定木分析のパッケージをインポートして、
　from sklearn.tree import DecisionTreeClassifier
インスタンスを作成し、
　dt = DecisionTreeClassifier()
機械学習を実行した後、
　dt.fit(x#train, y#train)
予測を行う。
　pred#test = dt.predict(x#test)
　機械学習モデルとしてランダムフォレストを用いる場合には、ランダムフォレストのパッケージをインポートして、
　from sklearn.ensemble import RandomForestClassifier
インスタンスを作成し、
　rf = RandomForestClassifier(random#state=777)
機械学習を実行した後、
　rf.fit(x#train, y#train)
予測を行う。
　pred#test = rf.predict(x#test)
　ニューラルネットワークについても同様に、ｓｃｉｋｉｔ－ｌｅａｒｎのパッケージをインポートし、
　from sklearn.neural#network import MLPClassifier
インスタンスを作成し、
　nn = MLPClassifier(solver="sgd", random#state=0, max#iter=10000)
機械学習を実行した後、
　nn.fit(x#train, y#train)
予測を行う。
　pred#test = nn.predict(x#test)
（４－４）上記実施の形態においては、端末装置２０１において予測スコア算出装置２０２が算出した予測スコアと閾値とを比較して仕掛品の良否を判定する場合を例にとって説明したが、本開示がこれに限定されないのは言うまでもなく、これに代えて次のようにしてもよい。例えば、予測スコア算出装置２０２が予測スコアと閾値とを比較して、仕掛品の良否のみを端末装置２０１に通知してもよい。
（４－５）上記実施の形態においては、誤報数と不良捕捉数との両方を用いてコストメリットを算出する場合を例にとって説明したが、本開示がこれに限定されないのは言うまでもなく、これに代えて、誤報数と不良捕捉数とのどちらか一方のみを用いてコストメリットを算出してもよい。また、コスト関数についても定式（１）に限定されないのは言うまでもなく、他のコスト関数を用いて閾値を決定しても本開示の効果を得ることができる。
（４－６）上記実施の形態においては、本開示が予測スコア算出装置２０２である場合を例にとって説明したが、本開示がこれに限定されないのは言うまでもなく、上記予測スコア算出装置２０２が実行する予測スコア算出方法であるとしてもよい。また、当該予測スコア算出方法をコンピューターに実行させる予測スコア算出プログラムであってもよい。更に、当該予測スコア算出プログラムを記憶した記憶媒体であるとしてもよく、いずれの場合においても本開示の効果を得ることができる。
（４－７）上記実施の形態においては、主として予測スコア算出装置２０２の構成と動作に着目して本開示を説明したので、ここでは端末装置２０１の構成と動作についての説明を補う。
　図１０に示すように、端末装置２０１は、ＣＰＵ１００１、ＲＯＭ１００２、ＲＡＭ１００３、ＳＳＤ（Solid State Drive）１００４、通信用ＬＳＩ（Large Scale Integration）１００５、カメラ１００６、マイク１００７、スピーカー１００８、タッチパネルコントローラー１００９を内部バス１０１０にて接続した構成を備えている。ＣＰＵ１００１は、ＲＡＭ１００１３を作業用記憶領域として、ＳＳＤ１００４から読み出したＯＳや、最終検査の良否判定結果の予測結果を出力する予測プログラム等を実行する。
　通信用ＬＳＩ１００５には無線通信用のアンテナ１０１２が接続されており、ＣＰＵ１００１の制御の下、予測スコア算出装置２０２へ検査データを送信したり、予測スコアを受信したりする等の通信処理を実行する。タッチパネルコントローラー１００９は、ＣＰＵ１００１からコマンドを受け付けて、タッチパネル１０１３の動作を制御する。
　タッチパネル１０１３は、タッチパッド１０１４および液晶ディスプレイ１０１５を備えており、タッチパッド１０１４にて端末装置２０１のユーザーから検査データの入力などを受け付けたり、液晶ディスプレイ１０１５にて端末装置２０１のユーザーに最終検査の良否判定結果の予測結果などを提示したりする。タッチパッド１０１４は、静電容量方式や、電磁誘導方式、抵抗膜方式等の入力方式を用いたタッチセンサーを含み、透明部材で構成され、液晶ディスプレイ１０１５に重畳して設けられている。液晶ディスプレイ１０１５の背後には、光源であるＬＥＤ（Light Emitting Diode）が配設されており、液晶ディスプレイ１０１５のバックライトとして機能する。
　スピーカー１００５は音声を出力し、マイク１００６は音声を集音する。カメラ１００９は、ＣＭＯＳ（Complementary Metal Oxide Semiconductor）イメージセンサとレンズとを含み、レンズから入射した光をＣＭＯＳイメージセンサで検出して画像データを生成する。
　端末装置２０１は、図１１に示すように、まず最終検査の良否判定結果を予測したい仕掛品の検査データの入力を受け付ける（Ｓ１１０１）。例えば、図１２に示すような端末装置２０１の表示画面１２０１のシリアル番号欄１２０２にて最終検査の良否判定結果を予測したい仕掛品を組み込む製品のシリアル番号の入力を受け付けるとともに、検査データ欄１２０３にて当該仕掛品の工程検査における検査データの入力を受け付ける。
　端末装置２０１のユーザーがシリアル番号と検査データの入力を完了して、スタートボタン１２０４をタッチすると、端末装置は、受け付けた検査データを予測スコア算出装置２０２へ送信して、予測スコアおよび閾値を要求する（Ｓ１１０２）。その後、予測スコア算出装置２０２から予測スコアおよび閾値を受信したら（Ｓ１１０３）、受信した予測スコアと閾値とを比較する。
　予測スコアが閾値以上である場合には（Ｓ１１０４：ＹＥＳ）、最終検査において良判定されると予測する（Ｓ１１０５）。一方、予測スコアが閾値未満である場合には（Ｓ１１０４：ＮＯ）、最終検査において不良判定されると予測する（Ｓ１１０６）。その後、予測結果をタッチパネル１０１３の液晶ディスプレイ１０１５に表示出力して（Ｓ１１０７）、処理を終了する。
　図１２の例では、予測スコア欄１２０５に予測スコアが表示され、閾値欄１２０６に閾値が表示されるとともに、予測スコアと閾値とを比較することによって予測した最終検査の良否判定結果が判定結果欄１２０７に表示されている。
　なお、端末装置２０１は、ユーザーからシリアル番号の入力を受け付けると、外部記憶装置２０３等からシリアル番号に対応する検査データを取得してもよい。このようにすれば、端末装置２０１に検査データを入力するユーザーの手間を省くことができる。また、この場合には、シリアル番号の入力を契機として、検査データを読み出すだけでなく、当該検査データを予測スコア算出装置２０２に送信して、予測スコアと閾値とを要求してもよい。
　また、予測スコア算出装置２０２にシリアル場号のみを送信して、予測スコア算出装置２０２に当該シリアル場号に対応する検査データを取得させ、当該検査データを用いて予測スコアを算出させてもよい。
　本開示に係る予測スコア算出装置、予測スコア算出方法、予測スコア算出プログラムおよび学習装置は、生産ラインにおける最終検査のスコアを工程検査において予測する技術として有用である。
１………………………………………生産ライン
１０３、１０５、９０３、９０５…工程検査
１０７、９０７………………………最終検査
２………………………………………予測スクリーニングシステム
２０１…………………………………端末装置
２０２…………………………………予測スコア算出装置
２０３…………………………………外部記憶装置
４１０…………………………………予測スコア算出部
４２０…………………………………機械学習部
４３０…………………………………学習データ入力部
４４０…………………………………閾値決定部

Claims (15)

  1. 　複数の加工工程と、少なくとも一つの検査工程を含む第１の検査工程と、前記第１の検査工程よりも下流工程で実施される第２の検査工程を経て製品が生産される生産工程について、前記第２の検査工程における良否判定のための予測スコアを算出する予測スコア算出装置であって、
    　前記第１の検査工程のうち少なくとも一つの検査工程で得られた第１の検査データの入力を受け付ける入力手段と、
    　入力された前記第１の検査データから機械学習モデルを用いて、前記予測スコアを算出する算出手段と、を備える
    ことを特徴とする予測スコア算出装置。
  2. 　前記入力手段は、複数の検査工程を含む第１の検査工程の検査データの入力を受け付ける
    ことを特徴とする請求項１に記載の予測スコア算出装置。
  3. 　前記予測対象の検査において不良と判定されるべき検査対象物品を構成する前記第１の検査工程の検査対象物品を、予測スコアの算出に用いる検査データを取得した第１の検査工程で不良と判定した場合の利益と、
    　前記第２の検査工程において良と判定されるべき検査対象物品を構成する第１の検査工程の検査対象物品を、予測スコアの算出に用いる検査データを取得した第１の検査工程で不良と判定した場合の損失と、の少なくとも一方に応じて、
    　当該第１の検査工程において当該検査対象物品を良否判定するための、予測スコアの閾値を決定する決定手段を備える
    ことを特徴とする請求項１または２に記載の予測スコア算出装置。
  4. 　前記決定手段は、前記利益から前記損失を差し引いた残余のコストメリットが最大になるように前記閾値を決定する
    ことを特徴とする請求項３に記載の予測スコア算出装置。
  5. 　前記決定手段は、前記第１の検査工程までの生産コスト、前記第１の検査工程後の部材コストおよび前記第２の検査工程の実施コストの少なくとも１つを用いて、前記利益並びに損失を算出する
    ことを特徴とする請求項３または４に記載の予測スコア算出装置。
  6. 　前記機械学習モデルは、勾配ブースティング決定木、決定木分析、ロジスティック回帰、ランダムフォレストおよびニューラルネットワークのいずれかである
    ことを特徴とする請求項１から５のいずれかに記載の予測スコア算出装置。
  7. 　前記機械学習モデルは、前記第２の検査工程を実施した検査対象物品の良否判定結果と、当該検査対象物品を構成する前記第１の検査工程の検査対象物品に関する第１の検査工程の検査データと、を教師データとして機械学習することによって、第１の検査工程の検査データから予測スコアを算出する
    ことを特徴とする請求項１から６のいずれかに記載の予測スコア算出装置。
  8. 　前記第１の検査データは、前記第２の検査工程の項目と関連性のある検査対象の部位や機能についての検査データを含む
    ことを特徴とする請求項１から７のいずれかに記載の予測スコア算出装置。
  9. 　前記第１の検査データは、複数の検査工程における検査データを用いる場合に、同一部位の加工前後における検査データを含む
    ことを特徴とする請求項１から８のいずれかに記載の予測スコア算出装置。
  10. 　前記第１の検査データは、複数の検査工程における検査データを用いる場合に、異なる部位の測定データを含む
    ことを特徴とする請求項１から９のいずれかに記載の予測スコア算出装置。
  11. 　前記第１の検査データは、複数の検査工程における検査データを用いる場合に、同じ部位に対して異なる物理量の測定データを含む
    ことを特徴とする請求項１から１０のいずれかに記載の予測スコア算出装置。
  12. 　複数の加工工程と、少なくとも一つの検査工程を含む第１の検査工程と、前記第１の検査工程よりも下流工程で実施される第２の検査工程を経て製品が生産される生産工程について、前記第２の検査工程における良否判定のための予測スコアを算出する予測スコア算出方法であって、
    　前記第１の検査工程のうち少なくとも一つの検査工程で得られた第１の検査データの入力を受け付ける入力ステップと、
    　入力された前記第１の検査データから機械学習モデルを用いて、前記予測スコアを算出する算出ステップと、を含む
    ことを特徴とする予測スコア算出方法。
  13. 　複数の加工工程と、少なくとも一つの検査工程を含む第１の検査工程と、前記第１の検査工程よりも下流工程で実施される第２の検査工程を経て製品が生産される生産工程について、前記第２の検査工程における良否判定のための予測スコアをコンピューターに算出させる予測スコア算出プログラムであって、
    　前記第１の検査工程のうち少なくとも一つの検査工程で得られた第１の検査データの入力を受け付ける入力ステップと、
    　入力された前記第１の検査データから機械学習モデルを用いて、前記予測スコアを算出する算出ステップと、をコンピューターに実行させる
    ことを特徴とする予測スコア算出プログラム。
  14. 　複数の加工工程と、少なくとも一つの検査工程を含む第１の検査工程と、前記第１の検査工程よりも下流工程で実施される第２の検査工程を経て製品が生産される生産工程について、
    　前記第１の検査工程のうち少なくとも一つの検査工程で得られた第１の検査データと、前記第２の検査工程を実施した検査対象物品の良否判定結果との入力を受け付ける学習データ入力部と、
    　入力された前記第１の検査データと前記良否判定結果とを教師データとし、前記第２の検査工程における良否判定のための予測スコアを出力するように機械学習モデルを学習させる学習手段と、を備える
    ことを特徴とする学習装置。
  15. 　前記機械学習モデルは勾配ブースティング決定木である
    ことを特徴とする請求項１４に記載の学習装置。
PCT/JP2021/018616 2020-06-16 2021-05-17 予測スコア算出装置、予測スコア算出方法、予測スコア算出プログラムおよび学習装置 WO2021256141A1 (ja)

Priority Applications (5)

Application Number Priority Date Filing Date Title
US17/925,499 US20230185290A1 (en) 2020-06-16 2021-05-17 Prediction score calculation device, prediction score calculation method, prediction score calculation program, and learning device
JP2021576221A JP7063426B1 (ja) 2020-06-16 2021-05-17 予測スコア算出装置、予測スコア算出方法および予測スコア算出プログラム
CN202180042377.1A CN115702402A (zh) 2020-06-16 2021-05-17 预测得分计算装置、预测得分计算方法、预测得分计算程序以及学习装置
EP21826493.5A EP4167037A4 (en) 2020-06-16 2021-05-17 PREDICTION SCORE CALCULATION DEVICE, PREDICTION SCORE CALCULATION METHOD, PREDICTION SCORE CALCULATION PROGRAM, AND LEARNING DEVICE
JP2022070207A JP2022122862A (ja) 2020-06-16 2022-04-21 予測スコア算出装置、予測スコア算出方法、予測スコア算出プログラムおよび学習装置

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020-103856 2020-06-16
JP2020103856 2020-06-16

Publications (1)

Publication Number Publication Date
WO2021256141A1 true WO2021256141A1 (ja) 2021-12-23

Family

ID=79267815

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/018616 WO2021256141A1 (ja) 2020-06-16 2021-05-17 予測スコア算出装置、予測スコア算出方法、予測スコア算出プログラムおよび学習装置

Country Status (5)

Country Link
US (1) US20230185290A1 (ja)
EP (1) EP4167037A4 (ja)
JP (2) JP7063426B1 (ja)
CN (1) CN115702402A (ja)
WO (1) WO2021256141A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024014094A1 (ja) * 2022-07-14 2024-01-18 株式会社日立製作所 特性予測装置、特性予測方法、および、特性予測プログラム

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117055509B (zh) * 2023-09-25 2024-03-08 四川德润钢铁集团航达钢铁有限责任公司 一种基于人工智能对短流程钢铁工艺参数预测的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002287803A (ja) * 2001-03-27 2002-10-04 Denso Corp 製品の製造プロセスにおける特性調整方法
JP2006004428A (ja) * 2004-04-30 2006-01-05 Omron Corp 品質制御装置およびその制御方法、品質制御プログラム、並びに該プログラムを記録した記録媒体
JP2006317266A (ja) 2005-05-12 2006-11-24 Omron Corp 検査基準設定装置及び方法、並びに、工程検査装置
JP2012151251A (ja) 2011-01-18 2012-08-09 Omron Corp 判定基準値の適否判定方法およびその適正値の特定方法、部品実装基板の検査システム、生産現場におけるシミュレーション方法およびシミュレーションシステム
WO2017168507A1 (ja) 2016-03-28 2017-10-05 三菱電機株式会社 品質管理装置、品質管理方法及び品質管理プログラム

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7062577B2 (ja) * 2018-11-21 2022-05-06 株式会社日立製作所 製造条件特定システムおよび方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002287803A (ja) * 2001-03-27 2002-10-04 Denso Corp 製品の製造プロセスにおける特性調整方法
JP2006004428A (ja) * 2004-04-30 2006-01-05 Omron Corp 品質制御装置およびその制御方法、品質制御プログラム、並びに該プログラムを記録した記録媒体
JP2006317266A (ja) 2005-05-12 2006-11-24 Omron Corp 検査基準設定装置及び方法、並びに、工程検査装置
JP2012151251A (ja) 2011-01-18 2012-08-09 Omron Corp 判定基準値の適否判定方法およびその適正値の特定方法、部品実装基板の検査システム、生産現場におけるシミュレーション方法およびシミュレーションシステム
WO2017168507A1 (ja) 2016-03-28 2017-10-05 三菱電機株式会社 品質管理装置、品質管理方法及び品質管理プログラム

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4167037A4

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024014094A1 (ja) * 2022-07-14 2024-01-18 株式会社日立製作所 特性予測装置、特性予測方法、および、特性予測プログラム

Also Published As

Publication number Publication date
JP2022122862A (ja) 2022-08-23
CN115702402A (zh) 2023-02-14
EP4167037A4 (en) 2024-03-13
US20230185290A1 (en) 2023-06-15
JPWO2021256141A1 (ja) 2021-12-23
EP4167037A1 (en) 2023-04-19
JP7063426B1 (ja) 2022-05-09

Similar Documents

Publication Publication Date Title
JP7167009B2 (ja) 自動車保証の不正の予測のためのシステム及び方法
JP7063426B1 (ja) 予測スコア算出装置、予測スコア算出方法および予測スコア算出プログラム
WO2006100646A2 (en) Method for controlling a product production process
EP3405844B1 (en) Methods and systems for root cause analysis for assembly lines using path tracking
CN114826885B (zh) 一种基于数据分析的设备故障监测系统及方法
Karimi-Mamaghan et al. A learning-based metaheuristic for a multi-objective agile inspection planning model under uncertainty
Zörrer et al. Using business analytics for decision support in zero defect manufacturing of composite parts in the aerospace industry
CN116457802A (zh) 利用未被标记的传感器数据对工业系统中的罕见故障的自动实时检测、预测和阻止
Lyu et al. A data-driven approach for identifying possible manufacturing processes and production parameters that cause product defects: A thin-film filter company case study
CN113448808B (zh) 一种批处理任务中单任务时间的预测方法、系统及存储介质
KR20170035806A (ko) 장비 관련 편차의 근본 원인 분석을 위한 방법 및 시스템
KR100736033B1 (ko) 비즈니스 프로세스의 자동 성장 장치 및 방법
US20190266682A1 (en) Calculating value of inspection information
JP6715705B2 (ja) 不良原因探索システム、及び不良要因探索方法
CN115630708A (zh) 一种模型更新方法、装置、电子设备、存储介质及产品
CN113296836A (zh) 训练模型的方法、测试方法、装置、电子设备及存储介质
CN114139589A (zh) 故障诊断方法、装置、设备与计算机可读存储介质
Flores-Jimeno et al. Analysing business failure processes
Heo et al. A modified lasso model for yield analysis considering the interaction effect in a multistage manufacturing line
JP2008117380A (ja) 診断プロセス支援方法とそのためのプログラム
KR102550687B1 (ko) 검색량 데이터와 var 분석을 이용한 탄소 배출권 가격 예측 시스템 및 그 방법
US11977603B1 (en) Iteratively trained machine learning models for evaluations of internal consistency
WO2022254607A1 (ja) 情報処理装置、差分抽出方法、及び非一時的なコンピュータ可読媒体
CN112416789B (zh) 一种面向演化软件的过程度量元评价方法
CN109359133B (zh) 基于大数据和深度学习的个性化认定方法和机器人系统

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2021576221

Country of ref document: JP

Kind code of ref document: A

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

Ref document number: 21826493

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021826493

Country of ref document: EP

Effective date: 20230116