WO2023140196A1 - 異常判定方法及び生産管理システム - Google Patents

異常判定方法及び生産管理システム Download PDF

Info

Publication number
WO2023140196A1
WO2023140196A1 PCT/JP2023/000845 JP2023000845W WO2023140196A1 WO 2023140196 A1 WO2023140196 A1 WO 2023140196A1 JP 2023000845 W JP2023000845 W JP 2023000845W WO 2023140196 A1 WO2023140196 A1 WO 2023140196A1
Authority
WO
WIPO (PCT)
Prior art keywords
status data
production
dummy
time
operating
Prior art date
Application number
PCT/JP2023/000845
Other languages
English (en)
French (fr)
Inventor
悠太 島崎
瞳 嶺岸
Original Assignee
パナソニックＩｐマネジメント株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by パナソニックＩｐマネジメント株式会社 filed Critical パナソニックＩｐマネジメント株式会社
Publication of WO2023140196A1 publication Critical patent/WO2023140196A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]

Definitions

  • the present disclosure relates to an abnormality determination method and a production control system.
  • Patent Document 1 discloses a state determination device that performs guard processing to bring the input data closer to the allowable range when data outside the allowable range is input.
  • Patent Literature 2 discloses a communication method of a facility operation monitoring device that transfers data by two types of communication methods so as not to cause data loss.
  • An abnormality determination method is an abnormality determination method in a production control system that manages a production line including a first production apparatus corresponding to a first process, a second production apparatus corresponding to a second process following the first process, and a third production apparatus corresponding to a third process following the second process, comprising: (i) first operation status data including a first operating time in the first production apparatus and a first waiting time between the first process and the second process; At least (i) the first operating status data and (iii) the third operating status data among the second operating status data including the second operating time, the second waiting time between the first process and the second process, and the third waiting time between the second process and the third process, and (iii) the third operating status data including the third operating time in the third production equipment and the fourth waiting time between the second process and the third process, are obtained via a network, and the first operating time and the third operating status data are obtained.
  • An abnormality determination method is an abnormality determination method in a production management system that manages a production line including a first production apparatus corresponding to a first process, a second production apparatus corresponding to a second process following the first process, and a third production apparatus corresponding to a third process following the second process, wherein (i) first operation status data including a first operating time in the first production apparatus and a first waiting time between the first process and the second process; obtaining third operating status data including a third operating time and a fourth waiting time between the second process and the third process in the production apparatus via a network; calculating a dummy operating time in the second production apparatus based on the first operating time and the third operating time; predicting a dummy waiting time in the second process based on the first waiting time and the fourth waiting time; generating dummy operating status data including the dummy operating time and the dummy waiting time; Based on the data, an abnormality determination process is performed for the entire production process including the first to the third processes, and determination result
  • an abnormality determination process is performed for the entire production process including the first process and the second process, and determination result information representing the result of the abnormality determination process is output to be displayed on a display device included in the production management system.
  • an abnormality determination process is performed for the entire production process including the first process and the second process, and determination result information representing the result of the abnormality determination process is output to be displayed on a display device included in the production management system.
  • a production control system is a production control system that manages a production line including a first production apparatus corresponding to a first process, a second production apparatus corresponding to a second process following the first process, and a third production apparatus corresponding to a third process following the second process, wherein: (i) first operation status data including a first operating time of the first production apparatus and a first waiting time between the first process and the second process; and (ii) a second operating time of the second production apparatus.
  • second operating status data including a second waiting time between the first process and the second process and a third waiting time between the second process and the third process
  • third operating status data including a third operating time in the third production apparatus and a fourth waiting time between the second process and the third process
  • An abnormality determination process is performed for the entire production process including up to the third process, and determination result information indicating the result of the abnormality determination process is output so as to be displayed on a display device included in the production management system.
  • a production control system is a production control system that manages a production line including a first production apparatus corresponding to a first process, a second production apparatus corresponding to a second process following the first process, and a third production apparatus corresponding to a third process following the second process, wherein (i) first operation status data including a first operating time in the first production apparatus and a first waiting time between the first process and the second process; 3) acquiring third operation status data including operation time and a fourth waiting time between the second process and the third process via a network; calculating a dummy operation time in the second production equipment based on the first operation time and the third operation time; predicting a dummy waiting time in the second process based on the first waiting time and the fourth waiting time; generating dummy operation status data including the dummy operation time and the dummy waiting time; An abnormality determination process is performed for the entire production process including the first to the third processes, and determination result information representing the result of the abnormality determination process is output to be displayed on
  • one aspect of the present disclosure can be implemented as a program that causes a computer to execute the abnormality determination method.
  • one aspect of the present disclosure can be implemented as a computer-readable non-temporary recording medium storing the program.
  • an abnormality can be determined with high accuracy.
  • FIG. 1 is a diagram showing the configuration of a production management system according to an embodiment.
  • FIG. 2 is a block diagram showing the functional configuration of the production management system according to the embodiment.
  • FIG. 3 is a diagram showing an example of production log data.
  • FIG. 4 is a sequence diagram showing operations of the production management system according to the embodiment.
  • FIG. 5 is a flow chart showing the operation of the production management system according to the embodiment.
  • FIG. 6 is a flow chart showing processing for generating dummy operating status data.
  • FIG. 7 is a diagram showing the relationship between the learned probability distribution, which is the production model of one production line, and the degree of abnormality.
  • FIG. 8 is a flow chart showing the abnormality factor identification process.
  • FIG. 9 is a flowchart showing processing for generating a learning model by machine learning.
  • FIG. 9 is a flowchart showing processing for generating a learning model by machine learning.
  • FIG. 10 is a diagram showing an example of dummy operation status data generated when operation status data of an intermediate process is lost.
  • FIG. 11 is a diagram showing input data and output data related to the process of generating dummy operating status data.
  • FIG. 12 is a diagram showing an example of dummy operation status data generated when the operation status data of the leading process is missing.
  • FIG. 13 is a diagram showing an example of dummy operation status data generated when the operation status data of the end process is lost.
  • FIG. 14 is a diagram showing an example of dummy operating status data that is generated in place of operating status data that is not scheduled to be obtained.
  • FIG. 15 is a diagram showing a display example of determination results by the production management system according to the embodiment.
  • first operation status data corresponding to the first process second operation data corresponding to the second process
  • third operation status data corresponding to the third process if any data is missing, the abnormality determination process itself for the entire production process will not be possible. Such data loss may occur, for example, due to network conditions that communicate the first operating status data, the second operating status data, and the third operating status data.
  • Dummy operation status data is generated based on the operation status data of the processes before and after the process in which the data loss occurred. For example, the waiting time (that is, stoppage time) per operating time in a process in which data loss has occurred is estimated based on the operating status data of the processes before and after.
  • the determination result information when outputting the determination result information, it may be output that the abnormality determination process was performed using the dummy operation status data in the second step.
  • the abnormality determination process may be a process of determining whether or not there is an abnormality in the entire production process based on the total waiting time in the total operating time of the entire production process.
  • the abnormality determination process may be a process of determining the presence or absence of an abnormality in each process in the entire production process based on the waiting time in the operation time of the process.
  • the result of the abnormality determination process may include that there is no abnormality in the production process.
  • the first production device, the second production device, and the third production device may be connected by a belt conveyor.
  • a production management system is a production management system that manages a production line including a first production apparatus corresponding to a first process, a second production apparatus corresponding to a second process following the first process, and a third production apparatus corresponding to a third process following the second process, wherein: (i) first operation status data including a first operating time in the first production apparatus and a first waiting time between the first process and the second process; At least (i) the first operating status data and (iii) the third operating status data among (i) the first operating status data and (iii) the third operating status data among (iii) the third operating status data including the operating time, the second waiting time between the first process and the second process, and the third waiting time between the second process and the third process, and (iii) the third operating status data including the third operating time in the third production apparatus and the fourth waiting time between the second process and the third process, are acquired via a network, and 3.
  • the second operation status data has not been obtained based on the operation time, predicting a dummy operation time corresponding to the second operation time based on the first operation time and the third operation time, predicting a dummy wait time in the second process based on the first wait time and the fourth wait time, generating dummy operation status data corresponding to the second operation status data including the dummy operation time and the dummy wait time, and generating dummy operation status data corresponding to the second operation status data including the dummy operation time and the dummy operation status data, and performing the first process based on the first operation status data, the third operation status data, and the dummy operation status data. to the third process, and outputs determination result information representing the result of the abnormality determination process to be displayed on a display device included in the production management system.
  • the same effect as the abnormality determination method described above can be obtained. That is, even if there is a missing operation status data corresponding to any of the processes, the abnormality determination process for the entire production process can be continued, and the abnormality can be determined in a short time without impairing the accuracy.
  • an abnormality determination method is an abnormality determination method in a production management system that manages a production line including a first production apparatus corresponding to a first process, a second production apparatus corresponding to a second process following the first process, and a third production apparatus corresponding to a third process following the second process, comprising: (i) first operation status data including a first operating time in the first production apparatus and a first waiting time between the first process and the second process; third operation status data including a third operation time and a fourth waiting time between the second process and the third process in a third production apparatus is acquired via a network, a dummy operation time in the second production apparatus is calculated based on the first operation time and the third operation time, a dummy wait time in the second process is predicted based on the first wait time and the fourth wait time, dummy operation status data including the dummy operation time and the dummy wait time is generated, the first operation status data, the third operation status data and the dummy. Based on the operation status
  • the abnormality determination process can be performed for the entire production process, and the abnormality can be determined in a short time without impairing the accuracy.
  • the determination result information when outputting the determination result information, it may be output that the abnormality determination process was performed using the dummy operation status data in the second step.
  • a production control system is a production control system that manages a production line including a first production apparatus corresponding to a first process, a second production apparatus corresponding to a second process following the first process, and a third production apparatus corresponding to a third process following the second process, comprising: (i) first operation status data including a first operating time in the first production apparatus and a first waiting time between the first process and the second process; and (ii) the third production apparatus.
  • third operation status data including a third operation time and a fourth waiting time between the second process and the third process are acquired via a network, a dummy operation time in the second production equipment is calculated based on the first operation time and the third operation time, a dummy waiting time in the second process is predicted based on the first waiting time and the fourth waiting time, dummy operation status data including the dummy operation time and the dummy waiting time is generated, and the first operation status data, the third operation status data and the dummy operation status data are generated. Based on this, an abnormality determination process is performed for the entire production process including the first to the third processes, and determination result information representing the result of the abnormality determination process is output to be displayed on a display device included in the production control system.
  • abnormality determination processing can be performed for the entire production process, and abnormality can be determined in a short time without impairing accuracy.
  • an abnormality determination method is an abnormality determination method in a production management system that manages a production line including a first production apparatus corresponding to a first process and a second production apparatus corresponding to a second process, which is a terminal process following the first process, comprising: (i) first operation status data including a first operation time in the first production apparatus and a first waiting time between the first process and the second process; At least the first operating status data in second operating status data including a second waiting time between the process and the second process is obtained via a network, and if it is determined that the second operating status data has not been obtained based on the first operating time, a dummy operating time corresponding to the second operating time is predicted based on the first operating time, a dummy waiting time in the second process is predicted based on the first waiting time, and dummy operating status data corresponding to the second operating status data including the dummy operating time and the dummy waiting time is obtained.
  • abnormality determination processing is performed for the entire production process including the first process and the second process, and determination result information representing the result of the abnormality determination process is output to be displayed on a display device included in the production management system.
  • the abnormality determination process for the entire production process can be continued, and the abnormality can be determined in a short time without compromising accuracy.
  • the determination result information when outputting the determination result information, it may be output that the abnormality determination process was performed using the dummy operation status data in the second step.
  • an abnormality determination method is an abnormality determination method in a production management system that manages a production line including a first production apparatus corresponding to a first process, which is a leading-edge process, and a second production apparatus corresponding to a second process following the first process, comprising: (i) first operation status data including a first operation time in the first production apparatus and a first waiting time between the first process and the second process; and (ii) a second operation time in the second production apparatus, the first At least the second operation status data in the second operation status data including the second waiting time between the process and the second process is acquired via a network, and if it is determined that the first operation status data has not been acquired based on the second operation time, a dummy operation time corresponding to the first operation time is predicted based on the second operation time, a dummy waiting time in the first process is predicted based on the second waiting time, and dummy operation status data corresponding to the first operation status data including the dummy operation time and the
  • abnormality determination processing is performed for the entire production process including the first process and the second process, and determination result information representing the result of the abnormality determination process is output to be displayed on a display device included in the production management system.
  • the abnormality determination process for the entire production process can be continued, and the abnormality can be determined in a short time without compromising accuracy.
  • the determination result information when outputting the determination result information, it may be output that the abnormality determination process was performed using the dummy operation status data in the first step.
  • each figure is a schematic diagram and is not necessarily strictly illustrated. Therefore, for example, scales and the like do not necessarily match in each drawing. Moreover, in each figure, the same code
  • FIG. 1 is a diagram showing the configuration of a production management system 1 according to this embodiment.
  • a production management system 1 shown in FIG. 1 is a system for managing a production line including a plurality of production apparatuses.
  • the production management system 1 manages the equipment group 10 .
  • the facility group 10 to be managed by the production management system 1 will be described below.
  • FIG. 1 in order to distinguish the plurality of production lines and the plurality of facilities individually, different reference numerals are assigned to the plurality of production lines 11a and 11b, and the plurality of facilities 12a_1, 12a_2, and 12b_1.
  • the production line 11 and the equipment 12 are used when there is no need to distinguish between the production line and the equipment.
  • the facility group 10 includes x number of production lines 11. x is a natural number of 1 or more.
  • Each of the x number of production lines 11 includes n units of equipment 12 .
  • n is a natural number of 2 or more.
  • the number of facilities 12 included in one production line 11 may be different from the number of facilities 12 included in other production lines 11 .
  • Each of the x production lines 11 produces multiple products.
  • a single product is produced by sequentially performing a plurality of steps.
  • the plurality of steps includes, for example, component mounting, processing, and assembly, but is not particularly limited.
  • a product is produced by the n units of equipment 12 included in the production line 11 sequentially executing the processes assigned to each equipment.
  • the facility 12 is an example of a production device.
  • the facility 12 is a component mounter, an assembly device, a processing machine, a carrier device, or the like.
  • n pieces of equipment 12 are connected by a belt conveyor.
  • the products in progress are sequentially conveyed to the n units of equipment 12 by belt conveyors.
  • the facility 12a_1 is a production device corresponding to the leading process.
  • Equipment 12a_n is a production equipment corresponding to the terminal process.
  • Equipment 12a_2 to equipment 12a_n-1 are production equipment corresponding to intermediate processes.
  • Equipment 12a_1 to equipment 12a_n produce products by executing processes in this order.
  • the facility 12 is provided with one or more sensors (not shown).
  • the sensors measure values representing operating conditions of the equipment 12 .
  • the sensor is an image sensor, an infrared sensor, a flow sensor, an ammeter, a pressure gauge, etc., but is not particularly limited.
  • the sensor outputs the measurement result as operation status data of the corresponding facility 12 .
  • the facility group 10 and the production management system 1 are communicably connected via a network.
  • Communication is wired communication or wireless communication, and a specific communication method is not particularly limited.
  • the production management system 1 acquires operating status data output by the sensors of each facility 12 of the facility group 10, and determines an abnormality in the production line 11 based on the acquired operating status data. Also, the production management system 1 identifies the cause of the abnormality in the production line 11 . Specifically, the production management system 1 identifies the equipment 12 that caused the abnormality and the type of the abnormality among the n equipments 12 included in the production line 11 determined to be abnormal. Determination of abnormality and identification of the cause of abnormality are performed using a learning model generated by machine learning.
  • the learning model is a model that, when operating status data of each piece of equipment 12 for each production line 11 is input, outputs a determination result of an abnormality and, in the case of an abnormality, the cause of the abnormality.
  • Operation status data is required to determine anomalies. However, depending on network conditions, operating status data may be lost. Alternatively, there may be cases where there is no plan to acquire operation status data from the beginning, such as when no sensors are installed.
  • the production management system 1 generates dummy data for the operation status data when the operation status data is not acquired due to defects or other factors. By inputting input data including dummy data into the learning model, the production control system 1 can obtain the abnormality determination result and the cause of the abnormality. As described above, according to the production management system 1 according to the present embodiment, even if the operation status data is not acquired, the abnormality determination process for the entire process of the production line 11 is continued, and the abnormality can be determined in a short time without impairing the accuracy.
  • FIG. 2 is a block diagram showing the functional configuration of the production management system 1 according to this embodiment.
  • the production management system 1 includes an abnormality determination device 2 and an acquisition section 13 .
  • the abnormality determination device 2 includes an input section 20 , a control section 30 , an output section 40 and a storage section 50 .
  • the acquisition unit 13 acquires the operating status data of each facility 12 via the network.
  • the acquisition unit 13 tries to acquire the operation status data of all the equipment 12 included in the production line 11, but it is possible that part of the operation status data cannot be acquired.
  • the operating status data includes the number of products produced in each facility 12 and the operating time corresponding to each production.
  • the number of products produced by the equipment 12 is the number of products produced by the equipment 12 during the operating time of the equipment 12 .
  • the production quantity is the output quantity of products output by the facility 12 .
  • the product here is an intermediate product, that is, a work-in-progress, except when the equipment 12 is the equipment at the end of the production line 11.
  • the output from terminal equipment 12 is the final output of production line 11 .
  • intermediate products and final products will be described as “products” without distinguishing between them.
  • materials that are input to the advanced equipment 12 may also be referred to as products.
  • the production quantity in the equipment 12 may include not only the output quantity but also the input quantity of the product input to the equipment 12 .
  • the operating time corresponding to each production includes the start time and end time of the process for one product by the equipment 12.
  • the operating time corresponding to each production may include the start time and end time of the process for each lot.
  • the operating status data may include other information related to the equipment 12 and products.
  • the operating status data may include identification information of the production line 11, identification information of the facility 12 or process, identification information of lots, and product type information.
  • the operating status data may include information related to stoppage of the equipment 12.
  • “Stop” includes short-term facility standby (temporary stop) called “chocolate stop”, stoppage due to failure, planned stoppage for maintenance work, and the like.
  • the information related to the stop includes stop occurrence time, stop end time, stop cause, and the like.
  • the stop occurrence time and the stop end time can also be regarded as an example of operating time.
  • Information related to stopping may include at least one of the pre-process waiting time and the post-process waiting time.
  • the previous process waiting time is the waiting time of the equipment performing the current process between the immediately preceding process and the current process.
  • the post-process waiting time is the waiting time of the equipment that performs the current process between the current process and the immediately following process.
  • Each waiting time can also be calculated, for example, as a difference between the stop end time and the stop occurrence time. Therefore, the fact that the operation status data includes the waiting time can be regarded as synonymous with the fact that the operation status data includes the stoppage occurrence time and the stoppage end time.
  • the acquisition unit 13 is a communication interface that communicates with sensors provided in each facility 12 via a network.
  • the acquisition unit 13 may be the sensor itself provided in each facility 12 .
  • the input unit 20 accepts operation inputs from users such as administrators.
  • the input unit 20 is, for example, various input devices such as a keyboard and a mouse.
  • the operation input includes, for example, an instruction to start abnormality determination, an instruction to start machine learning, an instruction to display determination results, and the like.
  • the operation input may include specification of the production line 11 to be subjected to the abnormality determination process, specification of the target period of the abnormality determination process, and the like.
  • the control unit 30 is a processing unit that performs the main processing of the abnormality determination method.
  • the control unit 30 includes, for example, a processor such as a CPU (Central Processing Unit), a nonvolatile memory that stores programs, a volatile memory that is a temporary storage area for executing programs, an input/output port, and the like.
  • the control unit 30 may be a single computer device, or may be a plurality of computer devices connected via a network.
  • the processing executed by the control unit 30 may be performed by cloud computing, for example.
  • control unit 30 includes a request unit 31, a loss determination unit 32, a calculation unit 33, an abnormality detection unit 34, an evaluation unit 35, and an output processing unit 36.
  • the request unit 31 requests the storage unit 50 to transmit the operating status data. For example, the request unit 31 requests transmission of operation status data used for the abnormality determination process based on the production line 11 to be subjected to the abnormality determination process and the target period received by the input unit 20 . In addition, the request unit 31 requests the loss determination unit 32 to perform processing for determining whether the operating status data transmitted from the storage unit 50 has not been acquired.
  • the loss determination unit 32 determines whether the operating status data transmitted from the storage unit 50 has not been acquired. Specifically, the loss determination unit 32 determines whether or not the operation status data of a predetermined process is missing based on at least one of the operation time included in the operation status data of the previous process and the operation time included in the operation status data of the immediately following process. The loss determination unit 32 outputs the loss determination result and the operating status data transmitted from the storage unit 50 to the calculation unit 33 .
  • the calculation part 33 When it is determined that the operation status data of a predetermined process has not been acquired, that is, when the loss determination part 32 determines that the operation status data of the process is missing, the calculation part 33 generates dummy operation status data of the process.
  • a process for which operation status data has not yet been acquired is referred to as a "missing process”.
  • the process immediately before the defect process is described as the "preceding process”
  • the process immediately after the defect process is described as the "immediate process”.
  • the immediately preceding process, the missing process, and the immediately following process are examples of the first process, the second process, and the third process, respectively, and are performed continuously in this order without intervening other processes.
  • the calculation unit 33 predicts the dummy operation time corresponding to the planned production quantity in the equipment of the missing process, and generates dummy operation status data including the planned production quantity and the dummy operation time.
  • the dummy operating time is a predicted value corresponding to the operating time of the deficit process.
  • the calculation unit 33 predicts the dummy operating time corresponding to the operating time of the missing process based on at least one of the operating time of the immediately preceding process and the operating time of the immediately following process.
  • the dummy operation status data may include a dummy waiting time instead of or in addition to the planned production quantity.
  • the dummy latency is an estimate of the latency at the missing step.
  • the calculation unit 33 predicts the dummy waiting time in the defective process based on at least one of the waiting time between the immediately preceding process and the defective process in the facility performing the immediately preceding process and the waiting time between the defective process and the immediately following process in the facility performing the immediately following process.
  • the calculation unit 33 uses the model data 52 and the coefficient data 53 stored in the storage unit 50 to generate dummy operating status data. A specific example of generating dummy operating status data will be described later.
  • the calculation unit 33 may generate a learning model by executing machine learning.
  • the generated learning model is stored as model data 52 in the storage unit 50 .
  • the calculation unit 33 may calculate a coefficient for generating dummy operating status data by executing machine learning.
  • the calculated coefficients are stored in the storage unit 50 as coefficient data 53 .
  • the abnormality detection unit 34 performs abnormality determination processing for the entire production process based on the operation status data of each process and the dummy operation status data.
  • the abnormality determination process is performed for each production line 11 . That is, the abnormality detection unit 34 performs abnormality determination processing for the entire production process including all processes from the front end process to the end process for the target production line 11 .
  • the abnormality determination process includes a process of determining whether or not there is an abnormality in the entire production process based on the total number of products produced during the entire operating time of the entire production process.
  • the abnormality determination process may include a process of determining whether or not there is an abnormality in each process in the entire production process based on the number of products produced during the operating time of the process.
  • the abnormality determination process may include a process of determining whether there is an abnormality in the entire production process based on the total waiting time in the total operating time of the entire production process. Further, the abnormality determination process may include a process of determining whether or not there is an abnormality in each process in the entire production process based on the waiting time in the operation time of the process.
  • the evaluation unit 35 performs abnormality factor identification processing by evaluating the results of the abnormality determination processing. Specifically, the evaluation unit 35 identifies the production line 11 determined to be abnormal. The evaluation unit 35 further identifies the abnormal equipment and its cause among all the equipment included in the production line 11 determined to be abnormal.
  • the output unit 40 outputs determination result information representing the result of the abnormality determination process.
  • the output section 40 includes a display section such as a liquid crystal display or an organic EL display.
  • the display unit displays determination result information. A display example by the output unit 40 will be described later.
  • the output unit 40 may include an audio output unit in addition to or instead of the display unit.
  • the storage unit 50 stores information and data necessary for the processing performed by the production management system 1.
  • the storage unit 50 is a non-volatile storage device such as an HDD (Hard Disk Drive) or an SSD (Solid State Drive).
  • the storage unit 50 may be multiple storage devices connected via a network.
  • the storage unit 50 stores production log data 51, model data 52, and coefficient data 53.
  • the production log data 51 is a set of operating status data.
  • FIG. 3 is a diagram showing an example of production log data 51.
  • the production log data 51 includes information on a plurality of items (also called attributes) listed at the top.
  • the plurality of items include production line, process, lot start time, lot end time, operating time, lot number, input number, output number, product type information, stop occurrence time, stop end time, and stop factor. Attributes may include corresponding facility names instead of processes.
  • the number and types of items included in the production log data 51 are not particularly limited.
  • Each row of data (also called a record) shown in FIG. 3 corresponds to one stop.
  • the records in the first to third rows are data representing the operation status of "process A" of the production line 11 of "Line 1".
  • the production start time for the lot with lot number "L001" is "12:00", and the production end time for the lot is "15:30".
  • the operating time is "210" minutes.
  • the operating time may be calculated from the difference between the lot end time and the lot start time.
  • the input quantity for the equipment that performs the “process A” is “100”, and the output quantity from the equipment, that is, the production quantity is “100”. Since the number of inputs and the number of outputs are the same, it can be seen that all the production was carried out without any production defects.
  • the product type is "Type 01".
  • the record in the first row indicates that during the operating time of "Process A" of the production line 11 of "Line 1", the stop factor "Stop a” stopped at “12:10", and the stop ended at "12:12” and production resumed.
  • the record on the second line indicates that the production was stopped at "12:16” due to the stop factor “Stop b”, and the stop was completed at "12:20” and production was restarted.
  • the record on the third line indicates that the production was stopped at "12:37” due to the stop factor "waiting after", the stop was finished at "12:40", and production was restarted.
  • three stoppages occur during the operation time of "process A" of the production line 11 of "Line 1".
  • “waiting after” means stopping to wait for processing of the process immediately after the target process.
  • "Wait before” means a stop to wait for the processing of the process immediately before the target process.
  • the operating status data corresponds to records of the same process on the same production line 11. For example, the first to third rows of records are combined to form one operation status data. Alternatively, the operating status data may be regarded as one record.
  • the model data 52 includes one or more learning models generated by machine learning.
  • a learning model is a production model used for abnormality determination processing.
  • the production model is represented by, for example, the type of probability distribution of the number of products produced in the entire operating time of the entire production process and the values of parameters. Types of probability distributions include normal distribution, lognormal distribution, zero excess exponential distribution, gamma distribution, and the like.
  • the parameter type of probability distribution is determined by the type of probability distribution. For example, for a normal distribution, the mean ⁇ and standard deviation ⁇ . Parameter values are generated based on past production results, that is, past operating status data.
  • the parameters of the learning model can be obtained based on Bayesian estimation. For example, it can be obtained by a sampling method such as Markov chain Monte Carlo simulation (MCMC) or variational estimation such as VB-EM (Variational Bayesian-Expectation Maximization) algorithm.
  • MCMC Markov chain Monte Carlo simulation
  • VB-EM Variational Bayesian-Expectation Maximization
  • the input data when generating the learning model is the operation status data of each process. Specifically, the number of products produced in each process, the operating time, the stop time (waiting time) for each factor, the equipment name and product type, etc. are used as input data.
  • the type of input data used to generate the learning model is the type of data to be included in the dummy operating status data. In other words, the dummy operating status data does not have to include data of a type not used for learning model generation.
  • the coefficient data 53 includes coefficients for generating dummy operation data. Specifically, the coefficient data 53 includes coefficients for calculating the dummy waiting time.
  • the coefficient is a correction coefficient based on the takt difference between at least one of the process immediately before and after the defective process and the defective process. That is, by using the coefficient, it is possible to accurately calculate the dummy waiting time in consideration of the tact difference between processes.
  • the coefficient is calculated by machine learning, but is not limited to this.
  • the coefficients may be calculated recursively.
  • the coefficient data 53 may also include coefficients for calculating the dummy operating time and the number of products to be produced.
  • the acquisition unit 13 acquires operating status data from the facility group 10 and stores it in the storage unit 50 (S11).
  • the operating status data is acquired from all the equipment 12 included in the equipment group 10 and accumulated in the storage unit 50 .
  • the loss determination unit 32 of the control unit 30 determines whether or not the transmitted operation status data for the predetermined period is complete (S13). If there is operation status data that has not yet been acquired (No in S13), the calculation unit 33 of the control unit 30 generates dummy operation status data (S14).
  • FIG. 6 is a flowchart showing the process of generating dummy operating status data (S14).
  • the calculation unit 33 identifies missing processes for which operating status data has not been obtained (S141).
  • the calculation unit 33 acquires operation status data for the processes before and after the defective process (S142). At this time, if the missing process is an intermediate process in all the production processes, the calculation unit 33 acquires the operation status data of the previous process and the operation status data of the immediately following process.
  • the calculation unit 33 acquires the operation status data of the immediately following process because there is no immediately preceding process.
  • the calculation unit 33 may acquire the initial values of the production quantity and the production start time in the production plan of the target production line 11 instead of the operation status data of the immediately preceding process.
  • the calculation unit 33 acquires the operation status data of the immediately preceding process because there is no immediately following process.
  • the calculation unit 33 may acquire the final values of the production quantity and the production end time based on the production performance of the target production line 11 instead of the operation status data of the immediately following process.
  • the calculation unit 33 acquires coefficients for generating dummy operating status data from the storage unit 50 (S143).
  • the calculation unit 33 generates dummy operating status data based on the acquired operating status data and coefficients (S144). For example, the calculation unit 33 predicts the planned production quantity and the dummy operating time, and generates dummy operating status data including the predicted production planned quantity and the dummy operating time.
  • the scheduled production quantity is, for example, the production quantity (that is, the output quantity) of the immediately preceding process. Alternatively, the scheduled production quantity may be the input quantity for the immediately following process.
  • the dummy operating time is the average value of the operating time of the previous process and the operating time of the immediately following process. Also, the calculation unit 33 may predict a dummy waiting time. The coefficient obtained in step S143 can be used to predict the dummy waiting time.
  • the production management system 1 generates dummy operation status data corresponding to the lost process.
  • the abnormality detection unit 34 acquires the model data 52 (S15). Specifically, the abnormality detection unit 34 acquires the production model of the production line 11 to be subjected to the abnormality determination process. In addition, the abnormality detection unit 34 acquires the production model for each facility and the production model for each factor of all the facilities 12 included in the production line 11 to be subjected to the abnormality determination process.
  • the abnormality detection unit 34 performs abnormality determination processing (S16). Specifically, the anomaly detection unit 34 calculates the degree of anomaly based on the total number of products produced during the entire operating time obtained from the operating status data including the dummy operating status data. Note that the abnormality detection unit 34 may calculate the degree of abnormality based on the total number of waits in the total operating time obtained from the operation status data including the dummy operation status data.
  • FIG. 7 is a diagram showing the relationship between the learned probability distribution, which is the production model of one production line, and the degree of abnormality.
  • the horizontal axis is, for example, the production tact.
  • the production tact is expressed by total operating time/total number of products produced, or (total operating time-total waiting time)/total number of products produced.
  • the measured values indicated by the dashed lines in Fig. 7 are the production takt values obtained based on the operating status data of all processes. If the operating status data has not been acquired, the dummy operating status data generated in step S14 is used.
  • the hatched area in FIG. 7 is the area of the area on the right side of the actual measurement value in the probability distribution, and corresponds to the upper probability, that is, the degree of abnormality. If the upper probability is smaller than the threshold, it is determined that the production line 11 is abnormal.
  • the evaluation unit 35 performs factor identification processing (S17).
  • FIG. 8 is a flowchart showing the abnormality factor identification process.
  • the evaluation unit 35 identifies the production line 11 determined to be abnormal (S171).
  • the evaluation unit 35 identifies the abnormal process and its cause in the identified production line 11 (S172).
  • the evaluation unit 35 calculates the upper probability based on the actual value for each of the plurality of production models for each facility and each factor, as in the abnormality determination process. If the upper probability is smaller than the threshold, the equipment and factors corresponding to the production model can be identified as the abnormal process and its factors.
  • the control unit 30 records the result of the abnormality determination process and/or the result of the cause identification process in the storage unit 50 (S18).
  • the output processing unit 36 of the control unit 30 outputs determination result information representing each result to the output unit 40 (S19).
  • the output unit 40 generates and displays, for example, a result display image representing the determination result information.
  • the production management system 1 As described above, the production management system 1 according to the present embodiment generates dummy operation status data and uses it for abnormality determination processing even when operation status data cannot be obtained. Since the abnormality determination process uses a learning model generated by machine learning, conventionally, it cannot be executed due to lack of data. In contrast, according to the present embodiment, it is possible to execute the abnormality determination process that could not be performed due to lack of data, and obtain the determination result.
  • FIG. 9 is a flowchart showing processing for generating a learning model by machine learning.
  • the storage unit 50 transmits operating status data for a predetermined period to the control unit 30 (S21).
  • the predetermined period here is, for example, a period longer than the predetermined period in step S12 of FIG. 5, and is a long period such as one day, one week, one month, several months, half a year, or one year.
  • the loss determination unit 32 of the control unit 30 determines whether or not there is a loss in the operating status data transmitted from the storage unit 50 (S22). If it is determined that there is a loss (Yes in S22), the calculation unit 33 of the control unit 30 removes the operating status data related to the loss (S23). For example, it is assumed that the operation status data is missing when the equipment 12b_3 of the production line 11b in FIG. 1 performs production related to a predetermined lot. In this case, the operation status data related to the production, specifically, the operation status data of the other facilities 12 on the production line 11b are removed. Note that "removal" means not using for generating a learning model. For generating a learning model, use only those for which operating status data for all processes are available.
  • the calculation unit 33 When it is determined that there is no loss (No in S22), or after data removal is completed, the calculation unit 33 generates a learning model and coefficients for generating dummy operating status data by machine learning (S24). Next, the calculation unit 33 records the generated learning model and coefficients in the storage unit 50 (S25).
  • the learning process shown in FIG. 9 may be performed by a processing unit other than the control unit 30. That is, the production control system 1 may use learning models and coefficients generated by other computer equipment.
  • FIG. 10 is a diagram showing an example of dummy operation status data generated when operation status data of an intermediate process is lost.
  • one production line 11 is composed of four equipments A, B, C and D.
  • Equipment A, equipment B, equipment C and equipment D are connected in this order by a belt conveyor.
  • Equipment A performs the process A at the leading edge.
  • Facility B performs an intermediate process B.
  • Facility C performs intermediate process C.
  • Equipment D executes the terminal process D.
  • data A, data B, data C, and data D be the operation status data of each of the facilities A, B, C, and D, respectively.
  • data A to D each include operating time, operating time, total stop time during operating time, and production quantity.
  • Each of the data A to D contains detailed time information related to stopping.
  • the operating time includes, for example, the lot production start time and production end time.
  • the operating time is the difference between the lot production end time and the production start time.
  • the total stop time is the sum of the stop times (ie, wait times) for each stop that occurred during the operating time.
  • data A includes stop start times and stop end times for each of the three factors of "Stop a", "Stop b", and "waiting after". Note that although only three factors are shown in FIG. 10, more outages have occurred, and the total of these outages is "45 minutes.”
  • the number of products produced is the number of products produced by the facility A, that is, the number of output products.
  • data B cannot be obtained due to missing data.
  • the calculation unit 33 of the control unit 30 generates the dummy data B of the missing process based on the data A of the immediately preceding process and the data C of the immediately following process.
  • FIG. 11 is a diagram showing input data and output data related to the process of generating dummy operating status data.
  • the input data are the data A of the immediately preceding process and the data C of the immediately following process.
  • the output data is the dummy data B of the defect process.
  • Ta, Da, and Pa be the operating time, stoppage time, and production volume of data A of the immediately preceding process, respectively.
  • Tc, Dc, and Pc be the operation time, the stoppage time, and the production quantity of the data C of the immediately following process, respectively.
  • the stop times Da and Dc may be stop times for each stop.
  • the calculation unit 33 uses the functions f (Ta, Tc), fs (Da, Dc), and fp (Pa) to calculate predicted values for each of the operating time, stoppage time, and production quantity.
  • Each function is stored in a storage unit (not shown) provided in the control unit 30 or the storage unit 50, for example.
  • f(Ta, Tc) is a function for calculating the operating time Tb of the dummy data B. Specifically, f(Ta, Tc) is represented by the following formula (1).
  • fs (Da, Dc) is a function for calculating the stop time Db of the dummy data B. Specifically, fs(Da, Dc) is represented by the following formula (2).
  • min() is a function that returns the minimum value of the values in parentheses.
  • ⁇ is a coefficient included in the coefficient data 53 .
  • ⁇ is a value determined based on the takt difference between process A and process B and the tact difference between process B and process C, and is, for example, in the range of 0.9 or more and 1.1 or less, but is not limited thereto.
  • the stop time for each stop is used as Da
  • the pre-process waiting time is used as Db.
  • the post-process waiting time Da of the immediately preceding process A and the preceding process waiting time Dc of the immediately following process C are waiting times caused by the stoppage of the missing process B, respectively. Therefore, by using the post-process waiting time Da of the immediately preceding process A and the preceding process waiting time Dc of the immediately following process C, the waiting time Db of the dummy data B can be calculated with high accuracy.
  • the first waiting time (Dummy1) of dummy data B is calculated based on the pre-process waiting time of data C from 12:10 to 12:12.
  • fp(Pa) is a function for calculating the predicted value of the production quantity of the dummy data B, that is, the planned production quantity Pb. Specifically, fp(Pa) is represented by the following formula (3).
  • Dummy data B contains the same kind of data as data B contains. Therefore, instead of the data B, the dummy data B can be used for the abnormality determination process.
  • Dummy data B should include only the type of data used when the learning model was generated. For example, if the production quantity is not used when generating the learning model, the dummy data B may not include the production quantity. Similarly, if the waiting time (stopping time) is not used when generating the learning model, the dummy data B does not have to include the waiting time.
  • the above formulas (1) to (3) are only examples, and are not limited to the above examples.
  • the planned production quantity Pb may be the production quantity Pc of the immediately following process C.
  • the planned production quantity Pb may be the average value of Pa and Pc.
  • FIG. 12 is a diagram showing an example of dummy operation status data generated when the operation status data of the leading process is missing.
  • the points of difference from the first example will be mainly described, and the description of the common points will be omitted or simplified.
  • the data A of the front end process cannot be obtained due to missing data.
  • the calculation unit 33 of the control unit 30 generates dummy data A of the missing process based on the data B of the immediately following process because there is no data immediately before the missing process.
  • the functions for calculating the predicted values of the operating time, stoppage time, and production quantity can be expressed as f(Tb), fs(Db), and fp(Pb) using the operating time Tb, stoppage time Db, and production quantity Pb of the data B of the immediately following process as variables.
  • the operating time Ta, the stop time Da, and the production quantity Pa of the dummy data A of the lost process can be expressed by the following equations (4) to (6).
  • ⁇ in Equation (5) is a coefficient generated by machine learning or the like, similar to ⁇ in Equation (2). Further, similarly to the case of the first example, the stop time Da can be calculated for each stop. By using the above formulas (4) to (6), the calculator 33 can generate the dummy data A as shown in FIG.
  • an initial value based on a production plan may be used in addition to the data B of the immediately following process.
  • the planned production quantity Pa may be the planned production quantity determined in the production plan.
  • FIG. 13 is a diagram showing an example of dummy operation status data generated when the operation status data of the end process is lost.
  • the points of difference from the first example will be mainly described, and the description of the common points will be omitted or simplified.
  • the data D of the terminal process cannot be obtained due to a missing data.
  • the calculation unit 33 of the control unit 30 generates the dummy data D of the lost process based on the data C of the immediately preceding process because there is no data immediately after the lost process.
  • the functions for calculating the predicted values of the operating time, stoppage time, and production quantity can be expressed as f(Tc), fs(Dc), and fp(Pc) using the operating time Tc, stoppage time Dc, and production quantity Pc of the data C of the previous process as variables.
  • the operating time Td, the stop time Dd, and the production quantity Pd of the dummy data D of the defective process can be expressed by the following equations (7) to (9).
  • ⁇ in Equation (8) is a coefficient generated by machine learning or the like, similar to ⁇ in Equation (2). Further, similarly to the case of the first example, the stop time Dd can be calculated for each stop. By using the above formulas (7) to (9), the calculator 33 can generate the dummy data D as shown in FIG.
  • the above-described formulas (7) to (9) are merely examples, and are not limited to the above-described examples.
  • the final value based on the final production result may be used in addition to the data C of the immediately preceding process.
  • the planned production quantity Pd may be the quantity actually produced in the production line 11 .
  • FIG. 14 is a diagram showing an example of dummy operating status data that is generated instead of operating status data that is not scheduled to be acquired.
  • the points of difference from the first example will be mainly described, and the description of the common points will be omitted or simplified.
  • dummy data B can be generated based on equations (1) to (3).
  • step S13 in FIG. 5 it is possible to omit the process of determining whether the operating status data is missing (not acquired) (step S13 in FIG. 5). Since the equipment whose operation status data is not scheduled to be acquired is known, it is possible to set in advance so as to generate dummy operation status data for the equipment.
  • dummy operation status data can be generated by performing the same processing as in the second or third example.
  • FIG. 15 is a diagram showing a display example of determination results by the production management system 1 according to the present embodiment.
  • FIG. 15 shows a display screen 60 showing the results of abnormality determination processing for three production lines 1-3.
  • Each production line includes four facilities A to D in that order.
  • the display screen 60 includes a schematic diagram 61 showing the configuration of the production line.
  • An icon 62 indicating whether or not the operation status data has been acquired is displayed in the upper part of the schematic diagram 61 .
  • a text 63 indicating the cause of the abnormality is displayed in the lower part of the schematic diagram 61 .
  • the text 63 is not displayed when there is no abnormal facility (process).
  • a dashed frame 64 is displayed for the abnormal equipment. As a result, the abnormal equipment can be emphasized and displayed in an easy-to-understand manner.
  • a graph 65 showing the results of the abnormality determination of the production line in chronological order and an icon 66 representing whether or not an abnormality has occurred are displayed.
  • the display example shown in FIG. 15 is merely an example and is not particularly limited. Instead of displaying the schematic diagram 61, only an icon 66 indicating whether the production line is abnormal or normal (not abnormal) may be displayed. Also, the icon 62 indicating the acquisition status of the operation status data, the text 63 indicating the cause of the abnormality, and the frame 64 indicating the equipment with the abnormality may not be displayed. Instead of the frame 64, the abnormal facility may be drawn with a thick line or displayed in a blinking manner.
  • the case where the abnormality determination process is performed using the number of products produced in the equipment and the case where the abnormality determination process is performed using the waiting time of the equipment.
  • both are performed, if at least one of them is determined to be abnormal, it can be determined to be abnormal.
  • the operating status data does not need to include the waiting time.
  • the waiting time of equipment is used, the operating status data does not have to include the number of products to be produced.
  • the communication method between the devices described in the above embodiments is not particularly limited.
  • the wireless communication method is, for example, ZigBee (registered trademark), Bluetooth (registered trademark), or short-range wireless communication such as wireless LAN (Local Area Network).
  • the wireless communication method may be communication via a wide area communication network such as the Internet.
  • wire communication may be performed between devices instead of wireless communication. Wired communication is, specifically, communication using power line communication (PLC: Power Line Communication) or wired LAN.
  • the processing executed by a specific processing unit may be executed by another processing unit.
  • the order of multiple processes may be changed, or multiple processes may be executed in parallel.
  • the distribution of the components of the production management system to a plurality of devices is an example.
  • a component included in one device may be included in another device.
  • the production control system may be implemented as a single device.
  • processing described in the above embodiments may be implemented by centralized processing using a single device (system), or may be implemented by distributed processing using multiple devices.
  • the number of processors executing the above program may be singular or plural. That is, centralized processing may be performed, or distributed processing may be performed.
  • control unit may be configured with dedicated hardware, or may be realized by executing a software program suitable for each component.
  • Each component may be implemented by a program execution unit such as a CPU or processor reading and executing a software program recorded in a recording medium such as an HDD or semiconductor memory.
  • components such as the control unit may be composed of one or more electronic circuits.
  • Each of the one or more electronic circuits may be a general-purpose circuit or a dedicated circuit.
  • One or more electronic circuits may include, for example, a semiconductor device, an IC (Integrated Circuit), or an LSI (Large Scale Integration).
  • An IC or LSI may be integrated on one chip or may be integrated on a plurality of chips. Although they are called ICs or LSIs here, they may be called system LSIs, VLSIs (Very Large Scale Integration), or ULSIs (Ultra Large Scale Integration) depending on the degree of integration.
  • An FPGA Field Programmable Gate Array
  • general or specific aspects of the present disclosure may be implemented as a system, apparatus, method, integrated circuit, or computer program.
  • the computer program may be implemented by a computer-readable non-temporary recording medium such as an optical disc, HDD, or semiconductor memory.
  • any combination of systems, devices, methods, integrated circuits, computer programs and recording media may be implemented.
  • the present disclosure can be used, for example, in management systems and abnormality determination devices at production sites such as factories.

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

異常判定方法は、第１生産装置、第２生産装置及び第３生産装置を含む生産ラインを管理する生産管理システムにおいて、第１生産装置における第１稼働状況データ、第２生産装置における第２稼働状況データ及び第３生産装置における第３稼働状況データの中の少なくとも第１稼働状況データ及び第３稼働状況データを取得し（Ｓ１１）、第２稼働状況データの未取得が判断された場合（Ｓ１３でＮＯ）、前後工程の稼働時刻に基づきダミー稼働時刻を予測し、前後工程の待ち時間に基づきダミー待ち時間を予測し、ダミー稼働時刻及びダミー待ち時間を含む第２稼働状況データに対応するダミー稼働状況データを生成し（Ｓ１４）、第１稼働状況データ、第３稼働状況データ及びダミー稼働状況データに基づき、生産工程全体の異常判定処理を行い（Ｓ１６）、異常判定処理の結果を表す判定結果情報を、生産管理システムに含まれる表示装置に表示するよう出力する（Ｓ１９）。

Description

異常判定方法及び生産管理システム
　本開示は、異常判定方法及び生産管理システムに関する。
　工場などの生産現場では、異常が発生した場合に速やかに対処するため、設備の稼働状況を適切に管理することが求められている。設備などの各種機器の状態を管理する際に機械学習（ＡＩ）を利用することが検討されている。機械学習を利用して状態を管理する場合、許容範囲を超える入力データが入力される、あるいは、そもそも入力データが入力されないと、異常を精度良く判定することができなくなる。
　これに対して、例えば、特許文献１には、許容範囲外のデータが入力された場合に、入力データを許容範囲に近づけるガード処理を行う状態判定装置が開示されている。また、特許文献２には、データの欠損が発生しないように２種類の通信方式でデータを転送する設備稼働監視装置の通信方式が開示されている。
特開２０２１－５５６６８号公報 特開２０００－１３４６８０号公報
　しかしながら、特許文献１に開示された状態判定装置では、入力データが入力されないとガード処理を行うことができない。また、特許文献２に開示された通信方式では、データの欠損の可能性は低くできるかもしれないが、データの欠損が生じた場合には、異常の判定を行うことができない。
　そこで、本開示は、高い精度で異常を判定することができる異常判定方法及び生産管理システムを提供する。
　本開示の一態様に係る異常判定方法は、第１工程に対応する第１生産装置、前記第１工程に続く第２工程に対応する第２生産装置、及び前記第２工程に続く第３工程に対応する第３生産装置を含む生産ラインを管理する生産管理システムにおける異常判定方法であって、（ｉ）前記第１生産装置における第１稼働時刻及び前記第１工程と前記第２工程との間の第１待ち時間を含む第１稼働状況データ、（ｉｉ）前記第２生産装置における第２稼働時刻、前記第１工程と前記第２工程との間の第２待ち時間及び前記第２工程と前記第３工程との間の第３待ち時間を含む第２稼働状況データ、並びに（ｉｉｉ）前記第３生産装置における第３稼働時刻及び前記第２工程と前記第３工程との間の第４待ち時間を含む第３稼働状況データの中の少なくとも（ｉ）前記第１稼働状況データ及び（ｉｉｉ）前記第３稼働状況データを、ネットワークを介して取得し、前記第１稼働時刻及び前記第３稼働時刻に基づき前記第２稼働状況データの未取得が判断された場合、前記第１稼働時刻及び前記第３稼働時刻に基づき前記第２稼働時刻に対応するダミー稼働時刻を予測し、前記第１待ち時間及び前記第４待ち時間に基づき前記第２工程におけるダミー待ち時間を予測し、前記ダミー稼働時刻及び前記ダミー待ち時間を含む前記第２稼働状況データに対応するダミー稼働状況データを生成し、前記第１稼働状況データ、前記第３稼働状況データ及び前記ダミー稼働状況データに基づき、前記第１工程から前記第３工程までを含む生産工程全体の異常判定処理を行い、前記異常判定処理の結果を表す判定結果情報を、前記生産管理システムに含まれる表示装置に表示するよう出力する。
　本開示の別の一態様に係る異常判定方法は、第１工程に対応する第１生産装置、前記第１工程に続く第２工程に対応する第２生産装置、及び前記第２工程に続く第３工程に対応する第３生産装置を含む生産ラインを管理する生産管理システムにおける異常判定方法であって、（ｉ）前記第１生産装置における第１稼働時刻及び前記第１工程と前記第２工程との間の第１待ち時間を含む第１稼働状況データ、並びに（ｉｉ）前記第３生産装置における第３稼働時刻及び前記第２工程と前記第３工程との間の第４待ち時間を含む第３稼働状況データを、ネットワークを介して取得し、前記第１稼働時刻及び前記第３稼働時刻に基づき前記第２生産装置におけるダミー稼働時刻を算出し、前記第１待ち時間及び前記第４待ち時間に基づき前記第２工程におけるダミー待ち時間を予測し、前記ダミー稼働時刻及び前記ダミー待ち時間を含むダミー稼働状況データを生成し、前記第１稼働状況データ、前記第３稼働状況データ及び前記ダミー稼働状況データに基づき、前記第１工程から前記第３工程までを含む生産工程全体の異常判定処理を行い、前記異常判定処理の結果を表す判定結果情報を、前記生産管理システムに含まれる表示装置に表示するよう出力する。
　本開示の別の一態様に係る異常判定方法は、第１工程に対応する第１生産装置及び前記第１工程に続く末端の工程である第２工程に対応する第２生産装置を含む生産ラインを管理する生産管理システムにおける異常判定方法であって、（ｉ）前記第１生産装置における第１稼働時刻及び前記第１工程と前記第２工程との間の第１待ち時間を含む第１稼働状況データ、並びに（ｉｉ）前記第２生産装置における第２稼働時刻、前記第１工程と前記第２工程との間の第２待ち時間を含む第２稼働状況データ、の中の少なくとも前記第１稼働状況データを、ネットワークを介して取得し、前記第１稼働時刻に基づき前記第２稼働状況データの未取得が判断された場合、前記第１稼働時刻に基づき前記第２稼働時刻に対応するダミー稼働時刻を予測し、前記第１待ち時間に基づき前記第２工程におけるダミー待ち時間を予測し、前記ダミー稼働時刻及び前記ダミー待ち時間を含む前記第２稼働状況データに対応するダミー稼働状況データを生成し、前記第１稼働状況データ及び前記ダミー稼働状況データに基づき、前記第１工程及び前記第２工程を含む生産工程全体の異常判定処理を行い、前記異常判定処理の結果を表す判定結果情報を、前記生産管理システムに含まれる表示装置に表示するよう出力する。
　本開示の別の一態様に係る異常判定方法は、先端の工程である第１工程に対応する第１生産装置及び前記第１工程に続く第２工程に対応する第２生産装置を含む生産ラインを管理する生産管理システムにおける異常判定方法であって、（ｉ）前記第１生産装置における第１稼働時刻及び前記第１工程と前記第２工程との間の第１待ち時間を含む第１稼働状況データ、並びに（ｉｉ）前記第２生産装置における第２稼働時刻、前記第１工程と前記第２工程との間の第２待ち時間を含む第２稼働状況データ、の中の少なくとも前記第２稼働状況データを、ネットワークを介して取得し、前記第２稼働時刻に基づき前記第１稼働状況データの未取得が判断された場合、前記第２稼働時刻に基づき前記第１稼働時刻に対応するダミー稼働時刻を予測し、前記第２待ち時間に基づき前記第１工程におけるダミー待ち時間を予測し、前記ダミー稼働時刻及び前記ダミー待ち時間を含む前記第１稼働状況データに対応するダミー稼働状況データを生成し、前記ダミー稼働状況データ及び前記第２稼働状況データに基づき、前記第１工程及び前記第２工程を含む生産工程全体の異常判定処理を行い、前記異常判定処理の結果を表す判定結果情報を、前記生産管理システムに含まれる表示装置に表示するよう出力する。
　本開示の一態様に係る生産管理システムは、第１工程に対応する第１生産装置、前記第１工程に続く第２工程に対応する第２生産装置、及び前記第２工程に続く第３工程に対応する第３生産装置を含む生産ラインを管理する生産管理システムであって、（ｉ）前記第１生産装置における第１稼働時刻及び前記第１工程と前記第２工程との間の第１待ち時間を含む第１稼働状況データ、（ｉｉ）前記第２生産装置における第２稼働時刻、前記第１工程と前記第２工程との間の第２待ち時間及び前記第２工程と前記第３工程との間の第３待ち時間を含む第２稼働状況データ、並びに（ｉｉｉ）前記第３生産装置における第３稼働時刻及び前記第２工程と前記第３工程との間の第４待ち時間を含む第３稼働状況データ、の中の少なくとも（ｉ）前記第１稼働状況データ及び（ｉｉｉ）前記第３稼働状況データを、ネットワークを介して取得し、前記第１稼働時刻及び前記第３稼働時刻に基づき前記第２稼働状況データの未取得が判断された場合、前記第１稼働時刻及び前記第３稼働時刻に基づき前記第２稼働時刻に対応するダミー稼働時刻を予測し、前記第１待ち時間及び前記第４待ち時間に基づき前記第２工程におけるダミー待ち時間を予測し、前記ダミー稼働時刻及び前記ダミー待ち時間を含む前記第２稼働状況データに対応するダミー稼働状況データを生成し、前記第１稼働状況データ、前記第３稼働状況データ及び前記ダミー稼働状況データに基づき、前記第１工程から前記第３工程までを含む生産工程全体の異常判定処理を行い、前記異常判定処理の結果を表す判定結果情報を、前記生産管理システムに含まれる表示装置に表示するよう出力する。
　本開示の別の一態様に係る生産管理システムは、第１工程に対応する第１生産装置、前記第１工程に続く第２工程に対応する第２生産装置、及び前記第２工程に続く第３工程に対応する第３生産装置を含む生産ラインを管理する生産管理システムであって、（ｉ）前記第１生産装置における第１稼働時刻及び前記第１工程と前記第２工程との間の第１待ち時間を含む第１稼働状況データ、並びに（ｉｉ）前記第３生産装置における第３稼働時刻及び前記第２工程と前記第３工程との間の第４待ち時間を含む第３稼働状況データを、ネットワークを介して取得し、前記第１稼働時刻及び前記第３稼働時刻に基づき前記第２生産装置におけるダミー稼働時刻を算出し、前記第１待ち時間及び前記第４待ち時間に基づき前記第２工程におけるダミー待ち時間を予測し、前記ダミー稼働時刻及び前記ダミー待ち時間を含むダミー稼働状況データを生成し、前記第１稼働状況データ、前記第３稼働状況データ及び前記ダミー稼働状況データに基づき、前記第１工程から前記第３工程までを含む生産工程全体の異常判定処理を行い、前記異常判定処理の結果を表す判定結果情報を、前記生産管理システムに含まれる表示装置に表示するよう出力する。
　また、本開示の一態様は、上記異常判定方法をコンピュータに実行させるプログラムとして実現することができる。あるいは、本開示の一態様は、当該プログラムを格納したコンピュータ読み取り可能な非一時的な記録媒体として実現することもできる。
　本開示によれば、高い精度で異常を判定することができる。
図１は、実施の形態に係る生産管理システムの構成を示す図である。 図２は、実施の形態に係る生産管理システムの機能構成を示すブロック図である。 図３は、生産ログデータの一例を示す図である。 図４は、実施の形態に係る生産管理システムの動作を示すシーケンス図である。 図５は、実施の形態に係る生産管理システムの動作を示すフローチャートである。 図６は、ダミー稼働状況データの生成処理を示すフローチャートである。 図７は、一の生産ラインの生産モデルである学習済みの確率分布と異常度との関係を示す図である。 図８は、異常の要因特定処理を示すフローチャートである。 図９は、機械学習による学習モデルの生成処理を示すフローチャートである。 図１０は、中間の工程の稼働状況データが欠損した場合に生成されるダミー稼働状況データの例を示す図である。 図１１は、ダミー稼働状況データの生成処理に関わる入力データと出力データとを示す図である。 図１２は、先端の工程の稼働状況データが欠損した場合に生成されるダミー稼働状況データの例を示す図である。 図１３は、末端の工程の稼働状況データが欠損した場合に生成されるダミー稼働状況データの例を示す図である。 図１４は、取得予定にない稼働状況データの代わりに生成されるダミー稼働状況データの例を示す図である。 図１５は、実施の形態に係る生産管理システムによる判定結果の表示例を示す図である。
　（本開示の概要）
　本開示の一態様に係る異常判定方法は、第１工程に対応する第１生産装置、前記第１工程に続く第２工程に対応する第２生産装置、及び前記第２工程に続く第３工程に対応する第３生産装置を含む生産ラインを管理する生産管理システムにおける異常判定方法であって、（ｉ）前記第１生産装置における第１稼働時刻及び前記第１工程と前記第２工程との間の第１待ち時間を含む第１稼働状況データ、（ｉｉ）前記第２生産装置における第２稼働時刻、前記第１工程と前記第２工程との間の第２待ち時間及び前記第２工程と前記第３工程との間の第３待ち時間を含む第２稼働状況データ、並びに（ｉｉｉ）前記第３生産装置における第３稼働時刻及び前記第２工程と前記第３工程との間の第４待ち時間を含む第３稼働状況データの中の少なくとも（ｉ）前記第１稼働状況データ及び（ｉｉｉ）前記第３稼働状況データを、ネットワークを介して取得し、前記第１稼働時刻及び前記第３稼働時刻に基づき前記第２稼働状況データの未取得が判断された場合、前記第１稼働時刻及び前記第３稼働時刻に基づき前記第２稼働時刻に対応するダミー稼働時刻を予測し、前記第１待ち時間及び前記第４待ち時間に基づき前記第２工程におけるダミー待ち時間を予測し、前記ダミー稼働時刻及び前記ダミー待ち時間を含む前記第２稼働状況データに対応するダミー稼働状況データを生成し、前記第１稼働状況データ、前記第３稼働状況データ及び前記ダミー稼働状況データに基づき、前記第１工程から前記第３工程までを含む生産工程全体の異常判定処理を行い、前記異常判定処理の結果を表す判定結果情報を、前記生産管理システムに含まれる表示装置に表示するよう出力する。
　上記のように、第１生産装置、第２生産装置及び第３生産装置を含む生産ラインにおいて、いずれかの生産装置が不調になると、全体の稼働が低下し、生産量が減少する。個々の工程について異常判定処理を行い、工程毎に要因を判定すると、判定時間が長大となり、大量のメモリが必要になる。
　一方、第１生産装置、第２生産装置、及び第３生産装置が連結された生産ラインの場合、第１工程、第２工程、及び第３工程を含む生産工程の全体に対して異常判定処理を行うことにより、異常が発生した工程を特定することは可能である。また、処理量も減るので、より短期間で判定することができる。
　しかし、第１工程に対応する第１稼働状況データ、第２工程に対応する第２稼働データ、及び第３工程に対応する第３稼働状況データがあるとした場合、いずれかのデータが欠損すると、生産工程の全体に対する異常判定処理自体ができなくなる。このようなデータの欠損は、例えば、第１稼働状況データ、第２稼働状況データ、及び第３稼働状況データを通信するネットワークの状況により生じ得る。
　そこで、本開示の一態様に係る異常判定方法では、上述したとおり、データ欠損を判断した場合には、対応するダミー稼働状況データを生成する。これにより、データの欠損が生じた場合であっても、生産工程の全体に対する異常判定処理を継続することができる。
　ダミー稼働状況データは、データ欠損が生じた工程の前後の工程の稼働状況データに基づき生成される。例えば、データ欠損が生じた工程における稼働時間当たりの待ち時間（すなわち、停止時間）を、前後の工程の稼働状況データに基づき推定している。
　これにより、ネットワーク状況などにより、いずれかの工程に対応する稼働状況データ欠損が生じた場合であっても、生産工程の全体に対する異常判定処理を継続し、精度を損なわずに短時間で異常を判定することができる。
　また、例えば、前記判定結果情報の出力の際、前記第２工程において前記ダミー稼働状況データを用いて前記異常判定処理を行った旨を出力してもよい。
　これにより、ダミー稼働状況データを用いて異常判定処理を行った旨を通知することで、データ転送に不具合が生じていたことが分かり、改善につなげることができる。
　また、例えば、前記異常判定処理は、前記生産工程全体における全稼働時間における全待ち時間に基づき、前記生産工程全体における異常の有無を判定する処理であってもよい。
　これにより、生産工程全体の異常を精度良く判定することができる。
　また、例えば、前記異常判定処理は、前記生産工程全体の中の各工程において当該工程の稼働時間における当該待ち時間に基づき、当該工程における異常の有無を判定する処理であってもよい。
　これにより、各工程の異常を精度良く判定することができ、精度良く異常の要因を特定することができる。
　また、例えば、前記異常判定処理の結果は、前記生産工程において異常がないことを含んでもよい。
　これにより、異常の有無を明確にすることができる。
　また、例えば、前記生産ラインにおいて、前記第１生産装置、前記第２生産装置及び前記第３生産装置がベルトコンベアで連結されていてもよい。
　また、本開示の一態様に係る生産管理システムは、第１工程に対応する第１生産装置、前記第１工程に続く第２工程に対応する第２生産装置、及び前記第２工程に続く第３工程に対応する第３生産装置を含む生産ラインを管理する生産管理システムであって、（ｉ）前記第１生産装置における第１稼働時刻及び前記第１工程と前記第２工程との間の第１待ち時間を含む第１稼働状況データ、（ｉｉ）前記第２生産装置における第２稼働時刻、前記第１工程と前記第２工程との間の第２待ち時間及び前記第２工程と前記第３工程との間の第３待ち時間を含む第２稼働状況データ、並びに（ｉｉｉ）前記第３生産装置における第３稼働時刻及び前記第２工程と前記第３工程との間の第４待ち時間を含む第３稼働状況データ、の中の少なくとも（ｉ）前記第１稼働状況データ及び（ｉｉｉ）前記第３稼働状況データを、ネットワークを介して取得し、前記第１稼働時刻及び前記第３稼働時刻に基づき前記第２稼働状況データの未取得が判断された場合、前記第１稼働時刻及び前記第３稼働時刻に基づき前記第２稼働時刻に対応するダミー稼働時刻を予測し、前記第１待ち時間及び前記第４待ち時間に基づき前記第２工程におけるダミー待ち時間を予測し、前記ダミー稼働時刻及び前記ダミー待ち時間を含む前記第２稼働状況データに対応するダミー稼働状況データを生成し、前記第１稼働状況データ、前記第３稼働状況データ及び前記ダミー稼働状況データに基づき、前記第１工程から前記第３工程までを含む生産工程全体の異常判定処理を行い、前記異常判定処理の結果を表す判定結果情報を、前記生産管理システムに含まれる表示装置に表示するよう出力する。
　これにより、上述した異常判定方法と同様の効果を得ることができる。すなわち、いずれかの工程に対応する稼働状況データ欠損が生じた場合であっても、生産工程の全体に対する異常判定処理を継続し、精度を損なわず短時間で異常を判定することができる。
　また、本開示の別の一態様に係る異常判定方法は、第１工程に対応する第１生産装置、前記第１工程に続く第２工程に対応する第２生産装置、及び前記第２工程に続く第３工程に対応する第３生産装置を含む生産ラインを管理する生産管理システムにおける異常判定方法であって、（ｉ）前記第１生産装置における第１稼働時刻及び前記第１工程と前記第２工程との間の第１待ち時間を含む第１稼働状況データ、並びに（ｉｉ）前記第３生産装置における第３稼働時刻及び前記第２工程と前記第３工程との間の第４待ち時間を含む第３稼働状況データを、ネットワークを介して取得し、前記第１稼働時刻及び前記第３稼働時刻に基づき前記第２生産装置におけるダミー稼働時刻を算出し、前記第１待ち時間及び前記第４待ち時間に基づき前記第２工程におけるダミー待ち時間を予測し、前記ダミー稼働時刻及び前記ダミー待ち時間を含むダミー稼働状況データを生成し、前記第１稼働状況データ、前記第３稼働状況データ及び前記ダミー稼働状況データに基づき、前記第１工程から前記第３工程までを含む生産工程全体の異常判定処理を行い、前記異常判定処理の結果を表す判定結果情報を、前記生産管理システムに含まれる表示装置に表示するよう出力する。
　これにより、データ欠損の場合だけでなく、データを取得する予定がない場合であっても、取得されないデータの代わりにダミーデータを生成することができる。よって、生産工程の全体に対する異常判定処理を行うことができ、精度を損なわずに短時間で異常を判定することができる。
　また、例えば、前記判定結果情報の出力の際、前記第２工程において前記ダミー稼働状況データを用いて前記異常判定処理を行った旨を出力してもよい。
　これにより、ダミー稼働状況データを用いて異常判定処理を行った旨を通知することで、データ転送に不具合が生じていたことが分かり、改善につなげることができる。
　また、本開示の別の一態様に係る生産管理システムは、第１工程に対応する第１生産装置、前記第１工程に続く第２工程に対応する第２生産装置、及び前記第２工程に続く第３工程に対応する第３生産装置を含む生産ラインを管理する生産管理システムであって、（ｉ）前記第１生産装置における第１稼働時刻及び前記第１工程と前記第２工程との間の第１待ち時間を含む第１稼働状況データ、並びに（ｉｉ）前記第３生産装置における第３稼働時刻及び前記第２工程と前記第３工程との間の第４待ち時間を含む第３稼働状況データを、ネットワークを介して取得し、前記第１稼働時刻及び前記第３稼働時刻に基づき前記第２生産装置におけるダミー稼働時刻を算出し、前記第１待ち時間及び前記第４待ち時間に基づき前記第２工程におけるダミー待ち時間を予測し、前記ダミー稼働時刻及び前記ダミー待ち時間を含むダミー稼働状況データを生成し、前記第１稼働状況データ、前記第３稼働状況データ及び前記ダミー稼働状況データに基づき、前記第１工程から前記第３工程までを含む生産工程全体の異常判定処理を行い、前記異常判定処理の結果を表す判定結果情報を、前記生産管理システムに含まれる表示装置に表示するよう出力する。
　これにより、上述した異常判定方法と同様の効果を得ることができる。すなわち、データ欠損の場合だけでなく、データを取得する予定がない場合であっても、生産工程の全体に対する異常判定処理を行い、精度を損なわずに短時間で異常を判定することができる。
　また、本開示の別の一態様に係る異常判定方法は、第１工程に対応する第１生産装置及び前記第１工程に続く末端の工程である第２工程に対応する第２生産装置を含む生産ラインを管理する生産管理システムにおける異常判定方法であって、（ｉ）前記第１生産装置における第１稼働時刻及び前記第１工程と前記第２工程との間の第１待ち時間を含む第１稼働状況データ、並びに（ｉｉ）前記第２生産装置における第２稼働時刻、前記第１工程と前記第２工程との間の第２待ち時間を含む第２稼働状況データ、の中の少なくとも前記第１稼働状況データを、ネットワークを介して取得し、前記第１稼働時刻に基づき前記第２稼働状況データの未取得が判断された場合、前記第１稼働時刻に基づき前記第２稼働時刻に対応するダミー稼働時刻を予測し、前記第１待ち時間に基づき前記第２工程におけるダミー待ち時間を予測し、前記ダミー稼働時刻及び前記ダミー待ち時間を含む前記第２稼働状況データに対応するダミー稼働状況データを生成し、前記第１稼働状況データ及び前記ダミー稼働状況データに基づき、前記第１工程及び前記第２工程を含む生産工程全体の異常判定処理を行い、前記異常判定処理の結果を表す判定結果情報を、前記生産管理システムに含まれる表示装置に表示するよう出力する。
　これにより、全生産工程中の末端の工程に対応する稼働状況データ欠損が生じた場合であっても、生産工程の全体に対する異常判定処理を継続し、精度を損なわず短時間で異常を判定することができる。
　また、例えば、前記判定結果情報の出力の際、前記第２工程において前記ダミー稼働状況データを用いて前記異常判定処理を行った旨を出力してもよい。
　これにより、ダミー稼働状況データを用いて異常判定処理を行った旨を通知することで、データ転送に不具合が生じていたことが分かり、改善につなげることができる。
　また、本開示の別の一態様に係る異常判定方法は、先端の工程である第１工程に対応する第１生産装置及び前記第１工程に続く第２工程に対応する第２生産装置を含む生産ラインを管理する生産管理システムにおける異常判定方法であって、（ｉ）前記第１生産装置における第１稼働時刻及び前記第１工程と前記第２工程との間の第１待ち時間を含む第１稼働状況データ、並びに（ｉｉ）前記第２生産装置における第２稼働時刻、前記第１工程と前記第２工程との間の第２待ち時間を含む第２稼働状況データ、の中の少なくとも前記第２稼働状況データを、ネットワークを介して取得し、前記第２稼働時刻に基づき前記第１稼働状況データの未取得が判断された場合、前記第２稼働時刻に基づき前記第１稼働時刻に対応するダミー稼働時刻を予測し、前記第２待ち時間に基づき前記第１工程におけるダミー待ち時間を予測し、前記ダミー稼働時刻及び前記ダミー待ち時間を含む前記第１稼働状況データに対応するダミー稼働状況データを生成し、前記ダミー稼働状況データ及び前記第２稼働状況データに基づき、前記第１工程及び前記第２工程を含む生産工程全体の異常判定処理を行い、前記異常判定処理の結果を表す判定結果情報を、前記生産管理システムに含まれる表示装置に表示するよう出力する。
　これにより、全生産工程中の先端の工程に対応する稼働状況データ欠損が生じた場合であっても、生産工程の全体に対する異常判定処理を継続し、精度を損なわず短時間で異常を判定することができる。
　また、例えば、前記判定結果情報の出力の際、前記第１工程において前記ダミー稼働状況データを用いて前記異常判定処理を行った旨を出力してもよい。
　これにより、ダミー稼働状況データを用いて異常判定処理を行った旨を通知することで、データ転送に不具合が生じていたことが分かり、改善につなげることができる。
　以下では、実施の形態について、図面を参照しながら具体的に説明する。
　なお、以下で説明する実施の形態は、いずれも包括的又は具体的な例を示すものである。以下の実施の形態で示される数値、形状、材料、構成要素、構成要素の配置位置及び接続形態、ステップ、ステップの順序などは、一例であり、本開示を限定する主旨ではない。また、以下の実施の形態における構成要素のうち、独立請求項に記載されていない構成要素については、任意の構成要素として説明される。
　また、各図は、模式図であり、必ずしも厳密に図示されたものではない。したがって、例えば、各図において縮尺などは必ずしも一致しない。また、各図において、実質的に同一の構成については同一の符号を付しており、重複する説明は省略又は簡略化する。
　（実施の形態）
　［１．生産管理システムの概要］
　まず、本実施の形態に係る生産管理システムの概要について、図１を用いて説明する。
　図１は、本実施の形態に係る生産管理システム１の構成を示す図である。図１に示される生産管理システム１は、複数の生産装置を含む生産ラインを管理するシステムである。本実施の形態では、生産管理システム１は、設備群１０を管理する。以下ではまず、生産管理システム１による管理対象となる設備群１０について説明する。
　なお、図１では、複数の生産ライン及び複数の設備を個々に区別するため、例えば、複数の生産ライン１１ａ及び１１ｂなど、複数の設備１２ａ＿１、１２ａ＿２及び１２ｂ＿１などのように、各々に異なる符号を付している。以下の説明において生産ライン及び設備を区別する必要がない場合には、生産ライン１１及び設備１２として記載する。
　設備群１０は、ｘ個の生産ライン１１を含んでいる。ｘは、１以上の自然数である。
　ｘ個の生産ライン１１はそれぞれ、ｎ台の設備１２を含んでいる。ｎは、２以上の自然数である。なお、一の生産ライン１１が含む設備１２の台数は、他の生産ライン１１が含む設備１２の台数と異なっていてもよい。ｘ個の生産ライン１１はそれぞれ、複数の生産物を生産する。一の生産物は、複数の工程が順次実施されることによって生産される。複数の工程は、例えば、部品実装、加工、組み立てなどであるが、特に限定されない。生産物は、生産ライン１１に含まれるｎ台の設備１２が、各設備に割り当てられた工程を順次実行することによって生産される。
　設備１２は、生産装置の一例である。例えば、設備１２は、部品実装機、組立装置、加工機械、搬送装置などである。図１に示される例では、ｎ台の設備１２がベルトコンベアで連結されている。生産物の仕掛品は、ベルトコンベアによってｎ台の設備１２に順次搬送される。
　例えば、生産ライン１１ａに着目すると、設備１２ａ＿１は、先端の工程に対応する生産装置である。設備１２ａ＿ｎは、末端の工程に対応する生産装置である。設備１２ａ＿２から設備１２ａ＿ｎ－１は、中間の工程に対応する生産装置である。設備１２ａ＿１から設備１２ａ＿ｎは、この順で工程を実行することにより、生産物を生産する。
　設備１２には、１以上のセンサ（図示せず）が設けられている。センサは、設備１２の稼働状況を表す値を測定する。例えば、センサは、イメージセンサ、赤外線センサ、流量センサ、電流計、圧力計などであるが、特に限定されない。センサは、測定結果を、対応する設備１２の稼働状況データとして出力する。
　設備群１０と生産管理システム１とは、ネットワークを介して通信可能に接続されている。通信は、有線通信又は無線通信であり、具体的な通信方式は特に限定されない。
　本実施の形態に係る生産管理システム１は、設備群１０の各設備１２のセンサが出力する稼働状況データを取得し、取得した稼働状況データに基づいて生産ライン１１の異常を判定する。また、生産管理システム１は、生産ライン１１の異常の要因を特定する。具体的には、生産管理システム１は、異常と判定した生産ライン１１に含まれるｎ台の設備１２のうち、異常の要因となった設備１２及びその異常の種別を特定する。異常の判定及び異常の要因の特定は、機械学習により生成された学習モデルを用いて行われる。学習モデルは、生産ライン１１毎に各設備１２の稼働状況データが入力された場合に、異常の判定結果と、異常の場合にはその要因とを出力するモデルである。
　異常の判定には、稼働状況データが必要である。しかしながら、ネットワークの状況により、稼働状況データが欠損する場合がある。あるいは、センサが設置されていないなど、最初から稼働状況データを取得する予定がない場合もある。
　生産管理システム１は、欠損その他の要因で稼働状況データが取得されない場合に、当該稼働状況データのダミーデータを生成する。生産管理システム１は、ダミーデータを含む入力データを学習モデルに入力することで、異常の判定結果と、異常の場合にその要因とを得ることができる。このように、本実施の形態に係る生産管理システム１によれば、稼働状況データが取得されない場合であっても、生産ライン１１の工程の全体に対する異常判定処理を継続し、精度を損なわずに短時間で異常を判定することができる。
　［２．生産管理システムの構成］
　次に、生産管理システム１の具体的な構成について、図２を用いて説明する。
　図２は、本実施の形態に係る生産管理システム１の機能構成を示すブロック図である。図２に示されるように、生産管理システム１は、異常判定装置２と、取得部１３と、を備える。異常判定装置２は、入力部２０と、制御部３０と、出力部４０と、記憶部５０と、を備える。
　取得部１３は、各設備１２の稼働状況データを、ネットワークを介して取得する。取得部１３は、生産ライン１１に含まれる全ての設備１２の稼働状況データを取得しようとするが、一部の稼働状況データを取得できなくてもよい。
　稼働状況データは、各設備１２における生産個数と、各生産に対応する稼働時刻とを含む。設備１２における生産個数とは、設備１２の稼働時間中に設備１２が生産した生産物の個数である。言い換えると、生産個数は、設備１２が出力する生産物の出力個数である。
　ここでの生産物は、設備１２が生産ライン１１の末端の設備である場合を除いて、中間生産物、すなわち、仕掛品である。末端の設備１２による生産物は、生産ライン１１の最終生産物である。以下では、中間生産物及び最終生産物の区別をせずに、“生産物”として説明を行う。また、先端の設備１２に入力される材料も便宜上、生産物と呼ぶ場合がある。設備１２における生産個数は、出力個数だけでなく、設備１２に入力される生産物の入力個数を含んでもよい。
　各生産に対応する稼働時刻は、設備１２による一の生産物に対する工程の開始時刻及び終了時刻を含む。あるいは、各生産に対応する稼働時刻は、ロット単位での工程の開始時刻及び終了時刻を含んでもよい。
　稼働状況データは、設備１２及び生産物に関わる他の情報を含んでもよい。例えば、稼働状況データは、生産ライン１１の識別情報、設備１２若しくは工程の識別情報、ロットの識別情報、生産物の品種情報を含んでもよい。
　また、稼働状況データには、設備１２の停止に関わる情報を含んでもよい。「停止」には、「チョコ停」と称される短期間の設備の待機（一時的な停止）、故障による停止、及び保守作業のための計画的な停止などが含まれる。停止に関わる情報は、停止発生時刻、停止終了時刻、及び停止要因などを含む。停止発生時刻及び停止終了時刻は、稼働時刻の一例とみなすこともできる。
　停止に関わる情報は、前工程待ち時間及び後工程待ち時間の少なくとも一方を含んでもよい。なお、前工程待ち時間は、直前の工程と現工程と間の、現工程を行う設備の待ち時間である。後工程待ち時間は、現工程と直後の工程との間の、現工程を行う設備の待ち時間である。各待ち時間は、例えば、停止終了時刻と停止発生時刻との差分として算出することもできる。このため、稼働状況データが待ち時間を含むことは、稼働状況データが停止発生時刻及び停止終了時刻を含むことと同義とみなすことができる。
　取得部１３は、各設備１２に設けられたセンサとネットワークを介して通信する通信インタフェースである。あるいは、取得部１３は、各設備１２に設けられたセンサ自体であってもよい。
　入力部２０は、管理者などのユーザからの操作入力を受け付ける。入力部２０は、例えば、キーボード、マウスなどの各種入力装置である。操作入力は、例えば、異常判定の開始の指示、機械学習の開始の指示、判定結果の表示の指示などである。操作入力は、異常判定処理を行う対象となる生産ライン１１の指定、及び、異常判定処理の対象期間の指定などを含んでもよい。
　制御部３０は、異常判定方法の主たる処理を行う処理部である。制御部３０は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）などのプロセッサ、プログラムが格納された不揮発性メモリ、プログラムを実行するための一時的な記憶領域である揮発性メモリ、及び入出力ポートなどを含んでいる。制御部３０は、１台のコンピュータ機器であってもよく、ネットワークを介して接続された複数台のコンピュータ機器であってもよい。制御部３０が実行する処理は、例えば、クラウドコンピューティングによって行われてもよい。
　図２に示されるように、制御部３０は、要求部３１と、欠損判定部３２と、計算部３３と、異常検出部３４と、評価部３５と、出力処理部３６と、を含む。
　要求部３１は、記憶部５０に対して稼働状況データの送信を要求する。例えば、要求部３１は、入力部２０が受け付けた異常判定処理の対象となる生産ライン１１及び対象期間に基づいて、異常判定処理に用いる稼働状況データの送信を要求する。また、要求部３１は、欠損判定部３２に対して、記憶部５０から送信された稼働状況データの未取得の判定処理の実行を要求する。
　欠損判定部３２は、記憶部５０から送信される稼働状況データの未取得を判定する。具体的には、欠損判定部３２は、直前の工程の稼働状況データに含まれる稼働時刻と、直後の工程の稼働状況データに含まれる稼働時刻と、の少なくとも一方に基づいて、所定の工程の稼働状況データの欠損の有無を判定する。欠損判定部３２は、欠損の判定結果と、記憶部５０から送信された稼働状況データと、を計算部３３に出力する。
　計算部３３は、所定の工程の稼働状況データの未取得が判断された場合、すなわち、欠損判定部３２によって当該工程の稼働状況データが欠損していると判定された場合に、当該工程のダミー稼働状況データを生成する。以下では、稼働状況データが未取得の工程を、「欠損工程」と記載する。また、欠損工程の直前の工程を「直前工程」と記載し、欠損工程の直後の工程を「直後工程」と記載する。直前工程、欠損工程及び直後工程はそれぞれ、第１工程、第２工程、第３工程の一例であり、他の工程を挟まずにこの順で連続して行われる。
　具体的には、計算部３３は、直前工程の稼働状況データ及び直後工程の稼働状況データの少なくとも一方に基づいて、欠損工程の設備における生産予定個数に対応するダミー稼働時刻を予測し、生産予定個数及びダミー稼働時刻を含むダミー稼働状況データを生成する。ダミー稼働時刻は、欠損工程の稼働時刻に対応する予測値である。例えば、計算部３３は、直前工程の稼働時刻及び直後工程の稼働時刻の少なくとも一方に基づき、欠損工程の稼働時刻に対応するダミー稼働時刻を予測する。
　なお、ダミー稼働状況データは、生産予定個数の代わりに、又は、生産予定個数に加えて、ダミー待ち時間を含んでもよい。ダミー待ち時間は、欠損工程における待ち時間の予測値である。この場合、計算部３３は、直前工程を行う設備における直前工程と欠損工程との間の待ち時間、及び、直後工程を行う設備における欠損工程と直後工程との間の待ち時間、の少なくとも一方に基づき、欠損工程におけるダミー待ち時間を予測する。
　計算部３３は、記憶部５０に記憶されたモデルデータ５２及び係数データ５３を利用して、ダミー稼働状況データを生成する。ダミー稼働状況データの具体的な生成例については、後で説明する。
　また、計算部３３は、機械学習を実行することにより、学習モデルを生成してもよい。生成した学習モデルは、記憶部５０にモデルデータ５２として記憶される。また、計算部３３は、機械学習を実行することにより、ダミー稼働状況データの生成用の係数を算出してもよい。算出した係数は、記憶部５０に係数データ５３として記憶される。
　異常検出部３４は、各工程の稼働状況データとダミー稼働状況データとに基づき、生産工程全体の異常判定処理を行う。複数の生産ライン１１が設けられている場合には、異常判定処理は、生産ライン１１毎に行われる。つまり、異常検出部３４は、対象となる生産ライン１１について、先端の工程から末端の工程までの全ての工程を含む生産工程全体の異常判定処理を行う。具体的には、異常判定処理は、生産工程全体における全稼働時間における全生産個数に基づき、生産工程全体における異常の有無を判定する処理を含む。また、異常判定処理は、生産工程全体の中の各工程において当該工程の稼働時間における当該生産個数に基づき、当該工程における異常の有無を判定する処理を含んでもよい。
　なお、異常判定処理は、生産個数を利用する処理に加えて、又は、生産個数を利用する処理の代わりに、生産工程全体における全稼働時間における全待ち時間に基づき、生産工程全体における異常の有無を判定する処理を含んでもよい。また、異常判定処理は、生産工程全体の中の各工程において当該工程の稼働時間における当該待ち時間に基づき、当該工程における異常の有無を判定する処理を含んでもよい。
　評価部３５は、異常判定処理の結果を評価することで、異常の要因特定処理を行う。具体的には、評価部３５は、異常と判定された生産ライン１１を特定する。評価部３５は、さらに、異常と判定された生産ライン１１に含まれる全設備のうち、異常な設備とその要因とを特定する。
　評価部３５は、さらに、ダミー稼働状況データを評価してもよい。具体的には、評価部３５は、ダミー稼働状況データの確からしさを評価する。ダミー稼働状況データが実際の稼働状況を表す確からしさが高い程、異常判定処理の結果の精度も高くなる。
　出力処理部３６は、異常判定処理の結果を表す判定結果情報を出力部４０に出力する。異常判定処理の結果は、異常があったことだけでなく、異常がないことを含んでもよい。出力処理部３６は、さらに、評価部３５による評価結果を出力部４０に出力してもよい。例えば、出力処理部３６は、判定結果情報の出力の際、ダミー稼働状況データを用いて異常判定処理を行った旨を出力してもよい。
　出力部４０は、異常判定処理の結果を表す判定結果情報を出力する。具体的には、出力部４０は、液晶ディスプレイ又は有機ＥＬディスプレイなどの表示部を含む。表示部は、判定結果情報を表示する。出力部４０による表示例については、後で説明する。出力部４０は、表示部に加えて、又は、表示部の代わりに、音声出力部を含んでもよい。
　記憶部５０は、生産管理システム１が行う処理に必要な情報及びデータを記憶する。記憶部５０は、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）又はＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）などの不揮発性記憶装置である。記憶部５０は、ネットワークを介して接続された複数の記憶装置であってもよい。
　図２に示されるように、記憶部５０は、生産ログデータ５１と、モデルデータ５２と、係数データ５３と、を記憶する。
　生産ログデータ５１は、稼働状況データの集合である。図３は、生産ログデータ５１の一例を示す図である。図３に示すように、生産ログデータ５１は、最上段に記載された複数の項目（属性とも呼ばれる）の情報を含んでいる。具体的には、複数の項目は、生産ライン、工程、ロット開始時刻、ロット終了時刻、稼働時間、ロット番号、入力個数、出力個数、品種情報、停止発生時刻、停止終了時刻、及び停止要因を含んでいる。複数の属性は、工程の代わりに、対応する設備名を含んでもよい。なお、生産ログデータ５１に含まれる項目の個数及び種類は、特に限定されない。
　図３に示される各行のデータ（レコードとも呼ばれる）は、１回の停止に対応している。例えば、１行目から３行目のレコードは、「Ｌｉｎｅ１」の生産ライン１１の「工程Ａ」の稼働状況を表すデータである。ロット番号「Ｌ００１」のロットに対する生産の開始時刻が「１２：００」であり、当該ロットに対する終了時刻が「１５：３０」である。稼働時間は、「２１０」分である。なお、この稼働時間は、ロット終了時刻とロット開始時刻との差分で算出されてもよい。「工程Ａ」を行う設備に対する入力個数が「１００」個であり、当該設備からの出力個数、すなわち、生産個数が「１００」個である。入力個数と出力個数とが等しいので、生産不良を起こすことなく、全ての生産が行われたことが分かる。生産品の品種は、「Ｔｙｐｅ　０１」である。
　１行目のレコードは、「Ｌｉｎｅ１」の生産ライン１１の「工程Ａ」の稼働時間中に、停止要因「Ｓｔｏｐ　ａ」によって、「１２：１０」に停止し、「１２：１２」に停止が終了して生産を再開していることを示している。同様に、２行目のレコードは、停止要因「Ｓｔｏｐ　ｂ」によって、「１２：１６」に停止し、「１２：２０」に停止が終了して生産を再開していることを示している。３行目のレコードは、停止要因「後待ち」によって、「１２：３７」に停止し、「１２：４０」に停止が終了して生産を再開していることを示している。このように、「Ｌｉｎｅ１」の生産ライン１１の「工程Ａ」の稼働時間中には、３回の停止が発生している。なお、「後待ち」とは、対象の工程の直後の工程の処理を待つための停止を意味している。「前待ち」とは、対象の工程の直前の工程の処理を待つための停止を意味している。
　稼働状況データは、同一の生産ライン１１の同一の工程のレコードに相当する。例えば、１行目から３行目のレコードをまとめて１つの稼働状況データを構成している。あるいは、稼働状況データは、１つのレコードとみなしてもよい。
　モデルデータ５２は、機械学習によって生成された１以上の学習モデルを含んでいる。学習モデルは、異常判定処理に用いられる生産モデルである。生産モデルは、例えば、生産工程全体の全稼働時間における生産個数の確率分布の種類及びパラメータの値で表される。確率分布の種類は、正規分布、対数正規分布、０過剰指数分布、ガンマ分布などである。確率分布のパラメータ種別は、確率分布の種類によって決まっている。例えば、正規分布の場合は、平均μ及び標準偏差σである。パラメータの値は、過去の生産実績、すなわち、過去の稼働状況データに基づいて生成される。
　１以上の学習モデルは、各設備の稼働時間における生産個数の確率分布の種類及びパラメータの値で表される設備別の生産モデルを含んでもよい。また、１以上の学習モデルは、各設備の稼働時間における停止要因毎の停止時間の確率分布の種類及びパラメータの値で表される要因別の生産モデルを含んでもよい。設備別の生産モデル及び要因別の生産モデルの少なくとも一方を利用して、異常が発生した設備の特定、及び、その異常の要因を行うことができる。
　また、１以上の学習モデルは、生産工程全体の全稼働時間における全待ち時間の確率分布の種類及びパラメータの値で表される生産モデルを含んでもよい。当該生産モデルは、生産個数に基づく生産モデルの代わりに異常判定処理に使用することができる。また、１以上の学習モデルは、各設備の稼働時間における待ち時間の確率分布の種類及びパラメータの値で表される設備別の生産モデルを含んでもよい。
　学習モデルのパラメータは、ベイズ推定に基づいて求めることができる。例えば、マルコフ連鎖モンテカルロシミュレーション（ＭＣＭＣ）などのサンプリング法、又は、ＶＢ－ＥＭ（Ｖａｒｉａｔｉｏｎａｌ　Ｂａｙｅｓｉａｎ　－　Ｅｘｐｅｃｔａｔｉｏｎ　Ｍａｘｉｍｉｚａｔｉｏｎ）アルゴリズムなどの変分推定によって求めることができる。
　学習モデルの生成時の入力データは、各工程の稼働状況データである。具体的には、各工程の生産個数、稼働時間、要因毎の停止時間（待ち時間）、設備名及び品種などが入力データとして利用される。学習モデルの生成に利用した入力データの種別は、ダミー稼働状況データが含むべきデータの種別である。言い換えると、ダミー稼働状況データは、学習モデルの生成に利用していない種別のデータを含んでいなくてもよい。
　係数データ５３は、ダミー稼働データの生成用の係数を含んでいる。具体的には、係数データ５３は、ダミー待ち時間の算出用の係数を含んでいる。係数は、欠損工程の直前工程及び直後工程の少なくとも一方と欠損工程とのタクト差に基づく補正係数である。つまり、当該係数を利用することにより、工程間のタクト差を考慮してダミー待ち時間を精度良く算出することができる。
　係数は、機械学習によって算出されるが、これに限定されない。係数は、回帰的に算出されてもよい。また、係数データ５３は、ダミー稼働時刻及び生産予定個数の算出用の係数を含んでもよい。
　［３．生産管理システムの動作（異常判定方法）］
　次に、生産管理システム１の動作、すなわち、異常判定方法について、図面を用いて説明する。
　図４は、本実施の形態に係る生産管理システム１の動作を示すシーケンス図である。図５は、本実施の形態に係る生産管理システム１の動作を示すフローチャートである。
　図４及び図５に示されるように、まず、取得部１３が設備群１０から稼働状況データを取得して、記憶部５０に保存する（Ｓ１１）。稼働状況データは、設備群１０に含まれる全ての設備１２から取得されて記憶部５０に蓄積される。
　次に、記憶部５０は、所定期間分の稼働状況データを制御部３０に送信する（Ｓ１２）。所定期間は、異常判定処理の対象期間であり、入力部２０が受け付けた操作入力に基づいて決定される。例えば、所定期間は、１ロットの生産を行った期間、１時間又は１日などである。入力部２０が受け付けた操作入力が特定の生産ライン１１の指示である場合には、記憶部５０は、当該生産ライン１１に含まれる全ての設備１２の稼働状況データを送信する。
　次に、制御部３０の欠損判定部３２が、送信された所定期間分の稼働状況データが揃っているか否かを判定する（Ｓ１３）。未取得の稼働状況データがある場合（Ｓ１３でＮｏ）、制御部３０の計算部３３は、ダミー稼働状況データを生成する（Ｓ１４）。
　図６は、ダミー稼働状況データの生成処理（Ｓ１４）を示すフローチャートである。
　図６に示されるように、計算部３３は、稼働状況データが得られていない欠損工程を特定する（Ｓ１４１）。
　次に、計算部３３は、欠損工程の前後工程の稼働状況データを取得する（Ｓ１４２）。このとき、欠損工程が全生産工程中の中間の工程である場合には、計算部３３は、直前工程の稼働状況データと、直後工程の稼働状況データと、を取得する。
　欠損工程が全生産工程中の先端の工程である場合には、計算部３３は、直前工程が存在しないため、直後工程の稼働状況データを取得する。計算部３３は、直前工程の稼働状況データの代わりに、対象の生産ライン１１の生産計画における生産個数及び生産開始時刻などの各々の初期値を取得してもよい。
　また、欠損工程が全生産工程中の末端の工程である場合には、計算部３３は、直後工程が存在しないため、直前工程の稼働状況データを取得する。計算部３３は、直後工程の稼働状況データの代わりに、対象の生産ライン１１の生産実績に基づいて生産個数及び生産終了時刻などの各々の最終値を取得してもよい。
　次に、計算部３３は、記憶部５０からダミー稼働状況データの生成用の係数を取得する（Ｓ１４３）。
　次に、計算部３３は、取得した稼働状況データ及び係数に基づき、ダミー稼働状況データを生成する（Ｓ１４４）。例えば、計算部３３は、生産予定個数及びダミー稼働時刻を予測し、予測した生産予定個数及びダミー稼働時刻を含むダミー稼働状況データを生成する。生産予定個数は、例えば、直前工程の生産個数（すなわち、出力個数）である。あるいは、生産予定個数は、直後工程の入力個数であってもよい。ダミー稼働時刻は、直前工程の稼働時刻と直後工程の稼働時刻との平均値である。また、計算部３３は、ダミー待ち時間を予測してもよい。ダミー待ち時間の予測には、ステップＳ１４３で取得した係数を利用することができる。
　以上の工程を経て、生産管理システム１は、欠損工程に対応するダミー稼働状況データを生成する。
　図５に戻り、稼働状況データが揃っている場合（Ｓ１３でＹｅｓ）、又は、ダミー稼働状況データを生成した後、異常検出部３４は、モデルデータ５２を取得する（Ｓ１５）。具体的には、異常検出部３４は、異常判定処理の対象となる生産ライン１１の生産モデルを取得する。また、異常検出部３４は、異常判定処理の対象となる生産ライン１１に含まれる全ての設備１２の設備別の生産モデル及び要因別の生産モデルを取得する。
　次に、異常検出部３４は、異常判定処理を行う（Ｓ１６）。具体的には、異常検出部３４は、ダミー稼働状況データを含む稼働状況データから得られる全稼働時間における全生産個数に基づき、異常度を算出する。なお、異常検出部３４は、ダミー稼働状況データを含む稼働状況データから得られる全稼働時間における全待ち個数に基づき、異常度を算出してもよい。
　図７は、一の生産ラインの生産モデルである学習済みの確率分布と異常度との関係を示す図である。横軸は、例えば、生産タクトである。生産タクトは、全稼働時間÷全生産個数、または、（全稼働時間－全待ち時間）÷全生産個数で表される。
　図７の破線で示される実測値は、全工程の稼働状況データに基づいて得られる生産タクトの値である。稼働状況データが未取得の場合には、ステップＳ１４で生成したダミー稼働状況データを用いる。図７の斜線の網掛けが付された領域が、確率分布において実測値より右側の領域の面積であり、上側確率、すなわち、異常度に相当する。上側確率が閾値より小さい場合に、生産ライン１１が異常と判定する。
　図５に戻り、異常と判定された場合（Ｓ１６で“異常”）、評価部３５は、要因特定処理を行う（Ｓ１７）。
　図８は、異常の要因特定処理を示すフローチャートである。図８に示されるように、評価部３５は、異常と判定された生産ライン１１を特定する（Ｓ１７１）。次に、評価部３５は、特定した生産ライン１１の中で、異常の工程とその要因を特定する（Ｓ１７２）。具体的には、評価部３５は、設備別及び要因別の複数の生産モデルの各々に対して、異常判定処理と同様に、実績値に基づく上側確率を算出する。上側確率が閾値より小さい場合に、当該生産モデルに対応する設備及び要因を異常工程及びその要因として特定することができる。
　図５に戻り、異常と判定されなかった場合（Ｓ１６で“正常”）、又は、要因特定処理が終了した後、制御部３０は、異常判定処理の結果及び／又は要因特定処理の結果を記憶部５０に記録する（Ｓ１８）。次に、制御部３０の出力処理部３６は、各結果を表す判定結果情報を出力部４０に出力する（Ｓ１９）。出力部４０では、例えば、判定結果情報を表す結果表示画像を生成して表示する。
　以上のように、本実施の形態に係る生産管理システム１では、稼働状況データが得られない場合であっても、ダミー稼働状況データを生成して異常判定処理に利用する。異常判定処理は、機械学習により生成された学習モデルを利用するため、従来は、データの不足により実行できない。これに対して、本実施の形態によれば、データ不足により実行できなかった異常判定処理を実行することができ、判定結果を得ることができる。
　［４．学習モデルの生成処理］
　次に、機械学習による学習モデルの生成処理について、図９を用いて説明する。図９は、機械学習による学習モデルの生成処理を示すフローチャートである。
　図９に示されるように、まず、記憶部５０は、所定期間分の稼働状況データを制御部３０に送信する（Ｓ２１）。ここでの所定期間は、例えば、図５のステップＳ１２の所定期間よりも長い期間であり、例えば、１日、１週間、１ヶ月、数ヶ月、半年又は１年などの長期間である。
　制御部３０の欠損判定部３２は、記憶部５０から送信された稼働状況データに欠損があるか否かを判定する（Ｓ２２）。欠損があると判定した場合（Ｓ２２でＹｅｓ）、制御部３０の計算部３３は、欠損に関わる稼働状況データを除去する（Ｓ２３）。例えば、図１の生産ライン１１ｂの設備１２ｂ＿３で所定のロットに関わる生産を行ったときの稼働状況データが欠損している場合を想定する。この場合、当該生産に関わる稼働状況データ、具体的には、生産ライン１１ｂの他の設備１２の稼働状況データを除去する。なお、「除去」とは、学習モデルの生成に利用しないことを意味する。学習モデルの生成には、全行程の稼働状況データが揃っているもののみを利用する。
　欠損がないと判定した場合（Ｓ２２でＮｏ）、又は、データの除去が終了した後、計算部３３は、学習モデルとダミー稼働状況データの生成用の係数とを機械学習により生成する（Ｓ２４）。次に、計算部３３は、生成した学習モデル及び係数を記憶部５０に記録する（Ｓ２５）。
　なお、図９に示される学習処理は、制御部３０以外の処理部によって行われてもよい。すなわち、生産管理システム１は、他のコンピュータ機器で生成された学習モデル及び係数を利用してもよい。
　［５．具体例］
　続いて、ダミー稼働状況データの具体的な生成例を複数説明する。
　［５－１．第１例］
　まず、欠損工程が中間の工程である場合の例を、図１０を用いて説明する。図１０は、中間の工程の稼働状況データが欠損した場合に生成されるダミー稼働状況データの例を示す図である。
　本例では、１つの生産ライン１１が設備Ａ、設備Ｂ、設備Ｃ及び設備Ｄの４つで構成されている場合を想定する。設備Ａ、設備Ｂ、設備Ｃ及び設備Ｄはこの順で、ベルトコンベアで連結されている。設備Ａは、先端の工程Ａを実行する。設備Ｂは、中間の工程Ｂを実行する。設備Ｃは、中間の工程Ｃを実行する。設備Ｄは、末端の工程Ｄを実行する。設備Ａ、設備Ｂ、設備Ｃ及び設備Ｄの各々の稼働状況データを、データＡ、データＢ、データＣ及びデータＤとする。
　図１０に示されるように、データＡからＤはそれぞれ、稼働時刻と、稼働時間と、稼働時間中の合計の停止時間と、生産個数と、を含んでいる。また、データＡからＤはそれぞれ、停止に関わる詳細な時刻情報を含んでいる。
　稼働時刻は、例えば、ロットの生産開始時刻及び生産終了時刻を含んでいる。稼働時間は、ロットの生産終了時刻と生産開始時刻との差分である。合計の停止時間は、稼働時間中に発生した停止毎の停止時間（すなわち、待ち時間）の合計である。例えば、データＡは、「Ｓｔｏｐ　ａ」、「Ｓｔｏｐ　ｂ」及び「後待ち」の３つの要因の各々の停止開始時刻と停止終了時刻とを含んでいる。なお、図１０では、３つの要因のみを示しているが、より多くの停止が発生しており、これらの停止の合計が「４５分」となる。生産個数は、設備Ａが生産した生産物の個数、すなわち、出力個数である。
　図１０に示される例では、データＢが欠損により取得できていない。この場合、制御部３０の計算部３３は、直前工程のデータＡ及び直後工程のデータＣに基づいて、欠損工程のダミーデータＢを生成する。
　図１１は、ダミー稼働状況データの生成処理に関わる入力データと出力データとを示す図である。入力データは、直前工程のデータＡと直後工程のデータＣとである。出力データは、欠損工程のダミーデータＢである。
　直前工程のデータＡの稼働時間、停止時間及び生産数をそれぞれ、Ｔａ、Ｄａ、Ｐａとする。直後工程のデータＣの稼働時間、停止時間及び生産個数をそれぞれ、Ｔｃ、Ｄｃ、Ｐｃとする。図１０の例を適用すると、Ｔａ＝２１０分、Ｄａ＝４５分、Ｐａ＝１００個であり、Ｔｃ＝２１１分、Ｄｃ＝４５分、Ｐｃ＝９５個である。なお、停止時間Ｄａ及びＤｃについては、停止毎の停止時間であってもよい。
　計算部３３は、関数ｆ（Ｔａ，Ｔｃ）、ｆｓ（Ｄａ，Ｄｃ）及びｆｐ（Ｐａ）を用いて、稼働時間、停止時間及び生産個数の各々の予測値を算出する。各関数は、例えば制御部３０が備える記憶部（図示せず）または記憶部５０に記憶されている。
　関数ｆ（Ｔａ，Ｔｃ）は、ダミーデータＢの稼働時間Ｔｂを算出するための関数である。具体的には、ｆ（Ｔａ，Ｔｃ）は、以下の式（１）で表される。
　（１）　Ｔｂ＝ｆ（Ｔａ，Ｔｃ）＝Ａｖｅ（Ｔａ，Ｔｃ）
　Ａｖｅ（　）は、括弧内の値の平均値を返す関数である。つまり、ダミーデータＢの稼働時間Ｔｂは、ＴａとＴｃとの平均値である。図１０の例を適用すれば、稼働時間Ｔｂ＝２１０．５分になる。図１０では、小数点以下の表示が省略されている。
　関数ｆｓ（Ｄａ，Ｄｃ）は、ダミーデータＢの停止時間Ｄｂを算出するための関数である。具体的には、ｆｓ（Ｄａ，Ｄｃ）は、以下の式（２）で表される。
　（２）　Ｄｂ＝ｆｓ（Ｄａ，Ｄｃ）＝ｍｉｎ（Ｄａ，Ｄｃ）×α
　ｍｉｎ（　）は、括弧内の値の最小値を返す関数である。また、αは、係数データ５３に含まれる係数である。αは、工程Ａと工程Ｂとのタクト差、及び、工程Ｂと工程Ｃとのタクト差に基づいて定まる値であり、例えば０．９以上１．１以下の範囲であるが、これに限定されない。
　ここで、Ｄａ及びＤｃとして停止毎の停止時間を利用することにより、停止毎の詳細なダミー停止時間を算出することができる。具体的には、Ｄａとして後工程待ち時間を利用し、Ｄｂとして前工程待ち時間を利用する。直前工程Ａの後工程待ち時間Ｄａ及び直後工程Ｃの前工程待ち時間Ｄｃはそれぞれ、欠損工程Ｂの停止に起因する待ち時間である可能性が高い。したがって、直前工程Ａの後工程待ち時間Ｄａ及び直後工程Ｃの前工程待ち時間Ｄｃを利用することにより、ダミーデータＢの待ち時間Ｄｂを精度良く算出することができる。例えば、図１０に示される例を参照すれば、ダミーデータＢの１つ目の待ち時間（Ｄｕｍｍｙ１）は、データＣの前工程待ち時間である１２：１０から１２：１２に基づいて算出されたものである。
　関数ｆｐ（Ｐａ）は、ダミーデータＢの生産個数の予測値、すなわち、生産予定個数Ｐｂを算出するための関数である。具体的には、ｆｐ（Ｐａ）は、以下の式（３）で表される。
　（３）　Ｐｂ＝ｆｐ（Ｐａ）＝Ｐａ
　つまり、ダミーデータＢの生産予定個数Ｐｂは、直前工程Ａの生産個数Ｐａに等しいとみなす。直前工程Ａで生産された生産物の全てを、欠損工程Ｂで処理したとみなすことができるためである。
　以上のように、データＢが欠損した場合には、ダミーデータＢが生成される。ダミーデータＢは、データＢが含むデータと同種のデータを含んでいる。このため、データＢの代わりにダミーデータＢを異常判定処理に利用することができる。
　なお、ダミーデータＢが含むデータの種別は、データＢが含むデータの種別と全てが一致していなくてもよい。ダミーデータＢは、学習モデルの生成時に利用した種類のデータのみを含んでいればよい。例えば、学習モデルの生成時に生産個数を利用しない場合には、ダミーデータＢは、生産個数を含んでいなくてもよい。同様に、学習モデルの生成時に待ち時間（停止時間）を利用しない場合には、ダミーデータＢは、待ち時間を含んでいなくてもよい。
　また、上述した式（１）から（３）は一例にすぎず、上述した例に限定されない。例えば、生産予定個数Ｐｂは、直後工程Ｃの生産個数Ｐｃであってもよい。あるいは、生産予定個数Ｐｂは、ＰａとＰｃとの平均値であってもよい。
　［５－２．第２例］
　次に、欠損工程が先端の工程である場合の例を、図１２を用いて説明する。図１２は、先端の工程の稼働状況データが欠損した場合に生成されるダミー稼働状況データの例を示す図である。なお、以下の説明では、第１例との相違点を中心に説明を行い、共通点の説明を省略又は簡略化する。
　図１２に示される例では、先端の工程のデータＡが欠損により取得できていない。この場合、制御部３０の計算部３３は、欠損工程の直前のデータがないため、直後工程のデータＢに基づいて欠損工程のダミーデータＡを生成する。
　具体的には、稼働時間、停止時間及び生産個数の各々の予測値を算出するための関数は、直後工程のデータＢの稼働時間Ｔｂ、停止時間Ｄｂ及び生産個数Ｐｂを変数として、ｆ（Ｔｂ）、ｆｓ（Ｄｂ）及びｆｐ（Ｐｂ）として表すことができる。この場合、欠損工程のダミーデータＡの稼働時間Ｔａ、停止時間Ｄａ及び生産個数Ｐａは、以下の式（４）から（６）で表すことができる。
　（４）　Ｔａ＝ｆ（Ｔｂ）＝Ｔｂ
　（５）　Ｄａ＝ｆｓ（Ｄｂ）＝Ｄｂ×β
　（６）　Ｐａ＝ｆｐ（Ｐｂ）＝Ｐｂ
　式（５）のβは、式（２）のαと同様に、機械学習などによって生成される係数である。また、第１例の場合と同様に、停止時間Ｄａについては、停止毎に算出することができる。上記式（４）から（６）を利用することで、図１２に示されるように、計算部３３は、ダミーデータＡを生成することができる。
　なお、上述した式（４）から（６）は一例にすぎず、上述した例に限定されない。例えば、直後工程のデータＢだけでなく、生産計画に基づく初期値を利用してもよい。例えば、生産予定個数Ｐａは、生産計画で定められた生産予定個数であってもよい。
　［５－３．第３例］
　次に、欠損工程が末端の工程である場合の例を、図１３を用いて説明する。図１３は、末端の工程の稼働状況データが欠損した場合に生成されるダミー稼働状況データの例を示す図である。なお、以下の説明では、第１例との相違点を中心に説明を行い、共通点の説明を省略又は簡略化する。
　図１３に示される例では、末端の工程のデータＤが欠損により取得できていない。この場合、制御部３０の計算部３３は、欠損工程の直後のデータがないため、直前工程のデータＣに基づいて欠損工程のダミーデータＤを生成する。
　具体的には、稼働時間、停止時間及び生産個数の各々の予測値を算出するための関数は、直前工程のデータＣの稼働時間Ｔｃ、停止時間Ｄｃ及び生産個数Ｐｃを変数として、ｆ（Ｔｃ）、ｆｓ（Ｄｃ）及びｆｐ（Ｐｃ）として表すことができる。この場合、欠損工程のダミーデータＤの稼働時間Ｔｄ、停止時間Ｄｄ及び生産個数Ｐｄは、以下の式（７）から（９）で表すことができる。
　（７）　Ｔｄ＝ｆ（Ｔｃ）＝Ｔｃ
　（８）　Ｄｄ＝ｆｓ（Ｄｃ）＝Ｄｃ×γ
　（９）　Ｐｄ＝ｆｐ（Ｐｃ）＝Ｐｃ
　式（８）のγは、式（２）のαと同様に、機械学習などによって生成される係数である。また、第１例の場合と同様に、停止時間Ｄｄについては、停止毎に算出することができる。上記式（７）から（９）を利用することで、図１３に示されるように、計算部３３は、ダミーデータＤを生成することができる。
　なお、上述した式（７）から（９）は一例にすぎず、上述した例に限定されない。例えば、直前工程のデータＣだけでなく、最終的な生産結果に基づく最終値を利用してもよい。例えば、生産予定個数Ｐｄは、生産ライン１１で実際に生産された個数であってもよい。
　［５－４．第４例］
　上述した第１例から第３例は、いずれも本来取得されるはずの稼働状況データが欠損した場合である。これに対して、設備の問題など何らかの原因で最初から稼働状況データが取得予定にない場合もある。この場合においても、ダミー稼働状況データを生成することができる。
　図１４は、取得予定にない稼働状況データの代わりに生成されるダミー稼働状況データの例を示す図である。なお、以下の説明では、第１例との相違点を中心に説明を行い、共通点の説明を省略又は簡略化する。
　図１４に示される例では、未取得の稼働状況データが本来取得されるはずのデータであるか、最初から取得される予定にないデータであるかの違いがあるだけで、稼働状況データが得られていないという点では、第１例と同じである。したがって、第１例と同様に、式（１）から（３）に基づいてダミーデータＢを生成することができる。
　第４例の場合は、稼働状況データの欠損（未取得）の判定処理（図５のステップＳ１３）を省略することができる。取得予定にない稼働状況データの設備が判明しているため、当該設備のダミー稼働状況データを生成するように予め設定しておくことができる。
　なお、第４例では、中間の工程のデータが取得予定にない場合を説明したが、先端の工程または末端の工程のデータが取得予定にない場合は、第２例または第３例と同様の処理を行うことで、ダミー稼働状況データを生成することができる。
　［６．表示例］
　続いて、生産管理システム１による判定結果の表示例について、図１５を用いて説明する。図１５は、本実施の形態に係る生産管理システム１による判定結果の表示例を示す図である。
　図１５では、３つの生産ライン１～３の異常判定処理の結果を表する表示画面６０が示されている。各生産ラインは、４つの設備Ａ～Ｄをこの順で含んでいる。
　表示画面６０は、生産ラインの構成を示す模式図６１を含んでいる。また、模式図６１の上段には、稼働状況データが取得できたか否かを示すアイコン６２が表示される。また、模式図６１の下段には、異常の要因を示すテキスト６３が表示される。テキスト６３は、異常の設備（工程）が存在しない場合には表示されない。異常の設備には、破線の枠６４が表示されている。これにより、異常の設備を強調して分かりやすく表示することができる。また、模式図６１の右側には、生産ラインの異常判定結果を時系列で示すグラフ６５と、異常の発生の有無を表すアイコン６６とが表示されている。
　図１５に示される表示例では、生産ライン１では、稼働状況データの欠損もなく、異常も発生しなかったことが分かる。一方で、生産ライン２では、設備Ｂで稼働状況データの欠損が発生したが、生産自体は異常なく終えたことが分かる。アイコン６２によって稼働状況データの欠損が発生したことが分かるので、稼働状況データの取得に関するネットワークの点検などの実行をユーザに促すことができる。
　また、生産ライン３では、設備Ｂで稼働状況データの欠損が発生しただけでなく、生産にも異常が発生し、その異常の要因が設備Ｂで発生した要因「停止Ｂ」であることが分かる。異常の発生が表示されることで、メンテナンス作業の実行をユーザに促すことができる。また、異常の要因が表示されることにより、メンテナンス作業の具体的な対象設備及び作業内容の提示も可能になる。したがって、メンテナンス作業の作業効率が高まり、設備の停止時間も短くなって生産効率を高めることができる。
　なお、図１５に示される表示例は、一例にすぎず、特に限定されない。模式図６１が表示されずに、生産ライン毎に異常か正常（異常でない）かを示すアイコン６６のみが表示されていてもよい。また、稼働状況データの取得状況を示すアイコン６２、異常の要因を示すテキスト６３、及び、異常の設備を表す枠６４が表示されなくてもよい。枠６４の代わりに、異常の設備を太線で描く、あるいは、点滅表示するなどを行ってもよい。
　（他の実施の形態）
　以上、１つ又は複数の態様に係る異常判定方法及び生産管理システムについて、実施の形態に基づいて説明したが、本開示は、これらの実施の形態に限定されるものではない。本開示の主旨を逸脱しない限り、当業者が思いつく各種変形を本実施の形態に施したもの、及び、異なる実施の形態における構成要素を組み合わせて構築される形態も、本開示の範囲内に含まれる。
　例えば、上記の実施の形態では、設備における生産個数を利用して異常判定処理を行う場合と、設備における待ち時間を利用して異常判定処理を行う場合との２つの場合を説明したが、２つの場合の両方が行われてもよく、一方のみが行われてもよい。両方が行われる場合には、少なくとも一方で異常と判定された場合には、異常と判定することができる。
　一方のみが行われる場合には、稼働状況データに含まれる情報を減らし、データ量を削減することができる。例えば、設備の生産個数を利用する場合には、稼働状況データは、待ち時間を含んでいなくてもよい。また、設備の待ち時間を利用する場合には、稼働状況データは、生産個数を含んでいなくてもよい。
　また、上記実施の形態で説明した装置間の通信方法については特に限定されるものではない。装置間で無線通信が行われる場合、無線通信の方式（通信規格）は、例えば、ＺｉｇＢｅｅ（登録商標）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、又は、無線ＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）などの近距離無線通信である。あるいは、無線通信の方式（通信規格）は、インターネットなどの広域通信ネットワークを介した通信でもよい。また、装置間においては、無線通信に代えて、有線通信が行われてもよい。有線通信は、具体的には、電力線搬送通信（ＰＬＣ：Ｐｏｗｅｒ　Ｌｉｎｅ　Ｃｏｍｍｕｎｉｃａｔｉｏｎ）又は有線ＬＡＮを用いた通信などである。
　また、上記実施の形態において、特定の処理部が実行する処理を別の処理部が実行してもよい。また、複数の処理の順序が変更されてもよく、あるいは、複数の処理が並行して実行されてもよい。また、生産管理システムが備える構成要素の複数の装置への振り分けは、一例である。例えば、一の装置が備える構成要素を他の装置が備えてもよい。また、生産管理システムは、単一の装置として実現されてもよい。
　例えば、上記実施の形態において説明した処理は、単一の装置（システム）を用いて集中処理することによって実現してもよく、又は、複数の装置を用いて分散処理することによって実現してもよい。また、上記プログラムを実行するプロセッサは、単数であってもよく、複数であってもよい。すなわち、集中処理を行ってもよく、又は分散処理を行ってもよい。
　また、上記実施の形態において、制御部などの構成要素の全部又は一部は、専用のハードウェアで構成されてもよく、あるいは、各構成要素に適したソフトウェアプログラムを実行することによって実現されてもよい。各構成要素は、ＣＰＵ又はプロセッサなどのプログラム実行部が、ＨＤＤ又は半導体メモリなどの記録媒体に記録されたソフトウェアプログラムを読み出して実行することによって実現されてもよい。
　また、制御部などの構成要素は、１つ又は複数の電子回路で構成されてもよい。１つ又は複数の電子回路は、それぞれ、汎用的な回路でもよいし、専用の回路でもよい。
　１つ又は複数の電子回路には、例えば、半導体装置、ＩＣ（Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）又はＬＳＩ（Ｌａｒｇｅ　Ｓｃａｌｅ　Ｉｎｔｅｇｒａｔｉｏｎ）などが含まれてもよい。ＩＣ又はＬＳＩは、１つのチップに集積されてもよく、複数のチップに集積されてもよい。ここでは、ＩＣ又はＬＳＩと呼んでいるが、集積の度合いによって呼び方が変わり、システムＬＳＩ、ＶＬＳＩ（Ｖｅｒｙ　Ｌａｒｇｅ　Ｓｃａｌｅ　Ｉｎｔｅｇｒａｔｉｏｎ）、又は、ＵＬＳＩ（Ｕｌｔｒａ　Ｌａｒｇｅ　Ｓｃａｌｅ　Ｉｎｔｅｇｒａｔｉｏｎ）と呼ばれるかもしれない。また、ＬＳＩの製造後にプログラムされるＦＰＧＡ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）も同じ目的で使うことができる。
　また、本開示の全般的又は具体的な態様は、システム、装置、方法、集積回路又はコンピュータプログラムで実現されてもよい。あるいは、当該コンピュータプログラムが記憶された光学ディスク、ＨＤＤ若しくは半導体メモリなどのコンピュータ読み取り可能な非一時的記録媒体で実現されてもよい。また、システム、装置、方法、集積回路、コンピュータプログラム及び記録媒体の任意な組み合わせで実現されてもよい。
　また、上記の各実施の形態は、請求の範囲又はその均等の範囲において種々の変更、置き換え、付加、省略などを行うことができる。
　本開示は、例えば、工場などの生産現場における管理システム及び異常判定装置などに利用することができる。
１　生産管理システム
２　異常判定装置
１０　設備群
１１　生産ライン
１２　設備
１３　取得部
２０　入力部
３０　制御部
３１　要求部
３２　欠損判定部
３３　計算部
３４　異常検出部
３５　評価部
３６　出力処理部
４０　出力部
５０　記憶部
５１　生産ログデータ
５２　モデルデータ
５３　係数データ
６０　表示画面
６１　模式図
６２、６６　アイコン
６３　テキスト
６４　枠
６５　グラフ

Claims (15)

  1. 　第１工程に対応する第１生産装置、前記第１工程に続く第２工程に対応する第２生産装置、及び前記第２工程に続く第３工程に対応する第３生産装置を含む生産ラインを管理する生産管理システムにおける異常判定方法であって、
    　（ｉ）前記第１生産装置における第１稼働時刻及び前記第１工程と前記第２工程との間の第１待ち時間を含む第１稼働状況データ、（ｉｉ）前記第２生産装置における第２稼働時刻、前記第１工程と前記第２工程との間の第２待ち時間及び前記第２工程と前記第３工程との間の第３待ち時間を含む第２稼働状況データ、並びに（ｉｉｉ）前記第３生産装置における第３稼働時刻及び前記第２工程と前記第３工程との間の第４待ち時間を含む第３稼働状況データの中の少なくとも（ｉ）前記第１稼働状況データ及び（ｉｉｉ）前記第３稼働状況データを、ネットワークを介して取得し、
    　前記第１稼働時刻及び前記第３稼働時刻に基づき前記第２稼働状況データの未取得が判断された場合、前記第１稼働時刻及び前記第３稼働時刻に基づき前記第２稼働時刻に対応するダミー稼働時刻を予測し、前記第１待ち時間及び前記第４待ち時間に基づき前記第２工程におけるダミー待ち時間を予測し、前記ダミー稼働時刻及び前記ダミー待ち時間を含む前記第２稼働状況データに対応するダミー稼働状況データを生成し、
    　前記第１稼働状況データ、前記第３稼働状況データ及び前記ダミー稼働状況データに基づき、前記第１工程から前記第３工程までを含む生産工程全体の異常判定処理を行い、
    　前記異常判定処理の結果を表す判定結果情報を、前記生産管理システムに含まれる表示装置に表示するよう出力する、
    　異常判定方法。
  2. 　前記判定結果情報の出力の際、前記第２工程において前記ダミー稼働状況データを用いて前記異常判定処理を行った旨を出力する、
    　請求項１記載の異常判定方法。
  3. 　前記異常判定処理は、前記生産工程全体における全稼働時間における全待ち時間に基づき、前記生産工程全体における異常の有無を判定する処理である、
    　請求項１又は２記載の異常判定方法。
  4. 　前記異常判定処理は、前記生産工程全体の中の各工程において当該工程の稼働時間における当該待ち時間に基づき、当該工程における異常の有無を判定する処理である、
    　請求項１又は２記載の異常判定方法。
  5. 　前記異常判定処理の結果は、前記生産工程において異常がないことを含む、
    　請求項１から請求項４のいずれか１項に記載の異常判定方法。
  6. 　前記生産ラインにおいて、前記第１生産装置、前記第２生産装置及び前記第３生産装置がベルトコンベアで連結されている、
    　請求項１から請求項５のいずれか１項に記載の異常判定方法。
  7. 　第１工程に対応する第１生産装置、前記第１工程に続く第２工程に対応する第２生産装置、及び前記第２工程に続く第３工程に対応する第３生産装置を含む生産ラインを管理する生産管理システムであって、
    　（ｉ）前記第１生産装置における第１稼働時刻及び前記第１工程と前記第２工程との間の第１待ち時間を含む第１稼働状況データ、（ｉｉ）前記第２生産装置における第２稼働時刻、前記第１工程と前記第２工程との間の第２待ち時間及び前記第２工程と前記第３工程との間の第３待ち時間を含む第２稼働状況データ、並びに（ｉｉｉ）前記第３生産装置における第３稼働時刻及び前記第２工程と前記第３工程との間の第４待ち時間を含む第３稼働状況データ、の中の少なくとも（ｉ）前記第１稼働状況データ及び（ｉｉｉ）前記第３稼働状況データを、ネットワークを介して取得し、
    　前記第１稼働時刻及び前記第３稼働時刻に基づき前記第２稼働状況データの未取得が判断された場合、前記第１稼働時刻及び前記第３稼働時刻に基づき前記第２稼働時刻に対応するダミー稼働時刻を予測し、前記第１待ち時間及び前記第４待ち時間に基づき前記第２工程におけるダミー待ち時間を予測し、前記ダミー稼働時刻及び前記ダミー待ち時間を含む前記第２稼働状況データに対応するダミー稼働状況データを生成し、
    　前記第１稼働状況データ、前記第３稼働状況データ及び前記ダミー稼働状況データに基づき、前記第１工程から前記第３工程までを含む生産工程全体の異常判定処理を行い、
    　前記異常判定処理の結果を表す判定結果情報を、前記生産管理システムに含まれる表示装置に表示するよう出力する、
    　生産管理システム。
  8. 　第１工程に対応する第１生産装置、前記第１工程に続く第２工程に対応する第２生産装置、及び前記第２工程に続く第３工程に対応する第３生産装置を含む生産ラインを管理する生産管理システムにおける異常判定方法であって、
    　（ｉ）前記第１生産装置における第１稼働時刻及び前記第１工程と前記第２工程との間の第１待ち時間を含む第１稼働状況データ、並びに（ｉｉ）前記第３生産装置における第３稼働時刻及び前記第２工程と前記第３工程との間の第４待ち時間を含む第３稼働状況データを、ネットワークを介して取得し、
    　前記第１稼働時刻及び前記第３稼働時刻に基づき前記第２生産装置におけるダミー稼働時刻を算出し、前記第１待ち時間及び前記第４待ち時間に基づき前記第２工程におけるダミー待ち時間を予測し、前記ダミー稼働時刻及び前記ダミー待ち時間を含むダミー稼働状況データを生成し、
    　前記第１稼働状況データ、前記第３稼働状況データ及び前記ダミー稼働状況データに基づき、前記第１工程から前記第３工程までを含む生産工程全体の異常判定処理を行い、
    　前記異常判定処理の結果を表す判定結果情報を、前記生産管理システムに含まれる表示装置に表示するよう出力する、
    　異常判定方法。
  9. 　前記判定結果情報の出力の際、前記第２工程において前記ダミー稼働状況データを用いて前記異常判定処理を行った旨を出力する、
    　請求項８記載の異常判定方法。
  10. 　第１工程に対応する第１生産装置、前記第１工程に続く第２工程に対応する第２生産装置、及び前記第２工程に続く第３工程に対応する第３生産装置を含む生産ラインを管理する生産管理システムであって、
    　（ｉ）前記第１生産装置における第１稼働時刻及び前記第１工程と前記第２工程との間の第１待ち時間を含む第１稼働状況データ、並びに（ｉｉ）前記第３生産装置における第３稼働時刻及び前記第２工程と前記第３工程との間の第４待ち時間を含む第３稼働状況データを、ネットワークを介して取得し、
    　前記第１稼働時刻及び前記第３稼働時刻に基づき前記第２生産装置におけるダミー稼働時刻を算出し、前記第１待ち時間及び前記第４待ち時間に基づき前記第２工程におけるダミー待ち時間を予測し、前記ダミー稼働時刻及び前記ダミー待ち時間を含むダミー稼働状況データを生成し、
    　前記第１稼働状況データ、前記第３稼働状況データ及び前記ダミー稼働状況データに基づき、前記第１工程から前記第３工程までを含む生産工程全体の異常判定処理を行い、
    　前記異常判定処理の結果を表す判定結果情報を、前記生産管理システムに含まれる表示装置に表示するよう出力する、
    　生産管理システム。
  11. 　第１工程に対応する第１生産装置及び前記第１工程に続く末端の工程である第２工程に対応する第２生産装置を含む生産ラインを管理する生産管理システムにおける異常判定方法であって、
    　（ｉ）前記第１生産装置における第１稼働時刻及び前記第１工程と前記第２工程との間の第１待ち時間を含む第１稼働状況データ、並びに（ｉｉ）前記第２生産装置における第２稼働時刻、前記第１工程と前記第２工程との間の第２待ち時間を含む第２稼働状況データ、の中の少なくとも前記第１稼働状況データを、ネットワークを介して取得し、
    　前記第１稼働時刻に基づき前記第２稼働状況データの未取得が判断された場合、前記第１稼働時刻に基づき前記第２稼働時刻に対応するダミー稼働時刻を予測し、前記第１待ち時間に基づき前記第２工程におけるダミー待ち時間を予測し、前記ダミー稼働時刻及び前記ダミー待ち時間を含む前記第２稼働状況データに対応するダミー稼働状況データを生成し、
    　前記第１稼働状況データ及び前記ダミー稼働状況データに基づき、前記第１工程及び前記第２工程を含む生産工程全体の異常判定処理を行い、
    　前記異常判定処理の結果を表す判定結果情報を、前記生産管理システムに含まれる表示装置に表示するよう出力する、
    　異常判定方法。
  12. 　前記判定結果情報の出力の際、前記第２工程において前記ダミー稼働状況データを用いて前記異常判定処理を行った旨を出力する、
    　請求項１１記載の異常判定方法。
  13. 　先端の工程である第１工程に対応する第１生産装置及び前記第１工程に続く第２工程に対応する第２生産装置を含む生産ラインを管理する生産管理システムにおける異常判定方法であって、
    　（ｉ）前記第１生産装置における第１稼働時刻及び前記第１工程と前記第２工程との間の第１待ち時間を含む第１稼働状況データ、並びに（ｉｉ）前記第２生産装置における第２稼働時刻、前記第１工程と前記第２工程との間の第２待ち時間を含む第２稼働状況データ、の中の少なくとも前記第２稼働状況データを、ネットワークを介して取得し、
    　前記第２稼働時刻に基づき前記第１稼働状況データの未取得が判断された場合、前記第２稼働時刻に基づき前記第１稼働時刻に対応するダミー稼働時刻を予測し、前記第２待ち時間に基づき前記第１工程におけるダミー待ち時間を予測し、前記ダミー稼働時刻及び前記ダミー待ち時間を含む前記第１稼働状況データに対応するダミー稼働状況データを生成し、
    　前記ダミー稼働状況データ及び前記第２稼働状況データに基づき、前記第１工程及び前記第２工程を含む生産工程全体の異常判定処理を行い、
    　前記異常判定処理の結果を表す判定結果情報を、前記生産管理システムに含まれる表示装置に表示するよう出力する、
    　異常判定方法。
  14. 　前記判定結果情報の出力の際、前記第１工程において前記ダミー稼働状況データを用いて前記異常判定処理を行った旨を出力する、
    　請求項１３記載の異常判定方法。
  15. 　請求項１から請求項６、請求項８、請求項９及び請求項１１から請求項１４のいずれか１項に記載の異常判定方法をコンピュータに実行させるプログラム。
PCT/JP2023/000845 2022-01-19 2023-01-13 異常判定方法及び生産管理システム WO2023140196A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-006386 2022-01-19
JP2022006386 2022-01-19

Publications (1)

Publication Number Publication Date
WO2023140196A1 true WO2023140196A1 (ja) 2023-07-27

Family

ID=87348757

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/000845 WO2023140196A1 (ja) 2022-01-19 2023-01-13 異常判定方法及び生産管理システム

Country Status (1)

Country Link
WO (1) WO2023140196A1 (ja)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10175132A (ja) * 1996-12-16 1998-06-30 Zexel Corp 移動式ワーク処理能力計測評価装置
JP2005032030A (ja) * 2003-07-07 2005-02-03 Toyota Motor Corp 生産ライン解析装置
JP2018185610A (ja) * 2017-04-25 2018-11-22 ｉ Ｓｍａｒｔ Ｔｅｃｈｎｏｌｏｇｉｅｓ株式会社 生産管理装置、生産管理システム、および生産管理方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10175132A (ja) * 1996-12-16 1998-06-30 Zexel Corp 移動式ワーク処理能力計測評価装置
JP2005032030A (ja) * 2003-07-07 2005-02-03 Toyota Motor Corp 生産ライン解析装置
JP2018185610A (ja) * 2017-04-25 2018-11-22 ｉ Ｓｍａｒｔ Ｔｅｃｈｎｏｌｏｇｉｅｓ株式会社 生産管理装置、生産管理システム、および生産管理方法

Similar Documents

Publication Publication Date Title
Duffuaa et al. An integrated model of production scheduling, maintenance and quality for a single machine
US7218974B2 (en) Industrial process data acquisition and analysis
US8515793B2 (en) Virtual production control system and method and computer program product thereof
JP4462437B2 (ja) モデル作成装置及びモデル作成システム並びに異常検出装置及び方法
US20160292652A1 (en) Predictive analytic reliability tool set for detecting equipment failures
Bahria et al. Integrated production, statistical process control, and maintenance policy for unreliable manufacturing systems
US20060224434A1 (en) Human data acquisition and analysis for industrial processes
JP2010526352A (ja) 統計的な分析を利用した性能障害管理システム及びその方法
US20110066898A1 (en) Predictive analysis method for improving and expediting realization of system safety, availability and cost performance increases
Bettayeb et al. Quality control planning to prevent excessive scrap production
Al-Salamah Economic production quantity with the presence of imperfect quality and random machine breakdown and repair based on the artificial bee colony heuristic
Pandey et al. A methodology for simultaneous optimisation of design parameters for the preventive maintenance and quality policy incorporating Taguchi loss function
US20090089112A1 (en) Service Resource Evaluation Method and System
Bülbül et al. Exact and heuristic approaches for joint maintenance and spare parts planning
WO2019030945A1 (ja) 原因推定方法およびプログラム
US8340800B2 (en) Monitoring a process sector in a production facility
WO2023140196A1 (ja) 異常判定方法及び生産管理システム
Chien et al. Bayesian decision analysis for optimizing in-line metrology and defect inspection strategy for sustainable semiconductor manufacturing and an empirical study
WO2023140195A1 (ja) 異常判定方法及び生産管理システム
JPWO2019016892A1 (ja) 品質分析装置及び品質分析方法
Zahedi-Hosseini et al. Optimisation of inspection policy for multi-line production systems
WO2023188914A1 (ja) 情報処理方法及び情報処理装置
JP2005235130A (ja) 製造・開発情報のデータトレースシステム
US20230384759A1 (en) Information processing method and information processing device
WO2023074371A1 (ja) 保守作業通知システム及び保守作業通知方法

Legal Events

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

Ref document number: 23743190

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2023575234

Country of ref document: JP

Kind code of ref document: A