特許ウォッチ

公開番号2025138440
公報種別公開特許公報(A)
公開日2025-09-25
出願番号2024037536
出願日2024-03-11
発明の名称製造工程の解析方法、解析装置、解析プログラム及び該解析プログラムを記憶しているコンピュータ読取可能な記憶媒体
出願人マツダ株式会社
代理人弁理士法人前田特許事務所
主分類G05B 19/418 20060101AFI20250917BHJP(制御;調整)
要約【課題】複数の工程群を経て製造される製品について、その品質の良否に寄与したと考えられる製造工程を、工程群毎に、高精度かつ容易に判別可能とする。
【解決手段】解析方法は、複数の特徴量Pの各々と、複数の製造工程Qの1つ以上と、複数の工程群Gの1つ以上にわたって関連付けるように事前に生成された2種以上の機械学習モデル69をSSD9から読み込むプロセスと、複数の特徴量Pの中から、事前に選択された特定特徴量Psを読み込むプロセスと、特定特徴量Psと2種以上の機械学習モデル69とに基づいて、品質の判定に寄与すると推定される1つ以上の製造工程Qの連なりを、機械学習モデル69の種類別に推定するプロセスと、を含む。
【選択図】図16A
特許請求の範囲【請求項１】
記憶部及び演算部を備えるコンピュータと、それぞれ１つ以上の製造工程によって構成される複数の工程群を経て製造される製品の品質の判定結果と、を用いて実行される製造工程の解析方法であって、
前記複数の工程群は、前記製品の製造段階の進行順に連なっており、
前記判定時に取得される複数の特徴量のうち、前記品質の判定に寄与すると推定される１つ又は複数の特徴量を特定特徴量とし、前記複数の工程群をそれぞれ構成する１つ以上の製造工程の中から工程群毎に選択され、それぞれ、前記品質の判定に寄与すると推定される１つ以上の製造工程の連なりを特定工程群とすると、
前記演算部が、前記複数の特徴量の各々と、前記複数の製造工程の１つ以上とを、前記複数の工程群の１つ以上にわたって関連付けるように事前に生成された２種以上の機械学習モデルを前記記憶部から読み込み、
前記演算部が、前記特定特徴量と、前記２種以上の機械学習モデルとに基づいて、前記特定工程群を、前記機械学習モデルの種類別に推定する
ことを特徴とする製造工程の解析方法。
続きを表示（約 2,400 文字）【請求項２】
請求項１に記載された製造工程の解析方法において、
前記複数の工程群のうち、前記進行順の末尾に行われる一の工程群を第１工程群とし、該第１工程群よりも前に行われる他の工程群を第２工程群とすると、
前記２種以上の機械学習モデルは、それぞれ、
前記複数の特徴量と、前記第１工程群を構成する１つ以上の製造工程とを関連付けるとともに、該第１工程群を構成する各製造工程と、前記第２工程群を構成する１つ以上の製造工程とを関連付けるように事前に生成された機械学習モデルであって、
前記演算部が、前記特定特徴量と、前記２種以上の機械学習モデルとに基づいて、前記特定工程群を、前記機械学習モデルの種類別に推定する
ことを特徴とする製造工程の解析方法。
【請求項３】
請求項２に記載された製造工程の解析方法において、
前記２種以上の機械学習モデルは、
決定木系のアルゴリズムに基づいた第１の機械学習モデルと、
非決定木系のアルゴリズムに基づいた第２の機械学習モデルと、を含む
ことを特徴とする製造工程の解析方法。
【請求項４】
請求項３に記載された製造工程の解析方法において、
前記演算部は、前記第１の機械学習モデルにおける、前記複数の特徴量の各々に対応しかつ前記第１工程群に含まれる各製造工程の重要度と、前記第１工程群の各製造工程に関連付いた前記第２工程群に含まれる各製造工程の重要度と、をそれぞれ算出し、各重要度に基づいて、工程群毎に前記１つ以上の製造工程を決定することで、前記特定工程群を推定する
ことを特徴とする製造工程の解析方法。
【請求項５】
請求項３に記載された製造工程の解析方法において、
前記第１の機械学習モデルとは、
複数の説明変数と、複数の目的変数の一とによって構成される部分モデルをランダムフォレストで生成する処理を、前記複数の目的変数の全てについて実施することで、複数の部分モデルによって構成される決定木モデルと、
前記複数の説明変数に連なる別の変数を新たな説明変数とし、かつ前記複数の説明変数をそれぞれ新たな目的変数としたときに、前記複数の部分モデルを新たに生成することによって構成される別の決定木モデルと、を連鎖的に生成することで構築されるモデルである
ことを特徴とする製造工程の解析方法。
【請求項６】
請求項３に記載された製造工程の解析方法において、
前記第２の機械学習モデルは、前記複数の特徴量の各々を子ノードとし、前記第２工程群を構成する１つ以上の製造工程を親ノードとし、前記第１工程群を構成する１つ以上の製造工程を、前記子ノードと前記親ノードとの間に介在する中間ノードとしたベイジアンネットワークであり、
前記演算部は、前記ベイジアンネットワークを有向グラフ構造として可視化したときに、前記特定特徴量に対応した子ノードに対して１つ又は複数のエッジを介して結ばれる前記中間ノードに対応した製造工程と、該中間ノードに対して１つ又は複数のエッジを介して結ばれる前記親ノードに対応した製造工程とを、それぞれ、前記特定工程群に含める
ことを特徴とする製造工程の解析方法。
【請求項７】
請求項２に記載された製造工程の解析方法において、
前記演算部は、前記第１の機械学習モデルによる決定結果と、前記第２の機械学習モデルによる決定結果とが相違する場合、
前記第１及び第２の機械学習モデルそれぞれの推定結果と、
前記第１及び第２の機械学習モデルのそれぞれの生成に際して用いられたサンプル数と、をそれぞれ通知する
ことを特徴とする製造工程の解析方法。
【請求項８】
請求項２に記載された製造工程の解析方法において、
前記品質の判定結果は、該品質の良否に応じて増減する品質データとして定量化され、
前記第１及び第２の工程群を構成する製造工程は、それぞれ、各製造工程の内容を特徴づけるように数値化され、
前記記憶部は、
前記複数の特徴量のそれぞれと、前記品質データとの間の相関関係を示す第１の相関関係と、
前記第１工程群における各製造工程と、前記複数の特徴量のそれぞれとの間の相関関係を示す第２の相関関係と、
前記第２工程群における各製造工程と、前記第１工程群における各製造工程との間の相関関係を示す第３の相関関係と、を事前に記憶し、
前記演算部は、前記特定工程群の決定後、前記第１、第２及び第３の相関関係に基づいて、
前記特定工程群の内訳と、
前記品質を向上させるための、前記特定工程群の制御態様と、を通知する
ことを特徴とする製造工程の解析方法。
【請求項９】
請求項８に記載された製造工程の解析方法において、
前記演算部は、該演算部の演算結果を表示可能な表示部に、
工程群毎に決定された前記特定工程の内訳と、
前記品質を向上させるための、前記特定工程の改善手法と、を前記品質の良否に寄与するものから順に表示する
ことを特徴とする製造工程の解析方法。
【請求項１０】
請求項１に記載された製造工程の解析方法において、
前記演算部は、前記品質の判定結果として、工員による判定結果、又は、前記複数の特徴量を入力とした、ルールベース判定による判定結果若しくは事前生成された機械学習モデルからの出力を読み込む
ことを特徴とする製造工程の解析方法。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本開示は、製造工程の解析方法、解析装置、解析プログラム及び該解析プログラムを記憶しているコンピュータ読取可能な記憶媒体に関する。
続きを表示（約 1,300 文字）【背景技術】
【０００２】
例えば特許文献１には、特性制御加工条件を付与するための特性調整工程と、その特定調整工程の後、少なくとも１つの別工程を経て至る特性検査工程と、を備える製品の製造プロセスが開示されている。ここで、特性調整工程は、多数の工程の途中に設けられている。
【０００３】
前記特許文献１の記載によると、前記特性調整工程では、事前生成された学習モデルを用いることで、その特性調整工程よりも前の工程で得られた中間特性から、最適な特性制御加工条件が検索される。
【０００４】
また、前記特許文献１に記載の学習モデルは、中間特性と特性制御加工条件を入力とし、特性検査工程で得られる製品特性を出力としている。そうした学習モデルを用いることで、その都度得られる中間特性から、所望の製品特性を得るための特性制御加工条件を、自動的に且つ適切に検索することができる。
【０００５】
一方、特許文献２には、複数の製品データについて、第１判別ステップと、分類分けステップと、を実行することが開示されている。第１判別ステップとは、教師データ有りの第１学習モデルに基づいて、良品と不良品との判別を実行する処理である。分類分けステップとは、教師データ無しのクラスター分析に基づいて、不良品と判別された製品データについて、その不良の種別をグループ分けする処理である。
【０００６】
さらに、前記特許文献２には、前記分類分けステップの後に、第２判別ステップを行うことが開示されている。第２判別ステップとは、第２学習モデルに基づいて、複数の製品データについて、良品と不良品との判別、及び、各不良品における不良の種別の判別を行う処理である。
【０００７】
ここで、前記第２学習モデルは、第１判別ステップによって判別された良品データと、分類分けステップによって不良の種別毎にグループ分けされた不良品データと、を教師データとして機械学習を行うことで生成される。
【０００８】
前記特許文献２によると、第１学習モデルによる分類と、クラスター分析とを続けて行うことで、良品と不良品との判別の他に、各不良品における不良の種別の判別が可能となる。さらに、第１学習モデル及びクラスター分析による分類結果を教師データとした第２学習モデルを生成することで、２種類の判別を、その第２学習モデルを用いて行うことが可能になる。
【先行技術文献】
【特許文献】
【０００９】
特開２００２－２８７８０３号公報
特開２０１９－２０４２３２号公報
【発明の概要】
【発明が解決しようとする課題】
【００１０】
ところで、前記特許文献１に記載された手法は、特定の特性調整工程が想定されたケースにしか用いることはできない。より一般的なケースを想定した場合、特定の特性調整工程における特性制御加工条件を変更するだけでは、所望の製品特性が実現されない可能性がある。
（【００１１】以降は省略されています）

関連特許