CN113711149B - 已学习模型的生成方法、维护显示装置及存储介质 - Google Patents
已学习模型的生成方法、维护显示装置及存储介质 Download PDFInfo
- Publication number
- CN113711149B CN113711149B CN202080030074.3A CN202080030074A CN113711149B CN 113711149 B CN113711149 B CN 113711149B CN 202080030074 A CN202080030074 A CN 202080030074A CN 113711149 B CN113711149 B CN 113711149B
- Authority
- CN
- China
- Prior art keywords
- data
- maintenance
- electrode sheet
- learned model
- roll
- Prior art date
- Legal status (The legal status 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 status listed.)
- Active
Links
- 238000012423 maintenance Methods 0.000 title claims abstract description 828
- 238000000034 method Methods 0.000 title claims abstract description 198
- 238000003860 storage Methods 0.000 title claims description 35
- 238000010030 laminating Methods 0.000 claims abstract description 104
- 230000002950 deficient Effects 0.000 claims abstract description 87
- 238000004519 manufacturing process Methods 0.000 claims description 241
- 238000004804 winding Methods 0.000 claims description 67
- 230000007547 defect Effects 0.000 claims description 29
- 238000003475 lamination Methods 0.000 claims description 24
- 238000003745 diagnosis Methods 0.000 abstract description 72
- 238000007689 inspection Methods 0.000 abstract description 41
- 230000008569 process Effects 0.000 description 138
- 230000000694 effects Effects 0.000 description 106
- 238000012545 processing Methods 0.000 description 74
- 230000005856 abnormality Effects 0.000 description 53
- 238000010586 diagram Methods 0.000 description 38
- 230000004048 modification Effects 0.000 description 9
- 238000012986 modification Methods 0.000 description 9
- 239000002243 precursor Substances 0.000 description 9
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 4
- 239000000284 extract Substances 0.000 description 4
- 229910001416 lithium ion Inorganic materials 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 230000004044 response Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012014 optical coherence tomography Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000007773 negative electrode material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000007774 positive electrode material Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
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
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
-
- 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]
- G05B19/4183—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] characterised by data acquisition, e.g. workpiece identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/04—Construction or manufacture in general
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/05—Accumulators with non-aqueous electrolyte
- H01M10/058—Construction or manufacture
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P70/00—Climate change mitigation technologies in the production process for final industrial or consumer products
- Y02P70/50—Manufacturing or production processes characterised by the final manufactured product
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Chemical & Material Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Quality & Reliability (AREA)
- Secondary Cells (AREA)
- General Factory Administration (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明的已学习模型的生成方法是如下方法,其从检查机(207)取得表示第一片材(202)的第一端面的位置的第一数据、和表示第二片材(203)的第二端面的位置的第二数据,在判断为第一数据表示的第一端面的位置的序列与第二数据表示的第二端面的位置的序列交叉的情况下,将表示卷绕体(204)不良且不良的原因在于第一供应卷筒或第一贴合辊的信息输出至显示部(132),以用于维护,使用判断为对第一供应卷筒进行维护前的卷绕体的第一不良率与对第一供应卷筒进行维护后的卷绕体的第二不良率之间的第一差值为规定值以上的情况下的对第一供应卷筒进行维护之前所读取的第一数据及第二数据,生成设备状态诊断模型(M)。
Description
技术领域
本公开涉及用于显示与生产设备的维护相关的信息的已学习模型的生成方法、维护显示装置及程序。
背景技术
对于一个设备,一般而言,会为了预防劣化或故障等并维持正常运转而设置维护***。专利文献1中公开了如下维护***,其监视变电站中的排水泵故障或配电盘接地故障等异常的产生,在产生了异常的情况下,对设备相关人员进行告知,并存储与由受到告知的设备相关人员进行的针对异常的保养维护工作相关的信息。
现有技术文献
专利文献
专利文献1:日本特开2017-167708号公报
发明内容
发明要解决的问题
在专利文献1所公开的技术中,在设备产生异常后,对设备相关人员进行告知。因此,由设备相关人员实施的维护是在产生异常之后实施的。在产生异常之后进行维护的情况下,需要使设备停止运转,因此,希望在产生异常之前、在判断为需要进行维护的时间点,进行告知。因此,期望对设备所产生的异常预兆进行检测。
本公开的目的在于提供用于检测异常预兆的已学习模型的生成方法、维护显示装置及程序。
解决问题的方案
本公开的已学习模型的生成方法是用于生产装置的维护的已学习模型的生成方法,所述生产装置包括:第一供应卷筒,供应第一电极片;第二供应卷筒,供应第二电极片;第一贴合辊,设置在所述第一电极片侧;第二贴合辊,设置在所述第二电极片侧,并与所述第一贴合辊成对而进行所述第一电极片与所述第二电极片的贴合;卷芯,经过了所述贴合的所述第一电极片及所述第二电极片卷绕于该卷芯;以及传感器,沿着卷绕于所述卷芯的所述第一电极片及所述第二电极片的卷绕体的半径方向,读取所述第一电极片的第一端面及所述第二电极片的第二端面,所述已学习模型的生成方法包括以下步骤:从所述传感器取得表示沿着所述半径方向所读取的所述第一端面的位置的第一数据、和表示沿着所述半径方向所读取的所述第二端面的位置的第二数据;在基于所述第一数据及所述第二数据,判断为所述第一数据表示的所述第一端面的位置的序列与所述第二数据表示的所述第二端面的位置的序列交叉的情况下,将表示所述卷绕体不良且所述不良的原因在于所述第一供应卷筒或所述第一贴合辊的信息输出至显示装置,以用于维护;以及在基于对所述第一供应卷筒进行维护之前和进行维护之后的所述第一数据及所述第二数据,判断为对所述第一供应卷筒进行维护前的所述卷绕体的第一不良率与对所述第一供应卷筒进行维护后的所述卷绕体的第二不良率之间的第一差值小于规定值的情况下,不使用对所述第一供应卷筒进行维护之前所读取的所述第一数据及所述第二数据来生成所述已学习模型,另一方面,在判断为所述第一差值为所述规定值以上的情况下,使用对所述第一供应卷筒进行维护之前所读取的所述第一数据及所述第二数据来生成所述已学习模型。
本公开的已学习模型的生成方法是用于生产装置的维护的已学习模型的生成方法,所述生产装置包括:第一供应卷筒,供应第一电极片;第二供应卷筒,供应第二电极片;第一贴合辊,设置在所述第一电极片侧;第二贴合辊,设置在所述第二电极片侧,并与所述第一贴合辊成对而进行所述第一电极片与所述第二电极片的贴合;卷芯,经过了所述贴合的所述第一电极片及所述第二电极片卷绕于该卷芯;以及传感器,沿着卷绕于所述卷芯的所述第一电极片及所述第二电极片的卷绕体的半径方向,读取所述第一电极片的第一端面及所述第二电极片的第二端面,所述已学习模型的生成方法包括以下步骤:从所述传感器取得表示沿着所述半径方向所读取的所述第一端面的位置的第一数据、和表示沿着所述半径方向所读取的所述第二端面的位置的第二数据;在基于所述第一数据及所述第二数据,判断为所述第一数据表示的所述第一端面的位置的序列与所述第二数据表示的所述第二端面的位置的序列交叉的情况下,将表示所述卷绕体不良且所述不良的原因在于所述第一供应卷筒或所述第一贴合辊的信息输出至显示装置,以用于维护;以及在基于对所述第一供应卷筒进行维护之前和进行维护之后的所述第一数据及所述第二数据,判断为对所述第一供应卷筒进行维护后的所述卷绕体的第五不良率为规定值以上的情况下,不使用对所述第一供应卷筒进行维护之前所读取的所述第一数据及所述第二数据来生成所述已学习模型,另一方面,在判断为所述第五不良率小于所述规定值的情况下,使用对所述第一供应卷筒进行维护之前所读取的所述第一数据及所述第二数据来生成所述已学习模型。
本公开的已学习模型的生成方法是用于生产装置的维护的已学习模型的生成方法,所述生产装置包括:第一供应卷筒,供应第一电极片;第二供应卷筒,供应第二电极片;第一贴合辊,设置在所述第一电极片侧;第二贴合辊,设置在所述第二电极片侧,并与所述第一贴合辊成对而进行所述第一电极片与所述第二电极片的贴合;卷芯,经过了所述贴合的所述第一电极片及所述第二电极片卷绕于该卷芯;以及传感器,沿着卷绕于所述卷芯的所述第一电极片及所述第二电极片的卷绕体的半径方向,读取所述第一电极片的第一端面及所述第二电极片的第二端面,所述已学习模型的生成方法包括以下步骤:从所述传感器取得表示沿着所述半径方向所读取的所述第一端面的位置的第一数据、和表示沿着所述半径方向所读取的所述第二端面的位置的第二数据;在基于所述第一数据及所述第二数据,判断为所述第一数据表示的所述第一端面的位置的序列与所述第二数据表示的所述第二端面的位置的序列交叉的情况下,生成用于判断所述卷绕体的不良原因是否在于所述第一供应卷筒或所述第一贴合辊的已学习模型;基于使用了所述已学习模型而进行的判断,将表示所述不良原因在于所述第一供应卷筒或所述第一贴合辊的信息输出至显示装置,以用于维护;以及在判断为第一概率与第二概率之间的第一差值小于规定值的情况下,不使用对所述第一供应卷筒进行维护之前所读取的所述第一数据及所述第二数据来更新所述已学习模型,另一方面,在判断为所述第一差值为所述规定值以上的情况下,使用对所述第一供应卷筒进行维护前的所述第一数据及所述第二数据来更新所述已学习模型,所述第一概率是将对所述第一供应卷筒进行维护前的所述第一数据及所述第二数据输入所述已学习模型而获得的、所述卷绕体的不良得到改善的概率,所述第二概率是将对所述第一供应卷筒进行维护后的所述第一数据及所述第二数据输入所述已学习模型而获得的、所述卷绕体的不良得到改善的概率。
本公开的已学习模型的生成方法是用于生产装置的维护的已学习模型的生成方法,所述生产装置包括:第一供应卷筒,供应第一电极片;第二供应卷筒,供应第二电极片;第一贴合辊,设置在所述第一电极片侧;第二贴合辊,设置在所述第二电极片侧,并与所述第一贴合辊成对而进行所述第一电极片与所述第二电极片的贴合;卷芯,经过了所述贴合的所述第一电极片及所述第二电极片卷绕于该卷芯;以及传感器,沿着卷绕于所述卷芯的所述第一电极片及所述第二电极片的卷绕体的半径方向,读取所述第一电极片的第一端面及所述第二电极片的第二端面,所述已学习模型的生成方法包括以下步骤:从所述传感器取得表示沿着所述半径方向所读取的所述第一端面的位置的第一数据、和表示沿着所述半径方向所读取的所述第二端面的位置的第二数据;在基于所述第一数据及所述第二数据,判断为所述第一数据表示的所述第一端面的位置的序列与所述第二数据表示的所述第二端面的位置的序列交叉的情况下,生成用于判断所述卷绕体的不良原因是否在于所述第一供应卷筒或所述第一贴合辊的已学习模型;基于使用了所述已学习模型而进行的判断,将表示所述不良原因在于所述第一供应卷筒或所述第一贴合辊的信息输出至显示装置,以用于维护;以及
在判断为第五概率为规定值以上的情况下,不使用对所述第一供应卷筒进行维护之前所读取的所述第一数据及所述第二数据来更新所述已学习模型,另一方面,在判断为所述第五概率小于所述规定值的情况下,使用对所述第一供应卷筒进行维护前的所述第一数据及所述第二数据来更新所述已学习模型,所述第五概率是将对所述第一供应卷筒进行维护后的所述第一数据及所述第二数据输入所述已学习模型而获得的、所述卷绕体的不良得到改善的概率。
本公开的维护显示装置是显示与生产装置的维护相关的信息的维护显示装置,所述生产装置包括:第一供应卷筒,供应第一电极片;第二供应卷筒,供应第二电极片;第一贴合辊,设置在所述第一电极片侧;第二贴合辊,设置在所述第二电极片侧,并与所述第一贴合辊成对而进行所述第一电极片与所述第二电极片的贴合;卷芯,经过了所述贴合的所述第一电极片及所述第二电极片卷绕于该卷芯;以及传感器,沿着卷绕于所述卷芯的所述第一电极片及所述第二电极片的卷绕体的半径方向,读取所述第一电极片的第一端面及所述第二电极片的第二端面,所述维护显示装置包括:告知判定部,从所述传感器取得表示沿着所述半径方向所读取的所述第一端面的位置的第一数据、和表示沿着所述半径方向所读取的所述第二端面的位置的第二数据,并且,基于所述第一数据及所述第二数据,根据所述第一数据表示的所述第一端面的位置的序列是否与所述第二数据表示的所述第二端面的位置的序列交叉,判定所述卷绕体是否不良,并在所述卷绕体不良的情况下,将表示所述不良的原因在于所述第一供应卷筒或所述第一贴合辊的信息输出至显示装置,以用于维护;以及模型生成部,对于基于对所述第一供应卷筒进行维护之前和进行维护之后的所述第一数据及所述第二数据而判断为所述第一供应卷筒受到维护前的所述卷绕体的第一不良率与所述第一供应卷筒受到维护后的所述卷绕体的第二不良率之间的第一差值小于规定值的情况,不使用该情况下的所述第一供应卷筒受到维护前所读取的所述第一数据及所述第二数据来生成已学习模型,另一方面,使用判断为所述第一差值为所述规定值以上的情况下的所述第一供应卷筒受到维护前所读取的所述第一数据及所述第二数据来生成已学习模型。
本公开的维护显示装置是显示与生产装置的维护相关的信息的维护显示装置,所述生产装置包括:第一供应卷筒,供应第一电极片;第二供应卷筒,供应第二电极片;第一贴合辊,设置在所述第一电极片侧;第二贴合辊,设置在所述第二电极片侧,并与所述第一贴合辊成对而进行所述第一电极片与所述第二电极片的贴合;卷芯,经过了所述贴合的所述第一电极片及所述第二电极片卷绕于该卷芯;以及传感器,沿着卷绕于所述卷芯的所述第一电极片及所述第二电极片的卷绕体的半径方向,读取所述第一电极片的第一端面及所述第二电极片的第二端面,所述维护显示装置包括:告知判定部,从所述传感器取得表示沿着所述半径方向所读取的所述第一端面的位置的第一数据、和表示沿着所述半径方向所读取的所述第二端面的位置的第二数据,并且,基于所述第一数据及所述第二数据,根据所述第一数据表示的所述第一端面的位置的序列是否与所述第二数据表示的所述第二端面的位置的序列交叉,判定所述卷绕体是否不良,并在所述卷绕体不良的情况下,将表示所述不良的原因在于所述第一供应卷筒或所述第一贴合辊的信息输出至显示装置,以用于维护;以及模型生成部,对于基于所述第一供应卷筒受到维护后的所述第一数据及所述第二数据而判断为所述第一供应卷筒受到维护后的所述卷绕体的第五不良率为规定值以上的情况,不使用该情况下的所述第一供应卷筒受到维护前所读取的所述第一数据及所述第二数据来生成已学习模型,另一方面,使用判断为所述第五不良率小于所述规定值的情况下的所述第一供应卷筒受到维护前所读取的所述第一数据及所述第二数据来生成已学习模型。
本公开的维护显示装置是显示与生产装置的维护相关的信息的维护显示装置,所述生产装置包括:第一供应卷筒,供应第一电极片;第二供应卷筒,供应第二电极片;第一贴合辊,设置在所述第一电极片侧;第二贴合辊,设置在所述第二电极片侧,并与所述第一贴合辊成对而进行所述第一电极片与所述第二电极片的贴合;卷芯,经过了所述贴合的所述第一电极片及所述第二电极片卷绕于该卷芯;以及传感器,沿着卷绕于所述卷芯的所述第一电极片及所述第二电极片的卷绕体的半径方向,读取所述第一电极片的第一端面及所述第二电极片的第二端面,所述维护显示装置包括:模型生成部,从所述传感器取得表示沿着所述半径方向所读取的所述第一端面的位置的第一数据、和表示沿着所述半径方向所读取的所述第二端面的位置的第二数据,并且,基于所述第一数据及所述第二数据,根据所述第一数据表示的所述第一端面的位置的序列是否与所述第二数据表示的所述第二端面的位置的序列交叉,判定所述卷绕体是否不良,并在所述卷绕体不良的情况下,生成用于判断不良原因是否在于所述第一供应卷筒或所述第一贴合辊的已学习模型;以及告知判定部,使用所述已学习模型来确定所述不良原因在于所述第一供应卷筒或所述第一贴合辊,并将包含确定结果的信息输出至显示装置,以用于维护,所述模型生成部在判断为第一概率与第二概率之间的第一差值小于规定值的情况下,不使用所述第一供应卷筒受到维护前所读取的所述第一数据及所述第二数据来更新所述已学习模型,另一方面,在判断为所述第一差值为所述规定值以上的情况下,使用所述第一供应卷筒受到维护前的所述第一数据及所述第二数据来更新所述已学习模型,所述第一概率是将所述第一供应卷筒受到维护前的所述第一数据及所述第二数据输入所述已学习模型而获得的、所述卷绕体的不良得到改善的概率,所述第二概率是将所述第一供应卷筒受到维护后的所述第一数据及所述第二数据输入所述已学习模型而获得的、所述卷绕体的不良得到改善的概率。
本公开的维护显示装置是显示与生产装置的维护相关的信息的维护显示装置,所述生产装置包括:第一供应卷筒,供应第一电极片;第二供应卷筒,供应第二电极片;第一贴合辊,设置在所述第一电极片侧;第二贴合辊,设置在所述第二电极片侧,并与所述第一贴合辊成对而进行所述第一电极片与所述第二电极片的贴合;卷芯,经过了所述贴合的所述第一电极片及所述第二电极片卷绕于该卷芯;以及传感器,沿着卷绕于所述卷芯的所述第一电极片及所述第二电极片的卷绕体的半径方向,读取所述第一电极片的第一端面及所述第二电极片的第二端面,所述维护显示装置包括:模型生成部,从所述传感器取得表示沿着所述半径方向所读取的所述第一端面的位置的第一数据、和表示沿着所述半径方向所读取的所述第二端面的位置的第二数据,并且,基于所述第一数据及所述第二数据,根据所述第一数据表示的所述第一端面的位置的序列是否与所述第二数据表示的所述第二端面的位置的序列交叉,判定所述卷绕体是否不良,并在所述卷绕体不良的情况下,生成用于判断不良原因是否在于所述第一供应卷筒或所述第一贴合辊的已学习模型;以及告知判定部,使用所述已学习模型来确定所述不良原因在于所述第一供应卷筒或所述第一贴合辊,并将包含确定结果的信息输出至显示装置,以用于维护,所述模型生成部在判断为第五概率为规定值以上的情况下,不使用对所述第一供应卷筒进行维护之前所读取的所述第一数据及所述第二数据来更新所述已学习模型,另一方面,在判断为所述第五概率小于所述规定值的情况下,使用对所述第一供应卷筒进行维护前的所述第一数据及所述第二数据来更新所述已学习模型,所述第五概率是将对所述第一供应卷筒进行维护后的所述第一数据及所述第二数据输入所述已学习模型而获得的所述卷绕体的不良得到改善的概率。
本公开的程序是由生成已学习模型的电脑执行的程序,所述已学习模型是用于生产装置的维护的已学习模型,所述生产装置包括:第一供应卷筒,供应第一电极片;第二供应卷筒,供应第二电极片;第一贴合辊,设置在所述第一电极片侧;第二贴合辊,设置在所述第二电极片侧,并与所述第一贴合辊成对而进行所述第一电极片与所述第二电极片的贴合;卷芯,经过了所述贴合的所述第一电极片及所述第二电极片卷绕于该卷芯;以及传感器,沿着卷绕于所述卷芯的所述第一电极片及所述第二电极片的卷绕体的半径方向,读取所述第一电极片的第一端面及所述第二电极片的第二端面,所述程序使所述电脑执行以下步骤:从所述传感器取得表示沿着所述半径方向所读取的所述第一端面的位置的第一数据、和表示沿着所述半径方向所读取的所述第二端面的位置的第二数据;在基于所述第一数据及所述第二数据,判断为所述第一数据表示的所述第一端面的位置的序列与所述第二数据表示的所述第二端面的位置的序列交叉的情况下,将表示所述卷绕体不良且所述不良的原因在于所述第一供应卷筒或所述第一贴合辊的信息输出至显示装置,以用于维护;以及在基于对所述第一供应卷筒进行维护之前和进行维护之后的所述第一数据及所述第二数据,判断为对所述第一供应卷筒进行维护前的所述卷绕体的第一不良率与对所述第一供应卷筒进行维护后的所述卷绕体的第二不良率之间的第一差值小于规定值的情况下,不使用对所述第一供应卷筒进行维护之前所读取的所述第一数据及所述第二数据来生成所述已学习模型,另一方面,在判断为所述第一差值为所述规定值以上的情况下,使用对所述第一供应卷筒进行维护之前所读取的所述第一数据及所述第二数据来生成所述已学习模型。
本公开的程序是由生成已学习模型的电脑执行的程序,所述已学习模型是用于生产装置的维护的已学习模型,所述生产装置包括:第一供应卷筒,供应第一电极片;第二供应卷筒,供应第二电极片;第一贴合辊,设置在所述第一电极片侧;第二贴合辊,设置在所述第二电极片侧,并与所述第一贴合辊成对而进行所述第一电极片与所述第二电极片的贴合;卷芯,经过了所述贴合的所述第一电极片及所述第二电极片卷绕于该卷芯;以及传感器,沿着卷绕于所述卷芯的所述第一电极片及所述第二电极片的卷绕体的半径方向,读取所述第一电极片的第一端面及所述第二电极片的第二端面,所述程序使所述电脑执行以下步骤:从所述传感器取得表示沿着所述半径方向所读取的所述第一端面的位置的第一数据、和表示沿着所述半径方向所读取的所述第二端面的位置的第二数据;在基于所述第一数据及所述第二数据,判断为所述第一数据表示的所述第一端面的位置的序列与所述第二数据表示的所述第二端面的位置的序列交叉的情况下,将表示所述卷绕体不良且所述不良的原因在于所述第一供应卷筒或所述第一贴合辊的信息输出至显示装置,以用于维护;以及在基于对所述第一供应卷筒进行维护之前和进行维护之后的所述第一数据及所述第二数据,判断为对所述第一供应卷筒进行维护后的所述卷绕体的第五不良率为规定值以上的情况下,不使用对所述第一供应卷筒进行维护之前所读取的所述第一数据及所述第二数据来生成所述已学习模型,另一方面,在判断为所述第五不良率小于所述规定值的情况下,使用对所述第一供应卷筒进行维护之前所读取的所述第一数据及所述第二数据来生成所述已学习模型。
本公开的程序是由生成已学习模型的电脑执行的程序,所述已学习模型是用于生产装置的维护的已学习模型,所述生产装置包括:第一供应卷筒,供应第一电极片;第二供应卷筒,供应第二电极片;第一贴合辊,设置在所述第一电极片侧;第二贴合辊,设置在所述第二电极片侧,并与所述第一贴合辊成对而进行所述第一电极片与所述第二电极片的贴合;卷芯,经过了所述贴合的所述第一电极片及所述第二电极片卷绕于该卷芯;以及传感器,沿着卷绕于所述卷芯的所述第一电极片及所述第二电极片的卷绕体的半径方向,读取所述第一电极片的第一端面及所述第二电极片的第二端面,所述程序使所述电脑执行以下步骤:从所述传感器取得表示沿着所述半径方向所读取的所述第一端面的位置的第一数据、和表示沿着所述半径方向所读取的所述第二端面的位置的第二数据;在基于所述第一数据及所述第二数据,判断为所述第一数据表示的所述第一端面的位置的序列与所述第二数据表示的所述第二端面的位置的序列交叉的情况下,生成用于判断所述卷绕体的不良原因是否在于所述第一供应卷筒或所述第一贴合辊的已学习模型;基于使用了所述已学习模型而进行的判断,将表示所述不良原因在于所述第一供应卷筒或所述第一贴合辊的信息输出至显示装置,以用于维护;以及在判断为第一概率与第二概率之间的第一差值小于规定值的情况下,不使用对所述第一供应卷筒进行维护之前所读取的所述第一数据及所述第二数据来更新所述已学习模型,另一方面,在判断为所述第一差值为所述规定值以上的情况下,使用对所述第一供应卷筒进行维护前的所述第一数据及所述第二数据来更新所述已学习模型,所述第一概率是将对所述第一供应卷筒进行维护前的所述第一数据及所述第二数据输入所述已学习模型而获得的、所述卷绕体的不良得到改善的概率,所述第二概率是将对所述第一供应卷筒进行维护后的所述第一数据及所述第二数据输入所述已学习模型而获得的、所述卷绕体的不良得到改善的概率。
本公开的程序是由生成已学习模型的电脑执行的程序,所述已学习模型是用于生产装置的维护的已学习模型,所述生产装置包括:第一供应卷筒,供应第一电极片;第二供应卷筒,供应第二电极片;第一贴合辊,设置在所述第一电极片侧;第二贴合辊,设置在所述第二电极片侧,并与所述第一贴合辊成对而进行所述第一电极片与所述第二电极片的贴合;卷芯,经过了所述贴合的所述第一电极片及所述第二电极片卷绕于该卷芯;以及传感器,沿着卷绕于所述卷芯的所述第一电极片及所述第二电极片的卷绕体的半径方向,读取所述第一电极片的第一端面及所述第二电极片的第二端面,所述程序使所述电脑执行以下步骤:从所述传感器取得表示沿着所述半径方向所读取的所述第一端面的位置的第一数据、和表示沿着所述半径方向所读取的所述第二端面的位置的第二数据;在基于所述第一数据及所述第二数据,判断为所述第一数据表示的所述第一端面的位置的序列与所述第二数据表示的所述第二端面的位置的序列交叉的情况下,生成用于判断所述卷绕体的不良原因是否在于所述第一供应卷筒或所述第一贴合辊的已学习模型;基于使用了所述已学习模型而进行的判断,将表示所述不良原因在于所述第一供应卷筒或所述第一贴合辊的信息输出至显示装置,以用于维护;以及在判断为第五概率为规定值以上的情况下,不使用对所述第一供应卷筒进行维护之前所读取的所述第一数据及所述第二数据来更新所述已学习模型,另一方面,在判断为所述第五概率小于所述规定值的情况下,使用对所述第一供应卷筒进行维护前的所述第一数据及所述第二数据来更新所述已学习模型,所述第五概率是将对所述第一供应卷筒进行维护后的所述第一数据及所述第二数据输入所述已学习模型而获得的所述卷绕体的不良得到改善的概率。
发明效果
根据本公开,能够在设备中检测异常预兆。
附图说明
图1是包含维护显示装置和应用维护显示装置的生产装置的网络图。
图2是用于说明维护显示装置的整体处理工序的流程图。
图3A是例示了生产装置中的生产卷绕体的卷绕部的结构的图。
图3B是例示了卷绕部所生产的卷绕体的立体图。
图4A是例示了检查机对卷绕体进行检查的情况的模式图。
图4B是例示了沿着卷绕体的半径方向的剖面形状的模式图。
图4C是例示了检查机对图4B所示的卷绕体的剖面进行扫描而生成的图像的图。
图5是示出了卷绕体的剖面形状与形状数据之间的对应关系的模式图。
图6是例示了第一实施方式的维护显示装置的功能结构的方框图。
图7A是例示了生产业绩数据的图。
图7B是例示了生产业绩数据的图。
图8是例示了维护业绩数据的图。
图9是概略性地说明维护显示装置中的处理的整体流程的序列图。
图10是概略性地说明维护显示装置中的处理的整体流程的序列图。
图11是用于说明学习处理中的由维护效果判定部执行的处理的流程图。
图12A是用于说明学习处理中的对维护作业的效果进行判定的情况的概念图。
图12B是用于说明学习处理中的对维护作业的效果进行判定的情况的概念图。
图13是用于说明学习处理中的由设备状态诊断模型生成部执行的处理的流程图。
图14是用于说明识别处理中的由设备状态诊断部执行的处理的流程图。
图15是用于说明识别处理中的由告知判定部执行的处理的流程图。
图16是表示维护计划列表的具体例子的图。
图17是用于说明更新处理中的由维护效果判定部执行的处理的流程图。
图18A是用于说明更新处理中的对维护作业的效果进行判定的情况的概念图。
图18B是用于说明更新处理中的对维护作业的效果进行判定的情况的概念图。
图19是用于说明更新处理中的由设备状态诊断模型生成部执行的处理的流程图。
图20是例示了第二实施方式的维护显示装置的结构的图。
图21是用于说明第二实施方式中的由维护效果判定部执行的处理的流程图。
图22是例示了第三实施方式的维护显示装置的结构的图。
图23是用于说明第三实施方式中的由设备状态诊断模型生成部进行的处理的流程图。
图24是用于说明第三实施方式中的由告知判定部进行的处理的流程图。
图25A是用于说明学习处理中的由维护效果判定部判定维护作业是否有效果的判定方法的变形例的图。
图25B是用于说明学习处理中的由维护效果判定部判定维护作业是否有效果的判定方法的变形例的图。
图26A是用于说明更新处理中的由维护效果判定部判定维护作业是否有效果的判定方法的变形例的图。
图26B是用于说明更新处理中的由维护效果判定部判定维护作业是否有效果的判定方法的变形例的图。
具体实施方式
以下,参照附图来详细地说明本公开的各实施方式。但是,有时会省略过于详细的说明,例如已广为人知的事项的详细说明或对于实质上相同的结构的重复说明等。
此外,提供以下的说明及所参照的附图的目的在于使本领域技术人员理解本公开,并不用于对本公开的权利要求书进行限定。
(第一实施方式)
<维护显示装置100及生产装置200>
图1是包含本发明第一实施方式的维护显示装置100和应用维护显示装置100的生产装置200的网络图。本实施方式中说明的维护显示装置100是进行用于生产锂离子二次电池的生产装置200的维护显示的装置。在图1所示的例子中,维护显示装置100是针对一个生产装置200而使用的维护显示装置,但本发明并不限定于此,也可以是一个维护显示装置针对多个生产装置而使用。另外,在本实施方式中,将维护显示装置100作为装置而进行说明,但本发明并不限定于此,维护显示装置100也可以是各个结构经由网络而连接的维护显示***。
维护显示装置100包括具有存储部110及控制部120的服务器10、以及告知部130。服务器10经由网络NT,可通信地与生产装置200连接。网络NT是例如互联网等公共网络、或者例如公司内LAN(Local Area Network,局域网)等本地网络。
服务器10例如是通用电脑,且如图1所示,具有存储部110及控制部120。
存储部110例如包含ROM(Read Only Memory,只读存储器)或RAM(Random AccessMemory,随机存取存储器)等主存储装置(未图示)、和/或例如HDD(Hard Disk Drive,硬盘驱动器)、SSD(Solid State Drive,固态驱动器)、闪存等辅助存储装置(未图示)。
控制部120例如是CPU(Central Processing Unit,中央处理器)等硬件处理器(未图示),其通过展开并执行存储部110所存储的程序,对整个维护显示装置100进行控制。
存储部110及控制部120也可不构成为一体的电脑。即,存储部110及控制部120只要以可彼此通信的方式构成,则也可彼此分开地构成,配置于隔开的位置。另外,维护显示装置100也可具有图1未图示的操作部,接受来自外部的操作输入。存储部110及控制部120的详情将在后文中叙述。
在图1所示的例子中,告知部130包含于生产装置200,且经由网络NT而与服务器10连接。告知部130基于控制部120的控制,对维护显示装置100的用户进行告知。此外,在本实施方式中,维护显示装置100的用户包含维护显示装置100的管理人、或使用生产装置200生产卷绕体(参照后述的图3B)的作业人员等。
如图1所示,告知部130具有警报部131及显示部132。警报部131例如是蜂鸣器或灯等通过声音或光等对用户发出警报的结构。显示部132例如是液晶显示器或有机EL(Electroluminescence,电致发光)显示器等显示设备,且是显示警告内容的结构。此外,告知部130除了包含警报部131及显示部132以外,还可包含例如对预先登记的用户的邮件地址发送包含警告内容的邮件的发送部等。
在本实施方式中,生产装置200是锂离子二次电池的生产装置。如图1所示,生产装置200具有卷绕部201及检查机207。卷绕部201的详情将在后文中叙述,其卷绕正极片及负极片而生产卷绕体。检查机207检查卷绕部201所生产的卷绕体。
此外,在图1所示的例子中,告知部130包含于生产装置200,但本发明并不限定于此,告知部130也可设置在生产装置200的外部。另外,在图1所示的例子中,告知部130经由网络NT而连接于服务器10,但本发明并不限定于此,服务器10与告知部130也可不经由网络NT而直接连接。
另外,在本实施方式中,说明生产装置200为锂离子二次电池的生产装置的情况,但本发明并不限定于此。本发明的维护显示装置也可应用于锂离子二次电池的生产装置以外的生产设备。而且,本发明的维护显示装置也可应用于生产设备以外的各种设备。
图2是用于说明维护显示装置100的整体处理工序的流程图。
在步骤S1中,控制部120令生产装置200的卷绕部201生产卷绕体。
在步骤S2中,控制部120令检查机207检查已生产的卷绕体。检查机207对于卷绕体的检查的详情将在后文中叙述。
在步骤S3中,控制部120将检查机207的检查结果存储于存储部110。并且,在步骤S4中,控制部120进行如下判定:经检查机207检查,结果是否是卷绕体为次品。在判定为并非次品的情况下(步骤S4:否(NO)),控制部120使处理前进至步骤S5,在判定为是次品的情况下(步骤S4:是(YES)),使处理前进至步骤S6。
在判定为并非次品的情况下,在步骤S5中,控制部120令生产装置200向下一个工序供应该卷绕体。
在判定为是次品的情况下,在步骤S6中,控制部120利用告知部130告知检测出次品的情况。与告知部130的告知相关的详情将在后文中叙述。
在步骤S7中,控制部120令生产装置200废弃被判定为次品的卷绕体。
此外,在图2所示的流程图的步骤S5及步骤S7中,控制部120令生产装置200执行向下一个工序的卷绕体的供应或卷绕体的废弃,但本发明并不限定于此。例如也可经由告知部130对维护显示装置100的用户进行告知,以使用户进行向下一工序的卷绕体的供应或卷绕体的废弃,由此,由用户进行供应或废弃。
接着,详细地说明生产装置200。
<卷绕部201>
图3A是例示了生产装置200中的生产卷绕体的卷绕部201的结构的图。
如图3A所示,卷绕部201包括第一供应卷筒50、第二供应卷筒51、第一片材202、第二片材203、第一贴合辊205A、第二贴合辊205B、卷芯206、卷芯旋转驱动部206M及检查机207。卷绕部201是如下装置,其利用第一贴合辊205A及第二贴合辊205B,将从第一供应卷筒50供应的第一片材202与从第二供应卷筒51供应的第二片材203贴合并卷绕于卷芯206,由此,生产卷绕体204。卷芯旋转驱动部206M以所期望的旋转速度驱动卷芯206。
图3B是例示了卷绕部201所生产的卷绕体204的立体图。在图3B中,示出了构成卷绕体204的第一片材202及第二片材203的端部未被卷绕的情况。如图3B所示,第二片材203的宽度(沿着卷绕体204的轴向的长度)形成得大于第一片材202的宽度。第一片材202是例如涂布有正极材料的片状的构件(正极片),第二片材203是例如涂布有负极材料的片状的构件(负极片)。第一片材202是本发明的第一电极片的一例,第二片材203是本发明的第二电极片的一例。此外,在上述例子中,第一片材202为正极片材,第二片材203为负极片材,但本发明并不限定于此,也可以是第一片材202为负极片材,第二片材203为正极片材。
<检查机207>
检查机207检查已生产的卷绕体204。检查机207例如是SS-OCT(Swept Source-Optical Coherence Tomography,扫频光学相干层析)装置。检查机207是本发明的传感器的一例。
图4A是例示了检查机207对卷绕体204进行检查的情况的模式图。如图4A所示,检查机207使对作为检查对象的卷绕体204照射的光L从卷绕体204的径向内侧向外侧移动而进行扫描,利用光L的相干性生成表示卷绕体204的内部构造的形状的图像。
图4B是例示了沿着卷绕体204的半径方向的剖面形状的模式图。另外,图4C是例示了检查机207对图4B所示的卷绕体204的剖面进行扫描而生成的图像I的图。在图4B及图4C中,上下方向对应于卷绕体204的轴向,左右方向对应于卷绕体204的半径方向。
如图4B所示,在沿着卷绕体204的半径方向的剖面中,交替地层叠有第一片材202与宽度比第一片材202更大的第二片材203。检查机207提取卷绕体的半径方向上的以下位置而生成图像,该位置是沿着第一片材202的轴向的两端部和沿着第二片材203的轴向的两端部的位置。在图4C所示的例子(图像I)中,菱形(◆)对应于表示第一片材202的两端部的位置的第一数据,黑圆点(●)对应于表示第二片材203的两端部的位置的第二数据。
在卷绕部201生产卷绕体204时,有时会产生次品。例如会因上述卷绕部201的各结构,特别是第一供应卷筒50及第一贴合辊205A的功能不良而产生次品。检查机207如上所述地生成表示沿着卷绕体204的半径方向的剖面形状的图像,并将其作为形状数据而存储于存储部110。基于形状数据进行的对于卷绕体204是否不良的判定的结果也同样存储于存储部110。此外,基于形状数据的对于是否为次品的判定可由图1所示的控制部120进行,也可由检查机207进行,还可由图1或图3A未图示的其他结构进行。以下,说明由控制部120基于形状数据判定是否为次品的情况。
图5是示出了卷绕体204的剖面形状与形状数据之间的对应关系的模式图。在图5的上层,例示了各种状态的卷绕体204的剖视图。在图5所示的例子中,越向左侧,第一片材202与第二片材203之间的偏移越小,越向右侧,第一片材202的偏移越大。
在图5的下层,例示了基于图5的上层所例示的卷绕体204的各个剖面形状而生成的图像I1~图像16。若第一片材202的偏移较大,则有时会导致第一数据表示的第一片材202的上端面(本发明的第一端面)的位置的序列与第二数据表示的第二片材203的上端面(本发明的第二端面)的位置的序列交叉。换句话说,有时会导致如图像I5及图像I6所示那样,连结第一数据表示的第一片材202的上端面(本发明的第一端面)的多个位置的第一虚拟线与连结第二数据表示的第二片材203的上端面(本发明的第二端面)的多个位置的第二虚拟线交叉。在次品以外的卷绕体204中,第一虚拟线与第二虚拟线应不会交叉,因此,具有上述的剖面形状的卷绕体204的检查结果为“不良”。
在图5所示的图像I3及图像I4中,尽管第一片材202的位置偏移,但第一片材202的第一虚拟线未与第二片材203的第二虚拟线交叉。具有此种形状的卷绕体204的检查结果为“可”。
图5所示的图像I1及图I2与图像I3~图像I6相比,第一片材202的位置的偏移量更小。具有此种剖面形状的卷绕体204的检查结果为“良”。
在图2所示的流程图的步骤S4中,检查结果为“良”或“可”的卷绕体204被判定为并非次品,检查结果为“不良”的卷绕体204被判定为次品。
这样,在第一数据表示的上端面的位置的序列与第二数据表示的上端面的位置的序列交叉的情况下,卷绕体204不良。已知第一数据表示的上端面的位置的序列与第二数据表示的上端面的位置的序列交叉这一不良会因第一供应卷筒50、第二供应卷筒51、第一贴合辊205A或第二贴合辊205B而产生。在图5所示的例子中,由第一供应卷筒50供应并由第一贴合辊205A贴合的第一片材202的位置偏移,由此,产生第一数据表示的上端面的位置的序列与第二数据表示的上端面的位置的序列交叉这一不良。因此,可以认为图5所示的不良的原因在于第一供应卷筒50或第一贴合辊205A。
此外,在图5所示的例子中,根据由第一片材202和第二片材203各自的上端面的位置的序列形成的线(第一虚拟线及第二虚拟线)是否交叉,判定了“良”、“可”、“不良”。但是,本发明并不限定于此,例如也可根据下端面的位置的序列是否交叉来判定“良”、“可”、“不良”。
<维护显示装置100>
接着,详细地说明对上述生产装置200的维护作业进行显示的维护显示装置100的功能结构和动作。此外,本实施方式中的维护作业是指如下作业,其通过对生产装置200恰当地进行各结构的调整或部件更换等,使得生产装置200所生产的卷绕体204不会产生不良。在本发明中,维护作业是尤其针对上述生产装置200的第一供应卷筒50及第一贴合辊205A的功能不良进行维护的作业。维护作业由实地操作生产装置200的作业员等进行。
<存储部110>
图6是例示了第一实施方式的维护显示装置100的功能结构的方框图。如上所述,维护显示装置100包括存储部110、控制部120及告知部130(参照图1)。
如图6所示,存储部110包括生产业绩数据库111、设备状态诊断模型数据库112及维护业绩数据库113。
生产业绩数据库111是登记有与生产装置200的生产业绩相关的生产业绩数据的数据库。生产业绩数据包含已生产的卷绕体204的生产日期及时刻和卷绕体204的形状数据。
图7A及图7B是例示了生产业绩数据PD的图。在图7A中,以表格形式示出了生产业绩数据PD的一部分。如图7A所示,生产业绩数据PD包含“生产日期及时刻”、“设备”、“检查结果”、“第一片材”、“第二片材”、“形状数据ID”等各数据。
“生产日期及时刻”数据是与卷绕体204被生产的生产日期及时刻相关的数据。“设备”数据是在有多个生产装置200的情况下,用于对生产业绩已提高的设备进行识别的数据。在图7A中,作为例子,示出了彼此不同的生产装置200的标识符即“A”、“B”、“C”。
“检查结果”数据是表示生产装置200所生产的卷绕体204的检查结果(参照图5)的数据。在图7A中,作为例子,示出了“良”、“可”、“不良”这三个级别的检查结果。
“第一片材”数据及“第二片材”数据是与用于生产卷绕体204的材料相关的数据。作为“第一片材”数据及“第二片材”数据,存储有用于对各个材料进行识别的标识符。
“形状数据ID”是与表示卷绕体204的剖面形状的形状数据(参照图5)对应的标识编号。在图7B中,例示了形状数据ID与形状数据之间的对应关系。
例如每当生产装置200生产卷绕体204时,此种生产业绩数据PD中的除了形状数据以外的各数据会自动地或由作业员手动地输入,并被登记至生产业绩数据库111。形状数据在检查机207(参照图1或图4A)对所生产的卷绕体204进行检查时生成,并与形状数据ID对应地被登记。即,生产业绩数据PD中,实质上包含卷绕体204的形状数据。由此,每当卷绕体204被生产时,所生产的卷绕体204的生产业绩数据PD会被登记至生产业绩数据库111。
设备状态诊断模型数据库112是登记有多个设备状态诊断模型M的数据库。设备状态诊断模型M是指用于诊断生产装置200是否需要维护作业的、作为诊断基准的已学习模型。设备状态诊断模型M是学习了如下内容的已学习模型:在生产了次品的生产装置200通过维护作业得到了改善(次品的生产比例已下降)时,哪种维护作业对于哪种不良是有效的。更具体而言,设备状态诊断模型M是包括如下内容的数据集:多个卷绕体的形状数据,该多个卷绕体中包含次品;以及为了改善该次品的不良而已经进行的维护作业的内容。设备状态诊断模型M由后述的设备状态诊断模型生成部124生成。
针对每一个如下的维护作业,生成设备状态诊断模型M,该维护作业是通过该维护作业,从而在之后的卷绕体生产中,次品的生产比例下降了的维护作业。即,例如,分别独立地生成与昨天进行的维护作业相关的设备状态诊断模型M、和与今天进行的维护作业相关的设备状态诊断模型M。
另外,设备状态诊断模型M的形式并无特别限定,但为了进一步提高诊断精度,优选采用神经网络模型等机器学习模型。用作设备状态诊断模型M的模型可由维护显示装置100的用户经由未图示的操作部等选择,也可由设备状态诊断模型生成部124选择。
维护业绩数据库113是登记有与已实际对生产装置200进行了的维护作业相关的维护业绩数据MD的数据库。维护业绩数据MD中,例如包含用于识别生产装置200的设备数据、与进行了维护作业的日期及时刻(维护日期及时刻)相关的数据、表示已进行的维护作业的内容的数据等。例如在维护作业在数分钟的短时间内结束的情况下,维护日期及时刻既可以是维护作业的开始时刻,也可以是结束时刻。另外,在维护作业例如耗费长达数小时的情况下,维护日期及时刻优选设为维护作业的中间时刻。图8是例示了维护业绩数据MD的图。在维护作业被执行后,例如由实际进行了生产装置200的维护作业的作业员等,手动地经由图1中未图示的操作部等,立即将维护业绩数据MD输入至维护显示装置100。
<控制部120>
如图6所示,控制部120包括设备状态诊断部121、告知判定部122、维护效果判定部123及设备状态诊断模型生成部124。
设备状态诊断部121使用生产装置200新生产的卷绕体204的形状数据、以及设备状态诊断模型M来诊断生产装置200的状态。表示新生产的卷绕体204的形状数据与设备状态诊断模型M所含的过去的形状数据的一致程度的吻合度C作为诊断结果被算出。此处,设备状态诊断模型M中,包含维护作业的内容和进行了该维护作业的时间点之前的形状数据。这意味着:过去,在产生了具有设备状态诊断模型M所含的形状数据的卷绕体204的不良的情况下,通过进行设备状态诊断模型M所含的维护作业,卷绕体204的不良已减少。即,新生产的卷绕体204的形状数据与设备状态诊断模型M所含的形状数据之间的吻合度C表示通过进行设备状态诊断模型M所含的维护,卷绕体204的不良得到改善的概率。
告知判定部122基于吻合度C,判定是否进行与生产装置200的维护作业相关的告知。告知判定部122在吻合度C为规定的阈值以上的情况下,判定为告知应进行维护作业,在吻合度C小于规定的阈值的情况下,判定为不进行告知。与维护作业相关的告知中,包含用于引起用户注意的警报和通知如下维护作业的内容的显示等,该维护作业是通过进行该维护作业而预计会有效果的维护作业。
维护效果判定部123判定对于生产装置200的维护作业是否有效果。维护效果判定部123例如基于维护作业之前和维护作业之后的不良率(次品相对于生产总数的比例)、或维护作业之前和维护作业之后的卷绕体204的形状数据(参照图5),判定维护作业是否有效果。
设备状态诊断模型生成部124基于被判定为有效果的维护业绩数据MD、和进行该维护作业之前所生产的次品的形状数据,生成设备状态诊断模型M。设备状态诊断模型生成部124所生成的设备状态诊断模型M被登记至上述设备状态诊断模型数据库112。
<维护显示装置100中的处理的整体流程>
接着,参照图9及图10,说明具有图6所示的功能结构的维护显示装置100中的处理的整体流程。图9及图10是概略性地说明维护显示装置100中的处理的整体流程的序列图。
图9中,示出了维护显示装置100中的学习处理、以及使用了通过学习处理生成的已学习模型的识别处理的概况。
[学习处理]
维护显示装置100中的学习处理是用于生成学习了如下内容的已学习模型(设备状态诊断模型M)的处理,该学习的内容为,在生产装置200生产了次品的情况下,哪种形状数据的次品通过哪种维护作业得到了改善。因此,学习处理是以在该处理开始之前进行了维护作业为前提的。
在步骤S11中,维护效果判定部123取得在学习处理开始之前进行的维护作业之前所生产的多个卷绕体204的生产业绩数据PD(参照图7A)中包含的形状数据(参照图5),并基于该形状数据,计算维护作业前的不良率Nfbefore。不良率Nfbefore例如以如下方式计算,即,将维护作业前所制造的卷绕体204中的被判定为不良的卷绕体204的数量,除以维护作业前的生产总数,来计算不良率Nfbefore。
在步骤S12中,维护效果判定部123取得维护作业之后所生产的多个卷绕体204的生产业绩数据PD中包含的形状数据,并基于该形状数据,计算维护作业后的不良率Nfafter。不良率Nfafter例如以如下方式计算,即,将维护作业后所制造的卷绕体204中的被判定为不良的卷绕体204的数量,除以维护作业后的生产总数,来计算不良率Nfafter。
在步骤S13中,维护效果判定部123对维护作业之前、之后的不良率Nfbefore、不良率Nfafter进行比较,判定维护作业是否有效果。关于学习处理中的、维护效果判定部123对于维护作业的效果的判定处理的详情将在后文中叙述。
在步骤S13中判定为维护作业有效果的情况下,维护效果判定部123在步骤S14中,将表示在学习处理开始前进行的维护作业的内容的维护业绩数据MD(参照图8)输出至设备状态诊断模型生成部124。
在步骤S15中,设备状态诊断模型生成部124使用被判定为有效果的维护业绩数据MD,生成设备状态诊断模型M。设备状态诊断模型M的详情将在后文中叙述。
在步骤S16中,设备状态诊断模型生成部124将已生成的设备状态诊断模型M登记至设备状态诊断模型数据库112(参照图6)。
以上说明的步骤S11至步骤S16的处理是维护显示装置100的学习处理。
[识别处理]
以下说明的识别处理为如下处理,其基于表示新生产的多个卷绕体204的剖面形状的形状数据,使用已通过学习处理生成的设备状态诊断模型M,识别生产装置200是否产生了异常或异常预兆。
在步骤S17中,设备状态诊断部121取得新生产的多个卷绕体的形状数据(以下,称为“新的形状数据”)。
在步骤S18中,设备状态诊断部121使用新的形状数据及设备状态诊断模型M,计算吻合度C。吻合度C是表示新的形状数据与设备状态诊断模型M所含的过去的形状数据的一致程度的值。即,吻合度C越大,则生产装置200产生了异常或异常预兆而新生产的卷绕体204成为次品的概率越高。
在步骤S19中,告知判定部122在吻合度C为规定的阈值以上的情况下,判定为需要对维护显示装置100的用户进行告知。吻合度C为规定的阈值以上的情况相当于生产装置200产生了异常或异常预兆,需要再次进行维护作业的情况。
在步骤S110中,告知判定部122对告知部130输出应告知用户的维护作业的内容。基于吻合度C为规定的阈值以上的设备状态诊断模型M,决定应告知用户的维护作业的内容。
在步骤S111及步骤S112中,告知部130告知用户应进行维护作业。在步骤S111中,警报部131发出警报。另外,在步骤S112中,显示部132显示应告知用户的维护作业的内容等。此外,在图9中,示出了进行步骤S111中的警报、以及步骤S112中的维护作业的内容显示这两者的例子,但例如也可不发出警报而仅显示维护作业的内容。
这样,通过步骤S111及步骤S112中的告知,受到告知的作业人员基于被告知的维护作业的内容,执行对于生产装置200的维护作业。
以上说明的步骤S17至步骤S112的处理是使用了通过学习处理生成的已学习模型的维护显示装置100的识别处理。
图10中,示出了维护显示装置100中的更新处理、以及使用已通过更新处理更新过的已学习模型进行识别处理的概况。
[更新处理]
维护显示装置100中的更新处理为如下处理,其在上述学习处理之后新进行了维护作业的情况下,基于该维护作业的维护作业结果,对已学习模型(设备状态诊断模型M)进行更新。即,更新处理是以在该处理开始之前进行了维护作业为前提的。
在步骤S21中,维护效果判定部123使用维护作业前所生产的多个卷绕体204的生产业绩数据PD(参照图7A)中包含的形状数据(参照图5)、以及已登记至设备状态诊断模型数据库112的设备状态诊断模型M,计算维护作业前的吻合度Cbefore。
在步骤S22中,维护效果判定部123使用维护作业之后所生产的多个卷绕体204的生产业绩数据中包含的形状数据、以及已登记至设备状态诊断模型数据库112的设备状态诊断模型M中包含的过去的形状数据,计算维护作业后的吻合度Cafter。
在步骤S23中,维护效果判定部123对维护作业之前、之后的吻合度Cbefore、吻合度Cafter进行比较,判定维护作业是否有效果。关于更新处理中的维护效果判定部123对于维护作业的效果的判定处理的详情将在后文中叙述。
在步骤S23中判定为维护作业有效果的情况下,维护效果判定部123在步骤S24中,将表示在更新处理开始前进行的维护作业的内容的维护业绩数据MD输出至设备状态诊断模型生成部124。
在步骤S25中,设备状态诊断模型生成部124使用被判定为有效果的维护业绩数据MD,对设备状态诊断模型M进行更新。设备状态诊断模型M的更新处理的详情将在后文中叙述。
在步骤S26中,设备状态诊断模型生成部124使用已生成的设备状态诊断模型M,对设备状态诊断模型数据库112(参照图6)进行更新。
以上说明的步骤S21至步骤S26的处理是维护显示装置100的更新处理。
[识别处理]
以下说明的识别处理为如下处理,其基于表示新生产的多个卷绕体204的剖面形状的形状数据,使用通过更新处理更新过的设备状态诊断模型M,识别生产装置200是否产生了异常或异常预兆。
在步骤S27中,设备状态诊断部121取得新生产的多个卷绕体的形状数据(以下,称为“新的形状数据”)。
在步骤S28中,设备状态诊断部121使用新的形状数据及设备状态诊断模型M,计算吻合度C。吻合度C是表示新的形状数据与设备状态诊断模型M所含的过去的形状数据的一致程度的值。
在步骤S29中,告知判定部122在吻合度C为规定的阈值以上的情况下,判定为需要对维护显示装置100的用户进行告知。吻合度C为规定的阈值以上的情况相当于生产装置200产生了异常或异常预兆,需要再次进行维护作业的情况。
在步骤S210中,告知判定部122对告知部130输出应告知用户的维护作业的内容。基于吻合度C为规定的阈值以上的设备状态诊断模型M,决定应告知用户的维护作业的内容。
在步骤S211及步骤S212中,告知部130告知用户应进行维护作业。在步骤S211中,警报部131发出警报。另外,在步骤S212中,显示部132显示应告知用户的维护作业的内容等。此外,在图10中,示出了进行步骤S211中的警报、以及步骤S212中的维护作业的内容显示这两者的例子,但例如也可不发出警报而仅显示维护作业的内容。
受到步骤S211及步骤S212中的告知的作业人员基于被告知的维护作业的内容,执行对于生产装置200的维护作业。
以上说明的步骤S27至步骤S212的处理是维护显示装置100的识别处理。此外,图10所示的步骤S27至步骤S212的识别处理是实质上与图9所示的步骤S17至步骤S112的识别处理相同的处理。
<各处理的详情>
以下,分别详细地说明图9及图10所示的学习处理、识别处理及更新处理。
[学习处理]
首先,说明利用维护效果判定部123及设备状态诊断模型生成部124进行的学习处理。
(维护效果判定部123的处理)
以下,说明学习处理中的由维护效果判定部123执行的处理(图9的步骤S11至步骤S14的处理)。图11是用于说明学习处理中的由维护效果判定部123执行的处理的流程图。
在步骤S31中,维护效果判定部123从生产业绩数据库111读取生产业绩数据列表PLbefore,该生产业绩数据列表PLbefore包含生产业绩数据库111已登记的生产业绩数据中的、从在学习处理之前进行了维护作业的时刻的规定时间前到进行了该维护作业的时刻为止所生产的卷绕体204的全部生产业绩数据。规定时间是长度为预先设定的长度的时间,且是制造出某种程度以上的数量的卷绕体204所需的时间。
在步骤S32中,维护效果判定部123基于生产业绩数据列表PLbefore所含的生产业绩数据,计算维护前不良率Nfbefore。如上所述,将基于生产业绩数据列表PLbefore所含的生产业绩数据的形状数据及检查结果而被判定为不良的卷绕体204的数量,除以维护作业前的生产总数,来计算维护前不良率Nfbefore。
在步骤S33中,维护效果判定部123从生产业绩数据库111读取生产业绩数据列表PLafter,该生产业绩数据列表PLafter包含从进行了维护的时刻起到该时刻的规定时间后为止所生产的卷绕体204的全部生产业绩数据。
在步骤S34中,维护效果判定部123基于生产业绩数据列表PLafter所含的生产业绩数据,计算维护后不良率Nfafter。如上所述,将基于生产业绩数据列表PLafter所含的生产业绩数据的形状数据及检查结果而被判定为不良的卷绕体204的数量,除以维护作业后的生产总数,来计算维护后不良率Nfafter。
在步骤S35中,维护效果判定部123计算维护前不良率Nfbefore与维护后不良率Nfafter之间的差值,并判定该差值是否大于规定的阈值ThN。在差值大于阈值ThN的情况下(步骤S35:是),维护效果判定部123使处理前进至步骤S36,在并非如此的情况下(步骤S35:否),使处理前进至步骤S37。
在步骤S36中,因为维护后不良率Nfafter小于维护前不良率Nfbefore,所以维护效果判定部123判定为维护作业有效果。此处的维护作业是指在学习处理之前,即在图9的步骤S11之前进行的维护作业。
另一方面,在步骤S37中,因为维护后不良率Nfafter并不比维护前不良率Nfbefore小,所以维护效果判定部123判定为维护作业无效果,或者效果非常小。
这样,在学习处理中,维护效果判定部123判定在学习处理之前进行的维护作业是否有效果。
图12A及图12B是用于说明学习处理中的对维护作业的效果进行判定的情况的概念图。图12A表示判定为维护作业有效果的情况的例子,图12B表示判定为维护作业无效果的情况的例子。
在图12A及图12B所示的例子中,维护前所生产的五个卷绕体中的两个被判定为不良。即,维护前不良率Nfbefore为40%。在图12A所示的例子中,维护后所生产的五个卷绕体中的被判定为不良的卷绕体为0(维护后不良率Nfafter=0)。另一方面,在图12B所示的例子中,维护后所生产的五个卷绕体中的被判定为不良的卷绕体仍为两个,与维护前相比并未改变(维护后不良率Nfafter=40%)。
因此,在图12A所示的例子中,维护前不良率Nfbefore与维护后不良率Nfafter之间的差值为40%。另一方面,在图12B所示的例子中,维护前不良率Nfbefore与维护后不良率Nfafter之间的差值为0。因此,例如在判定是否有维护效果的阈值ThN为例如20%的情况下,图12A所示的例子中判定为维护作业有效果,图12B所示的例子中判定为维护作业无效果。
(设备状态诊断模型生成部124的处理)
接着,说明学习处理中的由设备状态诊断模型生成部124执行的处理(图9的步骤S15及步骤S16的处理)。图13是用于说明学习处理中的由设备状态诊断模型生成部124执行的处理的流程图。
在步骤S41中,设备状态诊断模型生成部124读取被维护效果判定部123判定为有效果的维护作业的维护业绩数据MD。
在步骤S42中,设备状态诊断模型生成部124从生产业绩数据库111读取维护前生产业绩数据列表PLbefore。此外,此处由设备状态诊断模型生成部124读取的维护前生产业绩数据列表PLbefore与在维护效果判定部123的处理中所读取的维护前的生产业绩数据列表PLbefore相同(参照图11的步骤S31)。
在步骤S43中,设备状态诊断模型生成部124使用已读取的维护业绩数据MD和生产业绩数据列表PLbefore所含的生产业绩数据PD,生成设备状态诊断模型Mnew。
在步骤S44中,设备状态诊断模型生成部124将新生成的设备状态诊断模型Mnew登记至设备状态诊断模型数据库112。
这样,在学习处理中,新生成学习了如下内容的设备状态诊断模型Mnew,并将其登记至设备状态诊断模型数据库112,该学习的内容为,哪种形状数据的次品通过哪种维护作业得到了改善。
[识别处理]
接着,说明利用设备状态诊断部121及告知判定部122进行的识别处理。
(设备状态诊断部121的处理)
以下,说明识别处理中的由设备状态诊断部121执行的处理(图9的步骤S17及步骤S18的处理)。图14是用于说明识别处理中的由设备状态诊断部121执行的处理的流程图。
在步骤S51中,设备状态诊断部121判定生产业绩数据库111中是否登记有新的生产业绩数据PDnew。在没有新的生产业绩数据PDnew被登记的情况下(步骤S51:否),设备状态诊断部121反复执行步骤S51。在登记有新的生产业绩数据PDnew的情况下(步骤S51:是),设备状态诊断部121使处理前进至步骤S52。
在步骤S52中,设备状态诊断部121基于新登记的生产业绩数据PDnew,从生产业绩数据库111提取生产业绩数据列表PL。生产业绩数据列表PL是针对生产业绩数据库111已登记的生产业绩数据PD中的新登记的生产业绩数据PDnew的生产日期及时刻,提取从该生产日期及时刻的规定时间前到该生产日期及时刻为止所生产的卷绕体204的生产业绩数据PD并形成列表而成的生产业绩数据列表。即,生产业绩数据列表PL中,至少包含新登记的生产业绩数据PDnew。
在步骤S53中,设备状态诊断部121使用生产业绩数据列表PL所含的形状数据、和从设备状态诊断模型数据库112读取的设备状态诊断模型M所含的过去的形状数据,生成吻合度C。
更详细而言,设备状态诊断部121从生产业绩数据列表PL所含的一个以上的生产业绩数据分别提取形状数据(参照图5)。另一方面,设备状态诊断部121提取设备状态诊断模型数据库112已登记的多个设备状态诊断模型M。多个设备状态诊断模型M分别对应于不同的维护作业。
设备状态诊断部121对于从一个以上的生产业绩数据提取出的形状数据与多个设备状态诊断模型M之间的所有的组合,计算多个吻合度C。
(告知判定部122的处理)
以下,说明识别处理中的由告知判定部122执行的处理(图9的步骤S19至步骤S112的处理)。图15是用于说明识别处理中的由告知判定部122执行的处理的流程图。
在步骤S61中,告知判定部122基于由设备状态诊断部121生成的多个吻合度C,按维护组汇总吻合度C。维护组是指与维护作业的内容对应的群组。此外,在本实施方式中,将按维护作业的内容划分的群组作为维护组而进行说明,但本发明并不限定于此,维护组例如也可以是按在维护作业中被更换的部件的部件编号等划分的群组。
在以下的说明中,将按维护组汇总吻合度C所得的结果设为汇总值A。生成汇总值A的方法只要从多种汇总方法中恰当地决定即可。作为多种汇总方法的具体例子,例如可列举仅对吻合度C进行总计的方法、对吻合度C取平均值的方法、从吻合度C中选择最大值的方法、提取在排序中排在前面的规定数量的吻合度C而取其平均值的方法等。
在步骤S62中,告知判定部122生成维护计划列表ML。维护计划列表ML是维护组的列表,例如由维护组按照汇总值A从大到小的顺序排列而成。图16是表示维护计划列表ML的具体例子的图。
如图16所示,维护计划列表ML中,包含“维护计划ID”、“设备”、“维护计划”及“汇总值”等各数据。“维护计划ID”数据是分配给根据汇总值的大小重新排序的每个维护组的标识符。作为“维护计划ID”数据,例如以汇总值越大则编号越小的方式分配编号。“维护计划”数据是表示与维护组对应的维护内容的数据。“汇总值”数据是表示按维护组汇总所得的汇总值A的值的数据。
如参照图5的说明所述,已知在第一数据表示的上端面的位置的序列与第二数据表示的上端面的位置的序列交叉的情况下,不良的原因在于第一供应卷筒50或第一贴合辊205A。因此,“维护计划”数据中,列举了表示与第一供应卷筒50或第一贴合辊205A的维护相关的内容的数据。
汇总值A是汇总吻合度C所得的值,因此,具有与吻合度C相同的性质。因此,汇总值A越大,则对作为对象的生产装置200进行该维护组的维护内容的必要性越高。另外,维护计划列表ML是按照汇总值A从大到小的顺序排列的维护组的列表,因此,越是在维护计划列表ML中排序靠前的维护组,对于作为对象的生产装置200而言,该维护的必要性越高。
在步骤S63中,告知判定部122针对每个维护组判定汇总值A是否大于规定的预兆阈值Thf。规定的预兆阈值Thf是如下汇总值中的最小值,该汇总值是指基于该汇总值应设想生产装置200中已产生了发生异常的预兆的汇总值。此外,在本实施方式中,生产装置200的异常例如是指生产装置200生产规定比例以上的检查结果为“不良”的卷绕体204。另外,生产装置200的异常预兆例如是指生产装置200生产规定数量以上的检查结果为“可”的卷绕体204。对于预兆阈值Thf,例如只要基于过去的维护业绩数据MD等,根据经验决定即可。
在维护计划列表ML中包含至少一个汇总值A大于预兆阈值Thf的维护组的情况下(步骤S63:是),告知判定部122使处理前进至步骤S64。在维护计划列表ML中不包含汇总值A大于预兆阈值Thf的维护组的情况下(步骤S63:否),告知判定部122判定为无需进行告知并结束处理。
在步骤S64中,告知判定部122判定维护计划列表ML所含的维护组中是否有汇总值A大于规定的异常阈值Tha的维护组。规定的异常阈值Tha是如下汇总值中的最小值,该汇总值是指基于该汇总值应设想生产装置200中已越过预兆阶段而已产生了异常的汇总值。因此,例如基于过去的维护业绩数据MD等,根据经验将异常阈值Tha决定为大于预兆阈值Thf的值。在维护计划列表ML中包含汇总值A大于异常阈值Tha的维护组的情况下(步骤S64:是),告知判定部122使处理前进至步骤S66。在维护计划列表ML中不包含汇总值A大于异常阈值Tha的维护组的情况下(步骤S64:否),告知判定部122使处理前进至步骤S65。
在步骤S65中,告知判定部122令告知部130的显示部132告知与在步骤S63中被判定为汇总值A大于预兆阈值Thf的维护组对应的维护内容。更详细而言,告知判定部122例如令显示部132显示“请执行以下的维护内容。”等消息及推荐执行的维护作业的内容。此外,推荐执行的维护作业的内容是与图16所示的维护计划列表ML所含的“维护计划”数据对应的内容。
另外,告知判定部122告知维护作业内容,且告知与该维护内容的维护组对应的维护计划ID。在进行了维护作业的作业员输入维护业绩数据MD时,对应地输入维护业绩数据MD与成为进行维护的契机的维护计划ID,由此,对于被输入的维护业绩数据MD,能够容易地辨别该维护业绩数据MD是否是与以维护显示装置100的告知为契机而被执行的维护作业对应的数据。
在步骤S66中,告知判定部122与步骤S65同样地令显示部132显示维护作业的内容,并且令警报部131发出用于告知作为对象的生产装置200已产生异常的警报。若作为对象的生产装置200已产生了异常而仅非异常预兆,则是需要紧急维护作业的情形。因此,告知判定部122不仅通过显示部132显示维护作业的内容,而且通过警报部131发出警报,从而迅速地通知维护显示装置100的用户已产生异常。
这样,在识别处理中,使用新生产的卷绕体204的生产业绩数据PD(特别是形状数据)及设备状态诊断模型M,来判定生产装置200是否产生了异常(生产规定比例以上的次品的情形)或异常预兆。接着,在判定为产生了异常或异常预兆的情况下,对用户进行告知。由此,用户能够在生产装置200产生了异常的情况下,迅速得知异常情况,并且能够得知为了改善异常而应进行的维护作业的内容。
[更新处理]
接着,说明利用维护效果判定部123及设备状态诊断模型生成部124进行的更新处理。
(维护效果判定部123的处理)
以下,说明更新处理中的由维护效果判定部123执行的处理(图10的步骤S21至步骤S24的处理)。图17是用于说明更新处理中的由维护效果判定部123执行的处理的流程图。
在步骤S71中,维护效果判定部123判定存储部110的维护业绩数据库113中是否登记有新的维护业绩数据MDnew。在判定为没有有新的维护业绩数据MDnew被登记的情况下(步骤S71:否),维护效果判定部123反复执行步骤S71。在判定为登记有新的维护业绩数据MDnew的情况下(步骤S71:是),维护效果判定部123使处理前进至步骤S72。
在步骤S72中,维护效果判定部123基于新登记的维护业绩数据MDnew所含的“维护日期及时刻”数据(参照图8),判定从进行了与新登记的维护业绩数据MDnew对应的维护起到目前为止是否已经过了规定时间。
在判定为从维护作业的执行时刻起已经过了规定时间的情况下(步骤S72:是),维护效果判定部123使处理前进至步骤S73。在判定为从维护作业的执行时刻起尚未经过规定时间的情况下(步骤S72:否),维护效果判定部123反复执行步骤S72的处理。
在步骤S73中,维护效果判定部123从生产业绩数据库111读取维护前生产业绩数据列表PLbefore,该维护前生产业绩数据列表PLbefore包含从维护作业的规定时间前到该维护作业为止所生产的卷绕体204的全部生产业绩数据PD。
在步骤S74中,维护效果判定部123从设备状态诊断模型数据库112读取属于维护内容与新的维护业绩数据MDnew对应的维护组的设备状态诊断模型M,并基于已读取的设备状态诊断模型M和生产业绩数据列表PLbefore,生成维护前吻合度Cbefore。维护前吻合度Cbefore的生成方法与图14的步骤S53中的由设备状态诊断部121生成吻合度C的生成方法相同。
在步骤S75中,维护效果判定部123从生产业绩数据库111读取生产业绩数据列表PLafter,该生产业绩数据列表PLafter包含从维护作业起到维护作业的规定时间后为止所生产的卷绕体204的全部生产业绩数据PD。
在步骤S76中,针对维护内容与新的维护业绩数据MDnew对应的维护组,维护效果判定部123从设备状态诊断模型数据库112读取属于该维护组的设备状态诊断模型M,并基于已读取的设备状态诊断模型M和生产业绩数据列表PLafter,生成维护后的吻合度Cafter。吻合度Cafter的生成方法与图14的步骤S53中的由设备状态诊断部121生成吻合度C的生成方法相同。
在步骤S77中,维护效果判定部123计算维护前的吻合度Cbefore与维护后的吻合度Cafter之间的差值,并判定该差值是否大于规定的阈值ThD。在差值大于阈值ThD的情况下(步骤S77:是),维护效果判定部123使处理前进至步骤S78,在并非如此的情况下(步骤S77:否),使处理前进至步骤S79。对于规定的阈值ThD,只要基于过去的维护作业的业绩等恰当地决定即可。
在步骤S78中,因为维护后的吻合度Cafter变得小于维护前的吻合度Cbefore,所以维护效果判定部123判定为基于由告知判定部122告知的维护内容进行的维护作业有效果。
在步骤S79中,因为维护后的吻合度Cafter并未变得小于维护前的吻合度Cbefore,所以维护效果判定部123判定为基于由告知判定部122告知的维护内容进行的维护作业无效果,或者效果非常小。
图18A及图18B是用于说明更新处理中的对维护作业的效果进行判定的情况的概念图。图18A表示判定为维护作业有效果的情况的例子,图18B表示判定为维护作业无效果的情况的例子。
在图18A及图18B所示的例子中,根据维护前所生产的卷绕体204的形状数据及设备状态诊断模型M,算出维护前吻合度Cbefore=0.90。
而且,在图18A所示的例子中,根据维护后所生产的卷绕体204的形状数据及设备状态诊断模型M,算出维护后吻合度Cafter=0.20。另一方面,在图18B所示的例子中,根据维护后所生产的卷绕体204的形状数据及设备状态诊断模型M,算出维护后吻合度Cafter=0.90。
因此,在图18A所示的例子中,维护前吻合度Cbefore与维护后吻合度Cafter之间的差值为0.70。另一方面,在图18B所示的例子中,维护前吻合度Cbefore与维护后吻合度Cafter之间的差值为0。因此,例如在判定是否有维护效果的阈值ThD为0.30的情况下,在图18A所示的例子中判定为维护作业有效果,在图18B所示的例子中判定为维护作业无效果。
(设备状态诊断模型生成部124的处理)
接着,说明更新处理中的由设备状态诊断模型生成部124执行的处理(图10的步骤S25及步骤S26的处理)。图19是用于说明更新处理中的由设备状态诊断模型生成部124执行的处理的流程图。
在步骤S81中,设备状态诊断模型生成部124读取被维护效果判定部123判定为有效果的维护作业的维护业绩数据MDnew。
在步骤S82中,设备状态诊断模型生成部124从生产业绩数据库111读取维护前生产业绩数据列表PLbefore。此外,此处由设备状态诊断模型生成部124读取的维护前生产业绩数据列表PLbefore与在维护效果判定部123的处理中所读取的维护前的生产业绩数据列表PLbefore相同(参照图11的步骤S31)。
在步骤S83中,设备状态诊断模型生成部124使用已读取的维护业绩数据MD和生产业绩数据列表PLbefore所含的生产业绩数据PD,生成新的设备状态诊断模型Mnew。
在步骤S84中,设备状态诊断模型生成部124使用新的设备状态诊断模型Mnew,对设备状态诊断模型数据库112中已登记的设备状态诊断模型M进行更新。
这样,在更新处理中,使用已通过学习处理生成的设备状态诊断模型M,生成新的设备状态诊断模型Mnew,并使用新的设备状态诊断模型Mnew,对设备状态诊断模型数据库112中已登记的设备状态诊断模型M进行更新。这样,基于有效果的维护作业,使用新的设备状态诊断模型Mnew对设备状态诊断模型数据库112的设备状态诊断模型M进行更新,由此,设备状态诊断部121对于生产装置200的设备状态的诊断精度逐渐提高。
<第一实施方式的维护显示装置100的作用/效果>
如以上的说明所述,维护显示装置100包括告知判定部122和作为模型生成部的一例的设备状态诊断模型生成部124。告知判定部122从作为传感器的检查机207取得表示沿着卷绕体204的半径方向所读取的第一端面的位置的第一数据、表示第二端面的位置的第二数据。接着,告知判定部122基于第一数据表示的第一端面的位置的序列是否与第二数据表示的第二端面的位置的序列交叉,判定卷绕体204是否不良。在卷绕体204不良的情况下,告知判定部122将表示不良的原因在于第一供应卷筒50或第一贴合辊205A的信息输出至显示部132,以用于维护。设备状态诊断模型生成部124基于对第一供应卷筒50进行维护之前和进行维护之后的第一数据及第二数据,计算第一供应卷筒50受到维护前的卷绕体204的第一不良率与对第一供应卷筒50进行维护后的卷绕体204的第二不良率之间的第一差值。接着,设备状态诊断模型生成部124在判断为第一差值小于规定值的情况下,不使用第一供应卷筒50受到维护前所读取的第一数据及第二数据来生成或更新已学习模型。另一方面,在判断为第一差值为规定值以上的情况下,使用第一供应卷筒50受到维护前所读取的第一数据及第二数据来生成或更新已学习模型(设备状态诊断模型M)。
另一方面,设备状态诊断模型生成部124对卷绕体204的不良得到改善的第三概率进行计算,该第三概率是将第一贴合辊205A受到维护前的第一数据及第二数据输入已学习模型而得的概率。另外,设备状态诊断模型生成部124对卷绕体204的不良得到改善的第四概率进行计算,该第四概率是将对第一贴合辊205A进行维护后的第一数据及第二数据输入已学习模型而得的概率。接着,设备状态诊断模型生成部124计算第三概率与第四概率之间的第二差值。在判断为第二差值小于规定值的情况下,不使用第一贴合辊205A受到维护前所读取的第一数据及第二数据来构建或更新已学习模型。另一方面,在判断为第二差值为规定值以上的情况下,使用第一贴合辊205A受到维护前的第一数据及第二数据来构建或更新已学习模型。
如上所述,根据第一实施方式的维护显示装置100,能够执行学习处理、识别处理及更新处理,所述学习处理通过学习,生成用于诊断生产装置200的设备状态的设备状态诊断模型M,所述识别处理使用设备状态诊断模型M来识别生产装置200是否产生了异常或异常预兆,并在产生了异常或异常预兆的情况下,告知该异常或异常预兆,所述更新处理基于与基于告知而进行的维护作业对应的维护业绩数据MD,对设备状态诊断模型M进行更新。
更详细而言,在学习处理中,维护显示装置100基于新登记的维护业绩数据MD和在维护作业之前和维护作业之后所生产的卷绕体204的生产业绩数据PD中包含的形状数据,判定维护作业是否有效果,并使用与被判定为有效果的维护作业对应的维护业绩数据MD和形状数据,生成设备状态诊断模型M。
另外,在识别处理中,维护显示装置100按维护组,计算在维护作业后所生产的卷绕体204的形状数据与设备状态诊断模型M之间的吻合度C,并基于吻合度C的大小,判定是发出警报并告知维护作业的内容,还是仅告知维护作业的内容,还是根本不进行告知。
另外,在更新处理中,维护显示装置100基于新登记的维护业绩数据MD、以及在维护作业之前和维护作业之后所生产的卷绕体204的生产业绩数据PD中包含的形状数据,判定维护作业是否有效果,使用与被判定为有效果的维护作业对应的维护业绩数据MD和形状数据,生成新的设备状态诊断模型Mnew,并使用新的设备状态诊断模型Mnew对设备状态诊断模型M进行更新。
根据此种结构,能够使用基于已实际进行的维护作业中的有效果(不良率已下降)的维护作业而生成的已学习模型(设备状态诊断模型M),恰当地诊断生产装置200的状态。另外,因为随时更新已学习模型,所以能够提高诊断的精度。而且,能够在诊断为生产装置200产生了异常的情况下,发出警报而令用户进行紧急应对,并且由于能在诊断为产生了异常预兆的情况下,将预计会带来改善的维护作业的内容告知用户,从而可在生产装置200的次品产生率仍较低时及时执行维护作业。
本实施方式的维护显示装置包括告知部、维护效果判定部及设备状态诊断模型生成部。告知部基于已登记至数据库的设备状态诊断模型、和新输入的生产业绩数据,告知维护作业的内容,该设备状态诊断模型是按过去进行的维护作业,使维护作业的内容与该维护作业之前的生产业绩数据关联而登记至数据库的。维护效果判定部基于进行了维护作业的时间点之前的生产业绩数据、和进行了维护作业的时间点之后的生产业绩数据,判定维护作业是否有效果。设备状态诊断模型生成部基于进行了被判定为有效果的维护作业的时间点之前的生产业绩数据、和被判定为有效果的维护作业的内容,生成新的设备状态诊断模型。
本实施方式的维护显示装置还具有设备状态诊断部,该设备状态诊断部生成设备状态诊断指标,该设备状态诊断指标是新登记的生产业绩数据与设备状态诊断模型所含的维护作业前的生产业绩数据的一致程度。接着,告知部基于设备状态诊断指标来告知维护作业的内容。
在本实施方式的维护显示装置中,设备状态诊断模型生成部使用进行了被判定为有效果的维护作业的时间点之前的生产业绩数据、和与该维护作业相关的维护业绩数据,通过机器学习生成设备状态诊断模型。
对于并非基于告知部已告知的维护作业的内容的维护作业,在该维护作业被执行,且新输入了与该维护作业相关的维护业绩数据的情况下,本实施方式的维护显示装置基于生产业绩数据所含的与对生产设备的产品的检查结果相关的数据,针对新输入的维护业绩数据的维护作业,计算从进行了该维护作业的时间点的规定时间前到进行了该维护作业的时间点为止的期间内的生产业绩数据中的检查结果为不良的不良率。而且,针对新输入的维护业绩数据的维护作业,计算从进行了该维护作业的时间点起到该时间点的规定时间后为止的期间内的生产业绩数据中的检查结果为不良的不良率。接着,维护效果判定部计算维护作业前的不良率与维护作业后的不良率之间的差值,并基于差值的大小来判定维护作业是否有效果。
(第二实施方式)
以下,说明本发明的第二实施方式。图20是例示了第二实施方式的维护显示装置100A的结构的图。第二实施方式的维护显示装置100A中,由服务器10A的控制部120A所具有的维护效果判定部123A进行的处理与上述已说明的第一实施方式的维护效果判定部123不同。
以下,说明与第一实施方式的不同点。对与第一实施方式相同的结构赋予与第一实施方式相同的附图标记而进行说明,关于与第一实施方式不同的结构,在其附图标记中添加“A”而进行说明。
在第一实施方式中,并未设想维护显示装置100的用户进行由维护显示装置100告知的内容以外的维护作业。但是,实际上,在运用生产装置200时,会根据现场的判断等恰当地随时进行必需的维护作业(维护显示装置100已告知的维护内容以外的维护作业)。在本第二实施方式中说明维护显示装置100A,该维护显示装置100A也能够应对进行维护显示装置100A所告知的维护内容以外的维护作业的情况。
图21是用于说明第二实施方式中的由维护效果判定部123A执行的处理的流程图。
在图21的步骤S91中,维护效果判定部123A判定存储部110的维护业绩数据库113中是否新登记了维护业绩数据MDnew。在判定为没有新的维护业绩数据MDnew被登记的情况下(步骤S91:否),维护效果判定部123A反复执行步骤S91。在判定为登记有新的维护业绩数据MDnew的情况下(步骤S91:是),维护效果判定部123A使处理前进至步骤S92。
在步骤S92中,维护效果判定部123A基于新登记的维护业绩数据MDnew所含的维护日期及时刻数据,判定是否从与新登记的维护业绩数据MDnew对应的维护作业起经过了规定时间。规定时间与第一实施方式中已说明的规定时间同样地,例如是从进行维护作业起到作为对象的生产装置200制造出某种程度以上的数量的卷绕体204所需的时间。
在判定为从维护作业起经过了规定时间的情况下(步骤S92:是),维护效果判定部123A使处理前进至步骤S93。在判定为未从维护作业起经过规定时间的情况下(步骤S92:否),维护效果判定部123A反复执行步骤S92的处理。
在步骤S93中,维护效果判定部123A判定是否存在与新登记的维护业绩数据MDnew对应的维护计划ID。如第一实施方式中的说明所述,告知判定部122告知维护作业内容及与该维护内容的维护组对应的维护计划ID。由此,在进行了维护作业的作业员输入维护业绩数据MD时,使维护业绩数据MD与成为进行维护的契机的维护计划ID对应。这样,在本步骤S93中,可判定新登记的维护业绩数据MDnew是否是以维护显示装置100A的告知为契机而进行的维护。
在步骤S93中,在存在与新登记的维护业绩数据MDnew对应的维护计划ID的情况下,判断为与该维护业绩数据MDnew对应的维护作业是以维护显示装置100A对于维护内容的告知为契机的。另外,在不存在与新登记的维护业绩数据MDnew对应的维护计划ID的情况下,判断为与该维护业绩数据MDnew对应的维护作业并非以维护显示装置100A对于维护内容的告知为契机。
在步骤S93中判定为新登记的维护业绩数据MDnew中包含维护计划ID的情况下(步骤S93:是),维护效果判定部123A使处理前进至步骤S94。另一方面,在判定为维护业绩数据MDnew中不包含维护计划ID的情况下(步骤S93:否),维护效果判定部123A使处理前进至步骤S95。
步骤S94是在与新登记的维护业绩数据MDnew对应的维护作业是以维护显示装置100A对于维护内容的告知为契机的维护作业的情况下的处理。因此,在步骤S94中,维护效果判定部123A向如下处理过渡,该处理判定以维护显示装置100A对于维护内容的告知为契机的维护作业是否有效果。此外,针对以维护显示装置100A对于维护内容的告知为契机的维护的维护效果判定处理与在上述第一实施方式中参照图17说明的处理大致相同,因此省略说明。
另一方面,步骤S95是与维护业绩数据MDnew对应的维护作业并非以维护显示装置100A对于维护内容的告知为契机的情况下的处理。因此,维护效果判定部123A向如下处理过渡,该处理判定不以维护显示装置100A为契机的维护作业是否有效果。此外,针对并非以维护显示装置100A对于维护内容的告知为契机的维护的维护效果判定处理与在上述第一实施方式中参照图11说明的处理大致相同,因此省略说明。
如以上的说明所述,根据第二实施方式的维护显示装置100A,即使在进行了并非以维护显示装置100A对于维护内容的告知为契机的维护作业的情况下,也能够适当地登记维护业绩数据MDnew。此外,图21中说明的维护效果判定部123A的处理也可在上述学习处理和更新处理中的任一个处理中被执行。
本实施方式的维护显示装置基于从进行了新登记的维护业绩数据的维护作业的时间点的规定时间前到进行了该维护作业的时间点为止的期间内的生产业绩数据、和成为新输入的维护业绩数据的维护作业的契机的告知中的维护作业的内容所关联的设备状态诊断模型,生成维护作业前的设备状态诊断指标。接着,基于从进行了新输入的维护业绩数据的维护作业的时间点起到该时间点的规定时间后为止的期间内的生产业绩数据、和成为新输入的维护业绩数据的维护作业的契机的告知中的维护作业的内容所关联的设备状态诊断模型,生成维护作业后的设备状态诊断指标。然后,维护效果判定部计算维护作业前的设备状态诊断指标与维护作业后的设备状态诊断指标之间的差值,并基于差值的大小来判定维护作业是否有效果。
(第三实施方式)
以下,说明本发明的第三实施方式。图22是例示了第三实施方式的维护显示装置100B的结构的图。第三实施方式的维护显示装置100B与上述已说明的第一实施方式的维护显示装置100的不同点在于:服务器10B的存储部110B还包括无效果设备状态诊断模型数据库114,且控制部120B包括告知判定部122B、维护效果判定部123B及设备状态诊断模型生成部124B。
在上述第一实施方式中,设备状态诊断模型生成部124使用被判定为有效果的维护业绩数据MD,生成新的设备状态诊断模型Mnew(参照图13)。在第三实施方式中,设备状态诊断模型生成部124B也使用被判定为无维护效果的维护业绩数据MD来生成新的设备状态诊断模型Mnew。
图23是用于说明第三实施方式中的由设备状态诊断模型生成部124B进行的处理的流程图。此外,图23中说明的处理也可在学习处理和更新处理中的任一个处理中被执行。
在步骤S101中,设备状态诊断模型生成部124B从维护业绩数据库113读取新登记的维护业绩数据MD,ew。此处,无论维护效果判定部123B对于效果的判定结果如何,设备状态诊断模型生成部124B均会读取维护业绩数据MDnew。
在步骤S102中,设备状态诊断模型生成部124B从生产业绩数据库111读取维护作业前的生产业绩数据列表PLbefore。
在步骤S103中,设备状态诊断模型生成部124B使用已读取的维护业绩数据MDnew和生产业绩数据列表PLbefore所含的生产业绩数据PD,生成设备状态诊断模型Mnew。
在步骤S104中,设备状态诊断模型生成部124B将新生成的设备状态诊断模型Mnew中的基于被判定为无效果的维护业绩数据MD而生成的模型登记至无效果设备状态诊断模型数据库114。另一方面,设备状态诊断模型生成部124B将新生成的设备状态诊断模型Mnew中的基于被判定为有效果的维护业绩数据MD而生成的模型登记至设备状态诊断模型数据库112。
这样,设备状态诊断模型生成部124B不仅生成使用了被判定为有效果的维护的维护业绩数据MD的设备状态诊断模型M,而且生成使用了被判定为无效果的维护的维护业绩数据MD的设备状态诊断模型M。
使用以上述方式生成的设备状态诊断模型M,执行利用设备状态诊断部121及告知判定部122B的识别处理。由设备状态诊断部121执行的处理与在上述第一实施方式中参照图14说明的处理大致相同,因此省略说明。
以下,说明第三实施方式的识别处理中的由告知判定部122B执行的处理。图24是用于说明第三实施方式中的由告知判定部122B进行的处理的流程图。
在步骤S111中,告知判定部122B使用设备状态诊断部121已生成的吻合度C,按维护组汇总吻合度C,并生成汇总值A。此外,在第三实施方式中,由维护效果判定部123B将表示是否是被判定为有效果的维护作业的信息(旗标)与各维护组关联。
在步骤S112中,告知判定部122B生成按照汇总值A从大到小的顺序排列的维护组的列表即维护计划列表ML。
在步骤S113中,告知判定部122B针对维护计划列表ML所含的每个维护组,判定是否已被判定为有效果。如上所述,在第三实施方式中,由设备状态诊断部121使表示是否有效果的旗标与每个维护组关联,因此,告知判定部122B通过参照该旗标来进行本步骤S113的处理。告知判定部122B对于被判定为有效果的维护作业的维护组,使处理前进至步骤S114。另一方面,告知判定部122B对于被判定为无效果的维护作业的维护组,使处理前进至步骤S117。
在步骤S114中,告知判定部122B针对每个被判定为有效果的维护组,判定汇总值A是否大于规定的预兆阈值Thf。在至少存在一个汇总值A大于预兆阈值Thf的维护组的情况下(步骤S114:是),告知判定部122B使处理前进至步骤S115。在不存在汇总值A大于预兆阈值Thf的维护组的情况下(步骤S115:否),告知判定部122B结束处理。
在步骤S115中,告知判定部122B判定被判定为有效果的维护组中是否有汇总值A大于规定的异常阈值Tha的维护组。在存在汇总值A大于异常阈值Tha的维护组的情况下(步骤S115:是),告知判定部122B使处理前进至步骤S116。在不存在汇总值A大于异常阈值Tha的维护组的情况下(步骤S115:否),告知判定部122B使处理前进至步骤S118。
在步骤S116中,告知判定部122B告知与在步骤S114中被判定为汇总值A大于预兆阈值Thf的维护组对应的维护内容,并且发出用于告知作为对象的生产装置200产生了异常的警报。
在步骤S117中,告知判定部122B针对每个被判定为无效果的维护的维护组,判定汇总值A是否大于规定的无效果阈值Thie。无效果阈值Thie是如下汇总值中的最小值,该汇总值是指基于该汇总值应设想需对无效果这一情况进行告知的汇总值。在存在汇总值A大于无效果阈值Thie的维护组的情况下(步骤S117:是),告知判定部122B使处理前进至步骤S118。在不存在汇总值A大于无效果阈值Thie的维护组的情况下(步骤S117:否),告知判定部122B结束处理。
在步骤S118中,告知判定部122B告知与在步骤S114中被判定为汇总值A大于预兆阈值Thf的维护组对应的维护内容。同时,告知判定部122B告知与在步骤S117中被判定为汇总值A大于无效果阈值Thie的维护组对应的维护内容。
根据此种结构,第三实施方式的维护显示装置100B不仅能够将被认为能改善生产装置200的维护内容告知用户,而且能够将过去被实施但没有效果的维护作业的内容告知用户。由此,能够避免用户反复进行无效果的维护作业的情形,因此,能够缩短维护所需的时间,并且减轻维护所需的工作量。
在本实施方式的维护显示装置中,设备状态诊断模型生成部基于进行了被判定为无效果的维护作业的时间点之前的生产业绩数据、和与该维护作业相关的维护业绩数据,生成新的设备状态诊断模型。告知部作为有效果的维护作业告知被判定为有效果的维护作业的内容,并且,作为无效果的维护作业,告知基于与被判定为无效果的维护作业相关的维护业绩数据而生成的设备状态诊断模型所关联的维护作业的内容。
(变形例)
以上,参照附图说明了本公开的实施方式,但本公开并不限定于这些例子。本领域技术人员显然可以在权利要求书所记载的范围内,想到各种变更例或修正例,应了解这些变更例或修正例当然也属于本公开的技术范围。另外,也可在不脱离本公开的宗旨的范围内,任意地组合上述实施方式中的各结构要素。
在上述实施方式中,在学习处理中的、由维护效果判定部123判定维护作业是否有效果的判定处理中,根据维护作业之前和维护作业之后的不良率的差值是否大于规定的阈值来判定是否有效果(参照图12A及图12B)。
但是,维护效果判定部123也可使用其他方法来判定维护作业是否有效果。图25A及图25B是用于说明学习处理中的、由维护效果判定部123判定维护作业是否有效果的判定方法的变形例的图。
在图25A及图25B所示的例子中,不参照维护前不良率,而是基于维护后不良率Nfafter是否大于规定阈值(例如20%)来判定是否有效果。在图25A所示的例子中,Nfafter=0%,其小于规定阈值20%,因此,判定为有效果。另一方面,在图25B所示的例子中,Nfafter=40%,其大于规定阈值20%,因此,判定为无效果。
同样地,在更新处理中,维护效果判定部123也可使用与上述实施方式不同的方法来判定维护作业是否有效果。
另外,在上述实施方式中,在更新处理中的、由维护效果判定部123判定维护作业是否有效果的判定处理中,根据维护作业之前和维护作业之后的吻合度的差值是否大于规定的阈值来判定是否有效果(参照图18A及图18B)。
图26A及图26B是用于说明更新处理中的、由维护效果判定部123判定维护作业是否有效果的判定方法的变形例的图。
在图26A及图26B所示的例子中,不参照维护前吻合度,而是基于维护后吻合度Cafter是否大于规定阈值(例如0.30)来判定是否有效果。在图26A所示的例子中,Cafter=0.20,其小于规定阈值0.30,因此,判定为有效果。另一方面,在图26B所示的例子中,Cfafter=0.90,其大于规定阈值0.30,因此,判定为无效果。
在上述实施方式中,为了进行说明而描述了维护显示装置100(100A、100B)包括存储部110(110B)、控制部120(120A、120B)及告知部130的结构,但本发明并不限定于此。虽已在上述实施方式中进行了说明,但在本发明中,存储部及控制部只要以可彼此通信的方式构成,则也可彼此分开地构成,且配置于隔开的位置。另外,告知部既可包含于生产装置,也可设置在生产装置的外部。另外,告知部既可经由网络而与存储部及控制部连接,也可直接连接。
这样,在本发明的维护显示装置中,存储部、控制部及告知部各自也可以是彼此独立的分开且彼此独立地工作的装置。另外,只要存储部、控制部及告知部中的每一个可彼此通信,则配置的地点并无特别限定。也可以是如下结构,即,告知装置例如配置于配置有生产装置的工场等,存储部及控制部例如包含于设置于云端的云端服务器。
另外,在上述实施方式中,控制部120(120A、120B)进行了全部的学习处理、更新处理及识别处理。接着,在识别处理中,控制部120(120A、120B)控制告知部130而进行了告知处理。此外,学习处理是指生成设备状态诊断模型M的处理,更新处理是指对设备状态诊断模型M进行更新的处理。另外,识别处理是指使用设备状态诊断模型M,识别新生产的多个卷绕体204是否产生了异常或异常预兆的处理。但是,本发明并不限定于此。
例如,控制部也可仅进行学习处理或更新处理,告知部也可从控制部接收设备状态诊断模型,并使用接收到的设备状态诊断模型进行识别处理。根据此种结构,能够抑制控制部与告知部之间的通信量的增大,并且即使在多个告知部连接于控制部的情况下,也能够将识别处理的负载分散至各告知部,因此,能够防止因处理集中于控制部而导致的处理的延迟。
工业实用性
本公开对于显示与生产设备的维护相关的信息的维护显示装置是有用的。
附图标记说明
10、10A、10B 服务器
50 第一供应卷筒
51 第二供应卷筒
100、100A、100B 维护显示装置
110、110B 存储部
111 生产业绩数据库
112 设备状态诊断模型数据库
113 维护业绩数据库
114 无效果设备状态诊断模型数据库
120、120A、120B 控制部
121 设备状态诊断部
122、122B 告知判定部
123、123A、123B 维护效果判定部
124、124B 设备状态诊断模型生成部
130 告知部
131 警报部
132 显示部
200 生产装置
201 卷绕部
202 第一片材
203 第二片材
204 卷绕体
205A 第一贴合辊
205B 第二贴合辊
206 卷芯
206M 卷芯旋转驱动部
207 检查机
Claims (24)
1.一种已学习模型的生成方法,所述已学习模型是用于生产装置的维护的已学习模型,所述生产装置包括:
第一供应卷筒,供应第一电极片;
第二供应卷筒,供应第二电极片;
第一贴合辊,设置在所述第一电极片侧;
第二贴合辊,设置在所述第二电极片侧,并与所述第一贴合辊成对而进行所述第一电极片与所述第二电极片的贴合;
卷芯,经过了所述贴合的所述第一电极片及所述第二电极片卷绕于该卷芯;以及
传感器,沿着卷绕于所述卷芯的所述第一电极片及所述第二电极片的卷绕体的半径方向,读取所述第一电极片的第一端面及所述第二电极片的第二端面,
所述已学习模型的生成方法的特征在于,包括以下步骤:
从所述传感器取得表示沿着所述半径方向所读取的所述第一端面的位置的第一数据、和表示沿着所述半径方向所读取的所述第二端面的位置的第二数据;
在基于所述第一数据及所述第二数据,判断为所述第一数据表示的所述第一端面的位置的序列与所述第二数据表示的所述第二端面的位置的序列交叉的情况下,将表示所述卷绕体不良且所述不良的原因在于所述第一供应卷筒或所述第一贴合辊的信息输出至显示装置,以用于维护;以及
在基于对所述第一供应卷筒进行维护之前和进行维护之后的所述第一数据及所述第二数据,判断为对所述第一供应卷筒进行维护前的所述卷绕体的第一不良率与对所述第一供应卷筒进行维护后的所述卷绕体的第二不良率之间的第一差值小于规定值的情况下,不使用对所述第一供应卷筒进行维护之前所读取的所述第一数据及所述第二数据来生成所述已学习模型,另一方面,在判断为所述第一差值为所述规定值以上的情况下,使用对所述第一供应卷筒进行维护之前所读取的所述第一数据及所述第二数据来生成所述已学习模型。
2.如权利要求1所述的已学习模型的生成方法,其中,
在基于对所述第一贴合辊进行维护之前和进行维护之后的所述第一数据及所述第二数据,判断为对所述第一贴合辊进行维护前的所述卷绕体的第三不良率与对所述第一贴合辊进行维护后的所述卷绕体的第四不良率之间的第二差值小于规定值的情况下,不使用对所述第一贴合辊进行维护之前所读取的所述第一数据及所述第二数据来生成所述已学习模型,另一方面,在判断为所述第二差值为所述规定值以上的情况下,使用对所述第一贴合辊进行维护之前所读取的所述第一数据及所述第二数据来生成所述已学习模型。
3.如权利要求1所述的已学习模型的生成方法,其中,
所述第一电极片为电池的正极片,所述第二电极片为电池的负极片。
4.如权利要求1所述的已学习模型的生成方法,其中,
所述第一电极片为电池的负极片,所述第二电极片为电池的正极片。
5.一种已学习模型的生成方法,所述已学习模型是用于生产装置的维护的已学习模型,所述生产装置包括:
第一供应卷筒,供应第一电极片;
第二供应卷筒,供应第二电极片;
第一贴合辊,设置在所述第一电极片侧;
第二贴合辊,设置在所述第二电极片侧,并与所述第一贴合辊成对而进行所述第一电极片与所述第二电极片的贴合;
卷芯,经过了所述贴合的所述第一电极片及所述第二电极片卷绕于该卷芯;以及
传感器,沿着卷绕于所述卷芯的所述第一电极片及所述第二电极片的卷绕体的半径方向,读取所述第一电极片的第一端面及所述第二电极片的第二端面,
所述已学习模型的生成方法的特征在于,包括以下步骤:
从所述传感器取得表示沿着所述半径方向所读取的所述第一端面的位置的第一数据、和表示沿着所述半径方向所读取的所述第二端面的位置的第二数据;
在基于所述第一数据及所述第二数据,判断为所述第一数据表示的所述第一端面的位置的序列与所述第二数据表示的所述第二端面的位置的序列交叉的情况下,将表示所述卷绕体不良且所述不良的原因在于所述第一供应卷筒或所述第一贴合辊的信息输出至显示装置,以用于维护;以及
在基于对所述第一供应卷筒进行维护之前和进行维护之后的所述第一数据及所述第二数据,判断为对所述第一供应卷筒进行维护后的所述卷绕体的第五不良率为规定值以上的情况下,不使用对所述第一供应卷筒进行维护之前所读取的所述第一数据及所述第二数据来生成所述已学习模型,另一方面,在判断为所述第五不良率小于所述规定值的情况下,使用对所述第一供应卷筒进行维护之前所读取的所述第一数据及所述第二数据来生成所述已学习模型。
6.如权利要求5所述的已学习模型的生成方法,其中,
在基于对所述第一贴合辊进行维护后的所述第一数据及所述第二数据,判断为对所述第一贴合辊进行维护后的所述卷绕体的第六不良率为规定值以上的情况下,不使用对所述第一贴合辊进行维护之前所读取的所述第一数据及所述第二数据来生成所述已学习模型,另一方面,在判断为所述第六不良率小于所述规定值的情况下,使用对所述第一贴合辊进行维护之前所读取的所述第一数据及所述第二数据来生成所述已学习模型。
7.如权利要求5所述的已学习模型的生成方法,其中,
所述第一电极片为电池的正极片,所述第二电极片为电池的负极片。
8.如权利要求5所述的已学习模型的生成方法,其中,
所述第一电极片为电池的负极片,所述第二电极片为电池的正极片。
9.一种已学习模型的生成方法,所述已学习模型是用于生产装置的维护的已学习模型,所述生产装置包括:
第一供应卷筒,供应第一电极片;
第二供应卷筒,供应第二电极片;
第一贴合辊,设置在所述第一电极片侧;
第二贴合辊,设置在所述第二电极片侧,并与所述第一贴合辊成对而进行所述第一电极片与所述第二电极片的贴合;
卷芯,经过了所述贴合的所述第一电极片及所述第二电极片卷绕于该卷芯;以及
传感器,沿着卷绕于所述卷芯的所述第一电极片及所述第二电极片的卷绕体的半径方向,读取所述第一电极片的第一端面及所述第二电极片的第二端面,
所述已学习模型的生成方法的特征在于,包括以下步骤:
从所述传感器取得表示沿着所述半径方向所读取的所述第一端面的位置的第一数据、和表示沿着所述半径方向所读取的所述第二端面的位置的第二数据;
在基于所述第一数据及所述第二数据,判断为所述第一数据表示的所述第一端面的位置的序列与所述第二数据表示的所述第二端面的位置的序列交叉的情况下,生成用于判断所述卷绕体的不良原因是否在于所述第一供应卷筒或所述第一贴合辊的已学习模型;
基于使用了所述已学习模型而进行的判断,将表示所述不良原因在于所述第一供应卷筒或所述第一贴合辊的信息输出至显示装置,以用于维护;以及
在判断为第一概率与第二概率之间的第一差值小于规定值的情况下,不使用对所述第一供应卷筒进行维护之前所读取的所述第一数据及所述第二数据来更新所述已学习模型,另一方面,在判断为所述第一差值为所述规定值以上的情况下,使用对所述第一供应卷筒进行维护前的所述第一数据及所述第二数据来更新所述已学习模型,所述第一概率是将对所述第一供应卷筒进行维护前的所述第一数据及所述第二数据输入所述已学习模型而获得的、所述卷绕体的不良得到改善的概率,所述第二概率是将对所述第一供应卷筒进行维护后的所述第一数据及所述第二数据输入所述已学习模型而获得的、所述卷绕体的不良得到改善的概率。
10.如权利要求9所述的已学习模型的生成方法,其中,
在判断为第三概率与第四概率之间的第二差值小于规定值的情况下,不使用对所述第一贴合辊进行维护之前所读取的所述第一数据及所述第二数据来更新所述已学习模型,另一方面,在判断为所述第二差值为所述规定值以上的情况下,使用对所述第一贴合辊进行维护前的所述第一数据及所述第二数据来更新所述已学习模型,所述第三概率是将对所述第一贴合辊进行维护前的所述第一数据及所述第二数据输入所述已学习模型而获得的、所述卷绕体的不良得到改善的概率,所述第四概率是将对所述第一贴合辊进行维护后的所述第一数据及所述第二数据输入所述已学习模型而获得的、所述卷绕体的不良得到改善的概率。
11.如权利要求9所述的已学习模型的生成方法,其中,
所述第一电极片为电池的正极片,所述第二电极片为电池的负极片。
12.如权利要求9所述的已学习模型的生成方法,其中,
所述第一电极片为电池的负极片,所述第二电极片为电池的正极片。
13.一种已学习模型的生成方法,所述已学习模型是用于生产装置的维护的已学习模型,所述生产装置包括:
第一供应卷筒,供应第一电极片;
第二供应卷筒,供应第二电极片;
第一贴合辊,设置在所述第一电极片侧;
第二贴合辊,设置在所述第二电极片侧,并与所述第一贴合辊成对而进行所述第一电极片与所述第二电极片的贴合;
卷芯,经过了所述贴合的所述第一电极片及所述第二电极片卷绕于该卷芯;以及
传感器,沿着卷绕于所述卷芯的所述第一电极片及所述第二电极片的卷绕体的半径方向,读取所述第一电极片的第一端面及所述第二电极片的第二端面,
所述已学习模型的生成方法的特征在于,包括以下步骤:
从所述传感器取得表示沿着所述半径方向所读取的所述第一端面的位置的第一数据、和表示沿着所述半径方向所读取的所述第二端面的位置的第二数据;
在基于所述第一数据及所述第二数据,判断为所述第一数据表示的所述第一端面的位置的序列与所述第二数据表示的所述第二端面的位置的序列交叉的情况下,生成用于判断所述卷绕体的不良原因是否在于所述第一供应卷筒或所述第一贴合辊的已学习模型;
基于使用了所述已学习模型而进行的判断,将表示所述不良原因在于所述第一供应卷筒或所述第一贴合辊的信息输出至显示装置,以用于维护;以及
在判断为第五概率为规定值以上的情况下,不使用对所述第一供应卷筒进行维护之前所读取的所述第一数据及所述第二数据来更新所述已学习模型,另一方面,在判断为所述第五概率小于所述规定值的情况下,使用对所述第一供应卷筒进行维护前的所述第一数据及所述第二数据来更新所述已学习模型,所述第五概率是将对所述第一供应卷筒进行维护后的所述第一数据及所述第二数据输入所述已学习模型而获得的、所述卷绕体的不良得到改善的概率。
14.如权利要求13所述的已学习模型的生成方法,其中,
在判断为第六概率为规定值以上的情况下,不使用对所述第一贴合辊进行维护之前所读取的所述第一数据及所述第二数据来更新所述已学习模型,另一方面,在判断为所述第六概率为所述规定值以上的情况下,使用对所述第一贴合辊进行维护前的所述第一数据及所述第二数据来更新所述已学习模型,所述第六概率是将对所述第一贴合辊进行维护后的所述第一数据及所述第二数据输入所述已学习模型而获得的、所述卷绕体的不良得到改善的概率。
15.如权利要求13所述的已学习模型的生成方法,其中,
所述第一电极片为电池的正极片,所述第二电极片为电池的负极片。
16.如权利要求13所述的已学习模型的生成方法,其中,
所述第一电极片为电池的负极片,所述第二电极片为电池的正极片。
17.一种维护显示装置,其是显示与生产装置的维护相关的信息的维护显示装置,所述生产装置包括:
第一供应卷筒,供应第一电极片;
第二供应卷筒,供应第二电极片;
第一贴合辊,设置在所述第一电极片侧;
第二贴合辊,设置在所述第二电极片侧,并与所述第一贴合辊成对而进行所述第一电极片与所述第二电极片的贴合;
卷芯,经过了所述贴合的所述第一电极片及所述第二电极片卷绕于该卷芯;以及
传感器,沿着卷绕于所述卷芯的所述第一电极片及所述第二电极片的卷绕体的半径方向,读取所述第一电极片的第一端面及所述第二电极片的第二端面,
所述维护显示装置的特征在于,包括:
告知判定部,从所述传感器取得表示沿着所述半径方向所读取的所述第一端面的位置的第一数据、和表示沿着所述半径方向所读取的所述第二端面的位置的第二数据,并且,基于所述第一数据及所述第二数据,根据所述第一数据表示的所述第一端面的位置的序列是否与所述第二数据表示的所述第二端面的位置的序列交叉,判定所述卷绕体是否不良,并在所述卷绕体不良的情况下,将表示所述不良的原因在于所述第一供应卷筒或所述第一贴合辊的信息输出至显示装置,以用于维护;以及
模型生成部,对于基于对所述第一供应卷筒进行维护之前和进行维护之后的所述第一数据及所述第二数据而判断为所述第一供应卷筒受到维护前的所述卷绕体的第一不良率与所述第一供应卷筒受到维护后的所述卷绕体的第二不良率之间的第一差值小于规定值的情况,不使用该情况下的所述第一供应卷筒受到维护前所读取的所述第一数据及所述第二数据来生成已学习模型,另一方面,使用判断为所述第一差值为所述规定值以上的情况下的所述第一供应卷筒受到维护前所读取的所述第一数据及所述第二数据来生成已学习模型。
18.一种维护显示装置,其是显示与生产装置的维护相关的信息的维护显示装置,所述生产装置包括:
第一供应卷筒,供应第一电极片;
第二供应卷筒,供应第二电极片;
第一贴合辊,设置在所述第一电极片侧;
第二贴合辊,设置在所述第二电极片侧,并与所述第一贴合辊成对而进行所述第一电极片与所述第二电极片的贴合;
卷芯,经过了所述贴合的所述第一电极片及所述第二电极片卷绕于该卷芯;以及
传感器,沿着卷绕于所述卷芯的所述第一电极片及所述第二电极片的卷绕体的半径方向,读取所述第一电极片的第一端面及所述第二电极片的第二端面,
所述维护显示装置的特征在于,包括:
告知判定部,从所述传感器取得表示沿着所述半径方向所读取的所述第一端面的位置的第一数据、和表示沿着所述半径方向所读取的所述第二端面的位置的第二数据,并且,基于所述第一数据及所述第二数据,根据所述第一数据表示的所述第一端面的位置的序列是否与所述第二数据表示的所述第二端面的位置的序列交叉,判定所述卷绕体是否不良,并在所述卷绕体不良的情况下,将表示所述不良的原因在于所述第一供应卷筒或所述第一贴合辊的信息输出至显示装置,以用于维护;以及
模型生成部,对于基于所述第一供应卷筒受到维护后的所述第一数据及所述第二数据而判断为所述第一供应卷筒受到维护后的所述卷绕体的第五不良率为规定值以上的情况,不使用该情况下的所述第一供应卷筒受到维护前所读取的所述第一数据及所述第二数据来生成已学习模型,另一方面,使用判断为所述第五不良率小于所述规定值的情况下的所述第一供应卷筒受到维护前所读取的所述第一数据及所述第二数据来生成已学习模型。
19.一种维护显示装置,其是显示与生产装置的维护相关的信息的维护显示装置,所述生产装置包括:
第一供应卷筒,供应第一电极片;
第二供应卷筒,供应第二电极片;
第一贴合辊,设置在所述第一电极片侧;
第二贴合辊,设置在所述第二电极片侧,并与所述第一贴合辊成对而进行所述第一电极片与所述第二电极片的贴合;
卷芯,经过了所述贴合的所述第一电极片及所述第二电极片卷绕于该卷芯;以及
传感器,沿着卷绕于所述卷芯的所述第一电极片及所述第二电极片的卷绕体的半径方向,读取所述第一电极片的第一端面及所述第二电极片的第二端面,
所述维护显示装置的特征在于,包括:
模型生成部,从所述传感器取得表示沿着所述半径方向所读取的所述第一端面的位置的第一数据、和表示沿着所述半径方向所读取的所述第二端面的位置的第二数据,并且,基于所述第一数据及所述第二数据,根据所述第一数据表示的所述第一端面的位置的序列是否与所述第二数据表示的所述第二端面的位置的序列交叉,判定所述卷绕体是否不良,并在所述卷绕体不良的情况下,生成用于判断不良原因是否在于所述第一供应卷筒或所述第一贴合辊的已学习模型;以及
告知判定部,使用所述已学习模型来确定所述不良原因在于所述第一供应卷筒或所述第一贴合辊,并将包含确定结果的信息输出至显示装置,以用于维护,
所述模型生成部在判断为第一概率与第二概率之间的第一差值小于规定值的情况下,不使用所述第一供应卷筒受到维护前所读取的所述第一数据及所述第二数据来更新所述已学习模型,另一方面,在判断为所述第一差值为所述规定值以上的情况下,使用所述第一供应卷筒受到维护前的所述第一数据及所述第二数据来更新所述已学习模型,所述第一概率是将所述第一供应卷筒受到维护前的所述第一数据及所述第二数据输入所述已学习模型而获得的、所述卷绕体的不良得到改善的概率,所述第二概率是将所述第一供应卷筒受到维护后的所述第一数据及所述第二数据输入所述已学习模型而获得的、所述卷绕体的不良得到改善的概率。
20.一种维护显示装置,其是显示与生产装置的维护相关的信息的维护显示装置,所述生产装置包括:
第一供应卷筒,供应第一电极片;
第二供应卷筒,供应第二电极片;
第一贴合辊,设置在所述第一电极片侧;
第二贴合辊,设置在所述第二电极片侧,并与所述第一贴合辊成对而进行所述第一电极片与所述第二电极片的贴合;
卷芯,经过了所述贴合的所述第一电极片及所述第二电极片卷绕于该卷芯;以及
传感器,沿着卷绕于所述卷芯的所述第一电极片及所述第二电极片的卷绕体的半径方向,读取所述第一电极片的第一端面及所述第二电极片的第二端面,
所述维护显示装置的特征在于,包括:
模型生成部,从所述传感器取得表示沿着所述半径方向所读取的所述第一端面的位置的第一数据、和表示沿着所述半径方向所读取的所述第二端面的位置的第二数据,并且,基于所述第一数据及所述第二数据,根据所述第一数据表示的所述第一端面的位置的序列是否与所述第二数据表示的所述第二端面的位置的序列交叉,判定所述卷绕体是否不良,并在所述卷绕体不良的情况下,生成用于判断不良原因是否在于所述第一供应卷筒或所述第一贴合辊的已学习模型;以及
告知判定部,使用所述已学习模型来确定所述不良原因在于所述第一供应卷筒或所述第一贴合辊,并将包含确定结果的信息输出至显示装置,以用于维护,
所述模型生成部在判断为第五概率为规定值以上的情况下,不使用对所述第一供应卷筒进行维护之前所读取的所述第一数据及所述第二数据来更新所述已学习模型,另一方面,在判断为所述第五概率小于所述规定值的情况下,使用对所述第一供应卷筒进行维护前的所述第一数据及所述第二数据来更新所述已学习模型,所述第五概率是将对所述第一供应卷筒进行维护后的所述第一数据及所述第二数据输入所述已学习模型而获得的、所述卷绕体的不良得到改善的概率。
21.一种计算机可读取的存储介质,存储有程序,所述程序是由生成已学习模型的电脑执行的程序,所述已学习模型是用于生产装置的维护的已学习模型,所述生产装置包括:
第一供应卷筒,供应第一电极片;
第二供应卷筒,供应第二电极片;
第一贴合辊,设置在所述第一电极片侧;
第二贴合辊,设置在所述第二电极片侧,并与所述第一贴合辊成对而进行所述第一电极片与所述第二电极片的贴合;
卷芯,经过了所述贴合的所述第一电极片及所述第二电极片卷绕于该卷芯;以及
传感器,沿着卷绕于所述卷芯的所述第一电极片及所述第二电极片的卷绕体的半径方向,读取所述第一电极片的第一端面及所述第二电极片的第二端面,
所述计算机可读取的存储介质的特征在于,所述程序使所述电脑执行以下步骤:
从所述传感器取得表示沿着所述半径方向所读取的所述第一端面的位置的第一数据、和表示沿着所述半径方向所读取的所述第二端面的位置的第二数据;
在基于所述第一数据及所述第二数据,判断为所述第一数据表示的所述第一端面的位置的序列与所述第二数据表示的所述第二端面的位置的序列交叉的情况下,将表示所述卷绕体不良且所述不良的原因在于所述第一供应卷筒或所述第一贴合辊的信息输出至显示装置,以用于维护;以及
在基于对所述第一供应卷筒进行维护之前和进行维护之后的所述第一数据及所述第二数据,判断为对所述第一供应卷筒进行维护前的所述卷绕体的第一不良率与对所述第一供应卷筒进行维护后的所述卷绕体的第二不良率之间的第一差值小于规定值的情况下,不使用对所述第一供应卷筒进行维护之前所读取的所述第一数据及所述第二数据来生成所述已学习模型,另一方面,在判断为所述第一差值为所述规定值以上的情况下,使用对所述第一供应卷筒进行维护之前所读取的所述第一数据及所述第二数据来生成所述已学习模型。
22.一种计算机可读取的存储介质,存储有程序,所述程序是由生成已学习模型的电脑执行的程序,所述已学习模型是用于生产装置的维护的已学习模型,所述生产装置包括:
第一供应卷筒,供应第一电极片;
第二供应卷筒,供应第二电极片;
第一贴合辊,设置在所述第一电极片侧;
第二贴合辊,设置在所述第二电极片侧,并与所述第一贴合辊成对而进行所述第一电极片与所述第二电极片的贴合;
卷芯,经过了所述贴合的所述第一电极片及所述第二电极片卷绕于该卷芯;以及
传感器,沿着卷绕于所述卷芯的所述第一电极片及所述第二电极片的卷绕体的半径方向,读取所述第一电极片的第一端面及所述第二电极片的第二端面,
所述计算机可读取的存储介质的特征在于,所述程序使所述电脑执行以下步骤:
从所述传感器取得表示沿着所述半径方向所读取的所述第一端面的位置的第一数据、和表示沿着所述半径方向所读取的所述第二端面的位置的第二数据;
在基于所述第一数据及所述第二数据,判断为所述第一数据表示的所述第一端面的位置的序列与所述第二数据表示的所述第二端面的位置的序列交叉的情况下,将表示所述卷绕体不良且所述不良的原因在于所述第一供应卷筒或所述第一贴合辊的信息输出至显示装置,以用于维护;以及
在基于对所述第一供应卷筒进行维护之前和进行维护之后的所述第一数据及所述第二数据,判断为对所述第一供应卷筒进行维护后的所述卷绕体的第五不良率为规定值以上的情况下,不使用对所述第一供应卷筒进行维护之前所读取的所述第一数据及所述第二数据来生成所述已学习模型,另一方面,在判断为所述第五不良率小于所述规定值的情况下,使用对所述第一供应卷筒进行维护之前所读取的所述第一数据及所述第二数据来生成所述已学习模型。
23.一种计算机可读取的存储介质,存储有程序,所述程序是由生成已学习模型的电脑执行的程序,所述已学习模型是用于生产装置的维护的已学习模型,所述生产装置包括:
第一供应卷筒,供应第一电极片;
第二供应卷筒,供应第二电极片;
第一贴合辊,设置在所述第一电极片侧;
第二贴合辊,设置在所述第二电极片侧,并与所述第一贴合辊成对而进行所述第一电极片与所述第二电极片的贴合;
卷芯,经过了所述贴合的所述第一电极片及所述第二电极片卷绕于该卷芯;以及
传感器,沿着卷绕于所述卷芯的所述第一电极片及所述第二电极片的卷绕体的半径方向,读取所述第一电极片的第一端面及所述第二电极片的第二端面,
所述计算机可读取的存储介质的特征在于,所述程序使所述电脑执行以下步骤:
从所述传感器取得表示沿着所述半径方向所读取的所述第一端面的位置的第一数据、和表示沿着所述半径方向所读取的所述第二端面的位置的第二数据;
在基于所述第一数据及所述第二数据,判断为所述第一数据表示的所述第一端面的位置的序列与所述第二数据表示的所述第二端面的位置的序列交叉的情况下,生成用于判断所述卷绕体的不良原因是否在于所述第一供应卷筒或所述第一贴合辊的已学习模型;
基于使用了所述已学习模型而进行的判断,将表示所述不良原因在于所述第一供应卷筒或所述第一贴合辊的信息输出至显示装置,以用于维护;以及
在判断为第一概率与第二概率之间的第一差值小于规定值的情况下,不使用对所述第一供应卷筒进行维护之前所读取的所述第一数据及所述第二数据来更新所述已学习模型,另一方面,在判断为所述第一差值为所述规定值以上的情况下,使用对所述第一供应卷筒进行维护前的所述第一数据及所述第二数据来更新所述已学习模型,所述第一概率是将对所述第一供应卷筒进行维护前的所述第一数据及所述第二数据输入所述已学习模型而获得的、所述卷绕体的不良得到改善的概率,所述第二概率是将对所述第一供应卷筒进行维护后的所述第一数据及所述第二数据输入所述已学习模型而获得的、所述卷绕体的不良得到改善的概率。
24.一种计算机可读取的存储介质,存储有程序,所述程序是由生成已学习模型的电脑执行的程序,所述已学习模型是用于生产装置的维护的已学习模型,所述生产装置包括:
第一供应卷筒,供应第一电极片;
第二供应卷筒,供应第二电极片;
第一贴合辊,设置在所述第一电极片侧;
第二贴合辊,设置在所述第二电极片侧,并与所述第一贴合辊成对而进行所述第一电极片与所述第二电极片的贴合;
卷芯,经过了所述贴合的所述第一电极片及所述第二电极片卷绕于该卷芯;以及
传感器,沿着卷绕于所述卷芯的所述第一电极片及所述第二电极片的卷绕体的半径方向,读取所述第一电极片的第一端面及所述第二电极片的第二端面,
所述计算机可读取的存储介质的特征在于,所述程序使所述电脑执行以下步骤:
从所述传感器取得表示沿着所述半径方向所读取的所述第一端面的位置的第一数据、和表示沿着所述半径方向所读取的所述第二端面的位置的第二数据;
在基于所述第一数据及所述第二数据,判断为所述第一数据表示的所述第一端面的位置的序列与所述第二数据表示的所述第二端面的位置的序列交叉的情况下,生成用于判断所述卷绕体的不良原因是否在于所述第一供应卷筒或所述第一贴合辊的已学习模型;
基于使用了所述已学习模型而进行的判断,将表示所述不良原因在于所述第一供应卷筒或所述第一贴合辊的信息输出至显示装置,以用于维护;以及
在判断为第五概率为规定值以上的情况下,不使用对所述第一供应卷筒进行维护之前所读取的所述第一数据及所述第二数据来更新所述已学习模型,另一方面,在判断为所述第五概率小于所述规定值的情况下,使用对所述第一供应卷筒进行维护前的所述第一数据及所述第二数据来更新所述已学习模型,所述第五概率是将对所述第一供应卷筒进行维护后的所述第一数据及所述第二数据输入所述已学习模型而获得的、所述卷绕体的不良得到改善的概率。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019081115 | 2019-04-22 | ||
JP2019-081115 | 2019-04-22 | ||
PCT/JP2020/004605 WO2020217644A1 (ja) | 2019-04-22 | 2020-02-06 | 学習済みモデルの生成方法、保全表示装置、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113711149A CN113711149A (zh) | 2021-11-26 |
CN113711149B true CN113711149B (zh) | 2024-05-28 |
Family
ID=72942329
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202080030074.3A Active CN113711149B (zh) | 2019-04-22 | 2020-02-06 | 已学习模型的生成方法、维护显示装置及存储介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11782433B2 (zh) |
JP (1) | JP7437784B2 (zh) |
CN (1) | CN113711149B (zh) |
WO (1) | WO2020217644A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7511140B2 (ja) | 2019-11-14 | 2024-07-05 | パナソニックIpマネジメント株式会社 | 学習済みモデルの生成方法、装置、およびプログラム |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000172443A (ja) * | 1998-12-11 | 2000-06-23 | Digital Electronics Corp | 表示装置の動作異常検出方法 |
JP2003345188A (ja) * | 2002-05-24 | 2003-12-03 | Hitachi Printing Solutions Ltd | 電子写真装置およびその制御方法 |
JP2006301086A (ja) * | 2005-04-18 | 2006-11-02 | Kyocera Mita Corp | 温度管理システム及び温度管理システムを備えた機器 |
CN105940354A (zh) * | 2014-02-10 | 2016-09-14 | 欧姆龙株式会社 | 品质管理装置及其控制方法 |
CN106338935A (zh) * | 2015-04-23 | 2017-01-18 | 恒爱高科(北京)科技有限公司 | 一种机器人情感识别方法和*** |
JP2017165564A (ja) * | 2016-03-17 | 2017-09-21 | 富士フイルム株式会社 | 搬送装置、インクジェット記録装置、及びプログラム |
CN107703272A (zh) * | 2017-11-09 | 2018-02-16 | 哈尔滨程天科技发展有限公司 | 一种污水池巡检机器人及其检测方法 |
CN108287299A (zh) * | 2017-01-10 | 2018-07-17 | 丰田自动车株式会社 | 发电装置的异常检测装置 |
JP2018113198A (ja) * | 2017-01-13 | 2018-07-19 | Ckd株式会社 | 検査装置及び巻回装置 |
CN109558293A (zh) * | 2017-09-27 | 2019-04-02 | 松下电器(美国)知识产权公司 | 异常诊断方法以及异常诊断装置 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100305350B1 (ko) * | 1999-07-01 | 2001-11-01 | 이계안 | Ni-MH 전지의 음극판 조립장치 및 그 공정 |
JP5431235B2 (ja) * | 2009-08-28 | 2014-03-05 | 株式会社日立製作所 | 設備状態監視方法およびその装置 |
WO2013046322A1 (ja) * | 2011-09-27 | 2013-04-04 | トヨタ自動車株式会社 | 電池 |
JP5492351B1 (ja) * | 2012-05-11 | 2014-05-14 | パナソニック株式会社 | 巻回装置、巻回方法、検査装置及び構造物製造方法 |
JP2017167708A (ja) | 2016-03-15 | 2017-09-21 | 三菱電機株式会社 | 保全システムおよび保全方法 |
GB2554038B (en) * | 2016-05-04 | 2019-05-22 | Interactive Coventry Ltd | A method for monitoring the operational state of a system |
JP2018077757A (ja) * | 2016-11-11 | 2018-05-17 | 横河電機株式会社 | 情報処理装置、情報処理方法、情報処理プログラム及び記録媒体 |
JP6984370B2 (ja) * | 2017-12-06 | 2021-12-17 | 横河電機株式会社 | 生産支援システム、生産支援方法及びプログラム |
-
2020
- 2020-02-06 WO PCT/JP2020/004605 patent/WO2020217644A1/ja active Application Filing
- 2020-02-06 CN CN202080030074.3A patent/CN113711149B/zh active Active
- 2020-02-06 JP JP2021515807A patent/JP7437784B2/ja active Active
-
2021
- 2021-10-20 US US17/506,295 patent/US11782433B2/en active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000172443A (ja) * | 1998-12-11 | 2000-06-23 | Digital Electronics Corp | 表示装置の動作異常検出方法 |
JP2003345188A (ja) * | 2002-05-24 | 2003-12-03 | Hitachi Printing Solutions Ltd | 電子写真装置およびその制御方法 |
JP2006301086A (ja) * | 2005-04-18 | 2006-11-02 | Kyocera Mita Corp | 温度管理システム及び温度管理システムを備えた機器 |
CN105940354A (zh) * | 2014-02-10 | 2016-09-14 | 欧姆龙株式会社 | 品质管理装置及其控制方法 |
CN106338935A (zh) * | 2015-04-23 | 2017-01-18 | 恒爱高科(北京)科技有限公司 | 一种机器人情感识别方法和*** |
JP2017165564A (ja) * | 2016-03-17 | 2017-09-21 | 富士フイルム株式会社 | 搬送装置、インクジェット記録装置、及びプログラム |
CN108287299A (zh) * | 2017-01-10 | 2018-07-17 | 丰田自动车株式会社 | 发电装置的异常检测装置 |
JP2018113198A (ja) * | 2017-01-13 | 2018-07-19 | Ckd株式会社 | 検査装置及び巻回装置 |
CN109558293A (zh) * | 2017-09-27 | 2019-04-02 | 松下电器(美国)知识产权公司 | 异常诊断方法以及异常诊断装置 |
CN107703272A (zh) * | 2017-11-09 | 2018-02-16 | 哈尔滨程天科技发展有限公司 | 一种污水池巡检机器人及其检测方法 |
Non-Patent Citations (2)
Title |
---|
Study on the characteristics of partial discharges in voids under square voltage by detecting light emission intensity;Kai Wu;《IEEE Transactions on Dielectrics and Electrical Insulation》;20111010;全文 * |
可穿戴远程健康监测预警***研究及设计;戴明;《中国优秀硕士学位论文全文数据库》;20160315;全文 * |
Also Published As
Publication number | Publication date |
---|---|
WO2020217644A1 (ja) | 2020-10-29 |
JPWO2020217644A1 (zh) | 2020-10-29 |
JP7437784B2 (ja) | 2024-02-26 |
CN113711149A (zh) | 2021-11-26 |
US11782433B2 (en) | 2023-10-10 |
US20220035362A1 (en) | 2022-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112799355A (zh) | 学习完毕模型的生成方法、装置以及程序 | |
JP7457968B2 (ja) | 情報処理方法、学習済みモデルの生成方法、装置、及びプログラム | |
JP7511141B2 (ja) | 表示方法、学習済みモデルの生成方法、装置、およびプログラム | |
JP7390617B2 (ja) | 学習済みモデルの生成方法、装置、及びプログラム | |
CN111736875B (zh) | 版本更新监控方法、装置、设备及计算机存储介质 | |
JP7462158B2 (ja) | 学習済みモデルの生成方法、装置、及びプログラム | |
US20150178634A1 (en) | Method and apparatus for handling bugs | |
CN111340250A (zh) | 设备检修装置、方法及计算机可读存储介质 | |
CN113711149B (zh) | 已学习模型的生成方法、维护显示装置及存储介质 | |
JP6462954B1 (ja) | 保守計画システムおよび保守計画方法 | |
CN114816917A (zh) | 监测数据处理方法、装置、设备及存储介质 | |
CN117313019B (zh) | 一种基于深度强化学习的数据异常检测方法 | |
JP2009259221A (ja) | 信頼性が十分な幾何学基準判断を用いた補正処置の決定方法 | |
CN110348005B (zh) | 配网设备状态数据处理方法、装置、计算机设备及介质 | |
CN109828545B (zh) | Ai智能过程异常识别闭环控制方法、主机及装备*** | |
US20220171982A1 (en) | System and method for processing facility image data | |
JP2005071200A (ja) | 製造情報管理プログラム | |
CN117474357B (zh) | 基于深度学习的配电房运维管理方法及*** | |
CN117873007B (zh) | 基于工业物联网的制造流程管理方法、***、设备及介质 | |
CN116664100B (zh) | 基于bim+ai智慧运维管理*** | |
DE102021214924A1 (de) | Diagnoseverfahren und Diagnosesystem zur Diagnose einer fehlerhaften Brennstoffzelle | |
JP2023023555A (ja) | モデル生成装置、モデル生成方法、異常予兆検知装置、異常予兆検知方法及び異常予兆検知システム | |
CN116381419A (zh) | 输电线路故障处理方法、装置、计算机设备和存储介质 | |
WO2023198490A2 (de) | Herstellungsverfahren und herstellungssystem zur herstellung eines brennstoffzellenstapels | |
CN117474357A (zh) | 基于深度学习的配电房运维管理方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |