CN113723738A - 要因推定***以及装置 - Google Patents

Abstract

本发明的课题在于，即使在实际的制造现场产生的、针对不良的要因的对策未必是一对一的关系(不一致)、现场的对策未必正确的情况下，也高精度地推定不良的要因。为了解决上述课题，具有：不良图案(107)；要因筛选部(102)，其表示观测值与要对策部位的对应；4M潮流判定部(104)，其从潮流中判定4M中的哪个对要因最有影响；以及模型再学习部(105)，其进行学习完成统计模型的再学习，根据现场用户的对策内容和4M信息(101)，使要因推定高精度化。

Description

要因推定***以及装置

技术领域

本发明涉及推定在工序中的成果物中产生的不良等预定现象的要因的技术。其中尤其涉及推定在生产线中产生的产品的不良产生的要因的技术。

背景技术

关于某些工序中的成果物，有时会产生最初预计的、无法达成预定的规格、品质、精度的不良。例如，在生产线中，有时会产生不良品。作为与之相对的对策，提出了专利文献1和2。

在专利文献1中记载了“以支援对策的效果的有无等的判断和对策的选择为目的，将根据不良实绩求出的不良率与根据对策实绩求出的对策内容以及对策时刻关联起来进行管理。将过去执行的对策中的、没有效果的对策、效果显著的对策以及新的对策的内容和该对策的执行时刻前后的不良率与输出装置对应起来进行输出”(参照摘要)。

另外，在专利文献2中记载了“以提供一种信息处理装置为课题，所述信息处理装置使用作为产品的制造中的要素的夹具和设备、制造方法、部件和材料、作业集合、制造***、时刻信息、位置信息、状态信息中的任1个或它们的组合，提示与它们关联起来的当前的产品的位置信息和状态信息，针对样的课题，信息处理装置的存储单元将分别唯一识别作为产品的制造中的要素的夹具和设备、制造方法、部件和材料、作业集合以及制造***的识别符号、时刻信息、位置信息、状态信息与产品识别符号关联起来进行存储，检索单元以要素的识别符号、时刻信息、位置信息、状态信息中的任1个或它们的组合为检索对象，对存储在所述存储单元中的与该检索对象关联起来的当前的产品的位置信息以及状态信息进行检索，提示单元提示所述检索单元的检索结果”。

现有技术文献

专利文献1：日本特开平08-297699号公报

专利文献2：日本特开2011-242830号公报

发明内容

发明要解决的课题

在专利文献1中记载了制造不良解析支援***的结构。但是，在专利文献1的制造不良解析支援***中，在实际的制造现场产生的、针对不良的要因的对策未必是一对一的关系(不一致)、现场的对策未必正确的情况下，有时因错误的输出使支援起到相反效果。例如，在制造装置依赖的不良出现得较长，但在现场怀疑部件(Material)要因而继续对策的情况下，对策历史记录也会蓄积错误的信息。该情况下，在作业员等用户输入对策结果、进行学习而反映于推定内容的Human-in-the-loop(HITL)型***中，会进行错误的学习。因此，难以直接进行现场应用。

另外，在专利文献2中，输出夹具、设备等制造的要素和与它们关联的产品的状况。然而，在专利文献2中，虽然能够掌握产品当前的状况，但没有考虑不良的要因分析。

因此，在本发明中，以提供更高精度的不良等的要因分析技术为课题。

用于解决课题的手段

用于解决上述课题的本发明包括以下的方式。

在使用学习模型来推定在工序中产生的现象的不良的要因的要因推定***中，具有：潮流判定部，其受理表示所述工序的要素的状况的多个周边数据的输入，并执行对表示所受理的所述周边数据的变动程度的变动趋势进行解析的趋势解析；以及模型再学习部，其基于所执行的所述趋势解析，周期性地执行存储在存储装置中的学习模型的学习。并且，在要因筛选部中，使用由所述模型再学习部学习到的学习模型，根据多个周边数据来确定对所述要因给予影响的周边数据，所述潮流判定部还能够使用由所述要因筛选部确定出的所述周边数据来执行所述变动趋势的解析。

在此，也可以是，该要因推定***或经由网络与该要因推定***连接的终端装置中的任一个具有要因筛选部。

另外，在本发明中还包括用于使要因推定***作为计算机装置而发挥功能的计算机程序产品(程序自身、储存有该程序的介质)、其方法。

发明效果

根据本发明，能够更高精度地推定工序中的不良的要因，能够进行针对不良的更适当的应对。

此外，上述以外的课题、结构及效果由以下的实施方式的说明予以明确。

附图说明

图1是实施例1中的要因推定***的功能结构的一例。

图2是应用本发明的实施例的生产线的一例。

图3是工件落下时的不良图案的一例。

图4是实施例1中的要因显示和对策输入功能部(显示和输入终端)中的显示内容的一例。

图5是现有的要因推定***的功能结构的一例。

图6是不良要因显示区域的变形例。

图7是表示本发明的实施例中的模型再学习部的处理流程的流程图的一例。

图8是学习完成统计模型的一例。

图9是具有作为本发明的实施例的应用对象的供给装置的生产线的一例。

图10是对机器人顶端的机械手安装照相机的一例。

图11是安装于机器人顶端的机械手的照相机的输出的一例。

图12是本发明的实施例的学习完成统计模型的一例。

图13是实施例2的要因推定***的功能结构的一例。

图14是实施例2中的推定要因部位显示和要因显示和对策输入功能部(显示和输入终端)中的显示内容的一例。

图15是本发明的实施例中的要因推定***的硬件结构的一例。

图16是将本发明的实施例中的要因推定***安装为服务器装置的情况下的功能结构的一例。

图17是将本发明的实施例中的要因推定***安装为云***的情况下的功能结构的一例。

附图标记说明

101…4M信息、102…要因筛选部、103…要因显示和对策输入功能部、104…4M潮流判定部、105…模型再学习部、106…学习完成统计模型部、107…不良图案、108…4M潮流知识部。

具体实施方式

[实施例1]

以下，进行本发明的实施例1相关的说明。在本实施例1中，以针对生产线(制造工序)中的不良的要因推定为例进行说明。因此，作为周边数据的示例，使用表示制造的要素的4M(Man、Machine、Material、Method)的变动程度(4M趋势)。此外，在本实施例中，使用4M趋势，但也可以使用其他的变动趋势。

图2表示应用本实施例的生产线的示例。在图2中，工件206在带式输送机205上移动。然后，当工件206到达某预定的位置后，机器人203用机器人顶端的机械手抓起工件206，将其存储在存储箱204中。在该生产线中，重复该一系列的动作。

另外，图2的207表示机器人顶端的机械手附近的放大图。这是对在工件206(把持物)与机器人203的顶端的机械手之间产生了偏离时的状况的示例进行了图示的图。示出了在工件206(把持物)与机器人203的顶端的机械手之间产生偏离，工件206未被机器人203的顶端的机械手抓住，工件落下的情形。作为本实施例的生产线中的不良，列举该工件的落下作为一例。

在产生了该不良时，作业者201确认机器人203、带式输送机205的动作状况，确认作为工件206的把持物的把持状态。其结果是，在产生了不良(错误)的情况下，经由显示和输入终端202报告其内容、对策。另外，作业者201能够经由显示和输入终端202获得与不良相关的信息。

为了进行该制造工序、4M的内容的说明，首先，对本实施例的现有技术中的要因推定技术进行说明，接着，使用附图对本实施例进行说明。

图5是表示图2等所示的生产线所使用的、灵活运用了现有的Human-in-the-loop(HITL)机器学习的要因推定***500的功能结构的示例。此外，即使在本实施例中，也同样地灵活运用HITL机器学习。

灵活运用了HITL机器学习的要因推定***500受理不良图案107，并具有学习完成统计模型部106、要因筛选部102、要因显示和对策输入功能部103、以及模型再学习部105。

要因推定***500由所谓的计算机***实现。因此，是与后述的本实施例的要因推定***100相似的硬件结构(参照图15)。即，具有受理不良图案107的输入输出部13。并且，要因推定***500、要因筛选部102、模型再学习部105的各功能能够由处理部11实现。并且，学习完成统计模型部106能够由存储学习完成统计模型501的存储部12或经由总线等的通信路径15、内部网络14连接的数据库16来实现。另外，要因显示和对策输入功能部103能够由经由无线通信连接的显示和输入终端202实现。此外，在本实施例中，显示和输入终端202为经由无线通信的结构，但也可以为经由通信路径15、内部网络14连接的结构。

以下，对各结构的功能进行说明。此外，现有技术的要因推定***500与本实施例的要因推定***100进行比较，没有4M潮流判定部104和4M潮流知识部108，处理的信息一部分不同。因此，即使在现有的要因推定***500的结构中，也一部分作为本实施例的功能进行说明。因此，在后述的本实施例的要因推定***100的说明中，以与要因推定***500的不同点为中心进行说明。

首先，要因筛选部102是以不良图案107的信息为基础来选择不良的要因的部位。作为一个示例，在不良图案是机器人203的“PICK NG”的情况下，搜索后述的学习完成统计模型部106，提取“机器人顶端的机械手的把持参数与工件的尺寸不一致”作为不良要因。

要因显示和对策输入功能部103是显示由要因筛选部102筛选出的不良的要因，输入现场的对策结果的部位。这是在图2所示的显示和输入终端202中显示的内容，在图4中示出了该一例。

该显示包含表示由要因筛选部102筛选出的不良的要因的要因显示区域403。在图4中，作为要因显示区域403的一例，显示“机器人顶端的机械手的把持参数与工件的尺寸不一致”作为不良要因。

现场对策记录区域404受理经由输入接口由作业者201输入的内容，所述内容是作业者201在现场实际采取对策的内容。在图4的示例中，输入“机器人顶端的机械手的把持参数的再调整”。

接着，返回到图5，对模型再学习部105进行说明。模型再学习部105以不良图案107、经由现场对策记录区域404输入的内容为基础，对储存在学习完成统计模型部106中的学习完成统计模型501进行再学习。

在此，使用图7对模型再学习部105中的再学习的方法进行说明。图7是表示模型再学习部105的处理流程的流程图的一例。

首先，当在步骤S701中开始本处理时，在步骤S702中，模型再学习部105从学习完成统计模型部106读出学习完成统计模型501。图8表示该学习完成统计模型501的一例。如图8所示，学习完成统计模型501是储存不良图案、对策、与它们对应的权重的表形式的数据。

返回到图7，对处理的内容继续进行说明。在步骤S703中，模型再学习部105针对学习完成统计模型501搜索不良图案列，检索机器人的PICK NG。即，搜索与后述的图6所示的错误内容对应的信息。

接着，在步骤S704中，模型再学习部105判断搜索到的不良图案是否一致。即，模型再学习部105判断学习完成统计模型501中是否包含PICK NG。在本示例中包含(是)，因此，转移到步骤S706。

此外，在模型再学习部105判断为学习完成统计模型501中不包含PICK NG(否)的情况下，前进到步骤S705。在步骤S705中，模型再学习部105对学习完成统计模型501的不良列追加机器人的PICK NG。

另外，在步骤S706中，模型再学习部105搜索学习完成统计模型501的对策列，搜索机器人顶端的机械手的把持参数的再调整。这意味着搜索与不良图案PICK NG相关的保持参数的再调整。

接着，在步骤S707中，模型再学习部105判断对策列是否一致。在上述的示例中，一致(是)，因此，转移到步骤S709。此外，在不一致的情况下(否)，前进到步骤S708，模型再学习部105对对策列追加机器人顶端的机械手的把持参数的再调整。

接着，在步骤S709中，模型再学习部105对机器人顶端的机械手的把持参数的再调整的权重+1。然后，在步骤S710中，模型再学习部105保存学习完成统计模型501。以上，结束处理(S711)。

如上所述，通过模型再学习部105的处理，学习完成统计模型的#13的权重被+1。

接着，在要因筛选部102中，使用上述更新了权重的学习完成统计模型501，作为要因筛选时的参考信息。具体而言，在不良图案107输入到要因筛选部102的情况下，在存在多个学习完成统计模型501内的对应的要因的情况下，选择并筛选权重更多的行的要因。

此外，异常的HITL机器学习的一例以要因对策表为基础根据现场的实绩更新加权，但HITL的实现并不限定于此。例如，存在通过将不良图案作为输入并将对策作为输出，对之间的神经元的迁移参数(加权)进行优化的神经网络的想法来实现的示例。另外，存在如下方法：将不良图案作为输入，在二进制树(二叉树)中搜索条件，在最终到达表示对策的节点的二进制树中，对从其顶点分支的阈值进行优化。这样，能够通过一般的多变量解析方法、统计方法、机器学习方法来实现HITL。这在后述的本实施例中也是一样。

此外，以下对目前为止说明的现有的要因推定***500中的课题进行说明。

图9是具有供给装置901的生产线的示例。生产线900是对图2所示的生产线200追加了供给工件206的供给装置901的生产线。

供给装置901例如以恒定的速度搬运工件206，将工件206放置在带式输送机205上的决定出的位置。作为一例，将工件206放置在带式输送机205的中心。在此，设为供给装置901搬运工件206的速度因某种要因而变化。例如，由供给装置901的马达的劣化等引起。在带式输送机205上的决定出的位置未设置工件206。

因此，在工件206与机器人203的顶端的机械手之间产生偏离，工件206未被机器人203的顶端的机械手抓住，工件落下。在此，在现有的要因推定***500中，如图2所示，从不良图案“机器人PICK NG”以机器人顶端的机械手的把持参数与工件的尺寸的不一致为要因而进行筛选。因此，作业者201针对显示和输入终端202，将机器人顶端的机械手的把持参数的再调整采取为对策。或者，根据加权的状况的不同，将机器人机械手的顶端部磨损推定为要因，在现场针对机械手顶端部件更换采取对策。

总之，在图9的生产线900中，尽管供给装置901的马达的劣化引起的工件206的输送速度的变化是要因，但作业者201怀疑机器人顶端的机械手或机械手与工件206的关系为要因并采取对策。这样，在作业者201进行作业的制造现场，有时针对要因的对策未必是一对一的关系(不一致)、现场的对策未必准确。例如，机器依赖的不良出现得较长，但怀疑部件(Material)要因而继续采取对策。另外，作为其他示例，也存在不良图案出现的部位与要对策部位分离的情况。因此，以错误的对策继续学习，因此，***支援可能起到相反效果，在现有的要因推定***500中，未解决这些课题。

如上所述，通过在制造现场使用在图5中示出了一例的、灵活运用了现有的HITL机器学习的要因推定***500，在针对不良图案考虑多个要因的情况下，存在以下的课题。以前，作业者201根据目前为止的经验等来推定要因并进行对策，因此，属于个人化，到能够以短TAT完成不良对策为止需要经验。另外，还存在到完成不良对策为止需要时间的课题。与之相对地，在本实施例中，通过蓄积现场的要因和对策的信息，能够根据过去的实绩采取对策，能够与作业者的经验无关地实现短TAT下的不良对策。

接着，对解决这些课题的本实施例进行说明。图1表示本实施例的要因推定***100的功能结构的一例。

本实施例的要因推定***100受理不良图案107、人的操作、日志、来自传感器的传感器数据等各种信息。而且，要因推定***100如上所述，相对于要因推定***500具有4M潮流判定部104和4M潮流知识部108。

在此，对要因推定***100的硬件结构进行说明。图15表示要因推定***100的硬件结构的一例。如上所述，要因推定***100能够通过服务器装置那样的计算机***来实现。因此，要因推定***100具有：处理部11、存储部12、以及输入输出部13。并且，要因推定***100经由与输入输出部13连接的通信路径15与内部网络14连接。此外，所谓内部网络14是指在生产线200、900中使用，在将本要因推定***100安装在云端上的情况下等，也可以使用互联网那样的广域网。

并且，要因推定***100经由内部网络14与生产线的传感器17连接，能够经由输入输出部13获取传感器数据。另外，要因推定***100经由与输入输出部13连接的通信路径15与数据库16连接。因此，要因推定***100能够经由输入输出部13实现对学***板电脑、个人计算机等终端装置来实现。

在此，处理部11能够通过CPU那样的运算部来实现，且具有要因筛选部102、4M潮流判定部104、以及模型再学习部105。这些能够通过按照储存在存储器那样的存储部12中的程序的运算来实现。即，要因筛选部102、4M潮流判定部104、模型再学习部105能够安装为计算机程序。

接着，返回到图1，对其内容进行说明。此外，以下，关于与使用图5说明的要因推定***500重复的内容省略其内容。

不良图案107是表示例如在工厂的生产线等中没有按照事先的设定、设计进行了生产时的生产状态的信息。图3表示工件落下时的不良图案107的一例。图3是生产线200(或生产线900，以下相同)中的不良图案107例如是机器人203输出的动作日志信息的一个示例。将由机器人顶端的机械手抓住还是未抓住的状态与日期时间一起生成为文本数据。生产线200、900中的不良产生时的不良日志301是机器人203感知到工件206未被机器人203的顶端的机械手抓住而使工件落下的情况，并以“PICK NG”这样的字符串将不良状态记录于日志的一个示例。不良图案107是表示没有按照事先的设定、设计进行生产时的生产状态的信息，有时如不良日志301那样用OK/NG这样的字符串来表示。以上是工件落下时的不良图案107的一例。另外，反映了不良情况的照相机图像、动态图像、由传感器捕捉到某些物理量的传感器信息也列举为不良图案的示例。

在图2的生产线200中，在产生了工件落下的情况下，在生产线200中制造停止，通过(图2中未图示的)有色灯的点亮、电子邮件等通知单元对作业者201通知该状态。

作业者201确认生产线200、不良日志301的信息，识别为未被机器人203的顶端的机械手抓住，使得工件落下。在此，设为作业者201根据储存在数据库16中的日志中的不良日志301，如以下那样推定出不良即落下的要因。例如，在设计了生产线200的CAD(ComputerAided Design)软件的输入信息中存在错误，工件206的尺寸微妙地小，因此，产生了工件落下。该情况下，作业者201再次调整机器人203的顶端的机械手的把持参数。在再调整结束后，生产线200再次开始生产。

显示和输入终端202有时显示这样的生产线200中的制造不良的状态，或者记录作业者201推定出的不良的要因、或者现场的对策内容。在此，显示和输入终端202的显示内容与上述的图4相同。以下，对其详细内容进行说明。不良产生部位显示区域401通过(未图示的)其他计算机等接收不良日志301，标注机器人203的不良和标签，显示发送给显示和输入终端202的结果。不良产生时刻显示区域402与不良产生部位显示部401一样，通过(未图示的)不同的计算机等接收不良日志301，显示将时刻信息、错误内容发送到显示和输入终端202的结果。

另外，要因显示区域403作为一个示例表示作业者201确认不良产生时刻显示区域402所显示的错误内容“PICK NG”，输入“机器人顶端的机械手的把持参数与工件的尺寸的不一致”的示例。此外，使用图6对要因显示区域403的变形例进行说明。

图6是表示显示和输入终端202中的不良要因显示区域的变形例的图。显示和输入终端202使用不良要因列表显示区域1501来代替图4的要因显示区域403。显示和输入终端202根据不良产生部位显示区域401和不良产生时间显示区域402的信息检索数据库16，将要因推定为机器人顶端的机械手的把持参数与工件的尺寸的不一致。此外，本推定也可以由要因推定***100的处理部11执行。

并且，显示和输入终端202在不良要因列表显示区域1501中显示“机器人顶端的机械手的把持参数与工件的尺寸的不一致”。其结果是，作业者201能够确认不良要因列表显示区域1501的显示内容，在复选框等中输入检查。

返回到图4，进行其显示内容的说明。现场对策记录区域404作为一个示例显示作业者201在现场实际采取对策，经由显示和输入终端202记录的内容。作为现场对策记录区域404的其他示例，要因推定***100的处理部11或显示和输入终端202预先以列表的形式存储对策内容。并且，也考虑处理部11或者显示和输入终端202将其以列表的形式一览显示于现场对策记录区域404，从而使作业者201进行选择的示例。在显示和输入终端202中，在作业者201对现场对策记录区域404的输入、选择完成之后，将这些信息存储在显示和输入终端202或数据库16中。因此，显示和输入终端202从作业者201受理OK按钮的选择。

利用这些在现场输入的信息，本实施例的要因推定***100针对不良图案107的产生，推定其要因。另外，要因推定***100作为使对策容易化的方法，将要因的推定结果显示于显示和输入终端202。其结果是，关于显示和输入终端202，作业者201参照其内容，向显示和输入终端202输入实际的对策结果。以下，返回到图1，使用灵活运用于HITL的示例对该要因推定***100进行说明。

图1所示的4M信息101例如是生产线900的要素，是表示4M的4M信息(Man、Machine、Material、Method)。该4M信息101也能够通过来自生产线中的传感器的传感器数据、作业者201等针对生产线的操作、日志的组合来实现。在本实施例中，在图9的生产线900中，在机器人203的顶端的机械手附加了用于获取该4M信息101的传感器。

图10表示照相机1000对机器人顶端的机械手的安装例。通过该照相机1000，例如依次获取机械手的位置与工件206的位置关系。在此，图11表示安装于机器人顶端的机械手的照相机1000的输出的示例。图中的〇表示按机器人203进行的把持的、照相机1000感测到的、机械手与工件的位置关系。在写为定心的部位存在〇的情况下，机械手与工件的位置关系正好捕捉正中，在从正中偏离的情况下，〇向上下任一方移动。在图11中可知，随着把持次数增加，〇的位置也从定心开始，偏离扩大，偏离量从某处保持恒定，该趋势在把持不良产生时刻之前产生。

因此，在本实施例中，4M潮流判定部104根据不良图案以及4M信息101的4M趋势，灵活运用4M潮流知识，推定可能成为不良要因的部位，生成加权。例如，4M潮流判定部104在受理这样的照相机1000的输出的情况下，判断为机器人203的顶端的机械手与工件206之间的偏差从把持不良产生起保持一定的偏差量。由此，4M潮流判定部104推定作为不良的要因，不是机器人机械手的顶端部磨损这样的要因。

另外，由于在图11中保持一定的偏差量，因此4M潮流判定部104使用4M潮流知识，如以下方式进行推定。4M潮流判定部104推定是机器人203的硬件本身的问题，还是在其前级的例如供给装置901中持续地产生了某些问题。

在此，存在作业者201进行错误的要因推定，进行错误的对策的情况。但是，在4M潮流判定部104中，通过将4M信息101的4M趋势和例如4M潮流知识等与生产线900有关的知识进行组合，明显不同的要因能够降低优先级。另外，在4M潮流判定部104中，作为起因于不良图案107、4M信息101的获取对象(机器人203)以外的制造不良的要因，推定供给装置901的问题。

通过以上的处理，能够实现本实施例的模型再学习部105的再学习。关于该再学习的内容，图7所说明的内容是基础，以下仅对其不同进行说明。

在本实施例的模型再学习部105中，进行使用了由4M潮流判定部104推定出的要因、不良图案、4M信息101的模型再学习。在本实施例的示例中，不良图案是机器人的“PICKNG”。并且，作为其要因，4M潮流判定部104在图11中保持一定的偏差量，因此，判定为不是机器人机械手的顶端部磨损这一要因。因此，与顶端部磨损的要因的权重减少，模型再学习部105进行再学习。

另外，作为要因，也考虑增加机器人203的硬件本身的问题这样的要因的权重。但是，作为一个示例，在通过4M信息101依次收集到来自机器人203的日志信息的情况下，在没有报告机器人203的硬件本身的问题的情况下，也可以不增加机器人的硬件本身的问题这样的要因的权重。因此，模型再学习部105在步骤S709中，由于可能在供给装置901中出现某种不良情况，因此将供给装置901存在于要因的行的权重+1，进行模型的再学习。其结果是，生成图12所示的进行了再学习的学习完成统计模型。图12表示使用了利用4M信息101的4M潮流判定部104的处理结果的学习完成统计模型1201的一例。

根据以上，通过本实施例的要因推定***100，在生产线900中，推定为因供给装置901的马达的劣化导致工件206的输送速度的变化是把持不良的要因。即，在要因推定***100中，作为不良的要因，能够正确地推定供给装置901。

关于本实施例，即使存在于制造现场的、针对要因的对策未必是一对一的关系(不一致)、现场的对策未必准确，也能够更准确地应对。例如，在本实施例中，能够抑制虽然机器依赖的不良出现得长，但怀疑部件(Material)要因而继续对策、不良图案出现的部位与要对策部位分离的情况等。

[实施例2]

接着，对针对实施例1设置了显示推定要因部位的功能的实施例2进行说明。在本实施例中，根据周边数据(例如4M(Man、Machine、Material、Method))的变动程度(趋势)，将不良要因部位提示给作业者201，由此，作业者201能够高效地实现详细要因推定。并且，在本实施例中，也能够在目光短浅地获取事件之前抑制错误的要因推定、对策试行。

图13是本实施例的要因推定***1300的功能结构的一例。关于要因推定***1300，将实施例1的要因推定***100的要因显示和对策输入功能部103变更为推定要因部位显示和要因显示和对策输入功能1301。并且，推定要因部位显示和要因显示和对策输入功能1301与4M潮流判定部104连接，受理其输入。另外，推定要因部位显示和要因显示和对策输入功能1301的输出目的地是模型再学***板电脑、个人计算机等终端装置来实现。

图14表示推定要因部位显示和要因显示和对策输入功能1301(显示和输入终端)中的显示内容的一例。推定要因部位显示和要因显示和对策输入功能1301在要因显示和对策输入功能部103的显示内容中具有显示4M潮流判定部104的输出，即根据4M趋势的推定部位的推定要因部位显示区域1302。除此以外，与实施例1一样，具有不良要因列表显示区域1501、现场对策记录区域404，但这些信息的获取源等与实施例1不同。以下对它们进行说明。

推定要因部位显示区域1302用列表显示由4M潮流判定部104推定出的要因部位。此外，与实施例1所示的示例一样，在4M信息101中未包含与机器人203的硬件相关的错误的情况下，与机器人硬件相比怀疑供给装置901的不良情况。因此，在推定要因部位显示区域1302中，按照该怀疑高的顺序(优先级顺序)显示其内容。

并且，在不良要因列表显示区域1501中，以检查了不良要因的可能性最高(怀疑高)的供给装置的不良情况的形式进行显示。

另外，现场对策记录区域404是作业者201确认推定要因部位显示区域1302、不良要因列表显示区域1501，例如输入按优先级顺序采取对策的信息的栏。

根据以上，通过本实施例的要因推定***1300，能够应对存在于制造现场的、针对要因的对策未必是一对一的关系(不一致)。另外，在本实施例中，也能够应对现场的对策未必准确(例如，虽然机器依赖的不良出现得长，但怀疑部件(Material)要因而继续对策、不良图案出现的部位与要对策部位分离的情况等)等课题。即，通过对作业者201表示来自4M趋势的推定要因部位，能够促进高效的对策。

最后，对与实施例1及2的安装相关的变形例进行说明。如上所述，实施例1的要因推定***100、实施例2的要因推定***1300能够由计算机***实现。因此，能够将它们作为设置于生产线、其运用企业的服务器装置、所谓的云***来实现。

首先，在图16中示出了将要因推定***作为服务器装置而安装的情况下的功能结构。此外，本结构以实施例1的要因推定***100为例进行说明，但在实施例2的要因推定***1300中也能够同样地安装。在图16中，机器人等各种装置1601、服务器装置1602、要因显示和对策输入功能部103为相互连接内部网络14的结构。并且，服务器装置1602是要因推定***100。因此，本变形例能够通过图15所示的硬件结构来实现。

接着，图17中示出了将要因推定***作为云***1700而安装的情况下的功能结构。此外，本例也以实施例1的要因推定***100为例进行说明，但在实施例2的要因推定***1300中也能够同样地安装。在本例中，对云装置1703设置各功能。因此，在设置于生产线侧的服务器装置1602中，只要具有对各种装置1601、要因显示和对策输入功能部103以及云装置1703的通信进行中继的功能即可。但是，云装置1703也可以具有4M潮流判定部104、模型再学习部105，服务器装置1602也可以具有要因筛选部102、学习完成统计模型1201、以及4M潮流知识。

另外，在图17所示的云***1700中安装要因推定***的情况下，与图15所示的硬件结构的关系如下。图15的要因推定***100安装于云装置1703。并且，云装置1703经由互联网那样的广域网与各种装置1601、服务器装置1602、要因显示和对策输入功能部103连接。此外，关于各种装置1601、服务器装置1602、要因显示和对策输入功能部103，优选相互经由内部网络14而连接。

根据以上的各实施例，能够根据周边数据(例如4M(Man、Machine、Material、Method))的变动程度(趋势)，自动地使推定精度高精度化。

此外，本发明并不限定于上述的实施例，包含各种变形例。例如，上述的实施例是为了容易理解地说明本发明而详细地进行了说明的实施例，并不限定于必须具备所说明的全部结构的实施例。另外，能够将某实施例的结构的一部分置换为其他实施例的结构，另外，也能够在某实施例的结构中添加其他实施例的结构。另外，对于各实施例的结构的一部分，能够进行其他结构的追加、删除、置换。

另外，例如也可以通过由集成电路设计等而由硬件实现上述的各结构、功能、处理部、处理单元等各自的一部分或者全部。另外，上述的各结构、功能等也可以通过处理器解释并执行实现各功能的程序而由软件实现。实现各功能的程序、表、文件等信息能够放置在存储器、硬盘、SSD(Solid State Drive)等记录装置、或者IC卡、SD卡、DVD等记录介质中。

另外，控制线、信息线示出了认为说明上必要的部分，未必示出了产品上所有的控制线、信息线。实际上也可以认为几乎全部的结构相互连接。

并且，在本实施例中，作为工序的示例，例示了生产线，但也能够应用于所谓的自动仓库那样的物流据点、废品回收设施、发电站等各种方案等。

Claims (15)

1.一种要因推定***，该要因推定***使用学习模型来推定在工序中在产品中产生的不良的要因，

其特征在于，

所述要因推定***具有：

存储装置，其存储所述学习模型；

潮流判定部，其受理表示所述工序的要素的状况的多个周边数据的输入，并执行对表示所受理的所述周边数据的变动程度的变动趋势进行解析的趋势解析；

模型再学习部，其基于所执行的所述趋势解析，周期性地执行所述学习模型的学习；以及

要因筛选部，其使用由所述模型再学习部学习到的学习模型，根据多个周边数据来确定对所述要因给予影响的周边数据，

所述潮流判定部还使用由所述要因筛选部确定出的所述周边数据来执行所述变动趋势的解析。

2.根据权利要求1所述的要因推定***，其特征在于，

所述潮流判定部还受理表示所述不良的图案的不良图案，并使用所述不良图案来执行趋势解析。

3.根据权利要求2所述的要因推定***，其特征在于，

所述潮流判定部根据所受理的所述周边数据来推定能够成为所述不良的不良要因的部位，并基于该推定的结果来制作所述模型再学习部的学习中的加权数据。

4.根据权利要求1～3中任一项所述的要因推定***，其特征在于，

在与该要因推定***连接的终端装置中，显示由所述要因筛选部确定出的对所述要因给予影响的周边数据，与所显示的结果相应地，将由用户输入的对策结果输出到所述潮流判定部。

5.根据权利要求1～3中任一项所述的要因推定***，其特征在于，

在与该要因推定***连接的终端装置中，显示由所述要因筛选部确定出的对所述要因给予影响的周边数据以及由所述潮流判定部执行的趋势解析的结果，与所显示的结果相应地，将由用户输入的对策结果输出到所述模型再学习部。

6.一种要因推定程序，其特征在于，

所述要因推定程序使要因推定***作为以下各部分发挥功能，该要因推定***是计算机装置，使用学习模型来推定在工序中产生的不良的现象的要因，且具有存储所述学习模型的存储装置，

所述以下各部分包含：

潮流判定部，其受理表示所述工序的要素的状况的多个周边数据的输入，并执行对表示所受理的所述周边数据的变动程度的变动趋势进行解析的趋势解析；

模型再学习部，其基于所执行的所述趋势解析，周期性地执行所述学习模型的学习；以及

要因筛选部，其使用由所述模型再学习部学习到的学习模型，根据多个周边数据来确定对所述要因给予影响的周边数据，

所述潮流判定部还使用由所述要因筛选部确定出的所述周边数据来执行所述变动趋势的解析。

7.根据权利要求6所述的要因推定程序，其特征在于，

使所述潮流判定部受理表示所述不良的图案的不良图案，并使用所述不良图案来执行趋势解析。

8.根据权利要求7所述的要因推定程序，其特征在于，

使所述潮流判定部根据所受理的所述周边数据来推定能够成为所述不良的不良要因的部位，并基于该推定的结果来制作所述模型再学习部的学习中的加权数据。

9.根据权利要求6～8中任一项所述的要因推定程序，其特征在于，

在与该要因推定***连接的终端装置中，显示由所述要因筛选部确定出的对所述要因给予影响的周边数据，与所显示的结果相应地，将由用户输入的对策结果输出到所述潮流判定部。

10.根据权利要求6～8中任一项所述的要因推定程序，其特征在于，

在与该要因推定***连接的终端装置中，显示由所述要因筛选部确定出的对所述要因给予影响的周边数据以及由所述潮流判定部执行的趋势解析的结果，与所显示的结果相应地，将由用户输入的对策结果输出到所述模型再学习部。

11.一种要因推定***，该要因推定***使用学习模型来推定在工序中产生的现象的不良的要因，

其特征在于，

所述要因推定***具有：

潮流判定部，其受理表示所述工序的要素的状况的多个周边数据的输入，并执行对表示所受理的所述周边数据的变动程度的变动趋势进行解析的趋势解析；以及

模型再学习部，其基于执行的所述趋势解析，周期性地执行存储在存储装置中的学习模型的学习，

在经由网络连接的终端装置的要因筛选部中，使用由所述模型再学习部学习到的学习模型，根据多个周边数据来确定对所述要因以及影响的周边数据，

所述潮流判定部还使用由所述要因筛选部确定出的所述周边数据来执行所述变动趋势的解析。

12.根据权利要求11所述的要因推定***，其特征在于，

所述潮流判定部还受理表示所述不良的图案的不良图案，并使用所述不良图案来执行趋势解析。

13.根据权利要求12所述的要因推定***，其特征在于，

所述潮流判定部根据所受理的所述周边数据来推定能够成为所述不良的不良要因的部位，并基于该推定的结果来制作所述模型再学习部的学习中的加权数据。

14.根据权利要求11～13中任一项所述的要因推定***，其特征在于，

在所述终端装置中，显示由所述要因筛选部确定出的对所述要因给予影响的周边数据，与所显示的结果相应地，将由用户输入的对策结果输出到所述潮流判定部。

15.根据权利要求11～13中任一项所述的要因推定***，其特征在于，

与该要因推定***连接的终端装置显示由所述要因筛选部确定出的对所述要因给予影响的周边数据以及由所述潮流判定部执行的趋势解析的结果，与所显示的结果相应地，将由用户输入的对策结果输出到所述模型再学习部。

Images