JP2019145042A - 製品品質管理システム及び製品品質管理方法 - Google Patents

Abstract

【課題】製品品質の管理機能を向上する。【解決手段】所定の受動パラメータＡ、Ｂ、Ｃの条件の下で、所定の能動パラメータＸに基づいて制御されることで所定の結果パラメータＹの状態にある製品を製造する製造設備１と、受動パラメータＡ、Ｂ、Ｃが特定の内容にある条件下で、結果パラメータＹが目標とする内容の状態にある製品を製造するよう製造設備１を制御するために必要な能動パラメータＸの内容を推定する制御パラメータ推定部９と、制御パラメータ推定部９が推定した能動パラメータＸの内容に基づいて製造設備１を制御する制御部１０と、を有する。【選択図】図３

Description

開示の実施形態は、製品品質管理システム及び製品品質管理方法に関する。

特許文献１には、製品で不良品が検出された場合に、不良品を処理したときの観測値と良品を処理したときの観測値とを比較することにより、不良の要因となり得る生産設備の動作の異常が発生しているかを判断する技術が開示されている。

特許第６２３３０６１号公報

しかしながら上記従来技術では、良品と不良品の区別と、それに基づく生産設備の動作異常の発生を判断するだけであり、そのような不良品をできるだけ製造しないよう製品品質を管理する機能まではなかった。

本発明はこのような問題点に鑑みてなされたものであり、製品品質の管理機能を向上できる製品品質管理システム及び製品品質管理方法を提供することを目的とする。

上記課題を解決するため、本発明の一の観点によれば、所定の受動パラメータの条件の下で、所定の能動パラメータに基づいて制御されることで所定の結果パラメータの状態にある製品を製造する製造設備と、前記受動パラメータが特定の内容にある条件下で、前記結果パラメータが目標とする内容の状態にある製品を製造するよう前記製造設備を制御するために必要な前記能動パラメータの内容を推定する推定部と、前記推定部が推定した前記能動パラメータの内容に基づいて前記製造設備を制御する制御部と、を有する製品品質管理システムが適用される。

また、本発明の別の観点によれば、所定の受動パラメータの条件の下で、所定の能動パラメータに基づいて制御されることで所定の結果パラメータの状態にある製品を製造する製造設備を利用する場合の製品品質管理方法であって、前記受動パラメータが特定の内容にある条件下で、前記結果パラメータが目標とする内容の状態にある製品を製造するよう前記製造設備を制御するために必要な前記能動パラメータの内容を推定することと、推定した前記能動パラメータの内容に基づいて前記製造設備を制御することと、を実行する製品品質管理方法が適用される。

本発明によれば、製品品質の管理機能を向上できる。

製品品質管理システムの概略的なブロック構成を表す図である。 画像データ記録部の概略的なブロック構成を表す図である。 一般的な製造設備での製品の製造に関係するパラメータの種類とそれらの間の関係を模式的に表す図である。 制御パラメータ推定部において深層学習を利用した場合のニューラルネットワークの概略モデル構成の一例を表す図である。 制御パラメータ推定部に学習させる推定部学習用データセットの一例を表す図である。 標準画像データとロット画像データを重ね合わせて表示した一例を表す図である。 差分画像データの一例を表す図である。 標準画像データとロット画像データで差分画像データを抽出する場合の標準画像データとロット画像データの組合せの一例を表す図である。 制御パラメータ指令の上限値と下限値の両方を出力する場合の制御パラメータ推定部の概略モデル構成の一例を表す図である。 最適制御パラメータ指令を出力する場合の制御パラメータ推定部の概略モデル構成の一例を表す図である。 単一品種大量生産を行う場合の制御パラメータ推定部の概略モデル構成の一例を表す図である。 多品種生産を行う場合の制御パラメータ推定部の概略モデル構成の一例を表す図である。 環境パラメータが操作可能で多品種生産を行う場合の制御パラメータ推定部の概略モデル構成の一例を表す図である。 ロット前後で差分画像データを抽出する場合のロット画像データの組合せの一例を表す図である。 数理モデルに基づき製品パラメータデータでのフィードバックループを行う場合の制御パラメータ推定部の概略モデル構成の一例を表す図である。 深層学習に基づきビジョンデータでのフィードバックループを行う場合の制御パラメータ推定部の概略モデル構成の一例を表す図である。

以下、一実施の形態について図面を参照しつつ説明する。

＜１：製品品質管理システムの全体構成＞
図１を参照しつつ、本実施形態に係る製品品質管理システムの全体構成の一例について説明する。

図１は、製品品質管理システムの概略的なブロック構成を表している。なお本実施形態の例では、ボビンに巻線を巻回してコイルを製造する製造設備に適用した場合の製品品質管理システムとして説明する。図１に示すように、製品品質管理システム１００は、製造設備１と、設備状態センサ２と、環境センサ３と、材料パラメータデータ入力部４と、カメラ５と、画像データ記録部６と、製品パラメータデータ生成部７と、制御装置８とを有する。

製造設備１は、特に図示しない所定の動力源で駆動され、供給された材料１１に対し所定の加工処理を行うことで所定の仕様、品質にある製品１２を製造する機械設備である。この例では、材料１１として供給されたボビン１１ａに対し同じく材料１１として供給された巻線１１ｂを巻回することにより、製品１２としてのコイル１２ａを製造するコイル巻き装置である。

設備状態センサ２（受動データ取得部）は、上記製造設備１に設けられ、当該製造設備１が製造する製品１２（この場合のコイル１２ａ）の仕様や品質に影響を与え得る当該製造設備１の状態を検出するセンサである。例えば、製造設備１のうち稼働中に材料１１などに接触して消耗しやすい箇所などにおける消耗度合い（摩耗量など）を検出する光センサなどである。

環境センサ３（受動データ取得部）は、上記製造設備１の内部又は周囲に設けられ、当該製造設備１が製造する製品１２（この場合のコイル１２ａ）の仕様や品質に影響を与え得る当該製造設備１の内部又は周囲における環境状態を検出するセンサである。例えば、製造設備１のうち稼働中に材料１１を直接加工する箇所の周囲の温度、湿度、又は振動などを検出するセンサなどである。なお、環境センサ３（受動データ取得部）は、上記制御装置８の内部又は周囲に設けられ、上記製造設備１の内部又は周囲における環境状態を等価的に検出するようにしても良い。

材料パラメータデータ入力部４（受動データ取得部）は、上記製造設備１に供給される材料１１の仕様や品質に関する情報（以下、この情報を材料パラメータデータという）を入力する装置である。この例では、それぞれ工業製品として別途製造されたボビン１１ａ及び巻線１１ｂが材料１１であり、これらはいずれも仕様や品質にほとんど個体差がなく一律設計値通りに製造されたものと見なせる。このような場合には、上記製造設備１が製造する製品１２（この場合のコイル１２ａ）の仕様や品質に影響を与え得る材料１１（この場合のボビン１１ａ及び巻線１１ｂ）の仕様値（設計値）そのものが材料パラメータデータとして、例えば手作業の入力操作により材料パラメータデータ入力部４に直接入力されて共通の材料パラメータデータとして登録される。なお以下においては、情報の項目を「パラメータ」といい、実際に入力された値や取得された観測値の集合を「パラメータデータ」というものとする。

カメラ５（結果データ取得部）は、撮像対象の外観を光学的に撮像して２次元ピクセル列データ形式の画像データを取得する光学センサである。この例では、上記製造設備１が実際に製造した製品１２（この場合のコイル１２ａ）を撮像対象としてその個体別に外観を撮像し、取得した画像データを後述の画像データ記録部６に出力する。

画像データ記録部６は、上記カメラ５が個体別に製品１２を撮像した画像データを記録するサーバであり、この例では入力された各画像データを圧縮処理してそれらのデータ容量を削減した状態で記憶する（後述の図２参照）。

製品パラメータデータ生成部７（結果データ取得部）は、上記画像データ記録部６から取得した画像データを画像認識することにより、当該画像データに撮像されている製品１２（この場合のコイル１２ａ）の外観に表出している所定の仕様や品質に関する情報を製品パラメータデータとして出力する画像認識装置である。なお、この製品パラメータデータ生成部７における画像認識処理は、いわゆる深層学習（畳み込みニューラルネットワーク）などの機械学習によるものであってもよいし、もしくは機械学習によらないいわゆるラスタースキャンや相関検出などによるものであってもよい。

制御装置８は、上記製造設備１の動作を制御する制御装置であり、制御パラメータ推定部９と、制御部１０とを有している。

制御パラメータ推定部９は、上述した各部から入力される設備状態パラメータデータ、環境パラメータデータ、材料パラメータデータ、及び製品パラメータデータに基づいて、目標とする仕様や品質にある製品１２（この場合のコイル１２ａ）を製造するよう上記製造設備１を制御するために必要な制御パラメータ指令の内容を推定する機能を有している。なお、「制御パラメータ指令」とは、上記製造設備１の制御情報に関する項目である「制御パラメータ」のそれぞれについて当該制御パラメータ推定部９が具体的に生成した指令値の集合を意味する。なお、この制御パラメータ推定部９が、各請求項記載の推定部に相当する。

制御部１０は、上記制御パラメータ推定部９が出力した制御パラメータ指令に基づいて、上記製造設備１の動作を制御するための駆動電力や駆動指令を出力する機能を有している。

なお、以上における各パラメータの具体的な種類の例については後述の図５を参照。

＜２：画像データ記録部の構成＞
図２は、画像データ記録部６の概略的なブロック構成を表している。この図２において、画像データ記録部６は、圧縮部２１と、記録部２２と、復元部２３とを有している。

圧縮部２１は、上記カメラ５から入力された画像データに対して所定の圧縮処理を行うことにより、そのデータ容量を削減した圧縮画像データを生成する機能を有する。なお、この圧縮処理の詳細については後に詳述する（後述の図７〜図９参照）。

記録部２２は、上記圧縮部２１で生成された圧縮画像データを、対応する製品１２の個体ロット別に記録し管理する機能を有する。

復元部２３は、上記記録部２２から取得した圧縮画像データを、上記圧縮部２１と逆の復元処理を行うことにより元の画像データを生成する機能を有する。

以上により、もともとデータ容量が大きい画像データを製品１２の個体ロット別で大量に取得した場合でも、各画像データのデータ容量を大幅に削減して記録部２２に効率的に記憶させることができる。また、上記圧縮部２１をカメラ５に備えたり、または上記復元部２３を制御装置８に備えてもよく、それらの場合にはカメラ５、データ記憶部、及び制御装置８の間の通信ネットワークにおいて、大量の画像データを送受する場合でもそれらのデータ容量が小さいことで通信負荷を大きく軽減させることができる。

＜３：実施形態の特徴＞
上記実施形態のように現在行われている工業生産形態としては、所定の動力源で駆動される機械設備（つまり製造設備１）が、それに供給された材料１１に対して所定の処理を行うことで目標とした仕様にある製品１２を自動的に製造するといった機械生産の形態が多く取られている。具体的に製造設備１が行う処理としては、例えば機械的処理（削り、切断、曲げ、伸展・圧縮、加熱、冷却、溶接）による部品の製造や組み立て、材料１１の物理的・電磁気的・化学的な性質や反応を利用した処理による加工、植物のように材料１１自体が備える成長機能の助成処理による生育、などがあり、それらの処理によって機械機器、電気機器、食品、植物、化学薬品などの製品１２が製造される。このような製造設備１は、同一の材料１１を継続的に供給して同一の処理を繰り返すことにより同一の仕様、品質にある製品１２を大量に製造する大量生産が可能であり、また実行する処理に関する多様な設定を適宜変更することで異なる仕様の製品１２を作り分ける多品種生産も可能となる。

しかしながら、製造される製品１２の仕様や品質は、どのような材料１１を供給し、どのような環境下で、どのような処理を行うかなどの多様な要因の影響を受けて大きく変動してしまう。そのうち製造設備１で操作できる要因は上記処理に関する設定に限られており、製造設備１側では操作し得ない他の要因の不可避的な変動に対しても適切に対応して製造する製品１２を目的の仕様や品質で安定的に製造させたいという要望がある。

これに対して本実施形態の製品品質管理システム１００では、受動パラメータが特定の内容にある条件下で、結果パラメータが目標とする内容の状態（つまり目標とする仕様や品質）にある製品１２を製造するよう製造設備１を制御するために必要な能動パラメータの内容を推定する制御パラメータ推定部９と、制御パラメータ推定部９が推定した能動パラメータの内容に基づいて製造設備１を制御する制御部１０と、を有している。

ここで、製造設備１側からは操作できずに受動的に与えられる要因を数値化した情報を総称して受動パラメータとし、制御装置８側から任意に操作できる要因を数値化した情報を総称して能動パラメータとし、結果的に製造された製品１２の仕様に関する状態を数値化した情報を総称して結果パラメータとした場合に、製造設備１は、受動パラメータの条件下で、能動パラメータに基づいて制御されることで結果パラメータの状態にある製品１２を製造するものと解釈できる。なお、受動パラメータ及び能動パラメータは、結果パラメータに影響を与え得る要因だけで構成するのが望ましい。

そして上記制御パラメータ推定部９が、受動パラメータの条件下で、製品１２の結果パラメータが目標内容となるよう、上記製造設備１を制御するために必要な能動パラメータの内容を推定し、制御部１０がその推定された能動パラメータで製造設備１を制御する。これにより、製造設備１側では操作し得ない受動パラメータの不可避的な変動に対しても適切に対応して目標とする結果パラメータの製品１２を、製造設備１に安定的に製造させることができる。以下、このような機能を実現するための具体的な手法について順次説明する。

＜４：各パラメータ間の関係と制御パラメータ推定部の設計について＞
図３は、一般的な製造設備１での製品１２の製造に関係するパラメータの種類とそれらの間の関係を模式的に表している。この図３において、上述したように、製造設備１は供給された材料１１に対し所定の処理を行うことで所定の仕様にある製品１２を自動的に製造する。

ここで、材料１１の仕様や品質に関する情報の項目が材料パラメータＡであり、それらの実際値（もしくは仕様値）の集合が材料パラメータデータ（受動データ）となる。

また、製品１２を製造する際における製造設備１の内部又は周囲の製造環境に関する情報の項目が環境パラメータＢであり、それらの実観測値の集合が環境パラメータデータ（受動データ）となる。

また、製造設備１が製造する製品１２の仕様や品質に影響を与え得る当該製造設備１の状態に関する情報の項目が設備状態パラメータＣであり、それらの実観測値の集合が設備状態パラメータデータ（受動データ）となる。

また、製品１２を製造する際に製造設備１を制御する上で必要な情報の項目が制御パラメータ（設備制御パラメータ）であり、製造設備１を制御する制御部１０（図３中では図示省略）に実際に入力される制御パラメータの指令値の集合が制御パラメータ指令Ｘ（能動データ）となる。

また、製造設備１が製造した製品１２の仕様や品質に関する情報の項目が製品パラメータであり、その実際値の集合が製品パラメータデータＹ（結果データ）となる。

そして、上記の各パラメータのうち材料パラメータＡ、環境パラメータＢ、及び設備状態パラメータＣについては、製造設備１側からは操作できずに受動的に与えられる受動パラメータとして解釈し分類できる。また、制御パラメータＸは、制御装置８側から任意に操作できる能動パラメータとして解釈、分類でき、製品パラメータＹは結果的に製造された製品１２の仕様に関する状態を表す結果パラメータとして解釈、分類できる。

なお、上記の各パラメータそれぞれに設定する項目数は単数でも複数でもよく、結果パラメータについてはユーザが任意に設定できる一方、受動パラメータ及び能動パラメータは結果パラメータに影響を与え得る（相関関係を有する）必要十分な項目で設定するのが望ましい。なお、上記の各パラメータデータや制御パラメータ指令は、同一の製品個体（ロット、シリアル）に対応付けて取得、管理する。

以上のような製品製造に関係する各パラメータの間の関係は、Ｙ＝Ｆ（Ｘ、Ａ、Ｂ、Ｃ）の関係式で表すことができる。ここで、関数のＦは製造設備１の構成及び処理内容で規定される多変数関数であり、すなわち製造設備（Ｆ）は、受動パラメータＡ，Ｂ，Ｃの条件下で、能動パラメータＸに基づいて制御されることで結果パラメータＹの状態にある製品１２を製造するものと解釈できる。

そして本実施形態における制御パラメータ推定部９は、受動パラメータＡ、Ｂ、Ｃの条件下で、製品１２の結果パラメータＹが目標内容（＝目標結果パラメータデータＹ’）となるよう、上記製造設備１を制御するために必要な能動パラメータＸの内容を推定する。このため、制御パラメータ推定部９は、Ｘ＝Ｆ’（Ｙ＝Ｙ’、Ａ、Ｂ、Ｃ）の関係となる多変数関数Ｆ’として設計する。つまり、元の多変数関数Ｆにおける受動パラメータＡ、Ｂ、Ｃと、能動パラメータＸと、結果パラメータＹとの間の相関関係を同等に保持しながら、目標結果パラメータデータＹ’に固定された結果パラメータＹと受動パラメータＡ、Ｂ、Ｃを説明変数として、能動パラメータＸを目的変数とした逆多変数関数Ｆ’を求めればよい。

＜５：制御パラメータ推定部の具体的な実装について＞
上述したような制御パラメータ推定部９の具体的な実装形態としては、各パラメータそれぞれの内容とそれらの間の相関関係を考慮した数理モデル設計や統計学的な演算手法などに基づく多様な実装形態が考えられるが、本実施形態の例では機械学習手法を適用した実装形態について説明する。また機械学習についても多様な手法を適用できるが、以下においては例えば機械学習アルゴリズムに深層学習（ディープラーニング）を適用した場合の例を説明する。

＜５−１：深層学習による制御パラメータ推定部の実装手法について＞
図４は、制御パラメータ推定部９において深層学習を利用した場合のニューラルネットワークの概略モデル構成の一例を示している。この図４において、制御パラメータ推定部９のニューラルネットワークは、各センサや入力部４から入力された多数の材料パラメータデータ、環境パラメータデータ、及び設備状態パラメータデータに対して、それらパラメータデータの取得時に結果パラメータがあらかじめ設定した目標内容となるための（つまり製品１２が目標の仕様や品質となるための）制御パラメータ指令を出力するよう設計されている。

図示する例では、それぞれ多値データであるパラメータデータを入力ノードに入力し、結果パラメータを目標内容にできる制御パラメータ指令の領域の中央値（後述）を多値出力する。この推定処理は、当該制御パラメータ推定部９の学習フェーズにおける機械学習プロセスでの学習内容に基づくものであり、すなわちこの制御パラメータ推定部９のニューラルネットワークは、入力される各パラメータデータと出力する中央値制御パラメータ指令との間の相関関係（対応関係）を表す特徴量を学習している。

この制御パラメータ推定部９の機械学習プロセスについては、上記のように設計された多層ニューラルネットワークが上記制御装置８上でソフトウェア的（又はハードウェア的）に実装された後、当該制御装置８が備える内部データベース（特に図示せず）に保存した多数の推定部学習用データセットを用いていわゆる教師あり学習により制御パラメータ推定部９に学習させる。ここで用いる推定部学習用データセットは、例えば図５に示すように、製品１２の製造個体（ロット、シリアル）別に各パラメータデータの観測値や入力値、及び制御パラメータ指令の内容を対応付けて１つの推定部学習用データセットとして作成する。そして多様な材料、環境、設備状態、指令で多様な製品１２を製造した際に取得した多様なパラメータデータ及び制御パラメータ指令の組み合わせに対応して推定部学習用データセットを多数作成し、制御装置８の内部データベース（図示省略）に保存する。なお、制御装置８で推定部学習用データセットを作成する際に、制御パラメータ指令（能動データ）を取得する機能が各請求項記載の能動データ取得部に相当する。

本実施形態の例における制御パラメータ推定部９の学習フェーズでは、例えば多数の推定部学習用データセットのうち結果パラメータが目標内容を満たすデータセット（つまり良品製品に対応するデータセット）だけを教師データとして採用する。そしてそれら教師データを用いて、制御パラメータ推定部９のニューラルネットワークの入力層と出力層の間の関係性が成立するよう各ノードどうしをつなぐ各エッジの重み係数を調整するいわゆるバックプロパゲーション処理（誤差逆伝搬）等により学習を行う。なお、このようなバックプロパゲーションの他にも、いわゆる積層オートエンコーダ、制限付きボルツマンマシン、ドロップアウト、ノイズ付加、及びスパース正則化などの公知の多様な学習手法を併用して処理精度を向上させてもよい。

このような深層学習の手法によれば、結果パラメータＹの内容を目標結果パラメータデータＹ’に固定しつつ、受動パラメータＡ、Ｂ、Ｃを説明変数とし、能動パラメータＸを目的変数とした重回帰分析が行われ、制御パラメータ推定部９は上述したＸ＝Ｆ’（Ｙ＝Ｙ’、Ａ、Ｂ、Ｃ）の関係となる多変数関数Ｆ’として実装できる。

なお、図５に示した例の推定部学習用データセットに記録されている各パラメータデータのパラメータ種類は、製品１２であるコイル１２ａの外観に表出する（カメラ５が撮像した画像データから画像認識できる）機械的特性の観点で結果パラメータ（図示する例では巻回幅や巻回長など）を設定し、その結果パラメータに影響を与え得るものとして他のパラメータを設定しているがこれに限られない。例えば、製品１２がコイル１２ａである場合にはその電磁気的特性の観点で関連する各パラメータを設定してもよく、その場合には結果パラメータ（図示しないが例えばインダクタンスや磁束密度など）の取得形態として電圧計、電流計、又は磁束検出器などを利用する。

また、推定部学習用データセットに記録される能動パラメータ（制御パラメータ）については、図５に示した例のように、供給された材料１１に対する直接的な処理操作量（図示する例の巻き速度、巻き張力、導出角度、等）といった上位の制御量であってもよい。もしくは、その処理操作量を実現するために上記制御部１０が操作すべき物理量（電流、電圧、位置、速度、トルク、等）や設定すべき情報（指令形態、ゲイン、等）などといった下位の制御量であってもよい。

そして以上の機械学習プロセスにより得られた制御パラメータ推定部９は、多数あるパラメータデータの多次元ベクトル空間において、製造設備１が目標内容の結果パラメータにある製品１２（つまり良品製品）を製造可能なパラメータデータ（制御パラメータ指令）の領域を認識できる（特に図示せず）。結果パラメータの許容マージンが大きいほどその目標仕様領域が広くなるが、その場合には基準となる１つの目標結果パラメータデータに対応して能動パラメータ（制御パラメータ指令）が上限値と下限値の間の範囲を持つことになる。この例の制御パラメータ推定部９は、その上限値と下限値の間の中央値で制御パラメータ指令を出力させるよう設計されている。

なお、上記の目標仕様領域の認識を明確化するためには、制御パラメータ推定部９の学習フェーズにおいて上述した良品製品に対応するデータセットだけでなく、不良品に対応するデータセットも併せて教師データとして採用し、それらデータセットを良品と不良品のラベル付けで区別して学習させればよい。そのためには、特に図示しないが、制御パラメータ推定部９のニューラルネットワークで出力層に良品と不良品を２値出力で判定するノードも設けておき、学習フェーズでこのノードに対し教師データのラベル（良品、不良品）を誤差逆伝搬させるよう学習させるとよい。このように設計、学習した制御パラメータ推定部９では、運用フェーズにおいて良品の製造が不可能な組合せにある受動パラメータデータが入力された場合に、上記判定ノードから製品１２が不良品にしかなり得ないとの判定を出力させることができる。

また、以上では教師あり学習で制御パラメータ推定部９を学習させる場合を説明したが、その他にも深層強化学習で学習させてもよく、その場合には結果パラメータの内容が目標結果パラメータデータに近づくほど高くなる報酬を設定すればよい。

なお上述したように、制御パラメータ推定部９において制御パラメータ指令を推定するアルゴリズムは、図示した深層学習によるもの以外にも、例えばサポートベクトルマシンやベイジアンネットワーク等を利用した他の機械学習アルゴリズム（特に図示せず）を適用してもよい。その場合でも、入力されたパラメータデータに対応して結果パラメータが目標内容となるための制御パラメータ指令を出力するという基本的な構成については同等となる。

＜６：画像データ記録部の圧縮部における圧縮処理について＞
以下、圧縮部２１における画像データの圧縮処理について詳細に説明する。本実施形態の例では、標準画像データに対するロット画像データの差分画像データを抽出し、さらにその差分画像データに対して符号化等の圧縮を行うという二重圧縮を行うことで、当該ロット画像データ分のデータ容量を削減する。

図６は、標準画像データとロット画像データを重ね合わせて表示した一例を示している。ここで標準画像データとは、結果パラメータの内容が目標結果パラメータデータにある製品１２、つまり設計値通りの仕様と品質にある製品１２の外観を撮像した画像データであり、あらかじめユーザが用意して圧縮部２１内の記憶領域に記憶されているデータである。またロット画像データとは、製造設備１が実際に製造した製品１２のロットごとにカメラ５が撮像した画像データである。なお、本実施形態の例における標準画像データが各請求項記載の第１画像データ及び基準状態にある撮像対象の画像データに相当し、ロット画像データが各請求項記載の第２画像データに相当する。

いずれの画像データも製品１２であるコイル１２ａを同じ撮像方向（図示する例の側面）から同じ縮尺で撮像されているが、図示するように重ね合わせた状態では、ロット製品の方で設計値外の製造誤差がある箇所（図示する例では巻線１１ｂの巻回幅方向の縁部）に両画像データ間で相違部分が生じる（図示する例巻回幅の差；図中の網掛け部分参照）。つまり、この画像データ間の相違部分が標準製品に対する当該ロット製品の相対的な特徴を表しており、図７に示すようにこの相違部分だけの差分画像データを抽出してもそこから当該ロット製品の結果パラメータデータ（主に機械的特性に関する結果パラメータデータ）を得ることができる。なお、圧縮部２１においてこの差分画像データを抽出する機能が、各請求項記載の抽出部に相当する。

そしてこの差分画像データでは、比較的小さい相違部分以外のほとんどの領域がホワイトスペース（図示する白抜き部分）となることが期待できるため、当該差分画像データに対してさらに例えばＲＬＥやＬＺ７８等の符号化による可逆的な圧縮処理を施すことで大幅なデータ容量の削減が可能となる。

そして本実施形態の例のように製造設備１が多数のロット製品を製造する場合で上記の二重圧縮手法を行うにあたっては、図８に示すように、共通の基準となる１つの標準画像データと、各ロット画像データに対応する差分画像データが、符号化圧縮して記録部２２に記録させる対象の画像データとなる。なお、差分画像データを抽出する際には、ロット画像データの相違部分が標準画像データに対して過剰に相違している（はみ出している）のか、もしくは不足して相違している（引き込んでいる）のかを例えば正負の符号付きで抽出するなどで区別可能にするとよい。

なお、復元部２３における圧縮画像データの復元は、上記の製品パラメータデータ生成部７の画像認識機能に応じて差分画像データまでで止めてもよいし、元のロット画像データまで二重復元してもよい。

＜７：本実施形態による効果＞
以上説明したように、本実施形態の製品品質管理システム１００は、制御パラメータ推定部９が、受動パラメータの条件下で、製品１２の結果パラメータが目標内容となるよう、上記製造設備１を制御するために必要な能動パラメータの内容を推定し、制御部１０がその推定された能動パラメータで製造設備１を制御する。これにより、製造設備１側では操作し得ない受動パラメータの不可避的な変動に対しても適切に対応して、目標とする結果パラメータの製品１２を製造設備１に安定的に製造させることができる。この結果、歩溜まり向上といった製品品質の管理機能を向上できる。

また、本実施形態では特に、結果パラメータデータを画像データとして取得している。これにより、製品１２の外観上に表出する特定複数種類の結果パラメータデータを単一の画像データで複合的に取得することができ、非接触で衛生的かつ効率的なデータ取得が可能となる。なお、画像データを取得する光学センサとしては上記カメラ５に限られず、他にもいわゆるレーザースキャナ（特に図示せず）を用いて製品１２の表面上の多数点を走査して各点の距離観測基づく画像データを取得してもよい。

また、本実施形態では特に、受動パラメータデータＡ、Ｂ、Ｃが入力される材料パラメータデータ入力部４、設備状態センサ２、及び環境センサ３と、製造された所定の製品１２に関する結果パラメータデータＹを取得する製品パラメータデータ生成部７と、を有し、制御装置８が所定の製品１２の製造時における能動パラメータデータ（制御パラメータ指令Ｘ）を取得するよう機能し、制御パラメータ推定部９は、機械学習プロセスにより、受動パラメータデータＡ、Ｂ、Ｃ及び目標結果パラメータデータＹ’と、能動パラメータデータ（制御パラメータ指令Ｘ）との間の相関関係を特徴量として学習した学習内容に基づいて能動パラメータ（制御パラメータ指令Ｘ）の内容を推定する。これにより、数理モデルとして人為的に設計することが困難な受動パラメータＡ、Ｂ、Ｃ、能動パラメータＸ、及び結果パラメータＹの間の複雑な相関関係を高い精度で制御パラメータ推定部９に学習させることができ、その学習させた相関関係に基づいて受動パラメータＡ、Ｂ、Ｃ及び結果パラメータＹ（＝Ｙ‘）に適切に対応した能動パラメータＸを高い精度で制御パラメータ推定部９に推定させることができる。

また、本実施形態では特に、受動パラメータは、製造設備１（外部、内部、加工位置周辺、等）における環境に関する環境パラメータ（温度、湿度、振動、入射光量、等）を含んでいる。これにより、制御パラメータ推定部９は、製品１２の仕様や品質に影響を与え得る処理環境の要因を反映した能動パラメータの推定が可能となる。なお、製造設備１がその処理環境自体も操作できる場合には、当該環境パラメータは能動パラメータ（制御パラメータ）に含まれる。

また、本実施形態では特に、受動パラメータは、製造設備１の受動的状態（能動的に操作し得ない不可避的な状態）に関する設備状態パラメータ（累積稼働時間、機械的摩耗量などの劣化状況、等）を含んでいる。これにより、制御パラメータ推定部９は、製品１２の仕様や品質に影響を与え得る製造設備１の受動的状態の要因を反映した能動パラメータの推定が可能となる。

また、本実施形態では特に、受動パラメータは、製造設備１に供給する材料１１（製品本体の材料、加工補助材（アーク溶接の溶加材、化学処理の触媒、植物工場の養液、等）の材料）に関する材料パラメータ（材質、組成比、事前加工状態、植物の品種、機械的・化学的・電磁気的特性、等）を含んでいる。これにより、制御パラメータ推定部９は、製品１２の仕様に影響を与え得る材料１１の要因を反映した能動パラメータの推定が可能となる。なお、当該材料パラメータの変動幅（バラツキ）が少ない場合には、能動パラメータを調整（推定）することで同一の結果パラメータにある製品１２を製造することも可能である。また、製造設備１に供給する材料１１の仕様や品質が常に完全に同一である場合には、当該材料パラメータを受動パラメータから除外してもよい。逆に供給する材料１１の仕様や品質にバラツキがある場合には、専用のセンサを備えて材料パラメータデータを取得してもよい。例えば別途のカメラ５などで材料１１を撮像し、材料パラメータデータ生成部（特に図示せず）がその画像データを画像認識して材料パラメータデータを生成してもよい。この場合、材料パラメータデータの検出及び管理は、製品１２のロット別や材料１１の個体別の単位で行ってもよいし、供給単位で行ってもよい。

また、本実施形態では特に、能動パラメータは、製造設備１で任意に操作し得る制御量に関する制御パラメータ（機械的・電磁気的・化学的制御量、等）を含んでいる。これにより、制御パラメータ推定部９は、製品１２の仕様や品質に影響を与え得る製造設備１での処理の制御量として能動パラメータの推定が可能となる。なお、この能動パラメータは、供給された材料１１に対する直接的な処理操作量（例えば機械的処理であれば付加する張力、圧縮力、剪断力、加熱温度、加熱時間、照射光量、照射波長、等）といった上位の制御量であってもよいし、その処理操作量を実現するための入力物理量（電流、電圧、位置、速度、トルク、等）や設定（指令形態、ゲイン、等）といった下位の制御量であってもよい。

また、本実施形態では特に、結果パラメータは、製品１２の状態（受動パラメータ、能動パラメータから影響を受け得る状態）に関する製品パラメータ（機械的・電磁気的・化学的特性、仕様、機能、品質、等）を含んでいる。これにより、制御パラメータ推定部９は、製品１２の状態をその仕様や品質として目標に近づけるための能動パラメータの推定が可能となる。

また、本実施形態では特に、撮像対象である製品１２の個体別で撮像した複数の画像データのうちの所定の標準画像データと他のロット画像データとの間の差分画像データを抽出する（もしくはその差分画像データをさらに符号化圧縮する）圧縮部２１と、標準画像データと差分画像データ（もしくはそれらの符号化圧縮データ）を記憶する記憶部と、記憶部に記憶されている標準画像データと差分画像データ（もしくはそれらの符号化圧縮データ）に基づいてロット画像データ（もしくは標準画像データ差分画像データ）を復元する復元部２３と、を有する。これにより、一般的に大容量にある画像データを多数取得した場合でも、標準画像データ以外のロット画像データに関してはその容量を大幅に減少させることができ、圧縮部２１から記憶部への通信速度の向上や、記憶部における記憶容量の削減が可能となる。また、復元部２３で標準画像データとロット画像データ（もしくは差分画像データ）を復元することで、上記の結果パラメータデータの取得も良好に行える。また、各差分画像データの容量や内容に所定以上の変動が生じた場合には、材料、環境、又は製造設備１における異常を検知する一助にもなる。

また、本実施形態では特に、標準画像データは、基準状態にある撮像対象の画像データである。これにより、差分画像データの内容に基づいて基準状態との差異を直接検出できる。

＜８：変形例＞
なお、以上説明した実施形態は、その趣旨及び技術的思想を逸脱しない範囲内で種々の変形が可能である。

＜８−１：制御パラメータ推定部の構成変形例＞
上記実施形態ではニューラルネットワークで構成された制御パラメータ推定部９が、上記図４に示したように３つの受動パラメータデータ（材料パラメータデータ、環境パラメータデータ、及び設備状態パラメータデータ）を入力し、中央値制御パラメータ指令を１つだけ出力するよう設計されていたが、これに限られない。他にも適用する製造設備１や製品１２の製造態様に応じて多様な入出力構成で設計し学習させることも可能である。

例えば、目標とする結果パラメータデータが範囲で指定されている場合には、図９に示すように、その目標結果パラメータデータ範囲に対応する状態の製品１２を製造するために必要な制御パラメータ指令の上限値（図中の上限制御パラメータ指令）と下限値（図中の下限制御パラメータ指令）の両方をそれぞれ出力できるよう制御パラメータ推定部９Ａを設計し学習させてもよい。これにより、目標結果パラメータデータ範囲を得るために必要な制御パラメータ指令の許容幅が得られることになり、余裕度のある制御パラメータ指令の設定が可能となる。

また例えば、制御パラメータ推定部９が、製造設備１の特定の運用条件が最適となる制御パラメータ指令の最適値を推定するようにしてもよい。具体的には、所定の制御パラメータ指令で製造設備１を稼働した際には、そのときの消費電力や製造タクトタイムなどの運用パラメータが当該制御パラメータ指令に対応して変動する。これに対して、上記のように目標結果パラメータデータを得ることが可能な制御パラメータ指令に上限値と下限値の許容幅がある場合、図１０に示すように特定の運用パラメータが最適となる制御パラメータ指令の最適値を１つだけ出力するよう制御パラメータ推定部９Ｂを設計してもよい。この場合には、製造設備１の稼働時における運用パラメータデータを検出する構成を設け、上記実施形態の教師あり学習の後にさらに目的の運用パラメータデータに基づく報酬により制御パラメータ推定部９を深層強化学習で機械学習させるとよい。これにより、消費電力削減や製造タクトタイムの削減といった運用条件に適した制御パラメータ指令の推定が可能となる。

また例えば、製造設備１に常に同じ材料パラメータデータにある材料１１が供給され、常に同じ目標結果パラメータデータにある製品１２を製造するといった単一品種大量生産を行う場合には、図１１に示すように材料パラメータデータの入力を省略するよう制御パラメータ推定部９Ｃを設計してもよい。また、設備状態パラメータについても、その変動幅や結果パラメータに対する影響が無視できるほど小さい場合には、当該設備状態パラメータの入力を省略してもよい（特に図示せず）。

また例えば、食品工場や化学薬品工場のように同一の製造設備１を用いて多様な材料１１を供給し多様な製品１２を製造するといった多品種生産を行う場合もある。この場合には、図１２に示すように３つの受動パラメータデータと１つの目標結果パラメータデータを入力し、１つの制御パラメータ指令だけ出力するよう制御パラメータ推定部９Ｄを設計してもよい。

また例えば、植物工場のように製造設備１が環境パラメータ（温度や湿度など）も操作可能であり、また同一の製造設備１で特定品種の種子（材料パラメータ）から多様な特性の植物製品を製造できる場合もある。この場合には、図１３に示すように材料パラメータデータと目標結果パラメータデータを入力し、１つの制御パラメータ指令だけ出力するよう制御パラメータ推定部９Ｅを設計してもよい（図示する例では設備状態パラメータデータも省略）。

＜８−２：ロット前後で差分画像データを抽出する場合＞
上記実施形態の画像圧縮処理では共通の標準画像データと各ロット画像データとの間で差分画像データを抽出していたが、これに限られない。他にも上記図８に対応する図１４に示すように、ロット順で直前に製造された製品１２のロット画像データに対して、その次に製造された製品１２のロット画像データの差分画像データを抽出し、これを符号化圧縮するようにしてもよい。この場合には、最初のロットで製造した製品１２のロット画像データと、それ以降のロットの製品１２に対応する差分画像データが、符号化圧縮して記録部２２に記録させる対象の画像データとなる。また復号化する場合には、２番目のロットから順に繰り返し差分画像データを復号化する。

このように本変形例では、あるロット画像に対応した差分画像データを抽出する場合に、当該ロット画像データの製品１２の直前に製造された製品１２のロット画像データを基準画像データとして当該ロット画像データとの間の差分画像データを抽出する。これにより、時系列順での各差分画像データ間の内容の変動に基づいて、時系列的な異常の変動の様子も検出できる。

＜８−３：結果パラメータのフィードバックにより能動パラメータを推定する場合＞
上記実施形態では、受動パラメータ及び結果パラメータに基づいて適切な能動パラメータを推定していたが、これに限られない。例えば、実際に製造した製品１２から取得した結果パラメータデータをフィードバック値としてそれが目標結果パラメータデータに近くなるような能動パラメータを推定、調整してもよい。

この場合には、サーボなどにおける機械的、電磁気的なフィードバックループ制御とは別に、制御装置８が製品１２の仕様や品質に関して別途行う上位のフィードバックループ制御に相当する。つまり製造設備１が先に製造した製品１２の結果パラメータに対して、予め入力設定した目標結果パラメータとの間の結果パラメータ偏差を小さくできる能動パラメータ（制御パラメータ指令）を推定すればよい。

このため、例えば図１５に示すように、実際に製造した製品パラメータデータと目標製品パラメータデータを入力し、フィードバックループに対応した数理モデル（フィードフォワード、オブザーバなどを含む）に基づいて制御パラメータ指令を出力するよう制御パラメータ推定部９Ｆを実装してもよい。これにより、上記実施形態のような機械学習によらず、数理モデルに基づいて制御パラメータ推定部９を実装できる。なお特に図示しないが、この制御パラメータ推定部９Ｆに受動パラメータデータを入力してそれらに基づくフィードフォワードの処理を併せて行ってもよい。

また例えば図１６に示すように、実際に製造した製品１２を撮像した画像データそのものを製品パラメータデータとし、また標準画像データそのものを目標製品パラメータデータとしてこれら２つの画像データを制御パラメータ推定部９Ｇに入力してもよい。つまり製品１２のビジョンデータをフィードバックさせることによる品質管理制御となる。この場合、制御パラメータ推定部９Ｇは、いわゆる畳み込みニューラルネットワークなどを用いた画像認識により２つの画像データの間の偏差を検出してその偏差を小さくできる制御パラメータ指令を推定する。またこの場合にも、特に図示しないが、受動パラメータデータも併せて制御パラメータ推定部９Ｇに入力してそれらを反映した制御パラメータ指令を出力させてもよい。

なお、以上の説明において、「垂直」「平行」「平面」等の記載がある場合には、当該記載は厳密な意味ではない。すなわち、それら「垂直」「平行」「平面」とは、設計上、製造上の公差、誤差が許容され、「実質的に垂直」「実質的に平行」「実質的に平面」という意味である。

また、以上の説明において、外観上の寸法や大きさ、形状、位置等が「同一」「同じ」「等しい」「異なる」等の記載がある場合は、当該記載は厳密な意味ではない。すなわち、それら「同一」「等しい」「異なる」とは、設計上、製造上の公差、誤差が許容され、「実質的に同一」「実質的に同じ」「実質的に等しい」「実質的に異なる」という意味である。

また、以上既に述べた以外にも、上記実施形態や各変形例による手法を適宜組み合わせて利用しても良い。その他、一々例示はしないが、上記実施形態や各変形例は、その趣旨を逸脱しない範囲内において、種々の変更が加えられて実施されるものである。

１ 製造設備
２ 設備状態センサ（受動データ取得部）
３ 環境センサ（受動データ取得部）
４ 材料パラメータ入力部（受動データ取得部）
５ カメラ（結果データ取得部）
６ 画像データ記録部
７ 製品パラメータデータ生成部（結果データ取得部）
８ 制御装置
９ 制御パラメータ推定部（推定部）
、９Ａ〜９Ｇ
１０ 制御部
１１ 材料
１１ａ ボビン
１１ｂ 巻線
１２ 製品
１２ａ コイル
２１ 圧縮部
２２ 記録部
２３ 復元部
１００ 製品品質管理システム

上記課題を解決するため、本発明の一の観点によれば、製造される製品の仕様や品質に影響を与え得る所定の受動パラメータの条件の下で、製造される製品の仕様や品質に影響を与え得る所定の能動パラメータに基づいて制御されることで所定の結果パラメータの状態にある個々の製品を製造する製造設備と、前記個々の製品の製造時における前記受動パラメータの内容である受動データを取得する受動データ取得部と、製造された前記個々の製品に関する前記結果パラメータの内容である結果データを取得する結果データ取得部と、前記個々の製品の製造時における前記能動パラメータの内容である能動データを取得する能動データ取得部と、前記受動データと前記結果データに基づいて、所定の目標結果データの状態にある個々の製品を製造するよう前記製造設備を制御するために必要な制御パラメータ指令を推定する推定部と、前記推定部が推定した前記制御パラメータ指令の内容に基づいて前記製造設備を制御する制御部と、を有し、前記推定部は、
機械学習プロセスにより、前記受動データ及び前記結果データと、前記能動データとの間の相関関係を学習した学習内容に基づいて前記制御パラメータ指令を推定する製品品質管理システムが適用される。

Claims (15)

1. 所定の受動パラメータの条件の下で、所定の能動パラメータに基づいて制御されることで所定の結果パラメータの状態にある製品を製造する製造設備と、
   前記受動パラメータが特定の内容にある条件下で、前記結果パラメータが目標とする内容の状態にある製品を製造するよう前記製造設備を制御するために必要な前記能動パラメータの内容を推定する推定部と、
   前記推定部が推定した前記能動パラメータの内容に基づいて前記製造設備を制御する制御部と、
   を有することを特徴とする製品品質管理システム。
2. 所定の製品の製造時における前記受動パラメータの内容である受動データを取得する受動データ取得部と、
   製造された前記所定の製品に関する前記結果パラメータの内容である結果データを取得する結果データ取得部と、
   をさらに有し、
   前記推定部は、
   前記受動データ及び前記結果データの少なくとも一方に基づいて前記能動パラメータの内容を推定することを特徴とする請求項１に記載の製品品質管理システム。
3. 前記結果データ取得部は、前記結果データを画像データとして取得すること
   を特徴とする請求項２記載の製品品質管理システム。
4. 前記所定の製品の製造時における前記能動パラメータの内容である能動データを取得する能動データ取得部、
   をさらに有し、
   前記推定部は、
   機械学習プロセスにより、前記受動データ及び前記結果データの少なくとも一方と、前記能動データとの間の相関関係を学習した学習内容に基づいて能動パラメータの内容を推定することを特徴とする請求項２又は３記載の製品品質管理システム。
5. 前記推定部は、
   前記結果パラメータの内容が目標とする範囲で指定された場合に、対応する状態にある製品を製造するために必要な前記能動パラメータの内容の範囲を推定することを特徴とする請求項２乃至４のいずれか１項に記載の製品品質管理システム。
6. 前記推定部は、
   前記製造設備の特定の運用条件が最適となる前記能動パラメータの内容の最適値を推定することを特徴とする請求項２乃至４のいずれか１項に記載の製品品質管理システム。
7. 前記受動パラメータは、
   前記製造設備における環境に関する環境パラメータを含んでいることを特徴とする請求項１乃至６のいずれか１項に記載の製品品質管理システム。
8. 前記受動パラメータは、
   前記製造設備の受動的状態に関する設備状態パラメータを含んでいることを特徴とする請求項１乃至７のいずれか１項に記載の製品品質管理システム。
9. 前記受動パラメータは、
   前記製造設備に供給する材料に関する材料パラメータを含んでいることを特徴とする請求項１乃至８のいずれか１項に記載の製品品質管理システム。
10. 前記能動パラメータは、
    前記製造設備で任意に操作し得る制御量に関する設備制御パラメータを含んでいることを特徴とする請求項１乃至９のいずれか１項に記載の製品品質管理システム。
11. 前記結果パラメータは、
    前記製品の状態に関する製品パラメータを含んでいることを特徴とする請求項１乃至１０のいずれか１項に記載の製品品質管理システム。
12. 撮像対象である材料又は製品の個体別で撮像した複数の画像データのうちの所定の第１画像データと他の第２画像データとの間の差分画像データを抽出する抽出部と、
    前記第１画像データと前記差分画像データを記憶する記憶部と、
    前記記憶部に記憶されている前記第１画像データと前記差分画像データに基づいて前記第２画像データを復元する復元部と、
    を有することを特徴とする請求項３記載の製品品質管理システム。
13. 前記第１画像データは、
    基準状態にある撮像対象の画像データであることを特徴とする請求項１２記載の製品品質管理システム。
14. 前記第１画像データは、
    前記第２画像データの撮像対象の直前に供給、製造された材料、製品を撮像対象とした画像データであることを特徴とする請求項１２記載の製品品質管理システム。
15. 所定の受動パラメータの条件の下で、所定の能動パラメータに基づいて制御されることで所定の結果パラメータの状態にある製品を製造する製造設備を利用する場合の製品品質管理方法であって、
    前記受動パラメータが特定の内容にある条件下で、前記結果パラメータが目標とする内容の状態にある製品を製造するよう前記製造設備を制御するために必要な前記能動パラメータの内容を推定することと、
    推定した前記能動パラメータの内容に基づいて前記製造設備を制御することと、
    を実行することを特徴とする製品品質管理方法。
    

Images