JP2023049089A - System and program storage medium - Google Patents
System and program storage medium Download PDFInfo
- Publication number
- JP2023049089A JP2023049089A JP2021158627A JP2021158627A JP2023049089A JP 2023049089 A JP2023049089 A JP 2023049089A JP 2021158627 A JP2021158627 A JP 2021158627A JP 2021158627 A JP2021158627 A JP 2021158627A JP 2023049089 A JP2023049089 A JP 2023049089A
- Authority
- JP
- Japan
- Prior art keywords
- manufacturing
- classification model
- unit
- raw material
- information
- 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.)
- Pending
Links
- 239000000463 material Substances 0.000 claims abstract description 362
- 238000004519 manufacturing process Methods 0.000 claims abstract description 293
- 238000003860 storage Methods 0.000 claims abstract description 41
- 239000002994 raw material Substances 0.000 claims abstract description 34
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 238000013145 classification model Methods 0.000 claims description 106
- 238000000034 method Methods 0.000 claims description 53
- 230000009467 reduction Effects 0.000 claims description 37
- 238000012795 verification Methods 0.000 claims description 33
- 230000008569 process Effects 0.000 claims description 28
- 238000004458 analytical method Methods 0.000 claims description 11
- 238000001746 injection moulding Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 claims description 2
- 238000007689 inspection Methods 0.000 abstract description 15
- 239000003550 marker Substances 0.000 abstract description 12
- 238000004891 communication Methods 0.000 description 26
- 238000012545 processing Methods 0.000 description 25
- 230000000875 corresponding effect Effects 0.000 description 19
- 238000007726 management method Methods 0.000 description 12
- 229920000642 polymer Polymers 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000013439 planning Methods 0.000 description 4
- 239000004743 Polypropylene Substances 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 230000010365 information processing Effects 0.000 description 3
- -1 polypropylene Polymers 0.000 description 3
- 229920001155 polypropylene Polymers 0.000 description 3
- 239000011347 resin Substances 0.000 description 3
- 229920005989 resin Polymers 0.000 description 3
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000004374 forensic analysis Methods 0.000 description 1
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 description 1
- 238000004949 mass spectrometry Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000000088 plastic resin Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000002076 thermal analysis method Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
Abstract
Description
本発明は、システムおよびプログラム記憶媒体に関する。 The present invention relates to systems and program storage media.
特許文献１は、標識ポリマーの認証方法に関し、「標識ポリマーが基板ポリマー、法的認証マーカーを含む化合物、及び動的応答認証マーカーを含み、前記法的認証マーカーは法的分析技術で検出するのに十分な量で標識ポリマー中に存在し、前記動的応答認証マーカーは動的応答分析技術で検出するのに十分な量で標識ポリマー中に存在する場合において、試験ポリマーが標識ポリマーであることを認証する方法であって、法的分析技術を用いて試験ポリマーを法的認証マーカーについて試験し、動的応答分析技術を用いて試験ポリマーを動的応答認証マーカーについて試験し、法的認証マーカー及び動的応答認証マーカーが検出されれば試験ポリマーが標識ポリマーであると認証することを含んでなる方法が開示される。」と記載されている。 US Pat. No. 6,200,402 relates to a method of authenticating a tagged polymer, "wherein the tagged polymer comprises a substrate polymer, a compound containing a forensic authentication marker, and a dynamic response authentication marker, said forensic authentication marker being detected by a forensic analytical technique." and the kinetic response authentication marker is present in the labeled polymer in an amount sufficient to be detected by a kinetic response analysis technique. comprising: testing a test polymer for a forensic authentication marker using a forensic analysis technique; testing the test polymer for a dynamic response authentication marker using a dynamic response analysis technique; and authenticating the test polymer as a labeled polymer if a dynamic response authentication marker is detected."
近年、従来の大量消費、大量廃棄のリニアエコノミーから循環型のサーキュラーエコノミーに転換する社会潮流の中、廃棄物から材料を回収して再生したリサイクル材を活用する社会的要求が高まっている。それに伴い、バージン材の価格が下落した際に、材料メーカーがバージン材をリサイクル材と偽って販売する問題が生じている。このような材料の偽装があった場合、リサイクル材を使用したとして上市した製品に対し、製造メーカーが材料偽装の責任を問われるという問題が生じ得る。 In recent years, amid the social trend of shifting from the conventional linear economy of mass consumption and mass disposal to a recycling-oriented circular economy, there is a growing social demand for the use of recycled materials recovered from waste materials. Along with this, when the price of virgin materials falls, there is a problem that material manufacturers sell virgin materials falsely as recycled materials. In the event of such material falsification, there may arise a problem that manufacturers of products marketed as using recycled materials may be held liable for material falsification.
なお、特許文献１に記載の認証方法は、材料メーカーが標識ポリマーに認証マーカーを添加し、試験ポリマーを認証マーカーについて分析するものであり、製造メーカーが材料の真偽を判定することができない。加えて、同文献の技術では、材料中に予め認証マーカーを添加する必要がある上、製品の製造プロセスとは別に追加の分析が必要となるため、それに伴うコストが発生してしまう。 In the authentication method described in Patent Document 1, the material manufacturer adds an authentication marker to the labeled polymer and analyzes the test polymer for the authentication marker, and the manufacturer cannot determine the authenticity of the material. In addition, the technique of the same document requires the addition of an authentication marker to the material in advance, and additional analysis is required separately from the product manufacturing process, which incurs costs.
本発明は、上記課題に鑑みてなされたものであり、追加の検査工程や材料への認証マーカーの添加無しに、製造プロセス中に得られるセンサ情報を用いて材料の真偽を判定し、材料を認証することを目的とする。 The present invention has been made in view of the above problems, and uses sensor information obtained during the manufacturing process to determine the authenticity of a material without adding an additional inspection step or adding an authentication marker to the material. for the purpose of authenticating
本願は、上記課題の少なくとも一部を解決する手段を複数含んでいるが、その例を挙げるならば、以下のとおりである。上記の課題を解決する本発明の一態様に係るシステムは、一つ以上のプロセッサと、一つ以上の記憶媒体と、を有するシステムであって、前記プロセッサは、原材料を用いた製品の製造設備に設置した複数のセンサから得られる測定値を学習して原材料の真偽の判定に用いる情報を出力する学習済み分類モデルを生成し、当該学習済み分類モデルを前記記憶媒体に記憶し、未認証の原材料における前記測定値を前記学習済み分類モデルに入力し、前記未認証の原材料が真と判定された場合、当該原材料を認証する。 The present application includes a plurality of means for solving at least part of the above problems, and examples thereof are as follows. A system according to one aspect of the present invention for solving the above problems is a system having one or more processors and one or more storage media, wherein the processor is a manufacturing facility for products using raw materials. A trained classification model that learns measured values obtained from a plurality of sensors installed in the raw material and outputs information used to determine the authenticity of raw materials, stores the learned classification model in the storage medium, and is unauthenticated into the learned classification model, and if the uncertified material is determined to be true, authenticate the material.
本発明によれば、追加の検査工程や材料への認証マーカーの添加無しに、製造プロセス中に得られるセンサ情報を用いて材料の真偽を判定し、材料を認証することができる。 According to the present invention, sensor information obtained during the manufacturing process can be used to determine the authenticity of a material and authenticate the material without additional inspection steps or the addition of authentication markers to the material.
以下、図面に基づいて、本発明の各実施形態について説明する。 Hereinafter, each embodiment of the present invention will be described based on the drawings.
＜第一実施形態＞
図１は、本実施形態に係るシステム１０００の機能構成の一例を示した概略構成図である。図示するように、本システム１０００は、複数のサブシステムを有し、システム１０００全体として材料（原材料）の認証および製品の製造を実行する。
<First embodiment>
FIG. 1 is a schematic configuration diagram showing an example of the functional configuration of a
具体的には、本システム１０００は、生産管理システム１００、製造統括システム２００、材料認証システム３００および製造実行システム４００というサブシステムを有している。また、各サブシステムは、相互に連携して各種の処理を実行する。
Specifically, this
また、本システム１０００は、サブシステム以外にも、図示しない機能部を有している。具体的には、本システム１０００は、当該システム１０００が備える入力装置を介してユーザからの指示や情報の入力を受け付ける入力受付部を有している。また、本システム１０００は、当該システム１０００が備える出力装置（ディスプレイ）に表示される表示情報（画面情報）を生成する出力表示部を有している。
In addition to the subsystems, the
また、本システム１０００は、様々な情報を記憶する記憶部を有している。具体的には、記憶部は、材料認証システム３００に用いられる認証情報ＤＢ３２０と、材料指紋情報ＤＢ３４０と、分類モデルＤＢ３７０と、を有している。また、記憶部は、製造実行システム４００に用いられる学習用製造プロセス４２１、試し製造プロセス４２２および量産製造プロセス４２３を格納した製造プロセスＤＢ４２０を有している。
The
また、本システム１０００は、外部装置（例えば、製造設備５００）との間で情報通信を行う通信部を有している。具体的には、通信部は、例えばインターネット等の公衆網やＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）あるいはＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）などの通信経路ＣＮ２を介して外部装置と相互通信可能に接続されている。
The
なお、これらの入力受付部、出力表示部、記憶部および通信部は、各サブシステムの機能部と協働して様々な処理を実行する。 Note that these input reception unit, output display unit, storage unit, and communication unit cooperate with the functional units of each subsystem to execute various processes.
次に、生産管理システム１００の機能構成について説明する。
Next, the functional configuration of the
生産管理システム１００は、生産計画の管理に関する様々な処理を実行する処理部として機能する。具体的には、生産管理システム１００は、生産計画管理部１１０を有している。生産計画管理部１１０は、受注状況および在庫状況に合わせて、生産仕様、数量、および時期などを含む生産計画を生成する機能部である。
The
次に、製造統括システム２００の機能構成について説明する。 Next, the functional configuration of the manufacturing control system 200 will be described.
製造統括システム２００は、製造実行システム４００に対して所定種類の製造指示を行うなど、製造に関する統括的な処理を行う処理部として機能する。具体的には、製造統括システム２００は、製造条件決定部２１０と、材料認証取得部２２０と、製造指示部２３０と、を有している。
The manufacturing control system 200 functions as a processing unit that performs overall processing related to manufacturing, such as issuing predetermined types of manufacturing instructions to the
製造条件決定部２１０は、生産計画管理部１１０により生成された生産計画を用いて製造条件を決定する機能部である。なお、製造条件には、例えば製品の製造設備５００（工場内の設備）を特定する情報、製造に使用する材料の型番およびロットを特定する情報、および、生産する製品の数量や生産時期などが含まれる。
The manufacturing
ここで、材料の型番とは、材料の特性を識別するために材料メーカーが定めている識別情報（例えば、番号）である。また、材料のロットとは、同一の型番の材料に対して材料メーカーが定めている生産あるいは納品の最小単位である。 Here, the model number of the material is identification information (for example, number) determined by the material manufacturer to identify the characteristics of the material. A material lot is the minimum unit of production or delivery determined by a material manufacturer for materials of the same model number.
材料認証取得部２２０は、材料の認証情報を材料認証システム３００から取得する機能部である。具体的には、材料認証取得部２２０は、製造条件決定部２１０により決定された材料の認証に用いる基礎的情報を材料認証システム３００に送ることにより、材料認証システム３００から材料の認証情報を取得する。材料の認証に必要な基礎的情報には、例えば材料の型番と、材料のロットと、が含まれる。
The material
また、材料認証取得部２２０は、製造に使用する材料のロットが認証済みであることを示す情報（認証情報）を材料認証システム３００から取得した場合、製品の量産製造を製造指示部２３０に要求する。また、材料認証取得部２２０は、使用する材料のロットが未認証であることを示す情報を材料認証システム３００から取得した場合、材料認証のための試し製造を製造指示部２３０に要求する。また、材料認証取得部２２０は、使用する材料の型番に対応する学習済み分類モデルが存在しないことを示す情報を材料認証システム３００から取得した場合、かかる分類モデルを生成するための学習用製造を製造指示部２３０に要求する。
In addition, when the material
なお、試し製造とは、未認証の材料ロットを用いた製造を指す。また、学習用製造とは、学習済み分類モデルを生成するための教師有り学習に用いる情報を取得するための製造であり、予め判明している材料すなわち真であることが分かっている複数の材料の型番およびロットを用いた製造を指す。 Note that trial manufacturing refers to manufacturing using an uncertified material lot. In addition, manufacturing for learning is manufacturing for acquiring information used for supervised learning to generate a trained classification model, and is based on materials that are known in advance, that is, multiple materials that are known to be true. refers to manufacturing using the model number and lot of
製造指示部２３０は、製造実行システム４００に対して製造の実行を指示する機能部である。具体的には、製造指示部２３０は、材料認証取得部２２０からの要求に基づいて、量産製造、試し製造または学習用製造のいずれかの製造指示を製造実行部４１０に出力する。なお、製造指示部２３０は、かかる製造指示と共に、製造に用いる材料の型番やロットなど、製造条件決定部２１０により決定された製造条件も合わせて製造実行部４１０に出力する。
The
次に、材料認証システム３００の機能構成について説明する。
Next, the functional configuration of the
材料認証システム３００は、材料の認証に関する様々な処理を行う処理部として機能する。具体的には、材料認証システム３００は、材料認証発行部３１０と、材料指紋情報生成部３３０と、次元削減部３５０と、分類モデル生成部３６０と、材料真偽判定部３８０と、材料検証部３９０と、を有している。
The
材料認証発行部３１０は、認証情報の取得を要求された材料が認証済みの場合に認証情報を発行する機能部である。具体的には、材料認証発行部３１０は、材料認証取得部２２０から材料の型番およびロットを含む認証情報の取得要求を受け付けると、認証情報ＤＢ３２０を参照し、かかる材料のロットが認証済みの場合は認証情報を材料認証取得部２２０に出力する。
The material
また、材料認証発行部３１０は、材料のロットが未認証の場合に分類モデルＤＢ３７０を参照し、取得要求に係る材料の型番に対応する学習済み分類モデルが存在しない場合、その事を示す情報を材料認証取得部２２０に出力する。また、材料認証発行部３１０は、認証情報ＤＢ３２０および分類モデルＤＢ３７０を参照し、取得要求に係る材料の型番に対応する学習済み分類モデルは存在するが材料ロットが未認証の場合、その事を示す情報を材料認証取得部２２０に出力する。
In addition, the material
また、材料認証発行部３１０は、材料真偽判定部３８０または材料検証部３９０から材料のロットが真であることを示す情報を取得すると、かかる材料のロットを新たに認証し、認証情報を認証情報ＤＢ３２０に格納する。また、その場合、材料認証発行部３１０は、新たに認証した材料の型番およびロットについて、認証情報を発行し、材料認証取得部２２０に出力する。
When the material
材料指紋情報生成部３３０は、試し製造あるいは学習用製造において、製造設備５００に含まれる複数の各種センサ５２０から出力された値と製品品質とを測定値として取得し、インプロセスの材料指紋情報を生成する機能部である。また、材料指紋情報生成部３３０は、生成した材料指紋情報を材料指紋情報ＤＢ３４０に格納する。なお、材料指紋情報生成部３３０は、学習用製造の場合に取得した測定値については、材料が真であることを示す情報を対応付けて材料指紋情報ＤＢ３４０に格納する。
The material fingerprint
ここで、材料指紋情報とは、複数のセンサ５２０の測定値から得られる材料の物性に相関した複数の特徴量を指す。材料真偽判定部３８０および材料検証部３９０は、製品品質や単一の特徴量だけではなく、複数のセンサ５２０から得られた複数の特徴量を活用することで、高精度に材料の真偽判定あるいは真偽の検証を行うことができる。なお、その効果を示す実験例の詳細については後述する。
Here, the material fingerprint information refers to a plurality of feature values correlated with physical properties of the material obtained from the measurement values of the plurality of
また、材料指紋情報生成部３３０は、材料真偽判定部３８０あるいは材料検証部３９０から材料の真偽に関する判定結果あるいは検証結果を取得すると、これを材料指紋情報ＤＢ３４０の対応する材料に対応付けて登録する。
In addition, when the material fingerprint
次元削減部３５０は、材料指紋情報を学習済み分類モデルに入力できるように次元数を減らした（圧縮した）次元削減特徴量を生成する機能部である。なお、インプロセスの材料指紋情報は、多次元の特徴量を扱う場合、次元削減を行うことで真偽判定を簡便に行うことができるようになる。次元削減の手法には、例えばＵＭＡＰ（Ｕｎｉｆｏｒｍ Ｍａｎｉｆｏｌｄ Ａｐｐｒｏｘｉｍａｔｉｏｎ ａｎｄ Ｐｒｏｊｅｃｔｉｏｎ）、あるいは、ｔ－ＳＮＥ（ｔ－ｄｉｓｔｒｉｂｕｔｅｄ Ｓｔｏｃｈａｓｔｉｃ Ｎｅｉｇｈｂｏｒ Ｅｍｂｅｄｄｉｎｇ）などの手法があり、次元削減部３５０は、これらの手法の中からいずれかの手法を用いる。
The
なお、次元削減部３５０は、学習用製造の場合、分類モデル生成部３６０に対し、次元削減特徴量と、材料が真であることを示す情報と、を対応付けて出力する。また、次元削減部３５０は、試し製造の場合、材料真偽判定部３８０に対し、次元削減特徴量を出力する。
Note that, in the case of manufacturing for learning, the
分類モデル生成部３６０は、材料に関する学習済み分類モデルを生成する機能部である。具体的には、分類モデル生成部３６０は、予め判明している材料すなわち真であることが分かっている複数の材料の次元削減特徴量を学習し、材料の型番に対応する学習済み分類モデルを生成する。また、分類モデル生成部３６０は、生成した学習済み分類モデルを材料の型番に対応付けて分類モデルＤＢ３７０に格納する。なお、学習済み分類モデルとしては、ロジスティクス回帰あるいはサポートベクターマシン（ＳＶＭ）などの教師有り分類モデルが用いられれば良い。
The classification
また、分類モデル生成部３６０は、試し製造で得られた未認証の材料ロットに対して、次元削減部３５０から入力された次元削減特徴量と、材料真偽判定部３８０あるいは材料検証部３９０から入力された材料の真偽の判定結果あるいは検証結果と、を関連付けて、学習済み分類モデルに再学習させるアクティブラーニングを行う。
In addition, the classification
材料真偽判定部３８０は、材料の真偽を判定する機能部である。具体的には、材料真偽判定部３８０は、試し製造で得られた未認証の材料ロットの材料指紋情報に基づく次元削減特徴量を次元削減部３５０から取得する。また、材料真偽判定部３８０は、取得した次元削減特徴量をかかる材料の型番に対応する学習済み分類モデルに入力することで、材料の真偽判定に用いる出力情報を得る。
The material
また、材料真偽判定部３８０は、学習済み分類モデルからの出力情報に基づく判定結果が真であった場合、材料の型番およびロットに判定結果である真を対応付けて認証情報発行部に出力する。一方で、材料真偽判定部３８０は、判定結果が偽であった場合、試し製造で用いた未認証の材料ロットに対する追加検証を材料検証部３９０に要求する。また、材料真偽判定部３８０は、判定結果が真である場合、分類モデル生成部３６０および材料指紋情報生成部３３０にかかる判定結果を出力する。
In addition, when the determination result based on the output information from the trained classification model is true, the material
材料検証部３９０は、材料の追加検証を行う機能部である。具体的には、材料検証部３９０は、材料真偽判定部３８０からの追加検証の要求に対し、任意の分析技術による材料の真偽について検証を行う。
The
なお、分析技術としては、ＦＴ－ＩＲ、ＮＩＲ、ラマン分光のような分光分析、ＴＧ－ＤＴＡやＤＳＣのような熱分析あるいはＧＣ－ＭＳのような質量分析など任意の分析技術があり、材料検証部３９０は、これらの中から適宜適切な分析技術を採用する。
Analysis techniques include spectroscopic analysis such as FT-IR, NIR, and Raman spectroscopy, thermal analysis such as TG-DTA and DSC, and mass spectrometry such as GC-MS. The
また、材料検証部３９０は、検証結果が真であった場合、材料の型番およびロットに検証結果である真を対応付けて材料認証発行部３１０に出力する。一方で、材料検証部３９０は、検証結果が偽であった場合、材料ロットを変更することを推奨する内容の情報を材料認証発行部３１０に出力する。また、材料検証部３９０は、検証結果を分類モデル生成部３６０および材料指紋情報生成部３３０に出力する。
When the verification result is true, the
次に、製造実行システム４００の機能構成について説明する。
Next, the functional configuration of
製造実行システム４００は、製造統括システム２００からの指示に基づき所定の製造プロセスの実行することで製品の製造を行う処理部として機能する。具体的には、製造実行システム４００は、製造実行部４１０と、品質検査部４３０と、を有している。
The
製造実行部４１０は、製造統括システム２００からの指示に基づく所定の製造プロセスを実行して製品の製造を行う機能部である。具体的には、製造実行部４１０は、学習用製造を製造指示部２３０から要求された場合、製造プロセスＤＢ４２０から学習用製造プロセス４２１を取得する。また、製造実行部４１０は、予め判明している材料すなわち真であることが分かっている複数の材料の型番およびロットを用いて、かかる学習用製造プロセス４２１による製造の実行指示を製造機器５１０に出力する。
The
また、製造実行部４１０は、試し製造を製造指示部２３０から要求された場合、製造プロセスＤＢ４２０から試し製造プロセス４２２を取得する。また、製造実行部４１０は、未認証の材料ロットを用いて、かかる試し製造プロセス４２２による製造の実行指示を製造機器５１０に出力する。
Further, when the
また、製造実行部４１０は、量産製造を製造指示部２３０から要求された場合、製造プロセスＤＢ４２０から量産製造プロセス４２３を取得する。また、製造実行部４１０は、認証済みの材料の型番およびロットを用いて、かかる量産製造プロセス４２３による製造の実行指示を製造機器５１０に出力する。
Further, the
品質検査部４３０は、製品の品質を検査する機能部である。具体的には、品質検査部４３０は、例えば形状特性、機械的・光学特性などに基づき製品の品質を検査する。
The
また、品質検査部４３０は、品質検査を行った材料の型番およびロットと、品質検査結果とを対応付けて材料認証システム３００の材料指紋情報生成部３３０に出力する。
Also, the
以上、各サブシステムの機能構成について説明した。 The functional configuration of each subsystem has been described above.
次に、本システム１０００の記憶部に記憶されている各種の情報について説明する。
Next, various information stored in the storage unit of the
材料認証システム３００で用いられる認証情報ＤＢ３２０には、例えば材料の型番を識別する情報と、ロットを識別する情報と、対応するロットが認証済みか否かを示す情報と、が対応付けられて記憶されている。
In the
また、材料指紋情報ＤＢ３４０には、例えば測定値から抽出された特徴量を示す情報と、材料の型番およびロットを識別する情報と、材料の真偽を示す情報と、が対応付けられて記憶されている。
In addition, the material
また、分類モデルＤＢ３７０には、例えば材料の型番と、対応する学習済み分類モデルと、が対応付けられて登録されている。
Also, in the
また、製造実行システム４００で用いられる製造プロセスＤＢ４２０には、学習用、試し用および量産用の製造を実行するための各種の製造プロセスが記憶されている。
In addition, the
また、記憶部には、製品の受注状況や在庫状況、および、製造工場における製造設備５００の稼働状況といった所定情報が記憶されている。
Further, the storage unit stores predetermined information such as the status of orders received, the status of inventory of products, and the status of operation of the
また、本システム１０００が有する通信部は、材料認証システム３００と製造設備５００との間の情報通信を行う。また、通信部は、製造実行システム４００と製造設備５００との間の情報通信を行う。
Also, the communication unit of this
なお、製造設備５００は、製造実行部４１０から出力された製造プロセスに基づいて製品を製造する製造機器５１０と、製造プロセス中の物理量を測定することで測定値を取得する複数の各種センサ５２０と、を有している。また、センサ５２０は、測定値を材料認証システム３００の材料指紋情報生成部３３０に出力する。
The
以上、本実施形態に係るシステム１０００の概略構成について説明した。
The schematic configuration of the
［動作の説明］
図２は、本システム１０００で実行される製造処理の一例を示したフロー図である。かかる処理は、例えば入力装置を介して入力受付部が製造処理の実行指示をユーザから受け付けると開始される。
[Explanation of operation]
FIG. 2 is a flowchart showing an example of the manufacturing process executed by this
処理が開始されると、生産管理システム１００は、生産計画を決定する（ステップＳ１０）。具体的には、生産管理システム１００の生産計画管理部１１０は、受注状況や在庫状況などの所定情報を記憶部から取得する。また、生産計画管理部１１０は、出力表示部を介して、記憶部から取得したこれらの情報を表示するための画面情報を生成し、これを出力装置（ディスプレイ）に表示する。
When the process is started, the
なお、ユーザは、表示された受注状況や在庫状況を参照し、入力装置を介して適切な生産使用、数量および時期を入力する。生産計画管理部１１０は、入力受付部を介して入力情報を取得すると、所定のアルゴリズムに基づき生産計画を決定する。
The user refers to the displayed order status and inventory status, and inputs appropriate production usage, quantity, and timing through the input device. The production
なお、生産計画管理部１１０は、ロジスティクス全体を最適化するための数理計画モデルおよびそのアルゴリズムを用いることにより、ユーザからの入力に依らず、自動で生産計画を決定しても良い。なお、かかる数理計画モデルやアルゴリズムは予め記憶部に記憶されていれば良い。
Note that the production
次に、製造統括システム２００の製造条件決定部２１０は、製造条件を決定する（ステップＳ２０）。具体的には、製造条件決定部２１０は、生産計画および製造設備５００の稼働状況を記憶部から取得する。また、製造条件決定部２１０は、出力表示部を介して、記憶部から取得したこれらの情報を表示するための画面情報を生成し、これを出力装置（ディスプレイ）に表示する。
Next, the manufacturing
なお、ユーザは、表示された生産計画や製造設備５００の稼働状況を参照し、入力装置を介して適切な製造設備５００と材料との組合わせに係る製造条件を入力する。製造条件決定部２１０は、入力受付部を介して入力情報を取得すると、所定のアルゴリズムに基づき製造条件を決定する。また、製造条件決定部２１０は、製品の製造に使用される材料の型番およびロットを含む製造条件を材料認証取得部２２０に出力する。
The user refers to the displayed production plan and the operation status of the
なお、製造条件決定部２１０は、生産効率を最適化するための数理計画モデルおよびそのアルゴリズムを用いることにより、ユーザからの入力に依らず、自動で製造条件を決定しても良い。また、かかる数理計画モデルやアルゴリズムは予め記憶部に記憶されていれば良い。
The manufacturing
次に、材料認証取得部２２０は、製造条件に含まれる材料の認証情報について取得要求を行う（ステップＳ３０）。具体的には、材料認証取得部２２０は、材料の型番およびロットを含む材料の認証情報の取得要求を材料認証発行部３１０に出力する。
Next, the material
次に、材料認証発行部３１０は、取得要求に係る材料の学習済み分類モデルが存在するか否かを判定する（ステップＳ４０）。具体的には、材料認証発行部３１０は、認証情報ＤＢ３２０を参照し、認証情報の取得要求に係る材料ロットが未認証の場合に分類モデルＤＢ３７０を参照する。また、材料認証発行部３１０は、取得要求に係る材料の型番に対応する学習済み分類モデルが分類モデルＤＢ３７０に登録されている場合、取得要求に係る材料の型番に対応する学習済み分類モデルが存在すると判定する。
Next, the material
そして、学習済み分類モデルが存在すると判定した場合（ステップＳ４０でＹｅｓ）、材料認証発行部３１０は、処理をステップＳ５０に移行する。一方で、学習済み分類モデルが存在しないと判定した場合（ステップＳ４０でＮｏ）、材料認証発行部３１０は、かかる分類モデルが存在しない事を示す情報を材料認証取得部２２０に出力し、処理をステップＳ９０に移行する。なお、ステップＳ９０では、学習済み分類モデルの生成処理が実行される。学習済み分類モデルの生成処理の詳細については後述する。
Then, when it is determined that a learned classification model exists (Yes in step S40), the
学習済み分類モデルが存在すると判定した場合（ステップＳ４０でＹｅｓ）に移行するステップＳ５０では、材料認証発行部３１０は、使用する材料ロットの認証情報が存在するか否かを判定する。具体的には、材料認証発行部３１０は、認証情報ＤＢ３２０を参照し、取得要求に係る材料ロットの認証情報が登録されているかを確認する。また、材料認証発行部３１０は、かかる材料ロットの認証情報が登録されている場合、取得要求に係る材料ロットの認証情報が存在すると判定する。
In step S50, which proceeds when it is determined that a trained classification model exists (Yes in step S40), the material
そして、材料ロットの認証情報が存在すると判定した場合（ステップＳ５０でＹｅｓ）、材料認証発行部３１０は、取得要求に係る材料の型番およびロットについて認証情報を発行する。また、材料認証発行部３１０は、認証情報を材料認証取得部２２０に出力し、処理をステップＳ６０に移行する。一方で、材料ロットの認証情報が存在しないと判定した場合（ステップＳ５０でＮｏ）、材料認証発行部３１０は、取得要求に係る材料のロットが未認証である事を示す情報を材料認証取得部２２０に出力し、処理をステップＳ８０に移行する。なお、ステップＳ８０では、材料ロットの認証処理が実行される。材料ロットの認証処理の詳細については後述する。
Then, when it is determined that the authentication information of the material lot exists (Yes in step S50), the material
材料ロットの認証情報が存在すると判定された場合（ステップＳ５０でＹｅｓ）に移行するステップＳ６０では、材料認証取得部２２０は、製造条件に含まれる材料の型番およびロットの認証情報を認証情報発行部から取得する。また、材料認証取得部２２０は、認証情報を取得すると、量産製造の実行要求を製造指示部２３０に出力し、処理をステップＳ７０に移行する。なお、かかる要求には、生産計画や製造条件などの情報が含まれるものとする。
In step S60, which is shifted to when it is determined that material lot authentication information exists (Yes in step S50), the material
ステップＳ７０では、製造指示部２３０は、生産計画および製造条件を用いて量産製造の指示情報を生成し、これを製造実行システム４００に出力する。また、製造実行システム４００の製造実行部４１０は、量産製造の指示を取得すると、製造プロセスＤＢ４２０から量産製造プロセス４２３を取得し、通信部を介して、製造設備５００に量産製造プロセス４２３を出力することで、生産計画および製造条件に応じた製品の量産製造を実行する。また、製造実行部４１０は、製造設備５００に量産製造プロセス４２３を出力すると、本フローの処理を終了する。
In step S<b>70 ,
次に、学習済み分類モデルの生成処理（ステップＳ９０）の詳細について説明する。 Next, details of the process of generating a trained classification model (step S90) will be described.
図３は、学習済み分類モデルの生成処理の一例を示したフロー図である。 FIG. 3 is a flowchart showing an example of processing for generating a trained classification model.
ステップＳ９１では、製造統括システム２００、製造実行システム４００および材料認証システム３００は、協働で学習用製造を実行し、学習済み分類モデルを生成する。具体的には、製造統括システム２００の材料認証取得部２２０は、認証情報の取得要求に係る材料の型番に対応する学習済み分類モデルが存在しない事を示す情報を取得すると、かかる分類モデルを生成するための学習用製造を製造指示部２３０に要求する。
In step S91, the manufacturing control system 200, the
また、製造統括システム２００の製造指示部２３０は、材料認証取得部２２０からの要求に基づいて、製造に用いる材料の型番やロットを含む学習用製造に関する製造指示を製造実行部４１０に出力する。
In addition, based on a request from the material
また、製造実行部４１０は、学習用製造の製造指示を製造指示部２３０から取得すると、製造プロセスＤＢ４２０から学習用製造プロセス４２１を取得する。また、製造実行部４１０は、予め判明している材料すなわち真であることが分かっている複数の材料の型番およびロットを用いて、かかる学習用製造プロセス４２１による製造の実行指示を製造機器５１０に出力することで、学習用製造を実行する。
Further, when acquiring the manufacturing instruction for manufacturing for learning from the
次に、材料認証システム３００の材料指紋情報生成部３３０は、学習用製造における測定値を用いて材料指紋情報を生成する（ステップＳ９２）。具体的には、材料指紋情報生成部３３０は、学習用製造において製造設備５００における複数の各種センサ５２０および品質検査部４３０から出力された測定値（センサ値および製品品質）を取得する。また、材料指紋情報生成部３３０は、取得した測定値から材料特性に相関する複数の特徴量を抽出し、インプロセスの材料指紋情報を生成する。また、材料指紋情報生成部３３０は、生成した材料指紋情報と、材料の真偽（この場合、真）と、を対応付けて材料指紋情報ＤＢ３４０に格納する。
Next, the material fingerprint
次に、次元削減部３５０は、次元削減特徴量を生成する（ステップＳ９３）。具体的には、次元削減部３５０は、ＵＭＡＰなど所定の手法を用いて、材料指紋情報および材料の真偽の情報（この場合、真）を材料指紋情報ＤＢ３４０から取得し、これらの情報を用いて、学習済み分類モデルに入力できるように次元数を減らした次元削減特徴量を生成する。
Next, the
次に、分類モデル生成部３６０は、学習済み分類モデルを生成する（ステップＳ９４）。具体的には、分類モデル生成部３６０は、所定の教師有り分類モデルを用いて、次元削減特徴量を学習することにより、学習用製造における材料の型番に対応した学習済み分類モデルを生成する。
Next, the
次に、分類モデル生成部３６０は、生成した学習済み分類モデルを分類モデルＤＢ３７０に登録し（ステップＳ９５）、本フローの処理を終了する。なお、分類モデル生成部３６０は、本フローの終了後、処理を図２のステップＳ３０に戻す。
Next, the classification
以上、学習済み分類モデルの生成処理について説明した。 The process of generating a trained classification model has been described above.
次に、材料ロット認証処理（ステップＳ８０）の詳細について説明する。 Next, details of the material lot authentication process (step S80) will be described.
図４は、材料ロット認証処理の一例を示したフロー図である。 FIG. 4 is a flowchart showing an example of material lot authentication processing.
ステップＳ８１では、製造統括システム２００、製造実行システム４００および材料認証システム３００は、協働で試し製造を実行し、材料ロットの認証を行う。具体的には、製造統括システム２００の材料認証取得部２２０は、認証情報の取得要求に係る材料のロットが未認証である事を示す情報を取得すると、かかる材料ロットの認証を行うための試し製造を製造指示部２３０に要求する。
In step S81, the production control system 200, the
また、製造統括システム２００の製造指示部２３０は、材料認証取得部２２０からの要求に基づいて、製造に用いる材料の型番やロットを含む試し製造に関する製造指示を製造実行部４１０に出力する。
In addition, based on a request from the material
また、製造実行部４１０は、試し製造の製造指示を製造指示部２３０から取得すると、製造プロセスＤＢ４２０から試し製造プロセス４２２を取得する。また、製造実行部４１０は、認証を行う材料の型番およびロットを用いて、かかる試し製造プロセス４２２による製造の実行指示を製造機器５１０に出力することで、試し製造を実行する。
Further, when the manufacturing instruction for trial manufacturing is obtained from the
次に、材料認証システム３００の材料指紋情報生成部３３０は、試し製造における測定値を用いて材料指紋情報を生成する（ステップＳ８２）。具体的には、材料指紋情報生成部３３０は、試し製造において製造設備５００における複数の各種センサ５２０および品質検査部４３０から出力された測定値（センサ値および製品品質）を取得する。また、材料指紋情報生成部３３０は、取得した測定値から材料特性に相関する複数の特徴量を抽出し、インプロセスの材料指紋情報を生成する。また、材料指紋情報生成部３３０は、生成した材料指紋情報を材料指紋情報ＤＢ３４０に格納する。
Next, the material
次に、次元削減部３５０は、次元削減特徴量を生成する（ステップＳ８３）。具体的には、次元削減部３５０は、材料指紋情報を材料指紋情報ＤＢ３４０から取得し、ＵＭＡＰなど所定の手法を用いて、学習済み分類モデルに入力できるように次元数を減らした次元削減特徴量を生成する。
Next, the
次に、材料真偽判定部３８０は、学習済み分類モデルによる真偽判定の結果が真であるか否かを判定する（ステップＳ８４）。具体的には、材料真偽判定部３８０は、認証を行う材料ロットの型番に対応する学習済み分類モデルを分類モデルＤＢ３７０から取得する。また、材料真偽判定部３８０は、生成された次元削減特徴量をかかる学習済み分類モデルに入力することで材料の真偽判定に用いる出力情報を取得し、これを用いて材料の真偽判定を行う。
Next, the material
そして、真偽判定の結果が真であると判定した場合（ステップＳ８４でＹｅｓ）、材料真偽判定部３８０は、材料ロットの真偽判定結果が真であることを材料認証発行部３１０に出力する。また、材料真偽判定部３８０は、分類モデル生成部３６０および材料指紋情報生成部３３０に判定結果を出力し、処理をステップＳ８５に移行する。なお、材料指紋情報生成部３３０は、判定結果を材料指紋情報ＤＢ３４０の対応する材料ロットの材料指紋情報に対応付けて登録する。
Then, when it is determined that the result of the authenticity determination is true (Yes in step S84), the material
一方で、真偽判定の結果が真ではないと判定した場合（ステップＳ０８４でＮｏ）、材料真偽判定部３８０は、材料検証部３９０に追加検証を要求し、処理をステップＳ８７に移行する。
On the other hand, when it is determined that the result of the authenticity determination is not true (No in step S084), the material
次に、真偽判定の結果が真であると判定した場合（ステップＳ８４でＹｅｓ）に移行するステップＳ８５では、材料認証発行部３１０は、試し製造に係る材料ロットの認証を行う。具体的には、材料認証発行部３１０は、真偽判定の結果が真であることを示す情報を材料真偽判定部３８０から取得すると、試し製造に係る材料ロットの認証を行い、これを認証情報ＤＢ３２０に登録する。材料認証発行部３１０は、認証情報を発行し、これを材料認証取得部２２０に出力し、処理をステップＳ８６に移行する。
Next, in step S85 to which the transition is made when the result of the authenticity determination is true (Yes in step S84), the material
また、分類モデル生成部３６０は、材料真偽判定部３８０による材料の真偽判定結果と、真偽判定に用いた次元削減特徴量と、対応する材料型番の学習済み分類モデルと、を用いて、学習済み分類モデルの再学習（アクティブラーニング）を行う（ステップＳ８６）。また、分類モデル生成部３６０は、再学習した学習済み分類モデルを用いて、分類モデルＤＢ３７０に登録されている対応する学習済み分類モデルを更新する。また、分類モデル生成部３６０は、かかる処理を行うと、本フローの処理を終了する。なお、分類モデル生成部３６０は、本フローの終了後、処理を図２のステップＳ３０に戻す。
In addition, the classification
また、前述の真偽判定の結果が真ではないと判定した場合（ステップＳ８４でＮｏ）に移行するステップＳ８７では、材料検証部３９０は、追加検証による真偽判定の結果が真であるか否かを判定する。具体的には、材料検証部３９０は、例えばＦＴ－ＩＲなど任意の分析技術を用いて材料ロットの追加検証を行い、その真偽を判定する。
In addition, in step S87 to which the transition is made when it is determined that the result of the above-described authenticity determination is not true (No in step S84), the
そして、真偽判定の結果が真であると判定した場合（ステップＳ８７でＹｅｓ）、材料検証部３９０は、処理をステップＳ８５に移行する。なお、ステップＳ８５の処理は前述と同様のため詳細な説明は省略する。
Then, if the result of the authenticity determination is determined to be true (Yes in step S87), the
一方で、真偽判定の結果が真ではないと判定した場合（ステップＳ８７でＮｏ）、材料検証部３９０は、出力表示部を介して、検証結果が偽であること、および、材料ロットを変更することを推奨する内容の情報を出力装置（ディスプレイ）に表示し（ステップＳ８８）、処理をステップＳ８６に移行する。なお、ステップＳ８６では、判定結果が偽であったことと、真偽判定に用いた次元削減特徴量と、対応する材料型番の学習済み分類モデルと、を用いて、学習済み分類モデルの再学習（アクティブラーニング）を行う。
On the other hand, when it is determined that the result of the authenticity determination is not true (No in step S87), the
また、この場合、材料検証部３９０は、判定結果が偽であったことを示す情報を分類モデル生成部３６０および材料指紋情報生成部３３０にも出力する。材料指紋情報生成部３３０は、かかる判定結果を取得すると、これを材料指紋情報ＤＢ３４０の対応する材料ロットの材料指紋情報に対応付けて登録する。
In this case,
以上、材料ロット認証処理について説明した。 The material lot authentication process has been described above.
次に、本実施形態に係るシステムが、複数のセンサ５２０から得られた複数の特徴量を材料の認証に活用することで、高精度に材料の真偽判定を行うことができることについて、実験例を用いてその効果を説明する。
Next, an experimental example of how the system according to the present embodiment can determine the authenticity of a material with high accuracy by utilizing a plurality of feature amounts obtained from a plurality of
図５は、本実施形態による効果を検証するための実験例の概要を示した図である。実験例としては、樹脂製品（例えば、プラスチック樹脂を用いた製品）を製造する射出成形プロセスにおける実験例を示す。図示する金型６００には、金型６００内に搭載されたランナー６５０から５点のピンゲート方式で金型６００内の製品形成部に対して樹脂を流入する構造をしている。実験例では、ランナー６５０に設けたセンサ配置部６６０と、製品形成部に設けたセンサ配置部６１０と、の各々に複数の圧力センサおよび樹脂温度センサが配置されている。そして、これらのセンサから圧力および温度の時間変化の測定値を取得した。
FIG. 5 is a diagram showing an outline of an experimental example for verifying the effect of this embodiment. As an experimental example, an experimental example in an injection molding process for manufacturing resin products (for example, products using plastic resin) is shown. The illustrated
また、本実験例では、ピーク圧力、圧力の最大微分値、圧力の積分値および温度の最大微分値と、製品品質として製品重量と、を測定値として取得し、これら複数の測定値における特徴量をインプロセス材料指紋情報として生成した。 In addition, in this experimental example, the peak pressure, the maximum differential value of pressure, the integrated value of pressure, the maximum differential value of temperature, and the product weight as product quality are obtained as measured values. was generated as in-process material fingerprint information.
また、製造に使用する材料には、ポリプロピレンを用いた。また、学習用の真の材料として、廃家電由来のリサイクルポリプロピレンの１つの型番を用い、その型番における１５種類の材料ロットでの製造を行った。また、学習用の偽の材料として、８つの型番のバージン材を各１ロットと、２つの型番のリサイクル材について各３ロットを用いて製造を行った。 In addition, polypropylene was used as the material used for manufacturing. In addition, as a real material for learning, one model number of recycled polypropylene derived from waste home appliances was used, and 15 kinds of material lots for that model number were manufactured. In addition, as dummy materials for learning, one lot each of eight model numbers of virgin materials and two model numbers of three lots each of recycled materials were used for manufacturing.
また、次元削減モデルとしてＵＭＡＰを用い、分類モデルとしてＳＶＭを用いた。 UMAP was used as a dimensionality reduction model, and SVM was used as a classification model.
図６は、ランナー６５０に設けたセンサから取得された圧力積分値と製品重量の２パラメータのみを用いて、ＳＶＭによる分類モデルを構築した実験結果を示す散布図である。図示するように、横軸に示す圧力積分値と、縦軸に示す製品重量と、の間に負の相関が見られ、材料の特性の違いにより異なる位置にプロットされる傾向が得られた。しかしながら、真の分類領域に偽の実測結果の一部が含まれていることが分かる。このような実験結果から、少ないパラメータに基づいて構築した学習済み分類モデルを用いた場合、特性が似ている材料については、高精度な分類が困難であると判断できる。
FIG. 6 is a scatter diagram showing experimental results of constructing a classification model by SVM using only two parameters of pressure integral value and product weight obtained from the sensor provided on the
図７は、２０次元の特徴量をインプロセスの材料指紋情報として生成し、２次元の次元削減を行ったのち、学習済み分類モデルを構築した実験結果を示す散布図である。図示するように、横軸には次元削減特徴量１が対応付けられ、縦軸は次元削減特徴量２が対応付けられている。また、２０次元の特徴量は、前述の測定値における特徴量の種類（本例では４種）と、各特徴量を測定したセンサ数（本例では、例えば５つのセンサ）とに基づき生成される。なお、異なる種類のセンサを用いて測定された特徴量や、異なる位置で測定された特徴量については各々、相互に異なる特徴量として扱うことができる。 FIG. 7 is a scatter diagram showing experimental results of building a trained classification model after generating 20-dimensional feature values as in-process material fingerprint information and performing two-dimensional dimensionality reduction. As shown in the figure, the dimension reduction feature value 1 is associated with the horizontal axis, and the dimension reduction feature value 2 is associated with the vertical axis. In addition, the 20-dimensional feature amount is generated based on the types of feature amounts in the measurement values described above (four types in this example) and the number of sensors that measured each feature amount (five sensors in this example, for example). be. Note that feature amounts measured using different types of sensors and feature amounts measured at different positions can be treated as mutually different feature amounts.
本実験例において、真の材料として用いたリサイクルポリプロピレンは、様々な材料と使用履歴を持つ材料が混在するため、材料のロット間でのばらつきが大きい。そのため、得られた散布図においても材料ロットによって広い分布が見られた。また、図６と比較すると、ＳＶＭにより得られた分類のうち、真の分類領域に偽の実測結果は含まれておらず、材料の真偽をより高精度に分類できることが示された。これは、複数のセンサから得られた複数の特徴量をインプロセスの材料指紋情報として用いることで、材料の特性の僅かな違いも反映された次元削減の特徴量が得られたためと考えられる。 In this experimental example, the recycled polypropylene used as the true material is a mixture of various materials and materials with a history of use, and therefore has large variations between material lots. Therefore, even in the obtained scatter diagram, a wide distribution was seen depending on the material lot. In addition, when compared with FIG. 6, among the classifications obtained by SVM, false actual measurement results were not included in the true classification region, indicating that the authenticity of the material could be classified with higher accuracy. This is thought to be due to the fact that by using multiple features obtained from multiple sensors as in-process material fingerprint information, it is possible to obtain dimensionality-reduced features that reflect even slight differences in material properties.
以上の通り、本システムによれば、追加の検査工程や材料への認証マーカーの添加無しに、製造プロセス中に得られるセンサ情報を用いて材料の真偽を判定し、材料を認証することができる。また、本システムによれば、認証された材料のみを用いて製品の製造を行うことができる。 As described above, according to this system, it is possible to determine the authenticity of materials using sensor information obtained during the manufacturing process and authenticate materials without additional inspection processes or the addition of authentication markers to materials. can. Moreover, according to this system, it is possible to manufacture products using only certified materials.
特に、本システムでは、製造プロセス中の複数のセンサから得られた測定値に基づき、追加の検査工程や認証マーカーの添加なしに真偽を判定し、材料を認証することができる。また、複数のセンサから得られる測定値を材料のインプロセス材料指紋情報として用いることで、材料品質や成形品品質など限定されたパラメータのみで判定するよりも高精度な真偽判定が可能になる。 In particular, the system can authenticate and authenticate materials based on measurements taken from multiple sensors during the manufacturing process, without additional inspection steps or the addition of authentication markers. In addition, by using the measured values obtained from multiple sensors as the in-process material fingerprint information of the material, it is possible to make a more accurate authenticity judgment than judging only by limited parameters such as material quality and molded product quality. .
さらに、本システムによれば、リサイクル材のようにばらつきの大きい材料についても真偽判定が可能となる。これにより、材料メーカーが材料を偽造した場合においても、製造メーカーは、独自に材料の認証を行うことができる。そのため、製造メーカーは、認証された材料を使用して製造を実行することで、材料偽装の発覚に伴うリスクを未然に防ぐことができる。 Furthermore, according to this system, it is possible to determine the authenticity of materials with large variations such as recycled materials. As a result, even if the material manufacturer forges the material, the manufacturer can independently authenticate the material. Therefore, manufacturers can prevent the risk associated with the discovery of material fraud by using certified materials in manufacturing.
また、本システムによれば、未認証の材料が偽と判定された場合に、追加の検証分析を行い、真偽の判定結果と関連付けられた次元削減特徴量を用いて学習済み分類モデルに再学習を実施することで、学習済み分類モデルの精度を向上させることができる。 In addition, according to this system, when an unauthenticated material is determined to be false, additional verification analysis is performed, and the trained classification model is regenerated using the dimensionality reduction feature value associated with the authenticity determination result. By performing learning, it is possible to improve the accuracy of the trained classification model.
また、本システムによれば、学習済み分類モデルにより未認証の材料が真と判定された場合にも、真の判定結果と関連付けられた次元削減特徴量を用いた再学習により、学習済み分類モデルの精度を向上させることができる。 In addition, according to this system, even if an uncertified material is judged to be true by the trained classification model, by re-learning using the dimensionality reduction feature associated with the true judgment result, the trained classification model can improve the accuracy of
次に、本実施形態に係るシステム１０００のハードウェア構成について説明する。
Next, the hardware configuration of the
図８は、本システム１０００のハードウェア構成の一例を示した図である。本システム１０００は、例えば一つの計算機７００（情報処理装置）を用いて実現することができる。
FIG. 8 is a diagram showing an example of the hardware configuration of this
具体的には、計算機７００は、演算装置７１０と、メモリ７２０と、記憶装置７３０と、入力装置７４０と、出力装置７５０と、通信装置７６０と、媒体インターフェース７７０と、を備えており、これらの各装置は通信経路ＣＮ１により電気的に相互接続されている。なお、通信経路ＣＮ１は、例えば内部バスあるいはＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）などである。
Specifically, the
演算装置７１０は、例えばプロセッサ（マイクロプロセッサ、ＣＰＵ：Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ、ＧＰＵ：Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔあるいはその他の半導体デバイスを含む）から構成されている。
The
メモリ７２０は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）やＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）などの不揮発性あるいは揮発性の記憶媒体である。
The
記憶装置７３０は、各サブシステムの機能部を実現するコンピュータプログラム７３１や本システム１０００全体あるいは各サブシステムの処理に用いられる種々の情報などを記憶する装置である。記憶装置７３０は、例えばフラッシュメモリ、ハードディスクあるいはＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）などの書き換え可能な記憶媒体である。
The
入力装置７４０は、ユーザ（例えば、システムを使用するオペレーターなど）が計算機７００に情報や指示を入力する装置である。入力装置７４０には、例えばキーボード、タッチパネル、マウスなどのポインティングデバイスやマイクロフォンのような音声入力装置などがある。出力装置７５０（表示装置）は、計算機７００により生成された情報や外部装置から取得した情報を出力（表示）する装置である。出力装置７５０には、例えばディスプレイ、プリンタ、音声合成装置などがある。
The
通信装置７６０は、外部の情報処理装置と計算機７００とを通信経路ＣＮ２を介して通信させる装置である。外部の情報処理装置としては、図示しない他の計算機７００や外部記憶装置８００がある。なお、外部記憶装置８００としては、例えば、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリ、メモリカードおよびハードディスクなどがある。
The
計算機７００は、外部記憶装置８００に格納された情報（例えば、本システム１０００の計算機７００に用いられる固有情報や生産実績情報など）やコンピュータプログラムを読み込むことができる。また、計算機７００は、記憶装置７３０に記憶されたコンピュータプログラム７３１および情報の全部または一部を、外部記憶装置８００に送信して記憶させることもできる。
The
媒体インターフェース７７０は、外部記録媒体８１０（例えば、ＵＳＢメモリ、メモリカードあるいはＤＶＤなど）に読み書きする装置である。計算機７００は、外部記録媒体８１０から記憶装置７３０に対してコンピュータプログラム７３１および情報を転送させることもできるし、記憶装置７３０に記憶されたコンピュータプログラム７３１および情報の全部または一部を外部記録媒体８１０に転送して記憶させることもできる。
The
以上、本実施形態に係るシステム１０００のハードウェア構成について説明した。
The hardware configuration of the
なお、本システム１０００の処理部すなわち各サブシステムの各機能部は、演算装置７１０に処理を行わせるプログラム７３１によって実現される。このプログラムは、例えば記憶装置７３０や外部記憶装置８００に記憶され、プログラム７３１の実行にあたって例えばメモリ７２０上にロードされ、演算装置７１０により実行される。
The processing unit of the
また、入力受付部は、入力装置７４０により実現される。また、出力表示部は、出力装置７５０により実現される。また、記憶部は、メモリ７２０、記憶装置７３０または外部記憶装置８００あるいはこれらの組合せにより実現される。また、通信部は、通信装置７６０により実現される。
Also, the input receiving unit is realized by the
また、本システム１０００の各構成、機能、処理部および処理手段等は、それらの一部または全部を、例えば集積回路で設計する等によりハードウェアで実現しても良い。また、本システム１０００は、各機能の一部または全部を、ソフトウェアにより実現することもできるし、ソフトウェアとハードウェアとの協働により実現することもできる。また、本システム１０００は、固定的な回路を有するハードウェアを用いても良いし、少なくとも一部の回路を変更可能なハードウェアを用いてもよい。
Also, each configuration, function, processing unit, processing means, and the like of the
また、上述の通り、各サブシステムは、専用のソフトウェアやハードウェアを用いず、各機能の一部または全部をユーザ（オペレータ）が実施することで、システムを実現することもできる。 Moreover, as described above, each subsystem can realize a system by having a user (operator) implement part or all of each function without using dedicated software or hardware.
なお、本実施形態では、一つの計算機７００から本システム１０００を実現する場合を例に説明したが、本発明はこれに限らず、複数の計算機７００を連携させることにより一つまたは複数のシステムを構築することもできる。このようなシステムの構成については、以下の第二実施形態および第三実施形態で詳細に説明する。
In this embodiment, the case where the
＜第二実施形態＞
前述の第一実施形態では、本システム１０００が一つの計算機７００により実現される場合について説明したが、本発明はこのような構成に限られるものではない。
<Second embodiment>
In the first embodiment described above, the
図９は、第二実施形態に係るシステム１０００のハードウェア構成の一例を示した図である。図示するように、第二実施形態に係るシステム１０００は、材料認証システム３００を実現する計算機７００ａ（以下、材料認証側計算機７００ａという場合がある）と、それ以外のサブシステムである生産管理システム１００、製造統括システム２００および製造実行システム４００を実現する複数の計算機７００ｂ（以下、ユーザ側計算機７００ｂという場合がある）と、が各々、通信経路ＣＮ２により相互通信可能に接続されている。なお、ユーザ側計算機７００ｂは単数であっても良い。なお、同一の構成については同一の符号を付して詳細な説明を省略する。
FIG. 9 is a diagram showing an example of the hardware configuration of the
このようなシステム構成によっても、追加の検査工程や材料への認証マーカーの添加無しに、製造プロセス中に得られるセンサ情報を用いて材料の真偽を判定し、材料を認証することができる。特に、本システムでは、材料認証側計算機をクラウド上に配置し、ユーザ側計算機の各々は、通信経路ＣＮ２を介して材料認証側計算機に材料の認証を要求することで、第一実施形態と同様の効果を得ることができる。 With such a system configuration, the authenticity of the material can also be determined and authenticated using sensor information obtained during the manufacturing process without additional inspection steps or addition of authentication markers to the material. In particular, in this system, the computer on the material authentication side is arranged on the cloud, and each user computer requests the authentication of the material to the computer on the material authentication side via the communication path CN2. effect can be obtained.
また、このような構成によれば、材料認証側計算機（材料認証システム）は、複数あるユーザ側計算機から材料認証の要求を取得することになるため、それに伴って学習済み分類モデルにより多くの再学習を実行させることができ、材料の真偽判定精度をより向上させることができる。また、ユーザ側計算機は、真偽判定の精度がより向上した学習済み分類モデルを用いた認証情報を得た場合に製品の製造を実行するため、製造メーカーは、使用される材料について信頼度の高い製造を行うことができる。 In addition, according to such a configuration, the material authentication side computer (material authentication system) acquires requests for material authentication from a plurality of user side computers. Learning can be executed, and the authenticity determination accuracy of the material can be further improved. In addition, since the user-side computer manufactures the product when it obtains the authentication information using the trained classification model with improved authenticity judgment accuracy, the manufacturer can ensure the reliability of the materials used. High production can be performed.
＜第三実施形態＞
前述の第二実施形態では、材料認証システム３００を実現する計算機７００ａと、それ以外のサブシステムを実現する複数の計算機７００ｂと、が各々、通信経路ＣＮ２により相互通信可能に接続されている構成としたが、本発明はこのような構成に限られるものではない。
<Third embodiment>
In the above-described second embodiment, the
図１０は、第三実施形態に係るシステム１０００のハードウェア構成の一例を示した図である。図示するように、第三実施形態に係るシステム１０００は、各サブシステムが各々、別個の計算機７００ｏ～７００ｒにより実現され、通信経路ＣＮ２を介して通信可能に相互接続されている。なお、図示するように、本実施形態では、製造実行システム４００を実現する計算機７００ｒが複数あっても良い。なお、同一の構成については同一の符号を付して詳細な説明を省略する。
FIG. 10 is a diagram showing an example of the hardware configuration of a
このような構成によっても、第一実施形態と同様の効果を得ることができる。特に、製造実行システム４００を実現する計算機７００ｒが複数ある場合、各々が分散された各製造工場に配置されている場合でも、共通の生産管理システム１００、製造統括システム２００および材料認証システム３００により製造実行システム４００の各計算機７００で実行される処理を集約して管理することができる。
Even with such a configuration, the same effects as those of the first embodiment can be obtained. In particular, when there are a plurality of
なお、本発明のシステムに係る計算機７００は、生産管理システム１００、製造統括システム２００、材料認証システム３００および製造実行システム４００といったサブシステムの中で、任意のサブシステムを実現するためのプログラム７３１を他の計算機７００に配信するコンピュータ（配信サーバ）として提供することもできる。例えば、本システム１０００は、任意のサブシステムを実現するためのプログラム７３１の取得要求を外部の計算機７００（図示せず）から受け付けると、通信部を介して、記憶部に記憶した各サブシステムを実現するためのコンピュータプログラム７３１を外部の計算機７００に送信することもできる。
The
また、前述の実施形態では、試し製造の際に取得した測定値を用いて、材料真偽判定部３８０による材料の真偽判定結果と、真偽判定に用いた次元削減特徴量と、対応する材料型番の学習済み分類モデルと、を用いた学習済み分類モデルの再学習について説明したが、本発明はこれに限られるものではない。例えば、本システム１０００は、量産製造の際に取得された測定値に基づき生成される次元削減特徴量と、材料が真であることを示す情報と、を対応する材料型番の学習済み分類モデルに入力することで、量産製造中に学習済み分類モデルの再学習が繰り返し行われるようにしても良い。
Further, in the above-described embodiment, using the measured values obtained during the trial manufacturing, the material authenticity determination result by the material
なお、本発明は上記した実施形態および変形例に限定されるものではなく、同一の技術的思想の範囲内において様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加、削除、置換をすることが可能である。 It should be noted that the present invention is not limited to the above-described embodiments and modifications, and includes various modifications within the scope of the same technical idea. For example, the above-described embodiments have been described in detail in order to explain the present invention in an easy-to-understand manner, and are not necessarily limited to those having all the described configurations. In addition, it is possible to replace part of the configuration of one embodiment with the configuration of another embodiment, and it is also possible to add the configuration of another embodiment to the configuration of one embodiment. Moreover, it is possible to add, delete, or replace a part of the configuration of each embodiment with another configuration.
また、上記説明では、制御線や情報線は、説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えて良い。 Moreover, in the above description, the control lines and information lines are those considered to be necessary for the description, and not all the control lines and information lines are necessarily shown on the product. In reality, it can be considered that almost all configurations are interconnected.
１０００・・・システム、１００・・・生産管理システム、１１０・・・生産計画管理部、２００・・・製造統括システム、２１０・・・製造条件決定部、２２０・・・材料認証取得部、２３０・・・製造指示部、３００・・・材料認証システム、３１０・・・材料認証発行部、３２０・・・認証情報ＤＢ、３３０・・・材料指紋情報生成部、３４０・・・材料指紋情報ＤＢ、３５０・・・次元削減部、３６０・・・分類モデル生成部、３７０・・・分類モデルＤＢ、３８０・・・材料真偽判定部、３９０・・・材料検証部、４００・・・製造実行システム、４１０・・・製造実行部、４２０・・・製造プロセスＤＢ、４３０・・・品質検査部、５００・・・製造設備、５１０・・・製造機器、５２０・・・センサ、７００・・・計算機、７１０・・・演算装置、７２０・・・メモリ、７３０・・・記憶装置、７３１・・・サブシステムの各機能部を実現するコンピュータプログラム、７４０・・・入力装置、７５０・・・出力装置、７６０・・・通信装置、７７０・・・媒体インターフェース、８００・・・外部記憶装置、８１０・・・外部記録媒体、ＣＮ１、ＣＮ２・・・通信経路
1000 System, 100 Production Control System, 110 Production Planning Control Department, 200 Production Control System, 210 Production Condition Determination Department, 220 Material Certification Acquisition Department, 230
Claims (11)
前記プロセッサは、
原材料を用いた製品の製造設備に設置した複数のセンサから得られる測定値を学習して原材料の真偽の判定に用いる情報を出力する学習済み分類モデルを生成し、当該学習済み分類モデルを前記記憶媒体に記憶し、
未認証の原材料における前記測定値を前記学習済み分類モデルに入力し、
前記未認証の原材料が真と判定された場合、当該原材料を認証する
ことを特徴とするシステム。 A system having one or more processors and one or more storage media,
The processor
A trained classification model that learns measured values obtained from a plurality of sensors installed in manufacturing facilities for products using raw materials and outputs information used to determine the authenticity of raw materials is generated, and the trained classification model is used as described above. stored in a storage medium,
inputting the measurements of uncertified raw materials into the trained classification model;
A system that authenticates the raw material if the uncertified raw material is determined to be true.
前記プロセッサは、
真であることが判明している複数の原材料を用いた学習用製造における前記測定値から抽出された複数の特徴量を含むインプロセス指紋情報を生成し、
前記インプロセス指紋情報における前記特徴量の次元数を削減することで次元削減特徴量を生成し、
前記次元削減特徴量を所定種類の分類モデルに学習させることで、前記原材料の特性に対応する前記学習済み分類モデルを生成する
ことを特徴とするシステム。 2. The system of claim 1, wherein
The processor
generating in-process fingerprint information including a plurality of features extracted from the measurements in training manufacturing using a plurality of raw materials known to be true;
generating a dimensionality reduction feature by reducing the number of dimensions of the feature in the in-process fingerprint information;
A system, wherein the trained classification model corresponding to the characteristics of the raw material is generated by having a predetermined type of classification model learn the dimension reduction feature amount.
前記特徴量には、
ピーク圧力、圧力の最大微分値、圧力の積分値および温度の最大微分値のうち、少なくともいずれか一つが含まれる
ことを特徴とするシステム。 3. The system of claim 2, wherein
The feature amount includes
A system comprising at least one of a peak pressure, a maximum differential of pressure, an integral of pressure, and a maximum differential of temperature.
前記プロセッサは、
前記未認証の原材料が偽と判定された場合、真偽に関する追加の検証分析を行い、
前記検証分析の結果が真と判定された場合に前記未認証の原材料を認証する
ことを特徴とするシステム。 2. The system of claim 1, wherein
The processor
If the uncertified raw material is determined to be false, perform additional verification analysis on authenticity;
A system that authenticates the uncertified raw material if a result of the verification analysis is determined to be true.
前記プロセッサは、
前記真偽の判定結果と、前記次元削減特徴量と、原材料に対応する前記学習済み分類モデルと、を用いて当該学習済み分類モデルの再学習を行うことで、当該学習済み分類モデルを更新する
ことを特徴とするシステム。 3. The system of claim 2, wherein
The processor
The learned classification model is updated by re-learning the learned classification model using the authenticity determination result, the dimension reduction feature amount, and the learned classification model corresponding to the raw material. A system characterized by:
前記プロセッサは、
製造に用いる原材料の前記認証の取得要求を行い、
前記原材料が未認証であった場合、認証のための試し製造を要求し、当該試し製造により取得される前記測定値に基づく当該原材料の真偽の判定結果に応じた情報を取得し、
前記原材料が認証済みの場合、認証済みの当該原材料を用いた製品の製造を実行する
ことを特徴とするシステム。 2. The system of claim 1, wherein
The processor
Make a request to obtain the above certification for raw materials used in manufacturing,
If the raw material is not certified, request trial manufacturing for certification, obtain information according to the authenticity determination result of the raw material based on the measured value obtained by the trial manufacturing,
A system characterized by carrying out manufacturing of a product using the certified raw material when the raw material is certified.
前記プロセッサは、
前記試し製造により取得された前記測定値に基づく前記真偽の判定結果が偽の場合、前記認証の取得要求を行った前記原材料が偽であることを示す情報を表示する
ことを特徴とするシステム。 7. The system of claim 6, wherein
The processor
A system characterized by displaying information indicating that the raw material requested for acquisition of the certification is false when the authenticity determination result based on the measured value obtained by the trial manufacturing is false. .
前記プロセッサは、
前記認証済みの原材料を用いた前記製品の製造において取得された前記測定値と、材料が真であることを示す情報と、当該認証済みの原材料の型番に対応する前記学習済み分類モデルと、を用いて当該学習済み分類モデルの再学習を行うことで、当該学習済み分類モデルを更新する
ことを特徴とするシステム。 7. The system of claim 6, wherein
The processor
the measured values obtained in manufacturing the product using the certified raw material, information indicating that the material is authentic, and the trained classification model corresponding to the model number of the certified raw material; A system characterized by updating the learned classification model by re-learning the learned classification model using the
前記原材料は、リサイクル材である
ことを特徴とするシステム。 2. The system of claim 1, wherein
The system, wherein the raw material is a recycled material.
前記原材料は、プラスチック材であり、
前記製品を製造する製造プロセスは、射出成形プロセスであり、
前記測定値は、少なくとも前記プラスチック材を流入させる金型内に搭載された複数のセンサから取得した測定値を含む
ことを特徴とするシステム。 2. The system of claim 1, wherein
The raw material is a plastic material,
the manufacturing process for manufacturing the product is an injection molding process;
A system, wherein the measurements include at least measurements obtained from a plurality of sensors mounted within a mold into which the plastic material flows.
前記プロセッサが、
原材料を用いた製品の製造設備に設置した複数のセンサから得られる測定値を学習して原材料の真偽の判定に用いる情報を出力する学習済み分類モデルを生成し、当該学習済み分類モデルを前記記憶媒体に記憶し、
未認証の原材料における前記測定値を前記学習済み分類モデルに入力し、
前記未認証の原材料が真と判定された場合、当該原材料を認証する、という処理を実行するためのプログラムを記憶したプログラム記憶媒体。 A program storage medium storing a program to be executed by a system having one or more processors and one or more storage media,
the processor
A trained classification model that learns measured values obtained from a plurality of sensors installed in manufacturing facilities for products using raw materials and outputs information used to determine the authenticity of raw materials is generated, and the trained classification model is used as described above. stored in a storage medium,
inputting the measurements of uncertified raw materials into the trained classification model;
A program storage medium storing a program for executing a process of authenticating the raw material when the unauthenticated raw material is determined to be true.
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021158627A JP2023049089A (en) | 2021-09-29 | 2021-09-29 | System and program storage medium |
| PCT/JP2022/022104 WO2023053575A1 (en) | 2021-09-29 | 2022-05-31 | System and program storage medium |
| DE112022001865.8T DE112022001865T5 (en) | 2021-09-29 | 2022-05-31 | SYSTEM AND PROGRAM STORAGE MEDIUM |
| CN202280033836.4A CN117280193A (en) | 2021-09-29 | 2022-05-31 | System and program storage medium |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021158627A JP2023049089A (en) | 2021-09-29 | 2021-09-29 | System and program storage medium |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2023049089A true JP2023049089A (en) | 2023-04-10 |
Family
ID=85782189
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021158627A Pending JP2023049089A (en) | 2021-09-29 | 2021-09-29 | System and program storage medium |
Country Status (4)
| Country | Link |
|---|---|
| JP (1) | JP2023049089A (en) |
| CN (1) | CN117280193A (en) |
| DE (1) | DE112022001865T5 (en) |
| WO (1) | WO2023053575A1 (en) |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003296472A (en) * | 2002-04-01 | 2003-10-17 | Masaya Fukui | Material information provision method and system |
| US20050112768A1 (en) | 2003-11-26 | 2005-05-26 | Thomas Evans | Method of authenticating tagged polymers |
| JP5388996B2 (en) * | 2010-11-24 | 2014-01-15 | 日精樹脂工業株式会社 | Material monitoring device for injection molding machines |
| EP3392711A1 (en) * | 2017-04-19 | 2018-10-24 | ASML Netherlands B.V. | Maintaining a set of process fingerprints |
| JP2020088703A (en) * | 2018-11-28 | 2020-06-04 | Ｃａｃｈ株式会社 | Monitoring system |
| JP2021158627A (en) | 2020-03-30 | 2021-10-07 | セイコーエプソン株式会社 | Method for controlling projector, projector, and projection system |
-
2021
- 2021-09-29 JP JP2021158627A patent/JP2023049089A/en active Pending
-
2022
- 2022-05-31 WO PCT/JP2022/022104 patent/WO2023053575A1/en active Application Filing
- 2022-05-31 DE DE112022001865.8T patent/DE112022001865T5/en active Pending
- 2022-05-31 CN CN202280033836.4A patent/CN117280193A/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| CN117280193A (en) | 2023-12-22 |
| DE112022001865T5 (en) | 2024-02-08 |
| WO2023053575A1 (en) | 2023-04-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11256799B2 (en) | Device lifecycle distributed ledger | |
| CN114175015A (en) | Block chain tracking of carbon credits for materials with sequestered carbon | |
| CN110554047A (en) | method, device, system and equipment for processing product defect detection data | |
| BR102020005717B1 (en) | means of storage on a non-transitory computer, a method implemented by a computer to ensure the security of certified data sets using distributed transactions and the system | |
| Tsai et al. | Multiscale crack fundamental element model for real-world pavement crack classification | |
| CN105830034A (en) | Runtime optimization of multi-core system designs for increased operating life and maximized performance | |
| Yacob et al. | Anomaly detection in Skin Model Shapes using machine learning classifiers | |
| US20210334876A1 (en) | Data-analysis-based validation of product review data and linking to supply chain record data | |
| CN103259657A (en) | Dynamic analog authentication | |
| Kadziński et al. | Multiple criteria ranking and choice with all compatible minimal cover sets of decision rules | |
| CN112561624B (en) | Dynamic credit evaluation method and system based on multidimensional factor of blockchain | |
| US20190377562A1 (en) | Decentralized software information establishment system | |
| Gu et al. | Multistage quality control in manufacturing process using blockchain with machine learning technique | |
| KR20220095922A (en) | System and method for providing block chain-based activation services | |
| US9009855B2 (en) | Generating developer license to execute developer application | |
| Joyce et al. | A framework for cluster and classifier evaluation in the absence of reference labels | |
| WO2023053575A1 (en) | System and program storage medium | |
| Zhang et al. | Using knowledge-based systems to manage quality attributes in software product lines | |
| US11528152B2 (en) | Watermarking for electronic device tracking or verification | |
| CN114722025A (en) | Data prediction method, device and equipment based on prediction model and storage medium | |
| CN104636489B (en) | The treating method and apparatus of attribute data is described | |
| CN112035426A (en) | Supply chain data anti-counterfeiting method, device, equipment and computer readable medium | |
| KR102568012B1 (en) | Cloud system using electronic devices installed on tires and service method thereof | |
| US20240106666A1 (en) | INDUSTRIAL AUTOMATION MANUFACTURING WITH NFTs AND SMART CONTRACTS | |
| KR102322745B1 (en) | Method for manufacturing process of automobile fuel tank based on smart factory and apparatus therefor |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240126 |