JP7236127B2 - Processing equipment operation management system - Google Patents
Processing equipment operation management system Download PDFInfo
- Publication number
- JP7236127B2 JP7236127B2 JP2018136794A JP2018136794A JP7236127B2 JP 7236127 B2 JP7236127 B2 JP 7236127B2 JP 2018136794 A JP2018136794 A JP 2018136794A JP 2018136794 A JP2018136794 A JP 2018136794A JP 7236127 B2 JP7236127 B2 JP 7236127B2
- Authority
- JP
- Japan
- Prior art keywords
- processing
- sensor information
- processing device
- management system
- database
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- General Factory Administration (AREA)
Description
本発明は、金属材料の熱処理または表面改質を行う処理装置の稼働を管理するシステムに関する。 The present invention relates to a system for managing the operation of processing equipment for heat treatment or surface modification of metal materials.
金属材料には、焼入れ、焼き戻し、焼きなまし、焼きならしなどの熱処理が施される。また、窒化処理や被膜の形成などの表面処理も施される。これらの加工は、それぞれ炉装置やＣＶＤ装置などを用いて施されることになるが、それぞれの加工において、温度や圧力などの加工プロファイルが相違し、所要時間も相違する。また、加工後にワーク、即ち被加工物を取り出すまでに炉装置、ＣＶＤ装置を冷却する必要もある。このように加工内容に応じて、各装置の稼働状況が相違するため、その稼働状況の管理を効率的に行うことが求められる。
炉装置の稼働効率を向上させる技術として、特許文献１は、材料の搬送および熱処理における温度管理などを自働的に処理する技術を開示している。
Metal materials are subjected to heat treatments such as quenching, tempering, annealing, and normalizing. Surface treatments such as nitriding and film formation are also applied. These processes are performed using a furnace apparatus, a CVD apparatus, and the like, and the processing profiles such as temperature and pressure are different in each process, and the required time is also different. In addition, it is necessary to cool the furnace apparatus and the CVD apparatus before removing the workpiece after processing. As described above, the operation status of each device differs depending on the processing content, and therefore it is required to efficiently manage the operation status.
As a technique for improving the operating efficiency of furnace equipment,
しかし、金属の熱処理や表面処理の加工は、多種多様な工程があるため、まずそれぞれの処理装置が、予定された加工プロファイルで加工しているか否かの監視を行うことも容易ではなかった。また、処理装置で実現されている加工プロファイルが、予定されていたものとずれている場合に、品質にどの程度の影響があるのかを予測することも困難であった。さらに、加工結果に対する品質の要求も多様であり、これを実現する加工プロファイルを設定することも容易ではなかった。
本発明は、かかる課題に鑑みてなされたものであり、金属の熱処理や表面処理を施す処理装置について、その稼働状況を管理するための管理システムを提供することを目的とする。
However, since heat treatment and surface treatment of metals involve a wide variety of processes, it is not easy to monitor whether each processing equipment is processing according to the planned processing profile. It is also difficult to predict how much quality will be affected if the processing profile realized by the processing equipment deviates from what was planned. Furthermore, there are various quality requirements for machining results, and it has not been easy to set a machining profile that satisfies these requirements.
SUMMARY OF THE INVENTION It is an object of the present invention to provide a management system for managing the operation status of a processing apparatus for heat-treating or surface-treating metals.
本発明は、第１の態様として、
金属材料の熱処理または表面改質を行う処理装置の稼働を管理する稼働管理システムであって、
前記処理装置に設置され、その稼働状況を表す所定の状態量を取得して、センサ情報として所定のタイミングで継続的に送信する送信装置と、
前記送信装置から送信される前記センサ情報を逐次記憶するセンサ情報データベースと、
前記処理装置で実現されるべき稼働状況を前記状態量で表した加工プロファイルを予め記憶する加工データベースと、
前記センサ情報に基づいて前記加工データベースを参照することにより、前記処理装置の稼働状況を管理する稼働状況管理部と、を備える稼働管理システムと構成することができる。
The present invention, as a first aspect,
An operation management system that manages the operation of a processing device that performs heat treatment or surface modification of metal materials,
a transmitting device installed in the processing device, acquiring a predetermined state quantity representing the operation status of the processing device, and continuously transmitting it as sensor information at a predetermined timing;
a sensor information database that sequentially stores the sensor information transmitted from the transmission device;
a machining database that stores in advance a machining profile that expresses the operating status to be realized by the processing device by the state quantity;
By referring to the processing database based on the sensor information, it is possible to configure an operation management system including an operation status management unit that manages the operation status of the processing device.
熱処理としては、焼入れ、焼き戻し、焼きなまし、焼きならしなどが挙げられ、表面処理としては、窒化処理や被膜形成処理などが挙げられる。
監視対象となる処理装置は、熱処理用の炉装置、表面処理用のＣＶＤ装置などが挙げられる。処理装置は、１台でもよいし、複数台でも良い。
送信装置も稼働管理システムの一部を構成するものである。送信装置が取得するセンサ情報は、処理装置自体が既に検出している情報を利用するものとしてもよいし、処理装置に新たなセンサを設けるようにしてもよい。
送信装置以外の構成要素であるセンサ情報データベース、加工データベース、稼働状況管理部は、１台または複数台のサーバまたは専用装置など、送信装置と別体のハードウェアとして構成することができるが、送信装置と一体化する構成を排除するものではない。
状態量としては、処理装置の温度、圧力、揺動などが挙げられる。さらに多くの状態量を対象としてもよい。
Examples of heat treatment include quenching, tempering, annealing, and normalizing, and examples of surface treatment include nitriding treatment and film forming treatment.
Processing equipment to be monitored includes furnace equipment for heat treatment, CVD equipment for surface treatment, and the like. One processing device may be used, or a plurality of processing devices may be used.
The transmitting device also constitutes a part of the operation management system. The sensor information acquired by the transmission device may use information already detected by the processing device itself, or may be provided with a new sensor in the processing device.
The sensor information database, processing database, and operation status management unit, which are components other than the transmitting device, can be configured as hardware separate from the transmitting device, such as one or more servers or dedicated devices. It does not exclude a configuration integrated with the device.
State quantities include the temperature, pressure, and oscillation of the processing equipment. More state quantities may be targeted.
本発明によれば、送信装置を介して処理装置の稼働状況を状態量という客観的なデータ、即ちセンサ情報として取得することができる。また、本発明では、予め処理装置の加工プロファイルを記憶しているため、得られたセンサ情報を、この加工プロファイルと比較することにより、より正確、適切に処理装置の稼働状況を判断することが可能となる。先に説明した通り、処理装置は、その加工の工程で、温度や圧力が種々変化することになるため、単にセンサ情報を時系列的に取得していたとしても、処理装置が加熱の過程にあるのか、それともその他のフェーズで異常に温度が上昇しているのかを判断することは容易ではない。しかし、本発明のように、予め加工プロファイルが記憶されていれば、これとの比較により、こうした判断を容易に行うことが可能となる。ここに示したのは一例であり、加工プロファイルとセンサ情報の比較は、他にも種々の方法で行うことができ、これによって処理装置の稼働状況をより正確、適切に判断することが可能となるのである。 According to the present invention, it is possible to acquire the operational status of the processing device as objective data, ie, sensor information, which is a state quantity, via the transmission device. Further, in the present invention, since the processing profile of the processing device is stored in advance, by comparing the obtained sensor information with this processing profile, it is possible to more accurately and appropriately determine the operating status of the processing device. It becomes possible. As explained above, the temperature and pressure of the processing equipment change in various ways during the processing process. It is not easy to judge whether there is an abnormal temperature rise in other phases. However, if a machining profile is stored in advance as in the present invention, such determination can be easily made by comparison with this. What is shown here is only an example, and the comparison of the machining profile and the sensor information can be performed in various other ways, thereby making it possible to more accurately and appropriately determine the operating status of the processing equipment. It becomes.
第１の態様においては、センサ情報は、常時送信されるものとしてもよいが、
前記送信装置は、前記センサ情報に基づいて前記処理装置の稼働状況が異常であると判断されるときに前記送信を行うものとしてもよい。
In the first aspect, the sensor information may be constantly transmitted,
The transmission device may perform the transmission when it is determined that the operation status of the processing device is abnormal based on the sensor information.
こうすることにより、センサ情報の送信タイミングを間引くことができる。センサ情報は、処理装置の稼働中に常時取得されるため、これらのセンサ情報を常時送信する態様では、その送信のトラフィックが膨大なものとなるおそれがあるが、送信タイミングを間引くことにより、トラフィックの軽減を図ることが可能となるのである。かかる態様は、特に複数の処理装置を管理対象とする場合に有用性が高い。
異常の判断は、種々の方法で行うことが可能である。例えば、送信装置にも予め加工プロファイルを記憶させておき、当該加工プロファイルに対するセンサ情報のずれが所定値を超えるときに、異常と判断してもよい。また、過去のセンサ情報からの変化率が所定値を超える時に異常と判断してもよい。
上記態様のように送信タイミングを間引く場合であっても、従前得られたセンサ情報の全体を送信することが好ましい。こうすることにより、過去のセンサ情報も活用して、処理装置の稼働状況を管理することが可能となる。もっとも、トラフィック軽減のため、過去のセンサ情報を、その変化が判断できる程度に間引いて送信する態様をとることも可能である。
By doing so, it is possible to thin out the transmission timing of the sensor information. Since the sensor information is constantly acquired during the operation of the processing device, in a mode in which the sensor information is constantly transmitted, the transmission traffic may become enormous. It is possible to reduce the Such an aspect is highly useful especially when a plurality of processing apparatuses are to be managed.
Abnormality can be determined by various methods. For example, a processing profile may be stored in the transmitting device in advance, and an abnormality may be determined when the deviation of the sensor information from the processing profile exceeds a predetermined value. Also, it may be determined that there is an abnormality when the rate of change from past sensor information exceeds a predetermined value.
Even when the transmission timing is thinned out as in the above aspect, it is preferable to transmit the entire sensor information previously obtained. By doing so, it is possible to manage the operation status of the processing apparatus by utilizing the past sensor information. However, in order to reduce traffic, it is also possible to adopt a mode in which past sensor information is thinned out to the extent that changes can be determined and then transmitted.
上記態様では、異常と判断されるときに送信を行う例を示したが、センサ情報は、その他のタイミングで送信するものとしてもよい。例えば、一定の期間ごとに送信する態様とすることができる。また、加工プロファイルにおけるフェーズが切り替わるタイミングとしてもよい。例えば、予熱フェーズから加熱フェーズに切り替わるタイミングなどとすることができる。 In the above aspect, an example of transmitting when it is determined to be abnormal has been shown, but the sensor information may be transmitted at other timings. For example, it can be configured to transmit at regular intervals. Alternatively, it may be the timing at which the phase in the machining profile is switched. For example, it can be the timing of switching from the preheating phase to the heating phase.
第１の態様においては、
管理対象となる前記処理装置は複数存在し、
該処理装置および前記センサ情報は、特定のユーザと対応づけて該移動管理システムに記憶されており、
前記稼働状況管理部は、前記稼働状況を表す情報を、該処理装置に対応づけられた前記特定のユーザに対してのみ提供し、
さらに、前記特定のユーザとの対応関係に関わらず前記センサ情報を用いて人工知能用の学習データを生成する学習データ生成部を備えるものとしてもよい。
In a first aspect,
There are a plurality of the processing devices to be managed,
The processing device and the sensor information are stored in the mobility management system in association with a specific user;
The operating status management unit provides information representing the operating status only to the specific user associated with the processing device,
Furthermore, a learning data generation unit may be provided that generates learning data for artificial intelligence using the sensor information regardless of the correspondence relationship with the specific user.
本発明の稼働管理システムは、必ずしも単一のユーザが所有または管理する処理装置のみを対象とするものには限られない。複数のユーザが所有または管理する処理装置を対象としてもよい。例えば、異なる会社の処理装置を管理対象としたり、同一の会社内の異なる部署が管理する処理装置を管理対象とする場合が考えられる。
このように複数のユーザが所有、管理する処理装置を対象とする場合、上記態様によれば、センサ情報を各ユーザと対応づけて管理することができる。そして、稼働状況についての情報は、対応づけられたユーザのみに提供することができるため、他のユーザとの間で処理装置の稼働状況に関する秘密を保持することが可能となる。また、人工知能用の学習データを生成する際には、ユーザを問わずにセンサ情報を利用することができるため、より多くの学習データを得ることができ、人工知能による学習の精度を向上させることができる。
上記態様において、センサ情報を特定のユーザと対応づけて記憶する際には、各ユーザに固有の鍵などを用いて暗号化してもよい。こうすることでより稼働状況のセキュリティを向上させることが可能となる。
The operation management system of the present invention is not necessarily intended only for processing apparatuses owned or managed by a single user. A processing device owned or managed by a plurality of users may be targeted. For example, it is conceivable that processing apparatuses of different companies are managed, or processing apparatuses managed by different departments within the same company are managed.
When processing devices owned and managed by a plurality of users are targeted, according to the above aspect, sensor information can be managed in association with each user. Since the information about the operating status can be provided only to the associated user, it is possible to maintain the confidentiality of the operating status of the processing device with other users. In addition, when generating learning data for artificial intelligence, sensor information can be used regardless of the user, so more learning data can be obtained, and the accuracy of learning by artificial intelligence can be improved. be able to.
In the above aspect, when sensor information is stored in association with a specific user, it may be encrypted using a unique key or the like for each user. By doing so, it becomes possible to further improve the security of the operation status.
第１の態様においては、
前記加工プロファイルは、前記稼働状況を所定のフェーズに分けて、各フェーズにおける前記状態量を記憶しており、
前記稼働状況管理部は、前記センサ情報に基づいて前記加工データベースを参照することにより、前記処理装置が稼働している前記フェーズを特定するものとしてもよい。
In a first aspect,
The machining profile divides the operation status into predetermined phases and stores the state quantity in each phase,
The operating status management unit may identify the phase in which the processing device is operating by referring to the processing database based on the sensor information.
処理装置の加工プロファイルは、予熱、加熱、焼入れ他の熱処理、冷却などのフェーズに分けられる。上記態様は、加工プロファイルを、このように各フェーズに分けて記憶するのである。
こうすることにより、処理装置が、いかなるフェーズにあるのかを把握することが可能となる。従って、処理装置を管理する管理者が、それぞれの処理装置の稼働状況を、より理解しやすくなる利点がある。
The processing profile of the processing equipment is divided into phases such as preheating, heating, heat treatment such as quenching, and cooling. In the above aspect, the machining profile is stored separately for each phase in this way.
By doing so, it becomes possible to grasp what phase the processing device is in. Therefore, there is an advantage that the administrator who manages the processing apparatuses can more easily understand the operation status of each processing apparatus.
上述のように、処理装置が稼働しているフェーズを特定する場合には、
前記稼働状況管理部は、前記フェーズごとに異なる表示態様とすることにより、前記各処理装置がいずれのフェーズにあるのかを視覚的に把握可能な表示を行うものとしてもよい。
As mentioned above, to identify the phase in which the processor is running,
The operation status management unit may display a different display mode for each phase, thereby visually recognizing which phase each processing device is in.
こうすることにより、管理者が、稼働状況を、より理解しやすくなる利点がある。
フェーズごとの表示態様としては、例えば、稼働状況を表示する際の模様、色などを変化させる方法が挙げられる。
This has the advantage of making it easier for the administrator to understand the operational status.
As a display mode for each phase, for example, there is a method of changing the pattern, color, etc. when displaying the operating status.
さらに、フェーズごとに異なる表示態様をとる場合、
前記稼働状況管理部は、各時間帯における前記処理装置の現在および過去のフェーズを示すとともに、前記加工プロファイルに基づいて将来予定されるフェーズを表示するものとしてもよい。
Furthermore, if different display modes are used for each phase,
The operating status management section may indicate the current and past phases of the processing device in each time period, and may display future scheduled phases based on the machining profile.
例えば、時間を横軸にとり、各時間における稼働状況をフェーズごとに異なる表示態様で表示する方法が挙げられる。現在、過去のフェーズと、将来のフェーズはさらに表示態様を変えても良い。こうすることにより、より視覚的に稼働状況を把握することが可能となる。
また、かかる表示態様においては、複数の処理装置の稼働状況を並列的に示しても良い。
For example, there is a method in which time is plotted on the horizontal axis and the operation status at each time is displayed in a different display mode for each phase. The present, past phases, and future phases may be displayed in different forms. By doing so, it becomes possible to grasp the operating status more visually.
Moreover, in such a display mode, the operation statuses of a plurality of processing devices may be displayed in parallel.
本発明は、第２の態様として、
金属材料の熱処理または表面改質を行う処理装置の稼働を管理する稼働管理システムであって、
前記処理装置に設置され、その稼働状況を表す所定の状態量を取得して、センサ情報として所定のタイミングで継続的に送信する送信装置と、
前記送信装置から送信される前記センサ情報を逐次記憶するセンサ情報データベースと、
管理対象となる処理装置が複数存在し、
前記金属材料と、各処理装置において該金属材料に施された処理に対するセンサ情報とを関連づけて記憶するワークデータベースと、
指定された金属材料に対する処理の履歴を、該ワークデータベースを参照して出力する加工履歴管理部とを備える稼働管理システムと構成することができる。
As a second aspect of the present invention,
An operation management system that manages the operation of a processing device that performs heat treatment or surface modification of metal materials,
a transmitting device installed in the processing device, acquiring a predetermined state quantity representing the operation status of the processing device, and continuously transmitting it as sensor information at a predetermined timing;
a sensor information database that sequentially stores the sensor information transmitted from the transmission device;
There are multiple processing devices to be managed,
a work database that associates and stores the metal material and sensor information regarding the processing performed on the metal material in each processing apparatus;
It is possible to configure an operation management system including a processing history management section that outputs a processing history for a specified metal material by referring to the work database.
一つの金属材料に対する熱処理または表面改質などの加工は、複数の装置で順次、行われることが通常である。加工後に、品質の不具合が発見された場合などには、加工された金属材料、即ちワークごとに、順次、どの装置でいかなる加工が行われたかを遡って確認し、いずれの工程が不具合の原因となったかを探求する必要が生じることがある。
上記第２の態様によれば、ワークに対して、処理装置で加工が行われる度に、そのセンサ情報が関連づけて記憶される。従って、当該ワークに対する処理の履歴を、容易に確認することができる。こうすることで、第２の態様によれば、ワークに対する加工の品質向上を図ることができる。
Processing such as heat treatment or surface modification of a single metal material is normally performed sequentially by a plurality of apparatuses. In the event that a quality defect is found after processing, we trace back the metal material that was processed, that is, each workpiece, in order, by which device and what processing was performed, and determine which process caused the defect. It may be necessary to explore whether
According to the second aspect, each time a workpiece is processed by the processing device, the sensor information is stored in association with the workpiece. Therefore, it is possible to easily check the history of processing for the work. By doing so, according to the second aspect, it is possible to improve the quality of processing of the workpiece.
本発明は、第３の態様として、
金属材料の熱処理または表面改質を行う処理装置の稼働を管理する稼働管理システムであって、
前記処理装置に設置され、その稼働状況を表す所定の状態量を取得して、センサ情報として所定のタイミングで継続的に送信する送信装置と、
前記送信装置から送信される前記センサ情報を逐次記憶するセンサ情報データベースと、
過去における前記熱処理または表面改質について、前記センサ情報と、該熱処理または表面改質を施された金属材料の品質を表す品質情報とに基づいて、機械学習により、前記センサ情報を説明変数、前記品質を目的変数とする学習モデルを生成する学習モデル生成部と、
新たに前記熱処理または表面改質を施された金属材料について、前記センサ情報に基づき、前記学習モデルを用いて、その品質を予測する品質予測部とを備える稼働管理システムと構成することができる。
As a third aspect of the present invention,
An operation management system that manages the operation of a processing device that performs heat treatment or surface modification of metal materials,
a transmitting device installed in the processing device, acquiring a predetermined state quantity representing the operation status of the processing device, and continuously transmitting it as sensor information at a predetermined timing;
a sensor information database that sequentially stores the sensor information transmitted from the transmission device;
Regarding the heat treatment or surface modification in the past, machine learning is performed based on the sensor information and the quality information representing the quality of the metal material that has been subjected to the heat treatment or surface modification. a learning model generation unit that generates a learning model whose objective variable is quality;
The operation management system may include a quality prediction unit that predicts the quality of the newly heat-treated or surface-modified metal material using the learning model based on the sensor information.
熱処理または表面改質の品質は、加工プロファイルによって影響を受けるが、加工プロファイルと品質との関係は、一般には容易には理解できないものである。
上記第３の態様によれば、過去の加工におけるセンサ情報と、品質情報とに基づいて機械学習回帰によって学習モデルを生成することができるため、これに基づいて、品質を予測することが可能となる。従って、品質向上に寄与することができる。
第３の態様において、学習モデルを生成しやすいように、センサ情報および品質情報を加工してもよい。例えば、センサ情報については、予め設定された加工プロファイルに基づいて、例えば、焼入れ温度、焼入れ時間などの代表値で表してもよい。品質情報は、加工後のワークの硬さ、表面の被膜の厚さなどをパラメータとすることができる他、これらのパラメータを量子化してレベルなどの指標で表しても良い。
The quality of heat treatment or surface modification is affected by the processing profile, but the relationship between processing profile and quality is generally not easily understood.
According to the third aspect, since a learning model can be generated by machine learning regression based on sensor information and quality information in past machining, it is possible to predict quality based on this. Become. Therefore, it is possible to contribute to quality improvement.
In the third aspect, sensor information and quality information may be processed so as to facilitate generation of a learning model. For example, sensor information may be represented by representative values such as hardening temperature and hardening time based on a preset machining profile. The quality information can be the hardness of the workpiece after processing, the thickness of the film on the surface, etc. as parameters, and these parameters may be quantized and represented by indicators such as levels.
第３の態様において、品質予測を行った結果は、種々の態様で利用可能である。例えば、
前記品質予測部は、品質に異常が予測される場合には、所定のアラートを報知するものとしてもよい。
In a third aspect, the results of making quality predictions can be used in a variety of ways. for example,
The quality prediction unit may issue a predetermined alert when an abnormality in quality is predicted.
こうすることにより、加工後の品質検査において、品質の異常を見逃す可能性を抑制でき、品質向上を図ることができる。
また、別の態様として、加工中に品質予測を行い、その予測された品質が許容範囲か否かを判断することによって、加工を継続するか、加工プロファイルを変更するか、加工を中断するかなどの判断を支援するようにしてもよい。こうすることにより、品質の異常が生じる無駄な加工を抑制することが可能となる。
By doing so, it is possible to suppress the possibility of overlooking quality abnormalities in quality inspection after processing, and to improve quality.
As another aspect, quality prediction is performed during processing, and whether or not the predicted quality is within the allowable range is determined to determine whether to continue processing, change the processing profile, or interrupt processing. You may make it support judgments, such as. By doing so, it is possible to suppress wasteful processing that causes quality abnormality.
本発明は、第４の態様として、
金属材料の熱処理または表面改質を行う処理装置の稼働を管理する稼働管理システムであって、
前記処理装置に設置され、その稼働状況を表す所定の状態量を取得して、センサ情報として所定のタイミングで継続的に送信する送信装置と、
前記送信装置から送信される前記センサ情報を逐次記憶するセンサ情報データベースと、
過去における前記熱処理または表面改質について、前記センサ情報と、該熱処理または表面改質を施された金属材料の品質を表す品質情報とに基づいて、機械学習により、前記品質を説明変数、該品質を実現するセンサ情報を目的変数とする学習モデルを生成する学習モデル生成部と、
金属材料に対して新たに施すべき前記熱処理または表面改質の品質に対する要求に基づき、前記学習モデルを用いて、前記熱処理または表面改質を施す際のセンサ情報を加工プロファイルとして設定する加工プロファイル設定部とを備える稼働管理システムと構成することができる。
The present invention, as a fourth aspect,
An operation management system that manages the operation of a processing device that performs heat treatment or surface modification of metal materials,
a transmitting device installed in the processing device, acquiring a predetermined state quantity representing the operation status of the processing device, and continuously transmitting it as sensor information at a predetermined timing;
a sensor information database that sequentially stores the sensor information transmitted from the transmission device;
Regarding the heat treatment or surface modification in the past, machine learning is performed based on the sensor information and the quality information representing the quality of the metal material that has been subjected to the heat treatment or surface modification. A learning model generation unit that generates a learning model whose objective variable is sensor information that realizes
Processing profile setting for setting, as a processing profile, sensor information when performing the heat treatment or surface modification using the learning model, based on a request for the quality of the heat treatment or surface modification to be newly applied to the metal material. It can be configured as an operation management system comprising a part.
先に説明した通り、熱処理または表面改質の品質は、加工プロファイルによって影響を受けるが、加工プロファイルと品質との関係は、一般には容易には理解できないものである。従って、一般には、加工後の表面の硬さ、被膜の厚さなどの形で品質が要求されると、それを実現するための加工プロファイルは、過去の加工例に基づいて経験的に設定する他なかった。このような設定方法は、いわゆる熟練工の経験に依存するものであり、品質の不安定さの要因ともなり得た。
上記第４の態様によれば、過去の加工結果に基づいて、機械学習回帰によって学習モデルを生成することができるため、これに基づいて、要求された品質から加工プロファイルを設定することが可能となる。従って、品質の安定および向上に寄与することができる。
第４の態様においても第３の態様と同様、学習モデルを生成しやすいように、センサ情報および品質情報を加工してもよい。また、設定する加工プロファイルも、焼入れ温度、焼入れ時間などの代表値で表すようにしてもよい。
As explained above, the quality of heat treatment or surface modification is affected by the processing profile, but the relationship between processing profile and quality is generally not easily understood. Therefore, in general, when quality is required in the form of post-processing surface hardness, film thickness, etc., the processing profile to achieve it is set empirically based on past processing examples. I had no choice. Such a setting method depends on the experience of a so-called skilled worker, and could be a factor of instability in quality.
According to the fourth aspect, it is possible to generate a learning model by machine learning regression based on the past machining results, so based on this, it is possible to set the machining profile from the requested quality. Become. Therefore, it is possible to contribute to the stabilization and improvement of quality.
In the fourth aspect, similarly to the third aspect, sensor information and quality information may be processed so as to facilitate generation of a learning model. Also, the machining profile to be set may be represented by representative values such as the hardening temperature and the hardening time.
本発明は第５の態様として、
金属材料の熱処理または表面改質を行う処理装置の稼働を管理する稼働管理システムであって、
前記処理装置に設置され、その稼働状況を表す所定の状態量を取得して、センサ情報として所定のタイミングで継続的に送信する送信装置と、
前記送信装置から送信される前記センサ情報を逐次記憶するセンサ情報データベースと、
過去における前記熱処理または表面改質について、前記処理装置に指示された加工プロファイルと、前記センサ情報とに基づいて、機械学習により、前記加工プロファイルと、前記センサ情報を説明変数とし、両者のずれの異常度を目的変数とする学習モデルを生成する学習モデル生成部と、
金属材料に対して新たに施すべきものとして指示された加工プロファイルと、前記熱処理または表面改質を施す際のセンサ情報に基づき、前記学習モデルを用いて、両者のずれの異常度を求めるとともに、該異常度の過去から現在に至る経緯に基づいて、前記処理装置の将来の異常度の推移を推測する故障予測部を備える稼働管理システムと構成することができる。
As a fifth aspect of the present invention,
An operation management system that manages the operation of a processing device that performs heat treatment or surface modification of metal materials,
a transmitting device installed in the processing device, acquiring a predetermined state quantity representing the operation status of the processing device, and continuously transmitting it as sensor information at a predetermined timing;
a sensor information database that sequentially stores the sensor information transmitted from the transmission device;
Regarding the heat treatment or surface modification in the past, machine learning is performed based on the processing profile instructed to the processing apparatus and the sensor information, and the processing profile and the sensor information are used as explanatory variables, and the deviation between the two is determined. A learning model generation unit that generates a learning model whose objective variable is the degree of anomaly;
Based on the processing profile instructed to be newly applied to the metal material and the sensor information when the heat treatment or surface modification is performed, the learning model is used to obtain the degree of abnormality of the deviation between the two, It is possible to configure an operation management system including a failure predicting unit that estimates future changes in the degree of abnormality of the processing apparatus based on the history of the degree of abnormality from the past to the present.
処理装置も機械である以上、使用に伴って故障が生じることがある。通常は、故障が生じたときに処理装置の修理またはメンテナンスを行うことになるが、故障が発生するタイミングによっては、業務を著しく阻害することもある。
上記第５の態様によれば、指示された加工プロファイルと、センサ情報に基づいて、両者のずれの異常度を機械学習によって得ることができる。即ち、処理装置が、稼働時に加工プロファイルと全く誤差のない状態で稼働することはほぼ不可能であり、何らかの誤差が生じることが通常であるが、多くの稼働実績を学習データとして利用すれば、そのずれ、即ち誤差が、どの程度、異常であるかを判断することが可能となる。ここで加工プロファイルとセンサ情報が、例えば、一つの代表値で表し得るのであれば、機械学習などを利用しなくても、その代表値の誤差に基づいて異常度を評価することは可能である。しかし、加工プロファイルは時系列的に温度等が変化するものであり、加工プロファイルとセンサ情報とのずれの異常度を単純な指標で評価することは困難である。
そこで、第５の態様では、機械学習を利用することにより、異常度の評価を可能とした。即ち、多数の過去の実績があれば、加工プロファイルとセンサ情報のずれに対して、それが比較的頻繁に生じやすいものなのか、希少な現象なのかを評価することができるため、異常度を算定することが可能となるのである。
第５の態様では、このように異常度を評価し、さらに、その過去から現在に至る経緯に基づいて将来の異常度を推移できるため、処理装置が故障をし、またはメンテナンスを必要とする時期を推測することが可能となる。
第５の態様においては、複数の装置のセンサ情報等をまとめて学習データとして扱ってもよいし、装置ごとに過去のセンサ情報を学習データとしてもよい。後者によれば、装置ごとの、いわゆる癖のようなものも反映して異常度を求めることが可能となる。
As long as the processing device is also a machine, failures may occur during use. Normally, when a failure occurs, the processing equipment is repaired or maintained, but depending on the timing of the failure, the work may be significantly hindered.
According to the fifth aspect, based on the instructed machining profile and the sensor information, the degree of abnormality of deviation between the two can be obtained by machine learning. That is, it is almost impossible for the processing equipment to operate in a state where there is no error with the machining profile during operation, and it is normal for some error to occur. It is possible to judge how abnormal the deviation, that is, the error is. Here, if the machining profile and sensor information can be represented by, for example, one representative value, it is possible to evaluate the degree of abnormality based on the error of the representative value without using machine learning. . However, since the temperature and the like of the machining profile change in time series, it is difficult to evaluate the degree of abnormality of the deviation between the machining profile and the sensor information using a simple index.
Therefore, in the fifth aspect, the degree of abnormality can be evaluated by using machine learning. In other words, if there are many past records, it is possible to evaluate whether the difference between the machining profile and the sensor information is relatively frequent or rare, so the degree of abnormality can be evaluated. It becomes possible to calculate.
In the fifth aspect, since the degree of abnormality can be evaluated in this way and the future degree of abnormality can be transitioned based on the history from the past to the present, the time when the processing device breaks down or requires maintenance can be estimated.
In the fifth aspect, sensor information and the like of a plurality of devices may be collectively treated as learning data, or past sensor information for each device may be used as learning data. According to the latter, it is possible to obtain the degree of anomaly by reflecting the so-called peculiarities of each device.
本発明について以上の各態様で説明した種々の特徴は、必ずしも全てを備えている必要はなく、適宜、一部を省略したり組み合わせたりして構成することができる。また、第１～第５の各態様で説明した特徴は、適宜、他の態様に適用してもよい。第１～第５の態様についても、それぞれ個別の発明として構成する必要はなく、これらを組み合わせた構成としてもよい。 The various features described in each aspect of the present invention do not necessarily have to include all of them, and can be configured by omitting or combining some of them as appropriate. Also, the features described in each of the first to fifth aspects may be applied to other aspects as appropriate. The first to fifth aspects also need not be configured as individual inventions, and may be configured as a combination thereof.
また、本発明は、稼働管理システムとしての構成のみならず、稼働管理システムの一部を構成する送信装置として構成してもよい。例えば、
金属材料の熱処理または表面改質を行う処理装置の稼働を管理する稼働管理システムに対して前記処理装置の稼働状況を表す所定の状態量を送信するための送信装置であって、
前記処理装置の既存の機能を利用して該処理装置から前記状態量を受信する受信部と、
前記状態量を一時的に記憶するバッファと、
前記バッファに記憶された前記状態量を所定のタイミングで継続的に前記稼働管理システムに送信する通信部と、を備える送信装置と構成することができる。
Moreover, the present invention may be configured not only as a configuration as an operation management system, but also as a transmission device that constitutes a part of the operation management system. for example,
A transmitting device for transmitting a predetermined state quantity representing the operating status of the processing equipment to an operation management system that manages the operation of the processing equipment for heat-treating or surface-modifying a metal material,
a receiving unit that receives the state quantity from the processing device using an existing function of the processing device;
a buffer that temporarily stores the state quantity;
and a communication unit that continuously transmits the state quantity stored in the buffer to the operation management system at a predetermined timing.
さらに、本発明は、上述の稼働管理システムとしての構成だけでなく、稼働管理システムまたはそれを構成するコンピュータによって処理装置の稼働を管理する稼働管理方法として構成することもできる。
例えば、第１の態様については、
稼働管理システムによって、金属材料の熱処理または表面改質を行う処理装置の稼働を管理する稼働管理方法であって、
前記処理装置に設置された送信装置が行うステップとして、
前記処理装置の既存の機能を利用して該処理装置から前記状態量を受信するステップと、
前記状態量を一時的に記憶するステップと、
前記記憶された前記状態量を所定のタイミングで継続的に前記稼働管理システムに送信するステップとを備え、
前記稼働管理システムが行うステップとして、
前記送信装置から送信される前記センサ情報をセンサ情報データベースに逐次記憶するステップと、
前記処理装置で実現されるべき稼働状況を前記状態量で表した加工プロファイルを加工データベースに予め記憶するステップと、
前記センサ情報に基づいて前記加工データベースを参照することにより、前記処理装置の稼働状況を管理する稼働状況管理ステップとを備え、
前記加工プロファイルは、前記稼働状況を所定のフェーズに分けて、各フェーズにおける前記状態量を記憶するステップであり、
前記稼働状況管理ステップは、前記センサ情報に基づいて前記加工データベースを参照することにより、前記処理装置が稼働している前記フェーズを特定するステップである稼働管理方法と構成してもよい。
Furthermore, the present invention can be configured not only as the operation management system described above, but also as an operation management method for managing the operation of the processing apparatus by the operation management system or the computer that constitutes it.
For example, for the first aspect,
An operation management method for managing the operation of a processing apparatus that performs heat treatment or surface modification of a metal material by an operation management system,
As a step performed by the transmitting device installed in the processing device,
receiving the state quantity from the processing device using existing functionality of the processing device;
temporarily storing the state quantity;
a step of continuously transmitting the stored state quantity to the operation management system at a predetermined timing;
As a step performed by the operation management system,
a step of sequentially storing the sensor information transmitted from the transmitting device in a sensor information database;
a step of pre-storing, in a machining database, a machining profile that expresses an operating situation to be realized by the processing device by the state quantity;
an operation status management step of managing the operation status of the processing device by referring to the processing database based on the sensor information;
The machining profile is a step of dividing the operation status into predetermined phases and storing the state quantity in each phase,
The operation status management step may comprise an operation management method of identifying the phase in which the processing device is operating by referring to the processing database based on the sensor information.
第２の態様については、
稼働管理システムによって、金属材料の熱処理または表面改質を行う複数の処理装置の稼働を管理する稼働管理方法であって、
前記処理装置に設置された送信装置が行うステップとして、
前記処理装置の既存の機能を利用して該処理装置から前記状態量を受信するステップと、
前記状態量を一時的に記憶するステップと、
前記記憶された前記状態量を所定のタイミングで継続的に前記稼働管理システムに送信するステップとを備え、
前記稼働管理システムが行うステップとして、
前記送信装置から送信される前記センサ情報をセンサ情報データベースに逐次記憶するステップと、
前記金属材料と、各処理装置において該金属材料に施された処理に対するセンサ情報とをワークデータベースに関連づけて記憶するステップと、
指定された金属材料に対する処理の履歴を、該ワークデータベースを参照して出力する加工履歴管理ステップとを備える稼働管理方法と構成してもよい。
For the second aspect,
An operation management method for managing operation of a plurality of processing apparatuses for heat-treating or surface-modifying a metal material by an operation management system,
As a step performed by the transmitting device installed in the processing device,
receiving the state quantity from the processing device using existing functionality of the processing device;
temporarily storing the state quantity;
a step of continuously transmitting the stored state quantity to the operation management system at a predetermined timing;
As a step performed by the operation management system,
a step of sequentially storing the sensor information transmitted from the transmitting device in a sensor information database;
a step of storing in a work database the metal material and sensor information on the processing performed on the metal material in each processing apparatus in association with each other;
A processing history management step of outputting a processing history for a specified metal material by referring to the work database may be included in the operation management method.
第３の態様については、
稼働管理システムによって、金属材料の熱処理または表面改質を行う処理装置の稼働を管理する稼働管理方法であって、
前記処理装置に設置された送信装置が行うステップとして、
前記処理装置の既存の機能を利用して該処理装置から前記状態量を受信するステップと、
前記状態量を一時的に記憶するステップと、
前記記憶された前記状態量を所定のタイミングで継続的に前記稼働管理システムに送信するステップとを備え、
前記稼働管理システムが行うステップとして、
前記送信装置から送信される前記センサ情報をセンサ情報データベースに逐次記憶するステップと、
過去における前記熱処理または表面改質について、前記センサ情報と、該熱処理または表面改質を施された金属材料の品質を表す品質情報とに基づいて、機械学習により、前記センサ情報を説明変数、前記品質を目的変数とする学習モデルを生成する学習モデル生成ステップと、
新たに前記熱処理または表面改質を施された金属材料について、前記センサ情報に基づき、前記学習モデルを用いて、その品質を予測する品質予測ステップとを備える稼働管理方法と構成してもよい。
For the third aspect,
An operation management method for managing the operation of a processing apparatus that performs heat treatment or surface modification of a metal material by an operation management system,
As a step performed by the transmitting device installed in the processing device,
receiving the state quantity from the processing device using existing functionality of the processing device;
temporarily storing the state quantity;
a step of continuously transmitting the stored state quantity to the operation management system at a predetermined timing;
As a step performed by the operation management system,
a step of sequentially storing the sensor information transmitted from the transmitting device in a sensor information database;
Regarding the heat treatment or surface modification in the past, machine learning is performed based on the sensor information and the quality information representing the quality of the metal material that has been subjected to the heat treatment or surface modification. a learning model generation step for generating a learning model with quality as the objective variable;
A quality prediction step of predicting the quality of the newly heat-treated or surface-modified metal material using the learning model based on the sensor information.
第４の態様については、
稼働管理システムによって、金属材料の熱処理または表面改質を行う処理装置の稼働を管理する稼働管理方法であって、
前記処理装置に設置された送信装置が行うステップとして、
前記処理装置の既存の機能を利用して該処理装置から前記状態量を受信するステップと、
前記状態量を一時的に記憶するステップと、
前記記憶された前記状態量を所定のタイミングで継続的に前記稼働管理システムに送信するステップとを備え、
前記稼働管理システムが行うステップとして、
前記送信装置から送信される前記センサ情報をセンサ情報データベースに逐次記憶するステップと、
過去における前記熱処理または表面改質について、前記センサ情報と、該熱処理または表面改質を施された金属材料の品質を表す品質情報とに基づいて、機械学習により、前記品質を説明変数、該品質を実現するセンサ情報を目的変数とする学習モデルを生成する学習モデル生成ステップと、
金属材料に対して新たに施すべき前記熱処理または表面改質の品質に対する要求に基づき、前記学習モデルを用いて、前記熱処理または表面改質を施す際のセンサ情報を加工プロファイルとして設定する加工プロファイル設定ステップとを備える稼働管理方法と構成してもよい。
For the fourth aspect,
An operation management method for managing the operation of a processing apparatus that performs heat treatment or surface modification of a metal material by an operation management system,
As a step performed by the transmitting device installed in the processing device,
receiving the state quantity from the processing device using existing functionality of the processing device;
temporarily storing the state quantity;
a step of continuously transmitting the stored state quantity to the operation management system at a predetermined timing;
As a step performed by the operation management system,
a step of sequentially storing the sensor information transmitted from the transmitting device in a sensor information database;
Regarding the heat treatment or surface modification in the past, machine learning is performed based on the sensor information and the quality information representing the quality of the metal material that has been subjected to the heat treatment or surface modification. A learning model generation step for generating a learning model whose objective variable is sensor information that realizes
Processing profile setting for setting, as a processing profile, sensor information when performing the heat treatment or surface modification using the learning model, based on a request for the quality of the heat treatment or surface modification to be newly applied to the metal material. You may constitute with the operation management method provided with a step.
第５の態様については、
稼働管理システムによって、金属材料の熱処理または表面改質を行う処理装置の稼働を管理する稼働管理方法であって、
前記処理装置に設置された送信装置が行うステップとして、
前記処理装置の既存の機能を利用して該処理装置から前記状態量を受信するステップと、
前記状態量を一時的に記憶するステップと、
前記記憶された前記状態量を所定のタイミングで継続的に前記稼働管理システムに送信するステップとを備え、
前記稼働管理システムが行うステップとして、
前記送信装置から送信される前記センサ情報をセンサ情報データベースに逐次記憶するステップと、
過去における前記熱処理または表面改質について、前記処理装置に指示された加工プロファイルと、前記センサ情報とに基づいて、機械学習により、前記加工プロファイルと、前記センサ情報を説明変数とし、両者のずれの異常度を目的変数とする学習モデルを生成する学習モデル生成部と、
金属材料に対して新たに施すべきものとして指示された加工プロファイルと、前記熱処理または表面改質を施す際のセンサ情報に基づき、前記学習モデルを用いて、両者のずれの異常度を求めるとともに、該異常度の過去から現在に至る経緯に基づいて、前記処理装置の将来の異常度の推移を推測する故障予測ステップを備える稼働管理方法と構成してもよい。
For the fifth aspect,
An operation management method for managing the operation of a processing apparatus that performs heat treatment or surface modification of a metal material by an operation management system,
As a step performed by the transmitting device installed in the processing device,
receiving the state quantity from the processing device using existing functionality of the processing device;
temporarily storing the state quantity;
a step of continuously transmitting the stored state quantity to the operation management system at a predetermined timing;
As a step performed by the operation management system,
a step of sequentially storing the sensor information transmitted from the transmitting device in a sensor information database;
Regarding the heat treatment or surface modification in the past, machine learning is performed based on the processing profile instructed to the processing apparatus and the sensor information, and the processing profile and the sensor information are used as explanatory variables, and the deviation between the two is determined. A learning model generation unit that generates a learning model whose objective variable is the degree of anomaly;
Based on the processing profile instructed to be newly applied to the metal material and the sensor information when the heat treatment or surface modification is performed, the learning model is used to obtain the degree of abnormality of the deviation between the two, The operation management method may comprise a failure prediction step of estimating future changes in the degree of abnormality of the processing apparatus based on the history of the degree of abnormality from the past to the present.
また別の態様として、本発明は、コンピュータに上述の稼働管理を実現させるためのコンピュータプログラム、若しくはかかるコンピュータプログラムを記録した記録媒体として構成してもよい。さらに、機械学習回帰によって生成された学習モデル自体、若しくはかかる学習モデルを記録した記録媒体として構成することもできる。記録媒体としては、コンピュータが読み取り可能な種々の媒体を利用可能である。 As another aspect, the present invention may be configured as a computer program for causing a computer to implement the above operation management, or a recording medium recording such a computer program. Furthermore, it can be configured as a learning model itself generated by machine learning regression or as a recording medium recording such a learning model. Various computer-readable media can be used as the recording medium.
Ａ．システム構成：
図１は、稼働管理システムの全体構成を示す説明図である。本実施例では、工場内に設置された複数の処理装置１０にそれぞれ取り付けられた送信装置１１と、サーバ３０、およびタブレット、パーソナルコンピュータなどの端末２０をネットワークＮＥで接続して構成した。
処理装置１０としては、焼入れ、焼き戻し、焼きなまし、焼きならしなどの熱処理を施すための炉装置、窒化処理や被膜の形成などの表面処理を施すＣＶＤ装置等が該当する。処理装置には、これらの複数種類が混在していてもよい。また、図１では３台を例示しているが、台数はこれに限られない。処理装置１０は、一つの会社内の装置を対象としてもよいし、異なる会社が所有する装置を対象としてもよい。
端末２０は、管理者が稼働管理システムに必要な指示をしたり、稼働状況を表示したりするために利用される。端末２０にはブラウザがインストールされており、管理者は、ブラウザの画面を通じて、稼働管理システムへの指示を入力したり、処理装置１０の稼働状況などを確認したりすることができる。
ネットワークＮＥとしては、例えば、イントラネット、インターネットなどを利用することができる。
ハードウェア構成は、図１に示したものに限らず、種々の構成が可能である。例えば、サーバ３０を省略し、その機能を、端末２０や送信装置１０で実現するようにしてもよい。また、複数の送信装置１０を個別にネットワークＮＥに接続するのではなく、ゲートウェイ装置を介して接続するようにしてもよい。
A. System configuration:
FIG. 1 is an explanatory diagram showing the overall configuration of the operation management system. In this embodiment, the
The
The terminal 20 is used by the administrator to give necessary instructions to the operation management system and to display the operation status. A browser is installed in the terminal 20, and the administrator can input instructions to the operation management system and check the operation status of the
As the network NE, for example, an intranet, the Internet, or the like can be used.
The hardware configuration is not limited to that shown in FIG. 1, and various configurations are possible. For example, the
図中には、送信装置１１の機能を示した。この機能は、ハードウェア的に構成してもよいし、送信装置にＣＰＵ、メモリなどを備えることにより、ソフトウェア的に実現してもよい。各機能について、以下、説明する。
通信部１２は、ネットワークＮＥを介した情報の授受を行う。本実施例では、例えば、処理装置１０の温度、圧力などの稼働状況をセンサ情報としてネットワークＮＥを介してサーバ３０に送信する。
受信部１４は、処理装置１０から、稼働状況を表す状態量をセンサ情報として受信する。本実施例では、処理装置１０が既存のセンサなどで検出している信号を受信するものとした。「受信」は、無線、有線いずれであってもよい。センサ情報としては、処理装置１０の温度、圧力、揺動などが挙げられる。
バッファ１３は、処理装置１０から受信したセンサ情報を一次的に記憶する。
制御部１５は、送信装置１１の動作を制御する。特に、本実施例では、バッファ１３に記憶されたセンサ情報をサーバ３０にアップロードするタイミングを制御する機能も含まれる。本実施例では、（１）取得したセンサ情報を常時アップロードするモード、（２）所定のタイミングで間欠的にアップロードするモードを用意しており、制御部１５は、それぞれのモードに応じたアップロードを実現するのである。間欠的にアップロードするモードにおいては、アップロードすべきタイミングに至ったか否かを制御部１５が判断することになる。
In the drawing, functions of the transmitting
The
The receiving
The
The
図２は、サーバ３０の機能構成を示す説明図である。本実施例では、サーバ３０によって稼働管理システムの主な機能がソフトウェア的に実現されている。もっとも、図示した各機能の一または全部をハードウェア的に構成してもよい。また、この機能は、単一のサーバ３０で実現する必要はなく、複数台のサーバによる分散処理で実現してもよい。
FIG. 2 is an explanatory diagram showing the functional configuration of the
以下、まず、サーバ３０に備えられているデータベース５０について説明する。各データベースの詳細な構成は、後述するものとして、ここではその役割について示す。
ユーザデータベース５１は、処理装置１０を管理するユーザと、処理装置１０とを関連づけるためのデータベースである。
稼働状況データベース５２は、各処理装置１０が、各時間帯においてどのような稼働状況にあったかを記録するデータベースである。送信装置１１から得られるセンサ情報に基づいて稼働状況が判断された結果を記録しておくことになる。
センサ情報データベース５３は、それぞれの送信装置１１からアップロードされるセンサ情報を記憶しておくためのデータベースである。本実施例では、管理対象となる処理装置１０が複数存在するため、センサ情報データベース５３には、処理装置１０と対応づけてセンサ情報が記憶されている。
ワークデータベース５４は、処理装置１０で処理される金属材料（以下、「ワーク」という）に対して、どの処理装置で、どのような加工が施されたのかを記録するデータベースである。ワークデータベース５４を参照することにより、ワークの品質に問題が発見されたときに、事後的に加工履歴を調査し、その原因を探求することが可能となる。
加工データベース５５は、各処理装置１０に指示された加工プロファイルと、現実に実施された加工プロファイルとを対応づけて記憶するデータベースである。加工プロファイルとは、処理装置１０が実現すべき温度、圧力などの時系列的な変化を示したものを言う。加工データベース５５を参照することにより、各処理装置１０で施された加工の適否などを判断することが可能となる。
品質データベース５６は、加工後のワークに対する品質検査の結果を記憶するデータベースである。
First, the
The
The
The
The
The
The
次に、各機能について説明する。
学習データ生成部３４は、データベース５０を参照して、人工知能による機械学習用の学習データを生成する。生成する学習データの内容は、機械学習で生成すべき学習モデルの目的に応じて異なる。
学習データ記憶部３２は、学習データ生成部３４で生成された学習データを記憶する。
学習モデル生成部３１は、学習データを用いて人工知能による機械学習により学習モデルを生成する。学習モデルの生成は、（１）運用当初のみ行う、（２）常時行う、（３）所定のタイミングで繰り返し実行するなどの処理が可能である。本実施例では、基本的に（３）所定のタイミングで繰り返し行うものとし、学習モデルを用いた予測等の精度が低下してきたと判断されるタイミングで生成するものとした。
学習モデル記憶部３３は、生成された学習モデルを記憶する。学習モデルは、機械学習によって得られるアルゴリズムとパラメータから構成されるものである。この学習モデルは、後述する種々の予測等の処理で活用される。学習モデルは、全ての処理に共通のものという訳ではなく、各処理に固有のものとなる。
Next, each function will be described.
The learning
The learning data storage unit 32 stores learning data generated by the learning
The learning
The learning
品質予測部３５は、学習モデル記憶部３３に記憶された学習モデルと、データベース５０を用いて、ワークに施された加工内容に基づいて、その品質を予測する。また品質予測部３５は、品質の異常が予測される場合には、アラートを報知することにより、品質検査で異常が看過されることがないよう注意喚起する。
The
故障予測部３６は、学習モデル記憶部３３に記憶された学習モデルと、データベース５０を用いて、処理装置１０の故障の発生やメンテナンス時期を予測する。処理装置１０において、指示された加工プロファイルと、実現された加工プロファイルに誤差が生じることはやむを得ないが、この誤差が異常と判断される場合には、処理装置１０の故障等が疑われることになる。故障予測部３６は、学習モデルによってかかる判断をすることにより処理装置１０の円滑な稼働を実現する。
The
加工プロファイル設定部３８は、学習モデル記憶部３３に記憶された学習モデルと、データベース５０を用いて、ワークに施すべき加工プロファイルを設定する。一般にワークに施される加工プロファイルは、要求される品質に基づいて過去の経験によって設定されることが多いが、かかる方法では品質が安定しないおそれがある。本実施例では、学習モデルを利用して、要求された品質に応じた加工プロファイルを設定することにより、品質の安定化を図ることができる。
The machining
稼働状況管理部３７は、データベース５０を参照して、各処理装置１０がどのような稼働状況にあるかを解析する。
加工履歴管理部３９は、データベース５０を参照して、ワークに対して、どの処理装置１０でいかなる加工がなされたかの探求等を行う。
コマンド入力部４０は、端末２０を介して、管理者から稼働管理システムに対する指示を入力する。指示としては、学習モデルの生成内容、ワーク等の情報の入力、ワークに対する加工内容などの指示入力などが挙げられる。
表示画面生成部４１は、端末２０に表示する画面を生成する。端末２０には、ブラウザがインストールされているため、表示画面生成部４１は、ブラウザで表示するためのＨＴＭＬ等を生成することになる。表示画面としては、管理者が指示を入力するための入力画面、稼働状況などの結果を確認するための画面などが挙げられる。
送受信部４２は、送信装置１１および端末２０とのネットワークＮＥを介した情報の授受を実現する。
The operating
The processing
The
The
The transmitting/receiving
図３は、データベース構造を示す説明図である。
ユーザデータベース５１には、ユーザを特定するためのユーザＩＤごとに図示する情報が格納される。ユーザＩＤは、例えば、処理装置１０を所有する会社単位で付すことができる。また、同一の会社内で処理装置１０を管理する部門ごとに付しても良い。
「名称」は、ユーザの名称である。住所等の連絡先を併せて記憶してもよい。
「装置ＩＤ」は、処理装置１０の識別情報である。「装置名称」は、処理装置１０の名称であり、「装置種別」は、炉装置、ＣＶＤ装置など処理装置１０の種別である。
「装置ＩＤ」以下の情報を繰り返すことにより、ユーザに対して複数の処理装置１０を対応づけることができる。
FIG. 3 is an explanatory diagram showing the database structure.
The
"Name" is the name of the user. Contact information such as an address may be stored together.
“Device ID” is identification information of the
By repeating the information after the "device ID", it is possible to associate a plurality of
稼働状況データベース５２には、各処理装置１０の識別情報である装置ＩＤごとに、以下の情報が格納される。
「フェーズ」には、処理装置１０が稼働している状況を表す情報であり、例えば、予熱、加熱、焼入れなど予め設定されたフェーズの名称またはコードが格納される。併せて、当該フェーズの開始日時、終了日時が格納される。
また、「メンテナンス」には、処理装置１０に対して行われたメンテナンスの開始日時、終了日時、内容が格納される。
「フェーズ」および「メンテナンス」を繰り返すことにより、装置ＩＤに対応する処理装置１０が、どの日時にどのようなフェーズで稼働しており、また、いつメンテナンスを受けたかを特定することが可能となる。
The
"Phase" is information representing the operating status of the
"Maintenance" stores the start date/time, end date/time, and content of maintenance performed on the
By repeating "phase" and "maintenance", it is possible to identify when the
加工データベース５５は、ワークに対する加工に対して付される識別情報である加工ＩＤごとに以下の情報が格納される。
ユーザＩＤは、ユーザデータベース５１と加工データベース５５とを関連づける。こうすることで、加工データベース５５の内容を、他のユーザに提供しないようセキュリティを確保することが可能となる。ユーザごとに暗号化をしてもよい。
ワークとの関係は、後述する通り、ワークデータベース５４に加工ＩＤが格納されることで関係づけられる。ただし、加工データベース５５から容易にワークデータベース５４を特定可能とするために、加工データベース５５においてもワークの識別情報であるワークＩＤを格納するようにしてもよい。
「工程」は、ワークに施された工程を表す情報のまとまりである。「加工内容」は、ＣＶＤ、焼入れ等、ワークに施された加工内容が格納される。「設定プロファイル」は、当該加工において、実現されるべき加工プロファイル、例えば、温度、圧力などの時系列的な変化が格納される。「計測プロファイル」は、実際に処理装置で実現された加工プロファイルが格納される。本実施例では、加工を施した処理装置１０の装置ＩＤと、その処理装置１０から取得されたセンサ情報を順次、格納することになる。「センサ情報ＩＤ」は、センサ情報データベース５３に格納されているセンサ情報に付された識別情報であり、これを用いることにより、加工データベース５５とセンサ情報データベース５３とを関連づけることができる。
「工程」は、複数を繰り返して格納することができる。例えば、同じユーザの管理下にある複数の処理装置１０によって、工程１として焼入れなどの熱処理を実施し、工程２としてＣＶＤ装置による窒化処理などが施された場合には、それらを一連の情報として加工データベース５５に格納することが可能となる。ただし、ユーザＩＤおよびワークが共通であることを前提としている。
The
The user ID associates the
The relationship with the work is established by storing the machining ID in the
A "process" is a collection of information representing the process applied to the workpiece. "Details of processing" stores the details of processing such as CVD and quenching applied to the workpiece. The "setting profile" stores a machining profile to be realized in the machining, for example, time-series changes in temperature, pressure, and the like. The "measurement profile" stores the machining profile actually realized by the processing device. In this embodiment, the device ID of the
Multiple "steps" can be stored repeatedly. For example, if a plurality of
センサ情報データベース５３は、処理装置１０から取得されたセンサ情報に対して付される識別情報である加工ＩＤごとに以下の情報が格納される。
「日時」はセンサ情報の取得日時、「装置ＩＤ」は処理装置１０の識別情報、「フェーズ」はその処理装置１０が実行している加工プロファイル上のフェーズの名称またはコード、センサ情報１、センサ情報２等は、それぞれ得られる状態量を表す。
処理装置１０が稼働している間、センサ情報は逐次、生成されることになるが、本実施例では、時系列的に一連のセンサ情報をレコードとして記憶するのではなく、それぞれの日時におけるセンサ情報を個別のレコードとして記憶するものとした。こうすることで、サーバ３０にアップロードされたセンサ情報を、従前のセンサ情報との関連を考慮する必要なく、順次、センサ情報データベース５３に格納すれば良いこととなり、処理が軽減される。
The
"Date and time" is the acquisition date and time of the sensor information, "Device ID" is the identification information of the
While the
ワークデータベース５４は、ワークの識別情報であるワークＩＤごとに以下の情報が格納される。
「ワーク情報」は、ワークの名称や寸法などの情報である。材質等を加えても良い。
「納期」、「コスト」は、それぞれワークの加工に求められる納期、および加工によるコストである。
「加工シーケンス」は、ワークに施された一連の加工を、加工データベース５５の加工ＩＤで格納する。複数の加工ＩＤが格納可能であることは、異なるユーザＩＤを有する加工データベース５５の情報も格納できることを意味している。即ち、ワークデータベースは、例えば、Ａ社において熱処理が施され、Ｂ社において表面処理が施され、Ｃ社において研磨処理が施されるというように、複数の会社によって順次、加工が施された場合でも、その一連の加工内容を記憶することが可能となっているのである。ワークデータベース５４は、種々の形式を用いることができ、例えば、ブロックチェーンを適用するものとしてもよい。
The
"Work information" is information such as the name and dimensions of the work. You may add materials.
“Delivery date” and “Cost” are the delivery date required for machining the workpiece and the cost of machining, respectively.
"Machining sequence" stores a series of machining performed on the workpiece with the machining ID of the
品質データベース５６は、ワークの識別情報であるワークＩＤごとに、加工後のワークに対する品質検査の結果が記憶される。
「加工ＩＤ」が格納されることにより、品質データベース５６と加工データベース５５が関連づけられる。ワークデータベース５４では、複数のユーザによる一連の加工が格納されているが、品質データベース５６では、それぞれの加工による品質検査の結果が格納されることになる。
品質情報１、品質情報２等は、それぞれ品質検査の結果を表す値である。図では、寸法、硬度、歪み、膜厚を例示したが、これらの全てを含む必要はないし、これ以外の結果を含めても良い。
The
By storing the "processing ID", the
Ｂ．加工シーケンス：
次に、稼働管理システムがワークに対する加工について、処理装置１０の稼働状況を管理するために実行される処理について順次、説明する。
図４は、加工シーケンスのフローチャートである。管理者や他の作業者が行う処理も含めて、ワークに対する加工全体の処理を示すものであり、サーバ３０がコンピュータとして実行する処理を示すものではない。
まず、管理者は端末２０を介して、サーバ３０に対して加工指示を入力する（ステップＳ１０）。加工指示には、加工対象となるワークの識別情報であるワークＩＤ、および名称、寸法等のワーク情報が含まれる。また、ワークに対する加工指示として、工程や内容等が設定される。さらに、その納期やコスト（見積）等も設定される。これらの情報は、サーバ３０のワークデータベース５４に格納される（図３参照）。
B. Machining sequence:
Next, the processing executed by the operation management system to manage the operation status of the
FIG. 4 is a flowchart of a machining sequence. It shows the entire machining process for the work, including the process performed by the manager and other workers, and does not show the process executed by the
First, the administrator inputs a processing instruction to the
次に、サーバ３０は、加工プロファイル設定処理を実行する（ステップＳ１１）。この処理の具体的な内容は、後述するが、ステップＳ１０における加工指示に基づいて、ワークに施されるべき加工プロファイル、即ち温度条件、圧力条件、処理時間などを設定する処理である。この処理は、管理者が、経験等に基づいて行うことも可能であるが、本実施例では、人工知能を用いた学習モデルを利用して設定するものとした。設定した加工プロファイルは、加工データベース５５に格納されることとなる。
Next, the
次に、ワークに対する加工が開始される。まず、前処理として、ワークの洗浄が行われる（ステップＳ１２）。
次に、ＣＶＤコーティングが実施される（ステップＳ１３）。ここでは、加工中に処理装置１０から取得されたセンサ情報が、適宜、センサ情報データベース５３に格納されることになる。また、そのセンサ情報は、適宜、加工データベース５５にも格納されることになる。
次に、熱処理、即ち焼入れ、焼戻し等が行われる（ステップＳ１４）。この加工においても、同様に、処理装置１０から取得されたセンサ情報が、適宜、センサ情報データベース５３に格納されることになる。また、そのセンサ情報は、適宜、加工データベース５５にも格納されることになる。
ここでは、ＣＶＤコーティング、熱処理の順序で加工が行われる例を示したが、他の処理が介在してもよいし、処理の順序の入れ替えなど、ワークに求められる加工内容に応じて、具体的な処理は適宜、調整可能である。
Next, machining of the workpiece is started. First, as a pretreatment, the work is washed (step S12).
Next, CVD coating is performed (step S13). Here, sensor information acquired from the
Next, heat treatment, ie, quenching, tempering, etc., is performed (step S14). Also in this processing, the sensor information acquired from the
Here, an example in which processing is performed in the order of CVD coating and heat treatment is shown, but other processing may intervene, and the processing order may be changed, etc., depending on the processing content required for the workpiece. processing can be adjusted accordingly.
加工が完了すると、ワークの品質検査が行われる（ステップＳ１５）。品質検査の結果は、品質データベース５６に格納される。検査すべき品質の項目については、加工の内容などに基づいて適宜、調整可能である。図の例では、加工が全て完了した後に品質検査を行う例を示したが、例えばＣＶＤコーティング（ステップＳ１３）が終了した時点で、その処理に対する品質検査を実行し、その後、熱処理（ステップＳ１４）が終了した時点で、その処理に対する品質検査を行うようにしてもよい。
品質検査が完了すると、ワークが出荷され（ステップＳ１６）、一連の加工シーケンスが終了する。品質検査に先立って、機械学習を利用した品質予測処理を実行してもよい。こうすれば、品質の異常が予測されるときに、特に品質検査を慎重に行うなどの対処をとることが可能となり、品質異常が看過されるおそれを抑制できる。
When the machining is completed, quality inspection of the workpiece is performed (step S15). Quality inspection results are stored in the
When the quality inspection is completed, the work is shipped (step S16), and a series of machining sequences are completed. Prior to quality inspection, quality prediction processing using machine learning may be performed. In this way, when a quality abnormality is predicted, it is possible to take measures such as conducting quality inspections particularly carefully, and it is possible to suppress the possibility that the quality abnormality will be overlooked.
Ｃ．情報送信処理：
図５は、情報送信処理のフローチャートである。送信装置１１が実行する処理である。
送信装置１１は、まずセンサから情報を取得する（ステップＳ２０）。ここに言うセンサとは、処理装置１０に既存のセンサであり、処理装置１０の温度、圧力など稼働状況を表す状態量を検知するためのものである。送信装置１１は、処理装置１０のセンサからの情報（以下、「センサ情報」と呼ぶ）を、無線または有線で取得するのである。もっとも既存のセンサでは、取得すべき状態量が不足する場合、処理装置１０に新たなセンサを装着するようにしてもよい。
送信装置１１は、取得したセンサ情報をバッファに記憶する（ステップＳ２１）。
C. Information transmission process:
FIG. 5 is a flowchart of information transmission processing. This is a process executed by the transmitting
The
The
そして、センサ情報を送信する送信タイミングの判定を行う（ステップＳ２２）。本実施例では、（１）常時アップロード、（２）間欠アップロードの２種類のモードが用意されている。いずれのモードを用いるかは、予め設定可能である。
常時アップロードの場合は、送信装置１１は、センサ情報を取得すると、その時点で、サーバ３０に送信する。
間欠アップロードの場合は、次のいずれかの条件に従って、サーバ３０に送信する。
条件１は、イベント発生時である。イベントとは、処理装置１０が休止状態から稼働を開始した時点や、加工プロファイルの切り替わりなどが挙げられる。イベントの発生は、センサ情報の変化に基づいて判断することができる。
条件２は、異常時である。異常時は、例えば、温度、圧力などのセンサ情報が、異常といえるほど急激に変化した場合や、異常な値を示した場合が挙げられる。異常か否かも、このようにセンサ情報の変化率やセンサ情報の値に基づいて判断することができる。
条件３は、データ量が所定値を超えることである。データ量とは、バッファに保存されたセンサ情報のデータ量のことである。即ち、バッファにセンサ情報が多量に保存され、バッファの容量を超えるおそれがある場合に送信が行われることになる。所定値は、バッファの容量などを踏まえて予め設定すればよい。
上述の条件１～３は、全てを用いてもよいし、いずれかの条件のみを用いるようにしてもよい。
Then, the transmission timing for transmitting the sensor information is determined (step S22). In this embodiment, two types of modes are prepared: (1) constant upload and (2) intermittent upload. Which mode to use can be set in advance.
In the case of constant upload, the
In the case of intermittent upload, it is transmitted to the
All of the
上述の判断の結果、送信タイミングに該当すると判断されるときは（ステップＳ２３）、送信装置１１はサーバ３０にデータをアップロードする（ステップＳ２４）。送信タイミングに該当しない場合には（ステップＳ２３）、またステップＳ２０以降の処理を実行することになる。
アップロードされるセンサ情報には、処理装置１０の識別情報である装置ＩＤが付される。装置ＩＤは、予め処理装置１０または送信装置１１に登録されている。
情報送信処理は、一度だけ実行して終了するものではなく、稼働管理システムが稼働している間、繰り返し実行されるものである。
以上の処理により、送信装置１１は、処理装置１０のセンサ情報がサーバ３０にアップロードされることになる。
As a result of the determination described above, when it is determined that the timing corresponds to the transmission timing (step S23), the
A device ID, which is identification information of the
The information transmission process is not executed only once and terminated, but is repeatedly executed while the operation management system is in operation.
Through the above process, the
Ｄ．稼働状況管理処理：
図６は、稼働状況管理処理のフローチャートである。図２の稼働状況管理部３７が主として実行する処理であり、ハードウェア的にはサーバ３０が実行する処理である。この処理は、ユーザデータベース５１に登録されたユーザごとに実行される。特定のユーザの管理下にある処理装置１０の稼働状況が、他のユーザに提供されることを回避するためである。
処理を開始すると、サーバ３０は、ユーザＩＤとセンサ情報を読み込む（ステップＳ３０）。図３に示した通り、センサ情報は、センサ情報データベース５３に格納されており、加工データベース５５を介してユーザＩＤと関連づけられている。この関連づけを利用して、サーバ３０は、ユーザＩＤに関連づけられたセンサ情報を読み込むことができる。センサ情報は、ユーザごとに暗号化されていてもよく、かかる場合には、センサ情報を復号することになる。
D. Operation status management processing:
FIG. 6 is a flowchart of operation status management processing. This is a process mainly executed by the operation
When the process starts, the
次に、サーバ３０は、装置ＩＤに基づいて加工データベース５５を参照する（ステップＳ３１）。参照するデータとしては、設定プロファイル、即ち、処理装置１０が実行すべきものとして予め設定された加工プロファイルと、それに対するセンサ情報である。
Next, the
そして、サーバ３０は、センサ情報に基づいてフェーズを判断する（ステップＳ３２）。
図中に、フェーズの判断例を示した。図中の実線は、処理装置１０の設定プロファイルである。余熱、加熱、焼入れなどの各フェーズにおける温度の設定値を示した。ここでは、温度の設定のみを示したが、圧力なども同様に設定されている。
図中に、センサ情報として、温度ａが取得されたとする。温度ａは設定された焼入れ時の温度よりは低いものとする。かかる場合、温度のみでフェーズを判断すると、温度ｂのように冷却フェーズと判断される可能性もある。しかし、本実施例では、サーバ３０は、設定プロファイルに基づいてフェーズを判断することができる。従って、温度ａについては、焼入れフェーズが、本来の温度設定よりも低い温度で実施されたものと判断することができる。このように設定プロファイルを用いることにより、フェーズを精度良く判断することができる。また、センサ情報を時間的に間引いた状態で取得したとしても、設定プロファイルを参照することにより、処理装置１０が稼働する加工プロファイルをある程度、推測することも可能となる。
Then, the
An example of phase determination is shown in the figure. A solid line in the drawing is the setting profile of the
In the figure, it is assumed that temperature a is obtained as sensor information. The temperature a is assumed to be lower than the set temperature for quenching. In such a case, if the phase is determined only by the temperature, it may be determined to be the cooling phase like the temperature b. However, in this embodiment, the
サーバ３０は、判断結果に基づいてセンサ情報データベース５３の「フェーズ」、および稼働状況データベース５２の内容を更新する（ステップＳ３３）。センサ情報データベース５３には、特定の時点でのセンサ情報およびフェーズが格納される。一方、稼働状況データベース５２には、フェーズごとに開始日時、終了日時が格納される。サーバは、異なるフェーズに移行したと判断されたときに、従前のフェーズの終了日時を記録し、新たなフェーズの開始日時を記録する。こうすることによって稼働状況データベース５２へのデータの格納を実現する。
サーバ３０は、以上の処理を繰り返し実行することにより、処理装置１０の稼働状況を管理する。
The
The
処理装置１０による稼働管理の結果は、種々の形式で管理者に提供することが可能である。
図７は、稼働状況の表示画面（１）を示す説明図である。サーバ３０の表示画面生成部４２が生成し、端末２０に表示される画面の例である。
この画面では、ユーザの管理下にある複数の処理装置１０の名称ＣＶ０１号機、ＣＶ０２号機等が、それぞれの装置ＩＤとともに表示される。図の例では、ＣＶを付した名称は、ＣＶＤ装置を表し、Ｖを付した名称は、炉装置を表している。
処理装置１０の名称の右側には、装置ごとに、各日時における稼働状況が表示される。稼働状況は、図示する通りフェーズごとに模様、色などの表示態様を変えて表示される。こうすることで、それぞれ処理装置１０が、それぞれの日時に、いずれのフェーズで稼働していたかを視覚的に容易に把握することができる。さらに、過去の実績と、将来に予定されている加工プロファイルの表示態様を変えても良い。
また、かかる表示画面を見れば、管理者は、図中の時間帯ｔ１～ｔ４のように、処理装置１０に空き時間があり、他のワークの加工に割り当て得る時間帯を判断することができる。
The results of operation management by the
FIG. 7 is an explanatory diagram showing the operating status display screen (1). It is an example of a screen generated by the
On this screen, the names CV01, CV02, etc. of a plurality of
On the right side of the name of the
Also, by looking at this display screen, the administrator can determine the time slots, such as the time slots t1 to t4 in the figure, in which the
図８は、稼働状況の表示画面（２）を示す説明図である。図７に示した表示画面において、いずれかの処理装置１０を選択することによって表示される画面である。
この画面では、各処理装置１０の詳細な稼働状況が表示される。図の例では、左側に、処理装置１０の外観とともに、現時点での炉内の温度、炉内の圧力、炉揺動が表示されている。また、右側には、従前の温度、圧力、炉揺動の変化が示されている。ここでは、３つの状態量の表示を示したが、さらに多様な状態量を表示させてもよい。また、併せて、設定プロファイル、即ち、処理装置１０に指示された温度、圧力等を表示させてもよい。こうすることにより、設定された通りに処理装置１０が稼働しているか否かを容易に判断することが可能となる。
FIG. 8 is an explanatory diagram showing the operating status display screen (2). This screen is displayed by selecting one of the
The detailed operating status of each
Ｅ．加工履歴管理処理：
図９は、加工履歴管理処理のフローチャートである。主として加工履歴管理部３９が実行する処理であり、ハードウェア的にはサーバ３０が実行する処理である。この処理は、ワーク単位で行われる。
処理を開始すると、サーバ３０は、対象となるワークＩＤを入力する（ステップＳ４０）。ワークＩＤは、ワークに対する識別情報である。
そして、サーバ３０は、ワークＩＤに基づいてデータを検索する（ステップＳ４１）。図中にデータ検索の方法を模式的に示した。先に図３で説明した通り、ワークデータベース５４と品質データベース５６は、ワークＩＤで関連付けられている。また、ワークデータベース５４には、加工シーケンスが記録されており、そこに記録される加工ＩＤによって、加工データベース５５と関連づけられている。さらに、加工データベース５５とセンサ情報データベース５３とは、センサ情報ＩＤによって関連づけられている。
このようにワークＩＤに基づいてデータを検索することにより、ワークに施された加工に関係する一連の情報を得ることができる。
E. Machining history management processing:
FIG. 9 is a flowchart of processing history management processing. This is a process mainly executed by the processing
When the process starts, the
Then, the
By retrieving data based on the work ID in this manner, a series of information relating to the machining applied to the work can be obtained.
サーバ３０は、次に、検索結果に基づいて加工履歴を表示する（ステップＳ４２）。図中に加工履歴の表示例を示した。
左側に示した画面では、ワークＩＤ、ワーク名称と共に、工程１、工程２のように、ワークに施された工程を示した。この表示は、ワークデータベース５４に格納された加工シーケンス、および加工データベース５５の工程に基づいて実現される。併せて、品質データベース５６に基づいて、膜厚、歪みなどの品質情報も表示される。
左側の画面で、いずれかの工程をクリックすると、右側の画面に移行する。右側の画面では、加工データベース５５のセンサ情報に基づいて、ワークに施された加工結果が計測値として表示される。併せて、ワークに施されるべき加工内容を表す設定プロファイル、即ち設定値を表示してもよい。
On the screen shown on the left side, along with the work ID and work name, the processes applied to the work such as
If you click any process on the left screen, it will move to the right screen. On the screen on the right side, the results of processing applied to the work are displayed as measured values based on the sensor information of the
加工履歴管理処理によれば、ワークごとに、どのような加工が施されたかを容易に確認することができる。また、それぞれの工程において、設定値と計測値を表示することにより、ワークに対して施された加工と本来の設定プロファイルとのずれを確認することができる。この結果、ワークが求められた品質を満たさない場合に、その原因を探求することが可能となる。 According to the machining history management process, it is possible to easily confirm what kind of machining has been performed for each workpiece. In addition, by displaying the set values and measured values in each process, it is possible to check the deviation between the machining applied to the workpiece and the originally set profile. As a result, when the workpiece does not meet the required quality, it is possible to investigate the cause.
加工履歴の管理は、必ずしもユーザ単位で行う必要はなく、異なるユーザによる加工の履歴を混在させて表示してもよい。本実施例では、ワークデータベース５４において、同じワークに対して異なるユーザによって施された加工も、ユーザＩＤが異なる加工情報を混在させることにより管理可能しているため、異なるユーザによってワークに加工が施された場合も、その履歴を管理することができる。
Management of processing histories does not necessarily have to be performed on a user-by-user basis, and processing histories by different users may be mixed and displayed. In the present embodiment, in the
Ｆ．故障予測処理：
次に、故障予測処理について説明する。本実施例では、処理装置１０に対して指示された設定プロファイルと、処理装置１０で実行されたセンサ情報とのずれが、どの程度異常かを機械学習によって判断し、その異常度の経緯に基づいて処理装置１０の故障時期等を予測する。以下では、学習データの生成、学習モデルの生成、および故障予測処理の順に説明する。
F. Failure prediction processing:
Next, failure prediction processing will be described. In this embodiment, machine learning is used to determine how abnormal the difference between the setting profile instructed to the
図１０は、故障予測用学習データ生成処理のフローチャートである。主として学習データ生成部３４が実行する処理であり、ハードウェア的にはサーバ３０が実行する処理である。
処理を開始するとサーバ３０は、加工が完了した加工ＩＤを取得する（ステップＳ５０）。そして、加工ＩＤに対応する設定プロファイルおよびセンサ情報を取得する（ステップＳ５１）。これによって、処理装置１０に対して指示された加工プロファイル（設定プロファイル）と、それに基づいて実際に処理装置１０で行われた加工プロファイル（センサ情報）とが得られる。
FIG. 10 is a flowchart of failure prediction learning data generation processing. This is a process mainly executed by the learning
When the processing is started, the
サーバ３０は、次に、設定プロファイルとセンサ情報とを学習データとして保存する（ステップＳ５２）。図中に、学習データのイメージを示した。処理装置１０で実現される加工プロファイルと、設定プロファイルとの間には、ずれがあるのが通常である。かかるデータが多数、学習データとして保存されることにより、両者の間に生じたずれが異常なものか否かを判定することが可能となる。本実施例では、これを学習データとするのである。学習データは、全処理装置の加工データベース５５を対象として生成してもよいし、処理装置１０ごとに個別の学習データとして生成してもよい。
The
図１１は、学習モデル生成処理のフローチャートである。主として学習モデル生成部３１が実行する処理であり、ハードウェア的にはサーバ３０が実行する処理である。
学習モデルの生成は、種々のタイミングで実行することができ、例えば、新たに加工が完了する度に実行するようにしてもよいが、本実施例では、学習モデルを用いた故障予測処理の精度に基づいて学習モデルの生成タイミングを制御するものとした。
FIG. 11 is a flowchart of learning model generation processing. This is a process mainly executed by the learning
The generation of the learning model can be executed at various timings. For example, it may be executed each time a new machining is completed. The generation timing of the learning model is controlled based on
処理を開始するとサーバ３０は、まず予測精度を算出する（ステップＳ６０）。予測精度は、例えば、予測された値と、現実の結果との誤差に基づいて算出することができる。故障予測の場合、予測された故障の発生時期と、実際の故障発生時期のずれに基づいて算出すればよい。
サーバ３０は、こうして得られた予測精度に基づいて学習モデルの生成タイミング判定処理を行う（ステップＳ６１）。図中に判定方法を示した。図の例は、予測誤差の経時的変化を示している。日時の経過に伴い、予測誤差が変化するが、図示するように予測誤差が大きくなることがある。かかる場合に、予め設定していた閾値Ｔｈをこえるとき、サーバ３０は、学習モデルを改めて生成する必要があると判断する。
When starting the process, the
The
学習モデルの生成タイミングである場合（ステップＳ６２）、サーバは、学習モデルを生成し（ステップＳ６３）、その結果に基づいて学習モデルを更新する（ステップＳ６４）。更新された学習モデルは、学種モデル記憶部３３に記憶され、以降の予測処理に利用される。故障を予測する処理のために生成される学習モデルを、故障予測学習モデルと呼ぶものとする。
生成タイミングでない場合は（ステップＳ６２）、サーバ３０は、学習モデルの生成等をスキップして、学習モデル生成処理を終了する。こうすることにより、学習モデルを頻繁に更新する負荷を軽減しつつ、予測精度が低下したときには生成するようにすることができる。
When it is time to generate a learning model (step S62), the server generates a learning model (step S63) and updates the learning model based on the result (step S64). The updated learning model is stored in the academic
If it is not the generation timing (step S62), the
学習モデルの生成は、種々の方法で行うことが可能であるが、本実施例では、故障予測用学習モデルの生成のためには、ｋ最近傍法を用いるものとした。設定プロファイルと計測値とのずれを単一の指標で評価することができるのであれば、機械学習を用いる必要はないが、ずれの生じ方は多様であるため、ｋ最近傍法によって、そのずれの異常度を評価するものとした。かかる場合の学習モデルは、設定プロファイルおよびセンサ情報を説明変数、ずれの異常度を目的変数として生成することになる。学習モデルを生成するアルゴリズムは、ｋ最近傍法に限らず、種々の方法を適宜選択することができる。 A learning model can be generated by various methods, but in this embodiment, the k-nearest neighbor method is used to generate a failure prediction learning model. If the deviation between the set profile and the measured value can be evaluated with a single index, there is no need to use machine learning. The degree of anomaly was evaluated. In such a case, the learning model is generated using the setting profile and the sensor information as explanatory variables and the degree of deviation abnormality as the objective variable. The algorithm for generating the learning model is not limited to the k-nearest neighbor method, and various methods can be appropriately selected.
図１２は、故障予測処理のフローチャートである。主として故障予測部３６が実行する処理であり、ハードウェア的にはサーバ３０が実行する処理である。この処理は、処理装置１０における加工が完了するたびに行うようにしてもよいし、一定の期間ごとなど、種々のタイミングで行うことができる。また、処理装置１０における品質が低下してきたときに行うようにしてもよい。
処理を開始するとサーバ３０は、加工が完了した加工ＩＤを取得する（ステップＳ７０）。そして、加工ＩＤに対応するワーク情報、設定プロファイルおよびセンサ情報を取得する（ステップＳ７１）。
FIG. 12 is a flowchart of failure prediction processing. This is a process mainly executed by the
When the processing is started, the
次に、サーバ３０は、故障予測学習モデルを読み込む（ステップＳ７２）。そして、処理装置１０ごとに、加工プロファイルのずれの異常度を評価する（ステップＳ７３）。この異常度を評価値Ｖと呼ぶものとする。
サーバ３０は、評価値Ｖの過去の経緯に基づいて装置の故障時期、およびメンテナンスが必要となる時期を予測する（ステップＳｄ７４）。図中に、予測方法を例示した。図示する通り、時間の経過に伴って、評価値Ｖは変化するが、その経緯に基づいて、将来の変化を推測する。例えば、過去の評価値Ｖとの自乗誤差が最小となるように基づいて所定の直線または曲線の求め、これに基づいて将来の評価値Ｖを求める方法をとることができる。そして、こうして予測された評価値Ｖが所定の閾値を超えると判断される時期を、故障の発生時期、またはメンテナンスが必要となる時期というように予測するのである。この判断に用いられる閾値は、評価値Ｖと故障の発生等の実績を踏まえて適宜、設定することができる。
Next, the
本実施例では、サーバ３０は、以上の処理によって処理装置１０の故障時期、メンテナンス時期を予測することができる。この結果、処理装置１０が稼働中に故障するなどの事態を回避でき、また、故障によってワークに異常が生じることを抑制できる。
In this embodiment, the
Ｇ．品質予測処理：
次に、品質予測処理について説明する。本実施例では、処理装置１０で実行されたセンサ情報と品質検査の結果を学習データとして、機械学習によって品質を予測する方法を用いる。以下では、学習データの生成、および品質予測処理の順に説明する。
G. Quality prediction process:
Next, quality prediction processing will be described. In the present embodiment, a method of predicting quality by machine learning is used using sensor information and quality inspection results executed by the
図１３は、品質予測用学習データ生成処理のフローチャートである。主として学習データ生成部３４が実行する処理であり、ハードウェア的にはサーバ３０が実行する処理である。
処理を開始すると品質検査が完了したワークＩＤを取得する（ステップＳ８０）。そして、ワークＩＤに対応するワーク情報、およびセンサ情報を取得し（ステップＳ８１）、これを学習データとして保存する（ステップＳ８２）。
図中にセンサ情報（計測値）と品質情報の関係を模式的に示した。計測値は、温度、圧力などのセンサ情報の時間的変化である。品質情報は、品質データベース５６に格納された寸法等である。ワークの品質は、施された加工に依存する。従って、両者を関係づけて学習データとして記憶することにより、センサ情報から品質を予測するための学習モデルを生成することが可能となる。
なお、センサ情報は、そのまま時系列のデータとして記憶させてもよいし、温度、圧力等の代表値などを用いても良い。
FIG. 13 is a flowchart of quality prediction learning data generation processing. This is a process mainly executed by the learning
When the process starts, the work ID for which the quality inspection has been completed is obtained (step S80). Then, work information and sensor information corresponding to the work ID are acquired (step S81) and stored as learning data (step S82).
The figure schematically shows the relationship between sensor information (measured values) and quality information. A measured value is a temporal change in sensor information such as temperature and pressure. The quality information is dimensions and the like stored in the
The sensor information may be stored as time-series data as it is, or representative values such as temperature and pressure may be used.
学習データに基づく学習モデルの生成は、図１１に示した学習モデル生成処理に従って実行される。品質予測処理の場合、予測される品質と、品質検査によって得られる品質情報とのずれに基づいて予測誤差を算出し、予測誤差が予め設定していた閾値Ｔｈをこえるとき、サーバ３０は、学習モデルを改めて生成する必要があると判断する。生成タイミングを判断するための閾値Ｔｈは、故障予測処理の場合と共通にしてもよいし、異なる値としてもよい。
学習モデルの生成タイミングでは、サーバは、学習モデルを生成する。更新された学習モデルは、学種モデル記憶部３３に記憶され、以降の予測処理に利用される。品質を予測する処理のために生成される学習モデルを、品質予測学習モデルと呼ぶものとする。
学習モデルの生成は、種々の方法で行うことが可能であるが、本実施例では、機械学習回帰を用いるものとした。品質予測用学習モデルは、センサ情報を説明変数、品質を目的変数として生成されることになる。
Generation of a learning model based on learning data is executed according to the learning model generation process shown in FIG. In the case of quality prediction processing, a prediction error is calculated based on the difference between the predicted quality and quality information obtained by quality inspection, and when the prediction error exceeds a preset threshold value Th, the
At the learning model generation timing, the server generates the learning model. The updated learning model is stored in the academic
A learning model can be generated by various methods, but machine learning regression is used in this embodiment. A learning model for quality prediction is generated using sensor information as an explanatory variable and quality as an objective variable.
図１４は、品質予測処理のフローチャートである。主として品質予測部３５が実行する処理であり、ハードウェア的にはサーバ３０が実行する処理である。この処理は、処理装置１０における加工が完了するたびに行うようにしてもよいし、一定の期間ごとなど、種々のタイミングで行うことができる。
処理を開始するとサーバ３０は、加工が完了した加工ＩＤを取得する（ステップＳ９０）。そして、加工ＩＤに対応するセンサ情報を取得する（ステップＳ９１）。
FIG. 14 is a flowchart of quality prediction processing. This is a process mainly executed by the
When the processing is started, the
次に、サーバ３０は、品質予測学習モデルを読み込み（ステップＳ９２）、品質を予測する（ステップＳ９３）。
そして、サーバ３０は、予測された品質が、要求を満たすか否かを判断する（ステップＳ９４）。例えば、寸法、硬度などの品質情報について、予め許容範囲を設定しておき、これが全て満たされるときのみに要求を満たすという判断方法をとることができる。
要求を満たさないと判断される場合には、品質に異常が生じるおそれがあるため、サーバ３０は、アラートを報知する（ステップＳ９５）。例えば、端末２０に異常を表す表示をしてもよいし、音声などで警告してもよい。このようにアラートを報知することにより、品質検査において、品質の異常が看過されるおそれを抑制することができる。
Next, the
The
If it is determined that the request is not satisfied, the
本実施例では、サーバ３０は、以上の品質予測処理により、ワークへの加工結果を表すセンサ情報に基づいて、その品質を予測することができる。よって、品質の異常を抑制することができる。
In this embodiment, the
Ｈ．加工プロファイル設定処理：
次に、加工プロファイル設定処理について説明する。本実施例では、加工における品質の要求に対して、処理装置１０が実行すべき加工プロファイルを機械学習によって設定する。本実施例では、品質予測用の学習データと同様の学習データを用いるものとした。
学習モデルは、品質情報を説明変数、センサ情報を目的変数として生成されることになる。ここで設定される学習モデルを、加工プロファイル設定用学習モデルと呼ぶものとする。
H. Machining profile setting process:
Next, processing profile setting processing will be described. In this embodiment, a machining profile to be executed by the
A learning model is generated using quality information as an explanatory variable and sensor information as an objective variable. The learning model set here is called a machining profile setting learning model.
図１５は、加工プロファイル設定処理のフローチャートである。加工プロファイル設定部３８が主として実行する処理であり、ハードウェア的にはサーバ３０によって実行される処理である。この処理は、新たにワークを加工する際に、加工プロファイルを決めるために実行される。
処理を開始すると、サーバ３０は、ワーク情報、品質要求を入力する（ステップＳ１００）。ワーク情報としては、例えば、ワークの寸法、品質要求としては、寸法、硬度、歪み、膜厚などとすることができる。
次に、サーバ３０は、加工プロファイル設定用学習モデルを読み込む（ステップＳ１０１）。そして、品質要求に基づいて、加工プロファイルを設定する（ステップＳ１０２）。図中に設定される加工プロファイルを例示した。加工プロファイルは、図示するように、温度、圧力などの値の時間変化として記憶されることになる。
サーバ３０は、設定した加工プロファイルを、加工データベース５５に記憶させることにより加工データベース５５を更新する（ステップＳ１０３）。
FIG. 15 is a flowchart of processing profile setting processing. This is a process mainly executed by the processing
When the process starts, the
Next, the
The
加工プロファイルは、要求された品質を実現するように設定することになるが、従前は、経験等に基づいて設定することとなり、品質の不安定化の要因となっていた。本実施例では、上述の通り、機械学習を用いて設定することができるため、品質を安定化させることができる。 The machining profile is set so as to achieve the required quality, but in the past, it was set based on experience and the like, which was a factor in destabilizing the quality. In this embodiment, as described above, setting can be performed using machine learning, so quality can be stabilized.
Ｉ．効果および変形例：
以上で説明した通り、本実施例の稼働管理システムによれば、処理装置１０が稼働しているときの温度その他の状態量をセンサ情報として取得することができ、これに基づいて処理装置１０の稼働状況を管理することができる。また、機械学習を用いることにより、故障予測、品質予測などを精度よく行うことができ、加工プロファイルの設定を行うこともできる。
本実施例において説明した種々の特徴は、必ずしも全てを備える必要はなく、適宜、その一部を省略したり組み合わせたりしてもよい。また、本実施例は、上述した構成に限らず種々の変形例を構成することができる。
I. Effects and variations:
As described above, according to the operation management system of the present embodiment, it is possible to acquire the temperature and other state quantities when the
The various features described in this embodiment do not necessarily have to include all of them, and some of them may be omitted or combined as appropriate. Moreover, the present embodiment is not limited to the configuration described above, and various modifications can be configured.
本発明は、処理装置の稼働状況を監視するために利用することができる。 INDUSTRIAL APPLICABILITY The present invention can be used to monitor the operational status of processing equipment.
１０…処理装置
１１…送信装置
１２…通信部
１３…バッファ
１４…受信部
１５…制御部
２０…端末
３０…サーバ
３１…学習モデル生成部
３２…学習データ記憶部
３３…学習モデル記憶部
３４…学習データ生成部
３５…品質予測部
３６…故障予測部
３７…稼働状況管理部
３８…加工プロファイル設定部
３９…加工履歴管理部
４０…コマンド入力部
４１…送受信部
４２…表示画面生成部
５０…データベース
５１…ユーザデータベース
５２…稼働状況データベース
５３…センサ情報データベース
５４…ワークデータベース
５５…加工データベース
５６…品質データベース
DESCRIPTION OF
Claims (5)
前記処理装置に設置され、その稼働状況を表す温度を含む所定の状態量を取得して、センサ情報として所定のタイミングで継続的に送信する送信装置と、
前記送信装置から送信される前記センサ情報を逐次記憶するセンサ情報データベースと、
前記処理装置で実現されるべき稼働状況を前記状態量で表した加工プロファイルを予め記憶する加工データベースと、
前記センサ情報に基づいて前記加工データベースを参照することにより、前記処理装置の稼働状況を管理する稼働状況管理部と、を備え、
前記加工プロファイルは、前記稼働状況を予熱、加熱を含む所定のフェーズに分けて、各フェーズにおける温度を含む前記状態量および処理時間を記憶しており、
前記稼働状況管理部は、前記センサ情報に基づいて前記加工データベースを参照することにより、前記処理装置が稼働している前記フェーズを特定する稼働管理システム。 An operation management system that manages the operation of a processing device that performs heat treatment or surface modification of metal materials,
a transmission device installed in the processing device, acquiring a predetermined state quantity including temperature representing the operating status of the processing device, and continuously transmitting it as sensor information at a predetermined timing;
a sensor information database that sequentially stores the sensor information transmitted from the transmission device;
a machining database that stores in advance a machining profile that expresses the operating status to be realized by the processing device by the state quantity;
an operation status management unit that manages the operation status of the processing device by referring to the processing database based on the sensor information;
The processing profile divides the operation status into predetermined phases including preheating and heating , and stores the state quantity including temperature and processing time in each phase,
The operation management system, wherein the operation status management unit identifies the phase in which the processing device is operating by referring to the processing database based on the sensor information.
前記送信装置は、前記センサ情報に基づいて前記処理装置の稼働状況が異常であると判断されるときに前記送信を行う稼働管理システム。 The operation management system according to claim 1,
The operation management system, wherein the transmission device performs the transmission when it is determined that the operation status of the processing device is abnormal based on the sensor information.
管理対象となる前記処理装置は複数存在し、
該処理装置および前記センサ情報は、特定のユーザと対応づけて該移動管理システムに記憶されており、
前記稼働状況管理部は、前記稼働状況を表す情報を、該処理装置に対応づけられた前記特定のユーザに対してのみ提供し、
さらに、前記特定のユーザとの対応関係に関わらず前記センサ情報を用いて人工知能用の学習データを生成する学習データ生成部を備える稼働管理システム。 The operation management system according to claim 1 or 2,
There are a plurality of the processing devices to be managed,
The processing device and the sensor information are stored in the mobility management system in association with a specific user;
The operating status management unit provides information representing the operating status only to the specific user associated with the processing device,
The operation management system further includes a learning data generation unit that generates learning data for artificial intelligence using the sensor information regardless of the correspondence relationship with the specific user.
前記稼働状況管理部は、前記フェーズごとに異なる表示態様とすることにより、前記各処理装置がいずれのフェーズにあるのかを視覚的に把握可能な表示を行う稼働管理システム。 The operation management system according to claim 1,
The operation management system, wherein the operation status management unit provides a display that enables a visual grasp of which phase each of the processing devices is in by using a different display mode for each of the phases.
前記稼働状況管理部は、各時間帯における前記処理装置の現在および過去のフェーズを示すとともに、前記加工プロファイルに基づいて将来予定されるフェーズを表示する稼働管理システム。 The operation management system according to claim 1,
An operation management system in which the operation status management unit indicates the current and past phases of the processing equipment in each time period, and displays future scheduled phases based on the processing profile.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018136794A JP7236127B2 (en) | 2018-07-20 | 2018-07-20 | Processing equipment operation management system |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018136794A JP7236127B2 (en) | 2018-07-20 | 2018-07-20 | Processing equipment operation management system |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2020013464A JP2020013464A (en) | 2020-01-23 |
| JP7236127B2 true JP7236127B2 (en) | 2023-03-09 |
Family
ID=69169918
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018136794A Active JP7236127B2 (en) | 2018-07-20 | 2018-07-20 | Processing equipment operation management system |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7236127B2 (en) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP6929484B1 (en) * | 2020-08-18 | 2021-09-01 | 三菱電機株式会社 | Scheduling device and learning device |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000339014A (en) | 1999-05-31 | 2000-12-08 | Umeda Kogyo Kk | Production management system |
| JP2003007624A (en) | 2001-06-26 | 2003-01-10 | Sigma Koki Kk | Processing monitoring method of thin-film manufacturing apparatus and the thin-film manufacturing apparatus equipped with process monitor |
| JP2006144126A (en) | 2004-11-12 | 2006-06-08 | Ntn Corp | Circuit for monitoring high frequency hardening process |
| JP2007164442A (en) | 2005-12-13 | 2007-06-28 | Omron Corp | Model creation device, model creation system and abnormality detection device |
| JP2007311618A (en) | 2006-05-19 | 2007-11-29 | Hitachi Kokusai Electric Inc | Method of manufacturing semiconductor device |
| JP2009151787A (en) | 2007-12-21 | 2009-07-09 | Fisher Rosemount Syst Inc | Method and apparatus to present recipe progress status information, and machine-accessible medium |
| JP2009282740A (en) | 2008-05-22 | 2009-12-03 | Sumitomo Metal Ind Ltd | Product quality prediction and control method |
| JP2011118573A (en) | 2009-12-02 | 2011-06-16 | Yokogawa Electric Corp | Field control system |
| JP2011209847A (en) | 2010-03-29 | 2011-10-20 | Hitachi Plant Technologies Ltd | Plant abnormality diagnosis system |
| JP2011258113A (en) | 2010-06-11 | 2011-12-22 | Kobe Steel Ltd | Manufacturing condition determination system for metal band material |
| JP2017164801A (en) | 2016-03-17 | 2017-09-21 | ファナック株式会社 | Mechanical learning device, laser processing system and mechanical learning method |
| JP2017188030A (en) | 2016-04-08 | 2017-10-12 | ファナック株式会社 | Machine learning device for learning failure prediction of main axis or motor driving main axis and machine learning method, and failure prediction device having machine learning device and failure prediction system |
| JP2017191567A (en) | 2016-04-15 | 2017-10-19 | ファナック株式会社 | Production system for implementing production plan |
| JP2017211713A (en) | 2016-05-23 | 2017-11-30 | ルネサスエレクトロニクス株式会社 | Production system |
| US20180071819A1 (en) | 2016-09-15 | 2018-03-15 | NanoCore Technologies, Inc. | System and method for additive metal manufacturing |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS5720004U (en) * | 1980-07-04 | 1982-02-02 |
-
2018
- 2018-07-20 JP JP2018136794A patent/JP7236127B2/en active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2000339014A (en) | 1999-05-31 | 2000-12-08 | Umeda Kogyo Kk | Production management system |
| JP2003007624A (en) | 2001-06-26 | 2003-01-10 | Sigma Koki Kk | Processing monitoring method of thin-film manufacturing apparatus and the thin-film manufacturing apparatus equipped with process monitor |
| JP2006144126A (en) | 2004-11-12 | 2006-06-08 | Ntn Corp | Circuit for monitoring high frequency hardening process |
| JP2007164442A (en) | 2005-12-13 | 2007-06-28 | Omron Corp | Model creation device, model creation system and abnormality detection device |
| JP2007311618A (en) | 2006-05-19 | 2007-11-29 | Hitachi Kokusai Electric Inc | Method of manufacturing semiconductor device |
| JP2009151787A (en) | 2007-12-21 | 2009-07-09 | Fisher Rosemount Syst Inc | Method and apparatus to present recipe progress status information, and machine-accessible medium |
| JP2009282740A (en) | 2008-05-22 | 2009-12-03 | Sumitomo Metal Ind Ltd | Product quality prediction and control method |
| JP2011118573A (en) | 2009-12-02 | 2011-06-16 | Yokogawa Electric Corp | Field control system |
| JP2011209847A (en) | 2010-03-29 | 2011-10-20 | Hitachi Plant Technologies Ltd | Plant abnormality diagnosis system |
| JP2011258113A (en) | 2010-06-11 | 2011-12-22 | Kobe Steel Ltd | Manufacturing condition determination system for metal band material |
| JP2017164801A (en) | 2016-03-17 | 2017-09-21 | ファナック株式会社 | Mechanical learning device, laser processing system and mechanical learning method |
| JP2017188030A (en) | 2016-04-08 | 2017-10-12 | ファナック株式会社 | Machine learning device for learning failure prediction of main axis or motor driving main axis and machine learning method, and failure prediction device having machine learning device and failure prediction system |
| JP2017191567A (en) | 2016-04-15 | 2017-10-19 | ファナック株式会社 | Production system for implementing production plan |
| JP2017211713A (en) | 2016-05-23 | 2017-11-30 | ルネサスエレクトロニクス株式会社 | Production system |
| US20180071819A1 (en) | 2016-09-15 | 2018-03-15 | NanoCore Technologies, Inc. | System and method for additive metal manufacturing |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2020013464A (en) | 2020-01-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021187563A1 (en) | Data circulation control device, method, and program | |
| KR102008231B1 (en) | Failure prediction device for automation equipment, failure prediction system and method using the same | |
| JP7138621B2 (en) | MPC with unconstrained dependent variables for KPI performance analysis | |
| CN104238491B (en) | Information platform for the data processing based on industrial automation stream | |
| JP5992087B1 (en) | Preventive maintenance management system for creating machine maintenance plans | |
| JP6933899B2 (en) | Plant operation support equipment, plant operation support method, and plant operation support program | |
| KR102334965B1 (en) | Predictive maintenance system for efficient management of factory automation equipment and productivity improvement | |
| JP6796373B2 (en) | Plant operation system and plant operation method | |
| US20200123878A1 (en) | Systems and methods for scheduling and executing maintenance | |
| CN107357264B (en) | Method and apparatus for optimizing a process control system | |
| JP2017062728A (en) | Abnormality diagnosis system and abnormality diagnosis method | |
| JP7236127B2 (en) | Processing equipment operation management system | |
| KR20220068287A (en) | Apparatus for monitoring facility abnormal detection employing predicted data model of time series energy | |
| CN113227922B (en) | Method and system for controlling a process in a process plant | |
| JP2020113165A (en) | Failure prediction system | |
| Kovacs et al. | A modified Weibull model for service life prediction and spare parts forecast in heat treatment industry | |
| TWI710873B (en) | Support device, learning device, and plant operating condition setting support system | |
| JP6302014B2 (en) | Cell control device | |
| JP6702297B2 (en) | Abnormal state diagnosis method and abnormal state diagnosis device | |
| JP2021176088A (en) | Test device management system and management device | |
| JPH11282507A (en) | Remote control system | |
| KR101367550B1 (en) | Collaborative facilities production system | |
| JP2011197894A (en) | Server device and maintenance method | |
| JP2019008435A (en) | Trend graph display device | |
| Koomsap et al. | Condition monitoring and lifetime estimation of a CO 2 laser |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210527 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220308 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20220309 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220408 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20220905 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221129 |
|
| C60 | Trial request (containing other claim documents, opposition documents) |
Free format text: JAPANESE INTERMEDIATE CODE: C60 Effective date: 20221129 |
|
| C11 | Written invitation by the commissioner to file amendments |
Free format text: JAPANESE INTERMEDIATE CODE: C11 Effective date: 20221207 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20230104 |
|
| C21 | Notice of transfer of a case for reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C21 Effective date: 20230105 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230131 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230217 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7236127 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |