特開 2024-124649 不良要因特定装置、不良要因特定方法、及び不良要因特定プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024124649

(43)【公開日】2024-09-13

(54)【発明の名称】不良要因特定装置、不良要因特定方法、及び不良要因特定プログラム

(51)【国際特許分類】

   G05B 19/418 20060101AFI20240906BHJP

   G06N 20/00 20190101ALI20240906BHJP

【ＦＩ】

G05B19/418 Z

G06N20/00 160

【審査請求】未請求

【請求項の数】8

【出願形態】ＯＬ

(21)【出願番号】P 2023032473

(22)【出願日】2023-03-03

(71)【出願人】

【識別番号】000232302

【氏名又は名称】ニデック株式会社

(74)【代理人】

【識別番号】100142022

【弁理士】

【氏名又は名称】鈴木 一晃

(74)【代理人】

【識別番号】100138689

【弁理士】

【氏名又は名称】梶原 慶

(72)【発明者】

【氏名】大木 麻里衣

(72)【発明者】

【氏名】椛島 基嵩

【テーマコード（参考）】

3C100

【Ｆターム（参考）】

3C100AA27

3C100AA56

3C100AA57

3C100AA58

3C100BB11

3C100BB19

3C100BB27

(57)【要約】

【課題】製品の生産における傾向が判明した不良要因を除外して潜在的な不良要因を抽出可能な不良要因特定装置、不良要因特定方法、及び不良要因特定プログラムを提供する。
【解決手段】不良要因特定装置２０は、生産工程情報に基づく多次元データを第一データ群と第二データ群とに分割する分割部２１と、第一データ群を用いて学習した分類モデル２０ｍによって第二データ群の良否を予測する予測部２２と、分類モデル２０ｍの予測で重要視された項目の寄与度を算出する算出部２３と、第一データ群及び第二データ群と同じ次元を持つ寄与度と、良否判定とを含む第一データ群及び第二データ群に対して、次元圧縮を行う圧縮部２４と、次元圧縮された圧縮データのクラスタリングを行うクラスタリング部２５と、クラスタリング部によって得られた各クラスタにおいて、寄与度が最大の項目を各クラスタの不良要因としてそれぞれ抽出する抽出部２６とを備える。
【選択図】図１

【特許請求の範囲】

【請求項1】

生産工程情報に基づく多次元データを第一データ群と第二データ群とに分割する分割部と、
前記第一データ群を用いて学習した分類モデルによって前記第二データ群の良否を予測する予測部と、
前記分類モデルの予測で重要視された項目の寄与度を算出する算出部と、
前記第一データ群及び前記第二データ群と同じ次元を持つ前記寄与度と、良否判定とを含む前記第一データ群及び前記第二データ群に対して、次元圧縮を行う圧縮部と、
次元圧縮された圧縮データのクラスタリングを行うクラスタリング部と、
前記クラスタリング部によって得られた各クラスタにおいて、前記寄与度が最大の項目を前記各クラスタの不良要因としてそれぞれ抽出する抽出部と
を備える、不良要因特定装置。

【請求項2】

前記抽出部によって抽出された前記不良要因に関する不良データを前記第一データ群及び前記第二データ群から除外する除外部をさらに備え、
前記圧縮部は、前記除外部によって前記不良データが除外された前記第一データ群及び前記第二データ群に対して再び次元圧縮を行い、
前記クラスタリング部は、前記圧縮部によって再び次元圧縮された前記圧縮データに再度のクラスタリングを行い、
前記抽出部は、前記再度のクラスタリングによって得られた各クラスタにおいて、前記寄与度が最大の項目を前記各クラスタの前記不良要因としてそれぞれ再び抽出する、請求項１に記載の不良要因特定装置。

【請求項3】

前記除外部によって除外される前記不良データが全不良データに対して予め定められた所定割合以下となるまで、
前記除外部による除外、前記算出部による算出、前記圧縮部による次元圧縮、前記クラスタリング部によるクラスタリング、及び前記抽出部による抽出を繰り返す、請求項２に記載の不良要因特定装置。

【請求項4】

前記算出部によって前記寄与度が最初に算出されてから予め定められた所定時間が経過するまで、
前記除外部による除外、前記圧縮部による次元圧縮、前記クラスタリング部によるクラスタリング、及び前記抽出部による抽出を繰り返す、請求項２又は請求項３に記載の不良要因特定装置。

【請求項5】

前記第一データ群は訓練データであり、前記第二データ群はテストデータである、請求項２又は請求項３に記載の不良要因特定装置。

【請求項6】

前記生産工程情報は、生産装置の駆動情報、製品の検査情報、前記製品の製造時に計測した寸法、前記製品の組立に使用した装置、部品、若しくは治具の識別子、前記装置の稼働設定、稼働率、若しくは状態を含む製造関連データ、組立時間、又は作業者識別情報の少なくとも１つを含む、請求項２又は請求項３に記載の不良要因特定装置。

【請求項7】

不良要因特定をコンピュータに実行させる不良要因特定プログラムであって、
生産工程情報に基づく多次元データを第一データ群と第二データ群とに分割する分割ステップと、
前記第一データ群を用いて学習した分類モデルによって前記第二データ群の良否を予測する予測ステップと、
前記分類モデルの予測で重要視された項目の寄与度を算出する算出ステップと、
前記第一データ群及び前記第二データ群と同じ次元を持つ前記寄与度と、良否判定とを含む前記第一データ群及び前記第二データ群に対して、次元圧縮を行う圧縮ステップと、
次元圧縮された圧縮データのクラスタリングを行うクラスタリングステップと、
前記クラスタリングステップによって得られた各クラスタにおいて、前記寄与度が最大の項目を前記各クラスタの不良要因としてそれぞれ抽出する抽出ステップと
を含む、不良要因特定プログラム。

【請求項8】

生産工程情報に基づく多次元データを第一データ群と第二データ群とに分割する分割ステップと、
前記第一データ群を用いて学習した分類モデルによって前記第二データ群の良否を予測する予測ステップと、
前記分類モデルの予測で重要視された項目の寄与度を算出する算出ステップと、
前記第一データ群及び前記第二データ群と同じ次元を持つ前記寄与度と、良否判定とを含む前記第一データ群及び前記第二データ群に対して、次元圧縮を行う圧縮ステップと、
次元圧縮された圧縮データのクラスタリングを行うクラスタリングステップと、
前記クラスタリングステップによって得られた各クラスタにおいて、前記寄与度が最大の項目を前記各クラスタの不良要因としてそれぞれ抽出する抽出ステップと
を含む、不良要因特定方法。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、製品の生産における不良要因特定装置などに関し、特に、傾向が判明した不良要因を除外して潜在的な不良要因を抽出可能な不良要因特定装置、不良要因特定方法、及び不良要因特定プログラムに関する。

【背景技術】

【0002】

特許文献１に記載の不良要因の分析表示装置では、演算装置は、製品の生産データと検査データを製品毎に集計した代表値を元に不良発生の不良要因の分析を行う。表示装置は、分析結果から抽出されたデータ項目について、代表値のもとになった生産データ及び検査データを、分析対象となった複数の代表値の中から、統計手法による演算を用いて選択し、表示する。

【0003】

特許文献２に記載の不良要因抽出方法では、検査工程の検査結果を表す品質情報と各製造工程の製造パラメータである加工情報とを関連付けて紐付けデータとする。所定の分析を行って、複数の加工情報に不良要因として推定される順位を付ける。次に、順位付けの結果を表示画面に表示する。排除すべき加工情報が指定されたとき、指定された加工情報を排除して残りの紐付けデータを得る。次に、残りの紐付けデータを用いて、再び上記分析を行って、残りの複数の加工情報に不良要因として推定される順位を付ける。次に、その再順位付けの結果を表示画面に表示する。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特許第４７３９４４７号公報

【特許文献2】特許第５００８５２５号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

従来の不良解析手法は、突発不良であるか傾向不良であるかを確認することができなかった。また、傾向不良の規模が小さい不良について抽出することが困難であった。したがって、歩留まりを向上させる目的に対して都度の不良改善が主要な方法として挙げられていた。しかし、歩留まりが高い場合は個々の不良規模が小さい。そのため規模が大きくならないように不良予防を行う必要がある。

【0006】

特許文献１に記載の不良要因の分析表示装置では、生産プロセス全体の詳細データの計算が膨大であることから、データセットを製品ごとに統計的処理を行った代表値を演算して情報量を落としている。詳細データとは、製造プロセスから検査プロセスまでの各種センサーによる計測値を短いサンプリング間隔で記録したデータセットである。各製造プロセスの数値は一定の尺度によって成り立っていない。したがって、製品ごとの代表値は各値の尺度を打ち消しており、本来の情報量を保持できていない。

【0007】

特許文献２に記載の不良要因抽出方法では、不良要因として推定されるプロセスデータを排除して再解析を行うにあたり、全体に対するプロセスデータの分布が把握できていない。重回帰分析の影響度が高い項目が、分布上良品と不良品で区別できる場合は排除しても問題ない。しかし、不良品が良品に近しい場合においては全体の分布を確認した上で、排除を行うか決定する必要がある。

【0008】

本開示は、上記課題に鑑みてなされたものであり、製品の生産における傾向が判明した不良要因を除外して潜在的な不良要因を抽出可能な不良要因特定装置、不良要因特定方法、及び不良要因特定プログラムを提供することを目的とする。

【課題を解決するための手段】

【0009】

本開示の例示的な不良要因特定装置は、生産工程情報に基づく多次元データを第一データ群と第二データ群とに分割する分割部と、前記第一データ群を用いて学習した分類モデルによって前記第二データ群の良否を予測する予測部と、前記分類モデルの予測で重要視された項目の寄与度を算出する算出部と、前記第一データ群及び前記第二データ群と同じ次元を持つ前記寄与度と、良否判定とを含む前記第一データ群及び前記第二データ群に対して、次元圧縮を行う圧縮部と、次元圧縮された圧縮データのクラスタリングを行うクラスタリング部と、前記クラスタリング部によって得られた各クラスタにおいて、前記寄与度が最大の項目を前記各クラスタの不良要因としてそれぞれ抽出する抽出部とを備える。

【0010】

本開示の例示的な不良要因特定プログラムは、不良要因特定をコンピュータに実行させる不良要因特定プログラムであって、生産工程情報に基づく多次元データを第一データ群と第二データ群とに分割する分割ステップと、前記第一データ群を用いて学習した分類モデルによって前記第二データ群の良否を予測する予測ステップと、前記分類モデルの予測で重要視された項目の寄与度を算出する算出ステップと、前記第一データ群及び前記第二データ群と同じ次元を持つ前記寄与度と、良否判定とを含む前記第一データ群及び前記第二データ群に対して、次元圧縮を行う圧縮ステップと、次元圧縮された圧縮データのクラスタリングを行うクラスタリングステップと、前記クラスタリングステップによって得られた各クラスタにおいて、前記寄与度が最大の項目を前記各クラスタの不良要因としてそれぞれ抽出する抽出ステップとを含む。

【0011】

本開示の例示的な不良要因特定方法は、生産工程情報に基づく多次元データを第一データ群と第二データ群とに分割する分割ステップと、前記第一データ群を用いて学習した分類モデルによって前記第二データ群の良否を予測する予測ステップと、前記分類モデルの予測で重要視された項目の寄与度を算出する算出ステップと、前記第一データ群及び前記第二データ群と同じ次元を持つ前記寄与度と、良否判定とを含む前記第一データ群及び前記第二データ群に対して、次元圧縮を行う圧縮ステップと、次元圧縮された圧縮データのクラスタリングを行うクラスタリングステップと、前記クラスタリングステップによって得られた各クラスタにおいて、前記寄与度が最大の項目を前記各クラスタの不良要因としてそれぞれ抽出する抽出ステップとを含む。

【発明の効果】

【0012】

例示的な本開示によれば、製品の生産における傾向が判明した不良要因を除外して潜在的な不良要因を抽出可能となる。

【図面の簡単な説明】

【0013】

【図1】本開示の一実施形態に係る不良要因特定システム１００の概略構成を示すブロック図である。

【図2】不良要因特定システム１００による主要処理を示すフローチャートである。

【図3】不良要因特定システム１００による不良要因の特定例を示す説明図である。

【図4】寄与度が最大の項目が治具番号である場合を例示する説明表である。

【発明を実施するための形態】

【0014】

本開示の例示的な実施形態について、図面を参照しながら説明する。なお、図中、同一又は相当部分については同一の参照符号を付して説明を繰り返さない。

【0015】

１．１ 不良要因特定システム１００の構成
図１は本開示の一実施形態に係る不良要因特定システム１００の概略構成を示すブロック図である。

【0016】

この図１に示すように、不良要因特定システム１００は、製品の生産を行うための様々な工程を含む生産工程１０と、この生産工程１０からの入力を目的変数及び説明変数とする分類モデル２０ｍを有する不良要因特定装置２０とを備えている。分類モデル２０ｍは、生産工程１０から入力される目的変数及び説明変数によって機械学習を行う。

【0017】

機械学習は「教師あり学習」、「教師なし学習」、及び「強化学習」の３種類に分類されるが、これらのうち「教師あり学習」は、過去のデータを教師としてデータの分析を行う。つまり、正解が予め判明している過去データを分析して正解を導き出すモデルを作成し、そのモデルを使って予測を行うのである。本実施形態の分類モデル２０ｍでは「教師あり学習」を行う。

【0018】

目的変数とは分析の結果として導き出したいデータであり、説明変数とは目的変数に影響を与えるであろうデータである。本実施形態の分類モデル２０ｍに入力される生産工程情報の具体例としては、生産装置の駆動情報、製品の検査情報、前記製品の製造時に計測した寸法、前記製品の組立に使用した装置、部品、若しくは治具の識別子、前記装置の稼働設定、稼働率、若しくは状態を含む製造関連データ、組立時間、又は作業者識別情報が挙げられるが、これらに限らない。例えば寸法を不良と紐付けることで、不良への寄与度が高い項目に絞り込むことが可能となる。

【0019】

また、不良要因特定装置２０は、分割部２１と、予測部２２と、算出部２３と、次元圧縮部２４と、クラスタリング部２５と、抽出部２６と、除外部２７とを備えている。この不良要因特定装置２０は、例えば不良要因特定プログラムをコンピュータに実行させることで具現化してもよい。

【0020】

分割部２１は、生産工程１０から入力される生産工程情報に基づく多次元データを第一データ群と第二データ群とに分割する。具体的には、第一データ群は訓練データであり、第二データ群はテストデータである。このように、訓練データを用いて学習した分類モデル２０ｍによってテストデータの良否を予測することによって、予測部２２による予測がより的確になる。

【0021】

予測部２２は、第一データ群（訓練データ）を用いて学習した分類モデル２０ｍによって第二データ群（テストデータ）の良否を予測する。学習の方法としては、ロジスティック回帰分析（Ｌｏｇｉｓｔｉｃ Ｒｅｇｒｅｓｓｉｏｎ Ａｎａｌｙｓｉｓ）、サポートベクターマシン（ＳＶＭ：Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ）、ランダムフォレスト（Ｒａｎｄｏｍ Ｆｏｒｅｓｔ）、勾配ブースティング木（ＧＢＤＴ：Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ Ｄｅｃｉｓｉｏｎ Ｔｒｅｅ）、ニューラルネットワーク（ＮＮ：Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）などが挙げられるが、これらに限らない。

【0022】

算出部２３は、分類モデル２０ｍの予測において重要視された項目の寄与度を算出する。この算出に用いる方法としては、相関係数、シャプ（ＳＨＡＰ：ＳＨａｐｌｅｙ Ａｄｄｉｔｉｖｅ ｅｘＰｌａｎａｔｉｏｎｓ）解析、平均正解率減少量（ＭＤＡ：Ｍｅａｎ Ｄｅｃｒｅａｓｅ Ａｃｃｕｒａｃｙ）、平均減少ジニ（ＭＤＧ：Ｍｅａｎ Ｄｅｃｒｅａｓｅ Ｇｉｎｉ）などが挙げられるが、これらに限らない。

【0023】

次元圧縮部２４は、第一データ群及び第二データ群と同じ次元を持つ寄与度と、良否判定とを含む第一データ群及び第二データ群に対して、次元圧縮を行う。この次元圧縮の方法としては、主成分分析（ＰＣＡ：Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ）、独立成分分析（ＩＣＡ：Ｉｎｄｅｐｅｎｄｅｎｔ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ）、ｔ分布型確率的近傍埋め込み（ｔ－ＳＮＥ：ｔ－ｄｉｓｔｒｉｂｕｔｅｄ Ｓｔｏｃｈａｓｔｉｃ Ｎｅｉｇｈｂｏｒ Ｅｍｂｅｄｄｉｎｇ）、均一多様体近似と射影（ＵＭＡＰ：Ｕｎｉｆｏｒｍ Ｍａｎｉｆｏｌｄ Ａｐｐｒｏｘｉｍａｔｉｏｎ ａｎｄ Ｐｒｏｊｅｃｔｉｏｎ）などが挙げられるが、これらに限らない。

【0024】

クラスタリング部２５は、次元圧縮部２４によって次元圧縮された圧縮データのクラスタリングを行う。このクラスタリングの方法としては、ｋ平均法（ｋ－ｍｅａｎｓ ｃｌｕｓｔｅｒｉｎｇ）、密度準拠クラスタリング（ＤＢＳＣＡＮ：Ｄｅｎｓｉｔｙ－Ｂａｓｅｄ Ｓｐａｔｉａｌ ｃｌｕｓｔｅｒｉｎｇ ｏｆ ａｐｐｌｉｃａｔｉｏｎｓ ｗｉｔｈ Ｎｏｉｓｅ）、階層的ＤＢＳＣＡＮ、平均シフト（Ｍｅａｎ ｓｈｉｆｔ）、混合ガウスモデル（ＧＭＭ：Ｇａｕｓｓｉａｎ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ）などが挙げられるが、これらに限らない。

【0025】

抽出部２６は、クラスタリング部２５によって得られた各クラスタにおいて、寄与度が最大の項目を各クラスタの不良要因としてそれぞれ抽出する。このように、分類モデル２０ｍへの寄与度で尺度を統一して次元圧縮を行うことで、より確率の高い不良要因抽出を実現できる。

【0026】

除外部２７は、抽出部２６によって抽出された不良要因に関する不良データを第一データ群及び第二データ群から除外する。このように、抽出部２６によって抽出された不良要因に関する不良データが除外部２７によって除外された第一データ群及び第二データ群が、算出部２３に戻される。これにより、算出部２３及びそれ以降の各部による処理が繰り返される。すなわち、算出部２３による算出後、次元圧縮部２４によって再び次元圧縮が行われる。次元圧縮部２４によって再び次元圧縮された圧縮データは、クラスタリング部２５によって再度のクラスタリングが行われる。この再度のクラスタリングによって得られた各クラスタにおいて、寄与度が最大の項目が各クラスタの不良要因として抽出部２６によって再びそれぞれ抽出される。

【0027】

このように、主要な不良要因に係る不良品データを除外することで、小規模の不良要因を発掘可能となる。これにより、次に起こり得る不良の予防措置を行えるので、最終的に歩留まり及び製品の品質を向上させることができる。

【0028】

１．２ 不良要因特定システム１００による主要処理
図２は不良要因特定システム１００による主要処理を示すフローチャートである。

【0029】

この図２に示すように、まずステップＳ１では、分割部２１によって、生産工程１０から入力される生産工程情報に基づく多次元データの欠損値処理を行って、第一データ群（訓練データ）と第二データ群（テストデータ）とに分割する。なお、このステップＳ１が本開示の「分割ステップ」に対応する。

【0030】

ステップＳ２では、第一データ群を用いて分類モデル２０ｍの学習を行う。

【0031】

ステップＳ３では、第一データ群を用いて学習した分類モデル２０ｍによって第二データ群の良否を予測部２２によって予測する。なお、このステップＳ３が本開示の「予測ステップ」に対応する。

【0032】

ステップＳ４では、ステップＳ５以降のループ処理開始からの経過時間を測定するためのタイマーをスタートさせる。

【0033】

ステップＳ５では、分類モデル２０ｍの予測において重要視された項目の寄与度を算出部２３によって算出する。なお、このステップＳ５が本開示の「算出ステップ」に対応する。

【0034】

ステップＳ６では、第一データ群及び第二データ群と同じ次元を持つ寄与度と、良否判定とを含む第一データ群及び第二データ群に対して、次元圧縮部２４によって次元圧縮を行う。なお、このステップＳ６が本開示の「圧縮ステップ」に対応する。

【0035】

ステップＳ７では、次元圧縮部２４によって次元圧縮された圧縮データに対して、クラスタリング部２５によってクラスタリングを行う。なお、このステップＳ７が本開示の「クラスタリングステップ」に対応する。

【0036】

ステップＳ８では、ステップＳ７によって得られた各クラスタにおいて、寄与度が最大の項目を各クラスタの不良要因として抽出部２６によってそれぞれ抽出して確認する。なお、このステップＳ８が本開示の「抽出ステップ」に対応する。

【0037】

ステップＳ９では、ステップＳ８で確認した寄与度が最大の項目に該当する不良データの全不良データに対する割合が、予め定められた所定割合以下、具体的には例えば５％以下かどうかを判定する。所定割合以下であれば一連の処理を終了し、そうでなければステップＳ１０へ進む。このように、主要な不良要因に係る不良品データの除外のための繰り返し処理に、全不良データに対する割合による終了条件を設定することで、現実的に有効な不良予防措置を行うことができる。

【0038】

ステップＳ１０では、ステップＳ４でスタートさせたタイマーの計時値を確認し、算出部２３によって寄与度が最初に算出されてから予め定められた所定時間、具体的には例えば２４時間が経過したかどうかを判定する。所定時間が既に経過していれば一連の処理を終了し、そうでなければステップＳ１１へ進む。このように、主要な不良要因に係る不良品データの除外のための繰り返し処理に、経過時間による終了条件を設定することで、現実的に有効な不良予防措置を行うことができる。

【0039】

ステップＳ１１では、抽出部２６によって抽出された寄与度が最大の項目の不良要因に関する不良データを第一データ群及び第二データ群から除外した後、ステップＳ５へ戻ってこのステップ以降の処理を繰り返す。

【0040】

１．３ 不良要因特定システム１００による不良要因の特定例
図３は不良要因特定システム１００による不良要因の特定例を示す説明図である。図４は寄与度が最大の項目が治具番号である場合を例示する説明表である。

【0041】

この図３の左側に示すように、最初は不良要因特定の対象は全不良データである。ここで、円グラフは良品（ＯＫ品）及び不良品（ＮＧ品）それぞれの割合を示しており、その右の積み上げグラフは不良要因を寄与度の高い項目ほど上になるように積み上げている。

【0042】

不良要因特定システム１００によって寄与度が最大の項目を除外すると、図３の中央に示すようなグラフになる。さらに、寄与度が２番目に大きい項目も除外すると、図３の右側に示すようなグラフになる。

【0043】

このように、例えば寄与度が大きい順に２項目の不良要因を除外することで、寄与度が３番目以下の項目だけが残るので、潜在的な不良要因の抽出が可能となる。なお、除外する項目数は２項目とは限らない。

【0044】

１．４ 品質管理に関する４Ｍ情報に基づく具体例
不良要因として、４Ｍ情報に基づく具体例について記載する。４Ｍ情報とは、品質管理に関連する情報であり、次の４項目を含む。
・Ｍａｎ（人）
・Ｍａｃｈｉｎｅ（機械）
・Ｍｅｔｈｏｄ（方法）
・Ｍａｔｅｒｉａｌ（材料）

【0045】

例えば、本実施形態では、作業者が不良要因の場合は、Ｍａｎ（人）の情報に該当する。製造装置や治具などの装置系が不良要因の場合は、Ｍａｃｈｉｎｅの情報に該当する。部品など組み立てが不良要因の場合は、Ｍｅｔｈｏｄの情報に該当する。製品の部材などが不良要因の場合は、Ｍａｔｅｒｉａｌの情報に該当する。

【0046】

１．４．１ Ｍａｃｈｉｎｅの一例
例えば、寄与率が最大の要因が治具の場合、最も不良品と紐づいている治具を探索し、その治具が使われている不良データを除外して２回目の寄与度が算出される。図中では治具番号２が不良品と最も紐づいているため、治具番号２かつ不良品のデータ（シリアルナンバー０２Ａ，０３Ａ）を除外して２回目の寄与度が算出される。ただし、不良要因は１つとは限らず、複合要因もあり得る。例えば、治具番号が２で特性検査結果が３以下のデータ（シリアルナンバー０３Ａ）を除外して２回目の寄与度を算出してもよい。

【0047】

製造装置のステーション（製造ライン毎に同じものが配置されているときは「号機」で識別）のうち１台に問題がある場合（例：１号機の寄与率が最大の場合）、問題のある１台に関する不良データを除外して２回目の寄与度が算出される。

【0048】

１．４．２ Ｍａｔｅｒｉａｌ及びＭｅｔｈｏｄの一例
製品寸法を分布で見たときに閾値以上（又は閾値以下）を不良とし、その不良が最大の寄与率の場合、閾値以上（又は閾値以下）の不良に関する不良データを除外して２回目の寄与度が算出される。

【0049】

１．４．３ Ｍａｔｅｒｉａｌの一例
寸法、液体の粘度、サプライヤ、母材など部品ロットによって異なる状態で、これらの要因が最大の寄与率の場合は、部品ロットに関する不良データを除外して２回目の寄与度が算出される。なお、「寸法」などの単位で寄与率が算出されている場合は、こちらでもよい。

【0050】

１．４．４ Ｍｅｔｈｏｄの一例
作業手順書が更新された場合、更新日時を境に生産工程情報が変化することがあり得る。そのため、特定の時間帯が不良の要因として寄与率が最も高い場合、その時間帯の不良データを除外して２回目の寄与度が算出される。

【0051】

作業手順書の変更の例としては、レーザ溶接が「１点溶接」から「３点溶接」に変更されるなどが考えられる。

【0052】

１．４．５ Ｍａｎの一例
作業者の習熟度、性格などがパラメータ化されていれば、そのパラメータに基づく寄与率を算出することが可能である。例えば、作業者の習熟度の不良要因が最も大きい場合は、作業者の習熟度に関する不良データを除外して２回目の寄与度が算出される。

【0053】

以上、図面を参照しながら本開示の実施形態を説明した。ただし、上記実施形態は、本開示の例示にすぎず、本開示は、上記の実施形態に限られるものではなく、その要旨を逸脱しない範囲で種々の態様において実施することが可能である。図面は、理解しやすくするために、それぞれの構成要素を主体に模式的に示しており、図示された各構成要素の厚み、長さ、個数等は、図面作成の都合上から実際とは異なる。また、上記の実施形態で示す各構成要素の材質や形状、寸法等は一例であって、特に限定されるものではなく、本開示の効果から実質的に逸脱しない範囲で種々の変更が可能である。実施形態の構成は、本開示の技術的思想を超えない範囲で適宜変更されてもよい。また、実施形態は、可能な範囲で組み合わせて実施されてもよい。

【0054】

なお、本開示は、以下のような構成を採用することも可能である。

【0055】

（１）生産工程情報に基づく多次元データを第一データ群と第二データ群とに分割する分割部と、
前記第一データ群を用いて学習した分類モデルによって前記第二データ群の良否を予測する予測部と、
前記分類モデルの予測で重要視された項目の寄与度を算出する算出部と、
前記第一データ群及び前記第二データ群と同じ次元を持つ前記寄与度と、良否判定とを含む前記第一データ群及び前記第二データ群に対して、次元圧縮を行う圧縮部と、
次元圧縮された圧縮データのクラスタリングを行うクラスタリング部と、
前記クラスタリング部によって得られた各クラスタにおいて、前記寄与度が最大の項目を前記各クラスタの不良要因としてそれぞれ抽出する抽出部と
を備える、不良要因特定装置。

【0056】

（２）前記抽出部によって抽出された前記不良要因に関する不良データを前記第一データ群及び前記第二データ群から除外する除外部をさらに備え、
前記圧縮部は、前記除外部によって前記不良データが除外された前記第一データ群及び前記第二データ群に対して再び次元圧縮を行い、
前記クラスタリング部は、前記圧縮部によって再び次元圧縮された前記圧縮データに再度のクラスタリングを行い、
前記抽出部は、前記再度のクラスタリングによって得られた各クラスタにおいて、前記寄与度が最大の項目を前記各クラスタの前記不良要因としてそれぞれ再び抽出する、（１）に記載の不良要因特定装置。

【0057】

（３）前記除外部によって除外される前記不良データが全不良データに対して予め定められた所定割合以下となるまで、
前記除外部による除外、前記算出部による算出、前記圧縮部による次元圧縮、前記クラスタリング部によるクラスタリング、及び前記抽出部による抽出を繰り返す、（２）に記載の不良要因特定装置。

【0058】

（４）前記算出部によって前記寄与度が最初に算出されてから予め定められた所定時間が経過するまで、
前記除外部による除外、前記圧縮部による次元圧縮、前記クラスタリング部によるクラスタリング、及び前記抽出部による抽出を繰り返す、（２）又は（３）に記載の不良要因特定装置。

【0059】

（５）前記第一データ群は訓練データであり、前記第二データ群はテストデータである、（２）～（４）のいずれか１つに記載の不良要因特定装置。

【0060】

（６）前記生産工程情報は、生産装置の駆動情報、製品の検査情報、前記製品の製造時に計測した寸法、前記製品の組立に使用した装置、部品、若しくは治具の識別子、前記装置の稼働設定、稼働率、若しくは状態を含む製造関連データ、組立時間、又は作業者識別情報の少なくとも１つを含む、（２）～（５）のいずれか１つに記載の不良要因特定装置。

【0061】

（７）不良要因特定をコンピュータに実行させる不良要因特定プログラムであって、
生産工程情報に基づく多次元データを第一データ群と第二データ群とに分割する分割ステップと、
前記第一データ群を用いて学習した分類モデルによって前記第二データ群の良否を予測する予測ステップと、
前記分類モデルの予測で重要視された項目の寄与度を算出する算出ステップと、
前記第一データ群及び前記第二データ群と同じ次元を持つ前記寄与度と、良否判定とを含む前記第一データ群及び前記第二データ群に対して、次元圧縮を行う圧縮ステップと、
次元圧縮された圧縮データのクラスタリングを行うクラスタリングステップと、
前記クラスタリングステップによって得られた各クラスタにおいて、前記寄与度が最大の項目を前記各クラスタの不良要因としてそれぞれ抽出する抽出ステップと
を含む、不良要因特定プログラム。

【0062】

（８）生産工程情報に基づく多次元データを第一データ群と第二データ群とに分割する分割ステップと、
前記第一データ群を用いて学習した分類モデルによって前記第二データ群の良否を予測する予測ステップと、
前記分類モデルの予測で重要視された項目の寄与度を算出する算出ステップと、
前記第一データ群及び前記第二データ群と同じ次元を持つ前記寄与度と、良否判定とを含む前記第一データ群及び前記第二データ群に対して、次元圧縮を行う圧縮ステップと、
次元圧縮された圧縮データのクラスタリングを行うクラスタリングステップと、
前記クラスタリングステップによって得られた各クラスタにおいて、前記寄与度が最大の項目を前記各クラスタの不良要因としてそれぞれ抽出する抽出ステップと
を含む、不良要因特定方法。

【産業上の利用可能性】

【0063】

本開示は、製品の生産などにおける様々な不良要因分析を行うシステムや装置などに利用可能である。

【符号の説明】

【0064】

１００ 不良要因特定システム
１０ 生産工程
２０ 不良要因特定装置
２０ｍ 分類モデル
２１ 分割部
２２ 予測部
２３ 算出部
２４ 次元圧縮部
２５ クラスタリング部
２６ 抽出部
２７ 除外部

【図1】

【図2】

【図3】

【図4】