(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B2)
(11)【特許番号】
(24)【登録日】2024-11-14
(45)【発行日】2024-11-22
(54)【発明の名称】データ分析装置及び方法
(51)【国際特許分類】
G05B 19/418 20060101AFI20241115BHJP
G06Q 50/04 20120101ALI20241115BHJP
【ＦＩ】
G05B19/418 Z
G06Q50/04
【請求項の数】
10
(21)【出願番号】P 2022527483
(86)(22)【出願日】2020-11-24
(86)【国際出願番号】 JP2020043658
(87)【国際公開番号】W WO2021240845
(87)【国際公開日】2021-12-02
【審査請求日】2023-09-20
(31)【優先権主張番号】P 2020092464
(32)【優先日】2020-05-27
(33)【優先権主張国・地域又は機関】JP
(73)【特許権者】
【識別番号】314012076
【氏名又は名称】パナソニックＩＰマネジメント株式会社
(74)【代理人】
【識別番号】100132241
【弁理士】
【氏名又は名称】岡部 博史
(74)【代理人】
【識別番号】100135703
【弁理士】
【氏名又は名称】岡部 英隆
(74)【代理人】
【識別番号】100199314
【弁理士】
【氏名又は名称】竹内 寛
(72)【発明者】
【氏名】沖本 純幸
(72)【発明者】
【氏名】市村 大治郎
(72)【発明者】
【氏名】嶺岸 瞳
(72)【発明者】
【氏名】多鹿 陽介
【審査官】杉山 悟史
(56)【参考文献】
【文献】特開２０２０－０２７４７０（ＪＰ，Ａ）
【文献】特開２０１７－１６７５９９（ＪＰ，Ａ）
【文献】国際公開第２０１９／０１３１９６（ＷＯ，Ａ１）
【文献】特開２０１２－２５２６６２（ＪＰ，Ａ）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０５Ｂ １９／４１８
Ｇ０６Ｑ ５０／０４
Ｂ２５Ｊ １／００ ～ ２１／０２
(57)【特許請求の範囲】
【請求項1】
複数の工程を含む流れ作業を行う効率を分析するデータ分析装置であって、前記流れ作業が行われる毎に各工程が実行された履歴を示すログデータを取得する取得部と、
前記流れ作業に関する確率分布を演算する確率モデルにより生成される情報に基づいて、前記ログデータが示す履歴の分析結果を示す分析情報を生成する制御部とを備え、
前記確率モデルは、
前記流れ作業における工程毎の効率の確率分布を示す工程効率分布、及び各工程において前記流れ作業の効率を変動させる要因の確率分布を示す変動要因分布を生成し、
前記工程効率分布および前記変動要因分布に基づいて、前記流れ作業の効率の確率分布を示す作業効率分布を生成し、
前記確率モデルは、特定の要因に関する前記変動要因分布の代わりに前記ログデータが示す履歴における当該要因の観測値を用いて、当該要因が観測された状態の作業効率分布を生成し、
前記分析情報は、当該要因が観測された状態の作業効率分布と、観測されていない状態の作業効率分布との間の差分に応じて、前記流れ作業の効率に対する当該要因の影響を評価する情報を含む
データ分析装置。
【請求項2】
前記確率モデルは、前記工程毎に予め設定された係数に基づいて、前記工程毎の前記変動要因分布を重み付けして、前記作業効率分布を生成する請求項１に記載のデータ分析装置。
【請求項3】
前記制御部は、前記ログデータが示す履歴における前記流れ作業の効率が、前記作業効率分布において生じる確率に基づいて、前記効率の変動を検出し、
前記効率の変動の検出結果に応じて、前記分析情報を生成する
請求項１又は２に記載のデータ分析装置。
【請求項4】
前記確率モデルは、前記複数の工程の効率において最も低い効率の確率分布を示す最低効率分布に基づいて、前記作業効率分布を生成する請求項１～３のいずれか１項に記載のデータ分析装置。
【請求項5】
前記確率モデルは、前記最低効率分布の代わりに前記ログデータが示す履歴における前記各工程の効率のうちの特定の工程の効率の観測値を用いて、当該工程の効率が観測された状態の作業効率分布を生成し、前記分析情報は、当該工程の効率が観測された状態の作業効率分布と、観測されていない状態の作業効率分布との間の差分に応じて、前記流れ作業の効率に対する当該工程の効率の影響を評価する情報を含む
請求項４に記載のデータ分析装置。
【請求項6】
前記流れ作業は、前記各工程を実行する複数の設備を含む生産ラインにおいて物品を生産する作業であり、前記各工程の要因は、当該工程を実行する設備のエラーによる停止、及び前記物品における不良品の発生のうちの少なくとも一方を含む
請求項１～５のいずれか１項に記載のデータ分析装置。
【請求項7】
前記確率モデルを示すモデルデータを格納する記憶部をさらに備え、前記制御部は、前記記憶部に格納されたモデルデータに基づいて、前記確率モデルとして前記作業効率分布を生成する演算を実行する
請求項１～６のいずれか１項に記載のデータ分析装置。
【請求項8】
前記確率モデルは、前記流れ作業が過去に行われた履歴に基づくベイズ推定によって構築される請求項１～７のいずれか１項に記載のデータ分析装置。
【請求項9】
複数の工程を含む流れ作業を行う効率を分析するデータ分析方法であって、前記流れ作業が行われる毎に各工程が実行された履歴を示すログデータを取得するステップと、
前記流れ作業に関する確率分布を演算する確率モデルにより生成される情報に基づいて、前記ログデータが示す履歴の分析結果を示す分析情報を生成するステップとを含み、
前記確率モデルは、
前記流れ作業における工程毎の効率の確率分布を示す工程効率分布、及び各工程において前記流れ作業の効率を変動させる要因の確率分布を示す変動要因分布を生成し、
前記工程効率分布および前記変動要因分布に基づいて、前記流れ作業の効率の確率分布を示す作業効率分布を生成し、
前記確率モデルは、特定の要因に関する前記変動要因分布の代わりに前記ログデータが示す履歴における当該要因の観測値を用いて、当該要因が観測された状態の作業効率分布を生成し、
前記分析情報は、当該要因が観測された状態の作業効率分布と、観測されていない状態の作業効率分布との間の差分に応じて、前記流れ作業の効率に対する当該要因の影響を評価する情報を含む
データ分析方法。
【請求項10】
請求項９に記載のデータ分析方法をコンピュータに実行させるためのプログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、流れ作業を行う効率を分析するデータ分析装置及び方法に関する。
【背景技術】
【0002】
特許文献１は、生産ラインの管理装置を開示している。生産ラインの管理装置は、物品を計量して包装する生産ラインにおいて、包装装置の稼働ログやエラーログなどに記録された動作情報に基づいて、計量装置損失時間を計算する。計量装置損失時間は、包装装置が物品を包装するために本来費やすことができた時間のうち、計量装置の運転動作が遅延することに起因して、包装装置の物品を包装する能力が低下したことにより失われた時間である。すなわち、計量装置損失時間は、生産ラインの稼働率低下の要因である。生産ラインの管理装置は、生産ラインの管理者が、生産ラインの稼働率低下の要因を容易に特定できるようにすることを目的としている。
【先行技術文献】
【特許文献】
【0003】
【文献】特開２０１２－２５２６６２号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
本開示は、複数の工程において流れ作業を行う効率の変動を分析し易くすることができるデータ分析装置及び方法を提供する。
【課題を解決するための手段】
【0005】
本開示におけるデータ分析装置は、複数の工程を含む流れ作業を行う効率を分析する。データ分析装置は、流れ作業が行われる毎に各工程が実行された履歴を示すログデータを取得する取得部と、流れ作業に関する確率分布を演算する確率モデルにより生成される情報に基づいて、ログデータが示す履歴の分析結果を示す分析情報を生成する制御部とを備える。確率モデルは、流れ作業における工程毎の効率の確率分布を示す工程効率分布、及び各工程において流れ作業の効率を変動させる要因の確率分布を示す変動要因分布を生成し、工程効率分布および変動要因分布に基づいて、流れ作業の効率の確率分布を示す作業効率分布を生成する。
【0006】
これらの概括的かつ特定の態様は、システム、方法、及びコンピュータプログラム、並びに、それらの組み合わせにより、実現されてもよい。
【発明の効果】
【0007】
本開示におけるデータ分析装置及び方法によると、複数の工程において流れ作業を行う効率の変動を分析し易くすることができる。
【図面の簡単な説明】
【0008】
【図1】本開示の実施形態１に係るデータ分析装置の概要を説明するための図
【図2】データ分析装置の構成を例示するブロック図
【図3】データ分析装置における設備ログデータのデータ構造を例示する図
【図4】製造ラインのデータ分析動作の概要を説明するための図
【図5】データ分析装置におけるラインタクト推定モデルを説明するための図
【図6】ラインタクト推定モデルにおけるタクト推定部を説明するための図
【図7】データ分析装置におけるモデル構築動作を例示するフローチャート
【図8】データ分析装置におけるモデルデータのデータ構造を例示する図
【図9】製造ラインのデータ分析動作を例示するフローチャート
【図10】製造ラインのデータ分析動作を説明するための図
【図11】データ分析動作における要因評価リストの一例を示す図
【図12】データ分析動作における処理の詳細を説明するための図
【発明を実施するための形態】
【0009】
以下、適宜図面を参照しながら、実施の形態を詳細に説明する。但し、必要以上に詳細な説明は省略する場合がある。例えば、既によく知られた事項の詳細説明や実質的に同一の構成に対する重複説明を省略する場合がある。これは、以下の説明が不必要に冗長になるのを避け、当業者の理解を容易にするためである。
【0010】
なお、出願人は、当業者が本開示を十分に理解するために添付図面および以下の説明を提供するのであって、これらによって特許請求の範囲に記載の主題を限定することを意図するものではない。
【0011】
（実施形態１）
以下、本開示の実施形態１について、図面を参照しながら説明する。
以下、本開示の実施形態１について、図面を参照しながら説明する。
【0012】
１．構成
１－１．概要
図１は、本実施形態に係るデータ分析装置２の概要を説明するための図である。本実施形態のデータ分析装置２は、例えば工場１の製造ライン１０に含まれる種々の設備１１を稼働する流れ作業において各種の製造品を生産する性能のデータ管理に適用される。工場１の稼働時においては、例えば製造ライン１０において個々の設備１１が稼働した時間、及びエラーを起こした状況などのデータが収集され、設備ログデータＤ１として蓄積される。
１－１．概要
図１は、本実施形態に係るデータ分析装置２の概要を説明するための図である。本実施形態のデータ分析装置２は、例えば工場１の製造ライン１０に含まれる種々の設備１１を稼働する流れ作業において各種の製造品を生産する性能のデータ管理に適用される。工場１の稼働時においては、例えば製造ライン１０において個々の設備１１が稼働した時間、及びエラーを起こした状況などのデータが収集され、設備ログデータＤ１として蓄積される。
【0013】
図１に例示する製造ライン１０は、例えば製造品を製造する第１工程から第ｎ工程までの一連の工程における各工程に対応した複数ｎ個の設備１１と、連続する工程の設備１１間で完成前の製造品（即ち仕掛品）を格納する仕掛バッファ１２とを含む。各設備１１は、それぞれ対応する工程を実施するための種々の機械設備で構成される。仕掛バッファ１２は、仕掛品を格納可能な数量である許容量を有する置場である。
【0014】
工場１においては製造品を持続的に生産するように製造ライン１０の生産性能を維持する観点から、生産性能が低下する不調に陥ったときには機動的に、不調が発生したことを検出して不調の原因を特定することが求められている。製造ライン１０では、一つの工程における設備１１の停止が別の工程における設備１１の待ちに繋がるといった事態が生じ得る。従来技術のデータ管理では、製造ライン１０における性能低下の不調が、製造ライン１０の全工程の中でどの設備１１の何れの要因にあるのかを分析するデータ分析は実現し難かった。
【0015】
例えば製造ライン１０における生産性能の低下は、１ロット等の製造品を生産する際に単位数量（例えば１個）の製造品が得られる時間すなわちタクトタイムの増加に対応すると考えられる。しかしながら、タクトタイムは、普段から性能が低い設備を用いた場合あるいは製造の難度が高い工程を行う場合にも増加し、こうした場合は性能低下の不調ではない。本実施形態のデータ分析装置２では、こうした場合から区別して製造ライン１０の不調を検出するデータ分析を実現する。
【0016】
又、設備１１の不調の要因としては、例えば各設備１１における様々な種類のエラーによる稼働停止が想定される。ここで、普段から頻繁に起こるエラーが、不調時にも普段と同様に起こった場合、当該エラーが性能低下に及ぼす影響は、比較的小さいと考えられる。一方、普段は起きないエラーが不調時に起こった場合、当該エラーの影響は大きく、不調の要因である可能性が高いと考えられる。さらに、製造ライン１０の各種工程の中では、ボトルネックに近い工程におけるエラーの影響が大きくなると考えられる。本実施形態のデータ分析装置２では、こうした影響を反映して、各種の要因毎に不調の原因と考えられる程度を評価するデータ分析を実現する。
【0017】
【0018】
データ分析装置２は、例えばＰＣなどの情報処理装置で構成される。図２に例示するデータ分析装置２は、制御部２０と、記憶部２１と、操作部２２と、表示部２３と、機器インタフェース２４と、ネットワークインタフェース２５とを備える。以下、インタフェースを「Ｉ／Ｆ」と略記する。
【0019】
制御部２０は、例えばソフトウェアと協働して所定の機能を実現するＣＰＵ又はＭＰＵを含み、データ分析装置２の全体動作を制御する。制御部２０は、記憶部２１に格納されたデータ及びプログラムを読み出して種々の演算処理を行い、各種の機能を実現する。
【0020】
例えば制御部２０は、機能的構成として、計算部３０と、モデル構築部３１と、検出部３２と、評価部３３とを備える。計算部３０は、設備ログデータＤ１から各種の観測値を計算する。モデル構築部３１は、後述するラインタクト推定モデル４（図５参照）を生成するモデル構築動作を実行する。検出部３２は、ラインタクト推定モデルを用いて製造ライン１０の不調を検出する。評価部３３は、ラインタクト推定モデルを用いて不調の要因を評価する。こうしたデータ分析装置２の各種機能による動作については後述する。
【0021】
制御部２０は、例えば上記のようなデータ分析装置２の機能或いはデータ分析動作又はモデル構築動作を実現するための命令群を含んだ各種プログラムを実行する。当該プログラムは、インターネット等の通信ネットワークから提供されてもよいし、可搬性を有する記録媒体に格納されていてもよい。また、制御部２０は、上記各機能を実現するように設計された専用の電子回路又は再構成可能な電子回路などのハードウェア回路であってもよい。制御部２０は、ＣＰＵ、ＭＰＵ、ＧＰＵ、ＧＰＧＰＵ、ＴＰＵ、マイコン、ＤＳＰ、ＦＰＧＡ及びＡＳＩＣ等の種々の半導体集積回路で構成されてもよい。
【0022】
記憶部２１は、データ分析装置２の機能を実現するために必要なプログラム及びデータを記憶する記憶媒体である。記憶部２１は、図２に示すように、格納部２１ａ及び一時記憶部２１ｂを含む。
【0023】
格納部２１ａは、所定の機能を実現するためのパラメータ、データ及び制御プログラム等を格納する。格納部２１ａは、例えばＨＤＤ又はＳＳＤで構成される。例えば、格納部２１ａは、上記のプログラム、並びに設備ログデータＤ１及びモデルデータＤ２などを格納する。
【0024】
設備ログデータＤ１は、製造ライン１０における流れ作業が行われる毎に各々の設備１１において各工程が実行された履歴の各種情報を記録するログデータの一例である。モデルデータＤ２は、ラインタクト推定モデルを構成するデータである（詳細は後述）。設備ログデータＤ１の一例を図３に例示する。
【0025】
設備ログデータＤ１は、例えば図３に示すように、稼働ログデータＤ１１と、エラーログデータＤ１２とを含む。稼働ログデータＤ１１は、例えば「製造品番」、「ロット番号」、「ライン番号」、「設備名」、「構造パラメータｓ」、「構造パラメータｌ」、「開始時刻」、「終了時刻」、「停止時間」、「製造数」及び「良品数」を関連付けて記録する。設備ログデータＤ１は、例えば製造品のロットを識別する「ロット番号」により、製造ライン１０で行われた流れ作業の履歴をロット毎に管理する。
【0026】
例えば、「製造品番」を有する製造品の１ロット分の生産において、「ライン番号」で識別される製造ライン１０において「設備名」で識別される各設備１１がそれぞれ「開始時刻」から「終了時刻」まで稼働し、そのうち「停止時間」だけ停止したことが記録される。さらに、この際に「製造数」の個数分の製造品が得られ、その内の「良品数」の個数分の良品が得られたことが記録される。構造パラメータｓ，ｌは、製造品の構造等に応じて設定される。また、設備ログデータＤ１におけるエラーログデータＤ１２は、例えば各ロットにおいて、「設備名」の設備１１が、エラーの種類を識別する「エラーコード」毎に停止した「停止時間」、および「停止回数」を記録する。
【0027】
図２に戻り、一時記憶部２１ｂは、例えばＤＲＡＭ又はＳＲＡＭ等のＲＡＭで構成され、データを一時的に記憶（即ち保持）する。また、一時記憶部２１ｂは、制御部２０の作業エリアとして機能してもよく、制御部２０の内部メモリにおける記憶領域で構成されてもよい。
【0028】
操作部２２は、ユーザが操作を行う操作部材の総称である。操作部２２は、表示部２３と共にタッチパネルを構成してもよい。操作部２２はタッチパネルに限らず、例えば、キーボード、タッチパッド、ボタン及びスイッチ等であってもよい。操作部２２は、ユーザの操作によって入力される諸情報を取得する取得部の一例である。
【0029】
表示部２３は、例えば、液晶ディスプレイ又は有機ＥＬディスプレイで構成される出力部の一例である。表示部２３は、操作部２２を操作するための各種アイコン及び操作部２２から入力された情報など、各種の情報を表示してもよい。
【0030】
機器Ｉ／Ｆ２４は、データ分析装置２に外部機器を接続するための回路である。機器Ｉ／Ｆ２４は、所定の通信規格にしたがい通信を行う通信部の一例である。所定の規格には、ＵＳＢ、ＨＤＭＩ（登録商標）、ＩＥＥＥ１３９５、ＷｉＦｉ、Ｂｌｕｅｔｏｏｔｈ等が含まれる。機器Ｉ／Ｆ２４は、データ分析装置２において外部機器に対し、諸情報を受信する取得部あるいは送信する出力部を構成してもよい。
【0031】
ネットワークＩ／Ｆ２５は、無線または有線の通信回線を介してデータ分析装置２を通信ネットワークに接続するための回路である。ネットワークＩ／Ｆ２５は所定の通信規格に準拠した通信を行う通信部の一例である。所定の通信規格には、ＩＥＥＥ８０２．３，ＩＥＥＥ８０２．１１ａ／１１ｂ／１１ｇ／１１ａｃ等の通信規格が含まれる。ネットワークＩ／Ｆ２５は、データ分析装置２において通信ネットワークを介して、諸情報を受信する取得部あるいは送信する出力部を構成してもよい。
【0032】
以上のようなデータ分析装置２の構成は一例であり、データ分析装置２の構成はこれに限らない。データ分析装置２は、サーバ装置を含む各種のコンピュータで構成されてもよい。本実施形態のデータ分析動作及びモデル構築動作は、それぞれ分散コンピューティングにおいて実行されてもよい。また、データ分析装置２における取得部は、制御部２０等における各種ソフトウェアとの協働によって実現されてもよい。データ分析装置２における取得部は、各種記憶媒体（例えば格納部２１ａ）に格納された諸情報を制御部２０の作業エリア（例えば一時記憶部２１ｂ）に読み出すことによって、諸情報の取得を行うものであってもよい。
【0033】
２．動作
以上のように構成されるデータ分析装置２の動作について、以下説明する。
以上のように構成されるデータ分析装置２の動作について、以下説明する。
【0034】
【0035】
本実施形態において、例えばデータ分析装置２のモデル構築部３１は、蓄積された設備ログデータＤ１に基づく機械学習により、ラインタクト推定モデル４を構築するモデル構築動作を行う。ラインタクト推定モデル４は、ベイズ推定により製造ライン１０におけるタクトタイムを推定する確率モデルである。ラインタクト推定モデル４は、性能低下の不調を引き起こす様々な要因に関する推定を実行可能であり、且つ当該要因に関する観測値を付加的な知識として入力可能に構築される。
【0036】
本実施形態のデータ分析装置２は、構築されたラインタクト推定モデル４を利用するデータ分析動作を実行して、製造ライン１０の生産性能を管理する。例えば、データ分析装置２の検出部３２は、データ分析動作の対象とする設備ログデータＤ１における観測値から、ラインタクト推定モデル４による推定結果よりも大幅に生産性能が低下した場合を製造ライン１０の不調として検出する。
【0037】
図４（Ａ）は、ラインタクト推定モデル４による推定結果を例示する。図４（Ａ）の横軸は、製造ライン１０が稼働した稼働時期を示し、縦軸は製造ライン１０のタクトタイムを示す（図４（Ｂ）も同様）。縦軸のタクトタイムは、例えば後述する実効タクトである。
【0038】
図４（Ａ）では、実効タクトの観測値を示す観測曲線Ｃｏと共に、ラインタクト推定モデル４による推定結果として推定曲線Ｃ１と信頼区間Ｉ１とを示す。推定曲線Ｃ１は、ラインタクト推定モデル４による各時点の実効タクトの推定結果として得られる確率分布における中央値を示す。信頼区間Ｉ１は、各時期の確率分布において所定の信頼水準によって規定される区間を示し、例えば信頼水準が９５％である信頼区間Ｉ１は、上記確率分布における２．５％～９７．５％の範囲である。
【0039】
図４（Ａ）の例では、時期Ｔ１，Ｔ２において観測曲線Ｃｏが、推定曲線Ｃ１を大幅に上回り、信頼区間Ｉ１の上限を超えている。つまり、この時期Ｔ１，Ｔ２では、実際のタクトタイムが、ラインタクト推定モデル４の推定結果よりも大幅に増大し、生産性能が低下していると考えられる。本実施形態のデータ分析装置２は、こうした時期Ｔ１，Ｔ２を製造ライン１０の不調として検出する。例えば製造ライン１０の不調が検出された時期Ｔ１，Ｔ２に関して、データ分析装置２の評価部３３は、不調の原因となり得る各種要因の観測値をラインタクト推定モデル４に入力して、各要因が製造ライン１０の不調に与えた影響の評価値を示す影響度を算出する。
【0040】
図４（Ｂ）は、図４（Ａ）の状態から特定のエラーに関する観測値を入力した場合のラインタクト推定モデル４による推定結果を示す。図４（Ｂ）において、観測曲線Ｃｏは図４（Ａ）と同様である。一方、推定曲線Ｃ２及び信頼区間Ｉ２は、ラインタクト推定モデル４が入力されたエラーの観測値を知得したことに応じて図４（Ａ）の推定曲線Ｃ１及び信頼区間Ｉ１から変化している。
【0041】
図４（Ｂ）の例では、観測曲線Ｃｏが、時期Ｔ２においては信頼区間Ｉ２の範囲内に収まっている。つまり、入力されたエラーの観測値が既知である状態のラインタクト推定モデル４の推定結果は、不調の時期Ｔ２については推定できていると考えられる。一方、観測曲線Ｃｏは、時期Ｔ１においては信頼区間Ｉ２の上限を超えたままである。以上のことから、入力されたエラーが及ぼす影響は、時期Ｔ２の不調については大きく、時期Ｔ１の不調については小さいといったことが分かる。本実施形態のデータ分析動作では、ラインタクト推定モデル４を用いて、以上のような影響度を各種エラー等の要因毎に算出することにより、不調の要因を定量的に評価する。
【0042】
本実施形態において、以上のような各種データ分析方法が適用される製造ライン１０においては、工程順に複数の設備１１が、仕掛バッファ１２を介して直列的に連結されている。各設備１１は、各々の工程を実行する際のタクトタイムをそれぞれ有する。製造ライン１０においては、個々の設備１１のエラー停止に加えて、互いに前後する工程間のタクトタイムの差から前工程待ち又は後工程待ちといった状況が生じ得る。
【0043】
以上のような状況を踏まえて、製造ライン１０全体の生産性能が低下した不調時に、不調の原因が、どの設備のどういった要因であるのかを分析可能にすることが課題となる。そこで、本実施形態では、各工程における設備１１毎のエラー等が、製造ライン１０全体に影響を与える程度も反映されるように、ラインタクト推定モデル４を構築する。
【0044】
２－２．ラインタクト推定モデルについて
本実施形態におけるラインタクト推定モデル４について、図５を用いて説明する。
本実施形態におけるラインタクト推定モデル４について、図５を用いて説明する。
【0045】
例えば図５に示すように、本実施形態におけるラインタクト推定モデル４は、製造ライン１０に含まれる設備１１毎に設けられる第１～第ｎのタクト推定部５と、各タクト推定部５による推定結果を統合するライン統合部４０とを含む。本実施形態のラインタクト推定モデル４は、１つの製造ライン１０に対応する。データ分析装置２は、製造ライン１０毎に複数のラインタクト推定モデル４を構築してもよい。
【0046】
ラインタクト推定モデル４における第ｉのタクト推定部５は、製造ライン１０における第ｉ工程の設備１１に対応する確率モデルで構成される（ｉは１～ｎの自然数）。本実施形態において、各タクト推定部５は、例えば下記の関係式（１）のように、設備１１毎の実効的なタクトタイムを複数の要因に分解する観点から構築される（詳細は後述）。
Ｏｔ／Ｐｃ＋Ｏｔ（Ｐｃ－Ｇｃ）／（Ｐｃ・Ｇｃ）＋Ｅｔ／Ｇｃ＝Ｍｔ／Ｇｃ …（１）
Ｏｔ／Ｐｃ＋Ｏｔ（Ｐｃ－Ｇｃ）／（Ｐｃ・Ｇｃ）＋Ｅｔ／Ｇｃ＝Ｍｔ／Ｇｃ …（１）
【0047】
上式（１）において、Ｏｔは製造時間であり、Ｐｃは製造個数であり、Ｇｃは良品数であり、Ｅｔはエラー停止時間であり、Ｍｔは稼働時間である。上記の各種時間及び個数は、例えば設備ログデータＤ１におけるロット毎に管理される。例えば、稼働時間Ｍｔは、１ロット分の製造品が製造される際に、特定の設備１１が稼働した時間の長さを示す。製造時間Ｏｔは、稼働時間Ｍｔ中で同設備１１による工程の実行すなわち製造にかかった時間長さを示す。エラー停止時間Ｅｔは、稼働時間Ｍｔ中で同設備１１における各種エラーにより製造が停止した時間長さを示す。製造数Ｐｔは、例えば１ロットで製造された製造品の個数を示す。良品数Ｇｃは、製造数Ｐｔのうちの不良品でない良品の個数を示す。
【0048】
上式（１）において、左辺における第１項は理想タクトを示し、第２項は不良時間幅を示し、第３項はエラー時間幅を示し、右辺は実効タクトを示す。理想タクトは、不良品もエラーによる停止も生じないような理想的な場合における１個の製造品あたりのタクトタイムである。理想タクトは、例えば製造品の品種及び設備１１の各種設定に応じて変動する工程毎の効率に対応する。不良時間幅は、製造時間Ｏｔ中で不良品の製造に費やしたと考えられる時間長さを、１個の良品あたりに換算した時間幅である。エラー時間幅は、エラー停止時間Ｅｔを１個の良品あたりに換算した時間幅である。実効タクトは、不良品及びエラーの影響を考慮した実効的な１個の良品あたりのタクトタイムである。
【0049】
以下、製造ライン１０中の第ｉ工程の設備１１における理想タクトを「ｔ０
ｉ」とし、不良時間幅を「ｙｉ」とし、エラー時間幅を「Σｊｓｊ
ｉ」とし、実効タクトを「ｔ１
ｉ」とする。ここで、エラー時間幅Σｊｓｊ
ｉは、エラーコード毎のエラー時間幅ｓｊ
ｉの総和を取る。第ｉのタクト推定部５は、第ｉ工程の設備１１についての設備ログデータＤ１に基づくベイズ推定により、理想タクトｔ０
ｉと、不良時間幅ｙｉと、各種エラー時間幅ｓｊ
ｉと、実効タクトｔ１
ｉとの各々の確率分布を生成するように構築される（詳細は後述）。
【0050】
本実施形態のラインタクト推定モデル４は、ライン統合部４０において、製造ライン１０における設備１１間の関係を反映するように、設備１１毎の各タクト推定部５による算出結果を統合する。例えば、設備１１毎のタクトタイムのうち、最も遅いタクトタイムが製造ライン１０全体を律速すると考えられる。こうしたことを反映する観点から、製造ライン１０全体の理想タクトｔ０及び実効タクトｔ１は、次式（２），（３）のように表される。
ｔ０＝ｍａｘｉ（ｔ０ ｉ） …（２）
ｔ１＝ｍａｘｉ（ｔ１ ｉ） …（３）
ｔ０＝ｍａｘｉ（ｔ０ ｉ） …（２）
ｔ１＝ｍａｘｉ（ｔ１ ｉ） …（３）
【0051】
上式（２）は、ｉ＝１～ｎの範囲すなわち製造ライン１０中の第１工程から第ｎ工程の各設備１１の理想タクトｔ０
１～ｔ０
ｎにおける最大値を取る。上式（３）についても同様に、各設備１１の実効タクトｔ１
１～ｔ１
ｎにおける最大値を取る。
【0052】
本実施形態のラインタクト推定モデル４は、製造ライン１０全体においても一設備１１あたりと同様に、エラー停止および不良品製造を生産性低下の要因として取り入れる。ここで、製造ライン１０においては、例えば第ｉ工程の設備１１がエラーで停止したとき、後段の設備１１は、両者の間の仕掛バッファ１２に予め格納された仕掛品の分だけ、待ち状態とならずに稼働できると考えられる。又、第ｉ工程の設備１１の停止時に、前段の設備１１は、両者の間の仕掛バッファ１２が許容量に到らない限り、待ち状態とならず稼働できると考えられる。
【0053】
上記のように、製造ライン１０において各設備１１によるエラー停止等の影響は、仕掛バッファ１２によって緩和されることが考えられる。こうした仕掛バッファ１２の作用を反映する観点から、本実施形態では、次式（４）のように、設備１１毎の吸収係数αｉを導入する。
ｔ０＋Σｉαｉ（Σｊｓｊ ｉ＋ｙｉ）＝ｔ１ …（４）
ｔ０＋Σｉαｉ（Σｊｓｊ ｉ＋ｙｉ）＝ｔ１ …（４）
【0054】
上式（４）では、製造ライン１０中のｉ＝１番目からｎ番目までにわたる吸収係数αｉにより、各設備１１のエラー時間幅Σｊｓｊ
ｉ及び不良時間幅ｙｉを重み付けする加重和を取る。ｉ番目の吸収係数αｉは、第ｉ工程の設備１１に対応している。吸収係数αｉは、それぞれ０以上１以下の値に設定される。
【0055】
本実施形態のラインタクト推定モデル４は、第ｉ工程の設備１１前後の仕掛バッファ１２の許容量が大きいほどｉ番目の吸収係数αｉを「０」に近づけ、許容量が小さいほど吸収係数αｉを「１」に近づけてライン統合部４０に設定する。こうした設備１１毎の吸収係数αｉにより、仕掛バッファ１２によって製造ライン１０の実効タクトｔ１における第ｉ工程のエラー停止等の影響が小さくなるといったことを、ラインタクト推定モデル４に反映することができる。
【0056】
ラインタクト推定モデル４のライン統合部４０は、製造ライン１０の実効タクトｔ１の確率分布すなわち実効タクト分布Ｄ（ｔ１）を、例えば次式（５）のように算出する。
Ｄ（ｔ１）＝Ｎ（ｔ０＋Σｉαｉ（Σｊｓｊ ｉ＋ｙｉ），σＬ） …（５）
Ｄ（ｔ１）＝Ｎ（ｔ０＋Σｉαｉ（Σｊｓｊ ｉ＋ｙｉ），σＬ） …（５）
【0057】
上式（５）において、Ｎ（μ，σ）は、平均μ及び標準偏差σの正規分布を表す。本実施形態おいて、製造ライン１０の実効タクト分布Ｄ（ｔ１）のモデルパラメータσＬは、ベイズ推定により確率分布としてライン統合部４０に設定される。実効タクト分布Ｄ（ｔ１）は、製造ライン１０における流れ作業の効率に対応する実効タクトｔ１についての作業効率分布の一例である。
【0058】
本実施形態のラインタクト推定モデル４は、上式（５）の演算において、各タクト推定部５の推定結果を使用可能であることに加えて、当該推定結果の一部又は全ての代わりに設備ログデータＤ１の観測値を使用可能である。なお、製造ライン１０の実効タクト分布Ｄ（ｔ１）の関数形は、特に式（５）のような正規分布に限らず、例えば対数正規分布などであってもよい。
【0059】
２－２－１．タクト推定部について
本実施形態のラインタクト推定モデル４における設備１１毎の各タクト推定部５についての詳細を、図６を用いて説明する。
本実施形態のラインタクト推定モデル４における設備１１毎の各タクト推定部５についての詳細を、図６を用いて説明する。
【0060】
図６では、第ｉのタクト推定部５をＤＡＧ（有効非巡回グラフ）で示している。図６において、大きな黒塗りの丸印は、観測される確率変数で推定対象の変数を示す。白抜きの丸印は、潜在変数と呼ばれる観測することのできない確率変数で、モデルパラメータを示す。小さな黒塗りの丸印は、所定値として与えられるパラメータを示し、例えば機械学習前に予め設定されるハイパーパラメータ及び製造条件を示すパラメータを含む。
【0061】
各タクト推定部５は、それぞれ理想タクトモデル５１と、エラー停止モデル５２と、不良時間モデル５３と、実効タクトモデル５４とを含む。例えば、各タクト推定部５における推定対象の製造条件を示す構造パラメータｓ，ｌにおいて、構造パラメータｓは理想タクトモデル５１に入力され、構造パラメータｌは理想タクトモデル５１とエラー停止モデル５２と不良時間モデル５３とに入力される。
【0062】
第ｉのタクト推定部５において、理想タクトモデル５１は、第ｉ工程の設備１１の理想タクトｔ０
ｉを推定する確率モデルであり、例えばモデルパラメータｗｓ，ｗｌ，σ０及びハイパーパラメータβ０を有する。理想タクトモデル５１は、例えば次式（１１）のように、第ｉ工程の理想タクトｔ０
ｉの確率分布すなわち理想タクト分布Ｄ（ｔ０
ｉ）を算出する。
Ｄ（ｔ０ ｉ）＝Ｎ（ｗｓｓ＋ｗｌｌ，σ０） …（１１）
Ｄ（ｔ０ ｉ）＝Ｎ（ｗｓｓ＋ｗｌｌ，σ０） …（１１）
【0063】
理想タクト分布Ｄ（ｔ０
ｉ）は、本実施形態における工程効率分布の一例である。
【0064】
また、本実施形態において、構造パラメータを表す変数ｓ，ｌはカテゴリカルな離散値である。上式（１１）において、ｓ，ｌは例えばそれぞれカテゴリの種類の数の次元数のベクトルで、ｓ，ｌが属するカテゴリに対応する次元のみ１、それ以外は０となるベクトルである。モデルパラメータｗｓ，ｗｌは、ｓ，ｌと同じ次元のベクトルで、ｓ，ｌの各カテゴリごとの重みを表す確率変数である。モデルパラメータσ０は、理想タクトｔ０
ｉの揺らぎを表す確率変数で、ハイパーパラメータβ０による分布を事前分布とする。これらモデルパラメータｗｓ，ｗｌ，σ０はベイズ推定により推定される。
【0065】
エラー停止モデル５２は、設備１１における各種エラーのエラー時間幅ｓｊ
ｉを推定する確率モデルであり、例えば、エラーコード毎にモデルパラメータγ，θ及びハイパーパラメータγ０，θ０を有する。エラー停止モデル５２は、例えば次式（１２）のように各エラー時間幅ｓｊ
ｉの確率分布すなわちエラー停止分布Ｄ（ｓｊ
ｉ）を算出する。
Ｄ（ｓｊ ｉ）＝Ｅｘｐ０（γ，θ） …（１２）
Ｄ（ｓｊ ｉ）＝Ｅｘｐ０（γ，θ） …（１２）
【0066】
上式（１２）において、Ｅｘｐ０（γ，θ）は、指数分布とベルヌイ分布を組み合わせたゼロ過剰指数分布を示し、値ｘが生じる確率密度Ｅｘｐ０（ｘ；γ，θ）として次式（１３）のように規定される。
Ｅｘｐ０（ｘ＝０；γ，θ）＝θ
Ｅｘｐ０（ｘ≠０；γ，θ）＝（１－θ）γｅ－γｘ …（１３）
Ｅｘｐ０（ｘ＝０；γ，θ）＝θ
Ｅｘｐ０（ｘ≠０；γ，θ）＝（１－θ）γｅ－γｘ …（１３）
【0067】
上式（１３）のようなゼロ過剰指数分布によると、指数分布よりもｘ＝０の場合を多く含めた分布を得られる。各エラーコードのモデルパラメータγ，θは、例えば構造パラメータｌに応じて別個の値を有し、それぞれのハイパーパラメータγ０，θ０に基づき機械学習により推定される。
【0068】
不良時間モデル５３は、設備１１の不良時間幅ｙｉを推定する確率モデルであり、例えばモデルパラメータκ，Θ及びハイパーパラメータκ０，Θ０を有する。不良時間モデル５３は、例えば次式（１４）のように不良時間幅ｙｉの確率分布すなわち不良時間分布Ｄ（ｙｉ）を算出する。
Ｄ（ｙｉ）＝Γ（κ，Θ） …（１４）
Ｄ（ｙｉ）＝Γ（κ，Θ） …（１４）
【0069】
上式（１４）において、Γ（ｘ；κ，Θ）は、所謂ガンマ分布を示す。不良時間モデル５３の各モデルパラメータκ，Θは、例えば構造パラメータｌに応じて別個の値を有し、それぞれのハイパーパラメータκ０，Θ０に基づき機械学習により推定される。各分布Ｄ（ｔ０
ｉ），Ｄ（ｙｉ），Ｄ（ｓｊ
ｉ）は、それぞれ本実施形態における変動要因分布の一例である。
【0070】
実効タクトモデル５４は、設備１１の実効タクトｔ１
ｉを推定する確率モデルであり、例えばモデルパラメータσ１及びハイパーパラメータβ１を有する。第ｉのタクト推定部５の実効タクトモデル５４は、例えば次式（１５）のように、第ｉ工程の設備１１の実効タクトｔ１
ｉについての実効タクト分布Ｄ（ｔ１
ｉ）を算出する。
Ｄ（ｔ１ ｉ）＝Ｎ（ｔ０ ｉ＋Σｊｓｊ ｉ＋ｙｉ，σ１） …（１５）
Ｄ（ｔ１ ｉ）＝Ｎ（ｔ０ ｉ＋Σｊｓｊ ｉ＋ｙｉ，σ１） …（１５）
【0071】
上式（１５）によると、第ｉ工程の設備１１について、実効タクトｔ１
ｉは、理想タクトｔ０
ｉ、各エラー時間幅ｓｊ
ｉ及び不良時間幅ｙｉの合計を平均値とする正規分布に従うと考える。第ｉのタクト推定部５において、実効タクトモデル５４は、上式（１５）の演算において、理想タクトモデル５１、エラー停止モデル５２及び不良時間モデル５３の算出結果を用いたり、設備ログデータＤ１の観測値を用いたりしてもよい。実効タクトモデル５４のモデルパラメータσ１は、実効タクトｔ１
ｉの揺らぎを表すように、ハイパーパラメータβ１による分布を事前分布として機械学習により推定される。
【0072】
以上のように説明した工程毎の各種分布Ｄ（ｔ０
ｉ），Ｄ（ｓｊ
ｉ），Ｄ（ｙｉ），Ｄ（ｔ１
ｉ）の関数形は一例であり、それぞれ特に式（１１），（１２），（１４），（１５）に限定されない。例えば対数正規分布など、各種確率分布の関数形が適宜、採用されてもよい。また、モデルパラメータは構造パラメータｓ，ｌにより別個の値を有する例を示したが、設備番号など他の変数がモデルパラメータに作用するとしてもよい。
【0073】
【0074】
【0075】
まず、制御部２０は、例えば記憶部２１から、機械学習に用いるための設備ログデータＤ１を取得する（Ｓ１）。例えば、過去の数月分の設備ログデータＤ１が、予め記憶部２１に蓄積され、取得される。
【0076】
次に、制御部２０は、計算部３０として機能して、取得した設備ログデータＤ１から、学習用のデータセットとして理想タクトｔ０
ｉ、各種エラー時間幅ｓｊ
ｉ、不良時間幅ｙｉ及び実効タクトｔ１
ｉの観測値を算出する（Ｓ２）。学習用のデータセットは、例えば各ロットの設備１１毎の観測値と構造パラメータｓ，ｌの組で構成され、例えばＮ組の上記各観測値を含む。
【0077】
以下、学習用のデータセットにおける観測値には上付き添え字の「（Ｎ）」を付すこととする。例えば、計算部３０は、学習用のデータセットにおける組毎に、式（２），（３）のように全工程の理想タクトｔ０
ｉ（Ｎ）及び実効タクトｔ１
ｉ（Ｎ）における最大値を、それぞれ製造ライン１０の理想タクトｔ０
（Ｎ）及び実効タクトｔ１
（Ｎ）として得る。以降、制御部２０は、モデル構築部３１として機能する（Ｓ２～Ｓ８）。
【0078】
例えば、制御部２０は、学習用のデータセットにおける各工程の理想タクトｔ０
ｉ（Ｎ）及び構造パラメータｓ，ｌに基づき、第１～第ｎのタクト推定部５における各工程の理想タクトモデル５１を構築する（Ｓ３）。例えば第ｉのタクト推定部５における理想タクトモデル５１は、第ｉ工程の観測された理想タクトｔ０
ｉ（Ｎ）から、構造パラメータｓ，ｌ毎に変化するモデルパラメータｗｓ，ｗｌ，およびσ０の分布を推定することにより構築される。このパラメータ推定は、次式（２０）によるベイズ推定によって推定される。
ｐ（ｗｓ，ｗｌ，σ０｜ｔ０ ｉ（Ｎ），ｓ，ｌ）
∝ｐ（ｔ０ ｉ（Ｎ）｜ｓ，ｌ；ｗｓ，ｗｌ，σ０）ｐ（ｗｓ，ｗｌ，σ０）
＝Ｎ（ｔ０ ｉ（Ｎ）；ｗｓｓ＋ｗｌｌ，σ０）ｐ（ｗｓ，ｗｌ，σ０） …（２０）
ｐ（ｗｓ，ｗｌ，σ０｜ｔ０ ｉ（Ｎ），ｓ，ｌ）
∝ｐ（ｔ０ ｉ（Ｎ）｜ｓ，ｌ；ｗｓ，ｗｌ，σ０）ｐ（ｗｓ，ｗｌ，σ０）
＝Ｎ（ｔ０ ｉ（Ｎ）；ｗｓｓ＋ｗｌｌ，σ０）ｐ（ｗｓ，ｗｌ，σ０） …（２０）
【0079】
上式（２０）は、ベイズの定理と式（１１）に基づく。上式（２０）において、左辺は各モデルパラメータｗｓ，ｗｌ，σ０の事後分布であり、学習用の観測値を知得した状態における確率分布を示す。上式（２０）の右辺において、Ｎ（ｘ（Ｎ）；μ、σ）は平均μ及び標準偏差σの正規分布に対する観測値ｘ（Ｎ）の尤度を意味する。また、ｐ（ｗｓ，ｗｌ，σ０）は事前分布であり、一般には定義域のあらゆる値に対し、一様な確率を与える分布を設定する。
【0080】
ステップＳ３において、制御部２０は、例えば上式（２０）にＭＣＭＣ（マルコフ連鎖モンテカルロ）法を適用し、構造パラメータｓ，ｌ毎に変化するモデルパラメータｗｓ，ｗｌ，およびσ０のサンプル群を算出する。各サンプル群は、それぞれ上式（２０）の左辺の分布に従うＭ個のサンプル値をランダムな順序で含む（図８参照）。例えば、Ｍ個は１０００個から１万個である。制御部２０は、第１～第ｎ工程について上記の演算を行うことにより、各工程の理想タクトモデル５１を構築する。
【0081】
制御部２０は、学習用のデータセットにおける各種エラー時間幅ｓｊ
ｉ（Ｎ）及び構造パラメータｌに基づき、各工程のエラー毎にエラー停止モデル５２を構築する（Ｓ４）。第ｉ工程におけるｊ番目のエラーコードのエラー停止モデル５２は、観測されたエラー時間幅ｓｊ
ｉ（Ｎ）に基づいて、上式（２０）において式（１１）の代わりに式（１２）を用いたベイズ推定によって構築される。例えばステップＳ３と同様に、制御部２０は、各工程についてエラーコード及び構造パラメータｌ毎に変化するモデルパラメータγ，θの事後分布に従うサンプル群を算出する。
【0082】
制御部２０は、学習用のデータセットにおける不良時間幅ｙｉ（Ｎ）及び構造パラメータｌに基づき、各工程の不良時間モデル５３を構築する（Ｓ５）。第ｉ工程の不良時間モデル５３は、上式（２０）において式（１１）の代わりに式（１４）を用いたベイズ推定によって構築される。例えばステップＳ３と同様に、制御部２０は、各工程について構造パラメータｌ毎に変化するモデルパラメータκ，Θの事後分布に従うサンプル群を算出する。
【0083】
制御部２０は、学習用のデータセットにおける各工程の実効タクトｔ１
ｉ（Ｎ）等に基づき、第１～第ｎのタクト推定部５における各工程の実効タクトモデル５４を構築する（Ｓ６）。第ｉ工程の実効タクトモデル５４は、上式（２０）において式（１１）の代わりに式（１５）を用いたベイズ推定によって構築される。例えばステップＳ３と同様に、制御部２０は、各工程についてモデルパラメータσ１の事後分布に従うサンプル群を算出する。この際、例えば学習用のデータセットにおける種々の値が適宜、利用できる。
【0084】
さらに、制御部２０は、学習用のデータセットにおける各種観測値ｔ０
（Ｎ），ｓｊ
ｉ（Ｎ），ｙｉ（Ｎ），ｔ１
（Ｎ）に基づいて、ラインタクト推定モデル４のライン統合部４０におけるモデルパラメータσＬ及び各吸収係数αｉを算出する（Ｓ７）。例えば、制御部２０は、上式（２０）において式（１１）の代わりに式（５）を用いたベイズ推定により、モデルパラメータσＬ及び各吸収係数αｉの事後分布に従うサンプル群を、ステップＳ３と同様に算出する。ただし、工程毎のエラー停止モデル５２の場合とは異なり、ラインのタクト推定モデルでは、エラー停止種類として、前工程遅延や次工程遅延による工程待ち停止時間は考慮に入れない。さらに、制御部２０は、各吸収係数αｉについてはサンプル群におけるサンプル値の平均を演算して、工程毎の係数値を算出する。
【0085】
制御部２０は、以上のように算出されたラインタクト推定モデル４の各種モデルパラメータの分布、及び各吸収係数αｉの設定値を記憶部２１にモデルデータＤ２として格納する（Ｓ８）。モデルデータＤ２の一例を図８に例示する。図８では、ラインタクト推定モデル４のモデルデータＤ２において一工程の理想タクトモデル５１のモデルパラメータｗｓ，ｗｌの分布が格納された状態を例示する。
【0086】
図８の列方向に示すように、各モデルパラメータｗｓ，ｗｌは、それぞれ構造パラメータｓ，ｌの値に応じて用いられる複数成分を有する。各モデルパラメータｗｓ，ｗｌのサンプル群は、例えば図８の各行に示すように格納される。制御部２０は、例えばＭＣＭＣ法によって生成された順序で各々のサンプル群におけるサンプル値を格納して（Ｓ８）、各行におけるサンプル値の並び順にランダム性を持たせる。
【0087】
制御部２０は、モデルデータＤ２を格納した（Ｓ８）後、図７のモデル構築動作を終了する。
【0088】
以上のモデル構築動作によると、製造ライン１０における設備ログデータＤ１を用いたベイズ推定により、ラインタクト推定モデル４を構築することができる。すなわち、本実施形態のモデル構築動作によると、ラインタクト推定モデル４を生成するモデル生成方法が提供される。
【0089】
また、図７のフローチャートに示す処理は、構築済みのラインタクト推定モデル４を、新たな設備ログデータＤ１の機械学習により再構築する際にも適用されてもよい。例えば、構築済みの各種モデル５１～５４における事後分布のサンプル群が、再構築時における事前分布として用いられてもよい。
【0090】
【0091】
図９は、製造ライン１０のデータ分析動作を例示するフローチャートである。図９のフローチャートに示す処理は、例えば記憶部２１に、予め構築されたラインタクト推定モデル４を示すモデルデータＤ２が格納された状態で開始する。本フローチャートに示す各処理は、例えばデータ分析装置２の制御部２０によって実行される。
【0092】
まず、データ分析装置２の制御部２０は、ラインタクト推定モデル４を用いた分析の対象とする設備ログデータＤ１を取得する（Ｓ１１）。ステップＳ１１では、例えば数日分の設備ログデータＤ１が取得される。設備ログデータＤ１は、例えばユーザ操作により操作部２２から取得されてもよいし、機器Ｉ／Ｆ２４又はネットワークＩ／Ｆ２５を介して取得されてもよい。
【0093】
次に、制御部２０は、計算部３０として機能して、取得した設備ログデータＤ１から分析対象の各種観測値を算出する（Ｓ１２）。以下、分析対象の観測値には、上付き添え字の「（Ｖ）」を付すこととする。ステップＳ１２では、図７のステップＳ２と同様の計算により、分析対象の観測値としての理想タクトｔ０
ｉ（Ｖ）、各種エラー時間幅ｓｊ
ｉ（Ｖ）、不良時間幅ｙｉ（Ｖ）及び実効タクトｔ１
ｉ（Ｖ）が算出される。又、製造ライン１０の理想タクトｔ０
（Ｖ）及び実効タクトｔ１
（Ｖ）は、上述した式（２），（３）のように全工程の理想タクトｔ０
ｉ（Ｖ）及び実効タクトｔ１
ｉ（Ｖ）における最大値として得られる。
【0094】
また、制御部２０は、例えば分析対象の設備ログデータＤ１における構造パラメータｓ，ｌに応じて、ラインタクト推定モデル４における第１～第ｎタクト推定部５において、ベイズ推定により各工程における各種分布を生成する（Ｓ１３）。制御部２０は、構造パラメータｓ，ｌとモデルデータＤ２に基づき各タクト推定部５の各種モデル５１～５４の演算を行い、工程毎に理想タクト分布Ｄ（ｔ０
ｉ）、エラー停止分布Ｄ（ｓｊ
ｉ）、不良時間分布Ｄ（ｙｉ）及び実効タクト分布Ｄ（ｔ１
ｉ）を生成する（詳細は後述）。
【0095】
さらに、制御部２０は、ラインタクト推定モデル４のライン統合部４０において、第１～第ｎ工程の各種分布に基づいて、ベイズ推定により製造ライン１０の実効タクト分布Ｄ（ｔ１）を生成する（Ｓ１４）。ライン統合部４０は、ステップＳ１４において、モデルデータＤ２におけるモデルパラメータσＬ及び各吸収係数αｉとステップＳ１３の演算結果とに基づき、式（５）の演算を行う。
【0096】
この際、ライン統合部４０は、第１～第ｎ工程の理想タクト分布Ｄ（ｔ０
１）～Ｄ（ｔ０
ｎ）に基づき、全工程の理想タクトｔ０
１～ｔ０
ｎの最大値を示す分布を、製造ライン１０の理想タクトｔ０の理想タクト分布Ｄ（ｔ０）として用いる。また、第１～第ｎ工程のエラー停止分布Ｄ（ｓｊ
１）～Ｄ（ｓｊ
ｎ）及び不良時間分布Ｄ（ｙ１）～Ｄ（ｙｎ）に対しては、ライン統合部４０はそれぞれ１～ｎ番目の吸収係数αｉにより重み付けを行って、実効タクト分布（ｔ１）の演算に取り入れる。ステップＳ１３，Ｓ１４の処理の詳細については後述する。
【0097】
制御部２０は、ラインタクト推定モデル４により生成した実効タクト分布Ｄ（ｔ１）に基づいて、検出部３２として、製造ライン１０の不調を判定するためのしきい値、即ち不調しきい値ｔｈを決定する（Ｓ１５）。図１０（Ａ）に、不調しきい値ｔｈと実効タクト分布Ｄ（ｔ１）との関係を例示する。
【0098】
不調しきい値ｔｈは、実効タクト分布Ｄ（ｔ１）において実効タクトｔ１が不調しきい値ｔｈを上回る確率すなわち上側確率Ｐ（ｔｈ＜Ｄ（ｔ１））が所定比率となるように設定される。上側確率Ｐ（ｔｈ＜Ｄ（ｔ１））は、図１０（Ａ）中の斜線部分の面積に対応する。不調しきい値ｔｈは、実効タクト分布Ｄ（ｔ１）における信頼区間の上限に対応している（図４（Ａ）参照）。不調しきい値ｔｈの所定比率は、例えば５％等であり、信頼区間の信頼水準と相補的に設定される。ステップＳ１５において、制御部２０は、構造パラメータｓ，ｌ別に算出された実効タクト分布Ｄ（ｔ１）の各々において、例えば分布中のサンプル値を計数することにより、各々の不調しきい値ｔｈを決定する。
【0099】
次に、制御部２０は、検出部３２として機能し、算出した不調しきい値ｔｈを用いて製造ライン１０の性能低下が生じた不調を検出する（Ｓ１６）。ステップＳ１６の処理例を図１０（Ｂ）に示す。
【0100】
図１０（Ｂ）は、図１０（Ａ）の実効タクト分布Ｄ（ｔ１）において不調が検出される例を示す。ステップＳ１６において、検出部３２は、分析対象の設備ログデータＤ１における観測値の実効タクトｔ１
（Ｖ）と、算出した不調しきい値とを比較して、実効タクトｔ１
（Ｖ）が不調しきい値を上回る場合を、製造ライン１０の不調として検出する。これにより、例えば図４（Ａ）の例における不調の時期Ｔ１，Ｔ２が検出される。なお、ステップＳ１６の検出は、ロット単位で行われてもよく、例えば不調が検出されたロットに関する警告表示などが行われてもよい。
【0101】
制御部２０は、例えば以降は評価部３３として機能し、製造ライン１０の不調が検出された場合について各種要因の影響度を評価する処理を行う（Ｓ１７～Ｓ２０）。影響度は、不調が検出された場合において要因毎の観測値をラインタクト推定モデル４に入力し、入力前後のラインタクト推定モデル４の出力の変化に応じた情報量に基づき算出される。
【0102】
例えば不調時の製造ライン１０の理想タクトｔ０
（Ｖ）に基づいて、制御部２０は、次式（３０）の演算により、製造ライン１０の理想タクトｔ０
（Ｖ）による影響度Ｉ（ｔ０
（Ｖ））を算出する（Ｓ１７）。
Ｉ（ｔ０ （Ｖ））
＝－ｌｏｇ［Ｐ（ｔ１ （Ｖ）＜Ｄ（ｔ１））］
＋ｌｏｇ［Ｐ（ｔ１ （Ｖ）＜Ｄ（ｔ１｜ｔ０ （Ｖ）））］ …（３０）
Ｉ（ｔ０ （Ｖ））
＝－ｌｏｇ［Ｐ（ｔ１ （Ｖ）＜Ｄ（ｔ１））］
＋ｌｏｇ［Ｐ（ｔ１ （Ｖ）＜Ｄ（ｔ１｜ｔ０ （Ｖ）））］ …（３０）
【0103】
上式（３０）において、Ｄ（Ｘ｜Ｙ）は、情報Ｙを知得した条件下での確率変数Ｘの分布を示す。対数ｌｏｇ［］は、例えば二進対数である。上式（３０）の右辺第１項における上側確率Ｐ（ｔ１
（Ｖ）＜Ｄ（ｔ１））を図１０（Ｂ）に例示する。同第２項における上側確率Ｐ（ｔ１
（Ｖ）＜Ｄ（ｔ１｜ｔ０
（Ｖ）））を図１０（Ｃ）に例示する。
【0104】
図１０（Ｃ）は、図１０（Ｂ）から不調時における観測値の製造ライン１０の理想タクトｔ０
（Ｖ）を既知とした条件下の実効タクト分布Ｄ（ｔ１｜ｔ０
（Ｖ））を例示する。図１０（Ｂ），（Ｃ）に示すように、不調時の実効タクトｔ１
（Ｖ）に対する上側確率Ｐ（ｔ１
（Ｖ）＜Ｄ（ｔ１）），Ｐ（ｔ１
（Ｖ）＜Ｄ（ｔ１｜ｔ０
（Ｖ）））は、観測値の理想タクトｔ０
（Ｖ）の知得に応じて変化する。上式（３０）によると、不調が生じた状況が、理想タクトｔ０
（Ｖ）のような情報Ｙによって説明できる程度を定量的に示す情報量を影響度Ｉ（Ｙ）として算出できる。
【0105】
ステップＳ１７において、制御部２０は、上式（３０）の第１項の実効タクト分布Ｄ（ｔ１）として、例えばステップＳ１４の処理結果を使用できる。同第２項について、制御部２０は、例えばステップＳ１４と同様の処理において、製造ライン１０の理想タクト分布Ｄ（ｔ０）の代わりに不調時における観測値の理想タクトｔ０
（Ｖ）をラインタクト推定モデル４に入力する。これにより、ラインタクト推定モデル４は、ステップＳ１４と同様の演算を行って、理想タクトｔ０
（Ｖ）が既知の実効タクト分布Ｄ（ｔ１｜ｔ０
（Ｖ））を生成する。
【0106】
また、制御部２０は、不調時の各種エラー時間幅ｓｊ
ｉ（Ｖ）に基づいて、各工程におけるエラーコード毎のエラー停止の影響度Ｉ（ｓｊ
ｉ（Ｖ））を算出する（Ｓ１８）。例えば、第ｉ工程におけるｊ番目のエラー時間幅ｓｊ
ｉ（Ｖ）による影響度Ｉ（ｓｊ
ｉ（Ｖ））は、式（３０）において理想タクトｔ０
（Ｖ）を既知とした代わりに、当該エラー時間幅ｓｊ
ｉ（Ｖ）を既知として、ステップＳ１７と同様の処理により算出できる。この際、ラインタクト推定モデル４は、第ｉ工程におけるｊ番目のエラー停止分布Ｄ（ｓｊ
ｉ）の代わりに不調時における観測値のエラー時間幅ｓｊ
ｉ（Ｖ）を用いることで、対応する実効タクト分布Ｄ（ｔ１｜ｓｊ
ｉ（Ｖ））を生成する。
【0107】
また、制御部２０は、不調時の不良時間幅ｙｉ（Ｖ）に基づいて、各工程の不良製造の影響度Ｉ（ｙｉ（Ｖ））を算出する（Ｓ１９）。例えば、第ｉ工程の不良時間幅ｙｉ（Ｖ）による影響度Ｉ（ｙｉ（Ｖ））は、式（３０）において理想タクトｔ０
（Ｖ）の代わりに当該不良時間幅ｙｉ（Ｖ）を既知として、ステップＳ１７と同様の処理により算出できる。この際、ラインタクト推定モデル４は、第ｉ工程の不良時間分布Ｄ（ｙｉ）の代わりに不調時における観測値の不良時間幅ｙｉ（Ｖ）を用いることで、対応する実効タクト分布Ｄ（ｔ１｜ｙｉ（Ｖ））を生成する。
【0108】
次に、制御部２０は、算出した各種の影響度Ｉ（ｔ０
（Ｖ）），Ｉ（ｓｊ
ｉ（Ｖ）），Ｉ（ｙｉ（Ｖ））に基づき、各々の要因の評価結果として、例えば要因評価リストＤ５を出力する（Ｓ２０）。本実施形態における分析情報の一例として要因評価リストＤ５の一例を図１１に例示する。
【0109】
要因評価リストＤ５は、製造ライン１０における不調の原因となり得る各種の要因の中で、顕著な影響を有する要因を列挙したリストである。図１１の例において、要因評価リストＤ５は、不調が検出された「ロット番号」、製造ライン１０中の「設備」、「エラーコード」、各設備１１のエラーコード毎の「停止時間」、「停止回数」、及び「影響度」を関連付けて表示している。要因評価リストＤ５においては、製造ライン１０中における複数の設備１１の各種のエラー停止等を同列に比較することができる。
【0110】
ステップＳ２０において、制御部２０は、影響度Ｉ（Ｙ）が最大の要因から順番に、所定の個数（例えば１０～５０個）の要因を抽出して、要因評価リストＤ５を生成する。影響度Ｉ（Ｙ）は負の値を取ることもある。これは当該の要因Ｙがむしろ性能が良化するように働いたにも関わらず、他の要因の悪化により全体として性能が低下した場合に起こる。このように影響度Ｉ（Ｙ）が負の値を有する要因Ｙは、要因評価リストＤ５から削除してもよい。各種設備１１の不良製造時間または理想タクトが要因として抽出された場合、要因評価リストＤ５は、「エラーコード」の代わりにこうした要因の名称を表示してもよい。制御部２０は、例えば要因評価リストＤ５を表示部２３に出力して表示させる。ステップＳ２０の出力は特にこれに限らず、例えば要因評価リストＤ５が記憶部２１に記録される出力であってもよいし、各種出力部に出力されてもよい。
【0111】
制御部２０は、要因評価リストＤ５を出力した（Ｓ２０）後、図９のデータ分析動作を終了する。
【0112】
以上のデータ分析動作によると、ベイズ推定により構築したラインタクト推定モデル４を用いて、製造ライン１０における不調を検出し、検出した不調の原因と考えられる各種設備１１の種々の要因の影響度を評価するといったデータ分析を行うことができる。
【0113】
以上のデータ分析動作におけるステップＳ１３，Ｓ１４の処理の詳細について説明する。例えば、制御部２０は、図８のモデルデータＤ２における各種モデルパラメータのサンプル群の各列による組毎にそれらモデルパラメータによる分布に従うサンプルの生成（即ちサンプリング）を行って、ステップＳ１３，Ｓ１４の処理を実行する。
【0114】
例えば、第ｉ工程の理想タクトモデル５１では、モデルパラメータｗｓ，ｗｌ，σ０の１列において分析対象の構造パラメータｓ，ｌに対応する成分を用いて、理想タクト分布Ｄ（ｔ０
ｉ）におけるＫ個のサンプル値の組が生成される（例えばＫ＝１～１０）。同モデル５１の計算は、モデルデータＤ２の列数に応じてＭ回、繰り返される。これにより、一工程あたりの理想タクト分布Ｄ（ｔ０
ｉ）の算出結果として、Ｋ×Ｍ個のサンプル値をランダムな順序で含むサンプル群が生成される。
【0115】
各工程の理想タクト分布Ｄ（ｔ０
ｉ）のサンプル群は、以上と同様の演算により生成される。図１２（Ａ）は、各理想タクト分布Ｄ（ｔ０
ｉ）の算出結果を示す理想タクト分布テーブルＤ６を例示する。理想タクト分布テーブルＤ６は、例えば一時記憶部２１ｂに記憶され、一工程あたりの理想タクト分布Ｄ（ｔ０
ｉ）のサンプル群の各サンプル値が格納された複数の行を含む。図１２（Ｂ）は、理想タクト分布テーブルＤ６における各行のサンプル群のヒストグラムを例示する。
【0116】
例えば、ステップＳ１３において制御部２０は、理想タクト分布テーブルＤ６の各行において、サンプリングによって生成された順序で、工程毎の理想タクト分布Ｄ（ｔ０
ｉ）のサンプル値を格納する。これにより、各行における理想タクト分布Ｄ（ｔ０
ｉ）のサンプル値の並び順にランダム性を持たせることができる。さらに、制御部２０は、例えばステップＳ１４において、理想タクト分布テーブルＤ６の列毎に式（２）を適用して、各列の最大値で構成されるＫ×Ｍ個のサンプル値によるサンプル群を含む行を生成する。これにより、例えば図１２（Ｂ）のヒストグラムに示すように、製造ライン１０の理想タクト分布Ｄ（ｔ０）を得ることができる。
【0117】
ステップＳ１３において、工程毎の各種エラー停止分布Ｄ（ｓｊ
ｉ）、及び工程毎の不良時間分布Ｄ（ｙｉ）も、上記の工程毎の理想タクト分布Ｄ（ｔ０
ｉ）と同様にそれぞれサンプル群として生成される。また、工程毎の実効タクト分布Ｄ（ｔ１
ｉ）の演算には、例えば同じ工程の各種分布Ｄ（ｔ０
ｉ），Ｄ（ｓｊ
ｉ），Ｄ（ｙｉ）のサンプル群におけるサンプル値の列毎の組が用いられる。又、ステップＳ１４では、例えば上記の理想タクト分布Ｄ（ｔ０
ｉ）と共に全工程の各分布Ｄ（ｓｊ
ｉ），Ｄ（ｙｉ）のサンプル値の列毎の組を用いて、製造ライン１０の実効タクト分布Ｄ（ｔ１）のサンプル群が算出される。
【0118】
３．まとめ
本実施形態におけるデータ分析装置２は、例えば製造ライン１０において複数の工程を含む流れ作業を行う効率に対応するタクトタイムを分析する。データ分析装置２は、各種の取得部２２，２４，２５と、制御部２０とを備える。取得部は、流れ作業が行われる毎に各工程が実行された履歴を示すログデータの一例である設備ログデータＤ１を取得する（Ｓ１１）。制御部２０は、流れ作業に関する確率分布を演算する確率モデルの一例であるラインタクト推定モデルにより生成される情報に基づいて、設備ログデータＤ１が示す履歴の分析結果を示す分析情報の一例として要因評価リストＤ５を生成する（Ｓ２０）。ラインタクト推定モデル４は、流れ作業における工程毎の理想タクト分布Ｄ（ｔ０ ｉ）、エラー停止分布Ｄ（ｓｊ ｉ）及び不良時間分布Ｄ（ｙｉ）を生成する（Ｓ１３）。工程毎の理想タクト分布Ｄ（ｔ０ ｉ）は、流れ作業における工程毎の効率の確率分布を示す工程効率分布の一例である。ラインタクト推定モデル４は、工程毎の各種分布Ｄ（ｔ０ ｉ），Ｄ（ｓｊ ｉ），Ｄ（ｙｉ）に基づいて、流れ作業の効率の確率分布を示す作業効率分布の一例である製造ライン１０の実効タクト分布Ｄ（ｔ１ ｉ）を生成する（Ｓ１４）。
本実施形態におけるデータ分析装置２は、例えば製造ライン１０において複数の工程を含む流れ作業を行う効率に対応するタクトタイムを分析する。データ分析装置２は、各種の取得部２２，２４，２５と、制御部２０とを備える。取得部は、流れ作業が行われる毎に各工程が実行された履歴を示すログデータの一例である設備ログデータＤ１を取得する（Ｓ１１）。制御部２０は、流れ作業に関する確率分布を演算する確率モデルの一例であるラインタクト推定モデルにより生成される情報に基づいて、設備ログデータＤ１が示す履歴の分析結果を示す分析情報の一例として要因評価リストＤ５を生成する（Ｓ２０）。ラインタクト推定モデル４は、流れ作業における工程毎の理想タクト分布Ｄ（ｔ０ ｉ）、エラー停止分布Ｄ（ｓｊ ｉ）及び不良時間分布Ｄ（ｙｉ）を生成する（Ｓ１３）。工程毎の理想タクト分布Ｄ（ｔ０ ｉ）は、流れ作業における工程毎の効率の確率分布を示す工程効率分布の一例である。ラインタクト推定モデル４は、工程毎の各種分布Ｄ（ｔ０ ｉ），Ｄ（ｓｊ ｉ），Ｄ（ｙｉ）に基づいて、流れ作業の効率の確率分布を示す作業効率分布の一例である製造ライン１０の実効タクト分布Ｄ（ｔ１ ｉ）を生成する（Ｓ１４）。
【0119】
以上のデータ分析装置２によると、例えば製造ライン１０の性能低下のような流れ作業における効率の変動について、ラインタクト推定モデル４に基づき、各工程における各種要因の影響を推定できる。これにより、流れ作業を行う効率の変動を分析し易くすることができる。又、コンピュータが上述したような流れ作業についてのデータ分析を実行する分析精度および処理効率などを良くすることができる。
【0120】
本実施形態において、ラインタクト推定モデル４は、工程毎に予め設定された係数である吸収係数αｉに基づいて、工程毎のエラー停止分布Ｄ（ｓｊ
ｉ）及び不良時間分布Ｄ（ｙｉ）を重み付けして、実効タクト分布Ｄ（ｔ１
ｉ）を生成する（式（４），（５）参照）。これにより、製造ライン１０において仕掛バッファ１２によって各工程のエラー停止等の要因が製造ライン１０の性能低下に及ぼす影響が緩和される状況を反映して、製造ライン１０における性能低下のような流れ作業の効率の変動を分析し易くすることができる。
【0121】
本実施形態において、制御部２０は、実効タクト分布Ｄ（ｔ１）から決定される不調しきい値ｔｈを用いることで、設備ログデータＤ１が示す履歴における流れ作業の効率が、実効タクト分布Ｄ（ｔ１）において生じる確率に基づいて製造ライン１０の性能低下を検出する（Ｓ１６）。制御部２０は、製造ライン１０の性能低下の検出結果に応じて、分析情報を生成する（Ｓ１７～Ｓ２０）。各種要因の影響が勘案された実効タクト分布Ｄ（ｔ１）を用いることで、普段からの低性能などと区別して、製造ライン１０の性能低下を検出できる。このように、流れ作業の効率の変動を分析し易くすることができる。
【0122】
本実施形態において、ラインタクト推定モデル４は、ある工程の特定のエラー又は不良製造など特定の要因に関する変動要因分布Ｄ（ｓｊ
ｉ），Ｄ（ｙｉ）の代わりに設備ログデータＤ１が示す履歴における当該要因の観測値ｓｊ
ｉ（Ｖ），ｙｉ（Ｖ）を用いて、当該要因が観測された状態の実効タクト分布Ｄ（ｔ１｜ｓｊ
ｉ（Ｖ）），（ｔ１｜ｓｊ
ｉ（Ｖ））を生成する（Ｓ１８，Ｓ１９）。分析情報は、当該要因が観測された状態の実効タクト分布Ｄ（ｔ１｜ｓｊ
ｉ（Ｖ）），（ｔ１｜ｓｊ
ｉ（Ｖ））と、観測されていない状態の実効タクト分布Ｄ（ｔ１）との間の差分に応じて、流れ作業の効率に対する当該要因の影響を評価する情報の一例である影響度Ｉ（ｓｊ
ｉ（Ｖ）），Ｉ（ｙｉ（Ｖ））を含む。これにより、例えば製造ライン１０の不調において各工程における特定の要因による影響を評価でき、製造ライン１０の不調の原因を分析し易くすることができる。
【0123】
本実施形態において、ラインタクト推定モデル４は、製造ライン１０の理想タクト分布Ｄ（ｔ０）に基づいて、製造ライン１０の実効タクト分布Ｄ（ｔ１）を生成する（Ｓ１４）。製造ライン１０の理想タクト分布Ｄ（ｔ０）は、各工程の理想タクト分布Ｄ（ｔ０
ｉ）における最大値の分布であって、理想タクトｔ０
ｉが長いほど効率は低くなることから、各工程の効率において最も低い効率の確率分布を示す最低効率分布の一例である。これにより、流れ作業が、各工程における最大のタクトタイムすなわち最低の効率が律速される状況を勘案して、流れ作業の効率の変動を分析し易くすることができる。
【0124】
本実施形態において、ラインタクト推定モデル４は、製造ライン１０の理想タクト分布Ｄ（ｔ０）の代わりに設備ログデータＤ１が示す履歴における各工程の効率のうちの最大の理想タクトｔ０
（Ｖ）といった特定の工程の効率の観測値を用いて、当該工程の効率が観測された状態の実効タクト分布Ｄ（ｔ１｜ｔ０
（Ｖ））を生成する（Ｓ１７）。分析情報は、当該工程の効率が観測された状態の実効タクト分布Ｄ（ｔ１｜ｔ０
（Ｖ））と、観測されていない状態の実効タクト分布Ｄ（ｔ１）との間の差分に応じて、流れ作業の効率に対する当該工程の効率の影響を評価する情報の一例である影響度Ｉ（ｔ０
（Ｖ））を含む。これにより、例えば製造ライン１０の不調において特定の工程におけるタクトタイム等による影響を評価でき、製造ライン１０の不調の原因を分析し易くすることができる。
【0125】
本実施形態において、流れ作業は、各工程を実行する複数の設備を含む生産ラインの一例である製造ライン１０において物品の一例である製造品を生産する作業である。各工程の要因は、当該工程を実行する設備のエラーによる停止、及び物品における不良品の発生の双方を含む。例えばエラーによる停止と不良品の発生のうちの一方の影響が無視できるような状況等においては、各工程の要因に上記の双方に含めなくてもよい。
【0126】
本実施形態におけるデータ分析装置２は、ラインタクト推定モデル４を示すモデルデータを格納する記憶部２１をさらに備える。制御部２０は、記憶部２１に格納されたモデルデータＤ２に基づいて、ラインタクト推定モデル４として実効タクト分布Ｄ）（ｔ１）を生成する演算を実行する（Ｓ１３，Ｓ１４）。ラインタクト推定モデル４の演算を実行して、流れ作業の効率の変動を分析し易くすることができる。
【0127】
本実施形態において、ラインタクト推定モデル４は、流れ作業が過去に行われた履歴に基づくベイズ推定によって構築される（Ｓ１～Ｓ８）。ベイズ推定により、ラインタクト推定モデル４における各種モデルパラメータを確率分布として得られ、各種分析を行い易くすることができる。
【0128】
本実施形態におけるデータ分析方法は、複数の工程を含む流れ作業を行う効率を分析する方法である。本方法は、流れ作業が行われる毎に各工程が実行された履歴を示す設備ログデータＤ１を取得するステップ（Ｓ１１）と、流れ作業に関する確率分布を演算するラインタクト推定モデル４により生成される情報に基づいて、設備ログデータＤ１が示す履歴の分析結果を示す分析情報を生成するステップ（Ｓ１６～Ｓ２０）とを含む。ラインタクト推定モデル４は、流れ作業における工程毎の効率の確率分布を示す工程効率分布、及び各工程において流れ作業の効率を変動させる要因の確率分布を示す変動要因分布を生成し（Ｓ１３）、工程効率分布および変動要因分布に基づいて、流れ作業の効率の確率分布を示す作業効率分布を生成する（Ｓ１４）。
【0129】
本実施形態において、以上のようなデータ分析方法をコンピュータに実行させるためのプログラムが提供されてもよい。本実施形態のデータ分析方法によると、複数の工程において流れ作業を行う効率の変動を分析し易くすることができる。
【0130】
（他の実施形態）
以上のように、本出願において開示する技術の例示として、実施形態１を説明した。しかしながら、本開示における技術は、これに限定されず、適宜、変更、置換、付加、省略などを行った実施の形態にも適用可能である。また、上記各実施形態で説明した各構成要素を組み合わせて、新たな実施の形態とすることも可能である。そこで、以下、他の実施形態を例示する。
以上のように、本出願において開示する技術の例示として、実施形態１を説明した。しかしながら、本開示における技術は、これに限定されず、適宜、変更、置換、付加、省略などを行った実施の形態にも適用可能である。また、上記各実施形態で説明した各構成要素を組み合わせて、新たな実施の形態とすることも可能である。そこで、以下、他の実施形態を例示する。
【0131】
上記の実施形態１では、データ分析動作とモデル構築動作との双方を行うデータ分析装置２について説明した。本実施形態において、例えばモデル構築動作は、データ分析装置２の外部の情報処理装置で行われてもよい。本実施形態のデータ分析装置２は、例えば各種Ｉ／Ｆ２４，２５を介して外部で生成されたモデルデータＤ２を取得して、上記実施形態と同様のデータ分析動作を行ってもよい。
【0132】
上記の各実施形態では、データ分析装置２においてラインタクト推定モデル４の演算が実行される動作例を説明した。本実施形態において、ラインタクト推定モデル４の演算は、データ分析装置２の外部で実行されてもよい。本実施形態のデータ分析装置２は、例えば各種Ｉ／Ｆ２４，２５を介して、外部のラインタクト推定モデル４を有する情報処理装置等に送信して、外部のラインタクト推定モデル４において生成された情報を取得してもよい。この場合であっても、データ分析装置２の制御部２０は、取得した情報に基づいて、上記各実施形態と同様に分析情報を生成できる。
【0133】
また、上記の各実施形態では、分析情報の一例として要因評価リストＤ５を例示したが、本実施形態の分析情報はこれに限らない。例えば、データ分析装置２の制御部２０は、分析情報として、図９のデータ分析動作において不調を検出した場合（Ｓ１６）に各種警告を出力してもよいし、図４のようなグラフ表示を生成してもよい。
【0134】
また、上記の各実施形態では、ラインタクト推定モデル４の一例を説明したが、本実施形態におけるラインタクト推定モデル４はこれに限定されず、種々の変更が行われてもよい。例えば、本実施形態におけるラインタクト推定モデル４は、構造パラメータｓ，ｌに加えて又はこれに代えて、設備番号を説明変数のパラメータとして入力可能に構成されてもよい。例えば、共通の工程において別々の製造ライン１０に含まれる複数の設備を識別する設備番号が工程毎に用いられてもよい。また、理想タクトや各要因の分布として、正規分布やガンマ分布などを利用したが、これに限らない。分布はそれら観測値の実際の分布に基づきより当てはまりの良いものが選ばれるべきである。又、本実施形態におけるラインタクト推定モデル４において、工程毎の実効タクトモデル５４は省略されてもよい。
【0135】
また、上記の各実施形態では、データ分析装置２により製造ライン１０の生産性能が低下する不調、すなわち流れ作業の効率の低下が分析された。本実施形態において、データ分析装置２は、製造ライン１０の不調に限らず、生産性能が良好な好調を分析してもよく、流れ作業の効率の上昇を含む各種の変動を分析してもよい。
【0136】
また、上記の各実施形態では、データ分析装置２及びデータ分析方法が工場１における製造ライン１０に適用される例を説明したが、特にこれに限らず、種々の適用が可能である。例えば、本実施形態のデータ分析装置及び方法が適用される製造ライン１０は、１つの工場１内に限らず、複数の工場等を介して構成されてもよい。
【0137】
又、本実施形態のデータ分析装置及び方法は、製造ライン１０に限らず、種々の工程を含む流れ作業において複数の設備を用いる生産ラインに適用されてもよい。例えば、生産ラインにおける工程は、製造に限らず、検査及び包装といった様々な工程であってもよい。こうした場合においても、設備の停止または不良品の発生が、生産性能の低下となり得る。よって、本実施形態においても、上記と同様のデータ分析方法により、流れ作業の効率の変動を分析しやすくすることができる。
【0138】
又、本実施形態のデータ分析装置及び方法は、工場内の機械設備に限定されない様々な設備を用いた流れ作業に適用可能である。例えば、本実施形態における分析対象の流れ作業は、配送或いはデータ通信などであってもよい。流れ作業に用いる設備は、配送車両または通信設備などあってもよい。また、本実施形態のデータ分析装置及び方法は、必ずしも設備を用いた流れ作業に限らず、人手による各種の作業についても適用可能である。この場合であっても、流れ作業の履歴のログデータに基づいて、上記各実施形態と同様に流れ作業の効率の変動を分析可能である。
【0139】
以上のように、本開示における技術の例示として、実施の形態を説明した。そのために、添付図面および詳細な説明を提供した。
【0140】
したがって、添付図面および詳細な説明に記載された構成要素の中には、課題解決のために必須な構成要素だけでなく、上記技術を例示するために、課題解決のためには必須でない構成要素も含まれ得る。そのため、それらの必須ではない構成要素が添付図面や詳細な説明に記載されていることをもって、直ちに、それらの必須ではない構成要素が必須であるとの認定をするべきではない。
【0141】
また、上述の実施の形態は、本開示における技術を例示するためのものであるから、特許請求の範囲またはその均等の範囲において、種々の変更、置換、付加、省略などを行うことができる。
【産業上の利用可能性】
【0142】
本開示は、各種の流れ作業を行う際の効率の分析に適用可能であり、例えば生産ラインにおいて複数の設備を用いる流れ作業の生産性能の分析に適用可能である。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】