JP2019101540A - 設備診断装置、設備診断方法、プログラム - Google Patents

Abstract

【課題】設備のメンテナンス情報を作業者に負担を掛けずに提示できる設備診断装置等を提供する。【解決手段】設備診断装置５は、オフセット枚葉印刷機１００で印刷される印刷物の撮影画像から検出された欠陥を、機械学習の結果による判別式を用いて不良種に分類し、不良種とオフセット枚葉印刷機１００のメンテナンス情報の関係を示すデータに基づいて、不良種に対応するオフセット枚葉印刷機１００のメンテナンス情報をモニター６に表示させる。【選択図】図１

Description

本発明は、製造設備のメンテナンスを行うための設備診断装置等に関する。

製品の製造時に得られる情報から製造設備のメンテナンスに関する情報を作業者に提供する技術には様々なものがあり、作業者が設備のメンテナンスを行う助けとなっている。

特許文献１には、回路基板に電子部品を実装する設備において、設備自身から得られた品質・稼働情報と設備メンテナンス情報から製品の不良要因を特定し、設備のメンテナンス箇所を抽出することが記載されている。

特開平9−289396号公報

しかしながら、特許文献１では、品質・稼動データベース、知識データベース等の複雑なデータベースを事前に作成しておく必要があり、作業者の負担となる。また係る複雑なデータベースを利用してメンテナンス箇所を抽出するために対話的操作が必要となるため、手間が掛かる。

本発明は上記の問題に鑑みてなされたものであり、設備のメンテナンス情報を作業者に負担を掛けずに提示できる設備診断装置等を提供することを目的とする。

前述した課題を解決するための第１の発明は、製造設備で製造される検査対象の撮影画像から検出された欠陥を、機械学習の結果による判別式を用いて不良種に分類する分類手段と、不良種と前記製造設備のメンテナンス情報の関係を示すデータに基づいて、前記不良種に対応する前記製造設備のメンテナンス情報をモニターに表示させる表示手段と、を有する設備診断装置である。

本発明では、検査装置等で検出された欠陥を機械学習の結果を用いて不良種に分類し、不良種に応じたメンテナンス情報を提示することで、複雑なデータベースを必要とすることなく、不良種に応じた最適なメンテナンス情報を作業者に負荷をかけずに提供でき、作業者の操作も簡単である。

前記分類手段は、前記撮影画像から抽出された欠陥領域の特徴量により、不良種への分類を行うことが望ましい。
本発明では、このように撮影画像から抽出した欠陥領域の特徴量を用いることで、機械学習を適用して欠陥を精度よく分類することが可能となる。

前記表示手段は、前記不良種ごとの欠陥の発生数を基準値と比較し、当該発生数が基準値を上回る不良種についてのメンテナンス情報を表示させることが望ましい。
本発明では、発生数の多い不良種についてのメンテナンス情報を表示させることで、製造設備のメンテナンスを効率よく行い、製品に生じる欠陥を大きく削減することができる。

第２の発明は、コンピュータが、製造設備で製造される検査対象の撮影画像から検出された欠陥を、機械学習の結果による判別式を用いて不良種に分類するステップと、不良種と前記製造設備のメンテナンス情報の関係を示すデータに基づいて、前記不良種に対応する前記製造設備のメンテナンス情報をモニターに表示させるステップと、を実行することを特徴とする設備診断方法である。

第３の発明は、コンピュータを、製造設備で製造される検査対象の撮影画像から検出された欠陥を、機械学習の結果による判別式を用いて不良種に分類する分類手段と、不良種と前記製造設備のメンテナンス情報の関係を示すデータに基づいて、前記不良種に対応する前記製造設備のメンテナンス情報をモニターに表示させる表示手段と、を有する設備診断装置として機能させるためのプログラムである。

本発明により、設備のメンテナンス情報を作業者に負担を掛けずに提示できる設備診断装置等を提供することができる。

設備診断システム１を示す図。 検査装置３のハードウェア構成を示す図。 設備診断装置５のハードウェア構成を示す図。 欠陥検査と欠陥画像の記録の手順を示すフローチャート。 欠陥画像３０と良品画像４０の例。 欠陥の分類とメンテナンス情報の表示の手順を示すフローチャート。 機械学習について説明する図。 モニター６の表示画面６０の例。 不良種とメンテナンス情報の関係を示すデータ５０の例。

以下、図面に基づいて本発明の好適な実施形態について詳細に説明する。

（１．設備診断システム１）
図１は本発明の実施形態に係る設備診断装置５を含む設備診断システム１を示す図である。この設備診断システム１は、オフセット枚葉印刷機１００のメンテナンスを行うためのメンテナンス情報を作業者に提示するものであり、検査装置３、設備診断装置５、モニター６等を有する。

オフセット枚葉印刷機１００は印刷物（製品）を製造する製造設備であり、給紙部１１０、印刷部１２０、排紙部１３０等を有する。

給紙部１１０は、給紙パイル１１１に収納されている用紙を１枚ずつ印刷部１２０へと搬送するものである。印刷部１２０では、複数の印刷ユニット１２０ａのそれぞれで、対応する色のインキによる用紙への印刷が行われる。印刷部１２０における印刷を終えると、印刷物はコンベア等により排紙部１３０に排出され、排紙パイル１３１に積み重ねられる。

各印刷ユニット１２０ａには、圧胴１２３、版胴１２７、ブランケット胴１２８、渡し胴１２９等のロールや、インキを供給するインキ供給装置（不図示）等が設けられる。版胴１２７には版板が巻装され、インキ供給装置により版板に移されたインキがブランケット胴１２８に転移し、圧胴１２３とブランケット胴１２８の間を走行する用紙にインキを転移させることにより用紙への印刷が行われる。渡し胴１２９は、印刷ユニット１２０ａ間などで用紙の搬送を行うためのものである。

オフセット枚葉印刷機１００では、印刷物の印刷絵柄の検査がインラインで行われる。この検査は、圧胴１２３に沿って搬送される印刷物をカメラ２０で撮影し、その画像に基づき行われる。

検査装置３は、カメラ２０で撮影した印刷物（検査対象）の撮影画像に基づいて印刷物の検査を行い、欠陥を検出するものである。

図２は検査装置３のハードウェア構成を示す図である。図２に示すように、検査装置３は、例えば制御部３１、記憶部３２、入力部３３、表示部３４、通信制御部３５等をバス３６により接続して構成されたコンピュータで実現できる。但しこれに限ることなく、適宜様々な構成をとることができる。

制御部３１はCPU、ROM、RAMなどから構成される。CPUは、記憶部３２、ROMなどの記憶媒体に格納された検査装置３の処理に係るプログラムをRAM上のワークエリアに呼び出して実行する。ROMは不揮発性メモリであり、ブートプログラムやBIOSなどのプログラム、データなどを恒久的に保持している。RAMは揮発性メモリであり、記憶部３２、ROMなどからロードしたプログラムやデータを一時的に保持するとともに、制御部３１が各種処理を行うために使用するワークエリアを備える。

記憶部３２はハードディスクドライブやソリッドステートドライブ、フラッシュメモリ等であり、制御部３１が実行するプログラム、プログラム実行に必要なデータ、OSなどが格納される。これらのプログラムやデータは、制御部３１により必要に応じて読み出され実行される。

入力部３３は検査装置３に各種の設定入力を行うものである。
表示部３４は例えば液晶ディスプレイ等である。
通信制御部３５はネットワーク等を介した通信を媒介する通信インタフェースであり、設備診断装置５、カメラ２０等との間で通信を行う。
バス３６は、検査装置３の各部間の制御信号、データ信号等の授受を媒介する経路である。

設備診断装置５は、検出した欠陥を、その不良の種類を示すカテゴリである不良種に分類し、分類結果に基づいてオフセット枚葉印刷機１００のメンテナンス情報の出力を行うものである。

図３は設備診断装置５のハードウェア構成を示す図である。図３に示すように、設備診断装置５は、例えば制御部５１、記憶部５２、入力部５３、表示部５４、通信制御部５５等をバス５６により接続して構成されたコンピュータで実現できる。但しこれに限ることなく、適宜様々な構成をとることができる。

制御部５１、記憶部５２、入力部５３、表示部５４、通信制御部５５、バス５６は、それぞれ前記した制御部３１、記憶部３２、入力部３３、表示部３４、通信制御部３５、バス３６と同様である。

モニター６は、オフセット枚葉印刷機１００のメンテナンス情報を表示し、作業者に提示する。モニター６には例えばタッチパネル付きの液晶ディスプレイ等が用いられるが、これに限ることはない。

（２．設備診断方法）
次に、本発明の実施形態に係る設備診断方法について、欠陥検査を行い欠陥画像の記録を行うまでの流れ、欠陥を不良種に分類し不良種に応じたメンテナンス情報を表示するまでの流れに分けて説明する。

（２−１．欠陥検査と欠陥画像の記録）
図４は欠陥検査と欠陥画像の記録の手順について説明するフローチャートである。図の各ステップは検査装置３の制御部３１が実行する処理である。

本実施形態では、オフセット枚葉印刷機１００の稼働中、検査装置３が印刷物の欠陥検査を行う（Ｓ１１）。欠陥検査の方法は特に限定されず、例えばカメラ２０で撮影した印刷物の撮影画像と、良品の印刷物の画像とを比較して欠陥の検出を行うことができる。比較に際しては、例えば両画像の画素値の差分をとって差分画像を作成し、差分画像を所定の閾値で二値化して欠陥領域を抽出する。欠陥領域が抽出された場合、欠陥が検出されたとする。

欠陥が検出された場合（Ｓ１２；ＹＥＳ）、検査装置３は、カメラ２０で撮影した印刷物の撮影画像から欠陥領域を含む部分を切り出し、当該欠陥領域を含む部分の画像（以下、欠陥画像という）と、欠陥領域が無い場合の当該部分の画像（以下、良品画像という）とを記憶部３２に格納する（Ｓ１３）。欠陥が検出されなかった場合（Ｓ１２；ＮＯ）は後述するＳ１４の処理に移る。

図５（ａ）は欠陥画像３０の例であり、図５（ｂ）はこれに対応する良品画像４０の例である。図５（ａ）の点線部は欠陥領域３０１を示す。本実施形態では、カメラ２０で撮影した印刷物の撮影画像における欠陥領域３０１の位置や、当該撮影画像の撮影時刻等も欠陥画像３０と紐付けて記録される。良品画像４０は、例えば前記した良品の印刷物の画像において欠陥画像３０と対応する位置にある画像である。

検査装置３は、オフセット枚葉印刷機１００の稼働中（Ｓ１４；ＮＯ）、Ｓ１１〜Ｓ１３の処理を繰り返し、オフセット枚葉印刷機１００の稼働が終了すると（Ｓ１４；ＹＥＳ）、処理を終了する。

設備診断システム１では、所定期間中（例えば工場の１日の稼働時間中）にＳ１１〜Ｓ１４の処理を行うことで、この所定期間中に生じた欠陥についての欠陥画像３０を設備診断装置５の記憶部５２に蓄積する。

（２−２．欠陥の分類とメンテナンス情報の表示）
図６は欠陥の分類とメンテナンス情報の表示の手順について説明するフローチャートである。図の各ステップは設備診断装置５の制御部５１が実行する処理である。

設備診断装置５は、前記した所定期間の後の決まった時間（例えば工場の次の日の稼働時間の前）に、所定期間中に蓄積した欠陥画像３０を検査装置３から受信し（Ｓ２１）、記憶部５２に記録する（Ｓ２２）。本実施形態では、前記した欠陥領域３０１の位置や撮影時刻等もＳ２１で受信され、Ｓ２２で欠陥画像３０と紐付けて記録される。

そして、設備診断装置５は、欠陥画像３０を用いて欠陥（欠陥領域３０１）を不良種に分類する（Ｓ２３；分類手段）。

不良種への分類は、機械学習の結果を用いて行われる。機械学習については既知であるが、その一例について簡単に説明すると、図７に示すように、様々な欠陥領域を、横軸を欠陥領域の第１の特徴量の値ｘ、縦軸を第２の特徴量の値ｙとしてプロットした時に、所定の不良種の欠陥領域群（図の例では○で示す）およびその他の不良種の欠陥領域群（図の例では●で示す）と、境界線ａとの最短距離ｂが最大となるように、これらの欠陥領域群を区分する境界線ａの式を算出するものである。

図７において境界線ａの右下にある欠陥領域群は、所定の不良種の欠陥領域であり、境界線ａの左上にある欠陥領域群は、その他の不良種の欠陥領域である。従って、境界線ａの式を、Zを所定値として仮にf(x,y)=Zで表すと、ある欠陥領域の特徴量の値x,yを境界線ａの式の左辺に代入したときにf(x,y)<Zとなる場合、その欠陥領域は上記所定の不良種の欠陥領域であると判別できる。このf(x,y)<Zが、欠陥領域が所定の不良種であることを判別する判別式（識別関数）である。

本実施形態では、予め多数の印刷物の撮影画像から欠陥領域を抽出し不良種ごとに分類して設備診断装置５に登録し、設備診断装置５により各欠陥領域について必要な特徴量を算出したうえで上記の機械学習を行うことで、特徴量により不良種を判別するための上記の判別式を予め作成する。作成された判別式は、設備診断装置５の記憶部５２に記録される。

そして、Ｓ２３では、欠陥画像３０から欠陥領域３０１を抽出して特徴量x,yを算出し、これが判別式f(x,y)<Zを満たす場合（図７のＡ参照）、当該欠陥領域３０１が上記所定の不良種に分類される。

なお、図７の例では２つの特徴量で所定の不良種であるかどうかを判別できるが、これに限ることはなく、３つ以上の特徴量で判別を行ったり、あるいは１つの特徴量で判別を行える場合もある。上記の特徴量は、欠陥領域３０１の形状や面積、色等の特徴に関するものであり、特に限定されない。

前記の判別式は複数の不良種のそれぞれに対して作成されており、Ｓ２１で受信した各欠陥画像３０の欠陥領域３０１がこれらの不良種に分類される。設備診断装置５は、不良種ごとの欠陥の発生数（欠陥領域３０１の数）を集計する（Ｓ２４）。

設備診断装置５は、不良種ごとの欠陥の発生数の集計結果をグラフ化してモニター６に表示させ（Ｓ２５）、集計結果に応じたメンテナンス情報をモニター６に表示させる（Ｓ２６；表示手段）。

図８はモニター６の表示画面６０の例である。本実施形態では、表示画面６０が、集計結果表示部６１、時間タブ６２、位置タブ６３、詳細タブ６４、「日間」ボタン６６、「週間」ボタン６７、メンテナンス情報表示部６８を有する。ただし、表示画面６０がこれに限ることはない。

集計結果表示部６１は不良種ごとの欠陥の発生数を表示する領域であり、複数の不良種について、その欠陥の発生数（図の例では縦軸で表される）の推移が表示される。

時間タブ６２は、不良種ごとの欠陥の発生数を発生時刻（前記した撮影時刻）に分けて表示するものであり、例えば時間タブ６２を選択して時間帯の選択画面（不図示）に移行し、時間帯を選択すると、選択された時間帯における不良種ごとの欠陥の発生数（の推移）が集計結果表示部６１に表示される。

位置タブ６３は、不良種ごとの欠陥の発生数を、欠陥領域３０１の位置（前記した印刷物の撮影画像における欠陥領域３０１の位置）に分けて表示するものであり、例えば位置タブ６３を選択して上記位置の選択画面（不図示）に移行し、その位置を選択すると、選択された位置における不良種ごと欠陥の発生数（の推移）が集計結果表示部６１に表示される。印刷物の撮影画像内でどの位置に欠陥が生じているかはメンテナンスが必要な箇所を知る手掛かりになり、例えば印刷物の撮影画像において用紙搬送方向と平面上直交する方向の端部に欠陥が多く生じている場合、オフセット枚葉印刷機１００において当該端部に接触する部位に問題があると推定できる。

詳細タブ６４は、不良種ごとの欠陥の発生数の集計結果の詳細情報を表示するためのものであり、例えば詳細タブ６４を選択して選択画面（不図示）に移行し、いずれかの不良種を選択すると、選択された不良種がその欠陥の発生数の多寡に応じた縦軸のスケールで集計結果表示部６１に表示され、その推移が見やすくなる。ただし表示できる詳細情報はこれに限らない。

「日間」ボタン６６と「週間」ボタン６７は、各不良種について、日ごとの欠陥の発生数の集計結果を集計結果表示部６１に表示するか、週ごとの欠陥の発生数の集計結果を集計結果表示部６１に表示するかを選択するためのボタンである。図の例では日ごとの欠陥の発生数の集計結果を表示することが選択されており、１週間前〜前日までの各日の発生数の推移が集計結果表示部６１に表示されている。

メンテナンス情報表示部６８には、欠陥の発生数の集計結果に応じたメンテナンス情報が表示される。

すなわち、設備診断装置５は、Ｓ２４において不良種ごとの欠陥の発生数の集計結果の傾向を分析し、例えば、ある不良種の前日や前週の欠陥の発生数が予め定めた基準値を上回った時に、その不良種に対応するメンテナンス情報をメンテナンス情報表示部６８に表示させる。基準値は不良種などによって異なる。作業者は、そのメンテナンス情報を確認した後、メンテナンスを実施する。

本実施形態では、図９に示すように、不良種、不良種の発生原因、不良種に対応するメンテナンス情報の関係を示すデータ５０が設備診断装置５の記憶部５２に予め登録されており、Ｓ２４ではこのデータ５０を参照してメンテナンス情報を表示させる。メンテナンス情報は、不良種ごとにその発生原因を解消するオフセット枚葉印刷機１００のメンテナンス方法を記録したものであり、例えば不良種が「白抜け」の場合、原因が「最初のユニットで油落ちまたはブラン（ブランケット胴）に異物付着」であり、メンテナンス情報が「オイルシール交換・ブラン交換」である。

このように、Ｓ２１〜Ｓ２６の処理を毎日決まった時刻に実施し、不良種の発生状況をグラフ化しモニター６に表示する事で印刷物の品質状態を可視化出来るようになり、発生数の多い不良種がある場合には、不良種に対応するメンテナンス情報を表示することで、作業者が素早くオフセット枚葉印刷機１００へのメンテナンスを実施でき、不良を減少させることができる。

以上説明したように、本実施形態によれば、検査装置３で検出された欠陥（欠陥領域３０１）を機械学習の結果を用いて不良種に分類し、不良種に応じたメンテナンス情報を提示することで、複雑なデータベースを必要とすることなく、不良種に応じた最適なメンテナンス情報を作業者に負荷をかけずに提供でき、作業者の操作も簡単である。

本実施形態では、印刷物の撮影画像から抽出した欠陥領域３０１の特徴量により、不良種への分類を行っている。オフセット枚葉印刷機１００などにおける不良分類に機械学習を適用する場合、欠陥の存在する撮影画像を単純に用いると、欠陥領域３０１と印刷絵柄との分別が難しく、機械学習させる事が困難である。しかし、本実施形態では撮影画像から欠陥領域３０１のみを抽出し、その特徴量により不良分類を行っているので、機械学習についても撮影画像の欠陥領域のみを抽出してその特徴量によって行うこととなり、分類精度を向上させ、欠陥を精度よく分類することができる。

また、本実施形態では発生数の多い不良種についてのメンテナンス情報を表示させることで、オフセット枚葉印刷機１００のメンテナンスを効率よく行い、印刷物に生じる欠陥を大きく削減することができる。

しかしながら、本発明はこれに限らない。例えば本実施形態ではメンテナンスを行う製造設備をオフセット枚葉印刷機１００としたが、これに限ることはなく、例えばその他の印刷機にも適用することが可能であり、他の製造設備、例えばラミネート装置などにも適用することが可能である。これらの場合でも、各製造設備で製造される製品（検査対象）の欠陥検出と不良種への分類、不良種に応じたメンテナンス情報の登録を行っておくことで同様の処理が実現できる。

また欠陥検査と欠陥画像の記録を行う期間や、Ｓ２１〜Ｓ２６の処理を開始する時間も特に限定されることはなく、様々に定めることができる。

以上、添付図面を参照して、本発明の好適な実施形態について説明したが、本発明は係る例に限定されない。当業者であれば、本願で開示した技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、それらについても当然に本発明の技術的範囲に属するものと了解される。

１：設備診断システム
３：検査装置
５：設備診断装置
６：モニター
２０：カメラ
３０：欠陥画像
４０：良品画像
５０：データ
６０：表示画面
１００：オフセット枚葉印刷機
３０１：欠陥領域

Claims (5)

1. 製造設備で製造される検査対象の撮影画像から検出された欠陥を、機械学習の結果による判別式を用いて不良種に分類する分類手段と、
   不良種と前記製造設備のメンテナンス情報の関係を示すデータに基づいて、前記不良種に対応する前記製造設備のメンテナンス情報をモニターに表示させる表示手段と、
   を有する設備診断装置。
2. 前記分類手段は、前記撮影画像から抽出された欠陥領域の特徴量により、不良種への分類を行うことを特徴とする請求項１記載の設備診断装置。
3. 前記表示手段は、前記不良種ごとの欠陥の発生数を基準値と比較し、当該発生数が基準値を上回る不良種についてのメンテナンス情報を表示させることを特徴とする請求項１または請求項２記載の設備診断装置。
4. コンピュータが、
   製造設備で製造される検査対象の撮影画像から検出された欠陥を、機械学習の結果による判別式を用いて不良種に分類するステップと、
   不良種と前記製造設備のメンテナンス情報の関係を示すデータに基づいて、前記不良種に対応する前記製造設備のメンテナンス情報をモニターに表示させるステップと、
   を実行することを特徴とする設備診断方法。
5. コンピュータを、
   製造設備で製造される検査対象の撮影画像から検出された欠陥を、機械学習の結果による判別式を用いて不良種に分類する分類手段と、
   不良種と前記製造設備のメンテナンス情報の関係を示すデータに基づいて、前記不良種に対応する前記製造設備のメンテナンス情報をモニターに表示させる表示手段と、
   を有する設備診断装置として機能させるためのプログラム。