処理中

しばらくお待ちください...

設定

設定

出願の表示

1. WO2020203201 - 実装基板製造システム

Document

明 細 書

発明の名称 実装基板製造システム

技術分野

0001  

背景技術

0002   0003   0004   0005  

先行技術文献

特許文献

0006  

発明の概要

発明が解決しようとする課題

0007   0008   0009  

課題を解決するための手段

0010   0011  

発明の効果

0012  

図面の簡単な説明

0013  

発明を実施するための形態

0014   0015   0016   0017   0018   0019   0020   0021   0022   0023   0024   0025   0026   0027   0028   0029   0030   0031   0032   0033   0034   0035   0036   0037   0038   0039   0040   0041   0042   0043   0044   0045   0046   0047   0048   0049   0050   0051   0052   0053   0054   0055   0056   0057   0058   0059   0060   0061   0062   0063   0064   0065   0066   0067   0068   0069   0070   0071   0072   0073   0074   0075   0076   0077   0078   0079   0080   0081   0082   0083   0084   0085   0086   0087   0088   0089   0090   0091   0092   0093   0094   0095   0096   0097   0098   0099   0100   0101   0102   0103   0104   0105   0106   0107   0108   0109   0110   0111   0112   0113   0114   0115   0116   0117   0118   0119   0120   0121   0122   0123   0124   0125   0126   0127   0128   0129   0130   0131   0132   0133   0134   0135   0136   0137   0138   0139   0140   0141   0142   0143   0144   0145   0146   0147   0148   0149   0150   0151   0152   0153   0154   0155   0156   0157   0158   0159   0160   0161   0162   0163   0164   0165   0166   0167   0168   0169   0170   0171   0172  

産業上の利用可能性

0173  

符号の説明

0174  

請求の範囲

1   2   3   4   5   6  

図面

1   2   3   4   5   6   7   8   9   10   11   12   13   14   15   16   17   18  

明 細 書

発明の名称 : 実装基板製造システム

技術分野

[0001]
 本開示は、部品実装機の実装基板製造システムに関する。

背景技術

[0002]
 実装基板を製造する実装基板製造システムは、基板に部品を搭載する部品搭載作業を実行する部品装着装置が配置された部品実装ラインを備えている。部品装着装置によって実行される部品搭載作業は、部品供給部から部品を吸着ノズルによって取り出す吸着動作、取り出された部品を撮像して認識する認識動作、部品を基板上に移送して搭載する搭載動作など、各種の作業動作により構成される。これらの作業動作においては、微細な部品を対象として精細な動作を高精度・高効率で実行することが求められるため、各作業動作を良好な動作態様で実行するためのマシンパラメータが部品の種類に応じて予め設定される。そしてこれらのマシンパラメータを部品の種類と関連づけた部品データが、部品ライブラリとして記憶される。
[0003]
 これらの部品データは、必ずしも作業動作を最適な動作態様で実行することができる最適値に設定されているとは限らず、部品搭載作業の実行時に生じた不具合事象に対応して随時修正する必要がある。
[0004]
 しかし、部品データの修正作業には、部品装着に関する専門知識と経験に基づく熟練度など高度な専門性が求められるため、従来、生産現場においては試行錯誤による多大な手間と労力とを費やすことを余儀なくされていた。換言すると、部品搭載作業の実行時に部品の認識不良または吸着ミスなどの不具合が発生しても、どのようなパラメータ項目をどのように修正すべきかは、大部分がオペレータのノウハウに依存しているのが実情であった。このため、非熟練のオペレータにデータ修正が委ねられた場合には、不適正なデータ修正による試行錯誤を反復することとなり、データ修正作業の作業効率のみならず部品搭載作業の作業品質の向上が阻害される結果となっていた。
[0005]
 そこで、その対策として、特許文献1には、部品搭載作業の成績に基づいて部品データに含まれる少なくとも一つのマシンパラメータを修正する実装基板製造システムが開示されている。

先行技術文献

特許文献

[0006]
特許文献1 : 特開2019-4129号公報

発明の概要

発明が解決しようとする課題

[0007]
 しかしながら、特許文献1に開示される実装基板製造システムでは、成績が悪い部品に対して、修正作業を行うため、一旦、部品搭載作業を実施してから、成績が悪いことを確認した後でのみ、修正作業を行うことになる。このため、生産実績のない新規部品が使用される状況では、部品が変わるごとに、一旦の部品搭載作業の実施時間が費やされるためすなわち成績を確認する工数が発生するため、生産効率を低下させてしまう。
[0008]
 さらに、近年、蓄積データを用いて、機械学習技術を活用し、新しい部品等の搭載装置の各種パラメータを出力する方法もある。しかし、ベンダーまたは熟練ユーザの経験上そぐわない各種パラメータの値が出てくることもあるため、現場を混乱させてしまうといった不具合も発生している。
[0009]
 そこで、本開示は、新規部品に対して、成績を確認する工数を発生させずに、適切なマシンパラメータを推定することができる実装基板製造システ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

[0010]
 上記目的を達成するために、本開示の一形態に係る実装基板製造システムは、基板に部品を装着した実装基板を製造する実装基板製造システムであって、前記部品を基板に搭載する部品搭載作業を実行する少なくとも一つの部品搭載装置と、前記部品搭載装置が前記部品搭載作業を実行するための少なくとも一つのマシンパラメータを算出可能なルールベースと、前記部品搭載装置が実行した処理の結果を稼動情報とともに、部品データ別に集計する稼動情報集計部と、前記稼動情報集計部から、所定の基準を超える稼動結果の部品データを実績教師データとして選択し、前記実績教師データ、前記ルールベース及び新規な部品の基本情報を用いて、前記新規な部品の少なくとも一つのマシンパラメータを推定する推定部と、を備える。
[0011]
 なお、これらの全般的または具体的な態様は、システム、方法、集積回路、コンピュータプログラムまたはコンピュータで読み取り可能なCD-ROMなどの記録媒体で実現されてもよく、システム、方法、集積回路、コンピュータプログラム及び記録媒体の任意な組み合わせで実現されてもよい。

発明の効果

[0012]
 本開示によれば、新規部品に対して、成績を確認する工数を発生させずに、適切なマシンパラメータが推定することができる。

図面の簡単な説明

[0013]
[図1] 図1は、実施の形態に係る実装基板製造システムの構成説明図である。
[図2] 図2は、実施の形態に係る稼動情報集計データの一例を示す図である。
[図3] 図3は、実施の形態に係る実装基板製造システムにおいて用いられる部品データのデータ構成の説明図である。
[図4] 図4は、実施の形態に係るベンダーが設定したルールベースの一例を示す図である。
[図5] 図5は、実施の形態に係るユーザが設定したルールベースの一例を示す図である。
[図6] 図6は、実施の形態に係る実績教師データの一例を示す図である。
[図7] 図7は、本実施の形態における実装基板製造システムの新規部品の生産開始までの動作を示すフローチャートである。
[図8] 図8は、実施の形態の実施例1に係る統計モデルのグラフィカルモデルの一例を示す図である。
[図9] 図9は、実施の形態の実施例2に係る統計モデルのグラフィカルモデルの一例を示す図である。
[図10] 図10は、実施の形態の実施例3に係るルールベースに含まれる複数のルールの重みの調整を説明するための図である。
[図11] 図11は、ガウス過程モデルのグラフィカルモデルの一例を示す図である。
[図12] 図12は、実施の形態の実施例4に係る統計モデルのグラフィカルモデルの一例を示す図である。
[図13] 図13は、実施の形態の実施例4に係る統計モデルの別のグラフィカルモデルの一例を示す図である。
[図14] 図14は、実施の形態の実施例5に係る統計モデルのグラフィカルモデルの一例を示す図である。
[図15] 図15は、実施の形態の実施例6に係る統計モデルのグラフィカルモデルの一例を示す図である。
[図16] 図16は、本開示に係るハイブリッド手法により推定されたマシンパラメータを示すバブルチャートである。
[図17] 図17は、図16に示されるバブルを1つ以上選択されたときに示される部品情報である。
[図18] 図18は、本開示に係るハイブリッド手法により推定されたマシンパラメータを示す集計図である。

発明を実施するための形態

[0014]
 本開示の一態様に係る実装基板製造システムは、基板に部品を装着した実装基板を製造する実装基板製造システムであって、前記部品を基板に搭載する部品搭載作業を実行する少なくとも一つの部品搭載装置と、前記部品搭載装置が前記部品搭載作業を実行するための少なくとも一つのマシンパラメータを算出可能なルールベースと、前記部品搭載装置が実行した処理の結果を稼動情報とともに、部品データ別に集計する稼動情報集計部と、前記稼動情報集計部から、所定の基準を超える稼動結果の部品データを実績教師データとして選択し、前記実績教師データ、前記ルールベース及び新規な部品の基本情報を用いて、前記新規な部品の少なくとも一つのマシンパラメータを推定する推定部と、を備える。
[0015]
 これによれば、新規部品に対して、成績を確認する工数を発生させずに、適切なマシンパラメータが推定することができる。よって、生産実績のない新規部品が使用される状況でも、部品が変わるごとに、一旦の部品搭載作業の実施時間が費やす必要がなくなるため、生産効率の低下を抑制できる。
[0016]
 ここで、前記推定部は、前記所定の基準を超える稼動結果の部品データに含まれる部品の基本情報及び対応するマシンパラメータ値を学習データとして学習を行ったガウス過程regressorを用いて、前記新規な部品の基本情報に対して推定を行うことで、前記新規な部品に適用し得るマシンパラメータの予測分布が生成されて、前記新規な部品に適用し得るマシンパラメータを平均とした正規分布から、前記ルールベースの出力が生成されることから、前記新規な部品に適用し得るマシンパラメータの事後分布を算出し、算出した前記事後分布の平均を、前記適用し得るマシンパラメータのうち前記新規な部品に適用するマシンパラメータとして出力する。
[0017]
 これによれば、新規部品に対して、成績を確認する工数を発生させずに、かつ、ベンダーや熟練ユーザの経験にもそぐった適切なマシンパラメータを部品搭載作業前に推定することができる。よって、生産実績のない新規部品が使用される状況でも、部品が変わるごとに、一旦の部品搭載作業の実施時間が費やす必要がなくなるため、生産効率の低下を抑制できる。
[0018]
 また、例えば、前記ルールベースは、前記新規な部品の少なくとも一つのマシンパラメータを算出するため、異なる出力を行う整合しない2以上のルールを含むとしてもよい。
[0019]
 また、例えば、前記推定部は、ベイズ統計モデルを用いて、前記新規な部品の基本情報に対して推定を行うことで、前記新規な部品に適用し得るマシンパラメータの予測分布が生成されて、前記新規な部品に適用し得るマシンパラメータをパラメータとした分布から、前記ルールベースの出力が生成されることから、前記新規な部品に適用し得るマシンパラメータの事後分布を算出し、算出した前記事後分布の平均を、前記適用し得るマシンパラメータのうち前記新規な部品に適用するマシンパラメータとして出力してもよい。
[0020]
 また、例えば、前記推定部は、前記所定の基準を超える稼動結果の部品データに含まれる部品の基本情報及び対応するマシンパラメータ値を学習データとして学習を行ったベイズ統計モデルを用いて、前記新規な部品の基本情報に対して推定を行うことで、前記新規な部品に適用し得るマシンパラメータの予測分布が生成されて、前記新規な部品に適用し得るマシンパラメータをパラメータとした分布から、前記整合しない2以上のルールの出力が生成されることから、前記新規な部品に適用し得るマシンパラメータの事後分布を算出し、算出した前記事後分布の平均を、前記適用し得るマシンパラメータのうち前記新規な部品に適用するマシンパラメータとして出力する。
[0021]
 また、例えば、前記所定の基準を超える稼動結果の部品データの特徴は、ルールベースと機械学習とで異なるとしてもよい。
[0022]
 また、例えば、前記推定部により出力された前記新規な部品に適用するマシンパラメータと、前記部品搭載装置が前記部品搭載作業を実行するために実際に使用したマシンパラメータとを表示するインタフェース部を備えるとしてもよい。
[0023]
 なお、これらの全般的または具体的な態様は、システム、方法、集積回路、コンピュータプログラムまたはコンピュータで読み取り可能なCD-ROMなどの記録媒体で実現されてもよく、システム、方法、集積回路、コンピュータプログラム及び記録媒体の任意な組み合わせで実現されてもよい。
[0024]
 以下、本開示の実施の形態について、図面を用いて詳細に説明する。なお、以下で説明する実施の形態は、いずれも本開示の好ましい一具体例を示すものである。以下の実施の形態で示される数値、形状、材料、構成要素、構成要素の配置位置及び接続形態、ステップ、ステップの順序などは、一例であり、本開示を限定する主旨ではない。また、以下の実施の形態における構成要素のうち、本開示の最上位概念を示す独立請求項に記載されていない構成要素については、より好ましい形態を構成する任意の構成要素として説明される。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。
[0025]
 (実施の形態)
 まず、図1を参照して、実装基板製造システム1の構成を説明する。
[0026]
 [実装基板製造システム1]
 図1は、本実施の形態に係る実装基板製造システム1の構成説明図である。実装基板製造システム1は、基板に部品を装着した実装基板を製造する機能を有している。図1において、実装基板製造システム1は、複数(ここでは2つ)の部品実装ライン12A、12Bを有している。
[0027]
 [部品実装ライン12A、12B]
 部品実装ライン12Aには、部品搭載装置13A1、13A2、13A3が配置され、部品実装ライン12Bには部品搭載装置13B1、13B2、13B3が配置されている。すなわち実装基板製造システム1は、部品を基板に搭載する部品搭載作業を実行する少なくとも一つの部品搭載装置13を有する構成となっている。部品搭載装置13A1、13A2、13A3は、ローカルエリアネットワーク等によって構築された通信ネットワーク2aによって相互に接続される。また、部品搭載装置13A1、13A2、13A3は、データ通信用端末11aを介して、部品ライブラリ5a、稼動情報集計部10aを備えているクライアント端末9Aに接続されている。
[0028]
 同様に、部品搭載装置13B1、13B2、13B3は、通信ネットワーク2bによって相互に接続されるとともに、データ通信用端末11bを介して、部品ライブラリ5b及び稼動情報集計部10bを備えているクライアント端末9Bに接続されている。
[0029]
 なお、以下において、部品実装ライン12A、12Bを相互に区別する必要がない場合には単に部品実装ライン12と総称する。同様に部品搭載装置13A1、13A2、12A3、部品搭載装置13B1、13B2、13B3についても、これらを区別する必要がない場合には、単に部品搭載装置13と総称する。
[0030]
 [クライアント端末9A、9B]
 クライアント端末9A、9Bは、図1に示すように、部品ライブラリ5a、5bと、稼動情報集計部10a、10bとを備えている。
[0031]
 クライアント端末9A、9Bは、ローカルエリアネットワークまたはインターネット(公衆回線)等によって構築された通信ネットワーク2を介してサーバ3に接続されている。
[0032]
 クライアント端末9A、9Bには、それぞれ部品実装ライン12A、12Bによる実装基板の生産に必要なデータが、通信ネットワーク2を介してサーバ3からダウンロードされる。すなわち、部品実装ライン12A,12Bによってそれぞれ生産される実装基板の生産データであってサーバ3に記憶されている生産データ(不図示)は、通信ネットワーク2を介してサーバ3からクライアント端末9A、9Bにダウンロードされる。ここで、生産データは、サーバ3に記憶され、部品実装ライン12A、12Bを含む工場内で生産される実装基板に用いられるデータである。この生産データは、部品搭載装置13にて1つの基板品種の実装基板を生産するために必要なデータが規定される。例えば生産データには、当該基板品種の実装基板に搭載される部品の部品名、当該部品を部品ライブラリで特定するための部品コード、当該部品の実装基板における装着位置及び装着角度、並びに装着角度が、実装対象の各部品について規定されている。さらにこの生産データには、当該実装基板の生産に使用される設備側の条件、すなわち部品搭載装置13における設定状態などを示す設備条件データが、部品名毎に規定されていてもよい。
[0033]
 同様に、部品ライブラリ5が有する部品データのうち、部品実装ライン12A,12Bによってそれぞれ生産される実装基板に使用される部品データは、クライアント端末9A、9Bの部品ライブラリ5a、5bにダウンロードされる。
[0034]
 部品実装ライン12A、12Bでは、生産時に、部品ライブラリ5a、5bを用いて、部品搭載作業が行われる。部品搭載作業が行われている際にエラーが発生した場合、部品ライブラリ5a、5bの部品データは、ユーザにより、変更される。なお、ここでのエラーは、例えば部品供給部から搭載ヘッドによって部品を真空吸着によって取り出す際の吸着動作のエラーである。また、ここでのエラーは、取り出された部品を部品認識カメラによって撮像して認識する際のエラー、取り出された部品を搭載ヘッドによって基板に搭載する際の装着エラー、実装ラインの後工程での検査工程で判明する不良判定等のエラーであってもよい。
[0035]
 図2は、本実施の形態に係る稼動情報集計データの一例を示す図である。
[0036]
 クライアント端末9A、9Bは、上述したように稼動情報集計部10a、10bを備えている。稼動情報集計部10a、10bは、部品搭載装置13が実行した処理の結果を稼動情報とともに、部品データ別に集計する。
[0037]
 より具体的には、稼動情報集計部10a、10bは、実装基板の生産のために部品実装ライン12A、12Bによって実行される部品搭載作業の成績を、部品データ別に集計し、稼動情報集計データとして蓄積する処理を行う。ここで、部品搭載作業の成績とは、上記のエラーを部品別に集計し、更に、部品ごとのエラーにかかわらない基板への搭載個数を集計した上で、エラー率を算出した結果を成績である。つまり、部品搭載作業の成績は、例えば図2の稼動情報集計データの一例に示されるように、「吸着率%」、「認識率%」、「装着率%」、「検査エラー率%」などで示される。このように、図2に示す稼動情報集計データには、部品搭載装置13が実行した処理の結果として、部品ごとの部品搭載作業の成績が含まれている。また、図2に示すように、稼動情報集計データには、稼動情報として、部品ごとの部品の基本情報の複数の条件と、部品搭載作業で実際に適用された複数のマシンパラメータ(実績)とが含まれている。部品の基本情報の複数の条件は、後述するが、部品データの基本情報に規定される形状、サイズ等に対応する。部品の基本情報の複数の条件は、後述する部品データ14の基本情報15に規定される形状、サイズ等に対応する。複数のマシンパラメータ(実績)は、後述する部品データのマシンパラメータに規定されるノズル設定、吸着等に対応し、部品データそのままの値またはユーザ等で更新された値が実績として含まれる。
[0038]
 [サーバ3]
 サーバ3は、実装基板製造システム1において使用される各種のデータをクライアント端末9A、9Bに提供する機能を有している。サーバ3は、例えば図1に示すように、ルールベース4と、部品ライブラリ5と、実績教師データ6と、計算処理部7とを備える。サーバ3は、インタフェース部8と有線または無線で接続されている。なお、サーバ3は、上述した生産データを記憶している。
[0039]
 図3は、本実施の形態に係る実装基板製造システム1において用いられる部品データ14のデータ構成の説明図である。
[0040]
 部品ライブラリ5は、当該工場内で生産される実装基板に用いられる部品に関する部品データ14(図3参照)がマスターライブラリの形に編集されたものであり、サーバ3に備えられる。部品ライブラリ5は、部品搭載装置13が部品搭載作業を実行するための少なくとも一つのマシンパラメータと、当該部品に関する部品の基本情報とを含んで構成されている部品データ14を複数格納したライブラリとなっている。
[0041]
 ここで、図3に示されるように、部品データ14には、大分類項目として基本情報15及びマシンパラメータ16が規定されている。
[0042]
 基本情報15は、当該部品に固有の属性を示す情報である。基本情報15の中分類項目として、図3には、形状15a、サイズ15b、及び、部品情報15cが例示されている。
[0043]
 形状15aは、当該部品の形状に関する情報であり、形状15aの小分類項目として、当該部品の外形形状を、矩形、円柱状などの形状区分によって示す「形状」が規定されている。サイズ15bの小分類項目として、当該部品のサイズを示す「外形寸法」、当該部品に形成された接続用の電極の数または位置を示す「電極位置」などが規定されている。部品情報15cは、当該部品の属性情報である。基本情報15の小分類項目として、当該部品の種類を示す「部品種別」、当該部品の外形における方向性の有無を示す「極性有無」、極性有りの場合に当該部品に付されるマークの形状などを示す「極性マーク」、極性マーク有りの場合に当該マークの位置を示す「マーク位置」などが規定されている。
[0044]
 マシンパラメータ16は、部品搭載装置13が部品搭載作業を実行するためのパラメータである。より具体的には、マシンパラメータ16は、当該部品データ14に規定される部品を対象として、部品実装ライン12に配置された部品搭載装置13によって部品搭載作業を実行する際に、部品搭載装置13を制御するために用いられる制御パラメータである。このマシンパラメータ16は、ルールベース4、及び、成績が実績としてよかった部品データの両方を活用した後述するハイブリッド手法を用いてサーバ3により推定される。
[0045]
 図3には、マシンパラメータ16の中分類項目として、ノズル設定16a、スピードパラメータ16b、認識16c、吸着16d、装着16eが例示されている。
[0046]
 ノズル設定16aは、当該部品を吸着保持する場合に用いられる吸着ノズルに関するデータである。ノズル設定16aの小分類項目として、選択可能な吸着ノズルの種類を特定する「ノズル」が規定されている。スピードパラメータ16bは、当該部品を吸着ノズルによって取り出して基板に装着する作業動作における吸着ノズルの移動速度に関する制御パラメータである。スピードパラメータ16bの小分類項目として、部品を吸着して保持する際の「吸着速度」、「吸着時間」、保持した部品を基板に装着する際の「装着速度」、「装着時間」などが規定されている。
[0047]
 認識16cは、部品供給部から吸着ノズルによって取り出された部品を部品認識カメラによって撮像して認識する認識処理の実行に関する制御パラメータである。認識16cの小分類項目として、撮像に使用されるカメラの種類を特定する「カメラ種別」、撮像に際して使用される照明のモードを示す「照明モード」、撮像により取得された画像を認識する際の「認識速度」などが規定されている。
[0048]
 吸着16dは、部品供給部から吸着ノズルによって部品を取り出す際の吸着動作に関する制御パラメータである。吸着16dの小分類項目として、吸着ノズルを部品に着地させる際の吸着位置を示す「吸着位置X」、「吸着位置Y」などが規定されている。
[0049]
 装着16eは、部品を吸着ノズルによって吸着保持した搭載ヘッドを基板に移動させて、吸着ノズルに昇降動作を行わせて部品を基板に装着する装着動作に関する制御パラメータである。装着16eの小分類項目として、吸着ノズルを下降させて部品を基板に着地させる際に部品を基板に押し付ける荷重である「装着荷重」が規定されている。図3では、装着16eの小分類項目として、さらに、吸着ノズルを下降、上昇させる昇降動作の速度を高低2段に切り換えて行う際の切り換え高さ位置や高低速度などの動作態様を規定する「2段動作(下降)」、「2段動作オフセット(下降)」、「2段動作速度(下降)」、「2段動作(上昇)」などが例示されている。
[0050]
 図4は、本実施の形態に係るベンダーが設定したルールベースの一例を示す図である。図5は、本実施の形態に係るユーザが設定したルールベースの一例を示す図である。
[0051]
 ルールベース4は、サーバ3に保有され、サーバ3に用いられることで、少なくとも一つのマシンパラメータが算出可能なルールベースである。図4に例示されるように、ルールベース4は、条件部と出力とから構成されるルールを1以上格納している。
[0052]
 以下、図4及び図5を用いて、ルールベース4の説明を行う。ルールの条件部は、部品の基本情報の複数の条件により構成される。当該ルールの出力は、該当部品の基本情報の複数の条件の組み合わせに適していると考えられる複数のマシンパラメータにより構成される。
[0053]
 例えばルールR1における基本情報の条件の一つを示すK1_rulは、部品がある大きさ以上であるか否か、といったものである。つまり、基本情報の複数の条件は、図3に示す部品データ14の基本情報15に規定される形状15a、サイズ15b等に対応する。複数のマシンパラメータは、図3に示す部品データ14のマシンパラメータ16に規定されるノズル設定16a、吸着16d等に対応し、部品データそのままの値でもよいしユーザ等で更新された値が含まれてもよい。
[0054]
 このように、ルールベース4には、例えば図4に示すようなベンダーによって入力されたルールが含まれてもよいし、例えば図5に示すようなユーザによって入力されたルールが含まれてもよい。つまり、ルールは、ユーザによって追加されてもよい。
[0055]
 図4に示すように、ルールベース4では、ベンダーによって入力されるルールR1,R2,R3は、あらゆる部品の基本情報に対してマシンパラメータを出力できるように設定される。より詳細には、ベンダーによってルールが入力される場合、あらゆる部品の基本情報を網羅するように、基本情報の条件の組み合わせが設定され、その全ての基本情報の条件の組み合わせにおいて、全てのマシンパラメータが設定される。
[0056]
 一方で、図5に示すように、ルールベース4では、ユーザによって追加されたルールR4は、基本情報の条件部の一部の条件と、出力の一部のマシンパラメータとのみからなる、簡易なルールであってもよい。つまり、図4の「NaN」に示されるように、ユーザによってルールが追加される場合、設定されていない条件部の箇所があってもよい。この「NaN」は、外形などの他の条件部の条件が満たされていれば形状はなんでも構わないことを意味する。つまり、部品データが、設定されている他の条件部の条件を満たしていれば、ルールR4が適用される。
[0057]
 なお、ユーザは、例えば図1に示すインタフェース部8を介して、ルールベース4に、ルールを入力する。つまり、インタフェース部8は、ユーザによりルールベース4にルールが入力されるときに用いられる入力部の機能を有している。また、インタフェース部8は、ルールベース4に含まれるまたはユーザにより入力されるルールを表示する表示部の機能をさらに有していてもよい。更に、インタフェース部8は、計算処理部7により出力された新規部品に適用するためのマシンパラメータと、部品搭載装置13が部品搭載作業を実行するために実際に使用したマシンパラメータとを表示してもよい。なお、表示部の機能としては、ユーザが追加したルールのみ表示されるようになっていても良い。
[0058]
 図6は、本実施の形態に係る実績教師データ6の一例を示す図である。
[0059]
 サーバ3は、上述したが、図1に示すように、計算処理部7を備える。この計算処理部7は、例えば推定部の一例であり、稼動情報集計部10a、10bから、所定の基準を超える稼動結果の部品データを実績教師データとして選択する。
[0060]
 本実施の形態では、サーバ3の計算処理部7は、クライアント端末9A、9Bの稼動情報集計部10a、10bから、所定の基準を超える稼動結果の部品データを実績教師データ6として選択する。ここで所定の基準とは、例えば90%の成績である。このため、所定の基準を超える稼動結果の部品データを、以下では成績がよい部品データとも称する。より具体的には、サーバ3は、クライアント端末9A、9Bから、稼動情報集計データから、成績がよい部品データについての部品の基本情報及び、部品搭載作業で実際に適用(使用)されたマシンパラメータであるマシンパラメータ(実績)をダウンロード(取得)する。なお、図6には、成績が90%を超えている場合の部品データを成績がよい部品データとした場合の例が示されている。つまり、図6には、図2に示す部品P1~P6のうち、部品P1~P3、P6についての基本情報及びマシンパラメータ(実績)が、実績教師データ6として蓄積されている。
[0061]
 さらに、サーバ3は、図6に示すように、上記で取得した成績がよい部品データの部品の基本情報及びマシンパラメータ(実績)に対して、各部品の基本情報に対するルールベース出力値を追加して、実績教師データとして蓄積する。なお、ルールベース出力値は、ルールベース4を参照することで得られる各部品の基本情報に対するマシンパラメータであり、図6ではマシンパラメータ(ルールベース出力)として示されている。
[0062]
 また、サーバ3の計算処理部7(推定部)は、実績教師データ6、ルールベース4及び新規部品の基本情報を用いて、新規部品の少なくとも一つのマシンパラメータを推定する。本実施の形態では、サーバ3の計算処理部7は、新規部品の基本情報が入力されたとき、その基本情報を、まず、部品ライブラリ5に登録し、続いてルールベース4を参照することで、該当新規部品に対するルールベース出力を取得する。そして、ルールベース出力と実績教師データ6との両方を用いて、適切なマシンパラメータを推定して出力する。
[0063]
 なお、計算処理部7では、適切なマシンパラメータを推定するために、ベイズ推定に基づく演算処理を行う。より具体的には、計算処理部7は、所定の基準を超える稼動結果の部品データに含まれる部品の基本情報及び対応するマシンパラメータ値を学習データとして学習を行ったガウス過程回帰モデル(ガウス過程regressor)を用いて、新規な部品の基本情報に対して推定を行う。これにより、計算処理部7は、新規部品に適用し得るマシンパラメータの予測分布を生成する。ここで、新規部品に適用し得るマシンパラメータを平均とした正規分布が、ルールベース出力を生成する。このことから、計算処理部7は、新規部品に適用し得るマシンパラメータの事後分布を算出することで、算出した事後分布の平均を、当該適用し得るマシンパラメータのうち新規部品に適用するマシンパラメータとして出力する。
[0064]
 また、サーバ3の計算処理部7は、出力した適切なマシンパラメータを、部品ライブラリ5に登録する。そして、該当部品が使用される部品実装ラインの例えば部品ライブラリ5aが、該当部品データをダウンロードすることで、部品搭載装置13は、当該部品データを生産に使用することができる。
[0065]
 [実装基板製造システム1の動作]
 次に、以上のように構成された実装基板製造システム1の動作について説明する。
[0066]
 図7は、本実施の形態における実装基板製造システム1の新規部品の生産開始までの動作を示すフローチャートである。
[0067]
 まず、新規部品の基本情報が、ユーザ等によりサーバ3に入力されるとする(S11)。すると、サーバ3は、部品ライブラリ5に新規部品の基本情報を登録(設定)する(S12)。
[0068]
 次に、サーバ3は、新規部品の基本情報を用いてルールベース4を参照し(S13)、新規部品に対するルールベース出力を取得する。
[0069]
 次に、サーバ3は、新規部品の基本情報とルールベース出力と実績教師データ6とを用いて、新規部品に対する適切なマシンパラメータを推定して出力する(S14)。このように、サーバ3は、ルールベース出力と実績教師データ6との両方を用いたハイブリッド手法により新規部品に対する適切なマシンパラメータを推定する。
[0070]
 次に、サーバ3は、部品ライブラリ5において、ステップS14で出力した適切なマシンパラメータを、当該新規部品の基本情報に対応する位置に登録する(S15)。
[0071]
 次に、例えばクライアント端末9Aは、サーバ3の部品ライブラリから、当該新規部品が使用される部品実装ライン12Aの部品ライブラリ5aに、当該新規部品の部品データをダウンロードする(S16)。
[0072]
 そして、部品実装ライン12Aは、当該新規部品の部品データを使用して、当該新規部品の生産を開始する(S17)。
[0073]
 [効果等]
 以上のように、本開示の実装基板製造システム1によれば、新規部品に対して、成績を確認する工数を発生させずに、適切なマシンパラメータが推定することができる。また、本開示の実装基板製造システム1は、ルールベース4に含まれるルールと、実績教師データ6を用いて学習させたモデルとを両方用いるハイブリッド手法により適切なマシンパラメータを推定する。これにより、ルールだけではカバーできないマシンパラメータが、実績教師データを用いたモデルにより推定され、実績教師データを用いたモデルだけではカバーできないマシンパラメータが、ルールを用いて推定されるという効果を奏する。したがって、本開示の実装基板製造システム1は、新規部品に対して、成績を確認する工数を発生させずに、かつ、ベンダーや熟練ユーザの経験にもそぐった適切なマシンパラメータを部品搭載作業前に推定することができる。よって、生産実績のない新規部品が使用される状況でも、部品が変わるごとに、一旦の部品搭載作業の実施時間が費やす必要がなくなるため、生産効率の低下を抑制できる。
[0074]
 (実施例1)
 実施例1では、サーバの計算処理部7が行う、ベイズ推定に基づく演算処理の一具体的態様について説明する。本実施例では、計算処理部7は、統計モデルを用いて、適切なマシンパラメータを推定する。なお、以下で、太字はベクトルまたは行列を示すとする。また、以下では、ひとつのマシンパラメータMP1の推定方法について説明するが、あらゆるマシンパラメータにおいて、同様の処理を行う。
[0075]
 図8は、実施の形態の実施例1に係る統計モデルのグラフィカルモデルの一例を示す図である。
[0076]
 図8において、新規部品の基本情報をX_new_vec(太字)とし、当該新規部品に対して適用されたルールの名前をルール1とし、その出力(ルールベース出力)をY_new_ruleとしている。また、計算処理部7が推定する新規部品の適切なマシンパラメータMP1をY_new_trueとしている。また、実績教師データのn個の部品の基本情報をX_train_mat(太字)とし、実績教師データのマシンパラメータMP1をY_train_true_vec(太字)とする。
[0077]
 ここで、X_new_vec(太字)とX_train_mat(太字)とY_train_true_vec(太字)とは、下記のように表すことができる。
[0078]
[数1]


[0079]
[数2]


[0080]
[数3]


[0081]
 X_new_vec(太字)の各要素は新規部品の基本情報を示し、X_train_mat(太字)の各要素は実績教師データの複数の部品の基本情報を示し、Y_train_true_vec(太字)の各要素は実績教師データのn個の部品の実績パラメータを示す。これらの各要素における、mは部品情報の種類数を示す。
[0082]
 まず、X_train_mat(太字)を入力、Y_train_true_vec(太字)を出力として、ガウス過程回帰モデルの学習を行う。
[0083]
 回帰モデルの学習後、ガウス過程回帰モデルに対して、X_new_vec(太字)を入力としたとき、ガウス過程回帰モデルの出力は、Y_new_trueの予測分布であると考えられる。ガウス過程回帰モデルの予測分布は、正規分布となり、その平均と分散が解析的に求められることが知られている。
[0084]
 Y_new_trueの予測分布を下記の(式1)に示す。(式1)において、予測分布の平均をY_new_true_gaussian、分散をσ_gaussian_r 2とした。さらに、下記の(式2)に示すように、Y_new_trueを平均とし、σ_r_1 2を分散とする正規分布から、当該新規部品に対するルールベース出力であるY_new_rule_1が生成されると仮定する。
[0085]
 Y_new_true~N(Y_new_true_gaussian,σ_gaussian_r 2)・・・(式1)
 Y_new_rule_1~N(Y_new_true,σ_r_1 2)・・・(式2)
[0086]
 ここで、標準偏差σ_rは、Y_train_true_vec(太字)のすべての要素からY_new_rule1を引いた下記に示すY_train_true_vec_rule_1(太字)の全要素を絶対値に変換した後の平均、あるいは、その2倍である。
[0087]
[数4]


[0088]
 なお、当該新規部品に対して適用されたルール1の精度が低かった場合、標準偏差σ_rは自動的に大きくなり、本実施例における計算処理部7が行う推定において、ルール1が重視されなくなるという効果が得られる。
[0089]
 また、Y_new_trueの事後分布を求めるとき、(式1)において、Y_new_trueの事前分布が正規分布で設定され、(式2)において、Y_new_trueを平均とした正規分布が設定される。このため、Y_new_trueに対して、共役事前分布を設定できていることになる。
[0090]
 以上により、(式1)と(式2)とにおいて、Y_new_true以外の値が既知となったとき、Y_new_trueの事後分布は、正規分布となり、解析的にその事後分布の平均及び分散が、算出可能となる。したがって、計算処理部7は、Y_new_trueの事後分布の平均を算出することで、Y_new_trueの事後分布の平均を、推定対象の新規部品の適切なマシンパラメータとして、出力することができる。
[0091]
 なお、(式1)の出力を行うガウス過程回帰モデルのハイパーパラメータに関しては、例えば、実績教師データの複数の部品の基本情報をX_train_mat(太字)として、実績教師データのマシンパラメータMP1を示すY_train_true_vec(太字)を教師データとして学習する際に、事前分布を設定しておき、ベイズ推定を行ってもよいし、第2種の最尤推定を行ってもよい。
[0092]
 また、(式1)の予測分布を出力する手法としては、ガウス過程回帰モデルを用いる場合に限らず、例えば、ベイジアンディープニューラルネット、ベイズ統計モデルなど、Y_new_trueの予測分布を出力できるものであればよい。
[0093]
 また、(式2)のY_new_trueを平均とする分布においても、正規分布に限らず、Y_new_trueをパラメータ(母数)とした分布であればよい。換言すると、推定対象の新規部品に適用し得るマシンパラメータをパラメータとした分布であればよい。なお、このとき、解析的にY_new_trueの事後分布が計算できない場合、事後確率最大化するY_new_trueを求め、適切なマシンパラメータとして、出力してもよい。あるいはマルコフ連鎖モンテカルロ法により事後分布からサンプリングし、得られたサンプルの平均を適切なマシンパラメータとして、出力してもよい。
[0094]
 (実施例2)
 サーバ3が有するルールベース4には、少なくとも一つのマシンパラメータを算出するために用いられる新規部品に対する複数のルールに、整合しない2以上のルールを含んでいてもよい。この場合において、サーバの計算処理部7で行う、ベイズ推定に基づく演算処理の一具体的態様を実施例2として説明する。なお、以下では、実施例1と異なるところを中心に説明する。
[0095]
 図9は、実施の形態の実施例2に係る統計モデルのグラフィカルモデルの一例を示す図である。
[0096]
 推定対象の新規部品に対して、異なるルールベース出力を行う2つのルールがルールベース4に存在する場合がある。このとき、この2つのルールの名称をルール2とルール3とし、図9に示すように、その出力(ルールベース出力)をY_new_rule_2及びY_new_rule_3とする。
[0097]
 また、下記の(式3)に示すように、Y_new_rule_2に対しては、(式3)中のY_new_trueを平均とし、σ_r_2 2を分散とする正規分布を仮定する。また、下記の(式4)に示すように、Y_new_rule_3に対しては、(式4)中のY_new_trueを平均とし、σ_r_3 2を分散とする正規分布を仮定する。また、予測分布の平均がY_new_true_gaussianで、分散がσ_gaussian_r 2である正規分布を示すとして、上記の(式1)の正規分布から、Y_new_trueが生成されると仮定する。
[0098]
 Y_new_rule_2~N(Y_new_true,σ_r_2 2)・・・(式3)
 Y_new_rule_3~N(Y_new_true,σ_r_3 2)・・・(式4)
[0099]
 このような場合において、まず、(式1)と(式3)から、実績教師データとルール2の影響を考慮した、(式5)で示されるY_new_trueの事後分布となる正規分布が、解析的に計算できる。
[0100]
 Y_new_true~N(Y_new_true_gaussian_and_rule1,σ_gaussian_and_rule1 2)・・・(式5)
[0101]
 続いて、(式4)と(式5)とから、実績教師データとルール3の影響を考慮したY_new_trueの事後分布となる正規分布が、解析的に計算できる。
[0102]
 以上から、上記のように算出することで、ルールベース出力が整合しない複数のルールの存在を許容する統計も得ることができる。これにより、計算処理部7は、ルールベース4において推定対象の新規部品に対して、異なるルールベース出力を行う2つのルールが存在していても、適切なマシンパラメータを算出できる。よって、ユーザは、ルールベース4においてベンダーが設定済みのルールとの整合を考慮せずに、簡便に新規ルールを設定することができる。
[0103]
 なお、複数のルールのうち、σ_rの小さい、上位複数、あるいは単数のルールのみを用いて、上記の算出を行っても良い。
[0104]
 (実施例3)
 実施例2では、ルールベース4において整合しない2以上のルールが存在する場合、整合しない2以上のルールのそれぞれを用いて統計モデルを再帰的に更新することで、2以上のルールを統計モデルに反映させる手法について説明したが、これに限らない。ルールベース4において、整合しない2以上のルールがあった場合、ユーザが統計モデルにルールを反映させる際の重みの調整を行ってもよい。以下、この場合を実施例3として説明する。なお、実施例3では、実施例1及び2と異なるところを中心に説明する。
[0105]
 図10は、実施の形態の実施例3に係るルールベース4に含まれる複数のルールの重みの調整を説明するための図である。
[0106]
 図10には、インタフェース部8により、ルールベース4に含まれる複数のルールに、学習された統計モデルの標準偏差が示されている。すなわち、図10に示すように、インタフェース部8は、各ルールの標準偏差σ_rを、ルールべース4におけるルールの条件部及び出力と共に表示してもよい。
[0107]
 ここで、例えばユーザが特定のルールを重視したい場合は、インタフェース部8において、該当ルールの標準偏差σ_rを小さい値に変更(設定)すればよい。これにより、熟練ユーザの経験により設定されたルールを重視した統計モデルに更新できるので、計算処理部7に、新規部品に対してより適切なマシンパラメータを推定させることができる。
[0108]
 また、図10には、特定の熟練ユーザU2が、ルールR5を設定した場合に、新たにルールR7が設定されている例が示されている。つまり、図10では、ユーザに依存するルールが示されている。
[0109]
 ここで、例えば、幾つかのルールで、標準偏差σ_rを同一のものとしてもよい。この場合、例えば、ルールR7の吸着速度のσ_r_S_7は、実績教師データのおける実績吸着速度とルールR5の出力の差及び実績吸着速度とルールR7の出力の差の絶対値の平均、あるいは、その2倍となるように算出される。
[0110]
 また、ユーザは、インタフェース部8を介して、計算処理部7が演算処理を行う前に、図10に示す例のように、ルールベース4に複数のルールを登録してもよい。すると、その後に、インタフェース部8は、各ルールの各パラメータにおける標準偏差σ_rを表示する。そして、この場合、ユーザは、ルールの標準偏差σ_rを確認した後に、インタフェース部8を介して、ONまたはOFFを設定しても良い。OFFと設定されたルールは、計算処理部7による上記の演算処理には使用されない。一方、ONと設定されたルールは、計算処理部7による上記の演算処理には使用されることになる。
[0111]
 (実施例4)
 実施例1、2では、新規部品の適切なマシンパラメータに対してのみ、ルールベース出力を生成する正規分布を仮定した。しかし、正規分布を仮定する方法では、適切なマシンパラメータが唯一の値でなく、幅を持った性質を持つ場合、非適切な推定を行う場合がある。そこで、ルールにガイドされたガウス過程回帰モデルである、ガウス過程回帰モデルAを、ガウス過程回帰モデルの代わりに活用してもよい。ガウス過程回帰モデルAを、実施例1および実施例2のガウス過程に置き換えることで、適切なマシンパラメータを計算することができる。
[0112]
 以下、この場合について実施例4として説明する。なお、実施例4でも、実施例1及び2と異なるところを中心に説明する。
[0113]
 図11は、ガウス過程モデルのグラフィカルモデルの一例を示す図である。図12は、実施の形態の実施例4に係る統計モデルのグラフィカルモデルの一例を示す図である。図8と同様のものについては、同一の名称が付されており、詳細な説明は省略する。
[0114]
 以下、ガウス過程回帰モデルAを説明する。まず、Y_train_true_vec(太字)が(式6)及び(式7)に示すガウス過程回帰モデルから生成されるとする。(式6)及び(式7)において、Y_train_f_vec(太字)は確率変数であり、Y_train_f_gaussian(太字),σ_train_f_mat(太字)、σ_gaussianはガウス過程回帰モデルで学習するパラメータに相当する。ここまでは、一般的なガウス過程回帰モデルである。このガウス過程モデルのグラフィカルモデルは、図11のように示される。
[0115]
 更に、train_f_vec(太字)の各要素を中心とした正規分布から、Y_train_rule_vec(太字)の各要素が生成されるとする。(式8)には、その例が示されている。(式8)において、Y_train_rule_vec(太字)は実績教師データの各部品に対応するルールの出力が格納されたベクトルである。σ_r_[i]は該当ルールの標準偏差である。このような本実施例に係るモデルのグラフィカルモデルは、図12のように示される。
[0116]
[数5]


[0117]
[数6]


[0118]
[数7]


[0119]
 ここで、Y_train_true_vec(太字)及びY_train_rule_vec(太字)を既知として、Y_train_f_gaussian(太字),σ_train_f_mat(太字)、σ_gaussianを算出し、学習を行ってよい。また、σ_r_[i]に対しても、逆ガンマ分布を事前分布として設定し、学習を行ってよい。そして、学習の結果得られたガウス過程回帰モデルAを、実施例1及び実施例2のガウス過程に置き換える。このようにして、適切なマシンパラメータが幅を持った性質を持つとしても、適切なマシンパラメータを計算することができる。
[0120]
 図13は、実施の形態の実施例4に係る統計モデルの別のグラフィカルモデルの一例を示す図である。
[0121]
 また、ガウス過程回帰モデルAにおいて、ガウス過程回帰モデルの代わりに、ガウス過程回帰を多層化した、深層ガウス過程回帰を用いてもよい。この場合のグラフィカルモデルが13に示されている。図13では、隠れ層を2層とし、ユニット数を3としたが、これに限らない。このようにして、ガウス過程回帰を多層化することで、部品情報と適切なパラメータのより複雑な関係を学習することが可能になる。
[0122]
 (実施例5)
 実施の形態及び実施例1~4では、マシンパラメータが、量的変数であるとして説明したが、これに限らない。複数のマシンパラメータのうち1以上のマシンパラメータが、ある装置の機能等をONまたはOFFするといったような質的変数である場合も考えられる。以下、この場合に、サーバの計算処理部7が行う演算処理の一具体的態様を実施例5として説明する。なお、実施例5では、実施例1~4と異なるところを中心に説明する。
[0123]
 図14は、実施の形態の実施例5に係る統計モデルのグラフィカルモデルの一例を示す図である。図8と同様のものについては、同一の名称が付されており、詳細な説明は省略する。
[0124]
 マシンパラメータが質的変数である場合は、ガウス過程regressorではなく、質的変数に対応したガウス過程classifierを用いて統計モデルの学習を行う。
[0125]
 以下では、計算処理部7が推定対象とする質的変数であるマシンパラメータをMP2と称し、MP2は、オンとオフの設定を持つとする。また、MP2がオンの場合を1とし、オフの場合を0として扱う。
[0126]
 ガウス過程classifierを適用する際、実績教師データの質的変数であるマシンパラメータMP2であるY_train_true_vec(太字)に対応する、潜在変数ベクトルF_train_true_vec(太字)を導入する。Y_train_true_vec(太字)とF_train_true_vec(太字)との各要素は、下記のように示される。
[0127]
[数8]


[0128]
[数9]


[0129]
 また、Y_train_true_vec(太字)とF_train_true_vec(太字)の各要素の関係は、下記の(式9)のように示される。
[0130]
 Y_train_true=σ(F_train_true)・・・(式9)
[0131]
 (式9)において、関数σ(z)は、連続値を0~1の変数に変換する関数である。関数σ(z)は、例えば、下記に示すロジスティック関数であってもよい。
[0132]
[数10]


[0133]
 図14に示すように、ガウス過程classifierでは、X_train_mat(太字)とY_train_true_vec(太字)を与えられると、Y_train_true_vec(太字)にできるだけ近い値を出力するF_train_true_vec(太字)を、X_train(太字)から出力可能となるような学習を統計モデルに行う。なお、この学習は、ガウス過程regressorと異なり、関数σ(z)の影響により、解析的に行うことが困難であるため、ラプラス近似を用いて学習する方法が提案されている。
[0134]
 そこで、ラプラス近似を用いて統計モデルの学習を行う。すると、ラプラス近似を用いた統計モデルの学習後、X_newを入力としたとき、(式10)に示す正規分布を、F_new_trueの予測分布として出力することが知られている。
[0135]
 F_new_true~N(F_new_gaussian, F_σ_gaussian 2)・・・(式10)
[0136]
 (式10)に示す正規分布において、平均がF_new_gaussianであり、分散がF_σ_gaussian 2である。
[0137]
 ここで、F_new_trueは、推定対象の新規部品の潜在変数となる。そのため、ガウス過程classifierでは、関数σ(z)にF_new_trueを入力し、その出力が、0.5を超えたときに、マシンパラメータがオンであると推定する。
[0138]
 本実施例では、次に説明する方法で、公知のガウス過程classifierとルールベース出力とを組み合わせる。すなわち、まず、上記の方法で学習を行ったガウス過程classifierを用いて、X_train_mat(太字)に対して予測を行い、出力される潜在変数の平均を各要素とした、下記に示すF_train_true_pred_vec(太字)を作成する。
[0139]
[数11]


[0140]
 次に、F_train_true_pred_vec(太字)から、下記に示すY_train_true_vec(太字)において、要素が1である部品に対応する、潜在変数をすべて抽出し、その平均値をF_rule1_meanとする。
[0141]
[数12]


[0142]
 また、F_train_true_pred_vec(太字)から、下記に示すY_train_true_vec(太字)において要素が0である部品に対応する、潜在変数をすべて抽出し、その平均値をF_rule0_meanとする。
[0143]
[数13]


[0144]
 ここでマシンパラメータMP2がオンであると出力(ルールベース出力)するルールをR8とする。
[0145]
 この時、R8の分散をF_rule1_dif 2と置く。F_rule1_dif 2は、F_train_true_pred_vec(太字)のすべての要素から、F_rule1_meanを引いた、下記に示すF_rule1_difの全要素を絶対値に変換した後の平均、あるいは、その2倍である。
[0146]
[数14]


[0147]
 次に、下記の(式11)で示されるように、F_new_trueを平均とし、F_rule1_dif 2を分散とする正規分布から、F_rule1_meanが生成されると仮定する。
[0148]
 F_rule1_mean~N(F_new_true,F_rule1_dif 2)・・・(式11)
[0149]
 以上により、(式10)及び(式11)から、F_new_true以外が既知の場合、F_new_trueの事後分布は、正規分布となり、解析的にその平均と分散が算出可能となる。
[0150]
 ここでF_new_trueの事後分布の平均を、関数σ(z)に入力したときの出力をY_new_true_probabilityとする。Y_new_true_probabilityが0.5以上であれば、Y_new_true=1として、適切なマシンパラメータをオンとして出力する。一方で、Y_new_true_probabilityが0.5より小さければ、Y_new_true=0として、適切なマシンパラメータをオフとして出力する。
[0151]
 このように、計算処理部7は、F_new_trueの事後分布の平均を、Y_new_true_probabilityとして算出することで、マシンパラメータが質的変数であっても、推定対象の新規部品の適切なマシンパラメータを、出力することができる。
[0152]
 なお、上記では、マシンパラメータが2つの水準(2つの選択肢)からなる質的変数であるとして説明したが、これに限らない。マシンパラメータが質的変数であり、かつ、複数の水準あってもよい。この場合、上記の方法を、one-versus-restで、各水準に対して行い、F_new_trueの事後分布をq(F_new_true)とし、下記の(式12)を、各水準において算出すればよい。
[0153]
[数15]


[0154]
 関数σ(z)がロジスティック関数である場合、積分計算が困難となる。この場合、有限であるL個のサンプルをq(F_new_true)からサンプリングし、各サンプルを関数σ(z)に代入し、その平均値を、Y_new_true_probability_mapとして算出してもよい。そして、Y_new_true_probability_mapが最も大きい水準を適切なマシンパラメータとして出力すればよい。
[0155]
 (実施例6)
 また、マシンパラメータが量的である場合と同様に、ルールにガイドされたガウス過程classifierである、ガウス過程classifier Aを、ガウス過程classifierの代わりに活用してもよい。
[0156]
 以下、この場合について実施例4として説明する。なお、実施例4でも、実施例1及び2と異なるところを中心に説明する。
[0157]
 図15は、実施の形態の実施例6に係る統計モデルのグラフィカルモデルの一例を示す図である。図8と同様のものについては、同一の名称が付されており、詳細な説明は省略する。
[0158]
 以下、ガウス過程classifier Aを説明する。まず、Y_train_true_vec(太字)が(式13)に示すガウス過程classifierから生成されるとする。
[0159]
 更に、Y_train_true_vec(太字)の各要素を母数としたベルヌーイ分布から、Y_train_real_true_vec(太字)の各要素が生成されるとする。(式14)には、その例が示されている。また、ルールの誤り率σ_rule[i]を用いて、ルールが誤っているかどうかを、ベルヌーイ分布で生成し、miss_rule[i]として出力する。ルールの誤り率の事前分布には、ベータ分布を設定しておく。(式15)には、その例が示されている。更に、ノイズσ_gaussから、miss_gaussをベルヌーイ分布から生成する。(式16)には、その例が示されている。更に、(式17)及び、(式18)より、Y_train_true_vec(太字)及びY_train_rule_vec(太字)が計算される。このようなモデルのグラフィカルモデルは、図15のように示される。
[0160]
[数16]


[0161]
[数17]


[0162]
 miss_rule[i]~B(σ_rule[i])・・・(式15)
 miss_gauss~B(σ_gauss)・・・(式16)
[0163]
[数18]


[0164]
[数19]


[0165]
 ここで、Y_train_true_vec(太字)及びY_train_rule_vec(太字)を既知として、Y_train_c_gaussian(太字),σ_train_c_mat(太字)を算出し、ガウス過程学習classifierの学習を行ってよい。こうして学習されたガウス過程学習classifierを、ガウス過程学習classifierAとして、実施例5における、ガウス過程学習classifierに置き換えて使用してもよい。
[0166]
 以上、一つまたは複数の態様に係る実施の形態等に係る実装基板製造システムについて説明したが、本開示は、この実施の形態等に限定されるものではない。本開示の趣旨を逸脱しない限り、当業者が思いつく各種変形を本実施の形態に施したものや、異なる実施の形態における構成要素を組み合わせて構築される形態も、一つまたは複数の態様の範囲内に含まれてもよい。
[0167]
 例えば、実施の形態で説明したハイブリッド手法では、ルールベース4が使用する部品の基本情報と、機械学習モデルが使用する部品情報が異なるものであってもよい。この場合、ユーザは一部の部品情報のみを用いて簡易なルールを作成できる。
[0168]
 また、例えば、実施の形態で説明したハイブリッド手法により推定されたマシンパラメータを、インタフェース部8にバブルチャートを用いて示させてもよい。
[0169]
 図16は、本開示に係るハイブリッド手法により推定されたマシンパラメータを示すバブルチャートである。図17は、図16に示されるバブルを1つ以上選択されたときに示される部品情報である。図18は、本開示に係るハイブリッド手法により推定されたマシンパラメータを示す集計図である。
[0170]
 すなわち、各マシンパラメータにおいて、実績教師データのマシンパラメータと、それぞれの部品に対してハイブリッド手法により推定されたマシンパラメータは、図16に示すようなバブルチャートで示されてもよい。図16において、円の大きさは、部品の数に対応する。また、ユーザは、図16のバブルを一つ以上選択することで、図17に示すように、その部品情報を閲覧することができるとしてもよい。図16において、対角線上の部品は、ハイブリッド手法による推定が成功している部品だと考えられ、対角線上から大きく外れた部品は、推定に失敗している部品だと考えられる。
[0171]
 このようなバブルチャートを用いることで、推定に失敗している部品を、ユーザは選択し、部品情報を閲覧し、新たなルールを作成するための情報を得ることができる。また、実績マシンパラメータが、非適切である可能性のある部品を効率よく発見できる。
[0172]
 なお、マシンパラメータが連続値ではなく、質的変数である場合は、図18に示すように、集計図を示してもよい。

産業上の利用可能性

[0173]
 本開示は、実装基板を製造する実装基板製造システムに利用でき、特に、新規部品に対して適切なマシンパラメータを推定することができるサーバ等を構成する実装基板製造システムに利用できる。

符号の説明

[0174]
 1 実装基板製造システム
 2、2a、2b 通信ネットワーク
 3 サーバ
 4 ルールベース
 5、5a、5b 部品ライブラリ
 6 実績教師データ
 7 計算処理部
 8 インタフェース部
 9A、9B クライアント端末
 10a、10b 稼動情報集計部
 11a、11b データ通信用端末
 12、12A、12B 部品実装ライン
 13、13A1、13A2、13A3、13B1、13B2、13B3 部品搭載装置
 14 部品データ
 15 基本情報
 15a 形状
 15b サイズ
 15c 部品情報
 16 マシンパラメータ
 16a ノズル設定
 16b スピードパラメータ
 16c 認識
 16d 吸着
 16e 装着

請求の範囲

[請求項1]
 基板に部品を装着した実装基板を製造する実装基板製造システムであって、
 前記部品を基板に搭載する部品搭載作業を実行する少なくとも一つの部品搭載装置と、
 前記部品搭載装置が前記部品搭載作業を実行するための少なくとも一つのマシンパラメータを算出可能なルールベースと、
 前記部品搭載装置が実行した処理の結果を稼動情報とともに、部品データ別に集計する稼動情報集計部と、
 前記稼動情報集計部から、所定の基準を超える稼動結果の部品データを実績教師データとして選択し、前記実績教師データ、前記ルールベース及び新規な部品の基本情報を用いて、前記新規な部品の少なくとも一つのマシンパラメータを推定する推定部と、を備える、
 実装基板製造システム。
[請求項2]
 前記ルールベースは、前記新規な部品の少なくとも一つのマシンパラメータを算出するため、異なる出力を行う整合しない2以上のルールを含む、
 請求項1に記載の実装基板製造システム。
[請求項3]
 前記推定部は、ベイズ統計モデルを用いて、前記新規な部品の基本情報に対して推定を行うことで、前記新規な部品に適用し得るマシンパラメータの予測分布が生成されて、前記新規な部品に適用し得るマシンパラメータをパラメータとした分布から、前記ルールベースの出力が生成されることから、前記新規な部品に適用し得るマシンパラメータの事後分布を算出し、算出した前記事後分布の平均を、前記適用し得るマシンパラメータのうち前記新規な部品に適用するマシンパラメータとして出力する、
 請求項1に記載の実装基板製造システム。
[請求項4]
 前記推定部は、
 前記所定の基準を超える稼動結果の部品データに含まれる部品の基本情報及び対応するマシンパラメータ値を学習データとして学習を行ったベイズ統計モデルを用いて、前記新規な部品の基本情報に対して推定を行うことで、前記新規な部品に適用し得るマシンパラメータの予測分布が生成されて、前記新規な部品に適用し得るマシンパラメータをパラメータとした分布から、前記整合しない2以上のルールの出力が生成されることから、前記新規な部品に適用し得るマシンパラメータの事後分布を算出し、算出した前記事後分布の平均を、前記適用し得るマシンパラメータのうち前記新規な部品に適用するマシンパラメータとして出力する、
 請求項2に記載の実装基板製造システム。
[請求項5]
 前記所定の基準を超える稼動結果の部品データの特徴は、ルールベースと機械学習とで異なる、
 請求項2~4のいずれか1項に記載の実装基板製造システム。
[請求項6]
 前記推定部により出力された前記新規な部品に適用するマシンパラメータと、前記部品搭載装置が前記部品搭載作業を実行するために実際に使用したマシンパラメータとを表示するインタフェース部を備える、
 請求項2~5のいずれか1項に記載の実装基板製造システム。

図面

[ 図 1]

[ 図 2]

[ 図 3]

[ 図 4]

[ 図 5]

[ 図 6]

[ 図 7]

[ 図 8]

[ 図 9]

[ 図 10]

[ 図 11]

[ 図 12]

[ 図 13]

[ 図 14]

[ 図 15]

[ 図 16]

[ 図 17]

[ 図 18]