JP6862841B2

JP6862841B2 - 処理装置、調整パラメータの予測モデル推定方法、及び調整パラメータの予測モデル推定プログラム

Info

Publication number: JP6862841B2
Application number: JP2017006264A
Authority: JP
Inventors: 池田　弘; 弘池田
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 2017-01-17
Filing date: 2017-01-17
Publication date: 2021-04-21
Anticipated expiration: 2037-01-17
Also published as: JP2018116441A

Description

本発明は、処理装置、調整パラメータの予測モデル推定方法、及び調整パラメータの予測モデル推定プログラムに関する。

従来、光伝送装置などの信号を出力する製品の量産製造時においては、信号出力制御するファームウェアの調整パラメータを、信号出力が既定の許容範囲内に収まるような適切な値に設定する工程が行われている。

一方、特許文献１等には、調整対象（例えば電動機駆動装置）の調整時間を短縮するため、新規の調整対象の調整に必要な諸定数と調整仕様が同一又は類似する過去の調整対象を抽出し、抽出した過去の調整対象に基づいて調整の初期値を設定する技術が開示されている。

特開平６−３３９２９５号公報

しかしながら、製品に搭載されているデバイスの個体特徴量はばらついており、これにより調整パラメータと出力の関係は製品ごとに異なるものとなる。このため、過去に別の製品に設定したパラメータ値を流用することは難しい。また、調整パラメータを予測するための予測モデルを用意することも考えられるが、予測モデルで考慮すべき誤差を適切に設定しないと、予測精度が低くなるおそれがある。

１つの側面では、本発明は、調整パラメータの予測モデルとして適切なモデルを推定することが可能な処理装置、調整パラメータの予測モデル推定方法、及び調整パラメータの予測モデル推定プログラムを提供することを目的とする。

一つの態様では、処理装置は、複数の装置の各々の個体特徴量を示す個体データを取得する個体データ読み込み部と、前記複数の装置の各々に調整パラメータを入力して前記複数の装置の各々の特性値を調整する処理において得られた、前記特性値を許容範囲内にする調整パラメータを用いて、前記複数の装置の各々の特性値を許容範囲の中央に調整するために前記複数の装置の各々に入力する調整パラメータを目的変数とし、前記複数の装置の各々の個体データを説明変数とする予測モデルを推定する推定部と、を備え、前記予測モデルは、該予測モデルを推定するときの近似又は離散化に起因する誤差、又は原因が不明な誤差であり、分散が未知である第１の誤差と、前記装置の特性値を測定する際の測定条件に起因する誤差、又は前記調整パラメータの補正に起因する誤差であり、分散が既知又は推測可能な第２の誤差と、を含むモデルであり、前記推定部は、前記第１の誤差の分散と、前記第２の誤差の分散と、を用いて表される尤度関数に基づいて、前記予測モデルを推定する。

調整パラメータの予測モデルとして適切なモデルを推定することができる。

一実施形態に係る調整システムの構成を概略的に示す図である。予測モデル推定装置及び最適パラメータ計算装置のハードウェア構成を示す図である。予測モデル推定装置及び最適パラメータ計算装置の機能ブロック図である。図４（ａ）は、個体データの一例を示す図であり、図４（ｂ）は、調整データの一例を示す図であり、図４（ｃ）は、補正データの一例を示す図である。図５（ａ）、図５（ｂ）は、調整データ補正部の処理を説明するための図である。図６（ａ）は、予測モデルパラメータデータの一例を示す図であり、図６（ｂ）は、最適パラメータデータの一例を示す図である。予測モデル推定装置の処理の一例を示すフローチャートである。最適パラメータ計算装置の処理の一例を示すフローチャートである。変形例１に係る調整システムの構成を概略的に示す図である。変形例１に係る最適パラメータ設定装置の機能ブロック図である。変形例２に係る調整システムの構成を概略的に示す図である。変形例２に係る調整装置の機能ブロック図である。

以下、一実施形態に係る調整システムについて、図１〜図８に基づいて詳細に説明する。

図１には、本実施形態に係る調整システム１００の構成が概略的に示されている。図１の調整システム１００は、調整対象の装置（以下、「製品」と呼ぶ）５０と接続される調整装置１０と、製品５０から出力される信号を検出する信号検出装置２０と、調整装置１０に接続された処理装置としての予測モデル推定装置３０と、最適パラメータ計算装置６０と、を備える。調整対象の製品５０は、例えば、信号を出力する光伝送装置などの装置である。

製品５０は、信号発生器制御部と、信号発生器と、を有する。信号発生器制御部には、設定された調整パラメータに応じて信号発生器に信号を発生させるファームウェアが組み込まれている。信号発生器は、信号発生器制御部からの指示に基づいて信号を発生する。

調整装置１０は、製品５０の信号発生器制御部に設定する調整パラメータを探索する。具体的には、調整装置１０は、信号検出装置２０で検出される製品５０の出力信号（以下、「特性値」と呼ぶ）を許容範囲に含めることができる調整パラメータを探索する。なお、調整装置１０が製品５０の信号発生器制御部に最初に入力する調整パラメータ（調整パラメータの初期値）は、最適パラメータ計算装置６０において計算される最適パラメータである。

予測モデル推定装置３０と最適パラメータ計算装置６０は、ＰＣ（Personal Computer）等であり、図２に示すようなハードウェア構成を有する。すなわち、予測モデル推定装置３０と最適パラメータ計算装置６０は、図２に示すように、ＣＰＵ（Central Processing Unit）９０、ＲＯＭ（Read Only Memory）９２、ＲＡＭ（Random Access Memory）９４、記憶部（ここではＨＤＤ（Hard Disk Drive））９６、入出力インタフェース９７、及び可搬型記憶媒体用ドライブ９９等を備えている。これら各装置３０，６０の構成各部は、バス９８に接続されている。各装置３０、６０では、ＲＯＭ９２あるいはＨＤＤ９６に格納されているプログラム、或いは可搬型記憶媒体用ドライブ９９が可搬型記憶媒体９１から読み取ったプログラムをＣＰＵ９０が実行することにより、図３に示す各部の機能が実現される。

図３には、予測モデル推定装置３０及び最適パラメータ計算装置６０の機能ブロック図が示されている。

図３に示すように、予測モデル推定装置３０は、ＣＰＵ９０がプログラムを実行することにより、個体データ読み込み部３１、調整データ読み込み部３２、補正部としての調整データ補正部３３、推定部としての予測モデル推定部３４、予測モデル出力部３５、及び制御部３６として機能する。

個体データ読み込み部３１は、調整装置１０から入力される個体データを読み込む。個体データは、図４（ａ）に示すようなデータである。個体データのｘ₁、ｘ₂、…ｘ_kは、予測モデルの説明変数となる値であり、各製品（個体）の特徴量となりうるデータ（例えば各個体で使われている部品のロット番号や、部品の電気的特性の測定結果などの特性値等）である。

調整データ読み込み部３２は、過去に製品の調整を行ったときに得られた調整データを調整装置１０から取得し、読み込む。調整データは、例えば、図４（ｂ）に示すようなデータである。すなわち、調整データは、個体ＩＤごとに、調整後の特性値（ｈ_i）と調整パラメータ（ｚ_i）とを有する。なお、ｉ＝１，２，…である。ここで、各個体（製品）で調整が行われたときには、調整後の特性値（ｈ_i）と調整パラメータ（ｚ_i）は、図５（ａ）に示すようなデータである。各製品の調整においては、時間短縮のため、調整パラメータを段階的に変更しながら特性値をモニタし、特性値が許容範囲に最初に入った段階で調整を終了する。このため、図５（ａ）に示すように、特性値ｈ_iは、必ずしも許容範囲の中央の値ではなく、むしろ許容範囲の端近傍の値であることが多い。

調整データ補正部３３は、調整データ読み込み部３２が読み込んだ調整データｚ_i（図４（ｂ））を、補正式に基づいて補正することで、各個体（製品）の特性値を許容範囲中央とするための調整データ（ｙ_i）を求める。図５（ｂ）には、補正の概要が示されている。本実施形態では、例えば、次式（１）で示す補正式を用いて、値ｙ_iを求めることになる。なお、αは、パラメータの感度を意味する。
ｙ_i＝ｚ_i＋α×(Ｈ−ｈ_i) …（１）

ここで、実際に特性値が許容範囲中央の値（Ｈ）になるときのパラメータ値ｙ_i’とｙ_iの間には、補正による誤差ξ_iが生じる。補正による誤差ξ_iの分散は、例えばｈ_iとＨの差分に依存するなど、事前に推測可能である。ｙ_i’とｙ_i，ξ_iの関係は、次式（２）のように表すことができる。
ｙ_i＝ｙ_i’＋ξ_i …（２）

この場合、誤差ξ_iの確率分布は、例えば、平均が０で、分散が（Ｈ−ｈ_i）²に比例する正規分布（ξ_i〜Ｎ（０，Ｋ（Ｈ−ｈ_i）²））である。なお、Ｋは比例定数である。

なお、図４（ｃ）には、調整データ補正部３３で算出された値ｙ_i（補正後の調整パラメータ）と、補正誤差の分散σ_i ²（＝Ｋ（Ｈ−ｈ_i）²）とを含む補正データが示されている。調整データ補正部３３は、図４（ｃ）の補正データを予測モデル推定部３４に送信する。

予測モデル推定部３４は、調整データ補正部３３から送信されてきた補正データ（図４（ｃ）参照）を用いて、予測モデルを推定する。

ここで、従来から知られている重み付き最小二乗法（ＷＬＳ：Weighted Least Squares）を用いた予測モデルの推定方法について説明する。重み付き最小二乗法を用いる場合、推定したい予測モデルをｆ（ｘ_i）とし、事前に与えられた各個体（製品）の補正誤差ξ_iの分散σ_i ²を重みとすると、次式（３）で表されるＪを最小化するｆ（ｘ_i）を求めることになる。

ｘは、説明変数（ベクトル）を意味し、ｙ_i＝ｆ（ｘ_i）＋ε_iで、ε_iは、平均が０で、分散がσ_i ²の正規分布（ε_i〜Ｎ（０，σ_i ²））であるとする。なお、明細書の書式の関係上、明細書の本文中においてはベクトルや行列を表す文字を太文字で表せないため、標準の文字で表記するが、明細書本文中に貼り付けている数式においては、ベクトルや行列を表す文字を太文字で表記するものとする。

ここで、上式（１）のｆ（ｘ）が線形モデルと仮定し、βを係数ベクトルとすると、ｆ（ｘ）＝βｘ＋ｃと表せるので、Ｊを最小化するβとｃを求めることで予測モデルの推定が可能になる。

ところで、上記方法では、各個体の補正誤差を１つの誤差として扱っている。本発明の発明者は、補正誤差を１つの誤差として扱っていることが予測モデルの予測精度に影響を与えていることに気づき、鋭意研究の結果、パラメータ調整における誤差に、要因の異なる２つの誤差が含まれていることを、予測モデルの推定において考慮すべきであるとの考えに至った。

要因の異なる２つの誤差のうちの一方（第１の誤差）は、予測モデルの推定の際の近似や離散化により生じる誤差、もしくはデータ上は観測されない原因により生じる誤差（原因不明の誤差）である「システムノイズ」である。また、他方（第２の誤差）は、パラメータ調整において測定を行う際に用いる装置や測定条件により生じた誤差、もしくは調整データ補正部３３において補正する際に生じる誤差である「測定誤差、もしくは補正誤差」（以下、単に「補正誤差」と呼ぶ）である。補正誤差については、誤差の原因が特定されており、分散が既知又は予測モデルの推定前に推測できる。

このとき、調整パラメータの予測モデルとしては、次式（４）を設定することができる。以下、ｆ（ｘ_i）を予測関数と呼ぶ。
ｙ_i＝ｆ（ｘ_i）＋ε_i＋ξ_i …（４）

上式（４）において、ε_iは、システムノイズであり、個体（製品）それぞれが平均０、分散σ²の正規分布（ε_i〜Ｎ（０，σ²））に従う。一方、ξ_iは、補正誤差であり、個体ごとに分散σ_i ²が異なる正規分布（ξ_i〜Ｎ（０，σ_i ²））に従う。ここで、ε_iとξ_iとは独立であるため、ε_i＋ξ_iは、平均０、分散σ²＋σ_i ²の正規分布に従う。なお、分散σ_i ²は、既知であるが、分散σ²は、未知である。

本実施形態では、上述した重み付き最小二乗法を用いて、例えば、次式（５）で表されるＪ’を最小化する予測関数ｆ（ｘ）を求めることとする。

しかしながら、システムノイズの分散σ²は、未知であるため、単純にＪ’を最小化しようとすると、σ²が無限大になってしまい、予測モデルを推定することができない。したがって、本実施形態では、最尤法（対数尤度の最大化）を用いて、予測モデルを推定する。

最尤法においては、次式（６）で示す尤度関数を設定する。

また、予測関数ｆ（ｘ_i）としては、例えば、線形モデルｆ（ｘ_i）＝ｘ_i’βと仮定することができる。なお、ｘ_i’は列ベクトルｘ_iの転置を表す。この場合、対数尤度関数は、次式（７）で表すことができる。なお、式の簡単化のため、尤度関数Ｌの対数を−２倍したものを対数尤度関数ｌと定義する。−２倍したため、尤度関数Ｌの最大化は、対数尤度関数ｌの最小化となる。

したがって、予測モデル推定部３４は、上式（７）に基づいて、対数尤度関数を最小化するβ、σ²を求める。以下、β、σ²の求め方について、詳細に説明する。

上式（７）の対数尤度関数は、σ²及びβで偏微分すると、次式（８）、（９）のような尤度方程式として表すことができる。

ここで、ｙ₁，ｙ₂，…，ｙ_nを順にならべた列ベクトルをＹとし、Ｙを次式（１０）で表す。

ここで、ベクトルηは、平均０、分散Ｗの正規分布に従う（η〜Ｎ_n（０、Ｗ））。上式（１０）におけるＸ（行列）、η（ベクトル）、及び分散Ｗ（行列）は、次式（１１）〜（１３）のように表される。なお、式（１３）の「diag」は、対角行列を意味する。

この場合において、σ²の値が定まり、行列Ｗが与えられれば、対数尤度関数ｌ（β，σ²）を最小化するβ^*は、次式（１４）のようになる。なお、β^*は、σ²の関数である。

したがって、β＝β^*（σ²）を対数尤度関数（上式（７））に代入することで、以下の関数が求められる。

なお、Ｉは、単位行列であり、ｃ、行列Ｑは、次式（１６）、（１７）のとおりである。

上式（１５）のｌ（β^*，σ²）は、σ²だけの関数であり、プロファイル対数尤度関数と呼ばれる。

この場合において、次式（１８）、（１９）を定義する。

この場合、プロファイル対数尤度関数ｌ（β^*，σ²）を最小にするスカラー値σ²（＝（σ²）^*）を、{ｅ^-10，ｅ^-9，…，１，ｅ¹，ｅ²，…，ｅ¹⁰}上のグリッドサーチで探索することで、ｌ（β^*，σ²）を最小化するσ²（＝（σ²）^*）を得ることができる。この探索により得られた（σ²）^*が予測モデルにおけるシステムノイズの分散σ²の推定値となる。

また、ｌ（β^*，σ²）を最小化するβは、β^*（（σ²）^*）により得ることができる。なお、図６（ａ）には、予測モデルパラメータデータとして、βの一例が示されている。

予測モデル推定部３４は、上述した方法により求めたσ²とβとを調整パラメータの予測モデル（上式（４））に適用することで、予測モデルを推定することができる。予測モデル推定部３４は、推定した予測モデルを図３の予測モデル出力部３５に送信する。

予測モデル出力部３５は、予測モデル推定部３４から、推定された予測モデルを受信し、受信した予測モデルを最適パラメータ計算装置６０に対して送信する。制御部３６は、予測モデル推定装置３０の各部の処理を統括的に制御する。

次に、最適パラメータ計算装置６０の機能について説明する。最適パラメータ計算装置６０は、ＣＰＵ９０がプログラムを実行することにより、図３に示す、個体データ読み込み部６１、予測モデル読み込み部６２、最適パラメータ予測部６３、最適パラメータ出力部６４、及び制御部６５として機能する。

個体データ読み込み部６１は、調整装置１０から入力される個体データを読み込む。個体データは、図４（ａ）に示すようなデータである。

予測モデル読み込み部６２は、予測モデル推定装置３０の予測モデル出力部３５から送信されてきた予測モデルを読み込む。

最適パラメータ予測部６３は、予測モデル読み込み部６２が読み込んだ予測モデルを取得し、取得した予測モデルに、個体データ読み込み部６１が読み込んだ個体データ（ｘ₁、ｘ₂、…）を代入することで、最適パラメータを予測する。図６（ｂ）には、予測した最適パラメータをまとめた最適パラメータデータの一例が示されている。図６（ｂ）に示すように、最適パラメータは個体（製品）ごとに予測することができる。最適パラメータ予測部６３は、予測した最適パラメータ（図６（ｂ）の最適パラメータデータ）を最適パラメータ出力部６４に送信する。

最適パラメータ出力部６４は、最適パラメータ予測部６３から受信した最適パラメータデータを、調整装置１０に対して出力する。制御部６５は、最適パラメータ計算装置６０の各部を統括的に制御する。

次に、予測モデル推定装置３０の処理の流れ、及び最適パラメータ計算装置６０の処理の流れについて、図７、図８のフローチャートに沿って説明する。

図７には、予測モデル推定装置３０の処理が示されている。図７の処理は、制御部３６の制御の下、予測モデル推定装置３０の各部により実行される処理である。なお、予測モデル推定装置３０は、調整装置１０が調整データを所定数取得した段階で、図７の処理を実行するものとする。

図７の処理では、まず、ステップＳ１０において、個体データ読み込み部３１が、調整装置１０から送信されてくる個体データ（図４（ａ））を読み込む。次いで、ステップＳ１２では、調整データ読み込み部３２が、調整装置１０から送信されてくる調整データ（図４（ｂ））を読み込む。なお、ステップＳ１０、Ｓ１２の順番は逆でもよいし、同時並行処理であってもよい。

次いで、ステップＳ１４では、調整データ補正部３３が、前述したようにして、調整データ（ｚ_i）を補正式により補正し（値ｙ_iを求め）、補正誤差の分散（σ_i ²）を決定する。調整データ補正部３３は、ｙ_i、σ_i ²を含む補正データ（図４（ｃ））を、予測モデル推定部３４に送信する。

次いで、ステップＳ１６では、予測モデル推定部３４が、図４（ｃ）の補正データ等を用いて、前述したようにして最適パラメータの予測モデルを推定する。次いで、ステップＳ１８では、予測モデル出力部３５が、ステップＳ１６で推定された予測モデルを最適パラメータ計算装置６０に対して出力する。

以上により、図７の処理が終了する。

図８には、最適パラメータ計算装置６０の処理が示されている。図８の処理は、制御部６５の制御の下、最適パラメータ計算装置６０の各部により実行される処理である。

図８においては、まず、ステップＳ３０において、個体データ読み込み部６１が、新たに調整を行う必要のある個体（未調整の製品）の個体データを調整装置１０から受信して、読み込む。

次いで、ステップＳ３２では、予測モデル読み込み部６２が、予測モデル推定装置３０（予測モデル出力部３５）から送信されてきた予測モデルを読み込む。なお、ステップＳ３０、Ｓ３２の順番は逆でもよいし、同時並行処理であってもよい。

次いで、ステップＳ３４では、最適パラメータ予測部６３が、未調整の個体（製品）について、予測モデルと個体データとに基づいて最適パラメータを予測する。次いで、ステップＳ３６では、最適パラメータ出力部６４が、予測した最適パラメータを調整装置１０に対して出力する。

以上により、図８の処理が終了する。

以上、詳細に説明したように、本実施形態によると、調整データ補正部３３は、製品５０に調整パラメータを入力して製品５０の特性値を調整する処理において得られた、特性値を許容範囲内にする調整パラメータを、補正式（上式（１））に基づいて、特性値を許容範囲の略中央の値にする調整パラメータに補正し、予測モデル推定部３４は、調整データ補正部３３の補正結果を用いて、特性値を許容範囲の略中央に調整するために製品５０に入力する調整パラメータを予測する予測モデル（上式（４））を推定する。この場合の予測モデルは、予測モデルを推定するときの近似又は離散化に起因する誤差、又は原因が不明な誤差であり、分散が未知であるシステムノイズと、特性値を測定する際の測定条件に起因する誤差、又は調整データ補正部３３による補正に起因する誤差であり、分散が既知又は推測可能な補正誤差と、を含むモデルである。そして、予測モデル推定部３４は、システムノイズの分散σ²と、補正誤差の分散σ_i ²とを用いて表される尤度関数（上式（６））に基づいて、予測モデルを推定する。これにより、本実施形態では、誤差をシステムノイズと補正誤差に分け、それぞれの誤差の分散が既知か未知かを考慮して、予測モデルを推定することができる。したがって、予測モデルを推定する際の誤差を１つの誤差として扱う場合と比べ、予測モデルの予測精度を向上することができる。これにより、製品５０の調整の際に、調整パラメータを入力しなおす回数が減るため、調整に要する時間やコストを低減し、作業効率を向上することができる。本発明者が実施したシミュレーション結果によれば、本実施形態の予測モデルの推定方法を採用した場合には、予測モデルを推定する際の誤差を１つの誤差として扱う場合よりも最大１０％程度予測精度が向上することが分かった。この場合、製品５０のパラメータ調整工程の効率を最大１０％程度向上することができる。

（変形例１）
上記実施形態では、調整システム１００が、図１に示すように、処理装置としての予測モデル推定装置３０と、最適パラメータ計算装置６０とを備える場合について説明したが、これに限られるものではない。例えば、図９に示す調整システム２００のように、予測モデル推定装置３０の機能と最適パラメータ計算装置６０の機能を有する最適パラメータ設定装置１３０を処理装置として備えていてもよい。図１０には、本変形例１における最適パラメータ設定装置１３０の機能ブロック図が示されている。図１０に示すように、最適パラメータ設定装置１３０は、上記実施形態の予測モデル推定装置３０が有していた機能に加え、最適パラメータ計算装置６０の機能の一部（決定部としての最適パラメータ予測部６３、最適パラメータ出力部６４）を有している。

このようにすることで、最適パラメータ設定装置１３０において、予測モデルの推定処理（図７）と、最適パラメータの予測処理（図８）の両方の処理を実行することができる。したがって、上記実施形態と同様の作用効果を奏することができる。

（変形例２）
また、図１１に示す調整システム３００のように、上記実施形態で説明した予測モデル推定装置３０と、最適パラメータ計算装置６０の機能を有する調整装置１１０を処理装置として備えていてもよい。図１２には、本変形例２における調整装置１１０の機能ブロック図が示されている。図１２に示すように、本変形例２の調整装置１１０は、変形例１の最適パラメータ出力部６４に代えて、調整部７０を有している。調整部７０は、上記実施形態及び変形例１の調整装置１０と同様の機能を有している。このような構成を採用しても、上記実施形態及び変形例１と同様の作用効果を奏することができる。

なお、上記実施形態及び変形例では、調整対象の製品５０が光伝送装置である場合について説明したが、これに限らず、製品５０がディスプレイなどであってもよい。製品５０がディスプレイの場合、特性値は、色や輝度となる。

なお、上記の処理機能は、コンピュータによって実現することができる。その場合、処理装置が有すべき機能の処理内容を記述したプログラムが提供される。そのプログラムをコンピュータで実行することにより、上記処理機能がコンピュータ上で実現される。処理内容を記述したプログラムは、コンピュータで読み取り可能な記録媒体（ただし、搬送波は除く）に記録しておくことができる。

プログラムを流通させる場合には、例えば、そのプログラムが記録されたＤＶＤ（Digital Versatile Disc）、ＣＤ−ＲＯＭ（Compact Disc Read Only Memory）などの可搬型記録媒体の形態で販売される。また、プログラムをサーバコンピュータの記憶装置に格納しておき、ネットワークを介して、サーバコンピュータから他のコンピュータにそのプログラムを転送することもできる。

プログラムを実行するコンピュータは、例えば、可搬型記録媒体に記録されたプログラムもしくはサーバコンピュータから転送されたプログラムを、自己の記憶装置に格納する。そして、コンピュータは、自己の記憶装置からプログラムを読み取り、プログラムに従った処理を実行する。なお、コンピュータは、可搬型記録媒体から直接プログラムを読み取り、そのプログラムに従った処理を実行することもできる。また、コンピュータは、サーバコンピュータからプログラムが転送されるごとに、逐次、受け取ったプログラムに従った処理を実行することもできる。

上述した実施形態は本発明の好適な実施の例である。但し、これに限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々変形実施可能である。

なお、以上実施形態の説明に関して、更に以下の付記を開示する。
（付記１）装置に調整パラメータを入力して前記装置の特性値を調整する処理において得られた、前記特性値を許容範囲内にする調整パラメータを用いて、前記装置の特性値を許容範囲の中央に調整するために前記装置に入力する調整パラメータを予測する予測モデルを推定する推定部を備え、
前記予測モデルは、
該予測モデルを推定するときの近似又は離散化に起因する誤差、又は原因が不明な誤差であり、分散が未知である第１の誤差と、
前記装置の特性値を測定する際の測定条件に起因する誤差、又は前記調整パラメータの補正に起因する誤差であり、分散が既知又は推測可能な第２の誤差と、
を含むモデルであり、
前記推定部は、前記第１の誤差の分散と、前記第２の誤差の分散と、を用いて表される尤度関数に基づいて、前記予測モデルを推定することを特徴とする処理装置。
（付記２）前記予測モデルに基づいて、調整対象の装置に入力する調整パラメータを決定する決定部、を更に備える付記１に記載の処理装置。
（付記３）前記決定部により決定された調整パラメータを前記調整対象の装置に入力し、前記調整対象の装置を調整する調整部、を更に備える付記２に記載の処理装置。
（付記４）前記特性値を許容範囲内にする調整パラメータを、所定の補正式に基づいて、前記装置の特性値を許容範囲の中央にする調整パラメータに補正する補正部を更に備える、付記１〜３のいずれかに記載の処理装置。
（付記５）装置に調整パラメータを入力して前記装置の特性値を調整する処理において得られた、前記特性値を許容範囲内にする調整パラメータを用いて、前記装置の特性値を許容範囲の中央に調整するために前記装置に入力する調整パラメータを予測する予測モデルを推定する処理をコンピュータが実行し、
前記予測モデルは、
該予測モデルを推定するときの近似又は離散化に起因する誤差、又は原因が不明な誤差であり、分散が未知である第１の誤差と、
前記装置の特性値を測定する際の測定条件に起因する誤差、又は前記調整パラメータの補正に起因する誤差であり、分散が既知又は推測可能な第２の誤差と、
を含むモデルであり、
前記推定する処理では、前記第１の誤差の分散と、前記第２の誤差の分散と、を用いて表される尤度関数に基づいて、前記予測モデルを推定することを特徴とする調整パラメータの予測モデル推定方法。
（付記６）付記５に記載の調整パラメータの予測モデル推定方法により前記予測モデルを推定し、
推定した前記予測モデルに基づいて、調整対象の装置に入力する調整パラメータを決定する、処理をコンピュータが実行することを特徴とする調整パラメータ決定方法。
（付記７）付記６に記載の調整パラメータ決定方法により前記調整パラメータを決定し、
決定した前記調整パラメータを前記調整対象の装置に入力し、前記調整対象の装置を調整する、処理をコンピュータが実行することを特徴とする調整方法。
（付記８）装置に調整パラメータを入力して前記装置の特性値を調整する処理において得られた、前記特性値を許容範囲内にする調整パラメータを用いて、前記装置の特性値を許容範囲の中央に調整するために前記装置に入力する調整パラメータを予測する予測モデルを推定する処理をコンピュータに実行させ、
前記予測モデルは、
該予測モデルを推定するときの近似又は離散化に起因する誤差、又は原因が不明な誤差であり、分散が未知である第１の誤差と、
前記装置の特性値を測定する際の測定条件に起因する誤差、又は前記調整パラメータの補正に起因する誤差であり、分散が既知又は推測可能な第２の誤差と、
を含むモデルであり、
前記推定する処理では、前記第１の誤差の分散と、前記第２の誤差の分散と、を用いて表される尤度関数に基づいて、前記予測モデルを推定することを特徴とする調整パラメータの予測モデル推定プログラム。

３０予測モデル推定装置（処理装置）
３３調整データ補正部（補正部）
３４予測モデル推定部（推定部）
５０製品（装置）
６３最適パラメータ予測部（決定部）
７０調整部
９０ＣＰＵ（コンピュータ）
１１０調整装置（処理装置）
１３０最適パラメータ設定装置（処理装置）

Claims

複数の装置の各々の個体特徴量を示す個体データを取得する個体データ読み込み部と、
前記複数の装置の各々に調整パラメータを入力して前記複数の装置の各々の特性値を調整する処理において得られた、前記特性値を許容範囲内にする調整パラメータを用いて、前記複数の装置の各々の特性値を許容範囲の中央に調整するために前記複数の装置の各々に入力する調整パラメータを目的変数とし、前記複数の装置の各々の個体データを説明変数とする予測モデルを推定する推定部と、を備え、
前記予測モデルは、
該予測モデルを推定するときの近似又は離散化に起因する誤差、又は原因が不明な誤差であり、分散が未知である第１の誤差と、
前記装置の特性値を測定する際の測定条件に起因する誤差、又は前記調整パラメータの補正に起因する誤差であり、分散が既知又は推測可能な第２の誤差と、
を含むモデルであり、
前記推定部は、前記第１の誤差の分散と、前記第２の誤差の分散と、を用いて表される尤度関数に基づいて、前記予測モデルを推定することを特徴とする処理装置。
前記予測モデルに基づいて、調整対象の装置に入力する調整パラメータを決定する決定部、を更に備える請求項１に記載の処理装置。
前記決定部により決定された調整パラメータを前記調整対象の装置に入力し、前記調整対象の装置を調整する調整部、を更に備える請求項２に記載の処理装置。
前記特性値を許容範囲内にする調整パラメータを、所定の補正式に基づいて、前記装置の特性値を許容範囲の中央にする調整パラメータに補正する補正部を更に備える、請求項１〜３のいずれか一項に記載の処理装置。
複数の装置の各々の個体特徴量を示す個体データを取得し、前記複数の装置の各々に調整パラメータを入力して前記複数の装置の各々の特性値を調整する処理において得られた、前記特性値を許容範囲内にする調整パラメータを用いて、前記複数の装置の各々の特性値を許容範囲の中央に調整するために前記複数の装置の各々に入力する調整パラメータを目的変数とし、前記複数の装置の各々の個体データを説明変数とする予測モデルを推定する処理をコンピュータが実行し、
前記予測モデルは、
該予測モデルを推定するときの近似又は離散化に起因する誤差、又は原因が不明な誤差であり、分散が未知である第１の誤差と、
前記装置の特性値を測定する際の測定条件に起因する誤差、又は前記調整パラメータの補正に起因する誤差であり、分散が既知又は推測可能な第２の誤差と、
を含むモデルであり、
前記推定する処理では、前記第１の誤差の分散と、前記第２の誤差の分散と、を用いて表される尤度関数に基づいて、前記予測モデルを推定することを特徴とする調整パラメータの予測モデル推定方法。
複数の装置の各々の個体特徴量を示す個体データを取得し、前記複数の装置の各々に調整パラメータを入力して前記複数の装置の各々の特性値を調整する処理において得られた、前記特性値を許容範囲内にする調整パラメータを用いて、前記複数の装置の各々の特性値を許容範囲の中央に調整するために前記複数の装置の各々に入力する調整パラメータを目的変数とし、前記複数の装置の各々の個体データを説明変数とする予測モデルを推定する処理をコンピュータに実行させ、
前記予測モデルは、
該予測モデルを推定するときの近似又は離散化に起因する誤差、又は原因が不明な誤差であり、分散が未知である第１の誤差と、
前記装置の特性値を測定する際の測定条件に起因する誤差、又は前記調整パラメータの補正に起因する誤差であり、分散が既知又は推測可能な第２の誤差と、
を含むモデルであり、
前記推定する処理では、前記第１の誤差の分散と、前記第２の誤差の分散と、を用いて表される尤度関数に基づいて、前記予測モデルを推定することを特徴とする調整パラメータの予測モデル推定プログラム。
前記個体データは、前記複数の装置の各々の内部特性であり、
前記特性値は、前記複数の装置の各々の出力特性であることを特徴とする請求項１に記載の処理装置。
装置に調整パラメータを入力して前記装置の特性値を調整する処理において得られた、前記特性値を許容範囲内にする調整パラメータを、所定の補正式に基づいて、前記装置の特性値を許容範囲の中央にする調整パラメータに補正する補正部と、
補正後の前記調整パラメータを用いて、前記装置の特性値を許容範囲の中央に調整するために前記装置に入力する調整パラメータを予測する予測モデルを推定する推定部を備え、
前記予測モデルは、
該予測モデルを推定するときの近似又は離散化に起因する誤差、又は原因が不明な誤差であり、分散が未知である第１の誤差と、
前記装置の特性値を測定する際の測定条件に起因する誤差、又は前記調整パラメータの補正に起因する誤差であり、分散が既知又は推測可能な第２の誤差と、
を含むモデルであり、
前記推定部は、前記第１の誤差の分散と、前記第２の誤差の分散と、を用いて表される尤度関数に基づいて、前記予測モデルを推定することを特徴とする処理装置。