JP7243082B2

JP7243082B2 - 混練異常度学習装置、混練異常度推定装置、混練異常度学習方法、混練異常度推定方法及びプログラム

Info

Publication number: JP7243082B2
Application number: JP2018162978A
Authority: JP
Inventors: 拡太郎多田; 祥之亮本宮; 誠人尾崎
Original assignee: Yokohama Rubber Co Ltd
Current assignee: Yokohama Rubber Co Ltd
Priority date: 2018-08-31
Filing date: 2018-08-31
Publication date: 2023-03-22
Anticipated expiration: 2038-08-31
Also published as: JP2020032676A

Description

本発明は、混練異常度学習装置、混練異常度推定装置、混練異常度学習方法、混練異常度推定方法及びプログラムに関する。

ゴム混練機における混練異常を判定する技術が知られている。例えば特許文献１には、ゴム混練時における各混練バッチの波形の変化を正常時の基準波形と照合することで、各混練バッチが正常混練であるか異常混練であるかを判定することが記載されている。

また特許文献２には、各混練ロットの平均混練波形と規格混練波形とを比較して、正常時の許容値範囲外の波動変動である場合には、ゴム混練の混合仕様を書き換えることが記載されている。

また特許文献３には、混練機のロータの回転駆動に要する瞬時電力量を積算した積算電力量を積算回転数で割った値を演算値と、正常値と、を比較して、混練バッチの混練異常の有無を判定することが記載されている。

また特許文献４には、対象となる混練バッチについて得られた混練波形と、予め作成した基準混練波形に対する許容範囲とを比較照合することによって、混練バッチが正常であるか異常であるかの判定を行うことが記載されている。

特開平６－３４４３３４号公報特開平６－３４４３３５号公報特開２０１４－２２６９１０号公報特開２０１７－５６６６６号公報

発明者らは、機械学習モデルを用いて密閉式ゴム混練機により未加硫ゴムの混練バッチを混練する際の当該混練バッチの混練の異常度の推定を行うことを検討している。ここで当該機械学習モデルに入力される入力特徴量データに含まれる要素数は、所定数にする必要がある。

ところが混練バッチの混練の開始から終了までの時間はまちまちである。そのため瞬時電力値や温度などといった密閉式ゴム混練機の状態を表す測定値の時系列を示す測定データに含まれる要素数が混練バッチの混練の開始から終了までの時間に応じたものである場合は、当該測定データに含まれる要素数はまちまちとなる。例えば、測定値が所定の時間間隔で測定される場合は、当該測定データに含まれる要素数は、混練の開始から終了までの時間に比例することとなる。

そのため機械学習モデルを用いた混練バッチの混練の異常度の推定において当該測定データをそのまま当該機械学習モデルに入力することができない。

また上記特許文献１～４に記載の技術では、そもそも機械学習モデルが用いられていないため上記実情は存在しない。

本発明は上記実情に鑑みてなされたものであって、その目的の一つは、密閉式ゴム混練機の状態を表す測定値の時系列を示す測定データに含まれる要素数がまちまちであっても、当該測定データを用いて機械学習モデルによる当該混練バッチの混練の異常度の推定が可能な混練異常度学習装置、混練異常度推定装置、混練異常度学習方法、混練異常度推定方法及びプログラムを提供することにある。

上記課題を解決するために、本発明に係る混練異常度学習装置は、密閉式ゴム混練機により未加硫ゴムの混練バッチを混練する際の当該混練バッチの混練の異常度の推定に用いられる機械学習モデルの学習を実行する混練異常度学習装置であって、前記混練バッチの混練の開始から終了までの時間の長さに応じた数の要素を含む、前記密閉式ゴム混練機の状態を表す測定値の時系列を示す測定データを取得する測定データ取得手段と、前記測定データに基づいて、前記開始から前記終了までの時間の長さによらない所定数の要素を含む入力特徴量データを生成する入力特徴量データ生成手段と、前記入力特徴量データを前記機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行する学習手段と、を含む。

本発明の一態様では、前記測定データ取得手段が取得する測定データが所与の条件を満足するか否かに応じて、当該測定データを前記機械学習モデルの学習に用いるか否かを決定する決定手段、をさらに含み、前記入力特徴量データ生成手段は、前記機械学習モデルの学習に用いることが決定される前記測定データに基づいて、前記入力特徴量データを生成する。

この態様では、前記決定手段は、前記測定データ取得手段が取得する測定データが示す測定値が測定される前記開始から前記終了までの時間の長さが所定の範囲に含まれるか否かに応じて、当該測定データを前記機械学習モデルの学習に用いるか否かを決定してもよい。

また、本発明の一態様では、前記入力特徴量データ生成手段は、前記密閉式ゴム混練機が備えるラムが所定の下方位置に配置された状態で混練を行う複数のステージのそれぞれについての、当該ステージに対応付けられる数の要素を含む前記入力特徴量データを生成する。

この態様では、前記入力特徴量データ生成手段は、前記ラムが所定の下方位置に配置された状態で混練を行う複数のステージのそれぞれについての、当該ステージに対応付けられる、前記測定データが示す測定値の代表値を要素として含む前記入力特徴量データを生成してもよい。

また、本発明の一態様では、前記入力特徴量データ生成手段は、前記密閉式ゴム混練機が備えるラムが最初に所定の下方位置に配置されるまでにおける、前記ラムが所定の上方位置に配置された状態で混練を行う際の前記測定データに基づいて、前記入力特徴量データを生成する。

また、本発明に係る混練異常度推定装置は、密閉式ゴム混練機により未加硫ゴムの混練バッチを混練する際の当該混練バッチの混練の異常度を推定する混練異常度推定装置であって、前記混練バッチの混練の開始から終了までの時間の長さに応じた数の要素を含む、前記密閉式ゴム混練機の状態を表す測定値の時系列を示す測定データを取得する測定データ取得手段と、前記測定データに基づいて、前記開始から前記終了までの時間の長さによらない所定数の要素を含む入力特徴量データを生成する入力特徴量データ生成手段と、前記入力特徴量データを学習済の機械学習モデルに入力した際の出力に基づいて、前記混練バッチの混練の異常度を推定する推定手段と、を含む。

本発明の一態様では、前記測定データ取得手段が取得する測定データが所与の条件を満足するか否かに応じて、当該測定データを推定に用いるか否かを決定する決定手段、をさらに含み、前記入力特徴量データ生成手段は、推定に用いることが決定される前記測定データに基づいて、前記入力特徴量データを生成する。

この態様では、前記決定手段は、前記測定データ取得手段が取得する測定データが示す測定値が測定される前記開始から前記終了までの時間の長さが所定の範囲に含まれるか否かに応じて、当該測定データを推定に用いるか否かを決定してもよい。

また、本発明に係る混練異常度学習方法は、密閉式ゴム混練機により未加硫ゴムの混練バッチを混練する際の当該混練バッチの混練の異常度の推定に用いられる機械学習モデルの学習を実行する混練異常度学習方法であって、前記混練バッチの混練の開始から終了までの時間の長さに応じた数の要素を含む、前記密閉式ゴム混練機の状態を表す測定値の時系列を示す測定データを取得するステップと、前記測定データに基づいて、前記開始から前記終了までの時間の長さによらない所定数の要素を含む入力特徴量データを生成するステップと、前記入力特徴量データを前記機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行するステップと、を含む。

また、本発明に係る混練異常度推定方法は、密閉式ゴム混練機により未加硫ゴムの混練バッチを混練する際の当該混練バッチの混練の異常度を推定する混練異常度推定方法であって、前記混練バッチの混練の開始から終了までの時間の長さに応じた数の要素を含む、前記密閉式ゴム混練機の状態を表す測定値の時系列を示す測定データを取得するステップと、前記測定データに基づいて、前記開始から前記終了までの時間の長さによらない所定数の要素を含む入力特徴量データを生成するステップと、前記入力特徴量データを学習済の機械学習モデルに入力した際の出力に基づいて、前記混練バッチの混練の異常度を推定するステップと、を含む。

また、本発明に係るプログラムは、密閉式ゴム混練機により未加硫ゴムの混練バッチを混練する際の当該混練バッチの混練の異常度の推定に用いられる機械学習モデルの学習を実行するコンピュータに、前記混練バッチの混練の開始から終了までの時間の長さに応じた数の要素を含む、前記密閉式ゴム混練機の状態を表す測定値の時系列を示す測定データを取得する手順、前記測定データに基づいて、前記開始から前記終了までの時間の長さによらない所定数の要素を含む入力特徴量データを生成する手順、前記入力特徴量データを前記機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行する手順、を実行させる。

また、本発明に係る別のプログラムは、密閉式ゴム混練機により未加硫ゴムの混練バッチを混練する際の当該混練バッチの混練の異常度を推定するコンピュータに、前記混練バッチの混練の開始から終了までの時間の長さに応じた数の要素を含む、前記密閉式ゴム混練機の状態を表す測定値の時系列を示す測定データを取得する手順、前記測定データに基づいて、前記開始から前記終了までの時間の長さによらない所定数の要素を含む入力特徴量データを生成する手順、前記入力特徴量データを学習済の機械学習モデルに入力した際の出力に基づいて、前記混練バッチの混練の異常度を推定する手順、を実行させる。

本発明の一実施形態に係る情報処理装置の構成の一例を示す図である。１つの混練バッチの混練の開始から終了までにおけるラムの位置の時間変化の一例を模式的に示す図である。本発明の一実施形態に係る情報処理装置の機能の一例を示す機能ブロック図である。測定データの一例を示す図である。入力特徴量データの一例を示す図である。入力特徴量データの別の一例を示す図である。本発明の一実施形態に係る情報処理装置で行われる学習処理の流れの一例を示すフロー図である。本発明の一実施形態に係る情報処理装置で行われる推定処理の流れの一例を示すフロー図である。

以下、本発明の一実施形態について、図面を参照しながら説明する。

図１は、本発明の一実施形態に係る情報処理装置１０の構成の一例を示す図である。本実施形態に係る情報処理装置１０は、パーソナルコンピュータなどのコンピュータである。図１に示すように情報処理装置１０は、例えば、プロセッサ１２、記憶部１４、通信部１６、表示部１８、操作部２０を含んでいる。

プロセッサ１２は、例えば情報処理装置１０にインストールされるプログラムに従って動作するＣＰＵ等のプログラム制御デバイスである。

記憶部１４は、ＲＯＭやＲＡＭ等の記憶素子やハードディスクドライブなどである。記憶部１４には、プロセッサ１２によって実行されるプログラムなどが記憶される。

通信部１６は、例えばネットワークボードなどの通信インタフェースである。本実施形態では通信部１６を介して情報処理装置１０は、バンバリーミキサーなどの密閉式ゴム混練機２２と通信可能となっている。

表示部１８は、液晶ディスプレイ等の表示デバイスであって、プロセッサ１２の指示に従って各種の画像を表示する。

操作部２０は、キーボードやマウスなどといったユーザインタフェースであって、ユーザの操作入力を受け付けて、その内容を示す信号をプロセッサ１２に出力する。

なお、情報処理装置１０は、ＤＶＤ－ＲＯＭやＢｌｕ－ｒａｙ（登録商標）ディスクなどの光ディスクを読み取る光ディスクドライブ、ＵＳＢ（Universal Serial Bus）ポートなどを含んでいてもよい。

本実施形態では例えば、密閉式ゴム混練機２２において、未加硫ゴムの混練バッチが連続的に混練される。図２は、１つの混練バッチの混練の開始から終了までにおける、密閉式ゴム混練機２２が備えるラムの位置の時間変化の一例を模式的に示す図である。

図２では、混練バッチの混練の開始からの時間ｔが横軸に示されており、ラムの位置ｈが縦軸に示されている。以下、混練バッチの混練の開始からの経過時間がｔである際の時刻を時刻ｔと呼ぶこととする。またラムの位置がｈ１である場合よりもｈ２である場合の方が、ラムは上方に位置していることとする。またラムの位置がｈ２である場合よりもｈ３である場合の方が、ラムは上方に位置していることとする。

本実施形態に係る密閉式ゴム混練機２２では、投入されるゴムをできるだけ均一にするために１つの混練バッチの混練において密閉式ゴム混練機２２が備えるラムは複数回上下するよう制御される。図２の例では、時刻ｔ１が到来すると位置ｈ３にあるラムは下降を開始する。そして時刻ｔ２にラムは所定の下方位置である位置ｈ１に到達する。その後、時刻ｔ３にラムは上方に移動を開始し、時刻ｔ４にラムは位置ｈ２に到達する。その後、時刻ｔ５にラムは再度下降を開始し、時刻ｔ６にラムは位置ｈ１に到達する。その後、時刻ｔ７にラムは再度上方に移動を開始し、時刻ｔ８にラムは位置ｈ２に到達する。その後、時刻ｔ９にラムは再度下降を開始し、時刻ｔ１０にラムは位置ｈ１に到達する。そして時刻ｔ１１にラムは上方に移動を開始し、時刻ｔ１２にラムが位置ｈ２に到達し、その後、混練バッチの混練は終了となる。

１つの混練バッチの混練においては、ラムが所定の下方位置である位置ｈ１に配置されている状態で混練する工程を１ステージとして、複数のステージが繰り返される。図２の例では、１つの混練バッチの混練において３ステージが行われることとなる。すなわち、時刻ｔ２から時刻ｔ３までが第１ステージに相当し、時刻ｔ６から時刻ｔ７が第２ステージに相当し、時刻ｔ１０から時刻ｔ１１が第３ステージに相当する。また時刻ｔ４から時刻ｔ５まで、及び、時刻ｔ８から時刻ｔ９までの、ラムが位置ｈ２に位置する時間においては、投入されたゴムの水分、揮発分が除去される。

また本実施形態に係る密閉式ゴム混練機２２では時刻ｔ１よりも前に加硫剤が投入される。そのため本実施形態に係る密閉式ゴム混練機２２では加硫剤が加えられた状態で混練が行われることとなる。

そして混練の際に、密閉式ゴム混練機２２の瞬時電力値や温度、密閉式ゴム混練機２２が備えるロータの回転数、密閉式ゴム混練機２２が備えるラムの位置などといった、密閉式ゴム混練機２２の状態の測定が行われる。そして密閉式ゴム混練機２２の状態を表す測定値のデータが、密閉式ゴム混練機２２から情報処理装置１０に送信される。

そして情報処理装置１０において、密閉式ゴム混練機２２の状態を表す測定値の時系列を示す測定データに基づいて、当該混練バッチの混練が正常であるか異常であるかが判定される。ここで当該混練バッチの混練が正常であると判定されると、密閉式ゴム混練機２２のドロップドアが開くよう制御される。その結果、当該混練バッチが密閉式ゴム混練機２２から排出され、後工程に回される。一方、当該混練バッチの混練が異常であると判定されると、例えば警告音の出力などの異常通知が行われたり、密閉式ゴム混練機２２のドロップドアが閉制御されたりする。

以下、情報処理装置１０に実装されている機械学習モデルの学習、及び、情報処理装置１０による混練バッチの混練の異常度の推定についてさらに説明する。

図３は、本実施形態に係る情報処理装置１０で実装される機能の一例を示す機能ブロック図である。なお、本実施形態に係る情報処理装置１０で、図３に示す機能のすべてが実装される必要はなく、また、図３に示す機能以外の機能が実装されていても構わない。

図３に示すように、情報処理装置１０には、機能的には例えば、機械学習モデル３０、学習データ記憶部３２、学習データ取得部３４、学習データ利用決定部３６、学習入力特徴量データ生成部３８、学習部４０、ターゲット測定データ取得部４２、ターゲット測定データ利用決定部４４、ターゲット入力特徴量データ生成部４６、推定部４８、ドロップドア制御部５０、が含まれる。機械学習モデル３０は、プロセッサ１２及び記憶部１４を主として実装される。学習データ記憶部３２は、記憶部１４を主として実装される。学習データ取得部３４、学習データ利用決定部３６、学習入力特徴量データ生成部３８、学習部４０、ターゲット測定データ利用決定部４４、ターゲット入力特徴量データ生成部４６、推定部４８は、プロセッサ１２を主として実装される。ターゲット測定データ取得部４２、ドロップドア制御部５０は、プロセッサ１２及び通信部１６を主として実装される。

以上の機能は、コンピュータである情報処理装置１０にインストールされた、以上の機能に対応する指令を含むプログラムをプロセッサ１２で実行することにより実装されてもよい。このプログラムは、例えば、光ディスク、磁気ディスク、磁気テープ、光磁気ディスク、フラッシュメモリ等のコンピュータ読み取り可能な情報記憶媒体を介して、あるいは、インターネットなどを介して情報処理装置１０に供給されてもよい。

情報処理装置１０における、機械学習モデル３０、学習データ記憶部３２、学習データ取得部３４、学習データ利用決定部３６、学習入力特徴量データ生成部３８、学習部４０の機能は、密閉式ゴム混練機２２により未加硫ゴムの混練バッチを連続的に混練する際の当該混練バッチの混練の異常度の推定に用いられる機械学習モデル３０の学習を実行する学習装置としての機能に相当する。

また情報処理装置１０における、機械学習モデル３０、ターゲット測定データ取得部４２、ターゲット測定データ利用決定部４４、ターゲット入力特徴量データ生成部４６、推定部４８、ドロップドア制御部５０の機能は、密閉式ゴム混練機２２により未加硫ゴムの混練バッチを連続的に混練する際の当該混練バッチの混練の異常度を推定する混練異常度推定装置としての機能に相当する。

機械学習モデル３０は、本実施形態では例えば、アダブースト、ランダムフォレスト、ニューラルネットワーク、サポートベクタマシン（ＳＶＭ）、最近傍識別器、などの機械学習が実装された機械学習モデルである。

ここで当該機械学習モデル３０は、混練が正常であるか異常であるかを判定する判定モデルであってもよい。そしてこの場合に、当該機械学習モデル３０が、入力に応じて、例えば混練バッチの混練が正常であるか異常であるかを示す１ビットのデータを出力してもよい。

また当該機械学習モデル３０は、混練が異常である程度を示すデータを出力する回帰モデルであってもよい。そしてこの場合に、当該機械学習モデル３０が、入力に応じて、例えばコンパウンド判定に用いられるレオメータによる弾性測定での測定値の推定値を出力してもよい。

学習データ記憶部３２は、本実施形態では例えば、機械学習モデル３０の学習に用いられる学習データを記憶する。学習データには、例えば、混練バッチの混練の開始から終了までの時間の長さに応じた数の要素を含む、密閉式ゴム混練機２２の状態を表す測定値の時系列を示す測定データと、混練の異常度を示す所与の教師データと、が含まれている。以下、学習データに含まれる測定データを学習測定データと呼ぶこととする。

図４は、測定データのデータ構造の一例を示す図である。ここで例えば、学習測定データのデータ構造も、機械学習モデル３０を用いた混練の異常度の推定の際に用いられる測定データである後述のターゲット測定データのデータ構造も、図４に示すものであることとする。

図４には、２つの測定値の時系列を示す測定データが例示されている。ここで例えばａ（１）～ａ（Ｎ）は、密閉式ゴム混練機２２の瞬時電力値の時系列を示すデータであり、ｂ（１）～ｂ（Ｎ）は、密閉式ゴム混練機２２の温度の時系列を示すデータであってもよい。

本実施形態では例えば、所定の時間間隔（ここでは例えば１秒間隔）で密閉式ゴム混練機２２の状態の測定が行われることとする。ここで例えば、混練バッチの混練の開始から終了までの時間がｔ秒である場合は、値Ｎは、ｔとなる。例えば混練バッチの混練の開始から終了までの時間が９０秒である場合は、値Ｎは、９０となる。この場合は、測定データに含まれる要素の数は１８０となる。また例えば、混練バッチの混練の開始から終了までの時間が１１０秒である場合は、値Ｎは、１１０となる。この場合は、測定データに含まれる要素の数は２２０となる。

密閉式ゴム混練機２２における混練の終了条件としては、例えば、温度、電力、時間のそれぞれについての条件が予め設定される。そしていずれかの終了条件を満足すると、混練は終了される。例えば初期温度が高い場合は、早い時点で温度の終了条件を満足することとなるので、通常よりも早く混練が終了される。このようにして、本実施形態に係る密閉式ゴム混練機２２における混練の開始から終了までの時間はまちまちなものとなる。そのため上述の値Ｎは、混練バッチによってまちまちとなる。

また学習データに含まれる教師データには、当該学習データに含まれる学習測定データが示す測定値が測定された際の混練の異常度が示される。ここで例えば、機械学習モデル３０が判定モデルである場合に、教師データは、混練が正常であるか異常であるかを示す１ビットのデータであってもよい。また例えば、機械学習モデル３０が回帰モデルである場合に、教師データは、レオメータによる弾性測定での測定値を示すデータであってもよい。

学習データ取得部３４は、本実施形態では例えば、機械学習モデル３０の学習に用いられる学習データを取得する。ここで学習データ取得部３４は、学習データ記憶部３２に記憶されている学習データを取得してもよい。

学習データ利用決定部３６は、本実施形態では例えば、学習データ取得部３４が取得する学習データを機械学習モデル３０の学習に用いるか否かを決定する。ここで例えば、学習データに含まれる学習測定データが所与の条件を満足するか否かに応じて、当該学習測定データを含む学習データを機械学習モデル３０の学習に用いるか否かが決定されてもよい。

例えば、学習測定データが示す測定値が測定される、混練バッチの混練の開始から終了までの時間の長さが所定の範囲に含まれるか否かに応じて、当該学習測定データを含む学習データを機械学習モデル３０の学習に用いるか否かが決定されてもよい。例えば、学習測定データが示す測定値が測定される、混練バッチの混練の開始から終了までの時間の長さが２００秒以上である場合は、当該学習測定データを含む学習データを機械学習モデル３０の学習に用いないことが決定されてもよい。この場合、当該時間の長さが２００秒未満である場合は、当該学習測定データを含む学習データを機械学習モデル３０の学習に用いることが決定されることとなる。また例えば、当該時間の長さが８０秒以下、又は、１４０秒以上である場合は、当該学習測定データを含む学習データを機械学習モデル３０の学習に用いないことが決定されてもよい。

また例えば、学習測定データが示す瞬時電力値に値が０であるものを含む場合、すなわちａ（１）～ａ（Ｎ）のいずれかの値が０である場合は、当該学習測定データを含む学習データを機械学習モデル３０の学習に用いないことが決定されてもよい。

学習入力特徴量データ生成部３８は、本実施形態では例えば、機械学習モデル３０の学習に用いられる測定データに基づいて、混練バッチの混練の開始から終了までの時間の長さによらない所定数の要素を含む入力特徴量データを生成する。以下、学習測定データに基づいて生成される入力特徴量データを、学習入力特徴量データと呼ぶこととする。

図５は、図４に示す測定データに基づいて生成される入力特徴量データのデータ構造の一例を示す図である。ここで例えば、学習入力特徴量データのデータ構造も、機械学習モデル３０を用いた混練の異常度の推定の際に用いられる入力特徴量データである後述のターゲット入力特徴量データのデータ構造も、図５に示すものであることとする。

図５に示す入力特徴量データの要素数は２００である。ここで例えば、図４に示す測定データに含まれる要素ａ（１）～ａ（Ｎ）、及び、ｂ（１）～ｂ（Ｎ）の値に基づいて、２００の要素を含む入力特徴量データが生成される。図５には、入力特徴量データに含まれる要素として、ｃ（１）、ｃ（２）、ｃ（３）、・・・ｃ（１００）、及び、ｄ（１）、ｄ（２）、ｄ（３）・・・ｄ（１００）が示されている。ここで測定データに含まれる要素の値を補間することにより、入力特徴量データに含まれる要素の値が決定されてもよい。例えば線形補間やスプライン補間などの公知の補間手法を用いて算出される、要素ａ（１）～ａ（Ｎ）を実関数とみなした場合におけるａ（Ｎ×ｍ／１００）の値が、入力特徴量データに含まれる要素ｃ（ｍ）の値として決定されてもよい。なお値ｍは１以上１００以下の整数である。同様に、例えば線形補間やスプライン補間などの公知の補間手法を用いて算出される、要素ｂ（１）～ｂ（Ｎ）を実関数とみなした場合におけるｂ（Ｎ×ｍ／１００）の値が、入力特徴量データに含まれる要素ｄ（ｍ）の値として決定されてもよい。

なお入力特徴量データに含まれる要素の数は、測定データに含まれる要素の数よりも多くてもよいし少なくてもよい。例えば値Ｎが１００より大きい場合は入力特徴量データに含まれる要素の数は測定データに含まれる要素の数よりも少ないこととなる。また例えば値Ｎが１００より小さい場合は入力特徴量データに含まれる要素の数は測定データに含まれる要素の数よりも多いこととなる。

また測定データに含まれる要素のうちから２００の要素が入力特徴量データに含まれる要素としてサンプリングされてもよい。例えば、Ｎが１００の倍数である場合にａ（１）～ａ（Ｎ）、及び、ｂ（１）～ｂ（Ｎ）のそれぞれについて、Ｎ／１００個間隔でサンプリングが行われてもよい。この場合、要素ａ（Ｎ／１００）、ａ（Ｎ／５０）、・・・ａ（Ｎ）の値がそれぞれｃ（１）、ｃ（２）、・・・ｃ（１００）の値として決定されてもよい。また、要素ｂ（Ｎ／１００）、ｂ（Ｎ／５０）、・・・ｂ（Ｎ）の値がそれぞれｄ（１）、ｄ（２）、・・・ｄ（１００）の値として決定されてもよい。例えば、値Ｎが９０００である場合は、９０個間隔でサンプリングが行われてもよい。また例えば、値Ｎが１１０００である場合は、１１０個間隔でサンプリングが行われてもよい。

上述のように学習測定データに含まれる要素の数はまちまちであるが、このようにして本実施形態では測定データに含まれる要素の数がいくつであっても、所定数の要素を含む学習入力特徴量データが生成されることとなる。

なお入力特徴量データに含まれる要素の値として、複数の測定データの値を補間した値が設定されてもよい。

学習部４０は、本実施形態では例えば、入力特徴量データを機械学習モデル３０に入力した際の出力を用いて、機械学習モデル３０の学習を実行する。ここで例えば、学習データに含まれる学習測定データに基づいて生成される入力特徴量データを機械学習モデル３０に入力した際の出力と、当該学習データに含まれる教師データと、の差が特定されてもよい。そして特定される差に基づいて機械学習モデル３０のパラメータの値が更新される教師あり学習が実行されてもよい。

本実施形態では複数の入力特徴量データによる機械学習モデル３０の学習が実行される。そして学習済の機械学習モデル３０を用いて、密閉式ゴム混練機２２により未加硫ゴムの混練バッチを混練する際の当該混練バッチの混練の異常度が推定される。

ターゲット測定データ取得部４２は、本実施形態では例えば、混練の異常度の推定の対象となる、混練バッチの混練の開始から終了までの時間の長さに応じた数の要素を含む、密閉式ゴム混練機２２の状態を表す測定値の時系列を示す測定データを取得する。以下、混練の異常度の推定の対象となる測定データをターゲット測定データと呼ぶこととする。上述のようにターゲット測定データのデータ構造は、図４に例示されているものと同様である。

ここで例えば、混練バッチの混練の開始の際に密閉式ゴム混練機２２が情報処理装置１０にその旨を通知してもよい。そしてその後、密閉式ゴム混練機２２が情報処理装置１０に、密閉式ゴム混練機２２の状態を表す測定値を示すデータを逐次送信してもよい。そして例えば、混練バッチの混練が終了した際に密閉式ゴム混練機２２が情報処理装置１０にその旨を通知してもよい。そしてターゲット測定データ取得部４２が、密閉式ゴム混練機２２から当該混練バッチの混練の開始の通知の受信から終了の通知の受信までに受信した、密閉式ゴム混練機２２の状態を表す測定値を示すデータをターゲット測定データとして取得してもよい。

ターゲット測定データ利用決定部４４は、本実施形態では例えば、ターゲット測定データ取得部４２が取得するターゲット測定データが所与の条件を満足するか否かに応じて、当該測定データを推定に用いるか否かを決定する。ここで学習データ利用決定部３６と同様に、ターゲット測定データが示す測定値が測定される、混練バッチの混練の開始から終了までの時間の長さが所定の範囲に含まれるか否かに応じて、当該ターゲット測定データを推定に用いるか否かが決定されてもよい。例えば、ターゲット測定データが示す測定値が測定される、混練バッチの混練の開始から終了までの時間の長さが２００秒以上である場合は、当該ターゲット測定データを推定に用いないことが決定されてもよい。この場合、当該時間の長さが２００秒未満である場合は、当該ターゲット測定データを推定に用いることが決定されることとなる。また例えば、当該時間の長さが８０秒以下、又は、１４０秒以上である場合は、当該ターゲット測定データを推定に用いないことが決定されてもよい。

また例えば、ターゲット測定データが示す瞬時電力値に値が０であるものを含む場合、すなわちａ（１）～ａ（Ｎ）のいずれかの値が０である場合は、当該ターゲット測定データを推定に用いないことが決定されてもよい。

ターゲット入力特徴量データ生成部４６は、本実施形態では例えば、ターゲット測定データに基づいて、混練バッチの混練の開始から終了までの時間の長さによらない所定数の要素を含む入力特徴量データを生成する。以下、ターゲット測定データに基づいて生成される入力特徴量データを、ターゲット入力特徴量データと呼ぶこととする。上述のようにターゲット入力特徴量データのデータ構造は、図５に例示されているものと同様である。

学習入力特徴量データと同様、ターゲット測定データに含まれる要素の数はまちまちである。そうであるにも関わらず、本実施形態によれば、ターゲット測定データに含まれる要素の数がいくつであっても、学習入力特徴量データに含まれる要素の数と同じ所定数の要素を含むターゲット入力特徴量データが生成されることとなる。

推定部４８は、本実施形態では例えば、ターゲット入力特徴量データを学習済の機械学習モデル３０に入力した際の出力に基づいて、当該混練バッチの混練の異常度を推定する。ここで機械学習モデル３０が判定モデルである場合に、機械学習モデル３０が、入力に応じて、混練が正常であるか異常であるかを示す１ビットのデータを出力してもよい。また機械学習モデル３０が回帰モデルである場合に、機械学習モデル３０が、入力に応じて、レオメータによる弾性測定での測定値の推定値などといった混練が異常である程度を示す推定値を出力してもよい。

ドロップドア制御部５０は、本実施形態では例えば、推定部４８による推定の結果に応じた、密閉式ゴム混練機２２のドロップドアの開閉制御を実行する。

ここで例えば、機械学習モデル３０の出力が、混練が正常であることを示す場合には、ドロップドア制御部５０は、密閉式ゴム混練機２２のドロップドアが開くよう制御してもよい。例えばドロップドア制御部５０が密閉式ゴム混練機２２にドロップドアの開制御信号を送信してもよい。そして密閉式ゴム混練機２２が当該開制御信号の受信に応じてドロップドアが開くよう制御してもよい。

また例えば、機械学習モデル３０の出力が、混練が異常であることを示す場合には、ドロップドア制御部５０は、警告音の出力などの異常通知の出力や、密閉式ゴム混練機２２のドロップドアの閉制御を実行してもよい。ここで例えば、情報処理装置１０が異常通知を出力してもよい。またドロップドア制御部５０が密閉式ゴム混練機２２に異常通知信号を送信してもよい。そして密閉式ゴム混練機２２が当該異常通知信号の受信に応じて警告音の出力などの異常通知の出力を実行してもよい。また密閉式ゴム混練機２２が当該異常通知信号の受信に応じてドロップドアの閉制御を実行してもよい。

また例えば、機械学習モデル３０の出力が推定値である場合は、ドロップドア制御部５０は、当該推定値に基づいて、混練が正常であるか否かを判定してもよい。そしてドロップドア制御部５０は、当該判定の結果に基づいて、上述のようなドロップドアの開閉制御を実行してもよい。

上述のように混練バッチの混練の開始から終了までの時間はまちまちである。そのため密閉式ゴム混練機２２の状態を表す測定値の時系列を示す測定データに含まれる要素数が混練バッチの混練の開始から終了までの時間に応じたものである場合は、当該測定データに含まれる要素数はまちまちとなる。そのため機械学習モデル３０を用いた混練バッチの混練の異常度の推定において当該測定データをそのまま当該機械学習モデル３０に入力することができない。

本実施形態では上述のようにして測定データに含まれる要素の数がいくつであっても、所定数の要素を含む学習入力特徴量データ及びターゲット入力特徴量データが生成されるようにした。そのため本実施形態によれば密閉式ゴム混練機２２の状態を表す測定値の時系列を示す測定データに含まれる要素数がまちまちであっても、当該測定データを用いて機械学習モデル３０による当該混練バッチの混練の異常度の推定が可能となる。

また本実施形態では上述のように、測定データが混練バッチの混練の開始から終了までの時間の長さが所定の範囲に含まれるか否かなどといった所与の条件を満足するか否かに応じて、当該測定データを学習や推定に用いるか否かが推定されるようにした。そのため概ね妥当性が損なわれない程度の変動がある測定データを用いた学習や推定が行われることとなり、その結果、混練バッチの混練の異常度の推定精度がある程度確保できることとなる。

なお以上の説明では、ａ（１）～ａ（Ｎ）、及び、ｂ（１）～ｂ（Ｎ）を要素として含む、２つの測定値の時系列を示す測定データが用いられていたが、測定データが３つ以上の測定値の時系列を示していてもよい。また測定データが１つの測定値の時系列（例えば、ａ（１）～ａ（Ｎ））を示していてもよい。また密閉式ゴム混練機２２の状態を表す測定値は瞬時電力値や温度には限定されず、例えば単位時間あたりのモータの回転数などであっても構わない。

また入力特徴量データは、測定データをサンプリングしたものや補間したものである必要はなく、例えば複数の種類の測定値から算出される値を要素として含むものであってもよい。例えば、入力特徴量データが例えば、瞬時電力値を積算した積算電力値を単位時間あたりのモータの回転数を積算した積算回転数で割った値を要素として含んでいてもよい。

また測定データに基づいて、密閉式ゴム混練機２２が備えるラムが所定の下方位置（例えば位置ｈ１）に配置された状態で混練を行う複数のステージのそれぞれについての、当該ステージに対応付けられる数の要素を含む入力特徴量データが生成されてもよい。ここで例えば密閉式ゴム混練機２２が備えるラムが所定の下方位置に配置された状態である時間範囲の測定データに基づいて、複数のステージのそれぞれについての、当該ステージに対応付けられる数の要素を含む入力特徴量データが生成されてもよい。

図６は、入力特徴量データのデータ構造の別の一例を示す図である。図６には、複数のステージのそれぞれに対応付けられる数の要素を含む入力特徴量データのデータ構造の一例が示されている。図６に例示する入力特徴量データには、３つのステージのそれぞれについて６個、計１８個の要素が含まれている。当該入力特徴量データでは例えば測定データに含まれるａ（１）～ａ（Ｎ）の要素のうち、第１ステージの時間範囲の要素が抽出され、その最小値、平均値、最大値がそれぞれａ［ｍｉｎ（１）］、ａ［ａｖｅ（１）］、ａ［ｍａｘ（１）］の要素として設定される。また例えば、第２ステージの時間範囲の要素が抽出され、その最小値、平均値、最大値がそれぞれａ［ｍｉｎ（２）］、ａ［ａｖｅ（２）］、ａ［ｍａｘ（２）］の要素として設定される。また例えば、第３ステージの時間範囲の要素が抽出され、その最小値、平均値、最大値がそれぞれａ［ｍｉｎ（３）］、ａ［ａｖｅ（３）］、ａ［ｍａｘ（３）］の要素として設定される。

同様に、測定データに含まれるｂ（１）～ｂ（Ｎ）の要素のうち、第１ステージの時間範囲の要素が抽出され、その最小値、平均値、最大値がそれぞれｂ［ｍｉｎ（１）］、ｂ［ａｖｅ（１）］、ｂ［ｍａｘ（１）］の要素として設定される。また例えば、第２ステージの時間範囲の要素が抽出され、その最小値、平均値、最大値がそれぞれｂ［ｍｉｎ（２）］、ｂ［ａｖｅ（２）］、ｂ［ｍａｘ（２）］の要素として設定される。また例えば、第３ステージの時間範囲の要素が抽出され、その最小値、平均値、最大値がそれぞれｂ［ｍｉｎ（３）］、ｂ［ａｖｅ（３）］、ｂ［ｍａｘ（３）］の要素として設定される。

このように、ラムが所定の下方位置に配置された状態で混練を行う複数のステージのそれぞれについての、当該ステージに対応付けられる、測定データが示す測定値の代表値を、要素として含む入力特徴量データが生成されてもよい。

図６に例示する入力特徴量データが用いられる場合も、測定データに含まれる要素の数がいくつであっても、所定数の要素を含む入力特徴量データが生成されることとなる。なおこの場合、学習入力特徴量データのデータ構造も、ターゲット入力特徴量データのデータ構造も、図６に示すものとなる。

またこの場合、例えば、所定の下方位置に配置された状態のラムの位置が不安定であるか否かが例えば位置を示す値ｈの分散に基づいて判定されてもよい。そしてラムの位置が不安定であると判定された場合は、当該測定データを学習や推定に用いないことが決定されてもよい。また例えば、密閉式ゴム混練機２２が備えるラムが所定の下方位置に配置された状態である時間範囲の測定データに値が０である要素が含まれる場合は、当該測定データを学習や推定に用いないことが決定されてもよい。また例えば、図６に例示する入力特徴量データに値が０である要素が含まれる場合は、当該入力特徴量データを学習や推定に用いないことが決定されてもよい。

また例えば複数のステージのそれぞれについて、当該ステージに対応付けられる時間範囲の測定データから、当該ステージに対応付けられる数の要素がサンプリングされてもよい。ここで各ステージについて同じ数の要素がサンプリングされてもよいし、異なる数の要素がサンプリングされてもよい。そして複数のステージについてサンプリングされた要素を含む入力特徴量データが生成されてもよい。また例えば複数のステージのそれぞれについて、当該ステージに対応付けられる時間範囲の測定データが示す測定値を補間することにより、当該ステージに対応付けられる数の要素を含む入力特徴量データが生成されてもよい。

また例えば、ラムが所定の上方位置に配置された状態で混練を行う際の測定データに基づいて、入力特徴量データが生成されてもよい。例えばラムが最初に所定の下方位置（例えば位置ｈ１）に配置されるまでにおける、ラムが所定の上方位置（例えば位置ｈ３）に配置された状態で混練を行う際の測定データに基づいて、入力特徴量データが生成されてもよい。例えば時刻ｔ１までに測定された密閉式ゴム混練機２２の状態を表す測定値の時系列を示す測定データに基づいて、入力特徴量データが生成されてもよい。

ここで、本実施形態に係る情報処理装置１０で行われる学習処理の流れの一例を、図７に例示するフロー図を参照しながら説明する。ここでは例えば複数の学習データが学習データ記憶部３２に記憶されていることとする。

まず、学習データ取得部３４が、学習データ記憶部３２に記憶されている複数の学習データのうち、Ｓ１０２～Ｓ１０４に示す処理が実行されていないものを１つ取得する（Ｓ１０１）。

そして学習データ利用決定部３６が、Ｓ１０１に示す処理で取得された学習データに含まれる学習測定データが所与の条件を満足するか否かに応じて、当該学習測定データを機械学習モデル３０の学習に用いるか否かを決定する（Ｓ１０２）。

ここで学習に用いることが決定された場合は（Ｓ１０２：Ｙ）、学習入力特徴量データ生成部３８が、Ｓ１０１に示す処理で取得された学習データに含まれる学習測定データに基づいて、学習入力特徴量データを生成する（Ｓ１０３）。

そして、学習部４０が、Ｓ１０３に示す処理で生成された学習入力特徴量データを機械学習モデル３０に入力した際の出力を用いた、機械学習モデル３０の学習を実行する（Ｓ１０４）。ここで例えば、当該出力と、Ｓ１０１に示す処理で取得された学習データに含まれる教師データと、の差に基づいて、機械学習モデル３０のパラメータの値が更新されてもよい。

そして学習部４０が、学習データ記憶部３２に記憶されている複数の学習データのすべてについてＳ１０２～Ｓ１０４に示す処理が実行されたか否かを確認する（Ｓ１０５）。Ｓ１０２に示す処理で学習測定データを機械学習モデル３０の学習に用いないことが決定された場合も（Ｓ１０２：Ｎ）同様に、学習部４０が、学習データ記憶部３２に記憶されている複数の学習データのすべてについてＳ１０２～Ｓ１０４に示す処理が実行されたか否かを確認する（Ｓ１０５）。

学習データ記憶部３２に記憶されている複数の学習データのすべてについてＳ１０２～Ｓ１０４に示す処理が実行されていないことが確認された場合は（Ｓ１０５：Ｎ）、Ｓ１０１に示す処理に戻る。

学習データ記憶部３２に記憶されている複数の学習データのすべてについてＳ１０２～Ｓ１０４に示す処理が実行されたことが確認された場合は（Ｓ１０５：Ｙ）、本処理例に示す処理は終了される。

次に、本実施形態に係る情報処理装置１０で行われる推定処理の流れの一例を、図８に例示するフロー図を参照しながら説明する。

まず、ターゲット測定データ取得部４２が、ターゲット測定データを取得する（Ｓ２０１）。

そしてターゲット測定データ利用決定部４４が、Ｓ２０１に示す処理で取得されたターゲット測定データが所与の条件を満足するか否かに応じて、当該ターゲット測定データを推定に用いるか否かを決定する（Ｓ２０２）。ここで推定に用いないことが決定された場合は（Ｓ２０２：Ｎ）、本処理例に示す処理は終了される。

推定に用いることが決定された場合は（Ｓ２０２：Ｙ）、ターゲット入力特徴量データ生成部４６が、Ｓ２０１に示す処理で取得されたターゲット測定データに基づいて、ターゲット入力特徴量データを生成する（Ｓ２０３）。

そして、推定部４８が、Ｓ２０３に示す処理で生成されたターゲット入力特徴量データを機械学習モデル３０に入力した際の出力に基づいて、当該混練バッチの混練の異常度を推定する（Ｓ２０４）。

そして、ドロップドア制御部５０が、Ｓ２０４に示す処理における推定の結果に応じた、密閉式ゴム混練機２２のドロップドアの開閉制御を実行して（Ｓ２０５）、本処理例に示す処理は終了される。

なお、本発明は上述の実施形態に限定されるものではない。

また、上記の具体的な数値や文字列、並びに、図面中の具体的な数値や文字列は例示であり、これらの数値や文字列には限定されない。

１０情報処理装置、１２プロセッサ、１４記憶部、１６通信部、１８表示部、２０操作部、２２密閉式ゴム混練機、３０機械学習モデル、３２学習データ記憶部、３４学習データ取得部、３６学習データ利用決定部、３８学習入力特徴量データ生成部、４０学習部、４２ターゲット測定データ取得部、４４ターゲット測定データ利用決定部、４６ターゲット入力特徴量データ生成部、４８推定部、５０ドロップドア制御部。

Claims

密閉式ゴム混練機により未加硫ゴムの混練バッチを混練する際の当該混練バッチの混練の異常度の推定に用いられる機械学習モデルの学習を実行する混練異常度学習装置であって、
複数の前記混練バッチのそれぞれにそれぞれが対応するとともに、当該混練バッチの混練の開始から終了までの時間の長さに応じた数の要素を含む、前記密閉式ゴム混練機の状態を表す測定値の時系列を示す測定データを複数取得する測定データ取得手段と、
前記複数の測定データのそれぞれについて、当該測定データに基づいて、当該測定データに対応付けられる、前記開始から前記終了までの時間の長さによらない所定数の要素を含む入力特徴量データを生成する入力特徴量データ生成手段と、
複数の前記入力特徴量データのそれぞれについての、当該入力特徴量データを前記機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行する学習手段と、
を含み、
前記入力特徴量データ生成手段は、前記密閉式ゴム混練機が備えるラムが所定の下方位置に配置された状態で混練を行う複数のステージのそれぞれについての、当該ステージに対応付けられる、前記各測定データが示す測定値の代表値を要素として含む前記入力特徴量データを生成する、
ことを特徴とする混練異常度学習装置。
前記測定データ取得手段が取得する測定データが所与の条件を満足するか否かに応じて、当該測定データを前記機械学習モデルの学習に用いるか否かを決定する決定手段、をさらに含み、
前記入力特徴量データ生成手段は、前記機械学習モデルの学習に用いることが決定される前記測定データに基づいて、前記入力特徴量データを生成する、
ことを特徴とする請求項１に記載の混練異常度学習装置。
前記決定手段は、前記測定データ取得手段が取得する測定データが示す測定値が測定される前記開始から前記終了までの時間の長さが所定の範囲に含まれるか否かに応じて、当該測定データを前記機械学習モデルの学習に用いるか否かを決定する、
ことを特徴とする請求項２に記載の混練異常度学習装置。
前記入力特徴量データ生成手段は、前記密閉式ゴム混練機が備えるラムが最初に所定の下方位置に配置されるまでにおける、前記ラムが所定の上方位置に配置された状態で混練を行う際の前記測定データに基づいて、前記入力特徴量データを生成する、
ことを特徴とする請求項１から３のいずれか一項に記載の混練異常度学習装置。
密閉式ゴム混練機により未加硫ゴムの混練バッチを混練する際の当該混練バッチの混練の異常度を推定する混練異常度推定装置であって、
前記混練バッチの混練の開始から終了までの時間の長さに応じた数の要素を含む、前記密閉式ゴム混練機の状態を表す測定値の時系列を示す測定データを取得する測定データ取得手段と、
前記測定データに基づいて、前記開始から前記終了までの時間の長さによらない所定数の要素を含む入力特徴量データを生成する入力特徴量データ生成手段と、
複数の学習混練バッチのそれぞれにそれぞれが対応するとともに、当該学習混練バッチの混練の開始から終了までの時間の長さに応じた数の要素を含む、前記密閉式ゴム混練機の状態を表す測定値の時系列を示す複数の学習測定データにそれぞれが対応付けられる、前記開始から前記終了までの時間の長さによらない所定数の要素を含む複数の学習入力特徴量データを用いた学習が実行済である学習済の機械学習モデルに、前記入力特徴量データを入力した際の出力に基づいて、前記混練バッチの混練の異常度を推定する推定手段と、
を含み、
前記入力特徴量データ生成手段は、前記密閉式ゴム混練機が備えるラムが所定の下方位置に配置された状態で混練を行う複数のステージのそれぞれについての、当該ステージに対応付けられる、前記測定データが示す測定値の代表値を要素として含む前記入力特徴量データを生成し、
前記複数の学習入力特徴量データは、前記複数のステージのそれぞれについての、当該ステージに対応付けられる、前記各学習測定データが示す測定値の代表値を要素として含む、
ことを特徴とする混練異常度推定装置。
前記測定データ取得手段が取得する測定データが所与の条件を満足するか否かに応じて、当該測定データを推定に用いるか否かを決定する決定手段、をさらに含み、
前記入力特徴量データ生成手段は、推定に用いることが決定される前記測定データに基づいて、前記入力特徴量データを生成する、
ことを特徴とする請求項５に記載の混練異常度推定装置。
前記決定手段は、前記測定データ取得手段が取得する測定データが示す測定値が測定される前記開始から前記終了までの時間の長さが所定の範囲に含まれるか否かに応じて、当該測定データを推定に用いるか否かを決定する、
ことを特徴とする請求項６に記載の混練異常度推定装置。
前記入力特徴量データ生成手段は、前記密閉式ゴム混練機が備えるラムが最初に所定の下方位置に配置されるまでにおける、前記ラムが所定の上方位置に配置された状態で混練を行う際の前記測定データに基づいて、前記入力特徴量データを生成する、
ことを特徴とする請求項５から７のいずれか一項に記載の混練異常度推定装置。
密閉式ゴム混練機により未加硫ゴムの混練バッチを混練する際の当該混練バッチの混練の異常度の推定に用いられる機械学習モデルの学習を実行する混練異常度学習方法であって、
複数の前記混練バッチのそれぞれにそれぞれが対応するとともに、当該混練バッチの混練の開始から終了までの時間の長さに応じた数の要素を含む、前記密閉式ゴム混練機の状態を表す測定値の時系列を示す測定データを複数取得する測定データ取得ステップと、
前記複数の測定データのそれぞれについて、当該測定データに基づいて、当該測定データに対応付けられる、前記開始から前記終了までの時間の長さによらない所定数の要素を含む入力特徴量データを生成する入力特徴量データ生成ステップと、
複数の前記入力特徴量データのそれぞれについての、当該入力特徴量データを前記機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行する学習ステップと、
を含み、
前記入力特徴量データ生成ステップは、前記密閉式ゴム混練機が備えるラムが所定の下方位置に配置された状態で混練を行う複数のステージのそれぞれについての、当該ステージに対応付けられる、前記各測定データが示す測定値の代表値を要素として含む前記入力特徴量データを生成する、
ことを特徴とする混練異常度学習方法。
密閉式ゴム混練機により未加硫ゴムの混練バッチを混練する際の当該混練バッチの混練の異常度を推定する混練異常度推定方法であって、
前記混練バッチの混練の開始から終了までの時間の長さに応じた数の要素を含む、前記密閉式ゴム混練機の状態を表す測定値の時系列を示す測定データを取得する測定データ取得ステップと、
前記測定データに基づいて、前記開始から前記終了までの時間の長さによらない所定数の要素を含む入力特徴量データを生成する入力特徴量データ生成ステップと、
複数の学習混練バッチのそれぞれにそれぞれが対応するとともに、当該学習混練バッチの混練の開始から終了までの時間の長さに応じた数の要素を含む、前記密閉式ゴム混練機の状態を表す測定値の時系列を示す複数の学習測定データにそれぞれが対応付けられる、前記開始から前記終了までの時間の長さによらない所定数の要素を含む複数の学習入力特徴量データを用いた学習が実行済である学習済の機械学習モデルに、前記入力特徴量データを入力した際の出力に基づいて、前記混練バッチの混練の異常度を推定する推定ステップと、
を含み、
前記入力特徴量データ生成ステップは、前記密閉式ゴム混練機が備えるラムが所定の下方位置に配置された状態で混練を行う複数のステージのそれぞれについての、当該ステージに対応付けられる、前記測定データが示す測定値の代表値を要素として含む前記入力特徴量データを生成し、
前記複数の学習入力特徴量データは、前記複数のステージのそれぞれについての、当該ステージに対応付けられる、前記各学習測定データが示す測定値の代表値を要素として含む、
ことを特徴とする混練異常度推定方法。
密閉式ゴム混練機により未加硫ゴムの混練バッチを混練する際の当該混練バッチの混練の異常度の推定に用いられる機械学習モデルの学習を実行するコンピュータに、
複数の前記混練バッチのそれぞれにそれぞれが対応するとともに、当該混練バッチの混練の開始から終了までの時間の長さに応じた数の要素を含む、前記密閉式ゴム混練機の状態を表す測定値の時系列を示す測定データを複数取得する測定データ取得手順、
前記複数の測定データのそれぞれについて、当該測定データに基づいて、当該測定データに対応付けられる、前記開始から前記終了までの時間の長さによらない所定数の要素を含む入力特徴量データを生成する入力特徴量データ生成手順、
複数の前記入力特徴量データのそれぞれについての、当該入力特徴量データを前記機械学習モデルに入力した際の出力を用いて、前記機械学習モデルの学習を実行する学習手順、
を実行させ、
前記入力特徴量データ生成手順は、前記密閉式ゴム混練機が備えるラムが所定の下方位置に配置された状態で混練を行う複数のステージのそれぞれについての、当該ステージに対応付けられる、前記各測定データが示す測定値の代表値を要素として含む前記入力特徴量データを生成する、
ことを特徴とするプログラム。
密閉式ゴム混練機により未加硫ゴムの混練バッチを混練する際の当該混練バッチの混練の異常度を推定するコンピュータに、
前記混練バッチの混練の開始から終了までの時間の長さに応じた数の要素を含む、前記密閉式ゴム混練機の状態を表す測定値の時系列を示す測定データを取得する測定データ取得手順、
前記測定データに基づいて、前記開始から前記終了までの時間の長さによらない所定数の要素を含む入力特徴量データを生成する入力特徴量データ生成手順、
複数の学習混練バッチのそれぞれにそれぞれが対応するとともに、当該学習混練バッチの混練の開始から終了までの時間の長さに応じた数の要素を含む、前記密閉式ゴム混練機の状態を表す測定値の時系列を示す複数の学習測定データにそれぞれが対応付けられる、前記開始から前記終了までの時間の長さによらない所定数の要素を含む複数の学習入力特徴量データを用いた学習が実行済である学習済の機械学習モデルに、前記入力特徴量データを入力した際の出力に基づいて、前記混練バッチの混練の異常度を推定する推定手順、
を実行させ、
前記入力特徴量データ生成手順は、前記密閉式ゴム混練機が備えるラムが所定の下方位置に配置された状態で混練を行う複数のステージのそれぞれについての、当該ステージに対応付けられる、前記測定データが示す測定値の代表値を要素として含む前記入力特徴量データを生成し、
前記複数の学習入力特徴量データは、前記複数のステージのそれぞれについての、当該ステージに対応付けられる、前記各学習測定データが示す測定値の代表値を要素として含む、
ことを特徴とするプログラム。