JP7380932B2 - プロセス推定方法及び装置 - Google Patents

Description

本発明は、材料の製造時のプロセスを推定するプロセス推定方法及び装置、特に、材料の製造時のプロセスを推定する際にコンピュータにより実行されるプロセス推定方法及びコンピュータを用いるプロセス推定装置に関する。

近年、データマイニングなどの情報科学を利用して新材料や代替材料を効率的に探索するマテリアルズインフォマティクス（Ｍａｔｅｒｉａｌｓ Ｉｎｆｏｒｍａｔｉｃｓ）が注目されている。また、日本では、マテリアルズインテグレーション（Ｍａｔｅｒｉａｌｓ Ｉｎｔｅｇｒａｔｉｏｎ）による材料開発が検討されている。マテリアルズインテグレーションとは、材料科学の成果に、理論、実験、解析、シミュレーション、データベースなどの科学技術を融合して、材料の研究開発を支援することを目指す総合的な材料技術ツールと定義されている。

例えば、特許文献１では、複数の組成からなる材料、または、複数の製造条件の組合せにより製造される材料を含む設計対象材料を設計するための材料設計装置を開示している。この装置は、設計対象材料の設計条件を含む入力情報と材料特性値を含む出力情報との対応関係を機械学習により取得した学習済みモデルを利用している。

国際公開第２０２０／０９０８４８号

ところで、新材料等の開発は、研究開発用の小規模の製造装置を用いて行われ、その後、必要に応じてより大規模な製造装置での試験を経て、最終的に工場等の量産用の製造装置で安定して製造するための条件を検討することが多い。そのため、量産に至るまでに多くの実験（試験的な製造）を繰り返す必要があり、材料の無駄が非常に多くなってしまったり、多くの時間を要してしまうという課題があった。

この課題を解決するためには、例えば、研究開発用の小規模の製造装置で開発した新材料を量産用の製造装置で再現性よく製造する等、異なる製造装置間で製造される材料の再現性を高める必要がある。しかしながら、例えば研究開発用と量産用の製造装置とでは、設備の規模や使用状況、環境、経年劣化度合等が異なり、また同じ装置を用いている場合でも装置間の個体差が存在している。さらには、例えば加熱方式等が異なるなど、方式が全く異なる装置を用いている場合もある。そのため、異なる製造装置間で、新材料等の材料を再現性よく製造することが困難であった。

そこで、本発明は、異なる製造装置であっても再現性よく材料を製造可能なプロセス推定方法及び装置を提供することを目的とする。

本発明は、上記課題を解決することを目的として、所定の対象工程を含む少なくとも１つ以上の工程を経て材料を製造する第１製造装置における前記対象工程でのプロセス情報を含む第１プロセスデータを基に、前記第１製造装置とは異なる装置であり、かつ前記対象工程を含む少なくとも１つ以上の工程を経て材料を製造する第２製造装置における前記対象工程でのプロセス情報を含む第２プロセスデータを推定するプロセス推定方法であって、前記第１プロセスデータと、前記第１製造装置における前記対象工程後のサンプルから得られる組織データとの関係を機械学習し、前記第１プロセスデータと該組織データとの相関性を表す第１回帰モデルを作成すると共に、前記第２プロセスデータと、前記第２製造装置における前記対象工程後のサンプルから得られる組織データとの関係を機械学習し、前記第２プロセスデータと該組織データとの相関性を表す第２回帰モデルを作成し、前記第１回帰モデルと前記第２回帰モデルとを基に、前記第１プロセスデータと前記第２プロセスデータの相関性を表す第３回帰モデルを作成し、前記第３回帰モデルを用いて、任意の推定元の前記第１プロセスデータである推定元第１プロセスデータに応じた前記第２プロセスデータである推定第２プロセスデータを推定する、プロセス推定方法を提供する。

また、本発明は、上記課題を解決することを目的として、所定の対象工程を含む少なくとも１つ以上の工程を経て材料を製造する第１製造装置における前記対象工程でのプロセス情報を含む第１プロセスデータを基に、前記第１製造装置とは異なる装置であり、かつ前記対象工程を含む少なくとも１つ以上の工程を経て材料を製造する第２製造装置における前記対象工程でのプロセス情報を含む第２プロセスデータを推定するプロセス推定装置であって、前記第１プロセスデータと、前記第１製造装置における前記対象工程後のサンプルから得られる組織データとの関係を機械学習し、前記第１プロセスデータと該組織データとの相関性を表す第１回帰モデルを作成する第１回帰モデル作成処理部と、前記第２プロセスデータと、前記第２製造装置における前記対象工程後のサンプルから得られる組織データとの関係を機械学習し、前記第２プロセスデータと該組織データとの相関性を表す第２回帰モデルを作成する第２回帰モデル作成処理部と、前記第１回帰モデルと前記第２回帰モデルとを基に、前記第１プロセスデータと前記第２プロセスデータの相関性を表す第３回帰モデルを作成する第３回帰モデル作成処理部と、前記第３回帰モデルを用いて、任意の推定元の前記第１プロセスデータである推定元第１プロセスデータに応じた前記第２プロセスデータである推定第２プロセスデータを推定するプロセス推定処理部と、を備えた、プロセス推定装置を提供する。

本発明によれば、異なる製造装置であっても再現性よく材料を製造可能なプロセス推定方法及び装置を提供できる。

本発明の一実施の形態に係るプロセス推定装置を含むネットワークシステムの概略構成図である。 熱重量測定装置を説明する説明図である。 （ａ）は、熱重量測定装置の温度プロファイル（破線）および測定値（実線）を示すグラフの例であり、（ｂ）は、（ａ）の測定データに基づく、ＴＧ測定値の温度依存性の例を示すグラフであり、（ｃ）は、（ｂ）に示されるＴＧ測定値の曲線の温度での１階微分を示すグラフである。 第１学習用データの一例を示す図である。 （ａ）～（ｄ）は、第１～第３回帰モデル作成処理、及びプロセス推定処理を説明する説明図である。 プロセス推定装置の利用方法を説明する図である。 プロセス推定装置の利用方法を説明する図である。 プロセス推定装置の利用方法を説明する図である。 本発明の一実施の形態に係るプロセス推定方法の制御フローを示すフロー図である。 本発明の一実施の形態に係るプロセス推定方法の制御フローを示すフロー図である。 本発明の一実施の形態に係るプロセス推定方法の制御フローを示すフロー図である。 設定処理の制御フローを示すフロー図である。 第１学習用データ取得処理、及び第１学習用データ送信処理の制御フローを示すフロー図である。 第１回帰モデル作成処理の制御フローを示すフロー図である。 第２学習用データ取得処理、及び第２学習用データ送信処理の制御フローを示すフロー図である。 第２回帰モデル作成処理の制御フローを示すフロー図である。 推定元第１プロセスデータ取得処理、及び推定元第１プロセスデータ送信処理の制御フローを示すフロー図である。 プロセス推定処理の制御フローを示すフロー図である。 推定第２プロセスデータ送信処理、及び推定第２プロセスデータ受信処理の制御フローを示すフロー図である。

［実施の形態］
以下、本発明の実施の形態を添付図面にしたがって説明する。

（ネットワークシステム）
図１は、本発明の一実施の形態に係るプロセス推定装置１を含むネットワークシステム１００の概略構成図である。図１に示すように、ネットワークシステム１００は、第１製造装置２１０を有する研究サイト２００に設けられた研究サイト側データ管理装置２２０と、第２製造装置３１０を有する量産サイト３００に設けられた量産サイト側データ管理装置３２０と、プロセス推定装置１とを、ネットワーク１０１を介して相互に通信可能に接続して構成されている。ネットワーク１０１としては、例えばインターネットや、専用のイントラネット等を用いることができる。

（製造する材料について）
以下の説明では、製造する材料がセラミックス材料である場合について説明する。さらに、本実施の形態では、製造するセラミック材料が、磁性材料であるフェライト磁石である場合について説明する。フェライト磁石は、金属酸化物（酸化鉄）や金属の無機塩（炭酸ストロンチウム）などを原料（素原料）として用い、混合工程、仮焼工程、微粉砕工程、成形工程、及び焼成工程（焼結工程ともいう）を経て製造される。各工程の詳細については後述する。

なお、製造する材料はフェライト磁石等の磁性材料に限定されず、またセラミックス材料にも限定されない。例えば、電線の外皮等に用いる樹脂又はゴム等を用いた複合材料にも、本発明は適用可能である。

（研究サイト２００）
研究サイト２００は、新材料の開発を行う研究開発用のサイトであり、少量の材料（ここではフェライト磁石）を製造可能な小規模な研究設備である第１製造装置２１０を有している。この研究サイト２００で開発した新材料等を、後述する量産サイト３００で量産することになる。研究サイト２００は、第１製造装置２１０と、第１製造装置２１０を制御する第１製造装置用制御装置２３０と、研究サイト側データ管理装置２２０と、組織データ分析エリア２４０と、を有している。

（第１製造装置２１０）
上記のように、本実施の形態では、第１製造装置２１０は、フェライト磁石を製造する装置となっている。より具体的には、第１製造装置２１０は、仮焼工程を行う仮焼装置２１１と、微粉砕工程を行う微粉砕装置２１２と、成形工程を行う成形装置２１３と、及び、焼成工程を行う焼成装置２１４と、を備えている。ただし、第１製造装置２１０は図示のものに限定されず、製造する材料に応じた装置で構成されていればよい。

ここで、本実施の形態では、第１製造装置２１０は、混合工程を行う混合装置を備えていない。そして、第１製造装置２１０では、後述する量産サイト３００の量産設備である第２製造装置３１０における混合装置３１１で混合した混合材料を用いてフェライト磁石の製造を行う。これにより、第１及び第２製造装置２１０，３１０で同じ混合材料が用いられることになり、第１及び第２製造装置２１０，３１０間での製造の再現性をより高めることが可能になる。

仮焼装置２１１では、混合粉末を加熱することで素原料を反応させ、フェライト磁石の主相となるマグネトプランバイト型結晶相（Ｍ相）を主体とした組織を有する仮焼体を得る。微粉砕装置２１２では、仮焼体を粗粉砕してから微粉砕を行うことで、典型的には１μｍ以下の粒子が主体となる粉末を得る。粉末粒径を小さくすることで次工程での磁場中成形で微粉末の向きを揃えやすくなり、残留磁束密度を高めやすくなったり、最終的な磁石としての主相結晶粒も微細になり、保磁力を高めやすくなる。

成形装置２１３では、微粉砕装置２１２で得た粉末を金型に入れて押し固めることで、圧粉体にする。この際に、外部から磁場を付与することで、個々の粒子の向き（磁化容易方向）が揃って、焼成後に高い特性が得られる。成形装置２１３における成形方式としては、主に、微粉砕装置２１２で得た微粉末（フェライト粉末）と水が混合したスラリーを成形金型に導入し、磁場をかけて水を抜きつつ圧力をかけ成形する「湿式成形」と、水分を加えずに微粉末の状態で金型に入れ、磁場をかけ、圧力をかけて成形する「乾式成形」とが知られている。成形装置２１３における成形方式は特に限定されるものではないが、「湿式成形」の方が粒子の向きを揃えやすく高い磁気特性を得ることが可能である。焼成装置２１４では、成形装置２１３で得た成形体を焼成炉に入れて加熱することで反応を進行させて緻密化する。得られた焼成体は、機械加工などで要求される形状・寸法に加工される。以上により、フェライト磁石が製造される。

（組織データ分析エリア２４０、及び組織データについて）
また、研究サイト２００は、材料の「組織」を規定する情報を取得し組織データを得るための組織データ分析エリア２４０を有している。組織データは、材料を構成する各相の割合、結晶構造、分子構造、単結晶／多結晶／アモルファスの区別、多結晶の場合における結晶粒の形状およびサイズ、結晶方位、粒界、双晶または積層欠陥、転位などの欠陥の種類および密度、粒界および粒内の溶質元素の偏析などに関する情報を含み得る。

本実施の形態では、従来一般には、材料の「特性」を規定する情報（特性データ）として扱われていた「磁気相転移」に関する情報を、組織データとして用いる。つまり、組織データは、個々の材料における磁化温度依存性に基づく特徴量を含む。

ここで、「磁化温度依存性に基づく特徴量」について説明する。磁気相転移の代表例は「強磁性－常磁性転移」である。このような磁気相転移が起こる温度は、キュリー温度（Ｔ_Ｃ）またはキュリー点と呼ばれる。材料のキュリー温度は、材料を構成する相の結晶構造および組成などに強く依存するため、組織データとして用いることができる。また、「磁化温度依存性に基づく特徴量」の取得は、データを採取する者の個人的な技能によってデータの質が変動することが少なく、機械的にデータを取得することが可能であるというメリットがある。なお、「磁気相転移に関する特徴量」は、「強磁性－常磁性転移」によって生じる組織的特徴を示す特徴量であり、キュリー温度によって規定され得る。ただし、「強磁性」は、「フェロ磁性」のみならず、「フェリ磁性」も含むものとする。また、「反強磁性－常磁性転移」によって生じる組織的特徴を示す特徴量を利用してもよい。そのような特徴量は、ネール温度によって規定される。つまり、磁化温度依存性に基づく特徴量の例は、磁気相転移に関する特徴量を含み、より具体的には、キュリー温度およびネール温度の少なくとも一方である。

キュリー温度の測定は、簡便かつ高感度での測定が可能な熱重量測定装置（ＴＧ：Ｔｈｅｒｍｏｇｒａｖｉｍｅｔｒｙ）２４１を用いて行うとよい。図２に示すように、熱重量測定装置２４１は、容器に入れたサンプル（測定試料）５００を保持するホルダー５０１を一端に有するビーム部５０２と、サンプル５００を加熱するヒーター５０３を有する電気炉５０４と、ビーム部５０２の他端に接続されてサンプル５００の重量変化を検出する重量測定部５０５とを備えている。ビーム部５０２は、支点として機能する支持部５０６によって支持されている。

熱重量測定装置２４１では、重量測定部５０５が、サンプル５００を加熱した時にサンプル５００で起こる熱分解などの反応に伴う重量変化を測定する。磁気相転移に関する特徴量を抽出する場合は、測定時にサンプル５００の外部から磁場勾配を付与する。これにより、図２の白い矢印で示されるようにサンプル５００に磁気的な吸引力を及ぼすことができる。その結果、サンプル５００の重量には磁気吸引力が重畳され、重量測定部５０５が測定する「重量」の値には、サンプル５００に及ぶ磁気的吸引力も含まれることになる。磁気的吸引力は、サンプル５００の「磁化」の大きさに対応する。このため、サンプル５００で強磁性から常磁性への相転移が生じると、サンプル５００の磁化が急激に変化するため、重量測定部５０５によって測定される「重量」の変化として相転移を検出することが可能になる。

図３（ａ）は、熱重量測定装置２４１の測定中における試料設置部の温度Ｔ（破線）およびＴＧ測定値ｗ（実線）を示すグラフの例である。ＴＧ測定値ｗは、サンプル５００の重量と、アルミナ製の容器（パン）の重量と、磁気的吸引力とが重畳した値である。パンおよびサンプル５００の重量は温度によって変化しないため、ＴＧ測定値ｗの変化は、サンプル５００が受ける磁力の大きさの変化、すなわちサンプル５００の磁化の大きさの変化に対応している。

図３（ｂ）は、図３（ａ）の測定データに基づく、ＴＧ測定値ｗの温度依存性を示すグラフである。図３（ｂ）のグラフにおいて、ＴＧ測定値ｗは、矢印Ａおよび矢印Ｂで示される位置（温度）で急激に変化している。このＴＧ測定値（重量）の急激な変化は、試料に含まれる相（強磁性相）の強磁性－常磁性転移に起因している。そして、ＴＧ測定値ｗ（重量）の変化量は、試料中の強磁性相の磁化および体積比率を反映している。

図３（ｃ）は、図３（ｂ）に示される曲線の温度Ｔでの１階微分を示すグラフである。図３（ｃ）には、図３（ｂ）の矢印Ａおよび矢印Ｂに相当する矢印Ａおよび矢印Ｂが同じ位置（温度）に示されている。図３（ｃ）の矢印Ａおよび矢印Ｂの位置で極小値を取る温度が、キュリー温度Ｔ_Ｃである。なお、キュリー温度Ｔ_Ｃは、他の手法によって決定されてもよい。ただし、キュリー温度Ｔ_Ｃを組織データとして機械学習に利用するため、キュリー温度Ｔ_Ｃを取得する方法は統一しておくことが好ましい。

組織データ分析エリア２４０には、組織データを分析するための装置として、熱重量測定装置２４１以外に、例えば、Ｘ線回折装置２４２、光学顕微鏡２４３等が備えられていてもよい。Ｘ線回折装置２４２は、例えば、Ｘ線回折法（ＸＲＤ：Ｘ－Ｒａｙ Ｄｉｆｆｒａｃｔｉｏｎ）により、材料中に存在する相（化合物）の種類や割合、格子定数等を求めるために用いられる。光学顕微鏡２４３は、例えば、各相のサイズを測定するために用いられる。なお、組織データを分析するための装置は図示のものに限定されず、例えば、光学顕微鏡２４３に替えて走査電子顕微鏡（ＳＥＭ：Ｓｃａｎｎｉｎｇ Ｅｌｅｃｔｒｏｎ Ｍｉｃｒｏｓｃｏｐｅ）を用いてもよい。また、各相の組成については、例えば、ＳＥＭに付属するエネルギー分散分光装置（ＥＤＸ：Ｅｎｅｒｇｙ Ｄｉｓｐｅｒｓｉｖｅ Ｘ－ｒａｙ ｓｐｅｃｔｒｏｓｃｏｐｙ）や、電子線プローブマイクロアナライザー（ＥＰＭＡ：Ｅｌｅｃｔｒｏｎ Ｐｒｏｂｅ Ｍｉｃｒｏ Ａｎａｌｙｚｅｒ）などによって求めるようにしてもよい。

組織データ分析エリア２４０で取得された組織データ４１２は、第１製造装置用制御装置２３０に入力される。例えば、組織データ分析エリア２４０に図示しない分析用のパーソナルコンピュータを備え、そのパーソナルコンピュータから第１製造装置用制御装置２３０に組織データ４１２を送信するように構成してもよい。なお、本実施の形態では組織データ分析エリア２４０で取得された組織データ４１２は、第１製造装置用制御装置２３０に入力されるが、研究サイト側データ管理装置２２０に直接入力されてもよい。

（対象工程について）
詳細は後述するが、本実施の形態では、プロセス推定装置１において、第１製造装置２１０における所定の対象工程でのプロセス情報を含む第１プロセスデータ４１１と、対象工程後の組織データ４１２との相関性を機械学習により学習する。フェライト磁石等の磁性材料を製造する場合、対象工程としては、混合工程、仮焼工程、微粉砕工程、成形工程、焼成工程の少なくともいずれか１つを選択することができる。このうち、特に、仮焼工程と焼成工程では、材料が受ける熱履歴で大きく組織が変化するため、これら仮焼工程、または焼成工程が対象工程の場合、本発明の効果が顕在化しやすい。本実施の形態では、仮焼工程後（微粉砕工程前）のサンプルを取得し、当該取得したサンプルの組織データを組織データ分析エリア２４０で取得するようにした。

（第１製造装置用制御装置２３０）
第１製造装置用制御装置２３０は、第１製造装置２１０を制御（あるいは管理、監視）する装置であり、例えばパーソナルコンピュータにより構成される。

第１製造装置用制御装置２３０は、第１製造装置２１０の各装置２１１～２１４への製造指示や各種設定を行うと共に、各装置２１１～２１４での生産状況の監視や、生産時の各種データの収集等を行う。なお、ここでは各装置２１１～２１４に対して１つの第１製造装置用制御装置２３０を設けているが、これに限らず、各装置２１１～２１４にそれぞれ専用の制御装置を設けてもよく、当該専用の制御装置と、第１製造装置用制御装置２３０との間で各種データの相互通信を可能に構成することも可能である。また、第１製造装置用制御装置２３０と各装置２１１～２１４間で、ＵＳＢメモリ等の記憶媒体を用いてデータのやり取りを行ってもよい。

本実施の形態では、対象工程が仮焼工程となるため、第１製造装置用制御装置２３０は、仮焼工程でのプロセス情報（例えば、酸素濃度、温度、時間、後処理方法など）を含む第１プロセスデータ４１１を、第１製造装置２１０より取得する。なお、第１製造装置用制御装置２３０が、設定情報や製造指示情報等として対象工程（ここでは仮焼工程）のプロセス情報等を自身で保有している場合には、当該保有している情報を第１プロセスデータ４１１として取得するよう構成してもよい。なお、プロセス情報は第１製造装置２１０において設定可能な運転条件でもよいし、第１製造装置２１０に設置された計器類で管理するための条件でもよい。

また第１製造装置用制御装置２３０には、組織データ分析エリア２４０で取得した組織データ４１２が入力される。なお、ここでは、組織データ分析エリア２４０にて既にデータ処理済みの組織データ４１２が入力される場合を示しているが、これに限らず、組織データ分析エリア２４０で取得した生データ（実測データ）を第１製造装置用制御装置２３０に入力し、第１製造装置用制御装置２３０にて、入力された生データ（実測データ）のデータ処理を行うことで組織データ４１２を生成するようにしてもよい。第１製造装置用制御装置２３０は、対応する第１プロセスデータ４１１と組織データ４１２とを紐づけたデータベースである第１学習用データ４１０を生成し、研究サイト側データ管理装置２２０に送信する。

（研究サイト側データ管理装置２２０）
研究サイト側データ管理装置２２０は、各種設定やデータの入出力処理等を行う制御部２２１と、記憶部２２２と、を有している。制御部２２１は、ＣＰＵ等の演算素子、メモリ、インターフェイス、ソフトウェア、記憶装置等を適宜組み合わせて実現されている。記憶部２２２は、メモリや記憶装置の所定の記憶領域により実現されている。

また、研究サイト側データ管理装置２２０には、ディスプレイ等の表示器２２３とキーボード等の入力装置２２４とが設けられている。なお、表示器２２３をタッチパネル方式のものとし、表示器２２３に入力装置２２４としての機能を兼ねさせてもよい。さらに、表示器２２３と入力装置２２４とは、研究サイト側データ管理装置２２０と無線通信するように構成されていてもよい。この場合、表示器２２３及び入力装置２２４は、例えば、スマートフォンやタブレットにより構成されていてもよい。

制御部２２１は、第１製造装置用制御装置２３０から第１学習用データ４１０を受信したとき、当該第１学習用データ４１０を記憶部２２２に記憶すると共に、第１学習用データ４１０が更新されたことを示す第１学習用データ更新信号を、ネットワーク１０１を介してプロセス推定装置１に送信する。そして、制御部２２１は、プロセス推定装置１から第１学習用データ要求信号を受信したとき、第１学習用データ４１０をプロセス推定装置１に送信する。この際の具体的な処理内容については、後述する（第１学習用データ送信処理、図１１参照）。

また、制御部２２１は、入力装置２２４から推定元第１プロセスデータ４２０が入力されたとき、推定元第１プロセスデータ４２０を記憶部２２２に記憶すると共に、プロセス推定要求信号をプロセス推定装置１に送信する。そして、制御部２２１は、プロセス推定装置１から推定元第１プロセス要求信号を受信したとき、推定元第１プロセスデータ４２０をプロセス推定装置１に送信する。この際の具体的な処理内容については、後述する（推定元第１プロセスデータ送信処理、図１５参照）。なお、推定元第１プロセスデータ４２０は、入力装置２２４以外の装置から入力されてもよい。また、推定元第１プロセスデータ４２０は、入力装置２２４の操作により、記憶部２２２に記憶された第１学習用データ４１０から選択されてもよい。

（第１学習用データ４１０）
図４は、第１学習用データ４１０の一例を示す図である。なお、図４は第１学習用データ４１０の概念を示すものであり、実際の実験データを記載したものではない。図４に示すように、第１学習用データ４１０は、少なくとも、第１プロセスデータ４１１と、組織データ４１２とを対応付けたデータベースである。本実施の形態では、第１学習用データ４１０は、第１プロセスデータ４１１及び組織データ４１２に加えて、第１製造装置２１０を特定可能な情報を含む製造装置情報４１３と、使用した混合材料の組成情報を含む組成データ４１４と、を含んでいる。

製造装置情報４１３は、例えば、工場等の名称、生産ラインＮｏ．等の情報を含む。製造装置情報４１３は、例えば、工場や生産ラインの識別番号や、第１製造装置２１０の各装置２１１～２１４の型式、メーカー、方式、容量等の各種情報を含んでいてもよい。組成データ４１４は、混合材料を識別するための材料ＩＤ、混合材料の組成等の情報を含む。対象工程を仮焼工程とする場合、第１プロセスデータ４１１は、例えば、酸素濃度、温度、時間、後処理方法等の情報を含む。なお、第１プロセスデータ４１１は、対象工程（ここでは仮焼工程）のプロセス情報だけでなく、他の工程の情報を含んでもよい。組織データ４１２は、例えば、図３（ｃ）の矢印Ａ，Ｂに対応するキュリー温度Ｔ_Ｃ（１）及びＴ_Ｃ（２）、主相ａ軸の長さ、主相ｂ軸の長さ、主相ｃ軸の長さ、主相格子体積等の情報を含む。なお、図示の例はあくまで一例であり、適用する材料等に応じて適宜項目を変更してもよい。また、樹脂材料を製造する場合等には、第１学習用データ４１０に特性データが含まれていても良い。

（量産サイト３００）
量産サイト３００は、例えば工場である。量産サイト３００は、例えば１回の製造で数十トンの材料を製造する大規模な量産設備である第２製造装置３１０を有している。量産サイト３００は、上記の研究サイト２００と同様に、第２製造装置３１０と、第２製造装置３１０を制御する第２製造装置用制御装置３３０と、量産サイト側データ管理装置３２０と、組織データ分析エリア３４０と、を有している。

（第２製造装置３１０）
第２製造装置３１０は、原料粉末を均一に混合する混合装置３１１と、仮焼装置３１２と、微粉砕装置３１３と、成形装置３１４と、焼成装置３１５と、を有している。仮焼装置３１２、微粉砕装置３１３、成形装置３１４、及び焼成装置３１５については、上記の第１製造装置２１０で説明したため、説明を省略する。なお、本実施の形態では、対象工程を仮焼工程としているが、仮焼工程を行う仮焼装置３１２は、第１製造装置２１０の仮焼装置２１１と加熱方式が異なっていてもよい。例えば、一方の仮焼装置３１２（または２１１）がガス炉で、他方の仮焼装置２１１（または３１２）が電気炉であってもよい。このように加熱方式が異なり、プロセスデータに用いるパラメータが全く異なるような場合であっても、本実施の形態によれば、第１プロセスデータ４１１に対応する第２プロセスデータ４３１を推定することが可能である。

（組織データ分析エリア３４０）
組織データ分析エリア３４０には、上記の研究サイト２００の組織データ分析エリア２４０と同様に、組織データを分析するための装置として、熱重量測定装置３４１、Ｘ線回折装置３４２、光学顕微鏡３４３等が備えられている。組織データ分析エリア３４０は、上記の研究サイト２００の組織データ分析エリア２４０と基本的に同じ構成であるため、詳細な説明を省略する。組織データ分析エリア３４０で取得された組織データは、第２製造装置用制御装置３３０に入力される。

（第２製造装置用制御装置３３０）
第２製造装置用制御装置３３０は、第２製造装置３１０を制御（あるいは管理、監視）する装置であり、例えばパーソナルコンピュータにより構成される。第２製造装置用制御装置３３０は、上記の研究サイト２００の第１製造装置用制御装置２３０と基本的に同じものである。

本実施の形態では、対象工程が仮焼工程となるため、第２製造装置用制御装置３３０は、仮焼工程でのプロセス情報（例えば、酸素濃度、温度、時間、後処理方法など）を含む第２プロセスデータを、第２製造装置３１０より取得する。なお、第２製造装置用制御装置３３０が、設定情報や製造指示情報等として対象工程（ここでは仮焼工程）のプロセス情報等を自身で保有している場合には、当該保有している情報を第２プロセスデータとして取得するよう構成してもよい。なお、プロセス情報は第２製造装置３１０において設定可能な運転条件でもよいし、第２製造装置３１０に設置された計器類で管理するための条件でもよい。

また第２製造装置用制御装置３３０には、組織データ分析エリア３４０で取得した組織データが入力される。第２製造装置用制御装置３３０は、対応する第２プロセスデータ４３１と組織データ４３２とを紐づけたデータベースである第２学習用データ４３０を生成し、量産サイト側データ管理装置３２０に送信する。

（量産サイト側データ管理装置３２０）
量産サイト側データ管理装置３２０は、各種設定やデータの入出力処理等を行う制御部３２１と、記憶部３２２と、を有している。制御部３２１は、ＣＰＵ等の演算素子、メモリ、インターフェイス、ソフトウェア、記憶装置等を適宜組み合わせて実現されている。記憶部３２２は、メモリや記憶装置の所定の記憶領域により実現されている。

また、量産サイト側データ管理装置３２０には、ディスプレイ等の表示器３２３とキーボード等の入力装置３２４とが設けられている。なお、表示器３２３をタッチパネル方式のものとし、表示器３２３に入力装置３２４としての機能を兼ねさせてもよい。さらに、表示器３２３と入力装置３２４とは、量産サイト側データ管理装置３２０と無線通信するように構成されていてもよい。この場合、表示器３２３及び入力装置３２４は、例えば、スマートフォンやタブレットにより構成されていてもよい。

制御部３２１は、第２製造装置用制御装置３３０から第２学習用データ４３０を受信したとき、当該第２学習用データ４３０を記憶部３２２に記憶すると共に、第２学習用データ４３０が更新されたことを示す第２学習用データ更新信号を、ネットワーク１０１を介してプロセス推定装置１に送信する。そして、制御部３２１は、プロセス推定装置１から第２学習用データ要求信号を受信したとき、第２学習用データ４３０をプロセス推定装置１に送信する。この際の具体的な処理内容については、後述する（第２学習用データ送信処理、図１３参照）。

また、制御部３２１は、プロセス推定装置１から推定第２プロセスデータ４４０を受信したとき、受信した推定第２プロセスデータ４４０を記憶部３２２に記憶する（推定第２プロセスデータ受信処理、図１７参照）。そして、制御部３２１は、受信した推定第２プロセスデータ４４０を表示器３２３に表示する。第２製造装置３１０の管理者は、表示器３２３に表示された推定第２プロセスデータ４４０を確認し、量産試験（試験製造）の際に、推定第２プロセスデータ４４０を第２製造装置用制御装置３３０へと送信する。推定第２プロセスデータ４４０を受信した第２製造装置用制御装置３３０は、第２製造装置３１０に対して推定第２プロセスデータ４４０に応じた製造指示を行い、製造試験を実施することになる。製造試験の結果を受けた補正等については、後述する。

（プロセス推定装置１）
プロセス推定装置１は、つまり、第１プロセスデータ４１１を基に、対応する第２プロセスデータ４３１を推定する装置である。以下、推定元の第１プロセスデータ４１１を推定元第１プロセスデータ４２０と呼称し、推定された第２プロセスデータ４３１を推定第２プロセスデータ４４０と呼称する。これにより、推定第２プロセスデータ４４０を用いて第２製造装置３１０で製造を行うことで、推定元第１プロセスデータ４２０を用いて第１製造装置２１０で製造した材料（ここではフェライト磁石）を、第２製造装置３１０で再現して製造することが可能になる。以下、その詳細について説明する。

プロセス推定装置１は、例えばサーバ等のネットワーク装置であり、制御部２と、記憶部３と、を有している。プロセス推定装置１の制御部２は、ＣＰＵ等の演算素子、メモリ、インターフェイス、ソフトウェア、記憶装置等を適宜組み合わせて実現されている。記憶部３は、メモリや記憶装置の所定の記憶領域により実現されている。

制御部２は、設定処理部２１、学習用データ取得処理部２２、第１回帰モデル作成処理部２３、第２回帰モデル作成処理部２４、第３回帰モデル作成処理部２５、推定元第１プロセスデータ取得処理部２６、プロセス推定処理部２７、及び推定第２プロセスデータ送信処理部２８を有している。

記憶部３には、研究サイト側データ管理装置２２０から受信した第１学習用データ４１０、及び、量産サイト側データ管理装置３２０から受信した第２学習用データ４３０が記憶されている。第１学習用データ４１０は、第１回帰モデル作成処理部２３による第１回帰モデル４５１作成の機械学習のために用いられ、第２学習用データ４３０は、第２回帰モデル作成処理部２４による第２回帰モデル４５２作成の機械学習のために用いられる。記憶部３には、第１～第３回帰モデル作成処理部２３～２５により作成された第１～第３回帰モデル４５１～４５３が記憶されている。また、記憶部３には、研究サイト側データ管理装置２２０から受信した推定元第１プロセスデータ４２０、及び、プロセス推定処理部２７による推定で得られた推定第２プロセスデータ４４０が記憶されている。

（設定処理部２１）
設定処理部２１は、プロセス推定装置１の各種設定を行うための設定処理（図１０参照）を行うものである。設定処理部２１では、例えば、学習用データ取得処理部２２によるデータ取得の方法やデータ取得日時の設定等、各種制御に係る情報の設定を行うことができる。また、設定処理部２１では、記憶部３に記憶する各種情報の登録・更新・削除等が可能である。各種情報の入力等には、不図示の入力装置、あるいは研究サイト２００や量産サイト３００に設けられた入力装置２２４，３２４を用いることができる。

（学習用データ取得処理部２２）
学習用データ取得処理部２２は、研究サイト側データ管理装置２２０から第１学習用データ４１０を取得する第１学習用データ取得処理（図１１参照）と、量産サイト側データ管理装置３２０から第２学習用データ４３０を取得する第２学習用データ取得処理（図１３参照）とを行うものである。

学習用データ取得処理部２２は、研究サイト側データ管理装置２２０から第１学習用データ更新信号を受信したとき、第１学習用データ取得処理を行う。第１学習用データ取得処理では、学習用データ取得処理部２２は、研究サイト側データ管理装置２２０に第１学習用データ４１０を要求する第１学習用データ要求信号を送信し、これに応じて研究サイト側データ管理装置２２０から送信された第１学習用データ４１０を受信して、記憶部３に記憶する。

また、学習用データ取得処理部２２は、量産サイト側データ管理装置３２０から第２学習用データ更新信号を受信したとき、第２学習用データ取得処理を行う。第２学習用データ取得処理では、学習用データ取得処理部２２は、量産サイト側データ管理装置３２０に第２学習用データ４３０を要求する第２学習用データ要求信号を送信し、これに応じて量産サイト側データ管理装置３２０から送信された第２学習用データ４３０を受信して、記憶部３に記憶する。

（第１回帰モデル作成処理部２３）
第１回帰モデル作成処理部２３は、第１製造装置２１０の製造データより、第１プロセスデータ４１１と、対象工程後（ここでは仮焼工程後）のサンプルから得られる組織データ４１２との関係を機械学習し、第１プロセスデータ４１１と組織データ４１２との相関性を表す第１回帰モデル４５１を作成する第１回帰モデル作成処理（図１２参照）を行う。

図５（ａ）に示すように、第１回帰モデル作成処理では、第１回帰モデル作成処理部２３に、第１製造装置２１０の過去の製造データである第１学習用データ４１０が入力される。第１回帰モデル作成処理部２３は、第１学習用データ４１０より、第１プロセスデータ４１１の各パラメータ（例えば、酸素濃度や温度、時間等。以下「プロセスパラメータ」とする。）に対する組織データ４１２の各パラメータ（キュリー温度Ｔ_Ｃ（１）、Ｔ_Ｃ（２）など。以下「組織パラメータ」とする。）の相関性を、機械学習により自ら学習するための学習アルゴリズム等のソフトウェアを含んでいる。学習アルゴリズムは特に限定されず、公知の学習アルゴリズムを用いることができ、例えば、３層以上の層をなすニューラルネットワークを用いた所謂ディープラーニング等を用いることができる。第１回帰モデル作成処理部２３が学習するものは、第１プロセスデータ４１１（すなわち第１製造装置２１０での製造条件）と、対象工程後の組織データ４１２（すなわち、対象工程後のサンプルの組織の状態）との相関性を表すモデル構造に相当する。

第１回帰モデル作成処理部２３は、入力された第１学習用データ４１０を基に、説明変数（第１プロセスデータ４１１）と目的変数（組織データ４１２）とを含むデータ集合に基づく学習を反復実行し、両者の相関性を自動的に解釈する。なお、学習の開始時には相関性は未知の状態であるが、学習を進めるに従って説明変数（第１プロセスデータ４１１）に対する目的変数（組織データ４１２）の相関性を徐々に解釈し、その結果として得られた学習済みモデルである第１回帰モデル４５１を用いることで、説明変数（第１プロセスデータ４１１）に対する目的変数（組織データ４１２）の相関性を解釈可能になる。

第１回帰モデル作成処理部２３は、作成した第１回帰モデル４５１を記憶部３に記憶する。本実施の形態では、第１回帰モデル作成処理部２３は、第１学習用データ４１０が更新される度に、第１回帰モデル４５１を更新する。ただし、これに限らず、例えば後述するプロセス推定処理を実行する際に、第１学習用データ４１０の更新分をまとめて学習し、第１回帰モデル４５１を更新するようにしてもよい。

（第２回帰モデル作成処理部２４）
第２回帰モデル作成処理部２４は、第２製造装置３１０の過去の製造データより、第２プロセスデータ４３１と、対象工程後（ここでは仮焼工程後）のサンプルから得られる組織データ４３２との関係を機械学習し、第２プロセスデータ４３１と組織データ４３２との相関性を表す第２回帰モデル４５２を作成する第２回帰モデル作成処理（図１４参照）を行う。

図５（ｂ）に示すように、第２回帰モデル作成処理では、第２回帰モデル作成処理部２４に、第２製造装置３１０の過去の製造データである第２学習用データ４３０が入力される。そして、第２回帰モデル作成処理部２４は、上記の第１回帰モデル作成処理部２３と同様に、入力された第２学習用データ４３０を基に、説明変数（第２プロセスデータ４３１）と目的変数（組織データ４３２）とを含むデータ集合に基づく学習を反復実行し、両者の相関性を自動的に解釈して、その結果として得られた学習済みモデルとして第２回帰モデル４５２を作成する。

第２回帰モデル作成処理部２４は、作成した第２回帰モデル４５２を記憶部３に記憶する。本実施の形態では、第２回帰モデル作成処理部２４は、第２学習用データ４３０が更新される度に、第２回帰モデル４５２を更新する。ただし、これに限らず、例えば後述するプロセス推定処理を実行する際に、第２学習用データ４３０の更新分をまとめて学習し、第２回帰モデル４５２を更新するようにしてもよい。

（第３回帰モデル作成処理部２５）
第３回帰モデル作成処理部２５は、第１回帰モデル４５１と第２回帰モデル４５２とを基に、第１プロセスデータ４１１と第２プロセスデータ４３１の相関性を表す第３回帰モデル４５３を作成する第３回帰モデル作成処理を行う。

図５（ｃ）に示すように、第３回帰モデル作成処理では、第３回帰モデル作成処理部２５に、第１回帰モデル４５１と第２回帰モデル４５２とが入力される。そして、これら第１回帰モデル４５１と第２回帰モデル４５２とを基に、組織データ４１２，４３２を仲介として、第１プロセスデータ４１１と第２プロセスデータ４３１との相関性を表す第３回帰モデル４５３を作成する。

より具体的に、図６Ａでは、一例として、二種類の組織パラメータＺα、Ｚβを用いて説明する。ここでＺαとＺβは、例えば、それぞれ主相格子体積とキュリー温度Ｔ_Ｃである。図６Ａに示すように、例えば、組織データ４１２の任意の異なる組織パラメータＺα，Ｚβと、第１プロセスデータ４１１に登録されているプロセスパラメータａ，ｂとの関係が、第１回帰モデル４５１において、Ｚα＝ｆ_Ｚα（ａ，ｂ）、Ｚβ＝ｆ_Ｚβ（ａ，ｂ）で表されたとする。ここで、ｆ_Ｚα（ａ，ｂ）とｆ_Ｚβ（ａ，ｂ）は、それぞれプロセスパラメータａ、ｂを用いて記述される数理モデルであることを示している。そして、組織データ４３２の上記と同じ組織パラメータＺα，Ｚβと、第２プロセスデータ４３１に登録されているプロセスパラメータｘ，ｙとの関係が、第２回帰モデル４５２において、Ｚα＝ｆ_Ｚα’（ｘ，ｙ）、Ｚβ=ｆ_Ｚβ’（ｘ，ｙ）で表されたとする。ここで、ｆ_Ｚα’（ｘ，ｙ）とｆ_Ｚβ’（ｘ，ｙ）は、それぞれプロセスパラメータｘ、ｙを用いて記述される数理モデルであることを示している。これら４つの式を組織パラメータＺα，Ｚβを仲介として、（ａ，ｂ）と（ｘ，ｙ）の関係について整理する。すなわち、図６Ａにおいて、Ｚα，Ｚβの値が同一となる第１プロセスデータ中のプロセスパラメータ（ａ，ｂ）と第２プロセスデータ中のプロセスパラメータ（ｘ，ｙ）をさまざまな条件で実験した結果から関連づける。これにより、ｘ＝ｈ_ｘ（ａ，ｂ）、ｙ＝ｈ_ｙ（ａ，ｂ）として、あるいは、ａ＝ｈ_ａ（ｘ，ｙ）、ｂ＝ｈ_ｂ（ｘ，ｙ）として、第１プロセスデータ４１１と第２プロセスデータ４３１との相関性を表す第３回帰モデル４５３が得られる。ここで、ｈ_ｘ（ａ，ｂ）とｈ_ｙ（ａ，ｂ）は、それぞれプロセスパラメータａ、ｂを用いて記述される数理モデルであることを示し、ｈ_ａ（ｘ，ｙ）とｈ_ｂ（ｘ，ｙ）は、それぞれプロセスパラメータｘ、ｙを用いて記述される数理モデルであることを示している。このように、第３回帰モデル作成処理部２５は、第１回帰モデル４５１と第２回帰モデル４５２とを組み合わせることで、第１プロセスデータ４１１と第２プロセスデータ４３１の相関性を表す第３回帰モデル４５３を作成する。なお、採用する第１プロセスデータ４１１のプロセスパラメータ（ａやｂ）と第２プロセスデータ４３１のプロセスパラメータ（ｘやｙ）の項目は必ずしも同一である必要はない。

第３回帰モデル作成処理部２５は、作成した第３回帰モデル４５３を記憶部３に記憶する。本実施の形態では、第３回帰モデル作成処理部２５は、第１回帰モデル４５１と第２回帰モデル４５２のいずれかが更新されたときに、第３回帰モデル４５３を更新する。ただし、これに限らず、例えば、後述するプロセス推定処理を実行する際に、第２学習用データ４３０の更新分をまとめて学習し、第２回帰モデル４５２を更新するようにしてもよい。

（推定元第１プロセスデータ取得処理部２６）
推定元第１プロセスデータ取得処理部２６は、研究サイト側データ管理装置２２０から推定元第１プロセスデータ４２０を取得する推定元第１プロセスデータ取得処理（図１５参照）を行う。推定元第１プロセスデータ取得処理部２６は、研究サイト側データ管理装置２２０からプロセス推定要求信号を受信したとき、推定元第１プロセスデータ取得処理を行う。推定元第１プロセスデータ取得処理では、推定元第１プロセスデータ取得処理部２６は、研究サイト側データ管理装置２２０に推定元第１プロセスデータ要求信号を送信し、それに応じて研究サイト側データ管理装置２２０から送信された推定元第１プロセスデータ４２０を受信し、記憶部３に記憶する。

（プロセス推定処理部２７）
プロセス推定処理部２７は、第３回帰モデル４５３を用いて、任意の推定元の第１プロセスデータ４１１（推定元第１プロセスデータ４２０）に応じた第２プロセスデータ４３１（推定第２プロセスデータ４４０）を推定するプロセス推定処理（図１６参照）を行う。

図５（ｄ）に示すように、プロセス推定処理では、プロセス推定処理部２７に、第３回帰モデル４５３と、推定元第１プロセスデータ４２０とが入力される。プロセス推定処理部２７は、第３回帰モデル４５３を用いて、推定元第１プロセスデータ４２０に対応した第２プロセスデータ４３１を求め、得られた第２プロセスデータ４３１を推定第２プロセスデータ４４０とする。そして、プロセス推定処理部２７は、得られた推定第２プロセスデータ４４０を記憶部３に記憶する。

ここで得られた推定第２プロセスデータ４４０は、第１製造装置２１０で推定元第１プロセスデータ４２０の製造条件で製造した材料（ここではフェライト磁石）と同じ材料を、第２製造装置３１０で再現可能な製造条件となる。

（推定第２プロセスデータ送信処理部２８）
推定第２プロセスデータ送信処理部２８は、推定第２プロセスデータ４４０を量産サイト側データ管理装置３２０に送信する推定第２プロセスデータ送信処理（図１７参照）を行う。

（プロセス推定装置１の利用方法）
ここで、本実施の形態に係るプロセス推定装置１の利用方法の一例について説明しておく。

プロセス推定装置１では、２つの製造装置２１０，３１０間で、予め第３回帰モデル４５３を作成しておけば、一方の製造装置２１０（または３１０）で所望の特性の材料が製造できたときに、当該一方の製造装置２１０（または３１０）でのプロセスデータ（ここでは推定元第１プロセスデータ４２０）を基に、他方の製造装置３１０（または２１０）でのプロセスデータ（ここでは推定第２プロセスデータ４４０）を推定することができる。そして、得られたプロセスデータ（ここでは推定第２プロセスデータ４４０）により他方の製造装置３１０（または２１０）で製造を行うことで、高い再現性で同様の特性の材料を製造することが可能になる。

ここで、一例として、図６Ｂに示すように、研究設備である第１製造装置２１０を用いて、第２製造装置３１０で製造したことのない新材料を開発したとする。この場合、第２製造装置３１０では製造実績がないので、新材料に関する第２学習用データ４３０は存在しておらず、当該新材料についての第２回帰モデル４５２は存在していないことになる。しかし、予め第３回帰モデル４５３を作成しておけば、このような場合であっても、研究設備で開発した新材料のプロセスデータ（推定元第１プロセスデータ４２０に相当）に対応する、量産設備で新材料を再現可能なプロセスデータ（推定第２プロセスデータ４４０に相当）を推定することができる。図６Ｂにおいては、推定元第１プロセスデータに登録されているプロセスパラメータ（ａ’，ｂ’）に、第３回帰モデル４５３を適用し、推定第２プロセスデータのプロセスパラメータ（ｘ’，ｙ’）を得ることができる。ここで、第３回帰モデル４５３は、ｘ＝ｈ_ｘ（ａ，ｂ）、ｙ＝ｈ_ｙ（ａ，ｂ）であり、プロセスパラメータａ、ｂを用いて記述される数理モデルｈ_ｘ（ａ，ｂ）とｈ_ｙ（ａ，ｂ）である。なお、このような例では、過去の製造データとは大きく異なる原料を用いる場合などは、推定した推定第２プロセスデータ４４０の精度が低くなることが想定される。しかし、製造実績がない第２製造装置３１０での製造条件を、おおよそ推定することが可能である。

量産設備である第２製造装置３１０では、一度の製造で例えば数十トンといった大量の材料を製造する。そのため、量産にあたっての試験回数（実験回数）を減らしてなるべく無駄を減らしたいという要求がある。本実施の形態によれば、新材料であってもおおよその製造条件を推定することが可能であり、量産に最適な製造条件を検討するための試験回数を低減し、コストの低減を図ることが可能になる。

このように、第１製造装置２１０が研究設備、かつ、第２製造装置３１０が量産設備であり、研究設備で製造した材料を量産設備で再現すべく、第３回帰モデル４５３を用いて、研究設備で再現対象となる材料を製造した際の第１プロセスデータ４１１から、量産設備で再現対象となる材料を製造するための第２プロセスデータ４３１を推定するようにしてもよい。

（組成データ４１４の機械学習への使用）
上記のような新材料の開発の際の推定精度を向上させるために、第１及び第２回帰モデル４５１，４５２は、組成データ４１４（図４参照）を考慮して作成されることがより望ましいといえる。つまり、第１回帰モデル４５１は、第１プロセスデータ４１１と組織データ４１２とに加えて、材料の組成情報を含む組成データ４１４との関係を機械学習して作成されることがより望ましい。この場合、第１回帰モデル４５１は、第１プロセスデータ４１１と組織データ４１２と組成データ４１４との相関性を表すように作成されることになる。また、この場合、第１学習用データ４１０に組成データ４１４を含める必要がある。

同様に、第２回帰モデル４５２は、第２プロセスデータ４３１と組織データ４３２とに加えて、材料の組成情報を含む組成データとの関係を機械学習して作成されてもよい。この場合、第２回帰モデル４５２は、第２プロセスデータ４３１と組織データ４３２と組成データとの相関性を表すように作成されることになる。また、この場合、第２学習用データ４３０に組成データを含める必要がある。

（推定第２プロセスデータ４４０の補正）
図６Ｂで説明したような新材料の開発においては、推定第２プロセスデータ４４０はおおよその製造条件となるため、その後の製造試験の結果を考慮して、推定第２プロセスデータ４４０の各パラメータを補正するよう構成することも可能である。すなわち、プロセス推定装置１は、第２製造装置３１０で推定第２プロセスデータ４４０により製造試験を行った際の試験結果に基づき、推定第２プロセスデータ４４０を補正する補正処理部をさらに備えてもよい。

補正処理部を備えることより、例えば、各回帰モデル４５１～４５３が新材料に十分に対応していない状況（量産前で十分なデータがなく、機械学習が十分に行われていない状況）であっても、第１製造装置２１０での第１プロセスデータ４１１（推定元第１プロセスデータ４２０）に対応する、第２製造装置３１０での第２プロセスデータ４３１（推定第２プロセスデータ４４０）を精度よく推定することが可能になる。その結果、量産設備で高い再現性で材料を製造可能になり、製造試験の回数を低減してコストの低減や、開発から量産化までの期間短縮を図ることができる。

（プロセス推定装置１の他の利用方法）
本実施の形態では、研究設備でのプロセスデータから、量産設備でのプロセスデータを推定した。ただし、これに限らず、例えば上記とは逆に、量産設備でのプロセスデータから、研究設備でのプロセスデータを推定することも当然に可能である。この場合、図６Ｃに示すように、例えば、量産設備と研究設備間で予め第３回帰モデル４５３を作成しておけば、量産設備で量産が可能な条件となるプロセスデータ（推定元第１プロセスデータ４２０に相当）に対応する、研究設備側で開発する新材料のプロセスデータ（推定第２プロセスデータ４４０に相当）を推定することが可能になる。

例えば、研究設備側で材料の開発を行った場合であっても、その製造条件が、量産設備で量産することが不可能な製造条件（例えば図６Ｃに×で示される条件）であった場合、当該材料の開発は無駄になってしまうおそれが生じる。図６Ｃのように、量産設備で量産が可能な条件となるプロセスデータに対応する、研究設備側で開発する新材料のプロセスデータを得ておくことで、得られたプロセスデータの範囲内の製造条件（実験条件）で開発を行えば、量産できないといった不具合が生じることなく、無駄なく材料の開発を行うことが可能になる。

このように、第１製造装置２１０が量産設備、かつ、第２製造装置３１０が研究設備であり、第３回帰モデル４５３を用いて、量産設備で量産可能な条件を表す第１プロセスデータ４１１から、これに対応した研究設備での実験条件となる第２プロセスデータ４３１を推定するようにしてもよい。図６Ｃにおいては、推定元第１プロセスデータに登録されているプロセスパラメータ（ｘ，ｙ）に、第３回帰モデル４５３を適用し、推定第２プロセスデータのプロセスパラメータ（ａ，ｂ）を得ることができる。ここで、第３回帰モデル４５３は、ａ＝ｈ_ａ（ｘ，ｙ）、ｂ＝ｈ_ｂ（ｘ，ｙ）であり、プロセスパラメータｘ、ｙを用いて記述される数理モデルｈ_ａ（ｘ，ｙ）とｈ_ｂ（ｘ，ｙ）である。

なお、第１及び第２製造装置２１０，３１０は、研究設備や量産設備に限定されない。例えば、第１及び第２製造装置２１０，３１０は、同一の工場の異なる生産ライン（製造装置）であってもよい。

（プロセス推定方法）
（メインルーチン）
図７～９は、本実施の形態に係るはプロセス推定方法の制御フローを示すフロー図である。なお、図７～９、及び後述する図１０～１７において、実線で示す矢印は、制御の流れを表しており、破線で示す矢印は、信号やデータの入出力を表している。

図７に示すように、研究サイト側データ管理装置２２０は、例えば、第１学習用データ４１０を取得する第１学習用データ取得処理を行う日時（第１データ取得日時）の設定等を行う際に、プロセス推定装置１に設定信号を送信する（ステップＳ１００）。同様に、量産サイト側データ管理装置３２０は、例えば、第２学習用データ４３０を取得する第２学習用データ取得処理を行う日時（第２データ取得日時）の設定等を行う際に、プロセス推定装置１に設定信号を送信する（ステップＳ３００）。

プロセス推定装置１の設定処理部２１は、ステップＳ２０１にて、設定信号が入力されたかを判定し、ＹＥＳ（Ｙ）と判定された場合、ステップＳ２０２にて設定処理を実行する。設定処理の詳細については後述する。ステップＳ２０１でＮＯ（Ｎ）と判定された場合、ステップＳ２０３に進む。

研究サイト側データ管理装置２２０は、第１学習用データ４１０が更新された際に、第１学習用データ更新信号をプロセス推定装置１に送信する（ステップＳ１０１）。プロセス推定装置１の学習用データ取得処理部２２は、ステップＳ２０３にて、第１学習用データ更新信号が入力されたかを判定する。ステップＳ２０３でＹＥＳと判定された場合、ステップＳ２０５に進む。ステップＳ２０３でＮＯと判定された場合、学習用データ取得処理部２２は、ステップＳ２０４にて、現在の日時が第１データ取得日時であるかを判定する。ステップＳ２０４でＹＥＳと判定された場合、ステップＳ２０５に進む。ステップＳ２０４でＮＯと判定された場合、図８のステップＳ２０７に進む。

ステップＳ２０５では学習用データ取得処理部２２が、第１学習用データ取得処理を行う。第１学習用データ取得処理については後述する。その後、ステップＳ２０６にて、第１回帰モデル作成処理部２３が、第１回帰モデル作成処理を行う。第１回帰モデル作成処理については後述する。その後、図８のステップＳ２０７に進む。

図８に示すように、量産サイト側データ管理装置３２０は、第２学習用データ４３０が更新された際に、第２学習用データ更新信号をプロセス推定装置１に送信する（ステップＳ３０１）。プロセス推定装置１の学習用データ取得処理部２２は、ステップＳ２０７にて、第２学習用データ更新信号が入力されたかを判定する。ステップＳ２０７でＹＥＳと判定された場合、ステップＳ２０９に進む。ステップＳ２０７でＮＯと判定された場合、学習用データ取得処理部２２は、ステップＳ２０８にて、現在の日時が第２データ取得日時であるかを判定する。ステップＳ２０８でＹＥＳと判定された場合、ステップＳ２０９に進む。ステップＳ２０８でＮＯと判定された場合、ステップＳ２１１に進む。

ステップＳ２０９では学習用データ取得処理部２２が、第２学習用データ取得処理を行う。第２学習用データ取得処理については後述する。その後、ステップＳ２１０にて、第２回帰モデル作成処理部２４が、第２回帰モデル作成処理を行う。第２回帰モデル作成処理については後述する。その後、ステップＳ２１１に進む。

ステップＳ２１１では、第３回帰モデル作成処理部２５が、第１回帰モデル４５１と第２回帰モデル４５２のいずれかが更新されたかを判定する。ステップＳ２１１でＹＥＳと判定された場合、ステップＳ２１２にて、第３回帰モデル作成処理部２５が第３回帰モデル作成処理を行う。ステップＳ２１２第３回帰モデル作成処理では、記憶部３に記憶された第１回帰モデル４５１と第２回帰モデル４５２とを基に、第１プロセスデータ４１１と第２プロセスデータ４３１との相関性を表す第３回帰モデル４５３を作成し、作成した第３回帰モデル４５３を記憶部３に記憶する。その後、図９のステップＳ２１３に進む。ステップＳ２１１でＮＯと判定された場合、第３回帰モデル作成処理を行わずに図９のステップＳ２１３に進む。

図９に示すように、研究サイト側データ管理装置２２０は、推定元第１プロセスデータ４２０から対応する推定第２プロセスデータ４４０を推定するプロセス推定を行うとき、プロセス推定装置１にプロセス推定要求信号を送信する。プロセス推定装置１の推定元第１プロセスデータ取得処理部２６は、ステップＳ２１３にて、プロセス推定要求信号が入力されたかを判定する。ステップＳ２１３にてＮＯと判定された場合、リターンする。ステップＳ２１３にてＹＥＳと判定された場合、ステップＳ２１４にて、推定元第１プロセスデータ取得処理部２６が、推定元第１プロセスデータ取得処理を行う。推定元第１プロセスデータ取得処理については後述する。

その後、ステップＳ２１５にて、プロセス推定処理部２７が、プロセス推定処理を行う。その後、ステップＳ２１６にて、推定第２プロセスデータ送信処理部２８が、推定第２プロセスデータ送信処理を行う。プロセス推定処理及び推定第２プロセスデータ送信処理については後述する。その後、リターンする。

（設定処理）
図１０に示すように、ステップＳ２０２の設定処理では、まず、研究サイト側データ管理装置２２０あるいは量産サイト側データ管理装置３２０で入力された設定データが、プロセス推定装置１に送信される（ステップＳ１２０、Ｓ３２０）。プロセス推定装置１の設定処理部２１は、受信した設定データに応じて、各種の設定を行う（ステップＳ２２１）。その後、ステップＳ２２１での各種の設定に伴い、データ更新処理等の適宜な処理を行い（ステップＳ２２２）、リターンする。

（第１学習用データ取得処理）
図１１に示すように、ステップＳ２０５の第１学習用データ取得処理では、まず、プロセス推定装置１の学習用データ取得処理部２２が、研究サイト側データ管理装置２２０に、第１学習用データ４１０を要求する第１学習用データ要求信号を送信する（ステップＳ２３１）。

研究サイト側データ管理装置２２０では、第１学習用データ取得処理と並行して、ステップＳ１０２の第１学習用データ送信処理が行われている。この第１学習用データ送信処理において、研究サイト側データ管理装置２２０は、まず、ステップＳ１３１にて、プロセス推定装置１から第１学習用データ要求信号が入力されたかを判定する。ステップＳ１３１でＮＯと判定された場合、リターンする。ステップＳ１３１でＹＥＳと判定された場合、ステップＳ１３２にて、記憶部２２２に、未送信の第１学習用データ４１０が存在するかを判定する。なお、第１学習用データ４１０が未送信であるか送信済みであるかの識別は、例えば、データベース上に識別子を付したり、あるいは、送信済みと未送信とでデータベースを分割しておき、未送信の第１学習用データ４１０を送信した際に、送信した第１学習用データ４１０を送信済みのデータベースに統合したりするなど、種々の方法で識別することができる。

ステップＳ１３２にてＮＯと判定された場合、ステップＳ１３３にてプロセス推定装置１に送信済信号を送信した後、リターンする。ステップＳ１３２にてＹＥＳと判定された場合、ステップＳ１３４にて、未送信の第１学習用データ４１０（第１プロセスデータ４１１及び組織データ４１２）をプロセス推定装置１に送信する。その後、ステップＳ１３５にて、研究サイト側データ管理装置２２０は、送信した第１学習用データ４１０を送信済みとした後、リターンする。なお、送信済みの第１学習用データ４１０については、圧縮や所定期間経過後の削除等の処理が適宜なされてもよい。

第１学習用データ取得処理に戻り、学習用データ取得処理部２２は、ステップＳ２３１で第１学習用データ要求信号を送信した後、ステップＳ２３２にて、送信済信号が入力されたかを判定する。ステップＳ２３２にてＹＥＳと判定された場合、新たな第１学習用データ４１０が存在しないことになるため、リターンする。

ステップＳ２３２にてＮＯと判定された場合、研究サイト側データ管理装置２２０から第１学習用データ４１０を受信した後、ステップＳ２３３にて、学習用データ取得処理部２２が、受信した第１学習用データ４１０を記憶部３に記憶する。本実施の形態では、送信済みの第１学習用データ４１０の送受信のみが行われるため、ステップＳ２３３では、受信した第１学習用データ４１０を、記憶部３に記憶された第１学習用データ４１０に統合して第１学習用データ４１０の更新が行われる。なお、ステップＳ２３３では、機械学習に必要なデータのみを抽出する処理等を適宜おこなってもよい。その後、リターンする。

（第１回帰モデル作成処理）
図１２に示すように、ステップＳ２０６の第１回帰モデル作成処理では、まず、ステップＳ２４１にて、プロセス推定装置１の第１回帰モデル作成処理部２３が、記憶部３に未学習の第１学習用データ４１０が存在するかを判定する。換言すれば、ステップＳ２４１では、第１学習用データ４１０が更新されているかを判定する。ステップＳ２４１にてＮＯと判定された場合、リターンする。ステップＳ２４１にてＹＥＳと判定された場合、ステップＳ２４２にて、第１回帰モデル作成処理部２３が、未学習の第１学習用データ４１０を機械学習に用いて、第１回帰モデル４５１の更新を行う。なお、ステップＳ２４２では、第１回帰モデル４５１が未作成である場合には、第１回帰モデル４５１が新たに作成される。その後、ステップＳ２４３にて、更新（あるいは作成）した第１回帰モデル４５１を記憶部３に記憶し、リターンする。

（第２学習用データ取得処理）
図１３に示すように、ステップＳ２０９の第２学習用データ取得処理では、まず、プロセス推定装置１の学習用データ取得処理部２２が、量産サイト側データ管理装置３２０に、第２学習用データ４３０を要求する第２学習用データ要求信号を送信する（ステップＳ２５１）。

量産サイト側データ管理装置３２０では、第２学習用データ取得処理と並行して、ステップＳ３０２の第２学習用データ送信処理が行われている。この第２学習用データ送信処理において、量産サイト側データ管理装置３２０は、まず、ステップＳ３５１にて、プロセス推定装置１から第２学習用データ要求信号が入力されたかを判定する。ステップＳ３５１でＮＯと判定された場合、リターンする。ステップＳ３５１でＹＥＳと判定された場合、ステップＳ３５２にて、記憶部３２２に、未送信の第２学習用データ４３０が存在するかを判定する。なお、上記の第１学習用データ４１０と同様に、第２学習用データ４３０が未送信であるか送信済みであるかの識別は、例えば、データベース上に識別子を付したり、あるいは、送信済みと未送信とでデータベースを分割しておき、未送信の第２学習用データ４３０を送信した際に、送信した第２学習用データ４３０を送信済みのデータベースに統合したりするなど、種々の方法で識別することができる。

ステップＳ３５２にてＮＯと判定された場合、ステップＳ３５３にてプロセス推定装置１に送信済信号を送信した後、リターンする。ステップＳ３５２にてＹＥＳと判定された場合、ステップＳ３５４にて、未送信の第２学習用データ４３０（第２プロセスデータ４３１及び組織データ４３２）をプロセス推定装置１に送信する。その後、ステップＳ３５５にて、量産サイト側データ管理装置３２０は、送信した第２学習用データ４３０を送信済みとした後、リターンする。なお、送信済みの第２学習用データ４３０については、圧縮や所定期間経過後の削除等の処理が適宜なされてもよい。

第２学習用データ取得処理に戻り、学習用データ取得処理部２２は、ステップＳ２５１で第２学習用データ要求信号を送信した後、ステップＳ２５２にて、送信済信号が入力されたかを判定する。ステップＳ２５２にてＹＥＳと判定された場合、新たな第２学習用データ４３０が存在しないことになるため、リターンする。

ステップＳ２５２にてＮＯと判定された場合、量産サイト側データ管理装置３２０から第２学習用データ４３０を受信した後、ステップＳ２５３にて、学習用データ取得処理部２２が、受信した第２学習用データ４３０を記憶部３に記憶する。本実施の形態では、送信済みの第２学習用データ４３０の送受信のみが行われるため、ステップＳ２５３では、受信した第２学習用データ４３０を、記憶部３に記憶された第２学習用データ４３０に統合して第２学習用データ４３０の更新が行われる。なお、ステップＳ２５３では、機械学習に必要なデータのみを抽出する処理等を適宜おこなってもよい。その後、リターンする。

（第２回帰モデル作成処理）
図１４に示すように、ステップＳ２１０の第２回帰モデル作成処理では、まず、ステップＳ２６１にて、プロセス推定装置１の第２回帰モデル作成処理部２４が、記憶部３に未学習の第２学習用データ４３０が存在するかを判定する。換言すれば、ステップＳ２６１では、第２学習用データ４３０が更新されているかを判定する。ステップＳ２６１にてＮＯと判定された場合、リターンする。ステップＳ２６１にてＹＥＳと判定された場合、ステップＳ２６２にて、第２回帰モデル作成処理部２４が、未学習の第２学習用データ４３０を機械学習に用いて、第２回帰モデル４５２の更新を行う。なお、ステップＳ２６２では、第２回帰モデル４５２が未作成である場合には、第２回帰モデル４５２が新たに作成される。その後、ステップＳ２６３にて、更新（あるいは作成）した第２回帰モデル４５２を記憶部３に記憶し、リターンする。

（推定元第１プロセスデータ取得処理）
図１５に示すように、ステップＳ２１４の推定元第１プロセスデータ取得処理では、まず、プロセス推定装置１の推定元第１プロセスデータ取得処理部２６が、研究サイト側データ管理装置２２０に、推定元第１プロセスデータ４２０を要求する推定元第１プロセスデータ要求信号を送信する（ステップＳ２７１）。

研究サイト側データ管理装置２２０では、推定元第１プロセスデータ取得処理と並行して、ステップＳ１０４の推定元第１プロセスデータ送信処理が行われている。この推定元第１プロセスデータ送信処理において、研究サイト側データ管理装置２２０は、まず、ステップＳ１７１にて、プロセス推定装置１から推定元第１プロセスデータ要求信号が入力されたかを判定する。ステップＳ１７１でＮＯと判定された場合、リターンする。ステップＳ１７１でＹＥＳと判定された場合、ステップＳ１７２にて、研究サイト側データ管理装置２２０は、記憶部２２２に記憶された推定元第１プロセスデータ４２０を、プロセス推定装置１に送信する。

推定元第１プロセスデータ取得処理に戻り、推定元第１プロセスデータ取得処理部２６は、ステップＳ２７３にて、研究サイト側データ管理装置２２０から推定元第１プロセスデータ４２０を受信し、受信した推定元第１プロセスデータ４２０を記憶部３に記憶する。その後、リターンする。

（プロセス推定処理）
図１６に示すように、ステップＳ２１５のプロセス推定処理では、まず、ステップＳ２８１にて、プロセス推定処理部２７が、第３回帰モデル４５３により、推定元第１プロセスデータ４２０に対応する第２プロセスデータ４３１を推定し、推定第２プロセスデータ４４０とする。その後、ステップＳ２８２にて、得られた推定第２プロセスデータ４４０を記憶部３に記憶する。その後、リターンする。

（推定第２プロセスデータ送信処理）
図１７に示すように、ステップＳ２１６の推定第２プロセスデータ送信処理では、まず、ステップＳ２９１にて、推定第２プロセスデータ送信処理部２８が、量産サイト側データ管理装置３２０に推定第２プロセスデータ４４０を送信する。

量産サイト側データ管理装置３２０では、推定第２プロセスデータ送信処理と並行して、推定第２プロセスデータ受信処理が行われている。この推定第２プロセスデータ受信処理において、量産サイト側データ管理装置３２０は、ステップＳ３９１にて、プロセス推定装置１から送信された推定第２プロセスデータ４４０を受信し、受信した推定第２プロセスデータ４４０を記憶部３２２に記憶する。その後、リターンする。

図示していないが、この推定第２プロセスデータ送信処理の後、量産サイト側データ管理装置３２０は、第２製造装置用制御装置３３０に推定第２プロセスデータ４４０を送信する。第２製造装置用制御装置３３０は、第２製造装置３１０に対して、受信した推定第２プロセスデータ４４０に応じた製造指示を行うことで、製造指示に応じた材料の製造が行われることになる。

（実施の形態の作用及び効果）
以上説明したように、本実施の形態に係るプロセス推定方法では、第１プロセスデータ４１１と、第１製造装置２１０における対象工程後（ここでは仮焼工程後）のサンプルから得られる組織データ４１２との関係を機械学習し、第１プロセスデータ４１１と組織データ４１２との相関性を表す第１回帰モデル４５１を作成すると共に、第２プロセスデータ４３１と、第２製造装置３１０における対象工程後（ここでは仮焼工程後）のサンプルから得られる組織データ４３２との関係を機械学習し、第２プロセスデータ４３１と組織データ４３２との相関性を表す第２回帰モデル４５２を作成し、第１回帰モデル４５１と第２回帰モデル４５２とを基に、第１プロセスデータ４１１と第２プロセスデータ４３１の相関性を表す第３回帰モデル４５３を作成し、第３回帰モデル４５３を用いて、任意の推定元の第１プロセスデータ４１１（推定元第１プロセスデータ４２０）に応じた第２プロセスデータ４３１（推定第２プロセスデータ４４０）を推定している。

これにより、例えば、研究開発用の小規模な製造装置を用いて開発した材料を、量産用の大規模な製造装置で再現性よく製造することが可能になり、製造試験の回数を低減して、コストを大幅に低減したり、量産化までの期間を大幅に圧縮することが可能になる。つまり、本実施の形態によれば、異なる製造装置であっても再現性よく材料を製造可能なプロセス推定方法を実現できる。

（変形例１）
本実施の形態では、第１及び第２製造装置２１０，３１０が、所定の対象工程（ここでは仮焼工程）を含む複数の工程を経て材料を製造する装置である場合を説明したが、これに限らず、第１及び第２製造装置２１０，３１０は、１つ以上の工程を経て材料を製造する装置であればよい。

また、上記実施の形態では、プロセス推定装置１が研究サイト２００や量産サイト３００に属していない場合について説明したが、プロセス推定装置１は、研究サイト２００または量産サイト３００に属していてもよい。また、例えばプロセス推定装置１が研究サイト２００に属している場合、研究サイト側データ管理装置２２０とプロセス推定装置１とが一体に構成されていてもよい。さらに、研究サイト側データ管理装置２２０が研究サイト２００に属していなくともよく、量産サイト側データ管理装置３２０が量産サイト３００に属していなくともよい。この場合、例えば、研究サイト側データ管理装置２２０と量産サイト側データ管理装置３２０とが同じサーバにより実現されていてもよい。また、両データ管理装置２２０，３２０とプロセス推定装置１とが同じサーバにより構成されていてもよい。

また、上記実施の形態では、研究サイト２００と量産サイト３００とで、別個に組織データ分析エリア２４０，３４０が設けられている場合について説明したが、両エリア２００，３００で共通の組織データ分析エリア２４０，３４０を用いるようにしてもよい。また、両エリア２００，３００で別個の組織データ分析エリア２４０，３４０を有する場合において、組織データ分析エリア２４０，３４０間で同一の装置が含まれていてもよい。つまり、１つの装置を２つの組織データ分析エリア２４０，３４０で共用してもよい。

（変形例２）
また、製造する材料が電線の外皮等に用いる複合材料である場合には、第１製造装置２１０及び第２製造装置３１０として複合材料を製造する装置を適用することができる。より具体的には、第１製造装置２１０は例えば、樹脂又はゴムやフィラーを混練する混練機と、混練した複合材料を用いてペレット化するペレタイザーと、このペレットをシート成形するシート成形機と、を備えていてもよい。複合材料の配合に応じて秤量された樹脂又はゴムやフィラーを小型ニーダや小型２軸押出機といった混練機を用いて混練し、混練された材料をペレタイザーによりペレット化し、得られたペレットをシート成形機によりシート化することによって、複合材料を製造することができる。

また、上記の複合材料に適用する場合、組織データ分析エリア２４０、３４０で取得する組織データ４１２，４３２は、複数の樹脂同士、複数のゴム同士又は樹脂とゴムの間のモルフォロジー、フィラーの分散状態などに関する情報を含むとよい。複数の樹脂同士、複数のゴム同士又は樹脂とゴムの間のモルフォロジー観察には、走査型プローブ顕微鏡（ＳＰＭ）を用いるとよい。そして、組織データ４１２，４３２としては、ＳＰＭにより得られたＳＰＭ画像中の各樹脂やゴムの形態や分布から得られる情報、具体的には、各樹脂やゴムの分散相の形状やサイズ、面積に関する情報を用いることができる。また、フィラーの分散状態の観察には、走査型電子顕微鏡（ＳＥＭ）を用いることができ、ＳＥＭにより得られたＳＥＭ画像中の樹脂や樹脂中に分散しているフィラーの分散形態に関する情報を、組織データとして利用することができる。

（実施の形態のまとめ）
次に、以上説明した実施の形態から把握される技術思想について、実施の形態における符号等を援用して記載する。ただし、以下の記載における各符号等は、特許請求の範囲における構成要素を実施の形態に具体的に示した部材等に限定するものではない。

［１］所定の対象工程を含む少なくとも１つ以上の工程を経て材料を製造する第１製造装置（２１０）における前記対象工程でのプロセス情報を含む第１プロセスデータ（４１１）を基に、前記第１製造装置（２１０）とは異なる装置であり、かつ前記対象工程を含む少なくとも１つ以上の工程を経て材料を製造する第２製造装置（３１０）における前記対象工程でのプロセス情報を含む第２プロセスデータ（４３１）を推定するプロセス推定方法であって、前記第１プロセスデータ（４１１）と、前記第１製造装置（２１０）における前記対象工程後のサンプルから得られる組織データ（４１２）との関係を機械学習し、前記第１プロセスデータ（４１１）と該組織データ（４１２）との相関性を表す第１回帰モデル（４５１）を作成すると共に、前記第２プロセスデータ（４３１）と、前記第２製造装置（３１０）における前記対象工程後のサンプルから得られる組織データ（４３２）との関係を機械学習し、前記第２プロセスデータ（４３１）と該組織データ（４３２）との相関性を表す第２回帰モデル（４５２）を作成し、前記第１回帰モデル（４５１）と前記第２回帰モデル（４５２）とを基に、前記第１プロセスデータ（４１１）と前記第２プロセスデータ（４３１）の相関性を表す第３回帰モデル（４５３）を作成し、前記第３回帰モデル（４５３）を用いて、任意の推定元の前記第１プロセスデータ（４１１）である推定元第１プロセスデータ（４２０）に応じた前記第２プロセスデータ（４３１）である推定第２プロセスデータ（４４０）を推定する、プロセス推定方法。

［２］前記第１回帰モデル（４５１）は、前記第１プロセスデータ（４１１）と組織データ（４１２）とに加えて、材料の組成情報を含む組成データ（４１４）との関係を機械学習して作成され、前記第１プロセスデータ（４１１）と組織データ（４１２）と組成データ（４１４）との相関性を表すように作成され、前記第２回帰モデル（４５２）は、前記第２プロセスデータ（４３１）と組織データ（４３２）とに加えて、材料の組成情報を含む組成データ（４１４）との関係を機械学習して作成され、前記第２プロセスデータ（４３１）と組織データ（４３２）と組成データとの相関性を表すように作成される、［１］に記載のプロセス推定方法。

［３］前記材料が、セラミックス材料である、［１］または［２］に記載のプロセス推定方法。

［４］前記材料が、磁性材料である、［３］に記載のプロセス推定方法。

［５］前記組織データ（４１２，４３２）が、磁化温度依存性に基づく特徴量を含む、［３］または［４］に記載のプロセス推定方法。

［６］前記対象工程は、混合工程、仮焼工程、微粉砕工程、成形工程、焼成工程の少なくともいずれか１つである、［３］乃至［５］の何れか１項に記載のプロセス推定方法。

［７］前記第１製造装置（２１０）が研究設備であり、かつ、前記第２製造装置（３１０）が量産設備であり、前記研究設備で製造した材料を前記量産設備で再現すべく、前記第３回帰モデル（４５３）を用いて、前記研究設備で再現対象となる材料を製造した際の前記第１プロセスデータ（４１１）から、前記量産設備で再現対象となる材料を製造するための前記第２プロセスデータ（４３１）を推定する、［１］乃至［６］の何れか１項に記載のプロセス推定方法。

［８］前記第１製造装置（２１０）が量産設備であり、かつ、前記第２製造装置（３１０）が研究設備であり、前記第３回帰モデル（４５３）を用いて、前記量産設備で量産可能な条件を表す前記第１プロセスデータ（４１１）から、これに対応した前記研究設備での実験条件となる前記第２プロセスデータ（４３１）を推定する、［１］乃至［６］の何れか１項に記載のプロセス推定方法。

［９］所定の対象工程を含む少なくとも１つ以上の工程を経て材料を製造する第１製造装置（２１０）における前記対象工程でのプロセス情報を含む第１プロセスデータ（４１１）を基に、前記第１製造装置（２１０）とは異なる装置であり、かつ前記対象工程を含む少なくとも１つ以上の工程を経て材料を製造する第２製造装置（３１０）における前記対象工程でのプロセス情報を含む第２プロセスデータ（４３１）を推定するプロセス推定装置であって、前記第１プロセスデータ（４１１）と、前記第１製造装置（２１０）における前記対象工程後のサンプルから得られる組織データ（４１２）との関係を機械学習し、前記第１プロセスデータ（４１１）と該組織データ（４１２）との相関性を表す第１回帰モデル（４５１）を作成する第１回帰モデル作成処理部（２３）と、前記第２プロセスデータ（４３１）と、前記第２製造装置（３１０）における前記対象工程後のサンプルから得られる組織データ（４３２）との関係を機械学習し、前記第２プロセスデータ（４３１）と該組織データ（４３２）との相関性を表す第２回帰モデル（４５２）を作成する第２回帰モデル作成処理部（２４）と、前記第１回帰モデル（４５１）と前記第２回帰モデル（４５２）とを基に、前記第１プロセスデータ（４１１）と前記第２プロセスデータ（４３１）の相関性を表す第３回帰モデル（４５３）を作成する第３回帰モデル作成処理部（２５）と、前記第３回帰モデル（４５３）を用いて、任意の推定元の前記第１プロセスデータ（４１１）である推定元第１プロセスデータ（４２０）に応じた前記第２プロセスデータ（４３１）である推定第２プロセスデータ（４４０）を推定するプロセス推定処理部（２７）と、を備えた、プロセス推定装置（１）。

以上、本発明の実施の形態を説明したが、上記に記載した実施の形態は特許請求の範囲に係る発明を限定するものではない。また、実施の形態の中で説明した特徴の組合せの全てが発明の課題を解決するための手段に必須であるとは限らない点に留意すべきである。また、本発明は、その趣旨を逸脱しない範囲で適宜変形して実施することが可能である。

１…プロセス推定装置
２…制御部
２３…第１回帰モデル作成処理部
２４…第２回帰モデル作成処理部
２５…第３回帰モデル作成処理部
２７…プロセス推定処理部
２００…研究サイト
２１０…第１製造装置
２２０…研究サイト側データ管理装置
２３０…第１製造装置用制御装置
３００…量産サイト
３１０…第２製造装置
４１０…第１学習用データ
４１１…第１プロセスデータ
４１２…組織データ
４２０…推定元第１プロセスデータ
４３０…第２学習用データ
４３１…第２プロセスデータ
４３２…組織データ
４４０…推定第２プロセスデータ
４５１…第１回帰モデル
４５２…第２回帰モデル
４５３…第３回帰モデル

Claims (9)

1. 所定の対象工程を含む少なくとも１つ以上の工程を経て材料を製造する第１製造装置における前記対象工程でのプロセス情報を含む第１プロセスデータを基に、
   前記第１製造装置とは異なる装置であり、かつ前記対象工程を含む少なくとも１つ以上の工程を経て材料を製造する第２製造装置における前記対象工程でのプロセス情報を含む第２プロセスデータを推定するプロセス推定方法であって、
   前記第１プロセスデータと、前記第１製造装置における前記対象工程後のサンプルから得られる組織データとの関係を機械学習し、前記第１プロセスデータと該組織データとの相関性を表す第１回帰モデルを作成すると共に、
   前記第２プロセスデータと、前記第２製造装置における前記対象工程後のサンプルから得られる組織データとの関係を機械学習し、前記第２プロセスデータと該組織データとの相関性を表す第２回帰モデルを作成し、
   前記第１回帰モデルと前記第２回帰モデルとを基に、前記第１プロセスデータと前記第２プロセスデータの相関性を表す第３回帰モデルを作成し、
   前記第３回帰モデルを用いて、任意の推定元の前記第１プロセスデータである推定元第１プロセスデータに応じた前記第２プロセスデータである推定第２プロセスデータを推定する、
   プロセス推定方法。
2. 前記第１回帰モデルは、前記第１プロセスデータと組織データとに加えて、材料の組成情報を含む組成データとの関係を機械学習して作成され、前記第１プロセスデータと組織データと組成データとの相関性を表すように作成され、
   前記第２回帰モデルは、前記第２プロセスデータと組織データとに加えて、材料の組成情報を含む組成データとの関係を機械学習して作成され、前記第２プロセスデータと組織データと組成データとの相関性を表すように作成される、
   請求項１に記載のプロセス推定方法。
3. 前記材料が、セラミックス材料である、
   請求項１または２に記載のプロセス推定方法。
4. 前記材料が、磁性材料である、
   請求項３に記載のプロセス推定方法。
5. 前記組織データが、磁化温度依存性に基づく特徴量を含む、
   請求項１または２に記載のプロセス推定方法。
6. 前記対象工程は、混合工程、仮焼工程、微粉砕工程、成形工程、焼成工程の少なくともいずれか１つである、
   請求項１または２に記載のプロセス推定方法。
7. 前記第１製造装置が研究設備であり、かつ、前記第２製造装置が量産設備であり、
   前記研究設備で製造した材料を前記量産設備で再現すべく、前記第３回帰モデルを用いて、前記研究設備で再現対象となる材料を製造した際の前記第１プロセスデータから、前記量産設備で再現対象となる材料を製造するための前記第２プロセスデータを推定する、
   請求項１または２に記載のプロセス推定方法。
8. 前記第１製造装置が量産設備であり、かつ、前記第２製造装置が研究設備であり、
   前記第３回帰モデルを用いて、前記量産設備で量産可能な条件を表す前記第１プロセスデータから、これに対応した前記研究設備での実験条件となる前記第２プロセスデータを推定する、
   請求項１または２に記載のプロセス推定方法。
9. 所定の対象工程を含む少なくとも１つ以上の工程を経て材料を製造する第１製造装置における前記対象工程でのプロセス情報を含む第１プロセスデータを基に、
   前記第１製造装置とは異なる装置であり、かつ前記対象工程を含む少なくとも１つ以上の工程を経て材料を製造する第２製造装置における前記対象工程でのプロセス情報を含む第２プロセスデータを推定するプロセス推定装置であって、
   前記第１プロセスデータと、前記第１製造装置における前記対象工程後のサンプルから得られる組織データとの関係を機械学習し、前記第１プロセスデータと該組織データとの相関性を表す第１回帰モデルを作成する第１回帰モデル作成処理部と、
   前記第２プロセスデータと、前記第２製造装置における前記対象工程後のサンプルから得られる組織データとの関係を機械学習し、前記第２プロセスデータと該組織データとの相関性を表す第２回帰モデルを作成する第２回帰モデル作成処理部と、
   前記第１回帰モデルと前記第２回帰モデルとを基に、前記第１プロセスデータと前記第２プロセスデータの相関性を表す第３回帰モデルを作成する第３回帰モデル作成処理部と、
   前記第３回帰モデルを用いて、任意の推定元の前記第１プロセスデータである推定元第１プロセスデータに応じた前記第２プロセスデータである推定第２プロセスデータを推定するプロセス推定処理部と、を備えた、
   プロセス推定装置。

Images