JP7380932B2 - プロセス推定方法及び装置 - Google Patents
プロセス推定方法及び装置 Download PDFInfo
- Publication number
- JP7380932B2 JP7380932B2 JP2023019006A JP2023019006A JP7380932B2 JP 7380932 B2 JP7380932 B2 JP 7380932B2 JP 2023019006 A JP2023019006 A JP 2023019006A JP 2023019006 A JP2023019006 A JP 2023019006A JP 7380932 B2 JP7380932 B2 JP 7380932B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- regression model
- process data
- estimation
- manufacturing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 689
- 230000008569 process Effects 0.000 title claims description 641
- 238000004519 manufacturing process Methods 0.000 claims description 306
- 238000012545 processing Methods 0.000 claims description 134
- 239000000463 material Substances 0.000 claims description 111
- 238000011160 research Methods 0.000 claims description 78
- 238000010801 machine learning Methods 0.000 claims description 38
- 238000001354 calcination Methods 0.000 claims description 33
- 239000000203 mixture Substances 0.000 claims description 33
- 238000000547 structure data Methods 0.000 claims description 21
- 238000000465 moulding Methods 0.000 claims description 18
- 238000010304 firing Methods 0.000 claims description 12
- 230000005415 magnetization Effects 0.000 claims description 11
- 238000010298 pulverizing process Methods 0.000 claims description 11
- 238000002156 mixing Methods 0.000 claims description 8
- 229910010293 ceramic material Inorganic materials 0.000 claims description 5
- 239000000696 magnetic material Substances 0.000 claims description 5
- 238000013523 data management Methods 0.000 description 64
- 238000003860 storage Methods 0.000 description 48
- 239000000523 sample Substances 0.000 description 37
- 230000005540 biological transmission Effects 0.000 description 25
- 238000007405 data analysis Methods 0.000 description 22
- 230000005291 magnetic effect Effects 0.000 description 20
- 238000002411 thermogravimetry Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 230000008520 organization Effects 0.000 description 12
- 239000011347 resin Substances 0.000 description 12
- 229920005989 resin Polymers 0.000 description 12
- 238000012360 testing method Methods 0.000 description 12
- 230000007704 transition Effects 0.000 description 12
- 229910000859 α-Fe Inorganic materials 0.000 description 12
- 229920001971 elastomer Polymers 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 239000005060 rubber Substances 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 239000000843 powder Substances 0.000 description 8
- 239000002131 composite material Substances 0.000 description 7
- 239000013078 crystal Substances 0.000 description 7
- 238000011161 development Methods 0.000 description 7
- 238000013178 mathematical model Methods 0.000 description 6
- 238000012827 research and development Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 239000000945 filler Substances 0.000 description 5
- 238000010438 heat treatment Methods 0.000 description 5
- 239000002994 raw material Substances 0.000 description 5
- 238000002441 X-ray diffraction Methods 0.000 description 4
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000001301 oxygen Substances 0.000 description 4
- 229910052760 oxygen Inorganic materials 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 235000013339 cereals Nutrition 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 239000006185 dispersion Substances 0.000 description 3
- 230000005307 ferromagnetism Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- UQSXHKLRYXJYBZ-UHFFFAOYSA-N Iron oxide Chemical compound [Fe]=O UQSXHKLRYXJYBZ-UHFFFAOYSA-N 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002149 energy-dispersive X-ray emission spectroscopy Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000005294 ferromagnetic effect Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000008188 pellet Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000008429 bread Nutrition 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000005056 compaction Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005308 ferrimagnetism Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- BDAGIHXWWSANSR-NJFSPNSNSA-N hydroxyformaldehyde Chemical compound O[14CH]=O BDAGIHXWWSANSR-NJFSPNSNSA-N 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 239000011812 mixed powder Substances 0.000 description 1
- 230000005408 paramagnetism Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000001878 scanning electron micrograph Methods 0.000 description 1
- 238000005204 segregation Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- 239000002002 slurry Substances 0.000 description 1
- 229910000018 strontium carbonate Inorganic materials 0.000 description 1
- 239000013077 target material Substances 0.000 description 1
- 238000005979 thermal decomposition reaction Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
(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。
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)。
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。
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)。
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。
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)。
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。
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。
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。
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、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。
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。
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)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US18/113,970 US20230280700A1 (en) | 2022-03-02 | 2023-02-24 | Process estimation method and process estimation device |
KR1020230026888A KR20230129928A (ko) | 2022-03-02 | 2023-02-28 | 프로세스 추정 방법 및 장치 |
CN202310178097.4A CN116700157A (zh) | 2022-03-02 | 2023-02-28 | 工艺推定方法以及装置 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022032131 | 2022-03-02 | ||
JP2022032131 | 2022-03-02 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023129288A JP2023129288A (ja) | 2023-09-14 |
JP7380932B2 true JP7380932B2 (ja) | 2023-11-15 |
Family
ID=87972607
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023019006A Active JP7380932B2 (ja) | 2022-03-02 | 2023-02-10 | プロセス推定方法及び装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7380932B2 (ja) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017168507A1 (ja) | 2016-03-28 | 2017-10-05 | 三菱電機株式会社 | 品質管理装置、品質管理方法及び品質管理プログラム |
WO2020090848A1 (ja) | 2018-10-30 | 2020-05-07 | 昭和電工株式会社 | 材料設計装置、材料設計方法、及び材料設計プログラム |
-
2023
- 2023-02-10 JP JP2023019006A patent/JP7380932B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017168507A1 (ja) | 2016-03-28 | 2017-10-05 | 三菱電機株式会社 | 品質管理装置、品質管理方法及び品質管理プログラム |
WO2020090848A1 (ja) | 2018-10-30 | 2020-05-07 | 昭和電工株式会社 | 材料設計装置、材料設計方法、及び材料設計プログラム |
Non-Patent Citations (1)
Title |
---|
淺原 彰規,マテリアルズインフォマティクスを支えるアナリティクスとITプラットホーム,電子情報通信学会誌,日本,一般社団法人電子情報通信学会,2021年01月01日, 第105巻 第1号,第52~57頁 |
Also Published As
Publication number | Publication date |
---|---|
JP2023129288A (ja) | 2023-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Du Plessis et al. | Simple and fast porosity analysis of concrete using X-ray computed tomography | |
US9488635B2 (en) | Pore structure analyzer based on non-contact impedance measurement for cement-based materials | |
JP7393489B2 (ja) | コンクリートの製造方法 | |
Lurie et al. | Mechanical behavior of porous Si 3 N 4 ceramics manufactured with 3D printing technology | |
Aboutaleb et al. | Multi-objective accelerated process optimization of part geometric accuracy in additive manufacturing | |
Wang et al. | Kinetics of initial coarsening during sintering of nanosized powders | |
JP7380932B2 (ja) | プロセス推定方法及び装置 | |
CN110361042A (zh) | 一种温湿度监测装置自动计量检定方法及*** | |
KR20230129928A (ko) | 프로세스 추정 방법 및 장치 | |
JP5841763B2 (ja) | 粉粒体の充填率または空隙率の算出方法 | |
Wang et al. | Compound process of selective laser processed alumina parts densified by cold isostatic pressing and solid state sintering: Experiments, full process simulation and parameter optimization | |
CN116700157A (zh) | 工艺推定方法以及装置 | |
CN113511885B (zh) | 一种烧结陶瓷材料的方法和*** | |
Czelusniak et al. | Selective laser sintering of carbon fiber–reinforced PA12: Gaussian process modeling and stochastic optimization of process variables | |
CN109472112A (zh) | 一种页岩数字岩心建模方法 | |
Guillon | Effects of applied stress and heating rate in field assisted sintering | |
Hwang et al. | Determination of the flow stress and thermal properties of ceramic powder feedstock in ceramic injection molding | |
Sajeevan et al. | Investigation of compaction on compressive strength and porosity of pervious concrete | |
Mishra et al. | Prediction of moulding sand properties using multiple regression methodology | |
US20240142953A1 (en) | Process estimation device and process estimation method | |
CN106651022B (zh) | 一种冷补沥青混合料稀释剂最佳用量确定方法 | |
WO2023068020A1 (ja) | 機械学習方法、機械学習装置、機械学習プログラム、通信方法、及び制御装置 | |
Warren et al. | Shrinkage prediction using machine learning for additively manufactured ceramic and metallic components for gas turbine applications | |
Tummala et al. | 3d printed porous dielectric substrates for rf applications | |
CN108549791A (zh) | 一种基于模型参数自适应的烧结矿性质预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230519 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230519 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230808 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230926 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231003 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231016 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7380932 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |