JP7430218B2 - 巻き取り欠陥レベル予測値生成装置、巻き取り条件生成装置、巻き取り欠陥レベル予測値生成方法、及び巻き取り条件生成方法 - Google Patents

Description

本発明は、巻き取り欠陥レベル予測値生成装置、巻き取り条件生成装置、巻き取り欠陥レベル予測値生成方法、及び巻き取り条件生成方法に関する。

薄い金属板、紙、プラスチックフィルムなどのウエブを利用して物を製造する場合、ウエブは、例えば、塗布、乾燥等の処理された後、巻き取り装置により巻き取られる。巻き取り装置により作製された巻き取りウエブは、ロールの形態で、保管、輸送等される。

上述の巻き取りにおいて、巻き取りウエブに、ウエブの巻きズレ、及びウエブの損傷が生じないことが求められる。ウエブの巻きズレは、ロールに巻かれたウエブが、ウエブの幅方向にずれる現象である。ウエブの損傷は、ロールに巻かれたウエブに、シワ、凹み、模様等の変形が生じる現象である。

ウエブの巻きズレに対して、ウエブを巻き取る際の張力を高くする等、ウエブをきつく巻くことが、ウエブの巻きズレを抑制するのに有効とされている。しかしながら、ウエブをきつく巻くことは、ウエブの損傷が発生する原因ともなる。

一方、ウエブの損傷に対して、ウエブを巻き取る際の張力を低くする等、ウエブをゆるく巻くことが、ウエブの損傷を抑制するのに有効とされている。しかしながら、ウエブをゆるく巻くことは、ウエブの巻きズレが発生する原因ともなる。

上述したように、ウエブの巻きズレとウエブの損傷とはトレードオフの関係にあり、ウエブの巻きズレ、及びウエブの損傷を抑制できる巻き取り条件を構築することは容易ではない。これらに対応するため、種々の提案がなされている（特許文献１、特許文献２）。

特開２０１７‐１００８５０号公報 特許第５７７６０７７号公報

特許文献１及び特許文献２では、巻き取り張力を求めるために理論モデルを用いている。しかしながら、理論モデルを用いた場合、理論モデルを考慮した範囲に限定されてしまう。また、実際のウエブの巻き取りが理論モデルに適合するとは限らない。理論モデルが適合しない場合、精度の高い巻き取り条件を構築することは難しい。

そのため、ウエブの巻き取り条件を構築するには、現実的には、実際に巻き取り装置を利用して構築する必要があり、経済的にも、時間的にも負担が大きい。

本発明は、このような事情に鑑みてなされたもので、理論モデルの適否に拘らず、実際の結果に適合する巻き取り条件を構築することができる巻き取り欠陥レベル予測値生成装置、巻き取り条件生成装置、巻き取り欠陥レベル予測値生成方法、及び巻き取り条件生成方法を提供することを目的とする。

第１の態様に係る巻き取り欠陥レベル予測値生成装置は、入力部と、出力部と、予測値算出部と、を備える巻き取り欠陥レベル予測値生成装置であって、予測値算出部は、巻き取りウエブを作製した際の巻き取りパラメータと巻き取り条件及び巻き取り欠陥レベル値の組み合わせを教師データとして機械学習により作製された学習モデルを備え、入力部から入力された新規な巻き取りウエブの巻き取りパラメータと巻き取り条件とから、学習モデルを用いて、巻き取り欠陥レベル予測値を算出し、出力部は巻き取り欠陥レベル予測値を出力し、巻き取りパラメータは、ウエブの幅、ウエブの搬送速度、ウエブの巻き取り長さ、及び巻き取りウエブを作製したライン名称を含み、巻き取り条件は、巻き始めのウエブの張力、巻き始めの巻き取り径、巻き終わりのウエブの張力、及び巻き終わりの巻き取り径を含み、巻き取り欠陥レベル予測値は、ウエブの巻きズレ量、及びウエブの損傷欠陥のレベルを含み、教師データである、ウエブを作製した際に得られた巻き取り条件の集合に対し、それぞれの巻き取り条件の項目の値をＣ_ｎｉとし、巻き取り条件の項目の値Ｃ_ｎｉに設定された品質許容範囲値をＴ_ｎｉとし、かつ品質許容範囲値Ｔ_ｎｉが設定された項目数をＮとした場合、各項目についてＣ_ｎｉを下記の式で求められるＣ_ｋに置き換え、巻き取り欠陥レベル値は元の値と変えないデータを加え、３^Ｎ－１個分の教師データ、又は教師データの一部を追加教師データとして付与される。
Ｃ_ｋ＝ Ｃ_ｎｉ ± ０．５×Ｔ_ｎｉ

第２の態様に係る巻き取り条件生成装置は、上記記載の巻き取り欠陥レベル予測値生成装置における学習モデルであり、巻き取り条件を入力し、ウエブの巻きズレ量、及びウエブの損傷欠陥のレベルを出力する欠陥レベル算出モデルと、巻き取り条件算出部と、を備え、巻き取り条件算出部は、欠陥レベル算出モデルの出力であるウエブの巻きズレ量、及びウエブの損傷欠陥のレベルのそれぞれの和を目的関数とし、巻き取り条件を設計変数とし、目的関数が最小になるまで、進化計算により、設計変数を変化させ、目的関数が最小になった際の設計変数である巻き取り条件を、巻き取り条件として出力する。

第３の態様に係る巻き取り欠陥レベル予測値生成装置において、巻き取りパラメータは、ウエブを巻き取る巻芯の径、ウエブの厚み、ウエブ幅方向の最大厚みと最小厚みとの差、ウエブ幅方向の厚み分布及びウエブの弾性率の少なくとも一つを含み、巻き取り条件は、ウエブの巻き終わりの径、ナーリング高さ、ウエブを押圧するエアープレスの圧力関数、及びウエブを押圧するタッチローラの押し力関数の少なくとも一つを含む。

第４の態様に係る巻き取り欠陥レベル予測値生成装置において、ウエブの巻きズレ量が、巻き終わった後のロール輸送時、又は衝撃付与実験装置で衝撃を与えられた際の幅方向への巻きズレ量、もしくは周方向への巻きズレ量であり、ウエブの損傷欠陥が、ウエブが変形し折れ曲がったり痕ができたりして損傷した欠陥である。

第５の態様に係る巻き取り条件生成装置において、巻き取り条件は、さらに、巻き始めと巻き終わりの間の張力、及び対応する巻き取り径を含む。

第６の態様に係る巻き取り欠陥レベル予測値生成装置において、機械学習はニューラルネットワークであり、且つ学習時に過学習に対しドロップアウト(Dropout)を適用する。

第７の態様に係る巻き取り欠陥レベル予測値生成方法は、巻き取りロールを作製した際の巻き取りパラメータと巻き取り条件を入力とし、巻き取り欠陥レベル値を出力とした組み合わせの教師データを機械学習する学習モデルを作製するステップと、新規な巻き取りウエブの巻き取りパラメータと巻き取り条件とを入力するステップと、巻き取りパラメータと巻き取り条件とから、学習モデルを用いて、新規な巻き取りウエブの巻き取り欠陥レベル予測値を算出するステップと、を少なくとも備える巻き取り欠陥レベル予測値生成方法であって、巻き取りパラメータは、ウエブの幅、ウエブの搬送速度、ウエブの巻き取り長さ、及び巻き取りウエブを作製したライン名称を含み、巻き取り条件は、巻き始めのウエブの張力、巻き始めの巻き取り径、巻き終わりのウエブの張力、及び巻き終わりの巻き取り径を含み、巻き取り欠陥レベル予測値は、ウエブの巻きズレ量、及びウエブの損傷欠陥のレベルを含み、教師データである、ウエブを作製した際に得られた巻き取り条件の集合に対し、それぞれの巻き取り条件の項目の値をＣ_ｎｉとし、巻き取り条件の項目の値Ｃ_ｎｉに設定された品質許容範囲値をＴ_ｎｉとし、かつ品質許容範囲値Ｔ_ｎｉが設定された項目数をＮとした場合、各項目についてＣ_ｎｉを下記の式で求められるＣ_ｋに置き換え、巻き取り欠陥レベル値は元の値と変えないデータを加え、３^Ｎ－１個分の教師データ、又は教師データの一部を追加教師データとして付与される。
Ｃ_ｋ＝ Ｃ_ｎｉ ± ０．５×Ｔ_ｎｉ

第８の態様に係る巻き取り条件生成方法は、上記記載の巻き取り欠陥レベル予測値生成装置における学習モデルであり、巻き取り条件を入力し、ウエブの巻きズレ量、及びウエブの損傷欠陥のレベルを出力する欠陥レベル算出モデルの作製ステップと、巻き取り条件算出ステップと、を備え、巻き取り条件算出ステップにおいて、欠陥レベル算出モデルの出力であるウエブの巻きズレ量、及びウエブの損傷欠陥のレベルのそれぞれの和を目的関数とし、巻き取り条件を設計変数とし、目的関数が最小になるまで、進化計算により、設計変数を変化させ、目的関数が小さくなった際の設計変数である巻き取り条件を、巻き取り条件として出力する。

第９の態様に係る巻き取り欠陥レベル予測値生成方法において、巻き取りパラメータは、ウエブを巻き取る巻芯の径、ウエブの厚み、ウエブ幅方向の最大厚みと最小厚みとの差、ウエブ幅方向の厚み分布及びウエブの弾性率の少なくとも一つを含み、巻き取り条件は、ウエブの巻き終わりの径、ナーリング高さ、ウエブを押圧するエアープレスの圧力関数、及びウエブを押圧するタッチローラの押し力関数の少なくとも一つを含む。

第１０の態様に係る巻き取り欠陥レベル予測値生成方法において、ウエブの巻きズレ量が、巻き終わった後のロール輸送時、又は衝撃付与実験装置で衝撃を与えられた際の幅方向への巻きズレ量、もしくは周方向への巻きズレ量であり、ウエブの損傷欠陥が、ウエブが変形し折れ曲がったり痕ができたりして損傷した欠陥である。

第１１の態様に係る巻き取り条件生成方法において、巻き取り条件は、さらに、巻き始めと巻き終わりの間の張力、及び対応する巻き取り径を含む。

第１２の態様に係る巻き取り欠陥レベル予測値生成方法において、機械学習はニューラルネットワークであり、且つ学習時に且つ学習時に過学習に対しドロップアウト(Dropout)を適用する。

本発明によれば、理論モデルの適否に拘らず、実際の結果に適合する巻き取り条件を構築することができる。

図１は、巻き取り条件生成装置の概略ブロック図である。 図２は、巻き取り条件算出方法を示すフローチャートである。 図３は、教師データに含まれる巻き取りパラメータと巻き取り条件の一例を示すテーブルである。 図４は、教師データに含まれる巻き取りパラメータと巻き取り条件の別の例を示すテーブルである。 図５は、機械学習部の概略ブロック図である。 図６は、学習モデルの概略ブロック図である。 図７は、ウエブを巻き取る巻き取り装置の概略図である。 図８は、図７とは異なる巻き取り装置の概略図である。 図９は、巻き取り欠陥レベル予測値生成装置の概略ブロック図である。 図１０は、教師データに含まれる入力データと出力データの一例を示すテーブルである。 図１１は、教師データに含まれる入力データと出力データの別の例を示すテーブルである。 図１２は、機械学習部の概略ブロック図である。 図１３は、学習モデルの概略ブロック図である。 図１４は、巻き取り条件生成装置の概略ブロック図である。

以下、添付図面にしたがって本発明の好ましい実施形態について説明する。本発明は以下の好ましい実施形態により説明される。本発明の範囲を逸脱すること無く、多くの手法により変更を行うことができ、実施形態以外の他の実施形態を利用することができる。したがって、本発明の範囲内における全ての変更が特許請求の範囲に含まれる。

＜巻き取り条件生成装置＞
図１は、巻き取り条件生成装置の概略ブロック図である。図１に示されるように、巻き取り条件生成装置１０は、入力部２０と、条件算出部３０と、出力部４０と、記憶部５０と、備える。

入力部２０は、巻き取り条件生成装置１０に外部からのデータを受け入れる。入力部２０は、例えば、キーボード、タッチパッド、電気信号に対する通信インターフェイス、及びそれらの組み合わせで構成することができる。入力部２０は、構成は特に限定されない。入力部２０が通信インターフェイスであれば、他の電子機器に記憶されているデータを入力部２０から直接受け入れることができる。通信インターフェイスは有線であっても、無線であってもよい。

記憶部５０は、入力部２０から入力されたデータを記憶する。実施形態では、複数の教師データＴＤ_１、教師データＴＤ_２・・・教師データＴＤ_ｎが、記憶部５０に記憶されている。記憶部５０としては、例えば、ＨＤＤ（Hard Disk Drive）等の磁気ディスクを含む装置、ｅＭＭＣ（embedded Multi Media Card）、ＳＳＤ（Solid State Drive）等のフラッシュメモリを含む装置等を用いることができる。なお、ｎは整数である。

教師データＴＤ_ｎとは、目標の巻き取り品質を満たしているかが確認された巻き取りウエブに関連する情報である。目標の巻き取り品質は、ウエブの巻きズレ欠陥が発生しないこと、及びウエブの損傷欠陥が発生しないことである。欠陥が発生しないとは、欠陥が全く発生しないこと、及び欠陥が許容される範囲であることの両方を含んでいる。教師データＴＤ_ｎとして、巻き取りウエブの作製に関し良質なデータが抽出されている。

教師データＴＤ_１は巻き取りパラメータＰ_１と巻き取り条件Ｃ_１とを含み、教師データＴＤ_２は巻き取りパラメータＰ_２と巻き取り条件Ｃ_２とを含んでいる。各教師データＴＤ_ｎは、巻き取りパラメータＰ_ｎと巻き取り条件Ｃ_ｎとを含んでいる。教師データＴＤ_ｎに含まれる巻き取りパラメータＰ_ｎと巻き取り条件Ｃ_ｎとは、巻き取りウエブを作製するための情報であって、巻き取りパラメータＰ_ｎと巻き取り条件Ｃ_ｎは組み合わせの情報として取得されている。巻き取りパラメータＰ_ｎは、巻き取りウエブを作製する際の前提となる条件であり、巻き取り条件Ｃ_ｎは、実際に巻き取りウエブを作製する際の運転条件等となる。巻き取りパラメータＰ_ｎ、及び巻き取り条件Ｃ_ｎの内容については後述する。

条件算出部３０は、機械学習部３２と学習モデル３４とを備えている。機械学習部３２は、複数の教師データＴＤ_１、教師データＴＤ_２・・・教師データＴＤ_ｎのあつまりを教師データ群として、機械学習するよう構成されている。機械学習部３２において、巻き取りパラメータＰ_ｎは入力教師データを構成する。巻き取り条件Ｃ_ｎは出力教師データとなる。

機械学習部３２は、巻き取りパラメータＰ_ｎと巻き取り条件Ｃ_ｎとの組み合わせである教師データＴＤ_ｎから、後述する、巻き取りパラメータＰ_ｎと巻き取り条件Ｃ_ｎとの相関関係を学習する。

条件算出部３０は、機械学習部３２により学習された学習結果を、学習モデル３４として備えている。学習モデル３４は、入力部２０から入力された、新規な巻き取りウエブの巻き取りパラメータＰ_newから、新規な巻き取りウエブの巻き取り条件Ｃ_newを予測値として算出する。新規な巻き取りウエブの巻き取りパラメータＰ_newは、新規な巻き取りパラメータＰ_newとも称し、図中では巻き取りパラメータＰ_newと表示する。新規な巻き取りウエブの巻き取り条件Ｃ_newは、新規な巻き取り条件Ｃ_newとも称し、図中では巻き取り条件Ｃ_newと表示する。実施形態では、条件算出部３０は、機械学習部３２を備えているが、条件算出部３０は、少なくとも学習モデル３４を備えていればよい。

出力部４０は、学習モデル３４により算出された新規な巻き取り条件Ｃ_newを出力する。出力部４０は、例えば、ディスプレイ、プリンター、電気信号に対する通信インターフェイス、及びそれらの組み合わせで構成することができる。出力部４０が通信インターフェイスであれば、例えば、巻き取り装置に備えられる制御装置（不図示）に、新規な巻き取り条件Ｃ_newを直接伝送することができる。入力部２０と同様に、通信インターフェイスは有線であっても、無線であってもよい。

巻き取り条件生成装置１０を利用した巻き取り条件算出方法について説明する。図２に示されるように、巻き取りパラメータＰ_ｎと巻き取り条件Ｃ_ｎの組み合わせを教師データＴＤ_ｎとして、例えば、機械学習部３２の機械学習により学習モデル３４が作製される（ステップＳ１１）。複数の教師データＴＤ_ｎを利用して、学習することが好ましい。

次に、新規な巻き取りパラメータＰ_ｎｅｗが入力される（ステップＳ１２）。新規な巻き取りパラメータＰ_ｎｅｗが学習モデル３４に入力される。

次に、学習モデル３４は、入力された新規な巻き取りパラメータＰ_ｎｅｗから、新規な巻き取り条件Ｃ_ｎｅｗを予測値として算出する（ステップＳ１３）。

目標の巻き取り品質を満たす教師データＴＤ_ｎに基づいて機械学習部３２が学習モデル３４を作製しているので、良質な巻き取りができる期待値の高い新規な巻き取り条件Ｃ_ｎｅｗを得ることができる。

＜教師データ＞
教師データＴＤ_ｎの構成について説明する。図３は、教師データＴＤに用いることができる巻き取りパラメータＰ_ｎと巻き取り条件Ｃ_ｎとの組み合わせの一例を示すテーブルである。図３に示すように、巻き取りパラメータＰ_ｎは、例えば、ライン名称（ライン番号とも称する）、ウエブを巻き取る巻芯の径（ｍｍ）、ウエブの幅（ｍｍ）、ウエブの搬送速度（ｍ／ｍｉｎ）、ウエブの巻き取り長さ（ｍ）、ウエブの厚み（μｍ）、ウエブ幅方向の厚み分布における最大厚みと最小厚みの差（μｍ）、及びウエブの弾性率（ＧＰａ）の８項目を含んでいる。

ライン名称は、製造ラインを識別するための名称であり、ライン毎に固有の番号が付与されている。ウエブを巻き取る巻芯の径は、巻き取り装置にセットされる巻芯の径であり、ウエブの巻き始めの径でもある。ウエブの幅は、ウエブの長手方向と直交する方向の長さである。ウエブの搬送速度は、製造ラインを搬送方向に沿って移動するウエブの速度である。ウエブの巻き取り長さは、巻芯に巻き取られるウエブの長さであり、巻き取りウエブ（完成品のロールの状態）のウエブの長さである。ウエブの厚みは、ウエブの対向する２つの主面の距離である。主面とは面積の大きな面である。ウエブの厚みは、厚み計により測定することができる。ウエブ幅方向の厚み分布における最大厚みと最小厚みの差とは、ウエブの両端から一定距離の分だけ除いたウエブの幅方向において、所定間隔で厚みを測定した際の、最大厚みと最小厚みとの差である。連続厚み測定器（アンリツ製）で測定することができる。ウエブの弾性率は、テンシロン（引張試験機）で測定された値である。

巻き取り条件Ｃ_ｎは、巻き始めのウエブの張力（Ｎ）、巻き終わりのウエブの張力（Ｎ）、ナーリング高さ（μｍ）、ウエブの巻き終わりの径（ｍｍ）、ウエブを押圧するタッチローラの押し力（Ｎ）、及びウエブを押圧するエアープレスの圧力（ｋＰａ）の６項目を含んでいる。

巻き始めのウエブの張力は、巻き始める際にウエブに加えられる張力である。巻き終わりのウエブの張力は、ウエブが巻き取り長さに達した際に、ウエブに加えられる張力である。ナーリング高さは、ウエブの両端部に形成されたナーリング領域の厚みと、ナーリングの形成されていない領域の厚みとの差である。ナーリングはウエブの両端部に形成される凹凸である。ウエブの巻き終わりの径は、ウエブが巻き取り長さに達した際のウエブの径である。ウエブを押圧するタッチローラの押し力は、ウエブを巻き取る際に、タッチローラが巻芯の方向にウエブを押し付ける力である。ウエブを押圧するエアープレスの圧力は、ウエブを巻き取る際に、ノズルから噴出されるエアーが巻芯の方向にウエブを押し付ける圧力又はその際のエアーノズル内の内圧である。

図４は、教師データＴＤに用いることができる巻き取りパラメータＰ_ｎと巻き取り条件Ｃ_ｎとの組み合わせの別の例を示すテーブルである。

図３のテーブルと異なる項目について説明する。図４のテーブルにおいて、巻き取り条件Ｃ_ｎは、巻き取りロールの径方向座標に対して表される張力関数（Ｎ）、タッチローラの押し力関数（Ｎ）、及びエアープレス圧力関数（ｋＰａ）を含んでいる。巻き取りロールの径方向座標に対して表される張力関数が、巻き始めのウエブの張力、巻き終わりのウエブの張力、ウエブの巻き終わりの径を含でいる。また、タッチローラの押し力関数がウエブを押圧するタッチローラの押し力を含んでいる。また、エアープレス圧力関数がウエブを押圧するエアープレスの圧力を含んでいる。なお、図４においては、「巻き取りロールの径方向座標に対して表される張力関数」を「径方向座標に対して表される張力関数」と表現する。

したがって、巻き取り条件Ｃ_ｎは、巻き始めのウエブの張力、巻き終わりのウエブの張力、ウエブの巻き終わりの径、ウエブを押圧するタッチローラの押し力、及びウエブを押圧するエアープレスの圧力を含んでいない。

巻き取りロールの径方向座標に対して表される張力関数は、ウエブの巻き取り径とウエブの張力との関係を規定した関数である。張力関数は、例えば、張力を縦軸とウエブ径を横軸としてグラフにプロットした場合、直線、折れ線、曲線等で表すことができる。

タッチローラの押し力関数は、ウエブの巻き取り径とタッチローラの押し力との関係を規定した関数である。エアープレス圧力関数は、ウエブの巻き取り径とエアープレス圧力との関係を規定した関数である。

教師データＴＤ_ｎにおいて、巻き取りパラメータＰ_ｎは入力データを構成し、巻き取り条件Ｃ_ｎは出力データを構成する。巻き取りパラメータＰ_ｎは、基本的には、ライン名称、ウエブを巻き取る巻芯の径、ウエブの幅、ウエブの厚み、ウエブ幅方向の厚み分布における最大厚みと最小厚みの差、及びウエブの弾性率のように、ウエブの巻き取りが開始されると調整できない項目を含んでいる。一方、実施形態の巻き取りパラメータＰ_ｎは、ウエブの巻き取り開始後でも調整可能なウエブの搬送速度、及びウエブの巻き取り長さを含んでいる。ウエブの搬送速度、及びウエブの巻き取り長さは、生産性を決定する要因である。ウエブの生産性の目標を達成することを前提にしているので、ウエブの搬送速度、及びウエブの巻き取り長さが、入力データである巻き取りパラメータＰ_ｎに含まれている。ウエブの生産性の目標を達成し、かつ目標の巻き取り品質を満たす巻き取りウエブを作製することが重要となる。

巻き取り条件Ｃ_ｎは、基本的には、巻き始めのウエブの張力、巻き終わりのウエブの張力、ウエブの巻き終わりの径、ウエブを押圧するタッチローラの押し力、及びウエブを押圧するエアープレスの圧力のように、ウエブの巻き取りが開始後に調整可能な項目を含んでいる。

一方、実施形態の巻き取り条件Ｃ_ｎは、巻き取り開始後に調整できないナーリング高さを含んでいる。ナーリングは、巻き取りウエブを作製する際、又は巻き取り後の、巻きズレを防止するために設けられる。ナーリング高さは、巻き取り品質に関係すること、及び巻き取り開始前に調整可能であることから、出力データである巻き取り条件Ｃ_ｎに含まれている。

図３、及び図４において、巻き取りパラメータＰ_ｎ、及び巻き取り条件Ｃ_ｎを例示したが、これらに限定されない。巻き取りパラメータＰ_ｎは、少なくともウエブの幅、ウエブの搬送速度、及びウエブの巻き取り長さを含んでいればよい。巻き取り条件Ｃ_ｎは、少なくとも、巻き始めのウエブの張力、及び巻き終わりのウエブの張力を含んでいればよい。

また、より精度の高い新規な巻き取り条件Ｃ_ｎｅｗを得るため、巻き取り条件Ｃ_ｎとして、以下の項目を追加してもよい。例えば、巻き始めと巻き終わりの張力（Ｎ）、及び巻き取り径（ｍｍ）に加えて、巻き始めと巻き終わりの間の張力（Ｎ）、及び対応する巻き取り径（ｍｍ）を追加することができる。

タッチローラの押し力（Ｎ）と巻き取り径（ｍｍ）のとの関係を追加することができる。同様に、エアープレスの圧力（ｋＰａ）と巻き取り径（ｍｍ）のとの関係を追加することができる。

＜条件算出部＞
条件算出部３０に備えられる機械学習部３２及び学習モデル３４について説明する。図５は機械学習部３２の概略構成図である。図５に示されるように、機械学習部３２は、ニューラルネットワーク１００及び深層学習を含んでいる。ニューラルネットワーク１００は、入力層１０２、第１中間層１０４、第２中間層１０６、及び出力層１０８を備える、いわゆる３層のニューラルネットワークで構成されている。入力層１０２、及び出力層１０８は、５個のニューロンを備える。第１中間層１０４、及び第２中間層１０６は、それぞれ３個のニューロンを備える。ニューラルネットワーク１００は全結合されている。ここで、深層学習は、入力層１０２から出力層１０８までの間で構成される層を多層化構造にした際に学習がうまく実行されない問題（勾配消失、過学習等）を起きにくいよう性能を向上したものを意味する。

教師データＴＤ_ｎから巻き取りパラメータＰ_ｎが入力データとして入力層１０２に入力される。入力データとして、少なくともウエブの幅、ウエブの搬送速度、及びウエブの巻き取り長さを含んでいる。

入力層１０２に入力された入力データは、ある重みが乗算され、さらにバイアスが加算され、第１中間層１０４に入力される。第１中間層１０４に入力された入力データは、ある重みが乗算され、さらにバイアスが加算され、第２中間層１０６に入力される。第２中間層１０６に入力された入力データは、ある重みが乗算され、さらにバイアスが加算され、出力層１０８に入力される。それぞれのニューロンにおいて、乗算される重み、及び加算されるバイアスの値は任意に設定されている。ニューロンにおいて入力を出力に変換する活性化関数として、例えば、ＲｅＬＵ（Rectified Linear Unit）を用いることができる。なお、活性化関数は、ＲｅＬＵに限定されない。

巻き取りパラメータＰ_ｎに対応する条件出力結果ＲＬ_ｎが出力層１０８から出力される。条件出力結果ＲＬ_ｎは、少なくとも、巻き始めのウエブの張力、及び巻き終わりのウエブの張力を含んでいる。

条件出力結果ＲＬ_ｎが調整部３６に入力される。調整部３６に、教師データＴＤ_ｎから巻き取りパラメータＰ_ｎに対応する巻き取り条件Ｃ_ｎが入力される。巻き取り条件Ｃ_ｎは、少なくとも、巻き始めのウエブの張力、及び巻き終わりのウエブの張力を含んでいる。

調整部３６は、条件出力結果ＲＬ_ｎと巻き取り条件Ｃ_ｎを対比する。調整部３６は、例えば、２乗和誤差を損失関数として、その値を求める。準備されている教師データ群に含まれる全ての教師データＴＤ_1～ｎについて同様の操作を行う。調整部３６は、条件出力結果ＲＬ_ｎと巻き取り条件Ｃ_ｎの２乗和誤差の総和が最小になるよう、重み、及びバイアスを調整する。このような調整を複数回繰り返すことで、学習が実行される。学習を終えると、学習された重みとバイアスｗｂのデータが不図示の記憶部に記憶される。

ニューラルネットワーク１００に関し、入力層１０２、第１中間層１０４、第２中間層１０６、及び出力層１０８の個数、及びニューロンの個数は、特に限定されない。入出力データの項目数が多いほど、層の個数とニューロンの個数を増やすことが好ましい。

ニューラルネットワーク１００を利用した学習において、過学習の対策のためDropoutの手法を適用することができる。Dropoutは、中間層のニューロンをランダムに消去する手法である。Dropoutにより、ニューラルネットワーク１００の汎化性能を向上させることができる。過学習の対策はDropoutに限定されず、種々の正則化の手法を適用することができる。

図６は、学習モデル３４の概略構成図である。学習モデル３４は、ニューラルネットワーク２００は、入力層２０２、第１中間層２０４、第２中間層２０６、及び出力層２０８を備える、いわゆる３層のニューラルネットワークで構成されている。入力層２０２、及び出力層２０８は、５個のニューロンを備える。第１中間層２０４、及び第２中間層２０６は、それぞれ３個のニューロンを備える。ニューラルネットワーク２００には、図５に示す機械学習部３２で学習された重みとバイアスｗｂが、それぞれのニューロンに設定されている。

新規な巻き取りパラメータＰ_ｎｅｗがニューラルネットワーク２００の入力層２０２に入力される。それぞれのニューロンで重みとバイアスｗｂのデータを用いて、重みが乗算され、バイアスが加算され、出力層２０８に入力される。新規な巻き取りパラメータＰ_ｎｅｗに対応する新規な巻き取り条件Ｃ_ｎｅｗが予測値として算出され、出力層２０８から出力される。

実施形態では機械学習部３２と学習モデル３４とが別々のニューラルネットワークを用いた場合を説明した。機械学習部３２と学習モデル３４とが共通のニューラルネットワークを用いてもよい。機械学習部３２のニューラルネットワークにより重みとバイアスとを学習する。次いで、学習された重みとバイアスとを機械学習部３２のニューラルネットワークに設定する。機械学習部３２を学習モデル３４として機能させることができる。

機械学習部３２と学習モデル３４とは、物理的に離れていてもよい。機械学習部３２と学習モデル３４とは、機械学習部３２の学習結果を学習モデル３４が利用する関係にあればよく、特に限定されない。また、学習モデル３４は、別のサーバ等の装置で作製されたモデルあってもよい。すなわち、別のサーバ等による学習済みの学習モデル３４を、巻き取り条件生成装置１０の条件算出部３０に投入してもよい。

機械学習部３２に学習させる際、多くの良質な教師データＴＤ_ｎを用いて学習することが予測値の精度向上につながる。一方、巻き取りの品質範囲が限定的な巻き取り条件Ｃ_ｎを抽出し、この巻き取り条件Ｃ_ｎを含む教師データＴＤ_ｎを利用して機械学習部３２で学習させると、学習モデル３４から出力される新規な巻き取り条件Ｃ_newの各項目も限定的な値となる。学習の結果が、教師データＴＤに依存するからである。そのため、巻き取り条件Ｃ_newの各項目がどの程度許容幅を持つかを認識することが困難であった。

実施形態では、以下の手法により、信頼性のある教師データＴＤ_ｎを有効に増やすことができ、巻き取り条件Ｃ_newの各項目の許容幅を確認することができる。

まず、教師データＴＤ_ｎに含まれる巻き取り条件Ｃ_ｎの集合から各項目（例えば、巻き始めのウエブの張力、ナーリング高さ等）を抽出する。各項目における製造管理幅を確認する。各項目が、それぞれ、製造管理幅を持つ場合がある。製造管理幅は巻き取りに際し許容される品質許容範囲値である。例えば、上述の張力は１０Ｎの製造管理幅を持つ。すなわち、ウエブを巻き取る際、ある張力に対して±５Ｎが許容される範囲となる。同様にナーリング高さは、品種により例えば１μｍの製造管理幅を持っており、±０．５μｍが許容される範囲となる。

そこで、巻き取り条件Ｃ_ｎに含まれる各項目について、以下の式１に示す製造管理幅の０．５倍を加算した場合と、製造管理幅の０．５倍を減算した場合とを、項目として含ませている。

Ｃ_ｋ＝Ｃ_ｎｉ± ０．５×Ｔ_ｎｉ （式１）
ここで、Ｃ_ｎｉは巻き取り条件Ｃ_ｎに含まれる項目を、Ｔは製造管理幅を示している。すなわちＣ_ｋはＣ_ｎｉ＋０．５×Ｔ_ｎｉとＣ_ｎｉ－０．５×Ｔ_ｎｉとを含んでいる。これらを含め、巻き取り条件Ｃ_ｎに対する追加巻き取り条件Ｃ_ａｄとして許容する。すなわち、巻き取りパラメータＰ_ｎ、及び巻き取り条件Ｃ_ｎの組み合わせとする教師データＴＤ_ｎ以外に、巻き取りパラメータＰ_ｎ及び追加巻き取り条件Ｃ_ａｄの組み合わせを追加教師データＴＤ_adとして教師データＴＤ_ｎに加えることになる。

次に、巻き取り条件Ｃ_ｎに対して追加巻き取り条件Ｃ_ａｄがどの程度増加するかを説明する。上述のＣ_ｋ＝Ｃ_ｎｉ±０．５×Ｔ_ｎｉを認めると、結果、一つの項目に注目すれば、Ｃ_ｎｉ、Ｃ_ｎｉ＋０．５×Ｔ_ｎｉ、及びＣ_ｎｉ－０．５×Ｔ_ｎｉの３つの値を含むことになる。

例えば、巻き取り条件Ｃ_ｎが４項目を有し、それぞれ項目の値がＣ_ｎ１からＣ_ｎ４であり、各項目がそれぞれＴ_ｎ１からＴ_ｎ４の製造管理幅を有る場合について説明する。
以下は、巻き取り条件Ｃ_ｎの各項目の値の組み合わせを示している。
Ｎｏ１：（Ｃ_ｎ１＋0.5×Ｔ_ｎ１、Ｃ_ｎ２＋0.5×Ｔ_ｎ２、Ｃ_ｎ３＋0.5×Ｔ_ｎ３、Ｃ_ｎ４＋0.5×Ｔ_ｎ４）
Ｎｏ２：（Ｃ_ｎ１ 、Ｃ_ｎ２＋0.5×Ｔ_ｎ２、Ｃ_ｎ３＋0.5×Ｔ_ｎ３、Ｃ_ｎ４＋0.5×Ｔ_ｎ４）
Ｎｏ３：（Ｃ_ｎ１－0.5×Ｔ_ｎ１、Ｃ_ｎ２＋0.5×Ｔ_ｎ２、Ｃ_ｎ３＋0.5×Ｔ_ｎ３、Ｃ_ｎ４
＋0.5×Ｔ_ｎ４）
Ｎｏ４：（Ｃ_ｎ１＋0.5×Ｔ_ｎ１、Ｃ_ｎ２ 、Ｃ_ｎ３＋0.5×Ｔ_ｎ３、Ｃ_ｎ４＋0.5×Ｔ_ｎ４）
Ｎｏ５：（Ｃ_ｎ１ 、Ｃ_ｎ２ 、Ｃ_ｎ３＋0.5×Ｔ_ｎ３、Ｃ_ｎ４＋0.5×Ｔ_ｎ４）
Ｎｏ６：（Ｃ_ｎ１－0.5×Ｔ_ｎ１、Ｃ_ｎ２ 、Ｃ_ｎ３＋0.5×Ｔ_ｎ３、Ｃ_ｎ４＋0.5×Ｔ_ｎ４）
Ｎｏ７：（Ｃ_ｎ１＋0.5×Ｔ_ｎ１、Ｃ_ｎ２－0.5×Ｔ_ｎ２、Ｃ_ｎ３＋0.5×Ｔ_ｎ３、Ｃ_ｎ４
＋0.5×Ｔ_ｎ４）
Ｎｏ８：（Ｃ_ｎ１ 、Ｃ_ｎ２－0.5×Ｔ_ｎ２、Ｃ_ｎ３＋0.5×Ｔ_ｎ３、Ｃ_ｎ４＋0.5×Ｔ_ｎ４）
Ｎｏ９：（Ｃ_ｎ１－0.5×Ｔ_ｎ１、Ｃ_ｎ２－0.5×Ｔ_ｎ２、Ｃ_ｎ３＋0.5×Ｔ_ｎ３、Ｃ_ｎ４
＋0.5×Ｔ_ｎ４）・・・・・
Ｎｏ８１・・・
上述したように、Ｃ_ｎ１からＣ_ｎ４の各項目が、それぞれ３つの値を取ることができるので、その組み合わせの個数は３^４＝８１となる。１個の教師データＴＤ_ｎが８１倍の教師データに増えることが理解できる。ただし、教師データにおける製造管理幅を現場で取得した際に、巻き取り条件のうち一つの項目のみ加算もしくは減算し、他の項目はそのままの値で良好な巻き取り品質となることを確認して得られた製造管理幅の場合は、教師データも同様にする。すなわち、上記の例で示すと、その組み合わせの個数は３×Ｎとなり、製造管理幅を設定した項目が４個の場合は、教師データＴＤ_ｎは１２倍の教師データに増加することが理解できる。

上述では、Ｃ_ｎ１からＣ_ｎ４の各項目が、Ｔ_ｎ１からＴ_ｎ４の製造管理幅を有する場合について説明した。例えば、項目Ｃ_ｎ４の製造管理幅Ｔ_ｎ４が０と設定されている場合、組み合せの計算から除外される。したがって、組み合わせの個数は３^３＝２７となる。Ｃ_ｎ１からＣ_ｎ４の各項目の中で一つでも製造管理幅Ｔ_ｎが定められていると、組み合わせの個数は３^１＝３となる。この場合であっても、１個の教師データＴＤ_ｎが３倍の教師データに増えることが理解できる。

上述の手法によれば、式１の範囲を巻き取り条件に加えことにより、品質許容範囲が設定された項目数をＮとした場合、３^Ｎ－１個分の教師データを追加教師データとして付与することができる。実際の製造管理幅に基づいて信頼性のある追加教師データＴＤ_ａｄを増やせることができ、追加教師データＴＤ_ａｄを加えた教師データＴＤ_ｎを用いて学習することにより予測値の精度向上を図ることができる。機械学習部３２により学習モデル３４を作製する前に、追加教師データＴＤ_ａｄを付与するステップを設けることが好ましい。

また、製造管理幅を実際の製造現場で設定した際に、他の項目はそのままの値に設定していた場合は、それに合わせ、追加教師データは、製造管理幅を設定した項目のみを加減算し、他の項目は変更しない。すわなち、３^Ｎ－１個分の教師データのみを追加教師データとして付与することが好ましい。また、３^Ｎ－１個分の教師データの一部を追加教師データとして付与することができる。

＜巻き取り装置＞
実施形態の巻き取り装置について、図７、及び図８に参照して説明する。図７に示されるように、巻き取り装置３００は、製造ライン５００の下流側に配置される。製造ライン５００は、ウエブ１を製造するための設備、例えば、塗布装置、乾燥装置等を含んでいる。ウエブ１を製造するための設備であれば、特に限定されない。製造ライン５００はコントローラ５０２によりウエブ１に対する各種処理が制御される。コントローラ５０２は、駆動ローラ５０４の回転速度を制御することができ、ウエブの搬送速度を調整することができる。

巻き取り装置３００は、巻芯３０２、モータ３０４、支持台３０６、及びタッチローラ３０８、押圧機構３１０、張力測定ローラ３１２、張力センサ３１４、ダンサーローラ３１８、ダンサー機構３２０、ガイドローラ３２２、測長ローラ３２４、及びコントローラ３２６を含んでいる。

巻芯３０２は支持台３０６に回動自在に保持されている。モータ３０４が巻芯３０２を回転駆動する。コントローラ３２６はモータ３０４の回転を制御し、巻芯３０２を矢印Ａ方向に回転させる。回転により、ウエブ１は巻芯３０２に巻き取られる。

ウエブ１は、可撓性の連続した帯状であって膜厚の薄い部材を意味し、樹脂フィルム、紙、金属、レジンコーティッド紙、又は合成紙等が包含される。樹脂フィルムの材質は、例えば、ポリエチレン、ポリプロピレン等のポリオレフィン、ポリ酢酸ビニル、ポリ塩化ビニル、ポリスチレン等のビニル重合体、６，６─ナイロン、６─ナイロン等のポリアミド、ポリエチレンテレフタレート、ポリエチレン─２，６─ナフタレート等のポリエステル、ポリカーボネート、セルローストリアセテート、セルロースダイアセテート等のセルロースアセテート等が例示することができる。樹脂フィルムは、例えば、機能が付与（例えば、機能層の形成等）されていても良い。

ウエブ１の搬送経路の途中に、張力測定ローラ３１２、ダンサーローラ３１８、ガイドローラ３２２がそれぞれ配置されている。張力測定ローラ３１２には張力センサ３１４が接続される。また、ダンサーローラ３１８には、ダンサーローラ３１８を移動させるダンサー機構３２０が設けられ、一定の力でウエブに張力を与えている。ダンサー位置センサは、ダンサー位置を測定する。測定されたダンサー位置はコントローラ３２６に入力される。コントローラ３２６は、測定結果に基づいて、制御し、ダンサーローラ３１８を移動してウエブ１に安定した張力を与えることができる。

タッチローラ３０８は、巻芯３０２の回転軸と平行な回転軸を有し、巻芯３０２に巻き取られるウエブ１に当接する。タッチローラ３０８には押圧機構３１０が設けられている。押圧機構３１０は、コントローラ３２６によって制御され、巻芯３０２に向かって所定の押し力でタッチローラ３０８を押し付ける。タッチローラ３０８は、巻芯３０２に巻き取られるウエブ１に巻き込まれるエアーの含有率を低くすることができる。押圧機構３１０は、例えば、タッチローラ３０８を支持するアームと、アームを押すエアーシリンダ等で構成される。コントローラ３２６は、エアーシリンダの空気圧を制御することができ、ウエブを押圧するタッチローラ３０８の押し力を調整することができる。

測長ローラ３２４は、ウエブ１に当接して設けられており、ウエブ１の移動に伴って回転する。測長ローラ３２４には、不図示のエンコーダが設けられている。エンコーダからの信号がコントローラ３２６に入力される。コントローラ３２６は、測長ローラ３２４を通過するウエブ１の送り長、ここではウエブの巻き取り長さを測定することができる。ウエブの巻き取り長さが、予め定められた値に達すると、コントローラ３２６は巻芯３０２の回転を停止する。

ウエブの巻き取り径は、コントローラ３２６により、常時演算され、算出されている。例えば、巻芯３０２が一回転するのに必要なウエブの長さを計測し、ウエブの長さを３．１４で除算することにより径を求めることができる。

図７に示す実施形態において、巻き取り条件生成装置１０の条件算出部３０の学習モデル３４（不図示）には、新規な巻き取りパラメータＰ_ｎｅｗが入力されている。条件算出部３０の学習モデル３４が、新規な巻き取りパラメータＰ_ｎｅｗから、新規な巻き取り条件Ｃ_ｎｅｗを予測値として算出する。

新規な巻き取りパラメータＰ_ｎｅｗ及び新規な巻き取り条件Ｃ_ｎｅｗが、コントローラ３２６、及びコントローラ５０２に入力される。新規な巻き取りパラメータＰ_ｎｅｗ及び新規な巻き取り条件Ｃ_ｎｅｗに基づいて、巻き取り装置３００によりウエブを巻き取ることにより、目標の品質を満たす巻き取りウエブを作製することができる。

次に、図８を参照して、図７と異なる巻き取り装置４００について説明する。なお、上述の巻き取り装置３００と同一の部分については同一の符号を付し、詳細な説明を省略する場合がある。

巻き取り装置４００は、巻き取り装置３００とは異なりタッチローラ３０８に代えて、エアーノズル４０２を備える。エアーノズル４０２に形成されたスリット状の開口（不図示）からウエブ１のエアーを吹き付けてエアープレスすることにより、巻芯３０２に巻き取られるウエブ１に巻き込まれるエアーを非接触で除去することができる。

エアーノズル４０２は、エアーノズル４０２の開口の長手方向と巻芯３０２の回転軸とが平行になるように配置される。実施形態では、エアーノズル４０２は、エアー噴出方向がウエブ１の主面と直交する位置に配置されている。エアーノズル４０２のエアー噴出方向をウエブ１の主面に対して直交する位置から傾けてもよい。

エアーノズル４０２には、エアーの発生源として、フィルタ、エアータンク及びコンプレッサからなるブロア４０４が配管４０６を介して接続されている。コントローラ３２６はブロア４０４を制御することができ、ウエブを押圧するエアープレスの圧力を調整することができる。

図８においては、巻き取り装置４００と駆動ローラ５０４との間に、ナーリングローラ５０６が配置される。ナーリングローラ５０６は、ウエブ１の端部を、ウエブ１の厚み方向から挟圧（ニップ）するため、一対で構成される。ウエブ１の両端部にナーリングを設けるため一対のナーリングローラ５０６が２個、ウエブ１の両端部に配置される。ナーリングはウエブに形成された凹凸である。ウエブに凹凸を形成するため、一対のナーリングローラ５０６に一方には、突起（不図示）が設けられている。

ナーリングローラ５０６には、ニップ圧調整機構（不図示）が設けられている。ニップ圧調整機構は、ナーリングローラ５０６とウエブ１との距離を調整することができる。ニップ圧調整機構は、コントローラ５０２に制御することができ、ナーリング高さを調整することができる。また、ナーリングローラ５０６に形成される突起の形状、大きさ等を変更することにより、ナーリング高さを調整することができる。

図８に示す実施形態において、巻き取り条件生成装置１０の条件算出部３０の学習モデル３４（不図示）には、新規な巻き取りパラメータＰ_ｎｅｗが入力されている。条件算出部３０の学習モデル３４が、新規な巻き取りパラメータＰ_ｎｅｗから、新規な巻き取り条件Ｃ_ｎｅｗを予測値として算出する。

新規な巻き取りパラメータＰ_ｎｅｗ及び新規な巻き取り条件Ｃ_ｎｅｗが、コントローラ３２６、及びコントローラ５０２に入力される。新規な巻き取りパラメータＰ_ｎｅｗ及び新規な巻き取り条件Ｃ_ｎｅｗに基づいて、巻き取り装置４００によりウエブを巻き取ることにより、目標の品質を満たす巻き取りウエブを作製することができる。上述したように、巻き取り条件算出方法により巻き取り条件が算出され、算出された巻き取り条件を用いて、例えば、巻き取り装置３００、及び４００によるウエブの巻き取り方法が提供される。

実施形態の巻き取り条件生成装置１０を利用し、学習モデル３４の評価を行った。巻き取りパラメータとして、搬送速度、巻き取り長さ、及びウエブ幅を選択した。巻き取り条件としては、巻き始めの張力、及び巻き終わりの張力を選択した。学習に使用しなかったテストデータで評価したところ、学習モデル３４により生成された予測値と実際の製造条件値との差の少なさを表す学習モデル３４から算出された巻き取り条件の正答率は、８０％から９５％の範囲であった。学習モデル３４が実際の巻き取り条件と同等であり、十分使用できることが理解できる。

通常の製造ラインを用いて巻き取り条件を試作で構築する場合と比較して、実施形態の巻き取り条件生成装置を利用することにより、コスト及び時間を１／１０から１／５程度の範囲に抑えることができる予測される。

ここまで説明した実施形態において、例えば、機械学習部３２、学習モデル３４、コントローラ３２６、及びコントローラ５０２の各種の処理を実行する処理部（processing unit）のハードウェア的な構造は、次に示すような各種のプロセッサ（processor）である。各種のプロセッサには、ソフトウェア（プログラム）を実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵ（Central Processing Unit）、画像処理に特化したプロセッサであるＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Programmable Logic Device：ＰＬＤ）、ＡＳＩＣ（Application Specific Integrated Circuit）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。

１つの処理部は、これら各種のプロセッサのうちの１つで構成されていてもよいし、同種又は異種の２つ以上のプロセッサ（例えば、複数のＦＰＧＡ、あるいはＣＰＵとＦＰＧＡの組み合わせ、又はＣＰＵとＧＰＵの組み合わせ）で構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。複数の処理部を１つのプロセッサで構成する例としては、第１に、サーバ及びクライアント等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアの組合せで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第２に、システムオンチップ（System On Chip：ＳｏＣ）等に代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Integrated Circuit）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、各種のプロセッサを１つ以上用いて構成される。

さらに、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路（circuitry）である。

次に、巻き取り欠陥レベル予測値生成方法について説明する。

図９は、巻き取り欠陥レベル予測値生成装置の概略ブロック図である。図９に示されるように、巻き取り欠陥レベル予測値生成装置１０１０は、入力部１０２０と、予測値算出部１０３０と、出力部１０４０と、記憶部１０５０と、備える。

入力部１０２０は入力部２０と同様の構成であり、出力部１０４０は出力部４０と同様の構成であり、記憶部１０５０は記憶部５０と同様の構成である。

教師データＴＤ_ｎとは、巻き取りロールを作製した際の目標の巻き取り品質を満たす条件だけでなく、様々な欠陥レベルを発生させる情報である。教師データＴＤ_ｎとして、巻き取りウエブの作製に関する良質なデータに加えて、弱い欠陥レベルから強い欠陥レベルまで様々な巻き取りデータが抽出されていることが望ましい。

教師データＴＤ_１は入力データＩＮ_１と出力データＯＵＴ_１とを含み、教師データＴＤ_２は入力データＩＮ_２と出力データＯＵＴ_２とを含んでいる。各教師データＴＤ_ｎは、入力データＩＮ_ｎと出力データＯＵＴ_ｎとを含んでいる。教師データＴＤ_ｎに含まれる入力データＩＮ_ｎは、巻き取りウエブを作製するための情報であって、巻き取りパラメータＰ_ｎと巻き取り条件Ｃ_ｎとの組み合わせの情報として取得されている。教師データＴＤ_ｎに含まれる出力データＯＵＴ_ｎは、巻き取りウエブの品質に関する情報であって、ウエブの巻きズレ量とウエブの損傷欠陥レベルとを含む巻き取り欠陥レベル値である。

ウエブの巻きズレ量（ｍｍ）は、巻き終わった後のロール輸送時、又は衝撃付与実験装置で衝撃を与えられた際の幅方向への巻きズレ量（ｍｍ）、もしくは周方向への巻きズレ量（ｍｍ）を意味する。主な巻きズレである幅方向への巻きズレは、幅方向に巻きの途中でずれである。また、周方向ずれは、巻きズレ前に端面に直線を書き、巻きズレた後その直線を測った際のずれ量である。

ウエブの損傷欠陥は、ウエブが変形し折れ曲がったり痕ができたりして損傷した欠陥を意味する。損傷欠陥のレベルとは、欠陥の強度を表している。欠陥の強度は、官能評価で行われ、例えば、レベル１～レベル１０の１０段階評価で、変形の強度が強いものほど高い数値のレベルに分類される。

ウエブの損傷欠陥が、しわや凹み、模様などの複数の種類を有する場合には、それぞれについてのレベルを出力データとして、扱う。例えば、欠陥が巻きズレ、縦しわ、横しわ、凹みである場合には、出力データは巻きズレ量、縦しわレベル、横しわレベル、凹みレベルの４つで構成される。

予測値算出部１０３０は、機械学習部１０３２と学習モデル１０３４とを備えている。機械学習部３２は、複数の教師データＴＤ_１、教師データＴＤ_２・・・教師データＴＤ_ｎのあつまりを教師データ群として、機械学習するよう構成されている。機械学習部３２において、入力データＩＮ_ｎは入力教師データを構成する。出力データＯＵＴ_ｎは出力教師データとなる。

機械学習部１０３２は、教師データＴＤ_ｎから、後述する、入力データＩＮ_ｎと出力データＯＵＴ_ｎとの相関関係を学習する。

目標の巻き取り品質を満たす教師データＴＤ_ｎに基づいて機械学習部３２が学習モデル３４を作製しているので、新規な入力データＩＮ_ｎｅｗ（新規な巻き取りパラメータＰ_ｎｅｗ及び新規な巻き取り条件Ｃ_ｎｅｗ）から、出力データＯＵＴ_ｎｅｗ（巻きズレ量、及びウエブの損傷欠陥レベル）の予測値を得ることができる。

＜教師データ＞
教師データＴＤ_ｎの構成について説明する。図１０は、教師データＴＤに用いることができる入力データＩＮ_ｎと出力データＯＵＴ_ｎの組み合わせの一例を示すテーブルである。図１０に示されるように、入力データＩＮ_ｎとして巻き取りパラメータＰ_ｎ、及び巻き取り条件Ｃ_ｎを含んでいる。巻き取りパラメータＰ_ｎ、及び巻き取り条件Ｃ_ｎの各項目は、図３に対応している。出力データＯＵＴ_ｎとして巻きズレ量、及びウエブの損傷欠陥レベルを含んでいる。

図１１は、教師データＴＤに用いることができる入力データＩＮ_ｎと出力データＯＵＴ_ｎの組み合わせの別の例を示すテーブルである。図１１に示されるように、巻き取りパラメータＰ_ｎ、及び巻き取り条件Ｃ_ｎの各項目は、図４に対応している。

＜予測値算出部＞
予測値算出部１０３０に備えられる機械学習部１０３２及び学習モデル１０３４について説明する。図１２は機械学習部１０３２の概略構成図である。図１２に示されるように、機械学習部１０３２は、ニューラルネットワーク１００及び深層学習を含んでいる。ニューラルネットワーク１００は、入力層１０２、第１中間層１０４、第２中間層１０６、及び出力層１０８を備える、いわゆる３層のニューラルネットワークで構成されている。入力層１０２、及び出力層１０８は、５個のニューロンを備える。第１中間層１０４、及び第２中間層１０６は、それぞれ３個のニューロンを備える。ニューラルネットワーク１００は全結合されている。

教師データＴＤ_ｎから入力データＩＮ_ｎとして巻き取りパラメータＰ_ｎ、及び巻き取り条件Ｃ_ｎが入力層１０２に入力される。

入力層１０２に入力された入力データは、ある重みが乗算され、さらにバイアスが加算され、第１中間層１０４に入力される。第１中間層１０４に入力された入力データＩＮ_ｎは、ある重みが乗算され、さらにバイアスが加算され、第２中間層１０６に入力される。第２中間層１０６に入力された入力データＩＮ_ｎは、ある重みが乗算され、さらにバイアスが加算され、出力層１０８に入力される。それぞれのニューロンにおいて、乗算される重み、及び加算されるバイアスの値は任意に設定されている。

巻き取りパラメータＰ_ｎ、及び巻き取り条件Ｃ_ｎに対応する欠陥レベル予測値ＥＬ_ｎが出力層１０８から出力される。

欠陥レベル予測値ＥＬ_ｎが調整部３６に入力される。調整部３６に、教師データＴＤ_ｎから巻き取りパラメータＰ_ｎ、及び巻き取り条件Ｃ_ｎに対応する出力データＯＵＴ_ｎが入力される。出力データＯＵＴ_ｎは、巻きズレ量、及びウエブの損傷欠陥レベルを含んでいる。

調整部３６は、欠陥レベル予測値ＥＬ_ｎと出力データＯＵＴ_ｎを対比する。調整部３６は、例えば、２乗和誤差を損失関数として、その値を求める。準備されている教師データ群に含まれる全ての教師データＴＤ_1～ｎについて同様の操作を行う。調整部３６は、欠陥レベル予測値ＥＬ_ｎと出力データＯＵＴ_ｎの２乗和誤差の総和が最小になるよう、重み、及びバイアスを調整する。このような調整を複数回繰り返すことで、学習が実行される。学習を終えると、学習された重みとバイアスｗｂのデータが不図示の記憶部に記憶される。

ニューラルネットワーク１００の構成は、図５に示される機械学習部３２に含まれるニューラルネットワーク１００と同様の構成を取り得ることができる。

図１３は、学習モデル１０３４の概略構成図である。学習モデル１０３４は、ニューラルネットワーク２００は、入力層２０２、第１中間層２０４、第２中間層２０６、及び出力層２０８を備える、いわゆる３層のニューラルネットワークで構成されている。入力層２０２、及び出力層２０８は、５個のニューロンを備える。第１中間層２０４、及び第２中間層２０６は、それぞれ３個のニューロンを備える。ニューラルネットワーク２００には、図１２に示す機械学習部１０３２で学習された重みとバイアスｗｂが、それぞれのニューロンに設定されている。

新規な入力データＩＮ_ｎｅｗとして新規な巻き取りパラメータＰ_ｎｅｗ、及び新規な巻き取り条件Ｃ_ｎｅｗがニューラルネットワーク２００の入力層２０２に入力される。それぞれのニューロンで重みとバイアスｗｂのデータを用いて、重みが乗算され、バイアスが加算され、出力層２０８に入力される。新規な入力データＩＮ_ｎｅｗに対応する新規な出力データＯＵＴ_ｎｅｗが、新規な巻き取りウエブに対する、巻き取り欠陥レベル予測値として算出され、出力層２０８から出力される。すなわち、新規な巻き取りパラメータＰ_ｎｅｗ、及び新規な巻き取り条件Ｃ_ｎｅｗから新規に巻き取られるウエブの巻きズレ量、及びウエブの損傷欠陥レベルを予測することができる。

実施形態では機械学習部１０３２と学習モデル１０３４とが別々のニューラルネットワークを用いた場合を説明した。機械学習部１０３２と学習モデル１０３４とが共通のニューラルネットワークを用いてもよい。機械学習部１０３２のニューラルネットワークにより重みとバイアスとを学習する。次いで、学習された重みとバイアスとを機械学習部３２のニューラルネットワークに設定する。機械学習部１０３２を学習モデル１０３４として機能させることができる。

機械学習部１０３２と学習モデル１０３４とは、物理的に離れていてもよい。機械学習部１０３２と学習モデル１０３４とは、機械学習部１０３２の学習結果を学習モデル１０３４が利用する関係にあればよく、特に限定されない。また、学習モデル１０３４は、別のサーバ等の装置で作製されたモデルあってもよい。すなわち、別のサーバ等による学習済みの学習モデル１０３４を、巻き取り欠陥レベル予測値生成装置１０１０の予測値算出部１０３０に投入してもよい。

次に、最適な巻き取り条件生成装置、及び最適な巻き取り条件生成方法について説明する。

図１４に示されるように、巻き取り条件生成装置２０１０は、巻き取り条件算出部２０２０と、欠陥レベル算出モデル２０３０とを備える。欠陥レベル算出モデル２０３０は、巻き取り欠陥レベル予測値生成装置１０１０における学習モデル１０３４であり、巻き取り条件を入力とし、ウエブの巻きズレ量、及びウエブの損傷欠陥のレベルを出力するモデルである。

上述したように、欠陥レベル算出モデル２０３０は、入力データＩＮ_ｎ（巻き取りパラメータＰ_ｎ、及び巻き取り条件Ｃ_ｎ）を教師データＴＤ_ｎと入力して対して巻き取り欠陥レベル予測値を出力データＯＵＴ_ｎとして出力するように学習されたモデルである。一方で、巻き取り欠陥レベル予測値を出力データＯＵＴ_ｎが小さく、すなわち欠陥レベルを良化させるための、入力データＩＮ_ｎに含まれる巻き取り条件Ｃ_ｎを算出することはできない。

巻き取り条件算出部２０２０は、設計変数を進化計算させて、目標関数が最小となるように演算処理できるよう構成されている。ここで、進化計算は、遺伝的アルゴリズム等の最適手法による計算を意味する。

巻き取り条件算出部２０２０は、ウエブの巻きズレ量、及びウエブの損傷欠陥のレベルのそれぞれの和を目的関数とし、巻き取り条件を設計変数とし、目的関数が最小になるまで、進化計算することができる。

実施形態において、巻き取り条件算出部２０２０は、設計変数を変化させ、目的関数が小さくなった際の設計変数である巻き取り条件を、巻き取り条件として出力する。

巻き取り条件算出部２０２０は、欠陥レベルを良化させるための巻き取り条件Ｃ_ｎｅｗを算出できる。

ここまで説明した実施形態において、例えば、機械学習部１０３２、学習モデル１０３４、巻き取り条件算出部２０２０、及び欠陥レベル算出モデル２０３０の各種の処理を実行する処理部（processing unit）のハードウェア的な構造は、次に示すような各種のプロセッサ（processor）である。各種のプロセッサには、ソフトウェア（プログラム）を実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵ（Central Processing Unit）、画像処理に特化したプロセッサであるＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field Programmable Gate Array）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Programmable Logic Device：ＰＬＤ）、ＡＳＩＣ（Application Specific Integrated Circuit）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。

１つの処理部は、これら各種のプロセッサのうちの１つで構成されていてもよいし、同種又は異種の２つ以上のプロセッサ（例えば、複数のＦＰＧＡ、あるいはＣＰＵとＦＰＧＡの組み合わせ、又はＣＰＵとＧＰＵの組み合わせ）で構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。複数の処理部を１つのプロセッサで構成する例としては、第１に、サーバ及びクライアント等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアの組合せで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第２に、システムオンチップ（System On Chip：ＳｏＣ）等に代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Integrated Circuit）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、各種のプロセッサを１つ以上用いて構成される。

１０ 巻き取り条件生成装置
２０ 入力部
３０ 条件算出部
３２ 機械学習部
３４ 学習モデル
３６ 調整部
４０ 出力部
５０ 記憶部
１００ ニューラルネットワーク
１０２ 入力層
１０４ 第１中間層
１０６ 第２中間層
１０８ 出力層
２００ ニューラルネットワーク
２０２ 入力層
２０４ 第１中間層
２０６ 第２中間層
２０８ 出力層
３００ 巻き取り装置
３０２ 巻芯
３０４ モータ
３０６ 支持台
３０８ タッチローラ
３１０ 押圧機構
３１２ 張力測定ローラ
３１４ 張力センサ
３１８ ダンサーローラ
３２０ ダンサー機構
３２２ ガイドローラ
３２４ 測長ローラ
３２６ コントローラ
４００ 巻き取り装置
４０２ エアーノズル
４０４ ブロア
４０６ 配管
５００ 製造ライン
５０２ コントローラ
５０４ 駆動ローラ
５０６ ナーリングローラ
１０１０ 巻き取り欠陥レベル予測値生成装置
１０２０ 入力部
１０３０ 予測値算出部
１０３２ 機械学習部
１０３４ 学習モデル
１０４０ 出力部
１０５０ 記憶部
２０１０ 巻き取り条件生成装置
２０２０ 巻き取り条件算出部
２０３０ 欠陥レベル算出モデル
Ａ 矢印

Claims (12)

1. 入力部と、出力部と、予測値算出部と、を備える巻き取り欠陥レベル予測値生成装置であって、
   前記予測値算出部は、巻き取りウエブを作製した際の巻き取りパラメータと巻き取り条件及び巻き取り欠陥レベル値の組み合わせを教師データとして機械学習により作製された学習モデルを備え、前記入力部から入力された新規な巻き取りウエブの巻き取りパラメータと巻き取り条件とから、前記学習モデルを用いて、巻き取り欠陥レベル予測値を算出し、
   前記出力部は前記巻き取り欠陥レベル予測値を出力し、
   前記巻き取りパラメータは、ウエブの幅、ウエブの搬送速度、ウエブの巻き取り長さ、及び巻き取りウエブを作製したライン名称を含み、
   前記巻き取り条件は、巻き始めのウエブの張力、巻き始めの巻き取り径、巻き終わりのウエブの張力、及び巻き終わりの巻き取り径を含み、
   前記巻き取り欠陥レベル予測値は、ウエブの巻きズレ量、及びウエブの損傷欠陥のレベルを含み、
   前記教師データである、ウエブを作製した際に得られた前記巻き取り条件の集合に対し、それぞれの巻き取り条件の項目の値をＣ_ｎｉとし、前記巻き取り条件の項目の値Ｃ_ｎｉに設定された品質許容範囲値をＴ_ｎｉとし、かつ前記品質許容範囲値Ｔ_ｎｉが設定された項目数をＮとした場合、前記各項目について前記Ｃ_ｎｉを下記の式で求められるＣ_ｋに置き換え、前記巻き取り欠陥レベル値は元の値と変えないデータを加えることで、１つの教師データに対し３^Ｎ－１個分の教師データを作成し、教師データ数をＰ個とすると、作成された前記教師データを加えて、新たに得られたＰ×３^Ｎ個の教師データの全てまたはその一部を学習用教師データとして付与された巻き取り欠陥レベル予測値生成装置。
   Ｃ_ｋ＝ Ｃ_ｎｉ ± ０．５×Ｔ_ｎｉ
2. 請求項１に記載の巻き取り欠陥レベル予測値生成装置における学習モデルであり、巻き取り条件を入力し、ウエブの巻きズレ量、及びウエブの損傷欠陥のレベルを出力する欠陥レベル算出モデルと、
   巻き取り条件算出部と、を備え、
   前記巻き取り条件算出部は、
   前記欠陥レベル算出モデルの出力であるウエブの巻きズレ量、及び前記ウエブの損傷欠陥のレベルのそれぞれの和を目的関数とし、前記巻き取り条件を設計変数とし、前記目的関数が最小になるまで、進化計算により、前記設計変数を変化させ、前記目的関数が最小になった際の設計変数である巻き取り条件を、巻き取り条件として出力する、巻き取り条件生成装置。
3. 前記巻き取りパラメータは、ウエブを巻き取る巻芯の径、ウエブの厚み、ウエブ幅方向の最大厚みと最小厚みとの差、ウエブ幅方向の厚み分布及びウエブの弾性率の少なくとも一つを含み、
   前記巻き取り条件は、ウエブの巻き終わりの径、ナーリング高さ、ウエブを押圧するエアープレスの圧力関数、及びウエブを押圧するタッチローラの押し力関数の少なくとも一つを含む、請求項１に記載の巻き取り欠陥レベル予測値生成装置。
4. 前記ウエブの巻きズレ量が、巻き終わった後のロール輸送時、又は衝撃付与実験装置で衝撃を与えられた際の幅方向への巻きズレ量、もしくは周方向への巻きズレ量であり、
   前記ウエブの損傷欠陥が、前記ウエブが変形し折れ曲がったり痕ができたりして損傷した欠陥である、
   請求項１又は３に記載の巻き取り欠陥レベル予測値生成装置。
5. 前記巻き取り条件は、さらに、巻き始めと巻き終わりの間の張力、及び対応する巻き取り径を含む、請求項２に記載の巻き取り条件生成装置。
6. 前記機械学習はニューラルネットワークであり、且つ学習時に過学習に対しドロップアウト(Dropout)を適用する、請求項１、３又は４のいずれか一項に記載の巻き取り欠陥レベル予測値生成装置。
7. 巻き取りロールを作製した際の巻き取りパラメータと巻き取り条件を入力とし、巻き取り欠陥レベル値を出力とした組み合わせの教師データを機械学習する学習モデルを作製するステップと、
   新規な巻き取りウエブの巻き取りパラメータと巻き取り条件とを入力するステップと、
   前記巻き取りパラメータと巻き取り条件とから、前記学習モデルを用いて、新規な巻き取りウエブの巻き取り欠陥レベル予測値を算出するステップと、を少なくとも備える、巻き取り欠陥レベル予測値生成装置を用いた巻き取り欠陥レベル予測値生成方法であって、
   前記巻き取りパラメータは、ウエブの幅、ウエブの搬送速度、ウエブの巻き取り長さ、及び巻き取りウエブを作製したライン名称を含み、
   前記巻き取り条件は、巻き始めのウエブの張力、巻き始めの巻き取り径、巻き終わりのウエブの張力、及び巻き終わりの巻き取り径を含み、
   前記巻き取り欠陥レベル予測値は、ウエブの巻きズレ量、及びウエブの損傷欠陥のレベルを含み、
   前記教師データである、ウエブを作製した際に得られた前記巻き取り条件の集合に対し、それぞれの巻き取り条件の項目の値をＣ_ｎｉとし、前記巻き取り条件の項目の値Ｃ_ｎｉに設定された品質許容範囲値をＴ_ｎｉとし、かつ前記品質許容範囲値Ｔ_ｎｉが設定された項目数をＮとした場合、前記各項目について前記Ｃ_ｎｉを下記の式で求められるＣ_ｋに置き換え、前記巻き取り欠陥レベル値は元の値と変えないデータを加えることで、１つの教師データに対し３^Ｎ－１個分の教師データを作成し、教師データ数をＰ個とすると、作成された前記教師データを加えて、新たに得られたＰ×３Ｎ個の教師データの全てまたはその一部を学習用教師データとして付与された巻き取り欠陥レベル予測値生成方法。
   Ｃ_ｋ＝ Ｃ_ｎｉ ± ０．５×Ｔ_ｎｉ
8. 請求項１に記載の巻き取り欠陥レベル予測値生成装置における学習モデルであり、巻き取り条件を入力し、ウエブの巻きズレ量、及びウエブの損傷欠陥のレベルを出力する欠陥レベル算出モデルの作製ステップと、
   巻き取り条件算出ステップと、を備え、
   前記巻き取り条件算出ステップにおいて、
   前記欠陥レベル算出モデルの出力であるウエブの巻きズレ量、及び前記ウエブの損傷欠陥のレベルのそれぞれの和を目的関数とし、前記巻き取り条件を設計変数とし、前記目的関数が最小になるまで、進化計算により、前記設計変数を変化させ、前記目的関数が小さくなった際の設計変数である巻き取り条件を、巻き取り条件として出力する、巻取り条件生成装置を用いた巻き取り条件生成方法。
9. 前記巻き取りパラメータは、ウエブを巻き取る巻芯の径、ウエブの厚み、ウエブ幅方向の最大厚みと最小厚みとの差、ウエブ幅方向の厚み分布及びウエブの弾性率の少なくとも一つを含み、
   前記巻き取り条件は、ウエブの巻き終わりの径、ナーリング高さ、ウエブを押圧するエアープレスの圧力関数、及びウエブを押圧するタッチローラの押し力関数の少なくとも一つを含む、請求項７に記載の巻き取り欠陥レベル予測値生成方法。
10. 前記ウエブの巻きズレ量が、巻き終わった後のロール輸送時、又は衝撃付与実験装置で衝撃を与えられた際の幅方向への巻きズレ量、もしくは周方向への巻きズレ量であり、
    前記ウエブの損傷欠陥が、前記ウエブが変形し折れ曲がったり痕ができたりして損傷した欠陥である、
    請求項７又は９に記載の巻き取り欠陥レベル予測値生成方法。
11. 前記巻き取り条件は、さらに、巻き始めと巻き終わりの間の張力、及び対応する巻き取り径を含む、請求項８に記載の巻き取り条件生成方法。
12. 前記機械学習はニューラルネットワークであり、且つ学習時に且つ学習時に過学習に対しドロップアウト(Dropout)を適用する、請求項７、９又は１０のいずれか一項に記載の巻き取り欠陥レベル予測値生成方法。

Images