JP7438615B2 - 情報処理装置及びプログラム - Google Patents
情報処理装置及びプログラム Download PDFInfo
- Publication number
- JP7438615B2 JP7438615B2 JP2022074143A JP2022074143A JP7438615B2 JP 7438615 B2 JP7438615 B2 JP 7438615B2 JP 2022074143 A JP2022074143 A JP 2022074143A JP 2022074143 A JP2022074143 A JP 2022074143A JP 7438615 B2 JP7438615 B2 JP 7438615B2
- Authority
- JP
- Japan
- Prior art keywords
- learning
- information
- variables
- variable
- processing device
- 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
- 230000010365 information processing Effects 0.000 title claims description 41
- 238000004519 manufacturing process Methods 0.000 claims description 110
- 238000000034 method Methods 0.000 claims description 65
- 238000010586 diagram Methods 0.000 claims description 62
- 230000004044 response Effects 0.000 claims description 57
- 230000008569 process Effects 0.000 claims description 50
- 238000012545 processing Methods 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 25
- 238000012790 confirmation Methods 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 16
- 238000011156 evaluation Methods 0.000 claims description 15
- 238000010801 machine learning Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000013400 design of experiment Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 239000000047 product Substances 0.000 description 33
- 230000006870 function Effects 0.000 description 23
- 238000002347 injection Methods 0.000 description 15
- 239000007924 injection Substances 0.000 description 15
- 238000004891 communication Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 8
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000002950 deficient Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 239000013067 intermediate product Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
例えば、特許文献1には、金属製品を製造するための複数の製造工程の各工程を経た段階の中間製品の特徴および金属製品の特徴を、数式群を用いて算出して出力することで、金属製品の製造に適した製造条件を決定する方法が提案されている。
また、製造業等に従事するユーザにとって、単に最適な製造条件を知りたいのではなく、その他外部的な要因等を加味して許容され得る製造条件の範囲等を知ることも有益である。上述の特許文献1を含む従来技術では、ユーザのこのような要望に応えることもできない。
所定の物品の製造に関する演算処理に用いられる情報処理装置であって、
前記物品の製造条件に関する情報と、製造される前記物品の品質又は性質に関する情報を、一次データとして取得する一次データ取得手段と、
前記一次データに統計的性質を有する学習処理を実行し、前記一次データに含まれる統計的性質を反映した所定のアルゴリズムを生成する学習結果生成手段と、
前記学習処理の結果に基づいて、前記製造条件に係る変数と前記物品の品質又は性質に係る変数との関係を視覚的に確認し得る図又は表を生成する応答曲線生成手段と、
を備える。
以下、本発明の一実施形態について、図面を用いて説明する。図1は、本発明の一実施形態に係る情報処理システムの構成を示す図である。
製造条件は、製品の特徴又は製造工程の条件を表す一つ又は複数の変数(以下「製造条件変数」と呼ぶ)によって表現することができ、製造条件変数の値によって一意に定まる又は範囲が特定される。
また、一般的に、製品のスペックは、製造条件に対応して変化するが、このスペックを表す変数を以下「スペック変数」と呼ぶ。ここで、製品のスペックとは、製品の性能や製品によって実現したい目的が実現可能か否かを判定するために着目する製品特性である。
学習サービスとは、機械学習等の統計的な手法を用いて、製造条件変数とスペック変数との関係を学習し、未知の製造条件等に関する推定を実行し得る学習結果(いわゆる学習済みモデル)を生成する一連のサービスである。
すなわち、学習サービスでは、ユーザにより提供された製造条件及びスペックに関するサンプルデータ(以下、「生データ」と呼ぶ)に対して、統計的機械学習等の手法による学習処理を実行し、その結果として生成された学習結果は、未知の製造条件等により生成し得る製品のスペックの推定のために予測モデルとして利用される。
なお、学習サービスでは、単に生データから学習結果を生成するのではなく、統計等の知識を有していないユーザであっても、容易に学習結果を解釈し得るため、後述する様々な工夫が包含されている。
そのため、学習サービスは、統計等の知識を有さない物性等を専門とするような、一般的に製造業において想定されるユーザであっても、容易に利用することが可能である。さらに言えば、ユーザは、自身の専門とする物性等の知識を合わせて利用することで、より自由に学習結果を利用することが可能となる。
なお、ネットワークNは、必須な構成要素ではなく、例えば、NFC(Near Field Communication)、ブルートゥース(登録商標)、LAN(Local Area Network)等が利用されてもよい。
図2は、図1の情報処理システムのうちサーバのハードウェア構成の一例を示すブロック図である。
サーバ1は、パーソナルコンピュータ等で構成される。図2に示すように、サーバ1は、制御部11と、ROM(Read Only Memory)12と、RAM(Random Access Memory)13と、バス14と、入出力インターフェース15と、出力部16と、入力部17と、記憶部18と、通信部19と、ドライブ20と、を備えている。
RAM13には、制御部11が各種の処理を実行する上において必要な情報等も適宜記憶される。
図3は、図2のサーバ及び図1のユーザ装置の機能的構成のうち、学習処理に係る機能的構成の一例を示す機能ブロック図である。
また、サーバ1の記憶部18の一領域には、学習結果DB500と、レシピ生成結果DB600とが設けられている。学習結果DB500には学習処理の結果生成された各種学習の結果(学習の結果生成された予測モデル、各種パラメータ等)が格納される。
すなわち、生データ取得部80は、ユーザ装置2を介して入力され、ユーザ装置2から送信された製造条件情報及びスペック情報を、通信部19を介して生データとして取得する。
具体的に、データ内容確認部82は、製造条件情報及びスペック情報の夫々に含まれる情報の内容及び量が後述する学習に適切か否かを判定する。なお、データ内容確認部82が上述の判定を行う方法は任意であるが、本実施形態では、例えば、実験計画法における直交表を用いた基準により、上述の判定を行うことができる。なお、データ内容確認部82は、生データの取得時にデータの内容を確認する必要はなく、適宜、学習の処理と並行する等しながらデータの内容を確認する。
ここで、学習結果生成部86が利用する統計的機械学習(例えば、ディープラーニングやクラスタリング等)の手法は任意であるが、本実施形態では、例えば、ニューラルネットワークやスパースモデリングによる回帰モデル等を組み合わせて利用して、学習結果を生成する。
また、全てのスペック変数に対して所定の基準値よりも寄与の小さい製造条件を完全低寄与変数と呼ぶことにする。すなわち、寄与率という概念は、「何」に対する寄与率なのかという点で、個別低寄与変数と完全低寄与変数とに区別される。
このようにして特定された区分に基づいて、寄与の低い変数を除外して予測モデルを生成することで、より精度が高く、汎用性の高い、また、解釈のしやすい予測モデルが生成できると期待される。
予測モデルは、製造条件変数を入力値として、予測値(予測モデルの値)を出力とすることで関数として捉えることが可能である。このとき、製造条件に対する予測値の応答特性は、製造条件変数がn(nは、1以上の任意の自然数)個であればn+1次元の超平面として表現される。
しかしながら、可視化にあたっては3次元を超える平面を認識することは難しいため、次元を削減して描画するのが一般的である。具体的に製造条件変数の一つを変数として、その他の変数に所定の固定値を設定することで、1変数関数としてグラフを描画することができる。そして、ユーザは、この固定値を任意に変更することで、多変数関数として予測モデルの様々な断面のグラフの挙動を確認し、製造条件の決定や今後の開発方針等の検討に活かすことができる。
これに対して、応答曲線提示部122は、1変数のみを選択し2次元グラフ(1変数関数)を描画して、他の変数の値をスライダーバー等で変化させ、ユーザに曲線の変化を確認させることができる。これにより、ユーザは、各変数の特性や寄与率等をより簡便かつ正確に把握することができる。
なお、応答曲線提示部122は、各変数の値を正規化した上で、上述の応答曲線を描画してもよい。
図4は、図3のユーザ装置に表示されるアップロード画面の一例を示す図である。
図5は、図3のユーザ装置に表示される学習設定画面の一例を示す図である。
同様に図5の例では、図4の画面を介してアップロードされた生データに含まれる具体的な変数として、「No.」、「注入速度」、「膨張率」、「温度」、「幅」、「高さ」、「角度」、「減衰率」、「不良品率」、「コスト」、「耐久強度」、「エネルギー変換効率」、「触り心地」の夫々が表示されている。
また、図5の例では、ユーザは、夫々の変数に対して、「学習への使用の有無」、「変数の種別(説明変数又は目的変数)」、「数値/カテゴリ」、「許容誤差」、「値域」、「備考」等の学習処理での利用の詳細を設定又は記述をすることができる。図5の例では、「No.」、「注入速度」、「膨張率」、「温度」、「幅」、「高さ」、「角度」、「減衰率」が説明変数、「不良品率」、「コスト」、「耐久強度」、「エネルギー変換効率」、「触り心地」が目的変数として設定されている。
ここで、目的変数及び説明変数とは、回帰分析等で利用される用語であり、変動値として説明を行いたい変数を目的変数といい、目的変数を説明するために設定される変数の夫々を説明変数という。そのため、本実施形態においては、典型的には、上述の製造条件変数の夫々が説明変数に該当し、製造される製品のスペック変数が目的変数に該当する。
ユーザは、このような画面を確認しながら、夫々の変数に関する条件を任意に設定して、学習結果を生成することができるため、より自身の希望に沿った学習結果が取得しやすくなる。
図6及び図7は、図3のユーザ装置に表示される学習結果表示画面の一例を示す図である。
具体的に図6の例では、予測モデルに関する近似式として、下の数1の式が表示され、「注入速度」、「膨張率」、「温度」、「幅」、「高さ」、「角度」、「減衰率」の夫々のパラメータの寄与率は、「16.9%」、「13.3%」、「2.03%」「2.01%」「1.50%」「1.20%」「0.40%」である旨が表示されている。
なお、図7例では、例えば、許容誤差の概念を横軸に反映することができる。これにより、ユーザは、モデルの精度をより視覚的に確認しやすくなる。
図7右側に示す検証用データは、このような過学習に対処するため、生データから所定の割合で取り分けておいたテストデータの一例である。このようなテストデータは、学習には直接用いられず、学習結果の検証に用いられる。統計的機械学習の結果として生成されるエンジン(アルゴリズム)は、学習用データに過度に適合することなく、学習用データと検証用データの両方に対する結果が総合的によいモデルが、汎用的に利用しやすい予測モデルと考えられる。
ユーザは、図7に示すグラフ等を確認することで、生成された学習結果が、実際に汎用的に利用可能なモデルであることを確認できる。サーバ1は、ヒストグラムの分布の狭さを、後述する狙い幅、許容誤差等と比較できるように、横軸の長さ等を調整してもよい。
また、ユーザは、グラフに示された結果に問題があると判断した場合は、再度、生成された学習結果のうち異なるモデルを採用する、パラメータの設定を変更する、アップロードする生データを変更する等により、より汎用的で精度の高い学習結果を生成することができる。
なお、図7に示す各グラフは、それぞれ学習データにおける予測値と実測値の分布を示す散布図(予実散布図)、検証データにおける予測値と実測値の分布を示す散布図(予実散布図)、学習データにおける予測誤差の分布を示す図(予測誤差分布図)、検証データにおける予測誤差の分布を示す図(予測誤差分布図)を示している。ただし、図6や図7で示す各グラフは、いずれも例示であり、学習の内容や結果をユーザが確認するために寄与し得る図又は表の一例である。
図8は、図3のサーバにより実行される学習処理の流れを説明するフローチャートである。
レシピ生成サービスとは、上述の学習サービス等を利用して生成された学習結果を利用して、ユーザが求める製品の品質や性質等に基づいて、製品を製造するための具体的な製造条件の候補をユーザに対して提示する一連のサービスである。
レシピ生成サービスでは、ユーザにより設定された製品の目標スペックに対して、学習結果DB500に格納された学習結果等に基づいて、目標スペックを満たす製品が製造できると予測される製造条件の候補(以下、「レシピ」と呼ぶ)をユーザに提示する。そして、ユーザは、提示されたレシピの中から自身にとって最適な製造条件を選択して製造を試みることができる。
希望条件取得部160は、後述するレシピ生成時目標スペック値情報、狙い幅情報及び制約条件情報等の希望条件に整合性があるかを確認する。
なお、レシピ生成時目標スペック値情報、狙い幅情報及び制約条件情報は、ユーザ等により入力され、ユーザ装置2からサーバ1へ送信される。
すなわち、レシピ生成部162は、目標スペック値取得部180で取得されたレシピ生成時目標スペック値情報、狙い幅取得部182で取得された狙い幅情報、制約条件取得部184で取得された制約条件情報及び学習結果DB500に格納されている学習結果等に基づいて、ユーザの希望する目標スペックを満たし得るレシピを生成する。
なお、レシピ生成部162がレシピを生成する手法は任意であるが、本実施形態では、例えば、遺伝的アルゴリズムを利用して、レシピを生成する。
具体的にクラスタリング部204は、例えば、非階層的なクラスタリングを実行し、それぞれのクラスターのうち最もスコアの高いものを、それぞれのクラスターの代表として選択して、1種類のレシピとして分類する。
これにより、レシピ生成部162は、過度に類似したレシピを効率的に除外して、ユーザに多様なレシピの選択肢を提示できる。なお、クラスタリング部204のクラスタリングには、入力された許容誤差又は集約幅等を利用してもよい。
スペック変数別スコアのレーダチャート生成部222は、夫々のスペックについてのスコアをレーダチャートとして提示する。例えば、レーダチャートの例は、図11を利用しながら後述する。
まず、図10及び図11は、図3のユーザ装置に表示されるレシピ一覧表示画面の一例を示す図である。
なお、図10の例では、図5等に示した例と同様に、説明変数として「注入速度」、「膨張率」、「温度」、「幅」、「高さ」、「角度」、「減衰率」の夫々が、目的変数として「不良品率」、「コスト」、「耐久強度」、「エネルギー変換効率」、「触り心地」が設定されたときの製造条件変数の値の組を平均スコアが高い順に表示している。
ここで、「平均スコア」とは、レシピ生成において設定された任意の方法により算出された目標スペックの夫々に対するスコアの平均値を示しており、100を上限として高い数値であるほど、ユーザの求める目標スペックに近いスペックの製品を製造できる可能性が高いと考えられる。例えば、図10の例では、レシピR1の平均スコアが「87.6」と算出されており、他のレシピと比較して、ユーザの求める目標スペックに近い製品を製造できる可能性が高い有望なレシピと推測できる。
図12の(A)の応答曲線は、レシピの注入速度のパラメータに着目し、注入速度(説明変数)を変化させた場合に目標スペック(耐久強度)がどのように変化するかを示している。
ここで、図12の(A)の応答曲線を見ると、目標スペック(耐久強度)として設定された120の値を取り得る注入速度の範囲として範囲T1が存在する。範囲T1に含まれる注入速度における耐久強度の予測値は、ユーザが定めた目標スペック及び狙い幅の範囲に含まれる。つまり、ユーザは、注入速度を範囲T1の範囲内でコントールすることができれば、目標スペックを満たす製品を製造することができる。しかし、上述の通り、製品の製造過程においては、他の変数の変化はもちろん、予期せぬ考慮要素により注入速度(説明変数)が変化してしまうことがある。そのため、目標スペックを満たすことができる注入速度の範囲は、広いほど望ましい。
本システムは、ユーザが目的とする目標スペックを満たす各変数の組み合わせを発見する手段として、レシピ生成機能を提供している。本システムのレシピ生成機能は、全ての範囲のデータに対して自由に探索してレシピを予測するため、ユーザが探索範囲に制約を設けず多様なレシピを発見したい場合等に有用である反面、探索範囲が広いこと等から処理に時間がかかってしまう傾向がある。
そこでユーザは、状況に応じてレシピ生成後応答曲線や学習結果応答曲線を利用することで、レシピ生成機能を単独で利用する場合に比べ、より正確、かつ効率的に各変数の組み合わせを発見できる可能性がある。
例えば、ユーザが単に希望する各変数の組み合わせを発見するだけでなく、各変数が多少変化した場合でも目標スペックを満たすことができるかどうか(ロバスト性を有しているか)を含めて確認したい場合、レシピ生成後応答曲線を利用することで、生成された各レシピのロバスト性を含めて確認することができる。これによりユーザは、複数候補の中からよりロバスト性の高いレシピを見つけることができる可能性がある。
他方、ユーザが事前にある程度目標スペックを満たすことができる製造条件に見当がついている場合(例えば、従前に使用していたレシピがある場合)やロバスト性の確認よりも時間を優先したい場合等であれば、処理に時間がかかるレシピ生成を実行する代わりに学習結果応答曲線を利用することで、ユーザが自ら予測を行うことができる。これによりユーザはレシピ生成機能を利用するより迅速に希望のレシピを見つけることができる可能性がある。このように、ユーザは、自身の目的や状況に応じて、学習結果応答曲線とレシピ生成を使い分けることができる。
図13は、図3のユーザ装置に表示されるレシピ一覧表示画面の一例を示す図であり、図10及び図11の例とは異なる例を示す図である。
図13の例では、レシピR1からR5の夫々について、製造条件変数(注入速度、膨張率、温度、・・・)の値が折れ線グラフとして表現されている。数値変数以外の変数の値、例えばカテゴリ変数などの値も、順を定義してやれば、同一のグラフを描くことができる。ユーザは、このようにして提示されたグラフを確認することで、複数のレシピの多様性を確認することができる。
ユーザは、このようにして提示されたグラフを確認することで、自身の目的に真に適合するレシピがどのレシピなのかを十分に検討することができる。なお、ここで図13に示すグラフで規格化した値が用いられているのは、レシピの多様性を比較しやすくするためである。
図14は、図9のサーバにより実行されるレシピ生成処理の流れを説明するフローチャートである。
すなわち、目標スペック値取得部180は、ユーザ装置2から送信されてくるレシピ生成時目標スペック値情報を、通信部19を介して取得する。
すなわち、狙い幅取得部182は、ユーザ装置2から送信されてくる狙い幅情報を、通信部19を介して取得する。
すなわち、制約条件取得部184は、ユーザ装置2から送信されてきた制約条件情報を、通信部19を介して取得する。
図15は、学習の完成度と進行の過程を示す図である。具体的に図15の例では、横軸に学習を行った回数が、縦軸には生成された学習済みモデルの精度(値が低いほど学習済みモデルの精度は高くなる)が示されている。したがって、図15の例では、学習を繰り返すことで、徐々に学習済みモデルの精度が向上し、学習が正常に進んでいることを示している。
なお、例えば、図6や図15等で示した学習結果を示す各種画像等は、いずれの画像も例示である。本システムは、例えば、図6や図15等で示した各種画像の要素の全て又は一部を、改変、置き換え等してもよい。
本システムにおけるレシピ生成は、そもそもユーザが目的とする目標スペックを満たすための各変数の製造条件が分からないという場合に有効である。これに対して、本システムは、統計的な計算に基づいた予測を複数回実行することで、目標スペックとの距離に基づいてスコアリングを行い、スコアの高いものをレシピとして提示することができる。
しかし、学習の精度等によっては、統計的に計算されたスコアの結果が、製造の現場では使用できないほど本来求めている製品と乖離してしまう恐れがある。そのため、本システムは、ユーザの経験や主観が含まれる狙い幅をスコアリングに考慮することができる。これにより、本システムは、ユーザが許容できる製品が製造しやすいレシピを生成することができる。
また、目的変数が複数あるような場合には、1つのレシピのみで目標スペックを十分に満たせない場合も想定される。そのため、本システムは、できるだけ多様なレシピを複数提示し、提示されたレシピの中からユーザが使用しやすいレシピを選択できるという仕様を想定している。具体的に本システムは、例えば遺伝的アルゴリズムや非階層的クラスタリング等を組み合わせることで、できるだけ多様なレシピをユーザに提示する機能を採用することができる。
また、このような工夫だけで不十分な場合でも、ユーザの目線で製造条件が同一と感じないように許容誤差や集約幅等を考慮することができ、また、ユーザがより視覚的に判断できるようにするため、レシピそれぞれに対する差異を図(レシピ相違度グラフ等)として表示することもできる。これにより、ユーザは、より多様なレシピを、より視覚的に確認することができる。
例えば、制約条件情報は、レシピの探索範囲に関する情報や、その他の設定等、レシピが満たすべき条件に関する各種各様の情報であってもよい。また例えば、制約条件情報には、狙い幅情報や許容誤差情報等が含まれてもよい。
等とは、物品の性能や目的を実現するか否かを判定するに際して注目可能な特性等であれば足り、特に限定されない。
学習結果の内容やユーザの希望に応じて、応答曲線生成部224(又は応答曲線提示部122)は、応答曲面(3次元)を描画してもよい。例えば、応答曲面の場合は、n(nは、1以上の任意の自然数)個の製造条件変数のうちから2個の変数を選んで描画するため、全てのパターンを描画しようとするとn(n-1)/2通りのパターンが考えられるが、応答曲線の場合はn個のグラフを描画すればよい。なお、各グラフの断面は、例えば、以下に示す固定値を変更することで変更できるようにしてもよい。
すなわち、応答曲面及び応答曲線は、例えば、以下の式により表現される。
応答曲面:y=f(xa,xb,他xi固定値)
応答曲線:y=f(xa,他xi固定値)
すなわち、希望条件取得部160は、例えば、ユーザとは異なる第三者から各希望条件等を取得してもよい。さらに言えば、希望条件取得部160は、ユーザ等の介在を要せず、プログラム等の実装により自動で各希望条件を取得してもよい。
(1)許容誤差
本システムにおける許容誤差は、モデルの予測値と実測値の差に基づく精度評価の基準である。そのため、本システムにおける許容誤差は、単に統計的な意味合いを持つものではなく、例えば、ユーザの事前知識や主観も影響し得る。例えば、製造業に精通したユーザによって所定の変数が重要であると評価されているような場合には、統計的なばらつきとは無関係にそのような前提条件を反映して許容誤差が決定される。
すなわち、本システムの許容誤差とは、本サービスにおいて、ユーザの事前知識や主観等を考慮して、スペック変数の実測値と予測値の誤差が同一のスペックとみなせるか否かに関する範囲(幅)を意味している。なお、この基準は、ユーザの事前知識や主観等を考慮するため、各種情報のアップデートや時間経過等によっても基準が変化する可能性がある。
具体的に本システムの許容誤差は、例えば、図7の実施形態における横軸等で利用できる。ヒストグラムの山の夫々がどの程度許容誤差の範囲内に含まれているか否かで予測モデルの良い悪いが容易に評価できる。
また、本システムの許容誤差は、学習の終了判定条件に利用することもできる。例えば、生成されたモデルによる予測値と実測値との差が許容誤差よりも小さければ学習を終了してもよい。
(2)(スペック変数の)狙い幅
狙い幅は、ユーザの事前知識や主観等を考慮して、目標として狙いたいスペック値の範囲(幅)を意味している。例えば、狙い幅は、レシピの評価やスコアの算出に利用できる。目標スペック値を実現するほど良いレシピと考えられるが、狙い幅であれば全て同程度の性能と評価することもできる。
また、実際に製品を製造する場合、何らかの要因により各変数の値に誤差が生じてしまうことは珍しくない。そのため、本システムは、単に事前に決められた最良の値のみを目標スペックに設定するのではなく、ユーザが許容できる範囲内に収まるようなレシピを(可能であれば)複数生成し、何らかの要因で変数に誤差が生じてしまった場合でも、結果として、狙い幅の範囲内の製品を製造しやすいレシピを選択しやすいように設計されている。
換言すれば、狙い幅は応答曲面(応答曲線)と合わせてロバスト性の確認に利用できる。なお、ロバスト性を有しているとは、外れ値等を含む場合にも高い推定性能を示すモデルであるということを意味している(例えば、図12を参照)。
(3)(製造条件変数の)集約幅
集約幅は、ユーザの事前知識や主観、さらに学習データの特性等を考慮して、各製造条件の差がどの程度なら同一の製造条件とみなして、1つのレシピとして集約できるか否かに関する範囲(幅)を意味している。例えば、集約幅は、レシピ生成の際にクラスタリング等に利用することができる。これにより、ユーザは、レシピ生成の過程において、より実効性の高いレシピの提案を受けることができる。
なお、集約幅は、例えば、以下の方法により取得される。
(a)デフォルトの固定値として取得される。
(b)ユーザにより入力された任意の基準値として取得される。
(c)学習結果の寄与率を利用したデフォルト値として取得される。
また、同様に、予測誤差分布に関するグラフにおける予測誤差は、例えば、平均二乗誤差、二乗平均平方根誤差、平均絶対誤差等の任意の統計的指標であってもよい。
すなわち、図3及び図9の機能的構成は例示に過ぎず限定されない。上述した一連の処理を全体として実行できる機能が情報処理システムに備えられていれば足り、この機能を実現するためにどのような機能ブロックを用いるかは特に限定されない。また、機能ブロックの存在場所も、図3又は図9の例に限定されず、任意でよい。
さらに言えば、1つの機能ブロックは、ハードウェア単体で構成してもよいし、ソフトウェア単体で構成してもよいし、それらの組み合わせで構成してもよい。
コンピュータ等は、専用のハードウェアに組み込まれているコンピュータであってもよい。また、コンピュータ等は、各種のプログラムをインストールすることで、各種の機能を実行することが可能なコンピュータ、例えばサーバの他汎用のスマートフォンやパーソナルコンピュータであってもよい。
すなわち、図8及び14のステップの一部のステップは、適宜、変更もしくは省略されてもよい。
即ち、本発明が適用される情報処理装置は、
所定の物品の製造に関する演算処理に用いられる情報処理装置であって、
前記物品の製造条件に関する情報と、製造される前記物品の品質又は性質に関する情報を、一次データとして取得する一次データ取得手段(例えば、生データ取得部80)と、
前記一次データに統計的性質を有する学習処理を実行し、前記一次データに含まれる統計的性質を反映した所定のアルゴリズムを生成する学習結果生成手段(
例えば、学習結果生成部86)と、
前記学習処理の結果に基づいて、前記製造条件に係る変数と前記物品の品質又は性質に係る変数との関係を視覚的に確認し得る図又は表を生成する応答曲線生成手段(例えば、応答曲線提示部122)と、
を備えていれば足りる。
1・・・サーバ
11・・・制御部
(学習結果処理)
60・・・学習処理部
80・・・生データ取得部
82・・・データ内容確認部
84・・・学習設定取得部
86・・・学習結果生成部
100・・・データ前処理部
102・・・予測モデル生成部
104・・・予測精度算出部
106・・・寄与率算出部
108・・・寄与変数特定部
88・・・学習結果提示部
120・・・予測モデル精度提示部
122・・・応答曲線提示部
(レシピ生成処理)
140・・・レシピ生成処理部
160・・・希望条件取得部
180・・・目標スペック値取得部
182・・・狙い幅取得部
184・・・制約条件取得部
162・・・レシピ生成部
200・・・学習結果管理部
202・・・レシピ探索部
204・・・クラスタリング部
164・・・レシピ生成結果提示部
220・・・レシピ一覧表生成部
222・・・レーダチャート生成部
224・・・応答曲線生成部
226・・・レシピ相違度グラフ生成部
(DB)
500・・・学習結果DB
600・・・レシピ生成結果DB
<ユーザ装置>
2・・・ユーザ装置
Claims (17)
- 所定の物品の製造の演算に用いられる情報処理装置であって、
前記物品の製造条件の変数に対応する情報を製造条件情報として取得し、製造される前記物品の品質又は性質にかかる変数に対応する情報をスペック情報として取得する一次情報取得手段と、
前記製造条件情報又は前記スペック情報の変数のうち説明変数及び目的変数として設定された各変数に対して、機械学習による学習を実行し、当該学習の結果として、各変数の関係性を反映した所定のアルゴリズムを生成する学習結果生成手段と、
前記学習の結果に基づいて、前記製造条件情報又は前記スペック情報の変数のうち1の変数を変動する変数として選択し、他の変数を固定値として設定することで、各変数の関係性を視覚的に確認し得る図又は表を生成する応答曲線生成手段と、
前記固定値として設定した変数を連続的に変化させる入力指示を受け付ける固定値変更手段と、
を備える情報処理装置。 - 前記製造条件にかかる変数の夫々について、前記物品の品質又は性質への寄与の度合いを算出する寄与率算出手段をさらに備える、
請求項1に記載の情報処理装置。 - 取得された前記製造条件情報又は前記スペック情報の内容が、前記学習結果生成手段が一定の基準の前記学習を行うのに十分か否かを、実験計画法により算出された基準に基づいて判定するデータ内容確認手段をさらに備える、
請求項1又は2に記載の情報処理装置。 - 前記品質又は前記性質の夫々又は全てについて、前記製造条件にかかる変数の夫々が所定の値より寄与するか否かを判別する寄与変数特定手段をさらに備える、
請求項1又は2に記載の情報処理装置。 - 前記学習の結果に基づいて、前記製造条件にかかる変数と前記物品の品質又は性質にかかる変数のいずれかを少なくとも含む複数の変数の関係を表現し得る数式を生成する数式生成手段をさらに備える、
請求項1又は2に記載の情報処理装置。 - 前記学習の設定に対応する入力指示を受け付ける学習設定受付手段をさらに備える、
請求項1又は2に記載の情報処理装置。 - 前記物品の品質又は性質にかかる変数の夫々における2つの異なる値の差を示す許容誤差情報を取得する許容誤差情報取得手段をさらに備える、
請求項2に記載の情報処理装置。 - 前記学習の進行状況又は前記学習の結果の精度を含む図又は表を生成する学習結果確認手段をさらに備える、
請求項1又は2に記載の情報処理装置。 - 前記学習結果確認手段は、前記学習の結果に基づいて、前記学習の過程を示す学習曲線を示す図又は表を生成する、
請求項8に記載の情報処理装置。 - 前記学習結果確認手段は、前記学習の結果に基づいて、前記学習における決定係数を示す図又は表を生成する、
請求項8に記載の情報処理装置。 - 前記学習結果確認手段は、前記学習の結果に基づいて、前記学習における予測及び実測を示す図又は表を生成する、
請求項8に記載の情報処理装置。 - 前記学習結果確認手段は、前記学習の結果に基づいて、前記学習における予測誤差の分布を示す図又は表を生成する、
請求項8に記載の情報処理装置。 - 前記品質又は前記性質にかかる変数の夫々における2つの異なる値の差を考慮して、前記学習の結果の評価を実行する学習結果評価手段をさらに備える、
請求項7に記載の情報処理装置。 - 前記学習結果評価手段は、前記許容誤差情報を考慮して前記学習の結果を評価する、
請求項13に記載の情報処理装置。 - 前記学習結果評価手段は、決定係数又は予測値カバー率を含む指標により前記学習の結果を評価する、
請求項13に記載の情報処理装置。 - 前記学習結果評価手段は、所定の指標による前記学習の結果の評価を、所定の形式の図又は表として表示する、
請求項13に記載の情報処理装置。 - 所定の物品の製造の演算に用いられるコンピュータに、
前記物品の製造条件の変数に対応する情報を製造条件情報として取得し、製造される前記物品の品質又は性質にかかる変数に対応する情報をスペック情報として取得する一次情報取得ステップと、
前記製造条件情報又は前記スペック情報の変数のうち説明変数及び目的変数として設定された各変数に対して、機械学習による学習を実行し、当該学習の結果として、各変数の関係性を反映した所定のアルゴリズムを生成する学習結果生成ステップと、
前記学習の結果に基づいて、前記製造条件情報又は前記スペック情報の変数のうち1の変数を変動する変数として選択し、他の変数を固定値として設定することで、各変数の関係性を視覚的に確認し得る図又は表を生成する応答曲線生成ステップと、
前記固定値として設定した変数を連続的に変化させる入力指示を受け付ける固定値変更ステップと、
を含む処理を実行させるプログラム。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021078472 | 2021-05-06 | ||
JP2021078472 | 2021-05-06 | ||
JP2021078473 | 2021-05-06 | ||
JP2021078473 | 2021-05-06 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022173108A JP2022173108A (ja) | 2022-11-17 |
JP7438615B2 true JP7438615B2 (ja) | 2024-02-27 |
Family
ID=84045779
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022074143A Active JP7438615B2 (ja) | 2021-05-06 | 2022-04-28 | 情報処理装置及びプログラム |
JP2022074144A Active JP7438616B2 (ja) | 2021-05-06 | 2022-04-28 | 情報処理装置及びプログラム |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022074144A Active JP7438616B2 (ja) | 2021-05-06 | 2022-04-28 | 情報処理装置及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (2) | JP7438615B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7326640B1 (ja) * | 2023-02-10 | 2023-08-15 | 株式会社エクサウィザーズ | 情報処理方法、コンピュータプログラム及び情報処理装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007058806A (ja) | 2005-08-26 | 2007-03-08 | Sumitomo Metal Ind Ltd | 製造条件計算方法、品質調整方法、鉄鋼製造方法、製造条件計算装置、品質調整システム、及びコンピュータプログラム |
JP2017120640A (ja) | 2015-12-24 | 2017-07-06 | Jfeスチール株式会社 | 電磁鋼板の磁気特性予測装置及び磁気特性制御装置 |
JP2020190956A (ja) | 2019-05-22 | 2020-11-26 | 株式会社東芝 | 製造条件出力装置、品質管理システム及びプログラム |
JP2021011046A (ja) | 2019-07-04 | 2021-02-04 | トヨタ紡織株式会社 | 情報処理装置、学習方法及びプログラム |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004277835A (ja) | 2003-03-17 | 2004-10-07 | Jfe Steel Kk | 鋼材の製品受注支援システム |
JP5234792B2 (ja) | 2009-02-19 | 2013-07-10 | 株式会社神戸製鋼所 | 引合い検討支援方法及び引合い検討支援システム、並びに引合い検討支援プログラム |
JP5704040B2 (ja) | 2011-10-06 | 2015-04-22 | 新日鐵住金株式会社 | 製品品質の管理方法、及び製品品質の管理装置 |
-
2022
- 2022-04-28 JP JP2022074143A patent/JP7438615B2/ja active Active
- 2022-04-28 JP JP2022074144A patent/JP7438616B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007058806A (ja) | 2005-08-26 | 2007-03-08 | Sumitomo Metal Ind Ltd | 製造条件計算方法、品質調整方法、鉄鋼製造方法、製造条件計算装置、品質調整システム、及びコンピュータプログラム |
JP2017120640A (ja) | 2015-12-24 | 2017-07-06 | Jfeスチール株式会社 | 電磁鋼板の磁気特性予測装置及び磁気特性制御装置 |
JP2020190956A (ja) | 2019-05-22 | 2020-11-26 | 株式会社東芝 | 製造条件出力装置、品質管理システム及びプログラム |
JP2021011046A (ja) | 2019-07-04 | 2021-02-04 | トヨタ紡織株式会社 | 情報処理装置、学習方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP7438616B2 (ja) | 2024-02-27 |
JP2022173109A (ja) | 2022-11-17 |
JP2022173108A (ja) | 2022-11-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11347201B2 (en) | Methods and apparatus for machine learning predictions of manufacture processes | |
US20210365003A1 (en) | Methods and apparatus for machine learning predictions of manufacturing processes | |
van Rijn et al. | Fast algorithm selection using learning curves | |
Ansah et al. | Analytic hierarchy process decision making algorithm | |
JP5244686B2 (ja) | 監視装置およびサーバー | |
CN103699720B (zh) | 基于区间约束违反度的高速压力机滑块机构尺寸优化方法 | |
JP5733229B2 (ja) | 分類器作成装置、分類器作成方法、及びコンピュータプログラム | |
JP7438615B2 (ja) | 情報処理装置及びプログラム | |
CN110895729A (zh) | 一种输电线路工程建设工期的预测方法 | |
Peña-Ramírez et al. | The logistic Nadarajah–Haghighi distribution and its associated regression model for reliability applications | |
Hong et al. | Exploration of machine learning to predict hot ductility of cast steel from chemical composition and thermal conditions | |
US20240202058A1 (en) | Methods and systems for determining stopping point | |
KR102054500B1 (ko) | 설계 도면 제공 방법 | |
Sadeghi et al. | Technology selection in the presence of fuzzy data and dual-role factors | |
TWI781461B (zh) | 資訊處理裝置、資訊處理方法及程式 | |
CN117216382A (zh) | 一种交互处理的方法、模型训练的方法以及相关装置 | |
WO2023175921A1 (ja) | モデル分析装置、モデル分析方法、及び、記録媒体 | |
US11531907B2 (en) | Automated control of a manufacturing process | |
US20230385664A1 (en) | A computer-implemented method for deriving a data processing and inference pipeline | |
CN112860531B (zh) | 基于深度异构图神经网络的区块链广泛共识性能评测方法 | |
WO2016017171A1 (ja) | 流量予測装置、混合比推定装置、方法およびコンピュータ読み取り可能記録媒体 | |
JP5051223B2 (ja) | 事例生成プログラム、事例生成装置、事例生成方法 | |
WO2024070170A1 (ja) | 試作条件提案システム、試作条件提案方法 | |
WO2023175922A1 (ja) | モデル分析装置、モデル分析方法、及び、記録媒体 | |
Mosavi et al. | Engineering Design and Decision-Making Models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220428 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230322 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230502 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230516 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230828 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231211 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240104 |
|
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: 20240122 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240208 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240209 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7438615 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |