CN113168655A - 技术预测装置、方法、以及程序 - Google Patents
技术预测装置、方法、以及程序 Download PDFInfo
- Publication number
- CN113168655A CN113168655A CN201980076939.7A CN201980076939A CN113168655A CN 113168655 A CN113168655 A CN 113168655A CN 201980076939 A CN201980076939 A CN 201980076939A CN 113168655 A CN113168655 A CN 113168655A
- Authority
- CN
- China
- Prior art keywords
- question
- answer
- unit
- prediction
- variable
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000005516 engineering process Methods 0.000 title abstract description 10
- 238000004519 manufacturing process Methods 0.000 claims abstract description 41
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000010801 machine learning Methods 0.000 claims description 18
- 230000004044 response Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 description 16
- 239000000463 material Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 12
- 239000000956 alloy Substances 0.000 description 11
- 229910000838 Al alloy Inorganic materials 0.000 description 10
- 238000005266 casting Methods 0.000 description 8
- 239000000203 mixture Substances 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000001125 extrusion Methods 0.000 description 5
- 238000013480 data collection Methods 0.000 description 4
- 238000005242 forging Methods 0.000 description 4
- 229910052802 copper Inorganic materials 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001816 cooling Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000003483 aging Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 238000000137 annealing Methods 0.000 description 1
- 229910052797 bismuth Inorganic materials 0.000 description 1
- 229910052796 boron Inorganic materials 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 229910052745 lead Inorganic materials 0.000 description 1
- 229910052749 magnesium Inorganic materials 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 238000010791 quenching Methods 0.000 description 1
- 230000000171 quenching effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005482 strain hardening Methods 0.000 description 1
- 238000005496 tempering Methods 0.000 description 1
- 229910052718 tin Inorganic materials 0.000 description 1
- 229910052720 vanadium Inorganic materials 0.000 description 1
- 229910052725 zinc Inorganic materials 0.000 description 1
- 229910052726 zirconium Inorganic materials 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- General Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明提供一种技术预测装置,其对专家难以言语化、数值化的技术进行预测再现。本发明的一个实施方式的技术预测装置具有:出题部,其自动生成包括制造工序中的控制因子以及上述控制因子的变量的问题并进行出题;回答取得部,其取得回答,该回答为上述问题的回答且示出上述工序的可否;询问取得部,其取得询问;以及预测输出部,其基于上述问题与上述回答的对应关系,对与上述询问取得部取得的询问对应的回答进行预测并输出。
Description
技术领域
本申请要求2018年11月28日在日本专利局申请的基础申请2018-221982 号的优先权,并且在此通过参照而引用其全部内容。
本发明涉及技术预测装置、方法、以及程序。
背景技术
以往,在材料开发、制造工艺开发、机械设备运转这些制造的过程中,多基于技术人员的经验来进行材料设计、制造工艺设计、运转条件设定等。特别是, 在各领域常年沉浸而熟悉度非常高的技术人员(以下,也称为专家)成为该领域不可或缺的人材。
正在研究用于使后来人继承这样的专家们的技术的方法、系统(专利文献1 、2、3)。
<现有技术文献>
<专利文献>
专利文献1:(日本)特开2002-304206号公报
专利文献2:(日本)特开2010-277157号公报
专利文献3:(日本)特开2012-118830号公报
发明内容
<本发明要解决的问题>
但是,在专家熟习的技术是对本人来说也难以言语化、数值化的像感觉那样的技术的情况下,专家不知道将这些技术怎样表达传递给其他人。因此,专家难以言语化、数值化的技术在使其继承时难以再现。
于是,本发明的目的在于,对专家难以言语化、数值化的技术进行预测并再现。
<用于解决问题的手段>
本发明包括以下所示构成。
[1]一种技术预测装置,具有:
出题部,其自动生成包括制造工序中的控制因子、以及上述控制因子的变量的问题并进行出题;
回答取得部,其取得回答,该回答为上述问题的回答且显示上述工序的可否;
询问取得部,其取得询问;以及
预测输出部,其基于上述问题与上述回答的对应关系,对与上述询问取得部取得的询问对应的回答进行预测并输出。
[2]在[1]中记载的技术预测装置中,上述出题部决定上述控制因子的变量的值
[3]在[1]或[2]记载的技术预测装置中,上述问题与上述回答的上述对应关系是将上述出题部出题的问题和上述回答取得部取得的回答作为训练数据进行机器学习的已学习模型。
[4]在[1]至[3]中任一项记载的技术预测装置中,上述预测输出部基于预测的多个回答输出制造可否的预测。
[5]在[1]至[4]中任一项记载的技术预测装置中,在若变更上述控制因子的变量则实施成为可能这样的回答的情况下,上述预测输出部显示预测的、实施成为可能的变量。
[6]一种方法,其通过计算机执行,该方法包括:
出题步骤,其自动生成包括制造工序中的控制因子以及上述控制因子的变量的问题并进行出题;
回答取得步骤,其取得回答,该回答为上述问题的回答且示出上述工序的可否;
取得询问的步骤;以及
输出步骤,其基于上述问题与上述回答的对应关系,对与上述取得的询问对应的回答进行预测并输出。
[7]一种程序,其用于使计算机作为以下各部起作用:
出题部,其自动生成包括制造工序中的控制因子以及上述控制因子的变量的问题并进行出题;
回答取得部,其取得回答,该回答为上述问题的回答且示出上述工序的可否;
询问取得部,其取得询问;以及
预测输出部,其基于上述问题与上述回答的对应关系,对与上述询问取得部取得的询问对应的回答进行预测并输出。
<发明的效果>
在本发明中,能够对专家难以言语化、数值化的技术进行预测并再现。
附图说明
图1是示出本发明的一个实施方式的包括技术预测装置的整体的系统构成的图。
图2是本发明的一个实施方式的技术预测系统的时序图。
图3是示出本发明的一个实施方式的技术预测装置的硬件构成的图。
图4是示出本发明的一个实施方式的技术预测装置的功能块的图。
图5是示出本发明的一个实施方式的在问题/回答数据库中存储的数据的一个例子的图。
图6是示出本发明的一个实施方式的制造可否的预测例的图。
图7是示出本发明的一个实施方式的数据收集处理的流程的流程图。
图8是示出本发明的一个实施方式的预测处理的流程的流程图。
图9是本发明的一个实施方式的在专家终端显示的画面的一个例子。
图10是本发明的一个实施方式的在初学者终端显示的画面的一个例子。
具体实施方式
以下,参照附上的附图对各实施方式进行说明。需要说明的是,在本说明书以及附图中,对于实质上具有相同的功能构成的构成要素,通过付与相同的附图标记而省略重复的说明。
需要说明的是,在本说明书中,虽然以合金材料的制造作为一个例子,对关于材料和制造工艺为何种设计(即、条件)时制造的各工序是否能够实施的技术进行预测再现的情况进行说明,但是本发明不限于合金材料的制造,其能够应用于制造的全部工序中的各种技术。
图1是示出本发明的一个实施方式的包括技术预测装置101的整体的系统构成的图。技术预测系统100可以包括技术预测装置101、专家终端102、以及初学者终端103。技术预测装置101可以通过任意的网络104与专家终端102进行数据的发送接收。另外,技术预测装置101可以通过任意的网络104与初学者终端103进行数据的发送接收。以下,参照图2对各自进行说明。
图2是本发明的一个实施方式的技术预测系统100的时序图。如图2所示, 技术预测装置101是用于对专家终端102自动生成问题并出题(S201),并且自专家终端102取得对该问题的回答(S202)的装置。另外,技术预测装置101可以生成已学习模型,该已学习模型用于基于对专家终端102出题的问题和自专家终端102取得的回答进行机器学习,并且预测对于来自初学者终端103的询问的回答(S203)。另外,技术预测装置101是用于自初学者终端103取得询问 (S204),并且预测对于该询问的回答并输出至初学者终端103(S205)的装置。后述中,参照图3以及图4,对技术预测装置101进行详细说明。
专家终端102是输入对于技术预测装置101出题的问题的回答的人利用的终端。具体而言,专家终端102可以自技术预测装置101接收问题的数据并在专家终端102之上或者在与专家终端102连接的显示装置(未图示)之上进行显示 (S201)。专家终端102可以将被输入专家终端102的、对于技术预测装置101出题的问题的回答的数据向技术预测装置101进行发送(S202)。专家可以基于自身的经验、技术、诀窍(know-how)等对来自技术预测装置101的问题进行回答。专家终端102为例如个人计算机等的计算机。
初学者终端103是想要对技术预测装置101进行询问的人利用的终端。具体而言,初学者终端103可以将被输入初学者终端103的询问的数据发送至技术预测装置101(S204)。另外,初学者终端103可以自技术预测装置101接收技术预测装置101预测的回答的数据(S205)。基于向专家的问题和来自专家的回答对询问的回答进行预测再现。因此,初学者通过对技术预测装置101进行询问, 可以获得如专家预测那样的回答。初学者终端103为例如个人计算机等的计算机。
需要说明的是,在本说明书中,虽然将专家终端102和初学者终端103作为分别的计算机进行说明,但是可以在一台计算机上安装专家终端102和初学者终端103。另外,技术预测装置101可以具有专家终端102的一部分或全部的功能。另外,技术预测装置101可以具有初学者终端103的一部分或全部的功能。 <技术预测装置101的硬件构成>
图3是示出本发明的一个实施方式的技术预测装置101的硬件构成的图。技术预测装置101具有CPU(Central Processing Unit)301、ROM(Read Only Memory)302、以及RAM(Random Access Memory)303。CPU301、ROM302、RAM303形成所谓的计算机。
另外,技术预测装置101具有辅助存储装置304、显示装置305、操作装置 306、I/F(Interface)装置307、以及驱动装置308。需要说明的是,技术预测装置 101的各硬件通过总线309彼此连接。
CPU301是执行安装在辅助存储装置304中的各种程序的运算装置。
ROM302是非易失性存储器。ROM302作为存储CPU301为了执行安装在辅助存储装置304中的各种程序所必要的各种程序、数据等的主存储装置起作用。具体而言,ROM302作为存储BIOS(Basic Input/Output System)、EFI(Extensible Firmware Interface)等的引导程序等的主存储装置起作用。
RAM303是DRAM(Dynamic Random Access Memory)、SRAM(Static Random AccessMemory)等的易失性存储器。RAM303作为提供通过CPU301执行安装在辅助存储装置304中的各种程序时展开的作业区域的主存储装置起作用。
辅助存储装置304是用于存储各种程序、执行各种程序时所使用的信息的辅助存储装置。
显示装置305是用于显示技术预测装置101的内部状态等的显示装置。
操作装置306是技术预测装置101的管理人员对技术预测装置101输入各种指示的输入装置。
I/F装置307是与网络104连接,且用于与专家终端102、初学者终端103 进行通信的通信装置。
驱动装置308是用于设置存储介质310的装置。这里所说的存储介质310 包括CD-ROM、软盘、光磁盘等那样地以光、电或磁记录信息的介质。另外,存储介质310中可以包括ROM、闪存等那样地对信息进行电记录的半导体存储器等。
需要说明的是,辅助存储装置304中安装的各种程序例如通过将发放的存储介质310安装于驱动装置308且记录在该存储介质310中的各种程序被驱动装置308读取而进行安装。或者,辅助存储装置304中安装的各种程序可以通过 I/F装置307自与网络104不同的其他的网络下载而进行安装。
<技术预测装置101的功能块>
图4是示出本发明的一个实施方式的技术预测装置101的功能块的图。技术预测装置101包括:包括出题部411和回答取得部412的数据收集部410、问题/回答数据库(DB)420、问题与回答的对应关系400、以及包括询问取得部451 和预测输出部452的预测部450。问题与回答的对应关系400可以由机器学习部 430以及已学习模型440构成。另外,在问题与回答的对应关系400由机器学习部430以及已学习模型440构成的情况下,技术预测装置101通过执行程序,可以作为数据收集部410、机器学习部430、以及预测部450起作用。以下,对各自进行说明。
出题部411可以自动生成问题,并且向专家终端102对问题进行出题。生成的问题包括制造工序中的控制因子、以及该控制因子的变量。在一个问题中包括一个或多个控制因子。
这里,对“控制因子”和“变量”进行说明。“控制因子”是指,对问题的回答产生影响的要素。例如,问题是询问工序可否实施的问题的话,控制因子是对该工序可否实施产生影响的要素。控制因子由“变量”表示。变量能够表达控制因子的可变性即可,不限于数值。这样,问题的回答依据控制因子的变量。
在以铝合金的制造为例的情况下,例如,控制因子是铝合金材料的组成。在将铝合金材料的组成作为控制因子的情况下,控制因子的变量可以设定为各成分(例如Si、Fe、Cu、Mn、Mg、Cr、Ni、Zn、Ti、Na、V、Pb、Sn、B、Bi、Zr、O等的元素种类) 的质量百分比(质量%)。在该情况下,铝的质量百分比(质量%)由100-(上述元素的质量百分比的和)表示。另外,控制因子也可以是铝合金材料的制造条件。在该情况下,铝合金材料的制造条件为例如铸造的冷却速度、调质(制造中的处理的模式)、各处理(退火、固溶处理、人工时效硬化处理、自然时效处理、热加工处理、冷加工处理、稳定化处理)的温度以及保持时间、加工条件(加工率、挤压比、减面率、产品形状等)。
返回出题部411的说明。出题部411可以不经人手地自动生成问题。出题部 411自动生成问题的手段为任意。
出题部411可以基于来自任意的终端的指示,来决定问题的控制因子。出题部411可以决定被决定的控制因子的变量的值。例如,出题部411可以随意(随机)决定变量的值。另外,例如,出题部411可以将在任意的数据库(例如,登记有各种素材的各种元素组成的数据库)中登记的值决定为变量的值。另外,例如, 出题部411可以在基于来自任意的终端的指示的规定的范围内,来决定变量的值。出题部411可以将生成的一个或多个问题的数据向专家终端102发送。另外, 出题部411可以以回答取得部412能够参照的方式将问题的数据存储于存储器中。
在控制因子的变量为数值的情况下,作为控制因子的变量,可以使用基于使用随机数的数据库的值,或者,可以使用通过在规定的数值范围内使用随机数或在一定间隔中取得的数值等方法而准备的数值。在控制因子的变量为数值之外的情况下,例如,在为上述产品形状的情况下,可以使用通过使用收录在商业目录、数据库中的形状、使用自成为基准的形状使点、边、面等的要素以规定的条件逐渐改变的形状等的方法准备的形状。
回答取得部412可以取得对于出题部411出题的问题的回答。具体而言,回答取得部412可以自专家终端102接收对于被输入专家终端102的、出题部411 出题的问题的回答的数据。回答取得部412可以将出题部411出题的问题的数据和回答取得部412取得的该问题的回答的数据的组存储于问题/回答DB420 中。
在问题/回答DB420中,存储有出题部411出题的问题的数据以及回答取得部412取得的该问题的回答的数据的组。参照图5对问题/回答DB420进行详细说明。
图5是示出本发明的一个实施方式的存储在问题/回答DB420中的数据的一个例子的图。如图5所示,在问题/回答DB420中,针对每个“问题”,存储有“控制因子”、“变量”、“回答”的数据。
“问题”是出题部411出题的问题。问题为例如“第一工序的实施是否可能?”、“第二工序的实施是否可能?”…、“第n工序的实施是否可能?”。各工序为例如铸造、锻造、挤出、轧制等。
“控制因子”是包含在该问题中的、对回答产生影响的要素。控制因子为例如材料的条件。另外,控制因子为例如制造工艺的条件(即,工序应实施的条件)。例如,在问题为询问铝合金材料的铸造的实施可否的情况下,控制因子为元素组成、钢坯直径、熔液温度、铸造速度、冷却速度等。另外,例如,在问题为询问铝合金材料的锻造的实施可否的情况下,控制因子为元素组成、产品形状、模具温度、材料温度等。另外,例如,在问题为询问铝合金材料的挤出的实施可否的情况下,控制因子为铝合金材料的元素组成、钢坯直径、产品形状、钢坯温度、挤出速度、挤出圧力等。另外,在问题为询问铝合金材料的轧制的实施可否的情况下,控制因子为元素组成、加工温度、轧制比等。
“变量”是包含于该问题的控制因子的变量的值。如上所示,变量可以为数值,或者数值之外的能够表达控制因子的可变性的参数(例如,产品形状)。
“回答”是回答取得部412取得的回答。回答为例如工序的实施可否(例如, 可实施、不可实施)。需要说明的是,回答还可以包括作为可能的概率、不可能的概率等的、该回答的概率。
需要说明的是,各问题可以具有与该问题相应的控制因子。即,各问题有时具有彼此不同的控制因子。图5的例子的话,问题1以及问题2(铸造可否)具有控制因子3(熔液温度),但是不具有控制因子4(模具温度)。另一方面,问题 3(锻造可否)不具有控制因子3(熔液温度),但是具有控制因子4(模具温度)。另外,如问题1~3均具有控制因子1、2(材料)那样,有时各问题也彼此具有相同的控制因子。
返回图4。问题与回答的对应关系400由机器学习部430以及已学习模型 440构成的情况下,机器学习部430基于存储在问题/回答DB420中的数据进行机器学习,从而能够生成用于预测对于来自初学者终端103的询问的回答的已学习模型440。具体而言,机器学习部430使用输入数据为“出题部411出题的问题”、输出数据为“回答取得部412取得的该问题的回答”的训练数据进行机器学习,从而能够生成已学习模型440。
已学习模型440是机器学习部430进行机器学习而生成的“问题与该问题的回答的对应关系”。通过出题部411自动生成许多问题且向专家终端102出题而获得回答,从而能够构建本领域技术人员仅出题几个问题时无法获得的水准的对应关系。
需要说明的是,技术预测装置101可以不使用机器学习而使用规则库(即, 人基于出题部411出题的问题的数据与回答取得部412取得的该问题的回答的数据的组而指定的“问题与该问题得回答得对应关系”)。即,技术预测装置 101可以基于通过机器学习而生成得已学习模型440对回答进行预测,或者,也可以基于规则库对回答进行预测。
考虑到即使人俯瞰数据,进行数据得统计处理而想要找出规则,但是规则过于复杂而无法找出的情况,优选使用机器学习的已学习模型。
询问取得部451可以取得询问。具体而言,询问取得部451自初学者终端 103接收被输入初学者终端103的询问的数据。另外,询问取得部451可以以预测输出部452能够参照询问的数据的方式将其存储在存储器中。
预测输出部452可以预测并输出对于询问取得部451取得的询问的回答。具体而言,预测输出部452能够基于询问取得部451取得的询问、以及“问题与该问题的回答的对应关系”,对回答进行预测。例如,预测输出部452可以将询问取得部451取得的询问输入已学习模型440时的输出数据作为预测的回答。另外,例如,预测输出部452可以将基于规则库(即,人指定的“问题与该问题的回答的对应关系”)的回答作为预测的回答。预测输出部452可以将预测的回答的数据向初学者终端103发送。
需要说明的是,预测输出部452也可以基于多个回答,预测并输出综合回答。例如,假设询问取得部451取得的询问为询问特定的材料的条件以及特定的制造工艺的条件下的制造可否(即,全部工序的实施可否)的询问。这样的话,预测输出部452对该材料的条件及其制造工艺的条件下的各工序的实施可否(即,第一工序的实施可否、第二工序的实施可否、…、第n工序的实施可否)的回答进行预测。并且,预测输出部452能够基于预测的全部的回答,对综合回答(即,制造可否的回答)进行预测。在该例子中,全部工序的实施为可能的话则能够制造, 若至少一个工序的实施为不可能的话则不能制造。需要说明的是,综合回答可以包括作为基于各个工序的回答的概率(例如,第一工序的实施为可能的概率、第二工序的实施为可能的概率、…、第n工序的实施为可能的概率)计算出的综合回答的概率(例如,制造为可能的概率)。参照图6,对制造可否的预测例进行说明。
图6是示出本发明的一个实施方式的制造可否的预测例600的图。如图6 所示,在特定的材料的条件(Si为○○%,Cu为△△%)以及特定的制造工艺的条件(熔液温度为○○○℃,模具温度为×××℃)的情况下,铸造为可能但是锻造为不可能。在该情况下,预测输出部452被询问特定的材料的条件(Si为○○%,Cu为△△%)以及特定的制造工艺的条件(熔液温度为○○○℃,模具温度为×××℃)下的制造可否时,能够预测并输出制造不可的综合回答。
图7是示出本发明的一个实施方式的数据收集处理的流程的流程图。
在步骤701(S701)中,出题部411能够自动生成具有控制因子以及变量的问题,并且对专家终端102进行出题。
在步骤702(S702)中,回答取得部412能够自专家终端102取得对于在S701 中出题的问题的回答。
在步骤703(S703)中,回答取得部412能够对在S701中出题的问题的数据与在S702中取得的回答的数据的组进行存储。
图8是示出本发明的一个实施方式的预测处理的流程的流程图。
在步骤801(S801)中,询问取得部451能够自初学者终端103取得询问。
在步骤802(S802)中,预测输出部452能够预测对于在S801中取得的询问的各工序的回答(例如,第一工序的回答、第二工序的回答、…、第n工序的回答) 。
在步骤803(S803)中,预测输出部452能够基于在S802中预测的全部工序的回答,对综合回答(例如,制造可否的回答)进行预测。
在步骤804(S804)中,预测输出部452能够将在S803中预测的综合回答(例如,制造可否的回答)的数据向初学者终端103发送。
图9是本发明的一个实施方式的在专家终端102显示的画面的一个例子。专家可以观看在画面中显示的问题(即,控制因子以及变量),并且输入回答(即, 实施可否)。
作为问题(即,控制因子以及变量),如图9所示,能够显示材料的条件(在图 9的例子中,各元素的添加量)。需要说明的是,作为问题(即,控制因子以及变量),可以也显示制造工艺的条件(例如,事先规定的标准条件)。
专家可以自图9所示那样的、多个选项(在图9的例子中,双圆圈、圆圈、三角、叉)选择回答。如上所述,回答取得部412取得的回答还可以包括工序实施为可能的概率、为不可能的概率等的作为该回答的概率。例如,如图9所示,作为回答的选项,除了“实施为可能(图9的双圆圈)”以及“实施为不可能(图9的叉)”之外,也可以使用实施可否为可能与不可能的中间的回答(例如,“实施为可能的可能性较高(图9的圆圈)”和“实施为不可能的可能性较高(图9的三角)”)。
需要说明的是,专家选择实施可否为可能与不可能的中间这样的回答时, 在判断若变更控制因子的变量(在图9的例子中,制造工艺的条件(铸造条件)) 则实施成为可能的情况下,可以设定为能够指定实施成为可能的变量(例如,指定自标准条件的变更)。在该情况下,机器学习部430基于对专家终端102出题的问题和自专家终端102取得的回答(包括由专家指定的、实施成为可能的变量) 进行机器学习,从而能够生成用于预测对于来自初学者终端103的询问的回答的已学习模型。
图10是本发明的一个实施方式的在初学者终端103显示的画面的一个例子。初学者在画面中输入问题(即,控制因子以及变量),从而能够观看预测的回答(即,实施可否)。
初学者可以作为问题(即,控制因子以及变量)输入材料的条件(在图10的例子中,各元素的添加量)。需要说明的是,作为问题(即,控制因子以及变量), 也可以事先输入制造工艺的条件(例如,事先确定的标准条件)。
若问题被输入,则作为回答(即,实施可否),如图10所示,能够显示预测的回答以及各个回答的概率。在变更控制因子的变量(在图10的例子中,制造工艺的条件(铸造条件))则实施成为可能这样的回答的情况下,可以设定为显示预测的、实施成为可能的变量(例如,自标准条件的变更)。
这样,在本发明的一个实施方式中,专家仅通过回答来自技术预测装置101 的问题,就能够将自身的技术以如同使后来人继承的方式进行再现并传递。另外,初学者通过进行对技术预测装置101询问,能够获得以如同专家预测的方式再现的回答。换言之,通过使用本发明的技术预测装置101将若不做任何行动则会失去的专家的熟习的技术(感觉等的隐性知识)引出来,从而后来人能够共有。
需要说明的是,本发明并不限定于在上述实施方式所列举的结构等中与其他要素的组合等在此所示的结构。关于该点,在不超出本发明的主旨的范围内能够进行变更,能够根据其应用方式适当确定。
附图标记说明
100 技术预测系统
101 技术预测装置
102 专家终端
103 初学者终端
104 网络
400 问题与回答的对应关系
410 数据收集部
411 出题部
412 回答取得部
420 问题/回答DB
430 机器学习部
440 已学习模型
450 预测部
451 询问取得部
452 预测输出部
600 制造可否的预测例
Claims (7)
1.一种技术预测装置,具有:
出题部,其自动生成包括制造工序中的控制因子以及上述控制因子的变量的问题并进行出题;
回答取得部,其取得回答,该回答为上述问题的回答且示出上述工序的可否;
询问取得部,其取得询问;以及
预测输出部,其基于上述问题与上述回答的对应关系,对与上述询问取得部取得的询问对应的回答进行预测并输出。
2.根据权利要求1所述的技术预测装置,其中,
上述出题部决定上述控制因子的变量的值。
3.根据权利要求1或2所述的技术预测装置,其中,
上述问题与上述回答的上述对应关系是将上述出题部出题的问题和上述回答取得部取得的回答作为训练数据进行机器学习的已学习模型。
4.根据权利要求1至3中任一项所述的技术预测装置,其中,
上述预测输出部基于预测的多个回答输出制造可否的预测。
5.根据权利要求1至4中任一项所述的技术预测装置,其中,
在回答为若变更上述控制因子的变量则实施成为可能的回答的情况下,上述预测输出部对预测的实施成为可能的变量进行显示。
6.一种方法,其通过计算机执行,该方法包括:
出题步骤,其自动生成包括制造工序中的控制因子以及上述控制因子的变量的问题并进行出题;
回答取得步骤,其取得回答,该回答为上述问题的回答且示出上述工序的可否;
取得询问的步骤;以及
输出步骤,其基于上述问题与上述回答的对应关系,对与上述取得的询问对应的回答进行预测并输出。
7.一种程序,其用于使计算机作为以下各部起作用:
出题部,其自动生成包括制造工序中的控制因子以及上述控制因子的变量的问题并进行出题;
回答取得部,其取得回答,该回答为上述问题的回答且示出上述工序的可否;
询问取得部,其取得询问;以及
预测输出部,其基于上述问题与上述回答的对应关系,对与上述询问取得部取得的询问对应的回答进行预测并输出。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018-221982 | 2018-11-28 | ||
JP2018221982 | 2018-11-28 | ||
PCT/JP2019/045832 WO2020110953A1 (ja) | 2018-11-28 | 2019-11-22 | 技術予測装置、方法、およびプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113168655A true CN113168655A (zh) | 2021-07-23 |
Family
ID=70853726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980076939.7A Pending CN113168655A (zh) | 2018-11-28 | 2019-11-22 | 技术预测装置、方法、以及程序 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220019906A1 (zh) |
EP (1) | EP3889878A4 (zh) |
JP (1) | JP6915173B2 (zh) |
CN (1) | CN113168655A (zh) |
WO (1) | WO2020110953A1 (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0452221A (ja) * | 1990-06-20 | 1992-02-20 | Nippon Steel Corp | 鉄鋼製品の製造可否判定装置 |
JP2786218B2 (ja) * | 1988-06-17 | 1998-08-13 | 株式会社日立製作所 | 知識情報生成システム |
JP2004277835A (ja) * | 2003-03-17 | 2004-10-07 | Jfe Steel Kk | 鋼材の製品受注支援システム |
US20040205040A1 (en) * | 2003-04-14 | 2004-10-14 | Fuji Xerox Co., Ltd. | Experience-knowledge information processing apparatus |
JP2004287577A (ja) * | 2003-03-19 | 2004-10-14 | Toyota Motor Corp | 工程設計支援装置 |
US20090083206A1 (en) * | 2006-01-13 | 2009-03-26 | Hiroyasu Shigemori | Apparatus and Method for Constructing Prediction Model |
CN101501689A (zh) * | 2006-08-02 | 2009-08-05 | 空中客车法国公司 | 用以确定电子组合件的可行性的方法及其设备 |
WO2016051338A1 (en) * | 2014-04-04 | 2016-04-07 | Tata Consultancy Services Limited | Model driven knowledge engineering framework for computational engineering |
US20170046625A1 (en) * | 2015-08-14 | 2017-02-16 | Fuji Xerox Co., Ltd. | Information processing apparatus and method and non-transitory computer readable medium |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4727835B2 (ja) | 2001-04-03 | 2011-07-20 | 株式会社アマダ | 加工不可情報教示方法及びそのシステム |
JP5292182B2 (ja) | 2009-05-26 | 2013-09-18 | 株式会社日立製作所 | 水処理設備管理システム |
JP2012118830A (ja) | 2010-12-02 | 2012-06-21 | Hitachi Ltd | 技術継承支援方法および技術継承支援システム |
-
2019
- 2019-11-22 WO PCT/JP2019/045832 patent/WO2020110953A1/ja unknown
- 2019-11-22 JP JP2020557675A patent/JP6915173B2/ja active Active
- 2019-11-22 US US17/292,493 patent/US20220019906A1/en active Pending
- 2019-11-22 CN CN201980076939.7A patent/CN113168655A/zh active Pending
- 2019-11-22 EP EP19889698.7A patent/EP3889878A4/en active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2786218B2 (ja) * | 1988-06-17 | 1998-08-13 | 株式会社日立製作所 | 知識情報生成システム |
JPH0452221A (ja) * | 1990-06-20 | 1992-02-20 | Nippon Steel Corp | 鉄鋼製品の製造可否判定装置 |
JP2004277835A (ja) * | 2003-03-17 | 2004-10-07 | Jfe Steel Kk | 鋼材の製品受注支援システム |
JP2004287577A (ja) * | 2003-03-19 | 2004-10-14 | Toyota Motor Corp | 工程設計支援装置 |
US20040205040A1 (en) * | 2003-04-14 | 2004-10-14 | Fuji Xerox Co., Ltd. | Experience-knowledge information processing apparatus |
US20090083206A1 (en) * | 2006-01-13 | 2009-03-26 | Hiroyasu Shigemori | Apparatus and Method for Constructing Prediction Model |
CN101501689A (zh) * | 2006-08-02 | 2009-08-05 | 空中客车法国公司 | 用以确定电子组合件的可行性的方法及其设备 |
WO2016051338A1 (en) * | 2014-04-04 | 2016-04-07 | Tata Consultancy Services Limited | Model driven knowledge engineering framework for computational engineering |
US20170046625A1 (en) * | 2015-08-14 | 2017-02-16 | Fuji Xerox Co., Ltd. | Information processing apparatus and method and non-transitory computer readable medium |
Also Published As
Publication number | Publication date |
---|---|
JPWO2020110953A1 (ja) | 2021-09-02 |
EP3889878A1 (en) | 2021-10-06 |
WO2020110953A1 (ja) | 2020-06-04 |
JP6915173B2 (ja) | 2021-08-04 |
US20220019906A1 (en) | 2022-01-20 |
EP3889878A4 (en) | 2022-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20140272845A1 (en) | Method for increasing the likelihood to induce behavior change in a lifestyle management program | |
TW201923675A (zh) | 資訊推薦方法及裝置、設備 | |
JP2020091843A5 (zh) | ||
CA2838119A1 (en) | System and method for selecting predictors for a student risk model | |
JP2009282926A (ja) | 時系列データ分析装置、方法及びプログラム | |
US20140272844A1 (en) | Method for increasing the likelihood to induce behavior change in a lifestyle management program | |
JP6912677B2 (ja) | 材料探索装置、方法、およびプログラム | |
KR102572701B1 (ko) | 사용자의 상태 정보에 기초하여 응답 메시지를 제공하는 전자 장치 및 그 동작 방법 | |
US10121156B2 (en) | Analysis device, analysis program, analysis method, estimation device, estimation program, and estimation method | |
JP2019128904A (ja) | 予測システム、シミュレーションシステム、方法およびプログラム | |
JP2022535799A (ja) | 認知トレーニング及び監視のためのシステム及び方法 | |
CN110415036A (zh) | 用户等级的确定方法、装置、计算机设备和存储介质 | |
CN117275673A (zh) | 一种用于提升分配注意的认知训练设备和方法 | |
CN113168655A (zh) | 技术预测装置、方法、以及程序 | |
CN117612712A (zh) | 一种检测和提升认知测评诊断精度的方法及系统 | |
CN109219002B (zh) | 一种提醒短信发送方法、装置、设备及可读存储介质 | |
CN115423054B (zh) | 基于认知障碍患者人格特征的不定时训练激励方法及系统 | |
CN116956049A (zh) | 工业产能预测模型的训练方法、装置、设备及存储介质 | |
JP2020166816A (ja) | 情報処理装置 | |
CN113454655A (zh) | 针对在硬件上的高效实施来训练神经网络 | |
CN113225435B (zh) | 预估电话接通概率的方法、装置和可读存储介质 | |
CN113298385A (zh) | 一种用户管理方法、装置、电子设备及存储介质 | |
JP7327498B2 (ja) | 情報処理方法 | |
Zejda | The Model of Appropriation: Contribution of Rational Choice Theory and Cognitive Science to a Better Technology | |
Bilkic et al. | The radical innovation investment decision refined |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: Tokyo, Japan Applicant after: Lishennoco Co.,Ltd. Address before: Tokyo, Japan Applicant before: Showa electrical materials Co.,Ltd. |
|
CB02 | Change of applicant information | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230710 Address after: Tokyo, Japan Applicant after: Showa electrical materials Co.,Ltd. Address before: Tokyo, Japan Applicant before: SHOWA DENKO Kabushiki Kaisha |
|
TA01 | Transfer of patent application right |