JP2011134283A - 製造負荷予測装置、方法、コンピュータプログラム、及びコンピュータ読み取り可能な記憶媒体 - Google Patents

Abstract

【課題】各製造設備の能力制約等の製造上の要件を満たした生産計画を作成する際に必要となる品種毎の製造負荷を迅速かつ高精度に予測することができるようにする。
【解決手段】製造実績注文情報４００と製造実績情報５００とに基づいて、製品属性が同一又は予め定めた範囲内である製品同士を同一の品種として仕分けるための工程別品種区分ロジック（決定木６００、７００、８００、９００）を製造工程毎に作成する。また、製造実績注文情報４００と製造実績情報５００とに基づいて、工程別品種区分ロジックを用いて、製造負荷予測モデル１２００、１３００、１４００、１５００を算出する。そして、工程別品種区分ロジックと、製造負荷予測モデル１２００、１３００、１４００、１５００とを用いて、新規の製品の注文に関する生産計画１９００について、各製造工程の製造負荷を予測する。
【選択図】図１

Description

本発明は、製品属性が異なる複数の製品を複数の製造工程での処理により製造する製造工場において、製品属性の似ている製品同士をグループ化して複数の品種にまとめて定義するとともに、品種毎の製造負荷を予測して、生産計画の良否を判定するために用いて好適な技術である。

鉄鋼業を始めとする多くの産業における製造プロセスでは、顧客からの注文内容に応じて適切に製品を製造することが求められる。例えば、鉄鋼製造業における鉄鋼製品は、その材質を規定した規格や客先での用途に応じたサイズなどの製品注文情報が極めて多岐にわたる。このため、鉄鋼製品の製造仕様、例えば化学的な組成や成形方法、熱処理方法などが極めて多岐にわたるという特徴がある。さらに、顧客が要求する製品注文情報をもつ製品を、要求された量だけ、要求された期日に納入することが求められている。

一方、製造工程においては、大量生産による生産性の向上の観点から、同一の製造仕様の注文を複数まとめてロット単位で生産することが求められている。鉄鋼製品の製造工程は、製鋼、圧延、精整、出荷などの複数の製造設備からなり、それぞれの製造設備の最適なロット条件（複数の注文をロットにまとめるための条件）は異なる。従って、ある製造設備に対する"ロットまとめによる生産性の向上の追及"が、他の製造設備の生産性を低下させたり、上流工程でのロットまとめが下流工程での製造負荷の集中につながり仕掛増や製造工期増を引き起こしたりすることがある。そのために、製造設備間でのトレードオフを考慮したロットを作成することが求められる。また、適正な規模のロットを作るための製品の先作りは余分な製品在庫や、それに応じた工期増を引き起こすこととなる。なお、本明細書において製造負荷とは、各製造設備での処理量（製造量）を指すものとする。

これに対し鉄鋼業では以下のような生産管理を行っていることが多い。まず、営業部門が顧客から注文の引合いを受け、注文の製造仕様や要望納期などに基づいて、受注可否や必要に応じた納期交渉を行った上で、製鉄所へ注文情報の製造指示を行う。製鉄所では、営業部門から指示のあった注文情報に基づきさらに詳細な製造仕様を検討する。そして、製鉄所では、製造仕様に基づき、納期や製造工期、製造工程での生産性などを考慮しつつ各製造設備の製造ロットとその製造タイミングを計画し、各製造設備へ生産指示を出す。
このように受注段階で大まかな納期交渉を行っているものの、先に述べたような製造工程の複雑さと、多品種かつ小ロットの注文を大量に取り扱う生産管理の規模の大きさと複雑さとが相まって、営業部門において受注段階で各製造設備でのロットのまとまり具合や製造負荷までを考慮した納期交渉を適切に行うことは難しいのが現状である。

また、注文情報が営業部門から製鉄所に指示された後、つまり納期の目標が確定した後においては、製造に着手するタイミングの決定が重要な計画要素となる。例えば、製鋼設備では、生産性や歩留の観点からできるだけ同一成分の注文をまとめて製造することが望まれるが、一方で、製鋼以降の工程での製造負荷を平準化する必要がある。そのため、製鋼設備での大ロット化と下流工程での製造負荷の平準化とが両立するように、製造プロセス全体を一貫工程として最適な計画を立案することが必要である。しかしながら、実際には、多品種であるがゆえに製造フローが多岐に亘ることと、検査設備で見つかった疵などの品質欠陥の手入れなどの精整設備（製造設備の一つ）の製造負荷は製品検査後でないと確定しないこととから、計画段階で製造負荷を精度良く予測して対策を打つことが難しい。そのために、結果として製造後の製造負荷が増大し、仕掛増による工期増となることがあった。

このような状況において、現状の生産現場では、製造工程の管理者が、製造プロセスの特性に基づいて製品をおおまかな品種に分類し、品種毎の製造負荷の実績平均値を製造負荷の予測に用いるという方法がよく用いられる。
また、特許文献１では、多品種少量生産の組み立て加工ラインにおいて、製品の部品構成または製造ラインに対する要求量が類似する品種群を同一の品種のグループとして取り扱い、製造ラインの負荷を適切に平準化する生産指示量平準化装置が提案されている。
また、特許文献２では、多品種小ロット製品を大量生産する製造プロセスにおいて、製造実績データに基づき、処理工程が類似している製品同士をグループ化するロジックを決定木により作成し、グループ化された品種毎の製造負荷の平均値を製造負荷予測に用いるという方法が提案されている。

特開平１０−１３８１０２号公報 特開２００８−２７１５０号公報

山口和範、外２名、"図解入門よくわかる多変量解析の基本と仕組み"、株式会社秀和システム、2004年5月25日、p.143-168

しかしながら、前述した現状の生産現場における製造負荷の予測方法では、製造プロセスに関する知見から大まかな品種のグループに分類している。このため、同一の品種であっても製品によって製造負荷が異なるなど、製造負荷を予測する精度は必ずしも十分ではないという課題がある。
また、特許文献１に開示された生産指示量平準化装置では、製品の部品構成または製造ラインに対する要求量が類似する複数の品種を一つの品種群として取り扱っているという点で品種のグループの作成の条件が明確である。しかしながら、確率的に発生する作業工程、たとえば検査設備で見つかった疵等の品質欠陥の手入れ等の製造負荷を予測することは困難であり、また、製品属性から品種のグループを作成する際の条件が明確に記載されていない、という課題がある。

また、特許文献２に開示された製造負荷予測装置では、全ての製造工程の処理パターンが類似している製品同士をグループ化するロジックに決定木モデルを用いているため、処理設備の数が多い製造プロセスにおいては複数工程の処理パターン数（製造工程の組合せ）が増加する、すなわち決定木の目的変数が増加することにより、モデル構造が大規模となり、管理が難しいモデルとなるという課題がある。さらに、決定木モデルの作成時に、製造工程毎に決定木の説明変数を取捨選択できないため、各製造工程に特化したきめ細かい学習を行うが困難であるという課題がある。

本発明はこのような課題に鑑みてなされたものであり、複数の種類からなる複数の製品を複数の製造工程での処理を経て製造する製造工場における製品の生産計画であって、各製造設備の能力制約などの製造上の要件を満たした生産計画を作成する際に必須となる品種毎の製造負荷を、迅速かつ高精度に予測するために、品種を作成するための決定木を製造工程別に作成することで、説明変数を製造工程別に取捨選択することを可能として、決定木の大規模化を抑制するとともに、各製造工程に特化したきめ細かなモデル学習を行うことができるようにすることを目的とする。

本発明の製造負荷予測装置は、製品属性が異なる複数の製品を複数の製造工程での処理により製造する製造工場の各製造工程における製造負荷を、過去に製造された製品についての製造実績データに基づいて予測する製造負荷予測装置であって、前記過去に製造された製品についてのサイズ及び重量を少なくとも製品属性として含む製品注文実績情報と、当該製品の前記各製造工程での処理の有無の実績を少なくとも含む製造実績情報とを前記製造実績データとして入力する入力手段と、前記製造実績データに基づいて、製品属性が同一又は予め定めた範囲内である製品同士をまとめるための複数の品種を前記製造工程毎に作成し、当該製造工程毎に当該製品を当該複数の品種の何れかに仕分ける決定木を、工程別品種区分ロジックとして作成する工程別品種区分ロジック作成手段と、前記製造実績データに基づいて、前記工程別品種区分ロジックを用いて、前記製造工程毎、前記品種毎に、当該品種に属する製品の総数に対する、当該品種に属する製品の当該製造工程の通過数の割合の期待値を示す発生率を算出するモデルを、製造負荷予測モデルとして作成する製造負荷予測モデル作成手段と、前記工程別品種区分ロジックと、前記製造負荷予測モデルとを用いて、新規の製品の注文に関する生産計画について、前記各製造工程の製造負荷を予測する製造負荷予測手段と、を備えることを特徴とする。
また、本発明の製造負荷予測方法は、製品属性が異なる複数の製品を複数の製造工程での処理により製造する製造工場の各製造工程における製造負荷を、過去に製造された製品についての製造実績データに基づいて予測する製造負荷予測方法であって、前記過去に製造された製品についてのサイズ及び重量を少なくとも製品属性として含む製品注文実績情報と、当該製品の前記各製造工程での処理の有無の実績を少なくとも含む製造実績情報とを前記製造実績データとして入力する入力ステップと、前記製造実績データに基づいて、製品属性が同一又は予め定めた範囲内である製品同士をまとめるための複数の品種を前記製造工程毎に作成し、当該製造工程毎に当該製品を当該複数の品種の何れかに仕分ける決定木を、工程別品種区分ロジックとして作成する工程別品種区分ロジック作成ステップと、前記製造実績データに基づいて、前記工程別品種区分ロジックを用いて、前記製造工程毎、前記品種毎に、当該品種に属する製品の総数に対する、当該品種に属する製品の当該製造工程の通過数の割合の期待値を示す発生率を算出するモデルを、製造負荷予測モデルとして作成する製造負荷予測モデル作成ステップと、前記工程別品種区分ロジックと、前記製造負荷予測モデルとを用いて、新規の製品の注文に関する生産計画について、前記各製造工程の製造負荷を予測する製造負荷予測ステップと、を備えることを特徴とする。
さらに、本発明のコンピュータプログラムは、製品属性が異なる複数の製品を複数の製造工程での処理により製造する製造工場の各製造工程における製造負荷を、過去に製造された製品についての製造実績データに基づいて予測する製造負荷予測装置としてコンピュータを機能させるためのコンピュータプログラムであって、前記過去に製造された製品についてのサイズ及び重量を少なくとも製品属性として含む製品注文実績情報と、当該製品の前記各製造工程での処理の有無の実績を少なくとも含む製造実績情報とを前記製造実績データとして入力する入力部と、前記製造実績データに基づいて、製品属性が同一又は予め定めた範囲内である製品同士をまとめるための複数の品種を前記製造工程毎に作成し、当該製造工程毎に当該製品を当該複数の品種の何れかに仕分ける決定木を、工程別品種区分ロジックとして作成する工程別品種区分ロジック作成部と、前記製造実績データに基づいて、前記工程別品種区分ロジックを用いて、前記製造工程毎、前記品種毎に、当該品種に属する製品の総数に対する、当該品種に属する製品の当該製造工程の通過数の割合の期待値を示す発生率を算出するモデルを、製造負荷予測モデルとして作成する製造負荷予測モデル作成部と、前記工程別品種区分ロジックと、前記製造負荷予測モデルとを用いて、新規の製品の注文に関する生産計画について、前記各製造工程の製造負荷を予測する製造負荷予測部と、
を備える製造負荷予測装置としてコンピュータを機能させることを特徴とする。
また、当該コンピュータプログラムを記憶した記憶媒体も提供される。

本発明によれば、品種を作成するための決定木を製造工程別に作成するようにしたので、決定木の大規模化を抑制するとともに、決定木の説明変数を製造工程毎に取捨選択することを可能とし、各製造工程に特化したきめ細かい学習を行うことが可能となる。これにより、各製造設備の能力制約等の製造上の要件を満たした生産計画を作成する際に必要となる品種毎の製造負荷を、迅速かつ高精度に予測することができる。

鉄鋼業における厚板製造工程の概略の一例を示した図である。 第１の実施形態における製造負荷予測装置の概略構成の一例を示した図である。 製造負荷予測装置の製造負荷予測手順の概略の一例を示したフローチャートである。 製品注文情報の一例を示した図である。 製造実績情報の一例を示した図である。 切断工程の決定木の一例を示した図である。 手入工程の決定木の一例を示した図である。 矯正工程の決定木の一例を示した図である。 検査工程の決定木の一例を示した図である。 工程別品種の一例を示した図である。 製造実績から求まる工程別リーフＩＤの一例を示した図である。 切断工程の品種（リーフＩＤ）毎の品種名、処理枚数、合計枚数、発生率（製造負荷予測モデル）の一例を示した図である。 手入工程の品種（リーフＩＤ）毎の品種名、処理枚数、合計枚数、発生率（製造負荷予測モデル）の一例を示した図である。 矯正工程の品種（リーフＩＤ）毎の品種名、処理枚数、合計枚数、発生率（製造負荷予測モデル）の一例を示した図である。 検査工程の品種（リーフＩＤ）毎の品種名、処理枚数、合計枚数、発生率の一例を示した図である。 新規製品注文情報の一例を示した図である。 新規の注文に対する工程別リーフＩＤの一例を示した図である。 新規の製品のリーフＩＤ、目的変数、発生率の一例を示した図である。 製造日別、手入品種（リーフＩＤ）別の生産計画の一例を示した図である。 製造日別、手入品種（リーフＩＤ）別の手入工程の製造負荷予測値の一例を示した図である。 検査設備の製造負荷と実績値との比較結果（検査工程の製造負荷の予測精度）の一例を示した図である。 従来技術により作成した品種区分ロジックの一例を示した図である。 第２の実施形態における製造負荷予測装置の概略構成の一例を示した図である。 製造負荷予測装置の製造負荷予測手順の概略の一例を示したフローチャートである。 新規製品注文情報内の各製品に付与される計画立案用品種の一例を示した図である。 計画立案用品種毎の発生率の一例を示した図である。 製造日別、計画立案用品種別の製品の生産計画量（枚数）の一例を示した図である。 製造日別、製造工程別の製造負荷予測値の一例を示した図である。 変更後の生産計画量（枚数）の一例を示した図である。 変更後の製造負荷予測値の一例を示した図である。 第２の実施形態における検査工程の製造負荷予測精度を示した図である。

以下、図面を参照しながら、本発明の実施形態を説明する。
まず、図１を参照して、本発明の適用先の一例であり、鉄鋼業における代表的な製品である厚鋼板（厚板）の製造工場の概略構成の一例を説明する。なお、本発明の適用先は、厚鋼板の製造工場に限定されないことは勿論である。図１において、矢印は製品の流れを示す。
転炉工程１００１では、高温溶融状態の鉄鋼中間製品（溶鋼）の化学的成分である出鋼成分を例えば約300［ton］単位で調整し、溶鋼鍋に出鋼する。この転炉１００１での出鋼単位をチャージと呼ぶ。
連続鋳造工程１００２では、転炉１００１で製造された溶鋼を複数チャージ分連続して鋳造し、その後規定の長さに切断することで、例えば約20［ton］単位のスラブと呼ばれる板状の中間製品を製造する。この連続鋳造工程１００２での一連の製造単位をキャストと呼ぶ。製造仕様にもよるが概ね8〜12チャージを１キャストとして製造する。

圧延工程１００３では、スラブを加熱した後、所定の厚みや幅まで成形する。精整（切断）工程１００４では、注文仕様のサイズまで圧延後のスラブの切断を行う。また、精整（矯正）工程１００５では、形状等の品質を確保するために圧延後のスラブの矯正を行う。精整（手入）工程１００６では、品質確保のために圧延後のスラブの手入を行う。すべての処理を終えた製品は、倉庫１００７に配置される。なお、製品注文情報のサイズまで切断された製品をプレートと呼ぶ。ここで、矯正工程１００５や手入工程１００６での処理は、圧延工程１００３での製造後にその要否が判定されること、また、製品の形状によっては矯正工程１００５での処理後に再度矯正工程１００５での処理や、手入工程１００６での処理などの再処理が必要となる場合もあることなどから、生産計画の立案時に、製品単位で製造負荷を精度よく設定することは難しい。
そこで、以下に説明する第１、第２の実施形態では、製造実態を適切に反映した適切な製造負荷を注文毎に設定し、立案した生産計画の製造負荷を製造着手前に予測することで、生産計画の良否を事前に評価できるようにする。

＜第１の実施形態＞
図２に、製品一品単位で製造負荷を予測する製造負荷予測装置１００の概略構成の一例を示す。また、図３に、当該製造負荷予測装置１００を用いて実施する製造負荷予測方法の各ステップの一例を示す。製造負荷予測装置１００のハードウェアは、例えば、ＣＰＵ、ＲＯＭ、ＲＡＭ、ＨＤＤ、通信インターフェース、及びユーザインタフェース等を備えたコンピュータシステム（例えばパーソナルコンピュータ）を用いることにより実現できる。

（入力部１：入力ステップＳ１）
入力部１は、製品のサイズ及び重量を少なくとも製品属性として含む製品注文実績情報と、製品の製造工程での処理有無の実績とを少なくとも含む製造実績情報を入力とする。図４に、製品注文実績情報４００の一例を示す。図４において、製品１は、規格が「ａ」、平坦度が「Ｂ」、切断仕様が「有り」、矯正仕様が「有り」、検査仕様が「無し」、製造仕様１が「無し」、製造仕様２が「有り」、需要家が「Ｂ３」、製品重量が４[ton]、製品厚が12[mm]、製品巾が1000[mm]、製品長7000[mm]であることを表す。また、図５に、製造実績情報５００の一例を示す。図５において、製品１は、精整工程では切断と矯正のみ処理された（切断工程１００４と矯正工程１００５のみ通過した）ことを表す。
入力部１は、例えば、情報入力手段（キーボード、電子ファイル用ドライブ、及びネットワークＩ／Ｏなど）が、ユーザによる入力操作や、外部装置との通信などを行って、製品注文実績情報４００と製造実績情報５００とを取得し、ＣＰＵが、プログラムに従って、製品注文実績情報４００と製造実績情報５００を、ＨＤＤ等に記憶することにより実現される。

（説明変数設定部２：説明変数設定ステップＳ２）
説明変数設定部２は、製品注文実績情報４００に含まれる（所定の）一つ又は複数の製品属性を説明変数として設定する。「説明変数」、「目的変数」については後述する。
説明変数設定部２は、例えば、ＣＰＵが、プログラムに従って、ＨＤＤ等に記憶された製品注文実績情報４００を読み出し、そこから所定の製品属性の情報を抽出することにより実現される。

（目的変数設定部３：目的変数設定ステップＳ３）
目的変数設定部３は、製造実績情報５００に基づいて、各製造工程の処理実績の有無を目的変数として設定する。具体的に本実施形態では、精整工程である切断工程１００４、手入工程１００６、矯正工程１００５、及び検査工程の各処理工程の処理有無の実績値を、処理した場合に「１」、処理しなかった場合に「０」と表現したものを各製造工程の目的変数とする。なお、検査工程は、倉庫１００７に入庫する直前の工程として実行される。ただし、検査工程は、倉庫１００７に入庫した後の所定のタイミングで実行されるようにしてもよい。図５に示す例では、製品１の切断工程１００４の目的変数は「１」、手入工程１００６の目的変数は「０」、矯正工程１００５の目的変数は「１」、検査工程の目的変数は「０」となる。
目的変数設定部３は、例えば、ＣＰＵが、プログラムに従って、ＨＤＤ等に記憶された製造実績情報５００を読み出し、その内容から目的変数を導出することにより実現される。

（設計パラメータ設定部４：設計パラメータ入力ステップＳ４）
設計パラメータ設定部４は、工程別品種区分ロジックを作成する際に必要な設計パラメータを設定する。なお、設計パラメータについては後述する。
設計パラメータ設定部４は、例えば、製造負荷予測装置１００が備える情報入力手段が、ユーザによる入力操作や、外部装置との通信などを行って設計パラメータを取得し、ＣＰＵが、プログラムに従って、設計パラメータを、ＨＤＤ等に記憶することにより実現される。

ここで、製品の製造工程の通り易さを表す「０」、「１」を、製品の製品属性に従って、通過有無変数として各製品に付与する「製造工程別の工程別品種区分ロジック（決定木）」の構築手法の一例について説明する。なお、或る製造工程の通過有無変数が「１」である製品は当該製造工程を通り易いことを意味し、「０」である製品は当該製造工程を通り難いことを意味する。
決定木とはデータの分析手法の一つであり、データを様々な条件に従って木の枝葉のように分類していく分析手法である。決定木は、製造不良の要因の特定や市場情報の分類などに使われている（例えば非特許文献１を参照）。決定木は、データの固まりである複数のノードから構成されており、データ全体を表すルートノード（根ノード）から始まり、末端のノード（リーフノード、葉ノード）に特定の属性を持つデータの割合が多くなるように、つまり偏りのあるデータが含まれるように、ノードを次々と分岐させながら作成される。得られたリーフノードへの分岐条件やリーフノードに属する過去のデータ（学習用データ）を用いることで決定木を各種の予測に使うことができる。ここで、予測したい属性を「目的変数」、データの分岐条件を記述する属性を「説明変数」と呼ぶ。決定木の作成にあたっては、目的変数や説明変数をどのように定義するか、決定木の大きさ（ノードの数や深さ）をどのように決定するかなどの設計パラメータの設定が、得られた決定木の予測精度や取扱いの容易さなどに深く関係するために極めて重要である。

ここでは、設計パラメータ設定部４は、設計パラメータとして、作成する決定木のリーフノードの数や木構造の深さなどを決定木の構造に関するパラメータを設定する。具体的に設計パラメータ設定部４は、一つのリーフノードが保有するデータ数の上限値を与えるものとする。この上限値を小さくするとリーフノードの数が増える、つまり決定木が大きく、深くなることとなる。より具体的には、データ数の上限値を１００以上に増やしても予測精度が向上しなかったため、データ数の上限値を１００とした。

（工程別品種区分ロジック作成部５：工程別品種区分ロジック作成ステップＳ５）
工程別品種区分ロジック作成部５は、製造実績情報５００、前記説明変数、前記目的変数及び前記設計パラメータに基づいて、決定木構築手法に従って決定木を作成する。作成された決定木が工程別品種区分ロジックとなる。
工程別品種区分ロジック作成部５は、例えば、ＣＰＵが、プログラムに従って、ＨＤＤ等に記憶された、前記説明変数、前記目的変数及び前記設計パラメータを読み出し、それらの情報を用いて決定木構築手法に従った処理を行い、決定木を作成することにより実現される。
（工程別品種区分ロジック格納部６、工程別品種区分ロジック格納ステップＳ６）
工程別品種区分ロジック格納部６は、工程別品種区分ロジック作成部５で作成された工程別品種区分ロジックを、データベース、ファイル等の形式で格納する。
工程別品種区分ロジック格納部６は、例えば、ＣＰＵが、プログラムに従って、工程別品種区分ロジック作成部５で作成された工程別品種区分ロジックをＨＤＤ等に記憶することにより実現される。

図６〜図９に、決定木構築手法により構築された決定木の一例を示す。具体的に、図６に、切断工程１００４の決定木６００の一例を、図７に、手入工程１００６の決定木７００の一例を、図８に、矯正工程１００５の決定木８００の一例を、図９に、検査工程の決定木９００の一例を、それぞれ示す。
例えば、図８において、矯正仕様が「無し」、製品長が4500[mm]超、製品巾が800[mm]以下、製品重量が４[ton]超、製品厚が８[mm]以下の製品は、リーフＩＤ５に分類され、目的変数が「０」、すなわち矯正処理が発生しにくい製品であることを示す。なお、リーフＩＤとは、リーフノード毎に割り当てられるユニークな番号を意味し、品種と定義する。

（工程別品種分類部７：工程別品種分類ステップＳ７）
工程別品種分類部７は、工程別品種区分ロジック（決定木６００、７００、８００、９００）に従って、製品注文実績情報４００に通過有無変数（目的変数）と品種（リーフＩＤ）とを付与する。図１０に、製品毎に通過有無変数を付与した結果（工程別通過有無変数（目的変数））の一例を示す。また、図１１に、品種（リーフＩＤ）を付与した結果（製造実績から求まる工程別品種）の一例を示す。例えば、図４に示した製品実績情報４００に含まれる製品１は、規格が「ａ」、平坦度が「Ｂ」、切断仕様が「有り」、矯正仕様が「有り」、検査仕様が「無し」、製造仕様１が「無し」、製造仕様２が「有り」、需要家が「Ｂ３」、製品重量が４[ton]、製品厚が12[mm]、製品巾が1,000[mm]、製品長が7,000[mm]であるため、図６〜図１０に示した決定木６００、７００、８００、９００に従い、切断工程１００４の通過有無変数は「１」、品種は「１」、手入工程１００６の通過有無変数は「０」、品種は「２」、矯正工程１００５の通過有無変数は「１」、品種は「１」、検査工程の通過有無変数は「０」、品種は「４」となる。
工程別品種分類部７は、例えば、ＣＰＵが、プログラムに従って、製品注文実績情報４００と、決定木６００、７００、８００、９００とをＨＤＤ等から読み出し、各製品の製品属性を決定木６００、７００、８００、９００に適用して、各製品の各製造工程における通過有無変数及び品種を決定することにより実現される。

（製造負荷予測モデル作成部８：製造負荷予測モデル作成ステップＳ８）
製造負荷予測モデル作成部８は、品種毎に、当該品種に属する製品１枚当たりの「当該品種に対応する製造工程の処理枚数」の期待値である発生率を算出する。具体的に製造負荷予測モデル作成部８は、品種毎に、当該品種に対応する製造工程の処理枚数と合計枚数とを集計し、以下の（１）式から品種毎の発生率load＿rate[i][j]を算出する。ただし、iは製造工程に関するインデックスでありi=0は切断、i=1は手入、i=2は矯正、i=3は検査を意味し、j(j=0,1,2,・・・)は品種を意味する。

ここで、sum＿plate[i][j]は、製造工程i(i=0,1,2,3)、品種j(j=0,1,2,・・・)に属する製品の合計枚数である。sum＿load[i][j]は、製造工程i(i=0,1,2,3)、品種j(j=0,1,2,・・・)に属する製品のうち、当該製造工程で処理された製品の処理枚数の実績値である。
図１２〜図１５に、処理枚数sum＿load[i][j]、合計枚数sum＿plate[i][j]、発生率load＿rate [i][j]を品種毎に集計又は算出した結果を、製造工程毎に示す。
例えば、図１３において、手入工程１００６の品種（リーフＩＤ）「３」は、通過有無変数が「１」であり、品種（リーフＩＤ）「３」に属する製品の合計枚数が「500枚」であり、そのうち手入工程１００６で処理された枚数が「450枚」であり、発生率が「0.90」（=450/500）であることを意味する。ここで、図１２〜図１５に一例として示すように、品種から発生率が求まるモデルを製造負荷予測モデル１２００、１３００、１４００、１５００という。例えば、図１３に示す手入工程の製造負荷予測モデル１３００おいて、或る製品の品種が「３」の場合、品種「３」を入力として得られる出力（発生率）0.90が当該製品の発生率となる。
製造負荷予測モデル作成部８は、例えば、ＣＰＵが、プログラムに従って、工程別品種（図１１を参照）及び製造実績情報５００をＨＤＤ等から読み出して、（１）式の演算を行うことにより実現される。

（製造負荷予測モデル格納部９：製造負荷予測モデル格納ステップＳ９）
製造負荷予測モデル格納部９は、製造負荷予測モデル作成部８で作成された製造負荷予測モデル１２００、１３００、１４００、１５００を、データベース、ファイル等の形式で製造負荷予測モデルを格納する。
製造負荷予測モデル格納部９は、例えば、ＣＰＵが、プログラムに従って、製造負荷予測モデル作成部８で作成された製造負荷予測モデル１２００、１３００、１４００、１５００をＨＤＤ等に記憶することにより実現される。

（製造負荷予測部１０：製造負荷予測ステップＳ１０）
製造負荷予測部１０は、新規の製品の注文に対して、その新規の製品の注文情報（新規製品注文情報）に含まれる注文属性と、工程別品種区分ロジック（決定木６００、７００、８００、９００）とから求まる品種を当該新規の製品毎に付与する。そして、製品負荷予測部１０は、当該品種と、製造負荷予測モデル１２００、１３００、１４００、１５００とから求まる製造工程毎の発生率を新規の製品毎に付与する。
図１６は、新規製品注文情報１６００の一例を示した図である。また、図１７は、品種を新規の製品毎に付与した結果（新規の注文に対する工程別品種）の一例を示した図である。
図１６において、例えば、製品１０１は、規格が「ｄ」、平坦度が「Ｂ」、切断仕様が「無し」、矯正仕様が「無し」、検査仕様が「有り」、製造仕様１が「無し」、製造仕様２が「無し」、需要家が「Ａ２」、製品重量が５[ton]、製品厚が20[mm]、製品巾が900[mm]、製品長が3,000[mm]である。したがって、図６〜図９に示した決定木６００、７００、８００、９００に従い、切断工程１００４の品種は「２」、手入工程１００６の品種は「５」、矯正工程１００５の品種は「２」、検査工程の品種は「１」となる。

また、図１８は、製造工程毎の発生率を新規の製品毎に付与した結果である。この結果は、新規の製品毎に付与された品種（図１７を参照）と、製造負荷予測モデル１２００、１３００、１４００、１５００（図１２〜１５を参照）とから求めたものである。
図１８において、例えば、製品１０１における、切断工程１００４の品種は「２」、手入工程１００６の品種は「５」、矯正工程１００５の品種は「２」、検査工程の品種は「１」である。したがって、図１２〜図１５に示した製造負荷予測モデル１２００、１３００、１４００、１５００に従い、切断工程１００４の通過有無変数（目的変数）は「０」、発生率は「0.02」となり、手入工程１００６の通過有無変数（目的変数）は「１」、発生率は「0.90」となり、矯正工程１００５の通過有無変数（目的変数）は「１」、発生率は「0.90」となり、検査工程の通過有無変数（目的変数）は「１」、発生率は「1.00」となる。

さらに、製造負荷予測部１０は、新規製品注文情報１６００に含まれる一部或いは全ての新規の製品の製造日を決定した生産計画に対して、製造日毎の製造負荷を予測することも可能である。以下、具体例として、手入工程１００６に着目して説明する。
図１９は、製造日別、手入工程１００６の品種（手入リーフＩＤ）別に新規の製品を集約した生産計画１９００の一例を示した図である。図１９において、例えば、製造日１には、品種「１」の製品が200枚含まれていることを示している。図２０に、図１３に示した製造負荷予測モデル１３００を用いて、製造日別、手入リーフＩＤ別の手入工程１００６の製造負荷予測値２０００を計算した結果を示す。例えば、図１９に示した生産計画１９００において、品種「３」、製造日１の製品枚数は800枚であり、図１３に示した製造負荷予測モデル１３００において、品種「３」の発生率は0.9であるので、図２０に示すように、品種「３」、製造日１の製造負荷予測値は800×0.9＝720枚となる。他の品種についても同様に製造負荷予測値を算出し、製造日毎に集計することで製造日毎の製造負荷予測値を算出することができる。

製造負荷予測部１０は、例えば、ハードウェアによる以下の処理により実現される。即ち、まず、製造負荷予測装置１００が備える情報入力手段が、ユーザによる入力操作や、外部装置との通信などを行って新規製品注文情報１６００及び生産計画１９００を取得すると共に、ＣＰＵが、プログラムに従って、工程別品種区分ロジック（決定木６００、７００、８００、９００）と、製造負荷予測モデル１２００、１３００、１４００、１５００とをＨＤＤ等から読み出す。そして、ＣＰＵが、プログラムに従って、新規製品注文情報１６００と工程別品種区分ロジック（決定木６００、７００、８００、９００）とを用いて品種を新規の製品毎に付与し、当該品種と、製造負荷予測モデル１２００、１３００、１４００、１５００とから求まる製造工程毎の発生率を新規の製品毎に付与する。さらに、ＣＰＵが、プログラムに従って、新規の製品の製造日を決定した生産計画１９００と、製造負荷予測モデル１２００、１３００、１４００、１５００とを用いて、製造工程別、製造日別の製造負荷予測値２０００を算出する。

次に、前記のようにして導出された新規の製品毎の発生率を生産計画立案業務に用いる場合について説明する。生産計画の立案にあたっては、連続鋳造工程１００２における生産性や納期などを考慮するが、合わせて連続鋳造設備以降の下工程での製造負荷を考慮することが重要である。そこで、一旦立案された生産計画に含まれる製品毎の発生率に基づいて、各製造設備の製造負荷を予測し、各製造設備の能力や稼動スケジュールと対比することにより生産計画の妥当性を評価し、問題があれば製品の出鋼タイミングを変更するなどのアクションを製造前に取ることができる。

なお、生産計画の妥当性を評価するために製造負荷予測モデル１２００、１３００、１４００、１５００を用いる場合には、その精度が重要となる。図２１に、本実施形態で用いた製造負荷予測モデル１２００、１３００、１４００、１５００を用いて予測した検査設備の製造負荷と実績値との比較結果の一例を示す。なお、本評価には１０ヶ月の製品注文実績情報と製造実績情報とを使用し、前半７ヶ月のデータを用いて品種区分ロジックと製造負荷予測モデルとを作成し、後半３ヶ月のデータを用いて精度の評価を行った。図２１の横軸は、５日単位を１旬としたときの期間を表し、縦軸は、検査設備での処理発生枚数の実績と予測値とを表す。図２１に示す結果から、誤差の標準偏差である標準誤差は約１８８[枚／５日]であり、これは、平均の実績処理枚数２２００枚に対して約８．５[％]の標準誤差であることから、精度良く予測できていることが分かる。

さらに、図２２に、特許文献２で開示されている方法で作成した品種区分ロジックを示す。特許文献２で開示されている方法では、全工程（切断、手入、矯正、検査）について各製造工程の通過の有無に対応する「１」，「０」の組合せの通過工程パターンを目的変数としている。例えば、目的変数「１０００」は、切断でのみ処理されることを意味する。本実施形態の手法（図６〜図９）と、特許文献２で開示されている従来の手法（図２２）とを比較すると、本実施形態の手法の品種区分ロジック（決定木６００、７００、８００、９００）の分岐の数は、各製造工程で１〜６個であるのに対し、従来の手法の品種区分ブロックの分岐の数は１１以上である。したがって、本実施形態の手法の方が、小規模かつ単純な品種区分ロジックを作成できていることが分かる。

また、従来の手法では、特定の製造工程の予測精度を改善したい場合には、品種区分ロジック全体を作り直す必要があり、予測精度を改善する必要の無い他の製造工程に悪影響を与える可能性があった。これに対し、本実施形態の手法では、製造工程毎に品種区分ロジックを作成しているため、他の製造工程に影響を与えることなく、着目した製造工程のみの品種区分ロジックを作り直すことが可能である。さらに、製造工程毎に品種区分ロジックを作成しているため、製造工程毎に説明変数や設計パラメータを設定することが可能であり、各製造工程に特化したきめ細かい学習が可能である。例えば、手入工程１００６の予測精度のみを改善したい場合には、手入工程１００６に特化して、説明変数を増やす、リーフノードが保有するデータ数上限値を減らす、などといったアクションを行うことが可能となる。また、これらにより、生産計画の良否を事前に評価できるようになり、生産性や納期、コスト等を勘定した生産計画の立案が可能となる。

以上のように本実施形態では、製品属性が異なる複数の製品を複数の製造工程での処理により製造する製造工場における各製造工程での製品を製造する枚数である製造負荷を予測するに際し、以下の処理を行う。まず、製品の各製造工程での処理有無の実績を少なくとも含む製造実績情報５００と、過去に製造された製品についてのサイズ及び重量を少なくとも製品属性として含む製造実績注文情報４００とを入力する。そして、製造実績注文情報４００と製造実績情報５００とに基づいて、製品属性が同一又は予め定めた範囲内である製品同士を同一の品種として仕分けるための工程別品種区分ロジック（決定木６００、７００、８００、９００）を製造工程毎に作成する。また、製造実績注文情報４００と製造実績情報５００とに基づいて、工程別品種区分ロジック（決定木６００、７００、８００、９００）を用いて、製造工程別、品種別に、当該品種に属する製品の総数に対する、当該品種に属する製品の当該製造工程の通過数の割合の期待値を示す発生率を算出するモデルを、製造負荷予測モデル１２００、１３００、１４００、１５００として算出する。そして、工程別品種区分ロジック（決定木６００、７００、８００、９００）と、製造負荷予測モデル１２００、１３００、１４００、１５００とを用いて、新規の製品の注文に関する生産計画１９００について、各製造工程の製造負荷を予測する。従って、製造実態を反映した適切な製造負荷を予測することができる。

＜第２の実施の形態＞
次に、本発明の第２の実施形態を説明する。本実施形態では、前述した第１の実施形態に対し、製造負荷予測部（製造負荷予測ステップ）の内容が異なる。すなわち、本実施形態は、入力ステップＳ１〜製造負荷予測モデル格納ステップＳ９までは、第１の実施形態と同一である。したがって、本実施形態の説明において、前述した第１の実施形態と同一の部分については、図１〜図２２に付した符号と同一の符号を付す等して詳細な説明を省略する。

図２３に、計画立案用品種単位に製造負荷を予測する製造負荷予測装置２３００の概略構成の一例を示す。また、図２４に、当該製造負荷予測装置を用いて実施する製造負荷予測方法の各ステップの一例を示す。ここで、計画立案用品種とは、各製造工程の製造負荷が類似した製品をグループ化した品種であり、計画立案用品種単位に、製造日別の製造枚数をコントロールすることで、製造負荷を考慮した生産計画を容易に作成することができる。
（計画立案用品種作成部１０１：計画立案用品種作成ステップＳ１０１）
計画立案用品種作成部１０１は、工程別品種区分ロジック（決定木６００、７００、８００、９００）に従って、新規製品注文情報１６００に対して、新規の製品毎に製造工程毎の通過有無変数（目的変数）を付与し、製造工程毎に付与された通過有無変数の全工程に関する組合せパターンを計画立案用品種として作成し、新規製品注文情報１６００に対して製品毎に計画立案用品種を付与する。

図２５は、新規製品注文情報１６００に対して、新規の製品毎に計画立案用品種を付与した結果の一例を示す図である。
図２５において、製品１０１の各製造工程の通過有無変数は、切断工程１００４が「０」、手入工程１００６が「１」、矯正工程１００５が「１」、検査工程が「１」である（図１８を参照）。したがって、計画立案用品種は「０１１１」となる。
計画立案用品種作成部１０１は、例えば、工程別品種区分ロジック（決定木６００、７００、８００、９００）及び新規製品注文情報１６００を、ＨＤＤ等から読み出して、各新規の製品に対して、当該製品の製造工程毎に付与された通過有無変数の組合せである計画立案用品種を生成することにより実現される。

（計画立案用品種別製造負荷予測モデル作成部１０２：計画立案用品種別製造負荷予測モデル作成ステップＳ１０２）
計画立案用品種別製造負荷予測モデル作成部１０２は、計画立案用品種別、製造工程別に、当該計画立案用品種に含まれる複数の品種に属する製品の、当該製造工程における発生率の平均値を算出し、算出した平均値を、当該計画立案用品種、当該製造工程の発生率とする。この発生率は、製造工程毎、計画立案用品種毎に、当該計画立案用品種に属する新規の製品の総数に対する、当該計画立案用品種に属する新規の製品の当該製造工程の通過数の割合を示す発生率の期待値の一例であり、以降では、この発生率を計画立案用品種別発生率と呼ぶ。すなわち、計画立案用品種k(k=0,1,2,・・・)、製造工程i(i=0,1,2,3)の計画立案用品種別発生率plan＿load＿rate[i][k]は、以下の（２）式のように求まる。

図２６に、計画立案用品種別製造負荷予測モデル２６００の一例を示す。計画立案用品種別製造負荷予測モデル２６００は、計画立案用品種から各製造工程の計画立案用品種別発生率が求まるモデルである。例えば、計画立案用品種「１０００」に属する製品の手入工程１００６の品種の構成枚数は、品種「１」が３枚、品種「２」が５枚、品種「４」が10枚、品種「７」が６枚であったので、計画立案用品種「１０００」の手入工程１０６の計画立案用品種別発生率は、0.07（＝（3×0.08+5×0.05+10×0.05＋6×0.13）／（3+5+10+6））となる。
計画立案用品種別製造負荷予測モデル作成部１０２は、例えば、ハードウェアによる以下の処理により実現される。即ち、まず、製造負荷予測装置１００が備える情報入力手段が、ユーザによる入力操作や、外部装置との通信などを行って新規製品注文情報１６００を取得すると共に、ＣＰＵが、プログラムに従って、工程別品種区分ロジック（決定木６００、７００、８００、９００）と、製造負荷予測モデル１２００、１３００、１４００、１５００とを読み出す。そして、ＣＰＵが、プログラムに従って、新規の製品についての品種を求めると共に（２）式の計算を行う。

（計画立案用品種別製造負荷予測部１０３：計画立案用品種別製造負荷予測ステップＳ１０３）
計画立案用品種別製造負荷予測部１０３は、新規製品注文情報１６００に含まれる一部或いは全ての製品の製造日を決定した生産計画１９００に対して、製造日毎の製造負荷の予測を行う。
図２７は、或る生産計画に対して、計画立案用品種別、製造日別に製品枚数を集約した結果（生産計画量２７００）の一例を示す図である。図２７において、例えば、製造日１（第１日目）は、計画立案用品種「００００」を450枚製造することを表す。
製造工程i(i=0,1,2,3)、計画立案用品種k(k=0,1,2,・・・)の計画立案用品種別発生率plan＿load＿rate[i][k]と、計画立案用品種k(k=0,1,2,・・・)、製造日t(t=1,2,・・・)の生産計画量plan＿amount[k][t]とを用いて、製造日t(t=1,2,・・・)、製造工程i(i=0,1,2,3)の製造負荷予測量load[i][t]は、以下の（３）式のようにして求まる。

図２８は、図２７に示した計画立案用品種別、製造日別の生産計画量２７００（＝plan＿amount[k][t]）と、図２６に示した計画立案用品種別製造負荷予測モデル２６００の計画立案用品種別発生率（＝plan＿load＿rate[i][k]）とを用いて（３）式により求まる製造負荷予測量２８００（＝load[i][t]）を表す。図２８において、例えば、製造日１（第１日目）の切断工程の製造負荷予測値は724枚であることを意味する。
次に、各製造工程の一日当たりの処理能力が800枚であると仮定した場合について考察する。図２８から分かるように、製造日２（第２日目）の矯正工程１００５、製造日３（第３日目）の手入工程１００６はともに処理能力が800枚を超過していることが分かる。図２７に示す生産計画量２７００より、第２日目は、矯正工程１００５の計画立案用品種別発生率の高い計画立案用品種「００１０」が多く含まれ、第３日目は手入工程１００６の計画立案用品種別発生率の高い計画立案用品種「０１００」が多く含まれていることが分かる。そこで、例えば、第３日目の計画立案用品種「０１００」を600枚ほど第２日目に移動し、第２日目の計画立案用品種「００１０」を600[枚]ほど第３日目に移動した場合の生産計画量２９００のを図２９に、その際の製造負荷予測値３０００を図３０にそれぞれ示す。図３０に示す製造負荷予測値３０００から分かるように、製造日２（第２日目）の矯正工程１００５、製造日３（第３日目）の手入工程１００６が処理能力以下になっていることが分かる。このように製品を計画立案用品種に纏めて、生産計画立案用品種単位に生産計画の作成や修正を行うことで、製造負荷のコントロールを容易に行うことが可能となる。
計画立案用品種別製造負荷予測部１０３は、例えば、ＨＤＤ等から生産計画を読み出して計画立案用品種別、製造日別の生産計画量２７００を作成すると共に、計画立案用品種別製造負荷予測モデル作成部１０２で作成された計画立案用品種別製造負荷予測モデル２６００を読み出して（３）式の計算を行うことにより実現される。

なお、生産計画の妥当性を評価するために製造負荷予測モデル２６００を用いる場合には、その精度が重要となる。図３１に、本実施形態で用いた製造負荷予測モデル２６００を用いて予測した検査設備の製造負荷と実績値との比較結果の一例を示す。なお、本評価には１０ヶ月の製品注文実績情報と製造実績情報とを使用し、前半７ヶ月のデータを用いて品種区分ロジックと製造負荷予測モデルを作成し、後半３ヶ月のデータを用いて精度の評価を行った。図３１の横軸は、５日単位を１旬としたときの期間を表し、縦軸は、検査設備での処理発生枚数の実績と予測値とを表す。図３１に示す結果から、標準誤差は約１８９[枚／５日]であり、図２１に示した第１の実施形態の精度評価結果と比較しても、計画立案用品種に製品を纏めたことによる予測精度の劣化がほとんどないことが分かる。即ち、本実施形態では、製品を計画立案用品種に纏めて、生産計画立案用品種単位で生産計画の作成や修正を行うようにしたので、製造負荷のコントロールを容易に行うことができる。

尚、以上説明した本発明の実施形態は、コンピュータがプログラムを実行することによって実現することができる。また、プログラムをコンピュータに供給するための手段、例えばかかるプログラムを記録したＣＤ−ＲＯＭ等のコンピュータ読み取り可能な記録媒体、又はかかるプログラムを伝送する伝送媒体も本発明の実施の形態として適用することができる。また、前記プログラムを記録したコンピュータ読み取り可能な記録媒体などのプログラムプロダクトも本発明の実施の形態として適用することができる。前記のプログラム、コンピュータ読み取り可能な記録媒体、伝送媒体及びプログラムプロダクトは、本発明の範疇に含まれる。
また、以上説明した本発明の実施形態は、何れも本発明を実施するにあたっての具体化の例を示したものに過ぎず、これらによって本発明の技術的範囲が限定的に解釈されてはならないものである。すなわち、本発明はその技術思想、またはその主要な特徴から逸脱することなく、様々な形で実施することができる。

１ 入力部
２ 説明変数設定部
３ 目的変数設定部
４ 設計パラメータ入力部
５ 工程別品種区分ロジック作成部
６ 工程別品種区分ロジック格納部
７ 工程別品種分類部
８ 製造負荷予測モデル作成部
９ 製造負荷予測モデル格納部
１０ 製造負荷予測部
１０１ 計画立案用品種作成部
１０２ 計画立案用品種別製造負荷予測モデル作成部
１０３ 製造負荷予測部

Claims (8)

1. 製品属性が異なる複数の製品を複数の製造工程での処理により製造する製造工場の各製造工程における製造負荷を、過去に製造された製品についての製造実績データに基づいて予測する製造負荷予測装置であって、
   前記過去に製造された製品についてのサイズ及び重量を少なくとも製品属性として含む製品注文実績情報と、当該製品の前記各製造工程での処理の有無の実績を少なくとも含む製造実績情報とを前記製造実績データとして入力する入力手段と、
   前記製造実績データに基づいて、製品属性が同一又は予め定めた範囲内である製品同士をまとめるための複数の品種を前記製造工程毎に作成し、当該製造工程毎に当該製品を当該複数の品種の何れかに仕分ける決定木を、工程別品種区分ロジックとして作成する工程別品種区分ロジック作成手段と、
   前記製造実績データに基づいて、前記工程別品種区分ロジックを用いて、前記製造工程毎、前記品種毎に、当該品種に属する製品の総数に対する、当該品種に属する製品の当該製造工程の通過数の割合の期待値を示す発生率を算出するモデルを、製造負荷予測モデルとして作成する製造負荷予測モデル作成手段と、
   前記工程別品種区分ロジックと、前記製造負荷予測モデルとを用いて、新規の製品の注文に関する生産計画について、前記各製造工程の製造負荷を予測する製造負荷予測手段と、
   を備えることを特徴とする製造負荷予測装置。
2. 前記製造負荷予測手段は、前記新規の製品の製品属性を前記工程別品種区分ロジックに適用して、前記製造工程毎、前記品種毎の生産計画量を求め、当該生産計画量に、前記製造負荷予測モデルから算出される、当該生産計画量と前記製造工程及び前記品種が一致する発生率を乗算して、前記各製造工程の製造負荷を予測することを特徴とする請求項１に記載の製造負荷予測装置。
3. 前記製造負荷予測手段は、前記新規の製品の製品属性を、前記各製造工程についての前記工程別品種区分ロジックのそれぞれに適用して、当該新規の製品の品種を前記各製造工程のそれぞれについて求め、求めた品種に対応して決定される、当該新規の製品の当該製造工程の通過し易さを示す変数である通過有無変数の組合せパターンである計画立案用品種を、前記新規の製品のそれぞれについて作成する計画立案用品種作成手段と、
   前記製造負荷予測モデルに含まれる、前記製造工程毎、前記品種毎の発生率を用いて、前記製造工程毎、前記計画立案用品種毎に、当該計画立案用品種に属する新規の製品の総数に対する、当該計画立案用品種に属する新規の製品の当該製造工程の通過数の割合を示す発生率の期待値である計画立案用品種別発生率を算出するモデルを、計画立案用品種別製造負荷予測モデルとして作成する計画立案用品種別製造負荷予測モデル作成手段と、
   前記新規の製品の製品属性を前記工程別品種区分ロジックに適用した結果を用いて、前記製造工程毎、前記計画立案用品種毎の生産計画量を求め、当該生産計画量に、前記計画立案用品種別製造負荷予測モデルから算出される、当該生産計画量と前記製造工程及び前記計画立案用品種が一致する計画立案用品種別発生率を乗算して、前記各製造工程の製造負荷を予測する計画立案用品種別製造負荷予測手段と、
   を更に含むことを特徴とする請求項１に記載の製造負荷予測装置。
4. 製品属性が異なる複数の製品を複数の製造工程での処理により製造する製造工場の各製造工程における製造負荷を、過去に製造された製品についての製造実績データに基づいて予測する製造負荷予測方法であって、
   前記過去に製造された製品についてのサイズ及び重量を少なくとも製品属性として含む製品注文実績情報と、当該製品の前記各製造工程での処理の有無の実績を少なくとも含む製造実績情報とを前記製造実績データとして入力する入力ステップと、
   前記製造実績データに基づいて、製品属性が同一又は予め定めた範囲内である製品同士をまとめるための複数の品種を前記製造工程毎に作成し、当該製造工程毎に当該製品を当該複数の品種の何れかに仕分ける決定木を、工程別品種区分ロジックとして作成する工程別品種区分ロジック作成ステップと、
   前記製造実績データに基づいて、前記工程別品種区分ロジックを用いて、前記製造工程毎、前記品種毎に、当該品種に属する製品の総数に対する、当該品種に属する製品の当該製造工程の通過数の割合の期待値を示す発生率を算出するモデルを、製造負荷予測モデルとして作成する製造負荷予測モデル作成ステップと、
   前記工程別品種区分ロジックと、前記製造負荷予測モデルとを用いて、新規の製品の注文に関する生産計画について、前記各製造工程の製造負荷を予測する製造負荷予測ステップと、
   を備えることを特徴とする製造負荷予測方法。
5. 前記製造負荷予測ステップは、前記新規の製品の製品属性を前記工程別品種区分ロジックに適用して、前記製造工程毎、前記品種毎の生産計画量を求め、当該生産計画量に、前記製造負荷予測モデルから算出される、当該生産計画量と前記製造工程及び前記品種が一致する発生率を乗算して、前記各製造工程の製造負荷を予測することを特徴とする請求項４に記載の製造負荷予測方法。
6. 前記製造負荷予測ステップは、前記新規の製品の製品属性を、前記各製造工程についての前記工程別品種区分ロジックのそれぞれに適用して、当該新規の製品の品種を前記各製造工程のそれぞれについて求め、求めた品種に対応して決定される、当該新規の製品の当該製造工程の通過し易さを示す変数である通過有無変数の組合せパターンである計画立案用品種を、前記新規の製品のそれぞれについて作成する計画立案用品種作成ステップと、
   前記製造負荷予測モデルに含まれる、前記製造工程毎、前記品種毎の発生率を用いて、前記製造工程毎、前記計画立案用品種毎に、当該計画立案用品種に属する新規の製品の総数に対する、当該計画立案用品種に属する新規の製品の当該製造工程の通過数の割合を示す発生率の期待値である計画立案用品種別発生率を算出するモデルを、計画立案用品種別製造負荷予測モデルとして作成する計画立案用品種別製造負荷予測モデル作成ステップと、
   前記新規の製品の製品属性を前記工程別品種区分ロジックに適用した結果を用いて、前記製造工程毎、前記計画立案用品種毎の生産計画量を求め、当該生産計画量に、前記計画立案用品種別製造負荷予測モデルから算出される、当該生産計画量と前記製造工程及び前記計画立案用品種が一致する計画立案用品種別発生率を乗算して、前記各製造工程の製造負荷を予測する計画立案用品種別製造負荷予測ステップと、
   を更に含むことを特徴とする請求項４に記載の製造負荷予測方法。
7. 製品属性が異なる複数の製品を複数の製造工程での処理により製造する製造工場の各製造工程における製造負荷を、過去に製造された製品についての製造実績データに基づいて予測する製造負荷予測装置としてコンピュータを機能させるためのコンピュータプログラムであって、
   前記過去に製造された製品についてのサイズ及び重量を少なくとも製品属性として含む製品注文実績情報と、当該製品の前記各製造工程での処理の有無の実績を少なくとも含む製造実績情報とを前記製造実績データとして入力する入力部と、
   前記製造実績データに基づいて、製品属性が同一又は予め定めた範囲内である製品同士をまとめるための複数の品種を前記製造工程毎に作成し、当該製造工程毎に当該製品を当該複数の品種の何れかに仕分ける決定木を、工程別品種区分ロジックとして作成する工程別品種区分ロジック作成部と、
   前記製造実績データに基づいて、前記工程別品種区分ロジックを用いて、前記製造工程毎、前記品種毎に、当該品種に属する製品の総数に対する、当該品種に属する製品の当該製造工程の通過数の割合の期待値を示す発生率を算出するモデルを、製造負荷予測モデルとして作成する製造負荷予測モデル作成部と、
   前記工程別品種区分ロジックと、前記製造負荷予測モデルとを用いて、新規の製品の注文に関する生産計画について、前記各製造工程の製造負荷を予測する製造負荷予測部と、
   を備える製造負荷予測装置としてコンピュータを機能させることを特徴とするコンピュータプログラム。
8. 請求項７に記載のコンピュータプログラムを記録したことを特徴とするコンピュータ読み取り可能な記憶媒体。

Images