JP2011242923A - モデルの入力変数調整装置 - Google Patents
モデルの入力変数調整装置 Download PDFInfo
- Publication number
- JP2011242923A JP2011242923A JP2010113112A JP2010113112A JP2011242923A JP 2011242923 A JP2011242923 A JP 2011242923A JP 2010113112 A JP2010113112 A JP 2010113112A JP 2010113112 A JP2010113112 A JP 2010113112A JP 2011242923 A JP2011242923 A JP 2011242923A
- Authority
- JP
- Japan
- Prior art keywords
- model
- input
- function
- data
- prediction
- 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.)
- Withdrawn
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
- Feedback Control In General (AREA)
Abstract
【課題】部分的最小二乗法の利点を活かしながら、予測や診断に必要な入力変数を適切に選択して高性能な予測・診断モデルを構築する。
【解決手段】コンピュータシステムにより構成され、部分的最小二乗法モデルを構築するための入力変数及び出力変数の実績値のセットからなるデータが蓄積されたデータベース20と、前記データが入力される演算制御装置100と、を備え、この演算制御装置100は、学習データを作成する機能1、この学習データを用いて部分的最小二乗法によりモデルを構築する機能2、及び、機能2により構築したモデルの入力変数の数を順次削除したときの統計指標に基づいてモデルの入力変数を適切な数に調整する機能3を有するモデル構築手段120と、構築されたモデルを用いて予測処理を行う予測・診断手段130と、を有する
【選択図】図2
【解決手段】コンピュータシステムにより構成され、部分的最小二乗法モデルを構築するための入力変数及び出力変数の実績値のセットからなるデータが蓄積されたデータベース20と、前記データが入力される演算制御装置100と、を備え、この演算制御装置100は、学習データを作成する機能1、この学習データを用いて部分的最小二乗法によりモデルを構築する機能2、及び、機能2により構築したモデルの入力変数の数を順次削除したときの統計指標に基づいてモデルの入力変数を適切な数に調整する機能3を有するモデル構築手段120と、構築されたモデルを用いて予測処理を行う予測・診断手段130と、を有する
【選択図】図2
Description
本発明は、例えば工場の生産ラインやプラント装置において、製品の品質、生産量等を予測する予測モデルや、上記生産ライン等の異常・正常を診断する診断モデルを対象として、これらのモデルの入力変数を調整する調整装置に関するものである。
従来、例えば工場の生産ラインやプラント装置(以下、これらを総称して設備という)では、現状の操業データに基づいて製品の品質、生産量等を予測し、これらが目標値にできるだけ近くなるように設備の調整を行っている。同時に、設備の正常・異常を常時監視し、異常発生を迅速に検出して設備を正常状態に回復させるような手段を講じている。
これらの予測や異常診断を行う場合、従来では、コンピュータシステムを用いて予測・診断モデルを構築し、各種センサにより計測した温度、湿度、圧力等を上記モデルに入力して予測、診断を行う方法が一般的である。この場合、入力変数(説明変数)として何を用いれば予測や正常・異常診断に効果的であるかは、専ら操作員等の人為的な判断、選択に委ねられていた。
この種の予測・診断モデルとしては、従来から重回帰式が広く知られており、例えば特許文献1には、重回帰モデルを用いて製品の出来ばえを予測し、製造プロセスを監視する技術が開示されている。
重回帰式は、入力変数が少ないほど安定したモデルになる利点があるが、不要な入力変数が多い場合には予測、診断の性能が低下すると共に、入力変数間に相関があるデータ(統計用語で多重共線性のあるデータという)が含まれていると、モデルが不安定になって所望の予測、診断性能が得られないという問題がある。
このため、変数減少法、変数増加法等の統計的検定手法を用いることにより、入力変数を選択する手法が知られているが、例えば、入力変数の絞り込みが過剰になる場合もある。
重回帰式は、入力変数が少ないほど安定したモデルになる利点があるが、不要な入力変数が多い場合には予測、診断の性能が低下すると共に、入力変数間に相関があるデータ(統計用語で多重共線性のあるデータという)が含まれていると、モデルが不安定になって所望の予測、診断性能が得られないという問題がある。
このため、変数減少法、変数増加法等の統計的検定手法を用いることにより、入力変数を選択する手法が知られているが、例えば、入力変数の絞り込みが過剰になる場合もある。
一方、多重共線性のあるデータを入力変数に用いた場合でもモデル化を可能にする手法として、部分的最小二乗法がある。
例えば、特許文献2には、センサデータと半導体ウェハの処理結果の測定値とに基づき、センサデータを説明変数として処理結果を予測するモデル式を部分的最小二乗法により生成し、前記センサデータ及びモデル式を用いて予測した処理結果を設定値と比較して処理条件を制御するようにした半導体処理装置が開示されている。
例えば、特許文献2には、センサデータと半導体ウェハの処理結果の測定値とに基づき、センサデータを説明変数として処理結果を予測するモデル式を部分的最小二乗法により生成し、前記センサデータ及びモデル式を用いて予測した処理結果を設定値と比較して処理条件を制御するようにした半導体処理装置が開示されている。
部分的最小二乗法は、多重共線性のあるデータでもモデル化できる利点がある。しかしながら、部分的最小二乗法であっても、不要な入力変数があると予測・診断性能が低下することに変わりはない。
部分的最小二乗法に、重回帰式で使用されているような変数減少法、変数増加法を適用する利点はほとんどない。なぜならば、これらの手法を用いると、相関のある入力変数を削除して多重共線性のないデータになるため、多重共線性のあるデータでもモデル化できるという部分的最小二乗法の利点が活かせなくなるためである。
そこで、本発明の解決課題は、部分的最小二乗法の利点を活かしながら、予測や診断に必要な入力変数を適切に選択して高性能なモデルを構築可能とした、モデルの入力変数調整装置を提供することにある。
部分的最小二乗法に、重回帰式で使用されているような変数減少法、変数増加法を適用する利点はほとんどない。なぜならば、これらの手法を用いると、相関のある入力変数を削除して多重共線性のないデータになるため、多重共線性のあるデータでもモデル化できるという部分的最小二乗法の利点が活かせなくなるためである。
そこで、本発明の解決課題は、部分的最小二乗法の利点を活かしながら、予測や診断に必要な入力変数を適切に選択して高性能なモデルを構築可能とした、モデルの入力変数調整装置を提供することにある。
上記課題を解決するため、請求項1に係る発明は、コンピュータシステムにより、部分的最小二乗法を用いてモデルを構築し、このモデルにより、少なくとも予測処理を行う装置であって、前記モデルの入力変数を適切な数に調整する機能を供えた入力変数調整装置において、
前記コンピュータシステムは、
前記モデルを構築するための入力変数及び出力変数の実績値のセットからなるデータが蓄積されたデータ蓄積手段と、
前記データ蓄積手段のデータが入力される演算制御手段と、を備え、
前記演算制御手段は、
前記データ蓄積手段のデータから学習データを作成する第1機能、この学習データを用いて部分的最小二乗法によりモデルを構築する第2機能、及び、第2機能により構築したモデルの入力変数の数を順次削除したときの統計指標に基づいてモデルの入力変数を適切な数に調整する第3機能、を有するモデル構築手段と、
前記モデル構築手段により構築されたモデルを用いて、予測処理を行う予測手段と、を有するものである。
前記コンピュータシステムは、
前記モデルを構築するための入力変数及び出力変数の実績値のセットからなるデータが蓄積されたデータ蓄積手段と、
前記データ蓄積手段のデータが入力される演算制御手段と、を備え、
前記演算制御手段は、
前記データ蓄積手段のデータから学習データを作成する第1機能、この学習データを用いて部分的最小二乗法によりモデルを構築する第2機能、及び、第2機能により構築したモデルの入力変数の数を順次削除したときの統計指標に基づいてモデルの入力変数を適切な数に調整する第3機能、を有するモデル構築手段と、
前記モデル構築手段により構築されたモデルを用いて、予測処理を行う予測手段と、を有するものである。
請求項2に係る発明は、請求項1において、
前記第3機能は、
入力変数間の相関係数を計算する第1処理と、
統計的検定手法を用いて不要な入力変数を削除する第2処理と、
前記第2処理において削除された入力変数について、削除されなかった入力変数との間の前記相関係数が所定値以上または以下の場合に、前記削除された入力変数を追加する第3処理と、を実行するものである。
前記第3機能は、
入力変数間の相関係数を計算する第1処理と、
統計的検定手法を用いて不要な入力変数を削除する第2処理と、
前記第2処理において削除された入力変数について、削除されなかった入力変数との間の前記相関係数が所定値以上または以下の場合に、前記削除された入力変数を追加する第3処理と、を実行するものである。
本発明によれば、部分的最小二乗法を用いたモデルを用いて少なくとも予測処理を行うシステムにおいて、モデルの入力変数を適切かつ自動的に選択することが可能になり、モデル構築作業を大幅に改善することができる。また、重回帰式では変数を絞り込み過ぎる等の問題を生じていたが、これを改善することが可能になる。
以下、図に沿って本発明の実施形態を説明する。
まず、図1は、本実施形態により予測・診断モデルを構築して製品の品質を予測する場合の製造ラインを示す概念図である。
図1において、Aは原材料、Bは原材料Aが供給される製造装置、Cは製造装置Bによって製造される製品である。また、製造装置Bの原材料投入側の入力変数として圧力1、温度1が、製品出口側の入力変数として圧力2、温度2が、更に、他の入力変数として製造装置Bの周囲の湿度があり、モデル構築にあたっては、これらの入力変数と、出力変数(目的変数)である製品Cの品質が計測または入力されるものとする。
まず、図1は、本実施形態により予測・診断モデルを構築して製品の品質を予測する場合の製造ラインを示す概念図である。
図1において、Aは原材料、Bは原材料Aが供給される製造装置、Cは製造装置Bによって製造される製品である。また、製造装置Bの原材料投入側の入力変数として圧力1、温度1が、製品出口側の入力変数として圧力2、温度2が、更に、他の入力変数として製造装置Bの周囲の湿度があり、モデル構築にあたっては、これらの入力変数と、出力変数(目的変数)である製品Cの品質が計測または入力されるものとする。
この実施形態では、説明を簡単にするために計測項目が少なくなっているが、実際の生産ライン等においては更に多数の項目を計測しており、どの計測データが製品Cの品質に影響しているかを容易に判断することができない。このため、本実施形態では、以下に説明する手段により、品質に影響する適切なデータをモデル構築用の入力変数として選択するようにした。
図2は、本実施形態に係る入力変数調整装置の構成図であり、いわゆるコンピュータシステムからなるものである。
図2において、入力部10は、キーボードや、温度・圧力・湿度センサを含む計測・伝送装置から構成されており、前述した計測データ(温度1,温度2,圧力1,圧力2,湿度,品質)を生成する。なお、品質については、本実施形態の予測・診断モデルにより予測した品質の実績値がキーボード等から入力される。そして、これらの計測データは、演算制御装置100の制御手段110を介してデータベース30に入力される。
なお、前述したように、説明を容易化する観点から、計測データは上記6項目だけとする。本実施形態に係る予測・診断モデル(部分的最小二乗法モデル)は回帰式の一種であり、入力データ及び出力データが必要になるので、ここでは温度1,温度2,圧力1,圧力2,湿度を入力データとし、品質を出力データとする。
図2において、入力部10は、キーボードや、温度・圧力・湿度センサを含む計測・伝送装置から構成されており、前述した計測データ(温度1,温度2,圧力1,圧力2,湿度,品質)を生成する。なお、品質については、本実施形態の予測・診断モデルにより予測した品質の実績値がキーボード等から入力される。そして、これらの計測データは、演算制御装置100の制御手段110を介してデータベース30に入力される。
なお、前述したように、説明を容易化する観点から、計測データは上記6項目だけとする。本実施形態に係る予測・診断モデル(部分的最小二乗法モデル)は回帰式の一種であり、入力データ及び出力データが必要になるので、ここでは温度1,温度2,圧力1,圧力2,湿度を入力データとし、品質を出力データとする。
記憶装置20は、後述する部分的最小二乗法モデルを構築するためのプログラム等が記憶されるものである。
データベース30は大容量の記憶装置から構成され、例えば、表1に示すような過去から現在までの時系列的な入力データ、出力データ(実績値)が蓄積される。
データベース30は大容量の記憶装置から構成され、例えば、表1に示すような過去から現在までの時系列的な入力データ、出力データ(実績値)が蓄積される。
また、データベース30には、後述するモデル構築手段120により構築された部分的最小二乗法モデルも蓄積される。ここで蓄積されるものは、具体的には部分的最小二乗法の係数である。なお、この係数については後に詳述する。
出力部40は、品質の予測結果等を出力するものであり、ディスプレイやプリンタ、伝送装置等から構成されている。
出力部40は、品質の予測結果等を出力するものであり、ディスプレイやプリンタ、伝送装置等から構成されている。
演算制御装置100は、例えばCPUから構成されており、各部を統括的に制御するための制御手段110、モデル構築手段120及び予測・診断手段130を実現するように機能するものである。
ここで、モデル構築手段120は、部分的最小二乗法モデルを構築するための処理機能(機能1〜機能3)を備えている。また、予測・診断手段130は、モデル構築手段120により構築した予測・診断モデルを用いて、製品Cの品質を予測する機能と、入力データ等の異常・正常を診断する機能を有する。なお、以下の説明では、予測・診断手段130が製品Cの品質を予測する場合を中心として説明する。
ここで、モデル構築手段120は、部分的最小二乗法モデルを構築するための処理機能(機能1〜機能3)を備えている。また、予測・診断手段130は、モデル構築手段120により構築した予測・診断モデルを用いて、製品Cの品質を予測する機能と、入力データ等の異常・正常を診断する機能を有する。なお、以下の説明では、予測・診断手段130が製品Cの品質を予測する場合を中心として説明する。
次に、図3は、前記モデル構築手段120の諸機能を説明するためのフローチャートである。以下、このフローチャートの各ステップを順に説明する。
[ステップ1(機能1)]
ステップ1では、データベース30から取り出した表1の計測データに基づいて、モデル構築用の学習データ1を作成する。なお、データの形式は、例えばCSV形式である。この学習データ1は、例えば図2の記憶装置20に一次的に記憶される。
[ステップ1(機能1)]
ステップ1では、データベース30から取り出した表1の計測データに基づいて、モデル構築用の学習データ1を作成する。なお、データの形式は、例えばCSV形式である。この学習データ1は、例えば図2の記憶装置20に一次的に記憶される。
[ステップ2(機能2)]
次に、ステップ1(機能1)により作成した学習データ1を用いて、部分的最小二乗法モデルを構築する。このステップ2は、図4に示すように処理1(ステップS21)〜処理3(ステップS23)からなっている。
すなわち、図4の処理1(ステップS21)では、前述の機能1により作成した学習データ1を以下のようなベクトル形式に変換する。
温度1i, 温度2i, 圧力1i, 圧力2i, 湿度i, 品質i
温度1i−1, 温度2i−1, 圧力1i−1, 圧力2i−1, 湿度i−1, 品質i−1
ただし、添字iは時間(今回のデータでは日)を示している。
勿論、単純に配列形式に変換するだけでなく、2乗,3乗などの変数変換や、その他のデータ加工処理を含んでもよい。通常、これらデータは縦の列で平均値が0になるように個々の値から縦の列の平均値を差し引き、更に縦の列の標準偏差により除して正規化される。
次に、ステップ1(機能1)により作成した学習データ1を用いて、部分的最小二乗法モデルを構築する。このステップ2は、図4に示すように処理1(ステップS21)〜処理3(ステップS23)からなっている。
すなわち、図4の処理1(ステップS21)では、前述の機能1により作成した学習データ1を以下のようなベクトル形式に変換する。
温度1i, 温度2i, 圧力1i, 圧力2i, 湿度i, 品質i
温度1i−1, 温度2i−1, 圧力1i−1, 圧力2i−1, 湿度i−1, 品質i−1
ただし、添字iは時間(今回のデータでは日)を示している。
勿論、単純に配列形式に変換するだけでなく、2乗,3乗などの変数変換や、その他のデータ加工処理を含んでもよい。通常、これらデータは縦の列で平均値が0になるように個々の値から縦の列の平均値を差し引き、更に縦の列の標準偏差により除して正規化される。
次に、処理2(ステップS22)では、N種類のデータ項目(今回は入力データが5種類であるため、N=5)をP種類の成分に変換する。ここで、P(成分数という)=2とした場合は、最終的な入力変数X(温度1、温度2、圧力1、圧力2、湿度)及び出力変数y(品質)の予測モデル式を、数式2により表現する。なお、数式2において、Tは転置を示す。
ここで、w1はN行×1列のベクトル、t1はn行×1列のベクトルである。p1はN行×1列のベクトルであり、よって、p1 Tは1行×N列のベクトルである。更に、q1はスカラーである。
以上の説明は成分数を2とした場合のものであるが、成分数を3より大きくした場合も同様に求めることができる。一般に、成分数Pがa(aは自然数)である場合の入力変数、出力変数及び各係数は、数式8によって表される。
次に、図4の処理3(ステップS23)では、最適な成分数P(≦N)を決定する。この最適な成分数Pを、以下では潜在変数の数ともいう。
成分数が多過ぎると過学習と呼ばれる現象がおき、学習には適しても予測時には誤差が大きいモデルとなるので、成分数Pを適切な大きさにすることが必要である。
そこで、成分数P(すなわち、潜在変数の数)を1から順次大きくし、例えば数式9を最小とするような成分数Pを、最適値とする。なお、数式9はAICと呼ばれる統計指標であるが、本実施形態における成分数決定には、自由度調整寄与率など、他の統計指標を用いてもよい。
成分数が多過ぎると過学習と呼ばれる現象がおき、学習には適しても予測時には誤差が大きいモデルとなるので、成分数Pを適切な大きさにすることが必要である。
そこで、成分数P(すなわち、潜在変数の数)を1から順次大きくし、例えば数式9を最小とするような成分数Pを、最適値とする。なお、数式9はAICと呼ばれる統計指標であるが、本実施形態における成分数決定には、自由度調整寄与率など、他の統計指標を用いてもよい。
図5は、上述した、最適な成分数を決定するためのフローチャート(図4におけるステップS23の詳細なフローチャート)を示している。
図5において、まず、数式8におけるa=1とし(ステップS231)、各係数(wa,ta,pa,qa,Xa,ya)を算出する(ステップS232)。次に、数式9の統計指標を算出し(ステップS233)、前回算出した統計指標より改善されて(小さくなって)いれば、成分数aをインクリメントしてステップS232に戻る(ステップS234 Yes,S235)。また、前回算出した統計指標より改善されていなければ、統計指標が最小になったものとして係数を保存し、そのときの成分数aを最適な成分数Pとして決定する(ステップS234 No,S236)。
図5において、まず、数式8におけるa=1とし(ステップS231)、各係数(wa,ta,pa,qa,Xa,ya)を算出する(ステップS232)。次に、数式9の統計指標を算出し(ステップS233)、前回算出した統計指標より改善されて(小さくなって)いれば、成分数aをインクリメントしてステップS232に戻る(ステップS234 Yes,S235)。また、前回算出した統計指標より改善されていなければ、統計指標が最小になったものとして係数を保存し、そのときの成分数aを最適な成分数Pとして決定する(ステップS234 No,S236)。
[ステップ3(機能3)]
図3のステップ3では、ステップ2により構築した部分的最小二乗法モデルから不必要な入力変数を削除する処理を行って入力変数を調整し、最終的な部分的最小二乗法モデルを構築する。
このステップ3の具体的内容を図6に示し、図6におけるステップS302の具体的内容を図7に示す。
図3のステップ3では、ステップ2により構築した部分的最小二乗法モデルから不必要な入力変数を削除する処理を行って入力変数を調整し、最終的な部分的最小二乗法モデルを構築する。
このステップ3の具体的内容を図6に示し、図6におけるステップS302の具体的内容を図7に示す。
次に、5種類の入力変数から、不要な変数を削除する(ステップS302)。その処理は複雑であるため、図7を参照しつつ説明する。
この実施形態では、入力変数が5種類あるので、前もって、これらの変数を以下のようにして識別する。
1番目の変数・・・温度1,
2番目の変数・・・温度2,
3番目の変数・・・圧力1,
4番目の変数・・・圧力2,
5番目の変数・・・湿度
この実施形態では、入力変数が5種類あるので、前もって、これらの変数を以下のようにして識別する。
1番目の変数・・・温度1,
2番目の変数・・・温度2,
3番目の変数・・・圧力1,
4番目の変数・・・圧力2,
5番目の変数・・・湿度
不要変数の削除処理を具体的に説明すると、図7において、入力変数を削除せずに当初の5種類の入力変数を有するモデル(0番目のモデル)を作成する(ステップS302a,S302b)。なお、ステップS302a以下において、Iは削除する変数の順番(削除しない場合は0番目、及び、前述した1番目〜5番目)を示しており、I=0〜5である。ここで、モデルとしては、重回帰式を用いてもよいし、前述の部分的最小二乗法モデルを用いてもよい。
次に入力変数を削除していない状態のモデルを対象として、その統計指標を計算する(ステップS302c)。統計指標は、前述したAICや自由度調整寄与率などを用いればよい。
次に、1番目の変数を削除してモデルを作成し、1番目の統計指標を同様に計算する(ステップS302d〜S302g)。その後、1番目の変数を追加することにより(ステップS302h)、5種類の入力変数を有するモデルに戻す。
次に、1番目の変数を削除してモデルを作成し、1番目の統計指標を同様に計算する(ステップS302d〜S302g)。その後、1番目の変数を追加することにより(ステップS302h)、5種類の入力変数を有するモデルに戻す。
これら一連の処理(ステップS302d〜S302h)を2番目〜5番目の変数について順に繰り返していく。
つまり、以下に示すように、0番目〜5番目の変数を削除したモデルとその統計指標とをそれぞれ求めることになる。ここでは、統計指標として自由度調整寄与率(カッコ内の数値)を用いており、この自由度調整寄与率は、大きい方が良いことを示す統計指標である。
品質=f(温度1,温度2,圧力1,圧力2,湿度)・・・0番目の統計量(0.972)
品質=f(温度2,圧力1,圧力2,湿度)・・・1番目の統計指標(0.955)
品質=f(温度1,圧力1,圧力2,湿度)・・・2番目の統計指標(0.972)
品質=f(温度1,温度2,圧力2,湿度)・・・3番目の統計指標(0.944)
品質=f(温度1,温度2,圧力1,湿度)・・・4番目の統計指標(0.973)
品質=f(温度1,温度2,圧力1,圧力2)・・・5番目の統計指標(0.973)
つまり、以下に示すように、0番目〜5番目の変数を削除したモデルとその統計指標とをそれぞれ求めることになる。ここでは、統計指標として自由度調整寄与率(カッコ内の数値)を用いており、この自由度調整寄与率は、大きい方が良いことを示す統計指標である。
品質=f(温度1,温度2,圧力1,圧力2,湿度)・・・0番目の統計量(0.972)
品質=f(温度2,圧力1,圧力2,湿度)・・・1番目の統計指標(0.955)
品質=f(温度1,圧力1,圧力2,湿度)・・・2番目の統計指標(0.972)
品質=f(温度1,温度2,圧力2,湿度)・・・3番目の統計指標(0.944)
品質=f(温度1,温度2,圧力1,湿度)・・・4番目の統計指標(0.973)
品質=f(温度1,温度2,圧力1,圧力2)・・・5番目の統計指標(0.973)
1番目〜5番目の変数を削除したモデルについて統計指標の計算が終了したら(ステップS302i Yes)、1番目〜5番目のモデルの統計指標が0番目のモデル(5種類の入力変数を有するモデル)の統計指標よりも改善されているかどうかをそれぞれ判断する(ステップS302j)。
そして、x番目のモデルの統計指標が0番目のモデルよりも改善されていたら(ステップS302j Yes)、最も統計指標が良いモデルを採用するために、そのx番目の変数を削除する。つまり、上述の例では、5番目のモデルの統計指標が最良(0.973)であるため、5番目の変数である「湿度」を削除することになる(ステップS302h)。
そして、x番目のモデルの統計指標が0番目のモデルよりも改善されていたら(ステップS302j Yes)、最も統計指標が良いモデルを採用するために、そのx番目の変数を削除する。つまり、上述の例では、5番目のモデルの統計指標が最良(0.973)であるため、5番目の変数である「湿度」を削除することになる(ステップS302h)。
上記の処理(ステップS302b〜S302k)を入力変数が残っている限り繰り返すことにより(ステップS302l)、なるべく多くの変数を削除する。例えば、上述したように「湿度」を削除した時点ではまだ入力変数が4つ(温度1,温度2,圧力1,圧力2)残っているので、ステップS302bに戻って処理を継続する。このとき、5番目の変数である「湿度」は削除によりなくなっているので、ステップS302d〜S302hの処理では、I=5としない。
また、ステップS302lにおいて入力変数が0になっている場合は、もはや削除できる変数がないので、処理を停止する。このとき、ステップS302jでは統計指標が0番目のモデルよりも改善されなくなっているので(ステップS302j No)、この時点で処理を終了する。
以上の処理を実行して不要な入力変数を削除すると、数式11が構築される。
以上の処理を実行して不要な入力変数を削除すると、数式11が構築される。
次に、図6において、入力変数を追加する処理を行う(ステップS303)。すなわち、図6におけるステップS302の処理(図7の処理)により残った入力変数に対して、表2において相関が高い入力変数を追加する。
上記の例では、ステップS302の処理によって残った入力変数は、数式11に示したように温度1と圧力1である。また、基準値を相関係数で0.9以上とすると、表2において温度1と相関が高いのは温度2であり、圧力1と相関が高いのは圧力2であるから、これらの温度2及び圧力2が追加するべき入力変数として選択される。
上記の例では、ステップS302の処理によって残った入力変数は、数式11に示したように温度1と圧力1である。また、基準値を相関係数で0.9以上とすると、表2において温度1と相関が高いのは温度2であり、圧力1と相関が高いのは圧力2であるから、これらの温度2及び圧力2が追加するべき入力変数として選択される。
この数式12に示すとおり、製品の品質は、4つの入力変数(温度1,温度2,圧力1,圧力2)に影響される。従って、本発明によれば、製品の品質に影響する入力変数として、4つの入力変数を抽出することが可能である。
最後に、図2における予測・診断手段130について説明する。
予測・診断手段130における予測機能は、作成された部分的最小二乗法モデルを用いて製品Cの品質を予測する。
通常は、時々刻々計測されるデータを予測モデルに入力し、品質の予測値を得る。
図8は、表1に示した温度1,温度2,圧力1,圧力2を予測モデルに入力して品質を予測した結果を示している。この図8によれば、品質の予測値と実績値とはおおむね一致しており、良好な結果が得られている。
予測・診断手段130における予測機能は、作成された部分的最小二乗法モデルを用いて製品Cの品質を予測する。
通常は、時々刻々計測されるデータを予測モデルに入力し、品質の予測値を得る。
図8は、表1に示した温度1,温度2,圧力1,圧力2を予測モデルに入力して品質を予測した結果を示している。この図8によれば、品質の予測値と実績値とはおおむね一致しており、良好な結果が得られている。
なお、予測・診断手段130における異常・正常診断機能は、部分的最小二乗法モデルを用いて、T2統計量、Q統計量などにより入力データの正常・異常(生産ライン等の正常・異常)を診断する。ここで、正常・異常診断の処理内容は本発明の要旨ではないため、説明を省略する。
A:原材料
B:製造装置
C:製品
10:入力部
20:記憶装置
30:データベース
40:出力部
100:演算制御装置
110:制御手段
120:モデル構築手段
130:予測・診断手段
B:製造装置
C:製品
10:入力部
20:記憶装置
30:データベース
40:出力部
100:演算制御装置
110:制御手段
120:モデル構築手段
130:予測・診断手段
Claims (2)
- コンピュータシステムにより、部分的最小二乗法を用いてモデルを構築し、このモデルにより、少なくとも予測処理を行う装置であって、前記モデルの入力変数を適切な数に調整する機能を供えた入力変数調整装置において、
前記コンピュータシステムは、
前記モデルを構築するための入力変数及び出力変数の実績値のセットからなるデータが蓄積されたデータ蓄積手段と、
前記データ蓄積手段のデータが入力される演算制御手段と、を備え、
前記演算制御手段は、
前記データ蓄積手段のデータから学習データを作成する第1機能、この学習データを用いて部分的最小二乗法によりモデルを構築する第2機能、及び、第2機能により構築したモデルの入力変数の数を順次削除したときの統計指標に基づいてモデルの入力変数を適切な数に調整する第3機能、を有するモデル構築手段と、
前記モデル構築手段により構築されたモデルを用いて、予測処理を行う予測手段と、
を有することを特徴とするモデルの入力変数調整装置。 - 請求項1に記載したモデルの入力変数調整装置において、
前記第3機能は、
入力変数間の相関係数を計算する第1処理と、
統計的検定手法を用いて不要な入力変数を削除する第2処理と、
前記第2処理において削除された入力変数について、削除されなかった入力変数との間の前記相関係数が所定値以上または以下の場合に、前記削除された入力変数を追加する第3処理と、を実行することを特徴とするモデルの入力変数調整装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010113112A JP2011242923A (ja) | 2010-05-17 | 2010-05-17 | モデルの入力変数調整装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010113112A JP2011242923A (ja) | 2010-05-17 | 2010-05-17 | モデルの入力変数調整装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2011242923A true JP2011242923A (ja) | 2011-12-01 |
Family
ID=45409519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2010113112A Withdrawn JP2011242923A (ja) | 2010-05-17 | 2010-05-17 | モデルの入力変数調整装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2011242923A (ja) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013140127A (ja) * | 2012-01-06 | 2013-07-18 | Mitsubishi Heavy Ind Ltd | 溶接部近傍の硬さ予測方法、及び溶接部近傍の保全方法 |
JP2015087973A (ja) * | 2013-10-31 | 2015-05-07 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 生成装置、生成方法、およびプログラム |
JP2015115672A (ja) * | 2013-12-09 | 2015-06-22 | 日本電信電話株式会社 | 通信品質劣化要因分析装置 |
JP2017049673A (ja) * | 2015-08-31 | 2017-03-09 | 株式会社三菱総合研究所 | 情報処理装置及び情報処理方法 |
CN108197380A (zh) * | 2017-12-29 | 2018-06-22 | 南京林业大学 | 基于偏最小二乘的高斯回归软测量建模方法 |
CN109947072A (zh) * | 2017-12-13 | 2019-06-28 | 西门子股份公司 | 用于在生产过程期间自动检测异常工件的数据驱动方法 |
KR102009309B1 (ko) * | 2018-02-28 | 2019-08-09 | 주식회사 에이젠글로벌 | 금융상품 관리자동화 시스템 및 관리자동화 방법 |
JP2020140365A (ja) * | 2019-02-27 | 2020-09-03 | トヨタ自動車株式会社 | 製品品質不良予測システム |
JP2020166528A (ja) * | 2019-03-29 | 2020-10-08 | 株式会社コーエーテクモゲームス | ゲーム操作学習プログラム、ゲームプログラム、ゲームプレイプログラム、及びゲーム操作学習方法 |
JP2020170327A (ja) * | 2019-04-03 | 2020-10-15 | 株式会社豊田中央研究所 | 異常検知装置、異常検知方法、および、コンピュータプログラム |
WO2021086503A1 (en) * | 2019-10-31 | 2021-05-06 | Landmark Graphics Corporation | Model parameter reductions and model parameter selection to optimize execution time of reservoir management workflows |
JP2021086457A (ja) * | 2019-11-28 | 2021-06-03 | 花王株式会社 | 品質計測方法及び品質計測装置 |
JP7341195B2 (ja) | 2020-09-11 | 2023-09-08 | アクタピオ,インコーポレイテッド | 分類装置、分類方法および分類プログラム |
-
2010
- 2010-05-17 JP JP2010113112A patent/JP2011242923A/ja not_active Withdrawn
Cited By (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013140127A (ja) * | 2012-01-06 | 2013-07-18 | Mitsubishi Heavy Ind Ltd | 溶接部近傍の硬さ予測方法、及び溶接部近傍の保全方法 |
JP2015087973A (ja) * | 2013-10-31 | 2015-05-07 | インターナショナル・ビジネス・マシーンズ・コーポレーションInternational Business Machines Corporation | 生成装置、生成方法、およびプログラム |
JP2015115672A (ja) * | 2013-12-09 | 2015-06-22 | 日本電信電話株式会社 | 通信品質劣化要因分析装置 |
JP2017049673A (ja) * | 2015-08-31 | 2017-03-09 | 株式会社三菱総合研究所 | 情報処理装置及び情報処理方法 |
US11468274B2 (en) | 2017-12-13 | 2022-10-11 | Siemens Aktiengesellschaft | Data driven method for automated detection of anomalous work pieces during a production process |
CN109947072A (zh) * | 2017-12-13 | 2019-06-28 | 西门子股份公司 | 用于在生产过程期间自动检测异常工件的数据驱动方法 |
JP2019135638A (ja) * | 2017-12-13 | 2019-08-15 | シーメンス アクチエンゲゼルシヤフトSiemens Aktiengesellschaft | 生産プロセス中に異常なワークピースを自動検出するためのデータ駆動方法 |
CN108197380A (zh) * | 2017-12-29 | 2018-06-22 | 南京林业大学 | 基于偏最小二乘的高斯回归软测量建模方法 |
KR102009309B1 (ko) * | 2018-02-28 | 2019-08-09 | 주식회사 에이젠글로벌 | 금융상품 관리자동화 시스템 및 관리자동화 방법 |
JP2020140365A (ja) * | 2019-02-27 | 2020-09-03 | トヨタ自動車株式会社 | 製品品質不良予測システム |
JP2020166528A (ja) * | 2019-03-29 | 2020-10-08 | 株式会社コーエーテクモゲームス | ゲーム操作学習プログラム、ゲームプログラム、ゲームプレイプログラム、及びゲーム操作学習方法 |
JP7352368B2 (ja) | 2019-03-29 | 2023-09-28 | 株式会社コーエーテクモゲームス | ゲーム操作学習プログラム、ゲームプログラム、ゲームプレイプログラム、及びゲーム操作学習方法 |
JP2020170327A (ja) * | 2019-04-03 | 2020-10-15 | 株式会社豊田中央研究所 | 異常検知装置、異常検知方法、および、コンピュータプログラム |
JP7279473B2 (ja) | 2019-04-03 | 2023-05-23 | 株式会社豊田中央研究所 | 異常検知装置、異常検知方法、および、コンピュータプログラム |
GB2603374A (en) * | 2019-10-31 | 2022-08-03 | Landmark Graphics Corp | Model parameter reductions and model parameter selection to optimize execution time of reservoir management workflows |
WO2021086503A1 (en) * | 2019-10-31 | 2021-05-06 | Landmark Graphics Corporation | Model parameter reductions and model parameter selection to optimize execution time of reservoir management workflows |
GB2603374B (en) * | 2019-10-31 | 2024-04-03 | Landmark Graphics Corp | Model parameter reductions and model parameter selection to optimize execution time of reservoir management workflows |
JP7084907B2 (ja) | 2019-11-28 | 2022-06-15 | 花王株式会社 | 品質計測方法及び品質計測装置 |
CN114760969A (zh) * | 2019-11-28 | 2022-07-15 | 花王株式会社 | 质量测量方法和质量测量装置 |
JP2021086457A (ja) * | 2019-11-28 | 2021-06-03 | 花王株式会社 | 品質計測方法及び品質計測装置 |
JP7341195B2 (ja) | 2020-09-11 | 2023-09-08 | アクタピオ,インコーポレイテッド | 分類装置、分類方法および分類プログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2011242923A (ja) | モデルの入力変数調整装置 | |
JP5510642B2 (ja) | 予測・診断モデルの構築装置 | |
TWI391840B (zh) | 使用處理資料及良率資料之處理控制 | |
Rännar et al. | Adaptive batch monitoring using hierarchical PCA | |
JP5704040B2 (ja) | 製品品質の管理方法、及び製品品質の管理装置 | |
JP2017194341A (ja) | 異常診断方法、異常診断装置、及び異常診断プログラム | |
WO2011138911A1 (ja) | 障害分析装置、障害分析方法および記録媒体 | |
EP3805875B1 (en) | Control system and method for controlling the operation of a production device | |
JP6943826B2 (ja) | 熱機器の内部状態推定方法及び装置 | |
JP5739841B2 (ja) | 電子デバイスの生産管理装置、生産管理システム及び生産管理プログラム | |
US10565343B2 (en) | Circuit configuration optimization apparatus and machine learning device | |
WO2011159625A2 (en) | Advanced process control optimization | |
JP7214417B2 (ja) | データ処理方法およびデータ処理プログラム | |
JP2021015573A (ja) | 異常判定装置及び異常判定システム | |
JP2010218187A (ja) | 製造条件調整装置 | |
JP6492555B2 (ja) | 異常診断方法、異常診断装置及び異常診断プログラム | |
JP2010218301A (ja) | 異常診断装置、異常診断方法及び異常診断プログラム | |
JP2022543266A (ja) | 回帰モデルを使用する化学生成物の生成方法 | |
JP5502002B2 (ja) | プラント機器の異常診断装置 | |
CN115640860A (zh) | 一种工业云服务的机电设备远程维护方法及系统 | |
JP4663808B2 (ja) | プロセスパラメータ選択装置、プロセスパラメータ選択方法、プロセスパラメータ選択プログラム、プログラム記録媒体、および、上記プロセスパラメータ選択装置を含む製造工程管理装置 | |
JP2018113027A (ja) | プロセスの異常状態診断方法および異常状態診断装置 | |
JP2009076772A (ja) | 工程監視方法 | |
JP7107386B2 (ja) | 情報処理装置 | |
JP2003207373A (ja) | 検出器校正支援装置、検出器校正支援方法およびその方法をコンピュータに実行させる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 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A300 | Withdrawal of application because of no request for examination |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 20130806 |