JP2020184159A - 設計支援システム、設計支援方法および設計支援プログラム - Google Patents

Abstract

【課題】本発明は、設計を支援するための技術を提供することを目的とする。【解決手段】代表的な本発明の設計支援システムの一つは、設計の要求仕様を入力するための要求仕様入力部と、過去の設計履歴を分類したグループの群の中から要求仕様が分類されるグループ（以下「所属グループ」という）を求める分類部と、所属グループについて情報を取得して設計支援情報として提示可能にする計算結果表示部とを備え、この計算結果表示部は要求仕様に基づいて設計される設計候補について要求仕様とは別の設計結果が分類されるグループ（以下「関連グループ」という）について情報を取得して設計支援情報として提示可能にする。【選択図】図１

Description

本発明は、設計支援システム、設計支援方法および設計支援プログラムに関する。

従来、設計作業を支援するための技術が提案されている。

例えば、特許文献１は、「学習モデルを用いてＣＡＤの設計データからＣＡＥ（Computer Aided Engineering）用の解析モデルを生成する設計支援の技術」を開示する。

また、特許文献２は、「設計データから抽出される特徴データに基づいて、類似する設計データの分類絞込みを行い、関連のある設計情報として表示する設計支援の技術」を開示する。

特開２０１９−００３３２４号公報 特開２００８−１７６４６４号公報

特許文献１では、過去の設計データおよび解析モデルに対して、ユーザの良否評価を教師値として付与したデータ群を学習データとして準備する。この学習データを用いて学習モデルの機械学習が行われる。このような学習モデルでは、十分な量の学習データを用いて機械学習を行えば、良好な出力結果を得やすい。しかしながら、学習データが不足する初期段階においては、機械学習が十分ではないため良好な出力結果は得られない。特許文献１には、このような課題やその解決策について具体的な開示は見当たらない。

特許文献２では、特徴データの類似検索により設計データを過去の類似する設計データのグループに分類する。しかし、類似性が高いと分類されたグループが、適切なグループでない場合がある。特に、特徴データに基づく類似検索では、特徴データ以外の関係において参照すべきグループが存在する場合があり、それらグループを設計者は見落としてしまうという問題がある。特許文献２には、このような課題やその解決策について具体的な開示は見当たらない。

そこで、本発明は、設計を支援するための新たな技術を提供することを目的とする。

上記課題を解決するために、代表的な本発明の設計支援システムの一つは、設計の要求仕様を入力するための要求仕様入力部と、過去の設計履歴を分類したグループの群の中から要求仕様が分類されるグループ（以下「所属グループ」という）を求める分類部と、所属グループについて情報を取得して設計支援情報として提示可能にする計算結果表示部とを備え、この計算結果表示部は要求仕様に基づいて設計される設計候補について要求仕様とは別の設計結果が分類されるグループ（以下「関連グループ」という）について情報を取得して設計支援情報として提示可能にする。

本発明によれば、設計を支援するための技術が提供される。
上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。

図１は、実施例１の全体構成図である。 図２は、実施例１の処理手順（フェーズ１）を表す図である。 図３は、実施例１の処理手順（フェーズ２）を表す図である。 図４は、実施例１の処理手順（フェーズ３）を表す図である。 図５は、計算条件の入力画面の一例を表す図である。 図６は、分析結果の表示画面の一例を表す図である。 図７は、要求仕様の入力画面の一例を表す図である。 図８は、設計支援の表示画面の一例を表す図である。 図９は、設計結果の入力画面の一例を表す図である。 図１０は、設計結果の表示画面の一例を表す図である。 図１１は、ネットワーク化無しの場合のネットワーク構造の表示画面の一例を表す図である。 図１２は、ネットワーク化する場合のネットワーク構造の表示画面の一例を表す図である。 図１３は、ネットワーク化した後の設計支援の表示画面の一例を表す図である。

以下、実施例を、図面を用いて説明する。

［１］実施例１の構成
図１は、実施例１の設計支援システムの構成を示す図である。
同図において、設計支援システムは、要求仕様入力部１０１、分類部１０２、計算結果表示部１０３、設計結果入力部１０４、およびネットワーク構造計算部１０５を備える。さらに詳しくは、分類部１０２の内部には、計算条件入力部１１１、データベース１１２、データ分析部１１３、学習モデル生成部１１４、および機械学習部１１５が設けられる。

要求仕様入力部１０１は、設計上の要求仕様を入力するための入力手段を操作者に提供する。ここで、「要求仕様」とは、設計により作り出した対象物が満たすべき項目やデータやスペックなどの仕様であって、設計支援を受けるために特定すべき仕様を意味する。具体的な一例としては、寸法、形状、成分、特性などが要求仕様になるが、これに限定されるものではない。

分類部１０２は、過去の設計履歴を分類したグループの群の中から、要求仕様が分類されるべきグループを求めて「所属グループ」とする。

計算結果表示部１０３は、所属グループの情報を取得して、設計支援情報として操作者に提供する。
操作者は、この設計支援情報に基づいて、手動または自動によって設計候補を一旦決定する。

操作者は、この設計候補について、試作品の計測実験や、コスト計算や、シミュレーションによるスペック計算などを実施し、設計候補の採用の適否判断に有効な設計結果を求める。この設計結果の少なくとも一部は、先の要求仕様とは別種のデータである。具体的な一例としては、設計候補の製造コスト、試験結果（硬さ）、試験結果（引張）などが設計結果になるが、これに限定されるものではない。
設計結果入力部１０４は、これら設計結果を入力するための手段を操作者に提供する。

ネットワーク構造計算部１０５は、入力された設計結果が分類されるべきグループを求めて関連グループとする。好ましくは、ネットワーク構造計算部１０５は、所属グループに属する設計履歴の設計結果を取得して設計候補の設計結果との乖離を判定する。ネットワーク構造計算部１０５は、この乖離した設計結果が分類されるグループを求めて、関連グループとする。

計算結果表示部１０３は、所属グループに基づく情報に加えて、関連グループに基づく情報も設計支援情報として操作者に提供可能にする。好ましくは、計算結果表示部１０３は、所属グループと関連グループとを組み合わせた合成グループ（以下「ネットワーク化グループ」という）を作成し、ネットワーク化グループに基づく情報を設計支援情報として提示する。

計算条件入力部１１１は、「要求仕様として使用するデータ項目」および「分類するグループ数」の計算条件を受け付けるための入力手段を操作者に提供する。

データベース１１２には、設計履歴として、過去に使用または収集された要求仕様および設計結果を含むデータセットが複数蓄積される。

データ分析部１１３は、これらデータセットの集合を、計算条件入力部１１１の計算条件（要求仕様，グループ数）に基づいて、自己組織化マップなどのクラスタリング技法により複数のグループに分類する。

学習モデル生成部１１４は、計算条件入力部１１１の計算条件（要求仕様，グループ数）に基づいて、要求仕様を入力層に与え、グループ数の分類結果を出力層とする初期状態の学習モデルを生成する。

なお、所属グループと関連グループのネットワーク構造が既知の場合、学習モデル生成部１１４は、関連グループのネットワーク構造を学習モデルの出力層に追加する。

機械学習部１１５は、データベース１１２内の設計履歴に基づいて、過去の要求仕様に対し、データ分析部１１３のグループの分類結果を教師値として付与することにより、学習データを作成する。

なお、所属グループと関連グループのネットワーク構造が既知の場合、機械学習部１１５は、関連グループのネットワーク構造を教師値として学習データに追加する。
機械学習部１１５は、作成した学習データを用いて、学習モデルの機械学習を実施する。

分類部１０２は、機械学習を行った学習モデルの入力に、要求仕様入力部１０１で入力された要求仕様を与える。分類部１０２は、この学習モデルの処理結果に基づいて、要求仕様が分類されるべき所属グループの推定を行う。

なお、関連グループのネットワーク構造について学習モデルの機械学習が済んでいる場合、分類部１０２は、この学習モデルの処理結果に基づいて、所属グループの推定に加えて、関連グループのネットワーク構造の推定を一緒に行うこともできる。

このような設計支援システムは、ハードウェアとしてＣＰＵ（Central Processing Unit）やメモリなどを備えたコンピュータシステム１２０により実現される。このハードウェアが設計支援プログラムを実行することにより、コンピュータシステム１２０は、上述した設計支援システムの各種構成として機能する。

なお、コンピュータシステム１２０の一部または全部については、専用の装置、汎用の機械学習マシン、ＤＳＰ（Digital Signal Processor）、ＦＰＧＡ（Field-Programmable Gate Array）、ＧＰＵ（Graphics Processing Unit）、ＰＬＤ(programmable logic device）などで代替してもよい。

また、ハードウェアの一部または全部をネットワーク上のサーバに集中または分散してクラウド配置することにより、一つ以上のクライアント端末がネットワークを介して設計支援システムを専用または共同で使用してもよい。

［２］実施例１の動作
上述のように構成される実施例１の設計支援システムについて、動作を説明する。
図２〜図４は、設計支援システムの処理手順を３つのフェーズに分けて説明する図である。
図２に示す一つ目のフェーズは、機械学習に必要な計算条件の入力と、過去の設計情報を分析して機械学習するフェーズである。
図３に示す二つ目のフェーズは、要求仕様を入力し、設計支援を行うフェーズである。
図４に示す三つ目のフェーズは、フェーズ２で設計した設計の結果を入力し、グループのネットワーク化とそれに伴う学習モデルの追加学習を行うフェーズである。

以下、機械構造物を構成する金属材料の製造設計を例に取り、金属材料の製造コスト、使用した図面番号、性能などを算出する方法について説明する。

［２−１］フェーズ１の処理手順
図２に示すステップ番号に沿って、フェーズ１の動作を述べる。
まず、ステップＳ１０１〜Ｓ１０４では、機械学習を行うための計算条件の確定作業が行われる。

ステップＳ１０１： 計算条件入力部１１１は、データベース１１２から過去の設計情報（設計履歴）を取得する。

ステップＳ１０２： 計算条件入力部１１１は、設計履歴のデータ項目に基づいて機械学習に必要な計算条件の入力画面を作成し、操作者に提供する。
図５は、計算条件の入力画面の一例を示す図である。

例えば、操作者は、この入力画面において、学習モデル名として「金属材料」を入力（または選択）する。さらに、入力画面は二つの構成となっており、一つ目は「要求仕様の項目（変数）の選択」、二つ目は「設計履歴を分割するグループ数」となっている。

「要求仕様の項目（変数）の選択」では、ステップＳ１０１で入手した過去の設計履歴の項目名が表示される。例えば、「縦寸法」、「横寸法」、「半径」、「成分」、「溶解図面ＮＯ」、「熱間図面ＮＯ」、「冷間図面ＮＯ」、「試験結果（硬さ）」、「試験結果（引張）」、「製造コスト」が表示される。

操作者は、過去の設計履歴について、データ分析するための要求仕様の項目（変数）を選択する。

ここでは、「縦寸法」、「横寸法」、「半径」、「成分」が選択されている。
「グループ数」では、過去の設計履歴をグループ分けするグループの数を入力する。例えば、「１０」が入力される。

ステップＳ１０３： 計算条件入力部１１１は、ステップＳ１０２で入力された計算条件の情報を入力画面を介して取得する。

ステップＳ１０４： 計算条件入力部１１１は、ステップＳ１０３で取得した情報を、データベース１１２に登録する。

続いて、ステップＳ２０１〜Ｓ２０７では、機械学習の準備としてのデータ分析と、それに基づく機械学習が行われる。

ステップＳ２０１： データ分析部１１３は、データベース１１２から過去の設計履歴を取得する。この設計履歴は、要求仕様のデータ値、設計品の製造コスト、および設計結果のデータ値などを含むデータセットの集合である。

ステップＳ２０２： データ分析部１１３は、ステップＳ１０３で入力された機械学習に必要な計算条件をデータベース１１２から取得する。
ここでは、データ分析部１１３は、計算条件として、「縦寸法」、「横寸法」、「半径」、「成分」の項目名、およびグループの分割数「１０」を取得する。

ステップＳ２０３： データ分析部１１３は、取得した情報に基づいてデータ分析を行い、過去の設計履歴をグループ分けする。
グループ分けする方法は、クラスタリング技法として複数知られており特に限定されないが、ここでは自己組織化マップと呼ばれる方法を使用する。
自己組織化マップは、ニューラルネットワークなどの機械学習技法の一種であり、大脳皮質の視覚野をモデル化したものである。

自己組織化マップは、グループ分割の数だけ重みベクトルをマップ上にランダムに初期配置し、設計履歴のデータセットに含まれる要求仕様に基づいて入力ベクトルを一つ用意する。マップ上の全ての重みベクトルに対して、入力ベクトルとの類似度を計算する。類似度にはユークリッド的な距離を用いる。
各ベクトル間の距離が最も小さいものを見つけるたびに、その近傍の重みベクトルを下式により変更する。

ここでＷｕは重みベクトル、θは近傍半径、αは学習係数、Ｕは入力ベクトル、ｎは繰り返し回数、ｔは入力ベクトルの処理番号を表す。
このように自己組織化マップを用いて、過去の設計履歴のデータセットを、要求仕様の類似性の高いグループに分ける。

ステップＳ２０４： 計算結果表示部１０３は、ステップＳ２０３におけるグループ分けの分析結果を操作者に提供する。

図６は、グループ分けの分析結果の表示画面の一例を示す。
同図において、表示画面には、「縦寸法」、「横寸法」、「半径」、「成分」の過去の設計履歴が、「Ａ」グループから「Ｊ」グループといった類似性の高いデータをそれぞれ集めた１０個のグループに分けて表示される。
操作者は、この結果で良ければ「決定」ボタンを押し、やり直す場合は「やり直し」ボタンを押してステップＳ１０１から計算条件の見直しを行う。

ステップＳ２０５： 学習モデル生成部１１４は、機械学習を行う前の学習モデルを生成する。
学習モデルは特に限定されないが、ここではニューラルネットワークを用いる。

ニューラルネットワークは、多数の神経細胞からなる脳の特性を計算機上のシミュレーションで表現することを目的とした数学モデルである。ニューラルネットワークは、一つ以上の人工ニューロンからなるｉ番目の層をＸ_ｉと置くと、下式のような漸化式で与えられる。

ここでＡ_ｉ、Ｂ_ｉはそれぞれ重みパラメータ、バイアスパラメータである。ｆは活性化関数である。なお３層の場合はＸ_１が入力層、Ｘ_２が中間層、Ｘ_３が出力層となる。中間層が複数あるものをディープニューラルネットと呼ぶ。

例えば、「縦寸法」、「横寸法」、「半径」、「成分」を要求仕様として入力層とし、データ分析部１１３で得られたグループ分けと同様の結果を出力層とし、その間に中間層を複数設けた学習モデルが作成される。

ステップＳ２０６： 機械学習部１１５は、学習モデルを機械学習するための学習データを作成する。

例えば、過去の設計履歴から抽出した要求仕様のデータ値（「縦寸法」、「横寸法」、「半径」、「成分」）に、ステップＳ２０３によるグループ分けの結果を教師値として付与することにより、学習用のデータ群を生成する。これら学習用のデータ群を収集することにより、学習データが生成される。

機械学習部１１５は、ステップＳ２０５において作成された学習モデルに対して学習データを与えて誤差逆伝搬法などの機械学習を実施し、人工ニューロンそれぞれについて重みパラメータ、バイアスパラメータを決定する。

ステップＳ２０７： 機械学習部１１５は、フェーズ１で生成された情報をデータベース１１２に登録する。

上述したフェーズ１の動作により、分類部１０２が使用する学習モデルの準備が整う。

［２−２］フェーズ２の処理手順
続いて、図３に示すステップ番号に沿って、フェーズ２の動作を述べる。
まず、ステップＳ３０１〜Ｓ３０６では、操作者の入力する要求仕様に基づいて設計支援を実施する。

ステップＳ３０１： 要求仕様入力部１０１は、要求仕様の入力画面を操作者に提供する。操作者は、所望する要求仕様について大まかな目標を定めて入力する。
図７は、要求仕様の入力画面の一例を示す。
同図において、操作者は、金属材料を製造するための要求仕様を入力する。ここでは、金属鋼片の縦寸法「４００．０」、横寸法「６００．０」、半径「０．０」、金属材料の成分である炭素「０．１２％」、クロム「４．１％」、モリブデン「４．２５％」が入力される。

ステップＳ３０２： 要求仕様入力部１０１は、ステップＳ３０１で入力された要求仕様を取得する。

ステップＳ３０３： 分類部１０２は、フェーズ１で作成された学習モデルの入力層に操作者が入力した要求仕様を与える。分類部１０２は、学習モデルの処理結果に基づいて、この要求仕様に類似する所属グループをグループＡ〜Ｊの中から推定する。

ステップＳ３０４： 学習モデルがネットワーク構造（例えば関連グループや関連グループの群やその連携関係など）について学習済みであれば、分類部１０２は、学習モデルの処理結果に基づいて、ネットワーク構造の推定を行う。この動作の詳細については後述する。
最初の段階では、学習モデルはネットワーク構造について学習していないため、学習モデルではネットワーク構造は推定されない。

ステップＳ３０５： 計算結果表示部１０３は、ステップＳ３０３で推定した所属グループに関する設計支援情報、また可能であればネットワーク関係のある関連グループに関する設計支援情報をデータベース１１２から取得して表示する。

図８は、設計支援情報の表示画面の一例を示す。
同図において、操作者が入力した要求仕様と類似度の高い所属グループは、ここでは「Ｂ」と推定され、「所属グループ：Ｂ」が表示される。さらに、所属グループについて、過去の設計結果を座標軸にした散布図が表示される。この散布図には、所属グループ「Ｂ」のデータ群について、例えばＸ軸「製造コスト」およびＹ軸「試験結果（硬さ）」を座標軸にしたデータプロットが行われる。操作者は、この散布図の上で、所望する設計結果に近いプロットをクリック操作などにより選択する。計算結果表示部１０３は、選択されたプロットに相当する過去の設計履歴の情報をデータベース１１２から取得し、表示画面に表示する。図８においては、熔解図面ＮＯ「Ａ１４４」、熱間図面ＮＯ「Ｂ２４７」、冷間図面ＮＯ「Ｃ３６９」、製造コスト「１４２」、試験結果（硬さ）「２４４」、試験結果（引張）「７２４」などが表示される。なお、Ｓ３０１で収集された要求仕様も表示される。操作者は、これら設計支援情報と要求仕様を対比したり参考にしたりすることにより、所望する設計候補の要求仕様を一旦決定する。

ステップＳ３０６： 分類部１０２は、フェーズ２において得られた情報をデータベース１１２に登録する。

上述したフェーズ２の動作により、設計支援システムによる第一段階の設計支援と、操作者による設計候補の要求仕様が一旦決定される。

［２−３］フェーズ３の処理手順
続いて、図４に示すステップ番号に沿って、フェーズ３の動作を述べる。
ステップＳ４０１〜Ｓ４０９では、設計候補に対する更なる設計支援および学習モデルに対するネットワーク構造の追加学習が実施される。

ステップＳ４０１： 操作者は、フェーズ２で一旦決定した設計候補について、試作品の計測実験や、コスト計算や、シミュレーションによるスペック計算などを実施し、設計候補の採用の適否を判断するのに有効なデータ（以下「設計結果」という）を求める。設計結果入力部１０４は、これら設計結果を入力するための手段を操作者に提供する。

図９は、設計結果の入力画面の一例を示す。
同図において、入力画面には、設計候補の縦寸法、横寸法、半径、成分といった要求仕様の入力欄と共に、熔解図面ＮＯ、熱間図面ＮＯ、冷間図面ＮＯ、製造コスト、試験結果（硬さ）、試験結果（引張）といった設計結果の入力欄が設けられる。
ステップＳ４０２： 設計結果入力部１０４は、操作者が入力画面に入力した情報（要求仕様，設計結果）を情報取得する。

ステップＳ４０３： 分類部１０２は、入力された要求仕様を学習モデルに入力し、学習モデルの処理結果に基づいて設計候補の要求仕様が分類されるべき所属グループを推定する。

ステップＳ４０４： 学習モデルがネットワーク構造について学習済みであれば、分類部１０２は、学習モデルの処理結果に基づいて、ネットワーク構造の推定を行う。この動作の詳細については後述する。
この説明の段階では、学習モデルはネットワーク構造について学習していないため、学習モデルではネットワーク構造は推定されない。

ステップＳ４０５： 計算結果表示部１０３は、ステップＳ４０３で推定された所属グループに関する設計支援情報、可能であればネットワーク関係のある関連グループに関する設計支援情報をデータベース１１２から取得し、ステップＳ４０１で入力された設計結果と共に表示する。

図１０は、設計結果の表示画面の一例を示す。
ここでは、図８と同一の表示要素についての重複説明を省略する。
図１０に示す散布図には、所属グループＢの設計結果に対応するプロット「○」の群に加えて、新たに入力された設計候補の設計結果に対応するプロット「●」が追加的に表示される。

図１０では、設計候補の設計結果の中で、製造コストのデータ値が、所属グループＢの製造コストのデータ群からかけ離れた結果（以下「予想外」という）を示す。

ネットワーク構造計算部１０５は、この製造コストのように所属グループからは予想外の設計結果を散布図上の距離計算などにより自動的に検出する。この場合、計算結果表示部１０３は、図１０に示す製造コスト欄に「チェックマーク」を付与して強調表示し、予想外の設計結果があったことを操作者に報知する。

また、操作者が、予想外の設計結果を散布図を目視して判断し、図１０に示す製造コスト欄のように「チェックマーク」を入力することもできる。この場合は、計算結果表示部１０３は、操作者の判断した予想外の設計結果を表示画面を介して情報取得する。

操作者は、予想外の設計結果について更なる設計支援（ネットワーク学習による設計支援）が必要か否かを判断し、表示画面のボタン（「ネットワーク化して学習」、「ネットワーク化無しで学習」、「取消し」）を選択的に操作する。

ステップＳ４０６： 一つ前のステップＳ４０５において「ネットワーク化無しで学習」が選択された場合、計算結果表示部１０３は、ステップＳ４０３で推定した所属グループのネットワーク構造を表示する。

図１１は、ネットワーク化無しの場合のネットワーク構造の表示画面の一例を示す。
ネットワーク化無しなので、図１１に示すように所属グループ「Ｂ」のみが強調表示されている。

一方、ステップＳ４０５において「ネットワーク化して学習」が選択された場合、ネットワーク構造計算部１０５は、ステップＳ４０５で選択された予想外の設計結果（図１０では製造コスト）と、グループ内の設計結果（例えば製造コストの平均値、最頻値、中間値、偏差など）との乖離が小さいグループを特定して関連グループとする。予想外の設計結果が複数ある場合、ネットワーク構造計算部１０５は、設計結果の乖離をユークリッド的な距離や重み付きの評価値により判断してもよい。なお、ネットワーク構造計算部１０５は、予想外の設計結果との乖離が最も小さい一つのグループを関連グループとしてもよい。また、ネットワーク構造計算部１０５は、予想外の設計結果との乖離が所定値よりも小さい複数のグループを特定して関連グループの群としてもよい。

計算結果表示部１０３は、このように求めた所属グループと関連グループのネットワーク構造を表示する。

図１２は、ネットワーク化する場合のネットワーク構造の表示画面の一例を示す。
ここでは、予想外の設計結果である製造コストに最も近いグループ「Ｉ」が計算され、関連グループが「Ｉ」に特定される。計算結果表示部１０３は、このネットワーク構造の連携関係を、所属グループ「Ｂ」から関連グループ「Ｉ」への矢印マークにより表示する。

なお、この段階で、ネットワーク構造計算部１０５の処理結果に基づいて、図１３に示す設計支援の画面を表示してもよい。
図１３では、計算結果表示部１０３は、所属グループＢと関連グループＩとを合成したネットワーク化グループ「Ｂ，Ｉ」の情報を設計支援情報として一度に表示する。

ステップＳ４０７： 学習モデル生成部１１４は、現在までの設計支援の動作を、学習モデルに反映させる。（なお、ネットワーク化無しの場合は、最新の学習データを使用する点を除いて、上述したステップＳ２０５〜Ｓ２０６と同様のため、ここでの重複説明を省略する。）

ここでは、ステップＳ４０６の処理により、所属グループおよび関連グループのネットワーク構造が既知である。そこで、学習モデル生成部１１４は、そのネットワーク構造を推定するための人口ニューロンを既存の学習モデルに追加する。

その結果、学習モデル生成部１１４は、要求仕様（「縦寸法」、「横寸法」、「半径」、「成分」）を学習モデルの入力層とする。さらに、学習モデル生成部１１４は、所属グループの分類結果を示す出力層に加え、関連グループのネットワーク構造（例えば、関連グループ・関連グループの群・連携関係などのいずれか）を出力層に追加して、学習モデルの新たな出力層とする。新たに追加された出力層に応じて、中間層には人口ニューロンによるネットワークが追加される。

一方、機械学習部１１５は、上述したステップＳ２０６と同様の学習モデルに対して、関連グループのネットワーク構造を教師値として更に追加する。

ステップＳ４０８： 機械学習部１１５は、最新の学習モデルに対して最新の学習データを与えて誤差逆伝搬法などの機械学習を実施し、人工ニューロンそれぞれについて重みパラメータ、バイアスパラメータを決定する。

ステップＳ４０９： 機械学習部１１５は、フェーズ３で生成された情報をデータベース１１２に登録する。

［２−４］ネットワーク構造を学習した学習モデルの動作

上述したフェーズ３では、関連グループのネットワーク構造を機械学習するのに十分な量の学習データを収集することにより、学習モデルは関連グループのネットワーク構造について機械学習が可能になる。

このようにネットワーク構造を学習した学習モデルの動作について、先に説明したステップＳ３０４〜Ｓ３０５（Ｓ４０４〜Ｓ４０５）について説明する。

ステップＳ３０４（Ｓ４０４）： 分類部１０２は、ネットワーク構造を学習した学習モデルの入力層に対して、要求仕様入力部１０１に入力された要求仕様を入力する。分類部１０２は、学習モデルの処理結果に基づいて、所属グループの分類、および関連グループのネットワーク構造を推定する。

ステップＳ３０５（Ｓ４０５）： 計算結果表示部１０３は、前ステップで推定した所属グループに関する設計支援情報、関連グループのネットワーク構造に基づく設計支援情報をデータベース１１２から取得して表示する。

図１３は、ネットワーク化グループによる設計支援の表示画面の一例を表す図である。
同図において、図８と同様の表示要素については、重複説明を省略する。
図１３において、操作者が入力した要求仕様と類似度の高い所属グループは、学習モデルにより「Ｂ」と推定される。さらに、学習モデルにより、要求仕様に基づいて設計結果が類似するであろうと推定される関連グループは「Ｉ」と推定される。
計算結果表示部１０３は、学習モデルの推定結果として、「所属グループ：Ｂ」および「関連グループ：Ｉ」を表示する。

さらに、所属グループＢと関連グループＩとを合成したネットワーク化グループ「Ｂ，Ｉ」について、過去の設計結果を座標軸にした散布図が表示される。この散布図には、ネットワーク化グループ「Ｂ，Ｉ」のデータ群について、例えばＸ軸「製造コスト」およびＹ軸「試験結果（硬さ）」を座標軸にしたデータプロットが行われる。

操作者は、この散布図の上で、所望する設計結果に近いプロットをクリック操作などにより選択する。計算結果表示部１０３は、選択されたプロットに相当する過去の設計履歴の情報をデータベース１１２から取得し、表示画面に表示する。

図１３においては、熔解図面ＮＯ「Ａ１５４」、熱間図面ＮＯ「Ｂ２６４」、冷間図面ＮＯ「Ｃ１４４」、製造コスト「２４０」、試験結果（硬さ）「２２８」、試験結果（引張）「７１０」などが表示される。なお、先に収集された要求仕様も表示される。操作者は、これらネットワーク化グループ「Ｂ，Ｉ」による設計支援情報と個々の要求仕様を参考にすることにより、所望する設計候補の要求仕様を更に広範囲の選択肢から決定する。

［３］実施例１の効果
（１）実施例１では、分類部１０２は、過去の設計履歴を分類したグループの群の中から、要求仕様が分類されるグループを所属グループとして求める。計算結果表示部１０３は、所属グループに基づく情報を設計支援情報として提示可能にする。さらに、計算結果表示部１０３は、要求仕様に基づいて設計される設計候補について、要求仕様とは別の設計結果が分類されるグループ（以下「関連グループ」という）について情報を取得して、設計支援情報として提示可能にする。
そのため、所属グループの情報のみならず、関連グループの情報についても設計支援情報として活用することが可能になる。したがって、実施例１では、関連グループの情報分だけ、従来技術に比べて設計支援情報の見落としが低減し、より広範囲の設計支援情報を操作者に提供することが可能になる。

（２）実施例１では、計算結果表示部１０３は、所属グループと関連グループとを合成してネットワーク化グループを作成し、このネットワーク化グループに基づく情報を設計支援情報として操作者に提供する（図１３参照）。
したがって、操作者は、所属グループと関連グループとの違いなどの面倒なことを意識することなく、ネットワーク化グループ全体の設計支援情報を一覧する（つまり一度にまとめて得る）ことが可能になる。

（３）実施例１では、入力される設計結果に基づいて、ネットワーク構造計算部１０５が関連グループを求める。この段階では、学習モデルはまだ必要ない。
したがって、学習データの収集が不足し、学習モデルを十分に機械学習できないシステム運用の初期段階であっても、ネットワーク構造計算部１０５を備えることにより、関連グループを用いた設計支援が可能になる。

（４）実施例１では、ネットワーク構造計算部１０５が、所属グループに属する設計履歴の設計結果を取得して設計候補の設計結果との乖離を判定する。ネットワーク構造計算部１０５は、乖離すると判定された設計結果と近い（つまり乖離しない）設計結果を示すグループを関連グループとして求める。
そのため、所属グループに対して乖離する設計結果がある場合に限って関連グループが探索されることになり、関連グループの探索が不必要に拡大しない。したがって、より必要な設計支援情報に絞って操作者に提供することが可能になる。

（５）実施例１では、データ分析部１１３は、過去の要求仕様および設計結果を含むデータセットの集合を、要求仕様に基づいてクラスタリングして複数のグループに分類する。学習モデル生成部１１４は、このグループ分類を行うための学習モデルを生成する。機械学習部１１５は、データ分析部１１３の分類結果を教師値として、過去の要求仕様を入力値とする学習データを作成して、学習モデルの機械学習を行う。
したがって、分類部１０２は、要求仕様入力部１０１が取得した要求仕様を学習モデルの入力に与えることにより、要求仕様が分類されるべき所属グループを学習モデルの処理結果に基づいて推定することが可能になる。

（６）実施例１では、学習モデル生成部１１４は、要求仕様を入力とし、所属グループおよび関連グループのネットワーク構造を出力とする学習モデルを生成する。機械学習部１１５は、学習データに対して、ネットワーク構造計算部による関連グループのネットワーク構造を教師値として更に付与して、学習モデルの機械学習を行う。
したがって、分類部１０２は、要求仕様入力部１０１が取得した要求仕様を学習モデルの入力に与えることにより、要求仕様が分類されるべき所属グールプと、関連グループのネットワーク構造を推定することが可能になる。
特に、実施例１では、設計結果が未知の状態でも関連グループのネットワーク構造を推定することが可能になる。その結果、設計結果を得るための操作者の手間を省くことが可能になる。

［実施形態の補足事項］
なお、実施形態では、グループ分けに自己組織化マップを用いたが、本発明はこれに限定されない。例えば、Ｋ平均法などの別のクラスタリング技法を用いてもよい。

さらに、実施形態では、グループ分けや機械学習などを、一台のコンピュータで実施するように記載しているが、本発明はこれに限定されない。ネットワーク環境を利用することによって、複数のハードウェアや複数のソフトウェアにより、設計支援作業を分担して実施してもよい。

また、学習モデルの中間層に、ステップＳ４０２で入力された設計結果を推定する人口ニューロンを一つ以上配置してもよい。このような人口ニューロンは、要求仕様を入力として、ステップＳ４０２で入力される設計結果を教師値として機械学習を行えばよい。このように設計結果を推定する人口ニューロンを中間層に配置することにより、関連グループのネットワーク構造の推定に、設計結果の推定結果を加味することが可能になり、関連グループのネットワーク構造の推定精度を高めることが可能になる。

さらに、実施形態では、関連グループのネットワーク構造として、説明を簡単にするため、１つの関連グループ「Ｉ」を求めるケースについて説明した。しかしながら、本発明はこれに限定されない。所属グループに対して、横に広がる複数の関連グループをネットワーク構造として求めてもよい。また、関連グループに対して、さらに先の関連グループを求めてもよい。さらに、所属グループに対してツリー構造の関連グループの群を求めてもよい。これらは、設計対象の事情などに応じて適宜に選択することが好ましい。

また、実施形態では、学習モデルとして、ニューラルネットワークを使用した。しかしながら、本発明はこれに限定されない。例えば、このような学習モデルとしては、決定木学習、相関ルール学習、遺伝的プログラミング、帰納論理プログラミング、サポートベクターマシン、クラスタリング、ベイジアンネットワーク、強化学習、表現学習、主成分分析、エクストリーム・ラーニング・マシン、およびその他の機械学習技法の少なくとも一つの技法に基づく学習モデルを採用してもよい。

１０１…要求仕様入力部、１０２…分類部、１０３…計算結果表示部、１０４…設計結果入力部、１０５…ネットワーク構造計算部、１１１…計算条件入力部、１１２…データベース、１１３…データ分析部、１１４…学習モデル生成部、１１５…機械学習部

Claims (12)

1. 設計の要求仕様を入力するための要求仕様入力部と、
   過去の設計履歴を分類したグループの群の中から、前記要求仕様が分類される前記グループ（以下「所属グループ」という）を求める分類部と、
   前記所属グループについて情報を取得して、設計支援情報として提示可能にする計算結果表示部とを備え、
   前記計算結果表示部は、
   前記要求仕様に基づいて設計される設計候補について、前記要求仕様と別の設計結果が分類される前記グループ（以下「関連グループ」という）について情報を取得して、設計支援情報として提示可能にする
   ことを特徴とする設計支援システム。
2. 請求項１に記載の設計支援システムにおいて、
   前記計算結果表示部は、
   前記所属グループと、前記関連グループとを組み合わせた合成グループ（以下「ネットワーク化グループ」という）を作成し、前記ネットワーク化グループに基づく情報を前記設計支援情報として提示可能にする
   ことを特徴とする設計支援システム。
3. 請求項１〜２のいずれか一項に記載の設計支援システムにおいて、
   前記要求仕様に基づいて設計された設計候補について、前記設計結果を入力するための設計結果入力部と、
   入力された前記設計結果が分類される前記関連グループを求めるネットワーク構造計算部と
   を備えることを特徴とする設計支援システム。
4. 請求項３に記載の設計支援システムにおいて、
   前記ネットワーク構造計算部は、
   前記所属グループに属する前記設計履歴の前記設計結果を取得して前記設計候補の前記設計結果との乖離を判定し、乖離する前記設計結果が分類される前記グループを前記関連グループとして求める
   ことを特徴とする設計支援システム。
5. 請求項１〜４のいずれか一項に記載の設計支援システムにおいて、
   前記分類部は、
   前記設計履歴として、過去の前記要求仕様および前記設計結果を含むデータセットの集合を保持するデータベースと、
   前記データセットの集合を、前記要求仕様に基づいて、自己組織化マップなどのクラスタリング技法により複数の前記所属グループに分類するデータ分析部と、
   前記要求仕様を入力とし、前記所属グループの分類を出力とする学習モデルを生成する学習モデル生成部と、
   前記データセットの前記要求仕様に対して、前記データ分析部による前記所属グループの分類を教師値として付与した学習データを作成して、前記学習モデルの機械学習を行う機械学習部とを備え、
   前記要求仕様入力部が取得した前記要求仕様を前記学習モデルの入力に与え、前記学習モデルの処理結果に基づいて、前記要求仕様が分類される前記所属グループを推定する
   ことを特徴とする設計支援システム。
6. 請求項５に記載の設計支援システムにおいて、
   前記学習モデル生成部は、前記要求仕様を入力とし、前記所属グループおよび前記関連グループのネットワーク構造を出力とする前記学習モデルを生成し、
   前記機械学習部は、前記学習データに対して、前記関連グループのネットワーク構造を教師値として更に付与して、前記学習モデルの機械学習を行い、
   前記分類部は、前記要求仕様入力部が取得した前記要求仕様を前記学習モデルの入力に与え、前記学習モデルの処理結果に基づいて、前記要求仕様が分類される前記所属グループおよび前記関連グループのネットワーク構造を推定する
   ことを特徴とする設計支援システム。
7. 設計の要求仕様を入力するための要求仕様入力ステップと、
   過去の設計履歴を分類したグループの群の中から、前記要求仕様が分類される前記グループ（以下「所属グループ」という）を求める分類ステップと、
   前記所属グループについて情報を取得して、設計支援情報として提示可能にする計算結果表示ステップとを備え、
   前記計算結果表示ステップは、
   前記要求仕様に基づいて設計される設計候補について、前記要求仕様と別の設計結果が分類される前記グループ（以下「関連グループ」という）について情報を取得して、設計支援情報として提示可能にする
   ことを特徴とする設計支援方法。
8. 請求項７に記載の設計支援方法において、
   前記計算結果表示ステップは、
   前記所属グループと、前記関連グループとを組み合わせた合成グループ（以下「ネットワーク化グループ」という）を作成し、前記ネットワーク化グループに基づく情報を前記設計支援情報として提示可能にする
   ことを特徴とする設計支援方法。
9. 請求項７〜８のいずれか一項に記載の設計支援方法において、
   前記要求仕様に基づいて設計された設計候補について、前記設計結果を入力するための設計結果入力ステップと、
   入力された前記設計結果が分類される前記関連グループを求めるネットワーク構造計算ステップと
   を備えることを特徴とする設計支援方法。
10. 請求項７〜９のいずれか一項に記載の設計支援方法において、
    前記分類ステップは、
    前記設計履歴として、過去の前記要求仕様および前記設計結果を含むデータセットの集合を保持するデータ保持ステップと、
    前記データセットの集合を、前記要求仕様に基づいて、自己組織化マップなどのクラスタリング技法により複数の前記所属グループに分類するデータ分析ステップと、
    前記要求仕様を入力とし、前記所属グループの分類を出力とする学習モデルを生成する学習モデル生成ステップと、
    前記データセットの前記要求仕様に対して、前記データ分析ステップによる前記所属グループの分類を教師値として付与した学習データを作成して、前記学習モデルの機械学習を行う機械学習ステップとを備え、
    前記要求仕様入力ステップが取得した前記要求仕様を前記学習モデルの入力に与え、前記学習モデルの処理結果に基づいて、前記要求仕様が分類される前記所属グループを推定する
    ことを特徴とする設計支援方法。
11. 請求項１０に記載の設計支援方法において、
    前記学習モデル生成ステップは、前記要求仕様を入力とし、前記所属グループおよび前記関連グループのネットワーク構造を出力とする前記学習モデルを生成し、
    前記機械学習ステップは、前記学習データに対して、前記関連グループのネットワーク構造を教師値として更に付与して、前記学習モデルの機械学習を行い、
    前記分類ステップは、前記要求仕様入力ステップが取得した前記要求仕様を前記学習モデルの入力に与え、前記学習モデルの処理結果に基づいて、前記要求仕様が分類される前記所属グループおよび前記関連グループのネットワーク構造を推定する
    ことを特徴とする設計支援方法。
12. コンピュータシステムを、請求項１〜６のいずれか一項に記載の前記設計支援システムとして機能させる
    ことを特徴とする設計支援プログラム。

Images