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
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 Download PDFInfo
- Publication number
- JP2020184159A JP2020184159A JP2019087697A JP2019087697A JP2020184159A JP 2020184159 A JP2020184159 A JP 2020184159A JP 2019087697 A JP2019087697 A JP 2019087697A JP 2019087697 A JP2019087697 A JP 2019087697A JP 2020184159 A JP2020184159 A JP 2020184159A
- Authority
- JP
- Japan
- Prior art keywords
- design
- group
- learning model
- design support
- unit
- 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.)
- Granted
Links
- 238000013461 design Methods 0.000 title claims abstract description 238
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 76
- 238000010801 machine learning Methods 0.000 claims description 47
- 238000012545 processing Methods 0.000 claims description 23
- 230000006855 networking Effects 0.000 claims description 20
- 238000007405 data analysis Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 19
- 238000010586 diagram Methods 0.000 description 17
- 238000012360 testing method Methods 0.000 description 12
- 210000002569 neuron Anatomy 0.000 description 9
- 239000013598 vector Substances 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 239000007769 metal material Substances 0.000 description 5
- 238000010622 cold drawing Methods 0.000 description 4
- 238000002844 melting Methods 0.000 description 4
- 230000008018 melting Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- ZOKXTWBITQBERF-UHFFFAOYSA-N Molybdenum Chemical compound [Mo] ZOKXTWBITQBERF-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 229910052797 bismuth Inorganic materials 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 210000003710 cerebral cortex Anatomy 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- 239000011651 chromium Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 239000011733 molybdenum Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 210000000857 visual cortex Anatomy 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
Abstract
Description
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。
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。
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。
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。
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。
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。
図5は、計算条件の入力画面の一例を示す図である。
「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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
(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。
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。
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。
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。
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。
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。
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。
Claims (12)
- 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。 - 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。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019087697A JP7270454B2 (ja) | 2019-05-07 | 2019-05-07 | 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 |
PCT/JP2020/006914 WO2020225959A1 (ja) | 2019-05-07 | 2020-02-20 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019087697A JP7270454B2 (ja) | 2019-05-07 | 2019-05-07 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020184159A true JP2020184159A (ja) | 2020-11-12 |
JP7270454B2 JP7270454B2 (ja) | 2023-05-10 |
Family
ID=73045206
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019087697A Active JP7270454B2 (ja) | 2019-05-07 | 2019-05-07 | 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 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7270454B2 (ja) |
WO (1) | WO2020225959A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023176823A1 (ja) * | 2022-03-16 | 2023-09-21 | 三菱電機株式会社 | プリント基板の設計支援装置および設計支援方法、ならびに、当該設計支援方法をコンピュータに実行させるプログラム |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007128442A (ja) * | 2005-11-07 | 2007-05-24 | Mazda Motor Corp | 内燃機関設計支援システム |
JP2012003524A (ja) * | 2010-06-17 | 2012-01-05 | Kobe Steel Ltd | 鋼材設計支援システム、鋼材設計支援方法、及びコンピュータプログラム |
WO2018147104A1 (ja) * | 2017-02-07 | 2018-08-16 | 株式会社日立製作所 | 設計支援装置 |
WO2020003626A1 (ja) * | 2018-06-28 | 2020-01-02 | 株式会社日立製作所 | 設計案生成装置 |
-
2019
- 2019-05-07 JP JP2019087697A patent/JP7270454B2/ja active Active
-
2020
- 2020-02-20 WO PCT/JP2020/006914 patent/WO2020225959A1/ja active Application Filing
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007128442A (ja) * | 2005-11-07 | 2007-05-24 | Mazda Motor Corp | 内燃機関設計支援システム |
JP2012003524A (ja) * | 2010-06-17 | 2012-01-05 | Kobe Steel Ltd | 鋼材設計支援システム、鋼材設計支援方法、及びコンピュータプログラム |
WO2018147104A1 (ja) * | 2017-02-07 | 2018-08-16 | 株式会社日立製作所 | 設計支援装置 |
WO2020003626A1 (ja) * | 2018-06-28 | 2020-01-02 | 株式会社日立製作所 | 設計案生成装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023176823A1 (ja) * | 2022-03-16 | 2023-09-21 | 三菱電機株式会社 | プリント基板の設計支援装置および設計支援方法、ならびに、当該設計支援方法をコンピュータに実行させるプログラム |
Also Published As
Publication number | Publication date |
---|---|
WO2020225959A1 (ja) | 2020-11-12 |
JP7270454B2 (ja) | 2023-05-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alinezhad et al. | Sensitivity analysis of TOPSIS technique: the results of change in the weight of one attribute on the final ranking of alternatives | |
Memariani et al. | Sensitivity analysis of simple additive weighting method (SAW): the results of change in the weight of one attribute on the final ranking of alternatives | |
JP2007034700A (ja) | 予測プログラムおよび予測装置 | |
Gopalakrishnan et al. | Prediction of sales value in online shopping using linear regression | |
US9070203B2 (en) | Identification and quantification of microtextured regions in materials with ordered crystal structure | |
Vodopija et al. | Characterization of constrained continuous multiobjective optimization problems: A feature space perspective | |
Alinezhad et al. | Sensitivity analysis of SAW technique: The impact of changing the decision making matrix elements on the final ranking of alternatives | |
Haara et al. | Analyzing uncertainties and estimating priorities of landscape sensitivity based on expert opinions | |
Wang et al. | Hybrid customer requirements rating method for customer-oriented product design using QFD | |
JP2019082874A (ja) | 設計支援装置及び設計支援システム | |
WO2020225959A1 (ja) | 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 | |
Gorelova et al. | Strategy of complex systems development based on the synthesis of foresight and cognitive modelling methodologies | |
Rey et al. | Highly iterative technology planning: processing of information uncertainties in the planning of manufacturing technologies | |
Meritxell et al. | On the evaluation, management and improvement of data quality in streaming time series | |
Cui et al. | A hybrid MCDM model with Monte Carlo simulation to improve decision-making stability and reliability | |
KR102054500B1 (ko) | 설계 도면 제공 방법 | |
Elahi et al. | Evaluating software architectural styles based on quality features through hierarchical analysis and fuzzy integral (FAHP) | |
Radulescu et al. | A multicriteria framework for cloud service providers selection based on the matter element extension method | |
WO2019103773A1 (en) | Automatically identifying alternative functional capabilities of designed artifacts | |
Nursal et al. | The application of Fuzzy TOPSIS to the selection of building information modeling software | |
JP7353940B2 (ja) | 転移可能性判定装置、転移可能性判定方法、及び転移可能性判定プログラム | |
Zaabar et al. | A two-phase part family formation model to optimize resource planning: a case study in the electronics industry | |
Szachniuk et al. | MLP accompanied beam search for the resonance assignment problem | |
Gutiérrez-Salcedo et al. | Identification and Visualization of the Conceptual Structure and Main Research Themes of Studies in Informatics and Control Journal from 2008 to 2019 | |
Park et al. | Development of automatic assembly sequence generating system based on the new type of parts liaison graph |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220107 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221115 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221223 |
|
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: 20230418 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230425 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7270454 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |