JP2021011046A

JP2021011046A - 情報処理装置、学習方法及びプログラム

Info

Publication number: JP2021011046A
Application number: JP2019125383A
Authority: JP
Inventors: 靖人樋口; Yasuto Higuchi; 保永谷; Tamotsu Nagatani; 恵介中川; Keisuke Nakagawa; 山本　哲史; Tetsushi Yamamoto; 哲史山本
Original assignee: Toyota Boshoku Corp; SCSK Corp
Current assignee: Toyota Boshoku Corp; SCSK Corp
Priority date: 2019-07-04
Filing date: 2019-07-04
Publication date: 2021-02-04

Abstract

【課題】製造物の品質を安定させるための情報処理装置の提供。【解決手段】情報処理装置は、製造装置を制御するために当該製造装置に入力される入力対象変数を導出する導出部であって、入力対象変数の値が入力され製造対象物の品質に関する品質情報の予測値を出力する予測モデルを用いて、品質情報の予測値が所定の条件を満たすように、入力対象変数を導出する導出部と、導出部により導出された入力対象変数を用いて製造した製造対象物の実際の品質に関する品質情報の実測値と、品質情報の予測値とを参照して、予測モデルを更新する更新部と、を備える。【選択図】図２

Description

本発明は、新規の外乱条件に適した成形条件を学習する情報処理装置等に関する。

従来技術として、最適と思われる成形条件のデータを用いて、一定の成形条件により製造物を製造する製造装置が存在する。

特開２０１４−４８２８号公報（２０１４年１月１６日公開）

しかしながら、従来の製造装置には、気温、及び、湿度が変化すると、製造された製造物の品質がばらつき、安定しないという問題がある。

例えば、図１２に示すように、一日の気温、及び、湿度は変化する。そのような環境の下で、一定の成形条件により製造物を製造すると、図１３に示すように、気温、及び、湿度の変化に伴って、製造物の寸法が変化することになる。

本発明の一態様は、製造物の品質を安定させることを目的とする。

上記の課題を解決するために、本発明の態様１に係る情報処理装置は、製造装置を制御するために当該製造装置に入力される入力対象変数を導出する導出部であって、入力対象変数の値が入力され製造対象物の品質に関する品質情報の予測値を出力する予測モデルを用いて、前記品質情報の予測値が所定の条件を満たすように、前記入力対象変数を導出する導出部と、前記導出部により導出された入力対象変数を用いて製造した製造対象物の実際の品質に関する品質情報の実測値と、前記品質情報の予測値とを参照して、前記予測モデルを更新する更新部と、を備える。

前記の構成によれば、製造対象物の品質情報の実測値と製造対象物の品質情報の予測値とが異なっていた場合、製造装置に入力される入力対象変数と製造対象物の品質情報の実測値とを新条件として追加学習し、予測モデルを好適に更新することができる。これにより、最良な品質を有する製品を製造し、その品質を安定させることができる。

本発明の態様２に係る情報処理装置は、前記予測モデルは、前記入力対象変数以外の変数である非入力対象変数が更に入力される予測モデルであり、前記非入力対象変数を取得する取得部を更に備え、前記導出部は、前記取得部が取得した非入力対象変数を参照して、前記入力対象変数を導出する。

前記の構成によれば、製造対象物の製造時の生産環境に基づき予測モデルを好適に更新することができる。これにより、最良な品質を有する製品を製造し、その品質を安定させることができる。

本発明の態様３に係る情報処理装置は、前記非入力対象変数には、前記製造対象物の製造時の生産環境に関する値及び前記製造装置の製造条件の実測値の少なくとも何れかが含まれる。

前記の構成によれば、予測モデルを好適に更新することができる。これにより、最良な品質を有する製品を製造し、その品質を安定させることができる。

本発明の態様４に係る情報処理装置は、前記入力対象変数には、前記製造装置による製造条件を規定する規定値が含まれる。

本発明の態様５に係る情報処理装置は、前記更新部は、前記実際の品質に関する品質情報の実測値と、前記予測モデルが導出する品質情報の予測値との差異がより小さくなるように、前記予測モデルを更新する。

前記の構成によれば、製造対象物の品質情報の実測値と予測モデルが導出する品質情報の予測値との差異がより小さくなるように予測モデルを好適に更新することができる。これにより、最良な品質を有する製品を製造し、その品質を安定させることができる。

本発明の態様６に係る情報処理装置は、前記導出部は、前記予測モデルの出力値を用いて、グリッドサーチ、及び局所勾配法を繰り返し実行することにより前記入力対象変数を導出する。

前記の構成によれば、製造対象物を製造するための最適な成形条件を導くことができる。これにより、最良な品質を有する製品を製造し、その品質を安定させることができる。

本発明の態様７に係る情報処理装置は、前記導出部は、射出成形によって前記製造対象物を製造する製造装置を制御するための入力対象変数を導出する。

前記の構成によれば、射出成形によって製造対象物を製造する製造装置において、予測モデルを好適に更新することができる。これにより、最良な品質を有する製品を製造し、その品質を安定させることができる。

本発明の態様８に係る情報処理装置は、前記入力対象変数及び前記品質情報の予測値の少なくとも何れかを含む表示用データを生成する表示用データ生成部を更に備える。

前記の構成によれば、導出した入力対象変数及び前記品質情報の予測値を作業員が確認することができるため、より好ましい成形条件で製造対象物を製造することができる。これにより、最良な品質を有する製品を製造し、その品質を安定させることができる。

また、上記の課題を解決するために、本発明の一態様に係る学習方法は、製造装置を制御するために当該製造装置に入力される入力対象変数を導出する導出工程であって、入力対象変数の値が入力され製造対象物の品質に関する品質情報の予測値を出力する予測モデルを用いて、前記品質情報の予測値が所定の条件を満たすように、前記入力対象変数を導出する導出工程と、前記導出工程にて導出された入力対象変数を用いて製造した製造対象物の実際の品質に関する品質情報の実測値と、前記品質情報の予測値とを参照して、前記予測モデルを更新する更新工程と、を備える。

また、本発明の各態様に係る情報処理装置は、コンピュータによって実現してもよく、この場合には、コンピュータを前記情報処理装置が備える各部（ソフトウェア要素）として動作させることにより前記情報処理装置をコンピュータにて実現させる制御プログラムおよびそれを記録したコンピュータ読取り可能な記録媒体も、本発明の範疇に入る。

本発明の一態様によれば、製造物の品質を安定させることができる。

本発明の一実施形態に係る制御装置が使用される生産環境を示す模式図である。本発明の一実施形態に係る制御装置の構成を示すブロック図である。本発明の一実施形態に係る制御装置の学習処理を示すフローチャートである。本発明の一実施形態に係る教師データの例を示す図である。本発明の一実施形態に係る製品品質予測モデルが出力する回帰直線と回帰曲線とを示す図である。本発明の一実施形態に係る制御装置の更新処理を示すフローチャートである。本発明の一実施形態に係る成形条件の例を示す図である。本発明の一実施形態に係る製品品質予測モデルの外観品質の予測値の合否判定の判定基準の一例を示す図である。本発明の一実施形態に係る外観品質の品質定量値と評価関数との対応関係を示すグラフである。本発明の一実施形態に係る製品品質予測モデルの寸法データの予測値の合否判定の判定基準の一例を示す図である。本発明の一実施形態に係る製品品質予測モデルの寸法データと評価関数との対応関係を示すグラフである。従来技術に係る一日の気温及び湿度の変化を示すグラフである。従来技術に係る製造物の寸法の変化を示すグラフである。

以下、本発明の実施形態について、詳細に説明する。

（生産環境の概要）
図１は、本実施形態に係る制御装置（情報処理装置）１が使用される生産環境を示す模式図である。制御装置１は、例えば、ＰＣ（Personal Computer）、サーバ等である。製造装置２は、製品を製造する装置であり、例えば、射出成形装置である。以下、本発明の実施の形態では、製造装置２として射出成形装置を例に実施の形態として説明する。

制御装置１は、製造装置２に関する、実際の成形条件、外乱条件、および、半外乱条件から得られる品質結果により学習した製品品質予測モデルを生成する。

成形条件は、製造装置２による射出成形が行われる生産環境の条件であり、例えば、射出速度、保圧圧力、保圧時間等を含む。成形条件は、製造装置２によって制御可能な条件である。外乱条件は、制御系の状態を乱そうとする外的作用である外乱に関する条件であって、成形製品の品質に影響を及ぼす要因のうち、製造装置２による制御の対象外である条件であり、例えば、気温、湿度等を含む。
半外乱条件は、成形製品の品質結果に影響を及ぼす要因のうち、設定しても必ずしも設定通りにならない条件、例えば、設定を変更しても、直ぐには追随しない条件であって、品質の予測に実測値を用いるべき要因である。半外乱条件に関しては、設定値とは異なる実測値が品質結果に影響する。例えば、半外乱条件は、型温可動、型温固定等を含む。なお、ある要因の条件を固定して最適条件を算出したい要因がある場合、半外乱として扱うことで算出可能となる。また、最良品質は、そのときの外乱条件の中で、生産条件を調整して得られる品質の中で最も良いものである。最適条件は、最良品質が得られる生産条件である。

制御装置１は、現在の外乱条件、および、半外乱条件を取得し、製品品質予測モデルを用いて、製造装置２の最適な成形条件を算出する。製造装置２は、制御装置１から成形条件を人手または自動で取得し、当該成形条件により射出成形を行うことにより、成形対象物を成形する。これにより、最良な品質を有する製品を製造し、その品質を安定させることができる。なお、成形された製品は、検査を経て、客先に搬送される。

（制御装置１の構成）
図２は、制御装置１の構成を示すブロック図である。図２に示すように、制御装置１は、取得部１１、成形条件算出部（導出部）１２、成形条件表示部（表示用データ生成部）１３、品質スコア算出部１４、データ取得部１５、更新部（学習部）１６、および製品品質予測モデル（予測モデル）ＭＡを備えている。

取得部１１は、成形条件算出部１２が導出する入力対象変数以外の変数である非入力対象変数を取得する。ここで、入力対象変数には、成形条件（製造装置２による製造条件を規定する規定値）が含まれる。非入力対象変数には、外乱条件（製造対象物の製造時の生産環境に関する値）、および、半外乱条件（製造装置２の製造条件の実測値）の少なくとも何れかが含まれる。

成形条件算出部１２は、製造装置２を制御するために当該製造装置２に入力される入力対象変数を導出する。詳細には、成形条件算出部１２は、入力対象変数の値が入力され製造対象物の品質に関する品質情報の予測値を出力する製品品質予測モデルＭＡを用いて、品質情報の予測値が所定の条件を満たすように、入力対象変数を導出する。また、成形条件算出部１２は、非入力対象変数が更に入力される製品品質予測モデルＭＡを用いて、取得部１１が取得した非入力対象変数を参照して入力対象変数を導出する構成であってもよい。

成形条件算出部１２は、導出した入力対象変数および製造対象物の品質に関する品質情報の予測値を成形条件表示部１３に出力する。また、成形条件算出部１２は、導出した入力対象変数を製造装置２に出力し、当該入力対象変数に基づき、製造装置２に製造対象物を製造させる。製造装置２が製造した製造対象物は、測定装置３において、実際の品質に関する品質情報の実測値が測定され、後述するデータ取得部１５に当該品質情報の実測値が出力される。製造対象物の品質情報の実測値は、製造対象物の製造および測定の一連のラインにおいて自動で取得される構成であってもよく、製造された製造対象物を人手によって測定される構成であってもよい。

製品品質予測モデルＭＡは、入力対象変数及び非入力対象変数の少なくとも何れかが入力され製造対象物の品質に関する品質情報の予測値を出力する。詳細には、製品品質予測モデルＭＡは、実際の品質に関する品質情報の実測値と、当該製品品質予測モデルＭＡが導出する品質情報の予測値との差異がより小さくなるように学習されたモデルである。

製品品質予測モデルＭＡは、一例として、回帰的アルゴリズムを用いた学習済みモデルである。製品品質予測モデルＭＡに用いられる回帰的アルゴリズムとしては、例えば、ＭＬＰ（MultiLayer Perceptron）、ElasticNet、ＭＲＡ(Multiple Regression analysis)、ＳＶＲ−ＲＢＦ(Support Vector Regression - Radial Basis Function)、ＳＶＲ−ＰｌｏｙおよびＳＶＲ−Ｒｉｎｅａｒ等が挙げられる。なお、製品品質予測モデルＭＡは、１個に限定されず、互いに異なる、回帰的アルゴリズムを用いた２個以上のものであってもよい。

成形条件表示部１３は、成形条件算出部１２が導出した入力対象変数および製造対象物の品質に関する品質情報の予測値の少なくとも何れかを含む表示用データを生成し、当該表示用データを表示装置（図示せず）に表示させる。

品質スコア算出部１４は、製品品質予測モデルＭＡから品質情報の予測値を取得し、品質スコアを算出し、当該品質スコアを成形条件算出部１２に出力する。

データ取得部１５は、入力対象変数と、非入力対象変数と、品質情報とが互いに関連付けられた教師データおよび品質情報の予測値を取得する。詳細には、データ取得部１５は、教師データとして、成形条件算出部１２から入力対象変数を取得し、取得部１１から非入力対象変数を取得し、測定装置３から品質情報の実測値を取得する。また、データ取得部１５は、成形条件算出部１２から品質情報の予測値を取得する。ここで、データ取得部１５は、教師データおよび品質情報の予測値を、それぞれ、成形条件算出部１２、取得部１１、および測定装置３から自動で取得する構成であってもよく、人手によって教師データおよび品質情報の予測値を取得する構成であってもよい。

更新部１６は、データ取得部１５から教師データおよび品質情報の予測値を取得する。更新部１６は、製品品質予測モデルＭＡをデータ取得部１５が取得した教師データに基づき更新する。詳細には、更新部１６は、実際の品質に関する品質情報の実測値および製品品質予測モデルＭＡが導出する品質情報の予測値を参照して、品質情報の実測値と品質情報の予測値との差異がより小さくなるように、製品品質予測モデルＭＡを更新する。更新部１６における、更新処理の流れおよび更新が実施されるタイミングについては後述する。

（制御装置１の学習処理）
図３は、制御装置１の学習処理を示すフローチャートである。図４は、制御装置１の学習処理に用いられる教師データの一例を示す図である。図５は、本実施形態に係る製品品質予測モデルＭＡが出力する回帰直線と回帰曲線とを示す図である。以下、図３〜５を参照しながら、制御装置１の学習処理について説明する。

（ステップＳ３０１）
制御装置１は、成形条件に含める各項目を決定し、当該項目ごとに、値の振り幅を決定する。ここで、図４に示す教師データにおいて、成形条件に含める項目は、射出速度、保圧圧力、保圧時間、冷却時間、ノズル温度、型温可動、及び型温固定である。成形条件は、後述する品質結果が所望の値になるように、調整され得る条件のことであるので、成形条件のことを説明変数とも呼称し、後述する品質結果のことを目的変数とも呼称する。

次に、制御装置１は、項目ごとに、振り幅の範囲内で、製造装置２に設定する設定値を決定する。このようにして、制御装置１は、複数の項目に関する設定値の複数のセットを決定する。以下では、設定値のセットの総数のことを水準数と呼ぶこともある。図４では、水準数が６の場合を示しており、データセットのそれぞれには、データセットＮｏが付されている。

図４に示すように、一例として、データセットＮｏ１において、成形条件の各設定値は、射出速度が３０（ｍｍ／ｓｅｃ）、保圧圧力が１５（Ｍｐａ）、保圧時間が５（ｓｅｃ）、冷却時間が２０（ｓｅｃ）、ノズル温度が２１０（℃）、型温可動が５０（℃）、型温固定が４０（℃）である。

なお、各項目の設定値を決定する処理では、複数のデータセット全体における各設定値がなるべく万遍なく分布するようにするとよい。

（ステップＳ３０２）
制御装置１は、ステップＳ３０１で決定した成形条件に含まれる各設定値を製造装置２に送信する。そして、製造装置２は、制御装置１から各設定値を取得し、自装置のパラメータとして当該設定値を設定して、データセット毎に射出成形処理を行う。

（ステップＳ３０３：データ取得工程）
制御装置１は、各データセットを用いた射出成形処理時の外乱条件、および、半外乱条件、成形後の品質結果の実測値を取得し、対応するデータセットに含める。ここで、図４に示す例では、外乱条件には、気温及び湿度が含まれ、半外乱条件には、型温可動、型温固定が含まれる。また、成形後の品質結果の実測値には、左寸法及び右寸法が含まれる。また、外乱条件、および、半外乱条件は、１日における時間の経過、季節の変化および環境の異なる地域毎に応じて変化し得るパラメータである。

図４に示す例では、データセットＮｏ１の成形条件のみを用いた射出成形処理時の外乱条件の実測条件として、気温２２．８（℃）、湿度３１．６（％）であり、半外乱条件の実測値として、型温可動４５．６（℃）、型温固定４６．８（℃）であり、これらの値が、データセットＮｏ１に含められる。更に、成形後の品質結果の実測値として、左寸法１０．０９８（ｍｍ）、及び、右寸法１０．０８２（ｍｍ）がデータセットＮｏ１に含められる。

（ステップＳ３０４）
制御装置１は、成形条件、外乱条件、半外乱条件、および、品質結果を含む各データセットを教師データとしてデータ化する。

（ステップＳ３０５：学習工程）
制御装置１は、ステップＳ３０４にてデータ化された教師データを用いて機械学習を行う。詳細には、制御装置１において、データ取得部１５は、教師データを取得する。学習部１６は、教師データを用いて、製品品質予測モデルＭＡを学習させる。
なお、回帰的アルゴリズムを使用する製品品質予測モデルＭＡは、２個以上あってもよい。一例として、６個の回帰的アルゴリズムを使用する場合、制御装置１は、製品品質予測モデルＭＡ、ＭＢ、ＭＣ、ＭＤ、ＭＥ、および、ＭＦを備える構成であり、製品品質予測モデルＭＡ、ＭＢ、ＭＣ、ＭＤ、ＭＥ、および、ＭＦに、それぞれ、例えば、回帰的アルゴリズムであるＭＬＰ、ElasticNet、ＭＲＡ（Multiple Regression Analysis）、ＳＶＲ（Support Vector Regression）−ＲＢＦ（Radial Basis Function）、ＳＶＲ−Ｐｏｌｙ、および、ＳＶＲ−Ｒｉｎｅａｒが割り当てられる。

製品品質予測モデルＭＡは、学習結果を示す学習結果情報を出力する。上述のように回帰的アルゴリズムを用いる場合、学習結果情報には、各パラメータ間の関係式である回帰曲線を特定するための係数情報が含まれる。

図５に示す例では、２個の製品品質予測モデルＭＡ、ＭＢがあると仮定する。外乱条件と、品質結果とを２次元座標にプロットした場合、製品品質予測モデルＭＡに関しては、関係式が直線のグラフで特定され、製品品質予測モデルＭＢに関しては、関係式が曲線のグラフで特定される。

（ステップＳ３０６）
制御装置１は、品質項目ごとに、相関度が大きい製品品質予測モデルを選択する。相関関係の評価には、例えば、二乗誤差が使用される。例えば、図５に示す例では、製品品質予測モデルＭＢの方が、製品品質予測モデルＭＡよりも相関度が大きいと言える。

（制御装置１の更新処理）
制御装置１は、上述のようにして学習された製品品質予測モデルＭＡを用いて製品を製造する場合であって、以下のような場合に追加学習を行い製品品質予測モデルＭＡの更新処理を行う。
・外乱条件が製品品質予測モデルＭＡの学習範囲外の場合であって、新規の外乱条件で製品が製造された場合
・外乱条件が製品品質予測モデルＭＡの学習範囲内の場合であって、製造された製品の実測値と予測値とが異なっている場合
図６は、本実施形態に係る制御装置１の更新処理を示すフローチャートである。図７は、本実施形態に係る成形条件の例を示す図である。以下、図６、７を参照しながら、制御装置１の成形条件探索処理について説明する。

（ステップＳ６０１：取得工程）
制御装置１において、取得部１１は、外乱条件、半外乱条件、および、品質目標値を取得し、成形条件算出部１２に出力する。成形条件算出部１２は、取得部１１から、外乱条件、半外乱条件、および、品質目標値を取得する。品質目標値は、品質スコアの目標値である。

（ステップＳ６０２：探索工程（導出工程））
ステップＳ６０２において、成形条件算出部１２は、成形条件算出部１２が取得した外乱条件、半外乱条件、および、品質目標値の各値を参照して、成形条件を探索する。詳細には、成形条件算出部１２は、ＡＩ（Artificial Intelligence）モデルのハイパーパラメータを決定する局所的最適化アルゴリズム（Ｌ-ＢＦＧＳ（Broyden Fletcher Goldfarb Shanno）-Ｂ、ＴＮＣ（Truncated Newton CG）、ＣＯＢＹＬＡ（Constrained Optimization BY Linear Approximation）、ＳＬＳＱＰ（Sequential Least SQuares Programming optimization algorithm）等）を用いて、最適な成形条件を導出する。

例えば、ＣＯＢＹＬＡを用いた場合、最初に、成形条件算出部１２は、大まかな探索として、グリッドサーチにより最適解付近まで成形条件を探索する。その後、成形条件算出部１２は、細密な探索として、勾配法等の手法を用いて最適解になるまで成形条件を探索する。

すなわち、成形条件算出部１２は、製品品質予測モデルＭＡの出力値を用いて、グリッドサーチおよび局所勾配法を繰り返し実行し、取得部１１が取得した外乱条件および半外乱条件（非入力対象変数）に応じた成形条件（入力対象変数）を導出する。特に、成形条件算出部１２は、射出成形によって成形対象物（製造対象物）を成形する（製造する）製造装置２を制御するための成形条件を導出する。

一例として、図６に示すように、ステップＳ６０２は、Ｓ６０２１〜Ｓ６０２５のサブステップを含む。なお、以下の説明では、サブステップＳ６０２１〜Ｓ６０２４においてグリッドサーチを行い、サブステップＳ６０２５において勾配法を用いる例を挙げるが、これは本実施形態を限定するものではない。

（サブステップＳ６０２１）
サブステップＳ６０２１において、成形条件算出部１２は、ある成形条件を設定し、当該ある成形条件とステップＳ６０１で取得した外乱条件および半外乱条件とを、製品品質予測モデルＭＡに入力する。この場合、製品品質予測モデルＭＡには、成形条件算出部１２から成形条件、外乱条件および半外乱条件が入力され、品質スコア算出部１４に品質予測結果を出力する。

（サブステップＳ６０２２）
サブステップＳ６０２２において、品質スコア算出部１４は、製品品質予測モデルＭＡから、サブステップＳ６０２２において設定した成形条件に対応する品質予測結果を取得する。

（サブステップＳ６０２３）
サブステップＳ６０２３において、品質スコア算出部１４は、ステップＳ６０２２で取得した品質予測結果から品質スコアを算出し、品質予測結果および当該品質スコアを成形条件算出部１２に出力する。品質スコアは、例えば、外観品質と、寸法データとを合わせたものである。品質スコアの詳細は、後述する。外観品質は、成形対象物を目視した場合の品質である。寸法データは、成形対象物の長さ、幅、高さ等のデータである。

（サブステップＳ６０２４）
サブステップＳ６０２４において、成形条件算出部１２は、探索を続けるか否かを判定する。成形条件算出部１２が探索を続けると判定した場合（サブステップＳ６０２４にてＹＥＳ）、サブステップＳ６０２１に戻り、前回設定した成形条件とは異なる値の成形条件を設定し、サブステップＳ６０２１における以降の処理を続ける。成形条件算出部１２が探索を続けないと判定した場合（サブステップＳ６０２４にてＮＯ）、サブステップＳ６０２５に進む。

一例として、成形条件算出部１２は、探索回数が予め設定された回数より少ないか、又は、今までの探索における品質スコアが品質目標値よりも大きい場合に、探索を続けると判定する。

（サブステップＳ６０２５）
サブステップＳ６０２５では、成形条件算出部１２は、サブステップＳ６０２１〜Ｓ６０２４を用いた探索によって得られた品質スコアを参照して、最小の品質スコアに対応する成形条件を特定する。

一例として、サブステップＳ６０２１〜Ｓ６０２４を用いてグリッドサーチを用いた探索を行った場合、本ステップにおいて、当該グリッドサーチによって得られた情報を参照して、勾配法によってより詳細な探索を行うことにより、最小の品質スコアに対応する成形条件を特定する構成とすることができる。

（ステップＳ６０３：表示工程）
成形条件算出部１２は、ステップＳ６０２において特定された成形条件を成形条件表示部１３に出力する。成形条件表示部１３は、成形条件算出部１２から成形条件を取得し、当該成形条件を表示するための表示用データを生成し、当該表示用データを表示装置に表示させる。例えば、図７に示すような成形条件を、表示装置が表示する。

なお、制御装置１は、成形条件を表示装置に表示させると共に、成形条件を製造装置２に送信する。また、製造装置１は、成形条件を表示装置に表示させることなく、成形条件を製造装置２に送信してもよい。

（ステップＳ６０４）
成形条件算出部１２は、ステップＳ６０２において特定された成形条件を製造装置２に出力する。製造装置２は、成形条件算出部１２から成形条件を取得し、当該成形条件に基づき製品を成形する。

（ステップＳ６０５）
成形された製品は、測定装置３において、製品の品質が測定される。測定される製品の品質は、例えば、外観品質および寸法データである。測定装置３は、製品の品質結果（測定結果）をデータ取得部１５に出力する。

（ステップＳ６０６）
データ取得部１５は、教師データとして、取得部１１から外乱条件および半外乱条件を取得し、成形条件算出部１２から成形条件を取得し、測定装置３から成形した製品の品質結果を取得する。また、データ取得部１５は、成形条件算出部１２から成形条件に応じた品質予測結果を取得する。更新部１６は、データ取得部１５から教師データおよび品質予測結果を取得する。更新部１６は、教師データに含まれる外乱条件が、学習済みか否かを判定する。外乱条件が、製品品質予測モデルＭＡにおいて学習された条件である場合（ステップＳ６０６にてＹＥＳ）、ステップＳ６０８に進み、外乱条件が、製品品質予測モデルＭＡにおいて学習されていない条件である場合（ステップＳ６０６にてＮＯ）、ステップＳ６０７に進む。

（ステップＳ６０７：更新工程）
更新部１６は、取得した教師データを用いて、製品品質予測モデルＭＡを追加学習させ、製品品質予測モデルＭＡを更新する。詳細には、更新部１６は、教師データが製品品質予測モデルＭＡにおいて学習されたことがない条件である場合、新規条件として製品品質予測モデルＭＡに追加学習させる。また、更新部１６は、教師データが製品品質予測モデルＭＡにおいて学習されたことがある条件であって、品質結果と品質予測結果が異なる場合、既に学習された条件（古い学習データ）を削除または既に学習された条件の重みを低く設定し、教師データを新規条件として追加学習させる。

（ステップＳ６０８）
更新部１６は、製品の品質結果と品質予測結果とを比較し、これらのデータが異なっているか否かを判定する。製品の品質結果と品質予測結果が異なっている場合（ステップＳ６０８にてＹＥＳ）、ステップＳ６０７に進み、製品の品質結果と品質予測結果が同じである場合（ステップＳ６０８にてＮＯ）、更新処理を終了させる。

なお、制御装置１における製品品質予測モデルＭＡの更新は、製品を生産する過程で更新する構成であってもよい。製品を生産する過程で更新する場合において、制御装置１は、例えば、以下のように動作する。
（１）外乱条件が製品品質予測モデルＭＡの学習範囲内である場合であって、製品の品質結果が合格であると判定され、かつ、製品の品質結果と品質予測結果が同じである場合、生産を継続する
（２）外乱条件が製品品質予測モデルＭＡの学習範囲内である場合であって、製品の品質結果が不合格であると判定された場合、生産を中止する
（３）外乱条件が製品品質予測モデルＭＡの学習範囲内である場合であって、製品の品質結果が合格であると判定され、かつ、製品の品質結果と品質予測結果が異なる場合、生産を中止する
（４）外乱条件が製品品質予測モデルＭＡの学習範囲外である場合であって、製品の品質予測結果が合格品質であると算出された場合、生産を開始する
（５）外乱条件が製品品質予測モデルＭＡの学習範囲外である場合であって、製品の品質予測結果が不合格品質であると算出された場合、生産を中止する

制御装置１は、上述の（１）の場合、更新部１６による製品品質予測モデルＭＡの更新は行わない。

制御装置１は、上述の（２）の場合、製品品質予測モデルＭＡではなく、製造ラインの設備、型、および材料等に異常があると判定する。

制御装置１は、上述の（３）の場合、一例として、生産を中止した後に、更新部１６によって、既に学習された条件を削除または既に学習された条件の重みを低く設定し、測定された品質結果を新規条件として製品品質予測モデルＭＡを更新させる。制御装置１は、更新させた製品品質予測モデルＭＡに基づき算出した成形条件で生産を再開する。

制御装置１は、上述の（４）の場合であって、製品の品質結果が不合格である場合、生産を中止すると共に、更新部１６によって、製品を製造した際の教師データを新規条件として追加学習させ、製品品質予測モデルＭＡを更新する。制御装置１は、更新させた製品品質予測モデルＭＡに基づき算出した成形条件で生産を再開する。

制御装置１は、上述の（４）の場合であって、製品の品質結果が合格である場合、品質結果と品質予測結果の差を検証すると共に、更新部１６によって、測定された品質結果を新規条件として製品品質予測モデルＭＡを更新させる。ここで、製品の品質結果と品質予測結果が同じである場合、制御装置１は、生産を継続させると共に、更新部１６に製品品質予測モデルＭＡを更新させる。製品の品質結果と品質予測結果が異なる場合、制御装置１は、一例として、生産を中止させたうえで、更新部１６に製品品質予測モデルＭＡを更新させる。

制御装置１は、上述の（５）の場合、新規条件を取得して製品品質予測モデルＭＡを追加学習させる。

＜品質スコアの算出方法＞
以下では、品質スコア算出部１４における、製品品質予測モデルＭＡの品質スコアの算出方法について、図８〜１３を参照して説明する。

図８は、製品品質予測モデルＭＡによる外観品質の予測値の合否判定の判定基準の一例を示す図である。図８に示す判定基準は、制御装置１が備える記憶部（図示せず）に格納された判定基準であって、品質スコア算出部１４が外観品質の予測値の合否を判定するために参照する判定基準の一例を示す図である。図８に示すように、外観品質は所定の品質定量値によって定義されている。品質スコア算出部１４は、外観品質の品質定量値が５より小さい場合に製品品質予測モデルＭＡの外観品質が合格であると判定し、外観品質の品質定量値が５より大きい場合に製品品質予測モデルＭＡの外観品質が不合格であると判定する。

図９は、外観品質の品質定量値と評価関数との対応関係を示すグラフである。図９に示すグラフは、制御装置１が備える記憶部に格納された外観品質の品質定量値と評価関数との対応関係を明示的に示したグラフであって、品質スコア算出部１４が外観品質の評価関数を算出するために参照する判定基準の一例を示すグラフである。図９に示すように、評価関数は外観品質の合格範囲において、品質定量値と評価関数とが正の傾きを有する比例的な相関を有するように設定されている。また、図９に示すように、外観品質の合格範囲と不合格範囲との境界において、評価関数に例えば＋１００のオフセットを加算することによって、不合格範囲における評価関数が非常に大きな値を有するように設定されている。また、品質スコア算出部１４は、評価関数は外観品質の不合格範囲において、品質定量値と評価関数とは正の傾きを有する一次関数的な相関を有するように設定されている。

品質スコア算出部１４は、図９に示したグラフを参照することによって、製品品質予測モデルＭＡに含まれる外観品質の予測値より、外観品質の評価関数を算出する。ここで、品質スコア算出部１４は、上述のように、不合格範囲における評価関数が合格範囲における評価関数より著しく大きくなるように設定することによって、成形条件算出部１２において品質定量値が不合格となった製品品質予測モデルＭＡの成形条件が算出されることを防止することができる。

図１０は、製品品質予測モデルＭＡによる寸法データの予測値の合否判定の判定基準の一例を示す図である。図１０に示す判定基準は、制御装置１が備える記憶部に格納された判定基準であって、品質スコア算出部１４が寸法データの予測値の合否を判定するために参照する判定基準の一例を示す図である。図１０に示すように、一例として、品質スコア算出部１４は寸法データが９ｍｍ以上１３ｍｍ以下である場合に製品品質予測モデルＭＡの寸法データが合格であると判定し、寸法データが９ｍｍより小さいまたは１３ｍｍより大きい場合に製品品質予測モデルＭＡの寸法データが不合格であると判定する。

図１１は、製品品質予測モデルＭＡによる寸法データと評価関数との対応関係を示すグラフである。図１１に示すように、評価関数は寸法データの合格範囲において、１１ｍｍにおける評価関数を最小値とし、寸法データが１１ｍｍを中心値とし当該中心値から離れるにつれ、評価関数が大きくなるように設定されている。詳細には、寸法データが１１ｍｍ以上１３ｍｍ以下の範囲において、品質定量値と評価関数とが正の傾きを有する比例的な相関を有するように設定されている。また、寸法データが９ｍｍ以上１１ｍｍ以下の範囲において、品質定量値と評価関数とが負の傾きを有する比例的な相関を有するように設定されている。

また、図１１に示すように、寸法データの合格範囲と不合格範囲の境界において、評価関数に例えば＋１００のオフセットを加算することによって、不合格範囲における評価関数が非常に大きな値を有するように設定されている。

また、図１１に示すように、寸法データの不合格範囲において、中心値から離れるにつれ、評価関数が大きくなるように設定されている。詳細には、寸法データが１３ｍｍより大きい範囲において、品質定量値と評価関数とが正の傾きを有する比例的な相関を有するように設定されている。また、寸法データが９ｍｍより小さい範囲において、品質定量値と評価関数とが負の傾きを有する比例的な相関を有するように設定されている。

品質スコア算出部１４は、図１１に示したグラフを参照することによって、製品品質予測モデルＭＡに含まれる寸法データの予測値より、寸法データの評価関数を算出する。ここで、品質スコア算出部１４は、上述のように、不合格範囲における評価関数が合格範囲における評価関数より著しく大きくなるように設定することによって、成形条件算出部１２において寸法データが不合格となった製品品質予測モデルＭＡの成形条件が算出されることを防止することができる。

品質スコア算出部１４は、外観品質の評価関数と寸法データの評価関数の合計値を製品品質予測モデルＭＡの品質スコアとして算出する。なお、本実施形態では、品質スコア算出部１４が外観品質および寸法データを参照して、製品品質予測モデルＭＡの品質スコアを算出する方法について説明したが、本実施形態はこれに限定されず、例えば、品質スコア算出部１４は、外観品質、寸法データ、粗さおよび硬度等の少なくとも何れかの評価関数を算出し、製品品質予測モデルＭＡの品質スコアを算出する構成であってもよい。

〔ソフトウェアによる実現例〕
制御装置１の制御ブロック（特に取得部１１、成形条件算出部１２、成形条件表示部１３、品質スコア算出部１４、データ取得部１５および更新部１６）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。

後者の場合、制御装置１は、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば１つ以上のプロセッサを備えていると共に、上記プログラムを記憶したコンピュータ読み取り可能な記録媒体を備えている。そして、上記コンピュータにおいて、上記プロセッサが上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）を用いることができる。上記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムを展開するＲＡＭ（Random Access Memory）などをさらに備えていてもよい。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本発明の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

１制御装置（情報処理装置）
２製造装置
３測定装置
１１取得部
１２成形条件算出部（導出部）
１３成形条件表示部（表示用データ生成部）
１４品質スコア算出部
１５データ取得部
１６更新部（学習部）

Claims

製造装置を制御するために当該製造装置に入力される入力対象変数を導出する導出部であって、入力対象変数の値が入力され製造対象物の品質に関する品質情報の予測値を出力する予測モデルを用いて、前記品質情報の予測値が所定の条件を満たすように、前記入力対象変数を導出する導出部と、
前記導出部により導出された入力対象変数を用いて製造した製造対象物の実際の品質に関する品質情報の実測値と、前記品質情報の予測値とを参照して、前記予測モデルを更新する更新部と、
を備えていることを特徴とする情報処理装置。
前記予測モデルは、前記入力対象変数以外の変数である非入力対象変数が更に入力される予測モデルであり、
前記非入力対象変数を取得する取得部を更に備え、
前記導出部は、前記取得部が取得した非入力対象変数を参照して、前記入力対象変数を導出する、請求項１に記載の情報処理装置。
前記非入力対象変数には、前記製造対象物の製造時の生産環境に関する値及び前記製造装置の製造条件の実測値の少なくとも何れかが含まれる、請求項２に記載の情報処理装置。
前記入力対象変数には、前記製造装置による製造条件を規定する規定値が含まれる、請求項１〜３の何れか１項に記載の情報処理装置。
前記更新部は、前記実際の品質に関する品質情報の実測値と、前記予測モデルが導出する品質情報の予測値との差異がより小さくなるように、前記予測モデルを更新する、請求項１〜４の何れか１項に記載の情報処理装置。
前記導出部は、前記予測モデルの出力値を用いて、グリッドサーチ、及び局所勾配法を繰り返し実行することにより前記入力対象変数を導出する、請求項１〜５の何れか１項に記載の情報処理装置。
前記導出部は、射出成形によって前記製造対象物を製造する製造装置を制御するための入力対象変数を導出する、請求項１〜６の何れか１項に記載の情報処理装置。
前記入力対象変数及び前記品質情報の予測値の少なくとも何れかを含む表示用データを生成する表示用データ生成部を更に備える、請求項１〜７の何れか１項に記載の情報処理装置。
製造装置を制御するために当該製造装置に入力される入力対象変数を導出する導出工程であって、入力対象変数の値が入力され製造対象物の品質に関する品質情報の予測値を出力する予測モデルを用いて、前記品質情報の予測値が所定の条件を満たすように、前記入力対象変数を導出する導出工程と、
前記導出工程にて導出された入力対象変数を用いて製造した製造対象物の実際の品質に関する品質情報の実測値と、前記品質情報の予測値とを参照して、前記予測モデルを更新する更新工程と、
を備えていることを特徴とする学習方法。
請求項１に記載の情報処理装置としてコンピュータを機能させるための制御プログラムであって、前記導出部及び前記更新部としてコンピュータを機能させるためのプログラム。