JP2021012475A - Apparatus and method for information processing and program - Google Patents
Apparatus and method for information processing and program Download PDFInfo
- Publication number
- JP2021012475A JP2021012475A JP2019125382A JP2019125382A JP2021012475A JP 2021012475 A JP2021012475 A JP 2021012475A JP 2019125382 A JP2019125382 A JP 2019125382A JP 2019125382 A JP2019125382 A JP 2019125382A JP 2021012475 A JP2021012475 A JP 2021012475A
- Authority
- JP
- Japan
- Prior art keywords
- input target
- quality
- target variable
- manufacturing
- input
- 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.)
- Pending
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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- General Factory Administration (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
Description
本発明は、情報処理装置、情報処理方法及びプログラムに関する。 The present invention relates to an information processing device, an information processing method and a program.
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。 As a conventional technique, there is a manufacturing apparatus that manufactures a product under certain molding conditions by using data of molding conditions that are considered to be optimal.
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。 However, the conventional manufacturing apparatus has a problem that the quality of the manufactured product varies and is not stable when the temperature and humidity change.
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。 For example, as shown in FIG. 12, the daily temperature and humidity change. When a product is manufactured under certain molding conditions under such an environment, as shown in FIG. 13, the dimensions of the product change with changes in temperature and humidity.
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。 One aspect of the present invention is intended to stabilize the quality of a product.
上記の課題を解決するために、本発明の一態様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と、前記導出部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取得部と、を備え、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。 In order to solve the above problems, the information processing device according to one aspect of the present invention has a derivation unit for deriving an input target variable input to the manufacturing device in order to control the manufacturing device, and a derivation unit derived by the derivation unit. It includes an acquisition unit for acquiring a non-input target variable which is a variable other than the input target variable to be input, and the derivation unit derives the input target variable with reference to the non-input target variable acquired by the acquisition unit. ..
前記の構成によれば、非入力対象変数を参照して、製造装置に入力される入力対象変数を導出するので、製造装置が製造する製造物の品質を安定させることができる。 According to the above configuration, since the input target variable input to the manufacturing apparatus is derived with reference to the non-input target variable, the quality of the product manufactured by the manufacturing apparatus can be stabilized.
本発明の一態様に係る情報処理装置は、前記非入力対象変数には、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てもよい。 In the information processing apparatus according to one aspect of the present invention, the non-input target variable may include at least one of a value related to the production environment at the time of manufacturing the manufacturing object and an actually measured value of the manufacturing conditions of the manufacturing apparatus. Good.
本発明の一態様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てもよい。 In the information processing apparatus according to one aspect of the present invention, the input target variable may include a specified value that defines the manufacturing conditions by the manufacturing apparatus.
本発明の一態様に係る情報処理装置は、前記導出部が、前記入力対象変数及び前記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予測モデルを参照して、前記入力対象変数を導出してもよい。 The information processing apparatus according to one aspect of the present invention is a prediction model in which the derivation unit inputs at least one of the input target variable and the non-input target variable and outputs a predicted value of quality information regarding the quality of the manufacturing target. The input target variable may be derived with reference to.
前記の構成によれば、品質情報の予測値を出力する予測モデルを参照するので、精度のよい入力対象変数を導出することができる。従って、さらに製造物の品質を安定させることができる。 According to the above configuration, since the prediction model that outputs the predicted value of the quality information is referred to, the input target variable with high accuracy can be derived. Therefore, the quality of the product can be further stabilized.
本発明の一態様に係る情報処理装置は、前記予測モデルが、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学習されたモデルであってもよい。 The information processing apparatus according to one aspect of the present invention is learned by the prediction model so that the difference between the measured value of the quality information related to the actual quality and the predicted value of the quality information derived from the prediction model becomes smaller. It may be a model.
本発明の一態様に係る情報処理装置は、前記入力対象変数と、前記非入力対象変数と、前記品質情報とが互いに関連付けられた教師データを取得するデータ取得部と、前記予測モデルを、前記データ取得部が取得した教師データを用いて学習させる学習部と、をさらに備えていてもよい。 The information processing apparatus according to one aspect of the present invention uses the data acquisition unit for acquiring teacher data in which the input target variable, the non-input target variable, and the quality information are associated with each other, and the prediction model. A learning unit for learning using the teacher data acquired by the data acquisition unit may be further provided.
前記の構成によれば、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を用いて、予測モデルを学習させるので、予測モデルを高精度にすることができる。 According to the above configuration, since the prediction model is trained using the teacher data in which the input target variable, the non-input target variable, and the quality information are associated with each other, the prediction model can be made highly accurate.
本発明の一態様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し、前記取得部が取得した非入力対象変数に応じた入力対象変数を導出してもよい。 In the information processing apparatus according to one aspect of the present invention, the derivation unit repeatedly executes the grid search and the local gradient method using the output value of the prediction model, and responds to the non-input target variable acquired by the acquisition unit. You may derive the input target variable.
前記の構成によれば、大まかな探索としてのグリッドサーチと、細密な探索としての局所勾配法とを繰り返し実行するので、精度のよい入力対象変数を導出することができる。従って、さらに製造物の品質を安定させることができる。 According to the above configuration, since the grid search as a rough search and the local gradient method as a detailed search are repeatedly executed, it is possible to derive an input target variable with high accuracy. Therefore, the quality of the product can be further stabilized.
本発明の一態様に係る情報処理装置は、前記導出部が、射出成形によって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してもよい。 In the information processing apparatus according to one aspect of the present invention, the derivation unit may derive an input target variable for controlling a manufacturing apparatus that manufactures a manufacturing object by injection molding.
前記の構成によれば、射出成形を精度よく行うことができる。 According to the above configuration, injection molding can be performed with high accuracy.
本発明の一態様に係る情報処理装置は、前記導出した入力対象変数を表示するための表示用データを生成する表示用データ生成部をさらに備えていてもよい。 The information processing apparatus according to one aspect of the present invention may further include a display data generation unit that generates display data for displaying the derived input target variable.
前記の構成によれば、入力対象変数を表示するための表示用データを生成するので、精度のよい入力対象変数を表示することができる。 According to the above configuration, since the display data for displaying the input target variable is generated, it is possible to display the input target variable with high accuracy.
本発明の一態様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と、前記入力対象変数以外の変数である非入力対象変数と、製造対象物の品質に関する品質情報とが互いに関連付けられた教師データを取得するデータ取得部と、前記入力対象変数及び前記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予測モデルを、前記データ取得部が取得した教師データを用いて学習させる学習部と、を備えていてもよい。 The information processing device according to one aspect of the present invention includes an input target variable input to the manufacturing device to control the manufacturing device, a non-input target variable which is a variable other than the input target variable, and a manufacturing target. A data acquisition unit that acquires teacher data in which quality information related to quality is associated with each other, and at least one of the input target variable and the non-input target variable is input and a predicted value of quality information related to the quality of the manufacturing object is output. A learning unit for learning the prediction model to be performed using the teacher data acquired by the data acquisition unit may be provided.
前記の構成によれば、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を用いて、予測モデルを学習させるので、予測モデルを高精度にすることができる。 According to the above configuration, since the prediction model is trained using the teacher data in which the input target variable, the non-input target variable, and the quality information are associated with each other, the prediction model can be made highly accurate.
本発明の一態様に係る情報処理方法は、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以外の変数である非入力対象変数を取得する取得工程と、前記入力対象変数を導出する導出工程と、を含み、前記導出工程において、前記取得工程において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してもよい。 The information processing method according to one aspect of the present invention includes an acquisition step of acquiring a non-input target variable which is a variable other than the input target variable input to the manufacturing device in order to control the manufacturing device, and the input target variable. The input target variable may be derived by referring to the non-input target variable acquired in the acquisition step in the derivation step including the derivation step of deriving.
前記の構成によれば、非入力対象変数を参照して、製造装置に入力される入力対象変数を導出するので、製造装置が製造する製造物の品質を安定させることができる。 According to the above configuration, since the input target variable input to the manufacturing apparatus is derived with reference to the non-input target variable, the quality of the product manufactured by the manufacturing apparatus can be stabilized.
本発明の一態様に係る情報処理方法は、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と、前記入力対象変数以外の変数である非入力対象変数と、製造対象物の品質に関する品質情報とが互いに関連付けられた教師データを取得するデータ取得工程と、前記入力対象変数及び前記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予測モデルを、前記データ取得工程において取得した教師データを用いて学習させる学習工程と、を含んでいてもよい。 The information processing method according to one aspect of the present invention includes an input target variable input to the manufacturing device to control the manufacturing device, a non-input target variable which is a variable other than the input target variable, and a manufacturing target. A data acquisition process for acquiring teacher data in which quality information related to quality is associated with each other, and at least one of the input target variable and the non-input target variable is input and a predicted value of quality information related to the quality of the manufacturing object is output. A learning step of training the prediction model to be performed using the teacher data acquired in the data acquisition step may be included.
前記の構成によれば、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を用いて、予測モデルを学習させるので、予測モデルを高精度にすることができる。 According to the above configuration, since the prediction model is trained using the teacher data in which the input target variable, the non-input target variable, and the quality information are associated with each other, the prediction model can be made highly accurate.
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及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。 Further, the information processing device according to each aspect of the present invention may be realized by a computer. In this case, the information processing device is operated by operating the computer as each part (software element) included in the information processing device. A control program realized by a computer and a computer-readable recording medium on which the control program is recorded also fall within the scope of the present invention.
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。 According to one aspect of the present invention, the quality of the product can be stabilized.
以下、本発明の一実施形態について、詳細に説明する。 Hereinafter, one embodiment of the present invention will be described in detail.
(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。
(Overview of production environment)
FIG. 1 is a schematic diagram showing a production environment in which the control device (information processing device) 1 according to the present embodiment is used. The
制御装置1は、製造装置2に関する、実際の成形条件、外乱条件及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。
The
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。
The molding condition is a condition of a production environment in which injection molding is performed by the
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。 Semi-disturbance conditions are factors that affect the quality results of molded products, and are conditions that do not always follow the settings even if they are set, for example, conditions that do not immediately follow even if the settings are changed, and quality prediction. This is a factor for which the measured value should be used. For semi-disturbance conditions, measured values that differ from the set values affect the quality results. For example, semi-disturbance conditions include mold temperature movement, mold temperature fixation, and the like. If there is a factor for which the condition of a certain factor is fixed and the optimum condition is to be calculated, it can be calculated by treating it as a semi-disturbance. In addition, the best quality is the best quality obtained by adjusting the production conditions among the disturbance conditions at that time. Optimal conditions are production conditions that give the best quality.
制御装置1は、現在の外乱条件及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。
The
(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(導出部)14、データ取得部15、学習部16、第1製品品質予測モデル(予測モデル)MA及び第2製品品質モデル(予測モデル)MBを備えている。
(Configuration of control device 1)
FIG. 2 is a block diagram showing the configuration of the
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。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。具体的には、成形条件算出部12は、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。
The
ここで、入力対象変数には、成形条件を示す変数(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、外乱条件を示す変数(製造対象物の製造時の生産環境に関する値)及び半外乱条件を示す変数(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。 Here, the input target variable includes a variable indicating the molding condition (a specified value that defines the manufacturing condition by the manufacturing apparatus 2). The non-input target variable includes at least one of a variable indicating a disturbance condition (a value related to the production environment at the time of manufacturing the manufacturing object) and a variable indicating a semi-disturbing condition (actual measurement value of the manufacturing condition of the manufacturing apparatus 2). ..
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(図示せず)に出力する。当該表示装置は、入力された表示用データを用いて、成形条件算出部12が導出した入力対象変数を表示する。
The molding
第1製品品質予測モデルMA及び第2製品品質予測モデルMB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、成形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、第1製品品質予測モデルMA及び第2製品品質予測モデルMBは、実際の品質に関する品質情報の実測値と、第1製品品質予測モデルMA及び第2製品品質予測モデルMB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。 At least one of the input target variable and the non-input target variable is input to the first product quality prediction model MA and the second product quality prediction model MB, and the predicted value of the quality information regarding the quality of the molded object is output. Specifically, the first product quality prediction model MA and the second product quality prediction model MB are derived from the actually measured values of quality information related to the actual quality and the first product quality prediction model MA and the second product quality prediction model MB. This model is trained so that the difference from the predicted value of quality information becomes smaller.
第1製品品質予測モデルMA及び第2製品品質予測モデルMBは、一例として、互いに異なる回帰的アルゴリズムを用いた学習済みモデルである。例えば、第1製品品質予測モデルMAに用いられるアルゴリズムはMLP(MultiLayer Perceptron)であり、第2製品品質予測モデルMBに用いられるアルゴリズムはElasticNetである。 The first product quality prediction model MA and the second product quality prediction model MB are, for example, trained models using different recursive algorithms. For example, the algorithm used for the first product quality prediction model MA is MLP (MultiLayer Perceptron), and the algorithm used for the second product quality prediction model MB is Elastic Net.
品質スコア算出部14は、第1製品品質予測モデルMA及び第2製品品質予測モデルMBから品質情報の予測値を取得し(予測モデルを参照して)、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。成形条件算出部12は、品質スコア算出部14から品質スコアを取得し、参照して、入力対象変数を導出する。
The quality
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を取得する。学習部16は、第1製品品質予測モデルMA及び第2製品品質予測モデルMBを、データ取得部15が取得した教師データを用いて学習させる。
The
(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、第1製品品質予測モデルMAが出力する回帰直線と第2製品品質予測モデルMBが出力する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。
(Learning process of control device 1)
FIG. 3 is a flowchart showing the learning process of the
(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。
(Step S301)
The
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。図4では、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。
Next, the
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。 As shown in FIG. 4, as an example, in the data set No. 1, each set value of the molding conditions has an injection speed of 30 (mm / sec), a holding pressure of 15 (Mpa), and a holding time of 5 (sec). The cooling time is 20 (sec), the nozzle temperature is 210 (° C.), the mold temperature is movable at 50 (° C.), and the mold temperature is fixed at 40 (° C.).
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。 In the process of determining the set value of each item, it is preferable that each set value in the entire plurality of data sets is distributed as evenly as possible.
(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。
(Step S302)
The
(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及び半外乱条件、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、外乱条件及び半外乱条件は、1日における時間の経過及び季節の変化に応じて変化し得るパラメータである。
(Step S303: Data acquisition process)
The
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値として、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。 In the example shown in FIG. 4, the measured values of the disturbance conditions during the injection molding process using only the molding conditions of the data set No. 1 are a temperature of 22.8 (° C.) and a humidity of 31.6 (%), which are semi-disturbance conditions. As the actually measured values of, the mold temperature is movable 45.6 (° C.) and the mold temperature is fixed 46.8 (° C.), and these values are included in the data set No1. Further, as actual measurement values of the quality result after molding, the left dimension 10.098 (mm) and the right dimension 10.082 (mm) are included in the data set No1.
(ステップS304)
制御装置1は、成形条件、外乱条件、半外乱条件、及び、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。
(Step S304)
The
(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、第1製品品質予測モデルMA及び第2製品品質予測モデルMBを学習させる。
(Step S305: Learning process)
The
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は、3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、6個の製品品質予測モデルのそれぞれに、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、及び、SVR−Rinearが割り当てられる。 There may be three or more product quality prediction models that use the recursive algorithm. As an example, when six regression algorithms are used, for each of the six product quality prediction models, for example, the regression algorithms MLP, ElasticNet, MRA (Multiple Regression Analysis), SVR (Support Vector Regression)- RBF (Radial Basis Function), SVR-Poly, and SVR-Rinear are assigned.
各製品品質予測モデルは、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。 Each product quality prediction model outputs learning result information indicating the learning result. When the regression algorithm is used as described above, the learning result information includes coefficient information for specifying a regression curve which is a relational expression between each parameter.
図5に示す例では、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、第1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、第2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。 In the example shown in FIG. 5, when the disturbance condition and the quality result are plotted in two-dimensional coordinates, the relational expression is specified by a straight line graph for the first product quality prediction model MA, and the second product quality prediction model MB The relational expression is specified by the graph of the curve.
(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、第2製品品質予測モデルMBの方が、第1製品品質予測モデルMAよりも相関度が大きいと言える。
(Step S306)
The
(制御装置1の成形条件探索処理)
制御装置1は、上述のようにして学習された第1製品品質予測モデルMA及び第2製品品質予測モデルMBを用いて、成形条件探索処理を行う。
(Molding condition search process of control device 1)
The
図6は、制御装置1の成形条件探索処理を示すフローチャートである。図7は、成形条件の一例を示す図である。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。
FIG. 6 is a flowchart showing a molding condition search process of the
(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、及び、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、半外乱条件及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。
(Step S601: Acquisition step)
In the
(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、半外乱条件及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。
(Step S602: Search step (derivation step))
In step S602, the molding
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。
For example, when COBYLA is used, first, the molding
すなわち、成形条件算出部12は、第1製品品質予測モデルMA及び第2製品品質予測モデルMBの各出力値を用いて、グリッドサーチ及び局所勾配法を繰り返し実行し、取得部11が取得した外乱条件及び半外乱条件(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。
That is, the molding
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。 As an example, as shown in FIG. 6, step S602 includes substeps of S6021 to S6025. In the following description, an example in which the grid search is performed in substeps S6021 to S6024 and the gradient method is used in substep S6025 is given, but this is not limited to this embodiment.
(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及び半外乱条件とを、第1製品品質予測モデルMA及び第2製品品質予測モデルMBに入力する。この場合、第1製品品質予測モデルMA及び第2製品品質予測モデルMBには、成形条件算出部12から成形条件、外乱条件及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。
(Substep S6021)
In sub-step S6021, the molding
(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、第1製品品質予測モデルMA及び第2製品品質予測モデルMBのそれぞれから、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。
(Substep S6022)
In sub-step S6022, the quality
(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、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。
(Substep S6023)
In sub-step S6023, the quality
(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。
(Substep S6024)
In sub-step S6024, the molding
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。
As an example, the molding
(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。
(Substep S6025)
In the sub-step S6025, the molding
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。 As an example, when a search using a grid search is performed using substeps S6021 to S6024, in this step, a more detailed search is performed by the gradient method with reference to the information obtained by the grid search. , It can be configured to specify the molding conditions corresponding to the minimum quality score.
(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。
(Step S603: Display process)
The molding
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、制御装置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。
The
<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、第1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8〜11を参照して説明する。なお、本算出方法は、第2製品品質予測モデルMBに関しても適用可能である。
<Calculation method of quality score>
Hereinafter, the method of calculating the quality score of the first product quality prediction model MA in the quality
図8は、第1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より小さい場合に第1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より大きい場合に第1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。
FIG. 8 is a diagram showing an example of a determination criterion for pass / fail determination of the predicted value of the appearance quality by the first product quality prediction model MA. The determination standard shown in FIG. 8 is a determination standard stored in a storage unit (not shown) included in the
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。
FIG. 9 is a graph showing the correspondence between the quality quantitative value of the appearance quality and the evaluation function. The graph shown in FIG. 9 is a graph that explicitly shows the correspondence between the quality quantitative value of the appearance quality stored in the storage unit included in the
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、第1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第1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。
The quality
図10は、第1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以下である場合に第1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より大きい場合に第1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。
FIG. 10 is a diagram showing an example of a determination criterion for pass / fail determination of the predicted value of the dimensional data by the first product quality prediction model MA. The judgment standard shown in FIG. 10 is a judgment standard stored in a storage unit included in the
図11は、第1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。 FIG. 11 is a graph showing the correspondence between the dimensional data by the first product quality prediction model MA and the evaluation function. As shown in FIG. 11, the evaluation function is set so that the evaluation function at 11 mm is the minimum value and the dimensional data is centered at 11 mm and the evaluation function becomes larger as the distance from the center value increases in the pass range of the dimensional data. ing. Specifically, in the range where the dimensional data is 11 mm or more and 13 mm or less, the quality quantitative value and the evaluation function are set to have a proportional correlation with a positive slope. Further, in the range where the dimensional data is 9 mm or more and 11 mm or less, the quality quantitative value and the evaluation function are set to have a proportional correlation with a negative slope.
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。 Further, as shown in FIG. 11, at the boundary between the pass range and the fail range of the dimensional data, for example, by adding an offset of +100 to the evaluation function, the evaluation function in the fail range has a very large value. It is set.
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。 Further, as shown in FIG. 11, the evaluation function is set to increase as the distance from the center value increases in the reject range of the dimensional data. Specifically, in the range where the dimensional data is larger than 13 mm, the quality quantitative value and the evaluation function are set to have a proportional correlation with a positive slope. Further, in the range where the dimensional data is smaller than 9 mm, the quality quantitative value and the evaluation function are set to have a proportional correlation with a negative slope.
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、第1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第1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。
The quality
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第1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が外観品質及び寸法データを参照して、第1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、粗さ及び硬度等の少なくとも何れかの評価関数を算出し、第1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。
The quality
〔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及び学習部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。
[Example of realization by software]
The control block of the control device 1 (particularly, the
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。
In the latter case, the
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。 The present invention is not limited to the above-described embodiments, and various modifications can be made within the scope of the claims, and the embodiments obtained by appropriately combining the technical means disclosed in the different embodiments. Is also included in the technical scope of the present invention.
1 制御装置
2 製造装置
11 取得部
12 成形条件算出部(導出部)
13 成形条件表示部
14 品質スコア算出部(導出部)
15 データ取得部
16 学習部
MA 第1製品品質予測モデル
MB 第2製品品質予測モデル
1
13 Molding
15
Claims (14)
前記導出部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取得部と、
を備え、
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
ことを特徴とする情報処理装置。 A derivation unit that derives input target variables to be input to the manufacturing equipment to control the manufacturing equipment,
An acquisition unit that acquires a non-input target variable that is a variable other than the input target variable derived by the derivation unit,
With
The information processing device is characterized in that the derivation unit derives the input target variable with reference to the non-input target variable acquired by the acquisition unit.
前記予測モデルを、前記データ取得部が取得した教師データを用いて学習させる学習部と、
をさらに備えている、請求項4又は5に記載の情報処理装置。 A data acquisition unit that acquires teacher data in which the input target variable, the non-input target variable, and the quality information are associated with each other.
A learning unit that trains the prediction model using the teacher data acquired by the data acquisition unit, and
The information processing apparatus according to claim 4 or 5, further comprising.
前記入力対象変数及び前記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予測モデルを、前記データ取得部が取得した教師データを用いて学習させる学習部と、
を備えていることを特徴とする情報処理装置。 Teacher data in which input target variables input to the manufacturing device to control the manufacturing device, non-input target variables that are variables other than the input target variables, and quality information regarding the quality of the manufacturing device are associated with each other. Data acquisition unit to acquire
Learning to learn a prediction model in which at least one of the input target variable and the non-input target variable is input and outputs a predicted value of quality information regarding the quality of the manufacturing object using the teacher data acquired by the data acquisition unit. Department and
An information processing device characterized by being equipped with.
前記入力対象変数を導出する導出工程と、
を含み、
前記導出工程において、前記取得工程において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
ことを特徴とする情報処理方法。 An acquisition process for acquiring a non-input target variable, which is a variable other than the input target variable input to the manufacturing device in order to control the manufacturing device,
The derivation process for deriving the input target variable and
Including
An information processing method characterized in that, in the derivation step, the input target variable is derived with reference to the non-input target variable acquired in the acquisition step.
前記入力対象変数及び前記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予測モデルを、前記データ取得工程において取得した教師データを用いて学習させる学習工程と、
を含んでいることを特徴とする情報処理方法。 Teacher data in which input target variables input to the manufacturing device to control the manufacturing device, non-input target variables that are variables other than the input target variables, and quality information regarding the quality of the manufacturing device are associated with each other. Data acquisition process to acquire
Learning to learn a prediction model in which at least one of the input target variable and the non-input target variable is input and outputs a predicted value of quality information regarding the quality of the manufacturing object using the teacher data acquired in the data acquisition process. Process and
An information processing method characterized by containing.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019125382A JP2021012475A (en) | 2019-07-04 | 2019-07-04 | Apparatus and method for information processing and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019125382A JP2021012475A (en) | 2019-07-04 | 2019-07-04 | Apparatus and method for information processing and program |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021012475A true JP2021012475A (en) | 2021-02-04 |
Family
ID=74226628
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019125382A Pending JP2021012475A (en) | 2019-07-04 | 2019-07-04 | Apparatus and method for information processing and program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021012475A (en) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115479210A (en) * | 2021-06-14 | 2022-12-16 | 丰田自动车株式会社 | Deformation analysis device for pressure vessel and method for manufacturing pressure vessel |
WO2023007945A1 (en) * | 2021-07-27 | 2023-02-02 | 株式会社日本製鋼所 | Data set creation method, trained model generation method, computer program, and data set creation device |
WO2023090080A1 (en) * | 2021-11-18 | 2023-05-25 | 富士フイルム株式会社 | Manufacturing condition setting assistance device, method for operating manufacturing condition setting assistance device, and program for operating manufacturing condition setting assistance device |
-
2019
- 2019-07-04 JP JP2019125382A patent/JP2021012475A/en active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115479210A (en) * | 2021-06-14 | 2022-12-16 | 丰田自动车株式会社 | Deformation analysis device for pressure vessel and method for manufacturing pressure vessel |
CN115479210B (en) * | 2021-06-14 | 2024-04-05 | 丰田自动车株式会社 | Deformation analysis device for pressure vessel and method for manufacturing pressure vessel |
WO2023007945A1 (en) * | 2021-07-27 | 2023-02-02 | 株式会社日本製鋼所 | Data set creation method, trained model generation method, computer program, and data set creation device |
WO2023090080A1 (en) * | 2021-11-18 | 2023-05-25 | 富士フイルム株式会社 | Manufacturing condition setting assistance device, method for operating manufacturing condition setting assistance device, and program for operating manufacturing condition setting assistance device |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021012475A (en) | Apparatus and method for information processing and program | |
US11403535B2 (en) | Model-based machine learning system | |
JP5795645B2 (en) | Control of discrete manufacturing process using multivariate model | |
TWI673228B (en) | Unsteady detection device, unsteady detection system, and unsteady detection method | |
TW200949596A (en) | Server and system and method for automatic virtual metrology | |
JP7274330B2 (en) | Manufacturing system, information processing method, and manufacturing method | |
JPH06510495A (en) | How to control machines for manufacturing products, especially injection molding machines | |
US11681261B2 (en) | Control system, control method, learning device, control device, learning method for controlling an operation of a subject device on basis of a detemined command value | |
JP6876302B2 (en) | Information processing equipment, information processing methods, and programs | |
US11119456B2 (en) | Production system, information processing method, and production method | |
CN111428329B (en) | Model-based machine learning system | |
CN115167582B (en) | Rose drying treatment monitoring method and equipment based on digital twinning | |
JP2021011046A (en) | Information processor, learning method, and program | |
CN114986833B (en) | Dynamically regulated injection molding method, system, device and medium | |
TW202206255A (en) | Apparatus, method, and program | |
JP2020154849A (en) | Controller, system, method, and program | |
US20240013096A1 (en) | Dual-model machine learning for process control and rules controller for manufacturing equipment | |
US20240281569A1 (en) | Process variability simulator for manufacturing processes | |
CN116724276B (en) | Storage medium readable by computer system, operation improvement support device, and operation improvement support method | |
JP2019184575A (en) | Measurement operation parameter adjustment device, machine learning device, and system | |
US20240085863A1 (en) | Threshold determination for predictive process control of factory processes, equipment and automated systems | |
US11823075B2 (en) | Machine learning device, prediction device, and control device | |
US20230297827A1 (en) | Learning method and learning apparatus for performing virtual-actual correction by machine learning-assisted simulation of pressure numerical value | |
US20220382228A1 (en) | Prediction apparatus, prediction method, recording medium with prediction program recorded thereon, and control apparatus | |
US20220284346A1 (en) | Learning apparatus, evaluation apparatus, evaluation system, learning method, evaluation method, and non-transitory computer readable medium |