JP2021039612A - 情報処理装置、情報処理方法、および情報処理プログラム - Google Patents

Abstract

【課題】予測モデルに対する入力データの妥当性判断を可能にする。
【解決手段】情報処理装置（１）は、特性予測モデル（１１２）を用いて推論した製品の特性値と、該特性値の実測値との差を予測誤差として特定する予測誤差特定部（１０２１）と、製品の製造条件と予測誤差との関係をモデル化して誤差予測モデル（１１３）を生成する誤差予測モデル生成部（１０２３）と、を備えている。
【選択図】図１

Description

本発明は、製品の製造条件と該製造条件で製造された当該製品の特性値との関係をモデル化した予測モデルに対する入力データに関する処理を行う情報処理装置等に関する。

従来から、予測モデルを用いた予測について、様々な技術分野で研究が進められている。例えば、下記の特許文献１には、鋼材の最適な製造条件を決定する際に、品質設計者の意思決定を容易にするための技術が開示されている。この技術においては、過去の製造実績に基づいて、ある製造条件で製造した場合の製品材質を推定している。この推定は、予測モデルを用いた予測の一種であるといえる。

特開２００２−２４１８４６号公報（２００２年８月２８日公開）

上記特許文献１の技術を含め、予測モデルを用いた予測においては、予測モデルに入力する入力データに誤謬がある場合や、予測モデルに適合しない入力データを入力した場合等に、予測精度が低下してしまうという問題があった。このような問題を解決するためには、予測モデルに入力する入力データの妥当性を判断する必要がある。

本発明の一態様は、上記の問題点に鑑みてなされたものであり、その目的は、予測モデルに入力する入力データの妥当性を判断することを可能にする情報処理装置等を提供することにある。

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、製品の製造条件と該製造条件で製造された当該製品の特性値との関係をモデル化した特性予測モデルを用いて算出した上記特性値と、上記製造条件で実際に製造された上記製品の特性値との差を、上記特性予測モデルの予測誤差として特定する予測誤差特定部と、上記製品の製造条件と上記予測誤差との関係をモデル化して、上記製品の製造条件から予測誤差を予測するための誤差予測モデルを生成する誤差予測モデル生成部と、を備えている。

また、本発明の一態様に係る他の情報処理装置は、上記の課題を解決するために、製品の製造条件と該製造条件で製造された当該製品の特性値との関係をモデル化した特性予測モデルを用いて算出した上記特性値と上記製造条件で実際に製造された上記製品の特性値との差である予測誤差と、上記製造条件との関係をモデル化した誤差予測モデルを用いて、上記特性予測モデルにある製造条件を入力する場合の予測誤差を算出する誤差予測部と、上記誤差予測部が算出した予測誤差の値に基づき、上記ある製造条件が上記特性予測モデルに対する入力データとして妥当であるか否かを判定する適合判定部と、を備えている。

また、本発明の一態様に係る情報処理方法は、上記の課題を解決するために、情報処理装置が実行する情報処理方法であって、製品の製造条件と該製造条件で製造された当該製品の特性値との関係をモデル化した特性予測モデルを用いて算出した上記特性値と、上記製造条件で実際に製造された上記製品の特性値との差を、上記特性予測モデルの予測誤差として特定する予測誤差特定ステップと、上記製品の製造条件と上記予測誤差との関係をモデル化して、上記製品の製造条件から予測誤差を予測するための誤差予測モデルを生成するモデル生成ステップと、を含む。

また、本発明の一態様に係る他の情報処理方法は、上記の課題を解決するために、情報処理装置が実行する情報処理方法であって、製品の製造条件と該製造条件で製造された当該製品の特性値との関係をモデル化した特性予測モデルを用いて算出した上記特性値と上記製造条件で実際に製造された上記製品の特性値との差である予測誤差と、上記製造条件との関係をモデル化した誤差予測モデルを用いて、上記特性予測モデルにある製造条件を入力する場合の予測誤差を算出する誤差予測ステップと、上記誤差予測ステップで算出した予測誤差の値に基づき、上記ある製造条件が上記特性予測モデルに対する入力データとして妥当であるか否かを判定する判定ステップと、を含む。

本発明の一態様によれば、予測モデルに入力する入力データの妥当性を判断することが可能になるという効果を奏する。

本発明の実施形態１に係る情報処理装置の要部構成の一例を示すブロック図である。 誤差予測モデルで予測した予測誤差と、実測値に基づいて算出した予測誤差との相関関係を示す図である。 誤差予測モデルで予測した耐力の予測誤差と、誤差予測モデルで予測した引張強さの予測誤差との相関関係を示す図である。 予測誤差に基づいて複数の入力データをスクリーニングした結果を示す図である。 上記スクリーニングの結果を実測値ベースの予測誤差と比較した結果を示す図である。 スクリーニングが特性予測モデルの予測精度に与える影響を示す実験結果を示す図である。 誤差予測モデルを生成する情報処理方法の一例を示すフローチャートである。 製造条件のスクリーニングを行った上で製品特性の予測値を算出する情報処理方法の一例を示すフローチャートである。 本発明の実施形態２に係る製造システムの構成例を示すブロック図である。

〔実施形態１〕
〔概要〕
本発明の一実施形態に係る情報処理装置１の概要を説明する。詳細は図１等に基づいて以下説明するが、情報処理装置１は、特性予測モデル１１２を用いて予測した製品の特性値と、該特性値の実測値との差を予測誤差として特定する予測誤差特定部１０２１を備えている。また、情報処理装置１は、製品の製造条件と予測誤差との関係をモデル化して誤差予測モデル１１３を生成する誤差予測モデル生成部１０２３を備えている。

上記の構成によれば、予測誤差を予測するためのモデルである誤差予測モデル１１３を生成することができる。誤差予測モデル１１３を使用すれば、特性予測モデル１１２を用いて予測を行う前に、その入力データを用いて予測を行った場合の予測誤差を確認することが可能になる。入力データにデータ誤りが含まれている場合や、入力データが特性予測モデルに適合していない場合等には予測誤差が大きくなるので、誤差予測モデル１１３によれば、特性予測モデル１１２を用いた推論を行う際の入力データの妥当性を判断することが可能になる。

なお、上記製品は、所定の製造工程によって製造されるものであり、かつ、その製造条件と該製造条件で製造された製品の特性値との関係をモデル化することにより、製造条件から特性値を予測できるようなものであればよく、特に限定されない。また、上記製品には完全な製品となるまでの半製品も含まれる。そして、上記特性値は、製品に関する特性を示すものであればよく、上記製造条件は該特性に相関のある条件であればよい。

例えば、上記製品は、金属、合金、および、金属を含む複合材、の何れかであってもよい。このような製品では、原料組成や加工温度等の製造条件と、引張強さや耐力等の製品の特性値との間に相関関係があることが分かっている。よって、上記製品が、金属、合金、および、金属を含む複合材、の何れかである場合、特性予測モデル１１２を、当該製品の製造条件を示す入力データから、当該製品の製品特性を示す説明変数を予測するモデルとすることができる。この構成によれば、金属、合金、または、金属を含む複合材の製品特性を予測するにあたり、その予測に用いる製造条件が特性予測モデル１１２に対する入力データとして妥当であるか否かを判断することが可能になる。

また、情報処理装置１は、特性予測モデル１１２と誤差予測モデル１１３を用いて、入力部１２１の新規製造条件入力部１２１１に新規製造条件を入力する場合の予測誤差を算出する誤差予測部１０３１を備えている。そして、情報処理装置１は、誤差予測部１０３１が算出した予測誤差の値に基づき、上記新規製造条件が特性予測モデル１１２を用いた推論に対する入力データとして妥当であるか否かを判定する適合判定部１０３０を備えている。上記判定において妥当ではないと判定されるのは、予測誤差が大きくなる可能性の高い入力データである。よって、上記の構成によれば、特性予測モデル１１２を用いた推論を行う順推論部１０１０に対し、予測誤差が大きくなる可能性の高い入力データが入力されないようにすることが可能になる。また、適合判定部１０３０の判定結果は、出力部１２２の誤差予測結果表示部１２２２に表示することができる。

〔装置構成〕
図１は、情報処理装置１の要部構成の一例を示すブロック図である。図１に示すように、情報処理装置１は、情報処理装置１の各部を統括して制御する制御部１０、情報処理装置１が使用する各種データを記憶する記憶部１１、および入出力部１２を備えている。入出力部１２には、情報処理装置１における入力操作を受け付ける入力部１２１と、制御に対する出力を受け付ける出力部１２２が含まれる。なお、記憶部１１および入出力部１２は、情報処理装置１に外付けされた、情報処理装置１とは別体の装置であってもよい。また、出力部１２２は、所定の態様でデータを出力できるものであればよい。例えば、データを表示出力させる場合には、表示装置を出力部１２２とすればよい。

入力部１２１は、制御法の指示を受け付けるときには制御法指示部１２１０として機能する。なお、制御法の指示については後述の〔変形例〕で説明する。また、入力部１２１は、新規製造条件の入力を受け付けるときには、新規製造条件入力部１２１１として機能する。

出力部１２２は、順推論部１０１０の推論結果を表示するときには順推論結果表示部１２２０として機能する。また、出力部１２２は、逆推論部１０１１の推論結果を表示するときには逆推論結果表示部１２２１として機能する。さらに、出力部１２２は、誤差予測部１０３１による誤差予測の結果に基づく適合判定部１０３０の判定結果を表示するときには誤差予測結果表示部１２２２として機能する。また、誤差予測結果表示部１２２２は、誤差予測部１０３１による誤差予測の結果を表示してもよい。

制御部１０には、機械学習により特性予測モデル１１２を構築する学習部Ａ１００と、特性予測モデル１１２を用いて製品の特性値を推論する推論部Ａ１０１が含まれている。また、制御部１０には、機械学習により誤差予測モデル１１３を構築する学習部Ｂ１０２と、誤差予測モデル１１３を用いて誤差を推論する推論部Ｂ１０３が含まれている。推論部Ａ１０１には、順推論部１０１０および逆推論部１０１１が含まれている。また、学習部Ｂ１０２には、説明変数寄与評価部１０２０、予測誤差特定部１０２１、教師データ生成部１０２２、および誤差予測モデル生成部１０２３が含まれている。そして、推論部Ｂ１０３には、適合判定部１０３０と誤差予測部１０３１が含まれている。

また、記憶部１１には、製造レコードテーブル１１０、試験レコードテーブル１１１、特性予測モデルテーブル１１２、および誤差予測モデルテーブル１１３が記憶されている。なお、特性予測モデルテーブル１１２に含まれる特性予測モデルについても特性予測モデルテーブルと同じ参照番号「１１２」で説明する。同様に、誤差予測モデルテーブル１１３に含まれる誤差予測モデルは参照番号「１１３」で説明する。

推論部Ａ１０１は、特性予測モデル１１２を用いて、製品の製造条件から該製造条件で製造された当該製品の特性値を推論する。詳細は後述するが、推論部Ａ１０１は、新規製造条件入力部１２１１に入力された製造条件のうち、適合判定部１０３０が妥当と判定した製造条件について順推論部１０１０で特性値を推論するので、信頼性の高い特性値を推論することができる。

予測誤差特定部１０２１は、新規製造条件入力部１２１１に入力された新規製造条件に対し、特性予測モデル１１２を用いて順推論部１０１０で推論された特性値と、試験レコードテーブル１１１に記憶される上記製造条件で実際に製造された製品の特性値との差を、特性予測モデル１１２の予測誤差として特定する。詳細は後述するが、特定された予測誤差は、誤差予測モデル１１３を構築するための教師データの生成に用いられる。

教師データ生成部１０２２は、誤差予測モデル１１３を構築するための教師データを生成する。具体的には、教師データ生成部１０２２は、予測誤差特定部１０２１が特定した予測誤差と、その予測誤差に対応する製造条件とを対応付けて教師データとする。なお、説明変数寄与評価部１０２０が、特性予測モデル１１２による予測への寄与が相対的に大きい説明変数を特定していた場合、教師データ生成部１０２２は、それらの説明変数を除いた製造条件と、予測誤差とを対応付けて教師データとする。

説明変数寄与評価部１０２０は、特性予測モデル１１２を用いた順推論部１０１０による推論の際に新規製造条件入力部１２１１に入力される製造条件に含まれる複数の説明変数の中から、特性予測モデル１１２による予測への寄与が相対的に大きい説明変数を少なくとも１つ特定する。このような説明変数の特定には、例えばステップワイズ変数減少法等を用いることができる。この場合、決定係数の変動が大きい説明変数を、寄与が大きい説明変数であると特定することができる。

誤差予測モデル生成部１０２３は、製品の製造条件と予測誤差との関係をモデル化して、製造条件から予測誤差を予測するための誤差予測モデル１１３を生成する。誤差予測モデル１１３の生成は、教師データ生成部１０２２が生成する教師データを用いた機械学習によって行われる。

なお、誤差予測モデル１１３の生成と、誤差予測モデル１１３を使用した予測とは、異なる装置で行う構成としてもよい。この場合、情報処理装置１から教師データ生成部１０２２、説明変数寄与評価部１０２０、および誤差予測モデル生成部１０２３を省略し、これらの構成を備えた他の情報処理装置に誤差予測モデル１１３を生成させてもよい。そして、情報処理装置１は、上記他の情報処理装置が生成した誤差予測モデル１１３を取得し、これを用いて予測誤差を算出すればよい。

なお、上述のように、説明変数寄与評価部１０２０が特性予測モデル１１２による予測への寄与が相対的に大きい説明変数を特定していた場合、教師データ生成部１０２２は、それらの説明変数を除いた製造条件と、予測誤差とを対応付けて教師データとする。この場合、誤差予測モデル生成部１０２３は、説明変数寄与評価部１０２０が特定した説明変数を除いた製造条件と予測誤差との関係をモデル化して誤差予測モデル１１３を生成することになる。

本願の発明者の検討の結果、特性予測モデル１１２に入力する入力データをそのまま用いて誤差予測モデル１１３を生成するよりも、特性予測モデル１１２による予測への寄与が相対的に大きい説明変数を除いて誤差予測モデル１１３を生成する方が、予測精度の高い誤差予測モデル１１３を生成できることが判っている。よって、上記の構成によれば、特性予測モデル１１２に入力する入力データをそのまま用いる場合よりも、予測精度の高い誤差予測モデル１１３を生成することが可能になる。

新規製造条件入力部１２１１は、特性予測モデル１１２による推論の際に、順推論部１０１０に対する入力データ、すなわち製品の製造条件を示すデータ（以下、単に製造条件と呼ぶ）の入力を受け付ける。製造条件の決定方法は特に限定されない。例えば、新規製造条件入力部１２１１は、製造条件に含まれる各説明変数の値をランダムにあるいは所定の規則に従って決定してもよい。また、新規製造条件入力部１２１１は、過去に使用された製造条件を製造レコードテーブル１１０から読み出し、製造条件に関する説明変数に所定の値を加算あるいは減算する等の処理を施すことによって製造条件を生成してもよい。

誤差予測部１０３１は、誤差予測モデル１１３を読み込む。そして、誤差予測部１０３１は、読み込んだ誤差予測モデル１１３に、新規製造条件入力部１２１１に入力された製造条件を入力して、予測誤差を推論する。また、特性予測モデル１１２による予測への寄与が相対的に大きい説明変数を除去した教師データを用いて生成された誤差予測モデル１１３を用いる場合、誤差予測部１０３１は、誤差予測モデル１１３に入力する製造条件から当該説明変数を除去する。

適合判定部１０３０は、誤差予測部１０３１が算出した予測誤差の値に基づき、当該予測誤差を算出する基になった製造条件（例えば新規製造条件入力部１２１１に入力された製造条件）が順推論部１０１０に渡されるデータとして妥当であるか否かを判定する。例えば、適合判定部１０３０は、予測誤差の値またはその絶対値が所定の閾値を超えた場合に、入力データとして妥当ではないと判定してもよい。

逆推論部１０１１は、適合判定部１０３０が妥当と判定した製造条件を入力データとして順推論部１０１０が予測した特性値に基づき、製品の製造条件を逆推論することにより決定する。例えば、逆推論部１０１１は、順推論部１０１０が推論した特性値が所定の条件を満たしている場合に、その特性値の推論に用いた製造条件を、上記製品の製造条件として決定してもよい。

製造レコードテーブル１１０は、製品の製造条件を記録したテーブルであり、試験レコードテーブル１１１は、その製造条件で製造された製品の特性値を記録したテーブルである。特性予測モデル１１２は、製品の製造条件と該製造条件で製造された当該製品の特性値との関係をモデル化したものであり、製造レコードテーブル１１０に記録されている製造条件と試験レコードテーブル１１１に記録されている特性値に基づいて構築されている。

誤差予測モデル１１３は、製品の製造条件と予測誤差との関係をモデル化したものであり、製造条件から予測誤差を予測するためのものである。上述のように、誤差予測モデル１１３は誤差予測モデル生成部１０２３によって生成される。

〔特性予測モデルの例〕
特性予測モデル１１２の構成例を説明する。本実施形態では、一例として、特性予測の対象とする製品がＨ２ｎアルミニウム板材（以下、アルミ板材と略称する）である例を説明する。アルミ板材の製造工程には、原料の鋳造、ソーキング、熱間圧延（熱延）、冷間圧延（冷延）、および焼鈍の各工程が含まれる。

製品がアルミ板材である場合、特性予測モデル１１２によって予測する特性値、すなわち特性予測モデル１１２の目的変数は、アルミ板材の任意の特性値とすればよい。この場合、特性予測モデル１１２の説明変数は、上記目的変数と相関のある製造条件を示すものとすればよい。以下では、アルミ板材の引張強さと耐力を目的変数とし、製造工程に含まれる各種の処理温度と、アルミ板材の原料あるいは該原料を加工した中間製品（製品であるアルミ板材となる以前のもの）の不純物含有量を説明変数とする例を説明する。上記処理温度としては、例えば熱延温度や焼鈍温度が挙げられる。また、上記不純物としては、例えばＳｉ、Ｍｇ、Ｆｅ等が挙げられる。

特性予測モデル１１２は、上述のような説明変数と目的変数との関係をモデル化したものとすればよい。モデル化の手法は特に限定されない。例えば、特性予測モデル１１２は、主成分回帰等により構築された線形な回帰モデルであってもよいし、ニューラルネットワーク等で構築された非線形な回帰モデルであってもよい。

〔誤差予測モデルの妥当性の検証〕
誤差予測モデル１１３の説明変数には、特性予測モデル１１２の説明変数の少なくとも一部を含める。例えば、説明変数寄与評価部１０２０が、特性予測モデル１１２の説明変数の中から、特性予測モデル１１２による予測への寄与が相対的に大きい説明変数を特定した場合、その説明変数を除いた残りの説明変数を、誤差予測モデル１１３の説明変数とする。誤差予測モデル１１３の生成に使用する説明変数は、特性予測モデル１１２の説明変数と同じであるから、製造レコードテーブル１１０から読み出すことができる。

また、誤差予測モデル１１３の目的変数は、特性予測モデル１１２の目的変数の予測誤差とする。例えば、特性予測モデル１１２の目的変数が引張強さと耐力であれば、誤差予測モデル１１３の目的変数は、引張強さの予測誤差と耐力の予測誤差とすればよい。

誤差予測モデル１１３は、上述のような説明変数と目的変数との関係をモデル化したものとすればよい。モデル化の手法は特に限定されない。例えば、誤差予測モデル１１３は、回帰分析等により構築された線形モデルであってもよいし、ニューラルネットワーク等で構築された非線形モデルであってもよい。

以下では、複数の中間層を含むニューラルネットワークによって誤差予測モデル１１３を生成する例を説明する。誤差予測モデル１１３の中間層の数と、各中間層のノード数は特に限定されないが、例えば中間層を２層とし、各中間層のノード数を５０個としてもよい。この場合、誤差予測モデル１１３は、入力層と出力層とを含めて計４層の深層ニューラルネットワークとなる。なお、入力層のノード数は説明変数の数に等しく、出力数のノード数は目的変数の数に等しい。詳細は図７に基づいて後述するが、このような誤差予測モデル１１３は、教師データ生成部１０２２が生成した教師データを用いた深層学習により生成することができる。

〔誤差予測モデルの妥当性の検証〕
上記のようにして構築した誤差予測モデル１１３の妥当性の検証結果を図２および図３に基づいて説明する。図２は、誤差予測モデル１１３で予測した予測誤差と、実測値に基づいて算出した予測誤差（以下、実測値ベースの予測誤差と呼ぶ）との相関関係を示す図である。また、図３は、誤差予測モデル１１３で予測した耐力の予測誤差と、誤差予測モデル１１３で予測した引張強さの予測誤差との相関関係を示す図である。

図２の（ａ）に示すように、耐力について、誤差予測モデル１１３で予測した耐力の予測誤差と、実測値ベースの予測誤差との間には相関がある（Ｒ^２＝０．５１）という結果となった。また、図２の（ｂ）に示すように、引張強さについても、誤差予測モデル１１３で予測した予測誤差と、実測値ベースの予測誤差との間にも相関がある（Ｒ^２＝０．４２）という結果となった。なお、図２の（ａ）（ｂ）に示すカウント数のグラフについては図４に基づいて後述する。

また、図３の（ａ）に示すように、実測値ベースの耐力の予測誤差と、実測値ベースの引張強さの予測誤差との間には相関関係があった。そして、図３の（ｂ）に示すように、誤差予測モデル１１３で予測した耐力の予測誤差と、誤差予測モデル１１３で予測した引張強さの予測誤差との間にも、図３の（ａ）と同様の相関関係があった。つまり、誤差予測モデル１１３の予測値においても、実測値ベースの予測誤差と同様の相関関係が再現された。

さらに、図３の（ｃ）には、アルミ板材のＳ−Ｓ曲線（stress-strain curve）を記載している。図３の（ｃ）において、縦軸が応力、横軸がひずみである。図示のように、ＴＳ（引張強さ）は、Ｓ−Ｓ曲線における応力の最大値である。また、ＹＳ（耐力）は、除荷後に残る永久ひずみが例えば０．２％となる応力である。

通常、アルミを含む金属・合金板材は、ｎ乗硬化則を満たす。つまり、図３の（ｃ）に破線で示すＳ−Ｓ曲線のように、実線のＳ−Ｓ曲線に対して耐力がΔＹＳ減少した場合、引張強さはΔＴＳ増加する。また、同図に一点鎖線で示すＳ−Ｓ曲線のように、実線のＳ−Ｓ曲線に対して耐力がΔＹＳ増加した場合、引張強さはΔＴＳ減少する。このように、アルミ板材のＳ−Ｓ曲線は、ｎ乗硬化則を満たすように、ΔＴＳとΔＹＳがリンクして変動するため、特性予測モデル１１２による予測も、誤差予測モデル１１３による予測も共に信頼できるといえる。

〔予測誤差に基づくスクリーニング〕
上述のように、適合判定部１０３０は、誤差予測モデル１１３を用いて算出された予測誤差の値に基づき、当該予測誤差を算出する基になった製造条件が特性予測モデル１１２に対する入力データとして妥当であるか否かを判定する。そして、適合判定部１０３０は、妥当ではないと判定した製造条件を、順推論部１０１０への入力データから除外する。つまり、適合判定部１０３０は、順推論部１０１０に渡されるデータを、除外するものと除外しないものとにスクリーニングする。以下、図４から図６に基づいて入力データのスクリーニングの例を説明する。

図４は、予測誤差に基づいて複数の入力データをスクリーニングした結果を示す図である。図４の（ａ）のグラフは、誤差予測モデル１１３を用いて算出された引張強さの予測誤差の分布を示している。この図では、横軸の中央に近いほど予測誤差の絶対値が小さく、中央から離れる程予測誤差の絶対値が大きい。図４の（ａ）では、誤差予測モデル１１３を用いて算出された引張強さの予測誤差の絶対値が１．０より小さい入力データを妥当とし、１．０以上の入力データを妥当でないとするスクリーニングを行った結果を示している。図４の（ａ）では妥当でないと判定された予測誤差を斜線で示している。この予測誤差に対応する入力データは、順推論部１０１０への入力データから除外される。なお、妥当性判定の基準となる閾値は、順推論部１０１０を用いた推論に要求される精度等に応じて適宜定めればよい。

また、図４の（ｂ）のグラフは、誤差予測モデル１１３を用いて誤差予測部１０３１で算出された耐力の予測誤差の分布を示している。この図では、図４の（ａ）のスクリーニングにて除外された入力データから算出された耐力の予測誤差を斜線で示している。図４の（ｂ）に示されるように、除外された入力データから算出された耐力の予測誤差も、引張強さの予測誤差と同様にその絶対値が大きい傾向にある。

図５は、図４の（ａ）のスクリーニング結果を、実測値ベースの予測誤差と比較した結果を示す図である。図５の上側の２つのグラフでは、実測値に基づいて算出した耐力の予測誤差の分布を示している。そして、図５の右上のグラフでは、スクリーニングによって除外された入力データに対応する予測誤差を斜線部で示している。

また、図５の下側の２つのグラフでは、スクリーニングの対象とした各入力データについて、実測値に基づいて算出した耐力と引張強さの予測誤差を示している。そして、図５の右下のグラフでは、スクリーニングによって除外された入力データに×印を付している。

図５の各グラフから、誤差予測モデル１１３を用いて誤差予測部１０３１で算出された引張強さの予測誤差に基づくスクリーニングを行った場合に、実測値ベースの耐力の推定誤差が大きい入力データが優先的に除外されていることがわかる。

図６は、スクリーニングが特性予測モデル１１２の予測精度に与える影響を示す実験結果を示す図である。図６の例では、まず、２組のテストデータ（サンプリング１と２）を入力データとして特性予測モデル１１２により耐力の予測を行った。そして、上記テストデータから上述のようなスクリーニングによって一部のテストデータを除外した後、特性予測モデル１１２により耐力の予測を行った。また、予測結果の検証のため、各テストデータの製造条件で実際に製品を製造し、その耐力と引張強さを実測した。

図６の（ａ）に示すサンプリング１の例では、８１個のテストデータを特性予測モデル１１２に入力して耐力の予測値を算出した。この予測値と、各テストデータが示す製造条件で製造した製品の耐力の実測値との関係が、図６の（ａ）の「スクリーニング前」のグラフに示されている。図示のように、Ｒ^２＝０．６９であった。

また、８１個のテストデータからスクリーニングにより１７個のデータを除去し、残る６４個のテストデータを特性予測モデル１１２に入力して算出した耐力の予測値と耐力の実測値との関係が、図６の（ａ）の「スクリーニング後」のグラフに示されている。図示のように、Ｒ^２＝０．７６であり、スクリーニング前よりもＲ^２値が向上している。同様に、図６の（ｂ）に示すサンプリング２の例においても、スクリーニング後にＲ^２値が向上している。

以上のように、誤差予測モデル１１３を用いて誤差予測部１０３１で算出した予測誤差に基づくスクリーニングを行うことにより、特性予測モデル１１２による予測の精度を向上させることができる。具体的には、情報処理装置１では、予測部１０１は、適合判定部１０３０が誤差予測モデル１１３を用いて誤差予測部１０３１で算出した予測誤差に基づいて妥当であると判定した入力データを、特性予測モデル１１２を読み込んだ順推論部１０１０に入力する。これにより、適合判定部１０３０による判定を行わない場合と比べて予測の精度を向上させることができる。なお、上記の例では、誤差予測モデル１１３を用いて算出された引張強さの予測誤差に基づいてスクリーニングを行っているが、誤差予測モデル１１３を用いて算出された耐力の予測誤差に基づいてスクリーニングを行うこともできる。

〔処理の流れ（誤差予測モデルの生成）〕
情報処理装置１が誤差予測モデル１１３を生成する処理の流れを図７に基づいて説明する。図７は、誤差予測モデル１１３を生成する情報処理方法の一例を示すフローチャートである。

Ｓ１では、特性予測モデル１１２を読み込んだ順推論部１０１０が、製造レコードテーブル１１０に記憶された製造条件を読み出す。Ｓ２では、特性予測モデルテーブル１１２を読み込んだ順推論部１０１０が、製品特性の予測値を推論する。

Ｓ３では、予測誤差特定部１０２１が、Ｓ２で推論された製品特性の予測値に対応した製品特性の実測値を試験レコードテーブル１１１から読み出す。そして、Ｓ４（予測誤差特定ステップ）では、予測誤差特定部１０２１は、Ｓ３で読み出した製品特性の実測値と、Ｓ２で推論された製品特性の予測値との差を予測誤差として特定する。

Ｓ５では、教師データ生成部１０２２が、Ｓ１で読み出された製造条件と、Ｓ４で特定された予測誤差とを対応付けて教師データとする。そして、Ｓ６では、教師データ生成部１０２２は、誤差予測モデル１１３の生成に必要な数（予め定めておけばよい）の教師データを生成済みであるか否かを判定する。生成済みであると判定された場合（Ｓ６でＹＥＳ）にはＳ７の処理に進み、生成済みではないと判定された場合（Ｓ６でＮＯ）にはＳ１の処理に戻る。Ｓ１の処理に戻った場合、新規製造条件入力部１２１１が新規製造条件の入力を受け付け、この新たな製造条件についてＳ２〜Ｓ６の処理が行われる。

Ｓ７では、説明変数寄与評価部１０２０が、順推論部１０１０に渡される製造条件のうち、順推論部１０１０の推論結果に対する寄与の大きい製造条件を特定する。なお、Ｓ７の処理は、Ｓ１の処理以前に行っておいてもよいし、Ｓ１〜Ｓ６の処理と平行で行ってもよい。

Ｓ８では、教師データ生成部１０２２は、生成済みの各教師データにおける製造条件から、Ｓ７で特定された製造条件を除去する。これにより、誤差予測モデル１１３の生成に用いる教師データが完成する。なお、Ｓ７の処理は、Ｓ１の処理を開始する前に行っておいてもよい。この場合、Ｓ８の処理を実行する代わりに、Ｓ５で教師データを生成する際に、予測結果に対する寄与の大きい製造条件を除去してもよい。

Ｓ９（モデル生成ステップ）では、誤差予測モデル生成部１０２３が、Ｓ８で完成した教師データを用いて誤差予測モデル１１３を生成し、記憶部１１に記憶する。これにより、図７の処理は終了する。

以上のように、情報処理装置１が実行する情報処理方法は、特性予測モデル１１２に製造条件を入力することにより出力される製品特性の予測値と、製品特性の実測値との差を予測誤差として特定する予測誤差特定ステップ（Ｓ４）を含む。また、この情報処理方法は、上記製造条件と上記予測誤差との関係をモデル化して、誤差予測モデル１１３を生成するモデル生成ステップ（Ｓ９）を含む。このようにして生成された誤差予測モデル１１３を用いることにより、特性予測モデル１１２に対し、予測誤差が大きくなる可能性の高い入力データが入力されないようにすることが可能になる。

〔処理の流れ（予測値の算出）〕
情報処理装置１が製品特性の予測値を算出する処理の流れを図８に基づいて説明する。図８は、製造条件のスクリーニングを行った上で製品特性の予測値を算出する情報処理方法の一例を示すフローチャートである。

Ｓ１１では、新規製造条件入力部１２１１が新規製造条件の入力を受け付ける。そして、当該新規製造条件は、特性予測モデル１１２を読み込んだ順推論部１０１０に渡され、順推論部１０１０により特性予測値が推論される。続くＳ１２（誤差予測ステップ）では、誤差予測モデル１１３を読み込んだ誤差予測部１０３１が、Ｓ１１で入力された新規製造条件を、読み込んだ上記誤差予測モデル１１３に入力して予測誤差を推論する。なお、誤差予測モデル１１３の生成の際に、順推論部１０１０の推論結果に対する寄与の大きい製造条件が除去されていた場合、誤差予測部１０３１は、誤差予測モデル１１３に入力する複数の製造条件から、寄与の大きい上記製造条件を除去する。

Ｓ１３（判定ステップ）では、適合判定部１０３０が、Ｓ１２で推論された予測誤差の値に基づいて、対象データが特性予測モデル１１２に対する入力データとして妥当であるか否かを判定する。Ｓ１３で新規製造条件の適合性がＹＥＳと判定された場合にはＳ１４の処理に進む。Ｓ１４では、適合判定部１０３０は、順推論部１０１０における特性予測値の推論結果を採用し、順推論結果表示部１２２０にその推論結果を表示させて、図８の処理は終了する。Ｓ１３でＮＯと判定された場合には、Ｓ１５の処理に進む。Ｓ１５では、適合判定部１０３０は、入力された新規製造条件が特性予測モデル１１２に適合しない旨を誤差予測結果表示部１２２２に表示させて、図８の処理は終了する。

図示していないが、逆推論部１０１１は、Ｓ１４で推論された予測値に基づいて、製品の製造に適用する製造条件を決定してもよい。この場合、逆推論部１０１１は、決定した製造条件を逆推論結果表示部１２２１に表示させる。

以上のように、情報処理装置１が実行する情報処理方法は、誤差予測モデル１１３を用いて、特性予測モデル１１２を読み込ませた順推論部１０１０への入力対象となっている対象データから予測誤差を算出する誤差予測ステップ（Ｓ１２）を含む。また、この情報処理方法は、誤差予測ステップで算出した予測誤差の値に基づき、上記対象データが特性予測モデル１１２を読み込ませた順推論部１０１０に対する入力データとして妥当であるか否かを判定する判定ステップ（Ｓ１３）を含む。よって、特性予測モデル１１２を読み込ませた順推論部１０１０に対し、予測誤差が大きくなる可能性の高い入力データが入力されないようにすることが可能になる。

〔実施形態２〕
本発明の他の実施形態について、以下に説明する。なお、説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。

本実施形態では、情報処理装置１の機能を複数の装置を含むシステムによって実現した例を図９に基づいて説明する。図９は、情報処理装置１の機能を有する製造システム２００の構成例を示すブロック図である。製造システム２００は、製品を製造するシステムであり、判定装置２１、予測装置２２、製造条件決定装置２３、および製造設備２４を含む。

判定装置２１は、上記実施形態１で説明した誤差予測部１０３１と適合判定部１０３０を備えた装置である。判定装置２１は、誤差予測モデル１１３を用いて予測誤差を算出すると共に、該予測誤差に基づいて予測装置２２に入力する入力データが妥当であるか否かを判定し、妥当であると判定した入力データを予測装置２２に入力する。なお、入力データは、製造システム２００における製品の製造条件を示すデータである。

予測装置２２は、上記実施形態で説明した特性予測モデル１１２を読み込ませた順推論部１０１０を備えた装置である。上述のように、判定装置２１が妥当であると判定した入力データが予測装置２２に入力されるので、予測装置２２は、この入力データを、特性予測モデル１１２を読み込ませた順推論部１０１０に渡して製品の特性値（予測値）を推論する。

製造条件決定装置２３は、上記実施形態で説明した逆推論部１０１１を備えた装置である。製造条件決定装置２３は、予測装置２２の予測結果に基づいて、製造システム２００における製品の製造条件を決定する。例えば、予測装置２２が耐力を予測する場合、耐力が閾値以上であるとの条件を設定してもよい。この場合、製造条件決定装置２３は、予測装置２２の予測する耐力が閾値以上となる製造条件を、製造システム２００における製品の製造条件として決定する。

製造設備２４は、製造条件決定装置２３が決定した製造条件で製品を製造する。なお、決定された製造条件の適用は、全て自動で行ってもよいし、一部手動で行ってもよい。自動で行う場合、製造設備２４に制御装置を設け、この制御装置に製造条件を変更させればよい。

以下、製造システム２００で実行される製造方法について説明する。図９に示すように、まず、判定装置２１に入力データとして複数の製造条件が入力される。

次に、判定装置２１は、入力された製造条件から妥当でない製造条件を除外して、予測装置２２に出力する。そして、予測装置２２は、入力された製造条件から製品の特性値を算出し、製造条件決定装置２３に出力する。この特性値は、妥当でない製造条件を除外して算出されたものであるから妥当な予測結果であるといえる。

次に、製造条件決定装置２３は、予測装置２２が出力した特性値が目標とする範囲内である製造条件を、製造システム２００における製品の製造条件として決定し、決定した製造条件を製造設備２４に通知する。この製造条件は、妥当でない製造条件を除外して算出した特性値に基づいて決定されたものであるから、妥当な製造条件であるといえる。そして、製造設備２４は、製造条件決定装置２３が決定した製造条件で製品を製造する。

以上のように、製造システム２００で実行される製造方法には、製品特性の予測に用いる候補となる複数の製造条件のうち、予測誤差に基づいて妥当ではないと判定された製造条件を除外するステップが含まれる。また、この製造方法には、除外されなかった製造条件を、特性予測モデル１１２を読み込ませた順推論部１０１０に渡して特性値を推論するステップと、推論された特性値が所定の条件を満たす製造条件を、製造システム２００における製品の製造条件として決定するステップが含まれる。さらに、この製造方法には、決定された製造条件で製品を製造するステップが含まれる。これにより、特性値が所定の条件を満たす可能性が高い製品を製造することができる。なお、この製造方法で製造された製品も本発明の範疇に含まれる。

〔変形例〕
誤差予測部１０３１が算出する予測誤差は、入力データ（製造条件）のスクリーニング以外にも利用することができる。例えば、実施形態１の情報処理装置１は、新規製造条件入力部１２１１に入力データが与えられた場合に、その入力データをスクリーニングすることなく特性予測モデル１１２を読み込ませた順推論部１０１０に渡して特性値を推論してもよい。この場合、順推論部１０１０が推論した特性値を順推論結果表示部１２２０に表示出力させると共に、誤差予測部１０３１が推論した予測誤差も順推論結果表示部１２２０に表示出力させてもよい。これにより、情報処理装置１のユーザに、算出された特性値にどの程度の誤差が含まれ得るかを認識させることができる。つまり、この構成では、入力データの妥当性判断をユーザに行わせることができる。

また、誤差予測部１０３１が算出した予測誤差を用いて、順推論部１０１０が推論した特性値を補正してもよい。例えば、図１のブロック図において、推論部Ａ１０１内に「補正部」のブロックを追加し、当該補正部が、順推論部１０１０が推論した特性値から、誤差予測部１０３１が算出した予測誤差を減じる演算を行う構成としてもよい。この場合、補正部の補正後の特性値が推論部Ａ１０１から出力される。

さらに、ユーザが制御法指示部１２１０に所望の制御法を入力することにより、使用する制御法を切り替えられる構成としてもよい。例えば、制御法指示部１２１０は、下記の３通りの制御法の何れかをユーザに選択させて、制御部１０にその選択結果に応じた制御を実行させてもよい。
（ｉ）特定値の推論は行うが、誤差予測は行わない
（ｉｉ）誤差予測を行い、誤差の程度が大きいと予測される場合には、特性値の推論結果を棄却する（詳細は実施形態１参照）
（ｉｉｉ）特性予測値から誤差の予測値を減じる補正を行う（詳細は前段落参照）
なお、本発明は、製品の特性を予測するための特性予測モデルに限られず、任意の予測モデルについて、どの程度の誤差が生じるかを予測するために利用することができる。

〔ソフトウェアによる実現例〕
情報処理装置１の制御ブロック（特に制御部１０、入力部１２１、および出力部１２２に含まれる各部）、判定装置２１、予測装置２２、および製造条件決定装置２３の制御ブロックは、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、上記各装置は、各機能を実現するソフトウェアであるプログラム（情報処理プログラム）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 情報処理装置
１０１ 推論部Ａ
１０２０ 説明変数寄与評価部
１０２１ 予測誤差特定部
１０２３ 誤差予測モデル生成部
１０３１ 誤差予測部
１０３０ 適合判定部
１１２ 特性予測モデルテーブル
１１３ 誤差予測モデルテーブル

Claims (9)

1. 製品の製造条件と該製造条件で製造された当該製品の特性値との関係をモデル化した特性予測モデルを用いて算出した上記特性値と、上記製造条件で実際に製造された上記製品の特性値との差を、上記特性予測モデルの予測誤差として特定する予測誤差特定部と、
   上記製品の製造条件と上記予測誤差との関係をモデル化して、上記製品の製造条件から予測誤差を予測するための誤差予測モデルを生成する誤差予測モデル生成部と、を備えていることを特徴とする情報処理装置。
2. 上記製造条件に含まれる複数の説明変数の中から、上記特性予測モデルによる予測への寄与が相対的に大きい説明変数を少なくとも１つ特定する説明変数寄与評価部を備え、
   上記誤差予測モデル生成部は、上記説明変数寄与評価部が特定した説明変数を除いた上記製造条件と、上記予測誤差との関係をモデル化して、上記誤差予測モデルを生成することを特徴とする請求項１に記載の情報処理装置。
3. 上記特性予測モデルは、金属、合金、および、金属を含む複合材、の何れかの製品について、当該製品の製造条件から、当該製品の製品特性を示す特性値を予測するモデルであることを特徴とする請求項１または２に記載の情報処理装置。
4. 製品の製造条件と該製造条件で製造された当該製品の特性値との関係をモデル化した特性予測モデルを用いて算出した上記特性値と上記製造条件で実際に製造された上記製品の特性値との差である予測誤差と、上記製造条件との関係をモデル化した誤差予測モデルを用いて、上記特性予測モデルにある製造条件を入力する場合の予測誤差を算出する誤差予測部と、
   上記誤差予測部が算出した予測誤差の値に基づき、上記ある製造条件が上記特性予測モデルに対する入力データとして妥当であるか否かを判定する適合判定部と、を備えていることを特徴とする情報処理装置。
5. 上記適合判定部が妥当と判定した製造条件を上記特性予測モデルに入力して上記特性値を推論する推論部を備えていることを特徴とする請求項４に記載の情報処理装置。
6. 情報処理装置が実行する情報処理方法であって、
   製品の製造条件と該製造条件で製造された当該製品の特性値との関係をモデル化した特性予測モデルを用いて算出した上記特性値と、上記製造条件で実際に製造された上記製品の特性値との差を、上記特性予測モデルの予測誤差として特定する予測誤差特定ステップと、
   上記製品の製造条件と上記予測誤差との関係をモデル化して、上記製品の製造条件から予測誤差を予測するための誤差予測モデルを生成するモデル生成ステップと、を含むことを特徴とする情報処理方法。
7. 情報処理装置が実行する情報処理方法であって、
   製品の製造条件と該製造条件で製造された当該製品の特性値との関係をモデル化した特性予測モデルを用いて算出した上記特性値と上記製造条件で実際に製造された上記製品の特性値との差である予測誤差と、上記製造条件との関係をモデル化した誤差予測モデルを用いて、上記特性予測モデルにある製造条件を入力する場合の予測誤差を算出する誤差予測ステップと、
   上記誤差予測ステップで算出した予測誤差の値に基づき、上記ある製造条件が上記特性予測モデルに対する入力データとして妥当であるか否かを判定する判定ステップと、を含むことを特徴とする情報処理方法。
8. 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情報処理プログラムであって、上記予測誤差特定部および上記誤差予測モデル生成部としてコンピュータを機能させるための情報処理プログラム。
9. 請求項４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情報処理プログラムであって、上記誤差予測部および上記適合判定部としてコンピュータを機能させるための情報処理プログラム。

Images