JP2021114257A - 品質予測装置、品質予測方法、品質予測プログラム、学習装置、および学習済みモデル - Google Patents

Abstract

【課題】ポリマーを原料として製造するフィルムの品質を予測する。【解決手段】ポリマーを原料として製造されるフィルムの品質を予測する品質予測装置が、所定期間のフィルムの製造プロセスから得られるプロセス情報および製造プロセスにより製造されたフィルムの品質情報を入力パラメータとして、製造済みのフィルムに対するプロセス情報および品質情報を用いた機械学習によって生成された学習済みモデルに基づく演算を行うことにより、所定時間後のフィルムの品質情報の予測値を出力する予測部を備える。【選択図】図１

Description

本発明は、品質予測装置、品質予測方法、品質予測プログラム、学習装置、および学習済みモデルに関する。

製品を製造する製造プロセスを対象にして、予測対象製品の製造条件を入力とする一方、製造プロセスにおける所定の状態を表す値を目的変数として予測し、製造条件の実績値と目的変数の実績値とを用いて学習を行う技術が開示されている（例えば、特許文献１を参照）。

特開２０１９−８７１５２号公報

ポリマーを原料として製造するフィルムの品質を予測することができる技術が求められていた。しかしながら、特許文献１で対象としている製造プロセスは熱延鋼板の製造プロセスであり、熱延鋼板の製造条件からその品質値を予測する技術であり、ポリマーを原料として製造するフィルム品質を予測することについては言及されていない。

本発明は、上記に鑑みてなされたものであって、ポリマーを原料として製造するフィルムの品質を予測することができる品質予測装置、品質予測方法、品質予測プログラム、学習装置、および学習済みモデルを提供することを目的とする。

上述した課題を解決し、目的を達成するために、本発明に係る品質予測装置は、ポリマーを原料として製造されるフィルムの品質を予測する品質予測装置であって、所定期間の前記フィルムの製造プロセスから得られるプロセス情報および前記製造プロセスにより製造されたフィルムの品質情報を入力パラメータとして、製造済みのフィルムに対する前記プロセス情報および前記品質情報を用いた機械学習によって生成された学習済みモデルに基づく演算を行うことにより、所定時間後の前記フィルムの品質情報の予測値を出力する予測部を備える。

本発明に係る品質予測装置は、上記発明において、前記品質情報が、フィルムに含まれる特定種類の欠点の数である。

本発明に係る品質予測装置は、上記発明において、前記フィルムの表面を撮像することによって生成された画像のデータを用いて前記特定種類の欠点を判別する画像判別部をさらに備える。

本発明に係る品質予測装置は、上記発明において、前記予測部は、前記製造プロセスの直近における前記プロセス情報および前記品質情報を前記学習済みモデルに入力する。

本発明に係る品質予測装置は、上記発明において、前記予測部は、前記製造プロセスの立上げ時における前記プロセス情報を前記学習済みモデルに入力する。

本発明に係る品質予測装置は、上記発明において、前記予測部は、前記製造プロセスの停止時における前記プロセス情報を前記学習済みモデルに入力する。

本発明に係る品質予測装置は、上記発明において、前記学習済みモデルは、前記入力パラメータが入力される入力層と、前記入力層が出力する信号が入力され、多層構造を有する中間層と、前記中間層が出力する信号が入力され、前記所定時間後の前記ポリマーの品質情報を出力する出力層と、を有し、各層が一または複数のノードを有するニューラルネットワークからなる。

本発明に係る品質予測装置は、上記発明において、前記ニューラルネットワークは、再帰構造を有するリカレントニューラルネットワークであり、前記入力層には、入力時点よりも過去の前記所定期間における前記プロセス情報および前記品質情報が入力される。

本発明に係る品質予測装置は、上記発明において、前記予測部の予測結果を表示装置に表示させる表示制御部をさらに備える。

本発明に係る品質予測装置は、上記発明において、入力データが過去に実績のある実績データと類似しているか否かを判定する判定部をさらに備え、前記判定部が前記入力データと前記実績データとが類似していないと判定した場合、未知のデータであることを前記表示装置に表示させる。

本発明に係る品質予測方法は、ポリマーを原料として製造されるフィルムの品質を予測する品質予測装置が行う品質予測方法であって、所定期間の前記フィルムの製造プロセスから得られるプロセス情報および前記製造プロセスにより製造されたフィルムの品質情報を記憶部から読み出し、読み出した前記プロセス情報および前記品質情報を入力パラメータとして、製造済みのフィルムに対する前記プロセス情報および前記品質情報を用いた機械学習によって生成された学習済みモデルに基づく演算を行うことにより、所定時間後の前記フィルムの品質情報の予測値を出力する予測ステップを有する。

本発明に係る品質予測プログラムは、ポリマーを原料として製造されるフィルムの品質を予測する品質予測装置に、所定期間の前記フィルムの製造プロセスから得られるプロセス情報および前記製造プロセスにより製造されたフィルムの品質情報を入力パラメータとして、製造済みのフィルムに対する前記プロセス情報および前記品質情報を用いた機械学習によって生成された学習済みモデルに基づく演算を行うことにより、所定時間後の前記フィルムの品質情報の予測値を出力する予測ステップを実行させる。

本発明に係る学習装置は、ポリマーを原料として製造されるフィルムの所定期間の製造プロセスから得られるプロセス情報および前記製造プロセスにより製造されたフィルムの品質情報を入力パラメータとして、所定時間後の前記フィルムの品質の予測値を出力するよう、コンピュータを機能させるための学習済みモデルを生成する学習装置であって、前記所定期間のプロセス情報および品質情報からなる入力パラメータと、所定時間後の品質情報とを教師データとして取得し、該教師データを用いてモデルを構成するパラメータ群を逐次最適化する処理を繰り返し実行する学習部を備える。

本発明に係る学習装置は、上記発明において、前記学習部は、前記品質情報の種類に応じて学習時の重みおよびサンプリング頻度の少なくともいずれか一方を変更する。

本発明に係る学習済みモデルは、入力パラメータが入力される入力層と、前記入力層が出力する信号が入力され、多層構造を有する中間層と、前記中間層が出力する信号が入力され、所定時間後のポリマーの品質情報を出力する出力層と、を有し、各層が一または複数のノードを有するニューラルネットワークによって構成され、ポリマーを原料として製造されるフィルムの所定期間の製造プロセスから得られるプロセス情報および前記製造プロセスにより製造されたフィルムの品質情報を前記入力層に入力し、前記ニューラルネットワークのネットワークパラメータであって学習済みのネットワークパラメータに基づく演算を行い、前記出力層から所定時間後の前記ポリマーの品質情報の予測値を出力するよう、コンピュータを機能させる。

本発明に係る学習済みモデルは、上記発明において、前記ニューラルネットワークは、再帰構造を有するリカレントニューラルネットワークであり、前記入力層には、入力時点よりも過去の前記所定期間における前記プロセス情報および前記品質情報が入力される。

本発明によれば、ポリマーを原料として製造するフィルムの品質を予測することができる。

図１は、実施の形態１に係る品質予測装置を備えた品質管理システムの全体構成を示す図である。 図２は、実施の形態１に係る品質予測装置を備えた品質管理システムの機能構成を示すブロック図である。 図３は、実施の形態１に係る品質予測装置の予測部が行う予測処理を模式的に示す図である。 図４は、実施の形態１に係る品質予測装置の予測部が行う予測処理におけるデータと予測値との関係を模式的に示す図である。 図５は、実施の形態１に係る学習済みモデルの概要を示す図である。 図６は、実施の形態１に係る品質予測装置が行う処理の概要を示すフローチャートである。 図７は、実施の形態１に係る予測方法における予測値と実績値とを比較した第１例を示す図である。 図８は、実施の形態１に係る予測方法における予測値と実績値とを比較した第２例を示す図である。 図９は、実施の形態１に係る学習装置の機能構成を示すブロック図である。 図１０は、実施の形態１の第１変形例に係る学習済みモデルの概要を示す図である。 図１１は、実施の形態１の第２変形例に係る学習済みモデルの概要を示す図である。 図１２は、実施の形態２に係る品質予測装置を備えた品質管理システムの機能構成を示すブロック図である。 図１３は、実施の形態２に係る品質予測装置が行う処理の概要を示すフローチャートである。

以下、添付図面を参照して、本発明を実施するための形態（以下、「実施の形態」という）を説明する。なお、以下に説明する実施の形態によって本発明が限定されるものではない。

（実施の形態１）
図１は、実施の形態１に係る品質予測装置を備えた品質管理システムの全体構成を示す図である。図２は、品質管理システムの機能構成を示すブロック図である。これらの図に示す品質管理システム１は、ポリマーを用いたフィルムの製造プロセスＰにおけるプロセス情報を管理する管理サーバ２と、フィルムＳにおける品質情報として欠点画像を撮像する欠点検査機３と、管理サーバ２および欠点検査機３から送られてくるプロセス情報および欠点画像のデータに基づく演算により、所定時間後のフィルムの品質情報の予測値を出力する品質予測装置４と、品質予測装置４の予測結果を含む情報を表示する表示装置５と、を備える。

品質予測装置４が予測する品質情報は、所定時間後に欠点検査機３が検出する特定の種類の欠点（以下、欠点種Ａという）の数である。この種の欠点は、フィルムの製造プロセスで溶融した原料が製造装置の内部で滞留し、過剰な温度、熱、時間に起因して変性したものと推測されている。欠点種Ａの欠点が一度発生すると継続的に発生し続け生産を継続できなくなる。欠点種Ａは、異常発生時には１製品あたり１０００個以上観測される。

管理サーバ２は、ポリマーを用いたフィルムの製造プロセスＰにおけるプロセス情報を製造プロセスＰから取得して記憶する。プロセス情報は、例えば製造プロセスＰにおける溶融、延伸、巻取りなどの各プロセスの温度や圧力の実績値の履歴情報と、フィルムの製造条件、清掃およびトラブル等の履歴を含むフィルムの生産状況とを含む情報である。

欠点検査機３は、撮像装置を有し、品質予測装置４と電気的に接続されている。撮像装置は、ＣＣＤ（Charge Coupled Device）イメージセンサまたはＣＭＯＳ（Complementary Metal Oxide Semiconductor）イメージセンサ等の固体撮像素子を用いて構成される。欠点検査機３は、フィルムＳの表面を撮像して欠点を抽出し、抽出した欠点を含む欠点画像のデータを生成して記憶する。

品質予測装置４は、所定時間後に欠点検査機３が検出する欠点種Ａの数を予測して出力する。品質予測装置４は、入力部４１、データ取得部４２、画像判別部４３、予測部４４、制御部４５、および記憶部４６を有する。品質予測装置４は、管理サーバ２および欠点検査機３と電気的に接続されている。

入力部４１は、フィルムの品質予測処理に関する設定等の情報を含む各種情報の入力を受け付ける。入力部４１は、キーボード、マウス、マイク等のユーザインタフェースを用いて構成される。

データ取得部４２は、管理サーバ２および欠点検査機３からプロセス情報および欠点画像のデータをそれぞれ取得し、記憶部４６に出力して記憶させる。

画像判別部４３は、欠点検査機３が検出した欠点画像のうち欠点種Ａの画像を判別する。この際、画像判別部４３は、公知の画像認識の手法を使用して欠点種Ａの画像を判別する。例えば、画像判別部４３は、機械学習によって学習された学習済みモデルに欠点画像のデータを入力し、欠点種Ａの欠点画像であるか否かを判別する。フィルムの品質にとって重要となるのは、欠点の大きさ、種類、個数などの欠点情報であり、欠点検査機が検出した欠点画像からこういった意味のある欠点情報に変換する必要がある。一方で、前述の特許文献１が対象としている製造プロセスは、熱延鋼板の製造条件とその品質値である幅縮み量などであり、欠点情報を用いることや、欠点画像から意味のある欠点情報に変換する点に関しては何ら言及されていない。

予測部４４は、その時点で過去Ｍ時間におけるプロセス情報と欠点種Ａの数を用いて、Ｎ時間後の欠点種Ａの数を予測する。図３は、予測部４４が行う予測処理を模式的に示す図である。予測部４４は、学習済みモデル１００を用いて現時点からＮ時間後（ｔ＝Ｔ）における欠点種Ａの数を予測する。この際の入力パラメータＩＰは、ｔがＴ−Ｎ−Ｍ≦ｔ≦Ｔ−Ｎの範囲における１時間ごとのプロセス情報および欠点種Ａの数である。また、出力パラメータＯＰは、ｔ＝Ｔにおける欠点種Ａの数である。なお、Ｍ、Ｎの値は、製造プロセスＰの具体的な製造条件や材料などに応じて適宜設定される。また、入力パラメータは、一般に１時間以外の所定時間ごとのデータでもよい。

また、欠点種Ａの数は連続的に取得できるものではなく、欠点検査機３が稼働していない場合、例えば立上げ時や停機時などはデータが空白となってしまうことがある。このとき、欠点種Ａの数を最後に取得された欠点数の値で埋める、線形補間、スプライン補間など欠損値を適切に補間することが好ましい。また、欠点数が過剰に観測された場合、モデルによる回帰が困難となることから、モデルに入力する際には上限値の設定や対数変換などの処理を施すことが好ましい。

図４は、予測部４４が行う予測処理におけるデータと予測値との関係を模式的に示す図である。図４では、ｔ＝Ｔ_i（ｉ＝１，２，３）における欠点種Ａの数の予測値が、Ｔ_i−Ｎ−Ｍ≦ｔ≦Ｔ_i−Ｎの範囲における１時間ごとのプロセス情報および欠点種Ａの数からなるＤ個のデータ（データ１、データ２、・・・、データＤ）をもとに算出されることを模式的に示している。

図５は、学習済みモデル１００の概要を示す図である。学習済みモデル１００は、入力層１０１、中間層１０２および出力層１０３からなり、各層が一または複数のノードを有するニューラルネットワークである。学習済みモデル１００は、学習を行うことによって生成されたものである。学習済みモデル１００におけるネットワークパラメータ等の情報は、記憶部４６に格納されている。ネットワークパラメータには、ニューラルネットワークの層間の重みやバイアスに関する情報が含まれる。

入力層１０１は、ｔがＴ−Ｎ−Ｍ≦ｔ≦Ｔ−Ｎの範囲における１時間ごとのプロセス情報および欠点種Ａの数からなるＤ個のデータ群（Ｄ次元データ）を入力パラメータとして入力する層である。図５においてＸ_T-i（ｉ＝Ｎ，Ｎ＋１，・・・，Ｎ＋Ｍ）は、ｔ＝Ｔ−ｉにおける入力パラメータを示している。

中間層１０２は、２段のＬＳＴＭ（Long Short−Term Memory）ブロックからなる。ＬＳＴＭは、再帰型ニューラルネットワーク（ＲＮＮ）の一種であり、同じ段のブロック間において異なる時刻間で再帰的に結合することにより、長期および短期にわたるデータ間の依存関係を含むモデルを構成している。入力層１０１から見て１段目のＬＳＴＭには、入力パラメータが入力され、入力パラメータの次元数Ｄより小さい次元数ｄ（＜Ｄ）のパラメータが出力される。入力層１０１から見て２段目のＬＳＴＭでは、入力されるパラメータと出力されるパラメータの次元数ｄは同じである。

出力層１０３は、Ｔ−Ｍ≦ｔ≦Ｔの範囲における１時間ごとの欠点種Ａの数の予測値を算出する。図５においてＹ_T-j（ｊ＝０，１，・・・，Ｍ）は、ｔ＝Ｔ−ｊにおける出力パラメータを示している。出力層１０３は、ｔ＝Ｔの予測値を学習済みモデル１００の出力パラメータとして出力する。

制御部４５は、品質管理システム１の動作を統括して制御する。制御部４５は、予測部４４の予測結果を表示装置５に表示させる表示制御部４５１を有する。表示制御部４５１は、予測結果に加えて欠点種Ａの数の実績値を表示装置５に表示させてもよい。

記憶部４６は、品質予測装置４を動作させるための各種プログラム、および品質予測装置４の動作に必要な各種パラメータ等を含むデータを記憶する。各種プログラムには、学習済みモデル１００を用いて実行される品質予測プログラムも含まれる。記憶部４６は、各種プログラム等があらかじめインストールしたＲＯＭ（Read Only Memory）、および各処理の演算パラメータやデータ等を記憶するＲＡＭ（Random Access Memory）、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）等を用いて構成される。

各種プログラムは、ＨＤＤ、フラッシュメモリ、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、Ｂｌｕ−ｒａｙ（登録商標）等のコンピュータ読み取り可能な記録媒体に記録して広く流通させることも可能である。また、データ取得部４２が、通信ネットワークを介して各種プログラム取得することも可能である。ここでいう通信ネットワークは、例えば既存の公衆回線網、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）等を用いて構成されるものであり、有線、無線を問わない。

以上の機能構成を有する品質予測装置４は、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）等の１または複数のハードウェアを用いて構成されるコンピュータである。

表示装置５は、液晶または有機ＥＬ（Electro Luminescence）からなるディスプレイであり、品質予測装置４と電気的に接続されている。表示装置５は、表示制御部４５１の制御のもとで品質予測装置４から出力される表示用データを取得して表示する。なお、表示装置５がスピーカ等の音声出力機能を有してもよい。

図６は、品質予測装置４が行う処理の概要を示すフローチャートである。まず、データ取得部４２が管理サーバ２および欠点検査機３からプロセス情報および欠点画像のデータをそれぞれ取得する（ステップＳ１）。

続いて、画像判別部４３が、取得した欠点画像に含まれる欠点種Ａを判別し、所定期間内の欠点種Ａの数を記憶部４６に書き込んで記憶させる（ステップＳ３）。

その後、予測部４４は、直前のＭ時間におけるプロセス情報および欠点種Ａの数を学習済みモデル１００に入力することにより、Ｎ時間後の欠点種Ａの数を予測する（ステップＳ４）。

続いて、表示制御部４５１は、予測部４４による予測結果を表示装置５に表示させる表示制御を行う（ステップＳ５）。

品質予測装置４は、以上説明したステップＳ１〜Ｓ５の処理を繰り返し実行する。

図７および図８は、実施の形態１に係る予測方法における予測値と実績値とを比較した例を示す図である。ここでの実績値は、予測値に基づく対策を講じることなく製造を続けた場合の実績値である。これらの図においては、破線が予測値の時間変化を表し、実線が実績値の時間変化を表している。また、これらの図において、横軸は日付、縦軸は目的変数である欠点種Ａの数を正規化した値である。なお、実績曲線は、補間処理などを適宜施している。

図７に示す第１例において、予測曲線Ｌ１は、１２月２２日に予測値が増加し始めている。これに対して実績曲線Ｌ２では、予測曲線Ｌ１よりも遅れて１２月２３日に実績値が増加し始めている。すなわち、予測部４４は、実績値よりも早く上昇傾向を予測することができている。したがって、実際の製造プロセスでは、欠点種Ａの数が増加する前に、早めの対策を講じることが可能となる。

図８に示す第２例においても、予測曲線Ｌ３における予測値が、実績曲線Ｌ４における実績値よりも早く１月１０日ごろから上昇し始めている。したがって、図７に示す第１例と同様、実際の製造プロセスでは早めの対策を講じることができる。

ここで、品質予測装置４の予測部４４が予測を行う際に用いる学習済みモデルを生成する学習装置の機能構成について、図９に示すブロック図を参照して説明する。同図に示す学習装置６は、入力部６１、学習部６２、制御部６３および記憶部６４を備える。

入力部６１は、学習装置６が生成するモデルが有するネットワークパラメータの設定や学習処理の詳細に関する情報を含む各種情報の入力を受け付ける。入力部６１は、キーボード、マウス、マイク等のユーザインタフェースを用いて構成される。

学習部６２は、ニューラルネットワークのネットワークパラメータを最適化する学習を行うことによって学習済みモデル１００を生成する。学習部６２は、ある時点で直近Ｍ時間の１時間ごとのプロセス情報および欠点種Ａの数の情報からなる入力パラメータと、Ｎ時間後の欠点種Ａの数とを教師データとして取得し、この教師データを用いて、例えば誤算逆伝播法および確率的勾配降下法等を用いた学習を行い、ニューラルネットワークのネットワークパラメータを修正する処理を繰り返し実行することによって学習済みモデルを生成する。

制御部６３は、学習装置６の動作を統括して制御する。制御部６３は、学習装置６の処理に関する情報を表示する表示装置の表示を制御する機能を有してもよい。

記憶部６４は、学習部６２が学習に用いる教師データ、学習装置６を動作させるための各種プログラム、および学習装置６の動作に必要な各種パラメータ等を含むデータを記憶する。記憶部４６は、各種プログラム等があらかじめインストールしたＲＯＭ、および各処理の演算パラメータやデータ等を記憶するＲＡＭ、ＨＤＤ、ＳＳＤ等を用いて構成される。各種プログラムは、ＨＤＤ、フラッシュメモリ、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、Ｂｌｕ−ｒａｙ（登録商標）等のコンピュータ読み取り可能な記録媒体に記録してもよいし、通信ネットワークを介してダウンロード可能としてもよい。

以上の機能構成を有する学習装置６は、ＣＰＵ、ＧＰＵ、ＡＳＩＣ、ＦＰＧＡ等の１または複数のハードウェアを用いて構成される。

なお、教師データは実際には正常なデータの方が多く、異常なデータは正常なデータと比べて少ないため、学習装置６が全ての教師データを用いて学習すると、正常時の事例の影響を強く受けやすい。そこで、学習装置６が学習を行う際には、学習時の異常なデータに対する重みおよびサンプリング頻度の少なくともいずれか一方を正常なデータよりも大きくすることによって調整してもよい。ここでいう学習時の重みは、例えばニューラルネットワークのネットワークパラメータの重みを学習する際の学習率である。

以上説明した実施の形態１によれば、所定期間のフィルムの製造プロセスから得られるプロセス情報および該製造プロセスにより製造されたフィルムの品質情報を入力パラメータとして、製造済みのフィルムに対するプロセス情報および品質情報を用いた機械学習によって生成された学習済みモデルに基づく演算を行うことにより、所定時間後のフィルムの品質情報の予測値を出力するため、プロセス情報や品質情報の履歴による寄与が無視できないポリマーを原料として製造するフィルムの品質を予測することができる。

図１０は、実施の形態１の第１変形例に係る学習済みモデルの概要を示す図である。同図に示す学習済みモデル２００は、直前のＭ時間のパラメータに加えて、製造プロセスＰの立上げ時におけるパラメータを入力している。学習済みモデル２００は、直前のＭ時間分のパラメータを入力して演算する第１演算層２０１と、立上げ時の所定のＪ時間分のパラメータを入力して演算する第２演算層２０２と、第１演算層２０１および第２演算層２０２の演算結果を結合する結合層２０３と、結合層２０３の出力からＮ時間後の欠点種Ａの予測値を出力する出力層２０４とを有する。

第１演算層２０１は、上述した入力層１０１および中間層１０２からなる（図５を参照）。

第２演算層２０２は、入力層２２１および中間層２２２からなる。入力層２２１の入力パラメータは立上げ時のＪ時間における１時間ごとのデータ群であり、入力層１０１の入力パラメータから欠点種Ａの数を除いたＤ−１個のデータ群である。中間層２２２は、中間層１０２と同様に２層のＬＳＴＭを有する。中間層２２２が中間層１０２と異なる点は、立上げ時間がＪ時間よりも短い場合には、その分の入力を遮断する処理を行う点である。この遮断処理は、可変長入力処理に相当する。

以上の構成を有する学習済みモデル２００を用いることにより、立上げ時のデータを活用して精度よく欠点種Ａの数を予測することができる。

図１１は、実施の形態１の第２変形例に係る学習済みモデルの概要を示す図である。同図に示す学習済みモデル２００Ａは、直前のＭ時間のパラメータ、製造プロセスＰの立上げ時におけるパラメータに加えて、製造プロセスＰの停止時のパラメータを入力している。学習済みモデル２００Ａは、第１演算層２０１と、第２演算層２０２と、製造プロセスＰの停止時のパラメータを入力して演算する第３演算層２０５と、第１演算層２０１、第２演算層２０２および第３演算層２０５の演算結果を結合する結合層２０３と、出力層２０４とを有する。

第３演算層２０５は、入力層２５１および中間層２５２からなる。入力層２５１の入力パラメータは製造プロセスＰの停止時の所定のＫ時間分における１時間ごとのデータ群であり、入力層１０１の入力パラメータから欠点種Ａの数を除いたＤ−１個のデータ群である。中間層２５２は、中間層２０２と同様に２段のＬＳＴＭブロックを有する。中間層２５２は、中間層２２２と同様に、製造プロセスＰの停止時間がＫ時間よりも短い場合には、その分の入力を遮断する処理を行う。

以上の構成を有する学習済みモデル２００Ａを用いることにより、製造プロセスＰを停止した時のデータをさらに活用し、精度よく予測を行うことができる。

（実施の形態２）
図１２は、実施の形態２に係る品質管理システムの機能構成を示すブロック図である。同図に示す品質管理システム１Ａは、管理サーバ２と、欠点検査機３と、品質予測装置４Ａと、表示装置５と、を備える。品質予測装置４Ａ以外の機能構成は実施の形態１と同様である。

品質予測装置４Ａは、品質予測装置４の機能構成に加えて、判定部４７を有する。判定部４７は、入力パラメータが、記憶部４６が記憶する過去の実績データと類似しているか否かを判定する。判定部４７は、例えば入力パラメータの特徴量を用いて過去に実績のある実績データとの類似度を算出し、この類似度と所定の閾値とを比較する。類似度は、例えば特徴空間におけるデータ間の距離等の量を用いて定義される。この際、判定部４７は、例えば主成分分析や自己符号化器によって次元圧縮した特徴空間での距離を用いて類似度を算出してもよい。

図１３は、品質予測装置４が行う処理の概要を示すフローチャートである。ステップＳ１１、Ｓ１２は、図６のステップＳ１、Ｓ２にそれぞれ対応している。ステップＳ１３において、判定部４７が入力データを実績データと類似していると判定した場合（ステップＳ１３：Ｙｅｓ）、ステップＳ１４へ移行する。ステップＳ１４およびＳ１５の処理は、図６のステップＳ３およびＳ４の処理にそれぞれ対応している。

ステップＳ１３において、判定部４７が入力データを実績データと類似していないと判定した場合（ステップＳ１３：Ｎｏ）、表示制御部４５１は表示装置５に未知のデータであることを報知する情報を表示させる表示制御を行う（ステップＳ１６）。

以上説明した実施の形態２によれば、実施の形態１と同様、ポリマーを原料として製造するフィルムの品質を予測することができる。

また、実施の形態２によれば、実績データと比較して類似していないデータを未知のデータとみなして予測を行わないため、予測の精度を向上させることができる。

なお、判定部４７の機能を有する装置を品質予測装置とは別体として連携させるシステムを構成することにより、品質予測装置４Ａの機能を実現してもよい。

（その他の実施の形態）
ここまで、本発明を実施するための形態を説明してきたが、本発明は、上述した実施の形態によってのみ限定されるべきものではない。例えば、品質予測装置が学習部の機能を備えてもよい。この場合、品質予測装置は、欠点種Ａの所定時間の予測値を算出することに加え、学習済みモデルを逐次更新し、学習済みモデルの精度を向上させることができる。

また、機械学習は上述した深層学習に限られるわけではなく、例えばサポートベクターマシン、決定木、ランダムフォレスト、または勾配ブースティング木などを用いてもよい。

１、１Ａ 品質管理システム
２ 管理サーバ
３ 欠点検査機
４、４Ａ 品質予測装置
５ 表示装置
６ 学習装置
４１、６１ 入力部
４２ データ取得部
４３ 画像判別部
４４ 予測部
４５、６３ 制御部
４６、６４ 記憶部
４７ 判定部
６２ 学習部
１００、２００、２００Ａ 学習済みモデル
１０１、２２１、２５１ 入力層
１０２、２０２、２２２、２５２ 中間層
１０３、２０４ 出力層
２０３ 結合層
４５１ 表示制御部
Ｌ１、Ｌ３ 予測曲線
Ｌ２、Ｌ４ 実績曲線
Ｐ 製造プロセス
Ｓ フィルム

Claims (16)

1. ポリマーを原料として製造されるフィルムの品質を予測する品質予測装置であって、
   所定期間の前記フィルムの製造プロセスから得られるプロセス情報および前記製造プロセスにより製造されたフィルムの品質情報を入力パラメータとして、製造済みのフィルムに対する前記プロセス情報および前記品質情報を用いた機械学習によって生成された学習済みモデルに基づく演算を行うことにより、所定時間後の前記フィルムの品質情報の予測値を出力する予測部
   を備える品質予測装置。
2. 前記品質情報が、フィルムに含まれる特定種類の欠点の数である請求項１に記載の品質予測装置。
3. 前記フィルムの表面を撮像することによって生成された画像のデータを用いて前記特定種類の欠点を判別する画像判別部をさらに備える請求項２に記載の品質予測装置。
4. 前記予測部は、
   前記製造プロセスの直近における前記プロセス情報および前記品質情報を前記学習済みモデルに入力する請求項１〜３のいずれか一項に記載の品質予測装置。
5. 前記予測部は、
   前記製造プロセスの立上げ時における前記プロセス情報を前記学習済みモデルに入力する請求項４に記載の品質予測装置。
6. 前記予測部は、
   前記製造プロセスの停止時における前記プロセス情報を前記学習済みモデルに入力する請求項４または５に記載の品質予測装置。
7. 前記学習済みモデルは、
   前記入力パラメータが入力される入力層と、
   前記入力層が出力する信号が入力され、多層構造を有する中間層と、
   前記中間層が出力する信号が入力され、前記所定時間後の前記ポリマーの品質情報を出力する出力層と、を有し、
   各層が一または複数のノードを有するニューラルネットワークからなる請求項１〜６のいずれか一項に記載の品質予測装置。
8. 前記ニューラルネットワークは、
   再帰構造を有するリカレントニューラルネットワークであり、
   前記入力層には、入力時点よりも過去の前記所定期間における前記プロセス情報および前記品質情報が入力される請求項７に記載の品質予測装置。
9. 前記予測部の予測結果を表示装置に表示させる表示制御部をさらに備える請求項１〜８のいずれか一項に記載の品質予測装置。
10. 入力データが過去に実績のある実績データと類似しているか否かを判定する判定部をさらに備え、
    前記判定部が前記入力データと前記実績データとが類似していないと判定した場合、未知のデータであることを前記表示装置に表示させる請求項９に記載の品質予測装置。
11. ポリマーを原料として製造されるフィルムの品質を予測する品質予測装置が行う品質予測方法であって、
    所定期間の前記フィルムの製造プロセスから得られるプロセス情報および前記製造プロセスにより製造されたフィルムの品質情報を記憶部から読み出し、読み出した前記プロセス情報および前記品質情報を入力パラメータとして、製造済みのフィルムに対する前記プロセス情報および前記品質情報を用いた機械学習によって生成された学習済みモデルに基づく演算を行うことにより、所定時間後の前記フィルムの品質情報の予測値を出力する予測ステップ
    を有する品質予測方法。
12. ポリマーを原料として製造されるフィルムの品質を予測する品質予測装置に、
    所定期間の前記フィルムの製造プロセスから得られるプロセス情報および前記製造プロセスにより製造されたフィルムの品質情報を入力パラメータとして、製造済みのフィルムに対する前記プロセス情報および前記品質情報を用いた機械学習によって生成された学習済みモデルに基づく演算を行うことにより、所定時間後の前記フィルムの品質情報の予測値を出力する予測ステップ
    を実行させる品質予測プログラム。
13. ポリマーを原料として製造されるフィルムの所定期間の製造プロセスから得られるプロセス情報および前記製造プロセスにより製造されたフィルムの品質情報を入力パラメータとして、所定時間後の前記フィルムの品質の予測値を出力するよう、コンピュータを機能させるための学習済みモデルを生成する学習装置であって、
    前記所定期間のプロセス情報および品質情報からなる入力パラメータと、所定時間後の品質情報とを教師データとして取得し、該教師データを用いてモデルを構成するパラメータ群を逐次最適化する処理を繰り返し実行する学習部
    を備える学習装置。
14. 前記学習部は、
    前記品質情報の種類に応じて学習時の重みおよびサンプリング頻度の少なくともいずれか一方を変更する請求項１３に記載の学習装置。
15. 入力パラメータが入力される入力層と、
    前記入力層が出力する信号が入力され、多層構造を有する中間層と、
    前記中間層が出力する信号が入力され、所定時間後のポリマーの品質情報を出力する出力層と、
    を有し、
    各層が一または複数のノードを有するニューラルネットワークによって構成され、
    ポリマーを原料として製造されるフィルムの所定期間の製造プロセスから得られるプロセス情報および前記製造プロセスにより製造されたフィルムの品質情報を前記入力層に入力し、前記ニューラルネットワークのネットワークパラメータであって学習済みのネットワークパラメータに基づく演算を行い、前記出力層から所定時間後の前記ポリマーの品質情報の予測値を出力するよう、コンピュータを機能させるための学習済みモデル。
16. 前記ニューラルネットワークは、
    再帰構造を有するリカレントニューラルネットワークであり、
    前記入力層には、入力時点よりも過去の前記所定期間における前記プロセス情報および前記品質情報が入力される請求項１５に記載の学習済みモデル。

Images