JP2022069958A - システム、制御方法及びプログラム - Google Patents

Abstract

【課題】物品の製造に係る価格と納期を精度良く推定する技術を提供する。【解決手段】物品の注文情報と、前記物品の製造に用いられる設備の稼働状況を特定するための情報と、前記物品の製造に従事する従業員の状況を特定するための情報とを取得する取得手段と、前記取得手段により取得された、前記物品の注文情報と前記物品の製造に用いられる設備の稼働状況を特定するための情報と前記物品の製造に従事する従業員の状況を特定するための情報とに基づいて、前記設備により前記物品を製造する場合の推定価格と推定納期を示す情報を出力する。【選択図】図１

Description

本開示は、物品の製造価格と納期の推定を行うシステム、制御方法、及びプログラムに関する。

従来、物品の製造価格および納期の見積り（推定）は、物品の形状と寸法公差や材質といった機能情報を考慮して、熟練者が行っている。また、特許文献１では、学習済みモデルを用いて、見積り対象物品の３Ｄモデルや対象物品のスペックから、価格と納期を見積もるシステムが開示されている。

特開２０１９－３２６２３号公報

しかしながら、特許文献１では、設備稼働状況や従業員の状況が考慮されておらず、推定の精度が低下する可能性が生じる。

上記課題に鑑み、本開示では、物品の製造価格と納期を精度良く推定する技術を提供する。

本開示の一態様は、以下のとおりである。すなわち、システムは、物品の注文情報と、前記物品の製造に用いられる設備の稼働状況を特定するための情報と、前記物品の製造に従事する従業員の状況を特定するための情報とを取得する取得手段と、前記取得手段により取得された、前記物品の注文情報と前記物品の製造に用いられる設備の稼働状況を特定するための情報と前記物品の製造に従事する従業員の状況を特定するための情報とに基づいて、前記設備により前記物品を製造する場合の推定価格と推定納期を示す情報を出力する出力手段と、を有する。

本開示によれば、物品の製造価格と納期を精度良く推定することができる。

実施形態に係るシステム構成図である。 実施形態に係る工程候補算出部の学習装置を示す図である。 実施形態に係る工程候補算出部の推論装置を示す図である。 実施形態に係る受注可能価格・納期推定部の学習装置を示す図である。 実施形態に係る受注可能価格・納期推定部の推論装置を示す図である。 実施形態に係る工程・スケジュール算出装置を示す図である。 実施形態に係る工程・スケジュール算出処理のフローチャートである。 実施形態に係る見積り算出装置を示す図である。 適用例に係るＣＡＤモデルの一例を示す図である。 適用例に係る注文情報の一例を示す図である。 適用例に係る制約条件の一例を示す図である。 適用例に係る設備稼働スケジュールの一例を示す図である。 適用例に係る従業員スケジュールの一例を示す図である。 適用例に係る工程候補パターンおよび工程パターンごと、かつ工程ごとの所要時間の一例を示す図である。 適用例に係る受注可能価格・納期推定部モデルの一例を示す図である。 実施形態に係る装置のハードウェア構成例を示すブロック図である。 工程候補算出部の学習及び推論の一連の流れを説明する図である。 受注可能価格・納期推定部の学習及び推論の一連の流れを説明する図である。

以下、図面を参照しながら、本発明を実施するための形態について説明する。なお、以下の実施形態は本発明を限定するものではなく、また、本実施形態で説明されている特徴の組み合わせの全てが本発明の解決手段に必須のものとは限らない。本発明の趣旨を逸脱しない範囲において適宜変更してもよい。

図１は、本実施形態に係る物品製造価格および納期見積りシステム１００（以下、システム１００という）の構成例を示す図である。システム１００は、顧客からの注文情報、工場における制約条件、工場内の設備稼働状況、工場で物品の製造に従事する従業員の状況を基に、物品製造の見積価格（推定価格）および見積納期（推定納期）を算出して出力する。物品には、部品や部品により組み立てられた物が含まれる。設備は、物品の加工装置や製造装置などが含まれる。設備には、研削装置や溶接装置、圧着装置などが含まれる。従業員の状況には、従業員のスケジュールが含まれ、スケジュールには、今後のスケジュールの他に、過去のスケジュールも含まれてもよい。例えば、過去の従業員のスケジュールから、労働時間や疲労度（体調）などの従業員の状況を推測することが可能となるからである。従業員の状況に、労働時間や疲労度（体調）が含まれていてもよい。また稼働状況は、稼働スケジュールが含まれ、スケジュールには、今後のスケジュールの他に、過去のスケジュールも含まれてもよい。

システム１００は、顧客からの注文情報取得部１１１、工場における制約条件取得部１１２、工場内の設備稼働スケジュール取得部１１３、工場の従業員スケジュール取得部１１４、制御部１２０、および注文データベース１３０を有する。また、制御部１２０は、工程候補算出部１２１、受注可能価格・納期推定部１２２、工程・スケジュール算出部１２３、見積り算出部１２４を含む。また、制御部１２０は、過去に顧客から見積り依頼を受けた注文情報が格納されている注文データベース１３０に接続されている。なお、このシステム１００は、複数の装置で構成されていてもよいし、一つの装置で構成されていてもよい。

システム１００のハードウェア構成について、図１６を用いて説明する。この場合、システム１００が一つの装置で構成される例を示す。システム１００は、ＣＰＵ（中央演算処理装置）１６１１、ＲＯＭ１６１２、ＲＡＭ１６１３、補助記憶装置１６１４、表示部１６１５、操作部１６１６、通信Ｉ／Ｆ１６１７、及びバス１６１８を有する。

ＣＰＵ１６１１は、ＲＯＭ１６１２やＲＡＭ１６１３に格納されているコンピュータプログラムやデータを用いてシステム１００の全体を制御することで、図１に示すシステム１００の各機能を実現する。なお、システム１００がＣＰＵ１６１１とは異なる１又は複数の専用のハードウェアを有し、ＣＰＵ１６１１による処理の少なくとも一部を専用のハードウェアが実行してもよい。専用のハードウェアの例としては、ＡＳＩＣ（特定用途向け集積回路）、ＦＰＧＡ（フィールドプログラマブルゲートアレイ）、およびＤＳＰ（デジタルシグナルプロセッサ）などがある。ＲＯＭ１６１２は、変更を必要としないプログラムなどを格納する。ＲＡＭ１６１３は、補助記憶装置１６１４から供給されるプログラムやデータ、及び通信Ｉ／Ｆ１６１７を介して外部から供給されるデータなどを一時記憶する。補助記憶装置１６１４は、例えばハードディスクドライブ等で構成され、画像データなどの種々のデータを記憶する。

表示部１６１５は、例えば液晶ディスプレイやＬＥＤ等で構成され、ユーザが情報処理装置１６００を操作するためのＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）などを表示する。操作部１６１６は、例えばキーボードやマウス、タッチパネル等で構成され、ユーザによる操作を受けて各種の指示をＣＰＵ１６１１に入力する。ＣＰＵ１６１１は、表示部１６１５を制御する表示制御部、及び操作部１６１６を制御する操作制御部として動作する。

通信Ｉ／Ｆ１６１７は、システム１００の外部の装置との通信に用いられる。例えば、システム１００が外部の装置と有線で接続される場合には、通信用のケーブルが通信Ｉ／Ｆ１６１７に接続される。システム１００が外部の装置と無線通信する機能を有する場合には、通信Ｉ／Ｆ１６１７はアンテナを備える。バス１６１８は、システム１００の各部をつないで情報を伝達する。

本実施形態では表示部１６１５と操作部１６１６がシステム１００の内部に存在するものとするが、表示部１６１５と操作部１６１６との少なくとも一方がシステム１００の外部に別の装置として存在していてもよい。

また、システム１００が、複数の装置で構成される場合、各装置が、図１６で示すハードウェア構成と同様のハードウェア構成を有していればよい。複数の装置には、表示部など、図１６で示す要素を有さない装置が含まれていてもよいし、さらに別の要素を有する装置が含まれていてもよい。例えば、注文情報取得部１１１の機能を有する装置は、紙などの印刷物に記載された注文情報を、スキャンして取り込むためのスキャナーやカメラ（イメージセンサー）を有していてもよい。複数の装置には、音声入力に対応するためにマイク（収音機器）を有する装置が含まれていてもよい。

注文情報取得部１１１は、注文情報を特定するための情報を取得する。注文情報は、発注者、見積もり部品、見積もり製品の少なくとも一つに関する情報である。具体的には、注文情報は、部品の形状を表すＣＡＤモデル、部品の機能情報、企業名、希望価格、希望納期、価格優先度、納期優先度、顧客重要度のデータが挙げられる。注文情報取得部１１１は、通信Ｉ／Ｆ１６１７を介して、外部の装置からそれらのデータを取得してもよいし、操作部１６１６を介して、ユーザの操作によって、それらのデータを取得してもよい。

制約条件取得部１１２は、制約条件を特定するための情報を取得する。制約条件は、受注者の設備等に関する条件で、部品等の製造において価格、見積もりに影響を与える条件である。例えば、制約条件は、条件設備等の設備と工程の対応情報、設備能力、従業員と工程の対応情報、従業員の作業能力、設備および従業員の単位時間当たりのコストが挙げられる。また、従業員の最近の労働状況なども制約条件に含まれる。設備能力は、製造のスピードや歩留まりなどを数値化されていてもよい。従業員の作業能力などは数値化していてもよい。この制約条件は、制約条件取得部１１２は、通信Ｉ／Ｆ１６１７を介して、外部の装置からそれらのデータを取得してもよいし、操作部１６１６を介して、ユーザの操作によって、それらのデータを取得してもよい。

設備稼働スケジュール取得部１１３は、現在から将来にわたる設備ごとの稼働スケジュールを取得する。ここで設備の稼働スケジュールは、設備のメンテナンススケジュールも含まれる。また、このスケジュールは分単位であっても時間単位であっても日単位であってもよい。設備稼働スケジュール取得部１１３は、通信Ｉ／Ｆ１６１７を介して、外部の装置からそれらのデータを取得してもよいし、操作部１６１６を介して、ユーザの操作によって、それらのデータを取得してもよい。特に、設備稼働スケジュール取得部１１３は、リアルタイムに変化する稼働状況をスケジュールへ反映するため、ＩｏＴ機器によるデータの取得を行ってもよい。設備稼働スケジュール取得部１１３は、設備の稼働状況を定期的に取得してもよいし、不定期に取得してもよい。

従業員スケジュール取得部１１４は、従業員の出勤スケジュールおよび作業計画を取得する。ここで、スケジュールは分単位であっても時間単位であっても日単位であってもよい。従業員スケジュール取得部１１４は、通信Ｉ／Ｆ１６１７を介して、外部の装置からそれらのデータを取得してもよいし、操作部１６１６を介して、ユーザの操作によって、それらのデータを取得してもよい。特に、従業員スケジュール取得部１１４は、リアルタイムに変化する従業員の作業状況をスケジュールへ反映するため、ＩｏＴ機器（監視カメラやビーコンなど）によるデータの取得を行ってもよい。従業員スケジュール取得部１１４は、設備の稼働状況を定期的に取得してもよいし、不定期に取得してもよい。

制御部１２０は、部品製造の見積価格と見積納期を算出する。そのために、制御部１２０は、注文情報取得部１１１が取得した注文情報、制約条件取得部１１２が取得した制約条件を取得する。また、制御部１２０は、設備稼働スケジュール取得部１１３が取得した設備稼働スケジュール、従業員スケジュール取得部１１４が取得した従業員スケジュールを取得する。制御部１２０は、取得したそれらの情報を基に、部品製造の見積価格と見積納期を算出する。

制御部１２０は、上述したように、工程候補算出部１２１、受注可能価格・納期推定部１２２、工程・スケジュール算出部１２３、見積り算出部１２４を有している。

工程候補算出部１２１は、注文情報を特定するための情報に基づいて、工程候補を出力する。具体的には、工程候補算出部１２１は、学習の結果（学習済みモデル）を用いて、注文情報を特定するための情報を入力として、工程候補を出力する。なお、工程候補算出部１２１は、学習済みモデルを含む工程候補算出部推論装置であってもよいし、その工程候補算出部推論装置に含まれる学習済みモデルであってもよい。以下の例では、工程候補算出部１２１が、学習済みモデルを含む工程候補算出部推論装置である場合について説明する。

受注可能価格・納期推定部１２２は、企業ごとに、希望価格と希望納期を特定するための情報に基づいて、受注可能価格・納期の範囲を出力する。具体的には、受注可能価格・納期推定部１２２は、例えば学習の結果（学習済みモデル）を用いて、希望価格と希望納期を特定するための情報を入力として、受注可能価格・納期の範囲を出力する。なお、受注可能価格・納期推定部１２２は、学習済みモデルを含む受注可能価格・納期推定部推論装置であってもよいし、その受注可能価格・納期推定部推論装置に含まれる学習済みモデルであってもよい。以下の例では、受注可能価格・納期推定部１２２が、学習済みモデルを含む受注可能価格・納期推定部推論装置である場合について説明する。なお、受注可能価格と受注可能納期として、それぞれ範囲が出力される。

工程・スケジュール算出部１２３は、種々のデータを用いて、見積価格および納期の候補と、その工程および対応する設備稼働スケジュールおよび従業員スケジュールを出力する。種々のデータは、具体的には、制約条件のデータや、工程候補算出部１２１で算出する工程候補パターンや、受注可能価格・納期推定部１２２で推定する受注可能価格・納期推定幅のデータである。また、注文情報、設備稼働スケジュール、従業員スケジュール、部品納期バッファのデータも取得される。

見積り算出部１２４は、種々のデータを基に、見積価格を出力する。種々のデータは、制約条件取得部９１１により設備と工程の対応情報、従業員と工程の対応情報、設備ごとの単位時間当たりのコストのデータ、従業員ごとの単位時間当たりのコストのデータである。

次に、工程候補算出部１２１について、学習段階と、推論段階について詳細に述べる。なお、学習の具体的なアルゴリズムとして、最近傍法、ナイーブベイズ法、決定木、サポートベクターマシンなどが挙げられる。また、ニューラルネットワークを利用して、学習するための特徴量、結合重み付け係数を自ら生成する深層学習（ディープラーニング）も挙げられる。適宜、上記アルゴリズムのうち利用できるものを用いて本実施形態に適用することができる。以下では、ニューラルネットワークを利用する場合を例にして説明を行う。

（工程候補算出部１２１の学習段階）
図２は、工程候補算出部１２１を学習する工程候補算出部学習装置２００の構成例を示す図である。なお、工程候補算出部１２１は、工程候補算出部学習装置２００により生成される学習済みモデルであってもよいし、工程候補算出部学習装置２００自身であってもよい。また、工程候補算出部１２１の学習における一連の流れを図１７（ａ）に示す。

工程候補算出部学習装置２００は、ＣＡＤモデル取得部２１１、機能情報取得部２１２、学習部２２０、および注文データベース１３０を含む。学習部２２０は、データ変換部２２１、工程候補算出部２２２、工程正解入力部２２３、機械学習部２２４を含む。また、工程候補算出部学習装置２００は、過去に顧客から見積り依頼を受けた注文情報が格納されている注文データベース１３０に接続されている。

ＣＡＤモデル取得部２１１は、注文データベース１３０に格納された部品の形状を表すＣＡＤモデルを取得する（Ｓ１７００）。ここでＣＡＤモデルは、３次元ＣＡＤにより生成された立体モデルであり、部品の形状を表す形状データの一例である。ＣＡＤモデルのファイル形式はＩＧＥＳ，ＰＲＴなど様々であるが、いずれのファイル形式を採用してもよい。なお、ＣＡＤモデル取得部２１１は、複数の方向から見た場合の部品の２次元形状データや、２次元で表された設計図を取得してもよい。

機能情報取得部２１２は、ＣＡＤモデル取得部２１１で取得した部品の機能情報を取得する（Ｓ１７０１）。ここで機能情報には、部品が用いられる製品の機能特性、部品の機能特性、製品デザイン、部品デザイン、外観特性、外観段差、外観バリ、図面公差、部品剛性・変形、樹脂収縮率、製品サイズ、部品肉厚、組立情報、材質が含まれる。学習に用いる情報としては、このうちの全部の情報でもよいし、その一部の情報であってもよい。

学習部２２０は、ＣＡＤモデル取得部２１１で取得した部品のＣＡＤモデル、機能情報取得部２１２で取得した機能情報を、学習用の入力データとするため、データ変換部２２１により数値データに変換する（Ｓ１７０２）。具体的には、データ変換部２２１は、部品のＣＡＤモデルを点群データに変換する。ここで、点群データとは、ＣＡＤモデルで表現された立体を点の集合体で表したデータであり、ｘ，ｙ，ｚの座標データとして表現される。なお、点群データは、座標データに限らず、各点の法線ベクトルのデータを保持してもよい。ＣＡＤモデルから点群データへの変換の方法としては、例えばＣＡＤモデルをＳＴＬ（Ｓｔｅｒｅｏｌｉｔｈｏｇｒａｐｈｙ）データとして保存し、ＳＴＬデータの三角パッチの頂点の座標および法線ベクトルを点群データとして抽出することであってもよい。点群データにおける点群の数は、多ければ多いほど部品の形状をより忠実に表現できるため好ましい。しかしながら、コンピュータで処理を行う上でメモリなどのリソースの制約があるため、これら処理を担うリソースの制約を基に最大の点群数が決定される。また、部品のＣＡＤモデルは、点群データでなく、多視点からキャプチャされた画像データでも、ボクセルデータでもよい。

データ変換部２２１は、機能情報が部品全体で同一の情報である場合は１つの数値データに変換する。一方、機能情報が、部品を構成する部分で異なる情報の場合は、データ変換部２２１は、ＣＡＤモデルの点群、画像もしくはボクセルデータの各点、ピクセル、ボクセルごとの数値データに変換する。例えば、部品の剛性・変形や樹脂収縮率は部品全体で同一の情報のため、機能情報は１つの数値データに変換される。一方、外観段差や外観特性（シボの有無など）は部品の部位によって異なるため、機能情報はＣＡＤモデルの点群データの各点に対応する数値データに変換される。なお、数値の表現の方法としては、いわゆるラベル表現やＯｎｅ－Ｈｏｔベクトル表現などが採用されてよいが、これらに限られない。

学習部２２０は、学習が終了したか否かを判定する（Ｓ１７０３）。具体的には、すべての学習用データに対して、後述する処理が終了したかが判定される。学習が終了した場合は、処理を終了する。学習が終了していない場合、学習を継続する。

工程候補算出部２２２は、入力層と中間層と出力層とを有するニューラルネットワーク（学習用モデル）を有する。Ｓ１７０４において、まず、この入力層に、データ変換部２２１から出力されるデータを入力することで、出力層から工程パターンの候補および各工程パターンにおける工程ごとの所要時間に対応するデータが出力される。ここで工程パターンの候補とは、例えば工程Ａ→Ｂ→Ｃ、工程Ｂ→Ｄ、といった工程の組み合わせであり、あり得るパターン全てを事前に登録しておく。

工程正解入力部２２３は、注文データベース１３０に格納された実績データ（実際の工程パターンと工程ごとの所要時間）を正解データとして、工程候補算出部２２２で出力された工程パターン候補と工程ごとの所要時間と比較する。

機械学習部２２４は、工程正解入力部２２３により比較して得られた差分に基づいて、その差分が小さくなるように、工程候補算出部２２２のニューラルネットワークのノード間の結合重み付け係数等を更新する。この更新は、例えば、バックプロパゲーション法を用いて、結合重み付け係数等が更新されてもよい。バックプロパゲーション法は、上記の差分が小さくなるように、ニューラルネットワークのノード間の結合重み付け係数等を調整する手法である。このようにして生成された学習済みモデルを保存する（Ｓ１７０５）。

以上の処理を、注文情報の数だけ繰り返し実施する。なお、学習用モデルとして用いられるニューラルネットワークは、畳み込みニューラルネットワークでもよい。

このようにして、工程候補算出部２２２が学習され、工程候補算出部２２２は、学習済みモデルを有する。この工程候補算出部２２２を図１の工程候補算出部１２１として用いることができる。以下では、工程候補算出部１２１の推論段階について詳細に述べる。

なお、学習用データ（入力データと正解データの組）の例を表１に示す。入力データとしては、変換された数値データで示されている。点群データについては、ｘｙｚ座標で表される点を記述したファイルで表される。また、機能情報は、上述したように、表１に示す以外の情報を持っていてもよいし、表１より少ない情報を持っていてもよい。

また、学習用モデルから出力される工程は、数値データであってもよい。例えば工程Ａ→Ｂ→Ｃに対応する数値を予め設定しておけばよい。また、学習用モデルにおいて、工程とその工程に対応する数値との対応関係から、工程を出力してもよい。

ＧＰＵ（グラフィクスプロセッシングユニット）はデータをより多く並列処理することで効率的な演算を行うことができる。そのため、ディープラーニングのような学習モデルを用いて複数回に渡り学習を行う場合にはＧＰＵで処理を行うことが有効である。学習の処理にはＣＰＵに加えてＧＰＵを用いてもよい。具体的には、学習モデルを含む学習プログラムを実行する場合に、ＣＰＵとＧＰＵが協働して演算を行うことで学習を行う。なお、学習の処理はＣＰＵまたはＧＰＵのみにより演算が行われてもよい。また、以降の推定の処理においてもＧＰＵを用いてもよい。

（工程候補算出部１２１の推論段階）
図３は、本実施形態に係る工程候補算出部１２１に相当する工程候補算出部推論装置３００の機能構成を示す図である。工程候補算出部推論装置３００は、ＣＡＤモデル取得部３１１、機能情報取得部３１２、推論部３２０を含む。推論部３２０は、データ変換部３２１、工程候補算出部３２２を含む。また、工程候補算出部１２１の推論における一連の流れを図１７（ｂ）に示す。

工程候補算出部推論装置３００は、ＣＡＤモデル取得部３１１において、見積りの注文を受けた部品の形状を表すＣＡＤモデルを取得する（Ｓ１７１０）。ここでＣＡＤモデルは、３次元ＣＡＤにより生成された立体モデルであり、部品の形状を表す形状データの一例である。ＣＡＤモデルのファイル形式はＩＧＥＳ，ＰＲＴなど様々であるが、いずれのファイル形式を採用してもよい。なお、ＣＡＤモデル取得部３１１は、複数の方向から見た場合の部品の２次元形状データや、２次元で表された設計図を取得してもよい。

機能情報取得部３１２は、ＣＡＤモデル取得部３１１で取得した部品の機能情報を取得する（Ｓ１７１１）。ここで機能情報には、部品が用いられる製品の機能特性、部品の機能特性、製品デザイン、部品デザイン、外観特性、外観段差、外観バリ、図面公差、部品剛性・変形、樹脂収縮率、製品サイズ、部品肉厚、組立情報、材質が含まれる。なお、機能情報としては、これら全部を含まなくても、その一部が含まれればよい。機能情報は、ここに例示したもの以外を含んでいてもよい。

推論部３２０におけるデータ変換部３２１では、工程候補算出部学習装置２００のデータ変換部２２１と同様に、取得したＣＡＤモデルを点群データに、機能情報を数値データに変換する（Ｓ１７１２）。

工程候補算出部３２２は、工程候補算出部２２２で生成された学習済みモデルを有する。そのため、データ変換部２２１から出力されるデータが、工程候補算出部３２２の学習済みモデルの入力層に入力されることで、出力層から工程候補パターンおよび工程パターンごとかつ工程ごとの所要時間が出力される（Ｓ１７１３）。これにより、図１における工程候補算出部１２１は、見積もり対象製品に対応した、工程候補パターンおよび工程パターンごとかつ工程ごとの所要時間を出力する。

次に、受注可能価格・納期推定部１２２について、学習段階と、推論段階について詳細に述べる。なお、学習の具体的なアルゴリズムとして、最近傍法、ナイーブベイズ法、決定木、サポートベクターマシンなどが挙げられる。また、ニューラルネットワークを利用して、学習するための特徴量、結合重み付け係数を自ら生成する深層学習（ディープラーニング）も挙げられる。適宜、上記アルゴリズムのうち利用できるものを用いて本実施形態に適用することができる。以下では、ニューラルネットワークを利用する場合を例にして説明を行う。

（受注可能価格・納期推定部１２２の学習段階）
図４は、受注可能価格・納期推定部１２２を学習する受注可能価格・納期推定部学習装置４００の機能構成を示す図である。なお、受注可能価格・納期推定部１２２は、受注可能価格・納期推定部学習装置４００により生成される学習済みモデルであってもよいし、受注可能価格・納期推定部学習装置４００自身であってもよい。また、受注可能価格・納期推定部１２２の学習における一連の流れを図１８（ａ）に示す。

受注可能価格・納期推定部学習装置４００は、企業名取得部４１１、部品注文情報取得部４１２、学習部４２０、および注文データベース１３０を含む。学習部４２０は、データ変換部４２１、受注可能価格・納期推定モデル生成部４２２を含む。また、受注可能価格・納期推定部学習装置４００は、過去に顧客から見積り依頼を受けた注文情報が格納されている注文データベース１３０に接続されている。

企業名取得部４１１は、注文データベース１３０に格納された過去に注文を受けた企業名を取得する（Ｓ１８００）。企業名取得部４１１は、企業名に相当する識別情報を取得してもよい。

部品注文情報取得部４１２は、企業名取得部４１１で取得した企業ごとに過去に注文を受けた部品の情報を取得する（Ｓ１８０１）。ここで注文情報には、部品ごとの希望価格、希望納期、受注の有無、回答した価格、回答した納期、受注した価格、受注した納期、失注した理由が含まれる。

学習部４２０は、まず、企業名取得部４１１で取得した企業名（識別情報）、部品注文情報取得部４１２で取得した部品注文情報を、データ変換部４２１により数値データに変換する（Ｓ１８０２）。具体的には、データ変換部４２１は、企業名（識別情報）に応じて予め設定された数値データに変換する。また、データ変換部４２１は、部品注文情報の項目ごとに、その項目の内容に応じた、数値データを出力する。より具体的には、部品ごとの希望価格、希望納期、受注の有無、回答した価格、回答した納期、受注した価格、受注した納期、失注した理由のそれぞれの内容に対応する数値データが出力される。価格、納期に関しては、その数値が出力されてもよい。入力データとして用いる注文情報はついては、上述した情報すべてでもよいし、その一部であってもよい。

なお、失注した理由を基に、受注できたと見込まれる予想価格や、受注できたと見込まれる予想納期を推測して、数値データとして出力されてもよい。失注した理由が価格である場合、失注した場合には受注できたと見込まれる予想価格が、回答した価格よりも低く設定されてもよい。また、失注した理由が納期である場合、失注した場合には受注できたと見込まれる予想納期が、回答した納期よりも低く設定されてもよい。

受注可能価格・納期推定モデル生成部４２２は、学習が終了したか否かを判定する（Ｓ１８０３）。具体的には、すべての学習用データに対して、後述する処理が終了したかが判定される。学習が終了した場合は、処理を終了する。学習が終了していない場合、学習を継続する。

受注可能価格・納期推定モデルが学習済みモデルであってもよい。このモデルの生成には、ロジスティック回帰、ＳＶＭ、ニューラルネットワークなどの機械学習を用いることができる。受注可能価格・納期推定モデルは、入力層と中間層と出力層とを有するニューラルネットワークを有する場合を例に説明する。Ｓ１８０４において、この入力層に、データ変換部２２１から出力される、部品ごとの希望価格、希望納期に対応するデータを入力することで、受注可能価格・納期に対応するデータが出力されるようにしてもよい。この出力される受注可能価格・納期に対応するデータと、データ変換部４２１により変換された受注した価格もしくは失注した場合には受注できたと見込まれる予想価格、受注した納期もしくは失注した場合には受注できたと見込まれる予想納期とを比較する。そして比較して得られた差分に基づいて、その差分が小さくなるように、受注可能価格・納期推定モデルのニューラルネットワークのノード間の結合重み付け係数等が更新される。この更新は、例えば、バックプロパゲーション法を用いてもよい。このようにして生成された学習済みモデルを保存する（Ｓ１８０５）。

以上の処理を、注文情報の数だけ繰り返し実施する。なお、学習用モデルとして用いられるニューラルネットワークは、畳み込みニューラルネットワークでもよい。

また、受注可能価格・納期推定モデル生成部４２２において、企業ごとの受注可能価格・納期推定モデルを生成する。受注可能価格・納期推定モデルは、回答した価格もしくは受注した価格を希望価格で割った値と、希望納期から回答した納期もしくは受注した納期を引いた値の２軸で構成されてもよい。そして、受注したケースと失注したケースの境界を注文データベース１３０に格納されたデータを基に決定してもよい。そして、受注可能価格・納期推定モデルは、この境界を基に、推測するようにしてもよい。

なお、学習用データ（入力データと正解データの組）の例を表２に示す。入力データとしては、変換された数値データで示されている。企業名は、識別情報で示されている。なお、表２では、注文情報は、一部の情報を入力データとして用いる例を示している。

（受注可能価格・納期推定部１２２の推論段階）
図５は、受注可能価格・納期推定部１２２に相当する受注可能価格・納期推定部推論装置６００の機能構成を示す図である。受注可能価格・納期推定部推論装置６００は、企業名取得部６１１、部品注文情報取得部６１２、推論部６２０を含む。また、推論部６２０は、データ変換部６２１、受注可能価格・納期推定部６２２を含む。また、受注可能価格・納期推定部１２２の推論における一連の流れを図１８（ｂ）に示す。

企業名取得部６１１は、見積もりの発注を行った企業名を取得する（Ｓ１８１０）。企業名取得部６１１は、その企業が特定できれば、識別情報であってもよい。例えば識別情報は、会社法人等番号であってもよいし、見積もりを行う企業が設定した番号であってもよい。

部品注文情報取得部６１２は、部品の注文情報を取得する（Ｓ１８１１）。ここで部品の注文情報には、部品の希望価格、希望納期が含まれる。また、部品の注文情報には、価格優先度、納期優先度が含まれていてもよい。

推論部６２０では、まず、入力データである企業名、部品注文情報をデータ変換部６２１で数値データに変換する（Ｓ１８１２）。続いて、受注可能価格・納期推定部６１２において、上述した学習済みモデルに対して、変換されたデータの入力されることに基づいて、受注可能価格・納期の推定幅が出力される（Ｓ１８１３）。ここで受注可能価格・納期推定部６１２は、受注可能価格・納期推定モデル生成部４２２で生成した受注可能価格・納期推定モデルを活用する。さらに、価格優先度および納期優先度に応じて、出力した受注可能価格・納期の推定幅を調整する。なお、上述した学習段階で、価格優先度、納期優先度を入力データとして加え、受注可能価格・納期推定部６１２により出力される受注可能価格・納期の推定幅に反映されるようにしてもよい。この学習において、正解データは、受注した価格もしくは失注した場合には受注できたと見込まれる予想価格、受注した納期もしくは失注した場合には受注できたと見込まれる予想納期のデータを用いればよい。

次に、制御部１２０における工程・スケジュール算出部１２３が実行する処理の詳細を説明する。図６は、本実施形態に係る工程・スケジュール算出部１２３における工程・スケジュール算出装置７００の機能構成を示す図である。工程・スケジュール算出部１２３は、ＣＰＵ等で構成されていてもよい。以下では、工程・スケジュール算出装置７００は、制約条件取得部７１１、工程候補取得部７１２、受注可能価格・納期推定幅取得部７１３を含む。また、工程・スケジュール算出部１２３は、注文情報取得部７１４、設備稼働スケジュール取得部７１５、従業員スケジュール取得部７１６、部品納期バッファ取得部７１７、制御部７２０を含む。制御部７２０は、工程・スケジュール探索部７２１、工程・設備稼働スケジュール・従業員スケジュール出力部７２２を含む。なお、制約条件取得部７１１は、図１の制約条件取得部１１２と共有されていてもよい。また、注文情報取得部７１４は図１の注文情報取得部１１１と共有されていてもよい。また、設備稼働スケジュール取得部７１５は、図１の設備稼働スケジュール取得部１１３と共有されていてもよい。また、従業員スケジュール取得部７１６は、図１の従業員スケジュール取得部１１４と共有されていてもよい。

図７は、工程・スケジュール算出装置７００の処理の手順を示している。ステップ８００において、工程・スケジュール算出装置７００は、種々のデータを取得する。具体的には、制約条件のデータ、工程候補算出部推論装置３００で算出した工程候補パターンや、受注可能価格・納期推定部推論装置６００で推定した受注可能価格・納期推定幅のデータが取得される。また、注文情報、設備稼働スケジュール、従業員スケジュール、部品納期バッファのデータも取得される。

ステップ８０１において、工程・スケジュール算出装置７００は、一つの工程候補パターンに対して、見積価格と納期が受注可能価格・納期の推定幅に入る設備稼働スケジュールおよび従業員スケジュールを探索する。その際の制約条件として、設備と工程の対応情報、設備能力、従業員と工程の対応情報、従業員の能力、設備の単位時間当たりのコスト、従業員の単位時間当たりのコストが使われる。また、設備稼働スケジュール取得部７１５で取得した設備稼働スケジュール、および従業員スケジュール取得部７１６で取得した従業員スケジュールの空き状況を確認し、空いている時間にスケジュールが組まれるように探索される。ここで、注文情報取得部７１４で取得した注文情報のうち顧客重要度が入力されており、部品納期バッファ取得部７１７で取得した部品納期バッファが入力されていた場合、以下の処理が行われる。すなわち、既に予定されている設備稼働スケジュールおよび従業員スケジュールを部品納期バッファ内で変更して、注文を受けた当該部品の製造を優先してスケジュールが探索される。

ステップ８０２において、工程・スケジュール算出装置７００は、探索された中で見積価格と納期が、受注可能価格・納期の推定幅に入るか判断を行う。ここで、見積価格と納期が、受注可能価格・納期の推定幅に入る場合、ステップ８０３に進み、入らない場合はステップ８０４に進む。

ステップ８０３において、工程・スケジュール算出装置７００は、探索されたスケジュールを一つの工程候補パターンにおける暫定スケジュールとして決定する。

ステップ８０４において、工程・スケジュール算出装置７００は、探索した中で見積価格と納期が、受注可能価格・納期の推定幅に最も近いケースにおけるスケジュールを一つの工程候補パターンにおける暫定スケジュールとして決定する。

以上の処理を、工程・スケジュール算出装置７００は、ステップ８０５において、すべての工程候補パターンに対してスケジュールの決定処理を行ったか確認を行う。すなわち、工程・スケジュール算出装置７００は、工程候補取得部７１２で取得した工程候補パターンすべてに対してスケジュールの決定処理を行う。そして、ここで、処理が終了していなければステップ８００に戻り、処理が終了していればステップ８０６に進む。

ステップ８０６では、工程・スケジュール算出装置７００は、すべての工程候補パターンから算出された見積価格および納期から、最も安い見積りおよび最も短い工程を選定する。そして、工程・スケジュール算出装置７００は、その工程を含む製造スケジュール、対応する設備稼働スケジュール、従業員スケジュールを出力する。

次に、制御部１２０における見積り算出部１２４が実行する処理の詳細を説明する。図８は、本実施形態に係る見積り算出部１２４における見積り算出装置９００の機能構成を示す図である。見積り算出装置９００は、制約条件取得部９１１、注文情報取得部９１２、工程取得部９１３、新たな設備稼働スケジュール取得部９１４、新たな従業員スケジュール取得部９１５、見積り算出部９２０を含む。なお、制約条件取得部９１１は、図１の制約条件取得部１１２と共有されていてもよい。また、注文情報取得部９１２は図１の注文情報取得部１１１と共有されていてもよい。

見積り算出装置９００は、制約条件取得部９１１により設備と工程の対応情報、従業員と工程の対応情報のデータ、設備ごとの単位時間当たりのコストのデータ、従業員ごとの単位時間当たりのコストのデータを取得する。また、見積り算出装置９００は、工程取得部９１３により、工程・スケジュール算出部１２３で算出した工程を取得する。

そして、見積り算出装置９００は、工程・スケジュール算出部１２３で算出した工程ごとに加工費を算出する。ここで加工費は、以下のように算出される。まず、工程ごとに、対応する設備コストは、工程情報に格納された設備稼働時間と設備ごとの単位時間当たりのコストとを掛け合わせて算出される。また、工程ごとに、従業員のコストは、工程情報に格納された従業員作業時間と従業員ごとの単位時間当たりのコストとを掛け合わせることにより算出される。そして、工程ごとに、設備コストと従業員コストとを足し合わせて工程ごとの加工費が算出される。最後に、全工程の加工費の総和を求め、当該部品製造の加工費が決定される。

次に、見積り算出装置９００は、材料費を算出する。ここで材料費は、注文情報取得部９１２で取得した注文情報における３Ｄモデル、機能情報における材質を基に算出される。具体的には加工のために必要な形状、大きさを基に材料費が算出される。

次に、見積り算出装置９００は、輸送費を決定する。ここで輸送賃は、注文情報取得部９１２で取得した注文情報における企業名や納品先を基に算出される。また、輸送費は、輸送手段（例えば、鉄道、航空機、船舶、自動車など）に応じて算出されるが、形状の複雑さ、材料などの強度に応じて輸送手段が決定されてもよい。

見積り算出装置９００は、次に、加工費、輸送費、材料費に基づいて、見積価格を出力する。ここで見積価格は、加工費、輸送賃、材料費の合計の費用に対し、一定の係数を掛けたり、一定の数値を足して算出してもよい。また、加工費、輸送費、材料費は、それぞれ一定の係数を掛けたり、一定の数値を足して算出されてもよい。

最後に、新たな設備稼働スケジュール取得部９１４および新たな従業員スケジュール取得部９１５は、工程・スケジュール算出部１２３で算出したスケジュールを取得し、そのスケジュールを基に当該部品製造の見積り納期を決定する。ここで見積り納期は、スケジュールで決まる製造日に対し、一定の係数を掛けたり、一定の日数を足して算出してもよい。

このように、設備の稼働状況や従業員の状況を考慮して、見積価格、見積納期を決定するため、精度のよい見積価格、見積納期が決定される。

また、従業員のスケジュールや設備の稼働スケジュールは、時々刻々と変化するため、上述した学習には入力データとして用いない例を示したが、これに限られない。つまり、従業員のスケジュールや設備の稼働スケジュールを入力データとして、受注可能価格・納期推定モデルの学習に用いられてもよい。

＜適用例＞
部品製造価格および納期見積りシステム１００の適用例について説明する。まず、注文情報取得部１１１は、部品の形状を表すＣＡＤモデル、部品の機能情報、企業名、希望価格、希望納期、価格優先度、納期優先度、顧客重要度のデータを取得する。一例として、ＣＡＤモデルを図９、その他の注文情報を図１０に示す。図９のＣＡＤモデル１０００は、ＸＹＺ座標系１００１で示す座標系で生成されており、法線方向がＺ＋方向の平面１００２と、斜面１００３は、それぞれ穴１００４、１００５を有している。注文情報１０１０の価格優先度および納期優先度は高・中・低で表現され、図１０の価格優先度は高、納期優先度は低となっている。

続いて、制約条件取得部１１２は、設備と工程の対応情報、設備能力、従業員と工程の対応情報、従業員の作業能力、設備および従業員の単位時間当たりのコストを取得する。一例として、制約条件を図１１に示す。図１１より、制約条件１１００は設備ごと、および従業員ごとに記載されている。また、設備能力および従業員の作業能力は、相対的な数値として５段階で定められている。

続いて、設備稼働スケジュール取得部１１３で、現在から将来にわたる設備ごとの稼働スケジュールを取得する。一例として、設備稼働スケジュールを図１２に示す。設備稼働スケジュール１２００は、日ごとおよび設備ごとの稼働計画を表している。

続いて、従業員スケジュール取得部１１４で、従業員の出勤スケジュールおよび作業計画を取得する。一例として、従業員スケジュールを図１３に示す。従業員スケジュール１３００は、日ごとおよび従業員ごとの作業時間の計画を表している。

次に、制御部１２０における工程候補算出部１２１が実行する処理の詳細を説明する。工程候補算出部１２１は、事前に学習装置は学習を完了しているものとする。より具体的には、ＣＡＤモデル取得部２１１にて、注文データベース１３０に格納された部品の形状を表すＣＡＤモデルを約１００００モデル取得し、機能情報取得部２１２において、ＣＡＤモデル取得部２１１で取得した部品の機能情報を取得している。そして、学習部２２０のデータ変換部２２１にて、取得した部品のＣＡＤモデルを点群データに、機能情報を数値データに変換している。続いて、工程候補算出部２２２において、ディープラーニングを用いて、点群データ、数値データの入力に対して工程パターンの候補および各工程パターンにおける工程ごとの所要時間を出力する。工程正解入力部２２３にて工程候補算出部２２２で出力された工程パターン候補と工程ごとの所要時間に対して、注文データベース１３０に格納された実績データを正解として比較される。その差分をバックプロパゲーション法により学習し、ディープラーニングモデルにおける各ノードの重みを更新している。

工程候補算出部推論装置３００は、ＣＡＤモデル取得部３１１および機能情報取得部３１２において、ＣＡＤモデル１０００およびその機能情報を取得する。そして、推論部３２０におけるデータ変換部３２１でＣＡＤモデル１０００を点群データに、その機能情報を数値データに変換する。最後に、工程候補算出部３２２において、工程候補算出部学習装置２００の学習部２２０で学習が完了したディープラーニングのモデルに対して、点群データ及び数値データが入力される。これにより、工程候補算出部３２２は、工程候補パターンおよび工程パターンごと、かつ工程ごとの所要時間を出力する。

図１４に、ＣＡＤモデル１０００における工程候補パターンおよび工程パターンごと、かつ工程ごとの所要時間の一例を示す。図１４より、工程候補パターン１４００が３つ表示され、かつそれぞれの工程候補パターンの工程ごとに、所要時間が出力される。

制御部１２０における受注可能価格・納期推定部１２２に関して、受注可能価格・納期推定部学習装置４００が、推論部６２０が以下のように生成される。すなわち、事前に企業ごとに過去の部品ごとの希望価格、希望納期、受注の有無、回答した価格、回答した納期、受注した価格、受注した納期、失注した理由をロジスティック回帰により分類することで、推論部６２０が生成される。

図１５は、Ａ社における受注可能価格・納期推定モデルを示している。受注可能価格・納期推定モデル１５００は、回答もしくは受注した価格を希望価格で割った値と希望納期から回答もしくは受注した納期を引いた値の２軸で構成される。図１５において、白点１５０１が過去の受注したときの記録、黒点１５０２が過去の失注したときの記録を示しており、境界線１５０３が機械学習によって得られた受注・失注の境界線である。また、軸１５０４は回答・受注価格／希望価格が０．７、軸１５０５が１、軸１５０６が１．３を示しており、過去に回答・受注価格／希望価格が０．７～１．３で受注されており、かつ１のときの受注が多いことがわかる。また、軸１５０７は希望納期に対して回答・受注納期が１週間遅い場合、軸１５０８が希望納期と回答・受注納期が同一の場合、軸１５０９が希望納期に対して回答・受注納期が１週間早い場合を示している。過去に回答・受注納期が希望納期に対して±１週間で受注されており、かつ希望納期と回答・受注納期が同一のときの受注が多いことがわかる。以上より、Ａ社における受注可能価格・納期推定幅は、軸１５０４、１５０６、１５０７、１５０９、境界線１５０３で囲まれた範囲となる。続いて、推論部６２０のデータ変換部６２１にて入力データである企業名であるＡ社、部品注文情報である希望価格、希望納期を数値データに変換する。そして、受注可能価格・納期推定部６１２において、それらの数値データを受注可能価格・納期推定モデル１５００に入力する。そして、受注可能価格推定幅が￥２１，０００～￥３９，０００、納期推定幅が２０２０／５／１５～５／２９であり、かつ境界線１５０３を超えない価格と納期の組み合わせと出力する。さらに、注文情報より価格優先度が高となっているため、受注可能価格推定幅が￥２１，０００～￥３３，０００に調整される。また、納期優先度が低となっているため、受注可能価格・納期推定モデル１５００の境界線１５０３を超えない範囲として、受注可能納期推定幅が２０２０／５／１５～５／３１に調整される。

続いて、工程・スケジュール算出装置７００にて、組み合わせ最適化問題により、工程を図１４における工程候補パターン２に決定し、スケジュールを出力する。具体的には、組み合わせ最適化問題には、図１０に示す注文情報、図１１に示す制約条件、図１２に示す設備稼働スケジュール、図１３に示す従業員スケジュールが用いられる。さらに、図１４に示す工程候補算出部推論装置３００で算出した工程候補、受注可能価格・納期推定部推論装置６００で出力した受注可能価格・納期の推定幅も用いられる。ここで、工程候補パターン２は、第一工程の３軸大荒切削加工でマシニングセンタ１を使っており、５軸荒・仕上げ切削加工の加工時間が短くなり、コストが他の工程候補パターンよりも下がる。さらに、マシニングセンタ１は設備稼働スケジュール１２００より５／１６，１７に空きがあり、すぐに加工ができるため、工程候補パターン２が採用されている。

次に、見積り算出装置９００にて、見積価格を決定する。ここで、図１１に示す制約条件と工程・スケジュール算出装置７００で決定した工程から加工費を、注文情報から材料費と運賃を決定し、見積価格を￥２９，０００と算出する。

最後に、新たな設備稼働スケジュール取得部９１４および新たな従業員スケジュール取得部９１５で、工程・スケジュール算出装置７００で決定したスケジュールを取得し、そのスケジュールをもとに当該部品製造の見積り納期を２０２０／５／２０と決定する。

＜その他の実施形態＞
上記の実施形態および適用例は、本開示の一具体例であり、本開示は様々な態様により実施可能である。本開示は、上述の実施形態の１以上の機能を実現するプログラムを、ネットワーク又は記憶媒体を介してシステム又は装置に供給し、そのシステム又は装置のコンピュータにおける１つ以上のプロセッサーがプログラムを読出し実行する処理でも実現可能である。また、コンピュータは、１または複数のプロセッサーまたは回路を有し、コンピュータ実行可能命令を読み出し実行するために、分離した複数のコンピュータまたは分離した複数のプロセッサーまたは回路のネットワークを含みうる。

プロセッサーまたは回路は、中央演算処理装置（ＣＰＵ）、マイクロプロセッシングユニット（ＭＰＵ）、グラフィクスプロセッシングユニット（ＧＰＵ）、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートウェイ（ＦＰＧＡ）を含みうる。また、プロセッサーまたは回路は、デジタルシグナルプロセッサ（ＤＳＰ）、データフロープロセッサ（ＤＦＰ）、またはニューラルプロセッシングユニット（ＮＰＵ）を含みうる。

１００ 部品製造価格および納期見積りシステム
１１１ 注文情報取得部
１１３ 設備稼働スケジュール取得部
１１４ 従業員スケジュール取得部
１２０ 制御部

Claims (9)

1. 物品の注文情報と、前記物品の製造に用いられる設備の稼働状況を特定するための情報と、前記物品の製造に従事する従業員の状況を特定するための情報とを取得する取得手段と、
   前記取得手段により取得された、前記物品の注文情報と前記物品の製造に用いられる設備の稼働状況を特定するための情報と前記物品の製造に従事する従業員の状況を特定するための情報とに基づいて、前記設備により前記物品を製造する場合の推定価格と推定納期を示す情報を出力する出力手段と、を有することを特徴とするシステム。
2. 前記出力手段は、前記取得手段により取得された、前記物品の注文情報と前記物品の製造に用いられる設備の稼働状況を特定するための情報と前記物品の製造に従事する従業員の状況を特定するための情報とに基づいて、前記設備により前記物品を製造する場合の製造スケジュールを特定するための情報を出力する第１の出力手段と、前記第１の出力手段により出力された前記設備により前記物品を製造する場合の製造スケジュールを特定するための情報と、前記物品の製造に用いられる予定の設備の単位時間当たりのコストを特定するための情報と、前記物品の製造に従事する予定の従業員の単位時間当たりのコストを特定するための情報とに基づいて、前記設備により前記物品を製造する場合の推定価格と推定納期を示す情報を出力する第２の出力手段とを、有することを特徴とする請求項１に記載のシステム。
3. 前記第１の出力手段は、前記取得手段により取得された、前記物品の注文情報と前記物品の製造に用いられる設備の稼働状況を特定するための情報と前記物品の製造に従事する従業員の状況を特定するための情報と、学習済みモデルと、に基づいて、前記設備により前記物品を製造する場合の製造スケジュールを特定するための情報とを出力することを特徴とする請求項２に記載のシステム。
4. 前記第１の出力手段は、前記物品の注文情報が前記学習済みモデルに入力されることにより出力される情報と、前記物品の製造に用いられる設備の稼働状況を特定するための情報と前記物品の製造に従事する従業員の状況を特定するための情報とに基づいて、前記設備により前記物品を製造する場合の製造スケジュールを特定するための情報を出力することを特徴とする請求項３に記載のシステム。
5. 前記設備により前記物品を製造する場合の製造スケジュールを特定するための情報は、過去の物品の注文情報を入力データとして、過去の製造スケジュールを特定するための情報を正解データとして学習された学習済みモデルを用いて推論された製造スケジュールから選定されることを特徴とする請求項４に記載のシステム。
6. 前記物品の注文情報は、前記物品の形状を特定するための情報と、前記物品の機能を特定するための情報とを含むことを特徴とする請求項１乃至５のいずれか１項に記載のシステム。
7. 前記物品の注文情報は、前記物品の形状を特定するための情報と、前記物品の機能を特定するための情報と、注文を行う企業を特定するための情報と、価格の優先度を特定するための情報と、納期の優先度を特定するための情報のうち少なくとも一つを含むことを特徴とする請求項１乃至６のいずれか１項に記載のシステム。
8. 物品の注文情報を基に物品を製造する場合の推定価格と推定納期を出力するシステムにおいて、装置が行う制御方法であって、
   物品の注文情報と、前記物品の製造に用いられる設備の稼働状況を特定するための情報と、前記物品の製造に従事する従業員の状況を特定するための情報とを取得する取得工程と、
   前記取得工程により取得された、前記物品の注文情報と前記物品の製造に用いられる設備の稼働状況を特定するための情報と前記物品の製造に従事する従業員の状況を特定するための情報とに基づいて、前記設備により前記物品を製造する場合の推定価格と推定納期を出力する出力工程と、を有することを特徴とする制御方法。
9. コンピュータに、請求項８に記載の制御方法を行わせるためのプログラム。

Images