JP2022167027A - モデル生成装置、モデル生成方法、モデル生成プログラム、品質予測モデル及び製品品質予測装置 - Google Patents

モデル生成装置、モデル生成方法、モデル生成プログラム、品質予測モデル及び製品品質予測装置 Download PDF

Info

Publication number
JP2022167027A
JP2022167027A JP2021072520A JP2021072520A JP2022167027A JP 2022167027 A JP2022167027 A JP 2022167027A JP 2021072520 A JP2021072520 A JP 2021072520A JP 2021072520 A JP2021072520 A JP 2021072520A JP 2022167027 A JP2022167027 A JP 2022167027A
Authority
JP
Japan
Prior art keywords
data
model
product
quality prediction
product quality
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
Application number
JP2021072520A
Other languages
English (en)
Inventor
亮祐 新井
Ryosuke Arai
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Resonac Corp
Original Assignee
Showa Denko Materials Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Showa Denko Materials Co Ltd filed Critical Showa Denko Materials Co Ltd
Priority to JP2021072520A priority Critical patent/JP2022167027A/ja
Publication of JP2022167027A publication Critical patent/JP2022167027A/ja
Pending legal-status Critical Current

Links

Images

Landscapes

  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

【課題】バッチプラントのような少量の製品を多品種作製するプラントにおいて作製される製品の品質の予測を可能にする。【解決手段】モデル生成装置１０は、プラント等で作製される複数種の製品の製品品質を予測するための品質予測モデルを機械学習により生成する装置であって、学習データに含まれるセンサデータ及び該学習データに対応する製品の物性データを品質予測モデルに入力し、品質予測モデルから出力される製品品質予測データを取得するモデル入出力部１３と、製品品質予測データと、学習データに含まれる製品品質データとの誤差に基づいて品質予測モデルに含まれるパラメータを更新するモデル学習部１４と、モデル学習部１４によりパラメータが更新された学習済みの品質予測モデルを出力するモデル出力部１５と、を備える。【選択図】図１

Description

本開示の一側面は、モデル生成装置、モデル生成方法、モデル生成プログラム、品質予測モデル及び製品品質予測装置に関する。
化学プラント等における製品品質の測定は、例えば抜き取り検査により行われていた。抜き取り検査には、コスト及び時間を要すること及び即時性に欠けるといった欠点があった。この欠点に対処するために、製品の作製工程において検知される温度及び圧力等のセンサデータと製品品質との間の相関関係を解析することにより、製品品質を推定することが行われていた。この推定は、例えばニューラルネットワークを含むモデルにより行われていた。また、このようなニューラルネットワークを含む機械学習により構築されたモデルによる製品品質の予測の手法として、複数フェイズからなる製造プロセスに対してＬＳＴＭ（Ｌｏｎｇ ｓｈｏｒｔ－ｔｅｒｍ ｍｅｍｏｒｙ）を適用して、品質の予測を行う技術が知られている（例えば、非特許文献１参照）。
Kai Wang, Bhushan Gopaluni, Junghui Chen andZhihuan Song、"DeepLearning of Complex Batch Process Data and Its Application on QualityPrediction"、［online］、IEEETransactions on Industrial Informatics, vol.16, no.12, pp.7233-7242, Dec. 2020,doi: 10.1109/TII.2018.2880968、［令和２年１２月１１日検索］、インターネット＜https://dais.chbe.ubc.ca/assets/preprints/2019J2_Wang_IEEEII.pdf＞
機械学習により構築されたモデルを用いて、センサデータに基づいて製品品質を予測する方法は、１種の製品を大量生産するような連続プラントでは有効である。しかしながら、少量多品種生産を行ういわゆるバッチプラントでは、一品種に対して取得されるデータ量が少ないこと、時刻ごとにプラントの状態が変化する非定常プロセスであること、及び、製品品質がプロセスの履歴全体の影響を受けること等の理由により、上記の手法を適用し難かった。非特許文献１に記載された技術では、バッチプロセスに対する言及はあるものの、多品種の作製及びそれらの製品品質の予測を想定していない。
そこで、本発明は、上記問題点に鑑みてなされたものであり、バッチプラントのような少量の製品を多品種作製するプラントにおいて作製される製品の品質の予測を可能にすることを目的とする。
本開示の一側面に係るモデル生成装置は、作製される複数種の製品の製品品質を予測するための品質予測モデルを機械学習により生成するモデル生成装置であって、品質予測モデルは、ニューラルネットワークを含み、センサデータ及び物性データを入力とし、予測された製品品質を表す製品品質予測データを出力とし、品質予測モデルの機械学習に用いられる学習データは、センサデータと製品品質データとのペアからなり、センサデータは、一単位の数量の製品の作製工程において検知された、作製の状態を示す一以上の検知項目の検査値を含むデータであり、製品品質データは、対応するセンサデータが検知された作製工程において作製された製品の製品品質を示すデータであり、物性データは、各製品に関連付けられた、製品の特徴を示すデータであり、モデル生成装置は、学習データに含まれるセンサデータ及び該学習データに対応する製品の物性データを品質予測モデルに入力し、品質予測モデルから出力される製品品質予測データを取得するモデル入出力部と、製品品質予測データと、学習データに含まれる製品品質データとの誤差に基づいて品質予測モデルに含まれるパラメータを更新するモデル学習部と、モデル学習部によりパラメータが更新された学習済みの品質予測モデルを出力するモデル出力部と、を備える。
本開示の一側面に係るモデル生成方法は、作製される複数種の製品の製品品質を予測するための品質予測モデルを機械学習により生成するモデル生成装置におけるモデル生成方法であって、品質予測モデルは、ニューラルネットワークを含み、センサデータ及び物性データを入力とし、予測された製品品質を表す製品品質予測データを出力とし、品質予測モデルの機械学習に用いられる学習データは、センサデータと製品品質データとのペアからなり、センサデータは、一単位の数量の製品の作製工程において検知された、作製の状態を示す一以上の検知項目の検査値を含むデータであり、製品品質データは、対応するセンサデータが検知された作製工程において作製された製品の製品品質を示すデータであり、物性データは、各製品に関連付けられた、製品の特徴を示すデータであり、モデル生成方法は、学習データに含まれるセンサデータ及び該学習データに対応する製品の物性データを品質予測モデルに入力し、品質予測モデルから出力される製品品質予測データを取得するモデル入出力ステップと、製品品質予測データと、学習データに含まれる製品品質データとの誤差に基づいて品質予測モデルに含まれるパラメータを更新するモデル学習ステップと、モデル学習ステップにおいてパラメータが更新された学習済みの品質予測モデルを出力するモデル出力ステップと、を有する。
本開示の一側面に係るモデル生成プログラムは、コンピュータを、作製される複数種の製品の製品品質を予測するための品質予測モデルを機械学習により生成するモデル生成装置として機能させるためのモデル生成プログラムであって、品質予測モデルは、ニューラルネットワークを含み、センサデータ及び物性データを入力とし、予測された製品品質を表す製品品質予測データを出力とし、品質予測モデルの機械学習に用いられる学習データは、センサデータと製品品質データとのペアからなり、センサデータは、一単位の数量の製品の作製工程において検知された、作製の状態を示す一以上の検知項目の検査値を含むデータであり、製品品質データは、対応するセンサデータが検知された作製工程において作製された製品の製品品質を示すデータであり、物性データは、各製品に関連付けられた、製品の特徴を示すデータであり、モデル生成プログラムは、コンピュータに、学習データに含まれるセンサデータ及び該学習データに対応する製品の物性データを品質予測モデルに入力し、品質予測モデルから出力される製品品質予測データを取得するモデル入出力機能と、製品品質予測データと、学習データに含まれる製品品質データとの誤差に基づいて品質予測モデルに含まれるパラメータを更新するモデル学習機能と、モデル学習機能によりパラメータが更新された学習済みの品質予測モデルを出力するモデル出力機能と、を実現させる。
このような側面によれば、製品の作製工程において検知されたセンサデータと共に、当該製品に関連付けられた物性データが品質予測モデルに入力されるので、センサデータの特徴が製品の種別に関連付けて学習される。これにより、異なる種類の製品のセンサデータを品質予測モデルの学習に用いることができるので、一品種ごとの製造の実績から取得されるセンサデータの量が、品質予測モデルの学習に十分ではない場合であっても、複数の種類の製品のセンサデータを品質予測モデルの学習に用いることができる。従って、バッチプラントのような少量の製品を多品種作製するプラントにおいて作製される製品の品質の予測が可能となる。
他の側面に係るモデル生成装置では、品質予測モデルは、第１モデル及び第２モデルを含み、モデル入出力部は、センサデータを第１モデルに入力し、センサデータの特徴が表現された潜在変数を第１モデルから取得し、潜在変数及び物性データを第２モデルに入力し、第２モデルから出力される製品品質予測データを取得することとしてもよい。
このような側面によれば、センサデータの特徴が第１モデルにより学習される。そして、第１モデルから出力される潜在変数及び物性データが第２モデルに入力されるので、第２モデルによりセンサデータの特徴と製品との相関が学習される。従って、センサデータの特徴が製品の種別に関連付けて学習されるので、第１モデル及び第２モデルにより複数品種に適用可能な品質予測モデルを構築することができる。
他の側面に係るモデル生成装置では、第１モデルは、ニューラルネットワークを含みエンコーダ及びデコーダにより構成されるエンコーダデコーダモデルであり、エンコーダは、センサデータに基づいて潜在変数を生成し、デコーダは潜在変数に基づいて出力データを生成し、モデル入出力部は、センサデータをエンコーダに入力し、デコーダから出力される出力データを取得し、モデル学習部は、出力データと、エンコーダに入力したセンサデータとの誤差に基づいて第１モデルのパラメータを更新し、第２モデルから出力された製品品質予測データと製品品質データとの誤差に基づいて、第２モデルのパラメータを更新することとしてもよい。
このような側面によれば、センサデータの特徴が圧縮表現された潜在変数が得られる。
潜在変数及び物性データが併せて第２モデルに入力されて、第２モデルから出力された製品品質予測データと学習データにおける製品品質データとの誤差に基づいて第２モデルのパラメータが更新されることにより第２モデルが構築されるので、複数品種に適用可能な品質予測モデルを構築することができる。
他の側面に係るモデル生成装置では、センサデータは、製品の作製工程において項目毎に時系列に取得されたデータを含み、エンコーダデコーダモデルは、ＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ＬＳＴＭ（Ｌｏｎｇ ｓｈｏｒｔ－ｔｅｒｍ ｍｅｍｏｒｙ）、Ｔｒａｎｓｆｏｒｍｅｒ及びＧＲＵ（Ｇａｔｅｄ Ｒｅｃｕｒｒｅｎｔ Ｕｎｉｔ）のいずれかにより構成され、モデル入出力部は、センサデータを時系列に沿ってエンコーダに順次入力することとしてもよい。
このような側面によれば、センサデータが作製工程の状態を示す時系列のデータであることに鑑みて、第１モデルを構成するエンコーダデコーダモデルが、時系列データの特徴を学習させるのに好適なＲＮＮ、ＬＳＴＭ、Ｔｒａｎｓｆｏｒｍｅｒ及びＧＲＵのいずれかにより構成される。従って、センサデータの特徴が適切に第１モデルに学習される。
他の側面に係るモデル生成装置では、センサデータは、作製工程における温度及び圧力のうちの少なくともいずれか一つを含み、物性データは、製品の原材料に関連付けられた当該原材料の物性及び特徴のうちの少なくとも一つを示すデータであることとしてもよい。
このような側面によれば、センサデータが作製工程における温度及び圧力のいずれかを少なくとも含み、製品の原材料の物性及び特徴のいずれかが含まれる物性データがセンサデータと共に品質予測モデルに入力されることにより、作製工程の状態の特徴が製品の種別に適切に関連付けられながら品質予測モデルに学習される。
本開示の一側面に係る品質予測モデルは、コンピュータを機能させ、作製される複数種の製品の製品品質を予測するための、機械学習により学習済みの品質予測モデルであって、ニューラルネットワークを含み、センサデータ及び物性データを入力とし、予測された製品品質を表す製品品質予測データを出力とし、品質予測モデルの機械学習に用いられる学習データは、センサデータと製品品質データとのペアからなり、センサデータは、一単位の数量の製品の作製工程において検知された、作製の状態を示す一以上の検知項目の検査値を含むデータであり、製品品質データは、対応するセンサデータが検知された作製工程において作製された製品の製品品質を示すデータであり、物性データは、各製品に対応付けられた、製品の特徴を示すデータであり、品質予測モデルは、学習データに含まれるセンサデータ及び該センサデータに対応する物性データの入力に応じて出力された製品品質予測データと、学習データに含まれる製品品質データとの誤差に基づいてパラメータを更新する機械学習により構築される。
このような側面によれば、製品の作製工程において検知されたセンサデータと共に、当該製品に関連付けられた物性データが入力されるので、センサデータの特徴が製品の種別に関連付けて学習された品質予測モデルを得ることができる。これにより、異なる種類の製品のセンサデータを品質予測モデルの学習に用いることができるので、一品種ごとの製造の実績から取得されるセンサデータの量が、品質予測モデルの学習に十分ではない場合であっても、複数の種類の製品のセンサデータを品質予測モデルの学習に用いることができる。従って、バッチプラントのような少量の製品を多品種作製するプラントにおいて作製される製品の品質の予測に適用可能な品質予測モデルが得られる。
本開示の一側面に係る製品品質予測装置は、機械学習により構築された品質予測モデルを用いて、作製される複数種の製品の製品品質を予測する製品品質予測装置であって、品質予測モデルは、ニューラルネットワークを含み、センサデータ及び物性データを入力とし、予測された製品品質を表す製品品質予測データを出力とし、品質予測モデルの機械学習に用いられる学習データは、センサデータと製品品質データとのペアからなり、センサデータは、一単位の数量の製品の作製工程において検知された、作製の状態を示す一以上の検知項目の検査値を含むデータであり、製品品質データは、対応するセンサデータが検知された作製工程において作製された製品の製品品質を示すデータであり、物性データは、各製品に対応付けられた、製品の特徴を示すデータであり、品質予測モデルは、学習データに含まれるセンサデータ及び該センサデータに対応する物性データの入力に応じて出力された製品品質予測データと、学習データに含まれる製品品質データとの誤差に基づいてパラメータを更新する機械学習により構築され、製品品質予測装置は、製品品質の予測対象の製品の作製工程において検知されたセンサデータ及び該センサデータに対応する製品の物性データを品質予測モデルに入力し、品質予測モデルから出力された製品品質予測データを取得する製品品質予測部と、製品品質予測部により取得された製品品質予測データを出力する製品品質予測データ出力部と、を備える。
このような側面によれば、製品の作製工程において検知されたセンサデータと共に当該製品に関連付けられた物性データが入力されることにより、センサデータの特徴が製品の種別に関連付けて学習された品質予測モデルが製品の品質の予測に用いられる。従って、バッチプラントのような少量の製品を多品種作製するプラントにおいて作製される製品の品質を予測できる。
本開示の一側面によれば、バッチプラントのような少量の製品を多品種作製するプラントにおいて作製される製品の品質の予測を可能とする。
実施形態に係るモデル生成装置の機能構成の一例を示すブロック図である。 実施形態に係る製品品質予測装置の機能構成の一例を示すブロック図である。 実施形態に係るモデル生成装置及び製品品質予測装置のハードブロック図である。 品質予測モデルの概略構成を示す図である。 センサデータ及び製品品質データからなる学習データの例を示す図である。 物性データの例を示す図である。 品質予測モデルの構成の例を示す図である。 エンコーダデコーダモデルにより構成される第１モデルの例を示す図である。 実施形態に係るモデル生成装置におけるモデル生成方法の処理内容を示すフローチャートである。 実施形態に係る製品品質予測装置における製品品質予測方法の処理内容を示すフローチャートである。 モデル生成プログラムの構成を示す図である。 製品品質予測プログラムの構成を示す図である。
以下、添付図面を参照しながら本発明の実施形態を詳細に説明する。なお、図面の説明において同一又は同等の要素には同一の符号を付し、重複する説明を省略する。
図１は、実施形態に係るモデル生成装置の機能構成の一例を示すブロック図である。モデル生成装置１０は、プラントにおいて作製される複数種の製品の製品品質を予測するための品質予測モデルを機械学習により生成する装置である。なお、本実施形態において、「製品」は、製品、仕掛品、半製品、部品及び試作品を含み得る概念である。
図１に示されるように、モデル生成装置１０は、プロセッサ１０１に構成された機能部、学習データ記憶部３０、物性データ記憶部４０及び品質予測モデル記憶部５０を含み得る。モデル生成装置１０は、学習データ取得部１１、第１物性データ取得部１２、モデル入出力部１３、モデル学習部１４及びモデル出力部１５を備える。これらの各機能部１１～１５は、一つの装置に構成されてもよいし、複数の装置に分散されて構成されてもよい。
各機能部１１～１５は、学習データ記憶部３０、物性データ記憶部４０及び品質予測モデル記憶部５０にアクセス可能に構成されている。学習データ記憶部３０、物性データ記憶部４０及び品質予測モデル記憶部５０は、図１に示されるように、モデル生成装置１０の内部に構成されてもよいし、モデル生成装置１０の外部に、モデル生成装置１０からアクセス可能な別の装置に構成されてもよい。各機能部１１～１５及び各記憶部３０，４０，５０については、後に詳述される。
図２は、実施形態に係る製品品質予測装置の機能構成の一例を示すブロック図である。製品品質予測装置２０は、機械学習により構築された品質予測モデルを用いて、プラントにおいて作製される複数種の製品の製品品質を予測する装置である。
図２に示されるように、製品品質予測装置２０は、プロセッサ１０１に構成された機能部、センサデータ記憶部６０、物性データ記憶部４０及び品質予測モデル記憶部５０を含み得る。製品品質予測装置２０は、センサデータ取得部２１、第２物性データ取得部２２、製品品質予測部２３及び製品品質予測データ出力部２４を備える。これらの各機能部２１～２４は、一つの装置に構成されてもよいし、複数の装置に分散されて構成されてもよい。
各機能部２１～２４は、センサデータ記憶部６０、物性データ記憶部４０及び品質予測モデル記憶部５０にアクセス可能に構成されている。センサデータ記憶部６０、物性データ記憶部４０及び品質予測モデル記憶部５０は、図２に示されるように、製品品質予測装置２０の内部に構成されてもよいし、製品品質予測装置２０の外部に、製品品質予測装置２０からアクセス可能な別の装置に構成されてもよい。なお、図２に示される物性データ記憶部４０及び品質予測モデル記憶部５０は、図１に示される同記憶部と同一の記憶部として構成されてもよい。各機能部２１～２４及び各記憶部６０，４０，５０については、後に詳述される。
図３は、実施形態に係るモデル生成装置１０及び製品品質予測装置２０を構成するコンピュータ１００のハードウェア構成の一例を示す図である。即ち、コンピュータ１００は、モデル生成装置１０及び製品品質予測装置２０を構成しうる。
一例として、コンピュータ１００はハードウェア構成要素として、プロセッサ１０１、主記憶装置１０２、補助記憶装置１０３、および通信制御装置１０４を備える。モデル生成装置１０及び製品品質予測装置２０を構成するコンピュータ１００は、入力デバイスであるキーボード、タッチパネル、マウス等の入力装置１０５及びディスプレイ等の出力装置１０６をさらに含むこととしてもよい。
プロセッサ１０１は、オペレーティングシステムおよびアプリケーションプログラムを実行する演算装置である。プロセッサの例としてＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）およびＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）が挙げられるが、プロセッサ１０１の種類はこれらに限定されない。例えば、プロセッサ１０１はセンサおよび専用回路の組合せでもよい。専用回路はＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）のようなプログラム可能な回路でもよいし、他の種類の回路でもよい。
主記憶装置１０２は、モデル生成装置１０等を実現するためのプログラム、プロセッサ１０１から出力された演算結果などを記憶する装置である。主記憶装置１０２は例えばＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）およびＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）のうちの少なくとも一つにより構成される。
補助記憶装置１０３は、一般に主記憶装置１０２よりも大量のデータを記憶することが可能な装置である。補助記憶装置１０３は例えばハードディスク、フラッシュメモリなどの不揮発性記憶媒体によって構成される。補助記憶装置１０３は、コンピュータ１００をモデル生成装置１０又は製品品質予測装置２０として機能させるためのモデル生成プログラムＰ１又は及び製品品質予測プログラムＰ２と各種のデータとを記憶する。
通信制御装置１０４は、通信ネットワークを介して他のコンピュータとの間でデータ通信を実行する装置である。通信制御装置１０４は例えばネットワークカードまたは無線通信モジュールにより構成される。
モデル生成装置１０及び製品品質予測装置２０の各機能要素は、プロセッサ１０１または主記憶装置１０２の上に、対応するプログラムＰ１，Ｐ２を読み込ませてプロセッサ１０１にそのプログラムを実行させることで実現される。プログラムＰ１，Ｐ２は、対応するサーバの各機能要素を実現するためのコードを含む。プロセッサ１０１はプログラムＰ１，Ｐ２に従って通信制御装置１０４を動作させ、主記憶装置１０２または補助記憶装置１０３におけるデータの読み出しおよび書き込みを実行する。このような処理により、対応するサーバの各機能要素が実現される。
プログラムＰ１，Ｐ２は、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、半導体メモリなどの有形の記録媒体に固定的に記録された上で提供されてもよい。あるいは、これらのプログラムの少なくとも一つは、搬送波に重畳されたデータ信号として通信ネットワークを介して提供されてもよい。
次に、図４を参照して、モデル生成装置１０により生成される品質予測モデルについて説明する。図４は、品質予測モデルの概略構成を示す図である。品質予測モデルＭＤは、ニューラルネットワークを含み、モデル生成装置１０における機械学習により構築される。品質予測モデルＭＤは、センサデータｓｄ及び物性データｐｄを入力とし、予測された製品品質を表す製品品質予測データｑｄを出力とする。
センサデータｓｄは、一単位の数量（例えば１ロット）の製品の作製工程において検知された、作製の状態を示す一以上の検知項目の検査値を含むデータである。センサデータｓｄは、例えば、製品の作製工程における温度及び圧力のうちの少なくともいずれか一つを検知項目として含んでもよい。センサデータｓｄは、製品の作製系から検知されるデータであれば、前述の例に限定されない。また、センサデータｓｄは、作製工程の一時刻において検知されたデータ（検査値）であってもよいし、時系列のデータを含んでもよい。センサデータｓｄは、ベクトル表現に変換されて、品質予測モデルＭＤに入力される。センサデータｓｄの詳細は、後に図５を参照して説明される。
物性データｐｄは、プラントで作製される各製品に関連付けられた、各製品の特徴を示すデータである。即ち、物性データｐｄは、各製品を識別しうる製品固有の情報を構成する。より具体的には、物性データｐｄは、製品の原材料に関連付けられた当該原材料の物性及び特徴のうちの少なくとも一つを示すデータである。物性データｐｄは、ベクトル表現に変換されて、品質予測モデルＭＤに入力される。物性データｐｄの詳細は、後に図６を参照して説明される。
製品品質予測データｑｄは、品質予測モデルＭＤにより予測された製品の品質を示すデータである。品質予測モデルＭＤは、所定の製品品質を表すベクトルを出力する。製品の品質は、例えば、粘度及び特定の不純物の濃度であってもよいが、これらの例に限定されない。
品質予測モデルＭＤは、多層のニューラルネットワークにより構成されることができ、そのネットワーク構成は限定されず、任意のネットワーク構成を採ることができる。また、品質予測モデルＭＤは、既知のニューラルネットワークにより構成されることができ、その種類は限定されず、例えば多層パーセプトロンにより構成されてもよい。また、後述されるように、品質予測モデルＭＤは、ニューラルネットワークを含んで構成される複数のモデルにより構成されてもよい。
再び図１を参照して、モデル生成装置１０の各機能部について説明する。学習データ取得部１１は、品質予測モデルＭＤの機械学習に用いられる学習データを取得する。本実施形態の例では、学習データ取得部１１は、学習データ記憶部３０から学習データを取得する。
学習データは、製品の作製の実績に基づいて得られたセンサデータｓｄと製品品質データとのペアからなる。図５は、センサデータｓｄ及び製品品質データｐｑからなる学習データの例を示す図である。学習データｌｄは、１単位の数量（１ロット）の製品の作製により得られたセンサデータｓｄと、当該作製に係る製品の所定の品質を示す製品品質データｐｑとのペアからなる。図５では、Ｌロットの製品の作製により得られた学習データｌｄが示されている。
１ロット分のセンサデータｓｄは、時刻ｔ１～ｔｎの各タイムステップにおいてＤ種類のセンサにより取得された時系列のセンサデータ（１～Ｄ）からなる。Ｄ種類のセンサのそれぞれにより取得される検査値が、Ｄ種類の検知項目のそれぞれの検査値を構成してもよい。また、時刻ｔ１～ｔｎのタイムステップ数は可変である。１ロットの製品の作製により、作製された製品の品質を示す製品品質データｐｑが取得される。各ロットの製品品質データｐｑ（ｑ１～ｑＬ）はそれぞれ、対応するセンサデータｓｄ１～ｓｄＬに関連付けられ、各ロットの学習データｌｄを構成する。なお、各ロットのそれぞれの製品は、互いに異なる種類の製品であってもよい。
第１物性データ取得部１２は、学習データ取得部１１により取得された学習データｌｄに対応する製品の物性データｐｄを取得する。本実施形態では、第１物性データ取得部１２は、物性データ記憶部４０を参照して、物性データｐｄを取得する。図６は、物性データ記憶部４０に記憶されているデータを模式的に示す図である。図６に示されるように、物性データ記憶部４０は、製品の作製に用いられる原材料ごとの特徴量を記憶している。特徴量１～ｄは、例えば、原材料を構成する化合物の沸点及び蒸気圧等の物性の情報であってもよい。また、特徴量１～ｄは、原材料を構成する化合物の分子記述子及び物性値等に基づいて生成された潜在変数等であってもよい。特徴量１～ｄは、原材料の特徴を表すデータであれば如何なるものであってもよく、上記例示に限定されない。
本実施形態の物性データｐｄは、一例として、製品の原材料の特徴量により構成されることができる。具体的には、第１物性データ取得部１２は、学習データ取得部１１により取得された学習データのうちの一のロットの学習データの製品の種別を、学習データの属性情報（図示せず）に基づいて判別し、判別された製品に用いられている原材料を、製品の作製に用いられる原材料を製品に関連付けた属性情報（図示せず）に基づいて判別する。さらに、第１物性データ取得部１２は、物性データ記憶部４０を参照して、製品の原材料に関連付けられた特徴量の情報を取得して、取得した特徴量の情報からなる物性データｐｄを構成する。このように構成された物性データｐｄは、（製品の作製に用いられる原材料の種類数）に、各原材料に関連付けられた特徴量の数ｄを乗じた数の次元を有するデータとなる。なお、学習データｌｄに対応する製品の物性データｐｄは、予め取得されて学習データｌｄの一部を構成することとしてもよい。
モデル入出力部１３は、学習データｌｄに含まれるセンサデータｓｄ、及び当該学習データｌｄ（センサデータｓｄ）に対応する製品の物性データｐｄを、品質予測モデルＭＤに入力する。そして、モデル入出力部１３は、品質予測モデルＭＤから出力される製品品質予測データｑｄを取得する。
モデル学習部１４は、品質予測モデルＭＤから出力されモデル入出力部１３により取得された製品品質予測データｑｄと、学習データｌｄに含まれる製品品質データｐｑとの誤差に基づいて、品質予測モデルＭＤに含まれるパラメータ（重み係数）を更新することにより、品質予測モデルＭＤの機械学習を実行する。
モデル出力部１５は、モデル学習部１４によりパラメータが更新された学習済みの品質予測モデルＭＤを出力する。本実施形態では、モデル出力部１５は、学習済みの品質予測モデルＭＤを品質予測モデル記憶部５０に記憶させる。モデル出力部１５は、予め準備された全ての学習データｌｄに基づく機械学習がモデル学習部１４により行われた場合に、品質予測モデルＭＤが学習済みであることを判断して、品質予測モデルＭＤを出力してもよい。
次に図７を参照して、品質予測モデルＭＤの構成の具体例について説明する。図７は、品質予測モデルＭＤの構成の例を示す図である。図７に示されるように、品質予測モデルＭＤは、第１モデルｍｄ１及び第２モデルｍｄ２を含んでもよい。
第１モデルｍｄ１は、ニューラルネットワークを含み、センサデータｓｄを入力とし、潜在変数ｈを出力とするモデルである。潜在変数ｈは、センサデータｓｄの特徴が表現されたベクトルである。第２モデルｍｄ２は、ニューラルネットワークを含み、潜在変数ｈ及び物性データｐｄを入力とし、製品品質予測データｑｄを出力するモデルである。
図７に示されるように、品質予測モデルＭＤが第１モデルｍｄ１及び第２モデルｍｄ２を含む場合には、モデル入出力部１３は、センサデータｓｄを第１モデルｍｄ１に入力し、センサデータｓｄの特徴が表現された潜在変数ｈを第１モデルｍｄ１から取得する。そして、モデル入出力部１３は、潜在変数ｈ及び物性データｐｄを第２モデルｍｄ２に入力し、第２モデルｍｄ２から出力される製品品質予測データｑｄを取得する。
第１モデルｍｄ１は、入力されたセンサデータｓｄの特徴を圧縮表現した潜在変数ｈを生成できればよく、そのネットワーク及び層の構成は限定されないが、例えば、エンコーダデコーダモデルにより構成されてもよい。
第２モデルｍｄ２を構成するニューラルネットワークのネットワーク構成は限定されないが、例えば、多層パーセプトロンにより構成されてもよい。また、第２モデルｍｄ２は、潜在変数ｈ及び物性データｐｄの入力を受ける全結合層を含んでもよい。
図８は、エンコーダデコーダモデルにより構成される第１モデルｍｄ１の例を示す図である。図８に示されるように、第１モデルｍｄ１は、エンコーダｅｎ１及びデコーダｄｅ１を含む。
エンコーダｅｎ１は、時系列のセンサデータｓｄを入力とし、潜在変数ｈを出力とする。即ち、モデル入出力部１３は、時刻ｔ１～ｔｎの各タイムステップにおいて取得されたセンサデータ群のベクトルを入力データｘ１～ｘｎとして、エンコーダｅｎ１に時系列に順次入力する。
デコーダｄｅ１は、エンコーダｅｎ１から出力された潜在変数ｈの入力に基づいて、出力データｙ１～ｙｎを順次出力する。モデル入出力部１３は、デコーダｄｅ１から出力された出力データｙ１～ｙｎを取得する。
モデル学習部１４は、出力データｙ１～ｙｎと、入力データｘ１～ｘｎとの誤差に基づいて、エンコーダデコーダモデルからなる第１モデルｍｄ１のパラメータを更新（学習）する。即ち、第１モデルｍｄ１は、出力データｙ１～ｙｎと、入力データｘ１～ｘｎとが等しくなりように機械学習されるオートエンコーダである。
第１モデルｍｄ１を構成するエンコーダデコーダモデルは、ＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ＬＳＴＭ（Ｌｏｎｇ ｓｈｏｒｔ－ｔｅｒｍ ｍｅｍｏｒｙ）、Ｔｒａｎｓｆｏｒｍｅｒ及びＧＲＵ（Ｇａｔｅｄ Ｒｅｃｕｒｒｅｎｔ Ｕｎｉｔ）のいずれかにより構成されてもよい。これらの例示されたモデルは、時系列のデータの学習に適している。
モデル入出力部１３は、エンコーダｅｎ１から出力された潜在変数ｈを、第１モデルｍｄ１の出力として取得する。モデル入出力部１３は、潜在変数ｈ及び物性データｐｄを第２モデルｍｄ２に入力し、第２モデルｍｄ２から出力された製品品質予測データｑｄを取得する。モデル学習部１４は、製品品質予測データｑｄと学習データｌｄに含まれる製品品質データｐｑとの誤差に基づいて、第２モデルｍｄ２のパラメータを更新（学習）する。
学習済みのニューラルネットワークを含むモデルである品質予測モデルＭＤは、コンピュータにより読み込まれ又は参照され、コンピュータに所定の処理を実行させ及びコンピュータに所定の機能を実現させるプログラムとして捉えることができる。
即ち、本実施形態の学習済みの品質予測モデルＭＤは、ＣＰＵ及びメモリを備えるコンピュータにおいて用いられる。具体的には、コンピュータのＣＰＵが、メモリに記憶された学習済みの品質予測モデルＭＤからの指令に従って、ニューラルネットワークの入力層に入力された入力データに対し、各層に対応する学習済みの重み係数（パラメータ）と関数等に基づく演算を行い、出力層から演算の結果を出力するよう動作する。
再び図２を参照して、製品品質予測装置２０の各機能部について説明する。センサデータ取得部２１は、製品品質の予測対象の製品の作製工程において検知されたセンサデータｓｄを取得する。本実施形態では、センサデータ取得部２１は、センサデータ記憶部６０に記憶されているセンサデータｓｄを取得する。ここで取得されるセンサデータｓｄは、１ロットの製品の作製工程において検知された、作製の状態を示すデータであって、図５を参照して説明した学習データｌｄに含まれるセンサデータｓｄと同様の構成を有する。
第２物性データ取得部２２は、センサデータ取得部２１により取得されたセンサデータｓｄに対応する製品の物性データｐｄを取得する。具体的には、第２物性データ取得部２２は、第１物性データ取得部１２と同様に、物性データ記憶部４０を参照して物性データｐｄを取得する。
製品品質予測部２３は、センサデータ取得部２１により取得されたセンサデータｓｄ及び第２物性データ取得部２２により取得された物性データｐｄを品質予測モデルＭＤに入力し、品質予測モデルＭＤから出力された製品品質予測データｑｄを取得する。
製品品質予測データ出力部２４は、製品品質予測部２３により取得された製品品質予測データｑｄを、予測対象の製品の製品品質を予測した情報として出力する。
図９は、実施形態に係るモデル生成装置１０におけるモデル生成方法の処理内容の一例を示すフローチャートである。モデル生成方法は、プロセッサ１０１にモデル生成プログラムＰ１が読み込まれて、そのプログラムが実行されることにより、各機能部１１～１５が実現されることにより実行される。
ステップＳ１において、学習データ取得部１１は、学習対象の製品及びロットの作製工程より取得されたセンサデータｓｄと製品品質データｐｑとのペアからなる学習データｌｄを取得する。
ステップＳ２において、第１物性データ取得部１２は、ステップＳ１において学習データ取得部１１により取得された学習データｌｄに対応する製品の物性データｐｄを取得する。なお、学習データｌｄに対応する製品の物性データｐｄは、予め取得されて学習データｌｄの一部を構成することとしてもよい。
ステップＳ３において、モデル入出力部１３は、ステップＳ１において取得された学習データｌｄに含まれるセンサデータｓｄ及びステップＳ２において取得された物性データｐｄを品質予測モデルＭＤに入力する。
ステップＳ４において、モデル入出力部１３は、品質予測モデルＭＤから出力された製品品質予測データｑｄを取得する。
ステップＳ５において、モデル学習部１４は、学習データｌｄに含まれる製品品質データｐｑと、ステップＳ４において取得された製品品質予測データｑｄとの誤差に基づいて、品質予測モデルＭＤに含まれるパラメータ（重み係数）を更新することにより、品質予測モデルＭＤの機械学習を行う。
ステップＳ６において、モデル出力部１５は、品質予測モデルＭＤの学習を終了させるか否かを判断する。例えば、予め準備された全ての学習データｌｄに基づく機械学習がモデル学習部１４により行われた場合に、学習を終了させることが判断されてもよい。学習を終了させると判断された場合には、処理はステップＳ７に進む。一方、学習を終了させると判断されなかった場合には、処理はステップＳ１に戻る。
ステップＳ７において、モデル出力部１５は、モデル学習部１４によりパラメータが更新された学習済みの品質予測モデルＭＤを出力する。
図１０は、実施形態に係る製品品質予測装置２０における製品品質予測方法の処理内容の一例を示すフローチャートである。製品品質予測方法は、プロセッサ１０１に製品品質予測プログラムＰ２が読み込まれて、そのプログラムが実行されることにより、各機能部２１～２４が実現されることにより実行される。
ステップＳ１１において、センサデータ取得部２１は、製品品質の予測対象の製品の作製工程において検知されたセンサデータｓｄを取得する。
ステップＳ１２において、第２物性データ取得部２２は、センサデータ取得部２１により取得されたセンサデータｓｄに対応する製品の物性データｐｄを取得する。
ステップＳ１３において、製品品質予測部２３は、センサデータ取得部２１により取得されたセンサデータｓｄ及び第２物性データ取得部２２により取得された物性データｐｄを学習済みの品質予測モデルＭＤに入力する。
ステップＳ１４において、製品品質予測部２３は、品質予測モデルＭＤから出力された製品品質予測データｑｄを取得する。
ステップＳ１５において、製品品質予測データ出力部２４は、ステップＳ１４において製品品質予測部２３により取得された製品品質予測データｑｄを、予測対象の製品の製品品質を予測した情報として出力する。
次に、コンピュータを、本実施形態のモデル生成装置１０として機能させるためのモデル生成プログラムについて説明する。図１１は、モデル生成プログラムの構成を示す図である。
モデル生成プログラムＰ１は、モデル生成装置１０におけるモデル生成処理を統括的に制御するメインモジュールｍ１０、学習データ取得モジュールｍ１１、第１物性データ取得モジュールｍ１２、モデル入出力モジュールｍ１３、モデル学習モジュールｍ１４及びモデル出力モジュールｍ１５を備えて構成される。そして、各モジュールｍ１１～ｍ１５により、学習データ取得部１１、第１物性データ取得部１２、モデル入出力部１３、モデル学習部１４及びモデル出力部１５のための各機能が実現される。
なお、モデル生成プログラムＰ１は、通信回線等の伝送媒体を介して伝送される態様であってもよいし、図１１に示されるように、記録媒体Ｍ１に記憶される態様であってもよい。
次に、コンピュータを、本実施形態の製品品質予測装置２０として機能させるための製品品質予測プログラムについて説明する。図１２は、製品品質予測プログラムの構成を示す図である。
製品品質予測プログラムＰ２は、製品品質予測装置２０における製品品質予測処理を統括的に制御するメインモジュールｍ２０、センサデータ取得モジュールｍ２１、第２物性データ取得モジュールｍ２２、製品品質予測モジュールｍ２３及び製品品質予測データ出力モジュールｍ２４を備えて構成される。そして、各モジュールｍ２１～ｍ２４により、センサデータ取得部２１、第２物性データ取得部２２、製品品質予測部２３及び製品品質予測データ出力部２４のための各機能が実現される。
なお、製品品質予測プログラムＰ２は、通信回線等の伝送媒体を介して伝送される態様であってもよいし、図１２に示されるように、記録媒体Ｍ２に記憶される態様であってもよい。
以上説明した本実施形態のモデル生成装置１０、モデル生成方法及びモデル生成プログラムＰ１によれば、製品の作製工程において検知されたセンサデータと共に、当該製品に関連付けられた物性データが品質予測モデルに入力されるので、センサデータの特徴が製品の種別に関連付けて学習される。これにより、異なる種類の製品のセンサデータを品質予測モデルの学習に用いることができるので、一品種ごとの製造の実績から取得されるセンサデータの量が、品質予測モデルの学習に十分ではない場合であっても、複数の種類の製品のセンサデータを品質予測モデルの学習に用いることができる。従って、バッチプラントのような少量の製品を多品種作製するプラントにおいて作製される製品の品質の予測が可能となる。
以上、本発明をその実施形態に基づいて詳細に説明した。しかし、本発明は上記実施形態に限定されるものではない。本発明は、その要旨を逸脱しない範囲で様々な変形が可能である。
Ｐ１…モデル生成プログラム、Ｐ２…製品品質予測プログラム、ｍ１０…メインモジュール、ｍ１１…学習データ取得モジュール、ｍ１２…第１物性データ取得モジュール、ｍ１３…モデル入出力モジュール、ｍ１４…モデル学習モジュール、ｍ１５…モデル出力モジュール、ｍ２０…メインモジュール、ｍ２１…センサデータ取得モジュール、ｍ２２…第２物性データ取得モジュール、ｍ２３…製品品質予測モジュール、ｍ２４…製品品質予測データ出力モジュール、１０…モデル生成装置、１１…学習データ取得部、１２…第１物性データ取得部、１３…モデル入出力部、１４…モデル学習部、１５…モデル出力部、２０…製品品質予測装置、２１…センサデータ取得部、２２…第２物性データ取得部、２３…製品品質予測部、２４…製品品質予測データ出力部、３０…学習データ記憶部、４０…物性データ記憶部、５０…品質予測モデル記憶部、６０…センサデータ記憶部、Ｍ１，Ｍ２…記録媒体、ＭＤ…品質予測モデル。

Claims (9)

  1. 作製される複数種の製品の製品品質を予測するための品質予測モデルを機械学習により生成するモデル生成装置であって、
    前記品質予測モデルは、ニューラルネットワークを含み、センサデータ及び物性データを入力とし、予測された製品品質を表す製品品質予測データを出力とし、
    前記品質予測モデルの機械学習に用いられる学習データは、センサデータと製品品質データとのペアからなり、
    前記センサデータは、一単位の数量の前記製品の作製工程において検知された、作製の状態を示す一以上の検知項目の検査値を含むデータであり、
    前記製品品質データは、対応する前記センサデータが検知された作製工程において作製された前記製品の製品品質を示すデータであり、
    前記物性データは、各製品に関連付けられた、前記製品の特徴を示すデータであり、
    前記モデル生成装置は、
    前記学習データに含まれる前記センサデータ及び該学習データに対応する前記製品の前記物性データを前記品質予測モデルに入力し、前記品質予測モデルから出力される前記製品品質予測データを取得するモデル入出力部と、
    前記製品品質予測データと、前記学習データに含まれる前記製品品質データとの誤差に基づいて前記品質予測モデルに含まれるパラメータを更新するモデル学習部と、
    前記モデル学習部により前記パラメータが更新された学習済みの前記品質予測モデルを出力するモデル出力部と、
    を備えるモデル生成装置。
  2. 前記品質予測モデルは、第１モデル及び第２モデルを含み、
    前記モデル入出力部は、前記センサデータを前記第１モデルに入力し、前記センサデータの特徴が表現された潜在変数を前記第１モデルから取得し、前記潜在変数及び前記物性データを前記第２モデルに入力し、前記第２モデルから出力される前記製品品質予測データを取得する、
    請求項１に記載のモデル生成装置。
  3. 前記第１モデルは、ニューラルネットワークを含みエンコーダ及びデコーダにより構成されるエンコーダデコーダモデルであり、前記エンコーダは、前記センサデータに基づいて前記潜在変数を生成し、前記デコーダは潜在変数に基づいて出力データを生成し、
    前記モデル入出力部は、前記センサデータを前記エンコーダに入力し、前記デコーダから出力される前記出力データを取得し、
    前記モデル学習部は、前記出力データと、前記エンコーダに入力したセンサデータとの誤差に基づいて前記第１モデルのパラメータを更新し、前記第２モデルから出力された前記製品品質予測データと前記製品品質データとの誤差に基づいて、前記第２モデルのパラメータを更新する、
    請求項２に記載のモデル生成装置。
  4. 前記センサデータは、前記製品の作製工程において項目毎に時系列に取得されたデータを含み、
    前記エンコーダデコーダモデルは、ＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ＬＳＴＭ（Ｌｏｎｇ ｓｈｏｒｔ－ｔｅｒｍ ｍｅｍｏｒｙ）、Ｔｒａｎｓｆｏｒｍｅｒ及びＧＲＵ（Ｇａｔｅｄ Ｒｅｃｕｒｒｅｎｔ Ｕｎｉｔ）のいずれかにより構成され、
    前記モデル入出力部は、前記センサデータを時系列に沿って前記エンコーダに順次入力する、
    請求項３に記載のモデル生成装置。
  5. 前記センサデータは、作製工程における温度及び圧力のうちの少なくともいずれか一つを含み、
    前記物性データは、製品の原材料に関連付けられた当該原材料の物性及び特徴のうちの少なくとも一つを示すデータである、
    請求項１～４のいずれか一項に記載のモデル生成装置。
  6. 作製される複数種の製品の製品品質を予測するための品質予測モデルを機械学習により生成するモデル生成装置におけるモデル生成方法であって、
    前記品質予測モデルは、ニューラルネットワークを含み、センサデータ及び物性データを入力とし、予測された製品品質を表す製品品質予測データを出力とし、
    前記品質予測モデルの機械学習に用いられる学習データは、センサデータと製品品質データとのペアからなり、
    前記センサデータは、一単位の数量の前記製品の作製工程において検知された、作製の状態を示す一以上の検知項目の検査値を含むデータであり、
    前記製品品質データは、対応する前記センサデータが検知された作製工程において作製された前記製品の製品品質を示すデータであり、
    前記物性データは、各製品に関連付けられた、前記製品の特徴を示すデータであり、
    前記モデル生成方法は、
    前記学習データに含まれる前記センサデータ及び該学習データに対応する前記製品の前記物性データを前記品質予測モデルに入力し、前記品質予測モデルから出力される前記製品品質予測データを取得するモデル入出力ステップと、
    前記製品品質予測データと、前記学習データに含まれる前記製品品質データとの誤差に基づいて前記品質予測モデルに含まれるパラメータを更新するモデル学習ステップと、
    前記モデル学習ステップにおいて前記パラメータが更新された学習済みの前記品質予測モデルを出力するモデル出力ステップと、
    を有するモデル生成方法。
  7. コンピュータを、作製される複数種の製品の製品品質を予測するための品質予測モデルを機械学習により生成するモデル生成装置として機能させるためのモデル生成プログラムであって、
    前記品質予測モデルは、ニューラルネットワークを含み、センサデータ及び物性データを入力とし、予測された製品品質を表す製品品質予測データを出力とし、
    前記品質予測モデルの機械学習に用いられる学習データは、センサデータと製品品質データとのペアからなり、
    前記センサデータは、一単位の数量の前記製品の作製工程において検知された、作製の状態を示す一以上の検知項目の検査値を含むデータであり、
    前記製品品質データは、対応する前記センサデータが検知された作製工程において作製された前記製品の製品品質を示すデータであり、
    前記物性データは、各製品に関連付けられた、前記製品の特徴を示すデータであり、
    前記モデル生成プログラムは、前記コンピュータに、
    前記学習データに含まれる前記センサデータ及び該学習データに対応する前記製品の前記物性データを前記品質予測モデルに入力し、前記品質予測モデルから出力される前記製品品質予測データを取得するモデル入出力機能と、
    前記製品品質予測データと、前記学習データに含まれる前記製品品質データとの誤差に基づいて前記品質予測モデルに含まれるパラメータを更新するモデル学習機能と、
    前記モデル学習機能により前記パラメータが更新された学習済みの前記品質予測モデルを出力するモデル出力機能と、
    を実現させるモデル生成プログラム。
  8. コンピュータを機能させ、作製される複数種の製品の製品品質を予測するための、機械学習により学習済みの品質予測モデルであって、
    ニューラルネットワークを含み、センサデータ及び物性データを入力とし、予測された製品品質を表す製品品質予測データを出力とし、
    前記品質予測モデルの機械学習に用いられる学習データは、センサデータと製品品質データとのペアからなり、
    前記センサデータは、一単位の数量の前記製品の作製工程において検知された、作製の状態を示す一以上の検知項目の検査値を含むデータであり、
    前記製品品質データは、対応する前記センサデータが検知された作製工程において作製された前記製品の製品品質を示すデータであり、
    前記物性データは、各製品に対応付けられた、前記製品の特徴を示すデータであり、
    前記品質予測モデルは、
    前記学習データに含まれる前記センサデータ及び該センサデータに対応する前記物性データの入力に応じて出力された前記製品品質予測データと、前記学習データに含まれる前記製品品質データとの誤差に基づいてパラメータを更新する機械学習により構築される、
    学習済みの品質予測モデル。
  9. 機械学習により構築された品質予測モデルを用いて、作製される複数種の製品の製品品質を予測する製品品質予測装置であって、
    前記品質予測モデルは、ニューラルネットワークを含み、センサデータ及び物性データを入力とし、予測された製品品質を表す製品品質予測データを出力とし、
    前記品質予測モデルの機械学習に用いられる学習データは、センサデータと製品品質データとのペアからなり、
    前記センサデータは、一単位の数量の前記製品の作製工程において検知された、作製の状態を示す一以上の検知項目の検査値を含むデータであり、
    前記製品品質データは、対応する前記センサデータが検知された作製工程において作製された前記製品の製品品質を示すデータであり、
    前記物性データは、各製品に対応付けられた、前記製品の特徴を示すデータであり、
    前記品質予測モデルは、
    前記学習データに含まれる前記センサデータ及び該センサデータに対応する前記物性データの入力に応じて出力された前記製品品質予測データと、前記学習データに含まれる前記製品品質データとの誤差に基づいてパラメータを更新する機械学習により構築され、
    前記製品品質予測装置は、
    製品品質の予測対象の製品の作製工程において検知されたセンサデータ及び該センサデータに対応する製品の前記物性データを前記品質予測モデルに入力し、前記品質予測モデルから出力された前記製品品質予測データを取得する製品品質予測部と、
    前記製品品質予測部により取得された製品品質予測データを出力する製品品質予測データ出力部と、
    を備える製品品質予測装置。
JP2021072520A 2021-04-22 2021-04-22 モデル生成装置、モデル生成方法、モデル生成プログラム、品質予測モデル及び製品品質予測装置 Pending JP2022167027A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2021072520A JP2022167027A (ja) 2021-04-22 2021-04-22 モデル生成装置、モデル生成方法、モデル生成プログラム、品質予測モデル及び製品品質予測装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021072520A JP2022167027A (ja) 2021-04-22 2021-04-22 モデル生成装置、モデル生成方法、モデル生成プログラム、品質予測モデル及び製品品質予測装置

Publications (1)

Publication Number Publication Date
JP2022167027A true JP2022167027A (ja) 2022-11-04

Family

ID=83852444

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021072520A Pending JP2022167027A (ja) 2021-04-22 2021-04-22 モデル生成装置、モデル生成方法、モデル生成プログラム、品質予測モデル及び製品品質予測装置

Country Status (1)

Country Link
JP (1) JP2022167027A (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024185604A1 (en) * 2023-03-06 2024-09-12 Yokogawa Electric Corporation Information provision apparatus, information provision method, and information provision program

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024185604A1 (en) * 2023-03-06 2024-09-12 Yokogawa Electric Corporation Information provision apparatus, information provision method, and information provision program

Similar Documents

Publication Publication Date Title
Ren et al. A wide-deep-sequence model-based quality prediction method in industrial process analysis
US11687786B2 (en) Pre-processing for data-driven model creation
Iqbal et al. Fault detection and isolation in industrial processes using deep learning approaches
Behera et al. Multiscale deep bidirectional gated recurrent neural networks based prognostic method for complex non-linear degradation systems
JP7063389B2 (ja) 処理装置、処理方法、およびプログラム
KR20140041766A (ko) 예측 및 예지를 위한 순차적 커널 회귀 모델링 방법
CN108776831A (zh) 一种基于动态卷积神经网络的复杂工业过程数据建模方法
US20210042585A1 (en) Abnormality detection device, abnormality detection method and computer readable medium
CN112036426A (zh) 利用高维传感器数据的多数表决进行无监督异常检测和责任的方法和系统
JP7477608B2 (ja) 分類モデルの正解率の改良
Li et al. Remaining useful life prognostics of bearings based on a novel spatial graph-temporal convolution network
Wang et al. Production quality prediction of multistage manufacturing systems using multi-task joint deep learning
JP7509152B2 (ja) 情報処理システム、情報処理方法、および情報処理プログラム
Kenett et al. Self‐supervised cross validation using data generation structure
Hong et al. A dynamic soft sensor based on hybrid neural networks to improve early off-spec detection
JP2022167027A (ja) モデル生成装置、モデル生成方法、モデル生成プログラム、品質予測モデル及び製品品質予測装置
Tavasoli et al. Wipe: A novel web-based intelligent packaging evaluation via machine learning and association mining
Wang et al. Novel SiameseAE network for industrial process slow feature extraction and soft sensing applications
CN114207729A (zh) 材料特性预测系统以及材料特性预测方法
Qureshi et al. A comparative analysis of traditional SARIMA and machine learning models for CPI data modelling in Pakistan
JP7056747B2 (ja) 情報処理装置、処理装置、情報処理方法、処理方法、決定方法、およびプログラム
Kessels et al. Mutual information-based feature selection for inverse mapping parameter updating of dynamical systems
ANNAKI et al. Overview of Data Augmentation Techniques in Time Series Analysis.
Asraful Haque et al. Modified Goel-Okumoto software reliability model considering uncertainty parameter
CN113469263A (zh) 适于小样本的预测模型训练方法、装置及相关设备

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20240222