JP2023182763A - 消耗品の製造方法 - Google Patents

Abstract

【課題】消耗品の劣化度合いを、機械学習モデルを用いて予測した場合において、予測データの正否を判断しやすくする。【解決手段】予測データ表示装置は、第１期間における消耗品の劣化度合いを示す第１特性データに関する情報を入力データとし、前記第１期間より後の第２期間における前記消耗品の劣化度合いを示す第２特性データに関する情報を正解データとする学習用データを用いて学習処理が行われたモデルに、前記第１期間における予測対象の消耗品の劣化度合いを示す第３特性データに関する情報を入力し、前記第２期間における予測対象の消耗品の劣化度合いを示す第４特性データに関する情報を算出する予測部と、前記第４特性データのグラフを表示する際に、前記第１及び第３特性データに関する情報の類似度に応じた表示態様で、前記第２特性データのグラフを合わせて表示する表示部とを有する。【選択図】図３

Description

本開示は、予測データ表示装置、予測データ表示方法及び予測データ表示プログラムに関する。

バッテリ等の消耗品の劣化度合いを、機械学習モデルを用いて予測する予測技術が知られている。当該予測技術によれば、例えば、劣化度合いを示す特性データを一定期間取得し、劣化前の特性データと劣化後の特性データとの関係を学習しておくことで、予測対象の消耗品の劣化前の特性データから、予測対象の消耗品の劣化後の特性データを予測することができる。

特表２０１０－５３９４７３号公報 特開２０１３－２１７８９７号公報 特開２０１９－１１３５２４号公報

しかしながら、機械学習モデルを用いて予測する予測技術の場合、予測データの正否をユーザが判断することが難しい。

本開示は、消耗品の劣化度合いを、機械学習モデルを用いて予測した場合において、予測データの正否を判断しやすくする。

本開示の第１の態様による予測データ表示装置は、
第１の期間における第１の消耗品の劣化度合いを示す第１の特性データに関する情報を入力データとし、前記第１の期間より後の第２の期間における前記第１の消耗品の劣化度合いを示す第２の特性データに関する情報を正解データとする学習用データを用いて学習処理が行われた学習済みのモデルに、前記第１の期間における予測対象の第２の消耗品の劣化度合いを示す第３の特性データに関する情報を入力し、前記第２の期間における予測対象の第２の消耗品の劣化度合いを示す第４の特性データに関する情報を算出する予測部と、
前記第４の特性データのグラフを表示する際に、前記第１の特性データに関する情報と、前記第３の特性データに関する情報との類似度に応じた表示態様で、前記第２の特性データのグラフを合わせて表示する表示部とを有する。

また、本開示の第２の態様は、第１の態様に記載の予測データ表示装置であって、
前記表示部は、前記第２の特性データのグラフを表示する際、前記第３の特性データのグラフに結合して表示する。

また、本開示の第３の態様は、第２の態様に記載の予測データ表示装置であって、
前記第２の特性データに関する情報は、前記第１の期間の終了時における前記第１の消耗品の劣化度合いを示す特性データを基準とした場合の、前記第２の特性データの減衰率である。

また、本開示の第４の態様は、第３の態様に記載の予測データ表示装置であって、
前記表示部は、前記第１の期間の終了時における前記予測対象の第２の消耗品の劣化度合いを示す特性データに、前記第２の特性データの減衰率をかけ合わせることで生成された、前記第２の特性データのグラフを表示する。

また、本開示の第５の態様は、第２の態様に記載の予測データ表示装置であって、
前記第４の特性データに関する情報は、前記第１の期間の終了時における前記予測対象の第２の消耗品の劣化度合いを示す特性データを基準とした場合の、前記第４の特性データの減衰率である。

また、本開示の第６の態様は、第５の態様に記載の予測データ表示装置であって、
前記表示部は、前記第１の期間の終了時における前記予測対象の第２の消耗品の劣化度合いを示す特性データに、前記第４の特性データの減衰率をかけ合わせることで生成された、前記第４の特性データのグラフを表示する。

また、本開示の第７の態様は、第２の態様に記載の予測データ表示装置であって、
前記表示部は、前記第２の特性データのグラフを、前記類似度に応じた表示色で表示する。

また、本開示の第８の態様は、第１の態様に記載の予測データ表示装置であって、
前記表示部は、前記第４の特性データのグラフを表示する際に、前記予測部により算出された信頼区間に関する情報を合わせて表示する。

また、本開示の第９の態様は、第１の態様に記載の予測データ表示装置であって、
前記表示部は、前記第１の消耗品の種類を示す情報と、前記第１の消耗品の製造条件を示す情報とを、対応する前記類似度とともにテキスト表示する。

また、本開示の第１０の態様は、第１の態様に記載の予測データ表示装置であって、
前記表示部は、前記予測部により算出された信頼区間の幅を、前記学習用データを用いて前記モデルに対して学習処理が行われることで算出された信頼区間の最小の幅及び最大の幅と対比することで、前記第４の特性データの正常度のレベルを算出し、表示する。

また、本開示の第１１の態様は、第１の態様に記載の予測データ表示装置であって、
前記モデルは、ガウス過程回帰モデルである。

また、本開示の第１２の態様は、第１の態様に記載の予測データ表示装置であって、
前記第１及び第２の消耗品はバッテリであり、前記第１及び第３の特性データに関する情報は、バッテリの充放電を繰り返す試験により測定される特徴量である。

また、本開示の第１３の態様は、第１２の態様に記載の予測データ表示装置であって、
前記第１及び第３の特性データは、各サイクルにおける放電容量維持率である。

また、本開示の第１４の態様による予測データ表示方法は、
第１の期間における第１の消耗品の劣化度合いを示す第１の特性データに関する情報を入力データとし、前記第１の期間より後の第２の期間における前記第１の消耗品の劣化度合いを示す第２の特性データに関する情報を正解データとする学習用データを用いて学習処理が行われた学習済みのモデルに、前記第１の期間における予測対象の第２の消耗品の劣化度合いを示す第３の特性データに関する情報を入力し、前記第２の期間における予測対象の第２の消耗品の劣化度合いを示す第４の特性データに関する情報を算出する予測工程と、
前記第４の特性データのグラフを表示する際に、前記第１の特性データに関する情報と、前記第３の特性データに関する情報との類似度に応じた表示態様で、前記第２の特性データのグラフを合わせて表示する表示工程とをコンピュータが実行する。

また、本開示の第１５の態様による予測データ表示プログラムは、
第１の期間における第１の消耗品の劣化度合いを示す第１の特性データに関する情報を入力データとし、前記第１の期間より後の第２の期間における前記第１の消耗品の劣化度合いを示す第２の特性データに関する情報を正解データとする学習用データを用いて学習処理が行われた学習済みのモデルに、前記第１の期間における予測対象の第２の消耗品の劣化度合いを示す第３の特性データに関する情報を入力し、前記第２の期間における予測対象の第２の消耗品の劣化度合いを示す第４の特性データに関する情報を算出する予測工程と、
前記第４の特性データのグラフを表示する際に、前記第１の特性データに関する情報と、前記第３の特性データに関する情報との類似度に応じた表示態様で、前記第２の特性データのグラフを合わせて表示する表示工程とをコンピュータに実行させる。

本開示によれば、消耗品の劣化度合いを、機械学習モデルを用いて予測した場合において、予測データの正否が判断しやすくなる。

図１は、学習フェーズにおける予測データ表示システムのシステム構成及び学習装置の機能構成の一例を示す図である。 図２は、学習用データ生成装置の処理の具体例を示す図である。 図３は、予測フェーズにおける予測データ表示システムのシステム構成及び予測データ表示装置の機能構成の一例を示す図である。 図４は、予測用データ生成装置の処理の具体例を示す図である。 図５は、学習装置及び予測データ表示装置のハードウェア構成の一例を示す図である。 図６は、予測データ表示装置の第１のスケール変換部の処理の具体例を示す図である。 図７は、予測データ表示装置の学習済みガウス過程回帰モデルの処理の具体例を示す図である。 図８は、予測データ表示装置の第２のスケール変換部の処理の具体例を示す図である。 図９は、予測データ及び９５％信頼区間のグラフ化例を示す図である。 図１０は、予測データ表示装置の表示画面生成部の処理の具体例を示す第１の図である。 図１１は、予測データ表示装置の表示画面生成部の処理の具体例を示す第２の図である。 図１２は、学習処理の流れを示すフローチャートである。 図１３は、予測データ表示処理の流れを示す第１のフローチャートである。 図１４は、予測データ表示装置の表示画面生成部の処理の具体例を示す第３の図である。 図１５は、予測データ表示処理の流れを示す第２のフローチャートである。 図１６は、予測データ表示装置の表示画面生成部の処理の具体例を示す第４の図である。

以下、各実施形態について添付の図面を参照しながら説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複した説明を省略する。

［第１の実施形態］
＜学習フェーズにおける予測データ表示システムのシステム構成及び学習装置の機能構成＞
はじめに、学習フェーズにおける予測データ表示システムのシステム構成及び当該予測データ表示システムを構成する学習装置の機能構成について説明する。

図１は、学習フェーズにおける予測データ表示システムのシステム構成及び学習装置の機能構成の一例を示す図である。図１に示すように、学習フェーズにおける予測データ表示システム１００は、特性測定装置１１０、学習用データ生成装置１２０、学習装置１３０を有する。

特性測定装置１１０は、消耗品の劣化度合いを示す特性データに関する情報として、特徴量を測定し、測定した特徴量に基づいて特性データを生成する。消耗品とは、繰り返し使用することで、性能が劣化する物品を指し、例えば、バッテリ等が含まれる。また、消耗品がバッテリの場合、劣化度合いを示す特性データとは、例えば、バッテリの充放電を繰り返す試験の各サイクルにおける放電容量維持率を指す。また、特性データが各サイクルの放電容量維持率の場合、特性データに関する情報である特徴量とは、各サイクルにおいて測定される、電流データ、電圧データ等を指す。

また、ここでいうバッテリには種々のものが含まれ、一例として、リチウムイオン二次電池が挙げられる。また、リチウムイオン二次電池には、材料開発や電池設計の視点から、異なる製造条件のもとで製造されたものが含まれる。より具体的には、リチウムイオン二次電池を構成する、正極材料、負極材料、電解質材料等の構成部材を、種々比較変更して製造されたものや、電池組み立て完成後、活性化やエージング等の条件を種々比較変更して製造されたものが含まれる。

なお、特性測定装置１１０では、様々な種類の消耗品（第１の消耗品の一例。例えば、バッテリ）について特性データを取得する。図１の例は、互いに種類が異なる消耗品Ｉ、ＩＩ、ＩＩＩ、・・・について、それぞれ、特徴量Ｉ、ＩＩ、ＩＩＩ、・・・が測定され、特性データＩ、ＩＩ、ＩＩＩ、・・・が生成された様子を示している。

生成された特性データＩ、ＩＩ、ＩＩＩ、・・・は、特徴量Ｉ、ＩＩ、ＩＩＩ、・・・、及び、対応する消耗品の製造条件ｉ、ｉｉ、ｉｉｉ、・・・とともに、学習用データ生成装置１２０に入力される。

学習用データ生成装置１２０は、学習装置１３０による学習処理に用いられる学習用データ１２１を生成する。図１に示すように、学習用データ１２１は、情報の項目として、"ＩＤ"、"参考データ"、"入力データ"、"正解データ"を有し、それぞれの情報の項目には、
・"ＩＤ"：各消耗品の種類、
・"参考データ"：各消耗品の製造条件、
・"入力データ"：測定開始時から基準時までに測定された特徴量、
・"正解データ"：基準時の特性データを基準とした、基準時以降の特性データの減衰率、
が入力される。基準時とは、特性測定装置１１０が消耗品の劣化度合いを示す特性データに関する情報として、特徴量の測定を開始してから終了するまでの期間のうち、測定開始時からの期間が予め定めた期間（第１の期間）となる時刻を指す。なお、特徴量の測定を開始してから終了するまでの期間のうち、基準時から終了時までの期間を、第２の期間と称す。

ただし、ここでいう期間は、時間に限定されず、時間と等価な概念も含まれるものとする。例えば、消耗品がバッテリの場合にあっては、基準時は、測定開始時からのサイクル数が予め定められた値となるサイクル数を指すものとする。

学習用データ生成装置１２０により生成された学習用データ１２１は、学習装置１３０の学習用データ格納部１３３に格納される。

学習装置１３０には、学習プログラムがインストールされており、当該プログラムが実行されることで、学習装置１３０は、ガウス過程回帰モデル１３１、比較／変更部１３２として機能する。

ガウス過程回帰モデル１３１は、ノンパラメトリックな確率モデルであり、予測データ（本実施形態では、基準時以降の予測減衰率）とともに、予測データの分散（本実施形態では、９５％信頼区間の幅）を出力することが可能なモデルである。本実施形態において、ガウス過程回帰モデル１３１は、学習用データ１２１の入力データ（測定開始時から基準時までに測定された特徴量）が入力されることで、出力データ（基準時以降の予測減衰率）を出力する。

比較／変更部１３２は、出力データが、学習用データ１２１の正解データ（基準時の特性データを基準とした、基準時以降の特性データの減衰率）と一致するように、ガウス過程回帰モデル１３１のモデルパラメータを更新する。

なお、更新されたモデルパラメータは、学習済みガウス過程回帰モデル３３２（詳細は後述）において保持され、予測フェーズにおいて用いられる。

＜学習用データ生成装置の処理の具体例＞
次に、学習フェーズにおける予測データ表示システム１００を構成する学習用データ生成装置１２０の処理の具体例について説明する。図２は、学習用データ生成装置の処理の具体例を示す図である。

図２において、符号２１０＿１、２１０＿２、２１０＿３、・・・は、それぞれ、特性データＩ、ＩＩ、ＩＩＩ、・・・の具体例を示している。図２に示すように、特性データＩ、ＩＩ、ＩＩＩ、・・・において、横軸は時刻ｔを表し、縦軸は時刻ｔにおける特性データｙ（ｔ）を表している。

また、符号２１０＿１において、ｙ（ｔ_０）＿Ｉは、消耗品Ｉの測定開始時（時刻＝ｔ_０）の特性データを、ｙ（ｔ_Ｂ）＿Ｉは、消耗品Ｉの基準時（時刻＝ｔ_Ｂ）の特性データを、それぞれ表している。更に、ｙ（ｔ_Ｔ）＿Ｉは、消耗品Ｉの測定終了時（時刻＝ｔ_Ｔ）の特性データを表している。

一方、特徴量１（ｔ_Ｘ）、特徴量２（ｔ_Ｘ）、特徴量３（ｔ_Ｘ）、・・・は、時刻ｔ_Ｘ（ただし、ｔ_０≦ｔ_Ｘ≦ｔ_Ｔ）において特性データｙ（ｔ_Ｘ）＿Ｉ等を生成するのに用いられた各特徴量を表している。

図２の具体例によれば、学習用データ生成装置１２０は、
・符号２１０＿１、２１０＿２、２１０＿３、・・・に示す特性データＩ、ＩＩ、ＩＩＩ、・・・と、
・特徴量１（ｔ_Ｘ）、特徴量２（ｔ_Ｘ）、特徴量３（ｔ_Ｘ）、・・・と、
に基づいて、学習用データ１２１'を生成する。

学習用データ１２１'は、図１に示した学習用データ１２１の具体例であり、"ＩＤ"＝Ｉに対応付けて、
・"参考データ"：製造条件ｉ
・"入力データ"：特徴量１（ｔ_Ｘ）＿Ｉ、特徴量２（ｔ_Ｘ）＿Ｉ、・・・特徴量ｎ（ｔ_Ｘ）＿Ｉ、
・"正解データ"：減衰率ｒ（ｔ_Ｘ）＿Ｉ＝ｙ（ｔ_Ｘ）＿Ｉ／ｙ（ｔ_Ｂ）＿Ｉ、
がそれぞれ入力される。

同様に、"ＩＤ"＝ＩＩに対応付けて、
・"参考データ"＝製造条件ｉｉ
・"入力データ"：特徴量１（ｔ_Ｘ）＿ＩＩ、特徴量２（ｔ_Ｘ）＿ＩＩ、・・・特徴量ｎ（ｔ_Ｘ）＿ＩＩ、
・"正解データ"：減衰率ｒ（ｔ_Ｘ）＿ＩＩ＝ｙ（ｔ_Ｘ）＿ＩＩ／ｙ（ｔ_Ｂ）＿ＩＩ、
がそれぞれ入力される。

同様に、"ＩＤ"＝ＩＩＩに対応付けて、
・"参考データ"＝製造条件ｉｉｉ
・"入力データ"：特徴量１（ｔ_Ｘ）＿ＩＩＩ、特徴量２（ｔ_Ｘ）＿ＩＩＩ、・・・特徴量ｎ（ｔ_Ｘ）＿ＩＩＩ、
・"正解データ"：減衰率ｒ（ｔ_Ｘ）＿ＩＩＩ＝ｙ（ｔ_Ｘ）＿ＩＩＩ／ｙ（ｔ_Ｂ）＿ＩＩＩ、
がそれぞれ入力される。

＜予測フェーズにおける予測データ表示システムのシステム構成及び予測データ表示装置の機能構成＞
次に、予測フェーズにおける予測データ表示システムのシステム構成及び当該予測データ表示システムを構成する予測データ表示装置の機能構成について説明する。

図３は、予測フェーズにおける予測データ表示システムのシステム構成及び予測データ表示装置の機能構成の一例を示す図である。図３に示すように、予測フェーズにおける予測データ表示システム３００は、特性測定装置１１０、予測用データ生成装置３２０、予測データ表示装置３３０を有する。

このうち、特性測定装置１１０は、図１を用いて説明済みであるため、ここでは説明を省略する。なお、予測フェーズにおいて、特性測定装置１１０は、予測対象の消耗品Ｎ（第２の消耗品の一例。例えば、製造条件ｍのもとで製造されたバッテリ）についての特性データＮに関する情報として、特徴量Ｎを測定する。また、特性測定装置１１０は、測定した特徴量Ｎに基づいて特性データＮを生成する。消耗品の一例である、製造条件ｍのもとで製造されたバッテリとしては、より具体的には、前述した学習用データの生成において用いたものと同種のリチウムイオン二次電池であって、製造条件ｍのもとで製造されたリチウムイオン二次電池が挙げられる。

予測用データ生成装置３２０は、予測データ表示装置３３０による予測データ表示処理に用いられる予測用データ３２１を生成する。図３に示すように、予測用データ３２１は、情報の項目として、"ＩＤ"、"参考データ"、"スケール変換用データ"、"入力データ"、"表示用データ"を有し、それぞれの情報の項目には、
・"ＩＤ"：予測対象の消耗品の種類、
・"参考データ"：予測対象の消耗品の製造条件、
・"スケール変換用データ"：基準時の特性データ、
・"入力データ"：測定開始時から基準時までに測定された特徴量、
・"表示用データ"：測定開始時から基準時までの特性データ、
が入力される。

予測用データ生成装置３２０により生成された予測用データ３２１は、予測データ表示装置３３０に通知される。

予測データ表示装置３３０には、予測データ表示プログラムがインストールされており、当該プログラム実行されることで、予測データ表示装置３３０は、
・第１のスケール変換部３３１、
・学習済みガウス過程回帰モデル３３２、
・第２のスケール変換部３３３、
・表示画面生成部３３４、
として機能する。

第１のスケール変換部３３１は、
・予測用データ３２１の"スケール変換用データ"に含まれる基準時の特性データと、
・学習用データ１２１の"正解データ"に含まれる減衰率と、
に基づいて、各消耗品（消耗品Ｉ、ＩＩ、ＩＩＩ、・・・）の基準時以降の特性データ（スケール変換後の特性データ）を算出する。また、第１のスケール変換部３３１は、学習済みガウス過程回帰モデル３３２から通知される、各消耗品についての類似度に基づいて、各消耗品の基準時以降の特性データの表示態様を決定する。更に、第１のスケール変換部３３１は、表示態様を決定した各消耗品の基準時以降の特性データを、類似度とともに表示画面生成部３３４に通知する。

学習済みガウス過程回帰モデル３３２は予測部の一例であり、学習フェーズにおいてガウス過程回帰モデル１３１に対して学習処理を行うことで更新されたモデルパラメータを保持する。

なお、上記説明においては、回帰モデルの一例としてガウス過程回帰モデルを挙げたが、本実施形態はこれに限定されない。例えば、ポアソン過程回帰モデル等、予測データとともに、予測データの９５％信頼区間を出力することが可能なモデルであれば、他の回帰モデルを用いてもよい。

学習済みガウス過程回帰モデル３３２は、予測用データ３２１の"入力データ"に含まれる、測定開始時から基準時までに測定された特徴量が入力されると、
・学習用データ１２１の"入力データ"に含まれる、測定開始時から基準時までに測定された特徴量との類似度を、各消耗品について算出し、第１のスケール変換部３３１に通知する処理と、
・算出した各消耗品との類似度を用いて、予測対象の消耗品Ｎの基準時以降の予測減衰率を算出するとともに、予測対象の消耗品Ｎの基準時以降の予測減衰率を算出した際の９５％信頼区間を算出し、第２のスケール変換部３３３に通知する処理と、
を実行する。

第２のスケール変換部３３３は、
・予測用データ３２１の"スケール変換用データ"に含まれる基準時の特性データと、
・学習済みガウス過程回帰モデル３３２から通知された基準時以降の予測減衰率と、
に基づいて、予測対象の消耗品の基準時以降の特性データ（予測データ）を予測する。

また、第２のスケール変換部３３３は、予測用データ３２１の"スケール変換用データ"に含まれる基準時の特性データと、学習済みガウス過程回帰モデル３３２から通知された９５％信頼区間とに基づいて、特性データに換算した９５％信頼区間を算出する。

更に、第２のスケール変換部３３３は、予測した予測対象の消耗品の基準時以降の特性データ（予測データ）と、算出した９５％信頼区間（特性データ換算）とを、表示画面生成部３３４に通知する。

表示画面生成部３３４は表示部の一例であり、表示画面を生成する。表示画面生成部３３４が生成する表示画面には、少なくとも、
・予測用データ３２１の"表示用データ"に含まれる、測定開始時から基準時までの特性データ、
・第２のスケール変換部３３３より通知された、消耗品Ｎの基準時以降の予測データ、
・第２のスケール変換部３３３より通知された、消耗品Ｎの９５％信頼区間（特性データ換算）、
・第１のスケール変換部３３１より通知された、各消耗品（消耗品Ｉ、ＩＩ、ＩＩＩ、・・・）の基準時以降の特性データ、
が含まれる。

このとき、表示画面生成部３３４では、第１のスケール変換部３３１により決定された表示態様で、第１のスケール変換部３３１より通知された、基準時以降の特性データを表示する。

このように、予測データ表示装置３３０では、予測対象の消耗品について、機械学習モデルを用いて予測した予測データを表示する際、当該機械学習モデルの学習処理に用いた学習用データに基づいて生成した特性データを合わせて表示する。このとき、予測データ表示装置３３０では、学習用データに基づいて生成した特性データを、特徴量の類似度に応じた表示態様で表示する。これにより、ユーザは予測対象の消耗品についての予測データを、類似度に応じて表示態様が変更された過去の特性データと対比することが可能となる。この結果、ユーザは、予測データの正否が判断しやすくなる。

＜予測用データ生成装置の処理の具体例＞
次に、予測フェーズにおける予測データ表示システム３００を構成する予測用データ生成装置３２０の処理の具体例について説明する。図４は、予測用データ生成装置の処理の具体例を示す図である。

図４において、符号４１０は、特性データＮの具体例を示している。図４に示すように、特性データＮにおいて、横軸は時刻ｔを表し、縦軸は時刻ｔにおける予測対象の消耗品Ｎの特性データｙ（ｔ）を表している。

また、符号４１０において、ｙ（ｔ_０）＿Ｎは、消耗品Ｎの測定開始時（時刻＝ｔ_０）の特性データを、ｙ（ｔ_Ｂ）＿Ｎは、消耗品Ｎの基準時（時刻＝ｔ_Ｂ）の特性データを、それぞれ表している。

一方、特徴量１（ｔ_Ｘ）、特徴量２（ｔ_Ｘ）、特徴量３（ｔ_Ｘ）、・・・は、時刻ｔ_Ｘ（ただし、ｔ_０≦ｔ_Ｘ≦ｔ_Ｂ）において特性データｙ（ｔ_Ｘ）＿Ｎを生成するのに用いられた各特徴量を表している。

図４の具体例によれば、予測用データ生成装置３２０は、符号４１０に示す特性データＮと、特徴量１（ｔ_Ｘ）、特徴量２（ｔ_Ｘ）、特徴量３（ｔ_Ｘ）、・・・とに基づいて、予測用データ３２１'を生成する。

予測用データ３２１'は、図３に示した予測用データ３２１の具体例であり、"ＩＤ"＝Ｎに対応付けて、
・"参考データ"：製造条件ε、
・スケール変換用データ：特性データｙ（ｔ_Ｂ）＿Ｎ、
・"入力データ"：特徴量１（ｔ_Ｘ）＿Ｎ、特徴量２（ｔ_Ｘ）＿Ｎ、・・・特徴量ｎ（ｔ_Ｘ）＿Ｎ、
・"表示用データ"：特性データｙ（ｔ_Ｘ）＿Ｎ、
がそれぞれ入力される。

＜学習装置及び予測データ表示装置の説明＞
次に、学習フェーズにおける予測データ表示システム１００を構成する学習装置１３０及び予測フェーズにおける予測データ表示システム３００を構成する予測データ表示装置３３０の詳細について説明する。

（１）学習装置及び予測データ表示装置３３０のハードウェア構成
学習装置１３０及び予測データ表示装置３３０のハードウェア構成について説明する。図５は、学習装置及び予測データ表示装置のハードウェア構成の一例を示す図である。学習装置１３０と予測データ表示装置３３０とは、同様のハードウェア構成を有するため、ここでは、図５を用いてまとめて説明する。

図５に示すように、学習装置１３０及び予測データ表示装置３３０は、プロセッサ５０１、メモリ５０２、補助記憶装置５０３、Ｉ／Ｆ（Interface）装置５０４、通信装置５０５、ドライブ装置５０６を有する。なお、学習装置１３０及び予測データ表示装置３３０の各ハードウェアは、バス５０７を介して相互に接続されている。

プロセッサ５０１は、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）等の各種演算デバイスを有する。プロセッサ５０１は、各種プログラム（例えば、学習プログラム、予測データ表示プログラム等）をメモリ５０２上に読み出して実行する。

メモリ５０２は、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等の主記憶デバイスを有する。プロセッサ５０１とメモリ５０２とは、いわゆるコンピュータを形成し、プロセッサ５０１が、メモリ５０２上に読み出した各種プログラムを実行することで、当該コンピュータは各種機能を実現する。

補助記憶装置５０３は、各種プログラムや、各種プログラムがプロセッサ５０１によって実行される際に用いられる各種データを格納する。例えば、上述した学習用データ格納部１３３は、補助記憶装置５０３において実現される。

Ｉ／Ｆ装置５０４は、外部装置である表示装置５１０及び操作装置５２０と接続する接続デバイスである。通信装置５０５は、ネットワークを介して外部装置（例えば、学習用データ生成装置１２０、予測用データ生成装置３２０）と通信するための通信デバイスである。

ドライブ装置５０６は記録媒体５３０をセットするためのデバイスである。ここでいう記録媒体５３０には、ＣＤ－ＲＯＭ、フレキシブルディスク、光磁気ディスク等のように情報を光学的、電気的あるいは磁気的に記録する媒体が含まれる。また、記録媒体５３０には、ＲＯＭ、フラッシュメモリ等のように情報を電気的に記録する半導体メモリ等が含まれていてもよい。

なお、補助記憶装置５０３にインストールされる各種プログラムは、例えば、配布された記録媒体５３０がドライブ装置５０６にセットされ、該記録媒体５３０に記録された各種プログラムがドライブ装置５０６により読み出されることでインストールされる。あるいは、補助記憶装置５０３にインストールされる各種プログラムは、通信装置５０５を介してネットワークからダウンロードされることで、インストールされてもよい。

（２）予測データ表示装置の第１のスケール変換部の処理の具体例
次に、予測データ表示装置３３０の第１のスケール変換部３３１の処理の具体例について説明する。図６は、予測データ表示装置の第１のスケール変換部の処理の具体例を示す図である。

図６に示すように、第１のスケール変換部３３１は、減衰率算出部６０１と表示態様変更部６０２とを有する。

減衰率算出部６０１は、基準時の特性データとして、特性データｙ（ｔ_Ｂ）＿Ｎを取得し、各消耗品（消耗品Ｉ、ＩＩ、ＩＩＩ、・・・）についての基準時以降の減衰率にかけ合わせることで、各消耗品の基準時以降の特性データを算出する。図６の例は、消耗品Ｉ、ＩＩ、ＩＩＩ、・・・についての減衰率として、それぞれ、
・ｒ（ｔ_ｘ）＿Ｉ＝ｙ（ｔ_Ｘ）＿Ｉ／ｙ（ｔ_Ｂ）＿Ｉ（ただし、ｔ_Ｂ≦ｔ_Ｘ≦ｔ_Ｔ）、
・ｒ（ｔ_ｘ）＿ＩＩ＝ｙ（ｔ_Ｘ）＿ＩＩ／ｙ（ｔ_Ｂ）＿ＩＩ（ただし、ｔ_Ｂ≦ｔ_Ｘ≦ｔ_Ｔ）、
・ｒ（ｔ_ｘ）＿ＩＩＩ＝ｙ（ｔ_Ｘ）＿ＩＩＩ／ｙ（ｔ_Ｂ）＿ＩＩＩ（ただし、ｔ_Ｂ≦ｔ_Ｘ≦ｔ_Ｔ）、
・・・
にかけ合わせることで、基準時以降の特性データとして、それぞれ、
・消耗品Ｉの基準時以降の特性データ｛ｙ（ｔ_Ｘ）＿Ｉ／ｙ（ｔ_Ｂ）＿Ｉ｝×ｙ（ｔ_Ｂ）＿Ｎ（ただし、ｔ_Ｂ≦ｔ_Ｘ≦ｔ_Ｔ）、
・消耗品ＩＩの基準時以降の特性データ｛ｙ（ｔ_Ｘ）＿ＩＩ／ｙ（ｔ_Ｂ）＿ＩＩ｝×ｙ（ｔ_Ｂ）＿Ｎ（ただし、ｔ_Ｂ≦ｔ_Ｘ≦ｔ_Ｔ）、
・消耗品ＩＩＩの基準時以降の特性データ｛ｙ（ｔ_Ｘ）＿ＩＩＩ／ｙ（ｔ_Ｂ）＿ＩＩＩ｝×ｙ（ｔ_Ｂ）＿Ｎ（ただし、ｔ_Ｂ≦ｔ_Ｘ≦ｔ_Ｔ）、
・・・、
が算出された様子を示している。

表示態様変更部６０２は、学習済みガウス過程回帰モデル３３２から通知される、各消耗品（消耗品Ｉ、ＩＩ、ＩＩＩ、・・・）についての類似度に基づいて、各消耗品の基準時以降の特性データの表示態様を決定する。図６の例は、消耗品Ｉ、ＩＩ、ＩＩＩ、・・・についての類似度として、学習済みガウス過程回帰モデル３３２から、それぞれ、類似度Ｉ、類似度ＩＩ、類似度ＩＩＩ、・・・が通知された様子を示している。

また、図６の例は、学習済みガウス過程回帰モデル３３２から通知される、各消耗品についての類似度が"１"の場合、表示態様変更部６０２が、対応する基準時以降の特性データのグラフの表示色を青色に決定することを示している。

また、図６の例は、学習済みガウス過程回帰モデル３３２から通知される、各消耗品についての類似度が"０"の場合、表示態様変更部６０２が、対応する基準時以降の特性データのグラフの表示色をグレー色に決定することを示している。

なお、学習済みガウス過程回帰モデル３３２から通知される、各消耗品についての類似度が"０"より大きく"１"より小さい場合、表示態様変更部６０２では、対応する基準時以降の特性データのグラフの表示色を、グレー色～青色の間の中間色に決定する。

例えば、表示態様変更部６０２では、類似度が"０"に近い場合、対応する基準時以降の特性データのグラフの表示色を、グレー色～青色のグラデーションの各色のうち、グレー色に近い色に決定する。また、表示態様変更部６０２では、類似度が"１"に近い場合、対応する基準時以降の特性データのグラフの表示色を、グレー色～青色のグラデーションの各色のうち、青色に近い色に決定する。

ただし、表示態様変更部６０２による表示色の決定方法は、これに限定されず、例えば、類似度が所定の閾値未満の場合にはグレー色に決定し、類似度が所定の閾値以上の場合には、青色に決定するようにしてもよい。

（３）予測データ表示装置の学習済みガウス過程回帰モデルの処理の具体例
次に、予測データ表示装置３３０の学習済みガウス過程回帰モデル３３２の処理の具体例について説明する。図７は、予測データ表示装置の学習済みガウス過程回帰モデルの処理の具体例を示す図である。

図７に示すように、学習済みガウス過程回帰モデル３３２は、類似度算出部７０１、信頼区間算出部７０２、減衰率予測部７０３、モデルパラメータ保持部７０４を有する。

類似度算出部７０１には、予測用データ３２１の"入力データ"に含まれる、測定開始時から基準時までに測定された特徴量と、学習用データ１２１の"入力データ"に含まれる、測定開始時から基準時までに測定された特徴量と、が入力される。

図７の例は、予測用データ３２１の"入力データ"に含まれる、測定開始時から基準時までに測定された特徴量として、
・特徴量Ｆ_ｙ（特徴量１（ｔ_Ｘ）＿Ｎ、特徴量２（ｔ_Ｘ）＿Ｎ、・・・特徴量ｎ（ｔ_Ｘ）＿Ｎ、ただし、ｔ_０≦ｔ_Ｘ≦ｔ_Ｂ）、
が入力された様子を示している。また、図７の例は、学習用データ１２１の"入力データ"に含まれる、測定開始時から基準時までに測定された特徴量として、
・特徴量Ｆ_ｙ（特徴量１（ｔ_Ｘ）＿Ｉ、特徴量２（ｔ_Ｘ）＿Ｉ、・・・特徴量ｎ（ｔ_Ｘ）＿Ｉ、ただし、ｔ_０≦ｔ_Ｘ≦ｔ_Ｂ）、
・特徴量Ｆ_ｙ（特徴量１（ｔ_Ｘ）＿ＩＩ、特徴量２（ｔ_Ｘ）＿ＩＩ、・・・特徴量ｎ（ｔ_Ｘ）＿ＩＩ、ただし、ｔ_０≦ｔ_Ｘ≦ｔ_Ｂ）、
・特徴量Ｆ_ｙ（特徴量１（ｔ_Ｘ）＿ＩＩＩ、特徴量２（ｔ_Ｘ）＿ＩＩＩ、・・・特徴量ｎ（ｔ_Ｘ）＿ＩＩＩ、ただし、ｔ_０≦ｔ_Ｘ≦ｔ_Ｂ）、
・・・
が入力された様子を示している。

また、類似度算出部７０１は、入力された特徴量Ｆ_ｘ、特徴量Ｆ_ｙに基づいて、下式１を用いて、各消耗品（消耗品Ｉ、ＩＩ、ＩＩＩ、・・・）について類似度を算出する。

ただし、γは、学習フェーズにおいて学習処理が行われた際に算出され、モデルパラメータ保持部７０４に保持されたモデルパラメータである。

また、類似度算出部７０１は、算出した各消耗品についての類似度を第１のスケール変換部３３１に通知する。図７の例は、消耗品Ｉについての類似度として、類似度Ｉを、消耗品ＩＩについての類似度として、類似度ＩＩを、消耗品ＩＩＩについての類似度として、類似度ＩＩＩを、それぞれ、第１のスケール変換部３３１に通知した様子を示している。

信頼区間算出部７０２は、類似度算出部７０１により算出される、各消耗品（消耗品Ｉ、ＩＩ、ＩＩＩ、・・・）との類似度を用いて、減衰率予測部７０３が算出する予測減衰率についての９５％信頼区間を算出する。図７の例は、９５％信頼区間として、（Ｍａｘ＿ｒ'（ｔ_Ｘ）＿Ｎ、Ｍｉｎ＿ｒ'（ｔ_Ｘ）＿Ｎ）が算出された様子を示している。

減衰率予測部７０３は、類似度算出部７０１により算出される、各消耗品（消耗品Ｉ、ＩＩ、ＩＩＩ、・・・）との類似度を用いて、予測対象の消耗品Ｎの基準時以降の予測減衰率を算出する。図７の例は、予測対象の消耗品Ｎの基準時以降の予測減衰率として、予測減衰率ｒ'（ｔ_Ｘ）＿Ｎを算出した様子を示している。なお、減衰率予測部７０３は、例えば、下式２に示すカーネルを算出することで、予測減衰率ｒ'（ｔ_Ｘ）＿Ｎを算出する。

ただし、Ｃ_ｖａｒ、Ｃ_ｂｉａｓ、αは、学習フェーズにおいて学習処理が行われた際に算出され、モデルパラメータ保持部７０４に保持されたモデルパラメータである。

モデルパラメータ保持部７０４は、学習フェーズにおいて学習処理が行われた際に算出されたモデルパラメータを保持する。図７の例は、モデルパラメータ保持部７０４が、モデルパラメータとして、少なくとも、Ｃ_ｖａｒ、γ、Ｃ_ｂｉａｓ、αを保持していることを示している。

なお、類似度算出部７０１において、入力される特徴量Ｆ_ｘ、特徴量Ｆ_ｙには、入力された特徴量を変換して用いてもよく、例えば、主成分分析、独立成分分析、カーネルＰＣＡ等の次元圧縮の処理を施した値を用いてもよい。

（４）予測データ表示装置の第２のスケール変換部の処理の具体例
次に、予測データ表示装置の第２のスケール変換部３３３の処理の具体例について説明する。図８は、予測データ表示装置の予測データ表示装置の第２のスケール変換部の処理の具体例を示す図である。

図８に示すように、第２のスケール変換部３３３は、予測データ算出部８０１と信頼区間算出部８０２とを有する。

予測データ算出部８０１は、基準時の特性データとして、特性データｙ（ｔ_Ｂ）＿Ｎを取得し、予測対象の消耗品Ｎについての予測減衰率にかけ合わせることで、予測対象の消耗品Ｎの基準時以降の予測データを予測する。図８の例は、予測対象の消耗品Ｎについての予測減衰率として、ｒ'（ｔ_Ｘ）＿Ｎにかけ合わせることで、基準時以降の予測データとして、
・予測データｙ'（ｔ_Ｘ）＿Ｎ＝ｙ（ｔ_Ｂ）＿Ｎ×ｒ'（ｔ_Ｘ）＿Ｎ
が予測された様子を示している。

信頼区間算出部８０２は、基準時の特性データとして、特性データｙ（ｔ_Ｂ）＿Ｎを取得し、予測減衰率についての９５％信頼区間にかけ合わせることで、特性データに換算した９５％信頼区間を算出する。図８の例は、予測減衰率についての９５％信頼区間として、
・９５％信頼区間（Ｍａｘ＿ｒ'（ｔ_Ｘ）＿Ｎ，Ｍｉｎ＿ｒ'（ｔ_Ｘ）＿Ｎ）
にかけ合わせることで、特性データに換算した９５％信頼区間として、
・９５％信頼区間（Ｍａｘ＿ｒ'（ｔ_Ｘ）＿Ｎ×ｙ（ｔ_Ｂ）＿Ｎ，Ｍｉｎ＿ｒ'（ｔ_Ｘ）＿Ｎ×ｙ（ｔ_Ｂ）＿Ｎ）
が算出された様子を示している。

なお、予測データ算出部８０１により予測された予測データ、及び、信頼区間算出部８０２により算出された９５％信頼区間（特性データ換算）をグラフ化する場合のグラフ化方法としては、複数の方法が挙げられる。

図９は、予測データ及び９５％信頼区間のグラフ化例を示す図である。なお、図９の例では、説明の便宜上、表示用データである特性データｙ（ｔ_Ｘ）＿Ｎ（ただし、ｔ_０≦ｔ_Ｘ≦ｔ_Ｂ）もあわせて示している（カラー化された図９中の赤線参照）。

図９のうち、グラフ９１０は、基準時以降の予測データとして、３つの時刻のみを予測してプロットし、各プロットを点線で結んだ折れ線グラフとして示したものである。

また、図９のうち、グラフ９２０は、基準時以降の予測データとして、３つの時刻のみを予測し、９５％信頼区間とともに、箱ひげ図として示したものである（カラー化された図９中の緑色の箱ひげ図参照）。

一方、図９のうち、グラフ９３０は、基準時以降の予測データを毎時刻予測し、９５％信頼区間とともに、曲線グラフとして示したものである（カラー化された図９中の緑点線参照）。

なお、グラフ９１０～９３０は、グラフ化の一例であり、グラフ９１０～９３０以外の方法によりグラフ化してもよい。

（５）予測データ表示装置の表示画面生成部の処理の具体例
次に、予測データ表示装置３３０の表示画面生成部３３４の処理の具体例について説明する。図１０は、予測データ表示装置の表示画面生成部の処理の具体例を示す第１の図である。図１０において、符号１０１０＿１、１０１０＿２、１０１０＿３、・・・は、第１のスケール変換部３３１により通知された、
・消耗品Ｉの基準時以降の特性データ｛ｙ（ｔ_Ｘ）＿Ｉ／ｙ（ｔ_Ｂ）＿Ｉ｝×ｙ（ｔ_Ｂ）＿Ｎ（ただし、ｔ_Ｂ≦ｔ_Ｘ≦ｔ_Ｔ）、
・消耗品ＩＩの基準時以降の特性データ｛ｙ（ｔ_Ｘ）＿ＩＩ／ｙ（ｔ_Ｂ）＿ＩＩ｝×ｙ（ｔ_Ｂ）＿Ｎ（ただし、ｔ_Ｂ≦ｔ_Ｘ≦ｔ_Ｔ）、
・消耗品ＩＩＩの基準時以降の特性データ｛ｙ（ｔ_Ｘ）＿ＩＩＩ／ｙ（ｔ_Ｂ）＿ＩＩＩ｝×ｙ（ｔ_Ｂ）＿Ｎ（ただし、ｔ_Ｂ≦ｔ_Ｘ≦ｔ_Ｔ）、
・・・、
を、決定された表示色のもとでグラフ化したものである。

また、図１０において、符号９２０は、予測対象の消耗品Ｎの、
・基準時以降の予測データｙ'（ｔ_Ｘ）＿Ｎ＝ｙ（ｔ_Ｂ）＿Ｎ×ｒ'（ｔ_Ｘ）＿Ｎと、
・特性データに換算した９５％信頼区間（Ｍａｘ＿ｒ'（ｔ_Ｘ）＿Ｎ×ｙ（ｔ_Ｂ）＿Ｎ，Ｍｉｎ＿ｒ'（ｔ_Ｘ）＿Ｎ×ｙ（ｔ_Ｂ）＿Ｎ）と、
をグラフ化したものである。

また、図１０に示すように、表示画面生成部３３４は、テキストデータ生成部１００１、グラフ結合部１００２を有する。

テキストデータ生成部１００１は、学習用データ格納部１３３に格納された学習用データ１２１の"ＩＤ"、"参考データ"を読み出す。また、テキストデータ生成部１００１は、第１のスケール変換部３３１より、各消耗品（消耗品Ｉ、ＩＩ、ＩＩＩ、・・・）についての類似度（類似度Ｉ、ＩＩ、ＩＩＩ、・・・）を取得する。

更に、テキストデータ生成部１００１は、読み出した"ＩＤ"、"参考データ"と、取得した類似度とを対応付けてテキストテーブル１０２１を生成し、表示画面１０２０に表示する。

グラフ結合部１００２は、予測用データ３２１の"表示用データ"より、予測対象の消耗品Ｎについての、測定開始時から基準時までの特性データのグラフを取得する。また、グラフ結合部１００２は、第２のスケール変換部３３３より、予測対象の消耗品Ｎについての予測データのグラフと、９５％信頼区間のグラフとを取得する（符号９２０）。また、グラフ結合部１００２は、第１のスケール変換部３３１より、各消耗品（消耗品Ｉ、ＩＩ、ＩＩＩ、・・・）の基準時以降の特性データのグラフを取得する（符号１０１０＿１、１０１０＿２、１０１０＿３、・・・）。

また、グラフ結合部１００２は、取得したグラフを結合することで結合グラフ１０２２を生成し、表示画面１０２０に表示する。

なお、結合グラフ１０２２において、赤線は、予測対象の消耗品Ｎについての、測定開始時から基準時までの特性データのグラフである。また、結合グラフ１０２２において、緑色の箱ひげ図は、予測対象の消耗品Ｎについての予測データ及び９５％信頼区間のグラフである（符号９２０）。更に、結合グラフ１０２２において、青色～グレー色の線は、各消耗品（消耗品Ｉ、ＩＩ、ＩＩＩ、・・・）の基準時以降の特性データのグラフである（符号１０１０＿１、１０１０＿２、１０１０＿３、・・・）。そして、カラーバー１０２３は、各消耗品の基準時以降の特性データの表示色と、各消耗品についての類似度との関係を表している（各色はカラー化した図１０参照）。

このように、本実施形態では、予測データのグラフ（緑色の箱ひげ図）を表示する際に、ガウス過程回帰モデルの学習処理に用いた学習用データに基づいて生成した各消耗品についての特性データのグラフ（青色～グレー色）を合わせて表示する。このとき、基準時以降のグラフを、基準時の特性データに応じてスケール変換したうえで表示する。これにより、ユーザは、予測対象の消耗品についてのデータを類似度に応じて色分けされた過去の特性データと対比することが可能となる。この結果、ユーザは予測データの正否が判断しやすくなる。

図１０の例の場合、予測データのグラフ（緑色の箱ひげ図）が、各消耗品についての特性データのグラフのうち、青色の特性データのグラフと概ね重複する範囲にあるため、ユーザは、予測データが正しいと判断することができる。

一方、図１１は、予測データ表示装置の表示画面生成部の処理の具体例を示す第２の図である。図１１の表示画面１１１０の例の場合、予測対象の消耗品Ｎについての特徴量と、各消耗品（消耗品Ｉ、ＩＩ、ＩＩＩ、・・・）についての特徴量との類似度が低い。このため、結合グラフ１１２２において、予測データのグラフ（緑色の箱ひげ図）が、グレー色の特性データのグラフの範囲にある。この結果、ユーザは、予測データが誤っている可能性が高いと判断することができる。

このような予測データの正否の判断は、新たな消耗品が予測対象となる場合に、特に有効である。

＜予測データ表示システムにおける処理の流れ＞
次に、予測データ表示システム１００、３００における処理の流れについて説明する。

（１）学習フェーズにおける予測データ表示システムにおける学習処理の流れ
はじめに、学習フェーズにおける予測データ表示システム１００における学習処理の流れについて説明する。図１２は、学習処理の流れを示すフローチャートである。

ステップＳ１２０１において、特性測定装置１１０は、各消耗品について生成した特性データを取得する。

ステップＳ１２０２において、学習用データ生成装置１２０は、各消耗品について、測定開始時から基準時までの特性データの生成に用いた特徴量を取得する。

ステップＳ１２０３において、学習用データ生成装置１２０は、各消耗品について、基準時以降の特性データについて、減衰率を算出する。

ステップＳ１２０４において、学習用データ生成装置１２０は、学習用データを生成する。

ステップＳ１２０５において、学習装置１３０は、学習用データを用いてガウス過程回帰モデルについて学習処理を行う。

ステップＳ１２０６において、学習装置１３０は、学習処理を行うことで生成した学習済みガウス過程回帰モデル（のモデルパラメータ）を、予測データ表示装置３３０に通知する。

（２）予測フェーズにおける予測データ表示システムにおける予測データ表示処理の流れ
次に、予測フェーズにおける予測データ表示システム３００における予測データ表示処理の流れについて説明する。図１３は、予測データ表示処理の流れを示す第１のフローチャートである。

ステップＳ１３０１において、予測用データ生成装置３２０は、予測対象の消耗品について特性測定装置１１０が生成した、測定開始時から基準時までの特性データを取得する。

ステップＳ１３０２において、予測用データ生成装置３２０は、特性測定装置１１０が、予測対象の消耗品について、測定開始時から基準時までの特性データを生成した際に用いた特徴量を取得する。

ステップＳ１３０３において、予測用データ生成装置３２０は、予測用データを生成する。

ステップＳ１３０４において、予測データ表示装置３３０は、学習用データとして格納された各消耗品の特徴量と、予測用データとして格納された予測対象の消耗品の特徴量との類似度を算出する。

ステップＳ１３０５において、予測データ表示装置３３０は、学習用データとして格納された各消耗品の基準時以降の特性データを、スケール変換する。

ステップＳ１３０６において、予測データ表示装置３３０は、スケール変換後の各消耗品の基準時以降の特性データの表示態様を、対応する類似度に基づいて決定する。

ステップＳ１３０７において、予測データ表示装置３３０は、予測対象の消耗品の測定開始時から基準時までの特徴量を、学習済みガウス過程回帰モデルに入力する。

ステップＳ１３０８において、予測データ表示装置３３０は、予測減衰率と９５％信頼区間とを取得する。

ステップＳ１３０９において、予測データ表示装置３３０は、取得した予測減衰率と９５％信頼区間とをスケール変換し、予測データと９５％信頼区間（特性データ換算）とを取得する。

ステップＳ１３１０において、予測データ表示装置３３０は、
・予測対象の消耗品についての測定開始時から基準時までの特性データのグラフと、
・基準時以降の予測データ及び９５％信頼区間（特性データ換算）のグラフと、
・類似度に応じて表示色が決定された基準時以降の各消耗品の特性データのグラフと
を結合した結合グラフを生成する。

ステップＳ１３１１において、予測データ表示装置３３０は、類似度を、消耗品の種類及び製造条件と対応付けたテキストテーブルを生成する。

ステップＳ１３１２において、予測データ表示装置３３０は、結合グラフとテキストテーブルとを含む表示画面を生成し、表示する。

＜まとめ＞
以上の説明から明らかなように、第１の実施形態にかかる予測データ表示システムは、
・測定開始時から基準時までの各消耗品の劣化度合いを示す第１の特性データに関する情報（特徴量）を入力データとし、基準時以降の各消耗品の劣化度合いを示す第２の特性データに関する情報（減衰率）を正解データとする学習用データを生成する。
・生成した学習用データを用いてガウス過程回帰モデル対して学習処理を行い、学習済みガウス過程回帰モデルを生成する。
・学習済みガウス過程回帰モデルに、測定開始時から基準時までの予測対象の消耗品の劣化度合いを示す第３の特性データに関する情報（特徴量）を入力する。これにより、基準時以降の予測対象の消耗品の劣化度合いを示す第４の特性データに関する情報（予測減衰率）を算出する。
・基準時以降の予測対象の消耗品の劣化度合いを示す第４の特性データを表示する際に、第１の特性データに関する情報（特徴量）と、第３の特性データに関する情報（特徴量）との類似度に応じた表示態様で、第２の特性データを合わせて表示する。

これにより、ユーザは、予測対象の消耗品についての予測データを、類似度に応じて表示態様が変更された過去の特性データと対比することが可能となる。この結果、ユーザは、予測データの正否が判断しやすくなる。

つまり、本実施形態によれば、消耗品の劣化度合いを、機械学習モデルを用いて予測した場合において、予測データの正否が判断しやすくなる。

［第２の実施形態］
上記第１の実施形態において、ユーザは、予測対象の消耗品についての予測データと、学習用データに含まれる各消耗品の特性データとをグラフ化して比較することで、予測データの正否を判断しやすくした。これに対して、第２の実施形態では、予測対象の消耗品についての予測データと、学習用データに含まれる各消耗品の特性データとを、９５％信頼区間を用いて定量化して比較する。以下、第２の実施形態について、上記第１の実施形態との相違点を中心に説明する。

＜予測データ表示装置の表示画面生成部の処理の具体例＞
はじめに、予測データ表示装置３３０の表示画面生成部の処理の具体例について説明する。図１４は、予測データ表示装置の表示画面生成部の処理の具体例を示す第３の図である。図１０を用いて説明した具体例との相違点は、図１４の表示画面生成部１４１０の場合、レベル算出部１４１１を有する点である。

レベル算出部１４１１は、第２のスケール変換部３３３より、予測データについての９５％信頼区間（特性データ換算）を取得し、予測データについての９５％信頼区間の幅（特性データ換算）を算出する。

また、レベル算出部１４１１は、学習用データ１２１を用いてガウス過程回帰モデル１３１に対して学習処理が行われた際に算出された９５％信頼区間の最大幅及び最小幅（特性データ換算）を、最悪値及び最良値として、学習装置１３０より取得する。

また、レベル算出部１４１１は、予測データについての９５％信頼区間の幅（特性データ換算）と、学習装置１３０より取得した最悪値及び最良値とを比較する。これにより、レベル算出部１４１１は、予測データについての９５％信頼区間の幅（特性データ換算）の正常度のレベルを算出する。

図１４において、データテーブル１４２１は、レベル算出部１４１１により算出されたレベルを含むテーブルの一例である。

データテーブル１４２１において、"最良値"とは、学習装置１３０より取得した９５％信頼区間の最小幅（特性データ換算）であり、図１４の例では、"０．０１６"である。

また、データテーブル１４２１において、"最悪値"とは、学習装置１３０より取得した９５％信頼区間の最大幅（特性データ換算）であり、図１４の例では、"０．２９８"である。

また、データテーブル１４２１において、"予測値"とは、予測データについての９５％信頼区間の幅（特性データ換算）であり、図１４の例では、"０．０８３"である。

また、データテーブル１４２１において、"レベル"は、予測データについての９５％信頼区間の幅（特性データ換算）の正常度のレベルである。図１４の例では、正常度のレベルは、｛（予測値（"０．０８３"）－最良値（"０．０１６"））／（最悪値（"０．２９８"）－最良値（"０．０１６"））｝×１００＝２４である。

＜予測フェーズにおける予測データ表示システムにおける予測データ表示処理の流れ＞
次に、予測フェーズにおける予測データ表示システム３００における予測データ表示処理の流れについて説明する。図１５は、予測データ表示処理の流れを示す第２のフローチャートである。図１３を用いて説明したフローチャートとの相違点は、ステップＳ１５０１、Ｓ１５０２～Ｓ１５０４である。

ステップＳ１５０１において、予測データ表示装置３３０は、学習フェーズにおいて、ガウス過程回帰モデルに対して学習処理が行われた際に算出された９５％信頼区間の最大幅及び最小幅（特性データ換算）を、最悪値及び最良値として取得する。

ステップＳ１５０２において、予測データ表示装置３３０は、ステップＳ１３０９において取得された９５％信頼区間（特性データ換算）と、ステップＳ１５０１において取得した最悪値及び最良値とを比較する。これにより、予測データ表示装置３３０は、予測データについての９５％信頼区間の幅（特性データ換算）の正常度のレベルを算出する。

ステップＳ１５０３において、予測データ表示装置３３０は、類似度を、消耗品の種類及び製造条件と対応付けたテキストテーブルを生成する。また、予測データ表示装置３３０は、算出したレベルを含むデータテーブルを生成する。

ステップＳ１５０４において、予測データ表示装置３３０は、結合グラフとテキストテーブルとデータテーブルとを含む表示画面を生成し、表示する。

＜まとめ＞
以上の説明から明らかなように、第２の実施形態に係る予測データ表示システムは、
・予測対象の消耗品について予測データを予測した際の９５％信頼区間の幅と、学習用データを用いて学習処理を行った際の９５％信頼区間の最大幅及び最小幅とを比較し、予測データを予測した際の９５％信頼区間の幅の正常度のレベルを算出する。

これにより、第２の実施形態によれば、算出した予測データの正常度のレベルを定量化することが可能となる。この結果、ユーザは、予測データの正否がより判断しやすくなる。

つまり、本実施形態によれば、消耗品の劣化度合いを、機械学習モデルを用いて予測した場合において、予測データの正否がより判断しやすくなる。

［第３の実施形態］
上記第２の実施形態では、表示画面に、結合グラフと、テキストテーブルと、データテーブルとを表示するものとして説明した。これに対して、第３の実施形態では、表示画面にデータテーブル内のデータを箱ひげ図として表示する。以下、第３の実施形態について、上記第２の実施形態との相違点を中心に説明する。

＜予測データ表示装置の表示画面生成部の処理の具体例＞
はじめに、予測データ表示装置３３０の表示画面生成部の処理の具体例について説明する。図１６は、予測データ表示装置の表示画面生成部の処理の具体例を示す第４の図である。図１６に示すように、表示画面生成部１６１０は、レベル算出部１４１１を有する。

なお、レベル算出部１４１１の機能は、上記第２の実施形態において、図１４を用いて説明済みであるため、ここでは説明を省略する。ただし、図１６に示すレベル算出部１４１１の場合、予測対象の消耗品が複数あり（図１６の例では５つ）、第２のスケール変換部３３３より、複数の９５％信頼区間（特性データ換算）を取得する。また、図１６に示すレベル算出部１４１１の場合、取得した複数の９５％信頼区間（特性データ換算）それぞれについて、９５％信頼区間の幅（特性データ換算）を算出する。

また、図１６に示すレベル算出部１４１１の場合、算出した複数の９５％信頼区間の幅（特性データ換算）それぞれについて、最悪値及び最良値と比較し、正常度のレベルを算出する。

更に、図１６に示すレベル算出部１４１１の場合、算出したそれぞれのレベルと、最悪値及び最良値とに基づいて、箱ひげ図を生成し、表示画面１６２０に表示する。

表示画面１６２０において、箱ひげ図１６２１は、予測対象の消耗品Ｎ_１について予測データを予測した際の９５％信頼区間の幅（特性データ換算）に基づいて算出したレベルを表したものである。

同様に、表示画面１６２０において、箱ひげ図１６２２～１６２５は、予測対象の消耗品Ｎ_２～予測対象の消耗品Ｎ_５について予測データを予測した際の９５％信頼区間の幅（特性データ換算）に基づいて算出したレベルを表したものである。

このように、複数の予測対象の消耗品について予測データを予測した場合にあっては、レベルを示す箱ひげ図を１画面に表示することで、ユーザは、複数の予測対象の消耗品について予測された予測データの正否を、容易に判断することができる。

＜まとめ＞
以上の説明から明らかなように、第３の実施形態に係る予測データ表示システムは、
・複数の予測対象の消耗品について予測データを予測した際の９５％信頼区間の幅と、学習用データを用いて学習処理を行った際の９５％信頼区間の最大幅及び最小幅とを比較する。これにより、複数の予測データを予測した際の９５％信頼区間の幅の正常度のレベルをそれぞれ算出する。
・算出した複数のレベルを、箱ひげ図として、１画面に配列して表示する。

これにより、第３の実施形態によれば、ユーザは、算出された複数の予測データの正常度のレベルの一覧を視認することが可能となり、複数の予測データの正否を容易に判断することができる。

つまり、本実施形態によれば、複数の消耗品の劣化度合いを、機械学習モデルを用いて予測した場合において、複数の予測データの正否が判断しやすくなる。

［その他の実施形態］
上記各実施形態において、学習装置と予測装置とは別体の装置であるとして説明した。しかしながら、学習装置と予測装置とは一体の装置により構成してもよい。また、上記各実施形態において、学習用データ生成装置と学習装置とは別体であるとして説明した。しかしながら、学習用データ生成装置と学習装置とは一体の装置により構成してもよい。同様に、上記各実施形態において、予測用データ生成装置と予測データ表示装置とは別体であるとして説明した。しかしながら、予測用データ生成装置と予測データ表示装置とは一体の装置により構成してもよい。

また、上記各実施形態において、類似度算出部は、学習済みガウス過程回帰モデルの一部の機能であるとして説明したが、学習済みガウス過程回帰モデルとは異なる機能部として実現されてもよい。また、類似度算出部による類似度の算出方法は任意であり、特徴量の差分値が小さい場合に類似度が高くなる関数であれば、任意の関数を用いて算出することができる。

また、上記各実施形態では、消耗品の劣化度合いを示す特性データとして、バッテリの放電容量維持率を例示したが、消耗品の劣化度合いを示す特性データは、バッテリの放電容量維持率以外の他の特性データであってもよい。

また、上記各実施形態では、消耗品としてバッテリを例示したが、消耗品は、バッテリ以外の物品であってもよい。

また、上記各実施形態では、減衰率として、ｒ_Ｘ＝ｙ（ｔ_Ｘ）／ｙ（ｔ_Ｂ）を算出したが、減衰率の算出方法はこれに限定されない。例えば、ｒ_Ｘを下式３により変換した減衰率を用いてもよい。

上記変換後の減衰率を正解データとしてガウス過程回帰モデルに対して学習処理を行った場合、学習済みガウス過程回帰モデルから出力される変換後の減衰率に対して、下式４により、変換前の減衰率を算出することができる。

この場合、算出される減衰率は、０＜ｒ_Ｘ＜１となる。

また、上記各実施形態では、予測対象の消耗品についての予測データの利用シーンについて言及しなかったが、例えば、予測対象の消耗品についての予測データは、予測対象の消耗品の製造条件に反映させてもよい。具体的には、予測対象の消耗品が、バッテリ（例えば、リチウムイオン二次電池等）であった場合には、電池組み立て完成後の、活性化やエージング等の条件を、予測データに基づいて決定してもよい。

なお、上記実施形態に挙げた構成等に、その他の要素との組み合わせ等、ここで示した構成に本発明が限定されるものではない。これらの点に関しては、本発明の趣旨を逸脱しない範囲で変更することが可能であり、その応用形態に応じて適切に定めることができる。

本出願は、２０２１年９月１５日に出願された日本国特許出願第２０２１－１５０２１７号に基づきその優先権を主張するものであり、同日本国特許出願の全内容を参照することにより本願に援用する。

１００ ：予測データ表示システム
１１０ ：特性測定装置
１２０ ：学習用データ生成装置
１２１ ：学習用データ
１３０ ：学習装置
１３１ ：ガウス過程回帰モデル
３００ ：予測データ表示システム
３２０ ：予測用データ生成装置
３２１ ：予測用データ
３３０ ：予測データ表示装置
３３１ ：第１のスケール変換部
３３２ ：学習済みガウス過程回帰モデル
３３３ ：第２のスケール変換部
３３４ ：表示画面生成部
６０１ ：減衰率算出部
６０２ ：表示態様変更部
７０１ ：類似度算出部
７０２ ：信頼区間算出部
７０３ ：減衰率予測部
７０４ ：モデルパラメータ保持部
８０１ ：予測データ算出部
８０２ ：信頼区間算出部
１００１ ：テキストデータ生成部
１００２ ：グラフ結合部
１０２０ ：表示画面
１０２１ ：テキストテーブル
１０２２ ：結合グラフ
１１１０ ：表示画面
１４１０ ：表示画面生成部
１４１１ ：レベル算出部
１４２０ ：表示画面
１４２１ ：データテーブル
１６１０ ：表示画面生成部
１６２０ ：表示画面

本開示は、消耗品の製造方法に関する。

Claims (15)

1. 第１の期間における第１の消耗品の劣化度合いを示す第１の特性データに関する情報を入力データとし、前記第１の期間より後の第２の期間における前記第１の消耗品の劣化度合いを示す第２の特性データに関する情報を正解データとする学習用データを用いて学習処理が行われた学習済みのモデルに、前記第１の期間における予測対象の第２の消耗品の劣化度合いを示す第３の特性データに関する情報を入力し、前記第２の期間における予測対象の第２の消耗品の劣化度合いを示す第４の特性データに関する情報を算出する予測部と、
   前記第４の特性データのグラフを表示する際に、前記第１の特性データに関する情報と、前記第３の特性データに関する情報との類似度に応じた表示態様で、前記第２の特性データのグラフを合わせて表示する表示部と
   を有する予測データ表示装置。
2. 前記表示部は、前記第２の特性データのグラフを表示する際、前記第３の特性データのグラフに結合して表示する、請求項１に記載の予測データ表示装置。
3. 前記第２の特性データに関する情報は、前記第１の期間の終了時における前記第１の消耗品の劣化度合いを示す特性データを基準とした場合の、前記第２の特性データの減衰率である、請求項２に記載の予測データ表示装置。
4. 前記表示部は、前記第１の期間の終了時における前記予測対象の第２の消耗品の劣化度合いを示す特性データに、前記第２の特性データの減衰率をかけ合わせることで生成された、前記第２の特性データのグラフを表示する、請求項３に記載の予測データ表示装置。
5. 前記第４の特性データに関する情報は、前記第１の期間の終了時における前記予測対象の第２の消耗品の劣化度合いを示す特性データを基準とした場合の、前記第４の特性データの減衰率である、請求項２に記載の予測データ表示装置。
6. 前記表示部は、前記第１の期間の終了時における前記予測対象の第２の消耗品の劣化度合いを示す特性データに、前記第４の特性データの減衰率をかけ合わせることで生成された、前記第４の特性データのグラフを表示する、請求項５に記載の予測データ表示装置。
7. 前記表示部は、前記第２の特性データのグラフを、前記類似度に応じた表示色で表示する、請求項２に記載の予測データ表示装置。
8. 前記表示部は、前記第４の特性データのグラフを表示する際に、前記予測部により算出された信頼区間に関する情報を合わせて表示する、請求項１に記載の予測データ表示装置。
9. 前記表示部は、前記第１の消耗品の種類を示す情報と、前記第１の消耗品の製造条件を示す情報とを、対応する前記類似度とともにテキストテーブルとして表示する、請求項１に記載の予測データ表示装置。
10. 前記表示部は、前記予測部により算出された信頼区間の幅を、前記学習用データを用いて前記モデルに対して学習処理が行われることで算出された信頼区間の最小の幅及び最大の幅と対比することで、前記第４の特性データの正常度のレベルを算出し、表示する、請求項１に記載の予測データ表示装置。
11. 前記モデルは、ガウス過程回帰モデルである、請求項１に記載の予測データ表示装置。
12. 前記第１及び第２の消耗品はバッテリであり、前記第１及び第３の特性データに関する情報は、バッテリの充放電を繰り返す試験により測定される特徴量である、請求項１に記載の予測データ表示装置。
13. 前記第１及び第３の特性データは、各サイクルにおける放電容量維持率である、請求項１２に記載の予測データ表示装置。
14. 第１の期間における第１の消耗品の劣化度合いを示す第１の特性データに関する情報を入力データとし、前記第１の期間より後の第２の期間における前記第１の消耗品の劣化度合いを示す第２の特性データに関する情報を正解データとする学習用データを用いて学習処理が行われた学習済みのモデルに、前記第１の期間における予測対象の第２の消耗品の劣化度合いを示す第３の特性データに関する情報を入力し、前記第２の期間における予測対象の第２の消耗品の劣化度合いを示す第４の特性データに関する情報を算出する予測工程と、
    前記第４の特性データのグラフを表示する際に、前記第１の特性データに関する情報と、前記第３の特性データに関する情報との類似度に応じた表示態様で、前記第２の特性データのグラフを合わせて表示する表示工程と
    をコンピュータが実行する予測データ表示方法。
15. 第１の期間における第１の消耗品の劣化度合いを示す第１の特性データに関する情報を入力データとし、前記第１の期間より後の第２の期間における前記第１の消耗品の劣化度合いを示す第２の特性データに関する情報を正解データとする学習用データを用いて学習処理が行われた学習済みのモデルに、前記第１の期間における予測対象の第２の消耗品の劣化度合いを示す第３の特性データに関する情報を入力し、前記第２の期間における予測対象の第２の消耗品の劣化度合いを示す第４の特性データに関する情報を算出する予測工程と、
    前記第４の特性データのグラフを表示する際に、前記第１の特性データに関する情報と、前記第３の特性データに関する情報との類似度に応じた表示態様で、前記第２の特性データのグラフを合わせて表示する表示工程と
    をコンピュータに実行させるための予測データ表示プログラム。

Images