JP2024041312A - プログラム、解析装置、及び解析方法 - Google Patents
プログラム、解析装置、及び解析方法 Download PDFInfo
- Publication number
- JP2024041312A JP2024041312A JP2022146041A JP2022146041A JP2024041312A JP 2024041312 A JP2024041312 A JP 2024041312A JP 2022146041 A JP2022146041 A JP 2022146041A JP 2022146041 A JP2022146041 A JP 2022146041A JP 2024041312 A JP2024041312 A JP 2024041312A
- Authority
- JP
- Japan
- Prior art keywords
- parameter
- product
- parameters
- parameter set
- effect diagram
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000010586 diagram Methods 0.000 claims abstract description 63
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims description 25
- 230000000694 effects Effects 0.000 claims description 23
- 238000013461 design Methods 0.000 abstract description 13
- 238000012545 processing Methods 0.000 description 20
- 238000004088 simulation Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 7
- 230000001133 acceleration Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000003491 array Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 238000003050 experimental design method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000005060 rubber Substances 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
【課題】より少ない回数又はより短い時間でロバスト設計解を算出することができるプログラム、解析装置、及び解析方法を提供すること。【解決手段】コンピュータに実行させるためのプログラムには、ある製品に関するパラメータ及び前記製品の運用に関するパラメータの少なくとも一方を含む第1パラメータセットを取得すること、パラメータ最適化を用いて、前記第1パラメータセットから、前記製品の性能に関する第2パラメータセットを推定すること、前記第2パラメータセットに基づいて、要因効果図を生成すること、前記要因効果図を含む多水準直交表を出力インターフェースを介して出力すること、が含まれる。【選択図】図1
Description
本発明は、プログラム、解析装置、及び解析方法に関する。
様々な外乱に対して影響を受けずに、所期の性能を発揮する設計はロバスト設計と言われている。ロバスト設計解の算出は、多くの組み合わせを行って網羅的な設計解から最適解の領域を選び出す方法であったため、計算回数が膨大になる課題があった。そこで多くの計算を網羅的かつ少ない計算で行う手法として、実験計画法が広く利用されてきた。例えば、品質工学などの手法は実験計画法を利用した方法として広く利用されている。
近年、非線形のシミュレーションを用いる例が増えている。例えば、非線形のシミュレーションでロバスト設計解を算出するためには、従来の2水準、3水準の直交表ではなく、7水準、11水準といった多水準直交表を用いた方法が提案されている(例えば、特許文献1参照)。多水準直交表では、パラメータの組み合わせの粒度を細かくできるため、非線形シミュレーションの複雑な挙動を把握する事が可能である。
設計で利用するためには、シミュレーションの計算は速いほど好ましい。非線形シミュレーションは、1ケースで数分から数十分かかるものが多く存在している。これに対して多水準直交表を利用してシミュレーション結果のデータベースを作成するとトータルで1日から1週間かかる場合がある。この時間はシミュレーションの計算時間と、直交表の数に依存するためやむを得ない面があり、また近年では自動化ツールもあるため設計者の負担はそれほど高くなかった。
しかしながら、従来の技術では、設計において最終的なロバスト設計解を得るまでに、シミュレーション結果のデータベース作成を、試行錯誤的に何度も繰り返す必要があり、多大な労力がかかっていた。従って、試行錯誤的に繰り返す作業を減らし、少ない回数又は短い時間でロバスト設計解を算出できる方法が求められている。
本発明は、このような事情を考慮してなされたものであり、より少ない回数又はより短い時間でロバスト設計解を算出することができるプログラム、解析装置、及び解析方法を提供することを目的の一つとする。
本発明の一態様は、コンピュータに実行させるためのプログラムであって、ある製品に関するパラメータ及び前記製品の運用に関するパラメータの少なくとも一方を含む第1パラメータセットを取得すること、パラメータ最適化を用いて、前記第1パラメータセットから、前記製品の性能に関する第2パラメータセットを推定すること、前記第2パラメータセットに基づいて、要因効果図を生成すること、前記要因効果図を含む多水準直交表を出力インターフェースを介して出力すること、を含むプログラムである。
本発明の一態様によれば、より少ない回数又はより短い時間でロバスト設計解を算出することができる。
以下、図面を参照し、本発明のプログラム、解析装置、及び解析方法の実施形態について説明する。
[解析装置の構成]
図1は、本実施形態の解析装置100の構成の一例を示す図である。図示のように、解析装置100は、例えば、通信インターフェース102と、入力インターフェース104と、出力インターフェース106と、記憶部108と、処理部110とを備える。解析装置100は、単一の装置であってもよいし、ネットワークNWを介して接続された複数の装置が互いに協働して動作する一つのシステムであってもよい。すなわち、解析装置100は、分散コンピューティングやクラウドコンピューティングを利用したシステムに含まれる複数のコンピュータ(プロセッサ)によって実現されてもよい。
図1は、本実施形態の解析装置100の構成の一例を示す図である。図示のように、解析装置100は、例えば、通信インターフェース102と、入力インターフェース104と、出力インターフェース106と、記憶部108と、処理部110とを備える。解析装置100は、単一の装置であってもよいし、ネットワークNWを介して接続された複数の装置が互いに協働して動作する一つのシステムであってもよい。すなわち、解析装置100は、分散コンピューティングやクラウドコンピューティングを利用したシステムに含まれる複数のコンピュータ(プロセッサ)によって実現されてもよい。
通信インターフェース102は、例えば、NIC(Network Interface Card)などの通信インターフェース、受信機及び送信機を含む無線通信モジュール、DMA(Direct Memory Access)コントローラなどを含む。通信インターフェース102は、ネットワークNWを介して、外部のコンピュータなどと通信する。ネットワークNWは、例えば、WAN(Wide Area Network)やLAN(Local Area Network)などである。
入力インターフェース104は、ユーザから各種の入力操作を受け付けるユーザインターフェースである。入力インターフェース104は、入力操作を受け付けると、その受け付けた入力操作を電気信号に変換して処理部110に出力する。例えば、入力インターフェース104は、マウスやキーボード、トラックボール、スイッチ、ボタン、ジョイスティック、タッチパネルなどにより実現される。入力インターフェース104がタッチパネルである場合、タッチパネルは後述のディスプレイ106aと一体に構成されてよい。
出力インターフェース106は、各種の情報を出力するユーザインターフェースである。例えば、出力インターフェース106には、ディスプレイ106aやスピーカ106bなどが含まれる。ディスプレイ106aは、処理部110によって生成された画像を表示したり、解析装置100のユーザからの各種の入力操作を受け付けるためのGUI(Graphical User Interface)などを表示したりする。例えば、ディスプレイ106aは、LCD(Liquid Crystal Display)や有機EL(Electroluminescence)ディスプレイなどである。スピーカ106bは、処理部110により出力される情報を音声として出力する。
記憶部108は、例えば、HDD(Hard Disc Drive)、フラッシュメモリ、EEPROM(Electrically Erasable Programmable Read Only Memory)、ROM(Read Only Memory)、RAM(Random Access Memory)などにより実現される。記憶部108は、ファームウェアやアプリケーションプログラムなどの各種プログラムを格納する。プログラムはソフトウェアと読み替えられてもよい。
処理部110は、例えば、取得部112と、推定部114と、生成部116と、出力制御部118とを備える。処理部110の構成要素は、例えば、CPU(Central Processing Unit)やGPU(Graphics Processing Unit)などのプロセッサが記憶部108に格納されたプログラムを実行することにより実現される。また、処理部110の構成要素の一部または全部は、LSI(Large Scale Integration)、ASIC(Application Specific Integrated Circuit)、またはFPGA(Field-Programmable Gate Array)などのハードウェアにより実現されてもよいし、ソフトウェアとハードウェアの協働によって実現されてもよい。
[解析装置の処理フロー]
以下、フローチャートに即して、処理部110の各構成要素について説明する。図2は、本実施形態の処理部110による一連の処理の流れを表すフローチャートである。本フローチャートの処理は、例えば、記憶部108に記憶された特定のアプリケーションプログラムが起動した場合に実行されてよい。
以下、フローチャートに即して、処理部110の各構成要素について説明する。図2は、本実施形態の処理部110による一連の処理の流れを表すフローチャートである。本フローチャートの処理は、例えば、記憶部108に記憶された特定のアプリケーションプログラムが起動した場合に実行されてよい。
まず、出力制御部118は、出力インターフェース106のディスプレイ106aに、多水準直交表に関するパラメータの入力画面(以下、水準直交表入力画面という)を表示させる(ステップS100)。
図3は、多水準直交表入力画面の一例を表す図である。多水準直交表入力画面では、領域XやYに、多水準直交表の入力パラメータを入力することができる。例えば、入力領域Xには、製品に関するパラメータが入力され、入力領域Yには、その製品の運用に関するパラメータが入力される。以下、製品に関するパラメータについては製品パラメータと称し、製品の運用に関するパラメータについては運用パラメータと称して説明する。
例えば、製品が「自動車」である場合、車速や車間距離などが解析対象となり得る。このような場合、自動車の設計者は、制御下の車両(以下、自車両という)が、他車両に衝突せず安定して(ロバストに)走行できるよう、自車両の制御ロジック(制御プログラム又は制御アルゴリズムともいう)を適切に設計する必要がある。
従って、多水準直交表入力画面の入力領域Xには、例えば、自車両と他車両との相対速度や相対距離(車間距離)などに対してPID(Proportional-Integral-Differential)制御を行う際に考慮されるべきハイパーパラメータ(比例ゲインKp、積分ゲインKi、微分ゲインKd、制御間隔(制御周期)t、偏差etなど)が製品パラメータとして入力されてよい。製品パラメータは、制御因子とも呼ばれており、製品の設計者が決定するハイパーパラメータである。
入力領域Yには、例えば、目標値とする車間距離dt(以下、目標車間距離dtという)や初期値とする車間距離di(以下、初期車間距離dtという)といったハイパーパラメータが運用パラメータとして入力されてよい。運用パラメータは、誤差因子とも呼ばれており、製品のユーザが決定するハイパーパラメータである。
多水準直交表入力画面に入力された製品パラメータ及び運用パラメータは、後述の「特性値」の推定に利用される。特性値とは、設計者の興味対象となっている製品(ここでは自動車)の性能に関するパラメータである。具体的には、特性値は、製品パラメータ及び運用パラメータと因果関係(相関関係)にあり、製品パラメータ及び運用パラメータを因子としたときに、その因子に応じて変動し得る製品性能に関するパラメータである。推定された「特性値」は、多水準直交表入力画面の領域Zに表示されてよい。
フローチャートの説明に戻る。次に、取得部112は、推定モデルMDLを学習又は生成するためのトレーニングデータセットを取得する(ステップS102)。トレーニングデータセットとは、上述した比例ゲインKp、積分ゲインKi、微分ゲインKd、制御間隔t、目標車間距離dt、初期車間距離dtといった多種のハイパーパラメータを組み合わせた入力データセットに対して、実環境において実測された、又は実環境を仮想的に模したシミュレータ上においてシミュレーションされた製品性能に関するパラメータ(特性値)がラベル付けられたデータセットである。製品性能に関するパラメータは、例えば、最大車間距離dmax、最小車間距離dmin、最大速度vmax、最小速度vmin、最大加速度αmax、最小加速度αminなどである。
例えば、取得部112は、多水準直交表入力画面に製品パラメータ及び運用パラメータが入力されると、それらハイパーパラメータを入力データセットとして取得し、更に、その入力データセットに対応した製品性能に関するパラメータ(特性値)を出力データセットとして取得する。そして、取得部112は、取得した入力データセットと出力データセットとを組み合わせたトレーニングデータセットを生成して取得する。
次に、生成部116は、取得部112により取得されたトレーニングデータセットを用いて、推定モデルMDLを生成する(ステップS104)。
推定モデルMDLは、ハイパーパラメータの最適化手法を用いて実装された機械学習モデル(つまりハイパーパラメータの自動最適化フレームワーク)である。推定モデルMDLは、典型的には、ベイズ最適化などの最適化アルゴリズムを用いてハイパーパラメータを探索するモデルであってよい。ベイズ最適化は、実験で実測された観測値や、シミュレーションで予測された観測値を活用して、より少ない試行回数で目的関数(目的変数又は獲得関数)を最小化または最大化しながら特性値を探索する方法である。なお、推定モデルMDLは、ベイズ最適化に限られず、TPE(Tree-structured Parzen Estimator)などのベイズ最適化の派生アルゴリズム、グリッドサーチ、ランダムサーチ、CMA-ES、Nelder-Mead法、遺伝的アルゴリズム、準ニュートン法、といったその他の最適化手法を用いて実装されてもよい。
図4は、推定モデルMDLを模式的に表す図である。上述したように、推定モデルMDLは、比例ゲインKp、積分ゲインKi、微分ゲインKd、制御間隔t、目標車間距離dt、初期車間距離dtといった多種のハイパーパラメータに対して、最大車間距離dmax、最小車間距離dmin、最大速度vmax、最小速度vmin、最大加速度αmax、最小加速度αminといった多種の特性値がラベル付けられたトレーニングデータセットを用いて学習される。
このようなトレーニングデータセットを用いて学習された推定モデルMDLは、入力データセットが入力されたことに応じて、最大車間距離dmax、最小車間距離dmin、最大速度vmax、最小速度vmin、最大加速度αmax、最小加速度αmin、といった製品(ここでは自動車)の性能に関する多種のパラメータの組み合わせを出力データセットとして出力する。
フローチャートの説明に戻る。次に、取得部112は、入力インターフェース104に対して入力された設計者の操作に応じて、製品パラメータ及び運用パラメータの上限値及び/又は下限値を設定する(ステップS106)。
次に、推定部114は、推定モデルMDLを用いて、上限値及び/又は下限値が設定された製品パラメータ及び運用パラメータから、「特性値」である出力データセットを推定する(ステップS108)。
次に、生成部116は、特性値として推定された出力データセットを基に、要因効果図を生成する(ステップS110)。
次に、出力制御部118は、出力インターフェース106のディスプレイ106aに、要因効果図を含む出力画面を表示させる(ステップS112)。
図5は、要因効果図を含む出力画面の一例を表す図である。図示のように、出力画面には、出力領域A、B、Cが含まれる。出力領域Aには、多水準直交表が表示され、その多水準直交表の各セルには要因効果図が表示される。例えば、多水準直交表の一行目の要因効果図は、比例ゲインKp、積分ゲインKi、微分ゲインKd、制御間隔t、目標車間距離dt、初期車間距離dtといった各ハイパーパラメータを変動させたときの最大車間距離dmaxの変化(つまり最大車間距離dmaxという特性値に対する各ハイパーパラメータの効果)をグラフ化したものである。
出力領域Bには、特性値の因果関係(相関関係)を概観することができるように、例えば平衡座標プロットが表示される。平衡座標プロットでは、最大車間距離dmaxや最小車間距離dminといった各特性値が、比例ゲインKpや積分ゲインKiといった各ハイパーパラメータにどの程度相関しているのかを視覚的に把握することができる。例えば、左から右に行くにつれて明るいプロットから暗いプロットへと変化している特性値は、正の相関を示しており、反対に、左から右に行くにつれて暗いプロットから明るいプロットへと変化している特性値は、負の相関を示している。明暗がばらばらの特性値は、相関が弱いことを示している。なお、出力領域Bには、平衡座標プロットに代えて、多次元散布図などが表示されてもよい。
出力領域Cには、各ハイパーパラメータの上限値及び/又は下限値を調整可能なGUI(以下、調整バーという)が表示されてよい。
図6は、各ハイパーパラメータの上限値及び/又は下限値が調整される様子を模式的に表す図である。図示のように、設計者が入力インターフェース104を介して調整バーを動かすと、その調整バーで各ハイパーパラメータ(製品パラメータ及び運用パラメータ)の上下限が調整される。この結果、推定モデルMDLへと入力されるハイパーパラメータの値が制限されることになり、推定モデルMDLによって出力される(推定モデルMDLによって探索される)特性値が変化する。
なお上述した説明では、推定モデルMDLは、比例ゲインKpや積分ゲインKiといったハイパーパラメータが入力されたことに応じて、最大車間距離dmaxや最小車間距離dminといった特性値を出力するものとして説明したがこれに限られない。これら入力と出力の関係は反対であってもよい。
図7は、推定モデルMDLを用いた入力データセットの推定方法を模式的に表す図である。図示のように、推定モデルMDLには、最大車間距離dmaxや最小車間距離dminといった特性値が入力されてもよい。この場合、推定モデルMDLは、比例ゲインKpや積分ゲインKiといったハイパーパラメータを出力する。
フローチャートの説明に戻る。取得部112は、入力インターフェース104に対して入力された設計者の操作に応じて、S106の処理を実行するのに並行して、探索対象とするハイパーパラメータ(製品性能に関するパラメータ)及び制約条件を設定する(ステップS114)。
図8及び図9は、探索対象とするハイパーパラメータ及び制約条件を説明するための図である。図の例では、探索対象とするハイパーパラメータとして比例ゲインKpと積分ゲインKiの2種類が設定されている。図中の横軸は比例ゲインKpを表し、縦軸は積分ゲインKiを表している。このようなハイパーパラメータに対して、設計者が上限値及び/又は下限値を制約条件として定めることができる。制約条件を満たす数値範囲はRで表すことができる。
フローチャートの説明に戻る。次に、推定部114は、探索対象とするハイパーパラメータと制約条件Rが設定されると、制約条件Rに基づいて、探索対象に設定されたハイパーパラメータの充足率を算出する(ステップS116)。充足率とは、制約条件Rをどの程度満たすのかを定量的に表した指標である。
例えば、推定部114は、複数のハイパーパラメータによって張られる特徴空間上(探索対象とするハイパーパラメータが比例ゲインKpと積分ゲインKiの2種類である場合、二次元空間上)において、制約条件Rの一部又は全部を満たす部分空間内を、推定モデルMDLに逆探索させるハイパーパラメータ(製品パラメータ及び運用パラメータ)の数値範囲として算出し、更に、制約条件Rの一部又は全部を満たす部分空間の体積(面積)Sを算出する。そして、推定部114は、部分空間の体積(面積)Sに基づいて、ハイパーパラメータの充足率を算出する。
例えば、推定部114は、図8のように、制約条件Rの全てを満たすように、制約条件RのなかでKp及びKiともに最大化されるように探索範囲を算出してよい。具体的には、推定部114は、制約条件Rのなかで四角形の面積Sが最大をとるときのKp及びKiの範囲を探索範囲として算出する。
また、推定部114は、図9のように、制約条件Rの少なくとも一部を満たすように、制約条件R上においてKp及びKiともに最大化されるように探索範囲を算出してもよい。具体的には、推定部114は、制約条件Rの少なくとも一点と重複するように四角形を配置したときに、その四角形の面積Sが最大をとるときのKp及びKiの範囲を探索範囲として算出する。
図10から図12は、各ハイパーパラメータの充足率の算出方法を説明するための図である。図示のように、推定部114は、Kp軸における四角形の一辺のうち、制約条件Rの領域と重畳している部分の長さを比例ゲインKpの充足率として算出し、Ki軸における四角形の一辺のうち、制約条件Rの領域と重畳している部分の長さを積分ゲインKiの充足率として算出する。制約条件Rの全てを満たすように四角形が配置された場合、図10のように、比例ゲインKp及び積分ゲインKiの充足率は100[%]となる。一方、図11や図12のように、制約条件Rの一部を満たすように四角形が配置された場合、制約条件Rの全てを満たすように四角形が配置された場合と比べて、比例ゲインKp及び積分ゲインKiの充足率は低下する(充足率が100[%]よりも低下する)。
なお上述した説明では、探索対象とするハイパーパラメータを比例ゲインKpと積分ゲインKiの2種類であるものとして説明したがこれに限られない。例えば、探索対象とするハイパーパラメータは、n種類であってもよい。この場合、推定部114は、四角形の面積Sの代わりに、n次元体の体積を用いて、ハイパーパラメータの探索範囲を算出してよい。
フローチャートの説明に戻る。次に、出力制御部118は、出力インターフェース106のディスプレイ106aに、算出結果として、各ハイパーパラメータの探索範囲と充足率を表示させる(ステップS118)。
図13は、比例ゲインKpの探索範囲と充足率を模式的に表す図であり、図14は、積分ゲインKiの探索範囲と充足率を模式的に表す図である。図15は、ハイパーパラメータごとに探索範囲と充足率が表示された出力画面の一例を表す図である。
図示のように、出力制御部118は、各ハイパーパラメータの調整バーの下部に、探索範囲と充足率を表示させてよい。このように視覚的に探索範囲と充足率を表示することで、設計者は、制約条件Rを逸脱したとしても(充足率が低下したとしても)、広い探索範囲を確保するように調整バーを動かしたり、反対に、探索範囲が狭くなったとしても、制約条件Rを厳格に満たすように調整バーを動かしたりすることができる。
例えば、生成部116は、探索範囲と充足率が表示された後に、設計者によって調整バーが動かされ、各ハイパーパラメータの上限値及び/又は下限値が調整された場合、要因効果図を再生成してよい。
図16は、比例ゲインKpの調整バーが動かされる様子を模式的に表す図であり、図17は、積分ゲインKiの調整バーが動かされる様子を模式的に表す図である。図16の例では、比例ゲインKpの上限値及び下限値が共に動かされ、その探索範囲が狭められている。図17の例では、積分ゲインKiの上限値のみが動かされ、その探索範囲が狭められている。
なお調整バーは設計者が手動で動かす代わりに、解析装置100が自動で動かしてもよい。例えば、充足率が閾値(例えば50[%])以上であることが設計者によって事前に要求されている場合、出力制御部118は、充足率が閾値となる探索範囲に調整バーを動かした状態で表示させてよい。つまり、出力制御部118は、充足率が閾値となる探索範囲を設計者にサジェストしてよい。
図18は、再生成された要因効果図を含む出力画面の一例を表す図である。図示の例のように、出力領域Cにおいて調整バーが動かされ、ハイパーパラメータの探索範囲が調整されたとする。この場合、出力制御部118は、出力領域Aにおいて、調整された探索範囲の特性値のみを要因効果図として表示してよい。更に、出力制御部118は、出力領域Bにおいて、調整された探索範囲の特性値のみを用いた平衡座標プロットや多次元散布図などを表示させてよい。
フローチャートの説明に戻る。次に、処理部110は、制約条件Rを満足できる解が得られたか否かを判定する(ステップS120)。制約条件Rを満足できる解が得られていない場合、処理部110は、上述したS106及びS114に処理を戻す。これによって、製品パラメータ及び運用パラメータの上限値及び/又は下限値が設定されるたびに、及び/又は探索対象とするハイパーパラメータと制約条件Rが設定されるたびに、繰り返し要因効果図が生成される。この結果、設計者は要因効果図を確認しながら所望のハイパーパラメータを繰り返し探索することができる。
一方、制約条件Rを満足できる解が得られた場合、処理部110は、本フローチャートの処理を終了させる。
以上説明した実施形態によれば、解析装置100は、自動車のような製品に関する製品パラメータ及び運用パラメータの少なくとも一方又は双方を含む入力データセット(ハイパーパラメータ群)を取得する。入力データセットは「第1パラメータセット」の一例である。
解析装置100は、ベイズ最適化のようなパラメータ最適化により実装された推定モデルMDLを用いて、入力データセットから、製品の性能に関する多種のパラメータセット(特性値群)を出力データセットとして推定する。出力データセットは「第2パラメータセット」の一例である。
解析装置100は、出力データセットを基に、要因効果図を生成し、出力インターフェース106を介して、要因効果図を含む多水準直交表を出力する。これによって、より少ない回数又はより短い時間でロバスト設計解を算出することができる。
更に上述した実施形態によれば、解析装置100は、複数のハイパーパラメータによって張られる特徴空間上において、制約条件Rの一部又は全部を満たす部分空間の体積Sを算出し、その部分空間の体積Sに基づいて各ハイパーパラメータの探索範囲と充足率を算出する。そして、解析装置100は、出力インターフェース106を介して、各ハイパーパラメータの探索範囲と充足率を出力する。このように視覚的に探索範囲と充足率を表示することで、設計者は、制約条件Rを逸脱したとしても(充足率が低下したとしても)、広い探索範囲を確保するように調整バーを動かしたり、反対に、探索範囲が狭くなったとしても、制約条件Rを厳格に満たすように調整バーを動かしたりすることができる。
更に上述した実施形態によれば、解析装置100は、設計者によって調整バーが動かされ、各ハイパーパラメータの上限値及び/又は下限値が調整された場合、要因効果図を再生成し、出力インターフェース106を介して、再生成された要因効果図を含む多水準直交表を再出力する。このように繰り返し要因効果図が生成されることで、設計者は要因効果図を確認しながら所望のハイパーパラメータを繰り返し探索することができる。
<その他の実施形態>
以下、その他の実施形態について説明する。上述した実施形態では、多水準直交表入力画面の領域Zに、推定モデルMDLを用いて推定された特性値(例えば最大車間距離dmaxや最小車間距離dminなど)が表示されてもよいと説明した。例えば、設計者が、要因効果図を確認しながら何度もハイパーパラメータを探索しても望ましい特性値を見つけることができない場合がある。このような場合、推定部114は、見つからなかった特性値(つまりエラーの特性値)を、内挿などを用いて、他の特性値を基に補間してもよい。
以下、その他の実施形態について説明する。上述した実施形態では、多水準直交表入力画面の領域Zに、推定モデルMDLを用いて推定された特性値(例えば最大車間距離dmaxや最小車間距離dminなど)が表示されてもよいと説明した。例えば、設計者が、要因効果図を確認しながら何度もハイパーパラメータを探索しても望ましい特性値を見つけることができない場合がある。このような場合、推定部114は、見つからなかった特性値(つまりエラーの特性値)を、内挿などを用いて、他の特性値を基に補間してもよい。
また上述した実施形態では、製品パラメータ、運用パラメータ、及び製品性能に関するパラメータ(特性値)が、PID制御によって自動車を制御することを想定した場合の各種ハイパーパラメータであるものとして説明したがこれに限られない。例えば、製品パラメータ、運用パラメータ、及び製品性能に関するパラメータ(特性値)は、航空機や、船舶、鉄道車両、宇宙探査機、家電、ロボット、スマートフォン、半導体といった工業製品や産業機器に関するハイパーパラメータであってもよいし、化学繊維、ガラス、ゴム、鉱物といったマテリアルに関するハイパーパラメータであってもよいし、食品に関するハイパーパラメータであってもよいし、ニューラルネットワークなどの機械学習モデルに関するハイパーパラメータであってもよい。すなわち上述した実施形態で説明した手法は、人間が任意に決定することが可能なあらゆるパラメータに適用することができる。
以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。
100…解析装置、102…通信インターフェース、104…入力インターフェース、106…出力インターフェース、108…記憶部、110…処理部、112…取得部、114…推定部、116…生成部、118…出力制御部
Claims (7)
- コンピュータに実行させるためのプログラムであって、
ある製品に関するパラメータ及び前記製品の運用に関するパラメータの少なくとも一方を含む第1パラメータセットを取得すること、
パラメータ最適化を用いて、前記第1パラメータセットから、前記製品の性能に関する第2パラメータセットを推定すること、
前記第2パラメータセットに基づいて、要因効果図を生成すること、
前記要因効果図を含む多水準直交表を出力インターフェースを介して出力すること、
を含むプログラム。 - 前記パラメータ最適化には、ベイズ最適化が含まれており、
前記ベイズ最適化を用いて、前記第1パラメータセットから前記第2パラメータセットを推定することが含まれる、
請求項1に記載のプログラム。 - 前記第2パラメータセットの制約条件を基に、前記第1パラメータセットの探索範囲を算出することが含まれる、
請求項1又は2に記載のプログラム。 - 前記第1パラメータセットに対応する特徴空間上において、前記制約条件の一部又は全部を満たす部分空間の体積に基づいて、前記第1パラメータセットの探索範囲を算出することが含まれる、
請求項3に記載のプログラム。 - 前記体積に基づいて、前記制約条件の充足率を算出することが含まれる、
請求項4に記載のプログラム。 - ある製品に関するパラメータ及び前記製品の運用に関するパラメータの少なくとも一方を含む第1パラメータセットを取得する取得部と、
パラメータ最適化を用いて、前記第1パラメータセットから、前記製品の性能に関する第2パラメータセットを推定する推定部と、
前記第2パラメータセットに基づいて、要因効果図を生成する生成部と、
前記要因効果図を含む多水準直交表を出力インターフェースを介して出力する出力制御部と、
を備える解析装置。 - コンピュータを用いた解析方法であって
ある製品に関するパラメータ及び前記製品の運用に関するパラメータの少なくとも一方を含む第1パラメータセットを取得すること、
パラメータ最適化を用いて、前記第1パラメータセットから、前記製品の性能に関する第2パラメータセットを推定すること、
前記第2パラメータセットに基づいて、要因効果図を生成すること、
前記要因効果図を含む多水準直交表を出力インターフェースを介して出力すること、
を含む解析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022146041A JP2024041312A (ja) | 2022-09-14 | 2022-09-14 | プログラム、解析装置、及び解析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022146041A JP2024041312A (ja) | 2022-09-14 | 2022-09-14 | プログラム、解析装置、及び解析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2024041312A true JP2024041312A (ja) | 2024-03-27 |
Family
ID=90417087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022146041A Pending JP2024041312A (ja) | 2022-09-14 | 2022-09-14 | プログラム、解析装置、及び解析方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2024041312A (ja) |
-
2022
- 2022-09-14 JP JP2022146041A patent/JP2024041312A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Shiue et al. | Real-time scheduling for a smart factory using a reinforcement learning approach | |
Mangan et al. | Model selection for dynamical systems via sparse regression and information criteria | |
Doherty et al. | Bayesian generalized kernel inference for occupancy map prediction | |
Kim et al. | Identifying driver heterogeneity in car-following based on a random coefficient model | |
Petelin et al. | Control system with evolving Gaussian process models | |
Feng et al. | Nonlinear model predictive control based on support vector machine and genetic algorithm | |
Shao et al. | Change point determination for a multivariate process using a two-stage hybrid scheme | |
WO2020013726A1 (ru) | Способ интерпретации искусственных нейронных сетей | |
Lu et al. | Adaptive online data-driven closed-loop parameter control strategy for swarm intelligence algorithm | |
Thorpe et al. | Model-free stochastic reachability using kernel distribution embeddings | |
JP2019159669A (ja) | 制御装置、制御システム、制御方法及び制御プログラム | |
JP6947029B2 (ja) | 制御装置、それを使用する情報処理装置、制御方法、並びにコンピュータ・プログラム | |
Passone et al. | Incorporating domain-specific knowledge into a genetic algorithm to implement case-based reasoning adaptation | |
WO2019234156A1 (en) | Training spectral inference neural networks using bilevel optimization | |
Briffoteaux et al. | Evolution Control for parallel ANN-assisted simulation-based optimization application to Tuberculosis Transmission Control | |
JP5018809B2 (ja) | 時系列データ予測装置 | |
JP2024041312A (ja) | プログラム、解析装置、及び解析方法 | |
Sander | Interpolated experience replay for improved sample efficiency of model-free deep reinforcement learning algorithms | |
WO2020121378A1 (ja) | 学習装置および学習方法 | |
Shaikh et al. | Wavelet decomposition impacts on traditional forecasting time series models | |
Madar et al. | Interactive evolutionary computation in process engineering | |
Perez et al. | Optimization of the new DS-u control chart: an application of genetic algorithms | |
Koczy et al. | Computational intelligence in modeling complex systems and solving complex problems | |
Hwang et al. | Model Learning for Multistep Backward Prediction in Dyna-${Q} $ Learning | |
Shenfield et al. | Computational steering of a multi-objective evolutionary algorithm for engineering design |