JP2025166329A - 情報処理装置、機械学習装置、情報処理方法、及び、機械学習方法 - Google Patents

Abstract

【課題】対象物の温度を調節したときの対象物の温度分布を簡易かつ高精度に予想することを可能とする情報処理装置を提供する。
【解決手段】情報処理装置３Ａは、対象物の温度を調節する際の温度調節条件を取得する情報取得部３０２０Ａと、情報取得部３０２０Ａで取得された温度調節条件を少なくとも含む入力データを複数の学習モデル１３－１～１３－Ｎに入力することで当該複数の学習モデル１３－１～１３－Ｎから出力された出力データに基づいて、当該入力データに含まれる温度調節条件に従って対象物の温度が調節されたときの当該対象物の温度分布情報を生成する情報生成部３０２１Ａと、を備える。情報生成部３０２１Ａにより生成される温度分布情報は、対象物を複数の対象物領域に分割したときの対象物領域毎の温度を示す情報である。
【選択図】 図９

Description

本発明は、情報処理装置、機械学習装置、情報処理方法、及び、機械学習方法に関する。

製造工程の一部に、製品（原材料、中間品、最終品のいずれでもよい）を加熱したり、冷却したりすることで製品の温度を調節する工程が含まれている場合、温度調節の対象となる製品の温度分布が適正な範囲にあるかどうかによって製造品質に影響を与えることが知られている。例えば、特許文献１には、ブロー成形によりプリフォームから容器を製造する際、プリフォームを加熱するときの温度は、ブロー成形により製造される容器の製造品質に影響を与えることが開示されている。

特開２０１６－１６８８５７号公報

製品（対象物）の温度を調節する際の温度調節条件は、様々なパラメータが組み合わせて設定されるだけでなく、製品の温度変化は非線形性を有するため、製品全体の温度分布を一度に計算するための計算式を定義するのは非常に困難である。また、計算式を定義できたとしても、計算量が多く、シミュレーションでの用途に限定されるものであり、リアルタイムでの予測に利用することが困難であった。

本発明は、上記の課題に鑑みてなされたものであり、対象物の温度を調節したときの対象物の温度分布を簡易かつ高精度に予想することを可能とする情報処理装置、機械学習装置、情報処理方法、及び、機械学習方法を提供することを目的とする。

上記目的を達成するために、本発明の一態様に係る情報処理装置は、
対象物の温度を調節する際の温度調節条件を取得する情報取得部と、
前記情報取得部で取得された前記温度調節条件を少なくとも含む入力データを単一又は複数の学習モデルに入力することで当該単一又は複数の学習モデルから出力された出力データに基づいて、当該入力データに含まれる前記温度調節条件に従って前記対象物の温度が調節されたときの当該対象物の温度分布情報を生成する情報生成部と、を備え、
前記温度分布情報は、前記対象物を複数の対象物領域に分割したときの前記対象物領域毎の温度を示す情報である。

本発明の一態様に係る情報処理装置によれば、情報生成部が、対象物に対する温度調節条件を少なくとも含む入力データを単一又は複数の学習モデルに入力することで、当該単一又は複数の学習モデルから出力された出力データに基づいて、当該対象物の温度分布情報が生成される。よって、対象物の温度を調節したときの対象物の温度分布を簡易かつ高精度に予想することができる。

上記以外の課題、構成及び効果は、後述する発明を実施するための形態にて明らかにされる。

製造管理システム１の一例を示す全体図である。 プリフォーム加熱装置２０ｄの一例を示す概略正面図である。 プリフォーム加熱装置２０ｄの一例を示すブロック図である。 第１の実施形態に係る情報処理装置３Ａの一例を示すブロック図である。 データベース３１０の一例を示すデータ構成図である。 プリフォーム１０を複数の対象物領域に分割するときの第１の分割例を示す説明図である。 プリフォーム１０を複数の対象物領域に分割するときの第２の分割例を示す説明図である。 第１の実施形態に係る学習機能３０１Ａの一例を示す機能説明図である。 第１の実施形態に係る情報処理機能３０２Ａの一例を示す機能説明図である。 各装置を構成するコンピュータ９００の一例を示すハードウエア構成図である。 第１の実施形態に係る学習機能３０１Ａによる機械学習方法の一例を示すフローチャートである。 第１の実施形態に係る情報処理機能３０２Ａによる情報処理方法の一例を示すフローチャートである。 第２の実施形態に係る情報処理装置３Ｂの一例を示すブロック図である。 第２の実施形態に係る学習機能３０１Ｂの一例を示す機能説明図である。 第２の実施形態に係る情報処理機能３０２Ｂの一例を示す機能説明図である。 第２の実施形態に係る学習機能３０１Ｂによる機械学習方法の一例を示すフローチャートである。 第２の実施形態に係る情報処理機能３０２Ｂによる情報処理方法の一例を示すフローチャートである。 第３の実施形態に係る情報処理装置３Ｃの一例を示すブロック図である。 第３の実施形態に係る学習機能３０１Ｃの一例を示す機能説明図である。 第３の実施形態に係る情報処理機能３０２Ｃの一例を示す機能説明図である。 第３の実施形態に係る学習機能３０１Ｃによる機械学習方法の一例を示すフローチャートである。 第３の実施形態に係る情報処理機能３０２Ｃによる情報処理方法の一例を示すフローチャートである。

以下、図面を参照して本発明を実施するための実施形態について説明する。以下では、本発明の目的を達成するための説明に必要な範囲を模式的に示し、本発明の該当部分の説明に必要な範囲を主に説明することとし、説明を省略する箇所については公知技術によるものとする。

（第１の実施形態）
図１は、製造管理システム１の一例を示す概略図である。製造管理システム１は、任意の製品を製造する製造工程において、対象物に関する各種の情報を管理するシステムである。

対象物は、所定の形状を有するものであればよく、金属材料、樹脂等の有機材料、及び、ガラス等のセラミックス材料のいずれを原材料とするものよい。また、対象物は、例え
ば、製造工程における原材料、中間品及び最終品のいずれでもよい。その際、対象物の最終製品としては、例えば、容器、瓶、缶等が挙げられるが、こられに限られない。

本実施形態では、対象物は、ブロー成形により被成形体の一形態であるプリフォーム１０を所定の延伸方向に延伸して成形体の一形態である中空状のボトル１１（例えば、ＰＥＴボトル）を製造するときのプリフォーム１０である場合を中心に説明する。なお、成形体は、ボトル１１に限られず、被成形体からブロー成形により製造されるものであれば任意の形状を有するものでよい。

製造管理システム１は、その主要な構成として、図１に示すように、ボトル製造装置２と、情報処理装置３Ａと、ユーザ端末装置４とを備える。各装置２～４は、例えば、汎用又は専用のコンピュータ（後述の図１０参照）で構成されるとともに、有線又は無線のネットワーク５に接続されて、各種のデータを相互に送受信可能に構成される。なお、各装置２～４の数やネットワーク５の接続構成は、図１の例に限られず、適宜変更してもよい。

ボトル製造装置２は、金型２００を使用し、調整済みの製造条件に従って動作することで、プリフォーム１０をボトル１１にブロー成形する装置である。製造条件には、ボトル製造装置２が備える各部が動作するときの各種の装置設定値が含まれる。

ボトル製造装置２は、原材料である合成樹脂をプリフォーム１０に射出成形する射出成形装置２０ａと、射出成形装置２０ａからプリフォーム１０を取り出し、プリフォーム搬送コンベア２０ｃに移送するプリフォーム取出装置２０ｂと、プリフォーム１０を搬送するプリフォーム搬送コンベア２０ｃと、プリフォーム搬送コンベア２０ｃの途中に設けられて、プリフォーム１０を加熱するプリフォーム加熱装置２０ｄと、プリフォーム搬送コンベア２０ｃからプリフォーム１０を受け取り、ブロー成形装置２０ｆに供給するプリフォーム供給装置２０ｅと、加熱されたプリフォーム１０を金型２００に挟持し、プリフォーム１０内にブロー流体を供給しながらストレッチロッド（不図示）を進出することで、プリフォーム１０をボトル１１に成形するブロー成形装置２０ｆと、ブロー成形装置２０ｆからボトル１１を取り出し、成形体搬送コンベア２０ｈに移送する成形体取出装置２０ｇと、成形されたボトル１１を搬送する成形体搬送コンベア２０ｈとを備える。なお、ボトル製造装置２の構成は、図１の例に限られず、適宜変更してもよい。

情報処理装置３Ａは、ボトル製造装置２及びユーザ端末装置４と連携し、プリフォーム１０及びボトル１１に関する複数の調整項目に対する製造条件（具体的には、各種の装置設定値）を設定したり、製造履歴として記録したりする装置である。

情報処理装置３Ａは、製造条件を示す製造条件情報Ａと、複数の調整項目に対する目標値や調整結果を示す調整項目情報Ｂとを対応付けて登録可能なデータベース３１０を備える。データベース３１０に登録された製造条件情報Ａ及び調整項目情報Ｂは、ボトル製造装置２及びユーザ端末装置４により参照されて、ボトル１１の製造に用いられる。

ユーザ端末装置４は、例えば、ボトル１１の製造管理者等のユーザにより使用される装置である。ユーザ端末装置４は、アプリケーションプログラム、ウェブブラウザ等のプログラムがインストールされて、各種の入力操作を受け付けるとともに、表示画面や音声を介して各種の情報を出力する。ユーザ端末装置４は、ユーザが情報処理装置３Ａに対する指示等を入力したり、情報処理装置３Ａの処理結果を出力したり、データベース３１０を編集したりするときに使用される。

ユーザ端末装置４は、例えば、情報処理装置３Ａに指示するための各種の情報をユーザ
から受け付けたり、情報処理装置３Ａによる対象物（本実施形態では、プリフォーム１０）の温度分布の予測結果や、対象物の温度を調節する際の温度調節条件（本実施形態では、製造条件の一部）を設定したりする装置として機能する。

（プリフォーム加熱装置２０ｄ）
図２は、プリフォーム加熱装置２０ｄの一例を示す概略正面図である。図３は、プリフォーム加熱装置２０ｄの一例を示すブロック図である。プリフォーム加熱装置２０ｄは、プリフォーム搬送コンベア２０ｃにより順次搬送されるプリフォーム１０を加熱するプリフォーム加熱処理を行う。プリフォーム１０は、例えば、自転可能なマンドレル（不図示）により直立状態に保持されて、プリフォーム搬送コンベア２０ｃにより所定の搬送速度で搬送される。

プリフォーム加熱装置２０ｄは、その主要な構成要素として、プリフォーム１０を加熱する複数のプリフォーム加熱ユニット２１と、プリフォーム加熱装置２０ｄの各部を制御する制御ユニット２２とを備える。複数のプリフォーム加熱ユニット２１は、図１に示すように、プリフォーム搬送コンベア２０ｃによるプリフォーム１０の搬送方向に沿って所定の間隔で配置される。

複数のプリフォーム加熱ユニット２１の各々は、プリフォーム１０の各部をそれぞれ加熱する複数のプリフォーム加熱モジュール２１０と、プリフォーム１０の一部を局所的に加熱するプリフォーム局所加熱モジュール（不図示）と、温度センサ２１１とを備える。複数のプリフォーム加熱モジュール２１０は、赤外線ヒータ等でそれぞれ構成されて、所定の配置方向（本実施形態では、上下方向）に間隔を空けた複数の配置位置にそれぞれ配置される。プリフォーム局所加熱モジュールは、例えば、赤外線ヒータ等で構成されて、プリフォーム１０のネック部を局所的に加熱可能な配置位置に配置される。その際、プリフォーム局所加熱モジュールは、プリフォーム加熱モジュール２１０と兼用されてもよい。プリフォーム加熱モジュール２１０、プリフォーム局所加熱モジュール及び温度センサの数や配置は、図２の例に限られず、適宜変更してもよい。なお、プリフォーム加熱ユニット２１は、プリフォーム１０の内側に配置されて、プリフォーム１０の内側を加熱する加熱モジュールをさらに備えるようにしてもよい。また、プリフォーム加熱ユニット２１は、プリフォーム１０を所定の温度の送風空気を供給するブロアモジュールをさらに備えるようにしてもよい。

制御ユニット２２は、複数のプリフォーム加熱ユニット２１が備えるモジュール群及びセンサ群と電気的に接続されて、複数のプリフォーム加熱ユニット２１を統括的に制御する制御部として機能する。なお、図３には、モジュール群の一部としてのプリフォーム加熱モジュール２１０及びプリフォーム局所加熱モジュールと、センサ群の一部としての温度センサ２１１とを図示したが、その他のモジュール群及びセンサ群の図示は省略している。

制御ユニット２２は、例えば、汎用又は専用のコンピュータ（後述の図１０参照）で構成される。制御ユニット２２は、その主要な構成要素として、制御部２２０と、通信部２２１と、入力部２２２と、出力部２２３と、記憶部２２４とを備える。

記憶部２２４は、プリフォーム加熱装置２０ｄの動作で使用される各種のプログラム（オペレーティングシステム（ＯＳ）、プリフォーム加熱プログラム２２４０等）やデータ（装置設定情報２２４１等）を記憶する。装置設定情報２２４１は、プリフォーム加熱装置２０ｄがプリフォーム加熱処理を実行するときの各種の装置設定値を登録可能な情報であり、例えば、表示画面（設定インターフェース）を介して装置ユーザにより編集可能に構成される。

制御部２２０は、例えば、演算処理装置（ＣＰＵ、ＭＰＵ、ＧＰＵ等のプロセッサ）やシーケンサで構成される。制御部２２０は、例えば、記憶部２２４に記憶されたプリフォーム加熱プログラム２２４０を実行することにより、プリフォーム加熱制御部２２００として機能する。

プリフォーム加熱制御部２２００は、各プリフォーム加熱ユニット２１が備えるモジュール群を動作させる。その際、プリフォーム加熱制御部２２００は、装置設定情報２２４１に登録された装置設定値に従って、各プリフォーム加熱モジュール２１０を動作させることにより、プリフォーム１０の各部をそれぞれ加熱する。

通信部２２１は、通信ネットワークに接続され、情報処理装置３Ａ及びユーザ端末装置４だけでなく、プリフォーム加熱装置２０ｄの装置ユーザ等が使用する端末装置（不図示）や、製造管理システム１の製造管理を行う製造管理装置（不図示）との間で各種のデータを送受信する通信インターフェースとして機能する。入力部２２２は、プリフォーム加熱装置２０ｄのユーザによる各種の入力操作を受け付けるとともに、出力部２２３は、画面の表示、シグナルタワーの点灯、及び、ブザーの鳴動を介して各種の情報を装置ユーザに出力することで、ユーザインターフェースとして機能する。

（情報処理装置３Ａの構成）
図４は、第１の実施形態に係る情報処理装置３Ａの一例を示すブロック図である。情報処理装置３Ａは、プロセッサ等により構成される制御部３０と、ＨＤＤ、ＳＳＤ、メモリ等により構成される記憶部３１と、ネットワーク５や外部機器との通信インターフェースである通信部３２と、キーボード、マウス等により構成される入力部３３と、ディスプレイ等により構成される表示部３４とを備える。なお、入力部３３及び表示部３４は省略されてもよい。

記憶部３１は、製造条件データベース３１０、学習済みモデル管理データベース３１１、及び、情報処理プログラム３１２Ａを記憶するとともに、オペレーティングシステム、他のプログラムやデータ等を記憶する。

制御部３０は、記憶部３１に記憶された情報処理プログラム３１２Ａを実行することにより、情報管理機能３００、学習機能３０１Ａ、及び、情報処理機能３０２Ａを実現する。制御部３０は、学習機能３０１Ａを実現する各部として、学習用データ取得部３０１０Ａ、及び、機械学習部３０１１Ａを備える。制御部３０は、情報処理機能３０２Ａを実現する各部として、情報取得部３０２０Ａ、情報生成部３０２１Ａ、及び、出力処理部３０２２を備える。

以下、各機能３００、３０１Ａ、３０２Ａと、各データベース３１０、３１１のデータ構成について説明する。

（情報管理機能３００）
情報処理装置３Ａの制御部３０は、製造条件データベース３１０を用いて、情報管理機能３００を実現する。

図５は、データベース３１０の一例を示すデータ構成図である。図６は、プリフォーム１０を複数の対象物領域に分割するときの第１の分割例を示す説明図である。図７は、プリフォーム１０を複数の対象物領域に分割するときの第２の分割例を示す説明図である。

製造条件データベース３１０は、製造管理システム１で取り扱う各種の情報を関連付け
るためのボトル管理ＩＤ毎に複数のレコードを有する。ボトル管理ＩＤは、ボトル１１を識別するための情報（品番や型番等）である。各レコードは、例えば、製造条件情報Ａに含まれる複数の装置設定値と、調整項目情報Ｂに含まれる複数の調整項目に対する目標値及び計測結果とが登録可能なフィールドを有する。

製造条件データベース３１０に登録済みの製造条件情報Ａ及び調整項目情報Ｂは、情報処理装置３Ａ、及び、ユーザ端末装置４から参照可能である。なお、ユーザ端末装置４の表示画面において、各データの追加、削除、修正等の編集操作が行われるようにしてもよい。

製造条件情報Ａは、製造工程における製造条件を示す情報である。製造条件情報Ａには、例えば、プリフォーム加熱装置２０ｄに対する装置設定値を定める加熱条件と、ブロー成形装置２０ｆに対する装置設定値を定める成形条件とが含まれる。

加熱条件には、複数のプリフォーム加熱モジュール２１０の加熱量を全体で上下するための全体加熱設定値、複数のプリフォーム加熱モジュール２１０の加熱量を個々に上下するためのプリフォーム加熱モジュール２１０毎の個別加熱設定値、プリフォーム局所加熱モジュールの加熱量を個別に上下するための局所加熱設定値、ブロアモジュールの風量や風圧を増減するためのブロア設定値等が含まれる。加熱条件は、これらに限られず、例えば、プリフォーム搬送コンベア２０ｃの搬送速度を上下するための搬送設定値等を含むものでもよい。

成形条件には、例えば、ストレッチロッドの延伸量、延伸速度を増減するためのストレッチロッド設定値、ブロー流体の圧力、時間、流量を増減するためのブロー設定値、金型２００の加熱量を上下するための金型設定値等が含まれる。

なお、各装置設定値は、数値が指定されることで設定されてもよいし、複数段階を有するレベルのいずれかが指定されることで設定されてもよい。

調整項目情報Ｂは、プリフォーム１０及びボトル１１に関する複数の調整項目に対する目標値と、計測値とを示す情報である。目標値は、プリフォーム１０及びボトル１１の設計段階や検査段階で定められる値であり、設計値や規格値に相当する。なお、目標値は、特定の値でもよいし、上限や下限のような特定の範囲を有する値でもよい。計測値は、例えば、インラインに設置された計測装置にて計測されてもよいし、オフラインに設置された計測装置にて計測されてもよい。

複数の調整項目には、プリフォーム１０の温度分布、ボトル１１の質量分布、ボトル１１の高さ、ボトル１１の内容積等が含まれる。

プリフォーム１０の温度分布を示す温度分布情報は、例えば、プリフォーム１０を複数の対象物領域に分割したときの対象物領域毎の温度を示す情報である。対象物領域の分割基準や分割数は、プリフォーム加熱装置２０ｄの構造に応じて決定されてもよいし、プリフォーム１０やボトル１１の形状や寸法等の特徴に応じて決定されてもよい。その際、複数の対象物領域は、等間隔で分割されていてもよいし、不等間隔で分割されていてもよい。

例えば、複数の対象物領域は、図６に示すように、プリフォーム加熱モジュール２１０の配置方向２１０ａに対して分割されたものである。その際、複数の対象物領域は、プリフォーム加熱モジュール２１０の配置方向２１０ａに対して隣り合う任意の２つのプリフォーム加熱モジュール２１０がそれぞれ配置された配置位置の間で分割されたものである
。なお、２つのプリフォーム加熱モジュール２１０の間を分割する際には、その中間でもよいし、その中間でなくてもよい。

図６に示す第１の分割例では、プリフォーム１０が、７つの対象物領域１０－１～１０－７に分割された場合が図示されている。これにより、特定のプリフォーム加熱モジュール２１０により同じように加熱される領域については、分割せずに同じ領域として取り扱うことができる。

また、複数の対象物領域は、図７に示すように、プリフォーム１０の延伸方向１０ａに対して分割されたものである。その際、複数の対象物領域（被成形体領域）は、プリフォーム１０をボトル１１に延伸したときの延伸倍率に基づいて、ボトル１１をプリフォーム１０の延伸方向１０ａに対して複数の成形体領域に分割したときの複数の成形体領域を縮尺したものである。

図７に示す第２の分割例では、プリフォーム１０が、ボトル１１の４つの成形体領域１１－１～１１－４を、延伸倍率（＝プリフォーム１０の高さＨＰ／ボトル１１の高さＨＢ）に基づいて縮尺することで、４つの対象物領域１０－１～１０－４に分割された場合が図示されている。これにより、成形体としてのボトル１１の全体を、例えば、機能的又は構造的な分割基準で複数の成形体領域に分割したときに、各成形体領域に対応するように、プリフォーム１０の各対象物領域（被成形体領域）を割り当てることができる。

なお、対象物領域の分割基準としては、上記の例に限られない。例えば、対象物領域は、プリフォーム１０のネック部側の先端からの位置（距離）や重量、プリフォーム１０の胴径、ボトル１１のネック部側の先端からの位置（距離）や重量、ボトル１１の胴径、ストレッチロッドの先端からの位置（距離）等に基づいて、分割されてもよい。

（学習機能３０１Ａ）
図８は、第１の実施形態に係る学習機能３０１Ａの一例を示す機能説明図である。情報処理装置３Ａの学習用データ取得部３０１０Ａ、及び、機械学習部３０１１Ａは、製造条件データベース３１０（学習用データ記憶部）と、学習済みモデル管理データベース３１１（学習済みモデル記憶部）とを用いて、学習機能３０１Ａを実現する。

学習済みモデル管理データベース３１１に登録される複数の学習モデル１３－１～１３－Ｎは、加熱条件を少なくとも含む入力データが入力されて、特定の対象物領域の温度を含む出力データを出力する。すなわち、共通の入力データが、複数の学習モデル１３－１～１３－Ｎにそれぞれ入力されたときに、例えば、学習モデル１３－１は、対象物領域１０－１の温度を含む出力データを出力し、学習モデル１３－Ｎは、対象物領域１０－Ｎの温度を含む出力データを出力する。

加熱条件としては、複数のプリフォーム加熱モジュール２１０に対する全体加熱設定値、プリフォーム加熱モジュール２１０毎の個別加熱設定値、プリフォーム局所加熱モジュールに対する局所加熱設定値、ブロアモジュールに対するブロア設定値等が含まれる。

本実施形態では、複数の学習モデル１３－１～１３－Ｎは、分類モデルであり、加熱条件を含む入力データが入力されることで、出力データとして、特定の対象物領域の温度を複数の温度区分に分類したときの温度区分の分類結果を出力する場合について説明する。

複数の温度区分は、図８に示す温度ラベルＴ１～Ｔｐに対応するものであり、例えば、所定の温度幅をそれぞれ有する。例えば、温度ラベルＴ１＝６０℃以下、温度ラベルＴ２＝６０℃～６５℃、温度ラベルＴ３＝６５℃～７０℃、…、温度ラベルＴｐ＝２００℃以
上のように、各温度区分がそれぞれ設定されている。なお、複数の温度区分は、等間隔で区切られていてもよいし、不等間隔で区切られていてもよい。

複数の学習モデル１３－１～１３－Ｎは、例えば、ニューラルネットワークの構造を採用したものであり、入力層１３０、中間層１３１、及び、出力層１３２を備える。各層の間には、各ニューロンをそれぞれ接続するシナプス（不図示）が張られており、各シナプスには、重みがそれぞれ対応付けられている。各シナプスの重みからなる重みパラメータ群は、例えば、バックプロパゲーション等の機械学習アルゴリズムにより調整される。

入力層１３０は、入力データに対応する数のニューロンを有し、各値が各ニューロンにそれぞれ入力される。出力層１３２は、出力データに対応する数のニューロンを有し、特定の対象物領域の温度の分類結果（推論結果）が出力される。対象物領域１０－１～１０－Ｎの温度の分類結果としては、例えば、複数の温度ラベルＴ１～Ｔｐに対して、０～１の範囲のスコアがそれぞれ出力されて、スコアが最も高い温度ラベルが、その対象物領域１０－１～１０－Ｎの温度の分類結果として取り扱われる。

学習用データ取得部３０１０Ａは、加熱条件を含む入力データと、複数の対象物領域１０－１～１０－Ｎのうち特定の対象物領域の温度を含む出力データとで構成される学習用データ１２－１～１２－Ｎを複数組取得する。学習用データ１２－１～１２－Ｎは、教師あり学習における教師データ（トレーニングデータ）、検証データ及びテストデータとして用いられるデータである。また、学習用データ１２－１～１２－Ｎに含まれる特性パラメータは、教師あり学習における正解ラベルとして用いられるデータである。

例えば、学習用データ取得部３０１０Ａは、製造条件データベース３１０に登録された情報を参照したり、ユーザ端末装置４から入力操作を受け付けたりすることにより、学習用データ１２－１～１２－Ｎを取得する。なお、外部のシステム（製造管理システム等）に、学習用データ１２－１～１２－Ｎに相当する情報が記憶されている場合には、学習用データ取得部３０１０Ａは、外部のシステムから学習用データ１２－１～１２－Ｎを取得してもよい。

機械学習部３０１１Ａは、学習用データ取得部３０１０Ａにより取得された複数組の学習用データ１２－１～１２－Ｎを用いて、複数の学習モデル１３－１～１３－Ｎの機械学習を対象物領域毎に実施する。そして、機械学習部３０１１Ａは、入力データと出力データとの相関関係を対象物領域毎に複数の学習モデル１３－１～１３－Ｎにそれぞれ学習させることで、学習済みの複数の学習モデル１３－１～１３－Ｎを生成する。

なお、機械学習部３０１１Ａは、機械学習を実施する際、例えば、オンライン学習、バッチ学習、ミニバッチ学習等の任意の手法を採用することができる。また、機械学習部３０１１Ａは、学習モデル１３－１～１３－Ｎに入力する入力データに対して所定の前処理を行うようにしてもよいし、学習モデル１３－１～１３－Ｎから出力される出力データに対して所定の後処理を行うようにしてもよい。

学習済みモデル管理データベース３１１は、機械学習部３０１１Ａにより生成された学習済みの複数の学習モデル１３－１～１３－Ｎ（具体的には、調整済みの重みパラメータ群）を記憶する。学習済みモデル管理データベース３１１に記憶された学習済みの学習モデル１３－１～１３－Ｎは、ネットワーク５や記録媒体等を介して他のシステムに提供されてもよい。

なお、本実施形態では、学習用データ１２－１～１２－Ｎ及び学習モデル１３－１～１３－Ｎのデータ構成は、図８で示すように構成される場合について説明したが、例えば、
機械学習の手法、加熱条件の違い、対象物領域の違い等のように、条件が異なる複数のデータ構成を採用してもよい。その場合には、学習用データ取得部３０１０Ａは、条件が異なる複数のデータ構成にそれぞれ対応する複数種類の学習用データ１２－１～１２－Ｎを取得するとともに、機械学習部３０１１Ａは、それらの学習用データ１２－１～１２－Ｎをそれぞれ用いて機械学習を実施し、学習済みの学習モデル１３－１～１３－Ｎを学習済みモデル管理データベース３１１に記憶すればよい。

（情報処理機能３０２Ａ）
図９は、第１の実施形態に係る情報処理機能３０２Ａの一例を示す機能説明図である。情報処理装置３Ａの情報取得部３０２０Ａ、情報生成部３０２１Ａ、及び、出力処理部３０２２は、学習済みモデル管理データベース３１１を用いて、情報処理機能３０２Ａを実現する。

情報取得部３０２０Ａは、プリフォーム加熱装置２０ｄによりプリフォーム１０の温度を調節する際の加熱条件を取得する。例えば、学習用データ取得部３０１０Ａは、製造条件データベース３１０に登録された加熱条件を参照したり、ユーザ端末装置４から入力操作を受け付けたり、プリフォーム加熱装置２０ｄから加熱条件を受信したりすることにより、加熱条件を取得する。

情報生成部３０２１Ａは、情報取得部３０２０Ａで取得された加熱条件を含む入力データを複数の学習モデル１３－１～１３－Ｎにそれぞれ入力する。そして、情報生成部３０２１Ａは、当該複数の学習モデル１３－１～１３－Ｎから出力された複数の出力データにそれぞれ含まれる対象物領域毎の温度に基づいて、温度分布情報を生成する。なお、情報生成部３０２１Ａは、学習モデル１３－１～１３－Ｎに入力する入力データに対して所定の前処理を行うようにしてもよいし、学習モデル１３－１～１３－Ｎから出力される出力データに対して所定の後処理を行うようにしてもよい。

図９では、情報生成部３０２１Ａにより生成された温度分布情報として、対象物領域１０－１の温度は、温度ラベルＴ２で表される温度（６０℃～６５℃）あり、対象物領域１０－Ｎの温度は、温度ラベルＴ１で表される温度（６０℃以下）である場合が図示されている。なお、図９には、対象物領域１０－２～１０－Ｎ－１の温度を図示していないが、温度分布情報には、それらの温度も含まれている。

情報生成部３０２１Ａにて用いられる複数の学習モデル１３－１～１３－Ｎは、学習済みモデル管理データベース３１１に記憶された学習済みの複数の学習モデル１３－１～１３－Ｎである。なお、条件が異なる複数の学習モデル１３－１～１３－Ｎが学習済みモデル管理データベース３１１に記憶されている場合には、情報生成部３０２１Ａは、例えば、入力データに含まれるデータの種類に合わせて、複数の学習モデル１３－１～１３－Ｎを選択的又は並列的に用いてもよい。

出力処理部３０２２は、情報生成部３０２１Ａにより生成された温度分布情報を出力するための出力処理を行う。例えば、出力処理として、出力処理部３０２２は、温度分布情報をユーザ端末装置４に表示するための表示情報をユーザ端末装置４に送信してもよいし、温度分布情報を製造条件データベース３１０に登録してもよい。

図１０は、各装置を構成するコンピュータ９００の一例を示すハードウエア構成図である。製造管理システム１におけるプリフォーム加熱装置２０ｄの制御ユニット２２、情報処理装置３Ａ及びユーザ端末装置４の各々は、汎用又は専用のコンピュータ９００により構成される。

コンピュータ９００は、図１０に示すように、その主要な構成要素として、バス９１０、プロセッサ９１２、メモリ９１４、入力デバイス９１６、出力デバイス９１７、表示デバイス９１８、ストレージ装置９２０、通信Ｉ／Ｆ（インターフェース）部９２２、外部機器Ｉ／Ｆ部９２４、Ｉ／Ｏ（入出力）デバイスＩ／Ｆ部９２６、及び、メディア入出力部９２８を備える。なお、上記の構成要素は、コンピュータ９００が使用される用途に応じて適宜省略されてもよい。

プロセッサ９１２は、１つ又は複数の演算処理装置（ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＭＰＵ（Ｍｉｃｒｏ－Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＮＰＵ（Ｎｅｕｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等）で構成され、コンピュータ９００全体を統括する制御部として動作する。メモリ９１４は、各種のデータ及びプログラム９３０を記憶し、例えば、メインメモリとして機能する揮発性メモリ（ＤＲＡＭ、ＳＲＡＭ等）と、不揮発性メモリ（ＲＯＭ）、フラッシュメモリ等とで構成される。

入力デバイス９１６は、例えば、キーボード、マウス、テンキー、電子ペン等で構成され、入力部として機能する。出力デバイス９１７は、例えば、音（音声）出力装置、バイブレーション装置等で構成され、出力部として機能する。表示デバイス９１８は、例えば、液晶ディスプレイ、有機ＥＬディスプレイ、電子ペーパー、プロジェクタ等で構成され、出力部として機能する。入力デバイス９１６及び表示デバイス９１８は、タッチパネルディスプレイのように、一体的に構成されていてもよい。ストレージ装置９２０は、例えば、ＨＤＤ、ＳＳＤ等で構成され、記憶部として機能する。ストレージ装置９２０は、オペレーティングシステムやプログラム９３０の実行に必要な各種のデータを記憶する。

通信Ｉ／Ｆ部９２２は、インターネットやイントラネット等のネットワーク９４０（図１のネットワーク５と同じであってもよい）に有線又は無線により接続され、所定の通信規格に従って他のコンピュータとの間でデータの送受信を行う通信部として機能する。外部機器Ｉ／Ｆ部９２４は、カメラ、プリンタ、スキャナ、リーダライタ等の外部機器９５０に有線又は無線により接続され、所定の通信規格に従って外部機器９５０との間でデータの送受信を行う通信部として機能する。Ｉ／ＯデバイスＩ／Ｆ部９２６は、各種のセンサ、アクチュエータ等のＩ／Ｏデバイス９６０に接続され、Ｉ／Ｏデバイス９６０との間で、例えば、センサによる検出信号やアクチュエータへの制御信号等の各種の信号やデータの送受信を行う通信部として機能する。メディア入出力部９２８は、例えば、ＤＶＤドライブ、ＣＤドライブ等のドライブ装置、メモリカードスロット、ＵＳＢコネクタで構成され、ＤＶＤ、ＣＤ、メモリカード、ＵＳＢメモリ等のメディア（非一時的な記憶媒体）９７０に対してデータの読み書きを行う。

上記構成を有するコンピュータ９００において、プロセッサ９１２は、ストレージ装置９２０に記憶されたプログラム９３０をメモリ９１４に呼び出して実行し、バス９１０を介してコンピュータ９００の各部を制御する。なお、プログラム９３０は、ストレージ装置９２０に代えて、メモリ９１４に記憶されていてもよい。プログラム９３０は、インストール可能なファイル形式又は実行可能なファイル形式でメディア９７０に記録され、メディア入出力部９２８を介してコンピュータ９００に提供されてもよい。プログラム９３０は、通信Ｉ／Ｆ部９２２を介してネットワーク９４０経由でダウンロードすることによりコンピュータ９００に提供されてもよい。また、コンピュータ９００は、プロセッサ９１２がプログラム９３０を実行することで実現する各種の機能を、例えば、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）等のハードウエアで実現するものでもよい。

コンピュータ９００は、例えば、据置型コンピュータや携帯型コンピュータで構成され、任意の形態の電子機器である。コンピュータ９００は、クライアント型コンピュータでもよいし、サーバ型コンピュータやクラウド型コンピュータでもよいし、例えば、制御盤、コントローラ（マイコン、プログラマブルロジックコントローラ、シーケンサを含む）等と呼ばれる組込型コンピュータでもよい。

（製造管理システム１の動作）
以下、製造管理システム１の動作として、情報処理装置３Ａにより実現される各機能３０１Ａ、３０２Ａについて説明する。なお、情報処理装置３Ａは、各種の情報を登録したり参照したりするために、各データベース３１０、３１１にアクセスするが、以下では、そのアクセスする動作については適宜省略して説明する。

（機械学習方法）
図１１は、第１の実施形態に係る学習機能３０１Ａによる機械学習方法の一例を示すフローチャートである。

まず、ステップＳ１００において、学習用データ取得部３０１０Ａは、例えば、製造条件データベース３１０を参照し、複数のレコードにそれぞれ登録された複数の加熱条件を取得する。

次に、ステップＳ１１０において、学習用データ取得部３０１０Ａは、処理対象とする対象物領域１０－ｉを示す処理インデックスｉを「１」に初期化する。

次に、ステップＳ１２０において、学習用データ取得部３０１０Ａは、製造条件データベース３１０において、ステップＳ１００で取得した複数の加熱条件にそれぞれ関連付けられた複数の温度分布情報を参照し、処理インデックスｉで特定される対象物領域１０－ｉの温度をそれぞれ取得する。

次に、ステップＳ１２１において、学習用データ取得部３０１０Ａは、ステップＳ１００で取得した加熱条件を含む入力データと、ステップＳ１２０で取得した対象物領域１０－ｉの温度を含む出力データとをレコード別に組み合わせることで、複数組（レコード数分）の学習用データ１２－ｉを取得する。

次に、ステップＳ１３０において、機械学習部３０１１Ａは、ステップＳ１２１で取得された複数組の学習用データ１２－ｉを用いて、学習モデル１３－ｉの機械学習を実施する。

次に、ステップＳ１４０において、機械学習部３０１１Ａは、処理インデックスｉをインクリメントする。そして、ステップＳ１４１において、機械学習部３０１１Ａは、処理インデックスｉが対象物領域の分割数（図６の例では「７」、図７の例では「４」）を超えているか否かを判定する。

ステップＳ１４１の判定結果として、処理インデックスｉが対象物領域の分割数を超えていないと判定した場合には、ステップＳ１２０に戻り、次の対象物領域に対して同様の処理を行う。一方、処理インデックスｉが対象物領域の分割数を超えていると判定した場合には、ステップＳ１５０に進む。

そして、ステップＳ１５０において、機械学習部３０１１Ａは、ステップＳ１３０で機械学習が実施された学習済みの複数の学習モデル１３－１～１３－Ｎ（調整済みの重みパ
ラメータ群）を学習済みモデル管理データベース３１１に記憶する。

上記のようにして、図１１に示す一連の機械学習方法を終了する。機械学習方法において、ステップＳ１００～Ｓ１２１が学習用データ取得工程、ステップＳ１３０が機械学習工程、ステップＳ１５０が学習済みモデル記憶工程に相当する。なお、図１１に示す一連の処理では、複数の学習モデル１３－１～１３－Ｎの機械学習を直列で実施するものであるが、複数の学習モデル１３－１～１３－Ｎの機械学習は並列で実施するようにしてもよい。その場合には、例えば、各対象物領域１０－１～１０－Ｎに対応する学習用データ１２－１～１２－Ｎをそれぞれ取得し、複数の学習モデル１３－１～１３－Ｎの機械学習を並列に実施する処理を複数回繰り返すようにすればよい。機械学習を並列で実施する際には、任意の並列処理（コンピュータ並列、ＣＰＵ並列、ＧＰＵ並列等）を用いることができる。

以上のように、本実施形態に係る情報処理装置３Ａの情報処理機能３０２Ａ及び情報処理方法によれば、機械学習部３０１１Ａが、複数の学習モデル１３－１～１３－Ｎの機械学習を対象物領域毎に実施することで、加熱条件を含む入力データと、特定の対象物領域の温度を含む出力データとの相関関係を対象物領域毎に複数の学習モデル１３－１～１３－Ｎにそれぞれ学習させる。これにより、プリフォーム１０の全体について１つの学習モデルに一括して学習させるのではなく、各対象物領域１０－１～１０－Ｎにそれぞれ特化した複数の学習モデル１３－１～１３－Ｎに分割して学習させることができる。これにより、プリフォーム１０の各対象物領域について、対象物領域の温度を簡易かつ高精度に予測することが可能な学習済みモデルを生成することができる。

（情報処理方法）
図１２は、第１の実施形態に係る情報処理機能３０２Ａによる情報処理方法の一例を示すフローチャートである。

まず、ステップＳ２００において、情報取得部３０２０Ａは、プリフォーム１０の温度を調節する際の加熱条件を取得する。

次に、ステップＳ２１０において、情報生成部３０２１Ａは、処理対象とする対象物領域１０－ｊを示す処理インデックスｊを「１」に初期化する。

次に、ステップＳ２２０において、情報生成部３０２１Ａは、ステップＳ２００で取得された加熱条件を含む入力データを、処理インデックスｊで特定される対象物領域１０－ｊに対応する学習済みの学習モデル１３－ｊに入力する。そして、情報生成部３０２１Ａは、当該学習モデル１３－ｊから出力された出力データを記憶部３１に一時的に記憶する。

次に、ステップＳ２３０において、情報生成部３０２１Ａは、処理インデックスｊをインクリメントする。そして、ステップＳ２３１において、情報生成部３０２１Ａは、処理インデックスｊが対象物領域の分割数（図６の例では「７」、図７の例では「４」）を超えているか否かを判定する。

ステップＳ２３１の判定結果として、処理インデックスｊが対象物領域の分割数を超えていないと判定した場合には、ステップＳ２２０に戻り、次の対象物領域に対して同様の処理を行う。一方、処理インデックスｊが対象物領域の分割数を超えていると判定した場合には、ステップＳ２４０に進む。

そして、ステップＳ２４０において、情報生成部３０２１Ａは、ステップＳ２２０で一
時的に記憶した複数の出力データを参照し、当該複数の出力データにそれぞれ含まれる対象物領域毎の温度に基づいて、温度分布情報を生成する。

次に、ステップＳ２５０において、出力処理部３０２２は、ステップＳ２４０で生成された温度分布情報を出力するための出力処理として、例えば、当該温度分布情報を表示するための表示情報をユーザ端末装置４に送信する。その結果、ユーザ端末装置４が、その表示情報に基づいて表示画面を表示することで、温度分布情報がユーザに提示される。

上記のようにして、図１２に示す一連の情報処理方法を終了する。上記の情報処理方法において、ステップＳ２００が情報取得工程、ステップＳ２１０～Ｓ２４０が情報生成工程、ステップＳ２５０が出力処理工程に相当する。なお、一連の情報処理方法は、情報処理装置３Ａが加熱条件を取得できるタイミングであれば任意のタイミングで実行することができる。例えば、プリフォーム加熱装置２０ｄによるプリフォーム加熱処理が行われる前のタイミング（事前予測処理）に実行されてもよいし、プリフォーム加熱処理が行われている最中のタイミング（リアルタイム予測処理）に実行されてもよいし、プリフォーム加熱処理が行われた後のタイミング（事後予測処理）に実行されてもよい。

以上のように、本実施形態に係る情報処理装置３Ａの情報処理機能３０２Ａ及び情報処理方法によれば、プリフォーム１０に対する加熱条件を含む入力データを複数の学習モデル１３－１～１３－Ｎにそれぞれ入力することで、当該複数の学習モデル１３－１～１３－Ｎから出力された出力データに基づいて、当該プリフォーム１０の温度分布情報が生成される。

すなわち、プリフォーム１０の全体を一括してではなく、全体を複数に分割した対象物領域１０－１～１０－Ｎのそれぞれに対応する複数の学習モデル１３－１～１３－Ｎを用いて、各対象物領域１０－１～１０－Ｎの温度が個別に予測されることで、プリフォーム１０の全体における温度分布が予測される。これにより、プリフォーム１０が離散的な領域として取り扱われることになるため、プリフォーム１０の全体を連続的な領域として一括して取り扱うよりも複雑な計算が不要になるので、プリフォーム１０の温度分布を簡易かつ高精度に予想することができる。

また、複数の学習モデル１３－１～１３－Ｎとして、温度区分の分類結果を出力する分類モデルを用いることにより、各対象物領域１０－１～１０－Ｎの温度を相対的な指標として予測することができる。

（第２の実施形態）
第１の実施形態では、情報処理装置３Ａが、複数の学習モデル１３－１～１３－Ｎを用いたのに対し、第２の実施形態では、情報処理装置３Ｂが、単一の学習モデル１３Ａを用いる点で第１の実施形態と相違する。以下では、第２の実施形態に係る情報処理装置３Ｂについて、第１の実施形態と異なる部分を中心に説明する。

（情報処理装置３Ｂの構成）
図１３は、第２の実施形態に係る情報処理装置３Ｂの一例を示すブロック図である。制御部３０は、記憶部３１に記憶された情報処理プログラム３１２Ｂを実行することにより、情報管理機能３００、学習機能３０１Ｂ、及び、情報処理機能３０２Ｂを実現する。制御部３０は、学習機能３０１Ｂを実現する各部として、学習用データ取得部３０１０Ｂ、及び、機械学習部３０１１Ｂを備える。制御部３０は、情報処理機能３０２Ｂを実現する各部として、情報取得部３０２０Ｂ、情報生成部３０２１Ｂ、及び、出力処理部３０２２を備える。

（学習機能３０１Ｂ）
図１４は、第２の実施形態に係る学習機能３０１Ｂの一例を示す機能説明図である。情報処理装置３Ｂの学習用データ取得部３０１０Ｂ、及び、機械学習部３０１１Ｂは、製造条件データベース３１０（学習用データ記憶部）と、学習済みモデル管理データベース３１１（学習済みモデル記憶部）とを用いて、学習機能３０１Ｂを実現する。

学習済みモデル管理データベース３１１に登録される単一の学習モデル１３Ａは、加熱条件を少なくとも含む入力データが入力されて、特定の対象物領域の温度を含む出力データを出力する。なお、学習モデル１３Ａは、第１の実施形態と同様に、例えば、ニューラルネットワークの構造を採用したものである。

本実施形態では、単一の学習モデル１３Ａは、分類モデルであり、加熱条件とともに、複数の対象物領域１０－１～１０－Ｎのうち特定の対象物領域を示す領域情報を含む入力データが入力されることで、出力データとして、当該領域情報が示す特定の対象物領域の温度を、複数の温度区分に分類したときの温度区分の分類結果を出力する場合について説明する。

領域情報は、例えば、対象物領域１０－１～１０－Ｎから１つの対象物領域を特定するための情報である。領域情報は、例えば、各対象物領域１０－１～１０－Ｎに対して、プリフォーム１０のネック部側から順番に割り当てられたような英数字等の識別子で指定される。また、領域情報は、プリフォーム加熱装置２０ｄの構造に応じて指定されてもよいし、プリフォーム１０やボトル１１の特徴に応じて指定されてもよい。例えば、領域情報は、プリフォーム１０のネック部側の先端からの位置（距離）や重量、プリフォーム１０の胴径、ボトル１１のネック部側の先端からの位置（距離）や重量、ボトル１１の胴径、ストレッチロッドの先端からの位置（距離）等が用いられる。

学習用データ取得部３０１０Ｂは、加熱条件及び領域情報を含む入力データと、当該領域情報が示す特定の対象物領域の温度を含む出力データとで構成される学習用データ１２－１～１２－Ｎを複数組取得する。

機械学習部３０１１Ｂは、学習用データ取得部３０１０Ｂにより取得された複数組の学習用データ１２－１～１２－Ｎを用いて、単一の学習モデル１３Ａの機械学習を実施する。そして、機械学習部３０１１Ｂは、入力データと出力データとの相関関係を単一の学習モデル１３Ａに学習させることで、学習済みの単一の学習モデル１３Ａを生成する。

（情報処理機能３０２Ｂ）
図１５は、第２の実施形態に係る情報処理機能３０２Ｂの一例を示す機能説明図である。情報処理装置３Ｂの情報取得部３０２０Ｂ、情報生成部３０２１Ｂ、及び、出力処理部３０２２は、学習済みモデル管理データベース３１１を用いて、情報処理機能３０２Ｂを実現する。

情報取得部３０２０Ｂは、プリフォーム加熱装置２０ｄによりプリフォーム１０の温度を調節する際の加熱条件を取得する。

情報生成部３０２１Ｂは、情報取得部３０２０Ｂで取得された加熱条件とともに、複数の対象物領域１０－１～１０－Ｎのうちいずれかの対象物領域を示す領域情報をそれぞれ含む複数の入力データを単一の学習モデル１３Ａにそれぞれ入力する。そして、情報生成部３０２１Ｂは、当該単一の学習モデル１３Ａから出力された複数の出力データにそれぞれ含まれる対象物領域毎の温度に基づいて、温度分布情報を生成する。

（製造管理システム１の動作）
以下、製造管理システム１の動作として、情報処理装置３Ｂにより実現される各機能３０１Ｂ、３０２Ｂについて説明する。なお、情報処理装置３Ｂは、各種の情報を登録したり参照したりするために、各データベース３１０、３１１にアクセスするが、以下では、そのアクセスする動作については適宜省略して説明する。

（機械学習方法）
図１６は、第２の実施形態に係る学習機能３０１Ｂによる機械学習方法の一例を示すフローチャートである。

まず、ステップＳ３００において、学習用データ取得部３０１０Ｂは、製造条件データベース３１０を参照し、複数のレコードにそれぞれ登録された複数の加熱条件を取得する。

次に、ステップＳ３１０において、学習用データ取得部３０１０Ｂは、処理対象とする対象物領域１０－ｉを示す処理インデックスｉを「１」に初期化する。

次に、ステップＳ３２０において、学習用データ取得部３０１０Ｂは、製造条件データベース３１０において、ステップＳ３００で取得した複数の加熱条件にそれぞれ関連付けられた複数の温度分布情報を参照し、処理インデックスｉで特定される対象物領域１０－ｉの温度をそれぞれ取得する。

次に、ステップＳ３２１において、学習用データ取得部３０１０Ｂは、ステップＳ３００で取得した加熱条件とともに、処理インデックスｉで特定される対象物領域１０－ｉを示す領域情報を含む入力データと、ステップＳ３２０で取得した対象物領域１０－ｉの温度を含む出力データとをレコード別に組み合わせることで、複数組（レコード数分）の学習用データ１２－ｉを取得する。

次に、ステップＳ３３０において、機械学習部３０１１Ｂは、ステップＳ３２１で取得された複数組の学習用データ１２－ｉを用いて、単一の学習モデル１３Ａの機械学習を実施する。

次に、ステップＳ３４０において、機械学習部３０１１Ｂは、処理インデックスｉをインクリメントする。そして、ステップＳ３４１において、機械学習部３０１１Ｂは、処理インデックスｉが対象物領域の分割数（図６の例では「７」、図７の例では「４」）を超えているか否かを判定する。

ステップＳ３４１の判定結果として、処理インデックスｉが対象物領域の分割数を超えていないと判定した場合には、ステップＳ３２０に戻り、次の対象物領域に対して同様の処理を行う。一方、処理インデックスｉが対象物領域の分割数を超えていると判定した場合には、ステップＳ３５０に進む。

そして、ステップＳ３５０において、機械学習部３０１１Ｂは、ステップＳ３３０で機械学習が実施された学習済みの単一の学習モデル１３Ａ（調整済みの重みパラメータ群）を学習済みモデル管理データベース３１１に記憶する。

上記のようにして、図１６に示す一連の機械学習方法を終了する。機械学習方法において、ステップＳ３００～Ｓ３２１が学習用データ取得工程、ステップＳ３３０が機械学習工程、ステップＳ３５０が学習済みモデル記憶工程に相当する。なお、図１６に示す一連の処理では、単一の学習モデル１３Ａの機械学習に用いる学習用データ１２－ｉを対象物
領域毎に順番に取得し、単一の学習モデル１３Ａの機械学習を実施したが、学習用データ１２－ｉを対象物領域毎に取得せずにランダムに取得するようにしてもよい。その場合には、例えば、各対象物領域１０－１～１０－Ｎに対応する学習用データ１２－１～１２－Ｎをランダムで取得し、単一の学習モデル１３Ａの機械学習を実施する処理を複数回繰り返すようにすればよい。

以上のように、本実施形態に係る情報処理装置３Ｂの学習機能３０１Ｂ及び機械学習方法によれば、機械学習部３０１１Ｂが、単一の学習モデル１３Ａの機械学習を実施することで、加熱条件を含む入力データと、特定の対象物領域の温度を含む出力データとの相関関係を単一の学習モデル１３Ａに学習させる。これにより、プリフォーム１０の全体について単一の学習モデル１３Ａに学習させる際に、各対象物領域１０－１～１０－Ｎにそれぞれ特化して学習させることができる。これにより、プリフォーム１０の各対象物領域について、対象物領域の温度を簡易かつ高精度に予測することが可能な学習済みモデルを生成することができる。

（情報処理方法）
図１７は、第２の実施形態に係る情報処理機能３０２Ｂによる情報処理方法の一例を示すフローチャートである。

まず、ステップＳ４００において、情報取得部３０２０Ｂは、プリフォーム加熱装置２０ｄによりプリフォーム１０の温度を調節する際の加熱条件を取得する。

次に、ステップＳ４１０において、情報生成部３０２１Ｂは、処理対象とする対象物領域１０－ｊを示す処理インデックスｊを「１」に初期化する。

次に、ステップＳ４２０において、情報生成部３０２１Ｂは、ステップＳ４００で取得された加熱条件とともに、処理インデックスｊで特定される対象物領域１０－ｊを示す領域情報を含む入力データを単一の学習モデル１３Ａに入力する。そして、情報生成部３０２１Ｂは、当該学習モデル１３Ａから出力された出力データを記憶部３１に一時的に記憶する。

次に、ステップＳ４３０において、情報生成部３０２１Ｂは、処理インデックスｊをインクリメントする。そして、ステップＳ４３１において、情報生成部３０２１Ｂは、処理インデックスｊが対象物領域の分割数（図６の例では「７」、図７の例では「４」）を超えているか否かを判定する。

ステップＳ４３１の判定結果として、処理インデックスｊが対象物領域の分割数を超えていないと判定した場合には、ステップＳ４２０に戻り、次の対象物領域に対して同様の処理を行う。一方、処理インデックスｊが対象物領域の分割数を超えていると判定した場合には、ステップＳ４４０に進む。

そして、ステップＳ４４０において、情報生成部３０２１Ｂは、ステップＳ４２０で一時的に記憶した複数の出力データを参照し、当該複数の出力データにそれぞれ含まれる対象物領域毎の温度に基づいて、温度分布情報を生成する。

次に、ステップＳ４５０において、出力処理部３０２２は、ステップＳ４４０で生成された温度分布情報を出力するための出力処理を行い、その結果として、温度分布情報がユーザに提示される。

上記のようにして、図１７に示す一連の情報処理方法を終了する。上記の情報処理方法
において、ステップＳ４００が情報取得工程、ステップＳ４１０～Ｓ４４０が情報生成工程、ステップＳ４５０が出力処理工程に相当する。なお、一連の情報処理方法は、情報処理装置３Ｂが加熱条件を取得できるタイミングであれば任意のタイミングで実行することができる。

以上のように、本実施形態に係る情報処理装置３Ｂの情報処理機能３０２Ｂ及び情報処理方法によれば、プリフォーム１０に対する加熱条件及び領域情報を含む複数の入力データを単一の学習モデル１３Ａにそれぞれ入力することで、当該単一の学習モデル１３Ａから出力された出力データに基づいて、当該プリフォーム１０の温度分布情報が生成される。

すなわち、プリフォーム１０の全体を一括してではなく、全体を複数に分割した対象物領域１０－１～１０－Ｎのそれぞれに対応する単一の学習モデル１３Ａを用いて、各対象物領域１０－１～１０－Ｎの温度が個別に予測されることで、プリフォーム１０の全体における温度分布が予測される。これにより、プリフォーム１０が離散的な領域として取り扱われることになるため、プリフォーム１０の全体を連続的な領域として一括して取り扱うよりも複雑な計算が不要になるので、プリフォーム１０の温度分布を簡易かつ高精度に予想することができる。

また、単一の学習モデル１３Ａとして、温度区分の分類結果を出力する分類モデルを用いることにより、各対象物領域１０－１～１０－Ｎの温度を相対的な指標として予測することができる。

（第３実施形態）
第２の実施形態では、情報処理装置３Ａが、加熱条件及び領域情報を含む入力データが入力されることで、当該領域情報が示す特定の対象物領域の温度を出力する単一の学習モデル１３Ａを用いたのに対し、第３の実施形態では、情報処理装置３Ｃが、加熱条件を含む入力データが入力されることで、対象物領域毎の温度を出力する単一の学習モデル１３Ｂを用いる点で第２の実施形態と相違する。以下では、第３の実施形態に係る情報処理装置３Ｃについて、第１の実施形態と異なる部分を中心に説明する。

（情報処理装置３Ｃの構成）
図１８は、第３の実施形態に係る情報処理装置３Ｃの一例を示すブロック図である。制御部３０は、記憶部３１に記憶された情報処理プログラム３１２Ｃを実行することにより、情報管理機能３００、学習機能３０１Ｃ、及び、情報処理機能３０２Ｃを実現する。制御部３０は、学習機能３０１Ｃを実現する各部として、学習用データ取得部３０１０Ｃ、及び、機械学習部３０１１Ｃを備える。制御部３０は、情報処理機能３０２Ｃを実現する各部として、情報取得部３０２０Ｃ、情報生成部３０２１Ｃ、及び、出力処理部３０２２を備える。

（学習機能３０１Ｃ）
図１９は、第３の実施形態に係る学習機能３０１Ｃの一例を示す機能説明図である。情報処理装置３Ｃの学習用データ取得部３０１０Ｃ、及び、機械学習部３０１１Ｃは、製造条件データベース３１０（学習用データ記憶部）と、学習済みモデル管理データベース３１１（学習済みモデル記憶部）とを用いて、学習機能３０１Ｃを実現する。

学習済みモデル管理データベース３１１に登録される単一の学習モデル１３Ｂは、加熱条件を少なくとも含む入力データが入力されて、対象物領域毎の温度を含む出力データを出力する。なお、学習モデル１３Ｂは、第１の実施形態と同様に、例えば、ニューラルネットワークの構造を採用したものである。

本実施形態では、単一の学習モデル１３Ｂは、分類モデルであり、加熱条件を含む入力データが入力されることで、出力データとして、対象物領域毎の温度を、複数の温度区分に分類したときの温度区分の分類結果を出力する場合について説明する。

学習用データ取得部３０１０Ｃは、加熱条件を含む入力データと、対象物領域毎の温度を含む出力データとで構成される学習用データ１２を複数組取得する。

機械学習部３０１１Ｃは、学習用データ取得部３０１０Ｃにより取得された複数組の学習用データ１２を用いて、単一の学習モデル１３Ｂの機械学習を実施する。そして、機械学習部３０１１Ｃは、入力データと出力データとの相関関係を単一の学習モデル１３Ｂに学習させることで、学習済みの単一の学習モデル１３Ｂを生成する。

（情報処理機能３０２Ｃ）
図２０は、第３の実施形態に係る情報処理機能３０２Ｃの一例を示す機能説明図である。情報処理装置３Ｃの情報取得部３０２０Ｃ、情報生成部３０２１Ｃ、及び、出力処理部３０２２は、学習済みモデル管理データベース３１１を用いて、情報処理機能３０２Ｃを実現する。

情報取得部３０２０Ｃは、プリフォーム加熱装置２０ｄによりプリフォーム１０の温度を調節する際の加熱条件を取得する。

情報生成部３０２１Ｃは、情報取得部３０２０Ｃで取得された加熱条件を含む入力データを単一の学習モデル１３Ｂに入力する。そして、情報生成部３０２１Ｃは、当該単一の学習モデル１３Ｂから出力された出力データに含まれる対象物領域毎の温度に基づいて、温度分布情報を生成する。

（製造管理システム１の動作）
以下、製造管理システム１の動作として、情報処理装置３Ｃにより実現される各機能３０１Ｃ、３０２Ｃについて説明する。なお、情報処理装置３Ｃは、各種の情報を登録したり参照したりするために、各データベース３１０、３１１にアクセスするが、以下では、そのアクセスする動作については適宜省略して説明する。

（機械学習方法）
図２１は、第３の実施形態に係る学習機能３０１Ｃによる機械学習方法の一例を示すフローチャートである。

まず、ステップＳ５００において、学習用データ取得部３０１０Ｃは、製造条件データベース３１０を参照し、複数のレコードにそれぞれ登録された複数の加熱条件を取得する。

次に、ステップＳ５１０において、学習用データ取得部３０１０Ｃは、製造条件データベース３１０において、ステップＳ５００で取得した複数の加熱条件にそれぞれ関連付けられた複数の温度分布情報を参照し、対象物領域毎の温度をそれぞれ取得する。

次に、ステップＳ５１１において、学習用データ取得部３０１０Ｃは、ステップＳ５００で取得した加熱条件を含む入力データと、ステップＳ５１０で取得した対象物領域毎の温度を含む出力データとをレコード別に組み合わせることで、複数組（レコード数分）の学習用データ１２を取得する。

次に、ステップＳ５２０において、機械学習部３０１１Ｃは、ステップＳ５１１で取得された複数組の学習用データ１２を用いて、単一の学習モデル１３Ｂの機械学習を実施する。

そして、ステップＳ５３０において、機械学習部３０１１Ｃは、ステップＳ５２０で機械学習が実施された学習済みの単一の学習モデル１３Ｂ（調整済みの重みパラメータ群）を学習済みモデル管理データベース３１１に記憶する。

上記のようにして、図２１に示す一連の機械学習方法を終了する。機械学習方法において、ステップＳ５００～Ｓ５１１が学習用データ取得工程、ステップＳ５２０が機械学習工程、ステップＳ５３０が学習済みモデル記憶工程に相当する。

以上のように、本実施形態に係る情報処理装置３Ｃの学習機能３０１Ｃ及び機械学習方法によれば、機械学習部３０１１Ｃが、単一の学習モデル１３Ｂの機械学習を実施することで、加熱条件を含む入力データと、対象物領域毎の温度を含む出力データとの相関関係を単一の学習モデル１３Ｂに学習させる。これにより、プリフォーム１０の全体について単一の学習モデル１３Ｂに学習させる際に、各対象物領域１０－１～１０－Ｎにそれぞれ特化して学習させることができる。これにより、プリフォーム１０の各対象物領域について、対象物領域の温度を簡易かつ高精度に予測することが可能な学習済みモデルを生成することができる。

（情報処理方法）
図２２は、第３の実施形態に係る情報処理機能３０２Ｃによる情報処理方法の一例を示すフローチャートである。

まず、ステップＳ６００において、情報取得部３０２０Ｃは、プリフォーム加熱装置２０ｄによりプリフォーム１０の温度を調節する際の加熱条件を取得する。

次に、ステップＳ６１０において、情報生成部３０２１Ｃは、ステップＳ６００で取得された加熱条件を含む入力データを単一の学習モデル１３Ｂに入力する。そして、情報生成部３０２１Ｃは、当該学習モデル１３Ｂから出力された出力データに含まれる対象物領域毎の温度に基づいて、温度分布情報を生成する。

次に、ステップＳ６２０において、出力処理部３０２２は、ステップＳ６１０で生成された温度分布情報を出力するための出力処理を行い、その結果として、温度分布情報がユーザに提示される。

上記のようにして、図２２に示す一連の情報処理方法を終了する。上記の情報処理方法において、ステップＳ６００が情報取得工程、ステップＳ６１０が情報生成工程、ステップＳ６２０が出力処理工程に相当する。なお、一連の情報処理方法は、情報処理装置３Ｃが加熱条件を取得できるタイミングであれば任意のタイミングで実行することができる。

以上のように、本実施形態に係る情報処理装置３Ｃの情報処理機能３０２Ｃ及び情報処理方法によれば、プリフォーム１０に対する加熱条件を含む入力データを単一の学習モデル１３Ｂに入力することで、当該単一の学習モデル１３Ｂから出力された出力データに基づいて、当該プリフォーム１０の温度分布情報が生成される。

すなわち、プリフォーム１０の全体を一括してではなく、全体を複数に分割した各対象物領域１０－１～１０－Ｎの温度が予測されることで、プリフォーム１０の全体における温度分布が予測される。これにより、プリフォーム１０が離散的な領域として取り扱われ
ることになるため、プリフォーム１０の全体を連続的な領域として一括して取り扱うよりも複雑な計算が不要になるので、プリフォーム１０の温度分布を簡易かつ高精度に予想することができる。

また、単一の学習モデル１３Ｂとして、温度区分の分類結果を出力する分類モデルを用いることにより、各対象物領域１０－１～１０－Ｎの温度を相対的な指標として予測することができる。

（他の実施形態）
本発明は上述した実施形態に制約されるものではなく、本発明の主旨を逸脱しない範囲内で種々変更して実施することが可能である。そして、それらはすべて、本発明の技術思想に含まれるものである。

上記実施形態では、情報処理装置３Ａ～３Ｃが、単一又は複数の学習モデルを用いて、対象物の一形態であるプリフォーム１０を加熱する際の加熱条件から温度分布情報を生成する場合について説明した。これに対し、情報処理装置３Ａ～３Ｃは、同様の機能により対象物を冷却する際の冷却条件から温度分布情報を生成するものとしてもよい。すなわち、情報処理装置３Ａ～３Ｃは、対象物の温度を調節する際の温度調節条件（加熱条件や冷却条件を含む）を少なくとも含む入力データを単一又は複数の学習モデルに入力することで当該単一又は複数の学習モデルから出力された出力データに基づいて、当該入力データに含まれる温度調節条件に従って対象物の温度が調節されたときの当該対象物の温度分布情報を生成するものでもよい。その際、情報処理装置３Ａ～３Ｃは、例えば、プリフォーム加熱装置２０ｄのような加熱装置だけなく、冷却装置も含む温度調節装置により対象物の温度が調節する際の温度調節条件を取得すればよい。

上記実施形態では、情報処理装置３Ａ～３Ｃが備える複数の機能は、１つの装置で実現されるものとして説明したが、各機能が複数の装置（コンピュータ）に分散されることで複数の装置で実現されてもよい。例えば、学習機能３０１Ａ～３０１Ｃを少なくとも実現する情報処理装置３Ａ～３Ｃは、機械学習装置として動作するが、学習機能３０１Ａ～３０１Ｃを実現する機械学習装置と、情報処理機能３０２Ａ、３０２Ｂを実現する情報処理装置３Ａ～３Ｃとは異なる装置として構成されてもよい。

上記実施形態では、情報処理装置３Ａ～３Ｃが通信部３２を備え、通信部３２を介してユーザ端末装置４との間で各種のデータを送受信するものとして説明したが、情報処理装置３Ａ～３Ｃは、単独の装置として動作するものでもよい。その際、情報処理装置３Ａ～３Ｃは、通信部３２を備えなくてもよい。

上記実施形態では、情報処理装置３Ａ～３Ｃが、図１１、図１２、図１６及び図１７に示すフローチャートに従って動作する場合について説明したが、各工程（各部）の一部が省略されてもよいし、他の工程が追加されてもよい。その際、省略した各工程（各部）は、外部のシステムで実行されてもよい。

上記実施形態では、学習機能３０１Ａ～３０１Ｃによる機械学習を実現する学習モデルとして、ニューラルネットワークを採用した場合について説明したが、他の機械学習のモデルを採用してもよい。他の機械学習のモデルとしては、例えば、決定木、回帰木等のツリー型、バギング、ブースティング等のアンサンブル学習、再帰型ニューラルネットワーク、畳み込みニューラルネットワーク、ＬＳＴＭ等のニューラルネット型(ディープラー
ニングを含む)、階層型クラスタリング、非階層型クラスタリング、ｋ近傍法、ｋ平均法
等のクラスタリング型、主成分分析、因子分析、ロジスティク回帰等の多変量解析、サポートベクターマシン等が挙げられる。

以下、本開示の諸態様を付記としてまとめて記載する。

（付記１）
対象物の温度を調節する際の温度調節条件を取得する情報取得部と、
前記情報取得部で取得された前記温度調節条件を少なくとも含む入力データを単一又は複数の学習モデルに入力することで当該単一又は複数の学習モデルから出力された出力データに基づいて、当該入力データに含まれる前記温度調節条件に従って前記対象物の温度が調節されたときの当該対象物の温度分布情報を生成する情報生成部と、を備え、
前記温度分布情報は、前記対象物を複数の対象物領域に分割したときの前記対象物領域毎の温度を示す情報である、
情報処理装置。

（付記２）
前記複数の学習モデルは、
前記温度調節条件を含む入力データと、前記複数の対象物領域のうち特定の対象物領域の温度を含む出力データとで構成される学習用データを用いて、前記対象物領域毎に機械学習がそれぞれ行われることで、
前記入力データと前記出力データとの相関関係を前記対象物領域毎にそれぞれ学習させた学習済みモデルであり、
前記情報生成部は、
前記情報取得部で取得された前記温度調節条件を含む前記入力データを前記複数の学習モデルにそれぞれ入力することで当該複数の学習モデルから出力された複数の前記出力データにそれぞれ含まれる前記対象物領域毎の前記温度に基づいて、前記温度分布情報を生成する、
付記１に記載の情報処理装置。

（付記３）
前記単一の学習モデルは、
前記温度調節条件とともに、前記複数の対象物領域のうち特定の対象物領域を示す領域情報を含む入力データと、当該領域情報が示す前記特定の対象物領域の温度を含む出力データとで構成される学習用データを用いて機械学習が行われることで、
前記入力データと前記出力データとの相関関係を学習させた学習済みモデルであり、
前記情報生成部は、
前記情報取得部で取得された前記温度調節条件とともに、前記複数の対象物領域のうちいずれかの対象物領域を示す領域情報をそれぞれ含む複数の前記入力データを前記単一の学習モデルにそれぞれ入力することで当該単一の学習モデルから出力された複数の前記出力データにそれぞれ含まれる前記対象物領域毎の前記温度に基づいて、前記温度分布情報を生成する、
付記１に記載の情報処理装置。

（付記４）
前記単一の学習モデルは、
前記温度調節条件を含む入力データと、前記対象物領域毎の温度を含む出力データとで構成される学習用データを用いて機械学習が行われることで、
前記入力データと前記出力データとの相関関係を学習させた学習済みモデルであり、
前記情報生成部は、
前記情報取得部で取得された前記温度調節条件を含む前記入力データを前記単一の学習モデルに入力することで当該単一の学習モデルから出力された前記出力データに含まれる前記対象物領域毎の前記温度に基づいて、前記温度分布情報を生成する、
付記１に記載の情報処理装置。

（付記５）
前記単一又は複数の学習モデルは、
前記出力データとして、前記対象物領域の温度を複数の温度区分に分類したときの前記温度区分の分類結果を出力する、
付記１乃至付記４のいずれか一項に記載の情報処理装置。

（付記６）
前記情報取得部は、
所定の配置方向に間隔を空けた複数の配置位置にそれぞれ配置された複数の温度調節装置により前記対象物の温度を調節する際の前記温度調節装置毎の装置設定値を含む前記温度調節条件を取得し、
前記情報生成部は、
前記対象物を、前記配置方向に対して隣り合う任意の２つの前記温度調節装置がそれぞれ配置された前記配置位置の間で複数の前記対象物領域に分割したときの前記対象物領域毎の温度を示す温度分布情報を生成する、
付記１乃至付記５のいずれか一項に記載の情報処理装置。

（付記７）
前記対象物は、
ブロー成形により被成形体を所定の延伸方向に延伸して成形体を製造するときの前記被成形体であり、
前記情報生成部は、
前記成形体を前記延伸方向に対して複数の成形体領域に分割したときの前記複数の成形体領域を、前記被成形体を前記成形体に延伸したときの延伸倍率に基づいて縮尺した複数の被成形体領域を前記複数の対象物領域としたときの前記対象物領域毎の温度を示す温度分布情報を生成する、
付記１乃至付記６のいずれか一項に記載の情報処理装置。

１…製造管理システム、２…ボトル製造装置、３Ａ～３Ｃ…情報処理装置、
４…ユーザ端末装置、１０…プリフォーム（対象物、被成形体）、
１０－１～１０－Ｎ…対象物領域（被成形体領域）、１１…ボトル（成形体）、
１２、１２－１～１２－Ｎ…学習用データ、
１３Ａ、１３Ｂ、１３－１～１３－Ｎ…学習モデル、
３０…制御部、３１…記憶部、３２…通信部、３３…入力部、３４…表示部、
３００…情報管理機能、３０１Ａ～３０１Ｃ…学習機能、
３０２Ａ～３０２Ｃ…情報処理機能、
３１０…製造条件データベース、３１１…学習済みモデル管理データベース、
３１２Ａ～３１２Ｃ…情報処理プログラム、
３０１０Ａ～３０１０Ｃ…学習用データ取得部、３０１１Ａ～３０１１Ｃ…機械学習部、３０２０Ａ～３０２０Ｃ…情報取得部、３０２１Ａ～３０２１Ｃ…情報生成部、
３０２２…出力処理部

Claims (14)

1. 対象物の温度を調節する際の温度調節条件を取得する情報取得部と、
   前記情報取得部で取得された前記温度調節条件を少なくとも含む入力データを単一又は複数の学習モデルに入力することで当該単一又は複数の学習モデルから出力された出力データに基づいて、当該入力データに含まれる前記温度調節条件に従って前記対象物の温度が調節されたときの当該対象物の温度分布情報を生成する情報生成部と、を備え、
   前記温度分布情報は、前記対象物を複数の対象物領域に分割したときの前記対象物領域毎の温度を示す情報である、
   情報処理装置。
2. 前記複数の学習モデルは、
   前記温度調節条件を含む入力データと、前記複数の対象物領域のうち特定の対象物領域の温度を含む出力データとで構成される学習用データを用いて、前記対象物領域毎に機械学習がそれぞれ行われることで、
   前記入力データと前記出力データとの相関関係を前記対象物領域毎にそれぞれ学習させた学習済みモデルであり、
   前記情報生成部は、
   前記情報取得部で取得された前記温度調節条件を含む前記入力データを前記複数の学習モデルにそれぞれ入力することで当該複数の学習モデルから出力された複数の前記出力データにそれぞれ含まれる前記対象物領域毎の前記温度に基づいて、前記温度分布情報を生成する、
   請求項１に記載の情報処理装置。
3. 前記単一の学習モデルは、
   前記温度調節条件とともに、前記複数の対象物領域のうち特定の対象物領域を示す領域情報を含む入力データと、当該領域情報が示す前記特定の対象物領域の温度を含む出力データとで構成される学習用データを用いて機械学習が行われることで、
   前記入力データと前記出力データとの相関関係を学習させた学習済みモデルであり、
   前記情報生成部は、
   前記情報取得部で取得された前記温度調節条件とともに、前記複数の対象物領域のうちいずれかの対象物領域を示す領域情報をそれぞれ含む複数の前記入力データを前記単一の学習モデルにそれぞれ入力することで当該単一の学習モデルから出力された複数の前記出力データにそれぞれ含まれる前記対象物領域毎の前記温度に基づいて、前記温度分布情報を生成する、
   請求項１に記載の情報処理装置。
4. 前記単一の学習モデルは、
   前記温度調節条件を含む入力データと、前記対象物領域毎の温度を含む出力データとで構成される学習用データを用いて機械学習が行われることで、
   前記入力データと前記出力データとの相関関係を学習させた学習済みモデルであり、
   前記情報生成部は、
   前記情報取得部で取得された前記温度調節条件を含む前記入力データを前記単一の学習モデルに入力することで当該単一の学習モデルから出力された前記出力データに含まれる前記対象物領域毎の前記温度に基づいて、前記温度分布情報を生成する、
   請求項１に記載の情報処理装置。
5. 前記単一又は複数の学習モデルは、
   前記出力データとして、前記対象物領域の温度を複数の温度区分に分類したときの前記温度区分の分類結果を出力する、
   請求項１乃至請求項４のいずれか一項に記載の情報処理装置。
6. 前記情報取得部は、
   所定の配置方向に間隔を空けた複数の配置位置にそれぞれ配置された複数の温度調節装置により前記対象物の温度を調節する際の前記温度調節装置毎の装置設定値を含む前記温度調節条件を取得し、
   前記情報生成部は、
   前記対象物を、前記配置方向に対して隣り合う任意の２つの前記温度調節装置がそれぞれ配置された前記配置位置の間で複数の前記対象物領域に分割したときの前記対象物領域毎の温度を示す温度分布情報を生成する、
   請求項１乃至請求項４のいずれか一項に記載の情報処理装置。
7. 前記対象物は、
   ブロー成形により被成形体を所定の延伸方向に延伸して成形体を製造するときの前記被成形体であり、
   前記情報生成部は、
   前記成形体を前記延伸方向に対して複数の成形体領域に分割したときの前記複数の成形体領域を、前記被成形体を前記成形体に延伸したときの延伸倍率に基づいて縮尺した複数の被成形体領域を前記複数の対象物領域としたときの前記対象物領域毎の温度を示す温度分布情報を生成する、
   請求項１乃至請求項４のいずれか一項に記載の情報処理装置。
8. 対象物の温度を調節する際の温度調節条件を含む入力データと、前記対象物を複数の対象物領域に分割したときの前記複数の対象物領域のうち特定の対象物領域の温度を含む出力データとで構成される学習用データを複数組取得する学習用データ取得部と、
   前記学習用データ取得部により取得された複数組の前記学習用データを用いて、複数の学習モデルの機械学習を前記対象物領域毎に実施することで、前記入力データと出力データとの相関関係を前記対象物領域毎に複数の学習モデルにそれぞれ学習させる機械学習部と、
   前記機械学習部により前記相関関係を学習させた前記複数の学習モデルを記憶する学習済みモデル記憶部と、を備える、
   機械学習装置。
9. 対象物の温度を調節する際の温度調節条件とともに、前記対象物を複数の対象物領域に分割したときの前記複数の対象物領域のうち特定の対象物領域を示す領域情報を含む入力データと、当該領域情報が示す前記特定の対象物領域の温度を含む出力データとで構成される学習用データを複数組取得する学習用データ取得部と、
   前記学習用データ取得部により取得された複数組の前記学習用データを用いて、単一の学習モデルの機械学習を実施することで、前記入力データと出力データとの相関関係を単一の学習モデルに学習させる機械学習部と、
   前記機械学習部により前記相関関係を学習させた前記単一の学習モデルを記憶する学習済みモデル記憶部と、を備える、
   機械学習装置。
10. 対象物の温度を調節する際の温度調節条件を含む入力データと、前記対象物領域毎の温度を含む出力データとで構成される学習用データを複数組取得する学習用データ取得部と、
    前記学習用データ取得部により取得された複数組の前記学習用データを用いて、単一の学習モデルの機械学習を実施することで、前記入力データと出力データとの相関関係を単一の学習モデルに学習させる機械学習部と、
    前記機械学習部により前記相関関係を学習させた前記単一の学習モデルを記憶する学習済みモデル記憶部と、を備える、
    機械学習装置。
11. コンピュータにより実行される情報処理方法であって、
    対象物の温度を調節する際の温度調節条件を取得する情報取得工程と、
    前記情報取得工程で取得された前記温度調節条件を少なくとも含む入力データを単一又は複数の学習モデルに入力することで当該単一又は複数の学習モデルから出力された出力データに基づいて、当該入力データに含まれる前記温度調節条件に従って前記対象物の温度が調節されたときの当該対象物の温度分布情報を生成する情報生成工程と、を備え、
    前記温度分布情報は、前記対象物を複数の対象物領域に分割したときの前記対象物領域毎の温度を示す情報である、
    情報処理方法。
12. コンピュータにより実行される機械学習方法であって、
    対象物の温度を調節する際の温度調節条件を含む入力データと、前記対象物を複数の対象物領域に分割したときの前記複数の対象物領域のうち特定の対象物領域の温度を含む出力データとで構成される学習用データを複数組取得する学習用データ取得工程と、
    前記学習用データ取得工程により取得された複数組の前記学習用データを用いて、複数の学習モデルの機械学習を前記対象物領域毎に実施することで、前記入力データと出力データとの相関関係を前記対象物領域毎に複数の学習モデルにそれぞれ学習させる機械学習工程と、
    前記機械学習工程により前記相関関係を学習させた前記複数の学習モデルを学習済みモデル記憶部に記憶する学習済みモデル記憶工程と、を備える、
    機械学習方法。
13. コンピュータにより実行される機械学習方法であって、
    対象物の温度を調節する際の温度調節条件とともに、前記対象物を複数の対象物領域に分割したときの前記複数の対象物領域のうち特定の対象物領域を示す領域情報を含む入力データと、当該領域情報が示す前記特定の対象物領域の温度を含む出力データとで構成される学習用データを複数組取得する学習用データ取得工程と、
    前記学習用データ取得工程により取得された複数組の前記学習用データを用いて、単一の学習モデルの機械学習を実施することで、前記入力データと出力データとの相関関係を単一の学習モデルに学習させる機械学習工程と、
    前記機械学習工程により前記相関関係を学習させた前記単一の学習モデルを学習済みモデル記憶部に記憶する学習済みモデル記憶工程と、を備える、
    機械学習方法。
14. コンピュータにより実行される機械学習方法であって、
    対象物の温度を調節する際の温度調節条件を含む入力データと、前記対象物領域毎の温度を含む出力データとで構成される学習用データを複数組取得する学習用データ取得工程と、
    前記学習用データ取得工程により取得された複数組の前記学習用データを用いて、単一の学習モデルの機械学習を実施することで、前記入力データと出力データとの相関関係を単一の学習モデルに学習させる機械学習工程と、
    前記機械学習工程により前記相関関係を学習させた前記単一の学習モデルを学習済みモデル記憶部に記憶する学習済みモデル記憶工程と、を備える、
    機械学習方法。