JP6729330B2 - 製造工期予測装置、製造工期予測方法、およびコンピュータプログラム - Google Patents

Description

本発明は、製造工期予測装置、製造工期予測方法、およびコンピュータプログラムに関し、特に、製造仕様が異なる複数の製品を複数の製造工程を経て製造する際の当該製品の製造に要する期間である製造工期を予測するために用いて好適なものである。

鉄鋼業を始めとする多くの産業における製品製造プロセスでは、顧客からの注文の内容に応じて適切に製品を製造することが求められる。例えば、鉄鋼業においては、顧客が要求する製品仕様（サイズ、強度、表面塗装有無等）を含む製品注文情報に合う製品を、要求された量だけ、要求された期日に納入することが求められている。

また、顧客のニーズの多様化に伴い、製品注文情報、注文量、納期が注文毎に異なり、且つ、それぞれの注文の注文量が少量となってきており、いわゆる多品種少量生産が必要とされる傾向が強くなっている。よって、製品製造プロセスにおいては、全ての製品注文情報を満足する製品を低コストで製造することが求められている。さらに最近では、注文から納入までの期間が従来よりも短い、いわゆる「短工期」で製品を納入できることが製品の付加価値の一つとして大きな意味を持つようになってきている。

以上のような背景の下、製造コストの増大を招くことなく、これらの要求に耐え得る製造実力を持つことが製造業に要求されている。これらの要求に対応する製造計画を立案する際には、通常は、注文毎に納期から標準製造工期（標準リードタイム）で遡ることで上流工程の作業着手希望日を定め、この作業着手希望日をできるだけ満たしつつ、製造ロットや生産能力等の他の計画立案上の条件を考慮して製造計画を立案している。

ところが、実際の製造工場においては、処理工程の処理能力に制約があるために、各工程の仕掛による処理待ちが発生することや、処理工程の製造設備の故障等、操業上の様々な変動要素があることから、たとえ同一の製品注文情報の注文を製造する場合であっても、実際の製造に必要な期間はばらつくことが多い。このように、製造工期の変動が生じることから、前述した標準製造工期で納期から遡ることで上流工程の製造着手目標時期を定め、その製造着手目標時期に上流工程での製造に着手したとしても納期を守れないことがある。

また、このような納期遅れが発生しないようにするため、標準製造工期の算出にあたって、製造に必要な製造工期に、前記のような製造工期の変動を吸収するための余裕製造工期を加算することがある。このように余裕製造工期を含む標準製造工期を用いて最上流の製品製造プロセスでの作業希望日を計算すると、実際に必要な製造工期よりもかなり早めのタイミングで製造を開始することとなる。早期の製造開始は、途中工程での仕掛や倉庫における在庫となり、これらの仕掛や在庫がリードタイムの増大を招く。また、製品置場への半製品の占有に伴うハンドリング負荷の増大によって製造能力の阻害を招き、結果として製造工期を延ばすという悪循環が発生する。そのため、製造工期を精度良く予測することが望まれる。

製品を製造する場合、その製品仕様を満たす製品を造るために必要となる製造工程の製造条件（製法や切断方法など）は製品の受注後に定められており、製品仕様と製造工程の製造条件とを合わせて製造仕様と呼び、注文データとして記憶・管理される。この製造仕様に従って、製品が製造される。製品の製造フロー（各製造工程の通過の有無を示す0-1の情報を所定の順番で並べた値である通過工程パターン）が製造前に全て決まっている場合には、製造工程毎の製造工期分布を過去の処理実績等から算出しておき、製造フローに含まれる製造工程の製造工期分布を足し合わせることで、製造工期を算出（予測）することが可能である。ここで、製造工程の通過とは、当該製造工程で処理（例えば、熱処理、加工、保管）がなされることを指す。また、0-1の情報として、例えば、通過した製造工程に対し「１」が、通過しなかった製造工程に対し「０」が与えられる。

しかしながら、造り込みの難しい製品を製造する複雑な製造工場においては、基本となる製造フローは定まっているものの、製造の途中で処理工程が追加されたり、製造前に設備の使用回数が分からなかったりすることも多い。したがって、このような場合、前述した算出方法では製造工期を精度良く予測することが困難である。

このような問題を解決する為に、特許文献１では、過去に製造した製品の製造仕様と、各製造工程の通過の有無の実績値を示す情報である通過有無実績と、製品を製造するのに要した工期（製造工期）の実績を示す情報である実績製造工期とを含む製造実績データから、各製品の製造工期の確率分布を予測する手法が開示されている。この手法は、先ず、製造工程別の製造工期の分布を規定するパラメータを導出した後、通過工程パターン毎にその製造工期の分布Ｐ_Δ（ｔ_Δ｜ｋ）を予測する（ｋは通過工程パターンの番号、ｔ_Δは離散化された工期を表す）。次に、各製品の製造仕様と各製品の各製造工程における通過有無実績とから各製品の品種ｌ(ｌは品種の番号を表す)を規定し、その品種別に各通過工程パターンの発生率ｒａｔｅ_lkを求める。そして、前記通過工程パターン別の製造工期の分布Ｐ_Δ（ｔ_Δ｜ｋ）と、前記品種別の各通過工程パターンの発生率ｒａｔｅ_lkとを以下の（１）式で結合し、品種別の製造工期の分布Ｐ_Δ（ｔ_Δ｜ｌ）を導出している。ここで、品種とは、各製造工程の製造工期分布として近い製造工期を持つ注文のまとまりを意味するコードである。

標準製造工期の算出にあたっては、目標荷揃達成率α（製品の注文量に対する、納期までに出荷できる当該製品の量の割合の目標値）を設定し、前記品種別の工期の分布Ｐ_Δ（ｔ_Δ｜ｌ）の累積確率が目標荷揃達成率α以上となる工期ｔを以下の（２）式より求め、標準工期としている。

さて、この方法では、品種別の各通過工程パターンの発生率ｒａｔｅ_lkを、製造実績データに含まれる品種ｌの製品のうち、通過工程パターンｋに属する製品の数の比率として、以下の（３）式で求めている。

この品種別の各通過工程パターンの発生率ｒａｔｅ_lkは、品種ｌの製品における通過工程パターンｋの発生確率を表す値であり、品種ｌの製造頻度が多ければ、精度の高い発生率になる。しかしながら、製造頻度の少ない品種の場合には、当該品種の各通過工程パターンの発生率ｒａｔｅ_lkを高精度に予測できない。このため、前記通過工程パターン別の製造工期の分布Ｐ_Δ（ｔ_Δ｜ｋ）を正確に予測したとしても、前記品種別の製造工期の分布Ｐ_Δ（ｔ_Δ｜ｌ）の予測精度が低くなってしまうという問題があった。

この課題に対して、特許文献２では、品種集約条件設定部と品種集約部とを設け、製造頻度の少ない品種は無効品種として、通過工程パターンの似通った製造頻度の多い他の有効品種とまとめることにより、製造頻度の少ない品種を減らし、品種別の通過工程パターン発生率の精度の劣化を防止している。この手法では、通過工程パターンの異なる品種同士をまとめる。これにより、製造頻度の少ない品種がなくなり、（３）式で求める品種別の通過工程パターンの発生率ｒａｔｅ_lkの精度を高くすることができる。

特開２０１３−３３４５０号公報 特開２０１５−１３０００９号公報

Leo Breiman: Random Forests; Machine Learning, Vol.45, No.1, pp.5-32 (2001)

しかしながら、特許文献２に記載の手法では、製品の製造工期を算出する際に、当該製品の本来の品種の製造頻度が少なかった場合、当該品種を他の品種として扱うことになる。このため、製造工期の予測精度が低くなるという問題がある。

本発明は、以上の問題点に鑑みてなされたものであり、注文を品種ごとにまとめた場合に発生頻度の低い品種が存在する場合でも、注文の製造工期を高精度に予測することを目的とする。

本発明の製造工期予測装置は、注文別の製造仕様を含む注文データから、該注文の製造工期を予測する製造工期予測装置であって、複数の製造工程での処理を受けて製造される製品別の製造実績を示すデータであって、製品の製造仕様と、各製造工程の処理の有無の実績を示す情報である通過有無実績と、製品を製造するのに要した製造工期の実績を示す情報である実績製造工期と、を含む製造実績データを取得する製造実績データ取得手段と、前記注文の製造仕様に基づいて該注文における通過工程パターン別発生率を導出するロジックである通過工程パターン別発生率予測ロジックを、前記製造実績データに含まれる、前記製品別の製造仕様および通過有無実績を用いて作成する通過工程パターン別発生率予測ロジック作成手段と、前記製造実績データに含まれる、製品別の前記実績製造工期および前記通過有無実績を用いて、前記通過工程パターン別の製造工期の分布を作成する通過工程パターン別製造工期分布作成手段と、前記注文データに含まれる注文の製造仕様と前記通過工程パターン別発生率予測ロジックとを用いて、該注文における前記通過工程パターン別発生率を予測する通過工程パターン別発生率予測手段と、前記通過工程パターン別発生率予測手段で予測された前記注文における前記通過工程パターン別発生率と、前記通過工程パターン別の製造工期の分布とを用いて、該注文の製造工期の分布を予測する注文別製造工期分布予測手段と、前記注文別製造工期分布予測手段で予測された前記注文の製造工期の分布と、該注文における製品の注文量に対する、納期までに荷揃う該製品の量の割合の目標値である目標荷揃達成率とを用いて、該注文の製造工期を算出する注文別製造工期算出手段と、を有し、前記通過工程パターン別発生率は、前記製造工程の処理の有無を示す値を所定の順番で並べた値である通過工程パターンのそれぞれの発生率であり、前記通過工程パターン別発生率予測ロジックは、相互に異なる複数の予測ロジックと、該予測ロジックの予測結果を集計して前記通過工程パターンのそれぞれの発生率を算出する通過工程パターン別発生率集計部とを有し、前記予測ロジックは、前記注文の製造仕様に基づいて、該注文における前記通過工程パターンを導出するロジックであり、前記通過工程パターン別発生率予測ロジック作成手段は、前記製造実績データから選択された一部の製品の製造実績データと、予め定められた全ての製造仕様または該全ての製造仕様から選択された一部の製造仕様との組として相互に異なる複数の組のそれぞれを用いて、前記複数の予測ロジックそれぞれを作成し、前記通過工程パターン別発生率集計部は、前記通過工程パターンの発生率として、前記複数の予測ロジックのうち、前記注文データに含まれる注文の製造仕様に基づいて該通過工程パターンを予測結果として導出した前記予測ロジックの数の割合を導出することを特徴とする。

本発明の製造工期予測方法は、注文別の製造仕様を含む注文データから、該注文の製造工期を予測する製造工期予測方法であって、複数の製造工程での処理を受けて製造される製品別の製造実績を示すデータであって、製品の製造仕様と、各製造工程の処理の有無の実績を示す情報である通過有無実績と、製品を製造するのに要した製造工期の実績を示す情報である実績製造工期と、を含む製造実績データを取得する製造実績データ取得工程と、前記注文の製造仕様に基づいて該注文における通過工程パターン別発生率を導出するロジックである通過工程パターン別発生率予測ロジックを、前記製造実績データに含まれる、前記製品別の製造仕様および通過有無実績を用いて作成する通過工程パターン別発生率予測ロジック作成工程と、前記製造実績データに含まれる、製品別の前記実績製造工期および前記通過有無実績を用いて、前記通過工程パターン別の製造工期の分布を作成する通過工程パターン別製造工期分布作成工程と、前記注文データに含まれる注文の製造仕様と前記通過工程パターン別発生率予測ロジックとを用いて、該注文における前記通過工程パターン別発生率を予測する通過工程パターン別発生率予測工程と、前記通過工程パターン別発生率予測工程で予測された前記注文における前記通過工程パターン別発生率と、前記通過工程パターン別の製造工期の分布とを用いて、該注文の製造工期の分布を予測する注文別製造工期分布予測工程と、前記注文別製造工期分布予測工程で予測された前記注文の製造工期の分布と、該注文における製品の注文量に対する、納期までに荷揃う該製品の量の割合の目標値である目標荷揃達成率とを用いて、該注文の製造工期を算出する注文別製造工期算出工程と、を有し、前記通過工程パターン別発生率は、前記製造工程の処理の有無を示す値を所定の順番で並べた値である通過工程パターンのそれぞれの発生率であり、前記通過工程パターン別発生率予測ロジックは、相互に異なる複数の予測ロジックと、該予測ロジックの予測結果を集計して前記通過工程パターンのそれぞれの発生率を算出する通過工程パターン別発生率集計部とを有し、前記予測ロジックは、前記注文の製造仕様に基づいて、該注文における前記通過工程パターンを導出するロジックであり、前記通過工程パターン別発生率予測ロジック作成工程は、前記製造実績データから選択された一部の製品の製造実績データと、予め定められた全ての製造仕様または該全ての製造仕様から選択された一部の製造仕様との組として相互に異なる複数の組のそれぞれを用いて、前記複数の予測ロジックそれぞれを作成し、前記通過工程パターン別発生率集計部は、前記通過工程パターンの発生率として、前記複数の予測ロジックのうち、前記注文データに含まれる注文の製造仕様に基づいて該通過工程パターンを予測結果として導出した前記予測ロジックの数の割合を導出することを特徴とする。

本発明のコンピュータプログラムは、前記製造工期予測装置の各手段としてコンピュータを機能させることを特徴とする。

本発明によれば、注文を品種ごとにまとめた場合に発生頻度の低い品種が存在する場合でも、注文の製造工期を高精度に予測することができる。

製造工期予測装置の機能的な構成の一例を示す図である。 製造実績データの一例を示す図である。 通過工程パターン別発生率予測ロジックの一例を概念的に示す図である。 工程別製造工期分布の一例を示す図である。 通過工程パターン別製造工期分布を導出する方法の一例を説明する図である。 注文データの一例を示す図である。 注文別製造工期分布の一例を示す図である。 目標荷揃達成率の一例を示す図である。 注文別製造工期の一例を示す図である。 通過工程パターン別発生率予測ロジックおよび通過工程パターン別製造工期分布を作成して格納する際の製造工期予測装置を用いて行う製造工期予測方法の処理の一例を説明するフローチャートである。 注文別製造工期を作成して出力する際の製造工期予測装置を用いて行う製造工期予測方法の処理の一例を説明するフローチャートである。 各製品の製造工期の予測精度の評価結果の一例を示す図である。 特許文献２の手法を用いて算出した製造工期の予測精度の評価結果を示す図である。

以下、図面を参照しながら、本発明の一実施形態を説明する。
図１は、製造工期予測装置１００の機能的な構成の一例を示す図である。製造工期予測装置１００のハードウェアは、例えば、ＣＰＵ、ＲＯＭ、ＲＡＭ、ＨＤＤ、および各種インターフェースを備えた公知の情報処理装置を用いることにより実現することができるので、ここでは、その詳細な説明を省略する。尚、専用のハードウェアなどで製造工期予測装置１００を構成してもよい。以下、本実施形態では、鉄鋼業における製造工場（例えば厚板製造工場）で製造される鉄鋼製品の製造工期を予測する場合を例に挙げて説明する。

［製造実績データ取得部１１１］
製造実績データ取得部１１１は、製造実績データを外部から取得して記憶する。例えば、製造実績データ取得部１１１は、ユーザによるユーザインターフェースの入力操作に従って製造実績データを取得したり、リムーバル記憶媒体に記憶された製造実績データを読み出したり、外部装置から通信回線を介して製造実績データを受信したりすることによって、製造実績データを取得することができる。

図２は、製造実績データ２００の一例を示す図である。
図２において、製造実績データ２００は、複数の製造工程での処理を受けて製造される製品別の製造実績を示すデータであり、製品番号（製造Ｎｏ．）と、製造仕様と、通過有無実績と、実績製造工期とを含む。
製品番号は、製品を識別する番号である。
製造仕様は、製品の属性を示すものである。例えば、製品番号（製品Ｎｏ．）が「０００１」の製品の製造仕様は、製品（鋼板）の板厚が３０ｍｍであり、製品の板幅が６００ｍｍであり、製品の重量が３．５ｔｏｎであり、製品の製造方法（製法）がＡであり、製品を製造する際の切断方法がａとなる。ここでは、板厚、板幅、重量、製法、および切断方法が製造仕様である場合を例に挙げて示しているが、製造仕様の内容は、製品によって異なるものである。

通過有無実績は、各製造工程の処理の有無の実績を示す情報であり、製品番号で識別される製品が通過した製造工程と、通過していない製造工程とを、対象となる（例えば製造工場に含まれる）全ての製造工程のそれぞれについて表したものである。図２に示す例では、製品が通過した製造工程に対して「１」を付し、通過しなかった製造工程に対し「０」を付している。例えば、製品番号が「０００２」の製品は、工程１と工程２の製造工程を通過せずに、工程１０の製造工程を通過して製造されたものであることが、通過有無実績から判断される。
ここで、製造工程を通過する製品は、製品そのものに限られず、当該製品の原料、および当該製品が完成する前の途中段階にある半製品も含むものである。また、製品が製造工程を通過するとは、当該製造工程において、当該製品に対して、当該製造工程でなされるべき処理が実行されることをいう。
尚、製造工程の数が「１０」である場合を例に挙げて示しているが、製造工程の数は「１０」に限定されるものではない。また、以下の説明では、「製造工程」を必要に応じて「工程」と略称する。

実績製造工期は、製品番号で識別される製品を製造するのに要した全製造工期である。例えば、製品番号が「０００１」の製品の実績製造工期は５日である。
製造実績データ取得部１１１は、例えば、ＣＰＵ、ＲＯＭ、ＲＡＭ、ＨＤＤ、および各種インターフェースを用いることにより実現することができる。

［通過工程パターン別発生率予測ロジック作成部１１２］
通過工程パターン別発生率予測ロジック作成部１１２は、製造実績データ２００に含まれる製造仕様と通過有無実績とを用いて、通過工程パターン別発生率予測ロジックを作成する。通過工程パターン別発生率予測ロジックは、注文に含まれる製造仕様を入力として、当該注文の通過工程パターン別の発生率（発生確率）を出力する予測ロジックである。

本実施形態では、ランダムフォレストモデル（非特許文献１参照）を用いて、通過工程パターン別発生率予測ロジックを構成する場合を例に挙げて説明する。ランダムフォレストモデルは、予測手法の一種であり、複数の決定木（弱識別器）の結果をあわせて識別・回帰・クラスタリングを行うものである。決定木とは、データの分析手法の一つであって、データを様々な条件に従って木の枝葉のように分類していく分析手法である。尚、ランダムフォレストモデル自体は、非特許文献１に記載されているように公知の技術であるので、ここでは概要のみを説明し、その詳細な説明を省略する。

ランダムフォレストモデルを構築する際には、学習データ群から、決定木の作成に使用する学習データの組合せとして複数通りの組合せをランダムに選択する。また、説明変数群から、決定木の作成に使用する説明変数の組合せとして複数通りの組合せをランダムに選択する。

本実施形態では、各製品の製造実績データから、決定木の作成に使用する製品の製造実績データの組合せとして複数通りの組合せをランダムに選択する。また、本実施形態では、製造実績データに項目として含まれる製造仕様から、決定木のノードに割り当てられる候補（決定木における説明変数の候補）となる製造仕様の組合せとして複数通りの組合せをランダムに選択する。
ランダムに選択した製造実績データの組合せの１つと、ランダムに選択した製造仕様の組合せの１つの組を用いて決定木を作成することを、製造実績データの組合せと製造仕様の組合せの複数の組のそれぞれについて行う。

決定木を作成する際には、上位のノードであるほどジニ係数の減少量が大きくなるように、各ノードに与える製造仕様と、当該製造仕様における分類条件とを設定する。或るノードにおけるジニ係数の減少量は、当該ノードにおけるジニ係数から、当該ノードの直下の下位のノードにおけるジニ係数を引いたものである。

或るノードにおけるジニ係数から、当該ノードの直下の下位のノードにおけるジニ係数を引いた値が大きいほど（即ち、当該ノードにおけるジニ係数の減少量が大きいほど）、当該ノードで製造実績データ（教師データ）の分類を終了するよりも、当該ノードの直下に当該下位のノードを設けて製造実績データを分類する方が、それぞれの分類先の製造実績データに含まれる目的変数の値が纏まる（相互に近い値をとる）ことを表す。

図３は、通過工程パターン別発生率予測ロジック３００の一例を概念的に示す図である。図３に示すように、通過工程パターン別発生率予測ロジック３００は、以上のようにして作成される複数の決定木３１０ａ、３１０ｂ、・・・、３１０ｃを有する。ここで、各決定木３１０ａ、３１０ｂ、・・・、３１０ｃの説明変数は製造仕様であり、目的変数は通過工程パターンである。各決定木３１０ａ、３１０ｂ、・・・、３１０ｃは、それぞれランダムに選択された製造実績データと製造仕様を用いて、製造仕様から通過工程パターンを予測するように作成される。各決定木３１０ａ、３１０ｂ、・・・、３１０ｃは相互に異なるため、通過工程パターンの予測値もそれぞれ異なる。ランダムフォレストモデルにおいては、決定木の個数が設計パラメータとなる。決定木の個数は製造実績データに含まれる製品の数や製造仕様の項目数に依存して、その適正値は異なるが、通常は数百個程度とすることが多い。尚、本実施形態では、通過した製造工程に対し「１」が、通過しなかった製造工程に対し「０」が与えられる0-1の情報を番号の小さい工程のものから順に（工程１、２、・・・、１０の順に）並べたものを通過工程パターンとする。

ランダムフォレスト法では、通常、全ての決定木３１０ａ、３１０ｂ、・・・、３１０ｃで予測された通過工程パターンのうち、最も高頻度に予測された通過工程パターンをランダムフォレストモデルの予測値とする。これに対し、本実施形態の通過工程パターン別発生率予測ロジックは、通過工程パターン別発生率集計部３２０を有する。通過工程パターン別発生率集計部３２０は、同一の注文における製造仕様を入力することにより各決定木３１０ａ、３１０ｂ、・・・、３１０ｃで予測された各通過工程パターンの頻度を集計して、各通過工程パターンの発生率の予測値（図３の発生率の予測値の欄を参照）を求めるためのロジックである。ここで、通過工程パターンの頻度とは、全ての決定木３１０ａ、３１０ｂ、・・・、３１０ｃのうち、当該通過工程パターンを予測（出力）した決定木の割合（＝当該通過工程パターンを予測（出力）した決定木の数÷決定木の総数）をいう。

尚、各通過工程パターンの発生率の予測値の算出は、後述する通過工程パターン別発生率予測部１１７からの指示に従って実行される。また、以下の説明では、各通過工程パターンの発生率の予測値を必要に応じて通過工程パターン別発生率と称する。
通過工程パターン別発生率予測ロジック作成部１１２は、例えば、ＣＰＵ、ＲＯＭ、ＲＡＭ、ＨＤＤ、および各種インターフェースを用いることにより実現することができる。

［通過工程パターン別発生率予測ロジック格納部１１３］
通過工程パターン別発生率予測ロジック格納部１１３は、通過工程パターン別発生率予測ロジック作成部１１２で作成された通過工程パターン別発生率予測ロジック３００を格納する。通過工程パターン別発生率予測ロジック格納部１１３は、例えば、ＨＤＤを用いることにより実現することができる。

［通過工程パターン別製造工期分布作成部１１４］
通過工程パターン別製造工期分布作成部１１４は、製造実績データ２００（通過有無実績および実績製造工期）を用いて、通過工程パターン別製造工期分布を算出する。
本実施形態では、特許文献１に記載された技術を用いて、通過工程パターン別製造工期分布を算出する。以下に、通過工程パターン別製造工期分布を算出する方法の一例の概要を説明する。尚、通過工程パターン別製造工期分布を算出する方法の詳細は、特許文献１に記載されており、特許文献１の記載を参照することにより実現することができる。

まず、通過工程パターン別製造工期分布作成部１１４は、工程別製造工期分布を算出する。製造工期分布は、ヒストグラムで表されたり、近似関数（分布関数）で表されたりする。本実施形態では、製造工期分布が正規分布で表されるものとして、以下の（４）式および（５）式による計算を行って、最尤推定により、各工程ｊの製造工期分布の平均μ_jおよび分散ｖ_jを算出するものとする。

（４）式、（５）式において、Ｋは、製造実績データ２００の通過有無実績を番号の小さい工程のものから順に並べた通過工程パターンｋの種類の数、Ｍは通過工程の数である。ｑ_k＝（ｑ_k1，ｑ_k2，・・・，ｑ_kM）は、通過工程パターンｋ（ｋ＝１，２，・・・，Ｋ）、ｐ_iは製品ｉの通過有無実績である。ｔ_iは製品ｉの実績製造工期である。Ｎ_k＾は、通過工程パターンｋに属する製品の数である。平均μ_k＾と分散ｖ_k＾は、通過工程パターンｋの製造工期分布の平均、分散である。
ここで、平均μ_k＾は、通過工程パターンｋにおいて通過したことが示されている工程ｊの工期分布の平均μ_jの和を表す。また、分散ｖ_k＾は、通過工程パターンｋにおいて通過したことが示されている工程ｊの工期分布の分散ｖ_jの和を表す。
（４）式に示す評価関数Ｊは、通過工程パターンの種類の数Ｋの項の和で表現される。また、（４）式において、右辺第１項と第４項のＮ_k＾と、右辺第２項と第３項の積算（Σ（ｔ_i）²、Σｔ_i）は、製造実績データ２００を集計することにより計算することができる。

通過工程パターン別製造工期分布作成部１１４は、最適化計算を行って（４）式の評価関数Ｊを最小にする平均μ_j、分散ｖ_jを算出する。尚、この最適化計算は、滑降シンプレックス法、準ニュートン法等の公知の非線形最適化計算手法を用いることにより実行することができる。
図４は、以上のようにして計算された工程別製造工期分布４００の一例を示す図である。ここでは、Nelder=Meanの滑降シンプレックス法を用いて最適化計算を行った。尚、図４において、標準偏差σ_jは、分散ｖ_jの平方根（＝√ｖ_j）で表される。

次に、通過工程パターン別製造工期分布作成部１１４は、以上のようにして求めた工程別製造工期分布を用いて、通過工程パターン別製造工期分布を算出する。
図５は、通過工程パターン別製造工期分布を導出する方法の一例を説明する図である。
通過工程パターン別製造工期分布作成部１１４は、以上のようにして求めた工程別製造工期分布を基にして、通過工程パターン別製造工期分布の平均μ_k＾と標準偏差σ_k＾を算出し（図５の変換前の値５０１の欄を参照）、平均がμ_k＾であり分散がｖ_k＾（＝σ_k＾²）である対数正規分布のパラメータμ_k＾´、σ_k＾´（＝√ｖ_k＾´）を導出する（図５の変換後の値５０２の欄を参照）。

そして、通過工程パターン別製造工期分布作成部１１４は、以下の（６）式で示される通過工程パターン別製造工期分布を以下の（７）式のように日単位に離散化することにより、通過工程パターン別製造工期分布Ｐ_Δ（ｔ_Δ｜ｋ）を算出する（図５の製造工期５０３の欄を参照）。

通過工程パターン別製造工期分布作成部１１４は、例えば、ＣＰＵ、ＲＯＭ、およびＲＡＭを用いることにより実現することができる。尚、特許文献１に示すように製造工期分布は、例えば、正規分布であっても、対数正規分布であっても、ポアソン分布であっても、ガウス分布であってもよい。

［通過工程パターン別製造工期分布格納部１１５］
通過工程パターン別製造工期分布格納部１１５は、通過工程パターン別製造工期分布作成部１１４で作成された通過パターン別の製造工期分布（図５に一例を示す）を格納する。通過工程パターン別製造工期分布格納部１１５は、例えば、ＨＤＤを用いることにより実現することができる。

［注文データ取得部１１６］
注文データ取得部１１６は、注文データを外部から取得して記憶する。例えば、注文データ取得部１１６は、ユーザによるユーザインターフェースの入力操作に従って注文データを取得したり、リムーバブル記憶媒体に記憶された注文データを読み出したり、外部装置から通信回線を介して注文データを受信したりすることによって、注文データを取得することができる。

図６は、注文データ６００の一例を示す図である。
図６において、注文データ６００は、注文番号（注文Ｎｏ．）と、製造仕様とを含む。
注文番号は、注文を識別する番号である。
製造仕様は、製品の属性を示すものであり、図２に示した製造実績データ２００における製造仕様と同じ属性（項目）を有している。図６に示す各製造仕様の内容は前述した通りであるので、ここでは、その詳細な説明を省略する。
注文データ取得部１１６は、例えば、ＣＰＵ、ＲＯＭ、ＲＡＭ、ＨＤＤ、および各種インターフェースを用いることにより実現することができる。

［通過工程パターン別発生率予測部１１７］
通過工程パターン別発生率予測部１１７は、注文データ６００に含まれている製造仕様を、通過工程パターン別発生率予測ロジック格納部１１３に格納されている通過工程パターン別発生率予測ロジック３００（図３を参照）に入力して、注文データ６００に含まれる各注文のそれぞれについて、通過工程パターン別発生率ｒａｔｅ_qkを求める（図３の発生率の予測値の欄を参照）。ここで、記号ｑは注文データのインデックス、ｋは通過工程パターンのインデックスである。
通過工程パターン別発生率予測部１１７は、例えば、ＣＰＵ、ＲＯＭ、ＲＡＭ、ＨＤＤ、および各種インターフェースを用いることにより実現することができる。

［注文別製造工期分布予測部１１８］
注文別製造工期分布予測部１１８は、通過工程パターン別製造工期分布格納部１１５に格納されている通過工程パターン別製造工期分布（図５の５０３）Ｐ_Δ（ｔ_Δ｜ｋ）と、通過工程パターン別発生率予測部１１７で求められた各注文の通過工程パターン別発生率ｒａｔｅ_qkとを用いて、注文別製造工期分布を以下の（８）式にて算出する。ここで、注文別製造工期分布とは、注文番号（注文Ｎｏ．）がｑの注文の製造工期がｔ_Δである確率を表すテーブルである。尚、（４）式に示したように（８）式においてＫは、通過工程パターンの種類の数である。図７は、注文別製造工期分布７００の一例を示す図である。図７の各欄に示されている値が、（８）式の左辺（Ｐ_Δ（ｔ_Δ｜ｑ））の値となる。

注文別製造工期分布予測部１１８は、例えば、ＣＰＵ、ＲＯＭ、ＲＡＭ、ＨＤＤ、および各種インターフェースを用いることにより実現することができる。

［目標荷揃達成率設定部１１９］
目標荷揃達成率設定部１１９は、目標荷揃達成率を設定する。目標荷揃達成率とは、製品の注文量に対する、納期までに荷揃う（出荷できる）当該製品の量の割合の目標値である。本実施形態では、製品を鉄鋼製品としているので、例えば、製品の注文の重量に対する、納期までに荷揃う当該製品の重量の割合で目標荷揃達成率を定めることができる。目標荷揃達成率の値は、ユーザの希望に応じて定められるものである。本実施形態では、目標荷揃達成率設定部１１９は、ユーザによるユーザインターフェースの操作に基づいて、目標荷揃達成率の値を識別し、当該目標荷揃達成率の値を記憶することにより、目標荷揃達成率を設定する。

図８は、目標荷揃達成率８００の一例を示す図である。図８に示すように、ここでは、品種や注文に関わらず、目標荷揃達成率として一律に０．９５を設定するようにした。ただし、目標荷揃達成率は、例えば、注文毎に設定されるようにしてもよい。
目標荷揃達成率設定部１１９は、例えば、ＣＰＵ、ＲＯＭ、およびＲＡＭを用いることにより実現することができる。

［注文別製造工期算出部１２０］
注文別製造工期算出部１２０は、注文別製造工期分布予測部１１８で計算された注文別製造工期分布７００（図７を参照）と、目標荷揃達成率設定部１１９により設定された目標荷揃達成率８００（図８を参照）とを用いて、注文毎の製造工期ｔ_αを算出する。
本実施形態では、注文別製造工期算出部１２０は、以下の（９）式を満足する製造工期ｔ_αを、注文毎に算出する。

（９）式において、αは目標荷揃達成率［−］である。また、前述したように、Ｐ_Δ（ｔ_Δ｜ｑ）は、注文番号（注文Ｎｏ．）がｑの注文の製造工期がｔ_Δである確率［−］であり、図７に示した注文別製造工期分布７００の各欄の値である。（９）式は、目標荷揃達成率αの荷揃いをするのに最低限必要となる日数を製造工期ｔ_αとして求めることを表す。

このように本実施形態では、注文別製造工期分布７００と、目標荷揃達成率８００とを用いて注文毎の製造工期ｔ_αを算出する場合を例に挙げて説明した。しかしながら、注文別製造工期分布７００から注文毎の製造工期ｔ_αを算出するようにしていれば、必ずしもこのようにする必要はない。例えば、Ｐ_Δ（ｔ_Δ｜ｑ）が正規分布であると仮定し、このＰ_Δ（ｔ_Δ｜ｑ）の平均μ・標準偏差σと、ユーザにより設定される定数ｘとを用いて、以下の（１０）式を満足する（左辺と右辺の値が最も近い）ｔ_Δを注文毎に算出して、製造工期ｔ_αとしてもよい。
ｔ_Δ＝μ＋ｘ×σ ・・・（１０）
図９は、注文毎の製造工期である注文別製造工期９００の一例を示す図である。図９の各欄に記載されている値が、注文毎の製造工期ｔ_αである。
注文別製造工期算出部１２０は、例えば、ＣＰＵ、ＲＯＭ、およびＲＡＭを用いることにより実現することができる。

［注文別製造工期出力部１２１］
注文別製造工期出力部１２１は、注文別製造工期算出部１２０にて算出された注文別製造工期９００の情報を出力する。具体的に説明すると、例えば、注文別製造工期出力部１２１は、注文別製造工期９００の情報について、表示装置への表示、外部装置への送信、およびリムーバブル記憶媒体への記憶の少なくとも何れか１つを行う。注文別製造工期９００の情報の出力は、ユーザによるユーザインターフェースの操作に基づいて行うようにてもよいし、予め設定されたタイミングで自動的に行うようにしてもよい。
注文別製造工期出力部１２１は、例えば、例えば、ＣＰＵ、ＲＯＭ、ＲＡＭ、ＨＤＤ、および各種インターフェースを用いることにより実現することができる。

［動作フローチャート］
次に、図１０のフローチャートを参照しながら、通過工程パターン別発生率予測ロジック３００および通過工程パターン別製造工期分布Ｐ_Δ（ｔ_Δ｜ｋ）を作成して格納する際の製造工期予測装置１００を用いて行う製造工期予測方法の処理の一例を説明する。

まず、ステップＳ１００１において、製造実績データ取得部１１１は、製造実績データ２００を取得するまで待機する。そして、製造実績データ２００を取得すると、ステップＳ１００２に進む。ステップＳ１００２に進むと、通過工程パターン別発生率予測ロジック作成部１１２は、ランダムフォレスト法を用いて、図３に示すような複数の決定木３１０ａ、３１０ｂ、・・・、３１０ｃと、通過工程パターン別発生率集計部３２０とを有する通過工程パターン別発生率予測ロジック３００を作成する。

次に、ステップＳ１００３において、通過工程パターン別発生率予測ロジック格納部１１３は、ステップＳ１００２で作成された通過工程パターン別発生率予測ロジック３００を格納する。
次に、ステップＳ１００４において、通過工程パターン別製造工期分布作成部１１４は、通過工程パターン別製造工期分布Ｐ_Δ（ｔ_Δ｜ｋ）を算出する。前述したように、通過工程パターン別製造工期分布作成部１１４は、まず、製造実績データ２００（通過有無実績および実績製造工期）を、（４）式、（５）式に与えて最適化計算を行うことにより、工程別製造工期分布４００（平均μ_j、分散ｖ_j）を求める。そして、通過工程パターン別製造工期分布作成部１１４は、工程別製造工期分布４００を基にして、通過工程パターン別製造工期分布の平均μ_k＾と標準偏差σ_k＾を算出し（図５の変換前の値５０１の欄を参照）、平均μ_k＾と分散ｖ_k＾を用いて表現される対数正規分布のパラメータμ_k＾´、v_k＾´(=σ_k＾´²)を用いて（図５の変換後の値５０２の欄を参照）、（６）式、（７）式の計算を行って、通過工程パターン別製造工期分布Ｐ_Δ（ｔ_Δ｜ｋ）を算出する（図５の製造工期５０３の欄を参照）。

次に、ステップＳ１００５において、通過工程パターン別製造工期分布格納部１１５は、ステップＳ１００４で作成された通過工程パターン別製造工期分布Ｐ_Δ（ｔ_Δ｜ｋ）を格納する。そして、図１０のフローチャートによる処理を終了する。

次に、図１１のフローチャートを参照しながら、注文別製造工期９００を作成して出力する際の製造工期予測装置１００を用いて行う製造工期予測方法の処理の一例を説明する。尚、図１１のフローチャートは、図１０のフローチャートの後に実行される。
まず、ステップＳ１１０１において、注文データ取得部１１６は、注文データ６００を取得するまで待機する。そして、注文データ６００を取得すると、ステップＳ１１０２に進む。

ステップＳ１１０２に進むと、通過工程パターン別発生率予測部１１７は、注文データ６００に含まれている製造仕様を、図１０のステップＳ１００３で通過工程パターン別発生率予測ロジック格納部１１３に格納された通過工程パターン別発生率予測ロジック３００（図３を参照）に入力して、注文データ６００に含まれる各注文のそれぞれについて、通過工程パターン別発生率ｒａｔｅ_qkを求める。

次に、ステップＳ１１０３において、注文別製造工期分布予測部１１８は、図１０のステップＳ１００５で通過工程パターン別製造工期分布格納部１１５に格納された通過工程パターン別製造工期分布（図５の５０３）Ｐ_Δ（ｔ_Δ｜ｋ）と、ステップＳ１１０２で求められた各注文の通過工程パターン別発生率ｒａｔｅ_qkとを用いて、（８）式の計算を行うことにより、注文別製造工期分布７００を算出する（図７を参照）。

次に、ステップＳ１１０４において、目標荷揃達成率設定部１１９は、目標荷揃達成率８００を設定する（図８を参照）。
次に、ステップＳ１１０５において、注文別製造工期算出部１２０は、ステップＳ１１０３で算出された注文別製造工期分布７００と、ステップＳ１１０４で設定された目標荷揃達成率８００とを用いて、（９）式を満足する製造工期ｔ_αを、注文毎に算出する（図９を参照）。

次に、ステップＳ１１０６において、注文別製造工期出力部１２１は、ステップＳ１１０５で算出された注文毎の製造工期ｔ_α（注文別製造工期９００）の情報を出力する。尚、前述したように、ステップＳ１１０６の処理は、ユーザからの指示があった場合に行うようにしてもよい。そして、図１１のフローチャートによる処理を終了する。

＜実施例＞
次に、本発明の実施例を説明する。
本実施例では、或る製鉄所の厚板品種を対象として、注文の製造仕様から当該注文の通過工程パターン別の発生率を予測するロジック（通過工程パターン別発生率予測ロジック）を、ランダムフォレストモデルを用いて構築した。通過工程パターン別発生率予測ロジックの構築のために、77,874枚の製品の製造履歴が格納された製造実績データ（学習データ）を用いた（決定木の数は100個）。

本実施例の製造工期予測装置による注文毎の製造工期の予測精度を評価するため、前記製造実績データとは異なる時期に製造された95,840枚の製品の製造実績データ（評価データ）を用いて、各製品の製造工期を、前記通過工程パターン別発生率予測ロジックを用いて予測した。そして、予測した製造工期ｔ₉₅と実績製造工期ｔ_realとを比較した（目標荷揃達成率は95％（＝0.95）とした）。

図１２は、各製品の製造工期の予測精度の評価結果の一例を表形式で示す図である。
図１２の上段は、前記学習データに対する評価結果を示し、中央の評価データ（調整前）は、前記評価データに対する評価結果を示す。「ｔ₉₅」の欄には、それぞれの製品に対して予測された製造工期ｔ₉₅の平均（Ave.）と標準偏差（σ）を示す。「ｔ_real」の欄には、それぞれの製品の実績製造工期ｔ_realの平均（Ave.）と標準偏差（σ）を示す。「ｔ₉₅≧ｔ_real」の欄には、予測された製造工期ｔ₉₅が実績製造工期ｔ_real以上となった割合（ｔ₉₅≧ｔ_realの割合）を示す。図１２に示すように、評価データ（調整前）のｔ₉₅≧ｔ_realの割合は狙い通り、目標荷揃達成率である95％に近い値（94.3％）となった。尚、図１２において、製造工期の値は、ある基準仕様の注文の製造工期が１となるように、規格化されている。

比較例として、図１３に、特許文献２の手法を用いて算出した製造工期の予測精度の評価結果を表形式で示す。図１３でも、図１２と同様に、製造工期の値は規格化されている。図１２の下段の評価データ（調整後）には、図１３に示す結果と対等に比較できるよう、図１３に示す評価データの荷揃達成率（＝93.3％）に荷揃達成率がほぼ同じになるよう、図１２の評価データ（調整前）の製造工期（の予測値）ｔ₉₅を一律に短くした場合の数値を示す。図１３に示す比較例において、学習データの品種は元々1,809種類であったが、低頻度の品種が多かったため、頻度が５０枚未満の品種を他の品種へ集約することにより、442品種に減らして製造工期を算出した。

図１２の評価データ（調整後）に対する評価結果と図１３の評価データに対する評価結果とを比較すると、荷揃達成率はほぼ同じ（93.3％、93.4％）である。しかしながら、図１２に示す本実施例の評価データ（調整後）の製造工期ｔ₉₅の平均値は0.777であり、図１３に示す比較例の評価データの製造工期ｔ₉₅の平均値である0.805より3.5％短い。このことは、本実施例は比較例より製造工期が平均的に短いにも関わらず、荷揃達成率が同じであるため、製造工期を適切に予測できていることを示しており、製造工期を高精度に予測できることが確認できた。

＜まとめ＞
以上のように本実施形態では、注文の製造仕様を入力とし、当該注文の通過工程パターン別の発生率を出力とする通過工程パターン別発生率予測ロジック３００を製造実績データ２００に基づいて作成して格納する。また、通過工程パターン別製造工期分布を製造実績データ２００に基づいて作成して格納する。その後、注文データ６００に含まれる製造仕様を通過工程パターン別発生率予測ロジック３００に入力し、注文データ６００に含まれるそれぞれの注文の通過工程パターン別発生率ｒａｔｅ_qkを求める。そして、通過工程パターン別発生率ｒａｔｅ_qkと、通過工程パターン別製造工期分布Ｐ_Δ（ｔ_Δ｜ｋ）とを用いて注文別製造工期分布７００を算出し、注文別製造工期分布７００と、目標荷揃達成率８００とを用いて、注文毎の製造工期ｔ_αを算出する。このように本実施形態では、特許文献１、２の方法のように注文の品種を求めた後、品種別に通過工程パターン別の発生率ｒａｔｅ_lkを算出するのではなく、注文の製造仕様から、直接、当該注文の通過工程パターン別の発生率ｒａｔｅ_qkを算出する。従って、注文を品種でまとめる必要はないため、発生頻度の低い品種が存在する場合でも、通過工程パターン別の発生率の精度が落ちることを抑制することができ、このような注文であっても、その製造工期を高精度に算出することができる。

＜変形例＞
本実施形態では、製造実績データと製造仕様をランダムに選択して複数の決定木を作成する例を示した。しかしながら、必ずしもこのようにする必要はない。例えば、製造仕様（決定木に使用する説明変数）は各決定木で同一として、ランダムに選択した製造実績データから、相互に異なる複数の決定木を作成するようにしても良い。

また、製造実績データと製造仕様を必ずしもランダムに選択する必要はない。例えば、製造順に並ぶ各製品の製造実績データから一定間隔でサンプリングした製造実績データと、指定した個数の製造仕様の組合せを全て列挙した後、その列挙順に並ぶ製造仕様の組合せから一定間隔でサンプリングした製造仕様の組合せとを用いて複数の決定木を作成しても良い。
また、製造仕様（決定木に使用する説明変数）として、予め定められた全ての製造仕様を用いても良いし、前述したようにそれら全ての製造仕様の一部を選択しても良い。

また、本実施形態では、１つの決定木から１つの通過工程パターンが出力されるようにする場合を例に挙げて説明した。しかしながら、必ずしもこのようにする必要はない。例えば、１つの製造工程に対し、製造仕様を説明変数とし、当該製造工程に対する0-1の情報（当該製造工程を通過した場合に「１」が、通過しなかった場合にし「０」が与えられる0-1情報）を目的変数とする決定木を１つ作成することを全ての製造工程について行い、これら全ての製造工程に対する複数の決定木の出力を組み合わせて１つの通過工程パターンを構成してもよい。この場合、これら全ての製造工程に対する複数の決定木が、図３に示した決定木３１０ａ、３１０ｂ、・・・３１０ｃの１つに対応し、これら全ての製造工程に対する複数の決定木により、製造仕様を入力とし、通過工程パターンを出力とする予測ロジックが１つ構成されることになる。

また、本実施形態では、通過工程パターン別発生率予測ロジックを、ランダムフォレストモデルを用いて構成する場合を例に挙げて説明した。しかしながら、製造仕様から通過工程パターンを予測する予測ロジックを複数作成していれば、必ずしも、通過工程パターン別発生率予測ロジックを、ランダムフォレストモデルを用いて構成する必要はない。例えば、ニューラルネットワーク法などを用いても良い。

尚、以上説明した本発明の実施形態は、コンピュータがプログラムを実行することによって実現することができる。また、前記プログラムを記録したコンピュータ読み取り可能な記録媒体および前記プログラム等のコンピュータプログラムプロダクトも本発明の実施形態として適用することができる。記録媒体としては、例えば、フレキシブルディスク、ハードディスク、光ディスク、光磁気ディスク、ＣＤ−ＲＯＭ、磁気テープ、不揮発性のメモリカード、ＲＯＭ等を用いることができる。
また、以上説明した本発明の実施形態は、何れも本発明を実施するにあたっての具体化の例を示したものに過ぎず、これらによって本発明の技術的範囲が限定的に解釈されてはならないものである。すなわち、本発明はその技術思想、またはその主要な特徴から逸脱することなく、様々な形で実施することができる。

＜請求項との関係＞
以下に、請求項と実施形態との対応関係の一例を説明する。尚、請求項の記載が実施形態の記載に限定されないことは、変形例等において説明した通りである。
製造実績データ取得手段（工程）は、例えば、製造実績データ取得部１１１（ステップＳ１００１）により実現される。
通過工程パターン別発生率予測ロジック作成手段（工程）は、例えば、通過工程パターン別発生率予測ロジック作成部１１２（ステップＳ１００２）により実現される。
通過工程パターン別製造工期分布作成手段（工程）は、例えば、通過工程パターン別製造工期分布作成部１１４（ステップＳ１００４）により実現される。
通過工程パターン別発生率予測手段（工程）は、例えば、通過工程パターン別発生率予測部１１７（ステップＳ１１０２）により実現される。
注文別製造工期分布予測手段（工程）は、例えば、注文別製造工期分布予測部１１８（ステップＳ１１０３）により実現される。
注文別製造工期算出手段（工程）は、例えば、注文別製造工期算出部１２０（ステップＳ１１０５）により実現される。

１００：製造工期予測装置、１１１：製造実績データ取得部、１１２：通過工程パターン別発生率予測ロジック作成部、１１３：通過工程パターン別発生率予測ロジック格納部、１１４：通過工程パターン別製造工期分布作成部、１１５：通過工程パターン別製造工期分布格納部、１１６：注文データ取得部、１１７：通過工程パターン別発生率予測部、１１８：注文別製造工期分布予測部、１１９：目標荷揃達成率設定部、１２０：注文別製造工期算出部、１２１：注文別製造工期出力部

Claims (6)

1. 注文別の製造仕様を含む注文データから、該注文の製造工期を予測する製造工期予測装置であって、
   複数の製造工程での処理を受けて製造される製品別の製造実績を示すデータであって、製品の製造仕様と、各製造工程の処理の有無の実績を示す情報である通過有無実績と、製品を製造するのに要した製造工期の実績を示す情報である実績製造工期と、を含む製造実績データを取得する製造実績データ取得手段と、
   前記注文の製造仕様に基づいて該注文における通過工程パターン別発生率を導出するロジックである通過工程パターン別発生率予測ロジックを、前記製造実績データに含まれる、前記製品別の製造仕様および通過有無実績を用いて作成する通過工程パターン別発生率予測ロジック作成手段と、
   前記製造実績データに含まれる、製品別の前記実績製造工期および前記通過有無実績を用いて、前記通過工程パターン別の製造工期の分布を作成する通過工程パターン別製造工期分布作成手段と、
   前記注文データに含まれる注文の製造仕様と前記通過工程パターン別発生率予測ロジックとを用いて、該注文における前記通過工程パターン別発生率を予測する通過工程パターン別発生率予測手段と、
   前記通過工程パターン別発生率予測手段で予測された前記注文における前記通過工程パターン別発生率と、前記通過工程パターン別の製造工期の分布とを用いて、該注文の製造工期の分布を予測する注文別製造工期分布予測手段と、
   前記注文別製造工期分布予測手段で予測された前記注文の製造工期の分布と、該注文における製品の注文量に対する、納期までに荷揃う該製品の量の割合の目標値である目標荷揃達成率とを用いて、該注文の製造工期を算出する注文別製造工期算出手段と、
   を有し、
   前記通過工程パターン別発生率は、前記製造工程の処理の有無を示す値を所定の順番で並べた値である通過工程パターンのそれぞれの発生率であり、
   前記通過工程パターン別発生率予測ロジックは、相互に異なる複数の予測ロジックと、該予測ロジックの予測結果を集計して前記通過工程パターンのそれぞれの発生率を算出する通過工程パターン別発生率集計部とを有し、
   前記予測ロジックは、前記注文の製造仕様に基づいて、該注文における前記通過工程パターンを導出するロジックであり、
   前記通過工程パターン別発生率予測ロジック作成手段は、前記製造実績データから選択された一部の製品の製造実績データと、予め定められた全ての製造仕様または該全ての製造仕様から選択された一部の製造仕様との組として相互に異なる複数の組のそれぞれを用いて、前記複数の予測ロジックそれぞれを作成し、
   前記通過工程パターン別発生率集計部は、前記通過工程パターンの発生率として、前記複数の予測ロジックのうち、前記注文データに含まれる注文の製造仕様に基づいて該通過工程パターンを予測結果として導出した前記予測ロジックの数の割合を導出することを特徴とする製造工期予測装置。
2. 前記通過工程パターン別発生率予測ロジック作成手段は、前記製造実績データから一部の製品の製造実績データをランダムに選択することを特徴とする請求項１に記載の製造工期予測装置。
3. 前記通過工程パターン別発生率予測ロジック作成手段は、前記予め定められた全ての製造仕様から一部の製造仕様をランダムに選択することを特徴とする請求項１または２に記載の製造工期予測装置。
4. 前記予測ロジックは、前記製造仕様を説明変数とし、前記通過工程パターンまたは前記製造工程の処理の有無を示す値を目的変数とする決定木を含むことを特徴とする請求項１〜３の何れか１項に記載の製造工期予測装置。
5. 注文別の製造仕様を含む注文データから、該注文の製造工期を予測する製造工期予測方法であって、
   複数の製造工程での処理を受けて製造される製品別の製造実績を示すデータであって、製品の製造仕様と、各製造工程の処理の有無の実績を示す情報である通過有無実績と、製品を製造するのに要した製造工期の実績を示す情報である実績製造工期と、を含む製造実績データを取得する製造実績データ取得工程と、
   前記注文の製造仕様に基づいて該注文における通過工程パターン別発生率を導出するロジックである通過工程パターン別発生率予測ロジックを、前記製造実績データに含まれる、前記製品別の製造仕様および通過有無実績を用いて作成する通過工程パターン別発生率予測ロジック作成工程と、
   前記製造実績データに含まれる、製品別の前記実績製造工期および前記通過有無実績を用いて、前記通過工程パターン別の製造工期の分布を作成する通過工程パターン別製造工期分布作成工程と、
   前記注文データに含まれる注文の製造仕様と前記通過工程パターン別発生率予測ロジックとを用いて、該注文における前記通過工程パターン別発生率を予測する通過工程パターン別発生率予測工程と、
   前記通過工程パターン別発生率予測工程で予測された前記注文における前記通過工程パターン別発生率と、前記通過工程パターン別の製造工期の分布とを用いて、該注文の製造工期の分布を予測する注文別製造工期分布予測工程と、
   前記注文別製造工期分布予測工程で予測された前記注文の製造工期の分布と、該注文における製品の注文量に対する、納期までに荷揃う該製品の量の割合の目標値である目標荷揃達成率とを用いて、該注文の製造工期を算出する注文別製造工期算出工程と、
   を有し、
   前記通過工程パターン別発生率は、前記製造工程の処理の有無を示す値を所定の順番で並べた値である通過工程パターンのそれぞれの発生率であり、
   前記通過工程パターン別発生率予測ロジックは、相互に異なる複数の予測ロジックと、該予測ロジックの予測結果を集計して前記通過工程パターンのそれぞれの発生率を算出する通過工程パターン別発生率集計部とを有し、
   前記予測ロジックは、前記注文の製造仕様に基づいて、該注文における前記通過工程パターンを導出するロジックであり、
   前記通過工程パターン別発生率予測ロジック作成工程は、前記製造実績データから選択された一部の製品の製造実績データと、予め定められた全ての製造仕様または該全ての製造仕様から選択された一部の製造仕様との組として相互に異なる複数の組のそれぞれを用いて、前記複数の予測ロジックそれぞれを作成し、
   前記通過工程パターン別発生率集計部は、前記通過工程パターンの発生率として、前記複数の予測ロジックのうち、前記注文データに含まれる注文の製造仕様に基づいて該通過工程パターンを予測結果として導出した前記予測ロジックの数の割合を導出することを特徴とする製造工期予測方法。
6. 請求項１〜４の何れか１項に記載の製造工期予測装置の各手段としてコンピュータを機能させることを特徴とするコンピュータプログラム。

Images