JP6836403B2 - Supply Chain Search System and Supply Chain Search Program - Google Patents
Supply Chain Search System and Supply Chain Search Program Download PDFInfo
- Publication number
- JP6836403B2 JP6836403B2 JP2017006500A JP2017006500A JP6836403B2 JP 6836403 B2 JP6836403 B2 JP 6836403B2 JP 2017006500 A JP2017006500 A JP 2017006500A JP 2017006500 A JP2017006500 A JP 2017006500A JP 6836403 B2 JP6836403 B2 JP 6836403B2
- Authority
- JP
- Japan
- Prior art keywords
- supply chain
- article
- search
- manufacturing
- record
- 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.)
- Active
Links
- 238000004519 manufacturing process Methods 0.000 claims description 111
- 239000013598 vector Substances 0.000 claims description 72
- 238000000034 method Methods 0.000 claims description 63
- 230000008569 process Effects 0.000 claims description 47
- 238000012545 processing Methods 0.000 claims description 43
- 239000000463 material Substances 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000004044 response Effects 0.000 claims description 5
- 239000000284 extract Substances 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 14
- 238000007689 inspection Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000010030 laminating Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 229920005629 polypropylene homopolymer Polymers 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007730 finishing process Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000012946 outsourcing Methods 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- General Factory Administration (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、物品の一連の製造工程を示すサプライチェーンを検索するサプライチェーン検索システムおよびそのプログラムに関する。 The present invention relates to a supply chain search system and a program thereof for searching a supply chain indicating a series of manufacturing processes of an article.
特許文献１には、新規に受注された製品の仕様に応じて、自動的に製品製造の工程フローを作成する工程設計装置が開示されている。この装置は、第１および第２のデータベースを備えている。第１のデータベースには、製品に付されている製品分類コード毎に、製品を製造する工程フローが記憶されている。この製品分類コードは、製品仕様に基づいてグルーピングされており、製品仕様の少なくとも加工要素により複数層に分割された階層構造を有している。また、第２のデータベースには、製品に対する標準の工程フローが記憶されている。製品の新規受注時には、この受注品に付されている製品分類コードを検索キーに第１のデータベースが検索され、受注品に類似する製品の工程フローが抽出される。そして、この抽出された工程フローを修正して、受注品の工程フローが作成される。一方、受注品に類似する製品が存在しない場合には、第２のデータベースが検索され、受注品に類似する標準工程フローが抽出される。そして、この標準工程フローを編集することによって、受注品の工程フローが作成される。 Patent Document 1 discloses a process design device that automatically creates a process flow for manufacturing a product according to the specifications of a newly ordered product. This device includes first and second databases. In the first database, the process flow for manufacturing the product is stored for each product classification code attached to the product. This product classification code is grouped based on the product specifications, and has a hierarchical structure divided into a plurality of layers by at least the processing elements of the product specifications. In addition, the second database stores the standard process flow for the product. When a new order is received for a product, the first database is searched using the product classification code attached to the ordered product as a search key, and the process flow of the product similar to the ordered product is extracted. Then, the extracted process flow is modified to create the process flow of the ordered product. On the other hand, when there is no product similar to the ordered product, the second database is searched and the standard process flow similar to the ordered product is extracted. Then, by editing this standard process flow, the process flow of the ordered product is created.
また、特許文献２には、検索対象となる部品（検索元部品）と類似した既存製品の部品に関する作業指示情報を再利用して、製作、組立、溶接といった工程フローを生成する作業指示生成システムが開示されている。このシステムは、既存の部品の形状や物理的な特徴量、および、その部品の工程フローを記憶したデータベースを備えている。処理の流れとしては、まず、検索元部品の形状や物理的な特徴量がＣＡＤから取得される。つぎに、データベースを参照して、検索元部品と形状や物理的な特徴量が近似する類似部品、および、その既存の工程を抽出することによって、製品モデルの製造工程フローが生成される。この特徴量は、複数の要素の多次元の特徴量ベクトルで表され、部品の質量、体積、表面積、慣性主軸モーメント、および、材質の少なくともいずれかを含む。 Further, in Patent Document 2, a work instruction generation system that generates a process flow such as manufacturing, assembling, and welding by reusing work instruction information about parts of an existing product similar to the part to be searched (search source part). Is disclosed. This system has a database that stores the shapes and physical features of existing parts and the process flow of the parts. As a processing flow, first, the shape and physical features of the search source component are acquired from CAD. Next, the manufacturing process flow of the product model is generated by referring to the database and extracting similar parts whose shape and physical features are similar to those of the search source part and the existing processes thereof. This feature is represented by a multidimensional feature vector of multiple elements and includes at least one of the mass, volume, surface area, moment of inertia, and material of the part.
ところで、近年、３Ｄプリンタ等の技術進歩に伴い、所望の形状等を有する物品の製造を希望する個人等からの依頼を受けて、製造設備を保有する製造者が物品の製造を代行するアウトソーシングサービスが普及しつつある。製造を依頼する側にとっての関心事は、要求スペックを満たす物品を自己が希望する条件で製造してくれる製造者を探し当てることだが、それ以前の問題として、その物品をどのように製造すればよいのか、あるいは、どのような加工業者に依頼すればよいのか分からないことも多い。依頼側である個人等が様々な製造技術を熟知しているとは限らず、サプライチェーン、すなわち、物品の製造を行う一連の製造工程も多様化・複雑化していることに加えて、個々の製品の仕様によっては加工上の制約も存在し得るからである。 By the way, in recent years, with the technological progress of 3D printers and the like, an outsourcing service in which a manufacturer who owns a manufacturing facility takes over the manufacturing of goods in response to a request from an individual or the like who desires to manufacture goods having a desired shape or the like. Is becoming widespread. The concern for the requesting party is to find a manufacturer who can manufacture the goods that meet the required specifications under the conditions that he / she desires, but the problem before that is how to manufacture the goods. Or, in many cases, we do not know what kind of processor to ask. Individuals, etc. on the client side are not always familiar with various manufacturing technologies, and in addition to the diversification and complexity of the supply chain, that is, the series of manufacturing processes for manufacturing goods, each individual This is because there may be processing restrictions depending on the product specifications.
本発明は、かかる事情に鑑みてなされたものであり、その目的は、所望の形状等を有する物品の製造に適したサプライチェーンを高い信頼性で柔軟に検索することである。 The present invention has been made in view of such circumstances, and an object of the present invention is to flexibly search for a supply chain suitable for manufacturing an article having a desired shape and the like with high reliability.
かかる課題を解決すべく、第１の発明は、特徴抽出部と、製造実績データベースと、学習器と、検索処理部とを有し、物品の一連の製造工程を示すサプライチェーンを検索するサプライチェーン検索システムを提供する。特徴抽出部は、検索対象となる物品の形状を表すモデルデータを含む仕様データに基づいて、この検索対象となる物品の形状を少なくとも特徴化した特徴ベクトルを算出する。製造実績データベースは、過去に製造された物品である実績品の特徴ベクトルと、この実績品で採用されたサプライチェーンとが対応付けられた実績レコードを実績品毎に記憶する。学習器は、製造実績データベースに記憶された実績品の特徴ベクトルの入力に対して、この実績品のサプライチェーンが出力されるように、自己が有する関数の内部パラメータが調整されている。検索処理部は、検索対象となる物品の特徴ベクトルを学習器に入力するとともに、学習器より出力されたサプライチェーンに基づき、製造実績データベースを検索することによって、検索対象となる物品の製造に適したサプライチェーンの候補となる実績レコードを抽出する。 In order to solve such a problem, the first invention has a feature extraction unit, a manufacturing record database, a learning device, and a search processing unit, and searches for a supply chain indicating a series of manufacturing processes of goods. Provide a search system. The feature extraction unit calculates a feature vector that at least characterizes the shape of the article to be searched based on the specification data including the model data representing the shape of the article to be searched. The manufacturing record database stores a record record in which the feature vector of the actual product, which is an article manufactured in the past, is associated with the supply chain adopted in this actual product for each actual product. The learner adjusts the internal parameters of its own function so that the supply chain of the actual product is output in response to the input of the feature vector of the actual product stored in the manufacturing record database. The search processing unit is suitable for manufacturing the article to be searched by inputting the feature vector of the article to be searched into the learner and searching the manufacturing record database based on the supply chain output from the learner. Extract performance records that are candidates for the supply chain.
ここで、第１の発明において、上記検索処理部は、抽出された実績レコードのそれぞれについて、実績レコードに記述された特徴ベクトルと、検索対象となる物品の特徴ベクトルとの類似度を算出することが好ましい。この場合、上記検索処理部は、抽出された実績レコードのそれぞれについて、実績レコードに記述されたサプライチェーンと、特徴ベクトルの類似度とを対応付けて表示したサプライチェーン候補リストを生成することが望ましい。 Here, in the first invention, the search processing unit calculates the similarity between the feature vector described in the performance record and the feature vector of the article to be searched for each of the extracted performance records. Is preferable. In this case, it is desirable that the search processing unit generate a supply chain candidate list that displays the supply chain described in the actual record and the similarity of the feature vector in association with each of the extracted actual records. ..
第１の発明において、上記実績レコードには、サプライチェーンを構成する各製造工程を担当した製造者が記述されていてもよい。この場合、上記検索処理部は、抽出された実績レコードに記述された製造工程毎の製造者を製造者の候補として特定すると共に、特定のサプライチェーンにおける製造工程毎の製造者の候補を、検索者が選択的に指定可能な形態で並べて表示した製造者選択リストを生成することが好ましい。 In the first invention, the actual record may describe the manufacturer in charge of each manufacturing process constituting the supply chain. In this case, the search processing unit identifies the manufacturer for each manufacturing process described in the extracted performance record as a candidate for the manufacturer, and searches for the candidate for the manufacturer for each manufacturing process in a specific supply chain. It is preferable to generate a manufacturer selection list displayed side by side in a form that can be selectively specified by the person.
第１の発明において、上記検索処理部は、予め設定された検索キーの決定規則に従って、学習器より出力されたサプライチェーンから、実績レコードに記述されたサプライチェーンを検索する検索キーを決定してもよい。 In the first invention, the search processing unit determines a search key for searching the supply chain described in the performance record from the supply chain output from the learner according to a preset search key determination rule. May be good.
第１の発明において、上記実績レコードには、物品のサイズ、材質、加工精度、納期、および、ユーザ評価の少なくとも一つを含む付帯情報が記述されていてもよい。この場合、上記検索処理部は、検索者によって指定された検索条件と、実績レコードに記述された付帯情報とを比較することによって、抽出された実績レコードをフィルタリングすることが好ましい。 In the first invention, the performance record may describe incidental information including at least one of the size, material, processing accuracy, delivery date, and user evaluation of the article. In this case, it is preferable that the search processing unit filters the extracted actual records by comparing the search conditions specified by the searcher with the incidental information described in the actual records.
第１の発明において、上記特徴ベクトルは、物品の形状の他に、仕様データに含まれる物品のサイズおよび材質の少なくとも一つを特徴化していてもよい。 In the first invention, the feature vector may characterize at least one of the size and material of the article included in the specification data, in addition to the shape of the article.
第２の発明は、物品の一連の製造工程を示すサプライチェーンを検索する処理をコンピュータに実行させるサプライチェーン検索プログラムを提供する。このコンピュータは、製造実績データベースと、学習器とを有する。製造実績データベースは、過去に製造された物品である実績品の特徴ベクトルと、この実績品で採用されたサプライチェーンとが対応付けられた実績レコードを実績品毎に記憶する。学習器は、製造実績データベースに記憶された実績品の特徴ベクトルの入力に対して、この実績品のサプライチェーンが出力されるように、自己が有する関数の内部パラメータが調整されている。サプライチェーン検索プログラムは、検索対象となる物品の形状を表すモデルデータを含む仕様データに基づいて、この検索対象となる物品の形状を少なくとも特徴化した特徴ベクトルを算出する第１のステップと、検索対象となる物品の特徴ベクトルを学習器に入力するとともに、学習器より出力されたサプライチェーンに基づき、製造実績データベースを検索することによって、検索対象となる物品の製造に適したサプライチェーンの候補となる実績レコードを抽出する第２のステップとを有する処理をコンピュータに実行させる。 The second invention provides a supply chain search program that causes a computer to perform a process of searching a supply chain indicating a series of manufacturing processes of an article. This computer has a manufacturing record database and a learning device. The manufacturing record database stores a record record in which the feature vector of the actual product, which is an article manufactured in the past, is associated with the supply chain adopted in this actual product for each actual product. The learner adjusts the internal parameters of its own function so that the supply chain of the actual product is output in response to the input of the feature vector of the actual product stored in the manufacturing record database. The supply chain search program has a first step of calculating a feature vector that at least characterizes the shape of the article to be searched, based on specification data including model data representing the shape of the article to be searched, and a search. By inputting the feature vector of the target article into the learner and searching the manufacturing record database based on the supply chain output from the learner, it is possible to select a supply chain suitable for manufacturing the target article. The computer is made to execute the process having the second step of extracting the actual record.
ここで、第２の発明において、上記第２のステップは、抽出された実績レコードのそれぞれについて、実績レコードに記述された特徴ベクトルと、検索対象となる物品の特徴ベクトルとの類似度を算出するステップを含むことが好ましい。この場合、上記第２のステップは、抽出された実績レコードのそれぞれについて、実績レコードに記述されたサプライチェーンと、特徴ベクトルの類似度とを対応付けて表示したサプライチェーン候補リストを生成するステップを含むことが望ましい。 Here, in the second invention, the second step calculates the similarity between the feature vector described in the performance record and the feature vector of the article to be searched for each of the extracted performance records. It is preferable to include steps. In this case, the second step is to generate a supply chain candidate list that displays the supply chain described in the actual record and the similarity of the feature vector in association with each of the extracted actual records. It is desirable to include it.
第２の発明において、上記実績レコードには、サプライチェーンを構成する各製造工程を担当した製造者が記述されていてもよい。この場合、上記第２のステップは、抽出された実績レコードに記述された製造工程毎の製造者を製造者の候補として特定すると共に、特定のサプライチェーンにおける製造工程毎の製造者の候補を、検索者が選択的に指定可能な形態で並べて表示した製造者選択リストを生成するステップを含むことが好ましい。 In the second invention, the actual record may describe the manufacturer in charge of each manufacturing process constituting the supply chain. In this case, the second step identifies the manufacturer for each manufacturing process described in the extracted performance record as a candidate for the manufacturer, and also identifies the candidate for the manufacturer for each manufacturing process in a specific supply chain. It is preferable to include a step of generating a manufacturer selection list displayed side by side in a form that can be selectively specified by the searcher.
第２の発明において、上記第２のステップは、予め設定された検索キーの決定規則に従って、学習器より出力されたサプライチェーンから、実績レコードに記述されたサプライチェーンを検索する検索キーを決定するステップを含んでいてもよい。 In the second invention, the second step determines a search key for searching the supply chain described in the performance record from the supply chain output from the learner according to a preset search key determination rule. It may include steps.
第２の発明において、上記実績レコードには、物品のサイズ、材質、加工精度、納期、および、ユーザ評価の少なくとも一つを含む付帯情報が記述されていてもよい。この場合、上記第２のステップは、検索者によって指定された検索条件と、実績レコードに記述された付帯情報とを比較することによって、抽出された実績レコードをフィルタリングするステップを含むことが好ましい。 In the second invention, the performance record may describe incidental information including at least one of the size, material, processing accuracy, delivery date, and user evaluation of the article. In this case, the second step preferably includes a step of filtering the extracted actual record by comparing the search condition specified by the searcher with the incidental information described in the actual record.
第２の発明において、上記特徴ベクトルは、物品の形状の他に、仕様データに含まれる物品のサイズおよび材質の少なくとも一つを特徴化していてもよい。 In the second invention, the feature vector may characterize at least one of the size and material of the article included in the specification data, in addition to the shape of the article.
本発明によれば、検索対象となる物品の特徴ベクトルではなく、この特徴ベクトルを学習器に入力することによって出力されたサプライチェーンに基づき、製造実績データベースが検索される。サプライチェーンを検索キーとすることで、検索対象となる物品の製造に適した採用実績のあるサプライチェーンを高い信頼性で柔軟に検索することが可能になる。 According to the present invention, the manufacturing record database is searched based on the supply chain output by inputting this feature vector into the learner instead of the feature vector of the article to be searched. By using the supply chain as a search key, it becomes possible to flexibly search with high reliability a supply chain that has been adopted and is suitable for manufacturing the goods to be searched.
図１は、本実施形態に係る製造仲介ネットワークシステムの全体図である。この製造仲介ネットワークシステム１は、依頼者が操作する依頼者側クライアント２と、製造者が操作する製造者側クライアント３と、製造仲介者が操作する製造仲介サーバ４とを主体としたサーバクライアント型のネットワーク構成を有している。ここで、「依頼者」とは、自己が所望する形状等を有する物品の製造を外部に依頼（発注）する者である。また、「製造者」とは、製造設備を保有し、物品の一連の製造工程（加工を含む。）であるサプライチェーンの少なくとも一部を請け負う（受注する）者である。例えば、３Dプリンタによる積層加工、研磨による仕上げ加工、レーザースキャンによる非接触検査の順序よりなるサプライチェーンによって物品が製造される場合、積層加工業者、仕上げ加工業者および検査業者のそれぞれが「製造者」に該当する。もちろん、単一の主体が複数の製造工程を担っていても構わない。さらに、「製造仲介者」とは、依頼者と製造者との間における取引きを仲介する者であり、依頼者による発注および製造者による受注は、製造仲介者を介して行われる。製造仲介サーバ４は、依頼者および製造者の間における取引きを仲介・管理する機能を提供すると共に、依頼者からの検索依頼を受けて、依頼者が所望する物品の製造に適したサプライチェーンを検索する機能も提供する。 FIG. 1 is an overall view of the manufacturing intermediary network system according to the present embodiment. The manufacturing intermediary network system 1 is a server-client type mainly composed of a client-side client 2 operated by a client, a manufacturer-side client 3 operated by a manufacturer, and a manufacturing intermediary server 4 operated by a manufacturing intermediary. Has a network configuration of. Here, the "requester" is a person who requests (orders) the production of an article having a shape or the like desired by himself / herself. A "manufacturer" is a person who owns manufacturing equipment and undertakes (orders) at least a part of the supply chain, which is a series of manufacturing processes (including processing) of goods. For example, when an article is manufactured by a supply chain consisting of a 3D printer laminating process, a polishing finishing process, and a non-contact inspection by laser scanning, each of the laminating processor, finishing processor, and inspector is a "manufacturer". Corresponds to. Of course, a single entity may be responsible for multiple manufacturing processes. Further, the "manufacturing intermediary" is a person who mediates a transaction between the client and the manufacturer, and the ordering by the client and the order by the manufacturer are made through the manufacturing intermediary. The manufacturing mediation server 4 provides a function of mediating and managing transactions between a client and a manufacturer, and receives a search request from the client and is a supply chain suitable for manufacturing the goods desired by the client. It also provides the ability to search for.
図２は、製造仲介サーバ４のブロック図である。この製造仲介サーバ４は、入力部５と、取引モジュール６と、検索モジュール７と、出力部８とを主体に構成されている。入力部５は、インターネット等のネットワークを介して、依頼者側クライアント２または製造者側クライアント３より受信した情報が入力され、この入力情報を取引モジュール６または検索モジュール７に転送する。取引モジュール６は、依頼者に関する各種情報を管理する依頼者データベース、製造者に関する各種情報を管理する製造者データベース、個々の取引きの内容や進捗状況を管理する取引データベース等を有し、依頼者による発注から製造者による納品に至るまでの一連の取引プロセス全般を管理する。検索モジュール７は、依頼者が製造を希望する特定の物品について、この物品の製造に適したサプライチェーンを検索し、検索結果を依頼者（検索者）に提示する。出力部８は、取引モジュール６または検索モジュール７より出力された情報を依頼者側クライアント２または製造者側クライアント３にネットワークを介して送信する。 FIG. 2 is a block diagram of the manufacturing mediation server 4. The manufacturing mediation server 4 is mainly composed of an input unit 5, a transaction module 6, a search module 7, and an output unit 8. The input unit 5 inputs the information received from the client side client 2 or the manufacturer side client 3 via a network such as the Internet, and transfers this input information to the transaction module 6 or the search module 7. The transaction module 6 has a client database that manages various information about the client, a manufacturer database that manages various information about the manufacturer, a transaction database that manages the content and progress of individual transactions, and the like. It manages the entire series of transaction processes from ordering by the manufacturer to delivery by the manufacturer. The search module 7 searches for a supply chain suitable for manufacturing the specific article that the client wishes to manufacture, and presents the search result to the client (searcher). The output unit 8 transmits the information output from the transaction module 6 or the search module 7 to the client side client 2 or the manufacturer side client 3 via the network.
本実施形態において、検索モジュール７は、仕様データ格納部７ａと、製造実績データベース７ｂと、特徴抽出部７ｃと、検索処理部７ｄと、学習器部７ｅとによって構成されている。仕様データ格納部７ａには、サプライチェーンの検索を含めて、製造仲介サーバ４にて取り扱われた物品の仕様データが格納されており、個々の仕様データは、物品毎に個別に採番された「ＩＤ」（識別番号）によって、システム上管理されている。この仕様データには、物品の形状を表す「モデルデータ」を基本とし、その他にも、物品のサイズ、材質、加工精度、納期等が含まれている。本実施形態では、「モデルデータ」として、物品の三次元形状を規定する三次元モデルデータを扱っており、三次元ＣＡＤデータ（ファイルの拡張子としては、ＩＧＥＳ、ＳＴＥＰ、ＰＡＲＡＳＯＬＩＤ、ＳＡＴ、ＪＴ、ＶＤＡなど）、３ＤＣＧ（三次元コンピュータグラフィックス）データ、または、三次元の表面形状を多数の点で表現した点群データを用いることができる。 In the present embodiment, the search module 7 is composed of a specification data storage unit 7a, a manufacturing record database 7b, a feature extraction unit 7c, a search processing unit 7d, and a learning device unit 7e. The specification data storage unit 7a stores the specification data of the articles handled by the manufacturing intermediary server 4, including the search of the supply chain, and the individual specification data are individually numbered for each article. It is managed on the system by "ID" (identification number). This specification data is based on "model data" representing the shape of an article, and also includes the size, material, processing accuracy, delivery date, etc. of the article. In this embodiment, three-dimensional model data that defines the three-dimensional shape of an article is handled as "model data", and three-dimensional CAD data (file extensions include IGES, STEP, PARASOLID, SAT, JT, and so on. (VDA, etc.), 3DCG (3D computer graphics) data, or point cloud data representing a 3D surface shape with a large number of points can be used.
図３は、製造実績データベース７ｂの構成図である。この製造実績データベース７ｂは、製造者によって過去に製造された物品（実績品）を管理する。このデータベース７ｂは、実績品毎に設けられた複数の実績レコードによって構成されており、１つの実績レコードは、上述した「ＩＤ」をヘッダ情報として、「特徴ベクトルＦＶ」と、「サプライチェーンＳＣ」と、「付帯情報」とが記述されている。すなわち、これらの情報は、実績レコードという形を取ることによって、互いに対応付けて記憶されている。製造実績データベース７ａへの実績品の登録は、実績品の三次元モデルデータそのものではなく、三次元モデルデータを含む仕様データを変換することによって得られる「特徴ベクトルＦＶ」の形で記憶される。この特徴ベクトルＦＶは、少なくとも、実績品の形状を特徴化したものである必要があるが、これ以外に、実績品のサイズや材質などを含めて特徴化してもよい。このように、元の三次元モデルデータ（非構造データ）をベクトルという抽象的なデータ構造に変換することで、換言すれば、機械学習やパターン認識ができるように抽象化することで、形状等の類似度を評価することが可能になる。 FIG. 3 is a block diagram of the manufacturing record database 7b. This manufacturing record database 7b manages articles (actual products) manufactured in the past by the manufacturer. This database 7b is composed of a plurality of achievement records provided for each achievement product, and one achievement record uses the above-mentioned "ID" as header information, "feature vector FV", and "supply chain SC". And "incidental information" are described. That is, these pieces of information are stored in association with each other in the form of actual records. The registration of the actual product in the manufacturing actual product database 7a is stored in the form of "feature vector FV" obtained by converting the specification data including the three-dimensional model data, not the three-dimensional model data of the actual product itself. This feature vector FV needs to at least characterize the shape of the actual product, but in addition to this, the feature vector FV may be characterized by including the size and material of the actual product. In this way, by converting the original three-dimensional model data (unstructured data) into an abstract data structure called a vector, in other words, by abstracting it so that machine learning and pattern recognition can be performed, the shape, etc. It becomes possible to evaluate the similarity of.
「サプライチェーンＳＣ」には、その実績品で採用された一連の製造工程が記述される。形状的には同一または類似している実績品であっても、サイズや加工精度などの事情から、異なるサプライチェーンＳＣが実績として採用されていることもあり得る。また、このサプライチェーンＳＣには、各製造工程を担当した製造者も併せて記述される。同図の例において、このサプライチェーンＳＣは、「工程Ｂ」，「工程Ｄ」，「工程Ｆ」，「工程Ｈ」の４工程よりなり、それぞれ工程を担当した製造者が「ｂ3」，「ｄ1」，「ｆ2」，「ｈ4」であることを示している。 The "supply chain SC" describes a series of manufacturing processes adopted in the actual product. Even if the actual products are the same or similar in shape, different supply chain SCs may be adopted as actual products due to circumstances such as size and processing accuracy. In addition, the manufacturer in charge of each manufacturing process is also described in this supply chain SC. In the example of the figure, this supply chain SC consists of four processes of "process B", "process D", "process F", and "process H", and the manufacturer in charge of each process is "b3" and "process H", respectively. It indicates that they are "d1", "f2", and "h4".
図４は、製造工程の具体例を示す表である。サプライチェーンの基本的な流れは、大分類として挙示したように、「加工」、「仕上げ」、「検査」の順になる。「加工」は、中分類として、「積層」、「切断」、切削」、「プレス」、「鋳造」、「樹脂成形」、「追加加工」に分類され、それぞれについて小分類として更に細分化されている。「仕上げ」は、中分類として、「研磨」、「塗装」、「皮膜成形」に分類されている。「検査」は、中分類として、「非接触」、「接触」に分離され、小分類として更に細分化されている。サプライチェーンＳＣは、同表に挙示された中分類または小分類の項目の中から適切なものを「製造工程」として選択し、これらの組み合わせとして特定される。 FIG. 4 is a table showing a specific example of the manufacturing process. The basic flow of the supply chain is in the order of "processing," "finishing," and "inspection," as shown in the major categories. "Processing" is classified into "lamination", "cutting", cutting, "pressing", "casting", "resin molding", and "additional processing" as middle categories, and each is further subdivided into minor categories. ing. "Finishing" is classified into "polishing", "painting", and "coating" as a middle classification. "Inspection" is divided into "non-contact" and "contact" as a middle classification, and further subdivided as a minor classification. The supply chain SC selects an appropriate item from the middle or minor categories listed in the table as the “manufacturing process” and is specified as a combination thereof.
「付帯情報」には、この実績品に関連する付帯情報として、実績品の大きさや厚みを示す「サイズ」、実績品の製造に用いられた「材質」、実績品の「加工精度」、実績品の「納期」、および、実績品に対する依頼者の「評価」（ユーザ評価）が記述される。ここで、「加工精度」は、実績品全体が最低限満たすべき精度を指す。よって、例えば、実績品において特定の一部分のみ高い精度（例えば0.05mm）が要求され、それ以外の部分の要求精度についてはこれよりも低い場合（例えば0.1mm）、最低限満たすべき精度は0.05mmとなる。 In "Attachment information", as ancillary information related to this actual product, "size" indicating the size and thickness of the actual product, "material" used for manufacturing the actual product, "processing accuracy" of the actual product, and actual results. The "delivery date" of the product and the "evaluation" (user evaluation) of the client for the actual product are described. Here, "machining accuracy" refers to the accuracy that the entire actual product should satisfy at the minimum. Therefore, for example, when high accuracy (for example, 0.05 mm) is required only for a specific part of the actual product and the required accuracy for other parts is lower than this (for example, 0.1 mm), the minimum accuracy to be satisfied is 0.05 mm. It becomes.
特徴抽出部７ｃは、依頼者側クライアント２より受信した検索対象となる物品の三次元モデルデータに基づいて、検索対象の形状等を特徴化した有限次元数の特徴ベクトルＦＶを算出する。物体を三次元形状のまま特徴化する手法（三次元特徴量）としては、例えば、キーポイントベースの手法が知られており、キーポイント周りの情報を記述する手法と、２点間または３点間といった如く複数点間の関係を記述する手法とに分類される。 The feature extraction unit 7c calculates a finite number of feature vector FVs that characterize the shape of the search target, etc., based on the three-dimensional model data of the article to be searched received from the client side client 2. As a method for characterizing an object as it is in a three-dimensional shape (three-dimensional feature amount), for example, a key point-based method is known, and a method for describing information around a key point and a method between two points or three points are known. It is categorized as a method of describing the relationship between multiple points, such as between.
前者のキーポイント周りの情報を記述する手法としては、例えば、座標データや法線ベクトルを利用するＳＨＯＴ（Signature of Histograms of OrienTations）やＰＦＨ（Point Feature Histograms）などが挙げられる。図５に示すように、ＳＨＯＴでは、まず、キーポイント周辺のサポート球内において、ＸＹ平面で２分割、球内を中心部と周辺部に２分割、さらにＺ軸まわりが８分割される（２×２×８＝３２分割）。つぎに、基準点の法線ｒと、分割された各スペース（３２個）の法線ベクトルｎjとの内積を求め、１１ビンのヒストグラムが作成される。これにより、３２×１１で３５２次元の特徴量が得られる。 Examples of the former method of describing information around key points include SHOT (Signature of Histograms of OrienTations) and PFH (Point Feature Histograms) that use coordinate data and normal vectors. As shown in FIG. 5, in the SHOT, first, in the support sphere around the key point, the sphere is divided into two on the XY plane, the inside of the sphere is divided into two at the center and the periphery, and the Z-axis is further divided into eight (2). × 2 × 8 = 32 divisions). Next, the inner product of the normal r of the reference point and the normal vector nj of each divided space (32 pieces) is obtained, and an 11-bin histogram is created. As a result, a 32 × 11 352-dimensional feature amount can be obtained.
図６に示すように、ＰＦＨでは、まず、注目点周りの球領域内における近傍点から多数の２点組が選択される。つぎに、２点からα，θ，φ，pt-psを計算し、ヒストグラム化する（１２５次元）。ある特徴量がモデル内の平均特徴量より大きければ候補として保存される。そして、球の半径を変えながら同様の計算を行い、多くの半径から支持された候補点が最終的な ユニーク特徴点として選択される。ＳＨＯＴやＰＦＨは次元数が高いので、特徴表現力が高いといった利点がある。 As shown in FIG. 6, in PFH, first, a large number of two-point sets are selected from neighboring points in the sphere region around the point of interest. Next, α, θ, φ, and pt-ps are calculated from the two points and made into a histogram (125 dimensions). If a feature is larger than the average feature in the model, it is saved as a candidate. Then, the same calculation is performed while changing the radius of the sphere, and the candidate points supported by many radii are selected as the final unique feature points. Since SHOT and PFH have a high number of dimensions, they have an advantage of high feature expressiveness.
一方、後者の複数点間の関係を記述する手法としては、例えば、ＰＰＦ（Point Pair Feature）が挙げられる。図７に示すように、ＰＰＦでは、まず、２点の対から４次元特徴量（Ｆ1〜Ｆ4）が特定される（ＰＰＨ）。この特徴量は、物体上の全ての点からできる対毎に算出される。これらの特徴量はハッシュテーブルに登録される。つぎに、ハッシュテーブルを参照して、特徴量が類似するＰＰＨが探索され、それらの幾何学変換パラメータが計算される。 On the other hand, as a method for describing the latter relationship between a plurality of points, for example, PPF (Point Pair Feature) can be mentioned. As shown in FIG. 7, in PPF, first, four-dimensional feature quantities (F1 to F4) are specified from a pair of two points (PPH). This feature amount is calculated for each pair formed from all the points on the object. These features are registered in the hash table. Next, with reference to the hash table, PPHs having similar features are searched, and their geometric transformation parameters are calculated.
また、上述した手法に代えて、検索対象となる物体の三次元モデルデータに基づき、仮想空間上に配置された製品を特定の視点から見た二次元画像（例えば、六面図）を少なくとも一つ生成し、この二次元画像の輝度（濃度）に着目した特徴化手法を用いてもよい。その他にも、深層学習を用いた画像ラベリングの技術（ディープ・オートエンコーダ等）を用いることも可能である。 Further, instead of the above-mentioned method, at least one two-dimensional image (for example, a six-view view) of a product arranged in the virtual space as viewed from a specific viewpoint is obtained based on the three-dimensional model data of the object to be searched. You may use a characterization method that focuses on the brightness (density) of this two-dimensional image. In addition, it is also possible to use an image labeling technique (deep autoencoder, etc.) using deep learning.
再び図２を参照すると、検索処理部７ｄは、製造実績データベース７ｂを検索して、検索対象となる物品の製造に適したサプライチェーンの候補を抽出・特定する。本実施形態の特徴の一つは、製造実績データベース７ｂを検索するキーとして、検索対象となる物品の特徴ベクトルＦＶではなく、この特徴ベクトルＦＶを学習器７ｅに入力することによって出力されたサプライチェーンを用いて行う点にある。そして、この検索結果として、製造実績データベース７ｂより抽出された実績レコードに基づき、検索対象となる物品の製造に適したサプライチェーンの候補が特定・決定される。 With reference to FIG. 2 again, the search processing unit 7d searches the manufacturing record database 7b and extracts and identifies supply chain candidates suitable for manufacturing the goods to be searched. One of the features of this embodiment is the supply chain output by inputting this feature vector FV into the learner 7e instead of the feature vector FV of the article to be searched as a key for searching the manufacturing record database 7b. The point is to use. Then, as the search result, a supply chain candidate suitable for manufacturing the article to be searched is specified and determined based on the actual record extracted from the manufacturing actual database 7b.
図８は、学習器７ｅの説明図である。この学習器７ｅは、所定の関数Ｙ＝ｆ（Ｘ，θ）を有している。ここで、入力Ｘは、製造実績データベース７ｂに記憶された実績品に関するｍ次元の特徴ベクトルＦＶであり、出力Ｙは、この実績品に関するｎ次元のサプライチェーンＳＣ（ｎ＜ｍ）である。出力Ｙを構成するｎ個の要素（ｙ1，ｙ2，・・・，ｙn）には、工程Ａ，Ｂ，Ｃ，・・・に個別に割り当てられており、その出力が「１」の場合には、割り当てられた工程が「要」、「０」の場合には、その工程が「不要」であることを示している。また、θは、この関数の内部パラメータである。 FIG. 8 is an explanatory diagram of the learning device 7e. The learner 7e has a predetermined function Y = f (X, θ). Here, the input X is the m-dimensional feature vector FV for the actual product stored in the manufacturing actual product database 7b, and the output Y is the n-dimensional supply chain SC (n <m) for the actual product. When the n elements (y1, y2, ..., Yn) constituting the output Y are individually assigned to the steps A, B, C, ..., And the output is "1". Indicates that the process is "unnecessary" when the assigned process is "required" or "0". Also, θ is an internal parameter of this function.
このような学習器７ｅとしては、例えば、機械学習の一分類である「教師あり学習」、より具体的には、ニューラルネットワーク、サポートベクターマシン、自己組織化マップ（ＳＯＭ：Self-Organizing Map）などを用いることができる。この場合、「教師データ」として、製造実績データベース７ｂに記憶された実績レコード（特徴ベクトルＦＶとサプライチェーンＳＣとのペア）が用いられる。具体的には、特徴ベクトルＦＶの入力に対して出力されたサプライチェーンＳＣの合否が「教師ベクトル」として学習器７ｅにフィードバックされる。これに基づいて、学習器７ｅは、正しいサプライチェーンＳＣが出力されるように、内部パラメータθ（例えば、ニューラルネットワークの結合重み）の値を更新する。このような処理を製造実績データベース７ｂに記憶された全ての実績レコードについて繰り返すことで、内部パラメータθの学習（調整）が行われる。なお、製造実績データベース７ｂの蓄積数が少なく、内部パラメータθの学習が十分に行うことができない初期状況においては、想定される特徴ベクトルＦＶとサプライチェーンＳＣとのペアをサンプルとして多数用意しておき、これらに基づいて必要量の学習を行うことが好ましい。また、学習器７ｅとしては、「教師あり学習」の他に、低次元化を課題とする「教師なし学習」を用いてもよい。 Examples of such a learning device 7e include "supervised learning" which is a classification of machine learning, more specifically, a neural network, a support vector machine, a self-organizing map (SOM), and the like. Can be used. In this case, as the "teacher data", the actual record (pair of the feature vector FV and the supply chain SC) stored in the manufacturing actual database 7b is used. Specifically, the pass / fail of the supply chain SC output with respect to the input of the feature vector FV is fed back to the learner 7e as a “teacher vector”. Based on this, the learner 7e updates the value of the internal parameter θ (for example, the connection weight of the neural network) so that the correct supply chain SC is output. By repeating such processing for all the actual records stored in the manufacturing actual database 7b, the internal parameter θ is learned (adjusted). In the initial situation where the number of accumulated manufacturing record databases 7b is small and the internal parameter θ cannot be sufficiently learned, a large number of pairs of the assumed feature vector FV and the supply chain SC are prepared as samples. , It is preferable to perform the required amount of learning based on these. Further, as the learning device 7e, in addition to "supervised learning", "unsupervised learning" whose task is to reduce the dimension may be used.
以上のような「教師データ」に基づく学習器７ｅの学習が行われた状態において、検索対象となる物品の特徴ベクトルＦＶは、「テストデータ」として学習器７ｅに入力されることになる。なお、取引モジュール６は、例えば、製造者から依頼者への納品の完了時といった如く、新たな製造実績が生じる毎に製造実績データベース７ｂに新規レコードを追加していので、これに対応すべく、学習器７ｅの学習もバッチ処理にて随時行われる。 In the state where the learning device 7e is learned based on the "teacher data" as described above, the feature vector FV of the article to be searched is input to the learning device 7e as "test data". The transaction module 6 adds a new record to the manufacturing record database 7b every time a new manufacturing record is generated, for example, when the delivery from the manufacturer to the client is completed. Learning of the learning device 7e is also performed at any time by batch processing.
つぎに、図９を参照しながら、検索モジュール７にて行われる検索処理について詳述する。この検索処理は、製造仲介サーバ４に図９の処理を実行させるコンピュータプログラムをインストールすることによって実行される。 Next, the search process performed by the search module 7 will be described in detail with reference to FIG. This search process is executed by installing a computer program that causes the manufacturing intermediary server 4 to execute the process shown in FIG.
まず、ステップ１において、依頼者側クライアント２より受信した検索対象となる物品に関する仕様データ等が入力部５に入力される。検索の入力情報としては、物品の形状を特定する三次元モデルデータが不可欠であるが、その他のオプション的な検索条件として、物品の加工精度、サイズ、材質、製造方法、製造装置、納期、および、ユーザ評価の少なくとも一つを指定することも可能である。なお、依頼者側からの入力情報としては、三次元モデルデータではなく、二次元データ等での提示を許容してもよい。この場合、製造仲介サーバ４において、検索処理に先立ち、二次元データ等から三次元モデルデータを構築・生成する前処理が行われることになる。 First, in step 1, the specification data and the like related to the articles to be searched received from the client side client 2 are input to the input unit 5. Three-dimensional model data that identifies the shape of the article is indispensable as the input information for the search, but other optional search conditions include the processing accuracy, size, material, manufacturing method, manufacturing equipment, delivery date, and delivery date of the article. , It is also possible to specify at least one of the user evaluations. As the input information from the requester side, it may be allowed to present the input information as two-dimensional data or the like instead of the three-dimensional model data. In this case, the manufacturing mediation server 4 performs preprocessing for constructing and generating three-dimensional model data from two-dimensional data and the like prior to the search processing.
ステップ２において、特徴抽出部７ｃは、検索対象となる物品の三次元モデルデータに基づいて、検索対象の形状等を特徴化した有限次元数の特徴ベクトルＦＶを算出する。 In step 2, the feature extraction unit 7c calculates a finite number of feature vector FVs that characterize the shape and the like of the search target based on the three-dimensional model data of the article to be searched.
ステップ３において、検索処理部７ｄは、検索対象の特徴ベクトルＦＶを学習器７ｅに入力する。学習器７ｅは、入力された特徴ベクトルＦＶをテストデータとして、これに対応するサプライチェーンＳＣを出力する。 In step 3, the search processing unit 7d inputs the feature vector FV to be searched into the learner 7e. The learner 7e uses the input feature vector FV as test data and outputs the corresponding supply chain SC.
ステップ４において、検索処理部７ｄは、学習器７ｅより出力された特徴ベクトルＦＶに基づいて、製造実績データベース７ｂを検索する検索キーを特定する。この検索キーは、特徴ベクトルＦＶそのものであってもよいが、検索の柔軟性を図るべく、予め設定された検索キーの決定規則に従って決定してもよい。 In step 4, the search processing unit 7d identifies a search key for searching the manufacturing record database 7b based on the feature vector FV output from the learning device 7e. This search key may be the feature vector FV itself, but may be determined according to a preset search key determination rule in order to increase the flexibility of the search.
図１０は、決定規則によって決定される検索キーの一例を示す図である。この決定規則では、学習器７ｅより出力されたサプライチェーンＳＣのうち、前方のｋ個（例えばＫ＝３）の工程、すなわち、「工程Ｂ」→「工程Ｄ」→「工程Ｆ」が少なくとも一致することを要求するものであり、検索キーとしては正規表現となる。このような前方一致は、サプライチェーンＳＣにおける一連の工程のうち、重要かつ必須の工程は前半に集中し、後半は検査工程の如く、代替または省略しても構わない工程で占められるという考え方に基づいている。また、このような一律的な決定規則に代えて、あるいは、これと併用して、特定の工程列が存在する場合には、その類似例を辞書として用意しておき、決定規則を個別的に適用するようにしてもよい。 FIG. 10 is a diagram showing an example of a search key determined by a determination rule. In this determination rule, among the supply chain SCs output from the learner 7e, the front k (for example, K = 3) processes, that is, “process B” → “process D” → “process F” are at least the same. It is a regular expression as a search key. Such prefix agreement is based on the idea that, of the series of processes in the supply chain SC, important and essential processes are concentrated in the first half, and the second half is occupied by processes that can be replaced or omitted, such as inspection processes. Is based. In addition, if a specific process sequence exists, a similar example is prepared as a dictionary in place of or in combination with such a uniform decision rule, and the decision rule is individually set. It may be applied.
ステップ５において、検索処理部７ｄは、ステップ４で決定された検索キーに基づいて、製造実績データベース７ｂを検索し、この検索キーに相当するサプライチェーンＳＣが記述された実績レコードを抽出する。 In step 5, the search processing unit 7d searches the manufacturing record database 7b based on the search key determined in step 4, and extracts the record in which the supply chain SC corresponding to this search key is described.
ステップ６において、検索処理部７ｄは、検索者によって検索条件が指定されている場合、この検索条件と、抽出された実績レコードに記述された付帯情報（物品のサイズ、材質、加工精度、納期、および、ユーザ評価等）とを比較することによって、抽出された実績レコードをフィルタリングする。これにより、検索条件に合致した実績レコードのみが、物品の製造に適したサプライチェーンの候補として特定され、それ以外は、サプライチェーンの候補から外される。また、検索処理部７ｃは、検索者によって検索条件が変更された場合、検索条件の変更に応じて、サプライチェーンの候補群を適宜変更する。このように、検索条件を追加・削除することを繰り返して、製造者をフィルタリングすることで、検索者にとって最適な検索結果を得ることができる。 In step 6, when the search condition is specified by the searcher, the search processing unit 7d sets the search condition and the incidental information (article size, material, processing accuracy, delivery date, etc.) described in the extracted actual record. And, by comparing with user evaluation etc.), the extracted achievement records are filtered. As a result, only the performance records that match the search conditions are identified as candidates for the supply chain suitable for manufacturing the goods, and the others are excluded from the candidates for the supply chain. Further, when the search condition is changed by the searcher, the search processing unit 7c appropriately changes the candidate group of the supply chain according to the change of the search condition. By repeating adding and deleting search conditions in this way to filter manufacturers, it is possible to obtain the optimum search results for the searcher.
ステップ７において、検索処理部７ｄは、検索対象となる物品の特徴ベクトルＦＶと、サプライチェーンの候補として特定された実績レコードに記述された特徴ベクトルＦＶとの間の類似度を算出する。この類似度の算出は、ステップ６で特定された全ての実績レコードを対象に行われる。 In step 7, the search processing unit 7d calculates the degree of similarity between the feature vector FV of the article to be searched and the feature vector FV described in the performance record specified as a candidate for the supply chain. The calculation of the similarity is performed for all the actual records identified in step 6.
図１１は、特徴ベクトルＦＶの類似度の説明図である。ｍ次元の特徴空間上において、検索対象となる物品の特徴ベクトルＦＶが指し示す点を特徴点１とし、実績レコードに記述された特徴ベクトルＦＶが指し示す点を特徴点２とした場合、これらの特徴ベクトルＦＶの類似度が高いということは、特徴点１，２間の距離が短いことを意味する。そこで、ユークリッド距離や座標成分差の絶対総和といった周知の手法を用いて、特徴点１，２間の距離を算出すれば、特徴ベクトルＦＶの類似度を評価することができる。 FIG. 11 is an explanatory diagram of the similarity of the feature vector FV. When the point pointed to by the feature vector FV of the article to be searched is set as the feature point 1 and the point pointed by the feature vector FV described in the achievement record is set as the feature point 2 on the m-dimensional feature space, these feature vectors are used. A high degree of similarity of FV means that the distance between the feature points 1 and 2 is short. Therefore, if the distance between the feature points 1 and 2 is calculated using a well-known method such as the Euclidean distance or the absolute sum of the coordinate component differences, the similarity of the feature vector FV can be evaluated.
ステップ８において、検索処理部７ｄは、サプライチェーンＳＣの検索結果を生成し、出力部８を介して、依頼者側クライアント２に送信する。この検索結果には、サプライチェーン候補リストと、製造者選択リストとが存在する。 In step 8, the search processing unit 7d generates a search result of the supply chain SC and transmits it to the client side client 2 via the output unit 8. This search result includes a supply chain candidate list and a manufacturer selection list.
図１２は、依頼者側クライアント２におけるサプライチェーン候補リストの表示例を示す図である。このリストにおいては、特徴ベクトルＦＶの類似度と、抽出レコードに記述されたサプライチェーンＳＣと、付帯情報とが対応付けて表示され、類似度が高い順に並んでいる。このリストを閲覧した検索者は、検索対象となる物品と類似する実績品において、どのようなサプライチェーンが採用されたかを容易に把握することができる。そして、検索者が自己が所望する特定のサプライチェーンを選択した場合、サプライチェーン候補リストの表示に続いて、選択されたサプライチェーンに関する製造者選択リストが表示される。 FIG. 12 is a diagram showing a display example of the supply chain candidate list in the client side client 2. In this list, the similarity of the feature vector FV, the supply chain SC described in the extraction record, and the incidental information are displayed in association with each other, and are arranged in descending order of similarity. A searcher who browses this list can easily grasp what kind of supply chain has been adopted for the actual products similar to the products to be searched. Then, when the searcher selects a specific supply chain that he / she desires, the display of the supply chain candidate list is followed by the manufacturer selection list for the selected supply chain.
図１３は、依頼者側クライアント２における製造者選択リストの表示例を示す図である。このリストには、サプライチェーンを構成する各製造工程について、製造者の候補がアイコン（すなわち、検索者が選択的に指定可能な形態）で並べて表示される。サプライチェーン中の製造者が異なる複数の実績レコードが抽出された場合、一つの製造工程にておい、製造者の候補が複数表示されることになる。このリストを閲覧した検索者は、各工程におけるいずれかのアイコンをクリックすることにより、各工程の製造者を選択する。同図の例は、工程Ｂは「製造者ｂ3」、工程Ｄは「製造者ｄ1」、工程Ｆは「製造者ｆ2」、工程Ｈは「製造者ｈ4」がそれぞれ選択された状態を示している。検索者（発注者）によって選択された一連の製造者は、製造仲介サーバ４側の取引モジュール６に送信され、物品の製造に関する発注手続が行われる。 FIG. 13 is a diagram showing a display example of the manufacturer selection list in the client side client 2. In this list, candidate manufacturers are displayed side by side with icons (that is, forms that can be selectively specified by the searcher) for each manufacturing process that constitutes the supply chain. When a plurality of performance records with different manufacturers in the supply chain are extracted, a plurality of candidate manufacturers will be displayed in one manufacturing process. The searcher who browses this list selects the manufacturer of each process by clicking any of the icons in each process. In the example of the figure, process B is "manufacturer b3", process D is "manufacturer d1", process F is "manufacturer f2", and process H is "manufacturer h4". There is. A series of manufacturers selected by the searcher (ordering party) are transmitted to the transaction module 6 on the manufacturing intermediary server 4 side, and the ordering procedure for manufacturing the goods is performed.
このように、本実施形態によれば、検索対象となる物品の特徴ベクトルそのものではなく、この特徴ベクトルを学習器７ｅに入力することによって出力されたサプライチェーンに基づき、製造実績データベース７ｂが検索される。サプライチェーンを検索キーとすることで、検索対象となる物品の製造に適した採用実績のあるサプライチェーンを高い信頼性で柔軟に検索することが可能になる。ここで、本実施形態に係る手法との比較例として、学習器７ｅを用いることなく、検索対象となる物品の特徴ベクトルをキーに製品実績データベース７ｂを直接検索する手法について考える。この手法では、検索キーと一致する特徴ベクトルが製造実績データベース７ｂに登録されていれば問題はないが、登録されていない未知の特徴ベクトルについては、検索結果（サプライチェーン）を得ることができない。すなわち、特徴ベクトルの次元数ｍ（＞ｎ）が高次元であるがゆえに、有効な検索結果が得られないケースが頻発する可能性がある。これに対して、本実施形態に係る手法では、学習器７ｅを介在させて、入力Ｘの次元数ｍを出力Ｙの次元数ｎに減少させることによって、入力Ｘについてのある種のカテゴリ化が行われる。そして、このカテゴリ化（低次元化）されたｎ次元の出力Ｙに基づいて、製造実績データベース７ｂを検索すれば、未知の特徴ベクトルであっても、製造実績としての過去の類似案件（同一カテゴリに属する三次元モデルデータと、そのサプライチェーン）を得ることができる。以上のことから、本実施形態に係る手法は、比較例と比べて検索の柔軟性に優れている。 As described above, according to the present embodiment, the manufacturing record database 7b is searched based on the supply chain output by inputting this feature vector into the learner 7e, not the feature vector itself of the article to be searched. To. By using the supply chain as a search key, it becomes possible to flexibly search for a supply chain that has been adopted and is suitable for manufacturing the goods to be searched with high reliability. Here, as a comparative example with the method according to the present embodiment, a method of directly searching the product performance database 7b using the feature vector of the article to be searched as a key without using the learning device 7e will be considered. In this method, there is no problem as long as the feature vector matching the search key is registered in the manufacturing record database 7b, but the search result (supply chain) cannot be obtained for the unknown feature vector that is not registered. That is, since the number of dimensions m (> n) of the feature vector is high, there is a possibility that a valid search result cannot be obtained frequently. On the other hand, in the method according to the present embodiment, a certain categorization of the input X is performed by reducing the number of dimensions m of the input X to the number of dimensions n of the output Y by interposing the learning device 7e. Will be done. Then, if the manufacturing record database 7b is searched based on the categorized (lower-dimensional) n-dimensional output Y, even if it is an unknown feature vector, the past similar projects (same category) as the manufacturing record. 3D model data belonging to and its supply chain) can be obtained. From the above, the method according to the present embodiment is superior in search flexibility as compared with the comparative example.
また、本実施形態によれば、検索対象に対する実績品の形状的な類似性のみならず、検索条件の指定を可能にすることで、検索者の要求スペックを満たすサプライチェーンをより柔軟に検索することができる。 Further, according to the present embodiment, not only the shape similarity of the actual product to the search target but also the search condition can be specified, so that the supply chain satisfying the searcher's required specifications can be searched more flexibly. be able to.
なお、上述した実施形態では、製造実績データベース７ｂに記憶された付帯情報として、物品のサイズ、材質、加工精度、納期、および、ユーザ評価を用いているが、本発明はこれに限定されるものではなく、これらの項目の一部のみを用いてもよいし、これら以外の項目を付帯情報として追加してもよい。この場合、検索条件としては、付帯項目として設けられた項目の範囲内で適宜指定することができる。 In the above-described embodiment, the size, material, processing accuracy, delivery date, and user evaluation of the article are used as incidental information stored in the manufacturing record database 7b, but the present invention is limited thereto. Instead, only a part of these items may be used, or items other than these items may be added as incidental information. In this case, the search condition can be appropriately specified within the range of the items provided as incidental items.
また、上述した実施形態では、「モデルデータ」として、物品の三次元形状を規定する三次元モデルデータを扱う例について説明したが、本発明はこれに限定されるものではなく、物品の二次元形状を規定する二次元モデルデータを検索対象としてもよい。この場合、物体を見る視点に応じて物体の形状が異なるため、視点の位置を予め定義しておくことが好ましい。 Further, in the above-described embodiment, an example of handling three-dimensional model data that defines a three-dimensional shape of an article has been described as "model data", but the present invention is not limited to this, and the two-dimensional article is not limited to this. Two-dimensional model data that defines the shape may be searched. In this case, since the shape of the object differs depending on the viewpoint at which the object is viewed, it is preferable to define the position of the viewpoint in advance.
１ 製造仲介ネットワークシステム
２ 依頼者側クライアント
３ 製造者側クライアント
４ 製造仲介サーバ
５ 入力部
６ 取引モジュール
７ 検索モジュール
７ａ 仕様データ格納部
７ｂ 製造実績データベース
７ｃ 特徴抽出部
７ｄ 検索処理部
７ｅ 学習器
８ 出力部
1 Manufacturing mediation network system 2 Client side client 3 Manufacturer side client 4 Manufacturing mediation server 5 Input unit 6 Transaction module 7 Search module 7a Specification data storage unit 7b Manufacturing record database 7c Feature extraction unit 7d Search processing unit 7e Learner 8 Output Department
Claims (14)
検索対象となる物品の形状を表すモデルデータを含む仕様データに基づいて、当該検索対象となる物品の形状を少なくとも特徴化した特徴ベクトルを算出する特徴抽出部と、
過去に製造された物品である実績品の特徴ベクトルと、当該実績品で採用されたサプライチェーンとが対応付けられた実績レコードを実績品毎に記憶する製造実績データベースと、
前記製造実績データベースに記憶された実績品の特徴ベクトルの入力に対して、当該実績品のサプライチェーンが出力されるように、自己が有する関数の内部パラメータが調整された学習器と、
前記検索対象となる物品の特徴ベクトルを前記学習器に入力するとともに、前記学習器より出力されたサプライチェーンに基づき、前記製造実績データベースを検索することによって、前記検索対象となる物品の製造に適したサプライチェーンの候補となる前記実績レコードを抽出する検索処理部と
を有することを特徴とするサプライチェーン検索システム。 In a supply chain search system that searches a supply chain that indicates a series of manufacturing processes for goods.
A feature extraction unit that calculates a feature vector that at least characterizes the shape of the article to be searched based on specification data including model data representing the shape of the article to be searched.
A manufacturing record database that stores performance records for each performance product in which the feature vector of the performance product, which is an article manufactured in the past, and the supply chain adopted in the performance product are associated with each other.
A learner in which the internal parameters of its own function are adjusted so that the supply chain of the actual product is output in response to the input of the characteristic vector of the actual product stored in the manufacturing record database.
It is suitable for manufacturing the article to be searched by inputting the feature vector of the article to be searched into the learning device and searching the manufacturing record database based on the supply chain output from the learning device. A supply chain search system characterized by having a search processing unit that extracts the actual record that is a candidate for the supply chain.
前記検索処理部は、前記抽出された実績レコードに記述された製造工程毎の製造者を製造者の候補として特定すると共に、特定のサプライチェーンにおける製造工程毎の製造者の候補を、検索者が選択的に指定可能な形態で並べて表示した製造者選択リストを生成することを特徴とする請求項１に記載されたサプライチェーン検索システム。 The performance record describes the manufacturer in charge of each manufacturing process that constitutes the supply chain.
The search processing unit identifies the manufacturer for each manufacturing process described in the extracted performance record as a candidate for the manufacturer, and the searcher selects the candidate for the manufacturer for each manufacturing process in a specific supply chain. The supply chain search system according to claim 1, wherein a manufacturer selection list displayed side by side in a form that can be selectively specified is generated.
前記検索処理部は、検索者によって指定された検索条件と、前記実績レコードに記述された付帯情報とを比較することによって、前記抽出された実績レコードをフィルタリングすることを特徴とする請求項１に記載されたサプライチェーン検索システム。 The performance record describes incidental information including at least one of the size, material, processing accuracy, delivery date, and user evaluation of the article.
The first aspect of the present invention is that the search processing unit filters the extracted actual records by comparing the search conditions specified by the searcher with the incidental information described in the actual records. The listed supply chain search system.
検索対象となる物品の形状を表すモデルデータを含む仕様データに基づいて、当該検索対象となる物品の形状を少なくとも特徴化した特徴ベクトルを算出する第１のステップと、
前記検索対象となる物品の特徴ベクトルを前記学習器に入力するとともに、前記学習器より出力されたサプライチェーンに基づき、前記製造実績データベースを検索することによって、前記検索対象となる物品の製造に適したサプライチェーンの候補となる前記実績レコードを抽出する第２のステップと
を有する処理を前記コンピュータに実行させることを特徴とするサプライチェーン検索プログラム。 A program that causes a computer to execute a process of searching a supply chain indicating a series of manufacturing processes of an article, and the computer is adopted by the feature vector of the actual product which is an article manufactured in the past and the actual product. The supply chain of the actual product is output in response to the input of the actual product feature vector stored in the manufacturing actual database and the actual product stored in the manufacturing actual database, which stores the actual record associated with the supply chain for each actual product. In a supply chain search program that has a learner in which the internal parameters of its own functions are adjusted so that it is
The first step of calculating a feature vector that at least characterizes the shape of the article to be searched based on the specification data including the model data representing the shape of the article to be searched.
It is suitable for manufacturing the article to be searched by inputting the feature vector of the article to be searched into the learning device and searching the manufacturing record database based on the supply chain output from the learning device. A supply chain search program comprising causing the computer to execute a process having a second step of extracting the achievement record that is a candidate for the supply chain.
前記第２のステップは、前記抽出された実績レコードに記述された製造工程毎の製造者を製造者の候補として特定すると共に、特定のサプライチェーンにおける製造工程毎の製造者の候補を、検索者が選択的に指定可能な形態で並べて表示した製造者選択リストを生成するステップを含むことを特徴とする請求項８に記載されたサプライチェーン検索プログラム。 The performance record describes the manufacturer in charge of each manufacturing process that constitutes the supply chain.
In the second step, the manufacturer for each manufacturing process described in the extracted performance record is specified as a candidate for the manufacturer, and the candidate for the manufacturer for each manufacturing process in a specific supply chain is searched for. 8. The supply chain search program according to claim 8, wherein the supply chain search program includes a step of generating a manufacturer selection list displayed side by side in a form that can be selectively specified.
前記第２のステップは、検索者によって指定された検索条件と、前記実績レコードに記述された付帯情報とを比較することによって、前記抽出された実績レコードをフィルタリングするステップを含むことを特徴とする請求項８に記載されたサプライチェーン検索プログラム。 The performance record describes incidental information including at least one of the size, material, processing accuracy, delivery date, and user evaluation of the article.
The second step is characterized by including a step of filtering the extracted actual record by comparing the search condition specified by the searcher with the incidental information described in the actual record. The supply chain search program according to claim 8.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017006500A JP6836403B2 (en) | 2017-01-18 | 2017-01-18 | Supply Chain Search System and Supply Chain Search Program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017006500A JP6836403B2 (en) | 2017-01-18 | 2017-01-18 | Supply Chain Search System and Supply Chain Search Program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2018116454A JP2018116454A (en) | 2018-07-26 |
| JP6836403B2 true JP6836403B2 (en) | 2021-03-03 |
Family
ID=62983933
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017006500A Active JP6836403B2 (en) | 2017-01-18 | 2017-01-18 | Supply Chain Search System and Supply Chain Search Program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6836403B2 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102453977B1 (en) * | 2021-10-27 | 2022-10-14 | 주식회사 에이젠글로벌 | Method for collecting and processing supply chain data and apparatus for performing the method |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7433696B2 (en) | 2018-08-09 | 2024-02-20 | 日本無線株式会社 | Designed product quotation system and designed product quotation program |
| JP7391746B2 (en) * | 2020-03-27 | 2023-12-05 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | Order support equipment, methods and programs |
| JP2021157510A (en) * | 2020-03-27 | 2021-10-07 | エヌ・ティ・ティ・コミュニケーションズ株式会社 | Ordering support device, method and program |
| WO2021240819A1 (en) * | 2020-05-29 | 2021-12-02 | 三菱電機株式会社 | Estimate presentation device, estimate presentation program, and recording medium |
| JP7413445B2 (en) * | 2021-12-29 | 2024-01-15 | キャディ株式会社 | Device, method, and program for managing multiple drawing data representing a set of parts |
| EP4459537A1 (en) * | 2021-12-29 | 2024-11-06 | Caddi, Inc. | Device, method and program for managing multiple drawing data representing set of parts |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10230436A (en) * | 1997-02-21 | 1998-09-02 | Toyota Motor Corp | Manufacturing design support system, manufacturing design method, program recording medium for data output, and data storage device |
| JP2003345420A (en) * | 2002-05-28 | 2003-12-05 | Matsushita Electric Works Ltd | Electronic order and production method of three- dimensional form model, order and production system of three-dimensional form model, supporting server for them, and program thereof |
| US7639868B1 (en) * | 2003-06-16 | 2009-12-29 | Drexel University | Automated learning of model classifications |
| US8015125B2 (en) * | 2006-08-31 | 2011-09-06 | Drexel University | Multi-scale segmentation and partial matching 3D models |
| JP5153451B2 (en) * | 2008-05-21 | 2013-02-27 | 日本電信電話株式会社 | Similar item search device, similar item search method, program thereof, and recording medium |
| JP5530732B2 (en) * | 2010-01-29 | 2014-06-25 | 株式会社日立製作所 | Work instruction generation system, method and program |
-
2017
- 2017-01-18 JP JP2017006500A patent/JP6836403B2/en active Active
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102453977B1 (en) * | 2021-10-27 | 2022-10-14 | 주식회사 에이젠글로벌 | Method for collecting and processing supply chain data and apparatus for performing the method |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2018116454A (en) | 2018-07-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6836403B2 (en) | Supply Chain Search System and Supply Chain Search Program | |
| JP7049763B2 (en) | Recognizing 3D modeled objects from 2D images | |
| CN104504055B (en) | The similar computational methods of commodity and commercial product recommending system based on image similarity | |
| CN106062827B (en) | 3D model comparison method and system | |
| US20110047140A1 (en) | Computer System and Method for Providing Real-World Market-Based Information Corresponding with a Theoretical CAD Model and/or RFQ/RFP Data | |
| JP6075809B2 (en) | 3D printer device, 3D printing method, and manufacturing method of three-dimensional structure | |
| CN109558535B (en) | Personalized article pushing method and system based on face recognition | |
| Huang et al. | Ergonomic job rotation strategy based on an automated RGB-D anthropometric measuring system | |
| US20210350391A1 (en) | Methods and systems for providing a personalized user interface | |
| CN110458946B (en) | Method for constructing feature vector of 3D model and searching 3D model according to image features | |
| US20220067976A1 (en) | Normalized nesting cube and mapping system for machine learning to color coordinate products, patterns and objects on a homogenized ecommerce platform | |
| Kim et al. | Maintenance framework for repairing partially damaged parts using 3D printing | |
| CN110321473A (en) | Diversity preference information method for pushing, system, medium and equipment based on multi-modal attention | |
| JP2018073111A (en) | Retrieval system and retrieval program | |
| CN110458020A (en) | A kind of clothes fashion search method based on Shape context | |
| JP2023055219A (en) | Information processing device, information processing method and program | |
| Chou et al. | The RFM Model Analysis for VIP Customer: A case study of golf clothing brand | |
| Yurdakul et al. | Development of an intuitionistic fuzzy ranking model for nontraditional machining processes | |
| JP2012194691A (en) | Re-learning method and program of discriminator, image recognition device | |
| CN110737796B (en) | Image retrieval method, device, equipment and computer readable storage medium | |
| CN110020918B (en) | Recommendation information generation method and system | |
| Xia et al. | Automated manufacturability analysis in smart manufacturing systems: a signature mapping method for product-centered digital twins | |
| Zehtaban et al. | Beyond similarity comparison: Intelligent data retrieval for CAD/CAM designs | |
| CN107038593A (en) | A kind of method for processing abnormal data and system based on anti-fake traceability system | |
| US11934450B2 (en) | System and method for object matching using 3D imaging |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200117 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20201120 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210108 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210205 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6836403 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |