JP7062577B2 - 製造条件特定システムおよび方法 - Google Patents

Description

本発明は、情報処理等の技術に関し、製造フローの製造条件（manufacturing condition）の制御や特定に係わる技術に関する。

製造業における製造システムは、製造フローの製造条件の設定や制御に応じて、製造される製品の品質が変わり得る。そのため、製造される製品の品質を維持または向上できるように、好適な製造条件を特定するための情報処理システム等（製造条件特定システムと記載する場合がある）が開発されている。

製造条件の特定に係わる先行技術例として、特開２０１３－８４０５７号公報（特許文献１）、特開２０１１－３９７６３号公報（特許文献２）、特開２０１３－２０５８９０号公報（特許文献３）が挙げられる。特許文献１には、製品品質の管理方法等において、過去の製造条件から確率モデルを構築し、目標値と一致する製造条件を算出する旨が記載されている。特許文献２には、出力値予測方法等において、過去実績データから複数の予測値を出力する旨が記載されている。特許文献３には、機械学習システム等において、モデル使用時に入力する個数が所定数よりも多い場合に、ノンパラメトリック表現されたクラス集合を生成する旨、言い換えると次元数を減らす旨が記載されている。

特開２０１３－８４０５７号公報 特開２０１１－３９７６３号公報 特開２０１３－２０５８９０号公報

製造業の現場では、日々、製造状態が変化している。製造状態の変化とは、例えば、製造工程の製造装置の状態の変化である。例えば、製造フロー上の操業を続けることで、製造工程上、電流、電圧、温度、圧力等のパラメータの状態が変化する場合がある。また、例えば、製造装置の保守作業がされた場合に、製造装置の状態が変化する場合がある。

製品品質を維持または向上するためには、製造状態の変化に対応して好適な製造条件を特定し、その製造条件を製造フローに設定して操業することが有効である。なお、製品品質は、所定の評価指標値であり、例えば品質検査工程の検査結果の値、例えば収率（yield）として得られる。

従来技術例の製造条件特定システムとして、計算機上で学習モデルを用いて製造条件を予測するシステムが挙げられる。このシステムは、製造フローの製造条件および品質を含む実績のデータを用いてモデルを構築し、所定の学習モデルでの学習に基づいて、好適な製造条件を予測する。

しかしながら、従来技術例の製造条件特定システムは、製造状態の変化に対応して好適な製造条件を特定することに関して、改善余地がある。例えば、製造状態の変化の直後では、操業の実績から得られるデータ数が少なく、すなわち、学習モデルで学習を進めるためのデータ数が少ない。そのため、モデルの予測精度を高めることが難しい。モデルの予測精度を高めるためには、ある程度以上のデータ数をモデルに入力して学習を進める必要があるが、それには時間を要する。製造状態変化直後、モデルの予測精度が低い場合には、好適な製造条件を特定できない。その結果、製品品質を維持または向上することができない。

本発明の目的は、製造条件特定システムに関して、製造状態の変化がある場合にも、好適な製造条件を特定でき、製品品質を維持または向上できる技術を提供することである。上記以外の課題、構成および効果等については、発明を実施するための形態において説明される。

本発明のうち代表的な実施の形態は、以下に示す構成を有する。一実施の形態の製造条件特定システムは、製造フローの各製造工程の製造条件を特定する計算機を含む製造条件特定システムであって、前記計算機は、前記製造フローからの現時点を含む複数の時点の製造条件データおよび品質データを用いて、前記製造条件および品質に関するモデルを構築し、前記モデルの構築の際に、前記製造フローの製造工程の製造状態の変化を含む場合には、複数のモデルとして前記製造状態の変化毎に各モデルを構築し、前記モデルおよび品質目標値を用いて、第１学習モデルでの学習に基づいて、前記各モデルで、次時点の製造条件データの予測値を第１データとして計算し、前記モデルならびに現時点の製造条件データおよび品質データを用いて、次時点の品質データを予測し、前記次時点の品質データと前記現時点の品質データとの品質誤差を計算し、前記第１データおよび前記品質誤差を用いて、学習モデルでの学習に基づいて、次時点の製造条件データを特定し、前記特定した次時点の製造条件データを含む情報を記憶および出力する。

本発明のうち代表的な実施の形態によれば、製造条件特定システムに関して、製造状態の変化がある場合にも、好適な製造条件を特定でき、製品品質を維持または向上できる。

本発明の実施の形態の製造条件特定システムの計算機の構成を示す図である。 実施の形態で、製造フローおよびモデルの構成例を示す図である。 実施の形態の製造条件特定システムにおける、製造条件特定処理の処理フローを示す図である。 実施の形態の製造条件特定システムにおける、機能ブロックやデータの構成例を示す図である。 実施の形態の製造条件特定システムにおける、部分空間変換処理の処理フローを示す図である。 実施の形態で、モデル構築の画面例を示す図である。 実施の形態で、製造条件データおよび部分空間データの画面例を示す図である。 実施の形態で、品質データの画面例を示す図である。 実施の形態で、特定した製造条件データの画面例を示す図である。 実施の形態で、モデル構築設定の画面例を示す図である。 実施の形態で、ステップＳ１１の処理例を示す図である。 実施の形態で、ステップＳ１３の処理例、およびステップＳ１４の処理例を示す図である。 実施の形態で、ステップＳ１４の処理例を示す図である。 実施の形態で、製造条件データの構成例を示す図である。 実施の形態で、品質データの構成例を示す図である。 実施の形態で、因果関係モデルデータの構成例を示す図である。 実施の形態で、第１学習モデルデータの構成例を示す図である。 実施の形態で、部分空間データの構成例を示す図である。 実施の形態で、第３学習モデルデータの構成例を示す図である。 実施の形態で、製造状態変化有無に応じた製造条件データからのモデル構築の例を示す図である。

以下、本発明の実施の形態を図面に基づいて詳細に説明する。なお、実施の形態を説明するための全図において同一部には原則として同一符号を付し、その繰り返しの説明は省略する。

（実施の形態）
図１～図２０を用いて、本発明の実施の形態の製造条件特定システムについて説明する。実施の形態の製造条件特定システムは、計算機上で、モデルおよび学習を用いて、対象の製造フローの製造状態の変化に対応した好適な製造条件を特定するシステムである。実施の形態の製造条件特定方法は、実施の形態の製造条件特定システムにおいて実行されるステップを有する方法である。

実施の形態の製造条件特定システムは、操業の実績に基づいた、製造フローの製造状態変化を含み得る、現時点を含む複数の時点の製造条件データおよび品質データを用いて、製造条件および品質に関する１つ以上のモデルを構築する。このシステムは、現時点までの製造条件データおよびモデルを用いて、学習モデルでの学習に基づいて、次時点の製造条件データの予測値を計算する。また、このシステムは、現時点までの品質データおよびモデルを用いて、次時点の品質の予測値を計算し、現時点の品質との品質誤差を計算する。このシステムは、それらのデータを用いて、学習モデルでの学習に基づいて、次時点の好適な製造条件データを特定する。これにより、製造状態変化後における次時点の好適な製造条件データが得られる。このシステムは、特定した製造条件データ等の情報を記憶および出力する。この製造条件データが製造フローに反映、すなわち設定等され、操業が行われる。これにより、製造状態変化後の製品品質を維持または向上できる。

また、実施の形態の製造条件特定システムは、モデルを用いて得た製造条件データを、次元数を低減するように、部分空間へ変換する。この変換は、モデルの情報量を削減せずに、データの次元数を低減して、その後の学習を可能とする変換である。このシステムは、変換後に得られた部分空間データを用いて、学習モデルに基づいて、好適な製造条件を特定する。その特定処理の際には、入力として少ない次元数のデータを扱えばよく、効率的に処理が可能である。

［製造条件特定システム］
図１は、実施の形態の製造条件特定システムの構成を示す。実施の形態の製造条件システムは、計算機１によって実装されている。計算機１は、一般的なＰＣ等で構成できる。計算機１は、他に、通信網上のサーバ装置等で構成されてもよい。計算機１は、ソフトウェアプログラム処理によって特徴的な機能を実現する。ユーザは、計算機１を操作して、製造条件特定等の作業を行う。ユーザは、例えば、製造システムや機械学習に関する専門知識を持つシステムエンジニア（ＳＥ）等の人である。

計算機１は、入出力部１１、通信部１２、表示部２０、制御部３０、記憶部４０等を有し、それらが図示しないバス等で接続されている。入出力部１１には、図示しない入力装置（例えばキーボードやマウス）、表示装置（例えば液晶ディスプレイ、タッチパネル）や他の出力装置（例えばプリンタ）が接続されており、ユーザの操作を受け付ける。通信部１２は、計算機１の外部のＬＡＮ等の通信網に対する通信インタフェース装置を含む部分であり、外部のサーバ装置や製造システムの装置との通信処理を行う。通信部１２は、制御部３０からの制御に従って、外部の装置から、製造条件データ等のデータや情報を取得する。

表示部２０は、製造条件特定システムに係わる画面（対応する画面データ等）を構成し、表示装置の表示画面に表示させる。後述の各種の画面には、製造条件、品質、モデル等の各種の情報が表示される。画面は、製造条件特定システムのグラフィカル・ユーザ・インタフェース（ＧＵＩ）として機能する。画面には、ウィンドウやスクロールバーやリストボックスやボタン等のＧＵＩ部品が表示され、それらを通じてユーザ操作が可能である。

ユーザまたは計算機１は、対象の製造システムの製造フロー（後述の図２）の各製造工程から、製造条件データや品質データ等の必要なデータを取得する。この必要なデータの取得の仕方は、任意であり、特に限定されない。実施の形態では、特に、計算機１は、ＬＡＮ等の通信網を通じて、対象の製造システムに接続される。そして、計算機１は、製造システムの製造装置やセンサ、または制御装置等から、通信を介して、製造条件データや品質データ、製造フロー構成情報等を取得する。これにより、計算機１は、製造フローの状態や操業の実績をモニタすることができる。計算機１は、例えば製造装置やセンサから出力されるファイルや信号を、データとして利用可能である。

ユーザは、計算機１に必要なデータを入力し、計算機１による計算を実行させる。計算機１は、入力されたデータを用いて構築したモデルを用いた計算によって、対象の製造フローの好適な製造条件を特定する。ユーザは、計算機１によって得た好適な製造条件を、画面で確認し、対象の製造システムの製造フローに反映する。すなわち、製造フローの各製造工程の製造装置には、製造条件に対応した制御用のパラメータ値等が設定される。なお、計算機１から、通信を介して、製造フローの各製造工程の製造装置に、製造条件等を送信して設定できる形態としてもよい。

制御部３０は、言い換えるとプロセッサであり、例えばＣＰＵ、ＲＡＭ、ＲＯＭ等の公知の要素により構成される。制御部３０は、プログラム処理に基づいて実現される主な処理部として以下を有する。すなわち、制御部３０は、モデル構築部３１、モデル製造条件特定部３２、品質特定部３３、製造条件判別部３４、部分空間特定部３５、製造条件特定部３６を有する。制御部３０は、記憶部４０に、製造条件特定に係わる各種のデータを格納し、情報を管理する。

記憶部４０は、製造条件特定に係わる各種のデータや情報を記憶する。記憶部４０は、不揮発性メモリやストレージ装置等で構成でき、外部のＤＢサーバ等で構成されてもよい。記憶部４０は、製造条件データ記憶部４１、品質データ記憶部４２、モデル記憶部４３、第１学習モデル記憶部４４、第２学習モデル記憶部４５、部分空間記憶部４６、第３学習モデル記憶部４７を含む。製造条件データ記憶部４１には、製造フローから取得した製造条件データや、計算機１で特定した製造条件データが記憶される。品質データ記憶部４２には、製造フローから取得した品質データ等が記憶される。モデル記憶部４３には、計算機１が構築した、製造条件および品質に関するモデルのデータが記憶される。第１学習モデル記憶部４４には、後述の第１学習モデルのデータが記憶される。第２学習モデル記憶部４５には、後述の第２学習モデルのデータが記憶される。部分空間記憶部４６には、後述の部分空間データが記憶される。第３学習モデル記憶部４７には、後述の第３学習モデルのデータが記憶される。

表示部２０は、制御部３０の処理に基づいて、表示装置の画面に各種のデータや情報を表示する処理を行う部分である。表示部２０は、モデル表示部２１、製造条件表示部２２、部分空間表示部２３、品質表示部２４、製造条件特定表示部２５を含む。モデル表示部２１は、画面（後述の図６）に、構築されたモデルをグラフィカルに表示する。製造条件表示部２２は、画面（後述の図７）に、製造条件データを表示する。部分空間表示部２３は、画面（後述の図７）に、部分空間データを表示する。品質表示部２４は、画面（後述の図８）に、品質として製品収率のグラフを表示する。製造条件特定表示部２５は、画面（後述の図９）に、計算機１が特定した好適な製造条件データを表示する。

モデル構築部３１は、製造条件記憶部４１の製造条件データと、品質データ記憶部４２の品質データとを用いて、１つ以上のモデル（後述の図４のモデル５０）を構築する処理を行う部分である（後述の図３および図４のステップＳ２）。なお、モデルの構築とは、既に構築されたモデルの更新を含む。

モデル製造条件特定部３２は、モデル構築部３１で得たモデルと、品質目標値とを用いて、所定の学習モデル（第１学習モデルとする）での学習に基づいて、次時刻の製造条件の予測値を特定する処理を行う部分である（後述の図３および図４のステップＳ４）。

製造条件判別部３４は、上記モデルを用いずに、実際の製造から得られた直近の現時点の製造条件データを用いて、所定の学習モデル（第２学習モデルとする）での学習に基づいて、次時刻の製造条件の予測値を判別する処理を行う部分である（後述の図３および図４のステップＳ６）。

品質特定部３４は、モデル構築部３１で得たモデルと、現時刻の製造条件データとを用いて、次時刻の品質を予測し、その次時点の品質と現時点の品質との誤差である品質誤差を計算する処理を行う部分である（後述の図３および図４のステップＳ５）。

部分空間特定部３５は、モデル製造条件特定部３２から得た次時刻の製造条件データ（第１データとする）と、製造条件判別部３４から得た次時刻の製造条件データ（第２データとする）と、品質特定部３３から得た品質誤差とを含む各データを入力データとする。部分空間特定部３５は、入力データの製造条件データを、元の空間とは異なる空間である部分区間へ変換する処理を行う部分である（後述の図３および図４のステップＳ７）。この処理である部分空間変換処理は、言い換えると、入力データを、次元数を低減した低次元空間へ射影する処理である。この部分空間変換処理は、入力の製造条件データの次元数を、製造条件特定部３６の製造条件特定処理の入力形式に合わせるように低減する。この部分空間変換処理は、入力の次元数を、下記の第３学習モデルの入力の次元数に合わせるように低減する。この部分空間変換処理の結果、部分空間データである部分空間製造条件データが得られる。

製造条件特定部３６は、部分空間特定部３５から得た部分空間製造条件データを入力として、所定の学習モデル（第３学習モデルとする）での学習に基づいて、最終的に、次時刻の最適な製造条件を特定する処理を行う部分である（後述の図３および図４のステップＳ８）。

［製造フローおよびモデル］
図２は、製造フローおよびモデル（図４のモデル５０）の構成例を示す。図２の上側には製造フローの概要を示し、下側にはその製造フローに基づいて構築されるモデルの例として因果関係モデルの概要を示す。製造フローは、上流から下流への複数の工程（＝製造工程）から構成され、本例では、４個の工程として、工程＃１，＃２，＃３，＃４＝＃Ｌを有する。本例では、最後の工程＃Ｌは、品質検査工程である。各工程には、１つ以上の製造装置や１つ以上のセンサが関係付けられて設けられている。品質検査工程には、検査装置やセンサが設けられており、検査結果データとして品質データを出力する。例えば、工程＃１は、製造装置＃１，＃２を有する。製造装置＃１は、工程＃１での製造を、設定されている製造条件に従って制御および実行する。製造装置＃１は、例えばセンサＡ，Ｂを備える。センサＡは、工程＃１での製造装置＃１による製造の際に、所定のパラメータ値を検出し、観測データとして出力する。同様に、各工程に製造装置やセンサが設けられており、それらは工程の順序等に従って接続されている。このような製造フローの構成は、製造システムで製造フロー構成情報として管理されている。

各工程には、製造条件データが関係付けられている。製造条件データ（対応するデータ項目）は、製造装置やセンサの状態を制御するパラメータ値であり、一般的なパラメータとして例えば電流、電圧、温度、圧力等が挙げられる。実施の形態の製造条件特定システムの計算機１は、製造システムの製造フローから、製造条件データ、品質データ、製造フロー構成情報等を取得する。ユーザまたは計算機１は、各工程の製造装置または制御装置等から、製造条件データ等を取得可能である。製造条件特定システムは、製造フローの製造状態変化を含む、時系列上の各時点で、製造条件データおよび品質データを、操業の実績のモニタとして取得することができる。

なお、実施の形態では、製造フローの最後の工程として品質検査工程を有し、品質検査工程から品質データが得られ、その品質データと製造条件データとが関連付けられる方式を適用している。これに限らず、例えば製造フローとは独立に品質検査フローが存在する方式の場合にも、同様に適用可能である。

実施の形態の製造条件特定システムは、上記製造フローから取得した製造条件データおよび品質データに基づいて、因果関係モデルを構築する。図２の下側の因果関係モデルは、ネットワーク構造で表現できる。すなわち、このモデルは、円で示すノードと矢印で示すエッジとの接続によって表現できる。各製造条件データは、ノードとして表現できる。エッジは、因果関係の向きを表す。本例では、製造条件データとして、センサＡ，Ｂ，……，Ｒの観測データを用いた、因果関係モデルの場合を示す。例えば、工程＃１に対応する部分では、センサＡの観測データに対応するノードＡから、ノードＢおよびノードＣに接続されている。ノードＢはノードＣに接続されている。ノードＣはノードＤおよびノードＧに接続されている。

実施の形態の製造条件特定システムは、構築したモデルに基づいて、好適な製造条件データを特定し、特定した製造条件データを記憶および出力する。なお、ユーザまたは計算機１は、製造フロー構成情報等を参照することで、特定した製造条件データ等が、製造フローのどの製造工程のどの製造装置やセンサに対応付けられるか等の対応関係を確認できる。例えば、ユーザは、計算機１で特定した製造条件データを、製造フローの構成と対応付けた情報を、製造システムまたは製造現場の人へ出力できる。あるいは、計算機１は、特定した製造条件データを、製造フローの構成と対応付けた情報を、製造システムに送信し、各製造装置等に設定させることができる。

［処理フローおよび機能ブロック構成］
図３は、実施の形態の製造条件特定システムにおける、計算機１の制御部３０による製造条件特定処理を含む処理フローを示す。図３の処理フローは、ステップＳ１～Ｓ９を有する。図４は、図３の各ステップと対応させて、各データや制御部３０の機能ブロックの構成を示す。以下、図３と併せて図４を参照しながらステップの順に処理を説明する。

（Ｓ１） まず、ステップＳ１で、制御部３０は、操業の実績のモニタとして、製造フローの各製造工程から製造条件データを取得し、品質検査工程から品質データを取得する。制御部３０は、取得した製造条件データを製造条件データ記憶部４１に記憶し、取得した品質データを品質データ記憶部４２に記憶する。モデル構築部３１は、記憶部４０から、取得された製造条件データＤ１および品質データＤ２を参照する。

なお、各データ（Ｄ１，Ｄ２）は、製造状態変化前後の時点を含む、時系列上の各時点（対応する取得時刻）で取得されたデータである。説明上の時点として、時刻Ｔを用いる。ある時刻Ｔで得られた製造条件データおよび品質データを、時刻Ｔの製造条件データ、時刻Ｔの品質データ、のように表す場合がある。また、現時点を時刻（ｔ）、次時点を時刻（ｔ＋１）、のように表す場合がある。

（Ｓ２） 次に、ステップＳ２で、モデル構築部３１は、ステップＳ１で得た最新の時刻Ｔの製造条件データおよび品質データに加え、記憶部４０に記憶されている過去の操業の時点で得られた製造条件データおよび品質データを用いて、モデル５０を構築する。モデル５０は、１つ以上のモデルである。実施の形態では、モデル５０は、製造状態変化がある場合には複数（Ｎ）のモデルである。モデルの数をＮとする。実施の形態では、複数（Ｎ）のモデルのすべては、図２のような因果関係モデルが用いられる。

モデル構築部３１は、製造状態変化に応じた各時刻の製造条件データＤ１および品質データＤ２から、モデル５０の各モデルを構築する。モデル構築部３１は、このモデル構築の際、製造状態変化の時点毎に分けることで、複数のモデルを構築する（例えば後述の図２０）。モデル構築部３１は、このモデル構築の際、例えば、ある製造工程上で製造状態変化のイベントが有る場合には、そのイベント時刻によって製造条件データを分割する。そして、モデル構築部３１は、分割された複数のデータの区間に応じて、区間毎にモデルを構築する。例えば製造状態変化のイベントが１つ有る場合には、製造状態変化前の期間のモデルと製造状態変化後の期間のモデルとの各モデルが構築される。

なお、モデル５０は、因果関係モデルに限定されず、他の方式のモデルも適用可能である。また、複数（Ｎ）のモデルには、複数種類の方式のモデルが混在してもよい。

モデル構築部３１は、構築したモデル５０のデータを、モデル記憶部４３に記憶させる。また、モデル表示部２１は、構築されたモデル５０の情報を、図６のモデル構築画面に表示する。

（Ｓ３） ステップＳ３で、制御部３０は、ユーザ操作に基づいて、品質目標値を設定する。例えば、表示部２０は、品質に関する設定画面を提供する。後述の図８の品質画面内に、品質目標値の設定欄を設けてもよい。ユーザは、その設定画面で、品質目標値、例えば製品収率の目標値を設定する。制御部３０は、品質目標値Ｄ３を含む設定情報を、品質データ記憶部４２に記憶させる。制御部３０は、予め設定されている品質目標値の設定情報がある場合には、それを参照してもよい。

（Ｓ４） ステップＳ４で、モデル製造条件特定部３２は、Ｓ２で構築されたモデル５０を用いて、複数のモデルがある場合にはモデル毎に、現時刻（ｔ）に対する次時刻（ｔ＋１）の製造条件データの予測値を特定する。図４では、モデル製造条件特定部３２は、モデル５０および品質目標値Ｄ３から、第１学習モデルＬＭ１での学習に基づいて、モデル毎の予測値として、次時刻の製造条件データＤ６を計算する。この製造条件データＤ６が第１データである。

モデル製造条件特定部３２は、Ｓ４の処理の際、モデル５０のモデル毎に、品質目標値Ｄ３に対して品質が良品となる製造条件を特定する。モデル製造条件特定部３２は、得た製造条件データＤ６を記憶部４０内に格納する。モデル製造条件特定部３２は、更新を含め、使用した第１学習モデルのデータを、第１学習モデル記憶部４５に記憶させる。実施の形態では、第１学習モデルは、例えば、強化学習モデルが用いられる。

（Ｓ５） ステップＳ５で、品質特定部３３は、Ｓ２のモデル５０を用いて、現時刻（ｔ）の製造条件データＤ４および品質データＤ５から、次時刻（ｔ＋１）の品質データＤ７を予測する。そして、品質特定部３３は、予測した次時刻の品質データＤ７と、現時刻（ｔ）の品質データＤ６とを比較し、それらの誤差である品質誤差Ｄ８を計算する。現時刻（ｔ）の製造条件データＤ４および品質データＤ５は、品質データ記憶部４２に記憶されていたデータを用いることができる。品質特定部３３は、Ｓ５で計算したデータ（Ｄ７，Ｄ８）を、品質データ記憶部４２に記憶させる。

（Ｓ６） ステップＳ６で、製造条件判別部３４は、モデル５０を用いずに、実績における直近の現時刻（ｔ）の製造条件データＤ４から、第２学習モデルＬＭ２での学習に基づいて、次時刻（ｔ＋１）の製造条件データＤ９の予測値を判別する。この製造条件データＤ９が第２データである。製造条件判別部３４は、得た製造条件データＤ９を記憶部４０内に格納する。製造条件判別部３４は、更新を含め、第２学習モデルＬＭ２のデータを、第２学習モデル記憶部４５に記憶させる。実施の形態では、第２学習モデルＬＭ２は、例えば、第１学習モデルＬＭ１と同様に、強化学習モデルが用いられる。

実施の形態では、第１データである製造条件データＤ６と、第２データである製造条件データＤ９との両方を、Ｓ７の処理の入力データとして用いる。

（Ｓ７） ステップＳ７で、部分空間特定部３６は、Ｓ４で得た第１データである次時刻の製造条件データＤ６と、Ｓ６で得た第２データである次時刻の製造条件データＤ９と、Ｓ５で得た品質誤差Ｄ８と、現時刻の製造条件データＤ４とを含む各データを入力する。部分空間特定部３６は、それらの第１データおよび第２データを含む入力データの製造条件データを、部分空間データへ変換する部分空間変換処理を行う。Ｓ４で得た第１データである次時刻の製造条件データＤ６は、モデル５０の数Ｎに対応したＮ個のデータである。Ｓ６で得た第２データである次時刻の製造条件データＤ９は、１個のデータである。すなわち、Ｓ７の入力の製造条件データは、（Ｎ＋１）個のデータである。Ｓ７の部分空間変換処理は、それらの（Ｎ＋１）個の製造条件データを、元とは異なる空間である部分空間（言い換えると低次元空間）へ射影する処理である。

このＳ７の変換は、入力データの次元数を、Ｓ８の製造条件特定処理の入力形式の次元数に合わせるように低減する変換である。言い換えると、Ｓ８の製造条件特定処理における第３学習モデルＬＭ３の入力形式の次元数は、Ｓ７で得られる部分空間データの次元数と合わせられている。Ｓ７で得られた部分空間データは、部分空間上に射影されたデータであり、パラメータの次元数が低減されたデータである。入力の（Ｎ＋１）個の製造条件データの次元数をＤＮ１とし、部分空間データの次元数をＤＮ２とすると、ＤＮ１＞ＤＮ２である。この次元数ＤＮ２は、Ｓ８の製造条件特定処理の第３学習モデルＬＭ３の入力の次元数に合わせられている。Ｓ７の処理詳細については後述する。

部分空間特定部３６は、出力データである部分空間データとして、部分空間製造条件データＤ１０を得る。部分空間特定部３６は、得た部分空間データを、部分空間記憶部４６に記憶させる。部分空間表示部２３は、部分空間データを、図７の画面の部分空間データ領域２３０に表示する。

（Ｓ８） ステップＳ８で、製造条件特定部３６は、Ｓ７で得た部分空間製造条件データＤ１０を用いて、第３学習モデルＬＭ３での学習に基づいて、最適な次時刻（ｔ＋１）の製造条件データＤ１１を特定する。この製造条件データＤ１１が第３データである。この処理の際、製造条件特定部３６は、部分空間データにおける（Ｎ＋１）個の製造条件データの中から、最終的に、製造フローに適用するための最適な製造条件データを特定する。この処理の際、製造条件特定部３６は、過去の製造条件データ、および品質誤差Ｄ８を用いて、第３学習モデルＬＭ３を構築する。実施の形態では、第３学習モデルＬＭ３として、強化学習モデルが用いられる。製造条件特定部３６は、特定した次時刻（ｔ＋１）の製造条件データＤ１１を、製造条件データ記憶部４１に記憶させる。製造条件特定部３６は、更新を含め、第３学習モデルＬＭ３のデータを、第３学習モデル記憶部４７に記憶させる。

（Ｓ９） ステップＳ９で、表示部２０は、上記処理の結果得られた、製造条件データ、品質データ、およびモデル等の各種のデータや情報を、画面に表示するように、画面表示内容を更新する。例えば、製造条件特定表示部２５は、Ｓ８で特定した次時刻（ｔ＋１）の製造条件データＤ１１の情報を、図９の結果画面の製造条件データ領域２５１に表示する。また、製造条件特定表示部２５は、特定された製造条件データＤ１１に対応して、モデル５０から選択されたモデルの情報を、図９の結果画面のモデル領域２５２に表示する。ユーザは、結果画面を見て、最適な製造条件やそれを特定する際に用いられたモデルを確認できる。

ユーザは、操作に応じて、特定された最適な製造条件データＤ１１を、製造システムの製造フローに反映させることができる。例えば、図９の結果画面内のＯＫボタンを押すことで、その製造条件データＤ１１を製造フローに設定することができる。その後、次時刻以降の操業が行われる。図３の処理フローは、時点毎に同様に繰り返しであり、それに伴い、各学習モデルでの学習が進み、次第に予測精度が高くなる。なお、各種のデータの画面表示は、ユーザ操作やユーザ設定に応じて省略も可能である。ユーザは、画面で所望のデータを指定して画面に表示させることや外部にそのデータを出力させることもできる。

［部分空間変換処理］
図５は、図３の処理フローのうちステップＳ８の部分空間特定部３５による部分空間変換処理の処理フローを示す。図５の処理フローは、ステップＳ１０～Ｓ１５を有する。

（Ｓ１０） まず、ステップＳ１０で、部分空間特定部３５は、図４の現時刻（ｔ）の製造条件データＤ４を取得する。また、部分空間特定部３５は、Ｓ４でモデル５０から得られたＮ個の次時刻（ｔ＋１）の製造条件データＤ６である第１データを取得する。また、部分空間特定部３５は、Ｓ６で直近の製造条件データＤ４から得られた１個の次時刻（ｔ＋１）の製造条件データＤ９である第２データを取得する。また、部分空間特定部３５は、Ｓ５で得られた品質誤差Ｄ８を取得する。

（Ｓ１１） ステップＳ１１で、部分空間特定部３５は、Ｓ１０で得た各製造条件データ（Ｄ６，Ｄ９）から、現時刻（ｔ）と次時刻（ｔ＋１）の製造条件データの差分を計算し、その差分をベクトル値（言い換えると差分ベクトル）として、それぞれ保持する。Ｓ１１の詳細を後述の図１１で示す。

（Ｓ１２） ステップＳ１２で、部分空間特定部３５は、Ｓ１１で得たベクトル値を、後述の図１２の（Ａ）で示すように、縦ベクトルに連結する。

（Ｓ１３） ステップＳ１３で、部分空間特定部３５は、Ｓ１２で得た縦ベクトルを、後述の図１２の（Ｂ）で示すように、製造条件データの項目毎に、ベクトルの和で表現する。

（Ｓ１４） ステップＳ１４で、部分空間特定部３５は、Ｓ１３で得たベクトルの和について、分解したベクトルの各成分が１となるように、それぞれのベクトルの係数値を算出する。Ｓ１４の詳細を後述の図１３で示す。部分空間特定部３５は、得たベクトルの係数値を、製造条件データを部分空間に射影したデータとみなし、部分空間製造条件データＤ１０とする。この部分空間データは、Ｓ８の処理の入力として使用される。

図１１は、ステップＳ１１の処理例を示す。本例では、簡単に、製造条件データのデータ項目が２個であり、モデル５０の数Ｎが２である場合を示す。定義等は以下の通りである。モデル５０の各モデルを、モデルＭｉで表す（ｉ＝１，２）。本例では、モデルＭ１＝モデル＃１、モデルＭ２＝モデル＃２を用いる。製造状態変化前後に対応する２つの時刻Ｔを、時刻（ｔ）、時刻（ｔ＋１）とする。モデルＭｉの時刻（ｔ）における製造条件データを、ｘ_ｉ，ｔとする。モデルＭｉの時刻（ｔ＋１）における製造条件データを、ｘ_{ｉ，ｔ＋１}とする。ｉ＝０（ｘ_０）は、実際の製造条件データから特定した製造条件データを表すとする。製造条件データのモデル毎の時間差分（すなわち差分ベクトル）を、Δｘとする。あるデータ値の例での計算は、以下の通りである。

モデル＃１（Ｍ１）について、時刻（ｔ＋１）の製造条件データｘ_{1，ｔ＋１}は、２行１列の行列、言い換えると次元数＝２の列ベクトルで表現した場合に、式１で表される。式１は、行ベクトル表現では、ｘ_{1，ｔ＋１}＝（４，４）であり、第１データ項目値＝４、第２データ項目値＝４である。時刻（ｔ）の製造条件データｘ_1，ｔは、同様に表現した場合に、式２で表される。式２は、行ベクトル表現では、ｘ_1，ｔ＝（２，３）であり、第１データ項目値＝２、第２データ項目値＝３である。部分空間特定部３５は、式１の製造条件データｘ_{1，ｔ＋１}と式２の製造条件データｘ_1，ｔとの差分をとり、式３の差分ベクトルを作成する。式３は、行ベクトル表現では、Δｘ_１＝ｘ_{1，ｔ＋１}－ｘ_1，ｔ＝（２，１）である。

同様に、モデル＃２（Ｍ２）について、時刻（ｔ＋１）の製造条件データｘ_{２，ｔ＋１}は、２行１列の行列、言い換えると次元数＝２の列ベクトルで表現した場合に、式４で表される。式４は、行ベクトル表現では、ｘ_{２，ｔ＋１}＝（５，４）である。時刻（ｔ）の製造条件データｘ_２，ｔは、式５で表される。式５は、行ベクトル表現では、ｘ_２，ｔ＝（３，３）である。部分空間特定部３５は、式４の製造条件データｘ_{２，ｔ＋１}と式５の製造条件データｘ_２，ｔとの差分をとり、式６の差分ベクトルを作成する。式６は、行ベクトル表現では、Δｘ_２＝ｘ_{２，ｔ＋１}－ｘ_２，ｔ＝（２，１）である。

実際の製造条件（ｉ＝０）について、時刻（ｔ＋１）の製造条件データｘ_{０，ｔ＋１}は、２行１列の行列、言い換えると次元数＝２の列ベクトルで表現した場合に、式７で表される。式７は、行ベクトル表現では、ｘ_{０，ｔ＋１}＝（５，４）である。時刻（ｔ）の製造条件データｘ_０，ｔは、式８で表される。式８は、行ベクトル表現では、ｘ_０，ｔ＝（３，３）である。部分空間特定部３５は、式７の製造条件データｘ_{０，ｔ＋１}と式８の製造条件データｘ_０，ｔとの差分をとり、式９の差分ベクトルを作成する。式９は、行ベクトル表現では、Δｘ_０＝ｘ_{０，ｔ＋１}－ｘ_０，ｔ＝（２，１）である。

図１２の（Ａ）は、ステップＳ１２の処理例を示す。部分空間特定部３５は、図１１の差分ベクトル｛Δｘ_１，Δｘ_２，Δｘ_０｝を、縦に連結した縦ベクトルを作成する。縦ベクトルをＶとする。縦ベクトルＶは、式１０で表される。式１０の縦ベクトルＶは、行ベクトル表現では、（２，１，２，１，２，１）である。

図１２の（Ｂ）は、ステップＳ１３の処理例を示す。部分空間特定部３５は、図１２の（Ａ）の縦ベクトルＶを、製造条件データのデータ項目毎のベクトルの和で表現する。第１データ項目のベクトルをＶ１、第２データ項目のベクトルをＶ２とする。Ｖ＝Ｖ１＋Ｖ２であり、式１１で表される。式１１のＶ１は、行ベクトル表現では、（２，０，２，０，２，０）であり、Ｖ２は、（０，１，０，１，０，１）である。

図１３は、ステップＳ１４の処理例を示す。部分空間特定部３５は、図１３の（Ｂ）のベクトル和（Ｖ＝Ｖ１＋Ｖ２）について、それぞれの成分が１になるように、係数値を計算する。係数をｃ１，ｃ２とする。計算式は式１２で表される。式１２は、行ベクトル表現では、Ｖ＝Ｖ１＋Ｖ２＝ｃ１×（１，０，１，０，１，０）＋ｃ２×（０，１，０，１，０，１）である。式１２から得られる係数値は、例えば（ｃ１，ｃ２）＝（２，１）である。部分空間特定部３５は、式１３で示すように、得られた係数値を、２行１列の行列、言い換えると次元数＝２の列ベクトルとして、部分空間データとする。式１３の部分空間データは、行ベクトル表現では、（ａ１，ａ２）である。この部分空間データは、次元数を低減するように、製造条件データを射影したデータとなっている。元のベクトルＶの次元数＝６に対し、部分空間データの次元数＝２と低減されている。

図４のステップＳ８の製造条件特定部３６は、このような次元数が低減された部分空間製造条件データＤ１０を入力として、第３学習モデルＬＭ３に基づいて、次時刻の製造条件データＤ１１を特定する処理を行う。このＳ８の処理は、部分空間変換によって入力データの次元数が低減されているので、部分空間変換を行わない場合と比べて、短時間で効率的に処理を行うことができる。すなわち、実施の形態の製造条件特定システムは、短時間で最適な部分条件を特定することができる。その最適な部分条件をすぐに製造フローに反映することができるので、製造状態変化後でも短期間で製品収率を向上できる。

［製造状態変化］
製造状態変化の例については以下が挙げられる。製造システムの製造フローを構成する各製造工程の製造装置等に対しては、作業者によって保守作業が行われる場合がある。この場合に、その保守のイベント（対応するイベント時刻）の前後で、その製造装置等の内部または外部の物理的な状態、例えば電流等のパラメータの値が、一定値ではなく、変化する場合がある。この製造状態変化に応じて、最適な製造条件が変化している可能性がある。製造状態変化後にも変化前と同じ製造条件を適用し続けて操業を行った場合、変化後に製造される製品の品質が低下している可能性がある。すなわち、製造状態変化に応じて、好適な製造条件は内部的に変化している可能性があり、変化後の好適な製造条件を特定することが必要である。そこで、実施の形態の製造条件特定システムは、このような製造状態変化に対応させて、モデルおよび学習モデルを構築し、変化後の次時刻に対応した好適または最適な製造条件を特定する機能を有している。

なお、実施の形態の製造条件特定システムで扱う時点や時間の単位は、対象の製造システムの製品製造時間に応じた大きさを持つ単位であり、例えば日（day）、時（hour）、分（minute）等の単位が挙げられ、適宜に設定可能である。

製造条件データを構成するパラメータは、対象の製造システムの製造フローに応じたものであり、適宜に設定可能であり、特に限定されない。パラメータの一例は、電流、電圧、温度、圧力等である。これらのパラメータは、制御または測定等が可能なパラメータである。例えば、製造装置内の所定の箇所の電流や電圧、製造装置内の所定の空間の圧力、製造装置内部または外部の付近の環境の温度、等が挙げられる。適用可能である対象の製造システムおよび製造フローの例としては、少なくとも半導体製造システムおよび製造フローが挙げられるが、これに限定されない。

［表示画面］
図６～図１０は、製造条件特定システムにおける、計算機１の表示部２０によって表示装置の表示画面に表示される主な画面例を示す。この画面例は、図６のモデル構築画面、図７の製造条件画面、図８の品質画面、図９の結果画面、図１０のモデル構築設定画面、等がある。

［モデル構築画面］
図６のモデル構築画面は、モデル５０の情報を表示するための、１つ以上のモデル表示領域２１０を含む。図６の例では、複数（Ｎ）のモデルのうち３個のモデルに対応する３つのモデル表示領域２１０の部分を示している。モデル表示領域２１０は、モデル構築部３１が得たモデルの構成をモデル表示部２１によってグラフィカルに表示する領域である。モデル表示領域２１０は、領域２１３、設定（Setting）ボタン２１１、構築（Build）ボタン２１２、ラベル２１４を含む。領域２１３には、１つのモデルが表示される。ラベル２１４には、モデル毎のラベルとして番号や名前等が表示される。

図６の例では、領域２１３に、モデルの一例として因果関係モデルのネットワーク構造が表示されている。領域２１３では、その因果関係モデルが、複数のノードおよびエッジで表現されている。各ノードは、製造条件データと対応している。各ノードにはノードＩＤ（対応する製造条件データＩＤ）等が表示されている。なお、画面内にモデル全体が表示しきれない場合には、スクロールバー等を用いてモデルの一部を表示し、ユーザ操作によって表示部分を変更できる。例えば、モデル＃１は、複数のノードとして、ＩＤ＝Ｘ１～Ｘ３０４およびＹで示す３０５個のデータから構成されている。最後のＩＤ＝Ｙのデータは、品質データを表す。

［モデル構築設定画面］
図６のモデル構築画面で、ユーザが設定ボタン２１１を押した場合、図１０のモデル構築設定画面が、ポップアップ等で表示される。図１０のモデル構築設定画面は、モデル５０の構築に係わる情報をユーザが入力、設定するための画面例を示す。この画面例は、因果関係モデルを用いる場合の画面例であるが、他の方式のモデルを用いる場合には、その方式に対応する設定画面が提供される。この画面は、使用データの設定欄２６１や、因果関係モデル構築条件の設定欄２６２を有する。設定欄２６１は、因果関係モデルを構築する際に使用するデータ（例えば製造フローからモニタするデータ）である製造条件データ等を、例えばファイルを参照する方式等によって設定可能である。設定欄２６２は、因果関係モデルを構築する際の条件を、条件の設定ファイルを参照する方式や、Viewer（別の設定画面）上で確認しながら設定する方式等を用いて、設定可能である。Viewer上で設定する方式の場合、因果関係モデルの場合に一般的に用いられる、離散化手法、構造学習アルゴリズム、制約条件の使用の有無等を、選択枝から選択する方式で設定できる。これらの方式は公知技術を用いることができる。

ユーザは、条件等を設定した後、ＯＫボタンを押す。これにより、制御部３０によって、その条件等が製造条件特定システムに反映される。そして、モデル構築部３１の処理によって、その条件等で、因果関係モデルが構築される。ユーザがCancelボタンを押した場合、その条件等は反映されず、設定画面を開く前の状態（図６の画面）に戻る。

モデル表示部２１は、モデル構築部３１によって構築された１つ以上の因果関係モデルを表示するための１つ以上のモデル表示領域２１０を構成し、図６のモデル構築画面内に表示する。モデル表示部２１は、複数のモデルが構築された場合には、モデル毎にラベル２１４を付与して表示する。ラベル２１４は、記憶部４０内のデータのモデルＩＤと対応付けられている。

［製造条件画面］
図７の製造条件画面は、製造条件表示領域２２０と、部分空間表示領域２３０とを含む。製造条件表示領域２２０は、製造条件データ記憶部４１に記憶されている取得済みの製造条件データを表示する領域である。製造条件表示領域２２０は、例えば表形式であり、項目の列として、時刻と、複数の製造条件データとを含む。「時刻」項目は、取得時刻である時刻Ｔに対応しており、時系列の順序で値が格納されている。例えば最新の取得時刻が時刻Ｔｎである。製造条件データ項目２２１には、複数の各々の製造条件データのデータ項目が表示される。ここでは、製造条件データの数をｍとし、例えばｍ＝３０４の場合を示す。

部分空間表示領域２３０は、部分空間表示部２３によって、部分空間特定部３５が得た部分空間データを表示する領域である。部分空間表示領域２３０には、部分空間データとして、製造条件データのモデル毎の時間差分（すなわち差分ベクトル）が表示される。本例では、製造条件データＸ１に関する部分空間データの場合を示している。部分空間表示領域２３０は、例えば表形式であり、項目の列として、モデルＩＤ、複数の時間を含む。モデルＩＤは、モデル毎のＩＤであり、ラベルと対応している。複数の時間は、時刻Ｔ間の時間である。例えば、製造条件データＸ１、モデル＃１について、時刻Ｔ１から時刻Ｔ２までの時間では、データ項目値の差分が２であり、時刻Ｔ２から時刻Ｔ３までの時間では、データ項目値の差分が０である。

［品質画面］
図８の品質画面は、製品収率表示領域２４０を含む。製品収率表示領域２４０は、品質データ記憶部４２に記憶されている品質データを、製品収率に換算して時系列順に並べたグラフのデータが表示される領域である。製品収率表示部２４は、この製品収率のグラフを構成し、製品収率表示領域２４０に表示する。

また、製品収率表示領域２４０には、製造フローの製造工程上で生じたイベントの時刻を表すデータであるイベント時刻２４２を表示することも可能である。このイベントは、製造状態変化に対応する保守等のイベントを含む。例えば、イベント時刻Ｔｘは、ある製造装置Ｄｘでの保守のイベントが発生した時刻を示している。

品質画面に示すように、製品品質は、時系列上で変動している。本例では、あるイベント時刻２４２（Ｔｘ）の前後付近で、収率が低下の傾向にあった。その後、実施の形態の製造条件特定システムによって好適な製造条件が特定され、製造フローに適用された場合に、収率が、上昇の傾向になって改善された。

［結果画面］
図９の結果画面は、製造条件特定表示領域２５０を含む。製造条件特定表示領域２５０は、製造条件特定部３６が特定した次時刻の最適な製造条件データ、ならびにそれに対応するモデルを表示する領域である。製造条件特定表示部２５は、領域２５１に、次時刻の最適な製造条件データを、例えば表形式で表示する。また、製造条件特定表示部２５は、領域２５２に、次時刻の最適な製造条件データに対応してモデル５０から選択されたモデルを、例えば図６のモデル表示領域２１０と同様の形式で表示する。

［製造条件データ］
図１４は、製造条件データ記憶部４１に記憶されている製造条件データの構成例の表を示す。図１４の表は、ヘッダ情報に対応する項目の列として、製品ＩＤ、取得時刻、複数のパラメータ１４０１を有する。複数のパラメータ１４０１は、製造条件を構成する複数のデータ項目であり、パラメータの例として、Ｐ１「温度１」、Ｐ２「温度２」、Ｐ３「圧力１」、Ｐ４「圧力２」を有する。「製品ＩＤ」は、製造工程で製造される製品毎の識別子である。「取得時刻」は、計算機１がその製造条件データを取得した時刻である。

なお、図１４のような製造条件データの表において、製造状態変化のイベント時刻の情報を格納する構成としてもよいし、製造条件データのデータ項目毎に製造状態変化を識別するための情報を格納する構成としてもよい。

［品質データ］
図１５は、品質データ記憶部４２に記憶されている品質データの構成例の表を示す。図１５の表は、項目の列として、製品ＩＤ、品質値、品質検査結果を有する。「品質値」は、品質検査工程（図２）で得られた製品の品質を表す値であり、一例は製品収率である。「品質検査結果」は、品質検査工程で「品質値」に基づいて所定の判定の結果得られた値である。判定は、例えば閾値との比較判定である。例えば、品質値が目標値（例えば閾値０．９０以上）を満たす場合には、品質検査結果の値が「良」とされ、満たさない場合には「不良」とされる。

［モデルデータ］
図１６は、モデル記憶部４３に記憶されているモデル５０のデータの構成例を示す。モデルの一例として因果関係モデルの場合を示す。図１６の上側に示すように、因果関係モデルは、表形式で表すことができる。表の行および列には、製造条件データの各ノードに対応するパラメータ（図１４の「温度１」等、および品質データの品質値）が並べられている。行列の交差するセル部分には、行のノードと列のノードとの因果関係（エッジによる接続関係）を表す値が格納されている。この値は、２値であり、ノード間が非接続（すなわち因果関係が無い）の場合には値「０」、ノード間が接続（すなわち因果関係が有る、エッジ有り）の場合には値「１」が設定される。

図１６の下側には、上側の表をネットワーク構造として表した場合を示す。モデル記憶部４３には上側の表のデータが格納されている。画面表示の際には、表からの変換によってネットワーク構造が構成できる。また、図１６で示すモデルデータは、ステップＳ２の製造状態変化のモデル構築毎に存在し、各モデルには、識別のためのラベルまたはＩＤが付与され、モデルデータの一部として保存される。

［第１学習モデル］
図１７は、第１学習モデル記憶部４４に記憶されている第１学習モデルのデータの構成例を示す。本例は、第１学習モデルである強化学習モデルの一例として、深層学習モデルを用いる場合を示す。第１学習モデルデータは、上側に示すように、表形式で表すことができる。この表は、左側の表１７０１、右側の表１７０２を含む。左側の表１７０１は、項目の列として、層番号、層内ノード数を有する。「層番号」は、層を識別する番号である。「層内ノード数」は、層内のノード数を示す。右側の表１７０２は、項目の列として、層番号、重み番号、重みを有する。「重み番号」は、各層で保持している「重み」を識別する番号である。「重み」は、ノード間のエッジに持たせる重みの数値を示す。第１学習モデル記憶部４４には、このような表のデータが格納されている。図１７の下側には、上側の表をネットワーク構造形式で表した場合を示す。なお、図１７で示している層数Ｎは、前述のモデルの数Ｎとは異なる。なお、第２学習モデルデータの構成についても、第１学習モデルデータと同様である。

［部分空間データ］
図１８は、部分空間記憶部４５に記憶されている部分空間データの構成例の表を示す。図１８の上側の表１８０１は、部分空間特定部３６の処理上で計算される差分ベクトル（図５のステップＳ１１、例えば図１１）を表す表である。この表１８０１は、項目の列として、モデル番号、製造条件データのデータ項目（「温度１」等のパラメータ）毎の差分を有する。モデル番号は、複数（Ｎ）のモデル５０の各モデルを識別するラベルまたはＩＤと対応した番号である。表の行毎に、モード毎の差分ベクトルが格納されている。この表１８０１は、モデルの数Ｎとデータ項目の数との積に応じた、次元数やデータ量を有する。

図１８の下側の表１８０２は、部分空間特定部３６の処理上で計算される係数値（図５のステップＳ１４、例えば図１３）のデータの構成例の表を示す。このデータは、製造条件データ項目毎の係数値のセットであり、部分空間データに相当する。この表１８０２は、項目の列として、製造条件データのデータ項目（「温度１」等のパラメータ）毎の係数値を有する。この表１８０２は、表１８０１よりも、次元数やデータ量が低減されている。

部分空間特定部３６は、前述のように、上側の表１８０１で示す差分ベクトルのデータを処理し、下側の表１８０２で示す係数値を計算し、計算した係数値である部分空間データを、部分空間記憶部４６に記憶させる。

［第３学習モデル］
図１９は、第３学習モデル記憶部４７に記憶されている第３学習モデルのデータの構成例を示す。第３学習モデルである強化学習モデルの一例として、同様に深層学習モデルを用いた場合を示す。この第３学習モデルデータの構成例は、図１７の第１学習モデルデータの構成例と同様に、表やネットワーク構造で表すことができる。なお、各学習モデルで層数等は異なる。図１９の上側の表は、左側の表１９０１、右側の表１９０２を含む。第３学習モデル記憶部４７には、上側の表のデータが格納されている。

［製造状態変化に応じたモデル構築例］
図２０は、補足として、製造状態変化に応じて製造条件データからモデル５０を構築する際の概要や例を示す。図２０の（Ａ）は、製造状態変化のイベントが無い場合の単一のモデルの構築を示す。表２００１は、製造条件データ例を示す。この表２００１のように、例えば、「製品ＩＤ」＝Ａ００１の製品に関する製造条件データとして、「取得時刻」毎の行がある。最新の時点として、例えば「取得時刻」＝“10/1/10:50”（１０月１日１０時１５分）のデータが取得されている。この際、この最新の時点のデータと、過去の複数（例えば最大1000個等の設定された数）の時点のデータとを用いて、単一の因果関係モデルが構築される。なお、「取得時刻」は、計算機１が製造条件データを取得した時刻であるが、これに対応して、製造フローでは、製造工程での製造が実行された時刻等の情報を持っており、このような情報を用いる形態でもよい。

図２０の（Ｂ）は、製造状態変化のイベントが有る場合の複数のモデルの構築を示す。表２００１のデータ内容は同じである。製造システムの製造フローは、製造状態変化が生じたイベントの時刻のデータも持っている。計算機１は、製造システムから、そのイベント時刻のデータも取得可能である。製造状態変化のイベントの時刻として、例えばイベントＥ１では時刻“10/1/10:15”、イベントＥ２では“10/1/10:35”であるとする。２行目の時点（10:10）と３行目の時点（10:20）との間に、時刻“10:15”のイベントＥ１が生じている。４行目の時点（10:30）と５行目の時点（10:40）との間に、時刻“10:35”のイベントＥ２が生じている。モデル構築部３１は、イベント時刻でデータを分割して、分割した期間毎にモデルを構築する。例えば、１行目および２行目のデータを含む複数のデータを用いて、モデル＃１が構築される。３行目および４行目のデータを含む複数のデータを用いて、モデル＃２が構築される。５行目および６行目のデータを含む複数のデータを用いて、モデル＃３が構築される。なお、１つのモデルを構築するための製造条件データの行の数は、２に限らず可能である。

［学習モデル］
前述の各学習モデルについて、適用可能である学習方式は以下の通りである。

第１学習モデルＬＭ１： 状態空間モデル、強化学習モデル
第２学習モデルＬＭ２： 状態空間モデル、強化学習モデル
第３学習モデルＬＭ３： 強化学習モデル。

公知の強化学習（Reinforcement learning）は、ある環境内におけるエージェントが、現在の状態を観測し、次に取るべき行動を決定する問題を扱う機械学習の一種である。強化学習では、一連の行動を通じて報酬が最も多く得られるような方策を学習する。強化学習モデルとしては、公知の深層学習モデル等が適用可能である。公知の状態空間モデルは、時系列分析のモデルの一種である。状態空間モデルは、状態モデルと観測モデルとから構成される。

［効果等］
上記のように、実施の形態の製造条件特定システムによれば、製造状態の変化がある場合にも、好適な製造条件を特定でき、製品品質を維持または向上できる。特に、実施の形態によれば、製造状態変化に対応させて、品質目標値に応じた最適な製造条件を特定できる。実施の形態によれば、製造状態変化直後で、操業のデータ数が少ない場合でも、短期間で好適な製造条件を特定できる。また、特に、実施の形態によれば、部分空間変換を用いることで、製造状態変化が多い場合や、製造条件およびモデルのパラメータ数が多大な場合でも、対応がしやすく、好適な製造条件を特定することができる。実施の形態または変形例によれば、優先方針に応じて、製造状態変化後に早期に品質を高めること、またはモデルの予測精度を高めてから品質を高めることができる。

上記のように、実施の形態の製造条件特定システムは、過去の製造状態変化の状態や時点毎に取得されている製造条件データから、複数のモデルを構築する。このシステムは、複数のモデルの各モデルから、次時刻の製造条件を推定する。このシステムは、推定した複数の製造条件から、時刻間の時間毎に差分をとり、その差分を基底とした部分空間へ埋め込む。このシステムは、その部分空間へ埋め込んだデータである部分空間データを入力として、学習に基づいて、次時刻の最適な製造条件を特定する。

他の実施の形態として、以下も可能である。まず、変形例の製造条件特定システムとして、図３のステップＳ７の部分空間変換処理を省略した形態も可能である。この場合、ステップＳ８の製造条件特定処理は、ステップＳ４，Ｓ５，Ｓ６の結果の各データを入力する。製造状態変化が少ない場合や、製造条件およびモデルのパラメータ数が比較的少ない場合には、この変形例も有効である。

変形例の製造条件特定システムとして、前述の図４のステップＳ７の部分空間変換処理に関して、入力データとなる製造条件データとして、ステップＳ４の結果の第１データのみを用いる形態も可能である。前述の実施の形態では、ステップＳ７の際に、ステップＳ４の結果の第１データと、ステップＳ６の結果の第２データとの両方を用いた。ステップＳ６の結果の第２データは、直近の現時点（ｔ）の製造条件データＤ４を用いて予測された製造条件データＤ９である。この場合、直近の製造のデータを重視して、次時点の製造条件データＤ１１が特定されることになる。そのため、この形態は、製造状態変化直後の製品品質を早期に高めることを重視する方針の場合に有効である。

一方、変形例では、ステップＳ７，Ｓ８の処理の際に、ステップＳ６の結果の第２データを用いない。この形態は、製造状態変化直後の製品品質を早期に高めることよりも、モデルの予測精度を高めることを重視する方針の場合に有効である。この変形例では、製造状態変化後に、ある程度の時間で学習を進めてモデルの予測精度を高め、その後、高精度で最適な製造条件データを特定することができる。

［比較例］
なお、実施の形態の製造条件特定システムに対し、先行技術例のシステムを比較例とした場合に、違い等については以下の通りである。特許文献１には、良品となる製造条件を特定するために過去の製造条件から確率モデルを構築し、目標値と一致する製造条件を算出する旨が記載されている。しかし、この技術では、過去の製造条件で表現できないような製造状態変化が生じた場合には、構築したモデルを修正する必要がある。

特許文献２には、過去の実績データ（例えば製造条件や品質）から複数の予測値を出力し、出力値に対し、類似度に従って重み付けを行うことで予測を行う旨が記載されている。しかし、この技術では、予測対象（ここでは品質）が良品となる場合の製造条件の特定はできない。

特許文献３には、強化学習を用いて、環境（例えば製造工程）で、ある条件（例えば製品が良品となる条件）を満たす条件（例えば製造条件）を探索する旨が記載されている。しかし、この技術では、使用するモデルが複数存在する場合に、クラス分類によって、特定すべき製造条件の項目数を減らしてしまう。そのため、この技術では、良品となる製造条件が得られない場合が生じることが考えられる。

一方、実施の形態の製造条件特定システムは、製造状態変化を含む過去の製造から得られた製造条件および品質を用いて、複数のモデルを構築し、各モデルから得られる製造条件や品質誤差を用いて、最適な製造条件を探索することができる。

以上、本発明を実施の形態に基づいて具体的に説明したが、本発明は前述の実施の形態に限定されず、要旨を逸脱しない範囲で種々変更可能である。

１…計算機、３０…制御部、３１…モデル構築部、３２…モデル製造条件特定部、３３…品質特定部、３４…製造条件判別部、３５…部分空間特定部、３６…製造条件特定部。

Claims (14)

1. 製造フローの各製造工程の製造条件を特定する計算機を含む製造条件特定システムであって、
   前記計算機は、
   前記製造フローからの現時点を含む複数の時点の製造条件データおよび品質データを用いて、前記製造条件および品質に関するモデルを構築し、
   前記モデルの構築の際に、前記製造フローの製造工程の製造状態の変化を含む場合には、複数のモデルとして前記製造状態の変化毎に各モデルを構築し、
   前記モデルおよび品質目標値を用いて、第１学習モデルでの学習に基づいて、前記各モデルで、次時点の製造条件データの予測値を第１データとして計算し、
   前記モデルならびに現時点の製造条件データおよび品質データを用いて、次時点の品質データを予測し、前記次時点の品質データと前記現時点の品質データとの品質誤差を計算し、
   前記現時点の製造条件データを用いて、第２学習モデルでの学習に基づいて、次時点の製造条件データの予測値を第２データとして計算し、
   前記第１データ、前記第２データ、および前記品質誤差を用いて、第３学習モデルでの学習に基づいて、次時点の製造条件データを特定し、
   前記特定した次時点の製造条件データを含む情報を記憶および出力する、
   製造条件特定システム。
2. 請求項１記載の製造条件特定システムにおいて、
   前記計算機は、
   前記第１データを、次元数を低減するように部分空間データへ変換し、
   前記部分空間データおよび前記品質誤差を用いて、前記第３学習モデルでの学習に基づいて、前記次時点の製造条件データを特定する、
   製造条件特定システム。
3. 請求項１記載の製造条件特定システムにおいて、
   前記計算機は、前記製造状態の変化として、前記各製造工程に対する所定のイベントの発生の時点に応じて、前記複数の時点の製造条件データを複数の期間のデータに分割し、分割した期間のデータ毎に前記各モデルを構築する、
   製造条件特定システム。
4. 請求項３記載の製造条件特定システムにおいて、
   前記イベントは、前記各製造工程の製造装置に対する保守作業を含む、
   製造条件特定システム。
5. 請求項１記載の製造条件特定システムにおいて、
   前記モデルは、因果関係モデルを含む、
   製造条件特定システム。
6. 請求項１記載の製造条件特定システムにおいて、
   前記第１学習モデルは、状態空間モデルまたは強化学習モデルを含む、
   製造条件特定システム。
7. 請求項１記載の製造条件特定システムにおいて、
   前記第２学習モデルは、状態空間モデルまたは強化学習モデルを含む、
   製造条件特定システム。
8. 請求項１記載の製造条件特定システムにおいて、
   前記第３学習モデルは、強化学習モデルを含む、
   製造条件特定システム。
9. 請求項１記載の製造条件特定システムにおいて、
   前記計算機は、表示装置の表示画面に、前記モデルの前記各モデルを表示させる、
   製造条件特定システム。
10. 請求項２記載の製造条件特定システムにおいて、
    前記計算機は、表示装置の表示画面に、前記複数の時点の製造条件データ、および前記部分空間データを表示させる、
    製造条件特定システム。
11. 請求項１記載の製造条件特定システムにおいて、
    前記計算機は、表示装置の表示画面に、前記複数の時点の品質データ、および前記製造状態変化として前記各製造工程に対する所定のイベントの発生の時点を表示させる、
    製造条件特定システム。
12. 請求項１記載の製造条件特定システムにおいて、
    前記計算機は、表示装置の表示画面に、前記特定した次時点の製造条件データ、および前記特定した次時点の製造条件データに対応付けられる前記モデルの前記各モデルのうちの選択されたモデルを表示させる、
    製造条件特定システム。
13. 請求項１記載の製造条件特定システムにおいて、
    前記計算機は、
    前記製造フローから前記現時点を含む複数の時点の製造条件データおよび品質データを取得し、
    前記特定した次時点の製造条件データを、前記製造フローを制御する製造システムに送信して前記各製造工程に設定させる、
    製造条件特定システム。
14. 製造フローの各製造工程の製造条件を特定する計算機を含む製造条件特定システムにおける製造条件特定方法であって、
    前記計算機において実行されるステップとして、
    前記製造フローからの現時点を含む複数の時点の製造条件データおよび品質データを用いて、前記製造条件および品質に関するモデルを構築し、前記モデルの構築の際に、前記製造フローの製造工程の製造状態の変化を含む場合には、複数のモデルとして前記製造状態の変化毎に各モデルを構築するステップと、
    前記モデルおよび品質目標値を用いて、第１学習モデルでの学習に基づいて、前記各モデルで、次時点の製造条件データの予測値を第１データとして計算するステップと、
    前記モデルならびに現時点の製造条件データおよび品質データを用いて、次時点の品質データを予測し、前記次時点の品質データと前記現時点の品質データとの品質誤差を計算するステップと、
    前記現時点の製造条件データを用いて、第２学習モデルでの学習に基づいて、次時点の製造条件データの予測値を第２データとして計算するステップと、
    前記第１データ、前記第２データ、および前記品質誤差を用いて、第３学習モデルでの学習に基づいて、次時点の製造条件データを特定するステップと、
    前記特定した次時点の製造条件データを含む情報を記憶および出力するステップと、
    を有する、製造条件特定方法。

Images