JP7274330B2 - 製造システム、情報処理方法、および製造方法 - Google Patents

Description

特許法第３０条第２項適用 （１） ▲１▼発行日 平成３０年１０月３０日 ▲２▼刊行物 ビッグデータ解析による最適運転への取組み ▲３▼公開者 山口 貴史 （２） ▲１▼発行日 平成３１年０２月１９日 ▲２▼刊行物 ビッグデータ解析による最適運転への取組み ▲３▼公開者 山口 貴史

本発明は、化学製品等の製品を製造する製造システム等に関する。

化学プラント等の各種製品の製造現場においては、実際に製品を製造して、その品質や生産量等を確認するという作業を、製造条件を変えつつ繰り返し行うことにより最適な製造条件を見出している。これは、使用原料品質や前工程における処理結果等がばらつく、外乱が生じる、設備の劣化が進行する等の要因により、常に同じ製造状況下で生産することができないためである。

近年、顧客からの品質要求が厳しくなり、品質要求を満たす製造条件の範囲（プロセスウィンドウ）は極めて狭い。そのため、上記従来技術では、最適な製造条件にたどり着くまでに長時間を要すると共に、最適ではない製造条件での製造を繰り返すことによる生産ロスが発生するなど、生産性に改善の余地があった。また、高い生産性を安定して実現するためには、プロセス状態等の変化および外乱に追従した製造条件を適用する必要があるが、従来の製造システムでは、どのような製造条件を適用するかは、製造作業員の能力（ノウハウ、技能、感性等）に委ねられていた。

ここで、化学プラント等の制御精度を高めるための従来技術としては、例えば下記の特許文献１の技術が挙げられる。特許文献１には、プラントの稼働条件と実測値とからなる複数個の実測サンプルをクラスタリングし、各クラスに対して統計的モデルを構築しておくことが記載されている。そして、新たなサンプルが与えられたときに、そのサンプルが属するクラスを推定し、新たなサンプルをそのクラスに対応するクラスの統計的モデルに適用することにより、生成される製品の分子量を推定することが記載されている。

特開２０１１－８５６２号公報（２０１１年１月１３日公開）

上述のような従来技術では製品の分子量を推定することができるものの、所望の製造結果が得られる可能性が高い製造条件を自動的に決定することはできない。本発明の一態様は、実際に製品を製造することなく、所望の製造結果が得られる可能性が高い製造条件を自動的に決定することができる製造システム等を実現することを目的とする。

上記の課題を解決するために、本発明の一態様に係る製造システムは、化学製品または化学製品の加工品を製品として製造する製造システムにおいて、（i）上記製品の製造条件の候補を生成する処理と、（ii）予測モデルを用いて上記候補の製造条件で上記製品を製造する場合の製造結果を予測する処理と、（iii）上記予測の結果に基づいて上記候補の良否を評価する処理と、を実行する情報処理装置を含み、上記予測モデルは、（a）過去に上記製造システムで上記製品を製造したときの製造条件と、該製造条件による上記製品の製造結果とを示すデータを用いて構築され、かつ、（b）上記製品の製造条件と該製造条件で製造された上記製品の製造結果との関係を示し、上記情報処理装置は、上記（ii）の処理を上記製造条件の候補を変えながら繰り返し実行し、上記（iii）の評価が所定の基準を満たした上記候補の製造条件を、上記製品の製造条件として決定する。

本発明の一態様によれば、実際に製品を製造することなく、所望の製造結果が得られる可能性が高い製造条件を自動的に決定することができる。

本発明の一実施形態に係る情報処理装置の要部構成の一例を示すブロック図である。 上記情報処理装置を含む製造システムの概要を示す図である。 紛体樹脂の製造プロセスの一例を示す図である。 予測モデルの構築方法の一例を示すフローチャートである。 ＰＬＳ回帰分析で図３の連続プロセスをモデル化した予測モデルで算出した、紛体樹脂の揮発性成分含量の予測値を示すグラフである。 条件候補の評価値の算出方法の例を示す図である。 製造条件を決定する情報処理方法の一例を示すフローチャートである。 最適な製造条件を上記情報処理装置に決定させるためのＵＩ画面の一例を示す図である。 上記情報処理装置が、製造条件の入力を受け付けて、予測した製造結果を提示するためのＵＩ画面の一例を示す図である。 上記製造システムによる製品の製造方法の一例を示すフローチャートである。

〔製造システムの概要〕
本発明の一実施形態に係る製造システムの概要を図２に基づいて説明する。図２は、製造システム１００の概要を示す図である。製造システム１００は、化学製品または化学製品の加工品を製品として製造する製造システムである。製造システム１００には、好ましくは、情報処理装置１によって実現されるサイバー工場と、実際に製品を製造する実工場２が含まれる。実工場２には、製品の製造設備３と、製造設備３の動作を制御する制御装置４が設けられている。

製造システム１００では、実工場２における製品の製造条件、製品製造中のセンシングで得られたデータ、および製造結果を示すデータ等が製造情報として蓄積される。情報処理装置１は、いわゆるコンピュータ（計算装置）であり、蓄積された製造情報を用いて実工場２をモデル化し、サイバー工場を構築する。

詳細は後述するが、サイバー工場は、（a）過去に製造システム１００で上記製品を製造したときの製造条件と、該製造条件による上記製品の製造結果とを示すデータを用いて構築され、かつ、（b）上記製品の製造条件と該製造条件で製造された上記製品の製造結果との関係を示す予測モデルによって構成されている。

そして、情報処理装置１は、様々な製造条件での製品製造のシミュレーションを行って、最適な製造条件を提示し、実工場２ではこの製造条件にて製品の製造が行われる。上記シミュレーションにおいて、情報処理装置１は、（i）上記製品の製造条件の候補を生成する処理と、（ii）予測モデルを用いて上記候補の製造条件で上記製品を製造する場合の製造結果を予測する処理と、（iii）上記予測の結果に基づいて上記候補の良否を評価する処理と、を実行する。そして、情報処理装置１は、上記（ii）の処理を、上記製造条件の候補を変えながら繰り返し実行し、上記（iii）の評価が所定の基準を満たした上記候補の製造条件を、上記製品の製造条件として決定する。

上記の構成によれば、実際に化学製品等を製造することなく、所定の基準を満たす製造結果が得られる可能性が高い製造条件を決定することができる。よって、適切ではない製造条件での製造を繰り返すことなく、適切な製造条件を速やかに見出して、化学製品等の生産性を高めることができる。また、製造システム１００によれば、製造作業員の能力に依存することなく適切な製造条件を決定して、高い生産性を安定して実現することも可能になる。加えて、上記構成は、多様な製造データからの製造プロセスの状態や将来の挙動の予測、あるいは製造される製品の品質等の予測にも利用することが可能である。

〔製造プロセスの例〕
本実施形態では、実工場２において粉末状の樹脂である紛体樹脂を製造する例を説明する。紛体樹脂の製造プロセスは、例えば図３のようなものであってもよい。図３は、紛体樹脂の製造プロセスの一例を示す図である。

図３の製造プロセスは、バッチプロセスである前半部と、連続プロセスである後半部に分けることができる。バッチプロセスでは、紛体樹脂の原料を重合させてタンクに蓄積するというプロセスを繰り返し行う。一方、連続プロセスにおいては、バッチプロセスにおける重合により生成されてタンクに蓄積されている樹脂に対し、後処理、脱水、および乾燥というプロセスを順次行う。これにより、製品である紛体樹脂が製造される。

情報処理装置１は、例えば上記連続プロセスをモデル化して予測モデルを生成してもよい。これにより、情報処理装置１は、紛体樹脂の製造のシミュレーションを行い、紛体樹脂の最適な製造条件を決定することが可能になる。なお、情報処理装置１は、任意の製品の製造プロセスの任意の工程をモデル化することが可能であり、モデル化の対象は図３の例に限られない。

〔情報処理装置の構成〕
図１に基づいて情報処理装置１の構成を説明する。図１は、情報処理装置１の要部構成の一例を示すブロック図である。情報処理装置１は、情報処理装置１の各部を統括して制御する制御部１０、情報処理装置１が使用する各種データを記憶する記憶部２０、情報処理装置１に対する入力操作を受け付ける入力部３０、および情報処理装置１がデータを出力する際に用いる出力部４０を備えている。出力部４０の出力態様は特に限定されず、例えば表示出力であってもよいし、印字出力であってもよいし、音声出力であってもよい。また、制御部１０には、条件候補生成部１０１、予測部１０２、信頼度判定部１０３、評価部１０４、および学習部１０５が含まれている。記憶部２０には、製造条件データ２０１と製造結果データ２０２が記憶されている。

なお、記憶部２０と入力部３０と出力部４０は、情報処理装置１に外付けされた装置であってもよい。また、制御部１０に含まれるブロックの一部について、その機能を情報処理装置１と通信可能な他の装置に持たせて、制御部１０から当該ブロックを省略してもよい。例えば、学習部１０５の機能を他の装置に持たせてもよい。この場合、情報処理装置１は、当該他の装置が生成した予測モデルを取得して予測を行えばよい。

条件候補生成部１０１は、製品の製造条件の候補（以下、条件候補と呼ぶ）を生成する。条件候補の生成には様々な手法が適用可能である。例えば、製造条件に複数の項目が含まれている場合、条件候補生成部１０１は、各項目の値をランダムにあるいは所定の規則に従って決定してもよい。例えば、条件候補生成部１０１は、過去に適用済みの製造条件に所定の値を加算あるいは減算する等の処理を施して条件候補としてもよいし、グリッドサーチ等の手法により条件候補を生成してもよい。

また、条件候補生成部１０１は、評価部１０４が決定した製造条件と、該製造条件が決定されたときの状況を示す情報とを教師データ（正解データ）として機械学習を行うことにより、条件候補を生成するための学習済みモデルを構築してもよい。これにより、妥当性の高い条件候補を生成することが可能になる。なお、製造条件が決定されたときの状況を示す情報としては、例えば製造に使用した製造設備３や原材料に関する情報、および外気温等が挙げられる。

また、条件候補に基づいて製造結果の予測が行われた後は、条件候補生成部１０１は、当該予測結果に基づいて新たな条件候補を生成してもよい。これにより、効率的に最適な製造条件を決定することが可能になる。例えば、条件候補生成部１０１は、ヒューリスティック手法やメタヒューリスティック手法を適用して条件候補を生成してもよい。

メタヒューリスティック手法の一例として、ＰＳＯ（Particle Swarm Optimization：粒子群最適化）が挙げられる。ＰＳＯを用いる場合、条件候補生成部１０１は、これまでに生成した各条件候補をその条件候補を構成する各項目の値（例えば製造温度や圧力等）を要素とするベクトルで表す。そして、条件候補生成部１０１は、生成済みの条件候補の中で最も評価が高かった条件候補を特定し、ベクトル空間上において、生成済みの他の条件候補を、最も評価が高かった条件候補に近付くように更新して、新たな条件候補とする。

予測部１０２は、予測モデルを用いて、条件候補が示す製造条件で製品を製造する場合の製造結果を予測する。詳細は後述するが、この予測モデルは、学習部１０５が生成したものである。

信頼度判定部１０３は、予測部１０２によって予測された製造結果の信頼度を判定する。信頼度の判定手法は特に限定されない。例えば、信頼度判定部１０３は、条件候補の製造条件と、上記製品の製造において過去に適用済みの複数の製造条件との乖離度に応じて当該条件候補が示す製造条件の信頼度を判定してもよい。

ここで、予測モデルを用いて製造結果の予測を行う場合、その予測モデルの構築に用いた製造条件と同様の製造条件による製造結果の予測は高精度に行うことが可能である。しかし、予測モデルの構築に用いた製造条件から乖離した製造条件による製造結果の予測は精度が落ちる可能性がある。また、製造条件の候補を生成した場合、現実には実施不可能な製造条件を示す候補が生成される可能性がある。

これに対し、過去に適用済みの複数の製造条件からの乖離度に応じて信頼度を判定する構成を採用した場合、予測精度が落ちている可能性がある製造結果に対応する候補が最終的な製造条件として決定されにくくすることができる。また、これにより、決定される製造条件の信頼性を高めることができる。さらに、現実には実施不可能な製造条件を示す候補が生成された場合であっても、そのような候補が最終的な製造条件として決定されにくくすることができる。

なお、過去に適用済みの製造条件は製造条件データ２０１に含まれている。信頼度判定部１０３は、例えばOne Class ＳＶＭ（Support Vector Machine）により信頼度を判定してもよい。One Class ＳＶＭによれば、条件候補が示す製造条件が、製造条件データ２０１に頻出しているような製造条件（つまり信頼できる製造条件）であるかどうかを示す数値を算出することができる。

評価部１０４は、予測部１０２の予測の結果に基づいて条件候補の良否を評価する。評価の方法は特に限定されず、例えば、評価部１０４は、予測部１０２が出力する製造結果の数値を所定の評価関数に入力することにより算出した評価値を評価結果としてもよい。例えば、上記の数値が製品の収率等の高いほど好ましい数値である場合、上記評価関数は、入力された数値が大きいほど評価値が大きくなるような関数とすればよい。なお、評価方法の例については、図６に基づいて後述する。

学習部１０５は、過去に製造システム１００で製品を製造したときの製造条件と、該製造条件による上記製品の製造結果とを示すデータを用いて上述の予測モデルを構築する。この予測モデルは、上記製品の製造条件と該製造条件で製造された上記製品の製造結果との関係を示す。

予測モデルにおける説明変数は製造条件を示す数値となる。例えば、製品の各製造工程における温度、圧力、ｐＨ等を示す数値が説明変数となる。必要な予測精度を実現するために、説明変数は基本的に複数とする。一方、予測モデルにおける目的変数は、製品の製造結果を示す数値となる。例えば、製品の収率や製品の組成等を示す数値が目的変数となる。目的変数は、少なくとも１つあればよい。このような説明変数と目的変数との関係をモデル化する方法としては、例えば統計モデルを用いる方法が挙げられる。また、予測モデルは、線形モデルであってもよいし、非線形モデルであってもよい。具体例を挙げれば、最小二乗法、主成分回帰、ニューラルネットワーク、ｋ－ＮＮ法（k-nearest neighbor algorithm）、あるいはＳＶＲ（Support Vector Regression）等により予測モデルを構築することができる。

回帰分析によって予測モデルを構築する場合、学習部１０５は、例えばＰＬＳ（Partial Least Squares：部分的最小二乗法）回帰分析を用いてもよい。ＰＬＳ回帰分析は、統計解析手法の一つであり、多重共線性（説明変数間に強い相関関係）があるデータに対しても安定した予測が可能である。製造システム１００において説明変数として利用可能なパラメータのうち、例えば温度と圧力等には多重共線性があるため、製造システム１００のシミュレーションに用いる予測モデルの構築にＰＬＳ回帰分析は好適である。また、ＰＬＳ回帰分析のような統計解析手法で構築した予測モデルは、その構築結果を人が理解しやすいため、予測結果の変動要因の解析等にも利用可能である。

製造条件データ２０１は、過去に製造システム１００で製品を製造したときの製造条件を示すデータである。また、製造結果データ２０２は、過去に製造システム１００で製品を製造したときの製造結果を示すデータである。製造結果とその製造結果が得られた製造条件とは相互に対応付けられている。上述のように、学習部１０５は、これらのデータを用いて予測モデルを構築する。なお、これらのデータは、ユーザが入力したものであってもよいし、センサ等の測定機器から入力されたものであってもよい。

〔説明変数と目的変数の例〕
予測モデルにおける説明変数すなわち予測に用いる製造条件は、予測モデルにおける目的変数すなわち予測結果と関連する情報であればよい。例えば、上記製造条件には、製品の原材料に関する情報、製造システム１００に含まれる製造設備３に関する情報、上記製品を製造する際の温度、圧力、流速、流量、単位時間当たりの処理量、バルブ開度、液面レベル、電流値、モータ回転数、トルク、シーケンス時間（例えば加工時間）、および水素イオン濃度の少なくとも何れかが含まれていてもよい。また、例えば製造プロセスに、製品または半製品の乾燥等のために送風する工程が含まれている場合、風量や風速を上記製造条件に含めてもよい。なお、上記の温度と圧力は、反応容器内の温度と圧力であってもよいし、反応容器外の温度と圧力、つまり製造設備３の周辺の気温と気圧であってもよい。以上のような各種情報は、製品の製造結果に関連が深いものであるから、これらの各種情報を製造条件（説明変数）として用いることにより予測精度の高い予測モデルを構築することが可能になる。

なお、製造設備３に関する上記情報としては、例えば、製造設備３に含まれる機器や器具の種類、数量、または劣化度を示す情報等が挙げられる。劣化度を示す情報としては、例えば、摩耗量などの物理的な劣化の程度を示す情報の他、使用回数や使用期間を示す情報や、配管汚れ（ファウリング）の程度を示す情報等が挙げられる。このように、予測モデルの構築において、製造設備３に関する情報を製造条件に含めることにより、使用する製造設備３に応じた最適な製造条件を決定することが可能になる。

また、原材料に関する上記情報としては、例えば、原材料の仕込み量、形状、物性（例えば熱力学測定によって特定される熱量や樹脂特性）、外観（例えば色調）、および揮発成分含量等が挙げられる。これらの情報は、例えば原材料の検査を行うことで取得することができる。また、複数の原材料を組み合わせて製品を製造する場合、各原料の仕込み量や、各原料の使用量の比率等を、原材料に関する上記情報として使用してもよい。この他にも、例えば、原材料の製造条件や原材料の製造設備に関する情報（例えば製造設備に含まれる機器や器具の形状や使用回数等を示す情報）を、原材料に関する上記情報として使用してもよい。このように、予測モデルの構築において、原料に関する情報を製造条件に含めることにより、原料の品質等の変動を加味した最適な製造条件を決定することが可能になる。例えば、原料がポリマーである場合、ポリマー組成の検査結果を製造条件に含めてもよい。これにより、原料のポリマー組成に揺らぎが生じた場合であっても、安定して最適な製造条件を決定することができる。

一方、予測モデルにおける目的変数すなわち該予測モデルによって予測される製造結果は、製品の良否の評価指標となるものであればよい。例えば、製品の製造効率、生産量、収率、製造所要時間、生産コスト、品質、形状（例えば、粒径、幅、長さ、アスペクト比、重量、または嵩密度等）、物性（例えば流動性、比熱容量、耐圧性、含水率、またはかさ比重等）、および外観の少なくとも何れかを予測モデルにおける目的変数としてもよい。

目的変数として上記のような情報を用いて予測モデルを構築した場合、評価部１０４は、条件候補の評価において、予測された製造結果が示す製造効率、予測された製造結果が示す上記製品の生産量、予測された製造結果が示す上記製品の収率、予測された製造結果が示す上記製品の製造所要時間、予測された製造結果が示す上記製品の生産コスト、予測された製造結果が示す上記製品の品質、予測された製造結果が示す上記製品の形状、予測された製造結果が示す上記製品の物性、および予測された製造結果が示す上記製品の外観、の少なくとも何れかに応じて当該候補を評価することになる。これにより、所望の製造結果が得られ得る製造条件を決定することが可能になる。例えば、収率を目的変数として構築された予測モデルを用いることにより、所望の収率で製品を製造し得る製造条件を決定することができる。

〔予測モデルの構築〕
学習部１０５による予測モデルの構築方法を図４に基づいて説明する。図４は、予測モデルの構築方法の一例を示すフローチャートである。

Ｓ１では、学習部１０５は、記憶部２０に記憶されている製造条件データ２０１と製造結果データ２０２を読み込み、これらのデータに対して所定の前処理を行う。読み込むデータは、予測モデル構築の直近の所定期間に取得されたデータとすることが好ましい（Moving Window方式）。これにより、実工場２等の経年変化に追従した予測モデルを構築することができる。前処理は、データの特徴点を失わせないようなものであればよい。例えば、学習部１０５は、データに含まれるノイズを除去する処理等を前処理として行ってもよい。

Ｓ２では、学習部１０５は、Ｓ１で前処理済みのデータを用いて予測モデルを構築する。そして、Ｓ３では、学習部１０５は、Ｓ２で構築した予測モデルを記憶し、これにより図４の処理は終了する。学習部１０５が記憶した予測モデルは、予測部１０２による予測に用いられるため、予測モデルは予測部１０２が読み出し可能な場所に記憶すればよい。例えば、学習部１０５は、記憶部２０に予測モデルを記憶してもよい。

〔予測精度〕
図５は、ＰＬＳ回帰分析で図３の連続プロセスをモデル化した予測モデルで算出した、紛体樹脂の揮発性成分含量（製品検査時の検査値）の予測値を示すグラフである。また、同図には、紛体樹脂の揮発性成分含量の実測値を示すグラフを比較のために記載している。なお、グレー線が予測値のグラフであり、黒線が実測値のグラフである。同図から、ＰＬＳ回帰分析で構築した予測モデルで算出した予測値と実測値とが非常によく整合していることが分かる。

このＰＬＳ回帰分析では、紛体樹脂の製造プロセスの後処理から乾燥まで（図３参照）の製造条件（処理量、各設備における温度、圧力、ｐＨ等の全２０項目）を説明変数とした。また、製造された紛体樹脂の揮発性成分の含量を目的変数とした。また、予測モデルの構築に用いたデータは、実工場２における３カ月間の紛体樹脂の製造で蓄積されたものである。

〔条件候補の評価〕
評価部１０４は、条件候補の評価値を算出し、その評価値に基づいて条件候補を評価してもよい。この場合、評価部１０４は、例えば図６に示す方法で評価値を決定してもよい。図６は、条件候補の評価値の算出方法の例を示す図である。

図６の例では、処理量と揮発性成分含量という２つの指標に基づいて条件候補の評価値を決定している。処理量（製造システム１００における単位時間当たりの処理量）は、製造条件の一例であり、その値は予測モデルに入力される。製品の製造においては、処理量が多い方が好ましい。このため、処理量に基づく評価では、その値が大きいほど評価を高くする。

一方、揮発性成分含量は、製造結果の一例であり、その値は予測モデルによって予測される。例えば、製品が紛体樹脂である場合には、揮発性成分含量は製品規格値を超えない範囲において、その値が大きいほど好ましい場合がある。このような場合、評価部１０４は、揮発性成分含量に基づく評価では、その値が大きいほど評価を高くするが、製品規格値を超えると評価を低くする。このように、紛体樹脂の揮発性成分含量に応じて条件候補を評価することにより、所望の揮発性成分含量の紛体樹脂を製造し得る製造条件を決定することができる。

図６の例のように、評価部１０４は、予測モデルで予測された製造結果の少なくとも一部（上記の例では揮発性成分含量）と、条件候補が示す製造条件の少なくとも一部（上記の例では処理量）と、に基づいて当該条件候補を評価してもよい。これにより、製造条件の少なくとも一部についても加味して、所望の製造結果が得られる製造条件を決定することが可能になる。なお、複数の指標から１つの評価値を決定する方法は特に限定されない。例えば、評価部１０４は、各指標についてそれぞれ評価値を算出し、それらの評価値を線形結合して１つの評価値を決定してもよい。

また、評価部１０４は、予測モデルで予測された製造結果の一部の評価結果と、該製造結果の他の一部の評価結果と、に基づいて条件候補を評価してもよい。例えば、予測モデルによって、製品の収率と、製品の不良率が予測された場合、評価部１０４は、収率に基づく評価値（収率が高いほど値が大きい）と、不良率に基づく評価値（不良率が低いほど値が大きい）とを算出してもよい。そして、これらの評価値に基づいて１つの評価値を決定してもよい。これにより、製造結果に対する複数の評価結果を加味して製造条件を決定することが可能になるので、多様な条件を充足し得る製造条件を決定することが可能になる。

また、条件候補の評価には、信頼度判定部１０３による信頼度の判定結果を考慮してもよい。この場合、評価部１０４は、上記信頼度に応じて条件候補を評価する。これにより、信頼度が低い判定結果の条件候補（例えば現実的にあり得ない製造条件の条件候補や、学習済みモデルの適用範囲外の条件候補）が、最適な製造条件として決定され難くなる。よって、実現可能性が高い製造条件を決定することが可能になる。

例えば、評価部１０４は、信頼度判定部１０３が算出した信頼度の値と、上述のようにして算出した評価値との和を、条件候補の評価値としてもよい。また、和を算出する際にアフィン変換や重み付けを行ってもよいし、信頼度の値と条件候補の評価値をそれぞれ正規化した上で加算してもよい。この他にも、例えば点数表により評価を決定すること等も可能である。

〔処理の流れ〕
情報処理装置１が製造条件を決定する処理の流れを図７に基づいて説明する。図７は、情報処理装置１が実行する情報処理方法の一例を示すフローチャートである。

Ｓ１１では、条件候補生成部１０１が条件候補を生成する。生成する条件候補は１つであってもよいし、複数であってもよい。続いて、予測部１０２が、学習部１０５が事前に構築した予測モデルにＳ１１で生成された条件候補を入力することにより、当該条件候補の条件で製品を製造した場合の製造結果を予測する。予測部１０２は、予測モデルが出力した予測値に、直近数回分の予測偏差平均を加えてもよい。これにより、短期的な予測のズレを吸収することができる。

Ｓ１３では、評価部１０４が、Ｓ１２で予測された製造結果を評価して評価値を算出する。なお、信頼度の値を考慮した評価値を算出する場合、信頼度判定部１０３が信頼度を算出し、評価部１０４は算出された信頼度と、Ｓ１２で予測された製造結果とに基づいて評価値を算出する。

Ｓ１４では、評価部１０４は、Ｓ１３で算出した評価値が予め定められた基準値以上であるか判定する。基準値以上であると判定された場合（Ｓ１４でＹＥＳ）、処理はＳ１５に進む。一方、基準値未満であると判定された場合（Ｓ１４でＮＯ）、処理はＳ１７に進む。なお、評価部１０４は、基準値未満であると判定された場合であっても、所定の上限判定回数に達していれば、Ｓ１４でＹＥＳと判定してもよい。

Ｓ１７では、条件候補生成部１０１が新たな条件候補を生成し、Ｓ１７の後、処理はＳ１２に進む。新たな条件候補は、１つであってもよいし、複数であってもよい。Ｓ１７では、条件候補生成部１０１は、Ｓ１３で算出された評価値に基づいて新たな条件候補を生成することが好ましい。

Ｓ１５では、評価部１０４は、Ｓ１３で算出した評価値が基準値以上であると判定した条件候補の製造条件を、製品の製造条件として決定する。なお、評価値が基準値以上であると判定した条件候補が複数ある場合、評価部１０４は、それらの条件候補から１つの条件候補（例えば最も評価値が高かった条件候補）を選択して、製品の製造条件として決定してもよい。そして、Ｓ１６では、評価部１０４は、決定した製造条件を出力部４０に出力させ、これにより図７の処理は終了する。

以上のように、上記情報処理方法は、（i）条件候補を生成するステップ（Ｓ１１）と、（ii）予測モデルを用いて条件候補の製造条件で製品を製造する場合の製造結果を予測するステップ（Ｓ１２）と、（iii）上記予測の結果に基づいて上記条件候補の良否を評価するステップ（Ｓ１４）と、を含む。そして、上記情報処理方法は、上記（ii）の処理を製造条件の候補を変えながら繰り返し実行し、上記（iii）の評価が所定の基準を満たした条件候補の製造条件を、上記製品の製造条件として決定するステップ（Ｓ１５）をさらに含む。よって、上記情報処理方法によれば、製品を製造することなく適切な製造条件を決定することができる。

〔表示画面例（最適条件予測）〕
最適な製造条件を情報処理装置１に決定させるためのユーザインターフェース（ＵＩ）について図８に基づいて説明する。図８は、最適な製造条件を情報処理装置１に決定させるためのＵＩ画面の一例を示す図である。出力部４０が表示装置である場合、このようなＵＩ画面は出力部に表示出力させればよい。

図８のＵＩ画面には、評価部１０４が評価に用いる指標の１つである処理量の表示欄Ａ１、該指標の他の１つである揮発性成分含量の表示欄Ａ２が含まれている。さらに、このＵＩ画面には、製造条件の表示欄Ａ３、最適な製造条件に近付けるための製造条件の変更方向を示す矢印Ａ４、および最適な製造条件の予測を開始させるためのオブジェクトＡ５が含まれている。

表示欄Ａ１には、処理量の現行値と目標値が表示されている。現行値は、現行の製造条件における処理量の値である。一方、目標値は、情報処理装置１のユーザが設定した値である。表示欄Ａ２には、揮発性成分含量の現行値と目標値が表示されている。現行値は、現行の製造条件で製造された製品の揮発性成分含量であり、目標値は情報処理装置１のユーザが設定した値である。図８のＵＩ画面では、ユーザが表示欄Ａ１またはＡ２を選択して所望の数値を入力することにより、目標値の設定ができるようになっていてもよい。

ユーザは、目標値の設定後、オブジェクトＡ５を選択することにより、情報処理装置１に最適な製造条件を決定させることができる。そして、決定された最適な製造条件は、表示欄Ａ３の「最適」の項目に表示される。最適な製造条件は、処理量が表示欄Ａ１に示される目標値以上となり、かつ、揮発性成分含量が表示欄Ａ２に示される目標値以上となるように、情報処理装置１が決定した製造条件である。

表示欄Ａ３には、最適な製造条件に加え、現行の製造条件も表示されている。これにより、ユーザは、各製造条件をどのように調整すれば、目標以上の結果が得られる製造条件となるかを認識することができる。また、ユーザは、矢印Ａ４を見れば、製造条件を何れの方向に変更すべきかを一目で認識することができる。

例えば、図８の表示欄Ａ３では、後処理工程の流量計Ａの現行値が「１２１．０」となっており、最適値が「１２６．５」となっている。そして、流量計Ａの項目における矢印Ａ４は、上向きとなっている。ユーザは、矢印Ａ４を見ることにより、流量計Ａの値が増加するように製造条件を調整すればよいこと、つまり流量計Ａの設置箇所における流体の流量を増加させればよいことを一目で認識することができる。

〔表示画面例（製造結果予測）〕
ユーザは、情報処理装置１に製造条件を入力することにより、その製造条件による製品の製造結果を予測させることもできる。図９は、製造条件の入力を受け付けて、予測された製造結果を提示するためのＵＩ画面の一例を示す図である。図９のＵＩ画面には、換算が必要な製造条件の表示欄Ｂ１、製造条件の表示欄Ｂ２、予測を開始させるためのオブジェクトＢ３、製造結果の予測値の表示欄Ｂ４、および予測結果の信頼度の表示欄Ｂ５が含まれている。

表示欄Ｂ１には、換算が必要な製造条件の値がユーザにより入力され、ユーザが入力した当該値が表示される。図示の例では、製造条件の１つである処理量の値が入力されている。表示欄Ｂ１に入力された値は、予測部１０２によって、予測モデルに入力可能な値に換算（例えば単位を変更する換算）されて、表示欄Ｂ２に表示される。図示の例では、網掛けで示す数値「１２３．２」が換算後の数値である。

表示欄Ｂ２には、現行の製造条件と、新しい条件すなわちユーザが入力した製造条件が表示されている。なお、製造条件の全ての項目をユーザが入力する必要はなく、一部のみを入力する構成としてもよい。この場合、入力されなかった項目の値は、条件候補生成部１０１が決定してもよいし、前回ユーザが入力した値や現行の製造条件の値を用いてもよい。

新しい製造条件の全ての項目が入力された状態でオブジェクトＢ３が選択されると、予測部１０２は、入力された各項目の値を予測モデルに入力して製造結果を予測し、予測結果をＵＩ画面に表示させる。また、信頼度判定部１０３は、入力された各項目の値に基づいて予測結果の信頼度を算出し、算出結果をＵＩ画面に表示させる。図９の例では、表示欄Ｂ４に予測結果として揮発性成分含量が表示されており、表示欄Ｂ５に信頼度が表示されている。

上記の機能によれば、どのような製造条件が製造結果にどのような影響を与えているかを見出すことが可能になり、これにより生産性の向上も可能になる。例えば、上記の機能を、実際の製造現場における担当者に利用してもらったところ、これまでは制御の対象外としていた製造条件が、品質に大きく影響していることが発見された。そして、この製造条件を調整することにより、生産性が大きく改善された。

〔製品の製造方法〕
図１０は、製造システム１００による製品の製造方法の一例を示すフローチャートである。なお、製造する製品は特に限定されず、例えば化学製品または化学製品の加工品であってもよい。

Ｓ２１では、情報処理装置１が図７に示した処理により、所定の基準を満たす評価の製造条件を決定する。そして、情報処理装置１の評価部１０４は、決定した製造条件を制御装置４（図２参照）に通知する。この通知は有線または無線通信で行えばよい。

Ｓ２２では、制御装置４が、製造設備３を制御して、通知された上記製造条件での製品の製造を開始させる。なお、制御装置４は、製品製造に関する制御の全てを行う必要はない。例えば、通知された上記製造条件の一部の適用を、実工場２の作業員等が行ってもよい。

Ｓ２３では、学習部１０５が、Ｓ２１で決定された製造条件で製造された製品の製造結果を特定し、当該製造条件と製造結果を用いて予測モデルを更新する。なお、製造結果を示す情報を自動または手動で情報処理装置１に入力する構成としておけば、学習部１０５は、製造結果を特定することができる。予測モデルの更新において、例えば、学習部１０５は、上記の製造条件と製造結果を、製造条件データ２０１および製造結果データ２０２からそれぞれ読み出した製造条件と製造結果に追加してもよい。そして、それらの製造条件と製造結果を用いて予測モデルを再構築してもよい。

Ｓ２４では、情報処理装置１の条件候補生成部１０１が、製造条件を再決定する必要があるか否かを判定する。再決定の必要ありと判定された場合（Ｓ２４でＹＥＳ）にはＳ２５の処理に進み、再決定は不要と判定された場合（Ｓ２４でＮＯ）にはＳ２６の処理に進む。

例えば、予測モデルに入力する製造条件に製品の原材料に関する情報が含まれている場合、条件候補生成部１０１は、製品の原材料が変化したときに製造条件を再決定する必要があると判定してもよい。この場合、条件候補生成部１０１は、例えば、製造設備３に供給される原材料が、あるバッチプロセスで製造されたものから、次のバッチプロセスで製造されたものに切り替わったときに、製造条件を再決定する必要があると判定してもよい。また、予測モデルに入力する製造条件に製造設備３の周囲の温度が含まれている場合、条件候補生成部１０１は、製造設備３の周囲の温度が所定値以上変化したときに製造条件を再決定する必要があると判定してもよい。この他にも、例えば、条件候補生成部１０１は、最後に製造条件を決定した後、所定期間が経過している場合、最後に製造条件を決定した後、所定回数の製造が行われている場合、または予測モデルの更新後等に、製造条件の再決定要と判定してもよい。

Ｓ２５では、情報処理装置１により製造条件が再決定される。具体的には、図７のＳ１１～Ｓ１５と同様の処理により、好適な製造条件が新たに決定され、制御装置４は新たに決定された製造条件での製造を開始する。この後処理はＳ２３に戻る。なお、製造条件の再決定においては、条件候補生成部１０１は、再決定の原因に関する製造条件を固定値として条件候補を生成する。例えば、製造設備３の周囲の温度が所定値以上変化したことに起因して再決定を行う場合、条件候補生成部１０１は、条件候補における「製造設備３の周囲の温度」を現在の温度に固定して条件候補を生成する。

一方、Ｓ２６では、製造条件の再決定は行われず、従って、制御装置４は、同じ製造条件での製造を継続する。この後処理はＳ２３に戻る。なお、製造結果の特定と、予測モデルの更新を行うタイミングは、上記の例に限られない。例えば、学習部１０５は、製品の製造が行われた後、製造結果を特定し、製造方法と共に、製造条件データ２０１および製造結果データ２０２として記憶しておいてもよい。そして、学習部１０５は、例えば製造条件データ２０１および製造結果データ２０２に追加したデータ数が所定数に達したタイミング等に予測モデルを更新してもよい。

以上のように、上記の製造方法によれば、Ｓ２１の処理すなわち図７等に基づいて説明した情報処理方法によって決定された製造条件で上記製品を製造する。これにより、効率よく所望の品質の製品を製造することが可能になる。なお、上記の製造方法によって製造された製品も、本発明の範疇に含まれる。

また、図１０の例では、製造条件を再決定する必要が生じたときに、製造条件を再決定しているので、好適な製造条件による製造を継続的に行うことが可能になる。さらに、学習部１０５は、評価部１０４が決定した製造条件と、該製造条件で製品を製造した製造結果とに基づいて予測モデルを更新するので、予測精度を維持または向上させることが可能になる。

〔製品の他の例〕
情報処理装置１が好適な製造条件を決定する対象となる製品は、例えば、粒状の樹脂を発泡させた発泡樹脂であってもよい。粒状の樹脂を発泡させる方法は特に限定されないが、例えば、粒状の樹脂に加圧条件下で発泡剤を含浸させ、加圧を開放することにより、発泡させてもよい。また、例えば樹脂を粒状に押し出し成形する際に発泡剤を注入してもよいし、発泡剤存在下で重合させることにより、発泡剤を含む粒状の樹脂を製造することもできる。

粒状の樹脂の製造における好適な製造条件を決定する場合、評価部１０４は、条件候補の評価において、予測部１０２が予測した製造結果が示す、上記発泡樹脂の比熱容量およびかさ密度の少なくとも何れかに応じて当該条件候補を評価してもよい。これにより、所望の比熱容量／かさ密度の発泡樹脂を製造し得る製造条件を決定することができる。

この場合、学習部１０５は、例えば、上述した発泡樹脂の製造方法における各シーケンスの温度、圧力、および時間等を説明変数とし、発泡樹脂の比熱容量およびかさ密度の少なくとも何れかを目的変数として予測モデルを構築すればよい。無論、説明変数には、上述したような各種情報（原料に関する情報や製造設備３に関する情報等）が含まれていてもよい。

〔製品のさらに他の例〕
情報処理装置１が好適な製造条件を決定する対象となる製品は、例えば、熱可塑性樹脂で作られた管状体をブロー成形したバルーンであってもよい。上記バルーンは、例えば、パリソンチューブと呼ばれる管状体に、熱を加えながらエアーを吹き込んで膨らませることにより製造することができる。この製造方法において、パリソンチューブを膨らませる工程には、パリソンチューブの両端を引っ張って延伸する処理が含まれていてもよい。

上記のようなバルーンの製造における好適な製造条件を決定する場合、評価部１０４は、上記候補の評価において、予測された製造結果が示す、上記バルーンの内径、外径、膜厚、耐圧強度、および外観の少なくとも何れかに応じて当該候補を評価してもよい。これにより、所望の内径／外径／膜厚／耐圧強度／外観の樹脂バルーンを製造し得る製造条件を決定することができる。

この場合、学習部１０５は、例えば、上述したバルーンの製造方法における各シーケンスの温度、圧力、時間、およびブロー成形時の引っ張り速度等を説明変数とし、バルーンの内径、外径、膜厚、耐圧強度、および外観の少なくとも何れかを目的変数として予測モデルを構築すればよい。また、説明変数には、上述したような各種情報（原料に関する情報や製造設備３に関する情報等）が含まれていてもよい。さらに、説明変数には、パリソンチューブの検査結果（引張試験によって得られた引張特性ＳＳカーブ、チューブの膜厚、径、樹脂組成等）を示す情報が含まれていてもよい。

なお、情報処理装置１によれば、以上のようなブロー成形やビーズ発泡による成形の他、押出成形や射出成形などにより樹脂または樹脂の加工品を製造する製造方法、および成形を伴わない樹脂の製造方法においても、好適な製造条件を決定することができる。また、樹脂以外の化学製品または化学製品の加工品の製造方法においても、好適な製造条件を決定することができる。

〔ソフトウェアによる実現例〕
情報処理装置１の制御ブロック（特に制御部１０に含まれる各部）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。

後者の場合、情報処理装置１は、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば１つ以上のプロセッサを備えていると共に、上記プログラムを記憶したコンピュータ読み取り可能な記録媒体を備えている。そして、上記コンピュータにおいて、上記プロセッサが上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）を用いることができる。上記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムを展開するＲＡＭ（Random Access Memory）などをさらに備えていてもよい。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本発明の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

１ 情報処理装置
３ 製造設備
１００ 製造システム

Claims (12)

1. 化学製品または化学製品の加工品を製品として製造する製造システムにおいて、
   （i）上記製品の製造条件の候補を生成する処理と、
   （ii）予測モデルを用いて上記候補の製造条件で上記製品を製造する場合の製造結果を予測する処理と、
   （iii）上記予測の結果に基づいて上記候補の良否を評価する処理と、を実行する情報処理装置を含み、
   上記予測モデルは、（a）過去に上記製造システムで上記製品を製造したときの製造条件と、該製造条件による上記製品の製造結果とを示すデータを用いて構築され、かつ、（b）上記製品の製造条件と該製造条件で製造された上記製品の製造結果との関係を示し、
   上記情報処理装置は、上記（ii）の処理を上記製造条件の候補を変えながら繰り返し実行し、上記（iii）の評価が所定の基準を満たした上記候補の製造条件を、上記製品の製造条件として決定し、
   上記情報処理装置は、上記候補の評価において、上記予測モデルで予測した製造結果の少なくとも一部と、上記製造条件の候補が示す製造条件の少なくとも一部と、に基づいて当該候補を評価する、製造システム。
2. 化学製品または化学製品の加工品を製品として製造する製造システムにおいて、
   （i）上記製品の製造条件の候補を生成する処理と、
   （ii）予測モデルを用いて上記候補の製造条件で上記製品を製造する場合の製造結果を予測する処理と、
   （iii）上記予測の結果に基づいて上記候補の良否を評価する処理と、を実行する情報処理装置を含み、
   上記予測モデルは、（a）過去に上記製造システムで上記製品を製造したときの製造条件と、該製造条件による上記製品の製造結果とを示すデータを用いて構築され、かつ、（b）上記製品の製造条件と該製造条件で製造された上記製品の製造結果との関係を示し、
   上記情報処理装置は、上記（ii）の処理を上記製造条件の候補を変えながら繰り返し実行し、上記（iii）の評価が所定の基準を満たした上記候補の製造条件を、上記製品の製造条件として決定し、
   上記情報処理装置は、上記候補の評価において、上記予測モデルで予測した製造結果の一部の評価結果と、該製造結果の他の一部の評価結果と、に基づいて当該候補を評価する、製造システム。
3. 化学製品または化学製品の加工品を製品として製造する製造システムにおいて、
   （i）上記製品の製造条件の候補を生成する処理と、
   （ii）予測モデルを用いて上記候補の製造条件で上記製品を製造する場合の製造結果を予測する処理と、
   （iii）上記予測の結果に基づいて上記候補の良否を評価する処理と、を実行する情報処理装置を含み、
   上記予測モデルは、（a）過去に上記製造システムで上記製品を製造したときの製造条件と、該製造条件による上記製品の製造結果とを示すデータを用いて構築され、かつ、（b）上記製品の製造条件と該製造条件で製造された上記製品の製造結果との関係を示し、
   上記情報処理装置は、上記（ii）の処理を上記製造条件の候補を変えながら繰り返し実行し、上記（iii）の評価が所定の基準を満たした上記候補の製造条件を、上記製品の製造条件として決定し、
   上記情報処理装置は、
   予測された上記製造結果の信頼度を判定し、
   上記候補の評価において、上記信頼度に応じて当該候補を評価する、製造システム。
4. 上記情報処理装置は、上記候補の製造条件と、上記製品の製造において過去に適用済みの複数の製造条件との乖離度に応じて上記信頼度を判定する、請求項３に記載の製造システム。
5. 化学製品または化学製品の加工品を製品として製造する製造システムにおいて、
   （i）上記製品の製造条件の候補を生成する処理と、
   （ii）予測モデルを用いて上記候補の製造条件で上記製品を製造する場合の製造結果を予測する処理と、
   （iii）上記予測の結果に基づいて上記候補の良否を評価する処理と、を実行する情報処理装置を含み、
   上記予測モデルは、（a）過去に上記製造システムで上記製品を製造したときの製造条件と、該製造条件による上記製品の製造結果とを示すデータを用いて構築され、かつ、（b）上記製品の製造条件と該製造条件で製造された上記製品の製造結果との関係を示し、
   上記情報処理装置は、上記（ii）の処理を上記製造条件の候補を変えながら繰り返し実行し、上記（iii）の評価が所定の基準を満たした上記候補の製造条件を、上記製品の製造条件として決定し、
   上記情報処理装置は、決定した上記製造条件と、該製造条件で上記製品を製造した製造結果とに基づいて上記予測モデルを更新する、製造システム。
6. 上記情報処理装置は、上記候補の評価において、予測された製造結果が示す製造効率、予測された製造結果が示す上記製品の生産量、予測された製造結果が示す上記製品の収率、予測された製造結果が示す上記製品の製造所要時間、予測された製造結果が示す上記製品の生産コスト、予測された製造結果が示す上記製品の品質、予測された製造結果が示す上記製品の形状、予測された製造結果が示す上記製品の物性、および予測された製造結果が示す上記製品の外観、の少なくとも何れかに応じて当該候補を評価する、請求項１に記載の製造システム。
7. 上記製造条件には、上記製品の原材料に関する情報、上記製造システムに含まれる製造設備に関する情報、上記製品を製造する際の温度、圧力、流速、流量、バルブ開度、液面レベル、電流値、モータ回転数、トルク、シーケンス時間、および水素イオン濃度の少なくとも何れかが含まれている、請求項１に記載の製造システム。
8. 化学製品または化学製品の加工品を製品として製造する製造システムにおいて、
   （i）上記製品の製造条件の候補を生成する処理と、
   （ii）予測モデルを用いて上記候補の製造条件で上記製品を製造する場合の製造結果を予測する処理と、
   （iii）上記予測の結果に基づいて上記候補の良否を評価する処理と、を実行する情報処理装置を含み、
   上記予測モデルは、（a）過去に上記製造システムで上記製品を製造したときの製造条件と、該製造条件による上記製品の製造結果とを示すデータを用いて構築され、かつ、（b）上記製品の製造条件と該製造条件で製造された上記製品の製造結果との関係を示し、
   上記情報処理装置は、上記（ii）の処理を上記製造条件の候補を変えながら繰り返し実行し、上記（iii）の評価が所定の基準を満たした上記候補の製造条件を、上記製品の製造条件として決定し、
   上記製品は、紛体樹脂であり、
   上記情報処理装置は、上記候補の評価において、予測された製造結果が示す、上記紛体樹脂の揮発性成分含量に応じて当該候補を評価する、製造システム。
9. 化学製品または化学製品の加工品を製品として製造する製造システムにおいて、
   （i）上記製品の製造条件の候補を生成する処理と、
   （ii）予測モデルを用いて上記候補の製造条件で上記製品を製造する場合の製造結果を予測する処理と、
   （iii）上記予測の結果に基づいて上記候補の良否を評価する処理と、を実行する情報処理装置を含み、
   上記予測モデルは、（a）過去に上記製造システムで上記製品を製造したときの製造条件と、該製造条件による上記製品の製造結果とを示すデータを用いて構築され、かつ、（b）上記製品の製造条件と該製造条件で製造された上記製品の製造結果との関係を示し、
   上記情報処理装置は、上記（ii）の処理を上記製造条件の候補を変えながら繰り返し実行し、上記（iii）の評価が所定の基準を満たした上記候補の製造条件を、上記製品の製造条件として決定し、
   上記製品は、粒状の樹脂を発泡させた発泡樹脂であり、
   上記情報処理装置は、上記候補の評価において、予測された製造結果が示す、上記発泡樹脂の比熱容量およびかさ密度の少なくとも何れかに応じて当該候補を評価する、製造システム。
10. 化学製品または化学製品の加工品を製品として製造する製造システムにおいて、
    （i）上記製品の製造条件の候補を生成する処理と、
    （ii）予測モデルを用いて上記候補の製造条件で上記製品を製造する場合の製造結果を予測する処理と、
    （iii）上記予測の結果に基づいて上記候補の良否を評価する処理と、を実行する情報処理装置を含み、
    上記予測モデルは、（a）過去に上記製造システムで上記製品を製造したときの製造条件と、該製造条件による上記製品の製造結果とを示すデータを用いて構築され、かつ、（b）上記製品の製造条件と該製造条件で製造された上記製品の製造結果との関係を示し、
    上記情報処理装置は、上記（ii）の処理を上記製造条件の候補を変えながら繰り返し実行し、上記（iii）の評価が所定の基準を満たした上記候補の製造条件を、上記製品の製造条件として決定し、
    上記製品は、熱可塑性樹脂で作られた管状体をブロー成形したバルーンであり、
    上記情報処理装置は、上記候補の評価において、予測された製造結果が示す、上記バルーンの内径、外径、膜厚、耐圧強度、および外観の少なくとも何れかに応じて当該候補を評価する、製造システム。
11. 化学製品または化学製品の加工品を製品として製造する製造システムにおいて情報処理装置が実行する情報処理方法であって、
    （i）上記製造システムにおける上記製品の製造条件の候補を生成するステップと、
    （ii）予測モデルを用いて上記候補の製造条件で上記製品を製造する場合の製造結果を予測するステップと、
    （iii）上記予測の結果に基づいて上記候補の良否を評価するステップと、を含み、
    上記予測モデルは、（a）過去に上記製造システムで上記製品を製造したときの製造条件と、該製造条件による上記製品の製造結果とを示すデータを用いて構築され、かつ、（b）上記製品の製造条件と該製造条件で製造された上記製品の製造結果との関係を示し、
    上記（ii）の処理を上記製造条件の候補を変えながら繰り返し実行し、上記（iii）の評価が所定の基準を満たした上記候補の製造条件を、上記製品の製造条件として決定するステップをさらに含み、
    上記候補の良否を評価するステップでは、上記予測モデルで予測した製造結果の少なくとも一部と、上記製造条件の候補が示す製造条件の少なくとも一部と、に基づいて当該候補を評価する、情報処理方法。
12. 化学製品または化学製品の加工品を製品として製造する製造方法であって、
    請求項１１に記載の情報処理方法によって決定された製造条件で上記製品を製造する、製造方法。

Images