JP7362937B2 - 敵対的生成ネットワークを用いた生産条件生成システム、及びその生産条件生成方法並びに生産条件生成プログラム - Google Patents
敵対的生成ネットワークを用いた生産条件生成システム、及びその生産条件生成方法並びに生産条件生成プログラム Download PDFInfo
- Publication number
- JP7362937B2 JP7362937B2 JP2022551474A JP2022551474A JP7362937B2 JP 7362937 B2 JP7362937 B2 JP 7362937B2 JP 2022551474 A JP2022551474 A JP 2022551474A JP 2022551474 A JP2022551474 A JP 2022551474A JP 7362937 B2 JP7362937 B2 JP 7362937B2
- Authority
- JP
- Japan
- Prior art keywords
- control parameters
- input
- parameters
- parameter
- learning
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Factory Administration (AREA)
- Feedback Control In General (AREA)
Description
本開示は、敵対的生成ネットワークを用いた生産条件生成システム、及びその生産条件生成方法並びに生産条件生成プログラムに関するものである。
生産ラインでは、工業製品などの部品等の目的物を生産している。生産ラインでは複数の工程を有しており、それぞれの工程で加工等の処理がされることによって、所望の目的物が生産される。
しかしながら、生産ラインでは、生産された目的物が不適合品(不良品)とならないように各工程のパラメータを設定する必要があり、解析が困難である。
各工程のパラメータを設定する方法として、不適合の予測と、特徴量エンジニアリングの2つのアプローチが考えられる。
不適合の予測では、AI等のモデルを用いて、各工程のパラメータを入力してその結果良品となるか不良品となるかを判定する。しかし、このような方法だと、パラメータと製造結果の相関関係がブラックボックス化してしまう。すなわち、良品を製造するために各工程のパラメータを効率的に設定することが困難となる可能性がある。
不適合の予測では、AI等のモデルを用いて、各工程のパラメータを入力してその結果良品となるか不良品となるかを判定する。しかし、このような方法だと、パラメータと製造結果の相関関係がブラックボックス化してしまう。すなわち、良品を製造するために各工程のパラメータを効率的に設定することが困難となる可能性がある。
特徴量エンジニアリングでは、良品と不良品の境界面を方程式として表し、該方程式が示す境界線に基づいて各工程のパラメータを設定する。しかし、方程式が複雑化すると該方程式に基づいて各パラメータを設定することが困難となり、方程式が簡単化しても精度が得られない可能性がある。
このため、効率的に良品を生産できるように各工程を制御することが求められている。
本開示は、このような事情に鑑みてなされたものであって、不良品の生産を抑制することのできる敵対的生成ネットワークを用いた生産条件生成システム、及びその生産条件生成方法並びに生産条件生成プログラムを提供することを目的とする。
本開示の第1態様は、目的物を生産するための複数の工程のうちの一部の工程の制御パラメータを入力として、入力されていない工程の制御パラメータを出力する生成部と、前記生成部により出力された前記制御パラメータを含む各前記工程の前記制御パラメータを入力として、入力された前記制御パラメータが実際に設定可能なパラメータであるか否かを判定する識別部と、前記生成部により出力された前記制御パラメータを含む各前記工程の前記制御パラメータを入力として、入力された各前記制御パラメータにより生産された前記目的物が所定の品質条件を満たす良品となるか否かを予測する予測部と、前記生成部におけるニューラルネットワークの学習を行う場合に、前記識別部により前記制御パラメータが実際に設定可能なパラメータであると判定され、前記予測部により前記目的物が良品と予測されるように、前記ニューラルネットワークを学習させる学習制御部と、を備える敵対的生成ネットワークを用いた生産条件生成システムである。
本開示の第2態様は、目的物を生産するための複数の工程のうちの一部の工程の制御パラメータを入力として、入力されていない工程の制御パラメータを出力する生成工程と、前記生成工程により出力された前記制御パラメータを含む各前記工程の前記制御パラメータを入力として、入力された前記制御パラメータが実際に設定可能なパラメータか否かを判定する識別工程と、前記生成工程により出力された前記制御パラメータを含む各前記工程の前記制御パラメータを入力として、入力された各前記制御パラメータにより生産された前記目的物が所定の品質条件を満たす良品となるか否かを予測する予測工程と、前記生成工程におけるニューラルネットワークの学習を行う場合に、前記識別工程により前記制御パラメータが実際に設定可能なパラメータであると判定され、前記予測工程により前記目的物が良品と予測されるように、前記ニューラルネットワークを学習させる学習制御工程と、を有する敵対的生成ネットワークを用いた生産条件生成方法である。
本開示の第3態様は、目的物を生産するための複数の工程のうちの一部の工程の制御パラメータを入力として、入力されていない工程の制御パラメータを出力する生成処理と、前記生成処理により出力された前記制御パラメータを含む各前記工程の前記制御パラメータを入力として、入力された前記制御パラメータが実際に設定可能なパラメータか否かを判定する識別処理と、前記生成処理により出力された前記制御パラメータを含む各前記工程の前記制御パラメータを入力として、入力された各前記制御パラメータにより生産された前記目的物が所定の品質条件を満たす良品となるか否かを予測する予測処理と、前記生成処理におけるニューラルネットワークの学習を行う場合に、前記識別処理により前記制御パラメータが実際に設定可能なパラメータであると判定され、前記予測処理により前記目的物が良品と予測されるように、前記ニューラルネットワークを学習させる学習制御処理と、をコンピュータに実行させるための敵対的生成ネットワークを用いた生産条件生成プログラムである。
本開示によれば、不良品の生産を抑制することができるという効果を奏する。
以下に、本開示に係る敵対的生成ネットワークを用いた生産条件生成システム、及びその生産条件生成方法並びに生産条件生成プログラムの一実施形態について、図面を参照して説明する。
本実施形態に係る生産条件生成システム1は、主に生産ラインに適用される。生産ラインでは、複数の工程を所定の順序で実行して目的物(例えば工業製品や部品等)を生産する。複数の工程によって目的物が生産される場合であれば、生産ラインに限定されず適用することが可能である。図1は、生産ラインの一例である。図1では化成処理プロセスを示しており、第1工程において化成処理を行い、第2処理において湯洗を行い、第3工程において乾燥を行う。図1は生産ラインの一例であり、本実施形態の生産条件生成システム1は図1の生産ラインに限定されず適用することができる。
生産ラインの各工程では、それぞれの処理を適切に行うために制御パラメータが設定される。制御パラメータとは、各工程を制御するためのパラメータであり、所望の動作をさせるための条件(生産条件)である。図1の例では、第1工程では、制御パラメータは化成処理液のpH、マスキングの有無、及び処理時間となる。第2工程では、制御パラメータは湯洗槽の湯量、湯洗温度、及び処理時間となる。第3工程では、制御パラメータは乾燥室の温度、風向、及び乾燥時間となる。すなわち、制御パラメータを調整することによって目的物に対する処理を制御する。各工程において適切に制御パラメータが設定されていないと、最終的に生産される目的物が不良品となる可能性があるため、生産条件生成システム1では、より確実に良品が生産できるように工程の生産条件を演算する。
生産条件(工程のパラメータ)としては、環境パラメータを含めることとしてもよい。環境パラメータとは、環境要因である(環境依存性がある)パラメータである。環境パラメータは、制御パラメータと異なり、自由に設定することができず、各工程が行われる環境によって決まるパラメータである。例えば、環境パラメータは、温度や湿度、気圧、天候、設備の累積使用時間等である。環境パラメータとしては、上記の少なくともいずれか1つを用いることとしてもよい。
本実施形態では、生産ライン(生産現場)として、第1工程、第2工程、第3工程、及び第4工程を行う場合を一例として説明する。そして、生産条件として、制御パラメータ及び環境パラメータを用いる場合について説明する。環境パラメータを考慮しないこととしてもよい。
図2は、本開示の一実施形態に係る生産条件生成システム1の概略構成を示す図である。図2に示すように、本実施形態に係る生産条件生成システム1は、ジェネレータ(生成部)2と、ディスクリミネータ(識別部)4と、プレディクタ(予測部)3と、学習制御部5とを主な構成として備えている。すなわち、生産条件生成システム1は、ジェネレータ2とディスクリミネータ4とを用いる敵対的生成ネットワークである。敵対的生成ネットワーク(Generative Adversarial Networks:GAN)とは、教師なし学習の一種であり、互に競合するニューラルネットワークによって構成される人工知能アルゴリズムである。ジェネレータ2、ディスクリミネータ4、プレディクタ3は、ニューラルネットワークにより構成されている。
ジェネレータ(Generator)2は、目的物を生産するための複数の工程のうちの一部の工程の制御パラメータ及び環境パラメータを入力として、入力されていない工程の制御パラメータを出力する。すなわち、ジェネレータ2には、一部の工程に対応したパラメータが入力され、その他の工程のパラメータが出力される。図3はジェネレータ2の入出力状態の一例を示す図である。図3に示すように、ジェネレータ2には、第1工程及び第2工程(一部の工程)の制御パラメータ及び環境パラメータが入力される。そして、ジェネレータ2は、第3工程及び第4工程(その他の工程)の制御パラメータ(予測値)を出力する。ジェネレータ2で、図3に示すように、入力された工程の制御パラメータ及び環境パラメータが出力側にも表れる。
ジェネレータ2に入力される一部の工程については、予め設定可能であり、図3の場合に限定されない。
生産ラインにおける各工程は、実施済の工程(完了した工程)と、予測対象の工程(未完了の工程)とに予め分けられ、実施済の工程として想定された工程の制御パラメータ及び環境パラメータがジェネレータ2へ入力される。図3の例では、第1工程と第2工程とが実施済の工程として想定されており、第3工程と第4工程とが予測対象の工程となる。すなわち、ジェネレータ2は、学習後では、完了した工程のパラメータを入力すると、良品を製造するための残りの工程(未完了の工程)のパラメータを出力することが可能となる。
そしてさらに、ジェネレータ2の入力には、出力対象の工程の環境パラメータの見込み値が入力されることが好ましい。図3の例では、出力対象となっている工程である第3工程及び第4工程の環境パラメータの見込み値が入力される。見込み値とは、出力対象の工程が実施される環境に対応した環境パラメータの想定値である。見込み値は、作業員によって適当に値が設定されてもよいし、コンピュータ等によって演算した予測値を用いることとしてもよい。出力対象の工程の環境パラメータが入力されることによって、ジェネレータ2は、出力対象の工程の制御パラメータをより正確に出力することが可能となる。図3のように、入力された第3工程及び第4工程の環境パラメータの見込み値は、出力側にも表れる。
さらに、ジェネレータ2の入力には、計測することができず目的物の生産に影響を与えるノイズパラメータを含むこととすることがより好ましい。図3ではノイズパラメータについても入力される場合を示している。ノイズパラメータについては入力に用いないこととしてもよい。
ノイズパラメータとは、測定が不可能であったり、ランダムに発生するパラメータであり、生産された目的物の品質に影響を及ぼすものとして予め設定される。測定が不可能とは、物理的に測定が不可能な場合や、物理的には測定が可能であるが測定器を設けておらず測定ができない場合も含む。具体的には、ノイズパラメータは、作業員の熟練度及び体調の少なくともいずれか1つを定量的に表したパラメータである。ノイズパラメータが入力されることによって、環境パラメータ等だけでは再現できない影響を加味することが可能となる。ノイズパラメータとしては、部品表面の測定できない細かな疵や、公差内の部品形状のばらつきを定量的に表すこととしてもよい。
図3の例では、ノイズパラメータ及び環境パラメータ(見込み値)とを1本のノードでニューロンへ入力しているが、入力される次元によって多次元入力としてもよい。例えば、ベクトル入力としてもよい。他のノードの次元も限定されない。
ディスクリミネータ(Discriminator)4は、ジェネレータ2により出力された制御パラメータを含む各工程の制御パラメータを入力として、入力された制御パラメータが実際に設定可能なパラメータであるか否かを判定する。具体的には、ディスクリミネータ4には、目的物を生産するための複数の工程の全ての工程の制御パラメータ(及び環境パラメータ)が入力される。ディスクリミネータ4の入力は、ジェネレータ2へ入力された工程のパラメータ及びジェネレータ2から出力された工程のパラメータが入力されることとなる。
図4はディスクリミネータ4の入出力状態の一例を示す図である。図4に示すように、ディスクリミネータ4には、第1工程及び第2工程の制御パラメータ及び環境パラメータ(ジェネレータ2の入力と等しい)が入力される。そしてさらに、ディスクリミネータ4には、第3工程及び第4工程の制御パラメータ(ジェネレータ2から出力された予測値)と、第3工程及び第4工程の環境パラメータ(ジェネレータ2の入力の見込み値と等しい)が入力される。
そして、ディスクリミネータ4は、各工程のパラメータの入力に基づいて、入力された各工程のパラメータが、各工程において実際に設定可能なパラメータの値となっているか否か(現実的か非現実的か)を判定する。実際に設定可能とは、各工程における装置の仕様等に対して設定することが可能なパラメータ値であることである。本実施形態では、実際に設定可能なパラメータとは、過去に設定された実績のあるパラメータであることとして説明する。実際に設定可能なパラメータを、各工程の装置仕様に応じて設定することとしてもよい。
ディスクリミネータ4は、入力された各工程のパラメータにおいて、1つでも非現実なパラメータがある場合に、偽を出力する。そして、ディスクリミネータ4は、全てのパラメータが現実的である場合に、真を出力する。すなわち、ディスクリミネータ4では、真偽判定を行っている。
ディスクリミネータ4は、ジェネレータ2に対して敵対的な関係にあり、ジェネレータ2で非現実なパラメータが出力されないように抑える役割を担っている。
プレディクタ(Predictor)3は、ジェネレータ2により出力された制御パラメータを含む各工程の制御パラメータを入力として、入力された各制御パラメータにより生産された目的物が所定の品質条件を満たす良品となるか否かを予測する。プレディクタ3の入力は、ディスクリミネータ4の入力と同じである。すなわち、プレディクタ3へは、ジェネレータ2へ入力された工程のパラメータ及びジェネレータ2から出力された工程のパラメータが入力されることとなる。
図5はプレディクタ3の入出力状態の一例を示す図である。図5に示すように、プレディクタ3には、第1工程及び第2工程の制御パラメータ及び環境パラメータ(ジェネレータ2の入力と等しい)が入力される。そしてさらに、プレディクタ3には、第3工程及び第4工程の制御パラメータ(ジェネレータ2から出力された予測値)と、第3工程及び第4工程の環境パラメータ(ジェネレータ2の入力の見込み値と等しい)が入力される。
そして、プレディクタ3は、各工程のパラメータの入力に基づいて、入力された各工程のパラメータに基づいて生産を行った場合に、生産された目的物が良品となるか不良品となるかを予測する。良品とは、目的物の品質に対して予め設定された条件(品質条件)を満たす品質の良い目的物を示す。品質条件については、生産する目的物に応じて予め設定される。このように、プレディクタ3では良否判定を行っている。
プレディクタ3は、ジェネレータ2に対して敵対的な関係にあり、ジェネレータ2で不良品となる制御パラメータが出力されないように抑える役割を担っている。
プレディクタ3は、教師あり学習により得た予測モデルである。具体的には、プレディクタ3は、各工程の制御パラメータ(及び環境パラメータ)と、生産された目的物の良否判定結果とが対応付けられた情報を教師データとして機械学習された予測モデルである。プレディクタ3の学習の詳細については後述する。
プレディクタ3の学習は、ジェネレータ2やディスクリミネータ4の学習を行う前に行われる。すなわち、敵対的生成ネットワークによるジェネレータ2やディスクリミネータ4の学習は、学習済のプレディクタ3を用いて行われる。
プレディクタ3については、入力された各工程のパラメータに基づいて目的物の良否判定を行うことができれば、機械学習された予測モデル以外であっても適用することができる。
上記のジェネレータ2、ディスクリミネータ4、プレディクタ3は、ニューラルネットワークにより構成されている。ニューラルネットワークは、たとえば図6に示すようなニューロンのモデルを模したニューラルネットワークで構成される。図6は、ニューロンのモデルの一例を示す模式図である。図6に示すように、ニューロンは、複数の入力x(入力x1、x2、x3)に対する出力yを出力するものである。各入力x1~x3には、各入力xに対応する重みw(w1、w2、w3)が掛けられる。これにより、ニューロンは、出力yを出力する。θはバイアスである。
図6のようなニューロンを組み合わせると、例えば図7のニューラルネットワークとなる。図7は、ニューロンを組み合わせた3層の重みを有するニューラルネットワークの例を示している。図7は、D1~D3の3層の重みを有するニューラルネットワークを示す模式図である。図7に示すように、ニューラルネットワークの左側から複数の入力x(入力x1~x3)が入力され、右側から結果(y1~y3)が出力される。
具体的には、入力x1~入力x3は、3つのニューロンN11~N13の各々に対して対応する重みが掛けられて入力される。図7では、入力に掛けられる重みを、まとめてw1と標記している。ニューロンN11~N13は、それぞれ、z11~z13を出力する。z11~z13は、まとめて特徴ベクトルz1と標記され、入力ベクトルの特徴量を抽出したベクトルとみなすことができる。この特徴ベクトルz1は、重みw1と重みw2との間の特徴ベクトルである。
z11~z13は、2つのニューロンN21、N22の各々に対して対応する重みが掛けられて入力される。図7では、特徴ベクトルに掛けられる重みは、まとめてw2と標記している。ニューロンN21、N22は、それぞれ、z21、z22を出力する。図7では、z21及びz22をまとめて特徴ベクトルz2と標記している。この特徴ベクトルz2は、重みw2と重みw3との間の特徴ベクトルである。
特徴ベクトルz21、z22は、3つのニューロンN31~N33の各々に対して対応する重みが掛けられて入力される。図7では、特徴ベクトルに掛けられるそれぞれの重みは、まとめてw3と標記している。そして、ニューロンN31~N33は、それぞれ、結果y1~結果y3を出力する。
重みw1~w3は、誤差逆伝搬法(バックプロパゲーション)により学習可能なものである。誤差の情報は、右側(出力側)から入り左側(入力側)に流れる。誤差逆伝搬法は、各ニューロンについて、入力xが入力されたときの出力yと真の出力yとの差分を小さくするように、それぞれの重みを調整(学習)する手法である。このため、入力を入れることで、出力を得ることができる。
ニューラルネットワークは、3層以上にさらに層を増やすことも可能である(ディープラーニング)。オートエンコーダにより次元圧縮を行うこととしてもよい。
各ニューラルネットワークでは、入力層と出力層のノード数を、ジェネレータ2の入力の次元数に応じて動的に変更できるようなネットワークとしてもよい。
学習制御部5は、ジェネレータ2におけるニューラルネットワークの学習を行う場合に、ディスクリミネータ4により制御パラメータが実際に設定可能なパラメータであると判定され、プレディクタ3により目的物が良品と予測されるように、ニューラルネットワークを学習させる。
学習制御部5は、ジェネレータ2とディスクリミネータ4とをそれぞれ学習させる。ジェネレータ2の学習と、ディスクリミネータ4の学習とはそれぞれ異なるタイミングで実行される。ジェネレータ2を学習するモードをG学習モードとし、ディスクリミネータ4を学習するモードをD学習モードとして説明を行う。
G学習モードにおいて、学習制御部5は、ディスクリミネータ4により制御パラメータが実際に設定可能な(現実的な)パラメータであると判定され、プレディクタ3により目的物が良品と予測されるように、ジェネレータ2を学習する。すなわち、ジェネレータ2は、ディスクリミネータ4だけでなく、プレディクタ3も用いて学習が行われる。
G学習モードでは、図8に示すように、ディスクリミネータ4をパラメータ固定とする。すなわち、ディスクリミネータ4におけるニューラルネットワークの重みは変更されない。プレディクタ3についても学習済のものを使用するためパラメータ固定となる。
図8のような状態において、ジェネレータ2の入力側に、ランダム生成された各パラメータの値(でたらめな値)を入力する。ランダム生成された値は、乱数を用いることができる。例えば、ランダム生成された値は、ジェネレータ2の入力側の各パラメータにおいて実際に設定された(現実的な)値(実際に設定可能な値を含んでもよい)のデータ群を用いて生成される。具体的には、該データ群における平均値と標準偏差を元にした正規分布に従って発生させた乱数を、ランダム生成された値として用いることができる。環境パラメータについては、実際に測定された(現実的な)値の平均値と標準偏差を元にした正規分布に従って発生させた乱数を、ランダム生成された値として用いることができる。すなわち、ジェネレータ2は、乱数であるが現実的な値が高確率で入力されることとなる。分布はパラメータの性質に応じて正規分布以外を用いることも可能である。このようにすると、ジェネレータ2から、ランダム入力に対応した出力対象の工程の各制御パラメータが出力される。そして、ジェネレータ2の出力を、ディスクリミネータ4へ入力する。そうすると、ディスクリミネータ4では、入力に対して真偽判定結果が出力される。そして、ディスクリミネータ4からの出力が真(現実的なパラメータである)と出力されるように、ジェネレータ2を学習する。このような学習により、ジェネレータ2は、入力に対して現実的なパラメータを出力できるように学習される。つまり、ジェネレータ2は、入力された一部の工程のパラメータに基づいて、出力されるその他の工程のパラメータが現実的な値となるように学習される。
そしてさらに、図8に示すように、ジェネレータ2の出力を、プレディクタ3へ入力する。そうすると、プレディクタ3では、入力に対して良否判定結果が出力される。そして、プレディクタ3からの出力が良品と出力されるように、ジェネレータ2を学習する。このような学習により、ジェネレータ2は、入力に対して、目的物が良品となるようなパラメータを出力できるように学習される。つまり、ジェネレータ2は、入力された一部の工程のパラメータに基づいて、最終的に目的物が良品となるようなその他の工程のパラメータ値を出力するように学習がされる。
ジェネレータ2の学習について、具体的には、ジェネレータ誤差を小さくする方向にジェネレータ2のニューラルネットワークが学習される。ジェネレータ2の出力に基づくプレディクタ3の出力が不良である場合に誤差をα1とし、ジェネレータ2の出力に基づくディスクリミネータ4の出力が偽である場合に誤差をα2とする。すなわち、ジェネレータ誤差は、α1+α2として表すことができる。このジェネレータ誤差を小さくするようにジェネレータ2の学習を行う。具体的には、ジェネレータ誤差が小さくなるように誤差逆伝搬によってジェネレータ2が学習される。ジェネレータ誤差には、ロス関数が適用されてもよい。
このように、ジェネレータ2は、ディスクリミネータ4及びプレディクタ3の両方と敵対して学習が行われる。
D学習モードにおいて、学習制御部5は、ランダム生成された入力に対してジェネレータ2で生成した制御パラメータを含む各工程の制御パラメータが入力された場合に、設定可能なパラメータでないと判定し、設定可能なパラメータとして設定された各工程の制御パラメータが入力された場合に、設定可能なパラメータであると判定するように、ディスクリミネータ4を学習する。すなわち、ディスクリミネータ4は、ジェネレータ2を用いて学習が行われる。
D学習モードでは、図9に示すように、ジェネレータ2をパラメータ固定とする。すなわち、ジェネレータ2におけるニューラルネットワークの重みは変更されない。ディスクリミネータ4の学習においては、プレディクタ3は参照されない。
図9のような状態において、ディスクリミネータ4の入力側に、真データを入力する。真データは、現実的なパラメータ(設定可能なパラメータ)として予め用意された各工程のパラメータである。具体的には、真データは、各工程のパラメータとして実際に設定されたことのあるパラメータである。そして、ディスクリミネータ4は、真データが入力された場合には、真(現実的なパラメータである)と出力されるように学習がされる。
一方で、ディスクリミネータ4の入力を切り替えて、ランダム生成された入力に基づくジェネレータ2の出力を入力する。具体的には、ジェネレータ2の出力を含む各工程の制御パラメータがディスクリミネータ4へ入力される。そして、ディスクリミネータ4は、ジェネレータ2からの出力が入力された場合には、偽(非現実的なパラメータである)と出力されるように学習がされる。
このようにディスクリミネータ4の学習が行われることで、真データ(現実的なデータ)が入力されると真を出力し、ジェネレータ2の出力が入力されると偽を出力するように学習がされる。学習が進んでいかないと、ジェネレータ2からは正しいデータが出力されない。このため、ディスクリミネータ4がジェネレータ2の出力が入力されると偽を出力するように学習がされることで、真でないデータに入力に対応して偽を出力することができるようになる。このようにD学習モードでは、ジェネレータ2は正しい出力をしていないと仮定してディスクリミネータ4の学習が行われる。
ディスクリミネータ4の学習について、具体的にはディスクリミネータ誤差を小さくする方向にディスクリミネータ4のニューラルネットワークが学習される。真データを入力したときにディスクリミネータ4の出力が偽である場合に誤差をβ1とし、ジェネレータ2からの出力を入力した場合にディスクリミネータ4の出力が真である場合に誤差をβ2とする。すなわち、ジェネレータ誤差は、β1+β2として表すことができる。このディスクリミネータ誤差を小さくするようにディスクリミネータ4の学習を行う。具体的には、ディスクリミネータ誤差が小さくなるように誤差逆伝搬によってディスクリミネータ4が学習される。ディスクリミネータ誤差には、ロス関数が適用されてもよい。
そして、学習制御部5では、G学習モードとD学習モードとを切り替えて、繰り返し実行する。そうすると、学習初期の段階ではジェネレータ2はでたらめな値を出力するが、ディスクリミネータ4の成長に伴ってジェネレータ2が成長し、また、ジェネレータ2の成長に伴ってディスクリミネータ4が成長して、互に学習し合う。このため、ジェネレータ2は、目的物が良品となり、かつ現実的なパラメータを出力することができるようになる。
次に、上述の生産条件生成システム1による処理の流れ一例について図10を参照して説明する。図10は、本実施形態に係る生産条件生成システム1による処理の一例を示すフローチャートである。
まず、ジェネレータ2において、第1工程及び第2工程の制御パラメータ及び環境パラメータに対応して各値が入力され、第3工程及び第4工程の制御パラメータを出力する(S101)。ジェネレータ2は、ノイズパラメータが入力されることとしてもよい。
次に、第1工程及び第2工程の制御パラメータ及び環境パラメータ、ジェネレータ2から出力された第3工程及び第4工程の制御パラメータ、及び第3工程及び第4工程の環境パラメータの見込み値がディスクリミネータ4へ入力され、各工程のパラメータの値が実際に設定可能な値であるか否かを判定する(S102)。すなわち、S102では真偽判定処理を行う。
S102と平行して、第1工程及び第2工程の制御パラメータ及び環境パラメータ、ジェネレータ2から出力された第3工程及び第4工程の制御パラメータ、及び第3工程及び第4工程の環境パラメータの見込み値がプレディクタ3へ入力され、各工程が入力されたパラメータの値によって実行された場合に目的物が良品となるか否かが実際に設定可能な値であるか否かを判定する(S103)。すなわち、S103では良否判定処理を行う。
次に、上述のジェネレータ2の学習処理の一例について図11を参照して説明する。図11は、本実施形態に係るジェネレータ2の学習処理の一例を示すフローチャートである。
まず、ジェネレータ2へランダム生成された値を、入力側の各ノードへ入力する(S201)。具体的には、第1工程及び第2工程の制御パラメータ及び環境パラメータ、及び第3工程及び第4工程の環境パラメータ(見込み値)のそれぞれに対応する各値がランダム生成されて入力される。ジェネレータ2は、ノイズパラメータに対応したランダム生成された値が入力されることとしてもよい。
次に、ジェネレータ2から出力された第3工程及び第4工程の制御パラメータがディスクリミネータ4へ入力される(S202)。ディスクリミネータ4へは、ジェネレータ2へも入力された第1工程及び第2工程の制御パラメータ及び環境パラメータ、及び第3工程及び第4工程の環境パラメータ(見込み値)が入力される。
次に、ディスクリミネータ4から真偽判定結果が出力される(S203)。
S202と並列して、ジェネレータ2から出力された第3工程及び第4工程の制御パラメータがプレディクタ3へ入力される(S204)。プレディクタ3へは、ジェネレータ2へも入力された第1工程及び第2工程の制御パラメータ及び環境パラメータ、及び第3工程及び第4工程の環境パラメータ(見込み値)が入力される。
そして、プレディクタ3から良否判定結果が出力される(S205)。
次に、ディスクリミネータ4の真偽判定結果、及びプレディクタ3の良否判定結果に基づいて、ジェネレータ誤差を算出する(S206)。
ジェネレータ誤差に基づいて、ジェネレータ2の学習を行う(S207)。
次に、プレディクタ3の学習について説明する。
本実施形態では、機械学習(教師あり学習)を適用する場合について説明するが、他の機械学習の方式(例えば強化学習など)を利用してもよいし、ルールベースを利用することとしてもよく、プレディクタ3における判定方法については限定されない。教師あり学習とは、教師データ(正解情報が結びついているデータセット)によってデータの特徴をモデル化する学習方法である。教師データは、例えば、生産ラインにおいて収集された実績データに基づいて作成される。
本実施形態では、機械学習(教師あり学習)を適用する場合について説明するが、他の機械学習の方式(例えば強化学習など)を利用してもよいし、ルールベースを利用することとしてもよく、プレディクタ3における判定方法については限定されない。教師あり学習とは、教師データ(正解情報が結びついているデータセット)によってデータの特徴をモデル化する学習方法である。教師データは、例えば、生産ラインにおいて収集された実績データに基づいて作成される。
教師あり学習では、入力と結果(ラベル)のデータの組を機械学習装置に与えることで、データセットにおける特徴を学習し、入力から結果を推定する予測モデルを生成する。すなわち、予測モデルによって、学習させたデータセットにおける関係性を帰納的に獲得することができる。機械学習は、ニューラルネットワークやSVMなどのアルゴリズムを用いて実現することができる。
プレディクタ3は、教師あり学習により機械学習されたモデルである。教師データは、各工程の制御パラメータ(及び環境パラメータ)と、この各制御パラメータに基づいて生産された目的物の良否判定結果(良品か不良品か)とが対応付けられたデータである。すなわち、入力が各工程の制御パラメータ(及び環境パラメータ)であり、対応した出力(正解データ)が良否判定結果となる。各工程の制御パラメータ(及び環境パラメータ)は、目的物の生産のための条件であるため、目的物の良否判定結果に影響する。すなわち、各工程の制御パラメータ(及び環境パラメータ)と、良否判定結果とは互いに相関関係を有している。このため、プレディクタ3は、学習モードにおいて、該教師データに基づいて教師あり学習が行われ、各ニューロンの重みが適切に調整される(機械学習)。
このような教師データを用いて学習が行われることによって、プレディクタ3は、予測モードにおいて、入力(各工程のパラメータ)に基づいて、良否判定結果を出力することができる。具体的には、プレディクタ3は、ジェネレータ2により出力された制御パラメータを含む各工程のパラメータを入力として、良否判定結果を出力する。
次に、ジェネレータ2を用いて未実施の工程の制御パラメータを出力する場合について説明する。
上記のように学習が行われることによって、ジェネレータ2は、一部の工程のパラメータに基づいて、その他の工程のパラメータを出力することが可能となる。そして、ジェネレータ2の出力は、実際に設定可能な値であり、かつ目的物が良品となるような値となる。
上記のように学習が行われることによって、ジェネレータ2は、一部の工程のパラメータに基づいて、その他の工程のパラメータを出力することが可能となる。そして、ジェネレータ2の出力は、実際に設定可能な値であり、かつ目的物が良品となるような値となる。
すなわち、学習後において、ジェネレータ2に実施済である該一部の工程の制御パラメータの実際の値が入力されることによって、該一部の工程以外(未実施)の工程の制御パラメータの予測値が出力される。具体的には、図12に示すように、第1工程及び第2工程が実施された後に、第1工程及び第2工程の制御パラメータ及び環境パラメータの実施値(実施された値)をジェネレータ2へ入力することによって、未実施の第3工程及び第4工程の制御パラメータが出力される。ノイズパラメータは、第3工程及び第4工程における見込み値が入力されることが好ましい。
このため、出力された未実施の第3工程の制御パラメータを用いて実際に第3工程を実施する。この時に、第3工程の制御パラメータと環境パラメータの実施値を得ることができる。
そして、第1工程、第2工程、及び第3工程の制御パラメータ及び環境パラメータの実施値をジェネレータ2へ入力することによって、未実施の第4工程の制御パラメータが出力される。そして、出力された未実施の第4工程の制御パラメータを用いて実際に第4工程を実施する。
このように学習済のジェネレータ2を用いることによって、実施済の工程情報に基づいて、目的物が良品となると予測され、実際に設定可能な、未実施の工程の制御パラメータを得ることができる。このため、良品となる目的物をより安定的に生産することが可能となる。
図13は、本実施形態に係る生産条件生成システム1のハードウェア構成の一例を示した図である。
図13に示すように、生産条件生成システム1は、コンピュータシステム(計算機システム)であり、例えば、CPU11と、CPU11が実行するプログラム等を記憶するためのROM(Read Only Memory)12と、各プログラム実行時のワーク領域として機能するRAM(Random Access Memory)13と、大容量記憶装置としてのハードディスクドライブ(HDD)14と、ネットワーク等に接続するための通信部15とを備えている。大容量記憶装置としては、ソリッドステートドライブ(SSD)を用いることとしてもよい。これら各部は、バス18を介して接続されている。
図13に示すように、生産条件生成システム1は、コンピュータシステム(計算機システム)であり、例えば、CPU11と、CPU11が実行するプログラム等を記憶するためのROM(Read Only Memory)12と、各プログラム実行時のワーク領域として機能するRAM(Random Access Memory)13と、大容量記憶装置としてのハードディスクドライブ(HDD)14と、ネットワーク等に接続するための通信部15とを備えている。大容量記憶装置としては、ソリッドステートドライブ(SSD)を用いることとしてもよい。これら各部は、バス18を介して接続されている。
生産条件生成システム1は、キーボードやマウス等からなる入力部や、データを表示する液晶表示装置等からなる表示部などを備えていてもよい。
CPU11が実行するプログラム等を記憶するための記憶媒体は、ROM12に限られない。例えば、磁気ディスク、光磁気ディスク、半導体メモリ等の他の補助記憶装置であってもよい。
後述の各種機能を実現するための一連の処理の過程は、プログラムの形式でハードディスクドライブ14等に記録されており、このプログラムをCPU11がRAM13等に読み出して、情報の加工・演算処理を実行することにより、後述の各種機能が実現される。プログラムは、ROM12やその他の記憶媒体に予めインストールしておく形態や、コンピュータ読み取り可能な記憶媒体に記憶された状態で提供される形態、有線又は無線による通信手段を介して配信される形態等が適用されてもよい。コンピュータ読み取り可能な記憶媒体とは、磁気ディスク、光磁気ディスク、CD-ROM、DVD-ROM、半導体メモリ等である。
以上説明したように、本実施形態に係る敵対的生成ネットワークを用いた生産条件生成システム、及びその生産条件生成方法並びに生産条件生成プログラムによれば、一部の工程の制御パラメータによってその他の工程の制御パラメータを出力するジェネレータ2と、ジェネレータ2の出力を含む各工程の制御パラメータに基づいて実際に設定可能なパラメータであるか否かの判定行うディスクリミネータ4と、ジェネレータ2の出力を含む各工程の制御パラメータに基づいて目的物の良品予測を行うプレディクタ3とを用いて敵対的生成ネットワークが構成されている。そして、ニューラルネットワークにより構成されるジェネレータ2の学習は、ディスクリミネータ4及びプレディクタ3の両方の出力に基づいて行われる。具体的には、ディスクリミネータ4により実際に設定可能なパラメータであると判定され、プレディクタ3により目的物が良品と予測されるように、ジェネレータ2が学習される。これによって、ジェネレータ2は、実際に設定可能であり、かつ、良品となるような制御パラメータを生成することができるようになり、目的物を生産するためにより適切な制御パラメータを出力することが可能となる。
敵対的生成ネットワークを用いてディスクリミネータ4の学習を行う場合には、ジェネレータ2においてランダム生成された入力(でたらめな入力)に基づいて生成された制御パラメータがディスクリミネータ4へ入力された場合には、設定可能なパラメータでないと判定(偽判定)するように学習が行われる。一方で、設定可能なパラメータとして設定された制御パラメータがディスクリミネータ4へ入力された場合には、設定可能なパラメータであると判定(真判定)するように学習が行われる。このため、ディスクリミネータ4は真偽判定が行うことができるように学習される。そして、ジェネレータ2の学習と、ディスクリミネータ4の学習とはそれぞれ異なるタイミングで実行されるため、それぞれのタイミングでジェネレータ2とディスクリミネータ4とが学習されて互いに敵対的に訓練される。
学習後のジェネレータ2を用いることによって、制御パラメータの実施値の入力に基づいてその他の工程の制御パラメータの予測値を出力することができる。特に学習後であるため、入力された制御パラメータの実施値に応じて、実際に設定可能であり、かつ、良品となるような制御パラメータの予測値が出力されることとなる。
本開示は、上述の実施形態のみに限定されるものではなく、発明の要旨を逸脱しない範囲において、種々変形実施が可能である。
以上説明した各実施形態に記載の敵対的生成ネットワークを用いた生産条件生成システム、及びその生産条件生成方法並びに生産条件生成プログラムは例えば以下のように把握される。
本開示に係る敵対的生成ネットワークを用いた生産条件生成システム(1)は、目的物を生産するための複数の工程のうちの一部の工程の制御パラメータを入力として、入力されていない工程の制御パラメータを出力する生成部(2)と、前記生成部(2)により出力された前記制御パラメータを含む各前記工程の前記制御パラメータを入力として、入力された前記制御パラメータが実際に設定可能なパラメータであるか否かを判定する識別部(4)と、前記生成部(2)により出力された前記制御パラメータを含む各前記工程の前記制御パラメータを入力として、入力された各前記制御パラメータにより生産された前記目的物が所定の品質条件を満たす良品となるか否かを予測する予測部(3)と、前記生成部(2)におけるニューラルネットワークの学習を行う場合に、前記識別部(4)により前記制御パラメータが実際に設定可能なパラメータであると判定され、前記予測部(3)により前記目的物が良品と予測されるように、前記ニューラルネットワークを学習させる学習制御部(5)と、を備える。
本開示に係る敵対的生成ネットワークを用いた生産条件生成システム(1)は、目的物を生産するための複数の工程のうちの一部の工程の制御パラメータを入力として、入力されていない工程の制御パラメータを出力する生成部(2)と、前記生成部(2)により出力された前記制御パラメータを含む各前記工程の前記制御パラメータを入力として、入力された前記制御パラメータが実際に設定可能なパラメータであるか否かを判定する識別部(4)と、前記生成部(2)により出力された前記制御パラメータを含む各前記工程の前記制御パラメータを入力として、入力された各前記制御パラメータにより生産された前記目的物が所定の品質条件を満たす良品となるか否かを予測する予測部(3)と、前記生成部(2)におけるニューラルネットワークの学習を行う場合に、前記識別部(4)により前記制御パラメータが実際に設定可能なパラメータであると判定され、前記予測部(3)により前記目的物が良品と予測されるように、前記ニューラルネットワークを学習させる学習制御部(5)と、を備える。
本開示に係る生産条件生成システム(1)によれば、一部の工程の制御パラメータによってその他の工程の制御パラメータを出力する生成部(2)と、生成部(2)の出力を含む各工程の制御パラメータに基づいて実際に設定可能なパラメータであるか否かの判定行う識別部(4)と、生成部(2)の出力を含む各工程の制御パラメータに基づいて目的物の良品予測を行う予測部(3)とを用いて敵対的生成ネットワークが構成されている。そして、ニューラルネットワークにより構成される生成部(2)の学習は、識別部(4)及び予測部(3)の両方の出力に基づいて行われる。具体的には、識別部(4)により実際に設定可能なパラメータであると判定され、予測部(3)により目的物が良品と予測されるように、生成部(2)が学習される。これによって、生成部(2)は、実際に設定可能であり、かつ、良品となるような制御パラメータを生成することができるようになり、目的物を生産するためにより適切な制御パラメータを出力することが可能となる。
本開示に係る生産条件生成システム(1)は、前記学習制御部(5)は、前記識別部(4)の学習を行う場合に、ランダム生成された入力に対して前記生成部(2)で生成した前記制御パラメータを含む各前記工程の前記制御パラメータが入力された場合に、設定可能なパラメータでないと判定し、設定可能なパラメータとして設定された各前記工程の前記制御パラメータが入力された場合に、設定可能なパラメータであると判定するように前記識別部(4)を学習させ、前記生成部(2)の学習と、前記識別部(4)の学習とはそれぞれ異なるタイミングで実行することとしてもよい。
本開示に係る生産条件生成システム(1)によれば、敵対的生成ネットワークを用いて識別部(4)の学習を行う場合には、生成部(2)においてランダム生成された入力(でたらめな入力)に基づいて生成された制御パラメータが識別部(4)へ入力された場合には、設定可能なパラメータでないと判定(偽判定)するように学習が行われる。一方で、設定可能なパラメータとして設定された制御パラメータが識別部(4)へ入力された場合には、設定可能なパラメータであると判定(真判定)するように学習が行われる。このため、識別部(4)は真偽判定が行うことができるように学習される。そして、生成部(2)の学習と、識別部(4)の学習とはそれぞれ異なるタイミングで実行されるため、それぞれのタイミングで生成部(2)と識別部(4)とが学習されて互いに敵対的に訓練される。
本開示に係る生産条件生成システム(1)は、前記生成部(2)の入力は、環境要因である環境パラメータを含むこととしてもよい。
本開示に係る生産条件生成システム(1)によれば、入力として制御パラメータだけでなく環境要因である環境パラメータも含まれることで、生成部(2)で出力される制御パラメータの精度を向上させることができる。
本開示に係る生産条件生成システム(1)は、前記生成部(2)の入力は、計測することができず前記目的物の生産に影響を与えるノイズパラメータを含むこととしてもよい。
本開示に係る生産条件生成システム(1)によれば、入力として制御パラメータだけでなく、計測することができず目的物の生産に影響を与えるノイズパラメータも含まれることで、生成部(2)で出力される制御パラメータの精度を向上させることができる。
本開示に係る生産条件生成システム(1)は、前記ノイズパラメータは、作業員の熟練度及び体調の少なくともいずれか1つを定量的に表したパラメータであることとしてもよい。
本開示に係る生産条件生成システム(1)によれば、ノイズパラメータとして作業員の熟練度及び体調の少なくともいずれか1つを用いることで、生成部(2)で出力される制御パラメータの精度を向上させることができる。
本開示に係る生産条件生成システム(1)は、前記予測部(3)は、各前記工程の前記制御パラメータと、生産された前記目的物の良否判定結果とが対応付けられた情報を教師データとして機械学習された予測モデルであることとしてもよい。
本開示に係る生産条件生成システム(1)によれば、予測部(3)は制御パラメータと良否判定結果とが対応付けられた教師データにより機械学習された予測モデルであるため、生成部(2)により出力された制御パラメータを含む入力から、目的物が良品となるか否かを予測することができる。
本開示に係る生産条件生成システム(1)は、前記生成部(2)は、学習後において、実施された前記一部の工程の前記制御パラメータの値が入力されることによって、前記一部の工程以外の工程の前記制御パラメータの予測値を出力することとしてもよい。
本開示に係る生産条件生成システム(1)によれば、学習後の生成部(2)を用いることによって、実施された制御パラメータの値の入力に基づいてその他の工程の制御パラメータの予測値を出力することができる。特に学習後であるため、入力された制御パラメータの値に応じて、実際に設定可能であり、かつ、良品となるような制御パラメータの予測値が出力されることとなる。
本開示に係る生産条件生成方法は、目的物を生産するための複数の工程のうちの一部の工程の制御パラメータを入力として、入力されていない工程の制御パラメータを出力する生成工程と、前記生成工程により出力された前記制御パラメータを含む各前記工程の前記制御パラメータを入力として、入力された前記制御パラメータが実際に設定可能なパラメータか否かを判定する識別工程と、前記生成工程により出力された前記制御パラメータを含む各前記工程の前記制御パラメータを入力として、入力された各前記制御パラメータにより生産された前記目的物が所定の品質条件を満たす良品となるか否かを予測する予測工程と、前記生成工程におけるニューラルネットワークの学習を行う場合に、前記識別工程により前記制御パラメータが実際に設定可能なパラメータであると判定され、前記予測工程により前記目的物が良品と予測されるように、前記ニューラルネットワークを学習させる学習制御工程と、を有する。
本開示に係る生産条件生成プログラムは、目的物を生産するための複数の工程のうちの一部の工程の制御パラメータを入力として、入力されていない工程の制御パラメータを出力する生成処理と、前記生成処理により出力された前記制御パラメータを含む各前記工程の前記制御パラメータを入力として、入力された前記制御パラメータが実際に設定可能なパラメータか否かを判定する識別処理と、前記生成処理により出力された前記制御パラメータを含む各前記工程の前記制御パラメータを入力として、入力された各前記制御パラメータにより生産された前記目的物が所定の品質条件を満たす良品となるか否かを予測する予測処理と、前記生成処理におけるニューラルネットワークの学習を行う場合に、前記識別処理により前記制御パラメータが実際に設定可能なパラメータであると判定され、前記予測処理により前記目的物が良品と予測されるように、前記ニューラルネットワークを学習させる学習制御処理と、をコンピュータに実行させる。
1 :生産条件生成システム
2 :ジェネレータ(生成部)
3 :プレディクタ(予測部)
4 :ディスクリミネータ(識別部)
5 :学習制御部
11 :CPU
12 :ROM
13 :RAM
14 :ハードディスクドライブ
15 :通信部
18 :バス
2 :ジェネレータ(生成部)
3 :プレディクタ(予測部)
4 :ディスクリミネータ(識別部)
5 :学習制御部
11 :CPU
12 :ROM
13 :RAM
14 :ハードディスクドライブ
15 :通信部
18 :バス
Claims (9)
- 目的物を生産するための複数の工程のうちの一部の工程の制御パラメータを入力として、入力されていない工程の制御パラメータを出力する生成部と、
前記生成部により出力された前記制御パラメータを含む各前記工程の前記制御パラメータを入力として、入力された前記制御パラメータが実際に設定可能なパラメータであるか否かを判定する識別部と、
前記生成部により出力された前記制御パラメータを含む各前記工程の前記制御パラメータを入力として、入力された各前記制御パラメータにより生産された前記目的物が所定の品質条件を満たす良品となるか否かを予測する予測部と、
前記生成部におけるニューラルネットワークの学習を行う場合に、前記識別部により前記制御パラメータが実際に設定可能なパラメータであると判定され、前記予測部により前記目的物が良品と予測されるように、前記ニューラルネットワークを学習させる学習制御部と、
を備える敵対的生成ネットワークを用いた生産条件生成システム。 - 前記学習制御部は、前記識別部の学習を行う場合に、ランダム生成された入力に対して前記生成部で生成した前記制御パラメータを含む各前記工程の前記制御パラメータが入力された場合に、設定可能なパラメータでないと判定し、設定可能なパラメータとして設定された各前記工程の前記制御パラメータが入力された場合に、設定可能なパラメータであると判定するように前記識別部を学習させ、前記生成部の学習と、前記識別部の学習とはそれぞれ異なるタイミングで実行する請求項1に記載の敵対的生成ネットワークを用いた生産条件生成システム。
- 前記生成部の入力は、環境要因である環境パラメータを含む請求項1または2に記載の敵対的生成ネットワークを用いた生産条件生成システム。
- 前記生成部の入力は、計測することができず前記目的物の生産に影響を与えるノイズパラメータを含む請求項1から3のいずれか1項に記載の敵対的生成ネットワークを用いた生産条件生成システム。
- 前記ノイズパラメータは、作業員の熟練度及び体調の少なくともいずれか1つを定量的に表したパラメータである請求項4に記載の敵対的生成ネットワークを用いた生産条件生成システム。
- 前記予測部は、各前記工程の前記制御パラメータと、生産された前記目的物の良否判定結果とが対応付けられた情報を教師データとして機械学習された予測モデルである請求項1から5のいずれか1項に記載の敵対的生成ネットワークを用いた生産条件生成システム。
- 前記生成部は、学習後において、実施された前記一部の工程の前記制御パラメータの値が入力されることによって、前記一部の工程以外の工程の前記制御パラメータの予測値を出力する請求項1から6のいずれか1項に記載の敵対的生成ネットワークを用いた生産条件生成システム。
- 目的物を生産するための複数の工程のうちの一部の工程の制御パラメータを入力として、入力されていない工程の制御パラメータを出力する生成工程と、
前記生成工程により出力された前記制御パラメータを含む各前記工程の前記制御パラメータを入力として、入力された前記制御パラメータが実際に設定可能なパラメータか否かを判定する識別工程と、
前記生成工程により出力された前記制御パラメータを含む各前記工程の前記制御パラメータを入力として、入力された各前記制御パラメータにより生産された前記目的物が所定の品質条件を満たす良品となるか否かを予測する予測工程と、
前記生成工程におけるニューラルネットワークの学習を行う場合に、前記識別工程により前記制御パラメータが実際に設定可能なパラメータであると判定され、前記予測工程により前記目的物が良品と予測されるように、前記ニューラルネットワークを学習させる学習制御工程と、
を有する敵対的生成ネットワークを用いた生産条件生成方法。 - 目的物を生産するための複数の工程のうちの一部の工程の制御パラメータを入力として、入力されていない工程の制御パラメータを出力する生成処理と、
前記生成処理により出力された前記制御パラメータを含む各前記工程の前記制御パラメータを入力として、入力された前記制御パラメータが実際に設定可能なパラメータか否かを判定する識別処理と、
前記生成処理により出力された前記制御パラメータを含む各前記工程の前記制御パラメータを入力として、入力された各前記制御パラメータにより生産された前記目的物が所定の品質条件を満たす良品となるか否かを予測する予測処理と、
前記生成処理におけるニューラルネットワークの学習を行う場合に、前記識別処理により前記制御パラメータが実際に設定可能なパラメータであると判定され、前記予測処理により前記目的物が良品と予測されるように、前記ニューラルネットワークを学習させる学習制御処理と、
をコンピュータに実行させるための敵対的生成ネットワークを用いた生産条件生成プログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2020/035848 WO2022064573A1 (ja) | 2020-09-23 | 2020-09-23 | 敵対的生成ネットワークを用いた生産条件生成システム、及びその生産条件生成方法並びに生産条件生成プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2022064573A1 JPWO2022064573A1 (ja) | 2022-03-31 |
JP7362937B2 true JP7362937B2 (ja) | 2023-10-17 |
Family
ID=80844597
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022551474A Active JP7362937B2 (ja) | 2020-09-23 | 2020-09-23 | 敵対的生成ネットワークを用いた生産条件生成システム、及びその生産条件生成方法並びに生産条件生成プログラム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7362937B2 (ja) |
WO (1) | WO2022064573A1 (ja) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005518614A (ja) | 2002-02-22 | 2005-06-23 | アギア システムズ インコーポレーテッド | 加工工程のモニタおよび制御システムおよび制御方法 |
US20190299536A1 (en) | 2018-04-02 | 2019-10-03 | Nanotronics Imaging, Inc. | Systems, methods, and media for artificial intelligence feedback control in additive manufacturing |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5448684A (en) * | 1993-11-12 | 1995-09-05 | Motorola, Inc. | Neural network, neuron, and method for recognizing a missing input valve |
-
2020
- 2020-09-23 JP JP2022551474A patent/JP7362937B2/ja active Active
- 2020-09-23 WO PCT/JP2020/035848 patent/WO2022064573A1/ja active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005518614A (ja) | 2002-02-22 | 2005-06-23 | アギア システムズ インコーポレーテッド | 加工工程のモニタおよび制御システムおよび制御方法 |
US20190299536A1 (en) | 2018-04-02 | 2019-10-03 | Nanotronics Imaging, Inc. | Systems, methods, and media for artificial intelligence feedback control in additive manufacturing |
Also Published As
Publication number | Publication date |
---|---|
JPWO2022064573A1 (ja) | 2022-03-31 |
WO2022064573A1 (ja) | 2022-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | A grey prediction-based evolutionary algorithm for dynamic multiobjective optimization | |
Garg | A hybrid GA-GSA algorithm for optimizing the performance of an industrial system by utilizing uncertain data | |
Perry et al. | Modified genetic algorithm strategy for structural identification | |
Singal et al. | Estimation of software development effort: A Differential Evolution Approach | |
Alfred | A genetic-based backpropagation neural network for forecasting in time-series data | |
CN116882708B (zh) | 基于数字孪生的钢铁工艺流程管控方法、装置及相关设备 | |
Chen et al. | A deep reinforcement learning approach to dynamic loading strategy of repairable multistate systems | |
Gheibi et al. | On the impact of applying machine learning in the decision-making of self-adaptive systems | |
Liu et al. | Multiple optimized online support vector regression for adaptive time series prediction | |
Jiang et al. | A self-learning based dynamic multi-objective evolutionary algorithm for resilient scheduling problems in steelmaking plants | |
Baek | An intelligent condition‐based maintenance scheduling model | |
JP7362937B2 (ja) | 敵対的生成ネットワークを用いた生産条件生成システム、及びその生産条件生成方法並びに生産条件生成プログラム | |
Khanzadi et al. | Finding optimum resource allocation to optimizing construction project Time/Cost through combination of artificial agents CPM and GA | |
CN117170980A (zh) | 一种服务器硬件异常预警方法、装置、设备及存储介质 | |
Jagtap et al. | Software reliability: development of software defect prediction models using advanced techniques | |
JP4735973B2 (ja) | 電力価格ゾーン予測方法、及び電力価格ゾーン予測プログラム | |
D’Ambrosio et al. | Meta-model assisted evolutionary optimization of cellular automata: An application to the SCIARA model | |
Strasser et al. | An Approach for Adaptive Parameter Setting in Manufacturing Processes. | |
Cisotto et al. | Performance prediction using neural network and confidence intervals: A gas turbine application | |
Anish et al. | An ensemble model for net asset value prediction | |
Li et al. | Remaining life prediction of cores based on data-driven and physical modeling methods | |
Ptitsyna et al. | A neural network approach to overcoming a priori uncertainty in optimal action planning of intelligent information agents for soft architectures of service-oriented systems | |
Acebes et al. | Statistical learning techniques for project control | |
Shaik et al. | Integrating Random Forest and Support Vector Regression Models for Optimized Energy Consumption Evaluation in Cloud Computing Data Centers | |
Kumari et al. | Remaining useful life prediction using hybrid neural network and genetic algorithm approaches |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221006 |
|
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: 20230905 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231004 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7362937 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |