JP7364894B2 - 搬送先決定装置、予測モデル構築装置、方法及びプログラム - Google Patents
搬送先決定装置、予測モデル構築装置、方法及びプログラム Download PDFInfo
- Publication number
- JP7364894B2 JP7364894B2 JP2020002826A JP2020002826A JP7364894B2 JP 7364894 B2 JP7364894 B2 JP 7364894B2 JP 2020002826 A JP2020002826 A JP 2020002826A JP 2020002826 A JP2020002826 A JP 2020002826A JP 7364894 B2 JP7364894 B2 JP 7364894B2
- Authority
- JP
- Japan
- Prior art keywords
- product
- destination
- information
- period
- input
- 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
- 238000000034 method Methods 0.000 title claims description 44
- 238000003860 storage Methods 0.000 claims description 145
- 230000029087 digestion Effects 0.000 claims description 57
- 238000010276 construction Methods 0.000 claims description 54
- 238000010801 machine learning Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 7
- 239000000047 product Substances 0.000 description 57
- 239000013067 intermediate product Substances 0.000 description 22
- 238000010586 diagram Methods 0.000 description 7
- 238000007781 pre-processing Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 239000000463 material Substances 0.000 description 5
- 238000007637 random forest analysis Methods 0.000 description 5
- 238000005098 hot rolling Methods 0.000 description 4
- 229910000831 Steel Inorganic materials 0.000 description 3
- 239000010959 steel Substances 0.000 description 3
- 230000001174 ascending effect Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011143 downstream manufacturing Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000009628 steelmaking Methods 0.000 description 1
Images
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
Description
本発明は、搬送先決定装置、予測モデル構築装置、方法及びプログラムに関する。
多段の工程を経て最終製品を製造する製造工場では、上工程と下工程の間で中間製品を置き場に保管することがある。中間製品には、材質・品質や形状等、客先に要求されるスペックを規定する注文情報が紐付けられており、この注文情報に基づいて中間製品に加工が施される。しかしながら、例えば中間製品の加工途中に設備トラブルによって当該中間製品に品質劣化が生じ、当該中間製品が現在紐付けられている注文情報のスペックを満たせなくなる場合がある。このような場合、当該中間製品と注文情報の紐付けをいったん解消し、当該中間製品を置き場に搬送して在庫として保管することになる。
中間製品の搬送先となる置き場が複数存在し、各置き場の搬送コスト（各置き場に搬送するための一中間製品あたりの費用）が異なる場合がある。例えば図８に示すように、鉄鋼業における製造工程において、上工程である製鋼工程で製造された中間製品であるスラブを下工程である熱延工程に搬送するまでに、一時的に３つの置き場（置き場Ａ、置き場Ｂ、置き場Ｃ）に保管する。図８の例で、置き場Ａや置き場Ｂは、上工程からの受け入れ位置及び下工程への払い出し位置に対して近くに位置する。一方、置き場Ｃは、上工程からの受け入れ位置及び下工程への払い出し位置に対して遠方に位置し、車両での搬送が必要となるため、置き場Ａや置き場Ｂと比べて搬送コストが高い。このように置き場によって搬送コストが異なるため、できる限り搬送コストが安い置き場への中間製品の搬送回数を増やして、搬送費用を抑えることが求められている。
製品を置き場に搬送するのに利用される技術として、特許文献１には、予想品目ピッキング・レートに従う在庫配置のための方法及びシステムであって、在庫品目のそれぞれについて、予想ピッキング・レートをそれぞれ求め、予想ピッキング・レートに応じて、各品目について、在庫貯蔵エリアのいくつかのゾーンのうちの対応するゾーンを選択する技術が開示されている。
また、特許文献２には、倉庫内の在庫レイアウト方法およびその在庫レイアウト装置が開示されている。
また、特許文献２には、倉庫内の在庫レイアウト方法およびその在庫レイアウト装置が開示されている。
注文情報との紐付けが切れた中間製品を置き場に搬送する場合に、搬送費用を抑えるには、中間製品の注文情報との紐付付きやすさ、すなわち中間製品と注文情報の紐付きが切れてから当該中間製品に後続の注文情報が紐付けられるまでの期間である消化工期に応じて搬送先を決定することが望ましい。例えば搬送コストが安い置き場と、搬送コストが高い置き場の二種類を考えたとき、搬送コストが安い置き場に消化工期が短い中間製品を搬送し、搬送コストが高い置き場に消化工期が長い中間製品を搬送するようにすれば、搬送費用を抑えることができる。
特許文献１に開示されている手法は、ピッキング・レートに応じて在庫置き場を決定するものであり、消化工期に着目して置き場を決定するものではない。また、小ロット、多品種生産では、過去の履歴データが少ないため、ピッキング・レートを高精度に計算できず、製品の搬送先を決定することが難しい課題がある。
また、特許文献２に開示されている手法は、需要予測手法を用いて予測した各品番の出庫数に基づいて入出庫作業負荷を算出し、入出庫作業負荷が高い品番順に品番の割付順序を決めた上で、在庫を配置エリアに割り付けるものであり、消化工期に着目して置き場を決定するものではない。また、小ロット、多品種生産では、同じ品番の出庫数の統計が十分に存在しないため、製品の搬送先を決定することが難しい課題がある。
また、特許文献２に開示されている手法は、需要予測手法を用いて予測した各品番の出庫数に基づいて入出庫作業負荷を算出し、入出庫作業負荷が高い品番順に品番の割付順序を決めた上で、在庫を配置エリアに割り付けるものであり、消化工期に着目して置き場を決定するものではない。また、小ロット、多品種生産では、同じ品番の出庫数の統計が十分に存在しないため、製品の搬送先を決定することが難しい課題がある。
本発明は上記のような点に鑑みてなされたものであり、搬送費用を抑えることがより確実にできるように、消化工期に着目して製品の搬送先を決定する搬送先決定装置等を提供することを目的とする。
上記の課題を解決するための本発明の要旨は、以下のとおりである。
［１］ 複数の置き場のうちいずれかの置き場に製品を搬送して在庫として保管するときの搬送先とする置き場を決定する搬送先決定装置であって、
搬送先を決定する対象製品の情報を入力する入力手段と、
製品と注文情報の紐付きが切れてから当該製品に後続の注文情報が紐付けられるまでの期間である消化工期を予測する、機械学習により構築された予測モデルを用いて、前記入力手段で入力した前記対象製品の情報に基づいて、前記対象製品の消化工期を予測する消化工期予測手段と、
前記消化工期予測手段で予測した前記対象製品の消化工期に基づいて、前記対象製品の搬送先を決定する搬送先決定手段とを備えたことを特徴とする搬送先決定装置。
［２］ 前記搬送先決定手段は、更に、消化工期に応じて製品をどの置き場に搬送すればよいかを判断するための搬送基準に基づいて、前記対象製品の搬送先を決定することを特徴とする［１］に記載の搬送先決定装置。
［３］ 前記入力手段は、消化工期実績を含む、過去にいずれかの置き場に搬送された実績がある製品の情報を入力し、
消化工期実績から置き場毎の製品の消化工期の合計値を求め、各置き場の合計値の割合に基づいて、前記搬送基準を決定する搬送基準決定手段を備えたことを特徴とする［２］に記載の搬送先決定装置。
［４］ 前記入力手段は、置き場の情報を入力し、
前記入力手段で入力した前記対象製品の情報、及び前記置き場の情報に基づいて、前記対象製品が置き場に搬送可能であるか否かを判定する搬送可否判定手段を備え、
前記搬送先決定手段は、更に、前記搬送可否判定手段で判定した前記対象製品の搬送可否の結果に基づいて、前記対象製品の搬送先を決定することを特徴とする［１］乃至［３］のいずれか一つに記載の搬送先決定装置。
［５］ 消化工期実績を含む、過去にいずれかの置き場に搬送された実績がある製品の情報を入力する入力手段と、
前記入力手段で入力した前記製品の情報に基づいて、製品と注文情報の紐付きが切れてから当該製品に後続の注文情報が紐付けられるまでの期間である消化工期を予測する予測モデルを機械学習により構築する予測モデル構築手段とを備えたことを特徴とする予測モデル構築装置。
［６］ 複数の置き場のうちいずれかの置き場に製品を搬送して在庫として保管するときの搬送先とする置き場を決定する搬送先決定方法であって、
搬送先を決定する対象製品の情報を入力する入力ステップと、
製品と注文情報の紐付きが切れてから当該製品に後続の注文情報が紐付けられるまでの期間である消化工期を予測する、機械学習により構築された予測モデルを用いて、前記入力ステップで入力した前記対象製品の情報に基づいて、前記対象製品の消化工期を予測する消化工期予測ステップと、
前記消化工期予測ステップで予測した前記対象製品の消化工期に基づいて、前記対象製品の搬送先を決定する搬送先決定ステップとをコンピュータにより実行させる搬送先決定方法。
［７］ 消化工期実績を含む、過去にいずれかの置き場に搬送された実績がある製品の情報を入力する入力ステップと、
前記入力ステップで入力した前記製品の情報に基づいて、製品と注文情報の紐付きが切れてから当該製品に後続の注文情報が紐付けられるまでの期間である消化工期を予測する予測モデルを機械学習により構築する予測モデル構築ステップとをコンピュータにより実行させる予測モデル構築方法。
［８］ 複数の置き場のうちいずれかの置き場に製品を搬送して在庫として保管するときの搬送先とする置き場を決定するためのプログラムであって、
搬送先を決定する対象製品の情報を入力する入力手段と、
製品と注文情報の紐付きが切れてから当該製品に後続の注文情報が紐付けられるまでの期間である消化工期を予測する機械学習により構築された予測モデルを用いて、前記入力手段で入力した前記対象製品の情報に基づいて、前記対象製品の消化工期を予測する消化工期予測手段と、
前記消化工期予測手段で予測した前記対象製品の消化工期に基づいて、前記対象製品の搬送先を決定する搬送先決定手段としてコンピュータを機能させるためのプログラム。
［９］ 消化工期実績を含む、過去にいずれかの置き場に搬送された実績がある製品の情報を入力する入力手段と、
前記入力手段で入力した前記製品の情報に基づいて、製品と注文情報の紐付きが切れてから当該製品に後続の注文情報が紐付けられるまでの期間である消化工期を予測する予測モデルを機械学習により構築する予測モデル構築手段としてコンピュータを機能させるためのプログラム。
［１］ 複数の置き場のうちいずれかの置き場に製品を搬送して在庫として保管するときの搬送先とする置き場を決定する搬送先決定装置であって、
搬送先を決定する対象製品の情報を入力する入力手段と、
製品と注文情報の紐付きが切れてから当該製品に後続の注文情報が紐付けられるまでの期間である消化工期を予測する、機械学習により構築された予測モデルを用いて、前記入力手段で入力した前記対象製品の情報に基づいて、前記対象製品の消化工期を予測する消化工期予測手段と、
前記消化工期予測手段で予測した前記対象製品の消化工期に基づいて、前記対象製品の搬送先を決定する搬送先決定手段とを備えたことを特徴とする搬送先決定装置。
［２］ 前記搬送先決定手段は、更に、消化工期に応じて製品をどの置き場に搬送すればよいかを判断するための搬送基準に基づいて、前記対象製品の搬送先を決定することを特徴とする［１］に記載の搬送先決定装置。
［３］ 前記入力手段は、消化工期実績を含む、過去にいずれかの置き場に搬送された実績がある製品の情報を入力し、
消化工期実績から置き場毎の製品の消化工期の合計値を求め、各置き場の合計値の割合に基づいて、前記搬送基準を決定する搬送基準決定手段を備えたことを特徴とする［２］に記載の搬送先決定装置。
［４］ 前記入力手段は、置き場の情報を入力し、
前記入力手段で入力した前記対象製品の情報、及び前記置き場の情報に基づいて、前記対象製品が置き場に搬送可能であるか否かを判定する搬送可否判定手段を備え、
前記搬送先決定手段は、更に、前記搬送可否判定手段で判定した前記対象製品の搬送可否の結果に基づいて、前記対象製品の搬送先を決定することを特徴とする［１］乃至［３］のいずれか一つに記載の搬送先決定装置。
［５］ 消化工期実績を含む、過去にいずれかの置き場に搬送された実績がある製品の情報を入力する入力手段と、
前記入力手段で入力した前記製品の情報に基づいて、製品と注文情報の紐付きが切れてから当該製品に後続の注文情報が紐付けられるまでの期間である消化工期を予測する予測モデルを機械学習により構築する予測モデル構築手段とを備えたことを特徴とする予測モデル構築装置。
［６］ 複数の置き場のうちいずれかの置き場に製品を搬送して在庫として保管するときの搬送先とする置き場を決定する搬送先決定方法であって、
搬送先を決定する対象製品の情報を入力する入力ステップと、
製品と注文情報の紐付きが切れてから当該製品に後続の注文情報が紐付けられるまでの期間である消化工期を予測する、機械学習により構築された予測モデルを用いて、前記入力ステップで入力した前記対象製品の情報に基づいて、前記対象製品の消化工期を予測する消化工期予測ステップと、
前記消化工期予測ステップで予測した前記対象製品の消化工期に基づいて、前記対象製品の搬送先を決定する搬送先決定ステップとをコンピュータにより実行させる搬送先決定方法。
［７］ 消化工期実績を含む、過去にいずれかの置き場に搬送された実績がある製品の情報を入力する入力ステップと、
前記入力ステップで入力した前記製品の情報に基づいて、製品と注文情報の紐付きが切れてから当該製品に後続の注文情報が紐付けられるまでの期間である消化工期を予測する予測モデルを機械学習により構築する予測モデル構築ステップとをコンピュータにより実行させる予測モデル構築方法。
［８］ 複数の置き場のうちいずれかの置き場に製品を搬送して在庫として保管するときの搬送先とする置き場を決定するためのプログラムであって、
搬送先を決定する対象製品の情報を入力する入力手段と、
製品と注文情報の紐付きが切れてから当該製品に後続の注文情報が紐付けられるまでの期間である消化工期を予測する機械学習により構築された予測モデルを用いて、前記入力手段で入力した前記対象製品の情報に基づいて、前記対象製品の消化工期を予測する消化工期予測手段と、
前記消化工期予測手段で予測した前記対象製品の消化工期に基づいて、前記対象製品の搬送先を決定する搬送先決定手段としてコンピュータを機能させるためのプログラム。
［９］ 消化工期実績を含む、過去にいずれかの置き場に搬送された実績がある製品の情報を入力する入力手段と、
前記入力手段で入力した前記製品の情報に基づいて、製品と注文情報の紐付きが切れてから当該製品に後続の注文情報が紐付けられるまでの期間である消化工期を予測する予測モデルを機械学習により構築する予測モデル構築手段としてコンピュータを機能させるためのプログラム。
本発明によれば、消化工期に着目して製品の搬送先を決定するため、搬送費用をより確実に抑えることができる。
以下、添付図面を参照して、本発明の好適な実施形態について説明する。
本実施形態では、鉄鋼業における製造工程において、上工程である製鋼工程で製造された中間製品であるスラブを下工程である熱延工程に搬送する場合に、注文情報との紐付けが切れて余材となったスラブ（以下、単にスラブと呼ぶ）の搬送先を決定するプロセスに本発明を適用する例を説明する。本実施形態では、図８に示すように、上工程と下工程との間に３つの置き場（置き場Ａ、置き場Ｂ、置き場Ｃ）がある例を説明する。
本実施形態では、鉄鋼業における製造工程において、上工程である製鋼工程で製造された中間製品であるスラブを下工程である熱延工程に搬送する場合に、注文情報との紐付けが切れて余材となったスラブ（以下、単にスラブと呼ぶ）の搬送先を決定するプロセスに本発明を適用する例を説明する。本実施形態では、図８に示すように、上工程と下工程との間に３つの置き場（置き場Ａ、置き場Ｂ、置き場Ｃ）がある例を説明する。
本発明者は、搬送費用をより確実に抑えるためには、消化工期に応じてスラブの搬送先とする置き場を決定すればよいと考えた。消化工期とは、スラブと注文情報の紐付きが切れてから当該スラブに後続の注文情報が紐付けられるまでの期間である。スラブに注文情報が紐付けられると、基本的にはその後すぐに下工程である熱延工程へと送られるので、消化工期は熱延投入までの期間を表すといえる。消化工期が短いスラブを、搬送コストが安い置き場にできる限り搬送し、消化工期が長いスラブを、搬送コストが高い置き場に搬送するようにすれば、搬送コストが安い置き場への搬送回数を増やし、搬送コストが高い置き場への搬送回数を減らすことができる。
図１に、実施形態に係るスラブの搬送先決定システムの機能構成を示す。
スラブの搬送先決定システムは、予測モデル構築装置１００と、搬送先決定装置２００とを含んで構成される。予測モデル構築装置１００は、スラブの消化工期を予測する予測モデル（以下、消化工期予測モデルと呼ぶ）を構築する。搬送先決定装置２００は、予測モデル構築装置１００で構築された消化工期予測モデルを利用して、複数の置き場のうちいずれかの置き場にスラブを搬送して在庫として保管するときの搬送先とする置き場を決定する。
スラブの搬送先決定システムは、予測モデル構築装置１００と、搬送先決定装置２００とを含んで構成される。予測モデル構築装置１００は、スラブの消化工期を予測する予測モデル（以下、消化工期予測モデルと呼ぶ）を構築する。搬送先決定装置２００は、予測モデル構築装置１００で構築された消化工期予測モデルを利用して、複数の置き場のうちいずれかの置き場にスラブを搬送して在庫として保管するときの搬送先とする置き場を決定する。
予測モデル構築装置１００は、入力部１０１と、データ前処理部１０２と、予測モデル構築部１０３と、出力部１０４とを備える。
入力部１０１は、データベース４００から、消化工期予測モデルを構築する上で必要な学習データとして、過去にいずれかの置き場に搬送された実績があるスラブの情報（以下、搬送実績情報と呼ぶ）を入力する。
データ前処理部１０２は、入力部１０１で入力した搬送実績情報に対して、消化工期予測モデルを構築するための前処理を行う。
予測モデル構築部１０３は、データ前処理部１０２で処理したデータに基づいて、機械学習により消化工期予測モデルを構築する。
出力部１０４は、予測モデル構築部１０３で構築した消化工期予測モデルをデータベース４００に出力し、データベース４００に記憶する。
入力部１０１は、データベース４００から、消化工期予測モデルを構築する上で必要な学習データとして、過去にいずれかの置き場に搬送された実績があるスラブの情報（以下、搬送実績情報と呼ぶ）を入力する。
データ前処理部１０２は、入力部１０１で入力した搬送実績情報に対して、消化工期予測モデルを構築するための前処理を行う。
予測モデル構築部１０３は、データ前処理部１０２で処理したデータに基づいて、機械学習により消化工期予測モデルを構築する。
出力部１０４は、予測モデル構築部１０３で構築した消化工期予測モデルをデータベース４００に出力し、データベース４００に記憶する。
このようにした予測モデル構築装置１００は、例えばＣＰＵ、ＲＯＭ、ＲＡＭ等を備えたコンピュータ装置により構成され、ＣＰＵが例えばＲＯＭに格納されているプログラムを読み出し、このプログラムを実行することにより各部１０１～１０４の機能が実現される。
搬送先決定装置２００は、入力部２０１と、搬送基準決定部２０２と、搬送可否判定部２０３と、消化工期予測部２０４と、搬送先決定部２０５と、出力部２０６とを備える。
入力部２０１は、データベース４００から、スラブの搬送先を決定する上で必要となる、搬送先を決定する対象スラブの情報と、置き場の情報と、搬送実績情報とを入力する。また、入力部２０１は、データベース４００から、予測モデル構築装置１００で構築された消化工期予測モデルを入力する。
搬送基準決定部２０２は、入力部２０１で入力した情報に基づいて、消化工期に応じてスラブをどの置き場に搬送すればよいかを判断するための搬送基準を決定する。
搬送可否判定部２０３は、入力部２０１で入力した情報に基づいて、対象スラブが各置き場に搬送可能であるか否かを判定する。
消化工期予測部２０４は、入力部２０１で入力した消化工期予測モデルを用いて、対象スラブの消化工期を予測する。
搬送先決定部２０５は、搬送基準決定部２０２で決定した搬送基準と、搬送可否判定部２０３で判定した対象スラブの搬送可否の結果と、消化工期予測部２０４で予測した対象スラブの消化工期とに基づいて、対象スラブの搬送先を決定する。
出力部２０６は、搬送先決定部２０５で決定した対象スラブの搬送先を例えば出力装置３０１に出力する。
入力部２０１は、データベース４００から、スラブの搬送先を決定する上で必要となる、搬送先を決定する対象スラブの情報と、置き場の情報と、搬送実績情報とを入力する。また、入力部２０１は、データベース４００から、予測モデル構築装置１００で構築された消化工期予測モデルを入力する。
搬送基準決定部２０２は、入力部２０１で入力した情報に基づいて、消化工期に応じてスラブをどの置き場に搬送すればよいかを判断するための搬送基準を決定する。
搬送可否判定部２０３は、入力部２０１で入力した情報に基づいて、対象スラブが各置き場に搬送可能であるか否かを判定する。
消化工期予測部２０４は、入力部２０１で入力した消化工期予測モデルを用いて、対象スラブの消化工期を予測する。
搬送先決定部２０５は、搬送基準決定部２０２で決定した搬送基準と、搬送可否判定部２０３で判定した対象スラブの搬送可否の結果と、消化工期予測部２０４で予測した対象スラブの消化工期とに基づいて、対象スラブの搬送先を決定する。
出力部２０６は、搬送先決定部２０５で決定した対象スラブの搬送先を例えば出力装置３０１に出力する。
このようにした搬送先決定装置２００は、例えばＣＰＵ、ＲＯＭ、ＲＡＭ等を備えたコンピュータ装置により構成され、ＣＰＵが例えばＲＯＭに格納されているプログラムを読み出し、このプログラムを実行することにより各部２０１～２０６の機能が実現される。
データベース４００は、スラブの情報（搬送実績情報、対象スラブの情報）や置き場の情報を格納する。なお、本実施形態では、データベース４００からスラブの情報や置き場の情報を入力する例を示したが、それ以外にも、例えばネットワークを介して外部機器から入力したり、ユーザが直接入力したりする形態であってもよい。また、本実施形態では、データベース４００に消化工期予測モデルを記憶する例を示したが、データベース４００とは別の記憶装置に記憶するようにしてもよい。
入力装置３００は、ユーザが情報を入力するための手段であり、ポインティングデバイスやキーボード等により構成される。
出力装置３０１は、ディスプレイ等の表示装置により構成され、出力部２０６から出力された求解結果を表示する。なお、出力装置３０１は、音声情報を出力するスピーカ等の音声出力装置等や、出力部２０６から出力された求解結果を不図示の記憶領域に保存、登録する記憶装置等であってもよい。
出力装置３０１は、ディスプレイ等の表示装置により構成され、出力部２０６から出力された求解結果を表示する。なお、出力装置３０１は、音声情報を出力するスピーカ等の音声出力装置等や、出力部２０６から出力された求解結果を不図示の記憶領域に保存、登録する記憶装置等であってもよい。
以下、実施形態に係るスラブの搬送先決定システムによる搬送先決定処理について説明する。
まず、予測モデル構築装置１００が、消化工期予測モデルを構築する処理を説明する。図２は、予測モデル構築装置１００が消化工期予測モデルを構築する処理を示すフローチャートである。
ステップＳ１０１において、入力部１０１は、データベース４００から、消化工期予測モデルを構築する上で必要な学習データとして、上述した搬送実績情報を入力する。
表１に、搬送実績情報の例を示す。過去にいずれかの置き場に搬送された実績があるスラブを識別するためのスラブＩＤ毎に、材質・品質を表わす特性値と、形状を表わす巾、重量、長さと、実際に搬送された置き場を表す搬送先（置き場Ａ～Ｃ）と、後続の注文情報に紐付けられるまでに要した実際の消化工期である消化工期実績とが紐付けられている。
まず、予測モデル構築装置１００が、消化工期予測モデルを構築する処理を説明する。図２は、予測モデル構築装置１００が消化工期予測モデルを構築する処理を示すフローチャートである。
ステップＳ１０１において、入力部１０１は、データベース４００から、消化工期予測モデルを構築する上で必要な学習データとして、上述した搬送実績情報を入力する。
表１に、搬送実績情報の例を示す。過去にいずれかの置き場に搬送された実績があるスラブを識別するためのスラブＩＤ毎に、材質・品質を表わす特性値と、形状を表わす巾、重量、長さと、実際に搬送された置き場を表す搬送先（置き場Ａ～Ｃ）と、後続の注文情報に紐付けられるまでに要した実際の消化工期である消化工期実績とが紐付けられている。
ステップＳ１０２において、データ前処理部１０２は、ステップＳ１０１で入力した搬送実績情報に対して、消化工期予測モデルを構築するための前処理を行う。例えばカテゴリ変数を数値に変換したり、欠損値を補完したりする。
ステップＳ１０３において、予測モデル構築部１０３は、ステップＳ１０２で処理したデータに基づいて、機械学習により消化工期予測モデルを構築する。本実施形態では、アンサンブル学習の一種であるランダムフォレストにより消化工期予測モデルを構築する。
表２に、予測モデル構築部１０３により構築した消化工期予測モデルを用いて予測した予測結果（消化工期予測）と、消化工期実績とを示す。表２に示すように、スラブ毎に消化工期を予測している。また、図３及び図４は、消化工期予測モデルにより予測した予測結果と消化工期実績との関係を示す特性図である。図３は、学習データを消化工期の予測結果の昇順で１０分割し、予測結果の平均値と消化工期実績の平均値とを比較したリフトチャートである。図３に示すように、予測結果の平均値と消化工期実績の平均値とが略一致した結果が得られている。また、図４は、予測結果と消化工期実績との散布図である。図４に示すように、予測結果と消化工期実績とに相関がある結果が得られている。
中間製品の消化工期は、中間製品の材質・品質や形状、将来の注文投入状況によって変化するため予測することが難しいが、単なる統計情報ではなく機械学習により消化工期予測モデルを構築することにより消化工期を適切に予測することが可能になる。特に、アンサンブル学習の一種であるランダムフォレストにより消化工期予測モデルを構築することで、学習データが比較的少ない場合であっても高精度に消化工期を予測することができる。
表２に、予測モデル構築部１０３により構築した消化工期予測モデルを用いて予測した予測結果（消化工期予測）と、消化工期実績とを示す。表２に示すように、スラブ毎に消化工期を予測している。また、図３及び図４は、消化工期予測モデルにより予測した予測結果と消化工期実績との関係を示す特性図である。図３は、学習データを消化工期の予測結果の昇順で１０分割し、予測結果の平均値と消化工期実績の平均値とを比較したリフトチャートである。図３に示すように、予測結果の平均値と消化工期実績の平均値とが略一致した結果が得られている。また、図４は、予測結果と消化工期実績との散布図である。図４に示すように、予測結果と消化工期実績とに相関がある結果が得られている。
中間製品の消化工期は、中間製品の材質・品質や形状、将来の注文投入状況によって変化するため予測することが難しいが、単なる統計情報ではなく機械学習により消化工期予測モデルを構築することにより消化工期を適切に予測することが可能になる。特に、アンサンブル学習の一種であるランダムフォレストにより消化工期予測モデルを構築することで、学習データが比較的少ない場合であっても高精度に消化工期を予測することができる。
ステップＳ１０４において、出力部１０４は、ステップＳ１０３で構築した消化工期予測モデルをデータベース４００に出力し、データベース４００に記憶する。
次に、搬送先決定装置２００が、予測モデル構築装置１００で構築された消化工期予測モデルを利用して、複数の置き場のうちいずれかの置き場にスラブを搬送して在庫として保管するときの搬送先とする置き場を決定する処理を説明する。図５は、搬送先決定装置２００がスラブの搬送先を決定する処理を示すフローチャートである。
ステップＳ２０１において、入力部２０１は、データベース４００から、スラブの搬送先を決定する上で必要となる、対象スラブの情報と、置き場の情報と、搬送実績情報とを入力する。また、入力部２０１は、データベース４００から、予測モデル構築装置１００で構築された消化工期予測モデルを入力する。
ステップＳ２０１において、入力部２０１は、データベース４００から、スラブの搬送先を決定する上で必要となる、対象スラブの情報と、置き場の情報と、搬送実績情報とを入力する。また、入力部２０１は、データベース４００から、予測モデル構築装置１００で構築された消化工期予測モデルを入力する。
表３に、対象スラブの情報の例を示す。消化工期を予測する対象となるスラブを識別するためのスラブＩＤ毎に、材質・品質を表わす特性値と、形状を表わす巾、重量、長さとが紐付けられている。
また、表４に、置き場の情報の例を示す。本実施形態では、図８に示すように３つの置き場（置き場Ａ、置き場Ｂ、置き場Ｃ）があり、置き場ＩＤ毎に、受け入れ可能な最大スラブ長、最大スラブ重量等の制約条件が与えられる。また、置き場ＩＤ毎に、搬送コスト（各置き場に搬送するための一中間製品あたりの費用）が与えられる。図８の例では、搬送コストは、置き場Ａ、置き場Ｂ、置き場Ｃの順番に高くなる。消化工期が短いスラブは置き場Ａに搬送することが求められ、逆に消化工期が長いスラブは置き場Ｃに搬送することが求められる。
また、搬送実績情報は、表１と同様であり、ここではその説明を省略する。
なお、消化工期予測モデルを毎回入力する必要はなく、搬送先決定装置２００において消化工期予測モデルを保持しておき、予測モデル構築装置１００において消化工期予測モデルが新たに構築された場合、新たに構築された消化工期予測モデルを入力して、現在保持している消化工期予測モデルと置き換えるようにしてもよい。
ステップＳ２０２において、搬送基準決定部２０２は、ステップＳ２０１で入力した情報に基づいて、消化工期に応じてスラブをどの置き場に搬送すればよいかを判断するための搬送基準を決定する。
本発明者は、搬送コストが安い置き場に消化工期が短いスラブを搬送するためには、消化工期予測モデルで予測される消化工期に応じて搬送先を決定すればよいと考えた。これを実現するために、搬送基準として消化工期に閾値を設けて、閾値に応じてスラブの搬送先を割り当てることを考えた。この閾値は、置き場毎のスラブの消化工期の合計値（以下、延べ日数と呼ぶ）が実績値又は所定の目標値となるように決定すればよいと考えた。
本発明者は、搬送コストが安い置き場に消化工期が短いスラブを搬送するためには、消化工期予測モデルで予測される消化工期に応じて搬送先を決定すればよいと考えた。これを実現するために、搬送基準として消化工期に閾値を設けて、閾値に応じてスラブの搬送先を割り当てることを考えた。この閾値は、置き場毎のスラブの消化工期の合計値（以下、延べ日数と呼ぶ）が実績値又は所定の目標値となるように決定すればよいと考えた。
ここで、延べ日数を用いた消化工期の閾値の決定方法の具体例を説明する。
表５は、ステップ２０１で入力した搬送実績情報に含まれる消化工期実績から置き場毎のスラブの消化工期の合計値（延べ日数）を求め、各置き場Ａ～Ｃの延べ日数の割合を求めた結果である。表５の割合に示すように、置き場Ａには全体の１５．６％分の日数のスラブが、置き場Ｂには全体の６．９％分の日数のスラブが、置き場Ｃには全体の７７．５％分の日数のスラブが搬送されていることがわかる。
表５は、ステップ２０１で入力した搬送実績情報に含まれる消化工期実績から置き場毎のスラブの消化工期の合計値（延べ日数）を求め、各置き場Ａ～Ｃの延べ日数の割合を求めた結果である。表５の割合に示すように、置き場Ａには全体の１５．６％分の日数のスラブが、置き場Ｂには全体の６．９％分の日数のスラブが、置き場Ｃには全体の７７．５％分の日数のスラブが搬送されていることがわかる。
また、図６は、過去に搬送した実績があるスラブの消化工期実績を昇順にソートして作成した累積度数分布グラフである。横軸を消化工期、縦軸を延べ日数（消化工期実績の累積）の割合として図示した結果である。図６は、もし、スラブの消化工期が既知であった場合に、消化工期に対して全体の延べ日数に占める割合の対応を表している。
本実施形態では、消化工期の閾値を、消化工期予測モデルで予測されるスラブの延べ日数が表５の割合に一致するように決定する。例えば、図６に示すように、置き場Ａに搬送されたスラブの消化工期の延べ日数は、全体の１５．６％分を占めるため、縦軸の延べ日数の割合が０．１５６となるときの消化工期は、１７．９日（Ｘ1)となる。これは、消化工期が短いスラブから順番に置き場Ａに搬送された場合に、１７．９日以下のスラブをすべて置き場Ａに搬送すれば、延べ日数の合計値が１５．６％となることを表す。
同様に、置き場Ｂに搬送されたスラブの消化工期の延べ日数は、全体の６．９％分を占め、全体の１５．６％＋６．９％を合わせて２２．５％分となるため、縦軸の延べ日数の割合が０．２２５となるときの消化工期は、２１．７日（Ｘ2)となる。これは、実績で消化工期が１７．９日から２１．７日となったスラブをすべて置き場Ｂに搬送すれば、延べ日数の合計値が全体の６．９％になることを表している。
本実施形態では、上記Ｘ1、Ｘ2を消化工期の閾値とし、新たに得られたデータ（対象スラブの情報）を予測モデルに入力することで得られる消化工期が閾値Ｘ1を下回るスラブは置き場Ａに搬送し、Ｘ1以上Ｘ2未満のスラブは置き場Ｂに搬送し、Ｘ2以上のスラブは置き場Ｃに搬送するように割り当てる。このようにスラブの搬送先を決定すれば、各置き場へのスラブの搬送数を実績と一致させながら、消化工期が短いスラブを優先的に搬送コストが安い置き場に搬送可能であると着想した。
本実施形態では、消化工期の閾値を、消化工期予測モデルで予測されるスラブの延べ日数が表５の割合に一致するように決定する。例えば、図６に示すように、置き場Ａに搬送されたスラブの消化工期の延べ日数は、全体の１５．６％分を占めるため、縦軸の延べ日数の割合が０．１５６となるときの消化工期は、１７．９日（Ｘ1)となる。これは、消化工期が短いスラブから順番に置き場Ａに搬送された場合に、１７．９日以下のスラブをすべて置き場Ａに搬送すれば、延べ日数の合計値が１５．６％となることを表す。
同様に、置き場Ｂに搬送されたスラブの消化工期の延べ日数は、全体の６．９％分を占め、全体の１５．６％＋６．９％を合わせて２２．５％分となるため、縦軸の延べ日数の割合が０．２２５となるときの消化工期は、２１．７日（Ｘ2)となる。これは、実績で消化工期が１７．９日から２１．７日となったスラブをすべて置き場Ｂに搬送すれば、延べ日数の合計値が全体の６．９％になることを表している。
本実施形態では、上記Ｘ1、Ｘ2を消化工期の閾値とし、新たに得られたデータ（対象スラブの情報）を予測モデルに入力することで得られる消化工期が閾値Ｘ1を下回るスラブは置き場Ａに搬送し、Ｘ1以上Ｘ2未満のスラブは置き場Ｂに搬送し、Ｘ2以上のスラブは置き場Ｃに搬送するように割り当てる。このようにスラブの搬送先を決定すれば、各置き場へのスラブの搬送数を実績と一致させながら、消化工期が短いスラブを優先的に搬送コストが安い置き場に搬送可能であると着想した。
このように消化工期の閾値を決定するためには、閾値となる消化工期の周辺の値での消化工期予測モデルと実績の間にバイアスが発生していないことが前提である。消化工期予測モデルにバイアスが発生している場合は、閾値の過大／過小評価が発生する可能性があり、正しく閾値を設定することができない。本実施形態では、図３に示したように予測結果の平均値と消化工期実績の平均値が略一致した結果が得られていることを確認済であり、バイアスを極力抑えた消化工期予測モデルとなっている。
なお、置き場の数は３つに限らず、それ以上の置き場の数が存在しても同様に、延べ日数の割合から消化工期の閾値を決定することが可能である。
また、消化工期の閾値のような搬送基準は、消化工期を予測する対象スラブの情報が入力される毎に決定するのではなく、間隔をあけて（例えば定期的に）決定するようなアルゴリズムとしてもよい。
なお、置き場の数は３つに限らず、それ以上の置き場の数が存在しても同様に、延べ日数の割合から消化工期の閾値を決定することが可能である。
また、消化工期の閾値のような搬送基準は、消化工期を予測する対象スラブの情報が入力される毎に決定するのではなく、間隔をあけて（例えば定期的に）決定するようなアルゴリズムとしてもよい。
ステップＳ２０３において、搬送可否判定部２０３は、ステップＳ２０１で入力した情報に基づいて、対象スラブが各置き場に搬送可能であるか否かを判定する。
例えば表３に示す対象スラブの情報において、スラブＩＤ「PZ2567-32」はスラブ長さが１２３０００［ｍｍ］、重量が４２．６９［ｔｏｎ］である。一方、表４に示す置き場の情報において、置き場Ｃが受け入れ可能な最大スラブ長は１２０００［ｍｍ］、最大スラブ重量は３５［ｔｏｎ］である。このようにスラブＩＤ「PZ2567-32」の対象スラブは、最大スラブ長及び最大スラブ重量共に違反しているため、置き場Ｃに搬送することができない。表６に、各対象スラブに対して置き場Ａ～Ｃへの搬送可否を判定した結果を示す。
例えば表３に示す対象スラブの情報において、スラブＩＤ「PZ2567-32」はスラブ長さが１２３０００［ｍｍ］、重量が４２．６９［ｔｏｎ］である。一方、表４に示す置き場の情報において、置き場Ｃが受け入れ可能な最大スラブ長は１２０００［ｍｍ］、最大スラブ重量は３５［ｔｏｎ］である。このようにスラブＩＤ「PZ2567-32」の対象スラブは、最大スラブ長及び最大スラブ重量共に違反しているため、置き場Ｃに搬送することができない。表６に、各対象スラブに対して置き場Ａ～Ｃへの搬送可否を判定した結果を示す。
ステップＳ２０４において、消化工期予測部２０４は、ステップＳ２０１で入力した消化工期予測モデルを用いて、対象スラブの消化工期を予測する。具体的には、消化工期予測部２０４は、対象スラブの情報を消化工期予測モデルに入力したときに出力される値を消化工期の予測結果とする。この際、消化工期の予測には、予測モデル構築装置１００で構築されたランダムフォレストモデルを利用する。
表７に、スラブＩＤ毎に消化工期を予測した結果（予測消化工期）を示す。
表７に、スラブＩＤ毎に消化工期を予測した結果（予測消化工期）を示す。
ステップＳ２０５において、搬送先決定部２０５は、ステップＳ２０２で決定した搬送基準と、ステップＳ２０３で判定した対象スラブの搬送可否の結果と、ステップＳ２０４で予測した対象スラブの消化工期とに基づいて、対象スラブの搬送先を決定する。
本実施形態では、次に説明するロジックに従って対象スラブの搬送先を決定する。基本的には、消化工期に応じて対象スラブの搬送先を決定するが、消化工期の閾値に収まる置き場に搬送できない場合は、搬送可能な置き場から予測消化工期に最も近い閾値を持つ置き場を検索し搬送する。
１：Ｉｆ 対象スラブが置き場Ａに搬送可能 ａｎｄ 対象スラブの消化工期＜Ｘ1 ｔｈｅｎ
対象スラブを置き場Ａに搬送
２：Ｅｌｓｅ ｉｆ 対象スラブが置き場Ｂに搬送可能 ａｎｄ Ｘ1≦対象スラブの消化工期＜Ｘ2 ｔｈｅｎ
対象スラブを置き場Ｂに搬送
３：Ｅｌｓｅ ｉｆ 対象スラブが置き場Ｃに搬送可能 ａｎｄ Ｘ2＜対象スラブの消化工期 ｔｈｅｎ
対象スラブを置き場Ｃに搬送
４：Ｅｌｓｅ 搬送可能な置き場から対象スラブの消化工期に最も近い閾値を持つ置き場を検索し搬送
本実施形態では、次に説明するロジックに従って対象スラブの搬送先を決定する。基本的には、消化工期に応じて対象スラブの搬送先を決定するが、消化工期の閾値に収まる置き場に搬送できない場合は、搬送可能な置き場から予測消化工期に最も近い閾値を持つ置き場を検索し搬送する。
１：Ｉｆ 対象スラブが置き場Ａに搬送可能 ａｎｄ 対象スラブの消化工期＜Ｘ1 ｔｈｅｎ
対象スラブを置き場Ａに搬送
２：Ｅｌｓｅ ｉｆ 対象スラブが置き場Ｂに搬送可能 ａｎｄ Ｘ1≦対象スラブの消化工期＜Ｘ2 ｔｈｅｎ
対象スラブを置き場Ｂに搬送
３：Ｅｌｓｅ ｉｆ 対象スラブが置き場Ｃに搬送可能 ａｎｄ Ｘ2＜対象スラブの消化工期 ｔｈｅｎ
対象スラブを置き場Ｃに搬送
４：Ｅｌｓｅ 搬送可能な置き場から対象スラブの消化工期に最も近い閾値を持つ置き場を検索し搬送
表８に、表３に示す対象スラブに対して、搬送先とする置き場を決定した結果の例を示す。
ステップＳ２０６において、出力部２０６は、ステップＳ２０５で決定した対象スラブの搬送先を例えば出力装置３０１に出力する。
以上のように、機械学習により構築した消化工期予測モデルを用いて高精度に消化工期を予測し、そのような消化工期に応じて製品の搬送先を決定しているため、搬送コストが安い置き場に消化工期が短いスラブを搬送し、搬送コストが高い置き場に消化工期が長いスラブを搬送することができ、搬送費用をより確実に抑えることができる。
実施形態の手法（本手法と呼ぶ）によってスラブの搬送先を決定するシミュレーションを実施した結果と、実績を比較する。
図７Ａ、図７Ｂに、各置き場の消化工期をヒストグラムで比較した結果を示す。図７Ａ（ａ）～（ｃ）が、置き場Ａ～Ｃにおける本手法の結果（シミュレーションの結果）を示す。また、図７Ｂ（ａ）～（ｃ）が、置き場Ａ～Ｃにおける実績を示す。
また、表９に、各置き場へのスラブの搬送回数を示す。
図７、表９に示すように、本手法では搬送費用が安い置き場Ａに搬送されたスラブの回数は３０２０回となり、実績の２５７３回に比べて増加させることができた。一方、本手法では搬送費用が高い置き場Ｃに搬送されたスラブの回数は３０４０回となり、実績の３４０４回に比べて低減させることができた。
図７Ａ、図７Ｂに、各置き場の消化工期をヒストグラムで比較した結果を示す。図７Ａ（ａ）～（ｃ）が、置き場Ａ～Ｃにおける本手法の結果（シミュレーションの結果）を示す。また、図７Ｂ（ａ）～（ｃ）が、置き場Ａ～Ｃにおける実績を示す。
また、表９に、各置き場へのスラブの搬送回数を示す。
図７、表９に示すように、本手法では搬送費用が安い置き場Ａに搬送されたスラブの回数は３０２０回となり、実績の２５７３回に比べて増加させることができた。一方、本手法では搬送費用が高い置き場Ｃに搬送されたスラブの回数は３０４０回となり、実績の３４０４回に比べて低減させることができた。
表１０に、本手法による搬送費用の削減効果を、表４の搬送コストを用いて見積もった結果を示す。表１０に示すように、本手法によって、搬送費用を約７％程度削減できることがわかった。
以上、本発明を実施形態と共に説明したが、上記実施形態は本発明を実施するにあたっての具体化の例を示したものに過ぎず、これらによって本発明の技術的範囲が限定的に解釈されてはならないものである。すなわち、本発明はその技術思想、又はその主要な特徴から逸脱することなく、様々な形で実施することができる。
例えば図１では、予測モデル構築装置１００と搬送先決定装置２００とを別々の装置として図示したが、一台の装置として構成されるようにしてもよい。
また、本発明は、本発明の機能を実現するソフトウェア（プログラム）を、ネットワーク又は各種記憶媒体を介してシステム或いは装置に供給し、そのシステム或いは装置のコンピュータがプログラムを読み出して実行することによっても実現可能である。
例えば図１では、予測モデル構築装置１００と搬送先決定装置２００とを別々の装置として図示したが、一台の装置として構成されるようにしてもよい。
また、本発明は、本発明の機能を実現するソフトウェア（プログラム）を、ネットワーク又は各種記憶媒体を介してシステム或いは装置に供給し、そのシステム或いは装置のコンピュータがプログラムを読み出して実行することによっても実現可能である。
１００：予測モデル構築装置、１０１：入力部、１０２：データ前処理部、１０３：予測モデル構築部、１０４：出力部、２００：搬送先決定装置、２０１：入力部、２０２：搬送基準決定部、２０３：搬送可否判定部、２０４：消化工期予測部、２０５：搬送先決定部、２０６：出力部
Claims (9)
- 複数の置き場のうちいずれかの置き場に製品を搬送して在庫として保管するときの搬送先とする置き場を決定する搬送先決定装置であって、
搬送先を決定する対象製品の情報を入力する入力手段と、
製品と注文情報の紐付きが切れてから当該製品に後続の注文情報が紐付けられるまでの期間である消化工期を予測する、機械学習により構築された予測モデルを用いて、前記入力手段で入力した前記対象製品の情報に基づいて、前記対象製品の消化工期を予測する消化工期予測手段と、
前記消化工期予測手段で予測した前記対象製品の消化工期に基づいて、前記対象製品の搬送先を決定する搬送先決定手段とを備えたことを特徴とする搬送先決定装置。 - 前記搬送先決定手段は、更に、消化工期に応じて製品をどの置き場に搬送すればよいかを判断するための搬送基準に基づいて、前記対象製品の搬送先を決定することを特徴とする請求項１に記載の搬送先決定装置。
- 前記入力手段は、消化工期実績を含む、過去にいずれかの置き場に搬送された実績がある製品の情報を入力し、
消化工期実績から置き場毎の製品の消化工期の合計値を求め、各置き場の合計値の割合に基づいて、前記搬送基準を決定する搬送基準決定手段を備えたことを特徴とする請求項２に記載の搬送先決定装置。 - 前記入力手段は、置き場の情報を入力し、
前記入力手段で入力した前記対象製品の情報、及び前記置き場の情報に基づいて、前記対象製品が置き場に搬送可能であるか否かを判定する搬送可否判定手段を備え、
前記搬送先決定手段は、更に、前記搬送可否判定手段で判定した前記対象製品の搬送可否の結果に基づいて、前記対象製品の搬送先を決定することを特徴とする請求項１乃至３のいずれか１項に記載の搬送先決定装置。 - 消化工期実績を含む、過去にいずれかの置き場に搬送された実績がある製品の情報を入力する入力手段と、
前記入力手段で入力した前記製品の情報に基づいて、製品と注文情報の紐付きが切れてから当該製品に後続の注文情報が紐付けられるまでの期間である消化工期を予測する予測モデルを機械学習により構築する予測モデル構築手段とを備えたことを特徴とする予測モデル構築装置。 - 複数の置き場のうちいずれかの置き場に製品を搬送して在庫として保管するときの搬送先とする置き場を決定する搬送先決定方法であって、
搬送先を決定する対象製品の情報を入力する入力ステップと、
製品と注文情報の紐付きが切れてから当該製品に後続の注文情報が紐付けられるまでの期間である消化工期を予測する、機械学習により構築された予測モデルを用いて、前記入力ステップで入力した前記対象製品の情報に基づいて、前記対象製品の消化工期を予測する消化工期予測ステップと、
前記消化工期予測ステップで予測した前記対象製品の消化工期に基づいて、前記対象製品の搬送先を決定する搬送先決定ステップとをコンピュータにより実行させる搬送先決定方法。 - 消化工期実績を含む、過去にいずれかの置き場に搬送された実績がある製品の情報を入力する入力ステップと、
前記入力ステップで入力した前記製品の情報に基づいて、製品と注文情報の紐付きが切れてから当該製品に後続の注文情報が紐付けられるまでの期間である消化工期を予測する予測モデルを機械学習により構築する予測モデル構築ステップとをコンピュータにより実行させる予測モデル構築方法。 - 複数の置き場のうちいずれかの置き場に製品を搬送して在庫として保管するときの搬送先とする置き場を決定するためのプログラムであって、
搬送先を決定する対象製品の情報を入力する入力手段と、
製品と注文情報の紐付きが切れてから当該製品に後続の注文情報が紐付けられるまでの期間である消化工期を予測する、機械学習により構築された予測モデルを用いて、前記入力手段で入力した前記対象製品の情報に基づいて、前記対象製品の消化工期を予測する消化工期予測手段と、
前記消化工期予測手段で予測した前記対象製品の消化工期に基づいて、前記対象製品の搬送先を決定する搬送先決定手段としてコンピュータを機能させるためのプログラム。 - 消化工期実績を含む、過去にいずれかの置き場に搬送された実績がある製品の情報を入力する入力手段と、
前記入力手段で入力した前記製品の情報に基づいて、製品と注文情報の紐付きが切れてから当該製品に後続の注文情報が紐付けられるまでの期間である消化工期を予測する予測モデルを機械学習により構築する予測モデル構築手段としてコンピュータを機能させるためのプログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020002826A JP7364894B2 (ja) | 2020-01-10 | 2020-01-10 | 搬送先決定装置、予測モデル構築装置、方法及びプログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020002826A JP7364894B2 (ja) | 2020-01-10 | 2020-01-10 | 搬送先決定装置、予測モデル構築装置、方法及びプログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2021111134A JP2021111134A (ja) | 2021-08-02 |
| JP7364894B2 true JP7364894B2 (ja) | 2023-10-19 |
Family
ID=77059922
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2020002826A Active JP7364894B2 (ja) | 2020-01-10 | 2020-01-10 | 搬送先決定装置、予測モデル構築装置、方法及びプログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7364894B2 (ja) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004086291A (ja) | 2002-08-23 | 2004-03-18 | Jfe Steel Kk | 鋼板の生産計画方法及び鋼板の製造方法 |
| JP2011159230A (ja) | 2010-02-03 | 2011-08-18 | Jfe Steel Corp | スケジュール作成支援システム、スケジュール作成支援方法、及びスケジュール作成支援プログラム |
| JP2015193479A (ja) | 2014-03-18 | 2015-11-05 | 株式会社神戸製鋼所 | 搬送支援システム |
| JP2017068788A (ja) | 2015-10-02 | 2017-04-06 | 新日鐵住金株式会社 | 製鋼圧延計画立案装置、製鋼圧延計画立案方法、およびプログラム |
| JP2017120561A (ja) | 2015-12-28 | 2017-07-06 | 新日鐵住金株式会社 | 物流計画立案装置、方法及びプログラム |
| JP2019174865A (ja) | 2018-03-26 | 2019-10-10 | Ｊｆｅスチール株式会社 | 在庫量推移シミュレーション方法及び在庫量推移シミュレーション装置 |
-
2020
- 2020-01-10 JP JP2020002826A patent/JP7364894B2/ja active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004086291A (ja) | 2002-08-23 | 2004-03-18 | Jfe Steel Kk | 鋼板の生産計画方法及び鋼板の製造方法 |
| JP2011159230A (ja) | 2010-02-03 | 2011-08-18 | Jfe Steel Corp | スケジュール作成支援システム、スケジュール作成支援方法、及びスケジュール作成支援プログラム |
| JP2015193479A (ja) | 2014-03-18 | 2015-11-05 | 株式会社神戸製鋼所 | 搬送支援システム |
| JP2017068788A (ja) | 2015-10-02 | 2017-04-06 | 新日鐵住金株式会社 | 製鋼圧延計画立案装置、製鋼圧延計画立案方法、およびプログラム |
| JP2017120561A (ja) | 2015-12-28 | 2017-07-06 | 新日鐵住金株式会社 | 物流計画立案装置、方法及びプログラム |
| JP2019174865A (ja) | 2018-03-26 | 2019-10-10 | Ｊｆｅスチール株式会社 | 在庫量推移シミュレーション方法及び在庫量推移シミュレーション装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2021111134A (ja) | 2021-08-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Matusiak et al. | Utilizing individual picker skills to improve order batching in a warehouse | |
| Saif-Eddine et al. | An improved genetic algorithm for optimizing total supply chain cost in inventory location routing problem | |
| Melacini et al. | Development of a framework for pick-and-pass order picking system design | |
| Cakmak et al. | Determining the size and design of flow type and u-type warehouses | |
| Altuntas et al. | Facility layout using weighted association rule-based data mining algorithms: Evaluation with simulation | |
| Baykasoğlu et al. | New approaches to due date assignment in job shops | |
| Derhami et al. | A simulation-based optimization approach to design optimal layouts for block stacking warehouses | |
| CN112749829B (zh) | 输送计划生成装置及输送计划生成方法 | |
| Hasani Goodarzi et al. | A multi-objective imperialist competitive algorithm for vehicle routing problem in cross-docking networks with time windows | |
| Vincent et al. | A robust optimization approach for the vehicle routing problem with cross-docking under demand uncertainty | |
| JP7364894B2 (ja) | 搬送先決定装置、予測モデル構築装置、方法及びプログラム | |
| JP2012185779A (ja) | 生産または物流管理装置及び生産または物流管理方法 | |
| Ghadimi et al. | Integrated and hierarchical systems for coordinating order acceptance and release planning | |
| US20190325545A1 (en) | Transportation planning device, transportation planning method, and storage medium storing program | |
| Miguel et al. | A memetic algorithm for the integral OBP/OPP problem in a logistics distribution center | |
| JP2017117049A (ja) | 物流管理支援装置および物流管理支援方法 | |
| Sivasundari et al. | Production, capacity and workforce planning: a mathematical model approach | |
| Hosseini et al. | A robust optimization model for a supply chain under uncertainty | |
| JP5803318B2 (ja) | 操業ルール作成方法及び生産物流計画作成方法 | |
| CN113762697A (zh) | 物料输送方法、设备、系统以及存储介质 | |
| JP7192382B2 (ja) | ヤード管理装置、ヤード管理方法、およびプログラム | |
| JP2005100092A (ja) | 半導体生産シミュレーション方法および半導体生産シミュレーションプログラム | |
| Malčic et al. | Multicriteria inventory classification in the expedition warehouse of the metallurgical company | |
| JP6193182B2 (ja) | 工程負荷調整方法及び工程負荷調整プログラム、並びに工程負荷調整装置 | |
| Bavar et al. | Green routing of multi-objective transport vehicles with cross docks under the time window constraint |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220905 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230712 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230718 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230803 |
|
| 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: 20230918 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 7364894 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |