JP7372530B2 - 混練異常度学習装置、学習済モデルの生成方法及びプログラム - Google Patents

Description

本発明は、混練異常度学習装置、学習済モデルの生成方法及びプログラムに関する。

ゴム混練機における混練異常を判定する技術が知られている。例えば特許文献１には、ゴム混練時における各混練バッチの波形の変化を正常時の基準波形と照合することで、各混練バッチが正常混練であるか異常混練であるかを判定することが記載されている。

また特許文献２には、各混練ロットの平均混練波形と規格混練波形とを比較して、正常時の許容値範囲外の波動変動である場合には、ゴム混練の混合仕様を書き換えることが記載されている。

また特許文献３には、混練機のロータの回転駆動に要する瞬時電力量を積算した積算電力量を積算回転数で割った値を演算値と、正常値と、を比較して、混練バッチの混練異常の有無を判定することが記載されている。

また特許文献４には、対象となる混練バッチについて得られた混練波形と、予め作成した基準混練波形に対する許容範囲とを比較照合することによって、混練バッチが正常であるか異常であるかの判定を行うことが記載されている。

特開平６－３４４３３４号公報 特開平６－３４４３３５号公報 特開２０１４－２２６９１０号公報 特開２０１７－５６６６６号公報

発明者らは、機械学習モデルを用いて密閉式ゴム混練機により未加硫ゴムの混練バッチを混練する際の当該混練バッチの混練の異常度の推定を行うことを検討している。

混練バッチの混練の開始から終了までの期間にわたって、密閉式ゴム混練機の瞬時電力値や温度、密閉式ゴム混練機が備えるロータの回転数、密閉式ゴム混練機が備えるラムの位置などといった、密閉式ゴム混練機の状態の測定が可能である。そのため、このような測定の結果を示す膨大な要素数のデータを入力に用いて機械学習モデルの学習を実行することが考えられる。

しかし一般的に、機械学習モデルへの入力の要素数が多いと、過学習（オーバーフィッテング）が発生し、汎化性能が低くなる。その結果、未知の測定データに基づく混練バッチの混練の異常度の推定精度が低くなる。

そのため、汎化性能を高めるために、当該機械学習モデルの学習に先立って、当該機械学習モデルの学習に適切な要素数の入力を決定する必要がある。

しかし、学習が実行されていない当該機械学習モデルを用いて当該機械学習モデルの学習に適切な要素数の入力を決定することはできない。また、入力の要素数が適切であったとしても、その結果、混練バッチの混練の異常度の推定精度が低くなることは望ましくない。

また上記特許文献１～４に記載の技術では、そもそも機械学習モデルが用いられていないため上記実情は存在しない。

本発明は上記実情に鑑みてなされたものであって、その目的の一つは、機械学習モデルによる混練バッチの混練の異常度の推定における推定精度を確保しつつ要素数を適切なものにすることができる混練異常度学習装置、学習済モデルの生成方法及びプログラムを提供することにある。

上記課題を解決するために、本発明に係る混練異常度学習装置は、密閉式ゴム混練機により未加硫ゴムの混練バッチを混練する際の当該混練バッチの混練の異常度の推定に用いられる機械学習モデルの学習を実行する混練異常度学習装置であって、前記混練バッチの混練の開始から終了までの混練時間に対して互いに異なる複数の設定規則を適用することで、複数の時間範囲群を設定する設定手段と、前記密閉式ゴム混練機の状態を表す測定値の時系列を示す測定データと、混練の異常度を示す所与の教師データと、を含む学習データを取得する学習データ取得手段と、前記複数の前記時間範囲群に含まれる時間範囲に対応付けられる前記測定値の統計値をそれぞれが示す複数の要素を含む統計データを生成する統計データ生成手段と、前記教師データに基づいて、生成される前記統計データに含まれる複数の要素のうちから、前記異常度の推定への寄与度が高い一部の要素を特定する特定手段と、特定される前記一部の要素を入力に用いて前記機械学習モデルの学習を実行する学習手段と、を含む。

本発明の一態様では、前記設定手段は、前記密閉式ゴム混練機が備えるラムが配置されている位置に基づいて前記混練時間を分割した複数のサブ時間のそれぞれについて、互いに異なる複数の設定規則を適用することで、前記複数の前記時間範囲群を設定する。

また、本発明の一態様では、前記設定手段は、前記混練時間を互いに異なる複数の分割数で分割することで、前記複数の前記時間範囲群を設定する。

また、本発明の一態様では、少なくとも１つの前記時間範囲群に含まれる互いに隣接する前記時間範囲の一部は重複する。

また、本発明の一態様では、前記時間範囲群に含まれる時間範囲は、当該時間範囲群とは異なる前記時間範囲群に含まれるいずれかの時間範囲と少なくとも一部が重複する。

また、本発明に係る学習済モデルの生成方法は、密閉式ゴム混練機により未加硫ゴムの混練バッチを混練する際の当該混練バッチの混練の異常度を推定する学習済モデルの生成方法であって、前記混練バッチの混練の開始から終了までの混練時間に対して互いに異なる複数の設定規則を適用することで、複数の時間範囲群を設定するステップと、前記密閉式ゴム混練機の状態を表す測定値の時系列を示す測定データと、混練の異常度を示す所与の教師データと、を含む学習データを取得するステップと、前記複数の前記時間範囲群に含まれる時間範囲に対応付けられる前記測定値の統計値をそれぞれが示す複数の要素を含む統計データを生成するステップと、前記教師データに基づいて、生成される前記統計データに含まれる複数の要素のうちから、前記異常度の推定への寄与度が高い一部の要素を特定するステップと、特定される前記一部の要素を入力に用いて機械学習モデルの学習を実行するステップと、を含む。

また、本発明に係るプログラムは、密閉式ゴム混練機により未加硫ゴムの混練バッチを混練する際の当該混練バッチの混練の異常度の推定に用いられる機械学習モデルの学習を実行するコンピュータに、前記混練バッチの混練の開始から終了までの混練時間に対して互いに異なる複数の設定規則を適用することで、複数の時間範囲群を設定する手順、前記密閉式ゴム混練機の状態を表す測定値の時系列を示す測定データと、混練の異常度を示す所与の教師データと、を含む学習データを取得する手順、前記複数の前記時間範囲群に含まれる時間範囲に対応付けられる前記測定値の統計値をそれぞれが示す複数の要素を含む統計データを生成する手順、前記教師データに基づいて、生成される前記統計データに含まれる複数の要素のうちから、前記異常度の推定への寄与度が高い一部の要素を特定する手順、特定される前記一部の要素を入力に用いて前記機械学習モデルの学習を実行する手順、を実行させる。

本発明の一実施形態に係る情報処理装置の構成の一例を示す図である。 １つの混練バッチの混練の開始から終了までにおけるラムの位置の時間変化の一例を模式的に示す図である。 本発明の一実施形態に係る情報処理装置の機能の一例を示す機能ブロック図である。 測定データのデータ構造の一例を示す図である。 複数の時間範囲群の設定の一例を示す図である。 統計データのデータ構造の一例を示す図である。 複数の時間範囲群の設定の一例を示す図である。 複数の時間範囲群の設定の一例を示す図である。 統計データのデータ構造の一例を示す図である。 複数の時間範囲群の設定の一例を示す図である。 本発明の一実施形態に係る情報処理装置で行われるデータマイニング処理の流れの一例を示すフロー図である。 本発明の一実施形態に係る情報処理装置で行われる学習処理の流れの一例を示すフロー図である。 本発明の一実施形態に係る情報処理装置で行われる推定処理の流れの一例を示すフロー図である。

以下、本発明の一実施形態について、図面を参照しながら説明する。

図１は、本発明の一実施形態に係る情報処理装置１０の構成の一例を示す図である。本実施形態に係る情報処理装置１０は、パーソナルコンピュータなどのコンピュータである。図１に示すように情報処理装置１０は、例えば、プロセッサ１２、記憶部１４、通信部１６、表示部１８、操作部２０を含んでいる。

プロセッサ１２は、例えば情報処理装置１０にインストールされるプログラムに従って動作するＣＰＵ等のプログラム制御デバイスである。

記憶部１４は、ＲＯＭやＲＡＭ等の記憶素子、ハードディスクドライブ、ソリッドステートドライブ（ＳＳＤ）などである。記憶部１４には、プロセッサ１２によって実行されるプログラムなどが記憶される。

通信部１６は、例えばネットワークボードなどの通信インタフェースである。本実施形態では通信部１６を介して情報処理装置１０は、バンバリーミキサーなどの密閉式ゴム混練機２２と通信可能となっている。

表示部１８は、液晶ディスプレイ等の表示デバイスであって、プロセッサ１２の指示に従って各種の画像を表示する。

操作部２０は、キーボードやマウスなどといったユーザインタフェースであって、ユーザの操作入力を受け付けて、その内容を示す信号をプロセッサ１２に出力する。

なお、情報処理装置１０は、ＤＶＤ－ＲＯＭやＢｌｕ－ｒａｙ（登録商標）ディスクなどの光ディスクを読み取る光ディスクドライブ、ＵＳＢ（Universal Serial Bus）ポートなどを含んでいてもよい。

本実施形態では例えば、密閉式ゴム混練機２２において、未加硫ゴムの混練バッチが連続的に混練される。図２は、１つの混練バッチの混練の開始から終了までにおける、密閉式ゴム混練機２２が備えるラムの位置の時間変化の一例を模式的に示す図である。

図２では、混練バッチの混練の開始からの時間ｔが横軸に示されており、ラムの位置ｈが縦軸に示されている。以下、混練バッチの混練の開始からの経過時間がｔである際の時刻を時刻ｔと呼ぶこととする。またラムの位置がｈ１である場合よりもｈ２である場合の方が、ラムは上方に位置していることとする。またラムの位置がｈ２である場合よりもｈ３である場合の方が、ラムは上方に位置していることとする。

本実施形態に係る密閉式ゴム混練機２２では、投入されるゴムをできるだけ均一にするために１つの混練バッチの混練において密閉式ゴム混練機２２が備えるラムは複数回上下するよう制御される。図２の例では、時刻ｔ１が到来すると位置ｈ３にあるラムは下降を開始する。そして時刻ｔ２にラムは所定の下方位置である位置ｈ１に到達する。その後、時刻ｔ３にラムは上方に移動を開始し、時刻ｔ４にラムは位置ｈ２に到達する。その後、時刻ｔ５にラムは再度下降を開始し、時刻ｔ６にラムは位置ｈ１に到達する。その後、時刻ｔ７にラムは再度上方に移動を開始し、時刻ｔ８にラムは位置ｈ２に到達する。その後、時刻ｔ９にラムは再度下降を開始し、時刻ｔ１０にラムは位置ｈ１に到達する。そして時刻ｔ１１にラムは上方に移動を開始し、時刻ｔ１２にラムが位置ｈ２に到達し、その後、混練バッチの混練は終了となる。

１つの混練バッチの混練においては、ラムが所定の下方位置である位置ｈ１に配置されている状態で混練する工程を１ステージとして、複数のステージが繰り返される。図２の例では、１つの混練バッチの混練において３ステージが行われることとなる。すなわち、時刻ｔ２から時刻ｔ３までが第１ステージに相当し、時刻ｔ６から時刻ｔ７が第２ステージに相当し、時刻ｔ１０から時刻ｔ１１が第３ステージに相当する。また時刻ｔ４から時刻ｔ５まで、及び、時刻ｔ８から時刻ｔ９までの、ラムが位置ｈ２に位置する時間においては、投入されたゴムの水分、揮発分が除去される。

また本実施形態に係る密閉式ゴム混練機２２では時刻ｔ１よりも前に加硫剤が投入される。そのため本実施形態に係る密閉式ゴム混練機２２では加硫剤が加えられた状態で混練が行われることとなる。

以下の説明では、混練バッチの混練の開始から終了までの時間を混練時間Ｔと呼ぶこととする。そして、混練バッチの混練の開始タイミングから時刻ｔ２までの時間を時間Ｔ１と呼ぶこととする。そして、時刻ｔ２から時刻ｔ３までの時間を時間Ｔ２と呼ぶこととする。そして、時刻ｔ３から時刻ｔ６までの時間を時間Ｔ３と呼ぶこととする。そして、時刻ｔ６から時刻ｔ７までの時間を時間Ｔ４と呼ぶこととする。そして、時刻ｔ７から時刻ｔ１０までの時間を時間Ｔ５と呼ぶこととする。そして、時刻ｔ１０から時刻ｔ１１までの時間を時間Ｔ６と呼ぶこととする。そして、時刻ｔ１１から混練バッチの混練の終了タイミングまでの時間を時間Ｔ７と呼ぶこととする。

そして混練の際に、密閉式ゴム混練機２２の瞬時電力値や温度、密閉式ゴム混練機２２が備えるロータの回転数、密閉式ゴム混練機２２が備えるラムの位置などといった、密閉式ゴム混練機２２の状態の測定が行われる。そして密閉式ゴム混練機２２の状態を表す測定値のデータが、密閉式ゴム混練機２２から情報処理装置１０に送信される。

そして情報処理装置１０において、密閉式ゴム混練機２２の状態を表す測定値の時系列を示す測定データに基づいて、当該混練バッチの混練が正常であるか異常であるかが判定される。ここで当該混練バッチの混練が正常であると判定されると、密閉式ゴム混練機２２のドロップドアが開くよう制御される。その結果、当該混練バッチが密閉式ゴム混練機２２から排出され、後工程に回される。一方、当該混練バッチの混練が異常であると判定されると、例えば警告音の出力などの異常通知が行われたり、密閉式ゴム混練機２２のドロップドアが閉制御されたりする。

以下、情報処理装置１０に実装されている機械学習モデルの学習、及び、情報処理装置１０による混練バッチの混練の異常度の推定についてさらに説明する。

図３は、本実施形態に係る情報処理装置１０で実装される機能の一例を示す機能ブロック図である。なお、本実施形態に係る情報処理装置１０で、図３に示す機能のすべてが実装される必要はなく、また、図３に示す機能以外の機能が実装されていても構わない。

図３に示すように、情報処理装置１０には、機能的には例えば、機械学習モデル３０、学習データ記憶部３２、学習データ取得部３４、学習データ利用決定部３６、設定部３８、学習統計データ生成部４０、データマイニング部４２、学習要素特定部４４、学習部４６、ターゲット測定データ取得部４８、ターゲット測定データ利用決定部５０、ターゲット統計データ生成部５２、推定部５４、ドロップドア制御部５６、が含まれる。

機械学習モデル３０、データマイニング部４２は、プロセッサ１２及び記憶部１４を主として実装される。学習データ記憶部３２は、記憶部１４を主として実装される。学習データ取得部３４、学習データ利用決定部３６、設定部３８、学習統計データ生成部４０、学習要素特定部４４、学習部４６、ターゲット測定データ利用決定部５０、ターゲット統計データ生成部５２、推定部５４は、プロセッサ１２を主として実装される。ターゲット測定データ取得部４８、ドロップドア制御部５６は、プロセッサ１２及び通信部１６を主として実装される。

以上の機能は、コンピュータである情報処理装置１０にインストールされた、以上の機能に対応する指令を含むプログラムをプロセッサ１２で実行することにより実装されてもよい。このプログラムは、例えば、光ディスク、磁気ディスク、磁気テープ、光磁気ディスク、フラッシュメモリ等のコンピュータ読み取り可能な情報記憶媒体を介して、あるいは、インターネットなどを介して情報処理装置１０に供給されてもよい。

情報処理装置１０における、機械学習モデル３０、学習データ記憶部３２、学習データ取得部３４、学習データ利用決定部３６、設定部３８、学習統計データ生成部４０、データマイニング部４２、学習要素特定部４４、学習部４６の機能は、密閉式ゴム混練機２２により未加硫ゴムの混練バッチを連続的に混練する際の当該混練バッチの混練の異常度の推定に用いられる機械学習モデル３０の学習を実行する学習装置としての機能に相当する。

また情報処理装置１０における、機械学習モデル３０、設定部３８、データマイニング部４２、ターゲット測定データ取得部４８、ターゲット測定データ利用決定部５０、ターゲット統計データ生成部５２、推定部５４、ドロップドア制御部５６の機能は、密閉式ゴム混練機２２により未加硫ゴムの混練バッチを連続的に混練する際の当該混練バッチの混練の異常度を推定する混練異常度推定装置としての機能に相当する。

機械学習モデル３０は、本実施形態では例えば、アダブースト、ランダムフォレスト、ニューラルネットワーク、サポートベクタマシン（ＳＶＭ）、最近傍識別器、などの機械学習が実装された機械学習モデルである。

ここで当該機械学習モデル３０は、混練が正常であるか異常であるかを判定する判定モデルであってもよい。そしてこの場合に、当該機械学習モデル３０が、入力に応じて、例えば混練バッチの混練が正常であるか異常であるかを示す１ビットのデータを出力してもよい。

また当該機械学習モデル３０は、混練が異常である程度を示すデータを出力する回帰モデルであってもよい。そしてこの場合に、当該機械学習モデル３０が、入力に応じて、例えばコンパウンド判定に用いられるレオメータによる弾性測定での測定値の推定値を出力してもよい。

学習データ記憶部３２は、本実施形態では例えば、機械学習モデル３０の学習に用いられる学習データを記憶する。学習データには、例えば、混練バッチの混練の開始から終了までの時間の長さに応じた数の要素を含む、密閉式ゴム混練機２２の状態を表す測定値の時系列を示す測定データと、混練の異常度を示す所与の教師データと、が含まれている。以下、学習データに含まれる測定データを学習測定データと呼ぶこととする。

図４は、測定データのデータ構造の一例を示す図である。ここで例えば、学習測定データのデータ構造も、機械学習モデル３０を用いた混練の異常度の推定の際に用いられる測定データである後述のターゲット測定データのデータ構造も、図４に示すものであることとする。

図４には、２つの測定値の時系列を示す測定データのデータ構造の一例が示されている。ここで例えばａ（１）～ａ（Ｎ）は、密閉式ゴム混練機２２の瞬時電力値の時系列を示すデータであり、ｂ（１）～ｂ（Ｎ）は、密閉式ゴム混練機２２の温度の時系列を示すデータであってもよい。

本実施形態では例えば、所定の時間間隔（ここでは例えば１秒間隔）で密閉式ゴム混練機２２の状態の測定が行われることとする。ここで例えば、混練バッチの混練の開始から終了までの時間がｔ秒である場合は、値Ｎは、ｔとなる。例えば混練バッチの混練の開始から終了までの時間が９０秒である場合は、値Ｎは、９０となる。この場合は、測定データに含まれる要素の数は１８０となる。また例えば、混練バッチの混練の開始から終了までの時間が１１０秒である場合は、値Ｎは、１１０となる。この場合は、測定データに含まれる要素の数は２２０となる。

密閉式ゴム混練機２２における混練の終了条件としては、例えば、温度、電力、時間のそれぞれについての条件が予め設定される。そしていずれかの終了条件を満足すると、混練は終了される。例えば初期温度が高い場合は、早い時点で温度の終了条件を満足することとなるので、通常よりも早く混練が終了される。このようにして、本実施形態に係る密閉式ゴム混練機２２における混練の開始から終了までの時間はまちまちなものとなる。そのため上述の値Ｎは、混練バッチによってまちまちとなる。

また学習データに含まれる教師データには、当該学習データに含まれる学習測定データが示す測定値が測定された際の混練の異常度が示される。ここで例えば、機械学習モデル３０が判定モデルである場合に、教師データは、混練が正常であるか異常であるかを示す１ビットのデータであってもよい。また例えば、機械学習モデル３０が回帰モデルである場合に、教師データは、レオメータによる弾性測定での測定値を示すデータであってもよい。

本実施形態では例えば、学習データ記憶部３２は、学習測定データと、当該学習測定データに対応付けられる所与の教師データと、を含む学習データを複数記憶する。

学習データ取得部３４は、本実施形態では例えば、機械学習モデル３０の学習に用いられる学習データを取得する。ここで学習データ取得部３４は、学習データ記憶部３２に記憶されている学習データを取得してもよい。

学習データ利用決定部３６は、本実施形態では例えば、学習データ取得部３４が取得する学習データを機械学習モデル３０の学習に用いるか否かを決定する。ここで例えば、学習データに含まれる学習測定データが所与の条件を満足するか否かに応じて、当該学習測定データを含む学習データを機械学習モデル３０の学習に用いるか否かが決定されてもよい。

例えば、学習測定データが示す測定値が測定される、混練バッチの混練の開始から終了までの時間の長さが所定の範囲に含まれるか否かに応じて、当該学習測定データを含む学習データを機械学習モデル３０の学習に用いるか否かが決定されてもよい。例えば、学習測定データが示す測定値が測定される、混練バッチの混練の開始から終了までの時間の長さが２００秒以上である場合は、当該学習測定データを含む学習データを機械学習モデル３０の学習に用いないことが決定されてもよい。この場合、当該時間の長さが２００秒未満である場合は、当該学習測定データを含む学習データを機械学習モデル３０の学習に用いることが決定されることとなる。また例えば、当該時間の長さが８０秒以下、又は、１４０秒以上である場合は、当該学習測定データを含む学習データを機械学習モデル３０の学習に用いないことが決定されてもよい。

また例えば、学習測定データが示す瞬時電力値に値が０であるものを含む場合、すなわちａ（１）～ａ（Ｎ）のいずれかの値が０である場合は、当該学習測定データを含む学習データを機械学習モデル３０の学習に用いないことが決定されてもよい。

設定部３８は、本実施形態では例えば、混練バッチの混練の開始から終了までの混練時間Ｔに対して互いに異なる複数の設定規則を適用することで、複数の時間範囲群を設定する。ここで、設定部３８は、混練時間Ｔを互いに異なる複数の分割数で分割することで、複数の時間範囲群を設定してもよい。

図５は、２つの時間範囲群の一例を示す図である。図５には、混練時間Ｔをｎ個に分割したｎ個の時間範囲を含む第１の時間範囲群（Ｐ（ｎ，１）～Ｐ（ｎ，ｎ））、及び、混練時間Ｔをｍ個に分割したｍ個の時間範囲を含む第２の時間範囲群（Ｐ（ｍ，１）～Ｐ（ｍ，ｍ））が示されている。

ここで、第１の時間範囲群に含まれるｎ個の時間範囲のそれぞれの長さは同じであってもよいし、異なっていてもよい。また、第２の時間範囲群に含まれるｍ個の時間範囲のそれぞれの長さは同じであってもよいし、異なっていてもよい。

また、１つの時間範囲群に含まれる時間範囲は、当該時間範囲群とは異なる時間範囲群に含まれるいずれかの時間範囲と少なくとも一部が重複していてもよい。図４の例では、第１の時間範囲群に含まれる時間範囲Ｐ（ｎ，１）が、第２の時間範囲群に含まれる時間範囲Ｐ（ｍ，１）の一部と重複している。また、第１の時間範囲群に含まれる時間範囲Ｐ（ｎ，２）の一部が、第２の時間範囲群に含まれる時間範囲Ｐ（ｍ，１）の一部と重複している。

学習統計データ生成部４０は、本実施形態では例えば、機械学習モデル３０の学習に用いられる学習測定データに基づいて、複数の時間範囲群に含まれる時間範囲に対応付けられる測定値の統計値をそれぞれが示す複数の要素を含む統計データを生成する。なお、設定部３８が、上述の複数の設定規則を示す規則データを記憶していてもよい。そして、学習統計データ生成部４０が、当該規則データに基づいて、統計データを生成してもよい。

図６は、図５に示す時間範囲群に基づいて生成される統計データのデータ構造の一例を示す図である。図６に例示する統計データには、６×（ｎ＋ｍ）個の要素が含まれている。１つの統計データは、１つの学習測定データに基づいて生成される。

当該統計データでは例えば、測定データに含まれるａ（１）～ａ（Ｎ）の要素のうち、時間範囲Ｐ（ｎ，１）に対応付けられる複数の要素が抽出される。そして、抽出される複数の要素の、最小値、平均値、最大値がそれぞれ、統計データに含まれるａ［ｍｉｎ（Ｐ（ｎ，１））］、ａ［ａｖｅ（Ｐ（ｎ，１））］、ａ［ｍａｘ（Ｐ（ｎ，１））］の要素として設定される。また例えば、時間範囲Ｐ（ｎ，２）に対応付けられる複数の要素が抽出され、その最小値、平均値、最大値がそれぞれａ［ｍｉｎ（Ｐ（ｎ，２））］、ａ［ａｖｅ（Ｐ（ｎ，２））］、ａ［ｍａｘ（Ｐ（ｎ，２））］の要素として設定される。以下同様にして、時間範囲Ｐ（ｎ，３）～Ｐ（ｎ，ｎ）のそれぞれについても、対応付けられる測定値の最小値、平均値、最大値を示す、統計データに含まれる要素ａ［ｍｉｎ（Ｐ（ｎ，３））］～ａ［ｍａｘ（Ｐ（ｎ，ｎ））］が設定される。

また、第１の時間範囲群に基づいて生成されるａ［ｍｉｎ（Ｐ（ｎ，１））］～ａ［ｍａｘ（Ｐ（ｎ，ｎ））］の要素と同様に、第２の時間範囲群に基づいてａ［ｍｉｎ（Ｐ（ｍ，１））］～ａ［ｍａｘ（Ｐ（ｍ，ｍ））］の要素が生成される。

また、同様に、測定データに含まれるｂ（１）～ｂ（Ｎ）の要素のうちから、時間範囲Ｐ（ｎ，１）に対応付けられる複数の要素が抽出される。そして、抽出される複数の要素の、最小値、平均値、最大値がそれぞれ、統計データに含まれるｂ［ｍｉｎ（Ｐ（ｎ，１））］、ｂ［ａｖｅ（Ｐ（ｎ，１））］、ｂ［ｍａｘ（Ｐ（ｎ，１））］の要素として設定される。以下同様にして、時間範囲Ｐ（ｎ，２）～Ｐ（ｎ，ｎ）のそれぞれについても、対応付けられる測定値の最小値、平均値、最大値を示す、統計データに含まれる要素ｂ［ｍｉｎ（Ｐ（ｎ，２））］～ｂ［ｍａｘ（Ｐ（ｎ，ｎ））］が設定される。

また、第１の時間範囲群に基づいて生成されるｂ［ｍｉｎ（Ｐ（ｎ，１））］～ｂ［ｍａｘ（Ｐ（ｎ，ｎ））］の要素と同様に、第２の時間範囲群に基づいてｂ［ｍｉｎ（Ｐ（ｍ，１））］～ｂ［ｍａｘ（Ｐ（ｍ，ｍ））］の要素が生成される。

以下、学習統計データ生成部４０によって生成される統計データを、学習統計データと呼ぶこととする。

データマイニング部４２は、本実施形態では例えば、教師データに基づいて、生成される学習統計データに含まれる複数の要素のうちから、異常度の推定への寄与度が高い要素時間範囲及び統計値の種類に対応付けられる一部の要素を特定する。例えば、データマイニング部４２は、公知のデータマイニング手法を用いることで、異常度の推定への寄与度が高い要素を特定する。

なお、データマイニング部４２が、ランダムフォレストなどのような機械学習モデルで実装されていてもよい。データマイニング部４２は、複数の学習データについての、当該学習データに含まれる学習測定データに基づいて生成される学習統計データと、当該学習データに含まれる教師データと、に基づいて、異常度の推定への寄与度が高い要素を特定する。当該教師データは上述のように混練の異常度を示すものであるため、例えば解釈性が高い機械学習モデルを用いた公知の手法によって、異常度の推定への寄与度が高い要素は特定可能である。

そして、データマイニング部４２は、本実施形態では例えば、異常度の推定への寄与度が高い要素が特定可能なマイニング結果データを生成する。図４に示す統計データの例では、６×（ｎ＋ｍ）個の要素のうちから、異常度の推定への寄与度が高い少なくとも１つの要素が特定可能なマイニング結果データが生成される。ここで例えば、異常度の推定への寄与度が高い少なくとも１つの要素の名称などの識別子を示すマイニング結果データが生成されてもよい。

例えば、データマイニング部４２が、異常度の推定への寄与度が高い要素として、ａ［ｍｉｎ（Ｐ（ｎ，２））］、ａ［ｍａｘ（Ｐ（ｎ，９））］、ａ［ａｖｅ（Ｐ（ｍ，７））］、ｂ［ａｖｅ（Ｐ（ｎ，４））］、ｂ［ｍｉｎ（Ｐ（ｍ，９））］を特定したとする。この場合、例えば、「ａ［ｍｉｎ（Ｐ（ｎ，２））］，ａ［ｍａｘ（Ｐ（ｎ，９））］，ａ［ａｖｅ（Ｐ（ｍ，７））］，ｂ［ａｖｅ（Ｐ（ｎ，４））］，ｂ［ｍｉｎ（Ｐ（ｍ，９））］」との文字列が値として設定されたマイニング結果データが生成されてもよい。

そして、データマイニング部４２は、本実施形態では例えば、マイニング結果データを記憶する。

学習要素特定部４４は、本実施形態では例えば、教師データに基づいて、生成される学習統計データに含まれる複数の要素のうちから、異常度の推定への寄与度が高い一部の要素を特定する。ここで、学習要素特定部４４が、データマイニング部４２が記憶するマイニング結果データに基づいて、生成される学習統計データに含まれる複数の要素のうちから、異常度の推定への寄与度が高い一部の要素を特定してもよい。図４の例では、例えば、６×（ｎ＋ｍ）個の要素のうちから、少なくとも１つの要素が特定される。

ここでは例えば、すべての学習データについて、当該学習データに含まれる学習測定データに基づいて生成される学習統計データに含まれる複数の要素のうちから、時間範囲及び統計値の種類が同じである要素が特定される。上述の例では、すべての学習データについて、ａ［ｍｉｎ（Ｐ（ｎ，２））］、ａ［ｍａｘ（Ｐ（ｎ，９））］、ａ［ａｖｅ（Ｐ（ｍ，７））］、ｂ［ａｖｅ（Ｐ（ｎ，４））］、ｂ［ｍｉｎ（Ｐ（ｍ，９））］の要素が特定される。

以下、１つの学習データに基づいて特定される少なくとも１つの要素を学習要素セットと呼ぶこととする。すなわち、学習データと学習要素セットとは１対１で対応付けられる。

学習部４６は、本実施形態では例えば、特定される一部の要素を入力に用いて機械学習モデル３０の学習を実行する。ここで例えば、学習要素セットの要素数の要素を入力として受付可能な機械学習モデル３０が準備されるようにしてもよい。そして、学習データに含まれる学習測定データに基づいて生成される学習統計データに含まれる複数の要素のうちから学習要素セットが特定されてもよい。そして、当該学習要素セットを機械学習モデル３０に入力した際の出力と、当該学習データに含まれる教師データと、の差が特定されてもよい。そして特定される差に基づいて機械学習モデル３０のパラメータの値が更新される教師あり学習が実行されてもよい。

本実施形態では複数の学習要素セットによる機械学習モデル３０の学習が実行される。そしてこのようにして生成される学習済の機械学習モデル３０（学習済モデル）を用いて、密閉式ゴム混練機２２により未加硫ゴムの混練バッチを混練する際の当該混練バッチの混練の異常度が推定される。

ターゲット測定データ取得部４８は、本実施形態では例えば、混練の異常度の推定の対象となる、混練バッチの混練の開始から終了までの時間の長さに応じた数の要素を含む、密閉式ゴム混練機２２の状態を表す測定値の時系列を示す測定データを取得する。以下、混練の異常度の推定の対象となる測定データをターゲット測定データと呼ぶこととする。上述のようにターゲット測定データのデータ構造は、図４に例示されているものと同様である。

ここで例えば、混練バッチの混練の開始の際に密閉式ゴム混練機２２が情報処理装置１０にその旨を通知してもよい。そしてその後、密閉式ゴム混練機２２が情報処理装置１０に、密閉式ゴム混練機２２の状態を表す測定値を示すデータを逐次送信してもよい。そして例えば、混練バッチの混練が終了した際に密閉式ゴム混練機２２が情報処理装置１０にその旨を通知してもよい。そしてターゲット測定データ取得部４８が、密閉式ゴム混練機２２から当該混練バッチの混練の開始の通知の受信から終了の通知の受信までに受信した、密閉式ゴム混練機２２の状態を表す測定値を示すデータをターゲット測定データとして取得してもよい。

ターゲット測定データ利用決定部５０は、本実施形態では例えば、ターゲット測定データ取得部４８が取得するターゲット測定データが所与の条件を満足するか否かに応じて、当該測定データを推定に用いるか否かを決定する。ここで学習データ利用決定部３６と同様に、ターゲット測定データが示す測定値が測定される、混練バッチの混練の開始から終了までの時間の長さが所定の範囲に含まれるか否かに応じて、当該ターゲット測定データを推定に用いるか否かが決定されてもよい。例えば、ターゲット測定データが示す測定値が測定される、混練バッチの混練の開始から終了までの時間の長さが２００秒以上である場合は、当該ターゲット測定データを推定に用いないことが決定されてもよい。この場合、当該時間の長さが２００秒未満である場合は、当該ターゲット測定データを推定に用いることが決定されることとなる。また例えば、当該時間の長さが８０秒以下、又は、１４０秒以上である場合は、当該ターゲット測定データを推定に用いないことが決定されてもよい。

また例えば、ターゲット測定データが示す瞬時電力値に値が０であるものを含む場合、すなわちａ（１）～ａ（Ｎ）のいずれかの値が０である場合は、当該ターゲット測定データを推定に用いないことが決定されてもよい。

ターゲット統計データ生成部５２は、本実施形態では例えば、ターゲット測定データに基づいて、統計データを生成する。ターゲット統計データ生成部５２は、例えば、上述のデータマイニング部４２により特定される異常度の推定への寄与度が高い少なくとも１つの要素を含む統計データを生成する。

ここで例えば、設定部３８が、混練バッチの混練の開始から終了までの混練時間Ｔに対して、学習の際と同様の複数の設定規則を適用することで、複数の時間範囲群を設定してもよい。そして、ターゲット統計データ生成部５２が、複数の時間範囲群に含まれる時間範囲に対応付けられるターゲット測定データが示す測定値の統計値をそれぞれが示す複数の要素を生成してもよい。なお、上述のように、設定部３８が、上述の複数の設定規則を示す規則データを記憶していてもよい。そして、ターゲット統計データ生成部５２が、当該規則データに基づいて、複数の要素を生成してもよい。

そして、ターゲット統計データ生成部５２が、データマイニング部４２に記憶されているマイニング結果データを参照することで、生成される複数の要素のうちから、少なくとも１つの要素を特定してもよい。そして、ターゲット統計データ生成部５２が、このようにして特定される少なくとも１つの要素を含む統計データを生成してもよい。

以下、ターゲット統計データ生成部５２によって生成される統計データをターゲット統計データと呼ぶこととする。そして、ターゲット統計データに含まれる少なくとも１つの要素をターゲット要素セットと呼ぶこととする。

推定部５４は、本実施形態では例えば、ターゲット要素セットを学習済の機械学習モデル３０（学習済モデル）に入力した際の出力に基づいて、当該混練バッチの混練の異常度を推定する。ここで機械学習モデル３０が判定モデルである場合に、機械学習モデル３０が、入力に応じて、混練が正常であるか異常であるかを示す１ビットのデータを出力してもよい。また機械学習モデル３０が回帰モデルである場合に、機械学習モデル３０が、入力に応じて、レオメータによる弾性測定での測定値の推定値などといった混練が異常である程度を示す推定値を出力してもよい。

ドロップドア制御部５６は、本実施形態では例えば、推定部５４による推定の結果に応じた、密閉式ゴム混練機２２のドロップドアの開閉制御を実行する。

ここで例えば、機械学習モデル３０の出力が、混練が正常であることを示す場合には、ドロップドア制御部５６は、密閉式ゴム混練機２２のドロップドアが開くよう制御してもよい。例えばドロップドア制御部５６が密閉式ゴム混練機２２にドロップドアの開制御信号を送信してもよい。そして密閉式ゴム混練機２２が当該開制御信号の受信に応じてドロップドアが開くよう制御してもよい。

また例えば、機械学習モデル３０の出力が、混練が異常であることを示す場合には、ドロップドア制御部５６は、警告音の出力などの異常通知の出力や、密閉式ゴム混練機２２のドロップドアの閉制御を実行してもよい。ここで例えば、情報処理装置１０が異常通知を出力してもよい。またドロップドア制御部５６が密閉式ゴム混練機２２に異常通知信号を送信してもよい。そして密閉式ゴム混練機２２が当該異常通知信号の受信に応じて警告音の出力などの異常通知の出力を実行してもよい。また密閉式ゴム混練機２２が当該異常通知信号の受信に応じてドロップドアの閉制御を実行してもよい。

また例えば、機械学習モデル３０の出力が推定値である場合は、ドロップドア制御部５６は、当該推定値に基づいて、混練が正常であるか否かを判定してもよい。そしてドロップドア制御部５６は、当該判定の結果に基づいて、上述のようなドロップドアの開閉制御を実行してもよい。

本実施形態では、機械学習モデル３０への入力が、データマイニング部４２によって特定される要素に限定される。そのため、本実施形態によれば、機械学習モデル３０による混練バッチの混練の異常度の推定における推定精度を確保しつつ要素数を適切なものにすることができることとなる。

なお以上の説明では、ａ（１）～ａ（Ｎ）、及び、ｂ（１）～ｂ（Ｎ）を要素として含む、２つの測定値の時系列を示す測定データが用いられていたが、測定データが３つ以上の測定値の時系列を示していてもよい。また測定データが１つの測定値の時系列（例えば、ａ（１）～ａ（Ｎ））を示していてもよい。また密閉式ゴム混練機２２の状態を表す測定値は瞬時電力値や温度には限定されず、例えば単位時間あたりのモータの回転数などであっても構わない。

また、本実施形態に係る統計値は、最小値、平均値、最大値には限定されない。本実施形態に係る統計値として、例えば、測定値の初期値、最終値、積算値、増加値、減少値、などが用いられてもよい。

ここで測定値の初期値及び最終値とは、それぞれ、当該時間範囲における最初に測定された値及び最後に測定された値を指す。また、測定値の積算値とは、混練が開始されたタイミングから当該時間範囲における最後の測定タイミングまでの測定値の合計を指す。また、測定値の増加値とは、当該時間範囲において最後に測定された値から最初に測定された値を引いた値を指す。また、測定値の減少値とは、当該時間範囲において最初に測定された値から最後に測定された値を引いた値を指す。

また、設定部３８が、上述のように、混練時間Ｔを互いに異なる複数の分割数で分割することで、複数の時間範囲群を設定する必要はない。

例えば図７に示すように、少なくとも１つの時間範囲群に含まれる互いに隣接する時間範囲の一部が重複していてもよい。図７の例では、第２の時間範囲群に含まれる時間範囲Ｐ（ｍ，１）～Ｐ（ｍ，ｍ）について、互いに隣接する時間範囲の一部が重複している。ここで例えば、互いに隣接する時間範囲が重複する時間が所定時間となるよう時間範囲群が設定されてもよい。また上述のように、第２の時間範囲群に含まれるｍ個の時間範囲のそれぞれの長さは同じであってもよいし、異なっていてもよい。

また、設定部３８は、密閉式ゴム混練機２２が備えるラムが配置されている位置に基づいて混練時間Ｔを分割した複数のサブ時間（図２の例ではＴ１～Ｔ７）のそれぞれについて、互いに異なる複数の設定規則を適用することで、複数の時間範囲群を設定してもよい。

図８には、第１の時間範囲群には、時間Ｔ１について、時間Ｔ１をｎ１個に分割したｎ１個の時間範囲Ｐ（ｎ１，１）～Ｐ（ｎ１，ｎ１）が含まれる一例が示されている。この例では例えば、同様に、時間Ｔ２について、時間Ｔ２をｎ２個に分割したｎ２個の時間範囲Ｐ（ｎ２，１）～Ｐ（ｎ２，ｎ２）が含まれていてもよい。以下、同様にして、第１の時間範囲群には、時間Ｔ３をｎ３個に分割したｎ３個の時間範囲、・・・、時間Ｔ７をｎ７個に分割したｎ７個の時間範囲が含まれていてもよい。

また、図８の例では、第２の時間範囲群には、時間Ｔ１について、時間Ｔ１をｍ１個に分割したｍ１個の時間範囲Ｐ（ｍ１，１）～Ｐ（ｍ１，ｍ１）が含まれる一例が示されている。この例では例えば、同様に、時間Ｔ２について、時間Ｔ２をｍ２個に分割したｍ２個の時間範囲Ｐ（ｍ２，１）～Ｐ（ｍ２，ｍ２）が含まれていてもよい。以下、同様にして、第２の時間範囲群には、時間Ｔ３をｍ３個に分割したｍ３個の時間範囲、・・・、時間Ｔ７をｍ７個に分割したｍ７個の時間範囲が含まれていてもよい。

そして、この場合、例えば、図９に例示する、６×（ｎ１＋ｎ２＋・・・＋ｎ７＋ｍ１＋ｍ２＋・・・＋ｍ７）個の要素が含まれる学習統計データが生成されてもよい。そして学習統計データに含まれる６×（ｎ１＋ｎ２＋・・・＋ｎ７＋ｍ１＋ｍ２＋・・・＋ｍ７）個の要素のうちから、データマイニング部４２により特定される学習要素セットを入力に用いて機械学習モデル３０の学習が実行されてもよい。そして、学習要素セットに含まれる要素と同様の要素を含むターゲット要素セットを学習済モデルに入力した際の出力に基づいて、当該混練バッチの混練の異常度が推定されてもよい。

また、この場合についても、図１０に示すように、少なくとも１つの時間範囲群に含まれる互いに隣接する時間範囲の一部が重複していてもよい。

なおこの場合において、時間Ｔ１～Ｔ７のうち、学習要素セットやターゲット要素セットに全く含まれない時間が存在する際には、情報処理装置１０は、当該時間については密閉式ゴム混練機２２の状態の測定を行わないよう密閉式ゴム混練機２２を制御してもよい。

ここで、本実施形態に係る情報処理装置１０で行われるデータマイニング処理の流れの一例を、図１１に例示するフロー図を参照しながら説明する。ここでは例えば複数の学習データが学習データ記憶部３２に記憶されていることとする。

まず、学習データ取得部３４が、学習データ記憶部３２に記憶されている複数の学習データのすべてを取得する（Ｓ１０１）。

そして、データマイニング部４２が、Ｓ１０１に示す処理で取得された複数の学習データのうちから、所与の条件を満たすものを抽出する（Ｓ１０２）。ここでは例えば上述の学習データ利用決定部３６が用いる条件と同じ所与の条件を満たすものが抽出されてもよい。

そして、学習統計データ生成部４０が、設定部３８による複数の時間範囲群の設定に従って、Ｓ１０２に示す処理で抽出された複数の学習データのそれぞれについて、当該学習データに含まれる学習測定データに基づいて、学習統計データを生成する（Ｓ１０３）。ここでは、１つの学習測定データに基づいて、当該学習測定データに対応する学習統計データが生成される。

そして、データマイニング部４２が、Ｓ１０３に示す処理で生成された学習統計データと、Ｓ１０２に示す処理で抽出された学習データに含まれる教師データと、に基づいて、マイニング結果データを生成するデータマイニング処理を実行する（Ｓ１０４）。そして、本処理例に示す処理は終了される。Ｓ１０４に示す処理によって生成されたマイニング結果データは、データマイニング部４２に記憶される。

次に、本実施形態に係る情報処理装置１０で行われる学習処理の流れの一例を、図１２に例示するフロー図を参照しながら説明する。ここでは例えば複数の学習データが学習データ記憶部３２に記憶されていることとする。

また、学習データ取得部３４が、学習データ記憶部３２に記憶されている複数の学習データのうち、Ｓ２０２～Ｓ２０５に示す処理が実行されていないものを１つ取得する（Ｓ２０１）。

そして学習データ利用決定部３６が、Ｓ２０１に示す処理で取得された学習データに含まれる学習測定データが所与の条件を満足するか否かに応じて、当該学習測定データを機械学習モデル３０の学習に用いるか否かを決定する（Ｓ２０２）。

ここで学習に用いることが決定された場合は（Ｓ２０２：Ｙ）、学習統計データ生成部４０が、Ｓ２０１に示す処理で取得された学習データに含まれる学習測定データに基づいて、学習統計データを生成する（Ｓ２０３）。ここでは例えば、設定部３８による複数の時間範囲群の設定に従った学習統計データが生成される。

そして、学習要素特定部４４が、Ｓ１０４に示す処理で生成されたマイニング結果データに基づいて、Ｓ２０３に示す処理で生成された学習統計データに含まれる複数の要素のうちから学習要素セットを特定する（Ｓ２０４）。

そして、学習部４６が、Ｓ２０４に示す処理で特定された学習要素セットを機械学習モデル３０に入力した際の出力を用いた、機械学習モデル３０の学習を実行する（Ｓ２０５）。ここで例えば、当該出力と、Ｓ２０１に示す処理で取得された学習データに含まれる教師データと、の差に基づいて、機械学習モデル３０のパラメータの値が更新されてもよい。

そして学習部４６が、学習データ記憶部３２に記憶されている複数の学習データのすべてについてＳ２０２～Ｓ２０５に示す処理が実行されたか否かを確認する（Ｓ２０６）。Ｓ２０２に示す処理で学習測定データを機械学習モデル３０の学習に用いないことが決定された場合も（Ｓ２０２：Ｎ）同様に、学習部４６が、複数の学習データのすべてについてＳ２０２～Ｓ２０５に示す処理が実行されたか否かを確認する（Ｓ２０６）。

学習データ記憶部３２に記憶されている複数の学習データのすべてについてＳ２０２～Ｓ２０５に示す処理が実行されていないことが確認された場合は（Ｓ２０６：Ｎ）、Ｓ２０１に示す処理に戻る。

学習データ記憶部３２に記憶されている複数の学習データのすべてについてＳ２０２～Ｓ２０５に示す処理が実行されたことが確認された場合は（Ｓ２０６：Ｙ）、本処理例に示す処理は終了される。

次に、本実施形態に係る情報処理装置１０で行われる推定処理の流れの一例を、図１３に例示するフロー図を参照しながら説明する。

まず、ターゲット測定データ取得部４８が、ターゲット測定データを取得する（Ｓ３０１）。

そしてターゲット測定データ利用決定部５０が、Ｓ３０１に示す処理で取得されたターゲット測定データが所与の条件を満足するか否かに応じて、当該ターゲット測定データを推定に用いるか否かを決定する（Ｓ３０２）。ここで推定に用いないことが決定された場合は（Ｓ３０２：Ｎ）、本処理例に示す処理は終了される。

推定に用いることが決定された場合は（Ｓ３０２：Ｙ）、ターゲット統計データ生成部５２が、Ｓ２０１に示す処理で取得されたターゲット測定データに基づいて、ターゲット要素セットを含むターゲット統計データを生成する（Ｓ２０３）。

そして、推定部５４が、Ｓ２０３に示す処理で生成されたターゲット統計データを学習済の機械学習モデル３０（学習済モデル）に入力した際の出力に基づいて、当該混練バッチの混練の異常度を推定する（Ｓ２０４）。

そして、ドロップドア制御部５６が、Ｓ２０４に示す処理における推定の結果に応じた、密閉式ゴム混練機２２のドロップドアの開閉制御を実行して（Ｓ２０５）、本処理例に示す処理は終了される。

なお、本発明は上述の実施形態に限定されるものではない。

また、上記の具体的な数値や文字列、並びに、図面中の具体的な数値や文字列は例示であり、これらの数値や文字列には限定されない。

１０ 情報処理装置、１２ プロセッサ、１４ 記憶部、１６ 通信部、１８ 表示部、２０ 操作部、２２ 密閉式ゴム混練機、３０ 機械学習モデル、３２ 学習データ記憶部、３４ 学習データ取得部、３６ 学習データ利用決定部、３８ 設定部、４０ 学習統計データ生成部、４２ データマイニング部、４４ 学習要素特定部、４６ 学習部、４８ ターゲット測定データ取得部、５０ ターゲット測定データ利用決定部、５２ ターゲット統計データ生成部、５４ 推定部、５６ ドロップドア制御部。

Claims (6)

1. 密閉式ゴム混練機により未加硫ゴムの混練バッチを混練する際の当該混練バッチの混練の異常度の推定に用いられる機械学習モデルの学習を実行する混練異常度学習装置であって、
   互いに異なる複数の設定規則のそれぞれについて、前記混練バッチの混練の開始から終了までの混練時間に対して当該設定規則を適用することで、前記混練時間を分割した複数の時間範囲、又は、互いに隣接する時間範囲の一部が重複する複数の時間範囲を含む時間範囲群であって、含まれる複数の時間範囲によって前記混練時間の全体がカバーされる時間範囲群である、当該設定規則に対応付けられる時間範囲群を設定する設定手段と、
   前記密閉式ゴム混練機の状態を表す測定値の時系列を示す測定データと、混練の異常度を示す所与の教師データと、を含む学習データを取得する学習データ取得手段と、
   前記複数の設定規則のそれぞれの、当該設定規則に対応付けられる前記時間範囲群に含まれる複数の時間範囲のそれぞれについて、当該時間範囲に対応付けられる複数の前記測定値を抽出し、抽出される当該複数の前記測定値の統計値を示す、当該時間範囲に対応付けられる統計値要素を複数生成する統計値要素生成手段と、
   前記教師データに基づいて、生成される複数の前記統計値要素のうちから、前記異常度の推定への寄与度が高い一部の前記統計値要素を特定する特定手段と、
   特定される前記一部の前記統計値要素を入力に用いて前記機械学習モデルの学習を実行する学習手段と、
   を含むことを特徴とする混練異常度学習装置。
2. 前記設定手段は、前記複数の設定規則のそれぞれの、前記密閉式ゴム混練機が備えるラムが配置されている位置に基づいて前記混練時間を分割した複数のサブ時間のそれぞれについて、含まれる複数の時間範囲によって当該サブ時間の全体がカバーされるサブ時間範囲群を設定することで、当該設定規則に対応付けられる前記時間範囲群を設定する、
   ことを特徴とする請求項１に記載の混練異常度学習装置。
3. 前記設定手段は、前記複数の設定規則のそれぞれの、前記混練時間を当該設定規則に対応付けられる分割数で分割することで、当該設定規則に対応付けられる時間範囲群を設定する、
   ことを特徴とする請求項１又は２に記載の混練異常度学習装置。
4. 前記設定規則に対応付けられる前記時間範囲群に含まれる時間範囲は、当該設定規則とは異なる設定規則に対応付けられる前記時間範囲群に含まれるいずれかの時間範囲と少なくとも一部が重複する、
   ことを特徴とする請求項１から３のいずれか一項に記載の混練異常度学習装置。
5. 密閉式ゴム混練機により未加硫ゴムの混練バッチを混練する際の当該混練バッチの混練の異常度を推定する学習済モデルの生成方法であって、
   互いに異なる複数の設定規則のそれぞれについて、前記混練バッチの混練の開始から終了までの混練時間に対して当該設定規則を適用することで、前記混練時間を分割した複数の時間範囲、又は、互いに隣接する時間範囲の一部が重複する複数の時間範囲を含む時間範囲群であって、含まれる複数の時間範囲によって前記混練時間の全体がカバーされる時間範囲群である、当該設定規則に対応付けられる時間範囲群を設定するステップと、
   前記密閉式ゴム混練機の状態を表す測定値の時系列を示す測定データと、混練の異常度を示す所与の教師データと、を含む学習データを取得するステップと、
   前記複数の設定規則のそれぞれの、当該設定規則に対応付けられる前記時間範囲群に含まれる複数の時間範囲のそれぞれについて、当該時間範囲に対応付けられる複数の前記測定値を抽出し、抽出される当該複数の前記測定値の統計値を示す、当該時間範囲に対応付けられる統計値要素を複数生成するステップと、
   前記教師データに基づいて、生成される複数の前記統計値要素のうちから、前記異常度の推定への寄与度が高い一部の前記統計値要素を特定するステップと、
   特定される前記一部の前記統計値要素を入力に用いて機械学習モデルの学習を実行するステップと、
   を含むことを特徴とする学習済モデルの生成方法。
6. 密閉式ゴム混練機により未加硫ゴムの混練バッチを混練する際の当該混練バッチの混練の異常度の推定に用いられる機械学習モデルの学習を実行するコンピュータに、
   互いに異なる複数の設定規則のそれぞれについて、前記混練バッチの混練の開始から終了までの混練時間に対して当該設定規則を適用することで、前記混練時間を分割した複数の時間範囲、又は、互いに隣接する時間範囲の一部が重複する複数の時間範囲を含む時間範囲群であって、含まれる複数の時間範囲によって前記混練時間の全体がカバーされる時間範囲群である、当該設定規則に対応付けられる時間範囲群を設定する手順、
   前記密閉式ゴム混練機の状態を表す測定値の時系列を示す測定データと、混練の異常度を示す所与の教師データと、を含む学習データを取得する手順、
   前記複数の設定規則のそれぞれの、当該設定規則に対応付けられる前記時間範囲群に含まれる複数の時間範囲のそれぞれについて、当該時間範囲に対応付けられる複数の前記測定値を抽出し、抽出される当該複数の前記測定値の統計値を示す、当該時間範囲に対応付けられる統計値要素を複数生成する手順、
   前記教師データに基づいて、生成される複数の前記統計値要素のうちから、前記異常度の推定への寄与度が高い一部の前記統計値要素を特定する手順、
   特定される前記一部の前記統計値要素を入力に用いて前記機械学習モデルの学習を実行する手順、
   を実行させることを特徴とするプログラム。

Images