JP7495338B2 - 調整装置および調整方法 - Google Patents

Description

本発明は、調整装置および調整方法に関する。

従来、製造装置等において温度分布を重視する温度制御系では、熱媒体（温水や冷水といった流体）を流す配管が特殊な設計で配設され、熱媒体との熱交換により実質的な温度分布制御が実施されている。具体的な事例としては、プラスチック成型機の筒状バレルの表面温度や、半導体製造装置のウェハ載置台の表面温度等が挙げられる。

特開平１０－１９７３４４号公報

例えば、温度分布を重視する温度制御系では、サーモグラフィ等により温度分布を測定することは可能であるが、通常のＰＩＤ制御等による温度制御系は、ピンポイントの計測点の温度を目標温度に制御する動作になるので、温度分布測定はモニタリングの機能に留まらざるを得ない。だが実際には、製造装置において熱媒体（温水や冷水）と配管との間での熱交換によって生じる温度分布には、熱伝導や熱交換効率の上流・下流配分が絡むため、モニタリングに留まる状況では不十分であり、改善が求められている。

本願はこのような課題を解決するためのものであり、温度分布がより最適な状態となるよう温度制御系へのオンラインでの調整を実現することを目的としている。

本願に係る調整装置は、熱媒体と配管との間での熱交換で生じた温度分布の適正具合を指標する適正度と、当該熱媒体に関する所定のパラメータとの関係性に基づいて、配管における現在の温度分布の適正度を推定する第１推定部と、第１推定部による推定結果に基づいて、配管における現在の温度分布がより適正な状態となるよう熱媒体の物理量を調整する調整部とを有することを特徴とする。

上記調整装置においては、熱媒体と配管との間での熱交換で生じた温度分布の適正具合を指標する適正度と、熱媒体に関する所定のパラメータとの関係性を第１モデルに学習させる第１学習部をさらに有し、第１推定部は、関係性を学習した第１モデルに基づいて、配管の現在の温度分布の適正度を推定する。

上記調整装置においては、第１学習部は、熱交換で生じた温度分布の適正度と、当該温度分布に対応する熱媒体に関する所定のパラメータとの組を学習データとして用いることで、第１モデルの学習を行う。

上記調整装置においては、第１学習部は、温度分布の適正度として、当該温度分布を示す熱画像を用いて判断された適正度と、所定のパラメータとの組を学習データとして用いて第１モデルの学習を行う。

上記調整装置においては、熱交換で生じた温度分布を示す熱画像と、当該温度分布の適正具合を指標する適正度であって当該熱画像を用いて判断された適正度との関係性に基づいて、第１学習部が用いる学習データとなる適正度を推定する第２推定部をさらに有し、第１学習部は、第２推定部により推定された適正度と、熱媒体の状態を示す所定のパラメータとの関係性を学習させる。

上記調整装置においては、熱交換で生じた温度分布を示す熱画像と、当該温度分布の適正度であって当該熱画像を用いて判断された適正度との関係性を第２モデルに学習させる第２学習部をさらに有し、第２推定部は、関係性を学習した第２モデルに基づいて、学習データとなる適正度を推定する。

上記調整装置においては、第２学習部は、配管における現在の温度分布を示す熱画像が入力された場合に、当該温度分布の適正度を出力するように、第２モデルの学習を行う。

上記調整装置においては、第１学習部は、第２推定部により推定された適正度と、熱交換で生じた温度分布に対応する熱媒体に関する所定のパラメータとの組を学習データとして用いることで、第１モデルの学習を行う。

上記調整装置においては、第１学習部は、配管を備える温度制御系が稼働しているリアルタイムにおいて第２推定部により適正度が推定されることに応じて、推定された適正度を学習データとして用いてリアルタイム第１モデルの学習を繰り返し、第１推定部は、第１学習部による繰り返し学習で更新された最新の第１モデルを用いて、配管における現在の温度分布の適正度を推定する。

上記調整装置においては、熱媒体の状態を示す所定のパラメータには、少なくとも熱媒体の温度および熱媒体の流速が含まれ、第１学習部は、配管における現在の熱媒体の温度および熱媒体の流速が入力された場合に、当該温度および当該流速に応じて現在生じている温度分布の適正度を出力するように第１モデルの学習を行う。

上記調整装置においては、調整部は、配管における現在の温度分布の代表温度が所定温度に変化したと仮定した場合の適正度であって、第１モデルを用いて推定された適正度に基づいて、配管における現在の温度分布をより適正な状態とするには、前記熱媒体の物理量をどのように調整すべきか判定する。

上述した調整装置によれば、熱媒体と配管との間での熱交換で生じた温度分布の適正具合を指標する適正度と、当該熱媒体に関する所定のパラメータとの関係性に基づいて、配管における現在の温度分布の適正度を推定し、推定結果に基づいて、配管における現在の温度分布がより適正な状態となるよう熱媒体の物理量を調整するため、温度分布がより最適な状態となるよう温度制御系へのオンラインでの調整を実現することができる。

図１は、第１の実施形態に係る調整装置が有する機能構成の一例を示す図である。 図２は、第１の実施形態に係る事前学習処理手順の一例を示す図である。 図３は、第１の実施形態に係るメイン調整処理手順の一例を示す図である。 図４は、第２の実施形態に係る調整装置が有する機能構成の一例を示す図である。 図５は、第２の実施形態に係る事前学習処理手順の一例を示す図である。 図６は、第２の実施形態に係るデータ収集処理手順の一例を示す図である。 図７は、第２の実施形態に係るメイン調整処理手順の一例を示す図である。 図８は、オペレータ判断に基づき規定された適正度と、調整装置により推定された適正度とが比較された比較結果を示す図である。

次に、実施の形態について図面を参照して説明する。なお、以下の説明において、各実施の形態において共通する構成要素には同一の参照符号を付し、繰り返しの説明を省略する。

［原理１］
熱交換により実質的な温度分布制御を実施する場合、熱交換効率は温水や冷水の温度と制御対象面との温度差に依存するとともに、温水や冷水の流速に伴う境界層の厚さにも依存する。すなわち、ＰＩＤ制御等により温度計測点の温度を目標温度に制御できている場合であっても、温水や冷水の温度や流速のバランスに依存して、配管に沿う温度（すなわち温度分布）は多様に変化し得ることに着眼した。

そして、温度分布を示す熱画像（例えば、サーモグラフィなどによる熱画像）を用いて当該温度分布についてオペレータの判断や製造物品質に基づき予め規定された適正度（温度分布の適正具合を指標する値）と、温度分布に対応する熱媒体（例えば、温水や冷水）に関するパラメータ（例えば、温度や流速）との組を学習データセットとして用いて、機械学習に基づき適正度とパラメータとを関連付けておけば、ＰＩＤ制御等により温度計測点の温度を目標温度に制御しながら、温度分布の適性度をオンラインで（すなわちシステム側で動的に）評価できるとともに、温度分布がより適正な状態に向かうように、熱媒体の物理量（例えば、温水や冷水の温度）を自動調整することが可能になることに想到した。

［第１の実施形態］
〔１．第１の実施形態の概要〕
まず、第１の実施形態における調整装置の概要を説明する。第１の実施形態における調整装置の一例である調整装置１００は、例えば、プラスチック成型機等の製造装置に備えられることで、製造装置の動作を制御する。例えば、調整装置１００は、熱媒体と、製造装置が有する配管との間での熱交換により、制御対象面の温度分布の代表温度が所定の目標温度となるよう各種制御を行う。一例としては、調整装置１００は、代表温度と目標温度と偏差に応じてＰＩＤ制御するとともに、流量制御バルブの開度も調整することで、制御対象面の温度分布の代表温度が所定の目標温度となるよう熱交換を制御する。

また、調整装置１００は、原理１に対応する調整処理（第１の実施形態に係る調整処理）を行う。具体的には、調整装置１００は、任意の機械学習技術を用いて、熱媒体と配管との間での熱交換で生じた温度分布の適正具合を指標する適正度（例えば、温度分布を示す熱画像を用いて当該温度分布についてオペレータの判断や製造物品質に基づき予め規定された適正度）と、熱媒体に関する所定のパラメータとの関係性を第１モデルに学習させるという学習処理を事前に行っておく。すなわち、調整装置１００は、事前学習により、熱媒体と配管との間での熱交換で生じた温度分布の適正具合を指標する適正度と、熱媒体に関する所定のパラメータとの関係性を学習した第１モデルを生成しておく。

また、このような状態において、調整装置１００は、事前学習により得られた第１モデルを製造装置が実稼働している際に適用することで、配管における現在の温度分布の適正度をオンラインで推定する。例えば、製造装置が実稼働している最中での温度分布を適宜監視することで常時適正な状態を維持させたいといった場合、調整装置１００は、事前学習により得られた第１モデルに対して、配管における現在の熱媒体に関する所定のパラメータ（例えば、熱媒体の温度や流速）を適用することで、配管における現在の温度分布の適正度を推定する。そして、調整装置１００は、推定結果に基づいて、配管における現在の温度分布がより適正な状態となるよう熱媒体の物理量を調整する。

〔２．第１の実施形態における機能構成の一例〕
続いて、図１を用いて、調整装置１００が有する機能構成の一例について説明する。図１は、第１の実施形態に係る調整装置１００が有する機能構成の一例を示す図である。図１の例によれば、調整装置１００は、任意の製造装置が有する配管（流体経路）ＰＧに流れる熱媒体の物理量を制御可能な状態で、この製造装置に備えられる。例えば、調整装置１００は、サーモグラフィ装置として実現され得る。したがって、図１の例では、調整装置１００は、サーモグラフィ装置としての機能を有するものとする。一方で、調整装置１００に対して所定のサーモグラフィ装置が外部接続されてもよい。

（熱交換制御に関する処理部について）
図１の例によれば、調整装置１００は、熱交換制御に関する処理部として、制御部１１０を有する。

（制御部１１０について）
制御部１１０は、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）等のプロセッサによって、調整装置１００内部の記憶装置に記憶されている各種プログラムがＲＡＭ等を作業領域として実行されることにより実現される。また、制御部１１０は、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現されてもよい。

また、図１に示すように、制御部１１０は、温度計側部１１０ａ、ＰＩＤ制御演算部１１０ｂ、流量制御バルブ１１０ｃを有する。

（温度計側部１１０ａ）
温度計側部１１０ａは、熱電対等の温度センサであってよく、熱媒体と配管ＰＧとの間での熱交換で生じた温度分布の代表温度を取得する。例えば、温度計側部１１０ａは、配管ＰＧに関する所定の制御対象面で温度分布が生じている状態で、この制御対象面上のピンポイントな計測点（代表点）での温度である代表温度を計測する。

（ＰＩＤ制御演算部１１０ｂ）
ＰＩＤ制御演算部１１０ｂは、温度計側部１１０ａにより取得された代表温度が所定の目標温度となるよう、代表温度と目標温度と偏差に応じてＰＩＤ制御演算を実行する。

（流量制御バルブ１１０ｃについて）
流量制御バルブ１１０ｃは、流量制御バルブの開度を調整する。例えば、流量制御バルブ１１０ｃは、作業員の操作に応じてバルブの開度を制御することもできるし、代表温度が所定の目標温度となるよう動的にバルブの開度を制御してもよい。

すなわち、制御部１１０は、熱媒体と配管ＰＧとの間での熱交換で生じた温度分布の代表温度と、所定の目標温度と偏差に応じてＰＩＤ制御するとともに、流量制御バルブの開度も調整することで熱交換を制御することで、制御対象面の温度分布の代表温度を所定の目標温度へと整定する。また、以下の説明では、制御対象面の温度分布の代表温度が所定の目標温度に整定されている状態（代表温度＝目標温度の状態）を「整定状態」と表記する場合がある。

（第１の実施形態に関する処理部について）
図１の例によれば、調整装置１００は、第１の実施形態に関する処理部として、撮像器１２０、流体温度取得部１３０、流体速度取得部１３１、第１学習部１３２、第１推定部１３３、調整部１３４を有する。また、調整装置１００は、第１学習データ記憶部ＤＢ１を有する。

（撮像器１２０について）
撮像器１２０は、サーモグラフィ装置に対応し、処理対象の温度分布画像（熱画像）を撮像する。例えば、撮像器１２０は、非接触の処理対象から放射される赤外線エネルギーを受光し、受光した赤外線エネルギーを電気信号に変換する。そして、撮像器１２０は、電気信号に対して信号処理等を施し、表示画面に温度分布画像（熱画像）として擬似カラーでリアルタイムに表示する。また、撮像器１２０により得られた熱画像は、第１学習データ記憶部ＤＢ１に記憶される。

（流体温度取得部１３０について）
流体温度取得部１３０は、熱媒体の温度を取得する。例えば、流体温度取得部１３０は、配管ＰＧの供給側において、熱媒体の温度を取得する。例えば、流体温度取得部１３０は、整定状態である場合での熱媒体の温度を取得する。また、流体温度取得部１３０は、熱媒体の温度を取得するたびに、取得した温度を第１学習データ記憶部ＤＢ１に格納する。

（流体速度取得部１３１について）
流体速度取得部１３１は、熱媒体の速度を取得する。例えば、流体速度取得部１３１は、配管ＰＧの供給側において、熱媒体の速度を取得する。例えば、流体速度取得部１３１は、整定状態である場合での熱媒体の温度を取得する。また、流体速度取得部１３１は、熱媒体の速度を取得するたびに、取得した速度を第１学習データ記憶部ＤＢ１に格納する。

（第１学習データ記憶部ＤＢ１について）
第１学習データ記憶部ＤＢ１は、撮像器１２０により得られた熱画像と、流体温度取得部１３０により取得された温度と、流体速度取得部１３１により取得された速度とを記憶する。具体的には、第１学習データ記憶部ＤＢ１は、熱交換で生じた温度分布を示す熱画像と、当該熱画像が得られた際に流体温度取得部１３０により取得された熱媒体の温度と、当該熱画像が得られた際に流体速度取得部１３１により取得された熱媒体の速度とを時系列に応じた１つのレコードとして記憶する。

また、第１学習データ記憶部ＤＢ１に記憶される各熱画像で示される温度分布について、例えば、オペレータは、自身の経験則や製造物品質等に基づき、適正具合を指標する適正度を規定する。例えば、オペレータは、任意のタイミングで適正度を規定することができる。

このようなことから、第１学習データ記憶部ＤＢ１は、実質、熱画像が示す温度分布の適正度と、当該熱画像が得られた際に取得された熱媒体の温度と、当該熱画像が得られた際に取得された熱媒体の速度とを時系列に応じた１つのレコードとして記憶する。

より詳細には、第１学習データ記憶部ＤＢ１は、熱画像が示す温度分布の適正度と、当該熱画像が得られた際に取得された熱媒体の温度と、当該熱画像が得られた際に取得された熱媒体の速度との組を１つの学習データセットとして記憶する。また、第１学習データ記憶部ＤＢ１は、このような学習データセットを時系列に応じて複数組記憶する。すなわち、第１学習データ記憶部ＤＢ１は、第１学習部１３２による学習処理に必要な十分な数の学習データセットを記憶しておくことが好ましい。

なお、第１学習データ記憶部ＤＢ１は、熱画像が得られた際に取得された代表温度、および、熱画像が得られた際に取得されたバルブ開度をさらに組み合わせて１つの学習データセットとして記憶してもよい。

また、熱媒体の温度、熱媒体の速度、代表温度、バルブ開度は、熱媒体に関する所定のパラメータの一例である。

（第１学習部１３２について）
第１学習部１３２は、熱媒体と配管ＰＧとの間での熱交換で生じた温度分布の適正具合を指標する適正度と、熱媒体に関する所定のパラメータとの関係性を第１モデルに学習させる。具体的には、第１学習部１３２は、熱交換で生じた温度分布の適正度と、この温度分布に対応する熱媒体に関する所定のパラメータとの組を学習データとして用いることで、第１モデルの学習を行う。より具体的には、第１学習部１３２は、温度分布の適正度として、当該温度分布を示す熱画像を用いて判断（例えば、オペレータによる判断）された適正度と、所定のパラメータとの組を学習データとして用いて第１モデルの学習を行う。

このようなことから、第１学習部１３２は、第１学習データ記憶部ＤＢ１に記憶される学習データセットを用いて第１モデルの学習を行う。例えば、第１学習部１３２は、学習データを収集する期間中の任意時点において取得された熱画像が示す温度分布の適正度（オペレータが、自身の経験則や製造物品質等に基づき判断したもの）と、当該熱画像が得られた際に取得された熱媒体の温度と、当該熱画像が得られた際に取得された熱媒体の速度との組を１つの学習データセットとして、時系列に応じた複数のこの学習データセットを用いて、適正度、熱媒体の温度、熱媒体の速度の関係性を第１モデルに学習させる。

また、例えば、第１学習部１３２は、配管ＰＧにおける現在の熱媒体の温度および熱媒体の流速が入力された場合に、当該温度および当該流速に応じて現在生じている温度分布の適正度を出力するように第１モデルの学習を行う。

なお、第１学習部１３２は、任意時点において取得された熱画像が示す温度分布の適正度と、当該熱画像が得られた際に取得された熱媒体の温度と、当該熱画像が得られた際に取得された熱媒体の速度と、当該熱画像が得られた際に取得された代表温度と、当該熱画像が得られた際に取得されたバルブ開度との組を１つの学習データセットとして、時系列に応じた複数のこの学習データセットを用いて、適正度、熱媒体の温度、熱媒体の速度、代表温度、バルブ開度の関係性を第１モデルに学習させてもよい。

また、係る例では、第１学習部１３２は、配管ＰＧにおける現在の熱媒体の温度、熱媒体の流速、現在の代表温度、現在のバルブ開度が入力された場合に、これらのパラメータに応じて現在生じている温度分布の適正度を出力するように第１モデルの学習を行う。

また、第１学習部１３２は、上述したような学習処理を第１の実施形態に係る調整処理の前処理、すなわち事前学習として行っておく。また、図１では不図示であるが、第１学習部１３２は、関係性を学習した第１モデルを所定の記憶部に記憶させておくことができる。

（第１推定部１３３について）
第１推定部１３３は、熱媒体と配管ＰＧとの間での熱交換で生じた温度分布の適正具合を指標する適正度と、当該熱媒体に関する所定のパラメータとの関係性に基づいて、配管ＰＧにおける現在の温度分布の適正度を推定する。具体的には、第１推定部１３３は、第１学習部１３２によりパラメータ間の関係性を学習した第１モデルに基づいて、配管ＰＧの現在の温度分布の適正度を推定する。例えば、第１推定部１３３は、第１モデルに対して配管ＰＧにおける現在の熱媒体に関するパラメータ（例えば、熱媒体の温度および熱媒体の流速、または、熱媒体の温度・熱媒体の流速・代表温度・バルブ開度）を入力することで、これらのパラメータに応じて現在生じている温度分布の適正度を算出する。そして、第１推定部１３３は、算出した適正度が現在の温度分布に対応する適正度であると推定する。

（調整部１３４について）
調整部１３４は、第１推定部１３３による推定結果に基づいて、配管ＰＧにおける現在の温度分布がより適正な状態となるよう熱媒体の物理量を調整する。

例えば、調整部１３４は、第１モデルを用いた適正度の推定において入力変数として用いられたパラメータのうち熱媒体の物理量を示すパラメータを仮想的に変化させた場合の適正度に基づいて、配管ＰＧにおける現在の温度分布をより適正な状態とするには、熱媒体の物理量をどのように調整すべきか判定する。そして、調整部１３４は、判定結果に応じて熱媒体の物理量を調整する。

〔３．第１の実施形態に係る調整処理の一例〕
続いて、第１の実施形態に係る調整処理の一例について説明する。第１の実施形態に係る調整処理は、第１学習部１３２による事前学習と、事前学習で生成された第１モデルを製造装置が実稼働している際に適用することで、配管ＰＧにおける現在の温度分布の適正度をオンラインで推定し推定結果に応じて熱媒体の物理量を調整するというメインの調整処理とで構成される。したがって、以下では、図２を用いて事前学習の処理手順の一例を説明し、図３を用いてメイン調整処理の処理手順の一例を説明する。

〔３－１．第１の実施形態に係る事前学習の一例〕
まず、図２を用いて、第１の実施形態に係る事前学習の処理手順の一例について説明する。図２は、第１の実施形態に係る事前学習処理手順の一例を示す図である。第１の実施形態に係る事前学習は、メインの調整処理が行われるよりも前の任意のタイミングにおいて実行される。

図２の例によると、第１学習部１３２は、学習データを収集する期間中の任意時点ｔに対応する熱媒体に関するパラメータ一式を１つの学習データセットとして取得する（ステップＳ２０１）。具体的には、第１学習部１３２は、任意時点ｔで取得された熱画像が示す温度分布の適正度Ｓ（オペレータが、自身の経験則や製造物品質等に基づき判断したもの）と、任意時点ｔでの熱媒体の温度Ｔと、任意時点ｔでの熱媒体の流速Ｒと、任意時点での代表温度Ｐと、任意時点ｔでのバルブ開度Ｖとの組を、１つの学習データセット（Ｓｉ，Ｔｉ，Ｒｉ，Ｐｉ，Ｖｉ）（ｉ＝学習データセット数）として取得する。例えば、第１学習部１３２は、各任意時点ｔに対応する学習データセットを第１学習データ記憶部ＤＢ１から取得する。

なお、第１学習データ記憶部ＤＢ１からの学習データセットの取得は、第１学習部１３２以外の処理部（例えば、図示しないデータ取得部）によって行われてもよい。

そして、第１学習部１３２は、取得された学習データセットを用いて、熱媒体に関するパラメータ間の関係性を第１モデルに学習させる（ステップＳ２０２）。具体的には、第１学習部１３２は、学習データセットに含まれる熱媒体に関するパラメータのうち、適正度Ｓと、その他の熱媒体に関するパラメータ（熱媒体の温度Ｔ、熱媒体の流速Ｒ、代表温度Ｐ、バルブ開度Ｖ）との関係性を第１モデルに学習させる。

すなわち、第１学習部１３２は、配管ＰＧにおける現在の熱媒体の温度Ｔ、熱媒体の流速Ｒ、代表温度Ｐ、バルブ開度Ｖが入力された場合に、これらのパラメータに応じて現在生じている温度分布の適正度を出力するように第１モデルの学習を行う。また、このような事前学習により、第１学習部１３２は、関係性を学習した第１モデルとして関数ｆで規定されるモデル、具体的には、Ｓ＝ｆ（Ｔ，Ｒ，Ｐ，Ｖ）を生成することができる。なお、第１学習部１３２は、より単純には、例えば、熱媒体の温度Ｔおよび熱媒体の流速Ｒのみ用いることで、第１モデルとしてＳ＝ｆ（Ｔ，Ｒ）といった関数ｆを生成してもよい。

〔３－２．第１の実施形態に係るメイン調整処理の一例〕
次に、図３を用いて、第１の実施形態に係るメインの調整処理の処理手順の一例について説明する。図３は、第１の実施形態に係るメイン調整処理手順の一例を示す図である。

まず、制御部１１０（温度計側部１１０ａ）は、熱媒体と配管ＰＧとの間での熱交換で生じた温度分布の代表温度Ｐを取得する（ステップＳ３０１）。例えば、制御部１１０は、配管ＰＧに関する所定の制御対象面で温度分布が生じている状態で、この制御対象面上のピンポイントな計測点（代表点）での温度である代表温度を計測する。

次に、制御部１１０（ＰＩＤ制御演算部１１０ｂ、流量制御バルブ１１０ｃ）は、熱交換により代表温度Ｐを制御することで、代表温度Ｐを目標温度Ｘへと整定し整定状態とする（ステップＳ３０２）。例えば、制御部１１０は、熱交換で生じた温度分布の代表温度Ｐと、目標温度Ｘと偏差に応じてＰＩＤ制御するとともに、流量制御バルブの開度も調整することで熱交換を制御することで、代表温度Ｐを目標温度Ｘへと整定する。つまり、制御部１１０は、代表温度Ｐ＝目標温度Ｘという整定状態となるよう熱交換を制御する。

また、制御部１１０は、代表温度Ｐ＝目標温度Ｘという整定状態を維持できているか否かを判定し、整定状態でなくなったと判定した場合には（ステップＳ３０３；Ｎｏ）、ステップＳ３０１からの処理を再度行うことで整定状態となるよう制御する。

一方、第１推定部１３３は、整定状態である場合には（ステップＳ３０３；Ｙｅｓ）、この整定状態での熱媒体に関するパラメータを取得する（ステップＳ３０４）。具体的には、第１推定部１３３は、整定状態での熱媒体に関するパラメータとして、整定状態におけるある共通するタイミングでの、熱媒体の温度Ｔ、熱媒体の流速Ｒ、代表温度Ｐ、バルブ開度Ｖを取得する。例えば、第１推定部１３３は、流体温度取得部１３０により計測された熱媒体の温度Ｔを取得し、流体速度取得部１３１により計測された熱媒体の流速Ｒを取得し、温度計側部１１０ａにより計測された代表温度Ｐを取得し、流量制御バルブ１１０ｃにより調整されたバルブ開度Ｖを取得する。なお、このような取得は、第１推定部１３３以外の処理部（例えば、図示しないデータ取得部）によって行われてもよい。

次に、第１推定部１３３は、第１学習部１３２による事前学習で得られている第１モデル（Ｓ＝ｆ（Ｔ，Ｒ，Ｐ，Ｖ））に対して、ステップ３０４で取得された各種パラメータを入力することで、これらのパラメータに応じて現在生じている温度分布の適正度Ｓを算出する（ステップＳ３０５）。また、第１推定部１３３は、算出したこの適正度Ｓを、配管ＰＧにおける現在の温度分布の適正具合を指標する適正度として推定する。また、第１推定部１３３は、ステップＳ３０５での推定結果を図示しない所定の記憶部に記憶させることができる。

最後に、調整部１３４は、ステップＳ３０５での推定結果に基づいて、配管ＰＧにおける現在の温度分布がより適正な状態となるよう熱媒体の物理量を調整する（ステップＳ３０６）。ここで行われる調整処理の一例について説明する。

例えば、熱交換の物理的な知見に基づけば、代表温度Ｐを一定に維持するためには、熱媒体の温度Ｔを上昇させた場合には流速Ｒを減少させる必要があり、熱媒体の温度Ｔを下降させた場合には流速Ｒを増加させる必要がある。そこで、調整部１３４は、ステップＳ３０５での適正度の推定において入力変数として用いられたパラメータのうち、例えば、熱媒体の温度Ｔを仮想的に上昇させた場合および下降させた場合の適正度Ｓに基づいて、温度分布がより適正な状態となるには、熱媒体の温度Ｔをどのように調整すればよいか判定する。そして、調整部１３４は、この判定結果に応じて、熱媒体の温度Ｔを調整する。

（具体的な一例その１）
より具体的な一例を挙げる。なお、ここでは第１モデルとしてＳ＝ｆ（Ｔ，Ｒ）を用いた場合を例に挙げる。例えば、特定の整定状態で、熱媒体の温度Ｔ＝２０．４［℃］，熱媒体の流速Ｒ＝３．７［ｍ／ｍｉｎ］であったとして、第１推定部１３３は、Ｓ＝ｆ（Ｔ，Ｒ）に対して、熱媒体の温度Ｔ＝２０．４［℃］，熱媒体の流速Ｒ＝３．７［ｍ／ｍｉｎ］を入力することで、適正度Ｓ＝７．４８を推定したとする。

このような状態において、調整部１３４は、熱媒体の温度Ｔ＝２０．４［℃］から熱媒体のＴ＝２０．０［℃］へと温度を仮想的に下降させる。熱媒体の温度Ｔが下降すると、熱媒体の流速Ｒは増加することになるため、調整部１３４は、熱媒体の流速Ｒ＝３．７［ｍ／ｍｉｎ］から流速Ｒ＝４．０［ｍ／ｍｉｎ］へと流速を仮想的に増加させる。

また、第１推定部１３３は、上記のように設定された仮想的条件である水温Ｔ＝２０．０［℃］および流速Ｒ＝４．０［ｍ／ｍｉｎ］をＳ＝ｆ（Ｔ，Ｒ）に入力することで、仮想的条件での適正度Ｓを推定する。例えば、第１推定部１３３は、仮想的条件では適正度Ｓ＝７．０１を推定したとする。

ここで、実際の適正度Ｓ＝７．４８と、仮想的条件下での適正度Ｓ＝７．０１とを比較すると、仮想的条件下での方が適正度Ｓがより低下しているため、調整部１３４は、熱媒体の温度を下降させるのは得策ではないと判断する。

また一方で、調整部１３４は、熱媒体の温度Ｔ＝２０．４［℃］から熱媒体のＴ＝２０．８［℃］へと温度を仮想的に上昇させる。熱媒体の温度Ｔが上昇すると、熱媒体の流速Ｒは減少することになるため、調整部１３４は、熱媒体の流速Ｒ＝３．７［ｍ／ｍｉｎ］から流速Ｒ＝３．４［ｍ／ｍｉｎ］へと流速を仮想的に下降させる。

また、第１推定部１３３は、上記のように設定された仮想的条件である水温Ｔ＝２０．８［℃］および流速Ｒ＝３．４［ｍ／ｍｉｎ］をＳ＝ｆ（Ｔ，Ｒ）に入力することで、仮想的条件での適正度Ｓを推定する。例えば、第１推定部１３３は、仮想的条件では適正度Ｓ＝７．９５を推定したとする。

ここで、実際の適正度Ｓ＝７．４８と、仮想的条件下での適正度Ｓ＝７．９５とを比較すると、仮想的条件下での方が適正度Ｓがより増加しているため、調整部１３４は、熱媒体の温度を上昇させるのが得策であると判断する。

（具体的な一例その２）
また、他の一例も挙げる。例えば、上記例とは異なる別の整定状態で、熱媒体の温度Ｔ＝２１．０［℃］，熱媒体の流速Ｒ＝４．０［ｍ／ｍｉｎ］であったとして、第１推定部１３３は、Ｓ＝ｆ（Ｔ，Ｒ）に対して、熱媒体の温度Ｔ＝２１．０［℃］，熱媒体の流速Ｒ＝４．０［ｍ／ｍｉｎ］を入力することで、適正度Ｓ＝８．６１を推定したとする。

このような状態において、調整部１３４は、熱媒体の温度Ｔ＝２１．０［℃］から熱媒体のＴ＝２０．６［℃］へと温度を仮想的に下降させる。熱媒体の温度Ｔが下降すると、熱媒体の流速Ｒは増加することになるため、調整部１３４は、熱媒体の流速Ｒ＝４．０［ｍ／ｍｉｎ］から流速Ｒ＝４．３［ｍ／ｍｉｎ］へと流速を仮想的に増加させる。

また、第１推定部１３３は、上記のように設定された仮想的条件である水温Ｔ＝２０．６［℃］および流速Ｒ＝４．３［ｍ／ｍｉｎ］をＳ＝ｆ（Ｔ，Ｒ）に入力することで、仮想的条件での適正度Ｓを推定する。例えば、第１推定部１３３は、仮想的条件では適正度Ｓ＝８．７８を推定したとする。

ここで、実際の適正度Ｓ＝８．６１と、仮想的条件下での適正度Ｓ＝８．７８とを比較すると、仮想的条件下での方が適正度Ｓがより増加しているため、調整部１３４は、熱媒体の温度を下降させるのが得策であると判断する。

また一方で、調整部１３４は、熱媒体の温度Ｔ＝２１．０［℃］から熱媒体のＴ＝２１．４［℃］へと温度を仮想的に上昇させる。熱媒体の温度Ｔが上昇すると、熱媒体の流速Ｒは減少することになるため、調整部１３４は、熱媒体の流速Ｒ＝４．０［ｍ／ｍｉｎ］から流速Ｒ＝３．７［ｍ／ｍｉｎ］へと流速を仮想的に下降させる。

また、第１推定部１３３は、上記のように設定された仮想的条件である水温Ｔ＝２１．４［℃］および流速Ｒ＝３．７［ｍ／ｍｉｎ］をＳ＝ｆ（Ｔ，Ｒ）に入力することで、仮想的条件での適正度Ｓを推定する。例えば、第１推定部１３３は、仮想的条件では適正度Ｓ＝８．１５を推定したとする。

ここで、実際の適正度Ｓ＝８．６１と、仮想的条件下での適正度Ｓ＝８．１５とを比較すると、仮想的条件下での方が適正度Ｓがより低下しているため、調整部１３４は、熱媒体の温度を下降させるのは得策ではないと判断する。

これまでの具体的な一例についてまとめると、調整部１３４は、第１モデルを用いれば、状況に応じて熱媒体の物理量をどのように調整すべきか調整指針が得ることができるようになるため、調整指針に従って熱媒体の物理量を調整することで、温度分布をより適正な状態に向かわすことができるようになる。

なお、調整部１３４は、熱媒体の物理量を調整する一例として熱媒体の温度Ｔを調整する場合には、例えば、一定の温度に維持された温水と、一定の温度に維持された冷水との混合比を変化させるといった処理を行うことができる。例えば、調整部１３４は、配管ＰＧに対して熱媒体を供給する機構に作用することで、温水と冷水との混合比を変化させることができる。

［原理２］
上述した第１の実施形態では、調整装置１００が、オペレータの判断に基づき予め規定された適正度と、熱媒体に関する所定のパラメータとの関係性を事前に機械学習しておくことで、機械学習結果である第１モデルを用いて配管における現在の温度分布の適正度をオンラインで推定する例を示した。このようなことから、第１の実施形態では、処理に用いられる適正度は、オペレータの判断に依存していた。

しかしながら、例えば、温度分布についてオペレータの判断に基づき適正度が規定された熱画像（例えば、サーモグラフィ等による熱画像）を学習データとして機械学習すれば、人手に頼らずともオンラインで第１モデルの学習データとなる適正度を収集することができるようになるため、収集した適正度とパラメータとを関連付けるという機械学習をリアルタイムで繰り返すことができるようになる。そして、この結果、温度分布に対応する熱媒体の物理量の経時変化に応じて温度分布がより適正な状態に向かうよう調整することが可能になることに想到した。

［第２の実施形態］
〔１．第２の実施形態の概要〕
まず、第２の実施形態における調整装置の概要を説明する。第２の実施形態における調整装置の一例である調整装置２００は、調整装置１００に対して、原理２に対応する調整処理（第２の実施形態に係る調整処理）を行うための処理部が新たに追加されたものに対応し、基本的な機能としては調整装置１００と同一である。

したがって、例えば、調整装置２００は、熱媒体と、製造装置が有する配管との間での熱交換により、制御対象面の温度分布の代表温度が所定の目標温度となるよう各種制御を行う。一例としては、調整装置２００は、代表温度と目標温度と偏差に応じてＰＩＤ制御するとともに、流量制御バルブの開度も調整することで、制御対象面の温度分布の代表温度が所定の目標温度となるよう熱交換を制御する。

また、調整装置２００は、原理２に対応する調整処理（第２の実施形態に係る調整処理）を行う。具体的には、調整装置２００は、任意の機械学習技術を用いて、熱媒体と配管との間での熱交換で生じた温度分布を示す熱画像と、当該温度分布の適正度であって当該熱画像を用いて当該温度分布についてオペレータの判断や製造物品質に基づき予め規定された適正度との関係性を第２モデルに学習させるという学習処理を事前に行っておく。すなわち、調整装置２００は、事前学習により、熱媒体と配管との間での熱交換で生じた温度分布を示す熱画像と、当該温度分布の適正度であって当該熱画像を用いて当該温度分布についてオペレータの判断に基づき予め規定された適正度との関係性を学習した第２モデルを生成しておく。

また、このような状態において、調整装置２００は、事前学習により得られた第２モデルに対して、製造装置が実稼働している際に適宜得られた熱画像を適用することで、第１モデルの学習に用いられる学習データとなる適正度をオンラインで収集してゆく。また、調整装置２００は、収集された適正度と、熱媒体に関する所定のパラメータとの関係性を第１モデルに学習させるという学習処理をこのリアルタイムで繰り返すことで、繰り返し学習で更新された最新の第１モデルを用いて、配管における現在の温度分布の適正度をオンラインで推定する。そして、調整装置１００は、推定結果に基づいて、配管における現在の温度分布がより適正な状態となるよう熱媒体の物理量を調整する。

〔２．第２の実施形態における機能構成の一例〕
続いて、図４を用いて、調整装置２００が有する機能構成の一例について説明する。図４は、第２の実施形態に係る調整装置２００が有する機能構成の一例を示す図である。図４の例によれば、調整装置２００は、任意の製造装置が有する配管（流体経路）ＰＧに流れる熱媒体の物理量を制御可能な状態で、この製造装置に備えられる。例えば、調整装置２００は、サーモグラフィ装置として実現され得る。したがって、図４の例では、調整装置２００は、サーモグラフィ装置としての機能を有するものとする。一方で、調整装置２００に対して所定のサーモグラフィ装置が外部接続されてもよい。

以下の説明では、調整装置２００が有する処理部のうち、調整装置１００と共通する処理部（すなわち、同一符号が付された処理部）については説明を省略または簡略化する。

（熱交換制御に関する処理部について）
図４の例によれば、調整装置２００は、熱交換制御に関する処理部として、制御部１１０を有する。また、図４に示すように、制御部１１０は、温度計側部１１０ａ、ＰＩＤ制御演算部１１０ｂ、流量制御バルブ１１０ｃを有する。

（第２の実施形態に関する処理部について）
図４の例によれば、調整装置２００は、第２の実施形態に関する処理部として、撮像器１２０、流体温度取得部１３０、流体速度取得部１３１、第１学習部１３２、第１推定部１３３、調整部１３４を有する。また、調整装置１００は、第１学習データ記憶部ＤＢ１を有する。また、調整装置２００は、調整装置１００に対して新たに追加された処理部として、第２学習データ記憶部ＤＢ２と、第２学習部２３２と、第２推定部２３３とを有する。

（第２学習データ記憶部ＤＢ２について）
第２学習データ記憶部ＤＢ２は、撮像器１２０により得られた熱画像と、当該熱画像が示す温度分布の適正度であって、当該熱画像を用いて判断された適正度（オペレータが、自身の経験則や製造物品質等に基づき判断したもの）とを記憶する。具体的には、第２学習データ記憶部ＤＢ２は、熱交換で生じた温度分布を示す熱画像と、当該熱画像を用いて判断された適正度とを時系列に応じた１つのレコードとして記憶する。

より詳細には、第２学習データ記憶部ＤＢ２は、熱交換で生じた温度分布を示す熱画像と、当該熱画像を用いて判断された適正度とを時系列に応じた１つの学習データセットとして記憶する。また、第２学習データ記憶部ＤＢ２は、このような学習データセットを時系列に応じて複数組記憶する。すなわち、第２学習データ記憶部ＤＢ２は、第２学習部２３２による学習処理に必要な十分な数の学習データセットを記憶しておくことが好ましい。

（第２学習部２３２について）
第２学習部２３２は、熱交換で生じた温度分布を示す熱画像と、当該温度分布の適正度であって当該熱画像を用いて判断された適正度との関係性を第２モデルに学習させる。このようなことから、第２学習部２３２は、第２学習データ記憶部ＤＢ２に記憶される学習データセットを用いて第２モデルの学習を行う。例えば、第２学習部２３２は、学習データを収集する期間中の任意時点において取得された熱画像と、当該熱画像が示す温度分布の適正度であって当該熱画像を用いて判断された適正度との関係性を第２モデルに学習させる。

また、例えば、第２学習部２３２は、配管ＰＧにおける現在の温度分布を示す熱画像が入力された場合に、当該温度分布の適正度を出力するように第２モデルの学習を行う。

また、第２学習部２３２は、上述したような学習処理を第２の実施形態に係る調整処理の前処理、すなわち事前学習として行っておく。また、図４では不図示であるが、第２学習部２３２は、関係性を学習した第２モデルを所定の記憶部に記憶させておくことができる。

（第２推定部２３３について）
第２推定部２３３は、熱交換で生じた温度分布を示す熱画像と、当該温度分布の適正具合を指標する適正度であって当該熱画像を用いて判断された適正度との関係性に基づいて、第１学習部１３２が用いる学習データとなる適正度を推定する。具体的には、第２推定部２３３は、第２学習部２３２により熱画像と適正度との関係性を学習した第２モデルに基づいて、第１学習部１３２が用いる学習データとなる適正度を推定する。

このようなことから第２推定部２３３は、第１モデルの学習に用いられる学習データセット中の１つの学習データとなる適正度をオンラインで推定する。ここで、第１の実施形態では、この学習データとして用いられる適正度は、オペレータの判断に基づき規定されたものであった。しかしながら、第２の実施形態では、第２推定部２３３が、第２モデルを用いてオンラインで（すなわち動的に）学習データとなる適正度を推定することで、学習データとしての適正度を動的収集する点で第１の実施形態とは異なる。

また、第２推定部２３３は、推定した適正度を第１学習データ記憶部ＤＢ１に記憶させる。第２の実施形態では、第１学習データ記憶部ＤＢ１は、例えば、第２推定部２３３により推定された適正度と、この適正度の推定において第２モデルへの入力変数として用いられた熱画像が得られた際に取得された熱媒体の温度と、当該熱画像が得られた際に取得された熱媒体の流速と、当該熱画像が得られた際に取得された代表温度と、当該熱画像が得られた際に取得されたバルブ開度との組を１つの学習データセットとして記憶する。

したがって、第２の実施形態では、第１学習部１３２は、第２推定部２３３により推定された適正度と、この適正度の推定元となる熱画像が得られた際の熱交換で生じた温度分布に対応する熱媒体に関する所定のパラメータとの組を学習データとして用いることで、第１モデルの学習を行う。

また、第２の実施形態では、第２推定部２３３は、製造装置が実稼働している際の情報を用いてリアルタイムで学習データとなる適正度を収集することができる。このようなことから、第１学習部１３２は、第２推定部２３３により収集された適正度とパラメータとを関連付けるという機械学習をリアルタイムで繰り返すことができるようになる。すなわち、第１学習部１３２は、配管ＰＧを備える温度制御系が稼働しているリアルタイムにおいて第２推定部２３３により適正度が推定されることに応じて、推定された適正度を学習データとして用いてリアルタイムで第１モデルの学習を繰り返す。そして、第１推定部１３３は、第１学習部１３２による繰り返し学習で更新された最新の第１モデルを用いて、配管ＰＧにおける現在の温度分布の適正度を推定する。

〔３．第２の実施形態に係る調整処理の一例〕
続いて、第２の実施形態に係る調整処理の一例について説明する。第２の実施形態に係る調整処理は、第２学習部２３２による事前学習と、事前学習で生成された第２モデルを製造装置が実稼働している際に適用することで、配管ＰＧにおける現在の温度分布の適正度をオンラインで推定し推定結果に応じて熱媒体の物理量を調整するというメインの調整処理とで構成される。したがって、以下では、図５を用いて事前学習の処理手順の一例を説明し、図６および７を用いてメイン調整処理の処理手順の一例を説明する。

〔３－１．第２の実施形態に係る事前学習の一例〕
まず、図５を用いて、第２の実施形態に係る事前学習の処理手順の一例について説明する。図５は、第２の実施形態に係る事前学習処理手順の一例を示す図である。第２の実施形態に係る事前学習は、メインの調整処理が行われるよりも前の任意のタイミングにおいて実行される。

図５の例によると、第２学習部２３２は、学習データを収集する期間中の任意時点ｔにおいて取得された熱画像Ｇと、当該熱画像が示す温度分布の適正度であって当該熱画像を用いて判断された適正度Ｓとの組を１つの学習データセットとして取得する（ステップＳ５０１）。具体的には、第２学習部２３２は、任意時点ｔでの熱画像Ｇと、任意時点ｔでの熱画像Ｇに対してオペレータ判断された適正度Ｓとの組を、１つの学習データセット（Ｇｉ，Ｓｉ）（ｉ＝学習データセット数）として取得する。例えば、第２学習部２３２は、各任意時点ｔに対応する学習データセットを第２学習データ記憶部ＤＢ２から取得する。

なお、第２学習データ記憶部ＤＢ２からの学習データセットの取得は、第２学習部２３２以外の処理部（例えば、図示しないデータ取得部）によって行われてもよい。

そして、第２学習部２３２は、取得された学習データセットを用いて、熱画像Ｇと適正度Ｓとの間での関係性を第２モデルに学習させる（ステップＳ５０２）。すなわち、第２学習部２３２は、配管ＰＧにおける現在の温度分布を示す熱画像Ｇが入力された場合に、入力された熱画像Ｇが示す温度分布の適正度を出力するように第２モデルの学習を行う。また、このような事前学習により、第２学習部２３２は、関係性を学習した第２モデルとして関数ｇで規定されるモデル、具体的には、Ｓ＝ｇ（Ｇ）を生成することができる。

〔３－２．第２の実施形態に係るメイン調整処理の一例（１）〕
次に、図６を用いて、第２の実施形態に係るメインの調整処理の中で行われる学習データ収集の一例について説明する。ここでいう学習データの収集とは、第２推定部２３３を中心としたデータ収集処理であり、第１モデルの学習データとして用いられる適正度の動的収集を指し示す。また、係るデータ収集処理は、製造装置が実稼働しているリアルタイムに行われてよい。図６は、第２の実施形態に係るデータ収集処理手順の一例を示す図である。

まず、制御部１１０（温度計側部１１０ａ）は、熱媒体と配管ＰＧとの間での熱交換で生じた温度分布の代表温度Ｐを取得する（ステップＳ６０１）。例えば、制御部１１０は、配管ＰＧに関する所定の制御対象面で温度分布が生じている状態で、この制御対象面上のピンポイントな計測点（代表点）での温度である代表温度を計測する。

次に、制御部１１０（ＰＩＤ制御演算部１１０ｂ、流量制御バルブ１１０ｃ）は、熱交換により代表温度Ｐを制御することで、代表温度Ｐを目標温度Ｘへと整定し整定状態とする（ステップＳ６０２）。例えば、制御部１１０は、熱交換で生じた温度分布の代表温度Ｐと、目標温度Ｘと偏差に応じてＰＩＤ制御するとともに、流量制御バルブの開度も調整することで熱交換を制御することで、代表温度Ｐを目標温度Ｘへと整定する。つまり、制御部１１０は、代表温度Ｐ＝目標温度Ｘという整定状態となるよう熱交換を制御する。

また、制御部１１０は、代表温度Ｐ＝目標温度Ｘという整定状態を維持できているか否かを判定し、整定状態でなくなったと判定した場合には（ステップＳ６０３；Ｎｏ）、ステップＳ６０１からの処理を再度行うことで整定状態となるよう制御する。

一方、第２推定部２３３は、整定状態である場合には（ステップＳ６０３；Ｙｅｓ）、この整定状態での温度分布を示す熱画像を取得する（ステップＳ６０４）。例えば、第２推定部２３３は、整定状態にある中での任意のタイミングにおいて撮像器１２０により得られた熱画像を取得する。

また、第２推定部２３３は、整定状態での熱媒体に関するパラメータを取得する（ステップＳ６０５）。具体的には、第２推定部２３３は、上記任意のタイミングでの、熱媒体の温度Ｔ、熱媒体の流速Ｒ、代表温度Ｐ、バルブ開度Ｖを取得する。例えば、第２推定部２３３は、流体温度取得部１３０により計測された熱媒体の温度Ｔを取得し、流体速度取得部１３１により計測された熱媒体の流速Ｒを取得し、温度計側部１１０ａにより計測された代表温度Ｐを取得し、流量制御バルブ１１０ｃにより調整されたバルブ開度Ｖを取得する。

なお、ステップＳ６０４およびＳ６０５での取得は、第２推定部２３３以外の処理部（例えば、図示しないデータ取得部）によって行われてもよい。

次に、第２推定部２３３は、第２学習部２３２による事前学習で得られている第２モデル（Ｓ＝ｇ（Ｇ））に対して、ステップ６０４で取得された熱画像Ｇを入力することで、この熱画像Ｇが示す温度分布の適正度Ｓを算出する（ステップＳ６０６）。また、第２推定部２３３は、算出したこの適正度Ｓを、熱画像Ｇが示す温度分布の適正度Ｓとして推定する。

また、第２推定部２３３は、ステップＳ６０６で推定された適正度Ｓと、ステップＳ６０５で取得された熱媒体に関するパラメータとの組を、今回（ｉ回目）でのデータ収集処理で収集した１つの学習データセット（Ｓｉ,Ｔｉ,Ｒｉ,Ｐｉ,Ｖｉ）（ｉ＝学習データセット数）として第１学習データ記憶部ＤＢ１に記憶させる（ステップＳ６０７）。具体的には、第２推定部２３３は、今回（ｉ回目）推定された適正度Ｓｉと、この適正度Ｓｉの推定において第２モデルへの入力変数として用いられた熱画像が得られた際（整定状態にある中での任意のタイミング）に取得された熱媒体の温度Ｔｉと、当該熱画像が得られた際に取得された熱媒体の流速Ｒｉと、当該熱画像が得られた際に取得された代表温度Ｐｉと、当該熱画像が得られた際に取得されたバルブ開度Ｖｉとの組を、１つの学習データセットとして記憶させる。

次に、第２推定部２３３は、第１学習データ記憶部ＤＢ１において今回（ｉ回目）までに蓄積されている学習データセット数ｉに基づき、第１モデルの学習に十分な数の学習データセット（オンラインデータ）が蓄積されたか否かを判定する（ステップＳ６０８）。例えば、第２推定部２３３は、「今回（ｉ回目）までに蓄積されている学習データセット数ｉ（学習データの累計数）≧Ｎ（例えば、Ｎ＝２０個）、かつ、前回第１モデルの学習が行われた時点からさらに学習データセットがｎ個（例えば、５個）蓄積された」との必要条件を満たす場合には、第１モデルの学習に十分な数の学習データセット（オンラインデータ）が蓄積されたと判定し、この必要条件を満たさない場合には、第１モデルの学習に十分な数の学習データセット（オンラインデータ）が蓄積されていないと判定する。

上記例によれば、第２推定部２３３は、例えば、第１モデルの学習がこれまでに行われていない状態では、例えば、学習データセットが２０個蓄積された場合（学習データセット数ｉ＝２０となった場合）において、第１モデルの学習に十分な数の学習データセットが蓄積されたと判定することができる。

一方、第２推定部２３３は、第１モデルの学習が少なくとも１回以上行われている場合には、前回第１モデルの学習が行われた時点からさらに学習データセットが５個蓄積された場合において、第１モデルの学習に十分な数の学習データセットが蓄積されたと判定することができる。

したがって、第２推定部２３３は、現在の学習データセット数ｉと必要条件とに基づき、第１モデルの学習に十分な数の学習データセットが蓄積されたと判定した場合には（ステップＳ６０８；Ｙｅｓ）、第１学習部１３２に対して第１モデルを学習するよう指示する。一方、第２推定部２３３は、現在の学習データセット数ｉと必要条件とに基づき、第１モデルの学習に十分な数の学習データセットが蓄積されていないと判定している間は（ステップＳ６０８；Ｎｏ）、第１モデルの学習に十分な数の学習データセットが蓄積されたと判定できるまでステップＳ６０４からの処理を繰り返す。

第１学習部１３２は、第２推定部２３３からの指示を受け付けると（ステップＳ６０８；Ｙｅｓの場合）、第１学習データ記憶部ＤＢ１に記憶されている学習データセットのうち、最新の（上位の）Ｎ個（例えば、Ｎ＝２０個）の学習データセットを用いて、パラメータ間の関係性を第１モデルに学習させる（ステップＳ６０９）。

上記例によれば、第１学習部１３２は、第１モデルの学習がこれまでに行われていない初回については、これまでに蓄積されている合計２０個の学習データセット（Ｓｉ,Ｔｉ,Ｒｉ,Ｐｉ,Ｖｉ／ｉ＝１～２０）を用いて、パラメータ間の関係性を第１モデルに学習させる。一方、第１学習部１３２は、第１モデルの学習が少なくとも１回以上行われている場合であって、前回第１モデルの学習が行われた時点からさらに学習データセットが５個蓄積された場合については、これまでに蓄積されている学習データセットのうち、最新の２０個の学習データセット（例えば、Ｓｉ,Ｔｉ,Ｒｉ,Ｐｉ,Ｖｉ／ｉ＝６～２５）を用いて、パラメータ間の関係性を第１モデルに学習させる。

なお、第１学習データ記憶部ＤＢ１からの学習データセットの取得は、第１学習部１３２以外の処理部（例えば、図示しないデータ取得部）によって行われてもよい。

また、ここで行われる学習の具体的な内容については図２のステップＳ２０２と同一であってよい。したがって、第１学習部１３２は、学習データセットに含まれる熱媒体に関するパラメータのうち、適正度Ｓと、その他の熱媒体に関するパラメータ（熱媒体の温度Ｔ、熱媒体の流速Ｒ、代表温度Ｐ、バルブ開度Ｖ）との関係性を第１モデルに学習させる。

すなわち、第１学習部１３２は、配管ＰＧにおける現在の熱媒体の温度Ｔ、熱媒体の流速Ｒ、代表温度Ｐ、バルブ開度Ｖが入力された場合に、これらのパラメータに応じて現在生じている温度分布の適正度を出力するように第１モデルの学習を行う。また、第１学習部１３２は、関係性を学習した第１モデルとして関数ｆで規定されるモデル、具体的には、Ｓ＝ｆ（Ｔ，Ｒ，Ｐ，Ｖ）を生成することができる。なお、第１学習部１３２は、より単純には、例えば、熱媒体の温度Ｔおよび熱媒体の流速Ｒのみ用いることで、第１モデルとしてＳ＝ｆ（Ｔ，Ｒ）といった関数ｆを生成してもよい。

また、第１学習部１３２は、前回生成した第１モデルを、今回のステップＳ６０９で生成した第１モデルに更新する（ステップＳ６１０）。

ここで、ステップＳ６０４～Ｓ６０８にかけては、製造装置の現在の状況に応じた学習データセットであって、第１モデルの学習に十分な数の学習データセットが得られるようデータ収集が繰り返されることとなる。このため、調整装置２００は、ステップＳ６０９およびＳ６１０によって製造装置の現在の状況が反映された高性能な第１モデルを学習することができるようになるため、適正度を精度よく推定することができるようになる。また、これにより調整装置２００は、例えば、配管ＰＧの内部の汚れ等により熱伝導や熱交換効率が徐々に影響を受けて変化する場合であっても、温度分布をより適正な状態で維持できるよう調整することができるようになる。

〔３－３．第２の実施形態に係るメイン調整処理の一例（２）〕
次に、図７を用いて、第２の実施形態に係るメインの調整処理の処理手順の一例について説明する。図７は、第２の実施形態に係るメイン調整処理手順の一例を示す図である。なお、第２の実施形態に係るメイン調整処理は、例えば、図６に示したデータ収集処理に平行して製造装置が実稼働しているリアルタイムに行われる。また、第２の実施形態に係るメイン調整処理は、用いられる第１モデルが、第２推定部２３３によりオンライン推定された適正度を学習データとして生成されたものであること以外は、図３の例と同一である。したがって、図３で説明した、調整処理の具体的な一例については説明を省略する。

まず、制御部１１０（温度計側部１１０ａ）は、熱媒体と配管ＰＧとの間での熱交換で生じた温度分布の代表温度Ｐを取得する（ステップＳ７０１）。例えば、制御部１１０は、配管ＰＧに関する所定の制御対象面で温度分布が生じている状態で、この制御対象面上のピンポイントな計測点（代表点）での温度である代表温度を計測する。

次に、制御部１１０（ＰＩＤ制御演算１１０部ｂ、流量制御バルブ１１０ｃ）は、熱交換により代表温度Ｐを制御することで、代表温度Ｐを目標温度Ｘへと整定し整定状態とする（ステップＳ７０２）。例えば、制御部１１０は、熱交換で生じた温度分布の代表温度Ｐと、目標温度Ｘと偏差に応じてＰＩＤ制御するとともに、流量制御バルブの開度も調整することで熱交換を制御することで、代表温度Ｐを目標温度Ｘへと整定する。つまり、制御部１１０は、代表温度Ｐ＝目標温度Ｘという整定状態となるよう熱交換を制御する。

また、制御部１１０は、代表温度Ｐ＝目標温度Ｘという整定状態を維持できているか否かを判定し、整定状態でなくなったと判定した場合には（ステップＳ７０３；Ｎｏ）、ステップＳ３０１からの処理を再度行うことで整定状態となるよう制御する。

一方、第１推定部１３３は、整定状態である場合には（ステップＳ７０３；Ｙｅｓ）、この整定状態での熱媒体に関するパラメータを取得する（ステップＳ７０４）。具体的には、第１推定部１３３は、整定状態での熱媒体に関するパラメータとして、整定状態におけるある共通するタイミングでの、熱媒体の温度Ｔ、熱媒体の流速Ｒ、代表温度Ｐ、バルブ開度Ｖを取得する。例えば、第１推定部１３３は、流体温度取得部１３０により計測された熱媒体の温度Ｔを取得し、流体速度取得部１３１により計測された熱媒体の流速Ｒを取得し、温度計側部１１０ａにより計測された代表温度Ｐを取得し、流量制御バルブ１１０ｃにより調整されたバルブ開度Ｖを取得する。

次に、第１推定部１３３は、図６のステップＳ６１０で更新されている第１モデルであって、現時点で最新の第１モデル（Ｓ＝ｆ（Ｔ，Ｒ，Ｐ，Ｖ））に対して、ステップ７０４で取得された各種パラメータを入力することで、これらのパラメータに応じて現在生じている温度分布の適正度Ｓを算出する（ステップＳ７０５）。また、第１推定部１３３は、算出したこの適正度Ｓを、配管ＰＧにおける現在の温度分布の適正具合を指標する適正度として推定する。また、上述した通り、ステップＳ７０５で用いられる第１モデルは、第２推定部２３３によりオンライン推定された適正度（ステップＳ６０６で推定された適正度）を学習データとして、各種パラメータとの関係性を学習したものである。

最後に、調整部１３４は、ステップＳ７０５での推定結果に基づいて、配管ＰＧにおける現在の温度分布がより適正な状態となるよう熱媒体の物理量を調整する（ステップＳ７０６）。ここで行われる調整処理の一例説明については図３の例と同様であるため省略する。

［比較結果について］
熱画像で示される温度分布について、オペレータにより判断された適正度と、これまで説明してきた第１モデルを用いて調整装置１００（調整装置２００）により推定された適正度Ｓとが比較された。図８に、このときの比較結果を示す。図８は、オペレータ判断に基づき規定された適正度と、調整装置により推定された適正度とが比較された比較結果ＣＲを示す図である。

図８に示す「適正度Ｓ」は、対応する「水温Ｔ［℃］」（熱媒体の温度）と、対応する「流速Ｒ［ｍ／ｍｉｎ］」とによって生じた温度分布を示す熱画像を対象にオペレータ判断された適正度を示す。例えば、図８の例では、水温Ｔ＝２０．０［℃］および流速Ｒ＝３．４［ｍ／ｍｉｎ］の組に対して、適正度Ｓ＝６．０が対応付けられている。係る例は、水温Ｔ＝２０．０［℃］および流速Ｒ＝３．４［ｍ／ｍｉｎ］によって生じた温度分布を示す熱画像を用いて、オペレータがこの場合の温度分布の適正度Ｓは「６．０」であると判断した例を示す。

また、図８に示すＳ＝ｆ（Ｔ，Ｒ）は、対応する「水温Ｔ［℃］」（熱媒体の温度）と、対応する「流速Ｒ［ｍ／ｍｉｎ］」とを第１モデルに入力することで調整装置１００（調整装置２００）により推定された適正度を示す。例えば、図８の例では、水温Ｔ＝２０．０［℃］および流速Ｒ＝３．４［ｍ／ｍｉｎ］の組に対して、関数ｆ（Ｔ，Ｒ）＝６．１が対応付けられている。係る例は、調整装置１００（調整装置２００）が、水温Ｔ＝２０．０［℃］および流速Ｒ＝３．４［ｍ／ｍｉｎ］を第１モデルに入力することで、この場合の温度分布の適正度Ｓは「６．１」であると推定した例を示す。

なお、関数ｆで規定される第１モデル（Ｓ＝ｆ（Ｔ，Ｒ））は、例えば、「Ｑ＝－８．６２８９９＋０．３７９２６Ｔ＋ ０．３０７０２Ｒ」、「Ｓ＝６．０６１９０＋１．１５６８０Ｑ＋２９．１２８５７Ｑ^２－４１．１１１２５Ｑ^３」といった２個の多項式で構成され得る。

また、図８に示す比較結果ＣＲによれば、オペレータ判断の適正度（適正度Ｓ）と、調整装置１００（調整装置２００）により推定された適正度（Ｓ＝ｆ（Ｔ，Ｒ））との間に大きな差はなく、第１モデルを用いることで人物による判断に近い推定結果が得られることが示された。例えば、人物による判断結果を正解とするならば、調整装置１００（調整装置２００）は、第１モデルを用いることで正解に近い概ね妥当な推定結果を得ることが可能であることが示された。

［その他］
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。

以上、本願の実施形態をいくつかの図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。

また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、受付部は、受付手段や受付回路に読み替えることができる。

１００ 調整装置
１１０ａ 温度計側部
１１０ｂ ＰＩＤ制御演算部
１１０ｃ 流量制御バルブ
１２０ 撮像器
１３０ 流体温度取得部
１３１ 流体速度取得部
１３２ 第１学習部
１３３ 第１推定部
１３４ 調整部
２００ 調整装置
２３２ 第２学習部
２３３ 第２推定部
ＤＢ１ 第１学習データ記憶部
ＤＢ２ 第２学習データ記憶部
ＰＧ 配管

Claims (12)

1. 熱媒体と配管との間での熱交換で生じた温度分布の適正具合を指標する適正度と、当該熱媒体に関する所定のパラメータとの関係性に基づいて、前記配管における現在の温度分布の適正度を推定する第１推定部と、
   前記第１推定部による推定結果に基づいて、前記配管における現在の温度分布がより適正な状態となるよう熱媒体の物理量を調整する調整部と
   を有することを特徴とする調整装置。
2. 熱媒体と配管との間での熱交換で生じた温度分布の適正具合を指標する適正度と、熱媒体に関する所定のパラメータとの関係性を第１モデルに学習させる第１学習部をさらに有し、
   前記第１推定部は、前記関係性を学習した前記第１モデルに基づいて、前記配管の現在の温度分布の適正度を推定する
   ことを特徴とする請求項１に記載の調整装置。
3. 前記第１学習部は、前記熱交換で生じた温度分布の適正度と、当該温度分布に対応する熱媒体に関する所定のパラメータとの組を学習データとして用いることで、前記第１モデルの学習を行う
   ことを特徴とする請求項２に記載の調整装置。
4. 前記第１学習部は、前記温度分布の適正度として、当該温度分布を示す熱画像を用いて判断された適正度と、前記所定のパラメータとの組を学習データとして用いて前記第１モデルの学習を行う
   ことを特徴とする請求項３に記載の調整装置。
5. 前記熱交換で生じた温度分布を示す熱画像と、当該温度分布の適正具合を指標する適正度であって当該熱画像を用いて判断された適正度との関係性に基づいて、前記第１学習部が用いる学習データとなる適正度を推定する第２推定部をさらに有し、
   前記第１学習部は、前記第２推定部により推定された適正度と、前記熱媒体の状態を示す所定のパラメータとの関係性を学習させる
   ことを特徴とする請求項２または３に記載の調整装置。
6. 前記熱交換で生じた温度分布を示す熱画像と、当該温度分布の適正度であって当該熱画像を用いて判断された適正度との関係性を第２モデルに学習させる第２学習部をさらに有し、
   前記第２推定部は、前記関係性を学習した前記第２モデルに基づいて、前記学習データとなる適正度を推定する
   ことを特徴とする請求項５に記載の調整装置。
7. 前記第２学習部は、前記配管における現在の温度分布を示す熱画像が入力された場合に、当該温度分布の適正度を出力するように、前記第２モデルの学習を行う
   ことを特徴とする請求項６に記載の調整装置。
8. 前記第１学習部は、前記第２推定部により推定された適正度と、前記熱交換で生じた温度分布に対応する熱媒体に関する所定のパラメータとの組を学習データとして用いることで、前記第１モデルの学習を行う
   ことを特徴とする請求項７に記載の調整装置。
9. 前記第１学習部は、前記配管を備える温度制御系が稼働しているリアルタイムにおいて前記第２推定部により適正度が推定されることに応じて、推定された適正度を学習データとして用いてリアルタイムで前記第１モデルの学習を繰り返し、
   前記第１推定部は、前記第１学習部による繰り返し学習で更新された最新の第１モデルを用いて、前記配管における現在の温度分布の適正度を推定する
   ことを特徴とする請求項５～８のいずれか１つに記載の調整装置。
10. 前記熱媒体の状態を示す所定のパラメータには、少なくとも前記熱媒体の温度および熱媒体の流速が含まれ、
    前記第１学習部は、前記配管における現在の熱媒体の温度および熱媒体の流速が入力された場合に、当該温度および当該流速に応じて現在生じている温度分布の適正度を出力するように前記第１モデルの学習を行う
    ことを特徴とする請求項２～９のいずれか１つに記載の調整装置。
11. 前記調整部は、前記第１モデルを用いた適正度の推定において入力変数として用いられたパラメータを仮想的に変化させた場合の適正度に基づいて、前記配管における現在の温度分布をより適正な状態とするには、前記熱媒体の物理量をどのように調整すべきか判定する
    ことを特徴とする請求項２～１０のいずれか１つに記載の調整装置。
12. 調整装置が実行する調整方法であって、
    熱媒体と配管との間での熱交換で生じた温度分布の適正具合を指標する適正度と、当該熱媒体に関する所定のパラメータとの関係性に基づいて、前記配管における現在の温度分布の適正度を推定する第１推定工程と、
    前記第１推定工程による推定結果に基づいて、前記配管における現在の温度分布がより適正な状態となるよう熱媒体の物理量を調整する調整工程と
    を含むことを特徴とする調整方法。

Images