JP7601031B2

JP7601031B2 - 品質予測モデルの生成装置、品質予測装置、品質予測モデルの生成方法および品質予測方法

Info

Publication number: JP7601031B2
Application number: JP2022034031A
Authority: JP
Inventors: 宏征高木
Original assignee: JFE Steel Corp
Current assignee: JFE Steel Corp
Priority date: 2022-03-07
Filing date: 2022-03-07
Publication date: 2024-12-17
Anticipated expiration: 2042-03-07
Also published as: JP2023129780A

Description

本発明は、品質予測モデルの生成装置、品質予測装置、品質予測モデルの生成方法および品質予測方法に関する。

特許文献１には、鉄鋼製品の品質を予測する方法として、鋳片の過去の製造実績データと品質実績データとから学習されたニューラルネットワークモデルを用いて、当該鋳片の欠陥の有無を予測する方法が開示されている。

特開２０２０－１５７３３３号公報

しかしながら、特許文献１の方法では、ニューラルネットワークの入力構造に依らずに特徴判別層が形成される。そのため、複数の製造実績データに潜在する可能性のある、特徴的な関係性を強調するような入力構造的な工夫を加えることができない。また、特許文献１の方法では、モデルの精度向上が、ニューラルネットワークのハイパーパラメータの調整のみに依存しているため、十分な予測精度に至らない可能性があった。

本発明は、上記に鑑みてなされたものであって、製品の品質を高精度に予測可能な、品質予測モデルの生成装置、品質予測装置、品質予測モデルの生成方法および品質予測方法を提供することを目的とする。

上述した課題を解決し、目的を達成するために、本発明に係る品質予測モデルの生成装置は、製品を製造する際の操業条件と、製造された前記製品の品質とを紐付けた実績データをデータベースに保存する実績データ保存手段と、前記操業条件を入力データとして、前記製品の所定領域ごとに前記品質を予測する品質予測モデルであって、前記所定領域内で複数回取得した前記入力データの構造を特徴パターンとして学習する品質予測モデルを、前記実績データを利用して構築する品質予測モデル構築手段と、評価用データを用いて、前記品質予測モデルの予測精度を評価する予測精度評価手段と、前記予測精度評価手段で得た前記予測精度の評価結果に基づき、前記所定領域の範囲を変化させることにより、前記品質予測モデルの予測精度の最適化を図る予測精度最適化手段と、を備える。

また、本発明に係る品質予測モデルの生成装置は、上記発明において、前記実績データ保存手段が、前記製品の所定領域ごとに、前記操業条件と前記製品の品質とを紐付けた実績データを作成し、前記製品の品質が前記製品の所定領域ごとに評価され、かつ前記製品が複数の製造工程を経て製造される場合には、前記製品の所定領域ごとに、前記製造工程ごとの操業条件と前記製品の品質とを紐付けた実績データを作成する。

また、本発明に係る品質予測モデルの生成装置は、上記発明において、前記予測精度最適化手段が変化させる前記所定領域の範囲は、前記操業条件を複数回取得する回数、または前記所定領域の大きさである。

また、本発明に係る品質予測モデルの生成装置は、上記発明において、前記品質予測モデルが、前記入力データの特徴量抽出を行う機能を有するニューラルネットワークである。

上述した課題を解決し、目的を達成するために、本発明に係る品質予測装置は、上記の品質予測モデルの生成装置によって生成された品質予測モデルに基づいて、製造された製品の品質を予測する品質予測手段を備える。

上述した課題を解決し、目的を達成するために、本発明に係る品質予測モデルの生成方法は、コンピュータによって構築された装置によって実行される品質予測モデルの生成方法であって、前記コンピュータが備える品質予測モデル構築手段が、製品を製造する際の操業条件と、製造された前記製品の品質とを紐付けた実績データを用いて、前記操業条件を入力データとして、前記製品の所定領域ごとに前記品質を予測する品質予測モデルであって、前記所定領域内で複数回取得した前記入力データの構造を特徴パターンとして学習する品質予測モデルを、前記実績データを利用して構築する品質予測モデル構築ステップと、前記コンピュータが備える予測精度評価手段が、評価用データを用いて、前記品質予測モデルの予測精度を評価する予測精度評価ステップと、前記コンピュータが備える予測精度最適化手段が、前記予測精度評価ステップで得た前記予測精度の評価結果に基づき、前記所定領域の範囲を変化させることにより、前記品質予測モデルの予測精度の最適化を図る予測精度最適化ステップと、を含む。

上述した課題を解決し、目的を達成するために、本発明に係る品質予測方法は、コンピュータによって構築された装置によって実行される品質予測方法であって、上記の品質予測モデルの生成方法によって生成された品質予測モデルに基づいて、製造された製品の品質を予測する品質予測ステップを含む。

本発明に係る品質予測モデルの生成装置、品質予測装置、品質予測モデルの生成方法および品質予測方法では、製品の所定領域内で複数回取得した入力データの構造を特徴パターンとして学習する品質予測モデルを構築する際に、所定領域の範囲を変化させて予測精度の最適化を図る。これにより、製品の品質を高精度に予測可能な品質予測モデルを生成することができるとともに、当該品質予測モデルを用いて製品の品質を高精度に予測することができる。

図１は、本発明の実施形態に係る品質予測モデルの生成装置および品質予測装置を実現する情報処理装置の概略的な構成を示す図である。図２は、本発明の実施形態に係る品質予測モデルの生成装置および品質予測装置において、操業条件データと品質データとを紐付けて作成した実績データを示す図である。図３は、本発明の実施形態に係る品質予測モデルの生成装置および品質予測装置において、入力データにおける所定領域の範囲を探索する手順を説明するための図である。図４は、本発明の実施形態に係る品質予測モデルの生成装置が実行する品質予測モデルの生成方法の手順を示すフローチャートである。

本発明の実施形態に係る品質予測モデルの生成装置（以下、「モデル生成装置」という）、品質予測装置、品質予測モデルの生成方法（以下、「モデル生成方法」という）および品質予測方法について、図面を参照しながら説明する。なお、下記実施形態における構成要素には、当業者が置換可能かつ容易なもの、あるいは実質的に同一のものが含まれる。

（実施形態）
本発明の実施形態に係るモデル生成装置、品質予測装置、モデル生成方法および品質予測方法について、図１～図４を参照しながら説明する。

〔装置構成〕
図１は、本実施形態に係る品質予測装置を実現するための情報処理装置１の構成の一例を示している。情報処理装置１は、入力部１０と、記憶部２０と、演算部３０と、表示部４０と、を備えている。なお、本実施形態に係るモデル生成装置は、情報処理装置１の構成要素のうち、演算部３０の品質予測部３３を除いた構成要素によって実現される。

入力部１０は、演算部３０に対する入力手段であり、例えばキーボード、マウスポインタ、テンキー等の入力装置によって実現される。

記憶部２０は、ＥＰＲＯＭ（Erasable Programmable ROM）、ハードディスクドライブ（Hard Disk Drive：ＨＤＤ）およびリムーバブルメディア等の記録媒体から構成される。リムーバブルメディアとしては、例えばＵＳＢ（Universal Serial Bus）メモリ、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、ＢＤ（Blu-ray（登録商標） Disc）のようなディスク記録媒体が挙げられる。記憶部２０には、オペレーティングシステム（Operating System：ＯＳ）、各種プログラム、各種テーブル、各種データベース等が格納可能である。記憶部２０には、操業ＤＢ（データベース）２１が保存されている。

操業ＤＢ２１には、過去に製造された製品の実績データが検索可能に格納されている。ここで、本実施形態における「製品」としては、複数の工程を経て製造される鉄鋼製品等が挙げられる。例えば鉄鋼製品の場合、前記した「複数の工程」としては、例えば製銑工程、製鋼工程、熱延工程、冷延工程、焼鈍工程および表面処理工程の、いずれか一つ以上の工程が含まれる。

また、「実績データ」には、例えば過去に製品を製造した際の複数の工程における操業条件（以下、「操業条件データ」という）と、最終工程後に検査された製品の品質（以下、「品質データ」という）とが含まれる。また、操業条件データには、例えば各工程における製造条件データ、センサデータ等が含まれる。

例えば鉄鋼製品の場合、操業条件データとしては、製鋼工程における製品厚、製品幅、製品長、鋼中成分、鋳造速度等のデータ、熱延工程における製品厚、製品幅、製品長、製品温度、圧延速度等のデータ、冷延工程における製品厚、製品幅、製品長、圧延速度等のデータ、表面処理工程における製品厚、製品幅、製品長、表面処理炉中温度、表面処理速度等のデータ、が挙げられる。また、品質データとしては、表面処理工程終了時における表面欠陥検査結果のデータ等が挙げられる。

演算部３０は、例えばＣＰＵ（Central Processing Unit）等からなるプロセッサと、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）等からなるメモリ（主記憶部）と、によって実現される。

演算部３０は、プログラムを主記憶部の作業領域にロードして実行し、プログラムの実行を通じて各構成部等を制御することにより、所定の目的に合致した機能を実現する。演算部３０は、前記したプログラムの実行を通じて、データ紐付部３１、モデル構築部３２および品質予測部３３として機能する。なお、図１では、各部の機能を一台のコンピュータによって実現する場合の例を示しているが、各部の機能の具体的な実現方法は特に限定されず、例えば各部の機能を複数台のコンピュータによって実現してもよい。

データ紐付部３１は、操業条件データと品質データとの紐付けを行う。まず、データ紐付部３１は、例えば多工程における製造の過程において、複数の計測装置によって計測された操業条件データと、最終工程後に実際に検査された製品の品質データとを、それぞれ操業ＤＢ２１から収集する。

ここで、ある製品の製造時の操業条件データＸは、例えば下記式（１）に示すような要素を有している。

但し、上記式（１）の「ｘ_ｍｎ」は、製品の特定方向（例えば製品の長さ方向）の特定位置（領域）に対する製造条件情報として、予め定めた単位長さ（例えば１ｍ）ごとに一番目からＭ番目まで区切ったうちのｍ番目（１≦ｍ≦Ｍ）の値を示している。また、「ｘ_ｍｎ」は、製品を製造するための複数の工程を通して存在する多数の製造設備または製造装置の設定値または出力値のＮ種類の集合を、一番目からＮ番目まで並べたうちのｎ番目（１≦ｎ≦Ｎ）の値を示している。あるいは、「ｘ_ｍｎ」は、操業状態を計測することにより得られる計測値等のＮ種類の集合を、一番目からＮ番目まで並べたうちのｎ番目（１≦ｎ≦Ｎ）の値を示している。

また、ある製品の品質データＹは、例えば以下のような要素を有している。

Ｙ＝［ｙ］

但し、上記の「ｙ」は、一番目の工程からＫ番目の工程までのＫ個の工程を経て製品を製造する際に、Ｋ個の工程のうちの工程Ｋ、すなわち最終工程後における製品の品質検査判定結果を示している。なお、製品の品質は、複数の異なる品質評価であってもよい。すなわち、品質カテゴリごとにｙ_ｉとして複数の出力を考慮することもできる。また、最終製品の品質データは、例えば予め定めた所定長（例えば１００ｍ）ごとに取得される。

データ紐付部３１は、後記する品質予測モデルを作成する際に入力する入力データを作成する。この入力データは、最終工程後の最終製品の特定方向の特定位置ごとに、各工程における一以上の操業条件データと、最終工程後に検査された最終製品の品質データとが紐付けられた実績データ（二次元データ）であり、例えば図２に示すような複数の二次元行列によって構成される。

図２に例示した二次元データは、二次元行列からなるデータＤ１，Ｄ２，Ｄ３，・・・，ＤＬから構成されている。データＤ１，Ｄ２，Ｄ３，・・・，ＤＬの列方向には、品質データＹと、各工程の操業条件データが並んでいる。また、データＤ１，Ｄ２，Ｄ３，・・・，ＤＬの行方向には、製品の特定方向の特定位置（特定領域）に関するデータが並んでいる。

前記した「製品の特定方向の特定位置に関するデータ」とは、例えば最終製品を特定方向（例えば長さ方向）に分割した際のどの位置であるかを表す番号、座標等が挙げられる。図２に例示したような二次元データが、後記する品質予測モデルを構築する際の入力データとなる。また、データ紐付部３１は、このように作成した実績データ（二次元データ）を、例えば操業ＤＢ２１に保存する。このように、データ紐付部３１は、製品を製造する際の操業条件データと、製造された製品の品質データとを紐付けた実績データを操業ＤＢ２１に保存する実績データ保存手段として機能する。

なお、図２に示したデータＤ１，Ｄ２，Ｄ３，・・・，ＤＬは、同じ製品（例えばコイル）に関するデータでもよく、異なる製品に関するデータでもよい。データＤ１，Ｄ２，Ｄ３，・・・，ＤＬが同じ製品に関するデータである場合、データＤ１は、例えば前記した製品の位置「１～１００」までの各工程の操業条件データが行方向に並んだデータとなる。また、データＤ２は、前記した製品の位置「１０１～２００」までの各工程の操業条件データが行方向に並んだデータとなる。そして、データＤ３は、前記した製品の位置「２０１～３００」までの各工程の操業条件データが行方向に並んだデータとなる。

データ紐付部３１が二次元データの作成の際に用いる、最終工程後の最終製品の長さ方向の操業条件データは、例えば予め定めた毎に単位長さごとに収集され、上記式（１）のＭは所定長に設定される。これにより、「Ｍ×単位長さ」ごとに二次元データが作成される。例えば「単位長さ」が１ｍに設定され、「所定長」が１００ｍに設定される場合、「Ｍ＝１００」となり、最終製品の長さ方向１００ｍごと、言い換えるとデータ行１００個ごとに、行列方式で二次元データが作成される。またこの場合、例えば図２のＡに相当する長さは１ｍとなり、Ｂに相当する長さは１００ｍとなる。

前記「単位長さ」内の値は、観測データの平均値を基本として扱う。また、項目全体のうちの一部に、最大値を取る項目もしくは最小値を取る項目を含めてもよい。前記「単位長さ」の特徴として、最終工程で製造される鋼板の単位長さは、品質予測モデルを構築するために必要な品質データの長さ方向のデータ収集周期に応じた最小単位の限界がある。また、「単位長さ」は、途中工程で得られる長さ方向の操業条件データの、最終工程の単位長さに対応したデータ収集周期よりも、長い単位であることが好ましく、予測の対象のデータ収集周期に応じて個別に設定される。

また、前記「Ｍ×単位長さ」は、コイル内位置を可能な限り詳細に特定するにあたっては、小さな値であることが好ましい。一方で、高い品質予測性能を実現するには、操業条件データの変動の特徴が表れる最低限の長さが必要である。従って、「Ｍ×単位長さ」は、位置特定の要求と入力データの特徴に応じた適切な値があり、予測の対象や目的に応じて個別に設定される。

このように、データ紐付部３１は、所定長（例えば１００ｍ）ごとの品質に対して、最終製品の長さ方向の予め定めた単位長さ（例えば１ｍ）ごとに、各工程における操業条件データと品質データとを紐づけて、二次元データを作成する。

すなわち、データ紐付部３１は、製品の品質が当該製品の特定位置ごとに評価される場合には、製品の特定位置ごとに、操業条件データと品質データとを紐付けた実績データを作成する。また、データ紐付部３１は、製品の品質が当該製品の特定位置ごとに評価され、かつ製品が複数の製造工程を経て製造される場合には、製品の特定位置ごとに、製造工程ごとの操業条件データと品質データとを紐付けた実績データを作成する。

モデル構築部３２は、データ紐付部３１が作成した実績データを利用して、任意の操業条件に対する製品の品質を予測する品質予測モデル（数理モデル）を構築する。この品質予測モデルは、操業条件データを入力データとして、製品の所定領域ごとに当該製品の品質を予測するモデルであり、所定領域内で複数回取得した入力データの構造を特徴パターンとして学習するモデルである。また、品質予測モデルは、具体的には、入力部分、特徴判別部分、予測判定部分および出力部分により構成される。

入力部分では、前記した図２に示すように、製品の特定方向（例えば製品の長さ方向）の位置座標を行方向、各操業条件を列方向とする二次元行列の構造を有する入力データ（二次元データ）が入力される。

特徴判別部分では、入力データの二次元的特徴のパターンを捉えて特徴判別するように、モデルの学習が実施される。これにより、特定の二次元的パターンに対して反応して情報を伝達する特徴判別層が形成される。この特徴判別層は複数層分形成され、ある層から次の層へと順次情報を伝達する。また、情報を渡す入力部分に接続された層から、情報を受ける予測判定部分に接続された層に向かって情報を伝達する。

予測判定部分では、品質に影響を及ぼす複数の操業条件の複雑なパターンをもとに、二次元データの入力に対して、品質判定予測結果を出力する。

本実施形態では、具体的には、入力データの特徴量抽出を行う機能を有する深層学習アルゴリズムの一種である畳み込みニューラルネットワーク（Convolutional Neural Network（以下、「ＣＮＮ」という））を利用して品質予測モデルを構築する。このＣＮＮは、人間の脳の神経回路網と呼ばれる神経細胞（ニューロン）からなるネットワーク構造とその学習機構を模した機械学習アルゴリズムである。また、ＣＮＮは、入力層、畳み込み層、プーリング層、全結合層および出力層から構成される。

入力層では入力データが入力される。畳み込み層では、入力データの一部の領域ごとにカーネルと呼ばれるフィルタを掛けることにより、データの畳み込みを行い、特徴抽出を行って特徴マップ（「要素」ともいう）を構成する。フィルタの数は複数であってもよく、その場合は構成される特徴マップの数も複数になる。また、ＣＮＮの学習では、フィルタのパラメータが自動的に学習される。

プーリング層では、畳み込みによって得られた各々の特徴マップのサイズを縮約する。畳み込み層およびプーリング層は、交互にそれぞれ同数の複数層で構成してもよい。全結合層では、特徴マップの組み合わせから、特定の予測結果に分類するための識別を行う。例えば鉄鋼製品の場合、前記した「特定の予測結果」としては、表面欠陥等の品質不良の有無が挙げられる。

ＣＮＮを適用することにより、入力データに対する特徴的なパターンを抽出し、そのパターンによって高精度に識別される分類を出力データとして得ることができる。本実施形態では、品質に影響を及ぼす複数の操業条件の複雑なパターンを、各操業条件の二次元入力に対して品質不良発生の有無の分類確率を出力とするＣＮＮ（二次元ＣＮＮ）によって識別を行う。この場合、品質不良発生の分類確率が、任意の値ｐ（０≦ｐ≦１）未満の場合は「品質不良なし」と分類し、当該分類確率が任意の値ｐ以上の場合は「品質不良あり」と分類するように、分類確率の閾値を設定する。

モデル構築部３２は、製品を製造する際の複数の工程における操業条件を入力データとし、製造された製品の品質カテゴリごとの欠陥発生確率スコアを出力データとして、ＣＮＮの学習を行う。なお、「品質カテゴリごとの欠陥発生確率スコア」とは、例えば「欠陥Ａの発生確率が７０％」、「欠陥Ｂの発生確率が３０％」等のように、複数種類の欠陥の有無に関する分類確率のことを示している。

データ紐付部３１で作成されたデータ、すなわち品質予測モデルを構築する際に入力される二次元行列のデータには、潜在的な情報として、製品の特定方向に対する操業条件の変動情報と、入力データのデータ構造上において近傍にある操業条件間の関係性に関する情報とが含まれていると見做すことができる。従って、入力データを二次元化し、製品の特定方向に対する操業情報の情報量を増加させることにより、品質の良否に関係する操業変動のパターンを捉えやすくなる。

ここで、複数の操業条件列、すなわち入力データ（二次元データ）に対する操業条件の変動情報が、製品の品質の良否に対して関係性を持つ場合を考える。この場合、入力される「所定領域（所定長）」に応じて、特定の二次元パターンに対して反応して情報を伝達する特徴判別層による、操業条件の変動情報のパターン判別性能が変化し得る。すなわち、本実施形態においては、「所定領域」はデータ行Ｍ個に相当し、Ｍの値の増減により前記パターン判別性能が変化し得る。

そこで、モデル構築部３２は、評価用データを用いて、品質予測モデルの予測精度を評価する。そして、その際に得た予測精度の評価結果に基づき、所定領域の範囲を変化させることにより、品質予測モデルの予測精度の最適化を図る。ここで、上記の「所定領域の範囲」とは、具体的には操業条件を複数回取得する回数、または所定領域の大きさである。また、所定領域の範囲に含まれる個々のデータの長さ（例えば図２のＡに相当する長さ）は、適宜変更可能である。

モデル構築部３２は、例えば図３に示すように、入力データにおける所定領域の範囲の変更を行い、予測精度が最も良くなるような所定領域の範囲を探索する。なお、同図では、説明の便宜上、図２の列方向（横方向）に並べていた各工程の操業条件データを、行方向（縦方向）に並べて示している。また、同図では、説明の便宜上、操業条件データを示す記号の一部を、図２とは異なる記号で示している。

例えばモデル構築部３２は、探索１回目では「操業条件データｘ_{１１～１Ｎ}」の一列分の入力データを用いてＣＮＮの学習を行い、予測精度の評価を行う（図３の（ａ）参照）。また、モデル構築部３２は、探索２回目では「操業条件データｘ_{１１～１Ｎ}，ｘ_{２１～２Ｎ}」の二列分の入力データ（二次元データ）を用いてＣＮＮの学習を行い、予測精度の評価を行う（同図の（ｂ）参照）。そして、モデル構築部３２は、探索ｉ回目では「操業条件データｘ_{１１～１Ｎ}，ｘ_{２１～２Ｎ}，…，ｘ_{ｉ１～ｉＮ}」のｉ列分の入力データ（二次元データ）を用いてＣＮＮの学習を行い、予測精度の評価を行う（同図の（ｃ）参照）。

また、例えば図３の（ａ）では、データＤ１（紙面手前側）に加えて、データＤ２を含む複数のデータ（紙面奥側）についても、一列分の入力データを用いて学習を行う。また、同図の（ｂ）では、データＤ１（紙面手前側）に加えて、データＤ２を含む複数のデータ（紙面奥側）についても、二列分の入力データを用いて学習を行う。また、同図の（ｃ）では、データＤ１（紙面手前側）に加えて、データＤ２を含む複数のデータ（紙面奥側）についても、ｉ列分の入力データを用いて学習を行う。すなわち、モデル構築部３２は、入力データの所定領域の範囲を変更する際に、当該入力データを構成する二次元データの各データについても、同様の変更を実施する。

このように、モデル構築部３２は、入力データにおける所定領域の範囲を変更しながら、各所定領域の範囲について予測精度の評価を行う。また、モデル構築部３２は、所定領域の範囲を変更する際に、図２に示した実績データの列方向のデータ、すなわち列単位（工程単位）で操業条件データの変更を実施する。

本実施形態では、入力に対する分類を予測結果として出力するモデルを扱う。そのため、モデル構築部３２における予測精度の評価の指標として、具体的には「Accuracy」を用いる。すなわち、モデル構築部３２は、下記式（２）に示す評価式の値が最も大きくなるような入力データにおける所定領域の範囲を探索する。

但し、上記式（２）において、ＴＰ（True Positive）は、品質予測モデルが「Positive」と予測して正解が「Positive」である予測結果の総数である。また、ＴＮ（True Negative）は、品質予測モデルが「Negative」と予測して正解が「Negative」である予測結果の総数である。また、ＦＰ（False Positive）は、品質予測モデルが「Positive」と予測したが正解が「Negative」である予測結果の総数である。また、ＦＮ（False Negative）は、品質予測モデルが「Negative」と予測したが正解が「Positive」である予測結果の総数である。

これら最適化問題の解法としては、例えばメタヒューリスティクス、遺伝的アルゴリズム、数理計画法等が知られており、それらを用いてよい。

また、入力データにおける所定領域の範囲の変更のたびに実施する上記指標の評価には、ホールドアウト検証と呼ばれる方法や、交差検証（クロスバリデーション）と呼ばれる方法を用いることができる。

ホールドアウト検証では、学習に用いる実績データを、品質予測モデルを学習させるための学習データと、品質予測モデルを評価するための評価データとに分割する。そして、評価データに対する結果に基づいて指標を算出する。また、交差検証では、学習に用いる実績データをＫ個の群に分割し、ｋ回目（１≦ｋ≦Ｋ）にはｋ番目の群を評価データとし、それ以外の群全体を学習データとして学習および評価を繰り返し実行する。そして、各回で算出した指標の平均を取って最終的な指標を算出する。

また、ここで得られた入力データにおける操業条件列の並び順は最適解である必要はなく、計算時間に条件を設け、その時間内で得られた最も優れた解を用いてもよい。または、予め設定した計算時間内に得られた解を全て保存しておき、最後に全て出力してもよい。なお，上記の探索においては、Ｍの取り得る値の範囲に制約を設けてもよい。例えば、少なくとも製品のａ（ｍ）ごとより細かい長さ単位で品質を予測することを目的とする場合には、予めＭ≦ａという制約の下で探索することができる。

このように、モデル構築部３２は、品質予測モデルを構築する手段として機能するとともに、品質予測モデルの予測精度の評価を行う予測精度評価手段と、予測精度の評価に基づき、品質予測モデルの予測精度の最適化を図る予測精度最適化手段としても機能する。

品質予測部３３は、モデル構築部３２で構築された品質予測モデルに対して、品質を予測したい製品の、特定方向の特定位置ごとの複数の操業条件列からなる二次元構造の入力データを入力することにより、品質予測結果を出力させる。「品質予測結果の出力」とは、具体的には対象製品の欠陥発生確率スコアを算出することを示している。

そして、品質予測部３３は、品質予測結果である欠陥発生確率スコアを、表示部４０に表示させる。この場合、品質予測部３３は、対象製品に関する情報を閲覧できる表示部４０に、品質不良なしの予測結果の場合には○印を表示させ、品質不良ありの予測結果の場合には×印を表示させてもよく、あるいは品質不良ありの予測結果の場合にのみ「対象製品は品質不良発生が予測される」等といった文言を表示させてもよい。

〔モデル生成方法〕
実施形態に係るモデル生成装置によるモデル生成方法について、図４を参照しながら説明する。品質予測方法には、データ収集ステップ（ステップＳ１１）と、データ紐付けステップ（ステップＳ１２）と、モデル構築ステップ（ステップＳ１３）とが含まれる。

データ収集ステップでは、データ紐付部３１が、複数の工程における操業条件データおよび品質データを、操業ＤＢ２１から収集する（ステップＳ１１）。続いて、データ紐付ステップでは、データ紐付部３１が、操業条件データと品質データとを二次元データとして紐付けることにより、実績データを作成する（ステップＳ１２）。続いて、モデル構築ステップでは、モデル構築部３２が、製品を製造する際の複数の工程における操業条件を入力データとし、製造された製品の品質カテゴリごとの欠陥発生確率スコアを出力データとする品質予測モデルを構築する（ステップＳ１３）。

モデル構築ステップでは、品質予測モデルを構築する際に、予測精度評価ステップと、予測精度最適化ステップとを実施する。予測精度評価ステップでは、モデル構築部３２が、評価用データを用いて、品質予測モデルの予測精度を評価する。また、予測精度最適化ステップでは、モデル構築部３２が、予測精度評価ステップで得た予測精度の評価結果に基づき、所定領域の範囲を変化させることにより、品質予測モデルの予測精度の最適化を図る。

〔品質予測方法〕
実施形態に係る品質予測装置による品質予測方法では、品質予測部３３が、上記のモデル生成方法で生成された品質予測モデルに基づいて、製造された製品の品質を予測する品質予測ステップを実施する。なお、この品質予測ステップの後に、品質予測部３３が、品質予測結果を表示部４０に表示させる予測結果表示ステップを実施してもよい。

以上説明した実施形態に係る品質予測モデルの生成装置、品質予測装置、品質予測モデルの生成方法および品質予測方法では、製品の所定領域内で複数回取得した入力データの構造を特徴パターンとして学習する品質予測モデルを構築する際に、所定領域の範囲を変化させて予測精度の最適化を図る。すなわち、品質予測モデルを構築する際に、入力データの一単位当たりに用いる製品の所定領域の範囲を最適化する。これにより、製品の品質を高精度に予測可能な品質予測モデルを生成することができるとともに、当該品質予測モデルを用いて製品の品質を高精度に予測することができる。

以上、本発明に係る品質予測モデルの生成装置、品質予測装置、品質予測モデルの生成方法および品質予測方法について、発明を実施するための形態および実施例により具体的に説明したが、本発明の趣旨はこれらの記載に限定されるものではなく、特許請求の範囲の記載に基づいて広く解釈されなければならない。また、これらの記載に基づいて種々変更、改変等したものも本発明の趣旨に含まれることはいうまでもない。

１情報処理装置
１０入力部
２０記憶部
２１操業ＤＢ
３０演算部
３１データ紐付部
３２モデル構築部
３３品質予測部
４０表示部

Claims

製品を製造する際の操業条件と、製造された前記製品の品質とを紐付けた実績データをデータベースに保存する実績データ保存手段と、
前記操業条件を入力データとして、前記製品の所定領域ごとに前記品質を予測する品質予測モデルであって、前記所定領域内で複数回取得した前記入力データの構造を特徴パターンとして学習する品質予測モデルを、前記実績データを利用して構築する品質予測モデル構築手段と、
評価用データを用いて、前記品質予測モデルの予測精度を評価する予測精度評価手段と、
前記予測精度評価手段で得た前記予測精度の評価結果に基づき、前記所定領域の範囲を変化させることにより、前記品質予測モデルの予測精度の最適化を図る予測精度最適化手段と、
を備え、
前記実績データ保存手段は、
前記製品の所定領域ごとに、前記操業条件と前記製品の品質とを紐付けた実績データを作成し、
前記製品の品質が前記製品の所定領域ごとに評価され、かつ前記製品が複数の製造工程を経て製造される場合には、前記製品の所定領域ごとに、前記製造工程ごとの操業条件と前記製品の品質とを紐付けた実績データを作成する、
品質予測モデルの生成装置。
前記予測精度最適化手段が変化させる前記所定領域の範囲は、前記操業条件を複数回取得する回数、または前記所定領域の大きさである、
請求項１に記載の品質予測モデルの生成装置。
前記品質予測モデルは、前記入力データの特徴量抽出を行う機能を有するニューラルネットワークである、
請求項１または請求項２に記載の品質予測モデルの生成装置。
請求項１から請求項３のいずれか一項に記載の品質予測モデルの生成装置によって生成された品質予測モデルに基づいて、製造された製品の品質を予測する品質予測手段を備える品質予測装置。
コンピュータによって構築された装置によって実行される品質予測モデルの生成方法であって、
前記コンピュータが備える品質予測モデル構築手段が、製品を製造する際の操業条件と、製造された前記製品の品質とを紐付けた実績データを用いて、前記操業条件を入力データとして、前記製品の所定領域ごとに前記品質を予測する品質予測モデルであって、前記所定領域内で複数回取得した前記入力データの構造を特徴パターンとして学習する品質予測モデルを、前記実績データを利用して構築する品質予測モデル構築ステップと、
前記コンピュータが備える予測精度評価手段が、評価用データを用いて、前記品質予測モデルの予測精度を評価する予測精度評価ステップと、
前記コンピュータが備える予測精度最適化手段が、前記予測精度評価ステップで得た前記予測精度の評価結果に基づき、前記所定領域の範囲を変化させることにより、前記品質予測モデルの予測精度の最適化を図る予測精度最適化ステップと、
を含み、
前記実績データは、
前記製品の所定領域ごとに、前記操業条件と前記製品の品質とを紐付けて作成され、
前記製品の品質が前記製品の所定領域ごとに評価され、かつ前記製品が複数の製造工程を経て製造される場合には、前記製品の所定領域ごとに、前記製造工程ごとの操業条件と前記製品の品質とを紐付けて作成される、
品質予測モデルの生成方法。
コンピュータによって構築された装置によって実行される品質予測方法であって、
請求項５に記載の品質予測モデルの生成方法によって生成された品質予測モデルに基づいて、製造された製品の品質を予測する品質予測ステップを含む品質予測方法。