WO2018147104A1 - 設計支援装置 - Google Patents
設計支援装置 Download PDFInfo
- Publication number
- WO2018147104A1 WO2018147104A1 PCT/JP2018/002637 JP2018002637W WO2018147104A1 WO 2018147104 A1 WO2018147104 A1 WO 2018147104A1 JP 2018002637 W JP2018002637 W JP 2018002637W WO 2018147104 A1 WO2018147104 A1 WO 2018147104A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- design
- input
- analysis
- design plan
- machine learning
- Prior art date
Links
- 238000013461 design Methods 0.000 title claims abstract description 167
- 238000004458 analytical method Methods 0.000 claims abstract description 91
- 238000004364 calculation method Methods 0.000 claims abstract description 37
- 238000010801 machine learning Methods 0.000 claims abstract description 32
- 238000005070 sampling Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims description 52
- 238000012800 visualization Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 11
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 239000002436 steel type Substances 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/17—Mechanical parametric or variational design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Feedback Control In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
1組の入力パラメータに対して複数組の出力パラメータを出力する設計支援装置を提供するために、入力パラメータに基づきサンプリング点を設計空間内に発生させ、サンプリング点に対応する条件で計算を実行し、計算結果を出力パラメータとして取得する解析制御手段と、入力パラメータと出力パラメータの関係を機械学習する手段と、機械学習により学習された情報を用いて、要求仕様に対応する設計案を算出する設計案生成手段と、設計空間を可視化し、可視化された設計空間内に計算結果及び設計案生成手段により算出された設計案を表示する可視化手段と、可視化された設計空間において、設計案生成手段により算出された設計案の近傍の領域を指定する手段と、設計案生成手段により算出された設計案の近傍の領域に含まれる計算結果を、要求仕様を満たす設計案として出力する手段と、を有する。
Description
本発明は、設計支援装置に関する。
設計支援技術では、シミュレーション技術を用いたり、応答曲面モデルを用いたりして機械構造物の構成や効率などの性能を算出する。このような技術では、入力パラメータに対して一つの出力パラメータが対応する。入力パラメータが機械構造物の運転条件、出力パラメータが機器の構成や性能である場合を例に取ると、入力した運転条件に対して、一つの構成、一つの性能が出力される。しかし、機械構造物の構成を変更することにより、同じ運転条件を満たす機械構造物が存在する。すなわち、入力パラメータに対して、入力パラメータを満たす複数の出力パラメータが存在する場合がある。
例えば、特許文献1には、設定された設計パラメータに対してL行直交表を作成し、L組の設計パラメータ群それぞれについて、各部の寸法の公差を足して多数回の仮想試作を実行し、この仮想試作で得たL組の評価指標の平均値と分散量を処理し応答曲面化して応答曲面モデルを作成し、さらに評価指標毎の設計パラメータの要因効果図を作成し、この要因効果図を吟味し、評価指標に対して感度を持つ設計パラメータの任意の組み合わせを作成し、これを応答曲面モデルに当てはめることで設計目標値を達成し得る全設計パラメータを任意に組み合わせた多数の設計解を作成し、さらに、設計解群から指定された評価指標の制限値を達成する最尤設計解候補群を抽出するフィルタリングを行って最尤設計解群を選定し、ユーザに提示する装置が開示されている。
また、機械構造物の性能を算出する装置において、過去のデータに基づいて複数の機械構造物の性能を算出する方法がある。特許文献2には、鋼材設計支援システムのサーバ装置は、クライアント装置から与えられた要求仕様と一部が一致する要求仕様を含む過去事例を過去事例データベースから検索し、検索した過去事例において適用された鋼種と同一グループに属する鋼種を検索し、検索した鋼種が要求仕様を満足するか否かを判定する。当該判定結果はサーバ装置からクライアント装置へ送信され、クライアント装置が判定結果を表示する装置が開示されている。
特許文献1に開示されている装置は、多数の設計パラメータ(入力パラメータ)から出力パラメータを生成し、検索機能を用いて複数の出力パラメータを得ている。しかし、この方法では、1組の入力パラメータに対して、多数の設計パラメータを生成すること十分に考慮されていない。
特許文献2には、過去のデータに基づいて複数の出力パラメータを出力するために、過去のデータを検索して求める方法が開示されている。このとき検索キーワードなど、どのように検索すればよいかノウハウを要するという課題がある。また、過去のデータは一般的に数が少ないため十分な結果を得られないという課題がある。
そこで、本発明は、1組の入力パラメータに対して複数組の出力パラメータを出力する設計支援装置を提供することを目的とする。
上記課題を解決するために、本発明に係る設計支援装置は、入力パラメータに基づきサンプリング点を設計空間内に発生させ、サンプリング点に対応する条件で計算を実行し、計算結果を出力パラメータとして取得する解析制御手段と、入力パラメータと出力パラメータの関係について機械学習する機械学習手段と、機械学習手段により学習された情報を用いて、要求仕様に対応する設計案を算出する設計案生成手段と、設計空間を可視化し、可視化された設計空間内に計算結果及び設計案生成手段により算出された設計案を表示する可視化手段と、可視化された設計空間において、設計案生成手段により算出された設計案の近傍の領域を指定する手段と、設計案生成手段により算出された設計案の近傍の領域に含まれる計算結果を、要求仕様を満たす設計案として出力する手段と、を有することを特徴とする。
本発明によれば、1組の入力パラメータに対して複数組の出力パラメータを出力する設計支援装置を提供することができる。
以下、実施例を、図面を用いて説明する。
図1は、実施例1に係る設計支援装置の構成図である。設計支援装置は、解析プロセス定義部101、解析条件入力/表示部102、解析モデル作成・解析制御部103、機械学習部104、設計案生成部105、要求仕様入力部106、設計空間可視化部107、設計領域入力部108、設計案表示部109、データベース110、計算機111を備える。
解析プロセス定義部101では、解析プロセス入力画面を表示し、操作者が、解析モデル名、解析プログラムが内蔵された解析ノードをドラッグアンドドロップすることにより解析プロセスを入力し、入力された解析プロセス情報を表示し、入力された情報をデータベース110に格納する。
解析条件入力/表示部102では、解析条件画面を表示し、解析に必要な入力条件を表示し、入力条件に沿った入力パラメータ取得する。操作者が、解析プロセス定義部101で入力された解析モデルに対して、解析に必要な入力条件を解析条件画面に入力し、入力された情報をデータベース110に格納する。
解析モデル作成・解析制御部103では、入力パラメータに基づきサンプリング点を設計空間内に発生させ、サンプリング点に対応する条件で計算を実行し、計算結果を出力パラメータとして取得する。解析プロセス定義部101、解析条件入力/表示部102で入力された情報を取得し、その情報を基に解析プロセスに従った解析モデルを作成する。また、設計空間内にサンプリング点を発生させ、サンプリング点に対応する条件で計算を、サンプリング点数分実行する。計算が終了したら計算条件情報、計算結果をデータベース110に格納する。
機械学習部104では、入力パラメータと前記出力パラメータの関係について機械学習する。データベース110から全ての情報を取得し、サンプリング点の計算条件情報を入力パラメータ、計算結果を出力パラメータとして、入力パラメータと出力パラメータの関係についてニューラルネットワークによる方法で機械学習し、学習した結果情報をデータベース110に入力する。実施例1ではニューラルネットワークによる方法で機械学習するが、機械学習の方法はニューラルネットワークによる方法に限定されない。
設計案生成部105では、学習された情報を用いて、要求仕様に対応する設計案を算出する。要求仕様入力部106に入力された要求仕様に基づいて、機械学習104で学習した情報を用いてニューラルネットワークにより設計案を生成する。実施例1ではニューラルネットワークにより設計案を生成するが、設計案の生成方法はニューラルネットワークによる方法に限定されない。
要求仕様入力部106は、要求仕様入力画面を表示し、入力された要求仕様を取得する。
設計空間可視化部107では、可視化された設計空間内に解析モデル作成・解析制御部による計算結果及び設計案生成部により算出された設計案を表示する。例えば、データベース110から全ての情報を取得し、設計空間可視化画面により、解析モデル作成・解析制御部103で計算した情報を、相関関係を表す散布図と主成分分析した図を表示し、設計案生成105で生成した設計案も表示する。
設計領域入力部108では、可視化された設計空間において、前記設計案生成手段により算出された設計案の近傍の領域を指定する。例えば、設計空間可視化部107により表示した設計空間可視化画面において、ユーザインターフェースを介して設計案生成部105によって得られた設計案の近傍の領域を指定する。
設計案表示部109では、設計空間可視化部107により表示した設計空間可視化画面において、設計領域入力部108より入力された設計案近傍の領域に含まれるデータを取得し、設計案表示画面に表示する。
データベース110では、解析モデル入力/表示部101、解析条件入力/表示部102、解析モデル作成・解析制御部103、機械学習部104、設計案生成部105、要求仕様入力部106、設計空間可視化部107、設計領域入力部108、設計案表示部109で得られたデータを蓄積する。
計算機111では、解析プロセス定義部101、解析条件入力/表示部102、解析モデル作成・解析制御部103、機械学習部104、設計案生成部105、要求仕様入力部106、設計空間可視化部107、設計領域入力部108、設計案表示部109、データベース110の制御およびデータの授受の制御を行う。
このように構成される実施形態の処理手続きについて、図2~4は、図1に示す設計支援装置における処理手順を示すフローチャートである。実施例1の手順は、大きく二つのフェーズに分けられる。フェーズ1は、解析プロセスの入力と、解析のための条件を入力し、条件に対応した解析を実行し、解析結果を用いて機械学習するフェーズである。フェーズ2は、これから設計する機械構造物の要求仕様の入力と、入力された要求仕様に基づく設計案を生成し、設計空間を可視化して複数の設計案を表示するフェーズである。
機械構造物の遠心圧縮機を例に取り、一つの要求仕様(一組の入力パラメータ)に対して複数の設計案を求める方法を説明する。遠心圧縮機は、羽根車を回転させることで気体を吸い込み、遠心方向に気体を除々に減速させることにより圧縮する機械である。遠心圧縮機は、通常羽根車を一つでなく複数個設けて気体を圧縮する。
図2及び図3にフェーズ1の処理手順を示す。
S100では解析プロセス定義部101により解析プロセスの入力処理を行う。
S101では、解析プロセス定義部101より解析プロセスの入力画面を表示する。図5に解析プロセスの入力画面の一例を示す。操作者は、これから解析する解析プロセスを入力する。ここでは、解析モデルとして遠心圧縮機が入力されている。入力画面の左側部分には解析ノードと呼ばれるプログラムが内蔵されたブロックが表示されている。「条件取得」を例に取ると、本ブロックには解析のための条件を取得するプログラムが内蔵されている。ここでは、そのブロックを解析ノードと呼ぶ。また解析ノードは、内蔵したプログラムの実行が可能となっている。「型式選定」には、入力パラメータに対応する羽根車の段数、羽根車の外径、羽根車の回転数といった遠心圧縮機を特徴付けるパラメータを算出するプログラムが内蔵されている。「性能計算」には、ヘッドや効率などの遠心圧縮機の性能を予測するプログラムが内蔵されている。「結果登録」には、計算結果をデータベース110に登録するプログラムが内蔵されている。操作者は、解析ノードに表示された解析ノードをドラッグし、右側の画面にドロップすることで、解析手順を定義する。ここでは、「条件取得」、「型式選定」、「性能計算」、「結果登録」という順番で解析ノードが入力されている。
S102では、S101で入力した「条件取得」、「型式選定」、「性能計算」、「結果登録」という順で解析プロセス情報を取得する。
S103では、S102で得られた情報をデータベース110に格納する。
S200では、解析条件入力/表示部102により解析条件の入力処理を行う。
S201では、解析プロセス定義部101で入力した情報を、データベース110から取得する。
S202では、解析条件入力/表示部102により解析条件の入力画面を表示する。図6に解析条件の入力画面の一例を示す。操作者は、解析のための解析条件を入力する。ここでは解析モデル名に、遠心圧縮機が入力されている。解析条件として、吸入圧力0.1MPaが入力されている。また、圧力比、吸入温度、流量、分子量に関しては、上限値と下限値が入力され、圧力比の下限値1.1、上限値4.0、吸入温度の下限値40℃、上限値60℃、流量の下限値2000m3/h、上限値50000m3/h、分子量の下限値10、上限値25がそれぞれ入力されている。この条件が、遠心圧縮機の計算に必要な条件となる。また、サンプルリング点数10000が入力されている。
S203では、S202で入力した解析条件を取得する。
S204では、S203で得られた情報をデータベース110に格納する。
S300では解析モデル作成・解析制御部103により、パラメータサーベイを実施する。
S301では、S100、S200で入力されたすべての情報を、データベース110から取得する。
S302では、設計空間内にサンプリング点を発生させる。ここでは、S202で入力されたパラメータの設計空間内にサンプリング点を発生される。すなわち、圧力比の下限値1.1、上限値4.0、吸入温度の下限値40℃、上限値60℃、流量の下限値2000m3/h、上限値50000m3/h、分子量の下限値10、上限値25とする設計空間内に、サンプリング点を10000点発生させる。サンプリング点の発生方法は幾つか存在するが、ここではLHS(Latin Hypercube Sampling)法を用いてサンプリング点を発生する。
S303では、S302で発生したサンプリング点の中の一つを選択し、選択したサンプリング点に対応する条件で、S102で入力した解析プロセスに従って計算を実行する。ここでは、「条件取得」、「型式選定」、「性能計算」、「結果登録」の順に計算を実行する。
S304では全てのサンプリング点で計算を実行したかどうかを判断する。実行していない場合は、S303に戻ってまだ実行していないサンプリング点一つを選択し、選択したサンプリング点に対応する条件で、S102で入力した解析プロセスに従って計算を実行する。全てのサンプリング点を実行した場合はS305に進む。ここではS202で入力されたサンプリング点数に応じた件数の計算を行う。本実施例では10000件の計算を行う。
S305では、S302、S303で生成したサンプリング点などの計算条件情報、計算結果を取得する。
S306では、S305で取得した情報をデータベース110に格納する。
S400では、機械学習部104により機械学習を行う。
S401では、S100、S200、S300で入力されたすべての情報を、データベース110から取得する。
S402では、機械学習部104により、サンプリング点の計算条件情報を入力パラメータ、計算結果を出力パラメータとして、入力パラメータと出力パラメータの関係について機械学習する。表1に本実施例における入力パラメータと出力パラメータを示す。
実施例1では、サンプル点10000点の情報を用いて機械学習する。機械学習の方法は幾つか存在するが、ここではニューラルネットワックを用いる。ニューラルネットワークは、多数の神経細胞からなる脳の特性を計算機上のシミュレーションで表現することを目的とした数学モデルである。ニューラルネットワークは、人口ニューロンの各層をXiと置くと、下記のような漸化式で与えられる。
Xi+1 = f(AiXi + Bi) 式(1)
ここでAi、Biはそれぞれ重みパラメータ、バイアスパラメータである。fは活性化関数である。機械学習を通じて重みパラメータ、バイアスパラメータを決定する。なお3層の場合はX1が入力層、X2が中間層、X3が出力層となる。
ここでAi、Biはそれぞれ重みパラメータ、バイアスパラメータである。fは活性化関数である。機械学習を通じて重みパラメータ、バイアスパラメータを決定する。なお3層の場合はX1が入力層、X2が中間層、X3が出力層となる。
S403では、機械学習した結果をデータベースに記憶する。ここでは、重みパラメータ、バイアスパラメータが学習結果となる。
図4を用いてフェーズ2について説明する。
S500では、要求仕様入力部106により入力した要求仕様に基づいて、設計案生成部105により設計案を生成する。
S501では、S100、S200、S300で入力されたすべての情報を、データベース110から取得する。
S502では、要求仕様入力部106により入力画面を表示する。図7に入力画面の一例を示す。操作者は、これから設計する遠心圧縮機の要求仕様を入力する。なお要求仕様は、表1の入力パラメータとなる。解析モデル名は遠心圧縮機と入力されている。ここでは、圧力比2.5、吸入温度55℃、流量27000m3/h、分子量20が、要求仕様として入力されている。
S503では、S502で入力した要求仕様を入力パラメータとして、設計案生成部105により設計案を生成する。ここでは、機械学習部104により機械学習した情報に基づいて、式(1)で与えられるニューラルネットワークにより設計案を生成する。設計案とは、表1で示した出力パラメータである。
S600では、設計空間可視化部107により設計空間を可視化し、設計領域入力部108により設計空間の指定した領域を入力し、設計案表示部109により設計案生成部105で得られた設計案と共に複数の設計案を表示する。
S601では、設計空間可視化部107により設計空間を表示する。図8に設計空間の表示画面の一例を示す。表示画面の上部には、フェーズ1のパラメータサーベイで得られたデータに対して、羽根車回転数、羽根車外径、ヘッド、軸効力に関する相関関係を表す散布図が表示されている。散布図は、対角線の「羽根車外径」を例に取ると、「羽根車外径」の行の縦軸が羽根車外径を意味し、列の横軸が羽根車外径を意味する。すなわち、二行三列に位置する散布図は、縦軸が羽根車外径、横軸がヘッドとなる。図の性質から、対角線で対称の図となる。なお、入出力パラメータを自由に選択することで、別のパラメータの散布図の表示ができる。また、表示画面の下部は、フェーズ1のパラメータサーベイで得られたデータに対して主成分分析を行ったときの散布図である。図中の×が、設計案生成部105によって得られた設計案である。このように操作者は、設計空間の全体の中で、設計案の位置関係を把握するこができる。
S602では、設計領域入力部108より、ユーザインターフェースを介して設計案生成部105によって得られた設計案の近傍の領域をユーザ(作業者)により指定する。設計案の近傍の領域は、広く取れば多くの設計案が、狭く取れば少ない設計案が選択されることになる。図8の点線で示すとおり、×近傍の領域が選択されている。×近傍は、要求仕様に対応した設計案が集まっている領域である。このため、×近傍の領域を指定することで、複数の設計案を抽出することができる。
S603では、設計案表示部109により、設計領域入力部108より入力された設計案×近傍の領域に含まれるデータを取得し、設計案表示画面に表示する。図9に設計案表示画面の一例を示す。設計案生成部105で得られた一つの設計案に加えて、設計領域入力部108より入力された設計案×近傍の破線領域に含まれるデータを表示することで、複数の設計案を得ることができる。
以上のように、設計空間を可視化することで、設計空間全体に対して入出力パラメータの位置関係を操作者に表示でき、操作者が入出力パラメータの近傍範囲を指定することで、複数の出力パラメータを得ることができる。
実施例1では、機械学習の手法にニューラルネットワークを用いたが、クリギング法などの他の手法を用いることは可能である。また、実施例1では、解析プロセスを構成する解析ノード解析を、同一の計算機で実施するものを説明したが、ネットワーク環境を利用することにより、異なる計算機において実施することも可能である。
101 解析プロセス定義部
102 解析条件入力/表示部
103 解析モデル作成・解析制御部
104 機械学習部
105 設計案生成部
106 要求仕様入力部
107 設計空間可視化部
108 設計領域入力部
109 設計案表示部
110 データベース
111 計算機
102 解析条件入力/表示部
103 解析モデル作成・解析制御部
104 機械学習部
105 設計案生成部
106 要求仕様入力部
107 設計空間可視化部
108 設計領域入力部
109 設計案表示部
110 データベース
111 計算機
Claims (4)
- 要求仕様を満たす設計案を出力する設計支援装置であって、
入力パラメータに基づきサンプリング点を設計空間内に発生させ、前記サンプリング点に対応する条件で計算を実行し、計算結果を出力パラメータとして取得する解析制御手段と、
前記入力パラメータと前記出力パラメータの関係について機械学習する機械学習手段と、
前記機械学習手段により学習された情報を用いて、前記要求仕様に対応する設計案を算出する設計案生成手段と、
前記設計空間を可視化し、可視化された設計空間内に前記計算結果及び前記設計案生成手段により算出された設計案を表示する可視化手段と、
前記可視化された設計空間において、前記設計案生成手段により算出された設計案の近傍の領域を指定する手段と、
前記設計案生成手段により算出された設計案の近傍の領域に含まれる前記計算結果を、前記要求仕様を満たす設計案として出力する手段と、
を有することを特徴とする設計支援装置。 - 請求項1に記載の設計支援装置であって、
解析プロセス入力画面を表示し、解析プログラムが内蔵された解析ノードを選択することにより解析プロセスを表示する手段と、
解析条件入力画面を表示し、解析に必要な入力条件を表示し、前記入力条件に沿った入力パラメータ取得する手段と、
をさらに有すること特徴とする設計支援装置。 - 請求項1又は2に記載の設計支援装置であって、
前記機械学習手段は、前記入力パラメータと前記出力パラメータの関係についてニューラルネットワークによる方法で機械学習し、
前記設計案生成手段は、前記機械学習手段により学習された情報を用いてニューラルネットワークにより前記要求仕様を満たす設計案を生成する
ことを特徴とする設計支援装置。 - 請求項1乃至3のいずれか一項に記載の設計支援装置あって、
可視化手段は、前記解析制御手段による計算結果を、前記入力パラメータ及び前記出力パラメータ中の任意のパラメータの相関関係を表す散布図と、主成分分析により得られる散布図として表示することを特徴とする設計支援装置。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018567366A JP6611401B2 (ja) | 2017-02-07 | 2018-01-29 | 設計支援装置 |
US16/479,765 US11238192B2 (en) | 2017-02-07 | 2018-01-29 | Support apparatus |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017019999 | 2017-02-07 | ||
JP2017-019999 | 2017-02-07 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2018147104A1 true WO2018147104A1 (ja) | 2018-08-16 |
Family
ID=63107445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/JP2018/002637 WO2018147104A1 (ja) | 2017-02-07 | 2018-01-29 | 設計支援装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11238192B2 (ja) |
JP (1) | JP6611401B2 (ja) |
WO (1) | WO2018147104A1 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020184159A (ja) * | 2019-05-07 | 2020-11-12 | 株式会社日立製作所 | 設計支援システム、設計支援方法および設計支援プログラム |
WO2023038054A1 (ja) * | 2021-09-09 | 2023-03-16 | 株式会社荏原製作所 | 機械学習装置、ポンプ性能予測装置、推論装置、ポンプ形状設計装置、機械学習方法、ポンプ性能予測方法、推論方法、ポンプ形状設計方法、機械学習プログラム、ポンプ性能予測プログラム、推論プログラム、及び、ポンプ形状設計プログラム |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7140567B2 (ja) * | 2018-06-28 | 2022-09-21 | 株式会社日立製作所 | 設計案生成装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0619876A (ja) * | 1992-07-03 | 1994-01-28 | Hitachi Plant Eng & Constr Co Ltd | 事例ベース推論を用いた気流シミュレータ |
WO2009044850A1 (ja) * | 2007-10-04 | 2009-04-09 | Ihi Corporation | 製品設計支援システム及び方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5151732B2 (ja) * | 2008-06-27 | 2013-02-27 | 富士通株式会社 | 特性が似ていて形状が異なる設計形状を分類・表示する装置、方法、及びプログラム |
US20110178789A1 (en) * | 2010-01-15 | 2011-07-21 | Imec | Response characterization of an electronic system under variability effects |
JP5439288B2 (ja) | 2010-06-17 | 2014-03-12 | 株式会社神戸製鋼所 | 鋼材設計支援システム、鋼材設計支援方法、及びコンピュータプログラム |
WO2012114471A1 (ja) * | 2011-02-23 | 2012-08-30 | 株式会社日立製作所 | 解析支援方法および解析支援装置 |
-
2018
- 2018-01-29 WO PCT/JP2018/002637 patent/WO2018147104A1/ja active Application Filing
- 2018-01-29 JP JP2018567366A patent/JP6611401B2/ja active Active
- 2018-01-29 US US16/479,765 patent/US11238192B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0619876A (ja) * | 1992-07-03 | 1994-01-28 | Hitachi Plant Eng & Constr Co Ltd | 事例ベース推論を用いた気流シミュレータ |
WO2009044850A1 (ja) * | 2007-10-04 | 2009-04-09 | Ihi Corporation | 製品設計支援システム及び方法 |
Non-Patent Citations (2)
Title |
---|
KATAOKA, ICHIRO ET AL.,: "Development of Machine Learning Technologies for Product Design Spaces", 12TH OPTIMIZATION SYMPOSIUM 2016, PAPER NO. 1211, 5 December 2016 (2016-12-05) * |
NONAKA, NORIHIKO ET AL.,: "Development of a Parameter Support Analysis System for Optimization Calculation", 12TH OPTIMIZATION SYMPOSIUM 2016, PAPER NO. 2207, 5 December 2016 (2016-12-05) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020184159A (ja) * | 2019-05-07 | 2020-11-12 | 株式会社日立製作所 | 設計支援システム、設計支援方法および設計支援プログラム |
JP7270454B2 (ja) | 2019-05-07 | 2023-05-10 | 株式会社日立製作所 | 設計支援システム、設計支援方法および設計支援プログラム |
WO2023038054A1 (ja) * | 2021-09-09 | 2023-03-16 | 株式会社荏原製作所 | 機械学習装置、ポンプ性能予測装置、推論装置、ポンプ形状設計装置、機械学習方法、ポンプ性能予測方法、推論方法、ポンプ形状設計方法、機械学習プログラム、ポンプ性能予測プログラム、推論プログラム、及び、ポンプ形状設計プログラム |
Also Published As
Publication number | Publication date |
---|---|
US11238192B2 (en) | 2022-02-01 |
JP6611401B2 (ja) | 2019-11-27 |
JPWO2018147104A1 (ja) | 2019-11-07 |
US20190362038A1 (en) | 2019-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7140567B2 (ja) | 設計案生成装置 | |
CN105528387B (zh) | 分割发现、评估和实施平台 | |
WO2018147104A1 (ja) | 設計支援装置 | |
JP2017537367A (ja) | 視覚化エッジに対するデータ要素の、意味的距離に基づいた割当て | |
JP6573321B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
Abdrabo et al. | Enhancing big data value using knowledge discovery techniques | |
JP5898584B2 (ja) | 六面体メッシュ生成装置 | |
Gao et al. | Multi-population enhanced slime mould algorithm and with application to postgraduate employment stability prediction | |
US20160321590A1 (en) | Systems and methods for commute analysis and modeling | |
CN113158030B (zh) | 异地兴趣点的推荐方法、装置、电子设备及存储介质 | |
Olshannikova et al. | Visualizing Big Data. | |
US20220129363A1 (en) | A cloud platform and method for efficient processing of pooled data | |
Barrera et al. | Test function generators for assessing the performance of PSO algorithms in multimodal optimization | |
TWI503800B (zh) | 建築模型影像顯示系統及其方法 | |
JP6691600B2 (ja) | 全体統合解析モデル支援装置 | |
Mazroob Semnani et al. | Towards an intelligent platform for big 3d geospatial data management | |
WO2020225959A1 (ja) | 設計支援システム、設計支援方法および設計支援プログラム | |
Golfarelli et al. | Goal-based selection of visual representations for big data analytics | |
JP6601888B1 (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
Drossis et al. | Towards Big Data Interactive Visualization in Ambient Intelligence Environments | |
JPWO2020085374A1 (ja) | 熟練指数提供装置、熟練指数提供方法、及びプログラム | |
Huynh et al. | Visual analytics of inherently noisy crowdsourced data on ultra high resolution displays | |
Kelly et al. | evoVersion: visualizing evolutionary histories | |
Mir et al. | Circles: Inter-Model Comparison of Multi-Classification Problems with High Number of Classes | |
WO2023058271A1 (ja) | 細胞画像解析システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 18751063 Country of ref document: EP Kind code of ref document: A1 |
|
ENP | Entry into the national phase |
Ref document number: 2018567366 Country of ref document: JP Kind code of ref document: A |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 18751063 Country of ref document: EP Kind code of ref document: A1 |