WO2023090080A1 - 製造条件設定支援装置、製造条件設定支援装置の作動方法、および製造条件設定支援装置の作動プログラム - Google Patents

Abstract

プロセッサを備え、プロセッサは、製造設備を用いて原材料から製品を作る際の製造条件、原材料の形状を表す原材料形状情報、および製造設備の稼働履歴を表す稼働履歴情報を取得し、製造条件、原材料形状情報、および稼働履歴情報に基づいて、製造設備の稼働中の状態を予測する第１予測を行い、製造条件、原材料形状情報、稼働履歴情報、および状態の予測結果に基づいて、製品の品質を予測する第２予測を行い、少なくとも製品の要求品質と品質の予測結果との差に応じた評価値を算出し、評価値を最小化する最適化問題を解くことで、要求品質を満たす製造条件である好適条件を導出する。

Description

製造条件設定支援装置、製造条件設定支援装置の作動方法、および製造条件設定支援装置の作動プログラム

　本開示の技術は、製造条件設定支援装置、製造条件設定支援装置の作動方法、および製造条件設定支援装置の作動プログラムに関する。

　製造設備を用いて原材料から製品を作る際の製造条件を元に製品の品質を予測するアルゴリズムを用いて、逆に要求品質を満たす製造条件（以下、好適条件という）を予測することが行われている。ただし、製造条件から直に製品の品質を予測すると、結果的に好適条件の予測精度が悪くなる。そこで、例えばＷＯ２０２１／００２１０８号には、好適条件の予測精度を高めるために、まずは製造条件から製造設備の稼働中の状態を予測し、次いで状態の予測結果から品質を予測する、という二段階の予測を行うことが記載されている。

　原材料に個体差がある場合は、原材料によって製造設備の稼働中の状態および製品の品質が変わってくる。また、例えば摩耗等、製造設備が経時的に変化する場合も、各時点によって製造設備の稼働中の状態および製品の品質が変わってくる。しかしながらＷＯ２０２１／００２１０８号においては、そうした点を加味することなく製造設備の稼働中の状態および製品の品質を予測している。このため、原材料に個体差がある場合、および製造設備が経時的に変化する場合は、ＷＯ２０２１／００２１０８号に記載の方法では好適条件を高い精度で予測することができないおそれがあった。

　本開示の技術に係る１つの実施形態は、原材料に個体差がある場合、および製造設備が経時的に変化する場合に、要求品質を満たす製品の製造条件である好適条件を高い精度で予測することが可能な製造条件設定支援装置、製造条件設定支援装置の作動方法、および製造条件設定支援装置の作動プログラムを提供する。

　本開示の製造条件設定支援装置は、プロセッサを備え、プロセッサは、製造設備を用いて原材料から製品を作る際の製造条件、原材料の形状を表す原材料形状情報、および製造設備の稼働履歴を表す稼働履歴情報を取得し、製造条件、原材料形状情報、および稼働履歴情報に基づいて、製造設備の稼働中の状態を予測する第１予測を行い、製造条件、原材料形状情報、稼働履歴情報、および状態の予測結果に基づいて、製品の品質を予測する第２予測を行い、少なくとも製品の要求品質と品質の予測結果との差に応じた評価値を算出し、評価値を最小化する最適化問題を解くことで、要求品質を満たす製造条件である好適条件を導出する。

　プロセッサは、製造条件、原材料形状情報、および稼働履歴情報が入力された場合に、状態の予測結果を出力する学習がなされた第１機械学習モデルを用いて第１予測を行い、製造条件、原材料形状情報、稼働履歴情報、および状態の予測結果が入力された場合に、品質の予測結果を出力する学習がなされた第２機械学習モデルを用いて第２予測を行うことが好ましい。

　プロセッサは、好適条件にて実際に製品を作った場合の原材料形状情報、稼働履歴情報、状態の実測値、および品質の実測値を教師データとして、第１機械学習モデルおよび第２機械学習モデルを追加学習することが好ましい。

　第１機械学習モデルおよび第２機械学習モデルは、ニューラルネットワークにより構築されていることが好ましい。

　プロセッサは、製造条件および稼働履歴情報は共通で、複数の原材料の複数の原材料形状情報について第１予測および第２予測を行って、複数の品質の予測結果を導出し、製品の要求品質と品質の予測結果との差に加えて、複数の品質の予測結果のばらつきにも応じて評価値を算出することが好ましい。

　プロセッサは、原材料の物性を表す原材料物性情報を取得し、製造条件、原材料形状情報、および稼働履歴情報に加えて、さらに原材料物性情報にも基づいて、第１予測および第２予測を行うことが好ましい。

　原材料はレンズ前駆品であり、製品はレンズであり、製造設備はレンズ前駆品に研磨を施す研磨機であることが好ましい。

　製造条件は、研磨機によるレンズ前駆品の研磨時間、レンズ前駆品を回転研磨する研磨皿の回転数、研磨皿に対するレンズ前駆品の押し付け位置の識別情報、研磨皿に対するレンズ前駆品の揺動幅、研磨皿に対するレンズ前駆品の揺動速度、研磨皿に対するレンズ前駆品の押し付け圧力、レンズ前駆品と研磨皿の間に流す研磨液の流量、研磨液の温度、および研磨機の設置環境の温度のうちの少なくとも１つを含み、原材料形状情報は、レンズ前駆品の中心部厚み、レンズ前駆品の外径、レンズ前駆品の曲率、およびレンズ前駆品の表面形状情報のうちの少なくとも１つを含み、稼働履歴情報は、研磨皿の識別情報、研磨皿の稼働回数、研磨液の識別情報、および研磨液の稼働回数のうちの少なくとも１つを含むことが好ましい。

　状態の予測結果は、レンズ前駆品を保持するホルダであって、レンズ前駆品を回転研磨する研磨皿の回転に従動して回転するホルダの回転数、ホルダを介してレンズ前駆品を研磨皿に押し付けるアームの振動量、および研磨皿を回転駆動するモータに掛かるトルクのうちの少なくとも１つを含み、品質の予測結果は、レンズの中心部厚み、レンズの曲率、およびレンズの表面形状情報のうちの少なくとも１つを含むことが好ましい。

　原材料物性情報は、レンズ前駆品の転移温度、レンズ前駆品の硬度、レンズ前駆品の熱膨張係数、レンズ前駆品の熱伝導率、レンズ前駆品の弾性率、レンズ前駆品の摩耗度、およびレンズ前駆品の耐酸性度のうちの少なくとも１つを含むことが好ましい。

　本開示の製造条件設定支援装置の作動方法は、製造設備を用いて原材料から製品を作る際の製造条件、原材料の形状を表す原材料形状情報、および製造設備の稼働履歴を表す稼働履歴情報を取得すること、製造条件、原材料形状情報、および稼働履歴情報に基づいて、製造設備の稼働中の状態を予測する第１予測を行うこと、製造条件、原材料形状情報、稼働履歴情報、および状態の予測結果に基づいて、製品の品質を予測する第２予測を行うこと、少なくとも製品の要求品質と品質の予測結果との差に応じた評価値を算出すること、並びに、評価値を最小化する最適化問題を解くことで、要求品質を満たす製造条件である好適条件を導出すること、を含む。

　本開示の製造条件設定支援装置の作動プログラムは、製造設備を用いて原材料から製品を作る際の製造条件、原材料の形状を表す原材料形状情報、および製造設備の稼働履歴を表す稼働履歴情報を取得すること、製造条件、原材料形状情報、および稼働履歴情報に基づいて、製造設備の稼働中の状態を予測する第１予測を行うこと、製造条件、原材料形状情報、稼働履歴情報、および状態の予測結果に基づいて、製品の品質を予測する第２予測を行うこと、少なくとも製品の要求品質と品質の予測結果との差に応じた評価値を算出すること、並びに、評価値を最小化する最適化問題を解くことで、要求品質を満たす製造条件である好適条件を導出すること、を含む処理をコンピュータに実行させる。

　本開示の技術によれば、原材料に個体差がある場合、および製造設備が経時的に変化する場合に、要求品質を満たす製品の製造条件である好適条件を高い精度で予測することが可能な製造条件設定支援装置、製造条件設定支援装置の作動方法、および製造条件設定支援装置の作動プログラムを提供することができる。

製造条件設定支援装置および精研磨機を示す図である。 精研磨機を示す図である。 精研磨機と製造条件および稼働履歴情報を示す図である。 レンズ前駆品と原材料形状情報および原材料物性情報を示す図である。 レンズと要求品質情報を示す図である。 製造条件設定支援装置を構成するコンピュータを示すブロック図である。 製造条件設定支援装置のＣＰＵの処理部を示すブロック図である。 第１予測部による第１機械学習モデルを用いた第１予測の概要、および状態予測結果を示す図である。 第２予測部による第２機械学習モデルを用いた第２予測の概要、および品質予測結果を示す図である。 第１機械学習モデルおよび第２機械学習モデルを構成するニューラルネットワークを示す図である。 第１機械学習モデルの第１教師データ、および第２機械学習モデルの第２教師データの元となるデータを示す表である。 研磨時間を通じたホルダ回転数実測値の平均値を状態実測値として登録することを示す図である。 第１機械学習モデルの学習フェーズにおける処理の概要を示す図である。 第２機械学習モデルの学習フェーズにおける処理の概要を示す図である。 算出部の処理の概要を示す図である。 満足値の設定によって好適条件が異なることを示す図である。 導出部の処理の概要を示す図である。 製造条件設定支援装置の処理手順を示すフローチャートである。 比較例としてのＷＯ２０２１／００２１０８号に記載の従来の手法の概要を示す図である。 本開示の技術に係る手法の概要を示す図である。 好適条件にて実際にレンズを作った場合の各種データを示す表である。 第１機械学習モデルの追加学習フェーズにおける処理の概要を示す図である。 第２機械学習モデルの追加学習フェーズにおける処理の概要を示す図である。 複数のレンズ前駆品の複数の原材料形状情報についての複数の品質予測結果のばらつきにも応じて評価値を算出する第３実施形態を示す図である。

　［第１実施形態］
　一例として図１に示すように、製造条件設定支援装置１０は、精研磨機１１に接続されている。製造条件設定支援装置１０は、例えばデスクトップ型のパーソナルコンピュータであり、ディスプレイ１２、およびキーボード、マウスといった入力デバイス１３を有する。ディスプレイ１２は各種画面を表示する。各種画面にはＧＵＩ(Ｇｒａｐｈｉｃａｌ　Ｕｓｅｒ　Ｉｎｔｅｒｆａｃｅ)による操作機能が備えられる。製造条件設定支援装置１０は、各種画面を通じて、入力デバイス１３からの操作指示の入力を受け付ける。入力デバイス１３は、精研磨機１１のオペレータにより操作される。なお、図１においては１台の精研磨機１１しか製造条件設定支援装置１０に接続されていないが、実際には複数台の精研磨機１１が製造条件設定支援装置１０に接続されている。

　精研磨機１１には、粗研磨後のレンズ前駆品１４が導入される。精研磨機１１は、レンズ前駆品１４に精研磨を施して、所望の球面を有するレンズ１５とする。図１においてはレンズ１５として凹レンズを例示しているが、これに限らない。精研磨機１１は、本開示の技術に係る「製造設備」および「研磨機」の一例である。レンズ前駆品１４は、本開示の技術に係る「原材料」の一例である。レンズ１５は、本開示の技術に係る「製品」の一例である。なお、レンズ前駆品１４とは、精研磨を施すことで製品のレンズ１５となるものである。レンズ前駆品１４は、レンズ１５から見た場合、研磨（精研磨）未了品とも表現することができる。

　レンズ前駆品１４の精研磨に先立って、製造条件設定支援装置１０には、製造条件１６、原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、および要求品質情報２０が入力される。製造条件１６は、精研磨機１１を用いてレンズ前駆品１４からレンズ１５を作る際の条件である。原材料形状情報１７は、レンズ前駆品１４の形状を表す情報である。原材料物性情報１８は、レンズ前駆品１４の物性を表す情報である。稼働履歴情報１９は、精研磨機１１の稼働履歴を表す情報である。要求品質情報２０は、オペレータが所望するレンズ１５の要求品質を表す情報である。これら製造条件１６、原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、および要求品質情報２０は、例えばオペレータが入力デバイス１３を操作することで入力される。なお、原材料形状情報１７は、レンズ前駆品１４の形状値を測定する測定装置から通信により製造条件設定支援装置１０に入力されてもよい。原材料物性情報１８は、レンズ前駆品１４の製造元が発行するカタログデータが引用される。原材料形状情報１７と同様に、原材料物性情報１８は、レンズ前駆品１４の物性値を測定する測定装置から通信により製造条件設定支援装置１０に入力されてもよい。また、稼働履歴情報１９は、精研磨機１１から通信により製造条件設定支援装置１０に入力されてもよい。

　製造条件設定支援装置１０は、製造条件１６、原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、および要求品質情報２０に基づいて、要求品質を満たす製造条件１６である好適条件１６Ｓを導出する。製造条件設定支援装置１０は、導出した好適条件１６Ｓを精研磨機１１に送信する。精研磨機１１は、好適条件１６Ｓにてレンズ前駆品１４に精研磨を施し、レンズ前駆品１４をレンズ１５とする。

　一例として図２および図３に示すように、精研磨機１１は、研磨皿２５、回転機構２６、ホルダ２７、アーム２８、昇降機構２９、揺動機構３０、ノズル３１、供給機構３２、およびコントローラ３３等を有する。研磨皿２５はレンズ前駆品１４を回転研磨する。研磨皿２５は、図３に示すように、鉛直方向ＶＤに対して角度θ傾いている。また、研磨皿２５は、図示省略した移動機構により、水平方向ＨＤの位置を変更可能である。研磨皿２５は、キノコ状（Ｍｕｓｈｒｏｏｍ－ｌｉｋｅ）をした皿本体３４と、皿本体３４の表面に取り付けられたパッド３５とで構成される。皿本体３４は例えばステンレス製であり、パッド３５は例えば硬質ウレタン製である。パッド３５はレンズ前駆品１４に接触し、レンズ前駆品１４を研磨する。レンズ前駆品１４の精研磨に先立って、パッド３５は、それまで使用されていた状態から専用の工具により研磨し直される。なお、パッド３５には溝が形成されていてもよい。

　回転機構２６はモータおよびギア等で構成され、研磨皿２５を回転駆動する。ホルダ２７はレンズ前駆品１４よりも一回り大きい円盤状をしており、内部の窪みにレンズ前駆品１４を嵌め込んで保持する。ホルダ２７は研磨皿２５の回転に従動して回転する。アーム２８は先端が尖った細長棒状をしている。アーム２８は、モータおよびギア等で構成される昇降機構２９によって昇降可能である。より詳しくは、アーム２８は、先端がホルダ２７の中心に接して、ホルダ２７を介してレンズ前駆品１４を研磨皿２５に押し付ける図示の押し付け位置と、先端がホルダ２７の中心から離隔する図示省略した離隔位置との間で昇降可能である。本例においては、押し付け位置は、中心部から偏心した研磨皿２５の端部である。また、アーム２８は、図３に破線で示すように、モータおよびギア等で構成される揺動機構３０によって水平方向ＨＤに揺動可能である。

　ノズル３１には供給機構３２が接続されている。供給機構３２は、研磨液３６を貯留するタンク（図示省略）に設置されたポンプおよび配管等で構成される。ノズル３１は、供給機構３２によりタンクから汲み上げられた研磨液３６を、研磨皿２５に向けて供給する。研磨液３６はレンズ前駆品１４と研磨皿２５（パッド３５）の間に流される。レンズ前駆品１４と研磨皿２５の間に流された研磨液３６は、タンクに回収されて再利用される。タンクにはヒータ（図示省略）が取り付けられており、研磨液３６はヒータにより設定温度に温められる。レンズ前駆品１４の精研磨に先立って、タンク内の研磨液３６は、それまで使用されていたものから新品に交換される。

　コントローラ３３は、回転機構２６、昇降機構２９、揺動機構３０、および供給機構３２等を含む精研磨機１１の全体の駆動を統括的に制御する。具体的には、コントローラ３３は、回転機構２６の駆動を制御することで、研磨皿２５の単位時間当たり（例えば１分間当たり）の回転数（研磨皿回転数と表記する）ＡＤＲＦを変化させる。コントローラ３３は、昇降機構２９の駆動を制御することで、ホルダ２７に対するアーム２８の押し付け圧力Ｐ、ひいては研磨皿２５に対するレンズ前駆品１４の押し付け圧力Ｐを変化させる。コントローラ３３は、揺動機構３０の駆動を制御することで、研磨皿２５に対するレンズ前駆品１４の押し付け位置を変化させる。また、コントローラ３３は、揺動機構３０の駆動を制御することで、研磨皿２５に対するレンズ前駆品１４の揺動幅Ｗ、および研磨皿２５に対するレンズ前駆品１４の揺動速度Ｖを変化させる。さらに、コントローラ３３は、供給機構３２およびヒータの駆動を制御することで、研磨液３６の流量ＦＲおよび研磨液３６の温度ＡＬＴを変化させる。

　製造条件１６は、精研磨機１１によるレンズ前駆品１４の研磨時間Ｔ、および研磨皿回転数ＡＤＲＦを含む。また、製造条件１６は、研磨皿２５の水平方向ＨＤにおける位置および研磨皿２５に対するレンズ前駆品１４の押し付け位置の識別情報（位置識別情報と表記する）ＳＰＩＤ（ＩＤはＩｄｅｎｔｉｆｉｃａｔｉｏｎ　Ｄａｔａの略）、揺動幅Ｗ、揺動速度Ｖ、および押し付け圧力Ｐを含む。さらに、製造条件１６は、流量ＦＲ、温度ＡＬＴ、および精研磨機１１の設置環境の温度（環境温度と表記する）ＥＴを含む。研磨皿２５の水平方向ＨＤにおける位置は、レンズ前駆品１４をレンズ１５に精研磨する間は不変である。研磨皿２５の水平方向ＨＤにおける位置の位置識別情報ＳＰＩＤは、例えば、研磨皿２５の水平方向ＨＤにおける位置が精研磨機１１の中心位置であった場合は「１」、研磨皿２５の水平方向ＨＤにおける位置が精研磨機１１の端の位置であった場合は「２」である。押し付け位置は、精研磨の前半は研磨皿２５の中心部、後半は研磨皿２５の端部等、レンズ前駆品１４をレンズ１５に精研磨する間で変化する。押し付け位置の位置識別情報ＳＰＩＤは、例えば、押し付け位置が研磨皿２５の中心部であった場合は「１」、押し付け位置が図示の研磨皿２５の端部であった場合は「２」である。研磨皿２５の水平方向ＨＤにおける位置は、研磨皿２５を水平方向ＨＤに移動させる移動機構に搭載されたセンサにより検出する。押し付け位置も同様に、揺動機構３０に搭載されたセンサにより検出する。

　稼働履歴情報１９は、研磨皿２５の識別情報（研磨皿識別情報と表記する）ＡＤＩＤ、研磨皿２５の稼働回数（研磨皿稼働回数と表記する）ＡＤＮＯ、研磨液３６の識別情報（研磨液識別情報と表記する）ＡＬＩＤ、および研磨液３６の稼働回数（研磨液稼働回数と表記する）ＡＬＮＯを含む。研磨皿識別情報ＡＤＩＤは、複数台の精研磨機１１の各々に取り付けられた研磨皿２５を一意に識別するための情報である。研磨液識別情報ＡＬＩＤも同様に、複数台の精研磨機１１の各々のタンクに貯留された研磨液３６を一意に識別するための情報である。研磨皿稼働回数ＡＤＮＯは、専用の工具によりパッド３５が研磨し直された場合を０回として計数した回数である。研磨液稼働回数ＡＬＮＯも同様に、研磨液３６が新品に交換された場合を０回として計数した回数である。

　一例として図４に示すように、原材料形状情報１７は、レンズ前駆品１４の中心部厚み（レンズ前駆品中心部厚みと表記する）ＰＴＨ、レンズ前駆品１４の外径（レンズ前駆品外径と表記する）ＰＯＤ、レンズ前駆品１４の曲率（レンズ前駆品曲率と表記する）ＰＣ、レンズ前駆品１４の表面形状情報（レンズ前駆品表面形状情報と表記する）ＰＷを含む。レンズ前駆品中心部厚みＰＴＨは、例えばレンズ前駆品１４の表面の中心ＯＡと裏面の中心ＯＢの間隔である。レンズ前駆品表面形状情報ＰＷは、レンズ前駆品１４の収差成分を表す情報である。

　また、原材料物性情報１８は、レンズ前駆品１４の転移温度ＰＴＴ、レンズ前駆品１４の硬度ＰＨ、レンズ前駆品１４の熱膨張係数ＰＣＴＥ、レンズ前駆品１４の熱伝導率ＰＴＣ、レンズ前駆品１４の弾性率ＰＥＭ、レンズ前駆品１４の摩耗度ＰＡＤ、およびレンズ前駆品１４の耐酸性度ＰＡＲを含む。硬度ＰＨは、例えばモース硬度等である。摩耗度ＰＡＤは、例えばＪＩＳ（Ｊａｐａｎｅｓｅ　Ｉｎｄｕｓｔｒｉａｌ　Ｓｔａｎｄａｒｄｓ）規格で規定された摩耗試験における限界摩耗回数等である。耐酸性度ＰＡＲは、例えば良、不良といったレベルを数値化したもの等である。摩耗度ＰＡＤおよび耐酸性度ＰＡＲは、レンズ前駆品１４がガラスの場合に原材料物性情報１８に含められる。

　一例として図５に示すように、要求品質情報２０は、要求品質のレンズ１５の中心部厚み（要求品質中心部厚みと表記する）ＬＴＨ＿ＴＧＴ、要求品質のレンズ１５の曲率（要求品質曲率と表記する）ＬＣ＿ＴＧＴ、および要求品質のレンズ１５の表面形状情報（要求品質表面形状情報と表記する）ＬＷ＿ＴＧＴを含む。要求品質中心部厚みＬＴＨ＿ＴＧＴは、例えばレンズ１５の表面の中心ＯＣと裏面の中心ＯＤの間隔である。要求品質表面形状情報ＬＷ＿ＴＧＴは、レンズ前駆品表面形状情報ＰＷと同様に、要求品質のレンズ１５の収差成分を表す情報である。

　一例として図６に示すように、製造条件設定支援装置１０を構成するコンピュータは、前述のディスプレイ１２および入力デバイス１３に加えて、ストレージ４０、メモリ４１、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）４２、および通信部４３を備えている。これらはバスライン４４を介して相互接続されている。なお、ＣＰＵ４２は、本開示の技術に係る「プロセッサ」の一例である。

　ストレージ４０は、製造条件設定支援装置１０を構成するコンピュータに内蔵、またはケーブル、ネットワークを通じて接続されたハードディスクドライブである。もしくはストレージ４０は、ハードディスクドライブを複数台連装したディスクアレイである。ストレージ４０には、オペレーティングシステム等の制御プログラム、各種アプリケーションプログラム、およびこれらのプログラムに付随する各種データ等が記憶されている。なお、ハードディスクドライブに代えてソリッドステートドライブを用いてもよい。

　メモリ４１は、ＣＰＵ４２が処理を実行するためのワークメモリである。ＣＰＵ４２は、ストレージ４０に記憶されたプログラムをメモリ４１へロードして、プログラムにしたがった処理を実行する。これによりＣＰＵ４２は、コンピュータの各部を統括的に制御する。なお、メモリ４１は、ＣＰＵ４２に内蔵されていてもよい。通信部４３は、精研磨機１１等の外部装置との各種情報の伝送制御を行う。

　一例として図７に示すように、製造条件設定支援装置１０のストレージ４０には、作動プログラム５０が記憶されている。作動プログラム５０は、コンピュータを製造条件設定支援装置１０として機能させるためのアプリケーションプログラムである。すなわち、作動プログラム５０は、本開示の技術に係る「製造条件設定支援装置の作動プログラム」の一例である。ストレージ４０には、第１機械学習モデル５１、第２機械学習モデル５２、算出アルゴリズム５３、および最適化アルゴリズム５４も記憶されている。

　作動プログラム５０が起動されると、製造条件設定支援装置１０を構成するコンピュータのＣＰＵ４２は、メモリ４１等と協働して、取得部６０、リードライト（以下、ＲＷ（Ｒｅａｄ　Ｗｒｉｔｅ）と略す）制御部６１、第１予測部６２、第２予測部６３、算出部６４、導出部６５、および送信部６６として機能する。

　取得部６０は、製造条件１６、原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、および要求品質情報２０を取得する。取得部６０は、製造条件１６、原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、および要求品質情報２０をＲＷ制御部６１に出力する。

　ＲＷ制御部６１は、ストレージ４０への各種データの記憶、およびストレージ４０内の各種データの読み出しを制御する。例えばＲＷ制御部６１は、取得部６０からの製造条件１６、原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、および要求品質情報２０をストレージ４０に記憶する。また、ＲＷ制御部６１は、製造条件１６、原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、および要求品質情報２０をストレージ４０から読み出し、製造条件１６、原材料形状情報１７、原材料物性情報１８、および稼働履歴情報１９を第１予測部６２と第２予測部６３に出力し、要求品質情報２０を算出部６４に出力する。

　ＲＷ制御部６１は、第１機械学習モデル５１をストレージ４０から読み出し、第１機械学習モデル５１を第１予測部６２に出力する。また、ＲＷ制御部６１は、第２機械学習モデル５２をストレージ４０から読み出し、第２機械学習モデル５２を第２予測部６３に出力する。

　ＲＷ制御部６１は、算出アルゴリズム５３をストレージ４０から読み出し、算出アルゴリズム５３を算出部６４に出力する。また、ＲＷ制御部６１は、最適化アルゴリズム５４をストレージ４０から読み出し、最適化アルゴリズム５４を導出部６５に出力する。

　第１予測部６２は、製造条件１６、原材料形状情報１７、原材料物性情報１８、および稼働履歴情報１９に基づいて、精研磨機１１の稼働中の状態を予測する第１予測を行う。第１予測部６２は、第１予測による状態の予測結果（状態予測結果と表記する）７０を第２予測部６３に出力する。なお、稼働中の状態とは、ここではレンズ前駆品１４を精研磨している最中の状態である。

　第２予測部６３は、製造条件１６、原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、および状態予測結果７０に基づいて、レンズ１５の品質を予測する第２予測を行う。第２予測部６３は、第２予測による品質の予測結果（品質予測結果と表記する）７１を算出部６４に出力する。

　算出部６４は、要求品質情報２０と品質予測結果７１との差に応じた評価値７２を算出する。算出部６４は、評価値７２を導出部６５に出力する。

　導出部６５は、評価値７２に基づいて好適条件１６Ｓを導出する。導出部６５は、好適条件１６Ｓを送信部６６に出力する。送信部６６は、好適条件１６Ｓを精研磨機１１に送信する。

　一例として図８に示すように、第１予測部６２は、製造条件１６、原材料形状情報１７、原材料物性情報１８、および稼働履歴情報１９を第１機械学習モデル５１に入力し、第１機械学習モデル５１から状態予測結果７０を出力させる処理を第１予測として行う。状態予測結果７０は、ホルダ２７の単位時間当たり（例えば１分間当たり）の従動回転数の予測結果（ホルダ回転数予測結果と表記する）ＨＬＲＦ＿ＰＤＴ、ホルダ２７の従動回転によりアーム２８に発生する振動の量、すなわちアーム２８の振動量の予測結果（振動量予測結果と表記する）ＶＡ＿ＰＤＴ、および回転機構２６のモータに掛かるトルクの予測結果（トルク予測結果と表記する）Ｎ＿ＰＤＴを含む。

　一例として図９に示すように、第２予測部６３は、製造条件１６、原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、および状態予測結果７０を第２機械学習モデル５２に入力し、第２機械学習モデル５２から品質予測結果７１を出力させる処理を第２予測として行う。品質予測結果７１は、レンズ１５の中心部厚みの予測結果（レンズ中心部厚み予測結果と表記する）ＬＴＨ＿ＰＤＴ、レンズ１５の曲率の予測結果（レンズ曲率予測結果と表記する）ＬＣ＿ＰＤＴ、およびレンズ１５の表面形状情報の予測結果（レンズ表面形状情報予測結果と表記する）ＬＷ＿ＰＤＴを含む。

　レンズ中心部厚み予測結果ＬＴＨ＿ＰＤＴは、要求品質中心部厚みＬＴＨ＿ＴＧＴと対応し、レンズ曲率予測結果ＬＣ＿ＰＤＴは、要求品質曲率ＬＣ＿ＴＧＴと対応する。また、レンズ表面形状情報予測結果ＬＷ＿ＰＤＴは、要求品質表面形状情報ＬＷ＿ＴＧＴと対応する。

　一例として図１０に示すように、第１機械学習モデル５１および第２機械学習モデル５２は、ニューラルネットワーク７５により構築されている。ニューラルネットワーク７５は、周知のように入力層７６、隠れ層（中間層ともいう）７７、および出力層７８を有する。これら入力層７６、隠れ層７７、および出力層７８は、それぞれ複数のノードＮＤをもつ。入力層７６のノードＮＤと隠れ層７７のノードＮＤとの間、および隠れ層７７のノードＮＤと出力層７８のノードＮＤとの間には、各ノードＮＤの結合の強さを示す重みが設定される。出力層７８のノードＮＤには、線形関数、ＲｅＬｕ（Ｒｅｃｔｉｆｉｅｄ　Ｌｉｎｅａｒ　Ｕｎｉｔ）関数といった適当な活性化関数が設定されている。なお、図１０においては隠れ層７７が１つの場合を例示しているが、これに限らない。

　第１機械学習モデル５１の入力層７６の各ノードＮＤには、製造条件１６、原材料形状情報１７、原材料物性情報１８、および稼働履歴情報１９の各項目（研磨時間Ｔ、揺動幅Ｗ、流量ＦＲ、環境温度ＥＴ、レンズ前駆品中心部厚みＰＴＨ、レンズ前駆品表面形状情報ＰＷ、転移温度ＰＴＴ、弾性率ＰＥＭ、研磨皿識別情報ＡＤＩＤ、研磨液稼働回数ＡＬＮＯ等）が入力される。また、第１機械学習モデル５１の出力層７８の各ノードＮＤからは、状態予測結果７０の各項目（ホルダ回転数予測結果ＨＬＲＦ＿ＰＤＴ等）が出力される。一方、第２機械学習モデル５２の入力層７６の各ノードＮＤには、製造条件１６、原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、および状態予測結果７０の各項目が入力される。また、第２機械学習モデル５２の出力層７８の各ノードＮＤからは、品質予測結果７１の各項目（レンズ中心部厚み予測結果ＬＴＨ＿ＰＤＴ、レンズ表面形状情報予測結果ＬＷ＿ＰＤＴ等）が出力される。なお、ニューラルネットワーク７５の実行フレームワークとしては、Ｔｅｎｓｏｒｆｌｏｗ（登録商標）、Ｋｅｒａｓ、ＭＡＴＬＡＢ（登録商標）等を用いることができる。

　一例として図１１の表８０に示すように、レンズ前駆品１４を精研磨機１１で実際に精研磨してレンズ１５を作ったときの製造条件１６、原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、状態実測値８１、および品質実測値８２の組が、管理ＩＤを付されて例えばストレージ４０に複数記憶される。これら製造条件１６、原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、状態実測値８１、および品質実測値８２の組は、第１機械学習モデル５１の第１教師データ８５（図１３参照）および第２機械学習モデル５２の第２教師データ８８（図１４参照）の元となる。なお、管理ＩＤ「Ｌ００００１」のａ１、ｂ１、ｃ１、ｄ１、ｅ１、およびｆ１は、製造条件１６、原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、状態実測値８１、および品質実測値８２の各項目の数値が登録されていることを示す。「・・・」で省略しているが、他の管理ＩＤの組にも各項目の数値が登録されている。

　状態実測値８１は、ホルダ回転数ＨＬＲＦを実際に回転センサで測定したホルダ回転数実測値ＨＬＲＦ＿ＭＶ、振動量ＶＡを実際に振動センサで測定した振動量実測値ＶＡ＿ＭＶ、およびトルクＮを実際にトルクセンサで測定したトルク実測値Ｎ＿ＭＶを含む。品質実測値８２は、レンズ中心部厚みＬＴＨを実際に物差しで測定したレンズ中心部厚み実測値ＬＴＨ＿ＭＶ、レンズ曲率ＬＣを実際に曲率センサで測定したレンズ曲率実測値ＬＣ＿ＭＶを含む。また、品質実測値８２は、レンズ表面形状情報ＬＷを実際に測定器で測定したレンズ表面形状情報実測値ＬＷ＿ＭＶを含む。

　一例として図１２に示すように、ホルダ回転数実測値ＨＬＲＦ＿ＭＶは、研磨時間Ｔで一貫して同じ値という訳ではなく、研磨時間Ｔによって変化する。このため、研磨時間Ｔを通じたホルダ回転数実測値ＨＬＲＦ＿ＭＶの平均値を算出し、算出した平均値を状態実測値８１として登録する。図示は省略したが、振動量実測値ＶＡ＿ＭＶおよびトルク実測値Ｎ＿ＭＶについても同様に、研磨時間Ｔを通じた平均値を状態実測値８１として登録する。なお、平均値に代えて、最大値、最頻値等を登録してもよい。また、研磨時間Ｔの前半と後半の２つの平均値、最大値、または最頻値等を登録してもよい。この場合、状態予測結果７０には、研磨時間Ｔの前半と後半の２つのホルダ回転数予測結果ＨＬＲＦ＿ＰＤＴ等が含まれることとなる。

　一例として図１３に示すように、第１機械学習モデル５１の学習フェーズにおいては、第１教師データ８５が与えられる。第１教師データ８５は、図１１で示した表８０に登録された製造条件１６、原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、および状態実測値８１の組である。第１教師データ８５のうちの製造条件１６、原材料形状情報１７、原材料物性情報１８、および稼働履歴情報１９が第１機械学習モデル５１に入力され、これにより第１機械学習モデル５１から学習用状態予測結果７０Ｌが出力される。

　学習用状態予測結果７０Ｌおよび状態実測値８１に基づいて、平均二乗誤差等の回帰損失関数を用いた第１機械学習モデル５１の損失演算がなされる。そして、損失演算の結果に応じて第１機械学習モデル５１の各種係数（ノードＮＤ間の重み）の更新設定がなされ、更新設定にしたがって第１機械学習モデル５１が更新される。

　第１機械学習モデル５１の学習フェーズにおいては、製造条件１６、原材料形状情報１７、原材料物性情報１８、および稼働履歴情報１９の第１機械学習モデル５１への入力、第１機械学習モデル５１からの学習用状態予測結果７０Ｌの出力、損失演算、更新設定、および第１機械学習モデル５１の更新の上記一連の処理が、第１教師データ８５が交換されつつ繰り返し行われる。上記一連の処理の繰り返しは、状態実測値８１に対する学習用状態予測結果７０Ｌの予測精度が、予め定められた設定レベルまで達した場合に終了される。こうして予測精度が設定レベルまで達した第１機械学習モデル５１が、ストレージ４０に記憶されて第１予測部６２で用いられる。なお、状態実測値８１に対する学習用状態予測結果７０Ｌの予測精度に関係なく、上記一連の処理を設定回数繰り返した場合に学習を終了してもよい。

　一例として図１４に示すように、第２機械学習モデル５２の学習フェーズにおいては、第２教師データ８８が与えられる。第２教師データ８８は、図１１で示した表８０に登録された製造条件１６、原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、および品質実測値８２と、学習用状態予測結果７０Ｌとの組である。第２教師データ８８のうちの製造条件１６、原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、および学習用状態予測結果７０Ｌが第２機械学習モデル５２に入力され、これにより第２機械学習モデル５２から学習用品質予測結果７１Ｌが出力される。

　学習用品質予測結果７１Ｌおよび品質実測値８２に基づいて、平均二乗誤差等の回帰損失関数を用いた第２機械学習モデル５２の損失演算がなされる。そして、損失演算の結果に応じて第２機械学習モデル５２の各種係数（ノードＮＤ間の重み）の更新設定がなされ、更新設定にしたがって第２機械学習モデル５２が更新される。

　第２機械学習モデル５２の学習フェーズにおいては、製造条件１６、原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、および学習用状態予測結果７０Ｌの第２機械学習モデル５２への入力、第２機械学習モデル５２からの学習用品質予測結果７１Ｌの出力、損失演算、更新設定、および第２機械学習モデル５２の更新の上記一連の処理が、第２教師データ８８が交換されつつ繰り返し行われる。上記一連の処理の繰り返しは、品質実測値８２に対する学習用品質予測結果７１Ｌの予測精度が、予め定められた設定レベルまで達した場合に終了される。こうして予測精度が設定レベルまで達した第２機械学習モデル５２が、ストレージ４０に記憶されて第２予測部６３で用いられる。なお、第１機械学習モデル５１の場合と同様に、品質実測値８２に対する学習用品質予測結果７１Ｌの予測精度に関係なく、上記一連の処理を設定回数繰り返した場合に学習を終了してもよい。

　一例として図１５に示すように、算出部６４は、算出アルゴリズム５３として満足化トレードオフ法を用いる。算出部６４は、下記式（１）～（３）に示すように、要求品質情報２０および品質予測結果７１の対応する各項目の差の絶対値を評価値Ｌ１、Ｌ２、およびＬ３とする。要求品質情報２０および品質予測結果７１の対応する各項目の差は、端的に言えば要求品質に対する品質予測結果７１のずれである。

　ΔＬＴＨ＝｜ＬＴＨ＿ＴＧＴ－ＬＴＨ＿ＰＤＴ｜＝Ｌ１　　　　　　・・・（１）
　ΔＬＣ＝｜ＬＣ＿ＴＧＴ－ＬＣ＿ＰＤＴ｜＝Ｌ２　　　　　　　　　・・・（２）
　ΔＬＷ＝｜ＬＷ＿ＴＧＴ－ＬＷ＿ＰＤＴ｜＝Ｌ３　　　・・・（３）

　式（１）のＬ１（ΔＬＴＨ）は、要求品質中心部厚みＬＴＨ＿ＴＧＴとレンズ中心部厚み予測結果ＬＴＨ＿ＰＤＴとの差の絶対値である。式（２）のＬ２（ΔＬＣ）は、要求品質曲率ＬＣ＿ＴＧＴとレンズ曲率予測結果ＬＣ＿ＰＤＴとの差の絶対値である。式（３）のＬ３（ΔＬＷ）は、要求品質表面形状情報ＬＷ＿ＴＧＴとレンズ表面形状情報予測結果ＬＷ＿ＰＤＴとの差の絶対値である。

　算出アルゴリズム５３としての満足化トレードオフ法は、下記式（４）で表される。なお、Ｌは最終的に算出する評価値７２、Ｗｉは各評価値Ｌ１～Ｌ３に与える重み、ＬＳｉは満足値、αは係数である。重みＷｉと満足値ＬＳｉとは、Ｗｉ＝１／ＬＳｉという逆数の関係にある。満足値ＬＳｉはオペレータにより設定される。また、αは正の値でかつ０に近い値（α＜＜０、例えばα＝１０^－６）である。

　なお、式（４）において、「ｍａｘ　Ｗｉ（Ｌｉ－ＬＳｉ）」は、各評価値Ｌ１～Ｌ３と、これら各評価値Ｌ１～Ｌ３に対応する満足値ＬＳ１～ＬＳ３との差（Ｌｉ－ＬＳｉ）に、重みＷ１～Ｗ３を乗算して得られた３個の値のうちの最大値を採用する、という意である。また、「ΣＷｉＬｉ」は、評価値Ｌ１～Ｌ３の重み付き和である。「ｍａｘ　Ｗｉ（Ｌｉ－ＬＳｉ）」は、要求品質情報２０と品質予測結果７１の差であるＬｉが比較的大きく、かつ満足値ＬＳｉとして比較的小さい値が設定され、Ｗｉが比較的大きい項目が採用される。また、「ΣＷｉＬｉ」は、Ｌｉが比較的大きく、かつ満足値ＬＳｉとして比較的小さい値が設定され、Ｗｉが比較的大きい項目が比較的大きい割合を占める。総じて、評価値Ｌは、Ｌｉが比較的大きく、かつ満足値ＬＳｉとして比較的小さい値が設定され、Ｗｉが比較的大きい項目が比較的大きい割合を占める。したがって、導出部６５において評価値Ｌを最小化する最適化問題を解く、ということは、Ｌｉが比較的大きく、かつ満足値ＬＳｉとして比較的小さい値が設定され、Ｗｉが比較的大きい項目の品質を優先的に改善する、ということである。

　一例として図１６に示すように、好適条件１６Ｓは、例えば第１の収差成分に関する第１評価値Ｌ３＿１、および第２の収差成分に関する第２評価値Ｌ３＿２で表される二次元空間に引かれた線ＰＬ上に複数存在する、いわゆるパレート解である。このため、第１評価値Ｌ３＿１に係る第１の収差成分を良化させようとすると、第２評価値Ｌ３＿２に係る第２の収差成分が悪化し、逆に第２の収差成分を良化させようとすると、第１の収差成分が悪化する、というトレードオフの関係となる。なお、図１６においては、説明を簡単化するため評価値Ｌ１～Ｌ３のうちの評価値Ｌ３のみを示している。

　第１評価値Ｌ３＿１に対応する第１満足値ＬＳ３＿１よりも、第２評価値Ｌ３＿２に対応する第２満足値ＬＳ３＿２を小さい値に設定した場合は、点Ｐ１で示すように、第１の収差成分の悪化は規格の範囲内である程度許容し、第２の収差成分をできるだけ良化させる設定（第２の収差成分重視）となる。逆に、第２満足値ＬＳ３＿２よりも第１満足値ＬＳ３＿１を小さい値に設定した場合は、点Ｐ２で示すように、第２の収差成分の悪化は規格の範囲内である程度許容し、第１の収差成分をできるだけ良化させる設定（第１の収差成分重視）となる。第１満足値ＬＳ３＿１と第２満足値ＬＳ３＿２を大体同じ値に設定した場合は、点Ｐ３で示すように、第１の収差成分および第２の収差成分をともに程々良化させる設定（バランス重視）となる。オペレータは、こうした事情を加味したうえで、レンズ１５の要求品質に応じた満足値ＬＳｉを設定する。

　一例として図１７に示すように、導出部６５は、最適化アルゴリズム５４として遺伝的アルゴリズムを用い、評価値７２を最小化する最適化問題を解くことで、好適条件１６Ｓを導出する。遺伝的アルゴリズムは、その名の通り遺伝子の進化論的な考え方に基づくもので、解の候補、ここでは好適条件１６Ｓの候補を複数用意し、高評価の候補、ここでは評価値Ｌが比較的低い候補を優先的に選択して、交叉、突然変異等を繰り返させながら、解、ここでは好適条件１６Ｓを探索するアルゴリズムである。なお、最適化アルゴリズム５４としては、遺伝的アルゴリズムに代えてベイズ最適化等を用いてもよい。

　好適条件１６Ｓは、精研磨機１１によるレンズ前駆品１４の好適な研磨時間（好適研磨時間と表記する）Ｔ＿Ｓ、および研磨皿２５の好適な回転数（好適研磨皿回転数と表記する）ＡＤＲＦ＿Ｓを含む。また、好適条件１６Ｓは、研磨皿２５の水平方向ＨＤにおける好適な位置の識別情報および研磨皿２５に対するレンズ前駆品１４の好適な押し付け位置の識別情報（好適位置識別情報と表記する）ＳＰＩＤ＿Ｓ、研磨皿２５に対するレンズ前駆品１４の好適な揺動幅（好適揺動幅と表記する）Ｗ＿Ｓ、研磨皿２５に対するレンズ前駆品１４の好適な揺動速度（好適揺動速度と表記する）Ｖ＿Ｓ、および研磨皿２５に対するレンズ前駆品１４の好適な押し付け圧力（好適押し付け圧力と表記する）Ｐ＿Ｓを含む。さらに、好適条件１６Ｓは、研磨液３６の好適な流量（好適流量と表記する）ＦＲ＿Ｓ、研磨液３６の好適な温度（好適研磨液温度と表記する）ＡＬＴ＿Ｓ、および精研磨機１１の好適な設置環境の温度（好適環境温度と表記する）ＥＴ＿Ｓを含む。

　次に、上記構成による作用について、図１８のフローチャートを参照して説明する。製造条件設定支援装置１０において作動プログラム５０が起動されると、図７で示したように、製造条件設定支援装置１０のＣＰＵ４２は、取得部６０、ＲＷ制御部６１、第１予測部６２、第２予測部６３、算出部６４、導出部６５、および送信部６６として機能される。

　まず、レンズ前駆品１４の精研磨に先立って、オペレータにより、入力デバイス１３を介して製造条件１６、原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、および要求品質情報２０が入力される。これにより、取得部６０において、製造条件１６、原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、および要求品質情報２０が取得される（ステップＳＴ１００）。製造条件１６、原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、および要求品質情報２０は、取得部６０からＲＷ制御部６１に出力され、ＲＷ制御部６１によってストレージ４０に記憶される。

　製造条件１６、原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、および要求品質情報２０は、ＲＷ制御部６１によってストレージ４０から読み出される。製造条件１６、原材料形状情報１７、原材料物性情報１８、および稼働履歴情報１９は、ＲＷ制御部６１から第１予測部６２と第２予測部６３に出力される。要求品質情報２０は、ＲＷ制御部６１から算出部６４に出力される。

　図８で示したように、第１予測部６２において、製造条件１６、原材料形状情報１７、原材料物性情報１８、および稼働履歴情報１９が第１機械学習モデル５１に入力され、第１機械学習モデル５１から状態予測結果７０が出力される（ステップＳＴ１１０、第１予測）。状態予測結果７０は、第１予測部６２から第２予測部６３に出力される。

　図９で示したように、第２予測部６３において、製造条件１６、原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、および状態予測結果７０が第２機械学習モデル５２に入力され、第２機械学習モデル５２から品質予測結果７１が出力される（ステップＳＴ１２０、第２予測）。品質予測結果７１は、第２予測部６３から算出部６４に出力される。

　図１５で示したように、算出部６４において、算出アルゴリズム５３としての満足化トレードオフ法を用いて、要求品質情報２０と品質予測結果７１との差である評価値Ｌ１～Ｌ３に応じた評価値Ｌ（評価値７２）が算出される（ステップＳＴ１３０）。この際、オペレータにより、入力デバイス１３を介して満足値ＬＳｉが入力される。評価値７２は、算出部６４から導出部６５に出力される。

　図１７で示したように、導出部６５において、最適化アルゴリズム５４としての遺伝的アルゴリズムを用いて、評価値７２を最小化する最適化問題を解くことで、好適条件１６Ｓが導出される（ステップＳＴ１４０）。好適条件１６Ｓは、導出部６５から送信部６６に出力される。好適条件１６Ｓは、送信部６６によって精研磨機１１に送信される（ステップＳＴ１５０）。

　精研磨機１１においてはコントローラ３３に好適条件１６Ｓが設定され、コントローラ３３の制御の下、好適条件１６Ｓにてレンズ前駆品１４の精研磨が行われる。ここで、環境温度ＥＴは、精研磨機１１が設置された部屋の温度を空調設備で調整することで、好適環境温度ＥＴ＿Ｓとする。

　以上説明したように、製造条件設定支援装置１０のＣＰＵ４２は、取得部６０、第１予測部６２、第２予測部６３、算出部６４、および導出部６５を備える。取得部６０は、精研磨機１１を用いてレンズ前駆品１４からレンズ１５を作る際の製造条件１６、レンズ前駆品１４の形状を表す原材料形状情報１７、および精研磨機１１の稼働履歴を表す稼働履歴情報１９を取得する。第１予測部６２は、製造条件１６、原材料形状情報１７、および稼働履歴情報１９に基づいて、精研磨機１１の稼働中の状態を予測する第１予測を行う。第２予測部６３は、製造条件１６、原材料形状情報１７、稼働履歴情報１９、および第１予測による状態予測結果７０に基づいて、レンズ１５の品質を予測する第２予測を行う。算出部６４は、要求品質情報２０と第２予測による品質予測結果７１との差に応じた評価値７２を算出する。導出部６５は、評価値７２を最小化する最適化問題を解くことで、要求品質を満たす製造条件１６である好適条件１６Ｓを導出する。

　図１９に示すように、ＷＯ２０２１／００２１０８号に記載の従来の手法（比較例）では、製造条件１６に基づいて精研磨機１１の稼働中の状態を予測することで状態予測結果７０を出力し、状態予測結果７０に基づいてレンズ１５の品質を予測することで品質予測結果７１を出力していた。そして、品質予測結果７１に基づいて好適条件１６Ｓを導出していた。

　対して図２０に示すように、本開示の技術では、製造条件１６に加えて、原材料形状情報１７および稼働履歴情報１９に基づいて精研磨機１１の稼働中の状態を予測することで状態予測結果７０を出力している。また、状態予測結果７０に加えて、製造条件１６、原材料形状情報１７、および稼働履歴情報１９に基づいてレンズ１５の品質を予測することで品質予測結果７１を出力している。

　ＷＯ２０２１／００２１０８号に記載の従来の手法では、レンズ前駆品１４の個体差、および精研磨機１１、特に研磨皿２５および研磨液３６の経時的な変化を加味していない。対して本開示の技術では、原材料形状情報１７によってレンズ前駆品１４の個体差を加味し、稼働履歴情報１９によって精研磨機１１の経時的な劣化を加味している。したがって、レンズ前駆品１４に個体差がある場合、および精研磨機１１が経時的に変化する場合に、好適条件１６Ｓを高い精度で予測することが可能となる。

　図８で示したように、第１予測部６２は、第１機械学習モデル５１を用いて第１予測を行う。図１３で示したように、第１機械学習モデル５１は、製造条件１６、原材料形状情報１７、および稼働履歴情報１９が入力された場合に、状態予測結果７０を出力する学習がなされている。また、図９で示したように、第２予測部６３は、第２機械学習モデル５２を用いて第２予測を行う。図１４で示したように、第２機械学習モデル５２は、製造条件１６、原材料形状情報１７、稼働履歴情報１９、および状態予測結果７０が入力された場合に、品質予測結果７１を出力する学習がなされている。このため、ルールベース等を用いる場合と比べて、容易に状態予測結果７０および品質予測結果７１を得ることができる。

　図１０で示したように、第１機械学習モデル５１および第２機械学習モデル５２は、ニューラルネットワーク７５により構築されている。ニューラルネットワーク７５は、機械学習の分野においてポピュラーな手法で、特に障壁なく導入可能である。このため、大した手間を掛けることなく状態予測結果７０および品質予測結果７１を得ることができる。

　取得部６０は、レンズ前駆品１４の物性を表す原材料物性情報１８を取得する。第１予測部６２および第２予測部６３は、製造条件１６、原材料形状情報１７、および稼働履歴情報１９に加えて、さらに原材料物性情報１８にも基づいて、第１予測および第２予測を行う。このため、状態予測結果７０および品質予測結果７１、ひいては好適条件１６Ｓをさらに高い精度で予測することが可能となる。また、例えばガラスのレンズ前駆品１４とプラスチックのレンズ前駆品１４等、物性の異なる複数品種のレンズ前駆品１４にも対応することができる。なお、原材料物性情報１８は必ずしも取得しなくてもよく、原材料物性情報１８を用いることなく第１予測および第２予測を行ってもよい。

　従来は、レンズ前駆品１４を精研磨機１１で精研磨してレンズ１５を作る場合、オペレータが自らの経験を頼りに試行錯誤しながら製造条件１６を設定していた。このため、要求品質を満たすレンズ１５を作るために相応の時間が掛かっていた。特に経験の浅いオペレータではより長い時間が掛かっていた。そこで、本例においては、原材料をレンズ前駆品１４とし、製品をレンズ１５とし、製造設備をレンズ前駆品１４に研磨を施す精研磨機１１としている。このため、熟練したオペレータの手を借りずとも、要求品質を満たすレンズ１５を短時間で作ることができる。

　図３で示したように、製造条件１６は、精研磨機１１によるレンズ前駆品１４の研磨時間Ｔ、研磨皿回転数ＡＤＲＦ、位置識別情報ＳＰＩＤ、研磨皿２５に対するレンズ前駆品１４の揺動幅Ｗ、研磨皿２５に対するレンズ前駆品１４の揺動速度Ｖ、研磨皿２５に対するレンズ前駆品１４の押し付け圧力Ｐ、研磨液３６の流量ＦＲ、研磨液３６の温度ＡＬＴ、および環境温度ＥＴを含む。稼働履歴情報１９は、研磨皿識別情報ＡＤＩＤ、研磨皿稼働回数ＡＤＮＯ、研磨液識別情報ＡＬＩＤ、および研磨液稼働回数ＡＬＮＯを含む。また、図４で示したように、原材料形状情報１７は、レンズ前駆品中心部厚みＰＴＨ、レンズ前駆品外径ＰＯＤ、レンズ前駆品曲率ＰＣ、およびレンズ前駆品表面形状情報ＰＷを含む。このため、状態予測結果７０および品質予測結果７１、ひいては好適条件１６Ｓを高い精度で予測することが可能となる。

　なお、製造条件１６は、研磨時間Ｔ、研磨皿回転数ＡＤＲＦ、位置識別情報ＳＰＩＤ、揺動幅Ｗ、揺動速度Ｖ、押し付け圧力Ｐ、流量ＦＲ、温度ＡＬＴ、および環境温度ＥＴのうちの少なくとも１つを含んでいればよい。研磨皿２５における研磨液３６を流す位置の識別情報、パッド３５に形成された溝の形状の識別情報等、これらの他の新たな項目を製造条件１６に追加してもよい。

　原材料形状情報１７は、レンズ前駆品中心部厚みＰＴＨ、レンズ前駆品外径ＰＯＤ、レンズ前駆品曲率ＰＣ、およびレンズ前駆品表面形状情報ＰＷのうちの少なくとも１つを含んでいればよい。これらの他の新たな項目を原材料形状情報１７に追加してもよい。

　稼働履歴情報１９は、研磨皿識別情報ＡＤＩＤ、研磨皿稼働回数ＡＤＮＯ、研磨液識別情報ＡＬＩＤ、および研磨液稼働回数ＡＬＮＯのうちの少なくとも１つを含んでいればよい。ホルダ２７の識別情報等、これらの他の新たな項目を稼働履歴情報１９に追加してもよい。

　図８で示したように、状態予測結果７０は、ホルダ回転数予測結果ＨＬＲＦ＿ＰＤＴ、振動量予測結果ＶＡ＿ＰＤＴ、およびトルク予測結果Ｎ＿ＰＤＴを含む。このため、品質予測結果７１を高い精度で予測することが可能となる。また、図９で示したように、品質予測結果７１は、レンズ中心部厚み予測結果ＬＴＨ＿ＰＤＴ、レンズ曲率予測結果ＬＣ＿ＰＤＴ、およびレンズ表面形状情報予測結果ＬＷ＿ＰＤＴを含む。このため、好適条件１６Ｓを高い精度で予測することが可能となる。

　状態予測結果７０は、ホルダ回転数予測結果ＨＬＲＦ＿ＰＤＴ、振動量予測結果ＶＡ＿ＰＤＴ、およびトルク予測結果Ｎ＿ＰＤＴのうちの少なくとも１つを含んでいればよい。これらの他の新たな項目を状態予測結果７０に追加してもよい。

　品質予測結果７１は、レンズ中心部厚み予測結果ＬＴＨ＿ＰＤＴ、レンズ曲率予測結果ＬＣ＿ＰＤＴ、およびレンズ表面形状情報予測結果ＬＷ＿ＰＤＴのうちの少なくとも１つを含んでいればよい。これらの他の新たな項目を品質予測結果７１に追加してもよい。

　図４で示したように、原材料物性情報１８は、レンズ前駆品１４の転移温度ＰＴＴ、レンズ前駆品１４の硬度ＰＨ、レンズ前駆品１４の熱膨張係数ＰＣＴＥ、レンズ前駆品１４の熱伝導率ＰＴＣ、レンズ前駆品１４の弾性率ＰＥＭ、レンズ前駆品１４の摩耗度ＰＡＤ、およびレンズ前駆品１４の耐酸性度ＰＡＲを含む。このため、状態予測結果７０および品質予測結果７１、ひいては好適条件１６Ｓをさらに高い精度で予測することが可能となる。

　原材料物性情報１８は、レンズ前駆品１４の転移温度ＰＴＴ、レンズ前駆品１４の硬度ＰＨ、レンズ前駆品１４の熱膨張係数ＰＣＴＥ、レンズ前駆品１４の熱伝導率ＰＴＣ、レンズ前駆品１４の弾性率ＰＥＭ、レンズ前駆品１４の摩耗度ＰＡＤ、およびレンズ前駆品１４の耐酸性度ＰＡＲのうちの少なくとも１つを含んでいればよい。これらの他の新たな項目を原材料物性情報１８に追加してもよい。

　［第２実施形態］
　図２１～図２３に示す第２実施形態では、ＣＰＵ４２は、好適条件１６Ｓにて実際にレンズ１５を作った場合の各種データを教師データとして用いて、第１機械学習モデル５１および第２機械学習モデル５２を追加学習する。

　第２実施形態においては、好適条件１６Ｓにて実際にレンズ１５を作る。そして、一例として図２１の表１００に示すように、好適条件１６Ｓにて実際にレンズ１５を作った場合の原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、状態実測値８１、および品質実測値８２の組を、管理ＩＤを付して例えばストレージ４０に記憶する。図２１においては、好適条件１６Ｓにて５個のレンズ１５を作成し、５個のレンズ１５のそれぞれの原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、状態実測値８１、および品質実測値８２の組を記憶した例を示している。なお、図１１の場合と同様に、管理ＩＤ「ＡＬ００００１」のｂ１、ｃ１、ｄ１、ｅ１、およびｆ１は、原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、状態実測値８１、および品質実測値８２の各項目の数値が登録されていることを示す。「・・・」で省略しているが、他の管理ＩＤの組にも各項目の数値が登録されている。

　一例として図２２に示すように、第２実施形態においては、好適条件１６Ｓにて実際にレンズ１５を作った直後に、追加学習用第１教師データ１０５が第１機械学習モデル５１に与えられる。追加学習用第１教師データ１０５は、好適条件１６Ｓと、図２１で示した表１００に登録された原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、および状態実測値８１の組である。追加学習用第１教師データ１０５のうちの好適条件１６Ｓ、原材料形状情報１７、原材料物性情報１８、および稼働履歴情報１９が第１機械学習モデル５１に入力され、これにより第１機械学習モデル５１から追加学習用状態予測結果７０ＲＬが出力される。

　追加学習用状態予測結果７０ＲＬおよび状態実測値８１に基づいて、第１機械学習モデル５１の損失演算がなされる。そして、損失演算の結果に応じて第１機械学習モデル５１の各種係数（ノードＮＤ間の重み）の更新設定がなされ、更新設定にしたがって第１機械学習モデル５１が更新される。

　第１機械学習モデル５１の追加学習フェーズにおいては、好適条件１６Ｓ、原材料形状情報１７、原材料物性情報１８、および稼働履歴情報１９の第１機械学習モデル５１への入力、第１機械学習モデル５１からの追加学習用状態予測結果７０ＲＬの出力、損失演算、更新設定、および第１機械学習モデル５１の更新の上記一連の処理が、追加学習用第１教師データ１０５が交換されつつ繰り返し行われる。上記一連の処理の繰り返しは、用意された追加学習用第１教師データ１０５（本例においては５通りの追加学習用第１教師データ１０５）が尽きた場合に終了される。以降は、こうして追加学習がなされた第１機械学習モデル５１が第１予測部６２で用いられる。

　また、一例として図２３に示すように、第１機械学習モデル５１の追加学習と並行して、追加学習用第２教師データ１０８が第２機械学習モデル５２に与えられる。追加学習用第２教師データ１０８は、好適条件１６Ｓと、図２１で示した表１００に登録された原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、および品質実測値８２と、追加学習用状態予測結果７０ＲＬとの組である。追加学習用第２教師データ１０８のうちの好適条件１６Ｓ、原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、および追加学習用状態予測結果７０ＲＬが第２機械学習モデル５２に入力され、これにより第２機械学習モデル５２から追加学習用品質予測結果７１ＲＬが出力される。

　追加学習用品質予測結果７１ＲＬおよび品質実測値８２に基づいて、第２機械学習モデル５２の損失演算がなされる。そして、損失演算の結果に応じて第２機械学習モデル５２の各種係数（ノードＮＤ間の重み）の更新設定がなされ、更新設定にしたがって第２機械学習モデル５２が更新される。

　第２機械学習モデル５２の追加学習フェーズにおいては、好適条件１６Ｓ、原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、および追加学習用状態予測結果７０ＲＬの第２機械学習モデル５２への入力、第２機械学習モデル５２からの追加学習用品質予測結果７１ＲＬの出力、損失演算、更新設定、および第２機械学習モデル５２の更新の上記一連の処理が、追加学習用第２教師データ１０８が交換されつつ繰り返し行われる。上記一連の処理の繰り返しは、用意された追加学習用第２教師データ１０８（本例においては５通りの追加学習用第２教師データ１０８）が尽きた場合に終了される。以降は、こうして追加学習がなされた第２機械学習モデル５２が第２予測部６３で用いられる。

　このように、第２実施形態においては、好適条件１６Ｓにて実際にレンズ１５を作った場合の原材料形状情報１７、稼働履歴情報１９、状態実測値８１、および品質実測値８２を追加学習用第１教師データ１０５および追加学習用第２教師データ１０８として、第１機械学習モデル５１および第２機械学習モデル５２を追加学習する。このため、精研磨機１１の経時的な変化による予測のずれを適切に修正することができ、より精研磨機１１の経時的な変化に即した状態予測結果７０および品質予測結果７１、ひいては好適条件１６Ｓを高い精度で予測することが可能となる。

　なお、図２１においては、好適条件１６Ｓにて実際に作った５個のレンズ１５による５通りの原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、状態実測値８１、および品質実測値８２の組を示したが、これに限らない。５個より少ない、例えば１個のレンズ１５による１通りの原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、状態実測値８１、および品質実測値８２の組に基づいて、第１機械学習モデル５１および第２機械学習モデル５２の追加学習を行ってもよい。反対に、５個より多いレンズ１５による原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、状態実測値８１、および品質実測値８２の組に基づいて、第１機械学習モデル５１および第２機械学習モデル５２の追加学習を行ってもよい。１個のレンズ１５による１通りの原材料形状情報１７、原材料物性情報１８、稼働履歴情報１９、状態実測値８１、および品質実測値８２の組を用いる場合は、レンズ１５を１個作る毎に追加学習を行ってもよい。

　追加学習後に、オペレータによる満足値ＬＳｉの再設定を受け付けてもよい。

　［第３実施形態］
　図２４に示す第３実施形態では、複数のレンズ前駆品１４の複数の原材料形状情報１７についての複数の品質予測結果７１のばらつきにも応じて評価値７２を算出する。

　一例として図２４に示すように、第１予測部６２および第２予測部６３は、製造条件１６および稼働履歴情報１９は共通で、複数のレンズ前駆品１４＿１、１４＿２、１４＿３、・・・、および１４＿ｍ（ｍはレンズ前駆品１４の個数）の複数の原材料形状情報１７＿１、１７＿２、１７＿３、・・・、および１７＿ｍについて第１予測および第２予測を行って、複数の品質予測結果７１＿１、７１＿２、７１＿３、・・・、および７１＿ｍを導出する。

　算出部６４は、下記式（５）～（７）に示すように、要求品質情報２０および複数の品質予測結果７１＿１～７１＿ｍの対応する各項目の差の絶対値の平均値を評価値Ｌ１、Ｌ２、およびＬ３とする。

　また、算出部６４は、下記式（８）～（１０）に示すように、複数の品質予測結果７１＿１～７１＿ｍの各項目の標準偏差σＬＴＨ＿ＰＤＴ、σＬＣ＿ＰＤＴ、およびσＬＷ＿ＰＤＴを、評価値Ｌ４、Ｌ５、およびＬ６とする。なお、標準偏差σＬＴＨ＿ＰＤＴ、σＬＣ＿ＰＤＴ、およびσＬＷ＿ＰＤＴは、本開示の技術に係る「複数の品質の予測結果のばらつき」の一例である。なお、標準偏差に代えて分散を用いてもよい。
　σＬＴＨ＿ＰＤＴ＝Ｌ４　　　　・・・（８）
　σＬＣ＿ＰＤＴ＝Ｌ５　　　　　・・・（９）
　σＬＷ＿ＰＤＴ＝Ｌ６　　　・・・（１０）

　この場合の算出アルゴリズム５３としての満足化トレードオフ法は、下記式（１１）で表される。

　複数のレンズ前駆品１４から作る複数のレンズ１５において、例えばレンズ中心部厚みＬＴＨのばらつきを規格の範囲に抑えたい場合、オペレータは、レンズ中心部厚みＬＴＨに係る満足値ＬＳ４を、他の満足値ＬＳｉよりも小さい適当な値に設定する。また、レンズ表面形状情報ＬＷのばらつきを規格の範囲に抑えたい場合、オペレータは、レンズ表面形状情報ＬＷに係る満足値ＬＳ６を、他の満足値ＬＳｉよりも小さい適当な値に設定する。

　このように、第３実施形態では、第１予測部６２および第２予測部６３は、製造条件１６および稼働履歴情報１９は共通で、複数のレンズ前駆品１４の複数の原材料形状情報１７＿１～１７＿ｍについて第１予測および第２予測を行って、複数の品質予測結果７１＿１～７１＿ｍを導出し、要求品質情報２０と品質予測結果７１との差に加えて、複数の品質予測結果７１＿１～７１＿ｍのばらつきにも応じて評価値７２を算出する。このため、特定の項目のばらつきが抑えられた複数のレンズ１５を作ったり、逆に特定の項目のばらつきを規格の範囲内である程度許容した複数のレンズ１５を作ることができる。したがって、よりオペレータが所望する要求品質の複数のレンズ１５を安定して作ることができる。

　状態実測値８１として、研磨時間Ｔを通じた平均値等を登録するとしたが、これに限らない。研磨時間Ｔの間に連続的に測定した時系列データを状態実測値８１として登録してもよい。ただし、この場合、第１機械学習モデル５１および第２機械学習モデル５２には、時系列データを扱うことが可能なリカレントニューラルネットワークまたは長・短期記憶（ＬＳＴＭ：Ｌｏｎｇ　ｓｈｏｒｔ－ｔｅｒｍ　ｍｅｍｏｒｙ）ネットワークにより構築されたものを用いる。

　第１機械学習モデル５１に入力する各項目の状態予測結果７０の予測に対する寄与度を導出し、寄与度が比較的低い項目を入力データから除いてもよい。同様に、第２機械学習モデル５２に入力する各項目の品質予測結果７１の予測に対する寄与度を導出し、寄与度が比較的低い項目を入力データから除いてもよい。

　第１機械学習モデル５１および第２機械学習モデル５２は、例示のニューラルネットワーク７５により構築されたものに限らない。例えばブースティングにより構築されたものであってもよい。

　レンズ１５の形状の設計値を第１機械学習モデル５１および第２機械学習モデル５２に入力してもよい。

　要求品質情報２０、品質予測結果７１、および品質実測値８２に、レンズ１５を目視することで分かるような、レンズ１５の品質を表す情報を追加してもよい。

　上記各実施形態では、粗研磨後のレンズ前駆品１４を例示したが、レンズ前駆品１４は粗研磨が施されていないものでもよい。また、上記各実施形態では、原材料としてレンズ前駆品１４、製品としてレンズ１５、製造設備として精研磨機１１をそれぞれ例示したが、これに限らない。例えば原材料は金属塊、製品は旋盤のバイト、製造設備は金属塊を研磨してバイトとする研磨機であってもよい。

　図１３で示した第１機械学習モデル５１の学習、および図１４で示した第２機械学習モデル５２の学習は、製造条件設定支援装置１０において行ってもよいし、製造条件設定支援装置１０以外の装置で行ってもよい。

　製造条件設定支援装置１０は、精研磨機１１に一体的に組み込まれていてもよい。

　上記各実施形態において、例えば、取得部６０、ＲＷ制御部６１、第１予測部６２、第２予測部６３、算出部６４、導出部６５、および送信部６６といった各種の処理を実行する処理部（Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）のハードウェア的な構造としては、次に示す各種のプロセッサ（Ｐｒｏｃｅｓｓｏｒ）を用いることができる。各種のプロセッサには、上述したように、ソフトウェア（作動プログラム５０）を実行して各種の処理部として機能する汎用的なプロセッサであるＣＰＵ４２に加えて、ＦＰＧＡ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）等の製造後に回路構成を変更可能なプロセッサであるプログラマブルロジックデバイス（Ｐｒｏｇｒａｍｍａｂｌｅ　Ｌｏｇｉｃ　Ｄｅｖｉｃｅ:ＰＬＤ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が含まれる。

　１つの処理部は、これらの各種のプロセッサのうちの１つで構成されてもよいし、同種または異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡの組み合わせ、および／または、ＣＰＵとＦＰＧＡとの組み合わせ）で構成されてもよい。また、複数の処理部を１つのプロセッサで構成してもよい。

　複数の処理部を１つのプロセッサで構成する例としては、第１に、クライアントおよびサーバ等のコンピュータに代表されるように、１つ以上のＣＰＵとソフトウェアの組み合わせで１つのプロセッサを構成し、このプロセッサが複数の処理部として機能する形態がある。第２に、システムオンチップ（Ｓｙｓｔｅｍ　Ｏｎ　Ｃｈｉｐ:ＳｏＣ）等に代表されるように、複数の処理部を含むシステム全体の機能を１つのＩＣ（Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）チップで実現するプロセッサを使用する形態がある。このように、各種の処理部は、ハードウェア的な構造として、上記各種のプロセッサの１つ以上を用いて構成される。

　さらに、これらの各種のプロセッサのハードウェア的な構造としては、より具体的には、半導体素子等の回路素子を組み合わせた電気回路（ｃｉｒｃｕｉｔｒｙ）を用いることができる。

　本開示の技術は、上述の種々の実施形態および／または種々の変形例を適宜組み合わせることも可能である。また、上記各実施形態に限らず、要旨を逸脱しない限り種々の構成を採用し得ることはもちろんである。さらに、本開示の技術は、プログラムに加えて、プログラムを非一時的に記憶する記憶媒体にもおよぶ。

　以上に示した記載内容および図示内容は、本開示の技術に係る部分についての詳細な説明であり、本開示の技術の一例に過ぎない。例えば、上記の構成、機能、作用、および効果に関する説明は、本開示の技術に係る部分の構成、機能、作用、および効果の一例に関する説明である。よって、本開示の技術の主旨を逸脱しない範囲内において、以上に示した記載内容および図示内容に対して、不要な部分を削除したり、新たな要素を追加したり、置き換えたりしてもよいことはいうまでもない。また、錯綜を回避し、本開示の技術に係る部分の理解を容易にするために、以上に示した記載内容および図示内容では、本開示の技術の実施を可能にする上で特に説明を要しない技術常識等に関する説明は省略されている。

　本明細書において、「Ａおよび／またはＢ」は、「ＡおよびＢのうちの少なくとも１つ」と同義である。つまり、「Ａおよび／またはＢ」は、Ａだけであってもよいし、Ｂだけであってもよいし、ＡおよびＢの組み合わせであってもよい、という意味である。また、本明細書において、３つ以上の事柄を「および／または」で結び付けて表現する場合も、「Ａおよび／またはＢ」と同様の考え方が適用される。

　本明細書に記載された全ての文献、特許出願および技術規格は、個々の文献、特許出願および技術規格が参照により取り込まれることが具体的かつ個々に記された場合と同程度に、本明細書中に参照により取り込まれる。

Claims (12)

1. 　プロセッサを備え、
   　前記プロセッサは、
   　製造設備を用いて原材料から製品を作る際の製造条件、前記原材料の形状を表す原材料形状情報、および前記製造設備の稼働履歴を表す稼働履歴情報を取得し、
   　前記製造条件、前記原材料形状情報、および前記稼働履歴情報に基づいて、前記製造設備の稼働中の状態を予測する第１予測を行い、
   　前記製造条件、前記原材料形状情報、前記稼働履歴情報、および前記状態の予測結果に基づいて、前記製品の品質を予測する第２予測を行い、
   　少なくとも前記製品の要求品質と前記品質の予測結果との差に応じた評価値を算出し、
   　前記評価値を最小化する最適化問題を解くことで、前記要求品質を満たす製造条件である好適条件を導出する、
   製造条件設定支援装置。
2. 　前記プロセッサは、
   　前記製造条件、前記原材料形状情報、および前記稼働履歴情報が入力された場合に、前記状態の予測結果を出力する学習がなされた第１機械学習モデルを用いて前記第１予測を行い、
   　前記製造条件、前記原材料形状情報、前記稼働履歴情報、および前記状態の予測結果が入力された場合に、前記品質の予測結果を出力する学習がなされた第２機械学習モデルを用いて前記第２予測を行う請求項１に記載の製造条件設定支援装置。
3. 　前記プロセッサは、
   　前記好適条件にて実際に前記製品を作った場合の前記原材料形状情報、前記稼働履歴情報、前記状態の実測値、および前記品質の実測値を教師データとして、前記第１機械学習モデルおよび前記第２機械学習モデルを追加学習する請求項２に記載の製造条件設定支援装置。
4. 　前記第１機械学習モデルおよび前記第２機械学習モデルは、ニューラルネットワークにより構築されている請求項２または請求項３に記載の製造条件設定支援装置。
5. 　前記プロセッサは、
   　前記製造条件および前記稼働履歴情報は共通で、複数の前記原材料の複数の前記原材料形状情報について前記第１予測および前記第２予測を行って、複数の前記品質の予測結果を導出し、
   　前記製品の要求品質と前記品質の予測結果との差に加えて、複数の前記品質の予測結果のばらつきにも応じて前記評価値を算出する請求項１から請求項４のいずれか１項に記載の製造条件設定支援装置。
6. 　前記プロセッサは、
   　前記原材料の物性を表す原材料物性情報を取得し、
   　前記製造条件、前記原材料形状情報、および前記稼働履歴情報に加えて、さらに前記原材料物性情報にも基づいて、前記第１予測および前記第２予測を行う請求項１から請求項５のいずれか１項に記載の製造条件設定支援装置。
7. 　前記原材料はレンズ前駆品であり、前記製品はレンズであり、前記製造設備は前記レンズ前駆品に研磨を施す研磨機である請求項１から請求項６のいずれか１項に記載の製造条件設定支援装置。
8. 　前記製造条件は、前記研磨機による前記レンズ前駆品の研磨時間、前記レンズ前駆品を回転研磨する研磨皿の回転数、前記研磨皿に対する前記レンズ前駆品の押し付け位置の識別情報、前記研磨皿に対する前記レンズ前駆品の揺動幅、前記研磨皿に対する前記レンズ前駆品の揺動速度、前記研磨皿に対する前記レンズ前駆品の押し付け圧力、前記レンズ前駆品と前記研磨皿の間に流す研磨液の流量、前記研磨液の温度、および前記研磨機の設置環境の温度のうちの少なくとも１つを含み、
   　前記原材料形状情報は、前記レンズ前駆品の中心部厚み、前記レンズ前駆品の外径、前記レンズ前駆品の曲率、および前記レンズ前駆品の表面形状情報のうちの少なくとも１つを含み、
   　前記稼働履歴情報は、前記研磨皿の識別情報、前記研磨皿の稼働回数、前記研磨液の識別情報、および前記研磨液の稼働回数のうちの少なくとも１つを含む請求項７に記載の製造条件設定支援装置。
9. 　前記状態の予測結果は、前記レンズ前駆品を保持するホルダであって、前記レンズ前駆品を回転研磨する研磨皿の回転に従動して回転するホルダの回転数、前記ホルダを介して前記レンズ前駆品を前記研磨皿に押し付けるアームの振動量、および前記研磨皿を回転駆動するモータに掛かるトルクのうちの少なくとも１つを含み、
   　前記品質の予測結果は、前記レンズの中心部厚み、前記レンズの曲率、および前記レンズの表面形状情報のうちの少なくとも１つを含む請求項７または請求項８に記載の製造条件設定支援装置。
10. 　請求項６を引用する請求項７から請求項９のいずれか１項に記載の製造条件設定支援装置であって、
    　前記原材料物性情報は、前記レンズ前駆品の転移温度、前記レンズ前駆品の硬度、前記レンズ前駆品の熱膨張係数、前記レンズ前駆品の熱伝導率、前記レンズ前駆品の弾性率、前記レンズ前駆品の摩耗度、および前記レンズ前駆品の耐酸性度のうちの少なくとも１つを含む製造条件設定支援装置。
11. 　製造設備を用いて原材料から製品を作る際の製造条件、前記原材料の形状を表す原材料形状情報、および前記製造設備の稼働履歴を表す稼働履歴情報を取得すること、
    　前記製造条件、前記原材料形状情報、および前記稼働履歴情報に基づいて、前記製造設備の稼働中の状態を予測する第１予測を行うこと、
    　前記製造条件、前記原材料形状情報、前記稼働履歴情報、および前記状態の予測結果に基づいて、前記製品の品質を予測する第２予測を行うこと、
    　少なくとも前記製品の要求品質と前記品質の予測結果との差に応じた評価値を算出すること、並びに、
    　前記評価値を最小化する最適化問題を解くことで、前記要求品質を満たす製造条件である好適条件を導出すること、
    を含む製造条件設定支援装置の作動方法。
12. 　製造設備を用いて原材料から製品を作る際の製造条件、前記原材料の形状を表す原材料形状情報、および前記製造設備の稼働履歴を表す稼働履歴情報を取得すること、
    　前記製造条件、前記原材料形状情報、および前記稼働履歴情報に基づいて、前記製造設備の稼働中の状態を予測する第１予測を行うこと、
    　前記製造条件、前記原材料形状情報、前記稼働履歴情報、および前記状態の予測結果に基づいて、前記製品の品質を予測する第２予測を行うこと、
    　少なくとも前記製品の要求品質と前記品質の予測結果との差に応じた評価値を算出すること、並びに、
    　前記評価値を最小化する最適化問題を解くことで、前記要求品質を満たす製造条件である好適条件を導出すること、
    を含む処理をコンピュータに実行させるための製造条件設定支援装置の作動プログラム。

Images