特開 2024-124648 情報処理装置、コンピュータプログラム及び情報処理方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024124648

(43)【公開日】2024-09-13

(54)【発明の名称】情報処理装置、コンピュータプログラム及び情報処理方法

(51)【国際特許分類】

   G06F 11/07 20060101AFI20240906BHJP

   G06N 20/00 20190101ALI20240906BHJP

   G06F 18/2433 20230101ALI20240906BHJP

   G05B 19/418 20060101ALN20240906BHJP

【ＦＩ】

G06F11/07 160

G06N20/00

G06F18/2433

G06F11/07 140Q

G05B19/418 Z

【審査請求】未請求

【請求項の数】9

【出願形態】ＯＬ

(21)【出願番号】P 2023032472

(22)【出願日】2023-03-03

(71)【出願人】

【識別番号】000232302

【氏名又は名称】ニデック株式会社

(74)【代理人】

【識別番号】100142022

【弁理士】

【氏名又は名称】鈴木 一晃

(74)【代理人】

【識別番号】100138689

【弁理士】

【氏名又は名称】梶原 慶

(72)【発明者】

【氏名】宇良 宗一郎

(72)【発明者】

【氏名】椛島 基嵩

(72)【発明者】

【氏名】佐伯 哲夫

【テーマコード（参考）】

3C100

5B042

【Ｆターム（参考）】

3C100AA56

3C100AA70

3C100BB12

3C100BB13

3C100BB27

5B042MA08

5B042MA11

5B042MA14

5B042MC08

(57)【要約】      （修正有）

【課題】生産工程データを正常データ群と異常データ群とに精度よく分類できる情報処理装置、方法及びプログラムを提供する。
【解決手段】情報処理装置１００において、制御部１１０は、第１データ群と第２データ群とに分類するために学習された第１学習モデルを用いて生産工程データを、正常データ及び第１異常データを含む第１データ群と、第２異常データを含む第２データ群とに分類する第１学習モデル部１２１と、ユーザによって正常データ群と第１異常データ群とに分類されたものが学習された第２学習モデルを用いて第１データ群に属する生産工程データを、正常データを含む正常データ群と、第１異常データを含む第１異常データ群とに分類する第２学習モデル部１２２と、を備える。生産工程データは、製品の品質に関する情報を含み、第１異常データが示す製品の異常度合は、第２異常データが示す製品の異常度合より正常データが示す製品の異常度合に近い。
【選択図】図２

【特許請求の範囲】

【請求項1】

第１学習モデルを用いて生産工程データを、正常データ及び第１異常データを含む第１データ群と、第２異常データを含む第２データ群とに分類する第１学習モデル部と、
第２学習モデルを用いて前記第１データ群に属する生産工程データを、前記正常データを含む正常データ群と、前記第１異常データを含む第１異常データ群とに分類する第２学習モデル部と
を備え、
前記生産工程データは、製品の品質に関する情報を含み、
前記第１異常データが示す前記製品の異常度合は、前記第２異常データが示す前記製品の異常度合より前記正常データが示す前記製品の異常度合に近く、
前記第１学習モデルは、前記第１データ群と前記第２データ群とに分類するために学習された学習モデルであり、
前記第２学習モデルは、ユーザによって前記正常データ群と前記第１異常データ群とに分類されたものが学習された学習モデルである、情報処理装置。

【請求項2】

第３学習モデルを用いて前記第２データ群に属する生産工程データを、特定の異常データを含む特定データ群と、特定以外の異常データを含む特定以外データ群とに分類する第３学習モデル部と、
第４学習モデルを用いて前記正常データ群に属する生産工程データを、異常度合別に分類する第４学習モデル部と
を更に備え、
前記特定の異常データが示す前記異常度合の種類と、前記特定以外の異常データが示す前記異常度合の種類とは、異なり、
前記第３学習モデルは、前記特定データ群と前記特定以外データ群とに分類するために学習された学習モデルであり、
前記第４学習モデルは、前記異常度合別に分類するために学習された学習モデルである、請求項１に記載の情報処理装置。

【請求項3】

前記生産工程データを収集するデータ収集部と、
前記生産工程データの各々を整形するデータ整形部と
を更に備え、
前記生産工程データは、所定の製造工程で作製された前記製品の品質に関する情報を含む、請求項２に記載の情報処理装置。

【請求項4】

前記第４学習モデルによって分類された各異常度合に属する生産工程データの個数を示すグラフ又は表を作成する作成部を更に備える、請求項３に記載の情報処理装置。

【請求項5】

前記第４学習モデルによって分類された各異常度合に属する生産工程データの個数の比率に基づいて、前記所定の製造工程に異常があることを検知する検知部を更に備える、請求項３に記載の情報処理装置。

【請求項6】

過去比率データを記憶する記憶部を更に備え、
前記検知部は、所定数比率データと前記過去比率データとに基づいて、前記製造工程に異常があることを検知し、
前記所定数比率データは、前記製造工程で作製された所定数の製品に基づいて作成された前記比率を示し、
前記過去比率データは、前記所定数の製品より過去に前記製造工程で作製された複数の製品に基づいて作成された前記比率を示す、請求項５に記載の情報処理装置。

【請求項7】

前記検知部は、前記第３学習モデルによって分類された前記特定の異常データに基づいて、前記所定の製造工程の特定箇所に異常があることを検知し、
前記所定の製造工程は、前記製品の材料を準備する工程、製造装置の治具を用いる工程、製造装置の設備を用いる工程、又は、前記製品の製造に対する人の作業を含む、請求項５に記載の情報処理装置。

【請求項8】

第１学習モデルを用いて生産工程データを、正常データ及び第１異常データを含む第１データ群と、第２異常データを含む第２データ群とに分類する第１学習モデルステップと、
第２学習モデルを用いて前記第１データ群に属する生産工程データを、前記正常データを含む正常データ群と、前記第１異常データを含む第１異常データ群とに分類する第２学習モデルステップと
をコンピュータに実行させるためのコンピュータプログラムであって、
前記生産工程データは、製品の品質に関する情報を含み、
前記第１異常データが示す前記製品の異常度合は、前記第２異常データが示す前記製品の異常度合より前記正常データが示す前記製品の異常度合に近く、
前記第１学習モデルは、前記第１データ群と前記第２データ群とに分類するために学習された学習モデルであり、
前記第２学習モデルは、ユーザによって前記正常データ群と前記第１異常データ群とに分類されたものが学習された学習モデルである、コンピュータプログラム。

【請求項9】

第１学習モデルを用いて生産工程データを、正常データ及び第１異常データを含む第１データ群と、第２異常データを含む第２データ群とに分類する第１学習モデルステップと、
第２学習モデルを用いて前記第１データ群に属する生産工程データを、前記正常データを含む正常データ群と、前記第１異常データを含む第１異常データ群とに分類する第２学習モデルステップと
を含み、
前記生産工程データは、製品の品質に関する情報を含み、
前記第１異常データが示す前記製品の異常度合は、前記第２異常データが示す前記製品の異常度合より前記正常データが示す前記製品の異常度合に近く、
前記第１学習モデルは、前記第１データ群と前記第２データ群とに分類するために学習された学習モデルであり、
前記第２学習モデルは、ユーザによって前記正常データ群と前記第１異常データ群とに分類されたものが学習された学習モデルである、情報処理方法。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、情報処理装置、コンピュータプログラム及び情報処理方法に関する。

【背景技術】

【0002】

情報処理装置は、検出部と、判断部と、出力制御部とを備える（例えば、特許文献１）。検出部は、第１のモデルを用いて、撮影画像から異常候補領域を検出する。判断部は、第２のモデルを用いて、異常候補領域が正解データに属するのか非正解データに属するのかを判断する。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１８－１２０３００号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

特許文献１の情報処理装置では、正解データのような正常データであるのか、非正解データのような異常データであるのかを精度よく判断することができなかった。

【0005】

本開示は、上記課題に鑑みてなされたものであり、その目的は、生産工程データを正常データ群と異常データ群とに精度よく分類できる情報処理装置、コンピュータプログラム及び情報処理方法を提供することにある。

【課題を解決するための手段】

【0006】

本開示の例示的な情報処理装置は、第１学習モデル部と、第２学習モデル部とを備える。前記第１学習モデル部は、第１学習モデルを用いて生産工程データを、正常データ及び第１異常データを含む第１データ群と、第２異常データを含む第２データ群とに分類する。前記第２学習モデル部は、第２学習モデルを用いて前記第１データ群に属する生産工程データを、前記正常データを含む正常データ群と、前記第１異常データを含む第１異常データ群とに分類する第２学習モデル部とを備える。前記生産工程データは、製品の品質に関する情報を含む。前記第１異常データが示す前記製品の異常度合は、前記第２異常データが示す前記製品の異常度合より前記正常データが示す前記製品の異常度合に近い。前記第１学習モデルは、前記第１データ群と前記第２データ群とに分類するために学習された学習モデルである。前記第２学習モデルは、ユーザによって前記正常データ群と前記第１異常データ群とに分類されたものが学習された学習モデルである。

【0007】

本開示の例示的なコンピュータプログラムは、第１学習モデルを用いて生産工程データを、正常データ及び第１異常データを含む第１データ群と、第２異常データを含む第２データ群とに分類する第１学習モデルステップと、第２学習モデルを用いて前記第１データ群に属する生産工程データを、前記正常データを含む正常データ群と、前記第１異常データを含む第１異常データ群とに分類する第２学習モデルステップとをコンピュータに実行させるためのコンピュータプログラムである。前記生産工程データは、製品の品質に関する情報を含む。前記第１異常データが示す前記製品の異常度合は、前記第２異常データが示す前記製品の異常度合より前記正常データが示す前記製品の異常度合に近い。前記第１学習モデルは、前記第１データ群と前記第２データ群とに分類するために学習された学習モデルである。前記第２学習モデルは、ユーザによって前記正常データ群と前記第１異常データ群とに分類されたものが学習された学習モデルである。

【0008】

本開示の例示的な情報処理方法は、第１学習モデルを用いて生産工程データを、正常データ及び第１異常データを含む第１データ群と、第２異常データを含む第２データ群とに分類する第１学習モデルステップと、第２学習モデルを用いて前記第１データ群に属する生産工程データを、前記正常データを含む正常データ群と、前記第１異常データを含む第１異常データ群とに分類する第２学習モデルステップとを含む。前記生産工程データは、製品の品質に関する情報を含む。前記第１異常データが示す前記製品の異常度合は、前記第２異常データが示す前記製品の異常度合より前記正常データが示す前記製品の異常度合に近い。前記第１学習モデルは、前記第１データ群と前記第２データ群とに分類するために学習された学習モデルである。前記第２学習モデルは、ユーザによって前記正常データ群と前記第１異常データ群とに分類されたものが学習された学習モデルである。

【発明の効果】

【0009】

例示的な本開示によれば、生産工程データを正常データ群と異常データ群とに精度よく分類できる。

【図面の簡単な説明】

【0010】

【図1】図１は、本実施形態に係る異常検知システムを示す図である。

【図2】図２は、本実施形態に係る情報処理装置の構成を示すブロック図である。

【図3】図３は、モータの振動量と周波数との関係を示すグラフである。

【図4】図４は、第１異常データを示すグラフである。

【図5】図５は、第２異常データを示すグラフである。

【図6】図６は、第１学習モデルと第２学習モデルと第３学習モデルと第４学習モデルとの関係を示す図である。

【図7】図７は、各異常度合に属する生産工程データの個数を示す表を示す図である。

【図8】図８は、情報処理装置の情報処理方法を示すフローチャートである。

【発明を実施するための形態】

【0011】

以下、本開示の例示的な実施形態について、図面を参照しながら説明する。なお、図中、同一又は相当部分については同一の参照符号を付して説明を繰り返さない。

【0012】

まず、図１を参照して、本実施形態に係る異常検知システムの構成について説明する。図１は、本実施形態に係る異常検知システムを示す図である。図１に示すように、製造装置２は、複数の製品Ｓを作製する。換言すれば、製造装置２は、所定の製造工程で複数の製品Ｓを作製する。

【0013】

複数の製品Ｓは、例えば、モータである。製造装置２は、例えば、モータ製造装置である。

【0014】

具体的には、製造装置２は、操作者Ｐによって操作されて、設備Ｅを用いて材料Ｍから複数の製品Ｓを作製する。より具体的には、複数の操作者Ｐによって操作されて、複数の設備Ｅを用いて複数の材料Ｍから複数の製品Ｓを作製する。

【0015】

複数の操作者Ｐは、第１操作者Ｐ１と、第２操作者Ｐ２とを含む。また、複数の材料Ｍは、第１材料Ｍ１と、第２材料Ｍ２とを含む。

【0016】

製造装置２は、複数の設備Ｅを備える。複数の設備Ｅは、第１設備Ｅ１と、第２設備Ｅ２と、第３設備Ｅ３とを備える。第１設備Ｅ１は、モータの第１部品を作製する。第２設備Ｅ２は、モータの第２部品を作製する。第３設備Ｅ３は、モータの第３部品を作製する。

【0017】

所定の製造工程は、製品Ｓの材料Ｍを準備する工程、製造装置２の治具を用いる工程、製造装置２の設備Ｅを用いる工程、又は、製品Ｓの製造に対する操作者Ｐの作業を含む。なお、所定の製造工程は、製造時の状態（気温や湿度、振動等の外環境の状態）を含んでもよい。

【0018】

異常検知システム１０００は、複数の製品Ｓの各々が正常であるか異常であるか判定する。また、異常検知システム１０００は、複数の設備Ｅの各々が正常であるか異常であるか判定する。そして、異常検知システム１０００は、複数の操作者Ｐの各々の作業が正常であるか異常であるか判定する。更に、異常検知システム１０００は、複数の材料Ｍの各々が正常であるか異常であるか判定する。

【0019】

異常検知システム１０００は、情報処理装置１００と、駆動装置１０と、加速度センサ１１と、インタフェース（Ｉ／Ｆ）回路１２とを備える。

【0020】

情報処理装置１００は、例えば、デスクトップ型パーソナルコンピュータである。具体的には、情報処理装置１００は、駆動装置１０と、加速度センサ１１と、Ｉ／Ｆ回路１２とを制御する。

【0021】

駆動装置１０は、モータに制御信号を出力する。例えば、駆動装置１０は、モータに第１周波数を有する電気信号を出力する。その結果、モータは第１回転速度で回転する。また、駆動装置１０は、モータに第２周波数を有する電気信号を出力する。その結果、モータは第２回転速度で回転する。

【0022】

加速度センサ１１は、所定の製造工程で作製された製品Ｓの品質に関する情報を検知する。製品Ｓの品質に関する情報は、「生産工程データ」の一例である。例えば、加速度センサ１１は、製品Ｓの品質に関する情報として、第１回転速度で回転するモータの振動量を検知する。そして、加速度センサ１１は、製品Ｓの品質に関する情報をＩ／Ｆ回路１２を介して情報処理装置１００に出力する。例えば、加速度センサ１１は、モータの振動量を示す信号をＩ／Ｆ回路１２を介して情報処理装置１００に出力する。また、加速度センサ１１は、製品Ｓの品質に関する情報として、第２回転速度で回転するモータの振動量を検知する。加速度センサ１１は、モータの振動量を示す信号をＩ／Ｆ回路１２を介して情報処理装置１００に出力する。

【0023】

続けて図２を参照して、本実施形態に係る情報処理装置１００の構成について説明する。図２は、本実施形態に係る情報処理装置１００の構成を示すブロック図である。図２に示すように、情報処理装置１００は、制御部１１０と、記憶部１５０とを有する。

【0024】

記憶部１５０は、半導体メモリー及びハードディスクドライブ（ＨＤＤ）等の記憶装置を含む。記憶部１５０は、データ及びコンピュータプログラム等を記憶する。

【0025】

制御部１１０は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等のプロセッサーを含む。

【0026】

制御部１１０は、データ収集部１１１と、データ整形部１１２と、学習部１２０とを備える。

【0027】

データ収集部１１１は、生産工程データを収集する。具体的には、データ収集部１１１は、モータの振動量を示す信号を加速度センサ１１からＩ／Ｆ回路１２を介して取得する。また、データ収集部１１１は、駆動装置１０からモータに出力された電気信号の周波数を示す信号を取得する。

【0028】

データ整形部１１２は、生産工程データを整形する。例えば、データ整形部１１２は、生産工程データとして、モータの振動量と周波数との関係を示すグラフを作成する。図３は、モータの振動量と周波数との関係を示すグラフである。図３において、縦軸はモータの振動量を示し、横軸は周波数を示す。図３（ａ）～（ｃ）に示すように、所定の周波数で、振動量が大きくなり、所定の周波数から離間すると、振動量が小さくなっている。

【0029】

学習部１２０は、第１学習モデル部１２１と、第２学習モデル部１２２とを備える。

【0030】

第１学習モデル部１２１は、第１学習モデルを用いて生産工程データを、第１データ群と、第２データ群とに分類する。第１データ群は、正常データ及び第１異常データを含む。第２データ群は、第２異常データを含む。第１異常データが示す製品Ｓの異常度合は、第２異常データが示す製品Ｓの異常度合より正常データが示す製品Ｓの異常度合に近い。

【0031】

ここで図４を参照して、第１異常データについて説明する。図４は、第１異常データを示すグラフである。図４において、縦軸はモータの振動量を示し、横軸は周波数を示す。図４に示すように、２カ所の周波数で、振動量が大きくなっている。

【0032】

続けて図５を参照して、第２異常データについて説明する。図５は、第２異常データを示すグラフである。図５において、縦軸はモータの振動量を示し、横軸は周波数を示す。図５（ａ）に示すように、全ての周波数で、振動量が小さくなっている。図５（ｂ）に示すように、多数の周波数で、振動量が大きくなっている。図５（ｃ）に示すように、２カ所の周波数で、振動量が大きくなっている。

【0033】

第１学習モデルは、第１データ群と第２データ群とに分類するために学習された学習モデルである。第１学習モデルでは、異常データを含まないデータ群を作成せずに、第１異常データも含む第１データ群を作成する。

【0034】

詳細には、第１学習モデル部１２１は、生産工程データのうち、正常データ及び第１異常データの集合を用いて、正常データ及び第１異常データを判別するための第１学習モデルを学習する。具体的には、第１学習モデル部１２１は、教師なし学習により第１学習モデルを学習する。なお、教師なし学習により第１学習モデルを学習する方法は任意であってもよい。また、第１学習モデル部１２１は、半教師あり学習により第１学習モデルを学習する形態であってもよい。半教師あり学習は、入力データがある特定の１クラスに属するとしてモデル学習を行う方法である。例えば第１学習モデル部１２１は、Ｏｎｅ Ｃｌａｓｓ ＳＶＭにより第１学習モデルを学習することもできる。

【0035】

なお、第１学習モデルは、Ｏｎｅ Ｃｌａｓｓ ＳＶＭ、ＬＯＦ（Ｌｏｃａｌ Ｏｕｔｌｉｅｒ Ｆａｃｔｏｒ）、ＣＯＦ（Ｃｏｎｎｅｃｔｉｖｉｔｙ－ｂａｓｅｄ Ｏｕｔｌｉｅｒ Ｆａｃｔｏｒ）、ＰＣＡ－ＭＳＰＣ（Ｍｕｌｔｉｖａｒｉａｔｉｏｎａｌ Ｓｔａｔｉｓｔｉｃａｌ Ｐｒｏｄｕｃｔｉｏｎ Ｃｏｎｔｒｏｌ）、ＧＭＭ（Ｇａｕｓｓｉａｎ Ｍｉｘｔｕｒｅ Ｍｏｄｅｌ）、Ｉｓｏｌａｔｉｏｎ Ｆｏｒｅｓｔ、Ａｕｔｏｅｎｃｏｄｅｒ、ＶＡＥ（Ｖａｒｉａｔｉｏｎａｌ ＡｕｔｏＥｎｃｏｄｅｒ）、ＶＱＶＡＥ（Ｖｅｃｔｏｒ Ｑｕａｎｔｉｓｅｄ－Ｖａｒｉａｔｉｏｎａｌ ＡｕｔｏＥｎｃｏｄｅｒ）、Ｔｒａｎｓｆｏｒｍｅｒ、ＧＣＮ（Ｇｒａｐｈ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ）、又は、Ｍｅｍｏｒｙ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋと、敵対学習や共同学習、統計学的分布を仮定した異常検知等とを組み合わせた方法であってもよい。

【0036】

第２学習モデル部１２２は、第２学習モデルを用いて第１データ群に属する生産工程データを、正常データ群と、第１異常データ群とに分類する。正常データ群は、正常データを含む。第１異常データ群は、第１異常データを含む。

【0037】

第２学習モデルは、ユーザによって正常データ群と第１異常データ群とに分類されたものが学習された学習モデルである。第２学習モデルで、正常データを含む正常データ群を作成する。

【0038】

詳細には、第２学習モデル部１２２は、予め用意された複数の生産工程データの各々から、ユーザにより選択された生産工程データを正常データ、ユーザにより選択されなかった生産工程データを第１異常データとして、正常データと第１異常データとを識別するための第２学習モデルを学習する。

【0039】

ここでは、第２学習モデル部１２２は、教師あり学習により第２学習モデルを学習する。例えば第２学習モデル部１２２は、線形判別、ロジスティック回帰、ＳＶＭ、ニューラルネットワーク、Ｋ最近傍法、決定木、ディープラーニング（深層学習）の何れか（何れも公知の様々な技術を利用可能）により第２学習モデルを学習することができる。

【0040】

なお、第２学習モデルは、Ｒａｎｄｏｍ Ｆｏｒｅｓｔ、Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ、Ｇｒａｄｉｅｎｔ Ｂｏｏｓｔｉｎｇ Ｄｅｃｉｓｉｏｎ Ｔｒｅｅ、ＲｅｓＮｅｔ、Ｅｆｆｉｃｉｅｎｔ Ｎｅｔ、Ｔｒａｎｓｆｏｒｍｅｒ、ＧＣＮ（Ｇｒａｐｈ Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）、ＬＳＴＭ（Ｌｏｎｇ Ｓｈｏｒｔ Ｔｅｒｍ Ｍｅｍｏｒｙ）であってもよい。

【0041】

以上、図１から図５を参照して説明したように、本実施形態では、第１学習モデルを用いて生産工程データを、正常データ及び第１異常データを含む第１データ群と、第２異常データを含む第２データ群とに分類する。続けて、第２学習モデルを用いて第１データ群に属する生産工程データを、正常データを含む正常データ群と、第１異常データを含む第１異常データ群とに分類する。換言すれば、第１学習モデルでは、異常データを含まないデータ群を作成せずに、第１異常データも含む第１データ群を作成する。続けて、第２学習モデルで、正常データを含む正常データ群を作成する。その結果、第１学習モデルと第２学習モデルとを用いるため、正常データ群を精度よく作成できる。

【0042】

また、データ収集部１１１は、所定の製造工程で作製された製品Ｓの品質に関する情報を含む生産工程データを収集する。その結果、所定の製造工程で作製された製品Ｓの生産工程データを、精度よく分類できる。

【0043】

続けて図２～図６を参照して、第３学習モデル部１２３と、第４学習モデル部１２４とについて説明する。図６は、第１学習モデルと第２学習モデルと第３学習モデルと第４学習モデルとの関係を示す図である。図２～図６に示すように、学習部１２０は、第３学習モデル部１２３と、第４学習モデル部１２４とを更に備える。

【0044】

データ収集部１１１は、生産工程データを収集する。生産工程データは、所定の製造工程を示す情報を含む。なお、生産工程データは、製造時の状態（気温や湿度、振動等の外環境の状態）を含んでもよい。例えば、生産工程データは、第１材料Ｍ１を準備した工程と、製造装置２の治具を用いる工程と、製造装置２の第１設備Ｅ１を用いる工程と、製品Ｓの製造に対する第１操作者Ｐ１の作業とを示す情報を含む。

【0045】

第４学習モデル部１２４は、第４学習モデルを用いて正常データ群に属する生産工程データを、異常度合別に分類する。

【0046】

第４学習モデルは、異常度合別に分類するために学習された学習モデルである。詳細には、第４学習モデルは、ユーザによって異常度合別に分類されたものが学習された学習モデルである。

【0047】

より詳細には、第４学習モデル部１２４は、予め用意された複数の生産工程データから、異常度１のデータと、異常度２のデータと、異常度３のデータとを識別するための第４学習モデルを学習する。

【0048】

ここでは、第４学習モデル部１２４は、教師あり学習により第４学習モデルを学習する。例えば第４学習モデル部１２４は、線形判別、ロジスティック回帰、ＳＶＭ、ニューラルネットワーク、Ｋ最近傍法、決定木、ディープラーニング（深層学習）の何れか（何れも公知の様々な技術を利用可能）により第４学習モデルを学習することができる。

【0049】

再び図３を参照して、正常データについて説明する。第４学習モデル部１２４は、図３（ａ）に示す生産工程データを異常度１のデータに分類する。図３（ａ）に示す生産工程データは、周波数の範囲の中央の周波数で、振動量が大きくなり、中央の周波数から離間すると、振動量が小さくなっている。また、第４学習モデル部１２４は、図３（ｂ）に示す生産工程データを異常度２のデータに分類する。図３（ｂ）に示す生産工程データは、周波数の範囲の中央値の周波数で、振動量が、やや大きくなり、中央値の周波数から離間すると、振動量が小さくなっている。更に、第４学習モデル部１２４は、図３（ｃ）に示す生産工程データを異常度３のデータに分類する。図３（ｃ）に示す生産工程データは、周波数の範囲の端の周波数で、振動量が大きくなり、橋の周波数から離間すると、振動量が小さくなっている。

【0050】

以上、図２～図６を参照して説明したように、精度よく作成できた正常データ群を異常度合別に分類するため、異常度合別に精度よく分類できる。

【0051】

第３学習モデル部１２３は、第３学習モデルを用いて第２データ群に属する生産工程データを、特定データ群と、特定以外データ群とに分類する。特定データ群は、特定の異常データを含む。特定以外データ群は、特定以外の異常データを含む。特定の異常データが示す異常度合の種類と、特定以外の異常データが示す異常度合の種類とは、異なる。

【0052】

第３学習モデルは、特定データ群と特定以外データ群とに分類するために学習された学習モデルである。詳細には、第３学習モデルは、ユーザによって特定データ群と特定以外データ群とに分類されたものが学習された学習モデルである。

【0053】

より詳細には、第３学習モデル部１２３は、予め用意された複数の生産工程データの各々から、ユーザにより選択された生産工程データを特定データ、ユーザにより選択されなかった生産工程データを特定以外データとして、特定データと特定以外データとを識別するための第３学習モデルを学習する。

【0054】

ここでは、第３学習モデル部１２３は、教師あり学習により第３学習モデルを学習する。例えば第３学習モデル部１２３は、線形判別、ロジスティック回帰、ＳＶＭ、ニューラルネットワーク、Ｋ最近傍法、決定木、ディープラーニング（深層学習）の何れか（何れも公知の様々な技術を利用可能）により第３学習モデルを学習することができる。

【0055】

再び図５を参照して、第２異常データについて説明する。第３学習モデル部１２３は、図５（ａ）に示す生産工程データを特定データに分類する。図５（ａ）に示す生産工程データは、全ての周波数で、振動量が小さくなっている。図５（ａ）に示す生産工程データは、設備Ｅの内の治具が異常である場合の生産工程データを示す。また、第３学習モデル部１２３は、図５（ｃ）に示す生産工程データを特定データに分類する。図５（ｃ）に示す生産工程データは、２カ所の周波数で、振動量が大きくなっている。図５（ｃ）に示す生産工程データは、設備Ｅの内の装置が異常である場合の生産工程データを示す。更に、第３学習モデル部１２３は、図５（ｂ）に示す生産工程データを特定以外データに分類する。図５（ｂ）に示す生産工程データは、多数の周波数で、振動量が大きくなっている。図５（ｂ）に示す生産工程データは、製品Ｓが異常である場合の生産工程データを示す。

【0056】

以上、図２～図６を参照して説明したように、正常データを含まない第２データ群に属する複数の生産工程データを分類するため、特定データ群と特定以外データ群とに精度よく分類できる。

【0057】

続けて図２を参照して、制御部１１０について詳細に説明する。図２に示すように、制御部１１０は、異常検知部１１３と、分析結果グラフ作成部１１４と、異常通知部１１５とを備える。

【0058】

分析結果グラフ作成部１１４は、第４学習モデルによって分類された各異常度合に属する生産工程データの個数を示す表を作成する。ここで図７を参照して、表について説明する。図７は、各異常度合に属する生産工程データの個数を示す表を示す図である。図７に示すように、異常度１のデータの数は、５５％を占め、異常度２のデータの数は、２２％を占め、異常度３のデータの数は、１３％を占める。例えば、異常度３のデータの数が１０％以上であると、所定の製造工程に異常があることを認識できる。

【0059】

以上、図７を参照して説明したように、分析結果グラフ作成部１１４は、表を作成するため、所定の製造工程に異常があることを認識できる。その結果、所定の製造工程を適切に見直すことができる。

【0060】

異常検知部１１３は、第４学習モデルによって分類された各異常度合に属する生産工程データの個数の比率に基づいて、所定の製造工程に異常があることを検知する。例えば、母比率の信頼区間を正常範囲とし、異常度３のデータの数が１０％以上であると、所定の製造工程に異常があることを検知してもよい。

【0061】

以上、図２を参照して説明したように、異常検知部１１３は、所定の製造工程に異常があることを検知するため、所定の製造工程に異常があることを認識できる。その結果、所定の製造工程を適切に見直すことができる。

【0062】

異常検知部１１３は、第３学習モデルによって分類された特定の異常データに基づいて、所定の製造工程の特定箇所に異常があることを検知する。例えば、図５（ａ）に示す生産工程データの数が、所定数以上である場合には、設備Ｅの内の治具が異常であることを検知する。

【0063】

以上、図２を参照して説明したように、製造工程の特定箇所に異常があることを認識できる。その結果、製造工程の特定箇所を適切に見直すことができる。

【0064】

詳細には、記憶部１５０は、過去比率データを記憶する。過去比率データは、所定数の製品Ｓより過去に製造工程で作製された複数の製品Ｓに基づいて作成された比率を示す。具体的には、過去比率データは、製造装置２の導入時等に作製された複数の製品Ｓに基づいて作成された比率を示す。例えば、過去比率データでは、異常度１のデータの数は、７５％を占め、異常度２のデータの数は、１２％を占め、異常度３のデータの数は、３％を占める。なお、正常データ以外のデータの数が、１０％を占める。

【0065】

異常検知部１１３は、所定数比率データと過去比率データとに基づいて、製造工程に異常があることを検知する。所定数比率データは、製造工程で作製された所定数の製品Ｓに基づいて作成された比率を示す。具体的には、所定比率データは、所定期間毎に作製された複数の製品Ｓに基づいて作成された比率を示す。例えば、過去比率データから算出された母比率の信頼区間を正常範囲とし、所定数比率データが正常範囲を外れた場合には、所定数の製品Ｓを作製した所定期間には、製造工程に異常があることを検知する。

【0066】

以上、図２を参照して説明したように、所定期間に製造工程に異常があることを認識できる。その結果、製造工程を適切に見直すことができる。

【0067】

続けて図８を参照して、情報処理装置１００の情報処理方法について説明する。図８は、情報処理装置１００の情報処理方法を示すフローチャートである。図８に示すように、情報処理装置１００の情報処理方法は、処理Ｓ１０１～処理Ｓ１０６を含む。情報処理方法は、情報処理装置１００によって実行される。

【0068】

まず、処理Ｓ１０１において、第１学習モデル部１２１は、第１学習モデルを用いて生産工程データを、第１データ群と、第２データ群とに分類する（第１学習モデルステップ）。

【0069】

次に、処理Ｓ１０２において、第２学習モデル部１２２は、第２学習モデルを用いて第１データ群に属する生産工程データを、正常データ群と、第１異常データ群とに分類する（第２学習モデルステップ）。

【0070】

次に、処理Ｓ１０３において、第３学習モデル部１２３は、第３学習モデルを用いて第２データ群に属する生産工程データを、特定データ群と、特定以外データ群とに分類する。

【0071】

次に、処理Ｓ１０４において、第４学習モデル部１２４は、第４学習モデルを用いて正常データ群に属する生産工程データを、異常度合別に分類する。

【0072】

次に、処理Ｓ１０５において、異常検知部１１３は、所定数比率データと過去比率データとに基づいて、製造工程に異常があるか否かを判定する。製造工程に異常がないと判定した場合（ステップＳ１０５でＮＯ）、処理がステップＳ１０１に戻る。一方、製造工程に異常があると判定した場合（ステップＳ１０５でＹＥＳ）、処理がステップＳ１０６に進む。

【0073】

次に、処理Ｓ１０６において、異常検知部１１３は、製造工程に異常があることを通知する。そして、情報処理装置１００の情報処理方法が終了する。

【0074】

以上、図面を参照しながら本開示の実施形態を説明した。但し、上記実施形態は、本開示の例示にすぎず、本開示は、上記の実施形態に限られるものではなく、その要旨を逸脱しない範囲で種々の態様において実施することが可能である。図面は、理解しやすくするために、それぞれの構成要素を主体に模式的に示しており、図示された各構成要素の厚み、長さ、個数等は、図面作成の都合上から実際とは異なる。また、上記の実施形態で示す各構成要素の材質や形状、寸法等は一例であって、特に限定されるものではなく、本開示の効果から実質的に逸脱しない範囲で種々の変更が可能である。実施形態の構成は、本開示の技術的思想を超えない範囲で適宜変更されてもよい。また、実施形態は、可能な範囲で組み合わせて実施されてもよい。

【0075】

（１）図１～図８を参照して説明したように、本発明の実施形態では、分析結果グラフ作成部１１４は、第４学習モデルによって分類された各異常度合に属する生産工程データの個数を示す表を作成したが、本発明はこれに限定されない。分析結果グラフ作成部１１４は、第４学習モデルによって分類された各異常度合に属する生産工程データの個数を示すグラフを作成してもよい。

【0076】

なお、本技術は、以下のような構成を採用することも可能である。

【0077】

（１）第１学習モデルを用いて生産工程データを、正常データ及び第１異常データを含む第１データ群と、第２異常データを含む第２データ群とに分類する第１学習モデル部と、
第２学習モデルを用いて前記第１データ群に属する生産工程データを、前記正常データを含む正常データ群と、前記第１異常データを含む第１異常データ群とに分類する第２学習モデル部と
を備え、
前記生産工程データは、製品の品質に関する情報を含み、
前記第１異常データが示す前記製品の異常度合は、前記第２異常データが示す前記製品の異常度合より前記正常データが示す前記製品の異常度合に近く、
前記第１学習モデルは、前記第１データ群と前記第２データ群とに分類するために学習された学習モデルであり、
前記第２学習モデルは、ユーザによって前記正常データ群と前記第１異常データ群とに分類されたものが学習された学習モデルである、情報処理装置。

【0078】

（２）第３学習モデルを用いて前記第２データ群に属する生産工程データを、特定の異常データを含む特定データ群と、特定以外の異常データを含む特定以外データ群とに分類する第３学習モデル部と、
第４学習モデルを用いて前記正常データ群に属する生産工程データを、異常度合別に分類する第４学習モデル部と
を更に備え、
前記特定の異常データが示す前記異常度合の種類と、前記特定以外の異常データが示す前記異常度合の種類とは、異なり、
前記第３学習モデルは、前記特定データ群と前記特定以外データ群とに分類するために学習された学習モデルであり、
前記第４学習モデルは、前記異常度合別に分類するために学習された学習モデルである、（１）に記載の情報処理装置。

【0079】

（３）前記生産工程データを収集するデータ収集部と、
前記生産工程データの各々を整形するデータ整形部と
を更に備え、
前記生産工程データは、所定の製造工程で作製された前記製品の品質に関する情報を含む、（１）又は（２）に記載の情報処理装置。

【0080】

（４）前記第４学習モデルによって分類された各異常度合に属する生産工程データの個数を示すグラフ又は表を作成する作成部を更に備える、（３）に記載の情報処理装置。

【0081】

（５）前記第４学習モデルによって分類された各異常度合に属する生産工程データの個数の比率に基づいて、前記所定の製造工程に異常があることを検知する検知部を更に備える、（３）又は（４）に記載の情報処理装置。

【0082】

（６）過去比率データを記憶する記憶部を更に備え、
前記検知部は、所定数比率データと前記過去比率データとに基づいて、前記製造工程に異常があることを検知し、
前記所定数比率データは、前記製造工程で作製された所定数の製品に基づいて作成された前記比率を示し、
前記過去比率データは、前記所定数の製品より過去に前記製造工程で作製された複数の製品に基づいて作成された前記比率を示す、（５）に記載の情報処理装置。

【0083】

（７）前記検知部は、前記第３学習モデルによって分類された前記特定の異常データに基づいて、前記所定の製造工程の特定箇所に異常があることを検知し、
前記所定の製造工程は、前記製品の材料を準備する工程、製造装置の治具を用いる工程、製造装置の設備を用いる工程、又は、前記製品の製造に対する人の作業を含む、（５）又は（６）に記載の情報処理装置。

【符号の説明】

【0084】

１００・・・情報処理装置
１２１・・・第１学習モデル部
１２２・・・第２学習モデル部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】