特開 2024-134434 プロセス推定装置及び方法

(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】P2024134434

(43)【公開日】2024-10-03

(54)【発明の名称】プロセス推定装置及び方法

(51)【国際特許分類】

   B24B 31/12 20060101AFI20240926BHJP

   B24B 31/02 20060101ALI20240926BHJP

   B24B 31/14 20060101ALI20240926BHJP

【ＦＩ】

B24B31/12 Z

B24B31/02 Z

B24B31/14

【審査請求】未請求

【請求項の数】7

【出願形態】ＯＬ

(21)【出願番号】P 2023044739

(22)【出願日】2023-03-20

(71)【出願人】

【識別番号】000005083

【氏名又は名称】株式会社プロテリアル

(74)【代理人】

【識別番号】110002583

【氏名又は名称】弁理士法人平田国際特許事務所

(72)【発明者】

【氏名】萩尾 聡明

【テーマコード（参考）】

3C158

【Ｆターム（参考）】

3C158AA01

3C158BA01

3C158BA02

3C158BB02

3C158BB06

3C158BB08

3C158BB09

3C158CA04

3C158CB03

(57)【要約】

【課題】バレル研磨の研磨条件を容易に推定することが可能なプロセス推定装置及び方法を提供する。
【解決手段】被処理物１０をバレル研磨して処理物を得る際のプロセス推定装置１であって、少なくとも、被処理物１０の状態を示す被処理物データ６１、バレル研磨の研磨条件の情報を含むプロセスデータ６２、及び、処理物に関する処理物データ６３の関係を機械学習し、これらのデータの相関性を表す回帰モデル３３を作成する回帰モデル作成処理部２４と、回帰モデル作成処理部２４で作成した回帰モデル３３を用いて、推定対象のプロセスデータ６２を推定するプロセス推定処理部２５と、を備え、プロセスデータ６２は、少なくとも、バレル研磨に用いるメディア１２に関する情報を含む。
【選択図】図１

【特許請求の範囲】

【請求項1】

被処理物をバレル研磨して処理物を得る際のプロセス推定装置であって、
少なくとも、前記被処理物の状態を示す被処理物データ、前記バレル研磨の研磨条件の情報を含むプロセスデータ、及び、前記処理物に関する処理物データの関係を機械学習し、これらのデータの相関性を表す回帰モデルを作成する回帰モデル作成処理部と、
前記回帰モデル作成処理部で作成した前記回帰モデルを用いて、推定対象の前記プロセスデータを推定するプロセス推定処理部と、を備え、
前記プロセスデータは、少なくとも、前記バレル研磨に用いるメディアに関する情報を含む、
プロセス推定装置。

【請求項2】

前記プロセスデータは、前記メディアに関する情報として、前記メディアの大きさ、前記メディアの材質、前記メディアの総重量のうち少なくとも１つ以上を含む、
請求項１に記載のプロセス推定装置。

【請求項3】

前記メディアが球状であり、
前記プロセスデータは、前記メディアに関する情報として、少なくとも前記メディアの外径であるメディア径を用いる、
請求項２に記載のプロセス推定装置。

【請求項4】

前記処理物データは、前記処理物の不良率のデータを含む、
請求項１に記載のプロセス推定装置。

【請求項5】

前記回帰モデル作成処理部は、前記被処理物データ及び前記プロセスデータの各パラメータを説明変数とし、前記処理物データの所定のパラメータを目的変数として、前記説明変数と前記目的変数との相関性を表す前記回帰モデルを作成する、
請求項１に記載のプロセス推定装置。

【請求項6】

前記被処理物が、磁性材料である、
請求項１に記載のプロセス推定装置。

【請求項7】

被処理物をバレル研磨して処理物を得る際のプロセス推定方法であって、
少なくとも、前記被処理物の状態を示す被処理物データ、前記バレル研磨の研磨条件の情報を含むプロセスデータ、及び、前記処理物に関する処理物データの関係を機械学習し、これらのデータの相関性を表す回帰モデルを作成する回帰モデル作成工程と、
前記回帰モデル作成工程で作成した前記回帰モデルを用いて、推定対象の前記プロセスデータを推定するプロセス推定工程と、を備え、
前記プロセスデータは、少なくとも、前記バレル研磨に用いるメディアに関する情報を含む、
プロセス推定方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、プロセス推定装置及び方法に関する。

【背景技術】

【0002】

従来、面取りや研磨のために、バレル研磨が用いられている（例えば、特許文献１参照）。バレル研磨では、バレルの中に、処理対象となる被処理物（ワーク）をメディア（研磨材、研磨石）と共に投入し、バレルを回転させたり振動させたりすることで、被処理物とメディアとを擦り合わせ、被処理物の面取りや研磨を行う。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２００５－２９７１１７号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

ところで、一般的に、バレル研磨においては、研磨条件が適切でないと、処理物同士が衝突することにより欠けが発生してしまったり、衝突の頻度が上がり欠けの発生が増えたり面取り量が不十分又は過剰となってしまったりする。そのため、研磨条件を適切に設定する必要があるが、適切な研磨条件は被処理物ごとに変わり、様々なパラメータを調整する必要があるため、研磨条件の検討に非常に時間がかかってしまう。

【0005】

そこで、本発明は、バレル研磨の研磨条件を容易に推定することが可能なプロセス推定装置及び方法を提供することを目的とする。

【課題を解決するための手段】

【0006】

本発明は、上記課題を解決することを目的として、被処理物をバレル研磨して処理物を得る際のプロセス推定装置であって、少なくとも、前記被処理物の状態を示す被処理物データ、前記バレル研磨の研磨条件の情報を含むプロセスデータ、及び、前記処理物に関する処理物データの関係を機械学習し、これらのデータの相関性を表す回帰モデルを作成する回帰モデル作成処理部と、前記回帰モデル作成処理部で作成した前記回帰モデルを用いて、推定対象の前記プロセスデータを推定するプロセス推定処理部と、を備え、前記プロセスデータは、少なくとも、前記バレル研磨に用いるメディアに関する情報を含む、プロセス推定装置を提供する。

【0007】

また、本発明は、上記課題を解決することを目的として、被処理物をバレル研磨して処理物を得る際のプロセス推定方法であって、少なくとも、前記被処理物の状態を示す被処理物データ、前記バレル研磨の研磨条件の情報を含むプロセスデータ、及び、前記処理物に関する処理物データの関係を機械学習し、これらのデータの相関性を表す回帰モデルを作成する回帰モデル作成工程と、前記回帰モデル作成工程で作成した前記回帰モデルを用いて、推定対象の前記プロセスデータを推定するプロセス推定工程と、を備え、前記プロセスデータは、少なくとも、前記バレル研磨に用いるメディアに関する情報を含む、プロセス推定方法を提供する。

【発明の効果】

【0008】

本発明によれば、バレル研磨の研磨条件を容易に推定することが可能なプロセス推定装置及び方法を提供できる。

【図面の簡単な説明】

【0009】

【図1】本発明の一実施の形態に係るプロセス推定装置の概略構成図である。

【図2】全体データベースの一例を示す図である。

【図3】（ａ）は学習用データ抽出処理、（ｂ）は回帰モデル作成処理、（ｃ）はプロセス推定処理を説明する図である。

【図4】本発明の一実施の形態に係るプロセス推定方法のフロー図である。

【図5】データ取得処理のフロー図である。

【図6】（ａ）は回帰モデル作成処理、（ｂ）はプロセス推定処理のフロー図である。

【図7】（ａ）は変数設定画面の一例、（ｂ）は評価値表示画面の一例を示す図である。

【図8】（ａ）は推定元データ入力画面の一例、（ｂ）は推定結果表示画面の一例を示す図である。

【図9】本発明による実施例と、本発明の比較対象となる比較例について、推定精度の評価結果を示す図である。

【発明を実施するための形態】

【0010】

［実施の形態］
以下、本発明の実施の形態を添付図面にしたがって説明する。

【0011】

図１は、本実施の形態に係るプロセス推定装置１の概略構成図である。図１に示すように、プロセス推定装置１は、バレル研磨におけるプロセスを推定する装置である。図１では、プロセス推定装置１に加えて、バレル研磨を行うバレル研磨装置１００と、後述する被処理物１０や処理物の分析を行う分析エリア１１０も併せて示している。

【0012】

（バレル研磨装置１００）
バレル研磨に用いるバレル研磨装置１００では、バレル１１内に、被処理物１０（ワーク）とメディア１２（研磨材、研磨石）とを投入し、バレル１１を回転させることで、被処理物１０の面取りや研磨を行う。被処理物１０にバレル研磨を行うことにより、処理物が得られる。ここでは、被処理物１０（及び処理物）として磁性材料を用いた。ただし、被処理物１０は、磁性材料に限定されず、種々の材料に適用可能である。また、バレル研磨装置１００は回転式のものに限定されず、例えば振動を加える方式のものであってもよい。

【0013】

（分析エリア１１０）
分析エリア１１０は、バレル研磨前の被処理物１０、及びバレル研磨後の処理物の分析を行うエリアである。図１の例では、分析エリア１１０には、被処理物１０及び処理物の各部の寸法を測定する寸法測定装置１１１や、被処理物１０及び処理物の重量（質量）を測定する重量測定装置１１２等が設けられている。分析エリア１１０で得られた被処理物１０の状態を示すデータである被処理物データ６１、及び処理物の状態を示すデータである処理物データ６３は、適宜な方法によりプロセス推定装置１に入力される。例えば、分析エリア１１０にデータ保存用のパーソナルコンピュータ等の演算装置を設けておき、当該演算装置からプロセス推定装置１に、被処理物データ６１及び処理物データ６３を送信するように構成してもよい。また、例えば、ＵＳＢメモリ等の記憶メディアを介して、被処理物データ６１及び処理物データ６３をプロセス推定装置１に入力してもよいし、後述する入力装置５により直接入力してもよい。なお、分析エリア１１０の「エリア」は特定の場所を表すわけではなく、分析用の装置等をまとめた概念上の領域である。つまり、分析用の各装置は一か所にまとめて配置される必要はない。

【0014】

（各種データの詳細、及び全体データベース３１の説明）
ここで、プロセス推定に用いる各種データの詳細について説明する。本実施の形態では、少なくとも、被処理物データ６１、プロセスデータ６２、及び処理物データ６３の関係を機械学習し、その学習結果を基にプロセス推定を行う。以下、これらデータの詳細について説明する。

【0015】

図２は、プロセス推定に用いる全体データベース３１の一例を示す図である。なお、図２は全体データベース３１の概念を示すものであり、実際の実験データを記載したものではない。図２に示すように、全体データベース３１は、収集したデータを一括して管理するデータベースであり、少なくとも、被処理物データ６１、プロセスデータ６２、及び処理物データ６３を含んでいる。図示の例では、全体データベース３１には、これらデータの他、製品情報データ６０としてロット番号の情報が含まれている。なお、全体データベース３１には、必要に応じて、その他データが含まれていてもよく、機械学習に用いないデータが含まれていてもよい。

【0016】

被処理物データ６１は、被処理物１０の状態を示すデータである。図２に示される通り、被処理物データ６１は、例えば、被処理物１０の形状等の種別の番号を表す「製品種別」、１つの被処理物１０の重さ（質量）を表す「製品単重」、被処理物１０の各部の大きさや長さを表す「製品寸法１」及び「製品寸法２」、被処理物１０の材質の番号を表す「製品材質」等のパラメータを有している。「製品寸法１」及び「製品寸法２」は、予め設定された製品の全体あるいは所定部分の寸法であり、例えば、製品が角柱形状であれば高さ、長さ、奥行き等であり、製品が円柱形状であれば外径や長さ等であり、製品が中空円筒形状であれば外径、内径、長さ等である。なお、被処理物データ６１は、図示以外のパラメータを含んでいてもよい。

【0017】

プロセスデータ６２は、バレル研磨の研磨条件の情報を含むデータである。本実施の形態では、プロセスデータ６２は、少なくとも、バレル研磨に用いる「メディア１２に関する情報」を含んでいる。「メディア１２に関する情報」としては、メディア１２の大きさ、メディア１２の材質、メディア１２の総重量のうち少なくとも１つ以上の情報を含むとよい。本実施の形態では、球状のメディア１２を用いたため、「メディア１２に関する情報」におけるメディア１２の大きさの情報として、少なくともメディア１２の外径であるメディア径を用いている。

【0018】

より具体的には、本実施の形態では、図２に示される通り、プロセスデータ６２は、「メディア１２に関する情報」として、メディア１２の材質の番号を示す「材質」、メディア径を示す「径」、バレル１１に投入するメディア１２の総重量を示す「総重量」を含んでいる。

【0019】

なお、「メディア１２に関する情報」は図示の例に限らず、他の情報を含んでいてもよい。例えば、メディア径や材質が同じであっても、異なる製造メーカのメディア１２を用いると研磨結果が異なってくる場合がある。このようなことを考慮し、メディア１２を製造するメーカの情報（番号など）を「メディア１２に関する情報」として含んでもよい。

【0020】

また、球状でないメディア１２を用いる場合も考えられる。このような場合に対応するため、メディア１２の形状の情報（番号など）を「メディア１２に関する情報」に含んでもよい。また、球状でないメディア１２を用いる場合、「メディア１２に関する情報」におけるメディア１２の大きさの情報として、メディア径に代えて、メディア１２の体積を用いてもよい。また、メディア径として、体積が等しい球の直径（球相当径）を用いることもできる。

【0021】

また、プロセスデータ６２は、「メディア１２に関する情報」の他に、バレル１１に投入する被処理物１０の総重量を示す「製品投入重量」、バレル１１に投入する被処理物１０の数量を示す「製品投入数量」、バレル１１の回転時間、バレル１１の回転数等のパラメータを含んでいる。なお、プロセスデータ６２は、図示以外のパラメータを適宜含んでいてもよい。

【0022】

処理物データ６３は、処理物に関するデータであり、バレル研磨の評価の指標となるパラメータを含んでいる。図２に示される通り、処理物データ６３は、処理物の面取り量や不良率のパラメータを含んでいる。なお、処理物データ６３は、図示以外のパラメータを適宜含んでいてもよく、例えば、不良率に替えて、合格率を用いてもよい。また、不良率については、再度のバレル研磨で合格品となる処理物を不良に含めずに不良率を求めるようにしてもよい。

【0023】

なお、ここでいう「不良」とは、出荷時の外観検査で、製品ごとに設けられた欠けとヒビの基準を満たさないことを意味している。出荷時の外観検査では、バレル研磨以外の工程（加工や素材成形、塗装などの工程）に起因する不良も含まれるが、その数は少なく、バレル研磨に起因する不良が多くを占めている。そのため、出荷時の外観検査で十分にバレル研磨に関連する不良を判断することが可能である。詳細は後述するが、本発明による実施例の予測精度が高い（図９参照）ことからも、出荷時の外観検査で十分にバレル研磨に関連する不良を判断できることが分かる。外観検査時の合格数量と不良数量とは、ロットごとに得られるため、本実施の形態では、得られた外観検査時の合格数量と不良数量とに基づき、ロットごとに不良率を計算した。そして、計算したデータをクレンジングし、小数点第二位までを不良率のデータとして保持するようにした。なお、これに限らず、予め設定した製造数量毎に計算してもよい。

【0024】

図１に戻り、プロセス推定装置１は、少なくとも、制御部２と、記憶部３と、図示しない通信部とを有している。制御部２は、プロセス推定装置１の全体を統括的に制御しており、記憶部３は、制御部２による後述する各種処理に必要な情報等を記憶する。プロセス推定装置１は、例えば、サーバ装置等のコンピュータであり、ＣＰＵ等の演算素子、ＲＡＭやＲＯＭ等のメモリ、ハードディスク等の記憶装置、ＬＡＮカード等の通信デバイスである通信インターフェースを備えている。

【0025】

制御部２は、設定処理部２１、データ取得処理部２２、学習用データ抽出処理部２３、回帰モデル作成処理部２４、プロセス推定処理部２５、及び推定データ提示処理部２６を有している。各部の詳細については後述する。

【0026】

記憶部３は、メモリや記憶装置の所定の記憶領域により実現されている。また、プロセス推定装置１は、表示器４と、入力装置５と、を有している。表示器４は、例えば液晶ディスプレイ等であり、入力装置５は、例えばキーボードやマウス等である。なお、表示器４をタッチパネルで構成し、表示器４が入力装置５を兼ねる構成としてもよい。また、表示器４や入力装置５は、プロセス推定装置１と別体に構成され、無線通信等によりプロセス推定装置１と相互に通信可能に構成されていてもよい。この場合、表示器４または入力装置５は、タブレットやスマートフォン等の携帯端末で構成されていてもよい。

【0027】

（設定処理部２１）
設定処理部２１は、プロセス推定装置１の各種設定を行うための設定処理を行うものである。設定処理部２１では、例えば、データ取得処理部２２によるデータ取得の方法やデータ取得日時の設定等、各種制御に係る情報の設定を行うことができる。また、設定処理部２１では、記憶部３に記憶する各種情報の登録・更新・削除等が可能である。各種情報の入力等には、入力装置５等を用いることができる。

【0028】

（データ取得処理部２２）
データ取得処理部２２は、各種データ６０～６３を取得するデータ取得処理（図５参照）を行うものである。データ取得処理部２２は、取得した各データ６０～６３を、全体データベース３１として記憶部３に記憶する。

【0029】

（学習用データ抽出処理部２３）
学習用データ抽出処理部２３は、全体データベース３１から、機械学習に用いるデータのみを学習用データ３２として抽出する学習用データ抽出処理を行う。図３（ａ）に示すように、学習用データ抽出処理では、全体データベース３１に含まれるデータから説明変数となる説明変数データ７１と目的変数となる目的変数データ７２とを抽出する。本実施の形態では、説明変数データ７１として、被処理物データ６１とプロセスデータ６２とを用い、目的変数データ７２として、処理物データ６３を用いる。抽出された学習用データ３２は、記憶部３に記憶される。

【0030】

（回帰モデル作成処理部２４）
図３（ｂ）に示すように、回帰モデル作成処理部２４は、抽出された学習用データ３２を用いて機械学習を行い、説明変数データ７１の各パラメータと目的変数データ７２の各パラメータとの相関を示す回帰モデル３３を作成する回帰モデル作成処理を行う（図６（ａ）参照）。本実施の形態では、回帰モデル作成処理部２４は、少なくとも、被処理物データ６１、プロセスデータ６２、及び処理物データ６３の関係を機械学習し、これらデータの相関性を表す回帰モデル３３を作成する。より詳細には、回帰モデル作成処理部２４は、被処理物データ６１及びプロセスデータ６２の各パラメータを説明変数とし、処理物データ６３の所定のパラメータ（例えば、不良率）を目的変数として、説明変数と目的変数との相関性を表す回帰モデル３３を作成する。

【0031】

回帰モデル作成処理部２４は、入力された説明変数データ７１の各パラメータに対する目的変数データ７２のパラメータの相関性を、機械学習により自ら学習するための学習アルゴリズム等のソフトウェアを含んでいる。学習アルゴリズムは特に限定されず、公知の学習アルゴリズムを用いることができ、例えば、３層以上の層をなすニューラルネットワークを用いた所謂ディープラーニング等を用いることができる。回帰モデル作成処理部２４が学習するものは、説明変数データ７１と、目的変数データ７２との相関性を表すモデル構造に相当する。

【0032】

より具体的には、回帰モデル作成処理部２４は、入力された学習用データ３２を基に、説明変数データ７１と目的変数データ７２とを含むデータ集合に基づく学習を反復実行し、両者の相関性を自動的に解釈する。なお、学習の開始時には相関性は未知の状態であるが、学習を進めるに従って説明変数データ７１に対する目的変数データ７２の相関性を徐々に解釈し、その結果として得られた学習済みモデルである回帰モデル３３を用いることで、説明変数データ７１に対する目的変数データ７２の相関性を解釈可能になる。

【0033】

回帰モデル作成処理部２４は、作成した回帰モデル３３を記憶部３に記憶する。本実施の形態では、回帰モデル作成処理部２４は、全体データベース３１が更新される度に、回帰モデル３３を更新する。ただし、これに限らず、例えば後述するプロセス推定処理を実行する際に、データ更新分をまとめて学習し、回帰モデル３３を更新するようにしてもよい。

【0034】

（プロセス推定処理部２５）
プロセス推定処理部２５は、回帰モデル作成処理部２４が作成した回帰モデル３３を用いて、推定対象のプロセスデータ６２を推定するプロセス推定処理を行う（図６（ｂ）参照）。図３（ｃ）に示すように、プロセス推定処理部２５は、回帰モデル作成処理部２４が作成した回帰モデル３３と、推定元のデータである推定元データ３４とを基に、推定データ３５を求める。求めた推定データ３５は、記憶部３に記憶される。本実施の形態では、プロセスの推定を行うために、推定データ３５はプロセスデータ６２となる。推定元データ３４は、機械学習に用いたパラメータのうち、推定するプロセスデータ６２のパラメータ以外のパラメータのデータとなる。推定元データ３４は、例えば、入力装置５により入力される。ここで得られた推定データ３５（プロセスデータ６２）は、推定元データ３４として入力された被処理物１０の状態等を考慮して、所望の処理物の状態とすることが可能なプロセス条件の設定値を表している。

【0035】

（推定データ提示処理部２６）
推定データ提示処理部２６は、推定データ３５を提示する推定データ提示処理を行う。推定データ提示処理では、例えば、推定データ３５を表示器４に表示する。なお、推定データ提示処理では、推定データ３５以外のデータ、例えば、説明変数データ７１や目的変数データ７２として用いたパラメータ等もあわせて提示するように構成されていてもよい。

【0036】

（プロセス推定方法）
（メインルーチン）
図４は、本実施の形態に係るプロセス推定方法のフロー図である。なお、図４において、実線で示す矢印は、制御の流れを表しており、破線で示す矢印は、信号やデータの入出力を表している。

【0037】

図４に示すように、まず、入力装置５等から各種データ６０～６３が入力される（ステップＳ１０）。プロセス推定装置１は、ステップＳ１にて、各種データ６０～６３が入力されたかを判定する。ステップＳ１にてＮＯ（Ｎ）と判定された場合、ステップＳ５に進む。ステップＳ１でＹＥＳ（Ｙ）と判定された場合、ステップＳ２に進み、データ取得処理を行う。

【0038】

ステップＳ２のデータ取得処理では、図５に示すように、ステップＳ２１にて、データ取得処理部２２が、各種データ６０～６３を受信する。そして、ステップＳ２２にて、データ取得処理部２２が、受信した各種データ６０～６３を全体データベース３１に登録し記憶部３に記憶する。この際、既存の全体データベース３１にデータを追加するのか、あるいは新たに全体データベース３１を作成するのかを選択可能としてもよい。その後、リターンし、図４のステップＳ３に進み、学習用データ抽出処理を行う。

【0039】

ステップＳ３の学習用データ抽出処理では、学習用データ抽出処理部２３が、全体データベース３１から、説明変数データ７１と目的変数データ７２を抽出して、学習用データ３２として記憶部３に記憶する。どのデータを説明変数データ７１や目的変数データ７２として使用するかは、使用者が設定画面等にて設定するとよい。この点についての詳細は後述する。本実施の形態では、説明変数データ７１として、少なくとも、プロセスデータ６２のうちメディア１２に関する情報が選択されることになる。

【0040】

その後、ステップＳ４にて、回帰モデル作成処理を行う。回帰モデル作成処理では、図６（ａ）に示すように、まず、ステップＳ４１にて、回帰モデル作成処理部２４が、学習用データ３２（ステップＳ３で抽出された説明変数データ７１及び目的変数データ７２）を機械学習に用いて、回帰モデル３３の作成を行う。なお、ステップＳ４１は、回帰モデル３３が作成済みである場合には、回帰モデル３３が更新される。その後、ステップＳ４２にて、作成（あるいは更新）した回帰モデル３３を記憶部３に記憶し、リターンする。

【0041】

プロセスの推定を行う際には、入力装置５等により、推定元データ３４を入力する（ステップＳ１１）。なお、予め推定元データ３４となるデータをプロセス推定装置１に入力しておき、入力装置５により推定元データ３４として用いるデータを選択するよう構成してもよい。

【0042】

ステップＳ５では、制御部２が、推定元データ３４が入力されたかを判定する。ステップＳ５でＮＯ（Ｎ）と判定された場合、リターンする（ステップＳ１に戻る）。ステップＳ５でＹＥＳ（Ｙ）と判定された場合、ステップＳ６に進む。

【0043】

ステップＳ６では、プロセス推定処理を行う。プロセス推定処理では、図６（ｂ）に示すように、まず、ステップＳ６１にて、プロセス推定処理部２５が、回帰モデル３３を用いて、推定元データ３４に対応するプロセスデータ６２を推定し、推定データ３５とする。その後、ステップＳ６２にて、得られた推定データ３５を記憶部３に記憶する。その後、リターンし、図４のステップＳ７に進む。

【0044】

ステップＳ７では、推定データ提示処理を行う。推定データ提示処理では、例えば、推定データ提示処理部２６が、ステップＳ６で推定した推定データ３５を表示器４に表示する等して、推定データ３５を提示する。その後、リターンする（ステップＳ１に戻る）。

【0045】

（各種画面の説明）
ここで、表示器４に表示される各種画面について説明する。図７（ａ）は、回帰モデル３３の作成に際して表示される変数設定画面４１の一例を示す図である。図７（ａ）に示すように、変数設定画面４１では、画面左側に目的変数を選択するための目的変数選択エリア４１ａを有すると共に、画面右側に説明変数を選択するための説明変数選択エリア４１ｂを有している。使用者は、目的変数選択エリア４１ａでチェックボックス４１ｃにチェックを入れることで、目的変数を選択し、選択完了ボタン４１ｄを押す（クリックする、タッチする）。すると、説明変数選択エリア４１ｂに、選択した目的変数に応じて適切な説明変数が既にチェックされた状態で表示される。使用者は、説明変数選択エリア４１ｂにおいてチェックボックス４１ｃにチェックを追加したりチェックを外したりして、使用する説明変数を決定し、ＯＫボタン４１ｅを押す。すると、選択結果に基づいて、上記の学習用データ抽出処理と、回帰モデル作成処理が行われ、回帰モデル３３の作成が行われることになる。

【0046】

上では言及しなかったが、例えば使用する説明変数が多すぎたりすると、過学習により回帰モデル３３の推定精度が低下するおそれがある。そこで、本実施の形態では、学習用データ３２のうち一部（例えば７割）を使用して回帰モデル３３を作成し、残りの学習用データ３２（例えば３割）を用いてテストを行い、その評価値を表示器４に表示するように制御部２を構成した。図７（ｂ）は、評価値を表示する評価値表示画面４２の一例を示す図である。図７（ｂ）に示すように、評価値表示画面４２では、その画面中央部に評価値を表示する評価値表示エリア４２ａを有し、評価値が表示されている。なお、どの評価値を用いるかは適宜変更可能である。評価値表示画面４２の下部には、「これでよろしいですか？」といった確認を促すメッセージが表示されており、はいボタン４２ｂを押すと、例えば推定元データ３４を入力する推定元データ入力画面４３（図８（ａ）参照）に移行する。いいえボタン４２ｃを押すと、図７（ａ）の変数設定画面４１に戻り、改めて、使用する目的変数や説明変数の設定を行うことになる。使用する目的変数や説明変数の選択、評価を繰り返すことで、適切な目的変数及び説明変数の選択が可能になり、推定精度の向上が図れる。

【0047】

図８（ａ）は、推定元データ入力画面４３の一例を示す図である。図８（ａ）に示すように、推定元データ入力画面４３では、製品を選択するための製品選択エリア４３ａと、推定元データ３４のデータ入力を行うための入力エリア４３ｂと、を有している。例えば、使用者が製品選択エリア４３ａで製品を選択すると、入力エリア４３ｂに製品に対応する値が自動で入力されるようにしてもよい。また、図示例では、入力エリア４３ｂで最小値と最大値を入力するようにしたが、１つの値（代表値）のみを入力するよう構成してもよい。入力エリア４３ｂへの入力が終了し、推定開始ボタン４３ｃを押すと、上記のプロセス推定処理が行われることになる。

【0048】

図８（ｂ）は、プロセス推定処理の推定結果を表示する推定結果表示画面４４の一例を示す図である。図８（ｂ）に示すように、推定結果表示画面４４では、項目毎に狙い値（設定値）が表示される。この狙い値が、プロセス推定処理により推定した推定データ３５である。ここでは、狙い値と管理幅を表示しているが、例えば管理幅を省略してもよい。また、管理幅については、プラスとマイナスとで違う値が設定されてもよい。推定結果表示画面４４では、上部にタブ４４ａを有しており、「要求特性等」のタブ４４ａを押すことで、図８（ａ）の推定元データ入力画面４３に戻り、入力データの変更等を行うことができる。

【0049】

なお、図７，８に示した各画面はあくまで一例であり、表示レイアウトや表示項目、表示形式等は適宜変更可能である。

【0050】

（実施の形態の作用及び効果）
以上説明したように、本実施の形態に係るプロセス推定装置１では、少なくとも、被処理物１０の状態を示す被処理物データ６１、バレル研磨の研磨条件の情報を含むプロセスデータ６２、及び、処理物に関する処理物データ６３の関係を機械学習し、これらのデータの相関性を表す回帰モデル３３を作成する回帰モデル作成処理部２４と、回帰モデル作成処理部２４で作成した回帰モデル３３を用いて、推定対象のプロセスデータ６２を推定するプロセス推定処理部２５と、を備え、プロセスデータ６２は、少なくとも、バレル研磨に用いるメディア１２に関する情報を含んでいる。

【0051】

バレル研磨の研磨条件は、１つの条件を変更すると他の複数の最適条件が変化してしまい、適切な研磨条件を検討することが容易ではなかった。本実施の形態のように、機械学習を用いることで、バレル研磨の研磨条件をより容易に推定することが可能になる。さらに、メディア径などのメディア１２に関する情報を機械学習に用いることで、推定精度の向上を図ることが可能になる。

【0052】

（推定精度の検討）
図２に示した被処理物データ６１、プロセスデータ６２の各パラメータを説明変数とし、目的変数を不良率として、推定精度の評価を行った。回帰モデル３３の種類はランダムフォレストとし、学習用データ３２の一部を回帰モデル３３の作成に用い、他部をテストデータとして用いることで、実施例の決定係数Ｒ^２を求めた。また、説明変数にメディア径を用いない以外は同様の説明変数、目的変数を用いた比較例についても、決定係数Ｒ^２を求めた。結果をまとめて図９に示す。

【0053】

図９に示すように、説明変数にメディア径を用いた実施例は、説明変数にメディア径を用いない比較例よりも決定係数Ｒ^２が大きくなっており、メディア径を用いることで、推定精度の向上を図れることが確認できた。

【0054】

（変形例）
上記実施の形態では言及しなかったが、作成した回帰モデル３３を用いて、プロセスデータ６２以外のデータを推定することも可能である。例えば、回帰モデル３３を用いて不良率を推定し、推定した不良率が小さくなるように研磨条件を見直す、といった使用法も可能である。

【0055】

（実施の形態のまとめ）
次に、以上説明した実施の形態から把握される技術思想について、実施の形態における符号等を援用して記載する。ただし、以下の記載における各符号等は、特許請求の範囲における構成要素を実施の形態に具体的に示した部材等に限定するものではない。

【0056】

［１］被処理物（１０）をバレル研磨して処理物を得る際のプロセス推定装置（１）であって、少なくとも、前記被処理物（１０）の状態を示す被処理物データ（６１）、前記バレル研磨の研磨条件の情報を含むプロセスデータ（６２）、及び、前記処理物に関する処理物データ（６３）の関係を機械学習し、これらのデータの相関性を表す回帰モデル（３３）を作成する回帰モデル作成処理部（２４）と、前記回帰モデル作成処理部（２４）で作成した前記回帰モデル（３３）を用いて、推定対象の前記プロセスデータ（６２）を推定するプロセス推定処理部（２５）と、を備え、前記プロセスデータ（６２）は、少なくとも、前記バレル研磨に用いるメディア（１２）に関する情報を含む、プロセス推定装置（１）。

【0057】

［２］前記プロセスデータ（６２）は、前記メディア（１２）に関する情報として、前記メディア（１２）の大きさ、前記メディア（１２）の材質、前記メディア（１２）の総重量のうち少なくとも１つ以上を含む、［１］に記載のプロセス推定装置（１）。

【0058】

［３］前記メディア（１２）が球状であり、前記プロセスデータ（６２）は、前記メディア（１２）に関する情報として、少なくとも前記メディア（１２）の外径であるメディア径を用いる、［２］に記載のプロセス推定装置（１）。

【0059】

［４］前記処理物データ（６３）は、前記処理物の不良率のデータを含む、［１］乃至［３］の何れか１項に記載のプロセス推定装置（１）。

【0060】

［５］前記回帰モデル作成処理部（２４）は、前記被処理物データ（６１）及び前記プロセスデータ（６２）の各パラメータを説明変数とし、前記処理物データ（６３）の所定のパラメータを目的変数として、前記説明変数と前記目的変数との相関性を表す前記回帰モデル（３３）を作成する、［１］乃至［４］の何れか１項に記載のプロセス推定装置（１）。

【0061】

［６］前記被処理物（１０）が、磁性材料である、［１］乃至［５］の何れか１項に記載のプロセス推定装置（１）。

【0062】

［７］被処理物（１０）をバレル研磨して処理物を得る際のプロセス推定方法であって、少なくとも、前記被処理物（１０）の状態を示す被処理物データ（６１）、前記バレル研磨の研磨条件の情報を含むプロセスデータ（６２）、及び、前記処理物に関する処理物データ（６３）の関係を機械学習し、これらのデータの相関性を表す回帰モデル（３３）を作成する回帰モデル作成工程と、前記回帰モデル作成工程で作成した前記回帰モデル（３３）を用いて、推定対象の前記プロセスデータ（６２）を推定するプロセス推定工程と、を備え、前記プロセスデータ（６２）は、少なくとも、前記バレル研磨に用いるメディア（１２）に関する情報を含む、プロセス推定方法。

【0063】

（付記）
以上、本発明の実施の形態を説明したが、上記に記載した実施の形態は特許請求の範囲に係る発明を限定するものではない。また、実施の形態の中で説明した特徴の組合せの全てが発明の課題を解決するための手段に必須であるとは限らない点に留意すべきである。また、本発明は、その趣旨を逸脱しない範囲で適宜変形して実施することが可能である。

【符号の説明】

【0064】

１…プロセス推定装置
２…制御部
２１…設定処理部
２２…データ取得処理部
２３…学習用データ抽出処理部
２４…回帰モデル作成処理部
２５…プロセス推定処理部
２６…推定データ提示処理部
３…記憶部
３１…全体データベース
３２…学習用データ
３３…回帰モデル
３４…推定元データ
３５…推定データ
４…表示器
５…入力装置
６０…製品情報データ
６１…被処理物データ
６２…プロセスデータ
６３…処理物データ
７１…説明変数データ
７２…目的変数データ
１０…被処理物
１１…バレル
１２…メディア

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】