知財求人 - 知財ポータルサイト「IP Force」
(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】P2024028038
(43)【公開日】2024-03-01
(54)【発明の名称】推定装置および製造条件最適化システム
(51)【国際特許分類】
G06N 20/00 20190101AFI20240222BHJP
G05B 19/418 20060101ALI20240222BHJP
G05B 23/02 20060101ALI20240222BHJP
【ＦＩ】
G06N20/00
G05B19/418 Z
G05B23/02 P
【審査請求】未請求
【請求項の数】7
【出願形態】ＯＬ
(21)【出願番号】P 2022131348
(22)【出願日】2022-08-19
(71)【出願人】
【識別番号】000191009
【氏名又は名称】新東工業株式会社
(74)【代理人】
【識別番号】110000338
【氏名又は名称】弁理士法人 ＨＡＲＡＫＥＮＺＯ ＷＯＲＬＤ ＰＡＴＥＮＴ ＆ ＴＲＡＤＥＭＡＲＫ
(72)【発明者】
【氏名】中野 可也
【テーマコード（参考）】
3C100
3C223
【Ｆターム（参考）】
3C100AA22
3C100AA57
3C100AA70
3C100BB13
3C100BB15
3C100BB27
3C100BB33
3C223AA11
3C223BA03
3C223CC02
3C223DD03
3C223EB01
3C223FF05
3C223FF26
3C223GG01
(57)【要約】
【課題】関係式を推定する推定装置と推定された関係式を利用するコントローラとの間での演算子の不整合を防止する。
【解決手段】推定装置（１０）は、所定のコントローラ（２１）が利用可能な演算子からなる演算子群を取得する取得処理と、入力値（ｘ１～ｘｎ）と出力値（ｙ）との関係を表す関係式（Ｆ）であって、前記取得処理にて取得された演算子群から選択された演算子により構成される関係式を推定する推定処理と、を実行する。
【選択図】図１
【解決手段】推定装置（１０）は、所定のコントローラ（２１）が利用可能な演算子からなる演算子群を取得する取得処理と、入力値（ｘ１～ｘｎ）と出力値（ｙ）との関係を表す関係式（Ｆ）であって、前記取得処理にて取得された演算子群から選択された演算子により構成される関係式を推定する推定処理と、を実行する。
【選択図】図１
【特許請求の範囲】
【請求項1】
少なくとも１つのプロセッサを備え、
前記プロセッサは、
所定のコントローラが利用可能な演算子からなる演算子群を取得する取得処理と、
入力値と出力値との関係を表す関係式であって、前記入力値及び前記出力値の各々に対応する変数、及び、前記取得処理にて取得された演算子群から選択された演算子により構成される関係式を推定する推定処理と、を実行する、
ことを特徴とする推定装置。
前記プロセッサは、
所定のコントローラが利用可能な演算子からなる演算子群を取得する取得処理と、
入力値と出力値との関係を表す関係式であって、前記入力値及び前記出力値の各々に対応する変数、及び、前記取得処理にて取得された演算子群から選択された演算子により構成される関係式を推定する推定処理と、を実行する、
ことを特徴とする推定装置。
【請求項2】
前記推定処理において、前記プロセッサは、ＤＳＲ（Deep Symbolic Regression）を用いて前記関係式を推定する、
ことを特徴とする請求項１に記載の推定装置。
ことを特徴とする請求項１に記載の推定装置。
【請求項3】
前記プロセッサは、前記推定処理にて推定された関係式を前記所定のコントローラに提供する提供処理を更に実行する、
ことを特徴とする請求項２に記載の推定装置。
ことを特徴とする請求項２に記載の推定装置。
【請求項4】
前記所定のコントローラは、製造装置に内蔵されたＰＬＣ（Programmable Logic Controller）であり、
前記入力値は、製造条件を表す値であり、
前記出力値は、前記製造装置を用いて前記製造条件の下で製造された製品の品質、又は、前記製造装置を用いて前記製造条件の下で製品を製造したときの歩留まりを表す値である、
ことを特徴とする請求項３に記載の推定装置。
前記入力値は、製造条件を表す値であり、
前記出力値は、前記製造装置を用いて前記製造条件の下で製造された製品の品質、又は、前記製造装置を用いて前記製造条件の下で製品を製造したときの歩留まりを表す値である、
ことを特徴とする請求項３に記載の推定装置。
【請求項5】
前記プロセッサは、前記製造条件と前記品質又は前記歩留まりとの組み合わせを、前記製造装置又は前記製造装置と同種の製造装置から収集する収集処理を更に実行し、
前記推定処理において、前記プロセッサは、前記収集処理にて収集した組み合わせを教師データとして前記関係式を推定する、
ことを特徴とする請求項４に記載の推定装置。
前記推定処理において、前記プロセッサは、前記収集処理にて収集した組み合わせを教師データとして前記関係式を推定する、
ことを特徴とする請求項４に記載の推定装置。
【請求項6】
１又は複数の製造装置と、推定装置と、を含む製造条件最適化システムであって、
推定装置は、（１）前記製造装置に内蔵された所定のコントローラが利用可能な演算子からなる演算子群を取得する取得処理と、（２）製造条件を表す入力値と前記製造装置を用いて前記製造条件の下で製造された製品の品質、又は、前記製造装置を用いて前記製造条件の下で製品を製造したときの歩留まりを表す出力値との関係を表す関係式であって、前記入力値及び前記出力値の各々に対応する変数、及び、前記取得処理にて取得された演算子群から選択された演算子により構成される関係式を推定する推定処理と、（３）前記推定処理にて推定された関係式を前記所定のコントローラに提供する提供処理と、を実行し、
前記製造装置は、前記推定装置から取得した関係式を用いて、前記製造条件の最適化を行う、
ことを特徴とする製造条件最適化システム。
推定装置は、（１）前記製造装置に内蔵された所定のコントローラが利用可能な演算子からなる演算子群を取得する取得処理と、（２）製造条件を表す入力値と前記製造装置を用いて前記製造条件の下で製造された製品の品質、又は、前記製造装置を用いて前記製造条件の下で製品を製造したときの歩留まりを表す出力値との関係を表す関係式であって、前記入力値及び前記出力値の各々に対応する変数、及び、前記取得処理にて取得された演算子群から選択された演算子により構成される関係式を推定する推定処理と、（３）前記推定処理にて推定された関係式を前記所定のコントローラに提供する提供処理と、を実行し、
前記製造装置は、前記推定装置から取得した関係式を用いて、前記製造条件の最適化を行う、
ことを特徴とする製造条件最適化システム。
【請求項7】
前記推定装置は、前記製造条件と前記品質又は前記歩留まりとの組み合わせを、前記製造装置から収集する収集処理を更に実行し、
前記推定処理において、前記推定装置は、前記収集処理にて収集した組み合わせを教師データとして前記関係式を推定する、
ことを特徴とする請求項６に記載の製造条件最適化システム。
前記推定処理において、前記推定装置は、前記収集処理にて収集した組み合わせを教師データとして前記関係式を推定する、
ことを特徴とする請求項６に記載の製造条件最適化システム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、推定装置および製造条件最適化システムに関する。
【背景技術】
【0002】
何らかの条件（入力値）に対して得られる結果（出力値）との関係を表す関係式を推定することがある。特許文献１は、予測モデルを用いて、入力データから出力データを予測する装置を開示する。
【0003】
ここで、例えば、関係式が製造条件と製造結果の関係を表すような場合、関係式が、製品の製造のために用いられることがある。このような場合、製造装置を制御するコントローラに関係式を入力することが必要となる。
【0004】
しかし、コントローラ等の自由度が小さく、関係式中に使用可能な演算子が限定されることがある。このときには、推定した関係式を用いることが困難となる。
【先行技術文献】
【特許文献】
【0005】
【特許文献1】ＷＯ２０１９／１３０９７４Ａ１
【発明の概要】
【発明が解決しようとする課題】
【0006】
本発明は、関係式を推定する推定装置と推定された関係式を利用するコントローラとの間での演算子の不整合を防止するための推定装置および製造条件最適化システムを実現することを目的とする。
【課題を解決するための手段】
【0007】
上記の課題を解決するために、本発明の一態様に係る推定装置は、少なくとも１つのプロセッサを備え、前記プロセッサは、所定のコントローラが利用可能な演算子からなる演算子群を取得する取得処理と、入力値と出力値との関係を表す関係式であって、前記入力値及び前記出力値の各々に対応する変数、及び、前記取得処理にて取得された演算子群から選択された演算子により構成される関係式を推定する推定処理と、を実行する、ことを特徴とする。
【発明の効果】
【0008】
本発明の一態様によれば、関係式を推定する推定装置と推定された関係式を利用するコントローラとの間での演算子の不整合を防止するための推定装置および製造条件最適化システムを実現することができる。
【図面の簡単な説明】
【0009】
【図1】本発明の一実施形態に係る製造条件最適化システムの構成を表す図である。
【図2】本発明の実施形態に係る製造条件最適化方法の一例を表すフロー図である。
【図3】本発明の一実施形態に係る製造条件最適化システムの構成を表す図である。
【発明を実施するための形態】
【0010】
（実施形態１）
以下、本発明の一実施形態について、詳細に説明する。図１は、本発明の実施形態１に係る製造条件最適化システム１の構成を表す図である。製造条件最適化システム１は、製造条件を最適化するためのシステムであり、推定装置１０、及び製造装置２０（１）、２０（２）を有する。以下では、製造装置２０（１）、２０（２）を製造装置２０とも表す。
以下、本発明の一実施形態について、詳細に説明する。図１は、本発明の実施形態１に係る製造条件最適化システム１の構成を表す図である。製造条件最適化システム１は、製造条件を最適化するためのシステムであり、推定装置１０、及び製造装置２０（１）、２０（２）を有する。以下では、製造装置２０（１）、２０（２）を製造装置２０とも表す。
【0011】
推定装置１０は、プロセッサ１１、一次メモリ１２、二次メモリ１３、入出力ＩＦ（インタフェース）１４、通信ＩＦ１５、及びバス１６を備えている。プロセッサ１１、一次メモリ１２、二次メモリ１３、入出力ＩＦ１４、通信ＩＦ１５は、バス１６を介して相互に接続されている。
【0012】
プロセッサ１１として利用可能なデバイスとしては、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphic Processing Unit）、ＤＳＰ（Digital Signal Processor）、ＭＰＵ（Micro Processing Unit）、ＦＰＵ（Floating point number Processing Unit）、ＰＰＵ（Physics Processing Unit）、マイクロコントローラ、又は、これらの組み合わせを挙げることができる。
【0013】
一次メモリ１２として利用可能なデバイスとしては、例えば、半導体ＲＡＭ（Random Access Memory）を挙げることができる。一次メモリ１２は、「主記憶装置」と呼ばれることもある。また、二次メモリ１３として利用可能なデバイスとしては、例えば、フラッシュメモリ、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、ＯＤＤ（Optical Disk Drive）、ＦＤＤ（Floppy（登録商標）Disk Drive）、又は、これらの組み合わせを挙げることができる。二次メモリ１３は、「補助記憶装置」と呼ばれることもある。なお、二次メモリ１３は、推定装置１０に内蔵されていてもよいし、入出力ＩＦ１４又は通信ＩＦ１５を介して推定装置１０と接続された他のコンピュータ（例えば、クラウドサーバを構成するコンピュータ）に内蔵されていてもよい。なお、本実施形態においては、推定装置１０における記憶を２つのメモリ（一次メモリ１２及び二次メモリ１３）により実現しているが、これに限定されない。すなわち、推定装置１０における記憶を１つのメモリにより実現してもよい。この場合、例えば、そのメモリの或る記憶領域を一次メモリ１２として利用し、そのメモリの他の記憶領域を二次メモリ１３として利用すればよい。
【0014】
二次メモリ１３には、製造条件最適化プログラムＰ１及びモデルＭ１が格納（不揮発記憶）されている。プロセッサ１１は、二次メモリ１３に格納されている製造条件最適化プログラムＰ１及びモデルＭ１を一次メモリ１２上に展開する。そして、プロセッサ１１は、一次メモリ１２上に展開された製造条件最適化プログラムＰ１に含まれる命令に従って、後述する製造条件最適化方法Ｓ１に含まれる各ステップを実行する。一次メモリ１２上に展開されたモデルＭ１は、後述する製造条件最適化方法Ｓ１をプロセッサ１１が実行する際に利用される。
【0015】
入出力ＩＦ１４には、入力デバイス及び／又は出力デバイスが接続される。入出力ＩＦ１４としては、例えば、ＵＳＢ（Universal Serial Bus）、ＡＴＡ（Advanced Technology Attachment）、ＳＣＳＩ（Small Computer System Interface）、ＰＣＩ（Peripheral Component Interconnect）などのインタフェースが挙げられる。入出力ＩＦ１４に接続される入力デバイスとしては、キーボード、マウス、タッチパッド、マイク、又は、これらの組み合わせが挙げられる。また、入出力ＩＦ１４に接続される出力デバイスとしては、ディスプレイ、プリンタ、又は、これらの組み合わせが挙げられる。推定方法においてユーザに提供する情報は、これらの出力デバイスを介して推定装置１０から出力される。
【0016】
通信ＩＦ１５には、ネットワークを介して、他のコンピュータが有線接続又は無線接続される。通信ＩＦ１５としては、例えば、イーサネット（登録商標）、Ｗｉ－Ｆｉ（登録商標）などのインタフェースが挙げられる。利用可能なネットワークとしては、ＰＡＮ（Personal Area Network）、ＬＡＮ（Local Area Network）、ＣＡＮ（Campus Area Network）、ＭＡＮ（Metropolitan Area Network）、ＷＡＮ（Wide Area Network）、ＧＡＮ（Global Area Network）、又は、これらのネットワークを含むインターネットワークが挙げられる。インターネットワークは、イントラネットであってもよいし、エクストラネットであってもよいし、インターネットであってもよい。
【0017】
製造装置２０は、コントローラ２１、センサ２２を有し、物品（製品）を製造、または加工する。すなわち、製造は、物品を製造する狭義の製造のみではなく、物品の加工等、物品に何らかの変化を与える処理をも含む広義の概念で捉えられる。製造装置２０として、例えば、熱処理装置（熱処理炉）、送風装置（送風機）、プレス装置（プレス機）、および水槽装置（水槽）を挙げることができる。熱処理装置は、コントローラ２１として、温調ＰＬＣを、センサ２２として、温度計、圧力計などを有し、物品を熱処理して、鍛造品、鋳造品などを製造する。送風装置は、コントローラ２１として、モータ制御ＰＬＣを、センサ２２として、風速計、温度計などを有し、モータを制御して送風を行うことで、製造現場での換気、集塵を行い、製品の製造に寄与する。プレス装置は、コントローラ２１として、プレス制御ＰＬＣを、センサ２２として、圧力計、振動計などを有し、物品をプレスして、プレス製品を製造する。水槽装置は、コントローラ２１として、ポンプ制御ＰＬＣを、センサ２２として、水量計などを有し、ポンプを制御して、物品が配置される槽内の水量を調節することで、製品の製造に寄与する。
【0018】
コントローラ２１は、製造装置２０を制御するための機器、例えば、ＰＬＣ（Programmable Logic Controller）である。コントローラ２１は、次の式（１）に示される入力値ｘ１～ｘｎ（ｘｉ）と、出力値（ｙ）との関係を表す関係式Ｆを用いて、製造装置２０を制御することができる。
ｙ＝Ｆ（ｘ１，…，ｘｎ） ……式（１）
ｙ＝Ｆ（ｘ１，…，ｘｎ） ……式（１）
【0019】
入力値ｘ１～ｘｎは、例えば、製造条件を表す値である。例えば、製造装置２０が、熱処理装置の場合、製造条件として、炉内雰囲気温度、保持時間、熱処理される物品の炭素等量を挙げることができる。また、製造装置２０が、送風装置の場合、製造条件として、風速、ダクト内圧力、ダクト内温度、大気圧を挙げることができる。出力値ｙは、製造された製品の評価結果、例えば、（１）所定の製造条件の下で製造された製品の品質、又は、（２）製造装置２０を用いて所定の製造条件の下で製品を製造したときの歩留まりを表す値である。後述のように、コントローラ２１は、関係式Ｆを用いて、製造条件を最適化し、最適化された製造条件での製品の製造を制御できる。
【0020】
関係式Ｆは、入力値ｘ１，…，ｘｎ及び出力値ｙの各々に対応する変数（ｘ１，…，ｘｎ、ｙ）、及び、演算子により構成される。ここで、演算子は、所定の演算子群から選択される範囲に限定され、全ての演算子が自由に用いられる訳ではない。例えば、製造装置２０が、熱処理装置の場合、所定の演算子群として、「＋」、「×」、および「ｌｏｇ」を挙げることができる。また、製造装置２０が、送風装置の場合、所定の演算子群として、「＋」、「×」、および「÷」を挙げることができる。
【0021】
コントローラ２１は、所定の演算子群を表すテーブルＴ１および入力値ｘ１，…，ｘｎ及び出力値ｙの組み合わせを表すテーブルＴ２を記憶するメモリを有する。
【0022】
センサ２２は、製造装置２０での製品の製造条件（入力値ｘ１～ｘｎ）および評価結果（出力値ｙ）に関わる検出、測定を行うための機器である。
【0023】
（製造条件最適化システム１の動作）
製造条件最適化システム１は、後述のように、製造条件最適化方法を実行し、最適化された製造条件で製品を製造する。このために、推定装置１０（プロセッサ１１）は、製造条件に対応する入力値ｘ１～ｘｎと、製造された製品の評価結果に対応する出力値ｙとの関係を表す関係式Ｆを推定し、製造装置２０（コントローラ２１）は、関係式Ｆを用いて製造条件を最適化し、製品を製造する。以下、推定装置１０（プロセッサ１１）の動作を説明する。
製造条件最適化システム１は、後述のように、製造条件最適化方法を実行し、最適化された製造条件で製品を製造する。このために、推定装置１０（プロセッサ１１）は、製造条件に対応する入力値ｘ１～ｘｎと、製造された製品の評価結果に対応する出力値ｙとの関係を表す関係式Ｆを推定し、製造装置２０（コントローラ２１）は、関係式Ｆを用いて製造条件を最適化し、製品を製造する。以下、推定装置１０（プロセッサ１１）の動作を説明する。
【0024】
既述のように、プロセッサ１１は、製造条件に対応する入力値ｘ１～ｘｎと、製造された製品の評価結果に対応する出力値ｙとの関係を表す関係式Ｆを推定する。この推定にモデルＭ１が用いられる。
【0025】
モデルＭ１として、回帰分析用のＡＩのモデルを用いることができる。自然言語処理に適用されるニューラルネットワーク（ＲＮＮ、ＬＳＴＭ、Ｔｒａｎｓｆｏｒｍｅｒ）を用いて、単語から文章を組み立てるように、数値や演算子を組み立てることができる。このモデルの一例として、ＤＳＲ（Deep Symbolic Regression）のモデルを挙げることができる。
【0026】
モデルＭ１は、入力値ｘ１，…，ｘｎと出力値ｙの組み合わせを教師データとする学習（例えば、深層強化学習）によって形成される。例えば、学習データおよび評価データをそれぞれ、入力値ｘ１，…，ｘｎと出力値ｙの組み合わせとして、用意する。入力値ｘ１，…，ｘｎと出力値ｙの組み合わせを複数用意し、学習データと評価データにランダムに分割することで、学習データおよび評価データとすることができる。
【0027】
具体的には、回帰式の誤差を小さくし、かつ、式の複雑さを抑制するように、強化学習を行った。式の複雑さを抑制するのは、過適合（オーバーフィッティング）を回避するためである。すなわち、式が複雑過ぎると、学習済の入出力値に過剰に適合し、未学習の入出力値（例えば、テスト/検証用の入出力値）に対して適合しない状態（過適合）に陥り易くなる。
【0028】
このため、生成された回帰式の誤差の小ささを収益の指標とし、かつ、式の複雑化に対して罰則を与えるようにした。この手法として、例えば、ＣＶａＲ最適化、ベイズ最適化、パレート最適化のいずれかを用いることができる。ＣＶａＲ最適化は、式の誤差が一定を超えるリスクを面積として評価し、この面積を小さくする手法である。ベイズ最適化は、式の誤差の取り得る範囲の揺らぎを最小化して、未知の誤差ができるだけ小さくなるようにする手法である。パレート最適化は、誤差を最小化しつつ、複雑さも同時に最小化する手法である。
【0029】
誤差を示す指標として、例えば、次の（１）～（９）のいずれかを用いることができる。
（１）相関係数（Correlation coefficient： Ｒ）
（２）決定係数（Coefficient of determination： Ｒ２）
（３）平均絶対誤差（Mean Absolute Error： ＭＡＥ）
（４）平均二乗誤差（Means Squared Error：ＭＳＥ）
（５）平均二乗対数誤差（Means Squared Logarithmic Error：ＭＳＬＥ）
（６）平方根平均二乗誤差（Root Mean Squared Error： ＲＭＳＥ）
（７）平方根平均二乗対数誤差（Root Mean Squared Logarithmic Error： ＲＭＳＬＥ）
（８）平均絶対パーセント誤差（Mean Absolute Percentage Error： ＭＡＰＥ）
（９）平方根平均二乗パーセント誤差（Root Mean Squared Percentage Error：ＲＭＳＰＥ）
（１）相関係数（Correlation coefficient： Ｒ）
（２）決定係数（Coefficient of determination： Ｒ２）
（３）平均絶対誤差（Mean Absolute Error： ＭＡＥ）
（４）平均二乗誤差（Means Squared Error：ＭＳＥ）
（５）平均二乗対数誤差（Means Squared Logarithmic Error：ＭＳＬＥ）
（６）平方根平均二乗誤差（Root Mean Squared Error： ＲＭＳＥ）
（７）平方根平均二乗対数誤差（Root Mean Squared Logarithmic Error： ＲＭＳＬＥ）
（８）平均絶対パーセント誤差（Mean Absolute Percentage Error： ＭＡＰＥ）
（９）平方根平均二乗パーセント誤差（Root Mean Squared Percentage Error：ＲＭＳＰＥ）
【0030】
強化学習においては、例えば、次のような工程を経る。学習データ（入力値ｘ１，…，ｘｎと出力値ｙ）に対応する仮の関係式Ｆを設定する。このとき、関係式Ｆを構成する演算子は、演算子群の範囲に制限される。この設定は、自然言語処理と同様の形式を利用できる。
【0031】
この仮の関係式（回帰式）Ｆに対して、式の誤差を小さくし、かつ、式の複雑さを抑制するように、深層強化学習を行う。学習データを用いて、モデルＭ１を形成し、評価データ（入力値ｘ１，…，ｘｎと出力値ｙ）を用いて、モデルＭ１を評価することで、汎化されたモデルＭ１を形成する。この深層強化学習においても、関係式Ｆを構成する演算子は、演算子群の範囲に制限される。
【0032】
推定装置１０（プロセッサ１１）は、形成されたモデルＭ１を用いて、入力値ｘ１，…，ｘｎ、出力値ｙ、から関係式Ｆを推定することができる。推定された関係式Ｆを構成する演算子も演算子群の範囲に制限される。
【0033】
なお、推定装置１０（プロセッサ１１）は、推定された関係式Ｆを適宜に簡素化する。関係式Ｆは、無意味な項や無意味に複雑な表現を含む等、見かけ上、複雑になっている場合もある。このため、無意味な項や無意味に複雑な表現を簡素化することで人間が分かりやすく、コントローラ２１で扱いやすい関係式Ｆを得ることができる。例えば、「（ｘ１＋ｘ１）・ｘ１・ｘ２」は、「２・ｘ１２・ｘ２」に簡素化され、「（ｘ１／ｘ１）・ｘ１・ｘ２」は、「ｘ１・ｘ２」に簡素化される。
【0034】
（製造条件最適化方法）
以下、製造条件最適化方法の詳細を説明する。図２は、製造条件最適化方法の一例を表すフロー図である。製造条件最適化方法は、取得処理（ステップＳ１１）、収集処理（ステップＳ１２）、推定処理（ステップＳ１３）、提供処理（ステップＳ１４）、最適化処理（ステップＳ１５）、製造処理（ステップＳ１６）、および評価処理（ステップＳ１７）を含む。このうち、取得処理（ステップＳ１１）、収集処理（ステップＳ１２）、推定処理（ステップＳ１３）、提供処理（ステップＳ１４）は、どちらかと言えば、推定装置１０側での処理であり、最適化処理（ステップＳ１５）、製造処理（ステップＳ１６）、および評価処理（ステップＳ１７）は、どちらかと言えば、製造装置２０側での処理である。
以下、製造条件最適化方法の詳細を説明する。図２は、製造条件最適化方法の一例を表すフロー図である。製造条件最適化方法は、取得処理（ステップＳ１１）、収集処理（ステップＳ１２）、推定処理（ステップＳ１３）、提供処理（ステップＳ１４）、最適化処理（ステップＳ１５）、製造処理（ステップＳ１６）、および評価処理（ステップＳ１７）を含む。このうち、取得処理（ステップＳ１１）、収集処理（ステップＳ１２）、推定処理（ステップＳ１３）、提供処理（ステップＳ１４）は、どちらかと言えば、推定装置１０側での処理であり、最適化処理（ステップＳ１５）、製造処理（ステップＳ１６）、および評価処理（ステップＳ１７）は、どちらかと言えば、製造装置２０側での処理である。
【0035】
Ａ．推定装置１０での処理
推定装置１０は、１または複数のプロセッサ１１を備え、製造条件最適化方法を実行する。
推定装置１０は、１または複数のプロセッサ１１を備え、製造条件最適化方法を実行する。
【0036】
（１）取得処理（ステップＳ１１）
取得処理において、推定装置１０（プロセッサ１１）は、コントローラ２１が関係式Ｆに利用可能な演算子からなる演算子群の情報を取得する。例えば、製造装置２０（コントローラ２１）は、入出力ＩＦ１４または通信ＩＦ１５を介して、テーブルＴ１に記憶される所定の演算子群の情報を推定装置１０に提供する。これに替えて、製造条件最適化システム１のオペレータが、入出力ＩＦ１４を介して、所定の演算子群の情報を推定装置１０（プロセッサ１１）に入力してもよい。
取得処理において、推定装置１０（プロセッサ１１）は、コントローラ２１が関係式Ｆに利用可能な演算子からなる演算子群の情報を取得する。例えば、製造装置２０（コントローラ２１）は、入出力ＩＦ１４または通信ＩＦ１５を介して、テーブルＴ１に記憶される所定の演算子群の情報を推定装置１０に提供する。これに替えて、製造条件最適化システム１のオペレータが、入出力ＩＦ１４を介して、所定の演算子群の情報を推定装置１０（プロセッサ１１）に入力してもよい。
【0037】
（２）収集処理（ステップＳ１２）
収集処理において、推定装置１０（プロセッサ１１）は、関係式Ｆの入力値ｘ１～ｘｎ（製造条件を表す値）と出力値ｙ（製品の品質又は歩留まり）との組み合わせを、製造装置２０から収集する。例えば、製造装置２０（コントローラ２１）は、入出力ＩＦ１４または通信ＩＦ１５を介して、テーブルＴ２に記憶される入力値ｘ１，…，ｘｎ及び出力値ｙの組み合わせの情報を推定装置１０に提供する。これに替えて、製造条件最適化システム１のオペレータが、入出力ＩＦ１４を介して、入力値ｘ１，…，ｘｎ及び出力値ｙの組み合わせの情報を推定装置１０（プロセッサ１１）に入力してもよい。
収集処理において、推定装置１０（プロセッサ１１）は、関係式Ｆの入力値ｘ１～ｘｎ（製造条件を表す値）と出力値ｙ（製品の品質又は歩留まり）との組み合わせを、製造装置２０から収集する。例えば、製造装置２０（コントローラ２１）は、入出力ＩＦ１４または通信ＩＦ１５を介して、テーブルＴ２に記憶される入力値ｘ１，…，ｘｎ及び出力値ｙの組み合わせの情報を推定装置１０に提供する。これに替えて、製造条件最適化システム１のオペレータが、入出力ＩＦ１４を介して、入力値ｘ１，…，ｘｎ及び出力値ｙの組み合わせの情報を推定装置１０（プロセッサ１１）に入力してもよい。
【0038】
（３）推定処理（ステップＳ１３）
推定処理において、推定装置１０（プロセッサ１１）は、関係式Ｆを推定する。この関係式Ｆは、入力値ｘ１～ｘｎ（例えば、製造条件を表す値）と出力値ｙ（例えば、製品の品質又は歩留まり）との関係を表す。関係式Ｆは、入力値ｘ１～ｘｎ及び出力値ｙの各々に対応する変数ｘ１～ｘｎ、ｙ、及び取得処理（ステップＳ１１）にて取得された演算子群から選択された演算子により構成される。関係式Ｆの推定には、ＤＳＲ（Deep Symbolic Regression）を用いることができる。
推定処理において、推定装置１０（プロセッサ１１）は、関係式Ｆを推定する。この関係式Ｆは、入力値ｘ１～ｘｎ（例えば、製造条件を表す値）と出力値ｙ（例えば、製品の品質又は歩留まり）との関係を表す。関係式Ｆは、入力値ｘ１～ｘｎ及び出力値ｙの各々に対応する変数ｘ１～ｘｎ、ｙ、及び取得処理（ステップＳ１１）にて取得された演算子群から選択された演算子により構成される。関係式Ｆの推定には、ＤＳＲ（Deep Symbolic Regression）を用いることができる。
【0039】
強化学習が完了している場合、プロセッサ１１は、入力値ｘ１～ｘｎ、出力値ｙ、および演算子群の情報をモデルＭ１に入力することで、関係式Ｆを得ることができる。一方、強化学習が未了の場合、関係式Ｆの推定と強化学習とを並行して行い、収集処理（ステップＳ１２）にて収集した入力値ｘ１～ｘｎ（製造条件を表す値）と出力値ｙの組み合わせを教師データとして関係式Ｆを推定してもよい。
【0040】
（４）提供処理（ステップＳ１４）
提供処理において、推定装置１０（プロセッサ１１）から製造装置２０（コントローラ２１）に推定処理にて推定された関係式Ｆが提供される。
提供処理において、推定装置１０（プロセッサ１１）から製造装置２０（コントローラ２１）に推定処理にて推定された関係式Ｆが提供される。
【0041】
Ｂ．製造装置２０での処理
製造装置２０（コントローラ２１）は、製造条件最適化方法を実行する。
製造装置２０（コントローラ２１）は、製造条件最適化方法を実行する。
【0042】
（５）最適化処理（ステップＳ１５）
最適化処理において、製造装置２０（コントローラ２１）は、推定装置１０（プロセッサ１１）から取得した関係式Ｆを用いて、製造条件の最適化を行う。例えば、コントローラ２１は、関係式（ｙ＝Ｆ（ｘ１，…、ｘｎ））に基づき、製品の品質、または歩留まり（出力値ｙ）を向上するための製造条件（入力値ｘ１～ｘｎ）を導出する。
最適化処理において、製造装置２０（コントローラ２１）は、推定装置１０（プロセッサ１１）から取得した関係式Ｆを用いて、製造条件の最適化を行う。例えば、コントローラ２１は、関係式（ｙ＝Ｆ（ｘ１，…、ｘｎ））に基づき、製品の品質、または歩留まり（出力値ｙ）を向上するための製造条件（入力値ｘ１～ｘｎ）を導出する。
【0043】
（６）製造処理（ステップＳ１６）
製造処理においいて、製造装置２０（コントローラ２１）は、最適化された製造条件（入力値ｘ１～ｘｎ）に基づき、製品を製造する。
製造処理においいて、製造装置２０（コントローラ２１）は、最適化された製造条件（入力値ｘ１～ｘｎ）に基づき、製品を製造する。
【0044】
（７）評価処理（ステップＳ１７）
評価処理においいて、製造された製品が評価され、品質または歩留まり（出力値ｙ）が求められる。この評価は、製造装置２０の内または外に備えられる評価装置を用いることができる。このようにして求められた入力値ｘ１～ｘｎと出力値ｙの組み合わせは、例えば、コントローラ２１のテーブルＴ２に蓄積することができる。
評価処理においいて、製造された製品が評価され、品質または歩留まり（出力値ｙ）が求められる。この評価は、製造装置２０の内または外に備えられる評価装置を用いることができる。このようにして求められた入力値ｘ１～ｘｎと出力値ｙの組み合わせは、例えば、コントローラ２１のテーブルＴ２に蓄積することができる。
【0045】
このように蓄積された入力値ｘ１～ｘｎと出力値ｙの組み合わせは、推定装置１０（プロセッサ１１）に収集され（２回目以降のステップＳ１２）、製造条件最適化方法を繰り返し実行することができる。
【0046】
（実施形態２）
本発明の他の実施形態について、以下に説明する。なお、説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。図３は、本発明の実施形態２に係る製造条件最適化システム１の構成を表す図である。実施形態２に係る製造条件最適化システム１は、製造条件を最適化するためのシステムであり、推定装置１０、製造システムＦＡ（１）～ＦＡ（ｎ）、ネットワークＮＥを有する。製造システムＦＡ（１）～ＦＡ（ｎ）は、それぞれ、製造装置２０（１）～２０（ｍ）を有し、ネットワークＮＥによって、推定装置１０の通信ＩＦ１５に接続される。製造装置２０（１）～２０（ｍ）は、実施形態１と同様、コントローラ２１、センサ２２を有する。
本発明の他の実施形態について、以下に説明する。なお、説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。図３は、本発明の実施形態２に係る製造条件最適化システム１の構成を表す図である。実施形態２に係る製造条件最適化システム１は、製造条件を最適化するためのシステムであり、推定装置１０、製造システムＦＡ（１）～ＦＡ（ｎ）、ネットワークＮＥを有する。製造システムＦＡ（１）～ＦＡ（ｎ）は、それぞれ、製造装置２０（１）～２０（ｍ）を有し、ネットワークＮＥによって、推定装置１０の通信ＩＦ１５に接続される。製造装置２０（１）～２０（ｍ）は、実施形態１と同様、コントローラ２１、センサ２２を有する。
【0047】
実施形態２では、推定装置１０（プロセッサ１１）は、ネットワークＮＥを介して、製造システムＦＡ（１）～ＦＡ（ｎ）の製造装置２０（１）～２０（ｍ）それぞれに対して、製造条件を最適化することができる。
【0048】
［まとめ］
【0049】
態様１に係る推定装置は、少なくとも１つのプロセッサを備え、前記プロセッサは、所定のコントローラが利用可能な演算子からなる演算子群を取得する取得処理と、入力値と出力値との関係を表す関係式であって、前記入力値及び前記出力値の各々に対応する変数、及び、前記取得処理にて取得された演算子群から選択された演算子により構成される関係式を推定する推定処理と、を実行する、ことを特徴とする。
【0050】
態様２に係る推定装置は、態様１において、前記プロセッサは、ＤＳＲ（Deep Symbolic Regression）を用いて前記関係式を推定する、ことを特徴とする。
【0051】
態様３に係る推定装置は、態様１または２において、前記プロセッサは、前記推定処理にて推定された関係式を前記所定のコントローラに提供する提供処理を更に実行する、
ことを特徴とする請求項２に記載の推定装置。
ことを特徴とする請求項２に記載の推定装置。
【0052】
態様４に係る推定装置は、態様１から３において、前記所定のコントローラは、製造装置に内蔵されたＰＬＣ（Programmable Logic Controller）であり、前記入力値は、製造条件を表す値であり、前記出力値は、前記製造装置を用いて前記製造条件の下で製造された製品の品質、又は、前記製造装置を用いて前記製造条件の下で製品を製造したときの歩留まりを表す値である、ことを特徴とする。
【0053】
態様５に係る推定装置は、態様１から４において、前記プロセッサは、前記製造条件と前記品質又は前記歩留まりとの組み合わせを、前記製造装置又は前記製造装置と同種の製造装置から収集する収集処理を更に実行し、前記推定処理において、前記プロセッサは、前記収集処理にて収集した組み合わせを教師データとして前記関係式を推定する、ことを特徴とする。
【0054】
態様６に係る推定装置は、１又は複数の製造装置と、推定装置と、を含む製造条件最適化システムであって、推定装置は、（１）前記製造装置に内蔵された所定のコントローラが利用可能な演算子からなる演算子群を取得する取得処理と、（２）製造条件を表す入力値と前記製造装置を用いて前記製造条件の下で製造された製品の品質、又は、前記製造装置を用いて前記製造条件の下で製品を製造したときの歩留まりを表す出力値との関係を表す関係式であって、前記入力値及び前記出力値の各々に対応する変数、及び、前記取得処理にて取得された演算子群から選択された演算子により構成される関係式を推定する推定処理と、（３）前記推定処理にて推定された関係式を前記所定のコントローラに提供する提供処理と、を実行し、前記製造装置は、前記推定装置から取得した関係式を用いて、前記製造条件の最適化を行う、ことを特徴とする。
【0055】
態様７に係る推定装置は、態様６において、前記推定装置は、前記製造条件と前記品質又は前記歩留まりとの組み合わせを、前記製造装置から収集する収集処理を更に実行し、前記推定処理において、前記推定装置は、前記収集処理にて収集した組み合わせを教師データとして前記関係式を推定する、ことを特徴とする。
【0056】
本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。
【符号の説明】
【0057】
１…製造条件最適化システム、１０…推定装置、１１…プロセッサ、Ｍ１…モデル、Ｐ１…製造条件最適化プログラム、２０…製造装置、２１…コントローラ、２２…センサ
【図1】
【図2】
【図3】