知財求人 - 知財ポータルサイト「IP Force」
特開2024-55692機械学習装置、情報処理装置、推論装置、機械学習方法、制御条件予測方法、及び、推論方法
(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】P2024055692
(43)【公開日】2024-04-18
(54)【発明の名称】機械学習装置、情報処理装置、推論装置、機械学習方法、制御条件予測方法、及び、推論方法
(51)【国際特許分類】
G06N 20/00 20190101AFI20240411BHJP
B29C 49/78 20060101ALI20240411BHJP
【ＦＩ】
G06N20/00 130
B29C49/78
【審査請求】未請求
【請求項の数】13
【出願形態】ＯＬ
(21)【出願番号】P 2022162815
(22)【出願日】2022-10-07
(71)【出願人】
【識別番号】000003768
【氏名又は名称】東洋製罐グループホールディングス株式会社
(74)【代理人】
【識別番号】100214248
【弁理士】
【氏名又は名称】青山 純
(72)【発明者】
【氏名】田所 洋一
(72)【発明者】
【氏名】大竹 七勢
【テーマコード（参考）】
4F208
【Ｆターム（参考）】
4F208AG07
4F208AH55
4F208AM23
4F208AP05
4F208AR06
4F208LA09
4F208LB01
4F208LH06
4F208LH10
(57)【要約】 （修正有）
【課題】熟練の作業者の経験に頼るこなく、加熱装置の制御条件を容易に導き出せる機械学習装置、情報処理装置、推論装置、機械学習方法、制御条件予測方法及び推論方法を提供する。
【解決手段】温度制御対象を加熱する加熱装置の新規制御条件を予測するための学習モデル４５を生成する機械学習装置であって、一つ以上の学習用データ４６を記憶する学習用データ記憶部と、学習用入力パラメータ１０１ａと、加熱装置の制御条件である学習用制御条件１０１ｂと、の相関関係を学習モデル４５に学習させる機械学習制御部と、学習済みの学習モデル４５を記憶する機械学習モデル記憶部と、を備える。学習用入力パラメータ１０１ｂは、温度制御対象の材質情報、形状情報、初期温度情報、加熱装置の目標温度分布情報及び熱環境情報の少なくともいずれか一つで構成されている、
【選択図】図４
【解決手段】温度制御対象を加熱する加熱装置の新規制御条件を予測するための学習モデル４５を生成する機械学習装置であって、一つ以上の学習用データ４６を記憶する学習用データ記憶部と、学習用入力パラメータ１０１ａと、加熱装置の制御条件である学習用制御条件１０１ｂと、の相関関係を学習モデル４５に学習させる機械学習制御部と、学習済みの学習モデル４５を記憶する機械学習モデル記憶部と、を備える。学習用入力パラメータ１０１ｂは、温度制御対象の材質情報、形状情報、初期温度情報、加熱装置の目標温度分布情報及び熱環境情報の少なくともいずれか一つで構成されている、
【選択図】図４
【特許請求の範囲】
【請求項1】
温度制御対象を加熱する加熱装置の制御条件を予測するための学習モデルを生成する機械学習装置であって、
一つ以上の学習用データを記憶する学習用データ記憶部と、
前記一つ以上の学習用データに基づいて前記学習モデルに学習させる機械学習制御部と、
学習済みの前記学習モデルを記憶する機械学習モデル記憶部と、
を備え、
各前記学習用データは、学習用入力パラメータと、前記学習用入力パラメータに対応する加熱装置の制御条件である学習用制御条件とで構成され、
前記学習モデルは、前記学習用データにおける前記学習用入力パラメータと前記学習用制御条件との相関関係を学習し、
前記学習用入力パラメータは、温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成されている、
機械学習装置。
一つ以上の学習用データを記憶する学習用データ記憶部と、
前記一つ以上の学習用データに基づいて前記学習モデルに学習させる機械学習制御部と、
学習済みの前記学習モデルを記憶する機械学習モデル記憶部と、
を備え、
各前記学習用データは、学習用入力パラメータと、前記学習用入力パラメータに対応する加熱装置の制御条件である学習用制御条件とで構成され、
前記学習モデルは、前記学習用データにおける前記学習用入力パラメータと前記学習用制御条件との相関関係を学習し、
前記学習用入力パラメータは、温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成されている、
機械学習装置。
【請求項2】
前記材質情報は、前記温度制御対象の光透過・反射・屈折率情報、前記温度制御対象の色の明度情報、前記温度制御対象の色情報、前記温度制御対象の密度情報、前記温度制御対象の比熱情報、及び、前記温度制御対象の熱伝導率情報の少なくともいずれか一つである、
請求項１に記載の機械学習装置。
請求項１に記載の機械学習装置。
【請求項3】
前記形状情報は、前記温度制御対象の設計図面情報、前記温度制御対象の形状イメージ情報、前記温度制御対象の寸法情報、及び、前記対象の形状トレース測定・スキャニング情報の少なくともいずれか一つである、
請求項１に記載の機械学習装置。
請求項１に記載の機械学習装置。
【請求項4】
前記熱環境情報は、前記加熱装置の熱源から前記温度制御対象まで距離情報、前記加熱装置の前記熱源の配置位置・照射方向・照射角情報、前記加熱装置の寸法情報、前記加熱装置外への熱拡散情報、及び、前記加熱装置の周辺温湿度情報の少なくともいずれか一つである、
請求項１に記載の機械学習装置。
請求項１に記載の機械学習装置。
【請求項5】
前記加熱装置は、加熱空間を画定する加熱装置本体と、送風装置と、を有し、
前記送風装置は、送風源と、前記送風源から前記加熱空間にエアを送り込むための送風管と、を有するものであって、
前記学習用制御条件は、前記送風管を流れる前記エアの流量である、
請求項１に記載の機械学習装置。
前記送風装置は、送風源と、前記送風源から前記加熱空間にエアを送り込むための送風管と、を有するものであって、
前記学習用制御条件は、前記送風管を流れる前記エアの流量である、
請求項１に記載の機械学習装置。
【請求項6】
前記加熱装置は、加熱空間を画定する加熱装置本体と、前記加熱空間内で前記温度制御対象に回転運動をさせながら前記温度制御対象を搬送する搬送装置と、を有するものであって、
前記学習用制御条件は、前記搬送装置の搬送速度、及び、前記温度制御対象の前記回転運動の回転速度の少なくともいずれか一つである、
請求項１に記載の機械学習装置。
前記学習用制御条件は、前記搬送装置の搬送速度、及び、前記温度制御対象の前記回転運動の回転速度の少なくともいずれか一つである、
請求項１に記載の機械学習装置。
【請求項7】
前記学習用制御条件は、前記温度制御対象に対して実施されるアニール処理の時間である、
請求項１に記載の機械学習装置。
請求項１に記載の機械学習装置。
【請求項8】
前記学習用制御条件は、前記加熱装置の熱源の出力指令値である、
請求項１に記載の機械学習装置。
請求項１に記載の機械学習装置。
【請求項9】
温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成された予測用入力パラメータに基づいて前記加熱装置の制御条件を予測する情報処理装置であって、
前記予測用入力パラメータを取得する情報取得部と、
前記制御条件を予測する情報予測部と、
を備え、
前記情報予測部は、学習用入力パラメータと前記学習用入力パラメータに対応する加熱装置の制御条件である学習用制御条件との相関関係を機械学習により学習した学習モデルに前記予測用入力パラメータを入力することで前記制御条件を予測し、
前記学習用入力パラメータは、温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成されている、
情報処理装置。
前記予測用入力パラメータを取得する情報取得部と、
前記制御条件を予測する情報予測部と、
を備え、
前記情報予測部は、学習用入力パラメータと前記学習用入力パラメータに対応する加熱装置の制御条件である学習用制御条件との相関関係を機械学習により学習した学習モデルに前記予測用入力パラメータを入力することで前記制御条件を予測し、
前記学習用入力パラメータは、温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成されている、
情報処理装置。
【請求項10】
メモリと、プロセッサとを備え、温度制御対象を加熱する加熱装置の制御条件を推論する推論装置であって、
前記プロセッサは、
前記温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成された予測用入力パラメータを取得する情報取得処理と、
前記情報取得処理にて取得した前記予測用入力パラメータに基づいて前記加熱装置の前記制御条件を推論する推論処理と、を実行する、
推論装置。
前記プロセッサは、
前記温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成された予測用入力パラメータを取得する情報取得処理と、
前記情報取得処理にて取得した前記予測用入力パラメータに基づいて前記加熱装置の前記制御条件を推論する推論処理と、を実行する、
推論装置。
【請求項11】
温度制御対象を加熱する加熱装置の制御条件を予測するための学習モデルを生成する機械学習方法であって、
一つ以上の学習用データを記憶する学習用データ記憶工程と、
前記一つ以上の学習用データに基づいて前記学習モデルに学習させる機械学習工程と、
学習済みの前記学習モデルを記憶する学習済みモデル記憶工程と、
を備え、
各前記学習用データは、学習用入力パラメータと、前記学習用入力パラメータに対応する加熱装置の制御条件である学習用制御条件とで構成され、
前記学習モデルは、前記学習用データにおける前記学習用入力パラメータと前記学習用制御条件との相関関係を学習し、
前記学習用入力パラメータは、温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成されている、
機械学習方法。
一つ以上の学習用データを記憶する学習用データ記憶工程と、
前記一つ以上の学習用データに基づいて前記学習モデルに学習させる機械学習工程と、
学習済みの前記学習モデルを記憶する学習済みモデル記憶工程と、
を備え、
各前記学習用データは、学習用入力パラメータと、前記学習用入力パラメータに対応する加熱装置の制御条件である学習用制御条件とで構成され、
前記学習モデルは、前記学習用データにおける前記学習用入力パラメータと前記学習用制御条件との相関関係を学習し、
前記学習用入力パラメータは、温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成されている、
機械学習方法。
【請求項12】
温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成された予測用入力パラメータに基づいて前記加熱装置の制御条件を予測する制御条件予測方法であって、
前記予測用入力パラメータを取得する予測用入力パラメータ取得工程と、
前記予測用入力パラメータ取得工程により取得された前記予測用入力パラメータに対応する前記制御条件を予測する予測工程と、を備え、
前記予測工程では、学習用入力パラメータと前記学習用入力パラメータに対応する加熱装置の制御条件である学習用制御条件との相関関係を機械学習により学習した学習モデルに前記予測用入力パラメータを入力することで前記制御条件を予測し、
前記学習用入力パラメータは、温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成されている、
制御条件予測方法。
前記予測用入力パラメータを取得する予測用入力パラメータ取得工程と、
前記予測用入力パラメータ取得工程により取得された前記予測用入力パラメータに対応する前記制御条件を予測する予測工程と、を備え、
前記予測工程では、学習用入力パラメータと前記学習用入力パラメータに対応する加熱装置の制御条件である学習用制御条件との相関関係を機械学習により学習した学習モデルに前記予測用入力パラメータを入力することで前記制御条件を予測し、
前記学習用入力パラメータは、温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成されている、
制御条件予測方法。
【請求項13】
メモリと、プロセッサとを備える推論装置により実行されて、温度制御対象を加熱する加熱装置の制御条件を推論する推論方法であって、
前記プロセッサは、
前記温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成された予測用入力パラメータを取得する情報取得工程と、
前記情報取得工程により取得された前記予測用入力パラメータに対応する前記制御条件を予測する予測工程と、を実行し、
前記予測工程では、学習用入力パラメータと前記学習用入力パラメータに対応する加熱装置の制御条件である学習用制御条件との相関関係を機械学習により学習した学習モデルに前記予測用入力パラメータを入力することで前記制御条件を予測し、
前記学習用入力パラメータは、温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成されている、
推論方法。
前記プロセッサは、
前記温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成された予測用入力パラメータを取得する情報取得工程と、
前記情報取得工程により取得された前記予測用入力パラメータに対応する前記制御条件を予測する予測工程と、を実行し、
前記予測工程では、学習用入力パラメータと前記学習用入力パラメータに対応する加熱装置の制御条件である学習用制御条件との相関関係を機械学習により学習した学習モデルに前記予測用入力パラメータを入力することで前記制御条件を予測し、
前記学習用入力パラメータは、温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成されている、
推論方法。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、機械学習装置、情報処理装置、推論装置、機械学習方法、制御条件予測方法、及び、推論方法に関する。
【背景技術】
【0002】
従来、ブロー成形装置によって中空容器へとブロー成形されるプリフォームに対し、複数の赤外線ヒータを備える加熱装置を用いて、搬送中に加熱処理を施すことが行われている（例えば、特許文献１）。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】ＷＯ２０１４／２０８６９３Ａ１
【発明の概要】
【発明が解決しようとする課題】
【0004】
加熱装置によって上述のプリフォームのような温度制御対象に対し加熱処理を行うに際しては、加熱装置におけるヒータの出力条件、温度制御対象が加熱空間を通り抜ける際の搬送速度等の制御条件を詳細に設定することが求められていた。しかしながら、加熱装置の制御条件の設定は、熟練の作業者の経験に頼ることが多く、容易に導き出すことができないという課題があった。
【0005】
本開示は、上記の課題に鑑み、加熱装置の制御条件を容易に導き出せる機械学習装置、情報処理装置、推論装置、機械学習方法、制御条件予測方法、及び、推論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】
上記目的を達成するために、本開示の機械学習装置は、
温度制御対象を加熱する加熱装置の制御条件を予測するための学習モデルを生成する機械学習装置であって、
一つ以上の学習用データを記憶する学習用データ記憶部と、
前記一つ以上の学習用データに基づいて前記学習モデルに学習させる機械学習制御部と、
学習済みの前記学習モデルを記憶する機械学習モデル記憶部と、
を備え、
各前記学習用データは、学習用入力パラメータと、前記学習用入力パラメータに対応する加熱装置の制御条件である学習用制御条件とで構成され、
前記学習モデルは、前記学習用データにおける前記学習用入力パラメータと前記学習用制御条件との相関関係を学習し、
前記学習用入力パラメータは、温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成されている。
温度制御対象を加熱する加熱装置の制御条件を予測するための学習モデルを生成する機械学習装置であって、
一つ以上の学習用データを記憶する学習用データ記憶部と、
前記一つ以上の学習用データに基づいて前記学習モデルに学習させる機械学習制御部と、
学習済みの前記学習モデルを記憶する機械学習モデル記憶部と、
を備え、
各前記学習用データは、学習用入力パラメータと、前記学習用入力パラメータに対応する加熱装置の制御条件である学習用制御条件とで構成され、
前記学習モデルは、前記学習用データにおける前記学習用入力パラメータと前記学習用制御条件との相関関係を学習し、
前記学習用入力パラメータは、温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成されている。
【発明の効果】
【0007】
本開示の機械学習装置、情報処理装置、推論装置、機械学習方法、制御条件予測方法、及び、推論方法によれば、制御条件を容易に決定することができる。
【0008】
上記以外の課題、構成及び効果は、後述する発明を実施するための形態にて明らかにされる。
【図面の簡単な説明】
【0009】
【発明を実施するための形態】
【0010】
以下、図面を参照して本発明を実施するための実施の形態について説明する。以下では、本発明の目的を達成するための説明に必要な範囲を模式的に示し、本開示の該当部分の説明に必要な範囲を主に説明することとし、説明を省略する箇所については公知技術によるものとする。
【0011】
実施の形態１
図１は、実施の形態１による加熱システム１を示す概略図である。図２は、図１の加熱装置１０を示す側面図である。加熱システム１は、加熱装置１０と、機械学習装置４０と、情報処理装置５０と、制御装置６０と、それぞれの装置をつなぐネットワーク７０と、を備えている。
図１は、実施の形態１による加熱システム１を示す概略図である。図２は、図１の加熱装置１０を示す側面図である。加熱システム１は、加熱装置１０と、機械学習装置４０と、情報処理装置５０と、制御装置６０と、それぞれの装置をつなぐネットワーク７０と、を備えている。
【0012】
加熱システム１は、ＰＥＴボトル等の容器を生産する生産システムに備えられている。容器は、容器の原料から生産されたプリフォーム２００を図示しないブロー成形装置により成形することで生産される。
【0013】
ブロー成形装置によってプリフォーム２００を成形する際には、プリフォーム２００の成形性を向上させるために、プリフォーム２００を予め加熱する必要がある。本開示の加熱システム１は、ブロー成形装置の前工程を担うシステムであり、温度制御対象としてのプリフォーム２００を加熱するシステムである。
【0014】
プリフォーム２００は、図示しない射出成形機によって容器の原料から成形される。成形されたプリフォーム２００は、順次、加熱システム１に搬入され、加熱される。加熱されたプリフォーム２００は、次工程のブロー成形装置に順次供され、容器に成形される。
【0015】
加熱装置１０は、加熱装置本体１１と、加熱装置本体１１に配置された熱源としての複数のヒータ１４と、各ヒータ１４に電力を供給する図示しないヒータ電源と、加熱装置本体１１に配置された送風装置１７と、搬送装置３０と、を有している。
【0016】
加熱装置本体１１には、長尺のトンネル状の空間である加熱通路１２が長手方向に沿って形成されている。加熱通路１２は、プリフォーム２００が通過できる大きさである。プリフォーム２００は、加熱通路１２の入口側から出口側に向かって通過することができる。加熱通路１２内のプリフォーム２００の搬送については、後に説明をする。
【0017】
各ヒータ１４は、長尺の近赤外線ヒータである。各ヒータ１４は、加熱通路１２の長手方向に沿って配置されている。なお、各ヒータ１４には、長尺の近赤外線ヒータのみならず、異なる種類のヒータを採用することができる。
【0018】
各ヒータ１４は、加熱装置本体１１内の加熱通路１２においてプリフォーム２００を加熱することができる。各ヒータ１４は、ヒータ電源に電気的に接続されており、ヒータ電源から供給される電力により、加熱装置本体１１内部を加熱することができる。従って、加熱装置本体１１によって、加熱装置１０の加熱空間が画定されることになる。
【0019】
ヒータ電源は、制御装置６０からの指令によって各ヒータ１４に供給する電力量を調整することができる。各ヒータ１４は、供給された電力量に応じた熱量を放熱する。各ヒータ１４に供給する電力量を制御することで、各ヒータ１４から放熱される熱量を制御することができる。
【0020】
送風装置１７は、送風源である送風機１８と、送風管１９と、図示しない送風機電源と、を有している。送風機１８は、加熱通路１２の入口側に配置されている。送風管１９は、パイプ状の物体である。
【0021】
送風管１９の長手方向は、加熱通路１２の長手方向に沿って、加熱通路１２内に配置されている。送風管１９の一方の開口端部は、加熱通路１２の入口側で加熱装置１０の外部に向かって開口しており、送風管１９の他方の開口端部は、加熱通路１２の出口側で加熱装置１０の外部に向かって開口している。
【0022】
送風管１９には、図示しない複数の貫通孔が形成されている。送風機１８は、入口側の送風管１９の開口端部に接続されている。送風機１８は、入口側の送風管１９の開口端部から送風管１９内にエアを送り込むことができる。
【0023】
送風機１８によって送風管１９に送り込まれたエアは、送風管１９を流れる。送風管１９を流れるエアは、更に、複数の貫通孔を通って加熱通路１２内に送り込まれるとともに、出口側の送風管１９の開口端部から、大気に放出される。即ち、送風機１８によって送り込まれるエアは、送風管１９を介して加熱空間内に送り込まれる。
【0024】
送風機電源は、制御装置６０からの指令によって送風機１８に供給する電力量を制御することができる。制御装置６０は、送風機１８に供給する電力量を制御することで、送風機１８を制御し、送風管１９に送り込まれて送風管１９に流れるエアの流量を制御することができる。
【0025】
搬送装置３０は、搬送装置本体３１と、搬送制御部３２と、を有している。搬送装置本体３１は、コンベアである。搬送装置本体３１は、複数のプリフォーム２００を支持することができる。搬送装置本体３１は、支持しているプリフォーム２００が加熱通路１２内を通過するように配置されている。
【0026】
搬送装置本体３１は、複数のプリフォーム２００を直立させた状態でプリフォーム２００を回転可能に支持することができる。搬送装置本体３１は、図示しない回転機構を有しており、複数のプリフォーム２００のそれぞれに直立させた状態で回転運動を付与することができる。従って、搬送装置本体３１は、直立した状態のプリフォーム２００に回転運動を付与しながら、加熱通路１２内を通してプリフォーム２００を搬送することができる。即ち、搬送装置本体３１に支持された各プリフォーム２００は、直立した状態で回転運動をしながら加熱空間内を通過することができる。
【0027】
搬送制御部３２は、制御装置６０からの指令に基づいて搬送装置本体３１の搬送速度を制御することができる。搬送装置本体３１の搬送速度を制御することで、プリフォーム２００が加熱通路１２内に滞在している時間を制御することができる。また、搬送制御部３２は、制御装置６０からの指令に基づいて搬送装置本体３１の回転機構を制御して、プリフォーム２００の回転運動の回転速度を制御することができる。即ち、搬送制御部３２は、制御装置６０からの指令に基づいて、搬送装置本体３１の搬送速度、及び、プリフォーム２００の回転運動の回転速度の少なくともいずれか一つを制御することができる。
【0028】
機械学習装置４０は、機械学習の学習フェーズの主体として動作する装置である。図３は、図１の機械学習装置４０を示す構成図である。図４は、図３の機械学習装置４０が実施する機械学習の要素を示す概念図である。機械学習装置４０は、機械学習制御部４１と、機械学習通信部４２と、学習用データ記憶部４３と、機械学習モデル記憶部４４と、を有している。
【0029】
機械学習制御部４１は、入力情報に対応した出力情報が得られる学習モデル４５を生成する。機械学習制御部４１は、学習モデル４５の生成に一つ以上の学習用データ４６を用いる。学習用データ４６は、学習用入力パラメータ１０１ａと学習用入力パラメータ１０１ａに対応する加熱装置１０の制御条件である学習用制御条件１０１ｂとで構成されている。
【0030】
学習用データ４６は、教師あり学習における教師データであるトレーニングデータ、検証データ及びテストデータとして用いられるデータである。また、学習用制御条件１０１ｂは、教師あり学習における正解ラベルとして用いられるデータである。なお、学習用入力パラメータ１０１ａ、及び、学習用入力パラメータ１０１ａに対応する加熱装置１０の制御条件である学習用制御条件１０１ｂは、作業者によって用意された入力パラメータ１００ａ、及び、入力パラメータ１００ａに対応する加熱装置１０の制御条件１００が、学習用データ４６として学習用データ記憶部４３に記憶された状態のデータを表している。
【0031】
作業者によって用意される入力パラメータ１００ａ及び制御条件１００ｂ、並びに、学習用データ４６が記憶されている学習用データ記憶部４３については、後に説明をする。
【0032】
機械学習制御部４１は、一つ以上の学習用データ４６における学習用入力パラメータ１０１ａと学習用制御条件１０１ｂとの相関関係を学習モデル４５に学習させることができる。これにより、機械学習制御部４１は、学習済みの学習モデル４５を生成することができる。
【0033】
学習モデル４５には、ニューラルネットワークの構造が採用されている。学習モデル４５は、入力層４５ａ、中間層４５ｂ、及び、出力層４５ｃを有している。入力層４５ａは、学習用入力パラメータ１０１ａのパラメータ数に対応する数のニューロンを有している。出力層４５ｃは、学習用制御条件１０１ｂの条件数に対応する数のニューロンを有している。
【0034】
各層の間には、各ニューロンをそれぞれ接続する図示しないシナプスが張られている。各シナプスには、重みを付すことができる。
【0035】
機械学習制御部４１は、機械学習によって、各シナプスの重みからなる重みパラメータ群を調整する。重みパラメータ群は、学習モデル４５に反映される。
【0036】
機械学習制御部４１では、学習用入力パラメータ１０１ａの各パラメータを入力層４５ａの各ニューロンにそれぞれ入力し、学習モデル４５を通して、学習用入力パラメータ１０１ａに対応する加熱装置１０の学習結果制御条件１０１ｃが出力される。機械学習制御部４１は、学習結果制御条件１０１ｃの値を検討し、当該検討結果に基づいて各シナプスの重みを調整する。
【0037】
学習モデル４５が、回帰モデルで構成される場合には、学習用制御条件１０１ｂは、所定の範囲（例えば、０～１）に正規化された数値でそれぞれ出力される。また、学習モデル４５が、分類モデルで構成される場合には、学習用制御条件１０１ｂは、各クラスに対するスコア（確度）として、所定の範囲（例えば、０～１）に正規化された数値でそれぞれ出力される。
【0038】
学習用データ記憶部４３は、複数の学習用データ４６をデータベースとして記憶することができる。なお、学習用データ記憶部４３を構成するデータベースの具体的な構成は適宜設計することができる。
【0039】
学習用データ記憶部４３には、図示しない操作端末を用いた作業者によって入力パラメータ１００ａと入力パラメータ１００ａに対応している制御条件１００ｂとが入力される。学習用データ記憶部４３に入力された入力パラメータ１００ａと制御条件１００ｂとのそれぞれは、学習用入力パラメータ１０１ａと学習用制御条件１０１ｂとして記憶される。従って、学習用制御条件１０１ｂは、学習用入力パラメータ１０１ａに対応している。これにより、一つの学習用データ４６が記憶される。
【0040】
学習用入力パラメータ１０１ａと学習用制御条件１０１ｂとには、既知の加熱作業におけるデータを用いる。即ち、学習用入力パラメータ１０１ａと学習用制御条件１０１ｂとの元として学習用データ記憶部４３に入力される入力パラメータ１００ａと制御条件１００ｂとしては、既知の加熱作業における入力パラメータ１００ａと制御条件１００ｂとが入力される。
【0041】
既知の加熱作業としては、加熱装置１０を用いた過去の加熱作業であることが望ましい。加熱装置１０を用いた過去の加熱作業で実際に使用したデータは、その後のブロー成形機によって容器を生産した実績をもつデータである。
【0042】
即ち、過去の加熱作業で実際に使用したデータは、許容範囲内の形状精度を有する容器を生産できるデータである。従って、過去の加熱作業で実際に使用した入力パラメータ１００ａと制御条件１００ｂとの相関関係は、妥当であるために、このようなデータを学習用データ４６として機械学習に用いることが望ましい。
【0043】
なお、既知の加熱作業におけるデータとしては、過去の加熱作業で実際に使用したデータ以外に、例えば、シミュレーションや、熟練の作業者によって作成されたデータを用いてもよい。
【0044】
入力パラメータ１００ａは、加熱システム１の各装置を制御するための制御条件１００ｂを算出するために考慮されるパラメータである。入力パラメータ１００ａは、プリフォーム２００に関するパラメータ、加熱装置１０に関するパラメータ、及び、プリフォーム２００と加熱装置１０との関係に関するパラメータである。
【0045】
具体的には、入力パラメータ１００ａは、プリフォーム２００の材質情報、形状情報、初期温度情報、加熱装置１０の目標温度分布情報、及び、加熱装置１０の熱環境情報の少なくともいずれか一つから構成されている。プリフォーム２００の材質情報としては、プリフォーム２００の光線透過・反射・屈折率、色の明度情報であるＬ値、色の情報としてのＲＧＢ値、密度情報、比熱情報、及び、熱伝導率情報の少なくともいずれか一つの情報である。
【0046】
材質情報は、事前にプリフォーム２００を計測することで取得することができる。材質情報の計測の方法は、周知の方法を適宜採用することができる。
【0047】
プリフォーム２００の形状情報としては、プリフォーム２００の設計図面から読み取る形状情報としての設計図面情報、形状イメージから読み取る形状情報としての形状イメージ情報、寸法情報、及び、形状トレース測定・スキャニング情報の少なくともいずれか一つの情報である。形状情報をプリフォーム２００の設計図面から読み取る場合には、事前にプリフォーム２００の設計図面をコンピュータに供し、コンピュータが設計図面からプリフォーム２００の形状情報を読み取ることでプリフォーム２００の形状情報を取得することができる。
【0048】
形状イメージとは、撮像装置で撮像した画像情報である。形状イメージから形状情報を読み取る場合には、画像情報からプリフォーム２００の形状情報を取得することができる。寸法情報は、事前に作業者がプリフォーム２００の寸法の内、必要とされる情報を入力することで取得することができる。形状トレース測定・スキャニング情報とは、プリフォーム２００の形状を、周知のスキャニング装置でスキャニングを実施し、把握したプリフォーム２００の形状情報である。
【0049】
プリフォーム２００の初期温度情報は、プリフォーム２００が加熱システム１に供される前のプリフォーム２００の温度を計測することで取得することができる。加熱装置１０の目標温度分布情報は、加熱作業における加熱通路１２内部の理想的な温度分布を示す情報である。加熱通路１２内部の理想的な温度分布は、事前の解析等によって算出され取得することができる。
【0050】
加熱装置１０の熱環境情報としては、加熱装置１０の各ヒータ１４からプリフォーム２００までの距離情報、各ヒータ１４の配置位置・照射方向・照射角情報、加熱装置１０の寸法情報、加熱装置１０外への熱拡散情報、及び、加熱装置１０の周辺温湿度情報の少なくともいずれか一つの情報である。加熱装置１０の各ヒータ１４からプリフォーム２００までの距離情報における距離は、プリフォーム２００の搬送方向に垂直な方向における距離である。
【0051】
プリフォーム２００と各ヒータ１４との距離情報は、事前に作業者により算出し入力することで取得する、又は、コンピュータにそれぞれの設計図面を入力しコンピュータ上で解析されることで取得することができる。各ヒータ１４の配置位置・照射方向・照射角情報は、コンピュータに加熱装置１０の設計図面を入力しコンピュータ上で解析されることで取得することができる。加熱装置１０外への熱拡散情報は、コンピュータ上でのシミュレーション解析などによって取得することができる。加熱装置１０の周辺温湿度情報は、加熱装置１０の周辺の温度、及び、湿度を計測することによって取得することができる。
【0052】
加熱装置１０の寸法情報は、事前に作業者が加熱装置１０の寸法のうちの必要とされる寸法値を入力することで取得することができる。
【0053】
制御条件１００ｂは、加熱装置１０、送風装置１７、及び、搬送装置３０の制御条件である。具体的には、送風機１８への出力指令値、搬送装置３０への出力指令値、及び、各ヒータ１４への出力指令値、である。
【0054】
各出力指令値は、０～１００までの任意の値である。各出力指令値は、対応する装置の最高出力を１００としたときの各装置の出力値である。なお、各ヒータ１４への指令は、０～１００までの任意の値である出力指令値のみならず、各ヒータ１４に対するＯＮ／ＯＦＦ指令であってもよい。さらに、各ヒータ１４への指令は、各ヒータ１４に対するＯＮ指令の時間、ＯＦＦ指令の時間、又は、ＯＮ指令の時間とＯＦＦ指令の時間との割合であってもよい。
【0055】
機械学習制御部４１は、学習用データ記憶部４３に記憶された複数の学習用データ４６の中から任意の一つ以上の学習用データ４６を抽出し、機械学習に用いることができる。
【0056】
機械学習モデル記憶部４４は、機械学習制御部４１により生成された学習済みの学習モデル４５、即ち、調整済みの重みパラメータ群を記憶するデータベースである。
【0057】
機械学習通信部４２は、通信インターフェース部である。機械学習通信部４２は、ネットワーク７０を介して外部装置と接続されることで、各種のデータを送受信することができる。機械学習モデル記憶部４４に記憶された学習済みの学習モデル４５は、ネットワーク７０や記憶媒体等を介して情報処理装置５０に提供される。
【0058】
なお、図３では、学習用データ記憶部４３と、機械学習モデル記憶部４４とが別々の記憶部として示されているが、これらは単一の記憶部で構成されてもよい。
【0059】
図５は、図１の情報処理装置５０を示す概略図である。情報処理装置５０は、機械学習の推論フェーズの主体として動作する装置である。情報処理装置５０は、機械学習装置４０により生成された学習モデル４５を用いて、新たに入力される予測用入力パラメータ１０２ａに対応する加熱装置１０の新規制御条件１０２ｂを予測する。
【0060】
情報処理装置５０は、情報処理制御部５１と、情報処理モデル記憶部５５と、情報処理通信部５６と、を有している。情報処理制御部５１は、情報取得部５２と、情報予測部５３と、出力処理部５４と、を有している。
【0061】
情報取得部５２は、作業者により、図示しない操作端末により入力された予測用入力パラメータ１０２ａを取得する。予測用入力パラメータ１０２ａは、新たな加熱装置１０を用いて加熱する加熱作業である新規加熱作業における入力パラメータである。
【0062】
なお、予測用入力パラメータ１０２ａに対応する加熱装置１０を用いた新規加熱作業用の制御条件を新規制御条件１０２ｂとする。
【0063】
情報予測部５３は、情報取得部５２が取得した予測用入力パラメータ１０２ａを学習モデル４５に入力することで、新規制御条件１０２ｂを予測する。出力処理部５４は、情報予測部５３により予測された新規制御条件１０２ｂを情報処理通信部５６に出力する。
【0064】
情報予測部５３は、情報処理モデル記憶部５５に記憶されている複数の学習モデル４５の中から一つの学習モデル４５を選択して利用することができる。
【0065】
情報処理モデル記憶部５５は、情報予測部５３にて用いられる学習済みの学習モデル４５を記憶するデータベースである。情報処理モデル記憶部５５は、機械学習装置４０から入力される学習済みの学習モデル４５を複数記憶することができる。
【0066】
複数の学習モデル４５のそれぞれは、例えば、機械学習の手法、学習用入力パラメータ１０１ａに含まれるデータの種類、学習用制御条件１０１ｂに含まれるデータの種類等が異なる複数の学習済みモデルである。
【0067】
情報処理モデル記憶部５５は、サーバ型コンピュータやクラウド型コンピュータ等の外部コンピュータの記憶部で代用されてもよい。その場合には、情報予測部５３は、当該外部コンピュータの記憶部にアクセスして学習モデル４５を取得することができる。
【0068】
情報処理通信部５６は、ネットワーク７０を介して加熱システム１の外の装置と通信可能に接続されている。情報処理通信部５６は、各種のデータを送受信する通信インターフェース部である。情報処理通信部５６は、出力処理部５４が出力した新規制御条件１０２ｂを情報処理通信部５６に出力することができる。
【0069】
図１に戻り説明を続ける。制御装置６０は、加熱システム１の各装置を制御することができる。制御装置６０は、情報処理装置５０から伝達された新規制御条件１０２ｂに基づいて、加熱システム１の各装置を制御することができる。
【0070】
制御装置６０は、新規制御条件１０２ｂのうちの送風機１８に対する出力指令値を送風機電源に出力する。送風機電源は、入力された出力指令値に基づいて送風機１８を制御する。これにより、送風管１９を流れるエアの流量を制御することができる。
【0071】
制御装置６０は、新規制御条件１０２ｂのうちの搬送装置３０に対する出力指令値を搬送制御部３２に出力する。搬送制御部３２は、入力された出力指令値に基づいて搬送装置３０を制御する。これにより、搬送装置本体３１の搬送速度、及び、プリフォーム２００の回転運動の回転速度の少なくともいずれか一つを制御することができる。
【0072】
制御装置６０は、新規制御条件１０２ｂのうちの各ヒータ１４に対する出力指令値をヒータ電源に出力する。ヒータ電源は、入力された出力指令値に基づいて各ヒータ１４を制御する。これにより、各ヒータ１４の出力を制御することができる。
【0073】
図６は、コンピュータ９００のハードウエア構成図である。加熱システム１の機械学習装置４０及び情報処理装置５０は、汎用又は専用のコンピュータ９００により構成される。
【0074】
コンピュータ９００は、バス９１０、プロセッサ９１２、メモリ９１４、入力デバイス９１６、出力デバイス９１７、表示デバイス９１８、ストレージ装置９２０、通信インターフェース部９２２、外部機器インターフェース部９２４、入出力デバイスインターフェース部９２６、及び、メディア入出力部９２８を備える。なお、上記の構成要素は、コンピュータ９００が使用される用途に応じて適宜省略されてもよい。
【0075】
プロセッサ９１２は、一つ又は複数の演算処理装置（ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＭＰＵ（Ｍｉｃｒｏ－ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、ＤＳＰ（ｄｉｇｉｔａｌ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｏｒ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）等）で構成され、コンピュータ９００全体を統括する制御部として動作する。
【0076】
メモリ９１４は、各種のデータ及びプログラム９３０を記憶し、例えば、メインメモリとして機能する揮発性メモリ（ＤＲＡＭ、ＳＲＡＭ等）と、不揮発性メモリ（ＲＯＭ）、フラッシュメモリ等とで構成される。
【0077】
入力デバイス９１６は、例えば、キーボード、マウス、テンキー、電子ペン等で構成され、入力部として機能する。出力デバイス９１７は、例えば、音声を含む音出力装置、バイブレーション装置等で構成され、出力部として機能する。表示デバイス９１８は、例えば、液晶ディスプレイ、有機ＥＬディスプレイ、電子ペーパー、プロジェクタ等で構成され、出力部として機能する。
【0078】
入力デバイス９１６及び表示デバイス９１８は、タッチパネルディスプレイのように、一体として構成されていてもよい。ストレージ装置９２０は、例えば、ＨＤＤ、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等で構成され、記憶部として機能する。ストレージ装置９２０は、オペレーティングシステムやプログラム９３０の実行に必要な各種のデータを記憶する。
【0079】
通信インターフェース部９２２は、インターネットやイントラネット等のネットワーク９４０に有線又は無線により接続され、所定の通信規格に従って他のコンピュータとの間でデータの送受信を行う通信部として機能する。ネットワーク９４０は、ネットワーク７０と同一であってもよい。
【0080】
外部機器インターフェース部９２４は、カメラ、プリンタ、スキャナ、リーダライタ等の外部機器９５０に有線又は無線により接続され、所定の通信規格に従って外部機器９５０との間でデータの送受信を行う通信部として機能する。
【0081】
入出力デバイスインターフェース部９２６は、各種のセンサ、アクチュエータ等の入出力デバイス９６０に接続され、入出力デバイス９６０との間で、例えば、センサによる検出信号やアクチュエータへの制御信号等の各種の信号やデータの送受信を行う通信部として機能する。
【0082】
メディア入出力部９２８は、例えば、ＤＶＤドライブ、ＣＤドライブ等のドライブ装置で構成され、ＤＶＤ、ＣＤ等の記憶媒体であるメディア９７０に対してデータの読み書きを行う。
【0083】
上記構成を有するコンピュータ９００において、プロセッサ９１２は、ストレージ装置９２０に記憶されたプログラム９３０をメモリ９１４に呼び出して実行し、バス９１０を介してコンピュータ９００の各部を制御する。なお、プログラム９３０は、ストレージ装置９２０に代えて、メモリ９１４に記憶されていてもよい。
【0084】
プログラム９３０は、インストール可能なファイル形式又は実行可能なファイル形式でメディア９７０に記録され、メディア入出力部９２８を介してコンピュータ９００に提供されてもよい。プログラム９３０は、通信インターフェース部９２２を介してネットワーク９４０経由でダウンロードすることによりコンピュータ９００に提供されてもよい。
【0085】
また、コンピュータ９００は、プロセッサ９１２がプログラム９３０を実行することで実現する各種の機能を、例えば、ＦＰＧＡ、ＡＳＩＣ等のハードウエアで実現するものでもよい。
【0086】
コンピュータ９００は、例えば、据置型コンピュータや携帯型コンピュータで構成され、任意の形態の電子機器である。コンピュータ９００は、クライアント型コンピュータでもよいし、サーバ型コンピュータやクラウド型コンピュータでもよい。コンピュータ９００は、加熱システム１の機械学習装置４０及び情報処理装置５０以外の装置にも適用されてもよい。
【0087】
【0088】
まず、事前に作業者は、一つ以上の学習用データ４６を入力し、学習用データ記憶部４３に記憶させておく。記憶させる学習用データ４６の数は、最終的に得られる学習モデル４５に求められる推論精度を考慮して設定される。
【0089】
機械学習方法では、ステップＳ１００として学習モデル準備工程が実施される。機械学習制御部４１は、学習前の学習モデル４５を準備する。準備された学習モデル４５では、各シナプスの重みが初期値に設定されている。
【0090】
次に、ステップＳ１１０として機械学習工程が実施される。機械学習工程において、まず、ステップＳ１１１として学習用データ取得工程が実施される。機械学習制御部４１は、学習用データ記憶部４３に記憶された複数の学習用データ４６から、ランダムに一つの学習用データ４６を取得する。
【0091】
次に、ステップＳ１１２としての推論結果出力工程が実施される。機械学習制御部４１は、取得した一つの学習用データ４６に含まれる学習用入力パラメータ１０１ａを、準備された学習モデル４５の入力層４５ａに入力する。その結果、学習モデル４５の出力層４５ｃから推論結果として学習結果制御条件１０１ｃが出力される。
【0092】
推論結果として出力された学習結果制御条件１０１ｃは、学習前又は学習中の学習モデル４５によって生成されたものである。そのため、学習結果制御条件１０１ｃは、学習用データ４６に含まれる正解ラベルである学習用制御条件１０１ｂとは異なる。
【0093】
次に、ステップＳ１１３として重み調整工程が実施される。機械学習制御部４１は、正解ラベルであるステップＳ１１１で取得した学習用データ４６のうちの学習用制御条件１０１ｂと、ステップＳ１１２において推論結果として出力された学習結果制御条件１０１ｃとを比較する。当該比較に基づいて、機械学習制御部４１は、各シナプスの重みを調整する処理であるバックプロバケーションを実施し、機械学習を実施する。
【0094】
これにより、機械学習制御部４１は、学習用入力パラメータ１０１ａと学習用制御条件１０１ｂとの相関関係を学習モデル４５に学習させる。
【0095】
次に、ステップＳ１１４として機械学習終了判定工程が実施される。機械学習制御部４１は、所定の学習終了条件が満たされたか否かを判定する。この判定は、例えば、正解ラベルである学習用制御条件１０１ｂと学習結果制御条件１０１ｃとに基づく誤差関数の評価値や、学習用データ記憶部４３内に記憶された未学習の学習用データ４６の残数等に基づいて実施される。
【0096】
ステップＳ１１４において、機械学習制御部４１が、学習終了条件が満たされておらず、機械学習を継続すると判定した場合、即ちステップＳ１１４でＮｏとなった場合、処理は、ステップＳ１１１に戻る。このように、学習中の学習モデル４５に対してステップＳ１１１～Ｓ１１４の工程が未学習の学習用データ４６に対して複数回実施される。
【0097】
一方、ステップＳ１１４において、機械学習制御部４１が、学習終了条件が満たされて、機械学習を終了すると判定した場合、即ち、ステップＳ１１４でＹｅｓとなった場合、処理は、ステップＳ１２０に進む。
【0098】
そして、ステップＳ１２０として、学習済みモデル記憶工程が実施される。機械学習制御部４１は、各シナプスの重みが調整された学習済みの学習モデル４５、即ち、調整済みの重みパラメータ群が反映された学習モデル４５を機械学習モデル記憶部４４に記憶する。これにより、機械学習方法は、終了する。
【0099】
【0100】
まず、ステップＳ２００として予測用入力パラメータ取得工程が実施される。作業者が予測用入力パラメータ１０２ａを情報処理装置５０に入力することで、情報取得部５２は、予測用入力パラメータ１０２ａを取得する。
【0101】
次に、ステップＳ２１０として予測工程が実施される。情報予測部５３は、ステップＳ２００にて取得した予測用入力パラメータ１０２ａを学習モデル４５に入力する。これにより、情報予測部５３は、予測用入力パラメータ１０２ａに対応する新規制御条件１０２ｂを予測する。
【0102】
次に、ステップＳ２２０として出力処理工程が実施される。出力処理部５４は、出力処理として、ステップＳ２１０にて生成された新規制御条件１０２ｂを制御装置６０に送信する。これにより、新規制御条件１０２ｂの予測とその出力が完了する。
【0103】
制御装置６０は、出力処理部５４から入力された新規制御条件１０２ｂに基づいて加熱システム１の各装置を制御することができる。
【0104】
本開示は、機械学習装置４０が備える各部としてコンピュータ９００を機能させるプログラムである機械学習プログラムや、機械学習方法が備える各工程をコンピュータ９００に実行させるためのプログラムである機械学習プログラムの態様で提供することもできる。
【0105】
また、本開示は、加熱システム１が備える各部としてコンピュータ９００を機能させるためのプログラムや、上記実施の形態に係る学習用制御条件予測方法が備える各工程をコンピュータ９００に実行させるためのプログラムである学習用制御条件予測プログラムの態様で提供することもできる。
【0106】
実施の形態１による機械学習装置４０によれば、プリフォーム２００を加熱する加熱装置１０の新規制御条件１０２ｂを予測するための学習モデル４５を生成することができる。また、機械学習装置４０は、一つ以上の学習用データ４６を記憶する学習用データ記憶部４３と、一つ以上の学習用データ４６に基づいて学習モデル４５に学習させる機械学習制御部４１と、学習済みの学習モデル４５を記憶する機械学習モデル記憶部４４と、を備えている。また、各学習用データ４６は、学習用入力パラメータ１０１ａと、学習用入力パラメータ１０１ａに対応する加熱装置１０の学習用制御条件１０１ｂとで構成されている。また、学習モデル４５は、学習用データ４６における学習用入力パラメータ１０１ａと学習用制御条件１０１ｂとの相関関係を学習する。また、学習用入力パラメータ１０１ａは、プリフォーム２００の材質情報、プリフォーム２００の形状情報、プリフォーム２００の初期温度情報、加熱装置１０の目標温度分布情報、及び、加熱装置１０の熱環境情報の少なくともいずれか一つで構成されている。これにより、機械学習制御部４１は、学習用入力パラメータ１０１ａと学習用制御条件１０１ｂとの相関関係を学習した学習モデル４５を取得することができる。従って、取得した学習モデル４５を用いて、加熱装置１０の新規制御条件１０２ｂを容易に導き出すことができる。また、新規制御条件１０２ｂにて加熱装置を制御することで、プリフォーム２００の加熱不良を防ぐことができ、良好な加熱状態のプリフォーム２００をブロー成形装置で成形することで、適切な仕上がり寸法を有した製品を生産することができる。
【0107】
実施の形態１による機械学習装置４０によれば、プリフォーム２００の材質情報は、プリフォーム２００の光透過・反射・屈折率情報、プリフォーム２００の色の明度情報、プリフォーム２００の色情報、プリフォーム２００の密度情報、プリフォーム２００の比熱情報、及び、プリフォーム２００の熱伝導率情報の少なくともいずれか一つである。これにより、プリフォーム２００の光透過・反射・屈折率情報、プリフォーム２００の色の明度情報、プリフォーム２００の色情報、プリフォーム２００の密度情報、プリフォーム２００の比熱情報、及び、プリフォーム２００の熱伝導率情報の少なくともいずれか一つを含む学習用入力パラメータ１０１ａと学習用制御条件１０１ｂとの相関関係を学習した学習モデル４５を用いて、加熱装置１０の新規制御条件１０２ｂを容易に導き出すことができる。
【0108】
実施の形態１による機械学習装置４０によれば、プリフォーム２００の形状情報は、プリフォーム２００の設計図面情報、プリフォーム２００の形状イメージ情報、プリフォーム２００の寸法情報、及び、プリフォーム２００の形状トレース測定・スキャニング情報の少なくともいずれか一つである。これにより、学習用入力パラメータ１０１ａは、プリフォーム２００の設計図面情報、プリフォーム２００の形状イメージ情報、プリフォーム２００の寸法情報、及び、プリフォーム２００の形状トレース測定・スキャニング情報の少なくともいずれか一つを含んでいる。従って、当該学習用入力パラメータ１０１ａと、学習用制御条件１０１ｂと、の相関関係を学習した学習モデル４５を用いて、加熱装置１０の新規制御条件１０２ｂを容易に導き出すことができる。
【0109】
実施の形態１による機械学習装置４０によれば、加熱装置１０の熱環境情報は、加熱装置１０の複数のヒータ１４からプリフォーム２００までの距離情報、加熱装置１０の複数のヒータ１４の配置位置・照射方向・照射角情報、加熱装置１０の寸法情報、加熱装置１０外への熱拡散情報、及び、加熱装置１０の周辺温湿度情報の少なくともいずれか一つである。これにより、学習用入力パラメータ１０１ａは、加熱装置１０の複数のヒータ１４からプリフォーム２００までの距離情報、加熱装置１０の複数のヒータ１４の配置位置・照射方向・照射角情報、加熱装置１０の寸法情報、加熱装置１０外への熱拡散情報、及び、加熱装置１０の周辺温湿度情報の少なくともいずれか一つを含む。従って、当該学習用入力パラメータ１０１ａと学習用制御条件１０１ｂとの相関関係を学習した学習モデル４５を用いて、加熱装置１０の新規制御条件１０２ｂを容易に導き出すことができる。
【0110】
実施の形態１による機械学習装置４０によれば、加熱装置１０は、加熱通路１２内を有した加熱装置本体１１と、送風装置１７と、を有し、送風装置１７は、送風機１８と、送風機１８から加熱通路１２内にエアを送り込むための送風管１９とを有している。また、学習用制御条件１０１ｂは、送風管１９を流れるエアの流量である。これにより、学習用入力パラメータ１０１ａと学習用制御条件１０１ｂとの相関関係を学習した学習モデル４５を用いて、送風管１９を流れるエアの流量である新規制御条件１０２ｂを得ることができる。従って、加熱装置１０の新規制御条件１０２ｂを容易に導き出すことができる。
【0111】
実施の形態１による機械学習装置４０によれば、加熱装置１０は、加熱通路１２内を有した加熱装置本体１１と、加熱空間でプリフォーム２００に回転運動をさせながらプリフォーム２００を搬送する搬送装置３０と、を有している。また、学習用制御条件１０１ｂは、搬送装置３０の搬送速度、及び、プリフォーム２００の回転運動の回転速度の少なくともいずれか一つである。これにより、学習用入力パラメータ１０１ａと学習用制御条件１０１ｂとの相関関係を学習した学習モデル４５を用いて、搬送装置本体３１で搬送されるプリフォーム２００の搬送速度、及び、プリフォーム２００の回転運動の回転速度の少なくともいずれか一つである新規制御条件１０２ｂを得ることができる。従って、加熱装置１０の新規制御条件１０２ｂを容易に導き出すことができる。
【0112】
実施の形態１による機械学習装置４０によれば、学習用制御条件１０１ｂは、加熱装置１０の各ヒータ１４の出力指令値である。これにより、学習用入力パラメータ１０１ａと学習用制御条件１０１ｂとの相関関係を学習した学習モデル４５を用いて、各ヒータ１４の出力指令値である新規制御条件１０２ｂを得ることができる。従って、加熱装置１０の新規制御条件１０２ｂを容易に導き出すことができる。
【0113】
実施の形態１による情報処理装置５０によれば、プリフォーム２００の材質情報、プリフォーム２００の形状情報、プリフォーム２００の初期温度情報、加熱装置１０の目標温度分布情報、及び、加熱装置１０の熱環境情報の少なくともいずれか一つで構成された予測用入力パラメータ１０２ａに基づいて加熱装置１０の新規制御条件１０２ｂを予測することができる。また、情報処理装置５０は、予測用入力パラメータ１０２ａを取得する情報取得部５２と、新規制御条件１０２ｂを予測する情報予測部５３と、を備えている。また、情報予測部５３は、学習用入力パラメータ１０１ａと学習用入力パラメータ１０１ａに対応する加熱装置１０の学習用制御条件１０１ｂとの相関関係を機械学習により学習した学習モデル４５に予測用入力パラメータ１０２ａを入力することで新規制御条件１０２ｂを予測する。また、学習用入力パラメータ１０１ａは、プリフォーム２００の材質情報、プリフォーム２００の形状情報、プリフォーム２００の初期温度情報、加熱装置１０の目標温度分布情報、及び、加熱装置１０の熱環境情報の少なくともいずれか一つで構成されている。これにより、学習用入力パラメータ１０１ａと学習用制御条件１０１ｂとの相関関係を学習した学習モデル４５を用いて新規制御条件１０２ｂを予測することができる。従って、学習モデル４５を用いて、加熱装置１０の新規制御条件１０２ｂを容易に導き出すことができる。また、新規制御条件１０２ｂにて加熱装置を制御することで、プリフォーム２００の加熱不良を防ぐことができ、適切な仕上がり寸法を有した製品を生産することができる。
【0114】
実施の形態１による機械学習方法によれば、プリフォーム２００を加熱する加熱装置１０の新規制御条件１０２ｂを予測するための学習モデル４５を生成することができる。また、機械学習方法は、一つ以上の学習用データ４６を記憶する学習用データ記憶工程と、一つ以上の学習用データ４６に基づいて学習モデル４５に学習させる機械学習工程と、学習済みの学習モデル４５を記憶する学習済みモデル記憶工程と、を備える。また、各学習用データ４６は、学習用入力パラメータ１０１ａと、学習用入力パラメータ１０１ａに対応する学習用制御条件１０１ｂとで構成されている。また、学習モデル４５は、学習用データ４６における学習用入力パラメータ１０１ａと学習用制御条件１０１ｂとの相関関係を学習する。また、学習用入力パラメータ１０１ａは、プリフォーム２００の材質情報、プリフォーム２００の形状情報、プリフォーム２００の初期温度情報、加熱装置１０の目標温度分布情報、及び、加熱装置１０の熱環境情報の少なくともいずれか一つで構成されている。これにより、学習用入力パラメータ１０１ａと学習用制御条件１０１ｂとの相関関係を学習した学習モデル４５を取得することができる。従って、取得した学習モデル４５を用いて、加熱装置１０の新規制御条件１０２ｂを容易に導き出すことができる。
【0115】
実施の形態１による制御条件予測方法によれば、プリフォーム２００の材質情報、プリフォーム２００の形状情報、プリフォーム２００の初期温度情報、加熱装置１０の目標温度分布情報、及び、加熱装置１０の熱環境情報の少なくともいずれか一つで構成された予測用入力パラメータ１０２ａに基づいて加熱装置１０の新規制御条件１０２ｂを予測することができる。また、制御条件予測方法は、予測用入力パラメータ１０２ａを取得する予測用入力パラメータ取得工程と、予測用入力パラメータ取得工程により取得された予測用入力パラメータ１０２ａに対応する新規制御条件１０２ｂを予測する予測工程と、を備えている。また、予測工程では、学習用入力パラメータ１０１ａと学習用入力パラメータ１０１ａに対応する加熱装置１０の学習用制御条件１０１ｂとの相関関係を機械学習により学習した学習モデル４５に予測用入力パラメータ１０２ａを入力することで新規制御条件１０２ｂを予測する。また、学習用入力パラメータ１０１ａは、プリフォーム２００の材質情報、プリフォーム２００の形状情報、プリフォーム２００の初期温度情報、加熱装置１０の目標温度分布情報、及び、加熱装置１０の熱環境情報の少なくともいずれか一つで構成されている。これにより、学習用入力パラメータ１０１ａと学習用制御条件１０１ｂとの相関関係を学習した学習モデル４５を用いて新規制御条件１０２ｂを予測することができる。従って、学習モデル４５を用いて、加熱装置１０の新規制御条件１０２ｂを容易に導き出すことができる。
【0116】
実施の形態２．
図９は、実施の形態２による加熱装置と搬送装置とを示す概略図である。実施の形態２では、学習用制御条件１０１ｂ、及び、新規制御条件１０２ｂとして、プリフォーム２００に対して実施されるアニール処理の時間が含まれる点が、実施の形態１と相違する。即ち、実施の形態２における学習用制御条件１０１ｂ、及び、新規制御条件１０２ｂは、実施の形態１の学習用制御条件１０１ｂ、及び、新規制御条件１０２ｂにアニール処理の時間を付加したものである。また、加熱装置１０は、２の加熱装置本体１１と、５つの搬送装置本体３１を有している点で、実施の形態１と相違する。その他の構成は実施の形態１と同様であるので説明を省略する。
図９は、実施の形態２による加熱装置と搬送装置とを示す概略図である。実施の形態２では、学習用制御条件１０１ｂ、及び、新規制御条件１０２ｂとして、プリフォーム２００に対して実施されるアニール処理の時間が含まれる点が、実施の形態１と相違する。即ち、実施の形態２における学習用制御条件１０１ｂ、及び、新規制御条件１０２ｂは、実施の形態１の学習用制御条件１０１ｂ、及び、新規制御条件１０２ｂにアニール処理の時間を付加したものである。また、加熱装置１０は、２の加熱装置本体１１と、５つの搬送装置本体３１を有している点で、実施の形態１と相違する。その他の構成は実施の形態１と同様であるので説明を省略する。
【0117】
加熱装置１０は、上流側に配置された第１加熱装置本体１１ａと、第１加熱装置本体１１ａの下流側に配置された第２加熱装置本体１１ｂと、を有している。第１加熱装置本体１１ａ及び第２加熱装置本体１１ｂの具体的構成は、実施の形態１における加熱装置本体１１の具体的構成と同様であるので説明を省略する。
【0118】
搬送装置３０は、上流側搬送装置本体３１ａと、第１搬送装置本体３１ｂと、中間搬送装置本体３１ｃと、第２搬送装置本体３１ｄと、下流側搬送装置本体３１ｅと、を有している。上流側搬送装置本体３１ａと、第１搬送装置本体３１ｂと、中間搬送装置本体３１ｃと、第２搬送装置本体３１ｄと、下流側搬送装置本体３１ｅとの具体的構成は、実施の形態１における搬送装置本体３１の具体的構成と同様であるので説明を省略する。
【0119】
上流側搬送装置本体３１ａと、第１搬送装置本体３１ｂと、中間搬送装置本体３１ｃと、第２搬送装置本体３１ｄと、下流側搬送装置本体３１ｅと、は、順に繋がるように配置されている。上流側搬送装置本体３１ａにて搬送されるプリフォーム２００は、上流側搬送装置本体３１ａから第１搬送装置本体３１ｂ、中間搬送装置本体３１ｃ、第２搬送装置本体３１ｄ、及び、下流側搬送装置本体３１ｅにて順に搬送される。
【0120】
第１搬送装置本体３１ｂは、第１搬送装置本体３１ｂに支持されたプリフォーム２００が第１加熱装置本体１１ａの加熱通路１２内を通過する位置に配置されている。第２搬送装置本体３１ｄは、第２搬送装置本体３１ｄに支持されたプリフォーム２００が第２加熱装置本体１１ｂの加熱通路１２内を通過する位置に配置されている。
【0121】
本実施の形態では、プリフォーム２００に対してアニール処理を実施するために、加熱通路１２内からプリフォーム２００を外した状態で放置する。具体的には、中間搬送装置本体３１ｃ上にプリフォーム２００が配置されている状態で、中間搬送装置本体３１ｃの搬送速度を遅くする、又は、中間搬送装置本体３１ｃの搬送を一時的に停止するといった制御をする。
【0122】
従って、新規制御条件１０２ｂとしてプリフォーム２００のアニール処理の時間、即ち加熱空間内からプリフォーム２００を外す時間が出力されると、その時間に応じて、制御装置６０は、中間搬送装置本体３１ｃの搬送速度を遅くする、又は、中間搬送装置本体３１ｃの搬送を一時的に停止するといった制御を実施する。制御装置６０は、中間搬送装置本体３１ｃ上のプリフォーム２００を、アニール処理の時間に相当する時間だけ中間搬送装置本体３１ｃ上に滞留させる。
【0123】
即ち、プリフォーム２００には、加熱装置１０の加熱空間外に配置されることでアニール処理が実施される。これにより、プリフォーム２００に対して実施されるアニール処理の時間を提供することができる。
【0124】
実施の形態２による機械学習装置４０によれば、学習用制御条件１０１ｂは、プリフォーム２００に対して実施されるアニール処理の時間である。これにより、学習用入力パラメータ１０１ａと学習用制御条件１０１ｂとの相関関係を学習した学習モデル４５を用いて、適切なアニール処理の時間を得ることができる。従って、加熱装置１０の新規制御条件１０２ｂを容易に導き出すことができる。
【0125】
なお、本開示は、実施の形態１及び実施の形態２に係る情報処理装置５０、学習用制御条件予測方法、又は、学習用制御条件予測プログラムの態様によるもののみならず、学習用制御条件１０１ｂを推論するために用いられる推論装置、推論方法、又は、推論プログラムの態様で提供することもできる。
【0126】
その場合、推論装置、推論方法、又は、推論プログラムとしては、メモリと、プロセッサとを含み、このうちのプロセッサが、一連の処理を実行するものとすることができる。当該一連の処理は、予測用入力パラメータ１０２ａを取得する情報取得処理である情報取得工程と、取得した学習用入力パラメータ１０１ａに基づいて新規制御条件１０２ｂを推論する推論処理である推論工程と、を有する。
【0127】
推論装置、推論方法、又は、推論プログラムの態様で提供することで、加熱システム１を実装する場合に比して簡単に種々の装置への適用が可能となる。推論装置、推論方法、又は、推論プログラムが新規制御条件１０２ｂを推論する際、実施の形態１における情報処理装置５０にて機械学習方法により生成された学習済みの学習モデル４５を用いて、情報予測部５３が実施する予測手法を適用してもよいことは、当業者にとって当然に理解され得るものである。
【0128】
実施の形態１及び実施の形態２による推論装置によれば、メモリと、プロセッサとを備え、プリフォーム２００を加熱する加熱装置１０の新規制御条件１０２ｂを推論することができる。また、プロセッサは、プリフォーム２００の材質情報、プリフォーム２００の形状情報、プリフォーム２００の初期温度情報、加熱装置１０の目標温度分布情報、及び、加熱装置１０の熱環境情報の少なくともいずれか一つで構成された予測用入力パラメータ１０２ａを取得する情報取得処理と、情報取得処理にて取得した予測用入力パラメータ１０２ａに基づいて加熱装置１０の新規制御条件１０２ｂを推論する推論処理と、を実行する。これにより、学習用入力パラメータ１０１ａと学習用制御条件１０１ｂとの相関関係を学習した学習モデル４５を用いて新規制御条件１０２ｂを予測することができる。従って、学習モデル４５を用いて、加熱装置１０の新規制御条件１０２ｂを容易に導き出すことができる。
【0129】
実施の形態１及び実施の形態２による推論方法によれば、メモリと、プロセッサとを備える推論装置により実行されて、プリフォーム２００を加熱する加熱装置１０の新規制御条件１０２ｂを推論する推論方法である。また、プロセッサは、プリフォーム２００の材質情報、プリフォーム２００の形状情報、プリフォーム２００の初期温度情報、加熱装置１０の目標温度分布情報、及び、加熱装置１０の熱環境情報の少なくともいずれか一つで構成された予測用入力パラメータ１０２ａを取得する情報取得工程と、情報取得工程により取得された予測用入力パラメータ１０２ａに対応する新規制御条件１０２ｂを予測する予測工程と、を実行する。また、予測工程では、学習用入力パラメータ１０１ａと学習用入力パラメータ１０１ａに対応する加熱装置１０の学習用制御条件１０１ｂとの相関関係を機械学習により学習した学習モデル４５に予測用入力パラメータ１０２ａを入力することで新規制御条件を予測する。また、学習用入力パラメータ１０１ａは、プリフォーム２００の材質情報、プリフォーム２００の形状情報、プリフォーム２００の初期温度情報、加熱装置１０の目標温度分布情報、及び、加熱装置１０の熱環境情報の少なくともいずれか一つで構成されている。これにより、学習用入力パラメータ１０１ａと学習用制御条件１０１ｂとの相関関係を学習した学習モデル４５を用いて新規制御条件１０２ｂを予測することができる。従って、学習モデル４５を用いて、加熱装置１０の新規制御条件１０２ｂを容易に導き出すことができる。
【0130】
なお、実施の形態１及び実施の形態２における加熱システム１は、プリフォーム２００を加熱している。しかし、これに限られたものではない。加熱システム１は、多様な温度制御対象に適応したシステムとすることができる。その際、入力パラメータ１００ａ、及び、制御条件１００ｂは、適用される加熱装置と温度制御対象とに基づいて好適に選択することができる。
【0131】
また、実施の形態１及び実施の形態２の加熱システム１では、学習用制御条件１０１ｂ、及び、新規制御条件１０２ｂは、送風管１９を流れるエアの流量、搬送装置３０の搬送速度、プリフォーム２００の回転運動の回転速度、プリフォーム２００に対して実施されるアニール処理の時間、及び、複数のヒータ１４の出力指令値である。しかし、これに限られたものではない。加熱システム１では、適宜な制御条件を設定することができる。
【0132】
また、実施の形態１及び実施の形態２では、機械学習装置４０、情報処理装置５０、及び、制御装置６０は、別々の装置で構成されている。しかし、これに限られたものではない。例えば、機械学習装置４０、情報処理装置５０、及び、制御装置６０が、単一の装置で構成されていてもよい。また、当該３つの装置のうち任意の２つの装置が、単一の装置で構成されていてもよい。
【0133】
また、実施の形態１及び実施の形態２の加熱システム１では、機械学習装置４０で生成された学習モデル４５は、ネットワーク７０を介して情報処理装置５０に伝達され、情報処理装置５０で予測された新規制御条件１０２ｂは、ネットワーク７０を介して制御装置６０に伝達されている。しかし、これに限られたものではない。機械学習装置４０、及び、情報処理装置５０は、それぞれ加熱システム１にネットワーク７０を介して接続されていなくてもよい。例えば、機械学習装置４０と情報処理装置５０とがそれぞれ独立して配置してもよい。この場合、機械学習装置４０で生成された学習モデル４５は、人手を介して情報処理装置５０に伝達されてもよい。また、情報処理装置５０で予測された新規制御条件１０２ｂは、人手を介して制御装置６０に伝達されてもよい。
【0134】
また、実施の形態１及び実施の形態２では、機械学習制御部４１による機械学習を実現する学習モデル４５として、ニューラルネットワークを採用している。しかし、これに限られたものではない。学習モデル４５には、他の機械学習のモデルを採用してもよい。他の機械学習のモデルとしては、例えば、決定木、回帰木等のツリー型、バギング、ブースティング等のアンサンブル学習、再帰型ニューラルネットワーク、畳み込みニューラルネットワーク、ＬＳＴＭ等のニューラルネット型(ディープラーニングを含む)、階層型クラスタリング、非階層型クラスタリング、ｋ近傍法、ｋ平均法等のクラスタリング型、主成分分析、因子分析、ロジスティク回帰等の多変量解析、サポートベクターマシン等が挙げられる。
【0135】
また、実施の形態１及び実施の形態２では、送風装置１７は、送風源として送風機１８を有している。しかし、これに限られたものではない。送風源としては、例えば高圧のエアを蓄えた圧力供給源であってもよい。この場合、圧力供給源に設けられた流量弁等などを制御することで、圧力供給源から送風管１９に送り込まれて流れるエアの流量を制御することができる。
【0136】
また、実施の形態２では、中間搬送装置本体３１ｃ上のプリフォーム２００に対してアニール処理を実施している。しかし、これに限られたものではない。例えば、下流側搬送装置本体３１ｅ上のプリフォーム２００に対してアニール処理を実施してもよい。この場合、下流側搬送装置本体３１ｅを制御することでアニール処理の時間を下流側搬送装置本体３１ｅ上のプリフォーム２００に与えることができる。
【0137】
また、実施の形態２では、５つの搬送装置本体３１と、２つの加熱装置本体１１とを有している。しかし、これに限られたものではない。搬送装置本体３１、及び、加熱装置本体１１の数は適宜設定することができる。さらに、アニール処理は、いずれの搬送装置本体３１上のプリフォーム２００に対して実施されてもよい。
【0138】
本開示は上述した実施形態に制約されるものではなく、本発明の主旨を逸脱しない範囲内で種々変更して実施することが可能である。そして、それらはすべて、本発明の技術思想に含まれるものである。
【0139】
以下、本開示の諸態様を付記としてまとめて記載する。
【0140】
（付記１）
温度制御対象を加熱する加熱装置の制御条件を予測するための学習モデルを生成する機械学習装置であって、
一つ以上の学習用データを記憶する学習用データ記憶部と、
前記一つ以上の学習用データに基づいて前記学習モデルに学習させる機械学習制御部と、
学習済みの前記学習モデルを記憶する機械学習モデル記憶部と、
を備え、
各前記学習用データは、学習用入力パラメータと、前記学習用入力パラメータに対応する加熱装置の制御条件である学習用制御条件とで構成され、
前記学習モデルは、前記学習用データにおける前記学習用入力パラメータと前記学習用制御条件との相関関係を学習し、
前記学習用入力パラメータは、温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成されている、
機械学習装置。
（付記２）
前記材質情報は、前記温度制御対象の光透過・反射・屈折率情報、前記温度制御対象の色の明度情報、前記温度制御対象の色情報、前記温度制御対象の密度情報、前記温度制御対象の比熱情報、及び、前記温度制御対象の熱伝導率情報の少なくともいずれか一つである、
付記１に記載の機械学習装置。
（付記３）
前記形状情報は、前記温度制御対象の設計図面情報、前記温度制御対象の形状イメージ情報、前記温度制御対象の寸法情報、及び、前記温度制御対象の形状トレース測定・スキャニング情報の少なくともいずれか一つである、
付記１又は付記２に記載の機械学習装置。
（付記４）
前記熱環境情報は、前記加熱装置の熱源から前記温度制御対象まで距離情報、前記加熱装置の前記熱源の配置位置・照射方向・照射角情報、前記加熱装置の寸法情報、前記加熱装置外への熱拡散情報、及び、前記加熱装置の周辺温湿度情報の少なくともいずれか一つである、
付記１から付記３のいずれか一項に記載の機械学習装置。
（付記５）
前記加熱装置は、加熱空間を画定する加熱装置本体と、送風装置と、を有し、
前記送風装置は、送風源と、前記送風源から前記加熱空間にエアを送り込むための送風管と、を有するものであって、
前記学習用制御条件は、前記送風管を流れる前記エアの流量である、
付記１から付記４のいずれか一項に記載の機械学習装置。
（付記６）
前記加熱装置は、加熱空間を画定する加熱装置本体と、前記加熱空間内で前記温度制御対象に回転運動をさせながら前記温度制御対象を搬送する搬送装置と、を有するものであって、
前記学習用制御条件は、前記搬送装置の搬送速度、及び、前記温度制御対象の前記回転運動の回転速度の少なくともいずれか一つである、
付記１から付記４のいずれか一項に記載の機械学習装置。
（付記７）
前記学習用制御条件は、前記温度制御対象に対して実施されるアニール処理の時間である、
付記１から付記４のいずれか一項に記載の機械学習装置。
（付記８）
前記学習用制御条件は、前記加熱装置の熱源の出力指令値である、
付記１から付記４のいずれか一項に記載の機械学習装置。
（付記９）
温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成された予測用入力パラメータに基づいて前記加熱装置の制御条件を予測する情報処理装置であって、
前記予測用入力パラメータを取得する情報取得部と、
前記制御条件を予測する情報予測部と、
を備え、
前記情報予測部は、学習用入力パラメータと前記学習用入力パラメータに対応する加熱装置の制御条件である学習用制御条件との相関関係を機械学習により学習した学習モデルに前記予測用入力パラメータを入力することで前記制御条件を予測し、
前記学習用入力パラメータは、温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成されている、
情報処理装置。
（付記１０）
メモリと、プロセッサとを備え、温度制御対象を加熱する加熱装置の制御条件を推論する推論装置であって、
前記プロセッサは、
前記温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成された予測用入力パラメータを取得する情報取得処理と、
前記情報取得処理にて取得した前記予測用入力パラメータに基づいて前記加熱装置の前記制御条件を推論する推論処理と、を実行する、
推論装置。
（付記１１）
温度制御対象を加熱する加熱装置の制御条件を予測するための学習モデルを生成する機械学習方法であって、
一つ以上の学習用データを記憶する学習用データ記憶工程と、
前記一つ以上の学習用データに基づいて前記学習モデルに学習させる機械学習工程と、
学習済みの前記学習モデルを記憶する学習済みモデル記憶工程と、
を備え、
各前記学習用データは、学習用入力パラメータと、前記学習用入力パラメータに対応する加熱装置の制御条件である学習用制御条件とで構成され、
前記学習モデルは、前記学習用データにおける前記学習用入力パラメータと前記学習用制御条件との相関関係を学習し、
前記学習用入力パラメータは、温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成されている、
機械学習方法。
（付記１２）
温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成された予測用入力パラメータに基づいて前記加熱装置の制御条件を予測する制御条件予測方法であって、
前記予測用入力パラメータを取得する予測用入力パラメータ取得工程と、
前記予測用入力パラメータ取得工程により取得された前記予測用入力パラメータに対応する前記制御条件を予測する予測工程と、を備え、
前記予測工程では、学習用入力パラメータと前記学習用入力パラメータに対応する加熱装置の制御条件である学習用制御条件との相関関係を機械学習により学習した学習モデルに前記予測用入力パラメータを入力することで前記制御条件を予測し、
前記学習用入力パラメータは、温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成されている、
制御条件予測方法。
（付記１３）
メモリと、プロセッサとを備える推論装置により実行されて、温度制御対象を加熱する加熱装置の制御条件を推論する推論方法であって、
前記プロセッサは、
前記温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成された予測用入力パラメータを取得する情報取得工程と、
前記情報取得工程により取得された前記予測用入力パラメータに対応する前記制御条件を予測する予測工程と、を実行し、
前記予測工程では、学習用入力パラメータと前記学習用入力パラメータに対応する加熱装置の制御条件である学習用制御条件との相関関係を機械学習により学習した学習モデルに前記予測用入力パラメータを入力することで前記制御条件を予測し、
前記学習用入力パラメータは、温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成されている、
推論方法。
温度制御対象を加熱する加熱装置の制御条件を予測するための学習モデルを生成する機械学習装置であって、
一つ以上の学習用データを記憶する学習用データ記憶部と、
前記一つ以上の学習用データに基づいて前記学習モデルに学習させる機械学習制御部と、
学習済みの前記学習モデルを記憶する機械学習モデル記憶部と、
を備え、
各前記学習用データは、学習用入力パラメータと、前記学習用入力パラメータに対応する加熱装置の制御条件である学習用制御条件とで構成され、
前記学習モデルは、前記学習用データにおける前記学習用入力パラメータと前記学習用制御条件との相関関係を学習し、
前記学習用入力パラメータは、温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成されている、
機械学習装置。
（付記２）
前記材質情報は、前記温度制御対象の光透過・反射・屈折率情報、前記温度制御対象の色の明度情報、前記温度制御対象の色情報、前記温度制御対象の密度情報、前記温度制御対象の比熱情報、及び、前記温度制御対象の熱伝導率情報の少なくともいずれか一つである、
付記１に記載の機械学習装置。
（付記３）
前記形状情報は、前記温度制御対象の設計図面情報、前記温度制御対象の形状イメージ情報、前記温度制御対象の寸法情報、及び、前記温度制御対象の形状トレース測定・スキャニング情報の少なくともいずれか一つである、
付記１又は付記２に記載の機械学習装置。
（付記４）
前記熱環境情報は、前記加熱装置の熱源から前記温度制御対象まで距離情報、前記加熱装置の前記熱源の配置位置・照射方向・照射角情報、前記加熱装置の寸法情報、前記加熱装置外への熱拡散情報、及び、前記加熱装置の周辺温湿度情報の少なくともいずれか一つである、
付記１から付記３のいずれか一項に記載の機械学習装置。
（付記５）
前記加熱装置は、加熱空間を画定する加熱装置本体と、送風装置と、を有し、
前記送風装置は、送風源と、前記送風源から前記加熱空間にエアを送り込むための送風管と、を有するものであって、
前記学習用制御条件は、前記送風管を流れる前記エアの流量である、
付記１から付記４のいずれか一項に記載の機械学習装置。
（付記６）
前記加熱装置は、加熱空間を画定する加熱装置本体と、前記加熱空間内で前記温度制御対象に回転運動をさせながら前記温度制御対象を搬送する搬送装置と、を有するものであって、
前記学習用制御条件は、前記搬送装置の搬送速度、及び、前記温度制御対象の前記回転運動の回転速度の少なくともいずれか一つである、
付記１から付記４のいずれか一項に記載の機械学習装置。
（付記７）
前記学習用制御条件は、前記温度制御対象に対して実施されるアニール処理の時間である、
付記１から付記４のいずれか一項に記載の機械学習装置。
（付記８）
前記学習用制御条件は、前記加熱装置の熱源の出力指令値である、
付記１から付記４のいずれか一項に記載の機械学習装置。
（付記９）
温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成された予測用入力パラメータに基づいて前記加熱装置の制御条件を予測する情報処理装置であって、
前記予測用入力パラメータを取得する情報取得部と、
前記制御条件を予測する情報予測部と、
を備え、
前記情報予測部は、学習用入力パラメータと前記学習用入力パラメータに対応する加熱装置の制御条件である学習用制御条件との相関関係を機械学習により学習した学習モデルに前記予測用入力パラメータを入力することで前記制御条件を予測し、
前記学習用入力パラメータは、温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成されている、
情報処理装置。
（付記１０）
メモリと、プロセッサとを備え、温度制御対象を加熱する加熱装置の制御条件を推論する推論装置であって、
前記プロセッサは、
前記温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成された予測用入力パラメータを取得する情報取得処理と、
前記情報取得処理にて取得した前記予測用入力パラメータに基づいて前記加熱装置の前記制御条件を推論する推論処理と、を実行する、
推論装置。
（付記１１）
温度制御対象を加熱する加熱装置の制御条件を予測するための学習モデルを生成する機械学習方法であって、
一つ以上の学習用データを記憶する学習用データ記憶工程と、
前記一つ以上の学習用データに基づいて前記学習モデルに学習させる機械学習工程と、
学習済みの前記学習モデルを記憶する学習済みモデル記憶工程と、
を備え、
各前記学習用データは、学習用入力パラメータと、前記学習用入力パラメータに対応する加熱装置の制御条件である学習用制御条件とで構成され、
前記学習モデルは、前記学習用データにおける前記学習用入力パラメータと前記学習用制御条件との相関関係を学習し、
前記学習用入力パラメータは、温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成されている、
機械学習方法。
（付記１２）
温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成された予測用入力パラメータに基づいて前記加熱装置の制御条件を予測する制御条件予測方法であって、
前記予測用入力パラメータを取得する予測用入力パラメータ取得工程と、
前記予測用入力パラメータ取得工程により取得された前記予測用入力パラメータに対応する前記制御条件を予測する予測工程と、を備え、
前記予測工程では、学習用入力パラメータと前記学習用入力パラメータに対応する加熱装置の制御条件である学習用制御条件との相関関係を機械学習により学習した学習モデルに前記予測用入力パラメータを入力することで前記制御条件を予測し、
前記学習用入力パラメータは、温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成されている、
制御条件予測方法。
（付記１３）
メモリと、プロセッサとを備える推論装置により実行されて、温度制御対象を加熱する加熱装置の制御条件を推論する推論方法であって、
前記プロセッサは、
前記温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成された予測用入力パラメータを取得する情報取得工程と、
前記情報取得工程により取得された前記予測用入力パラメータに対応する前記制御条件を予測する予測工程と、を実行し、
前記予測工程では、学習用入力パラメータと前記学習用入力パラメータに対応する加熱装置の制御条件である学習用制御条件との相関関係を機械学習により学習した学習モデルに前記予測用入力パラメータを入力することで前記制御条件を予測し、
前記学習用入力パラメータは、温度制御対象の材質情報、前記温度制御対象の形状情報、前記温度制御対象の初期温度情報、前記加熱装置の目標温度分布情報、及び、前記加熱装置の熱環境情報の少なくともいずれか一つで構成されている、
推論方法。
【符号の説明】
【0141】
１ 加熱システム、１０ 加熱装置、１１ 加熱装置本体、１１ａ 第１加熱装置本体、１１ｂ 第２加熱装置本体、１２ 加熱通路（加熱空間）、１４ ヒータ（熱源）、１７ 送風装置、１８ 送風機（送風源）、１９ 送風管、３０ 搬送装置、３１ 搬送装置本体、３１ａ 上流側搬送装置本体、３１ｂ 第１搬送装置本体、３１ｃ 中間搬送装置本体、３１ｄ 第２搬送装置本体、３１ｅ 下流側搬送装置本体、３２ 搬送制御部、４０ 機械学習装置、４１ 機械学習制御部、４２ 機械学習通信部、４３ 学習用データ記憶部、４４ 機械学習モデル記憶部、４５ 学習モデル、４５ａ 入力層、４５ｂ 中間層、４５ｃ 出力層、４６ 学習用データ、５０ 情報処理装置、５１ 情報処理制御部、５２ 情報取得部、５３ 情報予測部、５４ 出力処理部、５５ 情報処理モデル記憶部、５６ 情報処理通信部、６０ 制御装置、７０ ネットワーク、１００ａ 入力パラメータ、１００ｂ 制御条件、１０１ａ 学習用入力パラメータ、１０１ｂ 学習用制御条件、１０１ｃ 学習結果制御条件、１０２ａ 予測用入力パラメータ、１０２ｂ 新規制御条件、２００ プリフォーム（温度制御対象）、９００ コンピュータ、９１０ バス、９１２ プロセッサ、９１４ メモリ、９１６ 入力デバイス、９１７ 出力デバイス、９１８ 表示デバイス、９２０ ストレージ装置、９２２ 通信インターフェース部、９２４ 外部機器インターフェース部、９２６ 入出力デバイスインターフェース部、９２８ メディア入出力部、９３０ プログラム、９４０ ネットワーク、９５０ 外部機器、９６０ 入出力デバイス、９７０ メディア。
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】