ホーム > 特許ランキング > 株式会社プロテリアル
(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】P2024082668
(43)【公開日】2024-06-20
(54)【発明の名称】プロセス推定方法及び装置
(51)【国際特許分類】
G06Q 50/04 20120101AFI20240613BHJP
【ＦＩ】
G06Q50/04
【審査請求】未請求
【請求項の数】8
【出願形態】ＯＬ
(21)【出願番号】P 2022196671
(22)【出願日】2022-12-08
(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】社内 大介
(72)【発明者】
【氏名】木部 有
(72)【発明者】
【氏名】末永 和史
【テーマコード（参考）】
5L049
5L050
【Ｆターム（参考）】
5L049CC03
5L050CC03
(57)【要約】
【課題】複数の樹脂を混練、成形して製造される複合材料に適用可能であり、異なる製造装置であっても再現性よく材料を製造可能なプロセス推定方法及び装置を提供する。
【解決手段】第１製造装置２１０での第１プロセスデータ６１を基に、第２製造装置３１０での第２プロセスデータ６４を推定する方法であって、第１プロセスデータ６１と組織データ６２と特性データ６３との関係を機械学習し、これらの相関性を表す第１回帰モデル４３を作成すると共に、第２プロセスデータ６４と組織データ６２と特性データ６３との関係を機械学習し、これらの相関性を表す第２回帰モデル４４を作成し、両回帰モデル４３，４４を基に、第１プロセスデータ６１と第２プロセスデータ６４との相関性を表す第３回帰モデル４５を作成し、第３回帰モデル４５を用いて推定元の第１プロセスデータ６１に応じた第２プロセスデータ６４を推定する。
【選択図】図１
【解決手段】第１製造装置２１０での第１プロセスデータ６１を基に、第２製造装置３１０での第２プロセスデータ６４を推定する方法であって、第１プロセスデータ６１と組織データ６２と特性データ６３との関係を機械学習し、これらの相関性を表す第１回帰モデル４３を作成すると共に、第２プロセスデータ６４と組織データ６２と特性データ６３との関係を機械学習し、これらの相関性を表す第２回帰モデル４４を作成し、両回帰モデル４３，４４を基に、第１プロセスデータ６１と第２プロセスデータ６４との相関性を表す第３回帰モデル４５を作成し、第３回帰モデル４５を用いて推定元の第１プロセスデータ６１に応じた第２プロセスデータ６４を推定する。
【選択図】図１
【特許請求の範囲】
【請求項1】
所定の対象工程を含む少なくとも１つ以上の工程を経て材料を製造する第１製造装置における前記対象工程でのプロセス情報を含む第１プロセスデータを基に、
前記第１製造装置とは異なる装置であり、かつ前記対象工程を含む少なくとも１つ以上の工程を経て材料を製造する第２製造装置における前記対象工程でのプロセス情報を含む第２プロセスデータを推定するプロセス推定方法であって、
前記第１プロセスデータと、前記第１製造装置における前記対象工程後のサンプルから得られる組織データと、前記第１製造装置により製造した材料の特性データとの関係を機械学習し、前記第１プロセスデータと、当該第１プロセスデータに対応する組織データ及び特性データとの相関性を表す第１回帰モデルを作成すると共に、
前記第２プロセスデータと、前記第２製造装置における前記対象工程後のサンプルから得られる組織データと、前記第２製造装置により製造した材料の特性データとの関係を機械学習し、前記第２プロセスデータと、当該第２プロセスデータに対応する組織データと特性データとの相関性を表す第２回帰モデルを作成し、
前記第１回帰モデルと前記第２回帰モデルとを基に、前記第１プロセスデータと前記第２プロセスデータとの相関性を表す第３回帰モデルを作成し、
前記第３回帰モデルを用いて、任意の推定元の前記第１プロセスデータである推定元第１プロセスデータに応じた前記第２プロセスデータである推定第２プロセスデータを推定する、
プロセス推定方法。
前記第１製造装置とは異なる装置であり、かつ前記対象工程を含む少なくとも１つ以上の工程を経て材料を製造する第２製造装置における前記対象工程でのプロセス情報を含む第２プロセスデータを推定するプロセス推定方法であって、
前記第１プロセスデータと、前記第１製造装置における前記対象工程後のサンプルから得られる組織データと、前記第１製造装置により製造した材料の特性データとの関係を機械学習し、前記第１プロセスデータと、当該第１プロセスデータに対応する組織データ及び特性データとの相関性を表す第１回帰モデルを作成すると共に、
前記第２プロセスデータと、前記第２製造装置における前記対象工程後のサンプルから得られる組織データと、前記第２製造装置により製造した材料の特性データとの関係を機械学習し、前記第２プロセスデータと、当該第２プロセスデータに対応する組織データと特性データとの相関性を表す第２回帰モデルを作成し、
前記第１回帰モデルと前記第２回帰モデルとを基に、前記第１プロセスデータと前記第２プロセスデータとの相関性を表す第３回帰モデルを作成し、
前記第３回帰モデルを用いて、任意の推定元の前記第１プロセスデータである推定元第１プロセスデータに応じた前記第２プロセスデータである推定第２プロセスデータを推定する、
プロセス推定方法。
【請求項2】
前記第１回帰モデルは、前記第１プロセスデータと、前記第１製造装置における前記対象工程後のサンプルから得られる組織データと、前記第１製造装置により製造した材料の特性データとに加えて、材料の組成情報を含む組成データとの関係を機械学習して作成され、
前記第２回帰モデルは、前記第２プロセスデータと、前記第２製造装置における前記対象工程後のサンプルから得られる組織データと、前記第２製造装置により製造した材料の特性データとに加えて、材料の組成情報を含む組成データとの関係を機械学習して作成される、
請求項１に記載のプロセス推定方法。
前記第２回帰モデルは、前記第２プロセスデータと、前記第２製造装置における前記対象工程後のサンプルから得られる組織データと、前記第２製造装置により製造した材料の特性データとに加えて、材料の組成情報を含む組成データとの関係を機械学習して作成される、
請求項１に記載のプロセス推定方法。
【請求項3】
前記材料が、複数の樹脂を混練した後に成形して製造される複合材料であり、
前記第１製造装置または前記第２製造装置における前記対象工程後のサンプルから得られる組織データは、前記複合材料の組織構造を表すデータであって、少なくとも前記複数の樹脂それぞれの面積比を示す面積比データ、及び前記複数の樹脂それぞれの分散度合を示す分散度データを含む、
請求項１または２に記載のプロセス推定方法。
前記第１製造装置または前記第２製造装置における前記対象工程後のサンプルから得られる組織データは、前記複合材料の組織構造を表すデータであって、少なくとも前記複数の樹脂それぞれの面積比を示す面積比データ、及び前記複数の樹脂それぞれの分散度合を示す分散度データを含む、
請求項１または２に記載のプロセス推定方法。
【請求項4】
前記面積比データ及び前記分散度データは、走査型プローブ顕微鏡により得た弾性率の分布画像、あるいは凝着力の分布画像に基づいて求められる、
請求項３に記載のプロセス推定方法。
請求項３に記載のプロセス推定方法。
【請求項5】
前記複合材料は、電線の被覆材である、
請求項３に記載のプロセス推定方法。
請求項３に記載のプロセス推定方法。
【請求項6】
前記第１製造装置が研究設備であり、かつ、前記第２製造装置が量産設備であり、
前記研究設備で製造した材料を前記量産設備で再現すべく、前記第３回帰モデルを用いて、前記研究設備で再現対象となる材料を製造した際の前記第１プロセスデータから、前記量産設備で再現対象となる材料を製造するための前記第２プロセスデータを推定する、
請求項１に記載のプロセス推定方法。
前記研究設備で製造した材料を前記量産設備で再現すべく、前記第３回帰モデルを用いて、前記研究設備で再現対象となる材料を製造した際の前記第１プロセスデータから、前記量産設備で再現対象となる材料を製造するための前記第２プロセスデータを推定する、
請求項１に記載のプロセス推定方法。
【請求項7】
前記第１製造装置が量産設備であり、かつ、前記第２製造装置が研究設備であり、
前記第３回帰モデルを用いて、前記量産設備で量産可能な条件を表す前記第１プロセスデータから、これに対応した前記研究設備での実験条件となる前記第２プロセスデータを推定する、
請求項１に記載のプロセス推定方法。
前記第３回帰モデルを用いて、前記量産設備で量産可能な条件を表す前記第１プロセスデータから、これに対応した前記研究設備での実験条件となる前記第２プロセスデータを推定する、
請求項１に記載のプロセス推定方法。
【請求項8】
所定の対象工程を含む少なくとも１つ以上の工程を経て材料を製造する第１製造装置における前記対象工程でのプロセス情報を含む第１プロセスデータを基に、
前記第１製造装置とは異なる装置であり、かつ前記対象工程を含む少なくとも１つ以上の工程を経て材料を製造する第２製造装置における前記対象工程でのプロセス情報を含む第２プロセスデータを推定するプロセス推定装置であって、
前記第１プロセスデータと、前記第１製造装置における前記対象工程後のサンプルから得られる組織データと、前記第１製造装置により製造した材料の特性データとの関係を機械学習し、前記第１プロセスデータと、当該第１プロセスデータに対応する組織データ及び特性データとの相関性を表す第１回帰モデルを作成する第１回帰モデル作成処理部と、
前記第２プロセスデータと、前記第２製造装置における前記対象工程後のサンプルから得られる組織データと、前記第２製造装置により製造した材料の特性データとの関係を機械学習し、前記第２プロセスデータと、当該第２プロセスデータに対応する組織データと特性データとの相関性を表す第２回帰モデルを作成する第２回帰モデル作成処理部と、
前記第１回帰モデルと前記第２回帰モデルとを基に、前記第１プロセスデータと前記第２プロセスデータの相関性を表す第３回帰モデルを作成する第３回帰モデル作成処理部と、
前記第３回帰モデルを用いて、任意の推定元の前記第１プロセスデータである推定元第１プロセスデータに応じた前記第２プロセスデータである推定第２プロセスデータを推定するプロセス推定処理部と、を備えた、
プロセス推定装置。
前記第１製造装置とは異なる装置であり、かつ前記対象工程を含む少なくとも１つ以上の工程を経て材料を製造する第２製造装置における前記対象工程でのプロセス情報を含む第２プロセスデータを推定するプロセス推定装置であって、
前記第１プロセスデータと、前記第１製造装置における前記対象工程後のサンプルから得られる組織データと、前記第１製造装置により製造した材料の特性データとの関係を機械学習し、前記第１プロセスデータと、当該第１プロセスデータに対応する組織データ及び特性データとの相関性を表す第１回帰モデルを作成する第１回帰モデル作成処理部と、
前記第２プロセスデータと、前記第２製造装置における前記対象工程後のサンプルから得られる組織データと、前記第２製造装置により製造した材料の特性データとの関係を機械学習し、前記第２プロセスデータと、当該第２プロセスデータに対応する組織データと特性データとの相関性を表す第２回帰モデルを作成する第２回帰モデル作成処理部と、
前記第１回帰モデルと前記第２回帰モデルとを基に、前記第１プロセスデータと前記第２プロセスデータの相関性を表す第３回帰モデルを作成する第３回帰モデル作成処理部と、
前記第３回帰モデルを用いて、任意の推定元の前記第１プロセスデータである推定元第１プロセスデータに応じた前記第２プロセスデータである推定第２プロセスデータを推定するプロセス推定処理部と、を備えた、
プロセス推定装置。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、材料の製造時のプロセスを推定するプロセス推定方法及び装置に関する。
【背景技術】
【0002】
近年、機械学習の学習結果を利用して複合材料を設計するための材料設計システムが提案されている（例えば、特許文献１参照）。
【0003】
特許文献１に記載された材料設計システムは、設計対象材料の設計条件（材料組成又は製造条件）と、設計対象材料の特性（物性値、例えば引張強度）との組を、複数種類の設計対象材料について設計対象材料ごとに有するデータセットを作成する順問題解析部と、操作者により設定された各種条件に基づいて、データセットを訓練データと試験データに１回分割する学習条件設定部と、訓練データに基づいてモデルを学習し、学習したモデルの予測精度を、試験データに基づいて検証を行い、予測精度が目標値に達するまで検証を繰り返して学習済みモデルを作成するモデル学習部と、を備える。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特許第６９５０１１９号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
ところで、新材料等の開発は、研究開発用の小規模の製造装置を用いて行われ、その後、必要に応じてより大規模な製造装置での試験を経て、最終的に工場等の量産用の製造装置で安定して製造するための条件を検討することが多い。そのため、量産に至るまでに多くの実験（試験的な製造）を繰り返す必要があり、材料の無駄が非常に多くなったり、多くの時間を要したりしてしまうという課題があった。
【0006】
この課題を解決するためには、例えば、研究開発用の小規模の製造装置で開発した新材料を量産用の製造装置で再現性よく製造する等、異なる製造装置間で製造される材料の再現性を高める必要がある。しかしながら、例えば研究開発用と量産用の製造装置とでは、設備の規模や使用状況、環境、経年劣化度合等が異なり、また同じ装置を用いている場合でも装置間の個体差が存在している。さらには、例えば成形の方式や形状等が異なるなど、全く異なる装置を用いている場合もある。そのため、異なる製造装置間で、新材料等の材料を再現性よく製造することが困難であった。
【0007】
また、例えば電線の被覆材等として用いられる複合材料は、複数の樹脂（すなわち、複数の高分子材料）を混練、成形して製造される。このような複合材料では、樹脂の混ざり具合等の影響によって特性が変化するため、所望の特性の複合材料を得るためには、樹脂の混ざり具合等を考慮して適切な混練条件等のプロセス条件を推定することが望まれる。
【0008】
そこで、本発明は、複数の樹脂を混練、成形して製造される複合材料に適用可能であり、異なる製造装置であっても再現性よく材料を製造可能なプロセス推定方法及び装置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】
【0009】
本発明は、上記課題を解決することを目的として、所定の対象工程を含む少なくとも１つ以上の工程を経て材料を製造する第１製造装置における前記対象工程でのプロセス情報を含む第１プロセスデータを基に、前記第１製造装置とは異なる装置であり、かつ前記対象工程を含む少なくとも１つ以上の工程を経て材料を製造する第２製造装置における前記対象工程でのプロセス情報を含む第２プロセスデータを推定するプロセス推定方法であって、前記第１プロセスデータと、前記第１製造装置における前記対象工程後のサンプルから得られる組織データと、前記第１製造装置により製造した材料の特性データとの関係を機械学習し、前記第１プロセスデータと、当該第１プロセスデータに対応する組織データ及び特性データとの相関性を表す第１回帰モデルを作成すると共に、前記第２プロセスデータと、前記第２製造装置における前記対象工程後のサンプルから得られる組織データと、前記第２製造装置により製造した材料の特性データとの関係を機械学習し、前記第２プロセスデータと、当該第２プロセスデータに対応する組織データと特性データとの相関性を表す第２回帰モデルを作成し、前記第１回帰モデルと前記第２回帰モデルとを基に、前記第１プロセスデータと前記第２プロセスデータとの相関性を表す第３回帰モデルを作成し、前記第３回帰モデルを用いて、任意の推定元の前記第１プロセスデータである推定元第１プロセスデータに応じた前記第２プロセスデータである推定第２プロセスデータを推定する、プロセス推定方法を提供する。
【0010】
また、本発明は、上記課題を解決することを目的として、所定の対象工程を含む少なくとも１つ以上の工程を経て材料を製造する第１製造装置における前記対象工程でのプロセス情報を含む第１プロセスデータを基に、前記第１製造装置とは異なる装置であり、かつ前記対象工程を含む少なくとも１つ以上の工程を経て材料を製造する第２製造装置における前記対象工程でのプロセス情報を含む第２プロセスデータを推定するプロセス推定装置であって、前記第１プロセスデータと、前記第１製造装置における前記対象工程後のサンプルから得られる組織データと、前記第１製造装置により製造した材料の特性データとの関係を機械学習し、前記第１プロセスデータと、当該第１プロセスデータに対応する組織データ及び特性データとの相関性を表す第１回帰モデルを作成する第１回帰モデル作成処理部と、前記第２プロセスデータと、前記第２製造装置における前記対象工程後のサンプルから得られる組織データと、前記第２製造装置により製造した材料の特性データとの関係を機械学習し、前記第２プロセスデータと、当該第２プロセスデータに対応する組織データと特性データとの相関性を表す第２回帰モデルを作成する第２回帰モデル作成処理部と、前記第１回帰モデルと前記第２回帰モデルとを基に、前記第１プロセスデータと前記第２プロセスデータの相関性を表す第３回帰モデルを作成する第３回帰モデル作成処理部と、前記第３回帰モデルを用いて、任意の推定元の前記第１プロセスデータである推定元第１プロセスデータに応じた前記第２プロセスデータである推定第２プロセスデータを推定するプロセス推定処理部と、を備えた、プロセス推定装置を提供する。
【発明の効果】
【0011】
本発明によれば、複数の樹脂を混練、成形して製造される複合材料に適用可能であり、異なる製造装置であっても再現性よく材料を製造可能なプロセス推定方法及び装置を提供できる。
【図面の簡単な説明】
【0012】
【図1】本発明の一実施の形態に係るプロセス推定装置を含むネットワークシステムの概略構成図である。
【図2】（ａ）ＳＰＭで得られるＳＰＭ画像データの一例を示す図であり、（ｂ）は（ａ）より抽出した弾性率の頻度分布の一例を示す図である。
【図3】分散度データを説明する図である。
【図4】第１学習用データの一例を示す図である。
【図5】（ａ）～（ｄ）は、第１～第３回帰モデル作成処理、及びプロセス推定処理を説明する説明図である。
【図6】プロセス推定装置の利用方法を説明する図である。
【図7】本発明の一実施の形態に係るプロセス推定方法の制御フローを示すフロー図である。
【図8】本発明の一実施の形態に係るプロセス推定方法の制御フローを示すフロー図である。
【図9】本発明の一実施の形態に係るプロセス推定方法の制御フローを示すフロー図である。
【図10】設定処理の制御フローを示すフロー図である。
【図11】第１学習用データ取得処理、及び第１学習用データ送信処理の制御フローを示すフロー図である。
【図12】組織データ抽出処理の制御フローを示すフロー図である。
【図13】第１回帰モデル作成処理の制御フローを示すフロー図である。
【図14】第２学習用データ取得処理、及び第２学習用データ送信処理の制御フローを示すフロー図である。
【図15】第２回帰モデル作成処理の制御フローを示すフロー図である。
【図16】推定元第１プロセスデータ取得処理、及び推定元第１プロセスデータ送信処理の制御フローを示すフロー図である。
【図17】プロセス推定処理の制御フローを示すフロー図である。
【図18】推定第２プロセスデータ送信処理、及び推定第２プロセスデータ受信処理の制御フローを示すフロー図である。
【発明を実施するための形態】
【0013】
［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。
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。
【0014】
（ネットワークシステム）
図１は、本発明の一実施の形態に係るプロセス推定装置１を含むネットワークシステム１００の概略構成図である。図１に示すように、ネットワークシステム１００は、第１製造装置２１０を有する研究サイト２００に設けられた研究サイト側データ管理装置２２０と、第２製造装置３１０を有する量産サイト３００に設けられた量産サイト側データ管理装置３２０と、プロセス推定装置１とを、ネットワーク１０１を介して相互に通信可能に接続して構成されている。ネットワーク１０１としては、例えばインターネットや、専用のイントラネット等を用いることができる。
図１は、本発明の一実施の形態に係るプロセス推定装置１を含むネットワークシステム１００の概略構成図である。図１に示すように、ネットワークシステム１００は、第１製造装置２１０を有する研究サイト２００に設けられた研究サイト側データ管理装置２２０と、第２製造装置３１０を有する量産サイト３００に設けられた量産サイト側データ管理装置３２０と、プロセス推定装置１とを、ネットワーク１０１を介して相互に通信可能に接続して構成されている。ネットワーク１０１としては、例えばインターネットや、専用のイントラネット等を用いることができる。
【0015】
（製造する材料について）
以下の説明では、製造する材料が、複数の樹脂を混練した後に成形して製造される複合材料である場合について説明する。複合材料は、複数の樹脂とフィラー、添加剤等を適宜配合し、混練、成形して製造される材料である。以下の説明では、対象となる複合材料が、電線の被覆材（シース、ジャケット、あるいは絶縁体）である場合について説明する。ここでは、一例として、シースが、特性の異なる２種のＥＶＡ（エチレン－酢酸ビニル共重合樹脂）と、変性ゴムと、難燃性フィラーとからなる場合について説明する。一方のＥＶＡ（以下、第１ＥＶＡという）としては、酢酸ビニル配合量が１７ｍａｓｓ％、融点が８９℃、ガラス転移温度が－６０℃のものを用いた。他方のＥＶＡ（以下、第２ＥＶＡという）としては、酢酸ビニル配合量が６０ｍａｓｓ％、ガラス転移温度が－３０℃のものを用いた。
以下の説明では、製造する材料が、複数の樹脂を混練した後に成形して製造される複合材料である場合について説明する。複合材料は、複数の樹脂とフィラー、添加剤等を適宜配合し、混練、成形して製造される材料である。以下の説明では、対象となる複合材料が、電線の被覆材（シース、ジャケット、あるいは絶縁体）である場合について説明する。ここでは、一例として、シースが、特性の異なる２種のＥＶＡ（エチレン－酢酸ビニル共重合樹脂）と、変性ゴムと、難燃性フィラーとからなる場合について説明する。一方のＥＶＡ（以下、第１ＥＶＡという）としては、酢酸ビニル配合量が１７ｍａｓｓ％、融点が８９℃、ガラス転移温度が－６０℃のものを用いた。他方のＥＶＡ（以下、第２ＥＶＡという）としては、酢酸ビニル配合量が６０ｍａｓｓ％、ガラス転移温度が－３０℃のものを用いた。
【0016】
変性ゴムとしては、ＤＳＣ法によるガラス転移点（Ｔｇ）が－６０℃以下である酸変性ポリオレフィン樹脂を用いることができる。本実施の形態における酸変性ポリオレフィンのＴｇを－６０℃以下としたのは－６０℃を超えると耐寒性が低下するためである。本実施の形態で用いられる酸変性ポリオレフィン樹脂のポリオレフィン材料としては、超低密度ポリエチレン、エチレン－メチルアクリレート共重合体、エチレン－エチルアクリレート共重合体、エチレン－ブテン－１共重合体、エチレン－ヘキセン－１共重合体、エチレン－オクテン－１共重合体などが挙げられ、酸としてはマレイン酸、無水マレイン酸、フマル酸などが挙げられる。これらの酸変性ポリオレフィン樹脂は、単独で使用するほか、併用することもできる。
【0017】
なお、製造する材料は、電線の被覆材に限定されず、複数の樹脂を混練した後に成形して製造される様々な複合材料に適用可能である。また、本発明は、複合材料以外の材料にも適用可能である。例えば、フェライト磁石等の磁性材料にも、本発明は適用可能である。
【0018】
（研究サイト２００）
研究サイト２００は、新材料の開発を行う研究開発用のサイトであり、少量の材料（ここでは電線の被覆材）を製造可能な小規模な研究設備である第１製造装置２１０を有している。この研究サイト２００で開発した新材料等を、後述する量産サイト３００で量産することになる。研究サイト２００は、第１製造装置２１０と、第１製造装置２１０を制御する第１製造装置用制御装置２３０と、研究サイト側データ管理装置２２０と、分析エリア２４０と、を有している。
研究サイト２００は、新材料の開発を行う研究開発用のサイトであり、少量の材料（ここでは電線の被覆材）を製造可能な小規模な研究設備である第１製造装置２１０を有している。この研究サイト２００で開発した新材料等を、後述する量産サイト３００で量産することになる。研究サイト２００は、第１製造装置２１０と、第１製造装置２１０を制御する第１製造装置用制御装置２３０と、研究サイト側データ管理装置２２０と、分析エリア２４０と、を有している。
【0019】
（第１製造装置２１０）
上記のように、本実施の形態では、第１製造装置２１０は、電線の被覆材を製造（試作）する装置となっている。より具体的には、第１製造装置２１０は、複数の樹脂材料やフィラーを配合する配合装置２１１と、配合装置２１１で配合した材料を混練する混練装置２１２と、混練装置２１２で混練した材料をシート状に成形するシート成形装置２１３と、を有している。第１製造装置２１０では、実際に導体の周囲に被覆材を設けて電線を製造するのではなく、被覆材単体をシート状に成形して試作を行っている。なお、第１製造装置２１０は図示のものに限定されず、製造する材料に応じた装置で構成されていればよい。
上記のように、本実施の形態では、第１製造装置２１０は、電線の被覆材を製造（試作）する装置となっている。より具体的には、第１製造装置２１０は、複数の樹脂材料やフィラーを配合する配合装置２１１と、配合装置２１１で配合した材料を混練する混練装置２１２と、混練装置２１２で混練した材料をシート状に成形するシート成形装置２１３と、を有している。第１製造装置２１０では、実際に導体の周囲に被覆材を設けて電線を製造するのではなく、被覆材単体をシート状に成形して試作を行っている。なお、第１製造装置２１０は図示のものに限定されず、製造する材料に応じた装置で構成されていればよい。
【0020】
第１製造装置２１０は、各装置２１１～２１３の製造条件を示すプロセスデータである第１プロセスデータ６１を、第１製造装置用制御装置２３０に送信可能に構成されている。また、第１製造装置２１０は、配合装置２１１で配合する複数の樹脂及びフィラーの組成情報や配合割合の情報等を含む組成データを、第１製造装置用制御装置２３０に送信可能に構成されていてもよい。なお、組成データについては、後述する入力装置２２４により直接研究サイト側データ管理装置２２０に入力するように構成してもよい。第１プロセスデータ６１や組成データの具体例については後述する。
【0021】
（分析エリア２４０、及び組織データ６２について）
分析エリア２４０は、複合材料の「組織」を規定する情報を取得し組織データ６２を得るための分析、及び、複合材料の特性（あるいは物性）を評価し特性データ６３を得るための分析を行うエリアである。
分析エリア２４０は、複合材料の「組織」を規定する情報を取得し組織データ６２を得るための分析、及び、複合材料の特性（あるいは物性）を評価し特性データ６３を得るための分析を行うエリアである。
【0022】
複数の樹脂やフィラーを混合した複合材料では、各樹脂やフィラーの混ざり具合や分散度合が特性に大きな影響を与える。本発明者らが検討したところ、走査型プローブ顕微鏡（Scanning Probe Microscope、以下ＳＰＭという）２４１により得られる弾性率の分布画像、あるいは凝着力（粘着力）の分布画像を用いることで、各樹脂やフィラーを判別することが可能になることが見出された。弾性率と凝着力のいずれの分布画像を用いるかについては、使用する樹脂の特性等に応じて、適宜選択可能である。例えば、使用する樹脂に弾性の差が大きい場合には弾性率の分布画像を用いることができる。なお、弾性率と凝着力の両方の分布画像を用いても構わない。以下、ＳＰＭ２４１で得られる画像データ（すなわち、弾性率や凝着力の分布画像）をＳＰＭ画像データ６５と呼称する。
【0023】
図２（ａ）は、ＳＰＭ２４１で得られるＳＰＭ画像データ６５の一例を示す図である。図２（ａ）は、一例として、弾性率の分布画像を示している。図２（ａ）における符号６５ａがフィラーであるＭｇ（ＯＨ）２、符号６５ｂが第１ＥＶＡ、符号６５ｃが第２ＥＶＡ、符号６５ｄが変性ゴムを表している。図２に示されるように、ＳＰＭ画像データ６５を用いることで、複合材料を構成する各樹脂６５ｂ～６５ｄ及びフィラー６５ａを判別することが可能になる。
【0024】
本実施の形態では、ＳＰＭ２４１により得た物性マッピング画像、より詳細には、弾性率の分布画像、あるいは凝着力の分布画像であるＳＰＭ画像データ６５に基づいて、複合材料を構成する複数の樹脂（及びフィラー）それぞれの面積比を示す面積比データ、及び複数の樹脂それぞれの分散度合を示す分散度データを取得し、これら面積比データと分散度データを組織データ６２として用いる。なお、例えばＳＥＭ（走査電子顕微鏡）を用いた場合、フィラー部分と樹脂部分とを判別することは可能であるが、樹脂部分の中で複数の樹脂がどのように分布しているかを判別することは困難である。
【0025】
ここで、ＳＰＭ画像データ６５から組織データ６２を抽出する具体的な方法について説明しておく。本実施の形態では、この処理（組織データ抽出処理という）は、後述するプロセス推定装置１の組織データ抽出処理部２３により行われる。ただし、これに限らず、組織データ抽出処理は、分析エリア２４０で行われてもよいし、第１製造装置用制御装置２３０や研究サイト側データ管理装置２２０で行われてもよい。
【0026】
組織データ抽出処理では、まず、ＳＰＭ画像データ６５の全領域において、各樹脂とフィラーがどのように配置されているか、すなわち、各樹脂とフィラーのそれぞれが占める領域を判別する。ここでは、一例として、ＳＰＭ画像データ６５が弾性率の分布画像である場合について説明する。具体的には、まず、図２（ｂ）に示すように、ＳＰＭ画像データ６５における弾性率の頻度をグラフ化し、ピークとなる弾性率を抽出する。そして、隣り合うピークの中間位置（あるいは頻度が最も低くなる位置）を境界Ａ～Ｃとして、各樹脂とフィラーのそれぞれに相当する弾性率の範囲を決定する。図２（ｂ）の例では、弾性率が境界Ａ未満の領域がフィラーの領域となり、境界Ａ以上Ｂ未満の領域が第１ＥＶＡの領域、境界Ｂ以上Ｃ未満の領域が第２ＥＶＡの領域、境界Ｃ以上の領域が変性ゴムの領域となる。
【0027】
その後、区分けした各樹脂とフィラーのそれぞれの領域の面積を抽出することで、ＳＰＭ画像データ６５の全領域の面積に対する、各樹脂またはフィラーの領域の面積の比を示すデータである面積比データを取得することができる。なお、各領域の面積の抽出の際には、例えば、抽出対象となる領域と他の領域との間で最もコントラストが大きくなる２次の振幅像（すなわち、２値化した画像）を設定し、当該画像のヒストグラムから、対象となる領域の面積を抽出することができる。
【0028】
分散度データについては、例えば、区間分割法により求めることができる。区間分割法では、例えば図３に示すように、ＳＰＭ画像データ６５を格子状に分割して複数の区間６５１を形成し、各区間６５１に存在する各樹脂またはフィラーの粒子（あるいは島）の数の平均値ａと標準偏差ｂとを算出する。そして、下式
Ｘ＝ｂ／ａ
より、凝集値Ｘを求める。この凝集値Ｘは、大きいほど凝集度が高いことを意味しており、樹脂やフィラーの凝集性（あるいは分散性）を表すパラメータとして分散度データに用いることができる。なお、ここでは粒子の数について平均値ａと標準偏差ｂを求めたが、これに替えて、各区間６５１に含まれる各樹脂またはフィラーの面積の平均値と標準偏差を用いるようにしてもよい。また、凝集値Ｘに替えて、あるいは凝集値Ｘに加えて、標準偏差や分散等を分散度データとして用いてもよい。また、分散度データを求める方法は上記の区間分割法に限らず、例えばボロノイ多角形法等の他の方法を用いることもできる。
Ｘ＝ｂ／ａ
より、凝集値Ｘを求める。この凝集値Ｘは、大きいほど凝集度が高いことを意味しており、樹脂やフィラーの凝集性（あるいは分散性）を表すパラメータとして分散度データに用いることができる。なお、ここでは粒子の数について平均値ａと標準偏差ｂを求めたが、これに替えて、各区間６５１に含まれる各樹脂またはフィラーの面積の平均値と標準偏差を用いるようにしてもよい。また、凝集値Ｘに替えて、あるいは凝集値Ｘに加えて、標準偏差や分散等を分散度データとして用いてもよい。また、分散度データを求める方法は上記の区間分割法に限らず、例えばボロノイ多角形法等の他の方法を用いることもできる。
【0029】
面積比データや分散度データは、ＳＰＭ画像データ６５を取得する位置によってばらつきがあることが考えられるため、複合材料の異なる位置で取得した複数のＳＰＭ画像データ６５のそれぞれで面積比データや分散度データを求め、得られた平均値を用いることがより望ましいといえる。さらには、複数のＳＰＭ画像データ６５のそれぞれで得た面積比や凝集度等を平均化するのではなく、複数のＳＰＭ画像データ６５で一括して面積比や凝集度等を求めるようにしてもよい。例えば、縦横に３枚ずつ合計９枚のＳＰＭ画像データ６５を連結して１つの大きなＳＰＭ画像データとし、当該ＳＰＭ画像データを用いて一括して面積比や凝集度等を求めるように構成してもよい。なお、連結するＳＰＭ画像データ６５は必ずしも現実に隣接した位置である必要はなく、離間した位置のＳＰＭ画像データ６５同士を連結してもよい。
【0030】
また、組織データ６２は、上記の面積比データ、分散度データ以外のデータを含んでいてもよく、分析エリア２４０にＳＰＭ２４１以外の分析装置が備えられていてもよい。例えば、組織データ６２として表面粗さ（算術平均粗さ等）を用いてもよく、表面粗さを検出するためのレーザ顕微鏡等を分析エリア２４０に備えてもよい。また、走査電子顕微鏡（ＳＥＭ）ではＳＰＭ２４１と比較してより広い面積での評価ができ局所的なバラつきの影響を抑えることが可能であるため、フィラー等ＳＥＭで判別が可能な要素については、ＳＥＭで得た画像（ＳＥＭ像）から面積比データや分散度データを取得するように構成することもできる。
【0031】
さらに、分散している各樹脂の形状がどのような形状であるかによっても、複合材料の特性は変化すると考えらえる。そのため、組織データ６２は、各樹脂の形状を表すパラメータを含む形状データを含んでもよい。形状データとしては、例えば、分散されている各樹脂の粒子（あるいは島）の面積を当該粒子の最大辺（あるいは外接円の直径）で除したアスペクト比を用いることができる。例えば、任意の樹脂の各粒子のアスペクト比の平均値、最小値、最大値等を、形状データとして用いることができる。
【0032】
また、分析エリア２４０には、複合材料の特性を評価し特性データ６３を取得するための特性評価装置が備えられている。図示の例では、引張試験装置２４２および摩耗試験装置２４３が備えられている場合を示しているが、この他に、必要に応じて、耐熱試験装置、難燃試験装置、絶縁試験装置、屈曲試験装置等が備えられていてもよい。分析エリア２４０で取得される特性データ６３としては、例えば、伸びや引張強度、耐摩耗性、耐熱性、難燃性、絶縁性、耐屈曲性などが挙げられる。
【0033】
分析エリア２４０で取得されたＳＰＭ画像データ６５及び特性データ６３は、第１製造装置用制御装置２３０に入力される。例えば、分析エリア２４０に不図示の分析用のパーソナルコンピュータを備え、そのパーソナルコンピュータから第１製造装置用制御装置２３０にＳＰＭ画像データ６５や特性データ６３を送信するように構成してもよい。なお、本実施の形態では分析エリア２４０で取得されたＳＰＭ画像データ６５や特性データ６３が、第１製造装置用制御装置２３０に入力されるが、研究サイト側データ管理装置２２０に直接入力されてもよい。
【0034】
（対象工程について）
詳細は後述するが、本実施の形態では、プロセス推定装置１において、第１製造装置２１０における所定の対象工程でのプロセス情報を含む第１プロセスデータ６１と、対象工程後の組織データ６２及び特性データ６３との相関性を機械学習により学習する。複合材料を製造する場合、対象工程としては、混合工程、混練工程、成形工程の少なくともいずれか１つを選択することができる。このうち、特に、混練工程では、樹脂の混ざり具合に大きく影響するため、混練工程が対象工程の場合、本発明の効果が顕在化しやすい。つまり、第１プロセスデータ６１は、少なくとも、混練工程のプロセス情報を含むことが望ましい。なお、後述する押出成形工程は、混練工程と成形工程の両方を含むと解釈することができる。
詳細は後述するが、本実施の形態では、プロセス推定装置１において、第１製造装置２１０における所定の対象工程でのプロセス情報を含む第１プロセスデータ６１と、対象工程後の組織データ６２及び特性データ６３との相関性を機械学習により学習する。複合材料を製造する場合、対象工程としては、混合工程、混練工程、成形工程の少なくともいずれか１つを選択することができる。このうち、特に、混練工程では、樹脂の混ざり具合に大きく影響するため、混練工程が対象工程の場合、本発明の効果が顕在化しやすい。つまり、第１プロセスデータ６１は、少なくとも、混練工程のプロセス情報を含むことが望ましい。なお、後述する押出成形工程は、混練工程と成形工程の両方を含むと解釈することができる。
【0035】
（第１製造装置用制御装置２３０）
第１製造装置用制御装置２３０は、第１製造装置２１０を制御（あるいは管理、監視）する装置であり、例えばパーソナルコンピュータにより構成される。
第１製造装置用制御装置２３０は、第１製造装置２１０を制御（あるいは管理、監視）する装置であり、例えばパーソナルコンピュータにより構成される。
【0036】
第１製造装置用制御装置２３０は、第１製造装置２１０の各装置２１１～２１３への製造指示や各種設定を行うと共に、各装置２１１～２１３での生産状況の監視や、生産時の各種データの収集等を行う。なお、ここでは各装置２１１～２１３に対して１つの第１製造装置用制御装置２３０を設けているが、これに限らず、各装置２１１～２１３にそれぞれ専用の制御装置を設けてもよく、当該専用の制御装置と、第１製造装置用制御装置２３０との間で各種データの相互通信を可能に構成することも可能である。また、第１製造装置用制御装置２３０と各装置２１１～２１３間で、ＵＳＢメモリ等の記憶媒体を用いてデータのやり取りを行ってもよい。
【0037】
第１製造装置用制御装置２３０は、少なくとも混練工程でのプロセス情報（例えば、温度、時間など）を含む第１プロセスデータ６１を、第１製造装置２１０より取得する。なお、第１製造装置用制御装置２３０が、設定情報や製造指示情報等としてプロセス情報等を自身で保有している場合には、当該保有している情報を第１プロセスデータ６１として取得するよう構成してもよい。なお、プロセス情報は第１製造装置２１０において設定可能な運転条件でもよいし、第１製造装置２１０に設置された計器類で管理するための条件でもよい。
【0038】
また第１製造装置用制御装置２３０には、分析エリア２４０で取得したＳＰＭ画像データ６５および特性データ６３が入力される。なお、ここでは、分析エリア２４０にて既にＳＰＭ画像データ６５から組織データ６２の抽出が行われている場合には、ＳＰＭ画像データ６５に替えて（あるいは加えて）組織データ６２が入力されることになる。また、第１製造装置用制御装置２３０がＳＰＭ画像データ６５から組織データ６２を抽出する処理を行ってもよい。第１製造装置用制御装置２３０は、対応する第１プロセスデータ６１と、ＳＰＭ画像データ６５（および／または組織データ６２）と、特性データ６３とを紐づけたデータベースである第１学習用データ４１を生成し、研究サイト側データ管理装置２２０に送信する。
【0039】
（研究サイト側データ管理装置２２０）
研究サイト側データ管理装置２２０は、各種設定やデータの入出力処理等を行う制御部２２１と、記憶部２２２と、を有している。制御部２２１は、ＣＰＵ等の演算素子、メモリ、インターフェイス、ソフトウェア、記憶装置等を適宜組み合わせて実現されている。記憶部２２２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。
研究サイト側データ管理装置２２０は、各種設定やデータの入出力処理等を行う制御部２２１と、記憶部２２２と、を有している。制御部２２１は、ＣＰＵ等の演算素子、メモリ、インターフェイス、ソフトウェア、記憶装置等を適宜組み合わせて実現されている。記憶部２２２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。
【0040】
また、研究サイト側データ管理装置２２０には、ディスプレイ等の表示器２２３とキーボード等の入力装置２２４とが設けられている。なお、表示器２２３をタッチパネル方式のものとし、表示器２２３に入力装置２２４としての機能を兼ねさせてもよい。さらに、表示器２２３と入力装置２２４とは、研究サイト側データ管理装置２２０と無線通信するように構成されていてもよい。この場合、表示器２２３及び入力装置２２４は、例えば、スマートフォンやタブレットにより構成されていてもよい。
【0041】
制御部２２１は、第１製造装置用制御装置２３０から第１学習用データ４１を受信したとき、当該第１学習用データ４１を記憶部２２２に記憶する。本実施の形態では、組織データ抽出処理をプロセス推定装置１で行うため、記憶部２２２に記憶される第１学習用データ４１は、組織データ６２を含んでおらず、ＳＰＭ画像データ６５が含まれた状態となっている。例えば、分析エリア２４０や第１製造装置用制御装置２３０等で組織データ抽出処理が行われる場合には、第１学習用データ４１には、組織データ６２が含まれる。この場合、第１学習用データ４１には、ＳＰＭ画像データ６５が含まれなくてもよい。
【0042】
また、制御部２２１は、第１製造装置用制御装置２３０から第１学習用データ４１を受信したとき、第１学習用データ４１が更新されたことを示す第１学習用データ更新信号を、ネットワーク１０１を介してプロセス推定装置１に送信する。そして、制御部２２１は、プロセス推定装置１から第１学習用データ要求信号を受信したとき、第１学習用データ４１をプロセス推定装置１に送信する。この際の具体的な処理内容については、後述する（第１学習用データ送信処理、図１１参照）。
【0043】
また、制御部２２１は、入力装置２２４から推定元第１プロセスデータ６１ａが入力されたとき、推定元第１プロセスデータ６１ａを記憶部２２２に記憶すると共に、プロセス推定要求信号をプロセス推定装置１に送信する。そして、制御部２２１は、プロセス推定装置１から推定元第１プロセス要求信号を受信したとき、推定元第１プロセスデータ６１ａをプロセス推定装置１に送信する。この際の具体的な処理内容については、後述する（推定元第１プロセスデータ送信処理、図１６参照）。なお、推定元第１プロセスデータ６１ａは、入力装置２２４以外の装置から入力されてもよい。また、推定元第１プロセスデータ６１ａは、入力装置２２４の操作により、記憶部２２２に記憶された第１学習用データ４１から選択されてもよい。
【0044】
（第１学習用データ４１）
図４は、第１学習用データ４１の一例を示す図である。なお、図４は第１学習用データ４１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。また、図４では、組織データ抽出処理後の組織データ６２を含む第１学習用データ４１を示している。また、図４では、ＳＰＭ画像データ６５を省略している。
図４は、第１学習用データ４１の一例を示す図である。なお、図４は第１学習用データ４１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。また、図４では、組織データ抽出処理後の組織データ６２を含む第１学習用データ４１を示している。また、図４では、ＳＰＭ画像データ６５を省略している。
【0045】
図４に示すように、第１学習用データ４１は、少なくとも、第１プロセスデータ６１と、組織データ６２と、特性データ６３を対応付けたデータベースである。本実施の形態では、第１学習用データ４１は、第１プロセスデータ６１、組織データ６２、及び特性データ６３に加えて、使用した混合材料の組成情報を含む組成データ６７と、を含んでおり、これら各データが複合材料を識別するためのＩＤに紐づけられ記憶されている。
【0046】
組成データ６７は、各樹脂（ポリマ）やフィラー、添加剤の配合割合等のデータを含む。第１プロセスデータ６１は、各樹脂やフィラーの混ざり具合に影響の大きいパラメータを含むことが望ましく、少なくとも、混練工程の製造条件を含むとよい。具体的には、第１プロセスデータ６１は、混練装置２１２の設定温度（混練開始時の温度）、ロータ回転数、圧力、試料温度（混練終了時の温度）等のパラメータを含むとよい。なお、第１プロセスデータ６１は、配合工程や成形工程の製造条件を含んでいてもよい。組織データ６２は、図２，３を用いて説明したとおり、各樹脂（ポリマ）及びフィラーの面積比データ及び分散度データを含んでいる。特性データ６３は、少なくとも、複合材料の伸びや引張強度を含んでいる。特性データ６３は、耐熱試験、低温試験、耐油試験、難燃試験等の試験結果を示すパラメータ等を含んでもよい。
【0047】
（量産サイト３００）
量産サイト３００は、例えば工場である。量産サイト３００は、電線を製造する大規模な量産設備である第２製造装置３１０を有している。量産サイト３００は、上記の研究サイト２００と同様に、第２製造装置３１０と、第２製造装置３１０を制御する第２製造装置用制御装置３３０と、量産サイト側データ管理装置３２０と、分析エリア３４０と、を有している。
量産サイト３００は、例えば工場である。量産サイト３００は、電線を製造する大規模な量産設備である第２製造装置３１０を有している。量産サイト３００は、上記の研究サイト２００と同様に、第２製造装置３１０と、第２製造装置３１０を制御する第２製造装置用制御装置３３０と、量産サイト側データ管理装置３２０と、分析エリア３４０と、を有している。
【0048】
（第２製造装置３１０）
第２製造装置３１０は、複数の樹脂材料やフィラーを配合する配合装置３１１と、配合装置３１１で配合した材料を混練しつつケーブルコアの周囲に押出成形する押出成形装置（押出機）３１２と、を有している。なお、図１では、複合材料の形成に関わる装置のみを示しているが、第２製造装置３１０は、撚線を形成する装置など、他の装置を有していてもよい。このように、本実施の形態では、第１製造装置２１０では混練装置２１２とシート成形装置２１３とを用いているのに対して、第２製造装置３１０では押出成形装置３１２を用いている。このように方式が異なり、プロセスデータに用いるパラメータが異なる場合であっても、本実施の形態によれば、第１プロセスデータ６１に対応する第２プロセスデータ６４を推定することが可能である。
第２製造装置３１０は、複数の樹脂材料やフィラーを配合する配合装置３１１と、配合装置３１１で配合した材料を混練しつつケーブルコアの周囲に押出成形する押出成形装置（押出機）３１２と、を有している。なお、図１では、複合材料の形成に関わる装置のみを示しているが、第２製造装置３１０は、撚線を形成する装置など、他の装置を有していてもよい。このように、本実施の形態では、第１製造装置２１０では混練装置２１２とシート成形装置２１３とを用いているのに対して、第２製造装置３１０では押出成形装置３１２を用いている。このように方式が異なり、プロセスデータに用いるパラメータが異なる場合であっても、本実施の形態によれば、第１プロセスデータ６１に対応する第２プロセスデータ６４を推定することが可能である。
【0049】
（分析エリア３４０）
分析エリア３４０には、上記の研究サイト２００の分析エリア２４０と同様に、組織データ６２を分析するための装置として、ＳＰＭ画像データ６５を取得するためのＳＰＭ３４１が備えられている。そして、特性データ６３を取得するための引張試験装置３４２、摩耗試験装置３４３等が備えられている。分析エリア３４０は、上記の研究サイト２００の分析エリア２４０と基本的に同じ構成であるため、詳細な説明を省略する。分析エリア３４０で取得されたＳＰＭ画像データ６５及び特性データ６３は、第２製造装置用制御装置３３０に入力される。
分析エリア３４０には、上記の研究サイト２００の分析エリア２４０と同様に、組織データ６２を分析するための装置として、ＳＰＭ画像データ６５を取得するためのＳＰＭ３４１が備えられている。そして、特性データ６３を取得するための引張試験装置３４２、摩耗試験装置３４３等が備えられている。分析エリア３４０は、上記の研究サイト２００の分析エリア２４０と基本的に同じ構成であるため、詳細な説明を省略する。分析エリア３４０で取得されたＳＰＭ画像データ６５及び特性データ６３は、第２製造装置用制御装置３３０に入力される。
【0050】
（第２製造装置用制御装置３３０）
第２製造装置用制御装置３３０は、第２製造装置３１０を制御（あるいは管理、監視）する装置であり、例えばパーソナルコンピュータにより構成される。第２製造装置用制御装置３３０は、上記の研究サイト２００の第１製造装置用制御装置２３０と基本的に同じものである。
第２製造装置用制御装置３３０は、第２製造装置３１０を制御（あるいは管理、監視）する装置であり、例えばパーソナルコンピュータにより構成される。第２製造装置用制御装置３３０は、上記の研究サイト２００の第１製造装置用制御装置２３０と基本的に同じものである。
【0051】
本実施の形態では、第２製造装置用制御装置３３０は、混練を含む押出成形時のプロセス情報（例えば、温度、時間など）を含む第２プロセスデータ６４を、第２製造装置３１０より取得する。なお、第２製造装置用制御装置３３０が、設定情報や製造指示情報等としてプロセス情報等を自身で保有している場合には、当該保有している情報を第２プロセスデータ６４として取得するよう構成してもよい。なお、プロセス情報は第２製造装置３１０において設定可能な運転条件でもよいし、第２製造装置３１０に設置された計器類で管理するための条件でもよい。
【0052】
また第２製造装置用制御装置３３０には、分析エリア３４０で取得したＳＰＭ画像データ６５及び特性データ６３が入力される。第２製造装置用制御装置３３０は、対応する第２プロセスデータ６４と、ＳＰＭ画像データ６５と、特性データ６３とを紐づけたデータベースである第２学習用データ４２を生成し、量産サイト側データ管理装置３２０に送信する。なお、分析エリア３４０や第２製造装置用制御装置３３０等で組織データ抽出処理を行う場合、第２学習用データ４２には、ＳＰＭ画像データ６５に替えて（あるいは加えて）、抽出した組織データ６２が含まれる。
【0053】
（量産サイト側データ管理装置３２０）
量産サイト側データ管理装置３２０は、各種設定やデータの入出力処理等を行う制御部３２１と、記憶部３２２と、を有している。制御部３２１は、ＣＰＵ等の演算素子、メモリ、インターフェイス、ソフトウェア、記憶装置等を適宜組み合わせて実現されている。記憶部３２２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。
量産サイト側データ管理装置３２０は、各種設定やデータの入出力処理等を行う制御部３２１と、記憶部３２２と、を有している。制御部３２１は、ＣＰＵ等の演算素子、メモリ、インターフェイス、ソフトウェア、記憶装置等を適宜組み合わせて実現されている。記憶部３２２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。
【0054】
また、量産サイト側データ管理装置３２０には、ディスプレイ等の表示器３２３とキーボード等の入力装置３２４とが設けられている。なお、表示器３２３をタッチパネル方式のものとし、表示器３２３に入力装置３２４としての機能を兼ねさせてもよい。さらに、表示器３２３と入力装置３２４とは、量産サイト側データ管理装置３２０と無線通信するように構成されていてもよい。この場合、表示器３２３及び入力装置３２４は、例えば、スマートフォンやタブレットにより構成されていてもよい。
【0055】
制御部３２１は、第２製造装置用制御装置３３０から第２学習用データ４２を受信したとき、当該第２学習用データ４２を記憶部３２２に記憶すると共に、第２学習用データ４２が更新されたことを示す第２学習用データ更新信号を、ネットワーク１０１を介してプロセス推定装置１に送信する。そして、制御部３２１は、プロセス推定装置１から第２学習用データ要求信号を受信したとき、第２学習用データ４２をプロセス推定装置１に送信する。この際の具体的な処理内容については、後述する（第２学習用データ送信処理、図１４参照）。
【0056】
また、制御部３２１は、プロセス推定装置１から推定第２プロセスデータ６４ａを受信したとき、受信した推定第２プロセスデータ６４ａを記憶部３２２に記憶する（推定第２プロセスデータ受信処理、図１８参照）。そして、制御部３２１は、受信した推定第２プロセスデータ６４ａを表示器３２３に表示する。第２製造装置３１０の管理者は、表示器３２３に表示された推定第２プロセスデータ６４ａを確認し、量産試験（試験製造）の際に、推定第２プロセスデータ６４ａを第２製造装置用制御装置３３０へと送信する。推定第２プロセスデータ６４ａを受信した第２製造装置用制御装置３３０は、第２製造装置３１０に対して推定第２プロセスデータ６４ａに応じた製造指示を行い、製造試験を実施することになる。製造試験の結果を受けた補正等については、後述する。
【0057】
（プロセス推定装置１）
プロセス推定装置１は、つまり、第１プロセスデータ６１を基に、対応する第２プロセスデータ６４を推定する装置である。以下、推定元の第１プロセスデータ６１を推定元第１プロセスデータ６１ａと呼称し、推定された第２プロセスデータ６４を推定第２プロセスデータ６４ａと呼称する。これにより、推定第２プロセスデータ６４ａを用いて第２製造装置３１０で製造を行うことで、推定元第１プロセスデータ６１ａを用いて第１製造装置２１０で製造した複合材料（ここでは電線の被覆材）を、第２製造装置３１０で再現して製造することが可能になる。以下、その詳細について説明する。
プロセス推定装置１は、つまり、第１プロセスデータ６１を基に、対応する第２プロセスデータ６４を推定する装置である。以下、推定元の第１プロセスデータ６１を推定元第１プロセスデータ６１ａと呼称し、推定された第２プロセスデータ６４を推定第２プロセスデータ６４ａと呼称する。これにより、推定第２プロセスデータ６４ａを用いて第２製造装置３１０で製造を行うことで、推定元第１プロセスデータ６１ａを用いて第１製造装置２１０で製造した複合材料（ここでは電線の被覆材）を、第２製造装置３１０で再現して製造することが可能になる。以下、その詳細について説明する。
【0058】
プロセス推定装置１は、例えばサーバ等のネットワーク装置であり、制御部２と、記憶部３と、を有している。プロセス推定装置１の制御部２は、ＣＰＵ等の演算素子、メモリ、インターフェイス、ソフトウェア、記憶装置等を適宜組み合わせて実現されている。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。
【0059】
制御部２は、設定処理部２１、学習用データ取得処理部２２、組織データ抽出処理部２３、第１回帰モデル作成処理部２４、第２回帰モデル作成処理部２５、第３回帰モデル作成処理部２６、推定元第１プロセスデータ取得処理部２７、プロセス推定処理部２８、及び推定第２プロセスデータ送信処理部２９を有している。
【0060】
記憶部３には、研究サイト側データ管理装置２２０から受信した第１学習用データ４１、及び、量産サイト側データ管理装置３２０から受信した第２学習用データ４２が記憶されている。第１学習用データ４１は、第１回帰モデル作成処理部２４による第１回帰モデル４３作成の機械学習のために用いられ、第２学習用データ４２は、第２回帰モデル作成処理部２５による第２回帰モデル４４作成の機械学習のために用いられる。また、これら第１学習用データ４１及び第２学習用データ４２に含まれるＳＰＭ画像データ６５は、組織データ６２を抽出する組織データ抽出処理に用いられる。そして、第１学習用データ４１及び第２学習用データ４２に含まれる組織データ６２は、組織データ抽出処理によりＳＰＭ画像データ６５から抽出されたデータである。
【0061】
さらに、記憶部３には、第１～第３回帰モデル作成処理部２４～２６により作成された第１～第３回帰モデル４３～４５が記憶されている。また、記憶部３には、研究サイト側データ管理装置２２０から受信した推定元第１プロセスデータ６１ａ、及び、プロセス推定処理部２８による推定で得られた推定第２プロセスデータ６４ａが記憶されている。
【0062】
（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（図１０参照）を行うものである。設定処理部２１では、例えば、学習用データ取得処理部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、不図示の入力装置、あるいは研究サイト２００や量産サイト３００に設けられた入力装置２２４，３２４等を用いることができる。
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（図１０参照）を行うものである。設定処理部２１では、例えば、学習用データ取得処理部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、不図示の入力装置、あるいは研究サイト２００や量産サイト３００に設けられた入力装置２２４，３２４等を用いることができる。
【0063】
（学習用データ取得処理部２２）
学習用データ取得処理部２２は、研究サイト側データ管理装置２２０から第１学習用データ４１を取得する第１学習用データ取得処理（図１１参照）と、量産サイト側データ管理装置３２０から第２学習用データ４２を取得する第２学習用データ取得処理（図１４参照）とを行うものである。
学習用データ取得処理部２２は、研究サイト側データ管理装置２２０から第１学習用データ４１を取得する第１学習用データ取得処理（図１１参照）と、量産サイト側データ管理装置３２０から第２学習用データ４２を取得する第２学習用データ取得処理（図１４参照）とを行うものである。
【0064】
学習用データ取得処理部２２は、研究サイト側データ管理装置２２０から第１学習用データ更新信号を受信したとき、第１学習用データ取得処理を行う。第１学習用データ取得処理では、学習用データ取得処理部２２は、研究サイト側データ管理装置２２０に第１学習用データ４１を要求する第１学習用データ要求信号を送信し、これに応じて研究サイト側データ管理装置２２０から送信された第１学習用データ４１を受信して、記憶部３に記憶する。
【0065】
また、学習用データ取得処理部２２は、量産サイト側データ管理装置３２０から第２学習用データ更新信号を受信したとき、第２学習用データ取得処理を行う。第２学習用データ取得処理では、学習用データ取得処理部２２は、量産サイト側データ管理装置３２０に第２学習用データ４２を要求する第２学習用データ要求信号を送信し、これに応じて量産サイト側データ管理装置３２０から送信された第２学習用データ４２を受信して、記憶部３に記憶する。
【0066】
（組織データ抽出処理部２３）
組織データ抽出処理部２３は、学習用データ取得処理部２２で受信した第１学習用データ４１や第２学習用データ４２に含まれるＳＰＭ画像データ６５を基に、組織データ６２を抽出する組織データ抽出処理（図１２参照）を行う。具体的には、図２（ｂ）を用いて説明したように、ＳＰＭ画像データ６５から各樹脂とフィラーのそれぞれに相当する領域を決定し、それぞれの領域の面積比（全体の面積に対する各領域の面積の比）として面積比データを求める。そして、図３を用いて説明したように、区間分割法等を用いて各樹脂およびフィラーの凝集度を分散度データとして求める。求めた面積比データ及び分散度データを含む組織データ６２は、抽出元のＳＰＭ画像データ６５が含まれる第１学習用データ４１または第２学習用データ４２内に記憶される。
組織データ抽出処理部２３は、学習用データ取得処理部２２で受信した第１学習用データ４１や第２学習用データ４２に含まれるＳＰＭ画像データ６５を基に、組織データ６２を抽出する組織データ抽出処理（図１２参照）を行う。具体的には、図２（ｂ）を用いて説明したように、ＳＰＭ画像データ６５から各樹脂とフィラーのそれぞれに相当する領域を決定し、それぞれの領域の面積比（全体の面積に対する各領域の面積の比）として面積比データを求める。そして、図３を用いて説明したように、区間分割法等を用いて各樹脂およびフィラーの凝集度を分散度データとして求める。求めた面積比データ及び分散度データを含む組織データ６２は、抽出元のＳＰＭ画像データ６５が含まれる第１学習用データ４１または第２学習用データ４２内に記憶される。
【0067】
（第１回帰モデル作成処理部２４）
第１回帰モデル作成処理部２４は、第１製造装置２１０の製造データより、第１プロセスデータ６１と、対象工程後のサンプルから得られる組織データ６２と、第１製造装置２１０により製造した複合材料の特性データ６３との関係を機械学習する。なお、本実施の形態では、第１製造装置２１０により製造した複合材料のサンプルより、組織データ６２と特性データ６３の両者を得ている。そして、第１回帰モデル作成処理部２４は、機械学習の結果を基に、第１プロセスデータ６１と、当該第１プロセスデータ６１に対応する組織データ６２及び特性データ６３との相関性を表す第１回帰モデル４３を作成する第１回帰モデル作成処理（図１３参照）を行う。
第１回帰モデル作成処理部２４は、第１製造装置２１０の製造データより、第１プロセスデータ６１と、対象工程後のサンプルから得られる組織データ６２と、第１製造装置２１０により製造した複合材料の特性データ６３との関係を機械学習する。なお、本実施の形態では、第１製造装置２１０により製造した複合材料のサンプルより、組織データ６２と特性データ６３の両者を得ている。そして、第１回帰モデル作成処理部２４は、機械学習の結果を基に、第１プロセスデータ６１と、当該第１プロセスデータ６１に対応する組織データ６２及び特性データ６３との相関性を表す第１回帰モデル４３を作成する第１回帰モデル作成処理（図１３参照）を行う。
【0068】
図５（ａ）に示すように、第１回帰モデル作成処理では、第１回帰モデル作成処理部２４に、第１製造装置２１０の過去の製造データである第１学習用データ４１が入力される。第１回帰モデル作成処理部２４は、第１学習用データ４１より、第１プロセスデータ６１の各パラメータ（例えば、温度、時間等）に対する組織データ６２及び特性データ６３の各パラメータ（面積比データや分散度データ、及び、引張強度や耐摩耗性など）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ンニング等を用いることができる。第１回帰モデル作成処理部２４が学習するものは、第１プロセスデータ６１（すなわち第１製造装置２１０での製造条件）と、対象工程後の組織データ６２（すなわち、複合材料での樹脂の混ざり具合）と特性データ６３（すなわち複合材料の性能）との相関性を表すモデル構造に相当する。
【0069】
第１回帰モデル作成処理部２４は、入力された第１学習用データ４１を基に、説明変数（第１プロセスデータ６１）と目的変数（組織データ６２及び特性データ６３）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（第１プロセスデータ６１）に対する目的変数（組織データ６２及び特性データ６３）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第１回帰モデル４３を用いることで、説明変数（第１プロセスデータ６１）に対する目的変数（組織データ６２及び特性データ６３）の相関性を解釈可能になる。
【0070】
第１回帰モデル作成処理部２４は、作成した第１回帰モデル４３を記憶部３に記憶する。本実施の形態では、第１回帰モデル作成処理部２４は、第１学習用データ４１が更新される度に、第１回帰モデル４３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、第１学習用データ４１の更新分をまとめて学習し、第１回帰モデル４３を更新するようにしてもよい。
【0071】
（第２回帰モデル作成処理部２５）
第２回帰モデル作成処理部２５は、第２製造装置３１０の製造データより、第２プロセスデータ６４と、対象工程後のサンプルから得られる組織データ６２と、第２製造装置３１０により製造した複合材料の特性データ６３との関係を機械学習する。なお、本実施の形態では、第２製造装置３１０により製造した複合材料のサンプルより、組織データ６２と特性データ６３の両者を得ている。そして、第２回帰モデル作成処理部２５は、機械学習の結果を基に、第２プロセスデータ６４と、当該第２プロセスデータ６４に対応する組織データ６２及び特性データ６３との相関性を表す第２回帰モデル４４を作成する第２回帰モデル作成処理（図１５参照）を行う。
第２回帰モデル作成処理部２５は、第２製造装置３１０の製造データより、第２プロセスデータ６４と、対象工程後のサンプルから得られる組織データ６２と、第２製造装置３１０により製造した複合材料の特性データ６３との関係を機械学習する。なお、本実施の形態では、第２製造装置３１０により製造した複合材料のサンプルより、組織データ６２と特性データ６３の両者を得ている。そして、第２回帰モデル作成処理部２５は、機械学習の結果を基に、第２プロセスデータ６４と、当該第２プロセスデータ６４に対応する組織データ６２及び特性データ６３との相関性を表す第２回帰モデル４４を作成する第２回帰モデル作成処理（図１５参照）を行う。
【0072】
図５（ｂ）に示すように、第２回帰モデル作成処理では、第２回帰モデル作成処理部２５に、第２製造装置３１０の過去の製造データである第２学習用データ４２が入力される。そして、第２回帰モデル作成処理部２５は、上記の第１回帰モデル作成処理部２４と同様に、入力された第２学習用データ４２を基に、説明変数（第２プロセスデータ６４）と目的変数（組織データ６２及び特性データ６３）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して、その結果として得られた学習済みモデルとして第２回帰モデル４４を作成する。
【0073】
第２回帰モデル作成処理部２５は、作成した第２回帰モデル４４を記憶部３に記憶する。本実施の形態では、第２回帰モデル作成処理部２５は、第２学習用データ４２が更新される度に、第２回帰モデル４４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、第２学習用データ４２の更新分をまとめて学習し、第２回帰モデル４４を更新するようにしてもよい。
【0074】
（第３回帰モデル作成処理部２６）
第３回帰モデル作成処理部２６は、第１回帰モデル４３と第２回帰モデル４４とを基に、第１プロセスデータ６１と第２プロセスデータ６４の相関性を表す第３回帰モデル４５を作成する第３回帰モデル作成処理を行う。
第３回帰モデル作成処理部２６は、第１回帰モデル４３と第２回帰モデル４４とを基に、第１プロセスデータ６１と第２プロセスデータ６４の相関性を表す第３回帰モデル４５を作成する第３回帰モデル作成処理を行う。
【0075】
図５（ｃ）に示すように、第３回帰モデル作成処理では、第３回帰モデル作成処理部２６に、第１回帰モデル４３と第２回帰モデル４４とが入力される。そして、これら第１回帰モデル４３と第２回帰モデル４４とを基に、組織データ６２及び特性データ６３を仲介として、第１プロセスデータ６１と第２プロセスデータ６４との相関性を表す第３回帰モデル４５を作成する。
【0076】
より具体的には、図６（ａ）,（ｂ）に示すように、例えば、組織データ６２及び特性データ６３の任意のパラメータＺａ，Ｚｂと、第１プロセスデータ６１のパラメータａ，ｂとの関係が、第１回帰モデル４３において、Ｚａ＝ｆ（ａ，ｂ）、Ｚｂ＝ｇ（ａ，ｂ）で表されたとする。そして、組織データ６２及び特性データ６３の上記と同じパラメータＺａ，Ｚｂと、第２プロセスデータ６４のパラメータｘ，ｙとの関係が、第２回帰モデル４４において、Ｚａ＝ｆ’（ｘ，ｙ）、Ｚｂ＝ｇ’（ｘ，ｙ）で表されたとする。そうすると、これら４つの式をパラメータＺａ，Ｚｂを仲介として整理することで、ｘ＝ｆ”（ａ，ｂ）、ｙ＝ｇ”（ａ，ｂ）として、第１プロセスデータ６１と第２プロセスデータ６４との相関性を表す第３回帰モデル４５が得られる。このように、第３回帰モデル作成処理部２６は、第１回帰モデル４３と第２回帰モデル４４とを組み合わせることで、第１プロセスデータ６１と第２プロセスデータ６４の相関性を表す第３回帰モデル４５を作成する。
【0077】
第３回帰モデル作成処理部２６は、作成した第３回帰モデル４５を記憶部３に記憶する。本実施の形態では、第３回帰モデル作成処理部２６は、第１回帰モデル４３と第２回帰モデル４４のいずれかが更新されたときに、第３回帰モデル４５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、第３回帰モデル４５を更新するようにしてもよい。
【0078】
（推定元第１プロセスデータ取得処理部２７）
推定元第１プロセスデータ取得処理部２７は、研究サイト側データ管理装置２２０から推定元第１プロセスデータ６１ａを取得する推定元第１プロセスデータ取得処理（図１６参照）を行う。推定元第１プロセスデータ取得処理部２７は、研究サイト側データ管理装置２２０からプロセス推定要求信号を受信したとき、推定元第１プロセスデータ取得処理を行う。推定元第１プロセスデータ取得処理では、推定元第１プロセスデータ取得処理部２７は、研究サイト側データ管理装置２２０に推定元第１プロセスデータ要求信号を送信し、それに応じて研究サイト側データ管理装置２２０から送信された推定元第１プロセスデータ６１ａを受信し、記憶部３に記憶する。
推定元第１プロセスデータ取得処理部２７は、研究サイト側データ管理装置２２０から推定元第１プロセスデータ６１ａを取得する推定元第１プロセスデータ取得処理（図１６参照）を行う。推定元第１プロセスデータ取得処理部２７は、研究サイト側データ管理装置２２０からプロセス推定要求信号を受信したとき、推定元第１プロセスデータ取得処理を行う。推定元第１プロセスデータ取得処理では、推定元第１プロセスデータ取得処理部２７は、研究サイト側データ管理装置２２０に推定元第１プロセスデータ要求信号を送信し、それに応じて研究サイト側データ管理装置２２０から送信された推定元第１プロセスデータ６１ａを受信し、記憶部３に記憶する。
【0079】
（プロセス推定処理部２８）
プロセス推定処理部２８は、第３回帰モデル４５を用いて、任意の推定元の第１プロセスデータ６１（推定元第１プロセスデータ６１ａ）に応じた第２プロセスデータ６４（推定第２プロセスデータ６４ａ）を推定するプロセス推定処理（図１７参照）を行う。
プロセス推定処理部２８は、第３回帰モデル４５を用いて、任意の推定元の第１プロセスデータ６１（推定元第１プロセスデータ６１ａ）に応じた第２プロセスデータ６４（推定第２プロセスデータ６４ａ）を推定するプロセス推定処理（図１７参照）を行う。
【0080】
図５（ｄ）に示すように、プロセス推定処理では、プロセス推定処理部２８に、第３回帰モデル４５と、推定元第１プロセスデータ６１ａとが入力される。プロセス推定処理部２８は、第３回帰モデル４５を用いて、推定元第１プロセスデータ６１ａに対応した第２プロセスデータ６４を求め、得られた第２プロセスデータ６４を推定第２プロセスデータ６４ａとする。そして、プロセス推定処理部２８は、得られた推定第２プロセスデータ６４ａを記憶部３に記憶する。
【0081】
ここで得られた推定第２プロセスデータ６４ａは、第１製造装置２１０で推定元第１プロセスデータ６１ａの製造条件で製造した材料（ここでは電線の被覆材）と同じ材料を、第２製造装置３１０で再現可能な製造条件となる。
【0082】
（推定第２プロセスデータ送信処理部２９）
推定第２プロセスデータ送信処理部２９は、推定第２プロセスデータ６４ａを量産サイト側データ管理装置３２０に送信する推定第２プロセスデータ送信処理（図１８参照）を行う。
推定第２プロセスデータ送信処理部２９は、推定第２プロセスデータ６４ａを量産サイト側データ管理装置３２０に送信する推定第２プロセスデータ送信処理（図１８参照）を行う。
【0083】
（プロセス推定装置１の利用方法）
ここで、本実施の形態に係るプロセス推定装置１の利用方法の一例について説明しておく。
ここで、本実施の形態に係るプロセス推定装置１の利用方法の一例について説明しておく。
【0084】
プロセス推定装置１では、２つの製造装置２１０，３１０間で、予め第３回帰モデル４５を作成しておけば、一方の製造装置２１０（または３１０）で所望の特性の材料が製造できたときに、当該一方の製造装置２１０（または３１０）でのプロセスデータ（ここでは推定元第１プロセスデータ６１ａ）を基に、他方の製造装置３１０（または２１０）でのプロセスデータ（ここでは推定第２プロセスデータ６４ａ）を推定することができる。そして、得られたプロセスデータ（ここでは推定第２プロセスデータ６４ａ）により他方の製造装置３１０（または２１０）で製造を行うことで、高い再現性で同様の特性の材料を製造することが可能になる。
【0085】
ここで、一例として、図６（ａ）に示すように、研究設備である第１製造装置２１０を用いて、第２製造装置３１０で製造したことのない新材料を開発したとする。この場合、第２製造装置３１０では製造実績がないので、新材料に関する第２学習用データ４２は存在しておらず、当該新材料についての第２回帰モデル４４は存在していないことになる。しかし、予め第３回帰モデル４５を作成しておけば、このような場合であっても、推定元第１プロセスデータ６１ａに対応する推定第２プロセスデータ６４ａを推定することができる。なお、このような例では、過去の製造データとは大きく異なる原料を用いる場合などは、推定した推定第２プロセスデータ６４ａの精度が低くなることが想定される。しかし、製造実績がない第２製造装置３１０での製造条件を、おおよそ推定することが可能である。
【0086】
量産設備である第２製造装置３１０では、生産量が多く、大量の材料を使用するため、量産にあたっての試験回数（実験回数）を減らしてなるべく無駄を減らしたいという要求がある。本実施の形態によれば、新材料であってもおおよその製造条件を推定することが可能であり、量産に最適な製造条件を検討するための試験回数を低減し、コストの低減を図ることが可能になる。
【0087】
このように、第１製造装置２１０が研究設備、かつ、第２製造装置３１０が量産設備であり、研究設備で製造した材料を量産設備で再現すべく、第３回帰モデル４５を用いて、研究設備で再現対象となる材料を製造した際の第１プロセスデータ６１から、量産設備で再現対象となる材料を製造するための第２プロセスデータ６４を推定するようにしてもよい。
【0088】
（組成データ６７の機械学習への使用）
上記のような新材料の開発の際の推定精度を向上させるために、第１及び第２回帰モデル４３，４４は、組成データ６７（図４参照）を考慮して作成されることがより望ましいといえる。つまり、第１回帰モデル４３は、第１プロセスデータ６１と組織データ６２と特性データ６３とに加えて、材料の組成情報を含む組成データ６７との関係を機械学習して作成されることがより望ましい。この場合、第１回帰モデル４３は、第１プロセスデータ６１と組織データ６２と組成データ６７との相関性を表すように作成されることになる。また、この場合、第１学習用データ４１に組成データ６７を含める必要がある。
上記のような新材料の開発の際の推定精度を向上させるために、第１及び第２回帰モデル４３，４４は、組成データ６７（図４参照）を考慮して作成されることがより望ましいといえる。つまり、第１回帰モデル４３は、第１プロセスデータ６１と組織データ６２と特性データ６３とに加えて、材料の組成情報を含む組成データ６７との関係を機械学習して作成されることがより望ましい。この場合、第１回帰モデル４３は、第１プロセスデータ６１と組織データ６２と組成データ６７との相関性を表すように作成されることになる。また、この場合、第１学習用データ４１に組成データ６７を含める必要がある。
【0089】
同様に、第２回帰モデル４４は、第２プロセスデータ６４と組織データ６２とに加えて、材料の組成情報を含む組成データ６７との関係を機械学習して作成されてもよい。この場合、第２回帰モデル４４は、第２プロセスデータ６４と組織データ６２と組成データとの相関性を表すように作成されることになる。また、この場合、第２学習用データ４２に組成データ６７を含める必要がある。
【0090】
（推定第２プロセスデータ６４ａの補正）
図６（ａ）で説明したような新材料の開発においては、推定第２プロセスデータ６４ａはおおよその製造条件となるため、その後の製造試験の結果を考慮して、推定第２プロセスデータ６４ａの各パラメータを補正するよう構成することも可能である。すなわち、プロセス推定装置１は、第２製造装置３１０で推定第２プロセスデータ６４ａにより製造試験を行った際の試験結果に基づき、推定第２プロセスデータ６４ａを補正する補正処理部をさらに備えてもよい。
図６（ａ）で説明したような新材料の開発においては、推定第２プロセスデータ６４ａはおおよその製造条件となるため、その後の製造試験の結果を考慮して、推定第２プロセスデータ６４ａの各パラメータを補正するよう構成することも可能である。すなわち、プロセス推定装置１は、第２製造装置３１０で推定第２プロセスデータ６４ａにより製造試験を行った際の試験結果に基づき、推定第２プロセスデータ６４ａを補正する補正処理部をさらに備えてもよい。
【0091】
補正処理部を備えることより、例えば、各回帰モデル４３～４５が新材料に十分に対応していない状況（量産前で十分なデータがなく、機械学習が十分に行われていない状況）であっても、第１製造装置２１０での第１プロセスデータ６１（推定元第１プロセスデータ６１ａ）に対応する、第２製造装置３１０での第２プロセスデータ６４（推定第２プロセスデータ６４ａ）を精度よく推定することが可能になる。その結果、量産設備で高い再現性で材料を製造可能になり、製造試験の回数を低減してコストの低減や、開発から量産化までの期間短縮を図ることができる。
【0092】
（プロセス推定装置１の他の利用方法）
本実施の形態では、研究設備でのプロセスデータから、量産設備でのプロセスデータを推定した。ただし、これに限らず、例えば上記とは逆に、量産設備でのプロセスデータから、研究設備でのプロセスデータを推定することも当然に可能である。この場合、図６（ｂ）に示すように、例えば、量産設備と研究設備間で予め第３回帰モデル４５を作成しておけば、量産設備で量産が可能な条件となるプロセスデータ（推定元第１プロセスデータ６１ａに相当）に対応する、研究設備側でのプロセスデータ（推定第２プロセスデータ６４ａに相当）を推定することが可能になる。
本実施の形態では、研究設備でのプロセスデータから、量産設備でのプロセスデータを推定した。ただし、これに限らず、例えば上記とは逆に、量産設備でのプロセスデータから、研究設備でのプロセスデータを推定することも当然に可能である。この場合、図６（ｂ）に示すように、例えば、量産設備と研究設備間で予め第３回帰モデル４５を作成しておけば、量産設備で量産が可能な条件となるプロセスデータ（推定元第１プロセスデータ６１ａに相当）に対応する、研究設備側でのプロセスデータ（推定第２プロセスデータ６４ａに相当）を推定することが可能になる。
【0093】
例えば、研究設備側で材料の開発を行った場合であっても、その製造条件が、量産設備で量産することが不可能な製造条件（例えば図６（ｂ）に×で示される条件）であった場合、当該材料の開発は無駄になってしまうおそれが生じる。図６（ｂ）のように、量産設備で量産が可能な条件となるプロセスデータに対応する、研究設備側でのプロセスデータを得ておくことで、得られたプロセスデータの範囲内の製造条件（実験条件）で開発を行えば、量産できないといった不具合が生じることなく、無駄なく材料の開発を行うことが可能になる。
【0094】
このように、第１製造装置２１０が量産設備、かつ、第２製造装置３１０が研究設備であり、第３回帰モデル４５を用いて、量産設備で量産可能な条件を表す第１プロセスデータ６１から、これに対応した研究設備での実験条件となる第２プロセスデータ６４を推定するようにしてもよい。
【0095】
なお、第１及び第２製造装置２１０，３１０は、研究設備や量産設備に限定されない。例えば、第１及び第２製造装置２１０，３１０は、同一の工場の異なる生産ライン（製造装置）であってもよい。
【0096】
（プロセス推定方法）
（メインルーチン）
図７～９は、本実施の形態に係るはプロセス推定方法の制御フローを示すフロー図である。なお、図７～９、及び後述する図１０～１８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。
（メインルーチン）
図７～９は、本実施の形態に係るはプロセス推定方法の制御フローを示すフロー図である。なお、図７～９、及び後述する図１０～１８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。
【0097】
図７に示すように、研究サイト側データ管理装置２２０は、例えば、第１学習用データ４１を取得する第１学習用データ取得処理を行う日時（第１データ取得日時）の設定等を行う際に、プロセス推定装置１に設定信号を送信する（ステップＳ１００）。同様に、量産サイト側データ管理装置３２０は、例えば、第２学習用データ４２を取得する第２学習用データ取得処理を行う日時（第２データ取得日時）の設定等を行う際に、プロセス推定装置１に設定信号を送信する（ステップＳ３００）。
【0098】
プロセス推定装置１の設定処理部２１は、ステップＳ２０１にて、設定信号が入力されたかを判定し、ＹＥＳ（Ｙ）と判定された場合、ステップＳ２０２にて設定処理を実行する。設定処理の詳細については後述する。ステップＳ２０１でＮＯ（Ｎ）と判定された場合、ステップＳ２０３に進む。
【0099】
研究サイト側データ管理装置２２０は、第１学習用データ４１が更新された際に、第１学習用データ更新信号をプロセス推定装置１に送信する（ステップＳ１０１）。プロセス推定装置１の学習用データ取得処理部２２は、ステップＳ２０３にて、第１学習用データ更新信号が入力されたかを判定する。ステップＳ２０３でＹＥＳと判定された場合、ステップＳ２０５に進む。ステップＳ２０３でＮＯと判定された場合、学習用データ取得処理部２２は、ステップＳ２０４にて、現在の日時が第１データ取得日時であるかを判定する。ステップＳ２０４でＹＥＳと判定された場合、ステップＳ２０５に進む。ステップＳ２０４でＮＯと判定された場合、図８のステップＳ２０７に進む。
【0100】
ステップＳ２０５では学習用データ取得処理部２２が、第１学習用データ取得処理を行う。第１学習用データ取得処理については後述する。その後、ステップＳ２１７にて、組織データ抽出処理部２３が、組織データ抽出処理を行う。組織データ抽出処理については後述する。その後、ステップＳ２０６にて、第１回帰モデル作成処理部２４が、第１回帰モデル作成処理を行う。第１回帰モデル作成処理については後述する。その後、図８のステップＳ２０７に進む。
【0101】
図８に示すように、量産サイト側データ管理装置３２０は、第２学習用データ４２が更新された際に、第２学習用データ更新信号をプロセス推定装置１に送信する（ステップＳ３０１）。プロセス推定装置１の学習用データ取得処理部２２は、ステップＳ２０７にて、第２学習用データ更新信号が入力されたかを判定する。ステップＳ２０７でＹＥＳと判定された場合、ステップＳ２０９に進む。ステップＳ２０７でＮＯと判定された場合、学習用データ取得処理部２２は、ステップＳ２０８にて、現在の日時が第２データ取得日時であるかを判定する。ステップＳ２０８でＹＥＳと判定された場合、ステップＳ２０９に進む。ステップＳ２０７でＮＯと判定された場合、ステップＳ２１１に進む。
【0102】
ステップＳ２０９では学習用データ取得処理部２２が、第２学習用データ取得処理を行う。第２学習用データ取得処理については後述する。その後、ステップＳ２１８にて、組織データ抽出処理部２３が、組織データ抽出処理を行う。組織データ抽出処理については後述する。その後、ステップＳ２１０にて、第２回帰モデル作成処理部２５が、第２回帰モデル作成処理を行う。第２回帰モデル作成処理については後述する。その後、ステップＳ２１１に進む。
【0103】
ステップＳ２１１では、第３回帰モデル作成処理部２６が、第１回帰モデル４３と第２回帰モデル４４のいずれかが更新されたかを判定する。ステップＳ２１１でＹＥＳと判定された場合、ステップＳ２１２にて、第３回帰モデル作成処理部２６が第３回帰モデル作成処理を行う。ステップＳ２１２第３回帰モデル作成処理では、記憶部３に記憶された第１回帰モデル４３と第２回帰モデル４４とを基に、第１プロセスデータ６１と第２プロセスデータ６４との相関性を表す第３回帰モデル４５を作成し、作成した第３回帰モデル４５を記憶部３に記憶する。その後、図９のステップＳ２１３に進む。ステップＳ２１１でＮＯと判定された場合、第３回帰モデル作成処理を行わずに図９のステップＳ２１３に進む。
【0104】
図９に示すように、研究サイト側データ管理装置２２０は、推定元第１プロセスデータ６１ａから対応する推定第２プロセスデータ６４ａを推定するプロセス推定を行うとき、プロセス推定装置１にプロセス推定要求信号を送信する。プロセス推定装置１の推定元第１プロセスデータ取得処理部２７は、ステップＳ２１３にて、プロセス推定要求信号が入力されたかを判定する。ステップＳ２１３にてＮＯと判定された場合、リターンする。ステップＳ２１３にてＹＥＳと判定された場合、ステップＳ２１４にて、推定元第１プロセスデータ取得処理部２７が、推定元第１プロセスデータ取得処理を行う。推定元第１プロセスデータ取得処理については後述する。
【0105】
その後、ステップＳ２１５にて、プロセス推定処理部２８が、プロセス推定処理を行う。その後、ステップＳ２１６にて、推定第２プロセスデータ送信処理部２９が、推定第２プロセスデータ送信処理を行う。プロセス推定処理及び推定第２プロセスデータ送信処理については後述する。その後、リターンする。
【0106】
（設定処理）
図１０に示すように、ステップＳ２０２の設定処理では、まず、研究サイト側データ管理装置２２０あるいは量産サイト側データ管理装置３２０で入力された設定データが、プロセス推定装置１に送信される（ステップＳ１２０、Ｓ３２０）。プロセス推定装置１の設定処理部２１は、受信した設定データに応じて、各種の設定を行う（ステップＳ２２１）。その後、ステップＳ２２１での各種の設定に伴い、データ更新処理等の適宜な処理を行い（ステップＳ２２２）、リターンする。
図１０に示すように、ステップＳ２０２の設定処理では、まず、研究サイト側データ管理装置２２０あるいは量産サイト側データ管理装置３２０で入力された設定データが、プロセス推定装置１に送信される（ステップＳ１２０、Ｓ３２０）。プロセス推定装置１の設定処理部２１は、受信した設定データに応じて、各種の設定を行う（ステップＳ２２１）。その後、ステップＳ２２１での各種の設定に伴い、データ更新処理等の適宜な処理を行い（ステップＳ２２２）、リターンする。
【0107】
（第１学習用データ取得処理）
図１１に示すように、ステップＳ２０５の第１学習用データ取得処理では、まず、プロセス推定装置１の学習用データ取得処理部２２が、研究サイト側データ管理装置２２０に、第１学習用データ４１を要求する第１学習用データ要求信号を送信する（ステップＳ２３１）。
図１１に示すように、ステップＳ２０５の第１学習用データ取得処理では、まず、プロセス推定装置１の学習用データ取得処理部２２が、研究サイト側データ管理装置２２０に、第１学習用データ４１を要求する第１学習用データ要求信号を送信する（ステップＳ２３１）。
【0108】
研究サイト側データ管理装置２２０では、第１学習用データ取得処理と並行して、ステップＳ１０２の第１学習用データ送信処理が行われている。この第１学習用データ送信処理において、研究サイト側データ管理装置２２０は、まず、ステップＳ１３１にて、プロセス推定装置１から第１学習用データ要求信号が入力されたかを判定する。ステップＳ１３１でＮＯと判定された場合、リターンする。ステップＳ１３１でＹＥＳと判定された場合、ステップＳ１３２にて、記憶部２２２に、未送信の第１学習用データ４１が存在するかを判定する。なお、第１学習用データ４１が未送信であるか送信済みであるかの識別は、例えば、データベース上に識別子を付したり、あるいは、送信済みと未送信とでデータベースを分割しておき、未送信の第１学習用データ４１を送信した際に、送信した第１学習用データ４１を送信済みのデータベースに統合したりするなど、種々の方法で識別することができる。
【0109】
ステップＳ１３２にてＮＯと判定された場合、ステップＳ１３３にてプロセス推定装置１に送信済信号を送信した後、リターンする。ステップＳ１３２にてＹＥＳと判定された場合、ステップＳ１３４にて、未送信の第１学習用データ４１（第１プロセスデータ６１及び組織データ６２）をプロセス推定装置１に送信する。その後、ステップＳ１３５にて、研究サイト側データ管理装置２２０は、送信した第１学習用データ４１を送信済みとした後、リターンする。なお、送信済みの第１学習用データ４１については、圧縮や所定期間経過後の削除等の処理が適宜なされてもよい。
【0110】
第１学習用データ取得処理に戻り、学習用データ取得処理部２２は、ステップＳ２３１で第１学習用データ要求信号を送信した後、ステップＳ２３２にて、送信済信号が入力されたかを判定する。ステップＳ２３２にてＹＥＳと判定された場合、新たな第１学習用データ４１が存在しないことになるため、リターンする。
【0111】
ステップＳ２３２にてＮＯと判定された場合、研究サイト側データ管理装置２２０から第１学習用データ４１を受信した後、ステップＳ２３３にて、学習用データ取得処理部２２が、受信した第１学習用データ４１を記憶部３に記憶する。本実施の形態では、送信済みの第１学習用データ４１の送受信のみが行われるため、ステップＳ２３３では、受信した第１学習用データ４１を、記憶部３に記憶された第１学習用データ４１に統合して第１学習用データ４１の更新が行われる。なお、ステップＳ２３３では、機械学習に必要なデータのみを抽出する処理等を適宜おこなってもよい。その後、リターンする。
【0112】
（組織データ抽出処理）
図１２に示すように、ステップＳ２１７，Ｓ２１８の組織データ抽出処理では、まず、ステップＳ２３４にて、ＳＰＭ画像データ６５における各樹脂とフィラー各々の領域を決定する。具体的には、ＳＰＭ画像データ６５における弾性率等の頻度をグラフ化し、ピークとなる弾性率等を抽出すると共に、隣り合うピークの中間位置（あるいは頻度が最も低くなる位置）を境界として、各樹脂とフィラーの各々に相当する弾性率等の範囲を決定する（図２参照）。
図１２に示すように、ステップＳ２１７，Ｓ２１８の組織データ抽出処理では、まず、ステップＳ２３４にて、ＳＰＭ画像データ６５における各樹脂とフィラー各々の領域を決定する。具体的には、ＳＰＭ画像データ６５における弾性率等の頻度をグラフ化し、ピークとなる弾性率等を抽出すると共に、隣り合うピークの中間位置（あるいは頻度が最も低くなる位置）を境界として、各樹脂とフィラーの各々に相当する弾性率等の範囲を決定する（図２参照）。
【0113】
その後、ステップＳ２３５にて、各樹脂とフィラーのそれぞれの領域の面積を抽出し、ステップＳ２３６にて、ＳＰＭ画像データ６５の全領域の面積に対する、各樹脂またはフィラーの領域の面積の比である面積比を演算する。その後、ステップＳ２３７にて、ステップＳ２３６で求めた面積比を面積比データとして記憶部３に記憶する。
【0114】
その後、ステップＳ２３８にて、各樹脂とフィラー各々について、区間分割法により凝集度を求め（図３参照）、求めた凝集度を分散度データとして記憶部３に記憶する。その後、リターンする。なお、図示していないが、組織データ抽出処理と併せて、樹脂やフィラーの各粒子のアスペクト比等の形状データの抽出を行ってもよい。
【0115】
（第１回帰モデル作成処理）
図１３に示すように、ステップＳ２０６の第１回帰モデル作成処理では、まず、ステップＳ２４１にて、プロセス推定装置１の第１回帰モデル作成処理部２４が、記憶部３に未学習の第１学習用データ４１が存在するかを判定する。換言すれば、ステップＳ２４１では、第１学習用データ４１が更新されているかを判定する。ステップＳ２４１にてＮＯと判定された場合、リターンする。ステップＳ２４１にてＹＥＳと判定された場合、ステップＳ２４２にて、第１回帰モデル作成処理部２４が、未学習の第１学習用データ４１を機械学習に用いて、第１回帰モデル４３の更新を行う。なお、ステップＳ２４２では、第１回帰モデル４３が未作成である場合には、第１回帰モデル４３が新たに作成される。その後、ステップＳ２４３にて、更新（あるいは作成）した第１回帰モデル４３を記憶部３に記憶し、リターンする。
図１３に示すように、ステップＳ２０６の第１回帰モデル作成処理では、まず、ステップＳ２４１にて、プロセス推定装置１の第１回帰モデル作成処理部２４が、記憶部３に未学習の第１学習用データ４１が存在するかを判定する。換言すれば、ステップＳ２４１では、第１学習用データ４１が更新されているかを判定する。ステップＳ２４１にてＮＯと判定された場合、リターンする。ステップＳ２４１にてＹＥＳと判定された場合、ステップＳ２４２にて、第１回帰モデル作成処理部２４が、未学習の第１学習用データ４１を機械学習に用いて、第１回帰モデル４３の更新を行う。なお、ステップＳ２４２では、第１回帰モデル４３が未作成である場合には、第１回帰モデル４３が新たに作成される。その後、ステップＳ２４３にて、更新（あるいは作成）した第１回帰モデル４３を記憶部３に記憶し、リターンする。
【0116】
（第２学習用データ取得処理）
図１４に示すように、ステップＳ２０９の第２学習用データ取得処理では、まず、プロセス推定装置１の学習用データ取得処理部２２が、量産サイト側データ管理装置３２０に、第２学習用データ４２を要求する第２学習用データ要求信号を送信する（ステップＳ２５１）。
図１４に示すように、ステップＳ２０９の第２学習用データ取得処理では、まず、プロセス推定装置１の学習用データ取得処理部２２が、量産サイト側データ管理装置３２０に、第２学習用データ４２を要求する第２学習用データ要求信号を送信する（ステップＳ２５１）。
【0117】
量産サイト側データ管理装置３２０では、第２学習用データ取得処理と並行して、ステップＳ３０２の第２学習用データ送信処理が行われている。この第２学習用データ送信処理において、量産サイト側データ管理装置３２０は、まず、ステップＳ３５１にて、プロセス推定装置１から第２学習用データ要求信号が入力されたかを判定する。ステップＳ３５１でＮＯと判定された場合、リターンする。ステップＳ３５１でＹＥＳと判定された場合、ステップＳ３５２にて、記憶部３２２に、未送信の第２学習用データ４２が存在するかを判定する。なお、上記の第１学習用データ４１と同様に、第２学習用データ４２が未送信であるか送信済みであるかの識別は、例えば、データベース上に識別子を付したり、あるいは、送信済みと未送信とでデータベースを分割しておき、未送信の第２学習用データ４２を送信した際に、送信した第２学習用データ４２を送信済みのデータベースに統合したりするなど、種々の方法で識別することができる。
【0118】
ステップＳ３５２にてＮＯと判定された場合、ステップＳ３５３にてプロセス推定装置１に送信済信号を送信した後、リターンする。ステップＳ３５２にてＹＥＳと判定された場合、ステップＳ３５４にて、未送信の第２学習用データ４２（第２プロセスデータ６４及び組織データ６２）をプロセス推定装置１に送信する。その後、ステップＳ３５５にて、量産サイト側データ管理装置３２０は、送信した第２学習用データ４２を送信済みとした後、リターンする。なお、送信済みの第２学習用データ４２については、圧縮や所定期間経過後の削除等の処理が適宜なされてもよい。
【0119】
第２学習用データ取得処理に戻り、学習用データ取得処理部２２は、ステップＳ２５１で第２学習用データ要求信号を送信した後、ステップＳ２５２にて、送信済信号が入力されたかを判定する。ステップＳ２５２にてＹＥＳと判定された場合、新たな第２学習用データ４２が存在しないことになるため、リターンする。
【0120】
ステップＳ２５２にてＮＯと判定された場合、量産サイト側データ管理装置３２０から第２学習用データ４２を受信した後、ステップＳ２５３にて、学習用データ取得処理部２２が、受信した第２学習用データ４２を記憶部３に記憶する。本実施の形態では、送信済みの第２学習用データ４２の送受信のみが行われるため、ステップＳ２５３では、受信した第２学習用データ４２を、記憶部３に記憶された第２学習用データ４２に統合して第２学習用データ４２の更新が行われる。なお、ステップＳ２５３では、機械学習に必要なデータのみを抽出する処理等を適宜おこなってもよい。その後、リターンする。
【0121】
（第２回帰モデル作成処理）
図１５に示すように、ステップＳ２１０の第２回帰モデル作成処理では、まず、ステップＳ２６１にて、プロセス推定装置１の第２回帰モデル作成処理部２５が、記憶部３に未学習の第２学習用データ４２が存在するかを判定する。換言すれば、ステップＳ２６１では、第２学習用データ４２が更新されているかを判定する。ステップＳ２６１にてＮＯと判定された場合、リターンする。ステップＳ２６１にてＹＥＳと判定された場合、ステップＳ２６２にて、第２回帰モデル作成処理部２５が、未学習の第２学習用データ４２を機械学習に用いて、第２回帰モデル４４の更新を行う。なお、ステップＳ２６２では、第２回帰モデル４４が未作成である場合には、第２回帰モデル４４が新たに作成される。その後、ステップＳ２６３にて、更新（あるいは作成）した第２回帰モデル４４を記憶部３に記憶し、リターンする。
図１５に示すように、ステップＳ２１０の第２回帰モデル作成処理では、まず、ステップＳ２６１にて、プロセス推定装置１の第２回帰モデル作成処理部２５が、記憶部３に未学習の第２学習用データ４２が存在するかを判定する。換言すれば、ステップＳ２６１では、第２学習用データ４２が更新されているかを判定する。ステップＳ２６１にてＮＯと判定された場合、リターンする。ステップＳ２６１にてＹＥＳと判定された場合、ステップＳ２６２にて、第２回帰モデル作成処理部２５が、未学習の第２学習用データ４２を機械学習に用いて、第２回帰モデル４４の更新を行う。なお、ステップＳ２６２では、第２回帰モデル４４が未作成である場合には、第２回帰モデル４４が新たに作成される。その後、ステップＳ２６３にて、更新（あるいは作成）した第２回帰モデル４４を記憶部３に記憶し、リターンする。
【0122】
（推定元第１プロセスデータ取得処理）
図１６に示すように、ステップＳ２１４の推定元第１プロセスデータ取得処理では、まず、プロセス推定装置１の推定元第１プロセスデータ取得処理部２７が、研究サイト側データ管理装置２２０に、推定元第１プロセスデータ６１ａを要求する推定元第１プロセスデータ要求信号を送信する（ステップＳ２７１）。
図１６に示すように、ステップＳ２１４の推定元第１プロセスデータ取得処理では、まず、プロセス推定装置１の推定元第１プロセスデータ取得処理部２７が、研究サイト側データ管理装置２２０に、推定元第１プロセスデータ６１ａを要求する推定元第１プロセスデータ要求信号を送信する（ステップＳ２７１）。
【0123】
研究サイト側データ管理装置２２０では、推定元第１プロセスデータ取得処理と並行して、ステップＳ１０４の推定元第１プロセスデータ送信処理が行われている。この推定元第１プロセスデータ送信処理において、研究サイト側データ管理装置２２０は、まず、ステップＳ１７１にて、プロセス推定装置１から推定元第１プロセスデータ要求信号が入力されたかを判定する。ステップＳ１７１でＮＯと判定された場合、リターンする。ステップＳ１７１でＹＥＳと判定された場合、ステップＳ１７２にて、研究サイト側データ管理装置２２０は、記憶部２２２に記憶された推定元第１プロセスデータ６１ａを、プロセス推定装置１に送信する。
【0124】
推定元第１プロセスデータ取得処理に戻り、推定元第１プロセスデータ取得処理部２７は、ステップＳ２７３にて、研究サイト側データ管理装置２２０から推定元第１プロセスデータ６１ａを受信し、受信した推定元第１プロセスデータ６１ａを記憶部３に記憶する。その後、リターンする。
【0125】
（プロセス推定処理）
図１７に示すように、ステップＳ２１５のプロセス推定処理では、まず、ステップＳ２８１にて、プロセス推定処理部２８が、第３回帰モデル４５により、推定元第１プロセスデータ６１ａに対応する第２プロセスデータ６４を推定し、推定第２プロセスデータ６４ａとする。その後、ステップＳ２８２にて、得られた推定第２プロセスデータ６４ａを記憶部３に記憶する。その後、リターンする。
図１７に示すように、ステップＳ２１５のプロセス推定処理では、まず、ステップＳ２８１にて、プロセス推定処理部２８が、第３回帰モデル４５により、推定元第１プロセスデータ６１ａに対応する第２プロセスデータ６４を推定し、推定第２プロセスデータ６４ａとする。その後、ステップＳ２８２にて、得られた推定第２プロセスデータ６４ａを記憶部３に記憶する。その後、リターンする。
【0126】
（推定第２プロセスデータ送信処理）
図１８に示すように、ステップＳ２１６の推定第２プロセスデータ送信処理では、まず、ステップＳ２９１にて、推定第２プロセスデータ送信処理部２９が、量産サイト側データ管理装置３２０に推定第２プロセスデータ６４ａを送信する。
図１８に示すように、ステップＳ２１６の推定第２プロセスデータ送信処理では、まず、ステップＳ２９１にて、推定第２プロセスデータ送信処理部２９が、量産サイト側データ管理装置３２０に推定第２プロセスデータ６４ａを送信する。
【0127】
量産サイト側データ管理装置３２０では、推定第２プロセスデータ送信処理と並行して、推定第２プロセスデータ受信処理が行われている。この推定第２プロセスデータ受信処理において、量産サイト側データ管理装置３２０は、ステップＳ３９１にて、プロセス推定装置１から送信された推定第２プロセスデータ６４ａを受信し、受信した推定第２プロセスデータ６４ａを記憶部３２２に記憶する。その後、リターンする。
【0128】
図示していないが、この推定第２プロセスデータ送信処理の後、量産サイト側データ管理装置３２０は、第２製造装置用制御装置３３０に推定第２プロセスデータ６４ａを送信する。第２製造装置用制御装置３３０は、第２製造装置３１０に対して、受信した推定第２プロセスデータ６４ａに応じた製造指示を行うことで、製造指示に応じた材料の製造が行われることになる。
【0129】
（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方法では、第１プロセスデータ６１と組織データ６２と特性データ６３との関係を機械学習し、第１プロセスデータ６１と組織データ６２と特性データ６３との相関性を表す第１回帰モデル４３を作成すると共に、第２プロセスデータ６４と組織データ６２と特性データ６３との関係を機械学習し、第２プロセスデータ６４と組織データ６２と特性データ６３との相関性を表す第２回帰モデル４４を作成し、第１回帰モデル４３と第２回帰モデル４４とを基に、第１プロセスデータ６１と第２プロセスデータ６４の相関性を表す第３回帰モデル４５を作成し、第３回帰モデル４５を用いて、任意の推定元の第１プロセスデータ６１（推定元第１プロセスデータ６１ａ）に応じた第２プロセスデータ６４（推定第２プロセスデータ６４ａ）を推定している。
以上説明したように、本実施の形態に係るプロセス推定方法では、第１プロセスデータ６１と組織データ６２と特性データ６３との関係を機械学習し、第１プロセスデータ６１と組織データ６２と特性データ６３との相関性を表す第１回帰モデル４３を作成すると共に、第２プロセスデータ６４と組織データ６２と特性データ６３との関係を機械学習し、第２プロセスデータ６４と組織データ６２と特性データ６３との相関性を表す第２回帰モデル４４を作成し、第１回帰モデル４３と第２回帰モデル４４とを基に、第１プロセスデータ６１と第２プロセスデータ６４の相関性を表す第３回帰モデル４５を作成し、第３回帰モデル４５を用いて、任意の推定元の第１プロセスデータ６１（推定元第１プロセスデータ６１ａ）に応じた第２プロセスデータ６４（推定第２プロセスデータ６４ａ）を推定している。
【0130】
これにより、例えば、研究開発用の小規模な製造装置を用いて開発した材料を、量産用の大規模な製造装置で再現性よく製造することが可能になり、製造試験の回数を低減して、コストを大幅に低減し、量産化までの期間を大幅に圧縮することが可能になる。つまり、本実施の形態によれば、異なる製造装置であっても再現性よく材料を製造可能なプロセス推定方法を実現できる。また、本実施の形態に係るプロセス推定方法では、組織データ６２と特性データ６３とを仲介として、第１プロセスデータ６１と第２プロセスデータ６４との相関性（第３回帰モデル４５）を求めている。複数の樹脂を混練、成形して製造される電線の被覆材等の複合材料においては、組織データ６２のみ、あるいは特性データ６３のみでは、プロセスデータとの間に十分な相関がとれない場合がある。本実施の形態のように、組織データ６２と特性データ６３の両方を考慮することによって、複合材料に適用しても精度よくプロセスの推定を行うことが可能になる。
【0131】
また、従来、複合材料を構成する各樹脂やフィラーがどのように分布しているかを知ることは困難であったが、ＳＰＭ２４１，３４１を用いることで、複合材料を構成する各樹脂やフィラーがどのように分布しているかを分析することが可能になった。そして、ＳＰＭ２４１、３４１を用いて得られた各樹脂の面積比データ及び分散度データを組織データ６２として用いることで、複合材料における樹脂の混ざり具合等の影響を考慮して、適切な混練条件等のプロセス条件を推定することが可能になる。
【0132】
（変形例１）
本実施の形態では、第１及び第２製造装置２１０，３１０が、所定の対象工程（ここでは混練工程）を含む複数の工程を経て材料を製造する装置である場合を説明したが、これに限らず、第１及び第２製造装置２１０，３１０は、１つ以上の工程を経て材料を製造する装置であればよい。
本実施の形態では、第１及び第２製造装置２１０，３１０が、所定の対象工程（ここでは混練工程）を含む複数の工程を経て材料を製造する装置である場合を説明したが、これに限らず、第１及び第２製造装置２１０，３１０は、１つ以上の工程を経て材料を製造する装置であればよい。
【0133】
また、上記実施の形態では、プロセス推定装置１が研究サイト２００や量産サイト３００に属していない場合について説明したが、プロセス推定装置１は、研究サイト２００または量産サイト３００に属していてもよい。また、例えばプロセス推定装置１が研究サイト２００に属している場合、研究サイト側データ管理装置２２０とプロセス推定装置１とが一体に構成されていてもよい。さらに、研究サイト側データ管理装置２２０が研究サイト２００に属していなくともよく、量産サイト側データ管理装置３２０が量産サイト３００に属していなくともよい。この場合、例えば、研究サイト側データ管理装置２２０と量産サイト側データ管理装置３２０とが同じサーバにより実現されていてもよい。また、両データ管理装置２２０，３２０とプロセス推定装置１とが同じサーバにより構成されていてもよい。
【0134】
また、上記実施の形態では、研究サイト２００と量産サイト３００とで、別個に分析エリア２４０，３４０が設けられている場合について説明したが、両サイト２００，３００で共通の分析エリア２４０，３４０を用いるようにしてもよい。また、両サイト２００，３００で別個の分析エリア２４０，３４０を有する場合において、分析エリア２４０，３４０間で同一の装置が含まれていてもよい。つまり、１つの装置を２つの分析エリア２４０，３４０で共用してもよい。
【0135】
（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。
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。
【0136】
［１］所定の対象工程を含む少なくとも１つ以上の工程を経て材料を製造する第１製造装置（２１０）における前記対象工程でのプロセス情報を含む第１プロセスデータ（６１）を基に、前記第１製造装置（２１０）とは異なる装置であり、かつ前記対象工程を含む少なくとも１つ以上の工程を経て材料を製造する第２製造装置（３１０）における前記対象工程でのプロセス情報を含む第２プロセスデータ（６４）を推定するプロセス推定方法であって、前記第１プロセスデータ（６１）と、前記第１製造装置（２１０）における前記対象工程後のサンプルから得られる組織データ（６２）と、前記第１製造装置（２１０）により製造した材料の特性データ（６３）との関係を機械学習し、前記第１プロセスデータ（６１）と、当該第１プロセスデータ（６１）に対応する組織データ（６２）及び特性データ（６３）との相関性を表す第１回帰モデル（４３）を作成すると共に、前記第２プロセスデータ（６４）と、前記第２製造装置（３１０）における前記対象工程後のサンプルから得られる組織データ（６２）と、前記第２製造装置（３１０）により製造した材料の特性データ（６３）との関係を機械学習し、前記第２プロセスデータ（６４）と、当該第２プロセスデータ（６４）に対応する組織データ（６２）と特性データ（６３）との相関性を表す第２回帰モデル（４４）を作成し、前記第１回帰モデル（４３）と前記第２回帰モデル（４４）とを基に、前記第１プロセスデータ（６１）と前記第２プロセスデータ（６４）との相関性を表す第３回帰モデル（４５）を作成し、前記第３回帰モデル（４５）を用いて、任意の推定元の前記第１プロセスデータ（６１）である推定元第１プロセスデータ（６１ａ）に応じた前記第２プロセスデータ（６４）である推定第２プロセスデータ（６４ａ）を推定する、プロセス推定方法。
【0137】
［２］前記第１回帰モデル（４３）は、前記第１プロセスデータ（６１）と、前記第１製造装置（２１０）における前記対象工程後のサンプルから得られる組織データ（６２）と、前記第１製造装置（２１０）により製造した材料の特性データ（６３）とに加えて、材料の組成情報を含む組成データ（６７）との関係を機械学習して作成され、前記第２回帰モデル（４４）は、前記第２プロセスデータ（６４）と、前記第２製造装置（３１０）における前記対象工程後のサンプルから得られる組織データと、前記第２製造装置（３１０）により製造した材料の特性データ（６３）とに加えて、材料の組成情報を含む組成データ（６７）との関係を機械学習して作成される、［１］に記載のプロセス推定方法。
【0138】
［３］前記材料が、複数の樹脂を混練した後に成形して製造される複合材料であり、前記第１製造装置（２１０）または前記第２製造装置（３１０）における前記対象工程後のサンプルから得られる組織データ（６２）は、前記複合材料の組織構造を表すデータであって、少なくとも前記複数の樹脂それぞれの面積比を示す面積比データ、及び前記複数の樹脂それぞれの分散度合を示す分散度データを含む、［１］または［２］に記載のプロセス推定方法。
【0139】
［４］前記面積比データ及び前記分散度データは、走査型プローブ顕微鏡（２４１，３４１）により得た弾性率の分布画像、あるいは凝着力の分布画像に基づいて求められる、［３］に記載のプロセス推定方法。
【0140】
［５］前記複合材料は、電線の被覆材である、［３］または［４］に記載のプロセス推定方法。
【0141】
［６］前記第１製造装置（２１０）が研究設備であり、かつ、前記第２製造装置（３１０）が量産設備であり、前記研究設備で製造した材料を前記量産設備で再現すべく、前記第３回帰モデル（４５）を用いて、前記研究設備で再現対象となる材料を製造した際の前記第１プロセスデータ（６１）から、前記量産設備で再現対象となる材料を製造するための前記第２プロセスデータ（６４）を推定する、［１］乃至［５］のいずれかに記載のプロセス推定方法。
【0142】
［７］前記第１製造装置（２１０）が量産設備であり、かつ、前記第２製造装置（３１０）が研究設備であり、
前記第３回帰モデル（４５）を用いて、前記量産設備で量産可能な条件を表す前記第１プロセスデータ（６１）から、これに対応した前記研究設備での実験条件となる前記第２プロセスデータ（６４）を推定する、［１］乃至［６］のいずれかに記載のプロセス推定方法。
前記第３回帰モデル（４５）を用いて、前記量産設備で量産可能な条件を表す前記第１プロセスデータ（６１）から、これに対応した前記研究設備での実験条件となる前記第２プロセスデータ（６４）を推定する、［１］乃至［６］のいずれかに記載のプロセス推定方法。
【0143】
［８］所定の対象工程を含む少なくとも１つ以上の工程を経て材料を製造する第１製造装置（２１０）における前記対象工程でのプロセス情報を含む第１プロセスデータ（６１）を基に、前記第１製造装置（２１０）とは異なる装置であり、かつ前記対象工程を含む少なくとも１つ以上の工程を経て材料を製造する第２製造装置（３１０）における前記対象工程でのプロセス情報を含む第２プロセスデータ（６４）を推定するプロセス推定装置であって、前記第１プロセスデータ（６１）と、前記第１製造装置（２１０）における前記対象工程後のサンプルから得られる組織データ（６２）と、前記第１製造装置（２１０）により製造した材料の特性データ（６３）との関係を機械学習し、前記第１プロセスデータ（６１）と、当該第１プロセスデータ（６１）に対応する組織データ（６２）及び特性データ（６３）との相関性を表す第１回帰モデル（４３）を作成する第１回帰モデル作成処理部（２４）と、前記第２プロセスデータ（６４）と、前記第２製造装置（３１０）における前記対象工程後のサンプルから得られる組織データ（６２）と、前記第２製造装置（３１０）により製造した材料の特性データ（６３）との関係を機械学習し、前記第２プロセスデータ（６４）と、当該第２プロセスデータ（６４）に対応する組織データ（６２）と特性データ（６３）との相関性を表す第２回帰モデル（４４）を作成する第２回帰モデル作成処理部（２５）と、前記第１回帰モデル（４３）と前記第２回帰モデル（４４）とを基に、前記第１プロセスデータ（６１）と前記第２プロセスデータ（６４）の相関性を表す第３回帰モデル（４５）を作成する第３回帰モデル作成処理部（２６）と、前記第３回帰モデル（４５）を用いて、任意の推定元の前記第１プロセスデータ（６１）である推定元第１プロセスデータ（６１ａ）に応じた前記第２プロセスデータ（６４）である推定第２プロセスデータ（６４ａ）を推定するプロセス推定処理部（２８）と、を備えた、プロセス推定装置（１）。
【0144】
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】
【0145】
２８…プロセス推定処理部
２００…研究サイト
２１０…第１製造装置
２２０…研究サイト側データ管理装置
２３０…第１製造装置用制御装置
３００…量産サイト
３１０…第２製造装置
４１…第１学習用データ
４２…第２学習用データ
４３…第１回帰モデル
４４…第２回帰モデル
４５…第３回帰モデル
６１…第１プロセスデータ
６１ａ…推定元第１プロセスデータ
６２…組織データ
６３…特性データ
６４…第２プロセスデータ
６４ａ…推定第２プロセスデータ
２００…研究サイト
２１０…第１製造装置
２２０…研究サイト側データ管理装置
２３０…第１製造装置用制御装置
３００…量産サイト
３１０…第２製造装置
４１…第１学習用データ
４２…第２学習用データ
４３…第１回帰モデル
４４…第２回帰モデル
４５…第３回帰モデル
６１…第１プロセスデータ
６１ａ…推定元第１プロセスデータ
６２…組織データ
６３…特性データ
６４…第２プロセスデータ
６４ａ…推定第２プロセスデータ
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】