特許 7099296 評価方法、システム構築方法、及び評価システム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2022-07-04

(45)【発行日】2022-07-12

(54)【発明の名称】評価方法、システム構築方法、及び評価システム

(51)【国際特許分類】

   G06N 3/04 20060101AFI20220705BHJP

   G08B 31/00 20060101ALI20220705BHJP

【ＦＩ】

G06N3/04

G08B31/00 A

【請求項の数】 7

(21)【出願番号】P 2018234398

(22)【出願日】2018-12-14

(65)【公開番号】P2020095585

(43)【公開日】2020-06-18

【審査請求日】2021-05-14

(73)【特許権者】

【識別番号】000005083

【氏名又は名称】日立金属株式会社

(74)【代理人】

【識別番号】110000578

【氏名又は名称】名古屋国際特許業務法人

(72)【発明者】

【氏名】加賀 雅文

(72)【発明者】

【氏名】渡邉 弘樹

【審査官】金田 孝之

(56)【参考文献】

【文献】国際公開第２０１６／１３２４６８（ＷＯ，Ａ１）

【文献】特開２０１９－１３９２７７（ＪＰ，Ａ）

【文献】特開２００１－１４２８６８（ＪＰ，Ａ）

【文献】特開２０１１－０３３６２７（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ ３／０２－ ３／１０

Ｇ０８Ｂ ３１／００

Ｇ０６Ｎ ２０／００－２０／２０

(57)【特許請求の範囲】

【請求項1】

第一パラメータに関する第一標本データと、第二パラメータに関する第二標本データとに基づき、前記第一パラメータの入力値から前記第二パラメータの推定値を出力する推定モデルを構築することと、
前記第一標本データに基づき、前記第一パラメータに関する復元型ニューラルネットワークであって、前記第一パラメータの入力値を前記入力値の次元より低い次元の値に変換した後、元の次元の入力値に復元して出力する復元型ニューラルネットワークを構築することと、
推定対象データが示す前記第一パラメータの値を、前記推定モデルに入力して、前記第二パラメータの第一推定値を、前記推定モデルから取得することと、
前記推定対象データが示す前記第一パラメータの値を、前記復元型ニューラルネットワークを介して前記推定モデルに入力して、前記第二パラメータの第二推定値を、前記推定モデルから取得することと、
前記推定モデルによる推定の確からしさに関する評価値として、前記第一推定値と前記第二推定値との間の距離に関する評価値を計算することと、
を備える評価方法。

【請求項2】

前記復元型ニューラルネットワークは、入力層よりも少ないノード数の一つ以上の中間層を前記入力層と出力層との間に有し、前記一つ以上の中間層により、前記第一パラメータの入力値を前記入力値の次元より低い次元の値に変換した後、元の次元の入力値に復元して出力するニューラルネットワークである請求項１記載の評価方法。

【請求項3】

前記第一推定値及び第二推定値は、多次元値であり、
前記評価値を計算することは、前記評価値として、前記第一推定値と前記第二推定値との多次元空間上の距離を算出することである請求項１又は請求項２記載の評価方法。

【請求項4】

前記推定モデルを構築することは、前記第一標本データ及び前記第二標本データに基づいた回帰分析により前記推定モデルを構築することである請求項１～請求項３のいずれか一項記載の評価方法。

【請求項5】

前記第一パラメータは、物の製造過程で計測されるパラメータであり、前記第二パラメータは、製造された前記物の破壊試験により計測される前記物の特性に関するパラメータである請求項１～請求項４のいずれか一項記載の評価方法。

【請求項6】

第一パラメータに関する第一標本データと、第二パラメータに関する第二標本データとに基づき、前記第一パラメータの入力値から前記第二パラメータの推定値を出力する推定モデルを構築することと、
前記第一標本データに基づき、前記第一パラメータに関する復元型ニューラルネットワークであって、前記第一パラメータの入力値を前記入力値の次元より低い次元の値に変換した後、元の次元の入力値に復元して出力する復元型ニューラルネットワークを構築することと、
構築した前記推定モデル及び前記復元型ニューラルネットワークを用いて、前記推定モデルによる推定の確からしさを評価するための評価システムを構築することと、
を備え、
前記評価システムは、
前記推定モデルと、
前記復元型ニューラルネットワークと、
推定対象データが示す前記第一パラメータの値を、前記推定モデルに入力することにより前記推定モデルから出力される前記第二パラメータの第一推定値と、前記推定対象データが示す前記第一パラメータの値を、前記復元型ニューラルネットワークを介して前記推定モデルに入力することにより前記推定モデルから出力される前記第二パラメータの第二推定値とに基づき、前記第一推定値と前記第二推定値との間の距離に関する評価値を、前記推定モデルによる推定の確からしさに関する評価値として算出する算出器と、
を備えるシステム構築方法。

【請求項7】

第一パラメータの入力値から第二パラメータの推定値を出力する推定モデルと、
前記第一パラメータの入力値を当該入力値の次元より低い次元の値に変換した後、元の次元の入力値に復元して出力する復元型ニューラルネットワークと、
推定対象データが示す前記第一パラメータの値を、前記推定モデルに入力することにより前記推定モデルから出力される前記第二パラメータの第一推定値と、前記推定対象データが示す前記第一パラメータの値を、前記復元型ニューラルネットワークを介して前記推定モデルに入力することにより前記推定モデルから出力される前記第二パラメータの第二推定値とに基づき、前記第一推定値と前記第二推定値との間の距離に関する評価値を、前記推定モデルによる推定の確からしさに関する評価値として算出する算出器と、
を備える評価システム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、評価方法、システム構築方法、及び評価システムに関する。

【背景技術】

【0002】

識別型ニューラルネットワークを用いた故障診断方法が既に知られている（例えば、特許文献１参照）。識別型ニューラルネットワークは、予め用意された標本データに基づき、入力データと異常との対応関係を学習する。学習後の識別型ニューラルネットワークは、入力データに基づき、異常の有無を表すデータを出力する。識別型ニューラルネットワークは、回帰解析を含む。

【0003】

識別型ニューラルネットワークへの入力データを、復元型ニューラルネットワークにも入力し、復元型ニューラルネットワークからの出力データに基づき、識別型ニューラルネットワークが取り扱うデータを評価する技術も知られている。

【0004】

この技術によれば、復元型ニューラルネットワークからの出力データが復元型ニューラルネットワークへの入力データとは大きく異なる場合に、識別型ニューラルネットワークが取り扱うデータが学習範囲外にあると判定される。

【先行技術文献】

【特許文献】

【0005】

【文献】国際公開第２０１６／１３２４６８号

【発明の概要】

【発明が解決しようとする課題】

【0006】

上述した従来技術によれば、識別型ニューラルネットワークが取り扱うデータが学習範囲外にあるか否かを判定するだけであるため、その判定結果からは、識別型ニューラルネットワークの出力データの確からしさの程度を知ることができない。

【0007】

そこで、本開示の一側面によれば、推定モデルにおける推定の確からしさの程度を評価可能な技術を提供できることが望ましい。

【課題を解決するための手段】

【0008】

本開示の一側面によれば、評価方法が提供される。評価方法は、推定モデルを構築することと、復元型ニューラルネットワークを構築することと、を備える。
推定モデルは、第一パラメータの入力値から第二パラメータの推定値を出力する推定モデルであり得る。推定モデルは、第一パラメータに関する第一標本データと、第二パラメータに関する第二標本データとに基づき、構築され得る。

【0009】

復元型ニューラルネットワークは、第一パラメータに関する復元型ニューラルネットワークである。復元型ニューラルネットワークは、第一パラメータの入力値を入力値の次元より低い次元の値に変換した後、元の次元の入力値に復元して出力する復元型ニューラルネットワークであり得る。復元型ニューラルネットワークは、第一標本データに基づき、構築され得る。

【0010】

評価方法は、更に、推定対象データが示す第一パラメータの値を、推定モデルに入力して、第二パラメータの第一推定値を、推定モデルから取得することを備え得る。評価方法は、更に、推定対象データが示す第一パラメータの値を、復元型ニューラルネットワークを介して推定モデルに入力して、第二パラメータの第二推定値を、推定モデルから取得することを備え得る。

【0011】

評価方法は、更に、推定モデルによる推定の確からしさに関する評価値として、第一推定値と第二推定値との間の距離に関する評価値を計算することを備え得る。
この評価方法によれば、標本データに基づいて構築される推定モデルにおける推定の確からしさの程度を評価可能である。

【0012】

本開示の別側面によれば、システム構築方法が提供されてもよい。システム構築方法は、推定モデルを構築することと、復元型ニューラルネットワークを構築することと、構築した推定モデル及び復元型ニューラルネットワークを用いて、推定モデルによる推定の確からしさを評価するための評価システムを生成することと、を備え得る。

【0013】

評価システムは、推定モデルと、復元型ニューラルネットワークと、算出器と、を備え得る。算出器は、推定対象データが示す第一パラメータの値を、推定モデルに入力することにより推定モデルから出力される第二パラメータの第一推定値と、推定対象データが示す第一パラメータの値を、復元型ニューラルネットワークを介して推定モデルに入力することにより推定モデルから出力される第二パラメータの第二推定値とに基づき、第一推定値と第二推定値との間の距離に関する評価値を、推定の確からしさに関する評価値として算出するように構成され得る。

【0014】

このシステム構築方法によれば、標本データに基づいて構築される推定モデルにおける推定の確からしさの程度を評価可能なシステムを生成することができる。
本開示の別側面によれば、評価システムが提供されてもよい。評価システムは、推定モデルと、復元型ニューラルネットワークと、算出器と、を備え得る。この評価システムによれば、推定モデルにおける推定の確からしさの程度を評価可能である。

【図面の簡単な説明】

【0015】

【図1】情報処理装置の使用構成を表すブロック図である。

【図2】情報処理装置内で実現される評価システムの構成を表すブロック図である。

【図3】復元型ニューラルネットワークの構成を表す図である。

【図4】プロセッサが実行する構築処理を表すフローチャートである。

【図5】標本データに関する説明図である。

【図6】プロセッサが実行する評価処理を表すフローチャートである。

【図7】評価システムへの入力データに関するグラフである。

【図8】復元された入力データに関するグラフである。

【図9】推定モデル及び誤差算出器からの出力に関するグラフである。

【図10】推定値と実測値との対応関係を示すグラフである。

【発明を実施するための形態】

【0016】

以下に本開示の例示的実施形態を、図面を参照しながら説明する。
図１に示す本実施形態の情報処理装置１０は、物Ｐの製造過程で計測器群１００から入力される第一パラメータの計測値から、製造後の物Ｐの特性に関する第二パラメータの推定値Ｙ（ｔ）を算出するように構成される。

【0017】

更に、この情報処理装置１０は、推定誤差に関する評価値Ｅ（ｔ）を算出するように構成される。情報処理装置１０によって算出される第二パラメータの推定値Ｙ（ｔ）及び評価値Ｅ（ｔ）は、表示デバイス５０に入力され、ユーザに対して視認可能に表示される。

【0018】

第一パラメータは、多次元パラメータである。換言すれば、第一パラメータは、複数の要素で表されるベクトル又は配列として定義される。
特に、本実施形態における第一パラメータは、物Ｐの特性及び品質に影響を与える製造条件に関するパラメータを要素に含む。製造条件に関するパラメータの例には、製造時の温度、電圧、電流、及び加速度の他、物Ｐの撮影画像、外形、重量、及び静電容量が含まれる。しかしながら、第一パラメータは、この例に限定されない。

【0019】

第二パラメータは、計測に物Ｐの破壊が必要なパラメータを要素に含む一次元以上のパラメータである。第二パラメータの例には、引張試験で得られる機械的強度、物Ｐの内部構造の寸法、及び物Ｐにおける特定物質の含有率が含まれる。しかしながら、第二パラメータは、この例に限定されない。第二パラメータは、スカラーであってもよいし、複数の要素で表されるベクトル又は配列であってもよい。

【0020】

情報処理装置１０は、プロセッサ１１、メモリ１３、及びストレージデバイス１５を備える。情報処理装置１０における様々な機能は、プロセッサ１１が、ストレージデバイス１５に記憶されたコンピュータプログラムに従う処理を実行することにより実現される。

【0021】

例えば、プロセッサ１１がコンピュータプログラムに従う処理を実行することにより、情報処理装置１０上で、図２に示す推定値Ｙ（ｔ）及び評価値Ｅ（ｔ）の算出に係る評価システム２０が実現される。

【0022】

図２に示すように評価システム２０は、推定モデル２１，２５と、復元型ニューラルネットワーク２３と、誤差算出器２７と、を備える。この評価システム２０では、計測器群１００からの第一パラメータの計測値Ｘ（ｔ）が推定モデル２１に入力される。推定モデル２１からは、第一パラメータの計測値Ｘ（ｔ）に対応する第二パラメータの推定値Ｙ（ｔ）が出力される。この推定値Ｙは、表示デバイス５０に入力される。

【0023】

推定モデル２１は、例えば、第一パラメータ及び第二パラメータの標本データに基づいた重回帰分析により、第一パラメータを入力変数として有し、第二パラメータを出力変数として有する関数（換言すれば回帰式）として構成される。

【0024】

計測器群１００からの第一パラメータの計測値Ｘ（ｔ）は更に、復元型ニューラルネットワーク２３に入力される。復元型ニューラルネットワーク２３は、推定モデル２１の構築に用いられた第一パラメータの標本データと同じ標本データを用いて学習された復元型ニューラルネットワークである。

【0025】

復元型ニューラルネットワーク２３は、オートエンコーダとして構成される。即ち、復元型ニューラルネットワーク２３は、入力値としての第一パラメータの計測値Ｘ（ｔ）を、この計測値Ｘ（ｔ）の次元より低い次元の値に変換した後、元の次元の計測値に復元して出力するように構成される。このように復元型ニューラルネットワーク２３は、入力される第一パラメータの計測値Ｘ（ｔ）を、次元削減により圧縮した後、復元して出力する。

【0026】

以下では、復元型ニューラルネットワーク２３に入力される第一パラメータの計測値Ｘ（ｔ）に対して、復元型ニューラルネットワーク２３から出力される第一パラメータの計測値のことを計測値Ｘ^*（ｔ）と表現する。

【0027】

復元型ニューラルネットワーク２３は、図３に示すように、第一パラメータの次元数に対応するノード数の入力層２３Ａと出力層２３Ｅとの間に、ノード数が入力層２３Ａ及び出力層２３Ｅよりも少ない中間層を少なくとも一つ含む、一つ以上の中間層２３Ｂ，２３Ｃ，２３Ｄを備える。

【0028】

ノードのそれぞれは、図３において白丸で表現される。図３に例示される復元型ニューラルネットワーク２３は、入力層２３Ａと、出力層２３Ｅとの間に、第一の中間層２３Ｂ、第二の中間層２３Ｃ、及び第三の中間層２３Ｄを備える。但し、例示される復元型ニューラルネットワーク２３は、説明を簡単にするために選ばれた例であり、復元型ニューラルネットワーク２３がこの例に限定されるものではないことは、言うまでもない。

【0029】

図３に示される復元型ニューラルネットワーク２３によれば、第一パラメータの５次元の入力値は、第一の中間層２３Ｂにおいて３次元の値に変換され、更に、第二の中間層２３Ｃにおいて２次元の値に変換される。その後、第二の中間層２３Ｃからの２次元の値は、第三の中間層２３Ｄにおいて３次元の値に変換され、出力層２３Ｅにおいて５次元の値に復元される。

【0030】

復元型ニューラルネットワーク２３からの出力値の入力値に対する再現性は、復元型ニューラルネットワーク２３の学習に用いられた標本データに依存する。即ち、復元型ニューラルネットワーク２３からの出力値の入力値に対する再現性は、標本データに対する入力値の類似性が高いほど高く、類似性が低いほど低いという特徴を示す。

【0031】

復元型ニューラルネットワーク２３は、上述したとおり、推定モデル２１の構築に用いられた第一パラメータの標本データと同じ標本データを用いて学習される。このため、復元型ニューラルネットワーク２３からは、計測器群１００から入力される第一パラメータの計測値Ｘ（ｔ）と、推定モデル２１の構築時に用いられた標本データとの差が大きいほど、入力値Ｘ（ｔ）に対して誤差の大きい出力値Ｘ^*（ｔ）が出力される。

【0032】

この復元型ニューラルネットワーク２３から出力される復元された第一パラメータの計測値Ｘ^*（ｔ）は、推定モデル２５に入力される。推定モデル２５は、上述した推定モデル２１と同一の推定モデルである。推定モデル２５からは、復元された第一パラメータの計測値Ｘ^*（ｔ）に対応する第二パラメータの推定値Ｙ^*（ｔ）が出力される。

【0033】

推定モデル２５から出力される第二パラメータの推定値Ｙ^*（ｔ）は、推定モデル２１から出力される第二パラメータの推定値Ｙ（ｔ）と共に、誤差算出器２７に入力される。以下では、推定モデル２１から出力される第二パラメータの推定値Ｙ（ｔ）のことを、第一推定値Ｙ（ｔ）とも表現し、推定モデル２５から出力される第二パラメータの推定値Ｙ^*（ｔ）のことを、第二推定値Ｙ^*（ｔ）とも表現する。

【0034】

誤差算出器２７は、推定誤差に関する評価値Ｅ（ｔ）として、第一推定値Ｙ（ｔ）と第二推定値Ｙ^*（ｔ）との間の距離に関する評価値Ｅ（ｔ）を算出する。
具体的に、誤差算出器２７は、第一推定値Ｙ（ｔ）及び第二推定値Ｙ^*（ｔ）がスカラーである場合には、第一推定値Ｙ（ｔ）と第二推定値Ｙ^*（ｔ）との差の絶対値｜Ｙ（ｔ）－Ｙ^*（ｔ）｜を、評価値Ｅ（ｔ）と算出することができる。

【0035】

誤差算出器２７は、第一推定値Ｙ（ｔ）及び第二推定値Ｙ^*（ｔ）が多次元値である場合には、第一推定値Ｙ（ｔ）と第二推定値Ｙ^*（ｔ）との間の多次元空間上の距離｜｜Ｙ（ｔ）－Ｙ^*（ｔ）｜｜を、評価値Ｅ（ｔ）と算出することができる。一例によれば、距離｜｜Ｙ（ｔ）－Ｙ^*（ｔ）｜｜は、第一推定値Ｙ（ｔ）と第二推定値Ｙ^*（ｔ）との間のユークリッド距離である。

【0036】

但し、評価値Ｅ（ｔ）は、第一推定値Ｙ（ｔ）と第二推定値Ｙ^*（ｔ）との間のマハラノビス距離として算出されてもよい。更なる別例として、評価値Ｅ（ｔ）は、ＫＬダイバージェンス（カルバック・ライブラー・ダイバージェンス）として算出されてもよい。

【0037】

誤差算出器２７に算出された評価値Ｅ（ｔ）は、対応する時刻ｔの第二パラメータの第一推定値Ｙ（ｔ）と関連付けて、表示デバイス５０に入力される。復元型ニューラルネットワーク２３から出力される第二推定値Ｘ^*（ｔ）が上述した性質を有することから、この評価値Ｅ（ｔ）は、情報処理装置１０に入力される第一パラメータの計測値Ｘ（ｔ）と推定モデル２１の構築に用いられた計測値との相違の程度に応じて変化する。相違が大きいほど、評価値Ｅ（ｔ）は、大きい値を示し、大きな値は、推定値Ｙ（ｔ）の確度が低いことを示す。

【0038】

従って、ユーザは、表示デバイス５０に表示される推定値Ｙ（ｔ）及び評価値Ｅ（ｔ）に基づいて、物Ｐの品質を評価することができる。よって、本実施形態の情報処理装置１０によれば、品質管理に有意義なシステムを構築することが可能である。

【0039】

付言すると、情報処理装置１０には、標本データに基づいて推定モデル２１及び復元型ニューラルネットワーク２３を構築する機能を設けることができる。具体的に、情報処理装置１０は、ユーザからの指示に従って、図４に示す構築処理を実行することができる。

【0040】

この構築処理を開始すると、プロセッサ１１は、ストレージデバイス１５に格納された第一パラメータの標本データと第二パラメータの標本データとを読み出す（Ｓ１１０）。以下では、第一パラメータの標本データのことを第一標本データと表現し、第二パラメータの標本データのことを第二標本データと表現する。

【0041】

第一標本データは、物Ｐの製造過程で計測された第一パラメータの計測値を示す計測データの一群である。第二標本データは、第一の標本データ内の計測データの一群に関連付けられた、対応する物Ｐの破壊試験で計測された第二パラメータの計測値を示す計測データの一群である。

【0042】

ユーザは、第一標本データを計測器群１００から取得した後、対応する物Ｐに関して破壊試験を行って、図５に示すように、計測器群２００から第二標本データを取得することができる。そして、第一標本データ及び第二標本データをストレージデバイス１５に格納することができる。

【0043】

プロセッサ１１は、Ｓ１１０での処理実行後、読み出した第一標本データと第二標本データとに基づき、推定モデル２１を構築する（Ｓ１２０）。一例によれば、重回帰分析により推定モデル２１を構築する。

【0044】

重回帰分析によれば、第一パラメータの標本値を推定モデル２１の原型に代入して得られる第二パラメータの推定値と、第一パラメータの標本値に対応する第二パラメータの標本値との二乗誤差が最小となるように、推定モデル２１の原型に含まれる設計変数が計算され、推定モデル２１が構築される。ここでいう推定モデル２１の原型は、設計変数の値が定まっていない未完成の推定モデル２１に対応し、推定モデル２１は、原型に含まれる設計変数の値を確定して定義される。

【0045】

続いて、プロセッサ１１は、推定モデル２１の構築に用いた第一標本データと同じデータを用いて、復元型ニューラルネットワーク２３を構築する（Ｓ１３０）。ここでは、係数が未知の復元型ニューラルネットワーク２３の原型に、第一標本データが示す第一パラメータの標本値を入力して得られる復元型ニューラルネットワーク２３の出力と、第一パラメータの標本値との誤差を最小化するような、係数を算出して、復元型ニューラルネットワーク２３を構築することができる。

【0046】

プロセッサ１１は、その後、Ｓ１２０及びＳ１３０で構築した推定モデル２１及び復元型ニューラルネットワーク２３を用いて、図２に示す評価システム２０を構築する（Ｓ１４０）。具体的には、評価システム２０を実現するためのコンピュータプログラムにおいて参照される推定モデル２１，２５及び復元型ニューラルネットワーク２３の定義データとして、Ｓ１２０及びＳ１３０で構築した推定モデル２１及び復元型ニューラルネットワーク２３の定義データを作成してストレージデバイス１５に格納することで、評価システム２０を構成することができる。

【0047】

プロセッサ１１は、評価システム２０を実現するための処理として、図６に示す評価処理を、構築処理の実行後、ユーザからの指示に従って、繰返し実行することができる。評価処理において、プロセッサ１１は、計測器群１００から第一パラメータの計測値Ｘ（ｔ）を示す計測データを取得する（Ｓ２１０）。この計測データは、第二パラメータの推定対象データに対応する。そして、取得した計測データに基づき、第一パラメータの計測値Ｘ（ｔ）を推定モデル２１に入力して、推定モデル２１から出力される第二パラメータの推定値Ｙ（ｔ）を取得する（Ｓ２２０）。

【0048】

更に、プロセッサ１１は、第一パラメータの計測値Ｘ（ｔ）を、復元型ニューラルネットワーク２３を介して推定モデル２５に入力して、第二パラメータの推定値Ｙ^*（ｔ）を取得する（Ｓ２３０）。即ち、第一パラメータの計測値Ｘ（ｔ）の入力に応じて復元型ニューラルネットワーク２３から出力される復元された第一パラメータの計測値Ｘ^*（ｔ）を、推定モデル２５に入力して、第二パラメータの推定値Ｙ^*（ｔ）を取得する（Ｓ２３０）。

【0049】

更に、プロセッサ１１は、推定誤差に関する評価値Ｅ（ｔ）として、推定モデル２１から出力される第二パラメータの推定値Ｙ（ｔ）と、推定モデル２５から出力される第二パラメータの推定値Ｙ^*（ｔ）との間の距離を算出する（Ｓ２４０）。

【0050】

プロセッサ１１は、このようにして算出された評価値Ｅ（ｔ）を、第二パラメータの推定値Ｙ（ｔ）と共に出力する（Ｓ２５０）。プロセッサ１１は、推定値Ｙ（ｔ）及び評価値Ｅ（ｔ）を表示デバイス５０に出力し、更には、ストレージデバイス１５に出力して記録することができる。

【0051】

プロセッサ１１は、Ｓ２１０－Ｓ２５０の処理を周期的に繰返し実行することにより、物Ｐの連続的な製造過程において、リアルタイムに得られる第一パラメータの計測値Ｘ（ｔ）から、破壊試験なしに、第二パラメータの値Ｙ（ｔ）を推定誤差に関する評価値Ｅ（ｔ）と共に記録することができる。

【0052】

付言すると、推定モデル２１及び復元型ニューラルネットワーク２３の構築に際しては、物Ｐの破壊試験の結果に基づいて、第一及び第二パラメータの計測データを、正常データと異常データとに分け、正常データのみを構築に用いることができる。即ち、正常データに対応する第一及び第二パラメータの計測値を、学習用の第一及び第二標本データとして用いて、推定モデル２１及び復元型ニューラルネットワーク２３を構築することができる。

【0053】

ここでいう正常データは、破壊試験の結果、合格品に分類された物Ｐについての第一及び第二パラメータの計測データと理解されてもよく、異常データは、不合格品に分類された物Ｐについての第一及び第二パラメータの計測データと理解されてもよい。

【0054】

この場合、評価値Ｅ（ｔ）は、製造時における第一パラメータの計測値Ｘ（ｔ）の特徴が合格品の標本データに近いときに小さい値を示し、第一パラメータの計測値Ｘ（ｔ）の特徴が合格品の標本データから遠いときに大きい値を示す。従って、ユーザは、評価値Ｅ（ｔ）の大小に基づき、製造過程及び製造物の異常を理解することができる。あるいは、評価値Ｅ（ｔ）は、異常報知機への入力に用いられてもよい。

【0055】

正常データのみを用いて推定モデル２１及び復元型ニューラルネットワーク２３を構築したときの評価システム２０の挙動に関する一つの実験結果を、図７、図８、図９、及び図１０に示す。この実験結果は、連続的に物Ｐが製造される生産ラインでリアルタイムに得られる計測値Ｘ（ｔ）を用いた実験結果である。

【0056】

図７は、評価システム２０に入力された計測値Ｘ（ｔ）＝（Ｘ１（ｔ），Ｘ２（ｔ），Ｘ３（ｔ），Ｘ４（ｔ））を、横軸を時間軸とするグラフで示した図である。図７、図８、及び、図９において、グラフ内の実線は、正常データに対応し、点線は、異常データに対応する。

【0057】

図８は、計測値Ｘ（ｔ）＝（Ｘ１（ｔ），Ｘ２（ｔ），Ｘ３（ｔ），Ｘ４（ｔ））を復元型ニューラルネットワーク２３に入力して得られる、復元された計測値Ｘ^*（ｔ）＝（Ｘ１^*（ｔ），Ｘ２^*（ｔ），Ｘ３^*（ｔ），Ｘ４^*（ｔ））を、横軸を時間軸とするグラフで示した図である。

【0058】

図９は、その上段に、推定モデル２１から出力される第二パラメータの推定値Ｙ（ｔ）である、製造物の推定寸法を、横軸を時間軸とするグラフで示し、その下段に、推定誤差の評価値Ｅ（ｔ）＝｜Ｙ^*（ｔ）－Ｙ（ｔ）｜を、横軸を時間軸とするグラフで示した図である。

【0059】

更に、図１０のグラフでは、対応する物Ｐの推定寸法を横軸に表し、実測寸法を縦軸に示す。黒丸は、正常データに対応する寸法を表し、白丸は、異常データに対応する寸法を表す。図１０のグラフ内に示す一点鎖線上の点は、推定寸法と実測寸法とが一致する点に対応する。

【0060】

この実験結果が示すように、正常データに基づく推定モデル２１及び復元型ニューラルネットワーク２３の学習によれば、合格品について破壊試験なしでリアルタイムに第二パラメータの推定値として精度の高い値を得ることができ、更には、評価値Ｅ（ｔ）に基づいて、不合格である可能性の高い物Ｐを検出することができる。更には、評価値Ｅ（ｔ）を通して、第二パラメータの推定値Ｙ（ｔ）の信頼度を知ることができることから、第二パラメータについての製造物の規格上限及び下限の設定を緩くすることができ、製品の歩留まりを高くすることができる。

【0061】

本開示の技術は、特に、計測に破壊試験が必要なパラメータのように、学習のために大量の標本データを用意することができないパラメータの推定に際して、大変役立つ。
以上に、本開示の例示的実施形態について説明したが、本開示の技術は、上述した実施形態に限定されるものではないことは言うまでもない。

【0062】

例えば、評価システム２０では、第一パラメータの一部のみが、推定モデル２１に入力されてもよい。例えば、第一パラメータが要素Ｘ１，Ｘ２，Ｘ３，Ｘ４，Ｘ５を含む五次元パラメータである場合、復元型ニューラルネットワーク２３には、第一パラメータの計測値Ｘ（ｔ）＝（Ｘ１（ｔ），Ｘ２（ｔ），Ｘ３（ｔ），Ｘ４（ｔ），Ｘ５（ｔ））に含まれる全要素の計測値Ｘ１（ｔ），Ｘ２（ｔ），Ｘ３（ｔ），Ｘ４（ｔ），Ｘ５（ｔ）が入力されるが、推定モデル２１には、一部要素の計測値Ｘ１（ｔ），Ｘ２（ｔ）のみが入力されてもよい。

【0063】

この場合、推定モデル２１は、第一パラメータの一部要素の計測値Ｘ１（ｔ），Ｘ２（ｔ）から、第二パラメータの推定値Ｙ（ｔ）を算出するように構成されてもよい。この場合、推定モデル２５は、推定モデル２１と同様に、復元型ニューラルネットワーク２３から出力される復元された計測値Ｘ^*（ｔ）＝（Ｘ１^*（ｔ），Ｘ２^*（ｔ），Ｘ３^*（ｔ），Ｘ４^*（ｔ），Ｘ５^*（ｔ））の一部要素の計測値Ｘ１^*（ｔ），Ｘ２^*（ｔ）のみを受け付けて、第二パラメータの推定値Ｙ^*（ｔ）を出力するように構成され得る。

【0064】

この他、推定モデル２１，２５は、回帰式により構成されなくてもよく、学習用データセットに基づいて統計的に構成されたその他の推定モデルであってもよい。例えば、推定モデル２１は、識別型ニューラルネットワークとして構成されてもよい。

【0065】

回帰分析を用いた推定モデルの構築技術も、ニューラルネットワークを用いた推定モデルの構築技術も、第一標本データを推定モデルに入力したときの出力と第二標本データとの誤差を統計的に抑える方向にモデルを構築する技術であり、いずれも統計的手法に基づくモデルの構築技術である。

【0066】

この他、復元型ニューラルネットワーク２３は、入力層２３Ａと出力層２３Ｅとの間に、入力層２３Ａのノード数より小さいノード数の中間層を一つのみ備えるニューラルネットワークであってもよいし、３つより大きい数の多層の中間層を有したニューラルネットワークであってもよい。

【0067】

更に言えば、復元型ニューラルネットワーク２３の学習に際しては、第一パラメータに関して、推定モデル２１に用いられた標本データだけでなく追加の標本データが用意されてもよい。例えば、破壊試験のために抽出された物と同時期に製造された物については、抽出された物と同様の特性を有することが期待される。即ち、第一パラメータの計測データの一部については、破壊試験なしで正常データとみなすことができる。このような正常データとみなした第一パラメータの計測データを含む大量の標本データに基づく学習によれば、より良い復元型ニューラルネットワーク２３を構築することができる。

【0068】

更に言えば、本開示の技術は、製造される物の特性値の推定及び評価への利用に限定されるものではなく、種々の分野に適用可能である。例えば、本開示の技術は、顔認証システムの誤差評価に適用されてもよい。

【0069】

この他、上述した実施形態における１つの構成要素が有する機能は、複数の構成要素に分散して設けられてもよい。複数の構成要素が有する機能は、１つの構成要素に統合されてもよい。上記実施形態の構成の一部は、省略されてもよい。上記実施形態の構成の少なくとも一部は、他の上記実施形態の構成に対して付加又は置換されてもよい。

【符号の説明】

【0070】

１０…情報処理装置、１１…プロセッサ、１３…メモリ、１５…ストレージデバイス、２０…評価システム、２１，２５…推定モデル、２３…復元型ニューラルネットワーク、２３Ａ…入力層、２３Ｂ，２３Ｃ，２３Ｄ…中間層、２３Ｅ…出力層、２７…誤差算出器、５０…表示デバイス、１００，２００…計測器群。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】