7196696 機械学習装置及び機械学習方法

(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】2022-12-19

(45)【発行日】2022-12-27

(54)【発明の名称】機械学習装置及び機械学習方法

(51)【国際特許分類】

   G06N 20/00 20190101AFI20221220BHJP

   G06N 99/00 20190101ALI20221220BHJP

   G06Q 10/04 20120101ALI20221220BHJP

   G06Q 50/04 20120101ALI20221220BHJP

   B29C 45/76 20060101ALI20221220BHJP

【ＦＩ】

G06N20/00 130

G06N99/00 180

G06Q10/04

G06Q50/04

B29C45/76

【請求項の数】 17

(21)【出願番号】P 2019041742

(22)【出願日】2019-03-07

(65)【公開番号】P2020144690

(43)【公開日】2020-09-10

【審査請求日】2022-02-07

(73)【特許権者】

【識別番号】000001247

【氏名又は名称】株式会社ジェイテクト

(74)【代理人】

【識別番号】110000648

【氏名又は名称】弁理士法人あいち国際特許事務所

(74)【代理人】

【識別番号】110000604

【氏名又は名称】弁理士法人 共立特許事務所

(72)【発明者】

【氏名】大久保 勇佐

(72)【発明者】

【氏名】蓮池 正晴

【審査官】山本 俊介

(56)【参考文献】

【文献】国際公開第２００６／０４８９１９（ＷＯ，Ａ１）

【文献】特開２００４－１１０４７０（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ ３／００ー９９／００

Ｇ０６Ｑ １０／００－９９／００

Ｂ２９Ｃ ４５／７６

(57)【特許請求の範囲】

【請求項1】

互いに異なるスパースモデリング手法を用いて、産業活動に用いる学習モデルにおける特定の目的変数と複数の説明変数候補とを前記スパースモデリング手法の入力データとして、前記複数の説明変数候補のそれぞれについて前記特定の目的変数を説明するための説明変数としての個別重要度をそれぞれ取得するスパースモデリング処理部と、
前記説明変数候補のそれぞれの複数の前記個別重要度に基づいて前記説明変数候補のそれぞれについての総合重要度を算出し、前記総合重要度に基づいて前記複数の説明変数候補の中から前記学習モデルの説明変数を選択する選択部と、
を備える、機械学習装置。

【請求項2】

前記機械学習装置は、さらに、前記個別重要度に対し、前記スパースモデリング処理手法に応じた調整を行って、調整済み個別重要度を算出する調整部を備え、
前記選択部は、複数の前記調整済み個別重要度に基づいて前記総合重要度を算出する、請求項１に記載の機械学習装置。

【請求項3】

前記個別重要度は、前記スパースモデリング手法により導出された値であって前記特定の目的変数と前記複数の説明変数候補のそれぞれとの関係の強弱を示す寄与度であり、
前記調整部は、前記寄与度が所定の閾値以上である前記説明変数候補を抽出し、抽出した前記説明変数候補についての前記調整済み個別重要度を算出する、請求項２に記載の機械学習装置。

【請求項4】

前記調整部は、前記個別重要度が高い所定数の前記説明変数候補を抽出し、抽出した前記説明変数候補についての前記調整済み個別重要度を算出する、請求項２に記載の機械学習装置。

【請求項5】

前記調整部は、前記個別重要度に応じた点数を前記調整済み個別重要度として算出し、
前記選択部は、前記点数に基づいて前記総合重要度を算出する、請求項２－４の何れか一項に記載の機械学習装置。

【請求項6】

前記調整部は、前記個別重要度に応じて等差級数的に付与された前記点数を前記調整済み個別重要度として算出する、請求項５に記載の機械学習装置。

【請求項7】

前記調整部は、前記個別重要度に応じて等比級数的に付与された前記点数を前記調整済み個別重要度として算出する、請求項５に記載の機械学習装置。

【請求項8】

前記選択部は、前記説明変数候補ごとの前記調整済み個別重要度の和、積及び平均の少なくとも１つに基づいて前記総合重要度を算出する、請求項２－７の何れか一項に記載の機械学習装置。

【請求項9】

前記選択部は、前記総合重要度が所定の閾値以上である前記説明変数候補を前記説明変数として選択する、請求項１－８の何れか一項に記載の機械学習装置。

【請求項10】

前記選択部は、前記総合重要度が高い所定数の前記説明変数候補を前記説明変数として選択する、請求項１－８の何れか一項に記載の機械学習装置。

【請求項11】

前記機械学習装置は、さらに、前記選択部により選択された前記説明変数候補を学習データとする機械学習により前記学習モデルを生成する学習モデル生成部を備える、請求項１－１０の何れか一項に記載の機械学習装置。

【請求項12】

前記機械学習装置は、さらに、
前記選択部により選択された前記説明変数を学習データとする機械学習により生成された前記学習モデルを記憶する学習モデル記憶部と、
前記説明変数及び前記学習モデルに基づいて、所定の予測を行う予測部と、
を備える、請求項１－１１の何れか一項に記載の機械学習装置。

【請求項13】

前記機械学習装置は、所定の処理を行う処理装置、又は、複数の前記処理装置を総括管理する管理装置に設けられ、
前記予測部は、前記処理装置の異常検知、前記処理装置の動作条件の最適化、又は、前記処理装置により処理結果を予測する、請求項１２に記載の機械学習装置。

【請求項14】

前記処理装置は、
制御部に動作指令データを与える動作指令部と、
前記予測部による予測結果に基づき、前記動作指令データの調整を行う動作指令データ調整部と、
を備える、請求項１３に記載の機械学習装置。

【請求項15】

前記処理装置は、成形機であり、
前記予測部は、前記成形機により成形される成形品の品質要素を予測する、請求項１３に記載の機械学習装置。

【請求項16】

互いに異なるスパースモデリング手法を用いて、産業活動に用いる学習モデルにおける特定の目的変数と複数の説明変数候補とを前記スパースモデリング手法の入力データとして、前記複数の説明変数候補のそれぞれについて前記特定の目的変数を説明するための説明変数として個別重要度をそれぞれ取得する複数のスパースモデリング処理工程と、
前記説明変数候補のそれぞれの複数の前記個別重要度に基づいて前記説明変数候補のそれぞれについての総合重要度を算出し、前記総合重要度に基づいて前記複数の説明変数候補の中から前記学習モデルの説明変数を選択する選択工程と、
を備える、機械学習方法。

【請求項17】

前記機械学習方法は、さらに、前記個別重要度に対し、前記スパースモデリング手法に応じた調整を行い、調整済み個別重要度を算出する調整工程と、
前記選択工程は、複数の前記調整済み個別重要度に基づいて前記総合重要度を算出する、請求項１６に記載の機械学習方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、機械学習装置及び機械学習方法に関する。

【背景技術】

【0002】

特許文献１には、機械学習を用いて、生産設備の状態の良否又は生産対象物の状態の良否に関する予測を行う技術が開示されている。さらに近年、機械学習装置による予測で用いる学習モデルにおいて、特定の目的変数を説明するための説明変数を選択する手法として、スパースモデリングが注目されている。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０１７－１５１９６２号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

スパースモデリング手法の種類としては、ｌａｓｓｏやＳｔｅｐｗｉｓｅ等が知られている。この点に関して、異なるスパースモデリング手法を用いて複数の説明変数候補の中から説明変数を選択する場合、それぞれのスパースモデリング手法が説明変数として選択するデータは、説明変数候補である入力データが同一であっても一致しない場合がある。つまり、一のスパースモデリング手法を用いて選択された説明変数は、説明変数として適しているとは必ずしも言えず、当該一のスパースモデリング手法において、入力データとして用いた説明変数候補の中に含まれる重要な説明変数が選択されないおそれがある。

【0005】

本発明は、学習モデルにおける特定の目的変数と複数の説明変数候補の中から、適した説明変数を確実に選択する機械学習装置及び機械学習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】

機械学習装置は、互いに異なるスパースモデリング手法を用いて、産業活動に用いる学習モデルにおける特定の目的変数と複数の説明変数候補とを前記スパースモデリング手法の入力データとして、前記複数の説明変数候補のそれぞれについて前記特定の目的変数を説明するための説明変数としての個別重要度をそれぞれ取得する複数のスパースモデリング処理部と、前記説明変数候補のそれぞれの複数の前記個別重要度に基づいて前記説明変数候補のそれぞれについての総合重要度を算出し、前記総合重要度に基づいて前記複数の説明変数候補の中から前記学習モデルの説明変数を選択する選択部とを備える。

【0007】

当該機械学習装置によれば、選択部は、スパースモデリング処理部が取得した個別重要度に基づいて複数の説明変数候補ごとの総合重要度を算出し、当該総合重要度に基づき、複数の説明変数候補の中から、説明変数として適した説明変数候補を選択する。従って、機械学習装置は、適した説明変数を確実に選択することができる。

【0008】

機械学習方法は、互いに異なるスパースモデリング手法を用いて、産業活動に用いる学習モデルにおける特定の目的変数と複数の説明変数候補とを前記スパースモデリング手法の入力データとして、前記複数の説明変数候補のそれぞれについて前記特定の目的変数を説明するための説明変数として個別重要度をそれぞれ取得する複数のスパースモデリング処理工程と、前記説明変数候補のそれぞれの複数の前記個別重要度に基づいて前記説明変数候補のそれぞれについての総合重要度を算出し、前記総合重要度に基づいて前記複数の説明変数候補の中から前記学習モデルの説明変数を選択する選択工程とを備える。当該機械学習方法は、上記した機械学習装置と同様の効果を奏する。

【図面の簡単な説明】

【0009】

【図1】品質予測システムの構成を示す図である。

【図2】成形機（射出成形機）を示す図である。

【図3】機械学習装置の構成を示す図である。

【図4】選択データ決定装置の構成を示す図である。

【図5】モデル生成装置及び予測装置の構成を示す図である。

【図6】選択データ決定装置により実行される選択データ決定手順を示すフローチャートである。

【図7】第一例の調整工程において調整部が算出した調整済み個別重要度を示す表である。

【図8】第一例の選択工程において選択部が算出した総合重要度を示す表である。

【図9】第二例の調整工程において調整部が算出した調整済み個別重要度を示す表である。

【図10】第二例の選択工程において選択部が算出した総合重要度を示す表である。

【図11】第二例の調整工程において調整部が算出した調整済み個別重要度を示す表である。

【図12】第二例の選択工程において選択部が算出した総合重要度を示す表である。

【発明を実施するための形態】

【0010】

（１．機械学習装置の概要）
機械学習装置は、産業活動に用いる学習モデルにおける特定の目的変数を説明するための説明変数を、複数の説明変数候補の中から選択する。このとき、機械学習装置は、説明変数候補のそれぞれについて算出した総合重要度に基づき、説明変数を選択する。総合重要度は、説明変数候補のそれぞれに付された個別重要度に基づいて算出される。個別重要度は、スパースモデリング手法を用いた処理を行うことで得られる値である。

【0011】

機械学習装置は、互いに異なる複数のスパースモデリング手法を用いた処理で得られた個別重要度に基づいて、複数の説明変数候補ごとの総合重要度を算出する。そして、機械学習装置は、当該総合重要度に基づき、複数の説明変数候補の中から、説明変数として適した説明変数候補を選択する。これにより、機械学習装置は、複数の説明変数候補の中から、適した説明変数を確実に選択することができる。その結果、機械学習装置は、選択された説明変数と目的変数とを学習データとする機械学習を行うことにより、学習モデルを生成することができる。また、機械学習装置は、当該説明変数及び当該学習モデルに基づいて所定の予測を行う場合に、当該予測の精度を高めることができる。

【0012】

（２．機械学習装置の適用対象）
機械学習装置は、所定の処理を行う処理装置、又は、複数の処理装置を総括管理する管理装置に設けられる。そして、機械学習装置は、説明変数及び学習モデルに基づいて所定の予測を行う。本実施形態において、処理装置は、成形機であり、管理装置は、複数の成形機を統括管理する。そして、機械学習装置は、成形機から得られた各種データに基づき、成形機の異常検知、成形機の動作条件の最適化、又は、成形機による処理結果（例えば、成形品の品質要素）を予測する。なお、成形機以外の処理装置としては、研削盤等の工作機械が例示される。

【0013】

（３．品質予測システム１００の概要）
最初に、図１を参照しながら、機械学習装置を具体化した実施形態の一例である品質予測システム１００の概要を説明する。図１に示すように、品質予測システム１００は、複数の成形機１と、入力部１１０と、サーバ１２０と、管理装置１３０とを主に備える。

【0014】

成形機１は、加熱溶融した材料（以下「溶融材料」と称す）を成形機１の型４のキャビティＣに供給することにより成形品を成形する。本実施形態では、成形機１が、樹脂又はゴム等の射出成形を行う射出成形機である場合を例に挙げて説明するが、成形機１は、射出成形機以外の成形機、例えば、ブロー成形機や圧縮成形機であってもよく、ダイキャスト等の金属鋳造を行う鋳造機であってもよい。

【0015】

入力部１１０には、成形機１が成形した成形品の品質要素に関するデータ（以下「品質要素データ」と称す）が入力される。入力部１１０には、成形品の品質要素として、例えば、成形機１の外部に設けられた各種測定装置により測定された成形品の寸法や形状等に関する測定結果等が入力される。

【0016】

サーバ１２０は、複数の成形機１及び入力部１１０と通信可能に設けられる。サーバ１２０は、入力部１１０に入力された成形品の品質要素データ、及び、当該成形品を成形機１が成形した際に得られた成形時データを収集する。

【0017】

管理装置１３０は、品質予測システム１００に設けられた複数の成形機１を統括管理する。そして、管理装置１３０は、サーバ１２０を介して成形機１及び入力部１１０と通信可能に設けられた機械学習装置２００を備える。機械学習装置２００は、サーバ１２０が収集した品質要素データ及び成形時データを取得する。そして、機械学習装置２００は、成形時データ及び品質要素データを学習データとする機械学習を行うことにより、成形時データと成形品の品質要素とに関する学習モデルを生成する。なお、本実施形態では、機械学習が教師あり学習である場合を例に挙げて説明するが、他の機械学習アルゴリズムを適用することも可能である。

【0018】

また、機械学習装置２００は、成形機１が成形品を成形した際に取得した成形時データを学習モデルの説明変数とし、当該説明変数及び前記学習モデルに基づいて、当該成形品の品質要素を予測する。

【0019】

これに加え、機械学習装置２００は、成形機１から取得可能な複数の成形時データを説明変数候補として、当該複数の説明変数候補の中から適した説明変数を選択する。即ち、機械学習装置２００は、取得可能な多数の説明変数としての成形時データの中から、目的変数となる成形品の品質要素との相関が高い所定数の成形時データを選択し、選択した所定数の成形時データを、学習モデルの説明変数に用いる。

【0020】

これにより、品質予測システム１００の使用者は、例えば、成形品の品質要素の予測結果に基づいて成形機１の動作条件の最適化を図るにあたり、説明変数として用いられる成形時データに影響を与えうる動作条件の最適化を図ることができる。

【0021】

即ち、機械学習装置２００は、予測しようとする成形品の特定の品質要素と相関の高い成形時データを抽出し、抽出した成形時データに基づいて当該品質要素を予測する。よって、使用者は、成形品の品質要素を向上させる目的で動作条件の最適化を行う場合、当該品質要素と相関の高い成形時データが良好となるように動作条件を調整すればよい。その結果、機械学習装置２００の使用者は、調整可能な多数の動作条件の中から、成形品の特定の品質要素を向上させるために調整すべき動作条件を絞り込むことができるので、動作条件の最適化に要する時間を短縮できる。

【0022】

（３．成形機１の例）
（３－１：成形機１の構成）
次に、図２を参照して、成形機１の一例である射出成形機について説明する。射出成形機としての成形機１は、ベッド２と、射出装置３と、型４と、型締装置５と、動作指令部６と、制御部７とを主に備える。

【0023】

射出装置３は、ベッド２上に配置される。射出装置３は、ホッパ３１と、加熱シリンダ３２と、スクリュ３３と、ノズル３４と、ヒータ３５と、駆動装置３６と、射出装置用センサ３７とを主に備える。

【0024】

ホッパ３１は、ペレット（粒状の成形材料）の投入口である。加熱シリンダ３２は、ホッパ３１に投入されたペレットを加熱溶融してできた溶融材料を加圧する。また、加熱シリンダ３２は、ベッド２に対して軸方向に移動可能に設けられる。スクリュ３３は、加熱シリンダ３２の内部に配置され、回転可能且つ軸方向へ移動可能に設けられる。ノズル３４は、加熱シリンダ３２の先端に設けられた射出口であり、スクリュ３３の軸方向移動によって、加熱シリンダ３２の内部の溶融材料を型４に供給する。

【0025】

ヒータ３５は、例えば、加熱シリンダ３２の外側に設けられ、加熱シリンダ３２の内部のペレットを加熱する。駆動装置３６は、加熱シリンダ３２の軸方向への移動、スクリュ３３の回転及び軸方向移動等を行う。射出装置用センサ３７は、溶融材料の貯留量、保圧力、保圧時間、射出速度、溶融材料の粘度、駆動装置３６の状態等の成形時データを取得するセンサを総称する。ただし、当該センサ３７は、上記に限られず、種々の成形時データを取得してもよい。

【0026】

型４は、固定側である第一型４ａと、可動側である第二型４ｂとを備えた金型である。型４は、第一型４ａと第二型４ｂとを型締めすることで、第一型４ａと第二型４ｂとの間にキャビティＣを形成する。第一型４ａは、ノズル３４から供給された溶融材料をキャビティＣまで導く供給路４ｃ（スプルー、ランナー、ゲート）を備える。さらに、第一型４ａ又は第二型４ｂは、型４の温度等を取得するための各種センサが設けられる。

【0027】

型締装置５は、ベッド２上において射出装置３に対向配置される。型締装置５は、装着された型４の開閉動作を行うと共に、型４を締め付けた状態において、キャビティＣに射出された溶融材料の圧力により型４が開かないようにする。

【0028】

型締装置５は、固定盤５１、可動盤５２、タイバー５３、駆動装置５４、型締装置用センサ５５を備える。固定盤５１には、第一型４ａが固定される。固定盤５１は、射出装置３のノズル３４に当接可能であり、ノズル３４から射出される溶融材料を型４へ導く。可動盤５２には、第二型４ｂが固定される。可動盤５２は、固定盤５１に対して接近及び離間可能である。タイバー５３は、可動盤５２の移動を支持する。駆動装置５４は、例えば、シリンダ装置によって構成されており、可動盤５２を移動させる。型締装置用センサ５５は、型締力、金型温度、駆動装置５４の状態等の成形時データを取得するセンサを総称する。

【0029】

動作指令部６は、成形条件に関する動作指令データを制御部７に与える。また、成形機１は、機械学習装置２００による品質要素の予測結果に基づき、動作指令部６に記憶された動作指令データの調整を行う動作指令データ調整部６ａを備える。動作指令部６は、動作指令データ調整部６ａにより調整された動作指令データを制御部７に与えるので、成形機１は、動作指令データの最適化を図ることができると共に、成形する成形品の品質を高めることができる。

【0030】

制御部７は、動作指令部６からの動作指令データに基づいて、射出装置３の駆動装置３６及び型締装置５の駆動装置５４を制御する。例えば、制御部７は、射出装置用センサ３７及び型締装置用センサ５５から各種情報を取得して、動作指令データに応じた動作を行うように、射出装置３の駆動装置３６及び型締装置５の駆動装置５４を制御する。

【0031】

（３－２：成形機１による成形品の成形方法）
続いて、射出成形機としての成形機１による成形品の成形方法について説明する。成形機１による成形方法では、計量工程、型締工程、射出充填工程、保圧工程、冷却工程、離型取出工程が順次実行される。計量工程において、成形機１は、ヒータ３５の加熱及びスクリュ３３の回転に伴うせん断摩擦熱によってペレットを溶融しながら、加熱シリンダ３２の先端とノズル３４の間に溶融材料を貯留する。このとき、溶融材料の貯留量の増加に伴ってスクリュ３３が後退するため、スクリュ３３の後退位置から溶融材料の貯留量の計量が行われる。

【0032】

計量工程に続く型締工程において、成形機１は、可動盤５２を移動させて、第一型４ａに第二型４ｂを合わせ、型締めを行う。さらに、成形機１は、加熱シリンダ３２を軸方向へ移動させて型締装置５に近づけ、ノズル３４を型締装置５の固定盤５１に接続する。続く射出充填工程において、成形機１は、スクリュ３３の回転を停止した状態において、スクリュ３３をノズル３４に向けて所定の押し込み力で移動させることにより、溶融材料を高い圧力で型４に射出充填する。成形機１は、キャビティＣに溶融材料が充填されると、保圧工程に移行する。

【0033】

保圧工程において、成形機１は、キャビティＣに溶融材料が充填された状態で更に溶融材料をキャビティＣに押し込み、キャビティＣ内の溶融材料に所定の圧力（保圧力）を所定時間加える保圧処理を行う。具体的に、成形機１は、スクリュ３３に一定の押し込み力を付与することにより、溶融材料に所定の保圧力を付与する。

【0034】

そして、成形機１は、所定時間の保圧処理を行った後、冷却工程へ移行する。冷却工程において、成形機１は、溶融材料の押し込みを停止して保圧力を減少させる処理を行いつつ、キャビティＣ内の溶融材料を冷却する。最後に、成形機１は、離型取出工程において型開きを行い、成形品を取り出す。

【0035】

（４．機械学習装置２００の構成）
次に、図３を参照しながら、機械学習装置２００の構成を説明する。図３に示すように、機械学習装置２００は、選択データ決定装置２１０と、モデル生成装置２２０と、予測装置２３０とを主に備える。

【0036】

選択データ決定装置２１０は、予測装置２３０において学習モデルに基づく成形品の特定の品質要素を予測するあたり、学習モデルに入力する成形時データを決定する。具体的に、選択データ決定装置２１０は、成形機１から取得可能な複数の成形時データである説明変数候補の中から、成形品に関する特定の品質要素である目的変数を説明するための説明変数を決定する。

【0037】

モデル生成装置２２０は、選択データ決定装置２１０により決定された成形時データ、及び、入力部１１０に入力された品質要素データを学習データとする機械学習を行い、成形時データと品質要素データとに関する学習モデルを生成する。予測装置２３０は、選択データ決定装置２１０により決定された成形時データと、モデル生成装置２２０により生成された学習モデルとに基づき、新たに成形された成形品の品質要素を予測する。

【0038】

（４－１． 選択データ決定装置２１０）
続いて、選択データ決定装置２１０の構成を説明する。図４に示すように、選択データ決定装置２１０は、収集データ取得部２１１と、収集データ記憶部２１２と、スパースモデリング処理部２１３と、調整部２１４と、選択部２１５とを主に備える。

【0039】

収集データ取得部２１１は、サーバ１２０が収集した品質要素データ及び成形時データを取得し、収集データ記憶部２１２に記憶する。品質予測システム１００において、サーバ１２０は、通信可能に設けられた入力部１１０に入力された測定結果を、品質要素データとして収集する。また、成形機１に設けられた各種センサは、サーバ１２０と通信可能に設けられ、サーバ１２０は、各種センサによる検出結果を、成形時データとして収集する。

【0040】

スパースモデリング処理部２１３は、スパースモデリング手法を用いて、複数の説明変数候補のそれぞれについて、目的変数を説明するための説明変数としての個別重要度を取得する。スパースモデリング処理部２１３は、第一処理部２１３ａと、第二処理部２１３ｂと、第三処理部２１３ｃと、第四処理部２１３ｄとを備える。第一処理部２１３ａ、第二処理部２１３ｂ、第三処理部２１３ｃ及び第四処理部２１３ｄの各々（以下「各処理部」と称す）は、目的変数と複数の説明変数候補とをスパースモデリング手法の入力データとして、複数の説明変数候補ごとの個別重要度をそれぞれ取得する。

【0041】

ここで、個別重要度は、スパースモデリング手法により導出される値であって、特定の目的変数と複数の説明変数候補のそれぞれとの関係の強弱を示す。即ち、個別重要度が高い説明変数候補は、特定の目的変数との関連性が高く、当該目的変数を説明するための説明変数として適していることを示す。

【0042】

また、各処理部は、それぞれが異なるスパースモデリング手法を用いる。本実施形態において、第一処理部２１３ａでは、スパースモデリング手法として、Ｓｔｅｐｗｉｓｅが用いられ、第二処理部２１３ｂでは、スパースモデリング手法として、Ｌａｓｓｏが用いられる。また、第三処理部２１３ｃでは、スパースモデリング手法として、Ｅｌａｓｔｉｃ Ｎｅｔが用いられ、第四処理部２１３ｄでは、スパースモデリング手法として、グラフィカルＬａｓｓｏが用いられる。なお、スパースモデリング処理部２１３は、各処理部で用いるスパースモデリング手法として、他のスパースモデリング手法を用いることも可能である。

【0043】

調整部２１４は、スパースモデリング処理部２１３の各処理部が取得した個別重要度に対し、調整済み個別重要度を算出する。この調整済み個別重要度に関して、上記したように、各処理部は、用いるスパースモデリング手法が異なる。そのため、例えば、第一処理部２１３ａが取得した寄与度と第二処理部２１３ｂが取得した寄与度とが同じ値であったとしても、第一処理部２１３ａにおける個別重要度と第二処理部２１３ｂにおける個別重要度とを同一とみなすべきではない場合がある。

【0044】

この点に関する具体例として、第一処理部２１３ａが取得した寄与度の合計値が１、第二処理部２１３ｂが取得した寄与度の合計が０．８であったとする。この場合、第一処理部２１３ａにおける寄与度の値と第二処理部２１３ｂにおける寄与度の値が同じであっても、各処理部における寄与度の合計値に対して占める寄与度の割合が異なるので、個別重要度としては両者に差があるとみなすべきだと考えられる。

【0045】

そこで、調整部２１４は、スパースモデリング処理部２１３の各処理部が導出した寄与度に応じて、個別重要度としての尺度が同等となるような調整を行った調整済み個別重要度を算出する。なお、調整部２１４による調整方法は、具体例を挙げながら後述する。

【0046】

選択部２１５は、スパースモデリング処理部２１３の各々の処理部が導出した調整済み個別重要度に基づいて総合重要度を算出し、当該総合重要度に基づいて説明変数候補の中から学習モデルの説明変数を選択する。ここで、総合重要度は、説明変数候補ごとの調整済み個別重要度の和、積及び平均の少なくとも１つに基づいて算出された値である。本実施形態において、選択部２１５は、調整済み個別重要度の和を算出し、算出した値を総合重要度とする。次に、選択部２１５は、複数の説明変数候補ごとの総合重要度を比較し、総合重要度が高い説明変数候補を、学習モデルの説明変数に適した説明変数候補であると判断し、選択する。

【0047】

このように、選択データ決定装置２１０は、複数の成形時データ（説明変数候補）の中から、成形品の特定の品質用紙（目的変数）と関連性の高い所定数の成形時データを選択データ（説明変数）に決定する処理を行う。

【0048】

（４－２．モデル生成装置２２０の構成）
次に、図５を参照しながら、モデル生成装置２２０の構成を説明する。モデル生成装置２２０は、選択データ取得部２２１と、成形品データ取得部２２２と、成形品データ記憶部２２３と、学習モデル生成部２２４とを備える。

【0049】

選択データ取得部２２１は、選択データ決定装置２１０において選択データに決定された成形時データ（説明変数）に関する情報を取得する。成形品データ取得部２２２は、選択データ取得部２２１から取得した情報に基づき、サーバ１２０が取得した全ての成形時データの中から、選択データである成形時データを抽出し、取得する。また、成形品データ取得部２２２は、入力部１１０に入力された品質要素データを取得する。そして、成形品データ取得部２２２が取得した成形時データ及び品質要素データを成形品データ記憶部２２３に記憶する。

【0050】

学習モデル生成部２２４は、成形品データ記憶部２２３に記憶された成形時データ及び品質要素データに基づき、成形時データ及び品質要素データを学習データとする機械学習を行うことにより、成形時データと成形品の品質要素とに関する学習モデルを生成する。この点に関して、学習モデル生成部２２４は、サーバ１２０が収集した多量の成形時データ及び品質要素データを、学習モデルを生成する際の機械学習の学習データとして用いるので、学習モデルを効率的に生成できる。

【0051】

なお、成形品データ取得部２２２は、サーバ１２０が収集した成形時データの全てを取得してもよい。この場合、成形品データ記憶部２２３は、成形品データ取得部２２２が取得した成形時データの中から、選択データである成形時データのみを記憶してもよい。またこの場合、成形品データ記憶部２２３は、成形品データ取得部２２２が取得した全ての成形時データを記憶し、学習モデル生成部２２４が、成形品データ記憶部２２３の中から選択データである成形時データのみを抽出してもよい。

【0052】

（４－３．予測装置２３０の構成）
続いて、図５を参照しながら、予測装置２３０の構成を説明する。図５に示すように、予測装置２３０は、学習モデル記憶部２３１と、選択データ取得部２３２と、成形時データ取得部２３３と、予測部２３４と、出力部２３５とを主に備える。

【0053】

学習モデル記憶部２３１は、モデル生成装置２２０の学習モデル生成部２２４により生成された学習モデルを記憶する。選択データ取得部２３２は、選択データ決定装置２１０において選択データに決定された成形時データ（説明変数）に関する情報を取得する。成形時データ取得部２３３は、選択データ取得部２３２から取得した情報に基づき、成形機１が新たに成形品を成形した際にサーバ１２０が収集した成形時データを取得する。予測部２３４は、成形時データ取得部２３３が取得した成形時データと、学習モデル記憶部２３１に記憶された学習モデルとに基づき、新たに成形した成形品の品質要素を予測する。

【0054】

出力部２３５は、予測部２３４による予測結果の出力を行う。出力部２３５は、例えば、表示装置（図示せず）への表示による案内、音声による案内、表示灯による案内等を行う。この場合に、出力部２３５は、予測装置２３０に設けられた表示装置等に案内を行うようにしてもよいし、複数の成形機１の各々に設けられた表示装置等に案内を行うようにしてもよいし、サーバ１２０や管理装置１３０に設けられた表示装置等に案内を行うようにしてもよい。また、出力部２３５は、予測装置２３０の使用者または管理者が所有する携帯端末に案内を行うこともできる。

【0055】

なお、予測装置２３０は、予測部２３４による品質要素の予測結果に基づき、新たに成形された成形品が良品であるか否かの良否判定を行う判定部を備えていてもよい。またこの場合、出力部２３５は、判定部による判定結果を出力することも可能である。

【0056】

（５．説明変数の決定手順の概要）
次に、図６に示すフローチャートを参照しながら、選択データ決定装置２１０による説明変数（選択データ）の決定手順の概要を説明する。

【0057】

図６に示すように、選択データ決定装置２１０は、選択データの決定手順での最初の処理として、サーバ１２０が収集した各種データを取得し、記憶する（Ｓ１）。具体的に、収集データ取得部２１１は、Ｓ１の処理において、サーバ１２０が収集した説明変数候補としての成形時データ、及び、目的変数としての品質要素データを取得し、収集データ記憶部２１２に記憶する。

【0058】

Ｓ１の処理後、選択データ決定装置２１０は、スパースモデリング処理部２１３の各処理部において、個別重要度を取得する（Ｓ２：スパースモデリング処理工程）。Ｓ２の処理において、各処理部は、各々のスパースモデリング手法を用いて、複数の説明変数候補のそれぞれについての寄与度を取得する。

【0059】

Ｓ２の処理後、選択データ決定装置２１０は、説明変数候補の抽出を行う（Ｓ３：第一調整工程）。Ｓ３の処理において、調整部２１４は、各処理部において、個別重要度の高い説明変数候補を抽出する。つまり、調整部２１４は、各処理部において、サーバ１２０から収集した全ての説明変数候補としての成形時データの中から、目的変数である成形品の品質要素との関連性が低い成形時データを、説明変数候補から除去する。その後、選択データ決定装置２１０は、調整済み個別重要度を算出する（Ｓ４：第二調整工程）。Ｓ４の処理において、調整部２１４は、Ｓ３の処理で抽出した説明変数候補について、各処理部においてスパースモデリング手法に応じた調整を行い、調整済み個別重要度を算出する。

【0060】

Ｓ４の処理後、選択データ決定装置２１０は、調整済み個別重要度に基づいて総合重要度を算出する（Ｓ５：第一選択工程）。Ｓ５の処理において、選択部２１５は、それぞれの説明変数候補について、各処理部が取得した個別重要度に基づき、それぞれの説明変数候補の総合重要度を算出する。その後、選択データ決定装置２１０は、Ｓ５の処理で算出した総合重要度に基づいて、複数の説明変数候補の中から学習モデルの説明変数を選択する（Ｓ６：第二選択工程）。Ｓ６の処理において、選択部２１５は、複数の説明変数のそれぞれの総合重要度を比較し、総合重要度が高い所定数の説明変数候補としての成形時データを、学習モデルの説明変数として用いる選択データに決定する。

【0061】

このように、機械学習装置２００において、選択データ決定装置２１０は、互いに異なる複数のスパースモデリング手法を用いた処理で得られた個別重要度に基づいて、複数の説明変数候補ごとの総合重要度を算出する。そして、選択データ決定装置２１０は、当該総合重要度に基づき、複数の説明変数候補の中から、説明変数として適した説明変数候補を選択する。よって、機械学習装置２００は、複数の説明変数候補の中から、特定の目的変数を説明するための説明変数として適した説明変数候補を確実に選択できる。

【0062】

（６．説明変数の決定手順の具体例）
続いて、説明変数の決定手順の具体例について、例を挙げながら説明する。以下に示す例において、選択データ決定装置２１０が説明変数候補として成形機１から取得する成形時データは、金型温度、シリンダ温度、ノズル温度、背圧、保圧力、保圧時間、冷却時間、射出速度、保圧リミット速度、Ｖ－Ｐ切り替え及びスクリュ回転数である。なお、選択データ決定装置２１０は、説明変数候補として、上記以外の成形時データを取得することも可能である。

【0063】

（６－１．第一例の調整工程及び選択工程）
最初に、図７及び図８を参照しながら、第一例の調整工程及び選択工程について説明する。図７に示すように、第一例の調整工程は、第一調整工程において、寄与度が０．０１以上の説明変数候補を抽出する。なお、調整部２１４は、説明変数候補を抽出する際の寄与度の基準値を０．０１よりも大きな値とすることも可能である。次に、第一例の調整工程は、第二調整工程において、抽出した説明変数候補に対し、寄与度が高い順に高い点数を付与する。つまり、第一例の調整部２１４は、個別重要度に応じた点数を調整済み個別重要度として算出し、説明変数候補に付与する。

【0064】

例えば、第一処理部２１３ａに関して、調整部２１４は、抽出した説明変数候補の中で最も寄与度が高い説明変数候補である「金型温度」に１０点を付与し、２番目に寄与度が高い説明変数候補である「保圧力」に９点を付与する。以下、調整部２１４は、個別重要度の順位が１つ下がる毎に付与する点数を１点ずつ減らす。即ち、第一例の調整部２１４は、個別重要度に応じた点数を等差級数的に付与する。このように、調整部２１４は、スパースモデリング処理部２１３の各処理部が導出した寄与度に応じた点数を説明変数候補ごとに付与することで、個別重要度としての尺度が同等となるように調整された調整済み個別重要度を算出できる。

【0065】

次に、図８に示すように、第一例の選択工程は、第一選択工程において、調整部２１４が算出した点数に基づいて総合重要度を算出する。つまり、第一例の選択部２１５は、説明変数候補のそれぞれに対して付与された点数の和（合計点）を、総合重要度として算出する。続いて、第一例の選択工程は、第二選択工程において、総合重要度（合計点）に基づき、学習モデルの説明変数を選択する。本例において、選択部２１５は、第二選択工程において、総合重要度が３０点以上である説明変数候補（金型温度、保圧力、保圧時間及びシリンダ温度）を選択する。

【0066】

このように、第一例の選択部２１５は、複数の説明変数候補の中から、総合重要度が所定の閾値以上（本例において３０点以上）である説明変数候補を学習モデルの説明変数として選択する。これにより、選択データ決定装置２１０は、複数の説明変数候補の中から、目的変数と高い相関がある所定数の説明変数を選択できる。よって、使用者は、成形品の品質要素を向上させる目的で動作条件の最適化を行うにあたり、調整可能な多数の動作条件の中から、成形品の特定の品質要素を向上させるために調整すべき動作条件を絞り込むことができる。その結果、使用者は、動作条件の最適化に要する時間を短縮できる。

【0067】

（６－２．第二例の調整工程及び選択工程）
次に、図９及び図１０を参照しながら、第二例の調整工程及び選択工程について説明する。図９に示すように、第二例の調整工程は、第一調整工程において、寄与度が高い５つの説明変数候補を抽出する。なお、例えば、寄与度が所定の閾値以上（例えば、０．０１以上）である説明変数候補が５つに満たない場合には、抽出する説明変数候補を５つ未満とすることも可能である。

【0068】

次に、第二例の調整工程は、第二調整工程において、抽出した説明変数候補に対し、寄与度が高い順に高い点数を付与する。つまり、第二例の調整部２１４は、個別重要度に応じた点数を調整済み個別重要度として算出し、説明変数候補に付与する。

【0069】

例えば、第一処理部２１３ａに関して、調整部２１４は、抽出した説明変数候補の中で最も寄与度が高い説明変数候補である「金型温度」に１０点を付与し、２番目に寄与度が高い説明変数候補である「保圧力」に６点を付与する。また、調整部２１４は、３番目に寄与度が高い説明変数候補である「保圧時間」に４点、４番目に寄与度が高い設目変数候補である「シリンダ温度」に２点、５番目に寄与度が高い説明変数候補である「射出温度」に１点を付与する。このように、第二例の調整部２１４は、個別重要度に応じた点数を等比級数的に付与する。なお、「等比級数的」とは、例えば、１位と２位との点数差が、２位と３位との点数差や、３位と４位との点数差と異なることを意味する。また、１位と２位との点数差は、２位と３位との点数差や３位と４位との点数差より小さく設定することも可能である。

【0070】

次に、図１０に示すように、第二例の選択工程は、第一選択工程において、調整部２１４が算出した点数に基づいて総合重要度を算出する。つまり、第二例の選択部２１５は、説明変数候補のそれぞれに対して付与された点数の和（合計点）を、総合重要度として算出する。続いて、第二例の選択工程は、第二選択工程において、総合重要度（合計点）に基づき、学習モデルの説明変数を選択する。本例において、選択部２１５は、第二選択工程において、総合重要度が１０点以上である説明変数候補（金型温度、保圧力、保圧時間及びシリンダ温度）を選択する。

【0071】

このように、第二例の選択部２１５は、複数の説明変数候補の中から、総合重要度が所定の閾値以上（本例において１０点以上）である説明変数候補を学習モデルの説明変数として選択する。これにより、選択データ決定装置２１０は、複数の説明変数候補の中から、目的変数と高い相関がある所定数の説明変数を選択できる。

【0072】

（６－３．第三例の調整工程及び選択工程）
次に、図１１及び図１２を参照しながら、第三例の調整工程及び選択工程について説明する。図１１に示すように、第三例の調整工程は、第一調整工程において、寄与度が０．０１以上の説明変数候補を抽出する。

【0073】

次に、第三例の調整工程は、第二調整工程において、各処理部のスパースモデリング手法に応じた調整を行う。具体的には、図１１に示す例において、第一処理部２１３ａ及び第三処理部２１３ｃは、個別重要度の合計が１となるのに対し、第二処理部２１３ｂの個別重要度の合計は、０．８であり、第四処理部２１３ｄの個別重要度の合計は、０．９である。

【0074】

そこで、第三例の調整部２１４は、第二処理部２１３ｂが取得した個別重要度に１０／８を乗じた値を算出し、算出した値を第二処理部２１３ｂにおける調整済み個別重要度とする。同様に、第三例の調整部２１４は、第四処理部２１３ｄが取得した個別重要度に１０／９を乗じた値を算出し、算出した値を第四処理部２１３ｄにおける調整済み個別重要度とする。また、第三例の調整部２１４は、第一処理部２１３ａ及び第三処理部２１３ｃが取得した個別重要度を、そのまま調整済み個別重要度とする。

【0075】

なお、各処理部のスパースモデリング手法に応じた調整方法は、上記に限られるものではない。例えば、調整部２１４は、最も寄与度が高い説明変数候補の調整済み個別重要度の値が「１」となるような調整を行ってもよい。

【0076】

次に、図１２に示すように、第三例の選択工程は、第一選択工程において、各処理部にて説明変数候補ごとに算出した調整済み個別重要度の和を、総合重要度として算出する。続いて、第三例の選択工程は、第二選択工程において、総合重要度（個別重要度の和）に基づき、学習モデルの説明変数を選択する。本例において、選択部２１５は、第二選択工程において、総合重要度が高い順に３つの説明変数候補（金型温度、保圧力及び保圧時間）を選択する。

【0077】

このように、第三例の選択部２１５は、複数の説明変数候補の中から、総合重要度が高い３つの説明変数候補を学習モデルの説明変数として選択する。これにより、選択データ決定装置２１０は、複数の説明変数候補の中から、目的変数と高い相関がある所定数の説明変数を選択できる。

【符号の説明】

【0078】

１：成形機（処理装置の一例）、 ６：動作指令部、 ６ａ：動作指令データ調整部、 ７：制御部、 １３０：管理装置、 ２００：機械学習装置、 ２１３：スパースモデリング処理部、 ２１４：調整部、 ２１５：選択部、 ２２４：学習モデル生成部、 ２３１：学習モデル記憶部、 ２３４：予測部、Ｓ２：スパースモデリング処理工程、 Ｓ３：第一調整工程（調整工程の一部）、 Ｓ４：第二調整工程（調整工程の一部）、 Ｓ５：第一選択工程（選択工程の一部）、 Ｓ６：第二選択工程（選択工程の一部）

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】