特許 7417922 知識モデル構築システム及び知識モデル構築方法

(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】2024-01-11

(45)【発行日】2024-01-19

(54)【発明の名称】知識モデル構築システム及び知識モデル構築方法

(51)【国際特許分類】

   G06N 5/02 20230101AFI20240112BHJP

   G06N 20/00 20190101ALI20240112BHJP

【ＦＩ】

G06N5/02

G06N20/00 160

【請求項の数】 17

(21)【出願番号】P 2019197302

(22)【出願日】2019-10-30

(65)【公開番号】P2021071856

(43)【公開日】2021-05-06

【審査請求日】2022-09-21

(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

(73)【特許権者】

【識別番号】592032636

【氏名又は名称】学校法人トヨタ学園

(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】小島 大

(72)【発明者】

【氏名】酒井 隼樹

(72)【発明者】

【氏名】佐々木 雄二

(72)【発明者】

【氏名】東 孝幸

(72)【発明者】

【氏名】佐々木 裕

【審査官】牛丸 太希

(56)【参考文献】

【文献】特開２０１８－１４７３５１（ＪＰ，Ａ）

【文献】特開２０１８－１９０１２９（ＪＰ，Ａ）

【文献】特開２０１９－５７０２９（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ ５／０２２

Ｇ０６Ｎ ２０／００

(57)【特許請求の範囲】

【請求項1】

一つ以上の因子と隣接する前記因子を接続するための接続条件とを備えた知識モデルを格納する記憶装置と、
前記記憶装置に接続された制御装置と、を備え、
前記制御装置は、
前記因子である基準因子の因子値と、前記因子であって前記基準因子に直接的に接続される接続因子の因子値とを訓練データセットとする機械学習により生成された学習済みモデルであって、複数のアルゴリズムの各々を用いて生成された前記基準因子と前記接続因子との接続に関する複数の前記学習済みモデルを記憶する学習済みモデル記憶部と、
生成された複数の前記学習済みモデルのうち、各々の前記学習済みモデルによって得られる前記接続因子の予測因子値が、前記接続因子の前記因子値に対する誤差が最小となる前記学習済みモデルを判定する判定部と、
前記判定部によって判定された前記学習済みモデルを前記知識モデルの前記接続条件として前記知識モデルに記憶する知識モデル記憶部と、を備え、
前記学習済みモデル記憶部は、
複数の前記学習済みモデルとして、隣接する前記基準因子と前記接続因子との間に成立する複数の回帰モデルを記憶する、
知識モデル構築システム。

【請求項2】

前記接続条件は、
前記因子の前記因子値を段階的に任意の範囲に区切る区切り構造を有しており、
前記判定部によって判定された前記学習済みモデルによって得られた前記予測因子値に基づいて前記範囲を変更する、請求項１に記載の知識モデル構築システム。

【請求項3】

一つ以上の因子と隣接する前記因子を接続するための接続条件とを備えた知識モデルを格納する記憶装置と、
前記記憶装置に接続された制御装置と、を備え、
前記制御装置は、
前記因子である基準因子の因子値と、前記因子であって前記基準因子に直接的に接続される接続因子の因子値とを訓練データセットとする機械学習により生成された学習済みモデルであって、複数のアルゴリズムの各々を用いて生成された前記基準因子と前記接続因子との接続に関する複数の前記学習済みモデルを記憶する学習済みモデル記憶部と、
生成された複数の前記学習済みモデルのうち、各々の前記学習済みモデルによって得られる前記接続因子の予測因子値が、前記接続因子の前記因子値に対する誤差が最小となる前記学習済みモデルを判定する判定部と、
前記判定部によって判定された前記学習済みモデルを前記知識モデルの前記接続条件として前記知識モデルに記憶する知識モデル記憶部と、を備え、
前記接続条件は、
前記因子の前記因子値を段階的に任意の範囲に区切る区切り構造を有しており、
前記判定部によって判定された前記学習済みモデルによって得られた前記予測因子値に基づいて前記範囲を変更する、
知識モデル構築システム。

【請求項4】

前記制御装置は、
前記基準因子の前記因子値と、前記接続因子の前記因子値とを前記訓練データセットとして取得する訓練データセット取得部と、
取得された前記訓練データセットに基づく機械学習により生成された学習済みモデルであって、複数のアルゴリズムの各々を用いて生成された前記基準因子と前記接続因子との接続に関する複数の前記学習済みモデルを生成する学習済みモデル生成部を備え、
前記学習済みモデル記憶部は、前記学習済みモデル生成部によって生成された複数の前記学習済みモデルを記憶する、請求項１－３のうちの何れか一項に記載の知識モデル構築システム。

【請求項5】

前記学習済みモデル生成部は、
前記知識モデルに新たな前記因子が格納された場合において、前記訓練データセット取得部によって取得された前記基準因子及び前記接続因子に新たな前記因子を加えて、複数の前記学習済みモデルを生成する、請求項４に記載の知識モデル構築システム。

【請求項6】

前記記憶装置に格納された前記知識モデルは複数の外部機器の各々に配置され、且つ、
前記制御装置は複数の前記外部機器の各々及び複数の前記外部機器に配置された前記記憶装置の各々とネットワークを介して接続されており、
前記訓練データセット取得部は、前記ネットワークを介して、複数の前記外部機器の各々から前記訓練データセットを取得し、
前記学習済みモデル生成部は、取得された前記訓練データセットに基づく機械学習により複数の前記学習済みモデルを生成し、
前記知識モデル記憶部は、前記判定部によって判定された前記学習済みモデルを前記知識モデルの前記接続条件とし、且つ、前記接続条件を前記ネットワークを介して前記知識モデルを格納する前記記憶装置に配信して記憶する、請求項４又は５に記載の知識モデル構築システム。

【請求項7】

前記訓練データセット取得部は、取得した前記因子値のうち予め設定された許容範囲に収まる前記因子値を抽出することにより取得し、
前記学習済みモデル記憶部は、抽出した前記因子値を用いて前記学習済みモデル生成部によって生成された複数の前記学習済みモデルを記憶する、請求項４－６のうちの何れか一項に記載の知識モデル構築システム。

【請求項8】

前記訓練データセット取得部は、更に、前記許容範囲に収まる前記因子値うち、予め設定された条件を満たす前記因子値を抽出する、請求項７に記載の知識モデル構築システム。

【請求項9】

前記学習済みモデル生成部は、
複数の前記学習済みモデルとして、隣接する前記基準因子と前記接続因子との間に成立する複数の回帰モデルを生成する、請求項４－８のうちの何れか一項に記載の知識モデル構築システム。

【請求項10】

前記知識モデルは、
機械加工分野に関する技術情報を前記因子とし、且つ、前記因子がネットワーク形態で相互に接続されることによって前記因子の関係性を表すものである、請求項１－９のうちの何れか一項に記載の知識モデル構築システム。

【請求項11】

前記技術情報は、前記機械加工分野に関するノウハウであり、
前記知識モデルは、前記ノウハウを探索可能且つ更新可能に格納する、請求項１０に記載の知識モデル構築システム。

【請求項12】

前記技術情報は、切削加工に関する前記ノウハウである、請求項１１に記載の知識モデル構築システム。

【請求項13】

コンピュータによって実行される、一つ以上の因子と隣接する前記因子を接続するための接続条件とを備えた知識モデルを構築する知識モデル構築方法であって、
前記因子である基準因子の因子値と、前記因子であって前記基準因子に直接的に接続される接続因子の因子値とを訓練データセットとする機械学習により生成された学習済みモデルであって、複数のアルゴリズムの各々を用いて生成された前記基準因子と前記接続因子との接続に関する複数の前記学習済みモデルを記憶し、
生成された複数の前記学習済みモデルのうち、各々の前記学習済みモデルによって得られる前記接続因子の予測因子値が、前記接続因子の前記因子値に対する誤差が最小となる前記学習済みモデルを判定し、且つ、
判定された前記学習済みモデルを前記知識モデルの前記接続条件として前記知識モデルに記憶し、
複数の前記学習済みモデルは、隣接する前記基準因子と前記接続因子との間に成立する複数の回帰モデルである、
知識モデル構築方法。

【請求項14】

前記基準因子の前記因子値と、前記接続因子の前記因子値とを前記訓練データセットに基づく機械学習により生成された学習済みモデルであって、複数のアルゴリズムの各々を用いて生成された前記基準因子と前記接続因子との接続に関する複数の前記学習済みモデルを生成し、
生成された複数の前記学習済みモデルを記憶する、請求項１３に記載の知識モデル構築方法。

【請求項15】

前記知識モデルは、
機械加工分野に関する技術情報を前記因子とし、且つ、前記因子がネットワーク形態で相互に接続されることによって前記因子の関係性を表すものである、請求項１３又は１４に記載の知識モデル構築方法。

【請求項16】

前記技術情報は、前記機械加工分野に関するノウハウであり、
前記知識モデルは、前記ノウハウを探索可能且つ更新可能に格納する、請求項１５に記載の知識モデル構築方法。

【請求項17】

前記技術情報は、切削加工に関する前記ノウハウである、請求項１６に記載の知識モデル構築方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、知識モデル構築システム及び知識モデル構築方法に関する。

【背景技術】

【0002】

従来から、例えば、下記特許文献１に開示された知識モデル構築システム及び知識モデル構築方法（以下、単に「従来のシステム等」と称呼する。）も知られている。この従来のシステム等は、当該分野の技術情報の用語を知識モデル上の因子として抽出する因子抽出手段と、抽出される因子の関係性を抽出する関係性抽出手段と、抽出される因子の関係性を定型化して因子の相互関係の情報を生成する相互関係情報生成手段と、抽出される因子の関係性及び生成される因子の相互関係の情報に基づいて因子の相互関係の強さを示す因子間の寄与度を算出する因子間寄与度算出手段と、を備えている。

【0003】

又、従来のシステム等は、抽出される因子、抽出される因子の関係性、抽出される因子の相互関係の情報、及び、算出される因子間の寄与度を所定の形式に従って記述し、知識モデルに格納する知識モデル格納手段を備えている。これにより、従来のシステムは、容易に解釈し得る形態で表現された情報として知識モデルを構築できるようになっている。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０１８－１４７３５１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、上記従来のシステムでは、熟練者が当該分野の技術体系を表現する上で関係性が認められる因子の間の接続関係を指定すると共に、接続関係が指定された因子の間に接続条件を設定するようになっている。この場合、接続関係や接続条件は、指定や設定を行う熟練者の主観が反映されることによってバラつきが生じる可能性がある。又、熟練者が接続関係を指定したり、接続条件を設定したりする必要があり、煩雑である。

【0006】

本発明は、知識モデルを精度よく且つ容易に構築することができる知識モデル構築システム及び知識モデル構築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】

【0007】

（第一の知識モデル構築システム）
第一の知識モデル構築システムは、１つ以上の因子と隣接する因子を接続するための接続条件とを備えた知識モデルを格納する記憶装置と、記憶装置に接続された制御装置と、を備え、制御装置は、因子である基準因子の因子値と、因子であって基準因子に直接的に接続される接続因子の因子値とを訓練データセットとする機械学習により生成された学習済みモデルであって、複数のアルゴリズムの各々を用いて生成された基準因子と接続因子との接続に関する複数の学習済みモデルを記憶する学習済みモデル記憶部と、生成された複数の学習済みモデルのうち、各々の学習済みモデルによって得られる接続因子の予測因子値が、接続因子の因子値に対する誤差が最小となる学習済みモデルを判定する判定部と、判定部によって判定された学習済みモデルを知識モデルの接続条件として知識モデルに記憶する知識モデル記憶部と、を備え、学習済みモデル記憶部は、複数の学習済みモデルとして、隣接する基準因子と接続因子との間に成立する複数の回帰モデルを記憶する。
（第二の知識モデル構築システム）
第二の知識モデル構築システムは、一つ以上の因子と隣接する因子を接続するための接続条件とを備えた知識モデルを格納する記憶装置と、記憶装置に接続された制御装置と、を備え、制御装置は、因子である基準因子の因子値と、因子であって基準因子に直接的に接続される接続因子の因子値とを訓練データセットとする機械学習により生成された学習済みモデルであって、複数のアルゴリズムの各々を用いて生成された基準因子と接続因子との接続に関する複数の学習済みモデルを記憶する学習済みモデル記憶部と、生成された複数の学習済みモデルのうち、各々の学習済みモデルによって得られる接続因子の予測因子値が、接続因子の因子値に対する誤差が最小となる学習済みモデルを判定する判定部と、判定部によって判定された学習済みモデルを知識モデルの接続条件として知識モデルに記憶する知識モデル記憶部と、を備え、接続条件は、因子の因子値を段階的に任意の範囲に区切る区切り構造を有しており、判定部によって判定された学習済みモデルによって得られた予測因子値に基づいて範囲を変更する。

【0009】

（第一の知識モデル構築方法）
第一の知識モデル構築方法は、コンピュータによって実行される、１つ以上の因子と隣接する因子を接続するための接続条件とを備えた知識モデルを構築する知識モデル構築方法であって、因子である基準因子の因子値と、因子であって基準因子に直接的に接続される接続因子の因子値とを訓練データセットとする機械学習により生成された学習済みモデルであって、複数のアルゴリズムの各々を用いて生成された基準因子と接続因子との接続に関する複数の学習済みモデルを記憶し、生成された複数の学習済みモデルのうち、各々の学習済みモデルによって得られる接続因子の予測因子値が、接続因子の因子値に対する誤差が最小となる学習済みモデルを判定し、且つ、判定された学習済みモデルを知識モデルの接続条件として知識モデルに記憶し、複数の学習済みモデルは、隣接する基準因子と接続因子との間に成立する複数の回帰モデルである。

【0011】

これらによれば、隣接する因子に関する接続条件を機械学習等を用いることにより設定することができる。これにより、別途、接続条件を設定する必要がなく、極めて容易に且つ簡便に知識モデルを構築することができる。そして、例えば、熟練者毎による因子の間の接続に関するバラつきが生じにくく、より正確な知識モデルを構築することができる。

【図面の簡単な説明】

【0012】

【図1】知識モデルの構成を説明するための図である。

【図2】知識モデルにおける因子の相互接続の形態を説明するための図である。

【図3】知識モデルにおける情報の紐付けを説明するための図である。

【図4】図３の接続条件に関する情報の紐付けを説明するための図である。

【図5】接続条件の一例であってランク／ランク接続を示す図である。

【図6】接続条件の一例であってランク／レンジ接続を示す図である。

【図7】第一例に係る知識モデル構築システムの構成を示すブロック図である。

【図8】第二例に係る知識モデル構築システムの構成を示すブロック図である。

【図9】第三例に係る知識モデル構築システムの構成を示すブロック図である。

【図10】第三例における因子の接続を説明するための図である。

【図11】第三例における複数の基準因子の各々の因子値を説明するための図である。

【図12】第三例における接続因子の因子値を説明するための図である。

【図13】第三例における接続情報の設定を説明するための図である。

【図14】機械加工分野（切削加工）に関する知識モデルを説明するための図である。

【発明を実施するための形態】

【0013】

（１．適用の知識モデル）
知識モデルは、技術分野の技術情報に係る知識を所定の形式で記述して格納するものである。即ち、知識モデルは、技術情報を因子とし、因子がネットワーク形態で相互接続されることによって因子の関係性が表現されるものであり、因子の関係性が所定の形式に従って記述される。そして、知識モデルは、因子の関係性を所定の形式に従って記述することにより、技術分野に係る知識、所謂、ノウハウを形式知として更新可能に格納する。ここで、技術分野としては、工学分野を一例と挙げることができ、更には、工学分野に含まれる機械加工分野を挙げることができる。ここで、機械加工分野には、例えば、切削加工や研削加工が含まれる。

【0014】

（２．適用の知識モデル構築システムの概要）
知識モデル構築システムは、記憶装置と、制御装置とを備える。記憶装置は、知識モデル等を記憶するデータベースである。制御装置は、ＣＰＵ、ＲＯＭ、ＲＡＭ、各種インターフェース等を主要構成部品とするコンピュータであり、知識モデルを構築する。尚、記憶装置及び制御装置は、スタンドアロンであっても良いし、ネットワークを介して他のコンピュータ装置と通信して因子等を取得するサーバであっても良い。

【0015】

（３．知識モデルＭの詳細）
知識モデルＭは、図１に示すように、技術情報のキーワードとなる技術用語を因子４とし、且つ、因子４をネットワーク形態で相互接続することにより、技術情報の関係性を表現し、ノウハウや知識を形式知として格納するものである。知識モデルＭに格納される情報は、体系的に、且つ、汎用的な枠組みの中で、容易に解釈し得る形態で表現される。

【0016】

図２に示すように、処理対象となっている因子４は基準因子４ａと呼ばれる。基準因子４ａを含む各因子４には、自身の内部情報である因子情報５が紐付けられる。基準因子４ａと直接的に接続される因子４は接続因子４ｂと呼ばれる。各々の因子４の間（例えば、基準因子４ａ及び接続因子４ｂの間）は、接続情報６が紐づけられている。接続情報６は、相互接続される２つの因子４（基準因子４ａ及び接続因子４ｂ）の間の接続関係を示す。そして、接続情報６には接続条件７が紐付けられている。

【0017】

又、特に、基準因子４ａと上下関係がある因子４は、図２に示すように、知識モデルＭにおいて上位の結合因子４ｃ（又は下位の結合因子４ｃ）と呼ばれる。基準因子４ａ及び結合因子４ｃには、互いの上下関係を示す結合情報８が紐付けられている。又、結合情報８には、図３に示すように、結合条件９が紐付けられている。

【0018】

知識モデルＭにおいては、図１にて破線により囲んで示すように、隣接する２つの因子４（例えば、基準因子４ａ及び接続因子４ｂ）が接続情報６によって相互接続されることを基本パターンとする。そして、知識モデルＭにおいては、図１に示すように、技術分野における一定の技術領域を表現するために必要な組み合わせについて基本パターンを繰り返すことにより、因子４のネットワーク形態が形成される。従って、知識モデルＭにおいては、因子４をネットワーク形態により表すことにより、ノウハウや知識が形式知化される。

【0019】

次に、図３を用いて、知識モデルＭにおける各情報の中身と情報の紐付けを説明する。因子４は、因子コードＣによって識別される。因子４には、因子名称Ｆｎ、因子表記タイプＦｔ、因子情報コードＣｆが保持される。因子４は、因子情報コードＣｆによって因子情報５に紐付けられる。ここで、因子表記タイプＦｔは、因子４で扱うデータの表現形式を示すものであり、数値データを表現する数値表記、文字データを表現する文字表記等がある。

【0020】

数値表記は、例えば、実値表記、レンジ表記、ランク表記等を例示することができる。実値表記は、因子４に与えられる実際の値（実値）によって因子４が扱うデータを表現する表記である。レンジ表記は、レンジとして区切られる数値範囲に対応する数値範囲の代表値によって因子４が扱うデータを表現する表記である。ランク表記は、設定されたランク付けに対応するランク値によって因子４が扱うデータを表現する表記である。

【0021】

文字表記は、例えば、名称表記、記号表記等を例示することができる。名称表記は、名称によって因子４が扱うデータを表現する表記である。記号表記は、記号によって因子４が扱うデータを表現する表記である。

【0022】

因子情報５は、因子情報コードＣｆによって識別される。因子情報５には、実値表記コードＣｊ、レンジ表記コードＣｈ、ランク表記コードＣｒ、名称区分コードＣｎ、記号区分コードＣｓが保持される。尚、以下の説明においては、因子情報５が、実値表記コードＣｊ、レンジ表記コードＣｈ及びランク表記コードＣｒを保持しているものとする。

【0023】

又、因子４には、図３に示すように、因子コードＣを介して、技術的に関係性のある因子４と相互接続するときの接続に関する情報である接続情報６が紐付けられる。接続情報６は、接続情報コードＣｋによって識別される。接続情報６には、基準因子４ａの因子コードＣａと、接続因子４ｂの因子コードＣｂと、接続条件コードＣｄが保持される。そして、接続情報６は、接続条件コードＣｄを介して、基準因子４ａと接続因子４ｂとの接続関係を示す接続条件７が紐付けられている。

【0024】

更に、因子４には、因子コードＣを通じて上位因子又は下位因子との結合に関する情報である結合情報８が紐付けられている。結合情報８は、結合情報コードＣｖによって識別される。結合情報８には、基準因子４ａの因子コードＣａと、結合先である上位因子又は下位因子の因子コードＣｃと、結合先が上位因子か下位因子かを示す結合方向Ｄと、結合条件コードＣｍが保持される。結合情報８は、結合条件コードＣｍによって結合先の因子４との結合関係を示す結合条件９が紐付けられている。

【0025】

ここで、接続条件７と結合条件９について説明する。接続条件７は、技術体系を表現する上で技術的に相互関係にある因子４間で情報伝達を行うためのものである。具体的には、接続条件７は、基準となる因子４（即ち、基準因子４ａ）の因子値から接続関係にある接続先の因子４（即ち、接続因子４ｂ）の因子値を決定するための条件として機能する。そして、接続条件７は、結合条件９のような後述する密接な上下関係を定義するものではなく、技術的な相互関係を隣接する因子４の接続条件７と合い交えて表現するものである。従って、基準因子４ａの因子値が直接的に接続因子４ｂに反映されるのではなく、回帰式により、或いは、寄与度等に従った重み付けにより、限定的な形で接続因子４ｂに反映される。

【0026】

一方、結合条件９は、上下関係（親子関係や主従関係）を持つ因子４間で情報伝達を行うためのものである。具体的には、結合条件９は、基準となる因子４（即ち、基準因子４ａ）の因子値から上下関係にて結合される因子４（即ち、結合因子４ｃ）の因子値を決定するための条件として機能する。そして、結合条件９は、密接な（例えば、物理的に）上下関係にある基準因子４ａと結合因子４ｃとを結合するものである。このため、結合条件９によって基準因子４ａの因子値が概ね直接的に結合因子４ｃに反映される。上下関係としては、例えば、下位概念因子及び上位概念因子の組み合わせ、構成要素因子及び被構成要素因子の組み合わせ、特性表現因子及び被特性表現因子の組み合わせ等を挙げることができる。

【0027】

図４は、接続条件７に関する情報の紐付けを示す図である。図４は、接続条件７に紐付けられた更に詳細な下位の接続条件７の一例である。接続条件７は、基本パターン、即ち、隣接して相互接続する２つの因子４で扱うデータの因子表記タイプＦｔに従って定義される。

【0028】

接続条件７には、図３及び図４に示すように、自身の内部情報として因子関係コードＣｆｒと、必要に応じて因子寄与度Ｆｋと、共役接続条件コードＣｗとが保持される。そして、接続条件７には、更に接続条件コードＣｄによって下位の接続条件７が紐付けられている。因子関係コードＣｆｒは、基準因子４ａと接続因子４ｂとの関係を表すコードであり、現象・結果や要求・目標等に対応したコードがある。因子寄与度Ｆｋは、例えば、接続因子４ｂに対する基準因子４ａの相互関係の強さを表す寄与度であり、相互接続における因子４間の重み付けを表す。ここで、因子寄与度Ｆｋは、「０」を含むように設定することも可能である。

【0029】

共役接続条件コードＣｗは、２つ以上の因子４が一対となって１つの因子４と接続する場合の条件である（例えば、図１０を参照）。尚、共役接続条件コードＣｗに従って接続される２つ以上の因子４に紐づく因子コードＣは、特に、「共役因子コード」と呼ばれる。

【0030】

下位の接続条件７としては、図４に示すように、例えば、論理式接続条件７１、算術式接続条件７２、レンジ接続条件７３、ランク接続条件７４、実値接続条件７５、記号接続条件７６、名称接続条件７７等を例示することができる。これら下位の接続条件７には、更に接続条件７の具体的な情報が記述された下位へ繋がる共役接続条件コードＣｗを含むアドレスコードが保持される。そして、これらのコードを辿っていくことにより、具体的な接続条件７の情報を得ることができる。

【0031】

アドレスコードは、図４に示すように、共役接続条件コードＣｗに紐付けされた論理式接続条件７１に保持されている論理式コードＣｌや制約条件コードＣｘを例示することができる。又、共役接続条件コードＣｗに紐付けされた算術式接続条件７２に保持されている登録近似式コードＣｐを例示することができる。又、下位の接続条件７が複数存在する場合には、論理式接続条件７１及び算術式接続条件７２に示すように、どの条件を優先して用いるかを示す優先度Ｐを設定することもできる。

【0032】

登録近似式コードＣｐは、後述するように生成される回帰モデル、より詳しくは、生成される回帰モデルに該当する関数に紐付けされる。ここで、回帰モデル（関数）は、知識モデルＭの外部、例えば、知識モデルＭを探索するための探索プログラム内に保存されるようになっている。これにより、回帰モデルを探索する際には、該当する一対の因子４との間に割り当てられた共役接続条件コードＣｗを辿り、且つ、登録近似式コードＣｐを参照することにより、知識モデルＭの外部から回帰モデルを呼び出す。尚、登録近似式コードＣｐは、数式であれば、論理式等にも紐付けて登録することも可能である。又、登録近似式コードＣｐは、共役接続条件コードＣｗと紐付けされることに限定されず、例えば、因子４の１対１の接続に関する接続条件コードＣｄに紐付けされることも可能である。

【0033】

又、アドレスコードは、レンジ接続条件７３に保持されているレンジ／実値接続コードＣｈｊ、レンジ／レンジ接続コードＣｈｈ、レンジ／ランク接続コードＣｈｒ、レンジ／名称接続コードＣｈｎ、レンジ／記号接続コードＣｈｓを例示することができる。又、アドレスコードは、ランク接続条件７４に保持されているランク／実値接続コードＣｒｊ、ランク／レンジ接続コードＣｒｈ、ランク／ランク接続コードＣｒｒ、ランク／名称接続コードＣｒｎ、ランク／記号接続コードＣｒｓを例示することができる。

【0034】

又、アドレスコードとして、実値接続条件７５に保持されている実値／実値接続コードＣｊｊ、実値／レンジ接続コードＣｊｈ、実値／ランク接続コードＣｊｒ、実値／名称接続コードＣｊｎ、実値／記号接続コードＣｊｓを例示することができる。又、アドレスコードとして、記号接続条件７６に保持されている記号／実値接続コードＣｓｊ、記号／レンジ接続コードＣｓｈ、記号／ランク接続コードＣｓｒ、記号／名称接続コードＣｓｎ、記号／記号接続コードＣｓｓを例示することができる。更に、アドレスコードとして、名称接続条件７７に保持されている名称／実値接続コードＣｎｊ、名称／レンジ接続コードＣｎｈ、名称／ランク接続コードＣｎｒ、名称／名称接続コードＣｎｎ、名称／記号接続コードＣｎｓを例示することができる。

【0035】

尚、結合条件９にも、図示を省略するが、同様の形態で下位の結合条件９が紐付けられる。下位の結合条件９としては、論理式結合条件、算出式結合条件、レンジ結合条件、ランク結合条件、実値結合条件、記号結合条件、名称結合条件等を挙げることができる。結合条件９においても、接続条件７と同様に、結合条件９の具体的な情報が記述された下位へ繋がるアドレスコードを辿っていくことにより、具体的な結合条件９の情報を得ることができる。

【0036】

図５は、知識モデルＭに格納される接続条件７の具体例を示している。接続条件７は、「因子Ａ」と「因子Ｂ」の２つの因子４を接続するためのものであり、ランク／ランク接続である。尚、ランク／ランク接続以外に、レンジ／ランク接続等、他の接続条件７を同一の因子４の間に重複して定義することも可能である。知識モデルＭを探索する際には、それぞれの接続条件７毎に定義された優先順位によって採用される接続条件７が決定される。

【0037】

図５に例示するように、ランク／ランク接続の接続条件７としては、「因子Ａ」のランク値と「因子Ｂ」のランク値との対応関係が定義される。そして、この対応関係を参照することによって、「因子Ａ」は基準因子４ａであり、「因子Ａ」のランク値は「因子Ａ」という基準因子４ａの因子値である。又、「因子Ｂ」は接続因子４ｂとなり、「因子Ｂ」のランク値は「因子Ｂ」という接続因子４ｂの因子値となる。尚、各ランク値には、それぞれ、ランク値に対応するランク指標が別途定義されても良い。

【0038】

接続条件７としては、名称／ランク接続、名称／実値接続、名称／レンジ接続等を用いても良い。即ち、数値表記の具体的な形態として、実値表記、レンジ表記、ランク表記がある。名称／実値接続は名称表記の因子値と実値表記の因子値を接続する接続条件７である。又、名称／レンジ接続は名称表記の因子値とレンジ表記の因子値を接続する接続条件７である。ここで、実値表記とは数値で表される度量衡を実際の数値で表記することを意味する。又、レンジ表記とは度量衡の値を段階的に任意の範囲に区切ると共に、区切った範囲をレンジ値で代表して表記することを意味する。

【0039】

図６は、知識モデルＭに格納される接続条件７のランク／レンジ接続の例を示している。接続条件７は、「因子Ｃ」と「因子Ｄ」の２つの因子４を接続するためのものである。ランク／レンジ接続の接続条件７としては、「因子Ｃ」のランク値と「因子Ｄ」のレンジ値との対応関係が定義される。尚、図６に示す「レンジ称呼値」は、レンジ値を定める度量衡下限値と度量衡上限値で仕切られた特定範囲の代表値である。

【0040】

そして、この対応関係を参照することによって、「因子Ｃ」は基準因子４ａであり、「因子Ｃ」のランク値は「因子Ｃ」という基準因子４ａの因子値である。又、「因子Ｄ」は接続因子４ｂとなり、「因子Ｄ」のレンジ値は「因子Ｄ」という接続因子４ｂの因子値となる。

【0041】

ここで、上述したように、接続条件７は、下位の接続条件７として、共役接続条件コードＣｗ及び登録近似式コードＣｐに紐付けされた論理式接続条件７１や算術式接続条件７２と紐付けられることが可能である。論理式コードＣｌに紐付けられた論理式や登録近似式コードＣｐに紐付けられた算術式も数値表記の具体的な形態の１つである。特に、算術式によって数値表記は実値表記やレンジ表記、ランク表記よりも因子４の関係性を高精度に表記できる。よって、共役接続条件コードＣｗに算術式接続条件７２より具体的には登録近似式コードＣｐを紐付けることにより、接続条件７に算術式が加われば、基準因子４ａと接続因子４ｂとの関係性の表現精度が飛躍的に向上する。

【0042】

以上の通り、知識モデルＭは、技術情報を因子４とし、因子４がネットワーク形態で相互接続されることにより、技術情報の関係性が表現される。そして、知識モデルＭは、技術情報の関係性が所定の形式に従って記述されることにより、ノウハウ又は知識が形式知として格納される。知識モデルＭによれば、技術情報の因子４を、接続情報６及び接続条件７等を介してネットワーク形態で相互接続することができ、人の頭脳を模擬した形態でノウハウや知識を定型化された形態の形式知としてデジタル情報により保存できる。

【0043】

（４．第一例の制御装置１０の構成の詳細）
次に、図７を参照しながら、第一例の制御装置１０の構成を説明する。制御装置１０は、記憶装置２に記憶された知識モデルＭを形成する基準因子４ａの因子値及び基準因子４ａに接続される接続因子４ｂの因子値を訓練データセットとし、複数のアルゴリズムを用いて機械学習を行う。これにより、制御装置１０は、因子４間の相関についての複数の学習済みモデルを生成する。

【0044】

制御装置１０は、生成した複数の学習済みモデルのうち、各々の学習済みモデルを用いて算出した接続因子４ｂの因子値が、接続因子４ｂの目標因子値に対する誤差が最小となる学習済みモデルを最適として判定する。そして、制御装置１０は、最適として判定した学習済みモデルを接続条件７として知識モデルＭに格納する。又、制御装置１０は、知識モデルＭに格納した接続条件７を用いて、新たな基準因子４ａと接続因子４ｂとの関係性を設定して知識モデルＭを構築する。このため、図７に示すように、制御装置１０は、学習フェーズを実行可能な学習処理装置１１と、推論フェーズを実行可能な知識モデル構築装置１２とを備える。

【0045】

学習処理装置１１は、訓練データセット取得部１１１と、訓練データセット記憶部１１２と、学習済みモデル生成部１１３と、判定部１１４とを備える。訓練データセット取得部１１１は、記憶装置２に記憶されている知識モデルＭの全ての因子４の因子値を訓練データセットとして取得する。尚、学習フェーズを実行する際には、訓練データセット取得部１１１は、知識モデルＭの基本パターン即ち隣接した２つの因子４が接続情報６によって相互接続される複数の基準因子４ａの因子値及び１つの接続因子４ｂの因子値を訓練データセットとして取得する。

【0046】

ここで、訓練データセット取得部１１１は、複数の基準因子４ａの因子値及び１つの接続因子４ｂの因子値を取得する際に、予め設定された許容範囲に収まる因子値を抽出することにより取得する。これにより、取得した因子値のバラつきを抑えることができ、学習済みモデル生成部１１３の学習精度を向上させることができる。

【0047】

又、訓練データセット取得部１１１は、許容範囲に収まる因子値を取得する際、予め設定された条件を満たすように、例えば、時間的に連続する因子値については特定のタイミングで因子値を取得することもできる。これにより、訓練データセット取得部１１１は、学習に有効な因子値を抽出して取得することができ、学習済みモデル生成部１１３の学習精度を向上させることができる。

【0048】

尚、訓練データセット取得部１１１は、図７にて二点鎖線により示すように、複数の外部機器Ｏの各々から訓練データセットを取得することも可能である。取得された訓練データセットは、訓練データセット記憶部１１２に記憶される。

【0049】

学習済みモデル生成部１１３は、訓練データセット記憶部１１２に記憶された複数の基準因子４ａの因子値及び１つの接続因子４ｂの因子値を用いて機械学習を行う。本例における学習済みモデル生成部１１３は、例えば、サポートベクタマシン（ＳＶＭ）、ランダムフォレスト、ディープラーニング等の複数の異なるアルゴリズムを用いて機械学習を行う。

【0050】

具体的に、学習済みモデル生成部１１３は、複数の異なるアルゴリズムを用いて、例えば、訓練データセット記憶部１１２に記憶された基準因子４ａ及び接続因子４ｂの関係性を抽出して関係性を定型化する。又、学習済みモデル生成部１１３は、複数の異なるアルゴリズムを用いて、隣接する基準因子４ａと接続因子４ｂとの相互関係の情報を生成する。

【0051】

更に、学習済みモデル生成部１１３は、複数の異なるアルゴリズムを用いて、基準因子４ａと接続因子４ｂとの関係性、及び、基準因子４ａと接続因子４ｂとの相互関係の情報に基づいて、因子寄与度Ｆｋを算出する。これにより、学習済みモデル生成部１１３は、基準因子４ａと接続因子４ｂとの接続条件７に関する学習済みモデルを、各々のアルゴリズムに応じて複数生成する。ここで、基準因子４ａと接続因子４ｂとの相互関係の情報や、因子寄与度Ｆｋについては、例えば、熟練者が手動により予め設定することも可能である。

【0052】

尚、本例においては、複数の学習済みモデル生成部１１３の各々が異なるアルゴリズムにより、各々のアルゴリズムに対応する複数の学習済みモデルを生成する。しかしながら、１つの学習済みモデル生成部１１３が複数のアルゴリズムを実行して、各々のアルゴリズムを用いて学習済みモデルを生成することも可能である。

【0053】

判定部１１４は、学習済みモデル生成部１１３によって生成された複数の学習済みモデルのうち、知識モデルＭにおいて最適な学習済みモデル即ち接続条件７を判定する。即ち、判定部１１４は、生成された学習済みモデルに従い、基準因子４ａと接続因子４ｂとを接続した際の接続因子４ｂの因子値が、接続因子４ｂにおける目標因子値（実際の因子値である実値）に対して最も誤差の小さくなる学習済みモデルを最適と判定する。

【0054】

具体的に、判定部１１４は、例えば、基準因子４ａ及び接続因子４ｂが共にランク表記（図５を参照）である場合、生成された各々の学習済みモデルを用いて接続因子４ｂのランク値を算出する。そして、判定部１１４は、接続因子４ｂのランク値（目標因子値）に対して算出されたランク値の誤差を判定する。これにより、判定部１１４は、知識モデル構築装置１２が接続条件７を設定するために最適な学習済みモデルとして、誤差が最も小さいと判定した学習済みモデル（接続条件７）を特定する。

【0055】

尚、学習処理装置１１は、最適な学習済みモデルを生成した後において、新たに未知の因子４が知識モデルＭに追加される際には、再度、複数の学習済みモデルを生成し、且つ、最適な学習済みモデルを特定する。具体的に、学習処理装置１１の学習済みモデル生成部１１３は、以前の機械学習に用いた因子４（基準因子４ａ及び接続因子４ｂ）に対して、新たに追加される因子４（基準因子４ａ又は接続因子４ｂ）を含めて、上述したように複数の学習済みモデルを生成する。そして、判定部１１４は、上述したように、複数の学習済みモデルのうちから最適な学習済みモデルを特定する。これにより、知識モデルＭは、最適な状態に維持され、その結果、探索された際には正確な結果を提供することができる。

【0056】

知識モデル構築装置１２は、学習済みモデル記憶部１２１と、因子値取得部１２２と、接続条件設定部１２３と、知識モデル記憶部１２４とを主に備える。学習済みモデル記憶部１２１は、例えば、知識モデルＭの外部に設けられ、学習済みモデル生成部１１３が接続条件７を設定するために生成した学習済みモデルを共役接続条件コードＣｗ及び登録近似式コードＣｐに紐付けて記憶する。因子値取得部１２２は、知識モデルＭを構築するために新たに入力された因子４を取得する。

【0057】

接続条件設定部１２３は、因子値取得部１２２が取得した因子４の因子値と、学習済みモデル記憶部１２１に記憶された学習済みモデルとに基づいて、新たに入力された因子４に関する接続条件７を設定する。知識モデル記憶部１２４は、新たに入力された因子４、接続条件７、及び、接続条件７に基づく接続情報６（即ち、基準因子４ａの因子コードＣａ及び接続因子４ｂの因子コードＣｂ等）を知識モデルＭに格納する。

【0058】

尚、記憶装置２が外部機器Ｏの各々に配置されている場合には、知識モデル記憶部１２４は、各々の記憶装置２に対して、接続条件設定部１２３によって設定された接続条件７及び接続情報６を、ネットワークを介して供給（配信）する。これにより、例えば、外部機器Ｏを利用する未熟作業者は、常に最新の知識モデルＭを利用することができる。

【0059】

以上の説明からも理解できるように、第一例の制御装置１０を備える知識モデル構築システム１（知識モデル構築方法）によれば、隣接する基準因子４ａと接続因子４ｂとに関する学習済みモデル即ち接続条件７を機械学習により生成することができる。これにより、別途、接続条件７を設定する必要がなく、極めて容易に且つ簡便に知識モデルＭを構築することができる。又、因子値に基づいて最適な接続条件７を設定することができる。このため、例えば、熟練者毎による基準因子４ａ及び接続因子４ｂの接続に関するバラつきが生じにくく、より正確な知識モデルＭを構築することができる。

【0060】

（５．第二例の制御装置２０の構成の詳細）
次に、図８を参照しながら、第二例の制御装置２０の構成を説明する。上述したように、第一例においては、制御装置１０が複数のアルゴリズムを用いて複数の学習済みモデルを生成し、接続条件７を設定するために最適な学習済みモデルを判定して選択する。第二例においては、制御装置２０は、複数のアルゴリズムを用いた機械学習により各々の学習済みモデルを回帰モデルとして生成し、因子４の間を接続して知識モデルＭを構築する。

【0061】

即ち、制御装置２０は、図１にて破線により囲んで示すように、互いに隣接する複数の基準因子４ａ及び各々の基準因子４ａに接続される１つの接続因子４ｂを訓練データセットとする機械学習を行う。これにより、制御装置２０は、隣接する基準因子４ａと接続因子４ｂとの相関についての学習済みモデルである回帰モデルを生成する。そして、制御装置２０は、生成した回帰モデルを共役接続条件コードＣｗ及び登録近似式コードＣｐと紐付けして、基準因子４ａと接続因子４ｂとの関係性即ち接続条件７として設定して知識モデルＭに記憶する。尚、登録近似式コードＣｐに紐付けされた回帰モデルは、例えば、知識モデルＭの外部に記憶されており、知識モデルＭの探索時において共役接続条件コードＣｗ及び登録近似式コードＣｐを辿ることにより、紐付けされた回帰モデルが取得される。

【0062】

このため、図８に示すように、第二例における制御装置２０は、学習フェーズを実行可能な知識モデル構築装置２１と、推論フェーズを実行可能な因子値予測装置２２とを備える。知識モデル構築装置２１は、訓練データセット取得部２１１と、訓練データセット記憶部２１２と、学習済みモデル生成部２１３と、判定部２１４と、知識モデル記憶部２１５とを備える。訓練データセット取得部２１１は、記憶装置２に記憶されている知識モデルＭの全ての因子４の因子値を訓練データセットとして取得する。

【0063】

ここで、第二例においては、訓練データセット取得部２１１は、接続情報６（接続条件７）の有無に拘わらず、知識モデルＭにおいて複数の基準因子４ａ及び各々の基準因子４ａに直接的に隣接する１つの接続因子４ｂを訓練データセットとして取得する。又、訓練データセット取得部２１１は、複数の基準因子４ａの因子値及び１つの接続因子４ｂの因子値を取得する際に、予め設定された許容範囲に収まる因子値を抽出することにより取得する。これにより、取得した因子値のバラつきを抑えることができ、学習済みモデル生成部２１３の学習精度を向上させることができる。

【0064】

又、訓練データセット取得部２１１は、許容範囲に収まる因子値を取得する際、予め設定された条件を満たすように、例えば、時間的に連続する因子値については特定のタイミングで因子値を取得することもできる。これにより、訓練データセット取得部２１１は、学習に有効な因子値を抽出して取得することができ、学習済みモデル生成部２１３の学習精度を向上させることができる。

【0065】

尚、訓練データセット取得部２１１は、図８にて二点鎖線により示すように、複数の外部機器Ｏの各々から訓練データセットを取得することも可能である。取得された訓練データセットは、訓練データセット記憶部２１２に記憶される。

【0066】

学習済みモデル生成部２１３は、訓練データセット記憶部２１２に記憶された複数の基準因子４ａの因子値及び１つの接続因子４ｂの因子値に基づき、紐付けされた各々の因子値を訓練データセットする機械学習を行う。この第二例においても、学習済みモデル生成部２１３は、複数のアルゴリズムを用いた機械学習により、各々のアルゴリズムに応じた学習済みモデルを生成する。これにより、学習済みモデル生成部２１３は、複数の基準因子４ａの因子値と１つの接続因子４ｂの因子値とに関する複数の学習済みモデル即ち複数の回帰モデルを生成する。

【0067】

ここで、学習済みモデル生成部２１３は、回帰モデルを生成するに当たり、基準因子４ａと接続因子４ｂとの間に成立する物理法則に基づいて、回帰モデルを生成することができる。例えば、基準因子４ａが温度を因子値とするものであり、接続因子４ｂが伸びを因子値とするものである場合、学習済みモデル生成部２１３は、材料物性に関し温度と伸びの間に成立する物理法則に基づいて回帰モデルを生成する。

【0068】

尚、本例においても、複数の学習済みモデル生成部２１３の各々が異なるアルゴリズムにより、各々のアルゴリズムに対応する複数の学習済みモデルを生成する。しかしながら、１つの学習済みモデル生成部２１３が複数のアルゴリズムを実行して、各々のアルゴリズムを用いて学習済みモデルを生成することも可能である。

【0069】

判定部２１４は、学習済みモデル生成部２１３によって生成された複数の学習済みモデルのうち、知識モデルＭにおいて最適な回帰モデルである学習済みモデルを判定する。即ち、判定部２１４は、生成された学習済みモデルに従って算出される接続因子４ｂの因子値が、接続因子４ｂにおける目標因子値（実際の因子値である実値）に対して最も誤差の小さくなる学習済みモデルを最適な回帰モデルと判定する。

【0070】

ここで、学習済みモデル生成部２１３によって生成され、且つ、判定部２１４によって判定された最適な回帰モデルは、隣接する基準因子４ａと接続因子４ｂ、換言すれば、基本パターン毎に設けられる。そして、判定部２１４によって判定された最適な回帰モデルは、知識モデル記憶部２１５に出力される。

【0071】

知識モデル記憶部２１５は、判定部２１４によって判定された最適な回帰モデルを互いに隣接する複数の基準因子４ａと接続因子４ｂとの間の接続条件７（より具体的には、共役接続条件コードＣｗに紐付けされた下位の論理式接続条件７１又は算術式接続条件７２）とする。そして、知識モデル記憶部２１５は、接続情報６（即ち基準因子４ａの因子コードＣａ及び接続因子４ｂの因子コードＣｂ等）と共に接続条件７を知識モデルＭに記憶する。

【0072】

尚、記憶装置２が外部機器Ｏの各々に配置されている場合には、知識モデル記憶部２１５は、各々の記憶装置２に対して、判定部２１４によって判定された最適な回帰モデルを有する接続条件７及び接続情報６を、ネットワークを介して供給（配信）する。これにより、例えば、外部機器Ｏを利用する未熟作業者は、常に最新の知識モデルＭを利用することができる。

【0073】

更に、知識モデル構築装置２１は、最適な学習済みモデル（回帰モデル）を生成した後において、新たに未知の因子４が知識モデルＭに追加される際には、再度、複数の学習済みモデル（回帰モデル）を生成し、且つ、最適な学習済みモデルを特定する。具体的に、知識モデル構築装置２１の学習済みモデル生成部２１３は、以前の機械学習に用いた因子４（基準因子４ａ及び接続因子４ｂ）に対して、新たに追加される因子４（基準因子４ａ又は接続因子４ｂ）を含めて、上述したように複数の学習済みモデル（回帰モデル）を生成する。そして、判定部２１４は、上述したように、複数の学習済みモデルのうちから最適な学習済みモデル（回帰モデル）を特定する。これにより、知識モデルＭは、最適な状態に維持され、その結果、探索された際には正確な結果を提供することができる。

【0074】

因子値予測装置２２は、学習済みモデル記憶部２２１と、因子値取得部２２２と、因子値予測部２２３と、出力部２２４とを主に備える。学習済みモデル記憶部２２１は、例えば、知識モデルＭの外部に設けられており、学習済みモデル生成部２１３が生成した学習済みモデルのうち、判定部２１４によって最適な回帰モデルと判定された学習済みモデルを記憶する。因子値取得部２２２は、知識モデルＭを利用する際に新たに入力された因子４の因子値を取得する。

【0075】

因子値予測部２２３は、因子値取得部２２２が取得した因子４の因子値と、学習済みモデル記憶部２２１に記憶されていて共役接続条件コードＣｗ及び登録近似式コードＣｐを辿ることにより取得可能な学習済みモデル（最適な回帰モデル）とに基づいて、予測因子値を出力する。即ち、因子値予測部２２３は、新たに入力された因子４即ち基準因子４ａの因子値から接続因子４ｂ側に対応する予測因子値を出力する。

【0076】

出力部２２４は、因子値予測部２２３によって予測された予測因子値を出力する。出力部２２４は、例えば、未熟作業者が操作するコンピュータ装置の表示器や、ネットワークを介して接続された各種機器（具体的には、複数の切削装置等）に予測因子値を出力する。

【0077】

以上の説明からも理解できるように、第二例の制御装置２０を備える知識モデル構築システム１（知識モデル構築方法）によれば、接続条件７を設定することなく、隣接する基準因子４ａと接続因子４ｂとに関する回帰モデルを機械学習により生成することができる。これにより、別途、接続条件７を設定する必要がなく、極めて容易に且つ簡便に知識モデルＭを構築することができる。

【0078】

又、因子値に基づいて最適な回帰モデルを決定することにより、接続条件７を設定することができる。このため、例えば、熟練者毎による基準因子４ａ及び接続因子４ｂの接続に関するバラつきが生じにくく、より正確な知識モデルＭを構築することができる。

【0079】

（６．第三例の制御装置３０の構成の詳細）
次に、図９を参照しながら、第三例の制御装置３０の構成を説明する。この第三例においては、例えば、熟練者によって１つ以上の因子４（具体的には、基準因子４ａ）の因子値と、１つの因子４（具体的には、接続因子４ｂ）の因子値が設定されている場合を想定する。即ち、基準因子４ａと接続因子４ｂとが接続されることは設定されているものの、基準因子４ａと接続因子４ｂとの間の具体的な接続条件７が未だ設定されていない場合を想定する。この場合、制御装置３０は、接続因子４ｂの具体的な因子値が与えられることにより、予め設定された算術式（近似式）を用いて、因子４の間の接続条件７を設定して知識モデルＭを構築する。

【0080】

このため、第三例における制御装置３０は、図９に示すように、因子値取得部３１と、接続条件設定部３２と、知識モデル記憶部３３とを備える。因子値取得部３１は、知識モデルＭを構築する因子４（１つ以上の基準因子４ａ及び１つの接続因子４ｂ）の因子値を取得する。又、因子値取得部３１は、例えば、実験や生産等により得られて、知識モデルＭに新たに入力された接続因子４ｂの実因子値も取得可能である。

【0081】

接続条件設定部３２は、後述するように、接続因子４ｂの実因子値と予め設定された算術式（近似式）とを用いて、因子値取得部３１によって取得された１つ以上の基準因子４ａ及び１つの接続因子４ｂの間に成立する接続条件７を生成する。具体的に、接続条件設定部３２は、１つ以上の基準因子４ａ及び１つの接続因子４ｂが接続されるように、各々の基準因子４ａが接続因子４ｂに接続する際の因子寄与度Ｆｋ及び基準因子４ａの因子値（ランク値）に対応する接続因子４ｂの因子値（例えば、レンジ値等）を繰り返し計算により算出する。これにより、接続条件設定部３２は、１つ以上の基準因子４ａ及び１つの接続因子４ｂの間に成立する接続条件７を生成する。知識モデル記憶部３３は、接続条件設定部３２によって設定された接続条件７を知識モデルＭに記憶する。

【0082】

次に、制御装置３０による接続条件７の設定（知識モデル構築方法）について具体的に説明する。この具体例においては、図１０に示すように、「因子Ａ」、「因子Ｂ」及び「因子Ｃ」が基準因子４ａであり、「因子Ｄ」が接続因子４ｂであるとする。即ち、この具体例においては、２つ以上の基準因子４ａ（因子４）が一対になって１つの接続因子４ｂ（因子４）に接続される共役接続の関係を示している。

【0083】

そして、図１０に示すように、「因子Ａ」の因子値（例えば、ランク値）に対応する「因子Ｄ」の因子値（例えば、レンジ値）が「ａ」であり、「因子Ｄ」から見た「因子Ａ」の因子寄与度Ｆｋが「ｐ」であるとする。又、「因子Ｂ」の因子値（例えば、ランク値）に対応する「因子Ｄ」の因子値が「ｂ」（例えば、レンジ値）であり、「因子Ｄ」から見た「因子Ｂ」の因子寄与度Ｆｋが「ｑ」であるとする。更に、「因子Ｃ」の因子値（例えば、ランク値）に対応する「因子Ｄ」の因子値（例えば、レンジ値）が「ｃ」であり、「因子Ｄ」から見た「因子Ｃ」の因子寄与度Ｆｋが「ｒ」であるとする。そして、実験や生産等により得られ、且つ、知識モデルに新たに入力された「因子Ｄ」の実因子値が「ｘ」（例えば、レンジ値）であるとする。

【0084】

尚、「因子Ａ」、「因子Ｂ」及び「因子Ｃ」の各々の因子値（例えば、ランク値）と「因子Ｄ」の因子値（レンジ値）との間には、予め、「因子Ａ」、「因子Ｂ」及び「因子Ｃ」の変化傾向に対する「因子Ｄ」の変化傾向が把握（学習）されている。例えば、「因子Ａ」のランク値が大きくなる程「因子Ｄ」のレンジ称呼値は大きくなる傾向を有し、「因子Ｂ」及び「因子Ｃ」のランク値が大きくなる程「因子Ｄ」のレンジ称呼値が小さくなる傾向を有する等を挙げることができる。

【0085】

接続条件設定部３２は、因子値「ａ」、「ｂ」、「ｃ」の各々と因子寄与度Ｆｋである「ｐ」、「ｑ」、「ｒ」の各々とを乗算して合算することにより成立する下記式１を用いて、実因子値ｘを満たす場合の因子値「ａ」、「ｂ」、「ｃ」と因子寄与度Ｆｋである「ｐ」、「ｑ」、「ｒ」とを繰り返し計算により算出する。
ｘ＝ａ×ｐ＋ｂ×ｑ＋ｃ×ｒ… ・・・式１

【0086】

尚、前記式１を用いた繰り返し計算を実行する場合、例えば、因子値「ａ」、「ｂ」、「ｃ」には、論理的に正しい数値範囲（例えば、度量衡下限値及び度量衡上限値）が設定されると良い。これにより、計算に要する時間の短縮が可能になると共に、計算精度を向上させることができる。又、因子寄与度Ｆｋは如何なる値であっても良いが、「１」よりも大きい因子寄与度Ｆｋが設定された場合には、因子寄与度Ｆｋを統計学的に正規化しても良い。即ち、前記式１において、右辺各項の因子寄与度Ｆｋである「ｐ」、「ｑ」、「ｒ」の各々を「（ｐ＋ｑ＋ｒ）」で除算することにより因子寄与度Ｆｋを正規化することができる。

【0087】

具体的に、図１１に示すように、基準因子４ａである「因子Ａ」、「因子Ｂ」及び「因子Ｃ」の各々について、因子情報５として、ランク値（因子値）が設定されているとする。又、図１２に示すように、接続因子４ｂである「因子Ｄ」について、因子情報５として、レンジ称呼値（因子値）が設定されると共に、度量衡下限値及び度量衡上限値が設定されているとする。そして、実験や生産により「因子Ｄ」の実因子値「ｘ」として、例えば、「３５１，２５」が新たに入力されたとする。

【0088】

接続条件設定部３２は、前記式における「ｘ」に「３５１．２５」を代入し、因子値「ａ」、「ｂ」、「ｃ」を図１２のレンジ値に従って順次変化させると共に因子寄与度Ｆｋである「ｐ」、「ｑ」、「ｒ」を順次変化させる。そして、接続条件設定部３２は、接続因子４ｂである「因子Ｄ」に設定された度量衡下限値及び度量衡上限値を参照し、「３５１．２５」が成立する場合の因子値「ａ」、「ｂ」、「ｃ」（レンジ値）と因子寄与度Ｆｋである「ｐ」、「ｑ」、「ｒ」との組み合わせを決定する。

【0089】

これにより、図１３に示すように、接続条件設定部３２は、３つの基準因子４ａである「因子Ａ」、「因子Ｂ」及び「因子Ｃ」と、１つの接続因子４ｂである「因子Ｄ」との間における接続条件７を設定する。具体的に、接続条件設定部３２は、「３５１．２５」を含む「因子Ｄ」のレンジ称呼値「３５０」に接続する際の接続条件７として、「因子Ａ」、「因子Ｂ」及び「因子Ｃ」に各々の因子寄与度Ｆｋである「ｐ」、「ｑ」、「ｒ」を「０．２５」、「０．５０」、「０．２５」と設定する。ここで、接続条件設定部３２は、「因子Ｄ」のレンジ称呼値が「３５０」の場合、図１３にて梨地により示すように、「因子Ａ」のランク値「０」が接続する接続因子である「因子Ｄ」の「５５」に「因子Ａ」の因子寄与度Ｆｋ「０．２５」を用いた「０．２５／（０．２５＋０．５＋０．２５）」を乗算した値「１３．７５」を得ることができる。この値「１３．７５」は、「因子Ａ」の寄与によって定まる「因子Ｄ」の実因子値が「３５１．２５」（即ち、レンジ称呼値「３５０」）であるときの「因子Ａ」の因子値成分である。

【0090】

同様に、接続条件設定部３２は、「因子Ｄ」のレンジ称呼値が「３５０」の場合、図１３にて梨地により示すように、「因子Ｂ」のランク値「２」が接続する接続因子である「因子Ｄ」の「４５０」に「因子Ｂ」の因子寄与度Ｆｋ「０．５」を用いた「０．５／（０．２５＋０．５＋０．２５）」を乗算した値「２２５」を得ることができる。この値「２２５」は、「因子Ｂ」の寄与によって定まる「因子Ｄ」の実因子値が「３５１．２５」（即ち、レンジ称呼値「３５０」）であるときの「因子Ｂ」の因子値成分である。更に、接続条件設定部３２は、「因子Ｄ」のレンジ称呼値が「３５０」の場合、図１３にて梨地により示すように、「因子Ｃ」のランク値「２」が接続する接続因子である「因子Ｄ」の「４５０」に「因子Ｂ」の因子寄与度Ｆｋ「０．２５」を用いた「０．２５／（０．２５＋０．５＋０．２５）」を乗算した値「１１２．５」を得ることができる。この値「１１２．５」は、「因子Ｃ」の寄与によって定まる「因子Ｄ」の実因子値が「３５１．２５」（即ち、レンジ称呼値「３５０」）であるときの「因子Ｃ」の因子値成分である。

【0091】

これにより、前記式１に従い、「因子Ａ」の因子値成分「１３．７５」と、「因子Ｂ」の因子値成分「２２５」と、「因子Ｃ」の因子値成分「１１２．５」と、を合算すると、「因子Ｄ」の実因子値「ｘ」である「３５１．２５」が得られる。従って、接続条件設定部３２は、前記式１に従い、「因子Ｄ」の実因子値「３５１．２５」を満たすように、「因子Ａ」、「因子Ｂ」及び「因子Ｃ」と「因子Ｄ」との接続条件７を正確に設定することができる。そして、知識モデル記憶部３３は、接続条件設定部３２によって設定された接続条件７を知識モデルＭに記憶する。

【0092】

ところで、例えば、技術分野における熟練者が接続条件７を手動で設定することを想定すると、熟練者はこれまでの経験に基づいて接続条件７を設定する傾向がある。この場合、各々の熟練者の経験に基づく主観が異なるため、接続条件７即ち接続先にバラつきが生じる可能性がある。

【0093】

これに対して、接続条件設定部３２は、例えば、前記式１を用いて、客観的に接続先を決定することができる。これにより、接続先のバラつきが生じることを防止することができる。又、知識モデル記憶部３３は、接続条件設定部３２が設定した接続条件７を知識モデルＭに自動的に記憶（格納）することができる。従って、熟練者を含む人間が接続条件７を設定して知識モデルＭに記憶する必要がなく、極めて正確に且つ簡単に知識モデルＭを構築することができる。

【0094】

（７．その他の具体例）
上述したように、第一例及び第二例においては、学習済みモデルを用いることにより、接続因子４ｂ因子値を算出することができる。又、第三例においては、前記式１を満たすように、接続条件７を設定することができる。ところで、接続因子４ｂの因子表記タイプＦｔが、例えば、図１２に示したようなレンジ表記である、換言すれば、接続因子４ｂが区切り構造を有している場合がある。この場合、通常、区切り構造としては、レンジ称呼値が中央値となるように度量衡下限値と度量衡上限値とが単純に設定される。しかしながら、単純に均等割とした区切り構造を設けた場合には、接続因子４ｂの因子値が含まれる範囲を正確に表せない可能性がある。

【0095】

これに対して、上述した第一例及び第二例においては、学習済みモデル（回帰モデル）を用いて算出された（予測された）接続因子４ｂの因子値に基づいて、区切り構造を即ち度量衡下限値と度量衡上限値を適宜変更することが可能である。例えば、制御装置１０，２０は、一つの接続因子４ｂについて複数回に亘って因子値を算出した場合、算出した因子値の統計的な偏りを考慮することにより、レンジ表記の度量衡下限値及び度量衡上限値を変更することができる。又、第三例においては、接続因子４ｂの実因子値に応じて、レンジ表記の度量衡下限値及び度量衡上限値を変更することができる。

【0096】

これにより、基準因子４ａと接続因子４ｂとの接続に関する精度を向上させることができる。又、制御装置１０，２０がレンジ表記における度量衡下限値及び度量衡上限値を変更することにより、例えば、熟練者が変更作業を行う必要がない。このため、知識モデルＭのメンテナンスを簡略化することができる。

【0097】

（８．知識モデルＭの具体例と利用について）
機械加工分野として、例えば、切削加工分野における熟練者は、切削加工機を用いて工作物を切削加工する場合、これまでの経験やノウハウに基づく加工条件を切削加工機に設定する。具体的に、熟練者は、被削材諸元（被削材熱特性や、被削材硬、被削材伸び等）又は加工要件（高品質化や、高能率化、工具長寿命化等）に対応して、種々の条件を設定する。

【0098】

種々の条件としては、熟練者は、工具に要求される工具要求性能として要求工具耐熱性、要求工具刃先強度、要求工具耐凝着成、要求推定面粗さ等、或いは、工具緒言として工具コーティングの有無、バイトすくい角、バイト逃げ角、バイトＲ等を挙げることができる。そして、熟練者は、被削材諸元、加工要件、工具要求性能、工具緒言を勘案した結果として、加工条件として切削速度、回転送り、軸切込み等を切削加工装置に設定する。

【0099】

このように、熟練者が被削材諸元、加工要件、工具要求性能、工具緒言及び加工条件を切削加工装置に設定すると、これら各項目が因子４となり、制御装置１０又は制御装置２０に対して出力される。これにより、制御装置１０又は制御装置２０は、上述したように、因子値取得部１２２又は因子値取得部２２２が出力された因子４の因子値を取得し、基準因子４ａと接続因子４ｂとの関係性を表す知識モデルＭを構築する。これにより、例えば、図１２に示すように、機械加工分野（特に、切削加工分野）におけるノウハウを表現した知識モデルＭ１が構築される。

【0100】

一方、未熟作業者は、例えば、切削加工を行う際、切削加工に適した加工条件を知りたい場合がある。この場合、未熟作業者は、熟練者のノウハウが表現された知識モデルＭ１を利用して適切な加工条件を得ることができる。即ち、未熟作業者は、知識モデルＭ１を探索可能な図示省略のコンピュータ装置を利用して、入力因子としての初期条件を入力すると共に、出力因子としての加工条件を要求する。

【0101】

ここで、初期条件は、未熟作業者により入力されるものである。具体的に、初期条件は、図１４に示すように、例えば、工作物を形成する被削材諸元（被削材熱特性、被削材硬度、被削材伸び）及び工作物の加工要件（高品位化、高能率化、工具長寿命化）等、文字、数値及び記号を含む所定の形式で記述された技術情報である。又、加工条件は、図１４に示すように、未熟作業者が入力した初期条件を満たすことが可能な条件であり、例えば、回転送り等の熟練者のノウハウが反映されたものである。

【0102】

コンピュータ装置においては、接続情報６及び接続条件７を辿りながら知識モデルＭ１を探索することにより、未熟作業者が要求する加工条件を提供する。ここで、提供される加工条件は、上述したように、熟練者の経験やノウハウが反映されたものである。従って、未熟作業者であっても、提供された加工条件を用いることにより、熟練者と同様に切削加工を行うことが可能となる。即ち、未熟作業者は、熟練者から直接ノウハウを伝承することに代えて、デジタル情報とされたノウハウを常に利用することが可能となる。

【0103】

尚、知識モデルＭ１が構築されている場合、未熟作業者が要求に応じて、提供された加工条件がどのように設定されたのかという考え方をも提供することも可能である。例えば、コンピュータ装置の表示画面に図１４に示す知識モデルＭ１を表示することができる。これにより、入力因子と出力因子との間における経路過程である複数の因子４（図１４において太い破線により示す）とこれら複数の因子４の繋がり（関係性）である経路探索（図１４において太実線により示す）を提示（所謂、見える化）することができる。これにより、未熟作業者は、所望の状態となる切削加工を実現するための加工条件を設定する際に、検討すべき因子及び因子間の繋がり（関係性）を容易に習得することができる。

【0104】

そして、未熟作業者に提示される経路過程及び繋がりは、熟練者によって入力されたノウハウに基づくものである。このため、未熟作業者は、知識モデルＭ１を利用して、検討すべき因子４及び因子４間の繋がり（関係性）を習得することができる。これにより、未熟作業者は、熟練者の経験やノウハウを未熟作業者に伝承することが可能となる。

【符号の説明】

【0105】

１…知識モデル構築システム、２…記憶装置、４…因子、４ａ…基準因子、４ｂ…接続因子、５…因子情報、６…接続情報、７…接続条件、７１…論理式接続条件、７２…算術式接続条件、Ｆｋ…因子寄与度、１０…制御装置、１１…学習処理装置、１１１…訓練データセット取得部、１１２…訓練データセット記憶部、１１３…学習済みモデル生成部、１１４…判定部、１２…知識モデル構築装置、１２１…学習済みモデル記憶部、１２２…因子値取得部、１２３…接続条件設定部、１２４…知識モデル記憶部、２０…制御装置、２１…知識モデル構築装置、２１１…訓練データセット取得部、２１２…訓練データセット記憶部、２１３…学習済みモデル生成部、２１４…判定部、２１５…知識モデル記憶部、２２…因子値予測装置、２２１…学習済みモデル記憶部、２２２…因子値取得部、２２３…因子値予測部、２２４…出力部、３０…制御装置、３１…因子値取得部、３２…接続条件設定部、３３…知識モデル記憶部、Ｍ，Ｍ１…知識モデル、Ｏ…外部機器

【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】