特許 7613229 制御システム、予測モデル生成装置、コンピュータプログラム、及び予測モデル生成方法。

(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】2025-01-06

(45)【発行日】2025-01-15

(54)【発明の名称】制御システム、予測モデル生成装置、コンピュータプログラム、及び予測モデル生成方法。

(51)【国際特許分類】

   G05B 13/02 20060101AFI20250107BHJP

【ＦＩ】

G05B13/02 L

【請求項の数】 6

(21)【出願番号】P 2021070377

(22)【出願日】2021-04-19

(65)【公開番号】P2022165143

(43)【公開日】2022-10-31

【審査請求日】2024-02-07

(73)【特許権者】

【識別番号】000002945

【氏名又は名称】オムロン株式会社

(74)【代理人】

【識別番号】100155712

【弁理士】

【氏名又は名称】村上 尚

(72)【発明者】

【氏名】藤井 高史

(72)【発明者】

【氏名】長林 洋輔

【審査官】大古 健一

(56)【参考文献】

【文献】特開２０１９－１６００１７（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０５Ｂ １／００ － ７／０４

Ｇ０５Ｂ １１／００ －１３／０４

Ｇ０５Ｂ １７／００ －１７／０２

Ｇ０５Ｂ ２１／００ －２１／０２

(57)【特許請求の範囲】

【請求項1】

制御対象がツールを通じてワークに作用することによって前記ワークの加工をするための、前記制御対象の制御量を、設定値に従って制御する制御器と、
前記ワーク又は前記ツールの少なくともいずれかに作用する外乱に応じて、前記設定値を補正する予測器と、を備え、
前記予測器は、
前記設定値と
前記外乱と、
前記加工の結果としての前記ワークの品質特性値の、品質特性目標値からの誤差が、所定値以下の第１のクラスに属するか、前記所定値を超える第２のクラスに属するかのクラス分けの結果と、の組を教師データとして、機械学習を行うことにより算出された、
前記設定値と前記外乱との変数空間における前記クラス分けの決定境界を制約条件として、
前記第１のクラスに属する前記加工の、前記設定値と前記外乱との組のデータから回帰が行われて生成された、
前記外乱を入力とし、前記品質特性値を前記品質特性目標値とするための前記設定値を出力する、予測モデルに基づいて構築された、制御システム。

【請求項2】

制御対象がツールを通じてワークに作用することによって前記ワークの加工をするための、前記制御対象の制御量を、設定値に従って制御する制御器と、
前記ワーク又は前記ツールの少なくともいずれかに作用する外乱に応じて、前記設定値を補正する予測器と、を備える制御システムの、
前記予測器に適用可能な予測モデルを生成する予測モデル生成装置であって、
前記加工の結果としての前記ワークの品質特性値の、品質特性目標値からの誤差が、所定値以下の第１のクラスに属するか、前記所定値を超える第２のクラスに属するかのクラス分けを行うクラス分類部と、
前記加工についての、前記設定値と、前記外乱と、前記クラス分けの結果と、の組を教師データとして、機械学習を行うことにより、前記設定値と前記外乱との変数空間における前記クラス分けの決定境界を算出する決定境界算出部と、
前記決定境界を制約条件として、前記第１のクラスに属する前記加工の、前記設定値と前記外乱との組のデータから、前記外乱に対する前記設定値の回帰式を算出する回帰式算出部と、を備えることにより、
前記外乱を入力とし、前記品質特性値を前記品質特性目標値とするための前記設定値を出力する、予測モデルを生成する、予測モデル生成装置。

【請求項3】

前記機械学習は、サポートベクターマシンによって実行される、請求項２に記載の予測モデル生成装置。

【請求項4】

前記回帰式算出部が前記回帰式を算出するための、前記第１のクラスに属する前記加工のデータに、前記品質特性目標値からの誤差に従って重み付けを行う、データ前処理部を更に備える、請求項２または３に記載の予測モデル生成装置。

【請求項5】

請求項２または３に記載の予測モデル生成装置としてコンピュータを機能させるためのコンピュータプログラムであって、前記クラス分類部、前記決定境界算出部および前記回帰式算出部としてコンピュータを機能させるためのコンピュータプログラム。

【請求項6】

制御対象がツールを通じてワークに作用することによって前記ワークの加工をするための、前記制御対象の制御量を、設定値に従って制御する制御器と、
前記ワーク又は前記ツールの少なくともいずれかに作用する外乱に応じて、前記設定値を補正する予測器と、を備える制御システムの、
前記予測器に適用可能な予測モデルを生成する、コンピュータが実行する予測モデル生成方法であって、
前記加工の結果としての前記ワークの品質特性値の、品質特性目標値からの誤差が、所定値以下の第１のクラスに属するか、前記所定値を超える第２のクラスに属するかのクラス分けを行うステップと、
前記加工についての、前記設定値と、前記外乱と、前記クラス分けの結果と、の組を教師データとして、機械学習を行うことにより、前記設定値と前記外乱との変数空間における前記クラス分けの決定境界を算出するステップと、
前記決定境界を制約条件として、前記第１のクラスに属する前記加工の、前記設定値と前記外乱との組のデータから、前記外乱に対する前記設定値の回帰式を算出するステップと、をコンピュータが実行することにより、
前記外乱を入力とし、前記品質特性値を前記品質特性目標値とするための前記設定値を出力する、予測モデルを生成する、予測モデル生成方法。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、制御システム、予測モデル生成装置、コンピュータプログラム、及び予測モデル生成方法に関する。

【背景技術】

【0002】

ファクトリーオートメーション（Factory Automation：ＦＡ）の分野では、ワーク（材料）を加工するための制御対象の制御を自動で行う、制御系が多用されている。このような制御系では、制御対象の制御量が所定の設定値となるようなフィードバック制御が行われる。

【先行技術文献】

【特許文献】

【0003】

【文献】特開２０１９－１４１８６９号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかし、上記制御系による制御外での外乱が、ワーク等に作用して、ワークの加工の結果としての出来栄えに影響することがある。具体例を挙げると、例えば工場内の温度変動等の外乱が、ワークあるいは制御対象により操作されてワークを加工する工具・金型等のツールに作用して、加工の結果が目標とする状態から逸脱することがある。

【0005】

従来、加工の結果が目標とする状態から逸脱するような場合、熟練者が経験に基づいて上記設定値を補正し、出来栄えを調整することが行われていた。しかしながら、このような調整方法は属人的であり、制御対象の制御量の設定値を自動で適切に調整できるようにすることが望まれている。

【0006】

本開示は上記の問題点を鑑みてなされたものであり、外乱によるワークの加工の結果の目標とする状態からの逸脱を、自動で抑制することができる制御システムを実現することを目的とする。

【課題を解決するための手段】

【0007】

本開示は、上述の課題を解決するために、以下の構成を採用する。

【0008】

本開示の一側面に係る制御システムは、制御対象がツールを通じてワークに作用することによって前記ワークの加工をするための、前記制御対象の制御量を、設定値に従って制御する制御器と、前記ワーク又は前記ツールの少なくともいずれかに作用する外乱に応じて、前記設定値を補正する予測器と、を備え、前記予測器は、前記設定値と前記外乱と、前記加工の結果としての前記ワークの品質特性値の、品質特性目標値からの誤差が、所定値以下の第１のクラスに属するか、前記所定値を超える第２のクラスに属するかのクラス分けの結果と、の組を教師データとして、機械学習を行うことにより算出された、前記設定値と前記外乱との変数空間における前記クラス分けの決定境界を制約条件として、前記第１のクラスに属する前記加工の、前記設定値と前記外乱との組のデータから回帰が行われて生成された、前記外乱を入力とし、前記品質特性値を前記品質特性目標値とするための前記設定値を出力する、予測モデルに基づいて構築された構成を備える。

【0009】

上記構成によれば、外乱によるワークの加工の結果の目標とする状態からの逸脱を、自動で抑制することができる制御システムを実現することが可能となる。

【0010】

本開示の一側面に係る予測モデル生成装置は、制御対象がツールを通じてワークに作用することによって前記ワークの加工をするための、前記制御対象の制御量を、設定値に従って制御する制御器と、前記ワーク又は前記ツールの少なくともいずれかに作用する外乱に応じて、前記設定値を補正する予測器と、を備える制御システムの、前記予測器に適用可能な予測モデルを生成する予測モデル生成装置であって、前記加工の結果としての前記ワークの品質特性値の、品質特性目標値からの誤差が、所定値以下の第１のクラスに属するか、前記所定値を超える第２のクラスに属するかのクラス分けを行うクラス分類部と、前記加工についての、前記設定値と、前記外乱と、前記クラス分けの結果と、の組を教師データとして、機械学習を行うことにより、前記設定値と前記外乱との変数空間における前記クラス分けの決定境界を算出する決定境界算出部と、前記決定境界を制約条件として、前記第１のクラスに属する前記加工の、前記設定値と前記外乱との組のデータから、前記外乱に対する前記設定値の回帰式を算出する回帰式算出部と、を備えることにより、前記外乱を入力とし、前記品質特性値を前記品質特性目標値とするための前記設定値を出力する、予測モデルを生成する構成を備える。

【0011】

上記構成によれば、外乱によるワークの加工の結果の目標とする状態からの逸脱を、自動で抑制することができる制御システムを実現することが可能となる。

【0012】

上記一側面に係る予測モデル生成装置において、前記機械学習は、サポートベクターマシンによって実行されてもよい。上記構成によれば、決定境界の算出を適切に行うことができるようになる。

【0013】

上記一側面に係る予測モデル生成装置において、前記回帰式算出部が前記回帰式を算出するための、前記第１のクラスに属する前記加工のデータに、前記品質特性目標値からの誤差に従って重み付けを行う、データ前処理部を更に備えていてもよい。上記構成によれば、予測モデルの生成を適切に行うことができるようになる。

【0014】

本開示の一側面は、上記一側面に係る予測モデル生成装置としてコンピュータを機能させるためのコンピュータプログラムであって、前記クラス分類部、前記決定境界算出部および前記回帰式算出部としてコンピュータを機能させるためのコンピュータプログラムである。上記構成によれば、外乱によるワークの加工の結果の目標とする状態からの逸脱を、自動で抑制することができる制御システムを実現することが可能となる。

【0015】

本開示の一側面に係る予測モデル生成方法は、制御対象がツールを通じてワークに作用することによって前記ワークの加工をするための、前記制御対象の制御量を、設定値に従って制御する制御器と、前記ワーク又は前記ツールの少なくともいずれかに作用する外乱に応じて、前記設定値を補正する予測器と、を備える制御システムの、前記予測器に適用可能な予測モデルを生成する予測モデル生成方法であって、前記加工の結果としての前記ワークの品質特性値の、品質特性目標値からの誤差が、所定値以下の第１のクラスに属するか、前記所定値を超える第２のクラスに属するかのクラス分けを行うステップと、前記加工についての、前記設定値と、前記外乱と、前記クラス分けの結果と、の組を教師データとして、機械学習を行うことにより、前記設定値と前記外乱との変数空間における前記クラス分けの決定境界を算出するステップと、前記決定境界を制約条件として、前記第１のクラスに属する前記加工の、前記設定値と前記外乱との組のデータから、前記外乱に対する前記設定値の回帰式を算出するステップと、を備えることにより、前記外乱を入力とし、前記品質特性値を前記品質特性目標値とするための前記設定値を出力する、予測モデルを生成する。

【0016】

上記構成によれば、外乱によるワークの加工の結果の目標とする状態からの逸脱を、自動で抑制することができる制御システムを実現することが可能となる。

【発明の効果】

【0017】

本開示の一側面によれば、外乱によるワークの加工の結果の目標とする状態からの逸脱を、自動で抑制することができる制御システムを実現することができる。

【図面の簡単な説明】

【0018】

【図1】実施形態１に係る制御システムを示すブロック図である。

【図2】比較のための、従来技術に基づいた制御系を示すブロック図である。

【図3】実施形態１に係る制御システムにおける予測器の概略構成を示すブロック図である。

【図4】実施形態１に係る制御システムにおける予測器の構築方法を示すフローチャートである。

【図5】Ｘ（外乱）－Ｓ（設定値）－Ｒ（品質特性値）空間を模式的に示す図である。

【図6】Ｘ（外乱）－Ｓ（設定値）空間に各加工の結果をプロットした、クラス分けを説明するための図である。

【図7】クラス分類の決定境界Ｂを表したＸ（外乱）－Ｓ（設定値）空間を模式的に示す図である。

【図8】各加工の結果をプロットしたＸ（外乱）－Ｓ（設定値）空間に、クラス分類の決定境界Ｂを併せて示す図である。

【図9】Ｘ（外乱）－Ｓ（設定値）空間において、決定境界Ｂを制約条件として回帰を行う、予測モデルの生成方法を説明するための図である。

【発明を実施するための形態】

【0019】

§１ 適用例
まず、図１を用いて、本開示が適用される場面の一例について説明する。図１は、適用例に関連する制御システム１の構成例を示すブロック図である。制御システム１は、ワークＷＫの加工を行うための制御系を含む。制御システム１は、ＦＡ分野に適用され得る。

【0020】

制御システム１は、制御器１３と、制御器１３の制御対象である機構部１４とを備えている。制御器１３は、設定値Ｓに従って、機構部１４（制御対象）がツールＴＬを通じてワークＷＫに作用することによって、ワークＷＫの加工をするための、機構部１４（制御対象）の制御量を制御する。なお、図１においては、ワークＷＫ及び／又はツールＴＬを機能ブロック「ツール／ワーク２０」と表している。

【0021】

制御システム１は、更に予測器１５と、学習器３０（予測モデル生成装置）とを備えている。予測器１５には、ワークＷＫ又はツールＴＬの少なくともいずれかに作用する外乱Ｘが入力され、制御器１３に入力される設定値Ｓを補正している補正値Ｄを出力する。予測器１５は、学習器３０が生成した予測モデルに基づいて構築されている。

【0022】

学習器３０は、制御器１３に入力される設定値Ｓと、外乱Ｘと、クラス分けの結果と、の組を教師データとして、機械学習を行う。ここで、各加工についてのクラス分けは、加工の結果としてのワークＷＫの品質特性値Ｒの、品質特性目標値Ｒｏからの誤差が、所定値ε以下である第１のクラスＣ１に属するか、所定値εを超える第２のクラスＣ２に属するかの２分類で行われる。

【0023】

学習器３０は、機械学習により算出された、設定値Ｓと外乱Ｘとの変数空間におけるクラス分けの決定境界Ｂを制約条件として、第１のクラスに属する加工についての、設定値Ｓと外乱Ｘとの組のデータから回帰された予測モデルを算出する。当該予測モデルは、外乱Ｘを入力とし、品質特性値Ｒを品質特性目標値Ｒｏとするための設定値Ｓを出力する、予測モデルである。

【0024】

こうして学習器３０は、算出された予測モデルに基づいて、ワークＷＫ又はツールＴＬの少なくともいずれかに作用する外乱Ｘに応じて、制御器１３に入力される設定値Ｓを補正している補正値Ｄを出力する、予測器１５を構築する。

【0025】

よって、本適用例によれば、外乱ＸによるワークＷＫの加工の結果の目標とする状態からの逸脱、すなわち品質特性値Ｒの品質特性目標値Ｒｏからの乖離を、自動で抑制することができる制御システムを実現することが可能となる。

【0026】

§２ 構成例
〔実施形態１〕
＜制御システムの概要＞
以下、本開示の一実施形態について、詳細に説明する。図１は、実施形態１に係る制御システム１の構成例を示すブロック図である。以下では、制御システム１の構成等を理解しやすくするための具体的な事例として、制御システム１が、金型を用いてワークのプレス加工を行うサーボプレス機を備えている場合を適宜併せて示す。

【0027】

制御システム１は、設定値生成部１１、加算器１２、制御器１３、機構部１４、予測器１５が設けられた制御系１０を備えている。機構部１４は制御器１３の制御対象である。制御器１３は、機構部１４がツールＴＬを通じてワークＷＫに作用することによって、ワークＷＫの加工をするための機構部１４の制御量を制御する。制御器１３は、機構部１４の制御量が、入力される設定値Ｓに応じた値になるように、制御対象である機構部１４をフィードバック制御する。制御システム１は、更に学習器３０（予測モデル生成装置）を備えている。

【0028】

品質特性値Ｒとは、ワークＷＫの加工の結果の出来栄えを評価するための指標である。品質特性値Ｒは、一般的には多次元量であり、すなわちベクトルで表され得る。なお、品質特性値Ｒはスカラー量であってもよい。品質特性値Ｒの目標値である品質特性目標値Ｒｏが、設定値生成部１１に入力されると、設定値生成部１１は、品質特性目標値Ｒｏに応じた基礎設定値Ｓｏを出力する。制御器１３に入力される設定値Ｓは、補正値Ｄが無い場合に、設定値生成部１１が出力する基礎設定値Ｓｏに等しい。制御器１３に入力される設定値Ｓに補正が施される場合には、加算器１２によって補正値Ｄが基礎設定値Ｓｏに加算されて、設定値Ｓとして制御器１３に入力される。

【0029】

図１に示されるように、ワークＷＫ又はツールＴＬの少なくともいずれかには、制御器１３と機構部１４によるフィードバック制御の制御外での外乱Ｘが作用するものとする。予測器１５は、外乱Ｘに応じた補正値Ｄを算出する。予測器１５は、制御システム１が備える学習器３０によって生成された予測モデルに基づいて、構築される。学習器３０及び予測器１５の詳細は後述される。

【0030】

サーボプレス機の事例では、機構部１４はサーボプレス機におけるサーボモータとスライダ等から構成される機構であり、制御量はスライダ位置等である。制御器１３はサーボモータコントローラであり得、操作量は、サーボモータコントローラがサーボモータに指示する動作に関する量である。

【0031】

ワークＷＫはプレス加工の対象の材料である。ツールＴＬはスライダに取り付けられた金型等である。品質特性値Ｒは、例えばワークＷＫのプレス加工後の所定箇所の厚み等の寸法であり得る。この場合、品質特性目標値Ｒｏは、当該厚みの目標値であり得る。

【0032】

外乱Ｘとしては、金型の温度が例示できる。制御系１０がプレス加工を繰り返し実行するに当たり、厚みの目標値（品質特性目標値Ｒｏ）に応じて、設定値生成部１１が出力する基礎設定値Ｓｏに従って、制御器１３が機構部１４の制御を続けていたとする。この場合には、金型の温度に作用されて、プレス加工の結果としての、ワークＷＫの所定箇所の厚みが変動することがある。

【0033】

このように、品質特性値Ｒが、外乱Ｘに影響され得ることが上記事例から理解される。しかし、実施形態１に係る制御システム１では、予測器１５が外乱Ｘに応じて補正値Ｄを出力することで、制御器１３に入力される設定値Ｓを調整し、外乱Ｘによる品質特性値Ｒの変動を抑え込むことができる。

【0034】

＜比較例、効果＞
図２は、実施形態１に係る制御システム１の制御系１０と比較するための、従来技術を適用した比較例の制御系１０Ｐを示す図である。なお、説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、その説明を繰り返さない。図示されるように、比較例の制御系１０Ｐでは、予測器１５を備えていない点が、制御系１０とは異なる。

【0035】

比較例の制御系１０では、上記説明と同様にして外乱Ｘの影響により品質特性値Ｒが品質特性目標値Ｒｏから乖離してきた場合には、熟練の作業者Ｗが、品質特性値ＲすなわちワークＷＫの加工の出来栄えを判断して、感や経験に基づいて補正値Ｄを決定する。そうして、制御器１３に入力される設定値Ｓに補正を施して、品質特性値Ｒを品質特性目標値Ｒｏに近づけようとする。

【0036】

しかし、このような手法は属人的であり効率がよくなく、補正値Ｄの決定を自動化することが望まれていた。また、補正値Ｄが適正であることは担保されておらず、外乱Ｘに応じて適正に補正値Ｄを算出されることが望まれる。実施形態１に係る制御システム１では、上記構成を備えることにより、これらの課題が解決されている。

【0037】

すなわち、実施形態１に係る制御システム１によれば、外乱Ｘの影響による品質特性値Ｒの品質特性目標値Ｒｏからの乖離が効果的に抑制される。補正値Ｄの調整は、予測器１５が自動で行うため、外乱Ｘの影響の補正が直ちに実行され、効率的に行われる。更に、予測器１５の構築は、後述するように機械学習を用いて行われているため、制御システム１では、補正値Ｄの調整が正確に行われるようになる。

【0038】

＜予測器の構築＞
図３は、実施形態１に係る制御システム１の学習器３０（実施形態１に係る予測モデル生成装置）の概略構成を示す機能ブロック図である。学習器３０は、取得部３１、クラス分類部３２、決定境界算出部３３、データ前処理部３４、回帰式算出部３５、及び、予測器設定部３６の各機能ブロックを備える。

【0039】

図４のフローチャートに沿って、以下に、実施形態１に係る制御システム１の予測器１５の構築方法とその原理が、図５から図９をも参照しつつ詳細に説明される。図４は、予測器１５の構築方法を示すフローチャートである。

【0040】

始めに、学習器３０の取得部３１は、制御系１０から、制御系１０による多数の加工についての、品質特性目標値Ｒｏ、設定値Ｓ、外乱Ｘを取得する。以下では、各加工を示すインデックスを記号ｉで表すこととする。予測器１５が稼動していない初期の状態では、学習器３０の取得部３１が、設定値Ｓに変えて、基礎設定値Ｓｏを取得してもよい（ステップＳ１）。

【0041】

更に、学習器３０の取得部３１は、制御系１０による多数の加工についての、ワークＷＫの加工の出来栄えである品質特性値Ｒを取得する。品質特性値Ｒは、検査機、測定器等により評価されるため、学習器３０の取得部３１は、これらの機器から直接、又は間接的に品質特性値Ｒを取得する（ステップＳ２）。

【0042】

品質特性値Ｒは、制御器１３に入力される設定値Ｓにより変化する他、上述の通り、外乱Ｘに影響されるため、設定値Ｓと外乱Ｘの関数すなわち、Ｒ＝Ｒ（Ｓ，Ｘ）である。ここで、設定値Ｓは一次元量には限られず、多次元量、すなわちベクトルであってもよい。また、外乱Ｘも一次元量には限られず、多次元量、すなわちベクトルであってもよい。更に、品質特性値Ｒ及び品質特性目標値Ｒｏも、一次元量には限られず、多次元量、すなわちベクトルであってもよい。

【0043】

図５は、Ｘ－Ｓ－Ｒ空間を模式的に示す図であり、ここでは図示のために、品質特性値Ｒ、設定値Ｓ、外乱Ｘがそれぞれ一次元量であるように表されている。なお、各パラメタの数値は任意単位である。図５には、Ｘ－Ｓ－Ｒ空間内の関数Ｒ＝Ｒ（Ｓ，Ｘ）を示す面が模式的に示されている。また図５には、品質特性値Ｒが品質特性目標値Ｒｏに一致する条件Ｒ＝Ｒｏを示す面も併せて模式的に示されている。これらの２つの面が交差する領域が、外乱Ｘが与えられた時に品質特性値Ｒを品質特性目標値Ｒｏに一致するように維持するための、設定値Ｓの値を示す。

【0044】

次に学習器３０のクラス分類部３２は、取得した各加工ｉについてのデータに基づいて、各加工ｉのクラス分けを行う。学習器３０のクラス分類部３２は、予め定められた所定値ε（ε＞０）を用いて、品質特性値Ｒの品質特性目標値Ｒｏからの誤差が、所定値ε以下である加工ｉは、クラスＣ１（第１のクラス）に属すると判定する。また、学習器３０のクラス分類部３２は、品質特性値Ｒの品質特性目標値Ｒｏからの誤差が、所定値εを超える加工ｉは、クラスＣ２（第２のクラス）に属すると判定する。（ステップＳ３）。

【0045】

図６は、設定値Ｓを一次元量、外乱Ｘを一次元量として、加工ｉについてのデータをＸ－Ｓ空間（図６においては２次元グラフ）中に、クラスごとにプロットの種別を変えて示した図である。図において、クラスＣ１に属する加工ｉについてのデータを黒色のプロットで、クラスＣ２に属する加工ｉについてのデータを灰色のプロットで表している。クラスＣ１に属する加工ｉは、出来栄えが良好であると判断される加工に相当する。クラスＣ２に属する加工ｉは、出来栄えが良好では無いと判断される加工に相当する。

【0046】

図７は、設定値Ｓを一次元量、外乱Ｘを二次元量として、Ｘ－Ｓ空間を模式的に示した図である。図７において外乱Ｘは、変数Ｘ１と、変数Ｘ２の２軸で表されている。また、図７において、品質特性値Ｒが品質特性目標値Ｒｏに一致する条件Ｒ＝Ｒｏを満たす領域（曲面）が表されている。当該条件は、Ｘ－Ｓ空間内の外乱Ｘについての関数Ｓ＝ｇ（Ｘ）で表される。

【0047】

品質特性値Ｒの品質特性目標値Ｒｏからの誤差が小さい、すなわち条件式｜Ｒ－Ｒｏ｜≦εを満たす加工ｉについてのデータは、Ｘ－Ｓ空間内において、関数Ｓ＝ｇ（Ｘ）近傍に分布することとなる。また、品質特性値Ｒの品質特性目標値Ｒｏからの誤差が大きい、すなわち条件式｜Ｒ－Ｒｏ｜＞εを満たす加工ｉについてのデータは、Ｘ－Ｓ空間内において、関数Ｓ＝ｇ（Ｘ）から離間して分布することとなる。ここで、誤差｜Ｒ－Ｒｏ｜は、品質特性値Ｒ及び品質特性目標値Ｒｏが多次元量である場合には、多次元空間におけるユークリッド距離で定義されるものとする。

【0048】

よって、設定値Ｓと、外乱Ｘとの組の加工のデータが与えられた場合に、当該加工が、クラスＣ１に属する蓋然性が高いか、クラスＣ２に属する蓋然性が高いかを区分けする決定境界Ｂを、Ｘ－Ｓ空間内で関数Ｓ＝ｇ（Ｘ）の周囲に設定することができる。決定境界Ｂは、図７に模式的に表されている。

【0049】

決定境界Ｂの、境界上も含む内側に存在する、設定値Ｓと外乱Ｘとの組を有する加工については、当該加工が、クラスＣ１に属する蓋然性が高いと判断されることとなる。決定境界Ｂの、外側に存在する設定値Ｓと外乱Ｘとの組を有する加工については、当該加工が、クラスＣ２に属する蓋然性が高いと判断されることとなる。

【0050】

ステップＳ３に続いて、学習器３０の決定境界算出部３３は、機械学習を用いて、図７に模式的に示されたようなＸ－Ｓ空間におけるクラスＣ１、クラスＣ２の２つのクラスへのクラス分類の決定境界Ｂを算出する。その際、学習器３０の決定境界算出部３３は、図６にプロットで表されたような、各加工ｉについての設定値Ｓ、外乱Ｘ、クラス（クラスＣ１又はクラスＣ２）のデータのセットを、機械学習のための教師データとして用いる（ステップＳ４）。

【0051】

このような機械学習のアルゴリズムとしては、サポートベクターマシン（support vector machine：ＳＶＭ）を適用することが望ましい。サポートベクターマシンは、２クラスのパターン識別器を生成するための性能が極めて高い機械学習として知られているからである。

【0052】

図８は、こうして学習器３０の決定境界算出部３３が実行した機械学習により算出されたクラス分類の決定境界Ｂを、図６にて示したＸ－Ｓ空間上に重ねて表した図である。決定境界Ｂで囲われた領域（決定境界Ｂの内側）が、クラスＣ１に属する蓋然性が高い、加工の設定値Ｓと、外乱Ｘとの組の範囲である。

【0053】

次に学習器３０のデータ前処理部３４は、クラスＣ１に属する各加工ｉについてのデータを基に回帰曲線（曲面）を算出するに当たり、クラスＣ１に属する各加工ｉについてのデータに対し重み付けを行う前処理を実行する。学習器３０のデータ前処理部３４は、誤差｜Ｒ－Ｒｏ｜が相対的に小さい加工のデータをより重視するように、当該重み付けを実行する（ステップＳ５）。

【0054】

続いて、学習器３０の回帰式算出部３５は、重み付けが施されたクラスＣ１に属する各加工ｉについてのデータを基に、決定境界Ｂを制約条件として、回帰式Ｓ＝ｆ（Ｘ）を算出する。すなわち学習器３０の回帰式算出部３５は、決定境界Ｂの内側に存在し、決定境界Ｂの外側へと逸脱しない回帰曲線（曲面）を表す回帰式Ｓ＝ｆ（Ｘ）を求める。

【0055】

回帰式Ｓ＝ｆ（Ｘ）は、上記関数Ｓ＝ｇ（Ｘ）の近似式である。学習器３０の回帰式算出部３５が回帰式Ｓ＝ｆ（Ｘ）を算出することにより、外乱Ｘを入力とし、品質特性値Ｒを品質特性目標値Ｒｏとするための設定値Ｓを出力する予測モデルが生成されることとなる（ステップＳ６）。

【0056】

続いて、学習器３０の予測器設定部３６は、生成された予測モデルを用いて、補正値Ｄを算出する予測器１５を制御系１０内に設定する。ここで、補正値Ｄは、Ｄ＝ｆ（Ｘ）－Ｓｏに相当する（ステップＳ７）。

【0057】

本実施形態１の学習器３０では、上記回帰式Ｓ＝ｆ（Ｘ）を算出するに当たり、各加工のデータのうち、品質特性値Ｒの品質特性目標値Ｒｏからの誤差が小さいデータのみを採用する。このことにより、品質特性値Ｒを品質特性目標値Ｒｏとするための設定値Ｓを精度よく算出することを意図している。

【0058】

特に、前処理として、クラスＣ１に属する各加工ｉについてのデータに上記重み付けを行うことにより、更なる精度の向上を図っている。しかし、加工の回数に対して、出来栄えの良好な加工、すなわちクラスＣ１に属する結果があまり多くない場合には、採用されるデータ数が少なくなってしまい、外乱Ｘの様々な値に対して精度よい回帰式の算出が困難となる怖れがある。

【0059】

図９の８０１及び８０２で表されるグラフは、図６に表されたクラスＣ１に属する結果（黒色プロット）に対して、決定境界Ｂによる制約を設けずに回帰を試みた結果の例である。図示されるように、外乱Ｘのデータ数が少ない領域において、回帰式ｆ１、回帰式ｆ２が、適切に関数Ｓ＝ｇ（Ｘ）を近似できない状況が発生し得ることが分かる。すなわち、予測モデルが、品質特性値Ｒを品質特性目標値Ｒｏに一致させるための設定値Ｓの予測を良好に行えないことが分かる。

【0060】

一方、図９の８０３で表されるグラフでは、図４のフローチャートに表された上述の手順に従って、回帰式Ｓ＝ｆ（Ｘ）が算出されている。機械学習により算出された決定境界Ｂによる制約のもとで回帰が行われるため、適切に関数Ｓ＝ｇ（Ｘ）を近似し得ている。すなわち、予測モデルが、品質特性値Ｒを品質特性目標値Ｒｏに一致させるための設定値Ｓの予測を良好に行えていることが分かる。

【0061】

よって、本実施形態によれば、出来栄えが良好であった加工が相対的に少ないデータセットであっても、決定境界Ｂを良好に定めることができる。その結果として、出来栄えが良好であった加工が相対的に少ないデータセットであっても、品質特性値Ｒを、品質特性目標値Ｒｏと一致させるための設定値Ｓを、予測する学習モデルを良好に構築することができる。

【0062】

なお、本実施形態においては、回帰式Ｓ＝ｆ（Ｘ）を算出するに当たり、ステップ５において、誤差｜Ｒ－Ｒｏ｜が相対的に小さい加工のデータをより重視するように、重み付けの前処理を実行する例が示された。しかしながら、データの重み付けを行う前処理は必須では無く、ステップ５の手続きは省略されてもよい。

【0063】

〔ソフトウェアによる実現例〕
制御システム１の機能ブロック（特に、設定値生成部１１、加算器１２、制御器１３、予測器１５、学習器３０）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。

【0064】

後者の場合、制御システム１は、各機能を実現するソフトウェアであるプログラム（コンピュータプログラム）の命令を実行する少なくとも１つのコンピュータを備えている。この各コンピュータは、例えば１つ以上のプロセッサを備えていると共に、上記プログラムを記憶したコンピュータ読み取り可能な記録媒体を備えている。そして、上記コンピュータにおいて、上記プロセッサが上記プログラムを上記記録媒体から読み取って実行することにより、本開示の目的が達成される。

【0065】

上記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）を用いることができる。上記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、磁気ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムを展開するＲＡＭ（Random Access Memory）などを更に備えていてもよい。

【0066】

また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本発明の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

【0067】

本開示は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本開示の技術的範囲に含まれる。

【符号の説明】

【0068】

１ 制御システム
１０ 制御系
１１ 設定値生成部
１２ 加算器
１３ 制御器
１４ 機構部（制御対象）
１５ 予測器
２０ ツール／ワーク
３０ 学習器（予測モデル生成装置）
３１ 取得部
３２ クラス分類部
３３ 決定境界算出部
３４ データ前処理部
３５ 回帰式算出部
３６ 予測器設定部
Ｄ 補正値
Ｓｏ 基礎設定値
Ｓ 設定値
Ｒｏ 品質特性目標値
Ｒ 品質特性値
Ｘ 外乱
Ｂ 決定境界

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】