JP7362000B1 - 処理システム、処理方法及びプログラム - Google Patents

Abstract

処理システムは、設定データが入力される入力部（１１）と、工場に設置されて、設定データに基づいて対象物を処理する処理装置（１０）と、工場に設置される前における処理装置（１０）に固有の特性により処理装置（１０）の処理結果が含む誤差を抑制するために設定データに適用される第１モデル（４１）を示すモデル情報を取得するモデル情報取得部（１３）と、工場において入力される設定データに基づいて第１モデル（４１）を用いて工場において対象物（２１）を処理する処理装置の処理結果の目標値との誤差を抑制するための第２モデル（４２）を学習する学習部（１６）と、を備える。処理装置（１０）は、設定データに対して第１モデル（４１）及び第２モデル（４２）を適用した結果に基づいて対象物（２２）を処理する。

Description

本開示は、処理システム、処理方法及びプログラムに関する。

ＦＡ（Factory Automation）の現場では、種々の装置を用いて、製造ラインのような処理工程を実現するシステムが構築される。このようなシステムを構成する装置としては通常、実現すべき処理工程に適した能力を有する機種で必要な台数の装置が採用される。しかしながら、同一の機種の装置であっても現場に設置された際に完全に同一の能力を発揮するとは限らず、装置の能力にバラつきが生じることがある。

そこで、条件が変更された際の出力を推定するためのモデルを学習する技術を利用して、装置の能力差を推定し、能力差を加味した処理を装置に実行させることが考えられる（例えば、特許文献１を参照）。この技術を利用する場合には、装置の能力に影響を及ぼし得る要因を条件として指定すればよい。また、モデルにより能力差を推定することができれば、能力差を抑制するような出力を得るためのモデルを得ることもできる。

特開２０２１－１７０１６３号公報

しかしながら、装置が現場で発揮する能力に影響を及ぼし得る要因は多く、モデルの学習には大きな演算負荷が生じるおそれがある。

本開示は、上述の事情の下になされたもので、装置の能力差を抑制するモデルを学習するための演算負荷を軽減することを目的とする。

上記目的を達成するため、本開示の処理システムは、設定データが入力される入力手段と、工場に設置されて、設定データに基づいて対象物を処理する処理装置と、工場に設置される前における処理装置に固有の特性により処理装置の第１処理結果が含む第１誤差を抑制するために設定データに適用される第１モデルを示すモデル情報を取得するモデル情報取得手段と、工場に設置された処理装置の環境を示す工場環境情報を取得する環境情報取得手段と、工場において入力される設定データに基づいて第１モデルを用いて工場において対象物を処理する処理装置の第２処理結果の目標値との第２誤差を示す第１誤差情報を取得する誤差情報取得手段と、工場環境情報及び第１誤差情報から、第２誤差を抑制するための第２モデルを学習する学習手段と、を備え、処理装置は、設定データに対して第１モデル及び第２モデルを適用した結果に基づいて対象物を処理する。

本開示によれば、モデル情報取得手段が、工場に設置される前における処理装置に固有の特性により処理装置の第１処理結果が含む第１誤差を抑制するために設定データに適用される第１モデルを示すモデル情報を取得し、学習手段が、工場において対象物を処理する処理装置の第２処理結果の目標値との第２誤差を抑制するための第２モデルを学習する。これにより、工場に設置される前に生じる能力差を抑制する第１モデルとは別に、工場に設置された処理装置の環境により生じる能力差を抑制する第２モデルが学習される。このため、装置の能力に影響を及ぼし得る要因を切り分けて、その一部の要因による能力差に対処するための第２モデルが学習される。したがって、装置の能力差を抑制するモデルを学習するための演算負荷を軽減することができる。

実施の形態１に係る処理システムの概要を示す図 実施の形態１に係る処理装置のハードウェア構成を示す図 実施の形態１に係る処理装置の機能的な構成を示す図 実施の形態１に係る第１モデルのモデル情報の一例を示す図 実施の形態１に係る第２モデルの一例を示す図 実施の形態１に係るモデル適用処理を示すフローチャート 変形例に係る処理装置の機能的な構成を示す図 実施の形態２に係る処理装置の概要を示す図 実施の形態２に係る処理装置の機能的な構成を示す図 実施の形態２に係る第１モデル生成処理を示すフローチャート 実施の形態２に係るモデル適用処理を示すフローチャート 実施の形態３に係る処理装置１０の機能的な構成を示す図 実施の形態３に係るレシピバンクの構成を示す図 実施の形態４に係る処理装置の機能的な構成を示す図 実施の形態４に係る推定モデルを説明するための図 実施の形態４に係る推定モデルの一例を示す図 実施の形態４に係る推定モデル適用処理を示すフローチャート 実施の形態４に係る推定モデル生成処理を示すフローチャート 実施の形態５に係るモデル改善処理を示すフローチャート 実施の形態５に係る第２モデル及び推定モデルの組合せの探索について説明するための図 変形例に係る処理システムの構成を示す図 変形例に係る処理装置の構成を示す図 変形例に係る第１モデルを示す図

以下、本開示の実施の形態に係る処理システムについて、図面を参照しつつ詳細に説明する。

実施の形態１．
本実施の形態に係る処理システム１０００は、図１に示されるように、生産現場１００ａで生産される同一機種の処理装置１０ａ，１０ｂのうちの処理装置１０ｂが工場１００に設置されることで構築される。処理システム１０００は、処理装置１０ｂを含む。以下では、処理装置１０ａ，１０ｂを区別することなく処理装置１０と表記することがある。

処理装置１０は、工作機械のような、対象物２０，２１を処理するＦＡ装置又は設備である。対象物２０は、生産現場１００ａにおける処理対象であって、対象物２１は、工場１００における処理対象である。処理装置１０による処理は、例えば、工作物である対象物２０，２１に対する切削加工又は研削加工、製品である対象物２０，２１の組み立て、又は、製品の一部である対象物２０，２１の他の部材への組み付けである。処理装置１０は、ユーザによって入力される設定データに基づいて対象物２０，２１を処理する。設定データは、処理装置１０に対象物２１，２２を処理させるために処理装置１０に設定されるパラメータであって、例えば、工作物を支持するステージ及び工具の位置及び速さ、並びに、工具の回転速度を示す。

ただし、処理装置１０は、生産現場１００ａにおいて生産された段階で、機差を有する。すなわち、処理装置１０ａ，１０ｂはそれぞれ、固有の特性を有し、この特性により生産現場１００ａにおける対象物２０の処理結果には目標値からの誤差が生じ得る。図１では、処理装置１０ａが特性Ａを有し、処理装置１０ｂが特性Ｂを有することが示されている。処理結果は、例えば、対象物２０の切削結果であって、処理結果の誤差は、切削された対象物２０の寸法誤差である。目標値は、設定データにより直接的に示される仕様値であってもよいし、設定データに対応するものとしてユーザにより意図された値であってもよい。目標値は、設定データに含まれていてもよいし含まれていなくともよい。ただし、目標値が設定データに含まれない場合においても、目標値は通常、設定データに対応しており、ユーザによって処理装置１０に別途入力されてもよい。

処理装置１０に固有の特性による処理結果の誤差が生じ得るため、生産現場１００ａでは、この誤差を抑制するための第１モデルを学習して、学習した第１モデルを処理装置１０に組み込むことにより、生産現場１００ａから搬出される処理装置１０の能力が均一化される。

その後、処理装置１０が工場１００に設置されると、工場１００における処理装置１０の設置環境に起因して、対象物２１の処理結果に誤差が生じ得る。設置環境は、例えば、気温、湿度、又は、処理装置１０に挿入される材料の種類である。そこで、処理装置１０は、設置環境に起因する誤差を抑制するための第２モデルを学習し、学習した第２モデルを用いて対象物２１を処理することにより、設置環境に適応した処理を実行する。処理装置１０ａ，１０ｂはそれぞれ、第２モデルを学習して用いることにより、異なる環境下であっても対象物２１の処理結果に生じるバラつきを低減して、均一化された能力を発揮することとなる。なお、図１では処理装置１０ｂに関する学習について代表的に示されているが、処理装置１０ａに関しても、処理装置１０ｂと同様に学習がなされる。

処理装置１０は、コンピュータとして機能するためのハードウェア要素によって構成される。詳細には、図２に示されるように、処理装置１０は、プロセッサ１０１と、主記憶部１０２と、補助記憶部１０３と、入力部１０４と、出力部１０５と、通信部１０６と、を有する。主記憶部１０２、補助記憶部１０３、入力部１０４、出力部１０５及び通信部１０６はいずれも、内部バス１０７を介してプロセッサ１０１に接続される。

プロセッサ１０１は、処理回路としてのＣＰＵ（Central Processing Unit）を含む。プロセッサ１０１は、補助記憶部１０３に記憶されるプログラムＰ１を実行することにより、種々の機能を実現して、後述の処理を実行する。

主記憶部１０２は、ＲＡＭを含む。主記憶部１０２には、補助記憶部１０３からプログラムＰ１がロードされる。そして、主記憶部１０２は、プロセッサ１０１の作業領域として用いられる。

補助記憶部１０３は、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read-Only Memory）及びＨＤＤ（Hard Disk Drive）に代表される不揮発性メモリを含む。補助記憶部１０３は、プログラムＰ１の他に、プロセッサ１０１の処理に用いられる種々のデータを記憶する。補助記憶部１０３は、プロセッサ１０１の指示に従って、プロセッサ１０１によって利用されるデータをプロセッサ１０１に供給する。また、補助記憶部１０３は、プロセッサ１０１から供給されたデータを記憶する。

入力部１０４は、ハードウェアスイッチ、入力キー、キーボード及びポインティングデバイスに代表される入力デバイスを含む。入力部１０４は、処理装置１０のユーザによって入力された情報を取得して、取得した情報をプロセッサ１０１に通知する。

出力部１０５は、ＬＥＤ（Light Emitting Diode）、ＬＣＤ（Liquid Crystal Display）及びスピーカに代表される出力デバイスを含む。出力部１０５は、プロセッサ１０１の指示に従って種々の情報をユーザに提示する。

通信部１０６は、外部の装置と通信するための通信インタフェース回路を含む。通信部１０６は、外部から信号を受信して、この信号により示されるデータをプロセッサ１０１へ出力する。また、通信部１０６は、プロセッサ１０１から出力されたデータを示す信号を外部の装置へ送信する。

上述のハードウェア構成が協働することにより、処理装置１０は、工場１００において種々の機能を発揮する。詳細には、処理装置１０は、図３に示されるように、その機能として、設定データが入力される入力部１１と、設定データに基づく処理を実行する処理部１２と、生産現場１００ａにおいて学習された第１モデル４１を示すモデル情報を取得するモデル情報取得部１３と、設置環境を示す環境情報を取得する環境情報取得部１４と、第１モデル４１を用いて対象物２１を処理したときの誤差を示す誤差情報を取得する誤差情報取得部１５と、環境情報及び誤差情報から、誤差を抑制するための第２モデル４２を学習する学習部１６と、を有する。図３において、実線の矢印は、第２モデルの学習前における情報の流れを示し、破線の矢印は、第２モデルの学習後における情報の流れを示す。

入力部１１は、主として入力部１０４又は通信部１０６によって実現される。入力部１１は、ユーザによって入力される設定データを受け付ける。設定データに基づいて処理される対象物２１，２２のうちの対象物２１は、第２モデル４２の学習前における処理対象であって、対象物２２は、第２モデル４２の学習後における処理対象である。入力部１１は、設定データが入力される入力手段の一例に相当する。

処理部１２は、主としてプロセッサ１０１及び対象物２１，２２を処理するための処理モジュールによって実現される。処理モジュールは、例えば工具及びステージを移動させるためのモータを含む。処理部１２は、第２モデル４２の学習前においては、入力部１１に入力された設定データに第１モデル４１を適用して対象物２１を処理する。対象物２１の処理により第２モデル４２が学習部１６によって学習されると、処理部１２は、設定データに第１モデル４１及び第２モデル４２を順に適用して対象物２２を処理する。なお、第２モデル４２の学習のために、処理部１２は、第１モデル４１の出力を学習部１６に提供する。

モデル情報取得部１３は、プロセッサ１０１、入力部１０４及び通信部１０６のうちの少なくとも１つによって実現される。モデル情報取得部１３は、生産現場１００ａから搬出される処理装置１０の補助記憶部１０３に登録されたモデル情報を読み出してもよいし、搬出時に処理装置１０に添付されるメモリーカードのような記録媒体からモデル情報を読み出してもよい。また、モデル情報取得部１３は、ユーザによって直接入力されるモデル情報を取得してもよいし、通信線又はネットワークを介してモデル情報を受信してもよい。

図４には、第１モデル４１のモデル情報の簡単な例が示されている。図４のモデル情報は、設定データの値がゼロ以上１０未満であるときには、当該設定データに第１モデル４１を適用して得るモデル出力を、設定データの値に１を可算して得る和として、設定データの値が１０以上２０未満であるときには、設定データの値に２を可算して得る和をモデル出力とすることを示す。なお、第１モデル４１は、図４に示されるような変換表には限定されず、数式によって関数として表されるモデルであってもよい。モデル情報取得部１３は、工場に設置される前における処理装置に固有の特性による処理装置の第１処理結果が含む第１誤差を抑制するために設定データに適用される第１モデルを示すモデル情報を取得するモデル情報取得手段の一例に相当する。ここで、第１処理結果及び第１誤差は、生産現場における処理結果及び誤差を、後述の工場１００における第２処理結果及び第２誤差と区別するものである。

図３に戻り、環境情報取得部１４は、プロセッサ１０１、入力部１０４及び通信部１０６のうちの少なくとも１つによって実現される。環境情報取得部１４は、処理部１２が第２モデル４２を用いることなく第１モデル４１を用いて対象物２１を処理したときにおける処理装置１０の設置環境を示す環境情報を取得する。環境情報取得部１４は、主記憶部１０２、補助記憶部１０３又は記録媒体から環境情報を読み出してもよいし、ユーザによって直接入力される環境情報を取得してもよいし、通信線又はネットワークを介して環境条件を計測するセンサから環境情報を受信してもよい。環境情報によって示される環境は、上述のような気温、湿度及び材料の種類であってもよいし、工場１００において処理装置１０に提供される電力環境、エアー若しくはガスの品質、又は、処理装置１０に接続される他の装置の出力物であってもよい。環境情報取得部１４は、工場に設置された処理装置の環境を示す工場環境情報を取得する環境情報取得手段の一例に相当する。

誤差情報取得部１５は、プロセッサ１０１、入力部１０４及び通信部１０６のうちの少なくとも１つによって実現される。誤差情報取得部１５は、処理部１２によって処理された対象物２１の処理結果を計測する計測装置３０から、処理結果としての計測値と目標値との差異としての誤差を取得する。なお、誤差情報取得部１５は、処理結果と目標値とを別個に取得することにより、誤差情報を取得してもよい。すなわち、誤差情報は、処理結果の実測値と目標値との双方を示す情報であってもよい。誤差情報取得部１５は、計測装置３０との通信により誤差情報を取得してもよいし、記録媒体から誤差情報を読み出してもよいし、ユーザによって直接入力される誤差情報を取得してもよい。誤差情報取得部１５は、工場において入力される設定データに基づいて第１モデルを用いて工場において対象物を処理する処理装置の第２処理結果の目標値との第２誤差を示す第１誤差情報を取得する誤差情報取得手段の一例に相当する。

学習部１６は、主としてプロセッサ１０１によって実現される。学習部１６は、第１モデル４１の出力、この出力を用いて対象物２１を処理した結果としての誤差、及び、この出力を用いて対象物２１を処理したときの設置環境に基づいて、誤差を抑制するための第２モデル４２を学習する。図５には、学習される第２モデル４２の簡単な例が示されている。図５の第２モデル４２は、第１モデル４１の出力が１以上１１未満である場合において、設置環境としての気温が１５℃未満であるときには、第１モデル４１の出力に０．４を加算して得る和を第２モデル４２の出力として、気温が１５℃以上であるときには、第１モデル４１の出力に０．３を加算して得る和を第２モデル４２の出力とすることを示す。また、第１モデル４１の出力が１２以上２２未満である場合において、気温が２０℃未満であるときには、第１モデル４１の出力から０．２を減じて得る差を第２モデル４２の出力として、気温が２０℃以上であるときには、第２モデル４２の出力から０．３を減じて得る差を第２モデル４２の出力とすることを示す。なお、第２モデル４２は、図５に示されるような変換表には限定されず、数式によって関数として表されるモデルであってもよい。図３に戻り、第２モデル４２を学習すると、学習部１６は、第２モデル４２を処理部１２に提供する。学習部１６は、環境情報及び誤差情報から、第２誤差を抑制するための第２モデルを学習する学習手段の一例に相当する。第２モデル４２は、第１モデル４１の出力値及び環境情報から、当該出力値が補正された値を得るためのモデルの一例に相当する。

続いて、処理装置１０によって実行されるモデル適用処理について図６を参照して説明する。図６に示されるモデル適用処理は、処理装置１０が工場１００に設置されてから通常運転を開始する前の、調整運転又は初期化処理として実行される。

モデル適用処理では、モデル情報取得部１３が、モデル情報を取得する（ステップＳ１）。そして、入力部１１が、入力される設定データを受け付けて（ステップＳ２）、処理部１２が、設定データに第１モデル４１を適用して対象物２１を処理し（ステップＳ３）、誤差情報取得部１５が誤差情報を取得し（ステップＳ４）、環境情報取得部１４が環境情報を取得する（ステップＳ５）。

次に、学習部１６は、ステップＳ２～Ｓ５の実行により、互いに関連付けられた第１モデル４１の出力、誤差情報及び環境情報を含むレコードの蓄積されたデータ量が閾値を超えるか否かを判定する（ステップＳ６）。データ量が閾値を超えないと判定された場合（ステップＳ６；Ｎｏ）、処理装置１０は、ステップＳ２以降の処理を繰り返す。これにより、第１モデル４１の出力、誤差情報、及び環境情報の組合せであるデータが蓄積される。

データ量が閾値を超えると判定した場合（ステップＳ６；Ｙｅｓ）、学習部１６は、蓄積したデータを用いて第２モデル４２を学習する（ステップＳ７）。例えば、学習部１６は、第１モデル４１の出力、誤差、及び設置環境の関係を表す仮モデルを回帰分析により生成してから、誤差が小さくなるような第１モデル４１の出力の変換式を第２モデル４２として得る。ただし、学習部１６による第２モデル４２の学習はこれに限定されず、ニューラルネットワークに代表される教師あり学習であってもよいし、強化学習であってもよい。

次に、入力部１１は、新たに入力される設定データを受け付けて（ステップＳ８）、処理部１２は、新たな設定データに対して第１モデル４１及び第２モデル４２を適用して対象物２２を処理する（ステップＳ９）。これにより、第２モデルが適用されて誤差の小さい処理を実施することができる。

以上、説明したように、モデル情報取得部１３が、工場１００に設置される前における処理装置１０に固有の特性による処理装置１０の処理結果の誤差を抑制するために設定データに適用される第１モデル４１を示すモデル情報を取得する。また、学習部１６が、工場１００において対象物２１を処理する処理装置１０の処理結果の誤差を抑制するための第２モデル４２を学習する。これにより、工場１００に設置される前に生じる能力差を抑制する第１モデル４１とは別に、工場１００に設置された処理装置１０の環境により生じる能力差を抑制する第２モデル４２が学習される。このため、装置の能力に影響を及ぼし得る要因を切り分けて、その一部の要因による能力差に対処するための第２モデル４２が工場１００で学習される。したがって、装置の能力差を抑制するモデルを学習するための演算負荷を軽減することができる。

すなわち、学習部１６が第２モデル４２を学習するために用いる情報からは、処理装置１０に固有の特性を示す情報が除外される。このため、生産現場１００ａ及び工場１００の双方で同種の学習が行われることによる無駄な演算処理の発生を回避することができる。

なお、第１モデル４１の出力から処理装置１０の出力を得るための第２モデル４２について説明したが、これには限定されない。図７に示されるように、設定データに対して、第１モデル４１及び第２モデル４２が並列に適用されて、第２モデル４２の学習後においては、第１モデル４１の出力と第２モデル４２の出力との和が、対象物２１，２２を加工する加工部１７に入力されてもよい。第１モデル４１に基づく対象物２１に対する処理を補正するために用いられれば、第２モデル４２を適用する形態は任意である。なお、図７の例では、第２モデル４２を学習するために、学習部１６は、設定データを収集してもよい。

実施の形態２．
続いて、実施の形態２について、上述の実施の形態１との相違点を中心に説明する。なお、上記実施の形態１と同一又は同等の構成については、同等の符号を用いる。本実施の形態は、図８に示されるように、処理装置１０が第１モデルを学習する能力を有する点で、実施の形態１と異なる。また、本実施の形態は、学習部１６が、設置環境をさらに工場１００において固定される固定環境と時間的に変動し得る変動環境とに切り分けて第２モデルを学習する点で、実施の形態１とは異なる。

本実施の形態に係る処理装置１０は、図９に示されるように、処理装置１０に固有の特性を示す特性情報取得部１８と、第１モデル４１を生成するモデル生成部１９と、を有する。図９においては、生産現場１００ａにおける情報の流れが太線の矢印で示されている。

特性情報取得部１８は、プロセッサ１０１、入力部１０４及び通信部１０６のうちの少なくとも１つによって実現される。特性情報取得部１８は、生産現場１００ａにおける処理装置１０に固有の特性を示す特性情報を取得する。特性情報取得部１８は、補助記憶部１０３又は外部の記録媒体から特性情報を読み出してもよいし、ユーザによって直接入力される特性情報を取得してもよいし、通信線又はネットワークを介して特性情報を受信してもよい。特性情報は、例えば、生産現場１００ａにおいて複数の処理装置１０に対して実行される品質検査の結果を示す。特性情報取得部１８は、処理装置１０に固有の特性を示す特性情報を取得する特性情報取得手段の一例に相当する。

モデル生成部１９は、主としてプロセッサ１０１によって実現される。モデル生成部１９は、入力部１１に入力された設定データを取得し、当該設定データに基づいて第１モデル４１を用いることなく処理部１２によって処理された対象物２０の誤差を示す誤差情報を、当該誤差情報を取得した誤差情報取得部１５から取得する。この誤差情報は、上述の第１誤差を示す第２誤差情報の一例に相当する。また、モデル生成部１９は、処理装置１０が生産される生産現場における生産環境を示す環境情報を、当該環境情報を取得した環境情報取得部１４から取得し、処理装置１０自体の特性を示す特性情報を特性情報取得部１８から取得する。そして、モデル生成部１９は、取得したこれらの情報から第１モデル４１を学習により生成してモデル情報取得部１３に提供する。例えば、モデル生成部１９は、設定データを目的変数とし、誤差情報、環境情報及び特性情報を説明変数とする回帰分析あるいは教師あり学習によって、誤差を最小化する設定データを得るための第１モデル４１を生成する。また、環境条件に応じた設定データの補正値が統計的に予め定められているような場合において、処理装置の特性によるバラつきが発生するときに、モデル生成部１９は、そのようなバラつきを低減する第１モデル４１を、特性情報を用いて学習してもよい。また、モデル生成部１９は、誤差情報を目的変数とし、設定データ、環境情報及び特性情報を説明変数とする回帰分析あるいは教師あり学習によって第１モデル４１を生成してもよい。モデル生成部１９は、特性情報、生産環境の環境情報及び第２誤差情報から第１モデルを生成するモデル生成手段の一例に相当する。

なお、モデル生成部１９による第１モデル４１の生成手法を任意に変更してもよい。例えば、第１モデル４１を生成するために用いられる情報から、特性情報及び環境情報の一方又は双方が省略されてもよい。特性情報及び環境情報の一方又は双方が省略された場合であっても、モデル生成部１９によって生成される第１モデル４１は、結果的に、処理装置１０の特性により発生する誤差を抑制するためのモデルとなる。また、モデル生成部１９は、生産現場１００ａにおいて外部から提供されるテンプレートモデルに対して、特性情報及び環境情報を適用することにより第１モデル４１を生成してもよい。

続いて、処理装置１０によって生産現場１００ａにおいて実行される第１モデル生成処理、及び、工場１００において実行されるモデル適用処理について、順に説明する。

第１モデル生成処理では、図１０に示されるように、特性情報取得部１８が、特性情報を取得する（ステップＳ１１）。そして、入力部１１が、入力される設定データを受け付けて（ステップＳ１２）、処理部１２が、設定データに基づいて対象物２０を処理し（ステップＳ１３）、誤差情報取得部１５が誤差情報を取得し（ステップＳ１４）、環境情報取得部１４が生産環境の環境情報を取得する（ステップＳ１５）。生産環境の環境情報は、設置環境と同種の情報であってもよいし、異なる情報であってもよい。生産環境の環境情報は、処理装置１０の品質に影響する環境的な要因を示す情報であればよい。生産環境の環境情報は、生産環境情報の一例に相当する。

次に、モデル生成部１９は、ステップＳ１２～Ｓ１５で得たデータのデータ量が予め定められた閾値を超えるか否かを判定する（ステップＳ１６）。データ量が閾値を超えないと判定された場合（ステップＳ１６；Ｎｏ）、処理装置１０は、ステップＳ１２以降の処理を繰り返す。これにより、第１モデル４１の生成に必要なデータが蓄積される。

データ量が閾値を超えると判定した場合（ステップＳ１６；Ｙｅｓ）、モデル生成部１９は、ステップＳ１１～Ｓ１５で得た情報に基づいて、第１モデル４１を学習により生成する（ステップＳ１７）。次に、処理部１２は、ステップＳ１２で取得した設定データに、生成された第１モデル４１を適用して対象物２１を処理し（ステップＳ１８）、誤差情報取得部１５が誤差情報を取得する（ステップＳ１９）。そして、モデル生成部１９は、第１モデル４１を設定データに適用して対象物２１を処理したときの誤差が予め定められた範囲内であるか否かを判定する（ステップＳ２０）。

誤差がこの範囲内でないと判定された場合（ステップＳ２０；Ｎｏ）、ステップＳ１２に戻り、ステップＳ１２～Ｓ１６の再実行によるデータの追加と、ステップＳ１７～Ｓ１９による第１モデルの生成が繰り返される。これにより、モデル生成部１９は、第１モデル４１の学習を継続する。なお、学習を繰り返す際に、過去に収集したデータを用いることなく、新たに収集したデータに基づいて第１モデル４１を学習してもよい。また、ステップＳ１７の第１モデル４１の学習において、例えば深層学習における各層の重みの更新のような予め定められた処理の反復が切り上げられている場合には、ステップＳ２０の判定が否定されたときに（ステップＳ２０；Ｎｏ）、データを追加収集することなく、ステップＳ１７に戻って、学習における反復を継続してもよい。ステップＳ２０にて誤差が範囲内であると判定された場合（ステップＳ２０；Ｙｅｓ）、処理装置１０は、第１モデル生成処理を終了する。

図１１に示されるように、本実施の形態に係るモデル適用処理では、実施の形態１と同様にステップＳ１が実行されてから、環境情報取得部１４が、設置環境の固定環境を示す環境情報を取得する（ステップＳ２１）。固定環境は、処理装置１０の据え付け、又は、据え付け時の調整によってその後において固定される環境である。具体的には、固定環境は、外部から印加される電圧に対するＡ／Ｄ変換の実行の有無、又は、スペースに応じて選択された装着部材の種別である。

次に、処理装置１０は、実施の形態１と同様にステップＳ２～Ｓ４を実行してから、設置環境の変動環境を示す環境情報を取得する（ステップＳ２２）。変動環境は、対象物２１，２２を処理するたびに変動し得る環境であって、例えば、気温又は湿度である。そして、学習部１６は、データ量が閾値を超えるか否かを判定し（ステップＳ６）、データ量が閾値を超えないと判定された場合（ステップＳ６；Ｎｏ）、ステップＳ２以降の処理が繰り返される。

一方、データ量が閾値を超えると判定した場合（ステップＳ６；Ｙｅｓ）、学習部１６は、ステップＳ１１で取得された環境情報により示される固定環境に基づいて第２モデル４２を学習する（ステップＳ２３）。ここで、学習部１６は、ステップＳ２２で取得された環境情報により示される変動環境を加味することなく、第２モデル４２を学習する。すなわち、学習部１６は、変動環境をパラメータとして含まない第２モデル４２を学習し、又は、ステップＳ２２で取得された情報に関わらず変動環境のパラメータを固定した状態で第２モデル４２を学習する（ステップＳ２３）。

そして、学習部１６は、ステップＳ２３で学習された第２モデル４２を設定データに適用したときの誤差が予め定められた第１範囲内にあるか否かを判定する（ステップＳ２４）。学習部１６は、この誤差を、新たに入力される設定データに対して適用することにより得てもよいし、繰り返し実行されたステップＳ２～Ｓ４，Ｓ２２で蓄積されたデータの交差検証により得てもよい。

誤差が第１範囲内にないと判定した場合（ステップＳ２４；Ｎｏ）、ステップＳ２に戻り、ステップＳ２～Ｓ４，Ｓ２２，Ｓ６の再実行によるデータの追加と、ステップＳ２３における第２モデル４２の学習と、が再度実行される。なお、ステップＳ２３の第２モデル４２の学習において、予め定められた処理の反復が切り上げられている場合には、ステップＳ２４の判定が否定されたときに（ステップＳ２４；Ｎｏ）、データを追加収集することなく、ステップＳ２３に戻って、学習における反復を継続してもよい。ステップＳ２４にて、誤差が第１範囲内にあると判定した場合（ステップＳ２４；Ｙｅｓ）、学習部１６は、ステップＳ２２で取得された環境情報により示される変動環境に基づいて第２モデル４２を学習する（ステップＳ２５）。

そして、学習部１６は、ステップＳ２５で学習した第２モデル４２を設定データに適用したときの誤差が予め定められた第２範囲内にあるか否かを判定する（ステップＳ２６）。第２範囲は、第１範囲より広い範囲として規定される。固定環境については変動がないため、当該固定環境に対して、よりフィッティングさせた第２モデル４２をステップＳ２３～Ｓ２４で得るために、第１範囲が比較的狭い範囲として規定される。これに対して、第２範囲は、変動環境が変動することを考慮して、比較的広い範囲として規定される。

誤差が第２範囲内にないと判定した場合（ステップＳ２６；Ｎｏ）、ステップＳ２に戻り、ステップＳ２～Ｓ４，Ｓ２２，Ｓ６の再実行によるデータの追加と、ステップＳ２３，Ｓ２５における第２モデル４２の学習と、が再度実行される。なお、ステップＳ２５の第２モデル４２の学習において、予め定められた処理の反復が切り上げられている場合には、ステップＳ２６の判定が否定されたときに（ステップＳ２６；Ｎｏ）、データを追加収集することなく、ステップＳ２５に戻って、学習における反復を継続してもよい。

ステップＳ２６にて、誤差が第２範囲内にあると判定した場合（ステップＳ２６；Ｙｅｓ）、学習部１６は、誤差が収縮したか否かを判定する（ステップＳ２７）。具体的には、学習部１６は、ステップＳ２６にて第２範囲内にあると判定された誤差の大きさが、ステップＳ２４にて第１範囲内にあると判定された誤差の大きさから収縮しているか否かを判定する。

誤差が収縮していないと判定した場合（ステップＳ２７；Ｎｏ）、ステップＳ２に戻り、ステップＳ２～Ｓ４，Ｓ２２，Ｓ６の再実行によるデータの追加と、ステップＳ２３，Ｓ２５における第２モデル４２の学習と、が再度実行される。なお、ステップＳ２３，Ｓ２５の第２モデル４２の学習において、予め定められた処理の反復が切り上げられている場合には、ステップＳ２７の判定が否定されたときに（ステップＳ２７；Ｎｏ）、データを追加収集することなく、ステップＳ２３に戻って、学習における反復を継続してもよい。ステップＳ２７にて、誤差が収縮したと判定された場合（ステップＳ２７；Ｙｅｓ）、モデル適用処理が終了する。

以上、説明したように、学習部１６は、固定環境に基づく学習をしてから変動環境に基づく学習を実行した。このため、処理装置１０の能力に影響を及ぼし得る要因をさらに切り分けて、その一部の要因による能力差を吸収するためのモデルの学習が順に実行される。これにより、モデルの学習による演算負荷をより軽減することができる。

実施の形態３．
続いて、実施の形態３について、上述の実施の形態１との相違点を中心に説明する。なお、上記実施の形態１と同一又は同等の構成については、同等の符号を用いる。本実施の形態は、図１２に示されるように、学習に用いた情報を記憶しておき、新たな対象物を処理する際に当該情報を利用する点で、実施の形態１とは異なる。

本実施の形態に係る処理装置１０は、学習部１６によって用いられた情報を記憶する記憶部１１０と、記憶部１１０の情報を提供する提供部１１１と、新たに入力すべき設定データに相当する特定データを記憶部１１０の情報に基づいて特定する特定部１１２と、を有する。

記憶部１１０は、主として補助記憶部１０３によって実現される。記憶部１１０は、入力部１１に入力された設定データを繰り返し取得し、学習部１６によって用いられた情報に関連付けて蓄積する。詳細には、記憶部１１０は、図１３に示されるようなレシピバンクを記憶する。

レシピバンクは、設定データと、当該設定データが入力されたときの目標値と、当該設定データに基づいて対象物２１，２２が処理されたときの環境を示す環境情報、当該設定データに適用された第１モデル及び第２モデル、並びに誤差情報と、を互いに関連付けたレコードが蓄積されたデータベースである。レシピバンクの目標値は、誤差情報の一部として含まれるものであってもよいし、設定データの一部として、又は設定データとは異なるものとして入力部１１に入力されたものであってもよい。記憶部１１０は、複数の設定データそれぞれを、目標値と、設定データに対して第１モデル及び第２モデルを適用して対象物を処理する処理装置の第３処理結果の当該目標値との第３誤差と、に関連付けて蓄積データとして蓄積する蓄積手段の一例に相当する。

提供部１１１は、プロセッサ１０１及び出力部１０５の少なくとも一方によって実現される。提供部１１１は、ユーザの要求に応じて記憶部１１０からレシピバンクを読み出して当該ユーザにレシピバンクを提供してもよい。ユーザは、提供されたレシピバンクを参照して、ユーザの望む目標値に対応する設定データを特定してもよい。また、ユーザは、ユーザの望む目標値に対応する設定データが比較的大きい誤差を示す誤差情報に関連付けられている場合には、設定データを若干変更してから入力部１１に入力してもよい。さらに、ユーザは、ユーザの望む目標値を含むレコードがレシピバンクに含まれない場合には、複数のレコードを参照して適当な設定データを推測してもよい。また、提供部１１１は、特定部１１２にレシピバンクの情報を提供してもよい。

特定部１１２は、主としてプロセッサ１０１によって実現される。特定部１１２は、入力部１１を介してユーザによって目標値が指定された場合に、当該指定された目標値に対応する設定データに相当する特定データをレシピバンクに基づいて特定する。詳細には、特定部１１２は、ユーザによって指定された目標値に、レシピバンクにおいて関連付けられている設定データを特定データとして特定してもよい。また、特定部１１２は、ユーザによって指定された目標値とレシピバンクにおいて関連付けられている設定データが比較的大きい誤差を示す誤差情報にも関連付けられている場合、及び、ユーザによって指定された目標値を含むレコードがレシピバンクに含まれない場合には、複数のレコードの線形補間のような推定手法によって目標値に対応して入力されるべき設定データに相当する特定データを特定してもよい。特定部１１２は、複数の設定データと、各設定データに対して第１モデル及び第２モデルを適用して対象物を処理する処理装置の第３処理結果と、に基づいて、指定された指定目標値に対応する設定データに相当する特定データを特定する特定手段の一例に相当する。

以上、説明したように、レシピバンクを利用すれば、新たな設定データの決定が容易になる。入力部１１は、新たな対象物を処理する際の新目標値の入力を受け付ける入力手段の一例に相当し、特定部１１２は、新目標値に対応する設定データに相当する特定データを特定する特定手段の一例に相当する。処理装置は、新目標値に対応して特定された特定データに対して第１モデル及び第２モデルを適用した結果に基づいて新たな対象物を処理する。

実施の形態４．
続いて、実施の形態４について、上述の実施の形態３との相違点を中心に説明する。なお、上記実施の形態３と同一又は同等の構成については、同等の符号を用いる。本実施の形態は、図１４に示されるように、特定部１１２が、設定データを推定するための推定モデルを生成する点で、実施の形態３と異なる。

本実施の形態に係る特定部１１２は、目標値から適当な設定データを推定するための推定モデル４３を生成する推定モデル生成部１１２１と、入力部１１に入力された目標値を取得する目標値取得部１１２２と、を有する。図１４では、推定モデルを利用するときの情報の流れが太い破線で示されている。

推定モデル生成部１１２１は、図１３に示されるようなレシピバンクを読み出して、このレシピバンクに基づいて、推定モデル４３を生成する。ここで、推定モデル４３は、図１５に示されるように、レシピバンクに含まれる既知の目標値から、当該目標値を小さい誤差で達成するための設定データを特定データとして特定するとともに、未知の目標値についても、小さい誤差で当該目標値を達成するための特定データを特定するモデルである。ここで、小さい誤差は、予め定められた閾値より小さい誤差を意味する。

例えば、切削加工における加工時間の長さを２倍にした場合であっても、切削量は刃の形状に依存するため必ずしも２倍にはならない。このように設定データと目標値との関係がユーザにとって自明ではないときに、推定モデルが利用される。図１６には、推定モデルの簡単な例が示されている。推定モデル生成部１１２１は、例えば、設定データを目的変数とし、目標値、環境情報、第１モデル４１、第２モデル及び誤差情報を説明変数とする回帰分析あるいは教師あり学習により、目標値との誤差を最小化する設定データを特定データとして得るための推定モデルを生成する。

特定部１１２は、目標値取得部１１２２によって取得された目標値に対して推定モデル４３を適用することにより、当該目標値を達成するための設定データである特定データを特定して、入力部１１に入力する。ユーザが設定データの選択を意識することなく目標値を入力すれば、当該目標値を達成するような対象物２３の処理が実行されることとなる。

推定モデルは、第１モデル及び第２モデルを適用して対象物を処理する処理装置の第３処理結果の目標値との第３誤差を抑制する特定データであって指定目標値に対応する設定データに相当する特定データを推定するモデルの一例に相当する。特定部１１２は、推定モデルを蓄積データに基づいて生成して、新目標値に推定モデルを適用することにより、新目標値に対応する設定データに相当する特定データを特定する特定手段の一例に相当する。

続いて、処理装置１０によって実行される推定モデル適用処理について、図１７～１８を参照して説明する。この推定モデル適用処理は、図６に示されたようなモデル適用処理の後に実行される。すなわち、推定モデル適用処理は、第２モデル４２の学習後に実行される。

図１７に示される推定モデル適用処理において、特定部１１２は、推定モデル生成処理を実行する（ステップＳ４１）。推定モデル生成処理では、図１８に示されるように、特定部１１２は、第１モデル４１及び第２モデル４２を固定して（ステップＳ４１１）、記憶部１１０のレシピバンクからデータを読み出す（ステップＳ４１２）。ここで、ステップＳ４１１における第１モデル４１及び第２モデル４２の固定は、第１モデル４１及び第２モデル４２のいずれも新たに学習しないことを意味する。このため、レシピバンクにおいて、設定データ又は環境情報のような条件に応じて異なる第１モデル４１又は第２モデル４２が登録されている場合には、異なる第１モデル４１及び第２モデル４２を示すレコードがステップＳ４１２で読み出されてもよい。

次に、推定モデル生成部１１２１は、ステップＳ４１２で読み出されたデータから推定モデル４３を学習により生成する（ステップＳ４１３）。そして、推定モデル生成部１１２１は、ステップＳ４１３で生成した推定モデル４３を新たな目標値に対して適用したときの誤差が予め定められた範囲内であるか否かを判定する（ステップＳ４１４）。推定モデル生成部１１２１は、ステップＳ４１４の誤差を、ユーザによって新たに入力された目標値を用いて得てもよいし、ステップＳ４１２で読み出されたデータの交差検証により得てもよい。

誤差が範囲内でないと判定した場合（ステップＳ４１４；Ｎｏ）、推定モデル生成部１１２１は、ステップＳ４１３以降の処理を繰り返して、推定モデルの学習を継続する。具体的には、前回のステップＳ４１３の推定モデル４３の学習において、予め定められた処理の反復が切り上げられたところから、推定モデル生成部１１２１は、当該処理の反復を開始する。なお、ステップＳ４１２にてレシピバンクからすべてのデータが読み出されていない場合には、ステップＳ４１４の判定が否定されたときに（ステップＳ４１４；Ｎｏ）、ステップＳ４１２に戻って、特定部１１２が新たなデータを読み出してもよい。ステップＳ４１４にて、誤差が範囲内であると判定した場合（ステップＳ４１４；Ｙｅｓ）、処理装置１０による処理は、推定モデル生成処理から、図１７の推定モデル適用処理に戻る。

図１７に戻り、ステップＳ４１の推定モデル生成処理に続いて、目標値取得部１１２２は、入力部１１に入力された新たな目標値を取得し（ステップＳ４２）、特定部１１２は、新たな目標値に推定モデル４３を適用することで特定データを特定する（ステップＳ４３）。

次に、処理部１２は、特定された特定データに基づいて第１モデル４１及び第２モデル４２を用いて対象物２３を処理する（ステップＳ４４）。そして、記憶部１１０のレシピバンクには、新たに対象物２３を処理したときのレコードが登録される（ステップＳ４５）。レコードの登録は、学習部１６によってなされてもよいし、処理部１２によってなされてもよい。

以上、説明したように、特定部１１２によれば、ユーザは、目標値を入力するだけで、適当な特定データに基づく対象物２３の処理を実行することができる。また、記憶部１１０のレシピバンクに情報を追加して充実化させることで、特定部１１２が、より適当な特定データを特定することが期待される。

実施の形態５．
続いて、実施の形態５について、上述の実施の形態４との相違点を中心に説明する。なお、上記実施の形態４と同一又は同等の構成については、同等の符号を用いる。本実施の形態は、第２モデル４２の学習と推定モデル４３の学習とが交互に反復される。

図１９には、本実施の形態に係る処理装置１０によって実行されるモデル改善処理の流れが示されている。モデル改善処理では、図６に示されるようなモデル適用処理が実行される（ステップＳ５１）。これにより、第２モデル４２が初期化される。

次に、レシピバンクにデータが蓄積される（ステップＳ５２）。具体的には、新たに入力される設定データに基づいて第２モデル４２を用いた対象物２２の処理が複数回実行されて、対象物２２を処理したときの情報が記憶部１１０に蓄積される。

次に、図１７に示されたような推定モデル適用処理が実行される（ステップＳ５３）。これにより、推定モデル４３が初期化される。

次に、レシピバンクにデータが蓄積される（ステップＳ５４）。具体的には、新たに入力される目標値に推定モデル４３を適用することにより特定データを特定して、特定された特定データに基づいて第２モデル４２を用いた対象物２３の処理が複数回実行される。そして、対象物２３を処理したときの情報が記憶部１１０に蓄積される。

次に、学習部１６が、ステップＳ５４で蓄積されたデータに基づいて第２モデル４２を学習する（ステップＳ５５）。これにより、第２モデル４２が改善される。そして、推定モデル生成部１１２１が、推定モデル４３を生成する（ステップＳ５６）。これにより、推定モデル４３が改善される。その後、処理装置１０は、ステップＳ５４以降の処理を繰り返す。

これにより、図２０に模式的に示されるように、特定の目標値に対する誤差が最小となる第２モデル４２及び推定モデル４３の組合せが探索されることとなる。図２０において、点Ｐ２は、第２モデル４２及び推定モデル４３の初期値の組合せを示す。この点Ｐ２が第２モデル４２の改善によって横軸に沿った矢印により示されるように移動し、さらに推定モデル４３の改善によって縦軸に沿った矢印により示されるように移動する。このような移動を反復することによって、誤差が最小となる組合せに対応する点Ｐ３に向かって第２モデル４２及び推定モデル４３が近付くことが期待される。

以上、本開示の実施の形態について説明したが、本開示は上記実施の形態によって限定されるものではない。

例えば、処理システム１０００が処理装置１０に等しい例について説明したが、これには限定されない。例えば、図２１に示されるように、入力部１１、処理部１２、モデル情報取得部１３、環境情報取得部１４、誤差情報取得部１５及び学習部１６を有する端末５０と、工作機械である処理装置１０と、によって処理システム１０００が構成されてもよい。ここで、端末５０は、処理装置１０を操作するためのＵＩ（User Interface）端末であって、例えば産業用ＰＣ（Personal Computer）である。図２１の例においても、処理装置１０は、設定データに対して第１モデル４１及び第２モデル４２を適用した結果に基づいて対象物を処理することとなる。

また、図２２に示されるように、レシピバンクは、処理装置１０の記憶部１１０ではなく、外部の記憶装置１１０ａに記憶されてもよい。

上述の各実施形態を任意に組み合わせてもよい。例えば、実施の形態２に係る特性情報取得部１８及びモデル生成部１９、並びに、実施の形態３，４に係る記憶部１１０、提供部１１１及び特定部１１２を、図２１に示される端末５０が有してもよい。

また、第１モデル４１及び第２モデル４２が、設定データから、設定データの補正値を得るために利用される例について説明したが、これには限定されない。例えば、図２３に示されるように、対象物を処理する加工部１７に与えられる、設定データとは異なる制御出力値を、設定データに基づいて出力する単純処理が予め規定されているような場合において、第１モデル４１は、単純処理よりも適当な制御出力値を、設定データに基づいて出力してもよい。ここで、設定データは、例えば、切削加工における工具の移動速度であって、制御出力値は、工具を回転させる主軸及びステージを移動させる移動軸それぞれのモータに流入させる電流値である。第２モデル４２は、第１モデル４２の出力値を得て、当該出力値の補正値を出力してもよいし、設定データを得て、第１モデル４１の出力の補正値を出力してもよい。図２３の例において、第１モデル４１を生成するモデル生成部１９は、制御出力値の履歴を含む学習データを利用してもよい。また、第２モデル４２を学習する学習部１６は、制御出力値の履歴を含む学習データを利用してもよい。

第１モデル４１及び第２モデル４２は、ユーザによって入力される設定データを起点とし、当該設定データに基づく対象物の処理を終点とするフローに含まれるような入力と出力を有していればよい。処理装置１０は、設定データに対して第１モデル４１及び第２モデル４２を適用した結果に基づいて対象物を処理すればよい。

上述の実施の形態に係る処理システム１０００の機能は、専用のハードウェアによっても、また、通常のコンピュータシステムによっても実現することができる。

例えば、プログラムＰ１を、フレキシブルディスク、ＣＤ－ＲＯＭ（Compact Disk Read-Only Memory）、ＤＶＤ（Digital Versatile Disk）、ＭＯ（Magneto-Optical disk）に代表されるコンピュータ読み取り可能な記録媒体に格納して配布し、そのプログラムＰ１をコンピュータにインストールすることにより、上述の処理を実行する装置を構成することができる。

また、プログラムＰ１をインターネットに代表される通信ネットワーク上のサーバ装置が有するディスク装置に格納しておき、例えば、搬送波に重畳させて、コンピュータにダウンロードするようにしてもよい。

また、インターネットに代表されるネットワークを介してプログラムＰ１を転送しながら起動実行することによっても、上述の処理を達成することができる。

さらに、プログラムＰ１の全部又は一部をサーバ装置上で実行させ、その処理に関する情報をコンピュータが通信ネットワークを介して送受信しながらプログラムＰ１を実行することによっても、上述の処理を達成することができる。

なお、上述の機能を、ＯＳ（Operating System）が分担して実現する場合又はＯＳとアプリケーションとの協働により実現する場合には、ＯＳ以外の部分のみを媒体に格納して配布してもよく、また、コンピュータにダウンロードしてもよい。

また、処理システム１０００の機能を実現する手段は、ソフトウェアに限られず、その一部又は全部を専用のハードウェア又は回路によって実現してもよい。

本開示は、本開示の広義の精神と範囲を逸脱することなく、様々な実施の形態及び変形が可能とされるものである。また、上述した実施の形態は、本開示を説明するためのものであり、本開示の範囲を限定するものではない。つまり、本開示の範囲は、実施の形態ではなく、請求の範囲によって示される。そして、請求の範囲内及びそれと同等の開示の意義の範囲内で施される様々な変形が、本開示の範囲内とみなされる。

本開示は、ＦＡの現場に設置される装置の性能のバラつきを低減することに適している。

１０，１０ａ，１０ｂ 処理装置、１１ 入力部、１２ 処理部、１３ モデル情報取得部、１４ 環境情報取得部、１５ 誤差情報取得部、１６ 学習部、１７ 加工部、１８ 特性情報取得部、１９ モデル生成部、２０～２３ 対象物、３０ 計測装置、４１ 第１モデル、４２ 第２モデル、４３ 推定モデル、５０ 端末、１００ 工場、１００ａ 生産現場、１０１ プロセッサ、１０２ 主記憶部、１０３ 補助記憶部、１０４ 入力部、１０５ 出力部、１０６ 通信部、１０７ 内部バス、１１０ 記憶部、１１０ａ 記憶装置、１１１ 提供部、１１２ 特定部、１０００ 処理システム、１１２１ 推定モデル生成部、１１２２ 目標値取得部、Ｐ１ プログラム、Ｐ２，Ｐ３ 点。

Claims (10)

1. 設定データが入力される入力手段と、
   工場に設置されて、前記設定データに基づいて対象物を処理する処理装置と、
   前記工場に設置される前における前記処理装置に固有の特性により前記処理装置の第１処理結果が含む第１誤差を抑制するために前記設定データに適用される第１モデルを示すモデル情報を取得するモデル情報取得手段と、
   前記工場に設置された前記処理装置の環境を示す工場環境情報を取得する環境情報取得手段と、
   前記工場において入力される前記設定データに基づいて前記第１モデルを用いて前記工場において前記対象物を処理する前記処理装置の第２処理結果の目標値との第２誤差を示す第１誤差情報を取得する誤差情報取得手段と、
   前記工場環境情報及び前記第１誤差情報から、前記第２誤差を抑制するための第２モデルを学習する学習手段と、
   を備え、
   前記処理装置は、前記設定データに対して前記第１モデル及び前記第２モデルを適用した結果に基づいて前記対象物を処理する、
   処理システム。
2. 前記学習手段が前記第２モデルを学習するために用いる情報からは、前記固有の特性を示す情報が除外される、
   請求項１に記載の処理システム。
3. 複数の前記設定データと、各前記設定データに対して前記第１モデル及び前記第２モデルを適用して前記対象物を処理する前記処理装置の第３処理結果と、に基づいて、指定された指定目標値に対応する前記設定データに相当する特定データを特定する特定手段、をさらに備え、
   前記入力手段は、新たな対象物を処理する際の新目標値の入力を受け付け、
   前記特定手段は、前記新目標値に対応する前記設定データに相当する前記特定データを特定し、
   前記処理装置は、前記新目標値に対応して特定された前記特定データに対して前記第１モデル及び前記第２モデルを適用した結果に基づいて前記新たな対象物を処理する、
   請求項１に記載の処理システム。
4. 複数の前記設定データそれぞれを、前記目標値と、前記第３処理結果の前記目標値との第３誤差と、に関連付けて蓄積データとして蓄積する蓄積手段、をさらに備え、
   前記特定手段は、前記第３誤差を抑制する前記特定データであって前記指定目標値に対応する前記設定データに相当する前記特定データを推定する推定モデルを前記蓄積データに基づいて生成して、前記新目標値に前記推定モデルを適用することにより、前記新目標値に対応する前記設定データに相当する前記特定データを特定する、
   請求項３に記載の処理システム。
5. 前記学習手段による前記第２モデルの学習と、前記特定手段による前記推定モデルの生成と、が交互に繰り返される、
   請求項４に記載の処理システム。
6. 前記第１モデルは、前記設定データから、該設定データが補正された値を得るためのモデルである、
   請求項１から５のいずれか一項に記載の処理システム。
7. 前記第２モデルは、前記第１モデルの出力値及び前記工場環境情報から、該出力値が補正された値を得るためのモデルである、
   請求項１から５のいずれか一項に記載の処理システム。
8. 前記固有の特性を示す特性情報を取得する特性情報取得手段と、
   前記第１モデルを生成するモデル生成手段と、をさらに備え、
   前記環境情報取得手段は、前記処理装置が生産される生産現場における環境を示す生産環境情報を取得し、
   前記誤差情報取得手段は、前記第１誤差を示す第２誤差情報を取得し、
   前記モデル生成手段は、前記特性情報、前記生産環境情報及び前記第２誤差情報から前記第１モデルを生成する、
   請求項１から５のいずれか一項に記載の処理システム。
9. 入力手段が、設定データを受け付け、
   モデル情報取得手段が、工場に設置されて、前記設定データに基づいて対象物を処理する処理装置の、前記工場に設置される前における固有の特性により前記処理装置の第１処理結果が含む第１誤差を抑制するために前記設定データに適用される第１モデルを示すモデル情報を取得し、
   環境情報取得手段が、前記工場に設置された前記処理装置の環境を示す環境情報を取得し、
   誤差情報取得手段が、前記工場において入力される前記設定データに基づいて前記第１モデルを用いて前記工場において前記対象物を処理する前記処理装置の第２処理結果の目標値との第２誤差を示す誤差情報を取得し、
   学習手段が、前記環境情報及び前記誤差情報から、前記第２誤差を抑制するための第２モデルを学習し、
   前記処理装置が、前記設定データに対して前記第１モデル及び前記第２モデルを適用した結果に基づいて前記対象物を処理する、
   ことを含む処理方法。
10. コンピュータに、
    設定データを受け付け、
    工場に設置されて、前記設定データに基づいて対象物を処理する処理装置の、前記工場に設置される前における固有の特性により前記処理装置の第１処理結果が含む第１誤差を抑制するために前記設定データに適用される第１モデルを示すモデル情報を取得し、
    前記工場に設置された前記処理装置の環境を示す環境情報を取得し、
    前記工場において入力される前記設定データに基づいて前記第１モデルを用いて前記工場において前記対象物を処理する前記処理装置の第２処理結果の目標値との第２誤差を示す誤差情報を取得し、
    前記環境情報及び前記誤差情報から、前記第２誤差を抑制するための第２モデルを学習し、
    前記設定データに対して前記第１モデル及び前記第２モデルを適用した結果に基づいて前記対象物を処理する、
    ことを実行させるためのプログラム。

Images