JP7673683B2 - プログラム、情報処理装置、およびエネルギ情報推定方法 - Google Patents

Description

本開示は、プログラム、情報処理装置、エネルギ情報推定方法、および学習済みモデルに関する。

製品の生産時に発生する二酸化炭素排出量を設備に合わせて精度よく計算するために、製品の生産時の生産工程や設備の情報を用いて二酸化炭素排出量を算出する二酸化炭素排出量算出装置が知られている（例えば、特許文献１）。

特開２０１２－１０８６９１号公報

温室効果ガスの排出量やエネルギ消費量などのエネルギ情報を考慮した製品設計を行うために、エネルギ情報を製品の設計段階で把握したいといった要望がある。

本開示は、以下の形態として実現することが可能である。
本開示の第１の形態は、プログラムであって、製品の設計段階で設定可能な前記製品の仕様に関する設計値を含む製品情報を取得する取得機能と、前記製品の生産により発生したエネルギ消費量と温室効果ガスの排出量との少なくともいずれかを含むエネルギ情報と、前記製品情報との組み合わせを含むデータセットを用いて学習済みの学習モデルに、生産を予定する生産予定製品の製品情報を入力することにより、前記生産予定製品が生産された場合に発生する前記エネルギ情報を推定する推定機能と、をコンピュータに実現させ、前記取得機能は、さらに、前記製品の設計段階で設定可能であり、前記製品を生産するために生産ラインに設定される生産条件を含む生産ライン情報を取得する機能を含み、
前記推定機能は、前記生産ライン情報、前記製品情報、および前記エネルギ情報との組み合わせを含むデータセットを用いて学習させた前記学習モデルに、前記生産予定製品の製品情報と、前記生産予定製品を生産するための生産ライン情報とを入力することにより、前記生産予定製品が生産された場合に発生する前記エネルギ情報を推定する機能を含み、前記製品情報に含まれる前記設計値、および前記生産ライン情報に含まれる前記生産条件は、それぞれ、ユーザにより選択可能な複数の水準を含み、前記推定機能は、前記複数の水準の組み合わせごとに前記エネルギ情報を推定し、推定された前記エネルギ情報を、前記複数の水準の組み合わせごとに表示部に表示する、プログラムである。

（１）本開示の一形態によれば、プログラムが提供される。このプログラムは、製品の設計段階で設定可能な前記製品の仕様に関する設計値を含む製品情報を取得する取得機能と、前記製品の生産により発生したエネルギ消費量と温室効果ガスの排出量との少なくともいずれかを含むエネルギ情報と、前記製品情報との組み合わせを含むデータセットを用いて学習済みの学習モデルに、生産を予定する生産予定製品の製品情報を入力することにより、前記生産予定製品が生産された場合に発生する前記エネルギ情報を推定する推定機能と、をコンピュータに実現させる。
この形態のプログラムによれば、生産予定製品の設計段階でエネルギ情報を推定することができ、エネルギ情報を考慮した生産予定製品の製品設計を行うことができる。
（２）上記形態のプログラムにおいて、前記取得機能は、さらに、前記エネルギ情報を取得する機能を含んでよい。前記取得機能により取得された前記エネルギ情報と、前記製品情報との組み合わせを含むデータセットを用いて前記学習モデルを学習させる学習機能を、コンピュータに実現させてもよい。
この形態のプログラムによれば、生産予定製品のデータセットを用いてエネルギ情報を推定するごとに学習モデルが学習され、エネルギ情報の推定精度を向上させることができる。
（３）上記形態のプログラムにおいて、前記学習モデルは、前記製品を一個生産するごとに発生した前記エネルギ情報と、前記製品情報との組み合わせを含むデータセットを用いて学習済みであってよい。
この形態のプログラムによれば、予め定められた期間中に発生したエネルギ情報の総量を取得する場合と比較して、エネルギ情報の推定精度を向上させることができる。
（４）上記形態のプログラムにおいて、前記取得機能は、さらに、前記製品の設計段階で設定可能であり、前記製品を生産するために生産ラインに設定される生産条件を含む生産ライン情報を取得する機能を含んでよい。前記推定機能は、前記生産ライン情報、前記製品情報、および前記エネルギ情報との組み合わせを含むデータセットを用いて学習させた前記学習モデルに、前記生産予定製品の製品情報と、前記生産予定製品を生産するための生産ライン情報を入力することにより、前記生産予定製品が生産された場合に発生する前記エネルギ情報を推定する機能を含んでよい。
この形態のプログラムによれば、エネルギ情報の推定に用いるデータ数を増加させることにより、エネルギ情報の推定精度を向上させることができる。
（５）上記形態のプログラムにおいて、前記生産ライン情報には、さらに、前記生産ラインによる前記製品の処理に手動による作業が含まれるか否かを示す作業種類、前記生産ラインの設置場所、前記生産ラインに含まれる設備台数、前記生産ラインによる前記製品の処理時間、前記製品の処理に用いられる金型に関する金型情報、および前記生産ラインによって処理される直前の製品の設計値を含む設計情報のうち少なくともいずれか一つが含まれてもよい。
この形態のプログラムによれば、エネルギ情報に対して統計的に有意な因子を、生産ライン情報に設定することにより、生産ライン情報を用いたエネルギ情報の推定精度を向上させることができる。
（６）上記形態のプログラムにおいて、前記製品情報には、前記製品の材料名および材質を含む材料情報、前記製品の寸法、前記製品の重量、および前記製品の寸法および重量に許容される設定公差のうち少なくともいずれか一つが含まれてもよい。
この形態のプログラムによれば、エネルギ情報に対して統計的に有意な因子を、製品情報に設定することにより、製品情報を用いたエネルギ情報の推定精度を向上させることができる。
（７）本開示の他の形態によれば、学習済みモデルが提供される。この学習モデルは、製品の設計段階で設定可能な前記製品の仕様に関する設計値を含む製品情報と、前記製品の生産により発生したエネルギ消費量と温室効果ガスの排出量との少なくともいずれかを含むエネルギ情報との組み合わせを含むデータセットを用いて、前記製品情報と前記エネルギ情報との関係が学習されている。生産を予定する生産予定製品の製品情報を入力することにより、前記生産予定製品が生産された場合に発生する前記エネルギ情報の推定値を出力する。
この形態の学習済みモデルによれば、生産予定製品の設計段階でエネルギ情報を推定することができ、エネルギ情報を考慮した生産予定製品の製品設計を行うことができる。
本開示は、プログラムおよび情報処理装置以外の種々の形態で実現することも可能である。例えば、エネルギ情報推定方法、学習モデルの学習方法、情報処理装置の制御方法、その制御方法を実現するコンピュータプログラム、そのコンピュータプログラムを記録した一時的でない記録媒体等の形態で実現することができる。

本開示の第１実施形態に係る情報処理装置の構成を模式的に示す説明図。 情報処理装置の内部機能構成を示すブロック図。 エネルギ情報推定方法を示すフローチャート。 学習工程の詳細を示すフローチャート。 機械学習用データセットのデータベースを模式的に示す説明図。 推定工程の詳細を示すフローチャート。 製品情報および生産ライン情報の各項目の設定方法を示す説明図。 二酸化炭素排出量の推定値の算出結果の一例を示す説明図。

Ａ．第１実施形態：
図１は、本開示の第１実施形態に係る情報処理装置６０の構成を模式的に示す説明図である。情報処理装置６０は、機械学習を利用して、生産ラインＬｎにより製品ＷＫが生産されることで発生するエネルギ情報を、製品ＷＫの設計段階で推定する。「エネルギ情報」には、製品の生産により発生した電力、ガス、ならびに灯油（ケロシン）や重油を含む液体燃料などの種々のエネルギの消費量に関する情報と、当該エネルギの消費により発生する二酸化炭素（ＣＯ２）やメタン（ＣＨ４）などの温室効果ガスの排出量に関する情報と、が含まれる。情報処理装置６０は、学習済みの学習モデル（以下、「学習済みモデル」とも呼ぶ）に、生産ラインを用いた生産を予定する生産予定製品の設計段階の情報を入力することにより、生産予定製品を生産した場合に発生するエネルギ情報を推定する。本実施形態では、情報処理装置６０は、エネルギ情報としての二酸化炭素排出量を推定する。

情報処理装置６０は、製品ＷＫの生産時に生産ラインＬｎの工程ＰＲ１，ＰＲ２で発生したエネルギ情報と、外部装置のデータベースＤＢに格納された製品ＷＫの製品情報Ｄ１および生産ライン情報Ｄ２とを用いた機械学習を行う。「製品情報」とは、製品設計に関する情報であり、製品の生産が開始されるよりも前の設計段階で設定され得る情報である。「生産ライン情報」とは、製品を生産するために生産ラインＬｎに設定される生産条件に関する情報であり、製品の生産が開始されるよりも前の設計段階で設定され得る情報である。学習用データとしてのエネルギ情報は、生産ラインＬｎに含まれる工程ＰＲ１，ＰＲ２のそれぞれに設置されたセンサ７０から取得される。

センサ７０は、検出部７２と、通信部７４とを備えている。検出部７２は、工程ＰＲ１，ＰＲ２で処理された際に発生するエネルギ情報を検出する。検出部７２としては、例えば、電力量計、ガス計量器などを用いることができる。本実施形態では、検出部７２は、電力計であり、工程ＰＲ１，ＰＲ２で発生する電力消費量をエネルギ情報として検出する。検出部７２により検出された電力消費量は、通信部７４へと出力される。通信部７４は、任意の通信プロトコルに従い、無線通信によって情報処理装置６０に対して電力消費量を送信する。なお、センサ７０は、情報処理装置６０とは別体には限らず、情報処理装置６０と一体とされてもよい。通信部７４は、さらに、情報処理装置６０からの実行命令を受信してもよい。

製品情報Ｄ１および生産ライン情報Ｄ２には、情報処理装置６０が学習用データならびに推定用データとして用いるための複数の項目が含まれ得る。本実施形態では、製品情報Ｄ１および生産ライン情報Ｄ２には、二酸化炭素排出量に対して統計的に有意な因子が予め実験的に抽出されている。具体的には、二酸化炭素排出量に対して統計的に有意な因子として、製品情報Ｄ１には、製品の仕様に関する設計値が含まれる。製品情報Ｄ１には、さらに、製品の材料名および材質を含む材料情報、製品の寸法、製品の重量、および製品の寸法および重量に許容される設定公差のうち少なくともいずれか一つが含まれてもよい。生産ライン情報Ｄ２には、製品を生産するために生産ラインＬｎに設定される生産条件が含まれる。生産ライン情報Ｄ２には、さらに、生産ラインの設置場所、生産ラインに含まれる設備台数、生産ラインによる製品の処理時間、生産ラインＬｎによる製品ＷＫの処理に手動による作業が含まれるか否かを示す作業種類、製品の処理に用いられる金型に関する金型情報、および生産ラインによって処理される直前の製品の設計値を含む設計情報のうち少なくともいずれか一つが含まれてもよい。「金型情報」には、例えば、金型の内部空間の容積や、内部空間（キャビティ）の形状など、金型の性状を示す設計情報を意味する「生産ラインによって処理される直前の製品の設計値」とは、例えば、機械加工によって製品の角部を面取りする処理を行う場合には、面取りを行う直前の製品の角部の内角などであり、生産ラインの処理によって変化する製品の直前の性状を示す設計情報を意味する。生産ライン情報は、これらの例には限定されず、例えば、生産ライン情報には、さらに、生産を予定する季節や日時、作業者の勤務シフトなどが含まれてもよい。

図２は、情報処理装置６０の内部機能構成を示すブロック図である。情報処理装置６０は、中央演算処理装置としてのＣＰＵ６２、記憶装置６４、液晶ディスプレイやタッチパネルなどの表示部６６、入力部６７、ならびに通信部６８を備えている。ＣＰＵ６２、記憶装置６４、表示部６６、入力部６７、ならびに通信部６８は、バス６１を介して互いに接続されており、双方向に通信可能である。入力部６７は、例えば、キーボードやマウスなどであり、製品情報や生産ライン情報を入力するために用いられる。

通信部６８は、ネットワークを介して、機械学習用のデータセットおよび推定用データを受信する通信制御を行うインターフェースである。通信部６８は、設計段階のデータベースＤＢを格納する外部装置から製品情報Ｄ１および生産ライン情報Ｄ２を取得する取得部として機能する。本実施形態では、通信部６８は、さらに、センサ７０を介してエネルギ情報を取得する。

記憶装置６４は、たとえば、ＲＡＭ、ＲＯＭ、ハードディスクドライブ（ＨＤＤ）である。ＨＤＤまたはＲＯＭには本実施形態において提供される機能を実現するための各種プログラムが格納されている。ＨＤＤまたはＲＯＭから読み出された各種プログラムは、ＲＡＭ上に展開されて、ＣＰＵ６２によって実行される。記憶装置６４の読み書き可能な領域には、取得したエネルギ情報を格納するためのエネルギ情報記憶部６４０と、取得した製品情報Ｄ１を格納するための製品情報記憶部６４２と、取得した生産ライン情報Ｄ２を格納するための生産ライン情報記憶部６４４と、ＣＯ２排出係数記憶部６４６と、機械学習モデルを格納するための学習モデル記憶部６４８を備えている。なお、記憶装置６４には、ＣＯ２排出量推定部によって生成された各種の演算結果などが一時的に格納される。記憶装置６４には、光ディスク、ＳＳＤ（Solid State Drive）、フラッシュメモリ等が用いられてもよい。

エネルギ情報記憶部６４０には、過去の生産時に取得したエネルギ情報が記録されている。本実施形態では、エネルギ情報記憶部６４０には、二酸化炭素排出量が、製品情報および生産ライン情報と、製品の識別情報とに対応付けられたデータベースとして記録されている。製品の識別情報とは、例えば、製品１個ごとに付されたシリアル番号である。エネルギ情報記憶部６４０には、二酸化炭素排出量とともに、またはこれに代えて電力消費量などのエネルギ情報が記録されていてもよい。製品情報記憶部６４２には、取得した製品情報Ｄ１が記録され、生産ライン情報記憶部６４４には、取得した生産ライン情報Ｄ２が記録されている。

ＣＯ２排出係数記憶部６４６には、ＣＯ２排出量を導出するためのＣＯ２排出係数が格納されている。「ＣＯ２排出係数」とは、活動量あたりの二酸化炭素の排出量であり、予め定められた単位量あたりのエネルギ消費量に対する二酸化炭素の排出量を意味する。本実施形態では、ＣＯ２排出係数は、１ｋＷｈの電力を発電するために排出される二酸化炭素の排出量に相当し、その単位は、例えば、ｇ／ｋＷｈである。本実施形態では、排出係数は、地球温暖化対策の推進に関する法律（温対法）に基づき、環境省・経済産業省により公表される電気事業者別排出係数を用いてＣＯ２排出係数記憶部６４６に予め格納されている。ただし、ＣＯ２排出係数は、固定値として予め設定される場合には限定されず、インターネットなどの広域ネットワークなどを介して逐次に更新されてもよい。このように構成することにより、最新のＣＯ２排出係数を用いてＣＯ２排出量を導出することができる。

ＣＰＵ６２は、記憶装置６４に格納されているプログラムを実行することによって、学習モデル生成部６２２と、ＣＯ２排出量推定部６２４として機能する。このプログラムは、製品情報、および生産ライン情報を取得する取得機能と、生産予定製品が生産された場合に発生するエネルギ情報を推定する推定機能と、をコンピュータに実現させる。学習モデル生成部６２２は、機械学習用のデータセットを用いて学習済みモデルを生成する。機械学習用のデータセットとは、センサ７０から取得した生産ラインＬｎで発生したエネルギ情報と、データベースＤＢに格納された製品情報Ｄ１および生産ライン情報Ｄ２である。ＣＯ２排出量推定部６２４は、学習済みモデルを用いて、生産予定製品が生産された場合に発生する二酸化炭素排出量を推定する。

図３は、情報処理装置６０により実行されるエネルギ情報推定方法を示すフローチャートである。ステップＳ１０では、学習モデル生成部６２２は、機械学習用のデータセットを取得し、取得した機械学習用のデータセットを用いて機械学習を行うことにより学習済みモデルを生成する。ステップＳ２０では、学習済みモデルを用いて、任意の生産予定製品が生産された場合に発生するエネルギ情報としての二酸化炭素排出量を推定する。

図４は、学習工程の詳細を示すフローチャートである。ステップＳ１００では、機械学習用のデータセットを取得する。具体的には、ステップＳ１０２において、学習モデル生成部６２２は、通信部６８を介して、外部装置のデータベースＤＢから製品情報Ｄ１を取得する。ステップＳ１０４では、学習モデル生成部６２２は、通信部６８を介して外部装置のデータベースＤＢから生産ライン情報Ｄ２を取得する。

ステップＳ１０６では、学習モデル生成部６２２は、ＣＯ２排出量を取得する。本実施形態では、学習モデル生成部６２２は、通信部６８を介して、センサ７０との無線通信により、生産ラインＬｎごとの電力消費量を取得する。学習モデル生成部６２２は、取得した電力消費量に、ＣＯ２排出係数記憶部６４６に格納されたＣＯ２排出係数を乗じることによりＣＯ２排出量を算出する。なお、ＣＯ２排出量は、電力消費量を取得したセンサ７０によって算出されてもよく、この場合には、情報処理装置６０は、通信部６８を介してセンサ７０からＣＯ２排出量を取得する。

本実施形態では、学習モデル生成部６２２は、製品を一個生産するごとに発生した電力消費量をセンサ７０から取得し、製品を一個生産するごとに発生したＣＯ２排出量を算出する。ただし、これに限らず、予め定められた期間中に複数の製品を生産することで発生したＣＯ２排出量の総量を取得してもよく、総量を生産数で除算することにより製品一個あたりに発生したＣＯ２排出量を算出してもよい。学習モデル生成部６２２は、取得した製品情報Ｄ１、生産ライン情報Ｄ２、ならびにＣＯ２排出量と、製品のシリアル番号とを対応付けた機械学習用のデータセットのデータベースを生成する。

図５は、機械学習用データセットのデータベースＭＤを模式的に示す説明図である。図５に示すように、データベースＭＤでは、取得した製品情報Ｄ１の各項目と、生産ライン情報Ｄ２の各項目と、ならびにＣＯ２排出量と、製品のシリアル番号とが対応付けられて記録されている。

図４に戻り、ステップＳ１１０では、学習モデル生成部６２２は、記憶装置６４に格納された機械学習用のデータセットを用いた機械学習を行い、学習済みの学習モデルを生成する。本実施形態では、学習モデル生成部６２２は、データベースＭＤに記録されている製品情報、および生産ライン情報を説明変数（explanatory variable）とし、二酸化炭素排出量を目的変数（response variable）とした回帰問題の教師あり学習を行う。なお、説明変数は、入力変数、独立変数などとも呼ばれ、目的変数は、応答変数、従属変数などとも呼ばれる。学習モデル生成部６２２は、例えば、最小二乗法等の線形回帰（linear regression）を用いた機械学習を行ってもよい。学習モデル生成部６２２は、例えば、再帰型ニューラルネットワーク（ＲＮＮ：Recurrent neural network）、一般回帰ニューラルネットワーク（General Regression Neural Network）、あるいはランダムフォレスト（Random Forest）等を用いた機械学習を行ってもよい。

図６は、推定工程の詳細を示すフローチャートである。ステップＳ２０２は、生産予定製品の製品情報および生産ライン情報を取得する取得工程であり、ＣＯ２排出量推定部６２４は、生産予定製品の製品情報Ｄ１および生産ライン情報Ｄ２を、外部装置のデータベースＤＢから取得する。生産予定製品の製品情報Ｄ１および生産ライン情報Ｄ２は、例えば、ユーザによる入力部６７の操作により入力されてもよい。本実施形態では、生産予定製品の製品情報Ｄ１および生産ライン情報Ｄ２の各項目には、ユーザにより選択可能な複数の水準を設定することができる。

図７は、生産予定製品の製品情報Ｄ１および生産ライン情報Ｄ２の各項目の設定方法を示す説明図である。図７に示す表ＴＢ１は、二酸化炭素排出量の推定値を算出するための設定画面であり、例えば、表示部６６に表示される。ユーザは、入力部６７の操作により、生産予定製品の製品情報Ｄ１としての項目８２，８４や、生産予定製品の生産ライン情報Ｄ２としての項目８５，８６を入力あるいは選択することができる。図７の例では、項目８４は、生産予定製品に用いられる材料名を示している。本実施形態では、生産予定製品の設計段階の候補として、複数の水準としての材料Ｍ１と、材料Ｍ２とが設定されている。同様に、項目８６は、生産予定製品の工程ＰＲ１の生産条件を示しており、複数の水準としての設定値Ｃ１と、設定値Ｃ２とが設定されている。すべての項目の入力を終えて実行ボタン８８が操作されると、学習済みモデルによる二酸化炭素排出量の推定値が、各項目に設定された水準の組み合わせごとに二酸化炭素排出量の推定値の算出を開始する。

図６に戻り、ステップＳ２０４では、ＣＯ２排出量推定部６２４は、生産予定製品の製品情報Ｄ１および生産ライン情報Ｄ２を、学習モデル記憶部６４８に格納された学習済みモデルに入力する。製品情報Ｄ１および生産ライン情報Ｄ２の項目に複数の水準が設定されている場合には、ＣＯ２排出量推定部６２４は、製品情報Ｄ１および生産ライン情報Ｄ２の各項目に設定された複数の水準の全ての組み合わせを学習済みモデルに入力する。

ステップＳ２０６では、ＣＯ２排出量推定部６２４は、学習済みモデルから得られたＣＯ２排出量の推定値を表示部６６に出力する。ステップＳ２０８では、ユーザは、製品情報Ｄ１および生産ライン情報Ｄ２を決定する。より具体的には、製品情報Ｄ１および生産ライン情報Ｄ２の項目に複数の水準が含まれる場合には、ユーザは、学習済みモデルから得られたＣＯ２排出量の推定値を参照して、そのうちの一つの水準を選定する。

図８は、二酸化炭素排出量の推定値の算出結果の一例を示す説明図である。図８に示す表ＴＢ２は、例えば、図７で示した実行ボタン８８の操作がされた後に表示部６６に表示される。表ＴＢ２では、二酸化炭素排出量の推定値は、製品情報Ｄ１および生産ライン情報Ｄ２の各項目に設定された複数の水準の組み合わせごとに示されている。図８の例では、図７で示した項目８４の材料Ｍ１，Ｍ２と、項目８６の設定値Ｃ１，Ｃ２との４通りの組み合わせのそれぞれにおいて、二酸化炭素排出量の推定値が示されている。このように構成することにより、ユーザは、生産予定製品の設計段階において、製品情報Ｄ１および生産ライン情報Ｄ２の各項目に複数の水準が候補として挙げられる場合に、その組み合わせごとのＣＯ２排出量の推定値を参照することができる。したがって、使用者は、ＣＯ２排出量の推定値に基づいて生産予定製品の製品情報Ｄ１および生産ライン情報Ｄ２の各項目を設定することができる。

以上、説明したように、本実施形態の情報処理装置６０に格納されたプログラムは、製品ＷＫの設計段階で設定可能な製品情報Ｄ１を取得する取得機能と、学習済みの学習モデルに生産予定製品の製品情報Ｄ１を入力することにより、生産予定製品が生産された場合に発生する二酸化炭素排出量を推定する推定機能と、をコンピュータに実現させる。本実施形態のプログラムによれば、生産予定製品の製品情報Ｄ１を用いて二酸化炭素排出量を推定することができる。したがって、生産予定製品の設計段階で二酸化炭素排出量を推定することができ、二酸化炭素排出量を考慮した製品設計を行うことができる。

本実施形態の情報処理装置６０に格納されたプログラムは、取得機能は、さらに、エネルギ情報としての二酸化炭素排出量を取得する機能を含んでおり、取得した製品情報Ｄ１と、二酸化炭素排出量との組み合わせを含むデータセットを用いて学習モデルを学習させる学習機能をコンピュータに実現させる。本実施形態のプログラムによれば、二酸化炭素排出量を推定する際に取得するデータセットを用いて学習モデルを学習させることができる。したがって、生産予定製品のデータセットを用いて二酸化炭素排出量を推定するごとに学習モデルが学習され、二酸化炭素排出量の推定精度を向上させることができる。

本実施形態の情報処理装置６０に格納されたプログラムによれば、学習済みモデルは、製品を一個生産するごとに発生した二酸化炭素排出量を用いて学習されている。本実施形態のプログラムによれば、予め定められた期間中に発生した二酸化炭素排出量の総量を取得する場合と比較して、二酸化炭素排出量の推定精度を向上させることができる。

本実施形態の情報処理装置６０に格納されたプログラムは、取得機能として、さらに、製品ＷＫの設計段階で設定可能な生産ライン情報Ｄ２であって、製品ＷＫを生産するために生産ラインＬｎに設定される生産条件を含む生産ライン情報Ｄ２を取得する機能をコンピュータに実現させる。本実施形態のプログラムによれば、二酸化炭素排出量の推定に用いるデータ数を増加させることにより、二酸化炭素排出量の推定精度を向上させることができる。

本実施形態の情報処理装置６０に格納されたプログラムは、生産ライン情報Ｄ２には、生産条件、作業種類、生産ラインＬｎの設置場所、生産ラインＬｎに含まれる設備台数、生産ラインＬｎによる製品ＷＫの処理時間、製品ＷＫの処理に用いられる金型に関する金型情報、および生産ラインＬｎによって加工される直前の製品ＷＫの設計値を含む設計情報が含まれている。本実施形態のプログラムによれば、二酸化炭素排出量に対して統計的に有意な因子を、生産ライン情報Ｄ２の項目に設定することにより、生産ライン情報Ｄ２を用いた二酸化炭素排出量の推定精度を向上させることができる。

本実施形態の情報処理装置６０に格納されたプログラムは、製品情報Ｄ１には、製品ＷＫの材料名および材質を含む材料情報、製品ＷＫの寸法、製品ＷＫの重量、および製品ＷＫの寸法および重量に許容される設定公差が含まれている。本実施形態のプログラムによれば、二酸化炭素排出量に対して統計的に有意な因子を、製品情報Ｄ１の項目に設定することにより、製品情報Ｄ１を用いた二酸化炭素排出量の推定精度を向上させることができる。

Ｂ．他の実施形態：
（Ｂ１）上記第１実施形態では、製品情報Ｄ１および生産ライン情報Ｄ２の各項目には、ユーザにより選択可能な複数の水準を設定する例を示した。これに対して、製品情報Ｄ１および生産ライン情報Ｄ２の各項目には、単数の水準が設定されてもよい。この形態であっても、製品情報Ｄ１および生産ライン情報Ｄ２の各項目に設定された単数の水準を用いて、二酸化炭素排出量の推定値を出力することができる。

（Ｂ２）上記第１実施形態では、製品情報Ｄ１および生産ライン情報Ｄ２の項目に複数の水準が含まれる場合には、ユーザが一つの水準を選定する例を示した。これに対して、製品情報Ｄ１および生産ライン情報Ｄ２の各項目の水準は、例えば、二酸化炭素排出量が最小となる製品情報Ｄ１および生産ライン情報Ｄ２の各項目の水準の組み合わせを選択するなど、情報処理装置６０が予め設定された条件にしたがって決定されてもよい。この場合には、図８で示した表ＴＢ２の生成が省略されてもよい。

（Ｂ３）上記第１実施形態では、製品情報Ｄ１および生産ライン情報Ｄ２の双方の情報を用いて二酸化炭素排出量の推定値を算出する例を示した。これに対して、例えば、製品情報Ｄ１のみを用いることにより二酸化炭素排出量の推定精度が充分に得られる場合などには、学習モデル生成部６２２およびＣＯ２排出量推定部６２４は、生産ライン情報Ｄ２を取得しなくてもよい。

（Ｂ４）上記第１実施形態では、情報処理装置６０がエネルギ情報としての二酸化炭素排出量を推定する例を示した。これに対して、情報処理装置６０は、メタン（ＣＨ４）などの二酸化炭素以外の温室効果ガスの排出量を推定してもよい。また、情報処理装置６０は、二酸化炭素排出量に代えて、またはこれとともに、電力消費量などのエネルギ消費量を推定してもよい。例えば、情報処理装置６０は、製品情報Ｄ１および生産ライン情報Ｄ２と、エネルギ消費量との関係を学習し、生産予定製品の製品情報Ｄ１および生産ライン情報Ｄ２を用いてエネルギ消費量を推定してもよい。また、得られたエネルギ消費量の推定値に、さらに、ＣＯ２排出係数を乗じることで二酸化炭素排出量の推定値が得られてもよい。また、情報処理装置６０は、エネルギ消費量と温室効果ガスの排出量との双方を推定してもよい。

（Ｂ５）上記第１実施形態では、エネルギ情報推定方法が学習工程を備える例を示した。これに対して、学習モデル記憶部６４８に格納された学習モデルが充分に学習されている場合などには、ステップＳ１０の学習工程を省略してステップＳ２０の推定工程のみが実行されてもよい。

本開示に記載の制御部及びその手法は、コンピュータプログラムにより具体化された一つ乃至は複数の機能を実行するようにプログラムされたプロセッサ及びメモリを構成することによって提供された専用コンピュータにより、実現されてもよい。あるいは、本開示に記載の制御部及びその手法は、一つ以上の専用ハードウェア論理回路によってプロセッサを構成することによって提供された専用コンピュータにより、実現されてもよい。もしくは、本開示に記載の制御部及びその手法は、一つ乃至は複数の機能を実行するようにプログラムされたプロセッサ及びメモリと一つ以上のハードウェア論理回路によって構成されたプロセッサとの組み合わせにより構成された一つ以上の専用コンピュータにより、実現されてもよい。また、コンピュータプログラムは、コンピュータにより実行されるインストラクションとして、コンピュータ読み取り可能な非遷移有形記録媒体に記憶されていてもよい。

本開示は、上述の実施形態に限られるものではなく、その趣旨を逸脱しない範囲において種々の構成で実現することができる。例えば、発明の概要の欄に記載した各形態中の技術的特徴に対応する実施形態中の技術的特徴は、上述の課題の一部又は全部を解決するために、あるいは、上述の効果の一部又は全部を達成するために、適宜、差し替えや、組み合わせを行うことが可能である。また、その技術的特徴が本明細書中に必須なものとして説明されていなければ、適宜、削除することが可能である。

６０…情報処理装置、６１…バス、６２…ＣＰＵ、６４…記憶装置、６６…表示部、６７…入力部、６８…通信部、７０…センサ、７２…検出部、７４…通信部、８２～８６…項目、８８…実行ボタン、６２２…学習モデル生成部、６２４…ＣＯ２排出量推定部、６４０…エネルギ情報記憶部、６４２…製品情報記憶部、６４４…生産ライン情報記憶部、６４６…ＣＯ２排出係数記憶部、６４８…学習モデル記憶部、Ｄ１…製品情報、Ｄ２…生産ライン情報、ＤＢ…データベース、Ｌｎ…生産ライン、ＭＤ…データベース、ＰＲ１，ＰＲ２…工程、ＴＢ１，ＴＢ２…表、ＷＫ…製品

Claims (8)

1. プログラムであって、
   製品の設計段階で設定可能な前記製品の仕様に関する設計値を含む製品情報を取得する取得機能と、
   前記製品の生産により発生したエネルギ消費量と温室効果ガスの排出量との少なくともいずれかを含むエネルギ情報と、前記製品情報との組み合わせを含むデータセットを用いて学習済みの学習モデルに、生産を予定する生産予定製品の製品情報を入力することにより、前記生産予定製品が生産された場合に発生する前記エネルギ情報を推定する推定機能と、をコンピュータに実現させ、
   前記取得機能は、さらに、前記製品の設計段階で設定可能であり、前記製品を生産するために生産ラインに設定される生産条件を含む生産ライン情報を取得する機能を含み、
   前記推定機能は、前記生産ライン情報、前記製品情報、および前記エネルギ情報との組み合わせを含むデータセットを用いて学習させた前記学習モデルに、前記生産予定製品の製品情報と、前記生産予定製品を生産するための生産ライン情報とを入力することにより、前記生産予定製品が生産された場合に発生する前記エネルギ情報を推定する機能を含み、
   前記製品情報に含まれる前記設計値、および前記生産ライン情報に含まれる前記生産条件は、それぞれ、ユーザにより選択可能な複数の水準を含み、
   前記推定機能は、前記複数の水準の組み合わせごとに前記エネルギ情報を推定し、推定された前記エネルギ情報を、前記複数の水準の組み合わせごとに表示部に表示する、
   プログラム。
2. 請求項１に記載のプログラムであって、
   前記取得機能は、さらに、前記エネルギ情報を取得する機能を含み、
   前記取得機能により取得された前記エネルギ情報と、前記製品情報との組み合わせを含むデータセットを用いて前記学習モデルを学習させる学習機能を、コンピュータに実現させる、
   プログラム。
3. 請求項１に記載のプログラムであって、
   前記学習モデルは、前記製品を一個生産するごとに発生した前記エネルギ情報と、前記製品情報との組み合わせを含むデータセットを用いて学習済みである、
   プログラム。
4. 請求項１に記載のプログラムであって、
   前記生産ライン情報には、さらに、前記生産ラインによる前記製品の処理に手動による作業が含まれるか否かを示す作業種類、前記生産ラインの設置場所、前記生産ラインに含まれる設備台数、前記生産ラインによる前記製品の処理時間、前記製品の処理に用いられる金型に関する金型情報、および前記生産ラインによって処理される直前の製品の設計値を含む設計情報のうち少なくともいずれか一つが含まれる、
   プログラム。
5. 請求項１に記載のプログラムであって、
   前記製品情報には、前記製品の材料名および材質を含む材料情報、前記製品の寸法、前記製品の重量、および前記製品の寸法および重量に許容される設定公差のうち少なくともいずれか一つが含まれる、
   プログラム。
6. 請求項１に記載のプログラムであって、
   更に、前記複数の水準のうち、推定された前記エネルギ情報が最小となる水準の組み合わせを選択する機能をコンピュータに実現させる、
   プログラム。
7. 情報処理装置であって、
   製品の設計段階で設定可能な前記製品の仕様に関する設計値を含む製品情報を取得する取得部と、
   前記製品の生産により発生したエネルギ消費量と温室効果ガスの排出量との少なくともいずれかを含むエネルギ情報と、前記製品情報との組み合わせを含むデータセットを用いて学習済みの学習モデルに、生産を予定する生産予定製品の製品情報を入力することにより、前記生産予定製品が生産された場合に発生する前記エネルギ情報を推定する推定部と、を備え、
   前記取得部は、さらに、前記製品の設計段階で設定可能であり、前記製品を生産するために生産ラインに設定される生産条件を含む生産ライン情報を取得し、
   前記推定部は、前記生産ライン情報、前記製品情報、および前記エネルギ情報との組み合わせを含むデータセットを用いて学習させた前記学習モデルに、前記生産予定製品の製品情報と、前記生産予定製品を生産するための生産ライン情報とを入力することにより、前記生産予定製品が生産された場合に発生する前記エネルギ情報を推定し、
   前記製品情報に含まれる前記設計値、および前記生産ライン情報に含まれる前記生産条件は、それぞれ、ユーザにより選択可能な複数の水準を含み、
   前記推定部は、前記複数の水準の組み合わせごとに前記エネルギ情報を推定し、推定された前記エネルギ情報を、前記複数の水準の組み合わせごとに表示部に表示する、
   情報処理装置。
8. エネルギ情報推定方法であって、
   情報処理装置が、製品の設計段階で設定可能な前記製品の仕様に関する設計値を含む製品情報を取得する取得工程と、
   前記情報処理装置が、前記製品の生産により発生したエネルギ消費量と温室効果ガスの排出量との少なくともいずれかを含むエネルギ情報と、前記製品情報との組み合わせを含むデータセットを用いて学習済みの学習モデルに、生産を予定する生産予定製品の製品情報を入力することにより、前記生産予定製品が生産された場合に発生する前記エネルギ情報を推定する推定工程と、を備え、
   前記取得工程において、前記情報処理装置は、さらに、前記製品の設計段階で設定可能であり、前記製品を生産するために生産ラインに設定される生産条件を含む生産ライン情報を取得し、
   前記推定工程において、前記情報処理装置は、前記生産ライン情報、前記製品情報、および前記エネルギ情報との組み合わせを含むデータセットを用いて学習させた前記学習モデルに、前記生産予定製品の製品情報と、前記生産予定製品を生産するための生産ライン情報とを入力することにより、前記生産予定製品が生産された場合に発生する前記エネルギ情報を推定し、
   前記製品情報に含まれる前記設計値、および前記生産ライン情報に含まれる前記生産条件は、それぞれ、ユーザにより選択可能な複数の水準を含み、
   前記推定工程において、前記情報処理装置は、前記複数の水準の組み合わせごとに前記エネルギ情報を推定し、推定された前記エネルギ情報を、前記複数の水準の組み合わせごとに表示部に表示する、
   エネルギ情報推定方法。

Images