JPH086605A - 最適製造、制御、提示条件生成装置 - Google Patents
最適製造、制御、提示条件生成装置Info
- Publication number
- JPH086605A JPH086605A JP6140080A JP14008094A JPH086605A JP H086605 A JPH086605 A JP H086605A JP 6140080 A JP6140080 A JP 6140080A JP 14008094 A JP14008094 A JP 14008094A JP H086605 A JPH086605 A JP H086605A
- Authority
- JP
- Japan
- Prior art keywords
- manufacturing
- optimum
- condition
- forward model
- quality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Feedback Control In General (AREA)
Abstract
(57)【要約】
【目的】 本発明は、例えば、製造条件に応じて、品質
の異なる製造物を製造するプラントの制御装置、特に、
所望の品質の製造物を生成する為の最適な製造条件を生
成する装置に関し、所望の製造物の条件を得るための最
適製造条件を自動的に決定できるプラント制御装置を提
供する。 【構成】 例えば、プラント等の製造対象の順モデルを
階層形ニューラルネットワークで獲得し、その獲得した
順モデルを利用して、ある適当な製造条件を規定する製
造変数の初期値から出発して、上記階層形ニューラルネ
ットワークの出力である品質と、所望の製造物の品質と
の誤差を最小化するように、上記製造条件を変更してい
くイテレイティブ・インバージョン法を使用すること
により、所望の品質の製造物等を得るための最適な製造
条件を自動的に生成するように構成する。
の異なる製造物を製造するプラントの制御装置、特に、
所望の品質の製造物を生成する為の最適な製造条件を生
成する装置に関し、所望の製造物の条件を得るための最
適製造条件を自動的に決定できるプラント制御装置を提
供する。 【構成】 例えば、プラント等の製造対象の順モデルを
階層形ニューラルネットワークで獲得し、その獲得した
順モデルを利用して、ある適当な製造条件を規定する製
造変数の初期値から出発して、上記階層形ニューラルネ
ットワークの出力である品質と、所望の製造物の品質と
の誤差を最小化するように、上記製造条件を変更してい
くイテレイティブ・インバージョン法を使用すること
により、所望の品質の製造物等を得るための最適な製造
条件を自動的に生成するように構成する。
Description
【０００１】
【産業上の利用分野】本発明は、製造条件に応じて品質
の異なる製造物を生成するプラントの制御装置，制御条
件に応じて異なる制御性能を発揮するプラントの制御装
置，および提示条件に応じて異なる度合いで人間の感性
に訴えるパターンの提示装置に関し、特に、所望の品質
の製造物，所望の制御性能，あるいは所望のパターン提
示を実現するために最適な製造条件，制御条件，あるい
は提示条件を生成する装置に関する。以下では、主とし
て、製造条件に応じて品質の異なる製造物を生成するプ
ラントの制御装置に焦点を当てて説明する。
の異なる製造物を生成するプラントの制御装置，制御条
件に応じて異なる制御性能を発揮するプラントの制御装
置，および提示条件に応じて異なる度合いで人間の感性
に訴えるパターンの提示装置に関し、特に、所望の品質
の製造物，所望の制御性能，あるいは所望のパターン提
示を実現するために最適な製造条件，制御条件，あるい
は提示条件を生成する装置に関する。以下では、主とし
て、製造条件に応じて品質の異なる製造物を生成するプ
ラントの制御装置に焦点を当てて説明する。
【０００２】近年、製品の設計，開発，製造の各段階に
おいて、能率の向上，品質の改善，製品変更に必要な時
間の短縮等を目的として、工場の自動化(FA), 計算機支
援製造(CIM) 等が進展している。本発明は、このうち、
主に製造段階の効率向上に関するものであり、例えば、
所望の品質の製造物を得るためのプラントの最適な製造
条件を自動的に決定するという要請に応えるものであ
る。
おいて、能率の向上，品質の改善，製品変更に必要な時
間の短縮等を目的として、工場の自動化(FA), 計算機支
援製造(CIM) 等が進展している。本発明は、このうち、
主に製造段階の効率向上に関するものであり、例えば、
所望の品質の製造物を得るためのプラントの最適な製造
条件を自動的に決定するという要請に応えるものであ
る。
【０００３】
【従来の技術】図７は、従来の最適製造、制御、提示条
件生成装置を説明する図である。従来技術の大部分は、
プラント 1を、その製造工程の専門家（熟練者）の経験
・勘に頼って制御しているか、あるいは、重回帰分析等
の多変量解析の手法を用いて，製造条件を規定する製造
変数が製造物の品質を規定する評価変数に寄与する度合
いを定式化し、その定式に基づいて製造物の品質を制御
するという方法であった。
件生成装置を説明する図である。従来技術の大部分は、
プラント 1を、その製造工程の専門家（熟練者）の経験
・勘に頼って制御しているか、あるいは、重回帰分析等
の多変量解析の手法を用いて，製造条件を規定する製造
変数が製造物の品質を規定する評価変数に寄与する度合
いを定式化し、その定式に基づいて製造物の品質を制御
するという方法であった。
【０００４】例えば、図７において、プラント 1を制御
する為に、該プラント 1の製造工程の専門家（熟練者）
の経験・勘に頼って得られる複数の製造条件 (例えば、
材料, 制御温度, 制御時間等) に対する製造物の品質
(色, 固さ, 表面の滑らかさ,寸法精度等) の対情報を基
に、所望の品質の製造物を得る為の最適な製造条件をプ
ラント 1に入力する。
する為に、該プラント 1の製造工程の専門家（熟練者）
の経験・勘に頼って得られる複数の製造条件 (例えば、
材料, 制御温度, 制御時間等) に対する製造物の品質
(色, 固さ, 表面の滑らかさ,寸法精度等) の対情報を基
に、所望の品質の製造物を得る為の最適な製造条件をプ
ラント 1に入力する。
【０００５】或いは、多変量解析手段 2”において、複
数個の各品質Ｑｎを得る為の多項式からなる製造条件式 品質Ｑ１＝ａ11ｘ11＋ａ12ｘ12＋・・・・・・＋ａ1nｘ1n 品質Ｑ２＝ａ21ｘ21＋ａ22ｘ22＋・・・・・・＋ａ2nｘ2n ： 品質Ｑm ＝ａm1ｘ21＋ａm2ｘm2＋・・・・・・＋ａmnｘmn を解いて、上記製造条件式の各係数を求め、所望の品質
Ｑｉを得る為の製造条件ｘi1,xi2, 〜ｘinを求めてプラ
ント 1に入力する。
数個の各品質Ｑｎを得る為の多項式からなる製造条件式 品質Ｑ１＝ａ11ｘ11＋ａ12ｘ12＋・・・・・・＋ａ1nｘ1n 品質Ｑ２＝ａ21ｘ21＋ａ22ｘ22＋・・・・・・＋ａ2nｘ2n ： 品質Ｑm ＝ａm1ｘ21＋ａm2ｘm2＋・・・・・・＋ａmnｘmn を解いて、上記製造条件式の各係数を求め、所望の品質
Ｑｉを得る為の製造条件ｘi1,xi2, 〜ｘinを求めてプラ
ント 1に入力する。
【０００６】しかし、製造変数と評価変数との関係が線
形であれば、上記多変量解析の手法は有効であるが、そ
の関係は非線形である場合の方が一般的であり、結局
は、専門家（熟練者）の経験・勘に頼らざるを得ないの
が現状である。
形であれば、上記多変量解析の手法は有効であるが、そ
の関係は非線形である場合の方が一般的であり、結局
は、専門家（熟練者）の経験・勘に頼らざるを得ないの
が現状である。
【０００７】
【発明が解決しようとする課題】したがって、この過程
を自動化することが、従来からの大きな課題となってい
た。特に、製造変数と評価変数との間の非線形な関係を
取り扱うことができ、所望の製造物の品質を得るための
最適な製造条件を自動的に決定することができる技術を
確立することが重要な課題であった。
を自動化することが、従来からの大きな課題となってい
た。特に、製造変数と評価変数との間の非線形な関係を
取り扱うことができ、所望の製造物の品質を得るための
最適な製造条件を自動的に決定することができる技術を
確立することが重要な課題であった。
【０００８】本発明は上記従来の欠点に鑑み、専門家
（熟練者）に代わって、例えば、所望の製造物の品質を
得るための最適製造条件を自動的に決定できるプラント
の制御装置を提供することを目的とするものである。
（熟練者）に代わって、例えば、所望の製造物の品質を
得るための最適製造条件を自動的に決定できるプラント
の制御装置を提供することを目的とするものである。
【０００９】
【課題を解決するための手段】図１は、本発明の原理構
成図である。図中、1 はプラント, あるいは "パターン
提示装置＋人間" であって、ある製造, 制御, 提示条件
が与えられると、その条件に応じた品質の製造物, 制御
性能, 人間に訴える感性情報を生成するものであり、2
は順モデル獲得手段であって、プラント 1に与える製
造, 制御条件、あるいはパターン提示装置 1に与えるパ
ターンの提示条件と、その条件下でのプラント 1が生成
する製造物の品質, 制御性能, あるいは、提示されたパ
ターン (画像, 音声パターン等) が人間の感性に訴える
度合い（感性情報）の対を事例として、プラント, ある
いは“パターン提示装置＋人間" 1 の順モデルを獲得す
るものであり、3 は最適製造, 制御, 提示決定手段であ
って、上記順モデル獲得手段2により獲得した、プラン
ト, あるいは "パターン提示装置＋人間" 1 の順モデル
を利用して、外部から与えられる所望の品質の製造物,
制御性能, 感性情報を得るための最適な製造, 制御, 提
示条件を決定するものである。
成図である。図中、1 はプラント, あるいは "パターン
提示装置＋人間" であって、ある製造, 制御, 提示条件
が与えられると、その条件に応じた品質の製造物, 制御
性能, 人間に訴える感性情報を生成するものであり、2
は順モデル獲得手段であって、プラント 1に与える製
造, 制御条件、あるいはパターン提示装置 1に与えるパ
ターンの提示条件と、その条件下でのプラント 1が生成
する製造物の品質, 制御性能, あるいは、提示されたパ
ターン (画像, 音声パターン等) が人間の感性に訴える
度合い（感性情報）の対を事例として、プラント, ある
いは“パターン提示装置＋人間" 1 の順モデルを獲得す
るものであり、3 は最適製造, 制御, 提示決定手段であ
って、上記順モデル獲得手段2により獲得した、プラン
ト, あるいは "パターン提示装置＋人間" 1 の順モデル
を利用して、外部から与えられる所望の品質の製造物,
制御性能, 感性情報を得るための最適な製造, 制御, 提
示条件を決定するものである。
【００１０】
【作用】本発明では、例えば、ニューラルネットワーク
等の学習装置によって構成される順モデル獲得手段 2
が、プラント, あるいは "パターン提示装置＋人間" 1
の順モデルを獲得することができ、最適製造, 制御, 提
示条件決定手段 3が、上記順モデル獲得手段 2により獲
得されたプラント, あるいは "パターン提示装置＋人
間" 1 の順モデルを利用して、例えば、ある適当な製造
条件, 制御条件, 提示条件を規定する製造変数, 制御変
数, 提示変数の初期値から出発して、プラント, あるい
は、" パターン提示装置＋人間" 1 の上記順モデルの出
力品質, 制御性能, 感性情報と、所望の製造物の品質,
制御性能, 感性情報との誤差を最小化するように、上記
製造変数, 制御変数, 提示変数を変更していく、イテレ
イティブ・インバージョン法を使用して、所望の品質の
製造物, 制御性能, 感性情報を得るための最適製造, 制
御, 提示条件を決定できるようにしたものである。
等の学習装置によって構成される順モデル獲得手段 2
が、プラント, あるいは "パターン提示装置＋人間" 1
の順モデルを獲得することができ、最適製造, 制御, 提
示条件決定手段 3が、上記順モデル獲得手段 2により獲
得されたプラント, あるいは "パターン提示装置＋人
間" 1 の順モデルを利用して、例えば、ある適当な製造
条件, 制御条件, 提示条件を規定する製造変数, 制御変
数, 提示変数の初期値から出発して、プラント, あるい
は、" パターン提示装置＋人間" 1 の上記順モデルの出
力品質, 制御性能, 感性情報と、所望の製造物の品質,
制御性能, 感性情報との誤差を最小化するように、上記
製造変数, 制御変数, 提示変数を変更していく、イテレ
イティブ・インバージョン法を使用して、所望の品質の
製造物, 制御性能, 感性情報を得るための最適製造, 制
御, 提示条件を決定できるようにしたものである。
【００１１】上記イテレイティブ・インバージョン法
は、本願出願人が、先願している特願平04-246244 号
「階層型ニューラルネットワークを用いたセンサ情報処
理方式」に開示しているが、階層型ニューラルネットワ
ークで学習した結果に基づいて、ある適当な入力条件を
初期条件として、該階層型ニューラルネットワークの出
力と、所望の出力との誤差を最小化するように、上記入
力条件を変更して、所望の出力条件を得るための入力条
件を得る手法である。このイテレイティブ・インバージ
ョン法を用いることにより、ニューラルネットワーク等
の学習装置で形成される順方向モデルにおいては、学習
することができない１入力対ｍ出力の条件の内の一つの
出力条件に対する入力条件を求めることができるもので
ある。
は、本願出願人が、先願している特願平04-246244 号
「階層型ニューラルネットワークを用いたセンサ情報処
理方式」に開示しているが、階層型ニューラルネットワ
ークで学習した結果に基づいて、ある適当な入力条件を
初期条件として、該階層型ニューラルネットワークの出
力と、所望の出力との誤差を最小化するように、上記入
力条件を変更して、所望の出力条件を得るための入力条
件を得る手法である。このイテレイティブ・インバージ
ョン法を用いることにより、ニューラルネットワーク等
の学習装置で形成される順方向モデルにおいては、学習
することができない１入力対ｍ出力の条件の内の一つの
出力条件に対する入力条件を求めることができるもので
ある。
【００１２】このように、本発明によれば、所望の品質
の製造物，制御性能，人間に訴える感性情報を得るため
の最適製造，制御，提示条件を決定できるので、専門家
（熟練者）の経験・勘に頼ることなく、プラント，ある
いはパターン提示装置 1を制御し、所望の品質の製造
物, 制御性能, 感性情報を得ることができる。
の製造物，制御性能，人間に訴える感性情報を得るため
の最適製造，制御，提示条件を決定できるので、専門家
（熟練者）の経験・勘に頼ることなく、プラント，ある
いはパターン提示装置 1を制御し、所望の品質の製造
物, 制御性能, 感性情報を得ることができる。
【００１３】
【実施例】以下本発明の実施例を図面によって詳述す
る。前述の図１は、本発明の原理構成図であり、図２〜
図４は、本発明の一実施例を示した図であり、図２は最
適製造条件生成装置の構成例を示し、図３は階層型ニュ
ーラルネットワークによる順モデル獲得手段の構成例を
示し、図４は、イテレイティブ・インバージョン法に基
づく最適製造条件決定手段の構成例を示しており、図
５，図６は、本発明の他の実施例を示した図であって、
図５は、最適制御条件生成装置の構成例を示し、図６は
最適提示条件生成装置の構成例を示している。
る。前述の図１は、本発明の原理構成図であり、図２〜
図４は、本発明の一実施例を示した図であり、図２は最
適製造条件生成装置の構成例を示し、図３は階層型ニュ
ーラルネットワークによる順モデル獲得手段の構成例を
示し、図４は、イテレイティブ・インバージョン法に基
づく最適製造条件決定手段の構成例を示しており、図
５，図６は、本発明の他の実施例を示した図であって、
図５は、最適制御条件生成装置の構成例を示し、図６は
最適提示条件生成装置の構成例を示している。
【００１４】本実施例においては、ある製造, 制御, 提
示条件が与えられると、その条件に応じた品質の製造
物, 制御性能, 人間に訴える感性情報を生成するプラン
ト 1a,1b, あるいは "パターン提示装置＋人間" 1cと、
プラント 1a,1bに与える製造,制御条件、あるいはパタ
ーン提示装置 1c に与えるパターンの提示条件と、その
条件下でのプラント 1a,1bが生成する製造物の品質, 制
御性能, あるいは、提示されたパターン (画像, 音声パ
ターン等) 1cが人間の感性に訴える度合い（感性情報）
の対を事例として、プラント 1a,1b, あるいは“パター
ン提示装置＋人間" 1cの順モデルを獲得する順モデル獲
得手段 2a,2b,2c と、上記順モデル獲得手段 2a,2b,2c
により獲得した、プラント 1a,1b, あるいは "パターン
提示装置＋人間" 1cの順モデルを利用して、外部から与
えられる所望の品質の製造物, 制御性能, 感性情報を得
るための最適な製造, 制御, 提示条件を決定する最適製
造,制御, 提示条件決定手段 3a,3b,3c が、本発明を実
施するのに必要な手段である。尚、全図を通して同じ符
号は同じ対象物を示している。
示条件が与えられると、その条件に応じた品質の製造
物, 制御性能, 人間に訴える感性情報を生成するプラン
ト 1a,1b, あるいは "パターン提示装置＋人間" 1cと、
プラント 1a,1bに与える製造,制御条件、あるいはパタ
ーン提示装置 1c に与えるパターンの提示条件と、その
条件下でのプラント 1a,1bが生成する製造物の品質, 制
御性能, あるいは、提示されたパターン (画像, 音声パ
ターン等) 1cが人間の感性に訴える度合い（感性情報）
の対を事例として、プラント 1a,1b, あるいは“パター
ン提示装置＋人間" 1cの順モデルを獲得する順モデル獲
得手段 2a,2b,2c と、上記順モデル獲得手段 2a,2b,2c
により獲得した、プラント 1a,1b, あるいは "パターン
提示装置＋人間" 1cの順モデルを利用して、外部から与
えられる所望の品質の製造物, 制御性能, 感性情報を得
るための最適な製造, 制御, 提示条件を決定する最適製
造,制御, 提示条件決定手段 3a,3b,3c が、本発明を実
施するのに必要な手段である。尚、全図を通して同じ符
号は同じ対象物を示している。
【００１５】以下、図１を参照しながら、図２〜図４に
よって、製造条件に応じて品質の異なる製造物を生成す
るプラント 1a の制御装置を例にして説明する。先ず、
階層型ニューラルネットワークにより順モデル獲得手段
2a を構成する実施例について説明する。
よって、製造条件に応じて品質の異なる製造物を生成す
るプラント 1a の制御装置を例にして説明する。先ず、
階層型ニューラルネットワークにより順モデル獲得手段
2a を構成する実施例について説明する。
【００１６】図２おいて、1aはプラントであって、何ら
かの形で定量化できる製造条件の下で、その製造条件に
応じて、一つあるいは複数個の評価基準で定量的に評価
できる品質の製造物を生成するものであり、2aは学習機
能を備える階層型ニューラルネットで構成される順モデ
ル獲得ニューラルネットワークであって、図２(a) に示
されているように、一つあるいは複数個の製造条件と,
その条件下での製造物の品質との入出力対を事例（学習
データ）として、上記プラント 1a の順モデル（入力と
して製造条件を受け取り，出力として製造物の品質を生
成する順方向のモデル）を学習により獲得する。
かの形で定量化できる製造条件の下で、その製造条件に
応じて、一つあるいは複数個の評価基準で定量的に評価
できる品質の製造物を生成するものであり、2aは学習機
能を備える階層型ニューラルネットで構成される順モデ
ル獲得ニューラルネットワークであって、図２(a) に示
されているように、一つあるいは複数個の製造条件と,
その条件下での製造物の品質との入出力対を事例（学習
データ）として、上記プラント 1a の順モデル（入力と
して製造条件を受け取り，出力として製造物の品質を生
成する順方向のモデル）を学習により獲得する。
【００１７】図２(b) に示されている3aは、最適製造条
件決定装置であって、後述するイテレイティブ・インバ
ージョン (以下、iterative inversion ということがあ
る)法を、順モデル獲得ニューラルネットワークに適
用し、与えられた所望の製造物の品質を得るための最適
な製造条件を決定するものである。ここでは、一つの製
造条件を規定する、一つあるいは複数個の定量化可能な
要因を製造変数と呼び、製造物の品質を規定する一つあ
るいは複数個の評価基準による評価を評価変数と呼ぶ。
図３(a) は、順モデル獲得ニューラルネットワーク 2
a の階層型ニューラルネットワークによる一構成例を示
す。順モデル獲得ニューラルネットワーク 2a は、過去
のプラント 1の操業経験から蓄積された、製造条件Ｓ
と、その条件下での製造物の品質Ｆとの対からなる学習
データを、例えば、入力層, 中間層, 出力層の３階層か
らなる階層型ニューラルネットワーク 2a の代表的な学
習アルゴリズムである誤差逆伝搬法を用いて、学習す
る。
件決定装置であって、後述するイテレイティブ・インバ
ージョン (以下、iterative inversion ということがあ
る)法を、順モデル獲得ニューラルネットワークに適
用し、与えられた所望の製造物の品質を得るための最適
な製造条件を決定するものである。ここでは、一つの製
造条件を規定する、一つあるいは複数個の定量化可能な
要因を製造変数と呼び、製造物の品質を規定する一つあ
るいは複数個の評価基準による評価を評価変数と呼ぶ。
図３(a) は、順モデル獲得ニューラルネットワーク 2
a の階層型ニューラルネットワークによる一構成例を示
す。順モデル獲得ニューラルネットワーク 2a は、過去
のプラント 1の操業経験から蓄積された、製造条件Ｓ
と、その条件下での製造物の品質Ｆとの対からなる学習
データを、例えば、入力層, 中間層, 出力層の３階層か
らなる階層型ニューラルネットワーク 2a の代表的な学
習アルゴリズムである誤差逆伝搬法を用いて、学習す
る。
【００１８】図３(b) は、上記階層型ニューラルネット
ワーク 2a を構成している各ニューロンの構成例を示し
ており、入力 hk を積和したもの(Fj)に、シグモイド関
数σ(x) を通して出力 fj を得ることができるニューロ
ンの構成例を示している。
ワーク 2a を構成している各ニューロンの構成例を示し
ており、入力 hk を積和したもの(Fj)に、シグモイド関
数σ(x) を通して出力 fj を得ることができるニューロ
ンの構成例を示している。
【００１９】上記の学習結果、図２の順モデル獲得ニュ
ーラルネットワーク 2a にプラントの順モデルが獲得さ
れ、ある製造条件が入力されると、順モデル獲得ニュー
ラルネットワーク 2a は、その条件の下で製造される製
造物の（予測される）品質を出力することが可能とな
る。
ーラルネットワーク 2a にプラントの順モデルが獲得さ
れ、ある製造条件が入力されると、順モデル獲得ニュー
ラルネットワーク 2a は、その条件の下で製造される製
造物の（予測される）品質を出力することが可能とな
る。
【００２０】図４は、上記最適製造条件決定装置 3a の
iterative inversion法と呼ばれる手法に基づく一構
成例を示す。該最適製造条件決定装置 3a は、所望の製
造物の品質が与えられると、次の手順で動作する。 Step. 1 ：先ず、図２(a) で説明した手順で、プラント
1a の順モデルを獲得した順モデル獲得ニューラルネッ
トワーク 2a の入力層に、製造条件の適当な初期値 s
(si , i = 1, ..., n) を設定する。 Step. 2 ：製造条件の初期値に基づいて、順モデル獲得
ニューラルネットワーク2a は前向きの処理を実行し、
出力層からその製造条件下で生成される製造物の品質の
予測値 f(s) (fj , j = 1, ..., m)を得る。 Step. 3 ：順モデル獲得ニューラルネットワーク 2a が
出力した製造物の品質の予測値f(s)と，人間等により外
部から与えられた所望の製造物の品質 d (dj , j= 1,
..., m) との間に定義された誤差を U(s, d)として、
例えば、次式で示される二乗誤差 U(s, d)を計算する． U(s,d)= Σ｛fj(s)-dj｝2 (j=1,....,m) Step. 4 ：誤差U(s, d) がある定数εより大きいとき、
それを小さくするように次式に従って、製造条件（製造
変数）の入力データｓを更新する（この処理を最急降下
法という）。即ち、si (ｔ＋Δｔ）＝ si(t)− k｛∂U
(s,d)／∂si｝を求める。但し，k は定数である。
iterative inversion法と呼ばれる手法に基づく一構
成例を示す。該最適製造条件決定装置 3a は、所望の製
造物の品質が与えられると、次の手順で動作する。 Step. 1 ：先ず、図２(a) で説明した手順で、プラント
1a の順モデルを獲得した順モデル獲得ニューラルネッ
トワーク 2a の入力層に、製造条件の適当な初期値 s
(si , i = 1, ..., n) を設定する。 Step. 2 ：製造条件の初期値に基づいて、順モデル獲得
ニューラルネットワーク2a は前向きの処理を実行し、
出力層からその製造条件下で生成される製造物の品質の
予測値 f(s) (fj , j = 1, ..., m)を得る。 Step. 3 ：順モデル獲得ニューラルネットワーク 2a が
出力した製造物の品質の予測値f(s)と，人間等により外
部から与えられた所望の製造物の品質 d (dj , j= 1,
..., m) との間に定義された誤差を U(s, d)として、
例えば、次式で示される二乗誤差 U(s, d)を計算する． U(s,d)= Σ｛fj(s)-dj｝2 (j=1,....,m) Step. 4 ：誤差U(s, d) がある定数εより大きいとき、
それを小さくするように次式に従って、製造条件（製造
変数）の入力データｓを更新する（この処理を最急降下
法という）。即ち、si (ｔ＋Δｔ）＝ si(t)− k｛∂U
(s,d)／∂si｝を求める。但し，k は定数である。
【００２１】右辺第二項は、次式のように展開できる。 ∂Ｕ(s,d) ／∂si＝２Σj ｛fj(s)-dj｝ (∂fj(s) ／∂
si) ここで、右辺の偏微分は製造変数 si が変化したとき
に、製造物の品質変数 fj(s)がどの程度変化するか、す
なわち、順モデル獲得ニューラルネットワーク 2aの入
力層の一つのニューロンユニットの値の変化が、出力層
の各ユニットの出力値に、どの程度の影響を及ぼすかと
いう感度を表す。この偏微分は以下のように計算でき
る．入力層ユニットｉの入出力値をsi,入力層ユニット
ｉと中間層ユニットｋとの間の結合の重みを wki,中間
層ユニットｋの入力値を Hk = Σi wki si,中間層ユニ
ットｋの出力値を hk = σ(Hk)（σはユニットの出力関
数）,中間層ユニットｋと出力層ユニットｊとの間の結
合の重みを vjk,出力層ユニットｊの入力値を Fj = Σ
k vjk hk,出力層ユニットｊの出力値を fj = σ(Fj),と
定義すると、次式が得られる。 ∂fj(s)/∂si＝(dfj/dFj)(∂Fj/ ∂si) ＝σ' (Fj)Σk vjk(∂hk/ ∂si) ＝σ' (Fj)Σk vjk σ' (Hk) (∂Hk/ ∂si) ＝σ' (Fj)Σk vjk σ' (Hk)wki したがって、 ∂Ｕ(s,d)/∂si＝２Σj ｛fj-dj ｝σ' (Fj)Σk vjk σ
' (Hk)wki として算出される。 Step. 5 ：更新した製造条件（製造変数）s を初期値と
して、Step. 1 に戻る。
si) ここで、右辺の偏微分は製造変数 si が変化したとき
に、製造物の品質変数 fj(s)がどの程度変化するか、す
なわち、順モデル獲得ニューラルネットワーク 2aの入
力層の一つのニューロンユニットの値の変化が、出力層
の各ユニットの出力値に、どの程度の影響を及ぼすかと
いう感度を表す。この偏微分は以下のように計算でき
る．入力層ユニットｉの入出力値をsi,入力層ユニット
ｉと中間層ユニットｋとの間の結合の重みを wki,中間
層ユニットｋの入力値を Hk = Σi wki si,中間層ユニ
ットｋの出力値を hk = σ(Hk)（σはユニットの出力関
数）,中間層ユニットｋと出力層ユニットｊとの間の結
合の重みを vjk,出力層ユニットｊの入力値を Fj = Σ
k vjk hk,出力層ユニットｊの出力値を fj = σ(Fj),と
定義すると、次式が得られる。 ∂fj(s)/∂si＝(dfj/dFj)(∂Fj/ ∂si) ＝σ' (Fj)Σk vjk(∂hk/ ∂si) ＝σ' (Fj)Σk vjk σ' (Hk) (∂Hk/ ∂si) ＝σ' (Fj)Σk vjk σ' (Hk)wki したがって、 ∂Ｕ(s,d)/∂si＝２Σj ｛fj-dj ｝σ' (Fj)Σk vjk σ
' (Hk)wki として算出される。 Step. 5 ：更新した製造条件（製造変数）s を初期値と
して、Step. 1 に戻る。
【００２２】以上の Step. 1 ー 5を繰り返すことによ
り、外部から与えられた製造物の品質d (dj , j = 1,
..., m) との矛盾の少ない最適な製造条件 s (si,i=1,
..., n) を決定することができる。このようにして生
成した製造条件ｓ(si,i=1, ...,n)を、図２(b) に示さ
れているように、プラント 1a に入力することにより,
所望の品質の製造物を得ることができる。
り、外部から与えられた製造物の品質d (dj , j = 1,
..., m) との矛盾の少ない最適な製造条件 s (si,i=1,
..., n) を決定することができる。このようにして生
成した製造条件ｓ(si,i=1, ...,n)を、図２(b) に示さ
れているように、プラント 1a に入力することにより,
所望の品質の製造物を得ることができる。
【００２３】もし、 Step. 1 ー 5を繰り返しても、誤差
U(s, d) がある定数εより小さくならない場合には、St
ep. 1 で与える製造条件の初期値を変更し、再び、上記
の Step. 1 ー 5を繰り返す。この初期値の変更， Step.
1 ー 5の実行を、ある指定された回数分繰り返しても、
誤差U(s,d)がある定数εより小さくならない場合には、
外部から与えられた所望の製造物の品質を生成すること
ができないことを意味し、その場合には、その旨を外部
に通知する。｛図２(b) の通知機能参照｝このよう
に、本発明では、順モデル獲得ニューラルネットワーク
によって獲得したプラント 1a の順モデルを用いて、最
適製造条件決定装置が外部から与えられる所望の製造物
の品質を達成するための最適な製造条件を決定すること
ができる。
U(s, d) がある定数εより小さくならない場合には、St
ep. 1 で与える製造条件の初期値を変更し、再び、上記
の Step. 1 ー 5を繰り返す。この初期値の変更， Step.
1 ー 5の実行を、ある指定された回数分繰り返しても、
誤差U(s,d)がある定数εより小さくならない場合には、
外部から与えられた所望の製造物の品質を生成すること
ができないことを意味し、その場合には、その旨を外部
に通知する。｛図２(b) の通知機能参照｝このよう
に、本発明では、順モデル獲得ニューラルネットワーク
によって獲得したプラント 1a の順モデルを用いて、最
適製造条件決定装置が外部から与えられる所望の製造物
の品質を達成するための最適な製造条件を決定すること
ができる。
【００２４】上述した本発明の一実施例は、典型的な例
を取り上げて説明したが、幾つかの変形例を考えること
ができる。 (a) 一つの製造条件を規定する一つあるいは複数個の
製造変数 s (si , i =1, ..., n) の中に、制御不可能
な製造変数（あるいは、ある範囲内の値しか存在しない
制御不可能な製造変数） si が存在する場合が想定でき
る。
を取り上げて説明したが、幾つかの変形例を考えること
ができる。 (a) 一つの製造条件を規定する一つあるいは複数個の
製造変数 s (si , i =1, ..., n) の中に、制御不可能
な製造変数（あるいは、ある範囲内の値しか存在しない
制御不可能な製造変数） si が存在する場合が想定でき
る。
【００２５】例えば、何らかの要因でプラントを稼働さ
せる環境の温度を、他のプラントとの関連で制御しては
ならない場合とか，環境の温度を制御できるとしても、
その制御範囲が空調設備の能力との関連で、20度から30
度までの範囲であるといった場合である。
せる環境の温度を、他のプラントとの関連で制御しては
ならない場合とか，環境の温度を制御できるとしても、
その制御範囲が空調設備の能力との関連で、20度から30
度までの範囲であるといった場合である。
【００２６】この場合、上述した本発明の一実施例で
の、最適製造条件決定装置 3a が順モデル獲得ニューラ
ルネットワーク 2a を利用して、最適製造条件を決定す
る上記iterative inversion法の処理において、制御不
可能な製造変数 si を観測（定量化）される値に固定
し、その製造変数を更新しないことにする、具体的に
は、この iterative inversion法の処理プログラムの一
部を変更すれば、上述した一実施例の枠組みで同一の議
論ができる。
の、最適製造条件決定装置 3a が順モデル獲得ニューラ
ルネットワーク 2a を利用して、最適製造条件を決定す
る上記iterative inversion法の処理において、制御不
可能な製造変数 si を観測（定量化）される値に固定
し、その製造変数を更新しないことにする、具体的に
は、この iterative inversion法の処理プログラムの一
部を変更すれば、上述した一実施例の枠組みで同一の議
論ができる。
【００２７】あるいは、制御不可能な製造変数 si を上
述のように、特別な製造変数として扱うのではなく、プ
ラント 1a の順モデルの出力と所望の製造物の品質との
誤差U(s, d) の計算に、制御不可能な製造変数 si を拘
束する項を追加することにより、対応することができ
る。例えば、(si- sobserve)2 （但し、sobserveは、観
測（定量化）される値）の項，あるいは、(si- smin)2
（但し、sminは制御不可能な製造変数がとり得る範囲内
の値で、現在の製造変数 si との差の絶対値が最小のも
の）の項を誤差U(s, d) の項として追加し、上記iterat
ive inversion 法を適用すればよい。この場合には、上
記 iterative inversion法の処理プログラムを変更する
ことなく、該 iterative inversion法の処理を実行する
ことができる。
述のように、特別な製造変数として扱うのではなく、プ
ラント 1a の順モデルの出力と所望の製造物の品質との
誤差U(s, d) の計算に、制御不可能な製造変数 si を拘
束する項を追加することにより、対応することができ
る。例えば、(si- sobserve)2 （但し、sobserveは、観
測（定量化）される値）の項，あるいは、(si- smin)2
（但し、sminは制御不可能な製造変数がとり得る範囲内
の値で、現在の製造変数 si との差の絶対値が最小のも
の）の項を誤差U(s, d) の項として追加し、上記iterat
ive inversion 法を適用すればよい。この場合には、上
記 iterative inversion法の処理プログラムを変更する
ことなく、該 iterative inversion法の処理を実行する
ことができる。
【００２８】(b) 製造物の品質を規定する評価変数と
して、複数個の評価変数 f(s) (fj, j = 1, ..., m) が
存在する場合、上述した一実施例では、そのまま複数個
の評価変数 (ベクトル) として取り扱ったが、これらの
複数個の評価変数の重み付き線形和をとり、一つの評価
変数 f (s) (スカラー) として扱うこともできる。
して、複数個の評価変数 f(s) (fj, j = 1, ..., m) が
存在する場合、上述した一実施例では、そのまま複数個
の評価変数 (ベクトル) として取り扱ったが、これらの
複数個の評価変数の重み付き線形和をとり、一つの評価
変数 f (s) (スカラー) として扱うこともできる。
【００２９】(c) 上述の一実施例では、所望の製造物
の品質を得るために、プラントの順モデル以外の知識は
利用してないが、所望の製造物の品質を得るための製造
変数s (si , i = 1, ..., n) に関する先見的な知識が
あれば、その知識を活用することもできる。
の品質を得るために、プラントの順モデル以外の知識は
利用してないが、所望の製造物の品質を得るための製造
変数s (si , i = 1, ..., n) に関する先見的な知識が
あれば、その知識を活用することもできる。
【００３０】この場合の取り扱いは、上記(a) の場合の
対処法と全く同じであり、先見的知識をもつ製造変数 s
i を、その先見的知識に対応する値、あるいは、ある範
囲内の値に固定するか、あるいは、誤差U(s,d) に、
(a) の場合と同様に、先見的知識をもつ製造変数 si を
その先見的知識に対応する値, あるいは、ある範囲内の
値）に拘束する項を追加すればよい。
対処法と全く同じであり、先見的知識をもつ製造変数 s
i を、その先見的知識に対応する値、あるいは、ある範
囲内の値に固定するか、あるいは、誤差U(s,d) に、
(a) の場合と同様に、先見的知識をもつ製造変数 si を
その先見的知識に対応する値, あるいは、ある範囲内の
値）に拘束する項を追加すればよい。
【００３１】(d) 製造物の品質を規定する一つあるい
は複数個の評価変数 f(s) (fj, j =1, ..., m) のう
ち、幾つかのものについては、考慮する必要がない状況
が生じることがある。この場合、外部から与える所望の
製造物の品質 d (dj , j = 1,..., m) として、その考
慮しない評価変数をドントケアとして与え、誤差U(s,
d) の計算からその評価変数の項を除去すればよい。
は複数個の評価変数 f(s) (fj, j =1, ..., m) のう
ち、幾つかのものについては、考慮する必要がない状況
が生じることがある。この場合、外部から与える所望の
製造物の品質 d (dj , j = 1,..., m) として、その考
慮しない評価変数をドントケアとして与え、誤差U(s,
d) の計算からその評価変数の項を除去すればよい。
【００３２】以上、図２に示した一実施例について説明
したが、本発明は、これに限定されるものではない。図
５，図６に、本発明の他の実施例の幾つかを示す。図５
は、本発明をプラント 1b 等の最適制御条件生成装置に
適用したもので、プラント 1b 等の制御対象の順モデル
を利用し、所望の制御性能、例えば、プラント（電車）
1bのモータの所望の回転数を得るための最適な制御変
数、例えば、電車を発進させた時点からの距離に対応し
た制御電圧を決定する最適制御条件生成装置 3b を構成
し、上記プラント 1b に入力して、所望の制御性能を得
る場合である。
したが、本発明は、これに限定されるものではない。図
５，図６に、本発明の他の実施例の幾つかを示す。図５
は、本発明をプラント 1b 等の最適制御条件生成装置に
適用したもので、プラント 1b 等の制御対象の順モデル
を利用し、所望の制御性能、例えば、プラント（電車）
1bのモータの所望の回転数を得るための最適な制御変
数、例えば、電車を発進させた時点からの距離に対応し
た制御電圧を決定する最適制御条件生成装置 3b を構成
し、上記プラント 1b に入力して、所望の制御性能を得
る場合である。
【００３３】この場合の順モデル獲得ニューラルネット
ワーク 2b,及び、最適制御条件生成装置 3b の装置構成
条件は、図２〜図４で説明した順モデル獲得ニューラル
ネットワーク 2a,及び、最適製造条件生成装置 3a の場
合と同じである。
ワーク 2b,及び、最適制御条件生成装置 3b の装置構成
条件は、図２〜図４で説明した順モデル獲得ニューラル
ネットワーク 2a,及び、最適製造条件生成装置 3a の場
合と同じである。
【００３４】同様にして、図６は、本発明を人間等の感
性に訴えるパターン情報の最適提示条件生成装置に適用
したもので、人間等の感性に適合した音楽，図形, 画像
等のパターン情報の最適な提示変数を決定する最適提示
条件生成装置 3c の例であり、その場合の順モデル獲得
ニューラルネットワーク 2c,及び、最適提示条件生成装
置 3c の装置構成条件は、図２〜図４で説明した順モデ
ル獲得ニューラルネットワーク 2a,及び、最適製造条件
生成装置 3a の場合と同じである。
性に訴えるパターン情報の最適提示条件生成装置に適用
したもので、人間等の感性に適合した音楽，図形, 画像
等のパターン情報の最適な提示変数を決定する最適提示
条件生成装置 3c の例であり、その場合の順モデル獲得
ニューラルネットワーク 2c,及び、最適提示条件生成装
置 3c の装置構成条件は、図２〜図４で説明した順モデ
ル獲得ニューラルネットワーク 2a,及び、最適製造条件
生成装置 3a の場合と同じである。
【００３５】このように、本発明による最適製造, 制
御, 提示条件生成装置は、プラント等の製造, 制御, 或
いは、提示対象の順モデルを階層形ニューラルネットワ
ークで獲得し、その獲得した順モデルを利用して、ある
適当な製造, 制御, 提示条件を規定する製造変数, 制御
変数, 提示変数の初期値から出発して、上記階層形ニュ
ーラルネットワークの出力と、所望の製造物の品質, 制
御性能, 感性情報との誤差を最小化するように、製造,
制御, 提示条件を変更していくイテレイティブ・インバ
ージョン法を使用することにより、所望の品質の製造
物, 制御性能, 或いは、感性情報を得るための最適な製
造, 制御, 提示条件を自動的に生成するようにした所に
特徴がある。
御, 提示条件生成装置は、プラント等の製造, 制御, 或
いは、提示対象の順モデルを階層形ニューラルネットワ
ークで獲得し、その獲得した順モデルを利用して、ある
適当な製造, 制御, 提示条件を規定する製造変数, 制御
変数, 提示変数の初期値から出発して、上記階層形ニュ
ーラルネットワークの出力と、所望の製造物の品質, 制
御性能, 感性情報との誤差を最小化するように、製造,
制御, 提示条件を変更していくイテレイティブ・インバ
ージョン法を使用することにより、所望の品質の製造
物, 制御性能, 或いは、感性情報を得るための最適な製
造, 制御, 提示条件を自動的に生成するようにした所に
特徴がある。
【００３６】
【発明の効果】以上、詳細に説明したように、本発明に
よれば、プラント，制御対象, "パターン提示装置＋人
間" 等の順モデルを獲得し、その順モデルを利用して、
所望の品質，制御性能，感性情報等を生成するための最
適な製造条件，制御条件，提示条件等を自動的に決定で
きる。したがって、専門家（熟練者）の経験や勘に頼る
ことなく、プラント，制御対象，パターン提示装置等を
制御し、所望の品質，制御性能，感性情報等を生成する
ことができ、生産性の向上が図れる。
よれば、プラント，制御対象, "パターン提示装置＋人
間" 等の順モデルを獲得し、その順モデルを利用して、
所望の品質，制御性能，感性情報等を生成するための最
適な製造条件，制御条件，提示条件等を自動的に決定で
きる。したがって、専門家（熟練者）の経験や勘に頼る
ことなく、プラント，制御対象，パターン提示装置等を
制御し、所望の品質，制御性能，感性情報等を生成する
ことができ、生産性の向上が図れる。
【図１】本発明の原理構成図
【図２】本発明の一実施例を示した図（その１）
【図３】本発明の一実施例を示した図（その２）
【図４】本発明の一実施例を示した図（その３）
【図５】本発明の他の実施例を示した図（その１）
【図６】本発明の他の実施例を示した図（その２）
【図７】従来の最適製造、制御、提示条件生成装置を説
明する図
明する図
1,1a,1b,1c プラント, パターン提示装置 2,2a,2b,2c 順モデル獲得手段, 順モデル獲得
ニューラルネットワーク 3 最適製造 (制御, 提示) 条件決定手段 3a 最適製造条件決定手段 3b 最適制御条件決定手段 3c 最適提示条件決定手段 イテレイティブ・インバージョン手法 通知機能
ニューラルネットワーク 3 最適製造 (制御, 提示) 条件決定手段 3a 最適製造条件決定手段 3b 最適制御条件決定手段 3c 最適提示条件決定手段 イテレイティブ・インバージョン手法 通知機能
Claims (17)
- 【請求項１】何らかの形で定量化できる製造条件の下
で、その製造条件に応じて、一つ，あるいは複数個の評
価基準で定量的に評価できる品質の異なる製造物を生成
するプラント(1a)の制御装置において、 複数個の製造条件と、その製造条件下での製造物の品質
の対を事例としてプラント(1a)の順モデルを獲得する順
モデル獲得手段(2a)と、前記順モデル獲得手段(2a)によ
り獲得したプラント(1a)の順モデルを利用して、所望の
品質を得るための最適な製造条件を決定する最適製造条
件決定手段(3a)とを備えたことを特徴とする最適製造条
件生成装置。 - 【請求項２】前記一つの製造条件を規定する一つ，ある
いは複数個の製造変数として、その製造変数が制御可能
か不可能かに拘らず、観測できるすべての製造変数の組
を使用することを特徴とする請求項１に記載の最適製造
条件生成装置。 - 【請求項３】前記一つの製造条件を規定する一つ，ある
いは複数個の製造変数として、その製造変数が制御可能
な製造変数のみの組を使用することを特徴とする請求項
１に記載の最適製造条件生成装置。 - 【請求項４】ある製造物の前記品質を規定する評価変数
として、一つ，あるいは複数個の評価基準によって定量
化された一つ，あるいは複数個の評価値の組を使用する
ことを特徴とする請求項１に記載の最適製造条件生成装
置。 - 【請求項５】ある製造物の前記品質を規定する評価変数
として、複数個の評価基準によって定量化された複数個
の評価値を重み付き線形和で一つの評価基準として統合
した評価値を使用することを特徴とする請求項１に記載
の最適製造条件生成装置。 - 【請求項６】前記プラント(1a)の順モデル獲得手段(2a)
として、製造条件とその条件下での製造物の品質を対と
した事例に基づく学習により、前記プラント(1a)の順モ
デルを獲得する学習装置を使用することを特徴とする請
求項１に記載の最適製造条件生成装置。 - 【請求項７】前記プラント(1a)の順モデルを獲得する順
モデル獲得手段(2a)を構成する学習装置として、上記製
造条件を規定する製造変数を入力とし、その条件下での
製造物の品質を規定する評価変数を出力とする階層型ニ
ューラルネットを使用したことを特徴とする請求項６に
記載の最適製造条件生成装置。 - 【請求項８】前記プラント(1a)の最適製造条件決定手段
(3a)として、前記順モデル獲得手段(2a)で獲得したプラ
ント(1a)の順モデルを利用し、ある適当な製造条件を規
定する製造変数の初期値から出発して、前記プラント(1
a)の順モデルの出力と所望の製造物の品質との誤差を最
小化するように製造変数を更新していくことによって、
最適な製造条件を決定する手法 () を使用することを
特徴とする請求項１，又は、６，又は７に記載の最適製
造条件生成装置。 - 【請求項９】前記順モデル獲得手段(2a)で獲得したプラ
ントの順モデルを利用し、ある適当な製造条件を規定す
る製造変数の初期値から出発して、プラントの順モデル
の出力と所望の製造物の品質との誤差を最小化するよう
に製造変数を更新し、最適製造条件を決定する前記最適
製造条件決定手段(3a)において、 前記プラント(1a)の順モデルの出力と所望の製造物の品
質との誤差がある定数以下に収束しない場合、前記製造
条件の初期値の変更，再試行を繰り返すこと、および，
製造条件の初期値の変更，再試行をある定数回繰り返し
ても、前記誤差がある定数以下に収束しない場合には、
所望の製造物の品質を生成できないことを通知する機能
() を有することを特徴とする請求項８に記載の最適
製造条件生成装置。 - 【請求項１０】前記最適製造条件決定手段(3a)として、
前記階層型ニューラルネットを利用し、ある適当な製造
条件を規定する製造変数の初期値から出発して、前記階
層型ニューラルネットの出力と所望の製造物の品質との
誤差を最小化するように製造変数を更新していく手法
() として、イテレイティブ・インバージョン法を使
用することによって、最適な製造条件を決定することを
特徴とする請求項８，又は９に記載の最適製造条件生成
装置。 - 【請求項１１】前記製造条件を規定する製造変数とし
て、制御不可能な製造変数，あるいは、ある範囲内の値
にしか存在しない制御不可能な制御変数を使用する場
合，あるいは、製造条件を規定する製造変数のうち、幾
つかの製造変数について所望の製造物の品質を得るため
の先見的知識を持つ場合、 前記最適製造条件決定手段(3a)での製造変数の更新処理
において、前記制御不可能な製造変数, あるいは、先見
的知識を持つ製造変数の値の、観測により定量化される
値, あるいは、前記先見的知識の値, あるいは、先見的
知識として規定されるある範囲内の値は固定し、 制御可能な, あるいは、先見的知識を持たない製造変数
のみを更新することを特徴とする請求項２，又は８，又
は９，又は１０に記載の最適製造条件生成装置。 - 【請求項１２】前記製造条件を規定する製造変数として
制御不可能な製造変数，あるいは、ある範囲内の値にし
か存在しない制御不可能な制御変数を使用する場合，あ
るいは，製造条件を規定する製造変数のうち、幾つかの
製造変数について所望の製造物の品質を得るための先見
的知識をもつ場合、 前記最適製造条件決定手段(3a)での更新処理で使用する
誤差に、制御不可能な製造変数の値と, その観測により
定量化される値との差, あるいは、制御可能な範囲内の
値との差の絶対値の最小値の二乗和の項，あるいは、先
見的知識をもつ製造変数と, その先見的知識に対応する
値との差, あるいは、先見的知識として規定される範囲
内の値との差の絶対値の最小値の二乗和の項を加えて、
制御不可能な製造変数の値をその観測値に拘束すること
を特徴とする請求項２，又は、８，又は、９，又は１０
に記載の最適製造条件生成装置。 - 【請求項１３】前記ある製造物の品質を規定する評価変
数として使用する複数個の評価値のうち、いくつかの評
価変数を考慮する必要がない場合、所望の製造物の品質
としてその評価変数をドントケアとして与え、前記最適
製造条件決定手段(3a)での製造変数の更新処理におい
て、その評価変数の誤差を無視することを特徴とする請
求項８，又は９，又は１０，又は、１１に記載の最適製
造条件生成装置。 - 【請求項１４】何らかの形で定量化できる制御条件の下
で、その制御条件に応じて、一つ，あるいは複数個の評
価基準で定量的に評価できる品質の異なる制御性能を生
成するプラント(1b)の制御装置において、 複数個の制御条件と、その制御条件下での制御性能の品
質の対を事例としてプラント(1b)の順モデルを獲得する
順モデル獲得手段(2b)と、前記順モデル獲得手段(2b)に
より獲得したプラント(1b)の順モデルを利用して、所望
の制御性能を得るための最適な制御条件を決定する最適
制御条件決定手段(3b)とを備えたことを特徴とする最適
制御条件生成装置。 - 【請求項１５】請求項２〜１３に記載の製造条件の代わ
りとして、何らかの形で定量化できる制御条件を使用
し、製造物の品質の代わりとして、制御性能を使用する
ことを特徴とする請求項１４に記載の最適制御条件生成
装置。 - 【請求項１６】何らかの形で定量化できる提示条件の下
で、その提示条件に応じて、一つ，あるいは複数個の評
価基準で定量的に評価でき、パターン提示対象の感性に
訴える度合いの異なるパターン情報を生成するパターン
提示装置(1c)の制御装置において、 複数個の提示条件と、その提示条件下でのパターン情報
がパターン提示対象の感性に訴える度合いに対応する感
性情報の対を事例として、前記パターン提示装置とパタ
ーン提示対象(1c)の順モデルを獲得する順モデル獲得手
段(2c)と、前記順モデル獲得手段(2c)により獲得したパ
ターン提示装置とパターン提示対象(1c)の順モデルを利
用して、所望の感性情報を得るための最適な提示条件を
決定する最適提示条件決定手段(3c)とを備えたことを特
徴とする最適提示条件生成装置。 - 【請求項１７】請求項２〜１３に記載の製造条件の代わ
りとして、何らかの形で定量化できる提示条件を使用
し、製造物の品質の代わりとして、感性情報を使用する
ことを特徴とする請求項１６に記載の最適提示条件生成
装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP14008094A JP3446311B2 (ja) | 1994-06-22 | 1994-06-22 | 最適製造、制御、提示条件生成装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP14008094A JP3446311B2 (ja) | 1994-06-22 | 1994-06-22 | 最適製造、制御、提示条件生成装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH086605A true JPH086605A (ja) | 1996-01-12 |
| JP3446311B2 JP3446311B2 (ja) | 2003-09-16 |
Family
ID=15260503
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP14008094A Expired - Fee Related JP3446311B2 (ja) | 1994-06-22 | 1994-06-22 | 最適製造、制御、提示条件生成装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3446311B2 (ja) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH105872A (ja) * | 1996-06-26 | 1998-01-13 | Nippon Seiko Kk | 長尺部材の曲がり矯正方法 |
| GB2422208A (en) * | 2004-12-30 | 2006-07-19 | Fmc Technologies | Sorting workpieces to meet production goals. |
| JP2014013581A (ja) * | 2008-03-08 | 2014-01-23 | Tokyo Electron Ltd | 生物学に基づく自律学習ツール |
| US8688267B2 (en) | 2004-12-30 | 2014-04-01 | John Bean Technologies Corporation | Classifying workpieces to be portioned into various end products to optimally meet overall production goals |
| US9424528B2 (en) | 2008-03-08 | 2016-08-23 | Tokyo Electron Limited | Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool |
| JP2019194827A (ja) * | 2018-04-27 | 2019-11-07 | 株式会社竹中工務店 | データ推定方法 |
| JP2022046363A (ja) * | 2020-09-10 | 2022-03-23 | 横河ソリューションサービス株式会社 | 生産管理システム、生産管理方法、および、生産管理プログラム |
| JP2023526177A (ja) * | 2020-05-21 | 2023-06-21 | アプライド マテリアルズ インコーポレイテッド | 反転モデルのセットを使用した製造プロセスの予測モデリング |
| WO2025028587A1 (ja) * | 2023-08-02 | 2025-02-06 | 国立大学法人 東京大学 | 情報処理装置、制御装置、及び記録媒体 |
-
1994
- 1994-06-22 JP JP14008094A patent/JP3446311B2/ja not_active Expired - Fee Related
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH105872A (ja) * | 1996-06-26 | 1998-01-13 | Nippon Seiko Kk | 長尺部材の曲がり矯正方法 |
| US8688267B2 (en) | 2004-12-30 | 2014-04-01 | John Bean Technologies Corporation | Classifying workpieces to be portioned into various end products to optimally meet overall production goals |
| GB2422208A (en) * | 2004-12-30 | 2006-07-19 | Fmc Technologies | Sorting workpieces to meet production goals. |
| GB2422208B (en) * | 2004-12-30 | 2009-06-03 | Fmc Technologies | Sorting workpieces to be portioned into various end products to optimally meet overall production goals |
| US7672752B2 (en) | 2004-12-30 | 2010-03-02 | John Bean Technologies Corporation | Sorting workpieces to be portioned into various end products to optimally meet overall production goals |
| US9275335B2 (en) | 2008-03-08 | 2016-03-01 | Tokyo Electron Limited | Autonomous biologically based learning tool |
| JP2014013581A (ja) * | 2008-03-08 | 2014-01-23 | Tokyo Electron Ltd | 生物学に基づく自律学習ツール |
| US9424528B2 (en) | 2008-03-08 | 2016-08-23 | Tokyo Electron Limited | Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool |
| JP2019194827A (ja) * | 2018-04-27 | 2019-11-07 | 株式会社竹中工務店 | データ推定方法 |
| JP2023526177A (ja) * | 2020-05-21 | 2023-06-21 | アプライド マテリアルズ インコーポレイテッド | 反転モデルのセットを使用した製造プロセスの予測モデリング |
| JP2025020187A (ja) * | 2020-05-21 | 2025-02-12 | アプライド マテリアルズ インコーポレイテッド | 反転モデルのセットを使用した製造プロセスの予測モデリング |
| JP2025106293A (ja) * | 2020-05-21 | 2025-07-15 | アプライド マテリアルズ インコーポレイテッド | 反転モデルのセットを使用した製造プロセスの予測モデリング |
| JP2022046363A (ja) * | 2020-09-10 | 2022-03-23 | 横河ソリューションサービス株式会社 | 生産管理システム、生産管理方法、および、生産管理プログラム |
| WO2025028587A1 (ja) * | 2023-08-02 | 2025-02-06 | 国立大学法人 東京大学 | 情報処理装置、制御装置、及び記録媒体 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3446311B2 (ja) | 2003-09-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP0645025B1 (en) | System and method for controlling a plant | |
| JP4918207B2 (ja) | 経験的プロセスの非線形近似器を制約するコンピュータ装置とその方法 | |
| JP2810202B2 (ja) | ニューラルネットワークによる情報処理装置 | |
| Agarwal | Combining neural and conventional paradigms for modelling, prediction and control | |
| JP2007500379A (ja) | インテリジェント制御システムのソフト演算最適化装置 | |
| US12449788B2 (en) | Prosthesis shape data generation system | |
| Zhou et al. | A new type of recurrent fuzzy neural network for modeling dynamic systems | |
| US20020087221A1 (en) | Residual activation neural network | |
| US6363289B1 (en) | Residual activation neural network | |
| JPH086605A (ja) | 最適製造、制御、提示条件生成装置 | |
| Miettinen | IND-NIMBUS for demanding interactive multiobjective optimization | |
| Yang et al. | A fuzzy-soft learning vector quantization for control chart pattern recognition | |
| JP2005516282A (ja) | 学習レートの非単調変化による性能の改善を伴う自己組織化特徴マップ | |
| JP3638310B2 (ja) | 事例推論支援装置 | |
| Vlădăreanu et al. | Robot digital twin towards industry 4.0 | |
| Chen et al. | Face recognition using DCT and hybrid flexible neural tree | |
| Jüttler et al. | Analysis and design of Hermite subdivision schemes | |
| Abiyev et al. | Electricity consumption prediction model using neuro-fuzzy system | |
| Pham et al. | Self-tuning fuzzy controller design using genetic optimisation and neural network modelling | |
| Yeun et al. | Smooth fitting with a method for determining the regularization parameter under the genetic programming algorithm | |
| JP2020173576A (ja) | プラント監視装置 | |
| Gorzalczany et al. | Neuro-fuzzy systems for rule-based modelling of dynamic processes | |
| Montes et al. | Interpretable Fuzzy Models from Data and Adaptive Fuzzy Control: A New Approach | |
| US5796923A (en) | Methods and apparatus for estimating unknown quantities | |
| JP3287738B2 (ja) | 関係関数探索装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20030603 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080704 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090704 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100704 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100704 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110704 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110704 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120704 Year of fee payment: 9 |
|
| LAPS | Cancellation because of no payment of annual fees |