JP7676938B2 - Information processing device, information processing system, and program - Google Patents
Information processing device, information processing system, and program Download PDFInfo
- Publication number
- JP7676938B2 JP7676938B2 JP2021084133A JP2021084133A JP7676938B2 JP 7676938 B2 JP7676938 B2 JP 7676938B2 JP 2021084133 A JP2021084133 A JP 2021084133A JP 2021084133 A JP2021084133 A JP 2021084133A JP 7676938 B2 JP7676938 B2 JP 7676938B2
- Authority
- JP
- Japan
- Prior art keywords
- product
- time required
- manufacture
- parameter
- learning model
- 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.)
- Active
Links
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、情報処理装置、情報処理システム、プログラムに関する。 The present invention relates to an information processing device, an information processing system, and a program.
複数の工程により製造物を製造する場合、各工程に要する時間を、機械学習を用いて予測する技術が存在する。 When manufacturing a product through multiple processes, there is technology that uses machine learning to predict the time required for each process.
特許文献１には、データ予測システムについて記載されている。このデータ予測システムは、予測に利用するデータを格納する第１記憶部及び予測に利用する複数の予測モデルを格納する第２記憶部、データ取得部、複数の予測モデルのそれぞれの予測精度に関するパラメータをそれぞれ調整するモデル学習部、算出された各予測値データを学習条件に基づいて集計するためのモデル間関係性に基づく集計ルールを生成するモデル間関係性学習部、複数の学習した予測モデルにより予測値データをそれぞれ算出する予測処理部、算出された各予測値データを集計する予測結果集計部、データ出力部、及び制御部とを備える。 Patent Document 1 describes a data prediction system. This data prediction system includes a first storage unit that stores data to be used for prediction, a second storage unit that stores multiple prediction models to be used for prediction, a data acquisition unit, a model learning unit that adjusts parameters related to the prediction accuracy of each of the multiple prediction models, an inter-model relationship learning unit that generates aggregation rules based on inter-model relationships for aggregating each calculated predicted value data based on learning conditions, a prediction processing unit that calculates each predicted value data using the multiple learned prediction models, a prediction result aggregation unit that aggregates each calculated predicted value data, a data output unit, and a control unit.
特許文献２には、品質予測装置について記載されている。この品質予測装置は、品質予測対象製品及び少なくとも品質予測対象製品の製造時期に近い所定期間内に製造された学習用の製品を特定する取得データ特定部と、品質予測対象製品の操業実績データを取得する予測対象データ取得部と、学習用の製品について、説明変数とする操業実績データ及び目的変数とする品質実績データを取得し、学習用データを生成する学習データ生成部と、学習用の製品について品質予測対象製品との操業実績データの類似度を算出し、類似度の高い順に所定数の学習用データを選別する学習データ選別部と、学習データ選別部により選別された学習用データに基づいて、品質予測モデルを生成する予測モデル生成部と、品質予測モデルを用いて、品質予測対象製品の操業実績データに基づき、品質予測対象製品の品質を予測する予測処理部と、を備える。 Patent Document 2 describes a quality prediction device. This quality prediction device includes an acquired data identification unit that identifies a quality prediction target product and a learning product manufactured within a predetermined period close to the manufacturing time of at least the quality prediction target product, a prediction target data acquisition unit that acquires operation performance data of the quality prediction target product, a learning data generation unit that acquires operation performance data as explanatory variables and quality performance data as target variables for the learning product and generates learning data, a learning data selection unit that calculates the similarity of the operation performance data of the learning product to the quality prediction target product and selects a predetermined number of learning data in descending order of similarity, a prediction model generation unit that generates a quality prediction model based on the learning data selected by the learning data selection unit, and a prediction processing unit that predicts the quality of the quality prediction target product based on the operation performance data of the quality prediction target product using the quality prediction model.
製造物を製造する際に要する時間を、機械学習を用いて予測するには、通常、多くの学習データを用意し、学習モデルを作成することが必要となる。一方、一の工程に対する学習モデルが存在しなくても、この工程に要する時間を求められることが望ましい。
本発明は、製造物を製造する際に要する時間を予測するときに、この製造物の仕様に合う学習モデルが存在しない場合でも、この時間を予測することができる情報処理装置等を提供することを目的とする。
To predict the time required to manufacture a product using machine learning, it is usually necessary to prepare a large amount of training data and create a training model. On the other hand, it is desirable to be able to obtain the time required for a certain process even if a training model for that process does not exist.
The present invention aims to provide an information processing device, etc. that can predict the time required to manufacture a product even when a learning model that matches the specifications of the product does not exist.
請求項１に記載の発明は、プロセッサを備え、前記プロセッサは、予め定められた製造物の製造条件のうち、当該製造物の仕様に依存し当該製造物を製造するときに要する時間に影響を与える第１のパラメータと当該製造物の製造に要した時間とを関連付けて学習データとした学習モデルを、当該製造条件のうち当該製造物の仕様に依存しないが当該製造物を製造するときに要する時間に影響を与える第２のパラメータ毎に作成し、作成された前記学習モデルを基に、前記製造物を製造するときに要する時間を予測し、前記製造物を製造するときに要する時間の予測は、前記第２のパラメータの類似度を基に複数の前記学習モデルの中から選択した当該学習モデルを基に行う、情報処理装置である。
請求項２に記載の発明は、前記第２のパラメータが前記製造条件の複数の項目を含み、当該複数の項目の組み合わせ毎に前記学習モデルを作成する、請求項１に記載の情報処理装置である。
請求項３に記載の発明は、前記プロセッサは、前記第２のパラメータの類似度を基に複数の前記学習モデルを選択し、選択した当該複数の当該学習モデルのそれぞれから求められる時間を統合して前記製造物を製造するときに要する時間を予測する、請求項１に記載の情報処理装置である。
請求項４に記載の発明は、予測する前記製造物を製造するときに要する時間は、前記第１のパラメータおよび前記第２のパラメータの少なくとも一方が異なる場合の時間である請求項１に記載の情報処理装置である。
請求項５に記載の発明は、前記第１のパラメータおよび前記第２のパラメータは、記録材に印刷を行う工程に関するパラメータである請求項１に記載の情報処理装置である。
請求項６に記載の発明は、前記第１のパラメータは、印刷物の仕様についてのパラメータを含む請求項５に記載の情報処理装置である。
請求項７に記載の発明は、前記第２のパラメータは、印刷物の仕様に基づかないパラメータを含む請求項６に記載の情報処理装置である。
請求項８に記載の発明は、前記プロセッサは、推測した前記製造物を製造するときに要する時間から当該時間に関する評価をさらに求める請求項１に記載の情報処理装置である。
請求項９に記載の発明は、前記評価は、自社における前記製造物を製造するときに要する時間の予測値と、他社における当該製造物を製造するときに要する時間の予測値とを比較した結果である請求項８に記載の情報処理装置である。
請求項１０に記載の発明は、前記第２のパラメータは、前記製造物の製造場所に関する情報を含み、前記プロセッサは、前記製造場所に関する情報以外の前記第２のパラメータの類似度が予め定められた類似度以上の複数の学習モデルで推測した前記製造物を製造するときに要する時間から、予め定められた前記製造場所における当該時間に関する評価をさらに求める、請求項１に記載の情報処理装置である。
請求項１１に記載の発明は、プロセッサを備え、前記プロセッサは、予め定められた製造物の製造条件のうち、当該製造物の仕様に依存し当該製造物を製造するときに要する時間に影響を与える第１のパラメータと当該製造物の製造に要した時間とを関連付けて学習データとした学習モデルを、当該製造条件のうち当該製造物の仕様に依存しないが当該製造物を製造するときに要する時間に影響を与える第２のパラメータ毎に作成し、作成された前記学習モデルを基に、前記製造物を製造するときに付随する工程に要する時間を予測し、前記製造物を製造するときに付随する工程に要する時間の予測は、前記第２のパラメータの類似度を基に複数の前記学習モデルの中から選択した当該学習モデルを基に行う、情報処理装置である。
請求項１２に記載の発明は、プロセッサを備え、前記プロセッサは、予め定められた製造物の製造条件のうち、当該製造物の仕様に依存し当該製造物を製造するときに要する時間に影響を与える第１のパラメータと当該製造物の製造に要した時間とを関連付けて学習データとした学習モデルを、当該製造条件のうち当該製造物の仕様に依存しないが当該製造物を製造するときに要する時間に影響を与える第２のパラメータ毎に複数作成し、前記製造物を製造するときに要する時間を予測するのに使用できる前記学習モデルが存在する場合は、当該使用できる学習モデルを基に当該時間を予測し、当該使用できる学習モデルが存在しない場合は、前記第２のパラメータの類似度を基に複数の前記学習モデルの中から選択した当該学習モデルを基に当該時間を予測する情報処理装置である。
請求項１３に記載の発明は、予め定められた製造物を製造するときに要する時間を予測する情報処理装置と、前記情報処理装置が分析した結果を表示する表示手段と、を備え、前記情報処理装置は、プロセッサを備え、前記プロセッサは、前記製造物の製造条件のうち、当該製造物の仕様に依存し当該製造物を製造するときに要する時間に影響を与える第１のパラメータと当該製造物の製造に要した時間とを関連付けて学習データとした学習モデルを、当該製造条件のうち当該製造物の仕様に依存しないが当該製造物を製造するときに要する時間に影響を与える第２のパラメータ毎に作成し、作成された前記学習モデルを基に、前記製造物を製造するときに要する時間を予測し、前記製造物を製造するときに要する時間の予測は、前記第２のパラメータの類似度を基に複数の前記学習モデルの中から選択した当該学習モデルを基に行う、情報処理システムである。
請求項１４に記載の発明は、コンピュータに、予め定められた製造物の製造条件のうち、当該製造物の仕様に依存し当該製造物を製造するときに要する時間に影響を与える第１のパラメータと当該製造物の製造に要した時間とを関連付けて学習データとした学習モデルを、当該製造条件のうち当該製造物の仕様に依存しないが当該製造物を製造するときに要する時間に影響を与える第２のパラメータ毎に作成する機能と、作成された前記学習モデルを基に、前記製造物を製造するときに要する時間を予測する機能と、を実現させるためのプログラムであって、前記製造物を製造するときに要する時間の予測は、前記第２のパラメータの類似度を基に複数の前記学習モデルの中から選択した当該学習モデルを基に行うように機能する、プログラムである。
The invention described in claim 1 is an information processing device that includes a processor, and the processor creates a learning model for each second parameter among the manufacturing conditions of a predetermined product, which is not dependent on the specifications of the product but has an effect on the time required to manufacture the product , and uses the learning model as learning data by associating a first parameter, which is dependent on the specifications of the product and has an effect on the time required to manufacture the product , with the time required to manufacture the product , and predicts the time required to manufacture the product based on the created learning model, and predicts the time required to manufacture the product based on the learning model selected from a plurality of learning models based on the similarity of the second parameters .
The invention described in claim 2 is the information processing device described in claim 1, wherein the second parameters include a plurality of items of the manufacturing conditions , and the learning model is created for each combination of the plurality of items .
The invention described in claim 3 is an information processing device described in claim 1, in which the processor selects multiple learning models based on the similarity of the second parameter, and integrates the time obtained from each of the selected multiple learning models to predict the time required to manufacture the product .
The invention described in claim 4 is the information processing device described in claim 1, wherein the predicted time required to manufacture the product is the time when at least one of the first parameter and the second parameter is different.
The invention recited in claim 5 is the information processing apparatus recited in claim 1, wherein the first parameter and the second parameter are parameters related to a process of printing on a recording material.
The invention recited in claim 6 is the information processing apparatus recited in claim 5 , wherein the first parameters include parameters relating to specifications of a printed matter.
The invention recited in claim 7 is the information processing apparatus recited in claim 6 , wherein the second parameters include parameters that are not based on specifications of the printed matter.
The invention described in claim 8 is the information processing device described in claim 1, wherein the processor further obtains an evaluation regarding the time from the estimated time required to manufacture the product .
The invention described in claim 9 is an information processing device described in claim 8, in which the evaluation is the result of comparing a predicted value of the time required to manufacture the product at one's own company with a predicted value of the time required to manufacture the product at another company .
The invention described in claim 10 is the information processing device described in claim 1, wherein the second parameter includes information regarding the manufacturing location of the product, and the processor further obtains an evaluation of the time required to manufacture the product at the predetermined manufacturing location from the time estimated using multiple learning models in which the similarity of the second parameters other than the information regarding the manufacturing location is greater than or equal to a predetermined similarity.
The invention described in claim 11 is an information processing device comprising a processor, which creates a learning model for each second parameter among the manufacturing conditions of a predetermined product, which is not dependent on the specifications of the product but is influential on the time required to manufacture the product, and which associates the time required to manufacture the product with a first parameter among the manufacturing conditions of the predetermined product, and which is dependent on the specifications of the product and affects the time required to manufacture the product, as learning data, and predicts the time required for a process associated with manufacturing the product based on the created learning model, and predicts the time required for a process associated with manufacturing the product based on the learning model selected from a plurality of the learning models based on the similarity of the second parameter .
The invention described in claim 12 is an information processing device that includes a processor, and creates multiple learning models as learning data by associating a first parameter, among the manufacturing conditions of a predetermined product, which is dependent on the specifications of the product and affects the time required to manufacture the product, with the time required to manufacture the product, and creates multiple learning models for each second parameter , among the manufacturing conditions , which is not dependent on the specifications of the product but affects the time required to manufacture the product, and if a learning model that can be used to predict the time required to manufacture the product exists, the time is predicted based on the usable learning model, and if no usable learning model exists, the time is predicted based on a learning model selected from the multiple learning models based on the similarity of the second parameter.
The invention described in claim 13 is an information processing system comprising an information processing device that predicts the time required to manufacture a predetermined product, and a display means that displays the results of analysis by the information processing device, wherein the information processing device has a processor, and the processor creates a learning model for each second parameter among the manufacturing conditions of the product that is not dependent on the specifications of the product but has an effect on the time required to manufacture the product, and associates the first parameter, which is one of the manufacturing conditions , depending on the specifications of the product and affects the time required to manufacture the product , as learning data, and predicts the time required to manufacture the product based on the created learning model , and the prediction of the time required to manufacture the product is performed based on the learning model selected from a plurality of the learning models based on the similarity of the second parameter .
The invention described in claim 14 is a program for enabling a computer to realize the following functions: creating a learning model, which associates a first parameter , among the manufacturing conditions of a predetermined product, which depends on the specifications of the product and affects the time required to manufacture the product, with the time required to manufacture the product as learning data, for each second parameter, among the manufacturing conditions , which does not depend on the specifications of the product but affects the time required to manufacture the product; and predicting the time required to manufacture the product based on the created learning model , wherein the program functions to predict the time required to manufacture the product based on the learning model selected from a plurality of the learning models based on the similarity of the second parameter .
請求項１の発明によれば、製造物を製造する際に要する時間を予測するときに、この製造物の仕様に合う学習モデルが存在しない場合でも、この時間を予測することができる。
また、請求項１の発明によれば、学習モデルを作成するための学習データが、より少なくてすむ。
また、請求項１の発明によれば、より適した学習モデルを選択できる。
請求項２の発明によれば、学習モデルを作成するための学習データが、より少なくてすむ。
請求項３の発明によれば、より適した学習モデルを選択でき、また、予測する時間が、より正確になる。
請求項４の発明によれば、製造物の仕様に合う学習データが不足していても、この製造物を製造するときに要する時間を予測できる。
請求項５の発明によれば、印刷物を製造するときに、要する時間をより正確に予測することができる。
請求項６の発明によれば、第１のパラメータとして、個々のジョブ仕様に、より合致したものとすることができる。
請求項７の発明によれば、第２のパラメータとして、印刷を行う工程に、より合致したものとすることができる。
請求項８の発明によれば、ユーザに対し、製造物を製造する工程について改善するためのデータを提示することができる。
請求項９の発明によれば、ユーザに対し、他社と比較して改善するためのデータを提示することができる。
請求項１０の発明によれば、ユーザに対し、製造場所に関する情報以外の第２のパラメータの類似度が予め定められた類似度以上のものと比較して改善するためのデータを提示することができる。
請求項１１の発明によれば、製造物を製造する際に付随する工程に要する時間を予測するときに、この工程に合う学習モデルが存在しない場合でも、この時間を予測することができる。
また、請求項１１の発明によれば、学習モデルを作成するための学習データが、より少なくてすむ。
また、請求項１１の発明によれば、より適した学習モデルを選択できる。
請求項１２の発明によれば、製造物を製造する際に要する時間を予測するときに、この製造物の仕様に合う学習モデルが存在しない場合でも、この時間を予測することができる。
請求項１３の発明によれば、製造物を製造する際に、生産性の向上を図ることができる。
請求項１４の発明によれば、製造物を製造する際に要する時間を予測するときに、この製造物の仕様に合う学習モデルが存在しない場合でも、この時間を予測することができる機能をコンピュータにより実現できる。
According to the invention of claim 1, when predicting the time required to manufacture a product, this time can be predicted even if there is no learning model that matches the specifications of the product.
Furthermore, according to the invention of claim 1 , less learning data is required to create a learning model.
Furthermore, according to the invention of claim 1 , a more suitable learning model can be selected.
According to the second aspect of the present invention, less learning data is required to create a learning model.
According to the invention of claim 3 , a more suitable learning model can be selected, and the prediction time can be made more accurate.
According to the fourth aspect of the present invention, even if there is a shortage of learning data that matches the specifications of a product, it is possible to predict the time required to manufacture the product.
According to the fifth aspect of the present invention, the time required to produce a printed matter can be predicted more accurately.
According to the sixth aspect of the present invention, the first parameter can be more closely matched to the individual job specifications.
According to the seventh aspect of the present invention, the second parameter can be more appropriately adapted to the printing process.
According to the eighth aspect of the present invention, data for improving the process for manufacturing the product can be presented to the user.
According to the ninth aspect of the present invention, data for making improvements in comparison with other companies can be presented to the user.
According to the invention of claim 10, it is possible to present to the user data for improving the similarity of a second parameter other than information relating to the manufacturing location by comparing it with a predetermined similarity or higher.
According to the invention of claim 11, when predicting the time required for a process associated with manufacturing a product, this time can be predicted even if a learning model that matches this process does not exist.
According to the invention of claim 11, less learning data is required to create a learning model.
Furthermore, according to the invention of claim 11, a more suitable learning model can be selected.
According to the invention of claim 12, when predicting the time required to manufacture a product, this time can be predicted even if there is no learning model that matches the specifications of the product.
According to the thirteenth aspect of the present invention, it is possible to improve the productivity when manufacturing a product.
According to the invention of claim 14, when predicting the time required to manufacture a product, a function can be realized by a computer to predict this time even if a learning model that matches the specifications of the product does not exist.
＜情報処理システム１の全体の説明＞
図１は、本実施の形態における情報処理システム１の構成例を示す図である。
図示する情報処理システム１は、端末装置１０として、端末装置１０ａ、１０ｂ、１０ｃと、管理サーバ２０とが、ネットワーク３０を介して接続されることにより構成されている。
<Overall Description of Information Processing System 1>
FIG. 1 is a diagram showing an example of a configuration of an information processing system 1 according to the present embodiment.
The illustrated information processing system 1 is configured by connecting terminal devices 10 a , 10 b , and 10 c as terminal devices 10 to a management server 20 via a network 30 .
図１で、情報処理システム１は、予め定められた製造物を製造するときに要する時間を予測する分析を行い、分析した結果をユーザに対し提示するシステムである。「製造物」は、製造装置や作業者により製造される物である。製造物は、特に限られるものではないが、ここでは、印刷装置を使用して用紙等の記録材に印刷を行い、印刷物を製造する場合について説明を行う。また、以下の説明で、「ユーザ」は、印刷装置を使用して印刷の作業をする作業者、印刷装置の管理をする管理者、印刷装置を使用する印刷会社の社員などである。 In FIG. 1, information processing system 1 is a system that performs analysis to predict the time required to manufacture a predetermined product, and presents the analysis results to a user. A "product" is an object manufactured by a manufacturing device or an operator. There is no particular limitation on the product, but here, an explanation is given of a case where a printing device is used to print on a recording material such as paper, and a printed matter is manufactured. In the following explanation, a "user" refers to a worker who performs printing work using a printing device, a manager who manages the printing device, an employee of a printing company who uses the printing device, etc.
この場合、例えば、端末装置１０ａは、印刷会社Ｘ、端末装置１０ｂは、印刷会社Ｙ、端末装置１０ｃは、印刷会社Ｚが所有する装置である。なお、以下、端末装置１０ａ、１０ｂ、１０ｃを区別しない場合は、単に「端末装置１０」と言うことがある。
また、図１では、端末装置１０は、３つ示しているが、その数は、１つ以上であればいくつであってもよい。
In this case, for example, the terminal device 10a is owned by printing company X, the terminal device 10b is owned by printing company Y, and the terminal device 10c is owned by printing company Z. In the following description, when there is no need to distinguish between the terminal devices 10a, 10b, and 10c, they may be simply referred to as "terminal devices 10."
Although three terminal devices 10 are shown in FIG. 1, the number may be any number greater than or equal to one.
印刷物は、受注したそれぞれの注文に応じた工程により、注文に応じた印刷条件で、注文に応じた枚数印刷される。この工程は、１以上の工程からなる。例えば、この工程は、実際に印刷を行なう印刷工程である。また、この工程は、印刷後の印刷物を断裁する断裁工程である。さらに、この工程は、断裁後の印刷物を丁合する丁合工程である。またさらに、この工程は、丁合後の印刷後の印刷物に対し折り処理、綴じ処理を行う折り・綴じ工程である。またさらに、この工程は、折り処理、綴じ処理を行う折り処理を行った後の印刷物を梱包、発送する梱包・発送工程である。また、これらの各工程は、さらに複数の処理からなることがある。例えば、印刷工程は、印刷を行うための準備を行う準備処理、印刷装置を使用して用紙等に印刷を行う印刷処理、印刷処理を行った後の処理を行う後処理等からなる。また、準備処理は、例えば、印刷装置で使用するインクの色合わせ、印刷装置で使用する用紙の搬送経路の調整、清掃などの処理を含む。後処理は、例えば、印刷装置の清掃などの処理を含む。そして、これらの工程やそのなかの処理の有無や内容は、受注したそれぞれの注文に応じ変化する。 The printed matter is printed in the number of sheets according to the order, under the printing conditions according to the order, by a process according to each received order. This process consists of one or more processes. For example, this process is a printing process in which the actual printing is performed. This process is also a cutting process in which the printed matter after printing is cut. This process is also a collating process in which the printed matter after cutting is collated. This process is also a folding and binding process in which the printed matter after collation is folded and bound. This process is also a packaging and shipping process in which the printed matter after folding process is folded and bound is packed and shipped. Each of these processes may further consist of multiple processes. For example, the printing process consists of a preparatory process in which preparations are made for printing, a printing process in which printing is performed on paper or the like using a printing device, and a post-processing in which processing is performed after the printing process. The preparatory process also includes processes such as color matching of the ink used in the printing device, adjustment of the transport path of the paper used in the printing device, and cleaning. The post-processing includes processes such as cleaning of the printing device. These steps and the presence or absence and content of the processes within them change depending on each order received.
そして、複数の注文に対しては、これらの工程を複数回繰り返す。なおそれぞれの注文に応じた１回の印刷物の製造を、以後、「印刷ジョブ」と言うことがある。即ち、１つの印刷ジョブには、上述した複数の工程が含まれる、ということもできる。印刷物を含む製造物の製造に要する時間を予測するとき、この時間に影響を与える条件がある。例えば、印刷枚数、色数、記録材である用紙のサイズや種類、片面印刷であるか両面印刷であるか、特色の有無、印刷装置の仕様や性能などである。ここで、特色とは、印刷を行う際に通常使用するＫ（ブラック）、Ｃ（シアン）、Ｍ（マゼンタ）、Ｙ（イエロー）の色以外の色を言う。また、特色インクは、実際に色彩を有する場合に限られるものではなく、クリア（透明）インクも含む。
ただし、詳しくは後述するが、本実施の形態では、製造物の製造に要する時間に影響を与える条件を製造条件と呼び、さらにこの製造条件はジョブ仕様と工程属性と呼ぶ情報に に分けて扱う。
These steps are repeated multiple times for multiple orders. The production of a single printed matter in response to each order may be referred to as a "print job" hereafter. That is, one print job may include the multiple steps described above. When predicting the time required to produce a product including a printed matter, there are conditions that affect this time. For example, the number of prints, the number of colors, the size and type of paper as the recording material, whether it is single-sided printing or double-sided printing, the presence or absence of spot colors, the specifications and performance of the printing device, etc. Here, spot colors refer to colors other than K (black), C (cyan), M (magenta), and Y (yellow) that are normally used when printing. In addition, spot color inks are not limited to those that actually have color, and also include clear (transparent) inks.
However, as will be described in detail later, in this embodiment, the conditions that affect the time required to manufacture a product are called manufacturing conditions, and these manufacturing conditions are further divided into information called job specifications and process attributes.
端末装置１０は、製造条件を管理サーバ２０に送信する。また、端末装置１０は、製造条件を基に管理サーバ２０が分析した結果を受信し、ユーザに提示する。管理サーバ２０が分析するのは、印刷ジョブに含まれる工程に要する時間の予測である。また、管理サーバ２０が分析するのは、印刷ジョブの一の工程に要する時間の予測である、と言うこともできる。ユーザに対する提示は、例えば、端末装置１０に供えられたディスプレイに表示することで行う。 The terminal device 10 transmits the manufacturing conditions to the management server 20. The terminal device 10 also receives the results of the analysis performed by the management server 20 based on the manufacturing conditions, and presents them to the user. The analysis performed by the management server 20 is a prediction of the time required for the processes included in the print job. It can also be said that the analysis performed by the management server 20 is a prediction of the time required for one process of the print job. The results are presented to the user, for example, by displaying them on a display provided on the terminal device 10.
端末装置１０は、例えば、汎用のパーソナルコンピュータ（ＰＣ）、モバイルコンピュータ、携帯電話、スマートフォン、タブレット等のコンピュータ装置である。そして、端末装置１０は、ＯＳ（Operating System）による管理下において、各種アプリケーションソフトウェアを動作させることで、ジョブ条件の送信や分析した結果の受信、表示を行う。 The terminal device 10 is, for example, a computer device such as a general-purpose personal computer (PC), a mobile computer, a mobile phone, a smartphone, or a tablet. The terminal device 10 transmits job conditions and receives and displays the results of analysis by running various application software under the management of an OS (Operating System).
管理サーバ２０は、情報処理装置の一例であり、情報処理システム１の全体の管理をするサーバコンピュータである。管理サーバ２０は、予め定められた製造物を製造するときに含まれる工程に要する時間を予測する。この場合、管理サーバ２０は、端末装置１０を操作するユーザの認証を行い、ユーザから製造条件を取得する。そして、製造条件から、印刷ジョブに含まれる工程に要する時間を予測する分析を行い、端末装置１０に分析の結果を送信する。 The management server 20 is an example of an information processing device, and is a server computer that manages the entire information processing system 1. The management server 20 predicts the time required for processes included in manufacturing a predetermined product. In this case, the management server 20 authenticates the user who operates the terminal device 10, and acquires manufacturing conditions from the user. Then, the management server 20 performs an analysis based on the manufacturing conditions to predict the time required for processes included in the print job, and transmits the results of the analysis to the terminal device 10.
＜端末装置１０および管理サーバ２０の構成＞
図２は、管理サーバ２０のハードウェア構成について示した図である。
図示する管理サーバ２０は、プログラムの実行を通じて各部を制御するＣＰＵ（Central Processing Unit）２０１と、画像その他の情報を表示するディスプレイ２０２と、文字などを入力するキーボード２０３と、ポインティングデバイスであるタッチパッド２０４と、外部装置との通信に用いられる通信モジュール２０５と、システムデータや内部データが記憶される内部メモリ２０６と、補助記憶装置としての外部メモリ２０７等を有している。なお、端末装置１０についても同じハードウェア構成を有する。図２では、端末装置１０のハードウェア構成についての符号を括弧内に付している。即ち、端末装置１０は、ＣＰＵ１０１と、ディスプレイ１０２と、キーボード１０３と、タッチパッド１０４と、通信モジュール１０５と、内部メモリ１０６と、補助記憶装置としての外部メモリ１０７等を有している。
<Configuration of Terminal Device 10 and Management Server 20>
FIG. 2 is a diagram showing the hardware configuration of the management server 20. As shown in FIG.
The illustrated management server 20 includes a CPU (Central Processing Unit) 201 that controls each part through the execution of a program, a display 202 that displays images and other information, a keyboard 203 that inputs characters, a touchpad 204 that is a pointing device, a communication module 205 that is used for communication with an external device, an internal memory 206 that stores system data and internal data, and an external memory 207 that serves as an auxiliary storage device. The terminal device 10 also has the same hardware configuration. In FIG. 2, the symbols for the hardware configuration of the terminal device 10 are given in parentheses. That is, the terminal device 10 includes a CPU 101, a display 102, a keyboard 103, a touchpad 104, a communication module 105, an internal memory 106, and an external memory 107 that serves as an auxiliary storage device.
ＣＰＵ２０１は、プロセッサの一例であり、ＯＳ（基本ソフトウェア）やアプリケーションソフトウェア（応用ソフトウェア）等のプログラムを実行する。
本実施の形態の場合、内部メモリ２０６と外部メモリ２０７は、半導体メモリである。内部メモリ２０６は、ＢＩＯＳ（＝Basic Input Output System）等が記憶されたＲＯＭ（Read Only Memory）と、主記憶装置として用いられるＲＡＭ（Random Access Memory）とを有している。ＣＰＵ２０１と内部メモリ２０６はコンピュータを構成する。ＣＰＵ２０１は、ＲＡＭをプログラムの作業スペースとして使用する。外部メモリ２０７は、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）等のストレージであり、ファームウェアやアプリケーションソフトウェア等が記憶される。
The CPU 201 is an example of a processor, and executes programs such as an OS (operating system) and application software.
In this embodiment, the internal memory 206 and the external memory 207 are semiconductor memories. The internal memory 206 has a ROM (Read Only Memory) in which a BIOS (Basic Input Output System) and the like are stored, and a RAM (Random Access Memory) used as a main storage device. The CPU 201 and the internal memory 206 constitute a computer. The CPU 201 uses the RAM as a work space for programs. The external memory 207 is a storage device such as a HDD (Hard Disk Drive) or SSD (Solid State Drive) in which firmware, application software, and the like are stored.
ディスプレイ２０２は、表示手段の一例であり、管理サーバ２０が分析した結果を表示する。ディスプレイ２０２は、例えば、液晶ディスプレイや有機ＥＬ（Electro Luminescent）ディスプレイで構成される。本実施の形態では、ディスプレイ２０２の表面（すなわち表示面）には画像その他の情報が表示される。 The display 202 is an example of a display means, and displays the results of the analysis performed by the management server 20. The display 202 is configured, for example, as a liquid crystal display or an organic EL (Electro Luminescent) display. In this embodiment, images and other information are displayed on the surface (i.e., the display surface) of the display 202.
キーボード２０３は、ユーザが文字等を入力する際に使用する入力デバイスである。
タッチパッド２０４も入力デバイスであり、ディスプレイ２０２に表示されるカーソルの移動や画面のスクロールなどの際に用いられる、なお、タッチパッド２０４の代わりにマウスやトラックボール等であってもよい。
通信モジュール２０５は、外部との通信を行うための通信インタフェースである。
The keyboard 203 is an input device used by the user to input characters and the like.
The touch pad 204 is also an input device, and is used to move a cursor displayed on the display 202, scroll the screen, etc. Note that a mouse, a trackball, etc. may be used in place of the touch pad 204.
The communication module 205 is a communication interface for communicating with the outside.
ネットワーク３０は、端末装置１０および管理サーバ２０の間の情報通信に用いられる通信手段であり、例えば、インターネット、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）である。データ通信に用いられる通信回線は、有線か無線かを問わず、これらを併用してもよい。また、端末装置１０や管理サーバ２０は、ゲートウェイ装置やルータ等の中継装置を用い、複数のネットワークや通信回線を介して接続されてもよい。 The network 30 is a communication means used for information communication between the terminal device 10 and the management server 20, and is, for example, the Internet, a local area network (LAN), or a wide area network (WAN). The communication lines used for data communication may be wired or wireless, and a combination of these may be used. In addition, the terminal device 10 and the management server 20 may be connected via multiple networks or communication lines using relay devices such as gateway devices or routers.
管理サーバ２０は、上述した時間の予測を行うのに、学習モデルを使用して行う。つまり、管理サーバ２０は、まず、製造条件と、製造条件に応じ発生するそれぞれの工程に要した時間との関係を学習データとして機械学習して、学習モデルを作成する。学習データとして学習する時間は、印刷ジョブに含まれる工程に要する時間の実績データであると言うこともできる。そして、この学習モデルを基に、印刷ジョブに含まれる工程に要した時間を予測する。 The management server 20 uses a learning model to predict the above-mentioned time. That is, the management server 20 first performs machine learning to learn the relationship between the manufacturing conditions and the time required for each process that occurs according to the manufacturing conditions as learning data, and creates a learning model. The time learned as learning data can also be said to be actual data on the time required for the processes included in the print job. Then, based on this learning model, the time required for the processes included in the print job is predicted.
しかしながら、機械学習を利用して、この時間の予測を行うには、学習モデルを構築するための多くの学習データが必要である。ところが、従来の方法では、必要な学習データが蓄積するまでの期間は、この時間を予測することができない。また印刷装置等の機器の入れ替え等、設備環境が変化した場合も学習モデルが変化するため、新たに学習データを蓄積する必要が生じる。 However, to predict this time using machine learning, a large amount of learning data is required to build a learning model. However, with conventional methods, this time cannot be predicted for the period until the necessary learning data is accumulated. In addition, if the equipment environment changes, such as when a printing device or other device is replaced, the learning model will also change, making it necessary to accumulate new learning data.
従来技術として、何らかの方法で多様な学習済みモデルを多数生成しておき、予測対象に適した学習モデルを選択して予測に適用する方法がある。この方法では、例えば、多数の学習済みモデルから指定された予測条件に適した学習モデルを複数選択し、合議型の集計ルールで予測結果を統合する。ただしここでいう予測条件は説明変数のサブセットが特定の値を取る条件、言い換えれば学習モデルの入力空間を複数に分割した部分空間を指定することに相当し、複数の学習モデルは、それぞれの部分空間を学習していることになる。一方、本実施の形態のような印刷ジョブでは、同一のジョブ仕様であっても設備環境やオペレータの熟練度等により、全く異なる工程時間となり得るため、この方法をそのまま適用することはできない。 In the prior art, there is a method of generating a large number of diverse trained models by some method, selecting a trained model suitable for the prediction target, and applying it to the prediction. In this method, for example, multiple trained models suitable for specified prediction conditions are selected from the multiple trained models, and the prediction results are integrated using a consensus-based aggregation rule. However, the prediction conditions referred to here are conditions under which a subset of explanatory variables takes a specific value, in other words, equivalent to specifying a subspace obtained by dividing the input space of the learning model into multiple parts, and multiple learning models are learning each of the subspaces. On the other hand, in a print job such as that in this embodiment, even if the job specifications are the same, the process time can be completely different depending on the equipment environment, the proficiency of the operator, etc., so this method cannot be applied as is.
また他の従来技術として、様々な時点で取得された学習データから予測対象の製造時期に近いものを複数選択し、この学習データで学習したモデルで予測を行う方法がある。この方法は、選択されたデータで学習した複数の学習モデルを選択・統合するのと等価である。しかしこの方法では、膨大な過去の学習データの蓄積が必要になる。さらに、本実施の形態のように、工程に要する時間と製造時期とが関連性を持たない印刷ジョブには適用することはできない。
そこで、本実施の形態の管理サーバ２０では、以下の方法により、上記時間の予測を行う。
Another conventional technique is to select multiple pieces of learning data acquired at various times that are close to the manufacturing time of the object to be predicted, and make predictions using a model trained with this learning data. This method is equivalent to selecting and integrating multiple learning models trained with the selected data. However, this method requires the accumulation of a huge amount of past learning data. Furthermore, it cannot be applied to print jobs where there is no correlation between the time required for the process and the manufacturing time, as in the present embodiment.
Therefore, in the management server 20 of this embodiment, the above-mentioned time is predicted by the following method.
＜管理サーバ２０の詳細説明＞
次に、管理サーバ２０の詳細説明を行う。以下の説明では、管理サーバ２０が、学習モデルを作成する場合と、学習モデルを使用し、製造条件から、印刷ジョブに含まれる工程に要する時間を予測する分析を行う場合とに分けて記載する。またここでは、まず、印刷ジョブに含まれる工程のうち、印刷工程に要する時間を予測する場合について説明する。
<Detailed Description of Management Server 20>
Next, the management server 20 will be described in detail. In the following description, the management server 20 will be described separately for a case where it creates a learning model and a case where it uses the learning model to perform an analysis to predict the time required for a process included in a print job from the manufacturing conditions. First, the case where it predicts the time required for a printing process among the processes included in a print job will be described.
図３は、管理サーバ２０が学習モデルを作成する場合の動作について説明したフローチャートである。
まず、ユーザが、端末装置１０を使用し、印刷ジョブについての、製造条件および印刷ジョブに含まれる工程の複数の処理のそれぞれに要した時間を入力する（ステップ１０１）。
管理サーバ２０のＣＰＵ２０１は、端末装置１０から、印刷ジョブについての、製造条件および印刷ジョブに含まれる工程の複数の処理のそれぞれに要した時間を収集する（ステップ１０２）。
FIG. 3 is a flowchart illustrating the operation of the management server 20 when creating a learning model.
First, a user uses the terminal device 10 to input the manufacturing conditions for a print job and the time required for each of a plurality of processes included in the print job (step 101).
The CPU 201 of the management server 20 collects, from the terminal device 10, the manufacturing conditions for the print job and the times required for each of the multiple processes included in the print job (step 102).
ここでは、印刷ジョブについての製造条件を、ジョブ仕様と工程属性の２種類に分けて考える。
このうち、「ジョブ仕様」は、製造物の仕様に依存し、製造物を製造するときの工程にある複数の処理のそれぞれの処理に要した時間に影響を与える第１のパラメータの一例である。即ち、ジョブ仕様は、個々の受注の内容に依存するパラメータである。この場合、ジョブ仕様は、印刷物の仕様に依存する。
具体的には、ジョブ仕様として、処理量（印刷数、断裁数、折り数等）、色数、用紙仕様（用紙種、坪量等）、特色の有無、コンテンツ種別（文字のみ、文字・画像混在、画像中心等）などが挙げられる。また、これらジョブ仕様を持つ印刷ジョブの前後の印刷ジョブとのジョブ仕様の類似度も挙げられる。
Here, the manufacturing conditions for a print job are considered to be divided into two types: job specifications and process attributes.
Among these, the "job specification" is an example of a first parameter that depends on the specifications of the product and affects the time required for each of a plurality of processes in the process of manufacturing the product. In other words, the job specification is a parameter that depends on the content of each order. In this case, the job specification depends on the specifications of the printed matter.
Specifically, job specifications include the amount of processing (number of prints, number of cuts, number of folds, etc.), number of colors, paper specifications (paper type, basis weight, etc.), presence or absence of spot colors, content type (text only, mixed text and images, mainly images, etc.), etc. Also included is the degree of similarity of job specifications between print jobs before and after a print job having these job specifications.
また、「工程属性」は、製造物の仕様に依存しないが、製造物を製造する工程において、それぞれの工程に要した時間に影響を与える第２のパラメータの一例である。即ち、工程属性は、個々の受注の内容に依存しないパラメータである。この場合、工程属性は、印刷物の仕様であるジョブ仕様に依存しない。
具体的には、工程属性として、印刷装置等の機器のスペック（処理速度等）、機器オペレータの熟練度（経験年数等）、作業環境（平均温度・平均湿度、作業場面積等）、主たる業務の特性（少量多品種印刷、大量特定品種印刷等）、機器の稼働率、機器の累積稼働時間、などが挙げられる。
Furthermore, the "process attribute" is an example of a second parameter that does not depend on the specifications of the product, but affects the time required for each process in the process of manufacturing the product. In other words, the process attribute is a parameter that does not depend on the content of each order. In this case, the process attribute does not depend on the job specifications, which are the specifications of the printed product.
Specifically, process attributes include the specifications of equipment such as printing devices (processing speed, etc.), the proficiency of the equipment operators (years of experience, etc.), the work environment (average temperature, average humidity, work area, etc.), characteristics of the main business (small-lot printing of many different products, large-lot printing of a specific product, etc.), equipment operating rate, and accumulated operating time of the equipment.
本実施の形態では、ジョブ仕様および工程属性は、用紙等の記録材に印刷を行う工程に関するパラメータである。
そして、ジョブ仕様は、製造物を製造する際の製造物の仕様や製造する時間に関するパラメータである、と言うこともできる。製造物が印刷物の場合、ジョブ仕様である第１のパラメータは、印刷物の仕様についてのパラメータを含む。また、ジョブ仕様は、印刷物を印刷するタイミングや前後の印刷ジョブのジョブ仕様の差異が含まれる。
工程属性は、製造物を製造する際の製造物の仕様や製造する時間以外のパラメータである、と言うこともできる。製造物が印刷物の場合、工程属性は、印刷を行う印刷装置についてのパラメータを含む。また、作業者の質、印刷作業の場所などが含まれる。
In this embodiment, the job specifications and process attributes are parameters related to the process of printing on a recording material such as paper.
It can also be said that the job specification is a parameter related to the specification of the product and the time for manufacturing the product. When the product is a printed product, the first parameter, which is the job specification, includes a parameter related to the specification of the printed product. The job specification also includes the timing of printing the printed product and the difference in job specification between previous and next print jobs.
It can be said that the process attributes are parameters other than the product specifications and production time when manufacturing a product. If the product is a printed product, the process attributes include parameters for the printing device that performs printing. They also include the quality of the workers, the location of the printing work, etc.
そして、ＣＰＵ２０１は、ステップ２０２で収集した、印刷ジョブに含まれる工程の複数の処理のそれぞれに要した時間およびジョブ仕様を学習データとし、学習した学習モデルを作成する（ステップ１０３）。またこのとき、ＣＰＵ２０１は、工程属性と関連付けて学習モデルを作成する。
そして、作成した学習モデルは、外部メモリ２０７に保存される（ステップ１０４）。
Then, the CPU 201 uses the time required for each of the multiple processes included in the print job and the job specifications collected in step 202 as learning data, and creates a learning model (step 103). At this time, the CPU 201 also creates the learning model in association with the process attributes.
The created learning model is then stored in the external memory 207 (step 104).
図４（ａ）～（ｃ）は、図３のステップ１０３で作成される学習モデルについて示した概念図である。
このうち、図４（ａ）は、学習データの内容について示している。ここでは、学習データ１～ｎを学習させることを示している。この学習データ１～ｎは、上述したように印刷ジョブに含まれる工程の複数の処理のそれぞれに要した時間およびジョブ仕様のペアである。これらの学習データは、例えば、図１の印刷会社Ｘ、印刷会社Ｙ、印刷会社Ｚから収集されたものであり、１つの印刷会社に限られるものではない。なお学習データ１～ｎのそれぞれは、後述する学習モデルを作成するために、通常複数である。
そしてここでは、学習データ１～ｎに対し、工程属性１～ｎを関連付けて学習させることを示している。ここでは、工程属性が、ｎ個の場合を示している。
4(a) to (c) are conceptual diagrams showing the learning model created in step 103 of FIG.
4(a) shows the contents of the learning data. Here, learning data 1 to n is shown to be learned. As described above, the learning data 1 to n are pairs of the time required for each of the multiple processes included in the print job and the job specifications. These learning data are collected, for example, from printing company X, printing company Y, and printing company Z in FIG. 1, and are not limited to one printing company. Note that each of the learning data 1 to n is usually multiple in order to create a learning model, which will be described later.
In this example, learning data 1 to n is performed by associating process attributes 1 to n with the learning data. Here, the case where the number of process attributes is n is shown.
また、図４（ｂ）は、収集した学習データを用い、学習アルゴリズムにより学習モデルを作成することを示している。学習アルゴリズムは、１つであるとは限らず、複数あってもよい。この場合、学習アルゴリズム毎にそれぞれ学習モデルが作成される。学習アルゴリズムとしては、特に限られるものではないが、重回帰分析、ニューラルネットワーク、サポートベクタマシン、ガウス過程回帰、ランダムフォレストなどが挙げられる。
そして、図４（ｃ）は、作成された学習モデルについて示している。ここでは、工程属性毎に学習モデル１～ｎが作成される。この場合、工程属性がｎ個のため、学習モデルはｎ個作成される。即ち、工程属性と紐付けされた学習モデルが、工程属性毎に作成される。またこの場合、学習モデルは、予測対象の工程属性毎に複数作成される、と言うこともできる。
FIG. 4B shows that a learning model is created by a learning algorithm using the collected learning data. The number of learning algorithms is not limited to one, and may be multiple. In this case, a learning model is created for each learning algorithm. The learning algorithm is not particularly limited, but may include multiple regression analysis, neural network, support vector machine, Gaussian process regression, random forest, etc.
FIG. 4(c) shows the created learning models. Here, learning models 1 to n are created for each process attribute. In this case, since there are n process attributes, n learning models are created. In other words, a learning model linked to the process attribute is created for each process attribute. In this case, it can also be said that multiple learning models are created for each process attribute to be predicted.
図５は、管理サーバ２０が学習モデルを使用して、印刷工程に要する時間を予測する場合の動作について説明したフローチャートである。
まず、印刷ジョブについての工程属性を、ユーザが端末装置１０を使用して入力する（ステップ２０１）。
そして、管理サーバ２０のＣＰＵ２０１は、端末装置１０から、入力された工程属性を受け取ると、学習モデルに紐付けされている工程属性との類似度を算出する（ステップ２０２）。
FIG. 5 is a flowchart illustrating the operation of the management server 20 when predicting the time required for a printing process using a learning model.
First, the user inputs process attributes for a print job using the terminal device 10 (step 201).
Then, when the CPU 201 of the management server 20 receives the input process attribute from the terminal device 10, it calculates the similarity with the process attribute linked to the learning model (step 202).
類似度は、例えば、それぞれの工程属性を数値化し、この数値の類似度として判断することができる。この場合、類似度の判断は、例えば、ユークリッド距離、市街地距離、コサイン類似度、内積などの方法で判断できる。ユークリッド距離、市街地距離の場合、これらの距離が近いほど類似度は高く、これらの距離が遠いほど類似度は低い。コサイン類似度の場合、１に近いほど類似度は高く、０に近いほど類似度は低い。 The degree of similarity can be determined, for example, by converting each process attribute into a numerical value and determining the similarity of this numerical value. In this case, the degree of similarity can be determined, for example, by using methods such as Euclidean distance, city block distance, cosine similarity, and inner product. In the case of Euclidean distance and city block distance, the closer these distances are, the higher the similarity, and the farther these distances are, the lower the similarity. In the case of cosine similarity, the closer to 1, the higher the similarity, and the closer to 0, the lower the similarity.
図６（ａ）～（ｄ）は、図５のステップ２０２で行う工程属性の類似度の算出について示した概念図である。
このうち、図６（ａ）は、図４（ｃ）で説明した学習モデルについて示している。この場合、工程属性毎に学習モデル１～ｎが存在する。
そして、図６（ｂ）は、印刷会社Ｘのユーザが、ステップ２０１で説明した工程属性Ａを入力したことを示している。
次に、図６（ｃ）で示すように、ＣＰＵ２０１は、ステップ２０２で説明したように、入力された工程属性を受け取ると、学習モデルに紐付けされている工程属性１～ｎとの類似度を算出する。
その結果、ＣＰＵ２０１は、工程属性Ａと、学習モデル１～ｎに紐付けられている工程属性１～ｎのぞれぞれの類似度１～ｎを算出する。ここでは、これを図６（ｄ）で示している。
6A to 6D are conceptual diagrams showing the calculation of the similarity between process attributes performed in step 202 of FIG.
Of these, Fig. 6(a) shows the learning model explained in Fig. 4(c). In this case, there are learning models 1 to n for each process attribute.
FIG. 6B shows that the user at printing company X has input the process attribute A described in step 201 .
Next, as shown in FIG. 6(c), when the CPU 201 receives the input process attribute as described in step 202, it calculates the similarity with the process attributes 1 to n linked to the learning model.
As a result, the CPU 201 calculates the similarities 1 to n between the process attribute A and each of the process attributes 1 to n linked to the learning models 1 to n, as shown in FIG.
図５に戻り、ＣＰＵ２０１は、工程属性の類似度を基に複数の学習モデルの中から学習モデルの選択を行う（ステップ２０３）。この場合、ＣＰＵ２０１は、類似度がより大きい学習モデルを選択する。選択する学習モデルの個数は、１つ以上であれば特に限られるものではない。例えば、ＣＰＵ２０１は、類似度が大きい順に予め定められた個数の学習モデルを選択することができる。また、予め定められた類似度以上の学習モデルを選択することもできる。この場合、選択される学習モデルの個数は、変化する。ここでは、ＣＰＵ２０１が、選択した学習モデルの数は、Ｋ個であったとする。 Returning to FIG. 5, the CPU 201 selects a learning model from among multiple learning models based on the similarity of the process attributes (step 203). In this case, the CPU 201 selects a learning model with a greater similarity. The number of learning models to be selected is not particularly limited as long as it is one or more. For example, the CPU 201 can select a predetermined number of learning models in descending order of similarity. It is also possible to select a learning model with a similarity equal to or greater than a predetermined similarity. In this case, the number of selected learning models changes. Here, it is assumed that the number of learning models selected by the CPU 201 is K.
そして、ＣＰＵ２０１は、選択したＫ個の学習モデルにより、工程に要する時間を予測する（ステップ２０４）。
このとき、ステップ２０３で複数の学習モデルを選択したときは、印刷工程に要する時間は、選択した複数の学習モデルのそれぞれから求められる時間を統合したものとなる。ここで、「統合」は、選択した複数の学習モデルのそれぞれから求められる複数の時間を、１つの時間としてまとめることを言う。統合の方法としては、特に限られるものではないが、例えば、選択した複数の学習モデルのそれぞれから求められる時間の平均値とすることができる。また、統合の方法として、中央値、最大値、最小値、選択した複数の学習モデルに紐付けられている工程属性の類似度に応じた重みづけ和などの方法を使用することもできる。
Then, the CPU 201 predicts the time required for the process using the selected K learning models (step 204).
At this time, when multiple learning models are selected in step 203, the time required for the printing process is the integration of the times obtained from each of the selected multiple learning models. Here, "integration" refers to combining the multiple times obtained from each of the selected multiple learning models into one time. The integration method is not particularly limited, but can be, for example, the average value of the times obtained from each of the selected multiple learning models. In addition, the integration method can also be a method such as the median, maximum value, minimum value, or a weighted sum according to the similarity of the process attributes linked to the selected multiple learning models.
図７（ａ）～（ｄ）は、図５のステップ２０４で行う時間の統合について示した概念図である。
このうち、図７（ａ）は、ＣＰＵ２０１が、選択した学習モデルを示している。ここでは、３個の学習モデルａ～ｃを選択したことを示している。即ち、Ｋ＝３の場合である。そして、図７（ｂ）に、それぞれの学習モデルａ～ｃにより、製造物を製造するときに含まれる印刷工程に要する時間として、予測値ｔａ～ｔｃが求められたことを示している。
そして、図７（ｃ）は、ＣＰＵ２０１が、予測値ｔａ～ｔｃを統合することを示している。その結果、ＣＰＵ２０１は、図７（ｄ）に示すように、印刷工程に要する時間として、工程時間予測値ｔを、最終的に求める。
7(a)-(d) are conceptual diagrams showing the time integration performed in step 204 of FIG.
Of these, Fig. 7(a) shows the learning models selected by the CPU 201. Here, it is shown that three learning models a to c were selected. That is, this is the case where K = 3. Fig. 7(b) shows that predicted values ta to tc were obtained as the time required for the printing process included in manufacturing the product, using each of the learning models a to c.
7C shows that the CPU 201 integrates the predicted values ta to tc. As a result, the CPU 201 finally obtains a process time predicted value t as the time required for the printing process, as shown in FIG. 7D.
またさらに、ＣＰＵ２０１は、推測した印刷工程に要する時間からこの時間に関する評価をさらに求めるようにすることもできる。この評価は、例えば、印刷工程に要する時間が、短時間ですんでいる、長時間要しすぎているなどの作業効率の評価である。また、評価は、自社と他社とを比較した結果とすることができる。例えば、上述した例では、印刷工程に要する時間に関し、印刷会社Ｘと、他社である印刷会社Ｙ、印刷会社Ｚとの比較をした結果である。またこの評価は、例えば、ＣＰＵ２０１が採点したスコアとすることもできる。 Furthermore, the CPU 201 can further obtain an evaluation of the time required for the printing process from the estimated time required for this process. This evaluation is, for example, an evaluation of work efficiency, such as whether the time required for the printing process is short or too long. The evaluation can also be the result of comparing the company with other companies. For example, in the above example, the evaluation is the result of comparing printing company X with other companies, printing company Y and printing company Z, regarding the time required for the printing process. The evaluation can also be, for example, a score assigned by the CPU 201.
この評価は、例えば、以下に示す（１）式を用いて求めることができる。
（時間）＝Ａ×（処理量）＋Ｂ×（色数）＋Ｃ×（坪量） …（１）
This evaluation can be performed, for example, using the following formula (1).
(Time)=A×(Processing amount)+B×(Number of colors)+C×(Basis weight) (1)
（１）式で、（時間）は、上記推測した一の工程に要する時間である。また、（処理量）は、この一の工程での印刷の処理量であり、印刷枚数である。さらに、（色数）は、この一の工程での印刷に使用するインクの色の数である。またさらに、（坪量）は、この一の工程での用紙の坪量であり、例えば、用紙１ｍ２あたりの重量（ｇ／ｍ２）である。
ここでは、重回帰分析により、類似する工程属性について、回帰係数Ａ、Ｂ、Ｃを求める。この場合、回帰係数が大きいほど、左辺に時間に対する影響度が大きいことを意味する。よって、例えば、自社のＢ値が、類似の工程属性における他社のＢ値に比較して大きい場合は、多色刷りの印刷に対して、自社が他社よりも時間を要していることを意味する。つまり、回帰係数Ａ、Ｂ、Ｃを比較することで、自社と他所との間で評価ができる。また、回帰係数Ａ、Ｂ、Ｃからさらにスコアを算出してもよい。これにより、他社と比較した自社の改善点などが特定できる。また、他に、例えば、それぞれの作業者に対する改善点や作業環境に対する改善点なども特定できる。
In formula (1), (time) is the estimated time required for one process. (Processing volume) is the printing volume in this one process, i.e., the number of printed sheets. (Number of colors) is the number of ink colors used for printing in this one process. (Basis weight) is the basis weight of the paper in this one process, e.g., the weight per m2 of paper (g/ m2 ).
Here, multiple regression analysis is used to find regression coefficients A, B, and C for similar process attributes. In this case, the larger the regression coefficient, the greater the influence on time on the left side. Therefore, for example, if the B value of one company is larger than the B value of another company for similar process attributes, it means that one company takes more time than the other company for multi-color printing. In other words, by comparing the regression coefficients A, B, and C, one company can be evaluated with the other company. In addition, a score may be further calculated from the regression coefficients A, B, and C. This makes it possible to identify areas for improvement of one company compared to other companies. In addition, it is also possible to identify areas for improvement of each worker and work environment, for example.
また、予測する時間は、印刷ジョブに含まれる工程であれば、印刷工程に限られるものではない。例えば、同様の方法で、上述した断裁工程、丁合工程、折り・綴じ工程、梱包・発送工程について要する時間を予測することもできる。これは、学習モデルを基に、製造物を製造するときに、付随する工程に要する時間を予測する、ということもできる。即ち、この場合、製造物は、印刷物であり、付随する工程は、印刷工程に付随する断裁工程、丁合工程、折り・綴じ工程、梱包・発送工程の各工程である。 Furthermore, the time to be predicted is not limited to the printing process, as long as it is a process included in the print job. For example, a similar method can be used to predict the time required for the cutting process, collating process, folding and binding process, and packing and shipping process described above. This can also be said to predict the time required for the accompanying processes when manufacturing a product based on a learning model. That is, in this case, the product is a printed matter, and the accompanying processes are the cutting process, collating process, folding and binding process, and packing and shipping process that accompany the printing process.
図８は、管理サーバ２０が学習モデルを使用して、印刷工程に付随する工程に要する時間を予測する場合の動作について説明したフローチャートである。
図８で、ステップ３０１～ステップ３０３は、図５のステップ２０１～ステップ２０３と同様である。
ステップ３０４では、ＣＰＵ２０１は、ステップ３０３で選択した学習モデルにより、印刷工程に付随する工程に要する時間を予測する（ステップ３０４）。
よって、本実施の形態では、実際に印刷物等の製造物を製造する際に要する時間のみならず、ジョブ仕様や工程属性を基に、製造物を製造するときの、付随する工程に要する時間についても予測することができる。
FIG. 8 is a flowchart illustrating the operation of the management server 20 when using a learning model to predict the time required for processes associated with a printing process.
In FIG. 8, steps 301 to 303 are similar to steps 201 to 203 in FIG.
In step 304, the CPU 201 predicts the time required for the processes associated with the printing process using the learning model selected in step 303 (step 304).
Therefore, in this embodiment, it is possible to predict not only the time required to actually produce a product such as a printed matter, but also the time required for the associated processes when producing the product based on the job specifications and process attributes.
以上詳述した形態によれば、本実施の形態では、印刷を行う際の設備環境や作業者の熟練度のような工程属性毎に学習データを学習する。そして、ジョブ仕様の類似度ではなく、工程属性の類似度に応じて、学習モデルの選択を行うため、作業実態に即した工程時間予測ができる。即ち、印刷ジョブに含まれる工程に要する時間の予測ができる。これは、従来技術として上述したデータ予測システムとは異なる。
また、他社が構築した予測モデルや、自社における予測対象とは別の印刷装置や加工機に対する学習済みモデルを利用できるため、予測対象工程に関する学習データの蓄積が不要である。そのため、予測システム導入直後や新規設備導入直後からシステムを使用開始できる。また製造時期ではなく工程属性の類似度に応じてモデル選択を行うため、作業実態に即した工程時間予測が可能になる。これは、従来技術として上述した品質予測装置とは異なる。
According to the above detailed configuration, in this embodiment, learning data is learned for each process attribute, such as the equipment environment when printing and the proficiency of the worker. Then, since the learning model is selected according to the similarity of the process attributes, not the similarity of the job specifications, it is possible to predict the process time according to the actual work situation. In other words, it is possible to predict the time required for the processes included in the print job. This is different from the data prediction system described above as the prior art.
In addition, since it is possible to use prediction models built by other companies or trained models for printing equipment or processing machines other than the one being predicted by the company, there is no need to accumulate training data for the process to be predicted. Therefore, the system can be used immediately after the prediction system is introduced or after new equipment is installed. In addition, since the model is selected according to the similarity of process attributes rather than the manufacturing period, it is possible to predict process time in line with the actual work situation. This is different from the quality prediction device mentioned above as a conventional technology.
本実施の形態では、印刷ジョブに含まれる工程については、この工程に要する時間を予測するのに使用できる学習モデルが存在しない場合でも、類似する学習モデルを使用することで、この時間を予測することができる。即ち、学習データがない場合や学習モデルを作成するのに必要な数の学習データがない場合でも、この工程に要する時間を予測することができる。そのため、上記情報処理システムの導入時や設備変更等の設備環境の変化により今までの学習モデルが使用できなくなった場合でも、この工程に要する時間を予測することができる。 In this embodiment, for a process included in a print job, even if there is no learning model that can be used to predict the time required for this process, it is possible to predict this time by using a similar learning model. In other words, even if there is no learning data or there is not enough learning data to create a learning model, it is possible to predict the time required for this process. Therefore, even if the previous learning model can no longer be used due to changes in the equipment environment such as when the above-mentioned information processing system is introduced or when equipment is modified, it is possible to predict the time required for this process.
よって、印刷物を製造するときに含まれる工程に要する時間を予測するのに使用できる学習モデルが存在する場合は、この使用できる学習モデルを基にこの時間を予測する。対して、使用できる学習モデルが存在しない場合は、工程属性の類似度を基に複数の学習モデルの中から学習モデルの選択を行い、選択した学習モデルを基にこの時間を予測するようにすればよい。そして、この方法は、アンサンブル学習であるため、予測結果の信頼性が高い。 Therefore, if there is a learning model that can be used to predict the time required for the processes involved in producing printed materials, this time is predicted based on the available learning model. On the other hand, if there is no available learning model, a learning model can be selected from multiple learning models based on the similarity of the process attributes, and the time can be predicted based on the selected learning model. And because this method is ensemble learning, the prediction results are highly reliable.
そして、ジョブ仕様のような受注情報は顧客情報であるため、クラウドサービス等において企業間で共有するのは顧客情報保護の観点から、通常は困難である。そのため従来技術のように学習モデルの入力データ（本実施の形態の場合はジョブ仕様）の類似性を利用する手法をクラウドサービスとして構築することは困難であることが多い。一方、本実施の形態のように、学習モデルのパラメータからジョブ仕様を復元するのは不可能なので、パラメータを匿名情報として共有するのは、比較的容易である。よって、学習モデルを構築するための学習データとして、ジョブ仕様を収集することは、比較的容易になる。 Furthermore, because order information such as job specifications is customer information, it is usually difficult to share it between companies in cloud services, etc., from the perspective of protecting customer information. For this reason, it is often difficult to build a cloud service that utilizes the similarity of input data for a learning model (job specifications in this embodiment) as in conventional technology. On the other hand, because it is impossible to restore job specifications from the parameters of a learning model, as in this embodiment, it is relatively easy to share the parameters as anonymous information. Therefore, it becomes relatively easy to collect job specifications as learning data for building a learning model.
他社の学習モデルでの予測値と自社の学習モデルでの実績値とを比較することで、自社の作業効率を採点できるという効果もある。
重回帰モデルの回帰係数等、パラメータの意味解釈が可能なモデルでは、工程属性が類似する他社の学習モデルと自社の学習モデルのパラメータ比較により、業務改善ポイントの特定が可能である。
Another benefit of comparing the predicted values of other companies' learning models with the actual values of your own learning model is that you can evaluate your own company's work efficiency.
In models where the meaning of parameters can be interpreted, such as the regression coefficients of a multiple regression model, it is possible to identify areas for business improvement by comparing the parameters of one's own learning model with those of other companies that have similar process attributes.
なお、上述した例では、工程属性毎に学習モデルを作成するのではなく、工程属性も説明変数としてジョブ仕様とともに学習モデルに入力することで単一の学習モデルを構築することも可能である。しかし、現実には必要となる学習データ数が説明変数の数に対して指数関数的に増大する、所謂「次元の呪い」が存在するため、工程属性毎に専用の学習モデルを作成する方が、印刷物を製造するときに含まれる工程の時間を予測するという観点からは、効率的により有利である。 In the above example, instead of creating a learning model for each process attribute, it is also possible to construct a single learning model by inputting the process attributes as explanatory variables together with the job specifications into the learning model. However, in reality, the amount of learning data required increases exponentially with the number of explanatory variables, a phenomenon known as the "curse of dimensionality." Therefore, creating a dedicated learning model for each process attribute is more efficient and advantageous from the perspective of predicting the process times involved in manufacturing printed materials.
また、上述した例では、印刷ジョブについて例示して説明を行ったが、これに限られるものではない。例えば、以下に説明する化学品の製造にも適用することができる。この場合、管理サーバ２０は、製造物として化学品を製造する場合に、このとき含まれる工程に要する時間を予測する。この場合、製造物を製造する工程は、例えば、化学品を化学反応により製造するときの反応工程である。また、製造物を製造する工程に付随する工程は、例えば、化学反応の際に必要な触媒の交換工程、化学処理に必要なイオン交換樹脂や活性炭などを交換する交換工程、イオン交換樹脂の再生工程、化学品の移送・貯蔵工程、化学品を容器に充填する充填工程、化学品の梱包・発送工程などが該当する。
そして、このときの「ジョブ仕様」は、化学品の仕様に依存し、化学品を製造するときの予測対象の工程のそれぞれの工程に要した時間に影響を与える第１のパラメータの一例である。この場合、ジョブ仕様は、化学品の仕様に依存する。
具体的には、ジョブ仕様として、処理量（製造量、原料の量等）、付加処理の有無（表面処理の有無、後工程の種類や有無）、前後の化学品との仕様の類似度などが挙げられる。
In the above example, a print job is described as an example, but the present invention is not limited to this. For example, the present invention can be applied to the manufacture of chemical products described below. In this case, when a chemical product is manufactured as a product, the management server 20 predicts the time required for the processes included in the manufacturing process. In this case, the process of manufacturing the product is, for example, a reaction process when manufacturing a chemical product by chemical reaction. In addition, the processes associated with the process of manufacturing the product include, for example, an exchange process of a catalyst required for a chemical reaction, an exchange process of an ion exchange resin or activated carbon required for chemical processing, a regeneration process of an ion exchange resin, a transport and storage process of a chemical product, a filling process of filling a container with a chemical product, and a packaging and shipping process of a chemical product.
The "job specification" in this case is an example of a first parameter that depends on the specifications of the chemical product and that affects the time required for each process of the process to be predicted when manufacturing the chemical product. In this case, the job specification depends on the specifications of the chemical product.
Specifically, job specifications include the processing volume (production volume, amount of raw materials, etc.), the presence or absence of additional processing (the presence or absence of surface treatment, the type and presence of post-processing), and the similarity of specifications with the preceding and following chemical products.
また、「工程属性」は、化学品の仕様に依存しないが、化学品の製造する予測対象の工程において、それぞれの工程に要した時間に影響を与える第２のパラメータの一例である。即ち、工程属性は、個々の受注の内容に依存しないパラメータである。
具体的には、工程属性として、反応機器のスペック（反応機器の容量等）、機器オペレータの熟練度（経験年数等）、作業環境（平均温度・平均湿度、作業場面積等）、主たる業務の特性（少量多品種製造、大量特定品種製造等）、反応機器の稼働率、反応機器の累積稼働時間、などが挙げられる。
The "process attribute" is an example of a second parameter that does not depend on the specifications of the chemical product but affects the time required for each process in the process for manufacturing the chemical product that is the subject of prediction. In other words, the process attribute is a parameter that does not depend on the content of each order.
Specifically, process attributes include the specifications of the reaction equipment (e.g., capacity of the reaction equipment), the proficiency of the equipment operator (e.g., years of experience), the work environment (e.g., average temperature, average humidity, work area), characteristics of the main business (small-lot production of a wide variety of products, large-volume production of a specific product, etc.), the operation rate of the reaction equipment, and the cumulative operation time of the reaction equipment.
＜プログラムの説明＞
ここで以上説明を行った本実施の形態における管理サーバ２０が行う処理は、例えば、アプリケーションソフトウェア等のプログラムにより行われる。
<Program Description>
The processes performed by the management server 20 in this embodiment described above are performed by a program such as application software, for example.
よって、本実施の形態で管理サーバ２０が行う処理を実現するプログラムは、コンピュータに、予め定められた製造物を製造するときの製造物の仕様に依存し時間に影響を与える第１のパラメータを学習データとし学習データと製造物の仕様に依存しないが時間に影響を与える第２のパラメータとを関連付けて学習した学習モデルを作成する機能と、作成された学習モデルを基に、製造物を製造するときの工程に要する時間を予測する機能と、を実現させるためのプログラムとして捉えることができる。 The program that realizes the processing performed by the management server 20 in this embodiment can be understood as a program that enables a computer to realize the following functions: Create a learning model by learning a first parameter that depends on the specifications of a product and affects the time when manufacturing a predetermined product as learning data, and by associating the learning data with a second parameter that does not depend on the specifications of the product but affects the time, and Predict the time required for a process when manufacturing the product based on the created learning model.
なお、本実施の形態を実現するプログラムは、通信手段により提供することはもちろん、ＣＤ－ＲＯＭ等の記録媒体に格納して提供することも可能である。 The program for implementing this embodiment can be provided not only by communication means, but also by storing it on a recording medium such as a CD-ROM.
以上、本実施の形態について説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、種々の変更または改良を加えたものも、本発明の技術的範囲に含まれることは、特許請求の範囲の記載から明らかである。 Although the present embodiment has been described above, the technical scope of the present invention is not limited to the scope described in the above embodiment. It is clear from the claims that the technical scope of the present invention also includes various modifications or improvements to the above embodiment.
１０…端末装置、２０１…ＣＰＵ、２０２…ディスプレイ 10... Terminal device, 201... CPU, 202... Display
Claims (14)
前記プロセッサは、
予め定められた製造物の製造条件のうち、当該製造物の仕様に依存し当該製造物を製造するときに要する時間に影響を与える第１のパラメータと当該製造物の製造に要した時間とを関連付けて学習データとした学習モデルを、当該製造条件のうち当該製造物の仕様に依存しないが当該製造物を製造するときに要する時間に影響を与える第２のパラメータ毎に作成し、
作成された前記学習モデルを基に、前記製造物を製造するときに要する時間を予測し、
前記製造物を製造するときに要する時間の予測は、前記第２のパラメータの類似度を基に複数の前記学習モデルの中から選択した当該学習モデルを基に行う、
情報処理装置。 A processor is provided.
The processor,
creating a learning model in which a first parameter, which is dependent on the specifications of a predetermined product among the manufacturing conditions and affects the time required to manufacture the product, is associated with the time required to manufacture the product and used as learning data, for each second parameter, which is not dependent on the specifications of the product among the manufacturing conditions but affects the time required to manufacture the product ;
predicting a time required to manufacture the product based on the created learning model ;
the prediction of the time required to manufacture the product is performed based on a learning model selected from the plurality of learning models based on the similarity of the second parameter;
Information processing device.
請求項１に記載の情報処理装置。 the second parameters include a plurality of items of the manufacturing conditions , and the learning model is created for each combination of the plurality of items ;
The information processing device according to claim 1 .
前記第２のパラメータの類似度を基に複数の前記学習モデルを選択し、選択した当該複数の当該学習モデルのそれぞれから求められる時間を統合して前記製造物を製造するときに要する時間を予測する、
請求項１に記載の情報処理装置。 The processor,
selecting a plurality of the learning models based on the similarity of the second parameters, and integrating the times calculated from each of the plurality of selected learning models to predict the time required to manufacture the product;
The information processing device according to claim 1 .
前記プロセッサは、The processor,
前記製造場所に関する情報以外の前記第２のパラメータの類似度が予め定められた類似度以上の複数の学習モデルで推測した前記製造物を製造するときに要する時間から、予め定められた前記製造場所における当該時間に関する評価をさらに求める、further obtaining an evaluation of the time required to manufacture the product at the predetermined manufacturing site from a plurality of learning models in which the similarity of the second parameter other than the information on the manufacturing site is equal to or greater than a predetermined similarity;
請求項１に記載の情報処理装置。The information processing device according to claim 1 .
前記プロセッサは、
予め定められた製造物の製造条件のうち、当該製造物の仕様に依存し当該製造物を製造するときに要する時間に影響を与える第１のパラメータと当該製造物の製造に要した時間とを関連付けて学習データとした学習モデルを、当該製造条件のうち当該製造物の仕様に依存しないが当該製造物を製造するときに要する時間に影響を与える第２のパラメータ毎に作成し、
作成された前記学習モデルを基に、前記製造物を製造するときに付随する工程に要する時間を予測し、
前記製造物を製造するときに付随する工程に要する時間の予測は、前記第２のパラメータの類似度を基に複数の前記学習モデルの中から選択した当該学習モデルを基に行う、
情報処理装置。 A processor is provided.
The processor,
creating a learning model in which a first parameter, which is dependent on the specifications of a predetermined product among the manufacturing conditions and affects the time required to manufacture the product, is associated with the time required to manufacture the product and used as learning data, for each second parameter, which is not dependent on the specifications of the product among the manufacturing conditions but affects the time required to manufacture the product ;
predicting a time required for a process associated with manufacturing the product based on the created learning model ;
The prediction of the time required for a process associated with the production of the product is performed based on a learning model selected from the plurality of learning models based on the similarity of the second parameter.
Information processing device.
前記プロセッサは、
予め定められた製造物の製造条件のうち、当該製造物の仕様に依存し当該製造物を製造するときに要する時間に影響を与える第１のパラメータと当該製造物の製造に要した時間とを関連付けて学習データとした学習モデルを、当該製造条件のうち当該製造物の仕様に依存しないが当該製造物を製造するときに要する時間に影響を与える第２のパラメータ毎に複数作成し、
前記製造物を製造するときに要する時間を予測するのに使用できる前記学習モデルが存在する場合は、当該使用できる学習モデルを基に当該時間を予測し、当該使用できる学習モデルが存在しない場合は、前記第２のパラメータの類似度を基に複数の前記学習モデルの中から選択した当該学習モデルを基に当該時間を予測する情報処理装置。 A processor is provided.
The processor,
creating a learning model in which a first parameter, which is dependent on the specifications of a predetermined product among the manufacturing conditions and affects the time required to manufacture the product, is associated with the time required to manufacture the product and used as learning data, for each second parameter , which is not dependent on the specifications of the product among the manufacturing conditions but affects the time required to manufacture the product ;
If a learning model that can be used to predict the time required to manufacture the product exists, the information processing device predicts the time based on the usable learning model, and if no usable learning model exists, the information processing device predicts the time based on a learning model selected from a plurality of learning models based on the similarity of the second parameter.
前記情報処理装置が分析した結果を表示する表示手段と、
を備え、
前記情報処理装置は、プロセッサを備え、
前記プロセッサは、
前記製造物の製造条件のうち、当該製造物の仕様に依存し当該製造物を製造するときに要する時間に影響を与える第１のパラメータと当該製造物の製造に要した時間とを関連付けて学習データとした学習モデルを、当該製造条件のうち当該製造物の仕様に依存しないが当該製造物を製造するときに要する時間に影響を与える第２のパラメータ毎に作成し、
作成された前記学習モデルを基に、前記製造物を製造するときに要する時間を予測し、
前記製造物を製造するときに要する時間の予測は、前記第２のパラメータの類似度を基に複数の前記学習モデルの中から選択した当該学習モデルを基に行う、
情報処理システム。 An information processing device that predicts a time required to manufacture a predetermined product;
A display means for displaying the results of the analysis performed by the information processing device;
Equipped with
The information processing device includes a processor,
The processor,
creating a learning model in which a first parameter among the manufacturing conditions of the product, which depends on the specifications of the product and affects the time required to manufacture the product, is associated with the time required to manufacture the product and used as learning data, for each second parameter among the manufacturing conditions, which does not depend on the specifications of the product but affects the time required to manufacture the product ;
predicting a time required to manufacture the product based on the created learning model ;
the prediction of the time required to manufacture the product is performed based on a learning model selected from the plurality of learning models based on the similarity of the second parameter;
Information processing system.
予め定められた製造物の製造条件のうち、当該製造物の仕様に依存し当該製造物を製造するときに要する時間に影響を与える第１のパラメータと当該製造物の製造に要した時間とを関連付けて学習データとした学習モデルを、当該製造条件のうち当該製造物の仕様に依存しないが当該製造物を製造するときに要する時間に影響を与える第２のパラメータ毎に作成する機能と、
作成された前記学習モデルを基に、前記製造物を製造するときに要する時間を予測する機能と、
を実現させるためのプログラムであって、
前記製造物を製造するときに要する時間の予測は、前記第２のパラメータの類似度を基に複数の前記学習モデルの中から選択した当該学習モデルを基に行うように機能する、
プログラム。 On the computer,
a function of creating a learning model in which a first parameter, which is a predetermined manufacturing condition of a product and depends on the specifications of the product and affects the time required to manufacture the product, is associated with the time required to manufacture the product and used as learning data, for each second parameter, which is a manufacturing condition of the product and does not depend on the specifications of the product but affects the time required to manufacture the product ;
A function of predicting a time required to manufacture the product based on the created learning model; and
A program for achieving the above,
The prediction of the time required to manufacture the product is performed based on a learning model selected from the plurality of learning models based on the similarity of the second parameter.
program .
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021084133A JP7676938B2 (en) | 2021-05-18 | 2021-05-18 | Information processing device, information processing system, and program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021084133A JP7676938B2 (en) | 2021-05-18 | 2021-05-18 | Information processing device, information processing system, and program |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2022177702A JP2022177702A (en) | 2022-12-01 |
| JP7676938B2 true JP7676938B2 (en) | 2025-05-15 |
Family
ID=84237802
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021084133A Active JP7676938B2 (en) | 2021-05-18 | 2021-05-18 | Information processing device, information processing system, and program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7676938B2 (en) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001270199A (en) | 2000-03-28 | 2001-10-02 | Dainippon Screen Mfg Co Ltd | Print control device and recording medium |
| JP2006248077A (en) | 2005-03-11 | 2006-09-21 | Fuji Photo Film Co Ltd | Method and device for setting printing sequence, and program |
| JP2007025996A (en) | 2005-07-14 | 2007-02-01 | Konica Minolta Business Technologies Inc | Electronic file processing device |
| JP2016182788A (en) | 2015-03-26 | 2016-10-20 | 富士ゼロックス株式会社 | Print control unit, printer and program |
| JP2019105887A (en) | 2017-12-08 | 2019-06-27 | キヤノン株式会社 | Information processor, information processing method and program |
| JP2021059105A (en) | 2019-10-09 | 2021-04-15 | 株式会社ミマキエンジニアリング | Prediction method, predictor, and printing system |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3302148B2 (en) * | 1993-12-14 | 2002-07-15 | キヤノン株式会社 | Assembling work time prediction apparatus and method |
-
2021
- 2021-05-18 JP JP2021084133A patent/JP7676938B2/en active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001270199A (en) | 2000-03-28 | 2001-10-02 | Dainippon Screen Mfg Co Ltd | Print control device and recording medium |
| JP2006248077A (en) | 2005-03-11 | 2006-09-21 | Fuji Photo Film Co Ltd | Method and device for setting printing sequence, and program |
| JP2007025996A (en) | 2005-07-14 | 2007-02-01 | Konica Minolta Business Technologies Inc | Electronic file processing device |
| JP2016182788A (en) | 2015-03-26 | 2016-10-20 | 富士ゼロックス株式会社 | Print control unit, printer and program |
| JP2019105887A (en) | 2017-12-08 | 2019-06-27 | キヤノン株式会社 | Information processor, information processing method and program |
| JP2021059105A (en) | 2019-10-09 | 2021-04-15 | 株式会社ミマキエンジニアリング | Prediction method, predictor, and printing system |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2022177702A (en) | 2022-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113820993B (en) | Method, system and non-transitory computer readable medium for generating industrial control programming | |
| JP5248965B2 (en) | A system for forecasting demand related to print jobs | |
| CN112579653A (en) | Progressive contextualization and analysis of industrial data | |
| US8612280B2 (en) | Selection of performance indicators for workflow monitoring | |
| Helu et al. | Identifying performance assurance challenges for smart manufacturing | |
| AU2021431807A1 (en) | Computer-implemented methods referring to an industrial process for manufacturing a product and system for performing said methods | |
| US20180046970A1 (en) | Systems and methods for rules based shipping | |
| JP6760419B2 (en) | Printer model recommendation mechanism | |
| US10318931B2 (en) | Method and system for determining maintenance policy of complex forming device | |
| WO2019142345A1 (en) | Security information processing device, information processing method, and recording medium | |
| JP6094593B2 (en) | Information system construction device, information system construction method, and information system construction program | |
| US20130041865A1 (en) | Device for generating selection structures, for making selections according to selection structures and for creating selection | |
| JP7676938B2 (en) | Information processing device, information processing system, and program | |
| US8687213B2 (en) | Data filtering for print service providers | |
| US20220172002A1 (en) | Dynamic and continuous composition of features extraction and learning operation tool for episodic industrial process | |
| EP4160382B1 (en) | Method and system for efficient job processing and scheduling using process mining | |
| CA3203746A1 (en) | Method for monitoring a continuous industrial process and system for performing said method | |
| US9448752B2 (en) | Print service identifier | |
| US11544600B2 (en) | Prediction rationale analysis apparatus and prediction rationale analysis method | |
| US7606786B2 (en) | Method and device for simulating process flows in the graphic industry | |
| Zhou et al. | Event data and process model forecasting | |
| US8249735B2 (en) | Method and system for automatically identifying an existing workflow to manufacture a given product type | |
| CN106415525A (en) | Determining payload estimate | |
| CN113228071B (en) | System and method for ink inventory reduction | |
| JP4817434B2 (en) | Demand forecasting method and demand forecasting program |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240226 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20241129 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20241217 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20250217 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20250401 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20250414 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7676938 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |