JP2023068360A - 部品型式予測装置並びに方法 - Google Patents

Abstract

【課題】欠品や過剰在庫のリスクがある長納期部品を選定した後、膨大な仕様情報から型式と相関性の高い仕様を選定し、高精度に型式を予測する部品型式予測装置及び方法を提供する。
【解決手段】部品型式予測装置は、製品を構成する部品の過去の入庫・出庫・在庫実績数を記録した入庫・出庫・在庫情報と、過去案件の仕様・型式を記録した過去案件情報を記憶する記憶部と、入庫・出庫・在庫情報から、予測対象の部品を選定する対象部品選定部と、過去案件情報から、使われる仕様を複数のグループに分類する仕様グルーピング部と、仕様グループ情報から、使用頻度が高い仕様を抽出し、仕様と型式の相関度を算出する相関度測定部と、相関度情報と、予測対象案件情報から、グループごとに相関度の高い仕様を組合せ、予測で必要となる仕様を選定する仕様選定部と、仕様選定結果情報から対象の型式を予測する型式予測部を備える。
【選択図】図１

Description

本発明は、製品の部品調達管理を行うための部品型式予測装置並びに方法に関する。

例えば製品として昇降機の事業では、顧客要求に応じて受注後に生産を開始するが、納期遵守のために特に長納期部品の事前仕込みが必要となる。しかし、昇降機の設計が完了するまで、部品の型式が決まらないため、仕込が難しく欠品や過剰在庫が発生する原因となっている。

一方で、昇降機のかごの大きさや速度といった一部の仕様情報は、設計の詳細が確定する前に決まる。そこで、これらの仕様情報から長納期部品の型式を予測し事前に仕込む技術が存在し、その内容が特許文献１に記載されている。特許文献１は、「所要量計算部１１は、仕様値が入力された仕様の項目については、構成情報を参照しつつ、仕様値に基づく部品の所要量を計算し、仕様値が入力されない仕様の項目については、構成情報を参照しつつ、予測値に基づく部品の所要量を計算する。」と記載されている。

特開２０１７－５２８３２６号公報

特許文献１の技術では、所要量算出の対象部品を人手で選定する必要がある。このため特許文献１の技術で欠品や過剰在庫のリスクがある部品の仕込を改善したい場合には、人手で各部品のリスクを判断する必要がある。

しかし、昇降機は部品数が数千種類と膨大なため、人手では判断しきれない。また、仕様値と製品の部品構成の関係を既知として、部品の所要量を算出している。

このため、事前に仕様値と製品の部品構成の関係を調査する必要があるが、対象部品が多い場合、事前調査に多くの時間を要する。さらに、仕様値が未確定の場合、仕様値の予測結果を用いて型式を予測しているが、型式の予測精度は仕様値の予測精度に左右されるため、予測精度が低下する恐れがある。

本発明は、上記の事情を鑑みてなされたものであり、欠品や過剰在庫のリスクがある長納期部品を選定した後、膨大な仕様情報から型式と相関性の高い仕様を選定し、高精度に型式を予測することができる部品型式予測装置並びに方法を提供することを目的とする。

以上のことから本発明においては、「製品を構成する部品の過去の入庫・出庫・在庫実績数を記録した入庫・出庫・在庫情報と、過去案件の仕様・型式を記録した過去案件情報を記憶する記憶部と、入庫・出庫・在庫情報から、予測対象の部品を選定する対象部品選定部と、過去案件情報から、使われる仕様を複数のグループに分類する仕様グルーピング部と、仕様グループ情報から、使用頻度が高い仕様を抽出し、仕様と型式の相関度を算出する相関度測定部と、相関度情報と、予測対象案件情報から、グループごとに相関度の高い仕様を組合せ、予測で必要となる仕様を選定する仕様選定部と、仕様選定結果情報から対象の型式を予測する型式予測部を備えることを特徴とする部品型式予測装置」としたものである。

また本発明においては、「受注案件情報を読込んで、仕様情報および過去の出庫情報を基に未設完案件の型式を予測するにあたり、過去案件を読込んで、複数の仕様の中から型式を予測する上で候補となる仕様を選定し、絞った候補の中から、予測で用いる仕様を選定し、予測モデルを構築して、仕様情報を用いて最新の受注案件における未設完の部品型式を予測することを特徴とする部品型式予測方法」としたものである。

本発明によれば、昇降機の部品の中で、欠品や過剰在庫のリスクがある長納期部品の特定が容易となる。さらにその部品を対象に、膨大な仕様の中から型式と相関のある仕様を適切に選定し、高精度に型式を予測することで、欠品や過剰在庫のリスクなく部品仕込が可能となる。

なお、上記した以外の課題、構成、および効果は、以下の実施形態の説明により明らかにされる。

本実施例における部品型式予測装置の機能ブロック構成例を示す図。 本実施例における部品型式予測装置１が実行する処理の流れを示す図。 入庫・出庫・在庫情報Ｄ１のデータ構造例を示す図。 予測部品情報Ｄ２のデータ構造例を示す図。 過去案件情報Ｄ３のデータ構造例を示す図。 類似仕様情報Ｄ４のデータ構造例を示す図。 統一仕様情報Ｄ５のデータ構造例を示す図。 新過去案件情報Ｄ６のデータ構造例を示す図。 仕様グループ情報Ｄ７のデータ構造例を示す図。 相関度情報Ｄ８のデータ構造例を示す図。 スコア情報Ｄ９のデータ構造例を示す図。 仕様選定結果情報Ｄ１０のデータ構造例を示す図。 予測対象案件情報Ｄ１１のデータ構造例を示す図。 型式予測情報Ｄ１２のデータ構造例を示す図。 出力画面の一例を示す図。

以下、本発明の実施例について図面を用いて説明する。

なお本明細書において、案件とは顧客からの注文を意味し、その登録情報は、顧客名、納入先などから構成されているものとする。しかし、これに限定されるものではない。

また以下の説明では、製品として昇降機を例示するが、これ以外の製品として、受注生産方式による製品であり、かつ部品数が多品種少量である傾向を示す製品であれば広く適用可能であり、本発明による効果が顕著に表れる。

以下、本発明に係る部品型式予測装置の一実施例について図面を用いて説明する。

図１は、本発明の実施例に係る部品型式予測装置１の機能ブロックの一例を示す図である。本実施例の部品型式予測装置１は、各々ネットワークＮｗを介して、ユーザが使用するユーザ端末５０と、データが保存された外部のデータベースＤＢ２に接続されている。

ユーザ端末５０は、ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）等の情報処理装置である。ユーザは、ユーザ端末５０を通して計算機で構成された部品型式予測装置１に処理の実行指示を出す。また、ユーザ端末５０は、部品型式予測装置１が出力する情報を、出力部４０を介して、ユーザへ表示する機能を有する。なお、外部のデータベースＤＢ２は、例えばＥＲＰ（Ｅｎｔｅｒｐｒｉｓｅ Ｒｅｓｏｕｒｃｅｓ Ｐｌａｎｎｎｉｎｇ）等のシステム、またはそれに準じるデータを蓄積したデータベース、または記憶装置である。

ネットワークＮｗは、ユーザ端末５０と、データベースＤＢ２と、部品型式予測装置１を通信可能に接続する。ネットワークＮｗは、例えば、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＶＰＮ（Ｖｉｒｔｕａｌ Ｐｒｉｖａｔｅ Ｎｅｔｗｏｒｋ）、インターネット等の一般公衆回線を一部または全部に用いた通信網のいずれかである。

部品型式予測装置１は、ＰＣまたはサーバーコンピュータ等の情報処理装置であり、記憶部ＤＢ１と、演算部ＣＰＵと、入力部３０と、出力部４０を備える。

記憶部ＤＢ１は、入庫・出庫・在庫情報Ｄ１と、予測部品情報Ｄ２と、過去案件情報Ｄ３と、類似仕様情報Ｄ４と、統一仕様情報Ｄ５と、新過去案件情報Ｄ６と、仕様グループ情報Ｄ７と、相関度情報Ｄ８と、スコア情報Ｄ９と、仕様選定結果情報Ｄ１０と、予測対象案件情報Ｄ１１と、型式予測情報Ｄ１２を記憶する。

なお、これらの情報は、あらかじめ記憶されている初期情報と、演算結果である最終成果物情報と、演算途中に求められる中間生成物情報とに分けて把握することができる。初期情報は入庫・出庫・在庫情報Ｄ１と過去案件情報Ｄ３と予測対象案件情報Ｄ１１であり、図１では点線で表示している。最終成果物情報は予測部品情報Ｄ２と型式予測情報Ｄ１２であり、図１では太実線で表示している。これ以外は中間生成物情報であり、図１では細実線で表示している。これらの情報の詳細については、逐次の説明の中で説明する。

演算部ＣＰＵは、ここで実行される処理内容を機能的に表すと、情報取得部１１と、対象部品選定部１２と、仕様グルーピング部１３と、相関度測定部１４と、仕様選定部１５と、型式予測部１６を有するものということができる。ここでは、各機能の概要のみを説明する。

このうちまず情報取得部１１は、記憶部ＤＢ１から、対象部品選定部１２と、仕様グルーピング部１３と、相関測定部１４と、仕様選定部１５と、型式予測部１６での処理に必要な情報を取得し、記憶部ＤＢ１に処理結果を格納する。

なお処理開始時点において記憶部ＤＢ１には、図１に細線により表記した初期情報として、入庫・出庫・在庫情報Ｄ１と過去案件情報Ｄ３と予測対象案件情報Ｄ１１が格納されている。

対象部品選定部１２は、入庫・出庫・在庫情報Ｄ１から、昇降機全部品の中で、欠品や過剰在庫の可能性がある部品を抽出し、予測部品情報Ｄ２として記憶部ＤＢ１に処理結果を格納する。

仕様グルーピング部１３は、予測部品情報Ｄ２に基づき、初期情報である過去案件情報Ｄ３から抽出した各仕様項目の類似性を分析後、分析データを類似仕様情報Ｄ４として記憶部ＤＢ１に格納する。さらに類似仕様情報Ｄ４を用いて、表記は異なるが同一内容の仕様の項目名を統一化し、統一仕様情報Ｄ５として記憶部ＤＢ１に格納する。その後統一仕様情報Ｄ５に基づき、過去案件情報Ｄ３の仕様項目を統一化し、新過去案件情報Ｄ６として記憶部ＤＢ１へ格納する。次に、新過去案件情報Ｄ６から、仕様の入力傾向を基に仕様を複数のグループに分類し、仕様グループ情報Ｄ７として記憶部ＤＢ１へ格納する。

相関度測定部１４は、仕様グループ情報Ｄ７のグループごとに、仕様と型式の相関度が高い順に仕様を並替え、相関度情報Ｄ８として記憶部ＤＢ１に格納する。また、使用頻度が少ない仕様を削除するため、新過去案件情報Ｄ６を用いて、各仕様で該当する過去案件数を集計し、相関度情報Ｄ８の過去案件数として記憶部ＤＢ１格納する。

仕様選定部１５は、相関度情報Ｄ８から、過去案件数が少ない仕様情報を除き、グループごとに相関度の高い順に仕様の組合せを抽出する。そして新過去案件情報Ｄ６から、予測モデルを学習し、学習したモデルの予測精度をスコア情報Ｄ９として記憶部ＤＢ１に格納する。また、スコア情報Ｄ９から、グループごとに最もスコアの小さい仕様の組合せを抽出し、仕様選定結果情報Ｄ１０として記憶部ＤＢ１へ格納する。

型式予測部１６は、仕様選定結果情報Ｄ１０と、新過去案件情報Ｄ６から、仕様グループごとに予測モデルを学習し、予測対象案件情報Ｄ１１の案件ごとに、予測対象の部品型式を予測し、予測結果を型式予測情報Ｄ１２として記憶部ＤＢ１へ格納する。

入力部３０は、ネットワークＮｗを介してユーザ端末５０と、データベースＤＢ２に接続され、データベースＤＢ２から入庫・出庫・在庫情報Ｄ１と、過去案件情報Ｄ３と、予測対象案件情報Ｄ１１を受け取り、記憶部ＤＢ１へ格納する。これにより記憶部ＤＢ１には、以降の処理を実施するに必要な初期情報が確保されたことになる。

出力部４０は、記憶部ＤＢ１に記憶している予測部品情報Ｄ２と、仕様グループ情報Ｄ７と、相関度情報Ｄ８と、スコア情報Ｄ９と、仕様選定結果情報Ｄ１２と、型式予測情報Ｄ１２をユーザ端末５０へ送信し、ユーザに結果を表示する機能を有する。

次に、本実施例における部品型式予測装置１が実行する処理の流れについて、図２のフローチャートを用いて説明する。なお、以下の一連の処理は、外部のデータベースＤＢ２に入庫・出庫・在庫情報Ｄ１と、過去案件情報Ｄ３と、予測対象案件情報Ｄ１１が記録されていることを前提とし、例えば、ユーザ端末５０へのユーザからの開始コマンドに応じて開始される。

ユーザからの開始コマンドに応じて、情報取得部１１は、ネットワークＮｗを介して、データベースＤＢ２から、入庫・出庫・在庫情報Ｄ１と、過去案件情報Ｄ３を取得し、記憶部ＤＢ１へ格納する。これにより記憶部ＤＢ１には、以降の処理を実施するに必要な初期情報が確保されたことになる。

係る状態において、処理ステップＳ１では、対象部品選定部１２が、入庫・出庫・在庫情報Ｄ１から、欠品や過剰在庫の可能性がある部品を対象部品として選定する。この時に使用される初期情報である入庫・出庫・在庫情報Ｄ１は、図３に例示されるところのデータを含んでいる。

図３は入庫・出庫・在庫情報Ｄ１のデータ構造の一例である。入庫・出庫・在庫情報Ｄ１には、昇降機全部品の入庫実績Ｄ１ｄ・出庫実績Ｄ１ｅ・在庫実績Ｄ１ｆ・安全在庫Ｄ１ｇの情報が、部品Ｄ１ａと、型式Ｄ１ｂと、日付Ｄ１ｃとともに格納されている。

ここでは、部品Ｄ１ａは、部品を識別する番号情報を示す。型式Ｄ１ｂは、部品を構成する部品型式の番号を示す。日付Ｄ１ｃは、入庫・出庫・在庫実績の集計日を示す。入庫量Ｄ１ｄは、部品の入庫実績数を示し、例えば図３の「型式１」は、「’２１／１」に１００台入庫したことを示す。出庫量Ｄ１ｅは、部品の出庫実績数を示し、例えば図２の「型式１」は、「’２１／１」に３００台出庫したことを示す。在庫量Ｄ１ｆは、部品の在庫実績数を示し、例えば図３の「型式１」は、「’２１／１」に３５０台の在庫が存在したことを示す。安全在庫量Ｄ１ｇは、部品の安全在庫数を示し、例えば図３の「型式１」の安全在庫数は、３００台であることを示す。

処理ステップＳ２での欠品や過剰在庫の判断では、例えば、図３の型式Ｄ１ｂが「型式１」で、日付Ｄ１ｃが「‘２１／２～’２１／６」の場合、在庫数Ｄ１ｆは５０台～４０台と、安全在庫Ｄ１ｇの「３００台」以下となっている。このように、在庫数Ｄ１ｆが安全在庫数Ｄ１ｇを下回る部品は、欠品の可能性があると判断する。また同様に、図３の型式Ｄ１ｂが「型式２」で、日付Ｄ１ｃが「‘２１／１～’２１／６」の場合、在庫数Ｄ１ｆは１０００台～Ｄ４０台と、安全在庫数Ｄ１ｆの「１００台」以上になっていることが分かる。このように、在庫数Ｄ１ｆが安全在庫数Ｄ１ｆを上回る部品は、過剰在庫の可能性があると判断する。そのため型式１と、型式２は対象部品として扱われることとし、図４の予測部品情報Ｄ２として記憶部ＤＢ１に格納する。以下においては、処理ステップＳ１で選定した対処部品ごとに処理ステップＳ２～処理ステップＳ９の処理を繰り返すことになる。

図４は、処理ステップＳ１で作成された予測部品情報Ｄ２のデータ構造の一例である。予測部品情報Ｄ２には、図３の入庫・出庫・在庫情報Ｄ１に登録された部品情報から、欠品や過剰在庫の可能性が高い部品を抽出した結果が格納されており、予測対象部品Ｄ２ａと、部品型式Ｄ２ｂから構成される。予測対象部品Ｄ２ａは、予測対象の部品名を示す。部品型式Ｄ２ｂは、部品の型式を示し、例えば図４の予測対象部品Ｄ２ａが「部品１」の場合、部品型式Ｄ２ｂには型式１、型式２、型式３、型式４、型式５の型式がある。

次に図２のフローの処理ステップＳ２では、初期情報である過去案件情報Ｄ３を読みこむ。図５は過去案件情報Ｄ３のデータ構造の一例である。

図５の過去案件情報には、予測部品情報Ｄ２に登録された部品の過去案件に関する情報が格納されており、案件Ｄ３ａと、顧客名Ｄ３ｂと、納期Ｄ３ｃと、積載重量Ｄ３ｄ、重量Ｄ３ｅ、積載Ｄ３ｆ、重さＤ３ｇ、速度Ｄ３ｈ、速さＤ３ｉ、ドア幅Ｄ３ｊ、開き方向Ｄ３ｋ、ドア形式Ｄ３ｌなどの昇降機の仕様情報と、部品名Ｄ３ｍと、型式名Ｄ３ｎから構成される。

このうち案件Ｄ３ａは、案件を識別する番号情報を示す。顧客名Ｄ３ｂは、各案件の顧客名称を示す。納期Ｄ３ｃは、顧客への製品引渡の期限を示す。

積載重量Ｄ３ｄ、重量Ｄ３ｅ、積載Ｄ３ｆ、重さＤ３ｇは、顧客が希望する製品の積載重量を示す。例えば、図５の案件Ｄ３ａが「１」の案件の場合、顧客は５００ｋｇまで積載可能な製品を希望している。なお積載重量について、積載重量Ｄ３ｄ、重量Ｄ３ｅ、積載Ｄ３ｆ、重さＤ３ｇなどの表記をしているのは、仕様の内容は同一だが表記にゆれが生じている例も少なくないことから、表記の揺れがあっても仕様を一義的に把握可能としたものである。

速度Ｄ３ｈ、速さＤ３ｉは、顧客が希望する製品の速度を示す。例えば、図５の案件Ｄ３ａが「１」の案件の場合、顧客は１２０ｍ／ｍｉｎの速度の製品を希望している。ドア幅Ｄ３ｊは、顧客が希望する製品のドア幅を示す。例えば、図５の案件Ｄ３ａが「１」の案件の場合、顧客は１０００ｍｍのドア幅の製品を希望している。開き方向Ｄ３ｋは、顧客が希望する製品の開き方向を示す。例えば、図５の案件Ｄ３ａが「２」の案件の場合、顧客はＬの開き方向の製品を希望している。ドア形式Ｄ３ｌは、構成するドアの製品形式を示す。例えば、図５の案件Ｄ３ａが「１」の案件の場合、顧客は形式１のドアを希望している。部品名Ｄ３ｍは、対象の部品名を示す。例えば、図５の案件Ｄ３ａが「１」の案件の場合、部品名は部品１を構成している。型式名Ｄ３ｎは、対象の部品型式を示す。例えば、図５の案件Ｄ３ａが「１」の案件の場合、部品型式は型式１である。なお、各データ項目において、データが無記入の場合は「―」としている。

次に図２のフローの処理ステップＳ３では、仕様ごとにグルーピングを行う。この処理は、オーダ機種などにより、案件ごとに使われる仕様情報が異なるため、仕様を複数のグループに分ける必要があることによるものである。

そこで処理ステップＳ３においては、仕様グルーピング部１３が過去案件情報Ｄ３の仕様項目を抽出した後、第１番目の処理として抽出した各仕様項目の類似性を、自然言語処理などを用いて分析し、類似する仕様項目と、類似度のスコアを類似仕様情報Ｄ４として記憶部ＤＢ１へ格納する。さらに第２番目の処理として類似仕様情報Ｄ４において、例えば類似度が０．５以上の類似仕様を異なる表記だが同じ内容の仕様としてグルーピングし、統一仕様情報Ｄ５として記憶部ＤＢ１へ格納する。さらに第３番目の処理として統一仕様情報Ｄ５を用いて、過去案件情報Ｄ３内で同じ内容で異なる表記の仕様項目を統一化し、新過去案件情報Ｄ６として記憶部ＤＢ１へ処理結果を格納する。その第４番目の処理として後新過去案件情報Ｄ６において、使用される仕様の傾向から、仕様情報をグルーピングし、仕様グループ情報Ｄ７へ処理結果として記憶部ＤＢ１を格納する。

第１番目の処理に関して、具体的にはまず、仕様グルーピング部１３は、図５の過去案件情報Ｄ３について、仕様項目（積載重量Ｄ３ｄ、重量Ｄ３ｅ、積載Ｄ３ｆ、重さＤ３ｇ、速度Ｄ３ｈ、速さＤ３ｉ、ドア幅Ｄ３ｊ、開き方向Ｄ３ｋ、ドア形式Ｄ３ｌ）に着目し、類似する仕様項目を分析し、類似仕様と、類似度を図６の類似仕様情報Ｄ４として記憶部ＤＢ１へ格納する。

図６は、類似仕様情報Ｄ４のデータ構造の一例である。類似仕様情報Ｄ４には、過去案件情報Ｄ３に登録された各仕様項目に類似した仕様が格納されており、仕様項目Ｄ４ａと、類似仕様Ｄ４ｂと、スコアＤ４ｃから構成される。仕様項目Ｄ４ａは、過去案件情報Ｄ３に登録された仕様項目名を示す。例えば、図６の類似仕様情報Ｄ４の仕様項目Ｄ４ａは、図５の過去案件情報Ｄ３の仕様項目が「積載重量Ｄ３ｄ」の場合のデータを示している。類似仕様Ｄ４ｂは、過去案件情報Ｄ３に登録された仕様項目のうち、類似仕様情報Ｄ４の各仕様項目以外の仕様項目を示している。例えば、図６の類似仕様情報Ｄ４の仕様項目Ｄ４ａが「積載重量」の場合、類似仕様Ｄ４ｂは、図５の過去案件情報Ｄ３の仕様項目のうち積載重量以外の仕様項目である、重量Ｄ３ｅ、積載Ｄ３ｆ、重さＤ３ｇ、速度Ｄ３ｈなどとなる。スコアＤ４ｃは、各仕様項目Ｄ４ａと類似仕様Ｄ４ｂの類似度を数値で示している。例えば、図６の類似仕様情報Ｄ４の仕様項目が「積載重量」で、類似仕様が「重量」の場合、スコアは、この２仕様の類似度が０．９８である事を示す。

例えば、仕様項目Ｄ４ａが「積載重量」の場合、コサイン類似度などを用いて、「重量」、「積載」、「重さ」、「ドア幅」などの他の仕様項目Ｄ４ａとの類似性を分析し、類似仕様情報Ｄ４として記憶部ＤＢ１へ処理結果を格納する。ここで、図５の類似仕様情報Ｄ４の仕様項目が「積載重量」である場合、類似仕様の「重量」との類似度は、「０．９８」、類似仕様の「積載」との類似度は、「０．８３」となる。

次に第２番目の処理に関して、図６の類似仕様情報Ｄ４を用いて、仕様表記は異なるが同じ内容の仕様項目を統一化し、図７の統一仕様情報Ｄ５として記憶部ＤＢ１へ処理結果を格納する。

図７は、統一仕様情報Ｄ５のデータ構造の一例である。統一仕様情報Ｄ５は、統一前Ｄ５ａと統一後Ｄ５ｂから構成される。例えば、図６の類似仕様情報Ｄ４の類似度（スコア） Ｄ４ｃが「０．５」以上の類似仕様Ｄ４ｂを、表記が異なるが同じ内容の仕様とした時、図６の類似仕様情報Ｄ４の仕様項目Ｄ４ａが「積載重量」と同一内容の仕様は、「重量」、「積載」、「重さ」となる。

その後、図７の統一仕様情報Ｄ５において、グルーピングした類似仕様である「積載重量」、「積載」、「重量」、「重さ」を統一前Ｄ５ａへ、最初に分析した仕様項目である「積載重量」を統一後Ｄ５ｂへ格納する。ここで、類似仕様の分析は、図５の過去案件情報Ｄ３の仕様項目順に進めて行くが、仕様項目が、前に分析した仕様項目の類似仕様としてグルーピング済である場合、分析は行わないものとする。

例えば、図４の過去案件情報Ｄ３の仕様項目が「重量」の場合、仕様項目が「積載重量」の分析の際に類似仕様としてグルーピングされ、図６の統一仕様情報Ｄ５の「統一前」カラムＤ５ａに格納済なため分析は行わず、次の仕様項目である「速度」の分析を開始する。

次に第３番目の処理に関して、その後、図７の統一仕様情報Ｄ５を用いて、図５の過去案件情報Ｄ３の仕様項目の表記を統一化し、新過去案件情報Ｄ６として記憶部ＤＢ１へ処理結果を格納する。

図８は新過去案件情報Ｄ６のデータ構造の一例である。新過去案件情報Ｄ６には、統一仕様情報Ｄ５の仕様表記の統一化に基づき、過去案件情報Ｄ３の仕様情報を修正した結果が格納されており、案件Ｄ６ａと、顧客名Ｄ６ｂと、納期Ｄ６ｃと、積載重量Ｄ６ｄと、速度Ｄ６ｅと、ドア幅Ｄ６ｆと、開き方向Ｄ６ｇと、ドア形式Ｄ６ｈと、部品名Ｄ６ｉと、型式名Ｄ６ｊから構成される。

それぞれの項目の内容は、過去案件情報Ｄ３の項目と同一である。例えば、図８の新過去案件情報Ｄ６の場合、図５の過去案件情報Ｄ３の「積載重量」、「重量」、「積載」、「重さ」の仕様表記が「積載重量」に、「速度」、「速さ」の仕様表記が「速度」に統一化され、統一前のカラムは全て統一後のカラムに集約される。

例えば、図５の過去案件情報Ｄ３で、案件が「１」の場合、重量が「５００ｋｇ」、積載が「５００ｋｇ」、重さが「５００ｋｇ」の仕様項目は、図７の統一仕様情報Ｄ５の統一後によると「積載重量」であるため、「積載重量」へ表記を統一化し、新過去案件情報Ｄ６として記憶部ＤＢ１へ処理結果を格納する。

さらに第４番目の処理に関して、新過去案件情報Ｄ６を用いて、使用される仕様の傾向が似ている仕様情報を、他クラス分類などの過去の傾向から対象の特性を分類できる解法により分類し、分類の結果を仕様グループ情報Ｄ７として記憶部ＤＢ１へ格納する。

図９は仕様グループ情報Ｄ７のデータ構造の一例である。仕様グループ情報Ｄ７には、図８の新過去案件情報Ｄ６において、仕様を複数のグループに分類した結果が格納されており、仕様グループＤ７ａと、仕様情報Ｄ７ｂから構成される。仕様グループＤ７ａは、仕様情報のグループを識別する仕様グループ名称を示す。仕様情報Ｄ７ｂは、仕様グループに属する仕様情報を示す。例えば、図９の仕様グループが「グループ１」の場合、属する仕様情報は、「積載重量」、「速度」、「ドア幅」、「ドア形式」である。

例えば、図８の新過去案件情報Ｄ６で案件が「１」の場合、開き方向の記載が無いため、使用される仕様は「積載重量・速度・ドア幅・ドア形式」となる。また、案件が「２」や「３」の場合、ドア幅の記載が無いため、使用される仕様は、「積載重量・速度・開き方向・ドア形式」となる。このように使われる仕様の傾向から、「積載重量・速度・ドア幅・ドア形式」の仕様グループ１と、「積載重量・速度・開き方向・ドア形式」の仕様グループ２に分け、その結果を仕様グループ情報Ｄ７として記憶部ＤＢ１へ格納する。

図２に戻り、処理ステップＳ４において、相関度測定部１４が、新過去案件情報Ｄ６と、仕様グループ情報Ｄ７から、仕様グループごとに仕様と型式の相関度を測定し、相関度情報Ｄ８として記憶部ＤＢ１へ格納する。

図１０は相関度情報Ｄ８のデータ構造の一例である。相関度情報Ｄ８には、仕様グループ情報Ｄ７の仕様グループごとに、新過去案件情報Ｄ６の仕様情報と部品型式との相関度を分析した結果が格納されており、仕様グループＤ８ａと、仕様情報Ｄ８ｂと、相関度Ｄ８ｃと、過去案件数Ｄ８ｄから構成される。仕様グループＤ８ａは、仕様情報Ｄ８ａのグループを識別する仕様グループ名称を示す。仕様情報Ｄ８ａは、仕様グループに属性する仕様情報を示す。相関度Ｄ８ｃは、新過去案件情報Ｄ６における仕様情報と予測対象の型式との相関度を示す。

例えば、図１０の仕様グループＤ８ａが「グループ１」で、仕様情報Ｄ８ｂが「積載重量」の場合、相関度Ｄ８ｃは、０．９７となる。過去案件数Ｄ８ｄは、新過去案件情報Ｄ６における該当する仕様の案件数を示す。例えば、図９の仕様グループが「グループ１」で、仕様情報が「積載重量」の場合、過去案件数は、３３となる。

具体的には、例えば、図９の仕様グループ情報Ｄ７が「グループ１」の場合、仕様情報は、「積載重量」、「速度」、「ドア幅」、「ドア形式」となる。図８の新過去案件情報Ｄ６から、これらの仕様情報と予測対象の型式との相関度をクラメールの連関係数などを用いて算出し、相関度情報Ｄ８として記憶部ＤＢ１へ格納する。また、新過去案件情報Ｄ６を用いて、各仕様情報が使われた案件数を集計し、相関度情報Ｄ８の過去案件数Ｄ８ｄとして記憶部ＤＢ１へ格納する。

次に、図２の処理ステップＳ５において、情報取得部１１が、ネットワークＮｗを介して、データベースＤＢ２から、最新の予測対象案件情報Ｄ１１を取得し、記憶部ＤＢ１へ格納する。次に、仕様選定部１３は、処理ステップＳ６からＳ７の処理を、後述の処理ステップＳ７で生成したスコアが改善しなくなるまで繰り返す。

処理ステップＳ６からＳ７の繰り返し処理において、まず処理ステップＳ６では、仕様情報選定部１３は、相関度情報Ｄ８から、仕様グループごとに仕様の組合せ候補を抽出し、スコア情報Ｄ９として記憶部ＤＢ１へ処理結果を格納する。

具体的には、まずは、相関度情報Ｄ８から、無相関検定などを用いて使用頻度の低い仕様を除外する。例えば、図９の相関度情報Ｄ８の仕様グループが「グループ１」の場合、相関度の高い仕様情報は、上から順に、「積載重量」、「速度」、「ドア幅」、「ドア形式」となる。無相関検定を用いた結果、予測で必要な案件数が１０であった場合、仕様情報が「速度」の過去案件数は８であるため、この仕様は対象外する。このように使用頻度の低い仕様を除外した後、相関度の高い仕様情報を上から順に組合せ、スコア情報Ｄ９として記憶部ＤＢ１へ結果を格納する。例えば、前述の例の場合、相関度の高い仕様順に、仕様の組合せを設定すると、「積載重量」、「積載重量・ドア幅」、「積載重量・ドア幅・ドア形式」となる。これらの仕様の組合せ候補をスコア情報Ｄ９として記憶部ＤＢ１へ格納する。

繰り返し処理の処理ステップＳ７では、仕様選定部１３は、新過去案件情報Ｄ６と、スコア情報Ｄ９から、仕様組合せ候補の上から順に、型式予測モデルを学習し、予測モデルの予測誤差を算出し、その結果をスコア情報Ｄ９として記憶部ＤＢ１へ格納する。

図１１はスコア情報Ｄ９のデータ構造の一例である。スコア情報Ｄ９には、相関度情報Ｄ８と、新過去案件情報Ｄ６から、仕様グループごとに相関度の高い仕様を組合せ、予測モデルを学習した際の予測精度の測定結果が格納されており、仕様グループＤ９ａと、仕様組合せＤ９ｂと、スコアＤ９ｃからなる。

仕様グループＤ９ａは、仕様情報のグループを識別する仕様グループ名称を示す。仕様組合せＤ９ａは、相関度情報Ｄ８から仕様グループごとに相関度の高い仕様情報を組合せた結果を示す。スコアＤ９ｃは、仕様組合せの仕様情報を基に新過去案件情報Ｄ６を用いて予測モデルを学習した際の予測誤差を示し、誤差が小さいほど予測モデルの精度が高いことを示す。例えば、図１１の仕様グループが「グループ１」で、仕様組合せが「積載重量」の場合、スコアは０．４３１となる。また、図１１の仕様グループが「グループ１」で、仕様組合せが「積載重量・ドア幅」の場合、スコアは０．２８２となる。また、図１０の仕様グループが「グループ１」で、仕様組合せが「積載重量・ドア幅・ドア形式」の場合、スコアは０．６４４となる。

具体的には、処理ステップＳ６で算出した仕様の組合せ候補それぞれに対し、仕様情報を説明変数、型式を目的変数とし、重回帰分析などを用いて新過去案件情報Ｄ６の予測モデルを学習する。予測モデル学習後、予測値と実績値の二乗和誤差などの予測モデルの損失関数をスコア情報Ｄ９として記憶部ＤＢ１へ格納する。例えば、図１１のスコア情報Ｄ９の仕様組合せが「積載重量」の場合、損失関数のスコアは「０．４３１」となるので、スコアへ「０．４３１」が格納される。

最後に図２において、仕様グループごとに、仕様組合せのスコアが改善しなくなるまで、処理ステップＳ６と処理ステップＳ７を繰返す。例えば、図１１のスコア情報Ｄ９の仕様グループが「グループ１」の場合、仕様の組合せを増やしていくと、仕様の組合せが「積載重量・ドア幅」の時、スコアが「０．２８２」のパターンが最小となる。そのため、次の仕様組合せである「積載重量・ドア幅・ドア形式」のスコアを算出した時点で、繰返しを終了する。

図２において処理ステップＳ８では、仕様選定部１３は、スコア情報Ｄ９から、仕様グループごとに最もスコアの小さい仕様の組合せを抽出し、仕様選定結果情報Ｄ１０として記憶部ＤＢ１へ格納する。例えば、図１１のスコア情報Ｄ９の仕様グループが「グループ１」の場合、スコアが最も小さい仕様の組合せは「積載重量・ドア幅」なるため、この結果を仕様選定結果情報Ｄ１０として記憶部ＤＢ１へ格納する。

図１２は仕様選定結果Ｄ１０のデータ構造の一例である。仕様選定結果Ｄ１０には、スコア情報Ｄ９で求めた仕様組合せの中で、最もスコアの低い仕様の組合せを、仕様グループごとに求めた結果が格納されており、仕様グループＤ１０ａと、予測で用いる仕様Ｄ１０ｂから構成される。仕様グループＤ１０ａは、仕様情報のグループを識別する仕様グループ名称を示す。予測で用いる仕様Ｄ１０ｂは、スコア情報Ｄ９で求めた仕様組合せの中で最もスコアが低い仕様の組合せを示す。例えば、図１１の仕様グループが「グループ１」の場合、予測で用いる仕様は、積載重量・ドア幅となる。

図２において処理ステップＳ９では、情報取得部１１が、ネットワークＮｗを介して、データベースＤＢ２から、予測対象案件情報Ｄ１０を取得し、記憶部ＤＢ１へ格納する。

図１３は予測対象案件情報Ｄ１１のデータ構造の一例である。予測対象案件情報Ｄ１１には、現在の受注案件の登録情報が格納されており、案件Ｄ１１ａと、顧客名Ｄ１１ｂと、納期Ｄ１１ｃと、積載重量Ｄ１１ｄ、重量Ｄ１１ｅ、積載Ｄ１１ｆ、重さＤ１１ｇ、速度Ｄ１１ｈ、速さＤ１１ｉ、ドア幅Ｄ１１ｊ、開き方向Ｄ１１ｋ、ドア形式Ｄ１１ｌの昇降機の仕様情報から構成される。

その後処理ステップＳ９では、型式予測部１６は、予測対象案件情報Ｄ１１と、新過去案件情報Ｄ６と、仕様選定結果情報Ｄ１０から、仕様グループごとに型式予測モデルを学習し、予測対象の各案件で使用される型式を予測する。そして型式予測情報Ｄ１２として記憶部ＤＢ１へ処理結果を格納する。

図１４は型式予測情報Ｄ１２のデータ構造の一例である。型式予測情報Ｄ１２には、仕様選定結果Ｄ１０と、新過去案件情報Ｄ６から、グループごとに予測モデルを構築した後、予測対象案件情報Ｄ１１の各案件の予測対象型式を予測した結果が格納されており、案件Ｄ１２ａと、仕様グループＤ１２ｂと、仕様Ｄ１２ｃと、部品Ｄ１２ｄと、型式予測Ｄ１２ｅから構成される。案件Ｄ１２ａは、予測対象案件を識別する番号情報を示す。仕様グループＤ１２ｂは、予測対象の案件の仕様グループを示す。例えば、図１４の案件Ｄ１２ａが「１」の場合、仕様グループＤ１２ｂはグループ１に属する。仕様Ｄ１２ｃは、予測モデルを構築する際に用いる仕様の組合せを示す。例えば、図１３の案件Ｄ１２ａが「１」で、仕様グループＤ１２ｂが「グループ１」の場合、仕様Ｄ１２ｃは積載重量・ドア幅となる。部品Ｄ１２ｄは、各案件における予測対象部品を示す。予測型式Ｄ１２ｅは、各案件で使用される部品の型式を予測した結果を示す。例えば、図１３の案件Ｄ１２ａが「１」の場合、部品Ｄ１２ｅは部品１、予測型式は型式１となる。

例えば、図１２の仕様選定結果情報Ｄ１２の仕様グループが「グループ１」の場合、予測で用いる仕様は「積載重量・ドア幅」である。次に図８の新過去案件情報Ｄ６から、仕様グループが「グループ１」に属する過去案件を抽出し、重回帰分析などを用いて仕様情報「積載重量・ドア幅」と型式との関係性を学習する。後に予測した結果を、型式予測情報Ｄ１２として記憶部ＤＢ１へ格納する。

上記のようにして求められた最終成果物としての情報は、必要に応じて適宜初期情報や、中間生成物の情報とともに図１の出力部４０を介して外部出力され、視覚可能な状態に画面構成され、モニタを通じてユーザに提示される。

図１５は、この場合のモニタ出力画面４００の構成例を示す。図示の出力画面４００では、最終成果物としての情報である対象部品選定結果４０１、仕様選定結果４０２、型式予測結果４０３を表示している。

ここでは、対象部品選定結果４０１がリスト形式で表示され、リストは部品欄１５１と、型式欄１５２と、リスク欄１５３と、選定結果欄１５４で形成される。仕様選定結果４０２は、案件を選択する案件ボタン１５５と選択された案件の仕様選定結果のリストで構成され、リストは仕様グループ欄１５６と、仕様情報欄１５７７と、相関度欄１５８と、過去案件数欄１５９欄と、仕様選定結果欄１６０で形成される。型式予測結果４０３のリストは、部品欄１６１と、予測型式欄１６２から構成される。

この表示画面において、部品欄１５１には、昇降機の全部品名称が表示される。型式欄１５２には、各部品で構成される部品型式名称が表示される。リスク欄１５３には、前述型式欄１５２に属する型式が欠品や過剰在庫の可能性があるかどうか表示される。選定結果欄１５４には、前述リスク欄１５３で欠品や過剰在庫の可能性がある品目か否かが表示される。案件Ｎｏ欄１５５には、ユーザが指定した案件Ｎｏに関する情報が表示される。仕様グループ欄１５６には、仕様グループが表示される。仕様情報欄１５７には、前述仕様グループ欄１５６に属する仕様情報が表示される。相関度欄１５８には、前述仕様情報欄１５７と型式との相関度が表示される。過去案件数欄１５９には、前述仕様情報欄１５７を使用した過去案件数が表示される。仕様選定結果欄１６０には、前述仕様情報欄１５７のうち、型式予測に使用するか否かの判定結果が表示される。部品欄１６１には、前述仕様選定結果欄１６０に基づき、型式を予測した際の部品名称が表示される。予測型式欄１６２には、前述仕様選定結果欄１６０に基づき、型式を予測した際の型式名称が表示される。

以上、実施例に基づいて本発明を詳細に説明したが、これをごく簡便に言うならば、本発明は最新の受注案件情報を読込んで、仕様情報および過去の出庫情報を基に未設完案件の型式を予測したものである。また予測にあたり、さらに詳細には、過去案件を読込んで、膨大な仕様の中から型式を予測する上で候補となる仕様を選定して、絞った候補の中から、予測で用いる仕様を選定し、予測モデルを構築して、仕様情報を用いて、最新の受注案件における未設完の部品型式を予測したものである。

これを実現する場合に、膨大な仕様の中から型式を予測する上で候補となる仕様を選定することと、絞った候補の中から予測で用いる仕様を選定し、予測モデルを構築することをどのように実現するのかが肝要である。

このため、仕様候補選定について、前処理と本処理に分け、前処理では昇降機では機種や商流ごとに設計者が異なり、仕様記述が統一化できていないことから設計者に依存する属人的な要素を標準化している。例えば、同じ仕様でも、設計者により、表記のゆれが生じていることから、自然言語処理により、重複する仕様情報を統一化し、あるいは機種などにより使われる仕様が異なるが、機種などの分類は属人的なため、レジリエンスでないことから、使用される仕様の組合せを分析することで、設計者に依存しない複数のグループに分類している。仕様候補を選定する本処理では、前処理後、グループごとに案件固有の仕様など使用頻度の低い仕様を除外し、予測対象の型式と相関度の高い仕様の候補を選定することにしている。

また予測モデルを構築することに関して、グループごとに、相関度の高い仕様から順に予測で用いる仕様の組合せを抽出し、モデルの精度が最小となるまで繰返し予測モデルを学習することにした。

この結果、従来方式と比較した場合に本発明では、過去データを用いて、仕様情報と型式の関係を学習し、型式予測モデルを構築することで、未設完の型式を特定するので、都度予測モデル学習により、仕様が追加・削除されても対応できる。また、予測で必要な仕様情報を、相関性を考慮し抽出しているため、予測精度が高くすることができる。

また本発明では、未設完の仕様情報は使わず、設完済の仕様の範囲内で部品の型式を予測するので、設完済の仕様から直接型式を予測しているため、精度が良い。また仕様が膨大でも対応可能である。

以上に述べたようにして、本発明によれば、欠品や過剰在庫のリスクがある長納期部品を選定した後、膨大な仕様情報から型式と相関性の高い仕様を選定し、高精度に型式を予測することができる。

１：部品型式予測装置
１１：対象部品選定部
１２：情報取得部
１３：仕様グルーピング部
１４：相関度測定部
１５：仕様選定部
１６：型式予測部
３０：入力部
４０：出力部
５０：ユーザ端末
４００：出力画面
ＣＰＵ：演算部
ＤＢ２：データベース
ＤＢ１：記憶部
Ｎｗ：ネットワーク
３０：入力部
４０：出力部
Ｄ１：入庫・出庫・在庫情報
Ｄ２：予測部品情報
Ｄ３：過去案件情報
Ｄ４：類似仕様情報
Ｄ５：統一仕様情報
Ｄ６：新過去案件情報
Ｄ７：仕様グループ案情報
Ｄ８：相関度情報
Ｄ９：スコア情報
Ｄ１０：仕様選定結果情報
Ｄ１１：予測対象案件情報
Ｄ１２：型式予測情報

Claims (10)

1. 製品を構成する部品の過去の入庫・出庫・在庫実績数を記録した入庫・出庫・在庫情報と、過去案件の仕様・型式を記録した過去案件情報を記憶する記憶部と、
   前記入庫・出庫・在庫情報から、予測対象の部品を選定する対象部品選定部と、
   前記過去案件情報から、使われる仕様を複数のグループに分類する仕様グルーピング部と、
   前記仕様グループ情報から、使用頻度が高い仕様を抽出し、仕様と型式の相関度を算出する相関度測定部と、
   相関度情報と、予測対象案件情報から、グループごとに相関度の高い仕様を組合せ、予測で必要となる仕様を選定する仕様選定部と、
   仕様選定結果情報から対象の型式を予測する型式予測部を備えることを特徴とする部品型式予測装置。
2. 請求項１に記載の部品型式予測装置であって、
   前記記憶部は、入庫・出庫・在庫情報と、予測部品情報と、過去案件情報と、類似仕様情報と、統一仕様情報と、新過去案件情報と、仕様グループ情報と、相関度情報と、スコア情報と、仕様選定結果情報と、型式予測情報を記憶することを特徴とする部品型式予測装置。
3. 請求項１に記載の部品型式予測装置であって、
   前記対象部品選定部は、過去の昇降機部品の入庫・出庫・在庫推移を基に、欠品や過剰在庫の可能性が高い部品を選定することを特徴とする部品型式予測装置。
4. 請求項１に記載の部品型式予測装置であって、
   前記仕様グルーピング部は、過去案件情報から表記は異なるが同一内容の仕様情報を統一化し、使われる仕様情報を基に仕様を複数のグループに分類することを特徴とする部品型式予測装置。
5. 請求項１に記載の部品型式予測装置であって、
   前記相関度測定部は、前述仕様グループ情報のグループごとに、使用頻度の高い仕様において、仕様と型式の相関度が高い順に仕様を並替え、仕様の候補を算出することを特徴とする部品型式予測装置。
6. 請求項１に記載の部品型式予測装置であって、
   前記仕様選定部は、相関度情報から、グループごとに相関度の高い順に仕様の組合せを設定し、スコアが改善しなくなるまで繰り返し予測モデルを学習し、予測で必要となる仕様を選定することを特徴とする部品型式予測装置。
7. 請求項１に記載の部品型式予測装置であって、
   前記型式予測部は、仕様選定結果情報と、仕様グループ情報と、過去案件情報と、対象部品情報から、予測モデルを学習し、予測対象案件の型式を予測することを特徴とする部品型式予測装置。
8. 受注案件情報を読込んで、仕様情報および過去の出庫情報を基に未設完案件の型式を予測するにあたり、過去案件を読込んで、複数の仕様の中から型式を予測する上で候補となる仕様を選定し、絞った候補の中から、予測で用いる仕様を選定し、予測モデルを構築して、仕様情報を用いて最新の受注案件における未設完の部品型式を予測することを特徴とする部品型式予測方法。
9. 請求項８に記載の部品型式予測方法であって、
   複数の仕様の中から型式を予測する上で候補となる仕様を選定するにあたり、属人的な要素を標準化しグループごとに使用頻度の低い仕様を除外し、予測対象の型式と相関度の高い仕様の候補を選定することを特徴とする部品型式予測方法。
10. 請求項８に記載の部品型式予測方法であって、
    絞った候補の中から、予測で用いる仕様を選定し、予測モデルを構築するにあたり、グループごとに、相関度の高い仕様から順に予測で用いる仕様の組合せを抽出し、モデルの精度が最小となるまで繰返し予測モデルを学習することを特徴とする部品型式予測方法。

Images