制造条件输出装置、品质管理系统以及程序的制作方法

本发明的实施方式涉及制造条件输出装置、品质管理系统以及程序。

背景技术：

在各种产品的制造中，进行品质管理。为了改善产品的品质而提出了如下方法：对于制造条件的实际数据使用线性回归式来计算最佳的制造条件的目标值，并基于该目标值变更制造条件，从而控制产品的品质的方法；自动地提取对品质的改善有效的运转因素的组合，并自动地指引满足规定的品质等级的运转条件的组合，从而改善品质的方法。

但是，在使用线性回归式的方法中，只能适用于各变量具有线性关系的制造条件。另外，在自动地指引运转条件的组合的方法中，若运转因素的组合的数量变大，则与组合的数量相应的计算量庞大地增加，因此不能对维数较大的运转因素数据进行恰当的多变量分析。例如在制造压铸件等的情况下，制造条件相对于品质具有非线性关系，运转因素的数量也较多。另外，在这些方法中，没有考虑针对不合格概率如何设定制造条件以抑制产品不合格的产生。

现有技术文献

专利文献

专利文献1:日本特开2009－64054号公报

专利文献2:日本特开2008－146621号公报

技术实现要素：

用于解决课题的手段

因此，本实施方式的目的在于提供能够提示针对不合格概率如何设定制造条件以抑制产品不合格的产生的制造条件输出装置、使用该制造条件输出装置的输出的品质管理系统以及具有输出上述的制造条件的功能的程序。

实施方式的制造条件输出装置输出产品的制造条件，其中，该制造条件输出装置具有变化度信息输出部，该变化度信息输出部根据基于所述产品的制造数据与所述产品的检查结果数据通过机器学习生成的模型的模型信息，输出变化度信息作为制造条件，该变化度信息是关于与所述产品的制造所涉及的多个变量的不合格概率相关的值的变化度的信息。

附图说明

图1是关于实施方式所涉及的铸造品的制造的品质管理系统的构成图。

图2是表示实施方式所涉及的制造数据的例子的图。

图3是表示实施方式所涉及的检查结果数据的例子的图。

图4是用于说明实施方式所涉及的决策树的例子的图。

图5是实施方式所涉及的推断结果输出部的功能框图。

图6是实施方式所涉及的模型分析部的框图。

图7是表示在实施方式所涉及的重要项目显示部中生成的显示数据的显示例的图。

图8是表示实施方式所涉及的、显示与变量的值相应的不合格率的变化度的图表的图。

图9是表示实施方式所涉及的模型学习部的处理的流程的例子的流程图。

图10是表示实施方式所涉及的推断结果输出部的处理的流程的例子的流程图。

图11是表示实施方式所涉及的模型分析部的处理的流程的例子的流程图。

图12是表示实施方式所涉及的设定画面的显示例的图。

具体实施方式

以下，参照附图对实施方式进行说明。

(系统构成)

图1是关于本实施方式所涉及的铸造品的制造的品质管理系统1的构成图。品质管理系统1是进行铝压铸件等铸造品的品质管理的铸造品质管理系统。品质管理系统1包含数据取得装置2、模型学习装置3及推断装置4。数据取得装置2连接于压铸机5与产品状态检查装置6。压铸机5是制造压铸件作为产品的制造装置。压铸机5具有使模具移动的机构、进行铝等金属熔液向模具腔室的注射的机构等制造机构(未图示)及控制压铸机5的动作的控制装置5a。

另外，推断装置4生成用于设定合格品的制造条件的设定画面并输出到显示装置4c。由此，推断装置4构成输出产品的制造条件的制造条件输出装置，品质管理系统1使用在此输出的制造条件进行品质管理。即，品质管理系统1的一部分成为制造条件输出装置。

另外，数据取得装置2、模型学习装置3以及推断装置4也可以为了收发数据而利用后述的信号线相互连接，例如配置于压铸机5的某一个工厂内。或者，模型学习装置3与推断装置4也可以是经由因特网等网络的云上的服务器。

(数据取得装置的构成)

数据取得装置2是包含处理器11的装置，例如是具有与压铸机5及产品状态检查装置6之间的输入输出接口的个人计算机(以下，称作pc)。处理器11包含制造数据取得部12、制造数据加工部13及检查结果数据取得部14。

处理器11包含中央处理装置(以下称作cpu)、rom、ram。处理器11也具有硬盘装置等非易失性存储器。cpu读出并执行存储于rom以及非易失性存储器的各种软件程序，使得数据取得装置2能够从压铸机5以及产品状态检查装置6接收各种数据、向模型学习装置3以及推断装置4发送各种数据。

这里，制造数据取得部12、制造数据加工部13以及检查结果数据取得部14由软件程序构成。另外，制造数据取得部12与检查结果数据取得部14也可以全部或者一部分由电子电路构成。

制造数据取得部12经由通信线5b从压铸机5的控制装置5a取得制造数据。制造数据例如是压铸件的每次注射时的、时刻数据、制造注射编号及各种测量数据。

温度传感器、位置传感器、压力传感器等各种测量数据用的各种传感器安装于压铸机5，或者内置于压铸机5。制造注射编号是用于识别制造注射的注射识别信息。控制装置5a具有时钟，生成时刻数据。时刻数据包含年月日以及时间。压铸机5的控制装置5a在压铸件的每次注射时收集各种测量数据，与制造注射编号及时刻数据一起存储于缓冲器等存储器(未图示)。

制造数据取得部12包含各种接口电路和软件程序而构成，该各种接口电路取得暂时存储于压铸机5的存储器的制造数据，该软件程序进行将所取得的制造数据暂时存储于存储器(未图示)的处理。

制造数据加工部13对于存储于制造数据取得部12的制造数据进行数据位数的调整、数据缺损的补充等，以便能够在后述的模型学习装置3中恰当地执行模型学习处理。

对于在压铸机5中制造出的压铸件、例如铝压铸件，在其后的工序中进行各种加工。

对于在压铸机5中制造出的压铸件、或者在后续工序中加工出的压铸件进行压铸件的检查。检查结果数据是表示是合格品还是不合格品的数据。另外，检查结果数据也可以包括包含不合格品的不合格类别的数据。不合格的类别有充型不合格、铸孔等。而且，检查结果数据也可以是表示品质的数值。在该情况下，检查结果数据例如是表示表面的凹陷程度的数值，也可以以该数值的范围示出检查结果数据。

产品状态检查装置6例如是压铸件的检查装置，使用相机等装置检查压铸件，基于检查结果，判定压铸件是合格品还是不合格品。产品状态检查装置6基于判定结果，按照每个进行了检查的铸造品的注射编号，生成表示是合格品还是不合格品的检查结果数据并输出。检查结果数据取得部14经由通信线6a从该产品状态检查装置6取得检查结果数据。即，检查结果数据取得部14取得由压铸机5制造出的压铸件的检查结果数据。

另外，由检查员进行检查，产品状态检查装置6也可以是被输入了该检查员的判定结果、即压铸件是合格品还是不合格品的判定结果的装置，例如pc。

图2是表示制造数据的例子的图。制造数据包含时刻、注射编号、铸造温度a、铸造压力b、冷却量c等各种数据。一次注射与一个压铸件的制造对应，一个制造数据是关于一次注射的一个记录数据。在制造数据取得部12中取得多个制造数据。如后述那样，多个制造数据作为图2所示那样的表形式的数据储存于制造数据保存部25。

图3是表示检查结果数据的例子的图。检查结果数据包含检查结果、时刻数据以及注射编号的数据。时刻数据与由注射编号确定的制造数据中的时刻数据相同。如后述那样，多个检查结果数据作为图3所示那样的表形式的数据储存于检查结果数据保存部26。一个检查结果数据能够通过注射编号与一个制造数据建立关联。

(模型学习装置的构成)

模型学习装置3具有处理器21及存储装置22。模型学习装置3例如是pc，但也可以如上述那样为因特网上的服务器。处理器21与数据取得装置2利用通信线2a连接。处理器21包含cpu、rom、ram以及硬盘装置。模型学习装置3基于来自数据取得装置2的制造数据及检查结果数据进行机器学习，制作作为压铸件的合格/不合格的识别模型的模型m。

处理器21按照用户的指令或者规定的周期，经由通信线2a从数据取得装置2取得制造数据及检查结果数据。处理器21将取得的制造数据保存于存储装置22的制造数据保存部25。处理器21将取得的检查结果数据保存于存储装置22的检查结果数据保存部26。制造数据保存部25是用于存储制造数据的、存储装置22中的规定的记录区域。检查结果数据保存部26是用于存储检查结果数据的、存储装置22中的规定的记录区域。

处理器31包含模型条件设定部23及模型学习部24。模型条件设定部23是设定进行机器学习时的各种条件的参数数据、并对模型学习部24赋予所设定的参数数据的软件程序。

模型学习装置3具有未图示的键盘和鼠标等输入装置、以及未图示的显示装置等。由此，用户能够使用输入装置以及显示装置来设定用于在模型条件设定部23中设定的各种条件的参数数据。参数数据例如是在模型生成时使用的监督数据的数量或生成的决策树的数量等。

模型学习部24是将存储于存储装置22的制造数据及检查结果数据作为监督数据、通过机器学习来生成模型m的软件程序。即，模型学习部24基于制造数据及检查结果数据，通过机器学习来生成用于推断压铸机5中制造出的压铸件是合格品或者不合格品的模型。制造数据与检查结果数据能够利用注射编号建立关联，因此处理器31能够将建立关联的制造数据与检查结果数据作为一个监督数据，将多个监督数据赋予给模型学习部24。

这里，模型m是通过随机森林的机器学习算法生成的非线性模型。模型m是若被赋予制造数据则推断按照该制造数据制造出的压铸件产生不合格的概率即不合格概率并输出的不合格识别模型。随机森林是如下集团学习算法：根据随机选择的变量(制造数据)制作多个决策树，将各决策树作为弱识别器而进行将多个决策树平均化等的处理，从而进行整体学习。通过将制作出的各决策树的识别边界相加，从而制作精度高的识别边界。即，非线性的模型m是通过使用了多个决策树的随机森林等整体学习而学习过的模型。由此，根据作为弱识别器的多个决策树，通过整体学习最终被统合而生成稳健的识别边界。

另外，这里，模型学习部24为了生成模型m，作为进行整体学习的集团学习算法，使用了随机森林的机器学习算法，但也可以使用装袋法、提升法、自适应法、梯度提升法、极端梯度提升法、极端随机树法、正则化随机森林法等机器学习算法。

这里，模型m指的是图4所示那样的还使用学习数据(监督数据)而生成的决策树集合多个而成的模型。图4是用于说明决策树的例子的图。在图4中，在铸造温度a超过230度的情况下，压铸件被判定为合格品。另外，在铸造温度a为230度以下、且铸造压力b超过20的情况下，压铸件被判定为合格品。而且，在铸造温度a为230度以下、且铸造压力b为20以下的情况下，压铸件被判定为不合格品。

模型学习部24中生成的模型m的模型数据即模型信息mi储存于处理器21的存储器内，并且向推断装置4发送。模型信息mi将决策树作为列表形式的数据而表现。

(推断装置的构成)

推断装置4具有处理器31及存储装置32。处理器31连接于人-机接口(以下称作mmi)4a。mmi4a具有输入装置4b及显示装置4c。输入装置4b包含键盘、鼠标等。推断装置4若从数据取得装置2取得制造数据，则基于该制造数据，输出合格/不合格的推断结果而显示于显示装置4c。而且，推断装置4分析从模型学习装置3接收到的模型m的模型信息mi而输出与不合格概率的减少相关的信息，并显示于显示装置4c。

处理器31利用通信线2b而与数据取得装置2连接。而且，处理器31利用通信线5c而与压铸机5的控制装置5a连接。处理器31利用通信线3a而与模型学习装置3连接。处理器21包含cpu、rom、ram及硬盘装置。

处理器31包含推断结果输出部33及模型分析部34。存储装置32具有学习模型保存部35。处理器31若从模型学习装置3接收模型m的模型信息mi，则保存于学习模型保存部35。学习模型保存部35是储存接收到的模型m的模型信息mi的存储区域。

推断结果输出部33是基于制造数据输出合格/不合格的推断结果的软件程序。图5是推断结果输出部33的功能框图。推断结果输出部33包含推断不合格概率输出部41及合格/不合格判定部42。推断不合格概率输出部41使用储存于学习模型保存部35的模型m的模型信息mi，基于接收到的制造数据计算不合格概率，将不合格概率数据dp向合格/不合格判定部42输出。合格/不合格判定部42基于接收到的不合格概率数据dp，输出在与接收到的制造数据相关的注射中制造出的压铸件的合格/不合格的推断结果dr。由此，推断结果输出部33使用模型m，基于在数据取得装置2中取得的制造数据推断压铸件是合格品或者不合格品并输出推断结果。

在与在压铸机5中制造出的压铸件相关的制造数据从数据取得装置2向推断结果输出部33实时发送时，推断结果输出部33使用模型m的模型信息mi，基于该制造数据推断压铸件的合格/不合格，输出推断结果dr。即，推断结果输出部33能够对于由压铸机5制造出的压铸件，基于实时取得的制造数据，使用模型m推断合格/不合格。

另外，也可以通过批量处理对于多个制造数据汇总推断合格/不合格。在该情况下，如图5中虚线所示，在推断装置4设置累积来自制造数据加工部13的制造数据的制造数据储存部43。制造数据储存部43是能够储存规定的期间、例如一天或一周的制造数据的存储装置。推断不合格概率输出部41基于储存于制造数据储存部43的多个制造数据，使用模型m计算不合格概率。合格/不合格判定部42基于各不合格概率数据dp，判定各注射的合格/不合格，输出推断结果dr。

不合格概率数据dp是每次注射的不合格概率数据。合格/不合格判定部42具有规定的阈值，例如如果阈值是50，则在不合格概率为50％以上时，将该注射的压铸件判定为不合格品，在不合格概率小于50％时，将该注射的压铸件判定为合格品。换言之，合格/不合格判定部42基于不合格概率数据，判定压铸件的不合格或者合格。

而且，在不合格概率数据是根据多个不合格的种类而输出的情况下，合格/不合格判定部42按照规定的判定规则判定该注射的压铸件是合格品还是不合格品。

除此之外，推断结果输出部33也可以取代推断不合格概率输出部41而具有输出推断压铸件合格的概率的推断合格概率输出部，合格/不合格判定部42例如在合格概率小于50％时，将该注射的压铸件判定为不合格品。

图6是模型分析部34的框图。模型分析部34是包含重要项目提取部51、重要项目显示部52、不合格概率变化度输出部53及制造条件设定部54的软件程序。

重要项目提取部51计算模型m中的各变量的重要度，根据计算出的各变量的重要度提取重要项目。即，重要项目提取部51根据从模型信息mi计算出的重要度提取多个变量的变量名作为重要项目。

在随机森林中，根据在各决策树中使用的变量及该决策树的推断精度，计算各变量的重要度。换言之，计算出的重要度表示在与各决策树相关的变量之中对推断精度的影响的大小。由此，重要项目提取部51针对制造数据中的铸造温度、铸造压力、冷却量等多个变量计算重要度。重要度例如是随机森林中的基尼系数的变化度、mse(均方误差)效果度。即，重要度表示在未使用的数据中基尼系数或者mse效果度变化了何种程度。

这里，重要项目提取部51输出针对多个变量计算出的重要度的信息中的比所设定的值高的重要度的多个变量名作为重要项目。或者，重要项目提取部51也可以在针对多个变量计算出的重要度的信息之中按照重要度从高到低的顺序输出规定数量的变量名的信息。

重要项目显示部52生成将在重要项目提取部51中提取的重要项目显示于显示装置4c的显示数据im。如上述那样，重要项目提取部51将重要度高的变量名的信息向重要项目显示部52输出。重要项目显示部52根据接收到的变量名的信息，生成显示重要度高的变量名的显示数据im，并向显示装置4c输出。由此，重要项目显示部52构成输出由重要项目提取部51提取的重要项目的信息的重要项目输出部。

图7是表示在重要项目显示部52中生成的显示数据的显示例的图。在图7中，示出了六个变量的重要度。纵轴是变量名，横轴是重要度的值。重要度是基尼系数等规定的标准化后的值。如图7所示，铸造温度a的重要度最高，以下按照铸造压力b、冷却量c、铸造温度d、铸造压力e、冷却量f的顺序使重要度从高到低。重要度由各变量所对应的点所示。

图7所示那样的重要项目的变量名及重要度显示于显示装置4c，用户能够针对不合格概率识别重要的变量。

不合格概率变化度输出部53根据模型m的模型信息mi计算每个变量的不合格概率的变化度并输出。不合格概率变化度输出部53输出针对各变量的、不合格概率的变化度的函数数据。

图8是表示显示与变量的值相应的不合格率的变化度的图表的图。图8的图表是每个变量的图表，图8是显示相对于铸造温度a而言的不合格率的变化度的图表。在图8中，图表g的函数能够通过随机森林的部分依赖图而获得。图表g的各值与部分依赖图的值对应。即，根据模型m的模型信息mi计算每个变量的不合格概率的变化度。这里，使用随机森林的部分依赖图，计算每个变量的不合格概率的变化度。

另外，这里，不合格概率变化度输出部53输出针对各变量的、不合格概率的变化度的函数数据，但不合格概率的变化度信息只要包含与各变量的值所对应的不合格概率相关的值即可，也可以是离散的数据。

如后述那样，通过向用户提示图8的图表g，使得用户在观察图8的图表g时得知，不合格概率在铸造温度a超过36度时以及小于28度时大幅变化。换言之，可以说双点划线之间的空心箭头所示的温度范围是不合格概率较低的合格品区域。由此，用户能够定量地判定为只要使铸造温度a的设定例如为28度至36度的范围内就能够降低不合格概率。

由此，不合格概率变化度输出部53构成根据通过机器学习生成的模型的模型信息而输出变化度信息作为合格品条件即制造条件的变化度信息输出部，该变化度信息是关于与针对产品的制造所涉及的多个变量的不合格概率相关的值的变化度的信息。制造条件是压铸件根据不合格概率而成为合格品或者不合格品的、变量的值或者范围。

制造条件设定部54使用来自不合格概率变化度输出部53的不合格概率的变化度的函数数据，生成用于设定合格品的制造条件的设定画面的显示数据si。该显示数据中包含图8的图表g。用户能够使用设定画面设定每个变量的合格品的制造条件。

如后述那样，推断装置4将图8所示那样的图表显示于显示装置4c，用户能够使用输入装置4b在显示于显示装置4c的画面上设定合格品区域。由此，制造条件设定部54输出用于将铸造温度等制造条件与压铸件成为合格品或者不合格品的概率建立对应地设定的显示数据。

另外，如图6中虚线所示，不合格概率变化度输出部53也可以从重要项目显示部52获得重要度较高的变量名的信息，仅对重要度较高的上位的规定数量的变量计算每个变量的不合格概率的变化度并输出。不合格概率变化度输出部53由于计算不合格概率的变化度的变量的数量变少，因此能够减少处理器31的负载。

(作用)

接下来，对品质管理系统1的动作进行说明。这里，对模型学习部24、推断结果输出部33及模型分析部34的处理进行说明。

图9是表示模型学习部24的处理的流程的例子的流程图。如上述那样，模型学习部24是软件程序，因此通过由处理器21的cpu从rom等读出并执行模型学习部24的程序，使得处理器21进行模型的机器学习。

处理器21从数据取得装置2取得制造数据，记录于存储装置22的制造数据保存部25(步骤(以下简称为s)1)。处理器21从数据取得装置2取得检查结果数据，记录于存储装置22的检查结果数据保存部26(s2)。处理器21参照制造数据保存部25及检查结果数据保存部26中存储的数据，判定存储装置22中是否保存有与规定的注射数相当的数据(制造数据及该制造数据所对应的检查结果数据)(s3)。

在存储装置22中未保存有与规定的注射数相当的数据时(s3：no)，处理返回s1。在存储装置22中保存有与规定的注射数相当的数据时(s3：yes)，处理器21读出记录于存储装置22的数据(制造数据及该制造数据所对应的检查结果数据)(s4)。

处理器21将读出的数据(制造数据及该制造数据所对应的检查结果数据)作为监督数据，通过机器学习来生成模型m(s5)。这里，机器学习是基于随机森林的整体学习。随机森林是将多个决策树作为弱识别器而对多个决策树的结果进行整体学习的算法，通过s5，生成通过随机森林而进行了学习的模型m(即最终的识别器)。处理器21将生成的模型m的模型信息mi向推断装置4发送并保存于学习模型保存部35(s6)。

用户将生成模型m所需的数据量设定为规定的注射数，从而能够生成与希望的数据量相应的模型m。

图10是表示推断结果输出部33的处理的流程的例子的流程图。如上述那样，推断结果输出部33为软件程序，因此通过由处理器31的cpu从rom等读出并执行合格/不合格推断的程序，使得处理器31输出推断结果dr。在图10的处理之前，处理器31从学习模型保存部35读出模型信息mi。

处理器31从数据取得装置2取得推断对象的制造数据(s11)。例如在数据取得装置2实时取得压铸机5的制造数据时，处理器31取得该实时的制造数据。

处理器31使用保存于学习模型保存部35的模型m的模型信息mi，推断即计算按照在s11中取得的制造数据制造出的压铸件的不合格概率(s12)。s12的处理由推断不合格概率输出部41进行。

处理器31基于不合格概率，判定与制造数据相关的压铸件的合格/不合格(s13)。s13的处理由合格/不合格判定部42进行。推断结果dr被输出到显示装置4c，合格/不合格的判定结果被显示于显示装置4c。

图11是表示模型分析部34的处理的流程的例子的流程图。如上述那样，模型分析部34是软件程序，因此通过由处理器31的cpu从rom等读出并执行该软件程序，使得处理器31进行模型分析。在图11的处理之前，处理器31也从学习模型保存部35读出模型信息mi。

处理器31从模型信息提取重要项目(s21)。s21的处理如上述那样，基于对于合格/不合格的推断精度的影响度，推断并提取作为重要项目的变量名。s21的处理由重要项目提取部51进行。

处理器31生成用于设定合格品的制造条件的设定画面，并向显示装置4c输出(s22)。s22的处理由制造条件设定部54进行。由此，推断装置4构成输出产品的制造条件的制造条件输出装置。

处理器31执行基于对设定画面进行的输入来设定变量的制造条件的设定处理(s23)。

图12是表示在s22中生成的设定画面的显示例的图。在显示装置4c的显示画面61显示有两个窗口62及63。窗口62显示了图7所示的、在重要项目显示部52中生成的显示数据。窗口63显示了图8所示的、在制造条件设定部54中生成的显示数据。

在窗口62中的各变量名的左侧显示有复选框62a。用户能够使用输入装置4b的鼠标等对各复选框62a进行选中。在图12中，与变量名“铸造温度a”对应的复选框62a被勾选。由此，在窗口63中显示与选中的变量名对应的设定画面。

由此，用户通过使用输入装置4b而例如点击“设定变更”按钮64，能够利用复选框62a选择希望的变量，针对该变量变更制造条件的设定。在图12中，两条虚线表示铸造温度的下限值及上限值。例如在用户希望变更制造条件的设定时，操作鼠标等使对合格品区域进行规定的虚线的位置移动，将一条虚线移动到28度的位置，将另一条虚线移动到36度的位置。

之后，用户通过操作输入装置4b而例如点击“登记”按钮64，能够如窗口63中设定那样登记并变更制造条件。例如对于图12的铸造温度a，能够设定以铸造温度a的上限为36度、以下限为28度的温度范围，以使制造出的压铸件的不合格概率成为10％以下。

设定信息经由信号线5c从处理器31向压铸机5的控制装置5a发送。接收到的设定信息储存于控制装置5a的存储器，被用于压铸机5的动作控制。在上述的例子中，控制装置5a基于接收到的设定信息控制铸造温度a。其结果，以利用两条虚线使制造时的铸造温度a成为28度至36度的范围内的方式控制与压铸机5的铸造温度a的控制相关的阀等设备，因此可减少不合格概率。

如上述那样，不合格概率变化度输出部53根据模型m的模型信息mi计算多个变量的不合格概率的变化度，因此用户对于其他希望的变量也能够同样设定制造条件。

即，由于向用户提示各变量的不合格概率的变化度，因此用户能够观察针对各变量的不合格概率的变化度而设定使压铸件成为合格品的各变量的条件。

另外，在上述的例子中，合格品区域的设定是由用户使用mmi4a来设定的，但也可以将不合格概率的阈值预先设定于处理器31的存储器，并基于该阈值自动地设定针对各变量的合格品区域。

而且，在上述的例子中，设定信息经由信号线5c向控制装置5a发送而被自动地设定，但制造条件设定部54也可以仅仅是将各变量的不合格概率的变化度显示于显示装置4c而向用户提示。用户能够基于该提示的设定信息手动地设定于控制装置5a。

除此之外，在设定信息是不能直接设定于控制装置5a的变量时，用户以与该设定信息一致的方式将与该设定信息相关的一个以上的变量设定于控制装置5a。

另外，如图6中双点划线所示，也可以实时地向制造条件设定部54供给制造数据，将制造数据中的希望的变量(这里是铸造温度a)的实测值重叠在画面上。在图12中，点md表示铸造温度a的实测值。由此，用户能够根据重叠的实测值实时确认铸造温度a的控制状态，预测由压铸机5当前制造的压铸件是合格品还是不合格品。

如以上那样，根据上述的实施方式，通过模型分析部34，对于与压铸件的不合格产生有很大关系的变量，用户能够识别可抑制不合格产生那样的制造条件。而且，用户能够设定所希望的变量的制造条件以抑制不合格产生，因此能够抑制压铸件的不合格产生。

特别是，根据上述的实施方式，由于使用非线性的机器学习模型，因此能够对于维数较大的制造数据进行合格/不合格的推断，并且也提取出与合格/不合格相关的重要项目，因此用户容易进行用于可靠地减少不合格概率的制造条件的设定。

另外，在上述的实施方式中，品质管理的对象产品是压铸件，但是，关于压铸件，从压铸机取出的压铸件后续被加工、然后在后续工序中被发现内部有气孔等不合格的情况较多。根据上述的实施方式，在制造这样的压铸件时，能够设定不易产生不合格的制造条件。其结果，防止向后续工序供给不合格品的压铸件，从而抑制压铸件的不必要的加工处理。

而且，上述的实施方式中的品质管理的对象产品是压铸件，但也可以是在注射成形机中制造出的注射成形品等其他制造物，上述的实施方式也能够应用于除压铸件以外的其他制造物。

除此之外，上述的各装置的处理器也可以将一部分或者全部构成为电子电路，或者构成为fpga(fieldprogrammablegatearray)等集成电路中的电路模块。

如以上那样，根据上述的实施方式，能够提供能够提示针对不合格概率如何设定制造条件以抑制产品的不合格的产生的制造条件输出装置、使用该制造条件输出装置的输出的品质管理系统以及具有使上述的制造条件输出的功能的程序。

另外，在以上说明的各装置中执行的程序作为计算机程序产品，在软盘、cd－rom等可移动介质、硬盘等存储介质中记录或者存储有其整体或者一部分。该程序由计算机读取而执行动作的全部或者一部分。或者，关于该程序的整体或者一部分，可以经由通信网络流通或者提供。利用者通过经由通信网络下载该程序并安装于计算机、或者从记录介质安装于计算机，能够容易地实现本实施方式的制造条件输出装置或者品质管理系统。

虽然说明了本发明的实施方式，但这些实施方式为例示，并不意图限定发明的范围。这些新的实施方式能够以其他各种方式实施，在不脱离发明的主旨的范围内能够进行各种省略、替换及变更。这些实施方式、其变形包含在发明的范围及主旨中，并且包含在权利要求书所记载的发明及其等效的范围中。

本申请以2019年5月22日在日本提出申请的特愿2019－96286号作为优先权主张的基础而申请，上述的公开内容被引用于本申请的说明书及权利要求书中。