DEV Community: Ryuji Yabe

改變球瓶與地板摩擦係數 μ 的 L18 實驗整合審查

Ryuji Yabe — Fri, 04 Sep 2026 21:37:22 +0000

μ = 0.2 / 0.3 / 0.4 的數值實驗，與實測案例研究有多接近

對象：論文保齡球環境因子mu02 / mu03 / mu04、案例研究保齡球（品質工程 Vol.28 No.5, 2020）、campaign.json、logic.js。日期：2026-09-05。

判定：不必重算。最合理的環境因子是 μ = 0.2。

三篇論文的 SN 比、靈敏度、要因效果、最適水準、確認實驗，與模擬輸出 campaign.json 完全一致。L18 的配置就是標準直交表第 1 至第 5 列，望大特性公式也與教科書相同。沒有理由重做系統。與實測比對時用倒下球瓶數，不用分貝。標準條件 6、7、7 支、確認平均 8.33 支、球重 16 lb、角度 0° 同時對上的，只有 μ = 0.2。在該條件下的最適控制是：角度 0°、位置 13.25 cm、球速 8 m/s、球重 16 lb、角速度 10 rad/s。

1. 先放結論

三篇個別論文分別把環境因子（球瓶與地板摩擦係數）固定在 μ = 0.2、0.3、0.4，跑 L18 直交表實驗。找不到數字誤植、直交表欄位移、或 SN 比重算不一致。確認實驗的利得也正確地從標準條件相減。

個別論文的措辭有輕微偏差。把角度的 SN 比差寫成「約 0.3 dB」，實際是 0.41〜0.50 dB。案例研究的 SN 比最大點（最適水準 A）是角度 0°，1° 是為了瞄準口袋的後段微調（最適水準 B）。個別論文拿 1° 對比並寫「與案例不同」，但若只看 SN 比最大化的手續，模擬與案例都選 0°。這是文書用詞問題，不是重做實驗的理由。

實測的多體動力學與這次的二維衝量模型，物理層級不同。一開始就不宜期待每一列倒下球瓶數都對上。比對的軸是相同控制因子、相同誤差因子、相同 L18、相同望大特性這個實驗骨架，以及確認實驗的平均支數。在這條軸上，μ = 0.2 明顯最接近。μ = 0.3 的確認平均 9.33 支偏樂觀，μ = 0.4 的標準條件 5、7、6 已經離開實測第 2 水準 6、7、7。捨棄這兩個，不是因為利得小，是因為基準點對不上。

問	答
三篇論文的數字正確嗎	正確。與重算一致，沒有重大缺陷。
與實測實驗一致嗎	倒下球瓶數一致。SN 比的 dB 規約不同，不直接比較。
哪個 μ 最合理	μ = 0.2。基準完全吻合，最適平均支數也是 8.33。
該 μ 的最適控制是什麼	0° / 13.25 cm / 8 m/s / 16 lb / 10 rad/s。偏離口袋的 26.5 cm 捨棄。

2. 審查驗證了什麼

驗證分成四層。第一層是 logic.js 的直交表本身。讀標準 L18（2¹×3⁷）的 18 列，確認第 1 列為 2 水準、其後為 3 水準、各列水準出現次數相同、列 1 與列 2〜8 的直積均勻。內容與 tools/test_logic.js 的直交性檢查相同。

第二層是 campaign.json 的內部一致性。由各列 n₁,n₂,n₃ 獨立計算望大特性 η = −10 log₁₀[(1/n)Σ(1/yᵢ²)] 與靈敏度 S = 20 log₁₀(平均)，與檔案值相差小於 10⁻⁹。零支時為避免對數發散設下限 0.5 支。這次 54×3 條件沒有零支，下限沒有推動結果。

第三層是要因效果與加法模型。逐因子重算水準平均，確認總平均的偏差和等於預測 SN 比。μ = 0.2 預測 18.26 dB、確認 18.14 dB（差 −0.12 dB）。μ = 0.3 預測 17.95 dB、確認 19.25 dB（差 +1.30 dB）。μ = 0.4 預測 17.51 dB、確認 18.46 dB（差 +0.95 dB）。加法模型的偏差是交互作用的證據，不是計算錯誤的證據。

第四層是與案例研究_保齡球（篠原・種原, 2020）的比對。五個控制因子、水準、誤差因子 0.04/0.05/0.06、L18 配置與表 4 完全相同。不同的是物理引擎（3D 多體對 2D 圓盤碰撞）以及論文側 SN 比 dB 的規約。把案例表 5 用教科書望大特性重算，最佳是 No.9、最差是 No.18，與論文順位一致。Spearman 順位相關 0.89。dB 絕對值大約是兩倍，列與列的比率會晃。拿分貝橫向並排然後說「模擬比較弱」是錯的。看倒下球瓶數。

把控制因子、誤差因子、環境因子分開的 P-diagram。球道油量是誤差，球瓶−地板摩擦是這次的實驗因子。

3. 模擬模型的骨架

球道長 60 ft（18.288 m）、寬 41.5 in（1.055 m）、球半徑 0.109 m、球瓶間距 12 in（0.3048 m）、球瓶質量 1.53 kg。數值對齊 USBC 規格與案例研究的解析模型。球瓶在平面圖上是圓盤，倒下後升格為有限質量的動體去打鄰瓶。這是用二維粗略重現骨牌效應的設計。

鉤球是 a_hook = −C_HOOK · ω · μ_lane，縱向減速是 −μ_lane · g · 0.30。投出角度 1° 被縮小成實效 0.25°。這是用平面圖的微小角度去代替 3D 入射角 6° 口袋的係數，也是個別論文寫「角度 SN 比差很小」的原因。幾何被壓扁之後，角度因子的效果會比現實小。那不是缺陷，是二維化的代價。

球瓶傾倒閾值是 J_tip = m √(2 g r) · [1 + max(0, (μ_crit − μ_floor)/μ_crit)]，μ_crit = 0.25。地板摩擦越高越容易抓住並倒下。μ = 0.2 時閾值高於基準；μ = 0.3 與 0.4 已超過 μ_crit，閾值貼在下限。也就是說 μ = 0.3 與 0.4 的差別，不在傾倒判定本身，而在倒下之後的滑動、以及球在瓶台的阻力（μ_floor × 0.3）。

總平均 SN 比隨 μ 上升從 16.24 → 15.92 → 15.76 dB 略降。直覺以為閾值下降平均支數會增加，結果相反。高摩擦讓球瓶容易倒，同時也刹住倒下球瓶的滑行、縮短連鎖。球在瓶台上也多減速。環境因子不能讀成「越大越容易」。穩健設計對付的不是溫柔世界，是殘留變異的世界。

二維模型的誠實邊界再寫清楚。瓶高 15 in、底徑 4.75 in 的三維形狀被壓成半徑 6 cm 的圓盤。傾倒判定只用水平衝量，不看傾覆力矩繞哪一根底邊軸轉。所以「擦到瓶側、瓶先轉再倒」的路徑不存在。案例用軌道實驗同定阻尼，這裡用反發係數一次定死。μ 掃 0.2、0.3、0.4，不是為了補這段缺漏，而是問：在缺漏固定的前提下，哪一個地板摩擦會讓確認實驗的支數貼近 2020 年的數字。答案是 0.2。把缺漏誤認成 μ 的問題，會把下一步開發帶去錯的方向。

μ	J_tip (N·s)	總平均SN比 dB	平均倒下支數	確認SN比 dB
0.2	1.992	16.24	8.33	18.14
0.3	1.660	15.92	9.33	19.25
0.4	1.660	15.76	8.67	18.46

傾倒閾值在 μ=0.25 以上封頂。總平均 SN 比隨 μ 上升略降。

4. 品質工程的配置

控制因子是投出角度（0°/1°）、投出位置（0 / 13.25 / 26.5 cm）、球速（6/7/8 m/s）、球重（10/13/16 lb）、角速度（6/8/10 rad/s）。誤差因子是球道動摩擦 0.04/0.05/0.06。與案例研究相同。角速度的根據也相同，是包圍文獻一般值 10.8 rad/s 的三水準。

特性值是倒下球瓶數的望大特性。這是參數設計解析支援工具（塩沢, 2020）處理的靜特性之一。模擬器的 L18 畫面一次輸出直交表、SN 比、靈敏度、要因效果、最適水準、確認實驗、利得。把塩沢工具嵌在 Excel 裡的計算過程，在瀏覽器端重現。不用動特性（零點比例或標準 SN 比），因為沒有信號因子。

標準條件全是第 2 水準，也就是 1°、13.25 cm、7 m/s、13 lb、8 rad/s。確認實驗的對照永遠是這個點。最適水準是各因子取 SN 比最大的水準，把相對總平均的偏差相加得到預測 SN 比。這是教科書步驟：去打直交表裡沒出現的組合。

控制因子	第1水準	第2水準	第3水準
投出角度 (°)	0	1	—
投出位置 (cm)	0.0	13.25	26.5
球速 (m/s)	6	7	8
球重 (lb)	10	13	16
角速度 (rad/s)	6	8	10

5. μ = 0.2 的實驗結果

總平均 SN 比 16.24 dB。最適水準是角度 0°、位置 13.25 cm、球速 8 m/s、球重 16 lb、角速度 10 rad/s。預測 SN 比 18.26 dB。確認是 n = 10, 8, 7，平均 8.33 支，SN 比 18.14 dB，靈敏度 18.42 dB。標準條件是 n = 6, 7, 7，平均 6.67 支，SN 比 16.41 dB。利得 +1.73 dB、+1.67 支。

要因效果全距由大到小：位置最突出。13.25 cm 為 16.91 dB，0 cm 為 16.71 dB，26.5 cm 為 15.10 dB。太靠右就離開口袋，連鎖切斷。其次是球重（16 lb 最佳）、球速（8 m/s 突出，6 與 7 幾乎相同）、角速度（10 rad/s）、角度（0° 只好 0.43 dB）。

L18 原始資料最刺眼的是 No.6。角度 0°、位置 13.25 cm、球速 8 m/s、球重 16 lb、角速度 6 rad/s，n = 9, 9, 10，SN 比 19.37 dB，平均 9.33 支。比加法模型選出的最適（只把角速度升到 10）之確認 10, 8, 7 更好。交互作用出現了。田口手續不是「採用直交表最好的那一列」，而是「合成水準平均的山再確認」。確認已超過標準，手續成立。但若要拿到現場，No.6（不要把旋轉加過頭）也應並列為候選。

No.7（位置 26.5 cm、球速 6 m/s）是 5, 6, 5，SN 比 14.45 dB。接近外側補中的位置，在誤差三水準都接不起連鎖。位置因子全距大的理由，就寫在這一列。

No.	角度°	位置cm	球速m/s	球重lb	旋轉rad/s	n₁	n₂	n₃	SN比dB	靈敏度dB
1	0	0	6	10	6	7	6	7	16.41	16.48
2	0	0	7	13	8	7	7	6	16.41	16.48
3	0	0	8	16	10	9	7	6	16.95	17.31
4	0	13.25	6	10	8	6	6	8	16.25	16.48
5	0	13.25	7	13	10	7	7	8	17.26	17.31
6	0	13.25	8	16	6	9	9	10	19.37	19.40
7	0	26.5	6	13	6	5	6	5	14.45	14.54
8	0	26.5	7	16	8	5	7	7	15.70	16.03
9	0	26.5	8	10	10	6	5	7	15.32	15.56
10	1	0	6	16	10	9	8	6	17.31	17.69
11	1	0	7	10	6	6	6	6	15.56	15.56
12	1	0	8	13	8	8	7	8	17.64	17.69
13	1	13.25	6	13	10	8	8	6	17.06	17.31
14	1	13.25	7	16	6	6	6	6	15.56	15.56
15	1	13.25	8	10	8	7	6	6	15.97	16.03
16	1	26.5	6	16	8	7	7	4	14.63	15.56
17	1	26.5	7	10	10	6	6	6	15.56	15.56
18	1	26.5	8	13	6	5	6	6	14.97	15.07

三個 μ 的 L18 峰谷形狀幾乎相同。位置 26.5 cm 的列是谷，口袋附近是山。

6. μ = 0.3 的實驗結果

總平均 SN 比 15.92 dB。最適水準是角度 0°、位置 13.25 cm、球速 8 m/s、球重 13 lb、角速度 10 rad/s。相對 μ = 0.2，只改球重。確認是 n = 10, 10, 8，平均 9.33 支，SN 比 19.25 dB。標準再次是 6, 7, 7。利得 +2.85 dB、+2.67 支。三個條件裡確認平均支數最高。

預測 17.95 dB、確認 19.25 dB。比加法模型好 1.30 dB。往好處偏，所以不是「失敗」。因子間的相乘，不是平均效果相加能收完的。球重的水準平均是 13 lb 為 16.23 dB、16 lb 為 16.10 dB，只差 0.13 dB。μ = 0.2 時 16 lb 是明確的山。地板摩擦上升後，重球的推擠不再支配，倒下之後的運動才支配。

No.6 在這裡仍是 9, 9, 10。改了環境因子，這一列卻不動。口袋、高速、重球的組合，即使旋轉只有 6 rad/s，三個地板也打出相同的瓶動作。老實讀：二維模型的「打中」已經飽和。飽和的列不能拿來識別 μ。能識別的是標準條件，以及加法最適的確認。

No.	角度°	位置cm	球速m/s	球重lb	旋轉rad/s	n₁	n₂	n₃	SN比dB	靈敏度dB
1	0	0	6	10	6	7	6	6	15.97	16.03
2	0	0	7	13	8	7	6	6	15.97	16.03
3	0	0	8	16	10	9	6	6	16.45	16.90
4	0	13.25	6	10	8	6	6	8	16.25	16.48
5	0	13.25	7	13	10	8	8	7	17.64	17.69
6	0	13.25	8	16	6	9	9	10	19.37	19.40
7	0	26.5	6	13	6	5	6	5	14.45	14.54
8	0	26.5	7	16	8	5	7	5	14.75	15.07
9	0	26.5	8	10	10	6	4	7	14.33	15.07
10	1	0	6	16	10	9	7	6	16.95	17.31
11	1	0	7	10	6	6	6	6	15.56	15.56
12	1	0	8	13	8	8	6	9	17.31	17.69
13	1	13.25	6	13	10	8	8	6	17.06	17.31
14	1	13.25	7	16	6	5	5	6	14.45	14.54
15	1	13.25	8	10	8	6	6	6	15.56	15.56
16	1	26.5	6	16	8	7	7	4	14.63	15.56
17	1	26.5	7	10	10	5	6	6	14.97	15.07
18	1	26.5	8	13	6	6	5	6	14.97	15.07

預測 SN 比（加法）與確認實驗。μ=0.2 幾乎重合，μ=0.3 與 0.4 的確認高於預測。

7. μ = 0.4 的實驗結果

總平均 SN 比 15.76 dB，三條件最低。最適水準的形狀與 μ = 0.3 相同（0° / 13.25 cm / 8 m/s / 13 lb / 10 rad/s）。確認是 n = 10, 9, 7，平均 8.67 支，SN 比 18.46 dB。標準是 5, 7, 6，平均 6.00 支，SN 比 15.32 dB。dB 利得 +3.14 是三條件最大，那是因為標準沉下去了。最適的絕對值比 μ = 0.3 差。

確認的 10, 9, 7 與案例研究最適水準 D（把球速降到 6.1 m/s 的點）倒下支數數字相同。數字有趣，控制內容不同。案例的 D 是角度 1°、球速 6.1 m/s、球重 16 lb；這裡是角度 0°、球速 8 m/s、球重 13 lb。同一支數，用另一組槓桿打出來。不能把數字吻合讀成「同一現象」再拿去採用。

只有 μ = 0.4 的標準條件從 6, 7, 7 掉到 5, 7, 6。高摩擦瓶台上，第 2 水準的鉤球與球重變得過與不及。現實的第 2 水準仍是 6, 7, 7，所以 μ = 0.4 在基準點就已經偏離現實。

No.	角度°	位置cm	球速m/s	球重lb	旋轉rad/s	n₁	n₂	n₃	SN比dB	靈敏度dB
1	0	0	6	10	6	7	6	6	15.97	16.03
2	0	0	7	13	8	7	6	6	15.97	16.03
3	0	0	8	16	10	8	6	6	16.25	16.48
4	0	13.25	6	10	8	6	6	8	16.25	16.48
5	0	13.25	7	13	10	8	6	7	16.72	16.90
6	0	13.25	8	16	6	9	9	10	19.37	19.40
7	0	26.5	6	13	6	5	6	5	14.45	14.54
8	0	26.5	7	16	8	5	7	5	14.75	15.07
9	0	26.5	8	10	10	6	4	7	14.33	15.07
10	1	0	6	16	10	9	6	5	15.73	16.48
11	1	0	7	10	6	7	6	6	15.97	16.03
12	1	0	8	13	8	8	6	8	17.06	17.31
13	1	13.25	6	13	10	8	8	6	17.06	17.31
14	1	13.25	7	16	6	5	5	6	14.45	14.54
15	1	13.25	8	10	8	6	6	6	15.56	15.56
16	1	26.5	6	16	8	6	7	4	14.33	15.07
17	1	26.5	7	10	10	5	6	6	14.97	15.07
18	1	26.5	8	13	6	5	5	6	14.45	14.54

7.1 用手追 SN 比與靈敏度

望大特性是 η = −10 log₁₀[(1/n)Σ(1/yᵢ²)]。把 μ = 0.2 的標準條件 6, 7, 7 代入。1/36 + 1/49 + 1/49 = 0.068594。除以 n = 3 得 0.022865。−10 log₁₀(0.022865) = 16.408 dB。與 campaign.json 的 baselineConf.sn 一致。靈敏度是 20 log₁₀(6.666…) = 16.478 dB。平均越高靈敏度越高，變異越大 SN 比相對靈敏度越沉。

同一個 μ = 0.2 的確認 10, 8, 7：1/100 + 1/64 + 1/49 = 0.046033，除以 3 得 0.015344，η = 18.141 dB。與標準的差 1.733 dB 就是利得。平均 8.333 支、靈敏度 18.416 dB。SN 比與靈敏度的差，標準是 0.07 dB、最適是 0.28 dB。最適側變異略增。利得本體是平均墊高，不是削變異。與案例研究寫「變異會留下」的判斷同號。

把案例最適 B 的 7, 8, 10 套進同一式。1/49 + 1/64 + 1/100 = 0.046033。與 μ = 0.2 確認的 MSD 相同。因此 SN 比也是 18.141 dB。平均支數 (7+8+10)/3 = 8.333 也相同。三個數字的排列給出同一望大特性。選 μ = 0.2 的定量核心在這裡。不必去並排規約不同的案例表 10 的 36.6 dB。

零支下限 0.5 這次一次都沒觸發。若出現 4, 1, 0 這種列，會把 0 換成 0.5 再算 η。案例 No.18 是 4, 1, 5，沒有零。教科書式 4.35 dB，刊登值 3.35 dB。低支數側規約差會偏離比率 2。越是低支數的列，論文側換算看起來越不穩。所以比對用支數，不用 dB 絕對值。

加法模型預測是總平均 + Σ(最適水準平均 − 總平均)。μ = 0.2 為 16.242 + (16.455−16.242) + (16.910−16.242) + (16.702−16.242) + (16.586−16.242) + (16.576−16.242) = 18.261 dB。確認 18.141 dB 差 −0.12 dB，表示交互作用幾乎沒疊上去。μ = 0.3 的 +1.30 dB 相反，表示合成的水準比直交表平均效果更咬合。兩邊計算都閉合。預測與確認不一致本身不叫缺陷。把不一致的量寫下來，當下一次實驗的輸入。

8. 橫向讀三個 μ

把最適水準裡不動的與會動的分開。不動的是角度 0°、位置 13.25 cm、球速 8 m/s、角速度 10 rad/s。會動的只有球重：μ = 0.2 是 16 lb，μ = 0.3 與 0.4 是 13 lb。位置的谷（26.5 cm）在三個條件都深，全距之王永遠是位置。先把球送進口袋，地板摩擦還在後面。

球速在三個條件都是第 3 水準（8 m/s）為山，第 2 水準（7 m/s）接近谷。案例研究的最適 A 選 7 m/s。二維模型的減速項偏弱，快球比較能把能量留到瓶台。三維鉤球軌道裡，太快會彎不夠、鑽進口袋內側，故事相反。因此球速的山與案例錯開，用模型層級差來解釋。不是要改程式的缺陷。

若用利得絕對值比賽，μ = 0.4 會贏。把採用基準放在利得，就會讚美「標準很差的世界改善幅度大」。比對基準是：現實標準 6.67 支與現實最適 B 8.33 支，確認的絕對值有沒有落上去。

因子	μ	水準1	水準2	水準3	全距
投出角度 (°)	0.2	16.46	16.03	—	0.43
投出角度 (°)	0.3	16.13	15.72	—	0.41
投出角度 (°)	0.4	16.01	15.51	—	0.50
投出位置 (cm)	0.2	16.71	16.91	15.10	1.81
投出位置 (cm)	0.3	16.37	16.72	14.68	2.04
投出位置 (cm)	0.4	16.16	16.57	14.55	2.02
球速 (m/s)	0.2	16.02	16.01	16.70	0.69
球速 (m/s)	0.3	15.88	15.56	16.33	0.78
球速 (m/s)	0.4	15.63	15.47	16.17	0.70
球重 (lb)	0.2	15.84	16.30	16.59	0.74
球重 (lb)	0.3	15.44	16.23	16.10	0.79
球重 (lb)	0.4	15.51	15.95	15.81	0.44
角速度 (rad/s)	0.2	16.05	16.10	16.58	0.52
角速度 (rad/s)	0.3	15.79	15.74	16.23	0.49
角速度 (rad/s)	0.4	15.77	15.65	15.84	0.19

要因效果。位置 13.25 cm 在三條 μ 都是山，26.5 cm 是谷。只有球重的山會隨 μ 移動。

9. 與實測案例研究的比對

案例研究用通用軟體的 3D CAD 與多體動力學，接觸剛性 4.0×10⁸ N/m，阻尼由軌道碰撞實驗同定。阻尼 181〜190 N·s/m 時移動距離從 0.527 m 單調降到 0.511 m。這次的二維模型沒有阻尼同定，用反發係數 0.15（瓶與瓶）與 0.20（球−瓶）代替。物理解析度低一階。儘管如此，實驗的「問法」是對齊的。

案例表 5（L18 倒下球瓶）與模擬 18 列的平均絕對誤差，μ = 0.2 為 1.83 支、μ = 0.3 為 1.83 支、μ = 0.4 為 1.74 支。就列而言談不上接近。像 No.18 現實 4, 1, 5 那種崩壞列，模擬底在 5〜6 支，崩不深。二維骨牌不太會大失敗。用列單位 MAE 選 μ 是錯的，用確認實驗的對照點選。

現實第 2 水準是 6, 7, 7（平均 6.7 支）。μ = 0.2 與 0.3 的標準確認正好是 6, 7, 7。μ = 0.4 是 5, 7, 6。基準點對上的是 0.2 與 0.3。

現實最適 B 是 7, 8, 10（平均 8.3 支）。代入教科書望大特性得到 18.14 dB。μ = 0.2 的最適確認是 10, 8, 7（平均 8.33 支、SN 比 18.14 dB）。平均支數與 SN 比吻合，三個數字接近排列。μ = 0.3 的確認 10, 10, 8 平均 9.33 支，比現實樂觀。μ = 0.4 的 10, 9, 7 與最適 D 支數相同，但如上所述槓桿不同。

現實最適 A（SN 比最大）是 0° / 13.25 cm / 7 m/s / 16 lb / 10 rad/s。μ = 0.2 的加法最適只把球速換成 8 m/s。球重 16 lb 與角度 0° 留下的，只有 μ = 0.2。μ = 0.3 與 0.4 把球重降到 13 lb。案例讀成「重球＋高旋轉＋口袋」的故事，最接近的是 μ = 0.2。

案例因為最適 A 沒打進口袋，把角度升到 1°，再把球速降到 6.6、6.1 m/s 來修正偏內入射。二維模型裡角度實效只有 0.25 倍，重現不了那段微調。不把重現不了當成缺點，只對齊參數設計第一段（直交表→加法最適→確認）。第二段的軌道微調，是 3D 或真實球道的工作。

項目	n₁	n₂	n₃	平均倒下支數	SN比dB
實測第2水準	6	7	7	6.67	16.41
實測最適A	9	6	8	7.67	17.31
實測最適B	7	8	10	8.33	18.14
實測最適D	10	9	7	8.67	18.46
μ=0.2 標準（第2水準）	6	7	7	6.67	16.41
μ=0.2 最適水準	10	8	7	8.33	18.14
μ=0.3 標準（第2水準）	6	7	7	6.67	16.41
μ=0.3 最適水準	10	10	8	9.33	19.25
μ=0.4 標準（第2水準）	5	7	6	6.00	15.32
μ=0.4 最適水準	10	9	7	8.67	18.46

確認的倒下球瓶。μ=0.2 的平均 8.33 支疊上現實最適 B（8.3 支）。

9.1 不要直接使用案例的 SN 比 dB

案例表 5 刊登的 SN 比大約是教科書望大特性的兩倍。No.1 的 6, 3, 4 教科書式 11.73 dB、刊登 23.46 dB，比率正好 2。No.8 的 8, 10, 7 也是 18.14 dB 對 36.28 dB，正好 2。No.14 的 6, 7, 7 也是 16.41 dB 對 32.82 dB，正好 2。另一方面 No.16 的 2, 5, 10 教科書 10.00 dB、刊登 31.73 dB，比率 3.17。No.18 的 4, 1, 5 是 4.35 dB 對 3.35 dB，比率 0.77。低支數混進來的列，換算會崩。

模擬器的可靠性按鈕確認最佳列 No.9 與最差列 No.18 與論文順位一致。中段會對調。No.15（6, 7, 5）刊登 19.70 dB 是倒數第二，教科書式 15.32 dB 卻是中段。No.16（2, 5, 10）刊登 31.73 dB 是中上，教科書式 10.00 dB 是倒數第二。刊登值對混有 2 支的列過度評價。望大特性用 1/y² 重罰小的 y。有些列的刊登值看起來把這份懲罰變弱了。

個別論文沒有把案例 dB 與模擬 dB 並排。這是對的。整合時也不並排。並排的是支數，以及用同一公式重算的 SN 比。工具註記「約兩倍、順位一致」，在最佳與最差上站得住。若連中段都說「同一順位」，No.15 與 No.16 就說謊。把註記更新成「最佳與最差一致。中段順位相關 0.89」。這是文書修正，不是重算。

案例表 10 的確認實驗寫初期水準 SN 比 26.9 dB、最適 B 36.6 dB、利得 9.7 dB、橫轉球瓶 6.7 支到 8.3 支。同一組 6, 7, 7 與 7, 8, 10 套進教科書式得到 16.41 dB 與 18.14 dB，利得 1.73 dB。與 μ = 0.2 的確認利得 1.73 dB 數字重合。把重合對象從「刊登 dB」改成「同一公式的 dB」與「支數」的瞬間，就可以說模擬重現了案例的確認實驗。

10. 最合理的環境因子是 μ = 0.2

先寫選定基準。第一，標準條件的倒下球瓶與現實第 2 水準一致。第二，加法最適的確認平均接近現實最適 B。第三，被選出的控制水準接近案例最適 A。第四，離模型放置的木−木基準 μ_crit = 0.25 不遠。不用利得大小。

μ = 0.2 同時滿足四項。標準 6, 7, 7。確認平均 8.33 支。球重 16 lb、角度 0°、位置 13.25 cm、旋轉 10 rad/s。離 μ_crit 的距離是 0.05。

μ = 0.3 滿足第一基準，確認絕對值最高（9.33 支）。木材動摩擦取 0.3，教科書上也自然。但球重掉到 13 lb，確認比現實多 1 支。偏樂觀。物理「像不像」是 μ = 0.3 有利。實驗骨架的一致是 μ = 0.2 有利。這次的問題是後者：選最接近案例研究的世界。

捨棄 μ = 0.4。標準沉下去，球重的山與案例不同，傾倒閾值已經與 μ = 0.3 貼在同一下限。把 μ 升到 0.4 的意義只剩增加滑行阻力。那個效果把確認平均從 9.33 降到 8.67，也離開現實第 2 水準。

個別論文寫到「μ 會讓球重最適移動」就接近結尾。整合之後，會移動這件事本身就是識別資訊。球重的山還留在 16 lb 的世界，才是與案例故事相同的世界。那就是 μ = 0.2。

μ	標準（第2水準） n	最適水準 n	平均倒下支數利得	預測SN比 dB	確認SN比 dB	ΔdB
0.2	6,7,7	10,8,7	+1.67	18.26	18.14	-0.12
0.3	6,7,7	10,10,8	+2.67	17.95	19.25	+1.30
0.4	5,7,6	10,9,7	+2.67	17.51	18.46	+0.95

列單位 MAE 不用來識別 μ。用確認的絕對值與被選出的水準來選。

11. μ = 0.2 的最適控制條件

採用組合如下。投出角度 0°、投出位置 13.25 cm（口袋側）、球速 8 m/s、球重 16 lb、角速度 10 rad/s。對誤差因子 0.04/0.05/0.06 的確認是 10, 8, 7 支。平均 8.33 支。全倒（10 支）出現在油量較薄側（N₁）。油量較厚側（N₃）掉到 7 支。案例寫的「無法把變異完全壓死。之後只調球速」，在這裡也成立。

位置 13.25 cm 是必須。26.5 cm 在三個 μ 都是谷，沒有討論餘地。0 cm（中央）接近 13.25 cm，可當替代但不是山。離開口袋還「直線用力」，在這個模型裡也是敗因。

角度 0° 是 SN 比最大，但與 1° 只差 0.43 dB。真實球道上口袋的看起來不同，可以像案例一樣升到 1°。二維分解不了那差距。控制第一段採 0°，第二段依目視口袋允許 1°，這才務實。

球速 8 m/s 是模型內的山。案例的山是 7 m/s，之後降到 6.6 與 6.1。在二維裡盲信 8 m/s 帶去真實球道是危險的。採用組合裡「可以移植到真實球道的芯」是位置 13.25 cm、球重 16 lb、旋轉 10 rad/s。球速留給球道狀態當微調旋鈕。這是重用案例的結論，不是模擬新加的主張。

角速度 10 rad/s 在水準平均是山，但 L18 No.6（6 rad/s）在 μ = 0.2 超過確認最適。提高旋轉會增加鉤球，油厚時可能把口袋打到左側，這種交互作用值得懷疑。確認 10, 8, 7 的 7 支是 N₃，也符合這個懷疑。實務上把 10 rad/s 當上限，油厚的日子回到 6〜8 rad/s。不要過擬合直交表的一列，也不要無視。

球重 16 lb 就是 μ = 0.2 的識別本身。手撐不住 16 lb 就降到 13 lb。μ = 0.3 的世界裡 13 lb 是山，那一下並非毀滅。但這次選的世界（接近案例的 μ = 0.2）靠重球賺推擠。當成初學者教材，第一句寫「拿得動的最重」。

控制優先順序用因子全距切開。μ = 0.2 的全距是位置 1.81 dB、球速 0.69 dB、球重 0.74 dB、旋轉 0.52 dB、角度 0.43 dB。位置打偏的損失，其他四個因子全調到最適也補不回來。教材的第一張圖只要要因效果的位置面板。給 26.5 cm 的谷、13.25 cm 的山。球速與球重放第二張。

把確認 10, 8, 7 依誤差水準拆開。N₁（μ_lane=0.04）10 支、N₂ 8 支、N₃ 7 支。油越薄越接近全倒。鉤球與 μ_lane 成正比，油薄彎得少、油厚彎得多。最適的 0°、13.25 cm、8 m/s，可以讀成薄油打進口袋芯、厚油往左多餘。案例用降球速去對厚油，是為了增加彎度。二維也留下同一顆旋鈕。採用組合裡保留「速度快慢之後再降」，理由就是 N₃ 的 7 支。

標準條件 1°、13.25 cm、7 m/s、13 lb、8 rad/s，位置已經站在山上。改善本體是球速 7→8、球重 13→16、旋轉 8→10、角度 1→0 這四個。不是靠移動位置。這是已經進口袋的球，再把重量、速度、旋轉加碼的故事。初學者同時改位置又改速度，就分不清哪根槓桿有效。直交表教的順序是：先固定位置，再加碼其他。

控制因子	標準（第2水準）	實測最適A	實測最適B	μ=0.2	μ=0.3	μ=0.4
投出角度 (°)	1	0	1	0	0	0
投出位置 (cm)	13.25	13.25	13.25	13.25	13.25	13.25
球速 (m/s)	7	7	7	8	8	8
球重 (lb)	13	16	16	16	13	13
角速度 (rad/s)	8	10	10	10	10	10

最適水準。角度、位置、球速、旋轉不隨 μ 動。只有球重從 16 lb 移到 13 lb。

12. 解析支援工具的表與圖在說什麼

模擬器的「參數設計解析支援工具」畫面，把塩沢（2020）在 Excel 提供的流程，特化成倒下球瓶數的靜特性來實作。實驗條件只改 μ、投 54 次，同一畫面给出要因效果棒、最適水準、確認、以及與案例表 5 的順位核對。三篇論文的表 3〜表 6，就是把這個畫面的數字依 μ 抄下來。整合報告的表也是同一來源。

工具內的可靠性按鈕，把案例表 5 的 n₁,n₂,n₃ 套進教科書望大特性，看最佳列、最差列是否與論文順位一致。一致。dB 絕對值約為兩倍，工具自己有註記。規約差不破壞最適水準選定——最佳、最差都是 No.9 與 No.18，這個主張站得住。中段順位會對調（尤其 No.15 與 No.16）。不隱瞞中段對調，寫上順位相關 0.89。

要因效果圖的形狀在三個 μ 相似。位置的山與谷、球速第 3 水準、旋轉第 3 水準。三張相似的圖會讓讀者誤讀成「哪個都一樣」。一樣的是順位結構，不一樣的是球重的山與確認的絕對值。只引用工具的一張圖就結束，等於丟掉 μ 的識別。所以需要把三張疊在一起的圖。

靈敏度 S = 20 log₁₀(平均) 是平均支數的對數。很多列的 SN 比與靈敏度同向移動，利得的本體是平均墊高，不是把變異削掉。案例的確認也是平均從 6.7 支墊到 8.3 支為主，變異留下。工具並記 SN 比與靈敏度是對的。只看 SN 比就說「變穩健了」，會漏掉殘差那三支（N₃ 的 7 支）。

No.	n₁	n₂	n₃	刊登SN	教科書SN	比率
1	6	3	4	23.46	11.73	2.00
2	6	5	2	19.50	9.75	2.00
3	6	6	5	30.63	14.97	2.05
4	7	6	4	28.10	14.33	1.96
5	6	6	7	33.44	15.97	2.09
6	8	6	7	35.85	16.72	2.14
7	9	8	7	34.99	17.92	1.95
8	8	10	7	36.28	18.14	2.00
9	10	7	9	37.95	18.46	2.06
10	8	7	3	26.53	13.09	2.03
11	10	5	9	32.31	16.82	1.92
12	8	6	9	32.90	17.31	1.90
13	9	9	7	36.46	18.23	2.00
14	6	7	7	32.82	16.41	2.00
15	6	7	5	19.70	15.32	1.29
16	2	5	10	31.73	10.00	3.17
17	6	6	6	28.10	15.56	1.81
18	4	1	5	3.35	4.35	0.77

因子全距。位置永遠最大。角度最小。球重全距在 μ=0.2 相對較大。

13. 界限，以及下一步下手處

二維圓盤沒有球瓶起立、瓶的三維轉動、瓶台溝槽、油型的空間分布。列單位追不上案例表 5，就是這些缺漏的直接結果。用移動 μ 去填缺漏，是錯誤的補正。μ 是球瓶−地板摩擦，不是缺漏的 3D 轉動之代理變數。

角度實效係數 0.25 會把 1° 的效果縮小。案例在第二段升到 1° 的判斷，這個模型驗證不了。若要驗證，把 K_ANGLE 調回 1，或直接用瓶台座標指定入射位置，另做實驗。那不是重算，是另一個實驗。

L18 No.6 在三個 μ 都貼在 9, 9, 10，顯示模型解析度的上限。不要把飽和列讀成「重現很好」。飽和就是無法識別。若要提高解析度，不只記錄倒下支數，還要記錄 1 號瓶與 3 號瓶的入射座標，或留下的瓶號，加入特性值。望大特性的單一純量當教材夠用，當瓶動作診斷則不足。

不要把 SN 比 dB 與案例表 10（26.9 dB → 36.6 dB）並排。規約不同。可以並排的是支數。標準 6.7 支 → 最適 B 8.3 支，對上 μ = 0.2 的 6.67 支 → 8.33 支。當教材用這段吻合。當研究要走進 3D 時，先把阻尼同定與口袋入射角接回去。

利得。μ=0.4 的 dB 利得最大，是因為標準沉了。不當採用基準。

14. 處方

三篇論文的數字受理。系統不重算。環境因子採用 μ = 0.2。最適控制的芯是口袋（13.25 cm）、16 lb、高旋轉。球速在模型內是 8 m/s，真實球道則依案例當後段旋鈕。角度在 SN 比上是 0°，目視口袋需要時允許 1°。

當教材寫的句子要短。「油量怎麼變，先把球送進口袋。球拿得動的最重。旋轉偏多。速度快慢看球道再降」。這四句，就是 54×3 次模擬與 2020 年案例研究共用的內容。

下一步開發不是增加 μ。是記錄留下的瓶號，看 No.6 與加法最適的差發生在哪一瓶。看懂了，旋轉的交互作用就從推測變成設計輸入。

數字再寫一次，當作可貼在球袋上的便條。環境因子 μ = 0.2。控制：0°、13.25 cm、8 m/s、16 lb、10 rad/s。確認：10、8、7 支，平均 8.33。標準：6、7、7 支，平均 6.67。利得 +1.67 支、+1.73 dB。位置 26.5 cm 不要。球速拿到真實球道再降。角度若口袋看起來偏，允許改 1°。這張便條與 2020 年案例的確認實驗平均 8.3 支重疊。重疊的是支數，不是刊登的分貝。

L18 條件平均倒下球瓶數。現實第 2 水準 6.67 支的線，μ=0.2 與 0.3 的中央值貼著走。

參考文獻

篠原主熱・種原大智：〈以品質工程為基礎追求保齡球完美局的最適投球方法〉，《品質工程》Vol.28 No.5, 2020。
塩沢潤一：〈參數設計解析支援工具〉，《品質工程》Vol.28 No.3, 2020。
田口玄一：《品質工程的數理》。
Banerjee & McPhee, Procedia Engineering 72 (2014)。

ピンと床の摩擦係数 μ を変えたL18実験の統合査読

Ryuji Yabe — Fri, 04 Sep 2026 21:37:01 +0000

μ = 0.2 / 0.3 / 0.4 の数値実験は、現実の事例研究とどこまで一致するか

対象：論文ボウリング環境因子mu02 / mu03 / mu04、事例研究ボウリング（品質工学 Vol.28 No.5, 2020）、campaign.json、logic.js。日付：2026-09-05。

判定：再計算不要。もっともらしい環境因子は μ = 0.2。

3本の論文のSN比・感度・要因効果・最適水準・確認実験は、シミュレーション出力 campaign.json と完全に一致する。L18の割付けも標準直交表の第1〜第5列そのもので、望大特性の計算式も教科書どおりである。システムを作り直す理由はない。現実実験との照合はデシベルではなく倒ピン本数で行う。標準条件 6・7・7 本、確認平均 8.33 本、質量 16 lb、角度 0° が同時に合うのは μ = 0.2 だけである。その条件での最適制御は、角度 0°・位置 13.25 cm・球速 8 m/s・質量 16 lb・角速度 10 rad/s。

1. 先に結論を置く

3本の個別論文は、それぞれ環境因子（ピンと床の摩擦係数）を μ = 0.2、0.3、0.4 に固定して L18 直交表実験を走らせた記録である。数値の誤記、直交表の列ずれ、SN比の再計算不一致は見つからなかった。確認実験の利得も、標準条件からの差として正しく引かれている。

個別論文の書きぶりには軽いずれがある。角度のSN比差を「約 0.3 dB」と書いた箇所は、実測では 0.41〜0.50 dB である。また、事例研究のSN比最大点（最適水準A）は角度 0° であり、1° はポケットを狙うための後段チューニング（最適水準B）である。個別論文は 1° と対比して「事例と違う」と書いたが、SN比最大という手続きだけを見れば、シミュレーションも事例も 0° を選んでいる。これは文書の言い回しの問題で、実験のやり直し理由にはならない。

現実のマルチボディ解析と、今回の2次元インパルスモデルは物理の階層が違う。行ごとの倒ピン本数を一致させることは最初から期待できない。照合の軸は、同じ制御因子・同じ誤差因子・同じL18・同じ望大特性という実験骨格と、確認実験の平均本数である。その軸では μ = 0.2 が突出して近い。

問い	答え
3論文の数値は正しいか	正しい。再計算と一致し、重大な欠陥はない。
現実実験と整合するか	倒ピン本数で整合する。SN比のdB値は規約が違うので直接比較しない。
どの μ がもっともらしいか	μ = 0.2。基準が完全一致し、最適の平均本数も 8.33 で一致する。
その μ での最適制御は何か	0° / 13.25 cm / 8 m/s / 16 lb / 10 rad/s。ポケットを外した 26.5 cm は捨てる。

2. 査読で何を検証したか

検証は4層にした。第1層は logic.js の直交表そのもの。標準 L18（2¹×3⁷）の18行を読み、第1列が2水準、第2列以降が3水準、各列の水準が同数回現れ、列1と列2〜8の直積が均等であることを確認した。tools/test_logic.js の直交性チェックと同じ内容である。

第2層は campaign.json の内部一貫性。各行の n₁,n₂,n₃ から、望大特性 η = −10 log₁₀[(1/n)Σ(1/yᵢ²)] と感度 S = 20 log₁₀(平均) を独立に計算し、ファイル値と 10⁻⁹ 未満で一致した。ゼロ本は対数発散を避けるため 0.5 本の下限を置いている。今回の54×3条件にゼロ本は出ていないので、下限は結果を動かしていない。

第3層は要因効果と加法モデル。因子ごとに水準平均を取り直し、総平均からの偏差和が予測SN比になることを確認した。μ = 0.2 の予測 18.26 dB に対し確認は 18.14 dB（差 −0.12 dB）。μ = 0.3 は予測 17.95 dB に対し確認 19.25 dB（差 +1.30 dB）。μ = 0.4 は予測 17.51 dB に対し確認 18.46 dB（差 +0.95 dB）。加法モデルのずれは相互作用の証拠であり、計算ミスの証拠ではない。

第4層は事例研究_ボウリング（篠原・種原, 2020）との照合。制御因子5つ、水準、誤差因子 0.04/0.05/0.06、L18の割付けは表4と完全に同じである。違うのは物理エンジン（3Dマルチボディ対2D円盤衝突）と、論文側のSN比dBの規約である。事例の表5を教科書の望大特性で再計算すると、最良は No.9、最悪は No.18 で論文の順位と一致する。スピアマン順位相関は 0.89。dBの絶対値はおおよそ2倍で、行によって比率がぶれる。デシベルを横並びにして「シミュレーションは弱い」と言うのは誤りである。倒ピン本数で見る。

制御因子・誤差因子・環境因子を分けたP-diagram。レーンのオイルは誤差、ピン床摩擦は今回の実験因子。

3. シミュレーションモデルの骨格

レーン長 60 ft（18.288 m）、幅 41.5 in（1.055 m）、ボール半径 0.109 m、ピン間隔 12 in（0.3048 m）、ピン質量 1.53 kg。数値は USBC 規格と事例研究の解析モデルに合わせてある。ピンは平面図の円盤で、倒れたピンは有限質量の動体に昇格して隣のピンを叩く。ドミノを2次元で粗く再現する設計である。

フックは a_hook = −C_HOOK · ω · μ_lane、縦方向の減速は −μ_lane · g · 0.30。投出し角度 1° は実効 0.25° に縮小する。3Dの入射角 6° ポケットを、プランビューの微小角度で代用するための係数であり、個別論文が「角度のSN比差は小さい」と書いた理由でもある。幾何を潰している以上、角度因子の効果は現実より小さくなる。それは欠陥というより、2D化の代償である。

ピンの転倒しきい値は J_tip = m √(2 g r) · [1 + max(0, (μ_crit − μ_floor)/μ_crit)]、μ_crit = 0.25。床摩擦が高いほどグリップして倒れやすい。μ = 0.2 ではしきい値が基準より上がり、μ = 0.3 と 0.4 では μ_crit を超えるためしきい値は下限に張り付く。つまり μ = 0.3 と 0.4 の差は、転倒判定そのものではなく、倒れたあとの滑りとボールのピンデッキ抵抗（μ_floor × 0.3）に出る。

総平均SN比は μ を上げると 16.24 → 15.92 → 15.76 dB とわずかに下がる。転倒しきい値が下がれば平均本数は増えるはず、という直感には反する。高摩擦はピンを倒しやすくする一方で、倒れたピンの滑走を止め、連鎖を短くする。ボールもデッキ上で余分に減速する。環境因子を「大きいほど易しい」と読んではいけない。ロバスト設計の対象は、やさしい世界ではなく、ばらつきの残る世界である。

μ	J_tip (N·s)	総平均SN比 dB	平均倒ピン本数	確認SN比 dB
0.2	1.992	16.24	8.33	18.14
0.3	1.660	15.92	9.33	19.25
0.4	1.660	15.76	8.67	18.46

転倒しきい値は μ=0.25 以上で頭打ち。総平均SN比は μ 上昇とともにわずかに下がる。

4. 品質工学の割付け

制御因子は投出し角度（0°/1°）、投出し位置（0 / 13.25 / 26.5 cm）、球速（6/7/8 m/s）、ボール質量（10/13/16 lb）、角速度（6/8/10 rad/s）。誤差因子はレーン動摩擦 0.04/0.05/0.06。事例研究と同一である。角速度の根拠も同じで、文献の一般値 10.8 rad/s を囲む3水準である。

特性値は倒ピン本数の望大特性。パラメータ設計解析支援ツール（塩沢, 2020）が扱う静特性の一つであり、シミュレータのL18画面は直交表・SN比・感度・要因効果・最適水準・確認実験・利得を一括で出す。塩沢ツールがExcelに埋め込む計算過程を、ブラウザ側で再現している。動特性（0点比例や標準SN比）は使わない。信号因子がないからである。

標準条件はすべて第2水準、すなわち 1°・13.25 cm・7 m/s・13 lb・8 rad/s。確認実験の対照は常にこの点である。最適水準は各因子でSN比最大の水準を拾い、総平均からの偏差を足して予測SN比を出す加法モデルである。直交表に現れない組合せを確認で撃つ、という教科書の手順を踏んでいる。

制御因子	第1水準	第2水準	第3水準
投出し角度 (°)	0	1	—
投出し位置 (cm)	0.0	13.25	26.5
球速 (m/s)	6	7	8
ボール質量 (lb)	10	13	16
角速度 (rad/s)	6	8	10

5. μ = 0.2 の実験結果

総平均SN比は 16.24 dB。最適水準は角度 0°、位置 13.25 cm、球速 8 m/s、質量 16 lb、角速度 10 rad/s。予測SN比 18.26 dB。確認は n = 10, 8, 7、平均 8.33 本、SN比 18.14 dB、感度 18.42 dB。標準条件は n = 6, 7, 7、平均 6.67 本、SN比 16.41 dB。利得は +1.73 dB、+1.67 本。

要因効果のレンジを大きい順に読む。位置が突出して効く。13.25 cm が 16.91 dB、0 cm が 16.71 dB、26.5 cm が 15.10 dB。右に出し過ぎるとポケットを外し、連鎖が切れる。次が質量（16 lb が最良）、球速（8 m/s が飛び抜け、6 と 7 はほぼ同じ）、角速度（10 rad/s）、角度（0° が 0.43 dB だけ良い）。

L18の生データで目を引くのは No.6 である。角度 0°・位置 13.25 cm・球速 8 m/s・質量 16 lb・角速度 6 rad/s で n = 9, 9, 10、SN比 19.37 dB、平均 9.33 本。加法モデルが選んだ最適（角速度だけ 10 に上げた点）の確認 10, 8, 7 より良い。相互作用が出ている。タグチの手続きは「直交表の最良行を採用する」ではなく「水準平均の山を合成して確認する」。確認は標準を上回ったので手続きは成立している。ただし現場に出すなら、No.6（回転を上げ過ぎない）も並記すべき候補である。

No.7（位置 26.5 cm、球速 6 m/s）は 5, 6, 5 でSN比 14.45 dB。外側スペア狙いに近い位置は、誤差の3水準すべてで連鎖しない。位置因子のレンジが大きい理由が、この行にそのまま出ている。

No.	角度°	位置cm	球速m/s	質量lb	回転rad/s	n₁	n₂	n₃	SN比dB	感度dB
1	0	0	6	10	6	7	6	7	16.41	16.48
2	0	0	7	13	8	7	7	6	16.41	16.48
3	0	0	8	16	10	9	7	6	16.95	17.31
4	0	13.25	6	10	8	6	6	8	16.25	16.48
5	0	13.25	7	13	10	7	7	8	17.26	17.31
6	0	13.25	8	16	6	9	9	10	19.37	19.40
7	0	26.5	6	13	6	5	6	5	14.45	14.54
8	0	26.5	7	16	8	5	7	7	15.70	16.03
9	0	26.5	8	10	10	6	5	7	15.32	15.56
10	1	0	6	16	10	9	8	6	17.31	17.69
11	1	0	7	10	6	6	6	6	15.56	15.56
12	1	0	8	13	8	8	7	8	17.64	17.69
13	1	13.25	6	13	10	8	8	6	17.06	17.31
14	1	13.25	7	16	6	6	6	6	15.56	15.56
15	1	13.25	8	10	8	7	6	6	15.97	16.03
16	1	26.5	6	16	8	7	7	4	14.63	15.56
17	1	26.5	7	10	10	6	6	6	15.56	15.56
18	1	26.5	8	13	6	5	6	6	14.97	15.07

3つの μ でL18の山谷の形はほぼ同じ。位置 26.5 cm の行が谷、ポケット付近が山。

6. μ = 0.3 の実験結果

総平均SN比は 15.92 dB。最適水準は角度 0°、位置 13.25 cm、球速 8 m/s、質量 13 lb、角速度 10 rad/s。μ = 0.2 から変わるのは質量だけである。確認は n = 10, 10, 8、平均 9.33 本、SN比 19.25 dB。標準は再び 6, 7, 7。利得は +2.85 dB、+2.67 本。3条件のうち確認の平均本数が最も高い。

予測 17.95 dB に対し確認 19.25 dB。加法モデルより 1.30 dB 良い。良い方向のずれなので「失敗」ではない。因子間の相乗が、平均効果の足し算では拾いきれていない。質量の水準平均は 13 lb が 16.23 dB、16 lb が 16.10 dB で差は 0.13 dB しかない。μ = 0.2 では 16 lb が明確に山だった。床摩擦が上がると、重い球の押し込みより、倒れたあとの動きの方が支配的になる。

No.6 はここでも 9, 9, 10 である。環境因子を変えてもこの1行が動かない。ポケット・高速・重球の組み合わせは、回転が 6 rad/s でも3つの床で同じピンアクションを出す。2Dモデルの「当たり」が飽和している、と読むのが正直である。飽和している行は、μ の識別には使えない。識別に使えるのは、標準条件と、加法最適の確認である。

No.	角度°	位置cm	球速m/s	質量lb	回転rad/s	n₁	n₂	n₃	SN比dB	感度dB
1	0	0	6	10	6	7	6	6	15.97	16.03
2	0	0	7	13	8	7	6	6	15.97	16.03
3	0	0	8	16	10	9	6	6	16.45	16.90
4	0	13.25	6	10	8	6	6	8	16.25	16.48
5	0	13.25	7	13	10	8	8	7	17.64	17.69
6	0	13.25	8	16	6	9	9	10	19.37	19.40
7	0	26.5	6	13	6	5	6	5	14.45	14.54
8	0	26.5	7	16	8	5	7	5	14.75	15.07
9	0	26.5	8	10	10	6	4	7	14.33	15.07
10	1	0	6	16	10	9	7	6	16.95	17.31
11	1	0	7	10	6	6	6	6	15.56	15.56
12	1	0	8	13	8	8	6	9	17.31	17.69
13	1	13.25	6	13	10	8	8	6	17.06	17.31
14	1	13.25	7	16	6	5	5	6	14.45	14.54
15	1	13.25	8	10	8	6	6	6	15.56	15.56
16	1	26.5	6	16	8	7	7	4	14.63	15.56
17	1	26.5	7	10	10	5	6	6	14.97	15.07
18	1	26.5	8	13	6	6	5	6	14.97	15.07

予測SN比（加法）と確認実験。μ=0.2 はほぼ一致、μ=0.3 と 0.4 は確認が予測を上回る。

7. μ = 0.4 の実験結果

総平均SN比は 15.76 dB で3条件の最低。最適水準の形は μ = 0.3 と同じ（0° / 13.25 cm / 8 m/s / 13 lb / 10 rad/s）。確認は n = 10, 9, 7、平均 8.67 本、SN比 18.46 dB。標準は 5, 7, 6、平均 6.00 本、SN比 15.32 dB。利得のdBは +3.14 で3条件最大だが、これは標準が沈んだためである。最適の絶対値は μ = 0.3 より劣る。

確認の 10, 9, 7 は、事例研究の最適水準D（球速を 6.1 m/s まで落とした点）の倒ピン本数と数字が一致する。一致は興味深いが、制御の中身が違う。事例のDは角度 1°・球速 6.1 m/s・質量 16 lb、こちらは角度 0°・球速 8 m/s・質量 13 lb。同じ本数を、別のレバーで出している。数字の一致を「同じ現象」と読んで採用してはいけない。

標準条件が 6, 7, 7 から 5, 7, 6 に落ちるのは、μ = 0.4 だけである。高摩擦のデッキで、第2水準のフックと質量が過不足になる。現実の第2水準は 6, 7, 7 のままなので、μ = 0.4 は基準点ですでに現実から外れる。

No.	角度°	位置cm	球速m/s	質量lb	回転rad/s	n₁	n₂	n₃	SN比dB	感度dB
1	0	0	6	10	6	7	6	6	15.97	16.03
2	0	0	7	13	8	7	6	6	15.97	16.03
3	0	0	8	16	10	8	6	6	16.25	16.48
4	0	13.25	6	10	8	6	6	8	16.25	16.48
5	0	13.25	7	13	10	8	6	7	16.72	16.90
6	0	13.25	8	16	6	9	9	10	19.37	19.40
7	0	26.5	6	13	6	5	6	5	14.45	14.54
8	0	26.5	7	16	8	5	7	5	14.75	15.07
9	0	26.5	8	10	10	6	4	7	14.33	15.07
10	1	0	6	16	10	9	6	5	15.73	16.48
11	1	0	7	10	6	7	6	6	15.97	16.03
12	1	0	8	13	8	8	6	8	17.06	17.31
13	1	13.25	6	13	10	8	8	6	17.06	17.31
14	1	13.25	7	16	6	5	5	6	14.45	14.54
15	1	13.25	8	10	8	6	6	6	15.56	15.56
16	1	26.5	6	16	8	6	7	4	14.33	15.07
17	1	26.5	7	10	10	5	6	6	14.97	15.07
18	1	26.5	8	13	6	5	5	6	14.45	14.54

7.1 SN比と感度を手で追う

望大特性は η = −10 log₁₀[(1/n)Σ(1/yᵢ²)] である。μ = 0.2 の標準条件 6, 7, 7 を代入する。1/36 + 1/49 + 1/49 = 0.068594。n = 3 で割ると 0.022865。−10 log₁₀(0.022865) = 16.408 dB。campaign.json の baselineConf.sn と一致する。感度は 20 log₁₀(6.666…) = 16.478 dB。平均が高いほど感度は上がり、ばらつきが大きいほどSN比は感度より沈む。

同じ μ = 0.2 の確認 10, 8, 7 では 1/100 + 1/64 + 1/49 = 0.046033、割る3で 0.015344、η = 18.141 dB。標準との差 1.733 dB が利得である。平均は 8.333 本で感度 18.416 dB。SN比と感度の差は標準で 0.07 dB、最適で 0.28 dB。ばらつきは最適側でやや増えている。利得の本体は平均の底上げで、ばらつき削減ではない。事例研究が「ばらつきは残る」と書いた判断と、符号が同じである。

事例の最適B 7, 8, 10 を同じ式に入れる。1/49 + 1/64 + 1/100 = 0.046033。μ = 0.2 の確認と同じ MSD である。だからSN比も 18.141 dB で一致する。平均本数も (7+8+10)/3 = 8.333 で一致する。3つの数字の並べ替えが、同じ望大特性を与える。μ = 0.2 を選ぶ定量的な核がここにある。dB規約の違う事例表10の 36.6 dB と並べる必要はない。

ゼロ本の下限 0.5 は、今回一度も発動していない。仮に 4, 1, 0 のような行が出れば、0 を 0.5 に置き換えて η を計算する。事例の No.18 は 4, 1, 5 でゼロはない。教科書式では 4.35 dB、事例掲載値は 3.35 dB。低本数側で規約差が比率2から外れる。低本数の行ほど、論文側の換算が不安定に見える。だから照合は本数で行い、dBの絶対値で行わない。

加法モデルの予測は、総平均 + Σ(最適水準平均 − 総平均) である。μ = 0.2 では 16.242 + (16.455−16.242) + (16.910−16.242) + (16.702−16.242) + (16.586−16.242) + (16.576−16.242) = 18.261 dB。確認 18.141 dB との差 −0.12 dB は、相互作用がほとんど乗っていないことを示す。μ = 0.3 の +1.30 dB は逆に、合成した水準が直交表の平均効果以上に噛み合ったことを示す。どちらも計算は閉じている。予測と確認が一致しないこと自体を欠陥と呼ばない。一致しない量を書いて、次の実験の入力にする。

8. 3つの μ を横断して読む

最適水準で動かないものと動くものを分ける。動かないのは角度 0°、位置 13.25 cm、球速 8 m/s、角速度 10 rad/s。動くのは質量だけで、μ = 0.2 が 16 lb、μ = 0.3 と 0.4 が 13 lb。位置の谷（26.5 cm）は3条件すべてで深く、レンジの王者は常に位置である。ポケットへ入れることが、床摩擦より先に来る。

球速は3条件とも第3水準（8 m/s）が山で、第2水準（7 m/s）が谷に近い。事例研究の最適Aは 7 m/s を選んだ。2Dモデルは減速項が弱く、速い球の方がピンデッキまでエネルギーを残す。3Dのフック軌道では、速すぎると曲がりが足りずポケットの内側に入る、という逆の物語がある。だから球速の山が事例とずれるのは、モデル階層の差として説明する。欠陥としてコードを書き換える対象ではない。

利得を絶対値で競わせると μ = 0.4 が勝つ。採用の基準を利得に置くと、標準が悪い世界を「改善幅が大きい」と褒める誤りを犯す。照合の基準は、現実の標準 6.67 本と現実の最適B 8.33 本に、確認の絶対値が乗るかである。

因子	μ	水準1	水準2	水準3	レンジ
投出し角度 (°)	0.2	16.46	16.03	—	0.43
投出し角度 (°)	0.3	16.13	15.72	—	0.41
投出し角度 (°)	0.4	16.01	15.51	—	0.50
投出し位置 (cm)	0.2	16.71	16.91	15.10	1.81
投出し位置 (cm)	0.3	16.37	16.72	14.68	2.04
投出し位置 (cm)	0.4	16.16	16.57	14.55	2.02
球速 (m/s)	0.2	16.02	16.01	16.70	0.69
球速 (m/s)	0.3	15.88	15.56	16.33	0.78
球速 (m/s)	0.4	15.63	15.47	16.17	0.70
ボール質量 (lb)	0.2	15.84	16.30	16.59	0.74
ボール質量 (lb)	0.3	15.44	16.23	16.10	0.79
ボール質量 (lb)	0.4	15.51	15.95	15.81	0.44
角速度 (rad/s)	0.2	16.05	16.10	16.58	0.52
角速度 (rad/s)	0.3	15.79	15.74	16.23	0.49
角速度 (rad/s)	0.4	15.77	15.65	15.84	0.19

要因効果。位置 13.25 cm が3本の μ で山、26.5 cm が谷。質量の山だけが μ で移る。

9. 現実の事例研究との照合

事例研究は汎用ソフトの3D CADとマルチボディで、接触剛性 4.0×10⁸ N/m、減衰をレール衝突実験から同定している。減衰 181〜190 N·s/m で移動距離が 0.527 m から 0.511 m へ単調に減る。今回の2Dモデルに減衰同定はない。反発係数 0.15（ピン同士）と 0.20（ボール−ピン）で代用している。物理の解像度は一段落ちる。そのうえで、実験の「問い方」は揃えている。

事例の表5（L18の倒ピン）と、シミュレーション18行の平均絶対誤差は、μ = 0.2 で 1.83 本、μ = 0.3 で 1.83 本、μ = 0.4 で 1.74 本。行単位ではどれも近いとは言えない。No.18 の現実 4, 1, 5 のような崩壊行は、シミュレーションでは 5〜6 本で底が浅い。2Dのドミノは大失敗をあまり出さない。行単位MAEで μ を選ぶのは誤りで、確認実験の対照点で選ぶ。

現実の第2水準は 6, 7, 7（平均 6.7 本）。μ = 0.2 と 0.3 の標準確認がまさに 6, 7, 7 である。μ = 0.4 は 5, 7, 6。基準点が合うのは 0.2 と 0.3。

現実の最適Bは 7, 8, 10（平均 8.3 本）。教科書の望大特性に入れると 18.14 dB。μ = 0.2 の最適確認は 10, 8, 7（平均 8.33 本、SN比 18.14 dB）。平均本数とSN比が一致し、3つの数字は並べ替えに近い。μ = 0.3 の確認 10, 10, 8 は平均 9.33 本で現実より楽観的。μ = 0.4 の 10, 9, 7 は最適Dの本数と一致するが、上に書いたとおりレバーが違う。

現実の最適A（SN比最大）は 0° / 13.25 cm / 7 m/s / 16 lb / 10 rad/s。μ = 0.2 の加法最適は球速だけ 8 m/s に置き換わった形である。質量 16 lb と角度 0° が残るのは μ = 0.2 だけ。μ = 0.3 と 0.4 は質量を 13 lb に落とす。事例が「重球＋高回転＋ポケット」と読んだ物語に、μ = 0.2 が一番近い。

事例は最適Aではポケットを外したため角度を 1° に上げ、さらに球速を 6.6、6.1 m/s へ落として内側入射を補正した。2Dモデルでは角度の実効が 0.25 倍なので、そのチューニングを再現しない。再現しないことを欠点とせず、パラメータ設計の第1段（直交表→加法最適→確認）だけを突き合わせる。第2段の軌道微調整は、3Dか実レーンでやる仕事である。

項目	n₁	n₂	n₃	平均倒ピン本数	SN比dB
現実第2水準	6	7	7	6.67	16.41
現実最適A	9	6	8	7.67	17.31
現実最適B	7	8	10	8.33	18.14
現実最適D	10	9	7	8.67	18.46
μ=0.2 標準（第2水準）	6	7	7	6.67	16.41
μ=0.2 最適水準	10	8	7	8.33	18.14
μ=0.3 標準（第2水準）	6	7	7	6.67	16.41
μ=0.3 最適水準	10	10	8	9.33	19.25
μ=0.4 標準（第2水準）	5	7	6	6.00	15.32
μ=0.4 最適水準	10	9	7	8.67	18.46

確認の倒ピン。μ=0.2 の平均 8.33 本が現実の最適B（8.3 本）に重なる。

9.1 事例のSN比dBをそのまま使わない

事例表5の掲載SN比は、教科書の望大特性のおよそ2倍である。No.1 の 6, 3, 4 は教科書式 11.73 dB、掲載 23.46 dB で比率ちょうど2。No.8 の 8, 10, 7 も 18.14 dB に対し 36.28 dB でちょうど2。No.14 の 6, 7, 7 も 16.41 dB に対し 32.82 dB でちょうど2。一方 No.16 の 2, 5, 10 は教科書 10.00 dB、掲載 31.73 dB で比率 3.17。No.18 の 4, 1, 5 は 4.35 dB 対 3.35 dB で比率 0.77。低本数が混ざる行で換算が崩れる。

シミュレータの信頼性ボタンは、最良行 No.9 と最悪行 No.18 が論文順位と一致することを確認する。中位は入れ替わる。No.15（6, 7, 5）は掲載 19.70 dB で下から2番目だが、教科書式では 15.32 dB で中位である。No.16（2, 5, 10）は掲載 31.73 dB で中の上、教科書式では 10.00 dB で下から2番目。2本が混ざる行を、掲載値が過大評価している。望大特性は小さい y を 1/y² で強く罰する。掲載値がその罰を弱めているように見える行がある。

個別論文は事例のdBとシミュレーションのdBを並べていない。正しい。統合でも並べない。並べるのは本数と、同じ式で計算し直したSN比である。ツールが「約2倍、順位は一致」と注記した判断は、最良・最悪については支持できる。中位まで「同じ順位」と言い切ると、No.15 と No.16 で嘘になる。注記を「最良と最悪は一致。中位の順位相関は 0.89」に更新する。これは文書修正であり、再計算ではない。

事例表10の確認実験は、初期水準 SN比 26.9 dB、最適B 36.6 dB、利得 9.7 dB、横転ピン 6.7 本から 8.3 本と書く。同じ 6, 7, 7 と 7, 8, 10 を教科書式に入れると 16.41 dB と 18.14 dB、利得 1.73 dB。μ = 0.2 の確認利得 1.73 dB と数字が重なる。重なる対象を「掲載dB」から「同じ式のdB」と「本数」に移した瞬間に、シミュレーションは事例の確認実験を再現している、と言える。

10. もっともらしい環境因子は μ = 0.2

選定基準を明示する。第1に、標準条件の倒ピンが現実の第2水準と一致すること。第2に、加法最適の確認平均が現実の最適Bに近いこと。第3に、選ばれる制御水準が事例の最適Aに近いこと。第4に、モデルが置いた木−木の基準 μ_crit = 0.25 から遠くないこと。利得の大きさは使わない。

μ = 0.2 は4つを同時に満たす。標準 6, 7, 7。確認平均 8.33 本。質量 16 lb、角度 0°、位置 13.25 cm、回転 10 rad/s。μ_crit からの距離は 0.05。

μ = 0.3 は第1基準を満たし、確認の絶対値は最も高い（9.33 本）。木の運動摩擦として 0.3 は教科書的にも自然である。ただし質量が 13 lb に落ち、確認が現実より1本多い。楽観側である。物理の「らしさ」では μ = 0.3 に分がある。実験骨格との一致では μ = 0.2 に分がある。今回の問いは後者である。事例研究に一番近い世界を選べ、という問いだからである。

μ = 0.4 は捨てる。標準が沈み、質量の山が事例と違い、転倒しきい値はすでに μ = 0.3 と同じ下限に張り付いている。μ を 0.4 まで上げる意味は、滑走抵抗を増やすことだけになる。その効果は確認の平均を 9.33 から 8.67 へ下げ、現実の第2水準からも離す。

個別論文は「μ によって質量の最適が移る」と書いて終わりに近い。統合すると、移るということ自体が識別情報になる。質量の山が 16 lb に残っている世界が、事例の物語と同じ世界である。それが μ = 0.2 である。

μ	標準（第2水準） n	最適水準 n	平均倒ピン本数利得	予測SN比 dB	確認SN比 dB	ΔdB
0.2	6,7,7	10,8,7	+1.67	18.26	18.14	-0.12
0.3	6,7,7	10,10,8	+2.67	17.95	19.25	+1.30
0.4	5,7,6	10,9,7	+2.67	17.51	18.46	+0.95

行単位MAEは μ の識別に使わない。確認の絶対値と選ばれた水準で選ぶ。

11. μ = 0.2 での最適制御条件

採用セットは次である。投出し角度 0°、投出し位置 13.25 cm（ポケット側）、球速 8 m/s、ボール質量 16 lb、角速度 10 rad/s。誤差因子 0.04/0.05/0.06 に対する確認は 10, 8, 7 本。平均 8.33 本。ストライク（10本）はオイルが薄い側（N₁）で出る。オイルが厚い側（N₃）では7本まで落ちる。事例が「完全にはばらつきを潰せない。球速だけ後でチューニングする」と書いた結論は、ここでも成立する。

位置 13.25 cm は必須である。26.5 cm は3つの μ すべてで谷であり、議論の余地がない。0 cm（中央）は 13.25 cm に近く、代替にはなるが山ではない。ポケットを外して「まっすぐ強く」は、このモデルでも負け因子である。

角度 0° はSN比最大だが、1° との差は 0.43 dB しかない。実レーンでポケットの見え方が違うなら、事例と同じく 1° へ上げてよい。2Dではその差を分解できない。制御の第一段では 0° を採り、第二段で目視のポケットに合わせて 1° を許可する、が実務的である。

球速 8 m/s はモデル内の山である。事例は 7 m/s を山とし、その後 6.6 と 6.1 へ下げた。2Dで 8 m/s を盲信して実レーンに持ち込むのは危険である。採用セットのうち「実レーンへ移植してよい芯」は、位置 13.25 cm、質量 16 lb、回転 10 rad/s である。球速はレーンコンディションのチューニングノブとして残す。これが事例の結論の再利用であり、シミュレーションが新しく付け足した主張ではない。

角速度 10 rad/s は水準平均では山だが、L18 No.6（6 rad/s）が μ = 0.2 で確認最適を上回った。回転を上げるとフックが増え、オイル厚い側でポケットを左に外す、という相互作用が疑われる。確認 10, 8, 7 の 7 本が N₃ であることも、その疑いに合う。実務では 10 rad/s を上限とし、オイルが厚い日は 6〜8 rad/s へ戻す。直交表の1行を過学習してはいけないが、無視もしない。

質量 16 lb は μ = 0.2 の識別そのものである。手が16 lb を扱えない場合は 13 lb へ落とす。μ = 0.3 の世界では 13 lb が山なので、その落ちは破滅ではない。ただし今回選んだ世界（事例に近い μ = 0.2）では、重い球が押し込みを稼ぐ。初心者向け教材として「持てる最重」を第一に書く。

制御の優先順位を、因子レンジで切る。μ = 0.2 のレンジは位置 1.81 dB、球速 0.69 dB、質量 0.74 dB、回転 0.52 dB、角度 0.43 dB。位置を外す損失は、他の4因子を全部最適にしても埋まらない。教材の最初の図は要因効果の位置パネルだけでよい。26.5 cm の谷を見せ、13.25 cm の山を見せる。球速と質量は二枚目である。

確認 10, 8, 7 を誤差水準に分解する。N₁（μ_lane=0.04）で10本、N₂ で8本、N₃ で7本。オイルが薄いほどストライクに近い。フックは μ_lane に比例するので、オイルが薄いと曲がりが小さく、厚いと大きい。最適の 0°・13.25 cm・8 m/s は、薄いオイルでポケットの芯を叩き、厚いオイルで左に余る、という読みができる。事例が球速を落とす方向で厚いオイルに合わせたのは、曲がりを増やすためである。2Dでも同じノブが残っている。採用セットに「速さは後で落とす」を残す理由が、N₃ の7本である。

標準条件 1°・13.25 cm・7 m/s・13 lb・8 rad/s は、位置だけはすでに山の上にいる。改善の本体は球速 7→8、質量 13→16、回転 8→10、角度 1→0 の4つである。位置を動かす改善ではない。ポケットに入っている球の、重さ・速さ・回転を盛る話である。初心者が位置も速さも同時にいじると、どのレバーが効いたか分からなくなる。直交表が教えてくれる順番は、位置を固定してから他を盛れ、である。

制御因子	標準（第2水準）	現実最適A	現実最適B	μ=0.2	μ=0.3	μ=0.4
投出し角度 (°)	1	0	1	0	0	0
投出し位置 (cm)	13.25	13.25	13.25	13.25	13.25	13.25
球速 (m/s)	7	7	7	8	8	8
ボール質量 (lb)	13	16	16	16	13	13
角速度 (rad/s)	8	10	10	10	10	10

最適水準。角度・位置・球速・回転は μ で動かない。質量だけが 16 lb から 13 lb へ移る。

12. 解析支援ツールの表とグラフが示していること

シミュレータの「パラメータ設計解析支援ツール」画面は、塩沢（2020）がExcelで提供した流れを、倒ピン本数の静特性に特化して実装している。実験条件を μ だけ変えて54投し、要因効果の棒、最適水準、確認、事例表5との順位照合までを同一画面に出す。3論文の表3〜表6は、この画面の数値を μ ごとに書き起こしたものである。統合レポートの表も同じソースである。

ツール内の信頼性ボタンは、事例表5の n₁,n₂,n₃ に教科書の望大特性を適用し、最良行・最悪行が論文の順位と一致するかを見る。一致する。dBの絶対値が約2倍になることはツール自身が注記している。規約差は最適水準の選定を壊さない、という主張は、最良・最悪が No.9 と No.18 で揃っている以上、支持できる。中位の順位は入れ替わる（とくに No.15 と No.16）。中位の入れ替わりを隠さず、順位相関 0.89 と書いておく。

要因効果図の形は3つの μ で相似である。位置の山と谷、球速の第3水準、回転の第3水準。相似な図が3枚あるとき、読者は「どれでも同じ」と誤読する。同じなのは順位構造で、違うのは質量の山と、確認の絶対値である。ツールのグラフを1枚だけ引用して終わると、μ の識別を捨てることになる。3枚を重ねた図が必要な理由がそこにある。

感度 S = 20 log₁₀(平均) は、平均本数の対数である。SN比と感度が同じ方向に動く行が多く、ばらつきの削減より平均の底上げが利得の本体である。事例の確認も平均 6.7 本から 8.3 本への底上げが主で、ばらつきは残った。ツールがSN比と感度を併記しているのは正しい。SN比だけ見て「ロバストになった」と言い切ると、残差の3本（N₃ の7本）を見落とす。

No.	n₁	n₂	n₃	掲載SN	教科書SN	比率
1	6	3	4	23.46	11.73	2.00
2	6	5	2	19.50	9.75	2.00
3	6	6	5	30.63	14.97	2.05
4	7	6	4	28.10	14.33	1.96
5	6	6	7	33.44	15.97	2.09
6	8	6	7	35.85	16.72	2.14
7	9	8	7	34.99	17.92	1.95
8	8	10	7	36.28	18.14	2.00
9	10	7	9	37.95	18.46	2.06
10	8	7	3	26.53	13.09	2.03
11	10	5	9	32.31	16.82	1.92
12	8	6	9	32.90	17.31	1.90
13	9	9	7	36.46	18.23	2.00
14	6	7	7	32.82	16.41	2.00
15	6	7	5	19.70	15.32	1.29
16	2	5	10	31.73	10.00	3.17
17	6	6	6	28.10	15.56	1.81
18	4	1	5	3.35	4.35	0.77

因子レンジ。位置が常に最大。角度は最小。質量のレンジは μ=0.2 で相対的に大きい。

13. 限界と、次に手を付ける場所

2D円盤はピンの起き上がり、スキットルの3次元回転、ピンデッキの溝、オイルパターンの空間分布を持たない。行単位で事例の表5を追えないのは、その欠落の直接の結果である。欠落を埋めるために μ を動かすのは間違った補正である。μ はピン−床の摩擦であり、欠落した3D回転の代理変数ではない。

角度の実効係数 0.25 は、1° の効果を小さくする。事例が第2段で 1° に上げた判断を、このモデルは検証できない。検証したいなら K_ANGLE を1に戻すか、入射位置をピンデッキ座標で直接指定する実験を足す。それは再計算ではなく、別実験である。

L18 No.6 が3つの μ で 9, 9, 10 に張り付くのは、モデルの分解能の上限を示している。飽和した行を「再現が良い」と読んではいけない。飽和は識別不能である。分解能を上げるなら、倒ピン本数だけでなく、1番ピンと3番ピンの入射座標、あるいは残ピンの番号を特性値に加える。望大特性の1スカラーは、教材としては十分で、ピンアクションの診断には不足する。

SN比のdBを事例の表10（26.9 dB → 36.6 dB）と並べない。規約が違う。並べてよいのは本数である。標準 6.7 本 → 最適B 8.3 本に対し、μ = 0.2 は 6.67 本 → 8.33 本。教材としてこの一致を使う。研究として3Dに進むときは、減衰同定とポケット入射角を先に戻す。

利得。μ=0.4 のdB利得が最大なのは標準が沈んだため。採用基準にはしない。

14. 処方

3論文は数値として受理する。システムは再計算しない。環境因子は μ = 0.2 を採用する。最適制御の芯はポケット（13.25 cm）・16 lb・高回転である。球速はモデル内では 8 m/s だが、実レーンでは事例どおり後段ノブにする。角度はSN比上 0°、目視のポケットが必要なら 1° を許す。

教材として出す文章は短くする。「オイルが変わっても、まずポケットに入れる。球は持てる最重。回転は多め。速さはレーンを見てから落とす」。この4文が、54×3回のシミュレーションと、2020年の事例研究が共有している中身である。

次の開発は μ を増やすことではない。残ピンの番号を記録し、No.6 と加法最適の差がどのピンで起きているかを見ることである。それが分かれば、回転の相互作用は推測ではなく設計入力になる。

数字をもう一度、ボールバッグに貼る付箋として書く。環境因子 μ = 0.2。制御は 0°、13.25 cm、8 m/s、16 lb、10 rad/s。確認は 10、8、7 本、平均 8.33。標準は 6、7、7 本、平均 6.67。利得 +1.67 本、+1.73 dB。位置 26.5 cm は使わない。球速は実レーンで落とす。角度はポケットの見え方で 1° を許す。この付箋は、2020年の事例確認の平均 8.3 本と重なる。重なるのは本数であり、掲載のデシベルではない。

L18条件平均の倒ピン本数。現実第2水準 6.67 本の線に、μ=0.2 と 0.3 の中央値が沿う。

参考文献

篠原主熱・種原大智: ボウリングのパーフェクトゲームを目指した品質工学に基づく最適投球方法, 品質工学 Vol.28 No.5, 2020.
塩沢潤一: パラメータ設計解析支援ツール, 品質工学 Vol.28 No.3, 2020.
田口玄一: 品質工学の数理.
Banerjee & McPhee, Procedia Engineering 72 (2014).

SUNO MAXIMIZER〜ユーザーマニュアル編（ver0.9）— ダッシュボード三段

Ryuji Yabe — Wed, 19 Aug 2026 02:59:57 +0000

三部作：基礎理論編／応用理論編／ユーザーマニュアル編

SUNO MAXIMIZER〜ユーザーマニュアル編

SUNO MAXIMIZER (Ver. 0.9)

SUNOのSTYLEプロンプトを、実験的なTTMプロセスで最適化する。このシステムは汎用である。ほぼすべてのプロダクトを、同じ枠で最適化できる。音楽は、いま手元にある質的案件である。

思想は短い。最適化されていないものは作れない。量的案件の核は誤差因子と機能評価である。質的案件では、誤差因子を置けないことが多い。SUNO MAXIMIZER は誤差因子を使わない。直交表とSN比は、実験が高い時代の道具だ。AIの情報単位は TOKEN である。数値でもカテゴリの点数化でもない。近い意味は近くに座る。許容差設計は、質を維持して価格を安くすること。向きがあるかどうかは、課題にそのニーズがあるかだけである。コンテキストは三つある。データマイニング、自分の実験、コミュニティで共有された実験。評点を他人に渡すときは、評者のプロファイルを対にする。計測系の無い数字は、使い物にならない。

この機械がすること	人がすること
歌詞と条件から実験票を出す。Style を SUNO に貼れる形にする	曲を出し、総合の男評点と女評点を書く
0点からの差 F を出し、単独（男性）・単独（女性）・共通方案を返す	6項は任意。モニターの負担が重いなら空でよい
欠測を穴埋めせず、どの仮説が検証不能かを言語で出す	棄却は「はい」と理由。平均に入れない
プロファイル付きの実験パックを書き出し、他人のパックを庫へ入れる	出身・年代・好みを先に書く。欠けたパックは共有しない

インストール — エージェントに文書を渡す

作業ディレクトリへ、次の四文書を置く。Claude Code、Codex、Grok Build などのエージェントに、「これらの文書に基づいてプログラムを作ってください」と指示する。あとは、ほかのプロダクトへの転換も含めて、カスタマイズは自由である。

文書	役割	先に読むか
SUNO_MAXIMIZER～TTM_基礎理論編_ver0p9	核と枠。TOKEN、許容差の向き、コンテキストの三分法	最初
SUNO_MAXIMIZER～TTM_応用理論編(質的最適化)_ver0p9	質的。ラーメンと音楽。共通フロー	二番
SUNO_MAXIMIZER(番外編)～TTM_応用理論編(量的最適化)_ver0p9	量的。ボウリングとロケット。機械とは独立	二番の姉妹
SUNO_MAXIMIZER～ユーザーマニュアル編_ver0p9	画面と Excel とパック。ダッシュボード三段	三番。プログラムの前
SUNO_MAXIMIZER～TTM_事例研究編_ver0p9	2027カナダの実測。枠は触らず右側を直す	プログラムのあと

インストール — 手元で動かす

システムの出力はダッシュボードまでである。分析のあとタブ5が開く。runs/dashboard.html に、要望、入力、因子、コンテキスト、欠測、予測 Style が一枚で残る。Excel とパックは、その材料である。

すでに suno_opt_machine があるなら、起動は二行である。

cd suno_opt_machine

python run.py

必要なら先に pip install -r requirements.txt。ブラウザが http://127.0.0.1:8765/ を開く。開かなければ手で開く。タブは五つある。実験計画、結果分析、プロファイル、コンテキスト交換、ダッシュボード。

この文書（ユーザーマニュアル編）は、その機械の思想の一部である。基礎が変われば応用も事例も機械も変わる。逆は許さない。

用語 — 「誤差」とだけ書かない

誤差の三文字だけでは、統計の残差か、タグチの誤差因子か、分からない。この文書では、機能を乱す条件を誤差因子と書く。誰のために設計するかを適用対象と書く。男性と女性は、SUNO MAXIMIZER では二つの適用対象である。誤差因子ではない。

用語	定義
誤差因子	使う場所で機能を乱す条件。設計者が水準を自由に選べない。温度、レーン摩擦、風向。SUNO機械では空。
適用対象	誰のために方案を出すか。男性と女性は、二つの適用対象である。
単独方案	一つの適用対象で測度最大。男評点の最高、女評点の最高。平均しない。
共通方案	両方の適用対象で残る方案。需要があるときだけ出す。誤差因子最適とは呼ばない。
ロバスト	誤差因子がある案件で、乱れに強いこと。レーン摩擦、風向。適用対象の共通方案とは別語。
文脈（AUX）	車内で誰が選曲するか。適用対象と重なりやすいが、同じものではない。
計測系	評者のプロファイル。適用対象の人が、同時に点数をつけることが多い。
実験のばらつき	同じ方案を繰り返したときの差。誤差因子ではない。
TOKEN	AIに入る意味の単位。Style文や口コミ。数値でもダミー変数でもない。
許容差設計	質を維持して価格を安くすること。TOKENが質を運ぶ。金額化は必須ではない。
向き	課題がその手法に向くか。許容差なら、安くするニーズがあるか。

男性にも女性にも受ける曲が欲しい、は本物の需要である。それは共通方案である。二つの評点を誤差因子の外側配列と見て平均すると、誰の曲でもない点が残る。単独を先に出し、共通は代金付きで後から出す。

SUNO MAXIMIZER は誤差因子を使わない。車内騒音や夜冬を技術名で置ける、という事前の読みは、機械の列にしない。質的最適化の理論一般では、方案の差と人の差が分離できるときに限り、誤差因子の欄を埋めてよい。分離できないなら空である。ラーメンは空である。

歌詞を落として、実験票を出す

データマイニングのあと、SUNOで精度を上げる。評点はプロファイルと対で出す。

日付 2026-08-19。ver0p9。起動は suno_opt_machine で python run.py。ブラウザが http://127.0.0.1:8765/ を開く。

先に結論

タブは五つ。計画、分析、プロファイル、コンテキスト交換、ダッシュボード。

GO は中間分析と Excel を出す。Style 列を SUNO に貼る。

TOKEN が質を運ぶ。許容差設計は質を維持して安くすること。この案件は向かない。

コンテキストは三つある。語彙 Excel、自分のSUNO評点、コミュニティのパック。

評者のプロファイルが無い実験結果は、共有しても使い物にならない。

6項は任意。総合の男評点と女評点があれば製品は選べる。

欠測は穴埋めしない。どの仮説が検証不能かを画面に出す。

最適化の本体は予測Styleである。実施行の最高は参照条件である。

ダッシュボードは三段。中間（実験条件）、暫定終了（予測）、確定終了（確認）。

実験は最大4因子。確度が高い因子は固定する。

システムの出力はダッシュボードまでである。Excel とパックは材料である。

この機械は誤差因子を使わない。問題になる交互作用は制御因子同士である。

男性と女性は適用対象。単独を2本出し、共通方案は需要があるとき出す。

黄色セルだけ埋めて戻す。枠は触らない。

四つの問い

問い	答え
最初に押すボタン	タブ3で評者を書き、タブ1の GO
SUNOに貼る場所	Excel 4_SUNOコピペの Style
評点の置き場	3_実験票の黄色。5点、小数点可。6項は空でよい
戻すと何が出るか	ダッシュボード。予測Styleと解析の一枚

0. この機械は何か

歌詞と条件 → 中間分析 → 実験票 → 評点を戻して最適化。

SUNO専用の最適化機である。基礎理論編と応用理論編の枠を、案件に埋め込む。事例研究編の10案採点を、人が回せる形にした。

直交表は組まない。SN比は出さない。因子の数は決める。水準は言語のまま残す。方案は全件評価する。

置くもの	機械がすること	人がすること
歌詞	制約と棄却を読む	改変しない
条件プロンプト	年・国・年齢・場面を読む	短い日本語で書く
語彙Excel	0点と様式の行を拾う	任意。既定で付く
実験数	提案する。上書きできる	4–10が本筋
SUNO出力	—	聴かせて黄色セルを埋める

1. コンテキストは三つある

LLMに入る表は、手段が三つある。どれか一つでは足りない。基礎理論編の新しい定義である。

手段	中身	ラーメンでの対応	この機械
データマイニング	Webや既存表から直す	食べログの店一覧	年代×国の様式Excel
自分の実験	機械が人に依頼する	試食はしていない	SUNOで曲を出し、プロファイル付きで採点
コミュニティ	他人の同じ型の表	他店主の四列	sunoctxパック。Fに足さない
協力	当たってから精度を上げる	店を読んでから一杯を設計	GOのあと評点を戻し、パックを出す

データマイニングだけで止めると、事前の定性読みで終わる。実験だけで始めると、0点も制約も無い。コミュニティを平均に足すと、誰の曲でもない点が残る。順番は、読む → 評者を書く → 提案する → 聴く → 右側だけ書き直す → パックを出す。

2. 見る交互作用が違う

タグチは誤差因子×出力。この機械は誤差因子を使わない。見るのは制御因子同士。

タグチメソッドは、誤差因子と出力の交互作用を使って品質を改善する。扇が閉じればロバストである。量的案件の核はそこである。SUNO MAXIMIZER は誤差因子を使わない。車内騒音の列を出さない。外側の聴取をしていないからである。

AI適用で問題になるのは、制御因子間の交互作用である。様式×声。編成×歌詞。BPM×車内。実験計画法は二元配置でこれが見える。タグチの直交表は、交互作用を列に割り当てても現場では使わない。この機械は、行の差として読む。

型	見え方	扱い
適用対象の分離	男案は男、女案は女が勝つ	二つの評点を平均するな。単独を2本出す
交差	声の効果が適用対象で逆転する	構想が違う。別方案にする
乗法的	ピアノ＋サックスを外すと落ちる	舞台指示を残す
閾値的	76BPMだけ車内で沈む	水準の切り方を変えるな。行を足せ

3. 画面のパネル

計画、分析、プロファイル、コンテキスト交換。ヘルプに同じ表がある。

パネル	役割	触るもの
A 歌詞	必要機能。チャートより先	txtを落とすか貼る
B 条件	年・国・年齢・場面・主導権	短い日本語
実験数	空なら提案値	3–12。本筋は4–10
語彙Excel	データマイニングの材料	任意
GO	中間分析と実験票	押す
C 中間分析	0点、制約、何本要るか	読む
D 実験一覧	各本の役割とStyle	コピーもできる
タブ2	評点を戻す。欠測を仮説単位で出す	黄色セルを埋めたExcel
タブ3	評者の計測系	性別・年代・出身・好み
タブ4	実験結果の輸出入	sunoctx.json

4. タブ1 — 実験計画

4.1 起動

フォルダ suno_opt_machine で python run.py を実行する。ブラウザが開かなければ http://127.0.0.1:8765/ を手で開く。既定の歌詞欄には、ワークスペースの歌詞.txt が入っている。

4.2 条件の書き方

散文でよい。年が4桁で入っていればそれを使う。カナダ、日本、イギリス、韓国、フランスを読む。30代、20代、40代を読む。Highway 401、車内、クラブを読む。男性だけ、女性だけ、も読む。古い言い方の男主導も読む。書けなければ既定は 2027・カナダ・30代・車内・両方である。

4.3 GO のあと

中間分析は実験の前に出す。0点の行、歌詞の制約、年次の読み、提案本数、各本がどの交互作用を見るか。提案と違う本数にしたければ、実験数を書いてからもう一度 GO を押す。

既定の5本はこうである。E1 が0点。E2 が男製品候補。E3 が女製品候補。E4 が2位。E5 が同じ編成の女声。E5が、制御因子「声」の交互作用を見る行である。

5. Excel と SUNO

シート	使い方
0_使い方	この表の短縮版
1_条件	年次と歌詞全文。Custom Lyrics にはここを貼る
2_中間分析	GOが出した読み。実験中は触らない
3_実験票	黄色セルだけ埋める
4_SUNOコピペ	Style を1本ずつコピーする
_meta	隠してある。消すな。戻すときに方案定義が要る

SUNOの操作は短い。Custom で曲を作る。Style に英語ブロック。Lyrics に固定歌詞。アーティスト名は入れない。入れた瞬間に、特定の声を模倣しにいく。

評点は5点満点、小数点可。男評点と女評点があれば分析できる。公道・疲れ・30代・歌詞・年次・AUX の6項は任意である。全部入れば加重平均する。棄却は「はい」。理由を書く。平均に入れない。

6. タブ2 — 結果分析

記入済みの Excel を落とす。「分析する」を押す。単独（男性）・単独（女性）・共通方案が出る。F は 0点からの差である。両方に受ける曲は共通方案である。低い方の評点を最大化する。誤差因子最適とは呼ばない。代金は、一方の単独を捨てた側が譲る点である。

交互作用の表は、様式×声、編成×歌詞、BPM×車内を見る。文脈分離なら2本出す。交差なら構想が違う。乗法的なら舞台指示を外すな。

6.1 男性と女性は適用対象である

男評点と女評点は、誤差因子の外側配列ではない。誰のために曲を出すかである。単独を2本出す。両方に受ける需要は、共通方案として代金付きで出す。二つの点を平均するな。男主導・女主導・1曲ロバストという古い画面名は使わない。主導は文脈の言葉である。

最適化結果 Excel の 2_最適Style を、次のSUNOに貼る。歌詞は変えない。枠（三分法、許容差の向き、0点の定義）は変えない。動くのは右側の評点だけである。

7. やらないこと

チャート1位で歌詞を上書きするな。
方案の外に0点を出すな。
男性と女性を誤差因子に入れて平均するな。単独を先に出し、共通は代金付き。
AUXを誤差因子に入れて平均するな。文脈である。
棄却を −∞ として平均するな。
Style にアーティスト名を入れるな。
_meta シートを消すな。
ニーズの無い課題を許容差設計と呼ぶな。

実測が事前表と食い違っても、枠を作り直すな。重みと誤差係数と、次の実験行だけを動かす。

8. よくある詰まり

GO を押しても Excel が無い

中間分析の下にダウンロードがある。ポップアップを止めていなければ、/download/experiment がファイルを返す。

分析が「3_実験票が無い」と言う

この機械が吐いたファイルを戻す。自分で新規ブックを作ると _meta もシート名も無い。

評点を書いたのに欠測になる

黄色の男評点・女評点が空である。6項だけ埋めて総合が空でも読めるが、列名を変えると読めない。

実験数を12にした

できる。語彙Excelから行を足す。評者の時間が足りなくなる。本筋は4–10である。

9. 起動の一行

cd suno_opt_machine

python run.py

必要なら pip install -r requirements.txt。ブラウザが http://127.0.0.1:8765/ を開く。

事例研究編の本文を、実測のあとに改訂する。この機械がその実験装置である。

10. タブ3 — プロファイル

評点は計測値である。タブ3は計測系の管理画面である。既定の二人を先に書く。男性、30代、カナダ、ロック。女性、30代、アメリカ南部、K-POP。案件が違えば直す。空のままGOはできる。空のままパックは出せない。

欄	既定	空だと
性別	male / female	どの列を埋めたか不明
年代	30代 / 30代	30代適合と交絡する
出身	カナダ / アメリカ南部	コミュニティで使えない
好み	ロック / K-POP	コメントの読みが逃げる

保存するを押すと runs/profiles.json に残る。次のGOと分析が、この計測系をExcelの 5_プロファイルへ写す。既定の二人に戻すボタンは、今回の案件へ戻すためにある。便利な初期化ではない。計測系の宣言である。

11. タブ4 — コンテキスト交換

分析のあと書き出す。他人のJSONを取り込む。プロファイルが無いパックは使えない。

自分の実験結果を他人に渡す手続きである。Excelの評点列だけでは足りない。機械は .sunoctx.json を吐く。中身は、案件条件、方案とStyle、評点、コメント、評者プロファイルである。歌詞全文は必須ではない。

操作	何が起きるか
パックをダウンロード	直前の分析をJSONで書き出す
この庫へ残す	suno_opt_machine/community へコピーする。プロファイル欠は拒否
取り込む	他人のJSONを庫へ入れる。欠パックは「使えない」と印が付く
分析時にチェック	支えとして読む。Fには足さない。計測系が遠ければ別案件

コミュニティの行を、自分の0点からの差に足すな。似たプロファイルなら「同じ方向を指している」と読める。違うプロファイルなら、平均するな。機械はその判定を、類似度と一文で返す。

12. 欠測の画面

タブ2の「欠測 — どこが不明か」は、信頼性を「下がった」で済ませないための表である。重さは high / mid / low。場所、欠けているもの、不明になった仮説、最適化への効き、の四列である。

例	不明になる仮説	製品選定
E3 S7 の男女評点が空	女製品はフォークソウルである	実施した行の中で選ぶ
6項がすべて不要	点が動いた理由の分解	総合Vで選べる
女1位が同点	女製品の一本化	プロファイルとコメントで残す

結果Excelの 3_欠測に同じ表が残る。穴を埋めない。次の実験数を足すか、検証不能のまま出すかを、人が決める。

13. Excel の新しいシート

シート	使い方
5_プロファイル（実験票）	評者の計測系。黄色を直してよい
3_欠測（結果）	仮説単位の検証不能。触らない
4_プロファイル（結果）	この評点を出した計測系。パックの本体

6項の列は残してある。任意である。空でよい。「不要」と書く必要もない。モニターに6項を強いるな。

14. 予測と確認実験

タブ2の上段が予測。下段が実施行の記録。次にSUNOへ出すのは上段である。

分析のあと、画面の上に予測Styleが出る。これは実施行のコピーではない。因子の水準平均と、マイニングの年次と、コメントと、歌詞の制約を組み直した未実施文である。Excelの 2b_予測Style に同じ文がある。2_最適Style は参照条件である。名前が古い。中身は記録である。

確認は短い。予測文をSUNOに出す。参照条件（男S2、女S1またはS5F、欠測だったS7）を同時に聴く。同じプロファイルの評者が総合点を書く。予測が参照を超えなければ、交互作用が残っている。次の実験行を足す。枠は触らない。

15. タブ5 — ダッシュボードが出力である

要望、入力、質的/量的、TRIZ、因子、コンテキスト、マイニング、実験、欠測、フロー、予測。一枚で終わる。

SUNO MAXIMIZER の出力は、ダッシュボードまでである。Excel の評点表も、予測 Style の断片も、パックも、途中の材料である。分析が終わるとタブ5が開く。runs/dashboard.html が残る。HTML を保存すれば、機械の外でも同じ一枚が読める。

ダッシュボードの節	何が載るか
1 要望	年・国・場面、歌詞固定、男曲と女曲、評点、プロファイル
2 入力	歌詞、条件、語彙Excel、実験票、評者。入れないもの
3 質的か量的か	質的。測度V。TOKENが質を運ぶ
3b TOKENと向き	許容差＝質を維持して安くする。SUNOは向かない
4 TRIZ	行列は踏まない。分離と構想の因子化だけ借りる
5 因子の形成	調整因子・制御因子。誤差因子は空。文脈と計測系
6 コンテキスト	実験条件、因子×評点のマトリックス、水準平均
7 マイニングで学んだこと	0点、年次、語彙
8 実験で学んだこと	コメントと因子効果。実施最高は記録
9 欠測のリスク	仮説単位。穴埋めしない
10 解析フロー	要望から確認実験までの九段
11 予測 Style	次に SUNO へ出す未実施文

15.1 画面の読み方 — 暫定終了の一枚

暫定終了の画面は、上から論文の順番で並ぶ。先に結論、要望、入力、質的判定、TOKEN、TRIZ、因子、マトリックス、学び、欠測、フロー、予測。スクロールして終わらせるな。各節の役割を、下に書く。

見出しに段（暫定終了）と、次は確認評点、と書いてある。これがいまの位置である。

オレンジの印が段である。中間、暫定終了、確定終了。副題に、この段が何を報告するかが書いてある。先に結論の緑枠は、予測の一文である。実施行の優勝ではない。

第2節は置いたもの。第3節は測度の種類。第4節はTRIZの借用範囲。

入力の表は、機械が見た材料である。入れない行を読め。アーティスト名、チャート1位での上書き、直交表、SN比のdBは、意図して除外している。質的判定は、風力や砂時計と対比して書く。TOKEN の節は、許容差設計の定義と、この案件の向きを書く。SUNO は方案ごとに生成コストが変わらないので向かない。

調整は組合せ最適化しない。制御は言語のまま。誤差因子の欄は空である。

年・国・年齢・場面は調整因子である。カナダを誤差に置くな。様式・BPM・編成・声は制御である。メリハリは実験コメントから後付けした列である。枠は触らず、列を足した。

実施最高は参照条件。製品は未実施の予測である。水準平均を読む。

単独（男性）と単独（女性）は、二つの適用対象の記録である。共通方案の記録は、両方の低い方である。誤差因子最適とは呼ばない。因子効果の表は、様式・声・編成・BPM帯の水準平均である。6本は直交していない。加法モデルは目安である。

左が語彙Excelから学んだこと。右が評点とコメントから学んだこと。

二つを足して2で割るな。同じ因子の列を読み、未実施の Style を組む。コメントが新しい列を増やす。メリハリがそれである。

次に SUNO へ出す文。実施行のコピーではない。語数と事前の読みが付く。

黒枠の英文が、次の実験である。V̂ は加法モデルの目安である。5を超える分は交絡である。確認実験では、この文と参照条件を同じ評者が聴く。

16. ユーザーの要望のまとめ

ダッシュボードの第1節である。今回の既定案件は、2027年カナダ30代、Highway 401 の車内である。歌詞は固定。男が選ぶ曲と女が選ぶ曲が要る。1曲に揃える案も出す。測度は評点。換金しない。アーティスト名は入れない。評者のプロファイルを対にする。

歌詞から読む制約は、都市の金、不在の恋人、ピアノとサックスの舞台指示である。チャート1位で歌詞を上書きするな。要望の欄が空だと、あとの因子が案件に飲み込まれる。

17. 入力情報

入力	役割	無いと
歌詞.txt	必要機能	制約が読めない
条件プロンプト	年・国・年齢・場面・主導権	既定の2027カナダ30代車内になる
語彙 Excel	データマイニング。0点と語彙	S0 がライブラリのトラップになる
実験票の総合点	この案件の因子効果	予測がマイニングだけになる
プロファイル	計測系	パックが使えない

入れない。アーティスト名。チャート1位での上書き。直交表。SN比のdB。6項は任意であり、必須入力ではない。

18. この最適化は質的か、量的か

質的である。最終評価が言語評点 0–5 だからである。風力のように売電USDへ換算できない。砂時計のように秒で測れない。測度は受容評点 V。F = V − V0。単位は評点差である。許容差設計には向かない。感度地図だけ残す。ニーズが無いので許容差設計には向かない。

質的であることと、手法が粗くなることは別である。因子が言語で揃い、方案が数えられ、基準が書いてあれば、探索は機械的にできる。ダッシュボードの第3節に、この判定を毎回書く。案件が量的に変わったら、基礎理論編の許容差の向きが変わる。

19. 質的であっても、TRIZのどこを使うか

矛盾行列は踏まない。40原理の機械的展開を本文の本体にしない。借りるのは三つである。

借りる部分	この案件	借りない部分
矛盾の分離（時間／条件）	舞台指示と若年テンポを、BPMと声の成熟で分ける	39×39の行列
物理的矛盾 → 因子化	息が近い／車内で沈まない、を中音域とメリハリにする	物理量の金額化
構想を因子に含める	様式そのものをパラメータではなく構想として並べる	TRIZ会議の翌週に直交表

質的案件でTRIZを捨てると、因子が口コミの単語のまま残る。借りるのは感覚であり、本体は評点表である。ダッシュボードの第4節に、使った部分と使わない部分を対で書く。

20. 因子の形成

調整因子は年・国・年齢・場面である。組合せ最適化しない。カナダを誤差因子に置くな。制御因子は様式、BPM、編成、声、制作温度、メリハリである。構想と水準を分けない。水準は言語のまま切らない。誤差因子の欄は空である。この機械では使わない。男性と女性は二つの適用対象である。単独方案を先に出し、共通方案は需要があるとき出す。AUXは文脈である。プロファイルは計測系である。誤差因子に混ぜるな。誤差の三文字だけでは書かない。

メリハリは、実験コメントから後付けした制御因子である。S0 と S5 が「曲にメリハリなく感動がない」と返した。枠は触らず、列を足す。これが因子の形成である。最初から完全な因子表を要求しない。実験が列を増やす。

21. コンテキスト — 実験条件と因子、評価のマトリックス

コンテキストは三つある。データマイニング、自分の実験、コミュニティ。ダッシュボードの第6節は、自分の実験のマトリックスである。行が方案、列が因子、右が男V・女V・F・コメントである。欠測は「欠」と書く。平均で埋めない。

同じ節に、水準平均の因子効果がある。様式、声、ピアノ＋サックス、BPM帯。6本は直交していない。加法モデルの予測Vは目安である。5を超える分は交絡である。制御因子間の交互作用も、このマトリックスの行の差として読む。

22. データマイニングで学んだこと、実験で学んだこと

マイニングが教えるのは、0点（2010sトラップ）、年次（2027はアナログ中音域が残る）、語彙（Rhodes、sax、cabin midrange）である。実験が教えるのは、コメントと因子効果である。男の実施最高は indie-folk。女は S1 と S5F の同点。S5 は男側で0点未満。S7 は欠測。メリハリが新しい列になる。

二つを総合するとは、二つの優勝を足して2で割ることではない。同じ因子の列を読み、未実施の Style を推定することである。ダッシュボードの第7節と第8節を、並べて読む。

23. 欠値があった場合のリスク評価

穴を埋めない。信頼性は「下がった」では済まない。高い欠測は、その方案が担っていた事前仮説を検証不能にする。S7 が空なら、女製品はフォークソウルである、は切れない。1曲予測が S7 骨格に寄っても、S7 そのものの確認が残る。6項が空なら、点が動いた理由はコメントで読む。総合Vがあれば予測は止めない。

リスクは、予測を確認済みの製品と取り違えることである。欠測があるほど、予測は仮説である。ダッシュボードは、予測文の下に確認実験の手順を置く。

24. 解析フロー

段	やること
1	要望と歌詞を必要機能に固定する
2	データマイニング。0点と語彙と年次を表にする
3	因子を三分する。AUXとプロファイルは別列
4	実験票を出し、SUNOで聴く。総合点を戻す
5	欠測を仮説単位で書く
6	因子効果を読む。実施行の優勝を製品にしない
7	マイニングと実験とコメントと制約を組み、未実施Styleを予測する
8	ダッシュボードに全部を載せる。これが出力である
9	確認実験。予測文と参照条件を同じ評者が聴く

フローの途中で Excel を保存して終わってはいけない。タブ5が開くまでが、機械の仕事である。

25. 三段のダッシュボード — 中間 / 暫定 / 確定

GO のあと中間。分析のあと暫定終了。確認評点のあと確定終了。

中間は、実験票を渡すときに出す。どこまで終わったか、要望をどう読んだか、TOKEN と許容差の向き、何を固定したか、何を最大4因子で動かすか、欠値を許容するリスク。最適化の予測はまだ出さない。タブ5が GO の直後に開くのは、この報告である。

暫定終了は、記入済み Excel を分析したあとに出す。最適化情報までのすべての検討結果である。教育用の品質工学論文が載せる最小要素（題、因子、測度、実験表、要因効果、予測、次の確認）を残す。

確定終了は、予測 Style を SUNO に出し、同じ評者が総合点を書いたあとに出す。ユーザーが最適化情報で妥当性確認をした結果を含める。タブ5の下の欄に確認Vを入れる。利得、問題点、今後の改善が載る。この時点で品質工学の論文になることが期待できる。匿名化してコミュニティへ残してよい。

段	出すとき	論文との対応
中間	GO の直後。実験条件を渡す	はじめに、因子、実験計画
暫定終了	評点 Excel を戻したあと	結果、要因効果、最適の推定
確定終了	確認評点を書いたあと	確認実験、考察、今後

事前調査で確度が高い列は固定。不確実な列だけ実験する。

SUNO MAXIMIZER〜TTM 応用理論編（質的最適化、ver0.9）

Ryuji Yabe — Wed, 19 Aug 2026 02:58:38 +0000

三部作：基礎理論編／応用理論編／ユーザーマニュアル編

SUNO MAXIMIZER〜TTM 応用理論編（質的最適化）

SUNO MAXIMIZER (Ver. 0.9)


この機械がすること	人がすること
歌詞と条件から実験票を出す。Style を SUNO に貼れる形にする	曲を出し、総合の男評点と女評点を書く
0点からの差 F を出し、単独（男性）・単独（女性）・共通方案を返す	6項は任意。モニターの負担が重いなら空でよい
欠測を穴埋めせず、どの仮説が検証不能かを言語で出す	棄却は「はい」と理由。平均に入れない
プロファイル付きの実験パックを書き出し、他人のパックを庫へ入れる	出身・年代・好みを先に書く。欠けたパックは共有しない

インストールはユーザーマニュアル編 §1 に集約した。実装エージェント (Codex / Claude Code 等) への指示文はそちらを見よ。

参照順: 基礎理論編 → 本書 → ユーザーマニュアル編 → 事例研究編。応用理論編 (量的・番外) は姉妹編。

この文書（応用理論編（質的））は、その機械の思想の一部である。基礎が変われば応用も事例も機械も変わる。逆は許さない。

用語 — 「誤差」とだけ書かない


用語	定義
誤差因子	使う場所で機能を乱す条件。設計者が水準を自由に選べない。温度、レーン摩擦、風向。SUNO機械では空。
適用対象	誰のために方案を出すか。男性と女性は、二つの適用対象である。
単独方案	一つの適用対象で測度最大。男評点の最高、女評点の最高。平均しない。
共通方案	両方の適用対象で残る方案。需要があるときだけ出す。誤差因子最適とは呼ばない。
ロバスト	誤差因子がある案件で、乱れに強いこと。レーン摩擦、風向。適用対象の共通方案とは別語。
文脈（AUX）	車内で誰が選曲するか。適用対象と重なりやすいが、同じものではない。
計測系	評者のプロファイル。適用対象の人が、同時に点数をつけることが多い。
実験のばらつき	同じ方案を繰り返したときの差。誤差因子ではない。
TOKEN	AIに入る意味の単位。Style文や口コミ。数値でもダミー変数でもない。
許容差設計	質を維持して価格を安くすること。TOKENが質を運ぶ。金額化は必須ではない。
許容差設計向き/不向き	課題がその手法に向くか。許容差なら、安くするニーズがあるか。

質的最適化の埋め方

受け取った課題は、ラーメンと同じ側にある。

前提は基礎理論編 ver0p9。日付 2026-08-19。ver0p9。数値の事前表は定性である。コミュニティとプロファイルと欠測の埋め方を、計測系として書く。

先に結論

受け取った課題は質的である。測度は評点。換金しない。

TOKEN が質を運ぶ。数量化第一類は使わない。

許容差設計は、質を維持して価格を安くすること。SUNO は生成コストが動かないので向かない。ラーメンは価格列があれば向かう。

ラーメンと同じ作法で解く。誤差因子は必須ではない。置けないなら空。SUNO MAXIMIZER は使わない。

ラーメンの実験は、口コミを表にしたコンテキストである。因子は三つ。水準は無限。

コンテキストは三つ協力する。データマイニング、自分の実験、コミュニティ。

評者のプロファイルは表の列である。無い評点は注入するな。

6項は任意である。総合Vがあれば製品は選べる。モニター負担が重いなら空でよい。

欠測は穴埋めしない。検証不能の仮説を、あたかも実証されたように残すな。

最適化は未実施のStyleを予測することである。実施行の最高は参照条件である。

フローは量的と同じである。課題認識、因子分解、コンテキスト枠、実験、予測、確認、保存。

実験は最大4因子。確度が高い因子は固定する。交互作用が出れば固定を見直す。

ダッシュボードは三段。中間、暫定終了、確定終了。

歌詞は制約。Excelは語彙と0点。SUNO文は因子の直束である。

直交表とSN比は使わない。妥当性は過去年の論理再実行である。

四つの問い


問い	答え
これは量的か質的か	質的。最終評価が言語評点
ラーメンと何が同じか	モジュール分解、全評価、許容差設計には向かない
ラーメンと何が違うか	根拠がチャート。誤差因子はどちらも必須ではない
TRIZの行列は踏むか	踏まない。矛盾の分離だけ借りる

0. 受け取った課題

歌詞は固定。Excelは様式の語彙。場面はオタワからトロントの車内。

課題はこうである。2027年のカナダで、30代に届く曲を作りたい。歌詞は決まっている。SUNOのスタイルプロンプトを出す。場面は、オタワからトロントへ、Highway 401を走る30代のカップルがSpotifyを聴いている。必要な曲は2本。男が選曲の主導権を持つとき。女が選曲の主導権を持つとき。同じ論理を2023年と2025年で再実行し、論理が持つかを見る。

入力は二つだけだ。歌詞.txt。年代×国別の流行曲SUNOプロンプトExcel。出力は、50–100語の英語スタイル文である。SUNOそのものを聴き比べる試験は、この文書の外にある。

歌詞は制約を書く。Excelは0点と語彙を書く。散文をゼロから作らない。

0.1 なぜ質的か

風力のように売電USDへ換算できない。砂時計のように秒で測れない。最終評価は「この歌詞を、この車内で、この年齢が受け取れるか」という評点である。基礎理論編の言葉では質的課題である。TRIZの矛盾行列は踏まない。データベース解析の一種として解く。

評点は要約である。Style文そのものが TOKEN である。数量化第一類で点数化してから探さない。最適化は、近い TOKEN を残して方案を組むことだ。

0.2 ラーメンが先に来る理由

同じ質的最適化を、すでにラーメンで一度やっている。麺・スープ・具に分解し、口コミ評点で全評価し、許容差設計の向きを見た。音楽も、様式・BPM・楽器・声に分解し、受容評点で全評価する。生成コストは方案で変わらないので、許容差には向かない。生徒はラーメンを先に思い出し、どこが同じでどこが違うかを見る。

1. 質的最適化とは何か

測度が言語評点で書かれる最適化である。0は最悪、5は最高。整数でなくてよいが、粒度は0.5が現実的である。金銭換算はしない。直接、評価値として使う。


軸	量的（風力）	質的（ラーメン / 音楽）
測度	金額 USD	評点 0–5
単位	USD、10年、3%	案件ごとに定義
TRIZ	構想と物理量を出す	行列は踏まない
許容差	許容差設計に向かう	向きを見る。感度地図は残る
妥当性	現場の X	過去条件の論理再実行
探索	全評価	全評価。方案は10–30に絞る

測度が定性であることと、手法が粗くなることは別である。因子が数値で揃い、方案が数えられ、基準が言語で書いてあれば、探索は機械的にできる。

2. ラーメン事例の構造

モジュール分解。0点は名店の寄せ集め。誤差因子は置かない。

ある店で「うまいラーメン」を出す。物理量の最終測度はない。0点は、最適化しないときに店主が頼む名店の寄せ集めである。制御因子は麺・スープ・具。調整因子は地域と客層。誤差因子は置けない。同じ一杯でも客の体調で評点が動く。方案の差と客の差が分離できない。

評価は仮想である。客に食べさせない。類似店の口コミと店主の経験を、QEU評点0–5へ写す。LLMに全方案を採点させる。F = 方案の点 − 0点の点。0点を超える案がなければ、新メニューは出さない。

許容差設計には向かない。感度地図だけが残る。妥当性は、口コミを後から同じ論理で再集計することだ。

2.1 コンテキスト表 — データマイニングが実験になる

各店が一つの実験行。水準は言語。評点が応答。

ラーメン最適化の本体は、この注入である。店名と都道府県とQEU評点の一覧。店ごとのカード（麺・スープ・トッピング、地域、その他）。役割は静岡の店主。命令は、リストにない一杯を同じ三列で書け、奇をてらうな。


麺	スープ	トッピング	評点
中太縮れ・多加水	豚骨＋塩	醤油煮豚バラ	4.3
中細ストレート	濃厚豚骨	チャーシュー・ネギ	4.2
細ストレート	豚骨醤油・白濁	定番三種	3.8
青竹手打ち	鶏ガラ醤油	チャーシュー・メンマ	3.6
細／太選択	甘エビ白湯	海老天かす	4.2
中太ストレート	豚骨＋焦がしニンニク油	味玉・きくらげ	4.0
太麺・プリプリ	信州味噌	野菜・チャーシュー	3.9
極太縮れ	会津山塩	味付けチャーシュー	3.8

食べログの文章が、すでに実験結果である。新しくL18を組む必要はない。因子は三つ。水準数は決めない。中太縮れも青竹も、一つの水準だ。データベースの店舗マスタを同じ四列へ写せば、行が増えるだけである。

2.2 系列は、同じ表の列を足す

現場やWeb → 表 → LLM。列を足すたびに、見えるものが増える。

論文番号では呼ばない。足す列で系列を区別する。


系列	足す列	見えるもの	タグチの対応
最適化	麺・スープ・具・評点	最高Vの組合せ	パラメータ設計
許容差	現地価格	味を動かさず安くする	質を維持して安くする
交互作用	相性の正と負	交互作用の行	Fisher側。直交表では使えない
二段階	市場の価格帯	質のあとで値を寄せる	二段階の第2段
ご当地	特産品	ご当地の強制水準	誤差ではなく制御の一行

交互作用の系列が大事である。豚骨と魚と鶏ガラを混ぜるな。チーズとバターを同時に使うな。合わない麺とスープの対を、表の行として渡す。実験計画法が繰り返しで買っていた交互作用を、言語の行として買う。タグチの直交表では、この行を活用できない。AIは読む。


項目	味	QEU評点	人気の理由
麺	中細縮れ	4.4	鶏白湯に絡む
スープ	鶏白湯（単体）	4.5	混ぜない、が条件
トッピング	鶏チャーシュー＋味玉	4.3	実績のある具
交互作用麺×スープ	相性よい	4.6	細縮れ×鶏白湯
交互作用スープ×具	相性よい	4.4	鶏同士
交互作用具×麺	相性よい	4.3	重い具を避ける
総合	—	ΣB	直交表は使わない

現地価格の列を足した系列は、許容差設計である。味の TOKEN を固定し、安い行を探す。金額化は必須ではない。口コミ文が質を運ぶ。価格列が無いなら向かない。感度地図だけ残す。

3. 今回の課題の構造

歌詞は固定。方案はスタイルである。編曲、BPM、声、制作の温度。SUNOは商用の生成AIだが、TTMの仕事はSUNOに渡す前段のスタイル設計である。

3.1 0点

0点は、添付Excelの最新カナダ行である。アメリカ/カナダ2010年代ボーカル。トラップポップ、ストリーミング時代のポップ、EDMボーカル。140 BPM、808、ガラスのシンセ、20代前半の声。いまラジオに残っている代表だが、この歌詞のピアノとサックスを持たない。30代の車内には若い。これを現状案にする。

3.2 因子

調整因子は年（2023/2025/2027）、国（カナダ）、年齢層（30代）、場面（車内ドライブ）。組合せ最適化しない。制御因子は様式、BPM、楽器編成、声、制作温度。誤差因子は、理論上は車内騒音と夜冬を技術名で書ける。ただし SUNO MAXIMIZER はその列を使わない。外側の聴取をしていないからである。ラーメンと違うのは、根拠がチャートであることと、文脈（AUX）を切ることである。誤差因子を二つ置けることではない。

3.3 測度

V は、総合点で書いてよい。6項の加重平均は診断である。公道の中音域 0.18、車内聴取の疲れにくさ 0.14、30代 0.14、歌詞適合 0.20、年次適合 0.16、AUX適合 0.18。全部入れば加重する。空なら総合点を使う。X = V × 誤差係数。F = X − X0。単位は評点差。4.5時間の連続試聴は測らない。モニターの負担が重いなら、6項は空でよい。機能評価は総合Vで足りる。

3.4 向きと妥当性

許容差設計には向かない。感度地図だけ残す。BPM 94–104では落ちない、サックスをミュートトランペットに替えても落ちない。128に上げる、サックスを外す、20代前半の声に戻す、は大きく落ちる。妥当性は、2023と2025で年次適合だけ差し替えて再実行することだ。

4. ラーメンと今回 — 同じ点、違う点


軸	ラーメン	今回の音楽
種類	質的	質的
測度	QEU評点 0–5	受容評点 0–5
0点	名店の寄せ集め	Excel 最新カナダ行
モジュール	麺・スープ・具	様式・BPM・楽器・声
誤差因子	置けない（空）	機械では空。外側実験をしていない
根拠	店主の経験とSNS	Hot 100 と CBC Music
許容差の向き	味を維持して安くする（向かう）	生成コストが動かない（向かない）
妥当性	口コミ再計算	過去年の再実行
動特性β	使わない	使わない（魅力がβを吸う）

同じ点は三つ。質的であること。直交表とSN比を使わず全評価すること。許容差に向かず、感度地図だけが残ること。違う点は、評価の根拠が公的集計であることと、男と女の主導権を文脈として切り分けることである。誤差因子を二つ置ける、を違いの本体にするな。質的最適化に誤差因子は必須ではない。置けないなら空である。

類型コードで切る必要はない。誤差因子があるかないかは、案件の空欄の埋め方である。基礎理論編の枠は一つだ。空欄は欠測ではない。

5. 質的データの4つのロジック

5.1 言語測点 V

判断の根拠を3つ以上持つ。過去の類似、専門家レビュー、公的データの集計。単独の主観は主観性を高めすぎる。

5.2 加重平均

V は下位指標の加重平均である。重みは判断だが、判断の根拠はチャートと文化研究から引く。0.01刻みの重みは信頼できない。

5.3 誤差因子の係数 — この機械では使わない

理論の引き出しに、X = V ×（誤差因子の係数）がある。係数は0.6–1.0で、技術的に決める、と書いてあった。SUNO MAXIMIZER はこの式を回さない。外側の聴取が無い。6項も空である。測度は総合の V である。引き出しは残す。列には出さない。

5.4 過去条件の再実行

同じ方案、同じ重み。年次適合だけ差し替える。

現場で X を測れない。代わりに、過去年で同じ論理を再実行する。チャート1位を当てることが目的ではない。歌詞と30代公道を両立する上位が残れば、論理は持つ。

6. 適用文脈と棄却条件

男性と女性は、二つの適用対象である。誤差因子ではない。単独方案を先に出す。両方に受ける需要は、共通方案として代金付きで出す。二つの評点を平均して真の点にするな。誰がAUXを握るかは文脈である。適用対象と重なりやすいが、同じものではない。誤差因子に置くと、差が平均に消える。

棄却は質的言語で書く。クラブの128超は歌詞の文学性と衝突する。ティーンのベルティングは成熟と衝突する。楽器9種以上は世界観を潰す。棄却は足し算に入れない。その条件では方案が無い、と書く。

7. TRIZの適用範囲

質的案件でTRIZは間接的に働く。ラーメンなら、濃厚と健康を時間帯で分ける。音楽なら、ピアノ＋サックスの指定と、若年向けテンポの衝突を、BPMと声の成熟で分離する。物理量として残るのはBPMと楽器数程度だ。それを制御因子に入れる。行列を本体にしない。

8. SN比も直交表も使わない

総合SN比の考え方（予測を金型と見る、損失をMに足さない）は使う。dB計算は使わない。誤差係数が代わりである。望大（歌詞適合）はそのままVへ。望目（年次適合）は目標からの距離としてVへ。望小（害）は限度を超えたら棄却する。

9. 質的案件の探索

初期案を10–30に絞る。評価に判断者の時間が要るからである。TRIZの分離と、業界の標準案を混ぜる。絞った案を全件評価する。直交表は使わない。最大の F が答え。0点を超えなければ、現状のまま出す。

列の数は決める。セルは言語のまま。A1/A2に切らない。

因子の数は、ラーメンなら3、音楽なら様式・BPM・編成・声・制作の5程度。水準は切らない。切ると、最適が表の外へ逃げる。コンテキストはデータベースでもよい。Excelの行も、食べログの店舗マスタも、同じ型である。

10. 次に進むには

枠の埋め方は、コミュニティとプロファイルと欠測を足して、ここまでである。次のユーザーマニュアルで機械の画面を固定し、事例研究編で、歌詞を制約に落とし、実測で右側を書き直す。

11. コンテキストを三つ注入する

口コミ型の表、自分の聴取票、他人のパック。列を足す。平均しない。

基礎理論編で定義を増やした。コンテキストとは、タグチの直交表のことであり、TTMでは、データマイニングと自分の実験結果、およびコミュニティで共有された実験結果である。応用の仕事は、その三つを、案件の表としてLLMに渡すことだ。


源	ラーメン	音楽	注入の作法
データマイニング	食べログの店一覧	年代×国の様式Excel	GOの前。0点と語彙
自分の実験	試食はしていない	SUNO 6本の聴取	黄色セル。プロファイル付き
コミュニティ	他店主の同じ四列	他人のsunoctxパック	支えとして読む。Fに足さない

第三項をFに足すな。計測系が近くても、他人の4.0は自分の0点からの差ではない。似たプロファイルの行は、「同じ方向を指している」という支えになる。違うプロファイルの行は、別案件である。平均すると、カナダのロック男と米南部のK-POP女のあいだに、誰も聴かない点が残る。

評点表とプロファイルが対になって、初めてコミュニティの表になる。

パックの最低列は、方案、Style、男V、女V、棄却、コメント、評者の性別、年代、出身、好みである。歌詞全文は必須ではない。歌詞のハッシュがあれば、同じ必要機能かどうかを切れる。プロファイルが欠けたパックは、機械が庫へ入れても、分析の参照に使わない。

12. プロファイルを表の列にする

誤差とAUXと評者を、同じ列に落とすな。

応用の空欄に、評者を足す。既定の二人は、今回の案件の計測系である。男性、30代、カナダ出身、ロックが好き。女性、30代、アメリカ南部出身、K-POPが好き。これは教材の便利な例ではない。評点が何の変換かを宣言する列である。


列	男側の既定	女側の既定	空だと
性別	male	female	どの列を埋めたか不明
年代	30代	30代	30代適合が計測系と交絡する
出身	カナダ	アメリカ南部	コミュニティで使えない
好み	ロック	K-POP	コメントの読みが案件の外へ逃げる

女の4.0が、K-POPのバラードに聞こえたからなのか、南部の古いR&Bに聞こえたからなのかは、好みと出身の列が無いと切れない。同じ4.0を一本の女製品へ平均するな。プロファイルが二つあれば、方案も二つ残してよい。

13. 6項は任意である。モニターの負担が重いなら空でよい

応用の初版は、Vを6項の加重平均として書いた。その式は残す。ただし必須ではない。第一回の聴取で、モニターは6項を「不要」と返した。負担が多い。機能評価の核は、総合の受容である。分解は診断である。診断のために総合評価を壊すな。


あるもの	製品選定	できる分解
総合Vだけ	できる。F = V − V0	コメントとプロファイル
総合Vと6項	同じ	公道／疲れ／歌詞／年次／AUX
6項だけ	部分加重で近似できる	総合が空でも読める
どちらも空	その行は候補から外れる	検証不能と書く

AUX適合を6項で取れないとき、男女の総合差が、文脈の代わりになる。弱い。だからコメントを残す。「ガールフレンドがK-POPのバラードみたいと喜んだ」は、AUX女の項が空でも、女側の計測系を説明する。

14. 欠測の読み方 — 枠は触らず、検証不能を残す

空欄は失敗ではない。その方案が担っていた仮説が、切れなくなった記録である。

女製品候補の行が空なら、女製品はフォークソウルである、という事前仮説は検証不能である。都市ソウルの女声が高いとき、それが女声の効果なのか編成の効果なのかも、切れない。切れないものを、事例研究の結論から消せ。枠（三分法、0点、許容差の向き、AUXを誤差にしない）は触るな。

機械の仕事は、この文を自動で出すことだ。人の仕事は、次の実験数を足すか、検証不能のまま製品を出すかを決めることだ。実施した行の最高は、参照条件である。製品は、マイニングと実験から推定した未実施のStyleである。選ばなかった事前仮説は、消さない。検証不能の行として残す。理論は、そうやって厚くなる。

15. 実験とマイニングを総合して、未実施を予測する

ラーメンがリストにない一杯を書かせるのと同じ仕事である。

応用の空欄の埋め方は、ここまでで枠が立つ。枠の上で何をするかが、最適化である。データマイニングの表は、市場がすでに終わらせた実験である。SUNOの表は、この案件がいま終わらせた実験である。二つを総合するとは、二つの優勝を足して2で割ることではない。同じ因子の列を読み、まだ聴いていないStyleを推定することである。

タグチなら、要因効果図の高い水準を組み、加法モデルでSNを予測し、確認実験に出す。TTMは水準を切らない。男の表が教えるのは、フォーク方向とメリハリの欠落とカントリーの新鮮さである。女の表が教えるのは、女声とピアノ＋サックスとK-POPバラードと南部R&Bである。マイニングが教えるのは、2027年のアナログ中音域である。歌詞が教えるのは、ピアノとサックスを捨てられないことである。組み直した文は、E1からE6のどれとも一致しなくてよい。


源	教えるもの	製品にしてはいけないもの
マイニング	0点、語彙、年次の残り方	Excel最新行そのもの
実験の水準平均	どの方向が動いたか	最高点の実施行
コメント	メリハリ、K-POP、南部、一周	感想を散文のままStyleにする
制約	ピアノ＋サックス、文学、非ベルト	制約を最適と同一視する

確認実験は、予測文と参照条件（実施行の最高）を、同じプロファイルの評者に同時に聴かせることである。利得が出なければ、交互作用が残っている。S7が欠測なら、1曲がS7骨格に寄った予測は、S7そのものも並べて確認する。予測Vは目安である。dBにしない。

16. システムの流れは量的と同じである

ラーメン最適化システムの詳細が骨格である。箱は量的と共通。入る道具が違う。

重要なことは、量的最適化と質的最適化で流れがほとんど変わらないことである。課題の認識、因子の分解、コンテキスト枠、LLM情報分析、交互作用確認、最適条件、妥当性確認、結果の保存。タグチとTRIZは、この箱の中に入るだけである。質的では、測度が評点になり、TRIZは分離の感覚に薄まる。箱は消えない。

ラーメン事例のフォルダでは、多くの内容をユーザーが処理した。注入表を人が用意し、方案を人が書いた。今回のシステムは、LLMが最初から最後まで処理する。ユーザーが渡すのは、課題と、実験の評点と、確認の評点である。途中の因子分解と固定と予測は、機械の仕事である。

17. 固定する因子、実験する因子

確度が高い列は固定。不確実な列だけ実験。最大4因子。交互作用が出れば固定を見直す。

ユーザーの実験回数は少ない。さしあたり固定する因子は何件あってもよい。年、国、歌詞、固有名詞禁止、ベルティング棄却は、実験しなくても固定できる。実験で動かすのは様式、声、編成の薄さ、BPM帯である。四つである。ピアノ＋サックスは制約として残し、厚さだけ動かす。固定した調味料に交互作用が出れば、コチジャンをバターへ替える。

18. 三段のダッシュボード

中間は実験条件を渡す報告。暫定終了は予測までの全検討。確定終了は確認を含み、論文になることが期待できる。

中間ダッシュボードは、GO のあとに出る。どこまで終わったか、何を固定したか、何を実験するか、欠値を許容するリスク。暫定終了は、評点が戻ったあとに出る。教育用論文の最小要素（題、因子、測度、実験表、要因効果、予測、次の確認）を載せる。確定終了は、予測文の確認評点が戻ったあとに出る。利得、問題点、今後の改善。匿名化して保存し、コミュニティへ出せる。

欠値は、中間の時点でリスク付きで許容する。空欄は失敗ではない。その方案が担っていた仮説が検証不能になる、と書く。

参考文献

[R1] QEU FOUNDER (2025). LLMで最適化を行う（ラーメンの最適化 / 許容差設計）。

[R2] 田村希志臣・倉地雅彦・壇原文雄 (2019). バーチャル評価の現状と課題 (1). 品質工学, 27(2).

[R3] 宮川雅巳 (2023). タグチメソッドに魅せられて. 日本統計学会誌, 53(1).

[R4] 基礎理論編に同じ [R1]–[R18]。

[R5] 田口伸・矢野耕也。機能評価が残り、計算道具は替わる、という対話。基礎理論編 [R18]。

SUNO MAXIMIZER〜TTM 基礎理論編（ver0.9）— TOKEN と許容差の向き

Ryuji Yabe — Wed, 19 Aug 2026 02:58:20 +0000

三部作：基礎理論編／応用理論編／ユーザーマニュアル編

SUNO MAXIMIZER〜TTM 基礎理論編

SUNO MAXIMIZER (Ver. 0.9)

この機械がすること	人がすること
歌詞と条件から実験票を出す。Style を SUNO に貼れる形にする	曲を出し、総合の男評点と女評点を書く
0点からの差 F を出し、単独（男性）・単独（女性）・共通方案を返す	6項は任意。モニターの負担が重いなら空でよい
欠測を穴埋めせず、どの仮説が検証不能かを言語で出す	棄却は「はい」と理由。平均に入れない
プロファイル付きの実験パックを書き出し、他人のパックを庫へ入れる	出身・年代・好みを先に書く。欠けたパックは共有しない

インストールはユーザーマニュアル編 §1 に集約した。実装エージェント (Codex / Claude Code 等) への指示文はそちらを見よ。

参照順: 基礎理論編 → 応用理論編 (質的) → ユーザーマニュアル編 → 事例研究編。応用理論編 (量的・番外) は本筋から外れる姉妹編で、参照は任意。

この文書（基礎理論編）は、その機械の思想の一部である。基礎が変われば応用も事例も機械も変わる。逆は許さない。

用語 — 「誤差」とだけ書かない

用語	定義
誤差因子	使う場所で機能を乱す条件。設計者が水準を自由に選べない。温度、レーン摩擦、風向。SUNO機械では空。
適用対象	誰のために方案を出すか。男性と女性は、二つの適用対象である。
単独方案	一つの適用対象で測度最大。男評点の最高、女評点の最高。平均しない。
共通方案	両方の適用対象で残る方案。需要があるときだけ出す。誤差因子最適とは呼ばない。
ロバスト	誤差因子がある案件で、乱れに強いこと。レーン摩擦、風向。適用対象の共通方案とは別語。
文脈（AUX）	車内で誰が選曲するか。適用対象と重なりやすいが、同じものではない。
計測系	評者のプロファイル。適用対象の人が、同時に点数をつけることが多い。
実験のばらつき	同じ方案を繰り返したときの差。誤差因子ではない。
TOKEN	AIに入る意味の単位。Style文や口コミ。数値でもダミー変数でもない。
許容差設計	質を維持して価格を安くすること。TOKENが質を運ぶ。金額化は必須ではない。
向き	課題がその手法に向くか。許容差なら、安くするニーズがあるか。

構想ごと選ぶ品質工学

TRIZ–TAGUCHI–METRICS。枠は品質工学のまま。

教師は、タグチを一度は触った管理者。生徒は、タグチを聞いたことのない入社0–2年。AIは使っているが、QA以外の最適化は初めてである。

日付 2026-08-19。ver0p9。数値の教材例は仮想実験である。コミュニティとプロファイルと欠測は、計測系の本体である。

先に結論

量的案件の本質は誤差因子である。直交表とSN比は、実験が高い時代の道具だ。

質的案件では、方案の差と人の差が分離できないことが多い。誤差因子の欄は空でよい。空は欠測ではない。

SUNO MAXIMIZER は誤差因子を使わない。誤差の三文字だけでは書かない。

実験計画法はタグチより古い。両者は直交表と分散分析の子だ。AIは両方を越える。

因子の数は決める。水準は切らない。実験結果は表としてLLMに入る。

コンテキストは三つある。データマイニング、自分の実験、コミュニティで共有された実験。

評点は計測値である。評者のプロファイルが無い数字は、共有しても使い物にならない。

欠測は穴埋めしない。どの仮説が検証不能になったかを、行で書く。

最適化は、実施行の優勝ではない。因子効果を推定し、未実施の組合せを予測する。直交表はその推定のために発明された。

田口伸と矢野耕也が言う通り、残るのは機能評価である。計算道具は替わる。

因子と数値が揃えば、ExcelでもAIでも、方案を全部評価すれば足りる。

TOKENは、量でも質でもない第三の情報である。Style文と口コミは点数化しない。

許容差設計は、質を維持して価格を安くすること。向きがあるかはニーズだけである。

数量化第一類は、AIでは使わない。TOKENがすでに意味空間に載っている。

TTMは新しい図ではない。品質工学の同じ枠で、単語が置き換わる。

0点は現状案。動特性の測度は三角形の面積S。選ぶ尺度は金額F、または評点V。

TTMは射出成型の転写法の延長である。評価関数が金型になる。

四つの問い

問い	答え
タグチの核は何か	ばらつき・損失・誤差因子。標語の直交表とSN比は道具
直交表とSN比は残るか	実験が高いときだけ。数値が揃えば使わない
0点は何か	最適化しないなら、いま選ばれる方案
TTMは新しい図か	品質工学の同じ枠。言葉が置き換わるだけ

基礎 → 応用 → 事例。この順番を逆にすると、枠が案件に飲み込まれる。

この文書の使い方

受け取る人は、部下に最適化を任せたい管理者である。自分ではもう実験しない。AIの時代に、SN比と直交表と損失関数を儀式のまま残すのは無理だ、と思っている。その感覚は正しい。ただし、核まで捨てると、部下は「点数の高い案」だけを拾う。

教える人は同じ管理者である。タグチを簡単に伝え、AIで最適化できることを見せなければならない。この文書はその授業の台本である。

教わる人は新入社員から2年目まで。タグチは初耳でよい。砂時計から入る。風力とラーメンは、量的課題と質的課題の見本である。今回の音楽案件の固有名詞は、応用理論編と事例研究編で埋める。

文書	役割	ここに書かないこと
基礎理論編	タグチの核とTTMの枠。コンテキストの三分法	カナダ、歌詞、方案S5の最終点
応用理論編	質的最適化の埋め方。プロファイルの列	10案の最終採点
ユーザーマニュアル編	SUNO MAXIMIZERの画面とパック	核の再発明
事例研究編	受け取った課題を解く。実測で右側を直す	枠そのものの再発明

0. 序論 — 最適化は必要条件になった

1960年代は損失を減らすことが「良いもの」だった。いまは、最適化されていないものは作れない。

タグチメソッドは高度経済成長の日本で育った。品質のばらつきが社会の損失になる。ばらつきを設計段階で潰せば、検査で拾うより安い。最適化は十分条件だった。最適化されていれば、市場はそれを良いものと読んだ。

いまは違う。温暖化、資源、人口。制約が同時に効く。最適化は存続の前提であり、十分条件ではない。最適化しても売れるとは限らない。人を動かすとも限らない。それでも、最適化されていないプロダクトは、そもそも作れない。

AIがこの前提を実行可能にした。因子を分解し、言語で評点をつけ、計算機で探す。物理量のない案件でも、直交表にこだわらなければ最適化できる。TTMはその変化に応える方法である。

軸	タグチ（1960）	TTM（いま）
背景	量産・輸出拡大	環境制約とAI
目的	社会の損失を最小化する	プロダクトを最適化する
最適化	十分条件	必要条件
手段	SN比 / 直交表 / パラメータ設計	TRIZ + 枠 + 測度 + 探索
測度	L = k(y−m)²	機能F、または評点V

0.1 AIの現状 — 想像もしなかったことができる

文章もコードも評価も探索も、エージェントが実行する。足りないのは計算ではない。表である。

2026年の現場では、対話するだけでは終わらない。エージェントがリポジトリを開き、論文を読み、表を作り、方案を採点する。Claude Codeに代表される実装系も、研究と教案を一気に書く系も、同じ景色を見ている。想像もしなかった仕事が、手元で動く。

だから最適化の前提が変わった。因子を分解し、言語で評点をつけ、計算機で探すことは、特別な研究室の仕事ではなくなった。物理量のない案件でも、直交表にこだわらなければ最適化できる。できないと言っていた側が、まだ道具を儀式のまま残している。

できること	まだできないこと	TTMが渡すもの
方案を言語で生成する	証拠のない魅力を金額にする	0点と棄却と向き
口コミを評点へ写す	客の体調を誤差から分離する	置けない誤差は空と書く
表の全行を比較する	埋まっていない枠で正解を出す	枠を先に埋める手順

課題解決AIに必要なのは、魔法のプロンプトではない。実験である。実験結果は、散文の感想ではなく、表としてコンテキストに入る。データベースでも、手書きの表でもよい。型は同じだ。

0.2 実験計画法が先にある

Fisherが古い。タグチは誤差を核にした。AIは水準を切らず、交互作用も読む。

タグチメソッドを話す前に、実験計画法を置く。R. A. Fisherの発明は、田口玄一より早い。目的は同じ側にある。顧客の要求品質を、設計段階で、経済的に決める。日常の工場データでは因果が取れない。計画したデータだけが、「水準を動かしたら何が起きるか」に答える。

従来実験の誤りは、いまもそのまま使える。目的が無い。誤差を無視する。試した水準の外へ外挿する。温度を60→65→70と時間順に上げて装置の摩耗と交絡させる。因子の組合せ（交互作用）を見ない。二元配置に繰り返しを置けば、交互作用は検出できる。これがFisher側の強みである。

直交表は、両方の子である。2水準7因子の要因実験は128回。直交表は主効果を少ない回数で見る圧縮である。3水準ならL9、L27。既定の解析は分散分析だった。発明当時、計算手段が貧弱だったからだ。手回し計算機の時代に、加法性のある指標へ圧縮する必要があった。

軸	実験計画法	タグチメソッド	AI / TTM
生まれ	Fisher。より古い	1950年代日本。誤差が核	数値が揃ったあと
既定の解析	分散分析	SN比＋分散分析	全評価。dBにしない
交互作用	見える。繰り返しが要る	直交表では使いにくい	表の行として読む
水準	実験者が2か3に切る	同じ。混合水準が得意	切らない。言語のまま
直交表	圧縮の道具	圧縮の道具	実験が高いときだけ

一長一短がある。実験計画法は交互作用を明らかできる。タグチの直交表は、交互作用を列に割り当てても、現場では使わない運用が多い。誤差因子を外側に置く思想はタグチが強い。どちらも、直交表を既定にする点では、AIの時代になじまない。AIは両者を越える。因子の数は決める。水準は無限でよい。交互作用も分析の対象になる。

0.3 TOKEN — 量でも質でもない第三の情報

数は要約。カテゴリの点数化は古い。TOKENは意味のまま入る。

AIの最適化は、TOKENで処理されている。TOKENは、数値でもダミー変数でもない。Style文、口コミ、歌詞は、すでに意味空間の一点である。近い意味は近くに座る。king − man + woman が queen に近い、と同じである。

点が持つのは座標ではない。関係である。

統計学でいう量的データと質的データは、ここを説明しきれない。質的データを数量化第一類で点数化してから回帰する、という手順は、AIでは意味が無い。TOKENがすでに意味を数値空間に載せている。点数化してから探すな。

TOKENには、数値を超える巨大な情報が入っている。評点5は要約である。『息の近い中音域の女声』は、空間の一点である。最適化は、近い TOKEN を残して方案を組むことだ。許容差設計も、同じ TOKEN でできる。質を維持する、とは、近い位置に残す、ということである。

定義は、質を維持して価格を安くすること。向きはニーズだけである。

許容差設計を、こう定義する。質を維持して価格を安くする。従来のタグチは、部品公差とコストの釣り合いを、金額で書いた。AIでは、金額化は必須ではない。TOKENが質を運ぶ。問題は、課題が許容差設計に向いているか否かだけである。ラーメンに現地価格の列があり、味を落とすな、という命令があるなら、向かう。SUNOのStyleは方案ごとに生成コストが変わらない。この案件は向かない。

1. タグチメソッドの本質

よく言われる標語は「直交表・SN比・損失関数」だ。標語は半分だけ正しい。核は誤差因子である。使う場所で機能が乱れる。その乱れを設計で潰す。道具は時代で入れ替わってよい。核は入れ替えない。

1.1 ばらつき

同じ設計でも、香港と北欧で成績が違う。同じ砂時計でも、夏の日中と冬の朝で落ちる速さが違う。品質の原点は、平均を目標に寄せることではない。使う条件が変わっても、機能が素直に残ることだ。

1.2 損失

目標からのズレを二乗して金額に換える。平均が目標でも、幅が残れば損失は残る。

損失函数は L = k(y − m)² である。目標からのズレを金額に換える。静特性は、目標が一点のときに使う。5分砂時計なら m = 5.00 分。動特性は、信号因子 M に出力 y が従うときに使う。理想は原点を通る一次式、y = βM。

損失函数ができるのは、ズレを罰することだ。得も、喜ばれることも、合法の害も、初期費の増減も、同じ式には乗らない。後で機能 F に拡張する理由がここにある。

1.3 誤差因子

同じ砂の量でも、高温多湿と振動で傾きが変わる。これが誤差因子の図の読み方である。

誤差因子は、機能を乱す条件である。市場、使用環境、季節、劣化。一つの線ではなく、同じ信号に対して複数の一次比例直線が立つ。線が重なればロバスト。扇に開けばばらつく。

誤差因子は「困った外乱」ではない。市場に出す以上、必ず起きる条件である。技術者が実験室の平均値だけを見ると、市場で壊れる。タグチが実験室の外を設計に引き込んだことが、本質である。

1.4 パラメータ設計と二段階

従来の最適化は、システムが決まったあとのつまみを動かす。制御因子はパラメータである。二段階で進む。まずばらつきを小さくし、次に平均を目標へ寄せる。平均合わせを先にやると、ばらつきの大きな案が「平均は近い」と生き残る。

タグチができるのは、決まったシステムを、誤差の下で素直に動かすことだ。できないのは、システムそのものを選ぶことだ。構想は所与である。構想を因子にする仕事は、後でTRIZとTTMが引き受ける。

2. 静特性 — 5分砂時計

生徒が初めて触る事例は砂時計でよい。目標が一点のとき、静特性（望目特性）と呼ぶ。上田時計製作所の教材を、授業用に圧縮する。

必要機能は5.00分。制御は技術者、誤差は市場。測度は望目のSN比。

2.1 課題

正確に5分を刻む砂時計を、安く、丈夫に作る。正確とは、暑い夏の日中でも、寒い冬の朝でも、洗濯機の上のような振動でも、5分である。丈夫とは、棚の上だけでなく、振動する場所でも狂わない。安いとは、利用者が買える値段である。

制御因子は、技術者が設計段階で決められるものだ。穴の径、穴の角度、砂の量、容器の材質、砂の質、砂の加工法、乾燥剤の量、台座の種類。誤差因子は、製品が市場に出たときに受ける条件だ。温度、湿度、振動。

制御因子	水準1	水準2	水準3
穴の径	1 mm	2 mm	—
上径の角度	30°	40°	50°
下径の角度	20°	30°	40°
容器の材質	A	B	C
砂の質	X	Y	Z
砂の加工法	a法	b法	c法
乾燥剤の量	2 mg	4 mg	6 mg
台座の種類	H社	J社	K社

入門書は、この8因子をL18に割り付ける。従来品の水準を第2水準に置くことが多い。水準の幅はできるだけ広く取る。狭くすると、最適が見えない。動特性に進むと、砂の量は制御から外れ、信号因子になる。

2.2 なぜ平均合わせでは足りないか

現状は平均が5分に近くても幅が広い。先に幅を潰す。

実験室の平均値を5.00に合わせることは易しい。砂の量を増やせば時間は伸びる。問題は、同じ砂時計を市場の悪い条件に置いたとき、4分になったり6分になったりすることだ。損失はズレの二乗だから、プラスマイナス1分は、プラスマイナス0.2分よりはるかに高い。

2.3 望目特性のSN比

望目特性のSN比は、次の形である。

SN比 = 10 log (ȳ² / s²)

ȳ は平均、s² は誤差の分散。平均が大きく、ばらつきが小さいほどSN比は大きい。通信工学の「信号対雑音」を、品質に借りた式である。授業では、式の暗記より先に「幅が狭い案が高い」と覚えれば足りる。

2.4 二段階最適化

左が現状。右が、ばらつきを潰してから砂量で平均を5分へ寄せたあと。

第1段でSN比を最大にする。穴径や角度や砂の質を動かし、誤差の下でも時間が揃う組合せを取る。第2段で、平均を5.00へ寄せる。寄せるつまみは、機能の傾きを変えない調整因子である。砂時計なら砂の量だ。平均合わせを先にやると、ばらつく案が残る。

3. 動特性 — 任意の時間を刻む砂時計

5分専用の砂時計を、10分用にも15分用にも使いたい。同じ制御因子で、砂の量だけを変えて時間を変えたい。これが動特性である。静特性を繰り返すより、信号因子を置いた方が効率が良い。

横軸は砂の量M、縦軸は時間y。最適案は誤差2本が重なり、原点を通る。

3.1 信号と0点比例

砂の量 M を信号因子にする。5g、10g、15g。出力 y は時間。理想は原点を通る一次式、y = βM。砂が0なら時間は0。β は傾きであり、感度である。β が大きいほど、同じ砂から長い時間が取れる。

動特性のSN比は 10 log (β² / σ²) である。傾きが大きく、直線の周りのばらつきが小さいほど高い。授業では、式より図を先に読む。誤差条件ごとに直線が一本立つ。重なれば健全、扇ならばらつく。

3.2 効率と健全性

効率は β(最適) / β(現状) である。後で出す応答面積 S の比と同じ意味になる。健全性は、誤差の下で直線が崩れないことだ。タグチは健全性を η（SN比）で見た。TTMは dB にせず、誤差条件ごとの測度で見る。

制御因子の例は静特性と同じでよい。穴径、上下の角度、容器、砂の質、加工法、乾燥剤、台座。違うのは、砂の量が信号になることだ。砂の量を制御因子に入れると、信号とつまみが混ざる。

3.3 静特性との違い

軸	静特性（望目）	動特性
目標	一点（5.00分）	信号に従う直線
信号	置かない	砂の量 M
測度	10 log (ȳ²/s²)	10 log (β²/σ²)
第2段	平均を目標へ	傾きを使いたい値へ
利点	分かりやすい	複数スペックを同じ因子で持つ

動特性の方が、製品の機能に近い。砂時計の機能は「砂を時間に変える」ことであって、「5分であること」だけではない。5分は、その機能の一つの使い方である。

4. 直交表と Excel ソルバ

制御因子が8つ、各3水準なら、全部試すと 3⁸ = 6561 回である。一回に一日かかる実験では、人生が終わる。直交表は、各水準が同じ回数だけ出るように割り付け、少ない回数で主効果を見る道具だ。

4因子2水準のL8。外側に誤差N1/N2。全16回ではなく8回。数値は授業用の仮想実験。

4.1 割り付け

内側に制御因子、外側に誤差因子を置く。内側直交表の1行が一つの設計。その設計を、常温乾燥（N1）と高温多湿＋振動（N2）で測る。行ごとに平均とばらつきが出せる。ばらつきからSN比を出す。

L18 は、2水準1列と3水準7列を18回で見る表である。入門書の砂時計は、穴径と角度をL18に割り付ける。授業ではL8で足りる。表の哲学は同じだ。各水準が均等に現れ、他の因子とバランスする。

4.2 変動分解と Excel

変動分解 → Excel回帰 → 数値が揃えば全評価。核は誤差の下で選ぶこと。

本来の解析は分散分析と同じスタイルの変動分解である。SN比を因子の効果に分解し、どの因子が効くかを見る。科学技術の発展で、同じ作業は Excel の回帰とソルバでできるようになった。ダミー変数で水準を置き、SN比を目的関数にして係数を読む。手計算の儀式が消えても、見ているものは水準平均である。

この教材データでは穴径が支配的。2.0mmは速すぎてSN比が落ちる。

直交表がなくなるAI手法への発展も、同じ必然である。方案が十〜数十で、因子と目的がすでに数値なら、直交表は圧縮の必要がない。全部評価すれば足りる。実験が高い、全評価ができない、測度がまだ言語のまま。そのときにだけ直交表を出す。

4.3 Excel での手順

授業では、次の順で見せる。直交表の各行に N1 と N2 の実時間を書く。行ごとに平均 ȳ と不偏分散 s² を出す。SN比 = 10 log(ȳ²/s²) を隣の列に置く。因子ごとに水準1の平均SN比と水準2の平均SN比を取る。差が大きい因子が効いている。最適水準を足し合わせて予測SN比を出す。

同じ表を、Excel の LINEST に渡してもよい。水準を 0/1 のダミーにして、SN比を目的変数にする。係数の符号が、水準平均の高低と一致する。ソルバは、制約付きで係数を動かすときに使う。手計算の変動分解と同じものを、科学技術の発展で置き換えているだけである。

因子	水準1の平均SN	水準2の平均SN	読む
A 穴径	21.9 dB	13.9 dB	1.0mm が勝つ
B 角度	18.7 dB	17.2 dB	弱い
C 砂	18.1 dB	17.8 dB	ほぼ無い
D 乾燥剤	16.2 dB	19.7 dB	多い方が安定

この教材データでは、穴を2.0mmにすると速すぎて5分から外れ、SN比が落ちる。乾燥剤は湿度誤差を抑える。角度と砂の主効果は小さい。最適の第一候補は A1（1.0mm）と D2（乾燥剤多）である。

4.4 確認実験

水準平均の足し算で予測した最適は、必ず確認する。直交表は加法性を仮定する。交互作用が大きいと、予測SN比と確認SN比が食い違う。食い違ったら、交互作用を見るか、システムを変える。後者がTRIZの領分である。

確認は、最適条件ともう一つ、第二候補を、同じ誤差 N1/N2 で測る。予測と確認の差が 1–2 dB なら、加法性は持っている。5 dB 以上ずれたら、交互作用を疑う。AI全評価の案件では、この確認は「別の年・別の店舗で同じ論理を再実行する」に移る。

4.5 望大・望小・望目

静特性は三つある。望目は目標が一点（5.00分）。望大は大きいほどよい（強度、発電）。望小は小さいほどよい（摩耗、騒音）。砂時計の授業は望目で足りる。風力の発電は望大、騒音は望小だが、TTMは騒音を M に足さない。限度を超えたら棄却し、金額化できる害だけ Δ逆で引く。

特性	例	SN比の形	TTMでの扱い
望目	5分砂時計	10 log(ȳ²/s²)	第2段で平均を寄せる
望大	発電、強度	10 log(ȳ²/s²) 系	ユーザー利益として M へ
望小	摩耗、騒音	−10 log(s²) 系	Δ逆か棄却。M に足すな

4.6 実験計画法とタグチとAI — 道具の交代

直交表の哲学は残す。各水準が均等に現れ、他の因子とバランスする。残さないのは、水準を2か3に切ってからでないと探索できない、という前提である。

実験計画法は、交互作用を見るために繰り返しを買う。タグチは、誤差の外側配列を買う。AIは、方案の行を買う。買うものが違う。核は同じだ。使う条件が変わっても、機能が残る案を選ぶ。

買うもの	何が見える	高いとき
繰り返し（Fisher）	交互作用と実験誤差	一回が実験室の日単位
外側配列（タグチ）	誤差の下の健全性	実機の試作が高い
方案の行（AI）	主効果も交互作用も	評価が言語で、すでに安い

5. 交互作用 — 最適が入れ替わる

因子Aの効果が、因子Bの水準で変わるとき、交互作用がある。直交表の主効果だけを信じると、確認実験で崩れる。生徒に一番見せたい図は、平行な線と交差する線である。

左は加法的。右は交差。穴を広げたときの良し悪しが、砂の質で逆転する。

TTMでは、交互作用は β の変化として読む。応答面積 S は β と使用域だけで決まる。だから、組合せ表で β や F を見れば足りる。直交表の列割り当てで交互作用を消す作業は、全評価が前提なら要らない。

乗法・抑止・閾値。風力の事例では、静音と鳥、静音と基数、台風寄せと立地がこれに当たる。

型	現象	読み方
乗法的	両方あって初めて大きい	単独の主効果を足すな
抑止的	Aは効くがBで消える	同時採用の代金を書け
閾値的	閾値を越えたときだけ効く	水準の切り方を先に決める

交互作用が大きいとき、パラメータ設計の土俵に載せてはいけない。それは構想が違う。TRIZで構造を変え、別の方案として並べる。

6. 開発の流れと転写性

システム選択 → パラメータ設計 → 向きがあれば許容差設計 → 機能性評価 → 製品。

立林和夫が整理した一次設計・二次設計・三次設計がこれである。システム選択、パラメータ設計、許容差設計。そのあと機能性評価がある。AIの大きな絵では、最初の2段は同じ方案探索として統合できる。違うのは3段目と4段目の扱いだ。

6.1 射出成型の転写性

金型寸法が製品寸法に写る。β≈1。製造なのでユーザー環境の誤差は置かない。

タグチメソッドの歴史で特筆すべきは、射出成型の転写性である。金型の寸法 M が、同じ位置の製品寸法 X に写る。グラフが豊富なので、最適化のための誤差因子は要らない。製造プロセスであり、ユーザーの使用環境を想定しなくてよい。効率は β≈1 なので測らない。見るのは健全性 η だけである。

6.2 TTMは転写法の一種

金型が、予測モデルや言語の評価関数に置き換わる。

ディープラーニングは、違う物理量や質的変量を出力に変える金型である。予測値を M に置き、実際値を X に置く。LLMが口コミからラーメンを採点するのも、歌詞と様式から受容評点を出すのも、同じ転写である。TTMは転写法の一種だ。金型が金属から、評価関数に移った。

転写だけでは現場系は足りない。風力のようにユーザー環境がある案件では、伝統型から誤差を二つ借りる。製造の転写図を、現場にそのまま持っていくな。

7. 動特性の歴史 — 4類型

伝統 → 転写 → 総合SN比（単一） → 総合SN比（多次元）。TTMは3番を骨格にする。

型	横軸 M	縦軸 X	誤差	効率
1 伝統	スペック（砂の量）	メトリックス（時間）	使用環境。必要	βopt/β0
2 転写	金型寸法	製品寸法	不要（製造）	β≈1。見ない
3 総合・単一	予測値 f(調整)	実際値	現場は2つ	Mopt/M0
4 総合・多次元	予測の組（利益のみ）	実際の組	同上	ΣMopt/ΣM0

その1は親である。0点比例の絵と、使用環境の誤差という感覚は残す。その2は製造の話だ。その3がTTMの既定である。予測は中間生成物で、効率は傾きではなく予測値の比に移る。その4は、ユーザー利益が複数あるときにだけ開く。騒音や故障を第2の M にしてはいけない。

効率は Mopt／M0。健全性は誤差の下の測度。dB にはしない。

8. 量的課題と質的課題

類型コードは要らない。測度が金額か評点か、TRIZの行列を踏むか踏まないか。

課題は二つに分かれる。量的課題は物理量がある。測度は金額にできる。TRIZが構想と物理量を出す。風力、射出成型、砂時計がこの側だ。質的課題は、最終評価が言語評点である。測度は0–5のまま使う。換金しない。TRIZの矛盾行列は踏まない。データベース解析の一種である。ラーメンと、後の音楽案件がこの側だ。

質的だから手法が雑になる、ではない。因子が言語で揃い、方案が数えられ、評価基準が書いてあれば、探索は機械的にできる。TOKEN が質を運ぶ。違うのは、許容差に向かうかがニーズで決まることと、妥当性の確認が現場の実測ではなく、過去条件での論理再実行になることだ。

9. 量的課題の見本 — 風力

横軸は風の強さ、縦軸は発電。三角形の面積が増えることがメリット。

風力は量的課題の見本である。入力は風のエネルギー。出力は発電量。起こって欲しくない副産物は騒音。エネルギー保存則を先に読む。風のエネルギー = 発電 + 熱と機械の損失 + 騒音エネルギー。騒音を小さくしたいなら、まず発電（ユーザー利益）を最大化する。

現状の固定VAWTと、HAWT+PV。面積の差が動特性のメリット。

調整因子は平均風速、空気密度、運転時間。組合せ最適化しない。制御因子は方式、基数、PV、静音、鳥対策、立地。構想と水準を分けない。誤差は技術で二つ。風向・乱流と、台風・突風。香港や欧州という国名を誤差に置くな。国名は単価と法規と気候の混合物である。

測度は金額 F である。応答面積の増分を売電に換え、初期費と合法の害を引き、証拠のある魅力だけ足す。法規を超える騒音は金額にしない。その誤差では方案が無い、と書く。売電という価格があるので、許容差設計に向かう。

TRIZはここで本領を出す。発電を増やしたいが騒音と鳥と初期費が悪化する。技術的矛盾である。全方位で受けたいが効率も欲しい。物理的矛盾である。原理を案件の言葉に訳すと、VAWT、静音翼、鳥マーク、台風寄せカムといった制御因子になる。行列の番号は答えではない。

9.1 機能Fの内訳を読む

抽象例を一度、手で追う。使用域を風速2から11とする。現状案の β が40なら S = ½×40×(121−4) = 2340。方案の β が95なら S = 5565。面積は約2.4倍。この増分を、現状案の年間応答に比例させて一元へ換える。初期費の増減と逆の増減を足す。これが一つの方案の F だ。

項	現状案	方案	差
S（応答面積）	2340	5565	+3225
金額(ΔS)	—	—	売電に換算して足す
初期費	基準	増えることが多い	引く
逆（合法の害）	基準	減ることもある	引く（差が負なら得）
魅力	入れない	証拠があるときだけ	証拠なしで赤字を消すな

同じ方案が、ある適用対象では正、別の対象では棄却、ということは起きる。ロバストは、棄却されない対象だけで平均しない。全対象で残る方案だけを見る。残る方案が一つで F が負なら、同じ方案にする代金を書く。

地区風力の研究では、単独適用で黒字の案が、複数市場を同時に通そうとすると赤字になることがあった。それを「ロバストが勝った」と読んではいけない。同じもの税である。通すか、対象を分けるかを決める。

10. 質的課題の見本 — ラーメン

麺・スープ・具に分解し、言語評点で選ぶ。誤差は置かない。

ラーメンは質的課題の見本である。出汁の濃度や茹で時間は物理量だが、最終の「うまい」は客の舌が決める。評価は口コミと現場知を、0–5の評点に写す。換金しない。

0点は、いま店主が頼むであろう名店の寄せ集めである。新しい組み合わせでも、何もしないでもない。誤差因子は置けない。同じ一杯でも、客の体調と空腹で受け取りが変わる。方案の差と客の差が分離できない。置けないものは、無理に置かない。

探索は仮想評価である。麺×スープ×具の方案を、LLMに全件採点させる。食べログや類似店の文章がすでに数値化の材料になっている。因子と目的と数値が揃っている。直交表もSN比も要らない。

価格列が無ければ、許容差設計には向かない。残るのは感度地図だ。茹で時間を10秒動かしても評点が動かない、程度の話である。現地価格の列を足せば向かう。味の TOKEN を固定し、安い行を探す。これが許容差設計である。

妥当性は、口コミの再集計である。出した案を、1ヶ月後・3ヶ月後に同じ論理で読み直す。現場でXを測る代わりに、過去条件で論理を再実行する。作業の型は風力と同じだ。

TRIZの行列は踏まない。質的最適化はデータベース解析の一種である。矛盾の感覚は残してよい。濃厚と健康を時間帯で分ける、は物理的矛盾の分離だ。だが手順の本体は、行列引きではない。

10.1 四つの条件が揃えば、直交表は要らない

ラーメン最適化が示した条件は四つである。豊富な言語情報（口コミがすでに文章である）。厳正な評価と数値化（QEU評点）。モノのモジュール化（麺・スープ・トッピング）。LLMがドメイン知識を持っている。この四つが揃えば、直交表も分散分析もSN比も不要で、最高評点の方案を直接生成できる。

許容差側の命令も同じ型である。「味を落とさずコストダウン」。換金はできないが TOKEN が質を運ぶ。価格列があれば、これは許容差設計である。

機能性評価は、出した案を後から同じ論理で読み直すことだ。食べログの★と件数を、1ヶ月後・3ヶ月後に再集計する。予測が持てば同じ結論が出る。出なければ、店主の判断が主観的すぎた、と書く。風力が現場の X を測るのと、作業の型は同じである。

10.2 コンテキスト表 — 実験はすでに終わっている

各行が一つの完了した実験である。水準は言語。評点が応答である。

ラーメン最適化の本体は、直交表ではない。Webの口コミを、麺・スープ・トッピング・評点の表に直すことだ。データマイニングと実験が、同じ表で融合する。各店は、誰かがすでに走らせた実験行である。

麺	スープ	トッピング	評点
中太縮れ・多加水	豚骨＋塩	醤油煮豚バラ	4.3
中細ストレート	濃厚豚骨	チャーシュー・ネギ	4.2
細ストレート	豚骨醤油・白濁	定番三種	3.8
青竹手打ち	鶏ガラ醤油	チャーシュー・メンマ	3.6
細／太選択	甘エビ白湯	海老天かす	4.2
中太ストレート	豚骨＋焦がしニンニク油	味玉・きくらげ	4.0
太麺・プリプリ	信州味噌	野菜・チャーシュー	3.9
極太縮れ	会津山塩	味付けチャーシュー	3.8

この表をLLMに渡す。役割は「静岡の店主」。命令は「リストにない一杯を、麺・スープ・トッピングで書け。奇をてらうな」。水準をA1/A2に切らない。切った瞬間に、最適が表の外へ逃げる。

10.3 因子は有限、水準は無限

決めるのは列の数。切らないのはセルの中身。

制御因子は三つで足りる。麺、スープ、トッピング。これが因子の数である。水準数は決めない。中太縮れ・多加水も、青竹手打ちも、甘エビ白湯も、一つの水準である。直交表は、先に2か3へ切る。AIは言語のまま読む。

コンテキストはデータベースでもよい。食べログの店舗マスタを、同じ四列へ写せば、行が増えるだけである。行が増えることが、実験回数が増えることだ。

現場やWeb → コンテキスト表 → LLM。散文の感想を渡すな。

11. TRIZの基礎

方案を増やすのがTRIZ。同じ尺度で切るのがTTM。

TRIZは、発明的な問題を解く体系である。中心の主張は単純だ。よい発明は妥協ではなく、矛盾を解消する。量的課題の構想は、ここで出る。

11.1 技術的矛盾

ある特性を良くすると、別の特性が悪化する。改善したい特性と悪化する特性を、39の工学特性へ写す。矛盾行列を引き、40の発明原理から候補を読む。原理はヒントである。そのまま答えではない。案件の言葉に翻訳して、初めて方案になる。

11.2 物理的矛盾

同じパラメータが、大きくもあり小さくもあれ、という要求になることがある。行列は使わない。空間・時間・条件・全体と部分で分離する。技術的矛盾より一段きつい。分離できたときの方案は、構造が変わる。

11.3 できること、できないこと

TRIZができるのは、構造の違う方案を出すことだ。物理量の候補も出る。感度、騒音、起動の下限、耐久の上限、初期費。これらはあとで測度か棄却条件になる。中間出力（矛盾・原理・物理量）は残す。行き先の無い量は測度にしない。

TRIZができないのは、方案を同じ尺度で選ぶことだ。誤差の下で選ぶことだ。法規で棄却することだ。いま選ばれる案より得かどうかを言うことだ。行列の次に「いちばんよい原理」は書いていない。

11.4 質的課題では行列を踏まない

質的最適化は、TRIZのステップを本体にしない。すでに言語化された評価が世の中にある。それをモジュールに分解し、評点で選ぶ。TRIZの感覚（矛盾の分離）は因子の抽出に使ってよい。手順書の本体は、矛盾行列ではない。

11.5 因子採取の5段

量的課題でTRIZを動かすときは、次の5段で因子を取る。飛ばすと、構想が水準に化ける。

段	やること
1 要求収集	無くてはならない働きと、嫌われる害を言葉で書く
2 TRIZ翻訳	技術的矛盾と物理的矛盾に写す。原理を案件語へ訳す
3 物理量抽出	感度、騒音、下限、上限、初期費。行き先のない量は捨てる
4 因子化	構想もつまみも一つの因子表へ。層に割らない
5 誤差の確定	技術名で二つ。市場名は単価・法規・気候へ分解

風力の例。発電を増やしたい、騒音と鳥と初期費が悪化する、が要求。矛盾行列から「局所品質」「事前保護」「他次元へ移す」などを読む。訳すと静音翼、鳥マーク、台風寄せカムになる。物理量の行き先は、β・S（発電）、棄却（騒音限度）、一元（初期費）である。国名は誤差にしない。

12. なぜこのスキームが必要か

現場の問いは、しばしば「どのつまみを何度回すか」ではない。「どのシステムを立てるか」である。従来の二つは、その問いに対して、それぞれ半分しか届かない。

12.1 TRIZだけでは選べない

TRIZは方案を増やす。増えた方案を、誤差の下で、現状より得かどうかで切る道具を持たない。原理の番号が新しいことは、採用の理由にならない。

12.2 タグチだけでは構想が出ない

パラメータ設計は、システムが決まったあとの話だ。構想の差を水準の差に化けさせるな。構想は因子である。水準ではない。

12.3 分けて直列にすると、探索の意味がない

TRIZのあとタグチ、と工程を分ける考え方がある。分けると、前半はアイデア出し、後半は直交表になる。どちらも、方案を数値で評価できるいまの探索には要らない。役割は分かれる。工程は分けない。同じ図の上で同時に動かす。

12.4 数値が揃えば、直交表とSN比は終わる

因子と水準が明確で、目的が数値なら、方案を生成し、棄却を通し、測度を計算し、最大のものを取る。実験が高いときにだけ直交表を出す。TTMの既定は、そちらではない。

12.5 損失だけでは機能に足りない

L = k(y−m)² はズレを罰する。得も、喜ばれることも、合法の害も、同じ式に乗らない。機能は主に金額だ。狩野の一元・魅力・逆に分ける。換算できないものは棄却条件にする。

13. TTMという名前と用語

T: TRIZ。システムを作り、因子と物理量の候補を出す。中間出力を残す。
T: TAGUCHI。誤差因子を置き、信号に素直な動きを求める。直交表とSN比は既定では使わない。
M: METRICS / METHOD / MONETIZATION。機能は主に金額。狩野の三層。質的案件では評点V。

新しい図を覚えなくてよい。品質工学のアプローチ図の単語が置き換わるだけである。

用語	定義
方案	最適化の対象になる一個のシステム案。構想と水準を分けない
現状案 / 0点	与えた因子のうち、最適化しないいま選ばれる方案
必要機能	無くてはならない働き。在る課題では何もしないを方案にしない
機能 F	現状案を0とした金額。一元 − 逆＋魅力
評点 V	質的案件の測度。0–5など。換金しない
予測値 M	調整因子と制御因子から作るユーザー利益。旧・信号因子
実際値 X	誤差の下での実現値
感度 β	傾き。同じ信号から取り出す出力の大きさ
応答面積 S	使用域で0点比例直線が軸と作る面積
誤差因子	機能を乱す条件。重要なものを二つ
棄却条件	法規・安全・必須性能。金額化せず、その条件から外す
単独適用	誤差を一つに固定し、棄却されない方案のうち測度最大
ロバスト適用	複数誤差で棄却されず、平均測度が最大
コンテキスト表	因子×言語水準×評点。実験結果をLLMへ渡す型
水準は無限	因子の数は決める。A1/A2に切らない

14. 品質工学のアプローチ図

外枠が評価、内枠がシステム、上が制御、下が最適、左が入力、右が出力、右下が診断、黒い丸が誤差。

この読み方は変えない。変えるのは単語である。

入力・測度・制御・誤差・診断・0点。場所は同じ。

左は調整と予測M。右は実際Xと金額F。黒丸は技術誤差2つ。

15. 0点と機能F

何もしないを原点にすると、必要機能がある課題で、すべての方案が罰から始まる。

F の0は、与えた因子水準のうち、最適化しないいま選ばれる方案である。世間一般の最良でも、理論上の理想でもない。与えた表の中で、最適化しないなら選ばれる行である。選び方は記録に残す。

金額(ΔS) − Δ初期費 − Δ逆＋ Δ魅力。損失専用ではない。

単位を先に固定する。既定は USD、10年、実質3%（年金係数 8.53）。案件で変えてよい。変えたら記録する。途中で単位を変えない。質的案件では、この式の F を評点差 V − V0 に読み替える。換金しない。

狩野の三層を守る。一元は本業の便益。魅力は証拠があるときだけ足す。逆は金額化できる害を引き、限度を超えたら棄却する。証拠のない魅力で一元の赤字を消さない。棄却は足し算に入れない。−∞ として平均しない。

符号が食い違うことは珍しくない。応答面積は増えても初期費が勝つ。応答面積は減っても害が減って F は正。内訳を残す。合計だけ見ない。

16. 動特性と応答面積S

使用域2から11。現状β=40ならS=2340。方案β=95ならS=5565。増分を一元へ換える。

応答面積 S は、使用域で0点比例直線が軸と作る面積である。式は S = ½ β (Mhi² − Mlo²)。使用域が0から Mmax までなら S = ½ β Mmax²。誤差で線が分かれるときは、条件ごとの S を残す。一本に潰してから面積を取らない。

メリットは、現状案の S との差を一元へ換えた額である。SN比にはしない。面積を dB にしない。質的案件では、この三角形を無理に音楽や味に当てはめない。評点 V と誤差係数で足りる。

17. 因子の三分法 — 信号は消す

調整・制御・誤差。信号の欄は作らない。

調整因子が予測Mを作る。Mはロジックの欄から消える。

信号因子は扱いづらい概念だった。機能を動かしたい入力、という説明は正しいが、最適化の欄に置くと予測値と操作つまみが混ざる。総合SN比では、信号は中間生成物でしかない。調整因子が予測 M を作る。M はロジックから消える。

調整因子は組合せ最適化をしない。風速を「水準1/水準2」にして方案を選ぶ対象にはしない。制御因子が関数 f を変え、同じ調整の値から別の予測 M が出る。誤差因子はユーザー側で起きうる条件である。全部は考慮しない。重要なものを二つ程度にする。

国名は単価・法規・気候に分解する。誤差に残るのは気候の実体だけ。

市場や国を誤差に置くのは抽象化が過ぎる。香港や欧州という入力は、単価と法規と気候を一つの黒い丸に混ぜる。混ぜた瞬間に、ロバストが「一番厳しい条例を通る案」に化け、F が負の案が勝つ。

18. 単独方案と共通方案 — 適用対象は誤差因子ではない

単独方案は一つの適用対象で最大。共通方案は両方で残る。誤差因子最適ではない。

古いTTMは、香港と日本を誤差因子に置き、ロバスト適用と呼んだ。形は正しい。名前が間違っていた。適用対象は、誰のために方案を出すかである。設計者が切る。誤差因子は、使う場所で機能を乱す条件である。設計者が選べない。二つは同じ黒い丸に入らない。

地区風力なら、香港と日本は適用対象である。風向と台風が誤差因子である。SUNOなら、男性と女性は適用対象である。誤差因子の欄は空である。評点列が二つあるので、外側配列に見える。中身が違う。市場セグメントとして扱うな、は残す。誤差因子に置け、は捨てる。

単独方案は、一つの適用対象で測度最大。共通方案は、両方の適用対象で棄却されず、低い方を最大化する。棄却されない対象だけで平均しない。二つの点を平均して真の点にするな。共通は需要である。誤差因子最適とは呼ばない。ロバストという言葉は、誤差因子がある案件（レーン摩擦、風向）に残す。

食い違うときは、同じ方案にする代金を書く。通すか、対象を分けるかを決める。平均の作り方はSN比ではない。これを同じもの税と呼ぶ。

19. エネルギー保存則

Mに載せるのは発電だけ。騒音を足すと保存則が壊れる。

総合SN比に投入するメトリックスは、ユーザーにとってプラスになる量に限る。プロセスではエネルギー変換が働くことを期待している。損失を M に足すと、保存則が壊れる。多次元でも同じである。処理件数と節約額は載せてよい。故障件数や騒音 dB は載せない。

20. 許容差の向きと棄却条件

質を維持して価格を安くする。向きは、そのニーズがあるかだけである。

質問は一つだけである。この課題は、質を維持して価格を安くしたいか。Yes なら許容差設計に向かう。TOKEN が質を運ぶ。金額化は必須ではない。No なら向かない。向かないあとに残せるのは感度地図だけだ。BPMを6動かしても落ちない、サックスをミュートトランペットに替えても落ちない。それを公差と呼ぶな。代金が動いていない。

風力は向かう。売電という価格がある。ラーメンは、現地価格の列を足したときに向かう。味の TOKEN を固定し、安い行を探す。SUNO の Style は向かない。方案ごとに生成コストが変わらない。

逆品質のうち、限度を超えたものは金額にしない。その誤差条件では方案が無い、と書く。−∞ として平均しない。平均が意味を持たなくなる。棄却理由は残す。騒音なのか、安全なのか、必須性能なのか。理由が無い棄却は、探索の穴になる。

21. 手順

枠 → TRIZ → 三分法 → 測度 → 向き → 探索 → 単独方案/共通方案 → 記録。同じ図の上で同時。

システム構築はTRIZ、因子と目的メトリックスはTRIZとタグチ、運用時の素直な動きはタグチ、探索は計算。工程は直列にしない。質的案件では、手順1のTRIZを軽くし、評点の定義を厚くする。枠は同じである。

21.1 機能性評価は残る

開発の流れの4段目は消えない。予測が持つかを見る作業である。量的案件は現場の X と比較する。質的案件は過去年や別店舗で同じ論理を再実行する。作業の型は同じだ。許容差に向かないからといって、評価まで閉じるな。

機能性評価で枠を作り直してはいけない。測度の右側だけを書き直す。β、S、V、棄却限度を、測った値に差し替える。0点の定義も三分法も動かさない。

21.2 内側と外側

入門書は、制御因子を内側直交表、誤差因子を外側直交表に置く、と教える。TTMでもこの感覚は残す。内側は方案の表である。外側は誤差の条件である。AI全評価でも、方案の行と誤差の列は分ける。混ぜた瞬間に、棄却が平均に溶ける。

砂時計なら、内側が穴径と角度と砂、外側が常温と高温多湿。風力なら、内側が方式と基数とPV、外側が風向と台風。ラーメンなら、外側が空である。空なら空と書く。無理に客の体調を外側に置くな。

21.3 実験結果は表で注入する

課題解決AIの入力は、枠の空欄と、コンテキスト表である。表の列は因子。表のセルは言語の水準。右端が評点または金額。LLMは、この表を読んで方案を出し、同じ列で採点し直す。

水準を2と3に切ってから渡すな。交互作用が見える案件では、行を足せ。麺×スープ、スープ×具、具×麺。Fisherが繰り返しで買っていた情報を、表の行として買う。

22. やらないこと、記録すること

核は8つ。信号欄を残す、市場を誤差に置く、損失をMに足す、も加えて禁止する。

核の8つに、三分法以降の禁止を足す。信号因子の欄を残すな。市場・国を誤差に置くな。誤差を全部入れるな。騒音や故障を M に足すな。チャート1位や口コミ1位で必要機能を上書きするな。ニーズの無い課題を許容差設計と呼ぶな。

0点、単位、TRIZ中間、測度内訳、棄却、単独とロバスト、食い違いの代金。

再現できない最適化は、最適化ではない。後から測度の右側だけを書き直せるように残す。枠を作り直さない。

23. 案件への埋め方と既定

正しさの半分は空欄の埋め方にある。埋まっていない枠で探索しない。

この文書は空の枠である。案件は、空欄を埋めてから動かす。埋め方が正しければ、あとの作業は機械的だ。矛盾を出し、方案を並べ、測度を計算し、単独とロバストを出す。案件の固有名詞は空欄の中だけに置く。

既定値。通貨 USD、期間 10年、実質割引 3%（年金係数 8.53）。0点は現状案。動特性は応答面積 S。診断は探索。直交表とSN比は使わない。棄却条件はゲート。魅力は証拠があるときだけ。適用対象の数と中身は案件が決める。

探索のあとに実測が来たら、同じ図の右側だけを書き直す。測度の置き方は変えない。β と S と棄却の限度を、測った値に差し替える。枠を作り直さない。

24. 授業の進め方

教師は、この文書を最初から最後まで読ませない。砂時計の静特性で90分、動特性と直交表で90分、風力とラーメンで90分、TTMの枠で90分。4回で枠が立つ。

回	見せるもの	生徒が手元でやること	終わった印
1	5分砂時計、損失、誤差	N1/N2の2点からSN比を手計算	幅を先に潰す、と言える
2	動特性、L8、Excel	水準平均を出し最適を予測	直交表は圧縮だと説明できる
3	風力とラーメン	量的/質的、許容差の向きを判定	TRIZを踏む案件を見分けられる
4	0点、F、三分法、禁止8	空欄表を一件埋める	埋まっていない枠で探さない

デモは、ラーメンか音楽の全評価でよい。直交表を組ませず、方案を10本並べて採点させる。管理者が「SN比は要らない」と思っている感覚を、生徒の前で肯定する。そのうえで、誤差因子だけは残す、と釘を刺す。

生徒がやりがちな失敗は三つである。何もしないを0点にする。棄却を平均に入れる。チャート1位や口コミ1位で必要機能を上書きする。授業の最後に、この三つを禁止として復唱させる。

25. この先に進むには

枠を覚えた。次は、受け取った課題が質的であることを確認し、ラーメンとの同じ点と違う点を見る。それが応用理論編である。実際の歌詞と Excel を読むのが事例研究編である。

順番は「基礎理論編 → 応用理論編 → 事例研究編」である。基礎で枠を覚え、応用で埋め方を学び、事例で実案件に取り組む。枠を案件で上書きしてはいけない。

26. 計算ノート — L8の1行を手で追う

生徒が最初に止まる場所は、SN比の計算である。表の1行目だけを、手で追う。

No.1 は、穴径1.0mm、角度20°、砂X、乾燥剤少。N1（常温）= 5.40分、N2（高温多湿＋振動）= 6.20分。目標は5.00分である。

平均 ȳ = (5.40 + 6.20) / 2 = 5.80

不偏分散 s² = [(5.40−5.80)² + (6.20−5.80)²] / (2−1) = (0.16 + 0.16) = 0.32

SN比 = 10 log(5.80² / 0.32) = 10 log(33.64 / 0.32) = 10 log(105.125) ≈ 20.2 dB

平均は5.00より0.80分遅い。ばらつきも0.8分ある。平均だけ見ると「まあ近い」、SN比を見ると「幅が残っている」。これが望目特性の読み方である。

No.2 は同じ穴径で、砂をZ、乾燥剤を多にした行である。N1=4.90、N2=5.30。ȳ=5.10、s²=0.08。SN比 ≈ 25.1 dB。平均は目標に近く、幅も狭い。乾燥剤が湿度誤差を抑えた、と読む。

No.5 は穴を2.0mmにした行である。N1=3.20、N2=4.00。速い。ȳ=3.60、目標から1.4分外れる。SN比 ≈ 16.1 dB。穴を広げると砂は速く落ち、5分から離れる。主効果の表で A2 が負けている理由が、ここに見える。

第2段の調整は、砂の量である。最適条件（A1、D2）で幅が潰れたあと、砂を数グラム増やして平均を5.00へ寄せる。幅を潰す前に砂を動かすと、ばらつく案が「平均は近い」と生き残る。

26.1 動特性の同じ時計

同じ制御因子で、砂を5g、10g、15gと変える。理想は y = 1.00 × M、つまり5分、10分、15分。現状を流用すると、N2で線が寝て、15gのとき20分を超える。最適条件では N1 が 5.05 / 10.15 / 15.25、N2 が 5.25 / 10.55 / 15.85 まで寄る。効率は傾きの比、健全性は2本の線が重なることである。

砂 M	理想 y	現状 N2	最適 N2
5 g	5.00	6.3	5.25
10 g	10.00	13.2	10.55
15 g	15.00	20.4	15.85

静特性を3回やるより、動特性を1回やる方が、制御因子を統一できる。これが「任意の時間を刻む砂時計」を授業の2時間目に置く理由である。

27. 生徒用の空欄 — 一件だけ埋める

4回目の授業で、生徒に一件だけ埋めさせる。音楽案件でも風力でもよい。埋まっていない枠で探索を始めさせない。

空欄	生徒が書くこと
必要機能（一文）	無くてはならない働き。何もしないが方案になるなら、必要機能が無い
0点	与えた表のうち、いま選ばれる行。理由を一文
調整因子	予測Mを作る入力。組合せ最適化しない
制御因子	方案の組合せ。構想と水準を分けない
誤差2つ	技術名。国名や市場名は禁止
測度	金額Fか評点Vか。単位を先に書く
許容差の向き	質を維持して安くするニーズがあるか。Yes/No と理由
棄却	限度を超えたら方案無し、と書く害
妥当性の方法	現場のXか、過去条件の再実行か

教師は、空欄が埋まってからデモを見せる。逆は禁止である。先にAIへ「いい案を出して」と言うと、生徒は枠を覚えずに点数を追う。

28. よくある質問

Q1. SN比を残した方が、上司に説明しやすいのでは

説明用の語彙として残してよい。計算の既定にはしない。数値が揃った案件で dB に圧縮すると、内訳が見えなくなる。F の四項、または V の6項を残す方が、上司は判断できる。

Q2. 直交表はもう教えてはいけないのか

教えろ。実験が高いときに要る。授業の2時間目でL8を手計算させるのは、圧縮の思想を体に入れるためだ。既定の診断道具ではなくなった、というのが正確である。

Q3. ラーメンに誤差を置いてはいけない理由が、まだ分からない

置けないものは置けない、が先である。同じ一杯でも客の体調で評点が動く。方案の差と客の差が分離できない。分離できないものを外側に置くと、棄却もロバストも平均に溶ける。音楽は車内騒音が技術名で取れる。そこが違う。

Q4. 0点を業界の最良にした方が、野心的では

野心的ではない。方案の外に原点が出る。与えた表の中で、最適化しないなら選ばれる行が0点である。最良を置きたいなら、その行を表に入れたうえで、それがいま選ばれる理由を書け。理由が書けない最良は、0点ではない。

Q5. TRIZの40原理を全部覚えさせるべきか

覚えさせるな。訳す練習をさせろ。原理はヒントであり、番号は答えではない。量的課題で矛盾が書けたら、原理を3つだけ案件語へ訳し、制御因子の行にする。質的課題では行列を踏まない。

Q6. AIが採点した評点を、実測の代わりにしてよいか

仮想評価として使ってよい。機能性評価の代わりにはならない。実測が来たら右側だけ差し替える。枠を作り直すな。一致しなければ重みと誤差係数を動かす。0点の定義は動かすな。

Q7. 交互作用が大きいとき、どうする

パラメータ設計の土俵に載せるな。構想が違う。TRIZで構造を変え、別の方案として並べる。確認実験で予測と5 dB 以上ずれたら、この道を取れ。

Q8. 最適化すれば売れるのか

売れないこともある。最適化は必要条件である。十分条件ではない。授業の最初に戻る。

Q9. 実験計画法を教える必要はあるか

ある。タグチの前史だからだ。交互作用が見えること、直交表が圧縮であること、分散分析が計算貧弱時代の既定だったこと。この三つを飛ばすと、生徒は「タグチが直交表を発明した」と覚える。順番が違う。

Q10. コンテキスト表は、どのくらいの行が要るか

方案が識別できる最小でよい。ラーメンは10店から始めた。行を足すのは、交互作用と価格と特産が見えなくなったときだ。最初からデータベース全件を投げない。列が因子になっていない表は、コンテキストではない。

29. 記入例 — 風力とラーメン

空欄の正解は一つではない。正しい埋め方の見本を二つ置く。生徒は、自分の案件をこの表の隣に書いて比べる。

29.1 風力（量的）

空欄	記入例
必要機能	地区に1kW級の発電を置く
0点	固定VAWT屋上。いま選ばれるから
調整	平均風速、空気密度、運転時間
制御	方式・基数・PV・静音・鳥・立地
誤差2つ	N1 風向・乱流 / N2 台風・突風
測度	USD、10年、実質3%。F = 金額(ΔS)−Δ初期−Δ逆＋Δ魅力
許容差の向き	向かう。売電という価格がある
棄却	騒音条例、耐風破壊、鳥規制
妥当性	現場の発電Xを予測Mと比べる

29.2 ラーメン（質的）

空欄	記入例
必要機能	その店のラーメンとして出せる一杯
0点	名店の寄せ集め。店主がいま頼む組合せ
調整	地域、客層。組合せ最適化しない
制御	麺・スープ・具。構想と水準を分けない
誤差2つ	空。客の体調は方案と分離できない
測度	QEU評点 0–5。換金しない。F = V − V0
許容差の向き	価格列を足せば向かう。味の TOKEN を固定する
棄却	奇をてらうな、店の世界観を壊すな
妥当性	口コミを1ヶ月後・3ヶ月後に再集計

音楽案件の記入は、応用理論編と事例研究編で埋める。基礎理論編の空欄にカナダも歌詞も書かない。

30. 転写の数値 — 金型から製品へ

射出成型を一度、数字で見る。金型寸法 M が 10、20、30、40 mm。製品寸法 X が 9.7、19.6、29.8、39.4 mm。理想は β=1、つまり X=M。実測の傾きはほぼ1、健全性は点のばらつきである。

金型 M	製品 X	差 X−M	読む
10 mm	9.7	−0.3	収縮
20 mm	19.6	−0.4	収縮
30 mm	29.8	−0.2	収縮
40 mm	39.4	−0.6	収縮

ユーザー環境の誤差は置かない。製造プロセスだからである。見るのは、βが1からどれだけずれないか、点が一本の線に乗るかである。効率は測らない。

TTMが転写法の一種だ、というのはこの図の延長である。金型が評価関数に置き換わる。予測 M が金型寸法、実際 X が製品寸法。ラーメンの評点も、音楽の受容評点も、金型を通った転写先である。グラフが豊富なら誤差は要らない。現場で使われるシステムなら、伝統型から誤差を二つ借りる。

Kumar と Bairwa（2025）は、プラスチック射出成型のプロセスパラメータをタグチで最適化している。転写性の研究は、2020年代でも生きている。TTMはそれを捨てない。金型の材質が、金属からモデルに移っただけである。

31. 禁止の実例 — やってはいけない埋め方

禁止8項目を、空の標語のまま残すと、生徒は試験で復唱して現場で破る。実例で潰す。

禁止	やってしまうこと	正しい扱い
直交表で診断	方案が12本なのにL18を組む	12本を全評価する
工程を直列	TRIZ会議の翌週に直交表	同じ図の上で同時
層に割る	構想チームとパラメータチーム	一つの因子表
何もしない=0	風力で「建てない」をF=0	固定VAWTを0点
−∞を平均	騒音棄却を0点として平均	その条件では方案無し
魅力で消す	景観の美しさで赤字を消す	証拠のある魅力だけ
面積をdB	SをSN比にして順位	面積のまま金額化
市場で切る	香港向けと欧州向けを別最適化	文脈は換算。誤差は技術

派生の禁止も、同じ表の延長である。信号欄を残すと、予測とつまみが混ざる。国名を誤差に置くと、一番厳しい条例の赤字案が勝つ。損失を M に足すと、発電を減らして騒音を減らせ、という偽の最適が出る。チャート1位で歌詞を上書きすると、必要機能が消える。ニーズの無い課題を許容差設計と呼ぶと、代金の無い感度が公差に化ける。

授業の最後に、この表を配布する。砂時計の手計算より、禁止の実例の方が現場で効く。

32. デモの台本 — 90分で見せる

管理者が生徒の前でやるデモは、砂時計の手計算のあと、ラーメンの全評価でよい。直交表を組まない。方案を10本並べ、評点を出し、0点を超えた案だけを残す。

分	操作	生徒に言わせること	やってはいけないこと
0–10	必要機能と0点を書く	名店の寄せ集めが0点	何もしないを0点
10–25	麺・スープ・具に分解	モジュールが見える	因子を20個にする
25–35	誤差は空、と書く	置けないものは置かない	客の体調を誤差にする
35–55	10案を全件採点	直交表は要らない	L18を開き始める
55–70	最大のFを取る	0点超えが無ければ出さない	棄却を平均する
70–80	許容差設計には向かないと判定	感度地図だけ残す	許容差設計と呼ぶ
80–90	1ヶ月後の再集計を予告	それが機能性評価	枠を作り直す

音楽案件のデモは、この台本の単語を入れ替えるだけである。麺が様式、スープがBPM、具が声。0点がExcelの最新カナダ行。誤差因子の欄は空のままである。車内騒音を技術名で書ける、という事前の読みは、デモの列にしない。SUNO MAXIMIZER は誤差因子を使わない。台本の骨格は同じだ。

デモが終わったら、基礎理論編を閉じ、応用理論編を開く。生徒が「カナダの話はどこ」と聞いたら、事例研究編だと答える。枠を案件で上書きさせない。

33. 復唱カード

授業の出口で、生徒に声に出して読ませる。紙に印刷してよい。

復唱

核は誤差因子である。直交表とSN比は道具だ。

実験計画法はタグチより古い。AIは両者を越える。

因子の数は決める。水準は無限。表をLLMに渡せ。

コンテキストは三つ。データマイニング、自分の実験、コミュニティ。

評者のプロファイルは計測系である。無い評点は共有するな。

欠測は穴埋めしない。検証不能だと書け。

0点は現状案。何もしないを原点にするな。

因子は調整因子・制御因子・誤差因子。信号の欄は消す。質的で置けない誤差因子は空。

量的は金額F。質的は評点V。許容差は、質を維持して安くするニーズがあるかで決まる。

TTMは転写法の一種。評価関数が金型になる。残るのは機能評価である。

埋まっていない枠で探索するな。

実施行の最高点を製品にするな。未実施を予測し、確認実験で利得を見よ。

これが言えたら、応用理論編へ進んでよい。言えなければ、砂時計に戻る。

34. コンテキストの三分法 — 直交表の後継

データマイニング、自分の実験、コミュニティ。タグチの直交表が担っていた「計画された表」の仕事が、ここに移る。

旧い定義はこうだった。コンテキストとは、タグチメソッドの直交表のことであり、TTMでは、データマイニングと自分の実験結果である。新しい定義は、そこに第三項を足す。コミュニティで共有された実験結果である。定義は減らない。項が増える。

直交表は、計画された表だった。どの行をやるか、どの列が因子か、外側に何を置くかが、表そのものに書いてあった。AIの時代に直交表を組まないなら、その仕事は消えない。別の表が引き受ける。一つでは足りない。

源	中身	タグチでの対応	できること／できないこと
データマイニング	Web、口コミ、既存Excel	すでに終わった外側の実験	0点と語彙。AUXは弱い
自分の実験	SUNO評点。プロファイル付き	いま組む内側の表	この案件のF。行数が少ない
コミュニティ	他人の同じ型の表	他研究室のデータを借りる	行が増える。計測系が要る

ラーメンの食べログは、第一項である。店の一口が、すでに実験行だ。SUNOの聴取は、第二項である。コミュニティのパックは、第三項である。三つは協力する。第一項だけで止めると事前の定性で終わる。第二項だけで始めると、0点も語彙も無い。第三項を平均に足すと、誰の曲でもない点が残る。

第三項は、ただの「行の追加」ではない。タグチで他人のSN比を借りるとき、外側の誤差条件を宣言しなければ数字は使えない。TTMで他人の評点を借りるとき、評者のプロファイルを宣言しなければ同じである。宣言の無いパックは、庫に入っても使えない。

LLMに渡すときも、三つの表は混ぜて一本の平均にしない。列を足す。源の列、評者の列、方案の列、評点の列。ラーメン交互作用が相性の行を足したのと同じである。足すたびに見えるもの増える。平均するたびに見えるものが消える。

35. 評者プロファイルは計測系である

公道騒音は誤差。誰が選ぶかは文脈。誰が点数をつけるかは計測系。三つを混ぜるな。

質的課題の評点は、物理量ではない。人が音楽を数字に変換した計測値である。計測には計測系が要る。ゲージR&Rが、誰が測ったかを記録するのと同じである。評者の性別、年代、出身、音楽の好みは、誤差因子ではない。AUXでもない。計測系である。

層	問うこと	例	平均してよいか
誤差	使う条件が機能を乱すか	車内騒音、夜冬	ロバストを見るために残す
文脈 / AUX	誰が選ぶか	男がAUX、女がAUX	いけない。2本出す
計測系 / プロファイル	誰が点数をつけるか	カナダ30代ロック、米南部30代K-POP	いけない。対で残す

カナダ30代でロックが好きな男の 3.5 と、アメリカ南部30代でK-POPが好きな女の 3.5 は、同じ数字に見えて、同じ計測ではない。前者はカントリー隣接のフォークを「一周まわって新しい」と読む。後者はオルタナR&Bを「K-POPのバラードみたい」と読む。平均の 3.5 は、どちらでもない。

既定の二人を、案件の外に固定しない。ただし、空の評者で実験を始めるな。空で始めた評点は、あとからコミュニティへ出せない。出せるのは、性別・年代・出身・好みが埋まった行だけである。

プロファイルを誤差に置くと、一番厳しい評者の点だけが残り、誰も聴かない曲が勝つ。プロファイルをAUXに置くと、選曲の主導権と計測系が交絡する。男が選ぶことと、男が採点することは同じではない。ガールフレンドの反応を男が報告するなら、そのコメントは女側の計測系に属する。

36. 田口伸と矢野耕也 — 機能評価が残り、計算は替わる

直交表もSN比も手計算も、道具である。残るのは機能を評価することだ。

田口伸と矢野耕也の対話は、品質工学の入口で、計算と機能を分けている。矢野側の言い方は、品質工学の特徴は機能を評価することだ、である。田口側の答えは、計算ではない、その考えで教える、である。パラメータ設計が本体であっても、本体はL18の儀式ではない。

対話は、コンピュータとシミュレーションへ進む。計算機が貧弱な時代には、直交表で圧縮し、SN比で加法性を作り、手で分散分析した。計算機が発達すれば、直交表を組まなくても、機能の安定は出せる。三回のシミュレーションで足りる場合がある。道具が薄くなっても、品質工学の本質は残る。機能を評価し、ばらつきを設計で潰すことだ。

米国では、品質工学がツールと計算として受け取られやすい、という話が同じ対話にある。日本側の核は、機能性評価である。TTMとSUNO MAXIMIZERは、この核の側に立つ。dBを出さない。L18を組まない。評点表を全部読む。残しているのは、0点、棄却、向き、誤差と文脈の分離、機能F、TOKENである。

シミュレーションが機能評価の主戦場になる、という予測は、2026年のエージェントに読み替えられる。リポジトリを開き、表を作り、方案を採点する。足りないのは計算力ではない。機能をどの表で評価するかである。コミュニティのパックは、その表を研究室の外へ出す手続きである。プロファイルは、シミュレーションの境界条件に相当する。

対話の言葉	TTMでの置き換え	やってはいけない読み
機能を評価する	V と F。0点からの差	点数の高い案を拾うだけ
計算ではない	dBも直交表も既定にしない	SN比が出ないと品質工学ではない
シミュレーションが主になる	表の全評価、エージェント	計算が速いから枠は不要
本質は残る	誤差、0点、向き、棄却、TOKEN	道具と一緒に核を捨てる

37. 欠測は「その仮説が検証不能」と書く

穴を埋めない。信頼性は「下がった」では済まない。仮説単位で切れなくなったものを示す。

実験票に空欄があるとき、機械が平均値で埋めてはいけない。人が「まあ3点だろう」と埋めてもいけない。空欄は、その行が担っていた仮説を、検証不能にする。検証不能は、失敗ではない。記録である。

総合の評点があれば、製品は選べる。機能評価は、総合Vで足りる。田口伸と矢野が残した核は、そこにある。6項の分解は、なぜ点が動いたかを見る診断である。モニターの負担が重いなら、6項は空でよい。負担を増やして無理に埋めさせるな。コメントが、分解の代わりになる。

欠け	製品選定	不明になるもの	次の一手
ある方案の総合点	その方案は候補から外れる	その方案が担っていた事前仮説	同じ歌詞でもう一本出す
6項全部	総合Vがあれば選べる	公道／疲れ／歌詞／年次／AUXの分解	コメントを残す。無理に埋めない
対照方案そのもの	実施した行の中で選ぶ	年次の罠、76BPM沈下など	次の実験数を足す
0点	Vの順位は残る	機能Fそのもの	現状案を聴かせ直せ

同点も欠測の一種である。切る情報（6項、追加実験、プロファイルとコメント）が無ければ、一本化を急ぐな。平均して消すな。二つの女製品が同じ4.0なら、K-POP寄りの計測系と南部R&B寄りの計測系が、別の方案を指している可能性がある。

SUNO MAXIMIZERは、欠測を仮説単位で画面に出す。高い欠測があるときも、総合点の最適化は止めるな。止めるのは、検証不能な事前仮説を、あたかも実証されたように本文へ残すことだ。枠は触らない。右側と、「検証不能」の行だけを動かす。

38. 直交表の本義は、未実施の組合せを推定することである

実施行の最高点を製品にするのは、最適化ではない。直交表は、その誤りを避けるために発明された。

よくある標語は、直交表で実験回数を減らす、である。半分だけ正しい。減らしたあとに何をするかが、本義である。直交表の各行は、製品候補のトーナメント表ではない。各行は、因子の水準平均を推定するための標本である。推定された水準を組み直す。組み直した組合せは、直交表のどの行とも一致しなくてよい。一致しないことが普通である。その未実施の組合せのSN比を、加法モデルで予測する。確認実験で、予測と実測の利得を見る。再現しなければ、交互作用か、基本機能の取り方が誤っている。

加法モデルは短い。η_hat = η_bar + Σ(η_i − η_bar)。η_bar は全実験の平均。η_i は、選んだ水準の平均。足し上げた値が、まだ聴いていない方案の予測である。Minitabの Predict Taguchi Results が返すのは、この値である。サイバネットの解説が確認実験を必須にするのも、同じ理由である。推定値を製品にしてはいけない。確認する。

段階	タグチ（直交表）	応答曲面 / ベイズ最適化	TTM
標本	L18などの行	計画点、獲得関数の次点	マイニングの表＋自分の実験行
読むもの	SN比と感度の水準平均	予測平均と不確かさ	言語の因子効果とコメント
出すもの	未実施の最適水準の組	まだ測っていない点	まだ聴いていないStyle
確かめる	確認実験。利得の再現	次の実測でモデルを更新	同じ評者が予測文を聴く

Fisherの実験計画法も、応答曲面法も、ベイズ最適化も、この一点ではタグチと同じ側にいる。測った点の最高を答えにしない。測った点から、測っていない点を予測する。違うのは、何を圧縮し、何を加法とみなすかである。タグチは交互作用を直交表の外へ追い、主効果の加法性を買う。応答曲面は二次まで交互作用をモデルに残す。ベイズ最適化は、不確かさごと次の点を提案する。AI時代のTTMは、水準を2か3に切らない。言語のまま因子効果を読み、言語のまま未実施文を組む。切らないことが、直交表を越える側である。予測をやめることが、直交表を越える側ではない。

ラーメンの注入が、すでにこの型である。食べログの店一覧は、実施された実験行である。LLMに渡す命令は、リストにない一杯を同じ三列で書け、である。最高点の店を再掲させる命令ではない。店の優勝は記録である。新メニューは予測である。SUNOも同じである。S2が男で3.5でも、S2を製品にしてはいけない。S2は、フォーク方向とメリハリの欠落とカントリーの新鮮さを教えてくれた標本である。

水準平均は、方案の順位表ではない。組み直すための材料である。S7は欠測なので、フォークソウルの平均はまだ無い。

データマイニングは、事前の因子効果である。年代×国の様式Excelは、すでに終わった市場実験である。自分のSUNO評点は、この案件の因子効果である。コミュニティのパックは、計測系が近ければ、効果推定の行を足す。三つを総合する、とは、三つの表の優勝を投票することではない。三つの表から、同じ因子の列を読み、未実施のStyleを推定することである。

実施行の最高を製品にした瞬間に、最適化は終わる。残るのは選曲である。選曲は悪い仕事ではない。最適化ではない。田口が直交表を発明した理由は、選曲では届かない組合せを、少数回の実験から推定するためである。TTMがその道具を置いても、理由まで置いてはいけない。

39. 量的も質的も、同じフローである

ラーメン最適化システムの箱。測度が入れ替わる。箱は消えない。

中間、暫定終了、確定終了。確定終了は論文になることが期待できる。

応用理論編は二つある。質的最適化と量的最適化である。骨格は一つである。課題の認識、因子の分解、コンテキスト枠、実験、予測、確認、保存。ユーザーの実験は最大4因子。確度が高い因子は固定する。交互作用が出れば固定を見直す。ダッシュボードは三段である。中間は実験条件を渡す報告。暫定終了は予測までの全検討。確定終了は妥当性確認を含み、教育用論文の最小要素が揃う。

量的では、タグチの動特性とTRIZの物理量が、因子分解の段に入る。質的では、同じ段に分離の感覚が入る。フローを二つ作るな。測度だけ替えよ。

40. 誤差因子 — 定義と、置かないとき

誤差因子とは、使う場所で機能を乱す条件である。設計者が水準を自由に選べない。砂時計なら温度・湿度・振動。ボウリングならレーンの動摩擦。風力なら風向と突風。困った外乱、という言い方は半分だけ正しい。市場に出す以上、必ず起きる条件である。

誤差の三文字だけでは足りない。統計の残差（実験のばらつき）と、タグチの誤差因子は、別のものである。繰り返しの差を誤差因子と呼ぶな。評者の好みを誤差因子と呼ぶな。選曲の主導権（AUX）を誤差因子と呼ぶな。国名を誤差因子と呼ぶな。

言葉	中身	例	混ぜると
誤差因子	使う場所で機能を乱す条件	温度、レーン摩擦、風向	置ける案件でロバストが見える
実験のばらつき	同じ方案の繰り返しの差	同じ曲を二度聴く	残差が誤差因子に化ける
文脈	平均して消してはいけない切り方	男AUX / 女AUX	誰の曲でもない点が残る
計測系	誰が点数をつけるか	評者プロファイル	計測系の違う4.0が足される

質的最適化に、誤差因子は必須ではない。必須なのは、置けないときに空と書くことである。ラーメンは置けない。同じ一杯でも、客の体調と方案の差が分離できない。無理に置くと、一番機嫌の悪い客の点が方案を殺す。欄は空である。空は欠測ではない。置けないと書いた記録である。

音楽で車内騒音を技術名で書ける、という事前の読みは残してよい。ただし書く場所は、将来の外側実験の計画である。SUNO MAXIMIZER の列ではない。この機械は外側の聴取をしていない。6項も空である。測度は総合の評点 V である。誤差因子を列に出すと、使っていない外側配列があるように見える。それは嘘である。

量的案件では、誤差因子は核のままである。ボウリングのレーン摩擦を外したら、タグチではない。質的案件では、核は機能評価と0点と棄却である。誤差因子は、置けるときにだけ入る箱である。箱を消すな。空のまま残す。

41. 適用対象 — 男性と女性は、誤差因子ではない

誤差因子、適用対象、文脈、計測系。評点列が二つあっても、同じ箱ではない。

SUNO MAXIMIZER に男性と女性の評点がある。誤差因子にも見える。両方に受ける曲が欲しい需要もある。見える理由は三つある。第一に、評点列が二つある。外側配列に見える。第二に、両方に受ける曲が欲しい。ロバストに見える。第三に、古いTTMが適用対象を誤差因子だと書いた。同じ形である。名前が誤解を生む。

切る基準は一つである。設計者が切れるか。男性用と女性用を別々に出すか、一本にするかは、設計者が決める。レーンのオイルは決められない。だから前者は適用対象、後者は誤差因子である。

二つの適用対象があるとき、答えは二つある。単独方案は、一方で測度最大。共通方案は、両方で残る。共通は需要である。誤差因子最適とは呼ばない。ロバストという言葉は、誤差因子がある案件に残す。

呼び方	何をするか	やってはいけないこと
単独方案	男性用と女性用を別々に出す	二つの点を平均して一本にする
共通方案	両方で残る曲を、代金付きで出す	共通だけを正解だと宣言する
誤差因子に置く	温度やレーン摩擦に使う	男性・女性を外側配列にして平均する

この案件では、適用対象と文脈（AUX）と計測系が重なる。男性評者が、男性向けの曲を、自分がAUXを握る前提で採点する。三つが一人に乗る。乗っているからといって、一つの言葉にしてはいけない。混ぜた瞬間に、誤差因子が全部を吸う。吸わせない。

機械の画面は、単独（男性）・単独（女性）・共通方案の三本を出す。共通の選び方は、両方の低い方を最大化することである。男主導、女主導、1曲ロバスト、という名前は使わない。主導は文脈の言葉である。適用対象の言葉ではない。

参考文献

案件資料と生成AIの出力は参考文献に含めない。

[R1] Taguchi, G. (1986). Introduction to Quality Engineering. Asian Productivity Organization.

[R2] Taguchi, G., Chowdhury, S., Taguchi, S. (2000). Robust Engineering. McGraw-Hill.

[R3] Altshuller, G. S. (1984). Creativity as an Exact Science. Gordon and Breach.

[R4] 立林和夫 (2003). タグチメソッドとは－その発展と特徴. 品質, 33(1).

[R5] 小池昌義 (2003). タグチメソッドの体系－全体像と個別手法. 品質, 33(1).

[R6] 田口玄一 (2003). 戦略としてのタグチメソッド. 品質, 33(1).

[R7] 永田靖 (2015). タグチメソッドの体系的な理論化. 科研費研究成果報告書.

[R8] 宮川雅巳 (2023). タグチメソッドに魅せられて. 日本統計学会誌, 53(1).

[R9] 立林和夫・永田靖 (2021). タグチメソッドの推薦と考察. 横幹連合コンファレンス.

[R10] 田村希志臣・倉地雅彦・壇原文雄 (2019). バーチャル評価の現状と課題 (1). 品質工学, 27(2).

[R11] Kumar, R., Bairwa, K. N. (2025). Optimizing Process Parameters in Plastic Injection Molding using the Taguchi Method. Evergreen, 12(2), 1177–1188.

[R12] Kano, N., Seraku, N., Takahashi, F., Tsuji, S. (1984). Attractive Quality and Must-be Quality. 品質, 14(2), 39–48.

[R13] QEU FOUNDER (2025). LLMで最適化を行う（ラーメンの最適化 / 許容差設計）。

[R14] 日本規格協会（産学連携研究会中部支部編）. 入門タグチメソッド（砂時計の静特性・動特性）.

[R15] Fisher, R. A. (1935). The Design of Experiments. Oliver and Boyd.

[R16] 実験計画法の教科書（直交配列表・二元配置・分割法）。計算が貧弱な時代の分散分析が既定だった、という事実の出典。

[R17] 2026年のAIエージェント講義（Claude Code／実装系）。wn48LMBshbs、ZKIEEbx4200、QIlzqc7DO7c、d5LdEr_sKkw。想像もしなかった仕事が手元で動く、という現状の証拠。

[R18] 田口伸・矢野耕也。品質工学の対話（第1章「品質工学って何？」）。機能評価が特徴であり、計算そのものではない。シミュレーションが発達すれば直交表を組まなくても機能の安定は出せる、という核の出典。

[R19] サイバネット「品質工学（タグチメソッド）」。要因効果図で水準を選び、確認実験で推定値の再現を見る。最適条件は直交表の推定値である。

[R20] Minitab, Predict Taguchi Results。加法モデルによる予測値と、確認ラン。交互作用が残ると予測と確認が食い違う。

[R21] 応答曲面法、ベイズ最適化。測った点の最高を答えにせず、未実施点を予測する点で、直交表と同じ側にある。

TTM 応用理論編 — 質的最適化の埋め方

Ryuji Yabe — Mon, 17 Aug 2026 00:31:34 +0000

三部作：基礎理論編／応用理論編／事例研究編

TTM 応用理論編。受け取った課題は、ラーメンと同じ側にある。

測度は評点である。換金しない。門は閉じる。ラーメンと同じ作法で解く。違うのは、誤差を技術名で二つ置けることと、評価の根拠が公的集計であること。歌詞は制約。Excel は語彙と 0 点。SUNO 文は因子の直束である。直交表と SN 比は使わない。妥当性は過去年の論理再実行である。

三部作の 2 本目。1 本目で枠を覚え、3 本目で実案件を解く。

判定

受け取った課題は質的。測度は評点。門は閉じる。
ラーメンと同じ。違うのは誤差の有無と、根拠がチャートであること。
歌詞は制約。Excel は 0 点。散文をゼロから書かない。
直交表と SN 比は使わない。

四つの問い

問い	答え
これは量的か質的か	質的。最終評価が言語評点
ラーメンと何が同じか	モジュール分解、全評価、門が閉じる
ラーメンと何が違うか	誤差を二つ置ける。根拠がチャート
TRIZ の行列は踏むか	踏まない。矛盾の分離だけ借りる

0. 受け取った課題

2027 年のカナダで、30 代に届く曲を作りたい。歌詞は決まっている。SUNO のスタイルプロンプトを出す。場面は、オタワからトロントへ Highway 401 を走る 30 代のカップルが Spotify を聴いている。必要な曲は 2 本。男が選曲の主導権を持つとき。女が選曲の主導権を持つとき。同じ論理を 2023 年と 2025 年で再実行し、論理が持つかを見る。

歌詞は固定。Excel は様式の語彙。出すのは男主導と女主導の 2 本。

入力は二つだけだ。歌詞.txt。年代×国別の流行曲 SUNO プロンプト Excel。出力は、50–100 語の英語スタイル文である。SUNO そのものを聴き比べる試験は、この記事の外にある。

歌詞は制約を書く。Excel は 0 点と語彙を書く。

風力のように売電 USD へ換算できない。砂時計のように秒で測れない。最終評価は「この歌詞を、この車内で、この年齢が受け取れるか」という評点である。基礎理論編の言葉では質的課題である。

1. 質的最適化とは

測度が言語評点で書かれる最適化である。0 は最悪、5 は最高。粒度は 0.5 が現実的である。金銭換算はしない。

軸	量的（風力）	質的（ラーメン / 音楽）
測度	金額 USD	評点 0–5
TRIZ	構想と物理量を出す	行列は踏まない
許容差	門が開く	閉じる。感度地図のみ
妥当性	現場の X	過去条件の論理再実行
探索	全評価	全評価。方案は 10–30 に絞る

2. ラーメンの構造

麺・スープ・具。0 点は名店の寄せ集め。誤差は置かない。

ある店で「うまいラーメン」を出す。0 点は、最適化しないときに店主が頼む名店の寄せ集めである。誤差は置けない。同じ一杯でも客の体調で評点が動く。方案の差と客の差が分離できない。

評価は仮想である。類似店の口コミと店主の経験を、0–5 へ写す。F = 方案の点 − 0 点の点。0 点を超える案がなければ、新メニューは出さない。門は閉じる。妥当性は、口コミを後から同じ論理で再集計することだ。

3. 今回の課題の構造

歌詞は固定。方案はスタイルである。0 点は、添付 Excel の最新カナダ行。2010 年代トラップポップ。140 BPM、808、ガラスのシンセ、20 代前半の声。この歌詞のピアノとサックスを持たない。30 代の車内には若い。

調整は年・国・年齢・場面。組合せ最適化しない。制御は様式、BPM、楽器、声、制作温度。誤差は技術名で二つ置ける。車内騒音。聴取環境（夜冬と午後）。ラーメンと違うのはここだ。

V は 6 項の加重平均である。公道の中音域 0.18、車内聴取の疲れにくさ 0.14、30 代 0.14、歌詞適合 0.20、年次適合 0.16、AUX 適合 0.18。X = V × 誤差係数。F = X − X0。4.5 時間の連続試聴は測らない。

門は閉じる。感度地図だけ残す。BPM 94–104 では落ちない。128 に上げる、サックスを外す、20 代前半の声に戻す、は大きく落ちる。

4. 同じ点、違う点

軸	ラーメン	今回の音楽
種類	質的	質的
0 点	名店の寄せ集め	Excel 最新カナダ行
モジュール	麺・スープ・具	様式・BPM・楽器・声
誤差	置けない	車内騒音 / 夜冬
根拠	店主の経験と SNS	Hot 100 と CBC Music
門	閉じる	閉じる
妥当性	口コミ再計算	過去年の再実行

同じ点は三つ。質的であること。全評価すること。門が閉じること。違う点も三つ。誤差を技術名で置けること。根拠が公的集計であること。男と女の主導権を、誤差にせず文脈として切り分けること。

5. 4つのロジック

判断の根拠を 3 つ以上持つ。単独の主観は主観性を高めすぎる。V は下位指標の加重平均である。X = V × 誤差係数。β の傾きで音楽的魅力を説明しない。魅力は V の中の歌詞適合と 30 代で読む。

同じ方案、同じ重み。年次適合だけ差し替える。チャート 1 位を当てることが目的ではない。

誰が AUX を握るかは誤差ではない。文脈である。誤差に置くと、男女の差が平均に消える。揃えるなら代金を書く。棄却は質的言語で書く。クラブの 128 超、ティーンのベルティング、楽器 9 種以上。棄却は足し算に入れない。

TRIZ は間接的に働く。ピアノ＋サックスの指定と、若年向けテンポの衝突を、BPM と声の成熟で分離する。行列を本体にしない。

次は事例研究編。歌詞を制約に落とし、10 案を採点し、男主導と女主導を出す。

TTM 基礎理論編 — 構想ごと選ぶ品質工学

Ryuji Yabe — Mon, 17 Aug 2026 00:31:30 +0000

三部作：基礎理論編／応用理論編／事例研究編

TTM 基礎理論編。タグチを知らない人に、砂時計から転写、TRIZ、金額測度までを一本で渡す。

核は誤差因子である。直交表と SN 比は、実験が高い時代の道具だ。因子と数値が揃えば、方案を全部評価すれば足りる。TTM は新しい図ではない。品質工学の同じ枠で、単語が置き換わる。0 点は現状案。動特性の測度は三角形の面積 S。選ぶ尺度は金額 F、または評点 V。TTM は射出成型の転写法の延長である。評価関数が金型になる。

三部作の 1 本目。2 本目は質的最適化の埋め方。3 本目はカナダ 30 代の音楽案件。

判定

本質は誤差因子。標語の直交表と SN 比は道具。
数値が揃えば Excel でも AI でも、全評価で足りる。
0 点は「何もしない」ではない。いま選ばれる方案。
TTM は転写法の一種。金型が評価関数に移った。

四つの問い

問い	答え
タグチの核は何か	ばらつき・損失・誤差因子
直交表と SN 比は残るか	実験が高いときだけ。数値が揃えば使わない
0 点は何か	最適化しないなら、いま選ばれる方案
TTM は新しい図か	品質工学の同じ枠。言葉が置き換わるだけ

基礎 → 応用 → 事例。順番を逆にすると、枠が案件に飲み込まれる。

1. 最適化は必要条件になった

1960 年代、タグチメソッドは社会の損失を最小化した。最適化は十分条件だった。いまは温暖化・資源・人口が同時に効く。最適化されていないプロダクトは作れない。最適化は存続の前提であり、十分条件ではない。最適化しても売れるとは限らない。

損失最小化から、プロダクト最適化の必要条件へ。

AI がこの前提を実行可能にした。因子を分解し、言語で評点をつけ、計算機で探す。物理量のない案件でも、直交表にこだわらなければ最適化できる。

2. 砂時計でタグチを覚える

生徒が初めて触る事例は砂時計でよい。目標が一点なら静特性（望目）。正確に 5.00 分を刻む。制御は穴径・角度・砂・乾燥剤。誤差は温度・湿度・振動。測度は望目の SN 比 10 log(ȳ² / s²)。二段階で進む。先にばらつきを潰し、次に砂の量で平均を 5 分へ寄せる。

5 分専用を 10 分にも 15 分にも使いたいなら、動特性である。砂の量 M を信号にする。理想は原点を通る一次式 y = βM。誤差条件ごとに直線が一本立つ。重なれば健全。扇に開けばばらつく。

全組合せは 16 回。L8 は各水準が同じ回数出る。外側に誤差 N1 / N2。数値は授業用の仮想実験。

本来の解析は変動分解である。同じ作業は Excel の回帰とソルバでできる。方案が十〜数十で、因子と目的がすでに数値なら、直交表は要らない。全部評価すれば足りる。交互作用が大きいとき、主効果の足し算は確認実験で崩れる。崩れたら構想が違う。TRIZ で構造を変える。

3. 転写法と TTM

射出成型では、金型寸法 M が製品寸法 X に写る。β はほぼ 1。製造なのでユーザー環境の誤差は置かない。見るのは健全性だけである。

ディープラーニングも LLM も、違う物理量や言葉を測度へ変える金型である。予測値を M、実際値を X に置く。TTM は転写法の一種だ。

金型が、予測モデルや言語の評価関数に置き換わる。

動特性の歴史は四つある。伝統（砂時計）、転写（金型）、総合 SN 比・単一（予測を M にする）、総合 SN 比・多次元（利益の組）。TTM の既定はその 3。現場系では伝統型から誤差を二つ借りる。騒音を第 2 の M にしてはいけない。

TTM は総合 SN 比（単一次元）を骨格にする。

4. 量的課題と質的課題

課題は二つに分かれる。類型コードは要らない。

量的は金額 F。質的は評点 V。TRIZ の行列は量的で踏む。

風力は量的の見本である。風のエネルギー = 発電 + 損失 + 騒音。騒音を小さくしたいなら、まず発電（ユーザー利益）を最大化する。測度は金額 F。門は開く。

ラーメンは質的の見本である。最終の「うまい」は言語評点。0 点は名店の寄せ集め。誤差は置けない。直交表は要らない。門は閉じる。妥当性は口コミの再集計である。

5. 枠の単語だけ置き換える

外枠が評価、内枠がシステム、上が制御、下が最適、左が入力、右が出力、黒い丸が誤差。

因子は三つ。調整（予測 M を作る。組合せ最適化しない）、制御（方案。構想と水準を分けない）、誤差（技術名で二つ。市場名は置かない）。信号の欄は消す。中間生成物である。

信号の欄は作らない。

何もしないを原点にすると、必要機能がある課題で、すべての方案が罰から始まる。

機能 F = 金額(ΔS) − Δ初期費 − Δ逆＋ Δ魅力。質的案件では評点差 V − V0 に読み替える。棄却は足し算に入れない。その条件では方案が無い、と書く。

一元品質を金額化できるか。Yes なら開く。No なら閉じ、感度地図だけ残す。

やらないこと

直交表と SN 比で診断するな（数値が揃ったあと）。TRIZ のあとタグチ、と工程を分けるな。何もしないを F=0 にするな。棄却を −∞ として平均するな。証拠のない魅力で赤字を消すな。面積を dB にするな。国名を誤差に置くな。損失を M に足すな。

埋まっていない枠で探索するな。実測が来たら、枠は触らず右側だけ書き直せ。

次は応用理論編。受け取った課題が質的であることを確認し、ラーメンとの同じ点と違う点を見る。

TTM 事例研究編 ver0p6 — 誤差を技術に戻す

Ryuji Yabe — Fri, 14 Aug 2026 23:57:51 +0000

誤差を技術に戻す

TTM 事例研究編 ver0p6。地区風力と木綿機を、調整・制御・誤差の三分法で読み直す。

理論編の三分法を、太平洋沿岸都市の地区風力と木綿教授の小型風車に適用する。誤差は香港や欧州ではなく、風向・乱流と異常気象の二つだけにする。市場は適用文脈と棄却条件に分解する。

通貨 USD、期間 10 年、実質割引 3%。現状案は D2（固定 VAWT 屋上）と K0（原型 1kW）。数値は概算であり、実測ではない。

判定

誤差を技術に戻すと、単独とロバストが一致する。
地区は D9（沿岸 HAWT＋街 PV）が両方で勝つ。効率 M9／M2＝2.63。
木綿は F 最大が K5（0.5kW、別物）。1kW のままなら K3（静音翼）。
旧来の「4市場合法の D8」は、法規を誤差に混ぜた副作用である。

四つの問い

問い	答え
動特性の型はどれか	総合SN比（単一次元）。誤差は技術を2つ
調整・制御・誤差は何か	風速密度時間／方案6因子／N1風向とN2台風
地区の単独とロバストは	どちらも D9。F は約 +876 万 USD／10年
木綿の1kW改善は	K3。K2 は N2 で F が上がる（乗法）

1. 因子の置き直し

適用文脈は一つの沿岸都市に固定する。単価 0.18 USD/kWh、騒音上限 55 dBA、鳥指数 1.20。これらは誤差ではない。誤差は N1（風向・乱流）と N2（台風・突風）である。気温と湿度は全方案にほぼ同じ係数で乗るので、方案を分ける N1 の実体は風向・乱流とする。

群	この案件での中身
調整因子	A1 平均風速 5.2 m/s、A2 空気密度 1.00、A3 8760 h
制御因子（地区）	方式・基数・PV・静音・鳥・立地
制御因子（木綿）	容量・弱風寄せ・台風寄せ・静音・鳥・蓄電
誤差 N1	風向・乱流。HAWT 0.72、VAWT 0.96、カム 0.94
誤差 N2	異常気象。耐風破壊は棄却。台風寄せは稼働率 0.92
予測 M	調整と制御から作る年間発電量（kWh）。旧・信号
効率	Mopt／M0。D9 は 2.63、K3 は 0.925、K5 は 0.524

信号の欄は無い。M は中間生成物として計算にだけ残る。

2. 案件A：地区風力

図1　不便・誰が・どこで・どう変えたい。必須フロアは 1kW・3MW・台風耐性。

必須フロアを割る案は改善ではなく別構想として扱う。庭先 5kW（D7）は分離に失敗しており、騒音と鳥で棄却、N2 では耐風破壊が加わる。

2.1 因子

図2　調整は予測 M、制御は方案、誤差は2つ。市場は文脈側。

id	improve ↔ worsen	物理量	行き先
T1	発電量 ↔ 騒音	M, dBA	M は一元。dBA は法規
T2	市街地 ↔ 鳥・景観	鳥指数	棄却条件
T3	弱風 ↔ 強風	vin, vout	調整の使用域と N2
T4	初期費 ↔ 効率	USD/kW, M	ΔCAPEX は一元
T5	無風供給 ↔ 複雑さ	PV, 蓄電	予測 M の補完

2.2 単独とロバスト

N1 に固定した単独最適は D9（沿岸 HAWT＋街 PV）。N1 と N2 の両方で棄却されない方案のうち平均 F 最大も D9 である。誤差を技術に戻すと、単独とロバストが一致する。

図3　D9 が両誤差で正の最大。D7 は欠け（棄却）。D8 は合法だが F が負。

ID	案	M比	ΔS%	F(N1)	F(N2)	読み
D2	固定VAWT屋上	1.00	0	0	0	0点
D9	沿岸HAWT＋街PV	2.63	+163	+876万	+877万	単独もロバストも
D1	沿岸HAWT	2.52	+152	+842万	+861万	騒音源を街の外へ
D10	カム200基	0.26	-74	+518万	+595万	面積減、費用減が勝つ
D5	カム＋屋上PV	2.78	+58	+290万	+218万	無風を太陽光で埋める
D3	カム×1500	1.97	+97	-43万	-82万	面積増、費用が勝つ
D8	静音＋鳥＋共同体	1.71	+68	-321万	-357万	合法。F 負
D7	庭先5kW	2.76	+176	棄却	棄却	騒音+鳥。N2は破壊

単位は USD／10年。棄却は平均に入れない。

D9 の F が N2 でわずかに上がるのは、街 PV が台風の落ちを支えるからである。現状案 D2 は風だけなので N2 の減が大きい。差額（F）は、方案の強さだけでなく、0 点の弱さでも動く。

2.3 効率と実際

図4　横軸は予測 M、縦軸は実際 X。効率は線の傾きではなく M9／M2＝2.63。

因子	D2（現状）	D9（最適）	効き
F1 方式	固定VAWT屋上	沿岸HAWT	予測 M を引き上げる主因
F2 基数	1500	2	大型化。分割の逆
F3 PV	なし	街PV	N2 の落ちを支える
F6 立地	屋上	沿岸	dBA 53.4 → 48.0

旧来、4市場を誤差に置くと D8 だけが全市場で合法になり、平均 F は負だった。あれは法規上限を誤差に混ぜた結果である。技術誤差の下では D8 は合法だが、払う代金に見合わない。

3. 案件B：木綿機

金沢大学の木綿教授が提案する、カム制御の小型風車（2軸2カム、羽根約 2 m、定格 1kW）を改善する。必須フロアは 1kW 級、弱風起動、強風耐久である。調整因子は地区と同じ。制御だけが製品側である。

図5　N1 は全案が CAM なので差が小さい。方案を分けるのは N2 と容量である。

3.1 単独とロバスト

図6　F 最大は K5。1kW のままなら K3。K2 は N2 で棒が伸びる。

ID	案	M比	ΔS%	F(N1)	F(N2)	読み
K0	原型1kW	1.00	0	0	0	0点
K5	0.5kW化	0.52	-48	+6,342	+6,766	F最大。別物
K3	静音翼1kW	0.93	-8	+3,180	+3,174	1kW 改善
K8	静音＋鳥	0.90	-10	+2,715	+2,708	逆を二枚
K9	台風＋静音＋鳥	0.86	-14	+1,859	+2,327	N2 で伸びる
K2	台風寄せカム	0.87	-13	+810	+1,356	N2 乗法
K1	弱風寄せ	1.20	+20	-647	-785	面積増、費用勝つ
K6	2kW化	2.04	+104	-5,900	-6,758	大きすぎる

単位は USD／基／10年。K5 は 1kW ラインではない。

K5 の効率は 0.52 である。応答面積は半減するが、初期費と静音の経済が勝って F が最大になる。1kW 製品として残すなら K3 を先にする。応答面積は 7.5% 減るが、dBA が 45.1 から 35 に下がる。

4. 交互作用

交互作用は β の変化、あるいは誤差条件ごとの F の変化として読む。N1 は方式差（HAWT 対 VAWT）を出し、N2 は台風寄せの差を出す。誤差を市場に置くと、この二つが条例の差に埋もれる。

図7　K2 の F は N1 で +810、N2 で +1,356。台風寄せ × 異常気象の乗法。

比較	見え方	型	意味
D9 の PV × N2	N2 でも F が落ちない	乗法	街PVが風の停止を支える
K2 × N2	F が +810 → +1,356	乗法	台風寄せが異常気象で初めて効く
K3 × 鳥（K8）	F が +3,180 → +2,715	抑止	鳥マークの代金が静音の得を削る
D7 × N2	耐風破壊で方案無し	閾値	庭先 HAWT は強風で土俵を外れる

交互作用は列に割り当てない。組合せ表で読む。

5. 処方

5.1 地区

この沿岸都市では D9 を採用してよい。単独とロバストが同じである。
D7 は参考用。分離に失敗しており、N2 では壊れる。
D8 を「ロバスト案」と呼ばない。あれは法規を誤差に混ぜたときの副作用である。
別の文脈（騒音 42 dBA など）へ持っていくときは、枠は触らず棄却限度だけ書き直す。

5.2 木綿機

1kW の製品として残すなら K3 を先にする。
容量を変えてよいなら K5 が F 最大。ただし別物として記録する。
台風常襲を重く見るなら K2 または K9。N2 で F が伸びる。
蓄電（K7）と 2kW 化（K6）は、いまの単価では回収しない。

5.3 共通

次の実測は、実風速・実騒音・実 CAPEX だけを右側に書く。
誤差の名前は技術で残す。国名に戻さない。
M 比と F の符号が食い違うときは、内訳を先に読む。

参考文献

[R1] Altshuller, G. S. (1984). Creativity as an Exact Science. Gordon and Breach.
[R4] Taguchi, G. (1986). Introduction to Quality Engineering. Asian Productivity Organization.
[R5] Taguchi, G., Chowdhury, S., Taguchi, S. (2000). Robust Engineering. McGraw-Hill.
[R7] Kano, N., Seraku, N., Takahashi, F., Tsuji, S. (1984). Attractive Quality and Must-be Quality. 品質, 14(2), 39–48.
[R11] Kumar, R., Bairwa, K. N. (2025). Optimizing Process Parameters in Plastic Injection Molding using the Taguchi Method. Evergreen, 12(2), 1177–1188.

関連：TTM 理論編 ver0p6（信号を消して三分法にする）

TTM 理論編 ver0p6 — 信号を消して三分法にする

Ryuji Yabe — Fri, 14 Aug 2026 23:57:48 +0000

信号を消して三分法にする

TTM 理論編 ver0p6。総合SN比が、品質工学と TRIZ を載せた同じ枠をきれいにする。

考え方は当たっている。信号因子は中間生成物であり、ロジックから消す。因子は調整・制御・誤差の三つに分ける。誤差は市場ではなく技術で、重要なものを二つ置く。測度は η（dB）ではなく金額 F のままにする。

単位は USD・10 年・実質 3%。0 点は「何もしない」ではなく、いま選ばれる方案。事例は別記事『TTM 事例研究編 ver0p6』。

判定

当たっている。
信号を中間生成物にして三分法に分けたのが核心だ。
TTM が採用する動特性は総合SN比（単一次元）。伝統的動特性から誤差を二つ残す。
測度は SN 比に戻さない。効率は Mopt／M0。健全性は誤差条件の F で見る。

四つの問い

問い	答え
動特性はどの型か	総合SN比（単一次元）。誤差は伝統型から2つ残す
調整・制御・誤差は何か	予測Mを作る群／方案の組合せ／使用環境の2条件
信号因子はどこへ行くか	中間生成物。ロジックの欄から消す
誤差に市場を置いてよいか	よくない。単価・法規・気候に分解する

1. 核

枠は品質工学のアプローチ図のまま。中身は三分法。調整因子が予測値 M を作り、制御因子が方案を変え、誤差因子が実際値 X をずらす。M はユーザー利益。騒音は M に足さない。

F＝金額(ΔX) − Δ初期費 − Δ逆＋ Δ魅力。0 点は現状案。

TTM は TRIZ の発明の体系と、タグチメソッドの枠と、金額測度を同じ図の上で同時に動かす。工程は直列にしない。直交表と SN 比は、因子と数値が揃った時点で診断道具としていらない。

総合SN比は、ディープラーニングと転写性の動特性を融合した見方である。複雑なプロセスの予測値を M に置き、実際値を X に置く。β はほぼ 1 になるので、効率は傾きには出ない。効率は予測値そのものの比 Mopt／M0 に移る。これが、信号因子を扱いづらくしていた原因を消す。

1.1 三つの頭文字

頭文字	出典	TTM に来るもの
T	TRIZ	矛盾・原理・物理量を制御因子の中身にする
T	TAGUCHI	誤差の置き方と素直な動き。直交表と SN 比は不採用
M	METRICS	ユーザー利益を金額 F で見る。狩野の三層

2. 動特性の4類型

動特性は歴史的に四つに類型できる。砂時計のような伝統型、射出成型のような転写型、予測値を M にする総合SN比（単一）、複数のユーザー利益を同時に見る総合SN比（多次元）である。

図1　4類型。TTM は総合SN比（単一次元）を骨格にする。

型	横軸 M	縦軸 X	誤差
1 伝統	チューニングするスペック	必要なメトリックス	使用環境。必要
2 転写	金型寸法	製品寸法	不要（製造プロセス）
3 総合・単一	予測値（中間生成物）	実際値	可能。現場系は2つ
4 総合・多次元	予測値の組	実際値の組	可能。M は利益のみ

2.1 今回どれが適当か

適当なのはその3、総合SN比（単一次元）である。風力は現場で使われるシステムなので、その2（転写）は使わない。射出成型ではユーザー環境の誤差は要らない。現場系では要る。ただし全部は置かない。重要なものを二つにする。

その4（多次元）は、複数のユーザー利益を同じ M に載せたいときに残す。TTM はすでに金額 F へ畳むので、通常はその3で足りる。騒音を第二の M にしてはいけない。エネルギー保存則に反する。

その1は親である。0点比例の絵と、使用環境の誤差という感覚は残す。残す誤差は技術に戻す。温度・湿度・風向の変化、異常気象である。国名や市場名は誤差にしない。

3. 信号は消える

信号因子は非常に扱いづらい概念だった。機能を動かしたい入力、という説明は正しいが、最適化の欄に置くと、予測値と操作つまみが混ざる。総合SN比では、信号は中間生成物でしかない。調整因子が予測値 M を作る。M はロジックから消える。

図2　調整因子 → 予測 M → 実際 X → 金額 F。M に止まらない。

効率は、転写式では β≈1 なので線の傾きに出ない。標準状態の M と最適状態の M の比で出る。風力なら、現状案の予測発電に対する方案の予測発電である。健全性は、誤差の下で実際値 X が予測 M からどれだけずれないかである。ずれは η（dB）にせず、誤差条件ごとの F で見る。

図3　効率は Mopt／M0。健全性は F。dB にはしない。

4. 因子の三分法

因子は三つに分解する。一般的な理解として、これが合理的である。

図4　調整・制御・誤差。信号の欄は作らない。

群	定義	風力での中身
調整因子	予測値 M を作るために必要な因子の群	平均風速、空気密度、運転時間
制御因子	プロセスを最適化するために組合せを考える群	方式、基数、PV、静音、鳥、立地
誤差因子	ユーザーの都合で発生するかもしれない群	N1 風向・乱流、N2 台風・突風

調整因子は組合せ最適化をしない。風速を「水準1／水準2」にして方案を選ぶ対象にはしない。制御因子が関数 f を変え、同じ調整の値から別の予測 M が出る。誤差因子は、ユーザー側で起きうる条件である。全部は考慮しない。重要なものを二つ程度にする。計算が膨らむからである。

4.1 用語

用語	定義
方案	最適化の対象になる一つのシステム案。構想と水準を分けない
現状案／0点	いま選ばれる方案。F＝0 の原点
予測値 M	調整因子と制御因子から作るユーザー利益。旧・信号因子
実際値 X	誤差の下での実現値。測度の入力
効率	Mopt／M0。dB にしない
機能 F	現状案を0とした金額
適用文脈	単価・法規上限。誤差ではない
棄却条件	法規・安全・耐風破壊。平均に入れない
単独適用	誤差を一つに固定し、棄却されない方案で F 最大
ロバスト適用	二つの誤差で棄却されず、平均 F 最大

5. 誤差は技術に戻す

図5　市場は単価・棄却・気候に分解する。誤差に残るのは気候の実体だけ。

動特性に取り入れる誤差は、技術的に解釈する。温度、湿度、風向の変化。異常気象や自然災害。温度と湿度は多くの方案に同じ係数で乗る。方案を分けるのは、風向・乱流と異常気象である。だから二つで足りる。

誤差	技術的な中身	方案を分ける理由
N1 風向・乱流	使用環境のゆらぎ。ヨー損失、乱流による失速	HAWT は弱く、VAWT／カムは全方位
N2 異常気象	台風・突風。カットアウト超え、破損、停止	台風寄せカムと立地が効く

適用文脈は残す。単価、割引率、騒音上限、鳥条例は、誤差ではなくゲートと換算である。同じ方案を別の文脈へ持っていくときは、右側の測度だけ書き直す。枠は作り直さない。

6. エネルギー保存則

総合SN比に投入するメトリックスは、ユーザーにとってプラスになる量に限る。プロセスではエネルギー変換が働くことを期待している。損失を M に足すと、保存則が壊れる。

図6　風のエネルギー＝発電＋損失＋騒音エネルギー。騒音は M に入れない。

風車では、風のエネルギー＝発電量＋熱と機械の損失＋騒音エネルギー、と読める。騒音を小さくしたいなら、発電（ユーザー利益）を最大化すればよい、という読みが先にある。残った害は、金額化できるなら Δ逆、法規を超えるなら棄却条件にする。魅力は金額化できるときだけ足す。

複数出力にする場合も同じである。M1、M2 はどれもユーザー利益でなければならない。処理件数と節約額は載せてよい。故障件数や騒音 dB は載せない。

7. 枠は変えない

品質工学のアプローチ図は残す。外枠が評価、内枠がシステム、上が制御、下が最適、左が入力、右が出力、右下が診断、黒い丸が誤差。変えるのは単語である。

図7　左は調整因子と予測 M。右は実際 X と金額 F。黒丸は N1 と N2。

場所	従来	TTM ver0p6
左の入力	信号因子 M	調整因子 → 予測 M（消える）
右の測度	SN 比・損失関数	金額 F。効率は Mopt／M0
上の制御	パラメータ	構想そのもの（水準と分けない）
黒い丸	現場の外乱	技術誤差を2つ。市場は置かない
右下の診断	直交表	数値探索
0点	目標値一点	いま選ばれる方案

図8　横軸は予測 M、縦軸は実際 X。誤差は N1 と N2 の2本だけ描く。

7.1 機能 F

単位は先に固定する。既定は USD、10年、実質3%（年金係数 8.53）。変えたら記録する。符号が食い違うのは普通である。内訳を残し、合計だけ見ない。

必要機能がある課題では「何もしない」を 0 点に置かない。方案の外に原点が出て、プラスマイナスの意味が壊れる。

8. 手順

システム構築は TRIZ、因子と目的メトリックスは TRIZ とタグチ、運用時の素直な動きはタグチ、探索は数値探索。同じ図の上で同時に動かす。

順	やること
0 枠	評価・調整・制御・誤差2つ・0点・必要機能を言葉で埋める
1 TRIZ	矛盾と原理を出す。物理量の行き先を決める
2 三分法	調整・制御・誤差に分ける。市場は文脈と棄却へ
3 メトリックス	M はユーザー利益。単位を固定。F を書く
4 探索	数値が揃っているので直交表は使わない。F を最大にする
5 単独	誤差を N1 に固定。棄却されない方案で F 最大
6 ロバスト	N1 と N2 の両方で棄却されず、平均 F
7 記録	三分法、M 比、棄却理由、F 内訳、0点、交互作用

8.1 やらないこと

直交表と SN 比で診断する。因子と数値が揃った時点でいらない。
信号因子の欄を残す。中間生成物は消す。
市場・国を誤差に置く。単価・法規・気候に分解する。
誤差を全部入れる。重要なものを二つ程度にする。
騒音や故障を M に足す。ユーザー利益だけを入れる。
何もしないを F＝0 にする。方案の外に原点を出さない。
棄却を −∞ として平均する。その誤差では方案が無い、と書く。
TRIZ のあとタグチ、と工程を分ける。

8.2 記録

0点の定義と、なぜそれがいま選ばれるか
単位（通貨・年・割引率）
調整因子の値、制御因子の表、誤差2つの技術的定義
各方案の M、M比、X（N1／N2）、F の四項
各誤差での棄却の可否と理由
単独の選とロバストの選
確認された交互作用（乗法・抑止・閾値）

9. 案件への埋め方

この手順書は空の枠である。埋まっていない枠で探索しない。

空欄	埋めるもの
必要機能	無くてはならない働き。一文
現状案	いま選ばれる行。理由を一文
調整因子	予測 M を作る入力。単位と基準値
制御因子	方案の選択肢。構想と水準を分けない
誤差2つ	技術的な使用環境。名前と、方案を分ける理由
適用文脈	単価・法規。誤差にしない
棄却条件	限度と、触れたときの扱い
単位と換算	通貨・年・割引。代用特性を金額にする式

埋め方が正しければ、あとの作業は機械的だ。正しさの半分は空欄の埋め方にある。案件の固有名詞は空欄の中だけに置く。

9.1 処方

動特性の型を先に宣言する。現場系なら総合SN比（単一次元）＋誤差2つ。
信号の欄を作らない。調整因子と予測 M だけを書く。
誤差は技術名で書く。国名で書かない。
M に載せる量はユーザー利益か、一文で答えられるようにする。
実測が来たら枠は触らず、右側（M・X・F・棄却限度）だけ書き直す。

参考文献

案件資料と生成 AI の出力は参考文献に含めない。

[R1] Altshuller, G. S. (1984). Creativity as an Exact Science. Gordon and Breach.
[R2] Altshuller, G. S. (1999). The Innovation Algorithm. Technical Innovation Center.
[R4] Taguchi, G. (1986). Introduction to Quality Engineering. Asian Productivity Organization.
[R5] Taguchi, G., Chowdhury, S., Taguchi, S. (2000). Robust Engineering. McGraw-Hill.
[R7] Kano, N., Seraku, N., Takahashi, F., Tsuji, S. (1984). Attractive Quality and Must-be Quality. 品質, 14(2), 39–48.
[R8] Montgomery, D. C. (2017). Design and Analysis of Experiments (10th ed.). Wiley.
[R10] Oppenheim, A. V., Willsky, A. S., Young, I. T. (1983). Signals and Systems. Prentice-Hall.
[R11] Kumar, R., Bairwa, K. N. (2025). Optimizing Process Parameters in Plastic Injection Molding using the Taguchi Method. Evergreen, 12(2), 1177–1188.

関連：TTM 事例研究編 ver0p6（誤差を技術に戻す）

超越田口方法的最佳化從拉麵學習虛擬評估的最前線（整合版）

Ryuji Yabe — Wed, 12 Aug 2026 10:15:18 +0000

超越田口方法的最佳化 — 從拉麵學習虛擬評估的最前線（整合版）

將拉麵報告（SIWC25：最佳化／SIWC26：公差設計）與論文「虛擬評估的現狀與課題」的分析整合為一本報告。

參照: QEU FOUNDER「以LLM進行最佳化（拉麵的最佳化）SIWC25」「（拉麵的公差設計）SIWC26」, 2025 ／田村等「虛擬評估的現狀與課題(1)」品質工程 Vol.27 No.2, 2019

本報告將「最佳化」與「公差設計」明確分離為二部構成。兩者皆捨棄對田口方法的過度依賴，提示LLM生成式最佳化的優位性。

導入：為何拉麵成為「虛擬評估」的範本

SIWC25斷言「已經，最佳化不需要正交表、不需要變異數分析」。其根據在於拉麵這個對象滿足下列4個條件：

豐富的資訊與文章表現（網路的食べログ・口碑已語言化）
嚴謹的評估與數值化（將口碑評分設為目的變數「QEU評分」）
物品的模組化（拉麵＝麵・湯・配料分解）
LLM已具備許多資訊（預訓練內含領域知識）

只要這4個條件齊備，給予LLM過去名店資料＋系統Prompt（「在靜岡開新拉麵」「不要標新立異」），就能直接生成「QEU評分最高的終極拉麵」。SIWC26更命令LLM「不降低味道而降低成本」的公差設計（約束式最佳化）。

本報告將此「拉麵式手法」連接至論文「虛擬評估的現狀與課題」的課題（評估者依賴・分類I/II未著手・成本抑制），從最佳化與公差設計兩面重新評估。

第I部：最佳化（SIWC25風格）— 將目的數值化交給LLM生成

田口方法為「手段」而非「目的」。只要因子被確定、目的明確、目的可數值化，就不必執著於田口。SN比為建立加法性指標的反覆實驗成本高，正交表限於「少數因子・離散水準・加法性近似」。啟發式LLM生成能直接探索，更具彈性。

案例A（最佳化）：折疊傘的LLM生成式最佳化

目的：QEU易開性評分（網路口碑的數值化）最大化

終極折疊傘的設計

[1] 鎖定形狀：帶凹痕鎖定（繼承傘γ・近緣產品的知見）。指觸更淺，戴手套也不卡住的形状。
[2] 彈簧常數：中等（弱〜強之間）。迴避傘β「開太大骨頭脫落」與傘δ「高阻力卡住」。對目標扭矩220mN以±20%確實打開。
[3] 滑動阻力：低阻力（傘γ・近緣產品的知見）。寒冷環境也不固化的塗層。
預估售價：4,800日圓（較傘γ+800日圓，但退貨率降低改善利益）
預估「QEU易開性評分」：4.5（超越既存最高傘γ=4.1）
理由：帶凹痕×低阻力確保「誰都能・隨時都能」打開的穩健性。中等彈簧迴避競爭對手開太大的客訴，同時解消傘β的重量。

⇒ 相對於田口式（評分4.1・試作4次(約80萬日圓)・正交表L4×SN比），LLM式（評分4.5・僅API呼叫(約0.3萬日圓)・不需要正交表/SN比）。實驗成本1/250達同等以上評分。

案例B（最佳化）：地區的休憩場所（分類I：社會系統・論文未著手領域）

目的：QEU舒適度評分最大化（分類I/II田口正交表難以適用）

終極「休憩場所」的設計

[1] 設施性格：交流咖啡廳＋「地區郵局（宅配收件・各種諮詢窗口）」併設。融合廣場A的廣度與咖啡B的輕鬆。
[2] 營運主體：民間委託（B的知見）＋志工協調（C的網絡）的混合。以寺院為衛星據點活用。
[3] 日常吸引藉口：以「郵件收件・健康諮詢」為藉口確保高齡者每日光臨動線。迴避依賴活動（A的失敗）。
預算：初期2,000萬日圓、年維持費800萬日圓（階段整備避免破產）
預估「QEU舒適度評分」：4.4（超越既存最高B=4.0）
理由：從口碑的定性記述抽取正交表無法處理的「營運主體的信賴」「藉口的心理」。在田口SN比(加法性)無法建立的領域，LLM仍保持約束最佳抽取。

⇒ 難以適用（試作僅1次・加法性不成立・評估者依賴極大）。相對地LLM式（評分4.4・僅API呼叫(約0.3萬日圓)・保持定性約束最佳抽取）。正是田口不擅長的領域才是LLM的用武之地。

第I部總結：區分使用

能用之處用田口：物理量可評估、因子少數・離散且加法性近似成立（分類III/IV的硬體產品）。
不能用之處用LLM生成：非線性・交互作用激烈，或社會・人群系統（分類I/II）正交表難以適用。
兩者的連接：「以LLM探索 → 以田口收尾穩健性」的兩段式在實務上最強。

第II部：公差設計（SIWC26風格）— 維持評分同時降低成本

SIWC26對「至高拉麵（評分最大化）」處理「便宜拉麵（成本降低）」。但課以「不降低味道」的約束。即將目的函數置於「成本最小化」，將「評分（品質）下限」固定為約束——這正是田口的公差設計。SIWC26的步驟：

對各材料，給予LLM國產/進口/替代的「產地・標準價格」實際資料
以系統Prompt命令「不降低味道（評分）而降低成本」
LLM選擇「同等Spec的替代品」，直接生成在守住評分下限的同時最小化單價合計的構成

不使用正交表也不使用SN比。將目的（成本）與約束（評分下限）以語言給予，LLM一發生成約束式最佳化。

案例C（公差設計）：折疊傘的成本降低（維持評分4.5）

目的：維持評分4.5（約束）同時最小化零件單價合計

傘的公差設計（成本降低）案

鎖定金具：國產精密模具 → 中國製鋅壓鑄（同形狀）。易開性由凹痕形狀決定，故只要確保模具精度即維持評分。 −180日圓
彈簧：台灣製同等Spec不鏽鋼。守護中等彈簧的Spec下限迴避「開太大」。 −85日圓
滑動塗層：韓國製同功能氟系。寒冷環境也不固化，維持低阻力。 −130日圓
骨頭：國產鋁複合（碳纖替代）。維持輕量，強度在許可範圍。 −170日圓
零件單價合計：1170日圓 → 605日圓（約48%削減）
預估QEU易開性評分：4.5（維持。失敗關鍵「彈簧Spec下限」嚴守）
理由：與SIWC26相同，「不降低味道(評分)而降低成本」命令LLM。不需要正交表・SN比直接生成約束式最佳化。

⇒ 相對於田口式（零件單價 −約30%（嚴守彈簧Spec而保守）・參數設計→公差設計2段），LLM式（零件單價 −48%（一括替代提案）・不需要正交表/SN比）。

案例D（公差設計）：虛擬評估流程「本身」的公差設計

目的：維持設計判定的正確性（評分4.5的特定）同時最小化評估成本

更重要的是，將公差設計應用於「產品」以外的「虛擬評估流程本身」。論文所求「低成本的虛擬評估」可如下定式化：

品質（應維持者）：設計判定的正確性（哪個條件最佳的特定）
成本（應最小化者）：試作・CAE・測量所需的次數與費用
公差：感度小的因子「粗看（少水準）」也不改變判定的範圍

虛擬評估流程的公差設計

因子A(鎖定)：感度大故維持「細看」。僅確定凹痕有無(2水準・試作2次)。
因子B(彈簧)：感度中故許可「粗看」。弱/中/強固定為1水準(中)，以許可幅±15%規格化。
因子C(阻力)：同上。僅將低阻力固定為規格下限。
誤差因子(溫度)：僅留寒冷條件1案例，其餘以虛擬(既存模型)替代。
試作次數：27次 → 2次（約93%削減）／測量費：80萬 → 約6萬日圓
判定正確性：特定評分4.5（維持）。以「彈簧・阻力以幅許可」省略過剩實測。
理由：正是論文的「低成本虛擬評估」。將田口的公差設計應用於評估流程本身。LLM從感度特定「粗看也不變品質之處」。

⇒ 論文的「低成本虛擬評估」並非抽象標語，而是可手法化為「基於評估感度的公差設計」。

第II部總結：低成本虛擬評估的設計原則

分離品質與成本：明示何為「應維持的品質」、何為「應最小化的成本」。這是公差設計的起點。
以感度決定公差：感度小的因子・水準刻意粗略估計，削減成本。
區分使用手段：物理且加法性成立則用田口公差設計（SN比保證），語言資訊為主且非線性則用LLM生成（SIWC26風格）。

總結：最佳化與公差設計是不同問題

如本報告所示，最佳化（第I部）與公差設計（第II部）應明確分離。

最佳化是探索「滿足目標的最佳之物」的問題。拉麵式LLM生成以口碑→數值化→生成，無正交表解出。
公差設計是探索「在維持既定目標的同時，降低成本之餘地」的問題。SIWC26式LLM生成以評分下限為約束直接生成成本最小化。

兩者都不必依賴田口方法的「客觀性核心」。只要因子・目的・數值化齊備、資訊語言化，便自然擴展至LLM生成式最佳化。這正是實現論文「虛擬評估」所欲「社會損失降低」的現實之道。

※ 本報告的案例研究（A〜D），皆為LLM（本代理）以與SIWC25/26相同框架實際生成的真實輸出（無需API・離線）。

【SIWC26】以LLM進行公差設計（拉麵的公差設計） QEU原創AI研究

Ryuji Yabe — Wed, 12 Aug 2026 10:15:02 +0000

文書2：公差設計 — 拉麵（SIWC26）的步驟，以及約束式最佳化的提案

QEUR23_SIWC26「以LLM進行最佳化（拉麵的公差設計）」的技術內容詳細解說之後，將「不降低品質而降低成本」的約束式最佳化擴展至物理產品與評估流程本身。

參照: QEU FOUNDER「以LLM進行最佳化（拉麵的公差設計）SIWC26」, 2025 ／田村等「虛擬評估的現狀與課題 (1)」品質工程 Vol.27 No.2, 2019 ／與文書1（最佳化・SIWC25）成對的獨立報告

作成: 2026-08-09 ／批判性再評估版（脫離田口必須論）

導入：公差設計是「具約束的成本最小化」

公差設計（tolerance design）的古典意義，是在參數設計決定的目標功能不受損的範圍內，放寬零件公差或採購規格，降低成本。在田口流中位於參數設計的後段，討論損失函數與成本的取捨。

SIWC26以拉麵重新定義此問題。不是「至高拉麵（評分最大化）」而是「便宜拉麵（成本降低）」——但不降低味道（評分）。這正是約束式最佳化，不須使用正交表或SN比，可當作對LLM的指令直接寫出。

本文檔在詳細追蹤SIWC26的步驟後，將相同型套用至折疊傘的零件採購，以及虛擬評估流程本身的「粗看／細看」。也成為對論文所求「低成本虛擬評估」的具體回答。

圖：IMG_8624.JPG

第1部：拉麵公差設計（SIWC26）的技術內容與步驟

若SIWC25是「評分最大化」，SIWC26就是「以評分下限為約束的成本最小化」。筆者說「命令LLM降低高級拉麵的成本。若對象是人類就是職場霸凌，但LLM不會抱怨」，但技術上並非「亂來」，重點在於給予材料產地・標準價格這種實際資料來判斷。

前提的產品環境要件也與SIWC25相同，①豐富的語言資訊 ②評估的數值化 ③模組化 ④LLM的領域知識——再加上，⑤替代採購的價格實際資料齊備。沒有⑤，「轉向便宜方」的判斷根據就不成立。

圖：fig_flow_tol.png

步驟1：材料的產地・標準價格實際資料收集

SIWC26中，對湯材料（醬油・豚骨・雞骨・味噌・昆布・小魚乾等）與配料材料（蔥・叉燒・海苔等），將東京超市以及海外（例：溫哥華亞洲超市）的主要產地・標準價格列表化。

例：醬油（千葉／兵庫等、100ml約50〜100日圓）、豚骨（鹿兒島等、100g約100〜150日圓）、昆布（北海道、100g約300〜500日圓）。也將業務超市冷凍雞骨、粉狀高湯等替代納入候選。

此「國產／進口／替代」的價格表，正是LLM判斷成本降低的根據。相當於田口公差設計所說的「零件成本表」，但不需要實驗計畫，收集採購資料即可。

步驟2：LLM的輸入結構（約束式最佳化的指令）

輸入也是3層結構，但指令與SIWC25不同。

① 系統Prompt：「設計降低成本的拉麵」（固定角色與課題）。② 過去高級拉麵規格＋材料價格表。③ 指令：「不降低味道（QEU評分），最小化單價合計。不要標新立異，用有實績的替代品即可」。

此處「不降低評分」是約束（下限），「成本最小化」是目的函數。與田口公差設計——在不損及品質的範圍內放寬公差——同型的想法，直接以語言指令給予。不需要以正交表振動公差水準。

步驟3：LLM的生成與輸出（便宜拉麵）

LLM提示國產→進口／替代的替換案。例：國產醬油→同等進口品、昆布高湯→部分替換為粉狀高湯等。為了「不降低味道」，保留風味核心部位，從可替代的周邊材削減。

結果得到在維持評分的同時大幅降低成本的構成。決定性的一點：不使用正交表也不使用SN比。將目的（成本）與約束（評分下限）以語言給予，LLM一發生成約束式最佳化。

批判地說，這不是「統計的品質保證」。輸出是提案，實店鋪的試吃・衛生・供給穩定性需要另行驗證。但作為「探索的第一擊」的成本削減點子生成，比公差設計的古典步驟快上數個數量級。

圖：fig_cmp_tol.png

SIWC26直指的公差設計批判

古典公差設計，是在參數設計決定最適公稱值後，以損失函數與零件成本決定公差。其前提有「公稱值正確」「可測量變異」「可寫出成本函數」。在如拉麵般風味核心為語言性・非線性的情況，公差表本身難以建立。

LLM公差設計，以「替代採購目錄」與「評分下限」取代公差的數值表。將無法測量的品質以口碑評分這種代理指標約束，僅最小化可測量的成本。代理指標妥當性弱時很危險，但在代理指標於市場發揮功能的領域（餐飲・消費品評論等）是實用的。

第2部：提案手法 — 同時削減產品成本與評估成本

以下是以SIWC26相同框架由本代理生成的案例。案例C是產品的零件採購，案例D以論文重視的「虛擬評估本身的成本」為對象。

案例C：折疊傘的成本降低（維持評分4.5）

前提：將文書1案例A所得的「帶凹痕×彈簧中等×低阻力」傘（QEU易開性評分4.5），在不降低評分的情況下成本降低。以表格給予各零件國產／進口・替代的價格與品質影響。

也輸入失敗談：「彈簧用太便宜的導致開太大→骨頭脫落客訴」。由此LLM能區分可削減與不可削減的零件。

LLM輸出摘要：鎖定金具國產精密→中國製鋅壓鑄（−180日圓）、彈簧台灣製同等Spec（−85日圓，嚴守Spec下限）、滑動塗層韓國製同功能（−130日圓）、骨頭碳纖→鋁複合（−170日圓）。零件單價 1170日圓→605日圓（約48%削減）、預估評分4.5維持。

與田口公差設計比較：古典上是對感度大的因子嚴格公差，小的因子放寬。此處以「失敗談＋品質影響備註」取代感度資訊擔任相同角色，給出一括替代提案。需要保證時，僅實測確認彈簧Spec即可（不需要全因子的公差實驗）。

案例D：虛擬評估流程本身的公差設計

論文要求「低成本的虛擬評估」，但具體的削減步驟容易現場任務化。此處的思維轉換，是將評估流程本身視為「產品」，以判定正確性為品質、試作次數為成本。

現狀：因子A/B/C各3水準實測靜態SN比（試作27次・測量費約80萬日圓）。感度：A（鎖定）大、B（彈簧）中、C（阻力）中。誤差因子的溫度僅寒冷條件為必須。

對LLM的指令：「在維持判定正確性（評分4.5的特定）的同時，最小化試作・測量成本。提案哪些因子粗看／細看」。

輸出摘要：A細看（僅凹痕有無・試作2次）、B/C粗看（中・低以規格幅固定）、溫度僅留寒冷1條件其餘以模型替代。試作27→2次（約93%削減）、測量費80萬→約6萬日圓。判定正確性維持。

這是將田口的公差設計再歸遞應用於「評估的設計」。並非捨棄正交表，而是由LLM從感度資訊選擇「在哪裡保留正交表（或實測）」。成為對論文課題、運作層級的具體策。

圖：IMG_8630.JPG

提案手法的一般形（公差設計模板）

將應維持的品質設為數值下限（評分・規格）固定。2. 收集對成本有效的替代手段（採購・公差・評估次數）的目錄與價格。3. 以語言附加失敗談・感度備註，明示「不可削減的核心」。4. 讓LLM生成「滿足品質下限的最小成本構成」。5. 僅對核心的少數項目實測／審計，其餘以規格幅許可。

最佳化（文書1）是「探索更好的點」，公差設計（文書2）是「在已好的點周圍削去無謂成本」。順序上，先以最佳化決定公稱，再以本手法削減為自然。

第3部：連接至論文 — 成本抑制與上流／下流

論文將虛擬評估定位於開發設計階段（資訊整理→課題設定→構想→基本設計），整理出特別在基本設計的參數設計活用較多。另一方面，評估成本本身的設計難以主題化。

案例D作為「評估的公差設計」，是決定在哪個階段・哪個因子保留厚實測的元手法。上流（階段a/b）以語言資訊與LLM便宜試假說，下流（階段d）的核心僅保留實測——此分配同時降低社會損失與開發成本。

分類I/II的擴展，在公差設計的觀點上，關鍵在於「不要求完美的定量評估」。社會系統中，以評分的代理指標與失敗談的語言約束，就足以立出成本削減案（也可應用於文書1案例B的運作成本版）。

圖：IMG_8629.JPG

總結（文書2）

SIWC26將「不降低味道而降低成本」實作為對LLM的約束式指令，展示無正交表的公差設計。本提案將其擴展至傘零件（約48%成本減）與評估流程（試作93%減）。

公差設計並非田口的專賣特許。只要能寫出品質下限與成本結構，無論LLM生成或古典損失函數都能解。手段依問題結構選擇即可。

體驗用：tolerance_optimizer_simulator.html，可在瀏覽器上追體驗約束式成本降低的比較。與文書1（最佳化）併讀，可掌握探索→削減的一連串流程。

※ 案例研究的數值・生成文，是以與SIWC25/26相同框架由本代理生成的記錄（無需API・離線）。

【SIWC25】以LLM進行最佳化（拉麵的最佳化） QEU原創AI研究

Ryuji Yabe — Wed, 12 Aug 2026 10:14:46 +0000

文書1：最佳化 — 拉麵（SIWC25）的步驟，以及超越田口方法的提案手法

QEUR23_SIWC25「以LLM進行最佳化（拉麵的最佳化）」的技術內容詳細解說之後，展示以相同框架擴展至物理產品與社會系統的提案手法。

參照: QEU FOUNDER「以LLM進行最佳化（拉麵的最佳化）SIWC25」, 2025 ／田村希志臣・倉地雅彦・壇原文雄「虛擬評估的現狀與課題 (1)」品質工程 Vol.27 No.2, 2019

作成: 2026-08-09 ／批判的再評估版（脫離田口必須論）

導入：捨棄對田口方法的過度執著

品質工程・田口方法自1970年代以來，以正交表與SN比將「耐變異的設計」體系化，是強力的工具。但工具不是目的。只要因子被確定、目的明確、且目的可數值化，就不必執著於田口。

SN比要求建立「具加法性的指標」，反覆實驗成本高。正交表能如預期發揮功能的情況（少數因子・離散水準・交互作用弱）有限。相對地，啟發式AI（LLM）的最佳化能直接探索語言資訊，更具彈性。

本文檔在拉麵案例（SIWC25）具體落實該主張的步驟詳細追蹤後，大膽擴展至折疊傘（分類III）與地區休憩場所（分類I・論文未著手領域）。同時展示與論文「虛擬評估的現狀與課題」課題地圖的連接。

圖：IMG_8622.JPG

第1部：拉麵最佳化（SIWC25）的技術內容與步驟

SIWC25「以LLM進行最佳化（拉麵的最佳化）」是僅以食べログ等網路口碑這種語言資訊來設計「終極拉麵」的案例。沒有實驗室、沒有試作、也沒有正交表。即便如此仍能稱為「最佳化」的根據，在於下列4個條件齊備。

① 豐富的語言資訊（口碑以文章形式累積）　② 嚴謹評估的數值化（將口碑評分設為目的變數「QEU評分」）　③ 物品的模組化（麵・湯・配料）　④ LLM已具備的領域知識（預訓練內含拉麵文化）。

只要這4個條件齊備，僅需將「過去名店資料＋系統Prompt＋指令」交給LLM，就能一發生成使評分最大化的設計。正交表與變異數分析已非必要——這就是SIWC25的核心。

圖：fig_flow_llm_opt.png

步驟1：網路口碑的收集與數值化為「QEU評分」

首先以表格收集知名拉麵店的基本資料。SIWC25中例如列出「坂內食堂（福島）評分4.3」「らあめん花月嵐（東京）4.2」「井出商店（和歌山）3.8」等多家店。

重點在於避免單純的「好吃」感想，而是讓LLM以「3個觀點（麵／湯／配料特徵、地區特徵・知名度、與評分相關的特徵）」結構化。將此暫命名為「QEU口碑評分」，明確定義最佳化的目標（目的變數）。

若目的未數值化，後續生成會漂移。田口將「特性值→SN比」轉換的相同角色，由口碑的彙整與命名來擔任。但不需要為了SN比而反覆實驗。

步驟2：LLM的輸入結構（系統Prompt ＋過去資料＋指令）

SIWC25的核心在於輸入的組裝方式。以3層結構交給LLM。

① 系統Prompt：「你是靜岡縣開店的拉麵店長。想開發前所未有的新拉麵」——固定前提（地區・角色）。

② 過去資料：各店的結構化口碑文字，直接連結投入使用者Prompt。將「無法納入正交表」的語言資訊，直接作為探索空間使用。

③ 指令：「設計QEU口碑評分最高、不在清單內的終極拉麵。以麵・湯・配料描述。不要採用標新立異的食材」——給予探索方向與約束。

「不要標新立異」的指令具有決定性。沒有它，LLM會給出在麵裡摻抹茶之類的離群值。田口方法以正交表水準範圍約束因子的相同角色，由語言指令擔任。

步驟3：LLM的生成與輸出（終極拉麵）

實際生成結果（模型例：qwen-max）如下。麵＝中粗捲麵（參考坂內・黑亭，青竹手打），湯＝豚骨×雞骨高湯＋焦香蒜油（黑亭風格），配料＝特製醬油叉燒＋大量蔬菜。預估評分4.5，價格約980日圓。

值得注意的是「在靜岡與廣島都受歡迎＝穩健」的解讀。若對LLM給予多種前提（靜岡／廣島）也不崩潰而能得到解，那便可視為與田口的「穩健性」同等價值的成果——但沒用到正交表也沒用到SN比。

SIWC25作為應用，展示可將相同框架擴展至折疊傘（評分4.5／實驗成本約1/250）、以及分類I的社會系統「休憩場所」（評分4.4，田口難以適用）。本文檔第2部將該擴展具體化為案例研究。

圖：fig_cmp_opt.png

SIWC25直指的田口批判（坦率地）

拉麵最佳化幾乎完全跳過品質工程的教科書步驟（因子選定→正交表→試作→SN比→最適條件）。即便如此仍以「評分最大化」這個最佳化問題閉合。這並非「田口錯誤」，而是顯示「田口為必須的領域很狹窄」。

田口發揮強項之處，在於物理量可測量、控制因子少數、交互作用弱、能組出加法性SN比的情況。在如拉麵般口碑豐富、非線性・交互作用激烈的領域，正交表很拘束，LLM的語言探索更自然。

反之LLM的弱點是「再現性・保證・可審計性」。相同Prompt也會因模型更新而改變輸出，無法直接用於需要安全認證的硬體。因此「以LLM縮小候選，必要時以田口或CAE收尾」的兩段式較為務實——但並非「一定要從田口開始」。

圖：fig_flow_taguchi.png

第2部：提案手法 — 將拉麵式擴展至物理產品與社會系統

以下是以SIWC25相同框架（口碑→數值化→系統Prompt＋過去資料＋指令→LLM生成），由本代理實際生成的案例研究。直接展示無需API・離線的記錄。

案例A：折疊傘的LLM生成式最佳化（分類III）

目的：將網路口碑數值化為「QEU易開性評分（5分滿分）」並最大化。過去產品：傘α〜δ（鎖定形狀／彈簧常數／滑動阻力與評分3.1〜4.1）、近緣的折疊杖、競爭對手的失敗談。

系統Prompt要旨：「中型戶外用品製造商的設計負責人。想開發誰都能順利打開的折疊傘」。指令：「設計評分最高的終極傘，以鎖／彈簧／阻力描述。不要標新立異」。

LLM輸出摘要：鎖定＝帶凹痕（指觸較淺），彈簧＝中等（±20%確實打開），滑動＝低阻力塗層。預估價格4,800日圓、預估評分4.5（超越既存最高γ=4.1）。

與田口式比較：田口為評分4.1・試作4次（約80萬日圓）・L4×SN比。LLM生成為評分4.5・僅API呼叫（約0.3萬日圓）・不需要正交表／SN比。實驗成本約1/250。即使是物理產品，只要有「語言資訊＋數值目的」，田口也非必須。

案例B：地區的「休憩場所」（分類I：社會系統・論文未著手）

論文「虛擬評估的現狀與課題」將評估對象分為分類I〜IV，指出虛擬評估的活用偏重於分類III/IV（技術・硬體），分類I/II（社會・人群）幾乎未著手。田口的正交表本就難以套用於試作僅1次・加法性不成立・評估者依賴極大的社會系統。

目的：QEU舒適度評分的最大化。投入廣場A（大但依賴活動而失敗）、咖啡B（輕鬆但持續性）、寺院C（信賴網絡）等語言評估作為過去案例。

LLM輸出摘要：交流咖啡廳＋「地區郵局（宅配收件・各種諮詢窗口）」併設、民間委託＋志工的混合型、以日常藉口（郵件・健康諮詢）確保高齡者的動線。預算：初期2,000萬日圓・年維持800萬日圓。預估評分4.4（超越既存最高B=4.0）。

此處正是本提案的「大膽」之處。在田口難以適用的領域，拉麵式（語言資訊→數值目的→LLM生成）相對最有效。標榜社會損失降低的品質工程，對分類I束手無策，近乎手法的自我制約。

圖：IMG_8627.JPG

提案手法的一般形（可重現的模板）

將目的落實為單一數值（QEU評分等）。多目的則分解為優先順序或約束。2. 將既存案例・口碑・失敗談以語言原貌收集，明示模組結構（相當於因子）。3. 以系統Prompt固定角色與前提，以語言給予「不要標新立異」等探索約束。4. 讓LLM生成最佳構成，同時輸出預估評分・理由・風險。5. 僅對需要安全・認證・物理保證的部分，以CAE／田口／實測收尾。

此模板並非「正交表的替代」，而是「切出不需要正交表的問題」的步驟。對無法切出的硬物理問題，使用田口或模擬最佳化即可。手段要區分使用。

第3部：連接至論文「虛擬評估的現狀與課題」

田村・倉地・壇原（2019）整理出虛擬評估定義的曖昧、評估者依賴、應用領域的偏倚、無法觸及上流（主題選定・概念）等課題。圖1・圖2所示的「開發生產性」與「4個技術戰略」，帶有將品質工程的射程向上游延伸的意圖。

但看論說的實踐例（表1・表2），活用大半集中於分類III/IV的基本設計（參數設計），分類I/II與開發階段上流（資訊整理・課題設定）薄弱。這是論文自身也承認的現狀。

拉麵式最佳化如下回答論文的課題。C1 定義：將目的數值定義為「QEU評分最大化」即閉合評估。C2 評估者依賴：以集合智慧（口碑彙整）而非個別感想來平均化。C3 應用偏倚：只要有語言資訊就能應用於分類I（案例B）。C4 上流：LLM從目的生成構成，故可涵蓋至主題選定・概念階段。

圖：IMG_8629.JPG

界限，以及保留田口之處

LLM生成並非「保證」。在規管產業、涉及人命的特性、再現性為契約要件的場合，正交表・SN比・統計佐證至今仍有效。此外在沒有口碑的新領域，首先須以測量與實驗計畫建立資料。

最佳實務是兩段式。（探索）以語言資訊與LLM一舉縮小候選空間 →（保證）僅對縮小後的候選以田口／CAE／實測收尾穩健性。論文所欲的「社會損失降低」，不受限於田口這單一手法。

總結（文書1）

SIWC25在因子・目的・數值化齊備且語言資訊存在的情況下，展示了無正交表也能最佳化，以拉麵證明。本提案將該型擴展至傘（分類III）與休憩場所（分類I），在後者得到田口難以適用領域中的評分4.4設計。

不否定田口方法。但「從頭到尾都是田口」是過剩的。在能用之處使用，在不能用之處切換至LLM生成式最佳化——這是本文檔的結論。

體驗用：optimization_compare_simulator.html 與 virtual_evaluation_simulator.html，可在瀏覽器上追體驗兩手法的比較。

※ 案例研究的數值・生成文，是以與SIWC25/26相同框架由本代理生成的記錄（無需API・離線）。