CN116724328A - 品质异常分析方法、金属材料的制造方法以及品质异常分析装置 - Google Patents

品质异常分析方法、金属材料的制造方法以及品质异常分析装置 Download PDF

Info

Publication number
CN116724328A
CN116724328A CN202180089024.7A CN202180089024A CN116724328A CN 116724328 A CN116724328 A CN 116724328A CN 202180089024 A CN202180089024 A CN 202180089024A CN 116724328 A CN116724328 A CN 116724328A
Authority
CN
China
Prior art keywords
quality
manufacturing
metal material
quality prediction
product
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202180089024.7A
Other languages
English (en)
Inventor
茂森弘靖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
JFE Steel Corp
Original Assignee
JFE Steel Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by JFE Steel Corp filed Critical JFE Steel Corp
Publication of CN116724328A publication Critical patent/CN116724328A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
    • G05B19/41885—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by modeling, simulation of the manufacturing system
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
    • G05B23/0232—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on qualitative trend analysis, e.g. system evolution
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32187—Correlation between controlling parameters for influence on quality parameters
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32193—Ann, neural base quality management
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32194—Quality prediction
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Manufacturing & Machinery (AREA)
  • Automation & Control Theory (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • General Factory Administration (AREA)
  • Investigating And Analyzing Materials By Characteristic Methods (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

品质异常分析方法包括：品质预测步骤，该步骤对品质预测模型输入制造条件，由此预测产品的品质；品质评价步骤，该步骤计算通过制造工艺制造出的实际的产品的品质评价值；品质预测误差计算步骤，该步骤计算作为品质预测步骤的输出而得到的品质预测值与品质评价值的差，作为品质预测误差；品质贡献度计算步骤，该步骤计算在使用品质预测模型来预测产品的品质时所输入的各制造条件的品质贡献度；以及品质异常原因提示步骤，该步骤基于品质预测误差以及品质贡献度，提示成为产品的品质异常的原因的制造条件。

Description

品质异常分析方法、金属材料的制造方法以及品质异常分析 装置
技术领域
本发明涉及品质异常分析方法、金属材料的制造方法以及品质异常分析装置。
背景技术
作为预测相对于任意的要求条件的品质的方法，例如在专利文献1～8中公开了以下那样的方法。在该方法中，例如计算储存于实绩数据库的过去的多个观测条件与所希望的要求条件的距离，根据计算出的距离计算观测数据(实绩数据)的权重，根据计算出的权重制作对要求条件的附近进行拟合的函数。然后，使用制作出的函数来预测相对于要求条件的品质。
专利文献1：日本特开2004-355189号公报
专利文献2：日本特开2006-309709号公报
专利文献3：日本特开2008-112288号公报
专利文献4：日本特开2009-230412号公报
专利文献5：日本特开2014-013560号公报
专利文献6：日本特开2014-071858号公报
专利文献7：日本特开2014-071859号公报
专利文献8：日本特开2017-120638号公报
在专利文献1～8所公开的方法中，根据储存于实绩数据库的数据计算相对于任意的要求条件的品质。在该实绩数据库中储存有多个制造条件的实绩值、和在这些制造条件下制造出的金属材料的品质的实绩值。另外，在专利文献1～8中公开了根据所储存的多个制造条件的实绩数据来预测品质的预测模型的构建方法。然而，在专利文献1～8中，未提及在发生了产品的品质异常的情况下，推断异常的原因是什么的技术。
发明内容
本发明是鉴于上述而完成的，目的在于提供以预测相对于任意的制造条件的品质的品质预测模型为基础，能够在发生了品质异常时提示其原因的候选的品质异常分析方法、金属材料的制造方法以及品质异常分析装置。
为了解决上述的课题，实现目的，本发明的品质异常分析方法是通过制造工艺制造出的产品的品质异常分析方法，其中，包括：品质预测步骤，该步骤对以上述制造工艺的多个制造条件为输入变量并以上述产品的品质为输出变量而被生成的品质预测模型输入上述制造条件，由此预测上述产品的品质；品质评价步骤，该步骤计算通过上述制造工艺制造出的实际的产品的品质评价值；品质预测误差计算步骤，该步骤计算作为上述品质预测步骤的输出而得到的品质预测值与上述品质评价值的差，作为品质预测误差；品质贡献度计算步骤，该步骤计算在使用上述品质预测模型来预测上述产品的品质时所输入的各制造条件的品质贡献度；以及品质异常原因提示步骤，该步骤基于上述品质预测误差以及上述品质贡献度，提示成为上述产品的品质异常的原因的制造条件。
另外，本发明的品质异常分析方法在上述发明的基础上，上述品质贡献度计算步骤基于上述品质预测模型的各偏回归系数和各变量的值，计算上述品质贡献度。
另外，本发明的品质异常分析方法在上述发明的基础上，上述品质异常原因提示步骤按时间序列提示上述品质预测误差以及上述各制造条件的品质贡献度的时间积分值，并且可视化地提示上述品质预测误差与成为上述品质异常的原因的制造条件的候选的时间推移。
另外，本发明的品质异常分析方法在上述发明的基础上，上述品质异常原因提示步骤在上述品质预测误差超过了规定的值的情况下，着眼于上述品质贡献度较大的制造条件，从上述品质贡献度的时间积分值较大的制造条件起，作为成为上述品质异常的原因的制造条件的候选，带有顺序地进行提示。
另外，本发明的品质异常分析方法在上述发明的基础上，上述品质预测模型使用包括线性回归、局部回归、主成分回归、PLS回归、神经网络、回归树、随机森林、XGBoost在内的机器学习而被生成。
另外，本发明的品质异常分析方法在上述发明的基础上，上述品质预测模型是经过一个或多个工序而被制造的金属材料的品质预测模型，上述品质预测模型经过以下步骤而被生成：第一收集步骤，该步骤针对预先决定的上述金属材料的每个规定范围，收集各工序的制造条件；第二收集步骤，该步骤针对每个上述规定范围，评价并收集经过上述各工序而被制造的上述金属材料的品质；保存步骤，该步骤针对每个上述规定范围，将上述各工序的制造条件与在该制造条件下被制造的上述金属材料的品质建立关联地进行保存；以及品质预测模型生成步骤，该步骤根据已保存的上述各工序中的每个上述规定范围的制造条件，生成对上述金属材料的每个上述规定范围的品质进行预测的上述品质预测模型。
为了解决上述的课题，实现目的，本发明的金属材料的制造方法是经过多个制造工序而被制造的金属材料的制造方法，其中，在实施最终制造工序之前的任意的制造工序结束了的阶段，利用通过上述的品质异常分析方法而被生成的品质预测模型，对最终产品的品质进行预测，基于该预测结果，选择作为之后的制造工序的制造条件的品质贡献度高且能够变更的制造条件，以最终产品的品质遍及全长落入预先设定的品质管理内的方式来决定上述选择出的制造条件并进行操作。
为了解决上述的课题，实现目的，本发明的品质异常分析装置是通过制造工艺制造出的产品的品质异常分析装置，其中，具备：品质预测单元，其对以上述制造工艺的多个制造条件为输入变量并以上述产品的品质为输出变量而被生成的品质预测模型输入上述制造条件，由此预测上述产品的品质；品质评价单元，其计算通过上述制造工艺制造出的实际的产品的品质评价值；品质预测误差计算单元，其计算作为上述品质预测单元的输出而得到的品质预测值与上述品质评价值的差，作为品质预测误差；品质贡献度计算单元，其计算在使用上述品质预测模型来预测上述产品的品质时所输入的各制造条件的品质贡献度；以及品质异常原因提示单元，其基于上述品质预测误差以及上述品质贡献度，提示成为上述产品的品质异常的原因的制造条件。
根据本发明，利用各工序的制造条件、和对在该制造条件下被制造的产品的品质进行预测的品质预测模型，求出品质预测误差与各制造条件的品质贡献度，由此能够提示品质异常的原因的候选。另外，根据本发明，能够遍及产品的全长制造产品品质良好的金属材料。
附图说明
图1是表示本发明的实施方式的品质预测模型生成装置以及品质预测装置的结构的框图。
图2是表示本发明的实施方式的品质预测模型生成方法以及品质预测方法的流程的流程图。
图3是表示在本发明的实施方式的品质预测模型生成方法中，由制造实绩收集部11收集到的实绩数据的一个例子的图。
图4是表示在本发明的实施方式的品质预测模型生成方法中，由制造实绩编辑部12编辑出的实绩数据的一个例子的图。
图5是表示在本发明的实施方式的品质预测模型生成方法中，经过多个工序来制造金属材料的情况下的一个例子的图。
图6是表示在本发明的实施方式的品质预测模型生成方法中，各工序中的金属材料的一个例子的图。
图7是表示在本发明的实施方式的品质预测模型生成方法中，由综合工序实绩编辑部编辑出的实绩数据的一个例子的图。
图8是表示本发明的实施方式的品质异常分析装置的结构的框图。
图9是表示本发明的实施方式的品质异常分析方法的流程的流程图。
图10是示意性地表示以往及本发明的实绩数据库的结构的图。
图11是表示在高加工性高强度冷轧钢板的抗拉强度的预测中，现有方法及本发明方法的预测误差的图。
图12是表示在厚钢板的表背面硬度的预测中，现有方法及本发明方法的预测误差的图。
图13是表示在熔融镀锌钢板的表背面缺陷的预测中，现有方法及本发明方法的误答率的图。
图14是表示基于现有方法及本发明方法的品质预测结果，变更之后的工序的制造条件的情况下的强度分布的图。
图15是表示本发明的实施方式的品质异常分析方法的概要的图。
图16是本发明的实施方式的品质异常分析方法的实施例，示出了目标变量(强度)的实绩值、预测值及品质预测误差(实绩值-预测值)的推移。
图17是本发明的实施方式的品质异常分析方法的实施例，示出了针对各说明变量(各制造条件)的品质贡献度，利用直方图降序地仅绘制了前20个以网眼区间进行了时间积分的值而得到的图。
图18是表示图17的制造条件H的推移的图。
具体实施方式
参照附图，对本发明的实施方式的品质预测模型生成方法、品质预测模型、品质预测方法、金属材料的制造方法、品质预测模型生成装置、品质预测装置、品质异常分析方法、金属材料的制造方法以及品质异常分析装置进行说明。
(品质预测装置/品质预测模型生成装置)
参照图1，对本实施方式的品质预测装置以及品质预测模型生成装置的结构进行说明。品质预测装置是用于预测经过一个或多个工序(工艺)而被制造的金属材料的品质的装置。此外，作为本实施方式中的金属材料，例如为钢铁产品，能够列举板坯等半成品、将该板坯轧制而制造出的钢板等产品。
品质预测装置1具体而言通过个人计算机、工作站等通用的信息处理装置来实现。品质预测装置1例如将由CPU(Central Processing Unit)等构成的处理器、和由RAM(Random Access Memory)、ROM(Read Only Memory)等构成的存储器(主存储部)等作为主要构成部件。
如图1所示，品质预测装置1具备：制造实绩收集部11、制造实绩编辑部12、头尾端对调实绩收集部13、表背面对调实绩收集部14以及切断实绩收集部15。此外，品质预测装置1具备综合(integrated)工序实绩编辑部16、实绩数据库17、模型生成部18以及品质预测部19。此外，本实施方式的品质预测模型生成装置由品质预测装置1中的除了品质预测部19以外的构件构成。以下，在品质预测装置1的说明中，也对品质预测模型生成装置进行说明。
在制造实绩收集部11连接有未图示的传感器。制造实绩收集部11根据该传感器的测量周期，收集各工序的制造实绩，并输出到综合工序实绩编辑部16。作为上述的“制造实绩”，包括各工序的制造条件、和经过各工序制造的金属材料的品质。另外，作为上述的“制造条件”，包括各工序中的金属材料的成分、温度、压力、板厚、通板速度等。另外，作为上述的“金属材料的品质”，包括抗拉强度、缺陷混入率(每单位长度表现出的缺陷数)等。
此外，在制造实绩收集部11所收集的各工序的制造条件中，不仅包括由传感器测量到的制造条件的实测值，还包括预先设定好的制造条件的设定值。即，由于也存在根据工序而不设置传感器的情况，所以在这样的情况下代替实绩值，而收集设定值来作为制造实绩。
制造实绩收集部11针对预先决定的金属材料的每个规定范围，收集各工序的制造条件。另外，制造实绩收集部11针对上述的每个规定范围，评价并收集经过各工序而被制造的金属材料的品质。此外，上述的“规定范围”例如在金属材料为板坯、钢板的情况下，表示金属材料的长度方向上的一定范围。该规定范围基于各工序中的与搬运方向相应的金属材料的移动距离(通板速度)而决定。对基于制造实绩收集部11进行的具体的处理内容进行后述(参照图2)。
这里，在图1所示的结构中，假定仅设置一个制造实绩收集部11，通过该一个制造实绩收集部11收集各工序的制造实绩的数据(以下，称为“实绩数据”)。不过，例如也可以根据各工序的数量而设置多个制造实绩收集部11，通过各个制造实绩收集部11分别收集各工序的实绩数据。
制造实绩编辑部12编辑从制造实绩收集部11输入的各工序的实绩数据。即，制造实绩编辑部12将由制造实绩收集部11按时间单位收集到的实绩数据编辑成金属材料的长度单位的实绩数据，并输出到综合工序实绩编辑部16。对基于制造实绩编辑部12进行的具体的处理内容进行后述(参照图2)。
在头尾端对调实绩收集部13连接有用于在各工序装入金属材料的未图示的材料装入机。通过该材料装入机，头尾端对调实绩收集部13针对每个金属材料，收集在将金属材料从前工序向后工序装入时，该金属材料的头尾端是否对调(是否反转)的实绩数据。而且，头尾端对调实绩收集部13将与金属材料的头尾端的对调的有无相关的实绩数据输出到综合工序实绩编辑部16。
在表背面对调实绩收集部14连接有上述的材料装入机。通过该材料装入机，表背面对调实绩收集部14针对每个金属材料，收集在将金属材料从前工序向后工序装入时，该金属材料的表背面是否对调(是否反转)的实绩数据。而且，表背面对调实绩收集部14将与金属材料的表背面的对调的有无相关的实绩数据输出到综合工序实绩编辑部16。
在切断实绩收集部15连接有用于切断金属材料的前端部以及尾端部的未图示的切断机。通过该切断机，切断实绩收集部15针对每个金属材料，收集金属材料的切断位置(切断时的距金属材料的前端的距离)以及切断次数(以下，称为“切断位置等”)等实绩数据。而且，切断实绩收集部15将与金属材料的切断位置等相关的实绩数据输出到综合工序实绩编辑部16。
此外，头尾端对调实绩收集部13、表背面对调实绩收集部14以及切断实绩收集部15与上述的制造实绩收集部11同样地，既可以仅设置一个，或者也可以根据各工序的数量而设置多个。
综合工序实绩编辑部16编辑从制造实绩编辑部12、头尾端对调实绩收集部13、表背面对调实绩收集部14以及切断实绩收集部15输入的实绩数据。综合工序实绩编辑部16针对每个规定范围，将各工序的制造条件、与在该制造条件下被制造的金属材料的品质建立关联地保存于实绩数据库17。
另外，综合工序实绩编辑部16考虑各工序中的金属材料的头尾端的对调的有无、表背面的对调的有无以及切断位置，而特定规定范围。而且，综合工序实绩编辑部16将各工序的制造条件、与在该制造条件下制造的金属材料的品质以能够区分各工序中的金属材料的头尾端的对调的有无、表背面的对调的有无以及切断位置的形式，保存于实绩数据库17。另外，综合工序实绩编辑部16将各工序的制造条件、与在该制造条件下制造的金属材料的品质针对每个规定范围建立关联地保存于实绩数据库17。
并且，综合工序实绩编辑部16例如在各工序为轧制工序，并且因经过各工序而导致金属材料的形状变形的情况下，评价从金属材料的前端起算的体积而特定规定范围。进而，将各工序的制造条件、与在该制造条件下制造的金属材料的品质针对每个规定范围建立关联地保存于实绩数据库17。在该实绩数据库17储存有由综合工序实绩编辑部16编辑的实绩数据。
模型生成部18根据保存于实绩数据库17的各工序中的每个规定范围的制造条件，生成对金属材料的每个规定范围的品质进行预测的品质预测模型。模型生成部18使用例如XGBoost作为机器学习的方法。此外，作为机器学习的方法，除此之外还能够使用线性回归、局部回归、主成分回归、PLS回归、神经网络、回归树、随机森林等各种方法。
品质预测部19使用由模型生成部18生成的品质预测模型，针对每个规定范围预测在任意的制造条件下制造的金属材料的品质。例如在成为预测对象的金属材料为板坯的情况下，在现有的方法中会预测板坯整体的品质，但在本实施方式中能够预测板坯的长度方向的规定范围的品质。
(品质预测方法/品质预测模型生成方法)
参照图2～图7，对本实施方式的品质预测方法以及品质预测模型生成方法进行说明。本实施方式的品质预测方法进行图2所示的步骤S1～步骤S6的处理。另外，本实施方式的品质预测模型生成方法进行该图所示的除了步骤S6以外的步骤S1～步骤S5的处理。
首先，制造实绩收集部11收集与各工序的制造条件以及品质相关的实绩数据(步骤S1)。制造实绩收集部11针对每个金属材料且针对每个工序，收集各工序的制造条件以及品质的实绩数据。
由制造实绩收集部11收集的实绩数据例如图3的表所示，是按时间排列多个制造条件的实绩值(或者设置值)的数据。该图所示的实绩数据具有由时间t1、t2…、该时间内的金属材料的速度(通板速度)v1、v2…、以及在该时间通过传感器测量到的多个制造条件x1 1、x1 2…、x2 1、x2 2…构成的项目。此外，在多个工序中的最终工序收集到的实绩数据中除了该图所示的项目以外，还包含与金属材料的品质相关的项目。
接着，头尾端对调实绩收集部13、表背面对调实绩收集部14以及切断实绩收集部15收集实绩数据(步骤S2)。该实绩数据为与各工序中的金属材料的头尾端的对调的有无、各工序中的金属材料的表背面的对调的有无以及各工序中的金属材料的切断位置等相关的实绩数据。
接着，制造实绩编辑部12将由制造实绩收集部11收集到的实绩数据转换成金属材料的长度单位(步骤S3)。即，制造实绩编辑部12将按图3所示的时间单位所收集到的实绩数据转换成图4所示的金属材料的长度单位的实绩数据。以下，对将图3的实绩数据转换成图4的实绩数据的方法进行说明。
首先，制造实绩编辑部12利用将时间与速度(通板速度)相乘而得到距离的性质，计算图3的各时间的金属材料的位置。接下来，制造实绩编辑部12利用在金属材料通过各工序中设置的传感器时计入实绩数据，在金属材料未通过时计入损失值的性质，检测金属材料的头尾端。接下来，制造实绩编辑部12除了金属材料未通过传感器的情况以外，均制作与从金属材料的前端到尾端为止的位置对应的实绩数据。
而且，这样一来，虽然是金属材料的长度单位的数据，但并不是固定周期的数据，因此，例如通过进行线性内插等，转换成金属材料的长度单位、且固定周期的实绩数据。即，在各工序中，在金属材料的通板速度慢时能够收集的实绩数据详细，在金属材料的通板速度快时能够收集的实绩数据粗略。因此，为了统一实绩数据的详细程度而进行上述那样的内插。制造实绩编辑部12通过进行以上那样的处理，而制作图4所示的金属材料的长度单位的实绩数据。
接着，综合工序实绩编辑部16基于金属材料的长度单位汇集并结合所有工序的实绩数据(步骤S4)。综合工序实绩编辑部16基于金属材料的长度单位的实绩数据、和与金属材料的头尾端的对调的有无、金属材料的表背面的对调的有无以及金属材料的切断位置等相关的实绩数据，进行实绩数据的结合。即，综合工序实绩编辑部16基于上述的实绩数据，按最终工序的输出侧的金属材料的长度单位汇集并结合所有工序的金属材料的多个制造条件以及品质的实绩数据。此外，由制造实绩编辑部12制作金属材料的长度单位的实绩数据。另外，由头尾端对调实绩收集部13收集与金属材料的头尾端的对调的有无相关的实绩数据。另外，由表背面对调实绩收集部14收集与金属材料的表背面的对调的有无相关的实绩数据。另外，由切断实绩收集部15收集与金属材料的切断位置等相关的实绩数据。
这样，综合工序实绩编辑部16针对金属材料的长度方向上的每个规定范围，将各工序的制造条件、与在该制造条件下制造的金属材料的品质建立关联地保存于实绩数据库17。以下，对基于综合工序实绩编辑部16进行的处理的一个例子进行说明。
例如，如图5所示，考虑经过工序1、工序2以及工序3制造金属材料(材料)的情况。工序1～工序3例如为轧制工序，每经过一个工序，材料的长度方向的长度就变大。另外，如该图所示，在从工序1移至工序2时，材料A分割成材料A1以及材料A2，在从工序2移至工序3时材料A1分割成材料A11以及材料A12。
图6示出了各工序的材料的图像，且是着眼于图5的B部的图。例如对于工序1的材料A而言，通过制造实绩收集部11，在从前端到尾端为止的长度5300mm的范围内，每隔50mm收集例如X1 1～X1 M1的M1个项目的实绩数据。另外，对于材料A而言，通过切断实绩收集部15收集以下实绩数据。即，收集0mm(前端)～250mm的前端部被舍去，取250mm～3300mm作为材料A1，取3300mm～4950mm作为材料A2，4950mm～5300mm(尾端)的尾端部被舍去的实绩数据。
接着，工序2的材料A1通过头尾端对调实绩收集部13收集“有头尾端的对调”的实绩数据。另外，对于材料A1而言，通过制造实绩收集部11，在从前端到尾端为止的长度68000mm的范围内，每隔100mm收集例如X2 1～X2 M2的M2个项目的实绩数据。另外，对于材料A1而言，通过切断实绩收集部15收集以下实绩数据。即，收集0mm(前端)～500mm的前端部被舍去，取500mm～34500mm作为材料A11，取34500mm～66800mm作为材料A12，66800mm～68000mm(尾端)的尾端部被舍去的实绩数据。
接着，工序3的材料A11通过头尾端对调实绩收集部13，收集“无头尾端的对调”的实绩数据。另外，对于材料A11而言，通过制造实绩收集部11，在从前端到尾端为止的长度65000mm的范围内，每隔500mm收集例如X3 1～X3 M3的M3个项目的实绩数据。另外，对于材料A11而言，通过切断实绩收集部15收集0mm(前端)～2500mm的前端部被舍去，取2500mm～59700mm作为材料A11，59700mm～65000mm(尾端)的尾端部被舍去的实绩数据。
综合工序实绩编辑部16边考虑各工序中的金属材料的头尾端的对调的有无、表背面的对调的有无以及切断位置等实绩数据，边进行由未图示的传感器沿长度方向详细收集到的所有工序的实绩数据的处理。即，为了将所有工序的实绩数据与最终工序中的金属材料的长度单位结合，如图6所示，根据作为最终工序的工序3的材料长度，缩放工序2以及工序1的材料长度(参照该图的虚线)。
而且，综合工序实绩编辑部16边考虑在各工序中已舍去的前端部及尾端部，边特定取各金属材料的位置。进而，在最终工序的金属材料的各规定范围内，将规定范围的品质、与该规定范围内的所有工序的制造条件建立关联地保存于实绩数据库17。例如，在图6中，追溯工序2的材料A1、工序1的材料A，特定在作为最终工序的工序3中取材料A11的网眼部分。通过对所有的金属材料反复进行这样的处理，从而如图7所示，制作基于金属材料的长度单位汇集并结合所有工序中的金属材料的多个制造条件(以及品质)的实绩数据而成的实绩数据。以下，返回图2继续说明。
模型生成部18根据各工序中的制造条件，生成对金属材料的品质进行预测的品质预测模型(步骤S4)。接着，品质预测部19使用由模型生成部18生成的品质预测模型，针对每个规定范围预测在任意的制造条件下制造的金属材料的品质(步骤S5)。
根据以上说明那样的本实施方式的品质预测模型生成方法、品质预测模型、品质预测方法、品质预测模型生成装置以及品质预测装置，起到以下效果。即，生成将各工序的制造条件、与在该制造条件下制造的金属材料的品质针对每个规定范围建立关联的品质预测模型，由此能够比以往高精度地预测针对任意的制造条件的金属材料的品质。
另外，在本实施方式的品质预测模型生成方法、品质预测模型、品质预测方法、品质预测模型生成装置以及品质预测装置中，起到以下效果。即，考虑各工序中的头尾端的对调、表背面的对调以及切断位置等，基于最终工序的输出侧的金属材料的长度单位，汇集并结合所有工序的多个制造条件(以及品质)的实绩数据。因此，由于有效运用通过传感器沿金属材料的长度方向详细收集的制造条件的实绩数据来进行品质的预测，所以能够比以往高精度地预测品质。
此外，在将本实施方式的品质预测方法应用于金属材料的制造方法的情况下，例如进行以下处理。首先，在固定金属材料的制造中途已确定的制造条件后，通过本实施方式的品质预测方法，针对每个规定范围预测已固定的制造条件下制造的金属材料的品质。并且，基于该预测结果，变更之后的工序的制造条件。另外，制造条件的变更以遍及制造的金属材料的全长所包含的所有的每个规定范围的品质落入预先决定的管理范围内的方式变更。这样，通过将本实施方式的品质预测方法应用于金属材料的制造方法，而能够在制造中途的阶段预测最终的金属材料的品质，能够与其相应地变更制造条件，因此提高制造的金属材料的品质。
(品质异常分析装置)
参照图8，对本实施方式的品质异常分析装置的结构进行说明。品质异常分析装置是用于分析通过制造工艺制造出的产品的品质异常的原因的装置。此外，作为本实施方式中的产品，例如是钢铁产品，能够举出板坯等半成品、将该板坯轧制而制造出的钢板等产品。
品质异常分析装置2具体而言由个人计算机、工作站等通用的信息处理装置来实现，例如将由CPU等构成的处理器、和由RAM、ROM等构成的存储器(主存储部)等作为主要构成部件。
如图8所示，品质异常分析装置2具备：品质预测部21、品质评价部22、品质预测误差计算部23、品质贡献度计算部24及品质异常原因提示部25。
品质预测部21对以从实际设备3收集到的制造工艺的多个制造条件为输入变量并以产品的品质为输出变量而被预先生成的品质预测模型输入任意的制造条件，由此预测产品的品质。品质预测部21作为品质预测的结果而输出品质预测值。
在品质预测部21中使用的品质预测模型例如使用包含线性回归、局部回归、主成分回归、PLS回归、神经网络、回归树、随机森林、XGBoost在内的机器学习而被生成。另外，该品质预测模型也可以是通过上述的实施方式的品质预测模型生成方法(参照图2)而被生成的模型。
在该情况下，品质预测模型是经过一个或多个工序而被制造的金属材料的品质预测模型，且经过第一收集步骤、第二收集步骤、保存步骤以及品质预测模型生成步骤而被生成。
在第一收集步骤中，制造实绩收集部11(参照图1)针对预先决定的金属材料的每个规定范围，收集各工序的制造条件。另外，在第二收集步骤中，制造实绩收集部11(参照该图)针对每个规定范围，评价并收集经过各工序而被制造的金属材料的品质。另外，在保存步骤中，综合工序实绩编辑部16(参照该图)针对每个规定范围，将各工序的制造条件、与在该制造条件下被制造的金属材料的品质建立关联地保存。另外，在品质预测模型生成步骤中，模型生成部18(参照该图)根据已保存的各工序中的制造条件，生成对金属材料的品质进行预测的品质预测模型。
品质评价部22计算通过制造工艺制造出的实际的产品的品质评价值。作为品质评价值，例如能够举出冷轧薄钢板的强度等。品质评价部22具体而言由测量设备、材料试验装置等构成。
品质预测误差计算部23计算作为品质预测部21的输出而得到的品质预测值与作为品质评价部22的输出而得到的品质评价值的差，来作为品质预测误差。每当通过品质预测部21进行使用了品质预测模型的品质预测时，品质预测误差计算部23便依次评价由品质评价部22计算出的实际的品质评价值与品质预测值的误差。
品质贡献度计算部24计算在使用品质预测模型来预测产品的品质时所输入的各制造条件的品质贡献度。品质异常原因提示部25基于品质预测误差以及品质贡献度，将成为产品的品质异常的原因的制造条件提示于显示部4。该显示部4是由品质异常分析装置2处理后的数据的输出单元，由例如LCD(液晶显示器)、OLED(有机EL显示器)等构成。
这里，品质异常原因提示部25基于品质预测模型的各偏回归系数和各变量的值，计算品质贡献度。
另外，品质异常原因提示部25按时间序列提示品质预测误差以及各制造条件的品质贡献度的时间积分值，并且可视化地在显示部4提示品质预测误差和成为品质异常的原因的制造条件的候选的时间推移。这样，通过提示品质预测误差以及成为品质异常的原因的制造条件的候选的时间推移，能够容易地掌握被推断为品质异常的原因的制造条件。
另外，品质异常原因提示部25在品质预测误差超过了规定的值的情况下，着眼于品质贡献度较大的制造条件，从品质贡献度的时间积分值较大的制造条件起，作为成为品质异常的原因的制造条件的候选，带有顺序地在显示部4进行提示。像这样，通过并列提示品质贡献度的时间积分值较大的制造条件，能够容易地掌握被推断为品质异常的原因的制造条件。
此外，品质评价部22、品质预测误差计算部23、品质贡献度计算部24以及品质异常原因提示部25的具体处理的内容在后述的实施例中进行说明。
(品质异常分析方法)
参照图9，对本实施方式的品质异常分析方法进行说明。本实施方式的品质异常分析方法进行图9所示的步骤S11～步骤S15的处理。
首先，品质预测部21对预先生成的品质预测模型输入制造条件，由此预测产品的品质(步骤S11)。接着，品质评价部22计算通过制造工艺制造出的实际的产品的品质评价值(步骤S12)。接着，品质预测误差计算部23计算在步骤S11中得到的品质预测值与在步骤S12中得到的品质评价值的差，作为品质预测误差(步骤S13)。
接下来，品质贡献度计算部24计算在预测品质时输入品质预测模型的各制造条件的品质贡献度(步骤S14)。接着，品质异常原因提示部25基于品质预测误差以及品质贡献度，将成为产品的品质异常的原因的制造条件提示于显示部3(步骤S15)。
根据以上说明的那样的本实施方式的品质异常分析方法以及品质异常分析方法，起到以下那样的效果。即，能够利用各工序的制造条件、和预测在该制造条件下被制造的产品的品质的品质预测模型，求出品质预测误差和各制造条件的品质贡献度，由此提示品质异常的原因的候选。
实施例
(实施例1)
对本实施方式的品质预测方法的实施例进行说明。在本实施例中，将本实施方式的品质预测方法应用于作为冷轧薄钢板的一种的高加工性高强度冷轧钢板的抗拉强度的预测。
本实施例中的品质预测的目标变量(品质)为产品(高加工性高强度冷轧钢板)的抗拉强度。另外，说明变量(制造条件)为冶炼工序中的金属材料的化学成分、铸造工序中的金属材料的温度、加热工序中的金属材料的温度、热轧工序中的金属材料的温度、冷却工序中的金属材料的温度。并且，说明变量(制造条件)为冷轧工序中的金属材料的温度、退火工序中的金属材料的温度等。
在本实施例中，对于各制造条件以及品质，根据对一个产品分别储存一个平均值等代表值的现有的实绩数据库(参照图10的(a))进行了预测。另外，在本实施例中，对于各制造条件以及品质，对一个产品，根据由本实施方式的品质预测方法的实绩数据库(参照图10的(b))生成的品质预测模型进行了预测。而且，在本实施例中，对这两个预测结果进行了比较。实绩数据库的样本数量为40000，说明变量的数量为45，预测方法使用了局部回归。预测的结果确认出基于本实施方式的品质预测方法的预测误差(参照图11的(b))与基于现有的品质预测方法的预测误差(参照图11的(a))相比较，能够减少23％的均方根误差(RMSE：Root Mean Square Error)。
另外，将本实施方式的品质预测方法应用于厚钢板的表背面硬度的预测。目标变量为产品的表背面的硬度，说明变量为冶炼工序的化学成分、铸造工序的表背面温度、加热工序的表背面温度、轧制工序的表背面温度、以及冷却工序的表背面温度等。
对于各制造条件以及品质，根据对一个产品分别储存一个平均值等代表值的现有的实绩数据库(参照图10的(a))进行了预测。另外，对于各制造条件以及品质，对一个产品，根据由本实施方式的品质预测方法的实绩数据库(参照图10的(b))生成的品质预测模型进行了预测。而且，对这两个预测结果进行了比较。实绩数据库的样本数量为10000，说明变量的数量为30，预测方法使用了线性回归。预测的结果如图12所示，确认出基于本实施方式的品质预测方法的预测误差(参照图12的(b))与基于现有的品质预测方法的预测误差(参照图12的(a))相比较，能够减少26％的均方根误差(RMSE)。
另外，将本实施方式的品质预测方法应用于作为冷轧薄钢板的一种的熔融镀锌钢板的表背面缺陷的预测。目标变量为产品的表背面的有无缺陷。另外，说明变量为冶炼工序的化学成分、铸造工序的表背面温度、弯月面流速、铸模溶液面液位、加热工序的表背面温度、热轧工序的表背面温度、冷却工序的表背面温度、酸洗工序的酸浓度、酸温度、冷轧工序的表背面温度。并且，说明变量为退火工序的表背面温度、镀敷工序的镀敷附着量、以及合金化度等。
对于各制造条件以及品质，根据对一个产品分别储存一个平均值等代表值的现有的实绩数据库(参照图10的(a))进行了预测。另外，对于各制造条件以及品质，对一个产品，根据由本实施方式的品质预测方法的实绩数据库(参照图10的(b))生成的品质预测模型进行了预测。进而，对这两个预测结果进行了比较。实绩数据库的样本数量为4000，说明变量的数量为250，预测方法使用了决策树。预测的结果如图13所示，确认出基于本实施方式的品质预测方法的误答率(参照图13的(b))与基于现有的品质预测方法的误答率(参照图13的(a))相比较，能够减少14％。
另外，将本实施方式的品质预测方法应用于作为冷轧薄钢板的一种的高强度冷轧钢板的抗拉强度预测，并基于其预测结果，进行之后的工序的制造条件的变更。这里，对在制钢工序、热轧工序以及轧工序的到最终阶段前为止的制造条件的实绩值被得到的制造中途的阶段，变更作为冷轧工序的最终阶段的制造条件的退火后冷却温度的例子进行描述。
基于制钢工序、热轧工序以及冷轧工序的到最终阶段前为止的制造条件的实绩值、以及作为冷轧工序的最终阶段的制造条件的退火后冷却温度的基准值，使用本实施方式的品质预测方法预测的产品的全长的各位置的抗拉强度预测值如以下所示。
[数式1]
另外，退火温度后的冷却温度从基准值变化了Δu时，使用本实施方式的品质预测方法预测的产品的全长的各位置的抗拉强度的变化量如以下所示。
[数式2]
基于以上内容，解开由下述式子(1)表现的最优化问题。
[数式3]
这里，在上述式子(1)中，yLL及yUL分别为抗拉强度的管理下限以及管理上限，Δu*为该最优化问题的最优解。该最优化问题能够通过分支限定法等数学规划法来解开。通过将退火温度后的冷却温度变更Δu*，能够得到全长的抗拉强度不偏离管理范围、即遍及全长无品质不良的冷轧钢板。
这样，本实施方式的品质预测方法的实绩数据库所储存的实绩数据能够如以下那样。即，在最终工序的金属材料的各规定范围内，能够边考虑头尾端的对调的有无、表背面的对调的有无以及切断位置等实绩数据，边追溯硬度或有无缺陷和所有工序的制造条件的精密的实绩数据并进行结合。而且，基于由像这样构建出的实绩数据库生成的品质预测模型，计算任意的制造条件下的预测值，因此能够高精度地预测金属材料的品质。
另外，对于冷轧薄钢板的某一品种的强度预测应用本实施方式的品质预测方法，基于其预测结果，进行了之后的工序的制造条件的变更。这里，对在制钢工序、热轧工序为止的制造条件的实绩值被得到的制造中途的阶段，变更冷轧工序的退火温度的例子进行描述。
基于制钢工序、热轧工序为止的制造条件的实绩值、以及冷轧工序的退火温度的基准值，使用本实施方式的品质预测方法预测出的产品的全长的各位置的强度预测值如以下所示。
[数式4]
另外，在退火温度从基准值变化了Δu时，使用本实施方式的品质预测方法预测出的产品的全长的各位置的强度的变化量如下所示。
[数式5]
基于以上内容，解开由下述式子(1)表现的最优化问题。
[数式6]
这里，在上述式子(1)中，yLL及yUL分别为强度的管理下限以及管理上限，Δu*为该最优化问题的最优解。该最优化问题能够通过分支限定法等数学规划法来解开。通过将退火温度变更Δu*，能够得到全长的强度不偏离管理范围、即遍及全长无品质不良的冷轧钢板。
图14的(a)示出了基于现有的品质预测方法的预测结果变更之后的工序的制造条件的情况下的强度分布。另外，图14的(b)示出了基于本实施方式的品质预测方法的预测结果变更之后的工序的制造条件的情况下的强度分布。如该图所示，通过使用本实施方式的品质预测方法，能够减少强度的偏差。
这样，在本实施方式的品质预测方法的实绩数据库所储存的实绩数据中，能够如以下那样。即，在最终工序的金属材料的各规定范围内，能够边考虑头尾端的对调的有无、表背面的对调的有无以及切断位置等实绩数据，边追溯硬度或有无缺陷和所有工序的制造条件的精密的实绩数据并进行结合。而且，基于由像这样构建出的实绩数据库生成的品质预测模型，计算任意的制造条件下的预测值，因此能够高精度地预测金属材料的品质。
(实施例2)
对本实施方式的品质异常分析方法的实施例进行说明。在本实施例中，将本实施方式的品质异常分析方法应用于冷轧薄钢板的某一品种的强度预测，基于品质的预测结果，进行了品质异常的分析。
图15示出了本实施方式的品质异常分析方法的概要。在该图中，y表示强度的实绩值，y＾表示强度的预测值，x1…xM表示至制钢工序、热轧工序以及冷轧工序为止的制造条件的实绩值。在品质异常诊断方法中，使用品质预测模型，计算对于预测误差y-y＾的各说明变量x1…xM的品质贡献度Cx1…CxM并进行提示。
这里，计算品质预测误差的理由如下。品质预测误差变大认为是因为现有的制造工艺中的制造条件与品质的关系成为了不同的关系。因此，在品质预测误差变大的情况下，在设备产生异常，或者以偏离了现有的范围的制造条件制造产品，产品的品质也产生异常。
输入品质预测模型的各制造条件的品质贡献度例如能够通过下述式子(2)进行计算。在下述式子(2)中，Cxk表示品质贡献度，ak表示标准偏回归系数，带上划线的xk表示说明变量xk的平均值。
[数式7]
通过上述式子(2)计算出的品质贡献度最大的说明变量(制造条件)认为是产品的品质异常的原因。此外，在本实施例中，作为品质预测模型使用了PLS回归模型，作为品质贡献度使用了标准偏回归系数的绝对值。另外，说明变量xk的平均值为基于在制作PLS回归模型时所使用的正常数据计算出的各说明变量的平均值。
图16的(a)示出了在本实施方式的品质异常分析方法的实施例中，目标变量(强度)的实绩值及预测值的推移。另外，图16的(b)示出了目标变量(强度)的品质预测误差(实绩值-预测值)的推移。在该图中，网眼所示的区间(参照A部、B部)发生了强度的实绩值比其他部分大的品质不良。在本实施例中，着眼于该网眼的区间进行了品质异常的原因的分析。
图17示出了针对各说明变量(各制造条件)的品质贡献度，利用直方图降序地仅绘制了前20个以图16的网眼区间(参照A部、B部)进行了时间积分的值而得到的图。如图17所示，在品质预测误差超过了规定的值的情况下，将说明变量(制造条件)按品质贡献度的时间积分值从大到小的顺序排列，由此推测为有助于品质异常的说明变量变得明确。在本实施例中，如该图所示，制造条件H(例如冷轧工序的冷却条件)的品质贡献度比其他条件大非常多，因此着眼于该制造条件H。
图18示出了制造条件H(例如冷轧工序的冷却条件)的推移。如该图所示，在网眼所示的区间(参照C部)、即强度连续变得非常大的区间，制造条件H的值变得非常大。由此，只要着眼于制造条件H来分析异常的原因即可，且知晓制造条件H与品质异常相关。像这样，通过使用本实施方式的品质异常分析方法，能够从例如约1000种的制造条件中查明产品的品质异常的原因。
另外，根据本实施方式的品质异常分析方法，如图17所示，有助于品质的制造条件变得明确。因此，能够进行以下内容。首先，在制造中途的阶段、即在实施最终制造工序之前的任意的制造工序结束了的阶段，通过品质预测模型预测最终产品的品质。进而，能够基于其预测结果，选择、变更作为之后的制造工序的制造条件的品质贡献度高且能够变更的制造条件。
另外，还能够基于上述式子(1)所示的最优化问题，针对所选择的可变更的制造条件，以遍及产品的全长地落入预先设定的管理范围内的方式决定最终产品的品质。由此，在经过多个制造工序而被制造的金属材料的制造方法中，能够遍及产品的全长地制造产品品质良好的金属材料。
以上，关于本发明的品质预测模型生成方法、品质预测模型、品质预测方法、金属材料的制造方法、品质预测模型生成装置、品质预测装置、品质异常分析方法、金属材料的制造方法以及品质异常分析装置，通过用于实施发明的方式及实施例具体地进行了说明。不过，本发明的主旨并不限定于上述的记载，必须基于权利要求书的记载做扩大解释。另外，基于上述记载进行的各种变更、改变等当然也包含在本发明的主旨中。
例如，上述的综合工序实绩编辑部16考虑各工序中的金属材料的头尾端的对调的有无、表背面的对调的有无以及切断位置而特定规定范围。但也存在金属材料的头尾端的对调、金属材料的表背面的对调、金属材料的切断的各处理未必被全部包含的情形。因此，综合工序实绩编辑部16也可以考虑金属材料的头尾端的对调的有无、金属材料的表背面的对调的有无以及金属材料的切断位置的实绩数据中的至少一个以上来特定规定范围。
附图标记说明
1…品质预测装置；11…制造实绩收集部；12…制造实绩编辑部；13…头尾端对调实绩收集部；14…表背面对调实绩收集部；15…切断实绩收集部；16…综合工序实绩编辑部；17…实绩数据库；18…模型生成部；19…品质预测部；2…品质异常分析装置；21…品质预测部；22…品质评价部；23…品质预测误差计算部；24…品质贡献度计算部；25…品质异常原因提示部；3…实际设备；4…显示部。

Claims (8)

1.一种品质异常分析方法，其是通过制造工艺制造出的产品的品质异常分析方法，
所述品质异常分析方法的特征在于，包括：
品质预测步骤，该步骤对以所述制造工艺的多个制造条件为输入变量并以所述产品的品质为输出变量而被生成的品质预测模型输入所述制造条件，由此预测所述产品的品质；
品质评价步骤，该步骤计算通过所述制造工艺制造出的实际的产品的品质评价值；
品质预测误差计算步骤，该步骤计算作为所述品质预测步骤的输出而得到的品质预测值与所述品质评价值的差，作为品质预测误差；
品质贡献度计算步骤，该步骤计算在使用所述品质预测模型来预测所述产品的品质时所输入的各制造条件的品质贡献度；以及
品质异常原因提示步骤，该步骤基于所述品质预测误差以及所述品质贡献度，提示成为所述产品的品质异常的原因的制造条件。
2.根据权利要求1所述的品质异常分析方法，其特征在于，
所述品质贡献度计算步骤基于所述品质预测模型的各偏回归系数和各变量的值，计算所述品质贡献度。
3.根据权利要求1或2所述的品质异常分析方法，其特征在于，
所述品质异常原因提示步骤按时间序列提示所述品质预测误差以及所述各制造条件的品质贡献度的时间积分值，并且可视化地提示所述品质预测误差与成为所述品质异常的原因的制造条件的候选的时间推移。
4.根据权利要求1～3中任一项所述的品质异常分析方法，其特征在于，
所述品质异常原因提示步骤在所述品质预测误差超过了规定的值的情况下，着眼于所述品质贡献度较大的制造条件，从所述品质贡献度的时间积分值较大的制造条件起，作为成为所述品质异常的原因的制造条件的候选，带有顺序地进行提示。
5.根据权利要求1～4中任一项所述的品质异常分析方法，其特征在于，
所述品质预测模型使用包括线性回归、局部回归、主成分回归、PLS回归、神经网络、回归树、随机森林、XGBoost在内的机器学习而被生成。
6.根据权利要求1～5中任一项所述的品质异常分析方法，其特征在于，
所述品质预测模型是经过一个或多个工序而被制造的金属材料的品质预测模型，
所述品质预测模型经过以下步骤而被生成：
第一收集步骤，该步骤针对预先决定的所述金属材料的每个规定范围，收集各工序的制造条件；
第二收集步骤，该步骤针对每个所述规定范围，评价并收集经过所述各工序而被制造的所述金属材料的品质；
保存步骤，该步骤针对每个所述规定范围，将所述各工序的制造条件与在该制造条件下被制造的所述金属材料的品质建立关联地进行保存；以及
品质预测模型生成步骤，该步骤根据已保存的所述各工序中的每个所述规定范围的制造条件，生成对所述金属材料的每个所述规定范围的品质进行预测的所述品质预测模型。
7.一种金属材料的制造方法，其是经过多个制造工序而被制造的金属材料的制造方法，
所述金属材料的制造方法的特征在于，
在实施最终制造工序之前的任意的制造工序结束了的阶段，利用通过权利要求6所述的品质异常分析方法而被生成的品质预测模型，对最终产品的品质进行预测，
基于该预测结果，选择作为之后的制造工序的制造条件的品质贡献度高且能够变更的制造条件，以最终产品的品质遍及全长落入预先设定的品质管理内的方式来决定所述选择出的制造条件并进行操作。
8.一种品质异常分析装置，其是通过制造工艺制造出的产品的品质异常分析装置，
所述品质异常分析装置的特征在于，具备：
品质预测单元，其对以所述制造工艺的多个制造条件为输入变量并以所述产品的品质为输出变量而被生成的品质预测模型输入所述制造条件，由此预测所述产品的品质；
品质评价单元，其计算通过所述制造工艺制造出的实际的产品的品质评价值；
品质预测误差计算单元，其计算作为所述品质预测单元的输出而得到的品质预测值与所述品质评价值的差，作为品质预测误差；
品质贡献度计算单元，其计算在使用所述品质预测模型来预测所述产品的品质时所输入的各制造条件的品质贡献度；以及
品质异常原因提示单元，其基于所述品质预测误差以及所述品质贡献度，提示成为所述产品的品质异常的原因的制造条件。
CN202180089024.7A 2021-01-06 2021-11-08 品质异常分析方法、金属材料的制造方法以及品质异常分析装置 Pending CN116724328A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2021000695 2021-01-06
JP2021-000695 2021-01-06
PCT/JP2021/040936 WO2022149344A1 (ja) 2021-01-06 2021-11-08 品質異常解析方法、金属材料の製造方法および品質異常解析装置

Publications (1)

Publication Number Publication Date
CN116724328A true CN116724328A (zh) 2023-09-08

Family

ID=82357412

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180089024.7A Pending CN116724328A (zh) 2021-01-06 2021-11-08 品质异常分析方法、金属材料的制造方法以及品质异常分析装置

Country Status (7)

Country Link
EP (1) EP4258069A1 (zh)
JP (1) JP7251687B2 (zh)
KR (1) KR20230116870A (zh)
CN (1) CN116724328A (zh)
MX (1) MX2023008069A (zh)
TW (1) TWI808540B (zh)
WO (1) WO2022149344A1 (zh)

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4474847B2 (ja) 2003-05-28 2010-06-09 Ｊｆｅスチール株式会社 結果予測装置
TWI269990B (en) * 2005-02-04 2007-01-01 Univ Nat Cheng Kung Quality prognostics system and method for manufacturing processes with generic embedded devices
JP2006309709A (ja) 2005-03-30 2006-11-09 Jfe Steel Kk 結果予測装置、制御装置及び品質設計装置
JP2008112288A (ja) 2006-10-30 2008-05-15 Jfe Steel Kk 予測式作成装置、結果予測装置、品質設計装置、予測式作成方法及び製品の製造方法
JP5167891B2 (ja) 2008-03-21 2013-03-21 Ｊｆｅスチール株式会社 結果予測装置、及び、これを用いた製品品質予測方法
JP5979066B2 (ja) 2012-06-04 2016-08-24 Ｊｆｅスチール株式会社 結果予測装置および結果予測方法
JP2014071858A (ja) 2012-10-02 2014-04-21 Jfe Steel Corp 結果予測方法及び結果予測装置
JP2014071859A (ja) 2012-10-02 2014-04-21 Jfe Steel Corp 結果予測方法及び結果予測装置
JP6508185B2 (ja) 2015-12-24 2019-05-08 Ｊｆｅスチール株式会社 結果予測装置及び結果予測方法
TWI625615B (zh) * 2016-11-29 2018-06-01 財團法人工業技術研究院 預測模型建立方法及其相關預測方法與電腦程式產品
JP6702297B2 (ja) * 2017-01-10 2020-06-03 Ｊｆｅスチール株式会社 プロセスの異常状態診断方法および異常状態診断装置
JP7020500B2 (ja) * 2019-02-07 2022-02-16 Ｊｆｅスチール株式会社 予測モデルの生成方法、金属材料の腐食量予測方法、予測モデルの生成プログラムおよび予測モデルの生成装置
CN111506030B (zh) * 2020-04-16 2021-06-25 福州泰全工业有限公司 汽车生产线品质管理系统及方法

Also Published As

Publication number Publication date
TW202244646A (zh) 2022-11-16
TWI808540B (zh) 2023-07-11
JP7251687B2 (ja) 2023-04-04
KR20230116870A (ko) 2023-08-04
EP4258069A1 (en) 2023-10-11
MX2023008069A (es) 2023-07-17
JPWO2022149344A1 (zh) 2022-07-14
WO2022149344A1 (ja) 2022-07-14

Similar Documents

Publication Publication Date Title
EP4006670A1 (en) Method for generating quality prediction model, quality prediction model, quality prediction method, method for manufacturing metal material, device for generating quality prediction model, and quality prediction device
CN110116254B (zh) 油气集输用双金属复合管环焊接头缺陷预测与控制方法
KR101011546B1 (ko) 예측식 작성장치 및 예측식 작성방법
KR102145465B1 (ko) 산업 공정의 제품 특성 및 제조 비용의 최적화를 위한 방법
CN107179749A (zh) 热镀锌产品全流程质量控制方法
La Fé-Perdomo et al. Comparative analysis and experimental validation of statistical and machine learning-based regressors for modeling the surface roughness and mechanical properties of 316L stainless steel specimens produced by selective laser melting
CN114897227A (zh) 基于改进随机森林算法的多钢种力学性能预报方法
CN110989510A (zh) 一种热镀锌产品全流程质量控制与等级自动判断系统
Chigilipalli et al. An experimental investigation and neuro-fuzzy modeling to ascertain metal deposition parameters for the wire arc additive manufacturing of Incoloy 825
Nikolayevich et al. Structural-matrix models for long product rolling processes: modeling production traceability and forming consumer properties of products
JP5962290B2 (ja) 鋼材の熱伝達係数予測装置及び冷却制御方法
CN111832215A (zh) 一种在线预测钢板组织性能的方法
CN117312816B (zh) 一种特种钢材的冶炼效果评估方法及系统
CN116724328A (zh) 品质异常分析方法、金属材料的制造方法以及品质异常分析装置
KR102589428B1 (ko) 중간 금속 제품(들)의 그룹으로부터의 최종 금속 제품(들)의 그룹의 제조를 제어하기 위한 방법 및 전자 장치, 관련 컴퓨터 프로그램, 제조 방법 및 설비
Perzyk et al. Introducing advanced data analytics in perspective of industry 4.0 in a die casting foundry
CN116484745A (zh) 物理冶金指导工业大数据挖掘的热轧低合金钢设计方法
Yang et al. A study on fiber laser lap welding of thin stainless steel
Kozłowski et al. Analysis and control of high-pressure die-casting process parameters with use of data mining tools
CN115985411A (zh) 基于高斯过程回归模型的高分子熔融指数软测量方法
JP2002236119A (ja) 鋼材の材質推定装置
Gocheva-Ilieva et al. Study of the tensile strength of alloy steels using polynomial regression
JP5007630B2 (ja) 製品品質の制御方法及び制御装置
Tschimpke et al. Statistical Methods for Predicting of the Quality of Aluminum Ingots
Shigemori Mechanical property control system for cold rolled steel sheet through locally weighted regression model

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination