JP2002157572A - 結果予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 - Google Patents
結果予測装置、方法、及びコンピュータ読み取り可能な記憶媒体Info
- Publication number
- JP2002157572A JP2002157572A JP2000351545A JP2000351545A JP2002157572A JP 2002157572 A JP2002157572 A JP 2002157572A JP 2000351545 A JP2000351545 A JP 2000351545A JP 2000351545 A JP2000351545 A JP 2000351545A JP 2002157572 A JP2002157572 A JP 2002157572A
- Authority
- JP
- Japan
- Prior art keywords
- past
- result
- items
- condition information
- information
- 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
Links
- 238000000034 method Methods 0.000 title claims description 61
- 238000013528 artificial neural network Methods 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 23
- 239000002184 metal Substances 0.000 claims description 15
- 229910052751 metal Inorganic materials 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 7
- 238000007664 blowing Methods 0.000 claims description 2
- 229910000805 Pig iron Inorganic materials 0.000 abstract description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 abstract 2
- 229910052742 iron Inorganic materials 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000013507 mapping Methods 0.000 description 5
- 238000013500 data storage Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000013215 result calculation Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
ーラルネットワークにより高炉プラントにおける将来の
溶銑鉄温度等を予測する。 【解決手段】 類似判断部101aは、現時点の操業条
件x0に類似するN個の過去の操業条件xiを選び出す。
さらに、項目選定部101bは、前記類似判断部101
aにより選び出された過去の操業条件xiに含まれる項
目の中から、情報量基準AICを基準として用いて一定
数Lの局所項目を選定する。そして、ニューラルネット
ワーク処理部101cでは、前記項目選定部101bに
より選定された過去の操業条件xiについてのL個の項
目を入力データとするとともに、このL個の項目の選定
対象となった過去の操業条件xiに対する操業結果yiを
出力データとして学習した上で、当該現時点の操業条件
x0に対する操業結果(将来の溶銑温度)y0を演算・予
測する。
Description
ワークを利用した結果予測装置、方法、及びコンピュー
タ読み取り可能な記憶媒体に係り、例えば、高炉プラン
トにおける将来の溶銑温度や銑鉄中Si濃度等の操業結
果を予測し、プラント操業を支援するのに用いられるも
のである。
予測する手法として、例えば、例えば、AI(artifici
al intell igence)システムを利用し、溶銑鉄温度等
の操業結果を予測するものが実施されている。AIシス
テムでは、熟練オペレータもつ知識を知識ベースとして
蓄えておき、与えられた操業条件に対して前記知識を一
定のルールで適用することで操業結果を予想するもので
あり、これにより、熟練オペレータと同等の操業が可能
となる。
テムでは所定のルール形式の知識に従うことから、予め
知識を蓄積してルールを用意する必要があり、メンテナ
ンスが必要であったり、ルールを作り替えるのが難しか
ったりする問題があった。
は、特願2000−102731号において、ルールを
予め用意する必要がなく、過去の事例を基に演算により
直接的に所定の結果、例えば、プラントにおける操業結
果を予測可能とする結果予測装置を提案している。
による操業結果の予測手法について、本願発明の参考例
として説明する。
り、過去の実績値として、操業条件値(送風量等の操業
アクション値、高炉の温度や圧力等のプラント状態値)
と、当該操業条件値に対する操業結果値(所定時間後の
溶銑温度、銑鉄中Si濃度、出銑量等)とを保存、蓄積
する。
積装置1から過去の実績値(操業条件値、操業結果値)
が入力され、また、図示しないセンサ等から現時点の操
業条件値が入力される。このデータ処理装置2は、類似
判断部2a、重み付け演算部2b、操業結果演算部2c
を備え、後述するようにして選び出される複数の過去の
実績値(操業条件値、操業結果値)を使用して、現時点
の操業条件値に対する操業結果値を演算・予測する。
温度であれば、操業知見や相関解析に基づいて、溶銑温
度と相関性が高いと考えられる操業条件(操業アクショ
ン値として送風量等の項目、プラント状態値として高炉
の温度や圧力等の項目)が予め定められている。そし
て、データ処理装置2には、複数の過去の操業条件値
と、各複数の過去の操業条件値に対する過去の操業結果
値(溶銑温度)とが入力される。
合であれば、データ処理装置2においても8時間単位の
過去の操業条件値、操業結果値が用いられる。なお、使
用する操業条件値は、データ蓄積装置1に蓄積されてい
る項目内であれば、長期的な炉況の変化に応じて変更す
ることも可能である。
に説明する演算予測手法(「ノルム法」と称する)を用
いて、現時点の操業条件値に対する操業結果値、具体例
を挙げれば、現時点での送風量、高炉の温度や圧力等に
対する8時間後の溶銑温度を演算するようにしている。
ータを多次元空間のノルム空間である入力空間と、多次
元空間のノルム空間である出力空間とに分け、これら入
出力空間の間では写像関数fで1対1に対応していると
考えることで、予測モデル化するものである。そこで
は、予測したい状態は、近傍にある点で線形結合されう
るものと仮定し、写像した出力空間においても、近傍な
ので、その線形結合は保存されているものと仮定してい
る。
で、実データにて解析できるようにする点について説明
する。図5には、予測手法としてのノルム法の考え方を
示す。ここでは、入力空間に表現された操業条件xと、
出力空間に表現された操業結果yとが、ある写像関数f
により変換されるものとして捉えている。これら入力空
間及び出力空間には、プロセスデータに応じた点が存在
することになる。
の操業条件x0に類似する複数(N個)の過去の操業条
件xiを選ぶ。つまり、x0のε近傍の点をxiとする
と、下記の数1に示す式(1)の関係となる。
なる類似度は、ノルムにより評価することにしている。
ノルムとは地理的な距離や長さと同じ概念であり、この
概念を多次元空間で扱えるように拡張したとき、これを
ノルムと呼ぶ。
クリッド距離、マハラノビス距離のいずれかによって前
記類似度を評価する。例えば、マハラノビス距離によっ
て類似度を評価する場合について説明すると、この場
合、類似度を表す値Dxは、下記の数2に示す式により
得られる。
は、標準ユークリッド距離に加え、項目間の相関を取り
除くため新たに軸の方向を取り直し、互いに無関係な軸
とする。これにより、特別な操業Aを他の通常の操業と
区別することができるようになる。
類似度を評価するのであるが、複数の過去の操業条件x
iを選ぶ際に、過去の操業条件xiを類似度の高いものか
ら一定の数だけ選び出すやり方としてもよいし、一定の
類似度の範囲内、すなわち一定のマハラノビス距離内に
ある過去の操業条件xiを全て選び出すやり方としても
よい。
操業条件xiに対する操業結果yiは実績として分かって
いるので、それらの写像fより、下記の数3に示す式
(2)が成立する。
操業結果y0を予測する、つまり、x 0の写像関数fによ
る写像y0を求めるのがノルム法による予測問題の命題
(定式化)である。そこでは、下記の数4に示す式
(3)の関係が存在する。
複数の過去の操業条件xiの線形結合で置き換えて表現
できるとすると、下記の数5に示す式(4)で表現さ
れ、重みベクトルωが存在することになる。
点で線形結合されうるものと仮定し、写像した出力空間
においても、近傍なので、その線形結合は保存されてい
るものと仮定している。ここで写像関数fに線形性があ
ることを仮定し、式(4)を式(3)に代入し変形する
と、下記の数6に示す式(5)で表される。
yiが既知なので、重みωiが分かれば、予測したい操業
結果y0を知ることができる。ただし、式(4)のよう
にx0をxiの線形結合で置き換えることができると仮定
したが、実際には、式(4)は近似に過ぎない。したが
って、下記の数7に示す式(6)となる。
であるという仮定と、予測する操業実績が過去の操業実
績の線形結合で表されるという仮定との下で、予測した
い操業結果を過去の操業結果の線形結合として求めるも
のであり、そのために、重みベクトルωを求める必要が
ある。
ては、重みベクトルωを求める方法として、最小二乗
法、及び操業の類似度に応じた重みベクトルωを求める
手法(距離法)を提案しているが、ここではその詳細な
説明は省略する。
731号においては、ノルム法なる手法により現時点の
操業条件x0に類似する複数の過去の操業条件xiを選び
出し、現時点の操業条件x0を、これら複数の過去の操
業条件xiに重み付けして表現する。そして、その重み
付けと過去の操業結果yiとを用いて、現時点の操業条
件x0に対する操業結果y0を予測するようにしている。
ある入出力空間の間では線形結合が保存されているとの
仮定に下で結果予測を行うものである。一方で、現実の
高炉プラントは、非線形性を含む複雑な系である。
は、その問題を補うため、重みベクトルωを求める方法
として、最小二乗法、及び操業の類似度に応じた重みベ
クトルωを求める手法(距離法)を提案しているが、そ
れ以外に、非線形的なデータ処理を行うのに適したもの
として、ニューラルネットワークによるデータ処理を採
用することが考えられる。
炉の温度や圧力等といった数百〜数千にもなる項目が設
定される。そのため、ノルム法により選び出した複数の
過去の操業条件xiについて全ての項目をニューラルネ
ットワークで学習させた上で、現時点の操業条件x0に
対する操業結果y0を予測するのでは、学習のためのデ
ータ入力が多大となり、実用に耐えないものとなってし
まう。
ものであり、学習のためのデータ入力数を絞り込むよう
にして、ニューラルネットワークによる非線形的なデー
タ処理を実用的に行うことができるようにすることを目
的とする。
は、複数の項目を含む過去の条件情報、及び前記過去の
条件情報に対する過去の結果情報に基づいて、現時点の
条件情報に対する結果情報を演算する結果予測装置であ
って、前記過去の条件情報に含まれる複数の項目の中か
ら所定数の項目を選定する項目選定手段と、前記項目選
定手段により選定された所定数の項目を入力データとす
るとともに、前記選定の対象となった過去の条件情報に
対する過去の結果情報を出力データとして学習し、前記
現時点の条件情報に対する結果情報を演算するニューラ
ルネットワーク処理手段とを備えた点に特徴を有する。
するところは、前記現時点の条件情報に対して所定の類
似度を有する過去の条件情報を選び出す類似判断手段を
備え、前記項目選定手段は、前記類似判断手段により選
び出された過去の条件情報について前記選定を行う点に
ある。
するところは、前記項目選定手段は、前記選定の基準と
して情報量基準AICを用いる点にある。
するところは、前記結果情報は高炉プラントにおける将
来の溶銑温度である点にある。
するところは、前記条件情報に含まれる複数の項目に
は、送風量、高炉の温度、高炉の圧力の少なくともいず
れか1つが含まれる点にある。
む過去の条件情報、及び前記過去の条件情報に対する過
去の結果情報に基づいて、現時点の条件情報に対する結
果情報を演算する結果予測方法であって、前記過去の条
件情報に含まれる複数の項目の中から所定数の項目を選
定する項目選定処理と、前記項目選定処理により選定さ
れた前記所定数の項目を入力データとするとともに、前
記選定の対象となった過去の条件情報に対する過去の結
果情報を出力データとしてニューラルネットワークを学
習させる処理と、前記ニューラルネットワークに前記現
時点の条件情報に対する結果情報を演算させる処理とを
行う点に特徴を有する。
媒体は、前記結果予測装置における各手段としてコンピ
ュータを機能させるためのプログラムを格納した点に特
徴を有する。
記憶媒体は、前記結果予測方法における各処理をコンピ
ュータに実行させるためのプログラムを格納した点に特
徴を有する。
として蓄積されている過去の条件情報、及び当該過去の
条件情報に対する過去の結果情報から、例えば現時点の
条件情報に対して所定の類似度を有する過去の条件情報
を選び出される。さらに、選び出された過去の条件情報
に含まれる複数の項目の中から、情報量基準AIC等を
基準として所定数の項目が選定される。ニューラルネッ
トワークでは、前記選定された所定数の項目を入力デー
タとするとともに、前記選定の対象となった過去の条件
情報に対する過去の結果情報を出力データとして学習し
た上で、現時点の条件情報に対する結果情報を演算・予
測する。
結果予測装置、方法、及びコンピュータ読み取り可能な
記憶媒体の実施の形態について説明する。
て機能するデータ処理装置101の構成を示す図であ
る。データ処理装置101には、図4で説明したのと同
様に、データ蓄積装置から過去の実績値(操業条件値、
操業結果値)が入力され、また、図示しないセンサ等か
ら現時点の操業条件値が入力される。
とする操業結果値が将来の溶銑温度であれば、操業知見
や相関解析に基づいて、溶銑温度と相関性が高いと考え
られる操業条件(操業アクション値として送風量等の項
目、プラント状態値として高炉の温度や圧力等の項目)
が予め定められている。
1a、項目選定部101b、ニューラルネットワーク処
理部101cを備えている。以下、図1に示すデータ処
理装置101の構成、及び図2に示すフローチャートを
参照して、これら各部101a〜101cの詳細につい
て説明する。
例で説明したのと同様に、ノルム法により類似度を評価
して、過去のプロセスデータから現時点の操業条件x0
に類似するN個の過去の操業条件xiを選び出す(ステ
ップS201)。
判断部101aにより選び出された過去の操業条件xi
に含まれる項目の中から、一定数Lの局所項目を選定す
る(ステップS202)。本実施の形態では、この選定
の基準として、以下に説明するように情報量基準AIC
(an information criterion,Akaike´s information-
theoretic criterion)を用いている。
z2、…、zpのp個の項目を含んでいる)と、当該過去
の操業条件xiに対する操業結果yiとの間の重相関係数
がRy,z pであるとする。
意の変数zjを除いた場合の重相関係数がRy,zp-1であ
るとする。このとき、両者のAICの差ΔAICは、下
記の数8に示す式により表わされる。
は重要項目といえる。したがって、j=1〜pについて
ΔAICを求め、ΔAICが負となるものから上位L個
の変数zjを選定すればよい。前述した選定作業を、前
記類似判断部101aにより選び出されたN個の過去の
操業条件xiについて、すなわち、i=1〜Nについて
行う。
方について説明すれば、ベクトルx∈Rpに対して、任
意のk(1≦k≦p)を選び、説明変数としてz1、
z2、…、zkを選んだときの重相関係数がRy,zkであ
り、そこから任意の変数zjを除いた場合の重相関係数
がRy,zk-1であるとする。このとき、両者のAICの
差ΔAICは、下記の数9に示す式により表わされる。
重要項目であり、非負であれば変数zjは重要項目でな
いといえる。
ΔAICを計算し、重要項目を選定する。重要項目数が
Lよりも大きければ、k=p−1として、同様の作業を
行い、重要項目数がLとなるまで当該作業を続ける。前
述した選定作業を、前記類似判断部101aにより選び
出されたN個の過去の操業条件xiについて、すなわ
ち、i=1〜Nについて行う。
方法として情報量基準AICを用いたが、操業結果yに
対して相関性の高い項目(重要項目)を選定することが
実現される限り、他の方法を用いてもかまわない。
おいては、図3に示すように、前記項目選定部101b
により選定された過去の操業条件xiについてのL個の
項目を入力データとするとともに、このL個の項目の選
定対象となった過去の操業条件xiに対する操業結果yi
を出力データとして学習する(ステップS23)。この
学習作業を、前記類似判断部101aにより選び出され
たN個の過去の操業条件xiについて、すなわち、i=
1〜Nについて行う。
る現時点の操業条件x0をニューラルネットワーク処理
部1cに入力し、前記学習により構築された規則に従っ
て、当該現時点の操業条件x0に対する操業結果(将来
の溶銑温度)y0を演算・予測する(ステップS20
4)。
ても一定数Lの局所項目を選定して、ニューラルネット
ワーク処理部1cに入力する。以下、現時点の操業条件
x0からL個の局所項目を選定する3つの手法について
説明する。
の任意のL個の項目数(その組み合わせは、MCL個あ
る。それらに便宜上シリーズ番号をつける(k=1、
…、MCL)。k番目のL個の項目群を{Lk}とす
る。)に対して、下記の数10に示す式を、k=1、
…、MCLだけ計算する。
番目のL個の項目{Lk}を、現時点の操業条件x0に対
する最も重要なL個の項目群として選定する。この第1
の手法が最も基本的な手法であり、組み合わせの影響が
考慮されているが、ΔAIC(Lk)をMCL回だけ求め
る必要があり、計算時間が長くなってしまうおそれがあ
る。
の任意の1個の項目数を取り除いた項目群(その組み合
わせは、M個ある。それらに便宜上シリーズ番号をつけ
る(k=1、…、M)。k番目のM−1個の項目群を
{M−1k}とする。)に対して、下記の数11に示す
式を、k=1、…、Mだけ計算する。
い(負の値の大きい順番)ものから取り出したL個の項
目群を、現時点の操業条件x0に対する最も重要なL個
の項目群として選定する。この第2の手法では、上記第
1の手法のように組み合わせの影響が考慮されないこと
になるが、ΔAIC(M−1k)の計算がM回で済むの
で、計算時間を短くすることができ、実用的であると考
えられる。
的な手法であり、もともとの項目数Mのうちの任意の1
個の項目数を取り除いた項目群(その組み合わせは、M
個ある。それらに便宜上シリーズ番号をつける(k=
1、…、M)。k番目のM−1個の項目群を{M−
1k}とする。)に対して、下記の数12に示す式を、
k=1、…、Mだけ計算する。
持つ項目群(その個数をL1とする)のみ取り出す。も
し、L1がLより小さければ、ΔAIC(M−1k)の値
が正の値の中で小さい順番にL個となるまで検索し、L
個の項目群をつくる。もし、L 1がLより大きければ、
上記の数12に示す式においてMをM−L1とおき、L1
がLになるまで処理を繰り返す。
ニューラルネットワークにより結果予測を行うので、例
えば、非線形性を含む複雑な系である高炉プラントにお
ける溶銑温度を精度よく予測することができる。
ークを学習させた上で、現時点の操業条件x0に対する
操業結果y0を演算するので、常に最新の予測モデルを
用いて予測することが可能となる。
中から相関性の高い項目(重要項目)を選定してニュー
ラルネットワークを学習させるので、予測精度を維持し
ながらも、実用的なニューラルネットワークを提供する
ことが可能となる。
点の操業条件x0に類似する過去の操業条件xiを予め選
び出すので、特別な操業A(図6参照)による操業条件
を取り除くことができ、ニューラルネットワークの学習
により構築される規則の信頼性をより向上させることが
できる。なお、前記参考例で示した特願2000−10
2731号にて提案したノルム法により、演算・予測に
使用する過去の操業条件xiを選び出すようにしたが、
それに限定されるものではなく、他の方法により演算・
予測に使用する過去の操業条件を選び出してもよい。
測装置は、複数の機器から構成されるものであっても、
1つの機器から構成されるものであってもよい。
タのCPU或いはMPU、RAM、ROM等で構成され
るものであり、RAMやROMに記録されたプログラム
が動作することで実現される。したがって、前記実施の
形態の機能を実現するためのソフトウェアのプログラム
コードをコンピュータに供給するための手段、例えばか
かるプログラムコードを格納した記憶媒体は本発明の範
疇に含まれる。
のためのデータ入力数を絞り込むようにしたので、ニュ
ーラルネットワークにより結果予測を行うことができ、
ニューラルネットワークによる非線形的なデータ処理を
実用的に行うことができる。これにより、例えば、非線
形性を含む複雑な系である高炉プラントにおける溶銑温
度を精度よく予測し、プラント操業を効果的に支援する
ことができる。
ークを学習させた上で、現時点の条件情報に対する結果
情報を演算するようにしたので、常に最新の予測モデル
を用いて予測することができる。
中から所定数の項目を選定してニューラルネットワーク
を学習させるようにしたので、高い予測精度を維持しな
がらも、実用的なニューラルネットワークを提供するこ
とができる。
す図である。
である。
る。
である。
図である。
ある。
Claims (8)
- 【請求項1】 複数の項目を含む過去の条件情報、及び
前記過去の条件情報に対する過去の結果情報に基づい
て、現時点の条件情報に対する結果情報を演算する結果
予測装置であって、 前記過去の条件情報に含まれる複数の項目の中から所定
数の項目を選定する項目選定手段と、 前記項目選定手段により選定された前記所定数の項目を
入力データとするとともに、前記選定の対象となった過
去の条件情報に対する過去の結果情報を出力データとし
て学習し、前記現時点の条件情報に対する結果情報を演
算するニューラルネットワーク処理手段とを備えたこと
を特徴とする結果予測装置。 - 【請求項2】 前記現時点の条件情報に対して所定の類
似度を有する過去の条件情報を選び出す類似判断手段を
備え、 前記項目選定手段は、前記類似判断手段により選び出さ
れた過去の条件情報について前記選定を行うことを特徴
とする請求項1に記載の結果予測装置。 - 【請求項3】 前記項目選定手段は、前記選定の基準と
して情報量基準AICを用いることを特徴とする請求項
1又は2に記載の結果予測装置。 - 【請求項4】 前記結果情報は高炉プラントにおける将
来の溶銑温度であることを特徴とする請求項1〜3のい
ずれか1項に記載の結果予測装置。 - 【請求項5】 前記条件情報に含まれる複数の項目に
は、送風量、高炉の温度、高炉の圧力の少なくともいず
れか1つが含まれることを特徴とする請求項4に記載の
結果予測装置。 - 【請求項6】 複数の項目を含む過去の条件情報、及び
前記過去の条件情報に対する過去の結果情報に基づい
て、現時点の条件情報に対する結果情報を演算する結果
予測方法であって、 前記過去の条件情報に含まれる複数の項目の中から所定
数の項目を選定する項目選定処理と、 前記項目選定処理により選定された前記所定数の項目を
入力データとするとともに、前記選定の対象となった過
去の条件情報に対する過去の結果情報を出力データとし
てニューラルネットワークを学習させる処理と、 前記ニューラルネットワークに前記現時点の条件情報に
対する結果情報を演算させる処理とを行うことを特徴と
する結果予測方法。 - 【請求項7】 請求項1〜5に記載の各手段としてコン
ピュータを機能させるためのプログラムを格納したこと
を特徴とするコンピュータ読み取り可能な記憶媒体。 - 【請求項8】 請求項6に記載の各処理をコンピュータ
に実行させるためのプログラムを格納したことを特徴と
するコンピュータ読み取り可能な記憶媒体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2000351545A JP2002157572A (ja) | 2000-11-17 | 2000-11-17 | 結果予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2000351545A JP2002157572A (ja) | 2000-11-17 | 2000-11-17 | 結果予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2002157572A true JP2002157572A (ja) | 2002-05-31 |
Family
ID=18824587
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2000351545A Pending JP2002157572A (ja) | 2000-11-17 | 2000-11-17 | 結果予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2002157572A (ja) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007080688A1 (ja) | 2006-01-13 | 2007-07-19 | Jfe Steel Corporation | 予測式作成装置及び予測式作成方法 |
WO2009025045A1 (ja) * | 2007-08-22 | 2009-02-26 | Fujitsu Limited | 化合物の物性予測装置、物性予測方法およびその方法を実施するためのプログラム |
JP2012172221A (ja) * | 2011-02-23 | 2012-09-10 | Nippon Steel Corp | 高炉操業状態制御システム、操業制御装置、高炉操業状態制御方法およびプログラム |
JP2012172222A (ja) * | 2011-02-23 | 2012-09-10 | Nippon Steel Corp | 高炉操業特徴量演算装置、高炉操業特徴量演算方法及びプログラム |
CN104217296A (zh) * | 2014-09-15 | 2014-12-17 | 国家电网公司 | 一种上市公司绩效综合评价方法 |
CN104778361A (zh) * | 2015-04-14 | 2015-07-15 | 浙江大学 | 改进型EMD-Elman神经网络预测铁水硅含量的方法 |
CN105574297A (zh) * | 2016-02-16 | 2016-05-11 | 中国石油大学(华东) | 自适应高炉铁水硅含量趋势预报方法 |
-
2000
- 2000-11-17 JP JP2000351545A patent/JP2002157572A/ja active Pending
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2007080688A1 (ja) | 2006-01-13 | 2007-07-19 | Jfe Steel Corporation | 予測式作成装置及び予測式作成方法 |
US8374981B2 (en) | 2006-01-13 | 2013-02-12 | Jfe Steel Corporation | Apparatus and method for constructing prediction model |
WO2009025045A1 (ja) * | 2007-08-22 | 2009-02-26 | Fujitsu Limited | 化合物の物性予測装置、物性予測方法およびその方法を実施するためのプログラム |
US8473448B2 (en) | 2007-08-22 | 2013-06-25 | Fujitsu Limited | Compound property prediction apparatus, property prediction method, and program for implementing the method |
JP2012172221A (ja) * | 2011-02-23 | 2012-09-10 | Nippon Steel Corp | 高炉操業状態制御システム、操業制御装置、高炉操業状態制御方法およびプログラム |
JP2012172222A (ja) * | 2011-02-23 | 2012-09-10 | Nippon Steel Corp | 高炉操業特徴量演算装置、高炉操業特徴量演算方法及びプログラム |
CN104217296A (zh) * | 2014-09-15 | 2014-12-17 | 国家电网公司 | 一种上市公司绩效综合评价方法 |
CN104778361A (zh) * | 2015-04-14 | 2015-07-15 | 浙江大学 | 改进型EMD-Elman神经网络预测铁水硅含量的方法 |
CN105574297A (zh) * | 2016-02-16 | 2016-05-11 | 中国石油大学(华东) | 自适应高炉铁水硅含量趋势预报方法 |
CN105574297B (zh) * | 2016-02-16 | 2017-06-30 | 中国石油大学(华东) | 自适应高炉铁水硅含量趋势预报方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ahn et al. | Global optimization of case-based reasoning for breast cytology diagnosis | |
JP2002516003A (ja) | 遺伝的アルゴリズムスケジュール作成装置及び方法 | |
US11093314B2 (en) | Time-sequential data diagnosis device, additional learning method, and recording medium | |
JP6024718B2 (ja) | 高炉炉熱予測装置及び高炉炉熱予測方法 | |
JP7081728B1 (ja) | 運転支援装置、運転支援方法及びプログラム | |
CN116401464B (zh) | 一种职业用户画像的构建方法、装置、设备及存储介质 | |
JP2000155681A (ja) | 類似事例に基づく予測を行う予測装置および方法 | |
CN109858681B (zh) | 一种基于ic卡的交通短时客流预测方法和相关装置 | |
JP2002157572A (ja) | 結果予測装置、方法、及びコンピュータ読み取り可能な記憶媒体 | |
JP4268500B2 (ja) | プロセスの状態類似事例検索方法および状態予測方法並びに記憶媒体 | |
JP6003909B2 (ja) | 高炉通気性予測装置及び高炉通気性予測方法 | |
CN113761375A (zh) | 基于神经网络的消息推荐方法、装置、设备及存储介质 | |
CN111242347B (zh) | 基于历史权重更新的桥梁管养辅助决策系统 | |
JP5667004B2 (ja) | データ分類装置及び方法及びプログラム | |
CN104698838A (zh) | 基于论域动态划分和学习的模糊调度规则挖掘方法 | |
JP7384265B1 (ja) | 運転支援装置、運転支援方法及びプログラム | |
JPH06332506A (ja) | 非線形制御装置 | |
CN113454413B (zh) | 操作结果预测方法、学习模型的学习方法、操作结果预测装置及学习模型的学习装置 | |
JP6844565B2 (ja) | ニューラルネットワーク装置及びプログラム | |
JPH0954615A (ja) | プラント異常箇所検出装置 | |
JP2000222377A (ja) | ダイナミクスを利用してコスト関数の最適値を探索する処理装置 | |
JPH0695880A (ja) | 事例ベース推論装置 | |
KR20200021132A (ko) | 인공지능을 이용한 예측 방법 | |
JP6753442B2 (ja) | モデル生成装置、モデル生成方法、及びプログラム | |
JP2556214B2 (ja) | 高炉操業知識自動生成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20041217 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20070116 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20070319 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20080408 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20080609 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20090512 |