JP2005070056A - 鋼材の材質推定装置 - Google Patents

Abstract

【課題】材質推定モデル作成での熟練や労力を削減し、モデルの構造と対象の構造の乖離により生じる推定誤差の発生を防止する。
【解決手段】過去に製造された製品毎に、素材成分実績、操業実績及び材質実績を蓄積する材質記憶手段と、入力される素材成分情報及び操業情報を用いて、材質に与える影響の大きい入力変数をルールに従って限定する入力変数限定手段と、該限定した入力変数を用いて距離関数を定義し、この距離関数を用いて前記材質記憶手段内の各データと入力値との距離を計算し、計算した距離に基づいて入力値に近いデータを抽出し、該抽出されたデータから材質の推定値を計算し、出力する材質推定計算手段と、を備えた鋼材の材質推定装置により、前記課題を解決する。
【選択図】図３

Description

本発明は、鋼材の材質推定装置に係り、特に、鋳造された鋳片を、加熱、圧延、冷却、熱処理などして製造される鋼材の品質管理や製品設計に用いるのに好適な、成分実績や操業実績から製品の材質を推定する鋼材の材質推定装置に関する。

鋼材の材質推定方法には、まず、特許文献１、特許文献２、特許文献３、特許文献４、特許文献５、特許文献６、特許文献７、特許文献８、特許文献９、特許文献１０、特許文献１１、特許文献１２、特許文献１３、特許文献１４等のように、製造過程の物理現象を解明し、それを模倣した数式モデルを物理モデルとして用いる方法がある。

一方、対象の物理現象に関係なく、製造過程の物理現象をブラックボックスとし、このブラックボックスへの入力及びブラックボックスからの出力の履歴データから、該ブラックボックスのモデルを作成するアプローチがあり、例えば鋼材の材質に大きく影響があると考えられる要因をいくつか選定し、その要因により重回帰を行って固定した回帰モデルを用いる方法が一般によく知られている。

又、特許文献１５のように、材質推定モデルとして階層型ニューラルネットワークモデルを用いる方法もある。

特開平５−２７９７３７号公報 特開平５−１４２１２６号公報 特開平５−１０７２４３号公報 特開平５−９３７２０号公報 特開平５−８７８０２号公報 特開平５−８７８０１号公報 特開平５−８７８００号公報 特開平５−７２２００号公報 特開平５−２６８７２号公報 特開平５−２６８７１号公報 特開平５−２６８７０号公報 特開平９−２９２３９１号公報 特開平１１−２１６２６号公報 特開平５−２７９７３７号公報 特開平８−２４０５８７号公報

上記各モデルを用いて製品の材質を推定するにあたっては、製品の材質に影響を与える要因（以下、材質影響要因という）を入力変数として、ある値を該モデルに入力し、材質推定値としての出力値を得る。

しかしながら、上記材質影響要因には、素材の成分（含有元素、含有量等）、加熱条件（鋼材抽出温度、在炉時間等）、圧延条件（鋼材温度履歴、圧延寸法、圧下率、圧延速度等）、冷却条件（鋼材温度履歴、冷却速度等）、熱処理条件（炉内温度履歴、炉内雰囲気等）など、非常に多くのものがあり、例えば５０〜１００にものぼる。又、鋼材の製造における冶金現象は、非常に複雑で、その詳細な仕組の解明が困難であり、そして非線型であるという特徴を有する。更に、入力変数（材質影響要因）の数に相当する次元の入力空間を想定した場合、該入力空間の領域によって製品材質に影響する入力変数が変化する、例えば、入力変数Ａはある領域では材質に影響を与えるが、別の領域では何の影響も及ぼさないといった、特徴も有する。

従って、前者の物理モデルによる方法では、このような物理現象を完全に模倣した、精度の高い物理モデルを構築することは非常に困難である。更に、このような物理モデルには、物理的意味が明確でない調整用パラメータがあり、これらを調整するのに、多大な時間と熟練を要するという問題もある。

一方、後者の回帰モデルやニューラルネットワークモデルを用いる方法によれば、対象の入出力の履歴データから、容易にモデルを作成することができる。しかしながら、前述のように、入力空間の領域によって出力（製品の材質）への影響度合いが変化することから、入力空間全域と出力空間（材質を示す各種機械試験特性値、例えば引張強度、降伏応力、靭性、硬度等で表現される空間）全域の関係を対応づけるために、モデルの構造を限定し、換言すれば、多数の入力変数（材質影響要因）の中からいくつかの入力変数を抽出し、全ての履歴データを少数のパラメータ（線形回帰式の場合は回帰係数、ニューラルネットワークの場合はニューロン間の結合係数）に収斂させてしまうので、構造を限定したモデルが対象とかけ離れている場合には、推定精度が著しく悪くなる。又、これらの方法は、入力変数の数を限定しているため、推定精度が低く、また、モデルを適用できる範囲にも限度がある。

又、これら従来の材質推定方法は、入力データに対する材質推定値を出力するだけで、その出力値即ち材質推定値の推定誤差を評価することができない。そのため、特に未学習の新たな入力データに対してモデルを用いて出力した材質推定値の信頼性評価ができず、その材質推定値を、品質管理や製品設計などに用いてよいか否か判断ができない等の問題点を有していた。

本発明は、前記従来の問題点を解消するべくなされたもので、材質推定モデル作成における熟練や労力を削減し、モデルの構造と対象の構造の乖離により生じる推定誤差の発生を防止して、入力空間の全ての領域での推定精度を向上することを第１の課題とする。

本発明は、又、材質推定値の信頼性を評価可能とすることを第２の課題とする。

本発明は、鋼材の材質推定装置において、過去に製造された製品毎に、素材成分実績、操業実績及び材質実績を蓄積する材質記憶手段と、入力される素材成分情報及び操業情報を用いて、材質に与える影響の大きい入力変数をルールに従って限定する入力変数限定手段と、該限定した入力変数を用いて距離関数を定義し、この距離関数を用いて前記材質記憶手段内の各データと入力値との距離を計算し、計算した距離に基づいて入力値に近いデータを抽出し、該抽出されたデータから材質の推定値を計算し、出力する材質推定計算手段と、を備えることにより、前記第1の課題を解決したものである。

又、前記材質記憶手段に蓄積されている製品毎の素材成分実績、操業実績及び材質実績を、素材成分実績や操業実績の近いグループに分類することにより、推定精度を向上させ、推定時間を短縮したものである。

本発明は、更に、前記材質推定計算手段は、前記材質推定値の推定誤差を計算し、出力することにより、前記第2の課題を解決したものである。

本発明によれば、対象の物理現象を模倣したモデルではなく、対象の入出力履歴データを蓄積したデータベース型モデルを使用するようにしたので、対象の詳細な仕組を解析する必要がなく、モデルの調整用パラメータがないので、モデル作成の労力を削減でき、熟練を要しない。又、回帰式や階層型ニューラルネットワークのように、モデルの構造を限定しないので、モデルの構造と対象の構造が乖離することにより生じる推定誤差の発生を防止できる。更に、入力値により、モデルに用いる入力変数を適切に限定するようにしたので、計算時間を増やさずに、モデルの適用範囲を広げることができる。

又、入力値と材質記憶手段に蓄積されている事例データとの距離を用いることにより、出力値（材質推定値）の推定誤差を評価できるようにしたので、品質管理に出力値（材質推定値）を使用することができるか否かが判断できるようになる。

従って、オンラインで材質を推定すれば、材料試験をする前に品質異常を早期発見でき、不良製品の大量発生を防止することができる。又、材質が要求通り作り込まれていると推定され、その材質推定値の推定誤差が小さい鋼材については、従来課せられていた材料試験を省くことができる。

以下図面を参照して、本発明の実施形態を詳細に説明する。

図１において、２０は本発明に係る材質推定装置である。該材質推定装置２０には、ローカルエリアネットワーク（ＬＡＮ）３０を介して、製造実績収集装置２２と材料試験実績収集装置２４が接続されている。これら各装置２０、２２、２４は計算機、例えばワークステーションから構成することができる。

製造実績収集装置２２は、図2に示す如く、過去に製造した製品１４毎に、素材１０の成分実績と、加熱、圧延、冷却、熱処理などの製造プロセス１２における操業条件の実績値（以下操業実績と称する）とを製造実績として収集し、材質推定装置２０へ供給する。また、材料試験実績収集装置２４は、同じく、過去に製造された製品１４毎に、製品の材料試験で得られた機械試験特性値実績（強度、靭性等。以下材質実績と称する）を収集し、材質推定装置２０へ供給する。

材質推定装置２０は、図3に示す如く、入力変数限定手段２０Ａ、材質推定計算手段２０Ｂ、入力変数限定ルール格納手段２０Ｃ、及び、材質記憶手段２０Ｄを備えている。

ここで、前記製造実績収集装置２２及び材料試験実績収集装置２４で収集された素材成分実績、操業実績及び材質実績は、事例として材質記憶手段２０Ｄにデータベースとして蓄積される。具体的には、図４に示す如く、製品毎の素材成分実績（成分１〜成分Ｋ）、操業実績（操業１〜操業Ｌ）及び材質実績（材質１〜材質Ｍ）が記載された表形式とすることができる。この材質記憶手段に蓄積された事例（過去に製造された製品毎のデータ。図４の１行分に相当。）のデータベースは、更に素材成分実績や操業実績が近いグループに分類（クラスタリングと称する）して、各グループ毎のデータベースとして材質記憶手段に蓄積させることもできる。

前記入力変数限定ルール格納手段２０Ｃには、多数の入力変数の中から製品の材質推定に使用する入力変数を選択するためのルールが格納されている。即ち、前述したように、材質影響要因（入力変数）には、鋳片の化学成分及び寸法、加熱条件、圧延条件等、多くのものがある。このような多数の材質影響要因を有する対象に対して、全ての入力変数を用いて材質推定を行うと、入力空間の次元が多すぎて推定に非常に長い時間を要することから、入力変数を選択することで推定に使用する入力変数を限定して推定時間の短縮を図る。そのためのルールを格納するのが入力変数限定ルール格納手段２０Ｃである。例えば、材質を作り込む冶金プロセスには、素材のある成分Ａは、ある含有量ａ以上にならないと材質に影響しないという特性がある。従って、入力変数Ａは入力値ａ以上の入力空間領域では材質推定に用いるが、入力値ａ未満の領域では用いない。このように入力変数の特性に着目して、入力空間の領域により、入力変数を限定することができる。こうした入力変数限定ルールは、様々な方法で作成できる。例えば、物理現象に関する先見情報を蓄積したルールを予め作成しておくことができる。あるいは、決定木などにより、蓄積したデータから自動的にルールを作成することもできる。

入力変数限定手段２０Ａは、材質を推定しようとする製品に関する入力情報、即ち、素材の成分情報（含有元素、含有量等）及び製造プロセス１２における加熱条件（鋼材抽出温度、在炉時間等）、圧延条件（鋼材温度履歴、圧延寸法、圧下率、圧延速度等）、冷却条件（鋼材温度履歴、冷却速度等）、熱処理条件（炉内温度履歴、炉内雰囲気等）などの操業情報を基に、入力変数限定ルールを参照して材質推定に使用する入力変数を選択・限定し、この結果を材質推定計算手段２０Ｂに出力する。更に、入力された成分情報や操業情報の中から限定された入力変数に対応する成分情報及び操業情報を抽出して、材質推定計算手段２０Ｂに出力する。

材質推定計算手段２０Ｂは、入力変数限定手段２０Ａで選択された入力変数を用いて距離関数（後述）を定義し、この距離関数を用いて、材質記憶手段２０Ｄに貯蔵されているデータの中から、入力値に近いデータを有する事例を複数個抽出する。そして抽出された事例の材質に関するデータを用いて、材質を推定して出力する。併せて、推定誤差も出力する。

ここで、前記各手段２０Ａ〜２０Ｄは１つの計算機の中に構築することもできるが、複数計算機で構築してもよい。

以下、図５を参照して、材質推定の手順を説明する。

まず、ステップ１００で、材質を推定しようとする製品に関する情報（素材の成分とその含有量、加熱炉における鋼材抽出温度や在炉時間、熱間圧延における圧延温度、圧下率、寸法、及び圧延速度、その他各種製造条件）を材質推定装置２０に入力する。入力は人間が行ってもよいし、他の計算機が行ってもよい。

次にステップ１０２で、入力変数限定手段２０Ａは入力変数限定ルール格納手段２０Ｃに格納されているルールを参照して、入力された素材成分情報及び操業情報を基に、出力に対する影響が大きい入力変数を選択する。例えば、素材成分中の不可避的不純物Ｐは通常含有量が0.01質量％以下であれば製品の材質悪影響を及ぼさないが、これより多く含有されると材質に影響を与えるというルールがあれば、入力されたＰの含有量が0.006質量％の場合は、Ｐは入力変数とはされないが、0.02質量％であれば、入力変数として選択されることになる。このようにして限定された入力変数、及びこれらの入力変数に相当する入力データは材質推定計算手段２０Ｂに供給される。

次いで、ステップ１０４に進み、材質推定計算手段２０Ｂはステップ１０２で抽出された入力変数を用いて、距離関数を定義する。この距離関数としては、例えば、選択された入力変数の数に相当する次元空間のユークリッド距離を用いることができる。ユークリッド距離Ｌは、入力値を（Ｘ１０、Ｘ２０、・・・）とし、材質記憶手段２０Ｄ内のデータを（Ｘ１、Ｘ２、・・・）とすると、次式で表わされる。

Ｌ＝［ｗ１（Ｘ１−Ｘ１０）²＋ｗ２（Ｘ２−Ｘ２０）²＋・・・］^1/2
・・・（１）

ここで、ｗｉは重み係数であり、例えば、入力値が出力値に与える影響を多重回帰分析により求めることができる。

そして、上記（１）式に基づいて材質記憶手段２０Ｄに貯蔵されている各事例のデータと入力値の間の距離を計算する。この距離は貯蔵されている事例の数だけ算出される。

次いでステップ１０６に進み、図６に示す如く、入力値の近傍にある事例のデータを材質記憶手段２０Ｄに蓄積されているデータから取得する。これには様々な方法があるが、例えば材質記憶手段２０Ｄの中のデータで、前記（１）式で計算した距離Ｌが小さい方からＮ個（Ｎは予め定めた定数）の事例のデータを入力値近傍にある事例のデータと定義することができる。

次いでステップ１０８に進み、入力値の近傍にある取得された事例のデータから材質に関連するデータ（図4の材質１〜材質Ｍ）を用いて、その入力値に対する材質推定値（出力値）とその推定誤差を計算する。

これには、様々な方法があるが、例えば上記のようにして取得された材質に関連するデータの平均値［材質１］〜［材質Ｍ］を次式で算出し、これらを材質推定値として出力し、同じくそれらの標準偏差を計算し、推定誤差として出力することができる。あるいは、特開平６−９５８８０に記載されているように、近傍の事例との類似度を評価することもできる。

［材質１］＝Σ材質１i／Ｎ
［材質２］＝Σ材質２i／Ｎ
・・・・・・・・・・・
［材質Ｍ］＝Σ材質Ｍi／Ｎ ・・・（２）
ここで、ｉ＝１〜Ｎ

出力値（材質推定値）としては、例えば、引張強度、降伏点、伸び、シャルピー吸収エネルギーなどの材質を表わす出力変数を用いることができる。

上述のステップ１０６およびステップ１０８の処理はいずれも材質推定計算手段２０Ｂが行う。

本実施形態においては、材質記憶手段に蓄積されている事例を、特にクラスタリングしていないが、素材成分実績、操業実績が広範囲にわたる場合には事例を近いグループにクラスタリングし、各グループ毎のデータベースを材質記憶手段に構築するようにしてもよい。例えば、成分Ｃの含有量に応じて、極低炭素鋼、低炭素鋼、中炭素鋼、高炭素鋼のようなグループにクラスタリングすることが考えられる。これによれば、信頼性の高い推定値を得ることができ、また、推定に要する時間を更に短縮することができる。

また、本実施形態では、材質推定装置への過去の事例収集は、製造実績収集装置、材料試験実績収集装置が行うことで説明したが、これに限らず、人間が直接入力してもよいし、フロッピー（登録商標）ディスクなどの記録媒体を介してもよい。

さらに、材質推定値の推定誤差は材質推定計算手段が計算、出力することで、説明したが、別の手段が行うようにしてもよい。

連続鋳造で製造された鋳片を加熱、熱間圧延を施して製造される熱延鋼板の材質推定を、本発明による方法と既存の回帰モデルによる方法で行った。推定したのは熱延鋼板の引張強度である。本発明において、限定した入力変数は、素材成分Ｃ、Ｃｕ、Ｓｉ、Ｍｎ、Ｎｂの含有量と、仕上圧延機出側温度と、圧下率である。

結果を図７に示す（本発明法：◆、従来法：□）。図から明らかなように、本発明による推定値の方が、既存の回帰モデルによる推定値よりも実績値とよく一致していることがわかる。

本発明を実現する実施形態の装置構成を示すブロック図 前記実施形態において、過去の製造実績及び材質実績を収集している様子を示すブロック図 本発明に係る材質推定装置の実施形態を示すブロック図 前記実施形態で用いられる材質データベースの例を示す図表 同じく材質推定の手順を示す流れ図 同じく入力データの近傍の事例データから局所的に材質を推定するモデルを示す図 本発明と従来法の材質推定精度を比較して示す線図

符号の説明

１０・・・素材
１２・・・製造プロセス
１４・・・製品
２０・・・材質推定装置
２０Ａ・・・入力変数限定手段
２０Ｂ・・・材質推定計算手段
２０Ｃ・・・入力変数限定ルール格納手段
２０Ｄ・・・材質記憶手段
２２・・・製造実績収集装置
２４・・・材料試験実績収集装置
３０・・・ローカルエリアネットワーク（ＬＡＮ）

Claims (3)

1. 過去に製造された製品毎に、素材成分実績、操業実績及び材質実績を蓄積する材質記憶手段と、
   入力される素材成分情報及び操業情報を用いて、材質に与える影響の大きい入力変数をルールに従って限定する入力変数限定手段と、
   該限定した入力変数を用いて距離関数を定義し、この距離関数を用いて前記材質記憶手段内の各データと入力値との距離を計算し、計算した距離に基づいて入力値に近いデータを抽出し、該抽出されたデータから材質の推定値を計算し、出力する材質推定計算手段と、
   を備えたことを特徴とする鋼材の材質推定装置。
2. 前記材質記憶手段に蓄積されている製品毎の素材成分実績、操業実績及び材質実績は、素材成分実績や操業実績の近いグループに分類されていることを特徴とする請求項１に記載の鋼材の材質推定装置。
3. 前記材質推定計算手段は、前記材質推定値の推定誤差を計算し、出力することを特徴とする請求項１又は２に記載の鋼材の材質推定装置。

Images