JP2008112288A - Prediction type creation device, result prediction device, quality design device, prediction type creation method and method for manufacturing product - Google Patents
Prediction type creation device, result prediction device, quality design device, prediction type creation method and method for manufacturing product Download PDFInfo
- Publication number
- JP2008112288A JP2008112288A JP2006294245A JP2006294245A JP2008112288A JP 2008112288 A JP2008112288 A JP 2008112288A JP 2006294245 A JP2006294245 A JP 2006294245A JP 2006294245 A JP2006294245 A JP 2006294245A JP 2008112288 A JP2008112288 A JP 2008112288A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- manufacturing
- prediction formula
- result
- condition
- 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
Images
Abstract
Description
本発明は，予測式作成装置，制御装置、品質設計装置、予測式作成方法及び製品の製造方法に係り、特に、鋳造した鋼材を、加熱、圧延、冷却、熱処理して製品の品質を造りこむ工場に用いるのに好適な、予測式作成手段、これを用いた制御装置及び品質設計装置に関するものである。 The present invention relates to a prediction formula creation device, a control device, a quality design device, a prediction formula creation method, and a product manufacturing method. In particular, the cast steel material is heated, rolled, cooled, and heat-treated to create product quality. The present invention relates to a predictive formula creation means suitable for use in a factory, a control device using the same, and a quality design device.
製造条件とその結果を格納した実績データベースを基に、結果を予測したい製造条件の値（以下、要求点と称する）に対する結果を予測するときに、従来は、図１に示す如く、実績データベース１０の各サンプルの要求点に対する類似度を計算し、その類似度を基に、平均値計算、回帰式作成、ニューラルネットワークを用いて、要求点に対する結果を予測する方法が提案されている（特許文献１乃至３参照）。 When predicting a result for a value of a manufacturing condition for which a result is desired to be predicted (hereinafter referred to as a request point) based on a manufacturing result database and a result database storing the result, conventionally, as shown in FIG. A method has been proposed in which the degree of similarity of each sample is calculated with respect to the requested point, and based on the degree of similarity, an average value calculation, regression equation creation, and neural network are used to predict the result for the requested point (Patent Literature). 1 to 3).
なお、ここでいう結果とは、寸法（厚み，幅，長さなど）、材質（引張強度・降伏点，伸び，靭性など）、形状などの品質特性値，欠陥混入率などの品質不良発生率、ならびに、生産能率・リードタイム（受注から納入までの時間）・製造コストなどの生産工程指標などのことを示す。以下に、「発明の開示」にて参照する特許文献４も含めた特許文献をまとめて記す。
しかしながら、従来の方法は、図２に例示する如く、実績データが存在する内挿域の予測精度は良好であるが、実績データが存在しない外挿域の予測精度は良くないという問題を有していた。 However, as illustrated in FIG. 2, the conventional method has a problem that the prediction accuracy of the interpolation region where the actual data exists is good, but the prediction accuracy of the extrapolation region where the actual data does not exist is not good. It was.
このため、新製品開発時の品質設計や、製造条件が管理範囲を外れたときの制御等には、従来技術を使うことができず、外挿域の予測は、対象に対する経験が豊富な熟練者の知識と経験に頼っていた。 For this reason, conventional technology cannot be used for quality design during new product development or control when manufacturing conditions are out of the control range. Relied on the knowledge and experience of the person.
本発明は上記事情に鑑みてなされたもので、外挿域の結果を高精度で予測する、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を提供することを目的とする。 The present invention has been made in view of the above circumstances, and provides a prediction formula creation device, a result prediction device, a quality design device, a prediction formula creation method, and a product manufacturing method that predict the result of the extrapolation region with high accuracy. For the purpose.
本発明の請求項１に係る発明は、過去に製造された製品の製造条件とその製造の結果情報とを対応付け、これらの情報を複数記憶する実績データベースと、該実績データベースに記憶された製造条件と、予測対象の製造条件とを比較し、複数の比較結果からなる類似度を算出する類似度算出手段と、前記予測対象の製造条件に対応した製造点を基準とする予測式であって、製造条件と製造結果との関係を表現するものを、前記実績データベースの製造条件及び結果情報に基づいて作成するに際し、そのモデル化誤差を評価する評価関数の重みとして前記類似度を用いるとともに、前記予測対象の物理的特性を制約条件としその制約条件内で評価関数に関する最適化問題を解いて前記予測式のパラメータを決定する予測式作成手段とを備え、各手段を実現するプログラムをコンピュータに実行させる予測式作成装置である。
The invention according to
また本発明の請求項２に係る発明は、請求項１に記載の予測式作成装置の実績データベース及び各手段を同一のコンピュータ内に若しくはネットワークを介して接続されたコンピュータに有することにより、あるいは請求項１に記載の予測式作成装置と記憶媒体を介することにより、前記予測対象の製造条件に対応する予測式を取得する予測式取得手段と、前記予測対象の製造条件を、前記予測式に入力して当該製造条件に対する結果を予測する結果予測手段とを備え、各手段を実現するプログラムをコンピュータに実行させる結果予測装置である。
The invention according to
また本発明の請求項３に係る発明は、請求項１に記載の予測式作成装置の実績データベース及び各手段を同一のコンピュータ内に若しくはネットワークを介して接続されたコンピュータに有することにより、あるいは請求項１に記載の予測式作成装置と記憶媒体を介することにより、前記予測対象の製造条件に対応する予測式を取得する予測式取得手段と、前記予測式を用い、前記予測対象の製造条件に対して制御量目標値になる操作量を算出し、制御を実行する制御手段とを備え、各手段を実現するプログラムをコンピュータに実行させる制御装置である。
The invention according to
また本発明の請求項４に係る発明は、請求項１に記載の予測式作成装置の実績データベース及び各手段を同一のコンピュータ内に若しくはネットワークを介して接続されたコンピュータに有することにより、あるいは請求項１に記載の予測式作成装置と記憶媒体を介することにより、前記予測対象の製造条件に対応する予測式を取得する予測式取得手段と、一以上の製造条件を前記予測式に入力して得られた予測結果を出力し、あるいは、当該予測結果を基づき二次的な評価指数を算出し出力して、製品の品質設計を補助する品質設計支援手段とを備え、各手段を実現するプログラムをコンピュータに実行させる品質設計装置である。
The invention according to
また本発明の請求項５に係る発明は、過去に製造された製品の製造条件とその製造の結果情報とを対応付け、これらの情報を複数記憶する実績データベースに記憶された製造条件と、予測対象の製造条件とを比較し、複数の比較結果からなる類似度を算出する類似度算出ステップと、前記予測対象の製造条件に対応した製造点を基準とする予測式であって、製造条件と製造結果との関係を表現するものを、前記実績データベースの製造条件及び結果情報に基づいて作成するに際し、そのモデル化誤差を評価する評価関数の重みとして前記類似度を用いるとともに、前記予測対象の物理的特性を制約条件としその制約条件内で評価関数に関する最適化問題を解いて前記予測式のパラメータを決定する予測式作成ステップとを有し、コンピュータに各ステップを実現するプログラムを実行させることで前記予測式を得る予測式作成方法である。
Further, the invention according to
さらに本発明の請求項６に係る発明は、請求項１に記載の予測式作成装置の実績データベース及び各手段を、制御装置と同一のコンピュータ内に若しくはネットワークを介して接続された制御装置と別途のコンピュータに有することにより、あるいは請求項１に記載の予測式作成装置と記憶媒体を介することにより、前記予測対象の製造条件に対応する予測式を取得し、この予測式を用い、前記予測対象の製造条件に対して制御量目標値になる操作量を算出し、制御を実行する制御ステップと、該制御ステップの制御により、製品を製造する製造ステップとを有する製品の製造方法である。
Furthermore, the invention according to
本発明により得られる予測式は、対象の物理的特性を保証したもののため、外挿域においても予測精度が向上する。又、従来法は、近傍データが希少になると予測精度が急激に悪化するという弱点を有しているが、本発明は、近傍データが希少になっても予測精度が悪化せず、ロバスト性に優れている。 Since the prediction formula obtained by the present invention guarantees the physical characteristics of the object, the prediction accuracy is improved even in the extrapolation region. Further, the conventional method has a weak point that the prediction accuracy rapidly deteriorates when the neighborhood data becomes scarce, but the present invention does not deteriorate the prediction accuracy even when the neighborhood data becomes scarce, and is robust. Are better.
また、この予測式を用いた制御を行なうと、間違った方向に操作することが無くなるため、制御精度が向上する。さらに、品質設計・実験における試圧回数及び、これに伴うチャンスロスを削減して、製造コストを低減できる。 Further, when the control using the prediction formula is performed, the operation in the wrong direction is not performed, so that the control accuracy is improved. Furthermore, it is possible to reduce the number of trial pressures in quality design / experiment and the associated opportunity loss, thereby reducing the manufacturing cost.
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。 Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.
従来技術の問題点を調べると、予測式を作成するときに、対象の物理的特性を満足する保証がないため、予測式が物理現象に合わないような式になる場合がある。特に、外挿域は近傍に実績データが無いため、そのようなことが発生するケースが多いため、予測式が物理現象から外れることが分かった。 Examining the problems of the prior art, when creating a prediction formula, there is no guarantee that the physical characteristics of the target will be satisfied, so there are cases where the prediction formula does not match the physical phenomenon. In particular, in the extrapolation area, since there is no actual data in the vicinity, such a case often occurs, so it was found that the prediction formula deviates from the physical phenomenon.
そこで、本発明は、図３に示す如く、（１）距離関数を定義し、実績データベース１０の各観測データと要求点の類似度を計算し（類似度算出ステップ（Ｓ１００））、（２）該類似度を重みとする重み付け回帰により、要求点近傍の予測式を作成する（予測式作成ステップ（Ｓ２００））。従来は、特許文献３で提案したような予測式のモデルパラメータを、モデル化誤差の重み付き二乗和が最小になるように決定していたのに対し、本発明では、対象の物理的特性（例えば冶金現象の定性的特性）を制約条件として入れて、数理計画法の一種である２次計画法を解くことにより求めるようにしたものである。
Therefore, in the present invention, as shown in FIG. 3, (1) a distance function is defined, and the degree of similarity between each observation data in the
コンピュータを用いた具体的な計算方法を、以下に示す。
（１）距離関数を定義し、実績データベースの各観測データと要求点の類似度を計算（類似度算出ステップ）
あらかじめ、図３の実績データベース１０には目的変数（出力変数，すなわち製造の結果）とその説明変数（入力変数，すなわち製造条件）が決定されていて、それらの観測データが与えられているとする。出力変数の項目名称を Y，M個の入力変数の項目名称をXm （m=1,2,・・・, M） とする。観測データはN個あり、n番目 (n=1,2,・・・,N) の出力変数の値を ynとし、入力変数の値を xm n と表現することとする。出力を予測したい入力ベクトルを要求点と呼ぶことにする。それを次のように表現する。
A specific calculation method using a computer is shown below.
(1) Define a distance function and calculate the similarity between each observation data in the results database and the requested point (similarity calculation step)
It is assumed that objective variables (output variables, that is, manufacturing results) and explanatory variables (input variables, that is, manufacturing conditions) are determined in advance in the
与えられたN個の観測データを用いて、回帰式を作成する。回帰式は、次の線形式とする。 A regression equation is created using the given N observation data. The regression equation is in the following line format.
上記モデルパラメータ、b, a1 , a2 , ・・・ , aM を最小２乗法により求める。（３）式で示される偏回帰係数ベクトルαを次に述べる距離関数に用いる。 The model parameters b, a 1 , a 2 ,..., A M are obtained by the method of least squares. The partial regression coefficient vector α expressed by the equation (3) is used for the distance function described below.
（４）式で示される入力空間のある点xにおける要求点 xr からの距離 L を（５）式のように定義する。この式が距離関数である。 (4) defined as the distance L (5) formula in the required point x r in the x is a point of the input space of the formula. This equation is a distance function.
偏回帰係数は、出力変数の変化量に対する各入力変数の寄与度と考えることができる。その寄与度を加味した重み付きの距離である。次に、N個の観測データそれぞれについて、要求点からの距離を求める。n番目（n= 1,2,・・・, N）の観測データの要求点からの距離は次の式から求めることができる。 The partial regression coefficient can be considered as the contribution of each input variable to the amount of change in the output variable. This is a weighted distance that takes into account its contribution. Next, for each of the N observation data, the distance from the request point is obtained. The distance from the required point of the nth (n = 1,2, ..., N) observation data can be obtained from the following equation.
ここで、xnは、（７）式に示すようである。 Here, x n is as shown in Equation (7).
また、1〜N番目の観測データの要求点からの距離を、まとめて次のように表現することにする。 In addition, the distance from the request point of the 1st to Nth observation data is collectively expressed as follows.
次に、要求点からの近さを表す類似度Wを次のように定義する。 Next, the similarity W representing the proximity from the request point is defined as follows.
ここで、σ(l) はl の標準偏差を表し、pは調整パラメータである（初期値: 1.5）。距離Ｌが０、すなわち製造条件が要求点と全く同じであるとき類似度は１となり、距離が大きくなれば類似度が減少し、距離が無限大になれば類似度が０になるように定義されている。 Here, σ (l) represents the standard deviation of l, and p is an adjustment parameter (initial value: 1.5). Definition is made such that the distance L is 0, that is, the similarity is 1 when the manufacturing conditions are exactly the same as the required point, the similarity decreases as the distance increases, and the similarity decreases to 0 when the distance becomes infinite. Has been.
そして、N個の観測データそれぞれについて、要求点からの類似度を求める。n番目（n= 1,2,・・・, N）の観測データの要求点からの類似度は、次の式から求めることができる。 Then, for each of the N observation data, the similarity from the request point is obtained. The similarity from the required point of the nth (n = 1,2, ..., N) observation data can be obtained from the following equation.
また、1〜N番目の観測データの要求点からの類似度をまとめて次のように表現することにする。 In addition, the similarities from the required points of the 1st to Nth observation data are collectively expressed as follows.
類似度とは、製造条件（入力変数）における要求点と各観測データとの間の近さを評価する指標のことである。ここでは、距離を定義して要求点と各観測データとの距離を計算し，各観測データの距離をもとに類似度を計算するようにしている。そして、距離関数としては、結果に対する各製造条件の影響を加味した重み付きの一次ノルム（絶対値の和）を用いているが、ユークリッド距離、正規化ユークリッド距離、マハラノビスの距離、などを用いてもよい。 The similarity is an index for evaluating the closeness between the requested point and each observation data in the manufacturing condition (input variable). Here, the distance is defined, the distance between the request point and each observation data is calculated, and the similarity is calculated based on the distance between each observation data. The distance function uses a weighted first-order norm (sum of absolute values) that takes into account the effect of each manufacturing condition, but uses the Euclidean distance, normalized Euclidean distance, Mahalanobis distance, etc. Also good.
また、ここでは、距離から類似度へ変換する関数として、ガウス(Gauss)関数を用いているが、トリキューブ(Tri-cube)関数等のように、さまざまな距離に対して単調変化する連続関数を用いても良い。また、特許文献４に記載されているように、条件部の各入力変数の値を区分に離散化し、離散化した距離を類似度として用いてもよい。
Here, the Gauss function is used as the function for converting distance to similarity, but a continuous function that changes monotonically with various distances, such as the Tri-cube function. May be used. Further, as described in
（２）該類似度を重みとする重み付け回帰により、要求点近傍の予測式を作成（予測式作成ステップ）
与えられたN個の観測データとそれぞれの類似度 w を用いて、予測式を作成する。予測式は、次の線形式とする。
(2) Create a prediction formula near the requested point by weighted regression with the similarity as a weight (prediction formula creation step)
Create a prediction formula using the given N observation data and their similarity w. The prediction formula is the following line format.
予測式のモデルパラメータを、以下で説明するように数理計画法を用いて求める。 The model parameters of the prediction formula are obtained using mathematical programming as described below.
各観測データのモデル化誤差をeで表現する。モデル化誤差とは，モデルパラメータθをもつ予測式に各観測データの入力の実績値を代入して計算された出力の予測値 Ωθ と 出力の実績値yの差であり、（１４）式で定義される。 The modeling error of each observation data is expressed by e. The modeling error is the difference between the output predicted value Ωθ and the output actual value y calculated by substituting the actual value of each observation data input into the prediction equation with the model parameter θ. Defined.
ここで、右辺の要素は、それぞれ以下に示すようである。 Here, the elements on the right side are as shown below.
モデルパラメータθは、モデル化誤差eの重み付き２乗和を評価関数とし，対象の物理的特性を制約条件とする最適化問題に定式化して求める。最適化問題の評価関数Jは、以下で定義される。 The model parameter θ is obtained by formulating an optimization problem with the weighted square sum of the modeling error e as an evaluation function and the physical characteristics of the object as a constraint. The evaluation function J for the optimization problem is defined as follows.
さらに、式(14)を代入すると、以下のようになる。 Furthermore, substituting equation (14) gives the following.
ここで、Λは類似度wの対角行列で、以下のよう表わされる。 Here, Λ is a diagonal matrix of similarity w and is expressed as follows.
最適化問題の制約条件として、次のように、モデルパラメータに関する対象の物理的特性を勘案した上下限値を入れる。 As a constraint condition of the optimization problem, upper and lower limit values that take into account the physical characteristics of the object related to model parameters are entered as follows.
ここで、対象の物理的特性を勘案した下限値θLO、上限値θUPは、それぞれ以下に示すようであり、入力値である。 Here, the lower limit value θ LO and the upper limit value θ UP in consideration of the physical characteristics of the object are as shown below and are input values.
最適化問題の決定変数は、モデルパラメータθである。例えば、鉄鋼材料製品の引張強度TSを予測する場合において、式(12)におけるYが引張強度TSで、入力変数X1が鋼中のC含有量であるとき、C含有量の増加に応じて引張強度TSが増加するという物理的特性を制約条件とする場合、X1に関するモデルパラメータa1は負の値となり得ないようにすればよいから、a1 LO＝0と入力しておけばよい。 The decision variable for the optimization problem is the model parameter θ. For example, in the case of predicting the tensile strength TS of steel material products, Y is the tensile strength TS in the equation (12), when the input variables X 1 is C content in the steel, in accordance with an increase in the C content If the physical property that the tensile strength TS increases is a constraint, the model parameter a 1 for X 1 should not be negative, so a 1 LO = 0 .
式(18)を評価関数、式(20)を制約条件とする最適化問題に定式化できたので、最適化手法を用いてモデルパラメータθを計算して求める。そして、得られたモデルパラメータθを、式(12)の予測式に用いることで、物理的特性を満足し，その中で最もモデル化誤差が小さい予測式を得ることができる。 Since Formula (18) can be formulated into an optimization problem with Formula (20) as an evaluation function and Formula (20) as a constraint condition, model parameter θ is calculated and obtained using an optimization method. Then, by using the obtained model parameter θ in the prediction formula of Formula (12), it is possible to obtain a prediction formula that satisfies the physical characteristics and has the smallest modeling error.
上述の例は、モデル化誤差の重み付き２乗和を評価関数とし、モデルパラメータθの上下限値を制約条件とし、評価関数の最小化を目的として定式化している。この問題は２次計画問題になっているので、２次計画法を用いることによりモデルパラメータθを求めることができる。しかし、最適化問題の定式化方法ならびに最適化方法（決定変数の計算方法）は、それに限定するものではない。 The above example is formulated for the purpose of minimizing the evaluation function with the weighted square sum of the modeling error as the evaluation function and the upper and lower limit values of the model parameter θ as the constraint conditions. Since this problem is a quadratic programming problem, the model parameter θ can be obtained by using the quadratic programming method. However, the formulation method of the optimization problem and the optimization method (determination variable calculation method) are not limited thereto.
評価関数としてはモデル化誤差の重み付き二乗和だけでなく絶対値の和など他の計算式を用いても良い。制約条件としては、モデルパラメータθの上下限値だけでなく、物理的特性を表現する等式または不等式などの数式であれば本発明を適用することができる。また、２次計画法だけでなく、他の数理計画法（線形計画，凸計画，非線形計画）や遺伝的アルゴリズム、シミュレーティッド・アニ−リングなどの最適化方法を用いた場合でも本発明を適用することができる。 As the evaluation function, not only a weighted square sum of modeling errors but also other calculation formulas such as a sum of absolute values may be used. As the constraint condition, the present invention can be applied as long as it is an equation such as an equation or an inequality that expresses physical characteristics as well as the upper and lower limit values of the model parameter θ. The present invention can be applied not only to quadratic programming but also to other mathematical programming (linear programming, convex programming, nonlinear programming), genetic algorithms, and optimization methods such as simulated annealing. can do.
以上説明した類似度算出ステップと予測式作成ステップとを実現するプログラムをコンピュータに実行させることで、物理的特性を満足し、その中で最もモデル化誤差を小さくする予測式が得られる。 By causing the computer to execute the program that realizes the similarity calculation step and the prediction formula creation step described above, a prediction formula that satisfies the physical characteristics and minimizes the modeling error can be obtained.
得られた予測式に、予測対象の製造条件を入力すれば、当該製造条件に対する予測結果を得ることができる。このようにして得られた予測結果は、予測式が物理的特性を制約条件として得られたものであるため、たとえ予測対象の製造条件が実績データが存在しない外挿域である場合においても、物理現象に反するような予測結果となることが防止できており、精度のよいものとなる。 If a manufacturing condition to be predicted is input to the obtained prediction formula, a prediction result for the manufacturing condition can be obtained. Since the prediction result obtained in this way is a prediction formula obtained with physical characteristics as a constraint condition, even when the manufacturing condition to be predicted is an extrapolation area where there is no actual data, It is possible to prevent a prediction result against the physical phenomenon from occurring, and the accuracy is improved.
本発明の予測式作成装置１２は、図４に示したように類似度算出手段１２１と予測式作成手段１２２とを有し、類似度算出手段１２１において前述の類似度算出ステップが行われ、予測式作成手段１２２において前述の予測式作成ステップが実行される。
As shown in FIG. 4, the prediction
次に、上述のようにして得られた予測式を用いて、予測対象の製造条件に対して制御量目標値になるようにする本発明の制御装置について説明する。 Next, the control apparatus of the present invention that uses the prediction formula obtained as described above to achieve the control amount target value for the manufacturing condition to be predicted will be described.
制御装置１４は、図４に示すように、予測式取得手段１４１と制御手段１４２とを有している。複数製造条件の中の１つを操作変数とし、その操作変数以外の製造条件の値が与えられている条件下で、対象の結果を目標値に制御するための操作変数の値を求める場合、図４に詳細に示すように以下のようにする。
As illustrated in FIG. 4, the
(i)制御量目標値、操作変数の基準値、操作変数以外の製造条件実績値および製造条件基準値を外部から制御装置に与える。
(ii)制御装置１４中の予測式取得手段１４１は、操作変数の基準値、操作変数以外の製造条件実績値を要求点として予測式作成手段１２に与える。
(iii)予測式作成手段１２は、要求点の値と外部から入力した対象の物理的特性によるモデルパラメータに関する制約条件を基に、図３の流れにより要求点における予測式のモデルパラメータを求め、それを制御装置１４に返す。
(iv)制御装置１４中の制御手段１４２は、予測式のモデルパラメータ、制御量目標値、操作変数以外の製造条件実績値を基に、結果を制御量目標の値にするための操作変数の値を決定する。
(i) The control amount target value, the reference value of the operation variable, the actual manufacturing condition value other than the operation variable, and the manufacturing condition reference value are externally given to the control device.
(ii) The prediction
(iii) The prediction formula creation means 12 obtains the model parameter of the prediction formula at the request point according to the flow of FIG. 3 based on the constraint condition regarding the model parameter based on the value of the request point and the physical characteristics of the target inputted from the outside. It is returned to the
(iv) The control means 142 in the
ここで、(iv)は具体的には、次のように計算する。式(12)において、X1を操作変数とする。式(12)をX1について解くと、以下となる。 Here, (iv) is specifically calculated as follows. In Equation (12), X 1 is an operation variable. Solving equation (12) for X 1 yields:
この式の右辺のYに制御量目標値、[ b, a1 , a2 , ・・・ , aM ] に予測式のモデルパラメータ、[ X2,・・・, XM]に操作変数以外の製造条件実績値を代入することにより、結果を制御量目標の値にするための操作変数の値X1が得られる。
操作変数の基準値をX1 0とすると、式(23)は，次のように変形できる。
Controlled variable target value Y of the right side of this equation, [b, a 1, a 2, ···, a M] model parameter of the prediction formula, [X 2, ···, X M] except operating variables By substituting the actual production condition value, the manipulated variable value X 1 for obtaining the control amount target value can be obtained.
Assuming that the reference value of the manipulated variable is X 1 0 , equation (23) can be transformed as follows.
( b + a1・X1 0+ a2・X2 + ・・・ + aM・XM)は、操作量を基準値としたときの結果の値となるので、{ Y − ( b + a1・X1 0 + a2・X2+ ・・・ + aM・XM) }は結果の目標値からの偏差となる。X1 − X1 0は結果を目標値にするための基準値からの操作変数の変更量であるので、それを求めるための係数1/a1の値が結果を目標値にするための操作変数を精度良く求めるため、すなわち結果を目標値に精度よく制御するために重要となる。
(b + a 1・ X 1 0 + a 2・ X 2 + ・ ・ ・ + a M・ X M ) is the value when the manipulated variable is the reference value, so {Y − (b + a 1 · X 1 0 + a 2 · X 2 + ... + a M · X M )} is the deviation from the target value of the result. Since X 1 − X 1 0 is the amount of change in the manipulated variable from the reference value for setting the result to the target value, the value of the
本発明においては、a1が物理的特性を満足するように決定されるので、操作変数の変更量も物理的特性を満足するように計算され、特に実績データが要求点近傍に存在せず、モデルパラメータの計算精度が良くない外挿域において、操作変数の変更量の精度が向上する。 In the present invention, since a 1 is determined so as to satisfy the physical properties, the amount of change in manipulated variables are also calculated to satisfy the physical properties, not present in the vicinity of the request point is particularly actual data, In the extrapolation area where the calculation accuracy of the model parameters is not good, the accuracy of the change amount of the manipulated variable is improved.
次に、上述したようにして得られた予測式を用いて品質の設計を支援する品質設計装置について説明する。設計者は製造条件を入力して、その製造条件に対する品質の予測値をコンピュータにより計算し表示させる。設計者はその表示結果を基に繰り返し製造条件を変更入力することで、品質が所定の値になるような製造条件を求める。 Next, a quality design apparatus that supports quality design using the prediction formula obtained as described above will be described. The designer inputs manufacturing conditions, and calculates and displays a predicted quality value for the manufacturing conditions by a computer. Based on the display result, the designer repeatedly changes and inputs the manufacturing conditions to obtain the manufacturing conditions such that the quality becomes a predetermined value.
この業務に本発明を用いる場合、図４に示す如く品質設計装置１６に対し、(i)製造条件の値を設計装置に入力する。(ii)品質設計装置１６の予測式取得手段１６１は、製造条件の値を要求点として予測式作成手段に与える。(iii)予測式作成手段１２では、要求点の値と外部から入力した対象の物理的特性によるモデルパラメータに関する制約条件を基に、図３の流れにより要求点における予測式のモデルパラメータを求め、それを品質設計装置１６に返す。
When the present invention is used in this business, as shown in FIG. 4, (i) the value of the manufacturing condition is input to the design apparatus with respect to the
(iv)品質設計装置１６の品質設計支援手段１６２では、予測式のモデルパラメータ、製造条件の値を基に、式(12)を用いて結果の予測値を計算し、さらに二次的な評価指数を算出し、予測値と二次的な評価指数とを出力して設計者に表示させる。ここで、二次的な評価指数とは、品質以外の結果（製造コスト、品質不良発生率、生産能率・リードタイム、リスクなど）である。
(iv) The quality design support means 162 of the
以上の説明した品質設計装置１６では、予測値と二次的な評価指数とを表示しているが、予測値のみを表示させるようにすれば、本発明の結果予測装置となる。
In the
図４の予測式作成手段１２、制御装置１４、品質設計装置１６、実績データベース１０、制約条件作成手段１８はコンピュータからなり、それぞれ、演算処理部（CPU，作業用RAM，ROM等から構成），各種プログラム及び各種データ等を記憶する記憶部（例えば，HDD(Hard Disk Drive)等）、ユーザからの操作指示を入力する操作部（例えば，キーボード，マウスなど）、画像や文字等の情報を表示する表示部（例えば、液晶ディスプレイなど）、及び、ネット−ワーク（LAN(Local Area Network)，WAN(Wide Area Network)、イントラネットなど）を介して装置間の通信状態を制御する通信部などを備えている。
The prediction formula creation means 12, the
そして、これらの各手段・装置等は、演算処理部におけるCPUが各種プログラムを実行することにより、それぞれの機能を果たすことになる。これらの各手段・装置はそれぞれが独立したハードウェアとしてのコンピュータとしてネットワークを介して接続する構成でもよいし、これら各手段・装置の中の複数が１つのコンピュータの中において各々の機能として存在してもよい。また，コンピュータ間の情報伝送は、ネットワークを介する構成だけでなく、記憶媒体（USBメモリ，CD-ROM，フロッピーディスクなど）を介してもよい。 Each of these means, devices, and the like fulfills their functions when the CPU in the arithmetic processing unit executes various programs. Each of these means / devices may be configured to be connected via a network as a computer as independent hardware, and a plurality of these means / devices exist as respective functions in one computer. May be. Information transmission between computers may be performed not only via a network but also via a storage medium (USB memory, CD-ROM, floppy disk, etc.).
この実施例は、鉄鋼製品の一種の厚板において，品質特性値の一種の材質の一種であるシャルピー吸収エネルギーの予測式作成手段の例である。従来法と比較して本発明の方が予測精度が改善されることを示す。 This embodiment is an example of a formula for creating a prediction formula for Charpy absorbed energy which is a kind of material having a quality characteristic value in a kind of thick plate of a steel product. It shows that the prediction accuracy is improved in the present invention compared with the conventional method.
実績データベースに格納された観測データの数は１０３２で、出力変数はシャルピー吸収エネルギーであり、入力変数は表１の項目に示されている定数項以外の２７個である。 The number of observation data stored in the results database is 1032, the output variable is Charpy absorbed energy, and the input variables are 27 other than the constant terms shown in the items of Table 1.
予測精度を評価するために、図５に示すようにクロスバリデーション法を用いた。実績データベースから評価用データとして任意に１件データを抽出し、それ以外のデータをモデル用データとして予測式を作成する。評価用データの入力変数の値を予測式に代入して予測値を計算する。評価用データの出力変数の値、すなわちこれが実績値となるので、これらの差が予測誤差となる。以上を全データ１０３２に対して行い、統計的に予測誤差を評価する。 In order to evaluate the prediction accuracy, a cross-validation method was used as shown in FIG. One piece of data is arbitrarily extracted as evaluation data from the results database, and a prediction formula is created using the other data as model data. Calculate the predicted value by substituting the value of the input variable of the evaluation data into the prediction formula. Since the value of the output variable of the evaluation data, that is, this is the actual value, the difference between them becomes a prediction error. The above is performed on all data 1032 and the prediction error is statistically evaluated.
本発明で予測式を作成する際に、板厚、制御圧延温度、仕上温度、水冷開始温度、水冷終了温度、C濃度，Mn濃度，Cu濃度，Ni濃度，Cr濃度，Mo濃度，Nｂ濃度，V濃度，試験片温度に対するモデルパラメータに対象の物理的特性から導かれる制約条件を与えた。各製造条件に対するモデルパラメータに与えた制約条件を表１に示す。 When creating a prediction formula in the present invention, sheet thickness, controlled rolling temperature, finishing temperature, water cooling start temperature, water cooling end temperature, C concentration, Mn concentration, Cu concentration, Ni concentration, Cr concentration, Mo concentration, Nb concentration, Constraints derived from the physical properties of the object were given to the model parameters for V concentration and specimen temperature. Table 1 shows the constraint conditions given to the model parameters for each manufacturing condition.
表１の制約条件にはLOWとUPの項目があるが、それぞれ下限値および上限値の制約を表す。−は制約を与えないことをあらわす。例えば、板厚について説明すると、LOWに０，UPに−が入っている。これは板厚に対応するモデルパラメータの値は下限が０で上限は無しを表している。これは，板厚が大きくなるほどシャルピー吸収エネルギーは大きくなるという対象の物理的特性から導かれる制約条件である。 There are LOW and UP items in the constraint conditions in Table 1, which represent the lower limit and upper limit constraints, respectively. -Indicates that no constraint is applied. For example, when explaining the plate thickness, 0 is entered in LOW and-is entered in UP. This indicates that the model parameter value corresponding to the plate thickness has a lower limit of 0 and no upper limit. This is a constraint derived from the physical characteristics of the object that the Charpy absorbed energy increases as the plate thickness increases.
その結果、図６に示すように、従来法により対象の物理的特性の制約条件を与えずに予測式を求めた場合に比べ、本発明によれば外挿域の予測誤差標準偏差が３３％小さくなり改善された。 また、外挿域において、発明法の予測誤差と従来法の予測誤差の差の検定を行い、有意水準５％で有意差があったので、発明法は従来法と比較して予測精度改善効果があるといえる。 As a result, as shown in FIG. 6, according to the present invention, the prediction error standard deviation of the extrapolation region is 33% compared to the case where the prediction formula is obtained without giving the constraint condition of the physical property of the object by the conventional method. Smaller and improved. In addition, in the extrapolation area, the difference between the prediction error of the invention method and the prediction error of the conventional method was tested, and there was a significant difference at the significance level of 5%. It can be said that there is.
また、内挿域のデータに対して、従来法と発明法とで予測誤差の分散の等分散性の検定を行ったが、有意差が認められなかったので、発明法は従来法と比較しても内挿域の予測精度が悪化していないといえる。 In addition, for the data in the interpolation range, the conventional method and the inventive method were tested for equal variance of the prediction error variance, but no significant difference was found, so the inventive method was compared with the conventional method. However, it can be said that the prediction accuracy of the interpolation area has not deteriorated.
この実施例は、鉄鋼製品の一種の厚板において、品質特性値の一種の材質の一種である引張強度の予測式作成手段の例である。従来法と比較して本発明の方が予測精度が改善されることを示す。実績データベースに格納された観測データの数は２６０８で、出力変数は引張強度、入力変数は実施例１の製造条件から試験片温度を除いた２６個である。 This embodiment is an example of a means for creating a prediction formula for tensile strength, which is a kind of material having a quality characteristic value, in a kind of thick plate of a steel product. It shows that the prediction accuracy is improved in the present invention compared with the conventional method. The number of observation data stored in the results database is 2608, the output variable is the tensile strength, and the input variable is 26 pieces excluding the test piece temperature from the manufacturing conditions of Example 1.
予測精度を評価するために、図５に示すようにクロスバリデーション法を用いた。実績データベースから評価用データとして任意に１件データを抽出し、それ以外のデータから評価用データの製造条件の値（要求点）からの類似度が高いものからデータを除去し、それをモデル用データとして予測式を作成する。すなわち、要求点近傍のデータを除去して擬似的に外挿域を作成する。そして、評価用データの入力変数の値を予測式に代入して予測値を計算する。評価用データの出力変数の値、すなわちこれが実績値となるので、これらの差が予測誤差となる。以上を全データ２６０８に対して行い、統計的に予測誤差を評価する。モデル用データ作成時の近傍データ除去率を５０％〜９５％まで変化させて、予測誤差を評価する。 In order to evaluate the prediction accuracy, a cross-validation method was used as shown in FIG. One item of data is arbitrarily extracted as evaluation data from the results database, and data is removed from the other data that has a high degree of similarity from the manufacturing condition value (request point) of the evaluation data, and is used for the model Create a prediction formula as data. That is, data in the vicinity of the request point is removed to create a pseudo extrapolation area. Then, the predicted value is calculated by substituting the value of the input variable of the evaluation data into the prediction formula. Since the value of the output variable of the evaluation data, that is, this is the actual value, the difference between them becomes a prediction error. The above is performed for all data 2608, and the prediction error is statistically evaluated. The prediction error is evaluated by changing the neighborhood data removal rate at the time of creating the model data from 50% to 95%.
その結果を図７に示す。近傍データ除去率が５０％〜６０％の場合は、本発明法と従来法はほとんど変わりなく予測精度はさほど悪くはないが、６０％より大きい場合、従来法は急激に予測誤差が増大する。しかし、本発明法は急激に予測精度が悪化することはなく、安定的に良い予測精度が得られる。 The result is shown in FIG. When the neighborhood data removal rate is 50% to 60%, the method of the present invention and the conventional method are almost the same and the prediction accuracy is not so bad, but when it is larger than 60%, the prediction error of the conventional method increases rapidly. However, according to the method of the present invention, the prediction accuracy does not deteriorate rapidly, and good prediction accuracy can be obtained stably.
この予測式作成手段を用いて品質設計装置を構成すれば、設計者は外挿域においてもよい精度で品質予測値を得ることができる。これにより実験回数が低減し開発コストを低減でき、また実験に伴うチャンスロスを削減できるので製造コストを低減できる。 If a quality design apparatus is configured using this prediction formula creation means, the designer can obtain a quality prediction value with good accuracy even in the extrapolation region. As a result, the number of experiments can be reduced, the development cost can be reduced, and the chance loss associated with the experiment can be reduced, thereby reducing the manufacturing cost.
厚鋼板の圧延後の平面形状において、先端・尾端部のクロップ長の予測モデル及びクロップ長制御のシミュレーションに対し、本発明法を適用した。 The method of the present invention was applied to the prediction model of the crop length at the tip and tail ends and the simulation of crop length control in the planar shape after rolling the thick steel plate.
ここで、図８に本実施例におけるクロップ長予測及びクロップ長制御の概要を示す。（ｉ）まず、実績データベース１０を用いてＪｕｓｔ−Ｉｎ−Ｔｉｍｅモデル（ＪＩＴモデル）に物理的特性を考慮して制約を加え、実施例１、２と同様に局所近傍回帰によりクロップ長のモデルを構築する（モデル作成手段２０）。（ｉｉ）次に、得られたモデルよりクロップ長の予測値を求める（クロップ長予測手段２２）。（ｉｉｉ）クロップ長予測値より、クロップ長が短くなるような成形圧延後の板厚修正量を制約付き２次計画問題で求める（最適制御量算出手段２４及び２６）。（ｉｖ）得られた板厚修正量を実際のプロセスに適用する（製造プロセス２８）。（ｖ）得られた結果を、データベースにストックし、さらにモデルの修正を加えるといったプロセスを経る。
Here, FIG. 8 shows an outline of crop length prediction and crop length control in this embodiment. (I) First, using the
「クロップ長予測モデル」クロップ長予測モデルに本発明の予測式作成手段を適用した。クロップ長予測モデルであるモデル構築手段２０及びクロップ長予測手段２２について詳細する。 “Crop length prediction model” The prediction formula creation means of the present invention is applied to a crop length prediction model. The model construction means 20 and the crop length prediction means 22 which are crop length prediction models will be described in detail.
局所近傍回帰モデルの目的変数（出力変数、従属変数）であるクロップ長は、図９（ａ）に示す如く、板幅方向で１６等分したうちの代表位置におけるクロップ長Ｌｃｒ０，Ｌｃｒ１，Ｌｃｒ２，Ｌｃｒ４，Ｌｃｒ８を用いた。 The crop length, which is an objective variable (output variable, dependent variable) of the local neighborhood regression model, is represented by the crop lengths Lcr0, Lcr1, Lcr2, and the like at representative positions among 16 equally divided in the plate width direction, as shown in FIG. Lcr4 and Lcr8 were used.
クロップ長の説明変数（入力変数、独立変数）は、物理的な知見から成形量、スラブ形状、圧延形状、板厚修正量などとし、クロップ長予測式は次式のように線形式として表す。 Crop length explanatory variables (input variables, independent variables) are based on physical knowledge such as forming amount, slab shape, rolled shape, plate thickness correction amount, etc., and the crop length prediction formula is expressed as a linear form as in the following equation.
板厚修正量ｄｈは、図９（ｂ）に示す如く、圧延の長手方向で１６等分したうちの代表位置における板厚修正量ｄｈ０、ｄｈ２、ｄｈ８を用いた。なお、板厚修正量は、ｄｈ４を基準位置とした板厚差である。 As the plate thickness correction amount dh, as shown in FIG. 9B, plate thickness correction amounts dh0, dh2, and dh8 at representative positions out of 16 equal parts in the longitudinal direction of rolling were used. The plate thickness correction amount is a plate thickness difference with dh4 as a reference position.
局所近傍回帰のモデルパラメータａ１１，ａ１２，ａ１３は、長手方向の代表位置ｊ＝０、２、８における板厚を１［ｍｍ］変えたときのクロップ長変化量、すなわち、板厚修正量影響係数である。なお、これらのパラメータａ１１、ａ１２、ａ１３は、代表クロップ長さＬｃｒ０、Ｌｃｒ１、Ｌｃｒ２、Ｌｃｒ４、Ｌｃｒ８において、それぞれで定義される。 The model parameters a 11 , a 12 , and a 13 of local neighborhood regression are the crop length change amount when the plate thickness at the representative positions j = 0, 2, and 8 in the longitudinal direction is changed by 1 [mm], that is, the plate thickness correction. It is a quantity influence coefficient. Note that these parameters a 11 , a 12 , and a 13 are respectively defined in the representative crop lengths Lcr0, Lcr1, Lcr2, Lcr4, and Lcr8.
本実施例では、制約条件として、板厚修正量ｄｈ０、ｄｈ２、ｄｈ８に対する板厚修正量影響係数ａ１１、ａ１２、ａ１３に次式に示すように制約を与えた。 In the present embodiment, as a constraint condition, the plate thickness correction amount influence coefficients a 11 , a 12 , and a 13 with respect to the plate thickness correction amounts dh0, dh2, and dh8 are limited as shown in the following equation.
ここで、θＬＯは板厚修正量影響係数の下限値、θＵＰは板厚修正量影響係数の上限値である。本実施例においては、制約として板厚修正量の影響係数ａ１１，ａ１２，ａ１３にプラスであるか、又はマイナスであるかの符号の制約を用いた。これらは対象に対する塑性加工に関する物理的な先見知識から与えている。 Here, θ LO is the lower limit value of the plate thickness correction amount influence coefficient, and θ UP is the upper limit value of the plate thickness correction amount influence coefficient. In the present embodiment, as a constraint, a constraint on the sign of whether the influence coefficient a 11 , a 12 , a 13 of the plate thickness correction amount is positive or negative is used. These are given from the physical foresight of plastic working on the object.
入力値Ωとして、成形量、スラブ形状、圧延後の形状、板厚修正量などの実績値を用い、出力値ｙとして、代表クロップ長Ｌｃｒ０、Ｌｃｒ１、Ｌｃｒ２、Ｌｃｒ４、Ｌｃｒ８の実績値を用い、制約条件（式（26））の下、代表クロップ長それぞれのモデル誤差（式（18））が最小になるよう、実施例１、２と同様な方法で制約付き（ＪＩＴモデル（発明法）により、モデルパラメータθを求めた。なお、本実施例はＪＩＴモデルに限定されるものではない。 As input value Ω, actual values such as forming amount, slab shape, shape after rolling, sheet thickness correction amount are used, and as output value y, actual values of representative crop lengths Lcr0, Lcr1, Lcr2, Lcr4, Lcr8 are used, Under the constraint condition (Equation (26)), the model error (Equation (18)) of each representative crop length is minimized so that the model error is limited (by the JIT model (invention method)) in the same manner as in Examples 1 and 2. The model parameter θ is obtained, and the present embodiment is not limited to the JIT model.
シミュレーション用のデータとして、クロップの左右差が大きいもの、長手方向に曲がりが大きいもの、異厚材、異幅材を除いた、６９２件の実績データを用い、図５に示す如く、データベース１０から評価用データ及び制約として任意に１件、実績データを抽出し、それ以外のデータをモデル構築用のデータとし、全てのデータについてシミュレーションを行った。 As the data for simulation, 692 results data excluding those with a large difference in left and right crops, those with a large bend in the longitudinal direction, materials with different thicknesses and materials with different widths were used. As shown in FIG. One piece of performance data was arbitrarily extracted as evaluation data and constraints, and other data was used as model construction data, and simulation was performed for all data.
モデルの精度は、これらデータを用い、（ｉ）モデルパラメータである局所回帰係数θを制約条件の下、計算し、（ｉｉ）得られた局所回帰係数θと要求点データ、即ち、評価用データのうち成形量などといった説明変数から式（25）を使って、クロップ長の予測値を算出し、（ｉｉｉ）このクロップ長予測値を評価用データのうち目的変数であるクロップ長の実績値と比較し、評価する。 For the accuracy of the model, these data are used, and (i) the local regression coefficient θ, which is a model parameter, is calculated under constraints, and (ii) the obtained local regression coefficient θ and the required point data, that is, evaluation data. The estimated value of the crop length is calculated from the explanatory variables such as the molding amount using the equation (25), and (iii) the estimated crop length value is compared with the actual value of the crop length which is the objective variable in the evaluation data. Compare and evaluate.
結果として、表２に、板幅方向の代表的位置におけるクロップ長の実績値に対する予測値（実績値−予測値）の標準偏差σを示す。モデルを解くに当り、制約条件がある方が、ないものに比べ誤差の標準偏差σが少なく、実績値にフィットしていることがわかる。 As a result, Table 2 shows the standard deviation σ of the predicted value (actual value−predicted value) with respect to the actual value of the crop length at a representative position in the sheet width direction. When solving the model, it can be seen that the standard deviation σ of the error is smaller when the constraint is present and the actual value is fitted, compared with the case where there is no constraint.
「クロップ長の制御」次に、最適制御量算出手段２４、２６について詳細する。これは、本発明の制御装置の適用例である。 “Crop Length Control” Next, the optimal control amount calculation means 24 and 26 will be described in detail. This is an application example of the control device of the present invention.
上記のようにモデルのパラメータθが決定したならば、次に、制御量であるクロップ長が最小になるよう制御するための操作量である板厚修正量を求める。 When the model parameter θ is determined as described above, the plate thickness correction amount, which is an operation amount for controlling the crop length, which is the control amount, is minimized.
このとき、クロップ長Ｌｃｒ４を基準として、クロップ長評価関数を、以下とす。 At this time, the crop length evaluation function is as follows with the crop length Lcr4 as a reference.
ここで、各クロップ長さＬｃｒ０、Ｌｃｒ１、Ｌｃｒ２、Ｌｃｒ４、Ｌｃｒ８はそれぞれモデルパラメータθを係数とし、成形量、スラブ形状、圧延後の形状、及び板厚修正量ｄｈの線形結合で表現でき（式（25））、クロップ長評価関数Φ（式（27））を最小にする板厚修正量ｄｈ０、ｄｈ２、ｄｈ８を決定することになる。 Here, each of the crop lengths Lcr0, Lcr1, Lcr2, Lcr4, and Lcr8 can be expressed by a linear combination of the forming amount, the slab shape, the shape after rolling, and the plate thickness correction amount dh, using the model parameter θ as a coefficient (formula (25)), plate thickness correction amounts dh0, dh2, and dh8 that minimize the crop length evaluation function Φ (formula (27)) are determined.
又、制約条件として、ロール回転数、ロール径、ロールの最大圧下速度といった物理的特徴や運用上の制約により板厚修正量の制約を求める。 In addition, as a constraint condition, a plate thickness correction amount constraint is obtained based on physical characteristics such as roll rotation speed, roll diameter, and maximum roll reduction speed, and operational constraints.
例えば、圧下速度の制約として、以下にものなどが挙げられる。 For example, the following may be mentioned as a restriction on the rolling speed.
ここで、Δ１、Δ２及びΔ３は、最大操作量より求まる制約である。 Here, Δ 1 , Δ 2 and Δ 3 are constraints obtained from the maximum manipulated variable.
以上、目的関数であるクロップ長評価関数Φとする制約付きの２次計画問題を解くことにより、最適板厚修正漁、即ち、操作後の板厚修正量を算出する。 As described above, the optimal plate thickness correction fishing, that is, the plate thickness correction amount after the operation is calculated by solving the constrained quadratic programming problem with the crop function evaluation function Φ as the objective function.
シミュレーションにおいて、前記クロップ長予測モデルのシミュレーションと同じデータ６９２件の実績データを用いた。操作後の板厚修正量の算出には、データベース１０から任意に１件抽出した評価用データ、そして、それに対応し、前記クロップ長予測モデルのシミュレーションで評価データ毎に与えられた影響係数ａ１１、ａ１２、ａ１３、及び、クロップ長さＬｃｒ０、Ｌｃｒ１、Ｌｃｒ２、Ｌｃｒ４、Ｌｃｒ８の予測値を用いる。又、制約条件は、ロール回転数、ロール径、最大圧下速度、板厚修正量変更区間長から評価データ毎に最大操作量を求め、制約条件とする。これらのデータより、評価用データ毎に制約付最適化問題を解き、操作後の板厚修正量を求め、板厚修正量実績値と比較した。
In the simulation, the same data 692 results data as the simulation of the crop length prediction model was used. For the calculation of the plate thickness correction amount after the operation, the evaluation data arbitrarily extracted from the
図１０に、外押域の実績データについて、操作後の板厚修正量と板厚修正量実績値を比較したうち、操作量（板厚修正量）がやや不足（ａ）及びやや大き過ぎ（ｂ）の場合の例を示す。横軸が長手方向に１６等分したときの圧延方向位置、縦軸が板厚修正量の不足に対しては板厚修正量を増やすように、また、板厚修正量の大き過ぎに対しては板厚修正量を減らすよう、クロップ長評価関数が小さくなる板厚修正量ｄｈが算出された。また、物理的に間違った方向に操作することがなかった。一方、従来法では、物理的に間違った方向に操作するケースがある。このため実機に適用することができなかった。 FIG. 10 shows that the operation amount (plate thickness correction amount) is slightly insufficient (a) and slightly too large (the thickness correction amount after operation is compared with the actual plate thickness correction amount and the plate thickness correction amount actual value). An example in the case of b) is shown. Rolling direction position when the horizontal axis is equally divided into 16 in the longitudinal direction, the vertical axis is to increase the plate thickness correction amount for insufficient plate thickness correction amount, and for the plate thickness correction amount too large In order to reduce the plate thickness correction amount, the plate thickness correction amount dh is calculated to reduce the crop length evaluation function. Also, there was no operation in the physically wrong direction. On the other hand, in the conventional method, there is a case of operating in the physically wrong direction. For this reason, it could not be applied to a real machine.
次に、制限付最適化で得られた操作後の板厚修正量と実績値とを比較することで評価を行った。 Next, evaluation was performed by comparing the plate thickness correction amount after operation obtained by the limited optimization and the actual value.
６９２件の実績データについて、本発明による場合に得られるクロップ長評価値をシミュレーションにより求めた場合と、 従来法により実際に圧延後に得られたクロップ長評価値とについて、頻度のヒストグラムおよびその平均値を図１１に示す。図１１に示すように、クロップ長さ評価値の平均値が小さくなっており、歩留りが改善され得ることがわかる。 About 692 results data, when the crop length evaluation value obtained by the present invention is obtained by simulation, and the crop length evaluation value actually obtained after rolling by the conventional method, the frequency histogram and its average value Is shown in FIG. As shown in FIG. 11, it can be seen that the average value of the crop length evaluation value is small, and the yield can be improved.
ここでは、本発明を用いた品質設計支援手段の一例を示す。 Here, an example of quality design support means using the present invention is shown.
品質設計において、２つ以上の目的関数（例えば、製造コストとリスク（過去の事例からの遠さ））を最適化する製造条件を決定することは、製造条件の数が多く、対象が非線形であるため、現状の方法では、精度に限界がある。そこで、本実施形態においては、材質ＤＢ及び製造条件単価情報を基に、過去の製造実績から外れるリスクと製造コストを可視化し、製品品質設計者の意思決定を容易にする。 In quality design, determining manufacturing conditions that optimize two or more objective functions (eg, manufacturing cost and risk (distance from past cases)) is a large number of manufacturing conditions, and the target is non-linear. For this reason, the current method has a limit in accuracy. Therefore, in the present embodiment, based on the material DB and the manufacturing condition unit price information, risks and manufacturing costs that deviate from the past manufacturing performance are visualized to facilitate the decision of the product quality designer.
品質設計は、過去の製造実績とコスト情報とを基に行う必要がある。現状は、設計者が帳票等を見て意思決定を行っているが、リスク（過去の製造実績から外れること）とコストを定量的に評価する手法がなく、設計したせ製造条件が適切であるか評価できない。そこで、本実施形態では、図１２に示す如く、過去の製造した各製造条件の値と、その時の品質特性値（実績値）を格納した品質ＤＢ３０と、各製造条件の単位量当りのコストを格納したコストＤＢ３２から得られる各製造条件の単価の情報を基に、パソコン４０で、要求仕様を満足する製造条件の中で、２つ以上の目的関数（ここでは製造コストと過去の事例からの近さ）を可視化し、支援画面５０に表示して、意思決定を容易にする。
Quality design needs to be performed based on past manufacturing results and cost information. At present, designers make decisions by looking at forms, but there is no method to quantitatively evaluate risks (deviating from past manufacturing performance) and costs, and the design and manufacturing conditions are appropriate. I can not evaluate. Therefore, in the present embodiment, as shown in FIG. 12, the
本実施形態では、図１２中に示す如く、２つ以上の目的関数（図では過去の実績からの外れ量とコスト）を生データと一緒に表示する。そして、データ分布の中で、どの製造条件を選択するかは、設計者の判断に委ねる。即ち、最終判断は設計者が行い、意思決定支援に寄与する。 In this embodiment, as shown in FIG. 12, two or more objective functions (in the figure, the amount of deviation from the past performance and cost) are displayed together with the raw data. Then, it is up to the designer to decide which manufacturing conditions to select in the data distribution. That is, the final decision is made by the designer and contributes to decision support.
薄鋼板の強度設計を例にとって説明すると、現在の薄鋼板品質設計は、図１３に示す如く、厚、幅、目標強度、靭性等の要求仕様に応じて、過去の類似事例、設計ノウハウを基に、厚、幅、目標強度及び靭性により、成分Ａ、成分Ｂ、成分Ｃ以外の化学成分、加熱条件、圧延条件、冷却条件等の設計値の所期値を決定する。 Taking the strength design of thin steel sheets as an example, the current quality design of thin steel sheets is based on past similar cases and design know-how according to the required specifications such as thickness, width, target strength and toughness, as shown in FIG. Furthermore, desired values of design values such as chemical components other than Component A, Component B, and Component C, heating conditions, rolling conditions, and cooling conditions are determined based on the thickness, width, target strength, and toughness.
そして、目標強度を満足し、コストが低くなるように、成分Ａ、成分Ｂ、成分Ｃを設定する強度設計を行う。具体的には、図１４に示す如く、過去の類似物件の記録（製造条件、強度平均値）に基いて、強度予測値が狙い値になるようにパソコン４０のソフトウェア上で製造条件を試行錯誤で変更する。
And the intensity design which sets the component A, the component B, and the component C is performed so that target intensity | strength may be satisfied and cost may become low. Specifically, as shown in FIG. 14, the manufacturing conditions are set on the software of the
各化学成分の強度に対する影響係数は、例えば、成分ＡがA１（ＭＰa／％）、成分ＢがA２（ＭＰａ／％）、成分ＣがA３（ＭＰａ／％）（A３＞A２＞A１）であり、各化学成分の強度当りのコストは成分ＡがＢ１円、成分ＢがＢ２円、成分ＣがＢ３円（Ｂ３＞Ｂ２＞Ｂ１）となる。従って、強度当りのコストは、成分Ｃが高く、成分Ａと成分Ｂが同じ位であり、成分Ａと成分Ｂで強度を出して、足りない分を成分Ｃで補うのが望ましい。成分Ｂにおける強度に対する影響係数の例を図１５に示す。 The influence coefficient of each chemical component on the strength is, for example, component A is A1 (MPa /%), component B is A2 (MPa /%), and component C is A3 (MPa /%) (A3> A2> A1). The cost per intensity of each chemical component is B1 yen for component A, B2 yen for component B, and B3 yen for component C (B3> B2> B1). Therefore, it is desirable that the cost per strength is high for component C, components A and B are at the same level, and components A and B are used to increase the strength, and component C compensates for the missing amount. An example of the influence coefficient with respect to the strength of component B is shown in FIG.
又、スラブ転用ができるように、成分Ｂはできるだけ、ある許容値未満とすることが望ましい。更に、リスクを回避するため、過去の事例と同様にしたい。 Further, it is desirable that the component B is less than a certain allowable value so that the slab can be diverted. Furthermore, in order to avoid risk, I would like to do the same as in past cases.
このように、（１）製造条件空間によって強度に対する影響係数が異なる。（２）製造条件の数が多く、非線形であるため、現在の設計値の最適値を判断するのが困難である。（３）過去の事例の有無が分からない。（４）製造条件について過去の事例がない場合には、影響係数について信頼性のない回帰計算結果を用いてしまう、という問題があるので、設計者の意思決定を容易にすることが望ましい。 As described above, (1) the influence coefficient on the strength varies depending on the manufacturing condition space. (2) Since the number of manufacturing conditions is large and non-linear, it is difficult to determine the optimum value of the current design value. (3) I don't know if there are any past cases. (4) If there is no past example of the manufacturing condition, there is a problem that an unreliable regression calculation result is used for the influence coefficient. Therefore, it is desirable to facilitate decision making by the designer.
そこで、本実施形態においては、図１６に示す如く、過去に製造した各製造条件の値とそのときの品質特性値とを保持した品質データベース（ＤＢ）３０と、各製造条件の単位当りのコストを格納したコストデータベース（ＤＢ）３２と、複数の製造条件の中で、設計者が任意に製造条件を選択し、その値を入力する入力手段４１０と、要求の材質特性値を満足するような、選択した製造条件以外の製造条件を計算する製造条件計算手段４１２と、製造条件値を与えたときに、材質ＤＢ３０からその製造条件近傍の局所的な影響係数を計算する影響係数計算手段４１４（本発明の予測式作成手段に相当）と、前記製造条件計算手段４１２と影響係数計算手段４１４から、図１７に例示するような、設計者の意思決定を支援する画面５０を作成する支援画面作成手段４１６とを備えている。ここで、影響係数計算手段４１４には、各成分Ａ、Ｂ、Ｃについての影響係数Ａ１，Ａ２，Ａ３の計算結果が、物理的特性に反するような値を取りえないよう、それぞれの影響係数に対して上下下限値を設ける等の制約条件が入力される。
Therefore, in the present embodiment, as shown in FIG. 16, a quality database (DB) 30 that holds values of each manufacturing condition manufactured in the past and quality characteristic values at that time, and a cost per unit of each manufacturing condition A cost database (DB) 32 storing the data, an input means 410 for the designer to arbitrarily select a manufacturing condition from among a plurality of manufacturing conditions, and input the value, and satisfy the required material property value Manufacturing condition calculation means 412 for calculating manufacturing conditions other than the selected manufacturing conditions, and influence coefficient calculation means 414 for calculating local influence coefficients in the vicinity of the manufacturing conditions from the
前記支援画面作成手段４１６は、図１７に例示したように、選択さした製造条件空間の中に、現在の製造条件の値と、コスト等高線と、要求の品質特性値を満足するような選択した製造条件以外の製造条件の値の等高線と、各製造条件の制限値と、選択した製造条件の過去の実績値を表示するようにされている。
As illustrated in FIG. 17, the support
この意思決定支援画面には、現在の設計値から、より安価になる製造条件の変更方向と過去の実績を同時に表示する。又、強度レベルを同じにする成分Ａの値の等高線、及び、そのときのコストの等高線を表示する。強度に対する影響係数変化の一例を成分Ｂを例にとって、図１５に×印（成分Ｃ＝０．００％）、△印（成分Ｃ＝０．０２％）、◆印（成分Ｃ＝０．０４％）で示す。このように成分Ｂ濃度が高くなると強度への影響係数が小さくなるといった、経験的知識を明治することができ、技術伝承に寄与する。 On the decision support screen, the change direction of the manufacturing conditions and the past results that are cheaper from the current design value are displayed at the same time. Further, the contour lines of the value of the component A having the same intensity level and the contour lines of the cost at that time are displayed. Taking component B as an example of an influence coefficient change with respect to intensity, FIG. 15 shows an X mark (component C = 0.00%), a Δ mark (component C = 0.02%), and a ◆ mark (component C = 0.04). %). In this way, empirical knowledge that the coefficient of influence on strength decreases as the concentration of component B increases can contribute to technical transmission.
以下、具体的な実施例について説明する。最初の表示画面が図１８に示すような状態であった場合、◆印で示す設計値の成分Ｃ濃度を下げてコストを下げる方向に移動すると、図１９に示す如くとなる。この図１９の状態から、更に等高線に沿って成分Ｃが０となるまで下げると図２０に示す如くとなる。この２０の状態が最適値である。 Specific examples will be described below. When the initial display screen is in a state as shown in FIG. 18, when the component C concentration of the design value indicated by ♦ is lowered and the cost is lowered, the result is as shown in FIG. If the component C is further lowered along the contour line from the state of FIG. 19 until the component C becomes 0, the result is as shown in FIG. These 20 states are optimum values.
このようにして、品質ＤＢ及びコスト情報を基に、汎用データ解析ソフトを用いて、非線形な対象において、要求仕様を満足する製造条件の中から、コストリスクとリスクを同時に可視化して、意思決定を支援することができる。これにより、品質設計者が、容易に、より安価に製造条件を探索できる。 In this way, based on the quality DB and cost information, using general-purpose data analysis software, the cost risk and risk can be visualized at the same time from the manufacturing conditions that satisfy the required specifications in a non-linear target, and decision making is made. Can help. Thereby, the quality designer can search for manufacturing conditions easily and at a lower cost.
なお、本実施例においては、予測式作成装置に相当する影響係数計算手段４１４における影響係数計算法については説明は省略したが、図３に示したように、類似度算出ステップ、予測式作成ステップを経て影響係数（モデルパラメータ）は計算される。予測式作成ステップにおいては、物理的特性を考慮した制約条件を入力されているので、全く製造したことがない製造条件を選択したとしても、品質の予測結果の精度は向上する。 In the present embodiment, the explanation of the influence coefficient calculation method in the influence coefficient calculation means 414 corresponding to the prediction formula creation apparatus is omitted, but as shown in FIG. 3, the similarity calculation step, the prediction formula creation step, After that, the influence coefficient (model parameter) is calculated. In the prediction formula creation step, since a constraint condition considering physical characteristics is input, the accuracy of the quality prediction result is improved even if a manufacturing condition that has never been manufactured is selected.
また、過去の製造設定値から外れるリスクについても、二次的評価関数として表示されるため、品質設計者はリスクを最小限にしつつ目標とする品質が得られる製造条件を選択することが可能となる。さらに、本実施例においては、目的関数として、成分コストと過去の製造設定値から外れるリスクを考慮していたが、目的関数の数や種類はこれに限定されない。 In addition, risks that deviate from past manufacturing set values are also displayed as secondary evaluation functions, so the quality designer can select manufacturing conditions that can achieve the target quality while minimizing risk. Become. Further, in this embodiment, the component cost and the risk of deviating from the past manufacturing set value are considered as the objective function, but the number and types of objective functions are not limited to this.
１０・・・データベース
１２、２０・・・予測式作成装置
１２１・・・類似度算出手段
１２２・・・予測式作成手段
１４・・・制御装置
１４１・・・予測式取得手段
１４２・・・制御手段
１６・・・品質設計装置
１６１・・・予測式取得手段
１６２・・・品質設計支援手段
１８・・・制約条件作成手段
２２・・・クロップ長予測手段
２８・・・製造プロセス
DESCRIPTION OF
Claims (6)
該実績データベースに記憶された製造条件と、予測対象の製造条件とを比較し、複数の比較結果からなる類似度を算出する類似度算出手段と、
前記予測対象の製造条件に対応した製造点を基準とする予測式であって、製造条件と製造結果との関係を表現するものを、前記実績データベースの製造条件及び結果情報に基づいて作成するに際し、そのモデル化誤差を評価する評価関数の重みとして前記類似度を用いるとともに、前記予測対象の物理的特性を制約条件としその制約条件内で評価関数に関する最適化問題を解いて前記予測式のパラメータを決定する予測式作成手段とを備え、
各手段を実現するプログラムをコンピュータに実行させる予測式作成装置。 A performance database for associating the manufacturing conditions of products manufactured in the past with the manufacturing result information, and storing a plurality of such information,
A similarity calculation unit that compares the manufacturing conditions stored in the results database with the manufacturing conditions to be predicted and calculates a similarity composed of a plurality of comparison results;
When creating a prediction formula based on the manufacturing point corresponding to the manufacturing condition of the prediction target and expressing the relationship between the manufacturing condition and the manufacturing result based on the manufacturing condition and result information of the results database. , Using the similarity as a weight of an evaluation function for evaluating the modeling error, and using a physical characteristic of the prediction target as a constraint condition and solving an optimization problem related to the evaluation function within the constraint condition A prediction formula creating means for determining
A prediction formula creation apparatus for causing a computer to execute a program for realizing each means.
前記予測対象の製造条件を、前記予測式に入力して当該製造条件に対する結果を予測する結果予測手段とを備え、
各手段を実現するプログラムをコンピュータに実行させる結果予測装置。 The prediction formula creation device and storage medium according to claim 1, comprising the result database and each means of the prediction formula creation device according to claim 1 in the same computer or a computer connected via a network, or the prediction formula creation device and storage medium according to claim 1 A prediction formula acquisition means for acquiring a prediction formula corresponding to the manufacturing condition of the prediction target,
A result predicting means for inputting the manufacturing condition to be predicted into the prediction formula and predicting a result for the manufacturing condition;
A result prediction apparatus for causing a computer to execute a program for realizing each means.
前記予測式を用い、前記予測対象の製造条件に対して制御量目標値になる操作量を算出し、制御を実行する制御手段とを備え、
各手段を実現するプログラムをコンピュータに実行させる制御装置。 The prediction formula creation device and storage medium according to claim 1, comprising the result database and each means of the prediction formula creation device according to claim 1 in the same computer or a computer connected via a network, or the prediction formula creation device and storage medium according to claim 1 A prediction formula acquisition means for acquiring a prediction formula corresponding to the manufacturing condition of the prediction target,
Using the prediction formula, calculating an operation amount that becomes a control amount target value with respect to the manufacturing condition of the prediction target, and comprising control means for executing control,
A control device for causing a computer to execute a program for realizing each means.
一以上の製造条件を前記予測式に入力して得られた予測結果を出力し、あるいは、当該予測結果を基づき二次的な評価指数を算出し出力して、製品の品質設計を補助する品質設計支援手段とを備え、
各手段を実現するプログラムをコンピュータに実行させる品質設計装置。 The prediction formula creation device and storage medium according to claim 1, comprising the result database and each means of the prediction formula creation device according to claim 1 in the same computer or a computer connected via a network, or the prediction formula creation device and storage medium according to claim 1 A prediction formula acquisition means for acquiring a prediction formula corresponding to the manufacturing condition of the prediction target,
Quality that assists product quality design by outputting a prediction result obtained by inputting one or more manufacturing conditions into the prediction formula, or calculating and outputting a secondary evaluation index based on the prediction result Design support means,
A quality design apparatus for causing a computer to execute a program for realizing each means.
前記予測対象の製造条件に対応した製造点を基準とする予測式であって、製造条件と製造結果との関係を表現するものを、前記実績データベースの製造条件及び結果情報に基づいて作成するに際し、そのモデル化誤差を評価する評価関数の重みとして前記類似度を用いるとともに、前記予測対象の物理的特性を制約条件としその制約条件内で評価関数に関する最適化問題を解いて前記予測式のパラメータを決定する予測式作成ステップとを有し、
コンピュータに各ステップを実現するプログラムを実行させることで前記予測式を得る予測式作成方法。 The manufacturing conditions of products manufactured in the past are associated with the manufacturing result information, and the manufacturing conditions stored in the results database storing a plurality of such information are compared with the manufacturing conditions to be predicted, and a plurality of comparisons are made. A similarity calculation step for calculating the similarity based on the result;
When creating a prediction formula based on the manufacturing point corresponding to the manufacturing condition of the prediction target and expressing the relationship between the manufacturing condition and the manufacturing result based on the manufacturing condition and result information of the results database. , Using the similarity as a weight of an evaluation function for evaluating the modeling error, and using a physical characteristic of the prediction target as a constraint condition and solving an optimization problem related to the evaluation function within the constraint condition A prediction formula creation step for determining
A prediction formula creation method for obtaining the prediction formula by causing a computer to execute a program for realizing each step.
該制御ステップの制御により、製品を製造する製造ステップとを有する製品の製造方法。 The performance database and each means of the prediction formula creation device according to claim 1 are included in the same computer as the control device or in a separate computer from the control device connected via a network, or in claim 1 A prediction formula corresponding to the manufacturing condition of the prediction target is acquired via the prediction formula creation device and the storage medium described, and the control amount target value is obtained with respect to the manufacturing condition of the prediction target using the prediction formula. A control step for calculating an operation amount and executing control;
A product manufacturing method including a manufacturing step of manufacturing a product under the control of the control step.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2006294245A JP2008112288A (en) | 2006-10-30 | 2006-10-30 | Prediction type creation device, result prediction device, quality design device, prediction type creation method and method for manufacturing product |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2006294245A JP2008112288A (en) | 2006-10-30 | 2006-10-30 | Prediction type creation device, result prediction device, quality design device, prediction type creation method and method for manufacturing product |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2008112288A true JP2008112288A (en) | 2008-05-15 |
Family
ID=39444775
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2006294245A Pending JP2008112288A (en) | 2006-10-30 | 2006-10-30 | Prediction type creation device, result prediction device, quality design device, prediction type creation method and method for manufacturing product |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2008112288A (en) |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011203177A (en) * | 2010-03-26 | 2011-10-13 | Jfe Steel Corp | Manufacturing condition determination device of hot-rolled coil, and method of the same |
| JP2012507804A (en) * | 2008-10-31 | 2012-03-29 | マーケットシェア パートナーズ リミテッド ライアビリティ カンパニー | Specification, estimation, causal driver discovery and market response elasticity or lift coefficient automation |
| JP2012166264A (en) * | 2011-01-28 | 2012-09-06 | Jfe Steel Corp | Device for predicting deformation resistance and method of controlling rolling mill |
| JP2014018844A (en) * | 2012-07-20 | 2014-02-03 | Jfe Steel Corp | Heat transfer coefficient predictor for steel material and cooling control method |
| JP2014160423A (en) * | 2013-02-20 | 2014-09-04 | Kyushu Univ | Experiment support system, experiment support method, and experiment support program |
| JP2015117431A (en) * | 2013-11-15 | 2015-06-25 | Ｊｆｅスチール株式会社 | Device and method for estimating blast furnace heat |
| WO2015174359A1 (en) * | 2014-05-16 | 2015-11-19 | Ｊｆｅスチール株式会社 | Energy supply and demand operational guidance device and energy supply and demand operational method for inside of iron mill |
| JP2018010521A (en) * | 2016-07-14 | 2018-01-18 | 新日鐵住金株式会社 | Product state prediction device, product state control device, product state prediction method and program |
| JP2019074969A (en) * | 2017-10-17 | 2019-05-16 | 新日鐵住金株式会社 | Quality predicting device and quality predicting method |
| US10307806B2 (en) | 2014-09-16 | 2019-06-04 | Nippon Steel & Sumitomo Metal Corporation | Rolling control method for metal strip, rolling control apparatus, and manufacturing method for rolled metal strip |
| JP2020028195A (en) * | 2018-08-13 | 2020-02-20 | 一般財団法人電力中央研究所 | Photovoltaic power generation system distribution estimation device, photovoltaic power generation system distribution estimation method, photovoltaic power generation system distribution estimation program, and photovoltaic power generation output prediction device |
| WO2021014804A1 (en) | 2019-07-22 | 2021-01-28 | Ｊｆｅスチール株式会社 | 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 |
| WO2022018912A1 (en) * | 2020-07-21 | 2022-01-27 | 株式会社日立製作所 | Prediction system, prediction method, and display device |
| WO2022149344A1 (en) | 2021-01-06 | 2022-07-14 | Ｊｆｅスチール株式会社 | Quality abnormality analysis method, metal material manufacturing method, and quality abnormality analysis device |
| CN116305947A (en) * | 2023-03-20 | 2023-06-23 | 中国石油大学(北京) | Buried pipeline stress prediction method, safety evaluation method, equipment and storage medium |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004062440A (en) * | 2002-07-26 | 2004-02-26 | Toshiba Corp | Predictive model system |
| JP2004355189A (en) * | 2003-05-28 | 2004-12-16 | Jfe Steel Kk | Result predicting device |
-
2006
- 2006-10-30 JP JP2006294245A patent/JP2008112288A/en active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004062440A (en) * | 2002-07-26 | 2004-02-26 | Toshiba Corp | Predictive model system |
| JP2004355189A (en) * | 2003-05-28 | 2004-12-16 | Jfe Steel Kk | Result predicting device |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012507804A (en) * | 2008-10-31 | 2012-03-29 | マーケットシェア パートナーズ リミテッド ライアビリティ カンパニー | Specification, estimation, causal driver discovery and market response elasticity or lift coefficient automation |
| JP2011203177A (en) * | 2010-03-26 | 2011-10-13 | Jfe Steel Corp | Manufacturing condition determination device of hot-rolled coil, and method of the same |
| JP2012166264A (en) * | 2011-01-28 | 2012-09-06 | Jfe Steel Corp | Device for predicting deformation resistance and method of controlling rolling mill |
| JP2014018844A (en) * | 2012-07-20 | 2014-02-03 | Jfe Steel Corp | Heat transfer coefficient predictor for steel material and cooling control method |
| JP2014160423A (en) * | 2013-02-20 | 2014-09-04 | Kyushu Univ | Experiment support system, experiment support method, and experiment support program |
| JP2015117431A (en) * | 2013-11-15 | 2015-06-25 | Ｊｆｅスチール株式会社 | Device and method for estimating blast furnace heat |
| WO2015174359A1 (en) * | 2014-05-16 | 2015-11-19 | Ｊｆｅスチール株式会社 | Energy supply and demand operational guidance device and energy supply and demand operational method for inside of iron mill |
| JP6052467B2 (en) * | 2014-05-16 | 2016-12-27 | Ｊｆｅスチール株式会社 | Energy supply and demand operation guidance device and energy supply and demand operation method in steelworks |
| CN106462907A (en) * | 2014-05-16 | 2017-02-22 | 杰富意钢铁株式会社 | Energy supply and demand operational guidance device and energy supply and demand operational method for inside of iron mill |
| US10307806B2 (en) | 2014-09-16 | 2019-06-04 | Nippon Steel & Sumitomo Metal Corporation | Rolling control method for metal strip, rolling control apparatus, and manufacturing method for rolled metal strip |
| JP2018010521A (en) * | 2016-07-14 | 2018-01-18 | 新日鐵住金株式会社 | Product state prediction device, product state control device, product state prediction method and program |
| JP2019074969A (en) * | 2017-10-17 | 2019-05-16 | 新日鐵住金株式会社 | Quality predicting device and quality predicting method |
| JP2020028195A (en) * | 2018-08-13 | 2020-02-20 | 一般財団法人電力中央研究所 | Photovoltaic power generation system distribution estimation device, photovoltaic power generation system distribution estimation method, photovoltaic power generation system distribution estimation program, and photovoltaic power generation output prediction device |
| WO2021014804A1 (en) | 2019-07-22 | 2021-01-28 | Ｊｆｅスチール株式会社 | 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 |
| KR20220007653A (en) | 2019-07-22 | 2022-01-18 | 제이에프이 스틸 가부시키가이샤 | Quality prediction model generation method, quality prediction model, quality prediction method, metal material manufacturing method, quality prediction model generation apparatus and quality prediction apparatus |
| WO2022018912A1 (en) * | 2020-07-21 | 2022-01-27 | 株式会社日立製作所 | Prediction system, prediction method, and display device |
| JP7436313B2 (en) | 2020-07-21 | 2024-02-21 | 株式会社日立製作所 | Prediction system, prediction method, and display device |
| WO2022149344A1 (en) | 2021-01-06 | 2022-07-14 | Ｊｆｅスチール株式会社 | Quality abnormality analysis method, metal material manufacturing method, and quality abnormality analysis device |
| JPWO2022149344A1 (en) * | 2021-01-06 | 2022-07-14 | ||
| JP7251687B2 (en) | 2021-01-06 | 2023-04-04 | Ｊｆｅスチール株式会社 | Quality abnormality analysis method, metal material manufacturing method, and quality abnormality analysis device |
| TWI808540B (en) * | 2021-01-06 | 2023-07-11 | 日商Ｊｆｅ鋼鐵股份有限公司 | Quality abnormality analysis method, metal material manufacturing method, and quality abnormality analysis device |
| KR20230116870A (en) | 2021-01-06 | 2023-08-04 | 제이에프이 스틸 가부시키가이샤 | Quality anomaly analysis method, metal material manufacturing method, and quality anomaly analysis device |
| CN116305947A (en) * | 2023-03-20 | 2023-06-23 | 中国石油大学(北京) | Buried pipeline stress prediction method, safety evaluation method, equipment and storage medium |
| CN116305947B (en) * | 2023-03-20 | 2023-10-17 | 中国石油大学(北京) | Buried pipeline stress prediction method, safety evaluation method, equipment and storage medium |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2008112288A (en) | Prediction type creation device, result prediction device, quality design device, prediction type creation method and method for manufacturing product | |
| KR101011546B1 (en) | Prediction formula making device and prediction formula making method | |
| TWI554340B (en) | Rolling simulation device | |
| Zhang et al. | An integrated decision-making model for multi-attributes decision-making (MADM) problems in additive manufacturing process planning | |
| JP5516390B2 (en) | Quality prediction apparatus, quality prediction method, program, and computer-readable recording medium | |
| JP5068637B2 (en) | Operation and quality related analysis apparatus, analysis method, program, and computer-readable recording medium in manufacturing process | |
| JP6439780B2 (en) | Magnetic property prediction device and magnetic property control device for electrical steel sheet | |
| JP5434837B2 (en) | Quality prediction apparatus, quality prediction method, program, and computer-readable recording medium | |
| JP2007140694A (en) | Device and method for analyzing relevance of operation and quality in manufacturing process, computer program and computer-readable recording medium | |
| JP5604945B2 (en) | Quality prediction apparatus, quality prediction method, computer program, and computer-readable recording medium | |
| Lu et al. | Estimating labor productivity using probability inference neural network | |
| Aggarwal | Compensative weighted averaging aggregation operators | |
| JP2014038595A (en) | Material prediction device and material control method for steel material | |
| WO2020152993A1 (en) | Design assistance method for metal material, prediction model generation method, metal material manufacturing method, and design assistance device | |
| JP5962290B2 (en) | Steel heat transfer coefficient prediction apparatus and cooling control method | |
| Ransing et al. | A coupled penalty matrix approach and principal component based co-linearity index technique to discover product specific foundry process knowledge from in-process data in order to reduce defects | |
| JP2013084057A (en) | Management method for product quality and management device for product quality | |
| JP2006309709A (en) | Result prediction device, control device and quality design device | |
| Tan et al. | Creep lifetime prediction of 9% Cr martensitic heat-resistant steel based on ensemble learning method | |
| Perzyk et al. | Data mining in manufacturing: significance analysis of process parameters | |
| JP5488140B2 (en) | Quality prediction apparatus, quality prediction method, computer program, and computer-readable recording medium | |
| JP2004054420A (en) | Association analyzer for operation and quality in manufacturing process, association analyzing method and computer readable storage medium | |
| Dong et al. | Just-in-time learning-based soft sensor for mechanical properties of strip steel via multi-block weighted semisupervised models | |
| US20230088537A1 (en) | Generative design shape optimization based on a target part reliability for computer aided design and manufacturing | |
| JP5857759B2 (en) | Deformation resistance prediction apparatus and rolling mill control method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20090727 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20100519 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20110830 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20111028 |
|
| RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20120321 |
|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20120327 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20120418 |