JP2011085970A - Quality prediction device, quality prediction method, program and computer-readable recording medium - Google Patents
Quality prediction device, quality prediction method, program and computer-readable recording medium Download PDFInfo
- Publication number
- JP2011085970A JP2011085970A JP2009235981A JP2009235981A JP2011085970A JP 2011085970 A JP2011085970 A JP 2011085970A JP 2009235981 A JP2009235981 A JP 2009235981A JP 2009235981 A JP2009235981 A JP 2009235981A JP 2011085970 A JP2011085970 A JP 2011085970A
- Authority
- JP
- Japan
- Prior art keywords
- quality
- quality prediction
- division pattern
- value
- division
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 196
- 238000009499 grossing Methods 0.000 claims abstract description 197
- 230000006870 function Effects 0.000 claims abstract description 130
- 230000000694 effects Effects 0.000 claims abstract description 83
- 238000011156 evaluation Methods 0.000 claims abstract description 78
- 238000004364 calculation method Methods 0.000 claims abstract description 53
- 230000008569 process Effects 0.000 claims description 81
- 238000004519 manufacturing process Methods 0.000 claims description 46
- 229910000831 Steel Inorganic materials 0.000 claims description 30
- 239000010959 steel Substances 0.000 claims description 30
- 238000013075 data extraction Methods 0.000 claims description 26
- 238000005096 rolling process Methods 0.000 claims description 19
- 239000000463 material Substances 0.000 claims description 13
- 238000007790 scraping Methods 0.000 claims description 12
- 238000005098 hot rolling Methods 0.000 claims description 11
- 239000000498 cooling water Substances 0.000 claims description 7
- 238000005315 distribution function Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 4
- 238000007670 refining Methods 0.000 claims description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 2
- 230000037303 wrinkles Effects 0.000 claims description 2
- -1 Si amount Substances 0.000 claims 1
- 239000000047 product Substances 0.000 description 41
- 238000012545 processing Methods 0.000 description 33
- 239000000284 extract Substances 0.000 description 21
- 238000010586 diagram Methods 0.000 description 12
- 230000011218 segmentation Effects 0.000 description 11
- 238000012937 correction Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 7
- 238000007796 conventional method Methods 0.000 description 5
- 238000004886 process control Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000001816 cooling Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 229910052720 vanadium Inorganic materials 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 210000000746 body region Anatomy 0.000 description 1
- 229910052796 boron Inorganic materials 0.000 description 1
- 229910052791 calcium Inorganic materials 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000005266 casting Methods 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009749 continuous casting Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 229910052748 manganese Inorganic materials 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052750 molybdenum Inorganic materials 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 229910052758 niobium Inorganic materials 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 229910052698 phosphorus Inorganic materials 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 229910052717 sulfur Inorganic materials 0.000 description 1
- 229910052719 titanium Inorganic materials 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
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
- Control Of Metal Rolling (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
本発明は、製造プロセスにおける品質予測装置、品質予測方法、プログラム及びコンピュータ読み取り可能な記録媒体に関し、より詳細には、鉄鋼プロセスのような生産ラインにて操業条件を変更することで、複数種類の製品を作り分ける製造プロセスにおいて、過去に製造された製品の品質情報を製造順番に並べた時系列品質データより品質予測モデルを作成し、品質予測を行う場合に用いる品質予測装置、品質予測方法、プログラム及びコンピュータ読み取り可能な記録媒体に関する。 The present invention relates to a quality prediction apparatus, a quality prediction method, a program, and a computer-readable recording medium in a manufacturing process, and more specifically, by changing operating conditions in a production line such as a steel process, In the manufacturing process that creates products, a quality prediction device, a quality prediction method, which is used to create a quality prediction model from time-series quality data in which the quality information of products manufactured in the past is arranged in the manufacturing order and perform quality prediction, The present invention relates to a program and a computer-readable recording medium.
鉄鋼や半導体などの製造プロセスにおいては、顧客からの製品の注文に応じて、顧客の製品に対する要求仕様から製品を製造するための操業条件を決定し、製品を製造する。製造の途中において、これまでに通過した工程(上工程)での操業実績並びに今後の通過工程(下工程)での操業予定条件に基づいて、製品が要求仕様を満足するかが評価される。場合によっては、下工程の操業条件を変更する作業や、顧客への不良品の流出を回避するために、出荷前検査を重点的に実施する作業が行われることもある。したがって、製造の過程において、製品の品質を予測することは、非常に重要である。このため、従来から、製造プロセスの操業オペレータや技術担当者により、操業条件から製品の品質を推定する作業が行われている。 In the manufacturing process of steel, semiconductors, etc., according to the order of the product from the customer, the operating conditions for manufacturing the product are determined from the required specifications for the customer's product, and the product is manufactured. In the middle of manufacturing, whether the product satisfies the required specifications is evaluated based on the operation results in the process (upper process) that has been passed so far and the scheduled operation conditions in the future pass process (lower process). In some cases, work for changing operation conditions in the lower process and work for prioritizing inspection before shipment may be performed to avoid outflow of defective products to customers. Therefore, it is very important to predict the quality of the product during the manufacturing process. For this reason, conventionally, an operation operator or a technical person in charge of a manufacturing process has performed an operation of estimating the quality of a product from operation conditions.
品質を予測する一般的な方法(以下「第1の方法」と称する。)として、同一の製品を製造する場合は、例えば操業標準等で定められたように、操業条件が一定となるように操業が行われる。このとき、特に鉄鋼プロセスのような高温・高荷重等の厳しい環境下で製品が製造される場合には、例えば圧延機のミル定数などの設備の特性が徐々に変化する。このため、全く同じ操業条件でも製造タイミングによって、品質が異なる状況が発生する。このような状況から、操業オペレータや担当者は、直前までに製造された製品の品質の実績を参照し、更に過去の経験や製造プロセスに関する知識も加味して、現在製造中の製品の品質を予測する作業を行っている。 As a general method of predicting quality (hereinafter referred to as “first method”), when manufacturing the same product, for example, as defined in the operation standard, the operation condition is made constant. Operation is performed. At this time, particularly when a product is manufactured under a severe environment such as a high temperature and a high load such as a steel process, the characteristics of equipment such as a mill constant of a rolling mill gradually change. For this reason, a situation in which the quality differs depending on the production timing even under exactly the same operating conditions. In this situation, the operation operator and the person in charge refer to the results of the quality of the product manufactured immediately before, and further consider the past experience and knowledge about the manufacturing process to improve the quality of the product currently being manufactured. We are working to predict.
また、上記のような同一の製造条件(すなわち、入力条件)であっても、製造タイミングで品質(すなわち、出力)が変化する状況は、最終品質のみならず、例えば鉄鋼プロセスの熱間圧延における捲き取り温度などの中間プロセス状態量や、更には、捲き取り温度を制御するための熱間圧延ランナウトテーブルでの冷却制御モデルの学習係数のような制御パラメータについても生ずる。これより、これらに対しても直前までに製造された製品での実績を参照して適性値を予測することが必要となる。 In addition, even under the same manufacturing conditions (that is, input conditions) as described above, the situation in which the quality (that is, output) changes at the manufacturing timing is not limited to the final quality, for example, in the hot rolling of a steel process. Control parameters such as the learning coefficient of the cooling control model in the hot rolling runout table for controlling the scraping temperature are also generated. For this reason, it is necessary to predict the suitability value with reference to the results of products manufactured just before.
しかしながら、この第1の方法では、操業オペレータ・担当者の知識や熟練度に、予測精度が大きく影響されてしまうという問題があった。更には、短時間で多数の製品が製造される場合には、処理すべき情報量が多く、かつ高速処理が必要となり、人間では対応できないという問題もあった。 However, this first method has a problem that the prediction accuracy is greatly influenced by the knowledge and skill level of the operation operator and the person in charge. Furthermore, when many products are manufactured in a short time, there is a problem that the amount of information to be processed is large and high-speed processing is required, which cannot be handled by humans.
そこで、第2の方法として、特許文献1には、人間の記憶のみに頼るのではなく、過去の品質データを用いて、計算機を援用して予測を行う方法が提案されている。第2の方法では、蓄積された品質の時系列データを解析して、現在製造中の製品の品質を予測する実用的で簡便な方法として広く利用されている指数平滑法を用いている。指数平滑法では、新たなデータの値は過去の値の影響を受け、影響の強さは現在に近いほど強く、過去に遡るほど弱くなると仮定し、時系列に含まれるデータに対して重み付けを行い、新たなデータの予測値を計算する。第2の方法は、指数平滑法で品質を予測する方法において、平滑化定数をN個の時系列データを用いて理論的な最適解より算出し、予測値と実績との差で定義される予測誤差の標準偏差に基づいて予測値の上下限範囲も推定可能とする手法である。
Therefore, as a second method,
ここで、一般に、製造プロセスの品質データは、複数の製品に関するデータが含まれているために、十分な精度が得るためには、データを適正な条件で分割して、各分割について指数平滑を行う必要がある。しかし、特許文献1の手法では、データの分割については全く考慮されておらず、本手法を製造プロセスの品質予測に適用した場合は、予測精度が大きく劣化するという問題がある。
Here, since the quality data of the manufacturing process generally includes data on a plurality of products, in order to obtain sufficient accuracy, the data is divided under appropriate conditions, and exponential smoothing is performed for each division. There is a need to do. However, the method of
第3の方法として、特許文献2には、熱延仕上げ圧延におけるセットアップ計算を対象に、圧延ロールと被圧延材の摩擦係数を指数平滑法で推定するにあたり、平滑化係数を別個に設定するべき圧延条件の区分を人間が設定して、該区分ごとに指数平滑を行う方法が開示されている。この第3の方法は、比較的高い精度が確保でき、実プロセスでもよく利用されている方法であるが、区分は担当者の経験に基づいて決定されるために担当者の熟練度に依存し、予測精度も担当者に依存する。また人間は、板厚や目標捲き取り温度など複数存在する圧延条件に対し、その一つだけに着目して区分を決定し、それを複数の圧延条件に対して機械的に組み合わせて区分を作成する。このため、殆どデータが存在しない区分が発生して、精度が劣化するという問題がある。また区分が細分化しやすくなるため、精度が劣化した場合のメンテナンス負荷が高くなるという実用上の問題もある。
As a third method, in
そこで、本発明は、上記問題に鑑みてなされたものであり、本発明の目的とするところは、過去に製造された製品の品質情報を製造順番に並べた時系列品質データより指数平滑法にて品質予測を行う手法において、十分な精度を有し、かつメンテナンス負荷が軽減された、新規かつ改良された品質予測装置、品質予測方法、プログラムおよびコンピュータ読み取り可能な記録媒体を提供することにある。 Therefore, the present invention has been made in view of the above problems, and an object of the present invention is to use an exponential smoothing method based on time-series quality data in which quality information of products manufactured in the past are arranged in manufacturing order. It is an object of the present invention to provide a new and improved quality prediction apparatus, quality prediction method, program, and computer-readable recording medium having sufficient accuracy and reduced maintenance load in a method for performing quality prediction. .
上記課題を解決するために、本発明のある観点によれば、製造プロセスにおける品質予測装置であって、複数の製品に関する操業データおよび品質データを記憶するデータベースから、所定の選択条件に該当する操業データおよび品質データを抽出するデータ抽出部と、抽出された操業データについて、操業データに含まれる変数が値としてとる領域を全体領域として、当該全体領域を複数の局所領域に分割する分割パターン候補を複数個作成する分割パターン候補作成部と、各分割パターン候補について、各局所領域での品質予測値が全体領域内の予測値に寄与する割合である寄与率を表す活性度関数を算出する活性度関数算出部と、各分割パターン候補について、各局所領域に対する、過去の品質データと過去の品質予測値とから現在の品質予測値を計算するための指数平滑法に基づき設定された指数平滑関数と、活性度関数とに基づいて、全体領域における品質予測値を算出する関係式を導出し、該関係式と過去の品質データと過去の品質予測値とに基づいて全体領域における品質予測値を算出し、当該全体領域における品質予測値と品質データとの差である予測誤差が最小となる分割パターンを選択する最小誤差分割パターン選択部と、最小誤差分割パターン選択部により選択された分割パターンの品質予測値と、予め設定された評価基準値との比較結果に基づいて、予測誤差の収束が十分であるか否かを判定する学習誤差評価部と、学習誤差評価部にて収束が十分であると判定された分割パターンの関係式を用いて、品質予測値を出力する品質予測値出力部と、指数平滑関数において、現在の品質予測値に対する過去の品質予測の影響の強さを決定する指数平滑係数を算出する指数平滑係数算出部と、を備えることを特徴とする、品質予測装置が提供される。 In order to solve the above-described problems, according to an aspect of the present invention, there is provided a quality prediction apparatus in a manufacturing process, and an operation corresponding to a predetermined selection condition from a database storing operation data and quality data related to a plurality of products. A data extraction unit that extracts data and quality data, and for the extracted operation data, an area that the variable included in the operation data takes a value as an entire area, and a division pattern candidate that divides the entire area into a plurality of local areas Activity to calculate an activity function that represents a contribution ratio that is a ratio that a quality prediction value in each local region contributes to a prediction value in the entire region for each division pattern candidate For the function calculation unit and each divided pattern candidate, the current quality data and the past quality prediction value for each local area are Based on the exponential smoothing function set based on the exponential smoothing method for calculating the quality prediction value and the activity function, a relational expression for calculating the quality prediction value in the entire region is derived, and the relational expression and the past Calculates the quality prediction value for the entire area based on the quality data and the past quality prediction value, and selects the division pattern that minimizes the prediction error that is the difference between the quality prediction value and the quality data for the entire area. Whether or not the convergence of the prediction error is sufficient based on the comparison result between the quality prediction value of the division pattern selected by the division pattern selection unit and the minimum error division pattern selection unit and a preset evaluation reference value A learning error evaluation unit for determining the quality, a quality prediction value output unit for outputting a quality prediction value using a relational expression of division patterns determined to have sufficient convergence by the learning error evaluation unit, and exponential smoothing In a few, characterized in that it comprises, and exponential smoothing coefficient calculation unit for calculating an exponential smoothing coefficient that determines the strength of the effect of past quality prediction for the current quality prediction value, quality prediction apparatus is provided.
本発明によれば、全体領域から分割パターン候補を作成し、各分割パターン候補について、各局所領域に対する、過去の品質データと過去の品質予測値とから現在の品質予測値を計算する定数モデルである指数平滑関数と、活性度関数とに基づいて、全体領域における品質予測値を算出する関係式を導出する。そして、導出された関係式と過去の品質データと過去の品質予測値とに基づいて、品質予測の誤差が最小となる分割パターンを選択する。そして、選択された分割パターンについて十分な精度でデータを説明できるモデルとなっているか否かを判定し、当該モデルが構築されると当該分割パターンの関係式を用いて品質予測値を出力する。これにより、ほとんどデータの存在しない局所領域の発生を防止することができ、適切な最小の分割数で、十分な精度でデータを説明できるモデルを自動的に探索して獲得することができる。また、必要以上に領域が細分化されないため、精度が劣化したときのメンテナンス負荷を低減することができる。 According to the present invention, a constant pattern model that creates divided pattern candidates from the entire region and calculates the current quality prediction value from the past quality data and the past quality prediction value for each local region for each divided pattern candidate. Based on an exponential smoothing function and an activity function, a relational expression for calculating a quality prediction value in the entire region is derived. Then, based on the derived relational expression, past quality data, and past quality prediction value, a division pattern that minimizes the quality prediction error is selected. Then, it is determined whether or not the selected divided pattern is a model that can explain data with sufficient accuracy. When the model is constructed, a quality prediction value is output using the relational expression of the divided pattern. As a result, it is possible to prevent the occurrence of a local region in which almost no data exists, and it is possible to automatically search for and obtain a model that can explain data with sufficient accuracy with an appropriate minimum number of divisions. Further, since the area is not subdivided more than necessary, it is possible to reduce the maintenance load when the accuracy is deteriorated.
指数平滑係数算出部は、複数の指数平滑係数について指数平滑計算を行い、当該計算結果から算出された予測誤差の最も小さい指数平滑係数を選択することもできる。 The exponential smoothing coefficient calculating unit can also perform exponential smoothing calculation for a plurality of exponential smoothing coefficients and select an exponential smoothing coefficient with the smallest prediction error calculated from the calculation result.
あるいは、学習誤差評価部により予測誤差の収束が十分であると判定される複数の分割パターンから一の分割パターンを選択する分割指数平滑モデル決定部をさらに備え、指数平滑係数算出部は、複数の指数平滑係数を設定し、各指数平滑係数について、分割パターン候補作成部により分割パターン候補を作成して、活性度関数算出部、最小誤差分割パターン選択部および学習誤差評価部により、予測誤差の収束が十分である分割パターンをそれぞれ決定し、分割指数平滑モデル決定部は、各指数平滑係数についてそれぞれ決定された分割パターンのうち、分割数が最も少ない分割パターンを選択するようにしてもよい。 Alternatively, the learning error evaluation unit further includes a division exponent smoothing model determination unit that selects one division pattern from a plurality of division patterns determined to have sufficient convergence of the prediction error, and the exponential smoothing coefficient calculation unit includes a plurality of division factors An exponential smoothing coefficient is set, and for each exponential smoothing coefficient, a division pattern candidate is created by a division pattern candidate creation unit, and a prediction error is converged by an activity function calculation unit, a minimum error division pattern selection unit, and a learning error evaluation unit. May be determined, and the division exponent smoothing model determination unit may select a division pattern having the smallest number of divisions among the division patterns determined for each exponential smoothing coefficient.
また、分割パターン候補作成部は、操業変数からなる操業変数空間を分割する数値分割作成部と、コード変数からなるグループを分割するコード分割作成部と、を備え、数値分割作成部により作成された分割パターン候補およびコード分割作成部により作成された分割パターン候補を、全体領域の分割パターン候補とすることもできる。 In addition, the division pattern candidate creation unit includes a numerical division creation unit that divides an operation variable space composed of operation variables and a code division creation unit that divides a group composed of code variables, and is created by the numerical division creation unit. The division pattern candidate created by the division pattern candidate and the code division creation unit can be used as a division pattern candidate for the entire region.
活性度関数は、局所領域の重心に中心を持つ正規分布関数と、コード分割情報から算出される二値関数とを組み合わせて構成される関数とすることができる。また、コード分割作成部は、探索法を用いてコード変数からなるグループを分割するようにしてもよい。 The activity function can be a function configured by combining a normal distribution function having the center at the center of gravity of the local region and a binary function calculated from the code division information. In addition, the code division creation unit may divide a group of code variables using a search method.
あるいは、分割パターン候補作成部は、最適化手法を用いて、操業変数とコード変数とからなる分割パターン候補を一括して生成することもできる。 Alternatively, the division pattern candidate creation unit can collectively generate division pattern candidates including operation variables and code variables using an optimization method.
また、製造プロセスは、鉄鋼プロセスであって、このとき、品質データは、製品の表面疵、機械強度特性値、形状の平坦度、製品サイズ、内部応力、又はこれら品質に影響を及ぼすプロセス値とすることができる。 In addition, the manufacturing process is a steel process. At this time, the quality data includes product surface wrinkles, mechanical strength characteristic values, shape flatness, product size, internal stress, or process values that affect these quality. can do.
製造プロセスは、鉄鋼製品である薄鋼板の熱間圧延プロセスであり、品質予測装置による予測対象となる品質を、熱延ランアウトテーブル出側での捲き取り温度としたとき、製造プロセスの操業変数は、被圧延材が精錬工程を終了した時点での溶鋼内のC量、Si量、Mn量、P量、S量、Cu量、Ni量、Cr量、Mo量、Nb量、V量、Ti量、B量、Al量、N量、O量、Ca量、被圧延材の目標板幅、目標板厚、等価炭素量、仕上げ圧延出側目標温度、捲き取り目標温度、圧延速度、冷却水水量密度、冷却水温、及び材質コードから少なくとも一つ以上選択するようにしてもよい。 The manufacturing process is a hot rolling process of steel sheets, which are steel products. When the quality predicted by the quality prediction device is the scraping temperature at the hot-rolling runout table, the operating variables of the manufacturing process are , C amount, Si amount, Mn amount, P amount, S amount, Cu amount, Ni amount, Cr amount, Mo amount, Nb amount, V amount, Ti in the molten steel at the time when the material to be rolled has finished the refining process Amount, B amount, Al amount, N amount, O amount, Ca amount, target plate width, target plate thickness, equivalent carbon amount, finish rolling target temperature, rolling target temperature, rolling speed, cooling water At least one or more of water density, cooling water temperature, and material code may be selected.
また、上記課題を解決するために、本発明の別の観点によれば、製造プロセスにおける品質予測方法であって、複数の製品に関する操業データおよび品質データを記憶するデータベースから、所定の選択条件に該当する操業データおよび品質データを抽出するステップと、抽出された操業データについて、操業データに含まれる変数が値としてとる領域を全体領域として、当該全体領域を複数の局所領域に分割して分割パターン候補を複数個作成するステップと、各分割パターン候補について、各局所領域での品質予測値が全体領域内の予測値に寄与する割合である寄与率を表す活性度関数を算出するステップと、各分割パターン候補について、品質予測値の時系列データから各局所領域に対する現在の品質予測値を算出するための指数平滑関数の、現在の品質予測値に対する過去の品質予測の影響の強さを決定する指数平滑係数を、各局所領域に対応する品質データに基づいて算出するステップと、各分割パターン候補について、各局所領域に対する、指数平滑係数が設定された指数平滑関数と、活性度関数とに基づいて、全体領域における品質予測値を算出する関係式を導出し、該関係式と過去の品質データと過去の品質予測値とに基づいて全体領域における品質予測値を算出し、当該全体領域における品質予測値と品質データとの差である予測誤差が最小となる分割パターンを選択するステップと、選択された分割パターンの品質予測値と、予め設定された評価基準値との比較結果に基づいて、予測誤差の収束が十分であるか否かを判定するステップと、予測誤差の収束が十分であるか否かを判定するステップにより収束が十分であると判定された分割パターンの関係式を用いて、品質予測値を出力するステップと、を含むことを特徴とする、品質予測方法が提供される。 In order to solve the above-mentioned problem, according to another aspect of the present invention, there is provided a quality prediction method in a manufacturing process, from a database storing operation data and quality data related to a plurality of products, to a predetermined selection condition. A step of extracting corresponding operation data and quality data, and for the extracted operation data, an area taken as a value by a variable included in the operation data is defined as an entire area, and the entire area is divided into a plurality of local areas. A step of creating a plurality of candidates, a step of calculating an activity function representing a contribution rate that is a ratio of a quality predicted value in each local region to a predicted value in the entire region, for each divided pattern candidate; Exponential smoothing to calculate the current quality prediction value for each local region from time series data of quality prediction values for the division pattern candidates Calculating an exponential smoothing coefficient that determines the strength of the influence of the past quality prediction on the current quality prediction value based on the quality data corresponding to each local region, and for each divided pattern candidate, Based on an exponential smoothing function in which an exponential smoothing coefficient is set for an area and an activity function, a relational expression for calculating a quality prediction value in the entire area is derived, and the relational expression, past quality data, and past quality are calculated. Calculating a quality prediction value in the entire area based on the prediction value, selecting a division pattern that minimizes a prediction error that is a difference between the quality prediction value and the quality data in the entire area, and the selected division pattern A step of determining whether or not the convergence of the prediction error is sufficient based on a comparison result between the quality predicted value of the image and a preset evaluation reference value, and the convergence of the prediction error is sufficient. And a step of outputting a quality prediction value using a relational expression of the division pattern determined to be sufficiently converged by the step of determining whether or not the quality prediction method is provided. Is done.
さらに、上記課題を解決するために、本発明の別の観点によれば、製造プロセスにおける品質予測方法であって、複数の製品に関する操業データおよび品質データを記憶するデータベースから、所定の選択条件に該当する操業データおよび品質データを抽出するステップと、品質予測値の時系列データから各局所領域に対する現在の品質予測値を算出するための指数平滑関数の、現在の品質予測値に対する過去の品質予測の影響の強さを決定する指数平滑係数を複数個設定するステップと、抽出された操業データについて、操業データに含まれる変数が値としてとる領域を全体領域として、当該全体領域を複数の局所領域に分割して分割パターン候補を複数個作成するステップと、各分割パターン候補について、各局所領域での品質予測値が全体領域内の予測値に寄与する割合である寄与率を表す活性度関数を算出するステップと、各分割パターン候補について、各局所領域に対する、指数平滑係数のうちの1つが設定された指数平滑関数と、前記活性度関数とに基づいて、全体領域における品質予測値を算出する関係式を導出し、該関係式と過去の品質データと過去の品質予測値とに基づいて全体領域における品質予測値を算出し、当該全体領域における品質予測値と品質データとの差である予測誤差が最小となる分割パターンを選択するステップと、選択された分割パターンの品質予測値と、予め設定された評価基準値との比較結果に基づいて、予測誤差の収束が十分であるか否かを判定するステップと、各指数平滑関数について、予測誤差の収束が十分であるか否かを判定するステップにより収束が十分であると判定された分割パターンから、分割数が最も少ない分割パターンを選択するステップと、分割数が最も少ない分割パターンの関係式を用いて、品質予測値を出力するステップと、を含むことを特徴とする、品質予測方法が提供される。 Furthermore, in order to solve the above-mentioned problem, according to another aspect of the present invention, there is provided a quality prediction method in a manufacturing process, wherein a predetermined selection condition is obtained from a database storing operation data and quality data related to a plurality of products. Extracting relevant operation data and quality data, and past quality prediction for current quality prediction value of exponential smoothing function to calculate current quality prediction value for each local region from time series data of quality prediction value A step of setting a plurality of exponential smoothing coefficients that determine the strength of the influence of the operation, and for the extracted operation data, the region that the variable included in the operation data takes as a whole region, and the whole region is a plurality of local regions A plurality of division pattern candidates and a quality prediction value in each local region for each division pattern candidate. A step of calculating an activity function representing a contribution ratio, which is a ratio contributing to a predicted value in the body region, and an exponential smoothing function in which one of the exponential smoothing coefficients for each local region is set for each divided pattern candidate And a relational expression for calculating a quality prediction value in the whole area based on the activity function, and a quality prediction value in the whole area based on the relational expression, past quality data, and a past quality prediction value. Calculating a division pattern that minimizes a prediction error that is a difference between the quality prediction value and the quality data in the entire region, a quality prediction value of the selected division pattern, and a preset evaluation criterion A step of determining whether or not the convergence of the prediction error is sufficient based on the comparison result with the value, and determining whether or not the convergence of the prediction error is sufficient for each exponential smoothing function A step of selecting a division pattern having the smallest number of divisions from division patterns determined to have sufficient convergence by the step, and a step of outputting a quality prediction value using a relational expression of the division pattern having the smallest number of divisions. The quality prediction method characterized by including these is provided.
また、上記課題を解決するために、本発明の別の観点によれば、コンピュータに上記の品質予測装置として機能させるためのプログラムが提供される。かかるプログラムは、コンピュータが備える記憶装置に格納され、コンピュータが備えるCPUに読み込まれて実行されることにより、そのコンピュータを上記の品質予測装置として機能させる。また、当該プログラムが記録された、コンピュータで読み取り可能な記録媒体も提供される。記録媒体は、例えば磁気ディスクや光ディスクなどである。 Moreover, in order to solve the said subject, according to another viewpoint of this invention, the program for making a computer function as said quality prediction apparatus is provided. Such a program is stored in a storage device included in the computer, and read and executed by a CPU included in the computer, thereby causing the computer to function as the quality prediction device. A computer-readable recording medium on which the program is recorded is also provided. The recording medium is, for example, a magnetic disk or an optical disk.
以上説明したように本発明によれば、過去に製造された製品の品質情報を製造順番に並べた時系列品質データより指数平滑法にて品質予測を行う手法において、十分な精度を有し、かつメンテナンス負荷が軽減された品質予測装置、品質予測方法、プログラムおよびコンピュータ読み取り可能な記録媒体を提供することができる。 As described above, according to the present invention, in the method of performing quality prediction by exponential smoothing from time-series quality data in which the quality information of products manufactured in the past is arranged in the manufacturing order, the method has sufficient accuracy, In addition, it is possible to provide a quality prediction apparatus, a quality prediction method, a program, and a computer-readable recording medium with reduced maintenance load.
以下に添付図面を参照しながら、本発明の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。 Exemplary embodiments of the present invention will be described below in detail with reference to the accompanying drawings. In addition, in this specification and drawing, about the component which has the substantially same function structure, duplication description is abbreviate | omitted by attaching | subjecting the same code | symbol.
<1.第1の実施形態>
[品質予測装置の構成]
まず、図1に基づいて、本発明の第1の実施形態にかかる品質予測装置の構成について説明する。なお、図1は、本実施形態にかかる品質予測装置100の機能構成を示すブロック図である。
<1. First Embodiment>
[Configuration of quality prediction device]
First, based on FIG. 1, the structure of the quality prediction apparatus concerning the 1st Embodiment of this invention is demonstrated. FIG. 1 is a block diagram illustrating a functional configuration of the
本実施形態にかかる製造プロセスにおける品質予測装置100は、品質予測を行う対象の品質を予測する装置である。品質予測装置100により予測する品質としては、例えば鉄鋼プロセスの場合では、薄板や厚板などの各種製品の、表面疵や内部欠陥の発生個数、抗張力や降伏応力、伸び率などの機械強度特性値、波高さなどの形状平坦度、板厚・板幅・板長さなどの製品サイズ、内部応力など、直接顧客から要求される最終製品の各種品質指標がある。また、これら最終品質に影響を及ぼすプロセス値も予測する品質となる。
The
このような品質予測装置100は、図1に示すように、データ抽出部110と、分割パターン候補作成部120と、活性度関数算出部130と、最小誤差分割パターン選択部140と、指数平滑係数算出部150と、学習誤差評価部160、分割指数平滑モデル決定部170と、品質予測値出力部180と、データベース190と、からなる。
As shown in FIG. 1, the
データ抽出部110は、製品の種類を示すコード情報など外部より入力された品質予測を行う対象に関する選択条件に基づいて、データベース190より、所定の選択条件に該当する複数の操業データ及び品質データを抽出する。ここで、操業データは、取り得る値が数値である操業変数と、取り得る値が文字コード情報であるコード変数とからなる。本実施形態では、操業データのうち操業変数のみを用いて分割パターンを作成する。操業変数は、例えば鉄鋼プロセスでは、精錬工程で測定された溶鋼の各種元素の成分量や、連続鋳造工程における湯面変動量や鋳造速度、更には熱延工程での圧延荷重や捲き取り温度等である。データ抽出部110は、データベース190から抽出したデータを分割パターン候補作成部120へ出力する。
The
分割パターン候補作成部120は、取り得る値が数値である操業変数を全体領域として、全体領域から複数M個の局所領域に分割した分割パターン候補を複数個作成する処理を行う。分割パターン候補作成部120は、作成された複数の分割パターン候補について、操業変数空間を複数の局所領域に分けた分割パターンの分割座標情報を活性度関数算出部130へ出力する。なお、分割パターン候補作成部120は、各分割パターンの局所領域についての予測値を算出する際に用いる指数平滑係数が指数平滑係数算出部150によって設定される前に分割パターン候補の作成をしてもよく(第1の実施形態)、指数平滑係数が設定された後に分割パターン候補の作成をしてもよい(後述する第2の実施形態)。
The division pattern
活性度関数算出部130は、分割パターン候補作成部120にて作成された分割パターン候補すべてに対して、分割座標情報に基づき、活性度関数を算出する。活性度関数は、操業データと品質データとの関係を表す関係式を表すために用いられる。
The activity function calculation unit 130 calculates an activity function for all the division pattern candidates created by the division pattern
最小誤差分割パターン選択部140は、分割パターン候補について、各局所領域における品質予測値を算出し、品質予測値に基づく予測誤差を計算して、さらに最も誤差の小さい分割パターンを選択する。本実施形態の最小誤差分割パターン選択部140は、過去の品質データと過去の品質予測値とから現在の品質予測値を計算する定数モデルとして、指数平滑法による指数平滑関数を用い、品質予測値を算出する。指数平滑法は、段落0006に記載したように、蓄積された時系列データを解析して、現在の状態を予測する方法である。本実施形態では、各分割パターンに対して指数平滑法を用いて品質予測値を算出することにより、適切に分割された分割パターンを選択することができる。
The minimum error division
最小誤差分割パターン選択部140が、指数平滑法を用いて各局所領域の予測値を算出するときに、過去のデータの重み付けを行う指数平滑係数は、指数平滑係数算出部150により算出される。指数平滑係数算出部150は、例えば、指数平滑係数の取り得る0〜1の範囲の値から複数の値を設定し、設定した値について指数平滑計算のシミュレーションを行い、シミュレーション結果から最も予測誤差の小さい値を指数平滑係数として採用することにより指数平滑係数を決定することができる。
When the minimum error division
指数平滑計算のシミュレーションとは、品質の時系列データ[y1,y2,・・・,yN]と、それに対応する操業データ[x1,x2,・・・,xN]を用いて、例えば以下のような手順で品質予測値を計算することをいう。なお、操業データxiには、操業変数uおよびコード変数vが含まれるものとする。 The exponential smoothing simulation uses quality time-series data [y1, y2,..., YN] and operation data [x1, x2,. This means calculating the quality prediction value by a simple procedure. Note that the operation data xi includes an operation variable u and a code variable v.
まず、精度を評価したい分割パターンについて、M個の活性度関数を算出し、更に各局所領域について、定数モデルの初期値y^(yハット)を計算しておく。初期値としては、その局所領域に属する品質データの単純平均値を用いる方法等がある。次に、指数平滑係数の値を0〜1の範囲で、複数個設定しておく。 First, M activity functions are calculated for the division pattern whose accuracy is to be evaluated, and the constant model initial value y (y hat) is calculated for each local region. As an initial value, there is a method of using a simple average value of quality data belonging to the local region. Next, a plurality of exponential smoothing coefficient values are set in a range of 0 to 1.
次いで、0〜1の範囲で、複数個設定された指数平滑係数から一つを取り出し、以下(A)〜(F)の処理を行い、シミュレーションによる評価を開始する。
(A)最初の時系列データx1で活性度関数から寄与率を計算し、後述する数式(2)を用いて品質予測値y^1を計算する。
(B)品質データy1および品質予測値y^1、更に操業データx1より算出された寄与率を用いて、後述する数式(7)により定数モデルを更新する。
(C)2番目の時系列データx2について、寄与率および品質予測値y^2を計算する。
(D)品質データy2と品質予測値y^2、操業x2より算出された寄与率を用い定数モデルを更新する。
(E)これをデータNまで繰り返す。
(F)N個の品質予測値と品質データより、予測誤差を計算する。
(G)準備段階にて設定された別の指数平滑係数について、上記(A)〜(F)の処理を行う。
(H)全ての指数平滑係数について、上記(A)〜(G)を行う。
Next, one is extracted from a plurality of exponential smoothing coefficients set in the range of 0 to 1, and the following processes (A) to (F) are performed, and evaluation by simulation is started.
(A) The contribution rate is calculated from the activity function with the first time series data x1, and the quality predicted value y ^ 1 is calculated using Equation (2) described later.
(B) Using the contribution rate calculated from the quality data y1 and the quality prediction value y ^ 1 and further from the operation data x1, the constant model is updated by Equation (7) described later.
(C) For the second time series data x2, a contribution rate and a quality prediction value y ^ 2 are calculated.
(D) The constant model is updated using the contribution rate calculated from the quality data y2, the quality prediction value y ^ 2, and the operation x2.
(E) This is repeated up to data N.
(F) A prediction error is calculated from N quality prediction values and quality data.
(G) The processing of (A) to (F) is performed for another exponential smoothing coefficient set in the preparation stage.
(H) The above (A) to (G) are performed for all exponential smoothing coefficients.
あるいは、指数平滑係数算出部150は、例えば、特許文献1に記載された理論的な方法を用いて指数平滑係数を決定することもできる。最小誤差分割パターン選択部140は、指数平滑係数算出部150により算出された指数平滑係数を用いて各局所領域の予測値を算出すると、予測誤差を算出し、最も誤差の小さい分割パターンを選択する。
Or the exponential smoothing
学習誤差評価部160は、最小誤差分割パターン選択部140により選択された分割パターンの予測誤差と予め設定された評価基準値とを比較して、十分な精度を有する関係式が構築されたか否かを判定する。本実施形態のように指数平滑係数が分割パターン候補を作成した後に設定される場合、学習誤差評価部160は、収束したと判定した場合には、得られた分割パターンを表現するための情報である活性度関数の係数を抽出し、品質予測値出力部180へ出力する。一方、収束が不十分であると判定した場合、学習誤差評価部160は、分割パターン候補作成部120に対して、最小誤差分割パターン選択部140において選択された分割パターンをさらに分割して新たな分割パターン候補を作成する指示を行う。
The learning
あるいは、後述する第2の実施形態にかかる品質予測方法を用いる場合には、指数平滑係数は分割パターン候補を作成する前に設定される。かかる場合には、学習誤差評価部160は、収束したと判定した場合には、現在設定されている指数平滑係数について得られた分割パターンを表現するための情報である活性度関数の係数を抽出し、分割指数平滑モデル決定部170へ出力する。一方、収束が不十分であると判定した場合には、段落0035に記載した本実施形態の処理と同様に、学習誤差評価部160は、分割パターン候補作成部120に対して、最小誤差分割パターン選択部140において選択された分割パターンをさらに分割して新たな分割パターン候補を作成する指示を行う。
Or when using the quality prediction method concerning 2nd Embodiment mentioned later, an exponential smoothing coefficient is set before creating a division | segmentation pattern candidate. In such a case, when it is determined that the learning error has been converged, the learning
分割指数平滑モデル決定部170は、後述する第2の実施形態にかかる品質予測方法を用いる場合に、指数平滑係数に対して得られた分割パターンから最も分割数の少ない指数平滑係数のモデルを選択し、決定する。すなわち、分割指数平滑モデル決定部170は、最も少ない分割数で十分な精度でデータを説明できる関係式で表わされる分割パターンを選択する。分割指数平滑モデル決定部170は、決定した分割パターンを表現するための情報である活性度関数の係数を抽出して、品質予測値出力部180へ出力する。
The division exponential smoothing
品質予測値出力部180は、学習誤差評価部160または分割指数平滑モデル決定部170から入力された分割パターンの情報と、別途、逐次入力される操業データと予測時点で判明している最新の品質データとに基づいて、操業データと品質データとの関係式より品質予測値を算出する。そして、品質予測値出力部180は、品質予測値を、オペレータへのガイダンスや、プロセス制御系への入力信号として用いるために外部に出力する。
The quality prediction
データベース190は、製造プロセスにおける過去の操業データ及び品質データと、製品の種類を示すコード情報や、各製造工程での製造時刻、向け先などの注文情報、製品を特定するための製品番号などとを関連付けて記憶する記憶部である。これらの情報は、外部から所定のタイミングでデータベース190に入力され、記録される。データベース190に記憶された情報は、段落0030に記載のように、データベース抽出部110により抽出され、品質予測に用いられる。
The
[品質予測装置による品質予測処理]
次に、図2〜図5に基づいて、本実施形態にかかる品質予測装置100による品質予測処理について詳細に説明する。なお、図2は、本実施形態にかかる品質予測装置100による品質予測処理を示すフローチャートである。図3は、分割パターン候補作成部120による分割パターン候補の作成処理を示す説明図である。図4は、二次元の操業変数空間において、分割パターン候補を作成する手順を模式的に示す説明図である。図5は、3分割された二次元の操業変数空間において、分割パターン候補を作成する手順を模式的に示す説明図である。
[Quality prediction processing by the quality prediction device]
Next, based on FIGS. 2-5, the quality prediction process by the
今、品質の程度を数値で表す品質指標を変数yで表すとする。また、この製品を製造した際の操業条件の内、値が数値を取り得る操業変数を下記数式(1)からなる列ベクトルで表すとする。なお、数式(1)のtは行列の転置を表す。また、本実施形態で品質予測に用いる予測データは、各品質データに対して、製造された順番を識別するための情報、例えば製造時刻等が付されている。 Now, let us assume that a quality index representing the degree of quality by a numerical value is represented by a variable y. Further, it is assumed that an operation variable whose value can take a numerical value among the operation conditions when the product is manufactured is represented by a column vector composed of the following formula (1). Note that t in Equation (1) represents transposition of a matrix. Further, in the prediction data used for quality prediction in the present embodiment, information for identifying the manufacturing order, for example, manufacturing time, etc. is attached to each quality data.
本実施形態では、操業データの操業変数からなる全体領域を複数の局所領域に分割し、各局所領域にて品質予測値を算出する処理を行う。そして、この局所領域の予測値と、局所領域の予測値が全体領域内の予測値に寄与する割合を表す活性度関数Φiとの積の和である下記数式(2)によって、全体の操業データと品質データとの関係式yを表す。ここで、Σは項の和、Mは局所領域の個数を表す。 In this embodiment, the whole area | region which consists of the operation variable of operation data is divided | segmented into a some local area, and the process which calculates a quality predicted value in each local area is performed. Then, the entire operation data is calculated by the following formula (2), which is the sum of products of the predicted value of the local region and the activity function Φi representing the ratio of the predicted value of the local region to the predicted value in the entire region. And a relational expression y between the quality data. Here, Σ represents the sum of terms, and M represents the number of local regions.
本実施形態において局所領域での予測値は、指数平滑法を用いて、定数モデルとして表わされる。このような定数モデルを用いた場合、例えば予測値を線形多項式で表した場合と比較して、十分な精度を有する所望の分割パターンを獲得するまでの収束性は劣るが、確実に所望のモデルを獲得することができる。また、定数モデルを用いた場合、従来は、所望の分割パターンを獲得するまでに多くの領域分割を行う必要があったが、本実施形態にかかる品質予測装置を用いることにより、少ない分割数で所望のモデルを獲得することができるようになる。なお、活性度関数は、全体空間の任意の位置で各関数値の総和が1となる数式(3)の正規条件を満たすように予め設定しておく。 In the present embodiment, the predicted value in the local region is represented as a constant model using an exponential smoothing method. When such a constant model is used, for example, compared to the case where the predicted value is expressed by a linear polynomial, the convergence until obtaining a desired division pattern with sufficient accuracy is inferior, but the desired model is surely obtained. Can be earned. In addition, when a constant model is used, conventionally, it has been necessary to perform many area divisions until a desired division pattern is obtained. However, by using the quality prediction apparatus according to the present embodiment, the number of divisions can be reduced. A desired model can be acquired. The activity function is set in advance so as to satisfy the normal condition of Expression (3) in which the sum of the function values is 1 at an arbitrary position in the entire space.
本実施形態にかかる品質予測装置100による品質予測処理では、まず、データ抽出部110によりデータベース190から品質予測を行う対象に関する操業データおよび品質データを抽出する(ステップS100)。データ抽出部110は、製品の種類を示すコード情報など外部より入力された品質予測を行う対象に関する選択条件に基づいて、データベース190より、所定の選択条件に該当する複数の操業データ及び品質データを抽出する。データ抽出部110は、抽出した操業データおよび品質データを分割パターン候補作成部120へ出力する。
In the quality prediction process performed by the
次いで、分割パターン候補作成部120は、操業データの操業変数が値としてとる領域を全体領域として、全体領域を複数の局所領域に分割して分割パターン候補を作成する(ステップS102)。すなわち、分割パターン候補作成部120は、まず、図3に示すように、分割されていない二次元の操業変数空間について当該空間を2つの局所領域(M=2)に分割する処理を行う。ここで、操業変数空間の分割は、各操業変数に平行な軸で、分割点が設定される。つまり、図4に示すように、二次元の操業変数空間は2つの操業変数u1、u2からなる。したがって、領域1−1に対して、操業変数u1軸に平行な分割と、操業変数u2軸に平行な分割とが行われる。このように、領域1−1が2つの局所領域2−1、2−2に分割される。分割パターン候補作成部120は、分割点の設定を変えて、図3に示すように複数の分割パターン候補を作成する。
Next, the division pattern
また、分割パターン候補作成部120は、操業変数空間が既に幾つかの局所領域に分割されている場合は、活性度関数による重み付き誤差評価関数である下記数式(4)で各局所関係式の誤差を算出し、この中で最も誤差の大きな局所領域を2つに分割する。一例として、図5に、既に3分割された操業変数空間を4分割(M=4)する手順を示す。図5に示すように、最も誤差の大きい領域が領域3−2であるとすると、操業変数u1またはu2軸に平行な軸で領域3−2を2分するように分割点が設定される。このとき、残りの領域3−1および3−3は分割されない。
In addition, when the operation variable space is already divided into several local regions, the division pattern
図3において、操業変数空間を2分割したとき、最も誤差の大きい領域が領域2−1であったとすると、操業変数u1またはu2軸に平行な軸で領域2−1を2分するように分割点が設定される。このように、操業変数については、現在の分割パターンから新たな複数の分割パターン候補が生成される。 In FIG. 3, when the operation variable space is divided into two, if the region with the largest error is the region 2-1, the region 2-1 is divided into two by the axis parallel to the operation variable u1 or u2 axis. A point is set. As described above, for the operation variable, a plurality of new division pattern candidates are generated from the current division pattern.
操業変数の分割パターン候補を作成するに際して必要となる分割候補点の値は、例えば一つの操業変数のデータを抽出して、このデータを複数のグループに分割し、各グループの境界となる操業変数の値を求めて、これを全ての操業変数について算出し、分割候補点に使用する方法がある。具体的には、例えばクラスタリング法を用いて操業変数データを複数のグループに分割し、各グループに含まれる操業変数の値の最小値及び最大値を算出する。そして、隣接するグループのうち、操業変数の値が小さい方のグループの最大値と、操業変数の値が大きい方のグループの最小値との平均値を分割点の値とする。或いは、操業変数のデータ値に対して、操業オペレータや担当者が、同一の操業水準とみなすことができるグループの範囲を設定できる場合は、人手で設定した分割候補点を用いても良い。 The value of the division candidate point necessary for creating the operation variable division pattern candidate is, for example, extracting data of one operation variable, dividing this data into a plurality of groups, and operating variables serving as boundaries between the groups. There is a method in which the value of is calculated, calculated for all the operation variables, and used for the division candidate points. Specifically, the operation variable data is divided into a plurality of groups using, for example, a clustering method, and the minimum value and the maximum value of the operation variable values included in each group are calculated. Then, among the adjacent groups, the average value of the maximum value of the group having the smaller value of the operation variable and the minimum value of the group having the larger value of the operation variable is set as the value of the dividing point. Alternatively, if the operation operator or the person in charge can set the range of groups that can be regarded as the same operation level for the data value of the operation variable, the division candidate points set manually may be used.
ステップS102にて分割パターン候補が作成されると、すべての分割パターン候補に対して活性度関数が算出される(ステップS104)。具体的な活性度関数として、本実施形態では、隣接する局所領域の境界を滑らかに接続する関数として、下記数式(5)に示すp次元の正規分布関数μiを下記数式(6)に代入して得られる正規メンバシップ関数を活性度関数とする。ここで、ci jは局所領域の重心点、σi jは正規分布関数の標準偏差を表しており、これらの重心点と正規分布関数の標準偏差とが正規メンバシップ関数における係数である。数式(6)の正規メンバシップ関数は、操業変数の値に応じた0〜1の範囲の値を有する。 When division pattern candidates are created in step S102, activity functions are calculated for all division pattern candidates (step S104). As a specific activity function, in the present embodiment, a p-dimensional normal distribution function μ i shown in the following formula (5) is substituted into the following formula (6) as a function for smoothly connecting the boundaries between adjacent local regions. The normal membership function obtained as above is defined as the activity function. Here, c i j represents the barycentric point of the local region, and σ i j represents the standard deviation of the normal distribution function, and the barycentric point and the standard deviation of the normal distribution function are coefficients in the normal membership function. The regular membership function of Equation (6) has a value in the range of 0 to 1 depending on the value of the operation variable.
・・・数式(6)
(i=1,・・・,M)、(j=1,・・・,M)
... Formula (6)
(I = 1,..., M), (j = 1,..., M)
その後、最小誤差分割パターン選択部140により、分割パターン候補から最も予測誤差の小さい分割パターンが選択される(ステップS106)。最小誤差分割パターン選択部140は、まず、分割パターン候補作成部120により作成された複数の分割パターン候補から分割パターン候補を1つ取り出し、その分割パターンの分割座標情報を用いて、個々のデータをその操業データの値に基づいてM個のグループに分割する。次いで、最小誤差分割パターン選択部140は、分割されたM個の各グループに対して、各局所領域の予測値を、下記数式(7)で表わされる指数平滑関数により算出する。
Thereafter, the smallest error division
予測値[i]=予測値[i-1]+指数平滑係数×活性度関数×(実績値[i-1]−予測値[i-1])
・・・数式(7)
Predicted value [i] = predicted value [i-1] + exponential smoothing coefficient × activity function × (actual value [i-1] −predicted value [i-1])
... Formula (7)
ここで、[i]は現在ステップの値であり、[i−1]は前回予測時の値である。このように、指数平滑関数は、前回予測時の予測値を、前回予測時の誤差に所定の重み付けをした補正値で補正して、現在ステップの予測値を算出するものである。指数平滑法を用いることにより、蓄積された時系列データを解析して現在ステップの品質予測を簡便に行うことができる。本実施形態では、活性度関数を用いて各局所領域の定数モデルの値を合成して予測を行っているため、定数モデルを指数平滑法により更新するときにも活性度関数に応じて更新する。数式(7)では、活性度関数の大きな局所領域の定数モデル(=予測値)は、誤差に応じて大きく修正されることになる。数式(7)の指数平滑係数は、指数平滑係数算出部150により算出される。指数平滑係数算出部150による指数平滑係数の算出方法としては、段落0034に記載の方法を用いることができる。
Here, [i] is the value of the current step, and [i−1] is the value at the time of the previous prediction. Thus, the exponential smoothing function corrects the predicted value at the previous prediction with a correction value obtained by weighting the error at the previous prediction with a predetermined weight, and calculates the predicted value at the current step. By using the exponential smoothing method, the accumulated time series data can be analyzed and the quality prediction of the current step can be easily performed. In this embodiment, since the value of the constant model of each local region is synthesized using the activity function and prediction is performed, the constant model is also updated in accordance with the activity function when updated by the exponential smoothing method. . In Equation (7), the constant model (= predicted value) of the local region having a large activity function is greatly corrected according to the error. The exponential smoothing coefficient of Expression (7) is calculated by the exponential smoothing
そして、最小誤差分割パターン選択部140は、数式(7)により算出した各局所領域の予測値を用いて、操業データと品質データとの関係式である数式(2)により全体の予測値を算出する。その後、最小誤差分割パターン選択部140は、下記数式(8)に示す誤差評価式により数式(2)で算出された全体の予測値と品質データとの誤差である予測誤差を算出する。かかる数式(8)で示す予測誤差の算出は、すべての分割パターンに対して行われる。
Then, the minimum error division
最小誤差分割パターン選択部140は、各分割パターンに対して算出された予測誤差を比較して、誤差が最も小さい分割パターンを選択する。これにより、分割パターン候補作成部120により作成された複数の分割パターン候補から、数式(8)で定義される誤差の最も小さい関係式の分割パターンが選択されたことになる。
The minimum error division
次いで、学習誤差評価部160は、最小誤差分割パターン選択部140で選択された誤差最小の関係式の誤差と、予め設定された評価基準値とを比較して、学習が十分であるか、すなわち誤差が収束したか否かを判定する(ステップS108)。収束判定の方法としては、例えば、関係式の誤差を収束判定因子(評価基準値)と比較する方法、局所領域分割の増分に対する関係式誤差の変化量を収束判定因子(評価基準値)と比較する方法、分割数と誤差を考慮した指標、例えば非特許文献1に記載された赤池の情報量指標など学習誤差のみならず局所領域の個数も評価に加えた指標を用い、分割の増加に対して該指標が増加した時点で分割を打ち切る方法などが用いられる。
Next, the learning
学習誤差評価部160は、このような収束判定の方法を用いて誤差を評価し、該誤差が評価基準値より大きい場合には、十分な精度でデータを説明できる関係式はまだ構築されておらず、誤差の収束は不十分であると判定する。この場合、学習誤差評価部160は、分割パターン候補作成部120に対して、分割パターンの分割数Mを1つ増やして、ステップS102の処理を行うように指示する(ステップS110)。そして、ステップS108にて十分な精度でデータを説明できる関係式が構築されたと判定されるまで、ステップS102〜S110の処理を繰り返す。
The learning
一方、ステップS108にて、誤差が評価基準値以下であれば、学習誤差評価部160は、十分な精度でデータを説明できる関係式が構築されたと判定し、得られた関係式を表現するための情報である活性度関数の係数を抽出して、品質予測値出力部180へ出力する。品質予測値出力部180は、入力された関係式の情報と、逐次入力される操業データと、予測時点で判明している最新の品質情報とを用いて、数式(2)より品質予測値を算出し、外部へ出力する(ステップS112)。品質予測値出力部180により算出された品質予測値は、例えば、品質予測オペレータへのガイダンスや、プロセス制御系への入力信号として用いることができる。
On the other hand, if the error is equal to or smaller than the evaluation reference value in step S108, the learning
以上、本発明の第1の実施形態にかかる品質予測装置100とこれによる品質予測方法について説明した。本実施形態によれば、複数の操業変数からなる全体領域から分割パターン候補を作成し、各分割パターンの活性度関数と、指数平滑法を用いて算出された各分割パターンの複数の局所領域に対する予測値とに基づいて、品質予測の誤差が最小となる関係式の分割パターンを選択する。そして、選択された分割パターンについて十分な精度でデータを説明できるモデルとなっているか否かを判定し、当該モデルが構築されるまで分割パターンの分割数を増加させていく。これにより、ほとんどデータの存在しない局所領域の発生を防止することができ、適切な最小の分割数で、十分な精度でデータを説明できるモデルを自動的に探索して獲得することができる。また、必要以上に領域が細分化されないため、精度が劣化したときのメンテナンス負荷を低減することができる。
The
<2.第2の実施形態>
次に、図6に基づいて、本発明の第2の実施形態にかかる品質予測装置による品質予測方法について説明する。なお、図6は、本実施形態にかかる品質予測装置による品質予測方法を示すフローチャートである。本実施形態にかかる品質予測装置は、図1に示す第1の実施形態の品質予測装置100と同様に構成することができる。このため、以下における本実施形態の品質予測装置の説明においても、図1と同一の符号を用いて説明する。本実施形態の品質予測装置100による品質予測方法は、最初に指数平滑係数を設定する点で第1の実施形態の方法と相違する。以下では、本実施形態にかかる品質予測装置100による品質予測方法について、第1の実施形態と異なる処理について重点的に説明していく。
<2. Second Embodiment>
Next, based on FIG. 6, the quality prediction method by the quality prediction apparatus concerning the 2nd Embodiment of this invention is demonstrated. FIG. 6 is a flowchart showing a quality prediction method by the quality prediction apparatus according to the present embodiment. The quality prediction apparatus according to the present embodiment can be configured similarly to the
本実施形態にかかる品質予測装置100による品質予測処理では、まず、データ抽出部110によりデータベース190から品質予測を行う対象に関する操業データおよび品質データを抽出する(ステップS200)。データ抽出部110は、品質予測を行う対象に関する選択条件に基づいて、データベース190より、所定の選択条件に該当する複数の操業データ及び品質データを抽出する。データ抽出部110は、抽出した操業データおよび品質データを分割パターン候補作成部120へ出力する。
In the quality prediction processing by the
次いで、指数平滑係数算出部150により、指数平滑係数が設定される(ステップS202)。指数平滑係数算出部150は、例えば、0〜1の範囲の値を取り得る指数平滑係数に対し、例えば、0.1、0.2、・・・、0.9のように複数種類の値を設定する。そして、指数平滑係数算出部150は、設定した複数の値から1つを抽出し、分割パターン候補作成部120へ出力する。
Next, an exponential smoothing coefficient is set by the exponential smoothing coefficient calculation unit 150 (step S202). For example, the exponential smoothing
指数平滑係数が設定されると、設定されたすべての値について、ステップS204〜S212の処理が繰り返し行われる。まず、分割パターン候補作成部120は、操業データの操業変数が値としてとる領域を全体領域として、全体領域を複数の局所領域に分割して分割パターン候補を作成する(ステップS204)。ステップS204の処理は、第1の実施形態のステップS102の処理と同様に行うことができる。ステップS204にて分割パターン候補が作成されると、すべての分割パターン候補に対して活性度関数が算出される(ステップS206)。ステップS206の処理も、第1の実施形態のステップS104の処理と同様に行うことができる。活性度関数算出部130は、数式(5)を数式(6)に代入して得られる正規メンバシップ関数を活性度関数とする。
When the exponential smoothing coefficient is set, the processes in steps S204 to S212 are repeated for all the set values. First, the division pattern
そして、最小誤差分割パターン選択部140により、分割パターン候補から最も予測誤差の小さい分割パターンが選択される(ステップS208)。最小誤差分割パターン選択部140は、ステップS202にて設定された指数平滑係数を各局所領域に適用して、指数平滑法による品質予測値を算出し、算出された品質予測値に基づく予測誤差を算出する。そして、最小誤差分割パターン選択部140は、算出した予測誤差のうち最も小さい予測誤差を有する分割パターンを選択する。
Then, the smallest error division
最小誤差分割パターン選択部140は、まず、分割パターン候補作成部120により作成された複数の分割パターン候補から分割パターン候補を1つ取り出し、その分割パターンの分割座標情報を用いて、個々のデータをその操業データの値に基づいてM個のグループに分割する。次いで、最小誤差分割パターン選択部140は、分割されたM個の各グループに対して、各局所領域の予測値を、上記数式(7)で表わされる指数平滑関数により算出する。ここで、数式(7)の指数平滑係数は、ステップS202により設定された値のうち、現在設定されている一の値が用いられる。
First, the minimum error division
そして、最小誤差分割パターン選択部140は、数式(7)により算出した各局所領域の予測値を用いて、操業データと品質データとの関係式である数式(2)により全体の予測値を算出する。その後、最小誤差分割パターン選択部140は、上記数式(8)に示す誤差評価式により予測誤差を算出する。かかる数式(8)で示す予測誤差の算出は、すべての分割パターンに対して行われる。
Then, the minimum error division
最小誤差分割パターン選択部140は、各分割パターンに対して算出された予測誤差を比較して、誤差が最も小さい分割パターンの関係式を選択する。これにより、分割パターン候補作成部120により作成された複数の分割パターン候補から、数式(8)で定義される誤差の最も小さい分割パターンの関係式が選択されたことになる。
The minimum error division
次いで、学習誤差評価部160は、最小誤差分割パターン選択部140で選択された誤差最小の関係式の誤差と、予め設定された評価基準値とを比較して、学習が十分であるか、すなわち誤差が収束したか否かを判定する(ステップS210)。ステップS210の処理は、第1の実施形態のステップS108の処理と同様に行うことができる。学習誤差評価部160は、誤差が評価基準値より大きい場合には、十分な精度でデータを説明できる関係式はまだ構築されておらず、誤差の収束は不十分であると判定する。この場合、学習誤差評価部160は、分割パターン候補作成部120に対して、分割パターンの分割数Mを1つ増やして、ステップS204の処理を行うように指示する(ステップS212)。そして、ステップS210にて十分な精度でデータを説明できる関係式が構築されたと判定されるまで、ステップS204〜S212の処理を繰り返す。
Next, the learning
一方、ステップS210にて、誤差が評価基準値以下であれば、学習誤差評価部160は、十分な精度でデータを説明できる関係式が構築されたと判定し、ステップS202で設定された指数平滑係数のすべてについて上記ステップS204〜S212の処理が行われたか否かを判定する(ステップS214)。ステップS214にて、すべての指数平滑係数について上記処理が完了していないと判定された場合には、指数平滑係数算出部150は、まだ処理が行われていない指数平滑係数を1つ抽出して、次の指数平滑係数を設定する(ステップS216)。その後、ステップS204〜S216の処理を繰り返す。
On the other hand, if the error is equal to or smaller than the evaluation reference value in step S210, the learning
ステップS214にて、すべての指数平滑係数について上記処理が完了したと判定された場合には、分割指数平滑モデル決定部170により、最も分割数の少ない最小分割数モデルを選択する(ステップS218)。上記ステップS204〜S216の処理により、指数平滑係数算出部150により設定された複数の指数平滑係数に対して、それぞれ分割パターンが決定されている。分割指数平滑モデル決定部170は、選択された複数の分割パターンのうち、最も分割数の少ない指数平滑関数のモデルを選択する。最小分割数モデルが複数存在する場合には、これらの予測誤差を比較して、最も誤差の小さいモデルを選択すればよい。これにより、分割数の少ない、十分な精度でデータを説明できるモデルを提供することができる。
If it is determined in step S214 that the above processing has been completed for all exponential smoothing coefficients, the divisional exponential smoothing
その後、分割指数平滑モデル170は、得られた関係式を表現するための情報である活性度関数の係数を抽出して、品質予測値出力部180へ出力する。品質予測値出力部180は、入力された関係式の情報と、別途入力される操業データとを用いて、数式(2)より品質予測値を算出し、外部へ出力する(ステップS220)。品質予測値出力部180により算出された品質予測値は、第1の実施形態と同様に、例えば、品質予測オペレータへのガイダンスや、プロセス制御系への入力信号として用いることができる。
Thereafter, the division
以上、本発明の第2の実施形態にかかる品質予測装置100とこれによる品質予測方法について説明した。本実施形態によれば、まず、分割パターンの複数の局所領域の予測値を算出する際に用いる複数の指数平滑係数を設定する。その後、各指数平滑係数をそれぞれ設定した場合について、複数の分割パターンを作成し、各分割パターンの活性度関数と、設定された指数平滑係数の指数平滑関数を用いて算出された各分割パターンの複数の局所領域に対する予測値とに基づいて、品質予測の誤差が最小となる分割パターンを選択する。そして、各指数平滑係数についてそれぞれ分割パターンが選択されると、これらの中から最も分割数の少ない分割パターンに対応する指数平滑係数を選択する。これにより、ほとんどデータの存在しない局所領域の発生を防止することができ、適切な最小の分割数で、十分な精度でデータを説明できるモデルを自動的に探索して獲得することができる。また、必要以上に領域が細分化されないため、精度が劣化したときのメンテナンス負荷を低減することができる。
The
<3.第3の実施形態>
次に、図7〜図10に基づいて、本発明の第3の実施形態にかかる品質予測装置200とこれによる品質予測方法について説明する。本実施形態にかかる品質予測装置は、品質予測に用いる操業データについて、数値情報からなる操業変数に加えて文字コード情報であるコード変数も用いる点で、第1および第2の実施形態にかかる品質予測装置100と相違する。これにより、より少ない分割数で十分な精度でデータを説明できるモデルを作成することが可能となる。以下では、本実施形態にかかる品質予測装置200とこれによる品質予測方法について、第1及び第2の実施形態と異なる処理部、処理を重点的に説明していく。なお、図7は、本実施形態にかかる品質予測装置200の機能構成を示すブロック図である。図8は、分割パターン候補作成部220による分割パターン候補の作成処理を示す説明図である。図9は、コード変数の分割パターン候補の作成処理を示すフローチャートである。図10は、コード変数の分割パターン候補の作成処理におけるコード入れ替え処理を示す説明図である。
<3. Third Embodiment>
Next, based on FIGS. 7-10, the
[品質予測装置の構成]
本実施形態にかかる製造プロセスにおける品質予測装置200は、図7に示すように、データ抽出部210と、分割パターン候補作成部220と、活性度関数算出部230と、最小誤差分割パターン選択部240と、指数平滑係数算出部250と、学習誤差評価部260と、分割指数平滑モデル決定部270と、品質予測値出力部280と、データベース290と、からなる。ここで、データ抽出部210、活性度関数算出部230、最小誤差分割パターン選択部240、指数平滑係数算出部250、学習誤差評価部260、分割指数平滑モデル決定部270、品質予測値出力部280、およびデータベース290については、図1により説明した上記実施形態のデータ抽出部110、活性度関数算出部130、最小誤差分割パターン選択部140、指数平滑係数算出部150、学習誤差評価部160、分割指数平滑モデル決定部170、品質予測値出力部180、およびデータベース190とほぼ同様に機能する。本実施形態にかかる品質予測装置200では、操業データとして操業変数とコード変数とを用いるため、分割パターン候補作成部220による分割パターン候補の作成処理が、上記実施形態の分割パターン候補作成部120と相違する。
[Configuration of quality prediction device]
As shown in FIG. 7, the
データ抽出部210は、製品の種類を示すコード情報など外部より入力された品質予測を行う対象に関する選択条件に基づいて、データベース290より、所定の選択条件に該当する複数の操業データ及び品質データを抽出する。段落0030に記載したように、操業データは、数値情報である操業変数と文字コード情報であるコード変数とからなる。本実施形態では、操業データの操業変数のみならず、コード変数も分割パターンの対象とする。コード変数は、例えば、製品記号や原料記号などの文字コード情報である。データ抽出部210は、データベース290から抽出したデータを分割パターン候補作成部220へ出力する。
The
分割パターン候補作成部220は、取り得る値が数値である操業変数、及び取り得る値が文字コード情報であるコード変数の両者からなる全体領域を、複数M個の局所領域に分割した分割パターン候補を複数個作成する処理を行う。すなわち、分割パターン候補作成部220は、データ抽出部210から入力された操業データに含まれる操業変数とコード変数とが混在する全体領域を分割して、複数の分割パターン候補を作成する。
The division pattern
本実施形態にかかる分割パターン候補作成部220は、全体領域のうち操業変数のみを分割対象として分割する数値分割作成部222と、全体領域のうちコード変数のみを分割対象として分割を行うコード分割作成部224から構成される。分割パターン候補作成部220は、数値分割作成部222により全体領域を構成する操業変数を分割して生成された複数の分割パターン候補と、コード分割作成部224により全体領域を構成するコード変数を分割して生成された複数の分割パターン候補と合わせて、全体領域の分割パターン候補とする。そして、分割パターン候補作成部220は、作成された複数の分割パターン候補を活性度関数算出部230へ出力する。
The division pattern
活性度関数算出部230は、分割パターン候補作成部220にて作成された分割パターン候補すべてに対して、操業変数の分割座標情報とコード変数のグループ分け結果とに基づき、活性度関数を算出する。活性度関数は、操業データと品質データとの関係を表す関係式を表すために用いられる。
The activity
最小誤差分割パターン選択部240は、分割パターン候補について、指数平滑法を用いて各局所領域における品質予測値を算出し、品質予測値に基づく予測誤差を計算して、さらに最も誤差の小さい分割パターンを選択する。最小誤差分割パターン選択部240が、指数平滑法を用いて各局所領域の予測値を算出するときに、過去のデータの重み付けを行う指数平滑係数は、指数平滑係数算出部250により算出される。指数平滑係数の算出は、例えば第1の実施形態にて説明した方法等を用いて行うことができる。最小誤差分割パターン選択部240は、指数平滑係数算出部250により算出された指数平滑係数を用いて各局所領域の予測値を算出すると、予測誤差を算出し、最も誤差の小さい分割パターンを選択する。
The minimum error division
学習誤差評価部260は、最小誤差分割パターン選択部240により選択された分割パターンの予測誤差と予め設定された評価基準値とを比較して、十分な精度を有する関係式が構築されたか否かを判定する。本実施形態にかかる品質予測装置200においても、第1および第2の実施形態で示した2つの品質予測方法により品質予測を行うことができる。指数平滑係数が分割パターン候補を作成した後に設定される場合(後述する品質予測方法1の場合)、学習誤差評価部260は、収束したと判定した場合には、得られた分割パターンを表現するための情報である活性度関数の係数を抽出し、品質予測値出力部280へ出力する。一方、収束が不十分であると判定した場合、学習誤差評価部260は、分割パターン候補作成部220に対して、最小誤差分割パターン選択部240において選択された分割パターンをさらに分割して新たな分割パターン候補を作成する指示を行う。
The learning
あるいは、指数平滑係数が分割パターン候補を作成する前に設定される場合(後述する品質予測方法2の場合)には、学習誤差評価部260は、収束したと判定した場合には、現在設定されている指数平滑係数について得られた分割パターンを表現するための情報である活性度関数の係数を抽出し、分割指数平滑モデル決定部270へ出力する。一方、収束が不十分であると判定した場合には、学習誤差評価部260は、分割パターン候補作成部220に対して、最小誤差分割パターン選択部240において選択された分割パターンをさらに分割して新たな分割パターン候補を作成する指示を行う。
Alternatively, when the exponential smoothing coefficient is set before creating the division pattern candidate (in the case of
分割指数平滑モデル決定部270は、後述する品質予測方法2を用いる場合に、指数平滑係数に対して得られた分割パターンから最も分割数の少ない指数平滑係数のモデルを選択し、決定する。分割指数平滑モデル決定部270は、決定した分割パターンを表現するための情報である活性度関数の係数を抽出して、品質予測値出力部280へ出力する。
The division exponent smoothing
品質予測値出力部280は、学習誤差評価部260または分割指数平滑モデル決定部270から入力された分割パターンの情報と、別途、逐次入力される操業データと予測時点で判明している最新の品質データとに基づいて、操業データと品質データとの関係式より品質予測値を算出する。そして、品質予測値出力部280は、品質予測値を、オペレータへのガイダンスや、プロセス制御系への入力信号として用いるために外部に出力する。
The quality prediction
データベース290は、製造プロセスにおける過去の操業データ及び品質データと、製品の種類を示すコード情報や、各製造工程での製造時刻、向け先などの注文情報、製品を特定するための製品番号などとを関連付けて記憶する記憶部である。これらの情報は、外部から所定のタイミングでデータベース290に入力され、記録される。データベース190に記憶された情報は、段落0080に記載したように、データベース抽出部210により抽出され、品質予測に用いられる。
The
[品質予測装置による品質予測処理]
次に、本実施形態にかかる品質予測装置200による品質予測処理について詳細に説明する。本実施形態による品質予測装置200では、図2に示した第1の実施形態における品質予測方法および図6に示した第2の実施形態における品質予測方法と同様に品質予測処理を行うことができる。以下、各場合の処理について説明する。なお、上記実施形態と同様の処理を行う部分については詳細な説明を省略する。
[Quality prediction processing by the quality prediction device]
Next, the quality prediction process by the
(品質予測方法1)
まず、図2に示す品質予測方法を用いた場合の処理について説明する。本実施形態にかかる品質予測装置200による品質予測処理では、まず、データ抽出部210によりデータベース290から品質予測を行う対象に関する操業データおよび品質データを抽出する(ステップS100)。データ抽出部210は、第1の実施形態と同様に、データベース290より所定の選択条件に該当する複数の操業データ及び品質データを抽出する。データ抽出部210は、抽出した操業データおよび品質データを分割パターン候補作成部220へ出力する。
(Quality prediction method 1)
First, processing when the quality prediction method shown in FIG. 2 is used will be described. In the quality prediction process performed by the
次いで、分割パターン候補作成部220は、操業データの操業変数が値としてとる領域およびコード変数が値としてとる領域を全体領域として、全体領域を複数の局所領域に分割して分割パターン候補を作成する(ステップS102)。本実施形態では、操業変数とコード変数とが混在する全体領域から分割パターン候補を作成するため、操業変数空間のみに基づいて分割する数値分割作成部222と、コード変数のみに基づいて分割するコード分割作成部224とを用いて、操業変数とコード変数とについて別々に分割パターン候補を作成する。そして、両者で作成された分割パターン候補を合わせて、全体領域の分割パターン候補とする。
Next, the division pattern
数値分割作成部222による操業変数空間の分割処理は、第1の実施形態で説明した分割パターン候補作成部220による処理と同様に行うことができる。すなわち、図8に示すように、数値分割作成部222は、最も誤差の大きい局所領域を順に分割する処理を行い、現在の分割パターンから新たな複数の分割パターン候補を生成する。ただし、局所領域の誤差を算出するための活性度関数による重み付き誤差評価関数は、上記数式(4)の代わりに、下記数式(9)により算出される。数式(9)は、活性度関数が操業変数およびコード変数の関数であることを明記したものである。
The operation variable space division processing by the numerical value division creation unit 222 can be performed in the same manner as the processing by the division pattern
一方、コード分割作成部224は、コード変数を2つのグループに分割することによりコード変数の分割パターン候補を作成する。ここで、コード変数の取り得る値は一般的に数百にも及ぶことから、これらを2つのグループに分割する組合せを全て評価するのは、計算時間の観点から現実的ではない。したがって、本実施形態では、例えば数理最適化の分野で提案された探索法を応用して、膨大な組合せの中から、分割の初期組合せを仮定し、次いで精度の高い関係式となるよう組合せを修正しながら探索することで、最適なグループへの分割を算出する方法を用いる。具体的には、探索法の一種であるローカルサーチ法を用いてコード分割を算出することができる。
On the other hand, the code
ここで、図9および図10に基づいて、ローカルサーチ法によるコード変数の分割方法について説明する。まず、コード分割作成部224は、乱数を発生させてコード変数を初期分割し、操業データと品質データとの関係を表す関係式(以下、「品質予測モデル」ともいう。)を作成する(ステップS1021)。例えば、コード変数vがとり得る値の全ての種類Dに対して、1〜Dの番号を付与する。そして、0から1の間の乱数を発生する乱数発生器をi=1〜D回実行し、i回目の乱数の値が閾値(例えば0.5)を超えるか否かでi番のコード値のデータがグループV、若しくはVに属するコード変数の値以外のコード変数の値からなるグループV~のいずれに属するかを算出する。例えば、図7に示すように、コード変数vの取り得る値が8つあったとき、これらのデータは、2つのグループV、V~のいずれかに属するように分割される。
Here, a code variable dividing method by the local search method will be described with reference to FIGS. First, the code
次いで、コード分割作成部224は、2つのグループに分けられたデータに対して、活性度関数算出部230から最小誤差分割パターン選択部240における処理と同一の手順にて品質予測モデルを作成し、予測誤差を計算する(ステップS1022)。ステップ1021、S1022は、コード変数の分割処理における初期処理として行われる。
Next, the code
上記初期分割後の品質予測モデルについて予測誤差を算出すると、コード分割作成部224は、1〜Dの値を発生し得る乱数発生器を一回実行し、得られた乱数値DRに対応したコード値のデータを現在とは異なるグループに入れ替える(ステップS1023)。例えば、図10に示す例において、乱数発生器により得られた乱数値DRに対応するコード値のデータが「2」であったとする。当該データは現在グループV~に属するが、ステップS1023の処理により、現在属するグループとは異なるグループVへ移動される。このように、コード分割作成部224は、データを入れ替えて、品質予測モデルを再作成する。
When the prediction error is calculated for the quality prediction model after the initial division, the code
その後、コード分割作成部224は、入れ替えたデータにより品質予測モデルを作成し、予測誤差を計算する(ステップS1024)。ステップS1024の処理は、上記ステップS1022の処理と同様に行うことができる。
Thereafter, the code
次いで、コード分割作成部224は、入れ替える前の予測誤差と入れ替えた後の予測誤差を比較して、精度評価を行う(ステップS1025)。そして、コード分割作成部224は、入れ替え後の予測誤差が入れ替え前の予測誤差よりも小さければステップS1023で行った入れ替えを確定し、ステップS1027の処理へ進む。一方、入れ替え後の予測誤差が入れ替え前の予測誤差以上である場合は、2つのグループを入れ替え前の状態に戻す(ステップS1026)。その後、ステップS1023に戻って処理を反復する。
Next, the code
ステップS1025において、ステップS1023でのグループの入れ替えを確定すると、コード分割作成部224は、反復停止条件を満たしているか否かを判定する(ステップS1027)。反復停止条件としては、例えば、反復回数の上限値に達した場合や、予測誤差の改善が見られない入れ替えの実施回数の上限値に達した場合等の条件を設定することができる。コード分割作成部224は、反復停止条件に合致した場合は、反復処理を停止し、コード変数の分割処理を終了する。すなわち、この時点で確定されている2つのグループがコード変数の分割パターン候補となる。一方、反復停止条件に合致しないと判定された場合は、ステップS1023に戻って処理を反復する。
In step S1025, after confirming the group replacement in step S1023, the code
以上、コード変数の分割処理について説明した。なお、コード変数が複数個(p個)ある場合には、それぞれのコード変数j=1〜pに対して上記処理を行い、q種類のコード変数に対する分割パターン候補をそれぞれ作成すればよい。 The code variable division processing has been described above. When there are a plurality (p) of code variables, the above processing is performed for each code variable j = 1 to p, and division pattern candidates for q types of code variables may be created.
なお、分割パターン候補作成部220による分割パターン候補の作成方法としては、上記の方法に限定されるものではなく、操業変数とコード変数からなる分割パターン候補を、例えば遺伝的アルゴリズムなどの最適化手法を用いて一括で生成する方法も、本発明の範疇である。具体的には、分割パターン候補において分割点となる操業変数およびコード変数の値を配列に格納したものを複数個作成し、配列同士の一部を入れ替える交叉処理や、配列の一部の値を変更する突然変異処理を行い、活性度関数算出部230から最小誤差分割パターン選択部240における処理と同一の手順にて品質予測モデルを作成し、予測誤差を計算する。そして、上記の方法と同様に、予測誤差の大きさを評価して、分割パターン候補を決定することができる。
The method of creating the division pattern candidate by the division pattern
本実施形態における図2の品質予測方法の説明に戻り、ステップS102にて分割パターン候補が作成されると、すべての分割パターン候補に対して活性度関数が算出される(ステップS104)。具体的な活性度関数としては、例えば、数式(10)に示すp次元の正規分布関数と、コード分割情報より算出した数式(11)で表される二値関数とを、数式(12)に代入して得られるメンバシップ関数を活性度関数とすることができる。 Returning to the description of the quality prediction method of FIG. 2 in the present embodiment, when division pattern candidates are created in step S102, activity functions are calculated for all division pattern candidates (step S104). As specific activity functions, for example, a p-dimensional normal distribution function shown in Expression (10) and a binary function expressed by Expression (11) calculated from the code division information are expressed in Expression (12). The membership function obtained by substitution can be used as the activity function.
・・・数式(11)
・・・数式(12)
(i=1,・・・,M)、(k=1,・・・,M)
... Formula (11)
... Formula (12)
(I = 1,..., M), (k = 1,..., M)
ここで、ci jは局所領域の重心点、σi jは正規分布関数の標準偏差、vはコード変数、Vはコード分割作成手段で得られたグループVに属するコード変数の値の集合である。数式(12)に示すように、本実施形態にかかる活性度関数は、操業変数及びコード変数の関数であることがわかる。このメンバシップ関数は、任意の操業データに対して、該操業データのコード変数値が集合Vに属していない場合は0値となり、属している場合は操業変数の値に応じた0〜1の範囲の値を有するものである。 Here, c i j is the barycentric point of the local region, σ i j is the standard deviation of the normal distribution function, v is the code variable, V is a set of values of the code variables belonging to the group V obtained by the code division creation means. is there. As shown in Equation (12), it can be seen that the activity function according to the present embodiment is a function of an operation variable and a code variable. This membership function is 0 for any operation data if the code variable value of the operation data does not belong to the set V, and 0 to 1 depending on the value of the operation variable if it belongs. It has a range of values.
その後、最小誤差分割パターン選択部240により、分割パターン候補から最も予測誤差の小さい分割パターンが選択される(ステップS106)。最小誤差分割パターン選択部240は、まず、分割パターン候補作成部220により作成された複数の分割パターン候補から分割パターン候補を1つ取り出し、その分割パターンの分割座標情報およびコード情報を用いて、個々のデータをその操業データの値に基づいてM個のグループに分割する。次いで、最小誤差分割パターン選択部240は、分割されたM個の各グループに対して、各局所領域の予測値を、上記数式(7)で表わされる指数平滑関数により算出する。数式(7)の指数平滑係数は、段落0034に記載の指数平滑係数の算出方法を用いて指数平滑係数算出部150により算出される。
Thereafter, the minimum error division
そして、最小誤差分割パターン選択部240は、数式(7)により算出した各局所領域の予測値を用いて、操業データと品質データとの関係式である数式(2)により全体の予測値を算出する。その後、最小誤差分割パターン選択部240は、上記数式(8)に示す誤差評価式により予測誤差を算出する。かかる数式(8)で示す予測誤差の算出は、すべての分割パターンに対して行われる。そして、最小誤差分割パターン選択部140は、各分割パターンに対して算出された予測誤差を比較して、誤差が最も小さい分割パターンの関係式を選択する。本ステップの処理は、第1の実施形態とほぼ同様に行うことができる。
Then, the minimum error division
次いで、学習誤差評価部260は、最小誤差分割パターン選択部240で選択された誤差最小の関係式の誤差と、予め設定された評価基準値とを比較して、学習が十分であるか、すなわち誤差が収束したか否かを判定する(ステップS108)。本ステップの処理も、第1の実施形態と同様に行うことができる。該誤差が評価基準値より大きい場合には、学習誤差評価部260は、誤差の収束は不十分であると判定し、分割パターン候補作成部220に対して、分割パターンの分割数Mを1つ増やして、ステップS102の処理を行うように指示する(ステップS110)。そして、ステップS108にて十分な精度でデータを説明できる関係式が構築されたと判定されるまで、ステップS102〜S110の処理を繰り返す。
Next, the learning
一方、ステップS108にて、誤差が評価基準値以下であれば、学習誤差評価部260は、十分な精度でデータを説明できる関係式が構築されたと判定し、分割指数平滑モデル270により当該関係式が決定される。その後、第1の実施形態と同様に、分割指数平滑モデル270は、得られた関係式を表現するための情報である活性度関数の係数を抽出して、品質予測値出力部280へ出力し、品質予測値出力部280は、入力された関係式の情報と、逐次入力される操業データと、予測時点で判明している最新の品質情報とを用いて、数式(2)より品質予測値を算出し、外部へ出力する(ステップS112)。
On the other hand, if the error is equal to or smaller than the evaluation reference value in step S108, the learning
(品質予測方法2)
次に、図6に示す品質予測方法を用いた場合の処理について説明する。本実施形態にかかる品質予測装置200による品質予測処理では、まず、データ抽出部210によりデータベース290から品質予測を行う対象に関する操業データおよび品質データを抽出する(ステップS200)。データ抽出部210は、第2の実施形態と同様に、データベース290より、所定の選択条件に該当する複数の操業データ及び品質データを抽出する。データ抽出部210は、抽出した操業データおよび品質データを分割パターン候補作成部220へ出力する。
(Quality prediction method 2)
Next, processing when the quality prediction method shown in FIG. 6 is used will be described. In the quality prediction process performed by the
次いで、指数平滑係数算出部250により、指数平滑係数が設定される(ステップS202)。指数平滑係数算出部250は、第2の実施形態と同様に、例えば、0〜1の範囲の値を取り得る指数平滑係数に対し、例えば、0.1、0.2、・・・、0.9のように複数種類の値を設定する。そして、指数平滑係数算出部250は、設定した複数の値から1つを抽出し、分割パターン候補作成部220へ出力する。
Next, an exponential smoothing coefficient is set by the exponential smoothing coefficient calculation unit 250 (step S202). As in the second embodiment, the exponential smoothing
指数平滑係数が設定されると、設定されたすべての値について、ステップS204〜S212の処理が繰り返し行われる。まず、分割パターン候補作成部220は、操業データの操業変数が値としてとる領域およびコード変数が値としてとる領域を全体領域として、全体領域を複数の局所領域に分割して分割パターン候補を作成する(ステップS204)。ステップS204の処理は、上述した本実施形態の品質予測方法1におけるステップS102の処理と同様に行うことができる。ステップS204にて分割パターン候補が作成されると、すべての分割パターン候補に対して活性度関数が算出される(ステップS206)。ステップS206の処理も、上述した本実施形態の品質予測方法1におけるステップS104の処理と同様に行うことができる。
When the exponential smoothing coefficient is set, the processes in steps S204 to S212 are repeated for all the set values. First, the division pattern
そして、最小誤差分割パターン選択部240により、分割パターン候補から最も予測誤差の小さい分割パターンが選択される(ステップS208)。最小誤差分割パターン選択部240は、ステップS202にて設定された指数平滑係数を各局所領域に適用して、指数平滑法による品質予測値を算出し、算出された品質予測値に基づく予測誤差を算出する。そして、最小誤差分割パターン選択部240は、算出した予測誤差のうち最も小さい予測誤差を有する分割パターンを選択する。最小誤差分割パターン選択部240は、分割パターン候補作成部220により作成された複数の分割パターン候補から分割パターン候補を1つ取り出し、その分割パターンの分割座標情報およびコード情報を用いて、個々のデータをその操業データの値に基づいてM個のグループに分割した後、第2の実施形態のステップS208の処理と同様の処理を行うことにより、分割パターン候補作成部220により作成された複数の分割パターン候補から、数式(8)で定義される誤差の最も小さい関係式の分割パターンを選択する。
Then, the smallest error division
次いで、学習誤差評価部260は、最小誤差分割パターン選択部240で選択された誤差最小の関係式の誤差と、予め設定された評価基準値とを比較して、学習が十分であるか、すなわち誤差が収束したか否かを判定する(ステップS210)。学習誤差評価部260は、誤差が評価基準値より大きい場合には、十分な精度でデータを説明できる関係式はまだ構築されておらず、誤差の収束は不十分であると判定する。この場合、学習誤差評価部260は、分割パターン候補作成部220に対して、分割パターンの分割数Mを1つ増やして、ステップS204の処理を行うように指示する(ステップS212)。そして、ステップS210にて十分な精度でデータを説明できる関係式が構築されたと判定されるまで、ステップS204〜S212の処理を繰り返す。
Next, the learning
一方、ステップS210にて、誤差が評価基準値以下であれば、学習誤差評価部260は、十分な精度でデータを説明できる関係式が構築されたと判定し、ステップS202で設定された指数平滑係数のすべてについて上記ステップS204〜S212の処理が行われたか否かを判定する(ステップS214)。ステップS214にて、すべての指数平滑係数について上記処理が完了していないと判定された場合には、指数平滑係数算出部250は、まだ処理が行われていない指数平滑係数を1つ抽出して、次の指数平滑係数を設定する(ステップS216)。その後、ステップS204〜S216の処理を繰り返す。
On the other hand, if the error is equal to or less than the evaluation reference value in step S210, the learning
ステップS214にて、すべての指数平滑係数について上記処理が完了したと判定された場合には、分割指数平滑モデル決定部270により、最も分割数の少ない最小分割数モデルを選択する(ステップS218)。その後、分割指数平滑モデル270は、得られた関係式を表現するための情報である活性度関数の係数を抽出して、品質予測値出力部280へ出力する。品質予測値出力部280は、入力された関係式の情報と、別途入力される操業データとを用いて、数式(2)より品質予測値を算出し、外部へ出力する(ステップS220)。なお、上述したステップS210〜S218の処理は、第2の実施形態と同様に行うことができる。
If it is determined in step S214 that the above processing has been completed for all exponential smoothing coefficients, the divisional exponential smoothing
以上、本発明の第3の実施形態にかかる品質予測装置200とこれによる品質予測方法について説明した。本実施形態によれば、品質予測に用いる操業データの数値情報である操業変数と文字コード情報であるコード変数とを全体領域として、当該全体領域から分割パターン候補を作成する。そして、第1または第2の実施形態と同様に、各分割パターンの活性度関数と、指数平滑法を用いて算出された各分割パターンの各局所領域の品質予測値とに基づいて、品質予測の誤差が最小となる分割パターンを選択する。これにより、ほとんどデータの存在しない局所領域の発生を防止することができ、上記実施形態の場合よりもさらに少ない分割数で、十分な精度でデータを説明できるモデルを自動的に探索して獲得することができる。また、必要以上に領域が細分化されないため、精度が劣化したときのメンテナンス負荷を低減することができる。
The
<4.ハードウェア構成図>
本発明の実施形態にかかる製造プロセスにおける品質予測装置100、200は、コンピュータにより実現可能である。図11に、本発明の実施形態にかかる品質予測装置として機能し得るコンピュータシステム400の構成例を示す。コンピュータシステム400は、CPU401と、ROM402と、RAM403と、キーボードコントローラ(KBC)405と、CRTコントローラ(CRTC)406と、ディスクコントローラ(DKC)407と、ネットワークインターフェースコントローラ(NIC)408とが、システムバス404を介して互いに通信可能に接続されている。
<4. Hardware configuration diagram>
The
CPU401は、ROM402或いはHD411に記憶されたソフトウェア、或いはFD412より供給されるソフトウェアを実行し、システムバス404に接続された各構成部を総括的に制御する。すなわち、CPU401は、所定の処理シーケンスに従った処理プログラムを、ROM402、或いはHD411、或いはFD412から読み出して実行し、本実施形態での品質予測装置100、200の機能を実現するための制御を行う。
The
RAM403は、CPU401の主メモリ或いはワークエリア等として機能する。KBC405は、KB409や図示しないポインティングデバイス等からの指示入力を制御する。CRTC406は、表示部であるCRT410の表示を制御する。DKC407は、ブートプログラム、種々のアプリケーション、編集ファイル、ユーザファイル、ネットワーク管理プログラム、及び本実施形態における所定の処理プログラム等を記憶するHD411及びFD412とのアクセスを制御する。NIC408は、LAN420上の装置或いはシステムと双方向にデータをやりとりするものである。
The
なお、コンピュータに対し、本発明の実施形態である品質予測装置の手段、及び品質予測装置の各工程の機能を実現するための処理を記載したソフトウェアのプログラムを供給して、コンピュータに格納された該プログラムに従って各種デバイスを動作させることによって実施するものも本発明の範疇に含まれる。 In addition, the program of the software which described the process for implement | achieving the function of the process of each step of the quality prediction apparatus which is embodiment of this invention and the quality prediction apparatus of this invention was supplied, and was stored in the computer What is implemented by operating various devices according to the program is also included in the scope of the present invention.
また、この場合、ソフトウェアのプログラム自体が本発明の実施形態の品質予測装置100、200の処理機能を実現することになり、そのプログラム自体が、本発明の範疇に含まれる。なお、該プログラムコードの伝送媒体として、プログラムを電気信号として伝播させて供給するコンピュータネットワークシステムなどの通信媒体を用いることもできる。
In this case, the software program itself realizes the processing functions of the
さらにプログラム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を格納した記憶媒体も本発明の範疇に含まれる。かかるプログラムコードを記憶する記憶媒体としては、例えばフレキシブルディスク、ハードディスク、光ディスク、光磁気ディスク、CD−ROM、CD−R、磁気テープ、不揮発性のメモリカード、ROM等を用いることができる。 Furthermore, means for supplying the program to the computer, for example, a storage medium storing the program is also included in the scope of the present invention. As a storage medium for storing the program code, for example, a flexible disk, a hard disk, an optical disk, a magneto-optical disk, a CD-ROM, a CD-R, a magnetic tape, a nonvolatile memory card, a ROM, or the like can be used.
以下に、鉄鋼製品である薄鋼板の熱間圧延プロセスを対象として、捲取における鋼板温度を品質とし、操業変数には、被圧延材が精錬工程を終了した時点での溶鋼内のC量、Si量、Mn量、P量、S量、Cu量、Ni量、Cr量、Mo量、Nb量、V量、Ti量、B量、Al量、N量、O量、Ca量、被圧延材の目標板幅、目標板厚、等価炭素量、仕上げ圧延出側目標温度、捲き取り目標温度、圧延速度、冷却水水量密度、冷却水温、及びコード変数として材質コードを用いて品質予測を行った実施例について説明する。 Below, for the hot rolling process of a thin steel sheet that is a steel product, the steel sheet temperature in the scraping is regarded as quality, and the operation variable includes the amount of C in the molten steel at the time when the material to be rolled has finished the refining process, Si, Mn, P, S, Cu, Ni, Cr, Mo, Nb, V, Ti, B, Al, N, O, Ca, rolled Quality prediction using material code as target plate width, target plate thickness, equivalent carbon content, finish rolling target temperature, scraping target temperature, rolling speed, cooling water volume density, cooling water temperature, and code variables Examples will be described.
図12は、薄鋼板の熱間圧延プロセスの概略を示す図である。スラブと呼ばれる被圧延材10の母材は、加熱炉から抽出された後に、粗圧延機510にて厚み40〜50mmのバー状に圧延される。粗圧延機510の出側には、粗出側板幅計540が設置されており、粗出側板幅計540によりこの時点での被圧延材10の板幅が測定される。次いで被圧延材10は、バックアップロール522によりサポートされた複数のワークロール521を直列に配置して構成された仕上げ圧延機520にて連続的に圧延され、その後捲取機530にてコイル状に巻き取られる。
FIG. 12 is a diagram showing an outline of a hot rolling process of a thin steel plate. A base material of the material 10 to be rolled, called a slab, is extracted from a heating furnace and then rolled into a bar shape having a thickness of 40 to 50 mm by a
捲取機530の直前には、放射温度計による非接触式の捲取温度計560が設置されており、捲取温度計560により薄鋼板の機械特性値などの材質特性に影響を及ぼす重要な管理指標である捲取時の鋼板温度が測温されている。鋼板温度を所定の範囲に制御するため、仕上げ圧延機520出側から捲取機530に至るまでのランナウトテーブル550上には、鋼板に水を散布する冷却設備が具備されている。
Immediately before the scoring
熱間圧延プロセスにおいては、鋼板の成分やサイズ、仕上げ圧延機520出側や捲き取り直前など各段階での目標温度を入力として、鋼板捲き取り温度を推定する予測モデルを作成している。さらに、仕上げ圧延機520入側に設置された温度計で測定された実績温度に従い、この予測モデルを用いて捲取温度が所定の範囲となる冷却水量密度を算出し、水量密度の設定値を変更する操業が行われる。
In the hot rolling process, a prediction model for estimating the steel plate scraping temperature is created by inputting the target temperature at each stage such as the steel plate component and size, the exit side of the
従来は、ランナウトテーブル550上で鋼板に水を散布した場合の冷却現象を、伝熱方程式に基づく物理モデルで推定し、さらにこの物理モデルによる計算結果を補正するための補正係数を指数平滑法によって求める処理を行っていた。このとき、補正精度を改善するための分割メッシュ数が4000分割に及ぶため、ほとんどデータが入力されないメッシュ(局所領域)があり、このようなメッシュでは品質予測値の精度が悪いという問題があった。 Conventionally, the cooling phenomenon when water is sprayed on the steel plate on the run-out table 550 is estimated by a physical model based on the heat transfer equation, and a correction coefficient for correcting the calculation result by this physical model is calculated by an exponential smoothing method. I was doing what I wanted. At this time, since the number of divided meshes for improving the correction accuracy reaches 4000 divisions, there is a mesh (local region) to which almost no data is input, and there is a problem that the accuracy of the quality prediction value is poor in such a mesh. .
そこで、本発明の実施形態による品質予測装置を適用して、物理モデルによる計算結果を補正するための補正係数を品質指標yとする品質予測装置を構成した。本発明の実施形態の品質予測装置を適用した場合に十分な精度でデータを説明できる関係式が構築されるために必要な分割数を求めた。ここでは、約4.1万コイル分のデータを用い、従来法の誤差の標準偏差σ=151.5を誤差の判定変数として、これよりも精度が良好となったときの分割数を、十分な精度でデータを説明できる関係式が構築されるために必要な分割数とした。なお、補正係数は値を1000倍して記載しているため、値1000は、補正係数1を意味し、予測モデルの値に補正を掛けていない状態である。評価指標としては、実績温度との比較で得られた正確な補正係数の値と、予測で得られた補正係数の差で、予測誤差を定義し、この標準偏差を指標としている。
Therefore, the quality prediction apparatus according to the embodiment of the present invention is applied to configure a quality prediction apparatus that uses the correction coefficient for correcting the calculation result by the physical model as the quality index y. When the quality prediction apparatus according to the embodiment of the present invention is applied, the number of divisions necessary for constructing a relational expression that can explain data with sufficient accuracy was obtained. Here, the data for about 41,000 coils is used, and the standard deviation σ = 151.5 of the error of the conventional method is used as an error determination variable, and the number of divisions when the accuracy becomes better than this is sufficient. The number of divisions required to construct a relational expression that can explain the data with high accuracy was used. Since the correction coefficient is described by multiplying the value by 1000, the
図13に、本発明の第3の実施形態にかかる品質予測装置200、すなわち、操業変数およびコード変数を用いて分割パターンを作成した場合の、分割数と予測誤差との関係を示すグラフを示す。図13より、全体領域の分割数が増加するにつれて急激に予測誤差が収束する挙動が見て取れる。そして、全体領域を50分割したときには、誤差の標準偏差はσ=149.0となり、従来の誤差相当値(σ=151.5)よりも精度がよい状態となった。なお、同様に、本発明の第1または第2の実施形態にかかる品質予測装置100、すなわち、操業変数のみを用いて分割パターンを作成した場合には、全体領域の分割数が100分割のときに誤差の標準偏差はσ=150.8となり、従来の誤差相当値よりも精度がよい状態となった。
FIG. 13 shows a graph showing the relationship between the number of divisions and the prediction error when the
このように、本発明の実施形態にかかる品質予測装置を適用することにより、コード変数を用いずに分割パターンを作成した場合は100分割、コード変数を用いて分割パターンを作成した場合は50分割と、従来法の4000分割に対し、各段に少ない分割数で同程度の精度を有するモデルを得ることができた。 As described above, by applying the quality prediction apparatus according to the embodiment of the present invention, when the division pattern is generated without using the code variable, 100 divisions are performed, and when the division pattern is generated using the code variable, 50 divisions are performed. In contrast to the 4000 division of the conventional method, a model having the same degree of accuracy could be obtained with a small number of divisions in each stage.
また、図14〜図16に、予測結果の誤差のヒストグラムを示す。図14は従来法を適用した場合、図15は本発明の実施形態にかかる品質予測装置を適用した場合であって、コード変数を用いずに分割パターンを作成した場合、図16は本発明の実施形態にかかる品質予測装置を適用した場合であって、コード変数を用いて分割パターンを作成した場合である。 Moreover, the histogram of the error of a prediction result is shown in FIGS. 14 shows a case where the conventional method is applied, and FIG. 15 shows a case where the quality prediction apparatus according to the embodiment of the present invention is applied. In the case where a division pattern is created without using a code variable, FIG. This is a case where the quality prediction apparatus according to the embodiment is applied and a division pattern is created using a code variable.
図14に示す従来法の誤差σ=151.5に対し、本発明の実施形態の手法を用いることにより、図15に示す100分割モデルの誤差がσ=150.8、図16に示すコード変数も用いた50分割モデルでσ=149.0と改善する良好な結果が得られることがわかった。このように、本発明の実施形態の品質予測装置を適用することにより、分割数を削減しつつ、精度が改善する効果が得られた。この結果、捲き取り温度の予測誤差の標準偏差が改善する効果が得られ、このモデルを継続して運用した結果、捲き取り温度不合の発生率が低減し、更に機械特性値のバラツキ低減による品質改善、歩留まり向上などの効果を得ることができた。 By using the method of the embodiment of the present invention in contrast to the error σ = 151.5 of the conventional method shown in FIG. 14, the error of the 100-division model shown in FIG. 15 is σ = 150.8, and the code variable shown in FIG. It was found that a good result of improvement with σ = 149.0 was obtained with the 50-division model used. Thus, by applying the quality prediction apparatus according to the embodiment of the present invention, an effect of improving accuracy while reducing the number of divisions was obtained. As a result, the standard deviation of the scraping temperature prediction error is improved, and as a result of continuous operation of this model, the occurrence rate of scraping temperature mismatch is reduced, and the quality due to the reduction in variation in mechanical characteristic values is further reduced. Effects such as improvement and yield improvement could be obtained.
以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。 The preferred embodiments of the present invention have been described in detail above with reference to the accompanying drawings, but the present invention is not limited to such examples. It is obvious that a person having ordinary knowledge in the technical field to which the present invention pertains can come up with various changes or modifications within the scope of the technical idea described in the claims. Of course, it is understood that these also belong to the technical scope of the present invention.
例えば、上記実施形態では、いずれもコンピュータ上のプログラムとして品質予測装置を実現したが、本発明はかかる例に限定されない。例えば、演算装置、メモリ等を組み合わせたハードウェアによって構成されるものであっても良い。また、本発明の操業と品質の関連解析装置は、複数の機器から構成されるものであっても、一つの機器から構成されるものであっても良い。 For example, in the above embodiments, the quality prediction apparatus is realized as a program on a computer, but the present invention is not limited to such an example. For example, it may be configured by hardware combining an arithmetic device, a memory, and the like. Further, the operation / quality relation analysis apparatus of the present invention may be composed of a plurality of devices or a single device.
また、上記実施形態では、分割パターン候補生成部による局所領域の分割は2分割するものであったが、本発明はかかる例に限定されず、例えば局所領域を3分割するものであってもよい。 Moreover, in the said embodiment, although the division | segmentation of the local area | region by a division | segmentation pattern candidate production | generation part divided | segmented into 2 parts, this invention is not limited to this example, For example, a local area | region may be divided into 3 parts. .
100、200 品質予測装置
110、210 データ抽出部
120、220 分割パターン候補作成部
130、230 活性度関数算出部
140、240 最小誤差分割パターン選択部
150、250 指数平滑係数算出部
160、260 学習誤差評価部
170、270 分割指数平滑モデル決定部
180、280 品質予測値出力部
190、290 データベース
222 数値分割作成部
224 コード分割作成部
100, 200
Claims (13)
複数の製品に関する操業データおよび品質データを記憶するデータベースから、所定の選択条件に該当する操業データおよび品質データを抽出するデータ抽出部と、
抽出された前記操業データについて、前記操業データに含まれる変数が値としてとる領域を全体領域として、当該全体領域を複数の局所領域に分割する分割パターン候補を複数個作成する分割パターン候補作成部と、
前記各分割パターン候補について、前記各局所領域での品質予測値が全体領域内の予測値に寄与する割合である寄与率を表す活性度関数を算出する活性度関数算出部と、
前記各分割パターン候補について、前記各局所領域に対する、過去の品質データと過去の品質予測値とから現在の品質予測値を計算するための指数平滑法に基づき設定された指数平滑関数と、前記活性度関数とに基づいて、全体領域における品質予測値を算出する関係式を導出し、該関係式と過去の品質データと過去の品質予測値とに基づいて全体領域における品質予測値を算出し、当該全体領域における品質予測値と前記品質データとの差である予測誤差が最小となる分割パターンを選択する最小誤差分割パターン選択部と、
前記最小誤差分割パターン選択部により選択された分割パターンの品質予測値と、予め設定された評価基準値との比較結果に基づいて、前記予測誤差の収束が十分であるか否かを判定する学習誤差評価部と、
前記学習誤差評価部にて収束が十分であると判定された前記分割パターンの関係式を用いて、品質予測値を出力する品質予測値出力部と、
前記指数平滑関数において、現在の品質予測値に対する過去の品質予測の影響の強さを決定する指数平滑係数を算出する指数平滑係数算出部と、
を備えることを特徴とする、品質予測装置。 A quality prediction device in a manufacturing process,
A data extraction unit for extracting operation data and quality data corresponding to a predetermined selection condition from a database storing operation data and quality data related to a plurality of products;
With respect to the extracted operation data, a division pattern candidate creation unit that creates a plurality of division pattern candidates that divide the whole region into a plurality of local regions, with the region that the variable included in the operation data takes a value as a whole region, ,
For each of the divided pattern candidates, an activity function calculation unit that calculates an activity function that represents a contribution rate that is a ratio of a quality predicted value in each local region to a predicted value in the entire region;
For each divided pattern candidate, an exponential smoothing function set based on an exponential smoothing method for calculating a current quality predicted value from past quality data and a past quality predicted value for each local region, and the activity Based on the degree function, a relational expression for calculating a quality prediction value in the entire area is derived, and a quality prediction value in the entire area is calculated based on the relational expression, past quality data, and a past quality prediction value, A minimum error division pattern selection unit that selects a division pattern that minimizes a prediction error that is a difference between the quality prediction value in the entire region and the quality data;
Learning to determine whether the prediction error is sufficiently converged based on a comparison result between a quality prediction value of the division pattern selected by the minimum error division pattern selection unit and a preset evaluation reference value An error evaluation unit;
A quality prediction value output unit that outputs a quality prediction value using the relational expression of the divided pattern that is determined to have sufficient convergence by the learning error evaluation unit;
In the exponential smoothing function, an exponential smoothing coefficient calculating unit that calculates an exponential smoothing coefficient that determines the strength of the influence of the past quality prediction on the current quality prediction value;
A quality prediction apparatus comprising:
前記指数平滑係数算出部は、複数の指数平滑係数を設定し、
前記各指数平滑係数について、前記分割パターン候補作成部により分割パターン候補を作成して、前記活性度関数算出部、前記最小誤差分割パターン選択部および前記学習誤差評価部により、前記予測誤差の収束が十分である前記分割パターンをそれぞれ決定し、
前記分割指数平滑モデル決定部は、前記各指数平滑係数についてそれぞれ決定された前記分割パターンのうち、分割数が最も少ない前記分割パターンを選択することを特徴とする、請求項1に記載の品質予測装置。 A division index smoothing model determination unit that selects one of the plurality of division patterns determined by the learning error evaluation unit to determine that the convergence of the prediction error is sufficient;
The exponential smoothing coefficient calculating unit sets a plurality of exponential smoothing coefficients,
For each exponential smoothing coefficient, a division pattern candidate is created by the division pattern candidate creation unit, and the prediction error is converged by the activity function calculation unit, the minimum error division pattern selection unit, and the learning error evaluation unit. Determining each said division pattern that is sufficient,
The quality prediction according to claim 1, wherein the division exponent smoothing model determination unit selects the division pattern having the smallest number of divisions among the division patterns determined for each exponential smoothing coefficient. apparatus.
操業変数からなる操業変数空間を分割する数値分割作成部と、
コード変数からなるグループを分割するコード分割作成部と、
を備え、
前記数値分割作成部により作成された分割パターン候補および前記コード分割作成部により作成された分割パターン候補を、全体領域の分割パターン候補とすることを特徴とする、請求項1〜3のいずれか1項に記載の品質予測装置。 The division pattern candidate creation unit
A numerical value division creating unit for dividing an operation variable space composed of operation variables;
A code division creation unit for dividing a group of code variables;
With
The division pattern candidate created by the numerical value division creation unit and the division pattern candidate created by the code division creation unit are set as division pattern candidates for the entire region. The quality prediction apparatus according to item.
前記品質データは、製品の表面疵、機械強度特性値、形状の平坦度、製品サイズ、内部応力、又はこれら品質に影響を及ぼすプロセス値であることを特徴とする、請求項1〜7のいずれか1項に記載の品質予測装置。 The manufacturing process is a steel process,
The quality data is a surface wrinkle of a product, a mechanical strength characteristic value, a flatness of a shape, a product size, an internal stress, or a process value that affects the quality, according to any one of claims 1 to 7. The quality prediction apparatus according to claim 1.
前記品質予測装置による予測対象となる品質を、熱延ランアウトテーブル出側での捲き取り温度としたとき、
前記製造プロセスの操業変数は、被圧延材が精錬工程を終了した時点での溶鋼内のC量、Si量、Mn量、P量、S量、Cu量、Ni量、Cr量、Mo量、Nb量、V量、Ti量、B量、Al量、N量、O量、Ca量、被圧延材の目標板幅、目標板厚、等価炭素量、仕上げ圧延出側目標温度、捲き取り目標温度、圧延速度、冷却水水量密度、冷却水温、及び材質コードから少なくとも一つ以上選択することを特徴とする、請求項8に記載の品質予測装置。 The manufacturing process is a hot rolling process of a thin steel plate that is a steel product,
When the quality to be predicted by the quality prediction device is the scraping temperature at the hot-run runout table outlet side,
The operation variables of the manufacturing process are as follows: C amount in molten steel, Si amount, Mn amount, P amount, S amount, Cu amount, Ni amount, Cr amount, Mo amount in the molten steel when the material to be rolled has finished the refining process, Nb amount, V amount, Ti amount, B amount, Al amount, N amount, O amount, Ca amount, target plate width of rolled material, target plate thickness, equivalent carbon amount, finish rolling target temperature, scraping target The quality prediction apparatus according to claim 8, wherein at least one is selected from a temperature, a rolling speed, a cooling water amount density, a cooling water temperature, and a material code.
複数の製品に関する操業データおよび品質データを記憶するデータベースから、所定の選択条件に該当する操業データおよび品質データを抽出するステップと、
抽出された前記操業データについて、前記操業データに含まれる変数が値としてとる領域を全体領域として、当該全体領域を複数の局所領域に分割して分割パターン候補を複数個作成するステップと、
前記各分割パターン候補について、前記各局所領域での品質予測値が全体領域内の予測値に寄与する割合である寄与率を表す活性度関数を算出するステップと、
前記各分割パターン候補について、品質予測値の時系列データから前記各局所領域に対する現在の品質予測値を算出するための指数平滑関数における、現在の品質予測値に対する過去の品質予測の影響の強さを決定する指数平滑係数を、前記各局所領域に対応する前記品質データに基づいて算出するステップと、
前記各分割パターン候補について、前記各局所領域に対する、前記指数平滑係数が設定された指数平滑関数と、前記活性度関数とに基づいて、全体領域における品質予測値を算出する関係式を導出し、該関係式と過去の品質データと過去の品質予測値とに基づいて全体領域における品質予測値を算出し、当該全体領域における品質予測値と前記品質データとの差である予測誤差が最小となる分割パターンを選択するステップと、
前記選択された分割パターンの品質予測値と、予め設定された評価基準値との比較結果に基づいて、前記予測誤差の収束が十分であるか否かを判定するステップと、
前記予測誤差の収束が十分であるか否かを判定するステップにより収束が十分であると判定された前記分割パターンの関係式を用いて、品質予測値を出力するステップと、
を含むことを特徴とする、品質予測方法。 A quality prediction method in a manufacturing process,
Extracting operation data and quality data corresponding to a predetermined selection condition from a database storing operation data and quality data for a plurality of products;
With respect to the extracted operation data, a region where a variable included in the operation data takes a value as a whole region, dividing the whole region into a plurality of local regions, creating a plurality of division pattern candidates,
For each of the divided pattern candidates, calculating an activity function representing a contribution rate that is a ratio of a quality predicted value in each local region to a predicted value in the entire region;
For each division pattern candidate, the strength of the influence of the past quality prediction on the current quality prediction value in the exponential smoothing function for calculating the current quality prediction value for each local region from the time series data of the quality prediction value Calculating an exponential smoothing coefficient for determining the data based on the quality data corresponding to each local region;
For each divided pattern candidate, based on an exponential smoothing function in which the exponential smoothing coefficient is set for each local region and the activity function, a relational expression for calculating a quality prediction value in the entire region is derived, A quality prediction value in the entire area is calculated based on the relational expression, past quality data, and a past quality prediction value, and a prediction error that is a difference between the quality prediction value in the entire area and the quality data is minimized. Selecting a division pattern; and
Determining whether or not the convergence of the prediction error is sufficient based on a comparison result between a quality prediction value of the selected divided pattern and a preset evaluation reference value;
Using the relational expression of the divided pattern determined to have sufficient convergence by the step of determining whether or not the convergence of the prediction error is sufficient, and outputting a quality prediction value;
The quality prediction method characterized by including these.
複数の製品に関する操業データおよび品質データを記憶するデータベースから、所定の選択条件に該当する操業データおよび品質データを抽出するステップと、
品質予測値の時系列データから前記各局所領域に対する現在の品質予測値を算出するための指数平滑関数における、現在の品質予測値に対する過去の品質予測の影響の強さを決定する指数平滑係数を複数個設定するステップと、
抽出された前記操業データについて、前記操業データに含まれる変数が値としてとる領域を全体領域として、当該全体領域を複数の局所領域に分割して分割パターン候補を複数個作成するステップと、
前記各分割パターン候補について、前記各局所領域での品質予測値が全体領域内の予測値に寄与する割合である寄与率を表す活性度関数を算出するステップと、
前記各分割パターン候補について、前記各局所領域に対する、前記複数の指数平滑係数のうちの1つが設定された指数平滑関数と、前記活性度関数とに基づいて、全体領域における品質予測値を算出する関係式を導出し、該関係式と過去の品質データと過去の品質予測値とに基づいて全体領域における品質予測値を算出し、当該全体領域における品質予測値と前記品質データとの差である予測誤差が最小となる分割パターンを選択するステップと、
前記選択された分割パターンの品質予測値と、予め設定された評価基準値との比較結果に基づいて、前記予測誤差の収束が十分であるか否かを判定するステップと、
前記各指数平滑係数について、前記予測誤差の収束が十分であるか否かを判定するステップにより収束が十分であると判定された前記分割パターンから、分割数が最も少ない前記分割パターンを選択するステップと、
前記分割数が最も少ない分割パターンの関係式を用いて、品質予測値を出力するステップと、
を含むことを特徴とする、品質予測方法。 A quality prediction method in a manufacturing process,
Extracting operation data and quality data corresponding to a predetermined selection condition from a database storing operation data and quality data for a plurality of products;
An exponential smoothing coefficient that determines the strength of the influence of the past quality prediction on the current quality prediction value in the exponential smoothing function for calculating the current quality prediction value for each local region from the time series data of the quality prediction value A step of setting a plurality,
With respect to the extracted operation data, a region where a variable included in the operation data takes a value as a whole region, dividing the whole region into a plurality of local regions, creating a plurality of division pattern candidates,
For each of the divided pattern candidates, calculating an activity function representing a contribution rate that is a ratio of a quality predicted value in each local region to a predicted value in the entire region;
For each divided pattern candidate, a quality prediction value in the entire region is calculated based on an exponential smoothing function in which one of the plurality of exponential smoothing coefficients is set for each local region and the activity function. Deriving a relational expression, calculating a quality prediction value in the entire area based on the relational expression, past quality data, and past quality prediction value, and a difference between the quality prediction value in the whole area and the quality data Selecting a division pattern that minimizes the prediction error;
Determining whether or not the convergence of the prediction error is sufficient based on a comparison result between a quality prediction value of the selected divided pattern and a preset evaluation reference value;
For each exponential smoothing coefficient, a step of selecting the division pattern having the smallest number of divisions from the division patterns determined to have sufficient convergence by the step of determining whether or not the prediction error has sufficiently converged When,
Using a relational expression of the division pattern with the smallest number of divisions, and outputting a quality prediction value;
The quality prediction method characterized by including these.
複数の製品に関する操業データおよび品質データを記憶するデータベースから、所定の選択条件に該当する操業データおよび品質データを抽出するデータ抽出手段と、
抽出された前記操業データについて、前記操業データに含まれる変数が値としてとる領域を全体領域として、当該全体領域を複数の局所領域に分割する複数の分割パターン候補を複数個作成する分割パターン候補作成手段と、
前記各分割パターン候補について、前記各局所領域での品質予測値が全体領域内の予測値に寄与する割合である寄与率を表す活性度関数を算出する活性度関数算出手段と、
前記各分割パターン候補について、前記各局所領域に対する、過去の品質データと過去の品質予測値とから現在の品質予測値を計算するための指数平滑法に基づき設定された指数平滑関数と、前記活性度関数とに基づいて、全体領域における品質予測値を算出する関係式を導出し、該関係式と過去の品質データと過去の品質予測値とに基づいて全体領域における品質予測値を算出し、当該全体領域における品質予測値と前記品質データとの差である予測誤差が最小となる分割パターンを選択する最小誤差分割パターン選択手段と、
前記最小誤差分割パターン選択手段により選択された分割パターンの品質予測値と、予め設定された評価基準値との比較結果に基づいて、前記予測誤差の収束が十分であるか否かを判定する学習誤差評価手段と、
前記学習誤差評価手段にて収束が十分であると判定された前記分割パターンの関係式を用いて、品質予測値を出力する品質予測値出力手段と、
前記指数平滑関数において、現在の品質予測値に対する過去の品質予測の影響の強さを決定する指数平滑係数を算出する指数平滑係数算出手段と、
を備えることを特徴とする、品質予測装置として機能させるためのプログラム。 Computer
Data extraction means for extracting operation data and quality data corresponding to a predetermined selection condition from a database storing operation data and quality data related to a plurality of products;
With respect to the extracted operation data, a division pattern candidate creation that creates a plurality of division pattern candidates that divide the whole region into a plurality of local regions, with the region taken as a value included in the operation data as a whole region Means,
For each of the divided pattern candidates, an activity function calculating unit that calculates an activity function representing a contribution rate that is a ratio of a quality predicted value in each local region to a predicted value in the entire region;
For each divided pattern candidate, an exponential smoothing function set based on an exponential smoothing method for calculating a current quality predicted value from past quality data and a past quality predicted value for each local region, and the activity Based on the degree function, a relational expression for calculating a quality prediction value in the entire area is derived, and a quality prediction value in the entire area is calculated based on the relational expression, past quality data, and a past quality prediction value, Minimum error division pattern selection means for selecting a division pattern that minimizes a prediction error that is a difference between the quality prediction value in the entire region and the quality data;
Learning to determine whether or not the convergence of the prediction error is sufficient based on a comparison result between a quality prediction value of the division pattern selected by the minimum error division pattern selection unit and a preset evaluation reference value Error evaluation means;
Quality prediction value output means for outputting a quality prediction value using the relational expression of the divided pattern determined to have sufficient convergence by the learning error evaluation means;
In the exponential smoothing function, exponential smoothing coefficient calculating means for calculating an exponential smoothing coefficient that determines the strength of the influence of the past quality prediction on the current quality prediction value;
The program for functioning as a quality prediction apparatus characterized by comprising.
複数の製品に関する操業データおよび品質データを記憶するデータベースから、所定の選択条件に該当する操業データおよび品質データを抽出するデータ抽出手段と、
抽出された前記操業データについて、前記操業データに含まれる変数が値としてとる領域を全体領域として、当該全体領域を複数の局所領域に分割する分割パターン候補を複数個作成する分割パターン候補作成手段と、
前記各分割パターン候補について、前記各局所領域での品質予測値が全体領域内の予測値に寄与する割合である寄与率を表す活性度関数を算出する活性度関数算出手段と、
前記各分割パターン候補について、前記各局所領域に対する、過去の品質データと過去の品質予測値とから現在の品質予測値を計算するための指数平滑法に基づき設定された指数平滑関数と、前記活性度関数とに基づいて、全体領域における品質予測値を算出する関係式を導出し、該関係式と過去の品質データと過去の品質予測値とに基づいて全体領域における品質予測値を算出し、当該全体領域における品質予測値と前記品質データとの差である予測誤差が最小となる分割パターンを選択する最小誤差分割パターン選択手段と、
前記最小誤差分割パターン選択手段により選択された分割パターンの品質予測値と、予め設定された評価基準値との比較結果に基づいて、前記予測誤差の収束が十分であるか否かを判定する学習誤差評価手段と、
前記学習誤差評価手段にて収束が十分であると判定された前記分割パターンの関係式を用いて、品質予測値を出力する品質予測値出力手段と、
前記指数平滑関数において、現在の品質予測値に対する過去の品質予測の影響の強さを決定する指数平滑係数を算出する指数平滑係数算出手段と、
を備えることを特徴とする、品質予測装置として機能させるためのプログラムを記録したコンピュータ読み取り可能な記録媒体。
On the computer,
Data extraction means for extracting operation data and quality data corresponding to a predetermined selection condition from a database storing operation data and quality data related to a plurality of products;
With respect to the extracted operation data, a division pattern candidate creating unit that creates a plurality of division pattern candidates that divide the whole region into a plurality of local regions, with the region that the variable included in the operation data takes as a whole region. ,
For each of the divided pattern candidates, an activity function calculating unit that calculates an activity function representing a contribution rate that is a ratio of a quality predicted value in each local region to a predicted value in the entire region;
For each divided pattern candidate, an exponential smoothing function set based on an exponential smoothing method for calculating a current quality predicted value from past quality data and a past quality predicted value for each local region, and the activity Based on the degree function, a relational expression for calculating a quality prediction value in the entire area is derived, and a quality prediction value in the entire area is calculated based on the relational expression, past quality data, and a past quality prediction value, Minimum error division pattern selection means for selecting a division pattern that minimizes a prediction error that is a difference between the quality prediction value in the entire region and the quality data;
Learning to determine whether or not the convergence of the prediction error is sufficient based on a comparison result between a quality prediction value of the division pattern selected by the minimum error division pattern selection unit and a preset evaluation reference value Error evaluation means;
Quality prediction value output means for outputting a quality prediction value using the relational expression of the divided pattern determined to have sufficient convergence by the learning error evaluation means;
In the exponential smoothing function, exponential smoothing coefficient calculating means for calculating an exponential smoothing coefficient that determines the strength of the influence of the past quality prediction on the current quality prediction value;
The computer-readable recording medium which recorded the program for functioning as a quality prediction apparatus characterized by the above-mentioned.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009235981A JP5375507B2 (en) | 2009-10-13 | 2009-10-13 | Quality prediction apparatus, quality prediction method, program, and computer-readable recording medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009235981A JP5375507B2 (en) | 2009-10-13 | 2009-10-13 | Quality prediction apparatus, quality prediction method, program, and computer-readable recording medium |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2011085970A true JP2011085970A (en) | 2011-04-28 |
JP5375507B2 JP5375507B2 (en) | 2013-12-25 |
Family
ID=44078890
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2009235981A Expired - Fee Related JP5375507B2 (en) | 2009-10-13 | 2009-10-13 | Quality prediction apparatus, quality prediction method, program, and computer-readable recording medium |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5375507B2 (en) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104935446A (en) * | 2014-03-17 | 2015-09-23 | 华为技术有限公司 | Network quality assessment method and device based on credibility mining |
JP2017174390A (en) * | 2016-03-22 | 2017-09-28 | 新日鐵住金株式会社 | Prediction table design apparatus, method, and program |
JP2020082112A (en) * | 2018-11-20 | 2020-06-04 | 東芝三菱電機産業システム株式会社 | Material control support device of metal material |
CN111275072A (en) * | 2020-01-07 | 2020-06-12 | 浙江大学 | Mountain area soil thickness prediction method based on cluster sampling |
CN112785057A (en) * | 2021-01-21 | 2021-05-11 | 上海东普信息科技有限公司 | Component prediction method, device, equipment and storage medium based on exponential smoothing |
CN114548610A (en) * | 2022-04-27 | 2022-05-27 | 季华实验室 | Automatic arrangement method and device for engine cover outer plate stamping process |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003141215A (en) * | 2001-11-02 | 2003-05-16 | Nippon Steel Corp | Operation analyzing device, method, computer program and computer readable storage medium, in manufacturing process |
JP2009151383A (en) * | 2007-12-18 | 2009-07-09 | Nippon Steel Corp | Analyzer for analyzing relation between operation and quality in production process, analytical method, program, and computer-readable recording medium |
-
2009
- 2009-10-13 JP JP2009235981A patent/JP5375507B2/en not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003141215A (en) * | 2001-11-02 | 2003-05-16 | Nippon Steel Corp | Operation analyzing device, method, computer program and computer readable storage medium, in manufacturing process |
JP2009151383A (en) * | 2007-12-18 | 2009-07-09 | Nippon Steel Corp | Analyzer for analyzing relation between operation and quality in production process, analytical method, program, and computer-readable recording medium |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104935446A (en) * | 2014-03-17 | 2015-09-23 | 华为技术有限公司 | Network quality assessment method and device based on credibility mining |
CN104935446B (en) * | 2014-03-17 | 2019-03-05 | 华为技术有限公司 | The network quality appraisal procedure and device excavated based on confidence level |
JP2017174390A (en) * | 2016-03-22 | 2017-09-28 | 新日鐵住金株式会社 | Prediction table design apparatus, method, and program |
JP2020082112A (en) * | 2018-11-20 | 2020-06-04 | 東芝三菱電機産業システム株式会社 | Material control support device of metal material |
JP7020379B2 (en) | 2018-11-20 | 2022-02-16 | 東芝三菱電機産業システム株式会社 | Material control support device for metal materials |
CN111275072A (en) * | 2020-01-07 | 2020-06-12 | 浙江大学 | Mountain area soil thickness prediction method based on cluster sampling |
CN111275072B (en) * | 2020-01-07 | 2023-12-22 | 浙江大学 | Mountain area soil thickness prediction method based on clustering sampling |
CN112785057A (en) * | 2021-01-21 | 2021-05-11 | 上海东普信息科技有限公司 | Component prediction method, device, equipment and storage medium based on exponential smoothing |
CN112785057B (en) * | 2021-01-21 | 2023-09-01 | 上海东普信息科技有限公司 | Method, device, equipment and storage medium for predicting quantity of parts based on exponential smoothing |
CN114548610A (en) * | 2022-04-27 | 2022-05-27 | 季华实验室 | Automatic arrangement method and device for engine cover outer plate stamping process |
CN114548610B (en) * | 2022-04-27 | 2022-07-08 | 季华实验室 | Automatic arrangement method and device for engine cover outer plate stamping process |
Also Published As
Publication number | Publication date |
---|---|
JP5375507B2 (en) | 2013-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5604945B2 (en) | Quality prediction apparatus, quality prediction method, computer program, and computer-readable recording medium | |
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 | |
JP5434837B2 (en) | Quality prediction apparatus, quality prediction method, program, and computer-readable recording medium | |
JP5375507B2 (en) | Quality prediction apparatus, quality prediction method, program, and computer-readable recording medium | |
CA2636898C (en) | Apparatus and method for constructing prediction model | |
JP2007140694A (en) | Device and method for analyzing relevance of operation and quality in manufacturing process, computer program and computer-readable recording medium | |
JP5682484B2 (en) | Thick steel plate cooling control method, cooling control device, and thick steel plate manufacturing method | |
CN103942375B (en) | High-speed press sliding block dimension robust design method based on interval | |
WO2020152993A1 (en) | Design assistance method for metal material, prediction model generation method, metal material manufacturing method, and design assistance device | |
JP2008112288A (en) | Prediction type creation device, result prediction device, quality design device, prediction type creation method and method for manufacturing product | |
JP6439780B2 (en) | Magnetic property prediction device and magnetic property control device for electrical steel sheet | |
JP5704040B2 (en) | Product quality management method and product quality management device | |
JP5195331B2 (en) | Quality prediction apparatus, prediction method, program, and computer-readable recording medium in manufacturing process | |
JP5488140B2 (en) | Quality prediction apparatus, quality prediction method, computer program, and computer-readable recording medium | |
JP4653547B2 (en) | Apparatus and method for analyzing relation between operation and quality in manufacturing process, computer program, and computer-readable recording medium | |
JP5962290B2 (en) | Steel heat transfer coefficient prediction apparatus and cooling control method | |
JP5003362B2 (en) | Product quality control method and control device | |
JP5375506B2 (en) | Quality prediction apparatus, quality prediction method, program, and computer-readable recording medium | |
JP2007257339A (en) | Manufacturing specification determination support system and method, computer program, and computer-readable recording medium | |
JP5682131B2 (en) | Steel material prediction device | |
JP4299508B2 (en) | Operation and quality related analysis device in manufacturing process, related analysis method, and computer-readable storage medium | |
JP3875875B2 (en) | Operation analysis apparatus, method, computer program, and computer-readable storage medium in manufacturing process | |
JP7102962B2 (en) | Control set value determination device, control set value determination method, and program | |
Araujo et al. | Hybrid intelligent design of morphological-rank-linear perceptrons for software development cost estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20120209 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20130416 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130510 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20130827 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20130909 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 5375507 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
LAPS | Cancellation because of no payment of annual fees |