JP2013140548A - Operation state evaluation device, operation state evaluation method, computer program, and computer-readable storage medium - Google Patents

Operation state evaluation device, operation state evaluation method, computer program, and computer-readable storage medium Download PDF

Info

Publication number
JP2013140548A
JP2013140548A JP2012001198A JP2012001198A JP2013140548A JP 2013140548 A JP2013140548 A JP 2013140548A JP 2012001198 A JP2012001198 A JP 2012001198A JP 2012001198 A JP2012001198 A JP 2012001198A JP 2013140548 A JP2013140548 A JP 2013140548A
Authority
JP
Japan
Prior art keywords
evaluation
performance data
variable
status
pass
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
Application number
JP2012001198A
Other languages
Japanese (ja)
Other versions
JP5633522B2 (en
Inventor
Akira Morita
彰 森田
Jun Umemura
純 梅村
Shinroku Matsuzaki
眞六 松崎
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nippon Steel Corp
Original Assignee
Nippon Steel and Sumitomo Metal Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nippon Steel and Sumitomo Metal Corp filed Critical Nippon Steel and Sumitomo Metal Corp
Priority to JP2012001198A priority Critical patent/JP5633522B2/en
Publication of JP2013140548A publication Critical patent/JP2013140548A/en
Application granted granted Critical
Publication of JP5633522B2 publication Critical patent/JP5633522B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

Abstract

PROBLEM TO BE SOLVED: To provide an operation state evaluation device that generates an operation evaluation function with an operation factor having a large effect on the quality of an operation state being input variable data and evaluates the operation state of a process.SOLUTION: An operation state evaluation device includes: a correlation analysis unit that performs probability distribution correlation analysis for classifying operation conditions included in result data indicating an operation state of a process into plural ranges by operation variable and calculating the probability distribution of quality determination results that are evaluation of quality of the operation state for each classification on the basis of evaluated result data including the result data and the quality determination result and for extracting an operation variable having a high correlation with the quality of the operation state of the process on the basis of the degree of effect on operation calculated from each probability distribution; an operation evaluation function configuration unit that configures an operation evaluation function using a support vector machine on the basis of the operation variable having a high correlation and the quality determination results; an operation evaluation unit that calculates an operation evaluation value for new result data on the basis of the operation evaluation function; and an operation evaluation output unit that presents the operation evaluation value for the new result data.

Description

本発明は、高炉等のプロセスの操業状況を過去事例に基づき評価する操業状況評価装置、操業状況評価方法、コンピュータプログラムおよびコンピュータ読み取り可能な記憶媒体に関する。   The present invention relates to an operation status evaluation apparatus, an operation status evaluation method, a computer program, and a computer-readable storage medium that evaluate an operation status of a process such as a blast furnace based on past cases.

プロセスの操業状況の良否を評価することは、操業状況の悪化を未然に予測し、操業トラブルの発生を防止することにつながる。しかしながら、高炉等の大規模、複雑、非線形かつ非定常なプロセスにおいて、多数の操業因子から操業状況の良否に大きく影響を与える操業因子を特定することは容易ではない。このため、多数の入力変数データから意味のある入力変数データを適切に選択するための手法が提案されている。   Evaluating the quality of the operational status of the process leads to predicting the deterioration of the operational status and preventing the occurrence of operational troubles. However, in a large-scale, complex, non-linear and unsteady process such as a blast furnace, it is not easy to specify an operation factor that greatly affects the quality of the operation state from a large number of operation factors. For this reason, a method for appropriately selecting meaningful input variable data from a large number of input variable data has been proposed.

例えば、サポートベクターマシン（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅ；以下、「ＳＶＭ」とも記載する。）という機械学習手法では、学習データに対する学習誤りと過学習との度合いを表す評価関数を最小化する最適化問題を解くことで特徴量空間の判別境界を決定する。ＳＶＭでは、超平面だけでなく多次元空間中の曲面などの複雑な判別境界を求めることができるので、訓練誤差・汎化誤差に関する性能が優れているという特徴がある。ＳＶＭを用いることで、多数の入力変数データに対し、好調不調のような２つにクラス分けされた教師データを学習して、新たに与えられた入力変数データがクラス分けされるべきクラスを推定する判別器を構成することができる。   For example, a machine learning technique called a support vector machine (hereinafter also referred to as “SVM”) solves an optimization problem that minimizes an evaluation function representing the degree of learning error and overlearning for learning data. Thus, the discrimination boundary of the feature amount space is determined. Since SVM can obtain not only a hyperplane but also a complicated discrimination boundary such as a curved surface in a multidimensional space, it has a feature that it has excellent performance regarding training error and generalization error. By using SVM, it learns teacher data that is divided into two classes, such as bad conditions, for a large number of input variable data, and estimates the class to which newly given input variable data should be classified It is possible to configure a discriminator to perform.

しかしながら、クラス分けの推定精度を高くするためには、適切な入力変数データを選択する必要がある。クラス分けに関係のない操業因子も入力変数データに加えてしまうと、ノイズなどによる異常データに対してもクラス分けを行おうとしてしまい、不必要に複雑な判別器が構成され、却って予測精度が悪くなる。   However, in order to increase the classification accuracy, it is necessary to select appropriate input variable data. If operation factors that are not related to classification are also added to the input variable data, it will try to classify abnormal data due to noise, etc., and an unnecessarily complicated classifier will be constructed, on the other hand, prediction accuracy will be increased. Deteriorate.

適切な入力変数データを選択する方法として、ステップワイズ法、ベストパス法、近傍探索法、遺伝的アルゴリズム等の手法に基づいて候補多変量判別式の変数を選択することも行われている（例えば、特許文献１）。   As a method for selecting appropriate input variable data, a variable of a candidate multivariate discriminant is also selected based on a method such as a stepwise method, a best path method, a neighborhood search method, a genetic algorithm (for example, Patent Document 1).

また、特許文献２には、操業条件を複数の範囲に分割し、これらを複数の操業条件間で組み合わせた操業条件メッシュを作成して、各操業条件メッシュにおける品質データの確率密度に基づいて品質指標を算出した後、全ての操業因子の組合せに対して、各操業条件メッシュの品質指標から選択された最大値と最小値との差分で算出される影響度が大きな操業因子の組合せを選択して提示する手法が開示されている。   In Patent Document 2, the operating conditions are divided into a plurality of ranges, an operating condition mesh is created by combining these operating conditions, and the quality is determined based on the probability density of quality data in each operating condition mesh. After calculating the indicators, for all combinations of operating factors, select combinations of operating factors that have a large influence calculated by the difference between the maximum and minimum values selected from the quality indicators of each operating condition mesh. The method to present is disclosed.

特開２００８−２０３２５０号公報JP 2008-203250 A 特開２００８−１４６６２１号公報JP 2008-146621 A

しかし、上記特許文献１は、候補多変量判別式の変数を選択するためのいくつかの手法のうち特定の手法についての優位性を主張するものではなく、プロセスの操業状況を評価するにあたり適切な入力変数データを選択する効果的な手法が求められている。   However, Patent Document 1 does not insist on the superiority of a specific method among several methods for selecting a variable of a candidate multivariate discriminant, and is appropriate for evaluating the operation status of a process. There is a need for an effective technique for selecting input variable data.

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、多数の操業因子の中から操業状況の良否に影響の大きい操業因子を適切に選択して、それらを入力変数データとして操業状況の評価を行う操業評価関数を構築し、操業並びに材質の安定化や不良発生頻度を低減させることが可能な、新規かつ改良された操業状況評価装置、操業状況評価方法、コンピュータプログラムおよびコンピュータ読み取り可能な記憶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 the object of the present invention is to appropriately select an operation factor that has a large influence on the quality of the operation status from among a large number of operation factors, New and improved operation status evaluation device and operation status evaluation that can build operation evaluation functions that evaluate the operation status using them as input variable data and can reduce the frequency of operation and material stabilization and occurrence of defects. It is to provide a method, a computer program and a computer-readable storage medium.

上記課題を解決するために、本発明のある観点によれば、プロセスの操業状況を表す実績データと、当該操業状況の良否の評価である良否判定結果とを含むデータである評価済実績データから、実績データに含まれる操業条件を、操業変数毎に複数の範囲に区分し、各区分における良否判定結果の確率分布をそれぞれ算出し、各確率分布から算出される当該操業変数の操業状況の良否への影響度である操業影響度に基づいて、プロセスの操業状況の良否と相関の高い操業変数を抽出する確率分布相関解析を行う相関解析部と、相関の高い操業変数および良否判定結果に基づいて、プロセスの操業状況を評価する操業評価値を算出するための操業評価関数を、サポートベクターマシンを用いて構成する操業評価関数構成部と、操業評価関数に基づいて新たな実績データに対する操業評価値を算出する操業評価部と、新たな実績データに対する操業評価値を提示する操業評価出力部と、を備えることを特徴とする、プロセスの操業状況評価装置が提供される。   In order to solve the above-described problem, according to a certain aspect of the present invention, from evaluated performance data which is data including performance data indicating the operation status of a process and a pass / fail judgment result which is an evaluation of pass / fail of the operation status. The operating conditions included in the performance data are divided into multiple ranges for each operating variable, the probability distribution of the pass / fail judgment result in each category is calculated, and the operating status of the operating variable calculated from each probability distribution is determined. A correlation analysis unit that performs probability distribution correlation analysis that extracts operation variables that are highly correlated with the quality of the operation status of the process based on the operational impact that is the degree of impact on the environment, and based on the highly correlated operation variables and the results of quality determination The operation evaluation function for calculating the operation evaluation value for evaluating the operation status of the process is based on the operation evaluation function configuration unit configured using the support vector machine and the operation evaluation function. And an operation evaluation unit for calculating an operation evaluation value for new performance data and an operation evaluation output unit for presenting an operation evaluation value for new performance data are provided. Is done.

ここで、相関解析部は、評価済実績データの確率分布相関解析により算出された操業影響度が大きい操業変数を選択してもよい。   Here, the correlation analysis unit may select an operation variable having a large operation influence calculated by the probability distribution correlation analysis of the evaluated performance data.

相関解析部は、評価済実績データの操業変数をプロセスへの入力変数とプロセスからの出力変数とに分類し、入力変数と出力変数とにおいて操業影響度が大きい操業変数をそれぞれ選択してもよい。   The correlation analysis unit may classify the operation variables of the evaluated performance data into an input variable to the process and an output variable from the process, and may select an operation variable having a large operation influence level between the input variable and the output variable. .

また、良否判定結果は、二値データにより表してもよい。   The pass / fail judgment result may be expressed by binary data.

さらに、良否判定結果は、評価時点に対して前後一定期間の評価済実績データを用いて算出してもよい。   Furthermore, the pass / fail determination result may be calculated using evaluated performance data for a certain period before and after the evaluation time point.

また、操業評価部は、操業評価値として連続値を算出してもよい。このとき、操業評価部は、連続値に対して平滑化処理を行った値を操業評価値としてもよい。   Further, the operation evaluation unit may calculate a continuous value as the operation evaluation value. At this time, the operation evaluation unit may use a value obtained by performing the smoothing process on the continuous value as the operation evaluation value.

さらに、評価済実績データは、過去のプロセスの操業状況のうち良否の特徴を表している典型的な操業状況を表す実績データを評価したデータとしてもよい。   Furthermore, the evaluated performance data may be data obtained by evaluating performance data representing a typical operation status representing a quality characteristic among the operation statuses of past processes.

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、プロセスの操業状況を表す実績データと、当該操業状況の良否の評価である良否判定結果とを含むデータである評価済実績データから、実績データに含まれる操業条件を、操業変数毎に複数の範囲に区分し、各区分における良否判定結果の確率分布をそれぞれ算出し、各確率分布から算出される当該操業変数の操業状況の良否への影響度である操業影響度に基づいて、プロセスの操業状況の良否と相関の高い操業変数を抽出する確率分布相関解析を行う相関解析ステップと、相関の高い操業変数および良否判定結果に基づいて、プロセスの操業状況を評価する操業評価値を算出するための操業評価関数を、サポートベクターマシンを用いて構成する操業評価関数構成ステップと、操業評価関数に基づいて新たな実績データに対する操業評価値を算出する操業評価ステップと、新たな実績データに対する操業評価値を提示する操業評価出力ステップと、を含むことを特徴とする、プロセスの操業状況評価方法が提供される。   Further, in order to solve the above-described problem, according to another aspect of the present invention, an evaluated data that includes performance data representing the operation status of a process and a pass / fail judgment result that is an evaluation of pass / fail of the operation status. From the actual data, the operating conditions included in the actual data are divided into multiple ranges for each operating variable, the probability distribution of the pass / fail judgment result in each category is calculated, and the operation of the operating variable calculated from each probability distribution is performed. Correlation analysis step that performs probability distribution correlation analysis that extracts operation variables that are highly correlated with the operational status of the process based on the operational impact, which is the degree of impact on the quality of the situation, and highly correlated operational variables and pass / fail judgment An operation evaluation function configuration step for configuring an operation evaluation function for calculating an operation evaluation value for evaluating the operation status of the process based on the result using a support vector machine; A process operation characterized by including an operation evaluation step for calculating an operation evaluation value for new performance data based on an operation evaluation function, and an operation evaluation output step for presenting an operation evaluation value for new performance data. A situation assessment method is provided.

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、コンピュータを、プロセスの操業状況を表す実績データと、当該操業状況の良否の評価である良否判定結果とを含むデータである評価済実績データから、実績データに含まれる操業条件を、操業変数毎に複数の範囲に区分し、各区分における良否判定結果の確率分布をそれぞれ算出し、各確率分布から算出される当該操業変数の操業状況の良否への影響度である操業影響度に基づいて、プロセスの操業状況の良否と相関の高い操業変数を抽出する確率分布相関解析を行う相関解析部と、相関の高い操業変数および良否判定結果に基づいて、プロセスの操業状況を評価する操業評価値を算出するための操業評価関数を、サポートベクターマシンを用いて構成する操業評価関数構成部と、操業評価関数に基づいて新たな実績データに対する操業評価値を算出する操業評価部と、新たな実績データに対する操業評価値を提示する操業評価出力部と、を備えるプロセスの操業状況評価装置として機能させることを特徴とする、コンピュータプログラムが提供される。   Furthermore, in order to solve the above-described problem, according to another aspect of the present invention, the computer includes data including performance data representing the operation status of the process and a pass / fail judgment result that is an evaluation of the pass / fail status of the operation status. The operation conditions included in the performance data are divided into a plurality of ranges for each operation variable from certain evaluated performance data, the probability distribution of the pass / fail judgment result in each classification is calculated, and the operation calculated from each probability distribution A correlation analysis unit that performs probability distribution correlation analysis that extracts operation variables that are highly correlated with the quality of the operational status of the process based on the operational impact that is the degree of influence of the operational status of the variable on the quality of the operational status, and a highly correlated operational variable And an operation evaluation function structure that uses a support vector machine to calculate an operation evaluation function for calculating an operation evaluation value for evaluating the operation status of the process based on the pass / fail judgment result. An operation evaluation unit for calculating an operation evaluation value for new performance data based on an operation evaluation function, and an operation evaluation output unit for presenting an operation evaluation value for new performance data A computer program is provided, which is characterized in that it functions as:

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、プロセスの操業状況を表す実績データと、当該操業状況の良否の評価である良否判定結果とを含むデータである評価済実績データから、実績データに含まれる操業条件を、操業変数毎に複数の範囲に区分し、各区分における良否判定結果の確率分布をそれぞれ算出し、各確率分布から算出される当該操業変数の操業状況の良否への影響度である操業影響度に基づいて、プロセスの操業状況の良否と相関の高い操業変数を抽出する確率分布相関解析を行う相関解析部と、相関の高い操業変数および良否判定結果に基づいて、プロセスの操業状況を評価する操業評価値を算出するための操業評価関数を、サポートベクターマシンを用いて構成する操業評価関数構成部と、操業評価関数に基づいて新たな実績データに対する操業評価値を算出する操業評価部と、新たな実績データに対する操業評価値を提示する操業評価出力部と、を備えるプロセスの操業状況評価装置として機能させるためのプログラムを記憶したコンピュータ読み取り可能な記憶媒体が提供される。   In order to solve the above-described problem, according to another aspect of the present invention, the computer includes data including performance data representing the operation status of the process and a pass / fail judgment result that is an evaluation of the pass / fail status of the operation status. The operation conditions included in the performance data are divided into a plurality of ranges for each operation variable from certain evaluated performance data, the probability distribution of the pass / fail judgment result in each classification is calculated, and the operation calculated from each probability distribution A correlation analysis unit that performs probability distribution correlation analysis that extracts operation variables that are highly correlated with the quality of the operational status of the process based on the operational impact that is the degree of influence of the operational status of the variable on the quality of the operation Operation evaluation function configuration that uses a support vector machine to configure an operation evaluation function for calculating an operation evaluation value that evaluates the operation status of the process based on the pass / fail judgment result And an operation evaluation unit that calculates an operation evaluation value for new performance data based on an operation evaluation function, and an operation evaluation output unit that presents an operation evaluation value for new performance data. A computer-readable storage medium storing a program for functioning is provided.

以上説明したように本発明によれば、多数の操業因子の中から選択された、操業状況の良否に影響の大きい操業因子を適切に選択して、それらを入力変数データとして操業状況の評価を行う操業評価関数を構築する操業状況評価装置、操業状況評価方法、コンピュータプログラムおよびコンピュータ読み取り可能な記憶媒体を提供することができる。これにより、大規模、複雑、非線形かつ非定常なプロセスの操業状況の悪化を未然に予測することが可能となり、操業並びに材質の安定化や不良発生頻度の低減に大きく寄与する。   As described above, according to the present invention, an operation factor that is selected from a large number of operation factors and has a large influence on the quality of the operation status is appropriately selected, and the operation status is evaluated using these as input variable data. It is possible to provide an operation status evaluation apparatus, an operation status evaluation method, a computer program, and a computer-readable storage medium for constructing an operation evaluation function to be performed. This makes it possible to predict the deterioration of the operation status of a large-scale, complex, non-linear and non-stationary process, and greatly contributes to the operation and the stabilization of materials and the frequency of occurrence of defects.

本発明の第１の実施形態に係る操業状況評価装置の機能構成を示す機能ブロック図である。It is a functional block diagram which shows the function structure of the operation condition evaluation apparatus which concerns on the 1st Embodiment of this invention. 同実施形態に係る相関解析部の機能構成を示す機能ブロック図である。It is a functional block diagram which shows the function structure of the correlation analysis part which concerns on the same embodiment. 同実施形態に係る操業状況評価装置によるプロセスの操業状況評価方法を示すフローチャートである。It is a flowchart which shows the operation status evaluation method of the process by the operation status evaluation apparatus which concerns on the embodiment. 高炉の送風流量の実績データの一例を示す説明図である。It is explanatory drawing which shows an example of the performance data of the ventilation flow volume of a blast furnace. 高炉の操業プロセスにおける評価済実績データの各操業因子の操業影響度の一例を示す表である。It is a table | surface which shows an example of the operation influence degree of each operation factor of the evaluated performance data in the operation process of a blast furnace. 確率分布相関解析による操業不調と入力変数との相関関係を示すグラフの一例である。It is an example of the graph which shows the correlation of the operation malfunction and input variable by probability distribution correlation analysis. 同実施形態に係る操業状況評価装置による操業状況評価方法を用いて高炉の製造プロセスの操業状況を評価した評価結果の一実施例を示すグラフである。It is a graph which shows one Example of the evaluation result which evaluated the operation condition of the manufacturing process of a blast furnace using the operation condition evaluation method by the operation condition evaluation apparatus which concerns on the embodiment. 同実施形態に係る操業状況評価装置のハードウェア構成を示すブロック図である。It is a block diagram which shows the hardware constitutions of the operation condition evaluation apparatus which concerns on the same embodiment.

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．操業状況評価装置の機能構成＞
まず、図１および図２を参照して、本発明の第１の実施形態に係る操業状況評価装置１００の機能構成について説明する。なお、図１は、本実施形態に係る操業状況評価装置１００の機能構成を示す機能ブロック図である。図２は、本実施形態に係る相関解析部１１０の機能構成を示す機能ブロック図である。 <1. Functional configuration of operation status evaluation device>
First, with reference to FIG. 1 and FIG. 2, the functional structure of the operation condition evaluation apparatus 100 which concerns on the 1st Embodiment of this invention is demonstrated. FIG. 1 is a functional block diagram showing a functional configuration of the operation status evaluation apparatus 100 according to the present embodiment. FIG. 2 is a functional block diagram illustrating a functional configuration of the correlation analysis unit 110 according to the present embodiment.

本実施形態に係る操業状況評価装置１００は、大規模、複雑、非線形かつ非定常なプロセスの操業状況を評価する装置である。本実施形態では操業状況評価装置１００による高炉の製造プロセスの操業状況評価を一例として説明する。ここで、高炉の製造プロセス１０からは所定のタイミングで操業因子である操業変数のデータが取得され、当該操業変数のデータは実績データとして実績データベース２０に記録されている。また、実績データベース２０に記録されている過去の実績データについて、予め操業状況の良否判断が、良否の中間的な状態の実績データを除外して評価され、安定的に良いと評価されるデータ、及び安定的に評価の悪いデータ、つまり、操業状況の良否の特徴を表している典型的な実績データが、評価結果とともに、評価済実績データとして操業状況評価済データベース３０に記録される。当該評価処理は、予め設定された判断条件に基づいて評価する評価装置（図示せず。）により行ってもよく、ユーザが行ってもよい。   The operation status evaluation apparatus 100 according to the present embodiment is an apparatus that evaluates the operation status of a large-scale, complex, nonlinear, and unsteady process. In this embodiment, an operation status evaluation of a manufacturing process of a blast furnace by the operation status evaluation apparatus 100 will be described as an example. Here, from the blast furnace manufacturing process 10, operation variable data as an operation factor is acquired at a predetermined timing, and the operation variable data is recorded in the result database 20 as result data. In addition, with respect to past performance data recorded in the performance database 20, data that is evaluated in advance as to whether the operation status is good or bad is excluded by excluding performance data in an intermediate state of good or bad, In addition, data that is stably evaluated poorly, that is, typical performance data representing the characteristics of the operational status is recorded in the operational status evaluated database 30 as evaluated performance data together with the evaluation result. The evaluation process may be performed by an evaluation device (not shown) that evaluates based on a preset determination condition, or may be performed by a user.

操業状況評価装置１００は、操業状況評価済データベース３０が記憶する評価済実績データを用いて、各操業変数についての良否判定結果を操業評価指標として確率分布に基づく相関解析を行うことで、プロセスの操業状況を適切に評価することの可能な操業評価関数を構築するために用いる操業変数を抽出する。そして、操業状況評価装置１００は、抽出した操業変数についての評価済実績データに基づいて操業評価関数を構築し、構築された操業評価関数を用いて実績データベース２０に記録されている実績データからプロセスの操業状況を評価する。   The operation status evaluation apparatus 100 uses the evaluated performance data stored in the operation status evaluated database 30 to perform a correlation analysis based on a probability distribution by using the pass / fail determination result for each operation variable as an operation evaluation index. The operation variables used to construct an operation evaluation function that can appropriately evaluate the operation status are extracted. Then, the operation status evaluation apparatus 100 constructs an operation evaluation function based on the evaluated performance data for the extracted operation variable, and uses the constructed operation evaluation function to perform a process from the performance data recorded in the performance database 20. Evaluate the operational status of

このような操業状況評価装置１００は、図１に示すように、相関解析部１１０と、操業評価関数構成部１２０と、操業評価部１３０と、操業評価出力部１４０とからなる。   As shown in FIG. 1, the operation status evaluation apparatus 100 includes a correlation analysis unit 110, an operation evaluation function configuration unit 120, an operation evaluation unit 130, and an operation evaluation output unit 140.

［相関解析部１１０］
相関解析部１１０は、評価済実績データの操業状況の良否判定結果を解析し、プロセスの操業状況を評価する操業評価関数を構築するために用いる操業変数を抽出する。本実施形態に係る相関解析部１１０は、評価済実績データの各操業変数についての良否判定結果を操業評価指標として、上記特許文献２に開示された確率分布に基づく相関解析（以下、「確率分布相関解析」と称する。）を用いて、評価済実績データの操業状況の良否判定結果を解析する。 [Correlation analysis unit 110]
The correlation analysis unit 110 analyzes the result of determining the operation status of the evaluated performance data, and extracts an operation variable used to construct an operation evaluation function for evaluating the operation status of the process. The correlation analysis unit 110 according to the present embodiment uses the pass / fail determination result for each operation variable of the evaluated performance data as an operation evaluation index to perform a correlation analysis based on the probability distribution disclosed in Patent Document 2 (hereinafter, “probability distribution” (Referred to as “correlation analysis”).

（確率分布相関解析）
確率分布相関解析では、上記特許文献２に開示されているように、操業条件を、操業変数毎に複数の範囲に区分し、各区分における操業状況の良否判定結果の確率密度に基づいて操業評価指標を算出し、各操業変数区分の操業評価指標から最大値と最小値を選択して、その差分で算出される操業影響度が大きな操業変数を選択して、操業評価関数の入力とするために操業評価関数構成部１２０に出力する。具体的には、相関解析部１１０は、図２に示すように、操業変数区分作成部１１１と、確率分布算出部１１２と、操業評価指標算出部１１４と、操業影響度算出部１１６とからなる。 (Probability distribution correlation analysis)
In the probability distribution correlation analysis, as disclosed in Patent Document 2, the operation condition is divided into a plurality of ranges for each operation variable, and the operation evaluation is performed based on the probability density of the result of the operation status in each division. To calculate the index, select the maximum and minimum values from the operation evaluation index of each operation variable category, select the operation variable with the large operation impact calculated by the difference, and input it to the operation evaluation function To the operation evaluation function construction unit 120. Specifically, as shown in FIG. 2, the correlation analysis unit 110 includes an operation variable category creation unit 111, a probability distribution calculation unit 112, an operation evaluation index calculation unit 114, and an operation influence degree calculation unit 116. .

操業変数区分作成部１１１は、操業条件を、操業変数毎に複数の範囲に領域区分する領域区分処理を行う。具体的には、領域区分処理では操業変数範囲を区分する区分点を決定する。区分点の決定は、例えば各操業変数のデータから最大値および最小値を算出し、最大値と最小値との間を予め設定された操業変数分割個数ｍで等分割するように決定してもよい。   The operation variable category creating unit 111 performs region segmentation processing for segmenting the operation condition into a plurality of ranges for each operation variable. Specifically, in the area division process, a division point for dividing the operation variable range is determined. For example, the division point may be determined by calculating the maximum value and the minimum value from the data of each operation variable, and equally dividing between the maximum value and the minimum value by the preset operation variable division number m. Good.

あるいは、まず、評価済み実績データの個数を操業変数分割個数ｍで除した値を求め、各操業変数を分割した１分割に入るべきデータ個数を算出する。次いで、各評価済み実績データを当該操業変数の値によって昇順にソートして、上記１区分に入るべきデータ個数の整数倍に対応する順番に該当する評価済実績データを求め、これを区分点とすることにより、各区分点の間にほぼ同じ個数の評価済績データが存在するようにしてもよい。このように、操業変数区分作成部１１１は、操業変数毎に、当該操業条件を複数の範囲に区分した操業変数区分を作成する。   Alternatively, first, a value obtained by dividing the number of evaluated performance data by the operation variable division number m is obtained, and the number of data to be included in one division obtained by dividing each operation variable is calculated. Next, each evaluated performance data is sorted in ascending order according to the value of the operation variable, and evaluated performance data corresponding to an order corresponding to an integer multiple of the number of data to be included in the one category is obtained. By doing so, approximately the same number of evaluated performance data may exist between the respective division points. As described above, the operation variable category creating unit 111 creates an operation variable category in which the operation conditions are classified into a plurality of ranges for each operation variable.

確率分布算出部１１２は、評価済実績データに含まれる操業状況の良否判定結果を用いて、度数分布に基づく操業状況の良否判定結果の確率分布を算出する。確率分布算出部１１２は、まず、操業変数区分作成部１１１で作成された操業変数区分それぞれに対応する評価済実績データを抽出する。そして、確率分布算出部１１２は、予め操業状況の良否判定結果の度数分布を近似するのに適した所定の確率密度関数を設定し、選択された操業状況の良否判定結果を用いて確率密度関数のパラメータを決定する。操業状況の良否判定結果の度数分布の近似に適した確率密度関数としては、例えば下記数式１で表される正規分布関数がある。   The probability distribution calculation unit 112 calculates the probability distribution of the operation status pass / fail determination result based on the frequency distribution using the operation status pass / fail determination result included in the evaluated performance data. The probability distribution calculation unit 112 first extracts evaluated performance data corresponding to each operation variable category created by the operation variable category creation unit 111. Then, the probability distribution calculation unit 112 sets a predetermined probability density function suitable for approximating the frequency distribution of the operation status pass / fail judgment result in advance, and uses the selected operation status pass / fail judgment result to generate the probability density function. Determine the parameters. As a probability density function suitable for approximating the frequency distribution of the result of judging whether the operation status is good or bad, for example, there is a normal distribution function represented by the following formula 1.

Figure 2013140548
Figure 2013140548

ここでμは平均、σは標準偏差である。その他の確率密度関数としては、例えば指数分布関数や対数正規分布関数、ポアソン分布や二項分布等、確率統計理論の分野で提案された確率密度関数がある。利用する確率密度関数の選択は、予め全ての評価済実績データの操業状況の良否判定結果を用いて度数分布を作成して、その度数分布に最も近い分布形態の確率密度関数を選択すればよい。   Here, μ is an average, and σ is a standard deviation. Examples of other probability density functions include probability density functions proposed in the field of probability statistical theory, such as exponential distribution functions, lognormal distribution functions, Poisson distributions, and binomial distributions. To select the probability density function to be used, it is only necessary to create a frequency distribution in advance using the results of the operation status determination of all evaluated performance data and select a probability density function having a distribution form closest to the frequency distribution. .

操業評価指標算出部１１４は、各操業変数区分とこれに対応するパラメータが設定された確率密度関数とに基づいて、予め設定された操業評価確率値と等しい累積確率となる操業評価指標を算出する。操業評価指標算出部１１４は、評価する操業変数区分に対応する確率密度関数に基づき、操業状況の良否判定結果Ｙに対する確率密度ｆ（Ｙ）の分布を求める。   The operation evaluation index calculation unit 114 calculates an operation evaluation index that has a cumulative probability equal to a preset operation evaluation probability value, based on each operation variable category and a probability density function in which a parameter corresponding to the operation variable category is set. . The operation evaluation index calculation unit 114 obtains the distribution of the probability density f (Y) with respect to the operation status pass / fail judgment result Y based on the probability density function corresponding to the operation variable category to be evaluated.

ここで、良否判定結果Ｙを負の無限大からＹ０の範囲で積分したものを確率統計論の分野では累積確率と定義している。累積確率は、良否判定結果Ｙが負の無限大からＹ０の範囲を取り得る確率に相当するもので、Ｙ０が正の無限大の場合、すなわち良否判定結果が取り得る全ての値を含む場合の累積確率は１００％となる。操業評価指標算出部１１４は、累積確率が予め設定された操業評価確率値α（例えば５０％）に等しくなる操業評価指標Ｙ０を求める。操業評価指標Ｙ０は、この操業変数区分において確率αで発生し得る最も悪い操業評価指標を意味する。   Here, the result obtained by integrating the pass / fail judgment result Y in the range from negative infinity to Y0 is defined as cumulative probability in the field of probability statistics. The cumulative probability corresponds to the probability that the pass / fail judgment result Y can take a range from negative infinity to Y0. When Y0 is positive infinity, that is, when all values that the pass / fail judgment result can take are included. The cumulative probability is 100%. The operation evaluation index calculation unit 114 obtains an operation evaluation index Y0 whose accumulated probability is equal to a preset operation evaluation probability value α (for example, 50%). The operation evaluation index Y0 means the worst operation evaluation index that can occur with the probability α in this operation variable classification.

操業影響度算出部１１６は、各操業変数について操業評価指標の最大値と最小値を求めて、その差分をこの操業変数における操業影響度とする。操業変数における操業評価指標の差分は、操業条件としてこの操業変数の値を種々変更した場合に、操業状況の良否判定結果が、どの程度変化するかを反映した指標である。すなわち、操業影響度が大きい操業変数は、操業条件を変化させることで、操業状況の良否判定結果が良い方向にも悪い方向にも変化しており、操業状況の改善に有効な操業変数といえる。一方、操業影響度が小さい操業変数は、操業条件を変化させても、操業状況の良否判定結果は相対的に変化しない。このように、操業影響度算出部１１６は、各操業変数における操業評価指標に基づき、操業条件の違いによる操業評価指標の差異を数値化した操業影響度を計算する。   The operation influence degree calculation unit 116 obtains the maximum value and the minimum value of the operation evaluation index for each operation variable, and sets the difference as the operation influence degree in the operation variable. The difference of the operation evaluation index in the operation variable is an index reflecting how much the result of the quality determination of the operation status changes when various values of the operation variable are changed as the operation condition. In other words, the operational variables with a large operational impact change the operational conditions, and the result of the operational status judgment changes in both good and bad directions, which can be said to be an effective operational variable for improving the operational status. . On the other hand, the operation variable having a small operation influence degree does not change relatively even if the operation condition is changed. As described above, the operation influence degree calculation unit 116 calculates the operation influence degree obtained by quantifying the difference in the operation evaluation index due to the difference in the operation condition based on the operation evaluation index in each operation variable.

相関解析部１１０は、操業影響度算出部１１６にて算出された操業影響度のうち操業影響度が大きな操業変数を抽出し、操業評価関数構成部１２０へ出力する。   The correlation analysis unit 110 extracts an operation variable having a large operation influence degree from the operation influence degree calculated by the operation influence degree calculation unit 116 and outputs the operation variable to the operation evaluation function configuration unit 120.

［操業評価関数構成部１２０］
操業評価関数構成部１２０は、評価済実績データベース３０内の実績データに関して、相関解析部１１０で操業影響度が大きいとされた操業変数を入力変数、良否判定結果を出力変数として、サポートベクターマシン（ＳＶＭ）を用いた操業評価関数を構築する。ＳＶＭは、学習データに対する学習誤りと過学習との度合いを表す評価関数を最小化する最適化問題を解くことで特徴量空間の判別境界を決定する機械学習手法である。ＳＶＭを用いることで、多数の入力変数データに対し、好調不調のような２つにクラス分けされた教師データを学習して、新たに与えられた入力変数データがクラス分けされるべきクラスを推定することができる。 [Operation Evaluation Function Configuration Unit 120]
The operation evaluation function construction unit 120 uses the operation variables, which are determined to have a large operation influence by the correlation analysis unit 110, as input variables and the pass / fail judgment results as output variables with respect to the result data in the evaluated result database 30 as support vector machines ( An operation evaluation function using SVM) is constructed. The SVM is a machine learning method that determines a discrimination boundary of a feature space by solving an optimization problem that minimizes an evaluation function that represents the degree of learning error and overlearning for learning data. By using SVM, it learns teacher data that is divided into two classes, such as bad conditions, for a large number of input variable data, and estimates the class to which newly given input variable data should be classified can do.

ここで、ＳＶＭは、多次元の入力変数ｘｉ（ｉ＝１，・・・，Ｎ）とこれに対応する教師データｔｉ（ｔｉ＝１または−１）を元にして、下記数式２で表される新たな入力変数ｘを判別する関数ｙ（ｘ）を構成する。ここで、Ｎは操業状況評価済データベース３０が記憶する評価済実績データの数であり、ｉはそれぞれの評価済実績データを指す指数である。 Here, the SVM is based on the multidimensional input variable x i (i = 1,..., N) and the corresponding teacher data t i (t i = 1 or −1), and the following formula 2 A function y (x) for discriminating a new input variable x represented by Here, N is the number of evaluated performance data stored in the operation status evaluated database 30, and i is an index indicating each evaluated performance data.

Figure 2013140548
Figure 2013140548

ここで、ｋ（ｘ，ｘｉ）は、予め与えられるカーネル関数であり、下記数式３に示すガウスカーネルが一般的によく利用される。 Here, k (x, x i ) is a kernel function given in advance, and a Gaussian kernel expressed by Equation 3 below is generally used.

Figure 2013140548
Figure 2013140548

また、数式２のａｉ（ｉ＝１，・・・，Ｎ）およびｂは、ｔｉ＝１となるｘｉとｔｉ＝−１となるｘｉとが、ｙ（ｘ）＝０となる境界面で区分される場合（誤判別がない場合）は、境界面ｙ（０）＝０とｔｉ＝１となるｘｉおよびｔｉ＝−１となるｘｉとの距離がなるべく大きくなるように決定される。一方、ｔｉ＝１となるｘｉとｔｉ＝−１となるｘｉとが、ｙ（ｘ）＝０となる境界面で区分できない場合（誤判別が生じる場合）は、境界面ｙ（０）＝０と誤判別されるｘｉとの距離がなるべく小さくなるように決定される。新たな入力変数Ｘに対する関数値ｙ（Ｘ）をＳＶＭ判定値と称する。ＳＶＭ判定値ｙ（Ｘ）＞０であればＸはｔ＝１のクラスに判別され、ｙ（Ｘ）＜０であればＸはｔ＝−１のクラスに判別される。 Further, a i of Equation 2 (i = 1, ···, N) and b has a x i as the x i and t i = -1 to be t i = 1 is the y (x) = 0 when classified by comprising the interface (if there is no misclassification), the boundary surface y (0) = 0 and is as large as possible distance between t i = 1 and becomes x i and t i = -1 to become x i To be determined. On the other hand, the x i as the x i and t i = -1 to be t i = 1 If the not be classified at the interface to be y (x) = 0 (if misclassification occurs), the boundary surface y ( 0) = 0 is determined so that the distance from x i which is erroneously determined as 0 is as small as possible. The function value y (X) for the new input variable X is referred to as the SVM determination value. If the SVM determination value y (X)> 0, X is determined to be a class of t = 1, and if y (X) <0, X is determined to be a class of t = -1.

本実施形態においては、操業変数からなるベクトルをｘｉとして、操業状況が良好とされるｘｉについてｔｉ＝１とし、操業状況が不調とされるｘｉについてｔｉ＝−１とする。これらのデータを教師データとしてＳＶＭによって構成された関数ｙ（ｘ）を操業評価関数とし、変数Ｘに対する操業評価関数の値ｙ（Ｘ）をＳＶＭ判定値とする。このようにして、操業評価関数構成部１２０は、ＳＶＭ判定値ｙ（Ｘ）を算出するための操業評価関数ｙ（ｘ）を構築する。 In the present embodiment, let x i be a vector composed of operation variables, let t i = 1 be about x i where the operation status is good, and t i = −1 about x i where the operation status is unsatisfactory. A function y (x) configured by SVM using these data as teacher data is defined as an operation evaluation function, and a value y (X) of the operation evaluation function for the variable X is defined as an SVM determination value. In this way, the operation evaluation function configuration unit 120 constructs an operation evaluation function y (x) for calculating the SVM determination value y (X).

［操業評価部１３０］
操業評価部１３０は、実績データベース２０内の実績データに関し、操業評価関数構成部１２０にて構築された操業評価関数ｙ（ｘ）を用いて操業評価値となるＳＶＭ判別値ｙ（Ｘ）を算出する。操業評価部１３０は、実績データベース２０から所定期間の実績データを取得し、上記数式（２）を用いてＳＶＭ判別値を算出する。操業評価部１３０は、算出したＳＶＭ判別値を操業評価出力部１４０へ出力する。 [Operation Evaluation Unit 130]
The operation evaluation unit 130 calculates the SVM discriminant value y (X) that is the operation evaluation value for the result data in the result database 20 by using the operation evaluation function y (x) constructed by the operation evaluation function configuration unit 120. To do. The operation evaluation unit 130 acquires performance data for a predetermined period from the performance database 20 and calculates the SVM discrimination value using the above mathematical formula (2). The operation evaluation unit 130 outputs the calculated SVM discrimination value to the operation evaluation output unit 140.

［操業評価出力部１４０］
操業評価出力部１４０は、操業評価部１３０で算出された実績データに対する操業評価値（ＳＶＭ判別値）に基づき判定した、プロセスの操業の良否判定を表示する出力装置である。また、操業評価出力部１４０は、操業評価値が閾値に近づいた場合に、オペレータに対して注意喚起を行うアラーム等を発する音声出力装置の機能を備えていてもよい。 [Operation evaluation output unit 140]
The operation evaluation output unit 140 is an output device that displays a process operation pass / fail determination that is determined based on an operation evaluation value (SVM discriminant value) for the performance data calculated by the operation evaluation unit 130. Further, the operation evaluation output unit 140 may include a function of a voice output device that issues an alarm or the like for alerting the operator when the operation evaluation value approaches a threshold value.

＜２．プロセスの操業状況評価方法＞
次に、図３〜図６に基づいて、本実施形態に係る操業状況評価装置１００によるプロセスの操業状況評価方法について説明する。なお、図３は、本実施形態に係る操業状況評価装置１００によるプロセスの操業状況評価方法を示すフローチャートである。図４は、高炉の送風流量の実績データの一例を示す説明図である。図５は、高炉の操業プロセスにおける評価済実績データの各操業変数の操業影響度の一例を示す表である。図６は、確率分布相関解析による操業不調と入力変数との相関関係を示すグラフの一例である。 <2. Process operation status evaluation method>
Next, based on FIG. 3 to FIG. 6, an operation status evaluation method for a process by the operation status evaluation apparatus 100 according to the present embodiment will be described. FIG. 3 is a flowchart showing an operation status evaluation method for a process by the operation status evaluation apparatus 100 according to the present embodiment. FIG. 4 is an explanatory diagram showing an example of performance data on the blast furnace flow rate. FIG. 5 is a table showing an example of the operation influence degree of each operation variable of the evaluated performance data in the operation process of the blast furnace. FIG. 6 is an example of a graph showing the correlation between the operation failure and the input variable by the probability distribution correlation analysis.

本実施形態に係る操業状況評価装置１００によるプロセスの操業状況評価方法は、操業状況評価処理を行うために、図３に示すように、プロセスから所定のタイミングで実績データを取得している（Ｓ１００）。操業状況を評価するプロセスの一例として高炉の製造プロセス１０を取り上げると、製造プロセス１０から所定のタイミングで（例えば１時間毎に）操業変数の実績データが取得される。製造プロセス１０から取得された実績データは、実績データベース２０に記録される。   In the operation status evaluation method of the process by the operation status evaluation apparatus 100 according to the present embodiment, in order to perform the operation status evaluation process, as shown in FIG. 3, actual data is acquired from the process at a predetermined timing (S100). ). Taking the blast furnace manufacturing process 10 as an example of a process for evaluating the operation status, actual data of operation variables is acquired from the manufacturing process 10 at a predetermined timing (for example, every hour). The performance data acquired from the manufacturing process 10 is recorded in the performance database 20.

次いで、実績データベース２０に記録されている実績データのうち、典型的な操業状況を示す実績データについて操業状況の良否判断の評価が行われたデータである評価済実績データを取得する（Ｓ１１０）。実績データについての操業状況の良否判断は、評価する操業変数の特性に応じて適宜判断条件を設定して行うことができる。   Next, of the performance data recorded in the performance database 20, evaluated performance data, which is data obtained by evaluating the operational status of the performance data indicating the typical operation status, is acquired (S110). Judgment of the operational status of the performance data can be made by appropriately setting judgment conditions according to the characteristics of the operational variable to be evaluated.

例えば、高炉の製造プロセス１０より、高炉の送風流量の実績データが所定のタイミングで（例えば１時間毎に）取得されるとする。高炉の送風流量は、炉床の側壁部の羽口から炉内に吹き込む熱風の送風流量であり、例えば高炉内の原料が多ければ送風流量が大きくなり原料が少なければ小さくなるというように、通常は高炉内の原料の状態に応じて変更される。しかし、鉄鉱石、コークス、石灰石等の反応が十分に行われなかったりすることで炉況が不良となると、送風流量を大幅に低下して減風する対応がとられる。そこで、高炉の送風流量の実績データから減風発生割合を求めることで、高炉不調期間を抽出できる。   For example, it is assumed that actual data on the blast furnace flow rate is acquired from the blast furnace manufacturing process 10 at a predetermined timing (for example, every hour). The flow rate of the blast furnace is the flow rate of hot air blown into the furnace from the tuyeres at the side wall of the hearth. Is changed according to the state of the raw material in the blast furnace. However, if the furnace condition becomes poor due to insufficient reaction of iron ore, coke, limestone, etc., measures are taken to significantly reduce the air flow and reduce the wind. Therefore, the blast furnace malfunction period can be extracted by obtaining the rate of wind reduction from the actual data of the blast furnace flow rate.

高炉の送風流量の実績データの一例を図４に示す。図４では、ある期間（４月１３日〜１０月２６日）において取得した送風流量の値を炉容積で割った相対値を○で示している。本例では、減風発生を判定する時点の前後一定時間（例えば±４８時間）の最大送風流量を基準送風量として、送風流量が基準送風流量に対し一定割合範囲（７０％〜９８％）の場合を減風と判定している。なお、基準送風流量に対して送風流量が７０％未満の場合は、計画もしくは炉況以外の要因による休風として減風から除外している。このような減風発生判定により、図４のような減風発生の頻度の変化を取得することができる。   An example of the actual data of the blast furnace flow rate is shown in FIG. In FIG. 4, the relative value which divided the value of the ventilation flow rate acquired in a certain period (April 13th-October 26th) by the furnace volume is shown by (circle). In this example, the maximum air flow rate for a fixed time (for example, ± 48 hours) before and after the time point at which the occurrence of wind reduction is determined is set as a reference air flow rate, and the air flow rate is within a certain range (70% to 98%) with respect to the reference air flow rate. The case is determined to be wind reduction. In addition, when the air flow rate is less than 70% with respect to the reference air flow rate, it is excluded from the wind reduction as a rest wind due to a factor other than the plan or the furnace condition. By such a wind reduction occurrence determination, a change in the frequency of wind reduction occurrence as shown in FIG. 4 can be acquired.

減風発生の判定結果より、炉況の好調不調が判定される。例えば、炉況の好調不調の判定は、炉況を判定する時点の前後一定時間（例えば±１２０時間）において、減風の発生が所定割合以下（例えば１０％以下）であるとき炉況は好調、減風の発生が所定割合以上（例えば２０％以上）であるとき炉況は不調であるとすることができる。このような炉況判定に基づき、炉況の好調期間および不調期間を抽出することができる。これより、減風の発生割合が１０〜２０％である域の実績データは教師データとして使用しないことになる。炉況の好調期間および不調期間の抽出は、上記判定処理を実行可能な評価装置によって判断してよいが、ユーザの目視判断を加えて、複数の期間をまとめて好調期間または不調期間としてもよいし、短い期間については一時的なものとして除外してもよい。   From the determination result of the occurrence of wind reduction, whether or not the furnace condition is favorable is determined. For example, the determination of whether the furnace condition is bad or not is performed when the occurrence of wind reduction is less than a predetermined rate (for example, 10% or less) for a certain period of time (for example, ± 120 hours) before and after the determination of the furnace condition. When the occurrence of wind reduction is a predetermined rate or more (for example, 20% or more), the furnace condition can be considered to be in a malfunction. Based on such furnace state determination, it is possible to extract a favorable period and a malfunction period of the furnace condition. As a result, performance data in a region where the rate of occurrence of wind reduction is 10 to 20% is not used as teacher data. The extraction of the favorable period and the unsatisfactory period of the furnace condition may be determined by an evaluation apparatus capable of executing the above determination process, but a plurality of periods may be combined into a favorable period or an unsatisfactory period by adding visual judgment of the user. However, short periods may be excluded as temporary.

例えば、図４において、減風頻度の折れ線が、水平線Ａ１〜Ａ４以下の部分は減風の発生割合が１０％以下である期間を示し、水平線Ｂ１〜Ｂ３以上の部分は減風の発生割合が２０％以上である期間を示している。ここで、４月２０日頃から６月２２日頃までの期間に注目すると、減風の発生割合が１０％以下となって減風頻度の折れ線が水平線Ａ１以下であるのは４つの部分に分かれているが、この期間で減風頻度は多少変動しながらも水平線Ａ１の付近を保っているため、この期間をまとめて連続した一つの好調期間として抽出している。同様に、減風頻度の折れ線が水平線Ｂ３以上である部分も二つの部分に分かれているが、連続した一つの不調期間としている。水平線Ａ４以下である部分も同じく一つの好調期間としている。逆に、水平線Ａ２以下である期間も減風の発生割合が１０％以下であるが、この期間は一週間に満たないため、一時的なものとして好調期間からは除外している。また、水平線Ｂ２以上である期間は本手法で構成された操業評価値の検証に用いるため、教師データからは除外した。   For example, in FIG. 4, the broken line of the wind reduction frequency indicates a period in which the rate of occurrence of wind reduction is 10% or less in the portion below the horizontal lines A1 to A4, and the rate of occurrence of wind reduction is in the portion above the horizontal lines B1 to B3. The period which is 20% or more is shown. Here, paying attention to the period from around April 20 to around June 22, the rate of occurrence of wind reduction is 10% or less, and the broken line of wind reduction frequency is below the horizontal line A1, which is divided into four parts. However, since the frequency of wind reduction varies somewhat during this period, it remains in the vicinity of the horizon A1, and this period is extracted as one continuous favorable period. Similarly, the part where the broken line of the wind reduction frequency is equal to or greater than the horizontal line B3 is also divided into two parts, but it is one continuous malfunction period. The portion below the horizontal line A4 is also set as one favorable period. On the contrary, in the period below the horizon A2, the rate of occurrence of wind reduction is 10% or less, but since this period is less than one week, it is excluded from the favorable period as a temporary one. Moreover, since it used for verification of the operation evaluation value comprised by this method during the period beyond the horizontal line B2, it excluded from the teacher data.

以下では、図４の期間を含む約３年間の実績データ取得期間において、１１個の好調期間（好調期間の合計時間：約６００日）と９個の不調期間（不調期間の合計時間：約２５０日）とが抽出されたとして説明する。操業状況評価済データベース３０には、これらの好調期間および不調期間における実績データ（評価済実績データ）が、炉況の好調期間または不調期間を識別するための炉況判定結果と関連付けて記録される。炉況判定結果は、例えば、好調期間を「０」、不調期間を「１」として表すことができる。   In the following, in the performance data acquisition period of about 3 years including the period of FIG. 4, 11 good periods (total time of good periods: about 600 days) and 9 bad periods (total time of bad periods: about 250) The explanation will be made assuming that the date is extracted. The operational status evaluated database 30 records the actual data (evaluated actual data) in these favorable periods and inadequate periods in association with the furnace condition determination results for identifying the favorable period or the abnormal period of the furnace condition. . The furnace condition determination result can be expressed, for example, as “0” for a favorable period and “1” for a malfunction period.

ステップＳ１１０では、減風発生の判定において減風発生を判定する時点の前後一定時間の実績データを用いるとともに、炉況の好調不調の判定においても炉況を判定する時点の前後一定時間の実績データを用いる。このように、評価時点に対して前後一定期間の実績データを用いて評価を行うことで、過去および将来の操業状況を考慮した評価結果を取得することができる。   In step S110, the actual data for a certain time before and after the time point when the occurrence of the wind decrease is determined in the determination of the occurrence of the wind decrease, and the actual data for a certain time period before and after the time when the furnace condition is determined in the determination of the poor condition of the furnace condition. Is used. In this way, by using the performance data for a certain period before and after the evaluation time point, the evaluation result in consideration of the past and future operation status can be acquired.

ステップＳ１００およびＳ１１０の前提処理にて取得された実績データベース２０の実績データおよび操業状況評価済データベース３０の評価済実績データに基づき、プロセスの操業状況評価処理が行われる。操業状況評価処理は、まず、相関解析部１１０により、操業状況評価済データベース３０に記録された評価済実績データについて確率分布相関解析が行われる（Ｓ１２０）。ステップＳ１２０では、評価済実績データを教師データとして、プロセスの全操業変数データの確率分布相関解析が行われる。   Based on the results data of the results database 20 and the evaluated results data of the operation status evaluated database 30 acquired in the premise processing of steps S100 and S110, the operation status evaluation process of the process is performed. In the operation status evaluation process, first, the correlation analysis unit 110 performs probability distribution correlation analysis on the evaluated performance data recorded in the operation status evaluated database 30 (S120). In step S120, probability distribution correlation analysis of all process variable data of the process is performed using the evaluated performance data as teacher data.

例えば、図５に示すように入力変数２１個、出力変数７６個からなる合計９７個の送風流量の操業変数があるとする。送風流量の操業変数としては、例えば、入力変数ではＣＲやＰＣＲ等、出力変数では高炉本体系熱負荷や送風圧力等がある。相関解析部１１０は、
評価済実績データの各操業変数の各操業変数区分について操業状況の良否判定結果の確率密度分布に基づいて操業評価指標を算出する。そして、相関解析部１１０は、各操業変数区分の操業評価指標から最大値および最小値を選択し、その差分で表される操業影響度を算出する。本例の確率分布相関解析では、確率分布関数としては正規分布を用い、操業評価確率値αを５０％としている。 For example, as shown in FIG. 5, it is assumed that there are 97 operation variables with a total of 97 blast flow rates including 21 input variables and 76 output variables. As the operation variable of the air flow rate, for example, CR and PCR are input variables, and the blast furnace main body system thermal load and the air pressure are output variables. The correlation analysis unit 110
An operation evaluation index is calculated on the basis of the probability density distribution of the operation status determination result for each operation variable classification of each operation variable of the evaluated performance data. Then, the correlation analysis unit 110 selects the maximum value and the minimum value from the operation evaluation indexes of the respective operation variable categories, and calculates the operation influence degree represented by the difference. In the probability distribution correlation analysis of this example, a normal distribution is used as the probability distribution function, and the operation evaluation probability value α is set to 50%.

図６に、９７個の操業変数のうち「入力変数６」についての炉況の不調との相関関係を示す。図６に示すグラフの縦軸は、「入力変数６」についての評価済実績データの累積確率が５０％に等しくなる操業評価指標の値を示している。図６の横軸は「入力変数６」の値を示しており、折れ線グラフの黒点は操業変数区分作成部で作成された「入力変数６」の各操業変数区分の中点の位置に表示されている。図６に示す例では、「入力変数６」が０．８８を含む操業変数区分内の値であるとき操業評価指標の値は０．０１６１で最小値となり、「入力変数６」が１．０２を含む操業変数区分内の値であるとき操業評価指標の値は０．７０７２で最大値をとなる。このときの操業影響度は、最大値と最小値との差分より０．６９１１である。   FIG. 6 shows the correlation between the “input variable 6” of 97 operating variables and the furnace condition malfunction. The vertical axis of the graph shown in FIG. 6 indicates the value of the operation evaluation index at which the cumulative probability of evaluated performance data for “input variable 6” is equal to 50%. The horizontal axis of FIG. 6 indicates the value of “input variable 6”, and the black dot of the line graph is displayed at the midpoint position of each operation variable section of “input variable 6” created by the operation variable section creation unit. ing. In the example shown in FIG. 6, when “input variable 6” is a value within the operation variable category including 0.88, the value of the operation evaluation index is 0.0161, which is the minimum value, and “input variable 6” is 1.02. The value of the operation evaluation index is 0.7072, which is the maximum value. The operation influence degree at this time is 0.6911 from the difference between the maximum value and the minimum value.

このように各操業変数について炉況の不調との相関関係を算出し、操業影響度を算出する。図５には、各操業変数について、操業評価指標の最大値および最小値と操業影響度との算出結果を示しており、操業変数を操業影響度の大きい順にソートして示している。このような解析結果より、相関解析部１１０は、操業影響度の大きい操業変数を所定数抽出し、抽出された操業変数を、操業評価関数を構築するための教師データとして用いる。図５において、太枠で囲まれた操業変数が教師データとして選択されたものである。本例では、操業影響度について降順に、「出力変数４１」、「入力変数６」、「出力変数５９」、「出力変数３０」、「出力変数１５」、「出力変数２３」、「出力変数６９」および「入力変数５」の８個が全操業変数の中で操業影響度の大きい操業変数として抽出されている。   In this way, the correlation with the malfunction of the furnace condition is calculated for each operation variable, and the operation influence degree is calculated. FIG. 5 shows the calculation results of the maximum and minimum values of the operation evaluation index and the operation influence degree for each operation variable. The operation variables are sorted in descending order of the operation influence degree. From such an analysis result, the correlation analysis unit 110 extracts a predetermined number of operation variables having a large operation influence degree, and uses the extracted operation variables as teacher data for constructing an operation evaluation function. In FIG. 5, the operation variable surrounded by the thick frame is selected as the teacher data. In this example, “output variable 41”, “input variable 6”, “output variable 59”, “output variable 30”, “output variable 15”, “output variable 23”, “output variable” in descending order with respect to the operational impact. 69 ”and“ input variable 5 ”are extracted as operation variables having a large operation influence degree among all the operation variables.

さらに、全操業変数の中で操業影響度が大きい操業変数に加えて、プロセスへの入力変数とプロセスからの出力変数のように操業変数をいくつかのグループに分類し、そのグループ内で操業影響度の大きい変数を抽出してもよい。例えば、全操業変数の中で操業影響度が大きいものとして抽出された操業変数は、出力変数の割合が入力変数に対して大きい。そこで、入力変数の中で操業影響度が大きい操業変数をさらに抽出する。図５に示す例では、例えば「入力変数１８」が抽出されている。   Furthermore, in addition to the operational variables that have the largest operational impact among all operational variables, the operational variables are classified into several groups, such as input variables to the process and output variables from the process, and the operational impact within that group. A variable having a high degree may be extracted. For example, among the operation variables, the operation variables extracted as having a large operation influence degree have a larger output variable ratio than the input variables. Therefore, an operation variable having a large operation influence level is further extracted from the input variables. In the example shown in FIG. 5, for example, “input variable 18” is extracted.

また、操業に関する知見から影響が考えられる操業変数を抽出してもよい。図５に示す例では、例えば「入力変数１９」、「入力変数７」、「出力変数６５」および「出力変数２４」が抽出されている。これより、全９７個の操業変数より合計１３個の操業変数が抽出される。なお、抽出する操業変数の数は予め設定してもよく、あるいは、操業影響度の大きい順に所定数の操業変数を抽出した後に、あるグループ内で大きい操業変数や、操業に関する従来知見より影響の大きいと考えられる操業変数を予め設定された数だけ加えるようにしてもよい。   Moreover, you may extract the operation variable from which the influence can be considered from the knowledge regarding operation. In the example shown in FIG. 5, for example, “input variable 19”, “input variable 7”, “output variable 65”, and “output variable 24” are extracted. In this way, a total of 13 operation variables are extracted from all 97 operation variables. Note that the number of operation variables to be extracted may be set in advance, or after extracting a predetermined number of operation variables in descending order of the degree of influence of operation, the influence of the large operation variables within a group or the conventional knowledge on operation A predetermined number of operation variables that are considered to be large may be added.

確率分布相関解析を用いることで、各操業変数に対する操業影響度を算出し、当該操業影響度の大きさに基づき、プロセスの操業状況の良否に影響の大きい操業変数を適切に選択することができる。このように選択された操業変数の実績データを入力変数データとして、後述するステップＳ１３０により操業状況の評価を行う操業評価関数を構築することで、操業評価関数の精度も向上させることができる。また、評価済実績データの中からプロセスの操業状況の良否に影響の大きい操業変数のデータのみを用いて操業評価関数を構築するため、構築のための計算処理の負荷を軽減することもできる。   By using probability distribution correlation analysis, it is possible to calculate the operational impact for each operational variable, and to appropriately select operational variables that have a large impact on the quality of the operational status of the process based on the magnitude of the operational impact. . By constructing an operation evaluation function that evaluates the operation status in step S130 described later using the actual data of the operation variable selected in this manner as input variable data, the accuracy of the operation evaluation function can be improved. In addition, since the operation evaluation function is constructed using only the operation variable data that has a great influence on the quality of the operation status of the process from the evaluated performance data, it is possible to reduce the calculation processing load for the construction.

ステップＳ１２０の確率分布相関解析処理を終えると、ステップＳ１２０にて抽出された操業変数に基づいて、操業評価関数構成部１２０により操業評価関数を構築する（Ｓ１３０）。ステップＳ１３０では、相関解析部１１０で操業影響度が大きいとして抽出された評価済実績データの操業変数を入力変数とし、当該評価済実績データの操業の良否判定結果を出力変数として、ＳＶＭを用いた操業評価関数ｙ（ｘ）を構築する。操業評価関数ｙ（ｘ）は、上記数式２により表される。このとき数式２のパラメータａｉおよびｂは、ステップＳ１２０で抽出された１３個の操業変数に基づき決定される。 When the probability distribution correlation analysis process in step S120 is completed, an operation evaluation function is constructed by the operation evaluation function construction unit 120 based on the operation variable extracted in step S120 (S130). In step S130, the operation variable of the evaluated performance data extracted as the operation influence degree is large by the correlation analysis unit 110 is used as an input variable, and the operation quality determination result of the evaluated performance data is used as an output variable. An operation evaluation function y (x) is constructed. The operation evaluation function y (x) is expressed by Equation 2 above. At this time, the parameters a i and b in Expression 2 are determined based on the 13 operation variables extracted in step S120.

ステップＳ１３０で操業評価関数ｙ（ｘ）が構築されると、操業評価部１３０は、実績データベース２０が記憶する実績データに関し、操業評価関数を用いて操業評価値となるＳＶＭ判別値ｙ（Ｘ）を算出する（Ｓ１４０）。ステップＳ１４０では、操業評価関数ｙ（ｘ）より算出された操業評価値ｙ（Ｘ）に対して移動平均等のフィルタ処理を行い、時系列データの平滑化をしてもよい。   When the operation evaluation function y (x) is constructed in step S130, the operation evaluation unit 130 relates to the result data stored in the result database 20, and uses the operation evaluation function to determine the SVM discrimination value y (X) that is the operation evaluation value. Is calculated (S140). In step S140, time series data may be smoothed by performing a filtering process such as moving average on the operation evaluation value y (X) calculated from the operation evaluation function y (x).

その後、操業評価出力部１４０は、ステップＳ１４０にて算出された操業評価値を表示し、評価結果をユーザに提示する（ステップＳ１５０）。ステップＳ１５０では、ステップＳ１４０により求めた各実績データの操業評価値ｙ（Ｘ）を表すグラフ等を表示する。所定の判断基準に基づき評価を行う評価装置（図示せず。）あるいはオペレータは、当該グラフに基づきプロセスの操業状況の良否を判定することができる。ステップＳ１５０では、操業評価値が閾値に近づいた場合にオペレータにアラームを発するようにしてもよい。   Thereafter, the operation evaluation output unit 140 displays the operation evaluation value calculated in step S140 and presents the evaluation result to the user (step S150). In step S150, a graph or the like representing the operation evaluation value y (X) of each performance data obtained in step S140 is displayed. An evaluation device (not shown) or an operator that performs an evaluation based on a predetermined determination criterion can determine whether the operation status of the process is good or not based on the graph. In step S150, an alarm may be issued to the operator when the operation evaluation value approaches the threshold value.

＜３．実施例＞
図７に、本実施形態に係る操業状況評価装置１００による操業状況評価方法を用いて高炉の製造プロセス１０の操業状況を評価した評価結果の一実施例を示す。図７の上図は、過去の実績データの一期間（６月２２日〜８月１０日）において取得した送風流量の値を炉容積で割った相対値を○で示している。また、図７の下図は、上図の送風流量の実績データから本実施形態に係る操業状況評価方法を用いて算出されたＳＶＭ判別値を示している。 <3. Example>
FIG. 7 shows an example of an evaluation result obtained by evaluating the operation status of the blast furnace manufacturing process 10 using the operation status evaluation method by the operation status evaluation apparatus 100 according to the present embodiment. The upper diagram of FIG. 7 indicates the relative value obtained by dividing the value of the blown air flow rate acquired in one period (June 22 to August 10) of the past performance data by the furnace volume. Moreover, the lower figure of FIG. 7 has shown the SVM discriminant value calculated using the operation condition evaluation method which concerns on this embodiment from the performance data of the ventilation flow rate of the upper figure.

本実施例では、上述のプロセスの操業状況評価方法のステップＳ１１０に関する説明において一例として示した判定条件に基づいて、過去約３年分の実績データから、明らかに好調とされた約６００日と、明らかに不調とされた約２５０日とが好調期間または不調期間として抽出された評価済実績データが取得されたものとする。当該評価済データには、図７の上図の不調期間１および好調期間が含まれている。操業状況評価装置１００は、全操業変数１６６因子に対し確率分布相関解析を用いて操業影響度を算出した。この結果より、操業影響度が大きかったものから所定数の変数を抽出し、操業評価関数を構築するための教師データとする。   In this example, based on the determination condition shown as an example in the description of step S110 of the operation status evaluation method of the above-described process, from the performance data for about the past three years, about 600 days that were clearly favorable, Assume that the evaluated performance data is acquired in which about 250 days, which are clearly unsatisfactory, are extracted as the favorable period or the unsatisfactory period. The evaluated data includes the malfunction period 1 and the favorable period in the upper diagram of FIG. The operation status evaluation apparatus 100 calculates the operation influence degree using probability distribution correlation analysis for all the operation variables 166 factors. From this result, a predetermined number of variables are extracted from those having a large operation influence degree, and used as teacher data for constructing an operation evaluation function.

教師データとする評価済実績データの操業変数は、例えば図５に示したように、まず、全操業変数の中で操業影響度の大きかったものから８変数を選択して抽出した。次に、プロセスへの入力変数と出力変数とで操業変数をグループ分けしたときに、入力変数の中で操業影響度が大きい上位３変数に入っていた１変数が先の８変数に含まれていなかったため、当該１変数を教師データに追加した。最後に、過去の操業に関する知見から影響が考えられる４変数を加えた。このように選択された合計１３変数を用いて、ＳＶＭに基づき上記数式（２）で表される操業評価関数ｙ（ｘ）を構成した。そして、操業評価関数ｙ（ｘ）を用いて過去約３年分の実績データについての操業評価値であるＳＶＭ判別値を算出した。図７の下図に、算出されたＳＶＭ判別値をグレーの線で表す。   As shown in FIG. 5, for example, as shown in FIG. 5, the operation variables of the evaluated performance data used as the teacher data were first extracted by selecting eight variables from the ones having the largest operation influence degree. Next, when the operation variables are grouped into input variables and output variables to the process, the first 8 variables included in the top 3 variables with the largest operational impact among the input variables are included in the previous 8 variables. Since there was not, the 1 variable was added to the teacher data. Finally, we added four variables that could have an impact from past operational knowledge. Using the 13 variables selected in this way, the operation evaluation function y (x) represented by the above formula (2) was configured based on SVM. And the SVM discriminant value which is an operation evaluation value about the performance data for the past about three years was calculated using the operation evaluation function y (x). In the lower diagram of FIG. 7, the calculated SVM discrimination value is represented by a gray line.

図７の上図に示すように、炉況が不調であるとされる期間においては減風頻度が高まっているが、図７の下図に示すように、操業評価関数ｙ（ｘ）を用いて算出されたＳＶＭ判別値は、減風頻度が高い箇所では対応して大きくなる傾向があることがわかる。このように、ＳＶＭ判別値として連続的な操業評価値を得ることができ、その変化をみることで減風頻度が高く炉況が不調となる期間を推定することができる。また、図７に示すように操業評価値であるＳＶＭ判別値の移動平均をとることにより、操業評価値の変化傾向を得ることができる。ＳＶＭ判別値を用いた連続的な操業評価値によって、操業評価値の変化の程度まで認識できるようになり、より厳密に炉況を評価することが可能となる。   As shown in the upper diagram of FIG. 7, the frequency of wind reduction increases during the period when the furnace condition is not satisfactory, but as shown in the lower diagram of FIG. 7, the operation evaluation function y (x) is used. It can be seen that the calculated SVM discrimination value tends to increase correspondingly at locations where the wind reduction frequency is high. In this way, a continuous operation evaluation value can be obtained as the SVM discrimination value, and by looking at the change, it is possible to estimate a period during which the wind-reducing frequency is high and the furnace condition is unstable. Further, as shown in FIG. 7, by taking a moving average of the SVM discriminant values that are operation evaluation values, it is possible to obtain a change tendency of the operation evaluation values. With the continuous operation evaluation value using the SVM discriminant value, the degree of change in the operation evaluation value can be recognized, and the furnace condition can be evaluated more strictly.

また、図７の上図の不調期間２は、評価済実績データには含まれておらず、したがって操業評価関数構築のための教師データには用いていない。しかし、図７の下図に示すように、評価済実績データではない期間の実績データにより算出された操業評価値についても同様に減風頻度が高い箇所に連動して変化しており、正しい評価ができていることを確認した。   Further, the malfunction period 2 shown in the upper diagram of FIG. 7 is not included in the evaluated performance data, and thus is not used as teacher data for constructing an operation evaluation function. However, as shown in the lower diagram of FIG. 7, the operation evaluation value calculated based on the performance data of the period that is not the evaluated performance data also changes in conjunction with the portion where the wind reduction frequency is high, and the correct evaluation is performed. I confirmed that it was made.

＜４．ハードウェア構成＞
次に、図８に基づいて、上記実施形態に係る操業状況評価装置１００のハードウェア構成について、詳細に説明する。図８は、上記実施形態に係る操業状況評価装置１００のハードウェア構成を示すブロック図である。 <4. Hardware configuration>
Next, based on FIG. 8, the hardware configuration of the operation status evaluation apparatus 100 according to the embodiment will be described in detail. FIG. 8 is a block diagram showing a hardware configuration of the operation status evaluation apparatus 100 according to the embodiment.

操業状況評価装置１００は、主に、ＣＰＵ９０１と、ＲＯＭ９０３と、ＲＡＭ９０５と、を備える。また、操業状況評価装置１００は、更に、バス９０７と、入力装置９０９と、出力装置９１１と、ストレージ装置９１３と、ドライブ９１５と、接続ポート９１７と、通信装置９１９とを備える。   The operation status evaluation apparatus 100 mainly includes a CPU 901, a ROM 903, and a RAM 905. The operation status evaluation apparatus 100 further includes a bus 907, an input device 909, an output device 911, a storage device 913, a drive 915, a connection port 917, and a communication device 919.

ＣＰＵ９０１は、演算処理装置および制御装置として機能し、ＲＯＭ９０３、ＲＡＭ９０５、ストレージ装置９１３、またはリムーバブル記録媒体９２１に記録された各種プログラムに従って、操業状況評価装置１００内の動作全般またはその一部を制御する。ＲＯＭ９０３は、ＣＰＵ９０１が使用するプログラムや演算パラメータ等を記憶する。ＲＡＭ９０５は、ＣＰＵ９０１が使用するプログラムや、プログラムの実行において適宜変化するパラメータ等を一次記憶する。これらはＣＰＵバス等の内部バスにより構成されるバス９０７により相互に接続されている。   The CPU 901 functions as an arithmetic processing unit and a control unit, and controls all or a part of the operation in the operation status evaluation apparatus 100 according to various programs recorded in the ROM 903, the RAM 905, the storage device 913, or the removable recording medium 921. . The ROM 903 stores programs used by the CPU 901, calculation parameters, and the like. The RAM 905 primarily stores programs used by the CPU 901, parameters that change as appropriate during execution of the programs, and the like. These are connected to each other by a bus 907 constituted by an internal bus such as a CPU bus.

バス９０７は、ブリッジを介して、ＰＣＩ（Ｐｅｒｉｐｈｅｒａｌ Ｃｏｍｐｏｎｅｎｔ Ｉｎｔｅｒｃｏｎｎｅｃｔ／Ｉｎｔｅｒｆａｃｅ）バスなどの外部バスに接続されている。   The bus 907 is connected to an external bus such as a PCI (Peripheral Component Interconnect / Interface) bus via a bridge.

入力装置９０９は、例えば、マウス、キーボード、タッチパネル、ボタン、スイッチおよびレバーなどユーザが操作する操作手段である。また、入力装置９０９は、例えば、赤外線やその他の電波を利用したリモートコントロール手段（いわゆる、リモコン）であってもよいし、操業状況評価装置１００の操作に対応したＰＤＡ等の外部接続機器９２３であってもよい。さらに、入力装置９０９は、例えば、上記の操作手段を用いてユーザにより入力された情報に基づいて入力信号を生成し、ＣＰＵ９０１に出力する入力制御回路などから構成されている。操業状況評価装置１００のユーザは、この入力装置９０９を操作することにより、操業状況評価装置１００に対して各種のデータを入力したり処理動作を指示したりすることができる。   The input device 909 is an operation unit operated by the user, such as a mouse, a keyboard, a touch panel, a button, a switch, and a lever. The input device 909 may be, for example, remote control means (so-called remote control) using infrared rays or other radio waves, or may be an external connection device 923 such as a PDA corresponding to the operation of the operation status evaluation device 100. There may be. Furthermore, the input device 909 includes, for example, an input control circuit that generates an input signal based on information input by a user using the operation unit and outputs the input signal to the CPU 901. The user of the operation status evaluation apparatus 100 can input various data and instruct processing operations to the operation status evaluation apparatus 100 by operating the input device 909.

出力装置９１１は、取得した情報をユーザに対して視覚的または聴覚的に通知することが可能な装置で構成される。このような装置として、ＣＲＴディスプレイ装置、液晶ディスプレイ装置、プラズマディスプレイ装置、ＥＬディスプレイ装置およびランプなどの表示装置や、スピーカおよびヘッドホンなどの音声出力装置や、プリンタ装置、携帯電話、ファクシミリなどがある。出力装置９１１は、例えば、操業状況評価装置１００が行った各種処理により得られた結果を出力する。具体的には、表示装置は、操業状況評価装置１００が行った各種処理により得られた結果を、テキストまたはイメージで表示する。他方、音声出力装置は、再生された音声データや音響データ等からなるオーディオ信号をアナログ信号に変換して出力する。   The output device 911 is configured by a device that can notify the user of the acquired information visually or audibly. Examples of such devices include CRT display devices, liquid crystal display devices, plasma display devices, EL display devices and display devices such as lamps, audio output devices such as speakers and headphones, printer devices, mobile phones, and facsimiles. The output device 911 outputs results obtained by various processes performed by the operation status evaluation device 100, for example. Specifically, the display device displays results obtained by various processes performed by the operation status evaluation device 100 as text or images. On the other hand, the audio output device converts an audio signal composed of reproduced audio data, acoustic data, and the like into an analog signal and outputs the analog signal.

ストレージ装置９１３は、操業状況評価装置１００の記憶部の一例として構成されたデータ格納用の装置である。ストレージ装置９１３は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）等の磁気記憶部デバイス、半導体記憶デバイス、光記憶デバイス、または光磁気記憶デバイス等により構成される。このストレージ装置９１３は、ＣＰＵ９０１が実行するプログラムや各種データ、および外部から取得した各種のデータなどを格納する。   The storage device 913 is a data storage device configured as an example of a storage unit of the operation status evaluation device 100. The storage device 913 includes, for example, a magnetic storage device such as an HDD (Hard Disk Drive), a semiconductor storage device, an optical storage device, or a magneto-optical storage device. The storage device 913 stores programs executed by the CPU 901, various data, various data acquired from the outside, and the like.

ドライブ９１５は、記録媒体用リーダライタであり、操業状況評価装置１００に内蔵、あるいは外付けされる。ドライブ９１５は、装着されている磁気ディスク、光ディスク、光磁気ディスク、または半導体メモリ等のリムーバブル記録媒体９２１に記録されている情報を読み出して、ＲＡＭ９０５に出力する。また、ドライブ９１５は、装着されている磁気ディスク、光ディスク、光磁気ディスク、または半導体メモリ等のリムーバブル記録媒体９２１に記録を書き込むことも可能である。リムーバブル記録媒体９２１は、例えば、ＣＤメディア、ＤＶＤメディア、Ｂｌｕ−ｒａｙメディア等である。また、リムーバブル記録媒体９２１は、コンパクトフラッシュ（登録商標）（ＣｏｍｐａｃｔＦｌａｓｈ：ＣＦ）、フラッシュメモリ、または、ＳＤメモリカード（Ｓｅｃｕｒｅ Ｄｉｇｉｔａｌ ｍｅｍｏｒｙ ｃａｒｄ）等であってもよい。また、リムーバブル記録媒体９２１は、例えば、非接触型ＩＣチップを搭載したＩＣカード（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ ｃａｒｄ）または電子機器等であってもよい。   The drive 915 is a recording medium reader / writer, and is built in or externally attached to the operation status evaluation apparatus 100. The drive 915 reads information recorded on a removable recording medium 921 such as a mounted magnetic disk, optical disk, magneto-optical disk, or semiconductor memory, and outputs the information to the RAM 905. The drive 915 can also write a record on a removable recording medium 921 such as a magnetic disk, an optical disk, a magneto-optical disk, or a semiconductor memory. The removable recording medium 921 is, for example, a CD medium, a DVD medium, a Blu-ray medium, or the like. The removable recording medium 921 may be a CompactFlash (registered trademark) (CompactFlash: CF), a flash memory, an SD memory card (Secure Digital memory card), or the like. Further, the removable recording medium 921 may be, for example, an IC card (Integrated Circuit card) on which a non-contact IC chip is mounted, an electronic device, or the like.

接続ポート９１７は、機器を操業状況評価装置１００に直接接続するためのポートである。接続ポート９１７の一例として、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）ポート、ＩＥＥＥ１３９４ポート、ＳＣＳＩ（Ｓｍａｌｌ Ｃｏｍｐｕｔｅｒ Ｓｙｓｔｅｍ Ｉｎｔｅｒｆａｃｅ）ポート、ＲＳ−２３２Ｃポート等がある。この接続ポート９１７に外部接続機器９２３を接続することで、操業状況評価装置１００は、外部接続機器９２３から直接各種のデータを取得したり、外部接続機器９２３に各種のデータを提供したりする。   The connection port 917 is a port for directly connecting a device to the operation status evaluation apparatus 100. Examples of the connection port 917 include a USB (Universal Serial Bus) port, an IEEE 1394 port, a SCSI (Small Computer System Interface) port, and an RS-232C port. By connecting the external connection device 923 to the connection port 917, the operation status evaluation apparatus 100 acquires various data directly from the external connection device 923 or provides various data to the external connection device 923.

通信装置９１９は、例えば、通信網９２５に接続するための通信デバイス等で構成された通信インタフェースである。通信装置９１９は、例えば、有線または無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、またはＷＵＳＢ（Ｗｉｒｅｌｅｓｓ ＵＳＢ）用の通信カード等である。また、通信装置９１９は、光通信用のルータ、ＡＤＳＬ（Ａｓｙｍｍｅｔｒｉｃ Ｄｉｇｉｔａｌ Ｓｕｂｓｃｒｉｂｅｒ Ｌｉｎｅ）用のルータ、または、各種通信用のモデム等であってもよい。この通信装置９１９は、例えば、インターネットや他の通信機器との間で、例えばＴＣＰ／ＩＰ等の所定のプロトコルに則して信号等を送受信することができる。また、通信装置９１９に接続される通信網９２５は、有線または無線によって接続されたネットワーク等により構成され、例えば、インターネット、家庭内ＬＡＮ、赤外線通信、ラジオ波通信または衛星通信等であってもよい。   The communication device 919 is a communication interface including a communication device for connecting to the communication network 925, for example. The communication device 919 is, for example, a communication card for wired or wireless LAN (Local Area Network), Bluetooth (registered trademark), or WUSB (Wireless USB). The communication device 919 may be a router for optical communication, a router for ADSL (Asymmetric Digital Subscriber Line), or a modem for various communication. The communication device 919 can transmit and receive signals and the like according to a predetermined protocol such as TCP / IP, for example, with the Internet and other communication devices. The communication network 925 connected to the communication device 919 is configured by a wired or wireless network, and may be, for example, the Internet, a home LAN, infrared communication, radio wave communication, satellite communication, or the like. .

以上、上記の本発明の実施形態に係る操業状況評価装置１００の機能を実現可能なハードウェア構成の一例を示した。上記の各構成要素は、汎用的な部材を用いて構成されていてもよいし、各構成要素の機能に特化したハードウェアにより構成されていてもよい。従って、本実施形態を実施する時々の技術レベルに応じて、適宜、利用するハードウェア構成を変更することが可能である。   Heretofore, an example of the hardware configuration capable of realizing the function of the operation status evaluation apparatus 100 according to the embodiment of the present invention has been shown. Each component described above may be configured using a general-purpose member, or may be configured by hardware specialized for the function of each component. Therefore, it is possible to change the hardware configuration to be used as appropriate according to the technical level at the time of carrying out this embodiment.

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.

１０ 製造プロセス
２０ 実績データベース
３０ 操業状況評価済データベース
１００ 操業状況評価装置
１１０ 相関解析部
１１２ 確率分布算出部
１１４ 操業評価指標算出部
１１６ 操業影響度算出部
１２０ 操業評価関数構成部
１３０ 操業評価部
１４０ 操業評価出力部
DESCRIPTION OF SYMBOLS 10 Manufacturing process 20 Performance database 30 Operation status evaluation completed database 100 Operation status evaluation apparatus 110 Correlation analysis part 112 Probability distribution calculation part 114 Operation evaluation index calculation part 116 Operation influence degree calculation part 120 Operation evaluation function structure part 130 Operation evaluation part 140 Operation Evaluation output section

Claims (11)

プロセスの操業状況を表す実績データと、当該操業状況の良否の評価である良否判定結果とを含むデータである評価済実績データから、前記実績データに含まれる操業条件を、操業変数毎に複数の範囲に区分し、各区分における前記良否判定結果の確率分布をそれぞれ算出し、前記各確率分布から算出される当該操業変数の前記操業状況の良否への影響度である操業影響度に基づいて、前記プロセスの操業状況の良否と相関の高い前記操業変数を抽出する確率分布相関解析を行う相関解析部と、
相関の高い前記操業変数および前記良否判定結果に基づいて、前記プロセスの操業状況を評価する操業評価値を算出するための操業評価関数を、サポートベクターマシンを用いて構成する操業評価関数構成部と、
前記操業評価関数に基づいて新たな実績データに対する前記操業評価値を算出する操業評価部と、
前記新たな実績データに対する前記操業評価値を提示する操業評価出力部と、
を備えることを特徴とする、プロセスの操業状況評価装置。 From the evaluated performance data that is the data including the performance data representing the operation status of the process and the pass / fail judgment result that is the evaluation of the pass / fail of the operation status, the operation conditions included in the performance data are set for each operation variable. Dividing into ranges, calculating the probability distribution of the pass / fail judgment results in each section, and based on the operation influence degree that is the degree of influence on the pass / fail of the operation status of the operation variable calculated from each probability distribution, A correlation analysis unit that performs a probability distribution correlation analysis that extracts the operation variables highly correlated with the quality of the operation status of the process;
Based on the operation variable with high correlation and the pass / fail judgment result, an operation evaluation function for calculating an operation evaluation value for evaluating the operation status of the process, an operation evaluation function configuration unit configured using a support vector machine; ,
An operation evaluation unit that calculates the operation evaluation value for new performance data based on the operation evaluation function;
An operation evaluation output unit for presenting the operation evaluation value for the new performance data;
A process operation status evaluation device characterized by comprising: 前記相関解析部は、前記評価済実績データの確率分布相関解析により算出された前記操業影響度が大きい操業変数を選択することを特徴とする、請求項１に記載の操業状況評価装置。   The operation status evaluation apparatus according to claim 1, wherein the correlation analysis unit selects an operation variable having a large operation influence degree calculated by a probability distribution correlation analysis of the evaluated performance data. 前記相関解析部は、前記評価済実績データの前記操業変数を前記プロセスへの入力変数と前記プロセスからの出力変数とに分類し、前記入力変数と前記出力変数とにおいて前記操業影響度が大きい操業変数をそれぞれ選択することを特徴とする、請求項２に記載の操業状況評価装置。   The correlation analysis unit classifies the operation variables of the evaluated performance data into an input variable to the process and an output variable from the process, and an operation having a large operation influence degree in the input variable and the output variable. The operation status evaluation device according to claim 2, wherein each variable is selected. 前記良否判定結果は、二値データにより表されることを特徴とする、請求項１〜３のいずれか１項に記載の操業状況評価装置。   The operation status evaluation apparatus according to claim 1, wherein the pass / fail determination result is represented by binary data. 前記良否判定結果は、評価時点に対して前後一定期間の前記評価済実績データを用いて算出されることを特徴とする、請求項１〜４のいずれか１項に記載の操業状況評価装置。   The operation status evaluation apparatus according to claim 1, wherein the pass / fail determination result is calculated using the evaluated performance data for a predetermined period before and after the evaluation time point. 前記操業評価部は、前記操業評価値として連続値を算出することを特徴とする、請求項１〜５のいずれか１項に記載の操業状況評価装置。   The said operation evaluation part calculates a continuous value as said operation evaluation value, The operation condition evaluation apparatus of any one of Claims 1-5 characterized by the above-mentioned. 前記操業評価部は、前記連続値に対して平滑化処理を行った値を前記操業評価値とすることを特徴とする、請求項６に記載の操業状況評価装置。   The said operation evaluation part makes the value which smoothed the said continuous value the said operation evaluation value, The operation condition evaluation apparatus of Claim 6 characterized by the above-mentioned. 前記評価済実績データは、過去の前記プロセスの操業状況のうち良否の特徴を表している典型的な操業状況を表す前記実績データを評価したデータとすることを特徴とする、請求項１〜７のいずれか１項に記載の操業状況評価装置。   The evaluated performance data is data obtained by evaluating the performance data representing a typical operation status representing a quality characteristic among the operation status of the process in the past. The operation status evaluation apparatus according to any one of the above. プロセスの操業状況を表す実績データと、当該操業状況の良否の評価である良否判定結果とを含むデータである評価済実績データから、前記実績データに含まれる操業条件を、操業変数毎に複数の範囲に区分し、各区分における前記良否判定結果の確率分布をそれぞれ算出し、前記各確率分布から算出される当該操業変数の前記操業状況の良否への影響度である操業影響度に基づいて、前記プロセスの操業状況の良否と相関の高い前記操業変数を抽出する確率分布相関解析を行う相関解析ステップと、
相関の高い前記操業変数および前記良否判定結果に基づいて、前記プロセスの操業状況を評価する操業評価値を算出するための操業評価関数を、サポートベクターマシンを用いて構成する操業評価関数構成ステップと、
前記操業評価関数に基づいて新たな実績データに対する前記操業評価値を算出する操業評価ステップと、
前記新たな実績データに対する前記操業評価値を提示する操業評価出力ステップと、
を含むことを特徴とする、プロセスの操業状況評価方法。 From the evaluated performance data that is the data including the performance data representing the operation status of the process and the pass / fail judgment result that is the evaluation of the pass / fail of the operation status, the operation conditions included in the performance data are set for each operation variable. Dividing into ranges, calculating the probability distribution of the pass / fail judgment results in each section, and based on the operation influence degree that is the degree of influence on the pass / fail of the operation status of the operation variable calculated from each probability distribution, A correlation analysis step for performing a probability distribution correlation analysis to extract the operation variables highly correlated with the quality of the operation status of the process;
An operation evaluation function configuration step for configuring an operation evaluation function for calculating an operation evaluation value for evaluating the operation status of the process based on the operation variable having high correlation and the pass / fail judgment result, using a support vector machine; and ,
An operation evaluation step for calculating the operation evaluation value for new performance data based on the operation evaluation function;
An operation evaluation output step for presenting the operation evaluation value for the new performance data;
A process operational status evaluation method characterized by comprising: コンピュータを、
プロセスの操業状況を表す実績データと、当該操業状況の良否の評価である良否判定結果とを含むデータである評価済実績データから、前記実績データに含まれる操業条件を、操業変数毎に複数の範囲に区分し、各区分における前記良否判定結果の確率分布をそれぞれ算出し、前記各確率分布から算出される当該操業変数の前記操業状況の良否への影響度である操業影響度に基づいて、前記プロセスの操業状況の良否と相関の高い前記操業変数を抽出する確率分布相関解析を行う相関解析部と、
相関の高い前記操業変数および前記良否判定結果に基づいて、前記プロセスの操業状況を評価する操業評価値を算出するための操業評価関数を、サポートベクターマシンを用いて構成する操業評価関数構成部と、
前記操業評価関数に基づいて新たな実績データに対する前記操業評価値を算出する操業評価部と、
前記新たな実績データに対する前記操業評価値を提示する操業評価出力部と、
を備えるプロセスの操業状況評価装置として機能させることを特徴とする、コンピュータプログラム。 Computer
From the evaluated performance data that is the data including the performance data representing the operation status of the process and the pass / fail judgment result that is the evaluation of the pass / fail of the operation status, the operation conditions included in the performance data are set for each operation variable. Dividing into ranges, calculating the probability distribution of the pass / fail judgment results in each section, and based on the operation influence degree that is the degree of influence on the pass / fail of the operation status of the operation variable calculated from each probability distribution, A correlation analysis unit that performs a probability distribution correlation analysis that extracts the operation variables highly correlated with the quality of the operation status of the process;
Based on the operation variable with high correlation and the pass / fail judgment result, an operation evaluation function for calculating an operation evaluation value for evaluating the operation status of the process, an operation evaluation function configuration unit configured using a support vector machine; ,
An operation evaluation unit that calculates the operation evaluation value for new performance data based on the operation evaluation function;
An operation evaluation output unit for presenting the operation evaluation value for the new performance data;
A computer program that functions as an operation status evaluation device for a process comprising: コンピュータに、
プロセスの操業状況を表す実績データと、当該操業状況の良否の評価である良否判定結果とを含むデータである評価済実績データから、前記実績データに含まれる操業条件を、操業変数毎に複数の範囲に区分し、各区分における前記良否判定結果の確率分布をそれぞれ算出し、前記各確率分布から算出される当該操業変数の前記操業状況の良否への影響度である操業影響度に基づいて、前記プロセスの操業状況の良否と相関の高い前記操業変数を抽出する確率分布相関解析を行う相関解析部と、
相関の高い前記操業変数および前記良否判定結果に基づいて、前記プロセスの操業状況を評価する操業評価値を算出するための操業評価関数を、サポートベクターマシンを用いて構成する操業評価関数構成部と、
前記操業評価関数に基づいて新たな実績データに対する前記操業評価値を算出する操業評価部と、
前記新たな実績データに対する前記操業評価値を提示する操業評価出力部と、
を備えるプロセスの操業状況評価装置として機能させるためのプログラムを記憶したコンピュータ読み取り可能な記憶媒体。
On the computer,
From the evaluated performance data that is the data including the performance data representing the operation status of the process and the pass / fail judgment result that is the evaluation of the pass / fail of the operation status, the operation conditions included in the performance data are set for each operation variable. Dividing into ranges, calculating the probability distribution of the pass / fail judgment results in each section, and based on the operation influence degree that is the degree of influence on the pass / fail of the operation status of the operation variable calculated from each probability distribution, A correlation analysis unit that performs a probability distribution correlation analysis that extracts the operation variables highly correlated with the quality of the operation status of the process;
Based on the operation variable with high correlation and the pass / fail judgment result, an operation evaluation function for calculating an operation evaluation value for evaluating the operation status of the process, an operation evaluation function configuration unit configured using a support vector machine; ,
An operation evaluation unit that calculates the operation evaluation value for new performance data based on the operation evaluation function;
An operation evaluation output unit for presenting the operation evaluation value for the new performance data;
A computer-readable storage medium storing a program for functioning as an operation status evaluation apparatus for a process.
JP2012001198A 2012-01-06 2012-01-06 Operation status evaluation device, operation status evaluation method, computer program, and computer-readable storage medium Active JP5633522B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2012001198A JP5633522B2 (en) 2012-01-06 2012-01-06 Operation status evaluation device, operation status evaluation method, computer program, and computer-readable storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2012001198A JP5633522B2 (en) 2012-01-06 2012-01-06 Operation status evaluation device, operation status evaluation method, computer program, and computer-readable storage medium

Publications (2)

Publication Number Publication Date
JP2013140548A true JP2013140548A (en) 2013-07-18
JP5633522B2 JP5633522B2 (en) 2014-12-03

Family

ID=49037910

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2012001198A Active JP5633522B2 (en) 2012-01-06 2012-01-06 Operation status evaluation device, operation status evaluation method, computer program, and computer-readable storage medium

Country Status (1)

Country Link
JP (1) JP5633522B2 (en)

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014113988A1 (en) 2013-10-31 2015-04-30 International Business Machines Corporation Generating device, production method and program
WO2016138674A1 (en) * 2015-03-03 2016-09-09 深圳市华星光电技术有限公司 Method for online real-time control on product process
JP2017161991A (en) * 2016-03-07 2017-09-14 三菱重工業株式会社 Quality evaluation system, quality evaluation method and program
JP2017537330A (en) * 2014-11-05 2017-12-14 インテル コーポレイション System for determining sensor status
JP2018132786A (en) * 2017-02-13 2018-08-23 株式会社神戸製鋼所 Plant situation information presentation system and plant situation information presentation method
JP2018177869A (en) * 2017-04-05 2018-11-15 新日鐵住金株式会社 An extrusion load predictor for a coke oven, a prediction method for an extrusion load, a computer program and a computer readable memory medium
CN109034244A (en) * 2018-07-27 2018-12-18 国家电网有限公司 Line loss abnormality diagnostic method and device based on electric quantity curve characteristic model
JP2019001905A (en) * 2017-06-15 2019-01-10 新日鐵住金株式会社 Analyzer of carbon deposition state, analysis method of carbon deposition state, computer program and computer readable storage medium
JP2019012473A (en) * 2017-06-30 2019-01-24 日立Ｇｅニュークリア・エナジー株式会社 Data filtering device and method
CN110580518A (en) * 2018-06-07 2019-12-17 株式会社日立制作所 Monitoring data generation device and monitoring data generation method
JP2020170349A (en) * 2019-04-03 2020-10-15 エヌ・ティ・ティ・コミュニケーションズ株式会社 Information processing apparatus, estimator, analyzer, information processing method and computer program
JPWO2020039581A1 (en) * 2018-08-24 2021-08-10 技術研究組合次世代３Ｄ積層造形技術総合開発機構 Information processing equipment, information processing method, information processing program, laminated modeling equipment and process window generation method
WO2023189329A1 (en) * 2022-03-28 2023-10-05 Ｊｆｅスチール株式会社 Sintered ore manufacturing method and control device

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002229971A (en) * 2001-02-06 2002-08-16 Nippon Steel Corp Operation analyzing apparatus, operationanalyzing method, computer-readable memory media, and computer program
JP2003114713A (en) * 2001-10-09 2003-04-18 Nippon Steel Corp Method for analyzing cause for quality degradation
JP2003150234A (en) * 2001-11-16 2003-05-23 Nippon Steel Corp Operation analyzing device and method for manufacturing process and computer readable storage medium
JP2007219769A (en) * 2006-02-15 2007-08-30 Yamaguchi Univ Hazard evaluation system
JP2008146621A (en) * 2006-11-14 2008-06-26 Nippon Steel Corp Device and method for analyzing quality improvement condition of product, computer program, and computer readable recording medium
JP2009009299A (en) * 2007-06-27 2009-01-15 Sharp Corp Abnormality factor specification method and system, program for making computer execute the abnormality factor specification method, and computer-readable recording medium recording the program
JP2011070503A (en) * 2009-09-28 2011-04-07 Mitsubishi Chemical Engineering Corp Blending design support system and method
JP2012220978A (en) * 2011-04-04 2012-11-12 Sharp Corp Abnormal factor specifying method and device, program for making computer execute the abnormal factor specifying method, and computer readable recording medium with the program recorded

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002229971A (en) * 2001-02-06 2002-08-16 Nippon Steel Corp Operation analyzing apparatus, operationanalyzing method, computer-readable memory media, and computer program
JP2003114713A (en) * 2001-10-09 2003-04-18 Nippon Steel Corp Method for analyzing cause for quality degradation
JP2003150234A (en) * 2001-11-16 2003-05-23 Nippon Steel Corp Operation analyzing device and method for manufacturing process and computer readable storage medium
JP2007219769A (en) * 2006-02-15 2007-08-30 Yamaguchi Univ Hazard evaluation system
JP2008146621A (en) * 2006-11-14 2008-06-26 Nippon Steel Corp Device and method for analyzing quality improvement condition of product, computer program, and computer readable recording medium
JP2009009299A (en) * 2007-06-27 2009-01-15 Sharp Corp Abnormality factor specification method and system, program for making computer execute the abnormality factor specification method, and computer-readable recording medium recording the program
JP2011070503A (en) * 2009-09-28 2011-04-07 Mitsubishi Chemical Engineering Corp Blending design support system and method
JP2012220978A (en) * 2011-04-04 2012-11-12 Sharp Corp Abnormal factor specifying method and device, program for making computer execute the abnormal factor specifying method, and computer readable recording medium with the program recorded

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102014113988A1 (en) 2013-10-31 2015-04-30 International Business Machines Corporation Generating device, production method and program
JP2017537330A (en) * 2014-11-05 2017-12-14 インテル コーポレイション System for determining sensor status
WO2016138674A1 (en) * 2015-03-03 2016-09-09 深圳市华星光电技术有限公司 Method for online real-time control on product process
JP2017161991A (en) * 2016-03-07 2017-09-14 三菱重工業株式会社 Quality evaluation system, quality evaluation method and program
JP2018132786A (en) * 2017-02-13 2018-08-23 株式会社神戸製鋼所 Plant situation information presentation system and plant situation information presentation method
JP2018177869A (en) * 2017-04-05 2018-11-15 新日鐵住金株式会社 An extrusion load predictor for a coke oven, a prediction method for an extrusion load, a computer program and a computer readable memory medium
JP2019001905A (en) * 2017-06-15 2019-01-10 新日鐵住金株式会社 Analyzer of carbon deposition state, analysis method of carbon deposition state, computer program and computer readable storage medium
JP2019012473A (en) * 2017-06-30 2019-01-24 日立Ｇｅニュークリア・エナジー株式会社 Data filtering device and method
CN110580518A (en) * 2018-06-07 2019-12-17 株式会社日立制作所 Monitoring data generation device and monitoring data generation method
CN110580518B (en) * 2018-06-07 2023-04-18 株式会社日立制作所 Monitoring data generation device and monitoring data generation method
CN109034244A (en) * 2018-07-27 2018-12-18 国家电网有限公司 Line loss abnormality diagnostic method and device based on electric quantity curve characteristic model
CN109034244B (en) * 2018-07-27 2020-07-28 国家电网有限公司 Line loss abnormity diagnosis method and device based on electric quantity curve characteristic model
JPWO2020039581A1 (en) * 2018-08-24 2021-08-10 技術研究組合次世代３Ｄ積層造形技術総合開発機構 Information processing equipment, information processing method, information processing program, laminated modeling equipment and process window generation method
JP2020170349A (en) * 2019-04-03 2020-10-15 エヌ・ティ・ティ・コミュニケーションズ株式会社 Information processing apparatus, estimator, analyzer, information processing method and computer program
JP7256669B2 (en) 2019-04-03 2023-04-12 エヌ・ティ・ティ・コミュニケーションズ株式会社 Information processing device, estimation device, analysis device, information processing method, and computer program
WO2023189329A1 (en) * 2022-03-28 2023-10-05 Ｊｆｅスチール株式会社 Sintered ore manufacturing method and control device

Also Published As

Publication number Publication date
JP5633522B2 (en) 2014-12-03

Similar Documents

Publication Publication Date Title
JP5633522B2 (en) Operation status evaluation device, operation status evaluation method, computer program, and computer-readable storage medium
JP6911866B2 (en) Information processing device and information processing method
CN105320957B (en) Classifier training method and device
US20150045920A1 (en) Audio signal processing apparatus and method, and monitoring system
JP5772546B2 (en) Operation quality prediction device, operation quality prediction method, computer program, and computer-readable storage medium
JP7044117B2 (en) Model learning device, model learning method, and program
CN107391369A (en) A kind of spanned item mesh failure prediction method based on data screening and data oversampling
CN110175247B (en) Method for optimizing anomaly detection model based on deep learning
JP2020512631A (en) Automated decision making using stepwise machine learning
Vignotto et al. Extreme Value Theory for Open Set Classification--GPD and GEV Classifiers
JP2020042519A (en) Abnormality detection device, abnormality detection method, and abnormality detection program
JP6119515B2 (en) Blast furnace tuyere state observation method and blast furnace tuyere state observation apparatus
JP5875430B2 (en) Abnormality detection apparatus, program, and abnormality detection method
JP5244438B2 (en) Data classification device, data classification method, data classification program, and electronic device
JP2007128190A (en) Device, method, and program for generating classification criteria, and device for determining failure
CN107422373B (en) A kind of coal mine rock burst disaster on-line early warning method of feature based drift
CN110770753B (en) Device and method for real-time analysis of high-dimensional data
JP6350159B2 (en) Blast furnace tuyere state observation method and blast furnace tuyere state observation apparatus
JP5505936B2 (en) Image processing unit and image processing program
CN106294490B (en) Feature enhancement method and device for data sample and classifier training method and device
JP2021124886A (en) Information processing device, information processing method and information processing program
JP2021125035A (en) Detection program, detection method, and detection device
JP7069987B2 (en) Coke oven extrusion load analyzer, coke oven management support system, coke oven extrusion load analysis method, computer program and computer-readable recording medium on which the program is recorded.
CN113420916B (en) Method for designing dynamic monitoring strategy of multiple quality characteristics
JP4552024B2 (en) Image analysis apparatus, image analysis program, and image analysis method

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20140212

TRDD Decision of grant or rejection written
A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20140910

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20140916

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20140929

R151 Written notification of patent or utility model registration

Ref document number: 5633522

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