JP2017120638A - Result prediction apparatus and result prediction method - Google Patents
Result prediction apparatus and result prediction method Download PDFInfo
- Publication number
- JP2017120638A JP2017120638A JP2016248612A JP2016248612A JP2017120638A JP 2017120638 A JP2017120638 A JP 2017120638A JP 2016248612 A JP2016248612 A JP 2016248612A JP 2016248612 A JP2016248612 A JP 2016248612A JP 2017120638 A JP2017120638 A JP 2017120638A
- Authority
- JP
- Japan
- Prior art keywords
- result
- database
- data
- performance
- actual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000003860 storage Methods 0.000 claims description 11
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 4
- 230000002411 adverse Effects 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 32
- 238000010586 diagram Methods 0.000 description 10
- 229910000831 Steel Inorganic materials 0.000 description 5
- 239000010959 steel Substances 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
本発明は、任意の要求条件に対する結果を予測する結果予測装置及び結果予測方法に関する。 The present invention relates to a result prediction apparatus and a result prediction method for predicting a result for an arbitrary requirement.
任意の要求条件に対する結果を予測する方法として、実績データベースに格納されている複数の過去の条件と任意の要求条件との間の距離を算出し、算出された距離から複数の過去の条件の重みを算出し、算出された重みを用いて複数の過去の条件の近傍をフィッティングする関数を作成し、作成された関数を用いて任意の要求条件に対する結果を予測する方法が知られている(例えば非特許文献1,2,特許文献1,2参照)。ここで、上記の方法では、複数の過去の条件と任意の要求条件との間の距離の計算には、複数の過去の条件を変数とする軸によって規定される条件空間におけるノルムが用いられる。具体的には、非特許文献1,2には、ノルムの一種であるユークリッド距離及び正規化ユークリッド距離が記載されている。また、特許文献1にはマハラノビス距離が記載され、特許文献2には出力変数との影響係数による距離が記載されている。 As a method of predicting the result for an arbitrary requirement, the distance between the multiple past conditions stored in the performance database and the arbitrary requirement is calculated, and the weight of the multiple past conditions is calculated from the calculated distance. A method is known in which a function for fitting the vicinity of a plurality of past conditions is created using the calculated weight, and a result for an arbitrary requirement condition is predicted using the created function (for example, Non-Patent Documents 1 and 2, and Patent Documents 1 and 2). Here, in the above method, a norm in a condition space defined by an axis having a plurality of past conditions as variables is used to calculate the distance between the plurality of past conditions and an arbitrary required condition. Specifically, Non-Patent Documents 1 and 2 describe a Euclidean distance and a normalized Euclidean distance which are a kind of norm. Patent Document 1 describes the Mahalanobis distance, and Patent Document 2 describes a distance based on an influence coefficient with the output variable.
非特許文献1,2や特許文献1,2記載の方法では、実績データベースに格納されているデータは所与のものとして、結果の予測精度を向上させるための工夫を行っており、実績データベースへのデータの格納方法についての工夫は行っていない。このため、非特許文献1,2や特許文献1,2記載の方法によれば、結果の予測精度の向上に寄与しない、若しくは、結果の予測精度に対して悪影響を与えるデータを用いて結果予測を行っているために、任意の要求条件に対する結果を精度よく予測できない可能性がある。 In the methods described in Non-Patent Documents 1 and 2 and Patent Documents 1 and 2, the data stored in the results database is given, and the device is devised to improve the prediction accuracy of the results. There is no ingenuity on how to store the data. For this reason, according to the methods described in Non-Patent Documents 1 and 2 and Patent Documents 1 and 2, result prediction is performed using data that does not contribute to improvement of the prediction accuracy of the result or adversely affects the prediction accuracy of the result. Therefore, there is a possibility that the result for an arbitrary requirement cannot be accurately predicted.
本発明は、上記課題に鑑みてなされたものであって、その目的は、任意の要求条件に対する結果を精度よく予測可能な結果予測装置及び結果予測方法を提供することにある。 The present invention has been made in view of the above problems, and an object thereof is to provide a result prediction apparatus and a result prediction method capable of accurately predicting a result with respect to an arbitrary requirement.
本発明に係る結果予測装置は、過去の条件の実績値と該条件によって得られた結果とを関連付けして実績データとして格納している実績データベースを用いて、任意の要求条件に対する結果を予測する結果予測装置であって、前記実績データベースに格納される前記実績データの数を制限し、前記実績データベースに新しい実績データを格納する際、前記実績データベースに格納されている実績データの一部を削除する実績データ更新部を備えることを特徴とする。 The result prediction apparatus according to the present invention predicts a result for an arbitrary required condition by using a result database that associates a result value of a past condition and a result obtained by the condition and stores the result as result data. A result prediction device that limits the number of the actual data stored in the actual database and deletes a part of the actual data stored in the actual database when storing new actual data in the actual database The performance data update part to be provided is provided.
本発明に係る結果予測装置は、上記発明において、前記実績データ更新部は、前記実績データベースに格納されている各実績データについて該実績データベースに格納された時刻を算出し、今回格納する新しい実績データの格納時刻との時間差が最も大きい実績データを前記実績データベースから削除することを特徴する。 In the result prediction apparatus according to the present invention, in the above invention, the record data update unit calculates a time stored in the record database for each record data stored in the record database and stores the new record data stored this time The actual data having the largest time difference from the storage time is deleted from the actual database.
本発明に係る結果予測装置は、上記発明において、前記実績データ更新部は、条件空間における今回格納する新しい実績データと前記実績デーベースに格納されている実績データとの間の距離を算出し、算出された距離が最も短い実績データを前記実績データベースから削除することを特徴する。 In the above invention, the result prediction apparatus according to the present invention calculates the distance between the new result data stored this time in the condition space and the result data stored in the result database in the above-mentioned invention, The record data having the shortest calculated distance is deleted from the record database.
本発明に係る結果予測装置は、上記発明において、前記実績データ更新部は、今回格納する新しい実績データと処理対象の実績データ以外の実績データとから計算される条件空間の条件数が最も多い実績データを実績データベースから削除することを特徴とする。 The result prediction apparatus according to the present invention is the result prediction apparatus according to the above invention, wherein the result data update unit has the largest number of condition spaces in the condition space calculated from new result data stored this time and result data other than the result data to be processed It is characterized by deleting data from the performance database.
本発明に係る結果予測装置は、上記発明において、前記実績データ更新部は、今回格納する新しい実績データの格納時刻と前記実績データベースに格納されている実績データの格納時刻との時間差と、条件空間における今回格納する新しい実績データと前記実績データベースに格納されている実績データとの間の距離と、今回格納する新しい実績データと処理対象の実績データ以外の実績データとから計算される条件空間の条件数とから計算される評価関数の値に基づいて、前記実績データベースから削除する実績データを選択することを特徴とする。 In the result prediction device according to the present invention, in the above invention, the actual data update unit includes a time difference between a storage time of new actual data stored this time and a storage time of actual data stored in the actual database, and a condition space. The condition space condition calculated from the distance between the new actual data stored this time and the actual data stored in the actual database, and the new actual data stored this time and actual data other than the actual data to be processed The record data to be deleted from the record database is selected based on the value of the evaluation function calculated from the number.
本発明に係る結果予測方法は、過去の条件の実績値と該条件によって得られた結果とを関連付けして実績データとして格納している実績データベースを用いて、任意の要求条件に対する結果を予測する結果予測方法であって、前記実績データベースに格納される前記実績データの数を制限し、前記実績データベースに新しい実績データを格納する際、前記実績データベースに格納されている実績データの一部を削除する実績データ更新ステップを含むことを特徴とする。 The result prediction method according to the present invention predicts a result for an arbitrary required condition by using a result database that associates a result value of a past condition and a result obtained by the condition and stores the result as result data. A result prediction method that limits the number of actual data stored in the actual database and deletes a part of the actual data stored in the actual database when storing new actual data in the actual database Including a performance data update step.
本発明に係る結果予測装置及び結果予測方法によれば、任意の要求条件に対する結果を精度よく予測することができる。 According to the result prediction apparatus and the result prediction method according to the present invention, it is possible to accurately predict a result for an arbitrary required condition.
以下、図面を参照して、本発明の一実施形態である結果予測装置の構成及びその動作について説明する。 Hereinafter, the configuration and operation of a result prediction apparatus according to an embodiment of the present invention will be described with reference to the drawings.
〔構成〕
初めに、図1,図2を参照して、本発明の一実施形態である結果予測装置の構成について説明する。図1は、本発明の一実施形態である結果予測装置の構成を示すブロック図である。図2は、図1に示す実績データベース11の構成を示す図である。
〔Constitution〕
First, the configuration of a result prediction apparatus according to an embodiment of the present invention will be described with reference to FIGS. FIG. 1 is a block diagram showing a configuration of a result prediction apparatus according to an embodiment of the present invention. FIG. 2 is a diagram showing the configuration of the
図1に示すように、本発明の一実施形態である結果予測装置1は、ワークステーション等の情報処理装置によって構成され、実績データベース11、実績データ更新部12、影響係数計算部13、距離計算部14、類似度計算部15、予測式作成部16、及び予測計算部17を主な構成要素として備えている。実績データ更新部12、影響係数計算部13、距離計算部14、類似度計算部15、予測式作成部16、及び予測計算部17の機能は、情報処理装置内の演算処理装置がコンピュータプログラムを実行することによって実現される。
As shown in FIG. 1, a result prediction apparatus 1 according to an embodiment of the present invention is configured by an information processing apparatus such as a workstation, and
実績データベース11は、過去に適用した条件の実績値とその条件によって得られた結果のデータとを関連付けして実績データとして格納している。具体的には、図2に示すように、実績データベース11には、過去に適用された条件であるM個の入力変数とこれらの入力変数の組合せによって得られた結果である出力変数(観測データ)とからなるN個の実績データが格納されている。観測データとしては、例えば製鉄プロセスであれば、鉄鋼の素材成分や加熱、圧延、冷却等の操業条件を入力変数とし、鉄鋼の材質、例えば強度を出力変数とする例を例示できる。本実施形態では、出力変数の項目名称をY、M個の入力変数の項目名称をXm(m=1,2,…,M)とする。また、出力変数はN個あり、n番目(n=1,2,…,N)の出力変数の値をynと表記し、入力変数の値をxm nと表記する。
The
図1に戻る。実績データ更新部12は、実績データベース11の中に今回格納する新しい実績データに基づいて実績データベース11に格納する実績データを更新する。実績データ更新部12による実績データ更新処理の詳細については後述する。
Returning to FIG. The record
影響係数計算部13は、実績データベース11に格納されている条件によって規定される条件空間において、各条件が結果に対して影響する程度を表わす影響係数を算出する。具体的には、影響係数計算部13は、図2に示したM個の入力変数により規定される条件空間において、各条件について過去に得られている結果に対する影響係数を算出する。本実施形態では、結果を予測したい要求条件x’を入力ベクトルとし、要求条件x’を以下に示す数式(1)のように表記する。そして、影響係数計算部13は、大域的な回帰式のパラメータを推定する。すなわち、影響係数計算部13は、図2で与えられたN個の出力変数を用いて結果を予測するための回帰式モデルを作成し、この回帰式のパラメータを推定する。ここで、回帰式は以下の数式(2)に示すように線形式とし、この回帰式のパラメータb,a1,a2,…,aMを最小2乗法により求める。そして、影響係数計算部13は、このパラメータから定数bを除いて係数のみを抽出した以下の数式(3)に示す偏回帰係数ベクトルを次に説明する距離計算に用いる影響係数とする。
The influence
距離計算部14は、影響係数計算部13によって算出された影響係数に基づいて条件空間の軸を変換し、変換された条件空間において実績データベース11に格納されている過去の条件の実績値と要求条件x’との間の距離を算出する。詳しくは、まず距離計算部14は、数式(4)に示す条件空間のある点xに対する数式(1)に示す要求条件x’からの距離を計算するための距離関数Lを数式(3)に示す影響係数を用いた以下に示す数式(5)により定義する。次に、距離計算部14は、数式(5)で定義した距離関数Lを用いて過去の条件の実績値と要求条件x’との間の距離を算出する。すなわち、距離計算部14は、図2に示したN個の観測データのそれぞれについて、数式(1)に示す要求条件x’からの距離を算出する。具体的には、n番目の観測データxnの要求条件x’からの距離Lnは以下に示す数式(6)から求めることができる。以下では、1〜N番目の観測データについて計算された要求条件x’からの距離をまとめて以下に示す数式(7)のように表記する。
The
予測式作成部16は、類似度計算部15によって算出された類似度に基づいて、要求条件近傍の予測式を作成する。詳しくは、予測式作成部16は、回帰式のパラメータを推定計算し、与えられたN個の観測データとそれぞれの類似度とを用いて回帰式モデルを作成する。具体的には、回帰式は以下の数式(11)に示す線形式とし、この回帰式が要求条件x’に対する結果を予測するために使用する最終的な予測式となる。ここで、便宜上、数式(11)に示す予測式は、数式(2)に示す線形式と同一式で表わされているが、数式(11)に示す予測式では、以下の数式(12)に示すパラメータθを、類似度wを重みとする重み付き最小2乗法により算出する。これにより、類似度の大きい観測データ(要求条件x’に近いデータ)は重みが大きく、類似度の小さい観測データ(要求条件x’から遠いデータ)は重みが小さくなるような回帰式が得られ、要求条件x’の近傍のデータをより精度良くフィッティングする回帰式モデルを得ることができる。
The prediction
予測計算部17は、予測式作成部16によって作成された予測式に要求条件x’を入力することによって、要求条件x’に対する結果を算出する。詳しくは、予測計算部17は、数式(1)に示す要求条件x’の値を数式(11)に示す回帰式の右辺に代入することによって要求条件x’に対する結果を算出する。
The
このような構成を有する結果予測装置1では、実績データ更新部12が、以下に示すデータ更新処理を実行することによって、任意の要求条件に対する結果を精度よく予測可能にする。以下、データ更新処理を実行する際の実績データ更新部12の動作について説明する。
In the result prediction apparatus 1 having such a configuration, the result
〔実績データ更新処理〕
実績データ更新部12は、以下の数式(13)に示す新しい実績データが与えられた時、以下のようにして実績データベース11の内容を更新する。なお、実績データ更新部12は、実績データベース11に格納されている以下の数式(14)に示す実績データを予め格納された時刻順に配列する。すなわち、実績データ更新部12は、実績データベース11の内容が更新された後、直ちにnの値が小さいほど格納された時刻が早くなり、nの値が大きいほど格納された時刻が遅くなるように実績データを配列する。
[Result data update processing]
When the new performance data shown in the following formula (13) is given, the performance
実績データベース11の内容を更新する際、実績データ更新部12は、実績データベース11に格納する実績データの数はN個に限定し、実績データベース11に数式(13)に示す新しい実績データを格納する場合、実績データベース11から実績データを1つ削除する。ここで、実績データベース11から削除する実績データは以下のようにして選択する。まず、実績データ更新部12は、実績データベース11に格納されている実績データの中から今回格納する新しい実績データの格納時刻と最も格納時刻の差が大きい実績データを選択する。そして、実績データ更新部12は、選択された実績データを実績データベース11から削除する。これにより、結果の予測精度に対して悪影響を与える可能性がある最も古い実績データを削除できる。
When updating the contents of the
また、実績データ更新部12は、実績データベース11から削除する実績データを次のように選択してもよい。すなわち、実績データ更新部12は、実績データベース11に格納されている実績データの中から今回格納する新しい実績データとの条件空間における距離が最も短い実績データを実績データベース11から削除する実績データとして選択してもよい。これにより、結果の予測精度の向上に寄与しない実績データを削除できる。なお、今回格納する新しい実績データと実績データベース11の中のn番目の実績データznとの条件空間における距離は以下に示す数式(15)により求めることができる。
Moreover, the performance data update
さらに、実績データ更新部12は、実績データベース11から削除する実績データを次のように選択してもよい。すなわち、まず、実績データ更新部12は、実績データベース11に格納されているN個の実績データの中からある1つのk番目(1≦k≦N)の実績データを処理対象の実績データとして選択する。次に、実績データ更新部12は、以下に示す数式(16)を用いて、今回格納する新しい実績データ*zと実績データベース11に格納されているk番目の実績データzk以外の実績データとから計算される条件空間の条件数cond(k)を算出する。そして、実績データ更新部12は、実績データを削除したときの予測精度の悪化を抑えるために、以下の数式(17)に示す条件を満足するk番目のデータを削除するデータとして選択する。これにより、実績データを削除することによって生じる実績データの偏りを最小限に抑えることができる。
Further, the record
ここで、数式(16)において、σmax(k)及びσmin(k)はそれぞれ、k番目の実績データzk以外の実績データと今回格納する新しい実績データ*zとから構成される行列[z1,z2,…,zk−1,zk+1,…,zN,*z]を特異値分解したときの最大特異値及び最小特異値を示し、最小特異値に対する最大特異値の比が条件空間の条件数となる。条件空間の条件数の大きさは実績データの偏りを表し、条件空間の条件数が大きければ実績データの偏りが大きくなるために、回帰式のパラメータθの計算誤差が大きくなり、予測精度が悪くなる。 Here, in Equation (16), σ max (k ) and sigma min (k) is a matrix composed of each new performance data * z for storing the current and the k-th record data z k other than actual data [ z 1 , z 2 ,..., z k−1 , z k + 1 ,..., z N , * z] indicate the maximum singular value and the minimum singular value, and the ratio of the maximum singular value to the minimum singular value Is the condition number of the condition space. The size of the condition number in the condition space represents the bias in the actual data. If the condition number in the condition space is large, the bias in the actual data becomes large. Therefore, the calculation error of the parameter θ of the regression equation becomes large, and the prediction accuracy is poor. Become.
さらに、実績データ更新部12は、実績データベース11から削除する実績データを次のように選択してもよい。すなわち、実績データ更新部12は、今回格納する新しい実績データの格納時刻と実績データベース11に格納されている実績データの格納時刻との時間差と、条件空間における今回格納する新しい実績データと実績データベース11に格納されている実績データとの間の距離と、今回格納する新しい実績データ*zと実績データベース11に格納されているk番目の実績データzk以外の実績データとから計算される条件空間の条件数とから計算される評価関数の値に基づいて実績データベース11から削除するデータを選択してもよい。なお、この場合、評価関数は、以下に示す数式(18)のように表され、評価関数Fnの値が最も小さいデータを選択するようにする。
Further, the record
以上の説明から明らかなように、本発明の一実施形態における結果予測装置1では、実績データ更新部12が、実績データベース11に格納される実績データの数を制限し、実績データベース11に新しい実績データを格納する際、実績データベース11に格納されている実績データの一部を削除する。このような構成によれば、結果の予測精度の向上に寄与しない、若しくは、結果の予測精度に対して悪影響を与える実績データを用いて結果予測を行うことを抑制できるので、任意の要求条件に対する結果を精度よく予測できる。
As is clear from the above description, in the result prediction apparatus 1 according to the embodiment of the present invention, the record
実施例として、本発明の一実施形態における結果予測装置を薄鋼板の引張強度推定に適用した結果を示す。薄鋼板の引張強度推定は、100個の熱延鋼板の観測データを基に評価を行った結果であり、100個の中の1つの観測データの例を以下に示す。また、比較のために、従来技術である特許文献2記載の実績データベースに格納される実績データの数に限定が無い方法を適用した所、図3に示す引張強度(TS)の予測値及び実績値の散布図と図7(a)に示す引張強度予測誤差絶対値の累積確率密度が得られた。 As an example, the result of applying the result prediction apparatus in one embodiment of the present invention to the estimation of the tensile strength of a thin steel sheet is shown. The estimation of the tensile strength of a thin steel sheet is a result of evaluation based on observation data of 100 hot-rolled steel sheets, and an example of one observation data out of 100 is shown below. Further, for comparison, a method in which the number of results data stored in the results database described in Patent Document 2 as a prior art is not limited is applied, the predicted value and results of tensile strength (TS) shown in FIG. The cumulative probability density of the scatter diagram of the values and the absolute value of the tensile strength prediction error shown in FIG. 7A was obtained.
板厚:15.66[mm]
板幅:1257[mm]
化学成分[%]:C:0.063,Si:0.19,Mn:1.44,P:0.018,S:0.0023,Al:0.021,Nb:0.04,V:0.019,Ti:0.008,Cu:0.01,Ni:0.01,Cr:0.03,Ca:0.0001,N:0.0038,O:0.0036,Mo:0.001,B:0.001
加熱炉抽出温度:1191[℃]
仕上ミル前面温度:948[℃]
仕上ミル後面温度:824[℃]
巻取温度:519[℃]
Plate thickness: 15.66 [mm]
Board width: 1257 [mm]
Chemical composition [%]: C: 0.063, Si: 0.19, Mn: 1.44, P: 0.018, S: 0.0023, Al: 0.021, Nb: 0.04, V: 0.019, Ti: 0.008, Cu: 0.01, Ni: 0.01, Cr: 0.03, Ca: 0.0001, N: 0.0038, O: 0.0036, Mo: 0.001, B: 0.001
Furnace extraction temperature: 1191 [° C]
Finishing mill front surface temperature: 948 [° C]
Finishing mill rear surface temperature: 824 [° C]
Winding temperature: 519 [° C]
図3及び図7(a)に示すように、従来の結果予測装置を用いて予測された引張強度の予測誤差のRMSE(Root Mean Square Error:根平均二乗誤差)は10.72[MPa]であった。これに対して、本発明の一実施形態である結果予測装置を用いて予測された引張強度の予測誤差のRMSEは、図4〜6及び図7(b),(c),(d)に示すように、10.07,9.19,8.19[MPa]であった。なお、図4及び図7(b)に示した結果は、実績データベースに格納されている実績データの中から今回格納する新しい実績データと最も格納時刻の差が大きい実績データを実績データベースから削除する実績データとして選択したものである。また、図5及び図7(c)に示した結果は、実績データベースに格納されている実績データの中から今回格納する新しいデータとの条件空間における距離が最も短い実績データを実績データベースから削除する実績データとして選択したものである。また、図6及び図7(d)に示した結果は、数式(18)に示した評価関数の値に基づいて実績データベースから削除する実績データを選択したものである。 As shown in FIGS. 3 and 7A, the RMSE (Root Mean Square Error) of the tensile strength prediction error predicted using the conventional result prediction apparatus is 10.72 [MPa]. there were. On the other hand, the RMSE of the prediction error of the tensile strength predicted using the result prediction apparatus according to the embodiment of the present invention is shown in FIGS. 4 to 6 and FIGS. 7B, 7C, and 7D. As shown, it was 10.07, 9.19, 8.19 [MPa]. The results shown in FIGS. 4 and 7B are obtained by deleting, from the performance database, the performance data having the largest difference in storage time from the new performance data stored this time, among the performance data stored in the performance database. This is selected as actual data. Further, the results shown in FIGS. 5 and 7C are obtained by deleting, from the performance database, the performance data having the shortest distance in the condition space with the new data stored this time from the performance data stored in the performance database. This is selected as actual data. The results shown in FIG. 6 and FIG. 7D are obtained by selecting the record data to be deleted from the record database based on the value of the evaluation function shown in Equation (18).
このように、本発明の一実施形態である結果予測装置による予測誤差のRMSEは、従来の結果予測装置による予測誤差のRMSEと比較して大幅に小さくなっている。このことから、本発明の一実施形態である結果予測装置によれば、任意の要求条件に対する結果を精度高く予測できることが確認された。 As described above, the RMSE of the prediction error by the result prediction apparatus according to the embodiment of the present invention is significantly smaller than the RMSE of the prediction error by the conventional result prediction apparatus. From this, it was confirmed that according to the result prediction apparatus which is one embodiment of the present invention, it is possible to predict a result for an arbitrary required condition with high accuracy.
以上、本発明者によってなされた発明を適用した実施の形態について説明したが、本実施形態による本発明の開示の一部をなす記述及び図面により本発明は限定されることはない。すなわち、本実施形態に基づいて当業者等によりなされる他の実施の形態、実施例、及び運用技術等は全て本発明の範疇に含まれる。 Although the embodiment to which the invention made by the present inventor is applied has been described above, the present invention is not limited by the description and the drawings that form a part of the disclosure of the present invention according to this embodiment. That is, other embodiments, examples, operational techniques, and the like made by those skilled in the art based on this embodiment are all included in the scope of the present invention.
1 結果予測装置
11 実績データベース
12 実績データ更新部
13 影響係数計算部
14 距離計算部
15 類似度計算部
16 予測式作成部
17 予測計算部
DESCRIPTION OF SYMBOLS 1
Claims (6)
前記実績データベースに格納される前記実績データの数を制限し、前記実績データベースに新しい実績データを格納する際、前記実績データベースに格納されている実績データの一部を削除する実績データ更新部を備えることを特徴とする結果予測装置。 A result prediction device that predicts a result for an arbitrary request condition by using a result database that associates a result value of a past condition and a result obtained by the condition and stores it as result data,
A performance data update unit is provided that limits the number of performance data stored in the performance database and deletes part of the performance data stored in the performance database when storing new performance data in the performance database. A result prediction apparatus characterized by that.
前記実績データベースに格納される前記実績データの数を制限し、前記実績データベースに新しい実績データを格納する際、前記実績データベースに格納されている実績データの一部を削除する実績データ更新ステップを含むことを特徴とする結果予測方法。 A result prediction method for predicting a result with respect to an arbitrary requirement condition using a result database that associates a result value of a past condition and a result obtained by the condition and stores the result as a result data,
Including a performance data update step of limiting a number of the performance data stored in the performance database and deleting a part of the performance data stored in the performance database when storing new performance data in the performance database. A result prediction method characterized by that.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015250836 | 2015-12-24 | ||
JP2015250836 | 2015-12-24 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017120638A true JP2017120638A (en) | 2017-07-06 |
JP6508185B2 JP6508185B2 (en) | 2019-05-08 |
Family
ID=59272262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016248612A Active JP6508185B2 (en) | 2015-12-24 | 2016-12-22 | Result prediction device and result prediction method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6508185B2 (en) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020071493A (en) * | 2018-10-29 | 2020-05-07 | 株式会社神戸製鋼所 | Result prediction device, result prediction method and program |
JP2020128975A (en) * | 2019-02-07 | 2020-08-27 | Jfeスチール株式会社 | Method for generating prediction model, method for predicting corrosion amount of metallic material, program for generating prediction model, and device of generating prediction model |
WO2021014804A1 (en) | 2019-07-22 | 2021-01-28 | Jfeスチール株式会社 | Method for generating quality prediction model, quality prediction model, quality prediction method, method for manufacturing metal material, device for generating quality prediction model, and quality prediction device |
WO2022149344A1 (en) | 2021-01-06 | 2022-07-14 | Jfeスチール株式会社 | Quality abnormality analysis method, metal material manufacturing method, and quality abnormality analysis device |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003239022A (en) * | 2002-02-15 | 2003-08-27 | Jfe Steel Kk | Device for preparing steel manufacturing condition |
JP2013025367A (en) * | 2011-07-15 | 2013-02-04 | Wakayama Univ | Facility state monitoring method and device of the same |
-
2016
- 2016-12-22 JP JP2016248612A patent/JP6508185B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003239022A (en) * | 2002-02-15 | 2003-08-27 | Jfe Steel Kk | Device for preparing steel manufacturing condition |
JP2013025367A (en) * | 2011-07-15 | 2013-02-04 | Wakayama Univ | Facility state monitoring method and device of the same |
Non-Patent Citations (1)
Title |
---|
小林健,外3名: "多重共線性を考慮した回帰式の変数選択 −混合整数半正定値計画法を用いた解法−", 日本オペレーションズ・リサーチ学会 2014年秋季研究発表会アブストラクト集 (第34回企業事例交流, JPN6018028068, 28 August 2014 (2014-08-28), JP, pages 164 - 165, ISSN: 0003841924 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020071493A (en) * | 2018-10-29 | 2020-05-07 | 株式会社神戸製鋼所 | Result prediction device, result prediction method and program |
JP2020128975A (en) * | 2019-02-07 | 2020-08-27 | Jfeスチール株式会社 | Method for generating prediction model, method for predicting corrosion amount of metallic material, program for generating prediction model, and device of generating prediction model |
JP7020500B2 (en) | 2019-02-07 | 2022-02-16 | Jfeスチール株式会社 | Prediction model generation method, corrosion amount prediction method for metal materials, prediction model generation program and prediction model generation device |
WO2021014804A1 (en) | 2019-07-22 | 2021-01-28 | Jfeスチール株式会社 | Method for generating quality prediction model, quality prediction model, quality prediction method, method for manufacturing metal material, device for generating quality prediction model, and quality prediction device |
KR20220007653A (en) | 2019-07-22 | 2022-01-18 | 제이에프이 스틸 가부시키가이샤 | Quality prediction model generation method, quality prediction model, quality prediction method, metal material manufacturing method, quality prediction model generation apparatus and quality prediction apparatus |
WO2022149344A1 (en) | 2021-01-06 | 2022-07-14 | Jfeスチール株式会社 | Quality abnormality analysis method, metal material manufacturing method, and quality abnormality analysis device |
KR20230116870A (en) | 2021-01-06 | 2023-08-04 | 제이에프이 스틸 가부시키가이샤 | Quality anomaly analysis method, metal material manufacturing method, and quality anomaly analysis device |
Also Published As
Publication number | Publication date |
---|---|
JP6508185B2 (en) | 2019-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6508185B2 (en) | Result prediction device and result prediction method | |
JP6439780B2 (en) | Magnetic property prediction device and magnetic property control device for electrical steel sheet | |
JP4855353B2 (en) | Product quality improvement condition analysis apparatus, analysis method, computer program, and computer-readable recording medium | |
JP6950119B2 (en) | Material design system, material design method, and material design program | |
JP5867349B2 (en) | Quality prediction apparatus, operation condition determination method, quality prediction method, computer program, and computer-readable storage medium | |
JP2020500420A (en) | Yield prediction system and method for machine learning based semiconductor manufacturing | |
JP6531821B2 (en) | Prediction model update system, prediction model update method and prediction model update program | |
JP5068637B2 (en) | Operation and quality related analysis apparatus, analysis method, program, and computer-readable recording medium in manufacturing process | |
JP2008112288A (en) | Prediction type creation device, result prediction device, quality design device, prediction type creation method and method for manufacturing product | |
CN110321658A (en) | A kind of prediction technique and device of plate property | |
JP2017097803A (en) | Prediction device, method and program | |
JP2012027683A (en) | Quality prediction device, quality prediction method, program and computer readable recording medium | |
JP2011221642A (en) | Quality prediction device, quality prediction method, computer program and computer-readable recording medium | |
US10635078B2 (en) | Simulation system, simulation method, and simulation program | |
JP5962290B2 (en) | Steel heat transfer coefficient prediction apparatus and cooling control method | |
JP2004355189A (en) | Result predicting device | |
JP2013103227A (en) | Method for controlling plate width of thick plate | |
JP5167891B2 (en) | Result prediction apparatus and product quality prediction method using the same | |
JP6617842B1 (en) | Metal material design support method and design support device | |
JP5682131B2 (en) | Steel material prediction device | |
JP2009064054A (en) | Control method and control apparatus of product quality | |
JP2006309709A (en) | Result prediction device, control device and quality design device | |
JP2020071493A (en) | Result prediction device, result prediction method and program | |
JP2020128975A (en) | Method for generating prediction model, method for predicting corrosion amount of metallic material, program for generating prediction model, and device of generating prediction model | |
JP6699340B2 (en) | Cooling control method and manufacturing method for thick steel plate |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170721 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180629 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180724 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180919 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20190305 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190318 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6508185 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |