JP2019074969A - 品質予測装置及び品質予測方法 - Google Patents

Abstract

【課題】製品の製造条件や製造環境の変化を考慮し、製品の品質を高精度に予測する。【解決手段】品質予測装置は、品質予測対象製品及び少なくとも品質予測対象製品の製造時期に近い所定期間内に製造された学習用の製品を特定する取得データ特定部と、品質予測対象製品の操業実績データを取得する予測対象データ取得部と、学習用の製品について、説明変数とする操業実績データ及び目的変数とする品質実績データを取得し、学習用データを生成する学習データ生成部と、学習用の製品について品質予測対象製品との操業実績データの類似度を算出し、類似度の高い順に所定数の学習用データを選別する学習データ選別部と、学習データ選別部により選別された学習用データに基づいて、品質予測モデルを生成する予測モデル生成部と、品質予測モデルを用いて、品質予測対象製品の操業実績データに基づき、品質予測対象製品の品質を予測する予測処理部と、を備える。【選択図】図２

Description

本発明は、品質予測装置及び品質予測方法に関する。

従来、操業条件に基づいて品質が決まる製造プロセスにおいて、製品の製造過程で品質を予測する手法としては、品質不良発生のメカニズムに関する知識を元に作成した物理モデル、あるいは、操業データと品質データとに重回帰分析を適用して得られる線形式のモデル（以下、重回帰モデル）を用いて品質を予測する手法が知られている。このようなモデルを用いる方法では、製品の操業データをモデルに入力して品質の予測値を算出し、その予測値を評価することによって品質を予測する。

例えば特許文献１には、操業データ及び品質データを基に、操業データを基底ベクトルとする操業変数空間を幾つかの局所領域に分割して、各局所領域における操業変数と品質の関連性をモデル化する手法が提案されている。分割数を大きくしてもモデルの予測精度を維持しつつ、分割段階において、各局所領域のデータ数が減少し、少数となった品質変数のデータに対して局所関係式が過剰に適合しないようにするためには、局所関係式の係数の大きさの増大を抑えることが必要となる。従来は、局所関係式の予測値と局所領域の品質変数のデータに対する誤差二乗和が最小となるように局所関係式の係数を決定していたが、特許文献１では、その誤差二乗和に線形モデルの係数の大きさに対するペナルティを付加した値を最小化することによって、与えられる品質変数のデータに対する予測誤差だけではなく係数の大きさも考慮することで、ある程度モデルの予測精度を維持しつつ、品質変数のデータに対する過剰な適合である局所関係式の過学習を防止している。

特開平２０１２−１３７８１３号公報

しかし、製品製造の操業条件は製品毎に設定されるものであって常に同一ではなく、製造ラインの各設備も経年するにつれて状態も変化する。また、例えば外気等のように季節によって製品の製造環境が変化する場合には、製造環境の変化が製品の品質に影響を及ぼすこともある。このように日々変化する製品の製造条件、製造環境も踏まえて品質不良発生のメカニズムを特定するのは困難であり、知見から品質予測のための物理モデルを構築することは難しい。また、学習により予測モデルを取得する場合にも、日々変化する製品の製造条件、製造環境を適切に学習条件に組み込むことができなければ、精度の高い予測モデルを構築するのは容易ではない。

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、製品の製造条件や製造環境の変化を考慮し、製品の品質を高精度に予測することの可能な、新規かつ改良された品質予測装置及び品質予測方法を提供することにある。

上記課題を解決するために、本発明のある観点によれば、製造プロセスにおいて製造された製品の品質を予測する品質予測装置であって、製造プロセスにて製造された製品群の中から、品質予測対象製品、及び、品質予測対象製品の品質を予測するための学習用の製品として少なくとも品質予測対象製品の製造時期に近い所定期間内に製造された製品を第１のデータ数だけ特定する取得データ特定部と、品質予測対象製品の操業実績データを取得する予測対象データ取得部と、特定された学習用の製品について、説明変数とする操業実績データ及び目的変数とする品質実績データを取得し、学習用データを生成する学習データ生成部と、学習用の製品の操業実績データについて、品質予測対象製品の操業実績データとの類似度をそれぞれ算出し、学習用データから類似度の高い順に第２のデータ数の学習用データを選別する学習データ選別部と、学習データ選別部により選別された学習用データに基づいて、品質予測モデルを生成する予測モデル生成部と、品質予測モデルを用いて、品質予測対象製品の操業実績データに基づき、品質予測対象製品の品質を予測する予測処理部と、を備える、品質予測装置が提供される。

学習データ選別部は、学習用の製品の操業実績データと品質実績データとの相関係数を算出し、相関係数によって重み付けされた学習用の製品の操業実績データと品質予測対象製品の操業実績データとに基づいて、それぞれの学習用の製品と品質予測対象製品との類似度を算出してもよい。

類似度は、重み付けされた学習用の製品の操業実績データと品質予測対象の操業実績データとに基づいて算出された、それぞれの学習用の製品と品質予測対象製品との重み付け距離に基づき算出してもよい。

予測モデル生成部は、選別された学習用データ及び類似度に基づいて、品質予測モデルを生成してもよい。

予測モデル生成部は、ランダムフォレストを用いて品質予測モデルを生成してもよい。

予測処理部は、製品の品質予測の結果として、欠陥の発生確率を予測してもよい。

製造プロセスがめっき鋼板の製造プロセスである場合、品質予測装置は、熱間圧延工程、冷間圧延工程、めっき工程及び精製検査工程を経て製造される鋼板の表面に現れる欠陥の発生を予測してもよい。

品質実績データが、操業実績データとの取得タイミング時のスケールと異なるスケールで表されている場合、学習データ生成部は、品質実績データのスケールを操業実績データの取得タイミングでのスケールに変換する。

また、上記課題を解決するために、本発明の別の観点によれば、製造プロセスにおいて製造された製品の品質を予測する品質予測方法であって、製造プロセスにて製造された製品群の中から、品質予測対象製品、及び、品質予測対象製品の品質を予測するための学習用の製品として少なくとも品質予測対象製品の製造時期に近い所定期間内に製造された製品を第１のデータ数だけ特定する取得データ特定ステップと、品質予測対象製品の操業実績データを取得する予測対象データ取得ステップと、特定された学習用の製品について、説明変数とする操業実績データ及び目的変数とする品質実績データを取得し、学習用データを生成する学習データ生成ステップと、学習用の製品の操業実績データについて、品質予測対象製品の操業実績データとの類似度をそれぞれ算出し、学習用データから類似度の高い順に第２のデータ数の学習用データを選別する選別ステップと、選別された学習用データに基づいて、品質予測モデルを生成する予測モデル生成ステップと、品質予測モデルを用いて、品質予測対象製品の操業実績データに基づき、品質予測対象製品の品質を予測する予測ステップと、を含む、品質予測方法が提供される。

以上説明したように本発明によれば、製品の製造条件や製造環境の変化を考慮し、製品の品質を高精度に予測することが可能となる。

めっき鋼板の欠陥有無を本実施形態に係る品質予測装置により評価する場合の評価タイミングと評価結果に基づく対応例を示す説明図である。 本発明の一実施形態に係る品質予測装置の機能構成を示す機能ブロック図である。 同実施形態に係る学習データ生成処理を示すフローチャートである。 品質予測対象製品の操業実績データと学習用の製品の操業実績データとの関係を示す説明図である。 同実施形態に係る品質予測モデルの構築において用いる説明変数の一例を示す説明図である。 同実施形態に係る予測処理を示すフローチャートである。 学習用データの選別において考慮する、品質予測対象製品に対する学習用データの類似度を説明する説明図である。 予測結果の一表示例を示す説明図である。 同実施形態に係る品質予測装置のハードウェア構成を説明するためのブロック図である。

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。

＜１．概要＞
まず、図１を参照して、本発明の一実施形態に係る品質予測装置の概要とその適用例について説明する。図１は、めっき鋼板の欠陥有無を本実施形態に係る品質予測装置により評価する場合の評価タイミングと評価結果に基づく対応例を示す説明図である。

本実施形態に係る製品の品質予測装置は、製品の製造工程において製造される製品の品質に影響する複数の操業変数（説明変数）に基づいて構築された品質予測モデルを用いて、製品の品質を予測する。例えば、めっき鋼板において美観が重要視される場合には、めっき鋼板の表面に発生する欠陥の有無を予測する。

より詳細には、めっき鋼板は、図１に示すように、熱間圧延工程、冷間圧延工程、めっき工程を経て製造され、精製検査工程にて製造された製品の品質が検査される。ここで、製品の品質を欠陥の有無によって評価する際に、製造工程で製品に発生する欠陥には、欠陥発生の原因のある工程（原因工程）と欠陥が顕在化する工程（顕在化工程）とが異なる場合がある。例えば、めっき鋼板の製造工程において、欠陥を発生させる原因工程は熱間圧延工程であるが、欠陥が顕在化するのはめっき工程後である。このように欠陥の原因工程と顕在化工程とが異なる場合には、従来、欠陥が顕在化するまでは、製品を保留したり仕様を満たす他注文へ製品を振り替えたりすることができず、製品の歩留まりを向上させるのは困難であった。

そこで、本実施形態では、欠陥の原因工程までの操業条件と各操業条件で製造された過去の製品の欠陥発生実績とをもとに、データ解析手法である機械学習を用いて品質予測モデルを構築し、欠陥の発生予測を行う。このように品質予測モデルを構築することで、欠陥の原因工程以降の任意の時点で、欠陥が顕在化する前に欠陥の発生予測を行うことができる。例えば図１に示しためっき鋼板の製造工程においては、欠陥が顕在化する前であっても、原因工程である熱間圧延工程の後であれば欠陥の発生を予測することが可能となる。

これにより、例えば原因工程である熱間圧延工程完了後であって冷間圧延工程前に欠陥の発生を予測し、欠陥が発生することが予測された場合には、当初の仕様には適合しないが他の仕様であれば適合するときには、適合する仕様向けの注文に製品を振り替えることができる。また、従来と同様、原因工程である熱間圧延工程完了後であって精製検査工程完了後に欠陥の発生を予測する場合にも、欠陥が発生していると予測された欠陥部分があれば当該欠陥部分を鋼板からカットし、出荷可能な状態とすることもできる。欠陥部分がカットされためっき鋼板は、再検査され、欠陥が検出されなければ製品として出荷される。このように、本実施形態に係る品質予測装置は、欠陥が顕在化する前であっても、欠陥の発生を予測することが可能である。

また、本実施形態に係る品質予測装置は、品質予測モデルを構築する際に、製品の製造条件や製造環境の変化を考慮することで、製品の品質予測精度を向上させる。具体的には、予測対象毎に品質予測モデルを構築し、品質予測モデルを構築するための学習用データとして、品質予測対象製品の操業データから時間的に近い所定数の操業データを用いる。これにより、品質予測対象製品と近い操業条件及び操業環境で製造された製品を製造したときの操業データ及びその品質に基づき品質予測モデルが構築されるため、品質予測対象製品の品質を高精度に予測することが可能となる。以下、本実施形態に係る品質予測装置とこれによる品質予測方法について、詳細に説明する。

＜２．機能構成＞
図２に本実施形態に係る品質予測装置１００の機能構成を示す。本実施形態に係る品質予測装置１００は、製造プロセスにおいて製造される製品の異常の有無を予測するための装置であり、製造プロセスにおける操業実績データと品質実績データとの関連性を解析し、得られた関連性と操業実績データとに基づき製品の品質を予測する。ここでは、品質予測装置１００を図１に示した複数の工程からなるめっき鋼板の製造プロセスへ適用し、熱間圧延工程により製造された熱間圧延コイル（以下、単に「コイル」と称する。）について、欠陥の有無を予測する。例えば品質予測装置１００は、所定の周期で（例えば１日毎に）、予測対象のコイル（製品）毎に品質予測モデルを構築し、コイルに欠陥があるか否かを判定する。このような品質予測装置１００は、図２に示すように、取得データ特定部１１０と、学習データ生成部１２０と、予測部１３０とを備える。

（取得データ特定部）
取得データ特定部１１０は、予測対象のコイルを特定する。本実施形態に係る品質予測装置１００は、熱間圧延工程にて製造されたコイルを予測対象として、コイルに欠陥があるか否かを判定する。取得データ特定部１１０は、製造されるコイルを管理するコイルＮｏ．記憶部１０を参照して、品質予測の対象とするコイルをコイルＮｏ．により特定する。コイルＮｏ．は、製造されるコイルにそれぞれ付与される固有の識別番号である。取得データ特定部１１０は、例えば１日毎にコイルの品質予測を行う場合、前回の品質予測を行ったコイル以降に製造された１日分のコイルのコイルＮｏ．を取得する。このとき、１日に製造されたすべてのコイルを品質予測対象製品としてもよく、１日に製造されたコイルのうち特定の仕様が要求されているコイルのみを品質予測対象製品としてもよい。

また、品質予測対象製品のコイルの品質を予測するための品質予測モデルは、過去の操業実績データ及び品質実績データを学習用データとして用い、構築される。学習用データは、品質予測対象製品のコイル以前に製造されたコイルのうち、直近のコイルの製造時の実績データを用いる。このため、取得データ特定部１１０は、学習用データの実績データを取得するため、コイルＮｏ．記憶部１０を参照して、品質予測対象製品のコイルのコイルＮｏ．に基づき当該コイルの製造時期に近い所定期間内に製造されたコイルのコイルＮｏ．を第１のデータ数だけ取得する。取得データ特定部１１０は、品質予測対象製品のコイルＮｏ．及び学習データ用のコイルＮｏ．を、学習データ生成部１２０及び予測部１３０へ出力する。

（学習データ生成部）
学習データ生成部１２０は、品質予測モデルを構築するための学習用データを生成する。学習用データは、取得データ特定部１１０にて特定された学習データ用のコイルＮｏ．に基づき取得される各コイルの操業実績データ及び品質実績データより生成される。品質予測モデルの構築の際、操業実績データは説明変数として用いられ、品質実績データは目的変数として用いられる。

本実施形態では、操業実績データは熱延工程後までのデータであり、品質実績データは精製検査工程での検査結果である。鋼板は、熱間圧延工程、冷間圧延工程で圧延されるため、品質実績データとして精製検査工程で欠陥が検出された座標位置は、冷間圧延工程、熱間圧延工程での座標位置とは異なる。このようにデータが取得された工程によってデータの意味が異なる場合には、各工程のデータを対応させる処理が必要である。また、操業実績データには、鋼板の板幅方向の温度分布を示した温度チャート等のように、１つのコイルに対して複数の数値情報を含むものもあり、品質予測モデルを構築する際に説明変数としてどの値を用いるかを決定しなければならない場合もある。学習データ生成部１２０は、このような各工程にて計測された様々な操業実績データ及び品質実績データから、品質予測モデルを構築しやすい学習用データを生成する。

学習データ生成部１２０は、品質実績データ取得部１２１と、座標算出部１２３と、学習データ生成処理部１２５とを有する。

品質実績データ取得部１２１は、学習データ用のコイルＮｏ．に基づいて、目的変数として用いる品質実績データを品質実績データ記憶部２０から取得する。本実施形態では、精製検査工程にて検出された欠陥の鋼板上の座標位置を品質実績データとして用いる。品質実績データ記憶部２０には、精製検査工程での検査結果として、鋼板表面の欠陥の有無、欠陥がある場合には鋼板上の座標位置を記憶している。品質実績データ取得部１２１は、品質実績データ記憶部２０から取得した欠陥の鋼板上の座標位置を座標算出部１２３へ出力する。

座標算出部１２３は、品質実績データ取得部１２１にて取得された欠陥の鋼板上の座標位置を、各工程での鋼板上の座標位置に変換する。座標算出部１２３による座標変換は、熱間圧延工程、冷間圧延工程それぞれにおいて行われる鋼板の圧延条件より特定可能である。本実施形態では、座標算出部１２３は、精製検査工程での欠陥の鋼板上の座標位置が、熱間圧延工程後の鋼板上ではどの座標位置にあたるかを少なくとも算出する。熱間圧延工程後の鋼板上の座標位置だけではなく、冷間圧延工程後の鋼板上の座標位置を算出してもよい。座標算出部１２３により算出された欠陥の各時点での鋼板上の座標位置は、座標記憶部３０に記憶させてもよい。

学習データ生成処理部１２５は、学習データ用のコイルＮｏ．の操業実績データを取得して、説明変数及び目的変数からなる学習用データを生成する。学習データ生成処理部１２５は、説明変数として用いる操業実績データを、操業実績データ記憶部４０及び代表値記憶部５０から取得する。

めっき鋼板の欠陥の有無を予測する品質予測モデルの構築には、例えば、鋼板の成分、熱間圧延工程における加熱装入温度やロール冷却水温、仕上温度、Ａｒ３変態点温度、スケール厚、外気温といった項目が説明変数として用いられる。このうち、熱間圧延工程での仕上温度及びスケール厚は、操業実績データとして操業実績データ記憶部４０に記憶された鋼板の板幅方向の分布を表すチャートが取得される。また、鋼板の成分、熱間圧延工程における加熱装入温度やロール冷却水温、Ａｒ３変態点温度、及び、外気温については、操業実績データとして代表値記憶部５０から代表値が取得される。操業実績データ記憶部４０に記録されているチャート、及び、代表値記憶部５０に記録されている代表値は、コイルＮｏ．に関連付けられている。学習データ生成処理部１２５は、取得した操業実績データを、熱間圧延工程後での座標位置に変換された品質実績データと関連付けて、学習用データとする。

学習データ生成部１２０は、取得データ特定部１１０にて取得された第１のデータ数の学習データ用のコイルＮｏ．それぞれについて学習用データを生成する。生成された学習用データは、予測部１３０へ出力される。

（予測部）
予測部１３０は、品質予測モデルを構築し、品質予測対象製品のコイルの欠陥の有無を予測する。予測部１３０は、予測対象データ取得部１３１と、学習データ選別部１３３と、予測モデル構築部１３５と、予測処理部１３７とを備える。

予測対象データ取得部１３１は、取得データ特定部１１０から入力された品質予測対象製品のコイルＮｏ．に基づいて、品質予測対象製品のコイルの説明変数として用いる操業実績データを、操業実績データ記憶部４０及び代表値記憶部５０から取得する。予測対象データ取得部１３１は、取得した予測対象データの説明変数を、学習データ選別部１３３へ出力する。

学習データ選別部１３３は、学習データ生成部１２０にて生成された学習用データのうち品質予測モデルの構築に用いる学習データを選別する。構築される品質予測モデルの予測精度を高めるため、学習データ選別部１３３により、学習用データのうち、品質予測対象製品のコイルの操業実績データと類似度の高い操業実績データを含む学習用データが選別される。学習用データの選別は、例えばＪｕｓｔ−Ｉｎ−Ｔｉｍｅモデリングを用いて行ってもよい。学習用データの選別処理についての詳細な説明は後述する。学習データ選別部１３３は、第１のデータ数の学習用データのうち、品質予測対象製品の操業実績データと類似度の高い順に、第２のデータ数だけ学習用データを選別し、予測モデル構築部１３５へ出力する。第２のデータ数は、第１のデータ数以下の値であり、品質予測モデル構築に必要な数が設定される。

予測モデル構築部１３５は、学習データ選別部１３３により選別された学習用データに基づいて、品質予測モデルを構築する。品質予測モデルの構築は、例えばランダムフォレストを用いてもよい。品質予測モデル構築処理の詳細については後述する。予測モデル構築部１３５は、構築した品質予測モデルを予測処理部１３７へ出力する。

予測処理部１３７は、品質予測モデルに基づいて、品質予測対象製品のコイルについて欠陥の有無を予測する。予測処理部１３７は、予測対象データ取得部１３１により取得されたが品質予測対象製品の操業実績データを品質予測モデルに入力し、欠陥の有無を予測する。本実施形態に係る品質予測モデルは、欠陥の発生確率を出力する。これにより、欠陥が発生しそうな度合いを作業者に対して通知することができる。また、予測処理部１３７は、予め設定された欠陥の発生確率の閾値と、品質予測モデルから得られた欠陥の発生確率とを比較して、欠陥の発生の有無を判定してもよい。閾値は、例えば過去の操業実績に基づき設定してもよい。

予測処理部１３７は、品質予測対象製品のコイルの欠陥の発生確率を出力装置７０へ出力する。このとき、予測処理部１３７は、欠陥の発生確率とともに、閾値に基づく欠陥の発生有無の判定結果を出力装置７０に出力してもよい。出力装置７０は、例えば情報を表示可能なディスプレイ、音声出力可能なスピーカ等である。

予測部１３０は、品質予測対象製品のコイルすべての品質予測を終えるまで、各品質予測対象製品のコイルについて、品質予測モデルを構築し、欠陥の発生確率を算出する。

以上、本実施形態に係る品質予測装置１００の機能構成について説明した。なお、本実施形態に係る品質予測装置１００は、少なくとも予測部１３０を備えていればよい。したがって、取得データ特定部１１０及び学習データ生成部１２０は、予測部１３０と別体の装置として構成されていてもよい。また、品質予測装置１００の座標算出部１２３にて算出された各工程での座標位置を記憶する座標記憶部３０についても、本実施形態では品質予測装置１００とは異なる装置としたが、本発明はかかる例に限定されず、座標記憶部３０を品質予測装置１００内に設けてもよい。

＜３．品質予測処理＞
本実施形態に係る品質予測装置１００による品質予測処理は、学習用データを生成する学習データ生成処理と、品質予測対象製品のコイルの欠陥の有無を予測する予測処理とから構成される。以下の説明において、これらの処理は、例えば所定のタイミング、例えば１日に１回バッチ処理にて１または複数の品質予測対象製品について実行されるものとする。なお、本発明はかかる例に限定されず、例えば、品質予測対象製品が製造される毎に本実施形態に係る品質予測処理を実行するようにしてもよい。

［３−１．学習データ生成処理］
まず、図３〜図５に基づいて、本実施形態に係る品質予測装置１００による学習データ生成処理について説明する。なお、図３は、本実施形態に係る学習データ生成処理を示すフローチャートである。図４は、品質予測対象製品の操業実績データと学習用の操業実績データとの関係を示す説明図である。図５は、本実施形態に係る品質予測モデルの構築において用いる説明変数の一例を示す説明図である。

学習データ生成処理は、図３に示すように、まず、取得データ特定部１１０により取得対象コイルのコイルＮｏ．を特定する（Ｓ１００）。取得データ特定部１１０は、例えば１日毎にコイルの品質予測を行う場合、前回の品質予測を行ったコイル以降に製造された１日分のコイルのコイルＮｏ．を取得する。また、取得データ特定部１１０は、学習データ用の実績データを取得するため、コイルＮｏ．記憶部１０を参照して、品質予測対象製品のコイルのコイルＮｏ．に基づき当該コイルの製造時期に近い所定期間内に製造されたコイルのコイルＮｏ．を第１のデータ数だけ取得する。

本実施形態では、品質予測対象製品の品質を予測するための品質予測モデルの構築に、品質予測対象製品それぞれの直近の実績データを学習用データとして用いる。すなわち、図４に示すように、１つの品質予測対象製品の製造時期に近い所定期間内に製造された第１のデータ数のコイルの実績データが学習用データとして取得される。品質予測対象製品の製造時期に近い所定期間内に製造された製品は、品質予測対象製品が製造された状況と類似する操業条件及び操業環境により製造されている。このような製品の実績データを学習用データとすることで、品質予測対象製品が製造された状況と類似する操業条件及び操業環境に基づいて品質予測モデルを構築することができ、品質予測の精度を高めることができる。

品質予測対象製品と操業条件及び操業環境の類似する所定期間の実績データとしては、季節性を考慮して、品質予測対象製品から例えば約１〜２ヶ月くらい前の実績データを用いるのがよい。また、許容できる品質予測精度を有する品質予測モデルを構築するためにはある程度の数の学習用データが必要である。これらの点を考慮して、学習データ用のコイルの数（すなわち、第１のデータ数）は、例えば品質予測対象製品のコイルの製造から２ヶ月前までの期間に製造されたコイルのうち、直近３００本程度としてもよい。なお、この期間に製造されたコイルが第１のデータ数（例えば３００本）未満であった場合には、当該期間内の実績データすべてを学習用データとすればよい。

このように、品質予測対象製品の品質を予測するための品質予測モデルの構築に、それぞれ直近の実績データを用いるようにすることで、品質予測モデルの品質予測精度を高めることができる。なお、ステップＳ１００にて品質予測対象製品とするコイルは、１日に製造されたすべてのコイルであってもよく、１日に製造されたコイルのうち特定の仕様が要求されているコイルのみを品質予測対象製品としてもよい。また、本実施形態では、製品の製造時期に基づき学習用データを取得したが、本発明はかかる例に限定されず、例えば製品の製造時期のみならず製品の材質等を学習用データ取得の条件に考慮してもよい。取得データ特定部１１０は、品質予測対象製品のコイルＮｏ．及び学習データ用のコイルＮｏ．を、学習データ生成部１２０及び予測部１３０へ出力する。

次いで、学習データ生成部１２０により、品質予測モデルを構築するための学習用データが生成される。学習用データは、取得データ特定部１１０にて特定された学習データ用のコイルＮｏ．に基づき取得される各コイルの操業実績データ及び品質実績データより生成される。

まず、品質実績データ取得部１２１により、学習用データの品質実績データが取得される（Ｓ１１０）。品質実績データは、ｙ＝ｆ（ｘ）で表される品質予測モデルにおいて、目的変数ｙとして用いられる。本実施形態では、品質実績データ記憶部２０に記録されている、精製検査工程にて検出された欠陥の鋼板上の座標位置を品質実績データとして用いる。より詳細には、欠陥が鋼板の長手方向に沿って現れる場合、通常、精製検査工程では、欠陥の有無を全長検査するのではなく、図５に示すように鋼板Ｓの長手方向の所定の検査位置のみ欠陥の有無を検査する。品質実績データ記憶部２０は、各検査位置における鋼板表面の欠陥の有無、欠陥がある場合にはその検査位置の鋼板上の座標位置を、検査結果として記憶している。品質実績データ取得部１２１は、品質実績データ記憶部２０から取得した欠陥の鋼板上の座標位置を座標算出部１２３へ出力する。

次いで、座標算出部１２３により、品質実績データ取得部１２１にて取得された欠陥の鋼板上の座標位置を、各工程での鋼板上の座標位置に変換する（Ｓ１２０）。品質実績データの欠陥の鋼板上の座標位置は、操業実績データとの取得タイミング時と異なるスケールで表されている。このため、品質実績データの欠陥の鋼板上の座標位置を操業実績データの取得タイミングでの座標位置に変換する必要がある。座標算出部１２３による座標変換は、熱間圧延工程、冷間圧延工程それぞれにおいて行われる鋼板の圧延条件より特定可能である。本実施形態では、座標算出部１２３は、精製検査工程での欠陥の鋼板上の座標位置と熱間圧延工程後の鋼板上の座標位置との対応関係を少なくとも算出すればよいが、さらに、冷間圧延工程度の鋼板上の座標位置等、他の工程での座標位置との対応関係を算出してもよい。座標算出部１２３により算出された欠陥の各時点での鋼板上の座標位置は、座標記憶部３０に記憶させてもよい。

さらに、学習データ生成処理部１２５により、学習データ用のコイルＮｏ．の操業実績データが取得される（Ｓ１３０）。学習データ生成処理部１２５は、説明変数ｘとして用いる操業実績データを、操業実績データ記憶部４０及び代表値記憶部５０から取得する。本実施形態に係るめっき鋼板の欠陥の有無を予測する品質予測モデルでは、説明変数ｘとして、例えば図５に示すように、鋼板の成分、熱間圧延工程の操業条件、熱間圧延工程で得られる中間指標、及び、外気温等を用いる。なお、説明変数ｘとして用いる操業実績データはかかる例に限定されず、これら以外の操業実績データを説明変数ｘとして加えてもよい。

鋼板の成分は、製鋼工程のチャージ毎に代表値が決定されている値であり、例えば、Ｃ、Ｓｉ等の成分含有量の代表値が用いられる。熱間圧延工程の操業条件には、例えば加熱装入温度やロール冷却水温、仕上温度等があり、熱間圧延工程で得られる中間指標には、例えばＡｒ３変態点温度やスケール厚等がある。加熱装入温度及びロール冷却水温は、コイル毎の圧延条件として代表値が決定されている値であり、Ａｒ３変態点温度も製鋼工程でのチャージ毎に代表値が決定される値である。Ａｒ３変態点温度は、鋼板の各成分の含有量から所定の物理式に基づき算出することができる。一方、仕上温度は、鋼板の長手方向の各位置において板幅方向で異なる値が設定される。また、スケール厚は、鋼板の成分、仕上温度、時間、酸化速度係数等に応じて算出される値である。このため、スケール厚も、鋼板の長手方向の各位置において板幅方向で異なる値が設定される。外気温は、操業環境を表す一指標として入力される。外気温は、所定のタイミングで（例えば１時間毎に）取得されているものとする。

学習データ生成処理部１２５は、チャートデータを記憶する操業実績データ記憶部４０から仕上温度及びスケール厚等のチャートデータを取得し、代表値を記憶する代表値記憶部５０から鋼板の成分、加熱装入温度、ロール冷却水温、Ａｒ３変態点温度、外気温等の代表値を取得する。

その後、学習データ生成処理部１２５は、取得した操業実績データを、コイルＮｏ．及び熱間圧延工程後での座標位置に変換された品質実績データと関連付けて、学習用データとする（Ｓ１４０）。学習データ生成処理部１２５は、生成した学習用データを予測部１３０へ出力する。

以上、本実施形態に係る学習データ生成処理について説明した。本実施形態では、操業実績データと品質実績データとが取得される工程が異なるため、これらを対応付ける処理を行う。また、操業実績データには、鋼板の板幅方向の温度分布を示した温度チャート等のように、１つのコイルに対して複数の数値情報を含む場合には、品質予測モデルを構築する際に説明変数として用いる値を決定する。このような各工程にて計測された様々な操業実績データ及び品質実績データから、品質予測モデルを構築しやすい学習用データが生成される。

［３−２．予測処理］
次に、図６〜図８に基づいて、本実施形態に係る品質予測装置１００による予測処理について説明する。なお、図６は、本実施形態に係る予測処理を示すフローチャートである。図７は、学習用データの選別において考慮する、品質予測対象製品に対する学習用データの類似度を説明する説明図である。図８は、予測結果の一表示例を示す説明図である。

本実施形態に係る予測処理では、まず、学習データ選別部１３３により学習データ生成部１２０から学習用データを受信する（Ｓ２００）。また、予測対象データ取得部１３１により、取得データ特定部１１０から入力された品質予測対象製品のコイルＮｏ．に基づいて、品質予測対象製品のコイルの説明変数として用いる操業実績データを、操業実績データ記憶部４０及び代表値記憶部５０から取得する（Ｓ２１０）。このとき、例えばＡｒ３変態点温度やスケール厚等のように熱間圧延工程で得られる中間指標については、予測対象データ取得部１３１により算出される（Ｓ２２０）。予測対象データ取得部１３１は、取得した予測対象データ及び算出した中間指標からなる説明変数を、学習データ選別部１３３へ出力する。

次いで、学習データ選別部１３３により、学習データ生成部１２０にて生成された学習用データのうち品質予測モデルの構築に用いる学習用データを選別する。本実施形態では、Ｊｕｓｔ−Ｉｎ−Ｔｉｍｅモデリングにより学習用データを選別する。Ｊｕｓｔ−Ｉｎ−Ｔｉｍｅモデリングは、品質予測を行う都度、品質予測対象製品に関連性の高い製品の操業実績データを近傍データとして抽出し、当該近傍データに基づいて局所モデルを構築し、品質予測対象製品の出力を得るモデリング手法である。品質予測対象製品と関連性の高い操業実績データを用いることで、品質予測対象製品の製造時期に近い所定期間内に製造された製品の操業実績データが第１のデータ数未満であっても、比較的精度の高いモデルを構築することができる。

この際、まず、学習データ選別部１３３は、説明変数ｘと目的変数ｙとの相関係数θを算出する（Ｓ２３０）。相関係数（ピアソンの積率相関係数）は、説明変数ｘと目的変数ｙとの相関の強さを表す値である。−１から１の範囲の値を取り、値の絶対値が大きいほど説明変数ｘと目的変数ｙとの相関が強いことを表す。学習データ選別部１３３は、学習用データに基づき、相関係数θを算出する。説明変数が複数であるとき、相関係数θは相関係数ベクトル（＝｛θ_１，θ_２，・・・，θ_ｎ｝）として表される。

次いで、学習データ選別部１３３は、各学習用データにつき、重み付け距離ｄ_ｎ及び類似度ω_ｎを算出する（Ｓ２４０）。重み付け距離ｄ_ｎ及び類似度ω_ｎは、下記式（１）、（２）により算出することができる。

ｘ_ｎ（＝（ｘ_ｎａ，ｘ_ｎｂ，・・・，ｘ_ｎＮ））は学習用データであり、ｘ_ｑ（＝（ｘ_ｑａ，ｘ_ｑｂ，・・・，ｘ_ｑＮ））は品質予測対象製品のデータを表す。ここで、ｎは、学習用データを識別するために各学習用データに付与される番号である（ｎ＝１、２、・・・）。Ｎは、操業変数を表す識別子である（例えば、Ｎ＝説明変数ａ、説明変数ｂ、・・・）。また、σ_ｎは、学習用データの標準偏差であり、φは局所パラメータである。

ここで、簡単のため、図７に示すように２つの説明変数ａ、ｂの重み付け距離ｄ_ｎを考える。本実施形態では、ステップＳ２３０にて、説明変数ｘと目的変数ｙとの相関係数θを算出している。この相関係数は、目的変数ｙに対する各説明変数ｘの影響の大きさを表す。例えば、図７の説明変数ａよりも説明変数ｂが目的変数ｙにより影響する場合には、品質予測対象製品ｘ_ｑの近傍データは、図７に示すように破線で示された楕円領域内の学習用データとなる。このように、相関係数を考慮して算出される品質予測対象製品ｘ_ｑと学習用データとの距離（すなわち、「重み付け距離」）ｄ_ｎを用いることで、ユークリッド距離は同一であっても、品質予測により寄与するデータを選別することができ、より高精度な品質予測モデルを構築するための学習用データを抽出することが可能となる。なお、本実施形態では、重み付け距離ｄ_ｎを用いることで品質予測の精度を向上させる処理を行うが、本発明はかかる例に限定されない。目的変数に対する各説明変数への寄与を同等として、品質予測モデルを構築するための学習用データを抽出してもよい。

学習データ選別部１３３は、上記式（２）に基づき各学習用データの類似度ω_ｎを算出すると、学習用データから類似度ω_ｎの高い順に第２のデータ数のデータを、実際に品質予測モデルを構築するための学習用データとして抽出する。例えば、学習データ生成処理にて３００個の学習用データが生成されているとき、例えば類似度ω_ｎの高い上位１００個の学習用データを用いて、品質予測モデルを構築するようにしてもよい。

その後、予測モデル構築部１３５により、学習データ選別部１３３により選別された学習用データに基づいて、品質予測モデルを構築する（Ｓ２５０）。本実施形態では、ランダムフォレスト（Random Forest）を用いて品質予測モデルを構築する。ランダムフォレストは、アンサンブル学習法の１つであり、目的変数に属する確率を複数の説明変数の組み合わせで算出する決定木を複数用いて行われる手法である。例えば、５０個の説明変数のうち１０個の説明変数をランダムに選択して複数の決定木を構築する。決定木の数は適宜設定され、例えば１００個としてもよい。また、本実施形態では、各決定木の出力を欠陥の発生確率とする。これにより、欠陥が発生しそうな度合いを作業者に対して通知することができる。このように、複数の決定木からなる品質予測モデルが構築される。

そして、予測処理部１３７により、ステップＳ２５０にて構築された品質予測モデルに基づいて、品質予測対象製品のコイルについて欠陥の有無を予測する（Ｓ２６０）。予測処理部１３７は、予測対象データ取得部１３１により取得されたが品質予測対象製品の操業実績データを品質予測モデルに入力し、欠陥の有無を予測する。予測処理部１３７は、品質予測モデルの各決定木から出力される欠陥の発生確率を例えば平均化した値を、欠陥の発生確率の予測結果として出力する。

また、予測処理部１３７は、予め設定された欠陥の発生確率の閾値と、品質予測モデルから得られた欠陥の発生確率とを比較して、欠陥の発生の有無を判定してもよい。閾値は、例えば過去の操業実績に基づき設定され、例えば０．７程度に設定してもよい。この場合、予測処理部１３７は、欠陥の発生確率が０．７未満であれば欠陥は発生しない（出力値０）と予測し、欠陥の発生確率が０．７以上であれば欠陥が発生する（出力値１）と予測する。

その後、予測処理部１３７は、品質予測対象製品のコイルの欠陥の発生確率を出力装置７０へ出力する（Ｓ２７０）。このとき、予測処理部１３７は、欠陥の発生確率とともに、閾値に基づく欠陥の発生有無の判定結果を出力装置７０に出力してもよい。例えば図８に示すように、コイル全長に対する欠陥の発生確率を表すグラフをディスプレイに表示させてもよい。このとき、コイル長手方向における所定の位置での欠陥の発生有無の予測結果を表示してもよい。

以上、本実施形態に係る予測部１３０による予測処理について説明した。なお、図６の予測処理は、品質予測対象製品のコイルすべての品質予測を終えるまで繰り返し実行され、各品質予測対象製品のコイルについて、品質予測モデルを構築し、欠陥の発生確率を算出する。本実施形態では、品質予測モデルを構築する際に、より予測精度の高いモデルを構築するために、学習データ生成処理にて作成された学習用データのうち、品質予測対象製品に類似する学習用データを用いる。これにより、品質予測対象製品に近い操業条件及び操業環境の学習用データに基づいた品質予測モデルを構築することができる。

なお、本実施形態では、ステップ２４０において、式（２）に基づき類似度ω_ｎを求めたが、本発明はかかる例に限定されず、他の手法により類似度を表してもよい。また、本実施形態では、品質予測モデルの出力を欠陥の発生確率としたが、本発明はかかる例に限定されず、欠陥の有無（有：１、無：０）を品質予測モデルの出力としてもよい。さらに、本実施形態では、ランダムフォレストを用いて品質予測モデルを構築したが、本発明はかかる例に限定されず、他の手法を用いてもよい。

＜４．ハードウェア構成＞
次に、図９を参照しながら、本発明の実施形態に係る品質予測装置１００のハードウェア構成について、詳細に説明する。図９は、本実施形態に係る品質予測装置１００のハードウェア構成を説明するためのブロック図である。

品質予測装置１００は、主に、ＣＰＵ９０１と、ＲＯＭ９０３と、ＲＡＭ９０５と、を備える。また、品質予測装置１００は、さらに、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。

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、品質予測装置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などを記憶する。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などを一次記憶する。これらはＣＰＵバスなど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。

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。

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、品質予測装置１００の操作に対応したＰＤＡなどの外部接続機器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。品質予測装置１００のユーザは、この入力装置９０９を操作することにより、品質予測装置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。

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、品質予測装置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、品質予測装置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など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。

ストレージ装置９１３は、品質予測装置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）など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などにより構成される。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。

ドライブ９１５は、記録媒体用リーダライタであり、品質予測装置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など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など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（登録商標）メディアなどである。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）などであってもよい。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）または電子機器などであってもよい。

接続ポート９１７は、機器を品質予測装置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ポートなどがある。この接続ポート９１７に外部接続機器９２３を接続することで、品質予測装置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。

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などで構成された通信インターフェースである。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）用の通信カードなどである。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などであってもよい。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などの所定のプロトコルに則して信号など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などにより構成され、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などであってもよい。

以上、本発明の実施形態に係る品質予測装置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。

本実施形態に係る品質予測装置を用いて、めっき鋼板の製造工程におけるめっき鋼板の表面への欠陥の発生確率を予測した。本実施例では、熱間圧延工程後の１２６本のコイルについて、それぞれ上記品質予測処理に基づき品質予測モデルを構築し、欠陥の発生確率を予測した。予測結果を表１に示す。

表１に示すように、熱間圧延後のコイルのうち、欠陥の発生有と予測され、かつ、欠陥が実際に発生したコイルは１６本であった。未検知のコイル（欠陥の発生無と予測されたが、実際には欠陥が発生したコイル）は４９本あったが、本実施形態に係る品質予測装置を用いることで、実際に欠陥が発生したコイル６５本のうち１６本（約２５％）のコイルについては、その発生を予測することができたことになる。これにより、コイルを当初目的とした仕様には適合しないが、他の仕様に適合する場合には、これら約２５％のコイルを他注文へ振り返ることが可能となる。

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。

１０ コイルＮｏ．記憶部
２０ 品質実績データ記憶部
３０ 座標記憶部
４０ 操業実績データ記憶部
５０ 代表値記憶部
７０ 出力装置
１００ 品質予測装置
１１０ 取得データ特定部
１２０ 学習データ生成部
１２１ 品質実績データ取得部
１２３ 座標算出部
１２５ 学習データ生成処理部
１３０ 予測部
１３１ 予測対象データ取得部
１３３ 学習データ選別部
１３５ 予測モデル構築部
１３７ 予測処理部

Claims (9)

1. 製造プロセスにおいて製造された製品の品質を予測する品質予測装置であって、
   前記製造プロセスにて製造された製品群の中から、品質予測対象製品、及び、前記品質予測対象製品の品質を予測するための学習用の製品として少なくとも前記品質予測対象製品の製造時期に近い所定期間内に製造された製品を第１のデータ数だけ特定する取得データ特定部と、
   前記品質予測対象製品の操業実績データを取得する予測対象データ取得部と、
   特定された前記学習用の製品について、説明変数とする操業実績データ及び目的変数とする品質実績データを取得し、学習用データを生成する学習データ生成部と、
   前記学習用の製品の前記操業実績データについて、前記品質予測対象製品の前記操業実績データとの類似度をそれぞれ算出し、前記学習用データから前記類似度の高い順に第２のデータ数の前記学習用データを選別する学習データ選別部と、
   前記学習データ選別部により選別された前記学習用データに基づいて、品質予測モデルを生成する予測モデル生成部と、
   前記品質予測モデルを用いて、前記品質予測対象製品の操業実績データに基づき、前記品質予測対象製品の品質を予測する予測処理部と、
   を備える、品質予測装置。
2. 前記学習データ選別部は、
   前記学習用の製品の前記操業実績データと前記品質実績データとの相関係数を算出し、
   前記相関係数によって重み付けされた前記学習用の製品の前記操業実績データと前記品質予測対象製品の前記操業実績データとに基づいて、それぞれの前記学習用の製品と前記品質予測対象製品との類似度を算出する、請求項１に記載の品質予測装置。
3. 前記類似度は、
   前記重み付けされた前記学習用の製品の前記操業実績データと前記品質予測対象製品の前記操業実績データとに基づいて算出された、それぞれの前記学習用の製品と前記品質予測対象製品との重み付け距離に基づき算出される、請求項２に記載の品質予測装置。
4. 前記予測モデル生成部は、選別された前記学習用データ及び前記類似度に基づいて、前記品質予測モデルを生成する、請求項１〜３のいずれか１項に記載の品質予測装置。
5. 前記予測モデル生成部は、ランダムフォレストを用いて前記品質予測モデルを生成する、請求項１〜４のいずれか１項に記載の品質予測装置。
6. 前記予測処理部は、製品の品質予測の結果として、欠陥の発生確率を予測する、請求項１〜５のいずれか１項に記載の品質予測装置。
7. 前記製造プロセスがめっき鋼板の製造プロセスである場合、
   前記品質予測装置は、熱間圧延工程、冷間圧延工程、めっき工程及び精製検査工程を経て製造される鋼板の表面に現れる欠陥の発生を予測する、請求項１〜６のいずれか１項に記載の品質予測装置。
8. 前記品質実績データが、前記操業実績データとの取得タイミング時のスケールと異なるスケールで表されている場合、
   前記学習データ生成部は、前記品質実績データのスケールを前記操業実績データの取得タイミングでのスケールに変換する、請求項１〜７のいずれか１項に記載の品質予測装置。
9. 製造プロセスにおいて製造された製品の品質を予測する品質予測方法であって、
   前記製造プロセスにて製造された製品群の中から、品質予測対象製品、及び、前記品質予測対象製品の品質を予測するための学習用の製品として少なくとも前記品質予測対象製品の製造時期に近い所定期間内に製造された製品を第１のデータ数だけ特定する取得データ特定ステップと、
   前記品質予測対象製品の操業実績データを取得する予測対象データ取得ステップと、
   特定された前記学習用の製品について、説明変数とする操業実績データ及び目的変数とする品質実績データを取得し、学習用データを生成する学習データ生成ステップと、
   前記学習用の製品の前記操業実績データについて、前記品質予測対象製品の前記操業実績データとの類似度をそれぞれ算出し、前記学習用データから前記類似度の高い順に第２のデータ数の前記学習用データを選別する選別ステップと、
   選別された前記学習用データに基づいて、品質予測モデルを生成する予測モデル生成ステップと、
   前記品質予測モデルを用いて、前記品質予測対象製品の操業実績データに基づき、前記品質予測対象製品の品質を予測する予測ステップと、
   を含む、品質予測方法。