JP2020128975A

JP2020128975A - 予測モデルの生成方法、金属材料の腐食量予測方法、予測モデルの生成プログラムおよび予測モデルの生成装置

Info

Publication number: JP2020128975A
Application number: JP2020000675A
Authority: JP
Inventors: 一浩中辻; Kazuhiro Nakatsuji; 真孝面田; Masataka Omoda
Original assignee: JFE Steel Corp
Current assignee: JFE Steel Corp
Priority date: 2019-02-07
Filing date: 2020-01-07
Publication date: 2020-08-27
Anticipated expiration: 2040-01-07
Also published as: JP7020500B2

Abstract

【課題】予測精度が高く、影響度の大きさが統一されることにより予測結果の解釈が容易な、予測モデルの生成方法、金属材料の腐食量予測方法、予測モデルの生成プログラムおよび予測モデルの生成装置を提供すること。【解決手段】予測モデルの生成方法は、予測変数に対する説明変数の影響度を、説明変数ごとに探索する影響度探索工程と、予測対象の説明変数と過去の実績データの説明変数との類似度を、影響度を用いて算出する類似度算出工程と、類似度を用いて回帰モデルを生成するモデル生成工程と、を含み、影響度探索工程が、回帰モデルによる予測精度が高くなるように影響度を探索する。【選択図】図２

Description

本発明は、予測モデルの生成方法、金属材料の腐食量予測方法、予測モデルの生成プログラムおよび予測モデルの生成装置に関する。

説明変数の値から予測変数の値を予測する多変量解析手法について、重回帰分析等の数多くの手法が提案されている。その中でも局所回帰分析は、予測したい説明変数の値（クエリ）と、実測等により予測変数が既知のデータ（サンプル）との類似度を求め、当該類似度が高いサンプルほど、よりフッティングするよう回帰直線を求める。このような手法により、非線形性を有するデータに対しても、より高精度の予測が可能となる。

上記の技術において、クエリとサンプルとの類似度は、各説明変数を一律に扱って算出したユークリッド距離によって定義されている。しかしながら、予測変数に対する各説明変数の影響度の大きさは異なるため、各説明変数を一律に扱うのではなく、影響度の大きさを考慮した上で類似度を評価することが望ましい。

例えば特許文献１では、重回帰分析を行い、その偏回帰係数ベクトルの絶対値の大きさを影響度として、予測変数への大きさを考慮した類似度の評価を実現している。

特開２００４−３５５１８９号公報

しかしながら、特許文献１の手法では、予測モデルを構築する前の予備処理として重回帰分析により影響度の大きさを決めているため、予測精度が向上する大きさを決定できる補償にはなっていない。また、予測の度に影響度の大きさが再計算され、各予測点で影響度が異なるため、予測結果の解釈が困難かつ煩雑である。

本発明は、上記に鑑みてなされたものであって、予測精度が高く、影響度の大きさが統一されることにより予測結果の解釈が容易な、予測モデルの生成方法、金属材料の腐食量予測方法、予測モデルの生成プログラムおよび予測モデルの生成装置を提供することを目的とする。

上述した課題を解決し、目的を達成するために、本発明に係る予測モデルの生成方法は、予測変数に対する説明変数の影響度を、説明変数ごとに探索する影響度探索工程と、予測対象の説明変数と過去の実績データの説明変数との類似度を、前記影響度を用いて算出する類似度算出工程と、前記類似度を用いて回帰モデルを生成するモデル生成工程と、を含み、前記影響度探索工程が、前記回帰モデルによる予測精度が高くなるように前記影響度を探索する。

また、本発明に係る予測モデルの生成方法は、上記発明において、前記影響度探索工程が、交差検証によって前記予測精度を評価することにより、前記影響度を決定する。

また、本発明に係る予測モデルの生成方法は、上記発明において、前記影響度探索工程が、前記交差検証によって前記予測精度を評価することにより、前記影響度と、前記類似度を算出する際の前記過去の実績データの説明変数の範囲を決定付けるパラメータと、を決定する。

また、本発明に係る予測モデルの生成方法は、上記発明において、前記類似度算出工程が、前記影響度を考慮した、前記予測対象の説明変数と過去の実績データの説明変数との距離に基づいて、前記類似度を算出する。

上述した課題を解決し、目的を達成するために、本発明に係る金属材料の腐食量予測方法は、前記した予測モデルの生成方法により生成された予測モデルにより、金属材料の腐食量を予測する。

上述した課題を解決し、目的を達成するために、本発明に係る予測モデルの生成プログラムは、コンピュータを、予測変数に対する説明変数の影響度を、説明変数ごとに探索する影響度探索手段、予測対象の説明変数と過去の実績データの説明変数との類似度を、前記影響度を用いて算出する類似度算出手段、前記類似度を用いて回帰モデルを生成する回帰モデル生成手段、として機能させ、前記影響度探索手段が、前記回帰モデルによる予測精度が高くなるように前記影響度を探索する。

上述した課題を解決し、目的を達成するために、本発明に係る予測モデルの生成装置は、予測変数に対する説明変数の影響度を、説明変数ごとに探索する影響度探索手段と、予測対象の説明変数と過去の実績データの説明変数との類似度を、前記影響度を用いて算出する類似度算出手段と、前記類似度を用いて回帰モデルを生成する回帰モデル生成手段と、を備え、前記影響度探索手段が、前記回帰モデルによる予測精度が高くなるように前記影響度を探索する。

本発明によれば、予測精度を最も高める影響度に基づいて予測モデルを構築することができるため、予測精度を向上させることができる。また、本発明によれば、影響度の大きさが統一されているため、予測結果の解釈を容易に行うことができる。

図１は、本発明の実施形態に係る予測装置の概略的な構成を示すブロック図である。図２は、本発明の実施形態に係る予測モデルの生成方法の流れを示すフローチャートである。図３は、本発明の実施形態に係る予測方法の流れを示すフローチャートである。図４は、本発明の実施形態に係る予測モデルの生成方法の影響度探索工程の詳細を示すフローチャートである。図５は、本発明の実施形態に係る金属材料の腐食量予測方法の実施例であり、金属材料の腐食量の予測値と実績値との間の予測誤差を示すグラフである。

本発明の実施形態に係る予測モデルの生成方法、金属材料の腐食量予測方法、予測モデルの生成プログラムおよび予測モデルの生成装置について、図面を参照しながら説明する。以下では、予測装置、予測モデルの生成装置、予測モデルの生成方法および予測方法の順に説明する。なお、本発明は以下で説明する実施形態に限定されるものではない。

（予測装置）
本発明の実施形態に係る予測装置の構成について、図１を参照しながら説明する。予測装置１は、入力部１０と、データベース（ＤＢ）２０と、演算部３０と、表示部４０と、を備えている。なお、予測装置１の構成要素のうち、演算部３０の予測部３４を除いた構成要素により、「予測モデルの生成装置（生成プログラム）」が実現される。

入力部１０は、演算部３０に対する入力手段であり、例えばキーボード、マウスポインタ、テンキー等の入力装置によって実現される。

データベース２０には、過去の実績データが保存されている。例えば予測装置１が金属材料の腐食量を予測する装置として用いられる場合、データベース２０には、金属材料（例えば鉄鋼材料）の腐食量に関する実績データが鋼種ごとに保存されている。この腐食量に関する実績データには、例えば金属材料の使用期間と、当該使用期間における金属材料の腐食量と、当該金属材料の使用環境を示す複数の環境パラメータ（例えば年平均）と、が含まれる。また、前記した「複数の環境パラメータ」としては、例えば温度（気温）、相対湿度、絶対湿度、濡れ時間、降雨量、飛来塩分量、ＳＯ_Ｘ濃度およびＮＯ_Ｘ濃度が挙げられる。これらの環境パラメータの実績データは、例えば年平均のデータである。

演算部３０は、例えばＣＰＵ（Central Processing Unit）等からなるプロセッサと、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）等からなるメモリ（主記憶部）と、によって実現される。

演算部３０は、プログラムを主記憶部の作業領域にロードして実行し、プログラムの実行を通じて各構成部等を制御することにより、所定の目的に合致した機能を実現する。演算部３０は、プログラムの実行を通じて、影響度探索部（影響度探索手段）３１、類似度算出部（類似度算出手段）３２、モデル生成部（モデル生成手段）３３および予測部（予測手段）３４として機能する。なお、本実施形態では、一つの演算部（≒コンピュータ）によって影響度探索部３１、類似度算出部３２、モデル生成部３３および予測部３４の機能を実現しているが、複数の演算部（≒コンピュータ）により各部の機能をそれぞれ実現してもよい。

影響度探索部３１は、予測変数に対する説明変数の影響度を、説明変数ごとに探索する。また、影響度探索部３１は、予測変数に対する説明変数の影響度を探索する際に、モデル生成部３３により生成される回帰モデルによる予測精度が高くなるように影響度を探索する。影響度探索部３１における具体的な処理内容は後記する（後記する「予測モデルの生成方法」参照）。なお、例えば予測装置１が金属材料の腐食量を予測する装置として用いられる場合、腐食量を予測したい金属材料の使用環境を示す複数の環境パラメータ（クエリ）に対する、実績データに含まれる複数の環境パラメータ（サンプル）の影響度を算出する。

類似度算出部３２は、予測対象の説明変数と過去の実績データの説明変数との類似度を、前記した影響度探索部３１で探索された影響度を用いて算出する。類似度算出部３２における具体的な処理内容は後記する（後記する「予測モデルの生成方法」参照）。なお、例えば予測装置１が金属材料の腐食量を予測する装置として用いられる場合、腐食量を予測したい金属材料の使用環境を示す複数の環境パラメータ（クエリ）と、実績データに含まれる複数の環境パラメータ（サンプル）との類似度を算出する。

モデル生成部３３は、前記した類似度算出部３２で算出された類似度を用いて回帰モデルを生成する。モデル生成部３３における具体的な処理内容は後記する（後記する「予測モデルの生成方法」参照）。なお、例えば予測装置１が金属材料の腐食量を予測する装置として用いられる場合、使用期間に応じた金属材料の腐食量を予測する腐食量予測モデルを生成する。

予測部３４は、前記したモデル生成部３３で生成された予測モデルにより、予測値を算出する。なお、例えば予測装置１が金属材料の腐食量を予測する装置として用いられる場合、モデル生成部３３によって生成された腐食量予測モデルに対して、金属材料の使用期間および当該使用期間における環境パラメータを入力することにより、当該使用期間および環境パラメータにおける金属材料の腐食量を出力として得る。

表示部４０は、例えばＬＣＤディスプレイ、ＣＲＴディスプレイ等の表示装置によって実現され、演算部３０から入力される表示信号をもとに、例えば金属材料の腐食量の予測結果を表示する。

（予測モデルの生成方法）
本発明の実施形態に係る予測モデルの生成方法について、図２を参照しながら説明する。腐食量予測モデルの生成方法は、図示しない正規化部による正規化工程（ステップＳ１１）と、影響度探索部３１による影響度探索工程と（ステップＳ１２）と、類似度算出部３２による類似度算出工程（ステップＳ１３）と、モデル生成部３３によるモデル生成工程（ステップＳ１４）と、をこの順で行う。なお、予測モデルの生成は、後記する予測モデルを用いた予測を実施する前に事前に実施しておく。

正規化工程では、各変数の正規化処理を行う（ステップＳ１１）。正規化処理の方法は一般的な正規化方法でよく、例えば、各変数（ｅｘ．変数ｘ）の平均値（ｘの平均μ）、標準偏差（ｘの標準偏差σ）を算出し、正規化変数ｘ’を、「ｘ’＝（ｘ−μ）／σ」により算出することができる。また、他の正規化方法であっても構わない。

続いて、影響度探索工程では、予測変数に対する説明変数の影響度を、説明変数ごとに探索する（ステップＳ１２）。ここで、影響度探索工程では、最適化手法を用いて、後記するモデル生成工程で生成される回帰モデルによる予測精度が最も高くなるように影響度を探索する。また、影響度探索工程では、交差検証によって予測精度を評価することにより、影響度を決定する。また、影響度探索工程では、交差検証によって予測精度を評価することにより、影響度に加えて、後記するパラメータθを同時に決定することが好ましい。影響度探索工程の具体的な手順については後記する（後記する図４参照）。

続いて、類似度算出工程では、影響度探索工程で算出した影響度を用いて、予測対象の説明変数（クエリ）と過去の実績データの各説明変数（各サンプル）との類似度を算出する（ステップＳ１３）。類似度算出工程では、影響度を考慮した、予測対象の説明変数（クエリ）と過去の実績データの説明変数（サンプル）との距離に基づいて、類似度を算出する。

類似度算出工程では、まず下記式（１）により、予測対象の説明変数（クエリ）と過去の実績データの説明変数（サンプル）との間の距離（ユークリッド距離）ｄ_ｑｓを算出する。この式（１）では、予測変数に対する説明変数の影響度を考慮するために、従来の距離の算出式に対して、影響度を示す重みＷ_ｅを追加している。これにより、影響度が大きい程、下記式（１）の距離ｄ_ｑｓが大きくなり、かつ後記する式（２）の類似度ｍ_ｑｓも大きくなる。

次に、距離ｄ_ｑｓおよび予め設定するパラメータθに基づいて、下記式（２）により、予測対象の説明変数（クエリ）と過去の実績データの説明変数（サンプル）との類似度ｍ_ｑｓを算出する。なお、パラメータθは、類似度を算出する際の過去の実績データの説明変数の範囲を決定付ける調整パラメータである。

続いて、モデル生成工程では、類似度算出工程で算出された類似度を用いて回帰モデルを生成する（ステップＳ１４）。このモデル生成工程では、類似度が高いサンプル（過去の実績データの説明変数）ほど、よりフッティングするよう回帰モデルを生成する。すなわち、モデル生成工程では、類似度が高いサンプルほど、予測対象の説明変数と過去の実績データの説明変数との誤差が小さくなるように、モデル内パラメータを推定する。

モデル生成工程で生成する回帰モデルとしては、例えば重回帰分析、ロジスティック回帰、決定木回帰、ランダムフォレスト、ニューラルネット、ＰＬＳ回帰（Partial Least Squares Regression）、ＰＣＲ（Principal Components Regression）、ＧＰＲ（Gaussian Process Regression）、勾配ブースティング等が挙げられる。

（予測方法）
本発明の実施形態に係る予測方法について、図３を参照しながら説明する。予測方法は、予測部３４による予測工程（ステップＳ２１）を行う。この予測工程では、前記したモデル生成工程で生成された予測モデルから、クエリにおける予測値を算出する（ステップＳ２１）。

（影響度の探索）
以下、前記した予測モデルの生成方法における影響度探索工程（ステップＳ１２）の具体的な手順について、図４を参照しながら説明する。まず、初期の影響度をランダムに決定する（ステップＳ１２１）。続いて、決定した影響度を用いて前記した類似度算出工程およびモデル生成工程を実施して回帰モデルを生成し、クエリにおける予測値を算出する（ステップＳ１２２）。

続いて、ステップＳ１２１で決定した影響度とステップＳ１２２で算出した予測値を用いて、交差検証による予測精度の評価を行う（ステップＳ１２３）。交差検証の方法としては、例えば、予測精度評価のためにサンプルを一つだけ抜き出し、残りのサンプルでモデル生成を行う。そして、抜き出したサンプルの予測値を生成したモデルで計算する。これを全サンプルが抜き出されるまで繰り返し、予測値と実際の値とを比較し、予測精度を検証する。また、この方法以外にも交差検証の方法は存在し、どの方法を用いても構わない。

続いて、交差検証をＸ回以上繰り返したか否かを判定する（ステップＳ１２４）。交差検証をＸ回以上繰り返していないと判定した場合（ステップＳ１２４でＮｏ）、影響度を変更し（ステップＳ１２５）、ステップＳ１２２に戻る。一方、交差検証をＸ回以上繰り返していると判定した場合（ステップＳ１２４でＹｅｓ）、最も予測精度の高い影響度を設定値として決定し（ステップＳ１２６）、影響度の探索を終了する。

このように、影響度の探索では、最適化手法のフレームワークを用いて，次に評価すべき影響度の設定値を導き、再度交差検証による予測精度の評価を繰り返す。そして、ステップＳ１２５，Ｓ１２２，Ｓ１２３を予め設定した回数（Ｘ回）以上、または集束するまで繰り返し、繰り返し終了後は最も予測精度の高い影響度の値を結果として出力する。なお、最適化手法としては、例えばメタヒューリスティックス、遺伝的アルゴリズムまたはベイズ最適化等を用いることができる。

また、影響度の探索では、影響度に加えて、類似度を算出する際の過去の実績データの説明変数の範囲を決定付けるパラメータθ（上記式（２）参照）についても同時に最適化してもよい。この場合、ステップＳ１２１において、影響度に加えてパラメータθをランダムに決定し、ステップＳ１２５において、影響度に加えてパラメータθを変更し、ステップＳ１２６において、最も予測精度の高い影響度およびパラメータθを設定値として決定する。

また、例えば回帰モデルとして決定木回帰を用いる場合、決定木の基準となる計算式に予測変数に対する説明変数の影響度の重みを追加し、図４のステップＳ１２１〜Ｓ１２６と同様に、予測結果の予測誤差を評価し、その予測誤差が小さくなるように影響度を変更しながら決定木を繰り返し作成し、最も予測精度の高い影響度を設定値として決定すればよい。

以上説明したような本発明の実施形態に係る予測モデルの生成方法、金属材料の腐食量予測方法、予測モデルの生成プログラムおよび予測モデルの生成装置によれば、予測精度を最も高める影響度に基づいて予測モデルを構築することができるため、予測精度を向上させることができる。また、本発明の実施形態に係る予測モデルの生成方法、金属材料の腐食量予測方法、予測モデルの生成プログラムおよび予測モデルの生成装置によれば、影響度の大きさが統一されているため、予測結果の解釈を容易に行うことができる。

本発明の実施形態に係る予測モデルの生成方法およびこの予測モデルを用いた予測方法の実施例について、図５を参照しながら説明する。同図は、予測モデルの生成方法によって金属材料の腐食量を予測する腐食量予測モデルを生成し、この腐食量予測モデルを用いて得た、金属材料の腐食量の予測値と実績値との間の誤差を示すグラフである。

図５の（ａ）は比較例であり、予測変数に対する説明変数の影響度を考慮せずに類似度を算出し、この類似度を用いて腐食量予測モデルを生成し、この腐食量予測モデルによって腐食量を予測した結果を示している。また、同図の（ｂ）は本発明例１であり、同図の（ｃ）は本発明例２であり、いずれも予測変数に対する説明変数の影響度を考慮して類似度を算出し、当該類似度を用いて腐食量予測モデルを生成し、この腐食量予測モデルによって腐食量を予測した結果を示している。また、本発明例１では、前記した影響度探索工程において、説明変数の影響度のみを最適化し、本発明例２では、前記した影響度探索工程において、説明変数の影響度に加えてパラメータθについても最適化した。

また、本実施例では、比較例および本発明例１，２ともに、回帰モデルとしてＰＬＳを用いて腐食量予測モデルを生成した。また、本実施例では、年平均気温（℃）、年平均湿度（％）、日単位での平均飛来塩分量（ｍｇ／ｍ^２／ｄａｙ（＝ｍｍｄ）（Ｃｌ⁻換算））、日単位での平均ＳＯ_Ｘ濃度（ｍｇ／ｍ^２／ｄａｙ（＝ｍｍｄ）（Ｓｏ_２換算））を説明変数とし、金属材料の腐食量（μｍ）を予測変数とした。また、本実施例では、影響度探索工程の最適化手法として、予測モデルのハイパーパラメータの最適化に用いられるベイズ最適化を用い、上記式（２）のパラメータθの取り得る範囲を「０．１〜１．０」に限定し、前記した図４のステップＳ１２４の繰り返し回数Ｘを「１００回」に設定した。

比較例（図５の（ａ）参照）の説明変数および影響度を表１に、本発明例１（同図の（ｂ）参照）の説明変数および影響度を表２に、本発明例２（同図の（ｃ）参照）の説明変数および影響度を表３に示す。このように、本発明例１，２では、各予測点で影響度が異なることがなく、全予測点で統一された影響度を得ることができるため、予測結果の解釈が容易である。また、今回の結果からは、例えば表２の場合、全てのデータに対して湿度が腐食量に強く影響し、ＳＯ_２濃度の腐食量への影響は小さいことが分かる。

図５に示すように、予測変数に対する説明変数の影響度を考慮した場合（同図の（ｂ）参照）、当該影響度を考慮しない場合（同図の（ａ）参照）と比較して、相対平均二乗誤差（ｒＲＭＳＥ：relative root means square of error）が０．２８から０．２６へと改善し、予測精度が向上していることが分かる。また、影響度に加えてパラメータθを同時に最適化した場合（同図の（ｃ）参照）、当該パラメータθを同時に最適化しない場合（同図の（ｂ）参照）と比較して、相対平均二乗誤差が０．２６から０．１９へと更に改善し、予測精度がさらに向上していることが分かる。このように、本発明に係る予測モデルの生成方法およびこの予測モデルを用いた予測方法によれば、従来よりも予測精度を向上できることが分かる。

以上、本発明に係る予測モデルの生成方法、金属材料の腐食量予測方法、予測モデルの生成プログラムおよび予測モデルの生成装置について、発明を実施するための形態および実施例により具体的に説明したが、本発明の趣旨はこれらの記載に限定されるものではなく、特許請求の範囲の記載に基づいて広く解釈されなければならない。また、これらの記載に基づいて種々変更、改変等したものも本発明の趣旨に含まれることはいうまでもない。

例えば、前記した実施形態では、予測モデルの生成方法（図２参照）とこの予測モデルを用いた予測方法（図３参照）とをそれぞれ別のタイミングで行っていたが、例えば図２のステップＳ１１〜Ｓ１４の後に図３のステップＳ２１を行ってもよい。

１予測装置
１０入力部
２０データベース
３０演算部
３１影響度探索部
３２類似度算出部
３３モデル生成部
３４予測部
４０表示部

Claims

予測変数に対する説明変数の影響度を、説明変数ごとに探索する影響度探索工程と、
予測対象の説明変数と過去の実績データの説明変数との類似度を、前記影響度を用いて算出する類似度算出工程と、
前記類似度を用いて回帰モデルを生成するモデル生成工程と、
を含み、
前記影響度探索工程は、前記回帰モデルによる予測精度が高くなるように前記影響度を探索する予測モデルの生成方法。
前記影響度探索工程は、交差検証によって前記予測精度を評価することにより、前記影響度を決定する請求項１に記載の予測モデルの生成方法。
前記影響度探索工程は、前記交差検証によって前記予測精度を評価することにより、前記影響度と、前記類似度を算出する際の前記過去の実績データの説明変数の範囲を決定付けるパラメータと、を決定する請求項２に記載の予測モデルの生成方法。
前記類似度算出工程は、前記影響度を考慮した、前記予測対象の説明変数と過去の実績データの説明変数との距離に基づいて、前記類似度を算出する請求項１から請求項３のいずれか一項に記載の予測モデルの生成方法。
請求項１から請求項４のいずれか一項に記載の予測モデルの生成方法により生成された予測モデルにより、金属材料の腐食量を予測する金属材料の腐食量予測方法。
コンピュータを、
予測変数に対する説明変数の影響度を、説明変数ごとに探索する影響度探索手段、
予測対象の説明変数と過去の実績データの説明変数との類似度を、前記影響度を用いて算出する類似度算出手段、
前記類似度を用いて回帰モデルを生成する回帰モデル生成手段、
として機能させ、
前記影響度探索手段は、前記回帰モデルによる予測精度が高くなるように前記影響度を探索する予測モデルの生成プログラム。
予測変数に対する説明変数の影響度を、説明変数ごとに探索する影響度探索手段と、
予測対象の説明変数と過去の実績データの説明変数との類似度を、前記影響度を用いて算出する類似度算出手段と、
前記類似度を用いて回帰モデルを生成する回帰モデル生成手段と、
を備え、
前記影響度探索手段は、前記回帰モデルによる予測精度が高くなるように前記影響度を探索する予測モデルの生成装置。