JP2023028246A - 品質予測モデルの作成方法、品質予測方法、操業条件提示方法、品質予測モデルの作成装置、品質予測装置および操業条件提示装置 - Google Patents
品質予測モデルの作成方法、品質予測方法、操業条件提示方法、品質予測モデルの作成装置、品質予測装置および操業条件提示装置 Download PDFInfo
- Publication number
- JP2023028246A JP2023028246A JP2021133827A JP2021133827A JP2023028246A JP 2023028246 A JP2023028246 A JP 2023028246A JP 2021133827 A JP2021133827 A JP 2021133827A JP 2021133827 A JP2021133827 A JP 2021133827A JP 2023028246 A JP2023028246 A JP 2023028246A
- Authority
- JP
- Japan
- Prior art keywords
- quality
- quality prediction
- data
- product
- operating conditions
- 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 199
- 239000000047 product Substances 0.000 claims abstract description 121
- 230000008569 process Effects 0.000 claims abstract description 115
- 230000007547 defect Effects 0.000 claims abstract description 70
- 239000012467 final product Substances 0.000 claims abstract description 48
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 238000004519 manufacturing process Methods 0.000 claims description 25
- 229910000831 Steel Inorganic materials 0.000 claims description 15
- 239000010959 steel Substances 0.000 claims description 15
- 238000004381 surface treatment Methods 0.000 claims description 15
- 238000005097 cold rolling Methods 0.000 claims description 7
- 238000005098 hot rolling Methods 0.000 claims description 7
- 238000009628 steelmaking Methods 0.000 claims description 7
- 238000000137 annealing Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 22
- 238000013480 data collection Methods 0.000 description 13
- 230000010365 information processing Effects 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 229910052742 iron Inorganic materials 0.000 description 3
- 238000012067 mathematical method Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 3
- 238000003908 quality control method Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005266 casting Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000005549 size reduction Methods 0.000 description 1
- 238000000547 structure data Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- General Factory Administration (AREA)
Abstract
Description
図1は、実施形態に係る品質予測モデルの作成装置(以下、「モデル作成装置」という)、品質予測装置および操業条件提示装置を実現する情報処理装置1の構成を示している。情報処理装置1は、図1に示すように、入力部10と、記憶部20と、演算部30と、表示部40と、を備えている。
Y=[y] ・・・(2)
(1)学習済みのCNNにおいて、特定分類クラス判定の出力(特定の品質カテゴリの欠陥発生確率スコア)を、最終畳み込み層の一つの特徴マップの一箇所(一ピクセル)の値について微分し、当該ピクセル値を微小変化させた場合の欠陥発生確率スコアの変化率を表す微分係数を求める。
(2)全ピクセルの微分係数の平均を取ることにより、特定分類クラス判定に応じた一つの特徴マップに対する重み係数を求める。
(3)最終畳み込み層の全ての特徴マップにそれぞれ重み係数をかけて平均を計算する。これにより、特定クラスに分類するために重要な特徴マップが重視された、重ね合わせとなる。
(4)活性化関数ReLU(ランプ関数)を通して、0から1までの範囲の実数値を取る相対的影響度を算出する。
(1)影響度算出部34によって算出された相対的影響度から、k+1番目の工程(k+1)からK番目の工程Kまでの設定操業条件の項目のみを抽出する。
(2)上記(1)で抽出した各項目の相対的影響度を、その値が大きい項目順に並べ替える。
(3)上記(2)で並べ替えた項目の上位から順に、設定変更の可否を任意の方法で判定する。なお、「設定変更の可否」とは、その設定操業条件の値を操作(変更)できるか否かを示している。例えば例えばある設備の状態を単純に計測することを目的としており、操作ができないような設定操業条件は、「設定変更不可」と判定される。
(4)上記(3)で設定変更可能な項目が初めて判定された際に、その項目を操作可能な設定操業条件と決定する。
(5)上記(4)で決定された操作可能な設定操業条件については現在の値から別の値に変更し、他の設定操業条件については現在の値のままとして、これらの設定操業条件と工程kまでの実績操業条件を合わせて品質予測モデルに入力し、品質予測結果を出力する。
(6)上記(5)で出力された品質予測結果を、予め設定された品質管理範囲と照合する。
(7)上記(6)において、品質予測結果が品質管理範囲内に収まっている場合、上記(5)で変更した値を設定操作条件として、表示部40を介して提示する。
(8)上記(6)において、品質予測結果が品質管理範囲内に収まっていない場合、上記(5)に戻り、操作可能な設定操業条件の値を更に別の値に変更し、以降の(6)を繰り返す。なお、上記(5)、(6)を繰り返す場合、例えば反復法等の最適化手法を用いてもよい。
実施形態に係る品質予測モデルの作成方法(以下、「モデル作成方法」という)について、図4を参照しながら説明する。モデル作成方法では、データ収集ステップ(ステップS1)と、データ作成ステップ(ステップS2)と、モデル作成ステップ(ステップS3)とを行う。
データ収集ステップにおいて、データ作成部31は、複数の工程における操業条件データおよび品質データを、操業DB21から収集する(ステップS1)。
データ作成ステップにおいて、データ作成部31は、最終製品の特定方向の特定位置ごとに、各工程における操業条件データと品質データとを紐づけて、二次元データを作成する(ステップS2)。
モデル作成ステップにおいて、モデル作成部32は、ステップS2で作成した二次元データを入力とし、対象製品の欠陥発生確率スコアを出力とし、特定方向の特定位置ごとの品質を予測する品質予測モデルを、例えばCNNを用いて作成する。以上により、モデル作成方法の処理は完了する。
実施形態に係る品質予測方法について説明する。品質予測方法では、モデル作成方法の各ステップ(データ収集ステップ、データ作成ステップおよびモデル作成ステップ)に加えて、品質予測ステップを行う。
品質予測ステップにおいて、品質予測部33は、品質予測モデルに対して、最終製品の特定方向の特定位置ごとに、各工程における操業条件データと品質データとが紐づけられた二次元データを入力することにより、対象製品の欠陥発生確率スコアを予測する。以上により、品質予測方法の処理は完了する。
実施形態に係る操業条件提示方法について説明する。操業条件提示方法では、品質予測方法の各ステップ(データ収集ステップ、データ作成ステップ、モデル作成ステップおよび品質予測ステップ)に加えて、影響度算出ステップおよび設定操業条件探索ステップを行う。
影響度算出ステップにおいて、影響度算出部34は、品質予測モデルが品質不良発生と予測したか否か、すなわち品質予測モデルに入力した実績操業条件および設定操業条件のもとで品質不良が発生するか否かを判定する。品質不良が発生すると判定した場合、影響度算出部34は、学習済みの品質予測モデルをもとに、欠陥発生確率スコアに対する各設定操業条件の相対的影響度を算出する。
設定操業条件探索ステップにおいて、操業条件提示部35は、品質予測モデルに入力された設定操業条件のうち、相対的影響度の大きい設定操業条件の値を変更しながら、品質予測モデルによって欠陥発生確率スコアを予測する。続いて、操業条件提示部35は、欠陥発生確率スコアが目標範囲内になると予測された際の設定操業条件を、表示部40を介して提示する。以上により、操業条件提示方法の処理は完了する。
本発明の実施例について説明する。本実施例では、実施形態に係る品質予測方法を、鉄鋼製品に関するデータに対して適用した。具体的には、鋼板の製造において、製鋼工程、熱延工程、冷延工程および表面処理工程を通過した製品の実績データに対して、表面処理工程を通過後の鋼板の表面に発生した表面欠陥を予測した。
10 入力部
20 記憶部
21 操業DB
30 演算部
31 データ作成部
32 モデル作成部
33 品質予測部
34 影響度算出部
35 操業条件提示部
40 表示部
Claims (13)
- 複数の工程を経て製造される製品の品質予測モデルの作成方法であって、
最終工程後の最終製品の特定方向の特定位置ごとに、各工程における一以上の操業条件と前記最終製品の品質とを紐づけて、二次元データを作成するデータ作成ステップと、
前記二次元データを入力データとして、製品の欠陥発生確率スコアを出力データとして、前記特定方向の特定位置ごとの品質を予測する品質予測モデルを機械学習によって作成するモデル作成ステップと、
を含む品質予測モデルの作成方法。 - 前記最終製品の品質は、予め定めた所定長ごとに取得され、
前記データ作成ステップは、前記所定長ごとの品質に対して、前記最終製品の長さ方向の予め定めた単位長さごとに、各工程における一以上の操業条件と前記最終製品の品質とを紐づけて、前記二次元データを作成する、
請求項1に記載の品質予測モデルの作成方法。 - 前記データ作成ステップは、前記品質予測モデルによる予測精度が向上するように、各工程における操業条件の並び順を決定し、決定した並び順で前記最終製品の品質と紐づけて、前記二次元データを作成する請求項1または請求項2に記載の品質予測モデルの作成方法。
- 前記モデル作成ステップは、畳み込みニューラルネットワークを用いてモデルを作成する請求項1から請求項3のいずれか一項に記載の品質予測モデルの作成方法。
- 前記製品は、複数の工程を経て製造される鉄鋼製品であり、
前記複数の工程には、製銑、製鋼、熱延、冷延、焼鈍および表面処理のいずれか一つ以上の工程が含まれる請求項1から請求項4のいずれか一項に記載の品質予測モデルの作成方法。 - 前記操業条件は、各工程において標準条件として設定された設定操業条件、または各工程において計測された実績操業条件である請求項1から請求項5のいずれか一項に記載の品質予測モデルの作成方法。
- 前記実績操業条件は、計測されたデータの平均値、最大値または最小値である請求項6に記載の品質予測モデルの作成方法。
- 請求項1から請求項7のいずれか一項に記載の品質予測モデルの作成方法で作成された品質予測モデルに対して、最終工程後の最終製品の特定方向の特定位置ごとに、各工程における一以上の操業条件と前記最終製品の品質とが紐づけられた二次元データを入力することにより、製品の欠陥発生確率スコアを予測する品質予測ステップを含む品質予測方法。
- 請求項1から請求項7のいずれか一項に記載の品質予測モデルの作成方法で作成された品質予測モデルに対して、最終工程後の最終製品の特定方向の特定位置ごとに、製品の製造途中工程までの実績操業条件と、その後の工程について標準条件として設定された設定操業条件とを入力することにより、前記実績操業条件および前記設定操業条件で製造した場合の前記製品の欠陥発生確率スコアを予測する品質予測ステップと、
前記欠陥発生確率スコアが所定の値以下となるような設定操業条件を探索する操業条件探索ステップと、
探索した前記設定操業条件を提示する操業条件提示ステップと、
を含む操業条件提示方法。 - 前記操業条件探索ステップは、前記設定操業条件のうち、前記欠陥発生確率スコアの値が所定の値を超える設定操業条件を変更しながら、前記実績操業条件とともに前記品質予測モデルに対して入力することにより、前記欠陥発生確率スコアが所定の値以下となるような前記設定操業条件を探索する請求項9に記載の操業条件提示方法。
- 複数の工程を経て製造される製品の品質予測モデルの作成装置であって、
最終工程後の最終製品の特定方向の特定位置ごとに、各工程における一以上の操業条件と前記最終製品の品質とを紐づけて、二次元データを作成するデータ作成手段と、
前記二次元データを入力データとして、製品の欠陥発生確率スコアを出力データとして、前記特定方向の特定位置ごとの品質を予測する予測モデルを機械学習によって作成するモデル作成手段と、
を備える品質予測モデルの作成装置。 - 請求項11に記載の品質予測モデルの作成装置で作成された品質予測モデルに対して、最終工程後の最終製品の特定方向の特定位置ごとに、各工程における一以上の操業条件と前記最終製品の品質とが紐づけられた二次元データを入力することにより、製品の欠陥発生確率スコアを予測する品質予測手段を備える品質予測装置。
- 請求項11に記載の品質予測モデルの作成装置で作成された品質予測モデルに対して、最終工程後の最終製品の特定方向の特定位置ごとに、製品の製造途中工程までの実績操業条件と、その後の工程について標準条件として設定された設定操業条件とを入力することにより、前記実績操業条件および前記設定操業条件で製造した場合の前記製品の欠陥発生確率スコアを予測する品質予測手段と、
前記欠陥発生確率スコアが所定の値以下となるような設定操業条件を探索する操業条件探索手段と、
探索した前記設定操業条件を提示する操業条件提示手段と、
を備える操業条件提示装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021133827A JP7484845B2 (ja) | 2021-08-19 | 2021-08-19 | 品質予測モデルの作成方法、品質予測方法、操業条件提示方法、品質予測モデルの作成装置、品質予測装置および操業条件提示装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021133827A JP7484845B2 (ja) | 2021-08-19 | 2021-08-19 | 品質予測モデルの作成方法、品質予測方法、操業条件提示方法、品質予測モデルの作成装置、品質予測装置および操業条件提示装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023028246A true JP2023028246A (ja) | 2023-03-03 |
JP7484845B2 JP7484845B2 (ja) | 2024-05-16 |
Family
ID=85331623
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021133827A Active JP7484845B2 (ja) | 2021-08-19 | 2021-08-19 | 品質予測モデルの作成方法、品質予測方法、操業条件提示方法、品質予測モデルの作成装置、品質予測装置および操業条件提示装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7484845B2 (ja) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021014804A1 (ja) * | 2019-07-22 | 2021-01-28 | Jfeスチール株式会社 | 品質予測モデル生成方法、品質予測モデル、品質予測方法、金属材料の製造方法、品質予測モデル生成装置および品質予測装置 |
-
2021
- 2021-08-19 JP JP2021133827A patent/JP7484845B2/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021014804A1 (ja) * | 2019-07-22 | 2021-01-28 | Jfeスチール株式会社 | 品質予測モデル生成方法、品質予測モデル、品質予測方法、金属材料の製造方法、品質予測モデル生成装置および品質予測装置 |
Also Published As
Publication number | Publication date |
---|---|
JP7484845B2 (ja) | 2024-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110619355B (zh) | 基于深度学习的钢铁材料微观组织自动识别方法 | |
CN110175434B (zh) | 一种基于卷积神经网络的铁路扣件系统损伤检测方法 | |
Lieber et al. | Quality prediction in interlinked manufacturing processes based on supervised & unsupervised machine learning | |
JP4855353B2 (ja) | 製品の品質改善条件解析装置、解析方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 | |
JP4681426B2 (ja) | 製造プロセスにおける操業と品質の関連解析装置、方法、コンピュータプログラム、及びコンピュータ読み取り可能な記録媒体 | |
CN109710636A (zh) | 一种基于深度迁移学习的无监督工业系统异常检测方法 | |
JP4739447B2 (ja) | 不良要因の分析表示方法および不良要因の分析表示装置 | |
EP2930578A2 (en) | Failure cause classification apparatus | |
CN113822889B (zh) | 一种热轧钢板表面缺陷检测方法 | |
CN106874658A (zh) | 一种基于主成分分析算法的医保欺诈识别方法 | |
CN110738654B (zh) | 髋关节影像中的关键点提取及骨龄预测方法 | |
WO2021004198A1 (zh) | 一种板材性能的预测方法及装置 | |
CN104517162A (zh) | 一种连续退火产品硬度在线集成学习预报方法 | |
CN108363902B (zh) | 一种致病遗传变异的精确预测方法 | |
CN111598854B (zh) | 基于丰富鲁棒卷积特征模型的复杂纹理小缺陷的分割方法 | |
JP2011221642A (ja) | 品質予測装置、品質予測方法、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録媒体 | |
CN111402236A (zh) | 一种基于图像灰度值的热轧带钢表面缺陷分级方法 | |
CN116883393A (zh) | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 | |
CN112819748A (zh) | 一种带钢表面缺陷识别模型的训练方法及装置 | |
JP2023028246A (ja) | 品質予測モデルの作成方法、品質予測方法、操業条件提示方法、品質予測モデルの作成装置、品質予測装置および操業条件提示装置 | |
CN111370055B (zh) | 内含子保留预测模型建立方法及其预测方法 | |
WO2023061174A1 (zh) | 一种孤独症谱系障碍的风险预测模型构建方法及装置 | |
JP5501908B2 (ja) | 要因分析方法、要因分析装置、及び記録媒体 | |
Sun et al. | A classification and location of surface defects method in hot rolled steel strips based on YOLOV7 | |
JP7493128B2 (ja) | 操業条件提示方法および操業条件提示装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A711 | Notification of change in applicant |
Free format text: JAPANESE INTERMEDIATE CODE: A711 Effective date: 20221128 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230329 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231226 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231228 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240220 |
|
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: 20240402 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240415 |