JP2606952B2

JP2606952B2 - 鉄鋼製品の製造可否判定装置

Info

Publication number: JP2606952B2
Application number: JP2161789A
Authority: JP
Inventors: 博史山根; 一彦長橋; 孝仁明賀; 宏喜田中
Original assignee: Nippon Steel Corp
Current assignee: Nippon Steel Corp
Priority date: 1990-06-20
Filing date: 1990-06-20
Publication date: 1997-05-07
Anticipated expiration: 2012-05-07
Also published as: JPH0452221A

Description

【発明の詳細な説明】［産業上の利用分野］本発明は、鉄鋼製品の受注時及び受注前検討時の製品
仕様に対する製造の可否判定に関する。

［従来の技術］鉄鋼製品は従来より最も広く利用されている素材であ
り、それの利用形態に応じて様々な内容の製品仕様が、
利用者から製造業者に対して注文明細の形で要求され
る。注文明細中には、例えば、引張強度条件，衝撃保証
条件，試験片採取部位，試験片採取方向，等々が指定さ
れる。

従って鉄鋼製品の製造業者は、個々の製品の注文明細
に対して、製造可否の判定を行なう。つまり、無条件で
製造可能，条件付で製造可能，確性試験を行ったうえで
ないと判定できない，製造不可能、のいずれであるかを
判定し注文者に対して回答する。この種の可否判定は非
常に難しい点があるが、信頼性の高い判定を短期間で行
なうことが、製造業者にとって顧客サービス上、非常に
重要なことである。

この種の可否判定を支援するシステムは従来より存在
し、実際に使用されている。即ち、このシステムは、過
去の製造実績に関するデータベースと、注文明細の内容
と一致するデータを検索する装置とを組合せたものであ
る。注文明細条件が検索された過去の実績と完全に一致
する場合には、それが参照実績として製造可否判定に利
用される。従って、注文明細条件が規格に沿った内容で
ある場合には、一致する過去のデータが存在する確率が
高く、システムの検索結果が製造可否判定に大きな役割
を果たす。

［発明が解決しようとする課題］しかしながら、利用者から製造業者に対して要求され
る注文明細条件が規格に定義された以外の条件にわたる
場合には、それが過去の製造実績と完全に一致すること
は極めて希であり、そのような場合には従来の検索シス
テムでは、専門家が類似した注文明細の事例を捜し出す
のに利用できる他は約に立たず、可否判定の大部分は、
専門家の推定に頼ることになる。

また人間の推定によって判定する場合、判定に長時間
を要し、また専門家の熟練度が低いと回答できる範囲が
限定されるので、判定に確性試験を必要とする頻度も高
くなる。確性試験の実施は、製品のコストアップにつな
がる。

そこで本発明は、過去に一致する実績が存在しない注
文明細条件に対しても、自動的に製造可否判定ができる
システムを提供することを課題とする。

［課題を解決するための手段１］上記課題を解決するために、本発明の１番目の構成に
おいては、複数の入力端子と少なくとも１つの出力端子
を有し前記複数の入力端子に印加される信号レベルと前
記出力端子のレベルとの相関を決定する複数の重み係数
（Ws_ji）を保持する複数のユニットを階層的に互いに連
結して構成され製造可否検討結果を出力するネットワー
ク手段（第３図，第7a図，第7b図，第8a図，第8b図のよ
うなネットワーク）、を複数備える（30）とともに、対
象鉄鋼製品の仕様に関する少なくとも大きさの情報と材
質条件の情報を前記ネットワーク手段に入力する手段；
該手段によって入力された仕様の内容が予め定めた複数
のグループ（品種別，材質条件別，寸法条件別等の各複
数グループ）のいずれに属するかを識別し、その識別結
果に応じて前記複数のネットワーク手段の中から１つを
選択する、選択手段（11）；過去の判定実績に基づいて
前記ネットワーク手段の重み係数の学習を実施する手
段；及び前記選択手段によって選択されたネットワーク
手段の出力を判定結果として出力する手段；を設ける。

なお上記括弧内に示した記号又は記述は、後述する実
施例中の対応する要素の符号又はそれの説明を参考まで
に示すものであるが、本発明の各構成要素は実施例中の
具体的な要素のみに限定されるものではない。

［作用１］この構成においては、自動的に製造可否判定を実施す
るために、ネットワーク手段、即ちニュートラルネット
ワークを要いている。過去の判定実績に基づいて、予め
ネットワークの重み係数の学習を行なわせておき、ネッ
トワークの入力層に、鉄鋼製品の仕様、つまり大きさや
材質条件の情報を入力し、出力層から判定結果を取り出
す。

ニュートラルネットワークにおいては、学習した内容
に応じてその結合構造（結合の強さ）が変わるが、学習
していない情報に対しても、かなり高い精度で結果を出
力することができる。このため、鉄鋼製品の仕様として
入力された情報が、過去の実績として存在しない場合で
あっても、確実に、しかも短時間で判定結果を得られ
る。

ところで、ニュートラルネットワークの判定精度は、
その学習のしかたに応じて大きく変化するので、学習が
容易かどうかは非常に重要である。鉄鋼製品の製造可否
判定においては、入力される仕様の情報として、例えば
Ｈ形鋼ではフランジ厚み，引張強度特性，衝撃保証条
件，試験片採取部位，試験片採取方向等々の多数のもの
があるが、これらの多数の情報を単一のネットワークの
入力層に全て印加するような構成にした場合、ネットワ
ークの構造が非常に複雑になり、学習の所要時間も膨大
なものになる。

そのため、本発明においては、仕様として入力される
情報の内容を複数の分類に識別するとともに、使用する
ネットワーク手段を複数にして、分類毎に独立したネッ
トワーク手段を使用するように構成してある。従って、
各々のネットワークの構造が簡単になり、その学習所要
時間も短縮される。また、実際に学習のために製造可否
判定に関する知識を専門家から獲得する場合において
も、判定事例を複数の分類に分けた方が効率良く、学習
のための作業が容易になる。

なお、ここでいう「判定実績」は、その時の注文仕様
情報とそれに対する実際の製造結果との組合せでなる実
績情報、及び、その時の注文仕様情報とそれに対する確
性試験等の結果との組合せでなる実績情報、の両方を意
味している。勿論、確性試験は必要に応じて実施される
ものであり、必要不可欠な要素ではない。

［課題を解決するための手段２］上記課題を解決するために、本発明の２番目の構成に
おいては、過去の製造事例及び製造可否検討事例が蓄積
された事例データベース（40）を有し、対象鉄鋼製品の
仕様に関する情報を入力して、該仕様情報と前記事例デ
ータベースの内容とを比較して前記事例データベース上
の最適事例を選択し、該最適事例の内容から製造可否を
判定しその判定結果を出力する一次判定手段（第９図の
S1〜S5の処理）；及び該一次判定手段が二次判定を要求
する時に、前記仕様の情報を入力して二次判定結果を出
力する二次判定手段；を備えるとともに、該二次判定手
段は、複数の入力端子と少なくとも１つの出力端子を有
し前記複数の入力端子に印加される信号レベルと前記出
力端子のレベルとの相関を決定する複数の重み係数を保
持する複数のユニットを階層的に互いに連結して構成さ
れるネットワーク手段（30）、及び過去の判定実績に基
づいて前記ネットワーク手段の重み係数の学習を実施す
る手段を設ける。

［作用２］この構成においては、自動的に製造可否判定を実施す
るために、過去の実績が蓄積されたデータベースの内容
に基づいて判定を行なう一次判定手段と、一次判定にお
いて充分な判定結果が得られない時に判定を行なう二次
判定手段を設けてあり、二次判定手段にはネットワーク
手段、即ちニューラルネットワークを用いている。

一次判定手段として、従来の検索システムや、所定の
判定ルールに基づく判定処理を実施する装置を利用でき
る。一次判定手段は、あいまいな要素がないので判定精
度が高く、高い信頼性が期待できる。しかしながら、判
定できる範囲がある程度限定されるので、その範囲を外
れるものは、実際には製造可能であっても、例えば「確
性試験が必要」と判定される確率は高い。確性試験を行
なう場合には、正しい判定結果が得られるまでに長時間
を要する。

本発明においては、一次判定手段の判定結果が不充分
である時には、二次判定手段によって結果が出力され
る。二次判定手段は、ニューラルネットワークを利用し
ているので、一次判定手段に比べると判定精度は落ちる
が、データベース上に存在しない特殊な条件が入力され
る場合であっても、直ちに判定結果を出力することがで
きる。この結果は確性試験の結果が得られるまでの暫定
的な情報としては充分に利用できる。

本発明の他の目的及び特徴は、以下の、図面を参照し
た実施例説明によって明らかになろう。

［実施例］第１図に、一実施例の製造可否判定装置の構成を示
す。第１図を参照すると、キーボードとCRTディスプレ
イを含む入出力装置IOがエキスパートシステムESに接続
されている。エキスパートシステムESは、データ処理用
の計算機本体と記憶装置ならびにニューラルネットワー
ク群30を含むハードウェアと、記憶装置上に蓄積された
様々なソフトウェアで構成されている。ソフトウェアの
部分は、データベース40,推論エンジン20及び知識ベー
ス10で構成されている。またこの例では、エキスパート
システムの計算機にはホスト計算機CPUも接続されてい
る。

詳細については後述するが、データベース40は鉄鋼製
品の製造事例及び製造可否検討事例に関する多数の実績
情報を整理して登録したもの、知識ベース10は実際の製
造可否判定に必要とされるルール群の情報を登録したも
の、推論エンジン20は知識ベース10上に記述されたルー
ルに従ってデータベース40上の情報の検索や判定を実施
し判定結果を導出するプログラムである。

つまり、鉄鋼製品に関する注文明細条件を利用者が入
出力装置IOから入力すると、エキスパートシステムESは
推論エンジン20の動作を起動し、各種ルールの判定と実
績データの検索とを繰り返し、最終的な判定結果を入出
力装置IOに出力する。

第１図の装置を機能的に並べると第２図に示すような
構成になる。第２図から分かるように、この装置には、
一次製造可否検討システム100と二次製造可否検討シス
テム200が備わっている。最初に一次製造可否検討シス
テム100が起動し、それによって充分な結果が得られな
い時には、続いて二次製造可否検討システム200が起動
する。二次製造可否検討システム200は、ニューラルネ
ット振り分けルール11とニューラルネット群30によって
構成されている。ニューラルネット群はこの例ではA,B,
C,Dの４つだけを示してあるが、実際には、後述するよ
うに更に多くのものが備わっている。各々のニューラル
ネットワークには、それぞれの学習知識を記憶する記憶
装置が接続されている。各々のニューラルネットワーク
は独立しており、いずれのネットワークを使用するか
が、ニューラルネット振り分けルール11によって決定さ
れる。

エキスパートシステムESの、処理の概要を第９図に示
す。なお、ステップS1〜S5は一次製造可否検討システム
100に属する部分である。以下、第９図の各処理ステッ
プの内容について説明する。

ステップS1で、鉄鋼製品に対する要求仕様の情報が注
文明細条件として、入力装置２から入力されると、次の
ステップS2に進む。ここでは条件の一部を満足する製造
事例及び製造可否検討事例を、データベース40上で検索
する。データベース40上のデータの１件分を第１表に示
す。

データベース40上には、第１表に示すように各々の製
造事例又は製造可否検討事例について様々な項目の情報
が登録されている。なお、製造事例とは、実際に製造さ
れた製品に関するものであり、製造可否検討事例とは、
試験や分析によって製造可能であることが確かめられた
ものであり、いずれも100％製造可能な、過去の実績と
して扱うことができる。データベース40上には、多数の
事例（製造事例及び製造可否検討事例：以下同様）が登
録されている。

このステップS2でデータを検索する際には、知識ベー
ス30上に存在する様々な検索条件のルールを参照して、
所定の条件を満足するものを抽出する。次に検索条件の
ルールの代表例を項目別に示す。なお以下の説明におい
て、「要求仕様」とは注文明細条件をデータベース項目
に基づいて展開した仕様を指す。また、要求仕様の値が
存在しないものは検討の際には考慮しない。

（１）寸法形状項目：検索する事例は要求仕様の品名と同じでなければならな
い。

検索する事例は要求仕様のシリーズと同じでなければな
らない。

検索する事例は要求仕様のフランジ厚よりも厚くなけれ
ばならない。

（２）引張試験項目：検討する事例は要求仕様の引張試験方向がＺ方向の場合
はＺ方向でなければならない。

・・・検索する事例は要求仕様の引張試験採取部位がフランジ
1/4部の場合はコーナー部又はフランジ1/4部又はフラン
ジ1/6部でなければならない。

・・・検索する事例は要求仕様の耐力区分が上降伏点の場合は
上降伏点でなければならない。

・・・検索する事例は要求仕様の引張強さ上限値以下でなけれ
ばならない。

・・・（３）衝撃試験項目：検索する事例は要求仕様の衝撃試験方向がＺ方向の場合
はＺ方向でなければならない。

・・・検索する事例は要求仕様の衝撃試験採取部位がフランジ
1/4部の場合はコーナー部又はフランジ1/4部又はフラン
ジ1/6部でなければならない。

・・・検索する事例は要求仕様の衝撃試験片種類が2mmVの場合
は2mmVでなければならない。

・・・検索する事例は要求仕様の衝撃試験温度値以下でなけれ
ばならない。

・・・（４）曲げ試験項目：検索する事例は要求仕様の曲げ試験方向がＺの場合はＺ
方向でなければならい。

・・・検索する事例は要求仕様の曲げ試験採取部位がコーナー
部の場合はコーナー部でなければならない。

・・・検索する事例は要求仕様の曲げ角度値以上でなければな
らない。

・・・（５）溶接性項目検索する事例は、要求仕様の成分CEQ式がＡの場合はＡ
又はＣ又はD...又はＴ又はＵでなければならない。

（CEQ式の記号の定義） A:C＋Mn/6 B:C＋Mn/10 C:C＋Mn/6＋Si/24 D:C＋Mn/6＋Si/24＋Cr/5＋V/14 ・・・・ T:C＋Mn/6＋Ni＋Cu）/15 U:C＋Mn/6＋Ni＋Cu）/15＋（Cr＋Mo＋Ｖ）/5 検索する事例は要求仕様の成分CEQ上限値以下でなけれ
ばならない。

次のステップS3では、ステップS2の検索の結果、１つ
以上の参照可能な（有効な）事例が抽出されたか否かを
識別する。参照可能な事例が抽出された場合には、ステ
ップS4に進む。

ステップS4においては、製造可否判定の前処理とし
て、単一の事例を選択する。即ち、ステップS2の処理で
抽出された事例が１つのみならそれに基づいて判定を実
施するが、複数の参照可能な事例が抽出された場合に
は、その中で最も適当な１つの事例を選択し、選択され
た事例に基づいて判定を実施する。

実際には、抽出された各々の事例について、それの満
足度を示すカウンタ数と称する値を求めて、カウンタ数
が最小の事例を最初に選択する。カウンタ数は、当該事
例が注文明細条件に対して何個の項目について満目して
いないかを示す数である。ここでは、カウンタ数を求め
るために、知識ベース10上にカウンタ数を計算ルールが
登録されており、推論エンジンはその計算ルールを参照
しながらカウンタ数を計算する。計算ルールの代表例を
項目別に分けて次に示す。

（１）成分項目：探索した事例のＣ下限が要求仕様のＣ下限よりも小さけ
ればカウントする（カウンタ数を１インクレメントす
る）。

探索した事例のＣ上限が要求仕様のＣ上限よりも大きけ
ればカウントする。

探索した事例のMn/C下限が要求仕様のMn/C下限よりも小
さければカウントする。

・・・（２）母材熱処理方法：探索した事例の母材熱処理に指定がない場合、要求仕様
の母材熱処理に指定があればカウントする。

探索した事例の母材熱処理方法が焼ならしの場合、要求
仕様が焼ならしでない場合はカウントする。

・・・なお、上記ルールに基づいて計算したカウンタ数が最
小の事例が複数検出された場合には、それらから１つを
選択するために、製造コストが一番安い事例及び最も新
しい事例、という条件を加えて選択する。これによっ
て、最終的には１つの事例だけが検出される。

ステップS5では、ステップS4で検出した１つの事例に
基づいて、製造可否を判定する。まず、検出された事例
データから、エキストラ（標準製品の製造コストに付加
する、付加価値増分コスト），製造工期，確性試験の要
否及び期間，成分（C,Si,Mn,P,S,Cu,Ni,Cr,Mo,Nb,V,Ti,
B,Al,Ca,N,H,Mn/C,Nb＋V,V/N等）上下限の目標値や母材
熱処理方法，脱酸条件，制御圧延方法等の製造方法に関
連する項目の値を取り出す。これらの値はそのまま、今
回の注文明細条件に対する結果の値となる。次に、ステ
ップS4と同様の方法によって製造方法に関する項目につ
いて今回の注文明細条件の値と結果の値を比較して、今
回の注文明細条件に対するカウンタ値を導き出す。カウ
ンタ値は例えば、今回の注文明細条件のMn上限が1.35％
の時に結果のMn上限目標値が1.60％であった場合には、
Mn上限のカウンタ値は1.60％に対応して１インクレメン
トとなり、また今回の注文明細条件のＣ上限が0.23％の
時に結果のＣ上限目標値が0.17％の場合はＣ上限のカウ
ンタ値はない。

上記のようにして導き出されたカウンタ値が存在する
項目が１つもなく、かつ確性試験が必要でなければ、製
造可否判定結果は「製造可能」となる。また逆に、カウ
ンタ値が存在する項目が１つでもあるか、あるいは、確
性試験が必要であれば、製造可否判定結果は「条件付で
製造可能」となり、その条件とは、確性試験の期間や導
出されたカウンタ値となる。製造可否判定の結果の例を
次に示す。

「今回の注文明細条件に対する製造可否判定結果は製造
可能である。」「今回の注文明細条件に対する製造可否判定結果はMn上
限を1.35％から1.60％に上げることを条件として製造可
能である。」「今回の注文明細条件に対する製造可否判定結果は焼な
らし処理を行うことを条件として製造可能である。また
熱処理エキストラとしてｘ円/ton必要である。」これらの製造可否判定結果は、データベース10に登録
され、次回の製造可否判定の際に利用される。

ステップS2において、最低限の注文明細条件を満足す
る事例データが見つからなかった場合には、ステップS3
を通り、ステップS6,S7に進む。

ステップS6は、ニューラルネットワークを使用して判
定結果を出力させる。この結果は短時間で得られる。

ステップS7は人間の介入が必要な作業であり、材質試
験データ（引張試験に関する散布図データや衝撃試験に
おける遷移図データ等）を利用して更に詳細な判定を行
なうか、あるいは確性試験を実際に行なうことで製造可
否を判定する。従ってその結果が得られるまでには長い
時間を必要とする。この結果は、新しい実績としてデー
タベース40に登録され、以降の製造可否判定の際に利用
される。

次にステップS6の二次製造可否判定について詳細に説
明する。

鉄鋼製品の製造可否判定においては、入力される製品
仕様として、Ｈ形鋼の場合、フランジ厚み，引張強度特
性，衝撃保証条件，試験片採取部位，試験片採取方向等
々の多数のものがある。仮にこれらを全て単一のニュー
ラルネットワークに対する入力のパラメータとすると、
ネットワークの構造が非常に複雑になってしまう。ネッ
トワークの構造が複雑になると、それの学習処理の際に
計算が複雑になりパラメータの数も多くなるので膨大な
時間が必要になる。ニューラルネットワークにおいて
は、学習の良悪は非常に重要であり、精度の高い結果を
得るためにはネットワークの構造を簡単にした方が良
い。

また、例えばＨ形鋼の場合、フランジ厚みと引張強度
特性に関する注文明細条件は、基本成分である炭素，
珪素，マンガンの含有量、圧延前のスラブの種類（造
塊法で鋳造された鋼塊を分塊圧延して得られたスラブ
か、もしくは連続鋳造法で鋳造されたスラブか）や形
状、及び圧延方法、という基本的な製造方法と大きな
関係がある。更に衝撃保証条件，試験片採取部位，試験
片採取方向が厳しくなると、特殊元素の添加のための精
練プロセスの変更や圧延中の冷却条件の変更が必要とな
り、製造可否に対する影響が大きい。従って同一サイズ
のＨ形鋼の製造可否検討を行なうにしても、これらの条
件の付き方や有無によって判断方向を変える必要がある
ので、システムとしてもそれらを予め分類して対応する
のが望ましい。

そのため、この実施例では、多数の独立したニューラ
ルネットワークを設けてあり、それらのいずれかを選択
的に使用するために、ニューラルネット振り分けルール
11が存在する。ルール11の内容は、第５図に示すように
なっている。即ち、フランジ厚の大小，引張強度条件の
有無，衝撃保証条件の有無，試験片採取部位の違い，及
び試験片採取方向の違いに応じて、それぞれ独立したニ
ューラルネットワークが存在し、その時の入力仕様に応
じたネットワークが選択されるようになっている。この
ため、各々のニューラルネットワークは比較的簡単な構
成になっている。

１つのニューラルネットワークの構成を第３図に示
す。第３図を参照すると、この例では、ネットワークは
入力層，中間層，及び出力層の３層構成になっており、
各層にはそれぞれ、16個,11個及び５個のユニットが設
けてある。入力層の１〜５番,6〜10番，及び11〜15番に
は、それぞれ、引張強度Ts,フランジ厚tf及び衝撃保証
温度Tivの情報が入力される。出力層の各ユニットに
は、次のような意味付けを行なってある。

1:製造不可 2:ほぼ製造不可 3:確性試験必要 4:ほぼ製造可能 5:製造可能入力層に印加される引張強度Ts,フランジ厚tf及び衝
撃保証温度Tivの情報は、それぞれの値の大きさに応じ
て第４図に示すように５つのランクのいずれかに区分さ
れ、区分位置に応じて、入力層の各ユニットに印加する
情報のパターンが変わる。例えば、引張強度Tsが45であ
れば、40〜50の範囲内にあるので、入力層の２番のユニ
ットが対象レベルになり、1,3,4及び５番のユニットは
非対象レベルになる。対象レベルYiは、次式から求めら
れる。

Yi＝（（Xi−XiMin）／（XiMax−XiMin））＋Ａ但し、Xi:入力レベル XiMin:i番ユニットの範囲の下限値 XiMax:（ｉ＋１）番ユニットの範囲の下限値 A:バイアス値（0.5）例えば、引張強度Tsの入力レベルXiが52なら、XiMin
は50、XiMaxは55であるから、（（52−50）／（55−5
0））＋0.5の計算により、0.9が入力層の対象ユニット
（３番）に印加される。バイアス値Ａは、同一因子に関
する非対象レベルにある入力層ユニットとの分化を明確
にするために設けてある。また、非対象レベルの入力層
ユニットに対しては、微小値（0.1）をバイアス値とし
て印加している。つまり、引張強度Tsの入力レベルXiが
52なら1,2,4及び５番の入力ユニットにはいずれも0.1が
印加される。フランジ厚及び衝撃温度についても同様で
ある。

この実施例では、二次製造可否検討システムに関し、
製造可否判定モードと知識更新モードとが設けられてい
る。事前にニューラルネットワーク群30の学習が終了し
ている時には、製造可否判定モードが起動すると、入力
された注文明細条件の内容に応じて、第５図に示すよう
なルールによって選択された１つのニューラルネットワ
ークに対して、その注目詳細条件が上述のようなパター
ンに変換されて入力層に入力情報として入力される。そ
の結果、当該ニューラルネットワークの出力層に判定結
果が出力されるので、それを暫定的な判定結果として出
力する。つまり、ニューラルネットワークを使用する場
合、人間の判断と同じようにあいまいな部分があり、10
0％の信頼性は期待できないので、最終的には人間によ
る詳細な検討や確性試験（S7）も行なう必要がある。知
識更新モードにおいては、実績データを入力し、ネット
ワーク上の各部の重みパラメータ（結合強さ）を自動的
に学習させる。学習のアルゴリズムとしては、公知の逆
伝播法（バックプロパゲーション）を用いている。

ここで用いるニューラルネットワークの基本的な動作
原理については、公知のものと同一であるが、以下に一
通り説明する。

ネットワークを構成するユニットの１つの基本構造を
第6a図に示す。第6a図を参照する。ｓ階層にあるユニッ
トｊは、ひとつ下の（ｓ−１）階層（ｓ階層より入力層
に近い）の複数個のユニットから入力情報を受け、ユニ
ット内部で一定の規則に基づいて変換し、出力する多入
力−出力素子としての機能を有する。更に、ユニットの
結合部では、それぞれ可変の結合の重みWsjiを設定す
る。Wsjiは、正,0又は負の値をとり、正は興奮状態、負
は抑制状態に対応する。０ならユニット間に結合がない
ことと同じである。

階層ｓにある番号ｊのユニットの入力の総和NETsjは
次式で表わされる。

NETsj＝Σ（Wsji・Ｏ（ｓ−_１）ｉ）・・・（１）但し、i:ユニットｊの下層ユニットの番号出力Osjは、NETsjを入出力関数ｆによって変換するこ
とで得られる。ここでは、関数ｆとしてシグモイド上
（Ｓ字形）のロジスティック関数 Osj＝ｆ（NETsj）＝1/〔１＋exp（−NETsj）〕・・・（２）を使用している（第7c図参照）。この関数は、単調有界
で、連続（ｎ回微分可能）な非線形関数で、値域は［0,
1］、入力値が大きくなると１に近づき、小さくなると
０に近づく。また閾値θsj（ｉ＋１）を加えて、次式の
ようにし、それぞれのユニットに別々の入出力関数を与
えることで、ネットワークに蓄える記憶の自由度を増さ
せた。

Osj＝ｆ（NETsj）＝1/〔１＋exp（−NETsj ＋θsj（ｉ＋１））〕・・・（2b）実際には、各階調に対し、入力値を固定したユニット
（第３図のダミーユニット）を追加することで、この機
能を実現している。

このようにして、任意の入力データのパターンｐにお
いて、個々の中間層のユニットｊに対する出力値Osjが
得られ、これを順次上の階層のユニットに伝播させるこ
とにより、最終的に出力層（階層番号ｏ）のユニットｚ
に対する出力値Oozを得る（順伝播：第6c図参照）。

この実施例では、学習法として公知の逆伝播（バック
プロパゲーション）法を採用している。これは、得られ
た出力層の出力値に対して、望ましい出力値（教師デー
タ）に近づけるように結合の重みを後向き（出力層から
入力層に向かう方向）に順次変更していくものである。

いま、出られた出力層の出力値と望ましい出力値の差
を評価するために、任意の入力データのパターンｐにお
いて、出力層ユニットｚの実際の出力値をOoz、望まし
い出力値をTpzとして誤差関数Epzを次のように定義す
る。

Epz＝Σ〔（Tpz−Opz）²/2〕・・・（３）ここで、パターンｐに対しての結合の重みWsjiの変化
量を ΔWsji＝−η・（∂Epz/∂Wsji）・・・（４）とおく。これは最急降下法を用いて最適解を得るためで
ある。これを更に変形すると次式が得られる。

ΔWsji＝−η・（∂Epz/∂Wsji）＝−η・（∂Epz/∂NETsj）・（∂NETsj/∂Wsji）＝−η・（∂Epz/∂NETsj）・（∂／∂Wsji）Σ（Wsji・Ｏ（ｓ−_１）
ｉ）＝−η・（∂Epz/∂NETsj）・Ｏ（ｓ−_１）ｉ）＝−η・δsj・（Ｏ（ｓ−_１）ｉ・・・（５）但し、δsj＝∂Epz/∂NETsjとする。第（５）式にお
けるδsjは、階層ｓが出力層か中間層かで異なり、それ
ぞれ次のように表わせる。

ｓが出力層の場合（ｓ＝ｏ）： δoz＝（Tpz−Ooz）・f'oz（NEToz）・・・（６）ｓが中間層の場合： δsj＝f'sj（NETsj）・Σ（δ（ｓ＋_１）ｋ・Ｗ（ｓ＋_１）kj）・・・（７）但し、ｋは（ｓ＋１）階層のユニット番号を表わす。
またδsjは再帰関数になっている。

このようにして、第（６）式又は第（７）式を第
（５）式に代入することにより、結合の重みの変化量Δ
Wsjiが出力層から入力層に向かって変更される。但し、
学習前の初期の結合の重みはランダムに設定しておく。
更に、他の入力データのパターンにおける、出力層の出
力値を求め、（順伝播）、そのパターンにおける教師デ
ータのパターンといま得られた出力値に基づいて、結合
の重みを逐次更新する（逆伝播：バックプロパゲーショ
ン）。これを全ての教師データのパターンについて行な
い、１回の学習を終える。

学習は、誤差関数が収束するまで繰り返し実行する。
結合の重みΔWsjiを一般化した式を次に示す。

ΔWsji（ｎ＋１）＝η・δsj・０（ｓ−_１）ｉ＋α・ΔWsji（ｎ）・・・（８）但し、n:学習回数、第（８）式におけるηは、学習係数と呼ばれ、この値
を小さくすれば学習の精度は良くなるが、学習速度は遅
くなる。逆に大きくすると振動を起こす可能性が高くな
る。この振動は最急降下法のような最小化法では、しば
しば問題になるもので、最小化したい関数の局面が深い
渓谷状になっていることが原因である。この振動を避け
るために、第（８）式の第２項によって、修正方向が慣
性を与える方法が良く用いられる。これにより、学習は
谷の両岸を往復することなく、渓流の流れの方向に進み
易くなる。ここで、αは慣性係数と呼ばれるものであ
る。この実施例では、殆どの場合、η＝0.1、α＝0.0を
用いた。３層のニューラルネットの学習処理の概略を第
6d図に示すので参照されたい。

ところでこの実施例では、第３図に示すように、ニュ
ーラルネットワークの入力層と中間層に、常に出力値が
１になるロジスティック関数閾値調整用のダミーユニッ
トが１個ずつ設けられている。前記第（１）式におい
て、（ｓ−１）階層にダミーユニット１個を追加した場
合、第（１）式は次のように表わされる。

NETsj＝Σ（Wsji・０（ｓ−_１）＋Wsj（ｉ＋_１）・０（ｓ−_１）（ｉ＋_１）＝Σ（Wsji・０（ｓ−_１）＋Wsj（ｉ＋_１）・１・・・（９）この第（９）式と前記第（2b）式を参照すれば、Wsj
（ｉ＋_１）が閾値を表わしていることが分かる。つま
り、学習ごとに閾値を更新できるようになっている。

実際には、ネットワークの構造として、第３図の他に
第8a図及び第8b図に示すものについても試験を行なった
が、学習の安定性や効率の点で、第３図の構造が一番良
い結果が得られた。中間層のユニット数としては、入力
層のユニット数と出力層のユニット数との和の半分程度
のものが学習に関し効率的であった。

この例では、入力層にデータを印加すると、出力層の
いずれか１つのユニットに１が出力され、他のユニット
が０を出力する。１を出力した出力ユニットの番号を判
定結果として採用している。実施例で用いた教師データ
（実績データ）の一部分を次の第２表に示す。

実施例では、学習後のニューラルネットワークの判定
の正答率として100％が得られた。

なお上記実施例においては、一次製造可否検討システ
ムとして、ルールベースの知識に基づいて一致する実績
データが存在しない製品仕様に対しても自動的に判定を
行なうシステムを用いているが、例えば多数の実績デー
タを登録したデータベースを備えて完全に一致する実績
データが存在するか否かを検索によって検出するシステ
ムによって一次製造可否検討システムを置きかえてもよ
い。

なお、第３図においては図面を見易くするためにネッ
トワークの接続関係を一部分だけしか示していない。実
際には、入力層の全ユニットは中間層の全ユニットに各
々結合され、中間層の全ユニットは出力層の全ユニット
に各々結合されている。また第8a図では、実際には、実
績中間層の全てのユニットは、出力層の全てのユニット
と結合されている。第8b図では、実際には、入力層の全
ユニットが中間層１の全ユニットに結合され、中間層１
の全ユニットが中間層２の全ユニットに結合され、中間
層２の全ユニットが出力層の全ユニットに結合されてい
る。

なお、ネットワークの構造としては、実施例の階層構
造（第7a図参照）の他に、第7b図に示すような相互結合
型のネットワーク構造にすることも可能である。

［発明の効果］以上のとおり本発明によれば、判定すべき製品仕様と
一致する実績データが過去に存在しない場合であって
も、人間が介入することなく、自動的に製造可否の判定
を行なうことができる。しかも、ネットワーク手段（3
0）を用いているので、実績データが少ない条件下にお
いても、比較的信頼性の高い判定結果が直ちに得られ
る。また、複数の独立したネットワーク手段を用い、か
つそれらの中から使用するネットワーク手段を選択する
選択手段を備えているので、ネットワークの構造が単純
化され、学習の所要時間や効率の点で非常に望ましい結
果が得られる。

【図面の簡単な説明】

第１図は、本発明の装置の構成を示すブロック図であ
る。第２図は、第１図の装置を機能的な結合関係で表わした
ブロック図である。第３図は、ニューラルネットワーク群のうち、第５図の
ルールのNo.3の条件で選択されるネットワークの構成を
示すブロック図である。第４図は、入力データの範囲とそれが印加されるネット
ワークの入力層のユニット番号との対応を示すマップで
ある。第５図は、入力データの条件と選択されるネットワーク
との対応関係を示すマップである。第6a図，第6b図，第6c図及び第6d図は、ニューラルネッ
トワークの一部分又は全体の動作を示すブロック図であ
る。第7a図及び第7b図は、ネットワークの構造例を示すブロ
ック図、第7c図はシグモイド状の関数を示すグラフであ
る。第8a図及び第8b図は、ニューラルネットワークの変形例
を示すブロック図である。第９図は、実施例のシステムの処理の内容の概略を示す
フローチャートである。 10:知識ベース 11:ニューラルネット振り分けルール（選択手段） 20:推論エンジン 30:ニューラルネットワーク群（ネットワーク手段） 40:データベース 100:一次製造可否検討システム 200:二次製造可否検討システム CPU:ホスト計算機、ES:エキスパートシステム I/O:入出力装置

Claims

(57)【特許請求の範囲】

【請求項１】複数の入力端子と少なくとも１つの出力端
子を有し前記複数の入力端子に印加される信号レベルと
前記出力端子のレベルとの相関を決定する複数の重み係
数を保持する複数のユニットを階層的に互いに連結して
構成され、製造可否検討結果を出力するネットワーク手
段、を複数備えるとともに、対象鉄鋼製品の仕様に関する少なくとも大きさの情報と
材質条件の情報を前記ネットワーク手段に入力する手
段；該手段によって入力された仕様の内容が予め定めた複数
のグループのいずれに属するかを識別し、その識別結果
に応じて前記複数のネットワーク手段の中から１つを選
択する、選択手段；過去の判定実績に基づいて前記ネットワーク手段の重み
係数の学習を実施する手段；及び前記選択手段によって選択されたネットワーク手段の出
力を判定結果として出力する手段；を備える鉄鋼製品の製造可否判定装置。
【請求項２】過去の製造事例及び製造可否検討事例が蓄
積された事例データベースを有し、対象鉄鋼製品の仕様
に関する情報を入力して、該仕様情報と前記事例データ
ベースの内容とを比較して前記事例データベース上の最
適事例を選択し、該最適事例の内容から製造可否を判定
しその判定結果を出力する一時判定手段；及び該一次判
定手段が二次判定を要求する時に、前記仕様の情報を入
力して二次判定結果を出力する二次判定手段；を備える
とともに、該二次判定手段は、複数の入力端子と少なくとも１つの
出力端子を有し前記複数の入力端子に印加される信号レ
ベルと前記出力端子のレベルとの相関を決定する複数の
重み係数を保持する複数のユニットを階層的に互いに連
結して構成されるネットワーク手段、及び過去の判定実
績に基づいて前記ネットワーク手段の重み係数の学習を
実施する手段を含む、鉄鋼製品の製造可否判定装置。