JP3875875B2 - 製造プロセスにおける操業分析装置、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憶媒体 - Google Patents
製造プロセスにおける操業分析装置、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憶媒体 Download PDFInfo
- Publication number
- JP3875875B2 JP3875875B2 JP2001338359A JP2001338359A JP3875875B2 JP 3875875 B2 JP3875875 B2 JP 3875875B2 JP 2001338359 A JP2001338359 A JP 2001338359A JP 2001338359 A JP2001338359 A JP 2001338359A JP 3875875 B2 JP3875875 B2 JP 3875875B2
- Authority
- JP
- Japan
- Prior art keywords
- local
- data
- relational expression
- quality
- function
- 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.)
- Expired - Fee Related
Links
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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は、製造プロセスにおける操業分析装置、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憶媒体に関し、特に操業結果として品質が決まるプロセス全般において、複数の操業因子と品質の関連性を明らかにすることによって、品質不合の要因を解明し、望ましい品質を得るための操業条件を見出すために用いて好適な技術に関する。
【０００２】
【従来の技術】
従来、操業結果として品質が決まるプロセスにおいて、操業条件が品質に与える影響を解析する操業分析手法としては、単一の操業因子と品質との相関係数を用いて評価する相関解析法や、複数の操業因子を入力とし品質を出力とする重回帰モデルを作成して評価する方法が良く知られている。
【０００３】
また、操業因子と品質のより複雑な関連を分析するためのモデルとしては、文献「J.R Quinlan、 "Learning with continuous classes" Proceedings of the 5th Australian Joint Conference on Artificial Intelligence. AI '92、 、 1992、 Pages 343-348」に述べられている決定木を用いる方法が知られている。
【０００４】
また、特開平６−３０４７２３号公報に開示された手法では、鉄鋼プロセスにおける鋳片のカーボン量等の物性値、鋳造巾等の操業値、冷却ゾーンの温度値等を操業因子とし、鋼板の表面欠陥を品質データとして多層神経回路網（multi layer neural network）を用いた品質予測装置を学習させ、品質制御診断を行っている。
【０００５】
【発明が解決しようとする課題】
しかしながら、相関係数や重回帰モデルを用いた方法では、分析対象である操業及び品質データは全ての操業範囲において単一の線形モデルで表現できるとの前提条件に基づいて相関係数や回帰モデルを導出して分析を行うため、各々異なる特性を有する複数の品質不合要因が存在するプロセスから得られる操業及び品質データを解析する場合には、両者の関係を正しく捉えることができない問題があった。
【０００６】
また、決定木を用いた手法では、操業データを基底ベクトルとする操業因子空間を、操業条件に基づいて分割し、各々の局所空間で操業因子と品質の線形モデルを導出する処理を行うことによって、複数の品質不合要因が存在するプロセスの操業データ解析を行っているが、局所領域の境界線を厳格に設定し、その両側で異なる線型方程式が成立するという前提を取っているため、複数不合原因が重畳して品質を決定している境界領域が存在するプロセスのデータについては、十分に精度の高い分析ができない問題があった。
【０００７】
また、特開平６−３０４７２３号公報に開示された手法では、多層神経回路網を用いて操業因子と品質の関係性を学習したモデルを作成し、品質制御診断に応用しているが、多層神経回路網は、その制御診断がどのような論理に基づいて成されたかを人間が読み取ることが極めて難しく、制御診断結果の合理性をオペレータが判断できないという問題があった。
【０００８】
本発明は上記のような点に鑑みてなされたものであり、複数の品質不合要因が存在し、更のその要因が重畳して品質を決定する境界領域が存在するプロセスの操業及び品質データを解析できるようにすることを目的とする。
【０００９】
【課題を解決するための手段】
本発明の製造プロセスにおける操業分析装置は、製造プロセスにおける複数の操業データ、及び対応する複数の品質データについて、所定の複数ｐの操業因子と品質の関連性を分析するために、前記品質データが前記複数の操業因子を基底ベクトルする操業因子空間上に分布するとみなして、該操業因子空間全体上の操業データと品質データの関係を表す関係式である数式モデルｙを、該操業因子空間を分割した各局所領域ｉにおける操業データと品質データの関係を表す局所関係式ｙｉと、その寄与率を表す活性度関数Φｉとの積の和で表して、前記関連性を解析する操業分析装置であって、
（ａ）複数の操業データ及び品質データを入力するデータ入力手段と、
（ｂ）前記操業因子空間を複数Ｍ個の局所領域ｉに分ける分割パターンを、複数ｐ通り作成する操業因子空間分割手段と、
（ｃ）前記分割パターンそれぞれについて、各局所領域ｉにおける操業データの分布に基づいて、所定の第１の関数系の局所関係式ｙｉの、操業因子空間全体上の各点における関係式ｙへの寄与率を表す、所定の第２の関数系の活性度関数Φｉを設定する活性度関数算出手段と、
（ｄ）前記分割パターンそれぞれについて、各局所領域における操業データと品質データを基に、操業因子と品質との関連性を表現する、既定の関数系の局所関係式ｙｉの未定係数を設定する局所関係式算出手段と、
（ｅ）前記分割パターンそれぞれについて、各局所領域の局所関係式ｙｉと活性度関数Φｉの積を、全ての局所領域に関して加算して関係式を算出して、該操業因子空間全体における操業因子と品質の関連を表す数式モデルｙを導出する数式モデル算出手段と、
（ｆ）前記分割パターンそれぞれに対して、導出された前記数式モデルｙに前記複数の操業データを入力して品質のモデル予測値を算出し、該モデル予測値と前記品質データとの差の二乗総和であるモデル誤差を算出し、該モデル誤差の値が最も小さい分割パターンを選択する最小誤差数式モデル選択手段と、
（ｇ）前記最も小さいモデル誤差の値に基づいて、所定の誤差判定方法で予め設定した誤差判定因子と比較して収束を判定する学習誤差評価手段とを具備し、
前記収束が不十分なときには、前記最小誤差数式モデル選択手段で選択された分割パターンを基にして、前記複数Ｍを１増やして、前記（ｂ）〜（ｇ）の手段における一連の処理を繰り返すことによって、前記操業因子空間の最適な分割パターン、及び該分割パターンでの関係式ｙを導出する点に特徴を有する。
【００１０】
また、本発明の製造プロセスにおける操業分析装置の他の特徴とするところは、前記局所関係式ｙｉが、前記複数ｐの操業因子それぞれを変数とする線形多項式である点にある。
【００１１】
また、本発明の製造プロセスにおける操業分析装置の他の特徴とするところは、前記活性度関数Φｉが、前記局所領域ｉの重心に中心を持つ正規分布関数で構成される正規メンバシップ関数である点にある。
【００１２】
また、本発明の製造プロセスにおける操業分析装置の他の特徴とするところは、さらに、前記収束して得られた分割パターン、並びに、該分割パターンにおける数式モデルｙ、局所関係式ｙｉ、及び活性度関数の分布を表示する解析結果表示部を備える点にある。
【００１３】
また、本発明の製造プロセスにおける操業分析装置の他の特徴とするところは、前記製造プロセスは鉄鋼プロセスであり、前記品質データは鋼板の表面及び内部欠陥の個数である点にある。
【００１４】
本発明の製造プロセスにおける操業分析方法は、製造プロセスにおける複数の操業データ、及び対応する複数の品質データについて、所定の複数ｐの操業因子と品質の関連性を分析するために、前記品質データが前記複数の操業因子を基底ベクトルする操業因子空間上に分布するとみなして、該操業因子空間全体上の操業データと品質データの関係を表す関係式である数式モデルｙを、該操業因子空間を分割した各局所領域ｉにおける操業データと品質データの関係を表す局所関係式ｙｉと、その寄与率を表す活性度関数Φｉとの積の和で表して、前記関連性を解析する操業分析装置による操業分析方法であって、
複数の操業データ及び品質データが入力された操業分析装置が、
（Ａ）前記操業因子空間を複数Ｍ個の局所領域ｉに分ける分割パターンを、複数ｐ通り作成する操業因子空間分割工程と、
（Ｂ）前記分割パターンそれぞれについて、各局所領域ｉにおける操業データの分布に基づいて、所定の第１の関数系の局所関係式ｙｉの、操業因子空間全体上の各点における関係式ｙへの寄与率を表す、所定の第２の関数系の活性度関数Φｉを設定する活性度関数算出工程と、
（Ｃ）前記分割パターンそれぞれについて、各局所領域における操業データと品質データを基に、操業因子と品質との関連性を表現する、既定の関数系の局所関係式ｙｉの未定係数を設定する局所関係式算出工程と、
（Ｄ）前記分割パターンそれぞれについて、各局所領域の局所関係式ｙｉと活性度関数Φｉの積を、全ての局所領域に関して加算して関係式を算出して、該操業因子空間全体における操業因子と品質の関連を表す数式モデルｙを導出する数式モデル算出工程と、
（Ｅ）前記分割パターンそれぞれに対して、導出された前記数式モデルｙに前記複数の操業データを入力して品質のモデル予測値を算出し、該モデル予測値と前記品質データとの差の二乗総和であるモデル誤差を算出し、該モデル誤差の値が最も小さい分割パターンを選択する最小誤差数式モデル選択工程と、
（Ｆ）前記最も小さいモデル誤差の値に基づいて、所定の誤差判定方法で予め設定した誤差判定因子と比較して収束を判定する学習誤差評価工程とを行い、
前記収束が不十分なときには、前記最小誤差数式モデル選択工程で選択された分割パターンを基にして、前記複数Ｍを１増やして、前記（Ａ）〜（Ｆ）の一連の工程を繰り返すことによって、前記操業因子空間の最適な分割パターン、及び該分割パターンでの関係式ｙを導出する点に特徴を有する。
【００１５】
本発明のコンピュータプログラムは、上記の操業分析方法の各工程をコンピュータに実行させる点に特徴を有する。また、本発明のコンピュータ読み取り可能な記憶媒体は、上記のコンピュータプログラムを格納した点に特徴を有する。
【００１６】
【発明の実施の形態】
以下に、図面を参照して、本発明の製造プロセスにおける操業分析装置、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憶媒体の好適な実施の形態について説明する。
【００１７】
図１は、本実施の形態の製造プロセスにおける操業分析装置の構成を示す図である。図１に示す１０１はデータ入力部であり、操業分析装置には、製造プロセスにおける操業データと当該操業に対応した品質データが入力される。上記操業データは、例えば鉄鋼プロセスにおける連続鋳造工程の湯面変動量や熱延工程の加熱炉温度等であり、連続値として与えられる。ｐ個の操業因子ｕ１、ｕ２、…、ｕｐがＮ個のケースについて与えられた場合、入力操業データはＮ行ｐ列の行列となる。また、上記品質データとしては、例えば鉄鋼プロセスにおける自動車用鋼板コイル１本当りの表面欠陥個数等であり、連続値として与えられる。操業データに対応してＮケースの品質データが与えられた場合、入力品質データはＮ次元のベクトルとなる。Ｎ行ｐ列の行列である入力操業データとＮ次元ベクトルである品質データが与えられた場合、線形代数理論より、品質データはｕ１〜ｕｐを基底とするｐ次元の操業因子空間に分布しているＮ個の点と見なすことができる。従って、品質を記号ｙで表すとすると、操業因子と品質は、一般に写像関数ｆ(・)を介した下記の数１に示す式（１）の関係にあると見なすことができる。
【００１８】
【数１】
【００１９】
本発明においては、式（１）を、更に局所関係式と活性度関数を有する局所領域の重ね合せで表現すると仮定して、局所関係式及び活性度関数を導出する。具体的な局所領域の重ね合せとしては、例えば下記の数２に示す式（２）のような線形和を用いることができる。ここでΣは項の和、Ｍは局所領域の個数を表している。
【００２０】
【数２】
【００２１】
図１に示す１０２は操業因子空間分割部であり、操業因子空間を局所領域に分割する手段を有している。空間が既に幾つかの局所領域に分割されている場合は、更に局所領域を細分割する処理を行う。具体的な分割の方法としては、例えば前回の分割パターンにおける局所領域における局所関係式のモデル誤差を評価し、最も誤差の大きな局所領域を更に２つに分割する。このときｐ次元の操業因子空間では、ｕ１〜ｕｐのそれぞれの軸に直交するｐ通りの分割パターンがあり得るので、ｐ通りの分割について各々数式モデル算出までの処理を実行する。
【００２２】
図１に示す１０３は活性度関数算出部であり、操業因子空間分割部１０２で求めた空間分割パターンに基づいて、活性度関数を求める。活性度関数には、下記の数３に示す式（３）で表現される正規条件を満たす任意の関数を用いることができる。
【００２３】
【数３】
【００２４】
具体的には、例えば、下記の数４に示す式（４）で表現される局所領域の重心に中心を持つ正規分布関数μiに基づいて、下記の数４に示す式（５）で定義される正規メンバシップ関数は、活性度関数として用いることができる。
【００２５】
【数４】
【００２６】
ここで、cijは局所領域の中心点、σijは正規分布関数の標準偏差を表す。図２には、１次元の操業因子空間を４つの局所領域に分割した場合の正規分布関数と活性度関数の例を示す。また、図３には、２次元の操業因子空間を３つの局所領域に分割した例を示す。局所領域の境界領域に着目すれば、境界線の両側の領域における活性度関数は、滑らかに重複しているため、決定木とは異なり、複数の局所関係式が重畳して品質を決定している状況を表現することができる。
【００２７】
図１に示す１０４は局所関係式算出部であり、局所領域で仮定された関数系に基づいて、局所関係式の未定係数を計算する。計算の前提となる関数系には任意の関数を仮定することが可能である。具体例としては、例えば下記の数５に示す式（６）で表現される線形多項式を局所関係式とすることができる。
【００２８】
【数５】
【００２９】
ここでwijは局所線形モデルの未定係数を表している。また、ここでは、線形多項式を前提とした場合の式（６）における未定係数を算出する方法について述べる。入力データとして、操業データにｐ行Ｎ列の行列データ、品質データにＮ次元のベクトルデータが入力された場合、各局所領域では、下記の数６に示す式（７）が成り立つと仮定されている。
【００３０】
【数６】
【００３１】
未定係数ｗijを求めるには、活性度関数による重み付き誤差評価関数、下記の数７に示す式（１１）が最小となるように未定係数を決定する。これは、活性度の小さい領域での誤差は小さく評価するように重み付けすることを意味している。
【００３２】
【数７】
【００３３】
式（１１）を最小とする未定係数は、下記の数８に示す式（１２）を満たす係数に等しく、式（１３）の行列演算にて算出する。
【００３４】
【数８】
【００３５】
図１に示す１０５は操業と品質の数式モデル算出部であり、上記活性度関数算出部１０３及び上記局所関係式算出部１０４で求められた活性度関数と局所関係式を用いて、式（２）の数式モデルを構成する。
【００３６】
図１に示す１０６は最小誤差数式モデル選択部である。操業因子空間を分割するにあたり、複数の分割自由度がある場合には、複数の分割パターンを作成し、各々について活性度関数と局所関係式を算出した上で、数式モデルを構成する。各々の数式モデルについて、下記の数９に示す式（１５）でモデル誤差を評価し、最も誤差の小さいモデルを採用する。ここでｙinputは入力された品質データである。
【００３７】
【数９】
【００３８】
図１に示す１０７は学習誤差評価部であり、最小誤差数式モデル選択部１０６で求めた最小誤差モデルの誤差と、与えられた誤差判定因子とを比較して、十分な精度でデータを説明できる数式モデルが構築されたかを判定する。誤差判定の方法としては、例えば、誤差の絶対値を誤差判定因子と比較する方法、分割の増分に対する誤差の変化量を誤差判定因子と比較する方法、分割数とモデル誤差を考慮した評価関数を算出し分割の増加に対して評価関数が増加した時点で分割を打ち切る方法等が用いられる。いずれの方法においても、収束が不十分と評価された場合には、操業因子空間を細分割する１０２からの処理を反復実行する。図４は、２次元の操業因子空間における分割の様子を模式的に示す図である。初期分割状態に対して、ｕ１或いはｕ２の軸に直交する２通りの分割が存在するため、それぞれの分割パターンに対して活性度関数、局所関係式、数式モデルが構成され、誤差が評価される。図４の例では、ｕ２軸に直交する分割パターンが誤差最小であったため、その分割パターンが採用されている。次に、２−１及び２−２の各局所関係式のモデル誤差を評価し、誤差の大きな局所領域２−１を細分割の対象に決定する。局所領域２−１に対して、２通りの分割パターンが取り得る為、以下上記の処理が繰り返し行われる。
【００３９】
図１に示す１０８は解析結果表示部であり、最終的に得られた数式モデルの領域分割パターンと各局所領域における局所関係式、更に活性度関数分布を表示することによって、データに潜む関係式とその寄与する状況を分析するための情報を表示する。
【００４０】
以上述べた本実施の形態による操業分析装置によれば、操業因子空間を局所領域に分割し、局所領域毎の関係式を導出するため、異なる特性を有する複数の品質不合原因が存在するプロセスから得られるデータを正しく解析することができる。また、複数の不合原因が重畳して品質を決定している境界領域が存在するプロセスデータを解析する場合でも、決定木に比べて、各領域の境界が滑らかに接続される活性度関数を用いて数式モデルを構成するため、重畳した領域の影響を適切に評価することができる。
【００４１】
【実施例】
以下では、鉄鋼プロセスにおける連続鋳造工程の鋳型内湯面変動量、鋳片の引抜き速度及び熱延工程の加熱炉温度の３項目を操業因子とし、自動車用メッキ鋼板の表面欠陥個数をコイル重量で正規化した指標を品質データとした実施例について説明する。
【００４２】
解析対象は、プロセスコンピュータにより収集された４２０本のコイルに対するデータで、操業データは、各コイルに対応する操業タイミングでの時系列データを平均処理したものを代表値として用いた。また、解析にあたっては、スケーリングのために操業実績を存在するデータ範囲で０〜１の値に正規化した。以下の説明では、操業因子ｕ１が鋳型内湯面変動量、ｕ２が鋳片引抜き速度、ｕ３が加熱炉温度に対応している。
【００４３】
図５は、上記操業及び品質データを本操業分析装置にて解析した場合の操業因子空間分割数とモデル誤差の様子を示す図である。横軸は空間の分割数、縦軸は品質の実績値とモデル予測値の差を二乗し、データ点数で規格化した誤差を示している。分割数を４から５に増加させても、誤差の減少量はわずかである為、領域分割数４で収束したものと見なし、このケースについて数式モデルを評価した。解析結果表示部に示された数式モデルの領域分割パターンと各局所領域における局所関係式は、以下の通りである。
【００４４】
局所領域１：（ｕ１、ｕ２、ｕ３）＝（０．５、０．２５、０．２５）を中心とする領域
ｙ ＝ 1.7079 ＋ 2.7834ｕ１ − 1.0689ｕ２ − 0.8713ｕ３
【００４５】
局所領域２：（ｕ１、ｕ２、ｕ３）＝（０．５、０．２５、０．７５）を中心とする領域
ｙ ＝ −0.1959 ＋ 2.7234ｕ１ − 0.2624ｕ２ ＋ 2.4480ｕ３
【００４６】
局所領域３：（ｕ１、ｕ２、ｕ３）＝（０．５、０．７５、０．２５）を中心とする領域
ｙ ＝ −1.4710 ＋ 2.4671ｕ１ ＋ 6.5374ｕ２ − 0.4656ｕ３
【００４７】
局所領域４：（ｕ１、ｕ２、ｕ３）＝（０．５、０．７５、０．７５）を中心とする領域
ｙ ＝ −4.5674 ＋ 3.4088ｕ１ ＋ 7.9233ｕ２ ＋ 4.3592ｕ３
【００４８】
上記結果より、本プロセスに関する以下のような特性を読み取ることができる。ｕ１（湯面変動量）の係数は、全ての領域で正値となっており、湯面変動の増加に対して疵個数は増加する。
【００４９】
ｕ２（鋳片引抜き速度）の係数は、ｕ２が小さい領域１、２では負値、ｕ２が大きい領域３、４では正値となっている。従って、引抜き速度の増加に対して、速度が小さい場合疵個数は減少、速度が大きい場合疵個数は増加する。
【００５０】
ｕ３（加熱炉温度）の係数は、ｕ３が小さい領域１、３では負値、ｕ３が大きい領域２、４では正値となっている。従って、加熱炉温度の増加に対して、温度が低い領域では疵は減少し、温度が高い領域では疵は増加する。
【００５１】
各領域における線形局所関係式の係数値より、領域１及び２ではｕ１（湯面変動量）、領域３及び４ではｕ２（鋳片引抜き速度）が、疵個数に最も影響度が高い因子である。
【００５２】
図６は、解析より得られた数式モデルより、全操業範囲における疵個数値を算出し、ｕ１、ｕ２、ｕ３の各操業因子から２つの項目を選択して品質ｙとの関連を３次元図でプロットしたものである。この図より、上に述べた各領域毎の操業因子の疵に対する影響を可視的に評価することができる。比較のため、図７に各操業因子と疵個数の単相関の様子を示すが、この図からは、本例で得られるような分析を得ることは難しい。
【００５３】
なお、今回の実施例では、コンピュータ上のプログラムとして分析装置を実現したが、演算装置、メモリ等を組み合わせたハードウェアによって構成されるものであっても良い。
【００５４】
また、本発明の操業分析装置は、複数の機器から構成されるものであっても、一つの機器から構成されるものであっても良い。
【００５５】
また、上述した実施の形態は、コンピュータのＣＰＵ或いはＭＰＵ、ＲＡＭ、ＲＯＭ等で構成されるものであり、ＲＡＭやＲＯＭに記録されたプログラムが動作することで実施される。従って、前記実施の形態の機能を実現するためのソフトウェアのプログラムコード自身、かかるプログラムコードをコンピュータに供給するための手段、例えばプログラムコードを格納した記憶媒体は本発明の範疇に含まれる。
【００５６】
【発明の効果】
以上述べたように本発明によれば、操業因子空間分割を行い、局所領域の活性度関数と局所関係式を導出して、操業と品質の関連を表す数式モデルを導出するので、複数の操業不合要因が存在し、またそれらが重畳して品質を決定している領域があるような製造プロセスの操業データを適切に分析することができる。このため、例えばある操業条件で品質不合が発生した場合、その操業条件における局所関係式と活性度関数を算出し、最も活性度の高い局所関係式の係数より、どの操業因子をどのように変化させることで、望ましい品質条件を得ることができるか、という指針を得ることができる。また、同程度の活性度を有する局所関係式が複数個存在する操業条件の場合、各々の局所関係式から望ましい品質を得る操業条件を探索し、その効果が全体的にどの程度改善量となるかを評価することができる。
【図面の簡単な説明】
【図１】本実施の形態の操業分析装置の構成を示す図である。
【図２】１次元の操業因子空間を４つに分割した場合の局所活性度関数分布を示す図である。
【図３】２次元の操業因子空間を３つに分割した場合の局所活性度関数分布を示す図である。
【図４】２次元の操業因子空間を細分割する様子を示す模式図である。
【図５】実施例の解析における操業領域分割数に対するモデル誤差の挙動を示す図である。
【図６】実施例の解析で得られた数式モデルより全操業範囲における疵個数値を算出し、各操業因子から２つの項目を選択して品質ｙとの関連を３次元図でプロットした図である。
【図７】実施例で解析した操業データにおける操業因子と疵個数の単相関を示す図である。
【符号の説明】
１０１ データ入力部
１０２ 操業因子空間分割部
１０３ 活性度関数算出部
１０４ 局所関係式算出部
１０５ 操業と品質の数式モデル算出部
１０６ 最小誤差数式モデル選択部
１０７ 学習誤差評価部
１０８ 解析結果表示部
【発明の属する技術分野】
本発明は、製造プロセスにおける操業分析装置、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憶媒体に関し、特に操業結果として品質が決まるプロセス全般において、複数の操業因子と品質の関連性を明らかにすることによって、品質不合の要因を解明し、望ましい品質を得るための操業条件を見出すために用いて好適な技術に関する。
【０００２】
【従来の技術】
従来、操業結果として品質が決まるプロセスにおいて、操業条件が品質に与える影響を解析する操業分析手法としては、単一の操業因子と品質との相関係数を用いて評価する相関解析法や、複数の操業因子を入力とし品質を出力とする重回帰モデルを作成して評価する方法が良く知られている。
【０００３】
また、操業因子と品質のより複雑な関連を分析するためのモデルとしては、文献「J.R Quinlan、 "Learning with continuous classes" Proceedings of the 5th Australian Joint Conference on Artificial Intelligence. AI '92、 、 1992、 Pages 343-348」に述べられている決定木を用いる方法が知られている。
【０００４】
また、特開平６−３０４７２３号公報に開示された手法では、鉄鋼プロセスにおける鋳片のカーボン量等の物性値、鋳造巾等の操業値、冷却ゾーンの温度値等を操業因子とし、鋼板の表面欠陥を品質データとして多層神経回路網（multi layer neural network）を用いた品質予測装置を学習させ、品質制御診断を行っている。
【０００５】
【発明が解決しようとする課題】
しかしながら、相関係数や重回帰モデルを用いた方法では、分析対象である操業及び品質データは全ての操業範囲において単一の線形モデルで表現できるとの前提条件に基づいて相関係数や回帰モデルを導出して分析を行うため、各々異なる特性を有する複数の品質不合要因が存在するプロセスから得られる操業及び品質データを解析する場合には、両者の関係を正しく捉えることができない問題があった。
【０００６】
また、決定木を用いた手法では、操業データを基底ベクトルとする操業因子空間を、操業条件に基づいて分割し、各々の局所空間で操業因子と品質の線形モデルを導出する処理を行うことによって、複数の品質不合要因が存在するプロセスの操業データ解析を行っているが、局所領域の境界線を厳格に設定し、その両側で異なる線型方程式が成立するという前提を取っているため、複数不合原因が重畳して品質を決定している境界領域が存在するプロセスのデータについては、十分に精度の高い分析ができない問題があった。
【０００７】
また、特開平６−３０４７２３号公報に開示された手法では、多層神経回路網を用いて操業因子と品質の関係性を学習したモデルを作成し、品質制御診断に応用しているが、多層神経回路網は、その制御診断がどのような論理に基づいて成されたかを人間が読み取ることが極めて難しく、制御診断結果の合理性をオペレータが判断できないという問題があった。
【０００８】
本発明は上記のような点に鑑みてなされたものであり、複数の品質不合要因が存在し、更のその要因が重畳して品質を決定する境界領域が存在するプロセスの操業及び品質データを解析できるようにすることを目的とする。
【０００９】
【課題を解決するための手段】
本発明の製造プロセスにおける操業分析装置は、製造プロセスにおける複数の操業データ、及び対応する複数の品質データについて、所定の複数ｐの操業因子と品質の関連性を分析するために、前記品質データが前記複数の操業因子を基底ベクトルする操業因子空間上に分布するとみなして、該操業因子空間全体上の操業データと品質データの関係を表す関係式である数式モデルｙを、該操業因子空間を分割した各局所領域ｉにおける操業データと品質データの関係を表す局所関係式ｙｉと、その寄与率を表す活性度関数Φｉとの積の和で表して、前記関連性を解析する操業分析装置であって、
（ａ）複数の操業データ及び品質データを入力するデータ入力手段と、
（ｂ）前記操業因子空間を複数Ｍ個の局所領域ｉに分ける分割パターンを、複数ｐ通り作成する操業因子空間分割手段と、
（ｃ）前記分割パターンそれぞれについて、各局所領域ｉにおける操業データの分布に基づいて、所定の第１の関数系の局所関係式ｙｉの、操業因子空間全体上の各点における関係式ｙへの寄与率を表す、所定の第２の関数系の活性度関数Φｉを設定する活性度関数算出手段と、
（ｄ）前記分割パターンそれぞれについて、各局所領域における操業データと品質データを基に、操業因子と品質との関連性を表現する、既定の関数系の局所関係式ｙｉの未定係数を設定する局所関係式算出手段と、
（ｅ）前記分割パターンそれぞれについて、各局所領域の局所関係式ｙｉと活性度関数Φｉの積を、全ての局所領域に関して加算して関係式を算出して、該操業因子空間全体における操業因子と品質の関連を表す数式モデルｙを導出する数式モデル算出手段と、
（ｆ）前記分割パターンそれぞれに対して、導出された前記数式モデルｙに前記複数の操業データを入力して品質のモデル予測値を算出し、該モデル予測値と前記品質データとの差の二乗総和であるモデル誤差を算出し、該モデル誤差の値が最も小さい分割パターンを選択する最小誤差数式モデル選択手段と、
（ｇ）前記最も小さいモデル誤差の値に基づいて、所定の誤差判定方法で予め設定した誤差判定因子と比較して収束を判定する学習誤差評価手段とを具備し、
前記収束が不十分なときには、前記最小誤差数式モデル選択手段で選択された分割パターンを基にして、前記複数Ｍを１増やして、前記（ｂ）〜（ｇ）の手段における一連の処理を繰り返すことによって、前記操業因子空間の最適な分割パターン、及び該分割パターンでの関係式ｙを導出する点に特徴を有する。
【００１０】
また、本発明の製造プロセスにおける操業分析装置の他の特徴とするところは、前記局所関係式ｙｉが、前記複数ｐの操業因子それぞれを変数とする線形多項式である点にある。
【００１１】
また、本発明の製造プロセスにおける操業分析装置の他の特徴とするところは、前記活性度関数Φｉが、前記局所領域ｉの重心に中心を持つ正規分布関数で構成される正規メンバシップ関数である点にある。
【００１２】
また、本発明の製造プロセスにおける操業分析装置の他の特徴とするところは、さらに、前記収束して得られた分割パターン、並びに、該分割パターンにおける数式モデルｙ、局所関係式ｙｉ、及び活性度関数の分布を表示する解析結果表示部を備える点にある。
【００１３】
また、本発明の製造プロセスにおける操業分析装置の他の特徴とするところは、前記製造プロセスは鉄鋼プロセスであり、前記品質データは鋼板の表面及び内部欠陥の個数である点にある。
【００１４】
本発明の製造プロセスにおける操業分析方法は、製造プロセスにおける複数の操業データ、及び対応する複数の品質データについて、所定の複数ｐの操業因子と品質の関連性を分析するために、前記品質データが前記複数の操業因子を基底ベクトルする操業因子空間上に分布するとみなして、該操業因子空間全体上の操業データと品質データの関係を表す関係式である数式モデルｙを、該操業因子空間を分割した各局所領域ｉにおける操業データと品質データの関係を表す局所関係式ｙｉと、その寄与率を表す活性度関数Φｉとの積の和で表して、前記関連性を解析する操業分析装置による操業分析方法であって、
複数の操業データ及び品質データが入力された操業分析装置が、
（Ａ）前記操業因子空間を複数Ｍ個の局所領域ｉに分ける分割パターンを、複数ｐ通り作成する操業因子空間分割工程と、
（Ｂ）前記分割パターンそれぞれについて、各局所領域ｉにおける操業データの分布に基づいて、所定の第１の関数系の局所関係式ｙｉの、操業因子空間全体上の各点における関係式ｙへの寄与率を表す、所定の第２の関数系の活性度関数Φｉを設定する活性度関数算出工程と、
（Ｃ）前記分割パターンそれぞれについて、各局所領域における操業データと品質データを基に、操業因子と品質との関連性を表現する、既定の関数系の局所関係式ｙｉの未定係数を設定する局所関係式算出工程と、
（Ｄ）前記分割パターンそれぞれについて、各局所領域の局所関係式ｙｉと活性度関数Φｉの積を、全ての局所領域に関して加算して関係式を算出して、該操業因子空間全体における操業因子と品質の関連を表す数式モデルｙを導出する数式モデル算出工程と、
（Ｅ）前記分割パターンそれぞれに対して、導出された前記数式モデルｙに前記複数の操業データを入力して品質のモデル予測値を算出し、該モデル予測値と前記品質データとの差の二乗総和であるモデル誤差を算出し、該モデル誤差の値が最も小さい分割パターンを選択する最小誤差数式モデル選択工程と、
（Ｆ）前記最も小さいモデル誤差の値に基づいて、所定の誤差判定方法で予め設定した誤差判定因子と比較して収束を判定する学習誤差評価工程とを行い、
前記収束が不十分なときには、前記最小誤差数式モデル選択工程で選択された分割パターンを基にして、前記複数Ｍを１増やして、前記（Ａ）〜（Ｆ）の一連の工程を繰り返すことによって、前記操業因子空間の最適な分割パターン、及び該分割パターンでの関係式ｙを導出する点に特徴を有する。
【００１５】
本発明のコンピュータプログラムは、上記の操業分析方法の各工程をコンピュータに実行させる点に特徴を有する。また、本発明のコンピュータ読み取り可能な記憶媒体は、上記のコンピュータプログラムを格納した点に特徴を有する。
【００１６】
【発明の実施の形態】
以下に、図面を参照して、本発明の製造プロセスにおける操業分析装置、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憶媒体の好適な実施の形態について説明する。
【００１７】
図１は、本実施の形態の製造プロセスにおける操業分析装置の構成を示す図である。図１に示す１０１はデータ入力部であり、操業分析装置には、製造プロセスにおける操業データと当該操業に対応した品質データが入力される。上記操業データは、例えば鉄鋼プロセスにおける連続鋳造工程の湯面変動量や熱延工程の加熱炉温度等であり、連続値として与えられる。ｐ個の操業因子ｕ１、ｕ２、…、ｕｐがＮ個のケースについて与えられた場合、入力操業データはＮ行ｐ列の行列となる。また、上記品質データとしては、例えば鉄鋼プロセスにおける自動車用鋼板コイル１本当りの表面欠陥個数等であり、連続値として与えられる。操業データに対応してＮケースの品質データが与えられた場合、入力品質データはＮ次元のベクトルとなる。Ｎ行ｐ列の行列である入力操業データとＮ次元ベクトルである品質データが与えられた場合、線形代数理論より、品質データはｕ１〜ｕｐを基底とするｐ次元の操業因子空間に分布しているＮ個の点と見なすことができる。従って、品質を記号ｙで表すとすると、操業因子と品質は、一般に写像関数ｆ(・)を介した下記の数１に示す式（１）の関係にあると見なすことができる。
【００１８】
【数１】
本発明においては、式（１）を、更に局所関係式と活性度関数を有する局所領域の重ね合せで表現すると仮定して、局所関係式及び活性度関数を導出する。具体的な局所領域の重ね合せとしては、例えば下記の数２に示す式（２）のような線形和を用いることができる。ここでΣは項の和、Ｍは局所領域の個数を表している。
【００２０】
【数２】
図１に示す１０２は操業因子空間分割部であり、操業因子空間を局所領域に分割する手段を有している。空間が既に幾つかの局所領域に分割されている場合は、更に局所領域を細分割する処理を行う。具体的な分割の方法としては、例えば前回の分割パターンにおける局所領域における局所関係式のモデル誤差を評価し、最も誤差の大きな局所領域を更に２つに分割する。このときｐ次元の操業因子空間では、ｕ１〜ｕｐのそれぞれの軸に直交するｐ通りの分割パターンがあり得るので、ｐ通りの分割について各々数式モデル算出までの処理を実行する。
【００２２】
図１に示す１０３は活性度関数算出部であり、操業因子空間分割部１０２で求めた空間分割パターンに基づいて、活性度関数を求める。活性度関数には、下記の数３に示す式（３）で表現される正規条件を満たす任意の関数を用いることができる。
【００２３】
【数３】
具体的には、例えば、下記の数４に示す式（４）で表現される局所領域の重心に中心を持つ正規分布関数μiに基づいて、下記の数４に示す式（５）で定義される正規メンバシップ関数は、活性度関数として用いることができる。
【００２５】
【数４】
ここで、cijは局所領域の中心点、σijは正規分布関数の標準偏差を表す。図２には、１次元の操業因子空間を４つの局所領域に分割した場合の正規分布関数と活性度関数の例を示す。また、図３には、２次元の操業因子空間を３つの局所領域に分割した例を示す。局所領域の境界領域に着目すれば、境界線の両側の領域における活性度関数は、滑らかに重複しているため、決定木とは異なり、複数の局所関係式が重畳して品質を決定している状況を表現することができる。
【００２７】
図１に示す１０４は局所関係式算出部であり、局所領域で仮定された関数系に基づいて、局所関係式の未定係数を計算する。計算の前提となる関数系には任意の関数を仮定することが可能である。具体例としては、例えば下記の数５に示す式（６）で表現される線形多項式を局所関係式とすることができる。
【００２８】
【数５】
ここでwijは局所線形モデルの未定係数を表している。また、ここでは、線形多項式を前提とした場合の式（６）における未定係数を算出する方法について述べる。入力データとして、操業データにｐ行Ｎ列の行列データ、品質データにＮ次元のベクトルデータが入力された場合、各局所領域では、下記の数６に示す式（７）が成り立つと仮定されている。
【００３０】
【数６】
未定係数ｗijを求めるには、活性度関数による重み付き誤差評価関数、下記の数７に示す式（１１）が最小となるように未定係数を決定する。これは、活性度の小さい領域での誤差は小さく評価するように重み付けすることを意味している。
【００３２】
【数７】
式（１１）を最小とする未定係数は、下記の数８に示す式（１２）を満たす係数に等しく、式（１３）の行列演算にて算出する。
【００３４】
【数８】
図１に示す１０５は操業と品質の数式モデル算出部であり、上記活性度関数算出部１０３及び上記局所関係式算出部１０４で求められた活性度関数と局所関係式を用いて、式（２）の数式モデルを構成する。
【００３６】
図１に示す１０６は最小誤差数式モデル選択部である。操業因子空間を分割するにあたり、複数の分割自由度がある場合には、複数の分割パターンを作成し、各々について活性度関数と局所関係式を算出した上で、数式モデルを構成する。各々の数式モデルについて、下記の数９に示す式（１５）でモデル誤差を評価し、最も誤差の小さいモデルを採用する。ここでｙinputは入力された品質データである。
【００３７】
【数９】
図１に示す１０７は学習誤差評価部であり、最小誤差数式モデル選択部１０６で求めた最小誤差モデルの誤差と、与えられた誤差判定因子とを比較して、十分な精度でデータを説明できる数式モデルが構築されたかを判定する。誤差判定の方法としては、例えば、誤差の絶対値を誤差判定因子と比較する方法、分割の増分に対する誤差の変化量を誤差判定因子と比較する方法、分割数とモデル誤差を考慮した評価関数を算出し分割の増加に対して評価関数が増加した時点で分割を打ち切る方法等が用いられる。いずれの方法においても、収束が不十分と評価された場合には、操業因子空間を細分割する１０２からの処理を反復実行する。図４は、２次元の操業因子空間における分割の様子を模式的に示す図である。初期分割状態に対して、ｕ１或いはｕ２の軸に直交する２通りの分割が存在するため、それぞれの分割パターンに対して活性度関数、局所関係式、数式モデルが構成され、誤差が評価される。図４の例では、ｕ２軸に直交する分割パターンが誤差最小であったため、その分割パターンが採用されている。次に、２−１及び２−２の各局所関係式のモデル誤差を評価し、誤差の大きな局所領域２−１を細分割の対象に決定する。局所領域２−１に対して、２通りの分割パターンが取り得る為、以下上記の処理が繰り返し行われる。
【００３９】
図１に示す１０８は解析結果表示部であり、最終的に得られた数式モデルの領域分割パターンと各局所領域における局所関係式、更に活性度関数分布を表示することによって、データに潜む関係式とその寄与する状況を分析するための情報を表示する。
【００４０】
以上述べた本実施の形態による操業分析装置によれば、操業因子空間を局所領域に分割し、局所領域毎の関係式を導出するため、異なる特性を有する複数の品質不合原因が存在するプロセスから得られるデータを正しく解析することができる。また、複数の不合原因が重畳して品質を決定している境界領域が存在するプロセスデータを解析する場合でも、決定木に比べて、各領域の境界が滑らかに接続される活性度関数を用いて数式モデルを構成するため、重畳した領域の影響を適切に評価することができる。
【００４１】
【実施例】
以下では、鉄鋼プロセスにおける連続鋳造工程の鋳型内湯面変動量、鋳片の引抜き速度及び熱延工程の加熱炉温度の３項目を操業因子とし、自動車用メッキ鋼板の表面欠陥個数をコイル重量で正規化した指標を品質データとした実施例について説明する。
【００４２】
解析対象は、プロセスコンピュータにより収集された４２０本のコイルに対するデータで、操業データは、各コイルに対応する操業タイミングでの時系列データを平均処理したものを代表値として用いた。また、解析にあたっては、スケーリングのために操業実績を存在するデータ範囲で０〜１の値に正規化した。以下の説明では、操業因子ｕ１が鋳型内湯面変動量、ｕ２が鋳片引抜き速度、ｕ３が加熱炉温度に対応している。
【００４３】
図５は、上記操業及び品質データを本操業分析装置にて解析した場合の操業因子空間分割数とモデル誤差の様子を示す図である。横軸は空間の分割数、縦軸は品質の実績値とモデル予測値の差を二乗し、データ点数で規格化した誤差を示している。分割数を４から５に増加させても、誤差の減少量はわずかである為、領域分割数４で収束したものと見なし、このケースについて数式モデルを評価した。解析結果表示部に示された数式モデルの領域分割パターンと各局所領域における局所関係式は、以下の通りである。
【００４４】
局所領域１：（ｕ１、ｕ２、ｕ３）＝（０．５、０．２５、０．２５）を中心とする領域
ｙ ＝ 1.7079 ＋ 2.7834ｕ１ − 1.0689ｕ２ − 0.8713ｕ３
【００４５】
局所領域２：（ｕ１、ｕ２、ｕ３）＝（０．５、０．２５、０．７５）を中心とする領域
ｙ ＝ −0.1959 ＋ 2.7234ｕ１ − 0.2624ｕ２ ＋ 2.4480ｕ３
【００４６】
局所領域３：（ｕ１、ｕ２、ｕ３）＝（０．５、０．７５、０．２５）を中心とする領域
ｙ ＝ −1.4710 ＋ 2.4671ｕ１ ＋ 6.5374ｕ２ − 0.4656ｕ３
【００４７】
局所領域４：（ｕ１、ｕ２、ｕ３）＝（０．５、０．７５、０．７５）を中心とする領域
ｙ ＝ −4.5674 ＋ 3.4088ｕ１ ＋ 7.9233ｕ２ ＋ 4.3592ｕ３
【００４８】
上記結果より、本プロセスに関する以下のような特性を読み取ることができる。ｕ１（湯面変動量）の係数は、全ての領域で正値となっており、湯面変動の増加に対して疵個数は増加する。
【００４９】
ｕ２（鋳片引抜き速度）の係数は、ｕ２が小さい領域１、２では負値、ｕ２が大きい領域３、４では正値となっている。従って、引抜き速度の増加に対して、速度が小さい場合疵個数は減少、速度が大きい場合疵個数は増加する。
【００５０】
ｕ３（加熱炉温度）の係数は、ｕ３が小さい領域１、３では負値、ｕ３が大きい領域２、４では正値となっている。従って、加熱炉温度の増加に対して、温度が低い領域では疵は減少し、温度が高い領域では疵は増加する。
【００５１】
各領域における線形局所関係式の係数値より、領域１及び２ではｕ１（湯面変動量）、領域３及び４ではｕ２（鋳片引抜き速度）が、疵個数に最も影響度が高い因子である。
【００５２】
図６は、解析より得られた数式モデルより、全操業範囲における疵個数値を算出し、ｕ１、ｕ２、ｕ３の各操業因子から２つの項目を選択して品質ｙとの関連を３次元図でプロットしたものである。この図より、上に述べた各領域毎の操業因子の疵に対する影響を可視的に評価することができる。比較のため、図７に各操業因子と疵個数の単相関の様子を示すが、この図からは、本例で得られるような分析を得ることは難しい。
【００５３】
なお、今回の実施例では、コンピュータ上のプログラムとして分析装置を実現したが、演算装置、メモリ等を組み合わせたハードウェアによって構成されるものであっても良い。
【００５４】
また、本発明の操業分析装置は、複数の機器から構成されるものであっても、一つの機器から構成されるものであっても良い。
【００５５】
また、上述した実施の形態は、コンピュータのＣＰＵ或いはＭＰＵ、ＲＡＭ、ＲＯＭ等で構成されるものであり、ＲＡＭやＲＯＭに記録されたプログラムが動作することで実施される。従って、前記実施の形態の機能を実現するためのソフトウェアのプログラムコード自身、かかるプログラムコードをコンピュータに供給するための手段、例えばプログラムコードを格納した記憶媒体は本発明の範疇に含まれる。
【００５６】
【発明の効果】
以上述べたように本発明によれば、操業因子空間分割を行い、局所領域の活性度関数と局所関係式を導出して、操業と品質の関連を表す数式モデルを導出するので、複数の操業不合要因が存在し、またそれらが重畳して品質を決定している領域があるような製造プロセスの操業データを適切に分析することができる。このため、例えばある操業条件で品質不合が発生した場合、その操業条件における局所関係式と活性度関数を算出し、最も活性度の高い局所関係式の係数より、どの操業因子をどのように変化させることで、望ましい品質条件を得ることができるか、という指針を得ることができる。また、同程度の活性度を有する局所関係式が複数個存在する操業条件の場合、各々の局所関係式から望ましい品質を得る操業条件を探索し、その効果が全体的にどの程度改善量となるかを評価することができる。
【図面の簡単な説明】
【図１】本実施の形態の操業分析装置の構成を示す図である。
【図２】１次元の操業因子空間を４つに分割した場合の局所活性度関数分布を示す図である。
【図３】２次元の操業因子空間を３つに分割した場合の局所活性度関数分布を示す図である。
【図４】２次元の操業因子空間を細分割する様子を示す模式図である。
【図５】実施例の解析における操業領域分割数に対するモデル誤差の挙動を示す図である。
【図６】実施例の解析で得られた数式モデルより全操業範囲における疵個数値を算出し、各操業因子から２つの項目を選択して品質ｙとの関連を３次元図でプロットした図である。
【図７】実施例で解析した操業データにおける操業因子と疵個数の単相関を示す図である。
【符号の説明】
１０１ データ入力部
１０２ 操業因子空間分割部
１０３ 活性度関数算出部
１０４ 局所関係式算出部
１０５ 操業と品質の数式モデル算出部
１０６ 最小誤差数式モデル選択部
１０７ 学習誤差評価部
１０８ 解析結果表示部
Claims (8)
- 製造プロセスにおける複数の操業データ、及び対応する複数の品質データについて、所定の複数ｐの操業因子と品質の関連性を分析するために、前記品質データが前記複数の操業因子を基底ベクトルする操業因子空間上に分布するとみなして、該操業因子空間全体上の操業データと品質データの関係を表す関係式である数式モデルｙを、該操業因子空間を分割した各局所領域ｉにおける操業データと品質データの関係を表す局所関係式ｙｉと、その寄与率を表す活性度関数Φｉとの積の和で表して、前記関連性を解析する操業分析装置であって、
（ａ）複数の操業データ及び品質データを入力するデータ入力手段と、
（ｂ）前記操業因子空間を複数Ｍ個の局所領域ｉに分ける分割パターンを、複数ｐ通り作成する操業因子空間分割手段と、
（ｃ）前記分割パターンそれぞれについて、各局所領域ｉにおける操業データの分布に基づいて、所定の第１の関数系の局所関係式ｙｉの、操業因子空間全体上の各点における関係式ｙへの寄与率を表す、所定の第２の関数系の活性度関数Φｉを設定する活性度関数算出手段と、
（ｄ）前記分割パターンそれぞれについて、各局所領域における操業データと品質データを基に、操業因子と品質との関連性を表現する、既定の関数系の局所関係式ｙｉの未定係数を設定する局所関係式算出手段と、
（ｅ）前記分割パターンそれぞれについて、各局所領域の局所関係式ｙｉと活性度関数Φｉの積を、全ての局所領域に関して加算して関係式を算出して、該操業因子空間全体における操業因子と品質の関連を表す数式モデルｙを導出する数式モデル算出手段と、
（ｆ）前記分割パターンそれぞれに対して、導出された前記数式モデルｙに前記複数の操業データを入力して品質のモデル予測値を算出し、該モデル予測値と前記品質データとの差の二乗総和であるモデル誤差を算出し、該モデル誤差の値が最も小さい分割パターンを選択する最小誤差数式モデル選択手段と、
（ｇ）前記最も小さいモデル誤差の値に基づいて、所定の誤差判定方法で予め設定した誤差判定因子と比較して収束を判定する学習誤差評価手段とを具備し、
前記収束が不十分なときには、前記最小誤差数式モデル選択手段で選択された分割パターンを基にして、前記複数Ｍを１増やして、前記（ｂ）〜（ｇ）の手段における一連の処理を繰り返すことによって、前記操業因子空間の最適な分割パターン、及び該分割パターンでの関係式ｙを導出することを特徴とする操業分析装置。 - 前記局所関係式ｙｉが、前記複数ｐの操業因子それぞれを変数とする線形多項式であることを特徴とする請求項１に記載の操業分析装置。
- 前記活性度関数Φｉが、前記局所領域ｉの重心に中心を持つ正規分布関数で構成される正規メンバシップ関数であることを特徴とする請求項１又は２に記載の操業分析装置。
- 請求項１〜３のいずれか１項に記載の操業分析装置であって、さらに、前記収束して得られた分割パターン、並びに、該分割パターンにおける数式モデルｙ、局所関係式ｙｉ、及び活性度関数の分布を表示する解析結果表示部を備えることを特徴とする操業分析装置。
- 前記製造プロセスは鉄鋼プロセスであり、前記品質データは鋼板の表面及び内部欠陥の個数であることを特徴とする請求項１〜４のいずれか１項に記載の操業分析装置。
- 製造プロセスにおける複数の操業データ、及び対応する複数の品質データについて、所定の複数ｐの操業因子と品質の関連性を分析するために、前記品質データが前記複数の操業因子を基底ベクトルする操業因子空間上に分布するとみなして、該操業因子空間全体上の操業データと品質データの関係を表す関係式である数式モデルｙを、該操業因子空間を分割した各局所領域ｉにおける操業データと品質データの関係を表す局所関係式ｙｉと、その寄与率を表す活性度関数Φｉとの積の和で表して、前記関連性を解析する操業分析装置による操業分析方法であって、
複数の操業データ及び品質データが入力された操業分析装置が、
（Ａ）前記操業因子空間を複数Ｍ個の局所領域ｉに分ける分割パターンを、複数ｐ通り作成する操業因子空間分割工程と、
（Ｂ）前記分割パターンそれぞれについて、各局所領域ｉにおける操業データの分布に基づいて、所定の第１の関数系の局所関係式ｙｉの、操業因子空間全体上の各点における関係式ｙへの寄与率を表す、所定の第２の関数系の活性度関数Φｉを設定する活性度関数算出工程と、
（Ｃ）前記分割パターンそれぞれについて、各局所領域における操業データと品質データを基に、操業因子と品質との関連性を表現する、既定の関数系の局所関係式ｙｉの未定係数を設定する局所関係式算出工程と、
（Ｄ）前記分割パターンそれぞれについて、各局所領域の局所関係式ｙｉと活性度関数Φｉの積を、全ての局所領域に関して加算して関係式を算出して、該操業因子空間全体における操業因子と品質の関連を表す数式モデルｙを導出する数式モデル算出工程と、
（Ｅ）前記分割パターンそれぞれに対して、導出された前記数式モデルｙに前記複数の操業データを入力して品質のモデル予測値を算出し、該モデル予測値と前記品質データとの差の二乗総和であるモデル誤差を算出し、該モデル誤差の値が最も小さい分割パターンを選択する最小誤差数式モデル選択工程と、
（Ｆ）前記最も小さいモデル誤差の値に基づいて、所定の誤差判定方法で予め設定した誤差判定因子と比較して収束を判定する学習誤差評価工程とを行い、
前記収束が不十分なときには、前記最小誤差数式モデル選択工程で選択された分割パターンを基にして、前記複数Ｍを１増やして、前記（Ａ）〜（Ｆ）の一連の工程を繰り返すことによって、前記操業因子空間の最適な分割パターン、及び該分割パターンでの関係式ｙを導出することを特徴とする操業分析方法。 - 請求項６に記載の操業分析方法の各工程をコンピュータに実行させることを特徴とするコンピュータプログラム。
- 請求項７に記載のコンピュータプログラムを格納したことを特徴とするコンピュータ読み取り可能な記憶媒体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001338359A JP3875875B2 (ja) | 2001-11-02 | 2001-11-02 | 製造プロセスにおける操業分析装置、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憶媒体 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2001338359A JP3875875B2 (ja) | 2001-11-02 | 2001-11-02 | 製造プロセスにおける操業分析装置、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憶媒体 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2003141215A JP2003141215A (ja) | 2003-05-16 |
| JP3875875B2 true JP3875875B2 (ja) | 2007-01-31 |
Family
ID=19152865
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2001338359A Expired - Fee Related JP3875875B2 (ja) | 2001-11-02 | 2001-11-02 | 製造プロセスにおける操業分析装置、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憶媒体 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3875875B2 (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012027683A (ja) * | 2010-07-23 | 2012-02-09 | Nippon Steel Corp | 品質予測装置、品質予測方法、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 |
| JP2019215668A (ja) * | 2018-06-12 | 2019-12-19 | 日本製鉄株式会社 | 制御設定値決定装置、制御設定値決定方法、及びプログラム |
Families Citing this family (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4653547B2 (ja) * | 2004-11-05 | 2011-03-16 | 新日本製鐵株式会社 | 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 |
| JP4681426B2 (ja) * | 2005-11-15 | 2011-05-11 | 新日本製鐵株式会社 | 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 |
| JP5068637B2 (ja) * | 2007-12-18 | 2012-11-07 | 新日本製鐵株式会社 | 製造プロセスにおける操業と品質の関連解析装置、解析方法、プログラム、及びコンピュータ読み取り可能な記録媒体 |
| JP5195331B2 (ja) * | 2008-11-13 | 2013-05-08 | 新日鐵住金株式会社 | 製造プロセスにおける品質予測装置、予測方法、プログラム及びコンピュータ読み取り可能な記録媒体 |
| JP5375506B2 (ja) * | 2009-10-13 | 2013-12-25 | 新日鐵住金株式会社 | 品質予測装置、品質予測方法、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 |
| JP5375507B2 (ja) * | 2009-10-13 | 2013-12-25 | 新日鐵住金株式会社 | 品質予測装置、品質予測方法、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 |
| JP5488140B2 (ja) * | 2010-04-06 | 2014-05-14 | 新日鐵住金株式会社 | 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 |
| JP5522060B2 (ja) * | 2011-01-13 | 2014-06-18 | 新日鐵住金株式会社 | 品質予測装置、操業条件決定方法、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憶媒体 |
-
2001
- 2001-11-02 JP JP2001338359A patent/JP3875875B2/ja not_active Expired - Fee Related
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012027683A (ja) * | 2010-07-23 | 2012-02-09 | Nippon Steel Corp | 品質予測装置、品質予測方法、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 |
| JP2019215668A (ja) * | 2018-06-12 | 2019-12-19 | 日本製鉄株式会社 | 制御設定値決定装置、制御設定値決定方法、及びプログラム |
| JP7102962B2 (ja) | 2018-06-12 | 2022-07-20 | 日本製鉄株式会社 | 制御設定値決定装置、制御設定値決定方法、及びプログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2003141215A (ja) | 2003-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| JP5068637B2 (ja) | 製造プロセスにおける操業と品質の関連解析装置、解析方法、プログラム、及びコンピュータ読み取り可能な記録媒体 | |
| Xu et al. | Kernel-based least squares policy iteration for reinforcement learning | |
| Mirahadi et al. | Simulation-based construction productivity forecast using neural-network-driven fuzzy reasoning | |
| CA2636898C (en) | Apparatus and method for constructing prediction model | |
| JP5516390B2 (ja) | 品質予測装置、品質予測方法、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 | |
| CN114678080B (zh) | 转炉终点磷含量预测模型及构建方法、磷含量预测方法 | |
| JP3875875B2 (ja) | 製造プロセスにおける操業分析装置、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憶媒体 | |
| Xing et al. | Hybrid intelligent parameter estimation based on grey case-based reasoning for laminar cooling process | |
| Korosec et al. | Neural network based manufacturability evaluation of free form machining | |
| JP4653547B2 (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 | |
| CN116186978A (zh) | 数据和物理双驱动的飞行器复杂几何区域温度场预测方法 | |
| JPH0765168A (ja) | 関数近似装置及び方法 | |
| Monostori et al. | Satisfying various requirements in different levels and stages of machining using one general ANN-based process model | |
| CN115239760A (zh) | 一种目标跟踪方法、系统、设备及存储介质 | |
| JP5375507B2 (ja) | 品質予測装置、品質予測方法、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 | |
| Salgado | Rule generation for hierarchical collaborative fuzzy system | |
| CN114239974A (zh) | 多智能体的位置预测方法、装置、电子设备及存储介质 | |
| Salahshoor et al. | Online affine model identification of nonlinear processes using a new adaptive neuro-fuzzy approach | |
| Kilmer | Applications of artificial neural networks to combat simulations | |
| Hagg et al. | Prediction of neural network performance by phenotypic modeling | |
| Dong et al. | Just-in-time learning-based soft sensor for mechanical properties of strip steel via multi-block weighted semisupervised models | |
| JP7207128B2 (ja) | 予測システム、予測方法、および予測プログラム | |
| CN113210936A (zh) | 一种直缝焊管的焊接方法、系统和可读介质 | |
| JP5038882B2 (ja) | ファジィ推論制御装置、プラントシステム、および、ファジィ制御方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20051226 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20060214 |
|
| A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20060417 |
|
| 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: 20061024 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20061027 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 3875875 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101102 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101102 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111102 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111102 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121102 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121102 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131102 Year of fee payment: 7 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131102 Year of fee payment: 7 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131102 Year of fee payment: 7 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| LAPS | Cancellation because of no payment of annual fees |