JP5169096B2 - 品質予測装置、品質予測方法及び製品の製造方法 - Google Patents

Description

本発明は、鉄鋼プロセス等の製造ラインにおいて、品質データと操業データから製品の品質を予測する品質予測装置、品質予測方法及びそれらを用いた製品の製造方法に関する。

従来、この種の品質予測方法には次のような方法が提案されている。
（ａ）例えば、プロセス操業データと品質データとの相関について解析する、製造プロセスにおける解析装置において、プロセス操業データの各パラメータが取り得る値を分割し、各分割領域における品質データの確率分布を算出して品質を予測する（例えば特許文献１参照）。
（ｂ）また、鉄鋼プロセスの連続鋳造において、欠陥の発生しやすい流動状態からその時の温度パターンを推定することにより、欠陥の発生しやすい温度パターンを求め、実際の温度パターンから欠陥の発生を予測する（例えば特許文献２参照）。
（ｃ）また、製品の製造にかかる各種の条件を示す条件データをＮ種類からＮ＞ＰであるＰ変数に変換した上で、品質データとの関係を線形の方程式で定式化して品質を予測する（例えば特許文献３参照）。

特開２００３−１５０２３４号公報 特開２００５−１８１６０９号公報 特開２００５−２４２８１８号公報

しかし、上記の従来の品質予測方法には次のような課題がある。
（ａ）特許文献１においては、入力とする操業データの各パラメータが取り得る範囲に領域を分割し、データ数が多い領域は欠陥が少ない、データ数が少ない領域は多いとしているが、欠陥が発生する確率はデータ数とは無関係であり、実際の欠陥発生状況を反映させる必要がある。また、領域の決め方が不明瞭である。
（ｂ）特許文献２においては、欠陥の発生原因を詳細に解析したうえで、発生しやすい温度パターンを抽出しているが、実際の欠陥はさまざまな要因の組合せとなっており、その他の原因による欠陥の判定が難しい。また、モールド鋳型内の溶鋼に、電磁力による流動を生じさせる技術はさまざま方法が提案されており、流動状態に対応した欠陥の発生しやすい温度パターンを用意するのには煩雑な作業を要する。
（ｃ）特許文献３においては、操業データと品質データが線形の方程式で表現されているが、操業データ、品質データにはばらつきがあり、ある製造条件のもとでの製品の品質は、確率的事象である。また、線形方程式では予測すると誤差が大きい。品質予測においては、操業データと品質データを関連付けるモデル化が従来から課題となっており、この課題に対して有効な手段とはいえない。

本発明は、上記の課題を解決するためになされたものであり、製品の品質を高精度で予測することを可能にした品質予測装置及び品質予測方法、並びにそれらを利用した製品の製造方法を提供することを目的とする。

本発明に係る品質予測装置は、過去に製造された製品の品質データとその製品の製造時の操業データから算出した特徴量データとが対応付けられて記憶された実績データベースと、品質を予測すべき製品の製造時の操業データから特徴量データを算出する特徴量算出手段と、該特徴量算出手段で算出された特徴量データと、前記実績データベースに記憶された各特徴量データとの類似度を算出し、該類似度と前記実績データベース内の品質データとから、製品の品質予測値を算出する品質予測値算出手段とを有し、前記特徴量データは、操業データの分布状態を複数の代表的な基本パターンと重み係数の組み合わせで表現したときの重み係数である。

また、本発明に係る品質予測装置は、前記品質予測値算出手段において、
前記類似度を、前記特徴量算出手段で算出された特徴量データと前記実績データベースに記憶された各特徴量データとのユークリッド距離とし、前記ユークリッド距離が最も近い前記実績データベースに記憶された特徴量データに対応する品質データを品質予測値とするものである。

また、本発明に係る品質予測装置は、前記品質予測値算出手段において、
前記類似度を、前記特徴量算出手段で算出された特徴量データと前記実績データベースに記憶された特徴量データとのユークリッド距離に基づいて算出し、前記ユークリッド距離が所定範囲内となる前記実績データベースに記憶された特徴量データに対応する品質データの平均値を算出し、該平均値を品質予測値とするものである。

また、本発明に係る品質予測装置は、前記品質予測値算出手段において、
前記類似度を、前記特徴量算出手段で算出された特徴量データと前記実績データベースに記憶された特徴量データとのユークリッド距離とし、前記実績データベースに記憶された特徴量データに対応する品質データの値に、前記ユークリッド距離に応じて定めた重み係数を乗じた重み付け平均値を算出し、該重み付け平均値を品質予測値とするものである。

また、本発明に係る品質予測装置は、前記特徴量データを、主成分分析又は独立成分分析により求めるものである。
また、本発明に係る品質予測装置は、前記特徴量データを、部分的最小二乗法における潜在変数にかかる係数として求めるものである。

また、本発明に係る品質予測方法は、品質を予測すべき製品の製造時の操業データから特徴量データを算出し、前記算出された特徴量データと、過去に製造された製品の品質データとその製品の製造時の操業データから算出された特徴量データとが対応付けられて記憶された実績データベースの各特徴量データとの類似度を算出し、該類似度と前記品質データとに基づいて品質予測値を算出し、前記特徴量データは、操業データの分布状態を複数の代表的な基本パターンと重み係数の組み合わせで表現したときの重み係数である。

また、本発明に係る製品の製造方法は、上記の品質予測装置（又は品質予測方法）で予測された製品の品質予測値に基づいて、当該製品を製造するための製造工程の操業条件を変更する操業条件変更工程を有するものである。
また、本発明に係る製品の製造方法は、上記の品質予測装置（又は品質予測方法）で予測された製品の品質予測値に基づいて、製造工程の操業異常を判定する操業異常検出工程を有するものである。
また、本発明に係る製品の製造方法は、上記の品質予測装置（又は品質予測方法）で予測された製品の品質予測値に基づいて、品質予測値が不良と判定された場合は、製造された当該製品の不良部を修正する修正工程を有するものである。
また、本発明に係る製品の製造方法は、上記の品質予測装置（又は品質予測方法）で予測された製品の品質予測値に基づいて、品質予測値が不良と判定された場合は、製造中の製品が所望の品質になるように操業条件を変更する工程を有するものである。
また、本発明に係る製品の製造方法は、上記の品質予測装置（又は品質予測方法）で予測された品質予測値に基づいて、当該製品の品質を決定し、以降の工程における処理条件を決定する処理条件決定工程を有するものである。
また、本発明に係る製品の製造方法は、前記製品を、連続鋳造工程で製造される鋳片とし、前記品質予測値を、連続鋳造工程において鋳片を製造する際のモールド温度や鋳造速度を含む操業データから予測した、モールドで巻き込んだ不純物による鋳片の欠陥データとするものである。

本発明によれば、製品の品質を高精度で予測することが可能となり、品質のよい製品を製造する操業条件を見出すことが可能となる。例えば品質が悪いと予測された場合には、操業条件を変更することも可能となる。また、製品の品質（予測値）の悪化により、操業異常を検出することもできる。さらに、製造された製品に品質情報（予測値）を付加することにより、製品の用途や向け先の決定、製品品質の修正等が可能となる。

図１は本発明の一実施形態に係る製品の製造方法を示した概念図である。製品原料、製品材料を製造工程に投入して製品を製造し、その後、その製品についての品質検査が行われる。そして、本実施形態においては、製造工程の操業データを蓄積するデータ保存手段１と、保存されたデータを利用して製品の品質予測をする品質予測値算出手段２とを備えている。以下、データ保存手段１の操業−品質データベース１１へのデータの蓄積、特徴量算出手段１２、品質予測値算出手段３、及び品質予測値の利用法の順に説明する。

（１）データ保存手段１の操業−品質データベース１１へのデータの蓄積
図２は、本実施形態のデータ保存手段１での処理を示すフローチャートである。まず、製品ごとにデータ保存手段１に、製造工程を管理している製造管理用コンピュータから操業データを入力し、それらを蓄えておく。その後、品質検査工程において検査されたその製品の品質データを入力し、操業データと品質データとの突き合わせを行って、対応付けて蓄積、データ保存手段１の操業−品質データベース１１に記憶する（関連付け）。操業データとは、例えば、製造する際の製品の温度、製品の搬送速度、寸法等で、製造設備への条件設定値や操業管理用計測機器の実測値などである。また、品質データは、品質検査工程で検査された欠陥に関する情報で、欠陥数、欠陥率、強度などである。

図３は、操業−品質データベース１１に保存される操業データと品質データの関係（データイメージ）を示したものである。製造工程では、時々刻々、各操業データ（製造設備への操業条件の設定値、計測機器の実測値）が得られる。同様に、検査工程でも、時々刻々、検査された品質データ（例えば、欠陥の個数など）が得られる。しかし、操業データは製造工程で、品質データは検査工程で得られる、というように、同一製品に関する２つのデータが得られるタイミングは異なるので、対応付けが容易になるように、データを操業時刻（一定時間間隔など）や製品の位置（鋼材の位置などで）でデータをサンプリングしておき、それらの情報を基準にして、上記の対応付けを行って、操業−品質データベース１１に記憶する。

図４は、データ構造例である。このように操業時刻（一定時間間隔など）と製品の位置（鋼材の位置など）の操業データ（データ１、…データ２０）と品質データとが関係付けられる。

本発明は、過去に製造された製品において操業データと品質データとの対応付けがされた実績をデータベースとしておき、品質データが未知である製品について、その製品の操業データと過去実績の操業データとを対比して、類似しているデータから品質データを予測しようとするものであるが、操業データの種類が多い場合には、過去実績の操業データとの対比が複雑で困難となる。このため、本発明では、多数ある操業データそのものでなく、多数（多種類）の操業データを少数（少種類）の変数（本発明では特徴量と称する）で表現できるように変換し、その代表値となる特徴量と品質データとの対応についての実績データベースを用いて予測するものである。これによって、操業データが複数ある場合であっても、予測対象データに類似した過去実績データの検索（対応付け）が簡単にできるようになる。実績データの特徴量データへの変換は、図１に示されるデータ保存手段１において、操業−品質データベース１１のデータを読み込んで、特徴量算出手段１２で操業データを特徴量データに変換して、特徴量を品質データに対応付けて、特徴量−品質データベース１３に記憶する。なお、この特徴量−品質データベース１３は本発明の実績データベースを構成している。

（２）特徴量算出手段１２
以下に、特徴量算出手段１２の算出処理例を説明する。ここでは、各時刻のサンプリングされた操業データを横軸に操業データ種、縦軸に操業データの値をとって表示した場合の操業データ分布形態を、代表的な形態パターン（基本パターン）の組合せで表現することを考える。図５は、基本パターンの概念図を示したもので、横軸に操業データ種、縦軸に操業データの値である。図５の例では、データ種の代表パターン（基本パターン）を４パターンとし（但し、このパターン数は必要に応じて適宜変更し得る性質のものである）、各時刻の操業データの分布を、この４つパターンを組み合わせて表現する。組合せは、各パターンに重み係数を乗算（重み付け）をしたのち、それらを加算する。この時の、４つのパターンの各々の重み係数（以下では、「基本パターンの強さ」とも記す）を特徴量とする。

図６は、今回の予測対象製品の操業データの分布と基本パターンとの関係を示した概念図である。図７では、予め定められた基本パターン１〜４と、それに対応する重み係数（基本パターン１〜４の強さ）を乗算して積算することにより、予測対象製品の操業データの分布を特定しようとするものである。換言すれば、基本パターン１〜４を予め決めておき、これらの組合せ（積算）にあたり、各基本パターンに乗算する重み係数（基本パターン１〜４の強さ）を求めてやれば、その４つの重み係数（基本パターン１〜４の強さ）の組合せから予測対象製品の操業データを特定できるということである。したがって、重み係数（基本パターンの強さ）を特徴量として扱えば、この特徴量を用いて品質予測を可能となる。

図７は、特徴量−品質データベース１３に記憶される、特徴量と品質データとが対応付けられたデータの構成例を示した説明図である。この例では、操業時刻（一定時間間隔など）と、特徴量としての基本パターン１の強さ、基本パターン２の強さ、基本パターン３の強さ、基本パターン４の強さと、品質データとが関係付けられている。

上記の基本パターン１〜４の強さ即ち操業データの特徴量を求めるには、例えば主成分分析、独立分析及び部分的最小二乗法を用いる。それらの方法についてそれぞれ項を分けて説明する。なお、以下で説明する算出において必要な操業データは、データ保存手段１の操業−品質データベース１１に、前述の図４に示すようなデータ構造で記憶されているが、以下の演算においては、操業データＸ（ｊ）を式（１）及び式（２）に、品質データＹ（ｊ）を式（３）及び式（４）で表して説明する。

（２．１）主成分分析
操業データＸ（ｊ）（ｊ＝１、…Ｎ）から、主成分分析により特徴量を抽出する。以下に、主成分分析の一例を示す。まずは、Ｘを標準化したデータＸ’を得る。

とすると、標準化は、以下の平均値と標準偏差を用いて処理される。

次に、１／（Ｎ−１）・Ｘ’^tＸ’の固有値Ｌと固有ベクトルＷを求める。一般にｎ次正方行列Ａとｎ次ベクトルｕに対し、Ａｕ＝λｕとなる実数λとベクトルｕが存在するとき、λをＡの固有値と呼び、ｕを固有ベクトルと呼ぶ。この式の固有ベクトルｕは上述の固有ベクトルＷに、固有値λは上述の固有値Ｌに、
Ａは上述の１／（Ｎ−１）・Ｘ’^tＸ’に、ｎ次は上述のＭ次に対応する（Ｍは操業データの数（種類）である。）固有値の求め方については、さまざまな方法があるが、そのひとつ「ヤコビ法」について簡単に説明する。

固有値Ｌの（ｌ₁、ｌ₂…、ｌ_n）を大きい順からならべ、それに対応する固有ベクトルＷの（ｗ₁、ｗ₂、…ｗ_n）をその固有値の大きい順に主成分ベクトルＶ（基本パターン）の要素とする。ここで、ｗ_i、ｗ_j…ｗ_kとなっているのは、順番を固有値の大きい順に並び変えたためである。さらに、ｗ_iをＶと書き換えて、ｖ₁、ｖ₂、…ｖ_Mと順に表記し直して最終的にＶは以下の式で表される。

次に、主成分得点を算出する。主成分ベクトルＶに対し、以下の式で求まる値を主成分得点と言う。
第一主成分得点は、Ｔ_r1＝Ｘ'・ｖ₁
第二主成分得点は、Ｔ_r2＝Ｘ'・ｖ₂
となる。これらをまとめたものＴ_rが特徴量（パターンの強さ）になる。

どの主成分までを特徴量とするかは、以下の数式で表される累積寄与率を参考にする。Ｒ₁、Ｒ₂、とiの値を増やしていき、Ｒ_iが、たとえば０．８を超えたときｉ番目までの主成分得点を特徴量とする。また、このときのｉの値、主成分の数（種類）をｍとする。但し、ｍは、特徴量の個数であり、後述の（３）品質予測値算出手段３の説明で使用する。）なお、Ｒ_iと比較する値を０．８としたのは、全体ばらつきのうちの８割程度のデータを含んでいれば全体的な評価とみなして問題ないという意味である。この値は、０．８に限定されるものでなく、対象や条件に合わせて適宜設定すればよい。

主成分得点は、操業データ毎に算出され、操業データの特徴量を表すものである。そこで、主成分得点とそれに対応する品質データの組合せＺ₂＝［Ｔ_r，Ｙ］をデータ保存手段１に保存する。

（２．２）独立成分分析
操業データＸ（ｊ）が、隠れた特徴量Ｓ＝［ｓ₁，ｓ₂，…，ｓ_m］（種類はｍ個）の組合せで表されるとする。すなわち
Ｘ（ｊ）＝ａ₁ｓ₁＋ａ₂ｓ₂＋……＋ａ_mｓ_m
この場合のＳ＝［ｓ₁，ｓ₂，…，ｓ_m］、Ａ＝［ａ₁，ａ₂，…，ａ_m］を求める手法に、独立成分分析がある。独立成分分析には、さまざまなアルゴリズムが提案されているが、そのうちの一つである、

とOjaの提唱したFastICAというアルゴリズムについて、その概略を説明する。

＜独立成分分析の計算アルゴリズムの例＞

としたとき、以下の収束計算を行う。
ｗ₁、ｗ₂、・・・ｗ_mと順に求めていく。
まず、乱数で発生させたｗを初期値とする。また、定数ηはη≦１を満たす定数とする。

最初にｉ＝１として、ｉを増やして、（１）〜（２）を繰り返し、ｗ_i（ｉ＝１、２、３、・・・、ｗ_m）を求める。またこの処理を繰り返すことにより、Ｗ＝［ｗ₁，…ｗ_m-1，ｗ_m］を求める。
また、Ｓ＝ＷＸによりＳ（基本パターン）を求め、Ｘ＝ＡＳより、Ａ＝［ａ₁，ａ₂，…，ａ_m］を求める。このＡ＝［ａ₁，ａ₂，…，ａ_m］を特徴量とする。これら手法により、操業データ、または操業データの特徴量と品質データの組合せＺ₂＝［Ａ,Ｙ］を、データ保存手段１の特徴量−品質データベース１３に保存しておく。これにより特徴量はｍ個として扱うことになる。

（２．３）部分的最小二乗法
部分的最小二乗法は、操業データＸと品質データＹを以下の式で表される潜在変数ｔ_iで表す。ＸとＹの直接的な関係に基づいて解く場合、データの種類数が多いので、扱う係数の数が多くなって、XとYとの因果関係を特定する際に、どのデータの寄与度かわかりにくい。潜在変数ｔ_iを用いた、下式により、もともとＭ個（Ｍ種類）のデータからなる操業データＸを、寄与が大きいＭ個以下の値ｍ（ｍ個の特徴量、ｍ≦Ｍ）として表して扱うことができ、因果関係の特定が扱いやすくなる。

但し、係数ｐ_i（ｉ＝１，２，３，・・，ｍ）：Ｎ行Ｍ列の行列、係数ｑ_i（ｉ＝１，２，３，・・，ｍ）：Ｎ行のベクトル、変数ｔ_i（ｉ＝１，２，３，・・，ｍ）：Ｎ行のベクトル、係数ｗ_i（ｉ＝１，２，３，・・，ｍ）：Ｎ行のベクトルを表す。
このＴ＝［ｔ₁，ｔ₂，……，ｔ_m］を操業データＸの特徴量（ｍ個（ｍ種類））とする。以下に、Ｔの求め方の一例を示す。
（１）以下の式により、ｗ₁、ｐ₁、ｑ₁を求める。

これは、上記式の１次の項に関する、Ｘ＝ｐ₁ｔ₁、Ｙ＝Ｑ₁ｔ₁、ｔ₁＝Ｘｗ₁を解いたことに対応する。
（２）次に、以下の式に、（１）で求めた値を代入し、Ｙ⁽¹⁾とＸ⁽¹⁾として算出する。

ここで、Ｙ⁽¹⁾とＸ⁽¹⁾は、（１）の結果から求めたＸとＹと、本来のＸとＹの値との誤差を意味する。
（３）さらに以下の式で、ｗ₂、Ｐ₂、ｑ₂を求める。

これは、上記の誤差に関して回帰式を解くことに対応する。
ｗ₃（基本パターン）以降ｗ_mまでは、上記の（２）（３）のステップを繰り返し行い求めていく。ｍ個（ｍ種類）の特徴量が求められたら、Ｔ＝［ｔ₁,ｔ₂,…,ｔ_m］を算出し、特徴量と品質データの組合せをＺ₂＝［Ｔ,Ｙ］をデータ保存手段１の特徴量−品質データベース１３に保存する。

３．品質予測値算出手段３
図１の特徴量算出手段２及び品質予測値算出手段３は、記憶装置を内蔵した演算手段（コンピュータ）からそれぞれ構成されており、データ保存手段１の特徴量−品質データベース１３に保存されたデータ（特徴量、品質データ等）を利用し、品質予測を行う。
図８は、その概念図である。特徴量算出手段２（本発明の特徴量算出手段を構成している）は、品質を予測するべき製品の製造時の操業データを取得し、そして、予測対象の製品の操業データの特徴量（基本パターンの強さ）を求める。品質予測値算出手段３は、その特徴量と特徴量−品質データベース１３のデータの内、基本パターンの強さ（特徴量）、品質データ（図６参照）とを対比し、類似度を算出して予測対象の製品の品質を予測する。特徴量算出手段２の処理は、上記の特徴量算出手段１２の場合と同じであるから、以下の説明においては品質予測値算出手段３による予測方法の詳細について説明する。

（３．１）予測対象の製品の特徴量と各過去実績の特徴量とのユークリッド距離が最も近い過去実績の品質値を品質予測値とする。以下の方法でユークリッド距離を算出する。

特徴量−品質データベース１３の全てのデータの中からユークリッド距離ｄ_jが最も小さい過去実績のデータ（この場合ｊ＝ｊ_minとする。）を求める。ｔ_i ^*は予測対象のデータ（特徴量）、ｔ_jiはデータ保存手段１の特徴量−品質データベース１３に保存されたデータ（特徴量）である。この場合の品質データＹ_jminを品質予測値とする。なお、上式においてｍは特徴量の個数である。

（３．２）ユークリッド距離が所定範囲の品質値の平均値を品質予測値とする。以下の方法で距離を算出する。

ユークリッド距離ｄ_jが所定の値ｄ₀よりも小さい（或いは所定範囲）実績の特徴量Ｔ（上記の（２．１）ではＴｒ、（２．２）ではＡ、（２．３）ではＴとして特徴量を表記したが、ここではＴと表記する。）データの集合Ｚｓ（集合のデータ数をＮ’とする）を求める。
Ｚｓ＝［Ｔ，Ｙ］
そして、Ｙの平均値Ｙ_meanを次式により算出し、Ｙ_meanを品質予測値とする。

（３．３）距離に依存した重み付けした平均値を利用する方法（１）
保存されているデータの全てまたは、いくつかを選択（例えばユークリッド距離が所定範囲内のデータを選択）し、以下の値を算出する。

Ｐ：品質予測値、ｄ_j：保存又は選択された特徴量データｊと品質を予測するべき製品の特徴量データとの距離、Ｎ：保存又は選択されたデータ数（サンプル数）、ｍ：特徴量データの数（種類数）、ｔ_i ^*：品質を予測すべき製品の特徴量データ、ｔ_ji：保存された特徴量データＭ、Ｙ_j：保存された品質データ。

（３．４）距離に依存した重み付けした平均値を利用する方法（２）。
保存されているデータの全てまたは、いくつかを選択し、以下の値を算出する。

Ｐ：品質予測値、ｄ_j：保存又は選択された特徴量データｊと品質を予測するべき製品の特徴量データとの距離、Ｎ：保存又は選択されたデータ数（サンプル数）、ｍ：特徴量データの数（種類数）、ｔ_i ^*：品質を予測すべき製品の特徴量データ、ｔ_ji：保存された特徴量データＭ、Ｙ_j：保存された品質データ。

図９は、この予測方法の概念図である。これは基本パターン１及び２の強さ（特徴量）の例であり、図中の全てのデータについて距離に依存した重み付けした平均値を利用して品質予測値を求めている。

４．品質予測値の利用方法
品質予測値は以下の利用方法がある。その概要を図１０、図１１、図１２及び図１３に示す。
図１０は、予測された品質予測値により操業条件を変更することを示したフローチャートである。製品の品質を検査する工程は、製造工程の後に位置することがほとんどであり、製造後いくつかの工程を経た後で製品の品質を検査するような製造工程もある。このため、製品の品質を検査した後、操業条件を変更するのに時間がかかるため、その間、品質の悪い製品を製造しつづけることになる。このため、本実施形態による品質予測方法を適用して製造中に製品の品質を予測し、品質を左右する操業条件を品質予測値により変更を行う。これにより、低い品質の製品を大量に生産することを避けることができる。

図１１は、予測された品質予測値により操業異常を検出することを示したフローチャートである。低い品質の場合は、何らかの操業異常も考えられるが、これも早期に発見できる可能性がある。

図１２は、予測された品質予測値により製品の品質を修正することを示したフローチャートである。品質の悪い製品ができた場合には、修正工程で例えば欠陥部分を削除したり、補正したりして修正することができる。これにより、品質の悪い製品を次工程に流すことを防ぐことができる。

図１３は、予測された品質予測値を製品に付加することを示したフローチャートである。予測された品質予測値を製品に付加することにより、製品の格付を行ったり、用途を変更することができる。これも、検査結果を経てから判断するより、早めに判断を行うことができる。

以下に、本発明を代表的な鉄鋼プロセスの一つである連続鋳造で製造されるスラブの品質予測に適用した場合の実施例を説明する。
図１４は、鉄鋼製造プロセスにおける連続鋳造プロセスを模式的に表した図である。図１４において、タンディッシュ２０に満たされた溶鋼２１は、タンディッシュ底部に設置されたスライディングノズル２２の位置で定まる開度に応じて、浸漬ノズル２３を経てモールド２４内へ注入される。また、モールド２４内へ注入された溶鋼２１は、側壁から冷却されて表面から凝固しつつ、ピンチロール２５によって引き抜き方向へ引き抜かれる。さらに、モールド２４内に注入される溶鋼量は、前述のように、スライディングノズル２２の開度に応じて定まるが、このスライディングノズル２２は、アクチュエータによって駆動される。モールド２４内では、浸漬ノズル２３から注入された溶鋼により、溶鋼の流れが発生する。連続鋳造時のスラブの欠陥発生には、さまざまな原因が考えられているが、代表的なものは以下のものである。

（１）タンディッシュ２０にあった不純物がそのままモールドに入り込み、鋳片としてかたまってしまう。
（２）溶鋼の流れにより、パウダーの下部が溶鋼中に引き込まれる。
（３）ノズル詰まりを防止するためにノズルに流すＡｒガスが気泡となり溶鋼中に引き込まれる。
これらは、モールド２４内の流れが原因となり起こることが分かっている。このため、最近では、モールド２４の周りに電磁石を設置して磁界を発生させ、強磁性体である溶鋼の流動を励起する装置が使用されている。一方、モールド２４内の溶鋼流動状態を直接図る方法はないが、流速変化を温度変化として計測できることを利用し、モールド周辺に図１５に示されるように温度計３０を設置し、溶鋼の流動状態を推定することも行われている。ここでは、モールド２４の温度状態と欠陥の発生が密接に関係していることに着目し、モールド２４の温度状態から、欠陥発生を予測する。

操業データとしては、モールド温度を使用する。欠陥情報としては、鋼板から検出した欠陥情報を利用する。あらかじめ、温度と欠陥の対比できるデータを用意する。欠陥の予測を行う際には、得られた温度情報から実施例に書かれたような方法で欠陥の予測値を算出する。実際にスラブに対して欠陥の予測を行った結果を図１６に示す。スラブの欠陥が高精度で検出していることが示されている。
また、モード内の溶鋼の流れは、鋳込み速度や、鋳造されるスラブの厚さや幅、Ａｒ流量は圧力、溶鋼の温度によっても異なる。これらの操業条件を加味することによりさらに精度をあげることができる。

連続鋳造での欠陥予測値の利用方法としては、以下のものが考えられる。
（１）欠陥が多いと予測された場合に鋳造速度等の製造方法を変更する。
（２）欠陥が多いと予測された場合、鋳造されたスラブの表面の手入れを行う。
（３）欠陥が多いと予測されたスラブは、汎用材として利用し、欠陥が少ないと予測されたものを高級素材として利用する。

このように本実施例の手法を用いると、製品の品質を高精度で予測することが可能となり、品質のよい製品を製造する操業条件を見出すことが可能となる。品質が悪くなった場合に、操業条件を変更することも可能となる。また、製品の品質の悪化により、操業異常を検出することもできる。さらに、製造された製品に品質情報を付加することにより、製品の用途や向け先の決定、製品品質の修正等が可能となる。

本発明の一実施形態に係る製品の製造方法を示した概念図である。 データ保存手段の処理のフローチャートである。 データ保存手段に保存される操業データと操業結果のデータの関係（データイメージ）を示した説明図である。 データ構造例である。 基本パターンの概念図である。 今回の予測対象データと基本パターンとの関係を示した概念図である。 基本パターンでのデータ構成例を示した説明図である。 品質予測の概念図である。 品質予測方法（重み付き平均値）の概念図である。 予測された品質予測値により、操業条件を変更することを示したフローチャートである。 予測された品質予測値により操業異常を検出することを示したフローチャートである。 予測された品質予測値により製品の品質を修正することを示したフローチャートである。 予測された品質予測値を製品に付加することを示したフローチャートである。 連続鋳造設備の概要図である。 鋳型とそれに取り付けられた温度計との関係を示した図である。 欠陥実績と欠陥予測値との関係を示した図である。

符号の説明

１ データ保存手段、 １１ 操業−品質データベース、１２ 特徴量算出手段、１３ 特徴量−品質データベース、２ 特徴量算出手段、３ 品質予測値算出手段、２０ タンディッシュ、２１ 溶鋼、２２ スライディングノズル、２３ 浸漬ノズル、２４ モールド、２５ ピンチロール、３０ 温度計。

Claims (13)

1. 過去に製造された製品の品質データとその製品の製造時の操業データから算出した特徴量データとが対応付けられて記憶された実績データベースと、
   品質を予測すべき製品の製造時の操業データから特徴量データを算出する特徴量算出手段と、
   該特徴量算出手段で算出された特徴量データと、前記実績データベースに記憶された各特徴量データとの類似度を算出し、該類似度と前記実績データベース内の品質データとから、製品の品質予測値を算出する品質予測値算出手段と
   を有し、
   前記特徴量データは、操業データの分布状態を複数の代表的な基本パターンと重み係数の組み合わせで表現したときの重み係数であることを特徴とする品質予測装置。
2. 前記品質予測値算出手段において、前記類似度を、前記特徴量算出手段で算出された特徴量データと前記実績データベースに記憶された各特徴量データとのユークリッド距離とし、前記ユークリッド距離が最も近い前記実績データベースに記憶された特徴量データに対応する品質データを品質予測値とすることを特徴とする請求項１に記載の品質予測装置。
3. 前記品質予測値算出手段において、前記類似度を、前記特徴量算出手段で算出された特徴量データと前記実績データベースに記憶された特徴量データとのユークリッド距離に基づいて算出し、前記ユークリッド距離が所定範囲内となる前記実績データベースに記憶された特徴量データに対応する品質データの平均値を算出し、該平均値を品質予測値とすることを特徴とする請求項１に記載の品質予測装置。
4. 前記品質予測値算出手段において、前記類似度を、前記特徴量算出手段で算出された特徴量データと前記実績データベースに記憶された特徴量データとのユークリッド距離とし、前記実績データベースに記憶された特徴量データに対応する品質データの値に、前記ユークリッド距離に応じて定めた重み係数を乗じた重み付け平均値を算出し、該重み付け平均値を品質予測値とすることを特徴とする請求項１に記載の品質予測装置。
5. 前記特徴量データを、主成分分析又は独立成分分析により求めることを特徴とする請求項１〜４の何れかに記載の品質予測装置。
6. 前記特徴量データを、部分的最小二乗法における潜在変数にかかる係数として求めることを特徴とする請求項１〜４の何れかに記載の品質予測装置。
7. 品質を予測すべき製品の製造時の操業データから特徴量データを算出し、
   前記算出された特徴量データと、過去に製造された製品の品質データとその製品の製造時の操業データから算出された特徴量データとが対応付けられて記憶された実績データベースの各特徴量データとの類似度を算出し、
   該類似度と前記品質データとに基づいて品質予測値を算出し、
   前記特徴量データは、操業データの分布状態を複数の代表的な基本パターンと重み係数の組み合わせで表現したときの重み係数であることを特徴とする品質予測方法。
8. 請求項１〜６の何れかに記載の品質予測装置で予測された製品の品質予測値に基づいて、当該製品を製造するための製造工程の操業条件を変更する操業条件変更工程を有することを特徴とする製品の製造方法。
9. 請求項１〜６の何れかに記載の品質予測装置で予測された製品の品質予測値に基づいて、製造工程の操業異常を判定する操業異常検出工程を有することを特徴とする製品の製造方法。
10. 請求項１〜６の何れかに記載の品質予測装置で予測された製品の品質予測値に基づいて、品質予測値が不良と判定された場合は、製造された当該製品の不良部を修正する修正工程を有することを特徴とする製品の製造方法。
11. 請求項１〜６の何れかに記載の品質予測装置で予測された製品の品質予測値に基づいて、品質予測値が不良と判定された場合は、製造中の製品が所望の品質になるように操業条件を変更する工程を有することを特徴とする製品の製造方法。
12. 請求項１〜６の何れかに記載の品質予測装置で予測された品質予測値に基づいて、当該製品の品質を決定し、以降の工程における処理条件を決定する処理条件決定工程を有することを特徴とする製品の製造方法。
13. 前記製品を、連続鋳造工程で製造される鋳片とし、
    前記品質予測値を、連続鋳造工程において鋳片を製造する際のモールド温度や鋳造速度を含む操業データから予測した、モールドで巻き込んだ不純物による鋳片の欠陥データとすることを特徴とする請求項８〜１２の何れかに記載の製品の製造方法。

Images