JP6613937B2 - 品質予測装置、品質予測方法、プログラム及びコンピュータ読み取り可能な記録媒体 - Google Patents
品質予測装置、品質予測方法、プログラム及びコンピュータ読み取り可能な記録媒体 Download PDFInfo
- Publication number
- JP6613937B2 JP6613937B2 JP2016022672A JP2016022672A JP6613937B2 JP 6613937 B2 JP6613937 B2 JP 6613937B2 JP 2016022672 A JP2016022672 A JP 2016022672A JP 2016022672 A JP2016022672 A JP 2016022672A JP 6613937 B2 JP6613937 B2 JP 6613937B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- code information
- quality prediction
- quality
- relational expression
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 60
- 238000013517 stratification Methods 0.000 claims description 92
- 238000011156 evaluation Methods 0.000 claims description 68
- 230000006870 function Effects 0.000 claims description 61
- 238000004364 calculation method Methods 0.000 claims description 50
- 238000012545 processing Methods 0.000 claims description 24
- 229910000831 Steel Inorganic materials 0.000 claims description 19
- 239000010959 steel Substances 0.000 claims description 19
- 238000012795 verification Methods 0.000 claims description 19
- 238000004519 manufacturing process Methods 0.000 claims description 18
- 239000000463 material Substances 0.000 claims description 15
- 238000007670 refining Methods 0.000 claims description 9
- 238000009628 steelmaking Methods 0.000 claims description 8
- 238000000926 separation method Methods 0.000 claims description 5
- 238000002922 simulated annealing Methods 0.000 claims description 5
- 238000007664 blowing Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims 1
- 238000005457 optimization Methods 0.000 description 33
- 230000008569 process Effects 0.000 description 23
- 238000004891 communication Methods 0.000 description 17
- 238000013075 data extraction Methods 0.000 description 16
- 238000013179 statistical model Methods 0.000 description 13
- 230000000052 comparative effect Effects 0.000 description 10
- 238000003860 storage Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 239000000284 extract Substances 0.000 description 5
- 239000000956 alloy Substances 0.000 description 4
- 229910045601 alloy Inorganic materials 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 3
- 229910052799 carbon Inorganic materials 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000009749 continuous casting Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000007619 statistical method Methods 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、製造プロセスの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、プログラム及びコンピュータ読み取り可能な記録媒体に関する。
製造プロセスの品質データを目的変数とし、操業データを説明変数として、線形多重回帰式等の統計モデルを用いて製品の品質を推定する場合に、一般に広い範囲の操業条件に対して単独のモデル式を当てはめると、モデルの推定値と製造プロセスにおける実績値との間の誤差は大きくなる。このため、データを層別したうえで各々の層について統計モデルを当てはめることで誤差を小さくすることが行われている。ここで、層別とは、統計における解析対象のデータを相互に交わりのない部分集合の「層」に分割することをいう。層別は、各々に対して同じ統計解析手法を適用して結果の比較を比較したり、層毎に統計モデルを算出して目的変数の予測等を行ったりすることを目的として行われる。
例えば、鉄鋼の製造プロセスにおいては、一般に、一連の工程で製造する材質毎に材質記号が割り当てられている。材質記号は、具体的には、例えば、製鋼工程における出鋼中処理、製品合金成分レベル、製品炭素成分レベル、その他成分レベル等を、アルファベットや数値を組み合わせて設定される所定の意味を有する情報であり、例えば「ＡＢ１０＊＊＊」等のように表される。
例えば特許文献１には、記号情報によりデータを層別した結果における操業データと品質データの関係式を表す統計モデルの当てはめにおいて、記号情報をあらわすコード変数が値として取る領域全体を複数局所領域に分割し、その分割パターン候補の作成において、各分割パターン候補について算出された関係式を表す統計モデルの予測誤差をそれぞれ算出し、その予測誤差が最小となる関係式の分割パターン候補を、ローカルサーチ法を用いたコード分割により算出する方法が開示されている。
しかし、特許文献１に記載のローカルサーチ法では、ランダムに選ばれた分割領域間で、各領域においてランダムにコードの要素を選び、入れ替える処理を行っている。このようなローカルサーチ法では、層別の個数を増加させた場合、ランダムに選択するコードの組み合わせの個数が指数的に増加するため、最終的な層別の個数を増やすと、最適な組み合わせに到達するまでに多大な探索回数が必要になる。さらに、材質記号には、通常、操業の特徴の意味が決められていることが多く、その意味を利用すれば層別の探索を効率的に行うことができると考えられる。しかし、上記特許文献１に記載の手法では、ランダムにコードを入れ替えるだけで、その意味を利用していなかった。
そこで、本発明は、上記問題に鑑みてなされたものであり、本発明の目的とするところは、操業データを用いて関係式に基づき製品の品質を予測する際に、操業データに付与された記号情報に定義されている順序情報を有効に活用して効率的に上記関係式を算出するとともに、品質予測精度を高めることの可能な、新規かつ改良された品質予測装置、品質予測方法、プログラム及びコンピュータ読み取り可能な記録媒体を提供することにある。
上記課題を解決するために、本発明のある観点によれば、所定の意味が付与され、それぞれ所定の規則に従って順序付けされている１または複数の部分コード情報からなる文字コード情報が製造プロセスの操業回毎に付与された操業データ及び品質データをデータベースから取得するデータ抽出部と、部分コード情報が持つ値が属する定義域に基づき、抽出された操業データの層別を行うデータ層別部と、操業データの層毎に、操業データと品質データとの関係を表す関係式を算出する関係式算出部と、部分コード情報が取り得る値の並びを定義域に分割する区切り位置の最適性を評価する評価関数を算出し、評価する評価関数算出部と、品質予測対象の操業データに付与された文字コード情報に基づいて、品質予測に用いる関係式を選択し、品質予測対象の操業データの品質予測を行う品質予測部と、を備え、データ層別部は、評価関数算出部による評価を用いて区切り位置を最適化し、当該最適化された区切り位置に基づき層別を行う、品質予測装置が提供される。
データ層別部は、予め設定されている部分コード情報の値の順序に従って、操業データを層別する。
また、データ層別部は、文字コード情報を構成する部分コード情報の最上位から最下位に向かって一層ずつ操業データを層別し、関係式算出部は、データ層別部により層別される毎に関係式を算出する。
関係式算出部により関係式を算出するために用いる操業データである学習用データと、評価関数算出部による評価に用いる操業データである検証用データとは、異なるデータであってもよい。
データ層別部は、シミュレーティド・アニーリング法を用いて、区切り位置を最適化してもよい。
関係式算出部は、操業データと品質データとの関係を表す関係式のモデルパラメータを、品質データの推定誤差を表す統計量または推定誤差に基づく情報量規準を最適化することにより算出してもよい。
関係式算出部は、最小二乗法を用いて関係式のモデルパラメータを最適化してもよい。
また、関係式算出部は、操業データと品質データとの関係を表す関係式をモデルパラメータに関する線形多重回帰モデルで表し、線形多重回帰モデルのモデルパラメータを、関係式の赤池情報量規準が最小となるように決定してもよい。
上述の品質予測装置により、製鋼工程における転炉吹錬開始前に取得される製造予定の材質記号を文字コード情報として、操業予定データから２次精錬または溶鋼取鍋の処理装置間搬送中の溶鋼温度降下量を予測する、溶鋼温度予測方法が提供される。
また、上記課題を解決するために、本発明の別の観点によれば、品質予測装置により実行される、所定の意味が付与され、それぞれ所定の規則に従って順序付けされている１または複数の部分コード情報からなる文字コード情報が製造プロセスの操業回毎に付与された操業データ及び品質データをデータベースから取得するデータ抽出ステップと、部分コード情報が持つ値が属する定義域に基づき、抽出された操業データの層別を行うデータ層別ステップと、操業データの層毎に、操業データと品質データとの関係を表す関係式を算出する関係式算出ステップと、部分コード情報が取り得る値の並びを定義域に分割する区切り位置の最適性を評価する評価関数を算出し、評価する評価ステップと、評価関数による評価を用いて区切り位置を最適化し、当該最適化された区切り位置に基づき層別を行う層別実行ステップと、品質予測対象の操業データに付与された文字コード情報に基づいて、品質予測に用いる関係式を選択し、品質予測対象の操業データの品質予測を行う品質予測ステップと、を含む、品質予測方法が提供される。
さらに、上記課題を解決するために、本発明の別の観点によれば、コンピュータを、所定の意味が付与され、それぞれ所定の規則に従って順序付けされている１または複数の部分コード情報からなる文字コード情報が製造プロセスの操業回毎に付与された操業データ及び品質データをデータベースから取得するデータ抽出部と、部分コード情報が持つ値が属する定義域に基づき、抽出された操業データの層別を行うデータ層別部と、操業データの層毎に、操業データと品質データとの関係を表す関係式を算出する関係式算出部と、部分コード情報が取り得る値の並びを定義域に分割する区切り位置の最適性を評価する評価関数を算出し、評価する評価関数算出部と、品質予測対象の操業データに付与された文字コード情報に基づいて、品質予測に用いる関係式を選択し、品質予測対象の操業データの品質予測を行う品質予測部と、を備え、データ層別部は、評価関数算出部による評価を用いて区切り位置を最適化し、当該最適化された区切り位置に基づき層別を行う、品質予測装置として機能させるプログラムが提供される。
また、上記課題を解決するために、本発明の別の観点によれば、コンピュータに、所定の意味が付与され、それぞれ所定の規則に従って順序付けされている１または複数の部分コード情報からなる文字コード情報が製造プロセスの操業回毎に付与された操業データ及び品質データをデータベースから取得するデータ抽出部と、部分コード情報が持つ値が属する定義域に基づき、抽出された操業データの層別を行うデータ層別部と、操業データの層毎に、操業データと品質データとの関係を表す関係式を算出する関係式算出部と、部分コード情報が取り得る値の並びを定義域に分割する区切り位置の最適性を評価する評価関数を算出し、評価する評価関数算出部と、品質予測対象の操業データに付与された文字コード情報に基づいて、品質予測に用いる関係式を選択し、品質予測対象の操業データの品質予測を行う品質予測部と、を備え、データ層別部は、評価関数算出部による評価を用いて区切り位置を最適化し、当該最適化された区切り位置に基づき層別を行う、品質予測装置として機能させるプログラムを記録した、コンピュータ読み取り可能な記録媒体が提供される。
以上説明したように本発明によれば、操業データに付与された記号情報に定義されている順序情報を有効に活用して効率的に上記関係式を算出することができ、当該関係式を用いることで製品の品質を高精度に予測することが可能となる。
以下に添付図面を参照しながら、本発明の好適な実施の形態について詳細に説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複説明を省略する。
＜１．概要＞
本発明の一実施形態に係る品質予測装置は、製造プロセスにおいて、例えばその処理内容または処理目標値等のある意味を表す文字コード情報が製品に付される場合に、当該文字コード情報に基づき製品の操業データを層別し、操業データとこれに対応する品質データとの関係を表す統計モデルを層毎にそれぞれ生成する。これにより、効率的に高精度の統計モデルを生成することが可能となる。そして、統計モデルを用いて品質予測の対象である操業データを品質予測する際に、当該操業データの文字コード情報が属する層の統計モデルを用いることにより、品質予測の精度を高めることができる。
本発明の一実施形態に係る品質予測装置は、製造プロセスにおいて、例えばその処理内容または処理目標値等のある意味を表す文字コード情報が製品に付される場合に、当該文字コード情報に基づき製品の操業データを層別し、操業データとこれに対応する品質データとの関係を表す統計モデルを層毎にそれぞれ生成する。これにより、効率的に高精度の統計モデルを生成することが可能となる。そして、統計モデルを用いて品質予測の対象である操業データを品質予測する際に、当該操業データの文字コード情報が属する層の統計モデルを用いることにより、品質予測の精度を高めることができる。
より詳細には、文字コード情報は、ある意味を持つ１または複数の部分コード情報から構成されている。部分コード情報は、アルファベットや数字等により表される。例えば、溶鋼温度の解析においては、文字コード情報には成品合金成分レベルや成品炭素濃度レベル等を表す材質記号が部分コード情報として含まれている。これらのある要素のレベルを表す部分コード情報は、通常、アルファベットや数字の配列順で各レベルの大きさが表されている。本願発明者らは、鋭意検討の結果、この文字コード情報の構成に着目し、部分コード情報毎に値の配列を区分して、操業データを各部分コード情報に関して層別することを想到した。これにより、操業データをその特徴に応じて効率的に分類することが可能となり、層毎に操業データと品質データとの関係式を算出することで、品質予測精度も向上させることができる。
品質予測装置は、分類された操業データ毎に、操業データと品質データとの関係を表す統計モデルを算出し、評価することを再帰的に繰り返すことで、品質予測対象の操業データ全体に対する統計モデルの精度を最適化する。このように、操業データ全体に対して最適化された統計モデルを用いて、オンラインでの操業データに基づく製品の品質予測処理を行うことで、オンラインでの品質予測の精度を高めることができる。
以下、本実施形態に係る品質予測装置の構成及びその機能について、詳細に説明していく。
＜２．品質予測装置の構成＞
まず、図１に基づいて、本実施形態に係る品質予測装置１００の機能構成について説明する。なお、図１は、本実施形態に係る品質予測装置１００の機能構成を示す機能ブロック図である。本実施形態に係る品質予測装置１００は、図１に示すように、データ抽出部１１０と、階層的層別最適化部１２０と、データ入力部１３０と、予測処理部１４０と、出力部１５０とを備える。データ抽出部１１０及び階層的層別最適化部１２０は、オンラインでの品質予測を行うための関係式を算出する事前処理を行う第１処理部１０２であり、データ入力部１３０、予測処理部１４０及び出力部１５０は、オンラインで品質予測を行う第２処理部１０４である。
まず、図１に基づいて、本実施形態に係る品質予測装置１００の機能構成について説明する。なお、図１は、本実施形態に係る品質予測装置１００の機能構成を示す機能ブロック図である。本実施形態に係る品質予測装置１００は、図１に示すように、データ抽出部１１０と、階層的層別最適化部１２０と、データ入力部１３０と、予測処理部１４０と、出力部１５０とを備える。データ抽出部１１０及び階層的層別最適化部１２０は、オンラインでの品質予測を行うための関係式を算出する事前処理を行う第１処理部１０２であり、データ入力部１３０、予測処理部１４０及び出力部１５０は、オンラインで品質予測を行う第２処理部１０４である。
（データ抽出部）
データ抽出部１１０は、データベース１０に蓄積された製造プロセスにおける操業データから、所定の操業データおよび品質データを抽出する。データベース１０には、実績データとして、操業データの実績値（以下、単に「操業データ」ともいう。）とその品質データとが蓄積されている。操業データは、操業に関する情報を表す１または複数の記号（以下、「部分コード情報」ともいう。）を組み合わせて構成されている文字コード情報を含む。すなわち、操業データには、文字コード情報の値を示す文字コード情報変数データと、操業の各種実績値を表す数値変数データとが含まれている。
データ抽出部１１０は、データベース１０に蓄積された製造プロセスにおける操業データから、所定の操業データおよび品質データを抽出する。データベース１０には、実績データとして、操業データの実績値（以下、単に「操業データ」ともいう。）とその品質データとが蓄積されている。操業データは、操業に関する情報を表す１または複数の記号（以下、「部分コード情報」ともいう。）を組み合わせて構成されている文字コード情報を含む。すなわち、操業データには、文字コード情報の値を示す文字コード情報変数データと、操業の各種実績値を表す数値変数データとが含まれている。
データ抽出部１１０は、例えば、操業データと品質データとの関係を表す関係式を構築するために用いる操業データ及び品質データを抽出する。これらの実績データを、以下では「学習用データ」と称する。データ抽出部１１０は、学習用データとして、例えばＮ回分の実績データをデータベース１０から抽出する。なお、ｎ回目（１≦ｎ≦Ｎ）の操業における操業データをベクトル変数ｘｎで表し、同じ操業回の品質データをスカラ変数ｙｎで表すとする。また、同じ操業回においてデータ層別に用いる文字コード情報変数をＳｎで表す。文字コード情報は、Ｍ桁の記号（文字または数字）で表されるものとする。
また、データ抽出部１１０は、構築した関係式の推定精度を検証するための検証用データを、データベース１０から抽出してもよい。検証用データは、例えば、学習用データ以外の実績データを用いてもよい。学習用データとして用いられなかった新規の操業データを検証用データとすることで、構築した関係式の頑健性を検証することができる。なお、検証用データのデータ形式は、関係式を構築するために用いた学習用データと同一形式とする。
データ抽出部１１０により抽出されたデータは、階層的層別最適化部１２０へ出力される。
（階層的層別最適化部）
階層的層別最適化部１２０は、データ抽出部１１０により抽出された操業データを層別し、操業データと品質データとの関係式を算出する。階層的層別最適化部１２０は、図１に示すように、データ層別部１２１と、関係式算出部１２３と、評価関数算出部１２５とからなる。
階層的層別最適化部１２０は、データ抽出部１１０により抽出された操業データを層別し、操業データと品質データとの関係式を算出する。階層的層別最適化部１２０は、図１に示すように、データ層別部１２１と、関係式算出部１２３と、評価関数算出部１２５とからなる。
（ａ）データ層別部
データ層別部１２１は、操業データに含まれる文字コード情報Ｓに基づいて、操業データを層別する。文字コード情報Ｓは、１桁あるいは複数桁で表されるｍ個の部分コード情報を組み合わせて構成されている。部分コード情報には、それぞれ予め設定された操業上の意味が付与されている。データ層別部１２１は、部分コード情報の意味に従って、当該部分コード情報が持つ値が属する定義域に基づき、文字コード情報を各部分コード情報で区分する。部分コード情報は、予め設定された順位を有しており、例えば文字コード情報の桁順序、あるいは部分コード情報が表す操業の一連の処理における項目の操作順序等の順位を有する。部分コード情報を表す記号は、予め設定された順序を有するものとする。記号の順序は、例えば辞書順、数字順等で設定してもよい。
データ層別部１２１は、操業データに含まれる文字コード情報Ｓに基づいて、操業データを層別する。文字コード情報Ｓは、１桁あるいは複数桁で表されるｍ個の部分コード情報を組み合わせて構成されている。部分コード情報には、それぞれ予め設定された操業上の意味が付与されている。データ層別部１２１は、部分コード情報の意味に従って、当該部分コード情報が持つ値が属する定義域に基づき、文字コード情報を各部分コード情報で区分する。部分コード情報は、予め設定された順位を有しており、例えば文字コード情報の桁順序、あるいは部分コード情報が表す操業の一連の処理における項目の操作順序等の順位を有する。部分コード情報を表す記号は、予め設定された順序を有するものとする。記号の順序は、例えば辞書順、数字順等で設定してもよい。
文字コード情報Ｓに含まれる部分コード情報について、第ｉ部分の部分コード情報を第ｉ部分コード情報Ｔｉとする。データ層別部１２１は、操業データが入力されると、操業データに含まれる文字コード情報について、各部分コード情報を表す記号の種類を数え、第ｉ部分コード情報Ｔｉを表す記号の種類の数をｄｉで表す。ｄｉの値は、第ｉ部分全てに共通の同一値としてもよく、階層的層別の１つ上の層の部分コード情報毎に異なる値としてもよい。
すなわち、文字コード情報Ｓ及び第ｉ部分コード情報Ｔｉは、下記式（１）、（２）で表される。
ここで、文字コード情報Ｓと部分コード情報Ｔｉとについて、図２に示す具体例に沿って説明する。図２は、文字コード情報の階層的層別手順を示す説明図である。図２に示すように、Ａ１〜Ａ４の４つの文字（アルファベットや数字）からなる文字コード情報Ｓがあるとする。文字Ａ１は第１部分コード情報Ｔ１を表し、文字Ａ２は第２部分コード情報Ｔ２を表し、文字Ａ３、Ａ４は２桁で第３部分コード情報Ｔ３を表している。すなわち、文字コード情報Ｓには、３つの部分コード情報が含まれている（ｍ＝３）。
また、各部分コード情報に含まれる記号の種類の数は、第１部分コード情報Ｔ１は「Ａ」、「Ｆ」、「Ｐ」の３個（ｄ１＝３）である。第２部分コード情報Ｔ２及び第３部分コード情報Ｔ３については、本例ではそれぞれ１つ上の層の部分コード情報によって変化している。例えば、第２部分コード情報Ｔ２は、第１部分コード情報Ｔ１が「Ａ」であった場合には１１個（ｄ２＝１１）となる。また、第３部分コード情報Ｔ３は、第２部分コード情報Ｔ２が「Ｂ」〜「Ｄ」であった場合には７個（ｄ３＝７）、第２部分コード情報Ｔ２が「Ｅ」〜「Ｎ」であった場合には８個（ｄ３＝８）、第２部分コード情報Ｔ２が「Ｗ」、「Ｙ」であった場合には６個（ｄ３＝６）となる。
また、各部分コード情報Ｔ１〜Ｔ３が表す記号の意味は、アルファベット順または数字順に設定されている。例えば、第１部分コード情報Ｔ１は、アルファベットの記号であるが、「Ａ」、「Ｆ」、「Ｐ」のようにアルファベット順に配列されている。上記式（２）に当てはめると、ｔ１１＝「Ａ」、ｔ１２＝「Ｆ」、ｔ１ｄ１＝ｔ１３＝「Ｐ」となる。第２部分コード情報Ｔ２、第３部分コード情報Ｔ３も同様に設定されている。
データ層別部１２１は、部分コード情報Ｔｉを、各々が連続する記号からなる最大μｉ個の部分集合に分割する。これは、最大μｉ−１個の区切りを、部分コード情報Ｔｉの任意の記号間に挿入し、部分コード情報Ｔｉの記号を分割することにあたる。区切りの個数の最大値μｉは、例えば、部分コード情報Ｔｉに対する品質データの分布から、操業経験等をもとに決定される。なお、区切りの挿入位置は重複してもよく、実質的には記号が分割されない位置（すなわち、最上位の記号の左側または最下位の記号の右側）に区切りが挿入されてもよい。したがって、部分コード情報Ｔｉの種類の分割個数は、最少の場合０個である。ここで、第ｉ部分コード情報Ｔｉについてμｉ−１個の区切りの位置を表す整数値ｓｉｊからなるベクトル変数をｓｉで表し、これを区切り位置変数と呼ぶことにする。すなわち、ｓｉは下記式（３）で表される。
部分コード情報の記号ｔｉｋは、部分コード情報Ｔｉを表す記号を添え字ｋの順に並べたときに、ｓｉｊ−１＋１番目からｓｉｊ番目にあたる部分集合Ｔｉｊに分割される。ただし、ｓｉ０＝０、ｓｉμｉ＝∞とする。データ層別部１２１は、分割Ｔｉｊに基づき、初期データの集合をνｉ個に層別する。このとき、上述したように最大μｉ−１個の区切りの挿入位置は重複を許すので、実際の層別数は必ずしもμｉ個にはならない。本実施形態においては、部分コード情報Ｔｉが持つ値の並びを区切り位置で区分して特定される部分集合を「定義域」と称する。例えば、図２の第２部分コード情報Ｔ２の各値は、「Ｂ〜Ｄ」、「Ｅ〜Ｎ」、「Ｗ〜Ｙ」の３つの定義域に属している。データ層別部１２１は、値が属する定義域に基づいて、部分コード情報を層別していく。
データ層別部１２１は、初期データを部分コード情報Ｔｉと区切り変数ｓｉとにより特定される定義域に基づいてデータを層別し、各層に属する操業データを部分コード情報Ｔｉ＋１による分割の初期データとして設定することを再帰的に繰り返して層別の個数を増やしてもよい。この層別の方法は、図２の木構造で表される。最下位まで文字コード情報を部分コード情報に分割すると、文字コード情報全体は、第１部分コード情報Ｔ１からたどって順に部分コード情報毎の分割に従って枝分かれすることから、本明細書ではこの方法を階層的層別方法と呼ぶことにする。
図３は、図２に示す文字コード情報の階層的層別結果を示す説明図である。図３は、第１部分コード情報Ｔ１が「Ａ」の場合の階層的層別結果を整理したものであり、第２部分コード情報Ｔ２の該当する記号を分割した結果生成された定義域（各定義域を“｜”で区切り表示）と、各第２部分コード情報Ｔ２の分割に対して第３部分コード情報Ｔ３の該当する記号を同様に分割した結果生成された定義域を模式的に表している。
なお、図２の例では、第１部分コード情報Ｔ１から最下位の部分コード情報まで順にたどったときの操業データ全体を層別したが、本発明はかかる例に限定されない。例えば、操業知見等から適切と判断されれば、例えば、初期データを第ｉ部分コード情報Ｔｉの分割ｊに該当するものに限ることで、一部のデータだけの階層的層別を深めることが可能となる。あるいは、階層的層別の再帰的処理は、必ずしも部分コード情報の最下位まで実行しなくともよく、途中順位までで再帰的処理を止めることで層別の個数を減らしてもよい。
データ層別部１２１により操業データが層別されると、操業データの層別結果が関係式算出部１２３に出力される。なお、データ層別部１２１により設定された、部分コード情報が取り得る値の並びを定義域に分割する区切り位置は、後述する評価関数算出部１２５により、その最適性が評価される。データ層別部１２１は、その評価に基づき最適化された区切り位置に基づいて、最終的な層別を行う。
（ｂ）関係式算出部
関係式算出部１２３は、データ抽出部１１０により抽出された操業データと品質データとの関係式ｆを統計的に算出する。関係式算出に用いられるデータは、データ層別部１２１により層別された、各々の層に属するデータに限られる。操業データｘｎと品質データｙｎとの関係式を表す関数ｆは、下記式（４）のようにパラメータθｋと文字コード情報Ｓｎを用いて表される。ここで、文字コード情報Ｓｎは、層別の結果、ｋ番目のデータ層Ｌｋに含まれるものとする。パラメータθｋは、関係式ｆのパラメータが、文字コード情報Ｓｎが属するデータ層ｋに対応する値であることを表す。
関係式算出部１２３は、データ抽出部１１０により抽出された操業データと品質データとの関係式ｆを統計的に算出する。関係式算出に用いられるデータは、データ層別部１２１により層別された、各々の層に属するデータに限られる。操業データｘｎと品質データｙｎとの関係式を表す関数ｆは、下記式（４）のようにパラメータθｋと文字コード情報Ｓｎを用いて表される。ここで、文字コード情報Ｓｎは、層別の結果、ｋ番目のデータ層Ｌｋに含まれるものとする。パラメータθｋは、関係式ｆのパラメータが、文字コード情報Ｓｎが属するデータ層ｋに対応する値であることを表す。
上記式（４）に示す関数ｆは、ｘの１次式、多項式、またはニューラルネットワーク等、ｘに対して出力ｙが一意に定まる関係を表すものであればよい。また、関数ｆの数学的表現がパラメータθｋに依存してもよく、そのような場合であっても以下では式（４）の表現を用いる。
関数ｆのパラメータθｋは、関係式を構築するために予め用意された学習用データのデータ層ｋに属するデータを用いて決定される。パラメータθｋの決定方法は、例えば下記式（５）に示すような、関係式のモデルを表す関数ｆと実績データを用いた品質データの推定値と実績値の誤差二乗和に関する最小二乗法を適用してもよい。
例えば、本実施形態に係る品質予測装置１００を用いて、製鋼工程における溶鋼温度予測を行う場合を考える。このとき、次精錬処理中溶鋼温度降下量を品質データとし、転炉投入合金量、溶鋼温度、溶鋼温度、溶鋼成分、処理設備間取鍋搬送時間、出鋼前の取鍋状態を表す物理量ｘｎ，ｉ（ｉ＝１，．．．，ｌ）とするベクトルを操業データｘｎとし、関係式のモデルを表す関数ｆを下記式（６）の線形回帰式で表すものとする。つまり、パラメータθｋ，ｉは操業データ変数ｘｎ，ｉに対する回帰係数である。
このとき、式（６）の二乗誤差の最小化するパラメータθｋ，ｉの算出（最小二乗法）は、下記式（７）の正規方程式を解くことに等しい。Ｎｋは、データ層ｋに存在する操業データの数（Ｎｋ回分の操業データが存在する）を示す。
さらに、新規データに対する予測誤差をできるだけ小さくするために、説明変数ｘｎとして用いる実績データの項目を、式（７）を解いて得られるパラメータθｋ，ｉｊについて赤池情報量規準ＡＩＣ（Akaike Information Criteria）を最小化するように選択してもよい。関数ｆのモデルが線形回帰式（７）の場合、赤池情報量規準ＡＩＣは、下記式（８）で表される。
ここで、赤池情報量規準ＡＩＣの最適化には、例えば、パラメータ数の増減と関係式パラメータの計算とを繰り返すステップワイズ法等を用いればよい。また、赤池情報量規準ＡＩＣ以外の情報量規準として、例えばＢＩＣ（Bayse Information Criteria）等を用いてもよい。
操業データと品質データとの関係が非線形であると推測される場合には、関係式のモデルを表す関数ｆとしてサポートベクトル回帰やニューラルネットワーク等の非線形回帰手法を用いてもよい。また、品質データが疵個数等の計数値データである場合は、または合格個数等の判別値データである場合には、関数ｆのモデルを、品質データが従う離散値確率分布を仮定した最尤法による一般化線形回帰モデル（ＧＬＭ：Generalized Linear Model）等を用いてもよい。
（ｃ）評価関数算出部
評価関数算出部１２５は、データ層別部１２１による操業データの層別結果の少なくとも一部の層に属する検証用データに対して、与えられた関係式モデルと操業データとを用いて品質データを予測し、その予測精度の評価を行う評価関数を計算する。すなわち、評価関数算出部１２５は、部分コード情報が取り得る値の並びを定義域に分割する区切り位置の最適性を評価する評価関数を算出する。ここで、評価関数は、関係式モデルのパラメータを用いて、層ｋ毎に検証用データの操業データｘｎと品質データｙｎとを用いた予測誤差二乗和の値を計算し、さらに与えられた検証用データが属する層すべてについて予測誤差二乗和を合計した値を予測精度として算出する関数である。関係式モデルのパラメータが、層ｋ毎にθｋとして与えられている場合、評価関数Ｖの値は、下記式（９）で表される。ただし、Ｓｎ∈Ｌｋは、ｎ回目の操業データにおける文字コード情報による層別結果がデータ層ｋ（ｋ＝１，・・・，νｉ）に属することを意味する。
評価関数算出部１２５は、データ層別部１２１による操業データの層別結果の少なくとも一部の層に属する検証用データに対して、与えられた関係式モデルと操業データとを用いて品質データを予測し、その予測精度の評価を行う評価関数を計算する。すなわち、評価関数算出部１２５は、部分コード情報が取り得る値の並びを定義域に分割する区切り位置の最適性を評価する評価関数を算出する。ここで、評価関数は、関係式モデルのパラメータを用いて、層ｋ毎に検証用データの操業データｘｎと品質データｙｎとを用いた予測誤差二乗和の値を計算し、さらに与えられた検証用データが属する層すべてについて予測誤差二乗和を合計した値を予測精度として算出する関数である。関係式モデルのパラメータが、層ｋ毎にθｋとして与えられている場合、評価関数Ｖの値は、下記式（９）で表される。ただし、Ｓｎ∈Ｌｋは、ｎ回目の操業データにおける文字コード情報による層別結果がデータ層ｋ（ｋ＝１，・・・，νｉ）に属することを意味する。
一方、関係式モデルが、検証用データが属するデータ層すべてに共通する値θ０の場合には、評価関数Ｖ０は下記式（１０）で表される。
階層的層別最適化部１２０では、データ層別部１２１による層別結果に基づき分類された操業データ毎に、評価関数算出部１２５による評価を行い、オンラインで品質予測を行うための関係式を最適化する。なお、階層的層別の最適化処理の詳細については後述する。階層的層別最適化部１２０で最終的に得られた関係式を用いて、オンラインで品質予測を行う第２処理部１０４は品質予測を行う。
（データ入力部）
データ入力部１３０は、対象とするプロセスの操業において、ある操業回の開始前に関係式モデルの説明変数候補となる操業予定データの入力を受ける。操業予定データには、文字コード情報が含まれているものとする。
データ入力部１３０は、対象とするプロセスの操業において、ある操業回の開始前に関係式モデルの説明変数候補となる操業予定データの入力を受ける。操業予定データには、文字コード情報が含まれているものとする。
（予測処理部）
予測処理部１４０は、データ入力部１３０から入力された操業予定データにつき、品質予測を行う処理部であり、図１に示すように、関係式選択部１４１と、品質予測部１４３とを備える。
予測処理部１４０は、データ入力部１３０から入力された操業予定データにつき、品質予測を行う処理部であり、図１に示すように、関係式選択部１４１と、品質予測部１４３とを備える。
（ａ）関係式選択部
関係式選択部１４１は、データ入力部１３０から入力された操業予定データに含まれる文字コード情報に基づいて、操業予定データの評価に用いる関係式を選択する。関係式選択部１４１は、関係式算出部１２３にて算出された関係式から、操業予定データの文字コード情報が該当するデータ層を決定し、該当する関係式を選択する。
関係式選択部１４１は、データ入力部１３０から入力された操業予定データに含まれる文字コード情報に基づいて、操業予定データの評価に用いる関係式を選択する。関係式選択部１４１は、関係式算出部１２３にて算出された関係式から、操業予定データの文字コード情報が該当するデータ層を決定し、該当する関係式を選択する。
（ｂ）品質予測部
品質予測部１４３は、関係式選択部１４１により選択された関係式に基づいて、操業予定データを評価し、品質予測を行う。なお、関係式の説明変数項目には、操業前に取得することが難しいものもある。この場合、例えば過去の実績や操業予定スケジュールに基づいた予定値等に基づいて、この操業回における品質データの予測値を算出する。具体的には、例えば、製造プロセスにおける成分濃度、温度、または投入原料原単位等、物理化学的処理に関する値が含まれている場合は、この操業回が属する層別におけるその平均値を説明変数項目の値として用いてもよい。また、説明変数に操業中の経過時間が含まれている場合には、操業予定スケジュールに基づいた予定値を説明変数項目の値として用いてもよい。
品質予測部１４３は、関係式選択部１４１により選択された関係式に基づいて、操業予定データを評価し、品質予測を行う。なお、関係式の説明変数項目には、操業前に取得することが難しいものもある。この場合、例えば過去の実績や操業予定スケジュールに基づいた予定値等に基づいて、この操業回における品質データの予測値を算出する。具体的には、例えば、製造プロセスにおける成分濃度、温度、または投入原料原単位等、物理化学的処理に関する値が含まれている場合は、この操業回が属する層別におけるその平均値を説明変数項目の値として用いてもよい。また、説明変数に操業中の経過時間が含まれている場合には、操業予定スケジュールに基づいた予定値を説明変数項目の値として用いてもよい。
（出力部）
出力部１５０は、品質予測部１４３による品質予測結果をオペレータ等に通知するための通知部である。出力部１５０は、例えば、液晶ディスプレイや有機ＥＬディスプレイ等を用いることができる。
出力部１５０は、品質予測部１４３による品質予測結果をオペレータ等に通知するための通知部である。出力部１５０は、例えば、液晶ディスプレイや有機ＥＬディスプレイ等を用いることができる。
以上、本実施形態に係る品質予測装置１００の機能構成について説明した。
＜３．階層的層別の最適化処理＞
以下、図４に基づいて、品質予測装置１００の階層的層別最適化部１２０による階層的層別の最適化処理について説明する。なお、図４は、本実施形態に係る階層的層別の最適化処理を示すフローチャートである。図４の処理は、区切り位置変数ｓｉにおける成分組み合わせを式（９）の評価関数に基づき最適化して決定された層別に対する評価を行うものである。
以下、図４に基づいて、品質予測装置１００の階層的層別最適化部１２０による階層的層別の最適化処理について説明する。なお、図４は、本実施形態に係る階層的層別の最適化処理を示すフローチャートである。図４の処理は、区切り位置変数ｓｉにおける成分組み合わせを式（９）の評価関数に基づき最適化して決定された層別に対する評価を行うものである。
層別前のデータに対して、関係式算出部１２３により操業データと品質データの間の最適関係式モデルパラメータを算出し、評価関数算出部１２５により予測精度評価値を算出してＶ０で表す。なお、以下の説明において検証用データを用いて行う処理については、検証用データの代わりに学習用データを用いて行ってもよい。
本実施形態では、シミュレーティッド・アニーリング法（以下、「ＳＡ法」とする。）（数理計画入門，システム制御情報学会編，福島雅夫著，朝倉書店，ｐ１６２）を用いて、図４に示す処理に沿って、第ｉ部分コード情報に関する分割を、検証用データに対する予測精度により最適化する。
まず、データ層別部１２１は、データ抽出部１１０から学習用データが入力されると、初期値設定を行う（Ｓ１００）。初期値の設定では、繰り返し回数ｔをｔ＝１に設定する。また、第ｉ部分コード情報について予め設定された最大分割個数μｉに対する区切り位置変数候補ｓｉ（１）のμｉ−１個の成分を乱数により設定する。ここで、ｓｉ（１）は、ｔ＝１における値を意味する。また、区切り位置変数ｓｉ ＊をｓｉ ＊＝ｓｉ（１）とする。ここで、ｓｉ ＊はｓｉの最適解あるいはその暫定解を表す。また、区切り位置変数ｓｉ ＊で定まる文字コード情報の分割Ｌ１，・・・，Ｌνｉへの分割結果を用いて、上記式（９）により算出した評価関数値をＶ＊とする。
次いで、データ層別部１２１は、ステップＳ１００にて設定した区切り位置変数候補ｓｉ（ｔ）により第ｉ部分コード情報を分割する（Ｓ１０２）。そして、データ層別部１２１により、各分割に属する学習用データをデータベース１０から抽出し、関係式算出部１２３によりデータ層ｋとみなして新たな関係式パラメータθｋ（ｔ）を算出する（Ｓ１０４）。さらに、データ層別部１２１により、各分割に属する検証用データをデータベース１０から抽出し、評価関数算出部１２５により、予測精度評価値Ｖｋ（ｔ）を算出する（Ｓ１０６）。
その後、評価関数算出部１２５は、Ｖ（ｔ）とＶ＊とを比較する（Ｓ１０８）。Ｖ（ｔ）がＶ＊以下であれば、区切り位置変数をｓｉ ＊＝ｓｉ（ｔ）で更新する（Ｓ１１４）。一方、ステップＳ１０８にて、Ｖ（ｔ）がＶ＊より大きいと判定された場合には、まず、下記式（１１）で算出する確率ｐ（ｔ）に対し、０から１の間で一様分布をとる乱数ｑを発生させる（Ｓ１１０）。式（１１）のαは温度パラメータと呼ばれる定数で正の値で任意に設定される。また、区切り位置の評価値の最適値Ｖ＊は、ｓｉ ＊に対する予測誤差評価値とする。
そして、乱数ｑと確率ｐ（ｔ）とを比較し（Ｓ１１２）、乱数ｑが確率ｐ（ｔ）以下ならばｓｉ（ｔ）を採用してｓｉ ＊＝ｓｉ（ｔ）とする（Ｓ１１４）。一方、ステップＳ１１２にて乱数ｑがｐ（ｔ）より大きければｓｉ ＊は更新せず、ステップＳ１１６の処理へ進む。
データ層別部１２１は、ステップＳ１０２〜Ｓ１１４の最適化処理を打ち切るか否かを判定する（Ｓ１１６）。最適化処理の打ち切りは、例えば、繰り返し回数ｔが所定の繰り返し回数設定値に到達した場合、または、ｓｉ ＊を更新しない繰り返しが所定回数以上続いた場合の少なくともいずれか一方を満たしたときに行う。上記の最適化処理の打ち切りの用件を満たさない場合には、データ層別部１２１は、区切り位置変数ｓｉ ＊の一つの成分を乱数を用いて等確率で選択し、その成分の区切り位置の値を０からｄｉまでの整数を等確率で選択して更新する。そして、データ層別部１２１は、更新した結果を区切り位置変数候補ｓｉ（ｔ＋１）とし、繰返し回数ｔを１つ増やして（Ｓ１１８）、ステップＳ１０２からの処理を再度実行する。
一方、最適化処理の打ち切りの要件を満たした場合には、Ｖ０とＶ＊とを比較する（Ｓ１２０）。そして、区切り位置の評価値の最適値Ｖ＊がＶ０より小さい場合には、ｓｉ ＊による部分コード情報の分割を採用し、文字コード情報によるデータの層別及び層毎の関係式は、上記第ｉ部分コード情報までによる階層的層別で得られたものを用いる（Ｓ１２２）。一方、区切り位置の評価値の最適値Ｖ＊がＶ０以上の場合には、最適化した区切り位置変数最適値ｓｉ ＊は破棄し、第ｉ部分コード情報は分割せず、文字コード情報によるデータの層別と層ごとの関係式は第ｉ−１部分コード情報までによる階層的層別で得られたものを用いる（Ｓ１２４）。
以上の処理により、新規データに対する関係式の予測精度を最適化する文字コード情報によるデータの層別を実施することができる。
なお、区切り位置の最適化においては、ローカルサーチを用いてもよい。また、局所最適解に陥ることを防ぐために、本実施形態で示したＳＡ法または遺伝的アルゴリズム（ＧＡ）法等を用いてもよい。区切り位置候補の総数が少なく、全数探索の計算時間が許容される場合には、全数探索を行ってもよい。
そして、図４に示す区切り位置変数と関係式モデルパラメータの最適化処理において、部分コード情報の順位に従い、再帰的に層別と関係式モデルの最適化とを繰り返すと、図２に示したような階層的層別を最適化することができる。この場合、図４に示す処理は、部分コード情報が最下位に到達するまで、部分コード情報の順位ｉを１ずつ増やして繰り返し実行される。
＜４．品質予測装置のハードウェア構成例＞
次に、図５を参照しながら、本発明の実施形態に係る品質予測装置１００のハードウェア構成について、詳細に説明する。図５は、本発明の実施形態に係る品質予測装置１００のハードウェア構成例を示すブロック図である。
次に、図５を参照しながら、本発明の実施形態に係る品質予測装置１００のハードウェア構成について、詳細に説明する。図５は、本発明の実施形態に係る品質予測装置１００のハードウェア構成例を示すブロック図である。
品質予測装置１００は、主に、ＣＰＵ９０１と、ＲＯＭ９０３と、ＲＡＭ９０５と、を備える。また、品質予測装置１００は、更に、バス９０７と、入力装置９０９と、出力装置９１１と、ストレージ装置９１３と、ドライブ９１５と、接続ポート９１７と、通信装置９１９とを備える。
ＣＰＵ９０１は、演算処理装置および制御装置として機能し、ＲＯＭ９０３、ＲＡＭ９０５、ストレージ装置９１３、またはリムーバブル記録媒体９２１に記録された各種プログラムに従って、品質予測装置１００内の動作全般またはその一部を制御する。ＲＯＭ９０３は、ＣＰＵ９０１が使用するプログラムや演算パラメータ等を記憶する。ＲＡＭ９０５は、ＣＰＵ９０１が使用するプログラムや、プログラムの実行において適宜変化するパラメータ等を一次記憶する。これらはＣＰＵバス等の内部バスにより構成されるバス９０７により相互に接続されている。
バス９０７は、ブリッジを介して、ＰＣＩ（Ｐｅｒｉｐｈｅｒａｌ Ｃｏｍｐｏｎｅｎｔ Ｉｎｔｅｒｃｏｎｎｅｃｔ／Ｉｎｔｅｒｆａｃｅ）バスなどの外部バスに接続されている。
入力装置９０９は、例えば、マウス、キーボード、タッチパネル、ボタン、スイッチおよびレバーなどユーザが操作する操作手段である。また、入力装置９０９は、例えば、赤外線やその他の電波を利用したリモートコントロール手段（いわゆる、リモコン）であってもよいし、品質予測装置１００の操作に対応したＰＤＡ等の外部接続機器９２３であってもよい。さらに、入力装置９０９は、例えば、上記の操作手段を用いてユーザにより入力された情報に基づいて入力信号を生成し、ＣＰＵ９０１に出力する入力制御回路などから構成されている。品質予測装置１００のユーザは、この入力装置９０９を操作することにより、品質予測装置１００に対して各種のデータを入力したり処理動作を指示したりすることができる。
出力装置９１１は、取得した情報をユーザに対して視覚的または聴覚的に通知することが可能な装置で構成される。このような装置として、ＣＲＴディスプレイ装置、液晶ディスプレイ装置、プラズマディスプレイ装置、ＥＬディスプレイ装置およびランプなどの表示装置や、スピーカおよびヘッドホンなどの音声出力装置や、プリンタ装置、携帯電話、ファクシミリなどがある。出力装置９１１は、例えば、品質予測装置１００が行った各種処理により得られた結果を出力する。例えば、表示装置は、品質予測装置１００が行った各種処理により得られた結果を、テキストまたはイメージで表示する。また、例えば音声出力装置は、再生された音声データや音響データ等からなるオーディオ信号をアナログ信号に変換して出力する。
ストレージ装置９１３は、品質予測装置１００の記憶部の一例として構成されたデータ格納用の装置である。ストレージ装置９１３は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）等の磁気記憶部デバイス、半導体記憶デバイス、光記憶デバイス、または光磁気記憶デバイス等により構成される。このストレージ装置９１３は、ＣＰＵ９０１が実行するプログラムや各種データ、および外部から取得した各種のデータなどを格納する。
ドライブ９１５は、記録媒体用リーダライタであり、品質予測装置１００に内蔵、あるいは外付けされる。ドライブ９１５は、装着されている磁気ディスク、光ディスク、光磁気ディスク、または半導体メモリ等のリムーバブル記録媒体９２１に記録されている情報を読み出して、ＲＡＭ９０５に出力する。また、ドライブ９１５は、装着されている磁気ディスク、光ディスク、光磁気ディスク、または半導体メモリ等のリムーバブル記録媒体９２１に記録を書き込むことも可能である。リムーバブル記録媒体９２１は、例えば、ＣＤメディア、ＤＶＤメディア、Ｂｌｕ−ｒａｙ（登録商標）メディア等である。また、リムーバブル記録媒体９２１は、コンパクトフラッシュ（登録商標）（ＣｏｍｐａｃｔＦｌａｓｈ：ＣＦ）、フラッシュメモリ、または、ＳＤメモリカード（Ｓｅｃｕｒｅ Ｄｉｇｉｔａｌ ｍｅｍｏｒｙ ｃａｒｄ）等であってもよい。また、リムーバブル記録媒体９２１は、例えば、非接触型ＩＣチップを搭載したＩＣカード（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ ｃａｒｄ）または電子機器等であってもよい。
接続ポート９１７は、機器を品質予測装置１００に直接接続するためのポートである。接続ポート９１７の一例として、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）ポート、ＩＥＥＥ１３９４ポート、ＳＣＳＩ（Ｓｍａｌｌ Ｃｏｍｐｕｔｅｒ Ｓｙｓｔｅｍ Ｉｎｔｅｒｆａｃｅ）ポート、ＲＳ−２３２Ｃポート等がある。この接続ポート９１７に外部接続機器９２３を接続することで、品質予測装置１００は、外部接続機器９２３から直接各種のデータを取得したり、外部接続機器９２３に各種のデータを提供したりする。
通信装置９１９は、例えば、通信網９２５に接続するための通信デバイス等で構成された通信インタフェースである。通信装置９１９は、例えば、有線または無線ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、Ｂｌｕｅｔｏｏｔｈ（登録商標）、またはＷＵＳＢ（Ｗｉｒｅｌｅｓｓ ＵＳＢ）用の通信カード等である。また、通信装置９１９は、光通信用のルータ、ＡＤＳＬ（Ａｓｙｍｍｅｔｒｉｃ Ｄｉｇｉｔａｌ Ｓｕｂｓｃｒｉｂｅｒ Ｌｉｎｅ）用のルータ、または、各種通信用のモデム等であってもよい。この通信装置９１９は、例えば、インターネットや他の通信機器との間で、例えばＴＣＰ／ＩＰ等の所定のプロトコルに則して信号等を送受信することができる。また、通信装置９１９に接続される通信網９２５は、有線または無線によって接続されたネットワーク等により構成され、例えば、インターネット、家庭内ＬＡＮ、赤外線通信、ラジオ波通信または衛星通信等であってもよい。
以上、本発明の実施形態に係る品質予測装置１００の機能を実現可能なハードウェア構成の一例を示した。上記の各構成要素は、汎用的な部材を用いて構成されていてもよいし、各構成要素の機能に特化したハードウェアにより構成されていてもよい。従って、本実施形態を実施する時々の技術レベルに応じて、適宜、利用するハードウェア構成を変更することが可能である。
＜５．まとめ＞
以上、本実施形態に係る品質予測装置１００とその機能について説明した。本実施形態によれば、製造プロセスの品質データを目的変数とするモデル式で算出する場合に、プロセスの操業回毎に付与される文字コード情報を用いたデータ層別と新規操業データに対する品質データの予測精度とを最適化することができる。これにより、プロセスの各操業回開始前に、その時点で得られるプロセスの操業特徴を表す文字コード情報による最適なモデルの選択を行い、プロセスの該操業回の開始前から品質データを精度よく予測することができるようになる。したがって、操業の安定化、操業における操作変数の指示値の最適化が可能となる。
以上、本実施形態に係る品質予測装置１００とその機能について説明した。本実施形態によれば、製造プロセスの品質データを目的変数とするモデル式で算出する場合に、プロセスの操業回毎に付与される文字コード情報を用いたデータ層別と新規操業データに対する品質データの予測精度とを最適化することができる。これにより、プロセスの各操業回開始前に、その時点で得られるプロセスの操業特徴を表す文字コード情報による最適なモデルの選択を行い、プロセスの該操業回の開始前から品質データを精度よく予測することができるようになる。したがって、操業の安定化、操業における操作変数の指示値の最適化が可能となる。
また、層別と品質データ予測精度の最適化において、関係式モデルのパラメータ最適化に用いる学習用データに対し、別の操業回で得た操業実績による検証用データを用いてモデルの予測精度評価することで、実際の操業において本実施形態に係る方法で算出したモデルを適用する際に品質データを精度よく予測することが可能になる。
さらに、部分コード情報の分割において、部分コード情報の記号が持つ意味により順序付けし、階層的にこの順序の区切り位置を表す区切り位置変数の最適値をシミュレーティド・アニーリング法で探索することで、多くの記号の組み合わせの中から効率的に品質データの予測精度を向上させるデータ層別を決定することが可能となる。
図６〜図１１に基づいて、上記実施形態にて説明した品質予測装置を、製鋼工程における溶鋼温度予測モデルを対象に適用した例について説明する。対象とする製鋼工程は、転炉、２次精錬（ＲＨ）、連続鋳造の順に溶鋼の成分を調整し凝固させて鋳片を製造するプロセスである。本実施例では、上記実施形態にて説明した品質予測装置を２次精錬処理中の溶鋼温度降下量を転炉吹錬開始前に予測するモデルに適用した。
本実施例では、データベースから抽出したモデルの構築に用いる学習用データのサンプル数は２２２１点であった。また、検証用データは、上記モデル構築に用いた学習用データの収集時期以降に蓄積された１０９２点のデータとした。回帰モデル計算では、両モデルとも図６に示す１９個の操業データを説明変数候補とした。品質データは、２次精錬処理中の溶鋼温度の降下量（開始時温度−終了時温度の値）とした。
各操業回のデータには、アルファベットと数字からなる４桁の材質記号と呼ばれる文字コード情報が付されている。１桁目は転炉における出鋼中処理を表すアルファベット、２桁目は成品の目標合金レベルを表すアルファベット、３〜４桁目は成品の目標カーボンのレベルを表す数値であり、各々辞書順に順序付けされている。図７は、本実施例における文字コード情報の一部であり、全部で３７種類あった。
第１部分コード情報を文字コード情報の１桁目、第２部分コード情報を文字コード情報の２桁目、第３部分コード情報を文字コード情報の３〜４桁目とした。そして、学習用データに対し、第１部分コード情報から第３部分コード情報までに関する階層的層別法を適用した。関係式算出部における操業データと品質データとの関係式モデルには、図６の各データに乗じる係数をモデルパラメータとする線形多重回帰モデルを用いた。また、モデルパラメータの最適化は、最初は説明変数候補のうち、モデルの説明変数から外すことでＡＩＣの減少幅が大きい順に変数項目を減らすステップワイズ法により、ＡＩＣを最小化する説明変数を選択した。
層別の最適化では、区切り位置変数の個数は各部分コード情報で最大３個とした。また、区切り位置変数の最適化における探索にはシミュレーティッド・アニーリング法を採用した。なお、温度パラメータαは１０とした。図８に、部分コード情報の階層的層別の最適化によるデータ層別結果を示す。
下記表１に、文字コード情報による層別を行わず、全学習用データに対して一つの関係式を算出した場合（比較例）と、上記階層的層別の最適化を行った場合（実施例）とについて、検証用データによる品質データの予測精度を平均二乗誤差平方根（ＲＭＳＥ）で評価した結果を示す。表１より、単独の関係式によるモデルに比べ、階層的層別最適化によるモデルはＲＭＳＥが大きく減少していることがわかる。また、図９に、検証用データについて２次精錬温度降下量の実績に対する各々のモデルの予測結果の散布図を示す。比較例として示す単独の関係式によるモデルに比べると、階層的層別最適化結果では推定値に対する実績値の散布図のばらつきが小さくなっていることがわかる。
また、上記の実施例で用いた学習用データについて、上記特許文献１に記載の従来技術により材質記号データを領域分割し、分割毎に対応する回帰モデルを算出して決定したモデルと、本発明の実施例で用いたモデルとについて、同一の予測精度評価データを用いて、統計モデルの予測精度を比較した。領域分割の個数は分割前に設定した。ランダムサーチによる探索回数は、計算時間の制約により２０回で打ち切った。
図１０は、比較例として上記特許文献１の手法を用いて材質記号データの領域分割数を増やしていったときの、検証用データの２次精錬における溶鋼温度降下量の予測誤差のＲＭＳＥを示している。図１０に示すように、比較例１〜８と実施例とを比較すると、比較例において材質記号データの領域分割数を増加しても予測誤差は改善していないことがわかる。
また、図１１に、図１０の比較例１〜８において最も予測精度がよい比較例２（材質記号の２分割）の結果の概要を示す。なお、図１１には各領域に含まれる材質記号の内容の一部のみを載せている。材質記号は、全部で３７種類ある。図１１より、４桁の材質記号のうち、３、４桁目が「０７」以下か「０９」以上かで分割することが最良であることが読み取れる。しかし、比較例２の予測精度は本発明の実施例よる予測精度には及ばず、従来技術のローカルサーチで分割数を増やしても予測精度は改善されなかった。
以上、添付図面を参照しながら本発明の好適な実施形態について詳細に説明したが、本発明はかかる例に限定されない。本発明の属する技術の分野における通常の知識を有する者であれば、特許請求の範囲に記載された技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、これらについても、当然に本発明の技術的範囲に属するものと了解される。
１０ データベース
１００ 品質予測装置
１１０ データ抽出部
１２０ 階層的層別最適化部
１２１ データ層別部
１２３ 関係式算出部
１２５ 評価関数算出部
１３０ データ入力部
１４０ 予測処理部
１４１ 関係式選択部
１４３ 品質予測部
１５０ 出力部
１００ 品質予測装置
１１０ データ抽出部
１２０ 階層的層別最適化部
１２１ データ層別部
１２３ 関係式算出部
１２５ 評価関数算出部
１３０ データ入力部
１４０ 予測処理部
１４１ 関係式選択部
１４３ 品質予測部
１５０ 出力部
Claims (12)
- 所定の意味が付与され、それぞれ所定の規則に従って順序付けされている１または複数の部分コード情報からなる文字コード情報が製造プロセスの操業回毎に付与された操業データ及び品質データをデータベースから取得するデータ抽出部と、
前記部分コード情報が持つ値が属する定義域に基づき、抽出された前記操業データの層別を行うデータ層別部と、
前記操業データの層毎に、前記操業データと前記品質データとの関係を表す関係式を算出する関係式算出部と、
前記部分コード情報が取り得る値の並びを前記定義域に分割する区切り位置の最適性を評価する評価関数を算出し、評価する評価関数算出部と、
品質予測対象の操業データに付与された文字コード情報に基づいて、品質予測に用いる前記関係式を選択し、前記品質予測対象の操業データの品質予測を行う品質予測部と、
を備え、
前記データ層別部は、前記評価関数算出部による評価を用いて前記区切り位置を最適化し、当該最適化された区切り位置に基づき前記層別を行う、品質予測装置。 - 前記データ層別部は、予め設定されている前記部分コード情報の値の順序に従って、前記操業データを層別する、請求項１に記載の品質予測装置。
- 前記データ層別部は、前記文字コード情報を構成する前記部分コード情報の最上位から最下位に向かって一層ずつ操業データを層別し、
前記関係式算出部は、前記データ層別部により層別される毎に前記関係式を算出する、請求項２に記載の品質予測装置。 - 前記関係式算出部により前記関係式を算出するために用いる操業データである学習用データと、前記評価関数算出部による評価に用いる操業データである検証用データとは、異なるデータである、請求項１〜３のいずれか１項に記載の品質予測装置。
- 前記データ層別部は、シミュレーティド・アニーリング法を用いて、前記区切り位置を最適化する、請求項１〜４のいずれか１項に記載の品質予測装置。
- 前記関係式算出部は、操業データと品質データとの関係を表す関係式のモデルパラメータを、前記品質データの推定誤差を表す統計量または推定誤差に基づく情報量規準を最適化することにより算出する、請求項１〜５のいずれか１項に記載の品質予測装置。
- 前記関係式算出部は、最小二乗法を用いて前記関係式のモデルパラメータを最適化する、請求項６に記載の品質予測装置。
- 前記関係式算出部は、
操業データと品質データとの関係を表す関係式をモデルパラメータに関する線形多重回帰モデルで表し、
前記線形多重回帰モデルのモデルパラメータを、前記関係式の赤池情報量規準が最小となるように決定する、請求項６または７に記載の品質予測装置。 - 前記請求項１〜８のいずれか１項に記載の品質予測装置により、製鋼工程における転炉吹錬開始前に取得される製造予定の材質記号を文字コード情報として、操業予定データから２次精錬または溶鋼取鍋の処理装置間搬送中の溶鋼温度降下量を予測する、溶鋼温度予測方法。
- 品質予測装置により実行される、
所定の意味が付与され、それぞれ所定の規則に従って順序付けされている１または複数の部分コード情報からなる文字コード情報が製造プロセスの操業回毎に付与された操業データ及び品質データをデータベースから取得するデータ抽出ステップと、
前記部分コード情報が持つ値が属する定義域に基づき、抽出された前記操業データの層別を行うデータ層別ステップと、
前記操業データの層毎に、前記操業データと前記品質データとの関係を表す関係式を算出する関係式算出ステップと、
前記部分コード情報が取り得る値の並びを前記定義域に分割する区切り位置の最適性を評価する評価関数を算出し、評価する評価ステップと、
前記評価関数による評価を用いて前記区切り位置を最適化し、当該最適化された区切り位置に基づき前記層別を行う層別実行ステップと、
品質予測対象の操業データに付与された文字コード情報に基づいて、品質予測に用いる前記関係式を選択し、前記品質予測対象の操業データの品質予測を行う品質予測ステップと、
を含む、品質予測方法。 - コンピュータを、
所定の意味が付与され、それぞれ所定の規則に従って順序付けされている１または複数の部分コード情報からなる文字コード情報が製造プロセスの操業回毎に付与された操業データ及び品質データをデータベースから取得するデータ抽出部と、
前記部分コード情報が持つ値が属する定義域に基づき、抽出された前記操業データの層別を行うデータ層別部と、
前記操業データの層毎に、前記操業データと前記品質データとの関係を表す関係式を算出する関係式算出部と、
前記部分コード情報が取り得る値の並びを前記定義域に分割する区切り位置の最適性を評価する評価関数を算出し、評価する評価関数算出部と、
品質予測対象の操業データに付与された文字コード情報に基づいて、品質予測に用いる前記関係式を選択し、前記品質予測対象の操業データの品質予測を行う品質予測部と、
を備え、
前記データ層別部は、前記評価関数算出部による評価を用いて前記区切り位置を最適化し、当該最適化された区切り位置に基づき前記層別を行う、品質予測装置として機能させるプログラム。 - コンピュータに、
所定の意味が付与され、それぞれ所定の規則に従って順序付けされている１または複数の部分コード情報からなる文字コード情報が製造プロセスの操業回毎に付与された操業データ及び品質データをデータベースから取得するデータ抽出部と、
前記部分コード情報が持つ値が属する定義域に基づき、抽出された前記操業データの層別を行うデータ層別部と、
前記操業データの層毎に、前記操業データと前記品質データとの関係を表す関係式を算出する関係式算出部と、
前記部分コード情報が取り得る値の並びを前記定義域に分割する区切り位置の最適性を評価する評価関数を算出し、評価する評価関数算出部と、
品質予測対象の操業データに付与された文字コード情報に基づいて、品質予測に用いる前記関係式を選択し、前記品質予測対象の操業データの品質予測を行う品質予測部と、
を備え、
前記データ層別部は、前記評価関数算出部による評価を用いて前記区切り位置を最適化し、当該最適化された区切り位置に基づき前記層別を行う、品質予測装置として機能させるプログラムを記録した、コンピュータ読み取り可能な記録媒体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2016022672A JP6613937B2 (ja) | 2016-02-09 | 2016-02-09 | 品質予測装置、品質予測方法、プログラム及びコンピュータ読み取り可能な記録媒体 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2016022672A JP6613937B2 (ja) | 2016-02-09 | 2016-02-09 | 品質予測装置、品質予測方法、プログラム及びコンピュータ読み取り可能な記録媒体 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2017142601A JP2017142601A (ja) | 2017-08-17 |
| JP6613937B2 true JP6613937B2 (ja) | 2019-12-04 |
Family
ID=59627456
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2016022672A Active JP6613937B2 (ja) | 2016-02-09 | 2016-02-09 | 品質予測装置、品質予測方法、プログラム及びコンピュータ読み取り可能な記録媒体 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6613937B2 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7087256B2 (ja) * | 2018-04-18 | 2022-06-21 | 株式会社竹中工務店 | 施工体制台帳点検支援装置及び施工体制台帳点検支援モデル学習装置 |
| JP7011847B2 (ja) | 2019-12-27 | 2022-01-27 | Ｃｐｍホールディング株式会社 | 混合冷媒製造装置及び混合冷媒製造方法 |
-
2016
- 2016-02-09 JP JP2016022672A patent/JP6613937B2/ja active Active
Also Published As
| Publication number | Publication date |
|---|---|
| JP2017142601A (ja) | 2017-08-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109587713B (zh) | 一种基于arima模型的网络指标预测方法、装置及存储介质 | |
| CN109189767B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
| JP5867349B2 (ja) | 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 | |
| JP2021533474A (ja) | ノード分類方法、モデル訓練方法並びに、その装置、機器及びコンピュータプログラム | |
| Guh et al. | An effective application of decision tree learning for on-line detection of mean shifts in multivariate control charts | |
| JP2017049674A (ja) | 予測性能曲線推定プログラム、予測性能曲線推定装置および予測性能曲線推定方法 | |
| CN113190670A (zh) | 一种基于大数据平台的信息展示方法及系统 | |
| CN112487146B (zh) | 一种法律案件争议焦点获取方法、装置以及计算机设备 | |
| JP6613937B2 (ja) | 品質予測装置、品質予測方法、プログラム及びコンピュータ読み取り可能な記録媒体 | |
| KR102005952B1 (ko) | 기계학습 모델링에서 잡음 데이터 제거를 위한 데이터 정제 장치 및 방법 | |
| CN111159481B (zh) | 图数据的边预测方法、装置及终端设备 | |
| CN110032585B (zh) | 一种时间序列双层符号化方法及装置 | |
| Lin et al. | A new density-based scheme for clustering based on genetic algorithm | |
| JP5522060B2 (ja) | 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 | |
| CN114385876B (zh) | 一种模型搜索空间生成方法、装置及系统 | |
| KR101649913B1 (ko) | 연구 개발 프로젝트 관리 장치 및 방법 | |
| CN113590673A (zh) | 基于区块链深度学习的数据热度统计方法 | |
| CN113837807A (zh) | 热度预测方法、装置、电子设备及可读存储介质 | |
| CN111090723B (zh) | 一种基于知识图谱的电网安全生产内容推荐方法 | |
| JP4351578B2 (ja) | 生産計画の支援システム及びコンピュータプログラム | |
| KR101609292B1 (ko) | 연구 개발 프로젝트 관리 장치 및 방법 | |
| JP4230890B2 (ja) | モデル同定装置，モデル同定プログラム及びモデル同定装置の動作方法 | |
| CN112463964A (zh) | 文本分类及模型训练方法、装置、设备及存储介质 | |
| Nebot et al. | Modeling wine preferences from physicochemical properties using fuzzy techniques | |
| CN113435655B (zh) | 扇区动态管理决策方法、服务器及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181003 |
|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20190208 |
|
| RD02 | Notification of acceptance of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7422 Effective date: 20190419 |
|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20190422 |
|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20190426 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20190717 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190730 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190820 |
|
| 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: 20191008 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191021 |
|
| R151 | Written notification of patent or utility model registration |
Ref document number: 6613937 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |