JP6834209B2 - 製品の状態予測装置、製品の状態制御装置、製品の状態予測方法及びプログラム - Google Patents
製品の状態予測装置、製品の状態制御装置、製品の状態予測方法及びプログラム Download PDFInfo
- Publication number
- JP6834209B2 JP6834209B2 JP2016139591A JP2016139591A JP6834209B2 JP 6834209 B2 JP6834209 B2 JP 6834209B2 JP 2016139591 A JP2016139591 A JP 2016139591A JP 2016139591 A JP2016139591 A JP 2016139591A JP 6834209 B2 JP6834209 B2 JP 6834209B2
- Authority
- JP
- Japan
- Prior art keywords
- product
- predicted
- state
- neighborhood
- manufacturing
- 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
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
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- General Factory Administration (AREA)
- Control Of Metal Rolling (AREA)
- Feedback Control In General (AREA)
Description
例えば鋼板の熱間圧延工程の下流の冷却工程では、所定の温度まで鋼板を冷却することで製品に必要な機械特性を得る。
鋼板の冷却制御は、製品の機械特性に直結し、また、歩留まりに影響を及ぼすため、その精度向上が求められる。冷却制御では、水冷による鋼板の温度変化を伝熱モデル計算により推定し、所望の冷却停止温度となるように、冷却水量や鋼板の搬送速度等を決定する。伝熱モデルは熱流体力学や伝熱工学の知見に則り作成されるが、鋼板の表面性状や設備の経時変化等、モデル化が難しいファクターも多く、伝熱モデルによる制御だけでは冷却停止温度を目標値に精度良く一致させることは困難である。
特許文献1には、冷却工程に供する当該厚鋼板について、冷却工程における厚鋼板の温度変化挙動を予測するための厚鋼板の温度予測モデルを用いて、冷却工程における当該厚鋼板の冷却停止温度の予測値を算出する予測値算出工程、スラブ毎に過去の実績データを蓄積したデータベースから、当該厚鋼板と製造条件が類似する厚鋼板の過去の実績データを抽出する抽出工程、前記抽出工程において抽出した前記過去の実績データに基づいて、線形回帰モデル式をたて、当該厚鋼板の冷却停止温度の予測値の誤差を推定する推定工程、前記予測値算出工程において算出した当該厚鋼板の冷却停止温度の予測値と、前記推定工程において推定した当該厚鋼板の冷却停止温度の予測値の誤差とから、前記冷却停止温度の修正値を算出する修正値算出工程、を有することが開示されている。
そこで、局所重み付きPLS回帰では、多重共線性が発生しないよう、変数同士の共分散が最大化される潜在変数zを生成する(式(8))。Ctrは行列XTWyyTWXの固有ベクトルからなる行列である。X:=(x1,・・・,xn)T、W:=diag(w1,・・・,wn)、y:=(y1,・・・,yn)Tである。その後、潜在変数zに対して線形重回帰を行うことにより(式(6)、式(7))、多重共線性の問題を回避している。
[1] 製品の製造工程において、状態予測モデルにより製品の状態の予測値を算出する製品の状態予測装置であって、
予測対象製品の状態の予測値を算出する際に、製造条件を含む実績データを蓄積したデータベースから、前記予測対象製品の製造条件と前記実績データの製造条件との類似度を表す距離関数に基づいて、前記予測対象製品の製造条件と類似する製造条件を持つ前記実績データを近傍教師データとして抽出する抽出手段と、
前記予測対象製品のある製造条件が、前記抽出手段で抽出したいずれかの近傍教師データの当該製造条件の範囲外にあるとき、前記抽出手段で抽出した近傍教師データ及び前記予測対象製品の当該製造条件のうち少なくともいずれか一方を修正する修正手段と、
前記抽出手段で抽出した近傍教師データ或いは前記修正手段で修正した場合はその修正した近傍教師データを用いて、前記状態予測モデルにより算出する前記予測対象製品の状態の予測値の誤差を求める回帰モデルを生成し、当該回帰モデル、及び前記予測対象製品の製造条件或いは前記修正手段で修正した場合はその修正した製造条件により当該誤差を計算する計算手段と、
前記計算手段で求めた前記予測対象製品の状態の予測値の誤差に基づいて、前記状態予測モデルにより算出する前記予測対象製品の状態の予測値を補正する補正手段とを備え、
前記修正手段は、前記予測対象製品のある製造条件が、前記抽出手段で抽出したいずれかの近傍教師データの当該製造条件の範囲外にあるとき、前記抽出手段で抽出した近傍教師データから当該製造条件に係るすべての近傍教師データを除外することを特徴とする製品の状態予測装置。
[2] 製品の製造工程において、状態予測モデルにより製品の状態の予測値を算出する製品の状態予測装置であって、
予測対象製品の状態の予測値を算出する際に、製造条件を含む実績データを蓄積したデータベースから、前記予測対象製品の製造条件と前記実績データの製造条件との類似度を表す距離関数に基づいて、前記予測対象製品の製造条件と類似する製造条件を持つ前記実績データを近傍教師データとして抽出する抽出手段と、
前記予測対象製品のある製造条件が、前記抽出手段で抽出したいずれかの近傍教師データの当該製造条件の範囲外にあるとき、前記抽出手段で抽出した近傍教師データ及び前記予測対象製品の当該製造条件のうち少なくともいずれか一方を修正する修正手段と、
前記抽出手段で抽出した近傍教師データ或いは前記修正手段で修正した場合はその修正した近傍教師データを用いて、前記状態予測モデルにより算出する前記予測対象製品の状態の予測値の誤差を求める回帰モデルを生成し、当該回帰モデル、及び前記予測対象製品の製造条件或いは前記修正手段で修正した場合はその修正した製造条件により当該誤差を計算する計算手段と、
前記計算手段で求めた前記予測対象製品の状態の予測値の誤差に基づいて、前記状態予測モデルにより算出する前記予測対象製品の状態の予測値を補正する補正手段とを備え、
前記修正手段は、前記予測対象製品のある製造条件が、前記抽出手段で抽出したいずれかの近傍教師データに含まれる当該製造条件の最大値よりも大きいとき、前記予測対象製品の当該製造条件を前記最大値に置き換え、また、前記抽出手段で抽出したいずれかの近傍教師データに含まれる当該製造条件の最小値よりも小さいとき、前記予測対象製品の当該製造条件を前記最小値に置き換えることを特徴とする製品の状態予測装置。
[3] 前記データベースは、実績データとして、製品の状態実績値と前記状態予測モデルを用いて算出した製品の状態の予測値との差を製造条件と紐付けて蓄積し、
前記抽出手段は、前記予測対象製品の製造条件と類似する製造条件を持つ実績データを、前記距離関数に基づいて近傍教師データとして抽出することを特徴とする[1]又は[2]に記載の製品の状態予測装置。
[4] 前記製品は鋼板、前記製造工程は冷却工程、前記製品の状態は鋼板の冷却停止温度、前記状態予測モデルは温度予測モデルであることを特徴とする[1]乃至[3]のいずれか一つに記載の製品の状態予測装置。
[5] [1]乃至[4]のいずれか一つに記載の製品の状態予測装置と、
前記補正手段で補正した前記予測対象製品の状態の予測値が、予め前記予測対象製品毎に定められた目標値と一致するように、前記製造工程に用いられる製造設備の操作量を制御する制御手段とを備えたことを特徴とする製品の状態制御装置。
[6] 前記製品は鋼板、前記製造工程は冷却工程、前記製品の状態は鋼板の冷却停止温度、前記状態予測モデルは温度予測モデル、前記操作量は冷却水量及び鋼板の搬送速度のうち少なくともいずれかであることを特徴とする[5]に記載の製品の状態制御装置。
[7] 製品の製造工程において、状態予測モデルを用いて製品の状態の予測値を算出する製品の状態予測方法であって、
予測対象製品の状態の予測値を算出する際に、製造条件を含む実績データを蓄積したデータベースから、前記予測対象製品の製造条件と前記実績データの製造条件との類似度を表す距離関数に基づいて、前記予測対象製品の製造条件と類似する製造条件を持つ前記実績データを近傍教師データとして抽出する抽出ステップと、
前記予測対象製品のある製造条件が、前記抽出ステップで抽出したいずれかの近傍教師データの当該製造条件の範囲外にあるとき、前記抽出ステップで抽出した近傍教師データ及び前記予測対象製品の当該製造条件のうち少なくともいずれか一方を修正する修正ステップと、
前記抽出ステップで抽出した近傍教師データ或いは前記修正ステップで修正した場合はその修正した近傍教師データを用いて、前記状態予測モデルにより算出する前記予測対象製品の状態の予測値の誤差を求める回帰モデルを生成し、当該回帰モデル、及び前記予測対象製品の製造条件或いは前記修正ステップで修正した場合はその修正した製造条件により当該誤差を計算する計算ステップと、
前記計算ステップで求めた前記予測対象製品の状態の予測値の誤差に基づいて、前記状態予測モデルにより算出する前記予測対象製品の状態の予測値を補正する補正ステップとを有し、
前記修正ステップでは、前記予測対象製品のある製造条件が、前記抽出ステップで抽出したいずれかの近傍教師データの当該製造条件の範囲外にあるとき、前記抽出ステップで抽出した近傍教師データから当該製造条件に係るすべての近傍教師データを除外することを特徴とする製品の状態予測方法。
[8] 製品の製造工程において、状態予測モデルを用いて製品の状態の予測値を算出する製品の状態予測方法であって、
予測対象製品の状態の予測値を算出する際に、製造条件を含む実績データを蓄積したデータベースから、前記予測対象製品の製造条件と前記実績データの製造条件との類似度を表す距離関数に基づいて、前記予測対象製品の製造条件と類似する製造条件を持つ前記実績データを近傍教師データとして抽出する抽出ステップと、
前記予測対象製品のある製造条件が、前記抽出ステップで抽出したいずれかの近傍教師データの当該製造条件の範囲外にあるとき、前記抽出ステップで抽出した近傍教師データ及び前記予測対象製品の当該製造条件のうち少なくともいずれか一方を修正する修正ステップと、
前記抽出ステップで抽出した近傍教師データ或いは前記修正ステップで修正した場合はその修正した近傍教師データを用いて、前記状態予測モデルにより算出する前記予測対象製品の状態の予測値の誤差を求める回帰モデルを生成し、当該回帰モデル、及び前記予測対象製品の製造条件或いは前記修正ステップで修正した場合はその修正した製造条件により当該誤差を計算する計算ステップと、
前記計算ステップで求めた前記予測対象製品の状態の予測値の誤差に基づいて、前記状態予測モデルにより算出する前記予測対象製品の状態の予測値を補正する補正ステップとを有し、
前記修正ステップでは、前記予測対象製品のある製造条件が、前記抽出ステップで抽出したいずれかの近傍教師データに含まれる当該製造条件の最大値よりも大きいとき、前記予測対象製品の当該製造条件を前記最大値に置き換え、また、前記抽出ステップで抽出したいずれかの近傍教師データに含まれる当該製造条件の最小値よりも小さいとき、前記予測対象製品の当該製造条件を前記最小値に置き換えることを特徴とする製品の状態予測方法。
[9] 製品の製造工程において、状態予測モデルを用いて製品の状態の予測値を算出するためのプログラムであって、
予測対象製品の状態の予測値を算出する際に、製造条件を含む実績データを蓄積したデータベースから、前記予測対象製品の製造条件と前記実績データの製造条件との類似度を表す距離関数に基づいて、前記予測対象製品の製造条件と類似する製造条件を持つ前記実績データを近傍教師データとして抽出する抽出手段と、
前記予測対象製品のある製造条件が、前記抽出手段で抽出したいずれかの近傍教師データの当該製造条件の範囲外にあるとき、前記抽出手段で抽出した近傍教師データ及び前記予測対象製品の当該製造条件のうち少なくともいずれか一方を修正する修正手段と、
前記抽出手段で抽出した近傍教師データ或いは前記修正手段で修正した場合はその修正した近傍教師データを用いて、前記状態予測モデルにより算出する前記予測対象製品の状態の予測値の誤差を求める回帰モデルを生成し、当該回帰モデル、及び前記予測対象製品の製造条件或いは前記修正手段で修正した場合はその修正した製造条件により当該誤差を計算する計算手段と、
前記計算手段で求めた前記予測対象製品の状態の予測値の誤差に基づいて、前記状態予測モデルにより算出する前記予測対象製品の状態の予測値を補正する補正手段としてコンピュータを機能させ、
前記修正手段は、前記予測対象製品のある製造条件が、前記抽出手段で抽出したいずれかの近傍教師データの当該製造条件の範囲外にあるとき、前記抽出手段で抽出した近傍教師データから当該製造条件に係るすべての近傍教師データを除外することを特徴とするプログラム。
[10] 製品の製造工程において、状態予測モデルを用いて製品の状態の予測値を算出するためのプログラムであって、
予測対象製品の状態の予測値を算出する際に、製造条件を含む実績データを蓄積したデータベースから、前記予測対象製品の製造条件と前記実績データの製造条件との類似度を表す距離関数に基づいて、前記予測対象製品の製造条件と類似する製造条件を持つ前記実績データを近傍教師データとして抽出する抽出手段と、
前記予測対象製品のある製造条件が、前記抽出手段で抽出したいずれかの近傍教師データの当該製造条件の範囲外にあるとき、前記抽出手段で抽出した近傍教師データ及び前記予測対象製品の当該製造条件のうち少なくともいずれか一方を修正する修正手段と、
前記抽出手段で抽出した近傍教師データ或いは前記修正手段で修正した場合はその修正した近傍教師データを用いて、前記状態予測モデルにより算出する前記予測対象製品の状態の予測値の誤差を求める回帰モデルを生成し、当該回帰モデル、及び前記予測対象製品の製造条件或いは前記修正手段で修正した場合はその修正した製造条件により当該誤差を計算する計算手段と、
前記計算手段で求めた前記予測対象製品の状態の予測値の誤差に基づいて、前記状態予測モデルにより算出する前記予測対象製品の状態の予測値を補正する補正手段としてコンピュータを機能させ、
前記修正手段は、前記予測対象製品のある製造条件が、前記抽出手段で抽出したいずれかの近傍教師データに含まれる当該製造条件の最大値よりも大きいとき、前記予測対象製品の当該製造条件を前記最大値に置き換え、また、前記抽出手段で抽出したいずれかの近傍教師データに含まれる当該製造条件の最小値よりも小さいとき、前記予測対象製品の当該製造条件を前記最小値に置き換えることを特徴とするプログラム。
(第1の実施形態)
図1は、冷却設備を含む冷却制御システムの構成例を示す図である。
冷却設備では、搬送テーブル3により鋼板1が搬送され、冷却ノズル2から水を噴射して鋼板1を冷却する。
冷却ノズル2は、冷却プロセスコンピュータ5から出力される指示値に基づいて、冷却水量を制御する。冷却水量の制御方式としては、流量弁開度調節、ノズルON/OFF制御等、一般的な冷却水量の制御方式が適用可能である。
また、搬送テーブル3は、冷却プロセスコンピュータ5から出力される指示値に基づいて、鋼板の搬送速度を制御する。鋼板の搬送速度の制御方式としては、モータドライバによる制御等、一般的な搬送速度制御方式が適用可能である。
冷却設備の出側において、温度計4により鋼板の冷却停止温度が測定され、冷却プロセスコンピュータ5に入力される。温度測定方式としては、放射温度計やサーモグラフィ等、一般的な温度測定方式が適用可能である。
減算器8は、温度計4で測定される冷却停止温度実績値と冷却停止温度計算部7から出力される冷却停止温度計算値との差(「モデル誤差実績値」と呼ぶ)をとる。
データベース9から実績データを抽出するときに、製造条件の類似の判定は、例えば式(1)の重み付きユークリッド距離関数に基づいて行われる。なお、本実施形態ではユークリッド距離を例とするが、マハラノビス距離等、多変数系の距離の定義として公知であるものは適用可能である。
図3(a)〜(c)に、ある製造条件とモデル誤差実測値/予測値との関係を示す。図3(a)〜(c)の横軸が説明変数である当該製造条件を、縦軸がモデル誤差実績値及びモデル誤差予測値を表わす。○は、当該製造条件について近傍教師データのとりうる値の最大値及び最小値を表わす。
この問題への対策として、本実施形態では、上記のようにノイズの影響を大きく受け、その影響が増幅される製造条件を近傍教師データから除外した上で、回帰計算を行うようにする。
この場合に、近傍教師データの範囲Rの広さ、及び、外挿の状態か否かの両方を評価することが考えられるが、近傍教師データの範囲Rは、製造条件毎に単位系が異なり、製造範囲も製造箇所毎に違うため、一意に判断することは難しい。したがって、外挿の状態か否かを評価することが妥当であるといえる。
101は入力部であり、予測対象材の製造条件と、データベース9から抽出される近傍教師データとを入力する。
近傍教師データの製造条件がxi,jであり、予測対象材の製造条件がx0,jであるとする。iは鋼板を示す添字(i=1〜n)、jは製造条件を示す添え字(j=1〜m)である。
ステップS1で、j=1とする。
ステップS2で、予測対象材の製造条件x0,jが外挿の状態か否か、すなわち近傍教師データの範囲R外に存在するか否かを判定する。具体的には、予測対象材の製造条件x0,jが、製造条件xi,jの最小値min(x1,j,・・・,xn,j)よりも小さいか、或いは製造条件xi,jの最大値max(x1,j,・・・,xn,j)よりも大きいかを判定する。その結果、予測対象材の製造条件x0,jが近傍教師データの範囲R外に存在すれば、ステップS3に進み、近傍教師データの範囲R内に存在すれば、ステップS4に進む。
ステップS3で、近傍教師データから製造条件をxi,jを除外して、ステップS4に進む。
ステップS4で、j=mであるか否かを判定する。j=mに達していなければ、ステップS5でjをインクリメントしてステップS2に戻り、j=mに達していれば、修正した近傍教師データを出力して、本処理を終了する。
第1の実施形態では、予測対象材のある製造条件が近傍教師データの範囲R外に存在するとき、近傍教師データを修正するのに対して、第2の実施形態では、予測対象材の当該製造条件を修正する。なお、局所回帰モデル生成部10を含む冷却制御システムの構成は第1の実施形態と同様であり、以下では、第1の実施形態との相違点を中心に説明し、第1の実施形態との共通点についての説明は省略する。
そして、モデル誤差計算部104は、局所重み付き回帰計算部103で生成した局所重み付き回帰モデルに、予測対象材の製造条件(修正部102で修正した場合はその修正した製造条件)を入力し、予測対象材のモデル誤差予測値を算出する。
ステップS11で、j=1とする。
ステップS12、S14で、予測対象材の製造条件x0,jが外挿の状態か否か、すなわち近傍教師データの範囲R外に存在するか否かを判定する。具体的には、ステップS12で、予測対象材の製造条件x0,jが、製造条件xi,jの最小値min(x1,j,・・・,xn,j)よりも小さいか判定し、最小値よりも小さければ、ステップS13に進み、最小値以上であれば、ステップS14に進む。ステップS14で、予測対象材の製造条件x0,jが、製造条件xi,jの最大値max(x1,j,・・・,xn,j)よりも大きいか判定し、最大値よりも大きければ、ステップS15に進み、最大値以下であれば、ステップS16に進む。
ステップS13で、予測対象材の製造条件x0,jを近傍教師データの最小値min(x1,j,・・・,xn,j)に置き換えて、ステップS16に進む。また、ステップS15で、予測対象材の製造条件x0,jを近傍教師データの最大値max(x1,j,・・・,xn,j)に置き換えて、ステップS16に進む。
ステップS16で、j=mであるか否かを判定する。j=mに達していなければ、ステップS17でjをインクリメントしてステップS12に戻り、j=mに達していれば、修正した予測対象材の製造条件を出力して、本処理を終了する。
すなわち、実施形態における鋼板は製品の一例、冷却工程及び設備は製造工程及び設備の一例、鋼板の冷却停止温度は製品の状態の一例、温度予測モデルは状態予測モデルの一例である。そして、本発明を一般的な製造工程に適用する場合、状態制御システムは例えば図1と同様の構成とすればよく、実施形態における冷却停止温度計算部7を状態計算部とし、冷却設定計算部11を設定計算部とし、冷却水量や鋼板の搬送速度の指示値を製造設備の操作量の指示値と置き換えればよい。
製造条件と操作量の実績値から、状態計算部にて製品の状態を状態予測モデルにより予測し、この予測値である状態計算値と状態実績値との誤差であるモデル誤差実績値をデータベース9に蓄積する。そして、予測対象製品の状態の予測値を算出する際、実績データを蓄積したデータベース9から、距離関数に基づいて近傍教師データを抽出し、その近傍教師データを用いて、局所モデル生成部10にて前記モデル誤差を求める局所重み付き回帰モデルを生成し、この局所重み付き回帰モデルに製造条件を与えて計算した予測対象製品のモデル誤差の予測値に基づいて、前記状態予測モデルにより算出した予測対象製品の状態の予測値を補正する。このように補正することで、状態の予測値を実績値に近づけることができる。また、この補正された状態の予測値が予測対象製品毎に定められた目標値と一致するように、設定計算部にて製造設備の操作量の指示値を計算して製造設備を制御することですることで、製品の状態の実績値をより目標値に近づけることができる。
図6に、数値実験のための機能構成を示す。パーソナルコンピュータでデータベース9及び局所回帰モデル生成部10を再現して、数値実験を行う。工場で操業実績を蓄積している工場データベースからパーソナルコンピュータに製造条件を入力し、データベース9及び局所回帰モデル生成部10によりモデル誤差予測値を出力する。
工場データベースにはモデル誤差実績値も保存されているので、データベース9及び局所回帰モデル生成部10によるモデル誤差予測値と比較し、その精度を評価した。図1と違い、モデル誤差予測値は実操業に反映されないが、モデル誤差を精度良く予測することで、冷却停止温度制御の精度も向上すると考えられる。
また、本発明は、本発明の機能を実現するソフトウェア(プログラム)を、ネットワーク又は各種記憶媒体を介してシステム或いは装置に供給し、そのシステム或いは装置のコンピュータがプログラムを読み出して実行することによっても実現可能である。
Claims (10)
- 製品の製造工程において、状態予測モデルにより製品の状態の予測値を算出する製品の状態予測装置であって、
予測対象製品の状態の予測値を算出する際に、製造条件を含む実績データを蓄積したデータベースから、前記予測対象製品の製造条件と前記実績データの製造条件との類似度を表す距離関数に基づいて、前記予測対象製品の製造条件と類似する製造条件を持つ前記実績データを近傍教師データとして抽出する抽出手段と、
前記予測対象製品のある製造条件が、前記抽出手段で抽出したいずれかの近傍教師データの当該製造条件の範囲外にあるとき、前記抽出手段で抽出した近傍教師データ及び前記予測対象製品の当該製造条件のうち少なくともいずれか一方を修正する修正手段と、
前記抽出手段で抽出した近傍教師データ或いは前記修正手段で修正した場合はその修正した近傍教師データを用いて、前記状態予測モデルにより算出する前記予測対象製品の状態の予測値の誤差を求める回帰モデルを生成し、当該回帰モデル、及び前記予測対象製品の製造条件或いは前記修正手段で修正した場合はその修正した製造条件により当該誤差を計算する計算手段と、
前記計算手段で求めた前記予測対象製品の状態の予測値の誤差に基づいて、前記状態予測モデルにより算出する前記予測対象製品の状態の予測値を補正する補正手段とを備え、
前記修正手段は、前記予測対象製品のある製造条件が、前記抽出手段で抽出したいずれかの近傍教師データの当該製造条件の範囲外にあるとき、前記抽出手段で抽出した近傍教師データから当該製造条件に係るすべての近傍教師データを除外することを特徴とする製品の状態予測装置。 - 製品の製造工程において、状態予測モデルにより製品の状態の予測値を算出する製品の状態予測装置であって、
予測対象製品の状態の予測値を算出する際に、製造条件を含む実績データを蓄積したデータベースから、前記予測対象製品の製造条件と前記実績データの製造条件との類似度を表す距離関数に基づいて、前記予測対象製品の製造条件と類似する製造条件を持つ前記実績データを近傍教師データとして抽出する抽出手段と、
前記予測対象製品のある製造条件が、前記抽出手段で抽出したいずれかの近傍教師データの当該製造条件の範囲外にあるとき、前記抽出手段で抽出した近傍教師データ及び前記予測対象製品の当該製造条件のうち少なくともいずれか一方を修正する修正手段と、
前記抽出手段で抽出した近傍教師データ或いは前記修正手段で修正した場合はその修正した近傍教師データを用いて、前記状態予測モデルにより算出する前記予測対象製品の状態の予測値の誤差を求める回帰モデルを生成し、当該回帰モデル、及び前記予測対象製品の製造条件或いは前記修正手段で修正した場合はその修正した製造条件により当該誤差を計算する計算手段と、
前記計算手段で求めた前記予測対象製品の状態の予測値の誤差に基づいて、前記状態予測モデルにより算出する前記予測対象製品の状態の予測値を補正する補正手段とを備え、
前記修正手段は、前記予測対象製品のある製造条件が、前記抽出手段で抽出したいずれかの近傍教師データに含まれる当該製造条件の最大値よりも大きいとき、前記予測対象製品の当該製造条件を前記最大値に置き換え、また、前記抽出手段で抽出したいずれかの近傍教師データに含まれる当該製造条件の最小値よりも小さいとき、前記予測対象製品の当該製造条件を前記最小値に置き換えることを特徴とする製品の状態予測装置。 - 前記データベースは、実績データとして、製品の状態実績値と前記状態予測モデルを用いて算出した製品の状態の予測値との差を製造条件と紐付けて蓄積し、
前記抽出手段は、前記予測対象製品の製造条件と類似する製造条件を持つ実績データを、前記距離関数に基づいて近傍教師データとして抽出することを特徴とする請求項1又は2に記載の製品の状態予測装置。 - 前記製品は鋼板、前記製造工程は冷却工程、前記製品の状態は鋼板の冷却停止温度、前記状態予測モデルは温度予測モデルであることを特徴とする請求項1乃至3のいずれか1項に記載の製品の状態予測装置。
- 請求項1乃至4のいずれか1項に記載の製品の状態予測装置と、
前記補正手段で補正した前記予測対象製品の状態の予測値が、予め前記予測対象製品毎に定められた目標値と一致するように、前記製造工程に用いられる製造設備の操作量を制御する制御手段とを備えたことを特徴とする製品の状態制御装置。 - 前記製品は鋼板、前記製造工程は冷却工程、前記製品の状態は鋼板の冷却停止温度、前記状態予測モデルは温度予測モデル、前記操作量は冷却水量及び鋼板の搬送速度のうち少なくともいずれかであることを特徴とする請求項5に記載の製品の状態制御装置。
- 製品の製造工程において、状態予測モデルを用いて製品の状態の予測値を算出する製品の状態予測方法であって、
予測対象製品の状態の予測値を算出する際に、製造条件を含む実績データを蓄積したデータベースから、前記予測対象製品の製造条件と前記実績データの製造条件との類似度を表す距離関数に基づいて、前記予測対象製品の製造条件と類似する製造条件を持つ前記実績データを近傍教師データとして抽出する抽出ステップと、
前記予測対象製品のある製造条件が、前記抽出ステップで抽出したいずれかの近傍教師データの当該製造条件の範囲外にあるとき、前記抽出ステップで抽出した近傍教師データ及び前記予測対象製品の当該製造条件のうち少なくともいずれか一方を修正する修正ステップと、
前記抽出ステップで抽出した近傍教師データ或いは前記修正ステップで修正した場合はその修正した近傍教師データを用いて、前記状態予測モデルにより算出する前記予測対象製品の状態の予測値の誤差を求める回帰モデルを生成し、当該回帰モデル、及び前記予測対象製品の製造条件或いは前記修正ステップで修正した場合はその修正した製造条件により当該誤差を計算する計算ステップと、
前記計算ステップで求めた前記予測対象製品の状態の予測値の誤差に基づいて、前記状態予測モデルにより算出する前記予測対象製品の状態の予測値を補正する補正ステップとを有し、
前記修正ステップでは、前記予測対象製品のある製造条件が、前記抽出ステップで抽出したいずれかの近傍教師データの当該製造条件の範囲外にあるとき、前記抽出ステップで抽出した近傍教師データから当該製造条件に係るすべての近傍教師データを除外することを特徴とする製品の状態予測方法。 - 製品の製造工程において、状態予測モデルを用いて製品の状態の予測値を算出する製品の状態予測方法であって、
予測対象製品の状態の予測値を算出する際に、製造条件を含む実績データを蓄積したデータベースから、前記予測対象製品の製造条件と前記実績データの製造条件との類似度を表す距離関数に基づいて、前記予測対象製品の製造条件と類似する製造条件を持つ前記実績データを近傍教師データとして抽出する抽出ステップと、
前記予測対象製品のある製造条件が、前記抽出ステップで抽出したいずれかの近傍教師データの当該製造条件の範囲外にあるとき、前記抽出ステップで抽出した近傍教師データ及び前記予測対象製品の当該製造条件のうち少なくともいずれか一方を修正する修正ステップと、
前記抽出ステップで抽出した近傍教師データ或いは前記修正ステップで修正した場合はその修正した近傍教師データを用いて、前記状態予測モデルにより算出する前記予測対象製品の状態の予測値の誤差を求める回帰モデルを生成し、当該回帰モデル、及び前記予測対象製品の製造条件或いは前記修正ステップで修正した場合はその修正した製造条件により当該誤差を計算する計算ステップと、
前記計算ステップで求めた前記予測対象製品の状態の予測値の誤差に基づいて、前記状態予測モデルにより算出する前記予測対象製品の状態の予測値を補正する補正ステップとを有し、
前記修正ステップでは、前記予測対象製品のある製造条件が、前記抽出ステップで抽出したいずれかの近傍教師データに含まれる当該製造条件の最大値よりも大きいとき、前記予測対象製品の当該製造条件を前記最大値に置き換え、また、前記抽出ステップで抽出したいずれかの近傍教師データに含まれる当該製造条件の最小値よりも小さいとき、前記予測対象製品の当該製造条件を前記最小値に置き換えることを特徴とする製品の状態予測方法。 - 製品の製造工程において、状態予測モデルを用いて製品の状態の予測値を算出するためのプログラムであって、
予測対象製品の状態の予測値を算出する際に、製造条件を含む実績データを蓄積したデータベースから、前記予測対象製品の製造条件と前記実績データの製造条件との類似度を表す距離関数に基づいて、前記予測対象製品の製造条件と類似する製造条件を持つ前記実績データを近傍教師データとして抽出する抽出手段と、
前記予測対象製品のある製造条件が、前記抽出手段で抽出したいずれかの近傍教師データの当該製造条件の範囲外にあるとき、前記抽出手段で抽出した近傍教師データ及び前記予測対象製品の当該製造条件のうち少なくともいずれか一方を修正する修正手段と、
前記抽出手段で抽出した近傍教師データ或いは前記修正手段で修正した場合はその修正した近傍教師データを用いて、前記状態予測モデルにより算出する前記予測対象製品の状態の予測値の誤差を求める回帰モデルを生成し、当該回帰モデル、及び前記予測対象製品の製造条件或いは前記修正手段で修正した場合はその修正した製造条件により当該誤差を計算する計算手段と、
前記計算手段で求めた前記予測対象製品の状態の予測値の誤差に基づいて、前記状態予測モデルにより算出する前記予測対象製品の状態の予測値を補正する補正手段としてコンピュータを機能させ、
前記修正手段は、前記予測対象製品のある製造条件が、前記抽出手段で抽出したいずれかの近傍教師データの当該製造条件の範囲外にあるとき、前記抽出手段で抽出した近傍教師データから当該製造条件に係るすべての近傍教師データを除外することを特徴とするプログラム。 - 製品の製造工程において、状態予測モデルを用いて製品の状態の予測値を算出するためのプログラムであって、
予測対象製品の状態の予測値を算出する際に、製造条件を含む実績データを蓄積したデータベースから、前記予測対象製品の製造条件と前記実績データの製造条件との類似度を表す距離関数に基づいて、前記予測対象製品の製造条件と類似する製造条件を持つ前記実績データを近傍教師データとして抽出する抽出手段と、
前記予測対象製品のある製造条件が、前記抽出手段で抽出したいずれかの近傍教師データの当該製造条件の範囲外にあるとき、前記抽出手段で抽出した近傍教師データ及び前記予測対象製品の当該製造条件のうち少なくともいずれか一方を修正する修正手段と、
前記抽出手段で抽出した近傍教師データ或いは前記修正手段で修正した場合はその修正した近傍教師データを用いて、前記状態予測モデルにより算出する前記予測対象製品の状態の予測値の誤差を求める回帰モデルを生成し、当該回帰モデル、及び前記予測対象製品の製造条件或いは前記修正手段で修正した場合はその修正した製造条件により当該誤差を計算する計算手段と、
前記計算手段で求めた前記予測対象製品の状態の予測値の誤差に基づいて、前記状態予測モデルにより算出する前記予測対象製品の状態の予測値を補正する補正手段としてコンピュータを機能させ、
前記修正手段は、前記予測対象製品のある製造条件が、前記抽出手段で抽出したいずれかの近傍教師データに含まれる当該製造条件の最大値よりも大きいとき、前記予測対象製品の当該製造条件を前記最大値に置き換え、また、前記抽出手段で抽出したいずれかの近傍教師データに含まれる当該製造条件の最小値よりも小さいとき、前記予測対象製品の当該製造条件を前記最小値に置き換えることを特徴とするプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016139591A JP6834209B2 (ja) | 2016-07-14 | 2016-07-14 | 製品の状態予測装置、製品の状態制御装置、製品の状態予測方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016139591A JP6834209B2 (ja) | 2016-07-14 | 2016-07-14 | 製品の状態予測装置、製品の状態制御装置、製品の状態予測方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018010521A JP2018010521A (ja) | 2018-01-18 |
JP6834209B2 true JP6834209B2 (ja) | 2021-02-24 |
Family
ID=60993859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016139591A Active JP6834209B2 (ja) | 2016-07-14 | 2016-07-14 | 製品の状態予測装置、製品の状態制御装置、製品の状態予測方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6834209B2 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6881137B2 (ja) * | 2017-08-03 | 2021-06-02 | 日本製鉄株式会社 | 製品の状態予測装置及び方法、製造プロセスの制御システム、並びにプログラム |
JP7387552B2 (ja) * | 2019-08-20 | 2023-11-28 | 株式会社神戸製鋼所 | 鋼板温度予測装置および鋼板温度予測方法、ならびに、学習装置および学習方法 |
JP7436313B2 (ja) * | 2020-07-21 | 2024-02-21 | 株式会社日立製作所 | 予測システム、予測方法、ならびに表示装置 |
JP7200982B2 (ja) | 2020-09-14 | 2023-01-10 | Jfeスチール株式会社 | 材料特性値予測システム及び金属板の製造方法 |
CN115185805B (zh) * | 2022-09-13 | 2023-01-24 | 浪潮电子信息产业股份有限公司 | 一种存储系统的性能预测方法、系统、设备及存储介质 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2681421B2 (ja) * | 1991-06-20 | 1997-11-26 | 株式会社日立製作所 | 需要量予測方法及び装置 |
JPH08240587A (ja) * | 1995-03-03 | 1996-09-17 | Nippon Steel Corp | ニュ−ラルネットワ−クを用いた厚鋼板の材質予測方法 |
JP2008112288A (ja) * | 2006-10-30 | 2008-05-15 | Jfe Steel Kk | 予測式作成装置、結果予測装置、品質設計装置、予測式作成方法及び製品の製造方法 |
JP5363238B2 (ja) * | 2009-08-11 | 2013-12-11 | 株式会社神戸製鋼所 | 出力値予測方法、該装置および該方法のプログラム |
JP5682484B2 (ja) * | 2010-09-16 | 2015-03-11 | 新日鐵住金株式会社 | 厚鋼板の冷却制御方法、冷却制御装置及び厚鋼板の製造方法 |
-
2016
- 2016-07-14 JP JP2016139591A patent/JP6834209B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2018010521A (ja) | 2018-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6834209B2 (ja) | 製品の状態予測装置、製品の状態制御装置、製品の状態予測方法及びプログラム | |
JP6881137B2 (ja) | 製品の状態予測装置及び方法、製造プロセスの制御システム、並びにプログラム | |
JP6662109B2 (ja) | 製品の状態予測装置、製品の状態制御装置、製品の状態予測方法及びプログラム | |
JP6922675B2 (ja) | 製造プロセスの状態予測装置、方法及びプログラム、並びに製造プロセスの制御システム | |
JP6915428B2 (ja) | 製造プロセスの制御システム、方法及びプログラム | |
JP4744226B2 (ja) | 冷却制御モデルの学習方法及び圧延材の冷却方法。 | |
TWI554340B (zh) | 壓延模擬裝置 | |
JP5012660B2 (ja) | 製品品質予測および制御方法 | |
JP6439780B2 (ja) | 電磁鋼板の磁気特性予測装置及び磁気特性制御装置 | |
KR102122143B1 (ko) | 강판의 온도 제어 장치 및 온도 제어 방법 | |
JP6146553B1 (ja) | 鋼板の温度制御装置及び温度制御方法 | |
JP2012101235A (ja) | 冷却停止温度制御装置および冷却停止温度制御方法 | |
JP5962290B2 (ja) | 鋼材の熱伝達係数予測装置及び冷却制御方法 | |
JP7135962B2 (ja) | 鋼板の仕上出側温度制御方法、鋼板の仕上出側温度制御装置、及び鋼板の製造方法 | |
Zheng et al. | An approach to model building for accelerated cooling process using instance-based learning | |
JP6229799B2 (ja) | 平坦度制御装置 | |
JP5195331B2 (ja) | 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 | |
JP5682131B2 (ja) | 鋼材の材質予測装置 | |
JP2006309709A (ja) | 結果予測装置、制御装置及び品質設計装置 | |
JP7102962B2 (ja) | 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 | |
JP6699340B2 (ja) | 厚鋼板の冷却制御方法および製造方法 | |
JP2020071493A (ja) | 結果予測装置、結果予測方法、及びプログラム | |
JP2010235972A (ja) | 高張力鋼板の製造制御装置及び製造方法 | |
JP5007630B2 (ja) | 製品品質の制御方法及び制御装置 | |
JP6933070B2 (ja) | 製品の特性の予測装置、方法、及びプログラム、並びに製造プロセスの制御システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190306 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20200115 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200121 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200311 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200602 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200630 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201006 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20201016 |
|
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: 20210105 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210118 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 6834209 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |