JP7493128B2 - Operation condition presentation method and operation condition presentation device - Google Patents

Operation condition presentation method and operation condition presentation device Download PDF

Info

Publication number
JP7493128B2
JP7493128B2 JP2021133826A JP2021133826A JP7493128B2 JP 7493128 B2 JP7493128 B2 JP 7493128B2 JP 2021133826 A JP2021133826 A JP 2021133826A JP 2021133826 A JP2021133826 A JP 2021133826A JP 7493128 B2 JP7493128 B2 JP 7493128B2
Authority
JP
Japan
Prior art keywords
quality
operating conditions
product
operating condition
conditions
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
Application number
JP2021133826A
Other languages
Japanese (ja)
Other versions
JP2023028245A (en
Inventor
宏征 高木
淳 緒方
巍 楊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
JFE Steel Corp
Original Assignee
JFE Steel Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by JFE Steel Corp filed Critical JFE Steel Corp
Priority to JP2021133826A priority Critical patent/JP7493128B2/en
Publication of JP2023028245A publication Critical patent/JP2023028245A/en
Application granted granted Critical
Publication of JP7493128B2 publication Critical patent/JP7493128B2/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

  • General Factory Administration (AREA)

Description

本発明は、操業条件提示方法および操業条件提示装置に関する。 The present invention relates to an operating condition presentation method and an operating condition presentation device.

特許文献１，２には、鉄鋼製品の品質を予測し、目標とする製品の品質を実現するための適切な製造条件を求める方法として、実績データベースに格納されている過去の操業条件データおよび品質データをもとに、要求条件に対する品質を予測し、当該品質を制御可能な製造条件を決定する方法が開示されている。 Patent Documents 1 and 2 disclose a method for predicting the quality of steel products and determining appropriate manufacturing conditions for achieving the target product quality, in which quality is predicted for required conditions based on past operating condition data and quality data stored in a performance database, and manufacturing conditions that can control that quality are determined.

特許第４６１３７５１号公報Japanese Patent No. 4613751 特許第５３５０５７９号公報Patent No. 5350579

しかしながら、特許文献１の方法は、線形回帰式に基づいた方法であるため、品質に対する操業条件の非線形的な影響を表現することができない。そのため、回帰式の信頼性が低く、品質不良要因の抽出と特定に対して十分な効果を得られない可能性がある。 However, because the method in Patent Document 1 is based on a linear regression equation, it is unable to express the nonlinear effect of operating conditions on quality. As a result, the reliability of the regression equation is low, and there is a possibility that sufficient effectiveness will not be achieved in extracting and identifying the causes of quality defects.

また、特許文献２の方法では、最適性を持って決定される操業条件は、熱処理工程の加熱温度に限られる。従って、この方法は、各工程の操業条件のどれが品質に対して重要な影響を及ぼすのかにかかわらず、特定の操業条件のみにしか適用することができない。従って、重要な要因が他の操業条件であった場合には、品質不良を回避するための設定変更による効果が低く、結果として最終的な製品の歩留りが低くなる事態を避けることができないという問題があった。 In addition, in the method of Patent Document 2, the operating conditions that are optimally determined are limited to the heating temperature in the heat treatment process. Therefore, this method can only be applied to specific operating conditions, regardless of which of the operating conditions in each process has a significant effect on quality. Therefore, when other operating conditions are the important factors, changing the settings to avoid quality defects is less effective, and as a result, there is a problem that it is impossible to avoid a situation in which the final product yield is low.

本発明は、上記に鑑みてなされたものであって、最終製品の製造が完了する前に、品質への影響の高い操業条件を提示することができる操業条件提示方法および操業条件提示装置を提供することを目的とする。 The present invention has been made in consideration of the above, and aims to provide an operating condition presentation method and an operating condition presentation device that can present operating conditions that have a large impact on quality before the production of the final product is completed.

上述した課題を解決し、目的を達成するために、本発明に係る操業条件提示方法は、製品を製造する際の操業条件を入力データとし、製造された前記製品の品質カテゴリごとの欠陥発生確率スコアを出力データとして学習された品質予測モデルに対して、前記製品の製造途中工程までの実績操業条件と、その後の工程について標準条件として設定された設定操業条件とを入力することにより、前記実績操業条件および前記設定操業条件で製造した場合の前記製品の欠陥発生確率スコアを予測する品質予測ステップと、前記欠陥発生確率スコアが所定の値を超える場合に、前記欠陥発生確率スコアに対する前記設定操業条件の相対的影響度を算出する影響度算出ステップと、前記相対的影響度に基づいて、前記欠陥発生確率スコアが所定の値以下となるような設定操業条件を探索する操業条件探索ステップと、探索した前記設定操業条件を提示する操業条件提示ステップと、を含む。 In order to solve the above-mentioned problems and achieve the object, the operating condition presentation method according to the present invention includes a quality prediction step of predicting the defect occurrence probability score of the product when manufactured under the actual operating conditions and the set operating conditions by inputting actual operating conditions up to a mid-way manufacturing process of the product and set operating conditions set as standard conditions for the subsequent processes into a quality prediction model trained with the operating conditions when manufacturing a product as input data and the defect occurrence probability score for each quality category of the manufactured product as output data, an influence calculation step of calculating the relative influence of the set operating conditions on the defect occurrence probability score when the defect occurrence probability score exceeds a predetermined value, an operating condition search step of searching for set operating conditions that will make the defect occurrence probability score equal to or less than the predetermined value based on the relative influence, and an operating condition presentation step of presenting the searched set operating conditions.

また、本発明に係る操業条件提示方法は、上記発明において、前記操業条件探索ステップが、前記設定操業条件のうち、前記欠陥発生確率スコアの値が所定の値を超える設定操業条件を変更しながら、前記実績操業条件とともに前記品質予測モデルに対して入力することにより、前記欠陥発生確率スコアが所定の値以下となるような前記設定操業条件を探索する。 In the operating condition presentation method according to the present invention, in the above invention, the operating condition search step searches for the set operating conditions that make the defect occurrence probability score equal to or less than the predetermined value by inputting the set operating conditions, among the set operating conditions, to the quality prediction model together with the actual operating conditions while changing the set operating conditions that make the defect occurrence probability score exceed a predetermined value.

また、本発明に係る操業条件提示方法は、上記発明において、前記製品が、複数の工程を経て製造される鉄鋼製品であり、最終工程で製造される鉄鋼製品を一単位として、各工程における操業条件と最終工程後に検査された前記鉄鋼製品の品質とを紐づけて前記入力データとする。 In addition, the method of presenting operating conditions according to the present invention is the above invention, in which the product is a steel product manufactured through a plurality of processes, and the steel product manufactured in the final process is treated as a unit, and the operating conditions in each process are linked to the quality of the steel product inspected after the final process to form the input data.

また、本発明に係る操業条件提示方法は、上記発明において、前記製品が、複数の工程を経て製造される鉄鋼製品であり、前記複数の工程には、製銑、製鋼、熱延、冷延、焼鈍および表面処理のいずれか一つ以上の工程が含まれる。 The method of presenting operating conditions according to the present invention is the above-mentioned invention, in which the product is a steel product manufactured through a plurality of processes, and the plurality of processes includes one or more of ironmaking, steelmaking, hot rolling, cold rolling, annealing, and surface treatment.

また、本発明に係る操業条件提示方法は、上記発明において、前記品質予測モデルが、畳み込みニューラルネットワーク、ランダムフォレスト、勾配ブースティング木またはサポートベクターマシンを用いて構築される。 In addition, in the operating condition presentation method according to the present invention, in the above invention, the quality prediction model is constructed using a convolutional neural network, a random forest, a gradient boosting tree, or a support vector machine.

また、本発明に係る操業条件提示方法は、上記発明において、前記影響度算出ステップが、畳み込みニューラルネットワークの畳み込み層の要素ごとに、各要素内のピクセルの微小変化に対する最終出力への微分係数を評価して前記要素の重み係数を定め、各重み係数と前記各要素に基づいて、前記操業条件の相対的影響度を算出する。 In the method for presenting operating conditions according to the present invention, the influence calculation step evaluates the differential coefficient of the final output for a small change in the pixel in each element of the convolutional layer of the convolutional neural network to determine a weighting coefficient for the element, and calculates the relative influence of the operating condition based on each weighting coefficient and each element.

上述した課題を解決し、目的を達成するために、本発明に係る操業条件提示装置は、製品を製造する際の操業条件を入力データとし、製造された前記製品の品質カテゴリごとの欠陥発生確率スコアを出力データとして学習された品質予測モデルに対して、前記製品の製造途中工程までの実績操業条件と、その後の工程について標準条件として設定された設定操業条件とを入力することにより、前記実績操業条件および前記設定操業条件で製造した場合の前記製品の欠陥発生確率スコアを予測する品質予測手段と、前記欠陥発生確率スコアが所定の値を超える場合に、前記欠陥発生確率スコアに対する前記設定操業条件の相対的影響度を算出する影響度算出手段と、前記相対的影響度に基づいて、前記欠陥発生確率スコアが所定の値以下となるような設定操業条件を探索する操業条件探索手段と、探索した前記設定操業条件を提示する操業条件提示手段と、を備える。 In order to solve the above-mentioned problems and achieve the object, the operating condition presentation device according to the present invention is provided with: a quality prediction model trained with operating conditions for manufacturing a product as input data and defect occurrence probability scores for each quality category of the manufactured product as output data; a quality prediction means for predicting the defect occurrence probability score of the product when manufactured under the actual operating conditions and the set operating conditions by inputting actual operating conditions up to an intermediate process in the manufacturing of the product and set operating conditions set as standard conditions for the subsequent processes; an influence calculation means for calculating the relative influence of the set operating conditions on the defect occurrence probability score when the defect occurrence probability score exceeds a predetermined value; an operating condition search means for searching for set operating conditions that will make the defect occurrence probability score equal to or less than the predetermined value based on the relative influence; and an operating condition presentation means for presenting the searched set operating conditions.

本発明に係る操業条件提示方法および操業条件提示装置によれば、製品の製造途中段階で、その後の操業条件を標準の設定操業条件に固定し、最終製品の欠陥発生確率スコアの予測を行う。そして、その予測結果に基づいて、最終製品の欠陥発生確率スコアが所定の値以下となるような設定操業条件を探索することにより、最終製品の製造が完了する前に、品質への影響の高い操業条件を提示することができる。これにより、品質不良の発生を回避することができ、製造する製品の歩留りを向上させることができる。 According to the operating condition presentation method and operating condition presentation device of the present invention, during the intermediate stage of product manufacturing, subsequent operating conditions are fixed to standard set operating conditions, and a defect occurrence probability score for the final product is predicted. Then, based on the prediction results, set operating conditions are searched for that will result in a defect occurrence probability score for the final product below a predetermined value, making it possible to present operating conditions that have a large impact on quality before the manufacturing of the final product is completed. This makes it possible to avoid the occurrence of quality defects and improve the yield of the manufactured products.

図１は、本発明の実施形態に係る操業条件提示装置の概略的な構成を示す図である。FIG. 1 is a diagram showing a schematic configuration of an operation condition presentation device according to an embodiment of the present invention. 図２は、本発明の実施形態に係る操業条件提示装置において、実績操業条件データと品質データとを紐付けて作成した実績データを表形式で示した図である。FIG. 2 is a diagram showing, in a table format, performance data created by linking performance operation condition data with quality data in the operation condition presentation device according to the embodiment of the present invention. 図３は、製品の製造途中工程までの実績操業条件と、その後の工程の設定操業条件とからなる入力データを表形式で示した図である。FIG. 3 is a diagram showing, in a table format, input data consisting of actual operating conditions up to the intermediate manufacturing process of the product and set operating conditions for the subsequent processes. 図４は、本発明の実施形態に係る操業条件提示装置が実行する操業条件提示方法の手順を示すフローチャートである。FIG. 4 is a flowchart showing the procedure of an operation condition presentation method executed by the operation condition presentation device according to the embodiment of the present invention.

本発明の実施形態に係る操業条件提示方法および操業条件提示装置について、図面を参照しながら説明する。 The operation condition presentation method and operation condition presentation device according to an embodiment of the present invention will be described with reference to the drawings.

〔操業条件提示装置〕
まず、本発明の実施形態に係る操業条件提示装置の構成について、図１および図２を参照しながら説明する。操業条件提示装置では、実績操業条件に関するデータ（以下、「実績操業条件データ」という）と、標準条件として設定された設定操業条件に関するデータ（以下、「設定操業条件データ」という）とを、予め作成した品質予測モデル（数理モデル）に入力し、その予測結果に基づいて、品質不良を回避できる設定操業条件を探索してオペレータ等に提示する。 [Operation condition display device]
First, the configuration of an operation condition presentation device according to an embodiment of the present invention will be described with reference to Figures 1 and 2. In the operation condition presentation device, data on actual operation conditions (hereinafter referred to as "actual operation condition data") and data on preset operation conditions set as standard conditions (hereinafter referred to as "preset operation condition data") are input to a quality prediction model (mathematical model) created in advance, and based on the prediction results, preset operation conditions that can avoid quality defects are searched for and presented to an operator, etc.

操業条件提示装置１は、図１に示すように、入力部１０と、記憶部２０と、演算部３０と、表示部４０と、を備えている。 As shown in FIG. 1, the operating condition presentation device 1 includes an input unit 10, a memory unit 20, a calculation unit 30, and a display unit 40.

入力部１０は、演算部３０に対する入力手段であり、例えばキーボード、マウスポインタ、テンキー等の入力装置によって実現される。 The input unit 10 is an input means for the calculation unit 30, and is realized by an input device such as a keyboard, a mouse pointer, or a numeric keypad.

記憶部２０は、ＥＰＲＯＭ（Erasable Programmable ROM）、ハードディスクドライブ（Hard Disk Drive：ＨＤＤ）およびリムーバブルメディア等の記録媒体から構成される。リムーバブルメディアとしては、例えばＵＳＢ（Universal Serial Bus）メモリ、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disc）、ＢＤ（Blu-ray（登録商標） Disc）のようなディスク記録媒体が挙げられる。記憶部２０には、オペレーティングシステム（Operating System：ＯＳ）、各種プログラム、各種テーブル、各種データベース等が格納可能である。記憶部２０には、操業ＤＢ（データベース）２１が保存されている。 The storage unit 20 is composed of recording media such as an EPROM (Erasable Programmable ROM), a hard disk drive (HDD), and removable media. Examples of removable media include a universal serial bus (USB) memory, and disc recording media such as a compact disc (CD), a digital versatile disc (DVD), and a Blu-ray (registered trademark) disc (BD). The storage unit 20 can store an operating system (OS), various programs, various tables, various databases, and the like. The storage unit 20 also stores an operation database (DB) 21.

操業ＤＢ２１には、過去に製造された製品の操業データが索出可能に格納されている。ここで、本実施形態における「製品」としては、複数の工程を経て製造される鉄鋼製品等が挙げられる。例えば鉄鋼製品の場合、前記した「複数の工程」としては、例えば製銑工程、製鋼工程、熱延工程、冷延工程、焼鈍工程および表面処理工程の、いずれか一つ以上の工程が含まれる。 Operation DB21 stores searchable operational data for products that have been manufactured in the past. In this embodiment, the "product" may be a steel product manufactured through multiple processes. For example, in the case of a steel product, the "multiple processes" may include one or more of the following processes: iron-making process, steel-making process, hot rolling process, cold rolling process, annealing process, and surface treatment process.

また、「操業データ」としては、例えば各工程の標準条件として事前に設定されている設定操業条件データと、過去に製品を製造した際の複数の工程における実績操業条件データ（製造条件データ、センサデータ等）と、最終工程後に検査された製品の品質データと、が挙げられる。 Examples of "operation data" include preset operation condition data that is set in advance as standard conditions for each process, actual operation condition data (manufacturing condition data, sensor data, etc.) from multiple processes when products were manufactured in the past, and quality data of products inspected after the final process.

例えば鉄鋼製品の場合、前記した設定操業条件データおよび実績操業条件データとしては、製鋼工程における製品厚、製品幅、製品長、鋼中成分、鋳造速度等のデータ、熱延工程における製品厚、製品幅、製品長、製品温度、圧延速度等のデータ、冷延工程における製品厚、製品幅、製品長、圧延速度等のデータ、表面処理工程における製品厚、製品幅、製品長、表面処理炉中温度、表面処理速度等のデータ、が挙げられる。また、品質データとしては、表面処理工程終了時における表面欠陥検査結果のデータ等が挙げられる。 For example, in the case of steel products, the set operating condition data and actual operating condition data include data on product thickness, product width, product length, steel components, casting speed, etc. in the steelmaking process, data on product thickness, product width, product length, product temperature, rolling speed, etc. in the hot rolling process, data on product thickness, product width, product length, rolling speed, etc. in the cold rolling process, data on product thickness, product width, product length, temperature in the surface treatment furnace, surface treatment speed, etc. in the surface treatment process. In addition, quality data includes data on the results of surface defect inspection at the end of the surface treatment process.

演算部３０は、例えばＣＰＵ（Central Processing Unit）等からなるプロセッサと、ＲＡＭ（Random Access Memory）やＲＯＭ（Read Only Memory）等からなるメモリ（主記憶部）と、によって実現される。 The calculation unit 30 is realized by a processor such as a CPU (Central Processing Unit) and a memory (main storage unit) such as a RAM (Random Access Memory) and a ROM (Read Only Memory).

演算部３０は、プログラムを主記憶部の作業領域にロードして実行し、プログラムの実行を通じて各構成部等を制御することにより、所定の目的に合致した機能を実現する。演算部３０は、前記したプログラムの実行を通じて、データ紐付部３１、モデル作成部３２、品質予測部３３、影響度算出部３４および操業条件提示部３５として機能する。なお、図１では、例えば一つのコンピュータによって各部の機能を実現する例を示しているが、各部の機能の実現手段は特に限定されず、例えば複数のコンピュータによって各部の機能をそれぞれ実現してもよい。 The calculation unit 30 loads a program into the working area of the main memory and executes it, and controls each component part through the execution of the program to realize functions that meet a predetermined purpose. Through the execution of the program, the calculation unit 30 functions as a data linking unit 31, a model creation unit 32, a quality prediction unit 33, an impact calculation unit 34, and an operation condition presentation unit 35. Note that while FIG. 1 shows an example in which the functions of each unit are realized by, for example, one computer, the means for realizing the functions of each unit is not particularly limited, and the functions of each unit may be realized by, for example, multiple computers.

データ紐付部３１は、実績操業条件データと品質データとの紐付けを行う。まずデータ紐付部３１は、多工程における製造の過程で、製造設備や製造装置に事前に設定されている設定操業条件データと、複数の計測装置によって計測された実績操業条件データと、最終工程後に実際に検査された製品の品質データとを、操業ＤＢ２１から収集する。 The data linking unit 31 links the actual operating condition data with the quality data. First, the data linking unit 31 collects from the operation DB 21 the preset operating condition data that is set in advance for the manufacturing equipment and manufacturing devices during the multi-process manufacturing process, the actual operating condition data measured by multiple measuring devices, and the quality data of the product that is actually inspected after the final process.

ある製品の製造時の設定操業条件データＸ＊は、例えば以下のような要素を有している。
Ｘ＝［ｘ＊ １，ｘ＊ ２，…，ｘ＊ ｍ，…，ｘ＊ Ｍ］（１≦ｍ≦Ｍ） The set operation condition data X * for manufacturing a certain product has, for example, the following elements:
X = [x * 1 , x * 2 , ..., x * m , ..., x * M ] (1 ≤ m ≤ M)

但し、上記の「ｘ＊ ｍ」は、製品を製造する際に、一番目の工程からＫ番目の工程までのＫ個の工程を経る場合に、Ｋ個の工程のうちの工程ｋ（１≦ｋ≦Ｋ）における、一つの製造設備や製造装置の一つの設定値を示しており、全工程で総数Ｍ種類の設定値のうち、ｍ種類目（１≦ｍ≦Ｍ）にあたる設定値を示している。 However, the above "x * m " indicates one setting value of one manufacturing facility or manufacturing device at process k (1≦k≦K) of the K processes when manufacturing a product through K processes from the first process to the Kth process, and indicates the mth setting value (1≦m≦M) out of a total of M types of setting values in all processes.

また、ある製品の製造時の実績操業条件データＸは、例えば以下のような要素を有している。
Ｘ＝［ｘ１，ｘ２，…，ｘｍ，…，ｘＭ］ Moreover, the actual operation condition data X during the manufacture of a certain product has, for example, the following elements:
X = [ x1 , x2 , ..., xm , ..., xM ]

但し、上記の「ｘｍ」は、製品を製造する際に、一番目の工程からＫ番目の工程までのＫ個の工程を経る場合に、Ｋ個の工程のうちの工程ｋ（１≦ｋ≦Ｋ）における、一つの製造設備や製造装置の一つの実績値を示しており、全工程で総数Ｍ種類の実績値のうち、ｍ種類目（１≦ｍ≦Ｍ）にあたる実績値を示している。 However, the above "x m " indicates one actual value of one manufacturing facility or manufacturing device at process k (1≦k≦K) of the K processes when manufacturing a product through K processes from the first process to the Kth process, and indicates the mth actual value (1≦m≦M) out of a total of M types of actual values in all processes.

また、ある製品の品質データＹは、例えば以下のような要素を有している。
Ｙ＝［ｙ］ Moreover, quality data Y of a certain product has, for example, the following elements:
Y = [y]

但し、上記の「ｙ」は、製品を製造する際に、一番目の工程からＫ番目の工程までのＫ個の工程を経る場合に、Ｋ個の工程のうちの工程Ｋ、すなわち最終工程後における製品の品質検査判定結果を示している。ここで、品質は、複数の異なる品質評価であってもよい。すなわち、品質カテゴリごとにｙｉとして複数の出力を考慮することもできる。 Here, "y" above indicates the quality inspection result of the product after process K, i.e., the final process, when K processes from the first process to the Kth process are passed in manufacturing the product. Here, the quality may be a plurality of different quality evaluations. In other words, a plurality of outputs may be considered as yi for each quality category.

データ紐付部３１は、最終工程で製造される製品（最終製品）を一単位として、各工程における実績操業条件データと最終工程後に検査された製品の品質データとを紐づけて、例えば図２に示すような表形式のデータを作成する。同図のデータでは、Ｎ個の製品ごとのデータが行方向に並び、品質データＹと、実績操業条件データＸｍ（１≦ｍ≦Ｍ）が列方向に並んでいる。同図に示したデータは、後記する品質予測モデルを作成する際の入力データとなる。なお、データ紐付部３１は、紐付けを行ったデータを記憶部２０に保存してもよい。 The data linking unit 31 links the actual operating condition data in each process with the quality data of the product inspected after the final process, with the product manufactured in the final process (final product) as one unit, to create tabular data, for example, as shown in Fig. 2. In the data in Fig. 2, data for N products are arranged in the row direction, and quality data Y and actual operating condition data Xm (1≦m≦M) are arranged in the column direction. The data shown in Fig. 2 is used as input data when creating a quality prediction model, which will be described later. The data linking unit 31 may store the linked data in the storage unit 20.

データ紐付部３１は、製品の特定の部位ごとに実績操業条件データと品質データとを紐付けてもよい。例えば鋼板等の鉄鋼製品では、工程を経るにつれて、圧延等によって長さが変化する。そこで、最終製品（鋼板）の製品内の特定の部位を基準として、それらの部位が途中工程の製品のどの部位に対応するのかを追跡（トラッキング）する。そして、最終製品の特定の部位を基準として、各工程の特定の部位の実績操業条件データと、最終製品の対応する部位の品質データとを紐付ける。これにより、最終製品の特定の部位ごとに、品質予測モデルの入力データを作成することができる。 The data linking unit 31 may link the actual operating condition data and the quality data for each specific portion of the product. For example, in the case of steel products such as steel plates, the length changes as the product passes through the processes due to rolling, etc. Therefore, using specific portions within the final product (steel plate) as a reference, it is tracked to determine which portions of the product in the intermediate process correspond to those portions. Then, using the specific portion of the final product as a reference, the actual operating condition data for specific portions of each process is linked to the quality data for the corresponding portion of the final product. This makes it possible to create input data for the quality prediction model for each specific portion of the final product.

モデル作成部３２は、データ紐付部３１が作成した実績データを用いて、任意の操業条件に対する製品の品質を予測する品質予測モデルを構築する。品質予測モデルの構築には、機械学習アルゴリズムによる数理モデルを適用することができる。具体的な機械学習アルゴリズムとしては、例えばニューラルネットワーク構造のアルゴリズム、ランダムフォレスト、勾配ブースティング木といった決定木型のアルゴリズム、サポートベクターマシン等のアルゴリズムが挙げられる。 The model creation unit 32 uses the performance data created by the data linking unit 31 to build a quality prediction model that predicts product quality for any operating conditions. A mathematical model based on a machine learning algorithm can be applied to build the quality prediction model. Specific machine learning algorithms include, for example, algorithms with a neural network structure, decision tree algorithms such as random forests and gradient boosting trees, and algorithms such as support vector machines.

本実施形態では、ニューラルネットワーク構造のアルゴリズムの一種である畳み込みニューラルネットワーク（Convolutional Neural Network（以下、「ＣＮＮ」という））を利用して品質予測モデルを構築する。ＣＮＮは、人間の脳の神経回路網と呼ばれる神経細胞（ニューロン）からなるネットワーク構造とその学習機構を模した機械学習アルゴリズムである。ＣＮＮは、入力層、畳み込み層、プーリング層、全結合層および出力層から構成される。 In this embodiment, a quality prediction model is constructed using a Convolutional Neural Network (hereinafter referred to as "CNN"), which is a type of algorithm with a neural network structure. CNN is a machine learning algorithm that mimics the network structure of nerve cells (neurons) in the human brain, called the neural circuit network, and its learning mechanism. CNN is composed of an input layer, a convolution layer, a pooling layer, a fully connected layer, and an output layer.

入力層では入力データが入力される。本実施形態における入力データは、各工程における実績操業条件と製品の品質とが紐付けられたデータである。また、入力データは、図２に示すように、複数の工程における実績操業条件が一次元ベクトルとして配置されたデータである。 Input data is input to the input layer. In this embodiment, the input data is data that links the actual operating conditions in each process with the quality of the product. In addition, the input data is data in which the actual operating conditions in multiple processes are arranged as a one-dimensional vector, as shown in Figure 2.

畳み込み層では、入力データの一部の領域ごとにカーネルと呼ばれるフィルタを掛けることにより、データの畳み込みを行い、特徴抽出を行って特徴マップ（「要素」ともいう）を構成する。フィルタの数は複数であってもよく、その場合は構成される特徴マップの数も複数になる。また、ＣＮＮの学習では、フィルタのパラメータが自動的に学習される。 In the convolutional layer, a filter called a kernel is applied to each region of the input data to convolve the data and extract features to construct a feature map (also called an "element"). There may be multiple filters, in which case multiple feature maps will be constructed. In addition, when training a CNN, the filter parameters are learned automatically.

プーリング層では、畳み込みによって得られた各々の特徴マップのサイズを縮約する。畳み込み層およびプーリング層は、交互にそれぞれ同数の複数層で構成してもよい。全結合層では、特徴マップの組み合わせから、特定の予測結果に分類するための識別を行う。例えば鉄鋼製品の場合、前記した「特定の予測結果」としては、表面欠陥等の品質不良の有無が挙げられる。 In the pooling layer, the size of each feature map obtained by convolution is reduced. The convolutional layers and pooling layers may be configured with the same number of layers, alternating. In the fully connected layer, classification is performed to classify the combination of feature maps into specific prediction results. For example, in the case of steel products, the aforementioned "specific prediction results" include the presence or absence of quality defects such as surface defects.

ＣＮＮを適用することにより、入力データに対する特徴的なパターンを抽出し、そのパターンによって高精度に識別される分類を出力データとして得ることができる。本実施形態では、品質に影響を及ぼす複数の操業条件の複雑なパターンを、各操業条件の一次元入力に対して品質不良発生の有無の分類確率を出力とするＣＮＮ（一次元ＣＮＮ）によって識別を行う。この場合、品質不良発生の分類確率が、任意の値ｐ（０≦ｐ≦１）未満の場合は「品質不良なし」と分類し、当該分類確率が任意の値ｐ以上の場合は「品質不良あり」と分類するように、分類確率の閾値を設定する。 By applying CNN, it is possible to extract characteristic patterns from input data and obtain classifications that are identified with high accuracy based on those patterns as output data. In this embodiment, complex patterns of multiple operating conditions that affect quality are identified by a CNN (one-dimensional CNN) that outputs the classification probability of the occurrence or absence of quality defects for each one-dimensional input of each operating condition. In this case, a threshold for the classification probability is set so that if the classification probability of the occurrence of quality defects is less than an arbitrary value p (0≦p≦1), it is classified as "no quality defect," and if the classification probability is equal to or greater than an arbitrary value p, it is classified as "quality defect."

モデル作成部３２は、製品を製造する際の複数の工程における実績操業条件を入力データとし、製造された製品の品質カテゴリごとの欠陥発生確率スコアを出力データとして、ＣＮＮの学習を行う。なお、「品質カテゴリごとの欠陥発生確率スコア」とは、例えば「欠陥Ａの発生確率が７０％」、「欠陥Ｂの発生確率が３０％」等のように、複数種類の欠陥の有無に関する分類確率のことを示している。 The model creation unit 32 uses the actual operating conditions in multiple processes when manufacturing a product as input data and the defect occurrence probability score for each quality category of the manufactured product as output data to train the CNN. Note that the "defect occurrence probability score for each quality category" refers to the classification probability regarding the presence or absence of multiple types of defects, such as "the probability of occurrence of defect A is 70%" and "the probability of occurrence of defect B is 30%."

なお、モデル作成部３２は、各工程において、最終工程で製造される製品内の複数の部位に対応する部位の実績操業条件を入力データとし、最終工程で製造される製品内の複数の部位の欠陥発生確率スコアを出力データとして、ＣＮＮの学習を行ってもよい。これにより、最終製品の特定の部位について、それに対応する実績操業条件を、各工程を遡って追跡し、品質予測モデルを構築することができる。 The model creation unit 32 may perform CNN training in each process using the actual operating conditions of parts corresponding to multiple parts in the product manufactured in the final process as input data and the defect occurrence probability scores of multiple parts in the product manufactured in the final process as output data. This makes it possible to trace the actual operating conditions corresponding to a specific part of the final product back through each process and build a quality prediction model.

品質予測部３３は、製造途中工程までの実績操業条件と、その後の工程の設定操業条件とを入力データとして、品質予測モデルによる予測を行う。すなわち、品質予測部３３は、製品を製造する際の操業条件を入力データとし、製造された製品の品質カテゴリごとの欠陥発生確率スコアを出力データとして学習された品質予測モデルに対して、製品の製造途中工程までの実績操業条件と、その後の工程の設定操業条件とを入力することにより、実績操業条件および設定操業条件で製造した場合の製品の欠陥発生確率スコアを予測する。 The quality prediction unit 33 uses the actual operating conditions up to the intermediate manufacturing process and the set operating conditions of the subsequent process as input data to make a prediction using a quality prediction model. That is, the quality prediction unit 33 inputs the actual operating conditions up to the intermediate manufacturing process of the product and the set operating conditions of the subsequent process into a quality prediction model trained with the operating conditions when manufacturing the product as input data and the defect occurrence probability score for each quality category of the manufactured product as output data, thereby predicting the defect occurrence probability score of the product when manufactured under the actual operating conditions and the set operating conditions.

品質予測部３３は、図３に示すように、製品を製造するための工程として、一番目の工程からＫ番目の工程までのＫ個の工程を実施する場合に、一番目の工程１からｋ番目（１≦ｋ≦Ｋ）の工程ｋまでの実績操業条件データＸｍと、ｋ＋１番目の工程（ｋ＋１）からＫ番目の工程Ｋまでの設定操業条件データＸ＊ ｍとを入力データとして、品質予測モデルによる予測を行う。 As shown in FIG. 3 , when K processes from a first process to a K-th process are performed as processes for manufacturing a product, the quality prediction unit 33 performs prediction using a quality prediction model using as input data actual operating condition data Xm from the first process 1 to the kth process k (1≦k≦K) and set operating condition data X * m from the k+1th process (k+1) to the Kth process K.

影響度算出部３４は、機械学習アルゴリズムに対する入力データの相対的影響度（相対的影響度評価値）を算出する。影響度算出部３４は、具体的には、品質予測部３３によって予測された欠陥発生確率スコアが所定の値を超える場合に、欠陥発生確率スコアに対する各設定操業条件の相対的影響度を算出する。 The influence calculation unit 34 calculates the relative influence (relative influence evaluation value) of the input data on the machine learning algorithm. Specifically, when the defect occurrence probability score predicted by the quality prediction unit 33 exceeds a predetermined value, the influence calculation unit 34 calculates the relative influence of each set operating condition on the defect occurrence probability score.

影響度算出部３４は、製品の品質を予測する品質予測モデルに対して、各設定操業条件の相対的影響度を算出する数理手法を適用する。この数理手法としては、例えばＳＨＡＰ（Shapley Additive exPlanations）、ＬＩＭＥ（Local Interpretable Model-agnostic Explainations）等を用いることができる。また、品質予測モデルをＣＮＮによって作成した場合は、Ｇｒａｄ－ＣＡＭ（Gradient-weighted Class Activation Mapping）、Ｇｕｉｄｅｄ Ｇｒａｄ－ＣＡＭ等を用いることができる。本実施形態では、この数理手法として、以下の参考文献１に記載されたＧｒａｄ－ＣＡＭ（Gradient-weighted Class Activation Mapping）を用いる。 The influence calculation unit 34 applies a mathematical method to calculate the relative influence of each set operating condition to the quality prediction model that predicts the quality of the product. For example, SHAP (Shapley Additive exPlanations), LIME (Local Interpretable Model-agnostic Explainations), etc. can be used as this mathematical method. Furthermore, if the quality prediction model is created by CNN, Grad-CAM (Gradient-weighted Class Activation Mapping), Guided Grad-CAM, etc. can be used. In this embodiment, Grad-CAM (Gradient-weighted Class Activation Mapping) described in Reference 1 below is used as this mathematical method.

参考文献１：Ramprasaath R. Selvaraju, et al.「Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization」，2017，IEEE International Conference on Computer Vision（ICCV） Reference 1: Ramprasaath R. Selvaraju, et al. "Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization", 2017, IEEE International Conference on Computer Vision (ICCV)

影響度算出部３４は、畳み込みニューラルネットワークの畳み込み層の要素（特徴マップ）ごとに、各要素内のピクセルの微小変化に対する最終出力への微分係数を評価して要素の重み係数を定め、各重み係数と各要素に基づいて、操業条件の相対的影響度を算出する。 The influence calculation unit 34 evaluates the differential coefficient of the final output for each element (feature map) of the convolutional layer of the convolutional neural network in response to a small change in the pixels in each element to determine the weighting coefficient of the element, and calculates the relative influence of the operating conditions based on each weighting coefficient and each element.

影響度算出部３４は、具体的には以下の手順により、欠陥発生確率スコアに対する各設定操業条件の相対的影響度を算出する。
（１）学習済みのＣＮＮにおいて、特定分類クラス判定の出力（特定の品質カテゴリの欠陥発生確率スコア）を、最終畳み込み層の一つの特徴マップの一箇所（一ピクセル）の値について微分し、当該ピクセル値を微小変化させた場合の欠陥発生確率スコアの変化率を表す微分係数を求める。
（２）全ピクセルの微分係数の平均を取ることにより、特定分類クラス判定に応じた一つの特徴マップに対する重み係数を求める。
（３）最終畳み込み層の全ての特徴マップにそれぞれ重み係数をかけて平均を計算する。これにより、特定クラスに分類するために重要な特徴マップが重視された、重ね合わせとなる。
（４）活性化関数ＲｅＬＵ（ランプ関数）を通して、０から１までの範囲の実数値を取る相対的影響度を算出する。 Specifically, the influence calculation unit 34 calculates the relative influence of each set operational condition on the defect occurrence probability score by the following procedure.
(1) In a trained CNN, the output of a specific classification class judgment (the defect occurrence probability score of a specific quality category) is differentiated with respect to the value of one point (one pixel) of one feature map in the final convolutional layer, and a differential coefficient that represents the rate of change in the defect occurrence probability score when the pixel value is slightly changed is calculated.
(2) A weighting factor for one feature map corresponding to a particular classification class is calculated by averaging the derivatives of all pixels.
(3) All feature maps in the final convolutional layer are multiplied by a weighting factor and averaged, resulting in a superposition that emphasizes feature maps that are important for classifying a particular class.
(4) Calculate the relative influence, which takes real values ranging from 0 to 1, through an activation function ReLU (ramp function).

ここで、上記演算では、最終畳み込み層との関係で特定分類クラスの出力への影響を評価しているが、最終畳み込み層は、入力層から複数の畳み込み層とプーリング層とを経て得られる。そのため、最終畳み込み層のサイズは、入力層をサイズ的に縮約したものとなっている。従って、縮約されたサイズの大きさだけ拡張することにより、入力との対応を明確に付けることが可能である。 Here, in the above calculation, the effect on the output of a specific classification class is evaluated in relation to the final convolutional layer, which is obtained from the input layer via multiple convolutional layers and pooling layers. Therefore, the size of the final convolutional layer is a reduced size of the input layer. Therefore, by expanding it by the amount of the reduced size, it is possible to clearly establish a correspondence with the input.

操業条件提示部３５は、影響度算出部３４によって算出された相対的影響度に基づいて、欠陥発生確率スコアが所定の値以下となるような設定操業条件を探索し、探索した設定操業条件を、表示部４０を介して提示する。 The operating condition presentation unit 35 searches for set operating conditions that will result in a defect occurrence probability score that is equal to or less than a predetermined value based on the relative impact calculated by the impact calculation unit 34, and presents the set operating conditions that have been found via the display unit 40.

操業条件提示部３５は、影響度算出部３４によって相対的影響度を算出した設定操業条件のうち、欠陥発生確率スコアの値が、予め定めた所定の値を超える設定操業条件を変更しながら、当該設定操業条件を実績操業条件とともに品質予測モデルに対して入力して品質予測を行う。これにより、欠陥発生確率スコアが所定の値以下となるような設定操業条件を探索する。 The operating condition presentation unit 35 performs quality prediction by inputting the set operating conditions, together with the actual operating conditions, into the quality prediction model while changing the set operating conditions whose relative influences have been calculated by the influence calculation unit 34 and whose defect occurrence probability score exceeds a predetermined value. This searches for set operating conditions that will result in a defect occurrence probability score that is equal to or less than the predetermined value.

操業条件提示部３５は、以下の手順により、設定操業条件を探索して提示する。
（１）影響度算出部３４によって算出された相対的影響度から、ｋ＋１番目の工程（ｋ＋１）からＫ番目の工程Ｋまでの設定操業条件の項目のみを抽出する。
（２）上記（１）で抽出した各項目の相対的影響度を、その値が大きい項目順に並べ替える。
（３）上記（２）で並べ替えた項目の上位から順に、設定変更の可否を任意の方法で判定する。なお、「設定変更の可否」とは、その設定操業条件の値を操作（変更）できるか否かを示している。例えば例えばある設備の状態を単純に計測することを目的としており、操作ができないような設定操業条件は、「設定変更不可」と判定される。
（４）上記（３）で設定変更可能な項目が初めて判定された際に、その項目を操作可能な設定操業条件と決定する。
（５）上記（４）で決定された操作可能な設定操業条件については現在の値から別の値に変更し、他の設定操業条件については現在の値のままとして、これらの設定操業条件と工程ｋまでの実績操業条件を合わせて品質予測モデルに入力し、品質予測結果を出力する。
（６）上記（５）で出力された品質予測結果を、予め設定された品質管理範囲と照合する。
（７）上記（６）において、品質予測結果が品質管理範囲内に収まっている場合、上記（５）で変更した値を設定操作条件として、表示部４０を介して提示する。
（８）上記（６）において、品質予測結果が品質管理範囲内に収まっていない場合、上記（５）に戻り、操作可能な設定操業条件の値を更に別の値に変更し、以降の（６）を繰り返す。なお、上記（５）、（６）を繰り返す場合、例えば反復法等の最適化手法を用いてもよい。 The operation condition presentation unit 35 searches for and presents the set operation conditions in the following procedure.
(1) From the relative influence calculated by the influence calculation unit 34, only the items of the set operation conditions from the k+1th process (k+1) to the Kth process K are extracted.
(2) The relative influence of each item extracted in (1) above is rearranged in descending order of value.
(3) The possibility of changing the settings is determined in any manner, starting from the top of the items sorted in (2) above. Note that "possibility of changing the settings" refers to whether the value of the set operating condition can be manipulated (changed). For example, a set operating condition that is intended to simply measure the state of a certain piece of equipment and cannot be manipulated is determined to be "non-changeable."
(4) When a changeable setting item is determined for the first time in (3) above, the setting item is determined as an operable setting operating condition.
(5) The operable set operating conditions determined in (4) above are changed from their current values to different values, while the other set operating conditions are left unchanged at their current values. These set operating conditions and the actual operating conditions up to process k are input into a quality prediction model, and a quality prediction result is output.
(6) The quality prediction result output in (5) above is compared with a preset quality control range.
(7) In the above (6), if the quality prediction result falls within the quality control range, the value changed in the above (5) is presented as a setting operation condition via the display unit 40.
(8) In the above (6), if the quality prediction result is not within the quality control range, return to the above (5), change the operable set operating condition value to another value, and repeat the following (6). Note that when repeating the above (5) and (6), an optimization method such as an iterative method may be used.

ここで、上記の手順（２）～（５）では、相対的影響度が最も大きい（かつ設定変更可能な）一つの設定操業条件のみを別の値に変更しているが、相対的影響度が予め設定された値よりも大きい（かつ設定変更可能な）複数の設定操業条件をそれぞれ別の値に変更してもよい。 In the above steps (2) to (5), only one set operating condition with the greatest relative influence (and which can be changed) is changed to a different value, but multiple set operating conditions with a relative influence greater than a preset value (and which can be changed) may each be changed to a different value.

表示部４０は、例えばＬＣＤディスプレイ、ＣＲＴディスプレイ等の表示装置によって実現される。表示部４０は、演算部３０から入力される表示信号をもとに、例えば品質予測部３３による品質予測結果、影響度算出部３４による相対的影響度の算出結果、操業条件提示部３５による設定操業条件の探索結果等を、文字や図形等形式で表示する。 The display unit 40 is realized by a display device such as an LCD display or a CRT display. Based on the display signal input from the calculation unit 30, the display unit 40 displays, for example, the quality prediction result by the quality prediction unit 33, the calculation result of the relative impact by the impact calculation unit 34, the search result of the set operating conditions by the operating condition presentation unit 35, etc., in the form of characters, figures, etc.

〔操業条件提示方法〕
本発明の実施形態に係る操業条件提示装置１による操業条件提示方法について、図４を参照しながら説明する。操業条件提示方法には、データ収集ステップ（ステップＳ１）と、データ紐付けステップ（ステップＳ２）と、モデル作成ステップ（ステップＳ３）と、品質予測ステップ（ステップＳ４）と、影響度算出ステップ（ステップＳ５，Ｓ６）と、設定操業条件探索ステップ（ステップＳ７，Ｓ８）とが含まれる。操業条件提示方法における各ステップのうち、データ収集ステップ、データ紐付けステップおよびモデル作成ステップは、それ以外のステップとは別のタイミングで予め実施してもよい。 [How to present operating conditions]
An operation condition presentation method by the operation condition presentation device 1 according to the embodiment of the present invention will be described with reference to Fig. 4. The operation condition presentation method includes a data collection step (step S1), a data linking step (step S2), a model creation step (step S3), a quality prediction step (step S4), an influence degree calculation step (steps S5, S6), and a set operation condition search step (steps S7, S8). Of the steps in the operation condition presentation method, the data collection step, the data linking step, and the model creation step may be performed in advance at a timing different from that of the other steps.

まず、データ紐付部３１は、複数の工程における実績操業条件データおよび品質データを、操業ＤＢ２１から収集する（ステップＳ１）。続いて、データ紐付部３１は、実績操業条件データおよび品質データの紐付けを行う（ステップＳ２）。続いて、モデル作成部３２は、製品を製造する際の複数の工程における実績操業条件を入力データとし、製造された製品の品質カテゴリごとの欠陥発生確率スコアを出力データとする品質予測モデル（例えばＣＮＮ）を作成する（ステップＳ３）。 First, the data linking unit 31 collects actual operating condition data and quality data for multiple processes from the operation DB 21 (step S1). Next, the data linking unit 31 links the actual operating condition data and the quality data (step S2). Next, the model creation unit 32 creates a quality prediction model (e.g., CNN) in which the actual operating conditions for multiple processes when manufacturing a product are used as input data, and the defect occurrence probability score for each quality category of the manufactured product is used as output data (step S3).

続いて、品質予測部３３は、製造途中工程までの実績操業条件と、その後の工程の設定操業条件とを入力データとして、品質予測モデルによって欠陥発生確率スコアを予測する（ステップＳ４）。続いて、影響度算出部３４は、品質予測モデルが品質不良発生と予測したか否か、すなわち品質予測モデルに入力した実績操業条件および設定操業条件のもとで品質不良が発生するか否かを判定する（ステップＳ５）。 Next, the quality prediction unit 33 predicts the defect occurrence probability score using the quality prediction model with the actual operating conditions up to the intermediate manufacturing process and the set operating conditions of the subsequent process as input data (step S4). Next, the impact calculation unit 34 judges whether the quality prediction model has predicted the occurrence of a quality defect, i.e., whether a quality defect will occur under the actual operating conditions and set operating conditions input to the quality prediction model (step S5).

品質不良が発生しないと判定した場合（ステップＳ５でＮｏ）、影響度算出部３４は、本処理を終了する。一方、品質不良が発生すると判定した場合（ステップＳ５でＹｅｓ）、影響度算出部３４は、学習済みの品質予測モデルをもとに、欠陥発生確率スコアに対する各設定操業条件の相対的影響度を算出する（ステップＳ６）。 If it is determined that a quality defect will not occur (No in step S5), the impact calculation unit 34 ends this process. On the other hand, if it is determined that a quality defect will occur (Yes in step S5), the impact calculation unit 34 calculates the relative impact of each set operating condition on the defect occurrence probability score based on the trained quality prediction model (step S6).

続いて、操業条件提示部３５は、品質予測モデルに入力された設定操業条件のうち、相対的影響度の大きい設定操業条件の値を変更しながら、品質予測モデルによって欠陥発生確率スコアを予測する（ステップＳ７）。続いて、操業条件提示部３５は、欠陥発生確率スコアが目標範囲内になると予測された際の設定操業条件を、表示部４０を介して提示する（ステップＳ８）。 Next, the operating condition presentation unit 35 predicts the defect occurrence probability score using the quality prediction model while changing the values of the set operating conditions that have a relatively large influence among the set operating conditions input to the quality prediction model (step S7). Next, the operating condition presentation unit 35 presents the set operating conditions when the defect occurrence probability score is predicted to be within the target range via the display unit 40 (step S8).

以上説明した実施形態に係る操業条件提示方法および操業条件提示装置１では、製造途中工程までの実績操業条件とその後の工程の設定操業条件とを入力データとして、品質予測モデルによって予測を行う。そして、品質不良が発生すると予想される場合に、設定操業条件のうち、最終製品の品質に対する影響度の高い設定操業条件の値を変更しながら、品質予測モデルによって品質を予測し、品質が所望の結果となった際の設定操業条件の値を、表示部４０を介して提示する。 In the operating condition presentation method and operating condition presentation device 1 according to the embodiment described above, the actual operating conditions up to the intermediate manufacturing process and the set operating conditions for the subsequent process are used as input data, and a prediction is made using a quality prediction model. Then, when a quality defect is predicted to occur, the quality is predicted using the quality prediction model while changing the values of the set operating conditions that have a large impact on the quality of the final product, and the values of the set operating conditions when the desired quality is achieved are presented via the display unit 40.

このように、実施形態に係る操業条件提示方法および操業条件提示装置１によれば、製品の製造途中段階で、その後の操業条件を標準の設定操業条件に固定し、最終製品の欠陥発生確率スコアの予測を行う。そして、その予測結果に基づいて、最終製品の欠陥発生確率スコアが所定の値以下となるような設定操業条件を探索することにより、最終製品の製造が完了する前に、品質への影響の高い操業条件を提示することができる。これにより、品質不良の発生を回避することができ、製造する製品の歩留りを向上させることができる。 In this way, according to the operating condition presentation method and operating condition presentation device 1 of the embodiment, during the intermediate stage of product manufacturing, the subsequent operating conditions are fixed to the standard set operating conditions, and a defect occurrence probability score of the final product is predicted. Then, based on the prediction results, set operating conditions are searched for that will result in a defect occurrence probability score of the final product below a predetermined value, making it possible to present operating conditions that have a large impact on quality before the manufacturing of the final product is completed. This makes it possible to avoid the occurrence of quality defects and improve the yield of the manufactured products.

以上、本発明に係る操業条件提示方法および操業条件提示装置１について、発明を実施するための形態および実施例により具体的に説明したが、本発明の趣旨はこれらの記載に限定されるものではなく、特許請求の範囲の記載に基づいて広く解釈されなければならない。また、これらの記載に基づいて種々変更、改変等したものも本発明の趣旨に含まれることはいうまでもない。 The operating condition presentation method and operating condition presentation device 1 according to the present invention have been specifically described above using the form and examples for carrying out the invention, but the spirit of the present invention is not limited to these descriptions and must be interpreted broadly based on the claims. It goes without saying that various changes and modifications based on these descriptions are also included in the spirit of the present invention.

１ 操業条件提示装置
１０ 入力部
２０ 記憶部
２１ 操業ＤＢ
３０ 演算部
３１ データ紐付部
３２ モデル作成部
３３ 品質予測部
３４ 影響度算出部
３５ 操業条件提示部
４０ 表示部 1 Operation condition presentation device 10 Input unit 20 Storage unit 21 Operation DB
30 Calculation section 31 Data linking section 32 Model creation section 33 Quality prediction section 34 Impact degree calculation section 35 Operation condition presentation section 40 Display section

Claims (6)

製品を製造する際の操業条件を入力データとし、製造された前記製品の品質カテゴリごとの品質を出力データとして学習された品質予測モデルに対して、前記製品の製造途中工程までの実績操業条件と、その後の工程について標準条件として設定された設定操業条件とを入力することにより、前記実績操業条件および前記設定操業条件で製造した場合の前記製品の品質を予測する品質予測ステップと、
前記品質を示す値が所定の値を超える場合に、前記品質に対する前記設定操業条件の相対的影響度を算出する影響度算出ステップと、
前記相対的影響度に基づいて、前記品質を示す値が所定の値以下となるような設定操業条件を探索する操業条件探索ステップと、
探索した前記設定操業条件を提示する操業条件提示ステップと、
を含み、
前記操業条件探索ステップは、前記設定操業条件のうち、前記品質を示す値が所定の値を超える設定操業条件を変更しながら、前記実績操業条件とともに前記品質予測モデルに対して入力することにより、前記品質を示す値が所定の値以下となるような前記設定操業条件を探索する操業条件提示方法。 a quality prediction step of predicting the quality of the product when manufactured under the actual operating conditions and the set operating conditions by inputting actual operating conditions up to a mid-way manufacturing process of the product and set operating conditions set as standard conditions for the subsequent processes into a quality prediction model trained using operating conditions when manufacturing the product as input data and quality of the manufactured product for each quality category as output data;
an influence degree calculation step of calculating a relative influence degree of the set operating condition on the quality when the value indicating the quality exceeds a predetermined value;
an operating condition searching step of searching for a set operating condition such that the value indicating the quality is equal to or less than a predetermined value based on the relative influence degree;
an operation condition presentation step of presenting the searched set operation conditions;
Including,
The operating condition search step is an operating condition presentation method in which a set operating condition among the set operating conditions, in which a value indicating the quality exceeds a predetermined value, is changed and inputted into the quality prediction model together with the actual operating conditions, thereby searching for the set operating condition such that the value indicating the quality becomes equal to or less than the predetermined value. 前記製品は、複数の工程を経て製造される鉄鋼製品であり、
最終工程で製造される鉄鋼製品を一単位として、各工程における操業条件と最終工程後に検査された前記鉄鋼製品の品質とを紐づけて前記入力データとする請求項１に記載の操業条件提示方法。 The product is a steel product manufactured through a plurality of processes,
The operating condition presentation method according to claim 1, wherein the input data is generated by linking the operating conditions at each process with the quality of the steel product inspected after the final process, the steel product being treated as a unit produced in the final process. 前記製品は、複数の工程を経て製造される鉄鋼製品であり、
前記複数の工程には、製銑、製鋼、熱延、冷延、焼鈍および表面処理のいずれか一つ以上の工程が含まれる請求項１または請求項２に記載の操業条件提示方法。 The product is a steel product manufactured through a plurality of processes,
3. The method for proposing operating conditions according to claim 1 , wherein the plurality of processes include at least one of ironmaking, steelmaking, hot rolling, cold rolling, annealing, and surface treatment. 前記品質予測モデルは、畳み込みニューラルネットワーク、ランダムフォレスト、勾配ブースティング木またはサポートベクターマシンを用いて構築される請求項１から請求項３のいずれか一項に記載の操業条件提示方法。 The method for presenting operation conditions according to any one of claims 1 to 3 , wherein the quality prediction model is constructed using a convolutional neural network, a random forest, a gradient boosting tree, or a support vector machine. 前記影響度算出ステップは、畳み込みニューラルネットワークの畳み込み層の要素ごとに、各要素内のピクセルの微小変化に対する最終出力への微分係数を評価して前記要素の重み係数を定め、各重み係数と前記各要素に基づいて、前記操業条件の相対的影響度を算出する請求項１から請求項４のいずれか一項に記載の操業条件提示方法。 5. The method for presenting an operating condition according to claim 1, wherein the influence degree calculation step determines a weighting coefficient of each element of a convolution layer of a convolutional neural network by evaluating a differential coefficient of a final output with respect to a small change in a pixel in each element, and calculates a relative influence degree of the operating condition based on each weighting coefficient and each element. 製品を製造する際の操業条件を入力データとし、製造された前記製品の品質カテゴリごとの品質を出力データとして学習された品質予測モデルに対して、前記製品の製造途中工程までの実績操業条件と、その後の工程について標準条件として設定された設定操業条件とを入力することにより、前記実績操業条件および前記設定操業条件で製造した場合の前記製品の品質を予測する品質予測手段と、
前記品質を示す値が所定の値を超える場合に、前記品質に対する前記設定操業条件の相対的影響度を算出する影響度算出手段と、
前記相対的影響度に基づいて、前記品質を示す値が所定の値以下となるような設定操業条件を探索する操業条件探索手段と、
探索した前記設定操業条件を提示する操業条件提示手段と、
を備え、
前記操業条件探索手段は、前記設定操業条件のうち、前記品質を示す値が所定の値を超える設定操業条件を変更しながら、前記実績操業条件とともに前記品質予測モデルに対して入力することにより、前記品質を示す値が所定の値以下となるような前記設定操業条件を探索する操業条件提示装置。 a quality prediction means for predicting the quality of the product when manufactured under the actual operating conditions and the set operating conditions by inputting actual operating conditions up to a mid-way process of the product's manufacture and set operating conditions set as standard conditions for the subsequent processes into a quality prediction model trained using operating conditions when the product is manufactured as input data and quality of the manufactured product for each quality category as output data;
an influence degree calculation means for calculating a relative influence degree of the set operating condition on the quality when the value indicating the quality exceeds a predetermined value;
an operating condition searching means for searching for a set operating condition such that the value indicating the quality is equal to or smaller than a predetermined value based on the relative influence degree;
an operation condition presentation means for presenting the searched set operation conditions;
Equipped with
The operating condition search means is an operating condition presentation device that searches for set operating conditions among the set operating conditions where the value indicating the quality exceeds a predetermined value, by inputting the set operating conditions together with the actual operating conditions to the quality prediction model while changing the set operating conditions where the value indicating the quality exceeds a predetermined value, and thereby searches for the set operating conditions where the value indicating the quality is equal to or less than the predetermined value .
JP2021133826A 2021-08-19 2021-08-19 Operation condition presentation method and operation condition presentation device Active JP7493128B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2021133826A JP7493128B2 (en) 2021-08-19 2021-08-19 Operation condition presentation method and operation condition presentation device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021133826A JP7493128B2 (en) 2021-08-19 2021-08-19 Operation condition presentation method and operation condition presentation device

Publications (2)

Publication Number Publication Date
JP2023028245A JP2023028245A (en) 2023-03-03
JP7493128B2 true JP7493128B2 (en) 2024-05-31

Family

ID=85330709

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021133826A Active JP7493128B2 (en) 2021-08-19 2021-08-19 Operation condition presentation method and operation condition presentation device

Country Status (1)

Country Link
JP (1) JP7493128B2 (en)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009059045A (en) 2007-08-30 2009-03-19 Sumitomo Metal Ind Ltd Control method and control apparatus of product quality
WO2018062398A1 (en) 2016-09-30 2018-04-05 株式会社Uacj Device for predicting aluminum product properties, method for predicting aluminum product properties, control program, and storage medium
JP2020526667A (en) 2017-07-12 2020-08-31 タタ、スティール、ネダーランド、テクノロジー、ベスローテン、フェンノートシャップＴａｔａ Ｓｔｅｅｌ Ｎｅｄｅｒｌａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｂｖ How to operate the continuous processing line
JP2020190956A (en) 2019-05-22 2020-11-26 株式会社東芝 Manufacturing condition output device, quality management system and program
JP6811896B2 (en) 2018-04-19 2021-01-13 三菱電機株式会社 Equipment, methods, and computer programs to identify anomalous equipment
JP6839492B2 (en) 2016-02-10 2021-03-10 昭和電工株式会社 How to judge the quality of split products and traceability system for split products
WO2021106288A1 (en) 2019-11-28 2021-06-03 花王株式会社 Quality measurement method and quality measurement device
JP7000738B2 (en) 2017-08-22 2022-01-19 富士電機株式会社 Quality monitoring system and program
JP7414797B2 (en) 2019-02-27 2024-01-16 日本電気株式会社 Manufacturing control method

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009059045A (en) 2007-08-30 2009-03-19 Sumitomo Metal Ind Ltd Control method and control apparatus of product quality
JP6839492B2 (en) 2016-02-10 2021-03-10 昭和電工株式会社 How to judge the quality of split products and traceability system for split products
WO2018062398A1 (en) 2016-09-30 2018-04-05 株式会社Uacj Device for predicting aluminum product properties, method for predicting aluminum product properties, control program, and storage medium
JP2020526667A (en) 2017-07-12 2020-08-31 タタ、スティール、ネダーランド、テクノロジー、ベスローテン、フェンノートシャップＴａｔａ Ｓｔｅｅｌ Ｎｅｄｅｒｌａｎｄ Ｔｅｃｈｎｏｌｏｇｙ Ｂｖ How to operate the continuous processing line
JP7000738B2 (en) 2017-08-22 2022-01-19 富士電機株式会社 Quality monitoring system and program
JP6811896B2 (en) 2018-04-19 2021-01-13 三菱電機株式会社 Equipment, methods, and computer programs to identify anomalous equipment
JP7414797B2 (en) 2019-02-27 2024-01-16 日本電気株式会社 Manufacturing control method
JP2020190956A (en) 2019-05-22 2020-11-26 株式会社東芝 Manufacturing condition output device, quality management system and program
WO2021106288A1 (en) 2019-11-28 2021-06-03 花王株式会社 Quality measurement method and quality measurement device

Also Published As

Publication number Publication date
JP2023028245A (en) 2023-03-03

Similar Documents

Publication Publication Date Title
CN110321658B (en) Method and device for predicting plate performance
Yang et al. A control chart pattern recognition system using a statistical correlation coefficient method
JP4739447B2 (en) Failure factor analysis display method and failure factor analysis display device
KR20080071607A (en) Prediction formula making device and prediction formula making method
JP2022132895A (en) Manufacturing support system for predicting characteristics of alloy material, method for generating prediction model, and computer program
JP7484845B2 (en) Quality prediction model creation method, quality prediction method, operation condition presentation method, quality prediction model creation device, quality prediction device, and operation condition presentation device
EP3838432B1 (en) System for predicting contraction
JP7544000B2 (en) Quality defect cause extraction method and quality defect cause extraction device
JP7493128B2 (en) Operation condition presentation method and operation condition presentation device
JP2019012473A (en) Data filtering device and method
Sivam et al. A study on deep drawn cups and the selection of optimal settings deploying ANN training and architectural parameters using the Taguchi ARAS approach
JP2002236119A (en) Material estimating device for steel product
WO2022085350A1 (en) Method for building abnormality diagnosis model, abnormality diagnosis method, device for building abnormality diagnosis model, and abnormality diagnosis device
JP2023129780A (en) Quality prediction model generation apparatus, quality prediction apparatus, quality prediction model generation method, and quality prediction method
JP2023128678A (en) Quality prediction model generating device, quality prediction device, quality prediction model generating method, and quality prediction method
JP2002241846A (en) Device for judging abnormality in production process of steel product
CN117831659B (en) Method and device for online detection of quality of wide and thick plates, electronic equipment and storage medium
JP3799063B2 (en) Product processability evaluation system
Latham et al. A Tool to Combine Expert Knowledge and Machine Learning for Defect Detection and Root Cause Analysis in a Hot Strip Mill
JP6844565B2 (en) Neural network device and program
JP2009245141A (en) Output value prediction method, device thereof, and program for the method
WO2023181127A1 (en) Product quality analysis assistance system
JP7574145B2 (en) Data dimension compression method, computer program and data dimension compression device
JP2024124649A (en) Defective factor identification device, defective factor identification method, and defective factor identification program
Souza et al. Data mining and modelling

Legal Events

Date Code Title Description
A711 Notification of change in applicant

Free format text: JAPANESE INTERMEDIATE CODE: A711

Effective date: 20221128

A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230329

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20231228

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240116

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20240307

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: 20240409

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240422

R150 Certificate of patent or registration of utility model

Ref document number: 7493128

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150