JPH0310301A - 品質診断知識学習方法 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 ［産業上の利用分野］ 本発明は、鉄鋼プロセスなどの製造プロセスにおける品
質診断に用いる知識学習方法に関する。

品質診断は現在の操業状況から品質特性の子８１す・評
価を迅速に行ない、またその対応をとることにより品質
特性不良の発生を防止する。その処理を行なう知識ベー
スの保守を容易にし、品質診断か永続的に使用されろこ
とを可能にする。

［従来の技術］ 従来、鉄鋼プロセスなどの製造プロセスに才昌づる品質
診断は、品質特性が定量的に数式モデルで予測できると
きに行なわれてきた。しかしながら、品質特性が定量的
に予測できないこともしばしばある。そのときにはルー
ルベース等の知識工学的手法により定性的な、あるいは
断片的な経験則により品質診断システ１１が開発されて
いる。

しかしながら、この新しいタイプの品質診断システｌ＼
に用いられる品質予測・診断方法には定まった方法が確
立しておらずシステ１１ごとに診断方法が異なっている
のが現状である。

また、この新しいタイプの品質診断システｌ＼に用いら
れる知識ベースは、通常ＫＥ（知識工学技術者）によっ
て修止され、−・般技術者や操業技術者による修止は困
難なことも多く、きめ細かな保守が出来ず問題であった
。

［発明が解決しようとする課題］ 本発明は、製造プロセスの専門家の経験則による品質診
断に用いる知識ベースを実データを用いて自動的に修正
する知識学習方法を提案する。

それは、ひとつの定型的な品質診断方法のもとで用いら
れている知識ベースの重みを自動学習する方法である。

［課題を解決するための手段］ 本発明の品質診断知識学習方法においては、製造プロセ
スにむいて得られる複数種類の操業実績データをそれら
の狙い値からのずれに応じてランク分けし、診断する複
数の品質特性項目ごとに、前記操業実績データの狙い値
からのずれに起因する品質特性の減点値を、操業実績デ
ータのランク値と減点値との関係、及び操業実績データ
の種別毎に各々存在する重みの値を用いて求め、品質特
性項目ごとに各減点値に基づいてその評価値を求めると
ともに、前記操業データのランク値のブタを入力データ
、品質の実績値を教師信弼として与えることにより、各
品質特性項目ごとに、各操業実績データの種別毎の前記
１１ｊ　４の値を学習し更新する。

［作用コ 本発明の品質診断においては、各々の操業実績データか
らそのランク値を生成し、各々のランク値から減点値を
生成し、操業実Ｍ’？データの項目４Ｉｊの減点値を総
合的に評価して、品質の評価値を予測値として求める。

減点値の計算に際しては、操業実績データの種別毎、例
えば銅帯温度、水和量。

付着量、脱炭性などの区分毎に設定した重みの値が用い
られる。この重みの値が、品質診断の結果に大きな影響
を与えるので、重みの値を調整することによって、品質
診断の特性を変えることができる。重みの値が適切であ
れば、高精度の品質診断が可能になる。

本発明においては、品質の実績値が得られると、操業実
績データのランク値を品質診断の人力テ：３ 夕、晶質の実績値を教師データとして与え、前記重みの
値を学習によって求め、その値を自動的に更新する。こ
の学習処理に、ニューラルネットの分野で用いられてい
る学習アルゴリズ１１を利用することにより効果的な学
習が可能になる。

［実施例］ 次に本発明の実施例について図面を参照して説明するに の実施例では、方向性電磁鋼板プロセス全体の品質特性
（被膜特性などを含むンに関する品質診断を行なうシス
テ１１について説明する。なお図示しないが、このシス
テムでは、ハードウェア装置として、中央処理装置及び
記憶装置を含むコンピュータシステム本体と、それに接
続された端末装置を備えている。端末装置には、入力装
置であるキーボードと出力装置であるデイスプレィが備
わっている。

例えば被膜特性の実際の品質診断は、脱炭ラインの操業
実績データを基に、専門家の経験則によって行なわれ、
その被膜品質の実績は、約１０日後に得られる。そのた
め、その間の被膜不良発生が、この品質診断システムの
品質予１１１１１によって防止される。

第１図に、この品質診断システ１１に備わったラフ１〜
ウエアプログラム及び処理又は参照するブタの構成の主
要部分を示しである。

第１図を参照して、このシステムの処理の概略を説明す
る。推論エンジン２０は、入力される操業実績データ１
０を処理し、品質の評価、即ち診断を行なう。評価の結
果、即ち診断値３０は、ティスプレィ」二にわかり易く
表示される。

推論エンジン２０の処理は、知識ベース６０」二にデー
タに基づいて実行される。知識ベース６０」二のデータ
は、推論エンジン２０の処理に適合する形で表記された
ルールベースである。従って、知識ベース６０上のデー
タは、一般のオペレータには理解が困難である。しかし
、診断精度の高いシステムを構築にするは、知識ベース
６０上のブタの更新は不可欠である。

そこでこの実施例では、知識ベース６０」二に設けられ
るデータのうち、それに必要とされる各種パラメータの
みを表形式で表記した知識テーブル４０を設けである。

知識テーブル４０」二のデータは比較的分かり易く、一
般のオペレータにも理解できる。

オペレータが端末装置のキーボードから所定の操作を行
なえば、エディタ７０のプログラムが起動し、知識テー
ブル４０」二のデータを順次にデイスプレィ上に表示す
る。デイスプレィ上に表示されるカーソルを移動してデ
ータの位置を特定し、更に入力操作を行なうことにより
、その位置のブタに対して、訂正、削除、追加などの編
集処理が行なわれる。この編集処理によって、知識テブ
ル４０上のデータが更新される。

エディタ７０の処理が終了すると、データ変換５０のプ
ログラムが起動し、更新された知識テブル４０上のデー
タに基づいて、知識ベース６０」ユに保持されるデータ
を再生成する。

また、専問家による実際の品質診断の結果（実績評価値
）が得られた時には、学習処理８０のプロゲラ１１が起
動し、推論エンジン２０の出力と、入力された実績評価
値に基づいて、知識テーブル４０上に存在する重みデー
タを更新する。この知識テーブルの学習に伴なって、知
識ベース６０の内容も更新される。

第１図の推論エンジン２０の処理の流れを概略で第２図
に示す。推論エンジン２０の推論処理は、階層的に構成
されており、この例では一次診断と二次診断の２階層に
なっている。第２図において、ステップ１〜３が一次診
断の処理に対応し、ステップ４〜６が二次診断の処理に
対応している。

第２図のステップ１では、入力される操業実績データを
その狙い値からのずれの大きさに応じてランク分けする
。

この例では、第３ａ図の操業実績項目に示すように、ｄ
ｐｌ、ｄｐ２．ｄｐｌ　ｄＰ４．鋼シＩＦ温度１．鋼帯
温度２．鋼７１シ温度３．水和性、伺着景及び脱炭性の
１０種類の操業実績データが入力されるので、それらの
各々について、それのランク値を求める。各操業実績項
目毎の各ランクの狙い値からのずれの範囲は、第３ａ図
のように区分されている。第３ａ図を参照すると、操業
実績項目のａｐｌは１〜５の５ランクに区分され、ｄｐ
２は１〜６の６ランクに区分され、ｄｐ３は１〜７の７
ランクに区分されることが分かる。

第４ａ図、第４ｂ図、第４Ｃ図及び第４ｄ図は知識テー
ブル４０上のデータの一部分を示しているが、これらの
うち第４ａ図に、第３ａ図のランク分けの範囲に対応す
るデータが示されている。

即ち、第４ａ図の最上部の２行に注目すると、最初に表
記された”ｄｐｌ”が操業実績項目の区分を示し、次の
ｒｒ　５　＋＋がランクの数を示し、それに続く１０個
のデータが各ランクの範囲を示している。

これら１０個のデータは、２つずつ組になっており、５
組のデータの各組が各々のランクに対応付けられている
。また、”　＊　”の記号は以上又は以下を表わしてい
る。従って例えば、ｄＰｌの各ランクの範囲は、４００
以」二、　４０．０〜３ｇ、０．３８．０〜２２．０゜
２２．０〜１３．０．及び１３．０以下になっている。

他の項目についても同様である。

実際のランク分は処理は、知識ベース６０」−にデータ
に基づいて実行されるが、そのデータは基本的には知識
テーブル４０上のデータと同一である。なお、ランク分
けの各範囲は、鋼種規格ごとに与えられる。

第２図のステップ２では、診断項目ごとに、減点値を計
算する。この−次診断の診断項１コには、第３ｃ図の中
間特性項目に示されるように、″過酸化Ａ″、″′過酸
化Ｂ　ｇ）　、　ＩＩ過酸化Ｃ″′、″酸化不足Δ″″
酸化不足Ｂｒｒ　、　″酸化不足Ｃｎ、　ｒｒ脱炭異常
Δ″及び″脱炭異常Ｂ”の８個の項目が存在する。

第３ｂ図は、−次診断の中の″過酸化Ａ　”に関する、
減点値の計算に利用される知識（知識テーブル及び知識
ベース上のデータ）を示しており、具体的には、各操業
実績項目ごとの減点値の咀みの値と、診断結果に悪影響
を及ぼす特性パターンを示している。つまり、第３ｂ図
の例では、ｄｐｌ。

ｄｐ２．ｄｐ３．ｄｐ４．・・・の各々の項１］の重み
がそれぞれ、０，７０，５．１０．　　・・・になって
おり、１０項目の重みの合計が１００％に設定されてい
る。また、各欄中の☆マークは、その項目のデータが診
断結果に悪影響を及ぼすことを示している。

第３ｂ図のデータに対応する知識テーブル４０」二のデ
ータは、第４ｂ図に示されている。第４ｂ図においては
、最初に、−次診断項目のリス１へが表記され、続いて
一次診断項目の各々に関する詳細なデータが表記されて
いる。過酸化Ａの項目の内容を示す欄に注目すると、第
１行には、評価結果の値の変化する範囲（８０点〜４０
点）が示され、第２行〜第１Ｉ行には各操業実績項目に
関する情報が示されている。例えば、ｄ　ｐ、　２に続
く数値列のうち、最初の１″′はパターン数、次の”　
７　”は使用する計算式の番号、続＜　”　６　”はラ
ンク数、次のｒＬ　５　ＩＩと”　６　”は悪化パター
ンのランク区間、最後の７０．０は重み（不良化寄ｊ−
ｉＩＦ　（％））を示している。

この知識に一ンづいて、減点値が計算される。例えば、
操業実績項目のｄｐ２に関し、操業実績ブタのランクが
６であれば、それに対する減点値は、（８０−４０）Ｘ
７０／］０Ｏ＝２８点とＩＩ算される。ここで、８０−
４０は過酸化Δに関する診断結果の変化範囲に対応し、
７０／１００か重みに対応する。

上記計算は、操業実績データ（ｄｐ２）のランク値がそ
れの変化する範囲（１〜６）の中で最大（６）の場合で
あるが、ランク値がそれより小さい場合には、０〜１．
０の範囲の係数が減点値に乗算される。その係数は、指
定されたｎ１算式によって求められる。この例では、第
７図に示すような計算式が利用される。なお第７図は一
部分を示しており、実際には７種類の計算式がある。

第４ｂ図を参照すると、過酸化Δのｄ　ｐ、　２に関す
る計算式は７番であるが、仮に３Ｗｉの言（算式を利用
して、ｄｐ２の操業実績データのランクが５の場合の計
算を行なうと ２８点Ｘ　Ｑｏｇ４３　＝２２．２が減７Ｗ値になる。

他の診断項目についても、同様に知識ベース」二のデー
タを参照しながら計算により求められる。

第２図のステップ３では、ステップ２で求めたＩＩ 各操業実績項目ごとの減点値を、−次診断項目ごとに合
計し、また、−次診断項目ごとの減点値を、各操業実績
項目ごとに合計する。この処理の結果の一例を第６図に
表形式で示す。この情報は、必要に応じて、第６図に示
す形式でデイスプレィ」二に表示することができる。表
示される減点値は、それが大きいものほどプロセス特性
を改善するのに重要である。デイスプレィ上の減点値の
表示を参照することにより、プロセス特性に悪影響を及
ぼしている項目を瞬時に知ることができる。

第２図のステップ４，５及び６は、それぞれ前述のステ
ップ１，２及び３と基本的に同様であり、ステップ１〜
３の一次診断で得られた結果、即ち中間特性項目毎の８
種類のデータ（過酸化Ａ、過酸化Ｂ、過酸化Ｃ２酸化不
足Ａ、酸化不足Ｂ、酸化不足Ｃ２脱炭異常Δ及び脱炭異
常Ｂ）を入力データとして、被膜不良、脱炭不良、磁性
不良、及び光沢不良の４つの診断項目について診断を行
なう。

ステップ４の処理では、第３ｃ図に示すような１２ ランク分けを行なう。このランク分けに関する知識テー
ブル４０」二のデータの一部分が、第４Ｃ図に示されて
いる。ステップ５の減点値の計算処理においては、被膜
不良、脱炭不良、磁性不良、及び光沢不良の４つの診断
項目について各々減点値を求めるが、例えば被膜不良の
診断項目については、第３ｄ図に示すような知識に１１
（づいて、減点値が求められる。この処理で参照されろ
データに対応する知識テーブル４０」二のデータの−・
部分が第４ｄ図に示されている。

なお第３ｃ図、第３ｄ図、第４Ｃ図及び第４ｄ図の各項
目に表記された情報の意味は、それぞれ、既に説明した
第３ａ図、第３ｂ図、第４ａ図及び第４ｂ図のものと同
様である。従ってそれらの説明は省略する。

第２図のステップ６では、ステップ５て求めた各−次診
断項目（中間特性項目）ごとの減点値を、二次診断項目
ごとに合ｉｆ　＋−’、また、二次診断項目ごとの減点
値を、各−次診断項目ごとに合計する。

この処理の結果は、第６図の場合と同様に、必要に応し
て、表形式でデイスプレィ上に表示することができる。

第２図のステップ７ては、ステップ６で求めた諦断項口
ごとの減点値を満点値から減算して、各診断項「１の評
価値を求め、また操業実績項目ごとの減点の合計をそれ
の大きい順に並べかえ、それらをデイスプレィに表示す
るとともに、修正すべき操業条件を表示して、それをオ
ペレータに知らせる。

第１図の知識ベース６０」；のデータの一部分を、第５
ａ図、第５ｂ図、第５ｃ図及び第５ｄ図に示ず。

まず第５ａ図を参照する。一番上の部分に表記された”
　Ｖ　Ｔ　Ｎ　Ｄ　Ｔ　Ｎ　Ｇ　Ｓ　”の内容は、−次
診断で入力される操業実績項目の名称のリス１へである
。また、次の”ＴＮＴＩＥＲ肝ＤＴＡＴＩＥ−１１’／
ＰＯＴＩＩＩＥＳ”の内容は、操業実績データをランク
分けする場合に参照するデータ及び減点値を求める際に
参照するデータの名称を定義したリストである。続（Ｉ
ＩＩ／ＰＯＴＩＩＥＳ”の内容は、−次診断項［Ｉの名
称のリス１〜である。また、次の”Ｆｌｌ−ＲＵＬＶｒ
、”の内容は、ランク分けに関し存在するルールの名称
リス１〜である。

次に第５ｂ図を参照する。一番上の部分に表記された”
１１１１−　ＲＵＬＥ”の内容は、減点値及びそれの合
計値の計算に関し存在するルールの名称リス１〜である
。これの下方に、ランク分けに関する各々のルールの内
容が表記しである。例えば、最初の部分に表記された”
Ｉｔ　ｔｔ　ｄ−ｄａｎｋ−ｄｐｌ、−１，ｉｔ　ｔｔ
”の内容は、操業実績項目のａｐｌに関するランク１の
定義であり、ここでは、ｄｐｉの値がもし７ＩＯ，０以
」二であれば、ｒａｎｋ−ｄｐ　］、”に１をセラ１−
１即ちｄｐｉのランクを１にする、ことが定義されてい
る。これに続いて、ランク２．ランク３．ランク４、・
・に関する定義が表記されている。

次に第５ｃ図及び第５ｄ図を参照する。これらの部分に
は、第５ｂ図の”１１１１−　ＲＵＬＥ”に表記された
ルール名称の各々に対応するルールの定義が表記されて
いる。例えば、第５ｃ図の最初の部分では、”ａｐｌ−
不良減点″に関するルールが定義されており、ここでは
、ａｐｌのランクが１〜５の範囲に５ ある場合に、”ＴＩＩＥＮ”の欄に表記された処理を実
行する。例えば、（［ｄｐｌ］　　［酸化不足コ）の減
点値は、（ｆｕｎｃ−ｃａｌ、］　］　５’　（３）’
　（２）’　（５）’　（５０，０）’（０，０）ｒａ
ｎｋ−ｄｐｉ）の処理結果として計算される。

ここで、”ｆｕｎｃ−ｃａｌ、］”は、推論エンジン２
０が実行できるり、　Ｔ　Ｓ　Ｐ言語の関数を示し、そ
れに続くデータは関数のパラメータを示している。

また第５ｃ図の＃＃過酸化八へ点合計計算＃＃の内容は
、−次診断項目の過酸化Ａに関する減点値の合１１計算
に関するルールの定義であり、ここでは、［ｄｐ２］　
　［過酸化Ａ］のデータが０．０以上であると、［ｄｐ
ｉ］　　［過酸化ＡＩ　、　　［ｄｐ２］　　［過酸化
Ａコ、　　［ｄｐ３］　　［過酸化Ａコｒ　　［ｄｐｚ
］　　［過酸化Ａ］［調温１コ　［過酸化Ａ］、［調温
２］［過酸化Ａ］［調温３］［過酸化Ａ］、［水和量コ
　［過酸化Ａｌ、［付着量］　［過酸化Δコ、［脱炭性
］　［過酸化Ａ］の総和を、″過酸化へ減点合計″にス
トアする。

また第５ｄ図の＃＃ｄｐ、］−減点合ＭＩ計算＃＃の内
容は、操業実績項目のａｐｌの減点値の合計計算に関す
るルールの定義であり、この例では、］６ ［ａｐｌ］　　［過酸化Ｔ３］の値が００以上であると
、［：ｄｐＨ［過酸化Ａ］　、　　［ｄｐｉ］　　［過
酸化Ｂコ。

［ｄｐｌコ　［酸化不足Ａｌ　、　　［ａｐｌコ　［過
酸化Ｃ１゜［ａｐｌコ　［酸化不足Ｂ］　、　　［ａｐ
ｌコ　［酸化不足Ｃ］。

［ａｐｌコ　［脱炭異常Ａコ＋　　［ａｐｌコ　［脱炭
異常Ｂ］の総和を、”ｄｐｉ−減点合計″にス１〜アす
る。

この知識ベースのデータは、第１図に示すブタ変換５０
の処理によって、知識テーブル４０」―のデータに基づ
いて自動的に生成される。データ変換５０の処理の概略
を第８図に示すので参照されたい。

第９図に、第１図の学習処理８０における処理の概略を
示す。第９図において、Ｘｌ＋・・・・ｘｎは操業実績
データのランク値、ｆｉ＋・・・・　ｆｎは乗算係数関
数式（第７図参照）、ω１．・・・・　ωｎが学習され
る重み、ｙは品質評価予測値、ｄはその専問家によって
実際に評価された結果、即ち実績評価値を示している。

学習のアルゴリズｌ＼として、直交学習や誤差逆伝播法
などを用いることができるが、ここでは直交学習法のア
ルゴリズムが用いられている。

ω」の修正値をΔωｌとすると、 Δω＝（Δω１．Δω２．・・・・、Δωｎ）′Δω＝
　［ｋ　　（ｄ−ｙ）　／　（λ＋Ｆ’Ｆ）］・Ｆ但し
、Ｆ＝　（ｆ　ｔ　（ｘｌ）、ｆ２（Ｘ２　）、　−−
、ｆｎ（ｘｎ）　）　’つまり、各品質特性項目につい
て、実績評価値ｄを教師信号として、不良化寄与率、即
ち、知識テブル」二の重みの値が学習される。知識テー
ブルの学習に伴なって知識ベースも更新される。

［効果コ 以上説明したように、本発明によれば、品質診断システ
ム上の知識が学習によって自動的に更新されるので、高
精度の品質診断が可能になり、知識の保守も容易になる
。

【図面の簡単な説明】

第１図は本発明を実施する品質診断システムのラフ１〜
ウエア及びデータの構成を示すブロック図である１、 第２図は、第１図の推論エンジン２０の処理の概略を示
すフローチャートである。 第３ａ図、第３ｂ図、第３ｃ図及び第３ｄ図は、実施例
の知識の内容を表形式で示す平面図である。 第４ａ図、第４ｂ図、第４ｃ図及び第４ｄ図は、第１図
の知識テーブル４０」二のデータの一部分の内容のリス
］・を示す平面図である。 第５ａ図、第５ｂ図、第５ｃ図及び第５ｄ図は、第１図
の知識ベースＧｏ上のデータの−ｆ）１；分の内容のリ
ストを示す平面図である。 第６図は、デイスプレィに表示される情報の一例を示す
正面図である。 第７図は、減点計算に利用される計算式群の一部分の内
容を示す平面図である。 第８図は、第１図のデータ変換５０の処理を示すフロー
チャートである。 第９図は、第１図の学習処理８０の構成を示すブロック
図である。 特開平３ １０３０１　（７） 第 ４ｂ 図 過酸化Ｃ 酸化不足Ｂ 過酸化Ａ ８０．０ ４０．０ Ｐ１ ｐ２ Ｐ３ ｐｚ 調温１ 調温２ 調温３ 水和量 付着量 脱炭性 ０．０ ７０．０ ５．０ １０．０ ０．０ ０．０ ０ １０．０ ５．０ ０．０ 過酸化Ｂ ８０．０ ４０．０ ｐｌ ｐ２ ｐ３ ｐｚ 調温１ 調温２ 調温３ 水和量 付着量 脱炭性 ０．０ ４０．０ １０．０ ２０．０ ０．０ ０．０ ０．０ ２０．０ １０．０ ０．０ 第 図 過酸化Ａ 過酸化Ｂ ＊ ４０．０ ＊ ４０．０ ６０．０ ３０．０ ６０．０ ３０．０ ６０．０ ３０．０ ６０．０ ３０．０ ５０．０ ＊ ５０．０ ＊ ５０．０ ５０．０ ４０．０ ４０．０ 図 被膜不良 脱炭不良 磁性不良 光沢不良 被膜不良 過酸化Ａ 過酸化Ｂ １００．０ ３０．０ ５ ５ ５ ５ ５ ３０．０ ２０、Ｏ １５，０ １０，０ ０、Ｏ ２５，０ Ｏ３０ 脱炭不良 １００．０ 過酸化Ａ 過酸化Ｂ ５０．０ １０００ ３５４５ ０．０ １０、Ｏ 第５８ 図 ＊＊　　ＦＩＮＤＩＮＧＳ　　＊＊ ｄｐｌ　　ｄｐ２　　ｄｐ３　　ｄｐｚ鋼温鋼 網１２ 調温３ 水利量 脱炭性 ＊　＊　　ＩＮＴＥＲＭＥＤＩＡＴＥ−ＨＶＰＯＴＨＥ
Ｓｒａｎｋ−ｄｐｌ ｒａｎｋ−ｄｐ２ ｒａｎｋ−ｄｐ３ ｒａｎｋ−ｄｐｚ ｒａｎｋ−調温１ ｒａｎｋ−調温２ ｒａｎｋ−調温３ ｒａｎｋ−水和量 ｒａｎｋ−付着量 ＊＊ ｄａｔａ　　［ｄｐｌコ ［過酸化Ｃ］ ｔｔｔｔ　ｄ−ｒａｎｋ−ｄｐｉ−３ｔｔｎ＃＃　ｄ−
ｒａｎｋ−ｄｐｉ−５＃＃ １− 社 社　・中　・・ １口 社 社　・・　・・ ２二 り旨 第 ８ 図 １４−

Claims (1)

【特許請求の範囲】
1. 製造プロセスにおいて得られる複数種類の操業実績デー
   タをそれらの狙い値からのずれに応じてランク分けし、
   診断する複数の品質特性項目ごとに、前記操業実績デー
   タの狙い値からのずれに起因する品質特性の減点値を、
   操業実績データのランク値と減点値との関係、及び操業
   実績データの種別毎に各々存在する重みの値を用いて求
   め、品質特性項目ごとに各減点値に基づいてその評価値
   を求めるとともに、前記操業データのランク値のデータ
   を入力データ、品質の実績値を教師信号として与えるこ
   とにより、各品質特性項目ごとに、各操業実績データの
   種別毎の前記重みの値を学習し更新する、品質診断知識
   学習方法。