JPH0575969B2 - - Google Patents

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
おけるプロセス診断方法に関し、現在の操業状況
からプロセス診断特性値の予測と評価を迅速に行
ない、またその対応をとることによりプロセス操
業の安定化をはかるものである。

［従来の技術］ 近年、鉄鋼プロセスなどの製造プロセスにおけ
るプロセス診断に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
り品質診断などのプロセス診断システムが開発さ
れている。

しかしながら、このタイプのプロセス診断シス
テムに用いられる診断方法には定まつた方法が確
立しておらず、システム毎に異なつているのが現
状である。

これに対して、品質診断方法については、著者
らは特願昭63−265678号で新しい方法を提案して
いる。

［発明が解決しようとする課題］ 製造プロセスの専門家の経験則などによりプロ
セス診断を行なうとき、その診断方法に定まつた
方法がない。そのため個々のシステムで、そのシ
ステムに合つた方法を考案して実現している。

そこで本発明は、経験則によるプロセス診断の
ひとつの定型的な方法を提給することを１つの課
題とする。

またプロセス診断は、プロセス実績データの数
が多く、また中間状態を一度推論し、この結果に
基づいて最終のプロセス診断特性値を推論するこ
とも多い。しかし、先に著者らが提案した品質診
断方法では、プロセス実績データとしては取扱う
数が少ないことが望ましく、また中間状態の予測
ができないのでプロセス診断には用いることがで
きなかつた。

そこで本発明は、入力される実績データの数
（種類）が多い場合でも正確な診断ができ、しか
も中間状態を予測しうるプロセス診断方法を提供
することを１つの課題とする。

［課題を解決するための手段］ 上記課題を解決するため、本発明のプロセス診
断方法においては、製造プロセスにおいて得られ
る複数種類の操業実積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
一次診断特性項目ごとに、前記操業実積データの
狙い値からのずれに起因する特性の一次減点値
を、操業実積データのランク値と一次減点値との
関係を用いて求め、該一次診断特性項目ごとの減
点値に応じた一次評価値を、それらの狙い値から
のずれに応じてランク分けし、診断する二次診断
特性項目ごとに、前記複数の一次評価値の狙い値
からのずれに起因する二次減点値を、一次評価値
のランク値と二次減点値との関係を用いて求め、
二次減点値に従つて最終評価結果を生成する。

［作用］ 本発明のプロセス診断方法においては、階層的
に複数回の診断を実行する。例えば、一次診断で
は、鋼帯温度，水和量，付着量，脱炭性などの
様々な操業実績データを入力してそれらのランク
値を生成し、各々のランク値から一次減点値を生
成し、この一次減点値に応じた評価値を一次評価
値とする。そして、二次診断では、前記一次評価
値を入力してそれらのランク値を生成し、一次評
価値のランク値から二次減点値を生成し、この二
次減点値に基づいて最終評価結果を得る。

入力される操業実積データの種類が多く、それ
らの各々と最終評価結果との相関が比較的小さい
場合であつても、操業実積データとの相関が比較
的大きい中間的な一次評価項目を設けることによ
り、正確な一次診断を行なうことができ、また一
次診断の結果を利用して、それとの相関が比較的
大きな最終評価項目に対する診断を行なうことに
より、正確な二次診断を行なうことができる。つ
まり、一次診断と二次診断とを組合せることによ
り、正確な中間状態の予測を行ない、正確なプロ
セス診断を行なうことができる。

勿論、一次と二次の診断に限らず、３段以上の
階層的な診断を行なつてもよい。

［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。

この実施例では、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）に関する品質
診断を行なうシステムについて説明する。なお図
示しないが、このシステムでは、ハードウエア装
置として、中央処理装置及び記憶装置を含むコン
ピユ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イが備
わつている。

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
つて行なわれ、その被膜品質の実積は、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測によつて防
止される。

第１図に、この品質診断システムに備わつたソ
フトウエアプログラム及び処理又は参照するデー
タの構成の主要部分を示してある。

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
業実積データ１０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、デ
イスプレイ上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上
にデータに基づいて実行される。知識ベース６０
上のデータは、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。従つて、
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上のデ
ー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上に設
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を設けてある。知識テーブル４０上のデータ
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、エデイタ７０のプログラムが起
動し、知識テーブル４０上のデータを順次にデイ
スプレイ上に表示する。デイスプレイ上に表示さ
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、その位置のデ
ータに対して、訂正，削除，追加などの編集処理
が行なわれる。この編集処理によつて、知識テー
ブル４０上のデータが更新される。

エデイタ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、更新された知識テー
ブル４０上のデータに基づいて、知識ベース６０
上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
ログラムが起動し、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つて、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階層になつている。第２図にお
いて、ステツプ１〜３が一次診断の処理に対応
し、ステツプ４〜６が二次診断の処理に対応して
いる。

第２図のステツプ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、dp１，dp２，dp３，dp４，鋼帯温度１，
鋼帯温度２，鋼帯温度３，水和性，付着量及び脱
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、操業実積項目のdp
１は１〜５のランクに区分され、dp２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“dp１”が操業実積項目の区分
を示し、次の“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つずつ組になつて
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。従つて例えば、dp１の各
ランクの範囲は、40.0以上，40.0〜38.0，38.0〜
22.0，22.0〜13.0，及び13.0以下になつている。
他の項目についても同様である。

実際のランク分け処理は、知識ベース６０上に
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図のステツプ２では、診断項目ごとに、減
点値を計算する。この一次診断の診断項目には、
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”，“過酸化Ｃ”，“酸化不足
Ａ”，“酸化不足Ｂ”，“酸化不足Ｃ”，“脱炭異常
Ａ”，及び“脱炭異常Ｂ”の８個の項目が存在す
る。

第３ｂ図は、一次診断の中の“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重み
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、dp
１，dp２，dp３，dp４，……の各々の項目の重
みがそれぞれ、０，70，５，10，……になつてお
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
上のデータは、第４ｂ図に示されている。第４ｂ
図においては、最初に、一次診断項目のリストが
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11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、dp２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、続く“６”はランク数、
次の“５”と“６”は悪化パターンのランク区
間、最後の70.0は重み（不良化寄与率（％））を
示している。

この知識に基づいて、減点値が計算される。例
えば、操業実積項目のdp２に関し、操業実積デ
ータのランクが６であれば、それに対する減点値
は、（80−40）×70／100＝28点と計算される。こ
こで、80−40は過酸化Ａに関する診断結果の変化
範囲に対応し、70/100が重みに対応する。

上記計算は、操業実積データ（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、指定された計算式によつて求められ
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Ａのdp２に関
する計算式は７番であるが、仮に３番の計算式を
利用して、dp２の操業実積データのランクが５
の場合の計算を行なうと 28点×log₄3＝22.2が減点値になる。

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

第２図のステツプ３では、ステツプ２で求めた
各操業実積項目ごとの減点値を、一次診断項目ご
とに合計し、また、一次診断項目ごとの減点値
を、各操業実積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
レイ上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。デイスプレイ上の減点値の
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図のステツプ４，５及び６は、それぞれ前
述のステツプ１，２及び３と基本的に同様であ
り、ステツプ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Ｃ，酸化不足Ａ，酸化不足
Ｂ，酸化不足Ｃ，脱炭異常Ａ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。

ステツプ４の処理では、第３ｃ図に示すような
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上のデータの一部分が、第４ｃ図
に示されている。ステツプ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
び光択不良の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基づいて、減点
値が求められる。この処理で参照されるデータに
対応する知識テーブル４０上のデータの一部分が
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。従つてそれらの説
明は省略する。

第２図のステツプ６では、ステツプ５で求めた
各一次診断項目（中間特性項目）ごとの減点値
を、二次診断項目ごとに合計し、また、二次診断
項目ごとの減点値を、各一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、必要に応じて、表形式でデイスプレイ上に表
示することができる。

第２図のステツプ７では、ステツプ６で求めた
診断項目ごとの減点値を満点値から減算して、各
診断項目の評価値を求め、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け、それ
らをデイスプレイ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上のデータの一部分
を、第５ａ図，第５ｂ図，第５ｃ図及び第５ｄ図
に示す。

まず第５ａ図を参照する。一番上の部分に表記
された“FINDINGS”の内容は、一次診断で入
力される操業実績項目の名称のリストである。ま
た、次の“INTERMEDIATA−HYPOTHES”
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。続く
“HYPOTHES”の内容は、一次診断項目の名称
のリストである。また、次の“FH−RULE”の
内容は、ランク分けに関し存在するルールの名称
リストである。

次に第５ｂ図を参照する。一番上の部分に表記
された“HH−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
ストである。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てある。例えば、最
初の部分に表記された“＃＃ｄ−dank−dp1−１
＃＃”の内容は、操業実績項目のdp１に関する
ランク１の定義であり、ここでは、dp１の値が
もし40.0以上であれば、“rank−dp１”に１をセ
ツト、即ちdp１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“HH−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、“dp１−不良減点”に関するルールが定
義されており、ここでは、dp１のランクが１〜
５の範囲にある場合に、“THEN”の欄に表記さ
れた処理を実行する。例えば、（［dp1］［酸化不
足］）の減点値は、（func−call15′（３）′，
（２）′，（５）′（50.0）′（0.0）rank−dp1）の
処理結果として計算される。ここで、“func−
call”は、推論エンジン２０が実行できるLISP
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Ａ減点合計計算
＃＃の内容は、一次診断項目の過酸化Ａに関する
減点値の合計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、［dp1］［過酸化Ａ］，［dp2］［過酸化
Ａ］，［dp3］［過酸化Ａ］，［dpz］［過酸化Ａ］，
［鋼温１］［過酸化Ａ］，［鋼温２］［過酸化Ａ］，
［鋼温３］［過酸化Ａ］，［水和量］［過酸化Ａ］，
［付着量］［過酸化Ａ］，［脱炭性］［過酸化Ａ］の
総和を、“過酸化Ａ減点合計”にストアする。

また第５ｄ図の＃＃dp1−減点合計計算＃＃の
内容は、操業実績項目のdp1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、
［dp1］［過酸化Ｂ］の値が0.0以上であると、
［dp1］［過酸化Ａ］，［dp1］［過酸化Ｂ］，［dp1］
［酸化不足Ａ］，［dp1］［過酸化Ｃ］，［dp1］［酸化
不足Ｂ］，［dp1］［酸化不足Ｃ］，［dp1］［脱炭異
常Ａ］，［dp1］［脱炭異常Ｂ］の総和を、“dp1−
減点合計”にストアする。

この知識ベースのデータは、第１図に示すデー
タ変換５０の処理によつて、知識テーブル４０上
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、x₁，……xnは
操業実績データのランク値、f₁，……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
よつて実際に評価された結果、即ち実績評価値を
示している。学習のアルゴリズムとして、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。

ωiの修正値を△ωiとすると、 △ω＝（△ω₁，△ω₂，………，△ωn）′△ω＝
〔ｋ（ｄ−ｙ）／（λ＋F′F）〕・Ｆ 但し、Ｆ＝（f₁（x₁），f₂（f₂），……，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
ーブル上の重みの値が学習される。知識テーブル
の学習に伴なつて知識ベースも更新される。

なお上記実施例においては、一次診断と二次診
断との二階層のみの処理について説明したが、同
様の方法で三次診断や四次診断の処理を加え、多
段プロセス診断を行なうように変更してもよい。

［効果］ 以上説明したように、本発明によれば、複数回
の診断を行ない階層的にプロセス診断を実施する
ので、中間的な状態の予測を正確に行なうことが
でき、高精度のプロセス診断が可能になる。

【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
ソフトウエア及びデータの構成を示すブロツク図
である。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ヤートである。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４
ａ図，第４ｂ図，第４ｃ図及び第４ｄ図は、第１
図の知識テーブル４０上のデータの一部分の内容
のリスト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６０上のデータの一部分の内容のリストを示す
平面図である。第６図は、デイスプレイに表示さ
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ヤートである。第９
図は、第１図の学習処理８０の構成を示すブロツ
ク図である。

Claims (1)

【特許請求の範囲】
1. １ 製造プロセスにおいて得られる複数種類の操
   業実積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、診断する複数の一次診断特性項
   目ごとに、前記操業実積データの狙い値からのず
   れに起因する特性の一次減点値を、操業実積デー
   タのランク値と一次減点値との関係を用いて求
   め、該一次診断特性項目ごとの減点値に応じた一
   次評価値を、それらの狙い値からのずれに応じて
   ランク分けし、診断する二次診断特性項目ごと
   に、前記複数の一次評価値の狙い値からのずれに
   起因する二次減点値を、一次評価値のランク値と
   二次減点値との関係を用いて求め、二次減点値に
   従つて最終評価結果を生成する、プロセス診断方
   法。